JP2014035279A - 路面状態判別方法とその装置 - Google Patents

Abstract

【課題】ピーク位置の検出や車輪速の計測を行うことなくタイヤ振動の時系列波形から路面状態を判別するとともに、タイヤサイズ変更に対するロバスト性を路面状態の判別に付与する。
【解決手段】加速度センサーにより検出したタイヤ振動の時系列波形を窓掛け手段により窓掛けして、時間窓毎のタイヤ振動の時系列波形を抽出して時間窓毎の特徴ベクトルを算出した後、時間窓毎の特徴ベクトルと、予め算出しておいた路面状態毎に求められたタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルとからカーネル関数を算出し、このカーネル関数を用いた識別関数の値を比較して路面状態を判別するようにした。
【選択図】図８

Description

本発明は、車両の走行する路面の状態を判別する方法とその装置に関するもので、特に、走行中のタイヤ振動の時系列波形のデータのみを用いて路面状態を判別する方法に関する。

従来、走行中のタイヤ振動を検出して路面状態を推定する方法としては、検出されたタイヤ振動の時系列波形を踏込み前領域―接地面領域―蹴出し後領域、あるいは、踏込み前領域―踏み込み領域―接地面領域―蹴出し領域―蹴出し後領域などの複数の領域に分割し、前記各領域から、例えば、踏込み前領域と接地面領域における低周波帯域の振動成分と高周波帯域での振動成分のように、路面状態が異なると振動レベルが大きく変化する周波数帯域の振動レベルと振動レベルが路面状態によらない周波数帯域の振動レベルを抽出し、これらの振動レベルの比から車両の走行している路面の状態を推定する方法が提案されている（例えば、特許文献１参照）。

ＷＯ ２００６/１３５９０９ Ａ１

しかしながら、前記従来の方法では、接地時間が車輪速により変化するため、タイヤ振動の時系列波形に出現する蹴り出し位置などのピーク位置を基準として特定時間位置の始点を決定し、車輪速を用いて各領域の時間幅を決めていた。そのため、車輪速を計測する必要があるだけでなく、時系列波形のピーク位置を基準としているため、領域幅の設定精度が必ずしも十分とはいえなかった。
また、タイヤのサイズが異なるタイヤでは、接地長が変化するため、タイヤサイズ毎に領域幅を設定し直す必要があった。

本発明は、従来の問題点に鑑みてなされたもので、ピーク位置の検出や車輪速の計測を行うことなくタイヤ振動の時系列波形から路面状態を判別するとともに、タイヤサイズ変更に対するロバスト性を路面状態の判別に付与することを目的とする。

本願発明は、走行中のタイヤの振動を検出してタイヤの接している路面の状態を判別する方法であって、走行中のタイヤの振動を検出するステップ（ａ）と、前記検出されたタイヤの振動の時系列波形を取り出すステップ（ｂ）と、前記タイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出するステップ（ｃ）と、前記時間窓毎の時系列波形からそれぞれ特徴ベクトルを算出するステップ（ｄ）と、前記ステップ（ｄ）で算出した時間窓毎の特徴ベクトルと、予め算出しておいた路面状態毎に求められたタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルとからカーネル関数を算出するステップ（ｅ）と、前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別するステップ（ｆ）とを有し、前記ステップ（ｆ）では、路面状態毎に求めた識別関数の値を比較して路面状態を判別することを特徴とする。
このように、タイヤ振動の時系列波形に窓関数をかけて抽出した時系列波形から算出した時間窓ｉ毎の特徴ベクトルＸ_iと、ＤＲＹ路面の特徴ベクトルＹ_DjやＷＥＴ路面の特徴ベクトルＹ_Wjなどの予め路面状態毎に求めておいたタイヤ振動の時系列波形から算出された時間窓ｊ毎の路面特徴ベクトルＹ_kjとから算出したカーネル関数Ｋ（Ｘ，Ｙ）を用いて路面状態を判別するようにしたので、接地時間や接地長に無関係に路面状態の判別を行うことができる。したがって、車輪速の計測を行うことなく路面状態を判別できるとともに、タイヤサイズ変更に対するロバスト性を路面状態の判別に付与することができる。

