路面状态判断方法及路面状态判断装置

摘要

本发明提供一种路面状态判断方法及路面状态判断装置，不进行峰值位置的检测、车轮速度的测量而通过分割轮胎振动的时间序列波形来判断路面状态，并且在路面状态的判断中附加对于轮胎尺寸变更的鲁棒性。通过加窗单元对由轮胎振动检测单元检测出的轮胎振动的时间序列波形加窗，提取每个时间窗的轮胎振动的时间序列波形，计算特征矢量(X)，之后按每个路面HMM计算似然度(Z)，将按每个路面HMM计算出的该似然度(Z1~Z5)进行比较，将与似然度最大的路面HMM对应的路面状态判断为该轮胎所行驶路面的路面状态。

说明书

技术领域

本发明涉及一种对车辆所行驶的路面的状态进行判断的方 法及其装置，特别涉及一种仅使用行驶中的轮胎振动的时间序 列波形数据来判断路面状态的方法。

背景技术

以往，作为检测行驶中的轮胎振动来估计路面状态的方法， 提出了以下方法：将检测出的轮胎振动的时间序列波形分割为 踏入前区域—接地面区域—蹬出后区域或者踏入前区域―踏入 区域―接地面区域―蹬出区域―蹬出后区域等多个区域，从上 述各区域中提取例如如踏入前区域和接地面区域中的低频带的 振动成分和高频带的振动成分那样的当路面状态不同时振动水 平变化大的频带的振动水平以及振动水平不取决于路面状态的 频带的振动水平，根据这些振动水平之比来估计车辆所行驶路 面的状态(例如参照专利文献1)。

专利文献1：WO 2006/135090A1

发明内容

发明要解决的问题

然而，在上述以往的方法中，需要以轮胎振动的时间序列 波形中出现的蹬出位置等峰值位置为基准来决定特定时间位置 的起点，使用车轮速度来决定各区域的时间宽度，因此不能说 区域宽度的设定精度充分。

另外，在轮胎尺寸不同的轮胎中，接地长度发生变化，因 此需要针对每个轮胎尺寸来重新设定区域宽度。

本发明是鉴于以往的问题点而完成的，目的在于，不进行 峰值位置的检测、车轮速度的测量就分割轮胎振动的时间序列 波形来判断路面状态，并且在路面状态的判断中附加对于轮胎 尺寸变更的鲁棒性。

用于解决问题的方案

本申请的第一发明是一种对行驶中的轮胎的振动进行检测 来判断轮胎所接触的路面的状态的方法，其特征在于，具备以 下步骤：检测行驶中的轮胎的振动；从检测出的上述轮胎的振 动中按预先设定的时间宽度提取轮胎的振动的时间序列波形； 基于上述时间序列波形来计算特征矢量；针对多个预先针对每 个路面状态构成的隐马尔可夫模型分别计算上述特征矢量的似 然度；以及将针对多个上述隐马尔可夫模型的每个隐马尔可夫 模型计算出的似然度进行比较，将与似然度最大的隐马尔可夫 模型对应的路面状态判断为该轮胎所行驶路面的路面状态，其 中，上述特征矢量为特定频带的振动水平或者上述振动水平的 函数，上述隐马尔可夫模型至少具有四种状态。

此外，“四种状态”是指除了“开始和结束”这两种状态以外， 还具有“踏入前”、“踏入”、“蹬出前”、“蹬出”、“蹬出后”这五种 状态中的两种状态。

这样，由于将隐马尔可夫模型(以下称为HMM)应用于轮胎 振动的时间序列波形，因此不进行峰值位置的检测、车轮速度 的测量而能够将轮胎振动的波形分割为具有特征的多个状态， 并且使用各状态下的特征矢量的输出概率和状态转移概率来计 算似然度，根据计算出的似然度来判断路面状态，因此能够大 幅提高路面状态的判断精度。

