特開 2023-183335 モデル生成装置、路面状態の判定方法、プログラム及びモデル生成方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023183335

(43)【公開日】2023-12-27

(54)【発明の名称】モデル生成装置、路面状態の判定方法、プログラム及びモデル生成方法

(51)【国際特許分類】

   B60W 40/06 20120101AFI20231220BHJP

【ＦＩ】

B60W40/06

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2022096885

(22)【出願日】2022-06-15

(71)【出願人】

【識別番号】000005278

【氏名又は名称】株式会社ブリヂストン

(74)【代理人】

【識別番号】100147485

【弁理士】

【氏名又は名称】杉村 憲司

(74)【代理人】

【識別番号】230118913

【弁護士】

【氏名又は名称】杉村 光嗣

(74)【代理人】

【識別番号】100186015

【弁理士】

【氏名又は名称】小松 靖之

(74)【代理人】

【識別番号】100180655

【弁理士】

【氏名又は名称】鈴木 俊樹

(72)【発明者】

【氏名】▲高▼橋 泰賀

(72)【発明者】

【氏名】川眞田 智

【テーマコード（参考）】

3D241

【Ｆターム（参考）】

3D241BA50

3D241CE01

3D241DA58Z

3D241DC46Z

(57)【要約】

【課題】分類された路面状態を高精度に推定可能にするモデル生成装置、路面状態の判定方法、プログラム及びモデル生成方法が提供される。
【解決手段】モデル生成装置（路面状態の判定装置１０）は、車両（２０）の走行状態と車両が走行している路面の路面状態とを含む実績データを取得して、実績データから、路面状態を目的変数とし、少なくとも車両のステア反力に基づくパラメータを説明変数とする教師データを生成する教師データ生成部（１３０）と、生成された教師データを用いて機械学習を実行し、路面状態の判定に用いられる機械学習モデルを生成するモデル生成部（１３１）と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

車両の走行状態と前記車両が走行している路面の路面状態とを含む実績データを取得して、前記実績データから、路面状態を目的変数とし、少なくとも前記車両のステア反力に基づくパラメータを説明変数とする教師データを生成する教師データ生成部と、
生成された前記教師データを用いて機械学習を実行し、路面状態の判定に用いられる機械学習モデルを生成するモデル生成部と、を備える、モデル生成装置。

【請求項2】

前記教師データ生成部は、前記車両のステア反力のスペクトルにおける複数の周波数帯域の積分値の比を、前記パラメータとする、請求項１に記載のモデル生成装置。

【請求項3】

前記教師データ生成部は、前記車両のステア反力の時系列データにおける特定の周波数帯域での周期性を、前記パラメータとする、請求項１に記載のモデル生成装置。

【請求項4】

前記教師データ生成部は、前記車両の加速度の絶対値が所定の閾値以下である前記実績データを用いて、前記教師データを生成する、請求項１から３のいずれか一項に記載のモデル生成装置。

【請求項5】

前記教師データ生成部は、前記車両のステア反力の大きさが所定の閾値以下である前記実績データを用いて、前記教師データを生成する、請求項１から３のいずれか一項に記載のモデル生成装置。

【請求項6】

請求項１から３のいずれか一項に記載のモデル生成装置によって生成された機械学習モデルを用いて、判定の対象である路面を走行する車両のステア反力を含む入力データを取得し、判定の対象である路面の路面状態を判定する、路面状態の判定方法。

【請求項7】

コンピュータを、
車両の走行状態と前記車両が走行している路面の路面状態とを含む実績データを取得して、前記実績データから、路面状態を目的変数とし、少なくとも前記車両のステア反力に基づくパラメータを説明変数とする教師データを生成する教師データ生成部と、
生成された前記教師データを用いて機械学習を実行し、路面状態の判定に用いられる機械学習モデルを生成するモデル生成部、として機能させる、プログラム。

【請求項8】

モデル生成装置が実行するモデル生成方法であって、
車両の走行状態と前記車両が走行している路面の路面状態とを含む実績データを取得して、前記実績データから、路面状態を目的変数とし、少なくとも前記車両のステア反力に基づくパラメータを説明変数とする教師データを生成することと、
生成された前記教師データを用いて機械学習を実行し、路面状態の判定に用いられる機械学習モデルを生成することと、を含む、モデル生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、モデル生成装置、路面状態の判定方法、プログラム及びモデル生成方法に関する。

