基于視覺感知的半主動懸架控制系統研究

韋強 熊璐 張培志

摘要：通過對目前半主動懸架控制系統的研究分析，傳統的半主動懸架控制系統在經過一些特定的工況產生的瞬態沖擊，可能會由于懸架控制系統的響應遲滯效應無法對每次較大的瞬態沖擊做到快速控制響應，對于整車舒適性帶來一定影響。本文提出一種基于深度學習圖像檢測技術的半主動懸架控制系統，旨在通過視覺感知前方對車輛乘坐舒適性帶來較大影響的特征工況（如減速帶），再融合半主動懸架特殊工況識別控制算法，優化半主動懸架控制系統。

Abstract： Research on control system of Semi-active Suspension. The vehicle passes through some roads to make passengers feel uncomfortable，It due to the hysteresis effect of the response of the suspension control system， and it cannot be impossible to achieve a fast control response to each large transient impact. This paper proposes that a semi-active suspension control system based on deep learning image detection technology， The aim is to optimize the control system of semi-active suspension by visual perception of the front feature conditions （such as speed bumps） that have a great influence on vehicle ride comfort， and then by integrating the control algorithm of semi-active suspension special condition recognition.

關鍵詞：深度學習;神經網絡;半主動懸架控制

Key words： deep learning;the neural network;semi-active suspension control

中圖分類號：U463.33 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-957X（2022）02-0045-03

1 ?系統方案

本文通過研究目前半主動懸架系統的控制策略，結合深度學習的圖像檢測技術去識別車輛前方的特殊工況-減速帶，將之融合到半主動懸架控制系統中，提升半主動懸架系統的控制效果。本文通過Matlab/Simulink 建立懸架/整車動力學模型以及控制策略，并對其進行仿真測試驗證;通過攝像頭輸入，圖像處理，再進行深度學習的神經網絡選擇與搭建，將輸入處理好的標簽信息進行訓練，學習以及識別，而后將訓練好的網絡模型放入圖像檢測軟件中識別驗證;最后，將圖像檢測與半主動懸架控制系統進行融合仿真以及實車驗證。

2 ?深度學習的神經網絡目標檢測

2.1 YOLO V3模型的基本原理

本文通過視覺識別的目標對象為減速帶特征工況，主要采用深度學習神經網絡模型是YOLO V3，其主要基于YOLO V1/V2網絡架構進行了改進優化，YOLO V3神經網絡模型在輸入原始圖像情況下，按照特定的規則在圖片上生成多個候選區域，根據生成的候選區域與圖片上物體真實框之間的位置關系對候選區域進行特定標注。然后通過DarkNet 53卷積特征提取圖片特征并對其候選區域的位置與類別進行預測，這樣每個預測框便可作為一個樣本，再根據真實框相對預測框的位置和類別進行標注，進而獲取其標簽值，最后通過神經網絡模型進行預測其位置和類別，將預測值和標簽值進行比較，通過建立各項損失函數，計算預測框得分和位置進行預測輸出。

2.2 YOLO V3模型的訓練及識別

本文采用的YOLO V3模型進行目標檢測，為此在進行實際檢測之前，需要對YOLOV3網絡模型的訓練，首先對模型的訓練環境進行搭建，然后收集訓練所需的數據集，數據集主要來源于三個方面，一方面是通過VOC數據集獲取，第二種是通過網絡數據集獲取，第三種是通過實際相機拍攝的圖片獲取，利用labelImg工具進行打標簽并通過腳本生成訓練所需的數據集， 將數據分成訓練集，測試集和驗證集，放入YOLO V3訓練所需的權重yolov3.weights，然后進行訓練，訓練時設置好batch_size、Epoch，在模型的訓練過程中，不斷調整網絡中的參數，優化損失函數loss的值達到最小，完成模型的訓練，最后可將該訓練好的模型用于實際的實時檢測。

YOLO V3模型進行目標檢測結果：

上述YOLO V3模型訓練結束后，將訓練好的權重文件放入將要進行實際檢測的腳本目錄中，然后將在jupyter運行環境中鏈接實際攝像頭用于目標檢測，實際檢測的結果如圖1所示。

3 ?預瞄控制策略

3.1 軸前預瞄控制策略原理

本章單目視覺測距主要是通過第二章實時檢測出的目標減速帶特征信息，即YOLO V3神經網絡模型輸出的預測框信息，利用相機成像的原理進行“逆變換”處理，即可將二維的圖像信息逆向求解出現實世界對應的三維目標空間信息，為此，本章主要工作需要將像素坐標上的特征信息“逆向轉換”求解出對應的世界坐標系下的坐標點，并利用相機標定信息以及現實世界實際減速帶尺寸距離等的先驗信息，最終計算出通過YOLO V3檢測出的目標減速帶的預測距離。坐標系對應關系圖如圖2 所示。

