JP2018004418A - 路面状態判別方法 - Google Patents
路面状態判別方法 Download PDFInfo
- Publication number
- JP2018004418A JP2018004418A JP2016131084A JP2016131084A JP2018004418A JP 2018004418 A JP2018004418 A JP 2018004418A JP 2016131084 A JP2016131084 A JP 2016131084A JP 2016131084 A JP2016131084 A JP 2016131084A JP 2018004418 A JP2018004418 A JP 2018004418A
- Authority
- JP
- Japan
- Prior art keywords
- road surface
- tire
- vibration
- surface state
- determination
- 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.)
- Pending
Links
Images
Landscapes
- Tires In General (AREA)
Abstract
Description
なお、上記の帯域値Pijは、領域番号の番号がiで、周波数帯域の番号がjである帯域値を指す。
このように、タイヤに入力する外部情報に応じて、路面状態を判別するための判別パラメータを補正もしくは変更したので、路面状態の判別精度を向上させることができる。
また、前記外部情報を、当該タイヤにかかる制駆動力の大きさとしたので、加減速時においても、路面状態を確実に判別することができる。
また、判別パラメータを、振動波形から抽出される特定周波数帯域の振動レベル、または、複数の特定周波数帯域の振動レベルから演算される演算値、特定周波数帯域の範囲(下限周周波数と上限周波数など)、振動波形に掛ける窓の時間幅、路面判別に用いられる複数の特定周波数帯域の振動レベルを用いた判別関数の重みレベル、重みベクトルの中間パラメータ、及び、路面判別に用いられる複数の特定周波数帯域の振動レベルを用いた判別関数の出力値、のいずれか1つまたは複数とすれば、路面状態の判定精度を効果的に向上させることができる。
図1は、本実施の形態に係る路面状態判別装置10の機能ブロック図で、同図において、11は振動検出手段としての加速度センサー、12はタイヤに入力する外部情報である制駆動力を推定する制駆動力推定手段、13は制駆動力判定手段、14は振動波形検出手段、15は領域信号抽出手段、16は帯域値算出手段、17は帯域値補正手段、18は路面状態判別手段である。
制駆動力判定手段13〜路面状態判別手段18での各手段は、例えば、コンピュータのソフトウェア及びRAM等の記憶装置により構成され、図示しない車体側に設けられる。
加速度センサー11の出力は、例えば、送信機11Fにより振動波形検出手段14に送られる。
制駆動力推定手段12は、タイヤにかかる制駆動力Jを推定する。具体的には、アクセル開度及びギアポジションからタイヤにかかる駆動力を推定し、ブレーキペダル踏み力もしくはブレーキ油圧から制動力を推定する。J>0が駆動力で、J<0が制動力である。
なお、タイヤにかかる制駆動力Jは、車体加速度、路面勾配情報のいずれか両方の情報から推定してもよいし、車体速度、車輪速度、路面勾配情報のいずれかまたは複数の情報からタイヤにかかる制駆動力Jを推定してもよい。
一方、推定された制駆動力Jの大きさ|J|が閾値JMax以内(−JMax≦J≦JMax)である場合には、制駆動力Jのデータを帯域値補正手段17に出力する。
なお、JMaxとしては、0.2G〜0.8Gの範囲とすることが好ましい。本例では、JMax=0.4Gとした。
領域信号抽出手段15は、振動波形検出手段14で検出した時系列波形を、踏み込み側のピークPfよりも前の領域である踏み込み前領域R1と、踏み込み側のピークPfを形成する領域である踏み込み領域R2と、踏み込み側のピークPfと蹴り出し側のピークPkとの間の領域である蹴り出し前領域R3と、蹴り出し側のピークPkを形成する領域である蹴り出し領域R4と、蹴り出し領域R4よりも後の領域である蹴り出し後領域R5とに分割し、各領域R1〜R5における振動の時系列波形を抽出する。
なお、制駆動力判定手段13から中止指令信号が入力された場合には、時系列波形の抽出動作を中止する。
例えば、A11は踏み込み前領域R1の2kHz〜8kHz帯域から選択される帯域値で、A23は踏み込み領域R2の4kHz〜10kHz帯域から選択される帯域値、A52は蹴り出し後領域R5の2kHz〜4kHz帯域から選択される帯域値である。
この帯域値Aijが、本発明の判別パラメータに相当する。
帯域値補正手段17は、帯域値算出手段16で算出した帯域値Aijを、制駆動力判定手段13で推定された制駆動力Jのデータを用いて補正する。具体的には、図4に示すような、制駆動力Jと帯域値比Kij=aij(J)/aij(0)との関係を示すグラフを準備し、制駆動力がJであるときの帯域値Aij(J)を補正する。なお、aij(0)は、定速走行時(J=0)における帯域値である。
補正された帯域値をAij(J)とすると、Aij(J)=Kij×Aijである。
なお、全ての帯域値Aijが、図4(a)に示すように、加速時(J>0)には大きく減速時(J<0)には小さくなるわけではないので、上記のように、制駆動力Jと帯域値比Kijとの関係を示すグラフを、抽出領域Riと抽出周波数領域jjごとに準備しておく必要がある。
