WO2019138774A1 - 路面状態判別方法及び路面状態判別装置 - Google Patents

路面状態判別方法及び路面状態判別装置 Download PDF

Info

Publication number
WO2019138774A1
WO2019138774A1 PCT/JP2018/045974 JP2018045974W WO2019138774A1 WO 2019138774 A1 WO2019138774 A1 WO 2019138774A1 JP 2018045974 W JP2018045974 W JP 2018045974W WO 2019138774 A1 WO2019138774 A1 WO 2019138774A1
Authority
WO
WIPO (PCT)
Prior art keywords
road surface
rear wheel
front wheel
vibration
tire
Prior art date
Application number
PCT/JP2018/045974
Other languages
English (en)
French (fr)
Inventor
剛 真砂
啓太 石井
Original Assignee
株式会社ブリヂストン
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社ブリヂストン filed Critical 株式会社ブリヂストン
Publication of WO2019138774A1 publication Critical patent/WO2019138774A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C19/00—Tyre parts or constructions not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions

Definitions

  • the present invention relates to a method and apparatus for determining the state of a road surface on which a vehicle travels.
  • the present invention has been made in view of the conventional problems, and an object of the present invention is to provide a method and apparatus capable of accurately and reliably performing road surface determination with a small amount of calculation.
  • the inventors of the present invention compare the DRY road surface with the WET road surface. Since the water film is divided by the front wheel tires, the collision with the water film is reduced, so that it is preferable to discriminate between the DRY road surface and the WET road surface by the front wheel, and in the ICE road surface, by the front tire In the present invention, it has been found that it is preferable to distinguish between the DRY road surface, the ICE road surface and the SNOW road surface by separating the water film on the surface and the snow on the SNOW road surface. It has arrived.
  • one aspect of the present invention is a method of determining the state of a road surface in contact with a tire from a time-varying waveform of vibration of a running tire detected by vibration detection means attached to the tire,
  • a front wheel acceleration waveform which is a time change waveform of the vibration of the front wheel by a vibration detection means mounted on the front wheel and a vibration detection means mounted on the rear wheel of the tire
  • a rear wheel which is a time change waveform of vibration of the rear wheel
  • Determining the state of the road surface by respectively determining the state of the road surface where the front wheel and the rear wheel are in contact from the characteristic amount of the rear wheel and the road surface characteristic amount obtained in advance for each road surface state;
  • the front wheel characteristic amount is used to discriminate between the DRY road surface and the WET road surface, and the rear
  • one aspect of the present invention is a road surface state determining device that detects a vibration of a running tire to determine a state of a road surface in contact with the tire, and is mounted on the front wheel of the tire and vibrates the front wheel Front wheel vibration detecting means for detecting a front wheel acceleration waveform which is a time-varying waveform, and rear wheel vibration detecting means for detecting a rear wheel acceleration waveform attached to a rear wheel of the tire and being a time-varying waveform of the rear wheel And a characteristic quantity calculation means for calculating the characteristic quantity of the front wheel and the characteristic quantity of the rear wheel from the front wheel acceleration waveform and the rear wheel acceleration waveform, and the time of tire vibration previously obtained for each road surface condition Road surface condition determination for determining the condition of the road surface where the front wheel and the rear wheel are in contact from storage means for storing the road surface feature value calculated using the change waveform, and the calculated feature value and the road surface feature value Means, and
  • the surface condition discrimination means discriminates between the DRY road surface and the WET road
  • FIG. 1 is a functional block diagram showing the configuration of the road surface state determination device 10.
  • the road surface state determination device 10 calculates acceleration sensors 11 and 21 as tire vibration detection means, front wheel acceleration waveform extraction means 12, rear wheel acceleration waveform extraction means 22, front wheel feature amount calculation means 13, and rear wheel feature amount calculation. Means 23, front wheel identification function calculation means 14, rear wheel identification function calculation means 24, storage means 15, and road surface state determination means 16 are provided.
  • the acceleration sensor 11 is an acceleration sensor mounted on the front wheel (hereinafter referred to as front wheel acceleration sensor), and the acceleration sensor 21 is an acceleration sensor mounted on the rear wheel (hereinafter referred to as rear wheel acceleration sensor).
  • the respective units of the waveform extraction unit 12 to the road surface condition determination unit 16, the rear wheel acceleration waveform extraction unit 22, and the rear wheel identification function calculation unit 24 are constituted by, for example, computer software and a memory such as a RAM.
  • the front wheel acceleration sensor 11 is integrally disposed substantially at the center of the inner liner portion 31 of the front wheel tire (hereinafter referred to as the front wheel 30F) on the tire air chamber 32 side, and receives input from the road surface. The vibration of the front wheel 30F due to is detected.
  • the rear wheel acceleration sensor 21 is integrally disposed substantially at the center of the inner liner portion 31 of the rear wheel tire (hereinafter referred to as rear wheel 30R) on the tire air chamber 32 side.
  • the vibration of the rear wheel 30R is detected.
  • the tire vibration signal of the front wheel 30F, which is the output of the front wheel acceleration sensor 11, and the tire vibration signal of the rear wheel 30R, which is the output of the rear wheel acceleration sensor 21, are amplified by an amplifier (not shown)
  • the digital signal is converted to a digital signal and sent to the front wheel acceleration waveform extraction means 12 and the rear wheel acceleration waveform extraction means 22.
  • the front wheel 30F and the rear wheel 30R are not distinguished from one another, they are simply referred to as a tire 30.
  • the front wheel acceleration waveform extraction means 12 extracts an acceleration waveform (hereinafter referred to as a front wheel acceleration waveform), which is a time-series waveform of tire vibration, from the signal of tire vibration detected by the front wheel acceleration sensor 11 every one rotation of the tire 30
  • the rear wheel acceleration waveform extraction means 22 extracts an acceleration waveform (hereinafter referred to as a rear wheel acceleration waveform) which is a time-series waveform of tire vibration from a signal of tire vibration detected by the rear wheel side acceleration sensor 21.
  • FIG. 3 shows an example of a time-series waveform of tire vibration.
  • the time-series waveform of tire vibration has large peaks in the vicinity of the step-in position and in the vicinity of the kick-out position, and the land portion of the tire is grounded.
  • the vibration level is also small, and the road surface information Not included.
  • a background level may be set for the acceleration waveform, and an area having a vibration level smaller than the background level may be defined as the out-of-road area. In this example, of the acceleration waveform.
  • the acceleration waveform of the area within the road surface which is the area from the pre-depression area R f to the post-kick area R k including the information of the road surface is taken as measurement data x 1 (t), and this measurement data x 1 (t) is empirically
  • IMFs intrinsic vibration modes
  • EMD modal decomposition
  • Hilbert transform is performed on each IMF to calculate feature quantities.
  • the front wheel feature quantity calculation unit 13 includes a natural vibration mode extraction unit 13a, a feature data calculation unit 13b, and a feature quantity calculation unit 13c, and the front wheel feature quantity is extracted from the front wheel acceleration waveform extracted by the front wheel acceleration waveform extraction unit 12. calculate.
  • the natural vibration mode extraction unit 13a acquires a plurality of IMFs (C 1 , C 2 ,..., C n ) from the measurement data x 1 (t) using an EMD algorithm, and also acquires a plurality of acquired IMFs. Extract any IMFC k from Here I will explain how to obtain the IMF. First, as shown in FIG.
  • the same processing as that performed on the measurement data x 1 in the differential waveform y 1 (t) (t) obtains a difference waveform y 2 (t). Furthermore, this process is repeated to obtain difference waveforms y 3 (t), y 4 (t),..., Y m (t).
  • the difference waveform y k (t) has higher symmetry as k becomes larger, and becomes closer to IMF. As a condition that the difference waveform becomes IMF, the number of zero cross points and the number of peaks of y k (t) do not continuously change 4 to 8 times in the process of obtaining IMF, and the number of zero cross points and the number of peaks A condition that matches is proposed.
