基于支持向量機(jī)的智能輪胎路面辨識算法*

王 巖，梁冠群，危銀濤

(清華大學(xué)車輛與運(yùn)載學(xué)院，北京 100084)

前言

輪胎是車輛與道路接觸的唯一部件，傳遞著車輛運(yùn)動(dòng)所需的力和力矩，對車輛的動(dòng)力性、安全性、舒適性、經(jīng)濟(jì)性等方面有重要影響。輪胎本質(zhì)上是一個(gè)“被動(dòng)”的部件，在車輛運(yùn)動(dòng)過程中，輪胎受到的力和力矩均無法直接進(jìn)行獲取。然而隨著電子信息技術(shù)和微型傳感器技術(shù)的發(fā)展，智能輪胎這一概念應(yīng)運(yùn)而生，通過在輪胎內(nèi)部植入傳感器，可實(shí)現(xiàn)對輪胎、車輛乃至道路信息的監(jiān)測[1]。

近年來，智能輪胎技術(shù)逐漸受到各國研究學(xué)者的關(guān)注，各種類型的傳感器被用來構(gòu)建智能輪胎系統(tǒng)，包括光學(xué)傳感器[2]、磁傳感器[3]、壓電傳感器[4]、表面聲波傳感器[5]、加速度傳感器[6]。其中，加速度傳感器性能優(yōu)良且加速度信號本身所蘊(yùn)含的信息豐富，因此加速型智能輪胎被廣泛研究。通過加速度信號可以實(shí)現(xiàn)多種參數(shù)的辨識監(jiān)測，包括輪胎的六分力[7－9]、輪胎的振動(dòng)噪聲[10]、輪胎的水滑[11]、輪胎－道路的附著情況[12]等。而智能輪胎技術(shù)的核心在于將傳感器測量的運(yùn)動(dòng)學(xué)信息轉(zhuǎn)化為車輛底盤系統(tǒng)真正需要的輪胎力信息和輪胎－路面接觸作用信息。而車輛控制系統(tǒng)中最重要的信息之一是輪胎－路面間的峰值摩擦因數(shù)。

傳統(tǒng)的輪胎－路面附著系數(shù)辨識方法的核心基于車輛動(dòng)力學(xué)模型和精確的輪胎模型。通過測量整車的狀態(tài)參數(shù)(車速、橫縱向加速度、橫擺角速度)，利用各種觀測方法(如遞歸最小二乘、卡爾曼濾波、粒子濾波)，估算出輪胎的各項(xiàng)參數(shù)，包括輪胎力、輪胎側(cè)偏角、輪胎滑移率。通過估算的參數(shù)，利用輪胎模型或滑移特性曲線，估算路面的附著曲線[13]。這本質(zhì)上是一種間接的觀測手段，所以該方法有諸多局限性，如:輪胎在小滑移、小側(cè)偏角情況下，準(zhǔn)確度不高，缺乏有效的觀測手段；車輛模型和輪胎模型的復(fù)雜程度導(dǎo)致了觀測器設(shè)計(jì)復(fù)雜，無法調(diào)和復(fù)雜度與估測準(zhǔn)確度之間的矛盾；不同的估算方法適用范圍有局限性，缺乏普遍適用的有效方法。

而目前基于智能輪胎的摩擦因數(shù)研究，大多是首先利用智能輪胎實(shí)現(xiàn)輪胎力的估算，以取代基于整車信號觀測的輪胎力，隨后采用同樣的算法利用輪胎模型或滑移特征實(shí)現(xiàn)摩擦因數(shù)的估算[12]。這本質(zhì)上仍然屬于一種間接的手段，并不是直接通過智能輪胎的信號判斷路面的狀態(tài)。因此，本文中直接通過智能輪胎的加速度信號，以輪胎的動(dòng)態(tài)響應(yīng)為紐帶，將路面狀態(tài)與智能輪胎測試信號進(jìn)行聯(lián)結(jié)，完成路面的分類辨識。

