JP7112909B2 - タイヤ種判別方法及びタイヤ種判別装置 - Google Patents

Description

本発明は、車両に装着されたタイヤに入力する加速度のデータを用いてタイヤの種類を判別する方法とその装置に関する。

車両に取付けられたタイヤ種（サマー/スタッドレスなど）やブランド種（○○社の△△というタイヤなど）などの情報は、タイヤの刻印を人が見るか、ＲＦＩＤ等の装着が必要となるが、車両側から知りうる手段はない。
もし、車両側にて、搭載しているタイヤの種類に関する情報を入手できれば、これらの情報を車両制御装置に送って、例えば、ＡＢＳの作動タイミングを、タイヤ種に適したものに切り替えるなどすることにより、車両の走行性能の改善が期待できる。
従来、タイヤ種を判別する方法として、高速道路の料金所から所定距離以内の路面に２軸方向もしくは３軸方向の振動を計測する振動センサーを取り付け、この振動センサーで検出された路面の振動の周波数特性を解析することで、前記振動センサーが取り付けられた路面を通過した車両が搭載したタイヤが夏タイヤであるか冬タイヤ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）。
また、この特許文献１では、判別されたタイヤ種が季節に適したタイヤでない場合（例えば、冬に夏タイヤを装着している場合）には、タイヤを冬タイヤに交換しなければ、料金所を通過させないようにすることで、高速道路での走行の安全を図っている。

特開２０１７－４３１４７号公報

しかしながら、前記従来の方法においては、タイヤ種を判別した車両を特定は、振動センサーを通過した車両が、振動センサーの設置箇所から所定のコースを通って料金所に到達した時点で、料金所の管理人等によりなされることから、一般道路でのタイヤ種の判別が困難であった。
また、前記従来の方法では、タイヤ種を判別するため、道路に振動センサーを取り付ける必要があるだけでなく、車両側からのタイヤ種の判別ができなかった。

本発明は、従来の問題点に鑑みてなされたもので、車両側から走行中のタイヤのタイヤ種を判別する方法とその装置を提供することを目的とする。

本発明は、車両に取付けられたタイヤのタイヤトレッド内面側に装着された加速度センサーの出力から前記タイヤの種類であるタイヤ種を判別する方法であって、前記加速度センサーの出力から加速度波形を検出するステップと、前記加速度波形から特徴ベクトルを抽出するステップと、前記抽出された特徴ベクトルから、サポートベクトルマシーン、決定木、あるいは、ニューラルネットワークなどの機械学習のアルゴリズムにより、前記タイヤのタイヤ種を判別するステップと、を備え、前記特徴ベクトルが、前記加速度波形の特定の周波数領域の振動レベルであり、前記タイヤ種を判別するステップでは、前記抽出された特徴ベクトルと、予めタイヤ種毎に求めておいた特徴ベクトルを学習データとして構築した判別モデルとに基づいて、前記タイヤのタイヤ種を判別することを特徴とする。
これにより、車両に装着されたタイヤのタイヤ種を車両側にて判別することができるので、このタイヤ種の情報を用いて車両制御を行えば車両の走行安全性能を向上させることができる。

なお、前記発明の概要は、本発明の必要な全ての特徴を列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となり得る。

本実施の形態１に係るタイヤ種判別装置の構成を示す図である。 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。 タイヤ振動の時系列波形から特徴ベクトルを算出する方法を示す図である。 本実施の形態１に係るタイヤ種判別方法を示すフローチャートである。 本実施の形態２に係るタイヤ種判別装置の構成を示す図である。 前半波形と後半波形との分け方を示す図である。 決定木の一例を示す図である。 本実施の形態２に係るタイヤ種判別方法を示すフローチャートである。 本実施の形態３に係るタイヤ種判別装置の構成を示す図である。 ニューラルネットワークの一例を示す図である。 本実施の形態３に係るタイヤ種判別方法を示すフローチャートである。

