基于主成分分析和學習向量量化神經網絡的制動工況路面識別與驗證

鄭國峰， 陳文，， 傅濤

（1. 重慶交通大學 機電與車輛工程學院，重慶 400074；2. 凱晟汽車技術（上海）有限公司，上海 201802）

路面類型特征識別對車輛制動工況的操縱穩定性和安全性比較重要，并對制動工況的制動距離和駕駛性能有較大的影響，進而影響了整車的主動安全性。路面類型是車輛控制器重要輸入信息之一，如果能獲得路面類型信息，那么主動安全系統包括牽引力控制系統（Traction Control System， TCS）、防抱死制動系統（Anti-lock Braking System，ABS）、自適應巡航控制系統（Adaptive Cruise Control， ACC）等的性能可以得到有效提升。例如，ABS可以根據不同路面類型信息調整制動，需要控制參數以實現最優控制效果。因此，準確識別路面類型對車輛主動安全控制有著重要意義。

現有路面識別方式主要分為直接和間接兩種，具體而言：直接識別［1-3］的方法是通過安裝特殊傳感器和設備感知路面狀態進行識別；間接方法是通過模型［4-5］和數據驅動方式［6-15］間接識別路面。針對直接識別方法，TANG 等［1］對路面圖像特征提取，利用神經網絡識別。CHENG Lushan等［2］利用多種路面圖像數據經過卷積神經網絡模型進行識別。也有采用雷達波、毫米波等對路面反射電磁波，通過傳感器接收并分析識別路面［3］。這些方法對路面識別準確率高，能適應任何工況下的路面識別，工況適應性良好，但增加了其他硬件，需要添加額外傳感器等設施。針對間接識別方法，ZHANG Xudong 等［4］基于魔術公式輪胎模型利用無跡卡爾曼濾波估計器估計車輛狀態參數，通過廣義回歸神經網絡（GRNN）和貝葉斯定理估算附著系數達到識別路面類型目的。FAURIAT 等［5］通過測量車輛上動態響應并利用卡爾曼濾波理論對路面粗糙度進行估計。該算法對路況和駕駛員行為的激勵響應較好，但在車輛縱向動力響應基本沒有區別時很難區分路面。XIAO Feng 等［6］對輪胎模型縱向、橫向摩擦力估計提出改進，結合幾個典型輪胎路面特征參數獲取參數約束，減少估計誤差?；谀Ｐ偷穆访骖愋妥R別利用現有傳感器并結合一些非線性狀態觀測器可以識別道路，但觀測誤差一直是難點。數據驅動識別道路不考慮路面到車輛系統的響應過程，利用算法學習分析數據特征。SONG Tao 等［7］提出基于BP 神經網絡將多種車輛狀態和路面摩擦因數建立關系。王國微等［8］提出了一種基于徑向基函數（Radial Basis Function， RBF）神經網絡路面識別。作為路面識別的數據，RIBEIRO等［9］利用側向力激勵，王鐵等［10］利用ABS標準信號，HALIL 等［11］利用ABS 制動壓力脈沖，宋健等［12］利用多傳感器數據提取路面特征信息進行路面識別。梁冠群等［13-14］基于LSTM網絡，提取懸架加速度信息對路面辨識分類。上述研究中，將部分表征路面特征信息的傳感器數據提取，作為路面識別的輸入，但沒有充分利用反映路面特征的傳感器信息。

為了充分利用表征路面特征的傳感器信息，本文提出基于主成分分析-學習向量量化（PCA-LVQ）神經網絡智能算法的制動工況路面識別方法。該方法首先采用主成分分析，在制動時對傳感器等采集的多維度駕駛數據進行降維處理，提取能表征路面特征的主要成分，建立學習向量量化神經網絡對降維處理后的駕駛數據進行訓練，將訓練好的神經網絡用于路面特征分類，最后采用制動工況下實車試驗數據和硬件在環仿真數據進行驗證，并對不同車速制動工況下算法的識別精度進行研究。

1 PCA-LVQ的制動工況路面識別算法架構

制動工況路面識別是一個分類問題，輸入結構化數據包括車速、輪速、縱向加速度、輪缸壓力和制動滑移率等與路面相關的信息，這些信息包含不同的識別特征。特征越多的信息能捕捉不同類別的差異，從而提高準確度，但也會造成運算的負擔。采用主成分分析（PCA）可以對數據信息降維處理，減少運算負擔。利用蘊含許多特征信息的結構化數據輸入神經網絡，利于提取并分類不同類型的路面，如圖1所示。

