路面状态判断方法和设备专利检索- .用于道路车辆的例如客车专利检索查询-专利查询网

路面状态判断方法和设备
申请号	CN201380042285.9	申请日	2013-08-09	公开(公告)号	CN104540717B	公开(公告)日	2017-03-01
申请人	株式会社普利司通; 大学共同利用机关法人; 情报·系统研究机构;			发明人	花塚泰史; 樋口知之; 松井知子;
摘要	窗应用部件对加速度传感器所检测到的轮胎振动的时间序列波形应用窗；在提取各时间窗的轮胎振动的时间序列波形并且计算各时间窗的特征水平之后，根据各时间窗的特征水平、以及作为根据针对各路面状态所获得的轮胎振动的时间序列波形而预先计算出的各时间窗的特征向量的路面特征向量，来计算核函数；并且比较使用该核函数的判别函数的值以判断路面状态，由此可以在无需检测峰位置或测量车轮速度的情况下根据轮胎振动的时间序列波形来判断路面状态，并且可以向路面状态的判断添加针对轮胎大小变化的鲁棒性。
权利要求	1.一种路面状态判断方法，用于通过检测行驶中的轮胎振动来判断轮胎接触的路面的状态，所述路面状态判断方法包括以下步骤：步骤(a)，用于检测行驶中的轮胎振动；步骤(b)，用于获得所检测到的轮胎振动的时间序列波形；步骤(c)，用于对所述轮胎振动的时间序列波形应用预定时间宽度的窗函数，并且提取各时间窗的时间序列波形；步骤(d)，用于根据所述各时间窗的时间序列波形来计算各自的特征向量；步骤(e)，用于根据所述步骤(d)中所计算出的各时间窗的特征向量以及预先计算出的路面特征向量来计算核函数，其中所述路面特征向量是根据针对各路面状态所获得的轮胎振动的时间序列波形而计算出的各时间窗的特征向量；以及步骤(f)，用于基于使用所述核函数的判别函数的值来判断路面状态，其中，在所述步骤(f)中，通过比较针对各路面状态所获得的判别函数的值来判断路面状态。 2.根据权利要求1所述的路面状态判断方法，其中，所述特征向量是通过应用所述窗函数而提取的各时间窗的时间序列波形的特定频率范围的振动水平、所述特定频率范围的振动水平的时变离散度、以及所述时间序列波形的倒谱系数中的一个、多个或全部，以及所述特定频率范围的振动水平是根据通过应用所述窗函数所提取的各时间窗的时间序列波形的频谱而获得的特定频率范围的振动水平，或者是根据通过使通过应用所述窗函数所提取的各时间窗的时间序列波形经过带通滤波器所获得的时间序列波形而获得的特定频率范围的振动水平。 3.根据权利要求1或2所述的路面状态判断方法，其中，所述核函数是全局对准核函数或者动态时间规整核函数，或者是所述全局对准核函数和所述动态时间规整核函数的和、差、积或商。 4.一种路面状态判断设备，用于通过检测行驶中的轮胎振动来判断轮胎接触的路面的状态，所述路面状态判断设备包括：轮胎振动检测部件，其配置在轮胎胎面部的内衬部的气室侧，并且用于检测行驶中的轮胎振动；窗应用部件，用于按预定的时间宽度对所述轮胎振动检测部件所检测到的轮胎振动的时间序列波形应用窗，并且针对各时间窗提取轮胎振动的时间序列波形；特征向量计算部件，用于计算将所提取的各时间窗的时间序列波形中的特定频率的振动水平作为分量的特征向量，或者计算将所述振动水平的函数作为分量的特征向量；存储部件，用于存储预先计算出的路面特征向量，其中所述路面特征向量是根据针对各路面状态所获得的轮胎振动的时间序列波形而计算出的各时间窗的特征向量；核函数计算部件，用于根据所述特征向量计算部件所计算出的各时间窗的特征向量和所述存储部件中所存储的路面特征向量来计算核函数；以及路面状态判断部件，用于基于使用所述核函数的判别函数的值来判断路面状态，其中，所述路面状态判断部件通过比较针对各路面状态所获得的判别函数的值来判断路面状态。
