ホーム > 特許ランキング > 住友ゴム工業株式会社
知財求人 - 知財ポータルサイト「IP Force」
(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】P2024135699
(43)【公開日】2024-10-04
(54)【発明の名称】車両の乗り心地予測装置
(51)【国際特許分類】
G01M 17/02 20060101AFI20240927BHJP
B60C 19/00 20060101ALI20240927BHJP
G01M 17/007 20060101ALI20240927BHJP
【ＦＩ】
G01M17/02
B60C19/00 Z
B60C19/00 H
G01M17/007 Z
【審査請求】未請求
【請求項の数】15
【出願形態】ＯＬ
(21)【出願番号】P 2023046510
(22)【出願日】2023-03-23
(71)【出願人】
【識別番号】000183233
【氏名又は名称】住友ゴム工業株式会社
(74)【代理人】
【識別番号】100124039
【弁理士】
【氏名又は名称】立花 顕治
(74)【代理人】
【識別番号】100210251
【弁理士】
【氏名又は名称】大古場 ゆう子
(72)【発明者】
【氏名】木寅 龍太
【テーマコード（参考）】
3D131
【Ｆターム（参考）】
3D131BC55
3D131LA22
3D131LA34
(57)【要約】
【課題】タイヤが装着された車両の乗り心地を予測する技術を提供する。
【解決手段】車両の乗り心地予測装置は、導出部を備える。導出部は、タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データを入力すると、前記タイヤが装着された車両の乗り心地評価を予測する予測データを出力するように機械学習された機械学習モデルに、対象タイヤの前記剛性データを入力し、前記対象タイヤが装着された車両の前記予測データを出力させる。
【選択図】図１
【解決手段】車両の乗り心地予測装置は、導出部を備える。導出部は、タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データを入力すると、前記タイヤが装着された車両の乗り心地評価を予測する予測データを出力するように機械学習された機械学習モデルに、対象タイヤの前記剛性データを入力し、前記対象タイヤが装着された車両の前記予測データを出力させる。
【選択図】図１
【特許請求の範囲】
【請求項1】
タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データを入力すると、前記タイヤが装着された車両の乗り心地評価を予測する予測データを出力するように機械学習された機械学習モデルに、対象タイヤの前記剛性データを入力し、前記対象タイヤが装着された車両の前記予測データを出力させる導出部
を備える、
車両の乗り心地予測装置。
を備える、
車両の乗り心地予測装置。
【請求項2】
前記剛性データは、前記タイヤの構造設計値を含む、
請求項１に記載の車両の乗り心地予測装置。
請求項１に記載の車両の乗り心地予測装置。
【請求項3】
前記タイヤの構造設計値は、トレッド部の材料の硬度、前記トレッド部の厚み、前記トレッド部のキャップ部の厚み及びベース部の厚みの比率、前記トレッド部の補強材の構造及び材料、サイドウォール部の材料の硬度、前記サイドウォール部の厚み、前記サイドウォール部のカーカスの材料及び構造、前記サイドウォール部の補強材の材料、エイペックスの材料の硬度、前記エイペックスの高さ、ならびに前記タイヤを成型する金型のトレッド面に対応する内面の曲率半径、前記内面の幅、及びトレッドパターン剛性の少なくとも１つを含む、
請求項２に記載の車両の乗り心地予測装置。
請求項２に記載の車両の乗り心地予測装置。
【請求項4】
前記剛性データは、前記タイヤ単体から計測される単体特性値を含む、
請求項１または２に記載の車両の乗り心地予測装置。
請求項１または２に記載の車両の乗り心地予測装置。
【請求項5】
前記タイヤの単体特性値は、縦剛性、サイドウォール剛性、ブロック剛性、前記タイヤ単体の共振周波数、及び突起反力のうち少なくとも１つを含む、
請求項４に記載の車両の乗り心地予測装置。
請求項４に記載の車両の乗り心地予測装置。
【請求項6】
前記機械学習モデルは、前記剛性データに加え、前記タイヤが装着される車両の車両特性値を入力すると、前記予測データを出力するように機械学習される、
請求項１または２に記載の車両の乗り心地予測装置。
請求項１または２に記載の車両の乗り心地予測装置。
【請求項7】
タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値を入力すると、前記タイヤ単体から計測されるデータであって、前記タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値を予測する第１予測データを出力するように機械学習された第１機械学習モデルに、対象タイヤの前記構造設計値を入力し、前記対象タイヤの前記第１予測データを出力させる第１導出部
を備える、
車両の乗り心地予測装置。
を備える、
車両の乗り心地予測装置。
【請求項8】
前記タイヤの前記第１予測データ及び前記タイヤが装着される車両の車両特性値を入力すると、前記タイヤが装着された前記車両のフロア振動特性及び突起乗り越え特性の少なくとも一方を予測する第２予測データを出力するように機械学習された第２機械学習モデルに、前記対象タイヤの前記第１予測データ及び前記対象タイヤが装着される車両の車両特性値を入力し、前記対象タイヤが装着された前記車両の前記第２予測データを出力させる第２導出部
をさらに備える、
請求項７に記載の車両の乗り心地予測装置。
をさらに備える、
請求項７に記載の車両の乗り心地予測装置。
【請求項9】
前記タイヤが装着された前記車両の前記第２予測データを入力すると、前記タイヤが装着された前記車両の乗り心地評価を予測する第３予測データを出力するように機械学習された第３機械学習モデルに、前記対象タイヤが装着された前記車両の前記第２予測データを入力し、前記対象タイヤが装着された前記車両の前記第３予測データを出力させる第３導出部
をさらに備える、
請求項８に記載の車両の乗り心地予測装置。
をさらに備える、
請求項８に記載の車両の乗り心地予測装置。
【請求項10】
タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データを入力すると、前記タイヤが装着された車両の乗り心地評価を予測する予測データを出力するように機械学習された機械学習モデルに、対象タイヤの前記剛性データを入力し、前記対象タイヤが装着された車両の前記予測データを出力させること
を含む、
車両の乗り心地予測方法。
を含む、
車両の乗り心地予測方法。
【請求項11】
タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値を入力すると、前記タイヤ単体から計測されるデータであって、前記タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値を予測する第１予測データを出力するように機械学習された第１機械学習モデルに、対象タイヤの前記構造設計値を入力し、前記対象タイヤの前記第１予測データを出力させること
を含む、
車両の乗り心地予測方法。
を含む、
車両の乗り心地予測方法。
【請求項12】
タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データと、前記タイヤが装着された車両の乗り心地を官能評価した評価データとが組み合わせられた学習用データセットを準備することと、
前記学習用データセットを用いて、対象タイヤの前記剛性データが入力されると、前記対象タイヤが装着された車両の前記評価データを予測するデータを出力するように、機械学習モデルを機械学習させることと
を含む、
学習済みの機械学習モデルの生成方法。
前記学習用データセットを用いて、対象タイヤの前記剛性データが入力されると、前記対象タイヤが装着された車両の前記評価データを予測するデータを出力するように、機械学習モデルを機械学習させることと
を含む、
学習済みの機械学習モデルの生成方法。
【請求項13】
タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値と、前記タイヤ単体から計測されるデータであって、前記タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値とが組み合わせられた学習用データセットを準備することと、
前記学習用データセットを用いて、対象タイヤの前記構造設計値が入力されると、前記対象タイヤの前記単体特性値を予測するデータを出力するように、機械学習モデルを機械学習させることと
を含む、
学習済みの機械学習モデルの生成方法。
前記学習用データセットを用いて、対象タイヤの前記構造設計値が入力されると、前記対象タイヤの前記単体特性値を予測するデータを出力するように、機械学習モデルを機械学習させることと
を含む、
学習済みの機械学習モデルの生成方法。
【請求項14】
タイヤ単体から計測されるデータであって、前記タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値及び前記タイヤが装着される車両の車両特性値と、前記タイヤが装着された前記車両のフロア振動特性及び突起乗り越え特性の少なくとも一方とが組み合わせられた学習用データセットを準備することと、
