基于卷積神經(jīng)網(wǎng)絡(luò)的路面識(shí)別及半主動(dòng)懸架控制

劉秋，孫晉偉，張華, 胡煦，顧亮

(1.北京理工大學(xué) 振動(dòng)與噪聲控制研究所，北京 100081；2.西安航空學(xué)院 車輛工程學(xué)院，陜西 西安 710077；3.內(nèi)蒙古一機(jī)集團(tuán)宏遠(yuǎn)電器股份有限公司，內(nèi)蒙古 包頭 014000)

0 引言

車輛行駛過程中，實(shí)時(shí)準(zhǔn)確地獲取當(dāng)前的路面類型，可為車輛操縱穩(wěn)定性、舒適性的改善提供重要信息。因此，能否準(zhǔn)確識(shí)別車輛當(dāng)前行駛的路面十分關(guān)鍵。

針對(duì)路面識(shí)別，目前主要采用以下兩種方法進(jìn)行識(shí)別：1)通過加速度傳感器、位移傳感器采集由不同路面激勵(lì)引起的系統(tǒng)響應(yīng)，通過對(duì)系統(tǒng)響應(yīng)信號(hào)進(jìn)行分析和處理，對(duì)不同的路面進(jìn)行分類識(shí)別；2)利用車載攝像頭采集路面圖像，通過對(duì)圖像處理提取路面的紋理特征，從而對(duì)不同路面進(jìn)行分類。

目前國(guó)內(nèi)外研究人員對(duì)路面識(shí)別方法進(jìn)行了大量研究，并取得了一定成果。Ward等[1]通過放置于懸架擺臂上的加速度傳感器，對(duì)磚石路、草路和沙石路等非城市路面進(jìn)行了分類，將測(cè)量的加速度信號(hào)傳遞至動(dòng)態(tài)車輛模型來(lái)估計(jì)地形輪廓，最后利用監(jiān)督學(xué)習(xí)支持向量機(jī)(SVM)實(shí)現(xiàn)路面類型的識(shí)別。Qin等[2]通過布置于車身上的加速度傳感器測(cè)量簧載質(zhì)量加速度來(lái)提取路面的時(shí)頻特征，對(duì)不同幅值或頻率的路面激勵(lì)引起簧載質(zhì)量加速度變化特征進(jìn)行識(shí)別，從而對(duì)不同國(guó)家標(biāo)準(zhǔn)路面等級(jí)(B級(jí)～F級(jí))進(jìn)行識(shí)別。Ngwangwa等[3]首先利用汽車振動(dòng)系統(tǒng)8自由度模型，基于非線性自回歸(NARX)神經(jīng)網(wǎng)絡(luò)并通過仿真建立了車輛響應(yīng)和路面不平度的關(guān)系，其次通過傳感器測(cè)試和處理得到相應(yīng)的車輛響應(yīng)，最后應(yīng)用預(yù)訓(xùn)練完成的NARX神經(jīng)網(wǎng)絡(luò)識(shí)別路面不平度。Bekhti等[4]首先通過攝像機(jī)采集前方的路面圖像，其次通過相應(yīng)計(jì)算估計(jì)路面的紋理特征，最后計(jì)算路面紋理特征和振動(dòng)情況的相關(guān)性，從而對(duì)前方路面的振動(dòng)情況進(jìn)行預(yù)測(cè)。Decatur[5]利用人工神經(jīng)網(wǎng)絡(luò)提取雷達(dá)地形圖像的紋理特征對(duì)圖像進(jìn)行分類，并與傳統(tǒng)的使用最大似然估計(jì)的貝葉斯分類進(jìn)行對(duì)比，證明了前者的識(shí)別效率與精確度優(yōu)于后者。王世峰等[6]使用加速度傳感器和圖像特征數(shù)據(jù)融合對(duì)非城市路面進(jìn)行識(shí)別，并使用反向傳播(BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行了分類。

