JP2021047185A

JP2021047185A - Tire physical information estimation system and tire physical information estimation method

Info

Publication number: JP2021047185A
Application number: JP2020164671A
Authority: JP
Inventors: 寛篤長谷川; Hiroshige Hasegawa
Original assignee: Toyo Tire and Rubber Co Ltd; Toyo Tire Corp
Current assignee: Toyo Tire Corp
Priority date: 2019-09-18
Filing date: 2020-09-30
Publication date: 2021-03-25
Anticipated expiration: 2039-09-18
Also published as: JP7356958B2

Abstract

To provide a tire physical information estimation system capable of estimating physical information about a tire in real time.SOLUTION: A tire physical information estimation system 100 comprises a physical information estimation unit 32 and a data acquisition unit 31. The physical information estimation unit 32 includes a learn-type computation model 32a from an input layer to an output layer to estimate physical information about a tire 10 generated by motion of the tire 10. The data acquisition unit 31 acquires input data to an input layer 50. The computation model 32a has a feature extraction unit for extracting a feature amount by performing convolution computation in half-way computation from the input layer to the output layer.SELECTED DRAWING: Figure 2

Description

本発明は、タイヤ物理情報推定システムおよびタイヤ物理情報推定方法に関する。 The present invention relates to a tire physical information estimation system and a tire physical information estimation method.

一般に、タイヤおよび路面間の摩擦係数の推定方法としては、車両の加速度やエンジントルク等の車両情報を用いる方法が知られている。 Generally, as a method for estimating the friction coefficient between a tire and a road surface, a method using vehicle information such as vehicle acceleration and engine torque is known.

特許文献１には従来の路面摩擦推定システムが記載されている。この路面摩擦推定システムは、車両の複数のタイヤに取り付けられた複数のタイヤ負荷推定センサを使用する。各タイヤの負荷およびスリップ角は、センサデータから推定される。複数の車両ＣＡＮバスセンサから、車両加速度およびヨーレート動作パラメータが取得され、ダイナミックオブザーバモデルは、横方向および縦方向の力推定値を複数のタイヤのそれぞれにおいて算出する。個別ホイール力推定値は、各タイヤについて、タイヤごとの横方向および縦方向の力推定値から算出される。各タイヤにおけるダイナミックスリップ角推定値および複数のタイヤのそれぞれにおける個別ホイール力推定値から、モデルベースの摩擦推定値が生成される。 Patent Document 1 describes a conventional road surface friction estimation system. This road friction estimation system uses a plurality of tire load estimation sensors attached to a plurality of tires of a vehicle. The load and slip angle of each tire is estimated from the sensor data. Vehicle acceleration and yaw rate motion parameters are acquired from the plurality of vehicle CAN bus sensors, and the dynamic observer model calculates lateral and longitudinal force estimates for each of the plurality of tires. The individual wheel force estimates are calculated from the lateral and longitudinal force estimates for each tire for each tire. Model-based friction estimates are generated from the dynamic slip angle estimates for each tire and the individual wheel force estimates for each of the plurality of tires.

特開２０１５−０８１０９０号公報Japanese Unexamined Patent Publication No. 2015-081090

特許文献１に記載の路面摩擦推定システムは、タイヤ力の推定において、車両側からの車両加速度およびヨーレート動作パラメータの情報に基づく、例えば４ホイールの車両モデル等のダイナミックオブザーバモデルを用いる必要があった。また、路面摩擦推定システムは、摩擦推定値を推定するためにニューラルネットワークを用いるが、演算量が膨大となり、タイヤ力や路面摩擦係数等のタイヤに関わる物理情報をリアルタイムで推定することが困難となる虞があった。 The road surface friction estimation system described in Patent Document 1 needs to use a dynamic observer model such as a four-wheel vehicle model based on information on vehicle acceleration and yaw rate operation parameters from the vehicle side in estimating tire force. .. In addition, the road surface friction estimation system uses a neural network to estimate the friction estimation value, but the amount of calculation becomes enormous, and it is difficult to estimate physical information related to the tire such as tire force and road surface friction coefficient in real time. There was a risk of becoming.

本発明は、斯かる事情に鑑みてなされたものであり、その目的とするところは、タイヤに関する物理情報をリアルタイムで推定することができるタイヤ物理情報推定システムおよびタイヤ物理情報推定方法を提供することにある。 The present invention has been made in view of such circumstances, and an object of the present invention is to provide a tire physical information estimation system and a tire physical information estimation method capable of estimating physical information about a tire in real time. It is in.

本発明のある態様はタイヤ物理情報推定システムである。タイヤ物理情報推定システムは、タイヤの運動によって生じるタイヤに関する物理情報を推定すべく入力層から出力層に至る学習型の演算モデルを有する物理情報推定部と、前記入力層への入力データを取得するデータ取得部と、を備え、前記演算モデルは、前記入力層から前記出力層へ向けての途中演算において畳み込み演算を実行して特徴量を抽出する特徴抽出部を有することを特徴とする。 One aspect of the present invention is a tire physical information estimation system. The tire physical information estimation system acquires a physical information estimation unit having a learning-type arithmetic model from the input layer to the output layer in order to estimate physical information about the tire generated by the movement of the tire, and input data to the input layer. The calculation model includes a data acquisition unit, and is characterized in that the calculation model has a feature extraction unit that executes a convolution operation in an intermediate calculation from the input layer to the output layer to extract a feature amount.

本発明によれば、タイヤに関する物理情報をリアルタイムで推定することができる。 According to the present invention, physical information about a tire can be estimated in real time.

実施形態に係るタイヤ物理情報推定システムの概要を説明するための模式図である。It is a schematic diagram for demonstrating the outline of the tire physical information estimation system which concerns on embodiment. 実施形態に係るタイヤ物理情報推定システムの機能構成を示すブロック図である。It is a block diagram which shows the functional structure of the tire physical information estimation system which concerns on embodiment. 演算モデルの構成を示す模式図である。It is a schematic diagram which shows the structure of the calculation model. 演算モデルにおける演算内容の一例を説明するための模式図である。It is a schematic diagram for demonstrating an example of the operation content in the operation model. タイヤ物理情報推定装置によるタイヤ物理情報推定処理の手順を示すフローチャートである。It is a flowchart which shows the procedure of the tire physical information estimation processing by a tire physical information estimation apparatus. 入力データとしての加速度データの一例を示すグラフである。It is a graph which shows an example of acceleration data as input data. 図７（ａ）〜図７（ｄ）は畳み込み演算後のデータの一例を示すグラフである。7 (a) to 7 (d) are graphs showing an example of data after the convolution operation. 図８（ａ）〜図８（ｄ）はプーリング演算後のデータの一例を示すグラフである。8 (a) to 8 (d) are graphs showing an example of data after the pooling operation. 図９（ａ）〜図９（ｄ）は全結合演算の結果の一例を示すグラフである。9 (a) to 9 (d) are graphs showing an example of the result of the fully connected operation. 変形例に係るタイヤ物理情報推定システムの機能構成を示すブロック図である。It is a block diagram which shows the functional structure of the tire physical information estimation system which concerns on a modification.