実施の形態１．
図１は、本実施の形態１に係るタイヤ種判別装置１０の構成を示す図で、タイヤ種判別装置１０は、加速度センサー１１と、圧力センサー１２と、温度センサー１３と、加速度波形抽出手段１４と、窓掛け手段１５と、特徴ベクトル算出手段１６と、タイヤ種判別手段１７とを備える。
加速度波形抽出手段１４～タイヤ種判別手段１７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。
以下、加速度波形抽出手段１４～タイヤ種判別手段１７を演算部１０Ｃという。
加速度センサー１１は、図２に示すように、タイヤ１のインナーライナー部２のタイヤ気室３側のほぼ中央部に配置されて、路面から当該タイヤ１のトレッド４に入力する振動を加速度として検出する。本例では、加速度センサー１１の検出方向をタイヤ周方向になるように配置して、路面から入力するタイヤ周方向振動を検出する。以下、加速度センサー１１の位置（厳密には、加速度センサー１１の径方向外側にあるトレッド４表面の位置）を計測点という。
また、圧力センサー１２と温度センサー１３とは、リム５のタイヤ気室３側に配置されて、それぞれ、タイヤ１内の空気圧（以下、内圧Ｐという）とタイヤ気室３内の温度Ｔとを計測する。
本例では、演算部１０Ｃについても、タイヤ１内に配置するとともに、タイヤ種の判定結果を、例えば、送信機１０Ｆにより、車体側に設けられた図示しない車両制御装置に送るようにしている。

加速度波形抽出手段１４は、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を抽出する。
図３は加速度波形の一例を示す図で、タイヤ振動の加速度波形は、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１の陸部が接地する前の踏み込み前領域Ｒ_fにおいても、タイヤ１の陸部が路面から離れた後の蹴り出し後領域Ｒ_kにおいても、タイヤ種によって異なる振動が出現する。一方、踏み込み前領域Ｒ_fの前の領域と蹴り出し後領域Ｒ_kの後の領域（以下、路面外領域という）とでは、振動レベルも小さく、タイヤ種の情報も含んでいない。
窓掛け手段１５は、図４に示すように、前記抽出された加速度波形を予め設定した時間幅（時間窓幅ともいう）Ｔで窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出して特徴ベクトル算出手段１６に送る。
時間窓毎に抽出されたタイヤ振動の時系列波形のうち、踏み込み前領域Ｒ_f、接地面領域Ｒ_t、及び、蹴り出し後領域Ｒ_kのいずれも含んでいない領域（以下、路面外領域という）の時系列波形は、前述したように、情報も含んでいないので、本例では、カーネル関数の計算速度を速めるため、路面外領域の波形は特徴ベクトル算出手段１６には送らないようにしている。
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。

特徴ベクトル算出手段１６は、図４に示すように、抽出された各時間窓の加速度波形のそれぞれに対して、加速度波形から算出されるｋ個の加速度データａ_ikと、圧力センサー１２で計測した内圧Ｐ_aと、温度センサー１３で計測したタイヤ気室３内の温度Ｔ_aとを成分としたＮ個の特徴ベクトルＸ_iを求める。
ここで、Ｎは抽出された時間窓の加速度波形の数である。
本例では、各時間窓の加速度波形を、それぞれ、0-1kHz、1-2kHz、2-3kHz、3-4kHz、4-5kHzのバンドパスフィルタにそれぞれ通して得られた特定周波数帯域の振動レベル（フィルター濾過波のパワー値）を加速度データａ_ik（ｋ＝１～６）とした。
すなわち、特徴ベクトルは、Ｘ_i＝（ａ_i1，ａ_i2，ａ_i3，ａ_i4，ａ_i5，ａ_i6，ａ_i7，ａ_i8）で、ａ_i7＝P_aで、ａ_i8＝Ｔ_aである。

タイヤ種判別手段１７は、カーネル関数算出部１７ａと、タイヤ種判別部１７ｂと、記憶部１７Ｍとを備え、機械学習アルゴリズムの手法の１つであるサポートベクトルマシーン（ＳＶＭ）を用いて、車両に装着されているタイヤ１のタイヤ種を判別する。
ここで、タイヤ種を判別するためのタイヤ種モデルについて説明する。
タイヤ種モデルは、それぞれに、加速度センサー１１と圧力センサー１２と温度センサー１３とが取り付けられた、互いに異なるタイヤ種Ａ，Ｂ，Ｃのタイヤを搭載した試験車両を様々な速度で走行させて得られた加速度波形から算出された時間窓毎の特徴ベクトルであるタイヤ種特徴ベクトルＹ_Z（ｙ_jk）を学習データとして、ＳＶＭにより構築される（Ｋ＝Ａ．Ｂ，Ｃ）。以下、Ｙ_Z（ｙ_jk）を、単にＹ_Zと記す。
タイヤ種Ａ，Ｂ，Ｃとしては、例えば、メーカーの異なる３種類のサマータイヤなどが考えられる。
なお、タイヤ種特徴ベクトルＹ_Kの算出方法は、特徴ベクトルＸ_iと同様で、その成分は、加速度波形から算出されるｋ個の加速度データｂ_jkと、圧力センサー１２で計測した内圧Ｐ_bと、温度センサー１３で計測したタイヤ気室３内の温度Ｔ_bである。
記憶部１７Ｍは、予め求めておいた、タイヤ種Ａのタイヤとそれ以外のタイヤ種のタイヤ、タイヤ種Ｂのタイヤとそれ以外のタイヤ種のタイヤ、タイヤ種Ｃのタイヤとそれ以外のタイヤ種のタイヤとを、分離超平面を表わす識別関数ｆ_K（ｘ）により分離するための３つのタイヤ種モデルを記憶する（Ｚ＝Ａ，Ｂ，Ｃ）。
タイヤ種モデルは、タイヤ種特徴ベクトルＹ_Zのうち、識別関数ｆ_Z（ｘ）からの距離が小さいタイヤ種特徴ベクトルＹ_ZSv（例えば、ラグランジュ乗数λ_Zが、λ≧０．３）と、このＹ_KSvに対応するラグランジュ乗数λ_Zとから構成される。
以下、上記のＹ_ZSVを基準特徴ベクトルという。

