Способ и устройство для определения состояния поверхности дороги

Акселерометром регистрируют сигнал временного ряда колебаний шины, разбивают его на интервалы при помощи средства разбиения, затем сигналы временного ряда колебаний шины выделяют для соответствующих интервалов, после чего вычисляют характеристические векторы соответствующих временных интервалов. Затем производят вычисление кернфункций по характеристическим векторам соответствующих временных интервалов и по характеристическим векторам поверхности дороги, которые являются характеристическими векторами для соответствующих временных интервалов, вычисленными по временным сигналам временного ряда колебаний шины, заранее полученным для каждого конкретного состояния поверхности дороги. Определяют состояние поверхности дороги путем сравнения значений дискриминантных функций с использованием кернфункций. В результате определяют состояние дорожной поверхности по сигналам временного ряда колебаний шины без выявления положений пиковых значений или замера скорости колеса. Технический результат - повышение корректности способа определения состояния поверхности дороги при изменении размеров шины. 2 н. и 2 з.п. ф-лы, 10 ил., 1 табл.

 

Область техники

Изобретение относится к способу и устройству для определения состояния поверхности дороги, по которой движется транспортное средство, в частности к способу определения состояния поверхности дороги, используя данные сигнала временного ряда колебании шины только лишь во время движения транспортного средства.

Уровень техники

Существуют стандартные способы оценки состояния поверхности дороги путем регистрации колебаний шины при движении транспортного средства. В таком способе зарегистрированный сигнал временного ряда колебания шины разделяют на множество зон, таких как «зона, предшествующая передней концевой зоне - зона контактной площадки - зона, следующая за задней концевой зоной» или «зона, предшествующая передней концевой зоне - передняя концевая зона - зона контактной площадки - задняя концевая зона - зона, следующая за задней концевой зоной». И по этим зонам определяют уровни колебаний в определенных частотных диапазонах, в которых уровень колебаний существенно изменяется для различных состояний поверхности дороги, такие, как, например, компонент колебаний в диапазоне низких частот и компонент колебаний в диапазоне высоких частот в зоне, предшествующей передней концевой зоне и в зоне контактной площадки, и уровни колебаний в частотных диапазонах, где этот уровень не изменяется, при изменении состояния поверхности дороги. Затем по соотношению этих уровней колебаний оценивается состояние поверхности дороги, по которой движется транспортное средство (патентный документ WO 2006/135909 А1).

Раскрытие изобретения

Поскольку время контакта с дорогой меняется от скорости колеса, в стандартном способе используется определение временного интервала каждой зоны, используя скорость колеса, при которой начальная точка конкретного положения во времени задается с помощью пикового положения сигнала временного ряда колебания шины в зоне, следующей за задней концевой зоной, и принимается в качестве точки отсчета. Это не только требует измерения скорости колеса, но также не всегда дает достаточную точность задания ширины зоны, поскольку в качестве точки отсчета используется положение наивысшей точки сигнала временного ряда колебаний.

Кроме того, данный способ требует задания ширины зоны для каждого размера шины, поскольку длина пятна контакта различна для разных размеров шин.

Изобретение учитывает вышеупомянутые проблемы, и его задачей является разработка способа определения состояния поверхности дороги на основании сигнала временного ряда колебаний шины без определения пикового положения или измерения скорости колеса, а также для повышения корректности применения способа для разных размеров шины.

Изобретение относится к способу определения состояния поверхности дороги, с которой контактирует шина, путем регистрации ее колебаний во время движения транспортного средства. Способ включает этапы, на которых: регистрируют колебания шины во время движения транспортного средства; получают сигнал временного ряда зарегистрированных колебаний шины; разбивают сигнал временного ряда на заданные временные интервалы и выделяют его для соответствующих временных интервалов; вычисляют характеристические векторы по сигналам временного ряда соответствующих временных интервалов; вычисляют кернфункции по характеристическим векторам, вычисленным на предыдущем этапе, для соответствующих временных интервалов и по характеристическим векторам поверхности дороги, которые являются характеристическими векторами для соответствующих временных интервалов, вычисленными по сигналам временного ряда колебаний шины, заранее полученных для каждого состояния поверхности дороги; и определяют состояние поверхности дороги на основе значений дискриминантных функций, используя кернфункции, путем сравнения значений дискриминантных функций, полученных для соответствующих состояний поверхности дороги.