另外，通过应用HMM能够与接地长度无关地判断路面状 态，因此能够在路面状态的判断中附加对于轮胎尺寸变更的鲁 棒性。

第二发明是第一发明所记载的路面状态判断方法，其特征 在于，上述特征矢量为以下各项中的任一项或者多项或者全部： 对上述时间序列波形进行傅立叶变换时的特定频带的振动水 平；使上述时间序列波形通过带通滤波器而得到的特定频带的 振动水平；上述特定频带的振动水平的时变方差；以及上述时 间序列波形的频率倒谱系数。

由路面状态引起的轮胎振动的不同也表现在轮胎振动的时 间序列波形本身中，但是，在本发明中，使用依赖于频率的值 作为特征矢量，从而容易出现似然度的差，因此能够进一步提 高路面状态的判断精度。

第三发明是第一或者第二发明所记载的路面状态判断方 法，其特征在于，每个路面状态的上述隐马尔可夫模型包括七 种状态(“开始和结束”这两种状态、“踏入前”、“踏入”、“蹬出前”、 “蹬出”、“蹬出后”这五种状态)。

这样，通过将轮胎振动的时间序列波形设为具有七种状态 的HMM，使各状态之间的特征矢量的输出概率分布的差更清 楚，因此能够进一步提高路面状态的判断精度。

第四发明是第一至第三发明中的任一项所记载的路面状态 判断方法，其特征在于，每个路面状态的上述隐马尔可夫模型 具有路面外隐马尔可夫模型和路面内隐马尔可夫模型，该路面 外隐马尔可夫模型由接地面以外的振动波形且振动水平小于预 先设定的背景水平的振动波形构成，该路面内隐马尔可夫模型 由接地面或者接地面前后的振动波形且振动水平为预先设定的 背景水平以上的振动波形构成，在上述路面内隐马尔可夫模型 之前和/或之后设置上述路面外隐马尔可夫模型。

这样，如果追加包括接地面前后的振动水平小的区域的模 型来进行判断，则能够进一步提高路面状态的判断精度。

第五发明是一种对行驶中的轮胎的振动进行检测来判断轮 胎所接触的路面的状态的路面状态判断装置，其特征在于，具 备：轮胎振动检测单元，其配置在轮胎胎面部的内衬层部的气 室侧，对行驶中的轮胎的振动进行检测；加窗单元，其按照预 先设定的时间宽度对由上述轮胎振动检测单元检测出的上述轮 胎的振动的时间序列波形加窗，来按每个时间窗提取轮胎的振 动的时间序列波形；特征矢量计算单元，其基于提取出的上述 每个时间窗的时间序列波形来计算以特定频带的振动水平或者 上述振动水平的函数为成分的特征矢量；存储单元，其存储多 个预先针对每个路面状态构成的至少具有四种状态的隐马尔可 夫模型；似然度计算单元，其针对存储在上述存储单元中的多 个隐马尔可夫模型分别计算上述特征矢量的似然度；以及判断 单元，其将针对上述多个隐马尔可夫模型的每个隐马尔可夫模 型计算出的似然度进行比较，将与似然度最大的隐马尔可夫模 型对应的路面状态判断为该轮胎所行驶路面的路面状态。

如果使用具有本发明的结构的路面状态判断装置，能够可 靠地实现第一发明所记载的路面状态判断方法，因此不进行峰 值位置的检测、车轮速度的测量，而能够可靠地设定踏入前区 域、踏入后区域等的时间宽度，并且能够提高路面状态的判断 精度。