対象タイヤの前記単体特性値及び前記対象タイヤが装着される車両の前記車両特性値が入力されると、前記対象タイヤが装着された前記車両のフロア振動特性及び突起乗り越え特性の少なくとも一方を予測するデータを出力するように、機械学習モデルを機械学習させることと
を含む、
学習済みの機械学習モデルの生成方法。
対象タイヤの前記単体特性値及び前記対象タイヤが装着される車両の前記車両特性値が入力されると、前記対象タイヤが装着された前記車両のフロア振動特性及び突起乗り越え特性の少なくとも一方を予測するデータを出力するように、機械学習モデルを機械学習させることと
を含む、
学習済みの機械学習モデルの生成方法。
【請求項15】
タイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方と、前記タイヤが装着された前記車両の乗り心地を官能評価した評価データとが組み合わせられた学習用データセットを準備することと、
対象タイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方が入力されると、前記対象タイヤが装着された前記車両の乗り心地を官能評価した評価データを予測するデータを出力するように、機械学習モデルを機械学習させることと
を含む、
学習済みの機械学習モデルの生成方法。
対象タイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方が入力されると、前記対象タイヤが装着された前記車両の乗り心地を官能評価した評価データを予測するデータを出力するように、機械学習モデルを機械学習させることと
を含む、
学習済みの機械学習モデルの生成方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、車両の乗り心地予測装置及び学習済みモデルの生成方法に関する。
【背景技術】
【0002】
特許文献１は、機械学習モデルを使用して、タイヤの接地面形状を表す画像に基づいて、タイヤ性能値を予測する方法を開示する。特許文献１によれば、予測の対象となるタイヤ性能値は、例えばＣＰ（コーナリングパワー）、ＣＦｍａｘ（最大コーナリングフォース）、ＳＡＴ（セルフアライニングトルク）である。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０２１－１９５０３８号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
上述の例に限られず、タイヤの性能値（タイヤ単体の台上試験により測定可能な値）は、車両の乗り心地を左右する重要な要因となる。しかし、車両の乗り心地の評価は、基準タイヤを同じ車両に装着した場合の乗り心地と比較した官能評価が主流である。官能評価には、試験時の評価者の体調、試験時の環境（気温等）及び評価者の好み等が反映されるため、官能評価とタイヤの性能値との関係を統計的に解析することは、これまで困難であった。また、タイヤの性能値は、タイヤの構造設計値に依存する値であるが、官能評価とタイヤの構造設計値との関係を統計的に解析することもまた困難であった。特許文献１では、この点は考慮されていない。
【0005】
発明者は、車両の乗り心地に特に関連する要因として、タイヤのトレッド部の剛性及びトレッド部を除く部分のサイド部の剛性を表す性能値、ならびにこれらの剛性を左右する構造設計値に着目した。そして、鋭意検討の結果、上記剛性に関するデータに基づき、当該タイヤが装着された車両の乗り心地評価を統計的に予測する手法を見出した。
【0006】
本発明は、タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連するデータから、当該タイヤが装着された車両の乗り心地を予測する技術を提供することを目的とする。
【課題を解決するための手段】
【0007】
第１観点に係る車両の乗り心地予測装置は、導出部を備える。導出部は、タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データを入力すると、前記タイヤが装着された車両の乗り心地評価を予測する予測データを出力するように機械学習された機械学習モデルに、対象タイヤの前記剛性データを入力し、前記対象タイヤが装着された車両の前記予測データを出力させる。
【0008】
第２観点に係る車両の乗り心地予測装置は、第１観点に係る車両の乗り心地予測装置であって、前記剛性データは、前記タイヤの構造設計値を含む。
【0009】
第３観点に係る車両の乗り心地予測装置は、第２観点に係る車両の乗り心地予測装置であって、前記タイヤの構造設計値は、トレッド部の材料の硬度、前記トレッド部の厚み、前記トレッド部のキャップ部の厚み及びベース部の厚みの比率、前記トレッド部の補強材の構造及び材料、サイドウォール部の材料の硬度、前記サイドウォール部の厚み、前記サイドウォール部のカーカスの材料及び構造、前記サイドウォール部の補強材の材料、エイペックスの材料の硬度、前記エイペックスの高さ、ならびに前記タイヤを成型する金型のトレッド面に対応する内面の曲率半径、前記内面の幅、及びトレッドパターン剛性の少なくとも１つを含む。
【0010】
第４観点に係る車両の乗り心地予測装置は、第１観点から第３観点のいずれかに係る車両の乗り心地予測装置であって、前記剛性データは、前記タイヤ単体から計測される単体特性値を含む。
【0011】
第５観点に係る車両の乗り心地予測装置は、第１観点から第４観点のいずれかに係る車両の乗り心地予測装置であって、前記タイヤの単体特性値は、縦剛性、サイドウォール剛性、ブロック剛性、前記タイヤ単体の共振周波数、及び突起反力のうち少なくとも１つを含む。
【0012】
第６観点に係る車両の乗り心地予測装置は、第１観点から第５観点のいずれかに係る車両の乗り心地予測装置であって、前記機械学習モデルは、前記剛性データに加え、前記タイヤが装着される車両の車両特性値を入力すると、前記予測データを出力するように機械学習される。
【0013】
第７観点に係る車両の乗り心地予測装置は、第１導出部を備える。第１導出部は、タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値を入力すると、前記タイヤ単体から計測されるデータであって、前記タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値を予測する第１予測データを出力するように機械学習された第１機械学習モデルに、対象タイヤの前記構造設計値を入力し、前記対象タイヤの前記第１予測データを出力させる。
【0014】
第８観点に係る車両の乗り心地予測装置は、第７観点に係る車両の乗り心地予測装置であって、第２導出部をさらに備える。第２導出部は、前記タイヤの前記第１予測データ及び前記タイヤが装着される車両の車両特性値を入力すると、前記タイヤが装着された前記車両のフロア振動特性及び突起乗り越え特性の少なくとも一方を予測する第２予測データを出力するように機械学習された第２機械学習モデルに、前記対象タイヤの前記第１予測データ及び前記対象タイヤが装着される車両の車両特性値を入力し、前記対象タイヤが装着された前記車両の前記第２予測データを出力させる。
【0015】
第９観点に係る車両の乗り心地予測装置は、第８観点に係る車両の乗り心地予測装置であって、第３導出部をさらに備える。第３導出部は、前記タイヤが装着された前記車両の前記第２予測データを入力すると、前記タイヤが装着された前記車両の乗り心地評価を予測する第３予測データを出力するように機械学習された第３機械学習モデルに、前記対象タイヤが装着された前記車両の前記第２予測データを入力し、前記対象タイヤが装着された前記車両の前記第３予測データを出力させる。
【0016】
第１０観点に係る車両の乗り心地予測方法は、タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データを入力すると、前記タイヤが装着された車両の乗り心地評価を予測する予測データを出力するように機械学習された機械学習モデルに、対象タイヤの前記剛性データを入力し、前記対象タイヤが装着された車両の前記予測データを出力させることを含む。
【0017】
第１１観点に係る車両の乗り心地予測方法は、タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値を入力すると、前記タイヤ単体から計測されるデータであって、前記タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値を予測する第１予測データを出力するように機械学習された第１機械学習モデルに、対象タイヤの前記構造設計値を入力し、前記対象タイヤの前記第１予測データを出力させることを含む。
【0018】
第１２観点に係る学習済みの機械学習モデルの生成方法は、以下のことを含む。
・タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データと、前記タイヤが装着された車両の乗り心地を官能評価した評価データとが組み合わせられた学習用データセットを準備すること。
・前記学習用データセットを用いて、対象タイヤの前記剛性データが入力されると、前記対象タイヤが装着された車両の前記評価データを予測するデータを出力するように、機械学習モデルを機械学習させること。
・タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データと、前記タイヤが装着された車両の乗り心地を官能評価した評価データとが組み合わせられた学習用データセットを準備すること。
・前記学習用データセットを用いて、対象タイヤの前記剛性データが入力されると、前記対象タイヤが装着された車両の前記評価データを予測するデータを出力するように、機械学習モデルを機械学習させること。
【0019】
第１３観点に係る学習済みの機械学習モデルの生成方法は、以下のことを含む。
・タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値と、前記タイヤ単体から計測されるデータであって、前記タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値とが組み合わせられた学習用データセットを準備すること
・前記学習用データセットを用いて、対象タイヤの前記構造設計値が入力されると、前記対象タイヤの前記単体特性値を予測するデータを出力するように、機械学習モデルを機械学習させること
・タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値と、前記タイヤ単体から計測されるデータであって、前記タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値とが組み合わせられた学習用データセットを準備すること
・前記学習用データセットを用いて、対象タイヤの前記構造設計値が入力されると、前記対象タイヤの前記単体特性値を予測するデータを出力するように、機械学習モデルを機械学習させること
【0020】
第１４観点に係る学習済みモデルの生成方法は、以下のことを含む。
・タイヤ単体から計測されるデータであって、前記タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値及び前記タイヤが装着される車両の車両特性値と、前記タイヤが装着された前記車両のフロア振動特性及び突起乗り越え特性の少なくとも一方とが組み合わせられた学習用データセットを準備すること
・対象タイヤの前記単体特性値及び前記対象タイヤが装着される車両の前記車両特性値が入力されると、前記対象タイヤが装着された前記車両のフロア振動特性及び突起乗り越え特性の少なくとも一方を予測するデータを出力するように、機械学習モデルを機械学習させること
・タイヤ単体から計測されるデータであって、前記タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値及び前記タイヤが装着される車両の車両特性値と、前記タイヤが装着された前記車両のフロア振動特性及び突起乗り越え特性の少なくとも一方とが組み合わせられた学習用データセットを準備すること
・対象タイヤの前記単体特性値及び前記対象タイヤが装着される車両の前記車両特性値が入力されると、前記対象タイヤが装着された前記車両のフロア振動特性及び突起乗り越え特性の少なくとも一方を予測するデータを出力するように、機械学習モデルを機械学習させること
【0021】
第１５観点に係る学習済みモデルの生成方法は、以下のことを含む。
・タイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方と、前記タイヤが装着された前記車両の乗り心地を官能評価した評価データとが組み合わせられた学習用データセットを準備すること
・対象タイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方が入力されると、前記対象タイヤが装着された前記車両の乗り心地を官能評価した評価データを予測するデータを出力するように、機械学習モデルを機械学習させること
・タイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方と、前記タイヤが装着された前記車両の乗り心地を官能評価した評価データとが組み合わせられた学習用データセットを準備すること
・対象タイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方が入力されると、前記対象タイヤが装着された前記車両の乗り心地を官能評価した評価データを予測するデータを出力するように、機械学習モデルを機械学習させること
【発明の効果】
【0022】
上記第１観点によれば、対象タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連するデータに基づき、対象タイヤが装着された車両の乗り心地が予測される。また、上記第７観点によれば、タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値から、対象タイヤが装着された車両の乗り心地を左右する対象タイヤのトレッド部の剛性及びサイド部の剛性を表す単体特性値が予測される。
【図面の簡単な説明】
【0023】
【図1】第１実施形態に係る予測装置の電気的構成を示すブロック図。
【図2】モデルの構造を説明する図。
【図3】乗り心地予測の流れを示すフローチャート。
【図4】機械学習の流れを示すフローチャート。
【図5】第２実施形態に係る予測装置の電気的構成を示すブロック図。
【図6】第２実施形態に係る乗り心地予測の流れを示すフローチャート。
【図7】第２実施形態に係るデータの流れを説明する図。
【発明を実施するための形態】
【0024】
以下、いくつかの実施形態に係る車両の乗り心地予測装置及び学習済みモデルの生成方法について説明する。
【0025】
（第１実施形態）
＜１－１．データ＞
図１は、第１実施形態に係る車両の乗り心地予測装置１（以下、単に「予測装置１」とも称する）の電気的構成を示すブロック図である。予測装置１は、予想対象となる対象タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データに基づき、該対象タイヤが装着された車両の乗り心地を官能評価した評価データを予測する予測データを出力する装置である。予測装置１は、主としてタイヤの設計開発や品質管理の場面で好ましく用いられる。ここで、タイヤのサイド部は、トレッド部とビード部との間にある部分を指す。以下、剛性データ及び予測データについて説明する。
＜１－１．データ＞
図１は、第１実施形態に係る車両の乗り心地予測装置１（以下、単に「予測装置１」とも称する）の電気的構成を示すブロック図である。予測装置１は、予想対象となる対象タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データに基づき、該対象タイヤが装着された車両の乗り心地を官能評価した評価データを予測する予測データを出力する装置である。予測装置１は、主としてタイヤの設計開発や品質管理の場面で好ましく用いられる。ここで、タイヤのサイド部は、トレッド部とビード部との間にある部分を指す。以下、剛性データ及び予測データについて説明する。
【0026】
［剛性データ］
剛性データは、タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する値であれば、構造設計値及び単体特性値のいずれを含んでもよい。構造設計値は、タイヤを設計する場合に具体的に定められるパラメータである。単体特性値は、タイヤ単体の台上試験により測定される値であり、構造設計値と関連する場合がある。
剛性データは、タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する値であれば、構造設計値及び単体特性値のいずれを含んでもよい。構造設計値は、タイヤを設計する場合に具体的に定められるパラメータである。単体特性値は、タイヤ単体の台上試験により測定される値であり、構造設計値と関連する場合がある。
【0027】
［構造設計値］
構造設計値のうち、トレッド部の剛性に特に関連する値としては、例えばトレッド部を構成するキャップ部の材料の硬度、トレッド部を構成するベース部の材料の硬度、トレッド部の厚み（所定の位置における厚みや最大の厚み）、キャップ部の厚み及びベース部の厚みの比率、トレッド部の補強材の構造及び材料等が挙げられる。トレッド部の補強材としては、ブレーカーやバンドが挙げられる。ブレーカーは、ラジアルタイヤではベルトとも称される部材であり、周方向にカーカスを締め付け、トレッド部の剛性を高める。ブレーカーの構造としては、例えばブレーカーの幅及びタイヤの周方向に対してなす角度が挙げられる。バンドは、トレッド部の剛性を高めるため、必要に応じてトレッド部に組み込まれる布状の部材であり、バンドの構造としては、バンド層の数、バンドが組み込まれるタイヤの幅方向の位置等が挙げられる。補強材の材料は、例えば材料の種類に応じて予め割り振られる番号により数値化することができる。
構造設計値のうち、トレッド部の剛性に特に関連する値としては、例えばトレッド部を構成するキャップ部の材料の硬度、トレッド部を構成するベース部の材料の硬度、トレッド部の厚み（所定の位置における厚みや最大の厚み）、キャップ部の厚み及びベース部の厚みの比率、トレッド部の補強材の構造及び材料等が挙げられる。トレッド部の補強材としては、ブレーカーやバンドが挙げられる。ブレーカーは、ラジアルタイヤではベルトとも称される部材であり、周方向にカーカスを締め付け、トレッド部の剛性を高める。ブレーカーの構造としては、例えばブレーカーの幅及びタイヤの周方向に対してなす角度が挙げられる。バンドは、トレッド部の剛性を高めるため、必要に応じてトレッド部に組み込まれる布状の部材であり、バンドの構造としては、バンド層の数、バンドが組み込まれるタイヤの幅方向の位置等が挙げられる。補強材の材料は、例えば材料の種類に応じて予め割り振られる番号により数値化することができる。