本文中基于加速度傳感器開發(fā)了智能輪胎系統(tǒng)和產(chǎn)品樣機(jī)，并進(jìn)行實(shí)車場地試驗(yàn)，采集智能輪胎徑向、側(cè)向加速度信號；應(yīng)用統(tǒng)計(jì)特征參數(shù)提取加速度的時(shí)頻域特征，并采用主成分分析法對特征參數(shù)進(jìn)行降維；基于主成分參數(shù)，利用支持向量機(jī)進(jìn)行訓(xùn)練，選取最優(yōu)的支持向量機(jī)參數(shù)并利用其實(shí)現(xiàn)道路附著情況的分類識別。

1 智能輪胎系統(tǒng)設(shè)計(jì)與實(shí)車測試

1. 1 智能輪胎硬件系統(tǒng)設(shè)計(jì)

由于加速度信號不僅能夠反映輪胎的動(dòng)力學(xué)信息，而且可以提供輪胎本身的振動(dòng)信息；而本文中需要通過輪胎的動(dòng)態(tài)響應(yīng)來推斷輸入的道路信息，因此基于MEMS 三軸加速度計(jì)開發(fā)了智能輪胎系統(tǒng)。本文中選取了美國亞德諾公司(Analog Devices)生產(chǎn)的ADXL372 數(shù)字型三軸MEMS 加速度傳感器。該型號加速度計(jì)尺寸小(3 mm×3.25 mm×1.06 mm)、質(zhì)量輕(0.3 g)、量程高(±200g)、功耗低和系統(tǒng)穩(wěn)定等特點(diǎn)使其能夠滿足輪胎內(nèi)部測量的嚴(yán)苛要求。智能輪胎的硬件系統(tǒng)構(gòu)架如圖1 所示。

所構(gòu)建的智能輪胎系統(tǒng)分為采集器和控制器。采集器采集三向加速度、胎壓、胎溫等參數(shù)，通過藍(lán)牙無線傳輸至控制器的接收端?？刂破骺梢赃M(jìn)行數(shù)據(jù)的存儲與分析，以實(shí)現(xiàn)智能輪胎不同的應(yīng)用功能。信號采用無線方式傳輸，避免了不必要的線束、輪胎和輪轂的改造；采用可以無線充電的鋰電池進(jìn)行能量供給，避免智能輪胎系統(tǒng)的頻繁拆卸，從而使系統(tǒng)使用更加便捷。

采集器與控制器 MCU 均選用德州儀器的CC2640 芯片，該芯片為2.4 GHz RF 器件，符合藍(lán)牙低功耗(BLE) 4.2 規(guī)范，可以實(shí)現(xiàn)數(shù)據(jù)的藍(lán)牙傳輸。藍(lán)牙4.2 傳輸速率最大為1 Mbps，而傳感器采樣頻率為2 kHz，每秒傳輸?shù)募铀俣?、氣壓、溫度?shù)據(jù)量為:5×2000×8 bit＝8×104bit。因此藍(lán)牙傳輸速率滿足使用需求。

圖1 智能輪胎硬件系統(tǒng)構(gòu)架

智能輪胎輪端采集模塊如圖2 所示，將智能輪胎采集系統(tǒng)進(jìn)行封裝，并設(shè)計(jì)相應(yīng)的橡膠套件予以固定，橡膠套用特制的膠水粘貼在輪胎內(nèi)壁。仿真與測試表明:這種固定方式具有很高的可靠性，避免了傳感器的脫落與損壞。加速度傳感器粘貼位置為輪胎內(nèi)襯中央。

圖2 智能輪胎輪端采集模塊

圖3 為智能輪胎系統(tǒng)的車端模塊，它可以實(shí)現(xiàn)數(shù)據(jù)的存儲和下一步的分析，或?qū)?shù)據(jù)實(shí)時(shí)處理并對結(jié)果進(jìn)行顯示。

圖3 智能輪胎車端系統(tǒng)

本文中選用205/55R16 型號輪胎。隨著輪胎的滾動(dòng)，傳感器的位置不斷變化，采集得到的三向加速度是在其隨動(dòng)坐標(biāo)系下定義的，分別為:徑向加速度，周向加速度和側(cè)向加速度。測試結(jié)果如圖4所示。

