特開 2024-81517 タイヤ摩耗推定システム、タイヤ摩耗推定方法および演算モデル生成システム

(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】P2024081517

(43)【公開日】2024-06-18

(54)【発明の名称】タイヤ摩耗推定システム、タイヤ摩耗推定方法および演算モデル生成システム

(51)【国際特許分類】

   G01M 17/02 20060101AFI20240611BHJP

   B60C 19/00 20060101ALI20240611BHJP

【ＦＩ】

G01M17/02

B60C19/00 Z

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2022195189

(22)【出願日】2022-12-06

(71)【出願人】

【識別番号】000003148

【氏名又は名称】ＴＯＹＯ ＴＩＲＥ株式会社

(74)【代理人】

【識別番号】100105924

【弁理士】

【氏名又は名称】森下 賢樹

(72)【発明者】

【氏名】栗谷 康太郎

【テーマコード（参考）】

3D131

【Ｆターム（参考）】

3D131BC33

3D131LA34

(57)【要約】

【課題】タイヤの摩耗状態の推定精度を向上することができるタイヤ摩耗推定システム、タイヤ摩耗推定方法および演算モデル生成システムを提供する。
【解決手段】演算モデル生成システム１１０の車両情報取得部１２は、車両で計測される走行距離を含む車両情報を取得する。摩耗情報取得部２１は、タイヤ７で計測された摩耗状態の情報を取得する。摩耗推定部１３は、車両情報を入力データとする学習型の演算モデル１３ａを用いてタイヤ７の摩耗状態を推定する。データセット生成部２２は、車両情報および教師データとして摩耗情報取得部２１により取得した摩耗状態の情報で構成される第１データセットを取得し、複数の第１データセットに基づいて第２データセットを生成する。学習処理部２３は、第１データセットおよび第２データセットに基づいて演算モデル１３ａを学習させる。
【選択図】図４

【特許請求の範囲】

【請求項1】

車両で計測される走行距離を含む車両情報を取得する車両情報取得部と、
タイヤで計測された摩耗状態の情報を取得する摩耗情報取得部と、
前記車両情報を入力データとする学習型の演算モデルを用いてタイヤの摩耗状態を推定する摩耗推定部と、
前記車両情報および教師データとして前記摩耗情報取得部により取得した摩耗状態の情報で構成される第１データセットを取得し、複数の前記第１データセットに基づいて第２データセットを生成するデータセット生成部と、
前記第１データセットおよび前記第２データセットに基づいて前記演算モデルを学習させる学習処理部と、
を備えることを特徴とする演算モデル生成システム。

【請求項2】

前記データセット生成部は、少なくとも２つの前記第１データセットから前記第２データセットを生成することを特徴とする請求項１に記載の演算モデル生成システム。

【請求項3】

前記データセット生成部は、前記第１データセットを車両の走行距離に応じて取得し、少なくとも２つの前記第１データセットから前記第２データセットを生成することを特徴とする請求項１に記載の演算モデル生成システム。

【請求項4】

車両で計測される走行距離を含む車両情報を取得する車両情報取得部と、
前記車両情報を入力データとする学習型の演算モデルを用いてタイヤの摩耗状態を推定する摩耗推定部と、を備え、
前記演算モデルは、前記車両情報および教師データとしてタイヤで計測された摩耗状態の情報で構成される第１データセット、および複数の前記第１データセットから生成される第２データセットに基づいて学習されたものであることを特徴とするタイヤ摩耗推定システム。

【請求項5】

車両で計測される走行距離を含む車両情報を取得する車両情報取得ステップと、
前記車両情報を入力データとする学習型の演算モデルを用いてタイヤの摩耗状態を推定する摩耗推定ステップと、を備え、
前記演算モデルは、前記車両情報および教師データとしてタイヤで計測された摩耗状態の情報で構成される第１データセット、および複数の前記第１データセットから生成される第２データセットに基づいて学習されたものであることを特徴とするタイヤ摩耗推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、車両に装着されるタイヤの摩耗状態を推定するタイヤ摩耗推定システム、タイヤ摩耗推定方法および演算モデル生成システムに関する。

【背景技術】

【0002】

一般に、タイヤは走行状態や走行距離等に応じて摩耗が進行する。また昨今ではタイヤの圧力および温度を計測するセンサをタイヤに取り付け、計測した圧力および温度を表示する装置などが製品化されている。