なお、帯域値Aijの補正方法としては、前述の方法に限らず、図4(b)に示すように,制駆動力J毎に、AijとAij(J)との関係を示す直線もしくは曲線を予め求めておき、Aijの制駆動力Jに対応する直線上もしくは曲線上の値Aij(J)を補正値としてもよい。
本例では、識別関数Fkとして、本出願人が特願2010−115730号(特許文献1)において提案した、路面上に水や雪などの介在物があるか否かを判定する識別関数F1=w11・A11+w12・A12−K1と、路面が積雪路であるか否かを判定する識別関数F2=w21・A21+w22・A51−K2と、路面上の介在物が水か雪か、すなわち、路面が深いWET路面か、深いシャーベット状の雪路であるかどうかを判定する識別関数F3=w31・A52+w32・A31+w33・A41+w34・A53とを用いて、路面が「雪路」であるか否かと、「雪路」が「積雪路」か「浅いシャーベット状の雪路」のいずれであるかを判別する。
まず、加速度センサー11にて走行中のタイヤ1のタイヤ周方向振動を検出するとともに、制駆動力推定手段12にて、タイヤ1にかかる制駆動力Jを推定する(ステップS10)。
次に、推定された制駆動力Jの大きさ|J|が閾値JMax以内(−JMax≦J≦JMax)であるか否かを判定する(ステップS11)。
制駆動力Jの大きさ|J|が閾値JMax以内にある場合には、ステップS12に進んで、加速度センサー11の出力であるタイヤ周方向振動を時系列に配列した時系列波形を検出した後、タイヤ振動のデータである時系列波形を予め設定した時間窓で窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出する(ステップS13)。
一方、推定された制駆動力Jが、J<−JMax、もしくは、J>JMaxである場合には、タイヤ振動の時系列波形の抽出を中止する。
本例では、JMax=0.4G、J=0.1Gとした。
帯域値Aijは、時系列波形の抽出領域がRiで、周波数領域が[fja,fjb]である帯域値である。例えば、A23は、踏み込み領域R2の周波数領域が[4kHz,10kHz]における帯域値である。
本発明では、算出された帯域値Aijを、制駆動力Jのデータを用いて補正する(ステップS15)。なお、補正は帯域値Aijごとに行う。
次に、路面上に水や雪などの介在物があるか否かを判定する(ステップS16)。
具体的には、様々な路面状態における帯域値A11と帯域値A12との関係を予め実験的に求めて識別関数F1=w11・A11+w12・A12−K1を設定し、この識別関数F1の帯域値A11及び帯域値A12に、それぞれ制駆動力Jで補正した帯域値A11(J)及び帯域値A12(J)を代入して関数値f1を求める。
関数値f1が、f1≧0を満たしている場合には、路面上に水や雪などの介在物があると判定されるので、ステップS17に進んで、この路面上の介在物が、新雪が積もった柔らかいものかどうかを判定する。一方、f1<0である場合には、路面が「雪路ではない」と判定する。
具体的には、様々な路面状態における帯域値A21と帯域値A51との関係を予め実験的に求めて識別関数F2=w21・A21+w22・A51−K2を設定し、この識別関数F2の帯域値A21及び帯域値A51に、それぞれ制駆動力Jで補正した帯域値A21(J)及び帯域値A51(J)を代入して関数値f2を求める。f2<0である場合には、路面が積雪路であると判定する。
一方、関数値f2が、f2≧0である場合には、ステップS18に進んで、路面上の介在物が水か雪か、すなわち、路面が深いWET路面か、深いシャーベット状の雪路であるかどうかを判定する。
すなわち、ステップS18では、様々な路面状態における帯域値A52,A31,A41,A53に対して予め識別関数F3=w31・A52+w32・A31+w33・A41+w34・A53を設定し、この識別関数F3の帯域値A52,A531,A41及び帯域値A53に、それぞれ制駆動力Jで補正した帯域値A52(J),A31(J),A41(J)及び帯域値A53(J)を代入して得られた関数値f3を求める。f3≧0である場合には深いWET路である(雪路ではない)と判定し、f3<0である場合には、路面がシャーベット状の雪路であると判定する。
また、制駆動力Jが、J<−JMaxもしくは、J>JMaである場合には路面状態の判定を中止するようにしたので、路面状態の誤判定を防ぐことができる。
また、前記実施の形態1では、タイヤに入力する外部情報補正する判別パラメータを、時系列波形から抽出された踏み込み前領域R1、踏み込み領域R2、蹴り出し前領域R3、蹴り出し領域R4、及び、蹴り出し後領域R5の時系列波形から算出される所定の周波数領域の振動成分の大きさである帯域値Aijとしたが、複数の特定周波数帯域の振動レベルから演算される演算値である識別関数Fkの関数値fkであってもよい。あるいは、識別関数Fkの係数であるwkl(重みレベル)や、定数Kkであってもよい。
タイヤに入力する外部情報により補正する判別パラメータを識別関数Fkの関数値fkとした場合が、本発明の判別パラメータと外部情報とから路面状態を判別する第1の判別ステップに相当する。
例えば、図6に示すように、特定周波数領域の上限周波数fjaや下限周波数fjb、あるいは、特定周波数領域の領域幅(fjb‐fja)の適正値は、制駆動力Jによって変化するので、これらの値を制駆動力Jにより変更すれば、路面状態の判定精度を向上させることができる。