圖4 智能三向加速度

可以發(fā)現(xiàn)三向加速度均存在明顯的波動(dòng)，加速度的波動(dòng)與輪胎－路面的接觸作用密切相關(guān)。加速度的數(shù)值變化和峰值與接地處輪胎發(fā)生的彈性變形直接相關(guān)。接地過渡端輪胎徑向曲率的變化、胎面彈性體的壓縮與拉伸、帶束側(cè)向的彎曲變形均是導(dǎo)致加速度變化的重要因素。同時(shí)加速度本身作為一種振動(dòng)信號，其在頻域內(nèi)的特性同樣能夠提供更多關(guān)于輪胎與道路相互作用的豐富信息?；诖藢χ悄芗铀俣刃盘栠M(jìn)行分析處理，以推斷路面的附著特性，具有可行性。

1.2 實(shí)車測試與信號分析

將搭建好的智能輪胎系統(tǒng)裝配在測試車輛上，并分別在3 種不同附著情況的路面進(jìn)行測試。如圖5 所示，測試車輛為Dufournier 公司的Skid Trailer 拖車，該款拖車可以在真實(shí)路面上進(jìn)行輪胎六分力測試。

圖5 輪胎測試拖車

設(shè)定標(biāo)準(zhǔn)載荷400 kg，輪胎氣壓240 kPa，車速控制在30～50 km/h 附近穩(wěn)定直線行駛。標(biāo)準(zhǔn)試驗(yàn)的目的是為了研究不同路面對信號造成的影響，因此算法開發(fā)階段僅將路面的附著特性作為變量。選取3 種不同的路面進(jìn)行測試，其峰值附著系數(shù)如表1所示，分別對應(yīng)著高、中、低附著特性。

表1 路面附著情況

本文中所提出的利用智能輪胎信號辨識路面情況的思路為:不同類型的路面輸入必然會引起不同的輪胎－路面作用關(guān)系，進(jìn)而引起輪胎時(shí)域頻域響應(yīng)的差異?；诖耍槍Σ煌街匦月访嬉鸬闹悄茌喬ゼ铀俣?，進(jìn)行差異特征識別，從而實(shí)現(xiàn)路面特征的分類識別。

本文中重點(diǎn)研究直線行駛工況下的路面辨識算法。在智能輪胎的三向加速度中，徑向加速度幅值最大，特征最為明顯；同時(shí)路面的激勵(lì)也主要影響輪胎的徑向變形和徑向加速度。因此選取徑向加速度作為主要的輸入數(shù)據(jù)。如圖6 所示，在低附著路面和高附著路面下，智能輪胎測量的徑向加速度存在明顯差異。與高附著路面相比，低附著路面的徑向加速度在非接地區(qū)域噪聲更大，同時(shí)低附著路面的高頻振動(dòng)成分更多。

圖6 智能輪胎徑向加速度

車輛直線行駛時(shí)，雖然輪胎側(cè)偏角為零，輪胎的側(cè)向加速度卻不等于零，這與輪胎的偽側(cè)偏效應(yīng)密切相關(guān)。同時(shí)考慮到車輛行駛過程中經(jīng)常需要輕微修正轉(zhuǎn)向盤，這也會引起輪胎的小側(cè)偏角和側(cè)向加速度。由于側(cè)向加速度可以反映輪胎的側(cè)偏特性，直線穩(wěn)定行駛與小側(cè)偏角工況是目前傳統(tǒng)路面附著系數(shù)估算方法的盲區(qū)，因此引入側(cè)向加速度作為另一個(gè)重要的輸入?yún)?shù)，可以實(shí)現(xiàn)信息的補(bǔ)充。與徑向加速度類似，不同路面條件下的側(cè)向加速度同樣存在差異。

因此本文中最終選擇徑向和側(cè)向這兩軸加速度進(jìn)行差異特征識別。由于輪胎－路面的相互作用機(jī)理復(fù)雜，不同的路面對于加速度信號的影響程度難以用統(tǒng)一的數(shù)值指標(biāo)衡量。本文中首先從加速度信號提煉出關(guān)鍵的特征參數(shù)，隨后引入支持向量機(jī)方法對信號進(jìn)行分類和預(yù)測，從而實(shí)現(xiàn)路面情況的判別。

