[发明专利]一种在线路面不平度辨识方法及系统

说明书

本发明实施例提供一种在线路面不平度辨识方法及系统。该方法包括：获取路面的待辨识时序信号；将所述待辨识时序信号输入至预先训练好的路面不平度等级分类模型中，得到所述路面不平度等级分类模型输出的路面不平度分类结果；其中，所述路面不平度等级分类模型是基于路面的训练集数据，以及按照路面不平度标准等级进行分类所得的等级标签对LSTM网络进行训练得到的。本发明实施例通过获取简单的少量时序信号，避免复杂的数据处理，快速实时获得路面不平度等级结果。

技术领域

本发明涉及车辆工程技术领域，尤其涉及一种在线路面不平度辨识方法及系统。

背景技术

路面不平度对于车辆的行驶安全和驾乘舒适性均有很大影响，掌握路面不平度信息对于车辆动力学控制尤其是悬架控制具有重要意义。在悬架控制中，需要满足乘坐舒适性和行驶安全性的双重要求，而不同不平度等级的路面下无法利用同一套控制参数实现最优的控制效果。因此路面不平度等级信息可以为控制算法的参数调节提供直接有效的依据。

现有的车载道路辨识策略整体可分为直接和间接两种方式。直接辨识的方式通过对道路表面进行感知测量来实现，它通常需要借助专用的传感器，表面光度仪是最简单、便捷的测量方法，但是它需要特殊定制且成本高，无法实现大规模商用。可见光成像是一种被广泛采用的方法，手工提取道路图像的颜色、纹理和边缘特征，通过训练神经网络分类器实现道路辨识；还有利用包含干路、湿路、雪路和泥路图像的数据集，用深度学习中的卷积神经网络模型进行端到端的辨识。但是这种方法需要巨大的计算量，且它的性能严重依赖于训练数据量。路面点云模型法利用车载激光雷达获取路面的三维点云数据，用形态梯度计算点集的粗糙度，在复杂环境下的实车实验证实该算法能够自适应地实现道路辨识。但激光雷达价格昂贵，建立点云时需要较大计算量和存储空间，可移植性也比较差。超声波法利用超声波传感器感知不同路面，提取回波信号的波形特征并输入到分类器中进行辨识，这种方法需要考虑车速和声波能量在大气中的耗散对辨识精度的影响。

上述直接辨识的方法都要借助专用的传感器，这不仅提高了道路辨识的成本、降低了传感器的可扩展性，而且算法的计算量大导致无法实现实时辨识。目前基于悬架系统响应的间接辨识方法受到了更多研究者的关注，不同粗糙度等级的道路对行驶车辆有着不同带宽和幅度的激励，反映在悬架上即为不同的加速度响应，间接辨识方法旨在从悬架加速度响应中反向推断出道路等级。

间接辨识法亦可分为基于模型的和数据驱动的方法，用卡尔曼滤波的方法从仿真和实验数据中估计道路的粗糙度，这种方法需要的模型简单、计算量小，且可扩展到利用其他信息来提升估计性能。数据驱动的方法可以不考虑路面激励到悬架系统响应的物理过程，利用算法模型自主地学习数据中的潜在模式。对单个悬架簧上质量的垂向加速度信号进行二阶小波变换，分别提取时域和变换域信号的统计波形特征，然后输入到自适应神经网络模糊推理系统中进行道路等级分类，但此方法需要很多数据预处理。簧下质量的加速度响应更适合用于道路辨识，因为它更易测量且能达到更高的准确率。

发明内容

本发明实施例提供一种在线路面不平度辨识方法及系统，用以解决现有技术中测量路面不平度时需要用到大量的数据，且易受环境的干扰导致测量结果不够精确的缺陷。

第一方面，本发明实施例提供一种在线路面不平度辨识方法，包括：

获取路面的待辨识时序信号；

将所述待辨识时序信号输入至预先训练好的路面不平度等级分类模型中，得到所述路面不平度等级分类模型输出的路面不平度分类结果；其中，所述路面不平度等级分类模型是基于路面的训练集数据，以及按照路面不平度标准等级进行分类所得的等级标签对LSTM网络进行训练得到的。

进一步地，所述获取路面的待辨识时序信号，具体包括：

采集车轮垂向加速度；

按照预设时长截取所述加速度，得到加速度片段；