  • the differential waveform y k-1 (t) at the time when the standard deviation of the local average m k (t) becomes equal to or less than the threshold may be used as IMF.
  • the IMF extracted from this measurement data x 1 (t) is referred to as the first IMFC 1 .
  • the second IMFC 2 is extracted by performing the same process as the process on the measurement data x 1 (t) described above with respect to (t). This process is repeated, and when the n-th IMFC n becomes a waveform having one extremum, the process for obtaining IMF is ended.
  • the number of IMFs extracted varies with the original waveform (measurement data), but usually 10 to 15 IMFs are extracted.
  • IMFC k is extracted in order from high frequency components. Also, the sum of all IMFC k is equal to the measurement data x 1 (t).
  • IMFs with low numbers such as the first IMFC 1 and the second IMFC 2 can be used. It may be used. In order to reduce the amount of calculation, it is sufficient to extract only the IMF to be used and stop the calculation there. For example, when only the third IMFC 3 is used, the calculation for extracting the fourth IMFC 4 and later may be omitted.
  • the k-th IMFC k which is the IMF to be used is assumed to be X k (t).
  • the feature data calculation unit 13 b performs Hilbert transform on the obtained IMFX k (t), and calculates an instantaneous frequency f k (t) at the zero cross point of the waveform and a maximum value of the instantaneous amplitude a k (t).
  • the instantaneous frequency f k (t) is a time derivative of the phase function ⁇ k (t).
  • Hilbert transform Y k of X k (t) (t) is obtained by the following equation (1).
  • Equation 1 The analysis waveform Z k (t) for calculating feature data can be expressed by the following equations (2) to (4) by this Hilbert transformation.
  • Equation 2 As shown in FIG.
  • each IMFX k (t) has zero-crossing points at a plurality of times t j , and the maximum value of the instantaneous amplitude is obtained between the times t j and t j + 1.
  • frequency f kj is instantaneous frequency f k (t j ) and amplitude a kj is instantaneous amplitude a k (t j ') waveform c k, some of j of considered to be ( ⁇ k, j / 2) , to the this frequency f kj and amplitude a kj wherein data of each IMFX k (t).
  • t j ′ (t j + t j + 1 ) / 2.
  • the feature quantity calculation unit 13c calculates the average ⁇ k , the standard deviation ⁇ k , and the distortion as statistics. Calculate the degree b 1 k . Since these statistics are statistics independent of time, these statistics are adopted as feature quantities. Note that the feature value is obtained for each C k .
  • the distribution of feature quantities on the SNOW road surface and the distribution of feature quantities on the ICE road surface can also be obtained from acceleration waveforms when traveling on the SNOW road surface and the ICE road surface.
  • the configuration and operation of the rear wheel feature quantity calculation means 23 are the same as the front wheel feature quantity calculation means 13, and the IMFC k is extracted from the rear wheel acceleration waveform extracted by the rear wheel acceleration waveform extraction means 22. Are extracted, and the average ⁇ k , the standard deviation ⁇ k , and the skewness b 1 k , which are rear wheel feature values, are determined for each C k .
  • the feature to be used is referred to as the first IMFC 1 feature.
  • the storage unit 15 stores four discrimination models of D / W discrimination model, D / S discrimination model, D / I discrimination model, and S / I discrimination model, which are obtained in advance.
  • the D / W discrimination model is a reference feature Y DSV (y jk ) and Y WSV (y jk ), which are feature quantities for separating the DRY road surface and the WET road surface by the discrimination function f DW (x) representing the separation hyperplane.
  • Lagrange multipliers ⁇ D and ⁇ W for weighting the reference feature quantities Y DSV (y jk ) and Y WSV (y jk ), respectively.
  • the D / S discrimination model stores reference feature quantities Y DSV (y jk ), Y SSV (y jk ), and Lagrange multipliers ⁇ D and ⁇ S.
  • the D / I discrimination model stores reference feature quantities Y DSV ( y jk ), Y ISV (y jk ), and Lagrange multipliers ⁇ D , ⁇ I are stored.
  • the S / I discrimination model stores reference feature quantities Y SSV (y jk ) and Y ISV (y jk ), and Lagrange multipliers ⁇ S and ⁇ I.
  • Each identification model is calculated from the time-series waveform of tire vibration obtained by running a test vehicle equipped with a tire with an acceleration sensor mounted on the tire at various speeds on the DRY, WET, SNOW, and ICE road surfaces.
  • Y A ( ⁇ A , ⁇ A , b 1A )
  • Y A is constructed as a learning data by a support vector machine (SVM).
  • SVM support vector machine
  • the subscript A indicates DRY, WET, SNOW, and ICE.
  • the feature quantity in the vicinity of the identification boundary selected by the SVM is called a road surface feature quantity YASV .
  • the D / W discrimination model is constructed using the front wheel acceleration waveform that is the output of the front wheel side acceleration sensor 11, and the D / S discrimination model, the D / I discrimination model, and the S / I discrimination model are rear wheels. It is constructed using a rear wheel acceleration waveform which is an output of the side acceleration sensor 21.
  • Figure 7 is a conceptual diagram showing a DRY road feature quantity Y D and WET road feature amount Y W in the input space, black circles in the figure is DRY road, open circles are WET road.
  • a DRY road feature amount Y D also WET road feature quantity Y W also matrices, for explaining how to determine the decision boundary of the group
  • DRY road feature quantity Y D and WET a road feature quantity Y W shown by a two-dimensional vector, respectively.
  • Group identification boundaries are generally incapable of linear separation.
  • a road feature amount Y D and Y W by mapping the high-dimensional feature space by nonlinear mapping ⁇ by performing linear separation, the road feature quantity Y D and Y W in the original input space For non-linear classification.
  • a margin should be given to the discrimination function f DW (x), which is a separation hyperplane separating the DRY road surface characteristic amount Y D and the WET road surface characteristic amount Y W.
  • the DRY road surface feature amount Y D is all in the region of f DW (x) ⁇ + 1
  • the WET road surface feature amount Y W is in the region of f DW (x) ⁇ ⁇ 1.
  • the optimal discrimination function f DW (x) for identifying data w T ⁇ (x) -b is obtained.
  • w is a vector representing a weighting factor
  • b is a constant.
  • the data are DRY road surface feature amount Y Dj and WER road surface feature amount Y Wj
  • the belonging class is data of DRY road surface indicated by ⁇ 1 in the figure
  • WET indicated by z ⁇ 1 in ⁇ 2 It is data of the road surface.
  • the optimization problem is replaced by the following equations (6) and (7). [Equation 3]
  • ⁇ and ⁇ are indices of a plurality of learning data.
  • ⁇ is a Lagrange multiplier, and ⁇ > 0.
  • the Lagrange multiplier ⁇ can be obtained by using an optimization algorithm such as the steepest descent method or SMO (Sequential Minimal Optimization) for the equation (7).
  • SMO Simple Optimal Optimization
  • the reference feature value Y ASV (y jk ) and the Lagrange multiplier ⁇ A can be similarly calculated.
  • a Gaussian kernel (RBF kernel) represented by the following equation is used as the kernel function K (x ⁇ , x ⁇ ). [Equation 4]
  • the kernel function calculation unit 14a uses the feature quantity X calculated by the front wheel feature quantity calculation unit 13 and the support vectors Y DSV and Y WSV of the D / W model stored in the storage unit 15 to obtain the above equation (8).
  • Gaussian kernels K D (X, Y DSV ) and K W (X, Y WSV ) are calculated using The discriminant function operation unit 14 b uses the kernel functions K D (X, Y DSV ) and K W (X, Y WSV ) to discriminate the values of the discriminant function f DW (x) for discriminating between the DRY road surface and the WET road surface.
  • Ask for The value of the discriminant function f D W (x) is calculated using the following equation (9). [Equation 5]
  • N DSV is the number of support vectors of the DRY model
  • N WSV is the number of support vectors of the WET model.
  • the rear wheel discrimination function computing means 24 includes a kernel function calculator 24a and a discrimination function calculator 24b, and is a discriminant function f DS (x) for separating the DRY road surface feature Y D and the SNOW road surface feature Y S.
  • the kernel function calculation unit 24 a receives the feature amount X calculated by the rear wheel feature amount calculation unit 23 and each support vector Y of the D / S model, D / I model, and S / I model recorded in the storage unit 15.
  • the discriminant function operation unit 24 b uses the kernel functions K D (X, Y DSV ), K S (X, Y SSV ), and K I (X, Y WSV ) to discriminate discriminant functions f DS (x), f DI ( Find the values of x), f SI (x).
  • the values of the discrimination functions f DS (x), f DI (x), and f SI (x) are calculated using the following equations (10) to (12).