【0003】

特許文献１には従来のタイヤ摩耗推定システムが記載されている。このタイヤ摩耗推定システムは、第１の予測変数を生成するためにタイヤに取り付けられた少なくとも１つのセンサと、第２の予測変数に関するデータを記憶するルックアップテーブルおよびデータベースの少なくとも一方と、少なくとも１つの乗物影響を含む予測変数のうちの一方と、予測変数を受け取り、少なくとも１つのタイヤに関する推定摩耗率を生成するモデルと、を有する。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１８－１５８７２２号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１に記載のタイヤ摩耗推定システムは、センサ出力から第１の予測変数を生成し、例えばホイール位置およびドライブトレーンを乗物影響として用いてタイヤの摩耗量を推定する。本発明者は、車両で計測されるデータに基づいて、摩耗状態を推定するための演算モデルを学習させる上で、学習に用いる入力データおよび教師データのデータセットに短期的および長期的な情報の双方を含ませることによって、タイヤの摩耗状態の推定精度を改善する余地があることに気づいた。

【0006】

本発明は、斯かる事情に鑑みてなされたものであり、その目的とするところは、タイヤの摩耗状態の推定精度を向上することができるタイヤ摩耗推定システム、タイヤ摩耗推定方法および演算モデル生成システムを提供することにある。

【課題を解決するための手段】

【0007】

本発明のある態様の演算モデル生成システムは、車両で計測される走行距離を含む車両情報を取得する車両情報取得部と、タイヤで計測された摩耗状態の情報を取得する摩耗情報取得部と、前記車両情報を入力データとする学習型の演算モデルを用いてタイヤの摩耗状態を推定する摩耗推定部と、前記車両情報および教師データとして前記摩耗情報取得部により取得した摩耗状態の情報で構成される第１データセットを取得し、複数の前記第１データセットに基づいて第２データセットを生成するデータセット生成部と、前記第１データセットおよび前記第２データセットに基づいて前記演算モデルを学習させる学習処理部と、を備える。

【0008】

本発明の別の態様はタイヤ摩耗推定システムである。タイヤ摩耗推定システムは、車両で計測される走行距離を含む車両情報を取得する車両情報取得部と、前記車両情報を入力データとする学習型の演算モデルを用いてタイヤの摩耗状態を推定する摩耗推定部と、を備え、前記演算モデルは、前記車両情報および教師データとしてタイヤで計測された摩耗状態の情報で構成される第１データセット、および複数の前記第１データセットから生成される第２データセットに基づいて学習されたものである。

【0009】

本発明の別の態様はタイヤ摩耗推定方法である。タイヤ摩耗推定方法は、車両で計測される走行距離を含む車両情報を取得する車両情報取得ステップと、前記車両情報を入力データとする学習型の演算モデルを用いてタイヤの摩耗状態を推定する摩耗推定ステップと、を備え、前記演算モデルは、前記車両情報および教師データとしてタイヤで計測された摩耗状態の情報で構成される第１データセット、および複数の前記第１データセットから生成される第２データセットに基づいて学習されたものである。

【発明の効果】

【0010】

本発明によれば、タイヤの摩耗状態の推定精度を向上することができる。

【図面の簡単な説明】

【0011】

【図1】実施形態に係るタイヤ摩耗推定システムの機能構成を示すブロック図である。

【図2】車載計測装置の機能構成を示すブロック図である。

【図3】演算モデルの摩耗推定および学習について説明するための模式図である。

【図4】演算モデル生成システムの機能構成を示すブロック図である。

【図5】第１データセットおよび第２データセットについて説明するための模式図である。

【図6】タイヤ摩耗推定システムによる摩耗推定処理の手順を示すフローチャートである。

【図7】演算モデル生成システムによる演算モデルの生成処理の手順を示すフローチャートである。

【図8】タイヤ摩耗推定システムによる摩耗状態の推定精度を示すグラフである。

【図9】一つのタイヤ溝における摩耗状態の推定精度を示す図表である。

【図10】変形例に係る第１データセットおよび第２データセットについて説明するための模式図である。

【発明を実施するための形態】

【0012】

以下、本発明を好適な実施の形態をもとに図１から図１０を参照しながら説明する。各図面に示される同一または同等の構成要素、部材には、同一の符号を付するものとし、適宜重複した説明は省略する。また、各図面における部材の寸法は、理解を容易にするために適宜拡大、縮小して示される。また、各図面において実施の形態を説明する上で重要ではない部材の一部は省略して表示する。

【0013】

（実施形態）
図１は、実施形態に係るタイヤ摩耗推定システム１００の機能構成を示すブロック図である。タイヤ摩耗推定システム１００は、車両に搭載された車載計測装置７０と、気象情報サーバ装置８０と、車両に装着された各タイヤ７の摩耗状態を推定する摩耗推定装置１０を備える。