カーネル関数算出部１７ａは、特徴ベクトル算出手段１６により算出された特徴ベクトルＸ_iと、記憶部１７Ｍに記憶された基準特徴ベクトルＹ_ZSv及びラグランジュ乗数λ_Zとからカーネル関数Ｋ_Z（Ｘ，Ｙ）を算出する。
本例では、カーネル関数Ｋ_Z（Ｘ，Ｙ）として、グローバルアライメントカーネル関数（ＧＡカーネル）を用いた。
ＧＡカーネルＫ_Z（Ｘ，Ｙ）は、以下の式により算出される。
［数１］

ここで、κ_ij（Ｘ_i，Ｙ_ｊ）は、ローカルカーネルで、ＧＡカーネルＫ_Z（Ｘ，Ｙ）は、ローカルカーネルκ_ij（Ｘ_i，Ｙ_ｊ）の総和もしくは総積から求められる。
また、上記のように、時間窓幅Ｔは一定なので、窓の数Ｍ，Ｎは、車速（厳密には車輪回転速度）に依存するが、本例のように、カーネル関数としてＧＡカーネルＫ_GZ（Ｘ，Ｙ）を用いることにより、時間窓毎の加速度波形の数Ｍ，Ｎとが異なっている場合でも、タイヤ種の判別を精度よく行うことができる。

タイヤ種判別手段１７では、以下の式（３）～（５）に示す、カーネル関数Ｋ_Z（Ｘ，Ｙ）を用いた識別関数ｆ_Z（ｘ）の値に基づいてタイヤ種を判別する（Ｚ＝Ａ，Ｂ，Ｃ）。
［数２］

ｆ_Aはタイヤ種Ａのタイヤとそれ以外のタイヤ種のタイヤとを識別する識別関数、ｆ_Bはタイヤ種Ｂのタイヤとそれ以外のタイヤ種のタイヤとを識別する識別関数、ｆ_Cはタイヤ種Ｃのタイヤとそれ以外のタイヤ種のタイヤとを識別する識別関数である。
また、Ｎ_ASVはタイヤ種モデルＡのサポートベクトルの数、Ｎ_BSVはタイヤ種モデルＢのサポートベクトルの数、Ｎ_CSVはタイヤ種モデルＣのサポートベクトルの数である。
本例では、識別関数ｆ_A，ｆ_B，ｆ_Cをそれぞれ計算し、計算された識別関数ｆ_Kの最も大きな値を示す識別関数からタイヤ種を判別する。

