基于路面圖像分類識別的路噪主動控制方法研究

萬超　李華清

摘 要：傳統的吸聲、隔聲以及減震等降噪方法應用會導致車輛的重量也隨之增加，且對低頻率噪聲降噪的效果并不理想，噪聲主動控制技術能夠在長波長的低頻降噪中發揮不錯的作用。對此，噪聲主動控制技術應用比較廣泛。本文研究基于路面圖像分類識別的路噪主動控制方法應用，通過多種傳感器應用，對車輛前方路面進行感知，識別前方路面，識別路面信息后輸入到路噪主動控制算法中，為降低噪聲，促進車輛智能化水平提升提供一些思路和參考。

關鍵詞：路面 圖像分類識別 路噪 主動控制

0 前言

汽車在行駛過程中的低頻噪聲是隨機的、變化的，具備自適應特性的噪聲主動控制技術在汽車市場應用前景比較好，且車載揚聲器可以充當次級聲源，能夠有效降低安裝噪聲主動控制設備的成本。噪聲主動控制技術在減少車輛行駛中因為道路激勵引起的車內結構振動產生的噪音方面效果突出，是目前汽車生產中的研究重點方向和內容之一。

1 圖像識別技術和卷積神經網絡模型

1.1 圖像識別技術概述

圖像識別技術是人工智能的一個杰出產物，致力于模擬人類的視覺系統，使機器能夠獨立分析、理解和歸類傳入的圖像信息[1]。這項技術涵蓋了圖像預處理、特征萃取、分類構建以及決策制定等多個關鍵環節。圖像預處理如同鏡頭的濾鏡，負責過濾噪聲并強化核心信息；特征萃取則像是精細的畫筆，從浩瀚的圖像海洋中提煉出最富標志性的特征；分類構建則基于這些特征，將圖像井然有序地分門別類；最后的決策環節，則是根據分類的果決輸出，做出明智的選擇。如圖1所示，為圖像識別技術的運行流程：

1.2 卷積神經網絡模型

卷積神經網絡（CNN）是一種非常重要的網絡模型，在深度學習領域，特別是在圖像處理和識別領域顯示出強大的威力。在路噪主動控制中，CNN模型的應用具有重要價值。

CNN借助獨特的卷積層、卷積層和全連接層結構，可以從原始道路圖像中提取深層特征。這些特征不僅準確地反映了路面紋理、破損程度等信息，而且對光照、視角變化等因素，具有一定的魯棒性[2]。這樣基于CNN的路面圖像分類與識別可以準確識別各種復雜環境條件下的現有道路狀況。一旦準確確定了路面狀況，CNN 的輸出就可以用作主動道路噪聲控制系統的輸入。結合具體的檢測結果，系統確定當前路面上可能存在的道路噪聲的類型和強度，并相應地調整音頻設備或車輛懸架等參數，以產生適當的偏移聲波或振動，以降低道路噪聲。

簡單來說，CNN在主動道路監測中扮演著“眼睛”的角色，為系統提供準確、實時的路面信息。這使得主動道路噪聲控制系統能夠更加精準、智能地工作，有效應對不同路況帶來的噪聲挑戰，為駕乘人員營造更安靜、更舒適的出行環境[3]。

２ 基于路面圖像分類識別的路噪主動控制原理及算法

2.1 路噪主動控制原理

路面分類識別和路噪主動控制都是智能交通系統中的關鍵技術。它們的結合可以打造更智能、更高效的交通環境。

路面圖像分類與識別技術主要利用圖像處理和機器學習技術對路面圖像進行預處理、提取特征并進行分類[4]。預處理包括去噪、增強等步驟，以提高圖像質量；特征提取從圖像中提取反映道路狀態的特征，如道路破損、表面花紋等被去除；通過分類，道路圖像根據圖像質量進行分類特征提取。根據提取的結果，再針對不同的類別，如干燥道路、濕路等。

主動道路噪聲控制技術主要是利用主動發聲裝置，根據路況產生與道路噪聲相位相反、振幅相同的聲波，降低道路噪聲，達到降噪效果。該技術的優點是可以根據路況實時調整音頻設備的參數，實現動態降噪。

將路面圖像分類識別技術與主動路噪控制技術相結合，可以實現基于路面圖像分類識別的主動道路噪聲管理。就其實現原理來看，通過攝像頭采集道路圖像，利用圖像分類識別技術對圖像進行處理和分類，然后根據分類結果進行干燥、濕滑等分類。如，確定當前的路況，再根據路況調整音響設備設置，產生與路噪同幅度、同相位的聲波，抑制路噪，達到降噪效果。這種基于道路圖像分類和識別的主動道路噪聲控制技術不僅可以提高駕駛舒適性，還可以降低車輛能耗和道路磨損，具有很好的應用前景[5]。