【0014】

摩耗推定装置１０は、例えばインターネット等の通信ネットワーク９を介して車両に搭載された車載計測装置７０から車両の速度、加速度および位置情報等の車両計測情報、並びにタイヤ７で計測されるタイヤ計測情報を取得する。また摩耗推定装置１０は、気象情報サーバ装置８０から気象情報を取得する。摩耗推定装置１０は、取得した情報に基づいて学習型の演算モデルによる演算を行って各タイヤ７の摩耗状態を推定する。摩耗推定装置１０が推定するタイヤ７の摩耗状態は、タイヤ７の摩耗量、摩耗率などの情報によって表される。タイヤ７の摩耗状態は、例えば摩耗した量（１ｍｍ等の値）であってもよいし、タイヤ溝における初期の溝深さに対する摩耗した量の比率（１０％等の値）であってもよい。摩耗推定は、タイヤ７の摩耗状態、即ちタイヤ７の摩耗量、摩耗率などの情報を推定することを云う。

【0015】

図２は、車載計測装置７０の機能構成を示すブロック図である。車載計測装置７０は、車両計測部７１、タイヤ計測部７２、情報取得部７３および通信部７４を備える。車載計測装置７０における各部は、ハードウェア的には、コンピュータのＣＰＵをはじめとする電子素子や機械部品などで実現でき、ソフトウェア的にはコンピュータプログラムなどによって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックはハードウェア、ソフトウェアの組合せによっていろいろな形態で実現できることは、当業者には理解されるところである。

【0016】

車両計測部７１は、車両に搭載された速度メータ７１ａ、ＧＰＳ受信機７１ｂおよび加速度センサ７１ｃを有する。速度メータ７１ａは、車両の走行速度を計測する。ＧＰＳ受信機７１ｂは、車両の現在の位置情報（緯度、経度および高度）を計測する。加速度センサ７１ｃは、車両の３軸方向の加速度を計測する。３軸方向は、例えば車両の前後方向、左右方向および上下方向とする。

【0017】

タイヤ計測部７２は、温度センサ７２ａおよび圧力センサ７２ｂを有する。温度センサ７２ａおよび圧力センサ７２ｂは、車両に装着されたタイヤ７のエアバルブ等に配設されていたり、あるいはベルト等でホイールに強固に巻き付け固定されており、タイヤ７の温度および空気圧を計測する。温度センサ７２ａは、タイヤ７のインナーライナー等に配設されていてもよい。尚、加速度センサ７１ｃがタイヤ７のインナーライナーに配設されていてもよい。

【0018】

情報取得部７３は、車両計測部７１で計測された車両計測情報（走行速度、位置情報、加速度等）、タイヤ計測部７２で計測されたタイヤ計測情報（タイヤの温度および空気圧等）および後述するタイヤ識別情報等を取得する。情報取得部７３は、車両計測情報およびタイヤ計測情報に含まれる各計測データに対して、計測された時刻情報、または取得した時刻情報を対応付ける。情報取得部７３は、車両計測情報およびタイヤ計測情報を各計測データに対応付けられた時刻情報とともに通信部７４から摩耗推定装置１０へ送信する。

【0019】

情報取得部７３は、車両の電子制御装置または車両にデジタルタコメータ等の装置が搭載されている場合には、当該装置において収集した車両の走行速度、加速度および位置情報等を取得するようにしてもよい。通信部７４は、例えばＷｉＦｉ（登録商標）等の無線通信によって通信ネットワーク９に通信接続し、情報取得部７３が取得した車両計測情報、タイヤ計測情報および時刻情報を通信ネットワーク９を介して摩耗推定装置１０へ送信する。

【0020】

図１に戻り、気象情報サーバ装置８０は各地における気象情報を提供する。気象情報サーバ装置８０が提供する気象情報は、各地における降水量、積雪量、降雪量、気温および日照時間等を含む情報である。摩耗推定装置１０は、気象情報サーバ装置８０から車両が走行している場所における気象情報を取得する。

【0021】

摩耗推定装置１０は、通信部１１、車両情報取得部１２、摩耗推定部１３および記憶部１４を備える。摩耗推定装置１０における各部は、ハードウェア的には、コンピュータのＣＰＵをはじめとする電子素子や機械部品などで実現でき、ソフトウェア的にはコンピュータプログラムなどによって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックはハードウェア、ソフトウェアの組合せによっていろいろな形態で実現できることは、当業者には理解されるところである。

【0022】

通信部１１は、無線または有線通信によって通信ネットワーク９に通信接続し、車載計測装置７０の通信部７４との間で通信する。また通信部１１は、通信ネットワーク９を介して気象情報サーバ装置８０との間で通信する。