以下、本発明を好適な実施の形態をもとに図１から図１０を参照しながら説明する。各図面に示される同一または同等の構成要素、部材には、同一の符号を付するものとし、適宜重複した説明は省略する。また、各図面における部材の寸法は、理解を容易にするために適宜拡大、縮小して示される。また、各図面において実施の形態を説明する上で重要ではない部材の一部は省略して表示する。 Hereinafter, the present invention will be described with reference to FIGS. 1 to 10 based on a preferred embodiment. The same or equivalent components and members shown in the drawings shall be designated by the same reference numerals, and redundant description will be omitted as appropriate. In addition, the dimensions of the members in each drawing are shown enlarged or reduced as appropriate for easy understanding. In addition, some of the members that are not important for explaining the embodiment in each drawing are omitted and displayed.

（実施形態）
図１は、実施形態に係るタイヤ物理情報推定システム１００の概要を説明するための模式図である。タイヤ物理情報推定システム１００は、タイヤ１０に配設されたセンサ２０およびタイヤ物理情報推定装置３０を備える。また、タイヤ物理情報推定システム１００は、タイヤ物理情報推定装置３０で推定したタイヤ力Ｆや路面摩擦係数等のタイヤ物理情報を通信ネットワーク９１を介して取得して蓄積し、タイヤ物理情報を監視するためのサーバ装置４０などを含んでもよい。 (Embodiment)
FIG. 1 is a schematic diagram for explaining an outline of the tire physical information estimation system 100 according to the embodiment. The tire physical information estimation system 100 includes a sensor 20 arranged on the tire 10 and a tire physical information estimation device 30. Further, the tire physical information estimation system 100 acquires and accumulates tire physical information such as the tire force F and the road surface friction coefficient estimated by the tire physical information estimation device 30 via the communication network 91, and monitors the tire physical information. The server device 40 and the like for the purpose may be included.

センサ２０は、タイヤ１０における加速度および歪、タイヤ空気圧、並びにタイヤ温度などタイヤ１０の物理量を計測しており、計測したデータをタイヤ物理情報推定装置３０へ出力する。タイヤ物理情報推定装置３０は、センサ２０で計測されたデータに基づいてタイヤ物理情報を推定する。タイヤ物理情報推定装置３０は、タイヤ物理情報を推定する演算においてセンサ２０で計測されるデータを用いるが、車両加速度等の車両側からの情報を車両制御装置９０等から取得し、タイヤ物理情報を推定する演算に用いてもよい。 The sensor 20 measures physical quantities of the tire 10 such as acceleration and strain in the tire 10, tire air pressure, and tire temperature, and outputs the measured data to the tire physical information estimation device 30. The tire physical information estimation device 30 estimates the tire physical information based on the data measured by the sensor 20. The tire physical information estimation device 30 uses the data measured by the sensor 20 in the calculation for estimating the tire physical information, but obtains information from the vehicle side such as vehicle acceleration from the vehicle control device 90 or the like and obtains the tire physical information. It may be used for the estimation calculation.

タイヤ物理情報推定装置３０は、推定したタイヤ力Ｆおよび路面摩擦係数等のタイヤ物理情報を例えば車両制御装置９０へ出力する。車両制御装置９０は、タイヤ物理情報推定装置３０から入力されたタイヤ物理情報を、例えば制動距離の推定、車両制御への適用、更には車両の安全走行に関する情報の運転者への報知などに用いる。また車両制御装置９０は、地図情報や気象情報などを用いて、将来における車両の安全走行に関する情報を提供することもできる。また、タイヤ物理情報推定システム１００は、車両制御装置９０が車両を自動運転する機能を有する場合には、自動運転における車速制御等に用いるデータとして、推定したタイヤ物理情報を車両制御装置９０へ提供する。 The tire physical information estimation device 30 outputs tire physical information such as the estimated tire force F and the road surface friction coefficient to, for example, the vehicle control device 90. The vehicle control device 90 uses the tire physical information input from the tire physical information estimation device 30 for, for example, estimating the braking distance, applying it to vehicle control, and notifying the driver of information on safe driving of the vehicle. .. The vehicle control device 90 can also provide information on safe driving of the vehicle in the future by using map information, weather information, and the like. Further, when the vehicle control device 90 has a function of automatically driving the vehicle, the tire physical information estimation system 100 provides the estimated tire physical information to the vehicle control device 90 as data used for vehicle speed control or the like in the automatic driving. To do.

図２は、実施形態に係るタイヤ物理情報推定システム１００の機能構成を示すブロック図である。タイヤ物理情報推定システム１００のセンサ２０は、加速度センサ２１、歪ゲージ２２、圧力ゲージ２３および温度センサ２４等を有し、タイヤ１０における物理量を計測する。これらのセンサは、タイヤ１０の物理量として、タイヤ１０の変形や動きに関わる物理量を計測している。 FIG. 2 is a block diagram showing a functional configuration of the tire physical information estimation system 100 according to the embodiment. The sensor 20 of the tire physical information estimation system 100 includes an acceleration sensor 21, a strain gauge 22, a pressure gauge 23, a temperature sensor 24, and the like, and measures physical quantities in the tire 10. These sensors measure the physical quantity related to the deformation and movement of the tire 10 as the physical quantity of the tire 10.

加速度センサ２１および歪ゲージ２２は、タイヤ１０とともに機械的に運動しつつ、それぞれタイヤ１０に生じる加速度および歪量を計測する。加速度センサ２１は、例えばタイヤ１０のトレッド、サイド、ビードおよびホイール等に配設されており、タイヤ１０の周方向、軸方向および径方向の３軸における加速度を計測する。 The acceleration sensor 21 and the strain gauge 22 measure the acceleration and the amount of strain generated in the tire 10 while mechanically moving together with the tire 10. The acceleration sensor 21 is arranged, for example, on the tread, side, bead, wheel, or the like of the tire 10 and measures the acceleration in the three axes of the tire 10 in the circumferential direction, the axial direction, and the radial direction.

歪ゲージ２２は、タイヤ１０のトレッド、サイドおよびビード等に配設されており、配設箇所での歪を計測する。また、圧力ゲージ２３および温度センサ２４は、例えばタイヤ１０のエアバルブに配設されており、それぞれタイヤ空気圧およびタイヤ温度を計測する。温度センサ２４は、タイヤ１０の温度を正確に計測するために、タイヤ１０に直接、配設されていてもよい。タイヤ１０は、各タイヤを識別するために、例えば固有の識別情報が付与されたＲＦＩＤ１１等が取り付けられていてもよい。 The strain gauge 22 is arranged on the tread, side, bead, etc. of the tire 10 and measures the strain at the arranged portion. Further, the pressure gauge 23 and the temperature sensor 24 are arranged, for example, on the air valve of the tire 10, and measure the tire pressure and the tire temperature, respectively. The temperature sensor 24 may be arranged directly on the tire 10 in order to accurately measure the temperature of the tire 10. In order to identify each tire, the tire 10 may be attached with, for example, an RFID 11 to which unique identification information is given.

