CN109416412A - 路面状态判别方法 - Google Patents

路面状态判别方法 Download PDF

Info

Publication number
CN109416412A
CN109416412A CN201780041228.7A CN201780041228A CN109416412A CN 109416412 A CN109416412 A CN 109416412A CN 201780041228 A CN201780041228 A CN 201780041228A CN 109416412 A CN109416412 A CN 109416412A
Authority
CN
China
Prior art keywords
road surface
tire
braking
drive force
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201780041228.7A
Other languages
English (en)
Other versions
CN109416412B (zh
Inventor
花塚泰史
后藤嵩人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bridgestone Corp
Original Assignee
Bridgestone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bridgestone Corp filed Critical Bridgestone Corp
Publication of CN109416412A publication Critical patent/CN109416412A/zh
Application granted granted Critical
Publication of CN109416412B publication Critical patent/CN109416412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C23/00—Devices for measuring, signalling, controlling, or distributing tyre pressure or temperature, specially adapted for mounting on vehicles; Arrangement of tyre inflating devices on vehicles, e.g. of pumps or of tanks; Tyre cooling arrangements
    • B60C23/02—Signalling devices actuated by tyre pressure
    • B60C23/04—Signalling devices actuated by tyre pressure mounted on the wheel or tyre
    • B60C23/0486—Signalling devices actuated by tyre pressure mounted on the wheel or tyre comprising additional sensors in the wheel or tyre mounted monitoring device, e.g. movement sensors, microphones or earth magnetic field sensors
    • B60C23/0488—Movement sensor, e.g. for sensing angular speed, acceleration or centripetal force
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C19/00—Tyre parts or constructions not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C23/00—Devices for measuring, signalling, controlling, or distributing tyre pressure or temperature, specially adapted for mounting on vehicles; Arrangement of tyre inflating devices on vehicles, e.g. of pumps or of tanks; Tyre cooling arrangements
    • B60C23/06—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle
    • B60C23/065—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle by monitoring vibrations in tyres or suspensions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
    • B60T17/18—Safety devices; Monitoring
    • B60T17/22—Devices for monitoring or checking brake systems; Signal devices
    • B60T17/221—Procedure or apparatus for checking or keeping in a correct functioning condition of brake systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/17—Using electrical or electronic regulation means to control braking
    • B60T8/172—Determining control parameters used in the regulation, e.g. by calculations involving measured or detected parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/068—Road friction coefficient
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
    • G01B17/08—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring roughness or irregularity of surfaces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C19/00—Tyre parts or constructions not otherwise provided for
    • B60C2019/004—Tyre sensors other than for detecting tyre pressure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T2210/00—Detection or estimation of road or environment conditions; Detection or estimation of road shapes
    • B60T2210/10—Detection or estimation of road conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T2210/00—Detection or estimation of road or environment conditions; Detection or estimation of road shapes
    • B60T2210/10—Detection or estimation of road conditions
    • B60T2210/12—Friction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T2270/00—Further aspects of brake control systems not otherwise provided for
    • B60T2270/86—Optimizing braking by using ESP vehicle or tire model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/10—Wheel alignment
    • G01B2210/20—Vehicle in a state of translatory motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Tires In General (AREA)

Abstract

将检测出的行驶中的轮胎的振动的时序波形乘以规定时宽的窗函数来提取每个时间窗的时序波形，根据所述每个时间窗的时序波形分别计算出特征向量，之后，在使用该每个时间窗的特征向量和路面模型来判别行驶中的路面的状态时，根据制动驱动力的大小构建多个所述路面模型，并且估计作用于所述轮胎的制动驱动力，使用所述特征向量和与估计出的所述制动驱动力的大小相应的路面模型来判别路面的状态，其中，该路面模型是将搭载有具备加速度传感器的轮胎的车辆在多个路面状态的路面上分别行驶所得到的轮胎振动的时序波形的数据作为学习用数据构建出的模型。