盡管上述方法均能較準(zhǔn)確地識(shí)別路面，但也存在一定缺陷。例如，當(dāng)路面粗糙程度較差時(shí)(非城市路面)，采用加速度傳感器和位移傳感器很難保證識(shí)別的精度；而采用圖像識(shí)別時(shí)沒有考慮自然環(huán)境下強(qiáng)光照、弱光照、圖像傾斜、圖像局部缺失等特殊情況對(duì)圖像質(zhì)量的影響。此外，利用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分類時(shí)需對(duì)圖像進(jìn)行較復(fù)雜的人為預(yù)處理，無(wú)法直接將原始圖像數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，同時(shí)當(dāng)網(wǎng)絡(luò)神經(jīng)元較多時(shí)BP神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)會(huì)十分巨大，使網(wǎng)絡(luò)分類效率大大降低甚至無(wú)法進(jìn)行分類。

本文通過采集路面圖像數(shù)據(jù)并利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)路面類型進(jìn)行識(shí)別。CNN的優(yōu)勢(shì)在于它能夠通過簡(jiǎn)單的卷積與池化運(yùn)算從原始輸入圖像中自行提取特征，并根據(jù)BP算法自動(dòng)更新網(wǎng)絡(luò)參數(shù)從而對(duì)圖像進(jìn)行學(xué)習(xí)。為了模擬自然環(huán)境以及車輛振動(dòng)對(duì)攝像頭采集圖像質(zhì)量的影響，對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，即隨機(jī)抽取若干路面圖像、人為調(diào)整其明暗度，或?qū)D像進(jìn)行一定角度的翻轉(zhuǎn)、剪切以及一定像素的平移，以提高CNN識(shí)別的泛化能力。最后采用遺傳優(yōu)化算法尋找不同路面下半主動(dòng)懸架系統(tǒng)最優(yōu)參數(shù)，并根據(jù)路面識(shí)別結(jié)果實(shí)現(xiàn)懸架控制參數(shù)在不同路面下的自適應(yīng)調(diào)整。

1 1/4半主動(dòng)懸架模型

本文以1/4車輛模型為基本框架，利用磁流變(MR)減振器模型作為阻尼元件、剛度為定值的傳統(tǒng)螺旋彈簧模型作為彈性元件組成1/4半主動(dòng)懸架模型。

1.1 磁流變減振器模型

磁流變減振器外特性通常具有強(qiáng)烈非線性并帶有遲滯環(huán)，其建模的精確與否對(duì)懸架控制有較大影響。非參數(shù)化模型、偽靜力模型和參數(shù)化動(dòng)力學(xué)模型是目前常用的3種磁流變減振器模型。其中參數(shù)化動(dòng)力學(xué)模型對(duì)MR減振器外特性描述得最全面和準(zhǔn)確。因此本文根據(jù)Kwok等[7]提出的參數(shù)化動(dòng)力學(xué)模型對(duì)其進(jìn)行建模。MR減振器遲滯模型示意圖如圖1所示。

圖1 MR減振器遲滯模型Fig.1 MR damper hysteresis model

模型由遲滯部分、彈性部分、阻尼部分三者并聯(lián)組成，考慮上述三者的動(dòng)力學(xué)特性，最終可得到MR減振器數(shù)學(xué)模型如下：

(1)

(2)

Kwok等[7]通過對(duì)MR減振器進(jìn)行外特性試驗(yàn)以及參數(shù)識(shí)別，得到上述待定參數(shù)的數(shù)學(xué)表達(dá)式，其中：

c=1 929I+1 232，

(3)

k=-1 700I+5 100，

(4)

α=-244I2+918I+32，

(5)

β=100，

(6)

δ=0.3I+0.58，

(7)

f0=-18I-257，

(8)

式中：I為MR減振器控制電流(A)，I?[0 A,2 A]。

對(duì)模型加載幅值為0.08 m，頻率為2 Hz的正弦激勵(lì)?？刂齐娏鳛?～2 A，間隔為0.25 A，則MR減振器速度特性曲線以及示功圖分別如圖2、圖3所示。

