CN101609606A - 一种路面湿滑状态识别方法 - Google Patents

Abstract

本发明涉及一种路面湿滑状态识别方法，它包括以下步骤：1)建立一包括输入层、隐含层和输出层的路面湿滑状态识别BP人工神经网络；2)测量不同月份、不同地区和不同时刻的空气湿度、路面温度、路面温度与气温温差以及路面湿滑状态，并定义输入向量和输出向量；3)利用步骤2)中的测量值离线训练人工神经网络，以获得IWⁱ、b^j、IW^j和b；4)将步骤3)中训练获得的IWⁱ、IW^j和b^j、b嵌入车载ECU内，根据实际输入的月份、地区、时刻、湿度、路面温度及路面温度与气温温差，计算输出向量；5)根据步骤4)计算得出的输出向量，并依据步骤2)中定义的输出向量，判断出路面湿滑状态，并通过显示装置向驾驶员提供相应路面湿滑信息。本发明能够准确识别出路面湿滑状态，便于车载ECU计算出路面最大附着系数，为行车安全提供了有力保障。

Description

一种路面湿滑状态识别方法

技术领域

本发明涉及车辆行驶安全技术领域，具体涉及一种路面湿滑状态识别方法。

背景技术

保证车辆安全平顺行驶(如ABS、ASR、EBD、ESP等)所必需的制动力和驱动力，在很大程度上取决于路面附着系数。而路面附着系数又与路面湿滑状态有关，路面湿滑状态包括干燥路面、潮湿路面、雪路面和冰路面。如图1所示，干燥路面附着系数可达1.0，潮湿路面附着系数不到0.8，雪面附着系数0.2以下，而冰面附着系数还不到0.1。可见，车辆为了获得较大制动力和驱动力，首先必须识别出路面湿滑状态。目前，路面湿滑状态识别方法如下：

德国奥迪汽车公司在Allroad Quattro Concept概念车上采用的“Road Vision”系统，该系统向前方路面发射红外线，并接收路面反射红外线，路面湿滑状态不同，红外线反射时偏振状态不同，通过分析反射红外线偏振状态，即可识别路面湿滑状态。但是对于“Road Vision”系统来说，因为路面不平，车辆在行使过程中产生振动，引起红外线发射装置上下振动，向路面所发射的红外线入射角不稳定，致使所接收到的反射红外线信号不稳定性，造成红外线偏振光分析可靠性降低。

“Imminent icing condition enunciator”(美国专利号：5,796,344)系统测量路面温度和空气温度，根据路面温度、路面温度变化范围、空气温度以及空气温度变化率，制定路面状态模糊识别规则，利用模糊规则识别路面冰层的方法。但对于“Imminent icing condition enunciator”来说，该方法没有考虑月份、地区、时刻、湿度等因素对路面温度和空气温度的影响，同时模糊规则制定主要依赖于经验，而且建立准确的模糊规则是很困难的。

“Infrared imaging system”(美国专利公开号：US2009078870(A1))系统向路面发射特定频段的红外线，采用红外成像仪接收路面反射的红外线成像，路面冰层将影响红外线的反射量，根据红外线成像识别路面冰层。但对于“Infraredimaging system”系统来说，路面表面比较粗糙，会对系统发射的红外线产生散射，降低红外线反射强度，同时外界环境温度对反射红外线强度也有影响。

以上系统主要是针对路面的冰层进行识别，而未对路面潮湿状态进行识别，而且还没有考虑月份、地区、时刻及湿度对路面冰层识别的影响，因此识别结果准确度不高。

发明内容

针对上述问题，本发明的目的是提供一种能够准确识别出路面湿滑状态的路面湿滑状态识别方法。

为实现上述目的，本发明采取以下技术方案：一种路面湿滑状态识别方法，它包括以下步骤：1)建立一包括输入层、隐含层和输出层的路面湿滑状态识别BP人工神经网络，其中，输入层接收月份、地区、时刻、空气湿度、路面温度以及路面温度与气温温差的6维输入向量；隐含层包括多个预置有tansig函数的神经元节点，该神经元节点根据所述输入层的输入向量进行计算，输入向量的计算表达式为：

$m^j=\tan \mathrm{sig}[\underset{i=1}{\overset{K=6}{\mathrm{\Σ}}}({\mathrm{IW}}^i\×p^i)+b^j]$