Description

路面状态判别方法
技术领域
本发明涉及一种对行驶中的路面状态进行判别的方法。
背景技术
以往，作为对路面状态进行判别的方法，提出了如下一种方法(例如参照专利文献1)：将由加速度传感器检测出的轮胎振动的时序波形乘以规定时宽的窗函数来提取每个时间窗的时序波形，并计算出每个时间窗的特征向量，之后针对每个路面模型(隐马尔可夫模型)计算每个时间窗的特征向量的似然度，将与似然度最大的路面模型对应的路面判别为是轮胎正在行驶的路面的路面状态，其中，该路面模型(隐马尔可夫模型)是将搭载有具备加速度传感器的轮胎的车辆在多个路面状态的路面上分别行驶所得到的轮胎振动的时序波形的数据作为学习用数据构建出的模型。
另外，作为使用路面模型来判别路面状态的方法，提出了如下一种方法(例如，参照专利文献2)：根据每个时间窗的特征向量和预先求出的路面特征向量计算核函数，将使用该核函数来识别路面模型的识别函数的值进行比较来对路面状态进行判别。
专利文献1：日本特开2013-6533号公报
专利文献2：日本特开2014-35279号公报
发明内容
发明要解决的问题
然而，在所述专利文献1、2中，不是考虑对轮胎施加的制动驱动力而得到的分类结构，因此存在在加减速时或上坡、下坡时路面状态的判定精度降低的问题点。
本发明是鉴于以往的问题点而完成的，其目的在于提供一种即使在对轮胎作用了制动驱动力的情况下也能够高精度地判定路面状态的方法。
用于解决问题的方案
本发明是一种路面状态判别方法，具备以下步骤：步骤(a)，检测行驶中的轮胎的振动；步骤(b)，取出检测出的所述轮胎的振动的时序波形；步骤(c)，将所述轮胎的振动的时序波形乘以规定时宽的窗函数来提取每个时间窗的时序波形；步骤(d)，根据所述每个时间窗的时序波形分别计算特征向量；以及步骤(e)，使用路面模型和在所述步骤(d)中计算出的每个时间窗的特征向量来判别行驶中的路面的状态，该路面模型是将搭载有具备加速度传感器的轮胎的车辆在多个路面状态的路面上分别行驶所得到的轮胎振动的时序波形的数据作为学习用数据构建出的模型，该路面状态判别方法的特征在于，设置以下步骤：根据制动驱动力的大小构建多个所述路面模型，并且估计作用于所述轮胎的制动驱动力，在所述步骤(e)中，使用所述特征向量和与估计出的所述制动驱动力的大小相应的路面模型来判别路面的状态。
像这样，如果在使用路面模型来判别路面状态时根据制动驱动力的大小构建多个路面模型，则即使在对轮胎作用了制动驱动力的情况下，也能够高精度地判别路面状态。
此外，所述发明内容没有列举本发明需要的全部特征，这些特征组的子组合也还能够形成发明。
附图说明
图1是示出本发明的实施方式1所涉及的路面状态判别装置的结构的图。
图2是示出加速度传感器的配置例的图。
图3是示出轮胎振动的时序波形和每个时间窗的轮胎振动的时序波形的提取方法的图。
图4是示出路面HMM的一例的图。
图5是示出似然度计算中使用的路面HMM的图。
图6是状态迁移序列的示意图。
图7是表示本实施方式1所涉及的路面状态判别方法的流程图。
图8是示出本实施方式2所涉及的路面状态判别装置的结构的图。
图9是示出输入空间的示意图。
图10是示出输入空间上的干燥路面特征向量和除干燥路面以外的路面特征向量的图。
图11是示出干燥路面特征向量与除干燥路面以外的路面特征向量的GA核的计算方法的图。
图12是示出计算出的特征向量与路面特征向量的GA核的计算方法的图。
图13是表示本实施方式2所涉及的路面状态判别方法的流程图。
具体实施方式
实施方式1.
图1是本实施方式所涉及的路面状态判别装置10的功能框图，在该图中，11为作为振动检测单元的加速度传感器，12为制动驱动力估计单元，13为制动驱动力判定单元，14为振动波形检测单元，15为加窗单元，16为特征向量计算单元，17为存储单元，18为似然度计算单元，19为路面状态判别单元。
制动驱动力判定单元13～路面状态判别单元19中的各单元例如由计算机的软件以及RAM等存储装置构成，设置于未图示的车体侧。
如图2所示，加速度传感器11以检测方向为轮胎周向的方式配置于轮胎1的内衬层部2的轮胎宽度方向中心，来检测从路面对胎面3输入的产生作用的轮胎周向加速度。下面，将加速度传感器11的位置(严格地说，胎面3表面的处于加速度传感器11的径向外侧的位置)称为测量点。
加速度传感器11的输出例如通过发送机11F被发送到振动波形检测单元14。
制动驱动力估计单元12用于估计对轮胎施加的制动驱动力J。具体地说，根据加速踏板开度和档位来估计对轮胎施加的驱动力，根据制动踏板踩踏力或制动液压来估计制动力。J>0是驱动力，J<0是制动力。
此外，对轮胎施加的制动驱动力J也可以根据车体加速度、路面梯度信息中的任一个或两方的信息进行估计，还可以根据车体速度、车轮速度、路面梯度信息中的任一个或多个信息来估计对轮胎施加的制动驱动力J。
制动驱动力判定单元13根据估计出的制动驱动力J来判定轮胎1的状态是否为能够进行路面状态的判定的状态。具体地说，在估计出的制动驱动力J的大小|J|超过预先设定的阈值JMax的情况下，视为难以根据检测出的振动波形进行路面状态的判别，从而向振动波形检测单元14发送用于中止振动波形的检测的中止指令信号，来使路面状态的判别中止。
另一方面，在估计出的制动驱动力J的大小|J|处于阈值JMax以内(-JMax≤J≤JMax)的情况下，将制动驱动力J的数据输出到似然度计算单元18。
此外，作为JMax，优选设为0.2G～0.8G的范围。在本例中，设为JMax＝0.4G。
振动波形检测单元14检测如图3所示那样的时序波形，该时序波形是将加速度传感器11的输出即对行驶中的轮胎1输入的轮胎周向振动按时间序列排列所得到的波形。
加窗单元15以预先设定的时宽(时间窗宽度)对轮胎周向振动的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形。
