JP2018004418A - 路面状態判別方法 - Google Patents

Abstract

【課題】タイヤに入力する外部情報が変化しても、路面状態を精度よく判定できる方法を提供する。【解決手段】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際に、タイヤの振動波形に加えて、タイヤに入力する外部情報を取得するとともに、タイヤの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を取得された外部情報により補正もしくは変更し、この補正もしくは変更された判別パラメータを用いて路面状態を判別するか、もしくは、判別パラメータと外部情報とから路面状態を判別するようにした。【選択図】図５

Description

本発明は、走行中の路面状態を判別する方法に関する。

従来、路面状態を判別する方法としては、タイヤのインナーライナー部に設置された加速度センサーで検出した走行中のタイヤトレッドの振動波形を、踏み込み端に出現する踏み込み側のピークよりも前の踏み込み前領域Ｒ１と、踏み込み側のピークを形成する踏み込み領域Ｒ２と、踏み込み側のピークと蹴り出し端に出現する蹴り出し側のピークとの間の蹴り出し前領域Ｒ３と、蹴り出し側のピークを形成する蹴り出し領域Ｒ４と、蹴り出し領域Ｒ４よりも後の蹴り出し後領域Ｒ５とに分けるとともに、各領域の振動波形をそれぞれ周波数分析し、得られた周波数スペクトルから、特定周波数帯域の振動レベルである複数の帯域値Ｐ_ijを求め、これらの帯域値Ｐ_ijを予め求めておいた識別関数Ｆ（Ｐ_ij）に代入して得られた値に基づいて、走行中の路面状態を判別する方法が提案されている（例えば、特許文献１参照）。
なお、上記の帯域値Ｐ_ij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。

特開２０１１−２４２３０３号公報

しかしながら、前記特許文献１では、領域Ｒ１〜Ｒ５の時間幅や、帯域値Ｐ_ijの大きさなどが、制駆動力や横力などのタイヤに入力する外部情報により変化することを考慮していないため、路面状態の判定精度が十分とはいえなかった。

本発明は、従来の問題点に鑑みてなされたもので、タイヤに入力する外部情報が変化した場合でも、路面状態を精度よく判定できる方法を提供することを目的とする。

本発明は、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、制駆動力や横力などの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。
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、前記状態情報が、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ので、路面状態の誤判定を防止することができる。
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。

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。

本発明の実施の形態１に係る路面状態判別装置の構成を示す図である。 加速度センサーの配置例を示す図である。 振動の時系列波形の一例と帯域値の抽出領域を示す図である。 帯域値と制駆動力との関係を示す図である。 本実施の形態１に係る路面状態判別方法を示すフローチャートである。 適正周波数帯域と制駆動力との関係を示す図である。 本実施の形態２に係る路面状態判別装置の構成を示す図である。 時間窓毎のタイヤ振動の時系列波形の抽出方法を示す図である。 路面ＨＭＭの一例を示す図である。 尤度算出に用いた路面ＨＭＭを示す図である。 状態遷移系列の模式図である。 本実施の形態２に係る路面状態判別方法を示すフローチャートである。 本実施の形態３に係る路面状態判別装置の構成を示す図である。 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。 本実施の形態３に係る路面状態判別方法を示すフローチャートである。

実施の形態１．
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は、図２に示すように、タイヤ１のインナーライナー部２のタイヤ幅方向中心に、検出方向がタイヤ周方向になるように配置される。これにより、加速度センサー１１は、路面からトレッド３に入力する作用するタイヤ周方向加速度を検出する。以下、加速度センサー１１の位置（厳密には、加速度センサー１１の径方向外側にあるトレッド３表面の位置）を計測点という。
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。

制駆動力判定手段１３は、推定された制駆動力Ｊから、タイヤ１の状態が路面状態の判定が可能な状態か否かを判定する。具体的には、推定された制駆動力Ｊの大きさ｜Ｊ｜が予め設定された閾値Ｊ_Maxを超えた場合には、検出された振動波形からは路面状態の判別が困難であるとして、振動波形検出手段１４に、振動波形の検出を中止する中止指令信号を送り、路面状態の判別を中止させる。
一方、推定された制駆動力Ｊの大きさ｜Ｊ｜が閾値Ｊ_Max以内（−Ｊ_Max≦Ｊ≦Ｊ_Max）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、Ｊ_Max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、Ｊ_Max＝０．４Ｇとした。

