基于深度學(xué)習(xí)的路面不平度等級(jí)識(shí)別研究

薛俊俊 陳雙

摘要：準(zhǔn)確的路面激勵(lì)信息對(duì)汽車(chē)行駛安全性和乘坐舒適性有重要影響。針對(duì)目前路面不平度等級(jí)識(shí)別算法存在復(fù)雜和準(zhǔn)確率低等問(wèn)題，提出了一種注意力門(mén)控循環(huán)單元（BiGRU-Attention）網(wǎng)絡(luò)和車(chē)輛振動(dòng)響應(yīng)的路面不平度等級(jí)識(shí)別算法。首先，通過(guò)濾波白噪聲法建立隨機(jī)輸入路面模型，1/4車(chē)輛振動(dòng)模型平順性仿真實(shí)驗(yàn)獲取車(chē)輛振動(dòng)響應(yīng)信號(hào)，選擇滑動(dòng)窗口為1 s截取樣本構(gòu)造數(shù)據(jù)集;然后，通過(guò)BiGRU網(wǎng)絡(luò)學(xué)習(xí)樣本信號(hào)的深層次信息，Attention機(jī)制優(yōu)化時(shí)刻特征對(duì)辨識(shí)結(jié)果的貢獻(xiàn)率比重，快速準(zhǔn)確地識(shí)別出路面不平度等級(jí);最后通過(guò)消融實(shí)驗(yàn)實(shí)現(xiàn)算法的驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，基于BiGRU-Attention路面不平度等級(jí)識(shí)別算法的準(zhǔn)確率可達(dá)96.9%，相比基礎(chǔ)模型有1%～3%的提升。該算法能夠準(zhǔn)確識(shí)別路面不平度等級(jí)，為車(chē)輛動(dòng)力學(xué)控制提供有力的理論依據(jù)。關(guān)鍵詞：反向分析;路面不平度等級(jí)辨識(shí);深度學(xué)習(xí);門(mén)控循環(huán)單元;注意力機(jī)制

中圖分類(lèi)號(hào)：U463文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1009-9492（2021）11-0066-04

Research on Road Roughness Level Recognition Based on Deep Learning

Xue Junjun ，Chen Shuang ※

（Automobile and Traffic Engineering， Liaoning University of Technology， Jinzhou， Liaoning 121000， China）

Abstract： Accurate road surface incentive information has an important impact on the safety and ride comfort of vehicles. Aiming at the problems of complexity and low accuracy in the current road roughness level recognition algorithm， a road roughness level recognition algorithm was proposed based on the BiGRU-Attention network and vehicle vibration responses. Firstly， a random input road model was established by filtering white noise method， and a quarter of the vehicle model ride comfort simulation experiment was used to obtain vehicle vibration response signals to establish a data set. Then， the in-depth information of the sample signals is captured through the BiGRU network and the Attention mechanism optimize the contribution rate of the moment feature to the identification result， so that the road roughness level can be accurately identified. Finally， the verification of the algorithm was achieved through ablation study. The results show that the identificationaccuracyof theroadroughnesslevelrecognitionalgorithmbasedonBiGRU-Attentioncanreach 96.9% ，whichisan improvement of 1%～3% compared with the basic model. The algorithm can accurately identify the level of road roughness and provide a strong theoretical basis for vehicle dynamics control.

Key words： reverse analysis; road roughness level recognition; deep learning; gated recurrent unit; attention mechanism

0 引言

在行駛過(guò)程中，車(chē)輛振動(dòng)主要的激勵(lì)來(lái)源于路面，辨識(shí)路面不平度對(duì)車(chē)輛動(dòng)力學(xué)控制有重要意義。不同等級(jí)的路面下需要不同的懸架控制參數(shù)，來(lái)滿(mǎn)足車(chē)輛行駛安全性和乘坐舒適性。因此，準(zhǔn)確辨識(shí)路面不平度等級(jí)能夠?yàn)榭刂茀?shù)的調(diào)節(jié)提供直接的依據(jù)。目前常用的路面信息獲取的方法有測(cè)量法和反向分析法。