また、判別パラメータとして、振動波形に掛ける窓の時間幅を用いてもよい。すなわち、振動波形の踏み込み側のピークPfの位置、蹴り出し側のピークPkの位置、あるいは、踏み込み側のピークPfと蹴り出し側のピークPkとの間隔位置も、制駆動力Jにより変化するので、振動波形の抽出領域(踏み込み前領域R1、踏み込み領域R2、蹴り出し前領域R3、蹴り出し領域R4、及び、蹴り出し後領域R5)の領域幅である振動波形に掛ける窓の時間幅を、制駆動力Jにより変更すれば、路面状態の判定精度を更に向上させることができる。
また、複数の判別パラメータの補正と変更とを同時に行えば、路面状態の判定精度を更に向上させることができる。
図7は、本実施の形態2に係る路面状態判別装置30の機能ブロック図で、同図において、11は加速度センサー、12は制駆動力推定手段、13は制駆動力判定手段、14は振動波形検出手段、31は窓掛け手段、32は特徴ベクトル算出手段、33は特徴ベクトル補正手段、34は記憶手段、35は尤度算出手段、36は路面状態判別手段である。
なお、実施の形態1と同符号の加速度センサー11〜振動波形検出手段14までの各手段は、実施の形態1と同じものである。
加速度センサー11は走行中のタイヤ1のタイヤ周方向振動を検出し、制駆動力推定手段12はタイヤ1にかかる制駆動力Jを推定する。
制駆動力判定手段13は、推定された制駆動力Jが、予め設定した判定可能内圧範囲[−JMax,JMax]内にあるか否かを判定し、振動波形検出手段14は、図3に示すような、タイヤ周方向振動を時系列に配列した時系列波形を検出する。
特徴ベクトル算出手段32は、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Xtを算出する。本例では、特徴ベクトルXtとして、タイヤ振動の時系列波形をそれぞれ、周波数領域がfka−fkbのk個のバンドパスフィルターBP(k)に通して抽出した得た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)xktを用いた。特徴ベクトルXの次元はk次元で、本例では、特定周波数帯域を、0-0.5kHz、0.5-1kHz、1-2kHz、2-3kHz、3-4kHz、4-5kHzの6つとしたので、k=6となる。
特徴ベクトルXtは時間窓毎に求められるので、時間窓の総数をN個とすると特徴ベクトルXtの数もN個となる。
特徴ベクトル補正手段33は、特徴ベクトル算出手段32で算出したN×k個のパワー値xkt(以下、パワー値xktという)を、制駆動力判定手段13から送られてきたタイヤにかかる制駆動力Jを用いて補正する。補正の方法は、実施の形態1と同様で、パワー値比をKk=xkt(J)/xkt(0)との関係を示すグラフを準備し、制駆動力がJであるときのパワー値xktを補正して、補正された特徴ベクトルXt(J)を求める。
補正された特徴ベクトルXt(J)の成分をxkt(J)とすると、xkt(J)=Kk×xktである。
路面HMMは、図9に示すように、タイヤ振動の時系列波形に対応した7つの状態S1〜S7を有し、各状態S1〜S7は、それぞれ、特徴ベクトルXtの出力確率bij(X)と状態間の遷移確率aij(X)の2種類のパラメータにより構成されている(i,j=1〜7)。
本例では、各路面HMMの開始状態S1と終了状態S7とを除く5つの状態S2〜S6で前記タイヤ振動の時系列波形を5つの状態に分割する学習を行って、各路面HMMの特徴ベクトルXの出力確率bij(X)と状態間の遷移確率aij(X)とを求めた。
出力確率bij(X)は状態が状態Siから状態Sjに遷移するときに特徴ベクトルXが出力される確率を表す。出力確率bij(X)は混合正規分布を仮定する。
遷移確率aij(X)は状態が状態Siから状態Sjに遷移する確率を表す。
なお、特徴ベクトルXの次元がk次元の場合には、出力確率bijは特徴ベクトルXのk成分xk毎に設定される。
路面内HMM(road)も路面外HMM(silent)も、ともに、開始状態S1と終了状態S7とを含む7状態S1〜S7を有するHMMである。
HMMの学習は、EMアルゴリズム、Baum-Welchアルゴリズム、フォワード−バックフォワードアルゴリズム等の周知の方法で行う。
尤度は、本出願人らが特願2011−140943号において提案したように、まず、時間窓毎に出力確率P(Xt(J))を以下の式(1),(2)を用いて算出する。なお、以下において、Xtは補正された特徴ベクトルXt(J)である。
t;時刻
S;状態数
Ms;混合ガウス分布の成分の数
cjsm;m番目の混合成分の混合比
μ;ガウス分布の平均ベクトル
σ;ガウス分布の分散共分散行列
遷移確率π(Xt)は、路面HMMが7状態であるので、7×7の行列で表わせる。この遷移確率π(Xt)としては、前記路面HMMの学習により求められた特徴ベクトルXtの状態間の遷移確率aij(Xt)を用いればよい。
そして、算出した出力確率P(Xt)と遷移確率π(Xt)との積である時間窓毎の出現確率K(Xt)を求め、この時間窓毎の出現確率K(Xt)を全ての時間窓について掛け合わせて尤度Zを求める。すなわち、尤度Zは、Z=ΠP(Xt)・遷移確率π(Xt)により求められる。あるいは、それぞれの時間窓毎に計算された出現確率K(Xt)の対数をとって、全ての時間窓について足し合わせることで尤度Zを求めてもよい。
本例では、周知のビタビアルゴリズムを適用して最も尤度Zが大きい状態遷移系列ZMを求め、この状態遷移系列を検出されたタイヤ振動の時系列波形に対応する状態遷移系列とするとともに、前記尤度ZMを当該路面HMMのZとする。
尤度ZMは路面HMM毎に求められる。
路面状態判別手段36は、尤度算出手段35により算出された複数の隠れマルコフモデル毎の尤度を比較し、最も尤度が大きくなる隠れマルコフモデルに対応する路面状態を当該タイヤが走行している路面の路面状態であると判定する。