タイヤ物理情報推定装置３０は、データ取得部３１、物理情報推定部３２および通信部３３を有する。タイヤ物理情報推定装置３０は、例えばＰＣ（パーソナルコンピュータ）等の情報処理装置である。タイヤ物理情報推定装置３０における各部は、ハードウェア的には、コンピュータのＣＰＵをはじめとする電子素子や機械部品などで実現でき、ソフトウェア的にはコンピュータプログラムなどによって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックはハードウェア、ソフトウェアの組合せによっていろいろな形態で実現できることは、当業者には理解されるところである。 The tire physical information estimation device 30 includes a data acquisition unit 31, a physical information estimation unit 32, and a communication unit 33. The tire physical information estimation device 30 is an information processing device such as a PC (personal computer). Each part of the tire physical information estimation device 30 can be realized by an electronic element such as a computer CPU or a mechanical component in terms of hardware, and can be realized by a computer program or the like in terms of software. It depicts a functional block realized by the cooperation of. Therefore, it is understood by those skilled in the art that these functional blocks can be realized in various forms by combining hardware and software.

データ取得部３１は、無線通信等によりセンサ２０で計測された加速度、歪、空気圧および温度の情報を取得する。通信部３３は、車両制御装置９０およびサーバ装置４０等の外部装置との間で有線または無線通信等によって通信する。通信部３３は、センサ２０で計測されたタイヤ１０の物理量、およびタイヤ１０について推定したタイヤ物理情報等を通信回線、例えばＣＡＮ（コントロールエリアネットワーク）、インターネット等を介して外部装置へ送信する。 The data acquisition unit 31 acquires information on acceleration, strain, air pressure, and temperature measured by the sensor 20 by wireless communication or the like. The communication unit 33 communicates with an external device such as the vehicle control device 90 and the server device 40 by wired or wireless communication or the like. The communication unit 33 transmits the physical quantity of the tire 10 measured by the sensor 20, the tire physical information estimated about the tire 10, and the like to an external device via a communication line, for example, a CAN (control area network), the Internet, or the like.

物理情報推定部３２は、演算モデル３２ａおよび補正処理部３２ｂを有し、データ取得部３１からの情報を演算モデル３２ａに入力し、タイヤ力Ｆや路面摩擦係数等のタイヤ物理情報を推定する。図２に示すように、タイヤ力Ｆは、タイヤ１０の前後方向の前後力Ｆｘ、横方向の横力Ｆｙ、および鉛直方向の荷重Ｆｚの３軸方向成分を有する。物理情報推定部３２は、これら３軸方向成分のすべてを算出してもよいし、少なくともいずれか１成分の算出または任意の組合せによる２成分の算出を行うようにしてもよい。 The physical information estimation unit 32 has a calculation model 32a and a correction processing unit 32b, inputs information from the data acquisition unit 31 into the calculation model 32a, and estimates tire physical information such as the tire force F and the road surface friction coefficient. As shown in FIG. 2, the tire force F has three axial components of the front-rear front-rear force Fx of the tire 10, the lateral force Fy in the lateral direction, and the load Fz in the vertical direction. The physical information estimation unit 32 may calculate all of these three axial components, or may calculate at least one component or two components by any combination.

演算モデル３２ａは、ニューラルネットワーク等の学習型モデルを用いる。図３は、演算モデル３２ａの構成を示す模式図である。演算モデル３２ａは、ＣＮＮ（Convolutional Neural Network）型であり、その原型であるいわゆるＬｅＮｅｔで使用された畳み込み演算およびプーリング演算を備える学習型モデルである。演算モデル３２ａは、入力層５０、特徴抽出部５１、中間層５２、全結合部５３および出力層５４を備える。入力層５０には、データ取得部３１で取得した時系列のデータが入力される。特徴抽出部５１は、畳み込み演算５１ａおよびプーリング演算５１ｂを用いて特徴量を抽出し、中間層５２の各ノードへ伝達する。 The calculation model 32a uses a learning model such as a neural network. FIG. 3 is a schematic diagram showing the configuration of the calculation model 32a. The calculation model 32a is a CNN (Convolutional Neural Network) type, and is a learning type model including a convolutional operation and a pooling operation used in the so-called LeNet which is the prototype thereof. The calculation model 32a includes an input layer 50, a feature extraction unit 51, an intermediate layer 52, a fully connected unit 53, and an output layer 54. The time series data acquired by the data acquisition unit 31 is input to the input layer 50. The feature extraction unit 51 extracts the feature amount by using the convolution calculation 51a and the pooling calculation 51b, and transmits the feature amount to each node of the intermediate layer 52.

全結合部５３は、中間層５２の各ノードを出力層５４の各ノードへ、重みづけを用いた線形演算等を実行する全結合のパスによって結び付ける。全結合部５３では、線形演算に加えて、活性化関数などを用いて非線形演算を実行するようにしてもよい。 The fully connected unit 53 connects each node of the intermediate layer 52 to each node of the output layer 54 by a fully connected path that executes a linear operation or the like using weighting. In the fully connected unit 53, in addition to the linear operation, a non-linear operation may be executed by using an activation function or the like.

出力層５４の各ノードには、３軸方向のタイヤ力Ｆおよび路面摩擦係数等のタイヤ物理情報が出力される。出力層５４は、３軸方向のタイヤ力Ｆを出力する場合、路面摩擦係数を出力する場合、タイヤ力および路面摩擦係数の両方を出力する場合がある。 Tire physical information such as the tire force F in the three axial directions and the road surface friction coefficient is output to each node of the output layer 54. The output layer 54 may output both the tire force and the road surface friction coefficient when the tire force F in the three axial directions is output, when the road surface friction coefficient is output, and when the road surface friction coefficient is output.

また出力層５４は、路面摩擦係数の推定において、路面摩擦係数の推定値を出力しても良いし、路面摩擦係数を乾燥、湿潤、積雪または氷結状態などのカテゴリーに分類していずれのカテゴリーに当てはまるかを出力するようにしてもよい。 Further, the output layer 54 may output an estimated value of the road surface friction coefficient in estimating the road surface friction coefficient, or classifies the road surface friction coefficient into categories such as dry, wet, snow-covered or frozen states, and falls into any category. You may want to output whether it applies.