特征向量计算单元32针对提取出的各时间窗的时序波形分别计算特征向量Xt。在本例中，作为特征向量Xt，使用了使轮胎振动的时序波形分别通过频率区域为fka-fkb的k个带通滤波器BP(k)而提取得到的特定频带的振动水平(滤波器过滤波的功率值)xkt。特征向量X的维数为k维，在本例中，将特定频带设为0kHz-0.5kHz、0.5kHz-1kHz、1kHz-2kHz、2kHz-3kHz、3kHz-4kHz、4kHz-5kHz这六个频带，因此k＝6。
由于针对每个时间窗求出特征向量Xt，因此当将时间窗的总数设为N个时，特征向量Xt的数量也为N个。
存储单元17存储针对每个路面状态和制动驱动力J构建的多个隐马尔可夫模型(以下称为路面HMM)。路面HMM包括路面内HMM(road)和路面外HMM(silent)。路面内HMM(road)是根据轮胎振动的时序波形中的在路面区域出现的振动波形构建的，路面外HMM(silent)是根据无信息区域的振动波形构建的。
如图4所示，路面HMM具有与轮胎振动的时序波形对应的七个状态S1～S7，各状态S1～S7分别由特征向量Xt的输出概率bij(X)和状态间的迁移概率aij(X)这两种参数构成(i、j＝1～7)。
在本例中，利用除了各路面HMM的开始状态S1和结束状态S7以外的五个状态S2～S6来进行将所述轮胎振动的时序波形分割为五个状态的学习，求出各路面HMM的特征向量X的输出概率bij(X)和状态间的迁移概率aij(X)。
输出概率bij(X)表示在状态从状态Si迁移到状态Sj时输出特征向量X的概率。将输出概率bij(X)假定为混合正态分布。
迁移概率aij(X)表示状态从状态Si迁移到状态Sj的概率。
此外，在特征向量X的维数为k维的情况下，针对特征向量X的每个k分量xk设定输出概率bij。
在本例中，预先将使搭载有具备加速度传感器11的轮胎1的车辆改变作用于轮胎1的制动驱动力J的范围地分别在干燥(DRY)、湿润(WET)、积雪(SNOW)以及结冰(ICE)的各路面上行驶所得到的轮胎振动的时序波形的数据作为学习用数据，构建出如图1所示那样的由16个路面内HMM(road)以及1个路面外HMM(silent)构成的17个路面HMM。
在该图中，DRY(J1)是将在制动驱动力的范围为J1＝-0.4G～-0.2G时行驶于干燥路面所得到的轮胎振动的时序波形的数据作为学习用数据构建出的路面HMM，DRY(J1)是将在制动驱动力的范围为J1＝-0.4G～-0.2G时行驶于干燥路面所得到的轮胎振动的时序波形的数据作为学习用数据构建出的路面HMM，DRY(J2)是将在制动驱动力的范围为J2＝-0.2G～0G时行驶于干燥路面所得到的轮胎振动的时序波形的数据作为学习用数据构建出的路面HMM，DRY(J3)是将在制动驱动力的范围为J3＝0G～0.2G时行驶于干燥路面所得到的轮胎振动的时序波形的数据作为学习用数据构建出的路面HMM，DRY(J4)是将在制动驱动力的范围为J4＝0.2G～0.4G时行驶于干燥路面所得到的轮胎振动的时序波形的数据作为学习用数据构建出的路面HMM。
WET(J1)～WET(J4)、SNOW(J1)～SNOW(J4)、ICE(J1)～ICE(J4)也是同样的。
如图5所示，似然度计算单元18针对多个(在此为5个)路面HMM分别计算校正后的特征向量Xt(P)的似然度。
要计算似然度的路面HMM是将从制动驱动力判定单元13输出的制动驱动力J包含在内的制动驱动力范围Jm(m为1～4中的任一个)的路面内HMM(road)和路面外HMM(silent)。例如，如果制动驱动力为J＝0.1G，则要计算似然度的路面内HMM为DRY(J3)、WET(J3)、SNOW(J3)、ICE(J3)以及路面外HMM(silent)这五个。
关于似然度，如本申请人们在日本特愿2011-140943号提出的那样，首先，使用下面的式(1)、(2)来针对每个时间窗计算输出概率P(Xt)。
[数1]
X；数据序列
t；时刻
S；状态数
Ms；混合高斯分布的分量数
cjsm；第m个混合分量的混合比
μ；高斯分布的平均向量
σ；高斯分布的方差协方差矩阵
由于路面HMM为七个状态，因此以7×7的矩阵来表示迁移概率π(Xt)。作为该迁移概率π(Xt)，只要使用通过所述路面HMM的学习求出的特征向量Xt的状态间的迁移概率aij(Xt)即可。
而且，求出计算出的输出概率P(Xt)与迁移概率π(Xt)之积即每个时间窗的出现概率K(Xt)，将所有时间窗的该每个时间窗的出现概率K(Xt)相乘来求出似然度Z。即，通过Z＝ΠP(Xt)·迁移概率π(Xt)求出似然度Z。或者，也可以采用针对各个时间窗计算出的出现概率K(Xt)的对数，将所有时间窗的该出现概率K(Xt)的对数相加来求出似然度Z。
另外，路面HMM的状态从状态S1迁移到状态S7的路径(状态迁移序列)如图6所示那样存在多个。即，关于各路面HMM中的每一个，似然度Z按状态迁移序列而不同。
在本例中，应用周知的维特比算法求出似然度Z最大的状态迁移序列ZM，并将该状态迁移序列设为与检测出的轮胎振动的时序波形对应的状态迁移序列，并且将所述似然度ZM设为该路面HMM的Z。
针对每个路面HMM求出似然度ZM。
路面状态判别单元19将由似然度计算单元18计算出的多个隐马尔可夫模型中的各隐马尔可夫模型的似然度进行比较，将与似然度最大的隐马尔可夫模型对应的路面状态判定为是该轮胎正在行驶的路面的路面状态。
接着，参照图7的流程图说明本实施方式1所涉及的路面状态的判定方法。
首先，由加速度传感器11检测行驶中的轮胎1的轮胎周向振动，并且制动驱动力估计单元12估计对轮胎施加的制动驱动力J(步骤S10)。
接着，判定估计出的制动驱动力J的大小|J|是否处于阈值JMax以内(-JMax≤J≤JMax)(步骤S11)。
在制动驱动力J的大小|J|处于阈值JMax以内的情况下，进入步骤S12，在检测出将加速度传感器11的输出即轮胎周向振动按时间序列排列所得到的时序波形之后，以预先设定的时间窗对作为轮胎振动的数据的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形(步骤S13)。
