基于深度学习的路面不平度等级识别研究

薛俊俊 陈双

摘要：准确的路面激励信息对汽车行驶安全性和乘坐舒适性有重要影响。针对目前路面不平度等级识别算法存在复杂和准确率低等问题，提出了一种注意力门控循环单元（BiGRU-Attention）网络和车辆振动响应的路面不平度等级识别算法。首先，通过滤波白噪声法建立随机输入路面模型，1/4车辆振动模型平顺性仿真实验获取车辆振动响应信号，选择滑动窗口为1 s截取样本构造数据集;然后，通过BiGRU网络学习样本信号的深层次信息，Attention机制优化时刻特征对辨识结果的贡献率比重，快速准确地识别出路面不平度等级;最后通过消融实验实现算法的验证。实验结果表明，基于BiGRU-Attention路面不平度等级识别算法的准确率可达96.9%，相比基础模型有1%～3%的提升。该算法能够准确识别路面不平度等级，为车辆动力学控制提供有力的理论依据。关键词：反向分析;路面不平度等级辨识;深度学习;门控循环单元;注意力机制

中图分类号：U463文献标志码：A文章编号：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

在行驶过程中，车辆振动主要的激励来源于路面，辨识路面不平度对车辆动力学控制有重要意义。不同等级的路面下需要不同的悬架控制参数，来满足车辆行驶安全性和乘坐舒适性。因此，准确辨识路面不平度等级能够为控制参数的调节提供直接的依据。目前常用的路面信息获取的方法有测量法和反向分析法。

测量法包括直接测量法和非接触测量法。直接测量法[1]是利用路面不平度测量仪直接测量路面不平度，但是，由于直接测量法无法实现车载实时测量，目前应用较少。非接触测量法[2-3]是指利用激光雷达、红外线、车载摄像头等设备，对路面信息进行直接提取，从而对不同路面进行识别。直接测量法虽然获取的路面范围广，但是成本较高，对天气等条件也很敏感。

反向分析法是指在行驶的车辆上安装加速度传感器、位移传感器等，通过获取不同路面下的车辆振动响应并结合算法反向识别路面。Nguyen等[4]基于车辆响应和随机森林等方法检测道路表面的状态，进行路面分类辨识;林聪等[5]通过建立 NARX 神经网络路面不平度预测模型，利用车辆响应对路面不平度进行预测.与测量法相比，通过车辆振动响应的反向分析法受外界因素，如天氣、光线等影响较小，性价比高。

随着人工智能的逐渐普及，深度学习成为近几年的研究热点，它的优势在于可以自动快速构建深层特征，具有良好的鲁棒性。目前，深度学习在智能交通系统和车辆领域有一定的发展，如交通流量预测[6]、环境感知[7-8]和驾驶行为识别[9]等方面。本文在门控循环单元（GRU）网络中引入双向循环机制（Bidirectional）和注意力机制（ Attention ），建立了利用BiGRU-Attention 网络作为主体，选择车身加速度和车轮加速度作为输入量的路面不平度等级识别模型，通过BiGRU学习车辆振动响应信号中的深层次信息，Attention 突出时刻特征对路面等级辨识结果的贡献率比重，同时避免特征信息在传递过程中的损失，准确识别出路面不平度等级。因此，相比其他深度学习方法更适合应用车辆振动响应的时序分析。

1BiGRU-Attention模型设计

1.1 模型结构

本文的创新点是基于BiGRU-Attention 算法捕捉时序车辆振动响应信号特征，建立路面不平度等级识别模型。BiGRU-Attention 模型由輸入层、BiGRU层、Atten- tion层和输出层组成，结构如图1所示。车辆振动响应信号作为输入，BiGRU层和Attention 层提取时序结构特征以实现辨识路面等级的作用，最后输出层利用Softmax函数输出路面等级，分别是 A 级路面、B 级路面、C 级路面、D 级路面的识别率。