  • the road surface condition judging means 16 calculates the value of the discriminating function f DW (x) calculated by the front wheel discriminating function calculating means 14 and the discriminating function f DS (x), f DI (calculated by the rear wheel discriminating function calculating means 24). From the values of x) and f SI (x), it is determined whether the road surface condition is DRY / WET / SNOW / ICE.
  • step S10 tire vibrations generated by the input from the road surface R are respectively detected by the acceleration sensors 11 and 21 (step S10), and from the signals of the detected tire vibrations, the front wheel acceleration waveform which is a time series waveform of front wheel 30F tire vibrations
  • a rear wheel acceleration waveform which is a time-series waveform of rear wheel 30R tire vibration is extracted (step S11).
  • step S12 after obtaining a plurality of IMFC 1 to C n from the extracted time-series waveform data of the tire vibration using the EMD algorithm (step S12), the first low-numbered one of the IMFs is obtained.
  • the third to third IMFC 1 to C 3 are extracted, the IMFC k to be used for determining the road surface condition is selected, and this is set as X k (t) (step S13).
  • Hilbert transform is performed on X k (t) to calculate the instantaneous frequency f k (t) at the zero crossing point, which is feature data, and the maximum value of the instantaneous amplitude a k (t) (step S14)
  • a statistic is calculated from the distribution of the instantaneous amplitude a k (t) with respect to the instantaneous frequency f k (t), and this calculated statistic is set as the feature amount X k (step S15).
  • statistics are average ⁇ k , standard deviation ⁇ k , and skewness b 1 k .
  • Each step from step S12 to step S15 is performed for each of the front wheel acceleration waveform and the rear wheel acceleration waveform, the front wheel characteristic amount is calculated from the front wheel acceleration waveform, and the rear wheel characteristic amount is calculated from the rear wheel acceleration waveform Do.
  • the front wheel feature amount and the rear wheel feature amount are referred to as a feature amount X k without distinction.
  • the Gaussian kernel K D (X, Y DSV )
  • K W (X, Y WSV )
  • K S (X, Y SSV )
  • K I (X, Y ISV )
  • four identifications using the kernel function K A (X, Y)
  • the functions f DW (x), f DS (x), f DI (x) and f SI (x) are calculated (step S17).
  • the road surface condition is determined using the calculated values of the four discrimination functions f DW (x), f DS (x), f DI (x) and f SI (x) (step S18).
  • the road surface state first, it is determined whether the road surface is a DRY road surface or a WET road surface from the value of the discrimination function f DW (x) calculated using the front wheel feature value and the D / W identification model. Specifically, if f DW (x) ⁇ 0, it is determined that the road surface is the WET road surface without determining the WET road surface and the SNOW road surface and the WET road surface and the ICE road surface.
  • the discriminant function f DS (x (x) calculated using the rear wheel feature amount, the D / S discrimination model, the D / I discrimination model, and the S / I discrimination model Whether the road surface is a DRY road surface, an SNOW road surface or an ICE road surface is determined from the values of f) DI (x) and f SI (x). Specifically, if f DS (x)> 0 and f DI (x)> 0, it is determined that the road surface is DRY, and if f DS (x) ⁇ 0 and f SI (x)> 0 For example, it is determined that the road surface is SNOW. If f DS (x) ⁇ 0 and f SI (x) ⁇ 0, it is determined that the road surface is ICE.
  • the tire vibration detection means is the acceleration sensors 11 and 21 in the above embodiment, other vibration detection means such as a pressure sensor may be used.
  • the installation locations of the acceleration sensors 11 and 21 may also be installed one by one at a position separated by a predetermined distance in the width direction from the center in the tire width direction, or installed at other locations such as installation in a block. Good.
  • the number of acceleration sensors 11 and 21 is not limited to one, and may be provided at a plurality of locations in the tire circumferential direction.
  • the first IMFC 1 is used as the IMF for calculating the feature amount in the above embodiment, another IMF may be used.
  • the feature amount may be further added other statistics such as kurtosis b 2.
  • a plurality of statistics may be combined among the average ⁇ , the standard deviation ⁇ , the skewness b 1 , the kurtosis b 2 and the like.
  • feature quantities used to identify road surface conditions other feature quantities such as vibration levels in a specific frequency band extracted from a vibration waveform or calculated values calculated from vibration levels in a plurality of specific frequency bands are used. May be If the outside air temperature is low (for example, 5 ° C. or less) using temperature information acquired by a temperature sensor or the like, the road surface is a DRY road surface, an SNOW road surface, or ICE, using only the rear wheel acceleration waveform. If it is determined whether the road surface is a road surface and the road surface is a DRY road surface or a WET road surface using only the front wheel acceleration waveform when the outside air temperature is not low, the calculation amount can be further reduced.
  • one aspect of the present invention is a method of determining the state of a road surface in contact with a tire from a time-varying waveform of vibration of a running tire detected by vibration detection means attached to the tire,
  • a front wheel acceleration waveform which is a time change waveform of the vibration of the front wheel by a vibration detection means mounted on the front wheel and a vibration detection means mounted on the rear wheel of the tire
  • a rear wheel which is a time change waveform of vibration of the rear wheel
  • Determining the state of the road surface by respectively determining the state of the road surface where the front wheel and the rear wheel are in contact from the characteristic amount of the rear wheel and the road surface characteristic amount obtained in advance for each road surface state;
  • the front wheel characteristic amount is used to discriminate between the DRY road surface and the WE
  • the ICE / SNOW road surface refers to either the ICE road surface, the SNOW road surface, or the snow and ice road surface.
  • the road surface determination can be performed accurately and reliably with a small amount of calculation even if the "one-to-one" determination method having a high determination accuracy as compared to the "one-to-other" determination method is used.
  • the feature quantity is extracted by performing Hilbert transform on a natural vibration mode acquired using an algorithm of empirical mode decomposition, and one or both of an instantaneous frequency and an instantaneous amplitude. It is a statistic of data distribution, and in the step of determining the state of the road surface, a kernel function is calculated from the feature amount and the feature amount obtained for each road surface state in advance, and the calculated kernel function The road surface condition is determined from the value of the discrimination function using.
  • the feature quantity for each road surface state is machine learning (support vector machine) using the feature quantity for each time window calculated from the time-series waveform of tire vibration previously obtained for each road surface state as learning data. Determined by
  • one aspect of the present invention is a road surface state determining device that detects a vibration of a running tire to determine a state of a road surface in contact with the tire, and is mounted on the front wheel of the tire and vibrates the front wheel Front wheel vibration detecting means for detecting a front wheel acceleration waveform which is a time-varying waveform, and rear wheel vibration detecting means for detecting a rear wheel acceleration waveform attached to a rear wheel of the tire and being a time-varying waveform of the rear wheel And a characteristic quantity calculation means for calculating the characteristic quantity of the front wheel and the characteristic quantity of the rear wheel from the front wheel acceleration waveform and the rear wheel acceleration waveform, and the time of tire vibration previously obtained for each road surface condition Road surface condition determination for determining the condition of the road surface where the front wheel and the rear wheel are in contact from storage means for storing the road surface feature value calculated using the change waveform, and the calculated feature value and the road surface feature value Means and said path
  • the state determination means determines between the DRY road surface and the WET road surface
  • the road surface state determining device having the above configuration, it is possible to enhance the determination accuracy when the road surface determination is performed by attaching vibration detection means to the front wheels and the rear wheels.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Tires In General (AREA)