Краткое описание чертежей

На фиг. 1 показана функциональная блок-схема, демонстрирующая конструкцию устройства для определения состояния поверхности дороги в соответствии с предпочтительным вариантом осуществления изобретения;

на фиг. 2 - пример размещения акселерометра;

на фиг. 3 - пример графика сигнала временного ряда колебания шины;

на фиг. 4 - схема способа вычисления характеристических векторов по сигналу временного ряда колебания шины;

на фиг. 5 - схематичный график входного пространства;

на фиг. 6 - график характеристических векторов сухой поверхности дороги и характеристических векторов поверхности дороги, отличной от сухой, во входном пространстве;

на фиг. 7 - схема способа вычисления глобальных кернфункций характеристических векторов для сухой поверхности дороги и характеристических векторов поверхности дороги, отличной от сухой;

на фиг. 8 - схема способа вычисления глобальных кернфункций вычисленных характеристических векторов и характеристических векторов поверхности дороги;

на фиг. 9 - блок-схема способа определения состояния поверхности дороги в соответствии с изобретением;

на фиг. 10 - схема способа вычисления кернфункций динамического изменения масштаба времени.

Осуществление изобретения

Далее приводится описание изобретения на основе предпочтительных вариантов его осуществления, которые не ограничивают объем изобретения. Не все комбинации признаков, описанные для этих вариантов, являются обязательными для изобретения.

На фиг. 1 представлена блок-схема, демонстрирующая конструкцию устройства 10 определения состояния поверхности дороги. Устройство 10 определения состояния поверхности дороги содержит акселерометр 11 в качестве средства регистрации колебаний шины, средство 12 определения сигнала колебания, средство 13 разбиения, средство 14 вычисления характеристического вектора, накопительное средство 15, средство 16 вычисления кернфункции и средство 17 определения состояния поверхности дороги.

Ряд средств от средства 12 определения сигнала колебания до средства 17 определения состояния поверхности дороги может быть представлен программным обеспечением и запоминающим устройством, таким как, например, ОЗУ.

Акселерометр 11 расположен по существу в средней части воздушной камеры 22 шины со стороны внутренней оболочки 21 шины 20, как показано на фиг. 2, и регистрирует колебания шины 20, возникающие в результате взаимодействия с поверхностью дороги R.

Сигналы колебаний шины являются выходными сигналами акселерометра 11 и преобразуются в цифровые сигналы после их усиления усилителем, например перед отправкой к средству 12 определения сигнала колебания.

Средство 12 определения сигнала колебания получает сигнал временного ряда колебания шины от акселерометра 11 при каждом обороте шины.

На фиг. 3 представлен пример графика сигнала временного ряда колебания шины. Сигнал временного ряда колебания шины имеет большие пики около положения передней концевой зоны и около положения задней концевой зоны. Сигнал временного ряда колебания шины также показывает различные колебания с изменением состояния поверхности дороги в зоне R_f, предшествующей концевой зоне, которая предшествует контакту участков площадок шины 20 с дорогой, и в зоне R_k, следующей за задней концевой зоной, которая следует после отделения участков площадок шины 20 от поверхности дороги. С другой стороны, колебания в зонах, предшествующей передней концевой зоне R_f, и после зоны, следующей за задней концевой зоной (далее называемые как «дополнительные зоны поверхности дороги»), мало зависят от состояния поверхности дороги, следовательно, они характеризуются низкими уровнями колебаний и не содержат информации о поверхности дороги.

Средства 13 разбиения на интервалы разбивает сигнал временного ряда на заданные временные интервалы Т (также называемые как ширина временного интервала), выделяет сигнал временного ряда для соответствующих временных интервалов, и затем передает их в средство 14 вычисления характеристических векторов.

Из сигналов временного ряда соответствующих временных интервалов, сигналы находящиеся за зоной R_f, предшествующей передней концевой зоне, за зоной R_t контактной площадки и зоной R_k, следующей за задней концевой зоной (далее называемых «дополнительными зонами поверхности дороги»), содержат мало информации о поверхности дороги. Таким образом, в данном варианте сигналы временного ряда дополнительных зон поверхности дороги не передаются к средству 14 вычисления характеристических векторов для повышения скорости вычисления кернфункций.

Следует отметить, что дополнительные зоны поверхности дороги могут определяться как зоны, в которых уровни колебаний ниже фонового уровня, задаваемого, например, для сигнала временного ряда колебания шины

Средство 14 вычисляет характеристические векторы X_i (i=1, …, N, где N - число сигналов временного ряда, выделенных для временных интервалов) для сигналов временного ряда, выделенных для соответствующих временных интервалов, как показано на фиг. 4.