另一方面，在估计出的制动驱动力J为J<-JMax或J>JMax的情况下，中止轮胎振动的时序波形的提取。
在本例中，设为JMax＝0.4G，J＝0.1G。
在步骤S14中，针对提取出的各时间窗的时序波形分别计算特征向量Xt＝(x1t，x2t，x3t，x4t，x5t，x6t)。
接着，关于第一个(N＝1)路面HMM，针对每个时间窗求出出现概率K(Xt)＝输出概率P(Xt)×迁移概率π(Xt)(步骤S15)，将所有时间窗的该出现概率K(Xt)相乘来计算第一个路面HMM的似然度Z1(步骤S16)。在此，当设J＝0.1G时，第一个模型为DRY(J3)，余下的模型为WET(J3)、SNOW(J3)、ICE(J3)以及路面外HMM(silent)这四个。
接着，判定是否结束了所有模型的似然度Z的计算(步骤S17)，在没有结束的情况下，返回到步骤S15计算下一个模型即WET(J3)的似然度Z2。
在结束了全部五个模型的似然度Z的计算的情况下，进入步骤S18，对路面状态进行判别。具体地说，将针对每个路面HMM计算出的似然度Z1～Z5进行比较，将与似然度最大的路面HMM对应的路面状态设为该轮胎正在行驶的路面的路面状态。
此外，在所述实施方式1中，将估计出的制动驱动力J的范围[Jm]设为四个，但是例如也可以设为[J1(制动)]＝-0.4G～-0.1G、[J2(定速)]＝-0.1G～0.1G、[J3(驱动)]＝0.1G～0.4G这三个，还可以设为五个以上。另外，阈值JMax也不限于0.4G，只要在0.2G～0.8G的范围内即可。这是因为，如果JMax<0.2G，则用于对制动驱动力J所产生的影响进行校正的范围过窄而不实用。另外，如果JMax>0.8G，则由于制动驱动力J大，因此难以计算作为特征向量的分量的特定频带的振动水平xkt，因此作为阈值JMax，优选设为0.2G～0.8G的范围。
另外，在所述实施方式2中，根据估计出的制动驱动力J进行了用于判别路面状态的似然度Z的计算，但是估计出的制动驱动力J也可以仅用于判定是否进行路面状态的判定，关于路面状态，将17个似然度Z1～Z17进行比较，将与似然度最大的路面HMM对应的路面状态设为该轮胎正在行驶的路面的路面状态。
实施方式2.
图8是本实施方式2所涉及的路面状态判别装置20的功能框图，在该图中，1为作为振动检测单元的加速度传感器，12为制动驱动力估计单元，13为制动驱动力判定单元，14为振动波形检测单元，15为加窗单元，16为特征向量计算单元，21为存储单元，22为核函数计算单元，23为路面状态判别单元。
此外，与实施方式1相同标记的加速度传感器11至特征向量计算单元16的各单元与实施方式1相同。
即，加速度传感器11检测行驶中的轮胎1的轮胎周向振动，制动驱动力估计单元12估计对轮胎施加的制动驱动力J。
制动驱动力判定单元13根据估计出的制动驱动力J判定轮胎1的状态是否为能够判定路面状态的状态，并且在估计出的制动驱动力J的大小|J|处于阈值JMax以内(-JMax≤J≤JMax)的情况下，将制动驱动力J的数据输出到核函数计算单元22。
振动波形检测单元14检测将轮胎周向振动按时间序列排列所得到的时序波形。
加窗单元15以预先设定的时宽(时间窗宽度)对轮胎周向振动的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形。
特征向量计算单元16针对提取出的各时间窗的时序波形分别计算特征向量Xt。
在本例中，作为特征向量Xt，使用了使轮胎振动的时序波形分别通过0kHz-1kHz、1kHz-2kHz、2kHz-3kHz、3kHz-4kHz、4kHz-5kHz的带通滤波器后得到的特定频带的振动水平(滤波器过滤波的功率值)xkt(k＝1～6)。
由于针对每个时间窗求出特征向量Xt，因此当将时间窗的总数设为N个时，特征向量Xt的数量也为N个。下面，将窗编号为i的特征向量记载为Xi，将Xi的分量即功率值记载为xki。
图9是示出特征向量Xi的输入空间的示意图，各轴表示作为特征量的特定频带的振动水平aik，各点表示特征向量Xi。实际的输入空间由于特定频带的数量为六个因此与时间轴合起来为七维空间，但是该图用二维(横轴为a1，纵轴为a2)来表示。
例如，如果能够将车辆行驶于干燥路面时形成组C的点与由车辆行驶于积雪路面时计算出的特征向量X’i形成的组C’进行区分，则能够判定车辆正行驶于干燥路面还是正行驶于积雪路面。
存储单元21存储预先求出的16个路面模型，该16个路面模型用于通过表示分离超平面的识别函数f(x)来将干燥路面与除干燥路面以外的路面、湿润路面与除湿润路面以外的路面、积雪路面与除积雪路面以外的路面、结冰路面与除结冰路面以外的路面分离。
将路面特征向量YASV(yjk)作为输入数据，通过学习求出路面模型，其中，该路面特征向量YASV(yjk)是根据使搭载有在轮胎处安装了加速度传感器的轮胎的试验车辆改变作用于轮胎1的制动驱动力J的范围地在干燥、湿润、积雪以及结冰的各路面上行驶所得到的轮胎振动的时序波形计算出的每个时间窗的特征向量。
此外，学习中使用的轮胎尺寸可以是一种尺寸，也可以是多种尺寸。
路面特征向量YASV(yjk)的下标A表示制动驱动力J的范围分别为[J1]＝-0.4G～-0.2G、[J2]＝-0.2G～0G、[J3]＝0G～0.2G、[J4]＝0.2G～0.4G的干燥、湿润、积雪以及结冰，即图8所示的DRY(J1)～DRY(J4)、WET(J1)～WET(J4)、SNOW(J1)～SNOW(J4)、ICE(J1)～ICE(J4)。
另外，下标j(j＝1～M)表示在时间窗内提取出的时序波形的数量(窗的编号)，下标k表示向量的分量。即，yjk＝(aj1，aj2，aj3，aj4，aj5，aj6)。另外，SV是支持向量的简写，表示通过学习而选择的识别边界附近的数据。
下面，将路面特征向量YASV(yjk)仅记载为YASV。