Abstract

路面状態判別装置１０を、タイヤの前輪に装着されて前輪加速度波形を検出する前輪側加速度センサー１１と、後輪に装着されて後輪加速度波形を検出する後輪側加速度センサー２１と、前輪加速度波形と後輪加速度波形とから、それぞれ、前輪の特徴量と後輪の特徴量とを算出する特徴量算出手段１３，２３と、予め路面状態毎に求めておいた路面特徴量を記憶する記憶手段１５と、前記算出された特徴量と前記路面特徴量とから、前輪と後輪の接している路面の状態を判別する手段１４，２４，１６とから構成するとともに、手段１４，１６では、ＤＲＹ路面とＷＥＴ路面との判別を行い、手段２４，１６では、ＤＲＹ路面とＩＣＥ路面との判別とＤＲＹ路面とＳＮＯＷ路面との判別、もしくは、ＤＲＹ路面とＩＣＥ・ＳＮＯＷ路面との判別を行うようにした。

Description

路面状態判別方法及び路面状態判別装置
　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。
　従来、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として、タイヤの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される時間窓毎の特徴ベクトルである特定周波数帯域の振動レベルと、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毎の路面特徴量とから算出したＧＡカーネルなどの関数を用いて、路面状態がＤＲＹ/ＷＥＴ/ＳＮＯＷ/ＩＣＥのいずれかであるか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）。
特開２０１４－３５２７９号公報
　ところで、従来の路面状態判別方法では、路面の判別に、ＤＲＹ路面とＤＲＹ路面以外の路面との判別等の「１対他」の判別を行っているため、他種の路面を１度に判別しようとすると、単純にその路面数分だけ演算が多くなることになる。このことが、計算の小型化を図る際には障害となる。
　一方、他種の路面判別には、ＤＲＹ路面とＷＥＴ路面との判別等の「１対１」の判別方法がある。この「１対１」の判別方法は、上記の「１対他」の判別方法に比較して判別精度が高いものの、演算量が「１対他」の判別方法よりも多くなってしまう、といった問題点があった。
　本発明は、従来の問題点に鑑みてなされたもので、少ない演算量で、路面判別を精度よくかつ確実に行うことのできる方法とその装置を提供することを目的とする。
　本発明者らは、鋭意検討の結果、図９に示すように、ＤＲＹ路面とＷＥＴ路面とを比較すると、ＷＥＴ路面では、前輪のタイヤと水膜の衝突が大きいが、後輪のタイヤは、前輪のタイヤにより水膜がかき分けられるため、水膜との衝突が小さくなるため、ＤＲＹ路面とＷＥＴ路面との判別については、前輪で行うことが好ましいこと、及び、ＩＣＥ路面では前輪のタイヤにより氷の上の水膜がかき分けられ、ＳＮＯＷ路面では前輪のタイヤにより雪が踏み固められるため、ＤＲＹ路面とＩＣＥ路面やＳＮＯＷ路面との判別については、後輪で行うことが好ましいことを見出し、本発明に到ったものである。
　すなわち、本発明の一態様は、タイヤに装着された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、前記タイヤの前輪に装着された振動検出手段と前記タイヤの後輪に装着された振動検出手段とにより前記前輪の振動の時間変化波形である前輪加速度波形と前記後輪の振動の時間変化波形である後輪加速度波形とを検出するステップと、前記前輪加速度波形と前記後輪加速度波形とから、それぞれ、前輪の特徴量と後輪の特徴量とを算出するステップと、前記算出された前輪の特徴量と後輪の特徴量と、予め路面状態毎に求めておいた路面特徴量とから、前記前輪と後輪の接している路面の状態をそれぞれ判別するステップとを備え、前記路面の状態を判別するステップでは、前記前輪特徴量を用いてＤＲＹ路面とＷＥＴ路面との判別を行い、前記後輪特徴量を用いて、ＤＲＹ路面とＩＣＥ路面との判別とＤＲＹ路面とＳＮＯＷ路面との判別、もしくは、ＤＲＹ路面とＩＣＥ・ＳＮＯＷ路面との判別を行うことを特徴とする。
　なお、ＩＣＥ・ＳＮＯＷ路面とは、ＩＣＥ路面、もしくは、ＳＮＯＷ路面、もしくは、氷雪路面のいずれかを指すものとする。
　また、本発明の一態様は、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、前記タイヤの前輪に装着されて前記前輪の振動の時間変化波形である前輪加速度波形を検出する前輪振動検出手段と、前記タイヤの後輪に装着されて前記後輪の振動の時間変化波形である後輪加速度波形を検出する後輪振動検出手段と、前記前輪加速度波形と前記後輪加速度波形とから、それぞれ、前輪の特徴量と後輪の特徴量とを算出する特徴量算出手段と、予め路面状態毎に求めてられたタイヤ振動の時間変化波形を用いて算出された路面特徴量を記憶する記憶手段と、前記算出された特徴量と前記路面特徴量とから、前記前輪と後輪の接している路面の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、前記前輪特徴量を用いてＤＲＹ路面とＷＥＴ路面との判別を行い、前記後輪特徴量を用いて、ＤＲＹ路面とＩＣＥ路面との判別とＤＲＹ路面とＳＮＯＷ路面との判別、もしくは、ＤＲＹ路面とＩＣＥ・ＳＮＯＷ路面との判別を行うことを特徴とする。
　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。 固有振動モードの取得方法を示す図である。 特徴データの取得方法を示す図である。 特徴量の分布状態を示す模式図である。 入力空間と特徴空間における分離超平面を示す模式図である。 本実施の形態に係る路面状態の判別方法を示すフローチャートである。 前輪と後輪における、ＤＲＹ路面の加速度波形とＷＥＴ路面の加速度波形とを比較した図である。
　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１１，２１と、前輪加速度波形抽出手段１２と、後輪加速度波形抽出手段２２と、前輪特徴量算出手段１３と、後輪特徴量算出手段２３と、前輪識別関数演算手段１４と、後輪識別関数演算手段２４と、記憶手段１５と、路面状態判別手段１６とを備える。
　加速度センサー１１は、前輪に装着された加速度センサー（以下、前輪側加速度センサーという）で、加速度センサー２１は、後輪に装着された加速度センサー（以下、後輪側加速度センサーという）で、前輪加速度波形抽出手段１２～路面状態判別手段１６、及び、後輪加速度波形抽出手段２２、後輪識別関数演算手段２４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。
　前輪側加速度センサー１１は、図２に示すように、前輪のタイヤ（以下、前輪３０Ｆという）のインナーライナー部３１のタイヤ気室３２側のほぼ中央部に一体に配置されて、路面からの入力による前輪３０Ｆの振動を検出する。
　一方、後輪側加速度センサー２１は、後輪のタイヤ（以下、後輪３０Ｒという）のインナーライナー部３１のタイヤ気室３２側のほぼ中央部に一体に配置されて、路面Ｒからの入力による後輪３０Ｒの振動を検出する。
　前輪側加速度センサー１１の出力である前輪３０Ｆのタイヤ振動の信号と、後輪側加速度センサー２１の出力である後輪３０Ｒのタイヤ振動の信号とは、それぞれ、図示しない増幅器で増幅された後、デジタル信号に変換されて、前輪加速度波形抽出手段１２と後輪加速度波形抽出手段２２に送られる。
　なお、前輪３０Ｆと後輪３０Ｒを区別しない場合には、単に、タイヤ３０という。