圖1 PCA-LVQ算法識別架構

1.1 PCA數據處理

由于數據采集頻率不同，需對數據進行預處理，按照相同時間長度分組，以保證數據長度的一致性和準確性。預處理方式如圖2所示。

圖2 數據預處理示意圖

其中，Nj（j= 1，2，...，m）為數據數量；Xi（i= 1，2，...，x） 為 信 號 種 類 ；Tt（t=1，2，...，T）為時間組。

主成分分析是一種高效處理多維數據的方法，通過線性投影將多維數據映射到低維空間并保留關鍵特征，如最大值、最小值、平均值和方差等；特征越多網絡越能捕捉不同類別的差異，采用PCA可以消除冗余特征，最終保留的特征及其數量將基本決定模型的準確性。處理方式如下。

輸入：樣本集A={x1，x2....，xn}；低維空間維數d。

1）對所有樣本進行標準化，得到均值為0，標準差為1 的服從正態分布的數據。樣本標準化計算步驟為：

對矩陣標準化得到標準化矩陣B=(bnp)z×t，矩陣中每個元素為：

式中：anp為原樣本元素；minap為p列最小值，maxap為p列最大值。

2）計算樣本協方差矩陣。對標準化矩陣Bx×t求協方差矩陣經標準化的樣本數據的協方差矩陣就是原始樣本數據的相關系數矩陣，相關系數矩陣中每個元素rnp的值為：

式中：bnj為標準化矩陣B中元素；、為均值。

3）計算協方差矩陣R的特征值和特征向量，并將特征值λ按照從大到小順序排序。

4）計算每個主成分的貢獻率（方差解釋率）和累積貢獻率（方差解釋率）。

式中：i為主成分個數；m為第m個主成分。對每個主成分的貢獻率（方差解釋率）進行累加，取累積貢獻率（方差解釋率）達到98%以上的主成分。

5）選取貢獻率高的主成分，并保留前d個貢獻率高的特征值對應的特征向量v1，v2，...，vd。

輸出：投影矩陣V=(v1，v2，...，vd)。

1.2 LVQ神經網絡

學習向量量化神經網絡（LVQ）是一種用于訓練競爭層的有監督學習方法的算法。在解決非線性問題分類識別和優化領域有優異效果。

LVQ 神經網絡包含3 層：輸入層、競爭層和線性輸出層，每層只能依次連接，且連接方式不同，輸入層和競爭層采用全連接方式，競爭層和線性輸出層采用部分連接方式。競爭層的神經元多于線性輸出層，每個競爭神經元只連接一個線性輸出層神經元，權值為1。當未知模式輸入神經網絡后，將激活最近的競爭神經元并將其狀態置為“1”，其他神經元則為“0”。最后，輸出連接的線性輸出層，并根據輸入與輸出對應情況調整競爭層神經元權值，LVQ神經網絡結構如圖3所示。

圖3 學習向量量化網絡

其中，p 為d維的輸入模式；S1為競爭神經元個數；W1，1為輸入層與競爭層的連接權重矩陣；n1為競爭層神經元輸入個數；a1為競爭層輸出的神經元；W2，1為競爭層與輸出層的連接權重矩陣；n2為輸出層神經元的個數；y為輸出層輸出結果。

基本LVQ算法步驟如下。

1）初始化輸入層和輸出層之間的權值wab及學習率η0(η0＞0)，給定訓練的目標次數c′。

2）將輸入向量v=(v1p，v2p，...，vdp)T傳給輸入層，計算輸入層神經元與競爭層神經元的距離。

式中：wab為輸入層的神經元b與競爭層的神經元a的權值。

3）篩選出距離最小的D，作為與輸出層連接的分類標簽Ki。

4）記輸入向量對應的分類標簽為Kf。如果Ki=Kf，調節權值為：

若Ki≠Kf，則權值調整方式為：

5）更新網絡學習速率：

6）如果訓練目標次數未達到目標次數，輸入下一個樣本作為新的輸入，重復訓練步驟，直到達到設定的目標值。

1.3 路面類型劃分

路面類型的附著系數可能因路面狀態、溫度、濕度等多種因素而不同，實際識別的路面類型附著系數都在一定范圍內。結合標準路面的μ-λ曲線，將兩種附著系數值中間區域作為此路面類型范圍，構造路面附著系數為0.1～1.0的μ-λ曲線構造輔助線，輔助線的公式為：