各路面特征向量YASV的计算方法与前述的特征向量Xj的计算方法相同，例如如果是干燥路面特征向量YD2SV，则以时宽T对以对轮胎施加了处于所述J2的范围内的制动驱动力J的状态行驶于干燥路面时的轮胎振动的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形，并对提取出的各时间窗的时序波形分别计算干燥路面特征向量YD2。此外，干燥路面特征向量YD2的向量yi的维数与特征向量Xi同样地是六维。之后，将YD2作为学习数据并由支持向量机(SVM)进行学习，由此选择支持向量YD2SV。此外，在存储单元15中不需要存储所有的YD2，只存储上述选择出的YD2SV即可。干燥路面特征向量YD1SV、YD3SV以及YD4SV也能够与干燥路面特征向量YDS1V同样地求出，湿润路面特征向量YW1SV～YW4SV、积雪路面特征向量YS1SV～YS4SV、结冰路面特征向量YI1SV～YI4SV也能够与干燥路面特征向量YDS1V同样地求出。
在本例中，根据估计出的制动驱动力J来进行路面状态的判别。
具体地说，在估计出的制动驱动力J处于[Jm](m＝1～4)的范围内的情况下，判别路面状态是制动驱动力为[Jm]的干燥路面、制动驱动力为[Jm]湿润路面、制动驱动力为[Jm]的积雪路面、还是制动驱动力为Jm的结冰路面。
下面，将制动驱动力为[Jm]的路面状态的路面设为A路面、将其路面特征向量YAm和YAmSV设为YA和YASV进行说明。
能够如本申请人们在日本特愿2012-176779号中提出的那样，将各路面特征向量YA作为学习数据来由SVM构建路面模型。
图10是示出输入空间上的干燥路面特征向量YDSV和除干燥路面以外的路面特征向量YnDSV的概念图，该图的黑圆点为干燥路面的路面特征向量，浅色的圆点为除干燥路面以外的路面特征向量。
此外，干燥路面特征向量和除干燥路面以外的路面特征向量都是矩阵，但是为了说明组的识别边界的求出方法，在图10中分别用二维的向量示出了干燥路面特征向量和除干燥路面以外的路面特征向量。
组的识别边界一般不能进行线性分离。因此，使用核方法将路面特征向量YDSV和YnDSV通过非线性映射φ映射到高维特征空间来进行线性分离，由此对原来的输入空间中的路面特征向量YDSV和YnDSV进行非线性的分类。
具体地说，使用数据的集合X＝(x1，x2，······xn)和所属类别z＝{1、-1}求出用于识别数据的最佳的识别函数f(x)＝wTφ(x)-b。在此，数据为路面特征向量YDj、YnDj，所属类别是z＝1为该图的χ1中示出的干燥路面的数据，z＝-1为χ2中示出的除干燥路面以外的路面的数据。另外，w为权重系数，b为常数，f(x)＝0为识别边界。
例如使用拉格朗日未定乘数法来对识别函数f(x)＝wTφ(x)-b进行最优化。最优化问题被置换为下面的式(3)、(4)。
[数2]
在此，α、β是存在多个的学习数据的指标。另外，λ为拉格朗日乘子，λ＞0。
此时，通过将内积φ(xα)φ(xβ)置换为核函数K(xα，xβ)，能够使识别函数f(x)＝wTφ(x)-b非线性。此外，φ(xα)φ(xβ)是将xα和xβ通过映射φ映射到高维空间之后的内积。
能够关于所述的式(2)使用最速下降法、SMO(Sequential MinimalOptimization：序列最小最优化)等最优化算法求出拉格朗日乘子λ。此时，由于使用了核函数，因此不需要直接求出高维的内积。因而，能够大幅地缩减计算时间。
在本例中，作为核函数K(xα，xβ)，使用了全局比对核函数(GA核)。如图11以及下面的式(5)、(6)所示，GA核K(xα，xβ)是由表示干燥路面特征向量xi＝YDi与除干燥路面以外的路面特征向量xj＝YnDj的相似度的局部核Kij(xi，xj)的总和或总积形成的函数，能够将时间长度不同的时序波形直接进行比较。
[数3]
其中，||xαi-xβj|为特征向量间的距离(范数)，δ为常数
针对时间间隔T的每个窗求出局部核κij(xi，xj)。
此外，图11是求出时间窗的数量为6的干燥路面特征向量YDj与时间窗的数量为4的除干燥路面以外的路面特征向量YnDj的GA核的例子。
针对时间间隔T的每个窗求出局部核κij(xi，xj)。
为了区分干燥路面与除干燥路面以外的路面，通过使作为分离超平面的识别函数f(x)具有余量，能够高精度地区分干燥路面与除干燥路面以外的路面，该分离超平面用于将干燥路面特征向量YDj与除干燥路面以外的路面特征向量YnDj进行分离。
余量是指从分离超平面到最近的样本(支持向量)的距离，作为识别边界的分离超平面为f(x)＝0。而且，干燥路面特征向量YDj全部处于f(x)≥+1的区域内，除干燥路面以外的路面特征向量YnDj处于f(x)≤-1的区域内。
用于区分干燥路面和除干燥路面以外的路面的干燥路面模型是具备处于f(x)＝+1的距离处的支持向量YDSV和处于f(x)＝-1的距离处的支持向量YnDSV的输入空间。所述YDSV和所述YnDSV一般存在多个。
用于区分湿润路面和除湿润路面以外的路面的湿润模型、用于区分积雪路面与除积雪路面以外的路面的积雪模型以及用于区分结冰路面与除结冰路面以外的路面的结冰模型也是同样的。
核函数计算单元22根据由特征向量计算单元16计算出的特征向量Xi以及存储单元15中记录的干燥模型、湿润模型、积雪模型及结冰模型的各支持向量YASV、YnASV(A＝D、W、S、I)，分别计算GA核KD(X，Y)、KW(X，Y)、KS(X，Y)、KI(X，Y)。
GA核K(X，Y)也如图12所示那样是由在所述的[数3]中将xi设为特征向量Xi、将xj设为路面特征向量YAj、YnAj时的局部核κij(Xi，Yj)的总和或总积形成的函数，能够将时间长度不同的时序波形直接进行比较。此外，该图是xj为路面特征向量YAj的例子，特征向量Xi的时间窗的数量为n＝5，路面特征向量YAj的时间窗的数量为m＝4。
如本例那样，即使在求出特征向量Xi时的时间窗的时序波形的数量n与求出路面特征向量YAj(或YnAj)时的时间窗的时序波形的数量m不同的情况下，也能够求出特征向量Xi、YAj间(或Xi、YnAj间)的相似度。
在路面状态判别单元23中，基于以下的式(7)～(10)所示的使用了核函数KA(X，Y)的四个识别函数fA(x)的值来判别路面状态(A＝D、W、S、I)。