2 信號特征參數(shù)提取與降維

2.1 特征參數(shù)提取

首先對加速度信號進(jìn)行預(yù)處理，通過筆者所在團(tuán)隊(duì)的前期研究發(fā)現(xiàn)[7]，加速度的大小與輪胎滾動(dòng)速度的平方呈正比關(guān)系，因此剔除滾動(dòng)速度的影響，使加速度信號在統(tǒng)一的量綱內(nèi)進(jìn)行分析:

式中:a(t)為加速度為歸一化后的加速度；Ω為滾動(dòng)速度。

首先對智能輪胎加速度信號進(jìn)行小波變換，并選取第一近似信號a1和第一細(xì)節(jié)信號d1作為代表不同頻段的頻域特征。如圖7 所示，↓2 和↑2 分別表示以2 位倍數(shù)進(jìn)行下采樣和上采樣；h(t)和g(t)分別為低通與高通濾波器。本文中采用離散小波變換，由于選取不同的小波基將會導(dǎo)致不同的變換結(jié)果，而對于如何選取恰當(dāng)?shù)男〔ɑ瘮?shù)，現(xiàn)在并無定論，因此本文中小波基函數(shù)通過試湊選取。小波變換的主要目是對智能輪胎信號的高頻與低頻部分進(jìn)行針對性的分析處理。

圖7 小波變換過程

以低附著路面的徑向加速度為例，其時(shí)域信號如圖6(a)所示，小波變換后的近似信號和細(xì)節(jié)信號如圖8 所示。

根據(jù)前文分析可知，在不同附著特性的路面激勵(lì)下，智能輪胎加速度響應(yīng)在時(shí)域和頻域中均會存在較大的差異。通過小波變換最終得到徑向加速度和側(cè)向加速度的時(shí)域信號、細(xì)節(jié)信號和近似信號，并引入統(tǒng)計(jì)特征對信號的關(guān)鍵特征予以提取[14]，如表2 所示，f1～f15分別代表:最大值、最小值、均值、峰－峰值、整流均值、方差、峰值、方根幅值、均方根、波形因子、峰值因子、峭度因子、脈沖因子、偏斜度和裕度因子。這些特征可以反映加速度信號的特征和概率分布特征。

其中，x(n)為輪胎滾動(dòng)一圈采集所得到的加速度序列，N為一圈信號點(diǎn)總數(shù)。以徑向加速度的時(shí)域信號為例，提取得到的特性參數(shù)屬性分布如圖9所示，其中特征參數(shù) 1－15 對應(yīng)f1～f15。

圖8 徑向加速度的近似信號和細(xì)節(jié)信號

表2 特征參數(shù)表

圖9 特征參數(shù)屬性值分布

在進(jìn)一步處理前，需要對特征參數(shù)進(jìn)行歸一化預(yù)處理，將不同量綱的數(shù)據(jù)統(tǒng)一在相同的數(shù)量級下，加快梯度下降求解速度，同時(shí)在一定程度上提高精度。歸一化映射如下所示:

然而并不是所有的特征均能有效地進(jìn)行路面的分類辨識；徑向與側(cè)向加速度的時(shí)域、低頻、高頻信號分別提取15 個(gè)特征，共計(jì)90 個(gè)特征參數(shù)，維度過多。為了降低運(yùn)算復(fù)雜度，避免后續(xù)分類可能出現(xiàn)的維數(shù)災(zāi)難，在分類辨識前須進(jìn)行降維，以提高計(jì)算效率。

2.2 主成分分析法降維

本文中采用主成分分析法進(jìn)行降維[15]，主成分分析法的步驟如下。

(1)獲得n次試驗(yàn)數(shù)據(jù)組，每次數(shù)據(jù)組通過上述方法提取了在時(shí)域和頻域內(nèi)的p項(xiàng)指標(biāo)，分別為:X1，X2，…，Xp，從而得到樣本數(shù)據(jù)矩陣X。