演算モデル３２ａは、例えばタイヤ１０で計測されるタイヤ軸力を教師データとして学習させることでタイヤ力Ｆの推定精度の良いモデルが得られる。また、演算モデル３２ａは、基本的にタイヤ１０の仕様に応じて例えば全結合部５３における階層数等の構成や重みづけが変わるが、各仕様のタイヤ１０（ホイールを含む）での回転試験において演算モデル３２ａの学習を実行することができる。ただし、厳密にタイヤ１０の仕様ごとに演算モデル３２ａの学習を実行する必要性はない。例えば乗用車用タイヤ、トラック用タイヤなどのタイプ別に演算モデル３２ａを学習させて構築し、タイヤ力Ｆが一定の誤差範囲内で推定されるようにすることで、複数の仕様に含まれるタイヤ１０に対して１つの演算モデル３２ａを共用し、演算モデル数を低減してもよい。また演算モデル３２ａは、実際の車両にタイヤ１０を装着し、該車両を試験走行させて演算モデル３２ａの学習を実行することもできる。タイヤ１０の仕様には、例えばタイヤサイズ、タイヤ幅、扁平率、タイヤ強度、タイヤ外径、ロードインデックス、製造年月日など、タイヤの性能に関する情報が含まれる。 As the calculation model 32a, for example, a model with good estimation accuracy of the tire force F can be obtained by learning the tire axial force measured by the tire 10 as teacher data. Further, in the calculation model 32a, the configuration and weighting of, for example, the number of layers in the fully connected portion 53 are basically changed according to the specifications of the tire 10, but in the rotation test with the tire 10 (including the wheel) of each specification. The learning of the calculation model 32a can be executed. However, it is not necessary to strictly learn the calculation model 32a for each specification of the tire 10. For example, by learning and constructing a calculation model 32a for each type of a passenger car tire, a truck tire, etc. so that the tire force F is estimated within a certain error range, the tire 10 included in a plurality of specifications can be obtained. On the other hand, one calculation model 32a may be shared to reduce the number of calculation models. Further, the calculation model 32a can also carry out learning of the calculation model 32a by mounting the tire 10 on an actual vehicle and running the vehicle in a test run. The specifications of the tire 10 include information on tire performance such as tire size, tire width, flatness, tire strength, tire outer diameter, road index, and date of manufacture.

また演算モデル３２ａは、タイヤ１０を接地させる接地面の路面摩擦係数を変えて回転試験を行って学習させてもよい。さらには、実際の車両にタイヤ１０を装着し、該車両を路面摩擦係数の異なる路面を試験走行させて演算モデル３２ａの学習を実行することもできる。 Further, the calculation model 32a may be learned by performing a rotation test by changing the road surface friction coefficient of the ground contact surface on which the tire 10 is grounded. Further, it is also possible to mount the tire 10 on an actual vehicle and run the vehicle on a test run on a road surface having a different coefficient of friction on the road surface to execute learning of the calculation model 32a.

図４は、演算モデル３２ａにおける演算内容の一例を説明するための模式図である。図４では演算モデル３２ａへの入力データとして３軸方向の加速度データを用いている。加速度データはセンサ２０において時系列的に計測されており、一定の時間区間のデータを窓関数によって切り出して入力データとする。例えば入力データは、各軸ごとに一定の時間区間に含まれる２５０個の加速度データとする。タイヤ１０で計測される加速度はタイヤ１０の１回転ごとに周期性がある。窓関数によって切り出す入力データの時間区間は、タイヤ１０の回転周期に相当する時間とし、入力データ自体に周期性を持たせるとよい。
尚、窓関数は、タイヤ１０の１回転分よりも短い時間区間または長い時間区間における入力データを切り出すようにしてもよく、少なくとも切り出した入力データに周期的な情報が含まれていれば演算モデル３２ａの学習が可能である。 FIG. 4 is a schematic diagram for explaining an example of the calculation contents in the calculation model 32a. In FIG. 4, acceleration data in the three axial directions is used as input data to the calculation model 32a. Acceleration data is measured in time series by the sensor 20, and data in a certain time interval is cut out by a window function and used as input data. For example, the input data is 250 acceleration data included in a fixed time interval for each axis. The acceleration measured by the tire 10 has periodicity for each rotation of the tire 10. The time interval of the input data cut out by the window function should be a time corresponding to the rotation cycle of the tire 10, and the input data itself should have periodicity.
The window function may cut out input data in a time section shorter than one rotation of the tire 10 or a time section longer than one rotation, and if at least the cut out input data contains periodic information, it is an arithmetic model. Learning of 32a is possible.

演算モデル３２ａでは、入力されたデータについて例えば２０個のフィルタを用いて１回目の畳み込み演算を実行し、２４８×１（データサイズ）×３（チャネル数：加速度データ３軸分に相当）×２０（フィルタ数）の畳み込み演算後のデータを得る。演算モデル３２ａは、加速度データなどの時系列の入力データに対してフィルタを移動させながら、畳み込み演算を実行する。フィルタ長は３としているが、適宜１〜５程度の大きさとすればよい。尚、畳み込み演算は、時系列の入力データにおける連続するフィルタ長分のデータ（例えばＡ１，Ａ２，Ａ３）に、フィルタ内の各値（ｆ１，ｆ２，ｆ３）をそれぞれ乗算し、乗算して得られた値を加算し、Ａ１×ｆ１＋Ａ２×ｆ２＋Ａ３×ｆ３とする。尚、入力データの端に「０（ゼロ）」のデータを付加するゼロパティングを行って、畳み込み演算を実行するようにしてもよい。また、畳み込み演算におけるフィルタの移動量は、通常、１入力データとされるが、演算モデル３２ａを小さくするために、適宜変更することが可能である。 In the calculation model 32a, for example, the first convolution calculation is executed for the input data using 20 filters, and 248 × 1 (data size) × 3 (number of channels: equivalent to 3 axes of acceleration data) × 20. Obtain the data after the convolution operation of (number of filters). The calculation model 32a executes a convolution operation while moving a filter with respect to time-series input data such as acceleration data. Although the filter length is set to 3, it may be appropriately set to a size of about 1 to 5. The convolution operation is obtained by multiplying the continuous filter length data (for example, A1, A2, A3) in the time-series input data by each value (f1, f2, f3) in the filter, and multiplying the data. The values obtained are added to obtain A1 × f1 + A2 × f2 + A3 × f3. It should be noted that the convolution operation may be executed by performing zero putting to add "0 (zero)" data to the end of the input data. Further, the movement amount of the filter in the convolution calculation is usually one input data, but it can be changed as appropriate in order to reduce the calculation model 32a.