【0023】

車両情報取得部１２は、車両に搭載された車載計測装置７０から送信された車両計測情報（走行速度、位置情報、加速度等）およびタイヤ計測情報（タイヤの温度および空気圧等）を取得する。車両情報取得部１２は、車両計測情報に基づいて車両の走行距離を算出して取得する。

【0024】

車両情報取得部１２は、車両計測情報の位置情報に基づいて走行距離を算出して取得することができる。また、車両の走行距離は、車両計測情報における走行速度のデータと、当該データに対応付けられた時刻のデータに基づいて算出してもよい。即ち、時系列的に並んだ速度データに、次の時点までの時間差分を乗算することによって車両の走行距離を算出することができる。車両の走行速度は、時系列的に並んだ位置情報に基づく車両の走行距離と位置情報の取得間隔から算出したものを使用してもよい。

【0025】

車両情報取得部１２は、車両の走行距離に関する情報が車両または車両管理用の外部装置等から提供されていれば、自ら走行距離を算出する必要はなく、車両または外部装置から走行距離に関する情報を取得してもよい。

【0026】

車両情報取得部１２は、取得した走行距離を摩耗推定部１３へ出力する。車両情報取得部１２は、取得したタイヤ計測情報（タイヤの温度および空気圧等）を摩耗推定部１３へ出力する。車両情報取得部１２は、車両計測情報における加速度の情報を摩耗推定部１３へ出力する。

【0027】

また車両情報取得部１２は、車両仕様データ１４ａ、タイヤ仕様データ１４ｂおよびタイヤ位置データ１４ｃのうちタイヤ７の摩耗状態の推定に用いるデータを記憶部１４から取得し、摩耗推定部１３へ出力する。記憶部１４は、例えばＳＳＤ（Solid State Drive）、ハードディスク、ＣＤ－ＲＯＭ、ＤＶＤ等によって構成される記憶装置であり、予め各種の車両およびタイヤ７の仕様に関して提供されているデータを記憶している。

【0028】

車両仕様データ１４ａには、例えばメーカー、車両名、車両型式、車体重量、ドライブトレーン、全長、車幅、車高、最大積載荷重などの車両の性能等に関する情報が含まれる。また、タイヤ仕様データ１４ｂには、例えばメーカー、商品名、タイヤサイズ、タイヤ幅、扁平率、耐摩耗性能、タイヤ強度、静的剛性、動的剛性、タイヤ外径、ロードインデックス、製造年月日など、タイヤ７の性能に関する情報が含まれる。また、タイヤ位置データ１４ｃには、摩耗予測するタイヤの車両における位置、タイヤ識別情報や取り付けられている車軸に関する情報が含まれる。タイヤ識別情報は、各タイヤを特定するために各タイヤに付された例えば製造番号などの一連番号である。タイヤ識別情報、タイヤの配置位置および車軸に関する情報は、例えば車両へのタイヤ装着時などに作業者が入力操作することによって記憶部１４に記憶させるようにするとよい。

【0029】

摩耗推定部１３は、演算モデル１３ａを有し、タイヤ７の摩耗状態を推定する。演算モデル１３ａは、入力された情報に基づいてタイヤ７の摩耗状態（摩耗量や摩耗率などの情報）を算出する学習型モデルである。図３は、演算モデル１３ａの摩耗推定および学習について説明するための模式図である。演算モデル１３ａへの入力データは、概ね車両計測情報、タイヤ計測情報およびその他情報の各系統に分類される。

【0030】

車両計測情報関連の入力データは、車両の加速度および走行距離を含む。走行距離は、上述のように車両情報取得部１２において取得される。タイヤ計測情報関連の入力データは、タイヤ７の温度および空気圧を含む。

【0031】

その他情報による入力データは、気象情報に基づいて推定される路面状態、気温および降水量等、車両仕様データ１４ａに含まれる車両の最大積載荷重、並びにタイヤ仕様データ１４ｂに含まれるタイヤ７の耐摩耗性能等である。タイヤ７の耐摩耗性能は、例えばランボーン摩耗試験に基づき標準配合を１００として各種トレッド配合の耐摩耗性能を指標化したタイヤ摩耗指標値等を用いる。また、その他情報による入力データは、タイヤ位置データ１４ｃに含まれるタイヤ７の位置、タイヤ識別情報や車軸に関する情報である。

【0032】

演算モデル１３ａは、例えばニューラルネットワーク等の学習型モデルを用いる。演算モデル１３ａは、例えばＤＮＮ（Deep Neural Network）や、決定木などの手法を用いて構築される。また演算モデル１３ａは、例えば入力情報に対する多重線形回帰モデルとし、学習によってモデル生成されるものであってもよい。