測(cè)量法包括直接測(cè)量法和非接觸測(cè)量法。直接測(cè)量法[1]是利用路面不平度測(cè)量?jī)x直接測(cè)量路面不平度，但是，由于直接測(cè)量法無(wú)法實(shí)現(xiàn)車(chē)載實(shí)時(shí)測(cè)量，目前應(yīng)用較少。非接觸測(cè)量法[2-3]是指利用激光雷達(dá)、紅外線、車(chē)載攝像頭等設(shè)備，對(duì)路面信息進(jìn)行直接提取，從而對(duì)不同路面進(jìn)行識(shí)別。直接測(cè)量法雖然獲取的路面范圍廣，但是成本較高，對(duì)天氣等條件也很敏感。

反向分析法是指在行駛的車(chē)輛上安裝加速度傳感器、位移傳感器等，通過(guò)獲取不同路面下的車(chē)輛振動(dòng)響應(yīng)并結(jié)合算法反向識(shí)別路面。Nguyen等[4]基于車(chē)輛響應(yīng)和隨機(jī)森林等方法檢測(cè)道路表面的狀態(tài)，進(jìn)行路面分類(lèi)辨識(shí);林聰?shù)萚5]通過(guò)建立 NARX 神經(jīng)網(wǎng)絡(luò)路面不平度預(yù)測(cè)模型，利用車(chē)輛響應(yīng)對(duì)路面不平度進(jìn)行預(yù)測(cè).與測(cè)量法相比，通過(guò)車(chē)輛振動(dòng)響應(yīng)的反向分析法受外界因素，如天氣、光線等影響較小，性?xún)r(jià)比高。

隨著人工智能的逐漸普及，深度學(xué)習(xí)成為近幾年的研究熱點(diǎn)，它的優(yōu)勢(shì)在于可以自動(dòng)快速構(gòu)建深層特征，具有良好的魯棒性。目前，深度學(xué)習(xí)在智能交通系統(tǒng)和車(chē)輛領(lǐng)域有一定的發(fā)展，如交通流量預(yù)測(cè)[6]、環(huán)境感知[7-8]和駕駛行為識(shí)別[9]等方面。本文在門(mén)控循環(huán)單元（GRU）網(wǎng)絡(luò)中引入雙向循環(huán)機(jī)制（Bidirectional）和注意力機(jī)制（ Attention ），建立了利用BiGRU-Attention 網(wǎng)絡(luò)作為主體，選擇車(chē)身加速度和車(chē)輪加速度作為輸入量的路面不平度等級(jí)識(shí)別模型，通過(guò)BiGRU學(xué)習(xí)車(chē)輛振動(dòng)響應(yīng)信號(hào)中的深層次信息，Attention 突出時(shí)刻特征對(duì)路面等級(jí)辨識(shí)結(jié)果的貢獻(xiàn)率比重，同時(shí)避免特征信息在傳遞過(guò)程中的損失，準(zhǔn)確識(shí)別出路面不平度等級(jí)。因此，相比其他深度學(xué)習(xí)方法更適合應(yīng)用車(chē)輛振動(dòng)響應(yīng)的時(shí)序分析。

1BiGRU-Attention模型設(shè)計(jì)

1.1 模型結(jié)構(gòu)

本文的創(chuàng)新點(diǎn)是基于BiGRU-Attention 算法捕捉時(shí)序車(chē)輛振動(dòng)響應(yīng)信號(hào)特征，建立路面不平度等級(jí)識(shí)別模型。BiGRU-Attention 模型由輸入層、BiGRU層、Atten- tion層和輸出層組成，結(jié)構(gòu)如圖1所示。車(chē)輛振動(dòng)響應(yīng)信號(hào)作為輸入，BiGRU層和Attention 層提取時(shí)序結(jié)構(gòu)特征以實(shí)現(xiàn)辨識(shí)路面等級(jí)的作用，最后輸出層利用Softmax函數(shù)輸出路面等級(jí)，分別是 A 級(jí)路面、B 級(jí)路面、C 級(jí)路面、D 級(jí)路面的識(shí)別率。