(2)計(jì)算樣本數(shù)據(jù)矩陣的協(xié)方差矩陣:

(3)計(jì)算協(xié)方差矩陣的特征值λ1，λ2，…，λp和特征向量u1，u2，…，up。

(4)將特征值從大至小進(jìn)行排列，以特征值對應(yīng)的特征向量為系數(shù)將指標(biāo)X1，X2，…，Xp線性變化，得到重構(gòu)后的主成分:F1，F(xiàn)2，…，F(xiàn)m(m≤p)，變換矩陣為TT＝(u1，u2，…，up)。其貢獻(xiàn)率也是按照從大至小排列。

(5)計(jì)算前k個(gè)主成分的累計(jì)貢獻(xiàn)率:η(k)＝根據(jù)實(shí)際需求，設(shè)定累計(jì)貢獻(xiàn)率門限值以確定前k個(gè)主成分。

(6)計(jì)算得到的F＝TTX的前k個(gè)主成分即為降維后的主成分。

根據(jù)上述的主成分分析法(principal component analysis，PCA)，對上文中提取的90 個(gè)特征參數(shù)進(jìn)行降維。本文中以90%為累計(jì)貢獻(xiàn)值門限值，最終提取了10 個(gè)主要的成分，如圖10 和圖11 所示。

圖10 主成分分析法降維處理

圖11 特征參數(shù)主成分屬性

通過PCA 方法可以有效減小特征參數(shù)的維度，同時(shí)也能反映大部分原有特征參數(shù)的信息。下一節(jié)中將基于PCA 降維后的主成分參數(shù)，引入支持向量機(jī)分類器對路面狀態(tài)進(jìn)行預(yù)測判斷。

3 支持向量機(jī)分類器參數(shù)優(yōu)化

3.1 支持向量機(jī)原理

支持向量機(jī)(support vector machines，SVM)方法作為機(jī)器學(xué)習(xí)中的一種，首先用于解決二分類問題，將分類問題轉(zhuǎn)化為不等式約束下的凸二次規(guī)劃問題，與神經(jīng)網(wǎng)絡(luò)、模糊邏輯方法相比，有著更加可靠的數(shù)學(xué)原理支撐[15]。對于多分類的問題可以采用“一對一”、“一對多”、“二叉樹”等方法；而對于非線性問題，則可以將樣本空間映射到高維度空間進(jìn)行計(jì)算，并引入核函數(shù)，避免在高維度空間直接內(nèi)積造成運(yùn)算規(guī)模過大。本文中不對SVM 的原理進(jìn)行贅述，目前已有相關(guān)的軟件包支持 SVM 方法，如LIBSVM[16]。

SVM 具有較強(qiáng)的泛化能力，即機(jī)器算法對新鮮樣本的適應(yīng)能力。學(xué)習(xí)的目的是挖掘隱含在數(shù)據(jù)背后的規(guī)律，對具有同一規(guī)律的學(xué)習(xí)集以外的數(shù)據(jù)，經(jīng)過訓(xùn)練的網(wǎng)絡(luò)也能給出合適的輸出。由于僅僅通過大量試驗(yàn)去進(jìn)行測試，并對數(shù)據(jù)進(jìn)行訓(xùn)練，以求囊括所有類型的路面并不現(xiàn)實(shí)，因此選用具有學(xué)習(xí)和泛化能力的SVM 算法，以發(fā)掘不同路面激勵(lì)下的輪胎動(dòng)態(tài)響應(yīng)參數(shù)的規(guī)律，實(shí)現(xiàn)路面的分類。

3.2 支持向量機(jī)參數(shù)優(yōu)化

SVM 算法中最影響分類效果的兩個(gè)參數(shù)為懲罰因子和核函數(shù)系數(shù)，本文中選擇高斯核函數(shù):

對于懲罰因子C而言:C值越大，對分類誤差的懲罰越大，從而越容易造成過擬合；而C值越小，越容易欠擬合。而高斯核函數(shù)參數(shù)γ會影響支持向量對應(yīng)的高斯函數(shù)作用范圍，進(jìn)而影響泛化性能。γ值越大，高斯函數(shù)越作用于支持向量樣本附近，對未知樣本的分類效果則越差。因此選擇合適的懲罰因子C和高斯核函數(shù)γ參數(shù)值，對SVM 分類準(zhǔn)確率至關(guān)重要。