また、本願発明は、前記特徴ベクトルを、前記窓関数をかけて抽出した時間窓毎の時系列波形の特定周波数帯域の振動レベル、前記特定周波数帯域の振動レベルの時変分散、及び、前記時系列波形のケプストラム係数のいずれか１つ、または、複数、または、全部としたものである。
なお、前記特定周波数帯域の振動レベルは、前記窓関数をかけて抽出した時間窓毎の時系列波形の周波数スペクトル、もしくは、前記窓関数をかけて抽出した時間窓毎の時系列波形をバンドパスフィルタを通して得られた時系列波形から求められる。
タイヤの振動の路面状態による違いはタイヤ振動の時系列波形そのものにも表れるが、本発明では、時系列波形そのものよりも路面状態の違いをより反映するファクターである周波数に依存する値を特徴ベクトルとして用いたので、路面状態の判別精度を更に向上させることができる。

また、本願発明は、前記カーネル関数を、グローバルアライメントカーネル関数（ＧＡカーネル）、または、ダイナミックタイムワーピングカーネル関数（ＤＴＷカーネル）、または、前記２つのカーネル関数の和、または、差、または、積、または、商としたことを特徴とする。
このように、カーネル関数として、ＧＡカーネルやＤＴＷカーネルを用いれば、時系列波形を直接扱えるので、路面状態の判別精度を更に向上させることができる。

請求項４に記載の発明は、走行中のタイヤの振動を検出してタイヤの接している路面の状態を判別する路面状態判別装置であって、タイヤトレッド部のインナーライナー部の気室側に配設された、走行中のタイヤの振動を検出するタイヤ振動検出手段と、前記タイヤ振動検出手段で検出された前記タイヤ振動の時系列波形を予め設定した時間幅で窓掛けして時間窓毎にタイヤ振動の時系列波形を抽出する窓掛け手段と、前記抽出された時間窓毎の時系列波形における特定周波数の振動レベルを成分とする特徴ベクトルもしくは前記振動レベルの関数を成分とする特徴ベクトルを算出する特徴ベクトル算出手段と、予め算出しておいた路面状態毎に求められたタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルを記憶する記憶手段と、前記特徴ベクトル算出手段で算出した時間窓毎の特徴ベクトルと、前記記憶手段に記憶された路面特徴ベクトルとからカーネル関数を算出するカーネル関数算出手段と、前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別する路面状態判別手段とを備え、前記路面状態判別手段が、路面状態毎に求めた識別関数の値を比較して路面状態を判別することを特徴とする。
このような構成を採ることにより、請求項１に記載の路面状態判別方法を確実に実現することができるので、接地時間や接地長に無関係に路面状態を判別できるとともに、路面状態の判別精度を向上させることのできる路面状態判別装置を得ることができる。

なお、前記発明の概要は、本発明の必要な全ての特徴を列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となり得る。

本実施の形態に係る路面状態判別装置の構成を示す機能ブロック図である。 加速度センサーの装着位置の一例を示す図である。 タイヤ振動の時系列波形の一例を示す図である。 タイヤ振動の時系列波形から特徴ベクトルを算出する方法を示す図である。 入力空間を示す模式図である。 入力空間上における、ＤＲＹ路面特徴ベクトルとＤＲＹ路面以外の路面特徴ベクトルとを示す図である。 ＤＲＹ路面特徴ベクトルとＤＲＹ路面以外の路面特徴ベクトルとのＧＡカーネルの算出方法を示す図である。 算出した特徴ベクトルと路面特徴ベクトルとのＧＡカーネルの算出方法を示す図である。 本発明による路面状態判別方法を示すフローチャートである。 ＤＴＷカーネルの算出方法を示す図である。

以下、実施の形態を通じて本発明を詳説するが、以下の実施の形態は特許請求の範囲に係る発明を限定するものでなく、また、実施の形態の中で説明される特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、路面状態判別装置１０の構成を示す機能ブロック図である。
路面状態判別装置１０は、タイヤ振動検出手段としての加速度センサー１１と、振動波形抽出手段１２と、窓掛け手段１３と、特徴ベクトル算出手段１４と、記憶手段１５と、カーネル関数算出手段１６と、路面状態判別手段１７とを備える。
振動波形抽出手段１２〜路面状態判別手段１７の各手段は、例えば、コンピュータのソフトウェア、及び、ＲＡＭ等のメモリーから構成される。
加速度センサー１１は、図２に示すように、タイヤ２０のインナーライナー部２１のタイヤ気室２２側のほぼ中央部に一体に配置されて、路面Ｒの入力による当該タイヤ２０の振動を検出する。加速度センサー１１の出力であるタイヤ振動の信号は、例えば、増幅器で増幅された後、デジタル信号に変換されて振動波形抽出手段１２に送られる。

