基于卷积神经网络的汽车操纵稳定性试验类型识别方法 *

管 欣，仲昭辉，詹 军，奚腾龙，叶 昊，高深圳，成 健，廖世辉，蔡 均

（1. 吉林大学，汽车仿真与控制国家重点实验室，长春 130025； 2. 汽车智能仿真重庆市重点实验室，重庆 401100；3. 重庆长安汽车股份有限公司，重庆 401100）

前言

在汽车动力学性能V 字形设计开发流程中，汽车动力学性能试验是保证产品性能、提高产品质量和产品核心竞争力的重要手段之一［1］。无论是在性能对标过程中对竞品车辆进行分析和对标，还是在设计验证环节中对样车进行性能验证和分析，都离不开大量的动力学性能场地试验。

汽车操纵稳定性是汽车最重要的动力学性能之一，是影响汽车驾驶乐趣和主动安全的重要性能。汽车产品开发中需要进行大量的汽车操纵稳定性试验。根据国际和国内标准，汽车操纵稳定性试验包括转向轻便性试验、蛇行试验、转向盘角脉冲试验等10 余项试验方案及几十种试验工况。繁多的试验工况和试验数据导致后期处理面临巨大困难，消耗大量的人力、物力和财力。采用自动化试验结果处理可以大大提高工作效率，降低试验处理的不一致性。为实现试验结果的自动化处理，须自动识别试验工况的类型。

汽车操纵稳定性试验类型识别问题属于一种分类问题，而在分类问题上，研究人员针对汽车不同的研究领域采用不同方法展开研究。根据归纳总结，研究人员所采用的方法主要有以下两类：基于规则的方法和基于机器学习的方法。

在基于规则方法的方面，Zhang等［2］针对插电式混合动力电动汽车的能量管理问题，提出了一种基于模糊逻辑规则的方法来识别驾驶工况。Castignani 等［3］使用18 条IF-THEN 规则形式的模糊推理来分析驾驶行为，并将行为分为正常、中等和攻击性。Ren 等［4］提出一种基于证据推理规则的双传感器目标分类融合决策方法，用来融合两个传感器的分类结果，得出最终分类结果。

在基于机器学习方法的方面，Raveendran 等［5］采用支持向量机（SVM）对空气制动系统的故障/无故障状态进行分类和预测。Xu等［6］提出了一种基于监督学习的汽车驾驶循环工况的识别方法。Lattanzi等［7］提出了一种基于机器学习技术的方法，旨在通过车载传感器数据识别安全和不安全的驾驶行为。

深度学习作为机器学习领域中新的方法和形式，广泛应用于汽车领域的各个研究方向。Alladi等［8］提出了基于深度学习的分类方法，用于识别和分类车联网网络中行为不端的车辆。Nasaruddin等［9］引入了一种基于注意力机制和深度学习的方法，用于识别车辆类型。Prabhakar 等［10］开发了一种基于卷积神经网络的深度学习系统，用于道路障碍物的检测和分类。Yang 等［11］开发了一种深度卷积神经网络模型，利用多车辆轨迹数据对高速公路上的事故进行检测和分类。Behrendt 等［12］提出了一种用于交通灯检测和分类的深度学习方法。

在围绕汽车试验工况识别的研究中，Schoeggl等［13］应用模糊逻辑方法识别驾驶模式，即驾驶性试验工况。王莹［14］采用动态时间规划方法和BP 神经网络方法分别建立汽车操纵稳定性试验方案识别模型，同时采用逐层分类方法提高识别正确率、减少识别时间。梁帆［15］采用隐含马尔科夫模式识别算法，针对每类操纵稳定性试验工况建立识别模型，从而实现试验工况识别。张兴龙等［16］结合GPS 位置信息和车辆响应特征物理量，根据试验区域划分和KNN算法对汽车试验工况进行识别。