此外，上述发明的概要并不是用于例举本发明所需的全部 特征的内容，这些特征群的子组合也能够成为发明。

附图说明

图1是表示本发明的路面状态判断装置的结构的功能框图。

图2是表示加速度传感器的安装位置的一例的图。

图3是表示轮胎振动的时间序列波形中的踏入前区域、踏入 区域、蹬出前区域、蹬出区域以及蹬出后区域的图。

图4是表示路面HMM的一例的图。

图5是表示使用于似然度计算的路面HMM的图。

图6是状态转移系列的示意图。

图7是表示本发明的路面状态判断方法的流程图。

图8是表示路面内HMM和路面外HMM的例子的图。

图9是表示路面内HMM和路面外HMM的组合的例子的图。

图10是表示路面内HMM和路面外HMM的组合的其它例子 的图。

图11是表示路面内HMM和路面外HMM的组合的其它例子 的图。

图12是表示使用了路面HMM的路面判断结果的图。

附图标记说明

10：路面状态判断装置；10A：传感器部；10B：运算处理 部；11：加速度传感器；12：信号输入输出单元：12A：放大 器；12B：A/D变换器；13：发送机；14：接收机；15：加窗 单元；16：特征矢量计算单元；161~166：带通滤波器；17： 存储单元；18：似然度计算单元；19：判断单元；20：轮胎； 21：内衬层部；22：轮胎气室；23：胎面部；R：路面。

具体实施方式

以下，通过实施方式详细说明本发明，但是权利要求所涉 及的发明并不限定于以下实施方式，并且，用于解决问题的方 案中，在实施方式中说明的特征的所有组合并非是必须的。

图1是表示路面状态判断装置10的结构的功能框图，路面状 态判断装置10包括传感器部10A和运算处理部10B。

传感器部10A具备加速度传感器11、信号输入输出单元12、 发送机13。

如图2所示，加速度传感器11被一体地配置在轮胎20的内衬 层部21的轮胎气室22侧的大致中央部，检测由路面R的输入引 起的该轮胎20的振动。此外，附图标记23为该轮胎20的胎面部。

信号输入输出单元12具备对加速度传感器11的输出进行放 大的放大器12a以及将放大后的信号变换为数字信号的A/D变 换器12b。信号输入输出单元12与加速度传感器11被配置成一 体。

发送机13具有将A/D变换后的轮胎振动的数据发送给设置 于车体侧的运算处理部10B的天线13a，该发送机13配置在轮胎 20的气门20v附近。

运算处理部10B具备接收机14、加窗单元15、特征矢量计 算单元16、存储单元17、似然度计算单元18以及判断单元19。

接收机14具有天线14a，通过天线14a接收从发送机13发送 过来的作为轮胎振动数据的时间序列波形并发送给加窗单元 15。

图3是表示轮胎振动的时间序列波形的一例的图，轮胎振动 的时间序列波形在踏入位置附近和蹬出位置附近具有大的峰， 并且，实际上在轮胎20的接地部没有接地的踏入位置前的区域 (踏入前区域R₁)、蹬出位置后的区域(蹬出后区域R₅)，也出现根 据路面状态不同而不同的振动。以下，将从踏入前区域R₁至蹬 出后区域R₅称为路面区域，将路面区域以外的区域称为路面外 区域。路面区域由踏入前区域R₁、踏入区域R₂、蹬出前区域R₃、 蹬出区域R₄以及蹬出后区域R₅构成。

在路面外区域几乎不受路面的影响，因此振动水平也小， 不包含路面信息。以下，将该区域称为无信息区域R₀。

作为设定无信息区域的方法，例如对轮胎振动的时间序列 波形设定背景水平，将振动水平小于该背景水平的区域称为无 信息区域即可。

加窗单元15按照预先设定的时间宽度(时间窗宽度)对上述 时间序列波形加窗，按照每个时间窗提取轮胎振动的时间序列 波形并发送给特征矢量计算单元16。

特征矢量计算单元16对提取出的各时间窗的时间序列波形 分别计算特征矢量X。在本例中，作为特征矢量X，使用使轮胎 振动的时间序列波形分别通过0kHz-0.5kHz、0.5kHz-1kHz、 1kHz-2kHz、2kHz-3kHz、3kHz-4kHz、4kHz-5kHz的带通滤波 器161~166而得到的特定频带的振动水平(滤波器过滤波的功率 值)xk(t)。该特征矢量X的维度为六维。

存储单元17存储针对每个路面状态构成的多个隐马尔可夫 模型(以下称为路面HMM)。路面HMM由路面内HMM(road)和路 面外HMM(silent)构成。路面内HMM(road)由轮胎振动的时间序 列波形中的出现在路面区域内的振动波形构成，路面外 HMM(silent)由无信息区域的振动波形构成。