В данном варианте уровни колебаний (значения мощности отфильтрованных сигналов) a_ik (где k=1-6) используются в качестве характеристических векторов X_i в конкретных частотных диапазонах, получающихся путем пропускания сигнала временного ряда колебания шины через фильтры с полосами пропускания, равными: 0-0,5 кГц, 0,5-1 кГц, 1-2 кГц, 3-4 кГц и 4-5 кГц. Характеристическими векторами являются (a_i1, a_i2, a_i3, a_i4, a_i5, a_i6), a число характеристических векторов X_i равно N.

На фиг. 5 представлен схематичный график входного пространства для характеристических векторов X_i. По осям отложены уровни a_ik колебаний конкретных частотных диапазонов, которые являются функциональными величинами, а точки представляют характеристические векторы X_i. Несмотря на то, что реальное пространство входных данных является 7-мерным пространством шести частотных диапазонов и одной временной оси, схема представлена в 2-мерном виде (по горизонтальной оси отложен уровень а₁, а по вертикальной оси уровень а₂).

Например, допустим, что транспортное средство движется по сухой поверхности дороги. В этом случае можно определить, движется ли транспортное средство по сухой или заснеженной поверхности дороги, если точки, составляющие группу С, могут быть отделены от характеристических векторов X'i, составляющих группу С', вычисленных для транспортного средства, движущегося по заснеженной дороге.

Накопительное средство 15 хранит четыре заданные модели поверхностей дороги: для сухой поверхности дороги, для мокрой поверхности дороги, для заснеженной поверхности дороги и для обледенелой поверхности дороги, каждая из которых отделена друг от друга при помощи дискриминантных функций f(x), представляющих собой разделяющую гиперплоскость.

Модели дорожной поверхности получают путем обучения с использованием входных данных от характеристических векторов Y_A(y_jk) поверхности дороги, которые являются характеристическими векторами соответствующих временных интервалов, которые вычисляют по сигналам временного ряда колебаний, определенных при эксплуатационных испытаниях транспортных средств, снабженных шиной с акселерометром, при различных скоростях на сухой, мокрой, заснеженной и обледенелой дорогах.

Следует отметить, что в процессе обучения могут использоваться шины одного размера или множество шин разных размеров.

Индекс А характеристических векторов Y_ASV(y_jk) поверхности дороги показывает тип поверхности: D - сухая, W - мокрая, S - заснеженная или I - обледенелая. Индекс j (j = от 1 до М) показывает число сигналов временного ряда колебаний, выделенных для временных интервалов (номера интервалов), а индекс k показывает составляющие вектора. Кроме того, аббревиатура SV обозначает опорные векторы, которые показывают данные в окрестностях разделяющей границы, выбранные в результате обучения.

Следует отметить, что в данном варианте в качестве кернфункций используются глобальные синхронизирующие кернфункции или кернфункции динамического изменения времени, при этом каждый характеристический вектор Y_ASV(y_jk) поверхности дороги представляет собой матрицу «размерность векторов y_i (в данном случае 6) на число N интервалов».

Далее характеристические векторы Y_ASV(y_jk) поверхности дороги обозначаются просто Y_ASV.

Способ вычисления каждого характеристического вектора Y_ASV поверхности дороги тот же, что и способ вычисления вышеописанных характеристических векторов X_j. Например, характеристические векторы Y_DSV сухой поверхности дороги вычисляют следующим образом. Сигнал временного ряда колебания шины во время движения транспортного средства по сухой поверхности дороги сначала разбивают на временные интервалы Т. Затем выделяют сигналы временного ряда колебаний шины для соответствующих временных интервалов. И вычисляют характеристические векторы Y_D поверхности дороги для соответствующих сигналов временного ряда, выделенных для соответствующих временных интервалов. Следует отметить, что размерность векторов y_i характеристических векторов Y_D сухой поверхности дороги равна 6 и совпадает с размерностью характеристических векторов X_i. После этого при помощи вычислительной машины для обработки векторных данных (SVM) выбираются опорные векторы Y_DSV путем обучения с использованием векторов Y_D в качестве обучающих данных. Следует отметить, что в накопительном средстве 15 должны храниться не все векторы Y_D, а только выбранные векторы Y_DSV.

Характеристические векторы Y_WSV мокрой поверхности дороги, Y_SSV заснеженной поверхности дороги и Y_ISV обледенелой поверхности дороги могут быть получены тем же способом, что и векторы Y_DSV сухой дорожной поверхности.