综上所述，对汽车试验类型的识别常采用神经网络或隐含马尔科夫模式识别等方法，这些方法需要先验知识和模板，前期工作量大。深度学习方法在汽车领域的分类问题上被广泛使用，并展示出极佳的性能。因此，本文中针对汽车试验类型分类问题，探索利用深度学习方法中的卷积神经网络方法进行试验类型识别是很有研究意义的。为此，尝试利用卷积神经网络模型，将汽车操纵稳定性试验类型分类问题转化为图像分类问题，以试验数据曲线图像作为输入，以试验类型分类结果为输出，建立卷积神经网络分类模型，在保证分类准确率的同时，较快识别出试验类型，有利于实现试验结果的自动化处理，缩短汽车开发周期。

1 基于卷积神经网络CNN 的汽车操纵稳定性试验类型分类模型

1.1 汽车操纵稳定性试验数据特征分析

根据汽车操纵稳定性国际标准，汽车操纵稳定性试验可按照15 种典型类型进行分类，具体类型如表1所示。

表1 汽车操纵稳定性试验类型

为实现汽车操纵稳定性试验类型的分类，本文分析了汽车操纵稳定性试验中可以获取的转向盘力矩、侧向加速度、车身侧倾角等信号的时域曲线，经对比各信号的图像特征，最终确定侧向加速度时域曲线图像为识别模型的输入。15 种汽车操纵稳定性试验类型侧向加速度信号的时域曲线如表2 所示。可以看出侧向加速度信号时域曲线特征在不同试验类型下存在明显差异。

表2 15种试验类型侧向加速度信号时域曲线

1.2 基于卷积神经网络CNN 的操纵稳定性试验类型分类模型

近年来，深度学习技术发展迅速，卷积神经网络已被应用于图像分类领域［17］。本文建立的分类模型除输入层和输出层外，卷积神经网络模型主要由以下几类层组成：卷积层、批归一化层、ReLU 层、池化（Pooling）层、活化（Dropout）层、激活函数（Softmax）层和全连接层。

（1） 卷积层

卷积层是构建卷积神经网络的核心层。卷积层可以通过卷积操作提取输入的不同特征，其卷积运算公式为

式中：x为像素矩阵；kernel为卷积核，其尺寸为m×m；yC为卷积层的输出矩阵；⊙为哈达玛积。

（2） 批归一化层

批归一化层使特征值分布趋于标准正态分布，可以加快网络训练和收敛的速度。其运算公式为

式中：μ为均值；σ2为方差；C为标准化后的矩阵；yB为批归一化后的输出矩阵；γ和β为要学习的参数。

（3） 激活函数层

激活函数层也称为非线性映射层。它用于增加整个网络的非线性表达能力。线性整流函数ReLU是深度卷积神经网络中最常用的激活函数之一［18］。ReLU 函数具有计算速度快且收敛速度远快于sigmoid 和tanh 的优势，有利于有效率的反向传播。本文中所搭建的神经网络模型中的激活函数层采用ReLU函数，其计算公式为

式中yR为ReLU处理后的输出矩阵。

（4） 池化层

池化层将已初步得到的特征值进行降维处理，以提高网络的计算效率和保持特征不变性。最典型的池化操作是最大池化，其计算公式为

式中yp为池化层的输出矩阵。

（5） 活化Dropout层

过度拟合在深度学习中是一个相当大的问题，研究人员已经设计了各种方法。Hinton等［19］提出的Dropout 层在特征提取器中采用。Dropout 层可以使网络结构更清晰、更规则化，其计算公式为

式中：r[i，j]服从伯努利二项分布；W为权重矩阵；b为偏置矩阵；yD为Dropout的输出矩阵。

（6） Softmax层

Softmax 层使用softmax 激活函数对全连接层的输出进行归一化。Softmax 层的输出由总和为 1 的多个正数组成，这些数字随后可被分类层用作分类概率，其计算公式为

式中：xk为第k个节点的输出值；n为类别个数。

（7） 全连接层

全连接层负责将在图像中学习的所有特征信息进行整合，以获得最佳的分类效果。全连接层的计算主要是基于矩阵向量乘法。

利用上述基础模型网络层，构建基于卷积神经网络CNN 的汽车操纵稳定性试验类型分类模型架构，如图1所示。

图1 基于卷积神经网络CNN的分类模型架构

本文搭建的模型包括1个输入层、3个卷积层、3个批归一化层、5个ReLU 层、2个最大池化层、3个全连接层、2 个Dropout 层、1 个Softmax 层和1 个分类输出层。3个卷积层分别包含8、16、32个卷积核，每个卷积核代表一个连接到前一层输出的滤波器，卷积核尺寸为5×5。