【0033】

図４は、演算モデル生成システム１１０の機能構成を示すブロック図である。演算モデル生成システム１１０は、タイヤ摩耗推定システム１００の構成に加えて、タイヤ摩耗計測装置６０、および、学習処理部２３等を有する演算モデル生成装置２０を備える。

【0034】

タイヤ摩耗計測装置６０は、タイヤ７のトレッドに設けられた溝の深さを直接計測し、タイヤ７の摩耗状態の情報を取得する。作業者が計測器具やカメラ、目視等によって各溝の深さを計測し、タイヤ摩耗計測装置６０は、作業者が入力する計測データを記憶するものであってもよい。また、タイヤ摩耗計測装置６０は、機械的あるいは光学的な方法によって溝の深さを計測して摩耗状態の情報を記憶する専用の装置であってもよい。

【0035】

具体的には、タイヤ摩耗計測装置６０は、例えば、タイヤの溝が４本あった場合に、幅方向の４か所で計測し、さらに同一溝の周方向、例えば１２０°間隔で、３か所計測する。これにより、タイヤの幅方向または周方向での偏摩耗データもタイヤ摩耗計測装置６０に記憶される。尚、タイヤ摩耗計測装置６０は、タイヤの摩耗で直径が変わるため、走行距離とタイヤの回転数・速度の情報から計算によって溝の深さを間接的に計測してもよい。加えて、溝の深さを直接計測するものに、走行距離とタイヤの回転数・速度から計算によって予測するもの、とを併用してもよい。

【0036】

演算モデル生成装置２０は、摩耗推定装置１０の各構成に加えて摩耗情報取得部２１、データセット生成部２２および学習処理部２３を有する。演算モデル生成装置２０における摩耗推定装置１０の各構成に相当する部分は、摩耗推定装置１０のそれらと同等の機能を有するが、演算モデル１３ａは学習前または学習中のものとなる。

【0037】

摩耗情報取得部２１は、通信部１１を介してタイヤ摩耗計測装置６０から車両に装着された各タイヤ７の摩耗状態の情報を取得し、データセット生成部２２へ出力する。タイヤ７の摩耗状態の情報は、各タイヤ７において計測されたタイヤ溝の摩耗量や摩耗率などのデータである。

【0038】

データセット生成部２２は、車両情報取得部１２から演算モデル１３ａへの入力データとしての車両情報を取得し、摩耗情報取得部２１からタイヤ７の摩耗状態の情報を取得する。車両情報取得部１２から取得する車両情報は、上述のように、演算モデル１３ａへの入力データとしての、車両計測情報、タイヤ計測情報およびその他情報である。データセット生成部２２が取得するタイヤ７の摩耗状態の情報は、演算モデル１３ａを学習させる際に教師データとして用いられる。

【0039】

データセット生成部２２は、例えば車両に装着された各タイヤ７の摩耗状態の計測時ごとに、車両情報および各タイヤ７の摩耗状態の情報で構成される第１データセットを取得する。各タイヤ７の摩耗状態の計測は、例えば１か月ごとの定期的に計画されたタイヤの点検時に行われる。また各タイヤ７の摩耗状態の計測は、例えば車両の走行距離に応じて行うようにしてもよい。この場合、車両が所定距離（例えば１０００ｋｍ）を走行する度に各タイヤ７の摩耗状態を計測するが、所定距離は誤差を含むものであってもよい。

【0040】

データセット生成部２２は、車両情報および各タイヤ７の摩耗状態の情報で構成される第１データセットに基づいて第２データセットを生成する。データセット生成部２２は、第１データセットおよび第２データセットを学習処理部２３へ出力する。データセット生成部２２は、少なくとも２つの第１データセットから第２データセットを生成する。

【0041】

図５は、第１データセットおよび第２データセットについて説明するための模式図である。図５において横軸は時間を表しているが、走行距離を横軸としてもよい。上述のように、定期的に各タイヤ７の摩耗状態が計測される度に、第１データセットＡ１からＡ６までのデータセットが生成される。第１データセットＡ１は、Ｔ０時点からＴ１時点までの走行距離等の車両情報およびタイヤ７の摩耗状態の情報で構成される。第１データセットＡ２は、Ｔ１時点からＴ２時点までの走行距離等の車両情報およびタイヤ７の摩耗状態の情報で構成される。第１データセットＡ１からＡ６までは、短期的な間隔におけるタイヤ摩耗状態の進行が反映されたデータとなっている。