2.2 FXLMS算法

2.2.1 FXLMS算法原理

FXLMS算法是一種自適應濾波算法，通過調整濾波器的權重來最小化誤差信號的均方值，從而實現主動噪聲控制。該算法源自Widrow提出的LMS算法，FXLMS算法最早由Morgan D. R于1980年創建。與標準LMS算法相比，FXLMS算法引入了二階路徑模型來補償從控制揚聲器到誤差傳感器的電聲路徑延遲和濾波效應。

在FXLMS算法中，令n時刻的參考信號為x（n）、期望信號d（n）、濾波器輸出y（n）、誤差信號e（n）和濾波器權重系數。w（n）。該算法的目標是通過調整權重系數w（n）來最小化誤差信號e（n）。

誤差信號e（n）可以表示為期望信號d（n）與經過次級路徑后濾波器輸出的響應之間的差值，即：e（n）=d（n）-s（n）。其中，s（n）是濾波器輸出y（n）經過次級路徑后的響應[6]。

FXLMS算法的權重系數更新公式：

w（n+1）=w（n） +2μe（n）x'（n）

其中，μ為步長因子，控制算法的收斂速度和穩定性；x'（n）是參考信號經過二階路徑模型濾波后的信號。

2.2.2 基于路面識別的變步長FXLMS算法

在基于道路圖像分類和識別的主動道路噪聲控制方法中，本文提出了一種變步策略來優化FXLMS算法的性能。具體實現中，當路面識別模塊檢測到當前路面類型時，根據預定的步長調整策略來調整FXLMS算法的步長系數μ。例如，可以使用較小的步長因子來保證算法在噪聲水平較低的光滑路面上的穩定性；在噪聲水平較高的粗糙或彎曲路面上，使用較大的步長因子來加快算法的收斂速度。

通過動態調整步長因子μ，利用FXLMS算法對不同路面類型取得良好的降噪效果。此外，還可以利用一些先進的優化算法對FXLMS算法進行改進和優化，以提高系統的實時性和魯棒性。如，應用遺忘因子來減少舊數據對算法的影響，采用歸一化處理方法來防止輸入信號的幅度變化影響算法的性能。

3 基于路面識別的路噪主動控制建模

3.1 路面類型定義

根據實際情況，定義了三種典型的路面類型：“光滑路面”“粗糙路面”和“鋸齒路面”，這些路面類型代表了不同的路面條件和噪聲特征。其中光滑路面指沒有明顯損傷或紋理的光滑路面，如新鋪的瀝青路面。這種類型的路面產生的噪音相對較小；粗糙路面是存在大面積破損、坑洼、質地不均勻的路面，如舊水泥路面或破損的瀝青路面。這種類型的路面會產生較高的噪音水平；鋸齒路面是偶爾有粗糙紋理的路面，如一些防滑路面。這種類型的路面會產生特定頻率的噪音。

3.2 道路識別模塊

路面檢測模塊是整個系統的重要組成部分，負責根據攝像頭采集的路面圖像判斷當前的道路類型。為了實現這一目標，我們使用卷積神經網絡（CNN）進行圖像分類[7]。

在道路識別模塊，關鍵是圖像分類識別技術應用，通過這一技術使用，構建一個由多個卷積層、卷積層和全卷積層組成的 CNN 模型。通過訓練，模型學習不同路面類型的屬性，并使用這些屬性進行分類。在訓練過程中，使用了大量帶標注的道路圖像數據來保證模型的準確性和泛化能力。再將訓練好的CNN模型集成到仿真模型中作為路面檢測模塊的主要部分。仿真模型運行時，路面識別模塊實時處理攝像頭采集的路面圖像，提取當前路面類型。

3.3 道路主動控制系統FXLMS算法及模型

FXLMS算法能夠調整濾波器權重以最小化誤差信號的均方根（即期望信號與實際輸出信號之間的差異），從而提供有源噪聲控制。研究中需要創建一個基于 FXLMS 算法的主動道路噪聲控制系統模型。該模型包含參考傳感器、誤差傳感器和控制器。參考傳感器用于收集道路警告信號（如車輛懸架系統的振動信號），誤差傳感器用于收集車輛的噪聲信號（如人耳中的嗡嗡聲信號）。控制器基于參考信號和誤差信號來調整音頻裝置。輸出以產生噪聲消除波[8]。

為了實現針對不同路面類型的自適應降噪，在控制器中增加變步長機制。具體實現中，當路面檢測模塊檢測到不同的路面類型時，控制器根據預定步長調整策略調整FXLMS算法的步長參數。這樣系統就可以結合具體的路況變化動態調整降噪效果。

