CN109398363B - 一种路面等级确定方法、装置、存储介质及汽车 - Google Patents

一种路面等级确定方法、装置、存储介质及汽车 Download PDF

Info

Publication number
CN109398363B
CN109398363B CN201811243157.1A CN201811243157A CN109398363B CN 109398363 B CN109398363 B CN 109398363B CN 201811243157 A CN201811243157 A CN 201811243157A CN 109398363 B CN109398363 B CN 109398363B
Authority
CN
China
Prior art keywords
road
sub
grade
neural network
nth
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
Application number
CN201811243157.1A
Other languages
English (en)
Other versions
CN109398363A (zh
Inventor
魏恒
刘壬生
潘高强
程海松
宋爱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201811243157.1A priority Critical patent/CN109398363B/zh
Publication of CN109398363A publication Critical patent/CN109398363A/zh
Priority to EP19876968.9A priority patent/EP3871938A4/en
Priority to PCT/CN2019/104640 priority patent/WO2020082910A1/zh
Application granted granted Critical
Publication of CN109398363B publication Critical patent/CN109398363B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/22—Suspension systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Vehicle Body Suspensions (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种路面等级确定方法、装置、存储介质及汽车，该方法包括：获取待控汽车所在当前道路的当前道路信息；基于所述当前道路信息，利用离线训练得到的第1至第N等级路面子神经网络，在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级；N为自然数。本发明的方案，可以解决在对行驶过程中的道路等级进行识别时存在操作过程繁琐的问题，达到简化操作过程的效果。