说明书全文	路面状态判断方法和设备技术领域 [0001] 本发明涉及用于判断车辆行驶的路面的状态的方法和设备，尤其涉及用于仅使用行驶中的轮胎振动的时间序列波形的数据来判断路面状态的方法。背景技术 [0002] 存在用于通过检测行驶中的轮胎振动来估计路面状态的传统方法。在这种方法中，将所检测到的轮胎振动的时间序列波形分割成诸如“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”等的多个区域。并且，根据这些区域，提取例如振动水平针对不同路面状态而明显改变的频率范围的振动水平(诸如踏入前区域和接地面区域中的低频范围的振动成分和高频范围的振动成分等)以及振动水平没有随着不同的路面状态而改变的频率范围的振动水平。然后，根据这些振动水平之间的比来估计车辆行驶的路面的状态(例如，参见专利文献1)。 [0003] 现有技术文献 [0004] 专利文献 [0005] 专利文献1：WO 2006/135909 A1 发明内容 [0006] 发明要解决的问题 [0007] 然而，在接地时间随着车轮速度而改变的情况下，传统方法使用车轮速度来确定各区域的时间宽度，其中使用诸如在轮胎振动的时间序列波形中出现的蹬出位置等的峰位置作为基准来设置特定时间位置的起点。这不仅有必要测量车轮速度，而且由于使用时间序列波形的峰位置作为基准，因而还导致区域宽度的设置精度不一定足够。 [0008] 此外，由于接地长度随着轮胎大小而改变，因此该方法需要针对各轮胎大小设置区域宽度。 [0009] 本发明是有鉴于上述问题而作出的，并且本发明的目的是提供用于在无需检测峰位置或测量车轮速度的情况下根据轮胎振动的时间序列波形来判断路面状态、并且向路面状态的判断添加针对轮胎大小变化的鲁棒性的方法。 [0010] 用于解决问题的方案 [0011] 本发明涉及一种路面状态判断方法，用于通过检测行驶中的轮胎振动来判断轮胎接触的路面的状态，所述路面状态判断方法包括以下步骤：步骤(a)，用于检测行驶中的轮胎振动；步骤(b)，用于获得所检测到的轮胎振动的时间序列波形；步骤(c)，用于对所述轮胎振动的时间序列波形应用预定时间宽度的窗函数，并且提取各时间窗的时间序列波形；步骤(d)，用于根据所述各时间窗的时间序列波形来计算各自的特征向量；步骤(e)，用于根据所述步骤(d)中所计算出的各时间窗的特征向量以及预先计算出的路面特征向量来计算核函数，其中所述路面特征向量是根据针对各路面状态所获得的轮胎振动的时间序列波形而计算出的各时间窗的特征向量；以及步骤(f)，用于基于使用所述核函数的判别函数的值来判断路面状态，其中，在所述步骤(f)中，通过比较针对各路面状态所获得的判别函数的值来判断路面状态。附图说明 [0012] 图1是示出根据本发明优选实施方式的路面状态判断设备的构成的功能框图。 [0013] 图2是示出加速度传感器的安装位置的示例的图。 [0014] 图3是示出轮胎振动的时间序列波形的示例的图。 [0015] 图4是示出用于根据轮胎振动的时间序列波形来计算特征向量的方法的图。 [0016] 图5是示出输入空间的示意图。 [0017] 图6是示出输入空间上的、干燥(DRY)路面特征向量和除干燥路面以外的路面特征向量的图。 [0018] 图7是示出用于计算干燥路面特征向量和除干燥路面以外的路面特征向量的GA核的方法的图。 [0019] 图8是示出用于计算所计算出的特征向量和路面特征向量的GA核的方法的图。 [0020] 图9是示出根据本发明的用于判断路面状态的方法的流程图。 [0021] 图10是示出用于计算DTW核的方法的图。具体实施例 [0022] 以下将基于并不意图限制本发明的权利要求书的范围的优选实施方式来说明本发明。并非这些实施方式中所述的特征的所有组合对于本发明而言都是必须的。 [0023] 图1是示出路面状态判断设备10的构成的功能框图。路面状态判断设备10包括作为轮胎振动检测部件的加速度传感器11、振动波形提取部件12、窗应用部件13、特征向量计算部件14、存储部件15、核函数计算部件16和路面状态判断部件17。 [0024] 振动波形提取部件12至路面状态判断部件17的各部件例如可以由计算机软件和诸如RAM等的存储器构成。 [0025] 加速度传感器11如图2所示一体配置于轮胎20的内衬部21的轮胎气室22侧的大致中央部，并且检测从路面R输入的轮胎20的振动。作为加速度传感器11的输出的轮胎振动的信号例如在由放大器进行放大之后被转换成数字信号，并且被发送至振动波形提取部件12。 [0026] 振动波形提取部件12针对轮胎的各次旋转，从加速度传感器11所检测到的轮胎振动的信号中提取轮胎振动的时间序列波形。 [0027] 图3是示出轮胎振动的时间序列波形的示例的图。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。轮胎振动的时间序列波形还示出在轮胎20的着地部接地之前的踏入前区域Rf和轮胎20的着地部与路面分离之后的蹬出后区域Rk中随着路面状态而改变的振动。另一方面，踏入前区域Rf之前的区域和蹬出后区域Rk之后的区域(以下称为“路面外区域”)中的振动几乎没有受到路面的影响，由此这些振动示出低振动水平并且不包含与路面有关的信息。 [0028] 窗应用部件13如图4所示，按预定时间宽度(还称为时间窗宽度)T对所提取的时间序列波形应用窗，针对各时间窗提取轮胎振动的时间序列波形，并将这些时间序列波形发送至特征向量计算部件14。 [0029] 在针对各时间窗所提取的轮胎振动的时间序列波形中，如上所述，不包含踏入前区域Rf、接地面区域Rt和蹬出后区域Rk中的任何区域的区域(以下称为“路面外区域”)的时间序列波形不包含与路面有关的信息。因此，在本示例中，没有将路面外时间序列波形发送至特征向量计算部件14，从而帮助提高计算核函数的速度。 [0030] 要注意，例如，可以将路面外区域定义为具有比针对轮胎振动的时间序列波形所设置的背景水平低的振动水平的区域。 [0031] 特征向量计算部件14如图4所示，针对所提取的各时间窗的时间序列波形来计算特征向量Xi(i＝1～N：N是所提取的时间窗的时间序列波形的数量)。 [0032] 在本示例中，作为特征向量Xi，使用通过使轮胎振动的时间序列波形分别通过0～0.5kHz、0.5～1kHz、1～2kHz、2～3kHz、3～4kHz和4～5kHz的带通滤波器所获得的特定频率范围的振动水平(滤波后的波形的功率值)aik(k＝1～6)。特征向量Xi为(ai1,ai2,ai3,ai4,ai5,ai6)，并且特征向量Xi的数量为N个。 [0033] 图5是特征向量Xi的输入空间的示意图。该图的横轴表示作为特征向量的特定频率范围的振动水平aik，并且各点表示特征向量Xi。尽管实际输入空间是六个特定频率范围+一个时间轴的7维空间，但该图是以2维方式(横轴为a1且纵轴为a2)来表示的。 [0034] 例如，假定车辆正在干燥路面上行驶。然后，如果可以将构成组C的点与针对正在积雪(SNOWY)路面上行驶的车辆所计算出的构成组C’的特征向量X’i区分开，则可以判断车辆是正在干燥路面还是积雪路面上行驶。 [0035] 存储部件15使用各自表示分离超平面的判别函数f(x)，来存储用于将干燥路面与其它路面、湿滑(WET)路面与其它路面、积雪路面与其它路面、以及结冰(ICY)路面与其它路面分离的四个预先确定的路面模型。 [0036] 路面模型是通过使用如下路面特征向量YA(yjk)作为输入数据进行学习而推导出的，其中这些路面特征向量YA(yjk)是根据通过使具有装配有加速度传感器的轮胎的测试车辆在干燥、湿滑、积雪和结冰的各路面上以各种速度行驶所确定的轮胎振动的时间序列波形而计算出的针对各时间窗的特征向量。 [0037] 注意，学习时要使用的轮胎大小可以是一种大小或多种大小。 [0038] 路面特征向量YASV(yjk)的后缀A表示干燥(DRY)、湿滑(WET)、积雪(SNOW)或结冰(ICE)。后缀j(j＝1～M)表示针对时间窗所提取的时间序列波形的数量(窗的编号)，并且后缀k表示向量的分量。此外，SV是支持向量的缩写，其中这些支持向量表示通过学习所选择的判别边界的附近的数据。 [0039] 要注意，在如本示例那样、使用全局对准核函数(GA核)或动态时间规整核函数(DTW核)作为核函数的情况下，路面特征向量YASV(yjk)各自是“向量yi的维数(这里为6)×窗的数量N”的矩阵。 [0040] 以下将路面特征向量YASV(yjk)简称为YASV。 [0041] 用于计算各个路面特征向量YASV的方法与用于计算上述的特征向量Xj的方法相同。例如，如下计算干燥路面特征向量YDSV。首先，按时间宽度T对在干燥路面上行驶期间的轮胎振动的时间序列波形应用窗。然后，提取各时间窗的轮胎振动的时间序列波形。并且，针对所提取的各时间窗的时间序列波形分别计算干燥路面特征向量YD。注意，干燥路面特征向量YD的向量yi的维数是与特征向量Xi相同的6维。之后，通过利用支持向量机(SVM)学习YD作为学习数据来选择支持向量YDSV。这里，应当注意，并非必须将所有的YD都存储在存储部件15中，而且仅应将所选择的YDSV存储在存储部件15中。 [0042] 可以以与干燥路面特征向量YDSV相同的方式获得湿滑路面特征向量YWSV、积雪路面特征向量YSSV和结冰路面特征向量YISV。 [0043] 这里，时间宽度T具有与推导特征向量Xj时所使用的时间宽度T相同的值，这至关重要。如果时间宽度T是固定的，则时间窗的时间序列波形的数量M随着轮胎类型和车速而改变。也就是说，路面特征向量YASV的时间窗的时间序列波形的数量M并非必须与特征向量Xj的时间窗的时间序列波形的数量N一致。例如，在轮胎类型相同的情况下，如果推导特征向量Xj时的车速比推导干燥路面特征向量YDSV时的车速慢，则MN。 [0044] 使用各路面特征向量YA作为学习数据来利用SVM构造路面模型。 [0045] 图6是示出输入空间上的干燥路面特征向量YDSV和除干燥路面以外的路面特征向量YnDSV的概念图，其中黑色圆圈表示干燥路面特征向量，并且浅色圆圈表示除干燥路面以外的路面特征向量。 [0046] 要注意，如已经说明的，干燥路面特征向量和除干燥路面以外的路面特征向量这两者都是矩阵。为了说明如何推导组之间的判别边界，图6以二维向量分别示出干燥路面特征向量和除干燥路面以外的路面特征向量。 [0047] 通过线性分离通常不能获得组之间的判别边界。因此，使用核方法，通过利用非线性映射φ将路面特征向量YDSV和YnDSV映射到高维特征空间来对这两者进行线性分离。因而，在原始输入空间中对路面特征向量YDSV和YnDSV进行了非线性分类。 [0048] 更具体地，使用数据的集合X＝(x1,x2,……xn)和附属类z＝{1,-1}来获得用以判别数据的最佳判别函数f(x)＝wTφ(x)–b。这里，数据是路面特征向量YDj、YnDj,，附属类z＝1是图中利用X1表示的干燥路面数据，并且附属类z＝-1是利用X2表示的除干燥路面的数据以外的路面数据。此外，w是加权系数，b是常数，并且f(x)＝0是判别边界。 [0049] 例如，通过使用拉格朗日(Lagrange)的待定乘子法来使判别函数f(x)＝wTφ(x)–b最优化。可以利用以下的表达式(1)和(2)来替换该最优化问题。 [0050] 数学式1 [0051] 最大化 [0052] 受约束于 [0053] 这里，α和β是多个学习数据的指标。此外，λ是拉格朗日的乘子，并且λ＞0。 [0054] 此时，通过利用核函数K(xα,xβ)替换内积φ(xα)φ(xβ)，可以使判别函数f(x)＝wTφ(x)–b为非线性。要注意，φ(xα)φ(xβ)是在通过映射φ将xα和xβ映射到高维空间之后的内积。 [0055] 可以使用诸如最速下降法或SMO(sequential minimal optimization，序列最小优化)等的最优化算法来获得上述等式(2)中的拉格朗日乘子λ。如此，使用核函数使得不必获得高维内积。因此，可以大幅缩短计算时间。 [0056] 在本示例中，使用全局对准核函数(GA核)作为核函数K(xα,xβ)。