【背景技術】

【0002】

従来、自動車の走行快適性を高めるため、走行時のタイヤが接地している路面状態を推定し、車両制御へフィードバックする技術が提案されている。例えば特許文献１に記載の推定装置は、ホイールに取付けられた加速度センサで検出したホイールの振動情報信号に基づいて、路面摩擦係数μを推定する。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００３－１８２４７６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ここで、自動運転車では道路条件に応じて自動運転の継続可否の判定が行われることがある。分類された路面状態を高精度に推定することによって、車両の走行安全性を向上させることができる。

【0005】

かかる事情に鑑みてなされた本開示の目的は、分類された路面状態を高精度に推定可能にするモデル生成装置、路面状態の判定方法、プログラム及びモデル生成方法を提供することにある。

【課題を解決するための手段】

【0006】

（１）本開示の一実施形態に係るモデル生成装置は、車両の走行状態と前記車両が走行している路面の路面状態とを含む実績データを取得して、前記実績データから、路面状態を目的変数とし、少なくとも前記車両のステア反力に基づくパラメータを説明変数とする教師データを生成する教師データ生成部と、生成された前記教師データを用いて機械学習を実行し、路面状態の判定に用いられる機械学習モデルを生成するモデル生成部と、を備える。
この構成により、分類された路面状態を高精度に推定可能なモデルを生成することができる。

【0007】

（２）本開示の一実施形態として、（１）において、前記教師データ生成部は、前記車両のステア反力のスペクトルにおける複数の周波数帯域の積分値の比を、前記パラメータとする。
この構成により、ステア反力の周波数帯域に応じた特徴に基づいて直接的に路面状態との対応付けが可能になる。

【0008】

（３）本開示の一実施形態として、（１）において、前記教師データ生成部は、前記車両のステア反力の時系列データにおける特定の周波数帯域での周期性を、前記パラメータとする。
この構成により、ステア反力の時間変化に関する特徴に基づいて直接的に路面状態との対応付けが可能になる。

【0009】

（４）本開示の一実施形態として、（１）から（３）のいずれかにおいて、前記教師データ生成部は、前記車両の加速度の絶対値が所定の閾値以下である前記実績データを用いて、前記教師データを生成する。
この構成により、教師データからノイズを除いて、より高精度な推定が可能な機械学習モデルを生成することができる。

【0010】

（５）本開示の一実施形態として、（１）から（４）のいずれかにおいて、前記教師データ生成部は、前記車両のステア反力の大きさが所定の閾値以下である前記実績データを用いて、前記教師データを生成する。
この構成により、教師データからノイズを除いて、より高精度な推定が可能な機械学習モデルを生成することができる。

【0011】

（６）本開示の一実施形態に係る路面状態の判定方法は、（１）から（５）のいずれかに記載のモデル生成装置によって生成された機械学習モデルを用いて、判定の対象である路面を走行する車両のステア反力を含む入力データを取得し、判定の対象である路面の路面状態を判定する。
この構成により、分類された路面状態を高精度に推定することができる。

【0012】

（７）本開示の一実施形態に係るプログラムは、コンピュータを、車両の走行状態と前記車両が走行している路面の路面状態とを含む実績データを取得して、前記実績データから、路面状態を目的変数とし、少なくとも前記車両のステア反力に基づくパラメータを説明変数とする教師データを生成する教師データ生成部と、生成された前記教師データを用いて機械学習を実行し、路面状態の判定に用いられる機械学習モデルを生成するモデル生成部、として機能させる。
この構成により、分類された路面状態を高精度に推定可能なモデルを生成することができる。

【0013】

（８）本開示の一実施形態に係るモデル生成方法は、モデル生成装置が実行するモデル生成方法であって、車両の走行状態と前記車両が走行している路面の路面状態とを含む実績データを取得して、前記実績データから、路面状態を目的変数とし、少なくとも前記車両のステア反力に基づくパラメータを説明変数とする教師データを生成することと、生成された前記教師データを用いて機械学習を実行し、路面状態の判定に用いられる機械学習モデルを生成することと、を含む。
この構成により、分類された路面状態を高精度に推定可能なモデルを生成することができる。