振動波形抽出手段１２では、加速度センサー１１で検出したタイヤ振動の信号から、タイヤの一回転毎に、タイヤ振動の時系列波形を抽出する。
図３はタイヤ振動の時系列波形の一例を示す図で、タイヤ振動の時系列波形は、踏み込み位置近傍と蹴り出し位置近傍に大きなピークを有しており、かつ、タイヤ２０の陸部が接地する前の踏み込み前領域Ｒ_fにおいても、タイヤ２０の陸部が路面から離れた後の蹴り出し後領域Ｒ_kにおいても、路面状態によって異なる振動が出現する。一方、踏み込み前領域Ｒ_fの前の領域と蹴り出し後領域Ｒ_kの後の領域（以下、路面外領域という）とは路面の影響を殆ど受けていないので、振動レベルも小さく、路面の情報も含んでいない。

窓掛け手段１３は、図４に示すように、前記抽出された時系列波形を予め設定した時間幅（時間窓幅ともいう）Ｔで窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出して特徴ベクトル算出手段１４に送る。
時間窓毎に抽出されたタイヤ振動の時系列波形のうち、踏み込み前領域Ｒ_f、接地面領域Ｒ_t、及び、蹴り出し後領域Ｒ_kのいずれも含んでいない領域（以下、路面外領域という）の時系列波形は、前述したように、路面の情報も含んでいないので、本例では、カーネル関数の計算速度を速めるため、路面外時系列波形は特徴ベクトル算出手段１４には送らないようにしている。
なお、路面外領域の定義としては、例えば、タイヤ振動の時系列波形に対してバックグラウンドレベルを設定し、このバックグラウンドレベルよりも小さな振動レベルを有する領域を路面外領域とすればよい。

特徴ベクトル算出手段１４は、図４に示すように、抽出された各時間窓の時系列波形のそれぞれに対して特徴ベクトルＸ_i（ｉ＝１〜Ｎ；Ｎは抽出された時間窓の時系列波形の数）算出する。
本例では、特徴ベクトルＸ_iとして、タイヤ振動の時系列波形を、それぞれ、0-1kHz、1-2kHz、2-3kHz、3-4kHz、4-5kHzのバンドパスフィルタにそれぞれ通して得られた特定周波数帯域の振動レベル（フィルター濾過波のパワー値）ａ_ik（ｋ＝１〜６）を用いた。特徴ベクトルは、Ｘ_i＝（ａ_i1，ａ_i2，ａ_i3，ａ_i4，ａ_i5，ａ_i6）で、特徴ベクトルＸ_iの数はＮ個である。
図５は、特徴ベクトルＸ_iの入力空間を示す模式図で、各軸は特徴量である特定周波数帯域の振動レベルａ_ikを表し、各点が特徴ベクトルＸ_iを表している。実際の入力空間は特定周波数帯域の数が６つなので時間軸と合わせると７次元空間になるが、同図は２次元（横軸がａ₁、縦軸がａ₂）で表している。
例えば、車両がＤＲＹ路面を走行しているとすると、グループＣを形成する点は、車両がＳＮＯＷ路面を走行しているときに算出した特徴ベクトルＸ’_iから成るグループＣ’と区別することができれば、車両がＤＲＹ路面を走行しているかＳＮＯＷ路面を走行しているかを判定できる。

記憶手段１５は、予め求めておいた、ＤＲＹ路面とそれ以外の路面、ＷＥＴ路面とそれ以外の路面、ＳＮＯＷ路面とそれ以外の路面、ＩＣＥ路面とそれ以外の路面とを、分離超平面を表わす識別関数ｆ（ｘ）により分離するための４つの路面モデルを記憶する。
路面モデルは、タイヤに加速度センサーを取り付けたタイヤを搭載した試験車両を、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥの各路面で様々な速度で走行させて得られたタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルＹ_ASV（ｙ_jk）を入力データとして、学習により求められる。
なお、学習に使うタイヤサイズは１種類でもよいし、複数種でもよい。
前記路面特徴ベクトルＹ_ASV（ｙ_jk）の添え字Ａは、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥを示している。添え字ｊ（ｊ＝１〜Ｍ）は時間窓で抽出した時系列波形の数（窓の番号）を示し、添え字ｋは、ベクトルの成分を示している。すなわち、ｙ_jk＝（ａ_j1，ａ_j2，ａ_j3，ａ_j4，ａ_j5，ａ_j6）である。また、ＳＶはサポートベクトルの略で、学習によって選択される識別境界の近傍のデータを表わす。
なお、本例のように、カーネル関数として、グローバルアライメントカーネル関数（ＧＡカーネル）やダイナミックタイムワーピングカーネル関数（ＤＴＷカーネル）を用いる場合には、路面特徴ベクトルＹ_ASV（ｙ_jk）は、［ベクトルｙ_iの次元数（ここでは、６）×窓の数Ｎ］の行列となる。
以下、路面特徴ベクトルＹ_ASV（ｙ_jk）を単にＹ_ASVと記す。

