基于路面圖像分類識(shí)別的路噪主動(dòng)控制方法研究

萬(wàn)超　李華清

摘 要：傳統(tǒng)的吸聲、隔聲以及減震等降噪方法應(yīng)用會(huì)導(dǎo)致車輛的重量也隨之增加，且對(duì)低頻率噪聲降噪的效果并不理想，噪聲主動(dòng)控制技術(shù)能夠在長(zhǎng)波長(zhǎng)的低頻降噪中發(fā)揮不錯(cuò)的作用。對(duì)此，噪聲主動(dòng)控制技術(shù)應(yīng)用比較廣泛。本文研究基于路面圖像分類識(shí)別的路噪主動(dòng)控制方法應(yīng)用，通過(guò)多種傳感器應(yīng)用，對(duì)車輛前方路面進(jìn)行感知，識(shí)別前方路面，識(shí)別路面信息后輸入到路噪主動(dòng)控制算法中，為降低噪聲，促進(jìn)車輛智能化水平提升提供一些思路和參考。

關(guān)鍵詞：路面 圖像分類識(shí)別 路噪 主動(dòng)控制

0 前言

汽車在行駛過(guò)程中的低頻噪聲是隨機(jī)的、變化的，具備自適應(yīng)特性的噪聲主動(dòng)控制技術(shù)在汽車市場(chǎng)應(yīng)用前景比較好，且車載揚(yáng)聲器可以充當(dāng)次級(jí)聲源，能夠有效降低安裝噪聲主動(dòng)控制設(shè)備的成本。噪聲主動(dòng)控制技術(shù)在減少車輛行駛中因?yàn)榈缆芳?lì)引起的車內(nèi)結(jié)構(gòu)振動(dòng)產(chǎn)生的噪音方面效果突出，是目前汽車生產(chǎn)中的研究重點(diǎn)方向和內(nèi)容之一。

1 圖像識(shí)別技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)模型

1.1 圖像識(shí)別技術(shù)概述

圖像識(shí)別技術(shù)是人工智能的一個(gè)杰出產(chǎn)物，致力于模擬人類的視覺(jué)系統(tǒng)，使機(jī)器能夠獨(dú)立分析、理解和歸類傳入的圖像信息[1]。這項(xiàng)技術(shù)涵蓋了圖像預(yù)處理、特征萃取、分類構(gòu)建以及決策制定等多個(gè)關(guān)鍵環(huán)節(jié)。圖像預(yù)處理如同鏡頭的濾鏡，負(fù)責(zé)過(guò)濾噪聲并強(qiáng)化核心信息；特征萃取則像是精細(xì)的畫筆，從浩瀚的圖像海洋中提煉出最富標(biāo)志性的特征；分類構(gòu)建則基于這些特征，將圖像井然有序地分門別類；最后的決策環(huán)節(jié)，則是根據(jù)分類的果決輸出，做出明智的選擇。如圖1所示，為圖像識(shí)別技術(shù)的運(yùn)行流程：

1.2 卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種非常重要的網(wǎng)絡(luò)模型，在深度學(xué)習(xí)領(lǐng)域，特別是在圖像處理和識(shí)別領(lǐng)域顯示出強(qiáng)大的威力。在路噪主動(dòng)控制中，CNN模型的應(yīng)用具有重要價(jià)值。

CNN借助獨(dú)特的卷積層、卷積層和全連接層結(jié)構(gòu)，可以從原始道路圖像中提取深層特征。這些特征不僅準(zhǔn)確地反映了路面紋理、破損程度等信息，而且對(duì)光照、視角變化等因素，具有一定的魯棒性[2]。這樣基于CNN的路面圖像分類與識(shí)別可以準(zhǔn)確識(shí)別各種復(fù)雜環(huán)境條件下的現(xiàn)有道路狀況。一旦準(zhǔn)確確定了路面狀況，CNN 的輸出就可以用作主動(dòng)道路噪聲控制系統(tǒng)的輸入。結(jié)合具體的檢測(cè)結(jié)果，系統(tǒng)確定當(dāng)前路面上可能存在的道路噪聲的類型和強(qiáng)度，并相應(yīng)地調(diào)整音頻設(shè)備或車輛懸架等參數(shù)，以產(chǎn)生適當(dāng)?shù)钠坡暡ɑ蛘駝?dòng)，以降低道路噪聲。

