技術要約：巡航中の生産車両信号を用いた機械学習によるバイナリ路面分類

問題提起

タイヤと路面の間の摩擦力をリアルタイムで正確に推定することは、衝突警告、アダプティブ・クルーズ・コントロール（ACC）、自動緊急ブレーキ（AEB）などの車両安全システムにおいて極めて重要である。現在のAEBシステムは、誤検知を避けるために乾燥路面の摩擦値を想定することが多いが、これは雪道や氷結路のような滑りやすい路面において、早期に反応する能力を制限している。

摩擦を推定するための従来の手法は、タイヤの剛性を推論するためにスリップ勾配を計算する、ダイナミクスに基づいた再帰的推定器（例：逐次最小二乗法）に依存している。しかし、これらの手法には以下のような重大な限界がある：

1. スリップへの依存性： これらは効果的に機能するためにマイクロスリップを必要とする。巡航条件ではスリップが最小限、あるいは存在しないため、これらの推定器は効果的に機能しなくなる。
2. センサーの限界： 生産グレードのセンサー（ホイール速度センサーなど）は、低励起シナリオにおいて、異なる路面を区別するために必要なマイクロスリップを測定または正確に推定することに苦慮する。
3. 環境の変動性： 温度、タイヤの摩耗、空気圧などの要因が、タイヤの剛性とグリップレベルの相関関係を複雑にする。

本研究が取り組む核心的な課題は、低励起の巡航中において、車載信号のみを用いて路面状態（具体的には高グリップ状態と低グリップ状態の区別）を信頼性高く分類できないことである。

手法

著者らは、車両ダイナミクスの挙動と路面条件を相関させるデータ駆動型のフレームワークを提案している。本研究では、冬季用タイヤを装着した全輪駆動電気自動車から収集された、雪/氷のデータ約10時間と乾燥/湿潤のデータ約20時間のデータセットを利用している。データは100 Hzでサンプリングされた。

データの前処理とラベリング

• ラベリング： 内部光学センサーを使用して、時系列バッファを「グリップ（乾燥/湿潤）」または「スリップ（雪/氷）」として自動的にラベリングした。ウェット条件については、水膜厚の測定の困難さと、線形領域における乾燥路面と湿潤路面のタイヤ挙動の類似性から除外した。
• 正規化： グローバルな最小最大正規化（min-max normalization）を適用して、信号を0から1の範囲に限定し、時系列分析に不可欠な相対的な大きさの違いを保持した。
• ウィンドウ分割： スライディングウィンドウ手法を用いて、車両信号の短いバッファをバッチ処理した。

2つの補完的なアプローチ

本研究では、2つの異なる機械学習アーキテクチャを評価している：

1. 特徴量ベースのXGBoostモデル

• 入力特徴量： 巡航中の滑りやすさを検出するために文献に基づき選定されたもの：
  • 駆動輪と非駆動輪の速度比。
    数式によるスリップ比の二乗平均平方根（RMS）。
  • スリップ比の微分値のRMS。
  • 前後方向加速度のRMS。
• 制約： データセットは、中央値の前後方向加速度が0.05G未満、車輪速度の差が2 kph未満、およびステアリング/ヨーレートが特定の低励起限界内にある4秒間のバッファに限定された。
• アルゴリズム： 選択された特徴量から非線形な識別関数を学習するために、極限勾配ブースティング（XGBoost）に基づくアンサンブル学習を用いた。

2. エンドツーエンドの1D畳み込みニューラルネットワーク（1D CNN）

• 入力： 車輪速度、車輪トルク、前後・左右・上下方向の加速度、ステアリング角、およびヨーレートを含む、13チャンネルのマルチチャネル時系列バッファ（期間2秒、ストライド0.1秒）。
• アーキテクチャ： 生データから時間的および暗黙的な周波数ベースのパターン差を直接学習するように設計された1D CNN。これにより、明示的な周波数ドメインへの変換に伴う計算コストを回避している。
• 制約： バッファは、中央値の加速度 < 0.1G、車輪速度の差 < 5 kph、および特徴量ベースのモデルよりも広いステアリング/ヨーの制限範囲に限定された。