１回目の畳み込み演算後のデータに対して、１回目の最大値プーリング演算を実行して１２４×３×２０のデータを得る。最大値プーリング演算実行後、例えば５０個のフィルタを用いて２回目の畳み込み演算を実行して１２２×３×５０のデータを得る。さらに２回目の最大値プーリング演算を実行して６１×３×５０の特徴量データを得て、中間層５２の各ノードへ出力する。 For the data after the first convolution operation, the first maximum value pooling operation is executed to obtain data of 124 × 3 × 20. After executing the maximum value pooling operation, for example, a second convolution operation is executed using 50 filters to obtain 122 × 3 × 50 data. Further, the second maximum value pooling operation is executed to obtain feature amount data of 61 × 3 × 50, which is output to each node of the intermediate layer 52.

中間層５２のノード数は６１×３×５０あり、これを１層または複数層で構成される全結合部５３に入力して出力層５４へ演算を進める。出力層５４は、例えば３軸方向におけるタイヤ力Ｆとする。 The number of nodes in the intermediate layer 52 is 61 × 3 × 50, and this is input to the fully connected unit 53 composed of one layer or a plurality of layers to proceed with the calculation to the output layer 54. The output layer 54 is, for example, a tire force F in the triaxial direction.

補正処理部３２ｂは、タイヤ１０の状態に基づいて演算モデル３２ａを補正する。タイヤ１０は、車両への装着時にアライメント誤差が生じ、経時的にゴム硬度等の物性値が変化し、走行することによって摩耗が進行する。アライメント誤差、物性値や摩耗等の要素を含むタイヤ１０の状態が使用状況によって変化し、演算モデル３２ａによるタイヤ力Ｆの算出に誤差が生じる。補正処理部３２ｂは、演算モデル３２ａの誤差を低減するためにタイヤ１０の状態に応じた補正項を演算モデル３２ａに付加する処理を行う。 The correction processing unit 32b corrects the calculation model 32a based on the state of the tire 10. Alignment error occurs when the tire 10 is mounted on a vehicle, physical property values such as rubber hardness change with time, and wear progresses as the tire runs. The state of the tire 10 including factors such as alignment error, physical property value, and wear changes depending on the usage conditions, and an error occurs in the calculation of the tire force F by the calculation model 32a. The correction processing unit 32b performs a process of adding a correction term according to the state of the tire 10 to the calculation model 32a in order to reduce the error of the calculation model 32a.

サーバ装置４０は、タイヤ物理情報推定装置３０から、センサ２０で計測されたタイヤ１０の物理量、並びにタイヤ１０について推定したタイヤ力Ｆおよび路面摩擦係数等のタイヤ物理情報を取得する。サーバ装置４０は、複数の車両から、タイヤ１０で計測された物理量、およびタイヤ物理情報推定装置３０で推定されたタイヤ物理情報等を蓄積するようにしてもよい。 The server device 40 acquires tire physical information such as the physical quantity of the tire 10 measured by the sensor 20 and the tire force F and the road surface friction coefficient estimated for the tire 10 from the tire physical information estimation device 30. The server device 40 may accumulate physical quantities measured by the tire 10 and tire physical information estimated by the tire physical information estimation device 30 from a plurality of vehicles.

次にタイヤ物理情報推定システム１００の動作を説明する。図５は、タイヤ物理情報推定装置３０によるタイヤ物理情報推定処理の手順を示すフローチャートである。タイヤ物理情報推定装置３０は、センサ２０で計測されたタイヤ１０における加速度、歪、タイヤ空気圧およびタイヤ温度などの物理量を、データ取得部３１によって取得する（Ｓ１）。 Next, the operation of the tire physical information estimation system 100 will be described. FIG. 5 is a flowchart showing a procedure of tire physical information estimation processing by the tire physical information estimation device 30. The tire physical information estimation device 30 acquires physical quantities such as acceleration, strain, tire air pressure, and tire temperature in the tire 10 measured by the sensor 20 by the data acquisition unit 31 (S1).

物理情報推定部３２は、データ取得部３１において取得されたデータから一定の時間区間の入力データを抽出する（Ｓ２）。図６は、入力データとしての加速度データの一例を示すグラフである。図６に示す加速度データは、３軸方向のうちの１軸方向の時系列データであり、タイヤ１０の回転によってタイヤ１０で発生している加速度が変化している。 The physical information estimation unit 32 extracts input data for a certain time interval from the data acquired by the data acquisition unit 31 (S2). FIG. 6 is a graph showing an example of acceleration data as input data. The acceleration data shown in FIG. 6 is time-series data in one of the three axial directions, and the acceleration generated in the tire 10 changes due to the rotation of the tire 10.

タイヤ物理情報の推定においては、少なくとも１軸分（例えば周方向）の加速度データが入力データとして必要である。また、タイヤ物理情報の推定において、例えばタイヤ１０の周方向および軸方向の２軸分の加速度データを入力データとしても良いし、３軸分の加速度データを入力データとしても良い。更に、タイヤ１０における歪、タイヤ空気圧およびタイヤ温度のうち少なくとも１つ以上の時系列データを入力データに含むようにしても良い。 In estimating tire physical information, acceleration data for at least one axis (for example, in the circumferential direction) is required as input data. Further, in estimating the tire physical information, for example, acceleration data for two axes in the circumferential direction and the axial direction of the tire 10 may be used as input data, or acceleration data for three axes may be used as input data. Further, at least one or more time series data of strain, tire pressure and tire temperature in the tire 10 may be included in the input data.

演算モデル３２ａの特徴抽出部５１は、入力データに対する畳み込み演算５１ａおよびプーリング演算５１ｂによって、特徴量を抽出する処理を実行する（Ｓ３）。図７（ａ）〜図７（ｄ）は畳み込み演算後のデータの一例を示すグラフであり、図８（ａ）〜図８（ｄ）はプーリング演算後のデータの一例を示すグラフである。 The feature extraction unit 51 of the calculation model 32a executes a process of extracting the feature amount by the convolution calculation 51a and the pooling calculation 51b for the input data (S3). 7 (a) to 7 (d) are graphs showing an example of data after the convolution operation, and FIGS. 8 (a) to 8 (d) are graphs showing an example of the data after the pooling operation.

図７（ａ）〜図７（ｄ）では、異なる４つのフィルタを用いて畳み込み演算を実行した結果を示しているが、フィルタの数はこれに限られるものではない。また、図８（ａ）〜図８（ｄ）に示すデータは、それぞれ図７（ａ）〜図７（ｄ）に示す畳み込み演算後のデータに対するプーリング演算後のデータを示している。図８（ａ）〜図８（ｄ）に示すプーリング演算は、２個のデータのうち最大値を抽出する手法によるプーリング演算を示しているが、プーリング演算のデータ数、およびプーリング手法はこれに限られるものではない。このプーリング演算によって、特徴量を抽出しつつデータ量を低減し、演算モデル３２ａでの演算を実行することができる。 7 (a) to 7 (d) show the results of performing the convolution operation using four different filters, but the number of filters is not limited to this. Further, the data shown in FIGS. 8 (a) to 8 (d) show the data after the pooling operation with respect to the data after the convolution operation shown in FIGS. 7 (a) to 7 (d), respectively. The pooling operation shown in FIGS. 8 (a) to 8 (d) shows the pooling operation by the method of extracting the maximum value from the two data, but the number of data of the pooling operation and the pooling method are included in this. It is not limited. By this pooling calculation, it is possible to reduce the amount of data while extracting the feature amount and execute the calculation in the calculation model 32a.