式中：μLi為第i條輔助線；μi為第i條標準路面的μ-λ曲線。劃分區間見表1和圖4。

表1 標準路面類型劃分及編號

圖4 各路面區域劃分

路面附著系數大致劃分為6 種類型路面，將常見的路面類型包含在其中，根據算法判斷路面類型編號，即可判斷路面類型，從而得知路面附著系數區間大致范圍。例如，若算法識別出的路面類型編號為5，則路面類型是干水泥路面，附著系數區間為0.6～0.8。

2 制動工況路面識別算法

利用上述PCA-LVQ 算法對車輛制動數據特征提取，并構建制動工況路面識別算法。其主要流程如圖5所示，分為神經網絡訓練階段和識別階段。

2.1 神經網絡訓練階段

在神經網絡訓練階段，第1 步隨機選取同一時間段內2 s，按照0.01 s 的時間長度將每種信號采樣點分為一組；

第2 步將每組信號組成的數據矩陣輸入到PCA處理流程中，得到降維的特征矩陣。

第3 步訓練LVQ 神經網絡，特征矩陣輸入向量的每個維度都與每個神經元之間都存在連接，對數據全局處理，然后根據神經元的權重分配差異，得到不同類型的值。設置初始化參數后，將車輛制動響應數據與對應的路面類型標簽輸入網絡開始訓練，通過得到不同路面類型的分類結果，以及對訓練參數如迭代次數、學習率等進行調節，實現較高的辨識準確度。神經網絡識別需要大量數據進行訓練，試驗數據中可能包含外界因素干擾，因此在神經網絡訓練階段加以仿真測試的信號作為訓練數據的補充。仿真獲取訓練數據中，利用硬件在環模擬不同路面的緊急制動情況，通過CarSim 的車輛模型模擬車輛制動的響應狀態，輸出車輛各種信號。試驗獲取訓練數據中，只需在不同類型路面上將車輛CAN總線上信號采集即可。

2.2 識別階段

在算法識別階段，訓練好的網絡可以直接用于識別路面類型。將車輛制動時，采集CAN 總線的相應信號，截取信號片段后進行PCA處理，輸入訓練好的網絡中，便可以快速得到路面類型分類的結果。

3 神經網絡訓練

神經網絡訓練需要大量不同路面數據，由于實際道路試驗數據采集獲得大量重復工況的訓練數據耗時較長，所以利用硬件在環（Hardware-in-the-Loop，HIL）臺架模擬實車采集數據作為補充。取實車不同路面試驗制動數據作為一部分數據來源，其余數據采用HIL 臺架模擬實車制動重復對不同路面進行數據采集。實車試驗采集在試驗場進行，在不同類型路面加速至一定速度后進行制動，采集車輛數據。HIL 臺架數據采集是在設定的不同類型道路上進行制動，通過CarSim 車輛模型和制動執行器模擬車輛在制動的響應，由傳感器獲取大量訓練數據對神經網絡進行訓練。訓練好的神經網絡可直接用于不同路面類型辨識。

3.1 HIL臺架模擬實車制動數據采集

HIL 臺架是將真實的控制器與虛擬的車輛模型和仿真環境相結合，模擬實際的工作條件，能真實反映系統性能，是高效且低成本的車輛開發工具，如圖6所示。

圖6 制動系統自動化功能測試臺

左側上位機柜中主要包含CAN 板卡、輪速板卡、繼電器板卡以及各類電氣開關等設備，右側液壓系統提供制動系統的實際工作環境，制動伺服電缸和氣缸推桿組成的制動機器人主要模擬駕駛員踩制動的過程。實際應用HIL 臺架需要在上位機中配置車輛和道路類型的參數，右側制動系統模擬一輛實車制動過程：伺服電機和氣缸推桿模擬制動踏板進行制動，通過液壓負載柜上搭載的液壓制動系統，給卡鉗施加夾緊力實現車輛制動。