次に、タイヤ種判別装置１０を用いたタイヤ種判別方法について、図５のフローチャートを参照して説明する。
なお、本例では、タイヤ種の判別をタイヤ１回転毎に行うとともに、Ｎ回転の多数決でタイヤ種を判別する。本例では、回転数Ｎを１００回とした。
まず、加速度センサー１１によりタイヤ１に入力する加速度を検出するとともに、圧力センサー１２と温度センサー１３にて、内圧Ｐ_aとタイヤ内温度Ｔ_aとを計測する（ステップＳ１０）。
次に、検出された加速度信号から、タイヤ振動の時系列波形である加速度波形を抽出（ステップＳ１１）した後、この加速度波形に時間幅Ｔで窓掛けして、時間窓毎の時系列波形を求める（ステップＳ１２）。
次に、抽出された各時間窓の時系列波形のそれぞれに対して特定周波数帯域の振動レベル（フィルター濾過波のパワー値）を算出して、これらを特徴ベクトルＸ_iの成分である加速度データａ_ik（ｋ＝１～６）とするとともに、特徴ベクトルＸ_iの成分に内圧Ｐ_aとタイヤ内温度Ｔ_aとを追加する（ステップＳ１３）。
すなわち、特徴ベクトルは、Ｘ_i＝（ａ_i1，ａ_i2，ａ_i3，ａ_i4，ａ_i5，ａ_i6，ａ_i7，ａ_i8）で、ａ_i7＝Ｐ_aで、ａ_i8＝Ｔ_aである。
次に、算出された特徴ベクトルＸ_iと、タイヤ種判別手段１７の記憶部１７Ｍに記録されているタイヤ種モデルのサポートベクトルＹ_Zとから、タイヤ種ＺのＧＡカーネル関数Ｋ_Z（Ｘ，Ｙ）を算出する（ステップＳ１４）。
そして、カーネル関数Ｋ_Z（Ｘ，Ｙ）を用いた３つの識別関数ｆ_A（ｘ），ｆ_B（ｘ），ｆ_C（ｘ）をそれぞれ計算（ステップＳ１５）した後、計算された識別関数ｆ_Z（ｘ）の値を比較して、最も大きな値を示す識別関数のタイヤ種を当該タイヤ１の走行している路面のタイヤ種と判別する（ステップＳ１６）。
次に、タイヤがＮ回転したか否か、すなわち、判別をＮ回行ったか否かを判定（ステップＳ１７）し、判別がＮ回未満である場合は、ステップＳ１０に戻って、加速度の検出と内圧Ｐ_a及びタイヤ内温度Ｔ_aの計測を行う。
ステップＳ１７にて、判別回数がＮ回に達した場合には、判定結果の頻度の最も高いタイヤ種を、当該タイヤのタイヤ種とする（ステップＳ１８）。
具体的には、タイヤ種がＡと判定された回数をｎ_A、タイヤ種がＢと判定された回数をｎ_B、タイヤ種がＣと判定された回数をｎ_C（ｎ_A＋ｎ_B＋ｎ_C＝Ｎ）としたとき、ｎ_Zが最大のタイヤ種を当該タイヤのタイヤ種とする。

このように、本実施の形態１では、タイヤ１に装着された加速度センサー１１の出力波形である加速度波形から車両に装着されたタイヤのタイヤ種を判別するようにしたので、車両側にてタイヤ種の判別することが可能となった。
また、加速度波形から抽出した特徴ベクトルＸ_iと、予めタイヤ種毎に求めておいた特徴ベクトルを学習データとして構築した判別モデルとに基づいて、タイヤ種を判別するようにしたので、タイヤ種の判別精度が向上した。
また、機械学習アルゴリズムとして、サポートベクトルマシーンを用いるとともに、カーネル関数として、ＧＡカーネル関数Ｋ_Z（Ｘ，Ｙ）を用いたので、車速に依存せずタイヤ種の判別を行うことができる。
また、特徴ベクトルＸ_iの成分に、内圧Ｐ_aとタイヤ内温度Ｔ_aとを追加したので、タイヤ種の判別精度が更に向上した。

なお、前記実施の形態１では、タイヤ種ＺをＡ，Ｂ，Ｃの、メーカーの異なる３種類のサマータイヤとしたが、例えば、サマータイヤとスタッドレスタイヤの２種類としてもよい。あるいは、トレッドパターンの異なる４種類以上のスタッドレスタイヤとしてもよい。
また、前記実施の形態１では、特徴ベクトルＸ_iの成分である加速度データａ_ikをフィルター濾過波のパワー値ｘ_ikとしたが、フィルター濾過波のパワー値ｘ_ikの時変分散を用いてもよい。時変分散はlog[ｘ_ik(t)²+ｘ_ik(t-1)²]で表わせる。
あるいは、特徴ベクトルＸ_iの成分である加速度データａ_ikを、タイヤ振動時系列波形をフーリエ変換したときの特定周波数帯域の振動レベルであるフーリエ係数、もしくは、ケプストラム係数としてもよい。
ケプストラムは、フーリエ変換後の波形をスペクトル波形とみなし、再度フーリエ変換して得られるか、もしくは、ＡＲスペクトルを波形とみなし、更にＡＲ係数を求めて得られる（LPC Cepstrum）もので、絶対レベルに影響されずにスペクトルの形状を特徴付けできるので、フーリエ変換により得られる周波数スペクトルを用いた場合よりも判別精度が向上する。
また、前記実施の形態１では、加速度センサー１１の検出方向をタイヤ周方向になるように配置たが、検出方向をタイヤ径方向とし、径方向加速度波形または径方向加速度波形の微分波形から特徴ベクトルＸ_iの成分である加速度データａ_ikを抽出してもよい。