各路面特徴ベクトルＹ_ASVの算出方法は、前述した特徴ベクトルＸ_jと同様で、例えば、ＤＲＹ路面特徴ベクトルＹ_DSVなら、ＤＲＹ路面を走行したときのタイヤ振動の時系列波形を時間幅Ｔで窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出し、抽出された各時間窓の時系列波形のそれぞれに対してＤＲＹ路面特徴ベクトルＹ_D算出する。なお、ＤＲＹ路面特徴ベクトルＹ_Dのベクトルｙ_iの次元数は、特徴ベクトルＸ_iと同じく６次元である。その後、Ｙ_Dを学習データとしてサポートベクトルマシーン（ＳＶＭ）によって学習することにより、サポートベクトルＹ_DSVを選択する。なお、記憶手段１５にはＹ_Dを全て記憶する必要はなく、上記選択されたＹ_DSVのみを記憶すればよい。
ＷＥＴ路面特徴ベクトルＹ_WSV、ＳＮＯＷ路面特徴ベクトルＹ_SSV、ＩＣＥ路面特徴ベクトルＹ_ISVについても、ＤＲＹ路面特徴ベクトルＹ_DSVと同様にして求めることができる。
ここで、時間幅Ｔが、特徴ベクトルＸ_jを求める場合の時間幅Ｔと同じ値であることが肝要である。時間幅Ｔが一定なら、時間窓の時系列波形の数Ｍはタイヤ種と車速によって異なる。すなわち、路面特徴ベクトルＹ_ASVの時間窓の時系列波形の数Ｍは、特徴ベクトルＸ_jの時間窓の時系列波形の数Ｎとは必ずしも一致しない。例えば、タイヤ種が同じでも、特徴ベクトルＸ_jを求めるときの車速がＤＲＹ路面特徴ベクトルＹ_DSVを求めたときの車速よりも遅い場合には、Ｍ＞Ｎとなり、速い場合にはＭ＜Ｎとなる。

路面モデルは、各路面特徴ベクトルＹ_Aを学習データとして、ＳＶＭにより構築する。
図６は、入力空間上における、ＤＲＹ路面特徴ベクトルＹ_DSVと、ＤＲＹ路面以外の路面特徴ベクトルＹ_nDSVを示す概念図で、同図の黒丸がＤＲＹ路面、薄い色の丸がＤＲＹ路面以外の路面特徴ベクトルである。
なお、前述したように、ＤＲＹ路面特徴ベクトルもＤＲＹ路面以外の路面特徴ベクトルも行列であるが、グループの識別境界の求め方を説明するため、図６では、ＤＲＹ路面特徴ベクトルとＤＲＹ路面以外の路面特徴ベクトルとをそれぞれ２次元のベクトルで示した。
グループの識別境界は、一般には、線形分離が不可能である。そこで、カーネル法を用いて、路面特徴ベクトルＹ_DSV及びＹ_nDSVを非線形写像φによって高次元特徴空間に写像して線形分離を行うことで、元の入力空間において路面特徴ベクトルＹ_DSV及びＹ_nDSVに対して非線形な分類を行う。
具体的には、データの集合Ｘ＝（ｘ₁，ｘ₂，……ｘ_n）と所属クラスｚ＝｛１、−１｝とを用いて、データを識別する最適な識別関数ｆ（ｘ）＝ｗ^Tφ（ｘ）−ｂを求める。ここで、データは路面特徴ベクトルＹ_Dj，Ｙ_nDjで、所属クラスはｚ＝１が同図のχ₁で示すＤＲＹ路面のデータで、ｚ＝−１がχ₂で示すＤＲＹ路面以外の路面のデータである。また、ｗは重み係数、ｂは定数で、ｆ（ｘ）＝０が識別境界である。
識別関数ｆ（ｘ）＝ｗ^Tφ（ｘ）−ｂは、例えば、ラグランジュ未定乗数法を用いて最適化される。最適化問題は、以下の式（１），（２）に置き換えられる。