まず、加速度センサー11にて走行中のタイヤ1のタイヤ周方向振動を検出するとともに、制駆動力推定手段12にて、タイヤ1にかかる制駆動力Jを推定する(ステップS20)。
次に、推定された制駆動力Jの大きさ|J|が閾値JMax以内(−JMax≦J≦JMax)であるか否かを判定する(ステップS21)。
制駆動力Jの大きさ|J|が閾値JMax以内にある場合には、ステップS22に進んで、加速度センサー11の出力であるタイヤ周方向振動を時系列に配列した時系列波形を検出した後、タイヤ振動のデータである時系列波形を予め設定した時間窓で窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出する(ステップS23)。
一方、推定された制駆動力Jが、J<−JMax、もしくは、J>JMaxである場合には、タイヤ振動の時系列波形の抽出を中止する。
本例では、JMax=0.4G、J=0.1Gとした。
本発明では、この算出された特徴ベクトルXtの成分である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x1t〜x6tを、推定された制駆動力Jのデータを用いて補正する(ステップS25)。なお、補正はパワー値xkt(k=1〜6)ごとに行う。
パワー値xktの補正後には、まず、1番目のモデルであるDRY路面HMMについて、時間窓毎に出現確率K(Xt)=出力確率P(Xt)×遷移確率π(Xt)を求め(ステップS26)て、この出現確率K(Xt)を全ての時間窓について掛け合わせてDRY路面HMMにおける尤度Z1を算出する(ステップS27)。
次に、全てのモデルについて尤度Zの算出が終了したか否かを判定(ステップS28)し、終了していない場合には、ステップS26に戻って次のモデルであるWET路面HMMにおける尤度Z2を算出する。
5個全てのモデルの尤度Zの計算が終了した場合には、ステップS29に進んで、路面状態を判別する。具体的には、路面HMM毎に算出された尤度Z1〜Z5を比較し、最も尤度が大きくなる路面HMMに対応する路面状態を当該タイヤが走行している路面の路面状態とする。
また、制駆動力Jが判定可能内圧範囲[−JMax,JMax]外にある場合には路面状態の判定を中止するようにしたので、路面状態の誤判定を防ぐことができる。
また、前記実施の形態2では、タイヤに入力する外部情報である制駆動力Jにより補正する判別パラメータを、時間窓に抽出された時系列波形の特徴ベクトルXtの成分である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xktとしたが、判別関数である尤度Zの大きさを判別パラメータとしてもよい。あるいは、各路面HMMの特徴ベクトルXの出力確率P(Xt)や遷移確率π(Xt)、状態数S、混合ガウス分布の成分数Ms、混合成分の混合比cjsm、ガウス分布の平均ベクトルμ、ガウス分布の分散共分散行列σなどの判別関数の重みベクトルや重みベクトルの中間パラメータでであってもよい。
外部情報により補正する判別パラメータを尤度Zの大きさとした場合が、本発明の判別パラメータと外部情報とから路面状態を判別する第1の判別ステップに相当する。
制駆動力Jにより補正される出力確率P(Xt)や遷移確率π(Xt)などのパラメータは、路面HMMの学習により求められる。
また、判別パラメータを、パワー値xktを求める際のバンドパスフィルターBP(k)周波数領域がfka−fkbの適正値や時間窓幅としてもよい。
また、複数の判別パラメータの補正と変更とを同時に行えば、路面状態の判定精度を更に向上させることができる。
図13は、本実施の形態3に係る路面状態判別装置40の機能ブロック図で、同図において、11は加速度センサー、12は制駆動力推定手段、13は制駆動力判定手段、14は振動波形検出手段、31は窓掛け手段、32は特徴ベクトル算出手段、33は特徴ベクトル補正手段、41は記憶手段、42はカーネル関数算出手段、43は路面状態判別手段である。
なお、実施の形態1と同符号の加速度センサー11〜振動波形検出手段14、及び、実施の形態2と同符号の窓掛け手段31〜特徴ベクトル補正手段33までの各手段は、それぞれ、実施の形態1,2と同じものである。
加速度センサー11は走行中のタイヤ1のタイヤ周方向振動を検出し、制駆動力推定手段12はタイヤ1にかかる制駆動力Jを推定する。
制駆動力判定手段13は、推定された制駆動力Jが、予め設定した判定可能内圧範囲[−JMax,JMax]内にあるか否かを判定し、振動波形検出手段14は、図3に示すような、タイヤ周方向振動を時系列に配列した時系列波形を検出する。
特徴ベクトル算出手段32は、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Xtを算出する。
本例では、特徴ベクトルXt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)xkt(k=1〜6)を用いた。
特徴ベクトルXtは時間窓毎に求められるので、時間窓の総数をN個とすると特徴ベクトルXtの数もN個となる。以下、窓番号がiの特徴ベクトルをXiとして、Xiの成分であるパワー値をxkiと記載する。
特徴ベクトル補正手段33は、特徴ベクトル算出手段32で算出したN×k個のパワー値xkiを、制駆動力判定手段13から送られてきたタイヤにかかる制駆動力Jを用いて補正する。補正の方法は、実施の形態1と同様で、パワー値比をKk=xkt(J)/xkt(0)との関係を示すグラフを準備し、制駆動力がJであるときのパワー値xktを補正して、補正された特徴ベクトルXt(J)を求める。