【0028】
構造設計値のうち、サイド部の剛性に特に関連する値としては、例えばサイドウォール部の材料の硬度、サイドウォール部の厚み（所定の位置における厚みや最大の厚み）、サイドウォール部のカーカスの材料及び構造、サイドウォール部の補強材の材料、エイペックスの材料の硬度、エイペックスの高さ等が挙げられる。カーカスは、通常タイヤ全体にわたって延在する補強材であるが、トレッド部の剛性よりは特にサイドウォール部の剛性に寄与する。カーカスの材料は、例えば材料の種類に応じて予め割り振られる番号により数値化することができる。カーカスの構造の例としては、層の数、カーカスを構成するコードの太さ、及び折り返し高さ等が挙げられる。サイドウォール部の補強材としては、ストリップエイペックス、スチールフィラー、及びナイロンフィラー等が挙げられる。補強材の材料は、例えば材料の種類に応じて予め割り振られる番号により数値化することができる。また、このような補強材の有無を数値化し、剛性データに含めてもよい。
【0029】
構造設計値には、タイヤを成型する金型のプロファイルがさらに含まれてもよい。金型のプロファイルの例としては、トレッド面に対応する金型の内面の近似的な曲率半径（トレッドラジアス）、トレッド面に対応する内面の幅、及びトレッドパターン剛性等が挙げられる。トレッドラジアスは、空気入りタイヤの接地幅に関係し、路面からの入力の大きさを左右する。トレッドパターン剛性とは、トレッド部のゴムブロックで構成されるパターンから算出される、接地面の全体的な剛性を表す。
【0030】
［単体特性値］
タイヤの単体特性値としては、縦剛性、サイドウォール剛性、ブロック剛性、タイヤ単体の共振周波数、及び突起反力等が挙げられる。縦剛性［Ｎ／ｍｍ］は、タイヤに対して垂直に荷重を加えた時のたわみを表し、小さければ小さいほどサイド部がたわみやすく、路面からの入力が緩和される。サイドウォール剛性［Ｎ／ｍｍ］は、縦剛性からトレッド部の剛性の寄与を除いた剛性を表す。ブロック剛性［Ｎ／ｍｍ］は、トレッドパターンを構成するゴムブロックの剛性を表す。タイヤ単体の共振周波数は、タイヤが装着される車両の振動に関連する要素であり、例えば、前後ねじり共振周波数［Ｈｚ］等が挙げられる。車両の振動は、これらの共振周波数と、車両自体の共振周波数との関係によっても左右されるため、後述する入力データには、車両のバネ上共振周波数、車両のバネ下共振周波数、及びエンジンマウント共振周波数等の車両特性値がさらに含まれてもよい。
タイヤの単体特性値としては、縦剛性、サイドウォール剛性、ブロック剛性、タイヤ単体の共振周波数、及び突起反力等が挙げられる。縦剛性［Ｎ／ｍｍ］は、タイヤに対して垂直に荷重を加えた時のたわみを表し、小さければ小さいほどサイド部がたわみやすく、路面からの入力が緩和される。サイドウォール剛性［Ｎ／ｍｍ］は、縦剛性からトレッド部の剛性の寄与を除いた剛性を表す。ブロック剛性［Ｎ／ｍｍ］は、トレッドパターンを構成するゴムブロックの剛性を表す。タイヤ単体の共振周波数は、タイヤが装着される車両の振動に関連する要素であり、例えば、前後ねじり共振周波数［Ｈｚ］等が挙げられる。車両の振動は、これらの共振周波数と、車両自体の共振周波数との関係によっても左右されるため、後述する入力データには、車両のバネ上共振周波数、車両のバネ下共振周波数、及びエンジンマウント共振周波数等の車両特性値がさらに含まれてもよい。
【0031】
［予測データ］
車両の乗り心地評価を予測する予測データは、専門の試験官が、対象タイヤを装着した車両の試験走行時に得る振動の体感を官能評価した評価データを予測するデータである。官能評価の項目には、例えば「ヒョコヒョコ」「ブルブル」「ゴツゴツ」「ビリビリ」等と表現される体感や、突起や異物等を乗り越えたときの衝撃感（ショック）等がある。車両の官能試験において、これらの体感の評価は、例えば「コントロールタイヤ」と称される基準タイヤを同じ車両に装着した場合の体感を基準として、試験官により所定の段階に指数化される。
車両の乗り心地評価を予測する予測データは、専門の試験官が、対象タイヤを装着した車両の試験走行時に得る振動の体感を官能評価した評価データを予測するデータである。官能評価の項目には、例えば「ヒョコヒョコ」「ブルブル」「ゴツゴツ」「ビリビリ」等と表現される体感や、突起や異物等を乗り越えたときの衝撃感（ショック）等がある。車両の官能試験において、これらの体感の評価は、例えば「コントロールタイヤ」と称される基準タイヤを同じ車両に装着した場合の体感を基準として、試験官により所定の段階に指数化される。
【0032】
＜１－２．予測装置の構成＞
予測装置１は、ハードウェアとしては汎用のコンピュータであり、例えば、デスクトップパソコン、ラップトップパソコン、タブレット、スマートフォンとして実現される。予測装置１は、ＣＤ－ＲＯＭ、ＵＳＢメモリ等のコンピュータで読み取り可能な記憶媒体１３３から、或いはネットワークを介して、プログラム１３２を上記汎用のコンピュータにインストールすることにより製造される。プログラム１３２は、予測装置１に後述する動作を実行させる。
予測装置１は、ハードウェアとしては汎用のコンピュータであり、例えば、デスクトップパソコン、ラップトップパソコン、タブレット、スマートフォンとして実現される。予測装置１は、ＣＤ－ＲＯＭ、ＵＳＢメモリ等のコンピュータで読み取り可能な記憶媒体１３３から、或いはネットワークを介して、プログラム１３２を上記汎用のコンピュータにインストールすることにより製造される。プログラム１３２は、予測装置１に後述する動作を実行させる。
【0033】
図１に示すように、予測装置１は、制御部１０、表示部１１、入力部１２、記憶部１３、及び通信部１４及びＩ／Ｏインタフェース１５を備える。これらの部１０～１５は、互いにバス線１６を介して接続されており、相互に通信可能である。表示部１１は、液晶ディスプレイ、有機ＥＬディスプレイ、プラズマディスプレイ、タッチパネルディスプレイ等で構成することができ、例えば後述する機械学習モデルの学習過程における誤差、及び機械学習されたモデルから導出される出力結果等を表示する。入力部１２は、マウス、キーボード、タッチパネル等で構成することができ、予測装置１に対する操作を受け付ける。表示部１１及び入力部１２は、ともに同じタッチパネルディスプレイで構成されてもよい。通信部１４は、ネットワークを介したデータ通信を行う通信インタフェースとして機能する。Ｉ／Ｏインタフェース１５は、例えば、ＵＳＢ（Universal Serial Bus）ポート、専用ポート等であり、外部装置と接続するためのインタフェースである。
【0034】
記憶部１３は、ハードディスク及びフラッシュメモリ等の不揮発性メモリで構成することができる。記憶部１３内には、プログラム１３２が記憶されている他、機械学習済みの機械学習モデル１７（以下、単に「モデル１７」とも称する）を定義するパラメータが記憶される。モデル１７は、タイヤが静止状態であるときの接地特性である静的接地特性を表すデータを入力すると、該タイヤの摩耗特性を表すデータを出力するように学習済みである。この学習方法については、後述する。
【0035】
制御部１０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等で構成することができる。制御部１０は、記憶部１３内のプログラム１３２を読み出して実行することにより、仮想的に取得部１０Ａ、導出部１０Ｂ、画面生成部１０Ｃ、及び学習部１０Ｄとして動作する。取得部１０Ａは、入力部１２や通信部１４等を介して、予測対象となる対象タイヤの静的接地特性を表す剛性データを取得する。導出部１０Ｂは、取得された剛性データをモデル１７に入力し、モデル１７から対象タイヤが装着された車両の予測データを出力させる。画面生成部１０Ｃは、各種の情報を表示する画面等を生成する。学習部１０Ｄについては、後述する。
【0036】
＜１－３．モデルの構成＞
以下、モデル１７の構成について説明する。図２は、モデル１７の概念図である。本実施形態のモデル１７は、ニューラルネットワーク（ＮＮ）をベースとして構成される。なお、モデル１７は、対象タイヤの官能評価を行う特定の試験官ごとに機械学習され、生成されていてもよいし、試験官を特に区別せずに生成されていてもよい。
以下、モデル１７の構成について説明する。図２は、モデル１７の概念図である。本実施形態のモデル１７は、ニューラルネットワーク（ＮＮ）をベースとして構成される。なお、モデル１７は、対象タイヤの官能評価を行う特定の試験官ごとに機械学習され、生成されていてもよいし、試験官を特に区別せずに生成されていてもよい。
【0037】
モデル１７は、入力層１７０と、出力層１７２と、入力層１７０と出力層１７２との間を接続する１または複数の中間層１７１とを備える。入力層１７０は、モデル１７に入力される入力データ１３４０に応じた数のノードを有する。本実施形態は、入力データは剛性データと、車両特性値とを含む。
【0038】