1.2 输入层

BiGRU-Attention 模型的输入为：

Xt ={α1（t）， α2（t）} （1）

式中：Xt为 t 时刻的模型输入向量;α1（t）为车身垂向加速度;α2（t）为车轮垂向加速度。每组样本数据根据滑动窗口大小确定为100个时刻。

1.3BiGRU层

长短期记忆网络（LSTM）[10]引入了门控机制调节信息流，成功解决了循环神经网络存在的梯度消失等问题。然而， LSTM 模型结构复杂，需要较长的训练时图2GRU结构间。2014年，Cho等[11]针对优化 LSTM的结构提出了门控循环单元（GRU）网络，结构如图2所示。图中zt代表更新门，rt 代表重置门，Vt 是 GRU网络在 t 时刻的输出，由前一时刻的输出信息 Vt-1和当前记忆内容 V′t 组成的，利用更新门控制这两类信息的流入。

GRU网络更新权重参数公式如下：

式中：Xt为 GRU网络在 t 时刻的输入向量;wxz，wVz和bz分别为权重矩阵和偏差参数;σ和 tanh 为激活函数;⊙为按元素乘法。

传统 GRU 网络传递信息方向为沿时间序列单向传递，只能获取历史时刻信息，忽略了未来时刻信息。而BiGRU双向网络，充分考虑了车辆振动响应样本数据前后的时序信息，更准确地提取路面等级特征。

BiGRU网络结构如图3所示，图中 GRU1表示正向 GRU ， GRU2为反向 GRU 。正向隐藏层输出 h1t 和反向隐藏层 h2t 输出共同决定了BiGRU网络在 t 时刻的隐藏层状态ht。

1.4 Attention层

在处理时序问题时，Attention 赋予时序特征不同的权重，利用概率分配法，使得模型在训练时重点关注占比更大的信息，提高模型精度[12]。因此，将 Attention 引入BiGRU网络中，有效突出不同等级路面的车辆振动响应特征，提高识别准确率。Attention 层计算公式如下：

式中：st为 Attention 层得到的初始向量;ot为注意力权重系数; Y 为 Attention 层的输出向量;et 为注意力比重，该值越大，Vt 对路面等级表征的贡献率越大;wt和bt分别为权重矩阵和偏差参数。

1.5 输出层

为了生成各等级路面的识别率，输出层选择Softmax函数。Attention 层的输出向量 Y 通过Softmax函数进行计算，进而得出各级路面识别率。计算公式如下：

式中：w1和 b1分别为 Attention 层到输出层的权重矩阵和偏差参数;yk为输出结果。

2 不同等级路面输入下车辆振动响应获取

2.1 两自由度1/4车辆振动模型建立

两自由度1/4车辆模型结构简单，利于分析，在研究悬架的垂向动力学方面得到广泛的应用，模型如图4所示。图中，ms、mu 、ks、cs 、kt 、zs 、zu、zr、u分别表示车身质量、车轮质量、悬架刚度、悬架阻尼、轮胎刚度、车身垂向位移、车轮垂向位移、路面输入位移、可控悬架阻尼力。

由牛顿第二定律，得到动力学微分方程为：

2.2 随机输入路面模型建立

通常将路面与基准面的水平相对高度与道路走向的变化称为路面不平度函数[13]。

路面不平度函数是随机函数，常认为其均值为0且服从正态分布，且用功率谱密度表达其特性，其表达式为：

式中： n 为空间频率;w 为频率指数;n0为参考空间频率;Gq （n0）是路面不平度系数。

本文采用滤波白噪声法生成路面时域模型。其表达式为：

为了确保仿真出来的路面情况与实际一致，将下截止频率的值大概确定为0.01 Hz 附近。

2.3 不同等级路面输入下车辆振动响应仿真

在不同等级路面下，车辆行驶时会产生不同的振动响应。因此，基于 MATLAB/Simulink应用2.1节和2.2节搭建的1/4车辆振动模型和随机路面模型进行仿真实验，生成不同路面等级下的车辆振动响应。

本文参照桑塔纳3000轿车的车辆参数，如表1所示，分别在 A 、B 、C 、D 四个等级路面下进行平顺性仿真实验，车速为20 km/h ，仿真时间为60 s ，采样频率为100 Hz ，最终得到各级路面下车辆响应信号，图 5所示为 B 级路面车辆响应。

3 路面不平度等级识别模型建立

3.1 构造车辆振动响应数据集

基于车辆响应的路面不平度等级识别中，采集的车辆响应数据时间较长，如果对整段车辆响应信号直接提取特征，会导致得到的特征太大，不方便计算。因此，本文利用滑动窗口法，选择滑动窗口为1 s ，将车辆响应数据截取为100的等长序列，为保留时序信号的连续性，前后两个时间段之间有50%的重叠。构造的车辆振动响应数据集包含476个样本数据段，将其随机分成两组， 80%为训练集，20%为测试集，前者用于模型训练，后者用于模型测试。