簡(jiǎn)單來(lái)說(shuō)，CNN在主動(dòng)道路監(jiān)測(cè)中扮演著“眼睛”的角色，為系統(tǒng)提供準(zhǔn)確、實(shí)時(shí)的路面信息。這使得主動(dòng)道路噪聲控制系統(tǒng)能夠更加精準(zhǔn)、智能地工作，有效應(yīng)對(duì)不同路況帶來(lái)的噪聲挑戰(zhàn)，為駕乘人員營(yíng)造更安靜、更舒適的出行環(huán)境[3]。

２ 基于路面圖像分類識(shí)別的路噪主動(dòng)控制原理及算法

2.1 路噪主動(dòng)控制原理

路面分類識(shí)別和路噪主動(dòng)控制都是智能交通系統(tǒng)中的關(guān)鍵技術(shù)。它們的結(jié)合可以打造更智能、更高效的交通環(huán)境。

路面圖像分類與識(shí)別技術(shù)主要利用圖像處理和機(jī)器學(xué)習(xí)技術(shù)對(duì)路面圖像進(jìn)行預(yù)處理、提取特征并進(jìn)行分類[4]。預(yù)處理包括去噪、增強(qiáng)等步驟，以提高圖像質(zhì)量；特征提取從圖像中提取反映道路狀態(tài)的特征，如道路破損、表面花紋等被去除；通過(guò)分類，道路圖像根據(jù)圖像質(zhì)量進(jìn)行分類特征提取。根據(jù)提取的結(jié)果，再針對(duì)不同的類別，如干燥道路、濕路等。

主動(dòng)道路噪聲控制技術(shù)主要是利用主動(dòng)發(fā)聲裝置，根據(jù)路況產(chǎn)生與道路噪聲相位相反、振幅相同的聲波，降低道路噪聲，達(dá)到降噪效果。該技術(shù)的優(yōu)點(diǎn)是可以根據(jù)路況實(shí)時(shí)調(diào)整音頻設(shè)備的參數(shù)，實(shí)現(xiàn)動(dòng)態(tài)降噪。

將路面圖像分類識(shí)別技術(shù)與主動(dòng)路噪控制技術(shù)相結(jié)合，可以實(shí)現(xiàn)基于路面圖像分類識(shí)別的主動(dòng)道路噪聲管理。就其實(shí)現(xiàn)原理來(lái)看，通過(guò)攝像頭采集道路圖像，利用圖像分類識(shí)別技術(shù)對(duì)圖像進(jìn)行處理和分類，然后根據(jù)分類結(jié)果進(jìn)行干燥、濕滑等分類。如，確定當(dāng)前的路況，再根據(jù)路況調(diào)整音響設(shè)備設(shè)置，產(chǎn)生與路噪同幅度、同相位的聲波，抑制路噪，達(dá)到降噪效果。這種基于道路圖像分類和識(shí)別的主動(dòng)道路噪聲控制技術(shù)不僅可以提高駕駛舒適性，還可以降低車輛能耗和道路磨損，具有很好的應(yīng)用前景[5]。

2.2 FXLMS算法

2.2.1 FXLMS算法原理

FXLMS算法是一種自適應(yīng)濾波算法，通過(guò)調(diào)整濾波器的權(quán)重來(lái)最小化誤差信號(hào)的均方值，從而實(shí)現(xiàn)主動(dòng)噪聲控制。該算法源自Widrow提出的LMS算法，F(xiàn)XLMS算法最早由Morgan D. R于1980年創(chuàng)建。與標(biāo)準(zhǔn)LMS算法相比，F(xiàn)XLMS算法引入了二階路徑模型來(lái)補(bǔ)償從控制揚(yáng)聲器到誤差傳感器的電聲路徑延遲和濾波效應(yīng)。

在FXLMS算法中，令n時(shí)刻的參考信號(hào)為x（n）、期望信號(hào)d（n）、濾波器輸出y（n）、誤差信號(hào)e（n）和濾波器權(quán)重系數(shù)。w（n）。該算法的目標(biāo)是通過(guò)調(diào)整權(quán)重系數(shù)w（n）來(lái)最小化誤差信號(hào)e（n）。

誤差信號(hào)e（n）可以表示為期望信號(hào)d（n）與經(jīng)過(guò)次級(jí)路徑后濾波器輸出的響應(yīng)之間的差值，即：e（n）=d（n）-s（n）。其中，s（n）是濾波器輸出y（n）經(jīng)過(guò)次級(jí)路徑后的響應(yīng)[6]。