2 结果与讨论

2.1 基于卷积神经网络CNN的分类模型训练

针对15 种汽车操纵稳定性试验类型，每种类型收集了150 组试验数据，共计2 250 组试验数据。试验数据来源于场地试验和仿真试验，二者比例为1∶1。场地试验数据来源于3辆车的场地试验，仿真试验数据来源于15 组参数各异的车辆动力学模型的仿真试验。

对采集的侧向加速度信号进行截取，并利用去零漂、去野点和滤波等数据预处理方法进行处理，预处理后的信号数据经过归一化处理，以绘制成时域曲线图像。为便于辨识角阶跃试验和转向释放开环试验，本文将侧向加速度试验数据绘制成RGB 三通道图像，其图像尺寸统一为210像素×280像素，并添加红色横坐标轴特征线，如表2所示。

基于MATLAB 平台下的深度学习网络设计器工具箱搭建了基于卷积神经网络的分类模型［20］。CNN 训练和测试都是在相同的软硬件环境下完成，表3列出了试验中所使用的软件和硬件参数。

表3 软硬件参数

将图像数据按照6∶2∶2 的比例，划分为训练数据集、验证数据集和测试数据集。随后，对模型进行训练。本文采用具有动量的随机梯度下降 （SGDM）训练网络，初始学习率为 0.001。利用训练集数据训练网络，更新网络权重，并在训练过程中按固定时段计算基于验证数据的准确度，但验证数据不参与更新网络权重的工作。模型训练过程的准确度曲线和损失函数曲线如图2所示。

图2 训练过程准确度曲线和损失函数曲线

由图2 可知，在训练开始阶段，准确度曲线迅速上升，训练损失函数曲线和验证损失函数曲线迅速下降，说明学习率合适且在进行梯度下降过程。当训练过程达到一定阶段，训练损失函数曲线和验证损失函数曲线都趋于收敛，模型开始更细致的参数优化。

2.2 模型测试结果与分析

利用测试集数据对训练好的模型进行测试，使用混淆矩阵对测试结果进行可视化，如图3所示。

图3 模型测试混淆矩阵

由图可知，测试数据集每个试验类型包括30 个样本，共计450 个样本。其中分类正确的样本数量为447 个，分类错误的样本数量为3 个，验证集准确率为99.33%。另外，通过对3 个分类错误样本的分析，发现蛇行试验、双移线试验和中心区-穿行试验在图像特征上较为相似，在试验曲线周期和局部特征上存在差异，导致测试集上3个样本分类错误。

此外，识别时间是本文关注的重要指标之一。本文所提出的方法在验证数据集上的平均识别时间为0.05 s。所提出的方法与其他文献进行了结果比较，如表4所示。

表4 汽车操纵稳定性试验类型不同识别方法的比较

由表4 可知，本文提出的方法在识别准确率和识别时间方面具有更好的性能。值得注意的是，不同文献的硬件配置和数据集可能与本研究不同，因此表4中的结果对比仅供参考。

3 结论

针对汽车操纵稳定性试验评价指标自动化处理的需要，研究了基于卷积神经网络的汽车操纵稳定性试验类型识别模型，并经检验应用，获得以下结论。

（1） 基于不同汽车操纵稳定性试验的侧向加速度图像具有显著差异特征，构建了基于卷积神经网络的汽车操纵稳定性试验类型识别模型。

（2） 利用采集的2 250 组试验数据对模型进行训练和验证，在450 个测试样本中分类准确率达到99.33%，平均识别时间为0.05 s。结果表明，本文提出的基于卷积神经网络的汽车操纵稳定性试验类型识别方法可快速准确区分汽车操纵稳定性试验类型，可用于试验结果的自动化处理。