CN111898594B - 基于悬架振动信号的路面地形识别方法、装置及存储介质 - Google Patents

基于悬架振动信号的路面地形识别方法、装置及存储介质 Download PDF

Info

Publication number
CN111898594B
CN111898594B CN202011056648.2A CN202011056648A CN111898594B CN 111898594 B CN111898594 B CN 111898594B CN 202011056648 A CN202011056648 A CN 202011056648A CN 111898594 B CN111898594 B CN 111898594B
Authority
CN
China
Prior art keywords
data
vibration signal
road surface
signal data
sequence
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
CN202011056648.2A
Other languages
English (en)
Other versions
CN111898594A (zh
Inventor
丁磊
丘世全
蔡鹏�
谷少伟
陈盼
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.)
Human Horizons Shanghai Internet Technology Co Ltd
Human Horizons Shanghai New Energy Drive Technology Co Ltd
Original Assignee
Human Horizons Shanghai Internet Technology Co Ltd
Human Horizons Shanghai New Energy Drive Technology Co Ltd
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 Human Horizons Shanghai Internet Technology Co Ltd, Human Horizons Shanghai New Energy Drive Technology Co Ltd filed Critical Human Horizons Shanghai Internet Technology Co Ltd
Priority to CN202011056648.2A priority Critical patent/CN111898594B/zh
Publication of CN111898594A publication Critical patent/CN111898594A/zh
Application granted granted Critical
Publication of CN111898594B publication Critical patent/CN111898594B/zh
Priority to PCT/CN2021/077778 priority patent/WO2022068142A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Abstract

本发明公开了一种基于悬架振动信号的路面地形识别方法、装置及存储介质，所述方法包括：获取悬架传感器在车辆行驶过程中当前采集到的车辆悬架的振动信号数据；当本次积累的待进行特征识别的振动信号数据的序列长度达到滑动窗口预设的数据截取宽度时，将本次积累的待进行特征识别的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别，从而得到路面地形的识别结果。本发明能有效解决现有技术的对路面地形识别的结果不够准确且占用的计算资源过多的问题。