FXLMS算法的權(quán)重系數(shù)更新公式：

w（n+1）=w（n） +2μe（n）x'（n）

其中，μ為步長(zhǎng)因子，控制算法的收斂速度和穩(wěn)定性；x'（n）是參考信號(hào)經(jīng)過(guò)二階路徑模型濾波后的信號(hào)。

2.2.2 基于路面識(shí)別的變步長(zhǎng)FXLMS算法

在基于道路圖像分類和識(shí)別的主動(dòng)道路噪聲控制方法中，本文提出了一種變步策略來(lái)優(yōu)化FXLMS算法的性能。具體實(shí)現(xiàn)中，當(dāng)路面識(shí)別模塊檢測(cè)到當(dāng)前路面類型時(shí)，根據(jù)預(yù)定的步長(zhǎng)調(diào)整策略來(lái)調(diào)整FXLMS算法的步長(zhǎng)系數(shù)μ。例如，可以使用較小的步長(zhǎng)因子來(lái)保證算法在噪聲水平較低的光滑路面上的穩(wěn)定性；在噪聲水平較高的粗糙或彎曲路面上，使用較大的步長(zhǎng)因子來(lái)加快算法的收斂速度。

通過(guò)動(dòng)態(tài)調(diào)整步長(zhǎng)因子μ，利用FXLMS算法對(duì)不同路面類型取得良好的降噪效果。此外，還可以利用一些先進(jìn)的優(yōu)化算法對(duì)FXLMS算法進(jìn)行改進(jìn)和優(yōu)化，以提高系統(tǒng)的實(shí)時(shí)性和魯棒性。如，應(yīng)用遺忘因子來(lái)減少舊數(shù)據(jù)對(duì)算法的影響，采用歸一化處理方法來(lái)防止輸入信號(hào)的幅度變化影響算法的性能。

3 基于路面識(shí)別的路噪主動(dòng)控制建模

3.1 路面類型定義

根據(jù)實(shí)際情況，定義了三種典型的路面類型：“光滑路面”“粗糙路面”和“鋸齒路面”，這些路面類型代表了不同的路面條件和噪聲特征。其中光滑路面指沒(méi)有明顯損傷或紋理的光滑路面，如新鋪的瀝青路面。這種類型的路面產(chǎn)生的噪音相對(duì)較??；粗糙路面是存在大面積破損、坑洼、質(zhì)地不均勻的路面，如舊水泥路面或破損的瀝青路面。這種類型的路面會(huì)產(chǎn)生較高的噪音水平；鋸齒路面是偶爾有粗糙紋理的路面，如一些防滑路面。這種類型的路面會(huì)產(chǎn)生特定頻率的噪音。

3.2 道路識(shí)別模塊

路面檢測(cè)模塊是整個(gè)系統(tǒng)的重要組成部分，負(fù)責(zé)根據(jù)攝像頭采集的路面圖像判斷當(dāng)前的道路類型。為了實(shí)現(xiàn)這一目標(biāo)，我們使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行圖像分類[7]。

在道路識(shí)別模塊，關(guān)鍵是圖像分類識(shí)別技術(shù)應(yīng)用，通過(guò)這一技術(shù)使用，構(gòu)建一個(gè)由多個(gè)卷積層、卷積層和全卷積層組成的 CNN 模型。通過(guò)訓(xùn)練，模型學(xué)習(xí)不同路面類型的屬性，并使用這些屬性進(jìn)行分類。在訓(xùn)練過(guò)程中，使用了大量帶標(biāo)注的道路圖像數(shù)據(jù)來(lái)保證模型的準(zhǔn)確性和泛化能力。再將訓(xùn)練好的CNN模型集成到仿真模型中作為路面檢測(cè)模塊的主要部分。仿真模型運(yùn)行時(shí)，路面識(shí)別模塊實(shí)時(shí)處理攝像頭采集的路面圖像，提取當(dāng)前路面類型。