剛性データは、上述したタイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する構造設計値及び単体特性値から適宜選択されるデータである。例えば、構造設計値が不明な対象タイヤについて車両の乗り心地を予測する場合は、構造設計値に属する値を剛性データとせず、単体特性値の中から選択したデータを剛性データとするように、モデル１７を構成することができる。車両特性値は、本実施形態では、対象タイヤが装着される車両のバネ上共振周波数である。
【0039】
入力層１７０の各ノードに入力された入力データ１３４０は、それぞれ、入力層１７０の直後に接続される中間層１７１のノードに引き渡される。中間層１７１の各ノードは、後述する機械学習により調整された重み及びバイアスがそれぞれ定められており、これらの重み及びバイアスにより、各ノードにおける入力データの線形変換が行われる。さらに、線形変換後のデータに対し、活性化関数による非線形変換が行われ、閾値を超えた中間層１７１のノードの値が、後続の中間層１７１へと引き渡される。後続の中間層１７１の各ノードも、同様に機械学習により調整された重み及びバイアスが定められており、入力された値に対する線形変換及び非線形変換が同様に行われる。これを繰り返すことにより、出力層１７２へと、順次値が引き渡されていく。
【0040】
中間層１７１の数、中間層１７１ごとのノードの数、及び各ノードの接続は、適宜定めることができる。また、活性化関数も特に限定されず、例えばｔａｎｈ関数、シグモイド関数、ＲｅＬＵ関数、ステップ関数、ＥＬＵ関数、Ｓｏｆｔｍａｘ関数等を採用することができる。
【0041】
出力層１７２は、モデル１７の出力データ１３４１となる予測データを出力する層である。出力層１７２が有するノードの数は、予測データの種類に応じて予め定められる。例えば、予測データを「ヒョコヒョコ」「ブルブル」「ゴツゴツ」「ビリビリ」及び「ショック」の５種類の体感の（コントロールタイヤに対する）評価データの予測データとする場合、出力層１７２は、各体感に対応した５つのノードを有する。そして、最後の中間層１７１からこれらノードに引き渡され、当該ノードから出力される値が、上述の各体感に対応した評価データ（指数）の予測値となる。ここで、モデル１７が試験官ごとに生成される場合は、出力データ１３４１は、対応する試験官により決定される確率が高い評価データとなる。モデル１７が試験官を区別せずに生成される場合は、出力データ１３４１は、複数の試験官により決定される確率が総合的に高い評価データとなる。
【0042】
＜１－４．予測方法＞
図３は、予測装置１により実行される車両の乗り心地評価の予測方法の流れを示すフローチャートである。以下では、試験官を区別せずに生成された１つのモデル１７により、複数の試験官による総合的な官能評価の結果を予測する場合を例に説明する。
図３は、予測装置１により実行される車両の乗り心地評価の予測方法の流れを示すフローチャートである。以下では、試験官を区別せずに生成された１つのモデル１７により、複数の試験官による総合的な官能評価の結果を予測する場合を例に説明する。
【0043】
まず、取得部１０Ａが、対象タイヤの剛性データ及び対象タイヤが装着される車両の車両特性値を取得し、入力データ１３４０としてＲＡＭまたは記憶部１３に保存する（ステップＳ１）。剛性データは、上述の構造値設計及び単体特性値に属するデータのうち少なくとも１つを含むデータであり、対象タイヤの構造設計値が不明である場合には、台上試験により測定される単体特性値の１または複数のデータとすることもできる。また、車両特性値は、例えばバネ上共振周波数とすることができる。取得部１０Ａによる取得は、例えば予測装置１のユーザ（典型的には、タイヤの開発設計者）が入力部１２を介して行ってもよいし、ＣＤ－ＲＯＭ、ＵＳＢメモリ等の記録媒体を介して行ってもよいし、ネットワークを介して台上試験装置から測定データを読み出すことで行ってもよい。
【0044】
続いて、導出部１０Ｂが、入力データ１３４０をモデル１７に入力し、モデル１７から出力データ１３４１を出力させる（ステップＳ２）。出力データ１３４１は、本実施形態では、官能試験の各項目に対応する評価データを予測する予測データである。
【0045】
続いて、画面生成部１０Ｃが、ステップＳ２で導出された出力データ１３４１を表示する結果画面を生成し、表示部１１を介して表示する（ステップＳ３）。出力データ１３４１の表示形式は特に限定されない。画面生成部１０Ｃは、例えば、官能評価の各項目と、その項目に対する予測データとが対応した表形式で出力データ１３４１を表示する結果画面を生成することができる。
【0046】
タイヤの開発者等は、結果画面を確認し、対象タイヤにより狙いとする官能評価を実現できる可能性が高いか否かを判断することができる。これにより、対象タイヤを試作する前であれば、対象タイヤを試作するか否かを容易に判断することができるので、試作及び試作品の評価試験に係る工程を効率的に行うことができる。また、対象タイヤの現物が既に製作されている場合でも、その対象タイヤによる官能評価をさらに実施するかどうかの判断を容易に行うことができる。さらに、入力データ１３４０を適宜変化させることにより、乗り心地が改善する対象タイヤと車両とのマッチングを検討したり、狙いとする官能評価を実現する可能性がより高い構造設計値または単体特性値を検討したりすることができる。
【0047】
＜１－５．学習方法＞
予測装置１は、学習済みモデルの生成装置としても構成することができる。以下、図４を参照しつつ、学習部１０Ｄにより実行される、モデル１７を生成するための方法（機械学習モデルの生成方法）について説明する。なお、以下では、学習部１０Ｄが複数の試験官による乗り心地評価を予測する学習済みのモデル１７を生成する場合について説明する。
予測装置１は、学習済みモデルの生成装置としても構成することができる。以下、図４を参照しつつ、学習部１０Ｄにより実行される、モデル１７を生成するための方法（機械学習モデルの生成方法）について説明する。なお、以下では、学習部１０Ｄが複数の試験官による乗り心地評価を予測する学習済みのモデル１７を生成する場合について説明する。
【0048】
機械学習モデルは、図２に示すようなニューラルネットワークをベースとした構造を有し、学習用データセット１３４を用いて機械学習される。学習用データセット１３４は、複数のタイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データ及び該複数のタイヤが装着された（１または複数の）車両の車両特性値と、該車両の乗り心地を官能評価した評価データ（正解データ）とが組み合わされたデータセットである。ここで、剛性データは、実際に製作されたタイヤの構造設計値及び単体特性値から選択されるデータである。また、評価データは、上記タイヤが装着された車両において、複数の試験官がそれぞれ官能試験を行い、評価項目ごとに体感を評価した官能評価のデータである。なお、評価データは、評価項目ごとに、複数の試験官の官能評価のデータを平均または加重平均したものとすることができる。車両特性値は、実際に官能評価を行った車両の特性値である。
【0049】
官能評価は、上述の通り基準タイヤを基準とした評価である。このため、学習用データセット１３４には、基準タイヤについての剛性データ及び基準タイヤが装着された車両の車両特性値と、基準タイヤについての評価データとのデータセットが含まれることが好ましい。
【0050】
ステップＳ１１では、学習部１０Ｄにより、上述のような学習用データセット１３４が準備される。学習部１０Ｄは、記憶媒体やネットワークを介して学習用データセット１３４を予測装置１に取り込み、記憶部１３に保存する。
【0051】
続いて、学習部１０Ｄは、学習用データセット１３４を、パラメータ調整用の訓練用データセットと、精度検証用のテスト用データセットとに分割する（ステップＳ１２）。両者の割合は、適宜設定することができる。
【0052】
続いて、学習部１０Ｄが、訓練用データセットに含まれる剛性データ及び車両特性値を機械学習モデルに入力し、出力を導出する（ステップＳ１３）。
【0053】
続いて、学習部１０Ｄは、ステップＳ１３で入力されたデータに組み合わせられている正解データと、出力されたデータとの誤差が小さくなるように、機械学習モデルを定義するパラメータ（重みやバイアス等）を調整し、更新する（ステップＳ１４）。ステップＳ１４は、バッチ勾配降下法、確率的勾配降下法、ミニバッチ勾配降下法等のいずれの方法で実行されてもよく、これらの方法に応じて、適当なエポック数だけ繰り返すことができる。
【0054】
続いて、学習部１０Ｄが、規定のエポック数の学習が完了したか否かを判定する（ステップＳ１５）。学習部１０Ｄが、規定のエポック数の学習が完了していない（ＮＯ）と判定する場合、学習部１０Ｄは、さらにステップＳ１３～ステップＳ１５を繰り返す。一方、学習部１０Ｄが、規定のエポック数の学習が完了した（ＹＥＳ）と判定する場合、ステップＳ１６が実行される。
【0055】
ステップＳ１６では、学習部１０Ｄが、機械学習モデルを定義する最新のパラメータを記憶部１３に保存する。以上の手順により、モデル１７が生成される。
【0056】
なお、ステップＳ１４において、学習部１０Ｄが機械学習モデルからの出力と正解データとの誤差が所定の値以下になったか否かを判定し、上記誤差が所定の値以下になった（ＹＥＳ）と判定される場合、ステップＳ１５が実行されるようにしてもよい。この判定は、テスト用データセットの剛性データ及び車両特性値をモデルに入力し、テスト用データセットの正解データと、出力されたデータとの誤差を算出することにより行うことができる。このように、規定のエポック数の学習の完了を待たずに機械学習モデルの学習を終了する場合、機械学習モデルの過学習を回避することができる。