1.2 輸入層

BiGRU-Attention 模型的輸入為：

Xt ={α1（t）， α2（t）} （1）

式中：Xt為 t 時(shí)刻的模型輸入向量;α1（t）為車(chē)身垂向加速度;α2（t）為車(chē)輪垂向加速度。每組樣本數(shù)據(jù)根據(jù)滑動(dòng)窗口大小確定為100個(gè)時(shí)刻。

1.3BiGRU層

長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）[10]引入了門(mén)控機(jī)制調(diào)節(jié)信息流，成功解決了循環(huán)神經(jīng)網(wǎng)絡(luò)存在的梯度消失等問(wèn)題。然而， LSTM 模型結(jié)構(gòu)復(fù)雜，需要較長(zhǎng)的訓(xùn)練時(shí)圖2GRU結(jié)構(gòu)間。2014年，Cho等[11]針對(duì)優(yōu)化 LSTM的結(jié)構(gòu)提出了門(mén)控循環(huán)單元（GRU）網(wǎng)絡(luò)，結(jié)構(gòu)如圖2所示。圖中zt代表更新門(mén)，rt 代表重置門(mén)，Vt 是 GRU網(wǎng)絡(luò)在 t 時(shí)刻的輸出，由前一時(shí)刻的輸出信息 Vt-1和當(dāng)前記憶內(nèi)容 V′t 組成的，利用更新門(mén)控制這兩類(lèi)信息的流入。

GRU網(wǎng)絡(luò)更新權(quán)重參數(shù)公式如下：

式中：Xt為 GRU網(wǎng)絡(luò)在 t 時(shí)刻的輸入向量;wxz，wVz和bz分別為權(quán)重矩陣和偏差參數(shù);σ和 tanh 為激活函數(shù);⊙為按元素乘法。

傳統(tǒng) GRU 網(wǎng)絡(luò)傳遞信息方向?yàn)檠貢r(shí)間序列單向傳遞，只能獲取歷史時(shí)刻信息，忽略了未來(lái)時(shí)刻信息。而B(niǎo)iGRU雙向網(wǎng)絡(luò)，充分考慮了車(chē)輛振動(dòng)響應(yīng)樣本數(shù)據(jù)前后的時(shí)序信息，更準(zhǔn)確地提取路面等級(jí)特征。

BiGRU網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，圖中 GRU1表示正向 GRU ， GRU2為反向 GRU 。正向隱藏層輸出 h1t 和反向隱藏層 h2t 輸出共同決定了BiGRU網(wǎng)絡(luò)在 t 時(shí)刻的隱藏層狀態(tài)ht。

1.4 Attention層

在處理時(shí)序問(wèn)題時(shí)，Attention 賦予時(shí)序特征不同的權(quán)重，利用概率分配法，使得模型在訓(xùn)練時(shí)重點(diǎn)關(guān)注占比更大的信息，提高模型精度[12]。因此，將 Attention 引入BiGRU網(wǎng)絡(luò)中，有效突出不同等級(jí)路面的車(chē)輛振動(dòng)響應(yīng)特征，提高識(shí)別準(zhǔn)確率。Attention 層計(jì)算公式如下：

式中：st為 Attention 層得到的初始向量;ot為注意力權(quán)重系數(shù); Y 為 Attention 層的輸出向量;et 為注意力比重，該值越大，Vt 對(duì)路面等級(jí)表征的貢獻(xiàn)率越大;wt和bt分別為權(quán)重矩陣和偏差參數(shù)。

1.5 輸出層

為了生成各等級(jí)路面的識(shí)別率，輸出層選擇Softmax函數(shù)。Attention 層的輸出向量 Y 通過(guò)Softmax函數(shù)進(jìn)行計(jì)算，進(jìn)而得出各級(jí)路面識(shí)別率。計(jì)算公式如下：