ここで、α，βは複数ある学習データの指標である。また、λはラグランジュ乗数で、λ＞０である。
このとき、内積φ（ｘ_α）φ（ｘ_β）をカーネル関数Ｋ（ｘ_α，ｘ_β）に置き換えることで、識別関数ｆ（ｘ）＝ｗ^Tφ（ｘ）−ｂを非線形できる。なお、φ（ｘ_α）φ（ｘ_β）は、ｘ_αとｘ_βを写像φで高次元空間へ写像した後の内積である。
ラグランジュ乗数λは、前記の式（２）について、最急下降法やＳＭＯ（Sequential Minimal Optimization）などの最適化アルゴリズムを用いて求めることができる。このとき、カーネル関数を使っているので、高次元の内積を直接求める必要がない。したがって、計算時間を大幅に縮減できる。

本例では、カーネル関数Ｋ（ｘ_α，ｘ_β）として、グローバルアライメントカーネル関数（ＧＡカーネル）を用いた。ＧＡカーネルＫ（ｘ_α，ｘ_β）は、図７及び以下の式（３），（４）に示すように、ＤＲＹ路面特徴ベクトルｘ_i＝Ｙ_DiとＤＲＹ路面以外の路面特徴ベクトルｘ_ｊ＝Ｙ_nDjとの類似度を示すローカルカーネルκ_ij（ｘ_i，ｘ_j）の総和もしくは総積から成る関数で、時間長さの異なる時系列波形を直接比較することができる。
ローカルカーネルκ_ij（ｘ_i，ｘ_j）は、時間間隔Ｔの窓毎に求められる。
なお、図７は、時間窓の数が６であるＤＲＹ路面特徴ベクトルＹ_Djと、時間窓の数が４であるＤＲＹ路面以外の路面特徴ベクトルＹ_nDjとのＧＡカーネルを求めた例である。

ＤＲＹ路面とＤＲＹ路面以外の路面とを区別するには、ＤＲＹ路面特徴ベクトルＹ_DjとＤＲＹ路面以外の路面特徴ベクトルＹ_nDjとを分離する分離超平面である識別関数ｆ（ｘ）に対してマージンを持たせることで、ＤＲＹ路面とＤＲＹ路面以外の路面とを精度よく区別することができる。
マージンとは、分離超平面から一番近いサンプル（サポートベクトル）までの距離をいい、識別境界である分離超平面はｆ（ｘ）＝０である。そして、ＤＲＹ路面特徴ベクトルＹ_Djは全てｆ（ｘ）≧＋１の領域にあり、ＤＲＹ路面以外の路面特徴ベクトルＹ_nDjは、ｆ（ｘ）≦−１の領域にある。
ＤＲＹ路面とそれ以外の路面とを区別するＤＲＹ路面モデルは、ｆ（ｘ）＝＋１の距離にあるサポートベクトルＹ_DSVと、ｆ（ｘ）＝−１の距離にあるサポートベクトルＹ_nDSVととを備えた入力空間である。前記Ｙ_DSVと前記Ｙ_nDSVとは、一般に複数個存在する。
ＷＥＴ路面とそれ以外の路面とを区別するＷＥＴモデル、ＳＮＯＷ路面とそれ以外の路面とを区別するＳＮＯＷモデル、及び、ＩＣＥ路面とそれ以外の路面とを区別するＩＣＥモデルについても同様である。

カーネル関数算出手段１６は、特徴ベクトル算出手段１４にて算出された特徴ベクトルＸ_iと、記憶手段１５に記録されているＤＲＹモデル、ＷＥＴモデル、ＳＮＯＷモデル、及び、ＩＣＥモデルの各サポートベクトルＹ_ASV，Ｙ_nASV（Ａ＝Ｄ，Ｗ，Ｓ，Ｉ）から、それぞれＧＡカーネルＫ_D（Ｘ，Ｙ）、Ｋ_W（Ｘ，Ｙ），Ｋ_S（Ｘ，Ｙ），Ｋ_I（Ｘ，Ｙ）を算出する。
ＧＡカーネルＫ（Ｘ，Ｙ）は、図８にも示すように、前記の［数２］において、ｘ_iを特徴ベクトルＸ_iとし、ｘ_jを路面特徴ベクトルＹ_Aj，Ｙ_nAjとしたときのローカルカーネルκ_ij（Ｘ_i，Ｙ_j）の総和もしくは総積から成る関数で、時間長さの異なる時系列波形を直接比較することができる。なお、同図は、ｘ_jが路面特徴ベクトルＹ_Ajの例で、特徴ベクトルＸ_iの時間窓の数はｎ＝５で、路面特徴ベクトルＹ_Ajの時間窓の数はｍ＝４である。
本例のように、特徴ベクトルＸ_iを求めた場合の時間窓の時系列波形の数ｎと、路面特徴ベクトルＹ_Aj（もしくはＹ_nAj）求めた場合の時間窓の時系列波形の数ｍとが異なっている場合でも、特徴ベクトルＸ_i，Ｙ_Aj間（もしくはＸ_i，Ｙ_nAj間）の類似度を求めることができる。