3.3 道路主動(dòng)控制系統(tǒng)FXLMS算法及模型

FXLMS算法能夠調(diào)整濾波器權(quán)重以最小化誤差信號(hào)的均方根（即期望信號(hào)與實(shí)際輸出信號(hào)之間的差異），從而提供有源噪聲控制。研究中需要?jiǎng)?chuàng)建一個(gè)基于 FXLMS 算法的主動(dòng)道路噪聲控制系統(tǒng)模型。該模型包含參考傳感器、誤差傳感器和控制器。參考傳感器用于收集道路警告信號(hào)（如車輛懸架系統(tǒng)的振動(dòng)信號(hào)），誤差傳感器用于收集車輛的噪聲信號(hào)（如人耳中的嗡嗡聲信號(hào)）。控制器基于參考信號(hào)和誤差信號(hào)來(lái)調(diào)整音頻裝置。輸出以產(chǎn)生噪聲消除波[8]。

為了實(shí)現(xiàn)針對(duì)不同路面類型的自適應(yīng)降噪，在控制器中增加變步長(zhǎng)機(jī)制。具體實(shí)現(xiàn)中，當(dāng)路面檢測(cè)模塊檢測(cè)到不同的路面類型時(shí)，控制器根據(jù)預(yù)定步長(zhǎng)調(diào)整策略調(diào)整FXLMS算法的步長(zhǎng)參數(shù)。這樣系統(tǒng)就可以結(jié)合具體的路況變化動(dòng)態(tài)調(diào)整降噪效果。

從上圖可以清晰地看到，該仿真模型中的路面識(shí)別模塊是以前方路面的實(shí)時(shí)視頻作為輸入數(shù)據(jù)。具體來(lái)說(shuō)，系統(tǒng)會(huì)提前一個(gè)時(shí)間量T捕獲前方的路面圖像。這些圖像隨后被送入在第三章中精心訓(xùn)練的路面識(shí)別模型中，進(jìn)行路面類型的準(zhǔn)確分類。經(jīng)過(guò)一段處理時(shí)間t后，路面識(shí)別模塊將分類結(jié)果傳送至主動(dòng)降噪系統(tǒng)的步長(zhǎng)因子更新模塊。在步長(zhǎng)因子更新模塊中，系統(tǒng)采用了一種高效的路面類型與查表方法相結(jié)合的策略來(lái)更新步長(zhǎng)因子。具體來(lái)說(shuō)，在Simulink仿真模型中建立了一個(gè)n維查找表（n-D Lookup Table）模塊，該模塊將不同的路面類型與相應(yīng)的步長(zhǎng)輸出值進(jìn)行了精確匹配。這樣，當(dāng)路面類型發(fā)生變化時(shí)，系統(tǒng)能夠迅速找到與之匹配的步長(zhǎng)因子，并在經(jīng)過(guò)T-t的時(shí)間延遲后，將其輸出給主動(dòng)降噪控制系統(tǒng)。主動(dòng)降噪控制器在接收到步長(zhǎng)因子更新模塊提供的參數(shù)后，會(huì)立即更新其內(nèi)部的步長(zhǎng)因子。隨后，控制器以系統(tǒng)的參考信號(hào)和誤差信號(hào)作為輸入，進(jìn)行自適應(yīng)的降噪處理。通過(guò)這種方式，系統(tǒng)能夠?qū)崟r(shí)地根據(jù)路面類型的變化調(diào)整降噪策略，從而達(dá)到最佳的降噪效果。

3.4 仿真實(shí)驗(yàn)

如下表1所示，為60 km/h 三種路面下根據(jù)路面調(diào)整步長(zhǎng)與固定步長(zhǎng)3優(yōu)化前后仿真降噪量情況統(tǒng)計(jì)：

觀察數(shù)據(jù)顯示，當(dāng)車輛以60km/h的速度在粗糙路面上行駛時(shí)，在50～300Hz的頻率范圍內(nèi)，若控制器采用固定的步長(zhǎng)因子60，則后排乘客左右耳的平均降噪量為4.41dB（A）。然而，當(dāng)控制器根據(jù)路面分類結(jié)果調(diào)整步長(zhǎng)因子至預(yù)標(biāo)定的30時(shí)，平均降噪量提升至5.62dB（A），相比固定步長(zhǎng)提高了1.21dB（A）。在同樣的速度和頻率范圍內(nèi)，車輛行駛在鋸齒路面上時(shí)，若根據(jù)路面情況調(diào)整步長(zhǎng)因子至3，后排乘客的平均降噪量可達(dá)3.75dB（A）。而若采用固定步長(zhǎng)因子60，則控制器會(huì)發(fā)散，無(wú)法有效降噪。這表明，根據(jù)路面調(diào)整步長(zhǎng)因子能夠獲得更好的降噪效果。當(dāng)車輛以相同的速度和頻率范圍在光滑路面上行駛時(shí)，無(wú)論是采用根據(jù)路面調(diào)整的步長(zhǎng)因子還是固定步長(zhǎng)因子60，都能達(dá)到較優(yōu)的降噪效果。