補正された特徴ベクトルXt(J)の成分をxkt(J)とすると、xkt(J)=Kk×xktである。
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41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YASV(yjk)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YASV(yjk)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、yjk=(aj1,aj2,aj3,aj4,aj5,aj6)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。
以下、路面特徴ベクトルYASV(yjk)を単にYASVと記す。
WET路面特徴ベクトルYWSV、SNOW路面特徴ベクトルYSSV、ICE路面特徴ベクトルYISVについても、DRY路面特徴ベクトルYDSV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Xj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YASVの時間窓の時系列波形の数Mは、特徴ベクトルXj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Xjを求めるときの車速がDRY路面特徴ベクトルYDSV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。
図15は、入力空間上における、DRY路面特徴ベクトルYDSVと、DRY路面以外の路面特徴ベクトルYnDSV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、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14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YDSV及びYnDSV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YDSV及びYnDSV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,……xn)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)=wTφ(x)−bを求める。ここで、データは路面特徴ベクトルYDj,YnDj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)=wTφ(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(3),(4)に置き換えられる。
このとき、内積φ(xα)φ(xβ)をカーネル関数K(xα,xβ)に置き換えることで、識別関数f(x)=wTφ(x)−bを非線形できる。なお、φ(xα)φ(xβ)は、xαとxβ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。
ローカルカーネルκij(xi,xj)は、時間間隔Tの窓毎に求められる。
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YDjとDRY路面以外の路面特徴ベクトルYnDj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YDj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YnDj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YDSVと、f(x)=−1の距離にあるサポートベクトルYnDSVととを備えた入力空間である。前記YDSVと前記YnDSV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。
なお、図7は、時間窓の数が6であるDRY路面特徴ベクトルYDj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YnDjとのGAカーネルを求めた例である。
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YDj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YnDj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YDSVと、f(x)=−1の距離にあるサポートベクトルYnDSVととを備えた入力空間である。前記YDSVと前記YnDSV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。
GAカーネルK(X,Y)は、図17にも示すように、前記の[数3]において、xiを特徴ベクトルXiとし、xjを路面特徴ベクトルYAj,YnAjとしたときのローカルカーネルκij(Xi,Yj)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、xjが路面特徴ベクトルYAjの例で、特徴ベクトルXiの時間窓の数はn=5で、路面特徴ベクトルYAjの時間窓の数はm=4である。