【0042】

第２データセットＢ１からＢ３までは、第１データセットＡ１からＡ６を組み合わせて生成される。例えば、第２データセットＢ１は、第１データセットＡ１およびＡ２を組み合わせて、Ｔ０時点からＴ２時点までの走行距離等の車両情報およびタイヤ７の摩耗状態の情報として生成される。第２データセットＢ２は、第１データセットＡ３およびＡ４を組み合わせて、Ｔ２時点からＴ４時点までの走行距離等の車両情報およびタイヤ７の摩耗状態の情報として生成される。第２データセットＢ１からＢ３までは、長期的な間隔におけるタイヤ摩耗状態の進行が反映されたデータとなっている。

【0043】

学習処理部２３は、データセット生成部２２から取得した第１データセットおよび第２データセットに基づいて、演算モデル１３ａを学習させる。学習処理部２３は、第１データセットおよび第２データセットの各セットについて、入力データに基づいて演算モデル１３ａによって推定されたタイヤ７の摩耗状態と、教師データとしての摩耗状態の情報とを比較する。

【0044】

学習処理部２３は、推定した摩耗状態と教師データとの比較結果に基づき、重みづけ等の演算過程における各種係数を演算モデル１３ａに新たに設定し、モデルの更新を繰り返すことで学習を実行する。タイヤ摩耗推定システム１００は、演算モデル生成システム１１０によって学習済みの演算モデル１３ａを用いてタイヤ７の摩耗状態を推定する。尚、演算モデル１３ａの学習過程では、勾配ブースティングなどの公知の学習方法を用いることができる。また演算モデル１３ａの検証には、ランダムデータサンプリングや交差検証などの公知の検証方法を用いることができる。

【0045】

次にタイヤ摩耗推定システム１００および演算モデル生成システム１１０の動作を説明する。図６は、タイヤ摩耗推定システム１００による摩耗推定処理の手順を示すフローチャートである。車両情報取得部１２は、車両計測情報およびタイヤ計測情報等の車両情報の取得を開始する（Ｓ１）。また車両情報取得部１２は、ステップＳ１において、その他情報として車両仕様、タイヤ仕様、タイヤ位置、車両の最大積載荷重、およびタイヤの耐摩耗性能など必要な情報を記憶部１４から読み出す。車両情報取得部１２は、走行距離の算出を開始する（Ｓ２）。

【0046】

摩耗推定部１３は、車両情報取得部１２からの入力データを取得し、演算モデル１３ａによってタイヤ７の摩耗状態を推定し（Ｓ３）、処理を終了する。演算モデル１３ａは、演算モデル生成システム１１０によって生成された学習済みの演算モデルが用いられる。

【0047】

図７は、演算モデル生成システム１１０による演算モデル１３ａの生成処理の手順を示すフローチャートである。図７に示すステップＳ１１からＳ１２までの処理は、図６に示すステップＳ１からＳ２までの処理と同等であり、記載の簡潔化のため説明を省略する。演算モデル生成装置２０の摩耗情報取得部２１は、タイヤ摩耗計測装置６０から各タイヤ７の摩耗状態の情報を取得する（Ｓ１３）。

【0048】

データセット生成部２２は、車両情報取得部１２から入力された車両情報、および摩耗情報取得部２１から入力されたタイヤ７の摩耗状態の情報から構成される第１データセットを取得する（Ｓ１４）。データセット生成部２２は、第１データセットに基づいて第２データセットを生成する（Ｓ１５）。データセット生成部２２は、少なくとも２つの第１データセットから第２データセットを生成する。

【0049】

摩耗推定部１３は、各データセットについて、車両計測情報およびタイヤ計測情報等の車両情報を演算モデル１３ａに入力し、タイヤ７の摩耗状態を推定する（Ｓ１６）。学習処理部２３は、演算モデル１３ａによって推定されたタイヤ７の摩耗状態と、計測された教師データとしてのタイヤ７の摩耗状態とを比較する（Ｓ１７）。学習処理部２３は、ステップＳ１７による比較結果に基づいて演算モデル１３ａを更新する（Ｓ１８）。

【0050】

学習処理部２３は、全てのデータセットについて学習されたか否かを判定する（Ｓ１９）。ステップＳ１９において、全てのデータセットについて学習されていないと判定した場合（Ｓ１９：ＮＯ）、ステップＳ１６に戻って処理を繰り返す。ステップＳ１９において、全てのデータセットについて学習されたと判定された場合（Ｓ１９：ＹＥＳ）、処理を終了する。

【0051】

図８は、タイヤ摩耗推定システム１００による摩耗状態の推定精度を示すグラフである。図８では、実施例である第１データセット（短期データ）および第２データセット（長期データ）を用いた場合の推定精度と、比較例としての短期データのみ、長期データのみを用いた場合の推定精度とを示す。第１データセットは１か月ごとに取得されている。推定精度は、一車両内の全てのタイヤの全てタイヤ溝における摩耗量の推定値と実測値との二乗平均平方根誤差（ＲＭＳＥ）の平均値を各月ごとに計算したものである。尚、第２データセットは、少なくとも２つの第１データセットを組み合わせて生成されている。