【発明の効果】

【0014】

本開示によれば、分類された路面状態を高精度に推定可能にするモデル生成装置、路面状態の判定方法、プログラム及びモデル生成方法を提供することができる。

【図面の簡単な説明】

【0015】

【図1】図１は、路面状態の判定装置を含む路面状態の判定システムの構成例を示す図である。

【図2】図２は、図１の路面状態の判定システムの構成例を示す別の図である。

【図3】図３は、ステア反力のスペクトルを例示する図である。

【図4】図４は、ステア反力の時系列データを例示する図である。

【図5】図５は、路面状態を判定する処理を例示するフローチャートである。

【図6】図６は、図５のモデル生成工程の詳細を示すフローチャートである。

【図7】図７は、図５の路面状態の判定工程の詳細を示すフローチャートである。

【発明を実施するための形態】

【0016】

以下、図面を参照して本開示の一実施形態に係るモデル生成装置、路面状態の判定方法、プログラム及びモデル生成方法が説明される。各図中、同一又は相当する部分には、同一符号が付されている。本実施形態の説明において、同一又は相当する部分については、説明を適宜省略又は簡略化する。

【0017】

図１及び図２は、路面状態の判定システムの構成例を示す図である。本実施形態において、路面状態の判定システムは、路面状態の判定装置１０を含む。図１は路面状態の判定装置１０の内部構成例を含むブロック図である。図２は路面状態の判定システムの全体構成を示す。

【0018】

路面状態の判定装置１０は、車両２０が走行する道路の路面状態判定のための装置である。本実施形態において、路面状態の判定装置１０は、モデルを生成し、生成したモデルを用いて車両２０が走行する道路の路面状態を判定（推定）する。つまり、路面状態の判定装置１０は、モデル生成装置の機能と路面状態を推定する装置の両方の機能を備える装置であるとして説明される。ここで、路面状態の判定装置１０は、モデルを生成する機能のみを備えてよいし、車両２０が走行する道路の路面状態を判定する機能のみを備えてよい。

【0019】

路面状態は、道路の表面の状態であって、本実施形態において「Ｄｒｙ」、「Ｗｅｔ」、「Ｉｃｅ」及び「Ｓｎｏｗ」の４つの区分に分類される。路面状態は、これら４つの区分に限定されず、例えば一部の区分を省略してよいし、例えば舗装された道路と砂利道とを区別する区分などをさらに含んでよい。Ｄｒｙは路面が乾いた状態であることを示す。Ｗｅｔは路面が濡れている状態であることを示す。Ｉｃｅは路面が凍結している状態であることを示す。Ｓｎｏｗは路面が積雪している状態であることを示す。

【0020】

路面状態の判定装置１０は、通信部１１と、記憶部１２と、制御部１３と、を備える。制御部１３は、教師データ生成部１３０と、モデル生成部１３１と、判定部１３２と、を備える。路面状態の判定装置１０は、ハードウェア構成として、例えばコンピュータであってよい。路面状態の判定装置１０の構成要素の詳細については後述する。

【0021】

路面状態の判定装置１０は、ネットワーク４０で接続される走行管理装置６０とともに、路面状態の判定システムを構成してよい。ネットワーク４０は、例えばインターネットであるが、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）などであってよい。

【0022】

走行管理装置６０は、車両２０の走行を管理する装置である。走行管理装置６０は、例えば路面状態の判定装置１０とは別のコンピュータで構成される。車両２０は、特定の用途のものに限定されるものでなく、例えば乗用車、タクシー、バス、トラック等であり得るが、本実施形態において乗用車であるとして説明される。車両２０は例えば自動運転機能を有する乗用車であってよい。例えば走行管理装置６０は、車両２０が自動運転で走行する道路の路面状態がＩｃｅ又はＳｎｏｗであると判定される場合に、手動運転に切り替えるように車両２０の運転者に警告してよい。また、走行管理装置６０は、車両２０の走行状態を記録し、車両２０の装着しているタイヤ３０の状態などを管理してよい。また、走行管理装置６０は、車両２０の走行ルートの地図情報などを管理し、天候及び気温の情報などをネットワーク４０経由で取得してよい。走行管理装置６０は、車両２０に関する情報をデータベースとして蓄積して、アクセス可能な記憶装置に記憶してよい。また、走行管理装置６０は、路面状態の判定装置１０が教師データを生成するために、データベースの情報を路面状態の判定装置１０に提供する。ここで、走行管理装置６０は、本実施形態において車両２０と別の場所に設けられるとして説明するが、別の例として車両２０に搭載される装置であってよい。