本例のように、特徴ベクトルXi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YAj(もしくはYnAj)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Xi,YAj間(もしくはXi,YnAj間)の類似度を求めることができる。
また、NDSVはDRYモデルのサポートベクトルの数、NWSVはWETモデルのサポートベクトルの数、NSSVはSNOWモデルのサポートベクトルの数、NISVはICEモデルのサポートベクトルの数である。
本例では、識別関数fD,fW,fS,fIをそれぞれ計算し、計算された識別関数fA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。
まず、加速度センサー11にて走行中のタイヤ1のタイヤ周方向振動を検出するとともに、制駆動力推定手段12にて、タイヤ1にかかる制駆動力Jを推定する(ステップS30)。
次に、推定された制駆動力Jの大きさ|J|が閾値JMax以内(−JMax≦J≦JMax)であるか否かを判定する(ステップS31)。
制駆動力Jの大きさ|J|が閾値JMax以内にある場合には、ステップS32に進んで、加速度センサー11の出力であるタイヤ周方向振動を時系列に配列した時系列波形を検出した後、タイヤ振動のデータである時系列波形を予め設定した時間窓で窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出する(ステップS33)。
一方、推定された制駆動力Jが、J<−JMax、もしくは、J>JMaxである場合には、タイヤ振動の時系列波形の抽出を中止する。
本例では、JMax=0.4G、J=0.1Gとした。
本発明では、この算出された特徴ベクトルXtの成分である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x1t〜x6tを、推定された制駆動力Jのデータを用いて補正する(ステップS35)。なお、補正はパワー値xkt(k=1〜6)ごとに行う。
次に、補正された特徴ベクトルXi(J)と、記憶手段41に記録されている路面モデルのサポートベクトルYAkとから、ローカルカーネルκij(Xi,Yj)を算出した後、ローカルカーネルκij(Xi,Yj)の総和を求めて、グローバルアライメントカーネル関数KD(X,Y),KW(X,Y),KS(X,Y),KI(X,Y)をそれぞれ算出する(ステップS36)。
次に、カーネル関数KA(X,Y)を用いた4つの識別関数fD(x),fW(x),fS(x),fI(x)をそれぞれ計算(ステップS37)した後、計算された識別関数fA(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1の走行している路面の路面状態と判別する(ステップS38)。
また、前記実施の形態3では、タイヤ状態により補正する判別パラメータを、時間窓に抽出された時系列波形の特徴ベクトルXtの成分である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xktとしたが、識別関数fD,fW,fS,fIの出力値を判別パラメータとしてもよい。
タイヤに入力する外部情報である制駆動力Jにより補正する判別パラメータを識別関数fD,fW,fS,fIの出力値とした場合が、本発明の判別パラメータと状態情報とから路面状態を判別する第1の判別ステップに相当する。
あるいは、判別パラメータをは、識別関数f(x)の重みwを求めるためのパラメータである、所属クラスz、ローカルカーネルκij(Xi,Yj)、あるいは、ローカルカーネルκij(Xi,Yj)を計算するための定数σであってもよい。
また、カーネル関数Kを、例えば、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)にするなど、用いるカーネル関数を外部情報により変更してもよい。
あるいは、サポートベクターマシンの学習過程に必要なパラメータであってもよい。
また、前記実施の形態2と同様に、パワー値xktを求める際のバンドパスフィルターBP(k)周波数領域がfka−fkbの適正値や、タイヤ周方向振動の時系列波形に窓掛けする時間幅(時間窓幅)を、タイヤ情報により変更する判別パラメータとしても、路面状態の判定精度を向上させることができる。
また、複数の判別パラメータの補正と変更とを同時に行えば、路面状態の判定精度を更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 制動力推定手段、
13 制駆動力判定手段、14 振動波形検出手段、15 領域信号抽出手段、
16 帯域値算出手段、17 帯域値補正手段、18 路面状態判別手段。
Claims (8)
- 振動検出手段により検出した走行中のタイヤの振動の時間変化波形から路面の状態を判別する路面状態判別方法であって、
前記タイヤの振動波形を取得するステップと、
前記タイヤに入力する外部情報を取得するステップと、
前記振動波形から求められる路面状態を判別するための判別パラメータと前記外部情報とから路面状態を判別する第1の判別ステップか、もしくは、
前記判別パラメータを前記外部情報にて補正もしくは変更した後、この補正された判別パラメータから路面状態を判別する第2の判別ステップのいずれかの判別ステップと、
を備えることを特徴とする路面状態判別方法。 - 前記外部情報が、当該タイヤに作用する制駆動力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。
- 前記外部情報が予め設定された範囲を超えた場合には、路面状態の判別を行わないようにしたことを特徴とする請求項2に記載の路面状態判別方法。