式中：w1和 b1分別為 Attention 層到輸出層的權(quán)重矩陣和偏差參數(shù);yk為輸出結(jié)果。

2 不同等級(jí)路面輸入下車(chē)輛振動(dòng)響應(yīng)獲取

2.1 兩自由度1/4車(chē)輛振動(dòng)模型建立

兩自由度1/4車(chē)輛模型結(jié)構(gòu)簡(jiǎn)單，利于分析，在研究懸架的垂向動(dòng)力學(xué)方面得到廣泛的應(yīng)用，模型如圖4所示。圖中，ms、mu 、ks、cs 、kt 、zs 、zu、zr、u分別表示車(chē)身質(zhì)量、車(chē)輪質(zhì)量、懸架剛度、懸架阻尼、輪胎剛度、車(chē)身垂向位移、車(chē)輪垂向位移、路面輸入位移、可控懸架阻尼力。

由牛頓第二定律，得到動(dòng)力學(xué)微分方程為：

2.2 隨機(jī)輸入路面模型建立

通常將路面與基準(zhǔn)面的水平相對(duì)高度與道路走向的變化稱(chēng)為路面不平度函數(shù)[13]。

路面不平度函數(shù)是隨機(jī)函數(shù)，常認(rèn)為其均值為0且服從正態(tài)分布，且用功率譜密度表達(dá)其特性，其表達(dá)式為：

式中： n 為空間頻率;w 為頻率指數(shù);n0為參考空間頻率;Gq （n0）是路面不平度系數(shù)。

本文采用濾波白噪聲法生成路面時(shí)域模型。其表達(dá)式為：

為了確保仿真出來(lái)的路面情況與實(shí)際一致，將下截止頻率的值大概確定為0.01 Hz 附近。

2.3 不同等級(jí)路面輸入下車(chē)輛振動(dòng)響應(yīng)仿真

在不同等級(jí)路面下，車(chē)輛行駛時(shí)會(huì)產(chǎn)生不同的振動(dòng)響應(yīng)。因此，基于 MATLAB/Simulink應(yīng)用2.1節(jié)和2.2節(jié)搭建的1/4車(chē)輛振動(dòng)模型和隨機(jī)路面模型進(jìn)行仿真實(shí)驗(yàn)，生成不同路面等級(jí)下的車(chē)輛振動(dòng)響應(yīng)。

本文參照桑塔納3000轎車(chē)的車(chē)輛參數(shù)，如表1所示，分別在 A 、B 、C 、D 四個(gè)等級(jí)路面下進(jìn)行平順性仿真實(shí)驗(yàn)，車(chē)速為20 km/h ，仿真時(shí)間為60 s ，采樣頻率為100 Hz ，最終得到各級(jí)路面下車(chē)輛響應(yīng)信號(hào)，圖 5所示為 B 級(jí)路面車(chē)輛響應(yīng)。

3 路面不平度等級(jí)識(shí)別模型建立

3.1 構(gòu)造車(chē)輛振動(dòng)響應(yīng)數(shù)據(jù)集

基于車(chē)輛響應(yīng)的路面不平度等級(jí)識(shí)別中，采集的車(chē)輛響應(yīng)數(shù)據(jù)時(shí)間較長(zhǎng)，如果對(duì)整段車(chē)輛響應(yīng)信號(hào)直接提取特征，會(huì)導(dǎo)致得到的特征太大，不方便計(jì)算。因此，本文利用滑動(dòng)窗口法，選擇滑動(dòng)窗口為1 s ，將車(chē)輛響應(yīng)數(shù)據(jù)截取為100的等長(zhǎng)序列，為保留時(shí)序信號(hào)的連續(xù)性，前后兩個(gè)時(shí)間段之間有50%的重疊。構(gòu)造的車(chē)輛振動(dòng)響應(yīng)數(shù)據(jù)集包含476個(gè)樣本數(shù)據(jù)段，將其隨機(jī)分成兩組， 80%為訓(xùn)練集，20%為測(cè)試集，前者用于模型訓(xùn)練，后者用于模型測(cè)試。

3.2 建立路面不平度等級(jí)識(shí)別模型

本文實(shí)驗(yàn)進(jìn)行的軟件環(huán)境：Python語(yǔ)言和Keras深度學(xué)習(xí)框架;硬件環(huán)境：Intel Core i5-4210U處理器和顯卡 AMD Radeon HD 8500 M。