【0023】

本実施形態において、車両２０は、検出装置７０及び車載通信装置８０を備える。検出装置７０は、車両２０の走行状態を示す情報である車両走行情報を検出して車載通信装置８０に出力する。本実施形態において、検出装置７０は、ステアリングシャフトに取り付けられたトルクセンサを含む。また、本実施形態において、車両走行情報は、トルクセンサで検出されたステアトルクを含む。ここで、ステアトルクはステア反力の一例である。ステア反力は、走行する車両２０において、路面と接するタイヤ３０で発生した力がシャフトを介してステアリングホイールまで伝わる力である。ステア反力のうち、ステアリングシャフトに取り付けられたトルクセンサによってトルクとして検出されるものがステアトルクである。

【0024】

また、検出装置７０は、例えば車輪速センサを含み、車両走行情報としてタイヤ３０の回転速度（車輪速）の情報を出力してよい。また、検出装置７０は、例えば加速度センサを含み、車両走行情報として車両２０の加速度又はばね下加速度の情報を出力してよい。ばね下とは、サスペンションを含む、サスペンション以下に位置する車両２０の構成部分を意味する。また、検出装置７０は、マイクなどの音響センサを含み、車両走行情報として車両２０の走行音の情報を出力してよい。

【0025】

車載通信装置８０は、車両走行情報を走行管理装置６０に出力する車載装置である。車載通信装置８０は例えば無線通信モジュールで構成されてよいし、例えばデジタルタコグラフであってよいが、特定の装置に限定されない。本実施形態において、車載通信装置８０は、ネットワーク４０を介して、走行管理装置６０と通信可能であるように構成される。走行管理装置６０に出力された車両走行情報は、実績データとして走行管理装置６０のデータベースに蓄積される。

【0026】

ここで、実績データ（車載通信装置８０を介して走行管理装置６０に出力された車両走行情報）は、走行管理装置６０によって車両２０が走行した道路の実際の路面状況（Ｄｒｙ、Ｗｅｔ、Ｉｃｅ又はＳｎｏｗ）と関連付けられてデータベースに蓄積される。車両２０の実際の路面状況は、走行管理装置６０が地図情報、天候及び気温の情報などに基づいて判定してよいし、車両２０から車両走行情報とともに付加的な情報として与えられてよい。車両２０からの付加的な情報として与えられる場合に、実際の路面状況は、運転者又は同乗者によって車載通信装置８０などに入力されてよい。

【0027】

以下、路面状態の判定装置１０の構成要素の詳細が説明される。通信部１１は、ネットワーク４０に接続する１つ以上の通信モジュールを含んで構成される。通信部１１は、例えば４Ｇ（４ｔｈ Ｇｅｎｅｒａｔｉｏｎ）、５Ｇ（５ｔｈ Ｇｅｎｅｒａｔｉｏｎ）などの移動体通信規格に対応する通信モジュールを含んでよい。通信部１１は、例えば有線のＬＡＮ規格（一例として１０００ＢＡＳＥ－Ｔ）に対応する通信モジュールを含んでよい。通信部１１は、例えば無線のＬＡＮ規格（一例としてＩＥＥＥ８０２．１１）に対応する通信モジュールを含んでよい。

【0028】

記憶部１２は、１つ以上のメモリである。メモリは、例えば半導体メモリ、磁気メモリ、又は光メモリ等であるが、これらに限られず任意のメモリとすることができる。記憶部１２は、例えば路面状態の判定装置１０に内蔵されるが、任意のインターフェースを介して路面状態の判定装置１０によって外部からアクセスされる構成も可能である。