Важным является то, что временной интервал Т совпадает с временным интервалом Т, используемым при получении характеристических векторов X_j. Если временной интервал Т является фиксированным, то число М сигналов временного ряда во временных интервалах изменяется от типа шины и скорости транспортного средства. Поэтому число М сигналов временного ряда во временных интервалах характеристических векторов Y_ASV поверхности дороги не обязательно совпадает с числом N сигналов временного ряда во временных интервалах характеристических векторов X_j. Например, при одинаковом типе шины М<N, если скорость транспортного средства при определении характеристических векторов X_j меньше, чем скорость транспортного средства при определении характеристических векторов Y_DSV для сухой дорожной поверхности, и М>N, если она больше.

Модели поверхности дороги создаются вычислительной машиной для обработки векторных данных с помощью характеристических векторов Y_A поверхности дороги в качестве обучающих данных.

На фиг. 6 показан схематичный график, на котором характеристические векторы Y_DSV сухой поверхности дороги и характеристические векторы Y_nDSV поверхности дороги, отличной от сухой поверхности, во входном пространстве, где черными кружками показаны векторы для сухой дороги, а кружками более светлого цвета показаны характеристические векторы поверхности дороги, отличной от сухой.

Следует отметить, что и характеристические векторы сухой поверхности дороги, и характеристические векторы других поверхностей дороги являются матрицами. Для объяснения получения разделяющей границы между группами, на фиг.6 показаны характеристические векторы сухой поверхности дороги и характеристические векторы поверхности дороги, отличной от сухой, в виде соответствующих двумерных векторов.

Разделяющая граница между группами не может быть получена обычным линейным разделением. Таким образом, использованием метода кернфункций, характеристические векторы Y_DSV и Y_nDSV поверхности дороги линейно разделяются путем отображения на имеющее большую размерность характеристическое пространство путем нелинейного отображения ϕ. Таким образом, характеристические векторы Y_DSV и Y_nDSV поверхности дороги нелинейным образом классифицируются в исходном входном пространстве.

В частности, оптимальная дискриминантная функция f(x)=w^Tϕ(x)-b для разделения данных получается с использованием набора данных X=(x₁, x₂, …, x_n) и связанного класса z={1, -1}. В данном случае данные представляют собой характеристические векторы Y_Dj, Y_nDj поверхности дороги, дочерний класс z=1 соответствует данным для сухой поверхности дороги, обозначенным на графике X₁, а дочерний класс z=-1 соответствует данным для поверхности дороги, отличной от сухой, обозначенным на графике X². Кроме того, w - весовой коэффициент, b - постоянная и f(x)=0 являются разделительной границей.

Дискриминантная функция f(x)=w^Tϕ(x)-b оптимизируется, например, с использованием метода неопределенных множителей Лагранжа. Данная задача оптимизации может быть представлена следующими выражениями:

В данном случае α и β являются индексами множества обучающих данных, λ являются множителями Лагранжа, и λ>0.

На данном этапе с помощью замены скалярного произведения ϕ(x_α) ϕ(x_β) кернфункцией K(х_α, x_β), дискриминантная функция f(x)=w^Tϕ(x)-b может быть превращена в нелинейную. Следует отметить, что ϕ(х_α) ϕ(x_β) является скалярным произведением х_α и х_β после отображения на высоко размерное пространство с помощью преобразования данных ϕ.

Множитель Лагранжа в уравнении (2) может быть получен при помощи алгоритма оптимизации, такого как метод наиболее крутого спуска или последовательной минимальной оптимизацией (SMO). При этом использование кернфункции делает получение скалярного произведения большой размерности ненужным. Таким образом, время на вычисления может быть заметно сокращено.

В данном варианте осуществления изобретения глобальные синхронизирующие кернфункции используются в качестве кернфункций K(х_α, х_β). Как показано на фиг. 7 и в последующих формулах (3) и (4), глобальная синхронизирующая кернфункция K(х_α, х_β) представляет собой функцию, состоящую из общей суммы или общего произведения местных кернфункций K_ij(x_i, x_j), которая представляет степень сходства характеристических векторов x_i=Y_Di сухой поверхности дороги и характеристических векторов x^j=Y_nDi поверхности дороги, отличной от сухой, и позволяет производить непосредственное сравнение сигналов временных рядов на временных интервалах различной длины. Местные кернфункции K_ij(x_i, x_j) получают для соответствующих временных интервалов Т.

Следует отметить, что на фиг. 7 показан пример глобальных синхронизирующих кернфункций, полученных для характеристических векторов Y_Dj сухой поверхности дороги с шестью временными интервалами и для характеристических векторов Y_nDj поверхности дороги, отличной от сухой, с четырьмя временными интервалами

где ⎥⎥x_αi-x_βj⎢⎢ - расстояние (норма) между характеристическими векторами, а σ - константа.