利用HIL 臺架模擬不同路面類型下車輛制動工況，并實時采集各種信號，同樣以60 km/h 速度制動，為了使數據與真實情況更相似，設置主缸壓力上限在一定范圍內隨機，模擬駕駛員緊急制動的踏板速率所造成的波動。在HIL 臺架上模擬車輛以60 km/h 的初始速度于不同路面類型上制動，生成6 種不同制動響應數據，每次采集數據后，按照0.01 s 的時間長度將每種信號采樣點分為一組，輸入訓練集的有1 200 組數據，由6 種不同制動響應數據組成，每種路面200 個樣本，每組樣本時間長度為0.01 s，即長度為2 s 的數據段作為選取片段，圖7為冰面制動單個輪缸壓力數據選取示意圖。

圖7 冰面制動單個輪缸壓力

3.2 實車數據采集

根據GB 12676—2014 標準，車輛制動初始速度為60 km/h，試驗中測量不同路面類型制動工況下車輛輪速、行駛速度、制動減速度、制動主缸壓力、制動輪缸壓力等物理量，如圖8所示。

圖8 車輛制動時采集數據

將實車制動數據采集，可以發現車輛在不同路面類型制動時，相應的物理曲線反映有鮮明特征?？紤]到不同路面類型的輪缸壓力、輪速、主缸壓力等幅值變化范圍不相同，且每種信號包含特征信息較多，為使神經網絡訓練更有效率，對這些數據進行PCA處理后，再輸入到神經網絡中進行訓練。

3.3 PCA處理

以試驗數據和仿真模擬數據作為訓練數據輸入，輸入信息維度包括車輛行駛速度、制動減速度、制動主缸壓力、制動輪缸壓力等，6 種不同路面制動響應數據組成1 200 組數據，每種路面200個樣本，經過PCA主成分分析后可得到包含特征信息更多，維數更少的數據。

首先將數據標準化處理，再計算主成分及相應貢獻率（方差解釋率），主成分對應貢獻率越高，主成分越重要，權重占比也越高。貢獻率達到90%以上，成分代表特征信息更多，見表2。

表2 方差解釋表

選擇累積貢獻率達到90%以上的，能代表典型特征信息的成分，前4 個成分貢獻率達到95%以上，選擇作為主成分。因子載荷系數表見表3，進行成分的重要性核驗，對每一個成分進行因子載荷系數計算，總結出成分中的重要因子。

表3 因子載荷系數表

根據表3 可以判斷第一主成分為輪速和最大輪速；第二主成分為車輛縱向加速度；第三主成分為實際輪缸壓力；第四主成分為主缸壓力與輪缸壓力的差值。

因此，PCA 分析得到數據降維后，包含制動路況特征的主成分有：輪缸壓力P、輪速VA和輪最大速度VAmax、主缸壓力與輪缸壓力的差值EP和輪缸壓力P。

3.4 網絡訓練

以試驗數據和仿真模擬數據經過PCA處理后的降維數據作為樣本，訓練集共1 200 個樣本，神經網絡參數進行初始化設置最大訓練次數為100 次，訓練結束的目標為0.001，學習率為0.2。本節展示了網絡訓練過程中訓練次數的調整，算法識別的準確率和損失函數值如圖9所示。

圖9 訓練次數與識別準確率

在網絡訓練中，識別準確率會受到訓練次數的影響，隨著訓練次數的增加，神經網絡可以更準確地擬合數據，找到更優權重。算法中，隨訓練次數增加，識別準確率呈現上升趨勢，訓練次數達到1 000 次左右時，算法準確率穩定保持在95%左右，損失函數的損失值趨于0，訓練未發生欠擬合和過擬合的情況。為了保證算法的準確性和處理效率，將神經網絡參數的最大訓練次數設置為1 000次。

4 算法識別驗證與分析

4.1 算法對比

為研究所提出的路面識別算法的優異性，與BP 神經網絡、LVQ 神經網絡兩種路面類型識別算法開展了對比研究。不同算法識別結果如圖10所示。

圖10 不同算法識別結果

由圖10 可知，與BP 神經網絡和LVQ 神經網絡的路面類型識別算法相比較，PCA-LVQ 神經網絡的識別錯誤率更低。為了評價路面識別算法的精準度，引入識別誤差e對路面識別精度進行評價，誤差e定義為：