Description

一种路面等级确定方法、装置、存储介质及汽车
技术领域
本发明属于汽车技术领域，具体涉及一种路面等级确定方法、装置、存储介质及汽车，尤其涉及一种基于多神经子网络的路面等级识别方法、与该方法对应的装置、具有该装置的汽车、存储有该方法对应的指令的计算机可读存储介质、以及能够执行该方法对应的指令的汽车。
背景技术
可调悬架，主要是指电子控制悬架，主要包括电子控制空气悬架和电子控制油气悬架(可以简称电控悬架)两类。其中，电控悬架，可通过调节悬架的高度、刚度和阻尼获得最佳的舒适性和操纵稳定性。然而，路面不平度是引起车辆振动的主要因素之一，限制电控悬架车辆进一步改善车辆舒适性的主要因素是缺乏足够的道路信息。通过对路面信息的有效辨识，可为电控悬架系统调节其弹簧刚度和减振器的阻尼、控制车身高度提供有力依据，达到进一步改善电控悬架行驶平顺性的目的。
车辆运动过程中的悬架位移数据不仅受路面等级的影响，同时也受车辆行驶速度和轮胎等因素的影响。国标GT/T 7031 2005《机械振动道路路面谱测量数据报告》中将道路根据路面不平度分为8个等级。在不同路面等级的道路上，车辆以相同速度行驶，悬架的动行程(即位移变化)不同，路面等级越差，悬架动行程越大；而在相同路面等级道路上，车辆以不同的速度行驶，悬架的动行程也不同，速度越快，悬架动行程越大。就容易出现慢速行驶的差路和快速行驶的好路，都会有较大的悬架动行程，影响对路面的预测。因此需要合理设置道路辨识模型，避免误判，提高路面等级预测的准确性。
由于车辆振动系统和路面谱的非线性特性，对行驶过程中的道路等级进行识别会非常复杂。为此，很多学者采用了不同的方法来解决这个问题。大部分需要加装传感器来实现路面等级预测，或者对路面等级划分过细，不利于电控悬架的实时控制。也有利用各种人工智能学习算法识别道路的，或者输入相关信息过于简单，预测模型不够准确；或者过于复杂，导致预测实时性差。
发明内容
本发明的目的在于，针对上述缺陷，提供一种路面等级确定方法、装置、存储介质及汽车，以解决现有技术中在对行驶过程中的道路等级进行识别时，需要加装传感器来实现路面等级预测、或者对路面等级划分过细、或者利用各种人工智能学习算法识别道路，存在操作过程繁琐的问题，达到简化操作过程的效果。
本发明提供一种路面等级确定方法，包括：获取待控汽车所在当前道路的当前道路信息；基于所述当前道路信息，利用离线训练得到的第1至第N等级路面子神经网络，在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级；N为自然数。
可选地，获取待控汽车所在当前道路的当前道路信息，包括：获取待控汽车的车速信息、以及所述汽车的悬架系统自身的高度传感器的检测数据；其中，所述车速信息，包括：设定时长或设定距离内的平均车速；和/或，所述检测数据，包括：所述高度传感器输出的高度数据或位移数据。
可选地，还包括：离线训练得到所述第1至第N等级路面子神经网络；其中，离线训练得到所述第1至第N等级路面子神经网络，包括：基于设定的子网络结构、设定的学习速率、设定的惯性系数和设定的加权系数，确定第1至第N子神经网络；基于收集的第1至第N道路信息样本集分别对所述第1至第N子神经网络进行训练，得到满足设定的BP神经网络训练目标的第1至第N等级路面子神经网络。
可选地，在基于收集的第1至第N道路信息样本集分别对所述第1至第N子神经网络进行训练中，基于收集的第1道路信息样本集对第1子神经网络进行训练，包括：以第1等级路面为样本时第1等级路面的道路信息作为第1子神经网络中输入层的输入信息，并以第1等级路面的目标为第1子神经网络中输出层的目标信息，通过第1子神经网络中隐含层对第1子神经网络进行离线训练；确定第1子神经网络中输出层的输出信息与所述目标信息之间的误差是否在设定范围内；若所述误差在所述设定范围内，则退出对第1子神经网络的离线训练；或者，若所述误差不在所述设定范围内，则调整所述第1子神经网络中输出层和隐含层的加权系数后重新进行离线训练，直至重新进行离线训练后的误差在所述设定范围内、或重新进行离线训练的次数达到设定总循环次数后退出对第1子神经网络的离线训练。
可选地，调整所述第1子神经网络中输出层和隐含层的加权系数，包括：以第1等级路面为样本，收集第1等级路面的道路信息为训练集和目标，并根据该训练集和该目标确定第1等级路面的BP神经网络中输出层和隐含层的加权系数。
可选地，其中，所述BP神经网络训练目标，包括：路面不平度的几何平均值；和/或，在所述第1至第N子神经网络中，每个神经网络的输入层、隐含层和输出层中两层BP网络的激活函数都是sigmoid函数；和/或，在所述第1至第N子神经网络中，每个神经网络的隐含层的节点数为6-10个。
可选地，所述第1至第N+1路面等级，包括：与所述第1至第N等级路面子神经网络匹配的第1至第N路面等级，以及与所述第1至第N等级路面子神经网络均不匹配的第N+1路面等级；其中，在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级，包括：利用第1至第N等级路面子神经网络中任一等级路面子神经网络的当前设定权值矩阵判断所述当前道路的路面等级；当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该等级路面子神经网络训练好的加权系数矩阵输出的结果信息，不满足对应等级神经网络设定的路面目标范围时，依次用第1至第N等级路面子神经网络中其它等级路面子神经网络的其它设定权值矩阵来判断所述当前道路的路面等级；当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该等级路面子神经网络训练好的加权系数矩阵输出的结果信息，满足对应等级神经网络设定的路面目标范围时，确定所述当前道路的路面等级为与该任一等级路面子神经网络对应的第1至第N路面等级中任一路面等级；或者，当第1至第N等级路面子神经网络中所有等级路面子神经网络输入的当前道路信息与所有等级路面子神经网络训练好的加权系数矩阵输出的结果信息，均不满足对应等级神经网络设定的路面目标范围时，确定所述当前道路的路面等级为第N+1路面等级。
与上述方法相匹配，本发明另一方面提供一种路面等级确定装置，包括：实时获取单元，用于获取待控汽车所在当前道路的当前道路信息；在线识别单元，用于基于所述当前道路信息，利用离线训练得到的第1至第N等级路面子神经网络，在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级；N为自然数。
可选地，所述实时获取单元获取待控汽车所在当前道路的当前道路信息，包括：获取待控汽车的车速信息、以及所述汽车的悬架系统自身的高度传感器的检测数据；其中，所述车速信息，包括：设定时长或设定距离内的平均车速；和/或，所述检测数据，包括：所述高度传感器输出的高度数据或位移数据。
可选地，还包括：离线训练单元，用于离线训练得到所述第1至第N等级路面子神经网络；其中，所述离线训练单元离线训练得到所述第1至第N等级路面子神经网络，包括：基于设定的子网络结构、设定的学习速率、设定的惯性系数和设定的加权系数，确定第1至第N子神经网络；基于收集的第1至第N道路信息样本集分别对所述第1至第N子神经网络进行训练，得到满足设定的BP神经网络训练目标的第1至第N等级路面子神经网络。
可选地，所述离线训练单元在基于收集的第1至第N道路信息样本集分别对所述第1至第N子神经网络进行训练中，所述离线训练单元基于收集的第1道路信息样本集对第1子神经网络进行训练，包括：以第1等级路面为样本时第1等级路面的道路信息作为第1子神经网络中输入层的输入信息，并以第1等级路面的目标为第1子神经网络中输出层的目标信息，通过第1子神经网络中隐含层对第1子神经网络进行离线训练；确定第1子神经网络中输出层的输出信息与所述目标信息之间的误差是否在设定范围内；若所述误差在所述设定范围内，则退出对第1子神经网络的离线训练；或者，若所述误差不在所述设定范围内，则调整所述第1子神经网络中输出层和隐含层的加权系数后重新进行离线训练，直至重新进行离线训练后的误差在所述设定范围内、或重新进行离线训练的次数达到设定总循环次数后退出对第1子神经网络的离线训练。
可选地，所述离线训练单元调整所述第1子神经网络中输出层和隐含层的加权系数，包括：以第1等级路面为样本，收集第1等级路面的道路信息为训练集和目标，并根据该训练集和该目标确定第1等级路面的BP神经网络中输出层和隐含层的加权系数。
可选地，其中，所述BP神经网络训练目标，包括：路面不平度的几何平均值；和/或，在所述第1至第N子神经网络中，每个神经网络的输入层、隐含层和输出层中两层BP网络的激活函数都是sigmoid函数；和/或，在所述第1至第N子神经网络中，每个神经网络的隐含层的节点数为6-10个。
可选地，所述第1至第N+1路面等级，包括：与所述第1至第N等级路面子神经网络匹配的第1至第N路面等级，以及与所述第1至第N等级路面子神经网络均不匹配的第N+1路面等级；其中，所述在线识别单元在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级，包括：利用第1至第N等级路面子神经网络中任一等级路面子神经网络的当前设定权值矩阵判断所述当前道路的路面等级；当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该等级路面子神经网络训练好的加权系数矩阵输出的结果信息，不满足对应等级神经网络设定的路面目标范围时，依次用第1至第N等级路面子神经网络中其它等级路面子神经网络的其它设定权值矩阵来判断所述当前道路的路面等级；当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该等级路面子神经网络训练好的加权系数矩阵输出的结果信息，满足对应等级神经网络设定的路面目标范围时，确定所述当前道路的路面等级为与该任一等级路面子神经网络对应的第1至第N路面等级中任一路面等级；或者，当第1至第N等级路面子神经网络中所有等级路面子神经网络输入的当前道路信息与所有等级路面子神经网络训练好的加权系数矩阵输出的结果信息，均不满足对应等级神经网络设定的路面目标范围时，确定所述当前道路的路面等级为第N+1路面等级。
与上述装置相匹配，本发明再一方面提供一种汽车，包括：以上所述的路面等级确定装置。
与上述方法相匹配，本发明再一方面提供一种存储介质，包括：所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行以上所述的路面等级确定方法。
与上述方法相匹配，本发明再一方面提供一种汽车，包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行以上所述的路面等级确定方法。