演算モデル３２ａの全結合部５３は、特徴抽出部５１において抽出され中間層５２の各ノードへ入力された特徴量に対して全結合による演算を実行する（Ｓ４）。図９（ａ）〜図９（ｄ）は全結合演算の結果の一例を示すグラフである。図９（ａ）〜図９（ｄ）に示すデータは、それぞれ図８（ａ）〜図８（ｄ）に示すプーリング演算後のデータに対する全結合による演算後のデータを示している。 The fully connected unit 53 of the calculation model 32a executes a fully combined operation on the feature amount extracted by the feature extraction unit 51 and input to each node of the intermediate layer 52 (S4). 9 (a) to 9 (d) are graphs showing an example of the result of the fully connected operation. The data shown in FIGS. 9 (a) to 9 (d) show the data after the calculation by full combination with respect to the data after the pooling operation shown in FIGS. 8 (a) to 8 (d), respectively.

全結合による演算は、中間層５２から出力層５４へ向かって実行されており、データ数が圧縮される次元圧縮処理となっている。全結合演算において用いる重みづけ等のパラメータは演算モデル３２ａの学習において決定しているが、補正処理部３２ｂによってタイヤ１０の状況に応じて補正されているものとする。全結合演算によって、例えばタイヤ力Ｆおよび路面摩擦係数等のタイヤ物理情報が出力層５４の各ノードに出力される。 The calculation by full coupling is executed from the intermediate layer 52 to the output layer 54, and is a dimensional compression process in which the number of data is compressed. Parameters such as weighting used in the full coupling calculation are determined in the learning of the calculation model 32a, but it is assumed that the correction processing unit 32b corrects the parameters according to the situation of the tire 10. By the full coupling calculation, tire physical information such as the tire force F and the road surface friction coefficient is output to each node of the output layer 54.

演算モデル３２ａは、ＣＮＮ型を用いることで、加速度データを窓関数によって時系列的に切り出し、フィルタを移動しながら畳み込み演算を実行するため、演算開始を特定の時点に合わせる必要がない。このようにタイヤ物理情報推定システム１００は、ＣＮＮ型の演算モデル３２ａを用いることで、センサ２０で計測された時系列データによってリアルタイムでタイヤ物理情報を推定することができる。 Since the calculation model 32a uses the CNN type, the acceleration data is cut out in time series by the window function, and the convolution calculation is executed while moving the filter, so that it is not necessary to adjust the calculation start to a specific time point. As described above, the tire physical information estimation system 100 can estimate the tire physical information in real time by the time series data measured by the sensor 20 by using the CNN type calculation model 32a.

タイヤ物理情報推定システム１００は、周期運動であるタイヤ１０の回転によって生じる計測データに基づいてタイヤ物理情報をリアルタイム推定する演算モデル３２ａを構築している。タイヤ物理情報推定システム１００は、例えば路面が変化してタイヤ力Ｆ等が変化しても簡易に計算できるため、例えば１秒後の予測ができ、リアルタイム性を保つことができる。 The tire physical information estimation system 100 builds an arithmetic model 32a that estimates tire physical information in real time based on measurement data generated by the rotation of the tire 10 which is a periodic motion. Since the tire physical information estimation system 100 can easily calculate even if the road surface changes and the tire force F or the like changes, for example, it is possible to make a prediction after 1 second and maintain real-time performance.

またタイヤ物理情報推定システム１００は、特徴量を抽出することで、全結合による演算量を低減化し、推定時における計算処理量を低減化することができる。 Further, the tire physical information estimation system 100 can reduce the calculation amount due to the total coupling and reduce the calculation processing amount at the time of estimation by extracting the feature amount.

タイヤ物理情報推定システム１００は、センサ２０によって計測されて演算モデル３２ａに入力するデータが複数種類ある場合でも、タイヤ１０において生じた同じ現象の影響を受けた複数種類のデータに対して、タイヤ力Ｆおよび路面摩擦係数等のタイヤ物理情報がどのような出力値になったかを学習することができ、推定精度が向上する。 In the tire physical information estimation system 100, even if there are a plurality of types of data measured by the sensor 20 and input to the calculation model 32a, the tire force is applied to the plurality of types of data affected by the same phenomenon that occurred in the tire 10. It is possible to learn what kind of output value the tire physical information such as F and the road surface friction coefficient has become, and the estimation accuracy is improved.

タイヤ物理情報推定システム１００は、抽出したデータを用いて決定木やＲＮＮ（Recurrent Neural Network）、ＤＮＮ（Deep Neural Network）などの手法と組み合わせることによって更に精度よく、計算コストも安い演算モデル３２ａを構築することが可能である。 The tire physical information estimation system 100 constructs a calculation model 32a that is more accurate and has a lower calculation cost by combining the extracted data with a decision tree, RNN (Recurrent Neural Network), DNN (Deep Neural Network), and other methods. It is possible to do.

（変形例）
図１０は変形例に係るタイヤ物理情報推定システム１００の機能構成を示すブロック図である。図１０に示す変形例では演算モデル３２ａへ入力するデータを車両制御装置９０から取得する。尚、車両制御装置９０からのデータと、センサ２０からのデータ（図２参照）の両方を演算モデル３２ａへ入力するデータとして用いることもできる。 (Modification example)
FIG. 10 is a block diagram showing a functional configuration of the tire physical information estimation system 100 according to a modified example. In the modified example shown in FIG. 10, the data to be input to the calculation model 32a is acquired from the vehicle control device 90. Both the data from the vehicle control device 90 and the data from the sensor 20 (see FIG. 2) can be used as data to be input to the calculation model 32a.

車両制御装置９０は、車両のデジタルタコメータ等において、例えば車両の走行速度、３軸方向の加速度および３軸角速度等の走行データ、並びに車両の重量および車軸にかかる軸重などの荷重データを取得している。車両制御装置９０は、これらの走行データおよび荷重データをタイヤ物理情報推定装置３０へ出力する。 The vehicle control device 90 acquires running data such as the running speed of the vehicle, acceleration in the three-axis directions, and three-axis angular velocity, and load data such as the weight of the vehicle and the axial weight applied to the axle in a digital tachometer or the like of the vehicle. ing. The vehicle control device 90 outputs these traveling data and load data to the tire physical information estimation device 30.