式中：e為總識別誤差；Y為算法識別正確的數量；N為輸入識別的總數量。3 種算法對路面識別的精度如圖11所示。

圖11 不同算法識別精度

由圖11 可知，3 種算法中，PCA-LVQ 算法表現最佳，LVQ 神經網絡算法比BP 神經網絡算法識別精度更好，是由于采集試驗數據中包含噪聲誤差且數據較多。BP 神經網絡對于噪聲比較敏感，而LVQ 神經網絡對噪聲具有較強的魯棒性，但對大量數據集處理能力較差；PCA-LVQ 算法采用PCA 提取主成分，降低數據維度，對路面識別精度具有較大的提升，識別精度約為97%，較BP 神經網絡識別精度提高7%。

4.2 算法驗證

測試數據和訓練數據來源相同。算法利用采集到的車輛制動各信號，處理降維后，測試神經網絡對這些信號的識別能力。驗證路面編號1～6，分別代表冰面、雪面、濕鵝卵石、結冰瀝青、干水泥和干瀝青路面。按照順序依次將路面制動信息導入神經網絡，測試識別效果，結果如圖12所示。

由測試結果可知，大多數數據組預測類別與實際類別一致，誤差類別也在附近波動，由于冰面、雪面等低附著系數路面的特征更明顯，神經網絡捕捉特征信息更容易進行辨識，所以識別精度相對于其他類型路面高?？傮w路面識別效果較好，平均識別精度為97%，該神經網絡能準確識別不同路面類型。

4.3 魯棒性分析

速度魯棒性是制動工況路面識別算法實際應用的重要影響因素。在以往的研究中，算法通常以一個固定的車速作為約束制動條件，具有固定的特征捕獲特性。而在實際駕駛工況下，駕駛員在進行緊急制動時的車速不盡相同，因此，驗證路面識別算法對速度的魯棒性不可忽視。驗證算法在不同車速制動時的魯棒性，設置不同的制動初速度，檢驗算法的識別準確率，如圖13 所示。對該神經網絡以不同的速度進行訓練識別，選取3 種不同路面（冰面、結冰瀝青路面和瀝青路面）上的制動速度在20～70 km/h之間變化。

速度魯棒測試結果表明，該算法在較寬速度范圍內其準確率均高于90%，表現優秀。使用PCALVQ 算法訓練的神經網絡能適應不同車速下的路面類型識別。在測試過程中，車輛在路面附著系數較低的冰面和結冰瀝青路面上以不同的初始速度進行制動時，由于路面附著系數較低時，制動時輪速、加速度等的變化幅度更大，相關特征更明顯，算法對路面特征提取比較容易，所以識別準確率沒有明顯變化。而當車輛在路面附著系數較高的干瀝青路面上制動時，車速較低時，車輛制動響應更加穩定，相關特征變得不太顯著，算法的識別精度稍有下降，出現約5%的浮動。隨著速度的增加，輪速和加速度等變化幅度增大，算法的識別精度變得更高且更加穩定。證明了算法在不同的環境下均具有較高的識別精度和魯棒性。

5 結 論

本文提出了一種新的路面類型識別方法。采用PCA-LVQ 神經網絡實現車輛制動時路面類型識別。訓練中使用的數據來自試驗場試驗和HIL 臺架。試驗論證了PCA-LVQ 神經網絡利用制動時車輛加速度信號、輪速、輪缸壓力等信號識別路面類型的可行性。在經過訓練的神經網絡上對測試集的驗證表明，該神經網絡可以識別制動數據，路面識別準確率高達97%。該算法可以識別所有典型路面。對不同車速下測得的制動路面進行了識別測試，證明該算法在變工況下具有良好的魯棒性。

與以往的路面類型識別算法相比，該算法具有以下優點。

1）能充分利用表征路面特征的傳感器信息，如車輛縱向加速度、輪速等。

2）無需建立復雜車輛模型，只需利用車輛自身的傳感器輸入信息，硬件成本低。

3）無需濾波，噪聲容忍度高。

4）魯棒性高。通過改變車速仍可以有效識別。

在實際工程中，辨識結果可為車輛制動控制參數調節提供必要的依據，有重要的工程意義。該識別模型提供了一種更加便捷的識別思路，有較好的應用延展價值。