　前輪加速度波形抽出手段１２は、前輪側加速度センサー１１で検出したタイヤ振動の信号から、タイヤ３０の一回転毎に、タイヤ振動の時系列波形である加速度波形（以下、前輪加速度波形という）を抽出し、後輪加速度波形抽出手段２２は、後輪側加速度センサー２１で検出したタイヤ振動の信号からタイヤ振動の時系列波形である加速度波形（以下、後輪加速度波形という）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、タイヤの陸部が接地する前の踏み込み前領域Ｒfにおいても、タイヤの陸部が路面から離れた後の蹴り出し後領域Ｒk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Ｒfの前の領域と蹴り出し後領域Ｒk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。
　なお、路面外領域の定義としては、例えば、加速度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。
　本例では、加速度波形のうちの。路面の情報を含む、踏み込み前領域Ｒfから蹴り出し後領域Ｒkまで領域である路面内領域の加速度波形を計測データｘ1(t)とし、この計測データｘ1(t)を、経験的モード分解（Empirical Mode Decomposition；EMD）のアルゴリズムを用いて複数の固有振動モード（Intrinsic Mode Function；IMF）に分解した後、各IMFに対してヒルベルト変換を行って特徴量を算出する。
　前輪特徴量算出手段１３は、固有振動モード抽出部１３ａと、特徴データ算出部１３ｂと、特徴量算出部１３ｃとを備え、前輪加速度波形抽出手段１２により抽出した前輪加速度波形から、前輪特徴量を算出する。
　固有振動モード抽出部１３ａは、計測データｘ1(t)から、EMDのアルゴリズムを用いて複数のIMF（Ｃ1，Ｃ2，……，Ｃn）を取得するとともに、取得された複数のIMFから任意のIMFＣkを抽出する。
　ここで、IMFの求め方について説明する。
　まず、図４に示すように、計測データｘ1(t)の全ての極大点と極小点とを抽出し、極大点を結んだ上側包絡線ｅmax(t)と極小点を結んだ下側包絡線ｅmin(t)とを求めた後、上側包絡線ｅmax(t)と下側包絡線ｅmin(t)との局所平均ｍ1(t)＝（ｅmax(t)＋ｅmin(t)）/２を算出する。
　次に、計測データｘ1(t)と局所平均ｍ1(t)との差分波形ｙ1(t)＝ｘ1(t)－ｍ1(t)を求める。差分波形ｙ1(t)は対称性が乏しく、IMFとはいえない。そこで、差分波形ｙ1 (t)に計測データｘ1 (t)に対して行った処理と同様の処理を行い、差分波形ｙ2(t)を求める。更に、この処理を繰り返し行って、差分波形ｙ3(t)，ｙ4(t)，……，ｙm(t)を求める。差分波形ｙk(t)はｋが大きくなるほど対称性が高く、IMFに近くなる。
　差分波形がIMFとなる条件としては、ｙk(t)のゼロクロス点の数とピーク数が、IMFを求める過程で４～８回連続して変化せず、かつ、ゼロクロス点の数とピーク数が一致するとうい条件が提案されている。なお、局所平均ｍk(t)の標準偏差が閾値以下になった時点における差分波形ｙk-1(t)をIMFとしてもよい。
　この計測データｘ1(t)から抽出しIMFを、第１のIMFＣ1という。
　次に、第１のIMFＣ1と計測データｘ1(t)とから第２のIMFＣ2を抽出する。具体的には、計測データｘ1(t)から第１のIMFＣ1を引いたデータｘ2(t)＝ｘ1(t)－IMFＣ1を新たな計測データとし、この新たな計測データｘ2(t)に対して、上記の計測データｘ1(t)に対する処理と同様の処理を行って第２のIMFＣ2を抽出する。
　この処理を、繰り返し、第ｎのIMFＣnが、極値が１つである波形になった時点で、IMFを求める処理を終了する。抽出されるIMFの個数は元波形（計測データ）により変化するが、通常は、１０～１５個のIMFが抽出される。
　なお、IMFＣkは、高周波成分から順番に抽出される。
　また、全てのIMFＣkの和は、計測データｘ1(t)に等しい。
　ところで、路面判別のためには、タイヤ振動の高周波成分に着目する必要があるので特徴量を算出するためのIMFとしては、第１のIMFＣ1や第２のIMFＣ2などの低い番号のIMFを用いればよい。
　なお、計算量を低減するには、使用するIMFのみを抽出して、そこで計算をとめるようにすればよい。例えば、第３のIMFＣ3のみを使用する場合には、第４のIMFＣ4以降を抽出する計算を省略してもよい。
　以下、使用するIMFである第ｋのIMFＣkをＸk(t)とする。
　特徴データ算出部１３ｂは、得られたIMFＸk(t)についてヒルベルト変換を行い、波形のゼロクロス点における瞬時周波数ｆk(t)と、瞬時振幅ａk(t)の極大値とを算出する。瞬時周波数ｆk(t)は、位相関数θk(t)の時間微分である。
　Ｘk(t)のヒルベルト変換Ｙk(t)は、以下の式（１）で求められる。
［数１］
Figure JPOXMLDOC01-appb-I000001
　このヒルベルト変換により、特徴データを算出するための解析波形Ｚk(t)は、以下の式（２）～（４）のように表せる。
［数２］
Figure JPOXMLDOC01-appb-I000002
　図５に示すように、各IMFＸk(t)の波形は、複数の時刻tjにおいてのゼロクロス点を有し、時刻tjと時刻t j+1との間に、瞬時振幅の極大値を有する。
　そこで、同図の太線で示す、時刻tjと時刻t j+1との間の波形を、周波数ｆkjが瞬時周波数ｆk(tj)で、振幅ａkjが瞬時振幅ａk(tj ’)の波形ｃk,jの一部（λk,j/２）であるとみなし、この周波数ｆkjと振幅ａkjとを各IMFＸk(t)の特徴データとする。ここで、tj ’＝（tj＋tj+1）/２である。
　特徴量算出部１３ｃは、IMFＸk(t)の特徴データである、周波数ｆk,jに対する振幅ａk,jの分布から、統計量である、平均μk、標準偏差σk、及び、歪度ｂ1 kを算出する。
　これらの統計量は、時間に依存しない統計量であるので、これらの統計量を特徴量として採用する。なお、特徴量はＣk毎に求まる。
　図６は、特徴量をＸ＝（μ，σ，ｂ1）としたときの、特徴量の入力空間を示す模式図で、ａ１軸が平均μ、ａ2軸が標準偏差σ、ａ3軸が歪度ｂ1である。
　同図において、グループＣがＤＲＹ路面を走行しているときの特徴量Ｘiの集合で、グループＣ’がＷＥＴ路面を走行しているときの特徴量Ｘ’iの集合とすると、グループＣとグループＣ’とを区別することができれば、タイヤの走行している路面がＤＲＹ路面かＷＥＴ路面かを判別することができる。
　同様に、ＳＮＯＷ路面やＩＣＥ路面を走行したときの加速度波形からも、ＳＮＯＷ路面における特徴量の分布やＩＣＥ路面における特徴量の分布を求めることができる。
　なお、図１では省略したが、後輪特徴量算出手段２３の構成及び動作は、前輪特徴量算出手段１３と同じで、後輪加速度波形抽出手段２２により抽出された後輪加速度波形からIMFＣkを抽出した後、後輪特徴量である、平均μk、標準偏差σk、及び、歪度ｂ1 kを、Ｃk毎に求める。
　以下、使用する特徴量を第１のIMFＣ1の特徴量とする。
　記憶手段１５は、予め求めておいた、Ｄ/Ｗ識別モデル、Ｄ/Ｓ識別モデル、Ｄ/Ｉ識別モデル、及び、Ｓ/Ｉ識別モデルの４つの識別モデルを記憶する。
　Ｄ/Ｗ識別モデルは、ＤＲＹ路面とＷＥＴ路面とを分離超平面を表わす識別関数ｆDW（ｘ）により分離するための特徴量である基準特徴量ＹDSV（ｙjk）及びＹWSV（ｙjk）と、基準特徴量ＹDSV（ｙjk）及びＹWSV（ｙjk）をそれぞれ重み付けするラグランジュ乗数λD及びλWを記憶する。
　Ｄ/Ｓ識別モデルは、基準特徴量ＹDSV（ｙjk），ＹSSV（ｙjk）、及び、ラグランジュ乗数λD，λSを記憶し、Ｄ/Ｉ識別モデルは、基準特徴量ＹDSV（ｙjk），ＹISV（ｙjk）、及び、ラグランジュ乗数λD，λIを記憶する。
　また、Ｓ/Ｉ識別モデルは、基準特徴量ＹSSV（ｙjk），ＹISV（ｙjk）、及び、ラグランジュ乗数λS，λIを記憶する。
　各識別モデルは、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特徴量ＹA＝（μA，σA，ｂ1A）を求めた後、ＹAを学習データとして、サポートベクターマシーン（ＳＶＭ）により構築される。ここで、添え字Ａは、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥを示している。また、ＳＶＭにより選択された識別境界の近傍の特徴量を路面特徴量ＹASVという。
