基于卷積神經(jīng)網(wǎng)絡(luò)的路面識別及半主動懸架控制

劉秋，孫晉偉，張華, 胡煦，顧亮

(1.北京理工大學(xué) 振動與噪聲控制研究所，北京 100081；2.西安航空學(xué)院 車輛工程學(xué)院，陜西 西安 710077；3.內(nèi)蒙古一機集團宏遠電器股份有限公司，內(nèi)蒙古 包頭 014000)

0 引言

車輛行駛過程中，實時準(zhǔn)確地獲取當(dāng)前的路面類型，可為車輛操縱穩(wěn)定性、舒適性的改善提供重要信息。因此，能否準(zhǔn)確識別車輛當(dāng)前行駛的路面十分關(guān)鍵。

針對路面識別，目前主要采用以下兩種方法進行識別：1)通過加速度傳感器、位移傳感器采集由不同路面激勵引起的系統(tǒng)響應(yīng)，通過對系統(tǒng)響應(yīng)信號進行分析和處理，對不同的路面進行分類識別；2)利用車載攝像頭采集路面圖像，通過對圖像處理提取路面的紋理特征，從而對不同路面進行分類。

目前國內(nèi)外研究人員對路面識別方法進行了大量研究，并取得了一定成果。Ward等[1]通過放置于懸架擺臂上的加速度傳感器，對磚石路、草路和沙石路等非城市路面進行了分類，將測量的加速度信號傳遞至動態(tài)車輛模型來估計地形輪廓，最后利用監(jiān)督學(xué)習(xí)支持向量機(SVM)實現(xiàn)路面類型的識別。Qin等[2]通過布置于車身上的加速度傳感器測量簧載質(zhì)量加速度來提取路面的時頻特征，對不同幅值或頻率的路面激勵引起簧載質(zhì)量加速度變化特征進行識別，從而對不同國家標(biāo)準(zhǔn)路面等級(B級～F級)進行識別。Ngwangwa等[3]首先利用汽車振動系統(tǒng)8自由度模型，基于非線性自回歸(NARX)神經(jīng)網(wǎng)絡(luò)并通過仿真建立了車輛響應(yīng)和路面不平度的關(guān)系，其次通過傳感器測試和處理得到相應(yīng)的車輛響應(yīng)，最后應(yīng)用預(yù)訓(xùn)練完成的NARX神經(jīng)網(wǎng)絡(luò)識別路面不平度。Bekhti等[4]首先通過攝像機采集前方的路面圖像，其次通過相應(yīng)計算估計路面的紋理特征，最后計算路面紋理特征和振動情況的相關(guān)性，從而對前方路面的振動情況進行預(yù)測。Decatur[5]利用人工神經(jīng)網(wǎng)絡(luò)提取雷達地形圖像的紋理特征對圖像進行分類，并與傳統(tǒng)的使用最大似然估計的貝葉斯分類進行對比，證明了前者的識別效率與精確度優(yōu)于后者。王世峰等[6]使用加速度傳感器和圖像特征數(shù)據(jù)融合對非城市路面進行識別，并使用反向傳播(BP)神經(jīng)網(wǎng)絡(luò)進行了分類。

盡管上述方法均能較準(zhǔn)確地識別路面，但也存在一定缺陷。例如，當(dāng)路面粗糙程度較差時(非城市路面)，采用加速度傳感器和位移傳感器很難保證識別的精度；而采用圖像識別時沒有考慮自然環(huán)境下強光照、弱光照、圖像傾斜、圖像局部缺失等特殊情況對圖像質(zhì)量的影響。此外，利用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)對圖像進行分類時需對圖像進行較復(fù)雜的人為預(yù)處理，無法直接將原始圖像數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，同時當(dāng)網(wǎng)絡(luò)神經(jīng)元較多時BP神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)會十分巨大，使網(wǎng)絡(luò)分類效率大大降低甚至無法進行分類。