【0052】

第１データセット（短期データ）のみを用いて演算モデル１３ａを学習させた場合、月を経るごとにＲＭＳＥ値が増大している。また第２データセット（長期データ）のみを用いて演算モデル１３ａを学習させた場合、月が浅い時期（例えば１月から４月など）には、ＲＭＳＥ値が大きくなっている。実施例である第１データセットおよび第２データセットを用いた場合、比較例よりもＲＭＳＥ値が小さく、摩耗状態の推定精度が向上していることが判る。

【0053】

新品のタイヤ７が車両に装着され、使用が開始された摩耗初期段階においては、タイヤ７の摩耗の進行速度は速い。また、走行距離が大きくなった摩耗後期段階においては、路面に接するタイヤ７のトレッド部のタイヤ材料が硬くなるため、タイヤ７の摩耗の進行速度が遅くなる。

【0054】

短期データである第１データセットのみによって学習させた演算モデル１３ａでは、摩耗初期段階から摩耗後期段階における摩耗の進行速度の変化を反映させることができる。一方、第１データセットのみによって学習させた演算モデル１３ａでは、摩耗量（またはタイヤ溝の残溝量）の測定誤差、および測定箇所（タイヤ７のトレッド部の周方向の位置）の違いから生じる摩耗量の測定データのばらつきの影響が大きくなってしまう。

【0055】

長期データである第２データセットのみによって学習させた演算モデル１３ａでは、摩耗量の測定誤差、および測定箇所の違いから生じる摩耗量の測定データのばらつきの影響を小さくすることができる。一方、第２データセットのみによって学習させた演算モデル１３ａでは、摩耗初期段階から摩耗後期段階における摩耗の進行速度の変化を反映させ難くなると考えられる。

【0056】

上述のように、実施例である第１データセットおよび第２データセットを用いた場合、比較例よりもＲＭＳＥ値が小さく、摩耗状態の推定精度が向上している。これは、第１データセットおよび第２データセットを用いた演算モデル１３ａの学習によって、摩耗初期段階から摩耗後期段階における摩耗の進行速度の変化を反映しつつ、摩耗量の測定誤差および測定データのばらつきの影響を抑制できることを示している。

【0057】

図９は、一つのタイヤ溝における摩耗状態の推定精度を示す図表である。図９では、一車両内のタイヤの一つのタイヤ溝における、各月の摩耗量の推定値と実測値との二乗平均平方根誤差（ＲＭＳＥ）を計算したものである。第１データセット（短期データ）のみを用いて演算モデル１３ａを学習させた場合、ＲＭＳＥ値は２．８１３となり、第２データセット（長期データ）のみを用いて演算モデル１３ａを学習させた場合、ＲＭＳＥ値は０．４３５となっている。実施例である第１データセットおよび第２データセットを用いた場合、ＲＭＳＥ値は０．３３４となり、比較例よりもＲＭＳＥ値が小さく、摩耗状態の推定精度が向上していることが判る。

【0058】

演算モデル生成システム１１０は、タイヤ７の摩耗状態について、第１データセット、および複数の第１データセットから生成した第２データセットを用いて演算モデル１３ａを学習させることによって、タイヤ７の摩耗状態を精度良く推定する演算モデル１３ａを生成することができる。

【0059】

また演算モデル生成システム１１０のデータセット生成部２２において、少なくとも２つの短期的な第１データセットから長期的な第２データセットを生成することによって、短期および長期の摩耗進行を考慮した演算モデル１３ａを生成することができる。一般的に、時間の経過によって外部環境に曝されたタイヤ材料の物性が変化し、タイヤ７の摩耗率も変化すると考えられており、短期および長期の摩耗進行を考慮した演算モデル１３ａの生成によって、タイヤ７の摩耗状態の推定精度を向上することができる。

【0060】

またデータセット生成部２２は、第１データセットを車両の走行距離に応じて例えば１０００ｋｍごとに取得し、少なくとも２つの第１データセットから第２データセット生成するようにしてもよい。この場合にも、演算モデル生成システム１１０は、車両の走行距離に応じて短期および長期の摩耗進行を考慮した演算モデル１３ａを生成することができ、タイヤ７の摩耗状態の推定精度を向上することができる。

【0061】

タイヤ摩耗推定システム１００は、演算モデル生成システム１１０により第１データセットおよび第２データセットに基づいて学習させた演算モデル１３ａを用いる。これにより、タイヤ摩耗推定システム１００は、タイヤ７の摩耗状態の推定精度を向上することができる。