路面状態判別手段１７では、以下の式（５）〜（８）に示す、カーネル関数Ｋ_A（Ｘ，Ｙ）を用いた４つの識別関数ｆ_A（ｘ）の値に基づいて路面状態を判別する（Ａ＝Ｄ，Ｗ，Ｓ，Ｉ）。

ｆ_DはＤＲＹ路面とその他の路面とを識別する識別関数、ｆ_WはＷＥＴ路面とその他の路面とを識別する識別関数、ｆ_SはＳＮＯＷ路面とその他の路面とを識別する識別関数、ｆ_IはＩＣＥ路面とその他の路面とを識別する識別関数である。
また、Ｎ_DSVはＤＲＹモデルのサポートベクトルの数、Ｎ_WSVはＷＥＴモデルのサポートベクトルの数、Ｎ_SSVはＳＮＯＷモデルのサポートベクトルの数、Ｎ_ISVはＩＣＥモデルのサポートベクトルの数である。
識別関数のラグランジュ乗数λ_Dなどの値は、ＤＲＹ路面とその他の路面とを識別する識別関数を求める際の学習により求められる。
本例では、識別関数ｆ_D，ｆ_W，ｆ_S，ｆ_Iをそれぞれ計算し、計算された識別関数ｆ_Aの最も大きな値を示す識別関数から路面状態を判別する。

次に、路面状態判別装置１０を用いて、タイヤ２０の走行している路面の状態を判別する方法について、図９のフローチャートを参照して説明する。
まず、加速度センサー１１によりタイヤ２０が走行している路面Ｒからの入力により発生したタイヤ振動を検出し（ステップＳ１０）、検出されたタイヤ振動の信号からタイヤ振動の時系列波形を抽出する（ステップＳ１１）。
そして、抽出されたタイヤ振動の時系列波形を予め設定した時間幅Ｔで窓掛けして、時間窓毎のタイヤ振動の時系列波形を求める。ここで、時間窓毎のタイヤ振動の時系列波形の数をｍ個とする（ステップＳ１２）。
次に、抽出された各時間窓の時系列波形のそれぞれに対して特徴ベクトルＸ_i＝（ｘ_i1，ｘi₂，ｘ_i3，ｘ_i4，ｘ_i5，ｘ_i6）を算出する（ステップＳ１３）。本例では時間幅Ｔを3msec.とした。また、特徴ベクトルＸ_iの数はｍ＝６個である。
特徴ベクトルＸ_iの各成分ｘ_i〜ｘ_i6（ｉ＝１〜６）は、前述したように、タイヤ振動の時系列波形のフィルター濾過波のパワー値である。
次に、算出された特徴ベクトルＸ_iと、記憶手段１５に記録されている路面モデルのサポートベクトルＹ_Akとから、ローカルカーネルκ_ij（Ｘ_i，Ｙ_j）を算出した後、ローカルカーネルκ_ij（Ｘ_i，Ｙ_j）の総和を求めて、グローバルアライメントカーネル関数Ｋ_D（Ｘ，Ｙ），Ｋ_W（Ｘ，Ｙ），Ｋ_S（Ｘ，Ｙ），Ｋ_I（Ｘ，Ｙ）をそれぞれ算出する（ステップＳ１４）。
そして、カーネル関数Ｋ_A（Ｘ，Ｙ）を用いた４つの識別関数ｆ_D（ｘ），ｆ_W（ｘ），ｆ_S（ｘ），ｆ_I（ｘ）をそれぞれ計算（ステップＳ１５）した後、計算された識別関数ｆ_A（ｘ）の値を比較して、最も大きな値を示す識別関数の路面状態を当該タイヤ２０の走行している路面の路面状態と判別する（ステップＳ１６）。