- 前記判別パラメータが、前記振動波形から抽出される特定周波数帯域の振動レベル、または、複数の特定周波数帯域の振動レベルから演算される演算値であることを特徴とする請求項1〜請求項3のいずれかに記載の路面状態判別方法。
- 前記判別パラメータが、特定周波数帯域の範囲であることを特徴とする請求項1〜請求項3のいずれかに記載の路面状態判別方法。
- 前記判別パラメータが、前記振動波形に掛ける窓の時間幅であることを特徴とする請求項1〜請求項3のいずれかに記載の路面状態判別方法。
- 前記判別パラメータが、路面判別に用いられる複数の特定周波数帯域の振動レベルを用いた判別関数の重みベクトル、又は前記重みベクトルの中間パラメータであることを特徴とする請求項1〜請求項3のいずれかに記載の路面状態判別方法。
- 前記判別パラメータが、路面判別に用いられる複数の特定周波数帯域の振動レベルを用いた判別関数の出力値であることを特徴とする請求項1〜請求項3のいずれか記載の路面状態判別方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016131084A JP2018004418A (ja) | 2016-06-30 | 2016-06-30 | 路面状態判別方法 |
EP17820296.6A EP3480630A4 (en) | 2016-06-30 | 2017-06-29 | ROAD SURFACE FORECAST METHOD AND ROAD SURFACE PRECISION DEVICE |
CN201780041252.0A CN109477906B (zh) | 2016-06-30 | 2017-06-29 | 路面状态判别方法和路面状态判别装置 |
US16/312,670 US20190212138A1 (en) | 2016-06-30 | 2017-06-29 | Road surface state determination method and road surface state determination apparatus |
PCT/JP2017/024014 WO2018003942A1 (ja) | 2016-06-30 | 2017-06-29 | 路面状態判別方法及び路面状態判別装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016131084A JP2018004418A (ja) | 2016-06-30 | 2016-06-30 | 路面状態判別方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018004418A true JP2018004418A (ja) | 2018-01-11 |
Family
ID=60946030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016131084A Pending JP2018004418A (ja) | 2016-06-30 | 2016-06-30 | 路面状態判別方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018004418A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020026164A (ja) * | 2018-08-09 | 2020-02-20 | 株式会社ブリヂストン | タイヤ種判別方法及びタイヤ種判別装置 |
WO2020045035A1 (ja) * | 2018-08-27 | 2020-03-05 | 株式会社ブリヂストン | 路面状態判定システム、路面状態判定プログラム及び路面状態判定方法 |
CN111452797A (zh) * | 2018-12-28 | 2020-07-28 | 通伊欧轮胎株式会社 | 运算模型生成***及运算模型生成方法 |
CN111476094A (zh) * | 2020-03-06 | 2020-07-31 | 重庆大学 | 自动循迹修正下的道路检测***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11153518A (ja) * | 1997-11-21 | 1999-06-08 | Toyota Motor Corp | 路面状態判定装置 |
JP2005249525A (ja) * | 2004-03-03 | 2005-09-15 | Advics:Kk | 路面荒さ推定装置及び路面荒さ推定方法 |
JP2005345238A (ja) * | 2004-06-02 | 2005-12-15 | Bridgestone Corp | 路面摩擦係数の推定方法とその装置 |
US20070050121A1 (en) * | 2004-04-02 | 2007-03-01 | Dieter Ammon | Method for determining a coefficient of friction |
JP2014035279A (ja) * | 2012-08-09 | 2014-02-24 | Bridgestone Corp | 路面状態判別方法とその装置 |
JP2016076085A (ja) * | 2014-10-06 | 2016-05-12 | 株式会社ブリヂストン | 路面状態判別システム |
JP2016107833A (ja) * | 2014-12-05 | 2016-06-20 | 株式会社ブリヂストン | 路面状態判別方法 |