【0062】

（変形例）
図１０は、変形例に係る第１データセットおよび第２データセットについて説明するための模式図である。データセット生成部２２は、第１データセットを３つ以上組み合わせて第２データセットを生成してもよい。データセット生成部２２は、例えば連続する第１データセットＡ１からＡ３の３つを組み合わせて第２データセットＣ１を生成する。またデータセット生成部２２は、例えば連続する第１データセットＡ１からＡ４の４つを組み合わせて第２データセットＤ１を生成する。

【0063】

このように、演算モデル生成システム１１０は、３つ以上の第１データセットを組み合わせた第２データセットを用いることによって、短期および長期の摩耗進行を考慮した演算モデル１３ａを生成することができる。またタイヤ摩耗推定システム１００は、演算モデル生成システム１１０により学習させた演算モデル１３ａを用いることによってタイヤ７の摩耗状態の推定精度を向上することができる。

【0064】

次に実施形態に係るタイヤ摩耗推定システム１００およびタイヤ摩耗推定方法および演算モデル生成システム１１０の特徴について説明する。
演算モデル生成システム１１０は、車両情報取得部１２、摩耗情報取得部２１、摩耗推定部１３、データセット生成部２２および学習処理部２３を備える。車両情報取得部１２は、車両で計測される走行距離を含む車両情報を取得する。摩耗情報取得部２１は、タイヤ７で計測された摩耗状態の情報を取得する。摩耗推定部１３は、車両情報を入力データとする学習型の演算モデル１３ａを用いてタイヤ７の摩耗状態を推定する。データセット生成部２２は、車両情報および教師データとして摩耗情報取得部２１により取得した摩耗状態の情報で構成される第１データセットを取得し、複数の第１データセットに基づいて第２データセットを生成する。学習処理部２３は、第１データセットおよび第２データセットに基づいて演算モデル１３ａを学習させる。これにより、演算モデル生成システム１１０は、タイヤ７の摩耗状態を精度良く推定する演算モデル１３ａを生成することができる。

【0065】

またデータセット生成部２２は、少なくとも２つの第１データセットから第２データセットを生成する。これにより、演算モデル生成システム１１０は、短期および長期の摩耗進行を考慮した演算モデル１３ａを生成することができる。

【0066】

またデータセット生成部２２は、第１データセットを車両の走行距離に応じて取得し、少なくとも２つの第１データセットから第２データセットを生成する。これにより、演算モデル生成システム１１０は、車両の走行距離に応じて短期および長期の摩耗進行を考慮した演算モデル１３ａを生成することができる。

【0067】

タイヤ摩耗推定システム１００は、車両情報取得部１２および摩耗推定部１３を備える。車両情報取得部１２は、車両で計測される走行距離を含む車両情報を取得する。摩耗推定部１３は、車両情報を入力データとする学習型の演算モデル１３ａを用いてタイヤ７の摩耗状態を推定する。演算モデル１３ａは、車両情報および教師データとしてタイヤ７で計測された摩耗状態の情報で構成される第１データセット、および複数の第１データセットから生成される第２データセットに基づいて学習されたものである。これにより、タイヤ摩耗推定システム１００は、タイヤ７の摩耗状態の推定精度を向上することができる。

【0068】

タイヤ摩耗推定方法は、車両情報取得ステップおよび摩耗推定ステップを備える。車両情報取得ステップは、車両で計測される走行距離を含む車両情報を取得する。摩耗推定ステップは、車両情報を入力データとする学習型の演算モデル１３ａを用いてタイヤ７の摩耗状態を推定する。演算モデル１３ａは、車両情報および教師データとしてタイヤ７で計測された摩耗状態の情報で構成される第１データセット、および複数の第１データセットから生成される第２データセットに基づいて学習されたものである。この方法によれば、タイヤ７の摩耗状態の推定精度を向上することができる。

【0069】

以上、本発明の実施の形態をもとに説明した。これらの実施の形態は例示であり、いろいろな変形および変更が本発明の特許請求範囲内で可能なこと、またそうした変形例および変更も本発明の特許請求の範囲にあることは当業者に理解されるところである。従って、本明細書での記述および図面は限定的ではなく例証的に扱われるべきものである。

【符号の説明】

【0070】

７ タイヤ、１２ 車両情報取得部、 １３ 摩耗推定部、 １３ａ 演算モデル、
２１ 摩耗情報取得部、 ２２ データセット生成部、 ２３ 学習処理部、
１００ タイヤ摩耗推定システム、 １１０ 演算モデル生成システム。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】