圖2 MR減振器速度特性曲線Fig.2 Speed characteristic curves of MR damper

圖3 MR減振器示功圖Fig.3 Indicator diagram of MR damper

1.2 1/4車輛模型

1/4車輛模型如圖4所示。圖4中，mb和mw分別表示簧載、非簧載質(zhì)量，Ks、Kt分別表示懸架剛度和車輪剛度，xb、xw和xr分別表示簧載質(zhì)量位移、非簧載質(zhì)量位移和路面激勵(lì)。

圖4 1/4車輛模型Fig.4 Quarter vehicle model

建立1/4車輛非線性系統(tǒng)模型如下：

(9)

(10)

1.3 路面不平度采集

將路面相對(duì)基準(zhǔn)平面的垂直方向高度記為q，沿道路縱向的長(zhǎng)度記為L(zhǎng)，q隨著L變化的函數(shù)稱為路面不平度函數(shù)，記作q(L)。目前路面不平度的測(cè)量技術(shù)主要有不動(dòng)基準(zhǔn)測(cè)量法、隨動(dòng)基準(zhǔn)測(cè)量法、動(dòng)態(tài)響應(yīng)測(cè)量法、角度基準(zhǔn)測(cè)量法等[8]。本文采用角度基準(zhǔn)測(cè)量法，分別對(duì)瀝青路、水泥路、砂石路、彈石路路面不平度進(jìn)行測(cè)量。測(cè)量?jī)x器以及路面圖像分別如圖5、圖6所示。

圖5 路面不平度測(cè)試儀器及車輛Fig.5 Road roughness test equipment and vehicle

圖6 路面圖像Fig.6 Road images

圖7 水泥路路面不平度實(shí)測(cè)曲線Fig.7 Measured curves of cement road surface roughness

4種路面不平度曲線如圖7～圖10所示。國(guó)家標(biāo)準(zhǔn)A級(jí)～F級(jí)路面按照1984年國(guó)際標(biāo)準(zhǔn)化組織文件ISO/TC 108/SC2N67中提出的表達(dá)式進(jìn)行擬合[9]：

(11)

式中：Gq(n)表示路面不平度功率譜密度，n為空間頻率(m-1)；n0為參考空間頻率，n0=0.1 m-1；Gq(n0)為n0下的路面功率譜密度值，稱為路面不平度系數(shù)(m3)；W為頻率指數(shù)，分級(jí)路面譜的頻率指數(shù)W=2. 各等級(jí)路面不平度系數(shù)Gq(n0)的幾何平均值如表1所示。

圖8 瀝青路路面不平度實(shí)測(cè)曲線Fig.8 Measured curves of asphalt road surface roughness

圖9 彈石路路面不平度實(shí)測(cè)曲線Fig.9 Measured curves of pebble road surface roughness

圖10 砂石路路面不平度實(shí)測(cè)曲線Fig.10 Measured curves of sandstone road surface roughness

表1 A級(jí)～F級(jí)路面不平度系數(shù)幾何平均值Tab.1 Roughness coefficient geometric means ofA-F grade roads

將采集的4種路面與國(guó)家標(biāo)準(zhǔn)路面對(duì)比，如圖11所示(雙對(duì)數(shù)坐標(biāo)系)。由圖11可見，在路面垂直位移功率譜密度曲線高頻段(空間頻率在0.28 m-1以上)，瀝青路基本與C級(jí)路面重合，水泥路介于C級(jí)、D級(jí)之間，砂石路、彈石路分別與D級(jí)、E級(jí)路面基本重合。

圖12 CNN結(jié)構(gòu)圖Fig.12 Convolutional neural network structure

圖11 4種路面與國(guó)家標(biāo)準(zhǔn)等級(jí)路面功率譜密度曲線Fig.11 Power spectral density curves of four road surfaces and national standard grade road