Сухая поверхность дороги и поверхность дороги, отличная от сухой, могут отличаться одна от другой с высокой точностью за счет задания предела различия дискриминантной функции f(x), которая является разделяющей гиперплоскостью между характеристическими векторами Y_Dj сухой поверхности дороги и характеристическими векторами Y_nDj поверхности дороги, отличной от сухой поверхности.

Предел в данном случае представляет собой расстояние от разделяющей гиперплоскости до ближайшей пробы (опорного вектора). Разделяющая гиперплоскость, которая является дискриминантной границей, определяется функцией f(x)=0. И все характеристические векторы Y_Dj сухой поверхности дороги находятся в области f(x)+1, в то время как характеристические векторы YnDj поверхности дороги, отличной от сухой поверхности, находятся в области f(x)-1.

Модель сухой поверхности дороги для ее выделения среди прочих поверхностей представляет собой входное пространство, имеющее опорные векторы Y_DSV на расстоянии f(x)=+1 и опорные векторы Y_nDSV на расстоянии f(x)=-1. Обычно имеется множество векторов Y_DSV и Y_nDSV.

То же относится и к модели мокрой поверхности дороги для ее выделения среди прочих поверхностей дороги, к модели заснеженной поверхности дороги для ее выделения среди прочих поверхностей дороги, и к модели обледенелой поверхности дороги для ее выделения среди прочих поверхностей дороги.

Средство 16 вычисляет соответствующие глобальные синхронизирующие кернфункции K_D (X, Y), K_W (X, Y), K_S (X, Y) и K_I (X, Y) по характеристическим векторам X_i, вычисленным средством 14 вычисления характеристических векторов, и опорным векторам Y_ASV и Y_nASV (А=D, W, S, I) модели сухой поверхности дороги, модели мокрой поверхности дороги, модели заснеженной поверхности дороги и модели обледенелой поверхности дороги, хранящихся в накопительном средстве 15.

Также, как показано на фиг. 8, глобальная синхронизирующая кернфункция K(Х, Y) является функцией, состоящей из общей суммы или общего произведения местных кернфункций K_ij(X_i, Y_j), где x_i является характеристическим вектором X_i, xj является характеристическими векторами Y_Aj и Y_nAj в формуле 2, при помощи которых может быть обеспечено непосредственное сравнение сигналов временных рядов на различных временных интервалах. Следует отметить, что на фиг. 8 показан пример, в котором характеристические векторы Y_Aj поверхности дороги, число временных интервалов характеристических векторов X_i составляет n=5, а число временных интервалов характеристических векторов Y_Aj поверхности дороги составляет m=4.

Как показано в данном примере, степень сходства между характеристическими векторами Xi и YAj (или между векторами Xi и YnAj) может быть получена даже при наличии разницы между числом n сигналов временного ряда временных интервалов, использованных при получении характеристических векторов Xi, и числом m сигналов временного ряда временных интервалов, использованных при получении характеристических векторов YAj (или YnAj) поверхности дороги.

Средство 17 определяет состояние поверхности дороги на основе значений четырех дискриминантных функций f_A(x), с использованием соответствующих кернфункций K_A(Х, Y), как показано в последующих формулах (5)-(8) (А=D, W, S, I):

где f_D - дискриминантная функция для выделения сухой поверхности дороги среди прочих поверхностей, f_W - дискриминантная функция для выделения мокрой поверхности дороги среди прочих поверхностей, f_S - дискриминантная функция для выделения заснеженной поверхности дороги среди прочих поверхностей, f_I - дискриминантная функция для выделения обледенелой поверхности дороги среди прочих поверхностей.

Кроме того, N_DSV - число опорных векторов модели сухой поверхности дороги, N_WSV - число опорных векторов модели мокрой поверхности дороги, N_SSV - число опорных векторов модели заснеженной поверхности дороги, N_ISV - число опорных векторов модели обледенелой поверхности дороги.

Значение множителя λ_D Лагранжа дискриминантной функции, например, получают путем обучения за счет выведения дискриминантной функции для выделения сухой поверхности дороги среди прочих дорожных поверхностей.

В данном варианте осуществления изобретения вычисляются соответствующие дискриминантные функции f_D, f_W, f_S, и f_I и состояние поверхности дороги определяется по дискриминантной функции, которая показывает наибольшее значение из вычисленных дискриминантных функций f_A.

Далее описывается способ определения состояния поверхности дороги, по которой катится шина 2, при помощи устройства 10 определения состояния поверхности дороги со ссылками на блок-схему, показанную на фиг. 9.