從上圖可以清晰地看到，該仿真模型中的路面識別模塊是以前方路面的實時視頻作為輸入數據。具體來說，系統會提前一個時間量T捕獲前方的路面圖像。這些圖像隨后被送入在第三章中精心訓練的路面識別模型中，進行路面類型的準確分類。經過一段處理時間t后，路面識別模塊將分類結果傳送至主動降噪系統的步長因子更新模塊。在步長因子更新模塊中，系統采用了一種高效的路面類型與查表方法相結合的策略來更新步長因子。具體來說，在Simulink仿真模型中建立了一個n維查找表（n-D Lookup Table）模塊，該模塊將不同的路面類型與相應的步長輸出值進行了精確匹配。這樣，當路面類型發生變化時，系統能夠迅速找到與之匹配的步長因子，并在經過T-t的時間延遲后，將其輸出給主動降噪控制系統。主動降噪控制器在接收到步長因子更新模塊提供的參數后，會立即更新其內部的步長因子。隨后，控制器以系統的參考信號和誤差信號作為輸入，進行自適應的降噪處理。通過這種方式，系統能夠實時地根據路面類型的變化調整降噪策略，從而達到最佳的降噪效果。

3.4 仿真實驗

如下表1所示，為60 km/h 三種路面下根據路面調整步長與固定步長3優化前后仿真降噪量情況統計：

觀察數據顯示，當車輛以60km/h的速度在粗糙路面上行駛時，在50～300Hz的頻率范圍內，若控制器采用固定的步長因子60，則后排乘客左右耳的平均降噪量為4.41dB（A）。然而，當控制器根據路面分類結果調整步長因子至預標定的30時，平均降噪量提升至5.62dB（A），相比固定步長提高了1.21dB（A）。在同樣的速度和頻率范圍內，車輛行駛在鋸齒路面上時，若根據路面情況調整步長因子至3，后排乘客的平均降噪量可達3.75dB（A）。而若采用固定步長因子60，則控制器會發散，無法有效降噪。這表明，根據路面調整步長因子能夠獲得更好的降噪效果。當車輛以相同的速度和頻率范圍在光滑路面上行駛時，無論是采用根據路面調整的步長因子還是固定步長因子60，都能達到較優的降噪效果。

對比優化前后的仿真降噪頻譜圖和降噪量表發現，僅采用某一特定路面下的最優步長因子并不能保證在所有路面上都能獲得最佳的降噪效果。而引入路面識別模塊后，系統能夠根據路面類型自動調整步長因子，從而確保在各種路面條件下都能實現較優的降噪效果。

４ 總結

基于路面圖像分類識別的路噪主動控制技術應用對于提升控制效果、實現降噪有很好的效果。如果僅采用適用于某一特定路面的較優步長因子，那么在其他路面類型上可能無法達到理想的降噪效果，甚至可能導致系統發散。文中引入路面識別模塊來準確識別路面類型。通過該模塊，控制系統能夠獲取實時的路面信息，并根據預設的標定表來動態調整步長因子。這樣一來，路噪主動控制系統就能夠在各種路面條件下都取得良好的降噪效果，從而確保駕駛過程中的舒適性。這種方法不僅提高了降噪效果，還增強了系統的適應性和穩定性。

基金項目：江西省教育廳科學技術研究項目，基于復雜工況環境感知路面的車輛路噪主動控制研究（項目編號：GJJ2202416）

參考文獻：

[1]曾慶懿， 劉忠偉， 羅德洋， 李宏庚， 王海軍. 基于模態輪胎的車內路噪模型搭建與性能計算[J]. 汽車與新動力， 2023， 6 （06）： 52-54.

[2]尹春山. 基于傳遞路徑分析方法的道路噪聲控制研究[A] 2023年海南機械科技學術論壇論文集[C]. 海南省機械工程學會、海南省機械工業質量管理協會， 海南省機械工程學會， 2023： 4.

[3]賈梓鑌. 基于混合控制策略的車內路噪主動控制研究[D]. 杭州：浙江大學， 2023.

[4]趙雪利， 宋偉杰， 徐嘉浩. 基于多連桿后橋系統的整車NVH品質提升研究[J]. 上海汽車， 2023（08）： 17-23.

[5]賀巖松， 劉亞琪， 夏子恒， 張志飛， 周桃. 車內路噪主動控制系統參考傳感器布放方法[J]. 振動、測試與診斷， 2023， 43 （04）： 669-676+826.

[6]夏子恒， 賀巖松， 張志飛， 徐中明， 周桃. 基于多目標參考信號優選的車輛路噪主動控制[J]. 中國公路學報， 2023， 36 （02）： 229-239.

[7]徐格格， 呂曉， 史晨路， 朱玉剛， 鄭森. 路面識別技術在路噪主動控制降噪性能優化中的應用[J]. 重慶理工大學學報（自然科學）， 2022， 36 （01）： 74-81.

[8]鄭森， 史晨路， 呂曉， 高坤， 張賢. 多重相干分析法結合OTPA技術在汽車路噪主動控制中的應用[J]. 重慶理工大學學報（自然科學）， 2021， 35 （11）： 49-57.