　なお、Ｄ/Ｗ識別モデルは、前輪側加速度センサー１１の出力である前輪加速度波形を用いて構築され、Ｄ/Ｓ識別モデル、Ｄ/Ｉ識別モデル、及び、Ｓ/Ｉ識別モデルは、後輪側加速度センサー２１の出力である後輪加速度波形を用いて構築される。
　図７は、入力空間上におけるＤＲＹ路面特徴量ＹDとＷＥＴ路面特徴量ＹWを示す概念図で、同図の黒丸がＤＲＹ路面、白丸がＷＥＴ路面である。
　なお、前述したように、ＤＲＹ路面特徴量ＹDもＷＥＴ路面特徴量ＹW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７では、ＤＲＹ路面特徴量ＹDとＷＥＴ路面特徴量ＹW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、路面特徴量ＹＤ及びＹW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量ＹD及びＹWに対して非線形な分類を行う。
　ＤＲＹ路面とＷＥＴ路面とを区別する際には、ＤＲＹ路面特徴量ＹDとＷＥＴ路面特徴量ＹWとを分離する分離超平面である識別関数ｆDW（ｘ）に対してマージンを持たせることで、ＤＲＹ路面とＷＥＴ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、図７に示すように、ＤＲＹ路面特徴量ＹDは全てｆDW（ｘ）≧＋１の領域にあり、ＷＥＴ路面特徴量ＹWは、ｆDW（ｘ）≦－１の領域にある。
　ＤＲＹ路面とＷＥＴ路面とを区別するＤ/Ｗ識別モデルは、ｆDW（ｘ）＝＋１の距離にあるサポートベクトルＹDSVと、ｆDW（ｘ）＝－１の距離にあるサポートベクトルＹWSVとを備えた入力空間である。ＹDSVとＹWSVとは、一般に複数個存在する。
 Ｄ/Ｓ識別モデル、Ｄ/Ｉ識別モデル、及び、Ｓ/Ｉ識別モデルについても同様である。
　次に、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ｆDW（ｘ）＝ｗTφ（ｘ）－ｂを求める。ここで、ｗは重み係数を表すベクトルで、ｂは定数である。
　また、データはＤＲＹ路面特徴量ＹDjとＷＥＲ路面特徴量ＹWjであり、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ＷＥＴ路面のデータである。ｆ（ｘ）＝０が識別境界で、１/||ｗ||が路面特徴量ＹAj（Ａ＝Ｄ，Ｗ）とｆ（ｘ）＝０との距離である。
　識別関数ｆDW（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（６），（７）に置き換えられる。
［数３］
Figure JPOXMLDOC01-appb-I000003
　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。なお、λ＝０である路面特徴量ＹAjは、識別関数ｆ（ｘ）に寄与しない（サポートベクトルではない）ベクトルデータである。
　ラグランジュ乗数は、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。
　また、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、内積φT（ｘα）φ（ｘβ）を直接求めずに、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。
　ラグランジュ乗数λは、前記の式（７）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。
　Ｄ/Ｓ識別モデル、Ｄ/Ｉ識別モデル、及び、Ｓ/Ｉ識別モデルについても、同様に、基準特徴量ＹASV（ｙjk）、及び、ラグランジュ乗数λAを求めることができる。
　本例では、カーネル関数Ｋ（ｘα，ｘβ）として、以下の式に示す、ガウシアンカーネル（ＲＢＦカーネル）を用いた。
［数４］
Figure JPOXMLDOC01-appb-I000004
　前輪識別関数演算手段１４は、カーネル関数算出部１４ａと識別関数演算部１４ｂとを備え、ＤＲＹ路面特徴量ＹDとＷＥＴ路面特徴量ＹWとを分離する分離超平面である識別関数ｆDW（ｘ）の値を計算する。
　カーネル関数算出部１４ａは、前輪特徴量算出手段１３にて算出された特徴量Ｘと記憶手段１５に記録されているＤ/Ｗモデルの各サポートベクトルＹDSVとＹWSVとから、上記式（８）を用いて、ガウシアンカーネルＫD（Ｘ，ＹDSV）とＫW（Ｘ，ＹWSV）とを算出する。
　識別関数演算部１４ｂでは、カーネル関数ＫD（Ｘ，ＹDSV），ＫW（Ｘ，ＹWSV）を用いて、ＤＲＹ路面とＷＥＴ路面とを識別するための識別関数ｆDW（ｘ）の値を求める。
　識別関数ｆD W（ｘ）の値は、下記の式（９）を用いて計算する。
［数５］
Figure JPOXMLDOC01-appb-I000005
　なお、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である。また、識別関数のラグランジュ乗数λD，λWなどの値は、ＤＲＹ路面とＷＥＴ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。
　後輪識別関数演算手段２４は、カーネル関数算出部２４ａと識別関数演算部２４ｂとを備え、ＤＲＹ路面特徴量ＹDとＳＮＯＷ路面特徴量ＹSとを分離するる識別関数ｆDS（ｘ）の値、ＤＲＹ路面特徴量ＹDとＩＣＥ路面特徴量ＹIとを分離する識別関数ｆDI（ｘ）の値、及び、ＳＮＯＷ路面特徴量ＹSとＩＣＥ路面特徴量ＹIとを分離する識別関数ｆSI（ｘ）の値を計算する。
　カーネル関数算出部２４ａは、後輪特徴量算出手段２３にて算出された特徴量Ｘと記憶手段１５に記録されているＤ/Ｓモデル、Ｄ/Ｉモデル、Ｓ/Ｉモデルの各サポートベクトルＹDSV，ＹSSV，ＹISVから、上記式（８）を用いて、ガウシアンカーネルＫD（Ｘ，ＹDSV）とＫS（Ｘ，ＹSSV）とＫI（Ｘ，ＹISV）とを算出する。
　識別関数演算部２４ｂでは、カーネル関数ＫD（Ｘ，ＹDSV），ＫS（Ｘ，ＹSSV），ＫI（Ｘ，ＹWSV）を用いて、識別関数ｆDS（ｘ），ｆDI（ｘ），ｆSI（ｘ）の値を求める。
　識別関数ｆDS（ｘ），ｆDI（ｘ），ｆSI（ｘ）の値は、下記の式（１０）～（１２）を用いて計算する。
［数６］
Figure JPOXMLDOC01-appb-I000006
　路面状態判別手段１６は、前輪識別関数演算手段１４で計算された識別関数ｆDW（ｘ）の値と、後輪識別関数演算手段２４で計算された識別関数ｆDS（ｘ），ｆDI（ｘ），ｆSI（ｘ）の値とから、路面状態がＤＲＹ/ＷＥＴ/ＳＮＯＷ/ＩＣＥのいずれかであるかを判別する。
　次に、路面状態判別装置１０を用いて、路面の状態を判別する方法について、図８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１１，２１により路面Ｒからの入力により発生したタイヤ振動をそれぞれ検出し（ステップＳ１０）、検出されたタイヤ振動の信号から、前輪３０Ｆタイヤ振動の時系列波形である前輪加速度波形と後輪３０Ｒタイヤ振動の時系列波形である後輪加速度波形を抽出する（ステップＳ１１）。
　そして、抽出されたタイヤ振動の時系列波形のデータから、EMDのアルゴリズムを用いて複数のIMFＣ1～Ｃnを取得した後（ステップＳ１２）後、これらのIMFの中から、低い番号の第１～第３のIMFＣ1～Ｃ3を抽出して、路面状態の判別に使用する使用するIMFＣkを選択し、これをＸk(t)とする（ステップＳ１３）。
　次に、Ｘk(t)に対してヒルベルト変換を行って、特徴データであるゼロクロス点における瞬時周波数ｆk(t)と、瞬時振幅ａk(t)の極大値とを算出（ステップＳ１４）した後、瞬時周波数ｆk(t)に対する瞬間振幅ａk(t)の分布から統計量を算出し、この算出された統計量を特徴量Ｘkとする（ステップＳ１５）。本例では、統計量を平均μk、標準偏差σk、及び、歪度ｂ1 kをとした。