首先采用 K－CV 方法(K－fold cross validation)，將原始數(shù)據(jù)集分為K組:每個(gè)單獨(dú)的組分別作為一次測試組，其余 (K－1) 組作為訓(xùn)練組，從而得到K個(gè)模型，并用這K個(gè)模型的分類準(zhǔn)確率的平均值作為評判分類器的指標(biāo)。

隨后采用網(wǎng)格搜索法尋找最優(yōu)的參數(shù)值，其基本原理是使參數(shù)C和γ在一定范圍內(nèi)不斷變化，從而遍歷所有取值，利用取得的參數(shù)值進(jìn)行訓(xùn)練預(yù)測，取準(zhǔn)確率最高的參數(shù)值為最終的最佳參數(shù)。由于全部遍歷非常耗費(fèi)時(shí)間，因此可以首先在較大的范圍內(nèi)采用大步距進(jìn)行粗略的搜索，得到參數(shù)C與γ最佳取值的大致位置；然后在大致位置附近減小步距進(jìn)行細(xì)致的搜索。圖12 為網(wǎng)格搜索法得到的準(zhǔn)確率3D 圖，最終可以得到最優(yōu)的C與γ參數(shù)值。

圖12 網(wǎng)格參數(shù)搜索法準(zhǔn)確率3D 圖

4 路面分類辨識算法與結(jié)果分析

4.1 路面辨識算法流程

綜上所述，本文中提出的利用智能輪胎加速度信號的路面辨識方法流程如下:

(1)采集智能輪胎信號(徑向、側(cè)向加速度)；

(2)輪胎每滾動(dòng)一周期劃分為一個(gè)樣本序列，并剔除滾動(dòng)速度的影響，將信號歸一化；

(3)利用小波變換，提取加速度信號的時(shí)域和頻域信號，并利用統(tǒng)計(jì)特性提取特征參數(shù)；

(4)利用PCA 方法進(jìn)行降維，得到累計(jì)占比90%的主要成分參數(shù)；

(5)基于特征參數(shù)，用訓(xùn)練完畢的SVM 分類模型，進(jìn)行路面判別分類。

路面識別流程如圖13 所示。

4.2 路面分類結(jié)果與分析

通過上文所述的網(wǎng)格搜索法，得到最優(yōu)的支持向量機(jī)參數(shù)，其中C取 0.5，γ取 1。如圖 14 所示，路面分類1，2，3 分別對應(yīng)低附著、中附著和高附著3種不同峰值摩擦因數(shù)的路面標(biāo)簽，分類器對于訓(xùn)練樣本可以實(shí)現(xiàn)非常好的分類效果，清楚地區(qū)分了低附著、中附著和高附著3 種路面。

圖15 所示為一道路切換工況，車輛從一高附著路面穩(wěn)定直線行駛，駛?cè)氲透街访?。通過智能輪胎采集的加速度信號，利用本文所提出的PCA－SVM數(shù)據(jù)分析流程，對于道路狀態(tài)進(jìn)行判斷分類。結(jié)果表明，所提出的方法能夠準(zhǔn)確可靠地識別道路的狀態(tài)，對于路面附著情況予以分類判斷。

圖13 基于PCA－SVM 的路面分類算法流程圖

圖14 訓(xùn)練集分類結(jié)果

圖15 路面切換預(yù)測結(jié)果

較之傳統(tǒng)的路面附著系數(shù)判斷方法，本文所提出算法的特點(diǎn)和優(yōu)勢如下。

(1)根據(jù)圖12 可知，輪胎每滾動(dòng)一圈采集相應(yīng)的加速度數(shù)據(jù)，并根據(jù)所提出的PCA－SVM 數(shù)據(jù)分析處理流程進(jìn)行路面附著系數(shù)等級的判斷。如圖14 所示，在道路切換過渡區(qū)域，理論上僅須憑借輪胎滾動(dòng)一圈的測試數(shù)據(jù)即可完成路面狀態(tài)的判斷。以205/55R16 輪胎為例，假設(shè)車輛以中等車速50 km/h行駛，則僅需約0.14 s 便可完成判斷。因此基于智能輪胎的判斷預(yù)測方法響應(yīng)迅速。