Description

基于悬架振动信号的路面地形识别方法、装置及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于悬架振动信号的路面地形识别方法、装置及存储介质。
背景技术
目前，可以通过图像识别的算法来对路面地形识别，具体是：车辆在路面行驶的过程中，车辆摄像头拍摄路面图像，将路面图像输入到路面地形识别模型中进行地形识别。但是现有的这种基于图像的路面地形识别方法，其容易受到图像拍摄环境（例如暗光环境）的影响而导致其路面地形识别的结果不够准确，且算法运算量大而导致占用的计算资源过多。
发明内容
本发明实施例提供一种基于悬架振动信号的路面地形识别方法、装置及存储介质，能有效解决现有技术的对路面地形识别的结果不够准确且占用的计算资源过多的问题。
本发明一实施例提供一种基于车辆悬架振动信号的路面地形识别方法，其包括：
获取悬架传感器在车辆行驶过程中当前采集到的车辆悬架的振动信号数据；
当本次积累的待进行特征识别的振动信号数据的序列长度达到滑动窗口预设的数据截取宽度时，将本次积累的待进行特征识别的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别，从而得到路面地形的识别结果；其中，所述路面地形识别模型预先根据振动信号数据样本训练好。
作为上述方案的改进，在获取到车辆悬架的振动信号数据后，在对所述振动信号数据进行特征识别之前，所述方法还包括：
对获取到的所述振动信号数据进行数据处理，得到经过数据处理后的振动信号数据；所述数据处理包括以下中的至少一种：数据筛选、数据清洗、删除空缺值。
作为上述方案的改进，所述悬架传感器有至少两个，分布于车辆悬架的不同地方；
则在获取到车辆悬架的振动信号数据后，在对所述振动信号数据进行特征识别之前，所述振动信号数据样本的获取方式为：
将获取到的所述振动信号数据按照时间的先后顺序以数据矩阵的形式进行保存，得到待进行数据特征提取的振动信号数据矩阵。
作为上述方案的改进，所述当本次积累的待进行特征识别的振动信号数据的序列长度达到滑动窗口预设的数据截取宽度时，将本次积累的待进行特征识别的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别，包括：
当本次积累的待进行特征识别的振动信号数据矩阵中的数据的序列长度达到滑动窗口预设的数据截取宽度时，将所述振动信号数据矩阵进行PCA降维处理，得到降维后的振动信号数据；
将降维后的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别。
作为上述方案的改进，所述路面地形识别模型为用于识别路面地形的深度神经网络模型，则将所述振动信号数据矩阵进行PCA降维处理后得到的是经过PCA降维的振动信号数据矩阵。
作为上述方案的改进，所述路面地形识别模型为用于识别路面地形的XGBoost模型，则将所述振动信号数据矩阵进行PCA降维处理后得到的是经过PCA降维的振动信号数据向量。
作为上述方案的改进，所述滑动窗口的数据截取宽度
Figure 92201DEST_PATH_IMAGE001
与车辆当前的车速v对应，其计算式公式为：
Figure 895071DEST_PATH_IMAGE002
，
其中，a为预设的窗口偏差值，
Figure DEST_PATH_IMAGE003
为初始的数据截取宽度。
作为上述方案的改进，所述振动信号数据样本的获取方法包括：
获取由车辆摄像头在车辆行驶于试验道路工况下采集到的路面图像序列，获取由悬架传感器在车辆行驶于试验道路工况下采集到的车辆悬架的振动信号时序数据；所述试验道路工况的路面地形包括有目标路面地形；
以预设的数据截取宽度的滑动窗口对所述振动信号时序数据进行数据的滑动截取，得到多段振动信号截取数据；
将多段所述振动信号截取数据与目标路面地形所对应的且为预设的振动信号数据模板进行相似度计算，得到对应的相似度值；
判断所述相似度值是否大于预设的相似度阈值；
若是，将所述路面图像序列中与所述相似度值对应的振动信号截取数据处于相同时间戳的图像标记为目标路面地形图像；
将用户基于所述目标路面地形图像而确认的振动信号截取数据作为所述振动信号数据样本。
作为上述方案的改进，在所述获取由悬架传感器在车辆行驶于试验道路工况下采集到的车辆悬架的振动信号时序数据之后，在所述获取由悬架传感器在车辆行驶于试验道路工况下采集到的车辆悬架的振动信号时序数据之前，所述方法还包括：
对所述振动信号时序数据进行归一化处理。
作为上述方案的改进，车辆多次重复行驶于试验道路工况下，且振动信号时序数据的数量为多个，则所述以预设的数据截取宽度的滑动窗口对所述振动信号时序数据进行数据的滑动截取，得到多段振动信号截取数据，包括：
获取多个不同所述振动信号时序数据中的为中位数的振动信号时序数据；
以预设的数据截取宽度的滑动窗口对为中位数的所述振动信号时序数据进行数据的滑动截取，得到多段振动信号截取数据。
作为上述方案的改进，所述滑动窗口的数据截取宽度与车辆的车速对应，车辆车速越快，数据截取宽度越小；所述滑动窗口的滑动步长与所述悬架传感器的采样频率一致。
作为上述方案的改进，所述将多段所述振动信号截取数据与目标路面地形所对应的且为预设的振动信号数据模板进行相似度计算，得到对应的相似度值，包括：
基于DTW算法，计算每段所述振动信号截取数据所形成的曲线段与目标路面地形所对应的且为振动信号数据的曲线模板的相似度，得到对应的相似度值。
作为上述方案的改进，所述振动信号数据样本的获取方法包括：
获取在车辆行驶域当前路面地形下车辆悬架传感器产生的振动信号数据流；
以预设的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列并存储；
将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的振动信号数据序列逐一进行数据拼接；
对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列；所述数据特征模式序列用于作为所述振动信号数据样本。
作为上述方案的改进，在所述将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的振动信号数据序列逐一进行数据拼接之前，在所述以预设的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列并存储之后，所述方法还包括：
将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的每一振动信号数据序列进行相似度计算，得到对应的相似度比较结果；
则，在所述对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列之后，所述方法还包括：
将所述数据特征模式序列与相似度比较结果为最高的且为先前截取的振动信号数据序列进行数据融合，得到融合后的数据特征模式序列。
作为上述方案的改进，在得到融合后的数据特征模式序列后，所述方法还包括：
将融合后的数据特征模式序列与所述当前路面地形上传到服务器，以使所述服务器根据获取到的所有的与同一路面地形对应的数据特征模式序列进行数据分析，而得到数据分析结果；其中，所述数据分析结果包括道路路面地形识别结果。
作为上述方案的改进，所述以预设的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列并存储，包括：
以预设的且与当前车速对应的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列；
对截取到的振动信号数据序列进行归一化处理并缓存。
作为上述方案的改进，所述对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列，包括：
通过Matrix Profile算法对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列。
作为上述方案的改进，所述滑动窗口的数据截取宽度dynamic_wsize为：
Figure 971612DEST_PATH_IMAGE004
或，所述滑动窗口的数据截取宽度dynamic_wsize为：
Figure 492723DEST_PATH_IMAGE005
其中，max_speed为预设的最大车速阈值，base_wsize为预设的数据截取宽度基准值，smooth(vspeed)为当前的平均车速。
作为上述方案的改进，若所述滑动窗口是对数据流进行多个关联的振动信号联合提取，则所述滑动窗口的数据截取宽度dynamic_wsize为：
Figure 742439DEST_PATH_IMAGE006
其中，
Figure 727712DEST_PATH_IMAGE007
为预设的时间采样长度，
Figure 975154DEST_PATH_IMAGE008
为多个标量数据流的ti时刻的标准差。
本发明另一实施例对应提供了一种基于车辆悬架振动信号的路面地形识别装置，其包括：
数据获取模块，用于获取悬架传感器在车辆行驶过程中当前采集到的车辆悬架的振动信号数据；
地形识别模块，用于当本次积累的待进行特征识别的振动信号数据的序列长度达到滑动窗口预设的数据截取宽度时，将本次积累的待进行特征识别的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别，从而得到路面地形的识别结果；其中，所述路面地形识别模型预先根据振动信号数据样本训练好。