[数4]
fD为用于识别干燥路面与其它路面的识别函数，fW为用于识别湿润路面与其它路面的识别函数，fS为用于识别积雪路面与其它路面的识别函数，fI为用于识别结冰路面与其它路面的识别函数。
另外，NDSV为干燥模型的支持向量的数量，NWSV为湿润模型的支持向量的数量，NSSV为积雪模型的支持向量的数量，NISV为结冰模型的支持向量的数量。
在本例中，分别计算识别函数fD、fW、fS、fI，根据计算出的示出识别函数fA的最大值的识别函数来判别路面状态。
即，在估计出的制动驱动力J处于[J1]＝-0.4G～-0.2G的范围内的情况下，分别计算识别函数fD1、fW1、fS1、fI1，根据计算出的示出识别函数fA1的最大值的识别函数来判别路面状态，在估计出的制动驱动力J处于[J2]＝-0.2G～0G的范围内的情况下，分别计算识别函数fD2、fW2、fS2、fI2，根据计算出的示出识别函数fA2的最大值的识别函数来判别路面状态。
估计出的制动驱动力J处于[J3]＝0G～0.2G的情况和处于[J4]＝0.2G～0.4G的情况也是同样的。
接着，参照图13的流程图说明本实施方式3所涉及的路面状态的判定方法。
首先，由加速度传感器11检测行驶中的轮胎1的轮胎周向振动，并且制动驱动力估计单元12估计对轮胎施加的制动驱动力J(步骤S20)。
接着，判定估计出的制动驱动力J的大小|J|是否处于阈值JMax以内(-JMax≤J≤JMax)(步骤S21)。
在制动驱动力J的大小|J|处于阈值JMax以内的情况下，进入步骤S22，在检测出将加速度传感器11的输出即轮胎周向振动按时间序列排列所得到的时序波形之后，以预先设定的时间窗对作为轮胎振动的数据的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形(步骤S23)。
另一方面，在估计出的制动驱动力J为J<-JMax或J>JMax的情况下，中止轮胎振动的时序波形的提取。
在本例中，设为JMax＝0.4G，J＝0.1G。
在步骤S24中，针对提取出的各时间窗的时序波形分别计算特征向量Xt＝(x1t，x2t，x3t，x4t，x5t，x6t)。
接着，在根据特征向量Xi、估计出的制动驱动力J以及存储单元15中记录的路面模型的支持向量YAk计算出局部核κij(Xi，Yj)之后，求出局部核κij(Xi，Yj)的总和，来分别计算全局比对核函数KD(X，Y)、KW(X，Y)、KS(X，Y)、KI(X，Y)(步骤S25)。
此外，严格地说，在估计出的制动驱动力J的范围为[Jm]的情况下，支持向量为YAmk，全局比对核函数为KDm(X，Y)、KWm(X，Y)、KSm(X，Y)、KIm(X，Y)，但是下面省略下标m进行说明。
接着，分别计算出使用了核函数KA(X，Y)的四个识别函数fD(x)、fW(x)、fS(x)、fI(x)(步骤S26)，之后将计算出的识别函数fA(x)的值进行比较，从而将示出最大值的识别函数的路面状态判别为该轮胎1正在行驶的路面的路面状态(步骤S27)。
此外，在所述实施方式3中，根据估计出的制动驱动力J进行了路面状态的判别，但是估计出的制动驱动力J也可以仅用于判定是否进行路面状态的判定，关于路面状态，使用16个识别函数fD1～fD4、fW1～fW4、fS1～fS4D、fI1～fI4来进行判别。
以上记述了本申请发明的实施方式，汇总记述如下。即，本发明的路面状态判别方法如下：
(1)一种路面状态判别方法，具备以下步骤：步骤(a)，检测行驶中的轮胎的振动；步骤(b)，取出检测出的上述轮胎的振动的时序波形；步骤(c)，将上述轮胎的振动的时序波形乘以规定时宽的窗函数来提取每个时间窗的时序波形；步骤(d)，根据上述每个时间窗的时序波形分别计算特征向量；以及步骤(e)，使用路面模型和在上述步骤(d)中计算出的每个时间窗的特征向量来判别行驶中的路面的状态，该路面模型是将搭载有具备加速度传感器的轮胎的车辆在多个路面状态的路面上分别行驶所得到的轮胎振动的时序波形的数据作为学习用数据构建出的模型，该路面状态判别方法的特征在于，设置以下步骤：根据制动驱动力的大小构建多个上述路面模型，并且估计作用于上述轮胎的制动驱动力，在上述步骤(e)中，使用上述特征向量和与估计出的上述制动驱动力的大小相应的路面模型来判别路面的状态。
像这样，如果在使用路面模型来判别路面状态时，根据制动驱动力的大小构建多个路面模型，则即使在对轮胎作用了制动驱动力的情况下，也能够高精度地判别路面状态。
(2)本发明的路面状态判别方法的特征在于，将上述路面模型设为预先针对每个路面状态构建出的隐马尔可夫模型，并且在上述步骤(e)中，关于多个上述隐马尔可夫模型分别计算上述特征向量的似然度，使用计算出的上述似然度来判别路面状态。
像这样，由于将本发明应用于使用了隐马尔可夫模型的路面判别，因此能够大幅地提高路面状态的判别精度。
(3)本发明的路面状态判别方法的特征在于，在上述步骤(e)中，在根据路面特征向量和在步骤(d)中计算出的每个时间窗的特征向量计算出核函数之后，基于使用上述核函数来识别上述路面模型的识别函数的值，来对路面状态进行判别，其中，该路面特征向量是预先针对每个路面状态求出且根据轮胎振动的时序波形计算出的每个时间窗的特征向量。
像这样，由于将本发明应用于使用了核函数的路面判别，因此能够大幅地提高路面状态的判别精度。
(4)本发明的路面状态判别方法的特征在于，在估计出的上述制动驱动力的大小超出预先设定的范围的情况下，不进行路面状态的判别。
像这样，在估计出的所述制动驱动力的大小超出了预先设定的范围的情况下，不进行路面状态的判别，因此能够防止路面状态的错误判定。
附图标记说明
1：轮胎；2：内衬层部；3：胎面；4：轮辋；5：轮胎气室；10：路面状态判别装置；11：加速度传感器；12：制动力估计单元；13：制动驱动力判定单元；14：振动波形检测单元；15：加窗单元；16：特征向量计算单元；17：存储单元；18：似然度计算单元；19：路面状态判别单元。

