智能汽车安全应用领域中的道路类型声学估测方法



智能汽车安全应用领域中的道路类型声学估测方法

道路与轮胎之间的摩擦力是影响智能汽车安全性的最重要因素，因为其决定了车辆的稳定性和操纵性。如果道路-轮胎摩擦力可以测量出来，那么就可以直接利用这些信息去提高汽车的纵向和横向控制能力，使汽车实现更好的操纵性与稳定性。但这种摩擦力无法直接测量，只能估测。在进行估测时，使用汽车纵向操纵参数进行试验会对汽车的操纵稳定性产生影响。此外，大多数估测方法需要使用昂贵的传感器测量汽车底盘速度。

现在有很多估测道路-轮胎摩擦力的技术，声学估测技术是其中之一。大多数系统中应用的方法需要预先确定模型，比如LuGre模型和Pacejka模型，这些估测方法需要确定数学公式中的系数。Erdogan等人的工作表明，使用新型无线压电轮胎传感器可以测量轮胎胎壁的偏离程度，再利用轮胎传统模型—刷子模型来估测轮胎-道路摩擦因数。最近的一项研究使用了胎内加速度器直接识别出轮胎应变，并应用在牵引、制动或稳定系统中。也有使用曲线拟合算法研究实时识别道路-轮胎摩擦力。在这个领域相对较新的方法中，声学方法在一定程度上区分干路面和湿沥青路面，可被应用到路面状况估测之中。道路-轮胎相互作用力是可以被估测的，但需要使用估测算法和特定的传感器系统。

该声学方法使用声学来感知、应用音频处理程序来提取特征、ANN来分类，从而识别出道路类型，而不是直接估测摩擦因数μ或者μ-λ特性曲线的斜率。与先前的声学方法相比，该方法更为出色，因为其可以识别出4种不同的路面类型：沥青路、碎石路、石子路、冰雪路。道路类型的识别有助于智能车安全系统决定跟踪正确的μ-λ曲线或者产生参考的最佳滑动率。

声学音频信号处理方法用于从不同天气和路面收集到的音频信号中提取特征值，提取到的特征值通过组间和组内方差进行优化，组间距离通过K-L距离度量标准进行确定。当处理和提取25个特征元素的时间窗口t=0.05s且一个ANN结构（含有2个隐含层），而这些层中的神经元为[10: 5]时，该方法具有最好的识别效果。研究案例表明，在达到可接受车速时，尽管滑动率下降到接近于0，但该系统依然能够使汽车主动安全性增强。

Pınar Boyraz. Int. J. Vehicle Safety, Vol. 7, No. 2, 2014.

编译：周建鹏