2 基于卷積神經(jīng)網(wǎng)絡(luò)的路面圖像識(shí)別

傳統(tǒng)的圖像識(shí)別方法通常不能將原始圖像直接作為分類器的輸入進(jìn)行識(shí)別，需要利用不同算法人為地提取圖像紋理、顏色、或者一些更高級(jí)的特征，然后將計(jì)算得到的特征作為分類器的輸入進(jìn)行分類識(shí)別。

深度學(xué)習(xí)動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，模仿人腦的機(jī)制來(lái)解釋數(shù)據(jù)，例如圖像、聲音和文本。CNN作為深度學(xué)習(xí)框架之一，在圖像識(shí)別領(lǐng)域取得了巨大成功，相比傳統(tǒng)的圖像識(shí)別方法，其優(yōu)勢(shì)在于它能夠通過簡(jiǎn)單的卷積與池化運(yùn)算從原始輸入圖像中自行提取特征，并根據(jù)BP算法自動(dòng)更新網(wǎng)絡(luò)參數(shù)從而對(duì)圖像進(jìn)行學(xué)習(xí)，是一種端到端的學(xué)習(xí)。同時(shí)CNN中神經(jīng)元的稀疏連接以及參數(shù)共享能夠極大降低模型的計(jì)算量，使得更深的網(wǎng)絡(luò)結(jié)構(gòu)、更高像素的圖像輸入成為可能。

2.1 CNN結(jié)構(gòu)

本文通過搭建相應(yīng)的CNN對(duì)不同的路面圖像數(shù)據(jù)進(jìn)行學(xué)習(xí)，最終實(shí)現(xiàn)對(duì)路面識(shí)別的目的。所搭建的CNN結(jié)構(gòu)如圖12所示。圖12中，包括13個(gè)卷積層、5個(gè)池化層、3個(gè)全連接層以及最后的Softmax輸出層。

針對(duì)圖像數(shù)據(jù)，卷積層中卷積的運(yùn)算[10]如下：

(12)

在卷積層進(jìn)行特征提取后，輸出的特征圖傳遞至池化層進(jìn)行特征選擇，將特征圖中單個(gè)點(diǎn)的像素值替換為其相鄰區(qū)域像素值的統(tǒng)計(jì)量，以達(dá)到降維的目的。池化層進(jìn)行特征選擇的方式主要有平均池化和最大池化。本文采用最大池化，即選取相鄰區(qū)域內(nèi)像素值的極大值[11]。

當(dāng)卷積核為大小f=1、步長(zhǎng)s0=1的單位卷積核且不包含填充時(shí)，則(12)式表示全連接層內(nèi)的矩陣乘法運(yùn)算：

(13)

Softmax函數(shù)能將一個(gè)含任意實(shí)數(shù)的N維向量p壓縮到另一個(gè)N維實(shí)向量σ(p)中，使得每一個(gè)元素的取值范圍都在(0,1)之間，并且所有元素之和為1. 即將圖12中全連接層3的輸出轉(zhuǎn)化為輸入圖像屬于每一類別的概率[10]：

參照國(guó)內(nèi)《獸用消毒劑鑒定技術(shù)規(guī)范》[8]及《消毒技術(shù)規(guī)范》[9]試驗(yàn)方法進(jìn)行。將菌株分別接種到瓊脂培養(yǎng)基劃線培養(yǎng),傳至3 代,挑取單個(gè)菌落接種到相應(yīng)的肉湯培養(yǎng)基中,37 ℃培養(yǎng)18～24 h,再分別接種到斜面培養(yǎng)基放4 ℃冰箱,儲(chǔ)存?zhèn)溆谩?/p>

(14)