本文通過采集路面圖像數(shù)據(jù)并利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對路面類型進行識別。CNN的優(yōu)勢在于它能夠通過簡單的卷積與池化運算從原始輸入圖像中自行提取特征，并根據(jù)BP算法自動更新網(wǎng)絡(luò)參數(shù)從而對圖像進行學(xué)習(xí)。為了模擬自然環(huán)境以及車輛振動對攝像頭采集圖像質(zhì)量的影響，對訓(xùn)練數(shù)據(jù)集進行數(shù)據(jù)增強，即隨機抽取若干路面圖像、人為調(diào)整其明暗度，或?qū)D像進行一定角度的翻轉(zhuǎn)、剪切以及一定像素的平移，以提高CNN識別的泛化能力。最后采用遺傳優(yōu)化算法尋找不同路面下半主動懸架系統(tǒng)最優(yōu)參數(shù)，并根據(jù)路面識別結(jié)果實現(xiàn)懸架控制參數(shù)在不同路面下的自適應(yīng)調(diào)整。

1 1/4半主動懸架模型

本文以1/4車輛模型為基本框架，利用磁流變(MR)減振器模型作為阻尼元件、剛度為定值的傳統(tǒng)螺旋彈簧模型作為彈性元件組成1/4半主動懸架模型。

1.1 磁流變減振器模型

磁流變減振器外特性通常具有強烈非線性并帶有遲滯環(huán)，其建模的精確與否對懸架控制有較大影響。非參數(shù)化模型、偽靜力模型和參數(shù)化動力學(xué)模型是目前常用的3種磁流變減振器模型。其中參數(shù)化動力學(xué)模型對MR減振器外特性描述得最全面和準(zhǔn)確。因此本文根據(jù)Kwok等[7]提出的參數(shù)化動力學(xué)模型對其進行建模。MR減振器遲滯模型示意圖如圖1所示。

圖1 MR減振器遲滯模型Fig.1 MR damper hysteresis model

模型由遲滯部分、彈性部分、阻尼部分三者并聯(lián)組成，考慮上述三者的動力學(xué)特性，最終可得到MR減振器數(shù)學(xué)模型如下：

(1)

(2)

Kwok等[7]通過對MR減振器進行外特性試驗以及參數(shù)識別，得到上述待定參數(shù)的數(shù)學(xué)表達式，其中：

c=1 929I+1 232，

(3)

k=-1 700I+5 100，

(4)

α=-244I2+918I+32，

(5)

β=100，

(6)

δ=0.3I+0.58，

(7)

f0=-18I-257，

(8)

式中：I為MR減振器控制電流(A)，I?[0 A,2 A]。

對模型加載幅值為0.08 m，頻率為2 Hz的正弦激勵。控制電流為0～2 A，間隔為0.25 A，則MR減振器速度特性曲線以及示功圖分別如圖2、圖3所示。

圖2 MR減振器速度特性曲線Fig.2 Speed characteristic curves of MR damper

圖3 MR減振器示功圖Fig.3 Indicator diagram of MR damper

1.2 1/4車輛模型

1/4車輛模型如圖4所示。圖4中，mb和mw分別表示簧載、非簧載質(zhì)量，Ks、Kt分別表示懸架剛度和車輪剛度，xb、xw和xr分別表示簧載質(zhì)量位移、非簧載質(zhì)量位移和路面激勵。

圖4 1/4車輛模型Fig.4 Quarter vehicle model

建立1/4車輛非線性系統(tǒng)模型如下：

(9)

(10)

1.3 路面不平度采集

將路面相對基準(zhǔn)平面的垂直方向高度記為q，沿道路縱向的長度記為L，q隨著L變化的函數(shù)稱為路面不平度函數(shù)，記作q(L)。目前路面不平度的測量技術(shù)主要有不動基準(zhǔn)測量法、隨動基準(zhǔn)測量法、動態(tài)響應(yīng)測量法、角度基準(zhǔn)測量法等[8]。本文采用角度基準(zhǔn)測量法，分別對瀝青路、水泥路、砂石路、彈石路路面不平度進行測量。測量儀器以及路面圖像分別如圖5、圖6所示。