実施の形態２．
前記実施の形態１では、機械学習アルゴリズムとして、サポートベクトルマシーンを用いたが、決定木による分類でもタイヤ種を判別することができる。
図６は、本実施の形態２に係るタイヤ種判別装置２０の構成を示す図で、タイヤ種判別装置２０は、加速度センサー１１と、加速度波形抽出手段１４と、波形処理手段２５と、特徴ベクトル算出手段２６と、タイヤ種判別手段２７とを備える。同図において、符号２０Ｃは演算部で、演算部１０Ｃと同様に、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て、タイヤ１内に配置される。
なお、実施の形態１と同一符号のものは、実施の形態１と同様の構成であるので、その説明を省略する。
波形処理手段２５は、前記抽出された加速度波形を、それぞれ、ＬＰＦ、及び、ＨＰＦを通過させることで、所定の周波数成分のみを有する加速度波形（以下、フィルター後波形という）に変換するとともに、フィルター後波形の前半の波形と後半の波形とを抽出する。なお、前半の波形とは、図７に示すように、路面領域が始まる時刻から、接地中心（踏み込み点Ｐ_fの時刻と蹴り出し点Ｐ_kの時刻との中間）の時刻までの波形を指し、後半の波形とは、接地中心の時刻から路面領域が終わるまでの波形を指す。
また、本例では、１ｋＨｚ以下の周波数成分のみを取出すＬＰＦと、２ｋＨｚ以上の周波数成分のみを取出すＨＰＦとを用いた。
特徴ベクトル算出手段２６は、これら前半の波形と後半の波形とから、前半１ｋＨｚ以下のＲＭＳ値Ｐ₁₁、後半１ｋＨｚ以下のＲＭＳ値Ｐ₂₁、前半２ｋＨｚ以上のＲＭＳ値Ｐ₁₂、後半２ｋＨｚ以上のＲＭＳ値Ｐ₂₂とを算出するとともに、これらのＲＭＳ値から、第１～第３の判定値Ｑ_kを算出し、これら判定値Ｑ_kを特徴ベクトルＸの成分とする。
本例では、Ｑ₁＝Ｐ₁₂／Ｐ₁₁、Ｑ₂＝Ｐ₁₂／Ｐ₂₂、Ｑ₃＝Ｐ₁₁／Ｐ₁₂とした。
すなわち、特徴ベクトルＸ＝（Ｑ₁，Ｑ₂，Ｑ₃）である。
なお、加速度の大きさは、タイヤ回転速度に依存するので、本例のように、特徴ベクトルＸの成分としてＲＭＳ値Ｐの比である判定値Ｑを用いれば、タイヤ回転速度の影響を低減できる。

タイヤ種判別手段２７は、タイヤ種判別部２７ａと、記憶部２７Ｍとを備え、機械学習アルゴリズムの手法の１つである「決定木」を用いて、車両に装着されているタイヤ１のタイヤ種を判別する。
「決定木」は、図８に示すように、複数の分岐（node-1～node-3）と、この分岐に設けられた条件式とを備える。
本例では、条件式を、Ｑ₁≧ＳＨ１、Ｑ₂≧ＳＨ２、及び、Ｑ₃≧ＳＨ３とした。
条件式に用いられる第１～第３閾値ＳＨ１、ＳＨ２、及び、ＳＨ３と、この条件式をどの分岐に配置するかは、加速度センサー１１を取り付けた複数種のタイヤ（ここでは、夏タイヤと冬タイヤの２種類）を搭載した試験車両を様々な速度で走行させて得られた加速度波形から算出された複数の特徴ベクトルＸ＝（Ｑ_1j，Ｑ_2j，Ｑ_3j）を訓練データとして学習により求められ、記憶部２７Ｍに「タイヤ種ツリー」として記憶される。
タイヤ種判別部２７ａでは、特徴ベクトル算出手段２６で算出された特徴ベクトルＸ＝（Ｑ₁，Ｑ₂，Ｑ₃）を、記憶部２７Ｍに記憶された「タイヤ種ツリー」の各分岐に入力させることで、当該タイヤのタイヤ種を判別する。