主な結果

特徴量ベースモデルの性能

• テストセットの指標： グリップクラスに対して98%のリコール、スリップクラスに対して92%のリコールを達成した。適合率（Precision）は、グリップで92.5%、スリップで97.9%であった。
• 特徴量の重要度： 「スリップ比微分のRMS」が最も重要な特徴量（スコア：0.4059）であり、次いで「駆動輪/非駆動輪の速度比」（0.2748）であった。
• 観察事項： 巡航中においては個々の特徴量のクラス間差は最小限であったが、アンサンブル手法は識別的な相互作用項を学習することに成功した。

1D CNNモデルの性能

• テストセットの指標： グリップクラスに対して98.85%のリコール、スリップクラスに対して89.03%のリコールを達成した。適合率は、グリップで90.0%、スリップで98.7%であった。
• 比較： CNNは、ツリーベースのモデルと比較して、スリップクラスの予測においてより保守的であった。
• 解釈可能性（GradCAM）： CNNは加速度チャンネル（前後方向：0.2654、左右方向：0.1224）に大きく依存していた。著者らは、IMUの加速度データはノイズ（路面品質、エンジンノイズ、シャシー振動によるもの）が多いことを指摘しており、物理的なグリップのシグネチャではなくノイズに過学習するリスクを示唆している。

実環境および組み込みテスト

• 汎化性能： 両モデルとも、未知のテスト走行において、乾燥路面での誤検知を最小限に抑えつつ、雪を検出する能力を示した。ツリーベースのモデルは雪の検出においてやや優れた性能を示したが、動作領域は狭かった。CNNはより広い条件下で作動したが、加速・減速イベント中の誤検知に対する感受性が見られた。
• リアルタイムの実現可能性： 両アルゴリズムはRaspberry Piハードウェア上に実装され、推論時間は100ミリ秒未満を達成した。出力を安定させるためにサーキュラーバッファを用いた平滑化ロジックが採用され、その結果、推定される検出遅延は約3秒となった。

意義と主張

本論文は、低励起の巡航中においても、生産車両で利用可能な信号のみを用いて、グリップ/スリップの路面状態分類が可能であることを実証したと主張している。

著者らが強調する主な貢献と限界は以下の通りである：

• 実現可能性： データ駆動型の手法は、動的な計算を行うためのスリップが不十分な場合において、従来の物理ベースの推定器に代わる実行可能な選択肢を提供する。
• 拡張性： 車両固有となることが多い従来の手法とは異なり、データ駆動型モデルは異なる車両やタイヤのプラットフォーム間でスケールアップできる可能性がある。
• 控えめな主張： 著者らは、これは初期の段階であることを明示している。以下のいくつかの制限事項を認めている：
  • 問題はバイナリ分類（グリップ対スリップ）に簡略化されており、湿潤、スラーシュ（シャーベット状の雪）、および路面遷移は含まれていない。
  • 未知の走行による評価は定性的であり、スプリットμ（μ分割）シナリオにおける検出遅延や、多様な舗装タイプに対する堅牢性などの具体的な指標はまだ定量化されていない。
  • スライディングウィンドウを用いた訓練/テスト分割戦略は、時間的な重複（データリーク）を導入する可能性があり、より厳密な検討が必要である。
  • 生産への統合に関する側面や、ASPICEへの準拠については言及されていない。

著者らは、これらの手法が安全クリティカルなアプリケーションへの認証を受ける前に、将来的な課題として、マルチクラス分類への拡張、複雑なシナリオ（ジャンプμなど）におけるリアルタイム性能指標の定量化、および多様な走行条件下での堅牢性の検証が必要であると結論付けている。