圖5 路面不平度測試儀器及車輛Fig.5 Road roughness test equipment and vehicle

圖6 路面圖像Fig.6 Road images

圖7 水泥路路面不平度實測曲線Fig.7 Measured curves of cement road surface roughness

4種路面不平度曲線如圖7～圖10所示。國家標(biāo)準(zhǔn)A級～F級路面按照1984年國際標(biāo)準(zhǔn)化組織文件ISO/TC 108/SC2N67中提出的表達式進行擬合[9]：

(11)

式中：Gq(n)表示路面不平度功率譜密度，n為空間頻率(m-1)；n0為參考空間頻率，n0=0.1 m-1；Gq(n0)為n0下的路面功率譜密度值，稱為路面不平度系數(shù)(m3)；W為頻率指數(shù)，分級路面譜的頻率指數(shù)W=2. 各等級路面不平度系數(shù)Gq(n0)的幾何平均值如表1所示。

圖8 瀝青路路面不平度實測曲線Fig.8 Measured curves of asphalt road surface roughness

圖9 彈石路路面不平度實測曲線Fig.9 Measured curves of pebble road surface roughness

圖10 砂石路路面不平度實測曲線Fig.10 Measured curves of sandstone road surface roughness

表1 A級～F級路面不平度系數(shù)幾何平均值Tab.1 Roughness coefficient geometric means ofA-F grade roads

將采集的4種路面與國家標(biāo)準(zhǔn)路面對比，如圖11所示(雙對數(shù)坐標(biāo)系)。由圖11可見，在路面垂直位移功率譜密度曲線高頻段(空間頻率在0.28 m-1以上)，瀝青路基本與C級路面重合，水泥路介于C級、D級之間，砂石路、彈石路分別與D級、E級路面基本重合。

圖12 CNN結(jié)構(gòu)圖Fig.12 Convolutional neural network structure

圖11 4種路面與國家標(biāo)準(zhǔn)等級路面功率譜密度曲線Fig.11 Power spectral density curves of four road surfaces and national standard grade road

2 基于卷積神經(jīng)網(wǎng)絡(luò)的路面圖像識別

傳統(tǒng)的圖像識別方法通常不能將原始圖像直接作為分類器的輸入進行識別，需要利用不同算法人為地提取圖像紋理、顏色、或者一些更高級的特征，然后將計算得到的特征作為分類器的輸入進行分類識別。

深度學(xué)習(xí)動機在于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，模仿人腦的機制來解釋數(shù)據(jù)，例如圖像、聲音和文本。CNN作為深度學(xué)習(xí)框架之一，在圖像識別領(lǐng)域取得了巨大成功，相比傳統(tǒng)的圖像識別方法，其優(yōu)勢在于它能夠通過簡單的卷積與池化運算從原始輸入圖像中自行提取特征，并根據(jù)BP算法自動更新網(wǎng)絡(luò)參數(shù)從而對圖像進行學(xué)習(xí)，是一種端到端的學(xué)習(xí)。同時CNN中神經(jīng)元的稀疏連接以及參數(shù)共享能夠極大降低模型的計算量，使得更深的網(wǎng)絡(luò)結(jié)構(gòu)、更高像素的圖像輸入成為可能。

2.1 CNN結(jié)構(gòu)

本文通過搭建相應(yīng)的CNN對不同的路面圖像數(shù)據(jù)進行學(xué)習(xí)，最終實現(xiàn)對路面識別的目的。所搭建的CNN結(jié)構(gòu)如圖12所示。圖12中，包括13個卷積層、5個池化層、3個全連接層以及最后的Softmax輸出層。

針對圖像數(shù)據(jù)，卷積層中卷積的運算[10]如下：

(12)