Вначале акселерометром 11 осуществляют регистрацию колебаний шины, вызванных входными воздействиями со стороны поверхности дороги R, по которой движется шина 20 (этап S10). Сигнал временного ряда получают от сигналов зарегистрированных колебаний шины (этап S11).

Затем полученный сигнал временного ряда колебаний шины разбивают на временные интервалы шириной Т и выделяют сигналы временного ряда для соответствующих временных интервалов. В данном случае число сигналов временного ряда колебаний шины на соответствующих временных интервалах принимают равным m (этап S12).

Далее вычисляют характеристические векторы X_i=(x_i1, x_i2, x_i3, x_i4, x_i5, x_i6) для сигналов временного ряда, выделенных для соответствующих временных интервалов (этап S13). В данном варианте осуществления изобретения ширина Т временного интервала задается 3 мс. Кроме того, число характеристических векторов X_i равно 6.

Компоненты x_i1-x_i6 (i=1, …, m) характеристического вектора X_i представляют собой значения мощности отфильтрованных сигналов временного ряда колебаний шины, как уже было описано выше.

Далее вычисляют местные кернфункции K_ij (X_i, Y_j) по вычисленным характеристическим векторам X_i и опорным векторам Y_Ak моделей поверхности дороги, хранящихся в накопительном средстве 15. Затем определяют сумму местных кернфункций K_ij (X_i, Y_j) и вычисляются соответствующие глобальные синхронизирующие функции K_D (X, Y), K_W (X, Y), K_S (X, Y) и K_I (X, Y) (этап S14).

Проводят вычисление соответствующих четырех дискриминантных функций f_D(x), f_W(x), f_S(x) и f_I(x) с использованием соответствующих кернфункций K_A(Х, Y) (этап S15). Затем значения вычисленных дискриминантных функций f_A(x) сравнивают друг с другом, и функция с наибольшим значением определяет состояние поверхности дороги, по которой движется шина 20 (этап S16).

В данном варианте осуществления изобретения сигнал временного ряда колебаний шины, зарегистрированных акселерометром 11, разбивают на интервалы средством 13 разбиения. Далее, выделяют сигналы временного ряда колебаний шины для соответствующих временных интервалов и вычисляют характеристические векторы X_i для соответствующих временных интервалов. После этого, получают кернфункции K_A(Х, Y) для характеристических векторов X и характеристических векторов Y поверхности дороги. Затем определяют состояние поверхности дороги, по которой катится шина 20, по значениям четырех дискриминантных функций f_D(x), f_W(x), f_S(x) и f_I(x) с использованием кернфункций K_A(Х, Y). В итоге, состояние дорожной поверхности определяется без выявления положений пиковых значений или замера скорости колеса.

Кроме того, характеристические векторы X_i, используемые в данном варианте, представляют собой уровни колебаний в конкретных частотных диапазонах (уровни мощности отфильтрованных колебаний), которые являются фактором, лучше отражающим различия состояний поверхности дороги, чем временные реализации колебаний. Это позволяет определять состояние поверхности дороги с большей точностью.

Кроме того, поскольку состояние поверхности дороги может определяться независимо от длины пятна контакта, обеспечивается корректность применения способа независимо от размеров шин.

Следует отметить, что средство регистрации колебаний шины, описанное в вышеприведенном варианте осуществления изобретения как акселерометр 11, может представлять собой любое другое средство, например датчик давления. Кроме того, расположение акселерометра 11 может отличаться от описанного, например может находиться на заданном расстоянии от центра оси шины или на участке внутри блока протектора шины. Кроме того, число акселерометров 11 не ограничивается одним, и допустима установка нескольких акселерометров в различных местах по периметру шины.

Также в вышеуказанном примере характеристические векторы X_i являются значениями x_ik мощности отфильтрованных сигналов. Но также возможно использование в качестве характеристических векторов X_i дисперсий x_ik изменяющихся во времени отфильтрованных сигналов. Изменяющиеся во времени дисперсии могут быть выражены как Log[x_ik(t)²+x_ik(t-1)²].

Характеристические векторы X_i также могут представлять собой коэффициенты Фурье, которые являются уровнями колебаний конкретных частотных диапазонов при выполнении преобразования Фурье для сигнала временного ряда колебания шины либо коэффициентами косинус-преобразования Фурье логарифма спектра мощности.

Косинус-преобразование может быть получено, либо путем повторного выполнения преобразования Фурье для сигнала после преобразования Фурье, исходя из предположения, что она является спектральной реализацией сигнала, либо путем дополнительного получения коэффициентов авторегрессии AR, предполагая, что спектры авторегрессии являются сигналами (косинус-преобразование Фурье логарифма энергетического спектра рекурсивного фильтра LCP), и может характеризовать форму спектров вне зависимости от абсолютного уровня, обеспечивая тем самым повышение точности определения по сравнению со случаем, в котором частотные спектры получаются при помощи преобразования Фурье.