如图7和以下的等式(3)和(4)所示，GA核K(xα,xβ)是如下的包括局部核Кij(xi,xj)的总和或总积的函数，并且使得能够直接比较时间长度不同的时间序列波形，其中该函数表示干燥路面特征向量xi＝YDi和除干燥路面以外的路面特征向量xj＝YnDi之间的相似度。 [0057] 局部核Кij(xi,xj)是按时间间隔T针对各窗所推导出的。 [0058] 注意，图7示出针对时间窗的数量为6个的干燥路面特征向量YDj和时间窗的数量为4个的除干燥路面以外的路面特征向量YnDj所获得的GA核的示例。 [0059] 数学式2 [0060] [0061] [0062] 其中，‖xαi–xβj‖是特征向量之间的距离(范数)并且σ是常数。 [0063] 通过向作为干燥路面特征向量YDj和除干燥路面以外的路面特征向量YnDj之间的分离超平面的判别函数f(x)赋予余裕，可以以高精度将干燥路面和除干燥路面以外的路面彼此区分开。 [0064] 如这里所使用的余裕是从分离超平面到最近样本(支持向量)的距离。作为判别边界的分离超平面是f(x)＝0。并且，干燥路面特征向量YDj全部在f(x)≧+1的域内，而除干燥路面以外的路面特征向量YnDj在f(x)≦-1的域内。 [0065] 用于将干燥路面与其它路面区分开的干燥路面模型是在f(x)＝+1的距离处具有支持向量YDSV并且在f(x)＝-1的距离处具有支持向量YnDSV的输入空间。通常，存在多个YDSV和YnDSV。 [0066] 这同样适用于用于将湿滑路面与其它路面区分开的湿滑路面模型、用于将积雪路面与其它路面区分开的积雪路面模型、以及用于将结冰路面与其它路面区分开的结冰路面模型。 [0067] 核函数计算部件16根据特征向量计算部件14所计算出的特征向量Xi以及存储部件15中所存储的干燥路面模型、湿滑路面模型、积雪路面模型和结冰路面模型的支持向量YASV和YnASV(A＝D,W,S,I)，来计算各个GA核KD(X,Y)、KW(X,Y)、KS(X,Y)和KI(X,Y)。 [0068] 同样如图8所示，GA核K(X,Y)是包括在等式2中xi是特征向量Xi并且xj是路面特征向量YAj和YnAj的情况下的局部核Кij(Xi,Yj)的总和或总积的函数，其中利用该函数，可以直接比较时间长度不同的时间序列波形。要注意，图8示出xj是路面特征向量YAj、特征向量Xi的时间窗的数量为n＝5、并且路面特征向量YAj的时间窗的数量为m＝4的示例。 [0069] 如该示例所示，即使在推导特征向量Xi时所使用的时间窗的时间序列波形的数量n和推导路面特征向量YAj(或YnAj)时所使用的时间窗的时间序列波形的数量m之间存在差的情况下，也可以获得特征向量Xi和YAj之间(或者Xi和YnAj之间)的相似度。 [0070] 如以下的等式(5)～(8)所示，路面状态判断部件17分别基于使用核函数KA(X,Y)的四个判别函数fA(x)的值来计算路面的状态(A＝D,W,S,I)。 [0071] 公式3 [0072] [0073] [0074] [0075] [0076] 其中，fD是用于将干燥路面与其它路面区分开的判别函数，fW是用于将湿滑路面与其它路面区分开的判别函数，fS是用于将积雪路面与其它路面区分开的判别函数，并且fI用于将结冰路面与其它路面区分开的判别函数。 [0077] 此外，NDSV是干燥路面模型的支持向量的数量，NWSV是湿滑路面模型的支持向量的数量，NSSV是积雪路面模型的支持向量的数量，并且NISV是结冰路面模型的支持向量的数量。 [0078] 例如，通过在推导用于将干燥路面与其它路面区分开的判别函数时进行学习来获得判别函数的拉格朗日乘子λD的值。 [0079] 在本示例中，分别计算判别函数fD、fW、fS和fI，并且根据示出所计算出的判别函数fA的最大值的判别函数来判断路面状态。 [0080] 接着，通过参考图9的流程图来说明用于利用路面状态判断设备10判断轮胎20正行驶的路面的状态的方法。 [0081] 首先，利用加速度传感器11来检测来自轮胎20正行驶的路面R的输入所引起的轮胎振动(步骤S10)。