式中，i＝1、2、…、K，K为输入向量维数，pⁱ为第i个输入向量；j＝1、2、…、N，N为隐含层神经元的个数，m^j为隐含层第j个神经元的输出值；IWⁱ为隐含层内对应pⁱ的网络权系数，b^j为隐含层第j个阈值系数；输出层包括一预置有purelin函数的神经元节点，该神经元节点根据隐含层计算的结果计算输出向量，输出向量的计算表达式为：

$m=\mathrm{purlin}[\underset{j=1}{\overset{N=4}{\mathrm{\Σ}}}({\mathrm{IW}}^j\×m^j)+b]$

式中，m^j为隐含层第j个神经元的输出值，IW^j为输出层内对应m^j的网络权系数，b为输出层的阈值系数，m为输出向量；2)根据步骤1)测量不同月份、不同地区和不同时刻的空气湿度、路面温度、路面温度与气温温差以及路面湿滑状态，并定义输入向量和输出向量；3)利用步骤2)中的测量值离线训练路面湿滑状态识别BP人工神经网络，以获得隐含层的网络权系数IWⁱ和阈值系数b^j，以及输出层的网络权系数IW^j和阈值系数b；4)将步骤3)中训练获得的网络权系数IWⁱ、IW^j和阈值系数b^j、b嵌入车载ECU内，根据实际输入的月份、地区、时刻、湿度、路面温度及路面温度与气温温差，并结合输入向量和输出向量的计算式，计算输出向量；5)根据步骤4)计算得出的输出向量，并依据步骤2)中定义的输出向量，判断出路面湿滑状态，并通过显示装置向驾驶员提供相应路面湿滑信息。

所述步骤1)中，tansig函数的表达式为：f(x)＝1/(1+e^-x)；purelin函数的表达式为：f(x)＝kx。

所述步骤2)中，路面湿滑状态识别人工神经网络的输入向量定义如下：月份输入值与实际月份相同，月份输入值分别为1、2、…、11和12；将整个国家按照地理位置划分为东区、西区、南区、北区、中区、沿海6个区域，地区输入值根据实际地理位置确定，东区的地区输入值为1，南区的地区输入值为2，西区的地区输入值为3，北区的地区输入值为4，中区的地区输入值为5，沿海的地区输入值为6；将一天24小时划分为24个时间段，根据实时时间的小时值，时刻输入值分别为0、1、2、…、22和23；湿度、路面温度、路面温度与气温的温差的输入值为实际测量值；输出向量定义如下：输出向量值范围为0～10，0代表干燥路面，3～6代表潮湿路面，8代表路面为雪路面，10代表路面为冰路面。

输出向量值接近0，则判断当前路面为干燥路面；输出向量值接近3～6，则判断当前路面为潮湿路面；输出向量值接近8，则判断当前路面为雪面；输出向量值接近10，则判断当前路面为冰面。

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于首先建立了包括输入层、隐含层和输出层的路面湿滑状态识别BP(Back Propagation)人工神经网络，隐含层和输出层内的神经元节点内分别预设置有相应的函数，通过BP人工神经网络离线训练确定隐含层和输出层的网络权系数和阈值系数，再将网络权系数和阈值系数嵌入车载ECU(Electronic Control Unit，电子控制单元)内，ECU根据实际的输入的月份、地区、时刻、湿度、路面温度及路面温度与气温温差，并结合式神经元节点内的函数，计算神经输出向量，从而判断出路面湿滑状态，提醒驾驶员当前路面湿滑状况，有利于行车安全。2、由于本发明可以根据月份、地区、时刻、湿度、路面温度及气温主动得出的路面湿滑状态，同时汽车也可以通过车载GPRS通信终端将路面湿滑状态发送至气象站，由气象站汇总车辆发送的路面湿滑状态信息，动态监测公路网湿滑状态。3、由于本发明可以使车辆上的主动安全ECU根据路面湿滑状态，并利用路面湿滑状态与路面附着系数关系，再结合路面类型，估算出路面最大附着系数，进而计算出车辆最大附着力、最佳刹车距离和最大刹车减速度等。

附图说明

图1是路面湿滑状态与路面附着系数及滑移率关系

图2是路面湿滑状态识别人工神经网络结构

具体实施方式

下面结合实施例，对本发明进行详细的描述。

本发明包括以下步骤：

1)建立路面湿滑状态识别BP人工神经网络1。

如图2所示，人工神经网络1包括输入层11、隐含层12和输出层13。

其中，输入层11接收计算路面湿滑状态所需要的输入向量，该输入向量为6维向量，各维度分别为月份U1、地区U2、时刻U3、空气湿度U4、路面温度U5以及路面温度与气温温差U6。