Кроме того, в вышеуказанном варианте осуществления в качестве кернфункций используются глобальные синхронизирующие функции. Но вместо них могут использоваться кернфункции динамического изменения масштаба времени, как показано в нижеприведенных выражениях:

или

где π - траектория, и A(x_i, x_j) - все возможные траектории.

Как показано на фиг. 10, кернфункция К'(Х, Y) динамического изменения масштаба времени DTW состоит из общей суммы траекторий, вдоль которых общая сумма K'_ij(X_i, Y_j) принимает максимальное или минимальное значение из всех траекторий, как показано толстой сплошной линией, например, когда получается общая сумма местных кернфункций K_ij(X_i, Y_j).

В примере, показанном на фиг. 10, в случае, если число временных интервалов характеристических векторов X_i равно n=5, и число временных интервалов характеристических векторов Y_j составляет m=4, кернфункция K₁'(X, Y) динамического изменения масштаба времени при записи местной кернфункции K_ij(X_i, Y_j) в виде формулы (11) записывается следующим образом:

Следует отметить, что в качестве кернфункции может использоваться сумма, разность, произведение или отношение глобальной синхронизирующей кернфункции и кернфункции динамического изменения масштаба времени. При таком использовании глобальной синхронизирующей кернфункции и кернфункции динамического изменения масштаба времени состояние поверхности дороги может быть определено с высокой точностью, поскольку обеспечивается непосредственная работа с сигналом временного ряда.

Пример

Четыре испытательных транспортных средств А-D с шинами различных размеров оборудовались шиной, снабженной акселерометром. Каждое из этих испытательных транспортных средств приводилось в движение со скоростями от 30 до 90 км/ч на сухой, мокрой, заснеженной и обледенелой дорожных поверхностях. После этого вычислялись кернфункции по сигналам временного ряда колебаний шины, полученным таким образом. В таблице 1 показаны результаты определения состояния дорожной поверхности при помощи моделей, полученных обучением при помощи моделей машины для обработки векторных данных.

Доля корректных определений в %.

Были созданы четыре модели машин для обработки векторных данных, которые были предназначены для выделения сухой дорожной поверхности среди прочих дорожных поверхностей, мокрой дорожной поверхности среди прочих дорожных поверхностей, заснеженной дорожной поверхности среди прочих дорожных поверхностей и обледенелой дорожной поверхности среди прочих дорожных поверхностей, соответственно. И состояние дорожной поверхности модели, для которой машина для обработки векторных данных выдавала наибольшее значение в результате анализа экспериментальных данных, отличных от данных, использованных в качестве обучающих входных данных для соответствующих моделей, считалось состоянием дорожной поверхности, по которой движется автомобиль.

Испытательное транспортное средство А представляло собой переднеприводное транспортное средство, с размерностью шины 165/70R14.

Испытательное транспортное средство В представляло собой переднеприводное транспортное средство, с размерностью шины 195/65R15.

Испытательное транспортное средство С представляло собой переднеприводное транспортное средство, с размерностью шины 195/60R15.

Испытательное транспортное средство D представляло собой переднеприводное транспортное средство, с размерностью шины 185/70R14.

Рисунок протектора каждой шины был одинаковым (Bridgestone: BLIZZK REV02).

Данные, использованные при обучении, включали 2/3 данных, полученных при помощи испытательного транспортного средства А.

Кроме того, состояние дорожной поверхности определялось для трех случаев, а именно: для случая, в котором в качестве характеристических векторов X использовались коэффициенты косинус-преобразования Фурье логарифма спектральной мощности рекурсивного фильтра; случая, в котором использовались значения х_ik мощности полосы частот отфильтрованных колебаний; и случая, когда использовались как коэффициенты косинус-преобразования Фурье логарифма спектральной мощности рекурсивного фильтра, так и значения x_ik мощности полосы частот отфильтрованных колебаний. Результаты приведены в виде доли (в %) корректного определения состояния дорожной поверхности.

Как показано в таблице 1, для всех испытуемых транспортных средств А-D процент корректных определений достигал 85% или выше. В частности, при использовании как коэффициентов косинус-преобразования Фурье логарифма спектральной мощности рекурсивного фильтра, так значений x_ik мощности полосы частот отфильтрованных колебаний доля корректного определения дорожных условий для испытуемых транспортных средств, за исключением транспортного средства С с большой шириной и малой относительной высотой шин, составляла 95% или выше. Таким образом, было подтверждено, что использование настоящего изобретения позволяет проводить определение состояния поверхности дороги с высокой точностью.