在卷積層進行特征提取后，輸出的特征圖傳遞至池化層進行特征選擇，將特征圖中單個點的像素值替換為其相鄰區(qū)域像素值的統(tǒng)計量，以達到降維的目的。池化層進行特征選擇的方式主要有平均池化和最大池化。本文采用最大池化，即選取相鄰區(qū)域內(nèi)像素值的極大值[11]。

當(dāng)卷積核為大小f=1、步長s0=1的單位卷積核且不包含填充時，則(12)式表示全連接層內(nèi)的矩陣乘法運算：

(13)

Softmax函數(shù)能將一個含任意實數(shù)的N維向量p壓縮到另一個N維實向量σ(p)中，使得每一個元素的取值范圍都在(0,1)之間，并且所有元素之和為1. 即將圖12中全連接層3的輸出轉(zhuǎn)化為輸入圖像屬于每一類別的概率[10]：

參照國內(nèi)《獸用消毒劑鑒定技術(shù)規(guī)范》[8]及《消毒技術(shù)規(guī)范》[9]試驗方法進行。將菌株分別接種到瓊脂培養(yǎng)基劃線培養(yǎng),傳至3 代,挑取單個菌落接種到相應(yīng)的肉湯培養(yǎng)基中,37 ℃培養(yǎng)18～24 h,再分別接種到斜面培養(yǎng)基放4 ℃冰箱,儲存?zhèn)溆谩?/p>

(14)

式中：pi為N維向量p中的第i個元素。

在加快網(wǎng)絡(luò)訓(xùn)練速度的同時，為了防止梯度爆炸或消失以及陷入較差的局部最優(yōu)值，本文通過批量歸一化規(guī)范各層網(wǎng)絡(luò)激活函數(shù)的輸入，防止訓(xùn)練陷入激活函數(shù)中飽和的非線性區(qū)域，從而加快網(wǎng)絡(luò)的收斂速度[12]。對于訓(xùn)練中某一個批量的數(shù)據(jù){x1,x2，…，xP}，該數(shù)據(jù)可以是輸入也可以是網(wǎng)絡(luò)中間某一層的輸出，數(shù)據(jù)批量歸一化操作如下：

(15)

(16)

(17)

式中：μ為數(shù)據(jù)均值；xj為數(shù)據(jù)個數(shù)P中第j個數(shù)據(jù)；σ2為數(shù)據(jù)方差；l為數(shù)據(jù)歸一化值；γ和θ為兩個需要網(wǎng)絡(luò)學(xué)習(xí)的參數(shù)；ε為人為給定的參數(shù)；l為歸一化后的最終輸出。

2.2 數(shù)據(jù)增強

針對CNN，良好的泛化能力比較高的訓(xùn)練準(zhǔn)確率更為重要。良好的泛化能力意味著CNN對訓(xùn)練數(shù)據(jù)以外的數(shù)據(jù)同樣具有準(zhǔn)確預(yù)測的能力[13]。提高CNN泛化能力的一個有效措施就是對訓(xùn)練數(shù)據(jù)集進行數(shù)據(jù)增強，即人為創(chuàng)建假數(shù)據(jù)并添加至訓(xùn)練集[14]。本文首先收集4種典型的城市以及非城市路面圖像，其次對部分路面圖像進行圖像處理，即調(diào)整圖像明暗度、將圖像沿橫向或垂向平移若干像素、對圖像進行小角度的翻轉(zhuǎn)和剪切，從而模擬外部自然環(huán)境以及采樣時車輛振動對圖像質(zhì)量的影響，達到數(shù)據(jù)增強的目的。原始圖像以及進行圖像處理的圖像如圖13所示，圖像處理參數(shù)如表2所示。