振動波形検出手段１４は、加速度センサー１１の出力である走行中のタイヤ１に入力す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する。図３に示すように、振動の時系列波形において最初に出現するピーク（正のピーク）Ｐ_fは、計測点が路面に衝突するときに発生するピークで、このピークＰ_fの位置が踏み込み点Ｐ_fである。次に出現するピーク（負のピーク）Ｐ_kは、計測点が路面を離れるときに発生するピークで、このピークＰ_kの位置が蹴り出し点である。
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Ｐ_f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Ｐ_f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Ｐ_fと蹴り出し側のピークＰ_k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Ｐ_k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。

帯域値算出手段１６は、各領域Ｒ１〜Ｒ５の時系列波形をバンドパスフィルターに通して、所定の周波数領域の振動成分の大きさである帯域値Ａ_ijを算出する。なお、添え字ｉは、時系列波形の領域Ｒ１〜Ｒ５を指し、添え字ｊは抽出した周波数領域を指す。
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Ａ_ij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Ａ_ij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Ｋ_ij＝ａ_ij（Ｊ）/ａ_ij（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Ａ_ij（Ｊ）を補正する。なお、ａ_ij（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Ａ_ij（Ｊ）とすると、Ａ_ij（Ｊ）＝Ｋ_ij×Ａ_ijである。
なお、全ての帯域値Ａ_ij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Ｋ_ijとの関係を示すグラフを、抽出領域Ｒｉと抽出周波数領域ｊ_jごとに準備しておく必要がある。
なお、帯域値Ａ_ij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、Ａ_ijとＡ_ij（Ｊ）との関係を示す直線もしくは曲線を予め求めておき、Ａ_ijの制駆動力Ｊに対応する直線上もしくは曲線上の値Ａ_ij（Ｊ）を補正値としてもよい。

路面状態判別手段１８は、予め設定した複数の識別関数Ｆｋ（Ａ_ij）に、帯域値算出手段１６で算出されたＡ_ijに代えて、帯域値補正手段１７で補正された帯域値Ａ_ij（Ｊ）を代入して得られた関数値ｆｋを用いて、路面状態を推定する。
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。

次に、本実施の形態１に係る路面状態の判定方法について、図５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Ｊ_Max以内（−Ｊ_Max≦Ｊ≦Ｊ_Max）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Ｊ_Max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＜−Ｊ_Max、もしくは、Ｊ＞Ｊ_Max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、Ｊ_Max＝０．４Ｇ、Ｊ＝０．１Ｇとした。

次に、検出した時系列波形を、踏み込み前領域Ｒ１と、踏み込み領域Ｒ２と、蹴り出し前領域Ｒ３と、蹴り出し領域Ｒ４と、蹴り出し後領域Ｒ５とに分割し（ステップＳ１３）た後、各領域Ｒ１〜Ｒ５における振動の時系列波形から帯域値Ａ_ijを算出する（ステップＳ１４）。
帯域値Ａ_ijは、時系列波形の抽出領域がＲｉで、周波数領域が［ｆ_ja，ｆ_jb］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Ａ_ij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Ａ_ij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。

ステップＳ１７では、新雪が積もった積雪路であるか否かを判定する。
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。

このように、本実施の形態１では、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に作用する制駆動力Ｊを推定し、この推定された制駆動力Ｊが、閾値Ｊ_Max以内（−Ｊ_Max≦Ｊ≦Ｊ_Max）である場合には、判別パラメータであるタイヤ周方向振動の時系列波形から求められる帯域値Ａ_ijを制駆動力Ｊで補正し、この補正された帯域値Ａ_ij（Ｊ）を用いて路面状態を判定したので、路面状態の判定精度を向上させることができる。
また、制駆動力Ｊが、Ｊ＜−Ｊ_Maxもしくは、Ｊ＞Ｊ_Ma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。

なお、前記実施の形態１では、タイヤに入力する外部情報を制駆動力Ｊとしたが、タイヤに作用する横力としてもよいし、制駆動力Ｊと横力の両方としてもよい。また、制駆動力Ｊと横力の合力としてもよい。
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Ａ_ij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ｗ_kl（重みレベル）や、定数Ｋ_k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。

また、判別パラメータを、特定周波数帯域の範囲としてもよい。
例えば、図６に示すように、特定周波数領域の上限周波数ｆ_jaや下限周波数ｆ_jb、あるいは、特定周波数領域の領域幅（ｆ_jb‐ｆ_ja）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Ｐ_fの位置、蹴り出し側のピークＰ_kの位置、あるいは、踏み込み側のピークＰ_fと蹴り出し側のピークＰ_k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。

実施の形態２．
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［−Ｊ_Max，Ｊ_Max］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。