次に、タイヤ種判別装置２０を用いたタイヤ種判別方法について、図９のフローチャートを参照して説明する。
なお、本例でも、タイヤ種の判別をタイヤ１回転毎に行うとともに、Ｎ回転の多数決でタイヤ種を判別する。
まず、加速度センサー１１によりタイヤ１に入力する加速度を検出（ステップＳ２０）した後、検出された加速度信号から、タイヤ振動の時系列波形である加速度波形を抽出する（ステップＳ２１）。
次に、加速度波形からフィルター後波形を求め（ステップＳ２２）た後、フィルター後波形の前半の波形と後半の波形とを抽出する（ステップＳ２３）。
次に、抽出した前半のフィルター後波形と後半のフィルター後波形とから、４つのＲＭＳ値Ｐ₁₁、Ｐ₂₁、Ｐ₁₂、及び、値Ｐ₂₂を算出する（ステップＳ２４）。
ステップＳ２５では、これらのＲＭＳ値から判定値Ｑ₁、Ｑ₂、Ｑ₃を算出して、これらを「タイヤ種ツリー」に入力させる特徴ベクトルの成分とし、ステップＳ２５では、特徴ベクトルを「タイヤ種ツリー」に入力させて、当該タイヤのタイヤ種を判別する。
ステップＳ２６の詳細は以下の通りである。
まず、ステップＳ２６１では、第１の判定値Ｑ₁と第１の閾値ＳＨ１とを比較し、Ｑ₁＜ＳＨ１であればタイヤが冬タイヤ（Winter）であると判別し、Ｑ₁≧ＳＨ１であればステップＳ２６２に進み、第２の判定値Ｑ₂と第２の閾値ＳＨ２とを比較する。そして、Ｑ₂≧ＳＨ２であればタイヤが夏タイヤ（Summer）であると判別し、Ｑ₂＜ＳＨ２であれば、ステップＳ２６３に進み、第３の判定値Ｑ₃と第３の閾値ＳＨ３とを比較する。そして、Ｑ₃≧ＳＨ３であればタイヤが冬タイヤであると判別し、Ｑ＜ＳＨ３であれば、タイヤが夏タイヤであると判別する。
１回転分のタイヤ種の判別後には、タイヤがＮ回転したか否か、すなわち、判別をＮ回行ったか否かを判定（ステップＳ２６）し、判別がＮ回未満である場合は、ステップＳ２０に戻って、加速度の検出を行う。本例においても、回転数Ｎを１００回とした。
ステップＳ２６にて、判別回数がＮ回に達した場合には、判定結果の頻度の最も高いタイヤ種を、当該タイヤのタイヤ種とする）。
具体的には、タイヤ種が夏タイヤ判定された回数をｎ_S、冬タイヤと判定された回数をｎ_Wとしたとき、ｎ_S＞ｎ_Wである場合には当該タイヤのタイヤ種を夏タイヤと判定し、ｎ_S＜ｎ_Wである場合には当該タイヤのタイヤ種を冬タイヤと判定とする。

実施の形態３．
前記実施の形態２では、機械学習アルゴリズムとして「決定木」を用いたが、ニューラルネットワークによる分類でもタイヤ種を判別することができる。
図１０は、本実施の形態３に係るタイヤ種判別装置３０の構成を示す図で、タイヤ種判別装置３０は、加速度センサー１１と、加速度波形抽出手段１４と、波形処理手段２５と、特徴ベクトル算出手段２６と、タイヤ種判別手段３７とを備える。同図において、符号３０Ｃは演算部で、演算部２０Ｃと同様に、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て、タイヤ１内に配置される。
なお、実施の形態２と同一符号のものは、実施の形態２と同様の構成であるので、その説明を省略する。
タイヤ種判別手段３７は、タイヤ種判別部３７ａと、記憶部３７Ｍとを備え、機械学習アルゴリズムの手法の１つであるニューラルネットワークを用いて、車両に装着されているタイヤ１のタイヤ種を判別する。
ニューラルネットワークは、図１１に示すように、入力層（ｘ_k）、中間層（ｈ_k）、出力層（ｙ_k）の３つの層から構成される。なお、中間層を２層以上としてもよい。
入力層、中間層、出力層は、それぞれが、同図の丸印で示す、１つ１つがある関数を有する複数個のニューロンから構成され、かつ、後の層のニューロンは前の層の全てのニューロンと、学習により更新可能なパラメータである重みＷ_n,mよりシナプス結合されている。
記憶部３７Ｍには、加速度センサー１１を取り付けた複数種のタイヤ（ここでは、夏タイヤと冬タイヤの２種類）を搭載した試験車両を様々な速度で走行させて得られた加速度波形から算出された複数の特徴ベクトルＹ＝（Ｑ_1j，Ｑ_2j，Ｑ_3j）を教師データとして学習により求められた、入力層（ｘ_k）、中間層（ｈ_k）、出力層（ｙ_k）のニューロン数や重みＷ_n,m等のパラメータが「タイヤ種ＮＮＷ」として記憶されている。
タイヤ種判別部３７ａでは、入力データｘ_k（ｋ＝１～ｎ）を、特徴ベクトル算出手段２６で算出された第１～第３の判定値Ｑ_k（ｋ＝１，２，３）とし、これらの判定値Ｑ_kを有するタイヤが夏タイヤであるか、冬タイヤであるかを判定する。
タイヤ種の判定方法としては、例えば、出力値を０≦ｙ≦１とし、ｙ≧０．５なら夏タイヤ、ｙ＜０．５なら冬タイヤとすればよい。

次に、タイヤ種判別装置３０を用いたタイヤ種判別方法について、図１２のフローチャートを参照して説明する。
なお、本例でも、タイヤ種の判別をタイヤ１回転毎に行うとともに、Ｎ回転の多数決でタイヤ種を判別する。本例においても、回転数Ｎを１００回とした。
まず、加速度センサー１１によりタイヤ１に入力する加速度を検出（ステップＳ３０）した後、検出された加速度信号から、タイヤ振動の時系列波形である加速度波形を抽出する（ステップＳ３１）。
次に、加速度波形からフィルター後波形を求め（ステップＳ３２）た後、フィルター後波形の前半の波形と後半の波形とを抽出する（ステップＳ３３）。
次に、抽出した前半のフィルター後波形と後半のフィルター後波形とから、４つのＲＭＳ値Ｐ₁₁、Ｐ₂₁、Ｐ₁₂、及び、値Ｐ₂₂を算出する（ステップＳ３４）。
ステップＳ３５では、これらのＲＭＳ値Ｐから判定値Ｑ₁、Ｑ₂、Ｑ₃を算出して、これらを「タイヤ種ＮＮＷ」に入力させて、当該タイヤのタイヤ種を判別する。
ステップＳ２５では、これらのＲＭＳ値から、判定値Ｑ₁、Ｑ₂、Ｑ₃を入力させることで、当該タイヤのタイヤ種を判別する。
１回転分のタイヤ種の判別後には、タイヤがＮ回転したか否か、すなわち、判別をＮ回行ったか否かを判定（ステップＳ３６）し、判別がＮ回未満である場合は、ステップＳ２０に戻って、加速度の検出を行う。
ステップＳ３６にて、判別回数がＮ回に達した場合には、判定結果の頻度の最も高いタイヤ種を、当該タイヤのタイヤ種とする。
具体的には、タイヤ種が夏タイヤ判定された回数をｎ_S、冬タイヤと判定された回数をｎ_Wとしたとき、ｎ_S＞ｎ_Wである場合には当該タイヤのタイヤ種を夏タイヤと判定し、ｎ_S＜ｎ_Wである場合には当該タイヤのタイヤ種を冬タイヤと判定とする。

なお、前記実施の形態２，３では、特徴ベクトルＸの成分としてＲＭＳ値Ｐの演算値（比）である判定値Ｑを用いたが、車速が予め設定した車速である場合のみタイヤ種の判別を行うようにすれば、ＲＭＳ値Ｐを直接特徴ベクトルＸの成分とすることができる。
なお、この場合、加速度波形を前半の波形と後半の波形とに分けてＲＭＳ値を求めてもよいし、路面領域の波形全部のＲＭＳ値としてもよい。
また、実施の形態２，３においても、内圧やタイヤ内温度を特徴ベクトルの成分として、タイヤ種の判別を行ってもよい。
また、フィルター処理についても、１ｋＨｚ以下の周波数成分のみを取出すＬＰＦと、１ｋＨｚ以上の周波数成分のみを取出すＨＰＦ、３ｋＨｚ以上の周波数成分のみを取出すＨＰＦ、４ｋＨｚ以上の周波数成分のみを取出すＨＰＦなどを組み合わせれば、特徴ベクトルＸの成分として0-1kHz、1-2kHz、2-3kHz、3-4kHz、4-5kHzの領域のＲＭＳ値を用いることも可能である。
また、前記実施の形態１～３では、タイヤ内にタイヤ種判別手段（１７，２７，３７）を設けて、タイヤ種の判別を行っているが、タイヤ種判別手段を車両側に設けて、タイヤ１側算出した特徴ベクトルを車両側に送るようにしてもよい。あるいは、車両に、加速度波形、内圧、タイヤ内温度などのデータを送り、車両側にてタイヤ種の判別を行うようにしてもよい。
また、前記実施の形態１～３では、回転数Ｎを１００回としたが、最低３回あればタイヤ種の判別は可能である。なお、回転数Ｎとしては、２０回以上とすれば好ましく、１００回とすれば、更に好ましい。
また、特徴ベクトルの成分として、車速や外気温などを取り込んで、タイヤ種の判別を行ってもよい。