如图4所示，路面HMM具有与轮胎振动的时间序列波形对 应的七种状态S₁~S₇，各状态S₁~S₇分别由特征矢量X的输出概率 b_ij(X)和状态间的转移概率a_ij(X)这两种参数构成(i,j=1~7)。

在本例中，进行学习，以除了各路面HMM的开始状态S₁和结束状态S₇以外的五种状态S₂~S₆来将上述轮胎振动的时间 序列波形分割为五种状态，求出各路面HMM的特征矢量X的输 出概率b_ij(X)和状态间的转移概率a_ij(X)。

输出概率b_ij(X)是表示状态从状态S_i转移为状态S_j时输出特 征矢量X的概率。假设输出概率b_ij(X)为混合标准分布。

转移概率a_ij(X)是表示状态从状态S_i转移为状态S_j的概率。

此外，在特征矢量X的维度为k维的情况下，针对每个特征 矢量X的k成分x_k设定输出概率b_ij。

在本例中，预先将搭载有具备加速度传感器11的轮胎20的 车辆在DRY(干燥)、WET(湿滑)、SNOW(积雪)以及ICE(结冰) 的各路面上分别行驶而得到的轮胎振动的时间序列波形的数据 作为学习用数据，来构建由DRY路面HMM、WET路面HMM、 SNOW路面HMM以及ICE路面HMM构成的四个路面内 HMM(road)和路面外HMM(silent)这五个路面HMM。

路面内HMM(road)或者路面外HMM(silent)均为包括开始 状态S₁和结束状态S₇的七种状态S₁~S₇的HMM。

通过EM算法、Baum-Welch算法、向前向后算法等公知的 方法来进行HMM的学习。

如图5所示，似然度计算单元18针对多个(在此为五个)路面 HMM，分别计算特征矢量X的似然度。

为了求出特征矢量X的似然度，首先，针对每个时间窗用 下式计算输出概率P(X_t)。

[式1]

$P\left(X_t\right)=\underset{s=1}{\overset{S}{\Pi }}\left[\underset{m=1}{\overset{\mathrm{Ms}}{\Sigma }}{c}_{\mathrm{jsm}}N\left(X_{\mathrm{st}}\right|{\mu }_{\mathrm{jsm}},{\sigma }_{\mathrm{jsm}})\right]$

$N\left(X\right|\mu ,\sigma )=\frac{1}{\sqrt{{\left(2\pi \right)}^n\left|\sigma \right|}}\exp \{-\frac{1}{2}(X-\mu ){\sigma }^{-1}{(X-\mu )}^T\}$

X：数据系列

t：时刻

S：状态数量

Ms：混合高斯分布的成分的数量

c_jsm：第m个混合成分的混合比

μ：高斯分布的平均矢量

σ：高斯分布的方差协方差矩阵

由于路面HMM为七种状态，因此用7×7的矩阵来表示转移 概率π(X_t)。作为该转移概率π(X_t)，使用通过上述路面HMM的 学习而求得的特征矢量X的状态间的转移概率a_ij(X)即可。

并且，求出作为计算出的输出概率P(X_t)与转移概率π(X_t) 之积的每个时间窗的出现概率K(X_t)，将全部时间窗的出现概率 K(X_t)相乘而求出似然度Z。即，利用Z=∏P(X_t)×转移概率π(X_t) 来求出似然度Z。或者，也可以针对每个时间窗取出现概率K(X_t) 的对数，将全部时间窗的该对数相加来求出似然度Z。

另外，如图6所示，路面HMM的状态从状态S₁转移为状态 S₇的路径(状态转移系列)存在多个。即，对于各路面HMM，似 然度Z根据每个状态转移系列而不同。

在本例中，应用公知的维特比算法来求出似然度Z最大的 状态转移系列Z_M，将该状态转移系列设为与检测出的轮胎振动 的时间序列波形对应的状态转移系列，并且将上述似然度Z_M设 为该路面HMM的Z。