【0029】

記憶部１２は、制御部１３が実行する各種の算出において使用される各種のデータを記憶する。また、記憶部１２は、制御部１３が実行する各種の算出の結果及び中間データを記憶してよい。本実施形態において、記憶部１２は、生成されたモデルを記憶する。

【0030】

制御部１３は、１つ以上のプロセッサである。プロセッサは、例えば汎用のプロセッサ、又は特定の処理に特化した専用プロセッサであるが、これらに限られず任意のプロセッサとすることができる。制御部１３は、路面状態の判定装置１０の全体の動作を制御する。

【0031】

ここで、路面状態の判定装置１０は、以下のようなソフトウェア構成を有してよい。路面状態の判定装置１０の動作の制御に用いられる１つ以上のプログラムが記憶部１２に記憶される。記憶部１２に記憶されたプログラムは、制御部１３のプロセッサによって読み込まれると、制御部１３を教師データ生成部１３０、モデル生成部１３１及び判定部１３２として機能させる。

【0032】

教師データ生成部１３０は、車両２０が走行する道路の路面状態（本実施形態においてＤｒｙ、Ｗｅｔ、Ｉｃｅ又はＳｎｏｗ）を判定するための機械学習モデルの生成に用いられる教師データを生成する。教師データ生成部１３０は、通信部１１を介して、車両２０の走行状態（車両走行情報）と車両２０が走行している路面の路面状態とを含む実績データを取得する。教師データ生成部１３０は、実績データから、路面状態を目的変数とし、少なくとも車両２０の「ステア反力に基づくパラメータ（特徴量）」を説明変数とする教師データを生成する。

【0033】

ここで、学習済みの機械学習モデルの精度は教師データの質及び量に影響される。教師データの質を高めるべく、本発明者が鋭意究明したところ、特にステア反力における２つの特徴量が路面状態と強い相関を有することがわかった。以下、低周波数帯域に関する特徴量、高周波数帯域に関する特徴量が順に説明される。

【0034】

図３は、ステア反力のスペクトルを例示する図である。横軸はステアトルクの周波数である。また、縦軸はステアトルクのトルク量を示す。ステアトルクの周波数のうち低周波数帯域では、タイヤ３０及び車両２０の振動が大きく影響し、路面状態に応じた振動によってトルク量が変化すると考えられる。ここで、４つの周波数帯域のそれぞれにおいてトルク量の積分値が求められた。第１の周波数帯域は１．４－２．８Ｈｚである。第２の周波数帯域は２２－４５Ｈｚである。第３の周波数帯域は４５－８９Ｈｚである。第４の周波数帯域は８８－１８０Ｈｚである。この例において、第１の周波数帯域での積分値の大小関係がＳｎｏｗ＜Ｄｒｙ≦Ｗｅｔ≦Ｉｃｅであるのに対し、他の周波数帯域ではＤｒｙ＜Ｗｅｔ＜Ｉｃｅ＜Ｓｎｏｗになるという違いがあった。また、同じ路面状態についても、第２から第４の周波数帯域のそれぞれで積分値の値が異なっていた。したがって、複数の周波数帯域の積分値の比は、路面状態に応じて値が大きく異なると考えられる。教師データ生成部１３０は、車両２０のステア反力のスペクトルにおける複数の周波数帯域の積分値の比を、低周波数帯域に関する特徴量とすることができる。このとき、教師データにおいて、ステア反力の時間変化に関する特徴に基づいて直接的に路面状態との対応付けが可能になる。そのため、例えば路面摩擦係数μの算出を経ることなく、分類された路面状態を高精度に推定できるモデルの生成が可能になる。ここで、図３の例において、第１～第４の周波数帯域における積分値がそれぞれ「Ａ」、「Ｂ」、「Ｃ」及び「Ｄ」であるとする。この場合に、複数の周波数帯域の積分値の比は、Ａ／Ｂ、Ｂ／Ａ、Ａ／Ｃ、Ｃ／Ａ、Ａ／Ｄ、Ｄ／Ａ、Ｂ／Ｃ、Ｃ／Ｂ、Ｂ／Ｄ、Ｄ／Ｂ、Ｃ／Ｄ、Ｄ／Ｃの１２個の比である。