タイヤ物理情報推定装置３０は、車両制御装置９０から入力されたデータに対して演算モデル３２ａでタイヤ力Ｆおよび路面摩擦係数等のタイヤ物理情報を推定する。尚、演算モデル３２ａは、予め車両制御装置９０から入力されたデータに対してタイヤ物理情報を推定する学習を、例えば実際の車両による試験走行によって実行し、構築される。 The tire physical information estimation device 30 estimates tire physical information such as the tire force F and the road surface friction coefficient with the calculation model 32a based on the data input from the vehicle control device 90. The calculation model 32a is constructed by executing learning to estimate tire physical information with respect to data input from the vehicle control device 90 in advance, for example, by a test run by an actual vehicle.

上述の実施形態および変形例では、演算モデル３２ａで推定するタイヤ物理情報としてタイヤ力Ｆおよび路面摩擦係数について説明したが、例えばタイヤ１０を取り付けるために用いるホイールナット等の締結部品の緩みを推定することもできる。タイヤ１０で計測される加速度データにホイールナット等の締結部品の緩みによる振動が表われるので、他のタイヤ力Ｆとの比較により、締結部品の緩みを推定する演算モデル３２ａをＣＮＮ型で構築して学習させる。タイヤ物理情報推定システム１００、実際の車両走行時に取得する加速度データ等の入力データに基づいて演算モデル３２ａによる演算を実行し、リアルタイムでタイヤ１０の締結部品の緩みを推定することができる。 In the above-described embodiment and modification, the tire force F and the road surface friction coefficient have been described as the tire physical information estimated by the calculation model 32a, but for example, the looseness of the fastening parts such as the wheel nut used for mounting the tire 10 is estimated. You can also do it. Since the acceleration data measured by the tire 10 shows vibration due to loosening of the fastening parts such as wheel nuts, a calculation model 32a for estimating the loosening of the fastening parts is constructed with the CNN type by comparing with other tire forces F. To learn. Based on the input data such as the tire physical information estimation system 100 and the acceleration data acquired when the vehicle actually runs, the calculation by the calculation model 32a can be executed, and the looseness of the fastening parts of the tire 10 can be estimated in real time.

またセンサ２０は、図１に基づき説明した各センサに限られず、例えばタイヤ１０またはタイヤ１０の周辺に設けたマイクなどを用いてもよい。演算モデル３２ａは、マイクなどにより集音した音声データを用いてタイヤ物理情報を推定してもよい。 Further, the sensor 20 is not limited to each sensor described with reference to FIG. 1, and for example, a tire 10 or a microphone provided around the tire 10 may be used. The calculation model 32a may estimate tire physical information using voice data collected by a microphone or the like.

上述の実施形態および変形例において、演算モデル３２ａはＣＮＮ型ＬｅＮｅｔモデルを用いたが、いわゆるＤｅｎｓｅＮｅｔモデル、ＲｅｓＮｅｔモデル、ＭｏｂｉｌｅＮｅｔモデルやＰｅｌｅｅｌＮｅｔモデルなどのモデル構造を用いてもよい。また演算モデル３２ａ中にＤｅｎｓｅＢｌｏｃｋ、ＲｅｓｉｄｕａｌＢｌｏｃｋ、ＳｔｅｍＢｌｏｃｋなどのモジュール構造を取り入れてモデルを構築してもよい。またタイヤ力のモデルは、成分Ｆｘ，Ｆｙ，Ｆｚについてそれぞれモデルが独立していてもよいし、畳み込み層とプーリング層までを統合して、全結合層の演算のみをＦｘ，Ｆｙ，Ｆｚと別々に出力できるようなモデル構造としても良い。 In the above-described embodiment and modification, the CNN type LeNet model is used as the calculation model 32a, but a model structure such as a so-called DenseNet model, ResNet model, MobileNet model, or PeleelNet model may be used. Further, the model may be constructed by incorporating a module structure such as Dense Block, Residual Block, and Stem Block into the calculation model 32a. Further, the tire force model may have independent models for the components Fx, Fy, and Fz, or the convolution layer and the pooling layer are integrated, and only the calculation of the fully connected layer is separated from Fx, Fy, and Fz. It may be a model structure that can be output to.

次に実施形態に係るタイヤ物理情報推定システム１００の特徴について説明する。
実施形態に係るタイヤ物理情報推定システム１００は、物理情報推定部３２、データ取得部３１を備える。物理情報推定部３２は、タイヤ１０の運動によって生じるタイヤ１０に関する物理情報を推定すべく入力層５０から出力層５４に至る学習型の演算モデル３２ａを有する。データ取得部３１は、入力層５０への入力データを取得する。演算モデル３２ａは、入力層５０から出力層５４へ向けての途中演算において畳み込み演算５１ａを実行して特徴量を抽出する特徴抽出部５１を有する。これにより、タイヤ物理情報推定システム１００は、タイヤ力Ｆおよび路面摩擦係数等のタイヤ物理情報をリアルタイムで推定することができる。 Next, the features of the tire physical information estimation system 100 according to the embodiment will be described.
The tire physical information estimation system 100 according to the embodiment includes a physical information estimation unit 32 and a data acquisition unit 31. The physical information estimation unit 32 has a learning-type arithmetic model 32a from the input layer 50 to the output layer 54 in order to estimate physical information about the tire 10 generated by the movement of the tire 10. The data acquisition unit 31 acquires input data to the input layer 50. The calculation model 32a has a feature extraction unit 51 that executes a convolution calculation 51a in an intermediate calculation from the input layer 50 to the output layer 54 to extract a feature amount. As a result, the tire physical information estimation system 100 can estimate tire physical information such as the tire force F and the road surface friction coefficient in real time.

また、特徴抽出部５１は、畳み込み演算に加えてプーリング演算５１ｂを実行する。これにより、タイヤ物理情報推定システム１００は、特徴量を抽出しつつデータ量を低減し、演算モデル３２ａでの演算を実行することができる。 Further, the feature extraction unit 51 executes the pooling calculation 51b in addition to the convolution calculation. As a result, the tire physical information estimation system 100 can reduce the amount of data while extracting the feature amount, and can execute the calculation by the calculation model 32a.

また入力データは、タイヤ１０において計測される加速度データを含む。これにより、タイヤ物理情報推定システム１００は、タイヤ１０に設けた加速度センサ２１によってタイヤ１０の運動時に発生する加速度を計測することで、タイヤ力および路面摩擦係数等のタイヤ物理情報をリアルタイムで推定することができる。 The input data also includes acceleration data measured on the tire 10. As a result, the tire physical information estimation system 100 estimates the tire physical information such as the tire force and the road surface friction coefficient in real time by measuring the acceleration generated during the movement of the tire 10 by the acceleration sensor 21 provided on the tire 10. be able to.