-
2016
- 2016-06-30 JP JP2016131084A patent/JP2018004418A/ja active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11153518A (ja) * | 1997-11-21 | 1999-06-08 | Toyota Motor Corp | 路面状態判定装置 |
JP2005249525A (ja) * | 2004-03-03 | 2005-09-15 | Advics:Kk | 路面荒さ推定装置及び路面荒さ推定方法 |
US20070050121A1 (en) * | 2004-04-02 | 2007-03-01 | Dieter Ammon | Method for determining a coefficient of friction |
JP2005345238A (ja) * | 2004-06-02 | 2005-12-15 | Bridgestone Corp | 路面摩擦係数の推定方法とその装置 |
JP2014035279A (ja) * | 2012-08-09 | 2014-02-24 | Bridgestone Corp | 路面状態判別方法とその装置 |
JP2016076085A (ja) * | 2014-10-06 | 2016-05-12 | 株式会社ブリヂストン | 路面状態判別システム |
JP2016107833A (ja) * | 2014-12-05 | 2016-06-20 | 株式会社ブリヂストン | 路面状態判別方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020026164A (ja) * | 2018-08-09 | 2020-02-20 | 株式会社ブリヂストン | タイヤ種判別方法及びタイヤ種判別装置 |
EP3835090A4 (en) * | 2018-08-09 | 2022-04-13 | Bridgestone Corporation | TIRE TYPE DISTINCTION METHOD AND TIRE TYPE DISTINCTION DEVICE |
JP7112909B2 (ja) | 2018-08-09 | 2022-08-04 | 株式会社ブリヂストン | タイヤ種判別方法及びタイヤ種判別装置 |
WO2020045035A1 (ja) * | 2018-08-27 | 2020-03-05 | 株式会社ブリヂストン | 路面状態判定システム、路面状態判定プログラム及び路面状態判定方法 |
JP2020034275A (ja) * | 2018-08-27 | 2020-03-05 | 株式会社ブリヂストン | 路面状態判定システム、路面状態判定プログラム及び路面状態判定方法 |
CN111452797A (zh) * | 2018-12-28 | 2020-07-28 | 通伊欧轮胎株式会社 | 运算模型生成***及运算模型生成方法 |
CN111452797B (zh) * | 2018-12-28 | 2023-03-10 | 通伊欧轮胎株式会社 | 运算模型生成***及运算模型生成方法 |
CN111476094A (zh) * | 2020-03-06 | 2020-07-31 | 重庆大学 | 自动循迹修正下的道路检测***及方法 |
CN111476094B (zh) * | 2020-03-06 | 2022-04-19 | 重庆大学 | 自动循迹修正下的道路检测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018003942A1 (ja) | 路面状態判別方法及び路面状態判別装置 | |
JP6673766B2 (ja) | 路面状態判別方法 | |
JP5937921B2 (ja) | 路面状態判別方法とその装置 | |
JP6450170B2 (ja) | 路面状態判別方法 | |
JP5837341B2 (ja) | 路面状態判定方法とその装置 | |
JP2018004418A (ja) | 路面状態判別方法 | |
JP6734713B2 (ja) | 路面状態判別方法 | |
JP6783184B2 (ja) | 路面状態判別方法及び路面状態判別装置 | |
WO2019138774A1 (ja) | 路面状態判別方法及び路面状態判別装置 | |
JP7112909B2 (ja) | タイヤ種判別方法及びタイヤ種判別装置 | |
WO2018230181A1 (ja) | 路面状態判別方法及び路面状態判別装置 | |
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 | |
WO2019244379A1 (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 |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181221 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200107 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200309 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200407 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20201110 |