【0035】

図４は、ステア反力の時系列データを例示する図である。横軸は時間である。また、縦軸は、Ｄｒｙ、Ｗｅｔ、Ｉｃｅ及びＳｎｏｗの路面状態のそれぞれにおけるステアトルクのトルク量を示す。ステアトルクの周波数のうち高周波数帯域では、タイヤ３０及び車両２０の振動の影響が小さいと考えられる。ここで、図４は、０．５秒分の実績データから高周波帯域（２８００－５０００Ｈｚ）だけをバンドパスフィルタによって抽出したものである。ステアトルクの時系列データにおいて、路面状態がＤｒｙ又はＷｅｔの場合に周期的な信号が見られたが、路面状態がＩｃｅ又はＳｎｏｗの場合に周期的な信号は見られなかった。また、同じ区間（時間）で比較する場合に、トルク量の振幅（変化の大きさ）はＷｅｔ＜Ｄｒｙの関係があった。また、同じ区間で比較する場合に、トルク量の振幅はＩｃｅ＜Ｓｎｏｗの関係があった。したがって、ステア反力の時系列データは、路面状態に応じた特徴を有すると考えられる。教師データ生成部１３０は、車両２０のステア反力の時系列データにおける特定の周波数帯域での周期性を、高周波数帯域に関する特徴量とすることができる。このとき、教師データにおいて、ステア反力の時間変化に関する特徴に基づいて直接的に路面状態との対応付けが可能になる。そのため、例えば路面摩擦係数μの算出を経ることなく、分類された路面状態を高精度に推定できるモデルの生成が可能になる。ここで、特定の周波数帯域は、高周波数帯域であれば、２８００－５０００Ｈｚに限定されるものでない。

【0036】

本実施形態において、教師データ生成部１３０は、目的変数として路面状態の実績を、説明変数としてステア反力に基づくパラメータである上記の低周波数帯域に関する特徴量又は高周波数帯域に関する特徴量を用いて、教師データを生成する。さらに、教師データ生成部１３０は、車両２０の加速度の絶対値が所定の閾値以下である実績データを用いて、教師データを生成してよい。つまり、教師データ生成部１３０は、加速及び減速が大きくノイズが大きいと考えられる実績データを除いて、教師データを生成してよい。このとき、教師データからノイズを除いて、より高精度な推定が可能な機械学習モデルを生成することができる。さらに、教師データ生成部１３０は、ステア反力の大きさが所定の閾値以下である実績データを用いて、教師データを生成してよい。つまり、教師データ生成部１３０は、検出したトルク量などにノイズが乗って、値が大きくなった可能性がある実績データを除いて、教師データを生成してよい。このとき、教師データからノイズを除いて、より高精度な推定が可能な機械学習モデルを生成することができる。

【0037】

モデル生成部１３１は、教師データ生成部１３０によって生成された教師データを用いて機械学習を実行し、路面状態の判定に用いられる機械学習モデルを生成する。機械学習の手法は、限定されないが、例えばニューラルネットワークなどであってよい。上記のように、教師データ生成部１３０は、ステア反力に基づく特徴量を用いて、質を高めた教師データを生成する。そのため、モデル生成部１３１は、分類された路面状態を高精度に推定可能なモデルを生成できる。モデル生成部１３１は、生成したモデルを記憶部１２に記憶させてよい。

【0038】

判定部１３２は、モデル生成部１３１によって生成された機械学習モデルを用いて、判定の対象である路面を走行する車両２０のステア反力を含む入力データを取得し、判定の対象である路面の路面状態を判定する。判定部１３２は、通信部１１を介して、路面状態の判定装置１０の外部から判定（推定）の実行指示及び推定の条件（入力データ）を受け取った場合に、路面状態を判定してよい。モデル生成部１３１によって複数のモデルが生成された場合に、判定部１３２は、入力データに応じてモデルを選択してよい。例えば、入力データが低周波数帯域に関する特徴量又は高周波数帯域に関する特徴量の指定を含む場合に、判定部１３２は、指定された特徴量を用いて生成されたモデルを選択して、路面状態を判定してよい。判定部１３２は判定結果を例えば走行管理装置６０などに出力してよい。