このように、本実施の形態では、加速度センサー１１により検出したタイヤ振動の時系列波形を窓掛け手段１３により窓掛けし、時間窓毎のタイヤ振動の時系列波形を抽出して特徴ベクトルＸ_iを算出した後、特徴ベクトルＸと路面特徴ベクトルＹとのカーネル関数Ｋ_A（Ｘ，Ｙ）を求め、このカーネル関数Ｋ_A（Ｘ，Ｙ）を用いた４つの識別関数ｆ_D（ｘ），ｆ_W（ｘ），ｆ_S（ｘ），ｆ_I（ｘ）の値からを当該タイヤ２０の走行している路面の路面状態を判別するようにしたので、ピーク位置の検出や車輪速の計測を行うことなく、路面状態を判別することができる。
また、接地長に無関係に路面状態の判別を行うことができるので、タイヤサイズ変更に対するロバスト性を向上させることができる。

なお、前記実施の形態では、タイヤ振動検出手段を加速度センサー１１としたが、圧力センサーなどの他の振動検出手段を用いてもよい。また、加速度センサー１１の設置箇所についても、タイヤ幅方向中心から幅方向に所定距離だけ離隔した位置に１個ずつ配設したり、ブロック内に設置するなど他の箇所に設置してもよい。また、加速度センサー１１の個数も１個に限るものではなく、タイヤ周方向の複数箇所に設けてもよい。
また、前記例では、特徴ベクトルＸ_iをフィルター濾過波のパワー値ｘ_ikとしたが、フィルター濾過波のパワー値ｘ_ikの時変分散を用いてもよい。時変分散はlog[ｘ_ik(t)²+ｘ_ik(t-1)²]で表わせる。
あるいは、特徴ベクトルＸ_iを、タイヤ振動時系列波形をフーリエ変換したときの特定周波数帯域の振動レベルであるフーリエ係数、もしくは、ケプストラム係数としてもよい。
ケプストラムは、フーリエ変換後の波形をスペクトル波形とみなし、再度フーリエ変換して得られるか、もしくは、ＡＲスペクトルを波形とみなし、更にＡＲ係数を求めて得られる（LPC Cepstrum）もので、絶対レベルに影響されずにスペクトルの形状を特徴付けできるので、フーリエ変換により得られる周波数スペクトルを用いた場合よりも判別精度が向上する。

また、前記実施の形態では、カーネル関数としてＧＡカーネルを用いたが、以下の式（９）または式（１０）に示すような、ダイナミックタイムワーピングカーネル関数（ＤＴＷカーネル）を用いてもよい。

なお、πは経路、Ａ（ｘ_i，ｘ_j）は可能な全ての経路
図１０に示すように、ＤＴＷカーネルＫ’（Ｘ，Ｙ）は、ローカルカーネルκ_ij（Ｘ_i，Ｙ_j）の総和を求める際に、例えば、同図の太い実践示すような、全ての経路の中で、κ’_ij（Ｘ_i，Ｙ_j）の総和が最大または最小になる経路の総和から成る。
図１０の例では、特徴ベクトルＸ_iの個数をｍ＝６、路面特徴ベクトルＹ_jの個数をｎ＝４とすると、ローカルカーネルκ_ij（Ｘ_i，Ｙ_j）が式（１１）のときには、ＤＴＷカーネルＫ₁’（Ｘ，Ｙ）は以下のようになる。

４台のタイヤサイズが異なる試験車両Ａ〜Ｄに、それぞれ、加速度センサーが取り付けられたタイヤを装着し、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥの各路面でそれぞれ３０〜９０km/hで走行させて得られたタイヤ振動の時系列波形からカーネル関数を計算し、ＳＶＭモデルで学習したモデルを用いて路面状態を判別した結果を以下の表１に示す。

ＳＶＭモデルは、ＤＲＹとそれ以外、ＷＥＴとそれ以外、ＳＮＯＷとそれ以外、ＩＣＥとそれ以外を判別する４つのモデルを構築し、学習に使用した以外のテスト用データをそれぞれのモデルに入力したときのＳＶＳスコアが最も高いモデルの路面状態を、当該車両が走行している路面の状態とした。
試験車両Ａは前輪駆動車でタイヤサイズは165/70R14である。
試験車両Ｂは後輪駆動車でタイヤサイズは195/65R15である。
試験車両Ｃは前輪駆動車でタイヤサイズは195/60R15である。
試験車両Ｄは前輪駆動車でタイヤサイズは185/70R14である。
なお、各タイヤのトレッドパターンについては、全て一定（ブリヂストン；BLIZZK REV02）とした。
学習用のデータは試験車両Ａでの全データの２/３をあてた。
また、特徴ベクトルＸとしてLPC Cepstramを用いた場合と、バンドパスフィルタ濾過波のパワー値ｘ_ikを用いた場合と、LPC Cepstramとバンドパスフィルタ濾過波のパワー値ｘ_ikの両方を用いた場合の３通りについて路面判別し、その結果を正答率（％）で示した。
表１から明らかなように、車両Ａ〜Ｄのいずれの場合にもほぼ８５％以上の高い正答率が得られた。特に、LPC Cepstramとバンドパスフィルタ濾過波のパワー値ｘ_ikの両方を用いた場合には、タイヤ断面幅が大きくかつ扁平率の低いタイヤを搭載した試験車両Ｃを除いて、９５％以上の高い正答率が得られたことから、本願発明を適用することにより、路面状態を精度よく判別できることが確認された。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は前記実施の形態に記載の範囲には限定されない。前記実施の形態に、多様な変更または改良を加えることが可能であることが当業者にも明らかである。そのような変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲から明らかである。