3.2 建立路面不平度等级识别模型

本文实验进行的软件环境：Python语言和Keras深度学习框架;硬件环境：Intel Core i5-4210U处理器和显卡 AMD Radeon HD 8500 M。

在进行实验前，为了提高路面等级分类器的收敛速度和识别准确度，对仿真数据集进行归一化处理。本文利用 Adam优化算法和交叉熵损失函数来训练模型，优化模型的拟合效果。图6所示为BiGRU-Attention 模型在训练过程中的损失函数曲线。BiGRU-Attention 模型的损失函数曲线呈现下降的趋势，随着迭代次数增多，损失函数值趋近于0。表明BiGRU-Attention 模型没有出现过拟合，训练效果好。经过训练，BiGRU-Attention 模型确定了路面等级与车辆振动响应之间的映射关系，建立了路面不平度等级识别模型。

3.3 结果分析

利用测试集对路面不平度等级识别模型进行评估测试。测试结果的混淆矩阵，如图7所示。识别模型的预测类别与真实类别分布十分接近，误差较小。产生错误的辨识主要集中在 B 级路面和 C级路面，这可能是因为两级路面对应的车辆振动响应特征相似性较高，使得模型将其混淆，从而导致小部分路面不平度等级识别错误，与实际情况相符。

3.4 消融实验

将本文提出的BiGRU-Attention 模型与常规 GRU 模型、仅引入双向循环机制的 GRU模型（ BiGRU）和仅引入注意力机制的 GRU模型（GRU-Attention ）在车辆振动响应数据集上进行消融实验，验证双向循环机制和注意力机制对路面不平度等级识别的准确性。表2所示为不同辨识模型的结构和整体识别准确率。

与 GRU 模型相比，BiGRU模型的准确率提高了约2.1%，证明了双向循环机制的有效性;GRU-Attention 模型的准确率提高了约1.1%，证明了注意力机制的有效性。本文所提算法模型识别准确率可达96.9%，对比 Bi- GRU、GRU-Attention、GRU 模型，识别准确率分别提升了1.1%、2.1%、3.2%。实验结果表明，同时引入双向传播机制和注意力机制对 GRU模型辨识路面等级的效果显著提升，能够全面关注车辆振动响应特征变化情况，有效减少识别结果的误判。

4 结束语

本文建立了基于BiGRU-Attention 路面不平度等级识别模型，考虑了BiGRU单元时刻的注意力贡献率，提高算法的特征表示能力。路面不平度等级识别模型在1/4车辆振动模型平顺性仿真实验构造的车辆振动响应数据集上，识别率高达96.9%，识别结果可靠。在消融实验中，该模型的辨识效果优于其他基础模型。因此，本文提出的基于BiGRU-Attention 路面不平度等级识别模型能够准确识别路面不平度等级，为汽车动力学控制的参数调整提供有效的依据，具有较高的工程应用价值。

今后的研究工作要结合大量的实车实验构建更加完善的数据集，使得路面不平度等级识别模型涉及的路面情况更丰富，减少识别结果的误差。

参考文献：

[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， 孙晋伟， 张华， 等.基于卷积神经网络的路面识别及半主动悬架控制[J].兵工学报， 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]林聪， 时岩.基于非线性有源自回归神经网络的路面不平度识别[J].南京理工大学学报， 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]丁松涛， 曲仕茹.基于深度学习的交通目标感兴趣区域检测[J].中国公路学报， 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]蔡英凤， 邰康盛， 王海， 等.无人驾驶汽车周边车辆行为识别算法研究[J].汽车工程， 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]朱铭康， 卢先领.基于 Bi-LSTM-Attention模型的人体行为识别算法[J].激光与光电子学进展， 2019， 56（15）：153-161.

[13]喻凡， 林逸.汽车系统动力学[M].2版.北京：机械工业出版社， 2017.

第一作者简介：薛俊俊（1997-），女，山东临沂人，硕士研究生，研究领域为车辆系统动力学及控制。

※通信作者简介：陈双（1979-），女，辽宁锦州人，博士，副教授，研究领域为汽车动态仿真与控制。

（编辑：刁少华）