對(duì)比優(yōu)化前后的仿真降噪頻譜圖和降噪量表發(fā)現(xiàn)，僅采用某一特定路面下的最優(yōu)步長(zhǎng)因子并不能保證在所有路面上都能獲得最佳的降噪效果。而引入路面識(shí)別模塊后，系統(tǒng)能夠根據(jù)路面類型自動(dòng)調(diào)整步長(zhǎng)因子，從而確保在各種路面條件下都能實(shí)現(xiàn)較優(yōu)的降噪效果。

４ 總結(jié)

基于路面圖像分類識(shí)別的路噪主動(dòng)控制技術(shù)應(yīng)用對(duì)于提升控制效果、實(shí)現(xiàn)降噪有很好的效果。如果僅采用適用于某一特定路面的較優(yōu)步長(zhǎng)因子，那么在其他路面類型上可能無(wú)法達(dá)到理想的降噪效果，甚至可能導(dǎo)致系統(tǒng)發(fā)散。文中引入路面識(shí)別模塊來(lái)準(zhǔn)確識(shí)別路面類型。通過(guò)該模塊，控制系統(tǒng)能夠獲取實(shí)時(shí)的路面信息，并根據(jù)預(yù)設(shè)的標(biāo)定表來(lái)動(dòng)態(tài)調(diào)整步長(zhǎng)因子。這樣一來(lái)，路噪主動(dòng)控制系統(tǒng)就能夠在各種路面條件下都取得良好的降噪效果，從而確保駕駛過(guò)程中的舒適性。這種方法不僅提高了降噪效果，還增強(qiáng)了系統(tǒng)的適應(yīng)性和穩(wěn)定性。

基金項(xiàng)目：江西省教育廳科學(xué)技術(shù)研究項(xiàng)目，基于復(fù)雜工況環(huán)境感知路面的車輛路噪主動(dòng)控制研究（項(xiàng)目編號(hào)：GJJ2202416）

參考文獻(xiàn)：

[1]曾慶懿， 劉忠偉， 羅德洋， 李宏庚， 王海軍. 基于模態(tài)輪胎的車內(nèi)路噪模型搭建與性能計(jì)算[J]. 汽車與新動(dòng)力， 2023， 6 （06）： 52-54.

[2]尹春山. 基于傳遞路徑分析方法的道路噪聲控制研究[A] 2023年海南機(jī)械科技學(xué)術(shù)論壇論文集[C]. 海南省機(jī)械工程學(xué)會(huì)、海南省機(jī)械工業(yè)質(zhì)量管理協(xié)會(huì)， 海南省機(jī)械工程學(xué)會(huì)， 2023： 4.

[3]賈梓鑌. 基于混合控制策略的車內(nèi)路噪主動(dòng)控制研究[D]. 杭州：浙江大學(xué)， 2023.

[4]趙雪利， 宋偉杰， 徐嘉浩. 基于多連桿后橋系統(tǒng)的整車NVH品質(zhì)提升研究[J]. 上海汽車， 2023（08）： 17-23.

[5]賀巖松， 劉亞琪， 夏子恒， 張志飛， 周桃. 車內(nèi)路噪主動(dòng)控制系統(tǒng)參考傳感器布放方法[J]. 振動(dòng)、測(cè)試與診斷， 2023， 43 （04）： 669-676+826.

[6]夏子恒， 賀巖松， 張志飛， 徐中明， 周桃. 基于多目標(biāo)參考信號(hào)優(yōu)選的車輛路噪主動(dòng)控制[J]. 中國(guó)公路學(xué)報(bào)， 2023， 36 （02）： 229-239.

[7]徐格格， 呂曉， 史晨路， 朱玉剛， 鄭森. 路面識(shí)別技術(shù)在路噪主動(dòng)控制降噪性能優(yōu)化中的應(yīng)用[J]. 重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)）， 2022， 36 （01）： 74-81.

[8]鄭森， 史晨路， 呂曉， 高坤， 張賢. 多重相干分析法結(jié)合OTPA技術(shù)在汽車路噪主動(dòng)控制中的應(yīng)用[J]. 重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)）， 2021， 35 （11）： 49-57.