【0057】
（第２実施形態）
次に、第２実施形態に係る車両の乗り心地予測装置２（以下、単に「予測装置２」とも称する）について説明する。予測装置２は、対象タイヤが装着された車両の乗り心地を官能評価した評価データを予測する点で予測装置１と共通するが、予測データを導出する工程が予測装置１とは異なる。以下では、予測装置２のうち、予測装置１と共通する構成については同じ符号を付し、説明を省略する。
次に、第２実施形態に係る車両の乗り心地予測装置２（以下、単に「予測装置２」とも称する）について説明する。予測装置２は、対象タイヤが装着された車両の乗り心地を官能評価した評価データを予測する点で予測装置１と共通するが、予測データを導出する工程が予測装置１とは異なる。以下では、予測装置２のうち、予測装置１と共通する構成については同じ符号を付し、説明を省略する。
【0058】
＜２－１．予測装置＞
図５は、予測装置２の電気的構成を示すブロック図である。予測装置２は、記憶部２３及び制御部２０を備える。記憶部２３は、ハードディスク及びフラッシュメモリ等の不揮発性メモリで構成することができる。記憶部２３内には、プログラム２３２が記憶されている他、機械学習済みの第１機械学習モデル２７～第３機械学習モデル２９（以下、それぞれを単に「第１モデル２７」「第２モデル２８」「第３モデル２９」とも称する）をそれぞれ定義するパラメータが記憶される。これら第１～第３モデルの学習方法については、後述する。
図５は、予測装置２の電気的構成を示すブロック図である。予測装置２は、記憶部２３及び制御部２０を備える。記憶部２３は、ハードディスク及びフラッシュメモリ等の不揮発性メモリで構成することができる。記憶部２３内には、プログラム２３２が記憶されている他、機械学習済みの第１機械学習モデル２７～第３機械学習モデル２９（以下、それぞれを単に「第１モデル２７」「第２モデル２８」「第３モデル２９」とも称する）をそれぞれ定義するパラメータが記憶される。これら第１～第３モデルの学習方法については、後述する。
【0059】
制御部２０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等で構成することができる。制御部２０は、記憶部２３内のプログラム２３２を読み出して実行することにより、仮想的に取得部２０Ａ、第１導出部２０Ｂ、第２導出部２０Ｃ、第３導出部２０Ｄ、画面生成部２０Ｅ、第１学習部２０Ｆ、第２学習部２０Ｇ及び第３学習部２０Ｈとして動作する。取得部２０Ａは、入力部１２や通信部１４等を介して、予測対象となる対象タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値等を取得する。第１導出部２０Ｂ、第２導出部２０Ｃ及び第３導出部２０Ｄは、それぞれ、第１モデル２７、第２モデル２８及び第３モデル２９からの出力を導出する。画面生成部１０Ｃは、各種の情報を表示する画面等を生成する。第１学習部２０Ｆ～第３学習部２０Ｈについては、後述する。
【0060】
＜２－２．第１モデル＞
第１モデル２７は、タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値（第１入力データ２７０、図７参照）を入力すると、当該タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値を予測する第１予測データ２７１（図７参照）を出力するように機械学習されたモデルである。第１入力データ２７０は、第１実施形態において説明した構造設計値の中から、適宜選択することができる。また、第１予測データ２７１が予測する単体特性値も、第１実施形態において説明した単体特性値の中から、適宜選択することができる。第１モデル２７は、例えばニューラルネットワークをベースとした構造とすることができる。ニューラルネットワークについては、第１実施形態において既に説明したため、説明を省略する。後述するように、第１モデル２７が有するパラメータ（各ノードの重みやバイアス等）は、第１学習部２０Ｆにより調整される。
第１モデル２７は、タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値（第１入力データ２７０、図７参照）を入力すると、当該タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値を予測する第１予測データ２７１（図７参照）を出力するように機械学習されたモデルである。第１入力データ２７０は、第１実施形態において説明した構造設計値の中から、適宜選択することができる。また、第１予測データ２７１が予測する単体特性値も、第１実施形態において説明した単体特性値の中から、適宜選択することができる。第１モデル２７は、例えばニューラルネットワークをベースとした構造とすることができる。ニューラルネットワークについては、第１実施形態において既に説明したため、説明を省略する。後述するように、第１モデル２７が有するパラメータ（各ノードの重みやバイアス等）は、第１学習部２０Ｆにより調整される。
【0061】
＜２－３．第２モデル＞
第２モデル２８は、タイヤの単体特性値及び当該タイヤが装着される車両の車両特性値（第２入力データ２８０、図７参照）を入力すると、当該タイヤが装着された前記車両のフロア振動特性及び突起乗り越え特性の少なくとも一方を予測する第２予測データ２８１（図７参照）を出力するように機械学習されたモデルである。第２入力データ２８０に含まれる単体特性値は、第１予測データ２７１が予測する単体特性値に対応する。また、車両特性値は、第１実施形態において説明した車両特性値と同様である。
第２モデル２８は、タイヤの単体特性値及び当該タイヤが装着される車両の車両特性値（第２入力データ２８０、図７参照）を入力すると、当該タイヤが装着された前記車両のフロア振動特性及び突起乗り越え特性の少なくとも一方を予測する第２予測データ２８１（図７参照）を出力するように機械学習されたモデルである。第２入力データ２８０に含まれる単体特性値は、第１予測データ２７１が予測する単体特性値に対応する。また、車両特性値は、第１実施形態において説明した車両特性値と同様である。
【0062】
車両のフロア振動特性とは、例えば振動の各周波数帯域における加速度［ｍ／ｓ2］である。より具体的には、０～４０Ｈｚの周波数帯を４つに分割した各周波数帯域では、それぞれ「ヒョコヒョコ」「ブルブル」「ゴツゴツ」「ビリビリ」等と表現される振動の体感を人に与えると考えられている。このため、各周波数帯域における加速度は、人にどのような体感を与えやすいかについての一定の目安とされる。また、車両の突起乗り越え特性とは、タイヤが装着された車両が突起を乗り越えた際に、トレッド部、サイドウォール部、及びタイヤ回転軸をこの順に伝わる衝撃の度合いを表す。車両の突起乗り越え特性としては、例えば上下方向または前後方向に一時的に生じる加速度［ｍ／ｓ2］、タイヤの回転軸に伝わる上下力［ｋｇｆ］及び前後力［ｋｇｆ］等が挙げられる。車両の突起乗り越え特性は、所定の速度で走行中、車両が異物等を乗り越えた場合に、人に衝撃の体感を与えやすいか否かについての一定の目安とされる。第２予測データ２８１が予測するデータは、上述した特性を表すデータの中から、適宜選択される。
【0063】
第２モデル２８は、例えばニューラルネットワークをベースとした構造とすることができる。ニューラルネットワークについては、第１実施形態において既に説明したため、説明を省略する。後述するように、第２モデル２８が有するパラメータ（各ノードの重みやバイアス等）は、第２学習部２０Ｇにより調整される。
【0064】
＜２－４．第３モデル＞
第３モデル２９は、タイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方（第３入力データ２９０、図７参照）を入力すると、当該車両の乗り心地評価を予測する第３予測データ２９１（図７参照）を出力するように機械学習されたモデルである。第３入力データ２９０に含まれるフロア振動特性及び突起乗り越え特性の少なくとも一方は、第２予測データ２８１が予測するフロア振動特性及び突起乗り越え特性の少なくとも一方に対応する。また、車両の乗り心地評価は、第１実施形態において説明したように、専門の試験官が、車両の実走行時に得る振動の体感を各項目について官能評価した値であり、本実施形態では、基準タイヤとの相対評価において指数化された値である。第３モデル２９は、対象タイヤの官能評価を行う特定の試験官ごとに生成されてもよいし、試験官を特に区別せず、複数の試験官に対して生成されてもよい。
第３モデル２９は、タイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方（第３入力データ２９０、図７参照）を入力すると、当該車両の乗り心地評価を予測する第３予測データ２９１（図７参照）を出力するように機械学習されたモデルである。第３入力データ２９０に含まれるフロア振動特性及び突起乗り越え特性の少なくとも一方は、第２予測データ２８１が予測するフロア振動特性及び突起乗り越え特性の少なくとも一方に対応する。また、車両の乗り心地評価は、第１実施形態において説明したように、専門の試験官が、車両の実走行時に得る振動の体感を各項目について官能評価した値であり、本実施形態では、基準タイヤとの相対評価において指数化された値である。第３モデル２９は、対象タイヤの官能評価を行う特定の試験官ごとに生成されてもよいし、試験官を特に区別せず、複数の試験官に対して生成されてもよい。