在進(jìn)行實(shí)驗(yàn)前，為了提高路面等級(jí)分類(lèi)器的收斂速度和識(shí)別準(zhǔn)確度，對(duì)仿真數(shù)據(jù)集進(jìn)行歸一化處理。本文利用 Adam優(yōu)化算法和交叉熵?fù)p失函數(shù)來(lái)訓(xùn)練模型，優(yōu)化模型的擬合效果。圖6所示為BiGRU-Attention 模型在訓(xùn)練過(guò)程中的損失函數(shù)曲線。BiGRU-Attention 模型的損失函數(shù)曲線呈現(xiàn)下降的趨勢(shì)，隨著迭代次數(shù)增多，損失函數(shù)值趨近于0。表明BiGRU-Attention 模型沒(méi)有出現(xiàn)過(guò)擬合，訓(xùn)練效果好。經(jīng)過(guò)訓(xùn)練，BiGRU-Attention 模型確定了路面等級(jí)與車(chē)輛振動(dòng)響應(yīng)之間的映射關(guān)系，建立了路面不平度等級(jí)識(shí)別模型。

3.3 結(jié)果分析

利用測(cè)試集對(duì)路面不平度等級(jí)識(shí)別模型進(jìn)行評(píng)估測(cè)試。測(cè)試結(jié)果的混淆矩陣，如圖7所示。識(shí)別模型的預(yù)測(cè)類(lèi)別與真實(shí)類(lèi)別分布十分接近，誤差較小。產(chǎn)生錯(cuò)誤的辨識(shí)主要集中在 B 級(jí)路面和 C級(jí)路面，這可能是因?yàn)閮杉?jí)路面對(duì)應(yīng)的車(chē)輛振動(dòng)響應(yīng)特征相似性較高，使得模型將其混淆，從而導(dǎo)致小部分路面不平度等級(jí)識(shí)別錯(cuò)誤，與實(shí)際情況相符。

3.4 消融實(shí)驗(yàn)

將本文提出的BiGRU-Attention 模型與常規(guī) GRU 模型、僅引入雙向循環(huán)機(jī)制的 GRU模型（ BiGRU）和僅引入注意力機(jī)制的 GRU模型（GRU-Attention ）在車(chē)輛振動(dòng)響應(yīng)數(shù)據(jù)集上進(jìn)行消融實(shí)驗(yàn)，驗(yàn)證雙向循環(huán)機(jī)制和注意力機(jī)制對(duì)路面不平度等級(jí)識(shí)別的準(zhǔn)確性。表2所示為不同辨識(shí)模型的結(jié)構(gòu)和整體識(shí)別準(zhǔn)確率。

與 GRU 模型相比，BiGRU模型的準(zhǔn)確率提高了約2.1%，證明了雙向循環(huán)機(jī)制的有效性;GRU-Attention 模型的準(zhǔn)確率提高了約1.1%，證明了注意力機(jī)制的有效性。本文所提算法模型識(shí)別準(zhǔn)確率可達(dá)96.9%，對(duì)比 Bi- GRU、GRU-Attention、GRU 模型，識(shí)別準(zhǔn)確率分別提升了1.1%、2.1%、3.2%。實(shí)驗(yàn)結(jié)果表明，同時(shí)引入雙向傳播機(jī)制和注意力機(jī)制對(duì) GRU模型辨識(shí)路面等級(jí)的效果顯著提升，能夠全面關(guān)注車(chē)輛振動(dòng)響應(yīng)特征變化情況，有效減少識(shí)別結(jié)果的誤判。

4 結(jié)束語(yǔ)

本文建立了基于BiGRU-Attention 路面不平度等級(jí)識(shí)別模型，考慮了BiGRU單元時(shí)刻的注意力貢獻(xiàn)率，提高算法的特征表示能力。路面不平度等級(jí)識(shí)別模型在1/4車(chē)輛振動(dòng)模型平順性仿真實(shí)驗(yàn)構(gòu)造的車(chē)輛振動(dòng)響應(yīng)數(shù)據(jù)集上，識(shí)別率高達(dá)96.9%，識(shí)別結(jié)果可靠。在消融實(shí)驗(yàn)中，該模型的辨識(shí)效果優(yōu)于其他基礎(chǔ)模型。因此，本文提出的基于BiGRU-Attention 路面不平度等級(jí)識(shí)別模型能夠準(zhǔn)確識(shí)別路面不平度等級(jí)，為汽車(chē)動(dòng)力學(xué)控制的參數(shù)調(diào)整提供有效的依據(jù)，具有較高的工程應(yīng)用價(jià)值。