窓掛け手段３１は、図８に示すように、タイヤ周方向振動の時系列波形を予め設定した時間幅（時間窓幅）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。
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Ｘ_tを算出する。本例では、特徴ベクトルＸ_t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ｆ_ka−ｆ_kb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）ｘ_kt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Ｘ_t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Ｘ_t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ｘ_kt(以下、パワー値ｘ_kt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Ｋ_k＝ｘ_kt（Ｊ）/ｘ_kt（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ｘ_ktを補正して、補正された特徴ベクトルＸ_t（Ｊ）を求める。
補正された特徴ベクトルＸ_t（Ｊ）の成分をｘ_kt（Ｊ）とすると、ｘ_kt（Ｊ）＝Ｋ_k×ｘ_ktである。

記憶手段３４は、路面状態毎に構成された複数の隠れマルコフモデル（以下、路面ＨＭＭという）を記憶する。路面ＨＭＭは、路面内ＨＭＭ（road）と路面外ＨＭＭ（silent）とから成る。路面内ＨＭＭ（road）は、タイヤ振動の時系列波形のうちの路面領域に出現する振動波形から構成され、路面外ＨＭＭ（silent）は、無情報領域の振動波形から構成される。
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Ｘ_tの出力確率ｂ_ij（Ｘ）と状態間の遷移確率ａ_ij（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ｂ_ij（Ｘ）と状態間の遷移確率ａ_ij（Ｘ）とを求めた。
出力確率ｂ_ij（Ｘ）は状態が状態Ｓ_iから状態Ｓ_j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ｂ_ij（Ｘ）は混合正規分布を仮定する。
遷移確率ａ_ij（Ｘ）は状態が状態Ｓ_iから状態Ｓ_j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ｂ_ijは特徴ベクトルＸのｋ成分ｘ_k毎に設定される。

本例では、予め、加速度センサー１１を備えたタイヤ１を搭載した車両を、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥの各路面でそれぞれ走行させて得られたタイヤ振動の時系列波形のデータを学習用データとして、ＤＲＹ路面ＨＭＭ、ＷＥＴ路面ＨＭＭ、ＳＮＯＷ路面ＨＭＭ、及び、ＩＣＥ路面ＨＭＭから成る４つの路面内ＨＭＭ（road）と、路面外ＨＭＭ（silent）の５つの路面ＨＭＭを構築した。
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。

尤度算出手段３５は、図１０に示すように、複数（ここでは、４個）の路面ＨＭＭのそれぞれについて補正された特徴ベクトルＸ_t（Ｊ）の尤度を算出する。
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（Ｘ_t（Ｊ））を以下の式（１），（２）を用いて算出する。なお、以下において、Ｘ_tは補正された特徴ベクトルＸ_t（Ｊ）である。

Ｘ；データ系列
ｔ；時刻
Ｓ；状態数
Ｍ_s；混合ガウス分布の成分の数
ｃ_jsm；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（Ｘ_t）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（Ｘ_t）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Ｘ_tの状態間の遷移確率ａ_ij（Ｘ_t）を用いればよい。
そして、算出した出力確率Ｐ（Ｘ_t）と遷移確率π（Ｘ_t）との積である時間窓毎の出現確率Ｋ（Ｘ_t）を求め、この時間窓毎の出現確率Ｋ（Ｘ_t）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（Ｘ_t）・遷移確率π（Ｘ_t）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（Ｘ_t）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。

ところで、路面ＨＭＭの状態が状態Ｓ₁から状態Ｓ₇まで遷移する経路（状態遷移系列）は、図１１に示すように、複数存在する。すなわち、各路面ＨＭＭのそれぞれについて、尤度Ｚは状態遷移系列毎に異なる。
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Ｚ_M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Ｚ_Mを当該路面ＨＭＭのＺとする。
尤度Ｚ_M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。

次に、本実施の形態２に係る路面状態の判定方法について、図１２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Ｊ_Max以内（−Ｊ_Max≦Ｊ≦Ｊ_Max）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Ｊ_Max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＜−Ｊ_Max、もしくは、Ｊ＞Ｊ_Max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、Ｊ_Max＝０．４Ｇ、Ｊ＝０．１Ｇとした。

ステップＳ２４では、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Ｘ_t＝（ｘ_1t，ｘ_2t，ｘ_3t，ｘ_4t，ｘ_5t，ｘ_6t）を算出する。
本発明では、この算出された特徴ベクトルＸ_t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ｘ_1t〜ｘ_6t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ｘ_kt（ｋ＝１〜６）ごとに行う。
パワー値ｘ_kt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（Ｘ_t）＝出力確率Ｐ（Ｘ_t）×遷移確率π（Ｘ_t）を求め（ステップＳ２６）て、この出現確率Ｋ（Ｘ_t）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。