3 仿真分析

3.1 半主動懸架控制流程

路面識別以及半主動懸架控制流程(見圖14)由路面圖像采集、路面類型識別、半主動懸架控制三部分組成。由圖14可見：首先，通過攝像頭采集路面圖像作為CNN的輸入；其次，通過預(yù)訓(xùn)練完成的CNN對輸入圖像進行識別；最后，根據(jù)識別結(jié)果選擇已經(jīng)過遺傳算法優(yōu)化的半主動懸架控制參數(shù)，實現(xiàn)懸架控制參數(shù)在不同路面下自適應(yīng)調(diào)整以提升車輛性能的目的。本文以4種路面進行仿真分析，對于普遍情況可通過增加數(shù)據(jù)集中路面類型的種類來拓寬CNN識別范圍。同時加載不同的路面激勵信號并結(jié)合優(yōu)化算法獲取不同路面類型下懸架的最優(yōu)控制參數(shù)。

圖14 基于路面識別的半主動懸架控制流程圖Fig.14 Flow chart of semi-active suspension control based on road recognition

3.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練以及驗證

本文收集了1.3節(jié)中所述4種路面類型的圖像數(shù)據(jù)，即城市瀝青路、水泥路、砂石路以及彈石路。每種路面類型經(jīng)過數(shù)據(jù)增強后分別有10 000個樣本，一共40 000個樣本。其中30 000個樣本組成訓(xùn)練集用于CNN訓(xùn)練，10 000個樣本組成驗證集用于驗證CNN訓(xùn)練效果。訓(xùn)練集與驗證集中每種路面圖像占樣本總個數(shù)的比例相同。同時每個樣本均通過MATLAB軟件處理為228×228×3的紅、綠、藍彩色圖像作為CNN的輸入，并采用監(jiān)督學(xué)習(xí)的方式對卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。

CNN網(wǎng)絡(luò)訓(xùn)練中的卷積、池化、誤差BP更新權(quán)重等操作需要進行大量的矩陣運算，為了加快網(wǎng)絡(luò)的訓(xùn)練速度，本文調(diào)用圖形處理器進行網(wǎng)絡(luò)訓(xùn)練。用于網(wǎng)絡(luò)訓(xùn)練的設(shè)備如表3所示，網(wǎng)絡(luò)參數(shù)設(shè)置如表4所示。

表3 網(wǎng)絡(luò)訓(xùn)練所用硬件Tab.3 Hardware for network training

表4 卷積神經(jīng)網(wǎng)絡(luò)參數(shù)Tab.4 Convolutional neural network parameters

CNN訓(xùn)練以及驗證的準(zhǔn)確率、損失函數(shù)值曲線如圖15所示。由圖15可知，訓(xùn)練過程僅在200次迭代后就基本收斂，此時訓(xùn)練集與驗證集的準(zhǔn)確率曲線、損失函數(shù)值曲線走勢基本重合，數(shù)值上準(zhǔn)確率接近于1，損失函數(shù)值接近0. 訓(xùn)練完成后，通過編寫程序從包含10 000個樣本的驗證集中隨機選取18個樣本導(dǎo)入已訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)中，18個樣本的識別結(jié)果如圖16所示。圖16中，每個子圖樣本下方給出了CNN識別的結(jié)果及其對應(yīng)的概率。由圖16可知，訓(xùn)練完成的CNN對本文采集的4種典型城市及非城市路面具有較好的識別以及泛化能力。同時通過添加計時程序可計算出：在所使用的硬件設(shè)備下(見表3)，單張路面圖像的識別用時約為9.5 ms.

圖15 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練及驗證結(jié)果Fig.15 Training and verified results of convolutional neural network

3.3 4種路面仿真結(jié)果

為保證車輛在不同類型的路面行駛時均具有良好的舒適性以及操縱穩(wěn)定性，需對MR減振器針對不同的路面類型提供不同控制電流，以得到合適的阻尼特性。根據(jù)所建立的1/4車輛半主動懸架模型，以MR減振器控制電流為優(yōu)化變量，以懸架動行程為約束條件，以簧載質(zhì)量加速度、車輪動變形的均方根值為優(yōu)化目標(biāo)[15]，針對不同的路面激勵求取MR減振器的最優(yōu)控制電流。本文以某車型被動懸架參數(shù)作為參照，通過對優(yōu)化目標(biāo)賦予權(quán)重系數(shù)的方式，將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，然后結(jié)合遺傳算法進行求解。所確定的目標(biāo)函數(shù)如下：

(18)

圖16 隨機樣本測試結(jié)果Fig.16 Test results of random samples

遺傳算法參數(shù)設(shè)置如下：

1)使用精英操作，每代選擇20個優(yōu)秀個體直接遺傳，不參與交叉與變異；

2)種群大小為200；

3)遺傳代數(shù)為50代；

4)交叉與變異概率分別設(shè)置為0.3、0.1；

5)控制電流搜尋范圍[0 A,2 A]；

6)懸架最大動行程設(shè)置為12 cm.