【0039】

図５は、路面状態の判定装置１０が実行する路面状態を判定する処理を例示するフローチャートである。教師データ生成部１３０及びモデル生成部１３１は、路面状態を判定するための機械学習モデルを生成するモデル生成工程（ステップＳ１、モデル生成方法）を実行する。また、判定部１３２は、生成されたモデルを用いて、判定の対象である路面の路面状態を判定する路面状態の判定工程（ステップＳ２、路面状態の判定方法）を実行する。路面状態の判定工程は、モデル生成工程と連続して実行されてよいが、モデル生成工程の後に一定の時間が経過してから実行されてよい。

【0040】

図６は、図５のモデル生成工程の詳細を示すフローチャートである。教師データ生成部１３０は、走行管理装置６０のデータベースに蓄積された実績データを取得する（ステップＳ１１）。教師データ生成部１３０は、路面状態を目的変数とし、少なくとも車両２０のステア反力に基づくパラメータを説明変数とする教師データを生成する（ステップＳ１２）。本実施形態において、教師データ生成部１３０は、ステア反力に基づくパラメータとして、スペクトルにおける複数の周波数帯域の積分値の比（低周波数帯域に関する特徴量）又は時系列データにおける特定の周波数帯域での周期性（高周波数帯域に関する特徴量）を用いる。そして、モデル生成部１３１はモデルを生成する（ステップＳ１３）。ここで、モデル生成部１３１は、低周波数帯域に関する特徴量を用いた教師データ及び高周波数帯域に関する特徴量を用いた教師データのそれぞれで機械学習を実行して、複数の機械学習モデルを生成してよい。また、モデル生成部１３１は、低周波数帯域に関する特徴量を用いた教師データ及び高周波数帯域に関する特徴量を用いた教師データの一方だけで機械学習を実行して、１つの機械学習モデルを生成してよい。

【0041】

図７は、図５の路面状態の判定工程の詳細を示すフローチャートである。判定部１３２は、路面状態の判定装置１０の外部から判定実行の指示を受け取ると、入力データを取得し（ステップＳ２１）、記憶部１２からモデルを取得する（ステップＳ２２）。入力データは、上記のように推定（判定）の条件を示すデータである。判定部１３２は、複数のモデルが生成されている場合に、入力データに基づいて判定に用いるモデルを選択してよい。入力データは、例えば自動運転している車両２０が判定の対象である路面の走行中に得たステアトルクの情報を含む。判定部１３２は、選択したモデルに合わせて、入力データに対して特定の周波数でのフィルタリングなどの処理を実行してよい。そして、判定部１３２は、モデルを用いて判定の対象である路面の路面状態を判定し、判定結果を出力する（ステップＳ２３）。判定結果は、ネットワーク４０を介して送信されて、要求者（例えば車両２０の走行管理者）が見ることができるディスプレイに表示されてよい。

【0042】

以上のように、本実施形態に係るモデル生成装置（路面状態の判定装置１０のモデルを生成する部分）、路面状態の判定方法、プログラム及びモデル生成方法は、上記の構成及び工程によって、例えば路面摩擦係数μの算出を経ることなく、分類された路面状態を高精度に推定可能にする。

【0043】

（実施例）
以下、本開示の効果を実施例に基づいて具体的に説明するが、本開示は実施例の内容に限定されるものではない。

【0044】

上記の実施形態に記載の通り、路面状態の判定装置１０によって、低周波数帯域に関する特徴量を用いた教師データを用いて機械学習が実行されて、路面状態のＤｒｙ、Ｗｅｔ、Ｉｃｅ又はＳｎｏｗを判定する機械学習モデルが生成された。４つの区分のそれぞれについて、車両２０の２秒の直進定速走行の３０個の実績データが用意された。４つの区分のそれぞれについて、２０個が教師データに用いられて、残りの１０個が生成されたモデルを評価するための検証データに用いられた。生成された機械学習モデルに対して、入力データとして教師データを与えたところ、表１に示す結果が得られた。例えば実際の路面状態がＤｒｙの場合に、路面状態の判定装置１０は、生成されたモデルを用いて２０個のデータの全てに対してＤｒｙであると判定した。最終的な正解率は０．９５０であった。ここで、最終的な正解率は４つの区分のそれぞれの正解率の平均値で与えられる。また、入力データとして検証データを与えたところ、表２に示す結果が得られた。最終的な正解率は０．８００であり、従来技術と比べて、分類された路面状態を高い精度で推定できた。