Claims (4)

1.一种路面状态判别方法，具备以下步骤：步骤(a)，检测行驶中的轮胎的振动；步骤(b)，取出检测出的所述轮胎的振动的时序波形；步骤(c)，将所述轮胎的振动的时序波形乘以规定时宽的窗函数来提取每个时间窗的时序波形；步骤(d)，根据所述每个时间窗的时序波形分别计算特征向量；以及步骤(e)，使用路面模型和在所述步骤(d)中计算出的每个时间窗的特征向量来判别行驶中的路面的状态，该路面模型是将搭载有具备加速度传感器的轮胎的车辆在多个路面状态的路面上分别行驶所得到的轮胎振动的时序波形的数据作为学习用数据构建出的模型，该路面状态判别方法的特征在于，设置以下步骤：
根据制动驱动力的大小构建多个所述路面模型，并且
估计作用于所述轮胎的制动驱动力，
在所述步骤(e)中，使用所述特征向量和与估计出的所述制动驱动力的大小相应的路面模型来判别路面的状态。
2.根据权利要求1所述的路面状态判别方法，其特征在于，
将所述路面模型设为预先针对每个路面状态构建出的隐马尔可夫模型，并且
在所述步骤(e)中，对多个所述隐马尔可夫模型分别计算所述特征向量的似然度，使用计算出的所述似然度来判别路面状态。
3.根据权利要求1所述的路面状态判别方法，其特征在于，
在所述步骤(e)中，在根据路面特征向量和在步骤(d)中计算出的每个时间窗的特征向量计算出核函数之后，基于使用所述核函数来识别所述路面模型的识别函数的值，来对路面状态进行判别，其中，该路面特征向量是预先针对每个路面状态求出且根据轮胎振动的时序波形计算出的每个时间窗的特征向量。
4.根据权利要求1至3中的任一项所述的路面状态判别方法，其特征在于，
在估计出的所述制动驱动力的大小超出预先设定的范围的情况下，不进行路面状态的判别。
CN201780041228.7A 2016-06-30 2017-05-26 路面状态判别方法 Active CN109416412B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016131103A JP6673766B2 (ja) 2016-06-30 2016-06-30 路面状態判別方法
JP2016-131103 2016-06-30
PCT/JP2017/019681 WO2018003366A1 (ja) 2016-06-30 2017-05-26 路面状態判別方法