式中：pi為N維向量p中的第i個(gè)元素。

在加快網(wǎng)絡(luò)訓(xùn)練速度的同時(shí)，為了防止梯度爆炸或消失以及陷入較差的局部最優(yōu)值，本文通過批量歸一化規(guī)范各層網(wǎng)絡(luò)激活函數(shù)的輸入，防止訓(xùn)練陷入激活函數(shù)中飽和的非線性區(qū)域，從而加快網(wǎng)絡(luò)的收斂速度[12]。對(duì)于訓(xùn)練中某一個(gè)批量的數(shù)據(jù){x1,x2，…，xP}，該數(shù)據(jù)可以是輸入也可以是網(wǎng)絡(luò)中間某一層的輸出，數(shù)據(jù)批量歸一化操作如下：

(15)

(16)

(17)

式中：μ為數(shù)據(jù)均值；xj為數(shù)據(jù)個(gè)數(shù)P中第j個(gè)數(shù)據(jù)；σ2為數(shù)據(jù)方差；l為數(shù)據(jù)歸一化值；γ和θ為兩個(gè)需要網(wǎng)絡(luò)學(xué)習(xí)的參數(shù)；ε為人為給定的參數(shù)；l為歸一化后的最終輸出。

2.2 數(shù)據(jù)增強(qiáng)

針對(duì)CNN，良好的泛化能力比較高的訓(xùn)練準(zhǔn)確率更為重要。良好的泛化能力意味著CNN對(duì)訓(xùn)練數(shù)據(jù)以外的數(shù)據(jù)同樣具有準(zhǔn)確預(yù)測(cè)的能力[13]。提高CNN泛化能力的一個(gè)有效措施就是對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，即人為創(chuàng)建假數(shù)據(jù)并添加至訓(xùn)練集[14]。本文首先收集4種典型的城市以及非城市路面圖像，其次對(duì)部分路面圖像進(jìn)行圖像處理，即調(diào)整圖像明暗度、將圖像沿橫向或垂向平移若干像素、對(duì)圖像進(jìn)行小角度的翻轉(zhuǎn)和剪切，從而模擬外部自然環(huán)境以及采樣時(shí)車輛振動(dòng)對(duì)圖像質(zhì)量的影響，達(dá)到數(shù)據(jù)增強(qiáng)的目的。原始圖像以及進(jìn)行圖像處理的圖像如圖13所示，圖像處理參數(shù)如表2所示。

3 仿真分析

3.1 半主動(dòng)懸架控制流程

路面識(shí)別以及半主動(dòng)懸架控制流程(見圖14)由路面圖像采集、路面類型識(shí)別、半主動(dòng)懸架控制三部分組成。由圖14可見：首先，通過攝像頭采集路面圖像作為CNN的輸入；其次，通過預(yù)訓(xùn)練完成的CNN對(duì)輸入圖像進(jìn)行識(shí)別；最后，根據(jù)識(shí)別結(jié)果選擇已經(jīng)過遺傳算法優(yōu)化的半主動(dòng)懸架控制參數(shù)，實(shí)現(xiàn)懸架控制參數(shù)在不同路面下自適應(yīng)調(diào)整以提升車輛性能的目的。本文以4種路面進(jìn)行仿真分析，對(duì)于普遍情況可通過增加數(shù)據(jù)集中路面類型的種類來(lái)拓寬CNN識(shí)別范圍。同時(shí)加載不同的路面激勵(lì)信號(hào)并結(jié)合優(yōu)化算法獲取不同路面類型下懸架的最優(yōu)控制參數(shù)。

圖14 基于路面識(shí)別的半主動(dòng)懸架控制流程圖Fig.14 Flow chart of semi-active suspension control based on road recognition

3.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練以及驗(yàn)證

本文收集了1.3節(jié)中所述4種路面類型的圖像數(shù)據(jù)，即城市瀝青路、水泥路、砂石路以及彈石路。每種路面類型經(jīng)過數(shù)據(jù)增強(qiáng)后分別有10 000個(gè)樣本，一共40 000個(gè)樣本。其中30 000個(gè)樣本組成訓(xùn)練集用于CNN訓(xùn)練，10 000個(gè)樣本組成驗(yàn)證集用于驗(yàn)證CNN訓(xùn)練效果。訓(xùn)練集與驗(yàn)證集中每種路面圖像占樣本總個(gè)數(shù)的比例相同。同時(shí)每個(gè)樣本均通過MATLAB軟件處理為228×228×3的紅、綠、藍(lán)彩色圖像作為CNN的輸入，并采用監(jiān)督學(xué)習(xí)的方式對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