このように、本実施の形態２では、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を推定し、この推定された制駆動力Ｊが判定可能内圧範囲［−Ｊ_Max，Ｊ_Max］内にある場合には、窓掛け手段３１により窓掛けして抽出した、時間窓毎のタイヤ振動の時系列波形から算出される特徴ベクトルＸ_tの成分であるフィルター濾過波のパワー値ｘ_ktを、制駆動力Ｊのデータを用いて補正した後、この補正されたフィルター濾過波のパワー値ｘ_kt（Ｊ）を成分とする特徴ベクトルＸ_t（Ｊ）を用いて路面状態を判別するようにしたので、路面状態の判定精度を向上させることができる。
また、制駆動力Ｊが判定可能内圧範囲［−Ｊ_Max，Ｊ_Max］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。

なお、前記実施の形態２では、タイヤに入力する外部情報を制駆動力Ｊとしたが、タイヤに作用する横力としてもよいし、制駆動力Ｊと横力の両方としてもよい。また、制駆動力Ｊと横力の合力としてもよい。
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Ｘ_t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ｘ_kt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（Ｘ_t）や遷移確率π（Ｘ_t）、状態数Ｓ、混合ガウス分布の成分数Ｍ_s、混合成分の混合比ｃ_jsm、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（Ｘ_t）や遷移確率π（Ｘ_t）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ｘ_ktを求める際のバンドパスフィルターＢＰ（ｋ）周波数領域がｆ_ka−ｆ_kb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。

実施の形態３．
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［−Ｊ_Max，Ｊ_Max］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。

また、窓掛け手段３１は、図８に示すように、タイヤ周方向振動の時系列波形を予め設定した時間幅（時間窓幅）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。
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Ｘ_tを算出する。
本例では、特徴ベクトルＸ_t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）ｘ_kt（ｋ＝１〜６）を用いた。
特徴ベクトルＸ_t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Ｘ_tの数もＮ個となる。以下、窓番号がｉの特徴ベクトルをＸ_iとして、Ｘ_iの成分であるパワー値をｘ_ki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ｘ_ki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Ｋ_k＝ｘ_kt（Ｊ）/ｘ_kt（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ｘ_ktを補正して、補正された特徴ベクトルＸ_t（Ｊ）を求める。
補正された特徴ベクトルＸ_t（Ｊ）の成分をｘ_kt（Ｊ）とすると、ｘ_kt（Ｊ）＝Ｋ_k×ｘ_ktである。

図１４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。
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路面を走行した時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４１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、本出願人らが特願２０１２−１７６７７９号において提案したように、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１５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、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（３），（４）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１６及び以下の式（５），（６）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。
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。

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（５），（６）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４２は、特徴ベクトル算出手段３２で算出され、特徴ベクトル補正手段３３で補正された特徴ベクトルＸ_i（Ｊ）と、記憶手段４１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１７にも示すように、前記の［数３］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４３では、以下の式（７）〜（１０）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。
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、本実施の形態３に係る路面状態の判定方法について、図１８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Ｊ_Max以内（−Ｊ_Max≦Ｊ≦Ｊ_Max）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Ｊ_Max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＜−Ｊ_Max、もしくは、Ｊ＞Ｊ_Max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、Ｊ_Max＝０．４Ｇ、Ｊ＝０．１Ｇとした。

ステップＳ３４では、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Ｘ_t＝（ｘ_1t，ｘ_2t，ｘ_3t，ｘ_4t，ｘ_5t，ｘ_6t）を算出する。
本発明では、この算出された特徴ベクトルＸ_t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ｘ_1t〜ｘ_6t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ｘ_kt（ｋ＝１〜６）ごとに行う。
次に、補正された特徴ベクトルＸ_i（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Ｓ３６）。
次に、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Ｓ３７）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）。

なお、前記実施の形態２では、タイヤに入力する外部情報を制駆動力Ｊとしたが、タイヤに作用する横力としてもよいし、制駆動力Ｊと横力の両方としてもよい。また、制駆動力Ｊと横力の合力としてもよい。
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Ｘ_t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ｘ_ktとしたが、識別関数ｆ_D，ｆ_W，ｆ_S，ｆ_I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ｆ_D，ｆ_W，ｆ_S，ｆ_I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κ_ij（Ｘ_i，Ｙ_j）、あるいは、ローカルカーネルκ_ij（Ｘ_i，Ｙ_j）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ｘ_ktを求める際のバンドパスフィルターＢＰ（ｋ）周波数領域がｆ_ka−ｆ_kb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。

１ タイヤ、２ インナーライナー部、３ トレッド、
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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。

Images