本发明的方案，通过结合三个路面等级的训练目标提出三个子神经网络离线训练三个不同路面等级目标，以及在线循环识别判断对应路面等级的算法，实现四种常见路面的识别，有效解决路面识别的应用问题，且操作过程得以极大简化。
进一步，本发明的方案，通过基于离线和在线BP神经网络的路面不平度等级识别，不需要知道输入信号与输出信号之间的复杂关系，利用学习算法去逼近，依赖于学习算法的可靠性。
进一步，本发明的方案，通过只使用位移传感器和速度信息，利用高度传感器信息和速度信息的方法，且对位移传感器的类别不受限制，依赖于学习算法的准确性和可靠性，精准性和可靠性都得到了提升。
进一步，本发明的方案，通过使用三个子神经网络离线训练三个不同路面等级目标，以及在线循环识别判断对应路面等级的算法，更加实用和高效，而且训练准确和收敛迅速。
进一步，本发明的方案，通过以左右侧两路位移传感器数据的悬架动行程均方根作为输入，更加精确；且输出层采用非线性sigmoid函数，收敛更快；训练判断常用三种路面等级，识别四种路面的快速高效设计；依据不同等级路面训练数据的不同子网络训练的可靠性和识别模型的完备性，可靠性高。
由此，本发明的方案，通过离线训练多个子神经网络，进而利用该多个子神经网络在线识别路面等级，解决现有技术中在对行驶过程中的道路等级进行识别时，需要加装传感器来实现路面等级预测、或者对路面等级划分过细、或者利用各种人工智能学习算法识别道路，存在操作过程繁琐的问题，从而，克服现有技术中操作过程繁琐、准确性差和实时性差的缺陷，实现操作过程简单、准确性好和实时性好的有益效果。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的路面等级确定方法的一实施例的流程示意图；
图2为本发明的方法中离线训练得到所述第1至第N等级路面子神经网络的一实施例的流程示意图；
图3为本发明的方法中基于收集的第1道路信息样本集对第1子神经网络进行训练的一实施例的流程示意图；
图4为本发明的方法中在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级的一实施例的流程示意图；
图5为本发明的路面等级确定装置的一实施例的结构示意图；
图6为本发明的路面等级确定方法的一具体实施例的结构示意图，具体为基于优化BP神经网络的路面等级识别模型的结构示意图；
图7为本发明的路面等级确定方法中神经网络的一具体实施例的结构示意图，具体为路面等级识别模型的某级路面子神经网络的结构示意图。
结合附图，本发明实施例中附图标记如下：
102-实时获取单元；104-在线识别单元；106-离线训练单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的实施例，提供了一种路面等级确定方法，如图1所示本发明的方法的一实施例的流程示意图。该路面等级确定方法可以包括：步骤S110和步骤S120。
在步骤S110处，获取待控汽车所在当前道路的当前道路信息。
可选地，步骤S110中获取待控汽车所在当前道路的当前道路信息，可以包括：获取待控汽车的车速信息、以及所述汽车的悬架系统自身的高度传感器的检测数据。
其中，所述车速信息，可以包括：设定时长或设定距离内的平均车速；和/或，所述检测数据，可以包括：所述高度传感器输出的高度数据或位移数据。例如：所述检测数据，可以是高度传感器的输出高度/位移(即行程)数据，因为一定周期下的能获得的数据流，通过一定的预处理，转化为动行程(即实时行程减去初始行程)的均方根数据，便于后面的神经网络算法作为输入使用。
例如：只需要利用悬架系统自有的高度传感器数据和车速信息，就可以进行路面等级评估和预测。其中，输入节点(即神经元)就是高度传感器数据和速度信息(该高度传感器数据和速度信息是电控悬架或可调悬架必须有的信息，无需额外的加装)，输出就是路面不平度均方根值(GT/T 7031)，中间节点设置8个，如图7所示，公式即为整个传递函数和权值计算过程。
例如：不需要使用多传感器(如位移传感器、陀螺仪、GPS等)方式去获得数学模型的精确参数，而是只使用位移传感器和速度信息，利用高度传感器信息和速度信息的方法，且对位移传感器的类别不受限制，依赖于学习算法的准确性和可靠性。其中，以左右侧两路位移传感器数据的悬架动行程均方根作为输入，更加精确；且输出层采用非线性sigmoid函数，收敛更快。
由此，通过获取待控汽车的车速信息、以及待控汽车的悬架系统自身的高度传感器的检测数据，不需要额外设置硬件设备，获取方式简便，且获取数据的精准性和可靠性都可以得到保证。
在步骤S120处，基于所述当前道路信息，利用离线训练得到的第1至第N等级路面子神经网络，在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级；N为自然数。
例如：以离线学习和在线预测的方式，利用BP神经网络学习算法将道路进行合理划分，并完善道路输入信息与路面等级关系，设置合理的网络节点数，以解决路面等级的准确高效预测问题，能够实现高效、准确的路面等级预测。例如：利用神经网络多子网络的离线训练和在线顺序识别的方法，实现四种路面等级的输出。如N＝3时，通过三种路面识别，得到三种子神经网络，再加上在线识别和判断，每种路面识别速度都很快，因此提升了速度和效率。
由此，通过基于待控汽车的当前道路信息，利用离线训练得到的多个路面子神经网络在线识别当前道路的当前路面等级，操作过程简单，识别效率高。
其中，所述第1至第N+1路面等级，可以包括：与所述第1至第N等级路面子神经网络匹配的第1至第N路面等级，以及与所述第1至第N等级路面子神经网络均不匹配的第N+1路面等级。
例如：通过减少路面不平度等级目标，改善路面识别模型的输入信息，通过离线数据集训练和在线识别相结合，提升神经网络学习算法的效率和准确性。如流程图6所示，设置的路面等级为4个等级，根据训练算法，训练三个子神经网络，即NET_A(wij,wki)，NET_B(wij,wki)和NET_C(wij,wki)，其中wij,wki就是隐含层和输出层的权矩阵元素，这三个网络的训练目标分别是三种路面等级A、B和C级，判断级别的输出神经元的值集合{σA}，{σB}和{σC}。
可选地，可以结合图4所示本发明的方法中在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级的一实施例流程示意图，进一步说明步骤S120中在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级的具体过程，可以包括：步骤S410至步骤S440。
步骤S410，利用第1至第N等级路面子神经网络中任一等级路面子神经网络的当前设定权值矩阵判断所述当前道路的路面等级。
步骤S420，当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该等级路面子神经网络训练好的加权系数矩阵输出的结果信息，不满足对应等级神经网络设定的路面目标范围时，依次用第1至第N等级路面子神经网络中其它等级路面子神经网络的其它设定权值矩阵来判断所述当前道路的路面等级。
步骤S430，当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该等级路面子神经网络训练好的加权系数矩阵输出的结果信息，满足对应等级神经网络设定的路面目标范围时，确定所述当前道路的路面等级为与该任一等级路面子神经网络对应的第1至第N路面等级中任一路面等级。
或者，步骤S440，当第1至第N等级路面子神经网络中所有等级路面子神经网络输入的当前道路信息与所有等级路面子神经网络训练好的加权系数矩阵输出的结果信息，均不满足对应等级神经网络设定的路面目标范围时，确定所述当前道路的路面等级为第N+1路面等级。
例如：根据路面等级输出的种类，分为四种路面等级(A、B、C和其他)。只需要训练三个子网络，当输入输出迥异时，依次用不同的权值矩阵来判断路面等级，当三个权值矩阵得到的结果都不合适，则判断为第四类路面。
例如：基于BP神经网络离线训练大量的三类常见路面等级，在线识别A、B、C三类、和之外的其他类，优化了算法，提升了路面识别的计算速度。
由此，通过基于待控汽车所在当前道路的当前道路信息利用离线训练得到的多个等级路面子神经网络一一在线识别当前道路的当前路面等级，识别方式简便，且识别效率高。
在一个可选实施方式中，还可以包括：至少在所述在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级之前，或者甚至是在所述获取待控汽车所在当前道路的当前道路信息之前，离线训练得到所述第1至第N等级路面子神经网络。
在一个可选例子中，可以结合图2所示本发明的方法中离线训练得到所述第1至第N等级路面子神经网络的一实施例流程示意图，进一步说明离线训练得到所述第1至第N等级路面子神经网络的具体过程，可以包括：步骤S210和步骤S220。
步骤S210，基于设定的子网络结构(如[3 8 1]的子网络结构)、设定的学习速率(如学习速率为η)、设定的惯性系数(如惯性系数为α)和设定的加权系数，确定第1至第N子神经网络。
例如：N个子网络，N为训练目标类别-1。比如：4种道路类别，则N＝3。
步骤S220，基于收集的第1至第N道路信息样本集分别对所述第1至第N子神经网络进行训练，得到满足设定的BP神经网络训练目标的第1至第N等级路面子神经网络。
由此，通过按设定的子网络结构、学习速率、惯性系数和加权系数等参数确定的多个子神经网络，基于收集的道路信息样本集对该多个子神经网络进行训练，得到满足设定的目标信息即BP神经网络训练目标的多个等级路面子神经网络，多个子神经网络分别训练，效率高、灵活性好。
可选地，所述BP神经网络训练目标，可以包括：路面不平度的几何平均值。
可选地，在所述第1至第N子神经网络中，每个神经网络的输入层、隐含层和输出层中两层BP网络的激活函数都是sigmoid函数。
例如：可以利用两层BP神经网络，隐含层和输出层都应用Sigmoid函数，训练数据的输出比较容易收敛。
可选地，在所述第1至第N子神经网络中，每个神经网络的隐含层的节点数为6-10个。
例如：根据国标和车辆最常行驶的路面，将国标GT/T 7031 2005中八级路面不平度，变为四个类别的路面，其中只需要训练和判断三种路面等级，形成如图6所示的离线训练加在线识别的BP神经网络的路面识别模型。由于在线识别等级减少，因此可以对BP网络进行优化，增加隐含层的神经元数量，使得识别更加精准，同时运算复杂度不会太高。由于在线识别等级减少，因此可以对BP网络进行优化，增加隐含层的神经元数量，使得识别更加精准，同时运算复杂度不会太高。