【0065】
第３モデル２９は、例えばニューラルネットワークをベースとした構造とすることができる。ニューラルネットワークについては、第１実施形態において既に説明したため、説明を省略する。後述するように、第３モデル２９が有するパラメータ（各ノードの重みやバイアス等）は、第３学習部２０Ｈにより調整される。
【0066】
＜２－５．予測方法＞
図６は、予測装置２により実行される車両の乗り心地評価の予測方法の流れを示すフローチャートである。図７は、図６の予測方法が実行されるときの、第１モデル２７、第２モデル２８及び第３モデル２９の入力及び出力の関係を説明する図である。以下では、試験官を区別せずに構築された第３モデル２９を含む第１モデル２７～第３モデル２９により、複数の試験官による総合的な官能評価の評価データを予測する場合を例に説明する。
図６は、予測装置２により実行される車両の乗り心地評価の予測方法の流れを示すフローチャートである。図７は、図６の予測方法が実行されるときの、第１モデル２７、第２モデル２８及び第３モデル２９の入力及び出力の関係を説明する図である。以下では、試験官を区別せずに構築された第３モデル２９を含む第１モデル２７～第３モデル２９により、複数の試験官による総合的な官能評価の評価データを予測する場合を例に説明する。
【0067】
まず、取得部２０Ａが、対象タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値を取得し、これを第１入力データ２７０としてＲＡＭまたは記憶部２３に保存する（ステップＳ２１）。以下、取得部２０Ａによる各データの取得は、例えば予測装置２のユーザが入力部１２を介して行ってもよいし、ＣＤ－ＲＯＭ、ＵＳＢメモリ等の記憶媒体を介して行ってもよいし、ネットワーク通信を介して行ってもよい。
【0068】
続いて、第１導出部２０Ｂが、第１入力データ２７０を第１モデル２７に入力し、対象タイヤの単体特性値を予測する第１予測データ２７１を出力させる（ステップＳ２２）。
【0069】
次に、取得部２０Ａが、対象タイヤが装着される車両の車両特性値を取得し、ＲＡＭまたは記憶部２３に保存する（ステップＳ２３）。
【0070】
続いて、第２導出部２０Ｃが、ステップＳ２２で出力された第１予測データ２７１と、ステップＳ２３で取得された車両特性値とをまとめて第２入力データ２８０とし、第２入力データ２８０を第２モデル２８に入力し、第２予測データ２８１を出力させる（ステップＳ２４）。上述したように、第２予測データ２８１は、対象タイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方を予測するデータである。
【0071】
続いて、第３導出部２０Ｄが、第２予測データ２８１を第３入力データ２９０とし、第３入力データ２９０を第３モデル２９に入力し、対象タイヤが装着された車両の乗り心地評価を予測する第３予測データ２９１を出力させる（ステップＳ２５）。ステップＳ２５により、対象タイヤが装着された車両の乗り心地が予測される。
【0072】
以上のように、予測装置２では、対象タイヤの構造設計値からスタートして、第１モデル２７～第３モデル２９により出力されるデータが、段階的に車両の乗り心地の評価データの予測に近付くように構成される。このような構成によれば、予測装置１と比較して、車両の乗り心地の評価データ予測の精度向上が図られる。
【0073】
＜２－６．学習方法＞
予測装置２は、学習済みモデルの生成装置としても構成することができる。より具体的には、第１学習部２０Ｆは機械学習モデルを学習させ、第１モデル２７を生成する。第２学習部２０Ｇは別の機械学習モデルを学習させ、第２モデル２８を生成する。第３学習部２０Ｈは別の機械学習モデルを学習させ、第３モデル２９を生成する。第１学習部２０Ｆ～第３学習部２０Ｈにより行われる学習方法は、図４のフローチャートと同様であるため、再度の説明は省略する。ここでは、第１学習部２０Ｆ～第３学習部２０Ｈによりそれぞれ準備され、記憶部２３に保存される、第１学習用データセット２３４～第３学習用データセット２３６について説明する。
予測装置２は、学習済みモデルの生成装置としても構成することができる。より具体的には、第１学習部２０Ｆは機械学習モデルを学習させ、第１モデル２７を生成する。第２学習部２０Ｇは別の機械学習モデルを学習させ、第２モデル２８を生成する。第３学習部２０Ｈは別の機械学習モデルを学習させ、第３モデル２９を生成する。第１学習部２０Ｆ～第３学習部２０Ｈにより行われる学習方法は、図４のフローチャートと同様であるため、再度の説明は省略する。ここでは、第１学習部２０Ｆ～第３学習部２０Ｈによりそれぞれ準備され、記憶部２３に保存される、第１学習用データセット２３４～第３学習用データセット２３６について説明する。
【0074】
［第１学習用データセット］
第１学習用データセット２３４は、複数のタイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値と、当該複数のタイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値（第１正解データ）とが組み合わせられたデータセットである。構造設計値及び単体特性値は、第１実施形態において説明した通りであり、既に例示した値の中から、適宜選択することができる。構造設計値は、実際に製作されたタイヤの設計値であり、単体特性値は、同タイヤの台上試験により計測される値である。第１学習用データセット２３４には、基準タイヤについてのデータセットが含まれることが好ましい。
第１学習用データセット２３４は、複数のタイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に寄与する構造設計値と、当該複数のタイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値（第１正解データ）とが組み合わせられたデータセットである。構造設計値及び単体特性値は、第１実施形態において説明した通りであり、既に例示した値の中から、適宜選択することができる。構造設計値は、実際に製作されたタイヤの設計値であり、単体特性値は、同タイヤの台上試験により計測される値である。第１学習用データセット２３４には、基準タイヤについてのデータセットが含まれることが好ましい。
【0075】
第１学習部２０Ｆは、図４のステップＳ１３に対応するステップにおいて、機械学習モデルに第１学習用データセット２３４の構造設計値を入力し、出力を導出する。第１学習部２０Ｆは、図４のステップＳ１４に対応するステップにおいて、入力された構造設計値に組み合わされた第１学習用データセット２３４の第１正解データと、導出された出力との誤差が小さくなるように、機械学習モデルのパラメータを調整し、更新する。
【0076】
［第２学習用データセット］
第２学習用データセット２３５は、複数のタイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値、及び同複数のタイヤが装着される（１または複数の）車両の車両特性値と、同複数のタイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方（第２正解データ）とが組み合わせられた学習用データセットである。複数のタイヤは、第１学習用データセット２３４における複数のタイヤと共通であることが好ましい。この場合、第２学習用データセット２３５の単体特性値は、第１学習用データセット２３４の第１正解データとしての単体特性値と共通のデータとなる。また、車両のフロア振動特性及び突起乗り越え特性については、既に説明した通りであり、第２学習用データセット２３５としては、車両にタイヤを装着して実際の走行試験を行い、加速度計等の計測器により取得されたデータが使用される。車両特性値は、走行試験を行った車両の特性値である。
第２学習用データセット２３５は、複数のタイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する単体特性値、及び同複数のタイヤが装着される（１または複数の）車両の車両特性値と、同複数のタイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方（第２正解データ）とが組み合わせられた学習用データセットである。複数のタイヤは、第１学習用データセット２３４における複数のタイヤと共通であることが好ましい。この場合、第２学習用データセット２３５の単体特性値は、第１学習用データセット２３４の第１正解データとしての単体特性値と共通のデータとなる。また、車両のフロア振動特性及び突起乗り越え特性については、既に説明した通りであり、第２学習用データセット２３５としては、車両にタイヤを装着して実際の走行試験を行い、加速度計等の計測器により取得されたデータが使用される。車両特性値は、走行試験を行った車両の特性値である。
【0077】
第２学習部２０Ｇは、図４のステップＳ１３に対応するステップにおいて、機械学習モデルに第２学習用データセット２３５の単体特性値及び車両特性値を入力し、出力を導出する。第２学習部２０Ｇは、図４のステップＳ１４に対応するステップにおいて、入力された単体特性値及び車両特性値に組み合わされた第２学習用データセット２３５の第２正解データと、導出された出力との誤差が小さくなるように、機械学習モデルのパラメータを調整し、更新する。