隐含层12包括4个神经元节点121，该神经元节点121可以根据输入层11的输入向量进行计算，计算的输出值作为输出层13计算路面湿滑状态的输入值；神经元节点121根据输入向量进行计算的函数为tansig函数：f(x)＝1/(1+e^-x)。具体的，该tansig函数的表达式见式(1)，

$m^j=\tan \mathrm{sig}[\underset{i=1}{\overset{K=6}{\mathrm{\Σ}}}({\mathrm{IW}}^i\×p^i)+b^j]---\left(1\right)$

其中，中，i＝1、2、…、K，K为输入向量维数，pⁱ为第i个输入向量；j＝1、2、…、N，N为隐含层内神经元121的个数，m^j为隐含层12第j个神经元121的输出值；IWⁱ为隐含层12内对应pⁱ的网络权系数，b^j为隐含层12第j个阈值系数。

输出层13包括1个输出层神经元节点131，该神经元节点131根据隐含层12计算的结果计算路面湿滑状态，输出层神经元节点131函数为purelin函数：f(x)＝kx；具体的，输出层神经元节点131计算路面湿滑状态的函数见式(2)，

$m=\mathrm{purlin}[\underset{j=1}{\overset{N=4}{\mathrm{\Σ}}}({\mathrm{IW}}^j\×m^j)+b]---\left(2\right)$

其中，m^j为隐含层12第j个神经元121的输出值，IW^j为输出层13内对应m^j的网络权系数，b为输出层13的阈值系数，m为输出层神经元节点131的输出值，即输出向量。

整个BP人工神经网络1的建立采用了matlab函数newff，见式(3)：

net＝newff(min max(p)，[4，1]，{′tan sig′，′purlin′}，′trainlm′)    (3)

其中，net为神经网络，p为输入向量，min max为matlab获取向量极值函数，trainlm为学习算法。

2)根据上述1)中人工神经网络1的输入向量p进行测量，包括测量不同月份、不同地区和不同时刻的空气湿度、路面温度、路面温度与气温温差以及路面湿滑状态。

其中，月份和时刻利用时钟芯片DS1302测量，空气温度和湿度利用温湿度芯片shtll测量，路面温度采用IRTP300L型红外线传感器测量，地区采用车载GPS测量，路面湿滑状态采用摄像头拍摄图像或者直接人工观察得到。

3)利用2)中的测量值离线训练路面湿滑状态识别BP人工神经网络1，获得隐含层12的网络权系数IWⁱ和阈值系数b^j，以及输出层13的网络权系数IW^j和阈值系数b。

BP人工神经网络1的输入向量定义如下：月份输入值与实际月份相同，月份输入值分别为1、2、…、11和12；将整个国家按照地理位置划分为东区、西区、南区、北区、中区、沿海6个区域，地区输入值根据实际地理位置确定，东区的地区输入值为1，南区的地区输入值为2，西区的地区输入值为3，北区的地区输入值为4，中区的地区输入值为5，沿海的地区输入值为6；将一天24小时划分为24个时间段，根据实时时间的小时值，输入值分别为0、1、2、…、22和23；湿度、路面温度、路面温度与气温温差为实际测量值，直接输入人工神经网络1。

BP人工神经网络1的输出向量定义如下：输出向量值范围为0～10，值越大代表积水越深，其中，0代表干燥路面，3～6代表潮湿路面，8代表路面为雪路面，10代表路面为冰路面。

BP人工神经网络1训练的主要目的是获得网络权系数IWⁱ、IW^j和阈值系数b^j、b，使得输出向量满足一定的精度。BP人工神经网络训练直接采用matlab函数tranin进行离线训练，见式(4)。

net＝train(net，p，t)    (4)

其中：net为BP人工神经网络1，p为训练样本输入向量，t为训练样本输出向量。

4)将3)中训练获得的网络权系数IWⁱ、IW^j和阈值系数b^j、b嵌入车载ECU内，根据实际输入的月份、地区、时刻、湿度、路面温度及路面温度与气温温差，并结合式(1)和(2)，计算输出向量。

5)根据步骤4)计算得出的输出向量，并依据步骤2)中定义的输出向量，判断出路面湿滑状态，并通过显示装置向驾驶员提供相应路面湿滑信息。BP人工神经网络1输出接近0，那么判断当前路面为干燥路面；BP人工神经网络1输出接近3～6，那么判断当前路面为潮湿路面，输出越大，路面积水越深；BP人工神经网络1输出接近8，那么判断当前路面为雪面；BP人工神经网络1输出接近10，那么判断当前路面为冰面。汽车可以通过车载GPRS通信终端将路面湿滑状态发送至气象站，由气象站汇总车辆发送的路面湿滑状态信息，动态监测公路网湿滑状态。