路面激勵信號采用所采集的4種路面不平度時域信號。從車輛動力學(xué)的角度來看，車輛的舒適性與操縱穩(wěn)定性是一對相互矛盾的指標(biāo)[16]，因此應(yīng)根據(jù)具體路面來為目標(biāo)函數(shù)分配不同的加權(quán)系數(shù)。當(dāng)路面較差時，應(yīng)著重優(yōu)化與車輛操縱穩(wěn)定性相關(guān)的指標(biāo)。當(dāng)路面良好時，應(yīng)著重優(yōu)化與車輛舒適性相關(guān)的指標(biāo)。用于參照的被動懸架參數(shù)如表5所示，不同路面類型下目標(biāo)函數(shù)加權(quán)系數(shù)取值以及優(yōu)化后的控制電流如表6所示。

乘坐舒適性與操縱穩(wěn)定性優(yōu)化結(jié)果如圖17、表7所示。通過半主動懸架與被動懸架的對比可知：對于路面良好的瀝青路、水泥路而言，簧載質(zhì)量加速

表5 被動懸架參數(shù)表Tab.5 Passive suspension parameters

表6 4種路面加權(quán)系數(shù)及最優(yōu)控制電流Tab.6 Weighting coefficients and optimal control current of four roads

度均方根值、車輪動變形均方根值均得到了有效改善；而對于路面較差的砂石路、彈石路，在有效降低車輪動變形的同時簧載質(zhì)量加速度僅有小幅度的惡化。

4 結(jié)論

本文首先建立基于MR減振器的車輛1/4半主動懸架模型，其次通過搭建CNN基本結(jié)構(gòu)并利用所采集的4種典型城市以及非城市路面圖像對網(wǎng)絡(luò)進行訓(xùn)練和測試，并通過訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)對路面類型進行識別。采用遺傳優(yōu)化算法并以所采集的4種路面不平度時域信號作為路面激勵求取半主動懸架最優(yōu)控制參數(shù)，根據(jù)路面識別結(jié)果及優(yōu)化結(jié)果實現(xiàn)懸架控制參數(shù)的自適應(yīng)調(diào)整。得出主要結(jié)論如下：

1)加入數(shù)據(jù)批量歸一化和數(shù)據(jù)增強操作，在提高網(wǎng)絡(luò)收斂速度的同時使得網(wǎng)絡(luò)具有良好的泛化能力。

2)基于卷積神經(jīng)網(wǎng)絡(luò)的路面識別方法能對所采集的4種城市以及非城市道路進行準(zhǔn)確識別。

3)基于路面識別和遺傳算法的半主動懸架控制系統(tǒng)，可根據(jù)不同路面類型自適應(yīng)調(diào)整MR減振器控制電流，提升車輛在良好路面下舒適性的同時改善了在較差路面下的操縱穩(wěn)定性。

在目前所做工作的基礎(chǔ)上，后續(xù)工作重點將放在增加路面圖像數(shù)據(jù)集樣本數(shù)量與種類，進一步擴展CNN的識別范圍，以及通過代碼硬件部署開展實車控制的相關(guān)研究工作。

圖17 不同路面類型下半主動與被動懸架性能指標(biāo)對比Fig.17 Comparison of performance indexes of semi-active and passive suspensions under different road types

表7 乘坐舒適性與操縱穩(wěn)定性對比Tab.7 Comparison of ride comfort and handling stability