［実施例］
夏用タイヤと冬用タイヤとの判別精度の一例を以下に示す。
（１）サポートベクトルマシーン → １００％
（２）決定木 → ９０％
（３）ニューラルネットワーク → ９０％
また、サポートベクトルマシーンにより、Ａ社、Ｂ社、及び、Ｃ社のサマータイヤのメーカー別の判別を行ったところ、判別精度は８８％であった。

１ タイヤ、２ インナーライナー部、３ タイヤ気室、４ トレッド、５ リム、
１０ タイヤ種判別装置、１１ 加速度センサー、１２ 圧力センサー、
１３ 温度センサー、１４ 加速度波形抽出手段、１５ 窓掛け手段、
１６ 特徴ベクトル算出手段、１７ タイヤ種判別手段、
１７ａ カーネル関数算出部、１７ｂ タイヤ種判別部、１７Ｍ 記憶部。

Claims (9)

1. 車両に取付けられたタイヤのタイヤトレッド内面側に装着された加速度センサーの出力から前記タイヤの種類であるタイヤ種を判別する方法であって、
   前記加速度センサーの出力から加速度波形を検出するステップと、
   前記加速度波形から特徴ベクトルを抽出するステップと、
   前記抽出された特徴ベクトルから、機械学習アルゴリズムにより、前記タイヤのタイヤ種を判別するステップと、を備え、
   前記特徴ベクトルが、前記加速度波形の特定の周波数領域の振動レベルであり、
   前記タイヤ種を判別するステップでは、
   前記抽出された特徴ベクトルと、予めタイヤ種毎に求めておいた特徴ベクトルを学習データとして構築した判別モデルとに基づいて、前記タイヤのタイヤ種を判別することを特徴とするタイヤ種判別方法。
2. 前記特徴ベクトルの成分に、タイヤ内圧及びタイヤ内温度のいずれか一方または両方を追加したことを特徴とする請求項１に記載のタイヤ種判別方法。
3. 前記機械学習アルゴリズムが、サポートベクトルマシーンであることを特徴とする請求項１または請求項２に記載のタイヤ種判別方法。
4. 前記特徴ベクトルを抽出するステップでは、
   前記検出された加速度波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出し、この時間窓毎の時系列波形からそれぞれ特徴ベクトルを算出し、
   タイヤ種を判別するステップでは、
   前記算出された時間窓毎の特徴ベクトルと、予め算出しておいたタイヤ種毎に求められた加速度波形から算出された時間窓毎の特徴ベクトルであるタイヤ種特徴ベクトルとからカーネル関数を算出した後、
   前記カーネル関数を用いた識別関数の値に基づいて当該タイヤのタイヤ種を判別することを特徴とする請求項３に記載のタイヤ種判別方法。
5. 前記機械学習アルゴリズムが決定木であることを特徴とする請求項１または請求項２に記載のタイヤ種判別方法。
6. 前記特徴ベクトルが、前記加速度波形の特定の周波数領域の振動レベルの演算値であることを特徴とする請求項５に記載のタイヤ種判別方法。
7. 前記機械学習アルゴリズムが、ニューラルネットワークであることを特徴とする請求項１または請求項２に記載のタイヤ種判別方法。
8. 前記特徴ベクトルが、前記加速度波形の特定の周波数領域の振動レベルの演算値であることを特徴とする請求項７に記載のタイヤ種判別方法。
9. 車両に取付けられたタイヤの種類であるタイヤ種を判別する装置であって、
   前記タイヤのタイヤトレッド内面側に装着された加速度センサーと、
   前記加速度センサーの出力から加速度波形を抽出する加速度波形抽出手段と、
   前記加速度波形から特徴ベクトルを抽出する特徴ベクトル抽出手段と、
   前記抽出された特徴ベクトルから、機械学習アルゴリズムにより、前記タイヤのタイヤ種を判別するタイヤ種判別手段と、を備え、
   前記特徴ベクトルが、前記加速度波形の特定の周波数領域の振動レベルであり、
   前記タイヤ種判別手段が、
   前記抽出された特徴ベクトルと、予めタイヤ種毎に求めておいた特徴ベクトルを学習データとして構築した判別モデルとに基づいて、前記タイヤのタイヤ種を判別することを特徴とするタイヤ種判別装置。

Images