3.2 軸間預瞄控制策略原理

軸間預瞄以后軸作為參考基點，需要根據車輛的車速以及加速度以及已知車輛軸距信息進行軸間預瞄，計算出后軸減震器將要通過減速帶作動的時間[1]，其公式如下：

式中，L為車輛前后軸的軸距，v表示前軸識別減速帶時的車速大小，？琢表示整車加速度大小，t表示時間，其中L為車輛前后軸的軸距根據整車配置參數信息已知，v和a作為整車行駛的狀態也可獲悉，為此可以求得當前軸識別到減速帶時，后軸預瞄控制的時間，最終結合懸架系統的遲滯性確定后軸阻尼調節的最佳時間。

4 ?半主動懸架控制動力學模型

根據本文半主動懸架控制策略，主要目的需要解析出車輛姿態，簧載質量以及非簧載質量的運動狀態，建立七自由度整車模型，通過整車運動學解析出車輛俯仰角/俯仰角速率;建立二分之一整車模型，通過側傾運動學，解析出側傾角/側傾角速率，通過橫向運動學，解析出橫擺角/橫擺角速率;建立四分之一懸架模型，通過動力學方程解析出簧載質量以及非簧載質量垂向運動狀態。

本文通過建立包含車身側傾、俯仰、垂向運動以及四個車輪垂向運動的七自由度模型，具體如圖3所示。

5 ?基于深度學習圖像識別半主動懸架控制系統實車數據驗證

本文對視覺識別與半主動懸架融合控制系統的車輛以垂向控制的工況進行試驗分析。試驗條件是車輛以一定車速直線行駛經過一條減速帶，由于我們日常大部分經過減速帶的為中低車速段，本文將采用60km/h中低車速經過減速帶，為保證試驗數據對比情況，經過減速帶前后車速保持，油門，剎車，轉向維持一致，分別記錄被動懸架，傳統半主動懸架控制系統和視覺融合的半主動懸架的車輛以60km/h通過減速帶時車身振動加速度信號變化情況。

被動懸架數據結果如圖4所示。

傳統半主動懸架數據結果如圖5所示。

視覺融合的半主動懸架數據結果如圖6所示。

由圖4-圖6試驗結果分析，在60km/h中高車速條件下，被動懸架的車輛車身加速度峰值為 5.31m/s2;傳統半主動懸架的車輛車身加速度峰值為3.56m/s2;視覺融合的半主動懸架的車輛車身加速度峰值為2.62m/s2;這說明裝有加速度傳感器的半主動懸架相比傳統的被動懸架能夠一定程度減小車輛過減速帶的振動影響，但相比視覺融合的半主動懸架控制系統，通過視覺預瞄車輛前方的減速帶適時調節減震器阻尼大小，能夠較好地優化半主動懸架控制系統的遲滯性效應，為此其視覺融合的半主動減震效果最佳。

6 ?結論

①本人提出了利用深度學習的圖像檢測技術的半主動懸架控制系統方案，能夠有效地優化半主動懸架控制系統遲滯性問題，能夠較好地降低過減速帶時的車速抖動情況，說明通過視覺融合半主動懸架的方案設計方案合理。

②通過視覺感知的方案對于一些特征路況方案確實可行，但該視覺融合半主動懸架控制系統仍舊存在一定局限性問題，就是對于一些特征路況能夠達到較好地識別效果，但對于復雜多變的不規則路面仍舊無法做到有效性識別問題，且視覺感知系統受復雜多變的道路工況以及極端惡劣環境的影響，這樣會導致視覺感知系統難以對車輛前方的道路進行有效判斷，為此不能夠提供半主動懸架控制系統的預瞄信息，為此，仍需對視覺感知車輛前方道路工況進行更深一步研究。

參考文獻：

[1]王剛.基于視覺預瞄的半主動懸架阻尼力控制研究[D].長安大學，2019.

[2]毛坤鵬，貝紹軼.一種減速帶的識別方法[P].中國專利：110889342，2019.

[3]秦也辰，董明明，趙豐，顧亮.基于路面識別的車輛半主動懸架控制[J].東北大學學報（自然科學版），2016，37（8）：1138-1141.

[4]劉文彬，溫柏堅，高尚，鄭杰生，鄭穎龍，董召杰，王堯.基于深度學習的智能圖像處理研究[J].自動化與儀器儀表，2020，8（01）：60-63.

[5]丁鵬，王忠.基于視覺傳感技術的半主動懸架調控方法[J].應用力學學報，2020，37（04）：1682-1688.

[6]Karnopp， D. Active Damping in Road Vehicle Suspension Systems， Vehicle System Dynamics， 12（6）： 291-311.