针对每个路面HMM来求出似然度Z_M。

判断单元19将由似然度计算单元18计算出的多个隐马尔可 夫模型中的每个隐马尔可夫模型的似然度进行比较，将与似然 度最大的隐马尔可夫模型对应的路面状态判断为该轮胎所行驶 路面的路面状态。

即，当将DRY路面HMM的似然度设为Z1、将WET路面HMM 的似然度设为Z2、将SNOW路面HMM的似然度设为Z3、将ICE 路面HMM的似然度设为Z4、将路面外HMM的似然度设为Z5时， 在判断单元19中将上述Z1~Z5进行比较，将与示出最大似然度 的路面HMM对应的路面状态判断为当前路面状态。此外，在Z5 的似然度最大的情况下判断为数据为路面外数据，不进行路面 状态的判断。

接着，参照图7的流程图来说明使用路面状态判断装置10 来判断轮胎20所行驶路面的状态的方法。在本例中，作为路面 HMM，使用了DRY路面HMM、WET路面HMM、SNOW路面 HMM、ICE路面HMM以及路面外HMM这五个模型。

首先，通过加速度传感器11对由于来自轮胎20所行驶路面 R的输入而产生的轮胎振动进行检测，并发送给运算处理部 10B(步骤S10)。

然后，通过预先设定的时间窗来对作为轮胎振动的数据的 时间序列波形加窗，按每个时间窗提取轮胎振动的时间序列波 形(步骤S11)，此后，针对提取出的各时间窗的各时间序列波形， 计算特征矢量X=(x₁(t),x₂(t),x₃(t),x₄(t),x₅(t),x₆(t))(步骤S12)。

在本例中将时间窗宽度设为2msec.。

如上所述，特征矢量X的各成分x₁(t)~x₆(t)为轮胎振动的时 间序列波形的滤波器过滤波的功率值。

如图5所示，在计算出特征矢量X之后，针对多个路面 HMM，分别计算特征矢量X的似然度(步骤S13~步骤S15)。各路 面HMM的结构与图4示出的结构相同。

具体地说，首先，对于作为第一模型的DRY路面HMM，按 每个时间窗来求出出现概率K(X_t)=输出概率P(X_t)×转移概率 π(X_t)(步骤S13)，将全部时间窗的该出现概率K(X_t)相乘来算出 DRY路面HMM的似然度Z1(步骤S14)。

接着，判断全部模型的似然度Z的计算是否结束(步骤S15)。 在没有结束的情况下，返回到步骤S13，计算作为下一模型的 WET路面HMM的似然度Z2。

在全部五个模型的似然度Z的计算结束的情况下，进入到 步骤S16，将针对每个路面HMM计算出的似然度Z1~Z5进行比 较，将与似然度最大的路面HMM对应的路面状态判断为该轮胎 所行驶路面的路面状态。

这样，在本实施方式中，通过加窗单元15对由加速度传感 器11检测出的轮胎振动的时间序列波形加窗，来提取每个时间 窗的轮胎振动的时间序列波形，并计算特征矢量X，之后针对 每个路面模型来算出似然度Z，将针对每个该路面HMM计算出 的似然度Z1~Z5进行比较，将与似然度最大的路面HMM对应的 路面状态判断为该轮胎所行驶路面的路面状态，因此不进行峰 值位置的检测、车轮速度的测量就能够判断路面状态。

另外，能够与接地长度无关地判断路面状态，因此能够提 高对于轮胎尺寸变更的鲁棒性。

此外，在上述实施方式中，将轮胎振动检测单元设为加速 度传感器11，但是也可以使用压力传感器等其它振动检测单元。 另外，关于加速度传感器11的设置部位，也可以在宽度方向上 距轮胎宽度方向中心规定距离的位置处各配置一个，或者设置 于块内等设置在其它部位。另外，加速度传感器11的个数也并 不限定于一个，也可以设置于轮胎圆周方向的多个部位。