假設(shè)道路切換處路面類型判斷準(zhǔn)確，則該測試條件下的準(zhǔn)確率為95.5%，表明所提出的算法具有很高的辨識精度。

(2)本文中提出的加速度計(jì)型智能輪胎，直接測量輪胎內(nèi)部的振動(dòng)信號，直接反映了輪胎與道路間的相互作用。從不同附著特性的道路激勵(lì)入手，基于智能輪胎加速度信號的統(tǒng)計(jì)特征，實(shí)現(xiàn)路面狀態(tài)的辨識。而傳統(tǒng)的辨識方法則基于車身傳感器和車輛、輪胎模型:一方面該方法測量的信號更加間接，另一方面算法的精度受到車輛與輪胎模型精度、復(fù)雜度的影響。盡管可以估算得到一個(gè)具體的附著系數(shù)數(shù)值，但上述兩種因素的干擾導(dǎo)致其存在一定的誤差。因此，基于智能輪胎的路面附著系數(shù)辨識算法更加直接可靠。

(3)傳統(tǒng)的路面附著系數(shù)辨識方法須基于輪胎模型，一種基于輪胎的側(cè)偏特性，即α－Fy曲線，另外一種基于輪胎的滑移曲線，即μ－s曲線。因此該算法僅適用于加速、制動(dòng)和轉(zhuǎn)向工況。而實(shí)際車輛大多處于穩(wěn)定直線行駛和小側(cè)偏角工況，傳統(tǒng)的算法使用場景局限性太大，限制了其推廣使用。而本文中提出的基于加速度信號，應(yīng)用機(jī)器學(xué)習(xí)算法的路面辨識方案普適性更強(qiáng)，更具有工程應(yīng)用前景。

(4)本文中提出的支持向量機(jī)方法具有完備的理論支撐，最終可以轉(zhuǎn)換為二次規(guī)劃問題，與神經(jīng)網(wǎng)絡(luò)、模糊邏輯方法相比，有著更加可靠的數(shù)學(xué)原理支撐。支持向量機(jī)的輸入特征參數(shù)是由從智能輪胎加速度信號的統(tǒng)計(jì)特征計(jì)算得到的，反映的是輪胎在不同附著特性路面下的時(shí)頻響應(yīng)，因此本文的方法也具有物理原理支撐。同時(shí)支持向量機(jī)本身具有較強(qiáng)的泛化能力，對新樣本具有較強(qiáng)的適應(yīng)能力。盡管目前本文中提出的方法僅粗略地實(shí)現(xiàn)了3 種路面的分類，未來則可以將試驗(yàn)路面種類進(jìn)行擴(kuò)展，從而實(shí)現(xiàn)更加精確的附著系數(shù)辨識分類。

5 結(jié)論

本文中提出了一種基于支持向量機(jī)的智能輪胎路面辨識算法。利用新型傳感器系統(tǒng)構(gòu)建智能輪胎，更加直接地獲取輪胎－路面作用信息，從信號的統(tǒng)計(jì)特征入手，應(yīng)用機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)道路的辨識分類。利用訓(xùn)練完畢的支持向量機(jī)分類器對道路切換工況進(jìn)行辨識測試，結(jié)果表明所提出的算法有效可行，可在0.2 s 內(nèi)對路面進(jìn)行準(zhǔn)確快速地分類判斷。較之現(xiàn)有的附著系數(shù)辨識算法，本文中提出的方法有如下優(yōu)點(diǎn):(1)具有嚴(yán)格的物理與數(shù)學(xué)原理支撐；(2)從輪胎信號著手，方法更加直接可靠；(3)無需加速、制動(dòng)或轉(zhuǎn)向工況，適用范圍更廣。綜上所述，本文中提出的基于支持向量機(jī)的智能輪胎路面辨識算法具有潛在的工程價(jià)值。