Изобретение было описано со ссылками на его конкретные варианты осуществления. Однако объем данного изобретения не следует считать ограниченным этими вариантами. Специалистам в данной области техники очевидно, что оно может подвергаться различным модификациям и изменениям, не выходящим за рамки сущности и объема изобретения. Также из объема формулы изобретения очевидно, что все подобные модификации считаются входящими в объем данного изобретения.

В соответствии с настоящим изобретением сигналы временного ряда колебаний шины могут быть разделены без определения положений пиковых значений или измерения скорости колеса. В то же время, корректность способа определения состояния поверхности дороги вне зависимости от размеров шин может способствовать повышению точности управления транспортным средством, в особенности при помощи таких систем, как антиблокировочная система и система поддержания курсовой устойчивости.

Ссылочные позиции:

10 - устройство для определения состояния поверхности дороги

11 - акселерометр

12 - средство определения сигнала колебаний

13 - средство разбиения на интервалы

14 - средство вычисления характеристического вектора

15 - накопительное средство

16 - средство вычисления кернфункции

17 - средство определения состояния поверхности дороги

20 - шина

21 - внутренняя оболочка

22 - воздушная камера

R - поверхность дороги

1. Способ определения состояния поверхности дороги, с которой контактирует шина, путем регистрации ее колебаний во время движения транспортного средства, включающий в себя этапы на которых:

регистрируют колебания шины во время движения транспортного средства;

получают сигнал временного ряда зарегистрированных колебаний шины;

разбивают сигнал временного ряда на заданные временные интервалы и выделяют его для соответствующих временных интервалов;

вычисляют характеристические векторы по сигналам временного ряда соответствующих временных интервалов;

вычисляют кернфункции по вычисленным на предыдущем этапе характеристическим векторам для соответствующих временных интервалов и характеристическим векторам поверхности дороги, которые являются характеристическими векторами для соответствующих временных интервалов, вычисленных по сигналам временного ряда колебаний шины, заранее полученных для каждого состояния поверхности дороги;

определяют состояние поверхности дороги на основе значений дискриминантных функций, используя кернфункции, путем сравнения значений дискриминантных функций, полученных для соответствующих состояний поверхности дороги.

2. Способ по п.1, в котором используемые характеристические векторы представляют собой один, два или все уровни колебаний конкретных частотных диапазонов сигналов временных рядов соответствующих временных интервалов, полученных путем разбиения, изменяемые во времени дисперсии уровней колебаний конкретных частотных диапазонов; и коэффициенты косинус-преобразования Фурье энергетических спектров сигналов временного ряда;

а уровни колебаний конкретных частотных диапазонов получены из частотных спектров сигналов временного ряда временных интервалов, полученных путем разбиения, или из сигналов временного ряда, соответствующих временных интервалов, путем пропускания через частотные фильтры.

3. Способ по любому из пп.1 или 2, в котором кернфункции являются глобальными синхронизирующими кернфункциями или кернфункциями динамического изменения масштаба времени, или суммой, разностью, произведением или отношением этих двух кернфункций.

4. Устройство для определения состояния поверхности дороги, с которой контактирует шина, путем регистрации ее колебаний во время движения транспортного средства, содержащее:

средство для регистрации колебаний шины при движении транспортного средства, расположенное в воздушной камере со стороны внутренней оболочки протектора шины;

средство для разбиения сигнала временного ряда колебаний шины, зарегистрированного средством для регистрации колебаний шины, на заданные временные интервалы и выделения их для соответствующих временных интервалов;

средство для вычисления характеристических векторов, компонентами которых являются уровни колебаний конкретных частот сигналов временного ряда, полученных для соответствующих временных интервалов, или характеристических векторов, компонентами которых являются функции уровней колебаний;

накопительное средство для хранения характеристических векторов поверхности дороги, которые являются характеристическими векторами для соответствующих временных интервалов, вычисленными по сигналам временного ряда колебаний шины, заранее полученным для каждого состояния дорожной поверхности;

средство для вычисления кернфункций по характеристическим векторам для соответствующих временных интервалов, вычисленных средством для вычисления характеристических векторов, и по характеристическим векторам поверхности дороги, хранящимся в накопительном средстве; и

средство для определения состояния поверхности дороги на основе значений дискриминантных функций с использованием кернфункций путем сравнения значений дискриминантных функций, полученных для соответствующих состояний поверхностей дороги.