本発明によれば、ピーク位置の検出や車輪速の計測を行うことなくタイヤ振動の時系列波形を分割できるとともに、タイヤサイズに対してロバストに路面状態を判別できるので、ＡＢＳやＶＳＣ等の車両制御の精度を格段に向上させることができる。

１０ 路面状態判別装置、１１ 加速度センサー、１２ 振動波形抽出手段、
１３ 窓掛け手段、１４ 特徴ベクトル算出手段、１５ 記憶手段、
１６ カーネル関数算出手段、１７ 路面状態判別手段、
２０ タイヤ、２１ インナーライナー部、２２ タイヤ気室、Ｒ 路面。

Claims (4)

1. 走行中のタイヤの振動を検出してタイヤの接している路面の状態を判別する方法であって、
   走行中のタイヤの振動を検出するステップ（ａ）と、
   前記検出されたタイヤの振動の時系列波形を取り出すステップ（ｂ）と、
   前記タイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出するステップ（ｃ）と、
   前記時間窓毎の時系列波形からそれぞれ特徴ベクトルを算出するステップ（ｄ）と、
   前記ステップ（ｄ）で算出した時間窓毎の特徴ベクトルと、予め算出しておいた路面状態毎に求められたタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルとからカーネル関数を算出するステップ（ｅ）と、
   前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別するステップ（ｆ）とを有し、
   前記ステップ（ｆ）では、
   路面状態毎に求めた識別関数の値を比較して路面状態を判別することを特徴とする路面状態判別方法。
2. 前記特徴ベクトルが、
   前記窓関数をかけて抽出した時間窓毎の時系列波形の特定周波数帯域の振動レベル、
   前記特定周波数帯域の振動レベルの時変分散、
   及び、前記時系列波形のケプストラム係数のいずれか１つ、または、複数、または、全部であり、
   前記特定周波数帯域の振動レベルは、前記窓関数をかけて抽出した時間窓毎の時系列波形の周波数スペクトル、もしくは、前記窓関数をかけて抽出した時間窓毎の時系列波形をバンドパスフィルタを通して得られた時系列波形から求められる特定周波数帯域の振動レベルであることを特徴とする請求項１に記載の路面状態判別方法。
3. 前記カーネル関数が、
   グローバルアライメントカーネル関数、または、ダイナミックタイムワーピングカーネル関数、または、前記２つのカーネル関数の和、または、差、または、積、または、商であることを特徴とする請求項１または請求項２に記載の路面状態判別方法。
4. 走行中のタイヤの振動を検出してタイヤの接している路面の状態を判別する路面状態判別装置であって、
   タイヤトレッド部のインナーライナー部の気室側に配設された、走行中のタイヤの振動を検出するタイヤ振動検出手段と、
   前記タイヤ振動検出手段で検出された前記タイヤ振動の時系列波形を予め設定した時間幅で窓掛けして時間窓毎にタイヤ振動の時系列波形を抽出する窓掛け手段と、
   前記抽出された時間窓毎の時系列波形における特定周波数の振動レベルを成分とする特徴ベクトルもしくは前記振動レベルの関数を成分とする特徴ベクトルを算出する特徴ベクトル算出手段と、
   予め算出しておいた路面状態毎に求められたタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルを記憶する記憶手段と、
   前記特徴ベクトル算出手段で算出した時間窓毎の特徴ベクトルと、前記記憶手段に記憶された路面特徴ベクトルとからカーネル関数を算出するカーネル関数算出手段と、
   前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別する路面状態判別手段とを備え、
   前記路面状態判別手段は、
   路面状態毎に求めた識別関数の値を比較して路面状態を判別することを特徴とする路面状態判別装置。
   
   

Images