CNN網(wǎng)絡(luò)訓(xùn)練中的卷積、池化、誤差BP更新權(quán)重等操作需要進(jìn)行大量的矩陣運(yùn)算，為了加快網(wǎng)絡(luò)的訓(xùn)練速度，本文調(diào)用圖形處理器進(jìn)行網(wǎng)絡(luò)訓(xùn)練。用于網(wǎng)絡(luò)訓(xùn)練的設(shè)備如表3所示，網(wǎng)絡(luò)參數(shù)設(shè)置如表4所示。

表3 網(wǎng)絡(luò)訓(xùn)練所用硬件Tab.3 Hardware for network training

表4 卷積神經(jīng)網(wǎng)絡(luò)參數(shù)Tab.4 Convolutional neural network parameters

CNN訓(xùn)練以及驗(yàn)證的準(zhǔn)確率、損失函數(shù)值曲線如圖15所示。由圖15可知，訓(xùn)練過程僅在200次迭代后就基本收斂，此時(shí)訓(xùn)練集與驗(yàn)證集的準(zhǔn)確率曲線、損失函數(shù)值曲線走勢(shì)基本重合，數(shù)值上準(zhǔn)確率接近于1，損失函數(shù)值接近0. 訓(xùn)練完成后，通過編寫程序從包含10 000個(gè)樣本的驗(yàn)證集中隨機(jī)選取18個(gè)樣本導(dǎo)入已訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)中，18個(gè)樣本的識(shí)別結(jié)果如圖16所示。圖16中，每個(gè)子圖樣本下方給出了CNN識(shí)別的結(jié)果及其對(duì)應(yīng)的概率。由圖16可知，訓(xùn)練完成的CNN對(duì)本文采集的4種典型城市及非城市路面具有較好的識(shí)別以及泛化能力。同時(shí)通過添加計(jì)時(shí)程序可計(jì)算出：在所使用的硬件設(shè)備下(見表3)，單張路面圖像的識(shí)別用時(shí)約為9.5 ms.

圖15 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練及驗(yàn)證結(jié)果Fig.15 Training and verified results of convolutional neural network

3.3 4種路面仿真結(jié)果

為保證車輛在不同類型的路面行駛時(shí)均具有良好的舒適性以及操縱穩(wěn)定性，需對(duì)MR減振器針對(duì)不同的路面類型提供不同控制電流，以得到合適的阻尼特性。根據(jù)所建立的1/4車輛半主動(dòng)懸架模型，以MR減振器控制電流為優(yōu)化變量，以懸架動(dòng)行程為約束條件，以簧載質(zhì)量加速度、車輪動(dòng)變形的均方根值為優(yōu)化目標(biāo)[15]，針對(duì)不同的路面激勵(lì)求取MR減振器的最優(yōu)控制電流。本文以某車型被動(dòng)懸架參數(shù)作為參照，通過對(duì)優(yōu)化目標(biāo)賦予權(quán)重系數(shù)的方式，將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，然后結(jié)合遺傳算法進(jìn)行求解。所確定的目標(biāo)函數(shù)如下：

(18)

圖16 隨機(jī)樣本測(cè)試結(jié)果Fig.16 Test results of random samples

遺傳算法參數(shù)設(shè)置如下：

1)使用精英操作，每代選擇20個(gè)優(yōu)秀個(gè)體直接遺傳，不參與交叉與變異；

2)種群大小為200；

3)遺傳代數(shù)為50代；

4)交叉與變異概率分別設(shè)置為0.3、0.1；

5)控制電流搜尋范圍[0 A,2 A]；

6)懸架最大動(dòng)行程設(shè)置為12 cm.