　なお、ステップＳ１２～ステップＳ１５までの各ステップは、前輪加速度波形と後輪加速度波形のそれぞれに対して行い、前輪加速度波形から前輪特徴量を算出し、後輪加速度波形から後輪特徴量を算出する。なお、本例では、前輪特徴量と後輪特徴量とを区別せずに、特徴量Ｘkと記す。
　次に、算出された特徴量Ｘkと、記憶手段１５に記録されている識別モデルのサポートベクトルＹDSV，ＹWSV，ＹSSV，ＹISVとから、ガウシアンカーネルＫD（Ｘ，ＹDSV），ＫW（Ｘ，ＹWSV），ＫS（Ｘ，ＹSSV），ＫI（Ｘ，ＹISV）を求め（ステップＳ１６）た後、カーネル関数ＫA（Ｘ，Ｙ）を用いた４つの識別関数ｆDW（ｘ），ｆDS（ｘ），ｆDI（ｘ），ｆSI（ｘ）をそれぞれ計算する（ステップＳ１７）。
　最後に、４つの識別関数ｆDW（ｘ），ｆDS（ｘ），ｆDI（ｘ），ｆSI（ｘ）の計算値を用いて路面状態を判別する（ステップＳ１８）。
　路面状態の判別は、はじめに、前輪特徴量とＤ/Ｗ識別モデルとを用いて計算した識別関数ｆDW（ｘ）の値から、路面がＤＲＹ路面かＷＥＴ路面かを判別する。
　具体的には、ｆDW（ｘ）＜０であれば、ＷＥＴ路面とＳＮＯＷ路面との判別、及び、ＷＥＴ路面とＩＣＥ路面との判別をすることなく、路面がＷＥＴ路面であると判別する。
　一方、ｆDW（ｘ）＞０である場合には、後輪特徴量とＤ/Ｓ識別モデル、Ｄ/Ｉ識別モデル、及び、Ｓ/Ｉ識別モデルを用いて計算した識別関数ｆDS（ｘ），ｆDI（ｘ），ｆSI（ｘ）の値から、路面がＤＲＹ路面か、ＳＮＯＷ路面か、ＩＣＥ路面かを判別する。
　具体的には、ｆDS（ｘ）＞０、かつ、ｆDI（ｘ）＞０であればＤＲＹ路面と判別し、ｆDS（ｘ）＜０、かつ、ｆSI（ｘ）＞０であればＳＮＯＷ路面と判別する。
　また、ｆDS（ｘ）＜０、かつ、ｆSI（ｘ）＜０であればＩＣＥ路面と判別する。
　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。
　例えば、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１１，２１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１１，２１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１１，２１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、前記実施の形態では、特徴量を算出するためのIMFとして第１のIMFＣ1を用いたが、他のIMFを用いてもよい。なお、上記したように、路面判別のためには、タイヤ振動の高周波成分に着目する必要があるので特徴量を算出するためのIMFとしては、低い番号のIMFを用いることが好ましい。
　また、前記実施の形態では、特徴量を、平均μ、標準偏差σ、及び、歪度ｂ1としたが、更に尖度ｂ2などの他の統計量を加えてもよい。あるいは、平均μ、標準偏差σ、歪度ｂ1、尖度ｂ2などの中から複数の統計量を組み合わせてもよい。
　また、路面状態の識別に用いる特徴量としては、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など、他の特徴量を用いてもよい。
　また、温度センサーなどで取得した温度情報を用い、外気温が低温（例えば、５℃以下）である場合には、後輪加速度波形のみを用いて、路面がＤＲＹ路面か、ＳＮＯＷ路面か、ＩＣＥ路面かを判別し、外気温が低温でない場合には、前輪加速度波形のみを用いて、路面がＤＲＹ路面か、ＷＥＴ路面かを判別すれば、演算量を更に少なくできる。
　以上まとめると、次のようにも記述できる。すなわち、本発明の一態様は、タイヤに装着された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、前記タイヤの前輪に装着された振動検出手段と前記タイヤの後輪に装着された振動検出手段とにより前記前輪の振動の時間変化波形である前輪加速度波形と前記後輪の振動の時間変化波形である後輪加速度波形とを検出するステップと、前記前輪加速度波形と前記後輪加速度波形とから、それぞれ、前輪の特徴量と後輪の特徴量とを算出するステップと、前記算出された前輪の特徴量と後輪の特徴量と、予め路面状態毎に求めておいた路面特徴量とから、前記前輪と後輪の接している路面の状態をそれぞれ判別するステップとを備え、前記路面の状態を判別するステップでは、前記前輪特徴量を用いてＤＲＹ路面とＷＥＴ路面との判別を行い、前記後輪特徴量を用いて、ＤＲＹ路面とＩＣＥ路面との判別とＤＲＹ路面とＳＮＯＷ路面との判別、もしくは、ＤＲＹ路面とＩＣＥ・ＳＮＯＷ路面との判別を行うことを特徴とする。
　なお、ＩＣＥ・ＳＮＯＷ路面とは、ＩＣＥ路面、もしくは、ＳＮＯＷ路面、もしくは、氷雪路面のいずれかを指すものとする。
　これにより、「１対他」の判別方法に比較して判別精度が高い「１対１」の判別方法を用いても、少ない演算量で、路面判別を精度よくかつ確実に行うことができる。
　また、本発明の上記態様において、前記特徴量が、経験的モード分解のアルゴリズムを用いて取得された固有振動モードにヒルベルト変換を行って抽出した、瞬時周波数と瞬時振幅のいずれか一方または両方のデータの分布の統計量であり、前記路面の状態を判別するステップでは、前記特徴量と前記予め路面状態毎に求めておいた特徴量とからカーネル関数を算出した後、前記算出されたカーネル関数を用いた識別関数の値から路面状態を判別することを特徴とする。
　このように、タイヤの振動の時間変化波形から抽出する特徴量を、時間に依存しない統計量とすることで、演算量を大幅に削減することができるようにしたので、路面状態を速やかにかつ精度よく判別することができる。
　なお、上記の路面状態毎の特徴量は、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毎の特徴量を学習データとした、機械学習（サポートベクターマシーン）により求められる。
　また、本発明の一態様は、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、前記タイヤの前輪に装着されて前記前輪の振動の時間変化波形である前輪加速度波形を検出する前輪振動検出手段と、前記タイヤの後輪に装着されて前記後輪の振動の時間変化波形である後輪加速度波形を検出する後輪振動検出手段と、前記前輪加速度波形と前記後輪加速度波形とから、それぞれ、前輪の特徴量と後輪の特徴量とを算出する特徴量算出手段と、予め路面状態毎に求めてられたタイヤ振動の時間変化波形を用いて算出された路面特徴量を記憶する記憶手段と、前記算出された特徴量と前記路面特徴量とから、前記前輪と後輪の接している路面の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、前記前輪特徴量を用いてＤＲＹ路面とＷＥＴ路面との判別を行い、前記後輪特徴量を用いて、ＤＲＹ路面とＩＣＥ路面との判別とＤＲＹ路面とＳＮＯＷ路面との判別、もしくは、ＤＲＹ路面とＩＣＥ・ＳＮＯＷ路面との判別を行うことを特徴とする。
　上記の構成の路面状態判別装置を用いれば、前輪と後輪とに振動検出手段を取付けて路面判別を行う際の判別精度を高めることができる。
　１０　路面状態判別装置、１１　前輪側加速度センサー、
１２　前輪加速度波形抽出手段、１３　前輪特徴量算出手段、
１３ａ　固有振動モード抽出部、１３ｂ　特徴データ算出部、
１３ｃ　特徴量算出部、
１４　前輪識別関数演算手段、１４ａ　カーネル関数算出部、
１４ｂ　識別関数演算部、１５　記憶手段、１６　路面状態判別手段、
２１　後輪側加速度センサー、２２　後輪加速度波形抽出手段、
２３　後輪特徴量算出手段、２４　後輪識別関数演算手段、
３０Ｆ　前輪のタイヤ、３０Ｒ　後輪のタイヤ、
３１　インナーライナー部、３２　タイヤ気室、Ｒ　路面。