作为上述方案的改进，所述装置还包括：
获取模块，用于获取由车辆摄像头在车辆行驶于试验道路工况下采集到的路面图像序列，获取由悬架传感器在车辆行驶于试验道路工况下采集到的车辆悬架的振动信号时序数据；所述试验道路工况的路面地形包括有目标路面地形；
数据截取模块，用于以预设的数据截取宽度的滑动窗口对所述振动信号时序数据进行数据的滑动截取，得到多段振动信号截取数据；
相似度计算模块，用于将多段所述振动信号截取数据与目标路面地形所对应的且为预设的振动信号数据模板进行相似度计算，得到对应的相似度值；
判断模块，用于判断所述相似度值是否大于预设的相似度阈值；
数据标注模块，用于若是，将所述路面图像序列中与所述相似度值对应的振动信号截取数据处于相同时间戳的图像标记为目标路面地形图像；
数据确认模块，用于将用户基于所述目标路面地形图像而确认的振动信号截取数据作为所述振动信号数据样本。
作为上述方案的改进，所述装置还包括：
数据流获取模块，用于获取在车辆行驶域当前路面地形下车辆悬架传感器产生的振动信号数据流；
数据序列截取模块，用于以预设的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列并存储；
数据拼接模块，用于将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的振动信号数据序列逐一进行数据拼接；
数据特征分析模块，用于对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列；所述数据特征模式序列用于作为所述振动信号数据样本。
本发明另一实施例提供了一种基于车辆悬架振动信号的路面地形识别装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的基于车辆悬架振动信号的路面地形识别方法。
本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的基于车辆悬架振动信号的路面地形识别方法。
相比于现有技术，上述发明实施例中的一个实施例具有如下优点：
通过获取悬架传感器在车辆行驶过程中当前采集到的车辆悬架的振动信号数据；当本次积累的待进行特征识别的振动信号数据的序列长度达到滑动窗口预设的数据截取宽度时，将本次积累的待进行特征识别的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别，从而得到路面地形的识别结果。由此可见，车辆悬架的振动能够准确反映出车辆的行驶路面的地形情况，而本发明实施例是通过对车辆悬架的振动进行实时感知，并通过对车辆悬架的振动信号的分析来识别出路面地形的，因此本发明实施例能够提高对路面地形识别结果的准确性，且相比于基于图像的路面地形识别方法，本发明实施例的算法运算量大大减小，从而避免占用过多的计算资源。当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1是本发明一实施例提供的一种基于车辆悬架振动信号的路面地形识别方法的流程示意图；
图2是本发明一实施例提供的一种基于车辆悬架振动信号的路面地形识别方法的应用示意图；
图3示出了滑动窗口以预设的数据截取宽度对振动信号数据流进行数据序列截取；
图4示出了Matrix Profile算法对同一数据序列作为矩阵的两个维度来进行特征分析的过程；
图5是本发明一实施例中的含有多个关联的振动信号的信号图；
图6是本发明一实施例提供的一种基于车辆悬架振动信号的路面地形识别装置的结构示意图；
图7是本发明一实施例提供的一种基于车辆悬架振动信号的路面地形识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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作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。
参见图1，是本发明一实施例提供的一种基于车辆悬架振动信号的路面地形识别方法的流程示意图。所述方法由基于车辆悬架振动信号的路面地形识别方法的装置执行，例如车辆的主控装置（如车身域控制器）。所述方法包括：
S10，获取悬架传感器在车辆行驶过程中当前采集到的车辆悬架的振动信号数据；
其中，车辆行驶过程中，车辆的行驶路面包括多种路面地形，例如坑洼地形、平坦地形、路障地形等。本发明人发现：车辆行驶在不同路面地形时，车辆的悬架的振动的幅度及振动的频率是不一样的。因此，可以基于对车辆悬架的振动信号的特征提取及分析来进行路面地形识别。
S11，当本次积累的待进行特征识别的振动信号数据的序列长度达到滑动窗口预设的数据截取宽度时，将本次积累的待进行特征识别的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别，从而得到路面地形的识别结果；其中，所述路面地形识别模型预先根据振动信号数据样本训练好。
其中，滑动窗口的数据截取宽度是预设的且可以设置为：数据截取宽度的设置，能够让对应的序列长度的振动信号数据用于对路面地形进行识别。即，数据截取宽度的设置，使得本次积累的待进行特征识别的振动信号数据能够较好地用于进行路面地形特征。所以数据截取宽度不能过窄，过窄会使得本次积累的待进行特征识别的振动信号数据过少而无法用于进行路面地形识别。另外，数据截取宽度也不需要设置的过宽，过宽会使得本次积累的待进行特征识别的振动信号数据过多而增加路面地形识别的困难度。
此外，所述路面地形识别模型是预先根据振动信号数据样本训练好的，训练的方式可以是现有的模型训练方式，在此不做过多赘述。
综上，由于车辆悬架的振动能够准确反映出车辆的行驶路面的地形情况，而本发明实施例是通过对车辆悬架的振动进行实时感知，并通过对车辆悬架的振动信号的分析来识别出路面地形的，因此本发明实施例能够提高对路面地形识别结果的准确性，且相比于基于图像的路面地形识别方法，本发明实施例的算法运算量大大减小，从而避免占用过多的计算资源。
在本发明实施例中，进一步地，在获取到车辆悬架的振动信号数据后，在对所述振动信号数据进行特征识别之前，所述方法还包括：
对获取到的所述振动信号数据进行数据处理，得到经过数据处理后的振动信号数据；所述数据处理包括以下中的至少一种：数据筛选、数据清洗、删除空缺值。
在本发明实施例中，通过对获取到的振动信号数据进行数据处理，可以剔除异常的振动信号数据，从而有利于后续的数据分析及最终提高路面地形的识别结果。
示例性地，所述悬架传感器有至少两个，分布于车辆悬架的不同地方。例如，悬架传感器有四个，分别分布于车辆前轮的悬架的左侧（标记为FrntLelv1）、车辆车辆前轮的悬架的右侧（标记为FrntRilv1）、车辆车辆后轮的悬架的左侧（标记为ReLelv1）及车辆车辆后轮的悬架的右侧（标记为ReRilv1）。
进一步地，在获取到车辆悬架的振动信号数据后，在对所述振动信号数据进行特征识别之前，所述方法还包括：
将获取到的所述振动信号数据按照时间的先后顺序以数据矩阵的形式进行保存，得到待进行数据特征提取的振动信号数据矩阵。
具体地，所述当本次积累的待进行特征识别的振动信号数据的序列长度达到滑动窗口预设的数据截取宽度时，将本次积累的待进行特征识别的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别，包括：
当本次积累的待进行特征识别的振动信号数据矩阵中的数据的序列长度达到滑动窗口预设的数据截取宽度时，将所述振动信号数据矩阵进行PCA降维处理，得到降维后的振动信号数据；
将降维后的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别。
在本实施例中，通过对振动信号数据矩阵进行PCA降维处理，这样可以把可能具有相关性的高维变量合成线性无关的低维变量，从而有利于后续的振动信号数据矩阵进行特征提取及识别分析，进而提高对路面地形识别的准确性。
作为其中一种具体举例，参见图2，所述路面地形识别模型为用于识别路面地形的深度神经网络模型，则将所述振动信号数据矩阵进行PCA降维处理后得到的是经过PCA降维的振动信号数据矩阵。
其中，深度神经网络模型是预先通过大量的振动信号数据样本训练好的，具体的训练方式可以参考现有的深度神经网络模型的训练方式。
作为另一种具体举例，参见图2，所述路面地形识别模型为用于识别路面地形的XGBoost模型，则将所述振动信号数据矩阵进行PCA降维处理后得到的是经过PCA降维的振动信号数据向量。
具体地，XGBoost模型的目标函数公式为：
Figure 45878DEST_PATH_IMAGE009
其中，
Figure 36968DEST_PATH_IMAGE010
表示为对XGBoost中全部的k颗粒复杂度进行求和，作为目标函数的正则化项，用于防止模型过度拟合。
Figure 876748DEST_PATH_IMAGE011
表示上一个二叉树的残差值，
Figure 295091DEST_PATH_IMAGE012
表示预测值，l为常量，i为树深。可以理解的是，XGBoost模型的目标函数公式也是预先通过大量的振动信号数据样本训练好的，具体的训练方式可以参考现有的XGBoost模型的训练方式。
作为上述方案的改进，所述滑动窗口的数据截取宽度