路面激勵(lì)信號(hào)采用所采集的4種路面不平度時(shí)域信號(hào)。從車輛動(dòng)力學(xué)的角度來(lái)看，車輛的舒適性與操縱穩(wěn)定性是一對(duì)相互矛盾的指標(biāo)[16]，因此應(yīng)根據(jù)具體路面來(lái)為目標(biāo)函數(shù)分配不同的加權(quán)系數(shù)。當(dāng)路面較差時(shí)，應(yīng)著重優(yōu)化與車輛操縱穩(wěn)定性相關(guān)的指標(biāo)。當(dāng)路面良好時(shí)，應(yīng)著重優(yōu)化與車輛舒適性相關(guān)的指標(biāo)。用于參照的被動(dòng)懸架參數(shù)如表5所示，不同路面類型下目標(biāo)函數(shù)加權(quán)系數(shù)取值以及優(yōu)化后的控制電流如表6所示。

乘坐舒適性與操縱穩(wěn)定性優(yōu)化結(jié)果如圖17、表7所示。通過半主動(dòng)懸架與被動(dòng)懸架的對(duì)比可知：對(duì)于路面良好的瀝青路、水泥路而言，簧載質(zhì)量加速

表5 被動(dòng)懸架參數(shù)表Tab.5 Passive suspension parameters

表6 4種路面加權(quán)系數(shù)及最優(yōu)控制電流Tab.6 Weighting coefficients and optimal control current of four roads

度均方根值、車輪動(dòng)變形均方根值均得到了有效改善；而對(duì)于路面較差的砂石路、彈石路，在有效降低車輪動(dòng)變形的同時(shí)簧載質(zhì)量加速度僅有小幅度的惡化。

4 結(jié)論

本文首先建立基于MR減振器的車輛1/4半主動(dòng)懸架模型，其次通過搭建CNN基本結(jié)構(gòu)并利用所采集的4種典型城市以及非城市路面圖像對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，并通過訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)對(duì)路面類型進(jìn)行識(shí)別。采用遺傳優(yōu)化算法并以所采集的4種路面不平度時(shí)域信號(hào)作為路面激勵(lì)求取半主動(dòng)懸架最優(yōu)控制參數(shù)，根據(jù)路面識(shí)別結(jié)果及優(yōu)化結(jié)果實(shí)現(xiàn)懸架控制參數(shù)的自適應(yīng)調(diào)整。得出主要結(jié)論如下：

1)加入數(shù)據(jù)批量歸一化和數(shù)據(jù)增強(qiáng)操作，在提高網(wǎng)絡(luò)收斂速度的同時(shí)使得網(wǎng)絡(luò)具有良好的泛化能力。

2)基于卷積神經(jīng)網(wǎng)絡(luò)的路面識(shí)別方法能對(duì)所采集的4種城市以及非城市道路進(jìn)行準(zhǔn)確識(shí)別。

3)基于路面識(shí)別和遺傳算法的半主動(dòng)懸架控制系統(tǒng)，可根據(jù)不同路面類型自適應(yīng)調(diào)整MR減振器控制電流，提升車輛在良好路面下舒適性的同時(shí)改善了在較差路面下的操縱穩(wěn)定性。

在目前所做工作的基礎(chǔ)上，后續(xù)工作重點(diǎn)將放在增加路面圖像數(shù)據(jù)集樣本數(shù)量與種類，進(jìn)一步擴(kuò)展CNN的識(shí)別范圍，以及通過代碼硬件部署開展實(shí)車控制的相關(guān)研究工作。

圖17 不同路面類型下半主動(dòng)與被動(dòng)懸架性能指標(biāo)對(duì)比Fig.17 Comparison of performance indexes of semi-active and passive suspensions under different road types

表7 乘坐舒適性與操縱穩(wěn)定性對(duì)比Tab.7 Comparison of ride comfort and handling stability