また入力データは、タイヤ１０を取り付けた車両における加速度データを含む。これにより、タイヤ物理情報推定システム１００は、車両側から加速度データを取得することで、タイヤ力および路面摩擦係数等のタイヤ物理情報をリアルタイムで推定することができる。 Further, the input data includes acceleration data in the vehicle to which the tire 10 is attached. As a result, the tire physical information estimation system 100 can estimate tire physical information such as tire force and road surface friction coefficient in real time by acquiring acceleration data from the vehicle side.

またタイヤ物理情報は、タイヤ１０に生じるタイヤ力である。これにより、タイヤ物理情報推定システム１００は、タイヤ力Ｆをリアルタイムで推定することができる。 Further, the tire physical information is the tire force generated in the tire 10. As a result, the tire physical information estimation system 100 can estimate the tire force F in real time.

またタイヤ物理情報は、タイヤ１０と路面との間における路面摩擦係数情報である。これにより、タイヤ物理情報推定システム１００は、路面摩擦係数をリアルタイムで推定することができる。 Further, the tire physical information is road surface friction coefficient information between the tire 10 and the road surface. As a result, the tire physical information estimation system 100 can estimate the road surface friction coefficient in real time.

以上、本発明の実施の形態をもとに説明した。これらの実施の形態は例示であり、いろいろな変形および変更が本発明の特許請求範囲内で可能なこと、またそうした変形例および変更も本発明の特許請求の範囲にあることは当業者に理解されるところである。従って、本明細書での記述および図面は限定的ではなく例証的に扱われるべきものである。 The above description has been made based on the embodiment of the present invention. It will be appreciated by those skilled in the art that these embodiments are exemplary and that various modifications and modifications are possible within the claims of the invention, and that such modifications and modifications are also within the claims of the present invention. It is about to be done. Therefore, the descriptions and drawings herein should be treated as exemplary rather than limiting.

１０タイヤ、３１データ取得部、３２物理情報推定部、
３２ａ演算モデル、５０入力層、５１特徴抽出部、
５１ａ畳み込み演算、５１ｂプーリング演算、５４出力層、
１００タイヤ物理情報推定システム。 10 tires, 31 data acquisition unit, 32 physical information estimation unit,
32a arithmetic model, 50 input layers, 51 feature extractor,
51a convolution operation, 51b pooling operation, 54 output layer,
100 Tire physical information estimation system.

Claims

タイヤの運動によって生じるタイヤに関する物理情報を推定すべく入力層から出力層に至る学習型の演算モデルを有する物理情報推定部と、
タイヤに関連して時系列的に計測される入力データを取得するデータ取得部と、を備え、
前記演算モデルは、前記入力層から前記出力層へ向けての途中演算において畳み込み演算を実行して特徴量を抽出する特徴抽出部を有し、
前記入力データは、時間的な区間において切り出した時系列的に並んだデータを含み、
前記畳み込み演算は、時系列的に並んだ前記入力データに対して、フィルタを移動させて演算することを特徴とするタイヤ物理情報推定システム。 A physical information estimation unit that has a learning-type arithmetic model from the input layer to the output layer to estimate the physical information about the tire caused by the movement of the tire.
It is equipped with a data acquisition unit that acquires input data measured in time series related to tires.
The calculation model has a feature extraction unit that executes a convolution operation and extracts a feature amount in an intermediate calculation from the input layer to the output layer.
The input data includes data arranged in time series cut out in a time interval.
The convolution calculation is a tire physical information estimation system characterized in that a filter is moved with respect to the input data arranged in a time series.

前記特徴抽出部は、畳み込み演算に加えてプーリング演算を実行することを特徴とする請求項１に記載のタイヤ物理情報推定システム。 The tire physical information estimation system according to claim 1, wherein the feature extraction unit executes a pooling calculation in addition to a convolution calculation.

前記データ取得部は、タイヤの少なくともトレッド、サイドおよびビードのいずれか１つにおいて計測される歪を取得することを特徴とする請求項１または２に記載のタイヤ物理情報推定システム。 The tire physical information estimation system according to claim 1 or 2, wherein the data acquisition unit acquires the strain measured in at least one of the tread, the side and the bead of the tire.

タイヤの運動によって生じるタイヤに関する物理情報を推定すべく入力層から出力層に至る学習型の演算モデルを有する物理情報推定部と、
前記入力層への入力データを取得するデータ取得部と、を備え、
前記演算モデルは、前記入力層から前記出力層へ向けての途中演算において畳み込み演算を実行して特徴量を抽出する特徴抽出部を有し、
前記入力データは、タイヤを取り付けた車両において時系列的に計測されて時間的な区間において切り出された時系列的に並んだデータを含み、
前記畳み込み演算は、時系列的に並んだ前記入力データに対して、フィルタを移動させて演算することを特徴とするタイヤ物理情報推定システム。 A physical information estimation unit that has a learning-type arithmetic model from the input layer to the output layer to estimate the physical information about the tire caused by the movement of the tire.
A data acquisition unit for acquiring input data to the input layer is provided.
The calculation model has a feature extraction unit that executes a convolution operation and extracts a feature amount in an intermediate calculation from the input layer to the output layer.
The input data includes time-series arranged data measured in a time-series manner in a vehicle equipped with tires and cut out in a time section.
The convolution calculation is a tire physical information estimation system characterized in that a filter is moved with respect to the input data arranged in a time series.

前記物理情報は、タイヤに生じるタイヤ力であることを特徴とする請求項１から４のいずれか１項に記載のタイヤ物理情報推定システム。 The tire physical information estimation system according to any one of claims 1 to 4, wherein the physical information is a tire force generated in a tire.

前記物理情報は、タイヤと路面との間における路面摩擦係数情報であることを特徴とする請求項１から４のいずれか１項に記載のタイヤ物理情報推定システム。 The tire physical information estimation system according to any one of claims 1 to 4, wherein the physical information is road surface friction coefficient information between the tire and the road surface.

タイヤの運動によって生じるタイヤに関する物理情報を推定すべく入力層から出力層に至る学習型の演算モデルに基づいてタイヤ物理情報を推定するタイヤ物理情報推定方法であって、
タイヤに関連して時系列に計測される入力データを取得し、
前記入力データを時間的な区間において切り出して時系列的なデータとして並べ、
前記入力層から前記出力層へ向けての途中演算において、時系列的に並んだ前記入力データに対して、フィルタを移動させて畳み込み演算を実行して特徴量を抽出することを特徴とするタイヤ物理情報推定方法。 It is a tire physical information estimation method that estimates tire physical information based on a learning-type arithmetic model from the input layer to the output layer in order to estimate the physical information about the tire generated by the movement of the tire.
Acquires input data measured in chronological order related to tires,
The input data is cut out in a time interval and arranged as time-series data.
A tire characterized in that, in an intermediate calculation from the input layer to the output layer, a filter is moved and a convolution calculation is executed for the input data arranged in time series to extract a feature amount. Physical information estimation method.