Claims (3)

  1. 　タイヤに装着された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、
    前記タイヤの前輪に装着された振動検出手段と前記タイヤの後輪に装着された振動検出手段とにより前記前輪の振動の時間変化波形である前輪加速度波形と前記後輪の振動の時間変化波形である後輪加速度波形とを検出するステップと、
    前記前輪加速度波形と前記後輪加速度波形とから、それぞれ、前輪の特徴量と後輪の特徴量とを算出するステップと、
    前記算出された前輪の特徴量と後輪の特徴量と、予め路面状態毎に求めておいた路面特徴量とから、前記前輪と後輪の接している路面の状態をそれぞれ判別するステップとを備え、
    前記路面の状態を判別するステップでは、
    前記前輪特徴量を用いてＤＲＹ路面とＷＥＴ路面との判別を行い、
    前記後輪特徴量を用いて、ＤＲＹ路面とＩＣＥ路面との判別とＤＲＹ路面とＳＮＯＷ路面との判別、もしくは、ＤＲＹ路面とＩＣＥ・ＳＮＯＷ路面との判別を行うことを特徴とする路面状態判別方法。
  2. 　前記特徴量が、経験的モード分解のアルゴリズムを用いて取得された固有振動モードにヒルベルト変換を行って抽出した、瞬時周波数と瞬時振幅のいずれか一方または両方のデータの分布の統計量であり、
    前記路面の状態を判別するステップでは、
    前記特徴量と前記予め路面状態毎に求めておいた特徴量とからカーネル関数を算出した後、前記算出されたカーネル関数を用いた識別関数の値から路面状態を判別す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. 　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、
    前記タイヤの前輪に装着されて前記前輪の振動の時間変化波形である前輪加速度波形を検出する前輪振動検出手段と、
    前記タイヤの後輪に装着されて前記後輪の振動の時間変化波形である後輪加速度波形を検出する後輪振動検出手段と、
    前記前輪加速度波形と前記後輪加速度波形とから、それぞれ、前輪の特徴量と後輪の特徴量とを算出する特徴量算出手段と、
    予め路面状態毎に求めておいたタイヤ振動の時間変化波形を用いて算出された路面特徴量を記憶する記憶手段と、
    前記算出された特徴量と前記路面特徴量とから、前記前輪と後輪の接している路面の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、
    前記前輪特徴量を用いてＤＲＹ路面とＷＥＴ路面との判別を行い、
    前記後輪特徴量を用いて、ＤＲＹ路面とＩＣＥ路面との判別とＤＲＹ路面とＳＮＯＷ路面との判別、もしくは、ＤＲＹ路面とＩＣＥ・ＳＮＯＷ路面との判別を行うことを特徴とする路面状態判別装置。
PCT/JP2018/045974 2018-01-15 2018-12-13 路面状態判別方法及び路面状態判別装置 WO2019138774A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-003944 2018-01-15
JP2018003944A JP7030531B2 (ja) 2018-01-15 2018-01-15 路面状態判別方法及び路面状態判別装置

Publications (1)

Publication Number Publication Date
WO2019138774A1 true WO2019138774A1 (ja) 2019-07-18

Family

ID=67219007

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/045974 WO2019138774A1 (ja) 2018-01-15 2018-12-13 路面状態判別方法及び路面状態判別装置

Country Status (2)

Country Link
JP (1) JP7030531B2 (ja)
WO (1) WO2019138774A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220051989A (ko) * 2020-10-20 2022-04-27 한국건설기술연구원 노면 미끄럼 판단 장치 및 방법과, 노면 미끄럼 정보 제공 시스템
WO2024147308A1 (ja) * 2023-01-06 2024-07-11 横浜ゴム株式会社 路面状態判定方法及び路面状態判定装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113737703A (zh) * 2021-10-08 2021-12-03 徐州徐工环境技术有限公司 一种扫路机的喷水降尘自动控制方法、***及扫路机

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017030722A (ja) * 2015-07-31 2017-02-09 株式会社ブリヂストン 車両制御方法
JP2017144975A (ja) * 2016-02-19 2017-08-24 株式会社デンソー 車両用危険回避装置
JP2018004419A (ja) * 2016-06-30 2018-01-11 株式会社ブリヂストン 路面状態判別方法
JP2018004417A (ja) * 2016-06-30 2018-01-11 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5837341B2 (ja) * 2011-06-24 2015-12-24 株式会社ブリヂストン 路面状態判定方法とその装置
JP5937921B2 (ja) * 2012-08-09 2016-06-22 株式会社ブリヂストン 路面状態判別方法とその装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017030722A (ja) * 2015-07-31 2017-02-09 株式会社ブリヂストン 車両制御方法
JP2017144975A (ja) * 2016-02-19 2017-08-24 株式会社デンソー 車両用危険回避装置
JP2018004419A (ja) * 2016-06-30 2018-01-11 株式会社ブリヂストン 路面状態判別方法
JP2018004417A (ja) * 2016-06-30 2018-01-11 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220051989A (ko) * 2020-10-20 2022-04-27 한국건설기술연구원 노면 미끄럼 판단 장치 및 방법과, 노면 미끄럼 정보 제공 시스템
KR102443716B1 (ko) * 2020-10-20 2022-09-16 한국건설기술연구원 노면 미끄럼 판단 장치 및 방법과, 노면 미끄럼 정보 제공 시스템
WO2024147308A1 (ja) * 2023-01-06 2024-07-11 横浜ゴム株式会社 路面状態判定方法及び路面状態判定装置

Also Published As

Publication number Publication date
JP7030531B2 (ja) 2022-03-07
JP2019123293A (ja) 2019-07-25

Similar Documents

Publication Publication Date Title
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
WO2018207648A1 (ja) 路面状態判別方法及び路面状態判別装置
CN109477906B (zh) 路面状态判别方法和路面状态判别装置
WO2019138774A1 (ja) 路面状態判別方法及び路面状態判別装置
CN109416412B (zh) 路面状态判别方法
CN110914683A (zh) 用于检测道路和轮胎状况的方法
JP2018004418A (ja) 路面状態判別方法
WO2018230181A1 (ja) 路面状態判別方法及び路面状態判別装置
WO2019138775A1 (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
JP6961539B2 (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
WO2019244380A1 (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
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18899672

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18899672

Country of ref document: EP

Kind code of ref document: A1