本实施例中，显示装置可以采用不同颜色的灯，也可以采用语音提示装置，在此不限。

Claims (5)

1、一种路面湿滑状态识别方法，它包括以下步骤：

1)建立一包括输入层、隐含层和输出层的路面湿滑状态识别BP人工神经网络，其中，输入层接收月份、地区、时刻、空气湿度、路面温度以及路面温度与气温温差的6维输入向量；

隐含层包括多个预置有tansig函数的神经元节点，该神经元节点根据所述输入层的输入向量进行计算，输入向量的计算表达式为：

$m^j=\tan \mathrm{sig}[\underset{i=1}{\overset{K=6}{\mathrm{\Σ}}}({\mathrm{IW}}^i\×p^i)+b^j]$

式中，i＝1、2、…、K，K为输入向量维数，pⁱ为第i个输入向量；j＝1、2、…、N，N为隐含层神经元的个数，m^j为隐含层第j个神经元的输出值；IWⁱ为隐含层内对应pⁱ的网络权系数，b^j为隐含层第j个阈值系数；

输出层包括一预置有purelin函数的神经元节点，该神经元节点根据隐含层计算的结果计算输出向量，输出向量的计算表达式为：

$m=\mathrm{purlin}[\underset{j=1}{\overset{N=4}{\mathrm{\Σ}}}({\mathrm{IW}}^j\×m^j)+b]$

式中，m^j为隐含层第j个神经元的输出值，IW^j为输出层内对应m^j的网络权系数，b为输出层的阈值系数，m为输出向量；

2)根据步骤1)测量不同月份、不同地区和不同时刻的空气湿度、路面温度、路面温度与气温温差以及路面湿滑状态，并定义输入向量和输出向量；

3)利用步骤2)中的测量值离线训练路面湿滑状态识别BP人工神经网络，以获得隐含层的网络权系数IWⁱ和阈值系数b^j，以及输出层的网络权系数IW^j和阈值系数b；

4)将步骤3)中训练获得的网络权系数IWⁱ、IW^j和阈值系数b^j、b嵌入车载ECU内，根据实际输入的月份、地区、时刻、湿度、路面温度及路面温度与气温温差，并结合输入向量和输出向量的计算式，计算输出向量；

5)根据步骤4)计算得出的输出向量，并依据步骤2)中定义的输出向量，判断出路面湿滑状态，并通过显示装置向驾驶员提供相应路面湿滑信息。

2、如权利要求1所述的一种路面湿滑状态识别方法，其特征在于：所述步骤1)中，tansig函数的表达式为：f(x)＝1/(1+e^-x)；purelin函数的表达式为：f(x)＝kx。

3、如权利要求1或2所述的一种路面湿滑状态识别方法，其特征在于：所述步骤2)中，路面湿滑状态识别人工神经网络的输入向量定义如下：月份输入值与实际月份相同，月份输入值分别为1、2、…、11和12；将整个国家按照地理位置划分为东区、西区、南区、北区、中区、沿海6个区域，地区输入值根据实际地理位置确定，东区的地区输入值为1，南区的地区输入值为2，西区的地区输入值为3，北区的地区输入值为4，中区的地区输入值为5，沿海的地区输入值为6；将一天24小时划分为24个时间段，根据实时时间的小时值，时刻输入值分别为0、1、2、…、22和23；湿度、路面温度、路面温度与气温的温差的输入值为实际测量值；

输出向量定义如下：输出向量值范围为0～10，0代表干燥路面，3～6代表潮湿路面，8代表路面为雪路面，10代表路面为冰路面。

4、如权利要求1或2所述的一种路面湿滑状态识别方法，其特征在于：输出向量值接近0，则判断当前路面为干燥路面；输出向量值接近3～6，则判断当前路面为潮湿路面；输出向量值接近8，则判断当前路面为雪面；输出向量值接近10，则判断当前路面为冰面。

5、如权利要求3所述的一种路面湿滑状态识别方法，其特征在于：输出向量值接近0，则判断当前路面为干燥路面；输出向量值接近3～6，则判断当前路面为潮湿路面；输出向量值接近8，则判断当前路面为雪面；输出向量值接近10，则判断当前路面为冰面。

Images