【0045】

【表1】

【0046】

【表2】

【0047】

また、上記の実施形態に記載の通り、路面状態の判定装置１０によって、高周波数帯域に関する特徴量を用いた教師データを用いて機械学習が実行されて、路面状態のＤｒｙ、Ｗｅｔ、Ｉｃｅ又はＳｎｏｗを判定する機械学習モデルが生成された。４つの区分のそれぞれについて、車両２０の０．５秒の直進定速走行の１２０個の実績データが用意された。４つの区分のそれぞれについて、８０個が教師データに用いられて、残りの４０個が生成されたモデルを評価するための検証データに用いられた。生成された機械学習モデルに対して、入力データとして教師データを与えたところ、表３に示す結果が得られた。最終的な正解率は０．９１９であった。また、入力データとして検証データを与えたところ、表４に示す結果が得られた。最終的な正解率は０．９２５であり、従来技術と比べて、分類された路面状態をさらに高い精度で推定できた。

【0048】

【表3】

【0049】

【表4】

【0050】

本開示の実施形態について、諸図面及び実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形又は修正を行うことが容易であることに注意されたい。従って、これらの変形又は修正は本開示の範囲に含まれることに留意されたい。例えば、各構成部又は各ステップなどに含まれる機能などは論理的に矛盾しないように再配置可能であり、複数の構成部又はステップなどを１つに組み合わせたり、或いは分割したりすることが可能である。本開示に係る実施形態は装置が備えるプロセッサにより実行されるプログラムを記録した記憶媒体としても実現し得るものである。本開示の範囲にはこれらも包含されるものと理解されたい。

【0051】

例えば図１及び図２に示される路面状態の判定装置１０及び路面状態の判定システムの構成は一例であって、図１及び図２の構成に限定されるものでない。例えば路面状態の判定システムは、路面状態の判定装置１０と走行管理装置６０とが一体化された構成であってよい。この場合に、路面状態の判定装置１０が走行管理装置６０の機能も実行し、路面状態の判定装置１０が単体で路面状態の判定システムとして機能してよい。

【0052】

また、教師データ生成部１３０及びモデル生成部１３１と、判定部１３２と、が異なるコンピュータに含まれる構成であってよい。例えば、教師データ生成部１３０及びモデル生成部１３１は、路面状態の判定装置１０と通信可能であって、記憶部１２にもアクセス可能な別のコンピュータ（独立したモデル生成装置）に含まれてよい。この場合に、路面状態の判定装置１０は、別のコンピュータで生成されて記憶部１２に記憶されたモデルを用いて、車両２０が走行する道路の路面状態を判定してよい。モデルは上記と同様に生成されてよい。つまり、別のコンピュータが、車両２０の実績データを取得し、実績データに基づく教師データを用いてモデルを生成してよい。

【0053】

また、上記の実施形態において、教師データ生成部１３０は車両２０のステア反力に基づくパラメータを説明変数とする教師データを生成するが、さらに車両２０の別の情報を説明変数に用いてよい。車両２０の別の情報として、車輪速、ばね下加速度及び走行音の少なくとも１つが用いられてよい。路面状態に応じて変化すると考えられる車輪速、ばね下加速度及び走行音の少なくとも１つの情報が加えられることにより、教師データとしての質をさらに高めて、路面状態をさらに高精度に推定可能にするモデルを生成できる。

【符号の説明】

【0054】

１０ 路面状態の判定装置
１１ 通信部
１２ 記憶部
１３ 制御部
２０ 車両
３０ タイヤ
４０ ネットワーク
６０ 走行管理装置
７０ 検出装置
８０ 車載通信装置
１３０ 教師データ生成部
１３１ モデル生成部
１３２ 判定部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】