【0078】
［第３学習用データセット］
第３学習用データセット２３６は、複数のタイヤについて、同複数のタイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方と、同車両の乗り心地を官能評価した評価データ（第３正解データ）とが組み合わせられたデータセットである。複数のタイヤは、第１学習用データセット２３４及び第２学習用データセット２３５における複数のタイヤと共通であることが好ましい。また、タイヤとこれが装着される車両の組み合わせも、第２学習用データセット２３５における組み合わせと共通であることが好ましい。この場合、第３学習用データセット２３６のフロア振動特性及び突起乗り越え特性は、第２学習用データセット２３５の第２正解データとしてのフロア振動特性及び突起乗り越え特性と共通のデータとなる。そして、車両の乗り心地を官能評価した評価データは、上記車両において、試験官が官能試験を行い、評価項目ごとに体感を評価した官能評価のデータである。第３モデル２９が複数の試験官による総合的な評価データを予測するものとして生成される場合、第３学習用データセット２３６の評価データは、複数の試験官がそれぞれ行った官能評価の、評価項目ごとの平均値または加重平均値とすることができる。
第３学習用データセット２３６は、複数のタイヤについて、同複数のタイヤが装着された車両のフロア振動特性及び突起乗り越え特性の少なくとも一方と、同車両の乗り心地を官能評価した評価データ（第３正解データ）とが組み合わせられたデータセットである。複数のタイヤは、第１学習用データセット２３４及び第２学習用データセット２３５における複数のタイヤと共通であることが好ましい。また、タイヤとこれが装着される車両の組み合わせも、第２学習用データセット２３５における組み合わせと共通であることが好ましい。この場合、第３学習用データセット２３６のフロア振動特性及び突起乗り越え特性は、第２学習用データセット２３５の第２正解データとしてのフロア振動特性及び突起乗り越え特性と共通のデータとなる。そして、車両の乗り心地を官能評価した評価データは、上記車両において、試験官が官能試験を行い、評価項目ごとに体感を評価した官能評価のデータである。第３モデル２９が複数の試験官による総合的な評価データを予測するものとして生成される場合、第３学習用データセット２３６の評価データは、複数の試験官がそれぞれ行った官能評価の、評価項目ごとの平均値または加重平均値とすることができる。
【0079】
第３学習部２０Ｈは、図４のステップＳ１３に対応するステップにおいて、機械学習モデルに第３学習用データセット２３６のフロア振動特性及び突起乗り越え特性の少なくとも一方を入力し、出力を導出する。第３学習部２０Ｈは、図４のステップＳ１４に対応するステップにおいて、入力されたフロア振動特性及び突起乗り越え特性の少なくとも一方に組み合わされた第３学習用データセット２３６の第３正解データと、導出された出力との誤差が小さくなるように、機械学習モデルのパラメータを調整し、更新する。
【0080】
＜３．特徴＞
予測装置１または予測装置２によれば、対象タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データに基づいて、対象タイヤが装着された車両の乗り心地評価が予測される。これにより、開発中のタイヤが、目標とする乗り心地評価を実現する可能性が高いか否かを事前に検討することができ、開発効率を高めることができる。さらに、予測装置１によれば、対象タイヤの構造設計値が不明な場合であっても、対象タイヤから計測可能な単体特性値のみに基づいて、車両の乗り心地評価を予測することができる。一方、予測装置２によれば、予測装置１と比較するとより高い精度で乗り心地評価を予測できる。また、予測装置１及び予測装置２では、入力する対象タイヤの構造設計値を変化させることにより、簡易的に乗り心地評価のシミュレーションを行うことができる。
予測装置１または予測装置２によれば、対象タイヤのトレッド部の剛性及びサイド部の剛性の少なくとも一方に関連する剛性データに基づいて、対象タイヤが装着された車両の乗り心地評価が予測される。これにより、開発中のタイヤが、目標とする乗り心地評価を実現する可能性が高いか否かを事前に検討することができ、開発効率を高めることができる。さらに、予測装置１によれば、対象タイヤの構造設計値が不明な場合であっても、対象タイヤから計測可能な単体特性値のみに基づいて、車両の乗り心地評価を予測することができる。一方、予測装置２によれば、予測装置１と比較するとより高い精度で乗り心地評価を予測できる。また、予測装置１及び予測装置２では、入力する対象タイヤの構造設計値を変化させることにより、簡易的に乗り心地評価のシミュレーションを行うことができる。
【0081】
＜４．変形例＞
以上、本発明の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて、種々の変更が可能である。以下に示す変形例の要旨は、適宜組み合わせることができる。
以上、本発明の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて、種々の変更が可能である。以下に示す変形例の要旨は、適宜組み合わせることができる。
【0082】
（１）上記実施形態では、モデル１７、第１モデル２７、第２モデル２８及び第３モデル２９は、ニューラルネットワーク（ＮＮ）をベースとして構成されていたが、上記モデルの構造はこれに限定されず、それぞれ適宜変更することができる。例えば、モデル１７、第１モデル２７、第２モデル２８及び第３モデル２９は、それぞれ、サポートベクタ―マシン（ＳＶＭ）、決定木、ＰＣＡ、畳み込みニューラルネットワーク（ＣＮＮ）、及び再帰型ニューラルネットワーク（ＲＮＮ）等の構造をベースとするモデルとして構成されてもよい。また、学習方法も上記実施形態の方法に限定されず、適宜変更することができる。
【0083】
（２）モデル１７の出力データ１３４１及び第３モデル２９の第３予測データ２９１は、評価データの予測値ではなく、評価項目の各指数についての確率であってもよい。例えば、ある評価項目が「１」「２」「３」の３段階で指数評価される場合、出力データ１３４１及び第３予測データ２９１は、同評価項目が「１」となる確率、「２」となる確率、及び「３」となる確率の組み合わせであってもよい。出力データ１３４１及び第３予測データ２９１の形式を変更する場合は、学習用データセット１３４及び第３学習用データセット２３６についてもこれに対応するように変更されてよい。
【0084】
（３）モデル１７を特定の試験官ごとに生成する場合は、学習用データセット１３４の評価データを、特定の試験官による乗り心地評価の評価データとすることができる。この場合、試験官ごとに生成されたモデル１７のそれぞれについて、上記ステップＳ１～Ｓ３を実行することで、各試験官による車両の乗り心地の評価データを予測することができる。同様に、第３モデル２９を特定の試験官ごとに生成する場合は、第３学習用データセット２３６の評価データを、特定の試験官による乗り心地評価の評価データとすることができる。この場合、試験官ごとに生成された第３モデル２９のそれぞれについて、上記ステップＳ２５を実行することで、各試験官による車両の乗り心地の評価データを予測することができる。
【0085】
（４）上記実施形態では、予測装置１及び予測装置２は１つの装置として構成されたが、各部１０Ａ～１０Ｅ、２０Ａ～２０Ｈ、記憶部１３及び記憶部２３の機能は、複数の装置に分散されていてもよい。例えば、機械学習モデルの学習はネットワークを通じて提供されるサービスにより行い、生成されたモデルを、予測装置に保存することとしてもよい。すなわち、予測装置１と学習済みモデルの生成装置とは別体として構成されていてもよく、予測装置２と学習済みモデルの生成装置とは別体として構成されていてもよい。
【0086】
（５）車両特性値へのモデル１７の入力、または第２モデル２８への入力は、省略されてもよい。この場合、学習用データセット１３４または第３学習用データセット２３６からも、車両特性値を除くことができる。
【0087】
（６）ステップＳ２３は、ステップＳ２２の前に実行されてもよい。
【0088】
（７）予測装置１の制御部１０及び予測装置２の制御部２０は、ＣＰＵやＧＰＵの他、ベクトルプロセッサ、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）、その他人工知能専用チップ等を含んで構成されてもよい。また、制御部１０及び制御部２０の動作は、１または複数のプロセッサにより実行されてもよい。
【0089】
１,２ 予測装置
１０，２０ 制御部
１０Ａ，２０Ａ 取得部
１０Ｂ 導出部
１０Ｅ 学習部
２０Ｂ 第１導出部
２０Ｃ 第２導出部
２０Ｄ 第３導出部
２０Ｆ 第１学習部
２０Ｇ 第２学習部
２０Ｈ 第３学習部
１７ モデル
２７ 第１モデル
２８ 第２モデル
２９ 第３モデル
１０，２０ 制御部
１０Ａ，２０Ａ 取得部
１０Ｂ 導出部
１０Ｅ 学習部
２０Ｂ 第１導出部
２０Ｃ 第２導出部
２０Ｄ 第３導出部
２０Ｆ 第１学習部
２０Ｇ 第２学習部
２０Ｈ 第３学習部
１７ モデル
２７ 第１モデル
２８ 第２モデル
２９ 第３モデル
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