并且，根据所检测到的轮胎振动的信号来提取轮胎振动的时间序列波形(步骤S11)。 [0082] 然后，按预定的时间宽度T对所获得的轮胎振动的时间序列波形应用窗，并且获得各时间窗的时间序列波形。这里，假定各时间窗的轮胎振动的时间序列波形的数量为m个(步骤S12)。 [0083] 接着，针对所提取的各时间窗的时间序列波形计算特征向量Xi＝(xi1,xi2,xi3,xi4,xi5,xi6)(步骤S13)。在本示例中，将时间宽度T设置为3msec。此外，特征向量Xi的数量为6个。 [0084] 如已经说明的，特征向量Xi的分量xi1～xi6(i＝1～m)是滤波后的轮胎振动的时间序列波形的功率值。 [0085] 接着，根据所计算出的特征向量Xi和存储部件15中所存储的路面模型的支持向量YAk来计算局部核Кij(Xi,Yj)。然后，获得局部核Кij(Xi,Yj)的总和，并且分别计算全局对准核函数KD(X,Y)、KW(X,Y)、KS(X,Y)和KI(X,Y)(步骤S14)。 [0086] 并且，分别计算使用核函数KA(X,Y)的四个判别函数fD(x)、fW(x)、fS(x)和fI(x)(步骤S15)。然后，彼此比较所计算出的判别函数fA(x)的值，并且将示出最大值的判别函数的路面状态判断为轮胎20正行驶的路面的状态(步骤S16)。 [0087] 在本实施方式中，如迄今为止所述，利用窗应用部件13对加速度传感器11所检测到的轮胎振动的时间序列波形应用窗。并且，提取各时间窗的轮胎振动的时间序列波形，并针对各时间窗计算特征向量Xi。然后，获得特征向量X和路面特征向量Y的核函数KA(X,Y)。并且，根据使用核函数KA(X,Y)的四个判别函数fD(x)、fW(x)、fS(x)和fI(x)的值来判断轮胎20正行驶的路面的状态。结果，可以在无需检测峰位置或测量车轮速度的情况下判断路面状态。 [0088] 此外，本示例中所使用的特征向量Xi是作为与时间序列波形相比更好地反映路面状态的差异的因素的特定频率范围的振动水平(滤波后的波形的功率值)。这样使得能够以更高的精度判断路面状态。 [0089] 此外，由于可以独立于接地长度来判断路面状态，因此可以提高该方法针对轮胎大小变化的鲁棒性。 [0090] 注意，在上述实施方式中作为加速度传感器11已经说明的轮胎振动检测部件可以是诸如压力传感器等的任何其它振动检测部件。此外，加速度传感器11的设置地方可以为所述地方以外的其它地方，诸如相对于轮胎宽度方向中心在宽度方向上远离了预定距离的位置处所设置的一个地方、或者胎块内所设置的其它地方。此外，加速度传感器11的数量不限于一个，而且可以在轮胎圆周方向的多个位置处设置多个加速度传感器11。 [0091] 此外，在上述示例中，特征向量Xi是滤波后的波形的功率值xik。但还可以使用滤波后的波形的xik的时变离散度(time-varying dispersion)作为特征向量Xi。可以将时变离散度表示为Log[xik(t)2+xik(t-1)2]。 [0092] 或者，特征向量Xi可以是作为在对轮胎振动的时间序列波形进行傅里叶变换的情况下的特定频率范围的振动水平的傅里叶系数、或者倒谱系数。 [0093] 可以通过假定傅里叶变换之后的波形作为谱波形以再次对该波形进行傅里叶变换，或者通过假定AR谱作为波形以进一步获得AR系数，来获得倒谱(LPC倒谱)，并且倒谱可以在不受绝对水平的影响的情况下表现谱的形状的特征，因而与使用通过傅里叶变换所获得的频谱的情况相比，提高了判断精度。 [0094] 此外，在上述实施方式中，使用GA核作为核函数。但如以下的等式(9)或等式(10)所示，作为代替，可以使用动态时间规整核函数(DTW核)。 [0095] 数学式4 [0096] [0097] 或者 [0098] [0099] 其中，π是路径并且A(xi,xj)是可能的所有路径。 [0100] 如图10所示，DTW核K’(X,Y)包括在获得局部核Kij(Xi,Yj)的总和时、例如粗实线所示的所有路径中的K’ij(Xi,Yj)的总和变为最大或最小的路径的总和。 [0101] 在图10的示例中，如果特征向量Xi的时间窗的数量为n＝5并且路面特征向量Yj的时间窗的数量为m＝4，则在将局部核Kij(Xi,Yj)表示为等式(11)的情况下，将如下表示DTW核K1’(X,Y)。 [0102] 数学式5 [0103] k'ij(Xi,Yj)＝\|\|Xi-Yj\|\|2……(11) [0104] [0105] 要注意，可以使用GA核和DTW核的和、差、积或商作为核函数。如果像这样使用GA核和DTW核作为核函数，则由于可以直接处理时间序列波形，因此可以以优良的精度判断路面状态。 [0106] 实施例 [0107] 轮胎大小不同的四台测试车辆A～D各自装配有安装了加速度传感器的轮胎。这些测试轮胎各自在干燥、湿滑、积雪和结冰的各路面上以30～90km/h的速度行驶。然后，根据如此获得的轮胎振动的时间序列波形来计算核函数。并且，以下的表1示出使用通过SVM模型所学习的模型来判断路面状态的结果。 [0108] 表1 [0109] 测试车辆A 测试车辆B 测试车辆C 测试车辆D GAK-LPG 100.0 84.6 85.8 90.4 GKA-BPF 100.0 96.7 85.8 100.0 GAK-LPC+GKA-BPF 100.0 96.3 88.8 97.9 [0110] 正确判断率[％] [0111] 构造分别用于进行干燥和其它路面条件、湿滑和其它路面条件、积雪和其它路面条件以及结冰和其它路面条件的判断的四个SVM模型。并且，将作为在各模型中输入除学习时所使用的测试数据以外的测试数据的结果的SVW得分最高的模型的路面状态判断为车辆正行驶的路面的状态。 [0112] 测试车辆A是前轮驱动车辆，并且轮胎大小为165/70R14。 [0113] 测试车辆B是后轮驱动车辆，并且轮胎大小为195/65R15。 [0114] 测试车辆C是前轮驱动车辆，并且轮胎大小为195/60R15。 [0115] 测试车辆D是前轮驱动车辆，并且轮胎大小为185/70R14。 [0116] 各轮胎的胎面图案全部是固定的(普利司通：BLIZZK REV02)。 [0117] 学习时所使用的数据包括了利用测试车辆A所获得的总数据的2/3。 [0118] 此外，在如下三种情况下判断路面状态，并且将结果示出为正确判断率(％)：使用LPC倒谱作为特征向量X的情况；使用带通滤波后的波形的功率值xik；以及使用LPC倒谱和带通滤波后的波形的功率值xik这两者的情况。 [0119] 如通过表1显而易见，利用所有的测试车辆A～D实现了高达85％以上的正确判断率。特别地，在使用LPC倒谱和带通滤波后的波形的功率值xik这两者的情况下，利用除装配有轮胎截面宽度大且扁平率低的轮胎的测试车辆C以外的测试车辆，所实现的正确判断率高达95％以上。因此，已确认了本发明的应用将以优良的精度实现路面状态的判断。 [0120] 在上述说明中，已经参考本发明的特定实施方式说明了本发明。然而，本发明的技术范围不应被视为局限于这些实施方式。本领域技术人员显而易见，可以在没有背离本发明的较宽精神和范围的情况下对本发明进行各种修改和改变。通过所附权利要求书的范围还将显而易见，所有这些变形均意图包括在本发明的技术范围内。 [0121] 根据本发明，可以在无需检测峰位置或测量车轮速度的情况下对轮胎振动的时间序列波形进行分割。同时，用于判断路面状态的方法的针对轮胎大小变化的鲁棒性可以有助于显著提高诸如ABS和VSC等的车辆控制的精度。 [0122] 附图标记说明 [0123] 10 路面状态判断设备、 11 加速度传感器、 [0124] 12 振动波形提取部件、 13 窗应用部件、 [0125] 14 特征向量计算部件、 15 存储部件、 [0126] 16 核函数计算部件、 17 路面状态判断部件、 [0127] 20 轮胎、 21 内衬部、 22 轮胎气室、[0128] R 路面。

意见反馈