另外，在上述例中，将特征矢量X设为滤波器过滤波的功 率值x_k(t)，但是也可以使用滤波器过滤波的功率值x_k(t)的时变 方差的平均值μ_k以及标准偏差σ_k。用log[x_k²(t)+x_k-1²(t)]来表示时 变方差。此外，在该情况下，特征矢量X的维度成为频带数量 (6)×参数数量(2)=12。

或者，也可以将特征矢量X设为对轮胎振动时间序列波形 进行傅立叶变换时的作为特定频带的振动水平的傅立叶系数或 者倒谱系数。

关于倒谱，将傅立叶变换后的波形视作谱波形而再次进行 傅立叶变换来得到，或者将AR谱视作波形而进一步求出AR系 数来得到(LPCepstra)，不影响绝对水平而能够对谱的形状赋予 特征，因此判断精度比使用通过傅立叶变换得到的频谱的情况 高。在LPCepstra的情况下，关于特征矢量X的维度，使用功率 值(1)+倒谱系数(12)及其一次差和二次差，因此特征矢量X的维 度为39。

另外，在上述例中，图8(a)~(e)所示那样将七种状态(S₁~S₇) 的路面HMM设定为五个(四个路面内HMM(road)和路面外 HMM(silent))，但是也可以组合路面内HMM(road)和路面外 HMM(silent)。

作为组合，除了存在图9(a)~(d)所示的silent-road-silent的 组合以外，还存在图10(a)~(d)所示的silent-road的组合、图 11(a)~(d)所示的road-silent的组合。

路面内HMM(road)存在DRY路面HMM、WET路面HMM、 SNOW路面HMM以及ICE路面HMM这四个HMM，因此如果包 括图8的(e)示出的仅路面外HMM(silent)的情况，路面HMM为17 个。因而，如果将图9~图11示出的12个模型中的多个或者全部 追加到图8的(a)~(e)示出的五个模型，则能够进一步提高路面的 判断精度。

[实施例]

在四台试验车辆A~D中分别安装轮胎，该轮胎中安装有加 速度传感器，使它们在DRY、WET、SNOW以及ICE的各路面上 分别以30km~90km/h的速度行驶，使用路面HMM来根据这样得 到的轮胎振动的时间序列波形来判断路面状态。

试验车辆A为前轮驱动车且轮胎尺寸为165/70R14。

试验车辆B为后轮驱动车且轮胎尺寸为195/65R15。

试验车辆C为前轮驱动车且轮胎尺寸为195/60R15。

试验车辆D为前轮驱动车且轮胎尺寸为185/70R14。

此外，将各轮胎的胎面花纹全部设为固定(普利司通： BLIZZAK REV02)。

学习用的数据使用了试验车辆A的数据。

另外，使用图8~图11示出的17个模型作为路面HMM，分为 使用LPCepstra作为特征矢量X以及使用滤波器过滤波的功率值 x_k(t)的时变方差的平均值μ_k和标准偏差σ_k作为特征矢量X这两 种情况进行路面判断。图12的表示出其结果。用正确率(％)来 表示判断结果。

根据图12的表可知，在使用了LPCep stra的情况下，在任一 轮胎中均得到大约90％或者更高的正确率。另外，在使用了滤 波器过滤波的功率值xk(t)的时变方差的平均值μ_k和标准偏差σ_k的情况下，对于搭载了截面宽度大的轮胎的车辆B、C，正确率 不一定充分，但是对于车辆A、D，得到80％以上的高正确率， 因此通过应用本申请的发明，确认为能够高精度地判断路面状 态。

以上，使用实施方式说明了本发明，但是本发明的技术范 围并不限定于上述实施方式所记载的范围。对于本领域技术人 员来说，能够对上述实施方式进行各种变更或者改进是显而易 见的。根据权利要求的范围可知，这种进行了变更或者改进的 方式也包括在本发明的技术范围内。

根据本发明，不进行峰值位置的检测、车轮速度的测量而 能够分割轮胎振动的时间序列波形，并且能够具有对轮胎尺寸 的鲁棒性地判断路面状态，因此能够显著提高ABS、VSC等车 辆控制的精度。