今后的研究工作要結(jié)合大量的實(shí)車(chē)實(shí)驗(yàn)構(gòu)建更加完善的數(shù)據(jù)集，使得路面不平度等級(jí)識(shí)別模型涉及的路面情況更豐富，減少識(shí)別結(jié)果的誤差。

參考文獻(xiàn)：

[1] ASTM.ASTM E1274-03（2012）. Standard Test Method for Mea- suring Pavement Roughness Using a Profilograph [S]. West Con- shohocken，PA：AmericanSocietyforTestingandMaterials， 2008.

[2]?uraulis V， Surblys V， Sabanovic E. Technological Measures of Forefront Road Identification for Vehicle Comfort and Safety Im- provement [J]. Transport， 2019， 34（3）：363-372.

[3]劉秋， 孫晉偉， 張華， 等.基于卷積神經(jīng)網(wǎng)絡(luò)的路面識(shí)別及半主動(dòng)懸架控制[J].兵工學(xué)報(bào)， 2020， 41（8）：1483-1493.

[4] Nguyen T H， Nguyen T L， Sidorov D N， et al. Machine Learning Algorithms Application to Road Defects Classification [J]. Intelli- gent Decision Technologies， 2018（11）：59-66.

[5]林聰， 時(shí)巖.基于非線性有源自回歸神經(jīng)網(wǎng)絡(luò)的路面不平度識(shí)別[J].南京理工大學(xué)學(xué)報(bào)， 2020， 44（3）：296-302.

[6] Zhao Zheng， Chen Weihai， Wu Xingming， et al. LSTM network： A Deep Learning Approach for Short-term Traffic Forecast [J]. IET Intelligent Transport Systems， 2017， 11（2）：68-75.

[7]丁松濤， 曲仕茹.基于深度學(xué)習(xí)的交通目標(biāo)感興趣區(qū)域檢測(cè)[J].中國(guó)公路學(xué)報(bào)， 2018， 31（9）：167-174， 15.

[8] Konoplich G V， Putin E O， Filchenkov A A. Application of Deep Learning to the Problem of Vehicle Detection in UAV Images [C]// Proc of the 19th IEEE International Conference on Soft Computing and Measurements. New York： IEEE， 2016.

[9]蔡英鳳， 邰康盛， 王海， 等.無(wú)人駕駛汽車(chē)周邊車(chē)輛行為識(shí)別算法研究[J].汽車(chē)工程， 2020， 42（11）：1464-1472.

[10] Hochreiter S， Schmidhuber J. Long Short-term memory [J]. Neu- ral Computation，1997，9（8）：1735-1780.

[11] Cho K，VanMerrienboerB，GulcehreC，et al. Learning Phrase RepresentationsUsingRNNEncoder-decoderforStatistical Machine Translation [J]. Computer Science， 2014.

[12]朱銘康， 盧先領(lǐng).基于 Bi-LSTM-Attention模型的人體行為識(shí)別算法[J].激光與光電子學(xué)進(jìn)展， 2019， 56（15）：153-161.

[13]喻凡， 林逸.汽車(chē)系統(tǒng)動(dòng)力學(xué)[M].2版.北京：機(jī)械工業(yè)出版社， 2017.

第一作者簡(jiǎn)介：薛俊?。?997-），女，山東臨沂人，碩士研究生，研究領(lǐng)域?yàn)檐?chē)輛系統(tǒng)動(dòng)力學(xué)及控制。

※通信作者簡(jiǎn)介：陳雙（1979-），女，遼寧錦州人，博士，副教授，研究領(lǐng)域?yàn)槠?chē)動(dòng)態(tài)仿真與控制。

（編輯：刁少華）