Figure 587532DEST_PATH_IMAGE001
与车辆当前的车速v对应，其计算式公式为：
Figure 382313DEST_PATH_IMAGE013
，
其中，a为预设的窗口偏差值，
Figure 76599DEST_PATH_IMAGE014
为初始的数据截取宽度，n为样本数量。
具体地，滑动窗口的数据截取宽度根据要识别的路面地形种类进行大小调整，确定窗口函数之前需要收集不同车速通过地形的窗口的数据截取宽度；滑动窗口的数据截取宽度是一个变化量，可根据车速v进行调整。此外，滑动窗口的滑动步长S可根据悬架传感器的采样频率进行选择，例如滑动步长S可以设置为与悬架传感器的采样频率一致，都是10ms。
示例性地，用于训练所述路面地形识别模型的振动信号数据样本的获取方法包括步骤S20-步骤S25：
S20，获取由车辆摄像头在车辆行驶于试验道路工况下采集到的路面图像序列，获取由悬架传感器在车辆行驶于试验道路工况下采集到的车辆悬架的振动信号时序数据；所述试验道路工况的路面地形包括有目标路面地形。
其中，车辆行驶于试验道路工况下时，悬架传感器会实时采集车辆悬架的振动并生成振动信号，而根据采集到的振动信号按照采集时间的先后顺序可以生成振动信号时序数据。其中，试验道路工况的路面地形可以有多种，例如坑洼路面地形、路障路面地形、石头路段路面地形等。且所述试验道路工况的路面地形包括有目标路面地形。
S21，以预设的数据截取宽度的滑动窗口对所述振动信号时序数据进行数据的滑动截取，得到多段振动信号截取数据。
S22，将多段所述振动信号截取数据与目标路面地形所对应的且为预设的振动信号数据模板进行相似度计算，得到对应的相似度值；
S23，判断所述相似度值是否大于预设的相似度阈值。
其中，通过设置合适的相似度阈值，可以将非目标地形的振动信号截取数据过滤掉，而只保留与目标地形对应的振动信号截取数据。
S24，若是，将所述路面图像序列中与所述相似度值对应的振动信号截取数据处于相同时间戳的图像标记为目标路面地形图像；
S25，将用户基于所述目标路面地形图像而确认的振动信号截取数据作为所述振动信号数据样本。
在对目标路面地形图像进行标注后，用户可以对这些目标路面地形图像进行核实，以确认该目标路面地形图像所拍摄到的路面是否是目标路面地形。将经过用户确认结果为是的目标路面地形图像所对应的振动信号截取数据作为振动信号数据样本，以用于所述路面地形识别模型的训练。
本发明实施例通过对车辆悬架的振动信号的分析，能够自动标注出为目标路面地形的路面图像，并根据用户基于目标路面地形图像的确认结果来将对应的振动信号截取数据作为所述振动信号数据样本，这样可以提高数据样本获取的效率及准确度。
在上述发明实施例中，进一步地，在所述获取由悬架传感器在车辆行驶于试验道路工况下采集到的车辆悬架的振动信号时序数据之后，在所述获取由悬架传感器在车辆行驶于试验道路工况下采集到的车辆悬架的振动信号时序数据之前，所述方法还包括：
对所述振动信号时序数据进行归一化处理。
其中，通过对所述振动信号时序数据进行归一化处理，这样能够更有利于后续的数据分析，从而使得数据分析更加准确。
具体的，归一化处理的方式为
Figure 728161DEST_PATH_IMAGE015
，其中，X为当前待分析的振动信号数据，
Figure 711160DEST_PATH_IMAGE016
为振动信号时序数据中的最小值，
Figure 106369DEST_PATH_IMAGE017
为振动信号时序数据中的最大值。
在本发明实施例中，示例性地，车辆多次重复行驶于试验道路工况下，且振动信号时序数据的数量为多个，则所述以预设的数据截取宽度的滑动窗口对所述振动信号时序数据进行数据的滑动截取，得到多段振动信号截取数据，包括：
获取多个不同所述振动信号时序数据中的为中位数的振动信号时序数据；
以预设的数据截取宽度的滑动窗口对为中位数的所述振动信号时序数据进行数据的滑动截取，得到多段振动信号截取数据。
在本发明实施例中，通过多次重复试验而得到多个振动信号时序数据，并采用为中位数的振动信号时序数据来进行分析，这样可以使得数据的分析更加准确。
在上述实施例中，具体地，所述滑动窗口的数据截取宽度与车辆的车速对应，车辆车速越快，数据截取宽度越小；所述滑动窗口的滑动步长与所述悬架传感器的采样频率一致。
其中，车速越快，那么可以将数据截取宽度设置的小一点，这样可以避免采样到的振动信号包含太多的路面地形情况，理想地可以只包含一种路面地形情况。当车速越慢，那么可以将数据截取宽度设置的大一点，这样可以对路面地形进行比较全面的振动信号的采样。
此外，作为示例的，悬架传感器的采样频率为10ms采样一次，那么滑动窗口每次的滑动步长为10ms。
在上述实施例中，具体地，所述将多段所述振动信号截取数据与目标路面地形所对应的且为预设的振动信号数据模板进行相似度计算，得到对应的相似度值，包括：
基于DTW算法，计算每段所述振动信号截取数据所形成的曲线段与目标路面地形所对应的且为振动信号数据的曲线模板的相似度，得到对应的相似度值。其中，DTW算法的相似度计算公式为：
Figure 592845DEST_PATH_IMAGE018
。
示例性地，在获取到车辆悬架的振动信号数据后，为了能够自动对车辆悬架的振动信号数据进行特征提取，以便于能够对提取到的振动信号的特征数据进行特征分析，以能够自动识别出与各路面地形所对应的新的振动信号数据特征，并将新的振动信号数据特征作为所述振动信号数据样本来用于训练所述路面地形识别模型，从而能够让所述路面地形识别模型能够对路面地形的识别更加准确，且能够识别出更多车辆工况下的路面地形。为了实现上述目的，本发明一实施例还提供了一种车辆悬架传感器的振动信号数据的特征自动提取方法，其包括：
S30，获取在车辆行驶域当前路面地形下车辆悬架传感器产生的振动信号数据流；
S31，参见图3，以预设的数据截取宽度
Figure 680887DEST_PATH_IMAGE019
的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列并存储；
S32，将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的振动信号数据序列逐一进行数据拼接；
S33，对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列；所述数据特征模式序列用于作为所述振动信号数据样本。
在本发明实施例中，本发明实施例通过当前对所述振动信号数据流进行数据的滑动截取而得到的振动信号数据序列与先前截取到的振动信号数据序列逐一进行数据拼接；接着对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列，这样该数据特征模式序列就是新的可以用于代表当前路面地形的振动数据特征。由此可见，本发明实施例能够自动识别出与各路面地形所对应的新的振动信号数据特征，并将新的振动信号数据特征作为所述振动信号数据样本来用于训练所述路面地形识别模型，从而能够让所述路面地形识别模型能够对路面地形的识别更加准确，且能够识别出更多不同的车辆工况下的路面地形。
作为上述方案的改进，在所述将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的振动信号数据序列逐一进行数据拼接之前，在所述以预设的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列并存储之后，所述方法还包括：
将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的每一振动信号数据序列进行相似度计算，得到对应的相似度比较结果；
则，在所述对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列之后，所述方法还包括：
将所述数据特征模式序列与相似度比较结果为最高的且为先前截取的振动信号数据序列进行数据融合，得到融合后的数据特征模式序列。
示例性地，相似度的计算公式可以为相关系数计算公式：
Figure 885603DEST_PATH_IMAGE020
；
或者，可以为相似距离计算公式：
Figure 84504DEST_PATH_IMAGE021
其中，公式中的x、y分别为待计算相似度的两组数据模式样本序列，
Figure 487803DEST_PATH_IMAGE022
为x样本均值，
Figure 684429DEST_PATH_IMAGE023
为标准差，E(x)为x样本期望，m为样本长度。
示例性地，所述数据融合的算法为：
Figure 438759DEST_PATH_IMAGE024
其中，
Figure 113454DEST_PATH_IMAGE025
为预设的原有数据模式修正系数，
Figure 636839DEST_PATH_IMAGE026
为原有数据模式匹配度，
Figure 998507DEST_PATH_IMAGE027
为预设的新数据模式修正系数，
Figure 974553DEST_PATH_IMAGE028
为原有数据模式匹配度，
Figure 515256DEST_PATH_IMAGE029
为先前截取的且相似度最高的振动信号数据序列，
Figure 96410DEST_PATH_IMAGE030
为当前的数据特征模式序列。
在本实施例中，具体地，数据融合就是将新发现的数据流中的特征模式序列与缓存中匹配程度最大的振动信号序列按照序列的缓存索引i进行合并。数据融合的目的是算法识别出的新的数据特征模式序列具有随机性，大量的数据特征模式序列进行融合积累后，能产生稳定的特征模式，避免识别出的数据特征模式序列的偶然误差，导致最终的数据特征提取结果出错。
作为上述方案的改进，在得到融合后的数据特征模式序列后，所述方法还包括：
将融合后的数据特征模式序列与所述当前路面地形上传到服务器，以使所述服务器根据获取到的所有的与同一路面地形对应的数据特征模式序列进行数据分析，而得到数据分析结果；其中，所述数据分析结果包括道路路面地形识别结果。
作为上述方案的改进，所述以预设的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列并存储，包括：
以预设的且与当前车速对应的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列；
对截取到的振动信号数据序列进行归一化处理并缓存。
在本实施例中，通过对截取到的振动信号数据序列进行归一化处理，这样利于后续的对振动信号数据的特征分析。
示例性地，归一化处理的算法为：
Figure 431576DEST_PATH_IMAGE031
；其中，∆t为滑动窗口的数据截取宽度，
Figure 98181DEST_PATH_IMAGE032
为截取到的振动信号数据序列，
Figure 176996DEST_PATH_IMAGE033
为标准差，
Figure 674973DEST_PATH_IMAGE034
为振动信号数据序列的均值。
作为上述方案的改进，所述对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列，包括：
通过Matrix Profile算法对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列。
具体地，Matrix Profile算法基于原理如图4所示。其中，从时间序列数据中提取一个片段并沿着时间序列的其余部分滑动，并计算它在每个新位置与时间序列片段的重叠相似的程度。更具体地说，可以计算子序列与同一长度的每个时间序列片段之间的欧几里德距离，从而建立所谓的时间序列片段的距离模式。如果子序列在数据中重复自身，则将至少有一个完全匹配，并且最小欧氏距离将为零。时间序列数据中是否包含相似模式可以通过计算时间序列数据窗口内的矩阵剖面的最小值获得，同一段时间序列数据分别作为矩阵的两个维度，一一对应计算矩阵中每个对应点的相似度距离di、dj，然后在列方向求最小值得到Pi, 在P1到Pn-m+1的序列中最小值对应的索引为产生相似数据模式的起点MPI（MatrixProfile Index），以MPI为起点取特定的窗口长度数据，即为拼接得到的所述数据序列中的数据特征模式序列。
具体地，Matrix Profile的计算公式有：
按列求相似度距离的最小值的公式：
Figure 118724DEST_PATH_IMAGE035
；
对计算得到的Pi序列求最小值的公式：
Figure 334941DEST_PATH_IMAGE036
。
作为上述方案的改进，所述滑动窗口的数据截取宽度
dynamic_wsize为：
Figure 507614DEST_PATH_IMAGE038
或，所述滑动窗口的数据截取宽度
dynamic_wsize为：
Figure 825780DEST_PATH_IMAGE039
其中，max_speed为预设的最大车速阈值，base_wsize为预设的数据截取宽度基准值，smooth(vspeed)为当前的平均车速。
作为上述方案的改进，若所述滑动窗口是对数据流进行多个关联的振动信号联合提取，则所述滑动窗口的数据截取宽度dynamic_wsize为：
Figure 246397DEST_PATH_IMAGE040
其中，
Figure 656650DEST_PATH_IMAGE007
为预设的时间采样长度，
Figure 504520DEST_PATH_IMAGE008
为多个标量数据流的ti时刻的标准差。
其中，多个关联的振动信号联合提取是指数据中表现出的特征模式是出现在多个振动信号（这些振动信号由不同的悬架传感器同时采集）中的。如图5所示，由四个关联的振动信号随时间的变化共同表现出的数据模式。
作为上述方案的改进，所述滑动窗口的滑动步长与所述车辆悬架传感器的采样频率对应。
参见图6，是本发明一实施例提供的一种基于车辆悬架振动信号的路面地形识别装置的结构示意图，所述装置包括：
数据获取模块10，用于获取悬架传感器在车辆行驶过程中当前采集到的车辆悬架的振动信号数据；
地形识别模块11，用于当本次积累的待进行特征识别的振动信号数据的序列长度达到滑动窗口预设的数据截取宽度时，将本次积累的待进行特征识别的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别，从而得到路面地形的识别结果；其中，所述路面地形识别模型预先根据振动信号数据样本训练好。
综上，由于车辆悬架的振动能够准确反映出车辆的行驶路面的地形情况，而本发明实施例是通过对车辆悬架的振动进行实时感知，并通过对车辆悬架的振动信号的分析来识别出路面地形的，因此本发明实施例能够提高对路面地形识别结果的准确性，且相比于基于图像的路面地形识别方法，本发明实施例的算法运算量大大减小，从而避免占用过多的计算资源。
作为上述方案的改进，所述悬架传感器有至少两个，分布于车辆悬架的不同地方；则所述装置还包括：
数据保存模块，用于将获取到的所述振动信号数据按照时间的先后顺序以数据矩阵的形式进行保存，得到待进行数据特征提取的振动信号数据矩阵。
作为上述方案的改进，所述地形识别模块包括：
数据降维单元，用于当本次积累的待进行特征识别的振动信号数据矩阵中的数据的序列长度达到滑动窗口预设的数据截取宽度时，将所述振动信号数据矩阵进行PCA降维处理，得到降维后的振动信号数据；
地形识别单元，用于将降维后的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别。
作为上述方案的改进，所述装置还包括：
对获取到的所述振动信号数据进行数据处理，得到经过数据处理后的振动信号数据；所述数据处理包括以下中的至少一种：数据筛选、数据清洗、删除空缺值。
作为上述方案的改进，所述路面地形识别模型为用于识别路面地形的深度神经网络模型，则将所述振动信号数据矩阵进行PCA降维处理后得到的是经过PCA降维的振动信号数据矩阵。
作为上述方案的改进，所述路面地形识别模型为用于识别路面地形的XGBoost模型，则将所述振动信号数据矩阵进行PCA降维处理后得到的是经过PCA降维的振动信号数据向量。
作为上述方案的改进，所述滑动窗口的数据截取宽度
Figure 367434DEST_PATH_IMAGE041
与车辆当前的车速v对应，其计算式公式为：
Figure 591742DEST_PATH_IMAGE042
，
其中，a为预设的窗口偏差值，
Figure 856501DEST_PATH_IMAGE003
为初始的数据截取宽度。
示例性地，本发明一实施例还提供了一种基于车辆悬架振动信号对路面地形进行数据标注的装置，所述装置包括：
获取模块，用于获取由车辆摄像头在车辆行驶于试验道路工况下采集到的路面图像序列，获取由悬架传感器在车辆行驶于试验道路工况下采集到的车辆悬架的振动信号时序数据；所述试验道路工况的路面地形包括有目标路面地形；
数据截取模块，用于以预设的数据截取宽度的滑动窗口对所述振动信号时序数据进行数据的滑动截取，得到多段振动信号截取数据；
相似度计算模块，用于将多段所述振动信号截取数据与目标路面地形所对应的且为预设的振动信号数据模板进行相似度计算，得到对应的相似度值；
判断模块，用于判断所述相似度值是否大于预设的相似度阈值；
数据标注模块，用于若是，将所述路面图像序列中与所述相似度值对应的振动信号截取数据处于相同时间戳的图像标记为目标路面地形图像；
数据确认模块，用于将用户基于所述目标路面地形图像而确认的振动信号截取数据作为所述振动信号数据样本。
本发明实施例通过对车辆悬架的振动信号的分析，能够自动标注出为目标路面地形的路面图像，并根据用户基于目标路面地形图像的确认结果来将对应的振动信号截取数据作为所述振动信号数据样本，这样可以提高数据样本获取的效率及准确度。
作为上述方案的改进，所述装置还包括：
归一化模块，用于对所述振动信号时序数据进行归一化处理。
作为上述方案的改进，所述相似度计算模块具体用于：
基于DTW算法，计算每段所述振动信号截取数据所形成的曲线段与目标路面地形所对应的且为振动信号数据的曲线模板的相似度，得到对应的相似度值。
作为上述方案的改进，车辆多次重复行驶于试验道路工况下，且振动信号时序数据的数量为多个，则所述数据截取模块具体用于：
获取多个不同所述振动信号时序数据中的为中位数的振动信号时序数据；
以预设的数据截取宽度的滑动窗口对为中位数的所述振动信号时序数据进行数据的滑动截取，得到多段振动信号截取数据。
作为上述方案的改进，所述滑动窗口的数据截取宽度与车辆的车速对应，车辆车速越快，数据截取宽度越小；所述滑动窗口的滑动步长与所述悬架传感器的采样频率一致。
示例性地，在获取到车辆悬架的振动信号数据后，为了能够自动对车辆悬架的振动信号数据进行特征提取，以便于能够对提取到的振动信号的特征数据进行特征分析，以能够自动识别出与各路面地形所对应的新的振动信号数据特征，并将新的振动信号数据特征作为所述振动信号数据样本来用于训练所述路面地形识别模型，从而能够让所述路面地形识别模型能够对路面地形的识别更加准确，且能够识别出更多车辆工况下的路面地形。为了实现上述目的，本发明一实施例还提供了一种车辆悬架传感器的振动信号数据的特征自动提取装置，其包括：
数据流获取模块，用于获取在车辆行驶域当前路面地形下车辆悬架传感器产生的振动信号数据流；
数据序列截取模块，用于以预设的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列并存储；
数据拼接模块，用于将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的振动信号数据序列逐一进行数据拼接；
数据特征分析模块，用于对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列；所述数据特征模式序列用于作为所述振动信号数据样本。
在本发明实施例中，本发明实施例通过当前对所述振动信号数据流进行数据的滑动截取而得到的振动信号数据序列与先前截取到的振动信号数据序列逐一进行数据拼接；接着对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列，这样该数据特征模式序列就是新的可以用于代表当前路面地形的振动数据特征。由此可见，本发明实施例能够自动识别出与各路面地形所对应的新的振动信号数据特征，并将新的振动信号数据特征作为所述振动信号数据样本来用于训练所述路面地形识别模型，从而能够让所述路面地形识别模型能够对路面地形的识别更加准确，且能够识别出更多不同的车辆工况下的路面地形。
作为上述方案的改进，所述装置还包括：
相似度计算模块，用于将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的每一振动信号数据序列进行相似度计算，得到对应的相似度比较结果；
则，所述装置还包括：
数据融合模块，用于将所述数据特征模式序列与相似度比较结果为最高的且为先前截取的振动信号数据序列进行数据融合，得到融合后的数据特征模式序列。
示例性地，相似度的计算公式可以为相关系数计算公式：
Figure 140852DEST_PATH_IMAGE043
；
或者，可以为相似距离计算公式：
Figure 553378DEST_PATH_IMAGE044
其中，公式中的x、y分别为待计算相似度的两组数据模式样本序列，
Figure 253481DEST_PATH_IMAGE045
为x样本均值，
Figure 435064DEST_PATH_IMAGE046
为标准差，E(x)为x样本期望，m为样本长度。
示例性地，所述数据融合的算法为：
Figure 827999DEST_PATH_IMAGE047
其中，
Figure 727822DEST_PATH_IMAGE048
为预设的原有数据模式修正系数，
Figure 293932DEST_PATH_IMAGE049
为原有数据模式匹配度，
Figure 267705DEST_PATH_IMAGE050
为预设的新数据模式修正系数，
Figure 893858DEST_PATH_IMAGE051
为原有数据模式匹配度，
Figure 218660DEST_PATH_IMAGE052
为先前截取的且相似度最高的振动信号数据序列，
Figure 322882DEST_PATH_IMAGE053
为当前的数据特征模式序列。
在本实施例中，具体地，数据融合就是将新发现的数据流中的特征模式序列与缓存中匹配程度最大的振动信号序列按照序列的缓存索引i进行合并。数据融合的目的是算法识别出的新的数据特征模式序列具有随机性，大量的数据特征模式序列进行融合积累后，能产生稳定的特征模式，避免识别出的数据特征模式序列的偶然误差，导致最终的数据特征提取结果出错。
作为上述方案的改进，所述装置还包括：
数据上传模块，用于将融合后的数据特征模式序列与所述当前路面地形上传到服务器，以使所述服务器根据获取到的所有的与同一路面地形对应的数据特征模式序列进行数据分析，而得到数据分析结果；其中，所述数据分析结果包括道路路面地形识别结果。
作为上述方案的改进，所述数据序列截取模块包括：
数据序列截取单元，用于以预设的且与当前车速对应的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列；
数据归一化单元，用于对截取到的振动信号数据序列进行归一化处理并缓存。
在本实施例中，通过对截取到的振动信号数据序列进行归一化处理，这样利于后续的对振动信号数据的特征分析。
示例性地，归一化处理的算法为：
Figure 416740DEST_PATH_IMAGE054
；其中，∆t为滑动窗口的数据截取宽度，
Figure 151478DEST_PATH_IMAGE055
为截取到的振动信号数据序列，
Figure 760314DEST_PATH_IMAGE033
为标准差，
Figure 871490DEST_PATH_IMAGE056
为振动信号数据序列的均值。
作为上述方案的改进，所述数据特征分析模块具体用于：
通过Matrix Profile算法对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列。
具体地，Matrix Profile算法基于原理如图所。其中，从时间序列数据中提取一个片段并沿着时间序列的其余部分滑动，并计算它在每个新位置与时间序列片段的重叠相似的程度。更具体地说，可以计算子序列与同一长度的每个时间序列片段之间的欧几里德距离，从而建立所谓的时间序列片段的距离模式。如果子序列在数据中重复自身，则将至少有一个完全匹配，并且最小欧氏距离将为零。时间序列数据中是否包含相似模式可以通过计算时间序列数据窗口内的矩阵剖面的最小值获得，同一段时间序列数据分别作为矩阵的两个维度，一一对应计算矩阵中每个对应点的相似度距离di、dj，然后在列方向求最小值得到Pi, 在P1到Pn-m+1的序列中最小值对应的索引为产生相似数据模式的起点MPI（MatrixProfile Index），以MPI为起点取特定的窗口长度数据，即为拼接得到的所述数据序列中的数据特征模式序列。
具体地，Matrix Profile的计算公式有：
按列求相似度距离的最小值的公式：
Figure 882171DEST_PATH_IMAGE057
；
对计算得到的Pi序列求最小值的公式：
Figure 781951DEST_PATH_IMAGE058
。
作为上述方案的改进，所述滑动窗口的数据截取宽度
dynamic_wsize为：
Figure 261791DEST_PATH_IMAGE059
或，所述滑动窗口的数据截取宽度
dynamic_wsize为：
Figure 786947DEST_PATH_IMAGE060
其中，max_speed为预设的最大车速阈值，base_wsize为预设的数据截取宽度基准值，smooth(vspeed)为当前的平均车速。
作为上述方案的改进，若所述滑动窗口是对数据流进行多个关联的振动信号联合提取，则所述滑动窗口的数据截取宽度dynamic_wsize为：
Figure 36663DEST_PATH_IMAGE061
其中，
Figure 225198DEST_PATH_IMAGE007
为预设的时间采样长度，
Figure 534957DEST_PATH_IMAGE008
为多个标量数据流的ti时刻的标准差。
作为上述方案的改进，所述滑动窗口的滑动步长与所述车辆悬架传感器的采样频率对应。
参见图7，是本发明一实施例提供的基于车辆悬架振动信号的路面地形识别装置的示意图。该实施例的基于车辆悬架振动信号的路面地形识别装置包括：处理器1、存储器2以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如基于车辆悬架振动信号的路面地形识别程序。所述处理器执行所述计算机程序时实现上述各个基于车辆悬架振动信号的路面地形识别方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于车辆悬架振动信号的路面地形识别装置中的执行过程。
所述基于车辆悬架振动信号的路面地形识别装置可以是车辆的主控装置，例如车身域控制器。所述基于车辆悬架振动信号的路面地形识别装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于车辆悬架振动信号的路面地形识别装置的示例，并不构成对基于车辆悬架振动信号的路面地形识别装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于车辆悬架振动信号的路面地形识别装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于车辆悬架振动信号的路面地形识别装置的控制中心，利用各种接口和线路连接整个基于车辆悬架振动信号的路面地形识别装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于车辆悬架振动信号的路面地形识别装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于车辆悬架振动信号的路面地形识别装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (14)

1.一种基于车辆悬架振动信号的路面地形识别方法，其特征在于，包括：
获取悬架传感器在车辆行驶过程中当前采集到的车辆悬架的振动信号数据；
当本次积累的待进行特征识别的振动信号数据的序列长度达到滑动窗口预设的数据截取宽度时，将本次积累的待进行特征识别的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别，从而得到路面地形的识别结果；其中，所述路面地形识别模型预先根据振动信号数据样本训练好；
所述振动信号数据样本的获取方法包括：
获取由车辆摄像头在车辆行驶于试验道路工况下采集到的路面图像序列，获取由悬架传感器在车辆行驶于试验道路工况下采集到的车辆悬架的振动信号时序数据；所述试验道路工况的路面地形包括有目标路面地形；
以预设的数据截取宽度的滑动窗口对所述振动信号时序数据进行数据的滑动截取，得到多段振动信号截取数据；
将多段所述振动信号截取数据与目标路面地形所对应的且为预设的振动信号数据模板进行相似度计算，得到对应的相似度值；
判断所述相似度值是否大于预设的相似度阈值；
若是，将所述路面图像序列中与所述相似度值对应的振动信号截取数据处于相同时间戳的图像标记为目标路面地形图像；
将用户基于所述目标路面地形图像而确认的振动信号截取数据作为所述振动信号数据样本；
或，所述振动信号数据样本的获取方法包括：
获取在车辆行驶域当前路面地形下车辆悬架传感器产生的振动信号数据流；
以预设的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列并存储；
将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的振动信号数据序列逐一进行数据拼接；
对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列；所述数据特征模式序列用于作为所述振动信号数据样本。
2.如权利要求1所述的基于车辆悬架振动信号的路面地形识别方法，其特征在于，在获取到车辆悬架的振动信号数据后，在对所述振动信号数据进行特征识别之前，所述方法还包括：
对获取到的所述振动信号数据进行数据处理，得到经过数据处理后的振动信号数据；所述数据处理包括以下中的至少一种：数据筛选、数据清洗、删除空缺值。
3.如权利要求1所述的基于车辆悬架振动信号的路面地形识别方法，其特征在于，所述悬架传感器有至少两个，分布于车辆悬架的不同地方；
则在获取到车辆悬架的振动信号数据后，在对所述振动信号数据进行特征识别之前，所述方法还包括：
将获取到的所述振动信号数据按照时间的先后顺序以数据矩阵的形式进行保存，得到待进行数据特征提取的振动信号数据矩阵。
4.如权利要求3所述的基于车辆悬架振动信号的路面地形识别方法，其特征在于，所述当本次积累的待进行特征识别的振动信号数据的序列长度达到滑动窗口预设的数据截取宽度时，将本次积累的待进行特征识别的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别，包括：
当本次积累的待进行特征识别的振动信号数据矩阵中的数据的序列长度达到滑动窗口预设的数据截取宽度时，将所述振动信号数据矩阵进行PCA降维处理，得到降维后的振动信号数据；
将降维后的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别。
5.如权利要求4所述的基于车辆悬架振动信号的路面地形识别方法，其特征在于，所述路面地形识别模型为用于识别路面地形的深度神经网络模型，则将所述振动信号数据矩阵进行PCA降维处理后得到的是经过PCA降维的振动信号数据矩阵。
6.如权利要求4所述的基于车辆悬架振动信号的路面地形识别方法，其特征在于，所述路面地形识别模型为用于识别路面地形的XGBoost模型，则将所述振动信号数据矩阵进行PCA降维处理后得到的是经过PCA降维的振动信号数据向量。
7.如权利要求1所述的基于车辆悬架振动信号的路面地形识别方法，其特征在于，所述滑动窗口的数据截取宽度w'与车辆当前的车速v对应，其计算式公式为：
Figure FDA0002836145930000031
其中，a为预设的窗口偏差值，wi为初始的数据截取宽度，n为样本数量。
8.如权利要求1所述的基于车辆悬架振动信号的路面地形识别方法，其特征在于，在所述获取由悬架传感器在车辆行驶于试验道路工况下采集到的车辆悬架的振动信号时序数据之后，在所述获取由悬架传感器在车辆行驶于试验道路工况下采集到的车辆悬架的振动信号时序数据之前，所述方法还包括：
对所述振动信号时序数据进行归一化处理。
9.如权利要求1所述的基于车辆悬架振动信号的路面地形识别方法，其特征在于，所述将多段所述振动信号截取数据与目标路面地形所对应的且为预设的振动信号数据模板进行相似度计算，得到对应的相似度值，包括：
基于DTW算法，计算每段所述振动信号截取数据所形成的曲线段与目标路面地形所对应的且为振动信号数据的曲线模板的相似度，得到对应的相似度值。
10.如权利要求1所述的基于车辆悬架振动信号的路面地形识别方法，其特征在于，在所述将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的振动信号数据序列逐一进行数据拼接之前，在所述以预设的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列并存储之后，所述方法还包括：
将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的每一振动信号数据序列进行相似度计算，得到对应的相似度比较结果；
则，在所述对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列之后，所述方法还包括：
将所述数据特征模式序列与相似度比较结果为最高的且为先前截取的振动信号数据序列进行数据融合，得到融合后的数据特征模式序列。
11.如权利要求1所述的基于车辆悬架振动信号的路面地形识别方法，其特征在于，在得到融合后的数据特征模式序列后，所述方法还包括：
将融合后的数据特征模式序列与所述当前路面地形上传到服务器，以使所述服务器根据获取到的所有的与同一路面地形对应的数据特征模式序列进行数据分析，而得到数据分析结果；其中，所述数据分析结果包括道路路面地形识别结果。
12.一种基于车辆悬架振动信号的路面地形识别装置，其特征在于，包括：
数据获取模块，用于获取悬架传感器在车辆行驶过程中当前采集到的车辆悬架的振动信号数据；
地形识别模块，用于当本次积累的待进行特征识别的振动信号数据的序列长度达到滑动窗口预设的数据截取宽度时，将本次积累的待进行特征识别的振动信号数据作为输入量输入至预设的路面地形识别模型中进行路面地形特征的识别，从而得到路面地形的识别结果；其中，所述路面地形识别模型预先根据振动信号数据样本训练好；
所述装置还包括：
获取模块，用于获取由车辆摄像头在车辆行驶于试验道路工况下采集到的路面图像序列，获取由悬架传感器在车辆行驶于试验道路工况下采集到的车辆悬架的振动信号时序数据；所述试验道路工况的路面地形包括有目标路面地形；
数据截取模块，用于以预设的数据截取宽度的滑动窗口对所述振动信号时序数据进行数据的滑动截取，得到多段振动信号截取数据；
相似度计算模块，用于将多段所述振动信号截取数据与目标路面地形所对应的且为预设的振动信号数据模板进行相似度计算，得到对应的相似度值；
判断模块，用于判断所述相似度值是否大于预设的相似度阈值；
数据标注模块，用于若是，将所述路面图像序列中与所述相似度值对应的振动信号截取数据处于相同时间戳的图像标记为目标路面地形图像；
数据确认模块，用于将用户基于所述目标路面地形图像而确认的振动信号截取数据作为所述振动信号数据样本；
或，所述装置还包括：
数据流获取模块，用于获取在车辆行驶域当前路面地形下车辆悬架传感器产生的振动信号数据流；
数据序列截取模块，用于以预设的数据截取宽度的滑动窗口对所述振动信号数据流进行数据的滑动截取，以截取得到对应的振动信号数据序列并存储；
数据拼接模块，用于将当前截取得到的所述振动信号数据序列与本地存储的先前截取到的振动信号数据序列逐一进行数据拼接；
数据特征分析模块，用于对拼接得到的振动信号数据序列进行数据特征分析，并根据数据特征分析结果，确定拼接得到的所述振动信号数据序列中的数据特征模式序列；所述数据特征模式序列用于作为所述振动信号数据样本。
13.一种基于车辆悬架振动信号的路面地形识别装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至11中任意一项所述的基于车辆悬架振动信号的路面地形识别方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至11中任意一项所述的基于车辆悬架振动信号的路面地形识别方法。
CN202011056648.2A 2020-09-30 2020-09-30 基于悬架振动信号的路面地形识别方法、装置及存储介质 Active CN111898594B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011056648.2A CN111898594B (zh) 2020-09-30 2020-09-30 基于悬架振动信号的路面地形识别方法、装置及存储介质
PCT/CN2021/077778 WO2022068142A1 (zh) 2020-09-30 2021-02-25 基于悬架振动信号的路面地形识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011056648.2A CN111898594B (zh) 2020-09-30 2020-09-30 基于悬架振动信号的路面地形识别方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111898594A CN111898594A (zh) 2020-11-06
CN111898594B true CN111898594B (zh) 2021-01-26

Family

ID=73224089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011056648.2A Active CN111898594B (zh) 2020-09-30 2020-09-30 基于悬架振动信号的路面地形识别方法、装置及存储介质

Country Status (2)

Country Link
CN (1) CN111898594B (zh)
WO (1) WO2022068142A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898594B (zh) * 2020-09-30 2021-01-26 华人运通(上海)新能源驱动技术有限公司 基于悬架振动信号的路面地形识别方法、装置及存储介质
CN113147548B (zh) * 2021-04-20 2022-08-16 华人运通(江苏)技术有限公司 车载冰箱使用的控制方法、装置、设备及存储介质
CN114858489B (zh) * 2022-07-05 2022-09-09 山东亚华机械制造有限公司 一种车辆悬架性能分析实验平台
CN116861300B (zh) * 2023-09-01 2024-01-09 中国人民解放军海军航空大学 军用机型复杂机动动作数据集自动辅助标注方法及装置
CN117193668B (zh) * 2023-11-02 2024-01-30 南京凯奥思数据技术有限公司 高频振动数据稀释方法、装置及电子设备

Citations (3)

* 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
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
CN205615345U (zh) * 2016-04-19 2016-10-05 江西科技学院 一种车载路面状况识别装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208484A1 (en) * 2006-03-06 2007-09-06 Denso Corporation Vehicle cruise control system and road condition estimating system
CN102289674B (zh) * 2011-07-15 2013-01-23 王世峰 基于垂直加速度及路面图像的路面类型识别方法及装置
CN102254161B (zh) * 2011-07-15 2012-12-19 王世峰 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
CN102745197B (zh) * 2012-07-17 2014-10-08 山东理工大学 基于减振器阻尼解析仿真的汽车当前行驶路况辨识方法
CN103318180B (zh) * 2013-05-28 2015-09-09 万向钱潮股份有限公司 一种车辆路面不平度自动识别系统及方法
WO2015140966A1 (ja) * 2014-03-19 2015-09-24 株式会社小松製作所 路面状態判定方法、路面状態出力方法、路面状態判定装置および路面状態出力装置
CN111898594B (zh) * 2020-09-30 2021-01-26 华人运通(上海)新能源驱动技术有限公司 基于悬架振动信号的路面地形识别方法、装置及存储介质

Patent Citations (3)

* 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
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
CN205615345U (zh) * 2016-04-19 2016-10-05 江西科技学院 一种车载路面状况识别装置

Also Published As

Publication number Publication date
WO2022068142A1 (zh) 2022-04-07
CN111898594A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN111898594B (zh) 基于悬架振动信号的路面地形识别方法、装置及存储介质
CN112528878B (zh) 检测车道线的方法、装置、终端设备及可读存储介质
US10901967B2 (en) License plate matching systems and methods
CN109740415B (zh) 车辆属性识别方法及相关产品
CN111046856B (zh) 基于动静态特征提取并行位姿跟踪与地图创建的方法
CN110991506B (zh) 一种车辆品牌识别方法、装置、设备及存储介质
CN110795595A (zh) 基于边缘计算的视频结构化存储方法、装置、设备及介质
CN114155284A (zh) 基于多目标行人场景的行人跟踪方法、装置、设备及介质
CN114387591A (zh) 车牌识别方法、系统、设备及存储介质
CN112418150A (zh) 掌静脉图像评估方法、装置、计算机设备及存储介质
CN108304852B (zh) 道路路段类型的确定方法、装置以及存储介质、电子装置
CN115830002A (zh) 一种红外图像质量评价方法及装置
Ganapathy et al. A Malaysian vehicle license plate localization and recognition system
CN112215118B (zh) 车辆传感器数据特征自动提取方法、装置及计算机可读存储介质
CN112614109A (zh) 图像质量评估方法、装置以及计算机可读存储介质
CN112580629A (zh) 一种基于深度学习的车牌字符识别方法以及相关装置
CN115690747A (zh) 车辆盲区检测模型测试方法、装置、电子设备及存储介质
CN112200049B (zh) 对路面地形进行数据标注的方法、装置、设备及存储介质
CN113674307A (zh) 一种目标检测跟踪方法、装置及设备
CN112926610A (zh) 车牌图像筛选模型的构建方法与车牌图像筛选方法
CN110782459B (zh) 一种图像处理方法及装置
CN117495913B (zh) 夜间目标轨迹的跨时空关联方法和装置
CN113743413B (zh) 一种结合图像语义信息的视觉slam方法及系统
CN112184813B (zh) 车辆定位方法、装置、设备和存储介质
CN111311624B (zh) 一种点读设备的书本检测方法及装置

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