例如：如图7所示，这是一个具有三个输入神经元，8个隐含神经元和1个输出神经元的两层BP神经网络。考虑车辆作为一个路面运行的平面机构，其与路面接触的4个轮胎悬架点，最能反映路面输入的应该是左侧悬架位移动行程，和右侧悬架位移动行程，以及车速。
由此，通过使用BP网络和sigmoid函数，并在隐含层中设置合适的节点数，可以提升训练效率和效果。
可选地，在步骤S220中基于收集的第1至第N道路信息样本集分别对所述第1至第N子神经网络进行训练中，可以结合图3所示本发明的方法中基于收集的第1道路信息样本集对第1子神经网络进行训练的一实施例流程示意图，进一步说明基于收集的第1道路信息样本集对第1子神经网络进行训练的具体过程，可以包括：步骤S310至步骤S340。
步骤S310，以第1等级路面为样本时第1等级路面的道路信息作为第1子神经网络中输入层的输入信息，并以第1等级路面的目标为第1子神经网络中输出层的目标信息，通过第1子神经网络中隐含层对第1子神经网络进行离线训练。
步骤S320，确定第1子神经网络中输出层的输出信息与所述目标信息之间的误差是否在设定范围内。
步骤S330，若所述误差在所述设定范围内，则退出对第1子神经网络的离线训练。
或者，步骤S340，若所述误差不在所述设定范围内，则调整所述第1子神经网络中输出层和隐含层的加权系数后重新进行离线训练，直至重新进行离线训练后的误差在所述设定范围内、或重新进行离线训练的次数达到设定总循环次数后退出对第1子神经网络的离线训练。
例如：输出误差评价函数，判断是否小于设定的误差，如果是则退出训练。输出不可能和目标完全一致，因此设置误差范围，也是为了更好的识别训练样本的道路等级属性。
由此，通过在每个子神经网络中对比输入信息与输出信息的误差方式离线训练得到与目标信息对应的路面子神经网络，训练方式简便、效率高、且训练所得路面子神经网络的精准性好。
更可选地，步骤S340中调整所述第1子神经网络中输出层和隐含层的加权系数，可以包括：以第1等级路面为样本，收集第1等级路面的道路信息为训练集和目标，并根据该训练集和该目标确定第1等级路面的BP神经网络中输出层和隐含层的加权系数。
例如：调整加权系数的过程可以是标准的BP神经网络算法的执行过程，除了训练集和目标外，还有训练集通过加权系数的输出值和目标的误差，到达误差范围内，则训练终止，获得本神经网络的加权系数(即训练集到目标的映射关系)。
由此，通过根据相应样本中道路信息为训练集和目标确定BP神经网络中输出层和隐含层的加权系数，确定方式简便、确定结果精准性好。
经大量的试验验证，采用本实施例的技术方案，通过结合三个路面等级的训练目标提出三个子神经网络离线训练三个不同路面等级目标，以及在线循环识别判断对应路面等级的算法，实现四种常见路面的识别，有效解决路面识别的应用问题，且操作过程得以极大简化。
根据本发明的实施例，还提供了对应于路面等级确定方法的一种路面等级确定装置。参见图5所示本发明的装置的一实施例的结构示意图。该路面等级确定装置可以包括：实时获取单元102和在线识别单元104。
在一个可选例子中，实时获取单元102，可以用于获取待控汽车所在当前道路的当前道路信息。该实时获取单元102的具体功能及处理参见步骤S110。
可选地，所述实时获取单元102获取待控汽车所在当前道路的当前道路信息，可以包括：所述实时获取单元102，具体还可以用于获取待控汽车的车速信息、以及所述汽车的悬架系统自身的高度传感器的检测数据。
其中，所述车速信息，可以包括：设定时长或设定距离内的平均车速；和/或，所述检测数据，可以包括：所述高度传感器输出的高度数据或位移数据。例如：所述检测数据，可以是高度传感器的输出高度/位移(即行程)数据，因为一定周期下的能获得的数据流，通过一定的预处理，转化为动行程(即实时行程减去初始行程)的均方根数据，便于后面的神经网络算法作为输入使用。
例如：只需要利用悬架系统自有的高度传感器数据和车速信息，就可以进行路面等级评估和预测。其中，输入节点(即神经元)就是高度传感器数据和速度信息(该高度传感器数据和速度信息是电控悬架或可调悬架必须有的信息，无需额外的加装)，输出就是路面不平度均方根值(GT/T 7031)，中间节点设置8个，如图7所示，公式即为整个传递函数和权值计算过程。
例如：不需要使用多传感器(如位移传感器、陀螺仪、GPS等)方式去获得数学模型的精确参数，而是只使用位移传感器和速度信息，利用高度传感器信息和速度信息的方法，且对位移传感器的类别不受限制，依赖于学习算法的准确性和可靠性。其中，以左右侧两路位移传感器数据的悬架动行程均方根作为输入，更加精确；且输出层采用非线性sigmoid函数，收敛更快。
由此，通过获取待控汽车的车速信息、以及待控汽车的悬架系统自身的高度传感器的检测数据，不需要额外设置硬件设备，获取方式简便，且获取数据的精准性和可靠性都可以得到保证。
在一个可选例子中，在线识别单元104，可以用于基于所述当前道路信息，利用离线训练得到的第1至第N等级路面子神经网络，在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级。N为自然数。该在线识别单元104的具体功能及处理参见步骤S120。
例如：以离线学习和在线预测的方式，利用BP神经网络学习算法将道路进行合理划分，并完善道路输入信息与路面等级关系，设置合理的网络节点数，以解决路面等级的准确高效预测问题，能够实现高效、准确的路面等级预测。例如：利用神经网络多子网络的离线训练和在线顺序识别的方法，实现四种路面等级的输出。如N＝3时，通过三种路面识别，得到三种子神经网络，再加上在线识别和判断，每种路面识别速度都很快，因此提升了速度和效率。
由此，通过基于待控汽车的当前道路信息，利用离线训练得到的多个路面子神经网络在线识别当前道路的当前路面等级，操作过程简单，识别效率高。
其中，所述第1至第N+1路面等级，可以包括：与所述第1至第N等级路面子神经网络匹配的第1至第N路面等级，以及与所述第1至第N等级路面子神经网络均不匹配的第N+1路面等级。
例如：通过减少路面不平度等级目标，改善路面识别模型的输入信息，通过离线数据集训练和在线识别相结合，提升神经网络学习算法的效率和准确性。如流程图6所示，设置的路面等级为4个等级，根据训练算法，训练三个子神经网络，即NET_A(wij,wki)，NET_B(wij,wki)和NET_C(wij,wki)，其中wij,wki就是隐含层和输出层的权矩阵元素，这三个网络的训练目标分别是三种路面等级A、B和C级，判断级别的输出神经元的值集合{σA}，{σB}和{σC}。
可选地，所述在线识别单元104在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级，可以包括：
所述在线识别单元104，具体还可以用于利用第1至第N等级路面子神经网络中任一等级路面子神经网络的当前设定权值矩阵判断所述当前道路的路面等级。该在线识别单元104的具体功能及处理还参见步骤S410。
所述在线识别单元104，具体还可以用于当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该等级路面子神经网络训练好的加权系数矩阵输出的结果信息，不满足对应等级神经网络设定的路面目标范围时，依次用第1至第N等级路面子神经网络中其它等级路面子神经网络的其它设定权值矩阵来判断所述当前道路的路面等级。该在线识别单元104的具体功能及处理还参见步骤S420。
例如：输入信息和子网络权值系数作用，输出的结果，与目标不一致时，则换下一个网络继续执行。也就是说：当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该网络训练好的加权系数矩阵输出的结果，不满足对应神经网络的路面目标范围时，依次用第1至第N等级路面子神经网络中其它等级路面子神经网络的其它设定权值矩阵来判断所述当前道路的路面等级。
所述在线识别单元104，具体还可以用于当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该等级路面子神经网络训练好的加权系数矩阵输出的结果信息，满足对应等级神经网络设定的路面目标范围时，确定所述当前道路的路面等级为与该任一等级路面子神经网络对应的第1至第N路面等级中任一路面等级。该在线识别单元104的具体功能及处理还参见步骤S430。
或者，所述在线识别单元104，具体还可以用于当第1至第N等级路面子神经网络中所有等级路面子神经网络输入的当前道路信息与所有等级路面子神经网络训练好的加权系数矩阵输出的结果信息，均不满足对应等级神经网络设定的路面目标范围时，确定所述当前道路的路面等级为第N+1路面等级。该在线识别单元104的具体功能及处理还参见步骤S440。
例如：根据路面等级输出的种类，分为四种路面等级(A、B、C和其他)。只需要训练三个子网络，当输入输出迥异时，依次用不同的权值矩阵来判断路面等级，当三个权值矩阵得到的结果都不合适，则判断为第四类路面。
例如：基于BP神经网络离线训练大量的三类常见路面等级，在线识别A、B、C三类、和之外的其他类，优化了算法，提升了路面识别的计算速度。
由此，通过基于待控汽车所在当前道路的当前道路信息利用离线训练得到的多个等级路面子神经网络一一在线识别当前道路的当前路面等级，识别方式简便，且识别效率高。
在一个可选实施方式中，离线训练单元106，可以用于至少在所述在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级之前，或者甚至是在所述获取待控汽车所在当前道路的当前道路信息之前，离线训练得到所述第1至第N等级路面子神经网络。
在一个可选例子中，所述离线训练单元106离线训练得到所述第1至第N等级路面子神经网络，可以包括：
所述离线训练单元106，具体还可以用于基于设定的子网络结构(如[3 8 1]的子网络结构)、设定的学习速率(如学习速率为η)、设定的惯性系数(如惯性系数为α)和设定的加权系数，确定第1至第N子神经网络。该离线训练单元106的具体功能及处理参见步骤S210。
例如：N个子网络，N为训练目标类别-1。比如：4种道路类别，则N＝3。
所述离线训练单元106，具体还可以用于基于收集的第1至第N道路信息样本集分别对所述第1至第N子神经网络进行训练，得到满足设定的BP神经网络训练目标的第1至第N等级路面子神经网络。该离线训练单元106的具体功能及处理还参见步骤S220。
由此，通过按设定的子网络结构、学习速率、惯性系数和加权系数等参数确定的多个子神经网络，基于收集的道路信息样本集对该多个子神经网络进行训练，得到满足设定的目标信息即BP神经网络训练目标的多个等级路面子神经网络，多个子神经网络分别训练，效率高、灵活性好。
可选地，所述BP神经网络训练目标，可以包括：路面不平度的几何平均值。
可选地，在所述第1至第N子神经网络中，每个神经网络的输入层、隐含层和输出层中两层BP网络的激活函数都是sigmoid函数。
例如：可以利用两层BP神经网络，隐含层和输出层都应用Sigmoid函数，训练数据的输出比较容易收敛。
可选地，在所述第1至第N子神经网络中，每个神经网络的隐含层的节点数为6-10个。
例如：根据国标和车辆最常行驶的路面，将国标GT/T 7031 2005中八级路面不平度，变为四个类别的路面，其中只需要训练和判断三种路面等级，形成如图6所示的离线训练加在线识别的BP神经网络的路面识别模型。由于在线识别等级减少，因此可以对BP网络进行优化，增加隐含层的神经元数量，使得识别更加精准，同时运算复杂度不会太高。由于在线识别等级减少，因此可以对BP网络进行优化，增加隐含层的神经元数量，使得识别更加精准，同时运算复杂度不会太高。
例如：如图7所示，这是一个具有三个输入神经元，8个隐含神经元和1个输出神经元的两层BP神经网络。考虑车辆作为一个路面运行的平面机构，其与路面接触的4个轮胎悬架点，最能反映路面输入的应该是左侧悬架位移动行程，和右侧悬架位移动行程，以及车速。
由此，通过使用BP网络和sigmoid函数，并在隐含层中设置合适的节点数，可以提升训练效率和效果。
可选地，所述离线训练单元106在基于收集的第1至第N道路信息样本集分别对所述第1至第N子神经网络进行训练中，所述离线训练单元106基于收集的第1道路信息样本集对第1子神经网络进行训练，可以包括：
所述离线训练单元106，具体还可以用于以第1等级路面为样本时第1等级路面的道路信息作为第1子神经网络中输入层的输入信息，并以第1等级路面的目标为第1子神经网络中输出层的目标信息，通过第1子神经网络中隐含层对第1子神经网络进行离线训练。该离线训练单元106的具体功能及处理参见步骤S310。
所述离线训练单元106，具体还可以用于确定第1子神经网络中输出层的输出信息与所述目标信息之间的误差是否在设定范围内。该离线训练单元106的具体功能及处理还参见步骤S320。
所述离线训练单元106，具体还可以用于若所述误差在所述设定范围内，则退出对第1子神经网络的离线训练。该离线训练单元106的具体功能及处理还参见步骤S330。
或者，所述离线训练单元106，具体还可以用于若所述误差不在所述设定范围内，则调整所述第1子神经网络中输出层和隐含层的加权系数后重新进行离线训练，直至重新进行离线训练后的误差在所述设定范围内、或重新进行离线训练的次数达到设定总循环次数后退出对第1子神经网络的离线训练。该离线训练单元106的具体功能及处理还参见步骤S340。
例如：输出误差评价函数，判断是否小于设定的误差，如果是则退出训练。输出不可能和目标完全一致，因此设置误差范围，也是为了更好的识别训练样本的道路等级属性。
由此，通过在每个子神经网络中对比输入信息与输出信息的误差方式离线训练得到与目标信息对应的路面子神经网络，训练方式简便、效率高、且训练所得路面子神经网络的精准性好。
更可选地，所述离线训练单元106调整所述第1子神经网络中输出层和隐含层的加权系数，可以包括：所述离线训练单元106，具体还可以用于以第1等级路面为样本，收集第1等级路面的道路信息为训练集和目标，并根据该训练集和该目标确定第1等级路面的BP神经网络中输出层和隐含层的加权系数。
例如：调整加权系数的过程可以是标准的BP神经网络算法的执行过程，除了训练集和目标外，还有训练集通过加权系数的输出值和目标的误差，到达误差范围内，则训练终止，获得本神经网络的加权系数(即训练集到目标的映射关系)。
由此，通过根据相应样本中道路信息为训练集和目标确定BP神经网络中输出层和隐含层的加权系数，确定方式简便、确定结果精准性好。
由于本实施例的装置所实现的处理及功能基本相应于前述图1至图4所示的方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
经大量的试验验证，采用本发明的技术方案，通过基于离线和在线BP神经网络的路面不平度等级识别，不需要知道输入信号与输出信号之间的复杂关系，利用学习算法去逼近，依赖于学习算法的可靠性。
根据本发明的实施例，还提供了对应于路面等级确定装置的一种汽车。该汽车可以包括：以上所述的路面等级确定装置。
在一个可选实施方式中，为了能够实现高效、准确的路面等级预测，本发明的方案中，我们以离线学习和在线预测的方式，利用BP神经网络学习算法将道路进行合理划分，并完善道路输入信息与路面等级关系，设置合理的网络节点数，以解决路面等级的准确高效预测问题。
在一个可选例子中，本发明的方案，可以利用神经网络多子网络的离线训练和在线顺序识别的方法，实现四种路面等级的输出。
可选地，可以利用两层BP神经网络，隐含层和输出层都应用Sigmoid函数，训练数据的输出比较容易收敛。
其中，神经网络(Neural Network，NN)方法，是通过训练找到输入和输出之间的映射关系，尤其对非线性的映射关系。例如：可以模拟人脑的神经元和传递关系(各个连接的权值)。所以，建立几级神经网络，多少个输入和输出节点，多少个中间层节点，这里节点就是神经元，节点数越多网络就越复杂，映射关系可能更接近真实，但计算效率同时也就会低。最终，我们需要得到最符合实际训练的权值矩阵，那么新的输入过来，根据权值矩阵计算，得到的输出，就可以判断输出结果了。
例如：路面等级，有8个路面等级，输入则可以是速度、多个位移(如高度方向上的位移)传感器、加速度传感器等，这些都相当于输入节点，输出则是用来判断路面等级的判据。为了识别出这8个等级，有些做法就是通过一个网络(例如：一个权值矩阵，[w]ij和[w]ki)来训练，最后直接给出一个输出结果(例如：路面不平度的均方根值，可以参见表1所示完整的8个路面等级)，用这个结果来判断属于那种路面等级。
表1路面不平度分类标准(GB/T 7031 2005)
Figure BDA0001839875650000191
其中，Gq(n0)，为空间频率n0＝0.1m-1时，路面不平度的功率谱密度。σq，为空间频率n，取值为0.011m-1<n<2.83m-1时，路面不平度的标准差。
但这样做的问题在于，第一需要针对大量的路面等级，从输入到输出的映射，有时候未必能只用一个权值矩阵(即一个网络)解决所有的等级判别，可能无法收敛或者效果不好。
因此，本发明的方案，提出了多个子神经网络(例如：多个权值矩阵)的想法，具体而言根据路面等级输出的种类，分为四种路面等级(A、B、C和其他)。只需要训练三个子网络，当输入输出迥异时，依次用不同的权值矩阵来判断路面等级，当三个权值矩阵得到的结果都不合适，则判断为第四类路面。
例如：训练时A级路面的数据输入为dataA，训练目标就是A级路面的不平度标准差σA，训练完成会得到A级路权值矩阵MA。识别时，不知道是哪级路面的数据输入dataX，依次以不同的权值矩阵运行，得到的输出OX，如果OX在MA作用下输出的是OA，如果在A级路面的目标值范围{σA}，则判断当前为A级路面；否则，继续用MB矩阵输出的是OB，是否在B级路面的目标范围{σB}，若是则判断为B级路面；如果仍旧不是，则继续用MC矩阵输出的是OC，是否在C级路面的目标范围{σC}，若是则判断为C级路面；否则就是其他路面。
其中，根据国标和车辆最常行驶的路面，将国标GT/T 7031 2005中八级路面不平度，变为四个类别的路面，其中只需要训练和判断三种路面等级，形成如图6所示的离线训练加在线识别的BP神经网络的路面识别模型。由于在线识别等级减少，因此可以对BP网络进行优化，增加隐含层的神经元数量，使得识别更加精准，同时运算复杂度不会太高。
在一个可选例子中，针对现有的路面等级评估多采用加速度传感器等评估路面等级，增加了可调悬架的硬件成本的问题。本发明的方案，可以只需要利用悬架系统自有的高度传感器数据和车速信息，就可以进行路面等级评估和预测。
其中，输入节点(即神经元)就是高度传感器数据和速度信息(该高度传感器数据和速度信息是电控悬架或可调悬架必须有的信息，无需额外的加装)，输出就是路面不平度均方根值(GT/T 7031)，中间节点设置8个，如图7所示，公式即为整个传递函数和权值计算过程。
在一个可选例子中，针对大多数学习算法或者过于复杂或者过于粗略的情况，本发明通过减少路面不平度等级目标，改善路面识别模型的输入信息，通过离线数据集训练和在线识别相结合，提升神经网络学习算法的效率和准确性。
例如：改善路面识别模型的输入信息，可以是将路面识别模型的输入信息改为电控悬架或可调悬架的高度传感器数据和速度信息。
如流程图6所示，设置的路面等级为4个等级，根据训练算法，训练三个子神经网络，即NET_A(wij,wki)，NET_B(wij,wki)和NET_C(wij,wki)，其中wij,wki就是隐含层和输出层的权矩阵元素，这三个网络的训练目标分别是三种路面等级A、B和C级，判断级别的输出神经元的值集合{σA}，{σB}和{σC}。
我们已有的数据是输入和输出的样本数据集，分别为X和T，X就是输入的数据集{LRMS,RRMS,V}，T是样本目标数据集，我们这里分ABC和其他共四类路面，只需要训练三类，就有三个样本集XA，XB，XC和三个路面目标集：TA＝{σA＝3.81×10-3m}、TB＝{σB＝7.61×10-3m}、TC＝{σC＝15.23×10-3m}。训练的目标就是输入到输出接近目标，所以在算法中也有设置误差。
其中，输出误差评价函数，判断是否小于设定的误差，如果是则退出训练：
Figure BDA0001839875650000201
N个样本离线学习。
其中，ε指设定误差，设定值低，则训练次数大，甚至无法收敛；设置值高，则训练精度低；J是误差代价函数，为总误差，Jp是单样本的输出误差，p为样本，p＝1～N，即样本总数为N；k为输出，k＝1～L，即输出总节点数为L。
由于，输出不可能和目标完全一致，因此设置误差范围，也是为了更好的识别训练样本的道路等级属性。
其中，电控车辆悬架的商用车多行驶国标规定A、B、C类道路，且随着道路等级不断提升，差路比例可以归为其他类。本发明基于BP神经网络离线训练大量的三类常见路面等级，在线识别A、B、C三类、和之外的其他类，优化了算法，提升了路面识别的计算速度。
在一个可选例子中，本发明的方案，也可以是对输出结果o的取值范围划分。根据国标及表1可知，路面不平度的均方根值σA＝3.81×10-3m、σB＝7.61×10-3m、σC＝15.23×10-3m等之间是等比关系，利用神经网络子网络输出的结果，根据我们设定的误差大小不同，结果逼近目标路面不平度均方根的国标规定值的程度不同，为了算法的闭环和合理性。设置判别区间为图6中的{σA}、{σB}、{σC}，其取值范围为：
oA∈{σA}＝{0≤σ≤σA+d}；
oB∈{σB}＝{σB+d<σ≤σB+2d}；
oC∈{σC}＝{σB+2d<σ≤σC+4d}；
其他情况则为OD＝{σ>σC+4d}。
例如：这里的输出结果可以用小写的o表示，o和输出神经元值集合的关系，是元素与集合的关系，不过{σA}，{σB}和{σC}是如下所述的，提前设定好的集合范围，o是训练后进行在线识别计算给出的值。
根据表1可以得到d＝1.27，于是有：
{σA}＝{0≤σ≤5.07×10-3}；
{σB}＝{5.07×10-3<σ≤10.15×10-3}；
{σC}＝{10.15×10-3<σ≤20.31×10-3}；
其他情况则为{σ>20.31×10-3}。
利用样本训练的子网络，在设定的训练目标误差ε下，输出结果都非常接近设定的国标中目标路面不平度均方值。但实际路面情况变化较大，因此扩大的范围能更好的得到路面输出结果。
对某组数据集比如XA，对应结果OA和目标TA，进行比较时，误差范围内，则归为对应某一类。训练好的传递参数(例如：权值矩阵)的网络NETA(见图6中上部分)，在在线识别过程中即可直接使用(见图6中下部分)。
其中，通过三种路面识别，得到三种子神经网络，再加上在线识别和判断，每种路面识别速度都很快，因此提升了速度和效率。而单一神经网络训练各种路面，都会造成收敛速度过慢或者难以收敛的局面。
如图7所示，这是一个具有三个输入神经元，8个隐含神经元和1个输出神经元的两层BP神经网络。考虑车辆作为一个路面运行的平面机构，其与路面接触的4个轮胎悬架点，最能反映路面输入的应该是左侧悬架位移动行程，和右侧悬架位移动行程，以及车速。因此图6的神经网络输入层节点分别为左侧悬架位移动行程的均方根值LRMS，右侧悬架位移动行程的均方根值RRMS和车速V，神经网络输出层为该等级路面不平度的均方根σRMS。神经网络训练的目标就是国标GT/T 7031 2005中对应的路面不平度的均方根几何平均值σA，σB或σC。
在本发明的方案中，结合三个路面等级的训练目标提出三个子神经网络离线训练三个不同路面等级目标，以及在线循环识别判断对应路面等级的算法，实现四种常见路面的识别，有效解决路面识别的应用问题。其中，本发明的方案的没有确切数学模型，没有确切数学模型对应关系的基于离线和在线BP神经网络的路面不平度等级识别，不需要知道输入信号与输出信号之间的复杂关系，利用学习算法去逼近，依赖于学习算法的可靠性。
而且，本发明的方案是不需要使用多传感器(如位移传感器、陀螺仪、GPS等)方式去获得数学模型的精确参数，而是只使用位移传感器和速度信息，利用高度传感器信息和速度信息的方法，且对位移传感器的类别不受限制，依赖于学习算法的准确性和可靠性。其中，本发明的方案中以左右侧两路位移传感器数据的悬架动行程均方根作为输入，更加精确；且输出层采用非线性sigmoid函数，收敛更快。
而且，本发明的方案，不需要使用的是一个复杂BP神经网络识别各个路面等级(8个)的设计，而是使用三个子神经网络离线训练三个不同路面等级目标，以及在线循环识别判断对应路面等级的算法，更加实用和高效，而且本发明方案的算法训练准确和收敛迅速。本发明方案的训练判断常用三种路面等级，识别四种路面的快速高效设计；依据不同等级路面训练数据的不同子网络训练的可靠性和识别模型的完备性。
可见，本发明的方案，至少可以达到以下有益效果：
(1)不增加可调电控悬架系统硬件成本，以其自有的高度传感器数据进行路面等级学习和评估。
(2)基于现有车辆的运行道路实际，对道路进行合理划分，增强算法实用性的同时，降低算法计算复杂度，提高效率；可以解决路面等级过多，难以可靠应用于改善电控悬架性能的问题。
(3)充分利用多路传感器数据，选择最关联路面不平度的数据输入，提升路面识别模型的精确性；可以解决神经网络识别算法复杂，处理数据量大，效率低的问题。
(4)完善车辆平顺性评估手段和增加电控悬架依据行驶路面等级进行自适应调整的控制策略；可以解决路面谱复杂，导致建立路面不平度的数学模型困难，难以识别路面等级(如难以实际应用于识别路面等级和实时控制和调整悬架参数)的问题。
在一个可选替代例子中，本发明的方案中，即使是对8种路面进行7个子神经网络的训练，第8种就是剩下的一种路面，也要比单1个神经网络识别8个目标要效率高许多。
在一个可选具体实施方式中，可以结合图6和图7所示的例子，对本发明的方案的具体实现过程进行示例性说明。
BP神经网络训练目标为路面不平度的几何平均值，设定三层BP网络的激活函数(即传递函数)都是sigmoid函数：
Figure BDA0001839875650000231
例如：三层BP网络，两层传递函数。三层分别为：一个输入层、一个隐含层和一个输出层。如果多层网络的话，隐含层可以更加复杂，变为两层及两层以上。BP网络本身也被称为多层并行网。
如图7所示，我们使用[3 8 1]的子网络结构，学习速率为η，惯性系数为α，进行如下的训练流程：
步骤1、初始条件：样本p的输入和某级路面的目标分别为X和T：
Figure BDA0001839875650000232
T＝{tp},p＝1,…,N；{tp}＝{σRMS}。
步骤2、隐含层的第i个神经元的输入和输出分别为：
Figure BDA0001839875650000233
Figure BDA0001839875650000234
步骤3、输出层的第k个神经元的输入和输出分别为：
Figure BDA0001839875650000242
步骤4、输出误差评价函数，判断是否小于设定的误差，如果是则退出训练：
Figure BDA0001839875650000243
N个样本离线学习。
步骤5、输出层和隐含层的加权系数的计算和调整：
Figure BDA0001839875650000244
Figure BDA0001839875650000245
wki(k+1)＝wki(k)+Δwki+α[wki(k)-wki(k-1)]；
wij(k+1)＝wij(k)+Δwij+α[wij(k)-wij(k-1)]。
步骤6、返回步骤1，直到步骤3的误差满足要求，或到达总循环次数则退出。
其中，LRMS为左侧悬架位移动行程的均方根值；RRMS为右侧悬架位移动行程的均方根值；V为平均车速；M＝3为输入层节点有3个(即LRMS，RRMS，V)；j为输入层第j个节点；q＝8为隐含层节点数有8个；i为输入层第i个节点；L＝1为输出层节点数有1个，即σRMS；k为输出层第i个节点；σRMS为该等级路面不平度的均方根。
整个计算过程，是BP神经网络的基本计算算法，也是本发明的方案提出的某一个子神经网络的训练过程，本发明的方案中设置使用的传递函数使用的sigmoid函数，取值范围-1到+1，使用算法的人可以根据研究的目标不同，使用不同的传递函数。这个计算过程，只是对应研究内容不同，选取的参数不同。
其中，在本发明的方案中：
在训练过程中，使用sigmoid函数进行离线数据训练，为了保证数据收敛，同时希望能够得到更加精确的子神经网络参数，则会使用相对小的惯性系数α，同时隐含层设计6-10个节点，根据在线运算计算量大小，调整隐含层的节点数量。
经过以上训练过程，样本是A级路面，则使用XA和TA为训练集和目标，得到A级路面的BP神经网络输出层和隐含层的加权系数；再依次获得B和C级路面的加权系数。当三级路面的离线训练结束，得到三个子神经网络的参数后，就可以根据图6进行道路在线识别的过程。
在训练过程中，使用sigmoid函数进行离线数据训练，为了保证数据收敛，同时希望能够得到更加精确的子神经网络参数，则会使用相对小的惯性系数α，同时隐含层设计6-10个节点，根据在线运算计算量大小，调整隐含层的节点数量。
此外，三种不同路面的数据，不可以在同一个神经网络中进行训练，差异过大，很难收敛。神经网络相当于一个黑盒子，将输入和输出建立非线性的映射关系，保证一定量的数据样本训练，能够使该网络的效果更加好。
由于车辆在实际路面的运行时，路面是连续状态，我们对路面等级进行在线识别和判断时，也会在一段路中进行多次判断输出。假设位移数据采集频率为100Hz，1秒钟的100个数据分为10组，每组的10个数据得到其悬架动行程的均方根值，作为输入，则1秒钟可以进行10次在线路面的判断，算法既能满足识别的实时性，识别出来的路面等级也可以迅速作为车辆电控悬架调整悬架高度、或刚度、阻尼的控制条件，真正做到该道路识别算法的可靠应用。
其中，本发明中的道路识别和判断方法：1)、不仅适用于电控空气悬架，也适用于电控油气悬架的路面等级识别；2)、对路面等级的四种划分方式，在路面识别等级划分要求不高的情况下，也可以变为三种划分，只训练和识别A、B级路面，其他路面作为第三类路面；3)、子神经网络的输入端为三个输入变量，其中左右悬架的动行程均方根值，不限定是左右悬架中的哪一个悬架数据。
由于本实施例的汽车所实现的处理及功能基本相应于前述图5所示的装置的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
经大量的试验验证，采用本发明的技术方案，通过只使用位移传感器和速度信息，利用高度传感器信息和速度信息的方法，且对位移传感器的类别不受限制，依赖于学习算法的准确性和可靠性，精准性和可靠性都得到了提升。
根据本发明的实施例，还提供了对应于路面等级确定方法的一种存储介质。该存储介质，可以包括：所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行以上所述的路面等级确定方法。
由于本实施例的存储介质所实现的处理及功能基本相应于前述图1至图4所示的方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
经大量的试验验证，采用本发明的技术方案，通过使用三个子神经网络离线训练三个不同路面等级目标，以及在线循环识别判断对应路面等级的算法，更加实用和高效，而且训练准确和收敛迅速。
根据本发明的实施例，还提供了对应于路面等级确定方法的一种汽车。该汽车，可以包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行以上所述的路面等级确定方法。
由于本实施例的汽车所实现的处理及功能基本相应于前述图1至图4所示的方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
经大量的试验验证，采用本发明的技术方案，通过以左右侧两路位移传感器数据的悬架动行程均方根作为输入，更加精确；且输出层采用非线性sigmoid函数，收敛更快；训练判断常用三种路面等级，识别四种路面的快速高效设计；依据不同等级路面训练数据的不同子网络训练的可靠性和识别模型的完备性，可靠性高。
综上，本领域技术人员容易理解的是，在不冲突的前提下，上述各有利方式可以自由地组合、叠加。
以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (17)

1.一种路面等级确定方法，其特征在于，包括：
获取待控汽车所在当前道路的当前道路信息；
基于所述当前道路信息，利用离线训练得到的第1至第N等级路面子神经网络，在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级；N为自然数；
所述第1至第N+1路面等级，包括：与所述第1至第N等级路面子神经网络匹配的第1至第N路面等级，以及与所述第1至第N等级路面子神经网络均不匹配的第N+1路面等级；
其中，在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级，包括：
利用第1至第N等级路面子神经网络中任一等级路面子神经网络的当前设定权值矩阵判断所述当前道路的路面等级；
当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该等级路面子神经网络训练好的加权系数矩阵输出的结果信息，不满足对应等级神经网络设定的路面目标范围时，依次用第1至第N等级路面子神经网络中其它等级路面子神经网络的其它设定权值矩阵来判断所述当前道路的路面等级；
当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该等级路面子神经网络训练好的加权系数矩阵输出的结果信息，满足对应等级神经网络设定的路面目标范围时，确定所述当前道路的路面等级为与该任一等级路面子神经网络对应的第1至第N路面等级中任一路面等级；
当第1至第N等级路面子神经网络中所有等级路面子神经网络输入的当前道路信息与所有等级路面子神经网络训练好的加权系数矩阵输出的结果信息，均不满足对应等级神经网络设定的路面目标范围时，确定所述当前道路的路面等级为第N+1路面等级。
2.根据权利要求1所述的方法，其特征在于，获取待控汽车所在当前道路的当前道路信息，包括：
获取待控汽车的车速信息、以及所述汽车的悬架系统自身的高度传感器的检测数据；
其中，
所述车速信息，包括：设定时长或设定距离内的平均车速；和/或，
所述检测数据，包括：所述高度传感器输出的高度数据或位移数据。
3.根据权利要求1或2所述的方法，其特征在于，还包括：
离线训练得到所述第1至第N等级路面子神经网络；
其中，离线训练得到所述第1至第N等级路面子神经网络，包括：
基于设定的子网络结构、设定的学习速率、设定的惯性系数和设定的加权系数，确定第1至第N子神经网络；
基于收集的第1至第N道路信息样本集分别对所述第1至第N子神经网络进行训练，得到满足设定的BP神经网络训练目标的第1至第N等级路面子神经网络。
4.根据权利要求3所述的方法，其特征在于，在基于收集的第1至第N道路信息样本集分别对所述第1至第N子神经网络进行训练中，基于收集的第1道路信息样本集对第1子神经网络进行训练，包括：
以第1等级路面为样本时第1等级路面的道路信息作为第1子神经网络中输入层的输入信息，并以第1等级路面的目标为第1子神经网络中输出层的目标信息，通过第1子神经网络中隐含层对第1子神经网络进行离线训练；
确定第1子神经网络中输出层的输出信息与所述目标信息之间的误差是否在设定范围内；
若所述误差在所述设定范围内，则退出对第1子神经网络的离线训练；
或者，若所述误差不在所述设定范围内，则调整所述第1子神经网络中输出层和隐含层的加权系数后重新进行离线训练，直至重新进行离线训练后的误差在所述设定范围内、或重新进行离线训练的次数达到设定总循环次数后退出对第1子神经网络的离线训练。
5.根据权利要求4所述的方法，其特征在于，调整所述第1子神经网络中输出层和隐含层的加权系数，包括：
以第1等级路面为样本，收集第1等级路面的道路信息为训练集和目标，并根据该训练集和该目标确定第1等级路面的BP神经网络中输出层和隐含层的加权系数。
6.根据权利要求3所述的方法，其特征在于，其中，
所述BP神经网络训练目标，包括：路面不平度的几何平均值；
和/或，
在所述第1至第N子神经网络中，每个神经网络的输入层、隐含层和输出层中两层BP网络的激活函数都是sigmoid函数；
和/或，
在所述第1至第N子神经网络中，每个神经网络的隐含层的节点数为6-10个。
7.根据权利要求4或5所述的方法，其特征在于，其中，
所述BP神经网络训练目标，包括：路面不平度的几何平均值；
和/或，
在所述第1至第N子神经网络中，每个神经网络的输入层、隐含层和输出层中两层BP网络的激活函数都是sigmoid函数；
和/或，
在所述第1至第N子神经网络中，每个神经网络的隐含层的节点数为6-10个。
8.一种路面等级确定装置，其特征在于，包括：
实时获取单元，用于获取待控汽车所在当前道路的当前道路信息；
在线识别单元，用于基于所述当前道路信息，利用离线训练得到的第1至第N等级路面子神经网络，在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级；N为自然数；
所述第1至第N+1路面等级，包括：与所述第1至第N等级路面子神经网络匹配的第1至第N路面等级，以及与所述第1至第N等级路面子神经网络均不匹配的第N+1路面等级；
其中，所述在线识别单元在线识别所述当前道路在设定的第1至第N+1路面等级中的当前路面等级，包括：
利用第1至第N等级路面子神经网络中任一等级路面子神经网络的当前设定权值矩阵判断所述当前道路的路面等级；
当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该等级路面子神经网络训练好的加权系数矩阵输出的结果信息，不满足对应等级神经网络设定的路面目标范围时，依次用第1至第N等级路面子神经网络中其它等级路面子神经网络的其它设定权值矩阵来判断所述当前道路的路面等级；
当第1至第N等级路面子神经网络中任一等级路面子神经网络输入的当前道路信息与该等级路面子神经网络训练好的加权系数矩阵输出的结果信息，满足对应等级神经网络设定的路面目标范围时，确定所述当前道路的路面等级为与该任一等级路面子神经网络对应的第1至第N路面等级中任一路面等级；
当第1至第N等级路面子神经网络中所有等级路面子神经网络输入的当前道路信息与所有等级路面子神经网络训练好的加权系数矩阵输出的结果信息，均不满足对应等级神经网络设定的路面目标范围时，确定所述当前道路的路面等级为第N+1路面等级。
9.根据权利要求8所述的装置，其特征在于，所述实时获取单元获取待控汽车所在当前道路的当前道路信息，包括：
获取待控汽车的车速信息、以及所述汽车的悬架系统自身的高度传感器的检测数据；
其中，
所述车速信息，包括：设定时长或设定距离内的平均车速；和/或，
所述检测数据，包括：所述高度传感器输出的高度数据或位移数据。
10.根据权利要求8或9所述的装置，其特征在于，还包括：
离线训练单元，用于离线训练得到所述第1至第N等级路面子神经网络；
其中，所述离线训练单元离线训练得到所述第1至第N等级路面子神经网络，包括：
基于设定的子网络结构、设定的学习速率、设定的惯性系数和设定的加权系数，确定第1至第N子神经网络；
基于收集的第1至第N道路信息样本集分别对所述第1至第N子神经网络进行训练，得到满足设定的BP神经网络训练目标的第1至第N等级路面子神经网络。
11.根据权利要求10所述的装置，其特征在于，所述离线训练单元在基于收集的第1至第N道路信息样本集分别对所述第1至第N子神经网络进行训练中，所述离线训练单元基于收集的第1道路信息样本集对第1子神经网络进行训练，包括：
以第1等级路面为样本时第1等级路面的道路信息作为第1子神经网络中输入层的输入信息，并以第1等级路面的目标为第1子神经网络中输出层的目标信息，通过第1子神经网络中隐含层对第1子神经网络进行离线训练；
确定第1子神经网络中输出层的输出信息与所述目标信息之间的误差是否在设定范围内；
若所述误差在所述设定范围内，则退出对第1子神经网络的离线训练；
或者，若所述误差不在所述设定范围内，则调整所述第1子神经网络中输出层和隐含层的加权系数后重新进行离线训练，直至重新进行离线训练后的误差在所述设定范围内、或重新进行离线训练的次数达到设定总循环次数后退出对第1子神经网络的离线训练。
12.根据权利要求11所述的装置，其特征在于，所述离线训练单元调整所述第1子神经网络中输出层和隐含层的加权系数，包括：
以第1等级路面为样本，收集第1等级路面的道路信息为训练集和目标，并根据该训练集和该目标确定第1等级路面的BP神经网络中输出层和隐含层的加权系数。
13.根据权利要求10所述的装置，其特征在于，其中，
所述BP神经网络训练目标，包括：路面不平度的几何平均值；
和/或，
在所述第1至第N子神经网络中，每个神经网络的输入层、隐含层和输出层中两层BP网络的激活函数都是sigmoid函数；
和/或，
在所述第1至第N子神经网络中，每个神经网络的隐含层的节点数为6-10个。
14.根据权利要求11或12所述的装置，其特征在于，其中，
所述BP神经网络训练目标，包括：路面不平度的几何平均值；
和/或，
在所述第1至第N子神经网络中，每个神经网络的输入层、隐含层和输出层中两层BP网络的激活函数都是sigmoid函数；
和/或，
在所述第1至第N子神经网络中，每个神经网络的隐含层的节点数为6-10个。
15.一种汽车，其特征在于，包括：如权利要求8-14任一所述的路面等级确定装置。
16.一种存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-7任一所述的路面等级确定方法。
17.一种汽车，其特征在于，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求1-7任一所述的路面等级确定方法。
CN201811243157.1A 2018-10-24 2018-10-24 一种路面等级确定方法、装置、存储介质及汽车 Active CN109398363B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201811243157.1A CN109398363B (zh) 2018-10-24 2018-10-24 一种路面等级确定方法、装置、存储介质及汽车
EP19876968.9A EP3871938A4 (en) 2018-10-24 2019-09-06 METHOD AND DEVICE FOR DETERMINING ROAD RATING, STORAGE MEDIUM AND MOTOR VEHICLE
PCT/CN2019/104640 WO2020082910A1 (zh) 2018-10-24 2019-09-06 路面等级确定方法、装置、存储介质及汽车

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811243157.1A CN109398363B (zh) 2018-10-24 2018-10-24 一种路面等级确定方法、装置、存储介质及汽车

Publications (2)

Publication Number Publication Date
CN109398363A CN109398363A (zh) 2019-03-01
CN109398363B true CN109398363B (zh) 2020-11-06

Family

ID=65468911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811243157.1A Active CN109398363B (zh) 2018-10-24 2018-10-24 一种路面等级确定方法、装置、存储介质及汽车

Country Status (3)

Country Link
EP (1) EP3871938A4 (zh)
CN (1) CN109398363B (zh)
WO (1) WO2020082910A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109398363B (zh) * 2018-10-24 2020-11-06 珠海格力电器股份有限公司 一种路面等级确定方法、装置、存储介质及汽车
US11742901B2 (en) * 2020-07-27 2023-08-29 Electronics And Telecommunications Research Institute Deep learning based beamforming method and apparatus
CN112801399B (zh) * 2021-02-08 2022-08-12 腾讯科技（深圳）有限公司 一种路径生成方法、装置、终端设备及存储介质
CN113932758B (zh) * 2021-09-15 2022-12-20 同济大学 一种路面平整度预测方法及装置
CN113807305B (zh) * 2021-09-27 2024-08-13 宫雪峰 基于朴素贝叶斯分类算法的道路破坏性预测自动驾驶方法
CN114881204B (zh) * 2022-04-14 2024-08-27 东南大学 基于路元拆分和ga-bp神经网络模型的路面平整度预测方法
CN115984804B (zh) * 2023-03-14 2023-07-07 安徽蔚来智驾科技有限公司 一种基于多任务检测模型的检测方法及车辆
CN117485354A (zh) * 2023-11-30 2024-02-02 赛力斯汽车有限公司 车辆自适应调节方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101367324A (zh) * 2008-10-15 2009-02-18 江苏大学 一种基于电子控制空气悬架车辆高度传感器的路面等级预测方法
CN102114840A (zh) * 2011-01-20 2011-07-06 浙江吉利汽车研究院有限公司 一种关于路面变化的行车安全控制装置
CN107891866A (zh) * 2016-10-04 2018-04-10 现代自动车株式会社 基于车辆数据确定路面的方法
CN107977641A (zh) * 2017-12-14 2018-05-01 东软集团股份有限公司 一种智能识别地形的方法、装置、车载终端及车辆
CN108564115A (zh) * 2018-03-30 2018-09-21 西安电子科技大学 基于全卷积gan的半监督极化sar地物分类方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4093076B2 (ja) * 2003-02-19 2008-05-28 富士重工業株式会社 車両運動モデルの生成装置および車両運動モデルの生成方法
JP2006312414A (ja) * 2005-05-09 2006-11-16 Toyota Motor Corp 運転指向推定装置
CN101275900A (zh) * 2008-05-08 2008-10-01 江汉大学 基于车轮振动的路面类型识别方法
CN101609606B (zh) * 2009-07-10 2010-12-01 清华大学 一种路面湿滑状态识别方法
CN108520155B (zh) * 2018-04-11 2020-04-28 大连理工大学 基于神经网络的车辆行为模拟方法
CN109398363B (zh) * 2018-10-24 2020-11-06 珠海格力电器股份有限公司 一种路面等级确定方法、装置、存储介质及汽车

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101367324A (zh) * 2008-10-15 2009-02-18 江苏大学 一种基于电子控制空气悬架车辆高度传感器的路面等级预测方法
CN102114840A (zh) * 2011-01-20 2011-07-06 浙江吉利汽车研究院有限公司 一种关于路面变化的行车安全控制装置
CN107891866A (zh) * 2016-10-04 2018-04-10 现代自动车株式会社 基于车辆数据确定路面的方法
CN107977641A (zh) * 2017-12-14 2018-05-01 东软集团股份有限公司 一种智能识别地形的方法、装置、车载终端及车辆
CN108564115A (zh) * 2018-03-30 2018-09-21 西安电子科技大学 基于全卷积gan的半监督极化sar地物分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《车辆电子控制空气悬架理论与关键技术研究》;崔晓利;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20111231;C035-6 *

Also Published As

Publication number Publication date
WO2020082910A1 (zh) 2020-04-30
EP3871938A1 (en) 2021-09-01
CN109398363A (zh) 2019-03-01
EP3871938A4 (en) 2022-08-03

Similar Documents

Publication Publication Date Title
CN109398363B (zh) 一种路面等级确定方法、装置、存储介质及汽车
CN108960426B (zh) 基于bp神经网络的道路坡度综合估计系统
CN111582596B (zh) 融合交通状态信息的纯电动汽车续航里程风险预警方法
CN112896186B (zh) 一种车路协同环境下的自动驾驶纵向决策控制方法
CN107169567B (zh) 一种用于车辆自动驾驶的决策网络模型的生成方法及装置
CN110610260A (zh) 行车能耗预测系统、方法、存储介质和设备
CN113010967B (zh) 一种基于混合交通流模型的智能汽车在环仿真测试方法
CN111267830B (zh) 一种混合动力公交车能量管理方法、设备和存储介质
CN106373390B (zh) 基于自适应神经模糊推理系统的道路交通状态评价方法
CN112216085A (zh) 一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统
CN108830325A (zh) 一种基于学习的振动信息地形分类识别方法
CN102567782A (zh) 一种基于神经网络的汽车发动机转矩的估算方法
CN112026744B (zh) 一种基于dqn变体的混联式混合动力系统能量管理方法
CN111967308A (zh) 一种在线路面不平度辨识方法及系统
Kim et al. Deep learning-based estimation of the unknown road profile and state variables for the vehicle suspension system
JPWO2022024211A5 (zh)
CN116538286A (zh) 一种计及nvh特性的商用车换挡系统及方法
WO2022239619A1 (ja) サスペンション制御装置、およびサスペンション制御方法
CN115130218A (zh) 一种汽车悬架结构路噪的自学习预测方法
CN113610298B (zh) 考虑用户出行行为的用户出行能耗预测及路径推荐方法
CN113705865B (zh) 一种基于深度神经网络的汽车稳定性因数预测方法
CN115320307A (zh) 一种车辆的减振方法、减振装置、电子设备及存储介质
Li et al. A Road Roughness Estimation Method based on PSO-LSTM Neural Network
CN112528568A (zh) 一种基于K-Means和BP神经网络的路感模拟方法
Avdagic et al. Adaptive neuro-fuzzy inference system based modelling of vehicle guidance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant