CN106092600B - 一种针对汽车试验场强化道路的路面识别方法 - Google Patents
一种针对汽车试验场强化道路的路面识别方法 Download PDFInfo
- Publication number
- CN106092600B CN106092600B CN201610373324.9A CN201610373324A CN106092600B CN 106092600 B CN106092600 B CN 106092600B CN 201610373324 A CN201610373324 A CN 201610373324A CN 106092600 B CN106092600 B CN 106092600B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- acceleration
- value
- frequency domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Gyroscopes (AREA)
Abstract
一种针对汽车试验场强化道路的路面识别方法,采用加速度传感器和角速率陀螺仪采集车身处和各车轮轮轴的运动信息,通过车辆的OBD接口采集车辆总线上的CAN报文数据;将获取的多源数据进行一系列的预处理,得到平稳的时间域数据;算出车身处和各车轮轮轴的姿态信息,同时对CAN报文进行协议解析;利用车速将车辆的振动加速度数据和姿态数据从时间域变换到空间域;对空间域数据进行时域和频域的特征提取;基于提取的时域和频域特征,设计人工神经网络路面分类器,对试验场强化道路进行识别。本发明解决了独立悬架对地形不敏感的困难,弥补了传统单纯使用加速度数据进行路面识别的不足,大幅度提高了试验道路地形和地面的识别准确率和适用范围。
Description
技术领域
本发明涉及路面识别技术领域,尤其是一种针对汽车试验场强化道路的路面识别方法。
背景技术
为了保证新产品的整体性能和零部件可靠性,在新车型的研发和定型过程中需要进行大量的整车试验。汽车试验场就是进行汽车整车试验的重要场所,其内部建有各种各样经过集中浓缩的典型试验道路,主要包括高速环道、组合强化路、噪声试验路和标准坡道。在这些典型道路试验中,强化路试验是用于测试整车零件和子系统耐久性的,强化路主要包括块石路、波浪路、扭曲路、砂石路、搓板路和比利石路等典型强化路。这些环路都需要进行大量的试验,然而目前国内各大汽车试验场的试验数据基本都采取人工记录的方式,这种方式很难保证试验记录的真实准确和完整性。因此,一种可以准确识别试验场强化道路的识别技术需求日益凸显。
发明内容
本发明所要解决的技术问题在于,提供一种针对汽车试验场强化道路的路面识别方法,可以对试验场强化道路记性自动识别判断,简化试车场试验流程,保证试验的真实准确性。
为解决上述技术问题,本发明提供一种针对汽车试验场强化道路的路面识别方法,包括如下步骤:
(1)采用加速度传感器和角速率陀螺仪采集车身处和各车轮轮轴的运动信息,通过车辆的OBD接口采集车辆总线上的CAN报文数据;
(2)对步骤(1)中获取的多源数据进行一系列的预处理,得到平稳的时间域数据;利用互补滤波方法融合加速度与角速度数据,算出车身处和各车轮轮轴的姿态信息,同时对步骤(1)中的CAN报文进行协议解析,得到车速、档位和制动踏板状态的数据;利用车速将车辆的振动加速度数据和姿态数据从时间域变换到空间域;
(3)对步骤(2)中得到的空间域数据进行时域和频域的特征提取;
(4)基于步骤(3)所提取的时域和频域特征,设计人工神经网络路面分类器,对试验场强化道路进行识别。
优选的,步骤(1)中,每一个加速度传感器和角速率陀螺仪组成一个测量节点,在车身处布置一个测量节点,并在每个车轮的轮轴处布置一个测量节点,对于有n个车轮的车辆,就布置n个车轮轮轴测量节点;车身测量节点放置在车架中心位置,车轮轮轴测量节点放置在轴架之上,与车轮刚性连接,底盘车架与轴架之间是车辆的悬挂系统。
优选的,步骤(2)中进行数据处理包括如下步骤:
a、加速度数据趋势项消除:对传感器节点的加速度数据进行趋势项消除,趋势项消除公式为:
其中,Ai表示采集到的加速度数据序列的第i个加速度数据,它是包含三个元素的向量,具体表述为Ai=[Axi,Ayi,Azi],Axi、Ayi、Azi分别表示x、y、z轴加速度,x轴为车辆前进方向,y轴为车辆侧向方向,z轴为垂直于车身的方向;Ψ0(Ai)表示消除趋势项后的信号;Ψ(Ai)表示采集系统的原始数据;表示对采集到的信号序列根据最小二乘法进行多项式拟合后所得到加速度数据;
b、数据过滤:结合踏板状态和档位信息,对采集的数据进行过滤,定义原始数据集合F为F=[Ax Ay Az D V Tb],其中Ax、Ay、Az分别为x,y,z轴加速度数据,D为车辆档位信息,V为车速数据,Tb为制动时间;将该集合乘以过滤参考矩阵R,将运算结果与阈值集合T相减,如果相减后的集合FR-T中任意元素大于0,则将该数据过滤;过滤参考矩阵R和阈值矩阵T如下所示:
T=(VAmax DCmax Brmax Tbmax)
矩阵R中的λ为制动系数;矩阵T中的四个元素的阈值设定根据车辆的不同取值会有所变化,VAmax与三轴加速度的相互关系有关,DCmax表示的与车速和档位相关,Brmax和制动效果相关,Tbmax与制动时间相关;
c、姿态解算:将加速度传感器与角速率陀螺仪进行互补滤波,互补滤波在频域中进行,得到修正的角速度,运算公式如下:
其中,Gout(s)为滤波后的角速度数据,Ga(s)为根据加速度解算姿态角度并对其微分之后得到的角速度,Gt(s)为陀螺仪直接输出的角速度,GH(s)为高通滤波器,GL(s)为低通滤波器,C(s)为全通滤波器;
利用上述修正的角速度和单位四元数进行姿态解算,单位四元数的定义如下:
其中,i,j,k为矢量,两两之间相互垂直;单位四元数的范数值为1,x,y,z分别表示三轴角速度,所以w,x,y,z初始化值为1,0,0,0;
与姿态角的关系为:其中Ψ、θ、分别表示车辆的俯仰角、横滚角和偏航角;利用一阶龙格库塔法更新四元数,四元数值得更新公式如下:
其中,下标为1的表示更新之前的四元数值,下标为2的表示当前的角速度,λ表示更新步长,取值为计算间隔的二分之一,即λ=ΔT/2;计算到新的四元数之后对其进行归一化,然后带入式(3)即可求得车辆姿态;
d、时间域数据变换到空间域:对加速度数据的横纵坐标进行运算:
si+1=si+viΔT (6)
其中,si表示i时刻的空间坐标值,单位为m,s0=0;vi为i时刻的车速,ΔT为采样间隔;式(7)中Ψs(si)为时间域到空间域变换后的纵坐标值;Zi表示车辆z轴的振动加速度,Ψ0(Zi)为式(1)中消除趋势项后的加速度数据Ψ0(Ai)的z轴分量。
优选的,步骤(3)中进行特征提取的方法如下:
a、时域特征:时域特征提取是式(7)中所述的时间域到空间域变换后的纵坐标值Ψs(si)、空间姿态的横滚角和俯仰角的均值、方差和峰值;定义该特征向量为fT,则:
其中为均值,σ为方差,Ψmax为峰值,下标z指的是z轴的空间域振动数据,下标roll指的是横滚角,下标pitch指的是俯仰角;
b、频域特征:以加速度数据为例,所述的计算空间功率谱密度函数的方法如下:
其中,Ψ0(jw)为式(7)处理后的振动加速度的信号Ψs(si)的傅立叶变换;
Pi=P(Di) (15)
其中Pi为第i个频域特征的值;Di为对应的空间频率,表示为式(14)空间功率谱密度的横坐标值,单位为1/m;i表示是第i个频域特征;E表示非等间隔程度,取值越大,低频特征点越多,高频特征点越少;N表示取的特征点总数;Dmax为所需训练的特征点的空间频率Di的最大值;
根据上述非等间隔频域特征点提取加速度和姿态角的频域特征,定义该特征向量为fP,则:
其中Pacc为加速度的频域特征集合,其维度与特征点数N相同,即Pacc=[Pacc,1Pacc,2…Pacc,N],Proll为横滚角的频域特征集合,其维度为N;Ppitch为俯仰角的频域特征集合,其维度为N;
综上,最后输入人工神经网络路面分类器的训练特征向量FR为:fR=[fT fP]。
优选的,步骤(4)中,路面分类器的训练利用步骤(3)提取的特征数据,选择人工神经网络路面分类器对数据进行训练并完成最终识别。
本发明的有益效果为:通过引入新的轮轴姿态数据解决了独立悬架对地形不敏感的困难,弥补了传统单纯使用加速度数据进行路面识别的不足,大幅度提高了试验道路地形和地面的识别准确率和适用范围。
附图说明
图1是本发明的路面识别方法的整体框图。
图2是本发明的悬架振动及姿态测量节点的传感器安装示意图。
图3是本发明的试验场强化道路之一的搓板路的车辆振动空间域曲线图。
图4是本发明的试验场强化道路之一的搓板路的空间域功率谱密度曲线图。
图5是本发明的非等间隔程度取值E=10时的特征点选择图。
图6是本发明的非等间隔程度取值E=100时的特征点选择图。
图7是本发明的四分之一车体简化模型图。
具体实施方式
如图1所示,一种针对汽车试验场强化道路的路面识别方法,包括如下步骤:
(1)采用加速度传感器和角速率陀螺仪采集车身处和各车轮轮轴的运动信息,通过车辆的OBD接口采集车辆总线上的CAN报文数据;
(2)对步骤(1)中获取的多源数据进行一系列的预处理,得到平稳的时间域数据;利用互补滤波方法融合加速度与角速度数据,算出车身处和各车轮轮轴的姿态信息,同时对步骤(1)中的CAN报文进行协议解析,得到车速、档位和制动踏板状态的数据;利用车速将车辆的振动加速度数据和姿态数据从时间域变换到空间域;
(3)对步骤(2)中得到的空间域数据进行时域和频域的特征提取;
(4)基于步骤(3)所提取的时域和频域特征,设计人工神经网络路面分类器,对试验场强化道路进行识别。
如图2所示,步骤(1)中,每一个加速度传感器和角速率陀螺仪组成一个测量节点,在车身处布置一个测量节点,并在每个车轮的轮轴处布置一个测量节点,对于有n个车轮的车辆,就布置n个车轮轮轴测量节点;车身测量节点放置在车架中心位置,车轮轮轴测量节点放置在轴架之上,与车轮刚性连接,底盘支架与轴架之间是车辆的悬挂系统。
如图7所示,在车身处每个车轮的轮轴处各放置一个测量节点的原因在于,车轮的轮轴和车身之间存在悬挂系统,导致这两处的振动和姿态信息都不同,因此需要分别对其测量;在每个车轮的轮轴都按照上述方案放置的原因在于,对于独立悬挂系统,每个车轮处的车辆振动状态和姿态信息都各不相同,所以需要单独测量。
步骤(2)中进行数据处理包括如下步骤:
a、加速度数据趋势项消除:对传感器节点的加速度数据进行趋势项消除,趋势项消除公式为:
其中,Ai表示采集到的加速度数据序列的第i个加速度数据,它是包含三个元素的向量,具体表述为Ai=[Axi,Ayi,Azi],Axi、Ayi、Azi分别表示x、y、z轴加速度,x轴为车辆前进方向,y轴为车辆侧向方向,z轴为垂直于车身的方向;Ψ0(Ai)表示消除趋势项后的信号;Ψ(Ai)表示采集系统的原始数据;表示对采集到的信号序列根据最小二乘法进行多项式拟合后所得到加速度数据;
b、数据过滤:结合踏板状态和档位信息,对采集的数据进行过滤,定义原始数据集合F为F=[Ax Ay Az D V Tb],其中Ax、Ay、Az分别为x,y,z轴加速度数据,D为车辆档位信息,V为车速数据,Tb为制动时间;将该集合乘以过滤参考矩阵R,将运算结果与阈值集合T相减,如果相减后的集合FR-T中任意元素大于0,则将该数据过滤;过滤参考矩阵R和阈值矩阵T如下所示:
T=(VAmax DCmax Brmax Tbmax)
矩阵R中的λ为制动系数;矩阵T中的四个元素的阈值设定根据车辆的不同取值会有所变化,VAmax与三轴加速度的相互关系有关,DCmax表示的与车速和档位相关,Brmax和制动效果相关,Tbmax与制动时间相关;
c、姿态解算:将加速度传感器与角速率陀螺仪进行互补滤波,互补滤波在频域中进行,得到修正的角速度,运算公式如下:
其中,Gout(s)为滤波后的角速度数据,Ga(s)为根据加速度解算姿态角度并对其微分之后得到的角速度,Gt(s)为陀螺仪直接输出的角速度,GH(s)为高通滤波器,GL(s)为低通滤波器,C(s)为全通滤波器;
利用上述修正的角速度和单位四元数进行姿态解算,单位四元数的定义如下:
其中,i,j,k为矢量,两两之间相互垂直;单位四元数的范数值为1,x,y,z分别表示三轴角速度,所以w,x,y,z初始化值为1,0,0,0;
与姿态角的关系为:
其中Ψ、θ、分别表示车辆的俯仰角、横滚角和偏航角;利用一阶龙格库塔法更新四元数,四元数值得更新公式如下:
其中,下标为1的表示更新之前的四元数值,下标为2的表示当前的角速度,λ表示更新步长,取值为计算间隔的二分之一,即λ=ΔT/2;计算到新的四元数之后对其进行归一化,然后带入式(3)即可求得车辆姿态;
d、时间域数据变换到空间域:前几个步骤最终得到的是车辆姿态以及振动信息关于时间的数据,但是由于车速不同时,所得的数据在时间域的频率特征必然不同,为了消除车速的影响,需要把数据从时间域转换到空间域。
对加速度数据的横纵坐标进行运算:
si+1=si+viΔT (6)
其中,si表示i时刻的空间坐标值,单位为m,s0=0;vi为i时刻的车速,ΔT为采样间隔;式(7)中Ψs(si)为时间域到空间域变换后的纵坐标值;Zi表示车辆z轴的振动加速度,Ψ0(Zi)为式(1)中消除趋势项后的加速度数据Ψ0(Ai)的z轴分量。
对于车辆姿态角的空间域变换只需要把横坐标的时间数据按照公式(6)转换成程长即可,纵坐标数据不需要变换,因为车辆姿态角的解算利用了角速度数据与加速度数据互补滤波,已经滤除加速度数据的高频振动,所以姿态角的值不受振动影响。
对加速度数据进行上述计算的理论依据分析如下:
假设一段道路不平度样本为Zr(x),试验车辆行驶函数为x(t)。为了便于分析,将车辆短时间内的行驶近似为匀速运动,速度为v1,得到公式(8):
x(t)=x0+v1×(t-t0)t∈(t0,t0+Δt) (8)
对Zr(x)周期沿拓后得到ZL(x),用傅立叶级数表示,如(9)式所示:
将(8)代入,得到ZL(t)和ZL(x)关于x的二阶偏导,如(10)和(11)所示:
对(10)式求对t求二阶导数如公式(12)所示:
联立(8)式、(11)式、(12)式可以得到和关系如公式(13)所示:
综上,由式(13)和式(8)可得到加速度由时间域到空间域的转换公式(6)和(7)。而由于车辆姿态角不受振动影响,因此姿态角的值不变,只需要把横坐标的时间数据按照式(6)转换成程长即可。
本发明提取的空间域数据特征由时域和频域特征组成,对每一个测量节点的空间域数据都按照同样的特征选择进行提取,并将提取的所有特征作为人工神经网络路面分类器的输入向量对试验场强化道路进行识别。
步骤(3)中进行特征提取的方法如下:
a、时域特征:时域特征提取是式(7)中所述的时间域到空间域变换后的纵坐标值Ψs(si)、空间姿态的横滚角和俯仰角的均值、方差和峰值;定义该特征向量为fT,则:
其中为均值,σ为方差,Ψmax为峰值,下标z指的是z轴的空间域振动数据,下标roll指的是横滚角,下标pitch指的是俯仰角;
如图3和图4所示,频域特性从空间域数据的空间功率谱中提取,因为在该数据中,极大值点的数据是最重要的,而极大值点的数据多位于低频段,搓板路某加速度数据的空间功率谱曲线,有一个极大值点,空间频率约为1.5m-1左右,所以本发明剔除了一种非等间隔采样方式,通过设定采样点和非等间隔程度,可以控制采集的低频点与高频点的比例,从而更有效的提取特征。
b、频域特征:以加速度数据为例,所述的计算空间功率谱密度函数的方法如下:
其中,Ψ0(jw)为式(7)处理后的振动加速度的信号Ψs(si)的傅立叶变换;
Pi=P(Di) (15)
其中Pi为第i个频域特征的值;Di为对应的空间频率,表示为式(14)空间功率谱密度的横坐标值,单位为1/m;i表示是第i个频域特征;E表示非等间隔程度,取值越大,低频特征点越多,高频特征点越少;N表示取的特征点总数;Dmax为所需训练的特征点的空间频率Di的最大值;
如图5和图6所示,分别是非等间隔程度E取10和取100时特征点横坐标的取值,假设需要的空间频率最大值均为200m-1,取的特征点数同样为200个。由图可见,E=10时,空间频率20m-1以下特征点约有50个,E=100时,空间频率20m-1以下特征点约有100个,即非等间隔程度E取值越大,低频特征点比例越多,高频特征点比例越少。因此,通过对E的取值调整,可以方便的控制低频段特征点的细分程度。
根据上述非等间隔频域特征点提取加速度和姿态角的频域特征,定义该特征向量为fP,则:
其中Pacc为加速度的频域特征集合,其维度与特征点数N相同,即Pacc=[Pacc,1Pacc,2…Pacc,N],Proll为横滚角的频域特征集合,其维度为N;Ppitch为俯仰角的频域特征集合,其维度为N;
综上,最后输入人工神经网络路面分类器的训练特征向量FR为:fR=[fT fP]。
步骤(4)中,路面分类器的训练利用步骤(3)提取的特征数据,选择人工神经网络路面分类器对数据进行训练并完成最终识别。
本发明选取神经网络作为训练器,利用MATLAB直接调用神经网络工具箱,把步骤(3)中所提取的特征作为一个向量输入训练器,并设置该特征所属的道路分类标识,训练的时候每个分类训练数目要基本一致,训练完成后,直接利用MATLAB神经网络工具箱自带的分类识别函数,输入特征向量,即可得到分类结果。
本发明利用三轴加速度传感器对车辆因路面激励而产生的振动进行测量,并利用陀螺仪采集对应节点的角速度,对测量数据进行一系列预处理,获得车辆的平稳振动数据和每个车轮的轮轴姿态和车身姿态,然后通过理论分析把测量数据由时间域转换为空间域,进而采用一种非等间隔频域特征点选取和时频域特征结合的方式对空间域数据进行特征的优化选取,最后以选取的特征点作为输入向量,对其进行人工神经网络训练,达到试验场道路识别的目的。解决了独立悬架对地形不敏感的困难,弥补了传统单纯使用加速度数据进行路面识别的不足,大幅度提高了试验道路地形和地面的识别准确率和适用范围。
尽管本发明就优选实施方式进行了示意和描述,但本领域的技术人员应当理解,只要不超出本发明的权利要求所限定的范围,可以对本发明进行各种变化和修改。
Claims (4)
1.一种针对汽车试验场强化道路的路面识别方法,其特征在于,包括如下步骤:
(1)采用加速度传感器和角速率陀螺仪采集车身处和各车轮轮轴的运动信息,通过车辆的OBD接口采集车辆总线上的CAN报文数据;
(2)对步骤(1)中获取的多源数据进行一系列的预处理,得到平稳的时间域数据;利用互补滤波方法融合加速度与角速度数据,算出车身处和各车轮轮轴的姿态信息,同时对步骤(1)中的CAN报文进行协议解析,得到车速、档位和制动踏板状态的数据;利用车速将车辆的振动加速度数据和姿态数据从时间域变换到空间域;步骤(2)中进行数据处理包括如下步骤:
a、加速度数据趋势项消除:对传感器节点的加速度数据进行趋势项消除,趋势项消除公式为:
其中,Ai表示采集到的加速度数据序列的第i个加速度数据,它是包含三个元素的向量,具体表述为Ai=[Axi,Ayi,Azi],Axi、Ayi、Azi分别表示x、y、z轴加速度,x轴为车辆前进方向,y轴为车辆侧向方向,z轴为垂直于车身的方向;Ψ0(Ai)表示消除趋势项后的信号;Ψ(Ai)表示采集系统的原始数据;表示对采集到的信号序列根据最小二乘法进行多项式拟合后所得到加速度数据;
b、数据过滤:结合踏板状态和档位信息,对采集的数据进行过滤,定义原始数据集合F为F=[Ax Ay Az D V Tb],其中Ax、Ay、Az分别为x,y,z轴加速度数据,D为车辆档位信息,V为车速数据,Tb为制动时间;将该集合乘以过滤参考矩阵R,将运算结果与阈值集合T相减,如果相减后的集合FR-T中任意元素大于0,则将该数据过滤;过滤参考矩阵R和阈值矩阵T如下所示:
T=(VAmax DCmax Brmax Tbmax)
矩阵R中的λ为制动系数;矩阵T中的四个元素的阈值设定根据车辆的不同取值会有所变化,VAmax与三轴加速度的相互关系有关,DCmax表示的与车速和档位相关,Brmax和制动效果相关,Tbmax与制动时间相关;
c、姿态解算:将加速度传感器与角速率陀螺仪进行互补滤波,互补滤波在频域中进行,得到修正的角速度,运算公式如下:
其中,Gout(s)为滤波后的角速度数据,Ga(s)为根据加速度解算姿态角度并对其微分之后得到的角速度,Gt(s)为陀螺仪直接输出的角速度,GH(s)为高通滤波器,GL(s)为低通滤波器,C(s)为全通滤波器;
利用上述修正的角速度和单位四元数进行姿态解算,单位四元数的定义如下:
其中,i,j,k为矢量,两两之间相互垂直;单位四元数的范数值为1,x,y,z分别表示三轴角速度,所以w,x,y,z初始化值为1,0,0,0;
与姿态角的关系为:
其中Ψ、θ、分别表示车辆的俯仰角、横滚角和偏航角;利用一阶龙格库塔法更新四元数,四元数值得更新公式如下:
其中,下标为1的表示更新之前的四元数值,下标为2的表示当前的角速度,λ表示更新步长,取值为计算间隔的二分之一,即λ=ΔT/2;计算到新的四元数之后对其进行归一化,然后代入式(3)即可求得车辆姿态;
d、时间域数据变换到空间域:对加速度数据的横纵坐标进行运算:
si+1=si+viΔT (6)
其中,si表示i时刻的空间坐标值,单位为m,s0=0;vi为i时刻的车速,ΔT为采样间隔;式(7)中Ψs(si)为时间域到空间域变换后的纵坐标值;Zi表示车辆z轴的振动加速度,Ψ0(Zi)为式(1)中消除趋势项后的加速度数据Ψ0(Ai)的z轴分量;
(3)对步骤(2)中得到的空间域数据进行时域和频域的特征提取;
(4)基于步骤(3)所提取的时域和频域特征,设计人工神经网络路面分类器,对试验场强化道路进行识别。
2.如权利要求1所述的针对汽车试验场强化道路的路面识别方法,其特征在于,步骤(1)中,每一个加速度传感器和角速率陀螺仪组成一个测量节点,在车身处布置一个测量节点,并在每个车轮的轮轴处布置一个测量节点,对于有n个车轮的车辆,就布置n个车轮轮轴测量节点;车身测量节点放置在车架中心位置,车轮轮轴测量节点放置在轴架之上,与车辆刚性连接,底盘车架与轴架之间是车辆的悬挂系统。
3.如权利要求1所述的针对汽车试验场强化道路的路面识别方法,其特征在于,步骤(3)中进行特征提取的方法如下:
a、时域特征:时域特征提取是式(7)中所述的时间域到空间域变换后的纵坐标值Ψs(si)、空间姿态的横滚角和俯仰角的均值、方差和峰值;定义该特征向量为fT,则:
其中为均值,σ为方差,Ψmax为峰值,下标z指的是z轴的空间域振动数据,下标roll指的是横滚角,下标pitch指的是俯仰角;
b、频域特征:加速度数据计算空间功率谱密度函数的方法如下:
其中,Ψ0(jw)为式(7)处理后的振动加速度的信号Ψs(si)的傅立叶变换;
Pi=P(Di) (15)
其中Pi为第i个频域特征的值;Di为对应的空间频率,表示为式(14)空间功率谱密度的横坐标值,单位为1/m;i表示是第i个频域特征;E表示非等间隔程度,取值越大,低频特征点越多,高频特征点越少;N表示取的特征点总数;Dmax为所需训练的特征点的空间频率Di的最大值;
根据上述非等间隔频域特征点提取加速度和姿态角的频域特征,定义该特征向量为fP,则:
其中Pacc为加速度的频域特征集合,其维度与特征点数N相同,即Pacc=[Pacc,1Pacc,2…Pacc,N],Proll为横滚角的频域特征集合,其维度为N;Ppitch为俯仰角的频域特征集合,其维度为N;
最后输入人工神经网络路面分类器的训练特征向量FR为:fR=[fT fP]。
4.如权利要求1所述的针对汽车试验场强化道路的路面识别方法,其特征在于,步骤(4)中,路面分类器的训练利用步骤(3)提取的特征数据,选择人工神经网络路面分类器对数据进行训练并完成最终识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610373324.9A CN106092600B (zh) | 2016-05-31 | 2016-05-31 | 一种针对汽车试验场强化道路的路面识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610373324.9A CN106092600B (zh) | 2016-05-31 | 2016-05-31 | 一种针对汽车试验场强化道路的路面识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106092600A CN106092600A (zh) | 2016-11-09 |
CN106092600B true CN106092600B (zh) | 2018-12-14 |
Family
ID=57229514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610373324.9A Active CN106092600B (zh) | 2016-05-31 | 2016-05-31 | 一种针对汽车试验场强化道路的路面识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106092600B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107167580B (zh) * | 2016-12-17 | 2020-02-21 | 重庆大学 | 基于加速度传感器和机器学习的路面坑洼检测方法 |
CN107239730B (zh) * | 2017-04-17 | 2020-09-15 | 同济大学 | 智能汽车交通标志识别的四元数深度神经网络模型方法 |
CN109727334B (zh) * | 2017-10-30 | 2021-03-26 | 长城汽车股份有限公司 | 车辆所处地形的识别方法、装置及车辆 |
CN107703947A (zh) * | 2017-10-31 | 2018-02-16 | 纳恩博(北京)科技有限公司 | 控制方法、装置、车辆及计算机可读存储介质 |
CN110103982B (zh) * | 2018-01-31 | 2021-04-16 | 长城汽车股份有限公司 | 一种车辆控制方法、装置及车辆 |
CN108844618B (zh) * | 2018-06-12 | 2019-07-23 | 中国科学技术大学 | 一种地形感知方法 |
CN109050535B (zh) * | 2018-07-25 | 2020-02-14 | 北京理工大学 | 一种基于车辆姿态的快速地形工况辨识方法 |
CN111196278B (zh) * | 2018-11-16 | 2022-04-05 | 上海汽车集团股份有限公司 | 一种坡度识别及车辆控制方法、装置及电子设备 |
CN109635386B (zh) * | 2018-11-27 | 2022-10-04 | 中电建冀交高速公路投资发展有限公司 | 一种桥梁移动车辆荷载识别方法 |
CN110789527A (zh) * | 2019-01-29 | 2020-02-14 | 长城汽车股份有限公司 | 车辆全地形自动控制方法及装置 |
CN111238825B (zh) * | 2020-01-10 | 2021-05-18 | 东南大学 | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 |
CN111829547B (zh) * | 2020-03-25 | 2022-04-15 | 北京骑胜科技有限公司 | 颠簸路段的检测方法、装置、可读存储介质和电子设备 |
CN111532312B (zh) * | 2020-05-12 | 2022-03-29 | 中国铁道科学研究院集团有限公司 | 轨道道岔识别方法及装置 |
CN111813092B (zh) * | 2020-07-20 | 2022-05-31 | 上海元城汽车技术有限公司 | 一种数据传输及故障原因确定方法、装置、设备和介质 |
CN113702073B (zh) * | 2021-07-29 | 2023-06-23 | 岚图汽车科技有限公司 | 悬架系统的道路载荷敏感性的评估方法、系统及电子设备 |
CN114332825B (zh) * | 2022-03-10 | 2022-06-17 | 中汽信息科技(天津)有限公司 | 基于深度学习的道路地形分布识别方法、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4651290A (en) * | 1983-06-16 | 1987-03-17 | Nippondenso Co., Ltd. | Road condition discriminating system |
US5762366A (en) * | 1995-12-29 | 1998-06-09 | Autoliv Asp, Inc. | Safety system |
CN1758043A (zh) * | 2005-11-03 | 2006-04-12 | 重庆邮电学院 | 一种载重车abs路面辨识方法 |
CN103235891A (zh) * | 2013-05-05 | 2013-08-07 | 吉林大学 | 基于车辆垂向振动系统辨识的路面识别系统及方法 |
CN104309435A (zh) * | 2014-10-27 | 2015-01-28 | 江苏大学 | 一种路面不平度在线辨识系统及方法 |
-
2016
- 2016-05-31 CN CN201610373324.9A patent/CN106092600B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4651290A (en) * | 1983-06-16 | 1987-03-17 | Nippondenso Co., Ltd. | Road condition discriminating system |
US5762366A (en) * | 1995-12-29 | 1998-06-09 | Autoliv Asp, Inc. | Safety system |
CN1758043A (zh) * | 2005-11-03 | 2006-04-12 | 重庆邮电学院 | 一种载重车abs路面辨识方法 |
CN103235891A (zh) * | 2013-05-05 | 2013-08-07 | 吉林大学 | 基于车辆垂向振动系统辨识的路面识别系统及方法 |
CN104309435A (zh) * | 2014-10-27 | 2015-01-28 | 江苏大学 | 一种路面不平度在线辨识系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106092600A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106092600B (zh) | 一种针对汽车试验场强化道路的路面识别方法 | |
CN103318180B (zh) | 一种车辆路面不平度自动识别系统及方法 | |
CN102254161B (zh) | 基于路面轮廓及路面图像特征的路面类型识别方法及装置 | |
CN111806449A (zh) | 一种纯电动车的整车质量和路面坡度的估算方法 | |
CN112539816B (zh) | 在数字孪生环境下基于深度神经网络的动态称重矫正方法 | |
CN109668610A (zh) | 基于神经网络回归的车辆动态测重方法及其采用的系统 | |
CN100520317C (zh) | 固定式车辆动态称重系统 | |
CN104590276B (zh) | 汽车绕z轴转动惯量和轮胎侧偏刚度识别方法 | |
DE10306829B4 (de) | Ermittlung von Fahrzeug-Geschwindigkeiten mit Hilfe von lineare Parameter und Verstärkung variierenden Planungs-Theorien | |
CN101275900A (zh) | 基于车轮振动的路面类型识别方法 | |
CN109466558A (zh) | 一种基于ekf和bp神经网络的路面附着系数估计方法 | |
DE102014114436A1 (de) | Extraktion von Reifencharakteristika durch Kombination von direktem Reifendrucküberwachungssystem und Reifenresonanzanalyse | |
CN110210339B (zh) | 一种用于ecas系统的多传感器融合识别路面颠簸的方法 | |
CN106644519B (zh) | 一种车辆垂向动力学模型参数辨识的方法及装置 | |
CN110231181A (zh) | 一种基于振动测试信息的车辆物理参数估计方法 | |
Morrison et al. | Sideslip estimation for articulated heavy vehicles at the limits of adhesion | |
CN105929025B (zh) | 一种基于时间与空间连续的车轮踏面与轨道故障检测方法 | |
CN109406147A (zh) | 一种变速工况下的列车轴承轨边声学诊断方法 | |
CN106919925A (zh) | 一种基于小波熵与人工神经网络的福特汽车检测方法 | |
CN109696609A (zh) | 一种新型弓网受流质量的获取方法及其获取系统 | |
CN110399683B (zh) | 基于频域幅值谱相似性滤波技术的桥梁冲击系数提取方法 | |
CN113340392B (zh) | 基于加速度传感器的车辆载重检测方法及装置 | |
Jordan et al. | Vehicle mass estimation based on vehicle vertical dynamics using a multi-model filter | |
CN102519577A (zh) | 道路中路面的识别方法及系统 | |
CN116467570B (zh) | 一种基于数据驱动的重载机车车钩摆角定量识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |