CN114537070B - 一种用于悬架控制的汽车行驶前方路面等级智能感知方法 - Google Patents
一种用于悬架控制的汽车行驶前方路面等级智能感知方法 Download PDFInfo
- Publication number
- CN114537070B CN114537070B CN202210138732.1A CN202210138732A CN114537070B CN 114537070 B CN114537070 B CN 114537070B CN 202210138732 A CN202210138732 A CN 202210138732A CN 114537070 B CN114537070 B CN 114537070B
- Authority
- CN
- China
- Prior art keywords
- road surface
- automobile
- grade
- vehicle
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000000725 suspension Substances 0.000 title claims abstract description 37
- 238000004891 communication Methods 0.000 claims abstract description 30
- 230000004044 response Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000001133 acceleration Effects 0.000 claims description 63
- 230000009467 reduction Effects 0.000 claims description 49
- 238000007637 random forest analysis Methods 0.000 claims description 39
- 238000003066 decision tree Methods 0.000 claims description 37
- 238000000354 decomposition reaction Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 22
- 239000010426 asphalt Substances 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 11
- 239000011449 brick Substances 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 239000004568 cement Substances 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 230000009365 direct transmission Effects 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 26
- 238000004458 analytical method Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013016 damping Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
- B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
- B60G17/016—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by their responsiveness, when the vehicle is travelling, to specific motion, a specific condition, or driver input
- B60G17/0165—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by their responsiveness, when the vehicle is travelling, to specific motion, a specific condition, or driver input to an external condition, e.g. rough road surface, side wind
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本发明涉及一种用于悬架控制的汽车行驶前方路面等级智能感知方法，属于路面特征辨识和智能网联领域。该方法包括以下步骤：1、路面等级分类器模型建立；2、汽车振动响应数据采集及处理；3、基于汽车振动响应数据的行驶路面等级辨识；4、基于车车通信的汽车行驶前方路面等级智能感知。本发明首次基于车车通信进行随机输入路面协同感知，用于智能网联车对行驶前方路面等级的预判。从路面智能感知的角度出发，将车车通信与随机输入路面等级辨识相结合，实现“人‑车‑环境”信息融合，提高悬架控制有效性和及时性。
Description
技术领域
本发明涉及路面特征辨识和智能网联领域，具体涉及一种用于悬架控制的汽车行驶前方路面等级智能感知方法。
背景技术
在汽车主动悬架控制研究中，如何获取路面信息是确保控制及时性和有效性的关键。目前主要的路面特征感知方法包括直接测量法和反向分析法。直接测量法指通过外部设备，如激光雷达，摄像头，红外线等车载辅助设备来获取路面信息。反向分析法指在行驶的车辆上安装车辆振动传感器，通过获取不同路面下的车辆振动响应并结合不同的数据处理方法以及算法进行反向识别路面。
直接测量法虽然具有较好的识别能力，但是受到天气、夜间等外界环境影响较大，存在一定的弊端。而反向分析法主要借助机器学习算法对路面进行反向分析，外界的环境条件对它基本无影响，但是在悬架控制中存在时间滞后问题，影响悬架控制效果。
对于智能网联汽车，车载设备通过无线通信技术，对信息网络平台中的所有车辆动态信息进行有效利用，在车辆运行中提供不同的功能服务，目前主要应用于智能交通系统中，而将车联网技术应用于汽车行驶路面等级识别研究在国内还未涉及。
发明内容
为克服现有汽车行驶路面特征感知存在的不足，本发明提供一种用于悬架控制的汽车行驶前方路面等级智能感知方法。利用智能网联的车车通信技术，结合基于振动反向分析的随机输入路面等级辨识，实现一定范围内车车之间行驶路面的协同感知，达到汽车行驶前方路面的提前预判，为汽车主动悬架控制提供有效的技术支持。
本发明通过以下技术方案实现：一种用于悬架控制的汽车行驶前方路面等级智能感知方法，其特征在于，包括以下步骤：
步骤一：路面等级分类器模型构建：基于汽车悬架系统模型与随机输入路面模型，利用随机森林算法，构建路面等级分类器模型；
其具体过程如下：首先建立两自由度1/4汽车悬架系统模型和随机输入路面模型，在不同路面等级下进行汽车平顺性仿真得到车身垂向加速度和车轮垂向加速度；然后将车身垂向加速度和车轮垂向加速度进行经典模态分解，筛选信号分量特征；最后构建随机森林分类器模型并进行训练，得到不同等级路面下的随机森林决策树。
其中，所述的构建随机森林分类器模型具体过程如下：首先确定随机森林分类器模型中决策树的特征参数，并将特征参数进行归一化和标准化处理；然后确定随机森林分类器模型中决策树的调整参数，包括决策树的生成棵数、单棵决策树的最大深度；最后将归一化和标准化后的特征参数在随机森林分类器模型中进行训练，得到不同等级路面对应的随机森林决策树。其中决策树的特征参数包括车身垂向加速度最大值、均方根值、方根幅值、方差和车轮垂向加速度的最大值、均方根值、方根幅值、方差。
所述的随机森林分类器模型训练具体过程如下：将特征参数输入到随机森林分类器模型的决策树中，先进行特征评估，再进行样本重组，然后进行分裂。分裂过程中，若分支数据属于同一路面类型，则分类完毕不再分裂；若不属于同一路面类型，则要重复划分数据集，直到所有相同类型的数据均在一个数据子集内。
步骤二：汽车振动响应数据采集及处理：通过车载传感器采集行驶在不平整路面上的汽车振动响应数据，并对响应数据进行降噪降维处理；
其中，所述的降噪处理是采用小波包分解，具体过程如下：运用Matlab小波包分解工具箱，对车身垂向加速度和车轮垂向加速度进行降噪处理。分解过程为假设第j层第p个节点处的小波包系数为则在第j+1层对应的分解小波包系数为：
式中：j表示第j层小波包，p表示第p个节点，m和k均表示位置坐标，为假设第j层第p个节点处的小波包系数，/>为假设第j+1层第2p个节点处的小波包系数，/>为假设第j+1层第2p+1个节点处的小波包系数，h(m-2k)表示滤波器系数取值为m-2k时的低通滤波器，g(m-2k)表示滤波器系数取值为m-2k时的高通滤波器。
经过小波包分解，初始信号的能量集中在波动大的小波包系数上，而高斯白噪声经过分解后无波动，小波包系数较小。因此，随着小波包分解程度的增加，白噪声的能量会逐渐减小，实现降噪的目的。
所述的降维处理是运用主成分分析法对降噪后的车身垂向加速度和车轮垂向加速度进行降维，降维过程如下：
(1)样本数据集矩阵建立
设采集的振动信号数据样本个数为n个，每个信号包含p个特征，建立样本的数据集矩阵为：
(2)样本数据集标准化
将样本数据集进行标准化处理，具体表达式为：
式中，xij为标准化后的数据集矩阵，i表示矩阵行数的取值，最小取值为1，最大取值为n，j表示矩阵列数的取值，最小取值为1，最大取值为p，为每列特征平均值，var(xj)为标准差，数据预处理可以先出各个特征之间量纲和取值范围差异的影响；
(3)相关系数矩阵R计算
式中，xki与xkj表示通过标准化处理后的矩阵元素。
(4)主成分确定
利用相关系数矩阵R求出特征值λi以及特征向量ai，根据主成分贡献率确定主成分，实现样本数据的降维。
步骤三：基于汽车振动响应数据的行驶路面等级辨识：将降噪降维处理后的汽车振动响应数据输入到路面等级分类器模型中，实现对汽车自身行驶路面等级的辨识；其具体过程如下：将步骤二中降维降噪数据处理后的得到的车身垂向加速度和车轮垂向加速度数据输入到步骤一所述的路面等级分类器模型中，辨识实验路面等级。
步骤四：基于车车通信的汽车行驶前方路面等级智能感知：利用车载通信设备，将车车之间路面等级辨识结果进行数据传输，实现汽车行驶前方路面等级的智能感知。
其具体过程如下：首先测试直传、丢包重传、开启前向纠错传递三种传输模式的通信效率，确定最佳通信模式；然后通过V2X车载通信设备，将需要进行悬架控制的汽车(简称主车)前方一定范围内的其它汽车(简称前车)行驶路面等级辨识结果传输给主车；最后将主车和前车路面等级辨识结果进行对比，作为悬架控制的依据。
本发明的有益效果是：
1.本发明从路面智能感知的角度出发，将车车通信与随机输入路面等级辨识相结合，实现“人-车-环境”信息融合，提高悬架控制有效性和及时性。
2.本发明首次基于车车通信进行随机输入路面协同感知，用于智能网联车对行驶前方路面等级的预判。
3.在今后的研究中，可以将随机输入路面等级协同感知与汽车主动悬架控制相结合，根据对汽车行驶前方路面等级的预判结果，提前确定汽车主动悬架的控制模式，对提高汽车行驶平顺性意义重大。
附图说明
图1为本发明流程图。
图2为本发明所述的四分之一车辆悬架系统模型图。
图3为本发明所述的经验模态分解流程图。
图4为本发明所述的随机森林分类算法流程图。
图5为本发明所述的多层次数据处理流程图。
图6(a)为本发明所述的沥青路面示意图。
图6(b)为本发明所述的水泥路面示意图。
图6(c)为本发明所述的方砖路面示意图。
图6(d)为本发明所述的坑洼路面示意图。
图7为本发明所述的车车通信原理图。
图8(a)为本发明实验例中仿真得到的B级路面上车身垂向加速度经典模态分解图。
图8(b)为本发明实验例中仿真得到的B级路面上车轮垂向加速度经典模态分解图。
图9(a)为本发明实验例中仿真得到的C级路面上车身垂向加速度经典模态分解图。
图9(b)为本发明实验例中仿真得到的C级路面上车轮垂向加速度经典模态分解图。
图10(a)为本发明实验例中仿真得到的D级路面上车身垂向加速度经典模态分解图。
图10(b)为本发明实验例中仿真得到的D级路面上车轮垂向加速度经典模态分解图。
图11为本发明实验例中构建的整个随机森林决策树种某一个单棵决策树示意图。
图12(a)为本发明实验例中汽车平顺性实验车身传感器安装位置图。
图12(b)为本发明实验例中汽车平顺性实验车轮传感器安装位置图。
图13(a)为本发明实验例中将沥青路面上实验数据(车身垂向加速度)运用小波包分解降噪结果示意图。
图13(b)为本发明实验例中将沥青路面上实验数据(车轮垂向加速度)运用小波包分解降噪结果示意图。
图13(c)为本发明实验例中将水泥路面上实验数据(车身垂向加速度)运用小波包分解降噪结果示意图。
图13(d)为本发明实验例中将水泥路面上实验数据(车轮垂向加速度)运用小波包分解降噪结果示意图。
图13(e)为本发明实验例中将方砖路面上实验数据(车身垂向加速度)运用小波包分解降噪结果示意图。
图13(f)为本发明实验例中将方砖路面上实验数据(车轮垂向加速度)运用小波包分解降噪结果示意图。
图13(g)为本发明实验例中将坑洼路面上实验数据(车身垂向加速度)运用小波包分解降噪结果示意图。
图13(h)为本发明实验例中将坑洼路面上实验数据(车轮垂向加速度)运用小波包分解降噪结果示意图。
图14(a)为本发明实验例中将沥青路面实验数据运用主成分分析法降维结果示意图。
图14(b)为本发明实验例中将水泥路面实验数据运用主成分分析法降维结果示意图。
图14(c)为本发明实验例中将方砖路面实验数据运用主成分分析法降维结果示意图。
图14(d)为本发明实验例中坑洼路面将实验数据运用主成分分析法降维结果示意图。
图15(a)为本发明实验例中汽车对自身行驶实验路面等级的辨识结果示意图——沥青路面。
图15(b)为本发明实验例中汽车对自身行驶实验路面等级的辨识结果示意图——水泥路面。
图15(c)为本发明实验例中汽车对自身行驶实验路面等级的辨识结果示意图——方砖路面。
图15(d)为本发明实验例中汽车对自身行驶实验路面等级的辨识结果示意图——坑洼路面。
图16为本发明实验例中基于车车通信的汽车对行驶前方路面等级智能感知结果示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明的理论依据：
1、两自由度1/4汽车悬架系统力学模型
两自由度1/4汽车悬架系统力学模型结构简单利于分析，模型示意图如图2所示，图2中：ms、mu、ks、cs、kt、zs、zu、zr、u分别为车身质量、车轮质量、悬架刚度、悬架阻尼、轮胎刚度、车身垂向位移、车轮垂向位移、路面输入位移和可控悬架阻尼力，模型的动力学微分方程为：
2、随机输入路面数学模型
将路面与基准面的水平相对高度q与道路走向I的变化q(I)称为路面不平度函数，通常认为q(I)均值为零且服从正态分布，且用功率谱密度表达其特性，其数学模型表达式为：
式中：n为空间频率，单位是m-1；w为频率指数，通常取w＝2；n0为参考空间频率，数值为0.1m-1；Gq(n0)是路面不平度系数。
3汽车振动响应的经典模态分解
经验模态分解方法(Empirical Mode Decomposition，简称EMD)可以将原始信号分解为多个满足一定条件的IMF模态函数，主要是根据原始信号的自身特点，将原始信号不断地筛选，直到满足不能筛选分解的最终条件，得到相应的固有模态函数即IMF和余项。经验模态分解流程图如3所示。
4随机森林分类算法
随机森林是一种分类预测算法，由不同特征类型的决策树组成，决策树通过不断的特征分裂确定分类结果。随机森林算法分类过程如下：首先，从原始训练集有放回的随机抽取D个样本，n为特征个数；从n个特征里选择最为显著的一个进行分裂，通过分裂确定不同类型的决策树；最后，决策树投票决定最终的分类结果。随机森林分类算法流程图如图4所示。
5小波包分解降噪方法
运用Matlab小波包分解工具箱，对汽车振动响应数据进行降噪处理，分解过程为假设第j层第P个节点处的小波包系数为则在第j+1层对应的分解小波包系数为：
式中：j表示第j层小波包，p表示第p个节点，m和k均表示位置坐标，为假设第j层第p个节点处的小波包系数，/>为假设第j+1层第2p个节点处的小波包系数，/>为假设第j+1层第2p+1个节点处的小波包系数，h(m-2k)表示滤波器系数取值为m-2k时的低通滤波器，g(m-2k)表示滤波器系数取值为m-2k时的高通滤波器。
经过小波包分解，初始信号的能量集中在波动大的小波包系数上，而高斯白噪声经过分解后无波动，小波包系数较小。因此，随着小波包分解程度的增加，白噪声的能量会逐渐减小，实现降噪的目的。
6主成分分析降维方法
主成分分析降维方法对降噪后的振动响应数据进行降维，降维过程如下：
(1)样本数据集矩阵建立
设采集的振动信号数据样本个数为n个，每个信号包含p个特征，建立样本的数据集矩阵为：
(2)样本数据集标准化
将样本数据集进行标准化处理，具体表达式为：
式中，xij为标准化后的数据集矩阵，i表示矩阵行数的取值，最小取值为1，最大取值为n，j表示矩阵列数的取值，最小取值为1，最大取值为p，为每列特征平均值，var(xj)为标准差，数据预处理可以先出各个特征之间量纲和取值范围差异的影响.
(3)相关系数矩阵R计算
式中，xki与xkj表示通过标准化处理后的矩阵元素。
(4)主成分确定
利用相关系数矩阵R求出特征值λi以及特征向量ai，根据主成分贡献率确定主成分，实现样本数据的降维。
本发明的具体步骤如图1所示：
步骤一，路面等级分类器模型建立。依据理论依据1和理论依据2在不同等级随机输入路面下进行汽车平顺性仿真得到车身加速度和车轮加速度，并将车身加速度和车轮加速度进行经典模态分解，筛选信号分量特征，选取特征参数和调整参数，利用随机森林算法，构建随机森林分类器模型并进行训练，得到不同等级路面下的随机森林决策树，完成路面等级分类器模型的建立。其中，经典模态分解部分根据前述理论依据3内容完成，随机森林算法部分根据前述理论依据4内容完成。
其中构建随机森林分类器模型具体过程如下：首先确定随机森林分类器模型中决策树的特征参数，并将特征参数进行归一化和标准化处理；然后确定随机森林分类器模型中决策树的调整参数，包括决策树的生成棵数、单棵决策树的最大深度；最后将归一化和标准化后的特征参数在随机森林分类器模型中进行训练，得到不同等级路面对应的随机森林决策树。其中决策树的特征参数包括车身垂向加速度和车轮垂向加速度的最大值、均方根值、方根幅值、方差。
随机森林分类器模型训练具体过程如下：将特征参数输入到随机森林分类器模型的决策树中，先进行特征评估，再进行样本重组，然后进行分裂。分裂过程中，若分支数据属于同一路面类型，则分类完毕不再分裂；若不属于同一路面类型，则要重复划分数据集，直到所有相同类型的数据均在一个数据子集内。
步骤二，汽车振动响应数据采集与处理。将两个加速度传感器分别安装于车身和车轮相应位置，采集汽车行驶在不平整路面时的车身垂向加速度和车轮垂向加速度，并对采集的实验数据进行多层次数据处理。其中不平整路面包括图6(a)至图6(d)中所示路面类型(沥青路面、水泥路面、方砖路面、坑洼路面)中的任何一种。多层次数据处理部分根据前述理论依据5和理论依据6完成，多层次数据处理流程如图5所示。
步骤三：基于汽车振动响应数据的行驶路面等级辨识。将降噪降维处理后的车身垂向加速度和车轮垂向加速度输入到路面等级分类器模型中，实现对汽车自身行驶路面等级的辨识。
步骤四：基于车车通信的汽车行驶前方路面等级智能感知。对比测试直传、丢包重传、开启前向纠错传递三种传输模式的通信效率，确定最佳通信模式；通过V2X车载通信设备，将需要进行悬架控制的汽车(简称主车)前方一定范围内的其它汽车(简称前车)行驶路面等级辨识结果传输给主车。车车通讯原理如图7所示。
本发明建立了一种用于悬架控制的汽车行驶前方路面等级智能感知方法，该方法研究结果表明，利用车载通信设备，通过车车通信方式可以将车辆自身行驶路面辨识结果在车车之间进行互相传输，可以实现悬架控制中汽车行驶前方路面等级的智能感知。
采用本发明技术方案，获取相关数据的具体应用实验例执行过程如下：
(1)路面等级分类器模型建立。本文依据实验车辆相关参数搭建了1/4汽车悬架系统模型，参数如表1所示。在B、C、D三种等级的随机输入路面下分别进行汽车平顺性仿真，对仿真得到的车身垂向加速度和车轮垂向加速度信号进行经典模态分解，结果如图8-图10所示。选取路面等级分类器模型的决策树特征参数，分别为车身垂向加速度和车轮加速度的最大值、均方根值、方根幅值、方差，确定决策树生成个数为120个，决策树最大深度为9，最终生成路面等级分类器模型中不同等级路面上的随机森林决策树120棵。单棵随机森林决策树示意图如图11所示，由图11可知，不同路面决策树上特征参数数据范围差别明显，保证了高准确率的特征区分量。
表1车辆模型参数
(2)汽车振动响应数据采集与处理。本次实验CT1005LC加速度传感器和NI USB-4431数据采集仪，传感器安装位置如图12(a)、图12(b)所示。选择图6(a)至图6(d)所示的所有路面类型分别进行汽车平顺性实验及数据采集，加速度传感器采集车辆行驶过程中相应位置的振动电信号，通过NI USB-4431数据采集仪将信号转换为数字信号并存储。
本文运用Matlab小波包分解工具箱，对传感器采集的车身垂向加速度和车轮垂向加速度初始信号进行多层次数据处理，分别得到沥青路面、水泥路面、方砖路面、坑洼路面的车轮垂向加速度和车身垂向加速度降噪对比图，如图13(a)至图13(h)所示。经过降噪后获取的车轮垂向加速度和车身垂向加速度利用经典模态分解各自得到3个IMF分量，合计可以得出6个IMF分量，每个IMF分量可以提取出最大值、均方根值、方根幅值、方差4个特征参数。因此一共可以提取出24个数据。将每种路面上最终提取的24个数据运用主成分分析方法进行降维，获得的结果如图14(a)至图14(d)所示。
由图13(a)至图13(h)可知，沥青路面降噪前后的信号差别不大，降噪效果并不明显；但随着路面不平度的提高，水泥路面和方砖路面降噪对比逐渐增强，坑洼路面的降噪前后的信号差别明显，降噪的效果好。由此可知，不同路面等级下的信号特征变化也不同，随着路面不平度的提高，信号的特征变化幅度也随之提高，小波对信号降噪的效果逐步增强。
由图14(a)至图14(d)可知，从主成分贡献率来看，沥青、水泥、方砖、坑洼四种路面下的第一维贡献率在75％-90％之间，第二维到第五维的贡献率从20％逐步减少，第六维以后的主成分贡献率为0。在主成分累计贡献率来看，四种路面的前五维累计贡献率从75％不断增加，到第五维时的累计贡献率接近100％，第六维以后的贡献率就不再增长。综上，经过主成分分析降维后，24维数据集降到了5维。
(3)基于汽车振动响应数据的行驶路面等级辨识。将经过多层次数据处理降维后的实验数据输入到图11所示的路面等级分类器模型中的决策树中，得到四种实验路面等级的辨识结果如图15(a)至图15(d)和表2所示。从图15(a)至图15(d)和表2中可以看出，识别出沥青路面为B级路面的概率是92％；水泥路面属于C级路面的概率为95％；砖路路面属于C级路面的概率为90％；坑洼路面属于D级路面的概率为95％。
表2路面等级辨识结果
(4)基于车车通信的汽车行驶前方路面等级智能感知。本文将直传、丢包重传、开启前向纠错传递三种传输模式的通信效率，确定了开启前向纠错模式为最佳通信模式。通过V2X车载通信设备，将需要进行悬架控制的汽车(简称主车)前方一定范围内的其它汽车(简称前车)行驶路面等级辨识结果传输给主车。传输信号结果如图16所示。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (5)
1.一种用于悬架控制的汽车行驶前方路面等级智能感知方法，其特征在于，包括以下步骤：
步骤一：路面等级分类器模型建立：基于汽车悬架系统模型与随机输入路面模型，利用随机森林算法，构建路面等级分类器模型；
其具体过程如下：首先建立两自由度1/4汽车悬架系统模型和随机输入路面模型，在不同等级路面下进行汽车平顺性仿真得到汽车振动响应，获取车身垂向加速度和车轮垂向加速度，然后将车身垂向加速度和车轮垂向加速度进行经典模态分解，筛选信号分量特征，最后构建随机森林分类器模型并进行训练，得到不同等级路面下的随机森林决策树，完成路面等级分类器模型的建立；
步骤二：汽车振动响应数据采集及处理：通过车载传感器采集行驶在不平整路面上的汽车振动响应数据，并通过多层次数据处理系统对响应数据进行降维降噪处理；
其中，不平整路面可以是沥青路面、水泥路面、方砖路面、坑洼路面四种类型中的任何一种；
步骤三：基于汽车振动响应数据的行驶路面等级辨识：将降噪降维处理后的汽车振动响应数据输入到建立的路面等级分类器模型中，实现汽车对自身行驶路面等级的辨识；具体为：将步骤二降维降噪数据处理后的车身垂向加速度和车轮垂向加速度数据输入到步骤一所述的路面等级分类器模型中，辨识汽车行驶路面等级；
步骤四：基于车车通信的汽车行驶前方路面等级智能感知：利用车载通信设备，将车车之间路面等级辨识结果进行数据传输，实现汽车对行驶前方路面等级的智能感知：具体为：首先测试直传、丢包重传、开启前向纠错传递三种传输模式的通信效率，确定最佳通信模式；然后通过V2X车载通信设备，将需要进行悬架控制的汽车(主车)，前方一定范围内的其它汽车(前车)，行驶路面等级辨识结果传输给主车；最后将主车和前车路面等级辨识结果进行对比。
2.根据权利要求1所述的一种用于悬架控制的汽车行驶前方路面等级智能感知方法，其特征在于，所述的构建随机森林分类器模型具体过程如下：首先确定随机森林分类器模型中决策树的特征参数，并将特征参数进行归一化和标准化处理；然后确定随机森林分类器模型中决策树的调整参数，包括决策树的生成棵数、单棵决策树的最大深度；最后将归一化和标准化后的特征参数在随机森林分类器模型中进行训练，得到不同等级路面对应的随机森林决策树；其中决策树的特征参数包括车身垂向加速度最大值、均方根值、方根幅值、方差和车轮垂向加速度的最大值、均方根值、方根幅值、方差；
所述的随机森林分类器模型训练具体过程如下：将特征参数输入到随机森林分类器模型的决策树中，先进行特征评估，再进行样本重组，然后进行分裂；分裂过程中，若分支数据属于同一路面类型，则分类完毕不再分裂；若不属于同一路面类型，则要重复划分数据集，直到所有相同类型的数据均在一个数据子集内。
3.根据权利要求1所述的一种用于悬架控制的汽车行驶前方路面等级智能感知方法，其特征在于，步骤二中所述的多层次数据处理系统包括降噪处理和降维处理。
4.根据权利要求3所述的一种用于悬架控制的汽车行驶前方路面等级智能感知方法，其特征在于，所述的降噪处理是采用小波包分解，具体过程如下：运用Matlab小波包分解工具箱，对车身垂向加速度和车轮垂向加速度进行降噪处理，得到不同路面下的车身垂向加速度和车轮垂向加速度降噪对比曲线；分解过程为假设第j层第p个节点处的小波包系数为则在第j+1层对应的分解小波包系数为：
式中：j表示第j层小波包，p表示第p个节点，m和k均表示位置坐标，为假设第j层第p个节点处的小波包系数，/>为假设第j+1层第2p个节点处的小波包系数，/>为假设第j+1层第2p+1个节点处的小波包系数，h(m-2k)表示滤波器系数取值为m-2k时的低通滤波器，g(m-2k)表示滤波器系数取值为m-2k时的高通滤波器。
5.根据权利要求3所述的一种用于悬架控制的汽车行驶前方路面等级智能感知方法，其特征在于，所述的降维处理是运用主成分分析法对降噪后的车身垂向加速度和车轮垂向加速度进行降维，降维过程如下：
(1)设采集的振动信号数据样本个数为n个，每个信号包含p个特征，样本的数据集矩阵为：
(2)样本数据集标准化
式中，xij为标准化后的数据集矩阵，i表示矩阵行数的取值，最小取值为1，最大取值为n，j表示矩阵列数的取值，最小取值为1，最大取值为p，为每列特征平均值，var(xj)为标准差，数据预处理可以先出各个特征之间量纲和取值范围差异的影响；
(3)相关系数矩阵R计算
式中，xki与xkj表示通过标准化处理后的矩阵元素；
(4)主成分确定
利用相关系数矩阵R求出特征值λi以及特征向量ai，根据主成分贡献率确定主成分，实现数据的降维。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210138732.1A CN114537070B (zh) | 2022-02-15 | 2022-02-15 | 一种用于悬架控制的汽车行驶前方路面等级智能感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210138732.1A CN114537070B (zh) | 2022-02-15 | 2022-02-15 | 一种用于悬架控制的汽车行驶前方路面等级智能感知方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114537070A CN114537070A (zh) | 2022-05-27 |
| CN114537070B true CN114537070B (zh) | 2024-04-16 |
Family
ID=81675435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210138732.1A Active CN114537070B (zh) | 2022-02-15 | 2022-02-15 | 一种用于悬架控制的汽车行驶前方路面等级智能感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114537070B (zh) |
Citations (10)
| 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 |
| CN109584632A (zh) * | 2018-12-14 | 2019-04-05 | 深圳壹账通智能科技有限公司 | 路况预警方法、装置、计算机设备和存储介质 |
| CN110154666A (zh) * | 2019-04-28 | 2019-08-23 | 西安理工大学 | 一种可实现路况预测的车辆悬架系统自适应反推控制方法 |
| CN110458080A (zh) * | 2019-08-05 | 2019-11-15 | 西藏宁算科技集团有限公司 | 一种汽车行驶中前方坑洞的预判方法及系统 |
| CN111223320A (zh) * | 2020-02-18 | 2020-06-02 | 上汽大众汽车有限公司 | 基于v2i的低附路面智能驾驶安全控制方法 |
| CN111860322A (zh) * | 2020-07-20 | 2020-10-30 | 吉林大学 | 一种基于多源传感器信息融合的非结构化路面类型识别方法 |
| CN111967308A (zh) * | 2020-07-01 | 2020-11-20 | 清华大学 | 一种在线路面不平度辨识方法及系统 |
| CN112549893A (zh) * | 2020-12-11 | 2021-03-26 | 浙江戈尔德智能悬架股份有限公司 | 一种汽车智能电控悬架减振系统 |
| CN113183709A (zh) * | 2021-06-04 | 2021-07-30 | 合肥工业大学 | 一种汽车电控悬架预瞄控制方法 |
| CN113352832A (zh) * | 2021-07-06 | 2021-09-07 | 南昌大学 | 一种基于路面等级识别的多目标动态最优主动悬架控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9889716B2 (en) * | 2016-02-03 | 2018-02-13 | Ford Global Technologies, Llc | Roadway-crossing-anomaly detection system and method |
| KR20220015171A (ko) * | 2020-07-30 | 2022-02-08 | 현대자동차주식회사 | 차량 서스펜션 제어 장치 및 방법 |
-
2022
- 2022-02-15 CN CN202210138732.1A patent/CN114537070B/zh active Active
Patent Citations (10)
| 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 |
| CN109584632A (zh) * | 2018-12-14 | 2019-04-05 | 深圳壹账通智能科技有限公司 | 路况预警方法、装置、计算机设备和存储介质 |
| CN110154666A (zh) * | 2019-04-28 | 2019-08-23 | 西安理工大学 | 一种可实现路况预测的车辆悬架系统自适应反推控制方法 |
| CN110458080A (zh) * | 2019-08-05 | 2019-11-15 | 西藏宁算科技集团有限公司 | 一种汽车行驶中前方坑洞的预判方法及系统 |
| CN111223320A (zh) * | 2020-02-18 | 2020-06-02 | 上汽大众汽车有限公司 | 基于v2i的低附路面智能驾驶安全控制方法 |
| CN111967308A (zh) * | 2020-07-01 | 2020-11-20 | 清华大学 | 一种在线路面不平度辨识方法及系统 |
| CN111860322A (zh) * | 2020-07-20 | 2020-10-30 | 吉林大学 | 一种基于多源传感器信息融合的非结构化路面类型识别方法 |
| CN112549893A (zh) * | 2020-12-11 | 2021-03-26 | 浙江戈尔德智能悬架股份有限公司 | 一种汽车智能电控悬架减振系统 |
| CN113183709A (zh) * | 2021-06-04 | 2021-07-30 | 合肥工业大学 | 一种汽车电控悬架预瞄控制方法 |
| CN113352832A (zh) * | 2021-07-06 | 2021-09-07 | 南昌大学 | 一种基于路面等级识别的多目标动态最优主动悬架控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于SegNet的非结构道路可行驶区域语义分割;张凯航;冀杰;蒋骆;周显林;;重庆大学学报;20200315(03);全文 * |
| 基于全卷积神经网络的车道线检测;王帅帅;刘建国;纪郭;;数字制造科学;20200615(02);全文 * |
| 基于几何特征的不平整路面三维建模与分析研究;刘宗凯;杨小强;韩金华;;振动与冲击;20200825(16);全文 * |
| 基于多传感器信息融合的路面等级识别研究;胡益谦;赵丰;;车辆与动力技术;20170915(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114537070A (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107492251B (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
| CN112561146B (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
| CN111970309B (zh) | 基于Spark车联网组合深度学习入侵检测方法及系统 | |
| CN106373397B (zh) | 基于模糊神经网络的遥感图像道路通行情况分析方法 | |
| CN110570613A (zh) | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 | |
| CN106570477A (zh) | 基于深度学习的车型识别模型构建方法及车型识别方法 | |
| CN111598142B (zh) | 一种用于轮式移动机器人的室外地形分类方法 | |
| CN110288825B (zh) | 基于多源数据融合和snmf的交通控制子区聚类划分方法 | |
| CN110614894A (zh) | 用于复杂路况的主动悬架控制系统和控制方法 | |
| CN110909637A (zh) | 一种基于视触融合的室外移动机器人地形识别方法 | |
| CN106952361A (zh) | 一种高效的车辆行驶状态识别系统 | |
| Menegazzo et al. | Road surface type classification based on inertial sensors and machine learning: A comparison between classical and deep machine learning approaches for multi-contextual real-world scenarios | |
| JP7464236B2 (ja) | 複雑ネットワークによる自動運転車の複雑環境モデル、認知システム及び認知方法 | |
| Fox et al. | Crowdsourcing undersampled vehicular sensor data for pothole detection | |
| CN112115871B (zh) | 适用于行人目标检测的高低频交织边缘特征增强方法 | |
| 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 | |
| CN116205024A (zh) | 一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法 | |
| Menegazzo et al. | Multi-contextual and multi-aspect analysis for road surface type classification through inertial sensors and deep learning | |
| CN116738211A (zh) | 一种基于多源异构数据融合的道路状况识别方法 | |
| Byrne et al. | Identifying road defect information from smartphones | |
| CN114537070B (zh) | 一种用于悬架控制的汽车行驶前方路面等级智能感知方法 | |
| CN109405962B (zh) | 一种道路交通噪声频谱计算方法 | |
| CN107066501A (zh) | 一种基于道路相似性的机动车尾气遥测设备布点方法 | |
| CN112651666A (zh) | 一种基于驾驶模式转移特征的驾驶员风险评估方法 | |
| CN107730717A (zh) | 一种基于特征提取的公共交通可疑卡识别方法 |
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 |