Publications (2)

Publication Number Publication Date
CN109416412A true CN109416412A (zh) 2019-03-01
CN109416412B CN109416412B (zh) 2021-08-24

Family

ID=60786975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780041228.7A Active CN109416412B (zh) 2016-06-30 2017-05-26 路面状态判别方法

Country Status (5)

Country Link
US (1) US20200380185A1 (zh)
EP (1) EP3480629B1 (zh)
JP (1) JP6673766B2 (zh)
CN (1) CN109416412B (zh)
WO (1) WO2018003366A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111532277A (zh) * 2020-06-01 2020-08-14 中国第一汽车股份有限公司 车辆地形识别***、方法及车辆
CN111994068B (zh) * 2020-10-29 2021-03-16 北京航空航天大学 一种基于智能轮胎触觉感知的智能驾驶汽车控制***

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6590004B2 (ja) 2018-01-15 2019-10-16 三菱マテリアル株式会社 サーミスタ素子及びその製造方法
JP7030532B2 (ja) * 2018-01-15 2022-03-07 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置
JP7030531B2 (ja) * 2018-01-15 2022-03-07 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置
FR3106112B1 (fr) * 2020-01-13 2021-12-03 Continental Automotive Procédé et dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment routier
CN112277540A (zh) * 2020-09-17 2021-01-29 阜阳师范大学 一种重卡胎压监测***
JP2022127825A (ja) * 2021-02-22 2022-09-01 トヨタ自動車株式会社 走行路判定制御装置
WO2023112487A1 (ja) * 2021-12-16 2023-06-22 アルプスアルパイン株式会社 判定空間の作成方法、判定空間の更新方法、路面状態判定方法、判定空間作成装置および路面状態判定装置
CN115158274B (zh) * 2022-08-31 2022-11-29 四川省公路规划勘察设计研究院有限公司 基于货车制动重刹特性的长大纵坡危险路段识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1678472A (zh) * 2002-08-29 2005-10-05 丰田自动车株式会社 路面状态变化推定装置、方法及具有该装置的汽车
CN101275900A (zh) * 2008-05-08 2008-10-01 江汉大学 基于车轮振动的路面类型识别方法
JP2010159031A (ja) * 2009-01-09 2010-07-22 Bridgestone Corp タイヤ走行状態推定方法、定常走行状態推定装置、タイヤ摩耗推定方法とその装置
CN102785646A (zh) * 2011-05-16 2012-11-21 株式会社普利司通 路面状态估计方法、车辆控制方法以及路面状态估计装置
CN102837702A (zh) * 2011-06-24 2012-12-26 株式会社普利司通 路面状态判断方法及路面状态判断装置
CN103003110A (zh) * 2010-05-19 2013-03-27 株式会社普利司通 路面状况估计方法
CN103085818A (zh) * 2011-11-07 2013-05-08 现代自动车株式会社 具有危险级别的警告功能的驾驶辅助***和方法
US20130144516A1 (en) * 2010-08-17 2013-06-06 Toyota Jidosha Kabushiki Kaisha Traffic control system, vehicle control system, and traffic control method
CN104540717A (zh) * 2012-08-09 2015-04-22 株式会社普利司通 路面状态判断方法和设备
CN105283365A (zh) * 2013-06-12 2016-01-27 株式会社普利司通 轮胎接地状态估计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2764241B1 (fr) * 1997-06-10 1999-08-20 Dassault Electronique Surveillance d'un pneumatique par mesure d'acceleration
US8561997B2 (en) 2010-01-05 2013-10-22 General Electric Company Adverse pressure gradient seal mechanism
JP5798341B2 (ja) 2011-02-26 2015-10-21 株式会社トパック 自動包装機の充填装置
DE102012112724A1 (de) * 2012-12-20 2014-06-26 Continental Teves Ag & Co. Ohg Verfahren zur Bestimmung eines Fahrbahnzustands aus Umfeldsensordaten
ES2812627T3 (es) * 2013-01-22 2021-03-17 Klimator Ab Método y disposición para recolectar y procesar datos relacionados con el estado de carretera

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1678472A (zh) * 2002-08-29 2005-10-05 丰田自动车株式会社 路面状态变化推定装置、方法及具有该装置的汽车
CN101275900A (zh) * 2008-05-08 2008-10-01 江汉大学 基于车轮振动的路面类型识别方法
JP2010159031A (ja) * 2009-01-09 2010-07-22 Bridgestone Corp タイヤ走行状態推定方法、定常走行状態推定装置、タイヤ摩耗推定方法とその装置
CN103003110A (zh) * 2010-05-19 2013-03-27 株式会社普利司通 路面状况估计方法
US20130144516A1 (en) * 2010-08-17 2013-06-06 Toyota Jidosha Kabushiki Kaisha Traffic control system, vehicle control system, and traffic control method
CN102785646A (zh) * 2011-05-16 2012-11-21 株式会社普利司通 路面状态估计方法、车辆控制方法以及路面状态估计装置
CN102837702A (zh) * 2011-06-24 2012-12-26 株式会社普利司通 路面状态判断方法及路面状态判断装置
CN103085818A (zh) * 2011-11-07 2013-05-08 现代自动车株式会社 具有危险级别的警告功能的驾驶辅助***和方法
CN104540717A (zh) * 2012-08-09 2015-04-22 株式会社普利司通 路面状态判断方法和设备
CN105283365A (zh) * 2013-06-12 2016-01-27 株式会社普利司通 轮胎接地状态估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李虹: "基于机器视觉路面状况识别关键技术研究", 《中国博士学位论文全文数据库信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111532277A (zh) * 2020-06-01 2020-08-14 中国第一汽车股份有限公司 车辆地形识别***、方法及车辆
CN111532277B (zh) * 2020-06-01 2021-11-30 中国第一汽车股份有限公司 车辆地形识别***、方法及车辆
CN111994068B (zh) * 2020-10-29 2021-03-16 北京航空航天大学 一种基于智能轮胎触觉感知的智能驾驶汽车控制***

Also Published As

Publication number Publication date
EP3480629A1 (en) 2019-05-08
EP3480629A4 (en) 2019-05-08
WO2018003366A1 (ja) 2018-01-04
JP6673766B2 (ja) 2020-03-25
EP3480629B1 (en) 2020-07-22
US20200380185A1 (en) 2020-12-03
JP2018004419A (ja) 2018-01-11
CN109416412B (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN109416412A (zh) 路面状态判别方法
CN109477906A (zh) 路面状态判别方法和路面状态判别装置
CN104540717B (zh) 路面状态判断方法和设备
CN107253482B (zh) 一种基于路面图像分析的驾驶安全辅助***
JP6450170B2 (ja) 路面状態判別方法
EP2537723B1 (en) Method and apparatus for determining road surface condition
JP4764933B2 (ja) タイヤ空気圧低下検出装置及び方法、並びにタイヤ空気圧低下検出プログラム
JP2017505430A (ja) 道路及びタイヤの状態を音響検出する方法
US20200255019A1 (en) Road surface state estimation device
CN110622043B (zh) 路面状态判别方法和路面状态判别装置
WO2021115063A1 (zh) 一种数据驱动的电驱动车辆附着稳定识别方法及装置
JP2018004418A (ja) 路面状態判別方法
Kim et al. A comparative study of estimating road surface condition using support vector machine and deep neural networ
JP6734713B2 (ja) 路面状態判別方法
Singh et al. Application of machine learning & deep learning techniques in the context of use cases relevant for the tire industry
CN110753858A (zh) 路面状态判别方法和路面状态判别装置
JP7112909B2 (ja) タイヤ種判別方法及びタイヤ種判別装置
JP5404062B2 (ja) タイヤ空気圧低下検出装置および方法、ならびにタイヤの空気圧低下検出プログラム
JP6961539B2 (ja) 路面状態判別方法及び路面状態判別装置
JP7030532B2 (ja) 路面状態判別方法及び路面状態判別装置
JP2019218026A (ja) 路面状態判別方法及び路面状態判別装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant