CN110910531B - 一种基于车载obd信息的路面摩擦系数快速检测方法 - Google Patents

Abstract

本发明涉及一种基于车载OBD信息的路面摩擦系数快速检测方法，该方法包括：建立自进化神经网络模型并构建用于模型训练和进化的样本库；如任意检测车辆当前行驶路段属于样本库则收集车辆静态参数、路况参数及通过车载OBD收集的车况参数，融入样本库实现样本库的更新，利用更新后的样本库重新训练神经网络模型，从而获得更新的模型隐含层函数、神经元个数以及权值，实现神经网络模型的自进化功能；如任意检测车辆当前行驶路段不属于样本库则利用路况参数、车辆静态参数和车况参数，输出检测路段的路面摩擦系数，该方法能够根据车载OBD信息快速、精准地检测出路面摩擦系数，为行车以及路面分析提供有力的数据支持。

Description

一种基于车载OBD信息的路面摩擦系数快速检测方法

技术领域

本发明涉及路面摩擦系数的检测，具体地指一种基于车载OBD信息的路面摩擦系数快速检测方法。

背景技术

车辆在行驶过程中与路面产生的摩擦力对于自动驾驶具有较大的影响，自动驾驶的车辆会根据路面摩擦系数控制行驶动力和制动力，以保障行车安全。由于道路状况实时变化，路面摩擦系数会直接影响车辆的能耗及安全性能，实时动态掌握路面摩擦系数有利于分析出最优化的行驶路线及相关控制参数，以节省汽车能耗、保障行驶安全。尤其对于自动驾驶的新能源汽车，可根据余电量和道路摩擦系数计算续航里程和最优路径，通过实时的调整行驶控制参数，提升续航里程和行车安全。因此，快速、准确地获取路面摩擦系数对行车安全以及新能源汽车的自动驾驶控制具有重要的意义。

中国专利申请公布号CN107066682A公开了一种用于预测道路网内道路摩擦力的设备和方法，该技术方案提到：“神经网络计算机被设置为使用来自所述车队内连接车辆的集成浮动汽车数据集被训练和验证以产生基于相同类型的最新输入数据预测所述道路网内特定位置处将来道路摩擦力的模型，且所述神经网络计算机进一步被设置为一旦被训练和验证，则接受相同类型的最新输入数据并且使用所产生的模型预测所述道路网内特定位置或所述道路网的与该特定位置相关的部段的将来道路摩擦力。”虽然该技术通过神经网络计算机预测出将来道路摩擦力，然而并没有给出具体的神经网络处理方案，如何针对具体的参数，利用神经网络快速预测出更符合实际路况的路面摩擦力。

发明内容

本发明目的在于克服上述现有技术的不足而提供基于车载OBD信息的路面摩擦系数快速检测方法，该方法能够根据车载OBD信息快速、精准地检测出路面摩擦系数，为行车以及路面分析提供有力的数据支持。

实现本发明目采用的技术方案是一种基于车载OBD信息的路面摩擦系数快速检测方法，该方法包括：

S1、建立用于预估路面摩擦系数的自进化神经网络模型，包括：

S1.1、构建用于所述自进化神经网络模型训练和进化的样本库，所述样本库为多个样本路段和样本车辆的参数集合；

S1.2、收集样本路段的路况参数和标定摩擦系数，样本车辆的静态参数和车况参数，并计算样本车辆的车况参数与发动机转速参数的相关系数；

S1.3、根据样本库中样本路段的路况参数和标定摩擦系数以及样本车辆的车况参数、车辆静态参数和所述相关系数，初始化所建自进化神经网络模型的结构和权值，并对所建立的自进化神经网络模型进行网络训练；

S2、采集检测车辆当前行驶路段的路况参数，计算当前行驶路段与样本路段的路况参数的相似度，根据相似度判断检测车辆当前行驶路段是否属于样本库，是则进入步骤S3，否则进入步骤S4；

S3、收集当前行驶路段的路况参数以及检测车辆的车辆静态参数和车况参数，步骤S2中所述检测车辆的角色转变为样本车辆，所收集当前行驶路段的路况参数、车辆静态参数和车况参数融入样本库实现样本库的更新，利用更新后的样本库重新训练所建立的自进化神经网络模型，从而获得更新的模型隐含层函数、神经元个数以及权值，实现自进化神经网络模型的自进化功能；

S4、收集检测路段的路况参数以及检测车辆的车辆静态参数和车况参数，利用所建立的自进化神经网络模型进行网络测试，输出检测路段的路面摩擦系数。

本发明具有以下优点：

1、本发明根据OBD收集车况参数，同时收集路况参数和车辆静态参数，通过建立的神经网络模型能够快速检测出路面摩擦系数，由于采集了影响路面摩擦系数的核心影响参数参数，并通过标定摩擦系数进行神经网络模型训练，因此预测所得路面摩擦系数具有较高的准确性。

2、本发明在路况参数及车辆静态参数确定后，将速度、加速度、油门位置、制动力、车轮转速、变速箱齿比、主减速器速比、机械效率和发动机功率与发动机转速的相关系数作为神经网络模型的输入向量，输出向量为路面摩擦系数，当任意检测车辆再次行驶通过某一路段时，能够根据输出的路面摩擦系数与历史检测数据的差异分析输入量对摩擦系数的影响规律，为分析和更新路面摩擦系数预测模型提供数据支持。

3、本发明在当任意检测车辆再次驶入样本路段时，还能将新的路况参数、车辆静态参数和车况参数补充进样本库，从而实现样本库的更新，利用更新后的样本库重新训练所建立的神经网络模型，从而实现神经网络模型的自进化功能。

4、本发明方法能够快速准确地检测出当前道路的路面摩擦系数，有利于车辆的控制，特别是能够为无人驾驶的新能源汽车提供较好的路面状况参考数据，为无人控制***的控制研判提供真实有效的数据，不仅利于提高行驶安全性能，还能根据路面摩擦系数选择最优行驶路线，进一步优化车辆的能耗。

附图说明

图1为本发明基于车载OBD信息的路面摩擦系数快速检测方法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

本发明基于车载OBD信息的路面摩擦系数快速检测方法需要获取路况参数、车辆静态参数以及车况参数，其中，

路况参数包括当前的天气和路面信息，具体包括：地理位置、温度、路面湿度、风速以及路面类型。其中，地理位置可以通过车载GPS***获取；温度、路面湿度、风速可以通过气象数据库获取；路面类型(沥青路面或混泥土路面)可以通过地理位置信息从公路管理***获取。

车辆静态参数包括车辆型号、制动***初始时间、轮胎初始时间，通过用户输入信息获取。

车况参数包括通过车载OBD(On Board Diagnostics，车载诊断***)收集的速度、加速度、油门位置、制动力、发动机转速、车轮转速、变速箱齿比、主减速器速比、机械效率、发动机功率数据。本发明中，可以根据车辆的OBD接口读取相应的车辆运行数据。

如图1所示，本发明基于车载OBD信息的路面摩擦系数快速检测方法包括以下步骤：

S1、建立用于预估路面摩擦系数的自进化神经网络模型，包括：

S1.1、构建用于所述自进化神经网络模型训练和进化的样本库，所述样本库为多个样本路段和样本车辆的参数集合；

S1.2、收集样本路段的路况参数和标定摩擦系数、样本车辆的静态参数和车况参数，并计算样本车辆的车况参数与发动机转速参数的相关系数，其中样本路段的标定摩擦系数可以通过激光雷达或路面摩擦系数检测车采集样本路段摩擦系数；

本发明所用自进化神经网络模型包括输入层、隐含层和输出层，输入向量为X，输出向量为Y，输入层到隐层的权值矩阵和偏差矩阵分别为W₁、B₁，隐含层到输出层的权值矩阵和偏差矩阵分别为W₂、B₂，隐含层和输出层的神经元传输函数分别用f₁、f₂表示，则网络输出表达式为：

Y＝f₂[W₂·f₁(W₁·X-B₁)-B₂]

所述输入向量X为路况参数的计算值、车辆静态参数的计算值和相关系数的计算值的函数，其中：

X＝f(A，V，C)

式中，A为路况参数的计算值、V为车辆静态参数的计算值、C为相关系数的计算值，其中，

A＝K₁(Loc，T，M，S)，Loc为地理位置、T为温度、M为路面湿度、S为路面类型；

V＝K₂(L,t₁,t₂)，L为车辆型号、t₁为制动***初始时间、t₂为轮胎初始时间；

C＝{γ_i}，γ_i为速度、加速度、油门位置、制动力、车轮转速、变速箱齿比、主减速器速比、机械效率和发动机功率这九个参数分别与发动机转速的相关系数：

其中u是发动机转速，v是速度、加速度、油门位置、制动力、车轮转速、变速箱齿比、主减速器速比、机械效率和发动机功率，

表示v的共轭。具体地，速度与发动机转速的相关系数为γ₁，加速度与发动机转速的相关系数为γ₂，油门位置与发动机转速的相关系数为γ₃，制动力与发动机转速的相关系数为γ₄，车轮转速与发动机转速的相关系数为γ₅，变速箱齿比与发动机转速的相关系数为γ₆，主减速器速比与发动机转速的相关系数为γ₇，机械效率与发动机转速的相关系数为γ₈，发动机功率与发动机转速的相关系数γ₉，相关系数C＝{γ₁，γ₂，γ₃，γ₄，γ₅，γ₆，γ₇，γ₈，γ₉}。

本发明采用相关系数C作为神经网络模型的输入向量，当任意检测车辆再次行驶通过某一路段时，能够根据输出的路面摩擦系数的变化判断是哪一组输入量的变换所致，从而确定导致预测结果变化的参数，为分析路面摩擦系数提供数据支持。例如，在其他条件不变的情况下，预测的路面摩擦系数与历史预测结果产生差异，则路面湿度、温度、车辆型号、制动***初始时间、轮胎初始时间、速度、加速度、油门位置、制动力、车轮转速、变速箱齿比、主减速器速比、机械效率和发动机功率中一些参数出现变化，通过采集这些变化的参数，并与路面摩擦系数联立分析，能够得出各参数对摩擦系数的影响规律。

S1.3、根据样本库中样本路段的路况参数和标定摩擦系数以及样本车辆的路况参数、车辆静态参数和所述相关系数，初始化所建自进化神经网络模型的结构和权值，并对所建立的自进化神经网络模型进行网络训练，具体如下：

根据路况参数A、车辆静态参数V和相关系数C，选取所建神经网络模型的隐含层和神经元个数，并设定各输入量的权值。

通过BP算法对所述神经网络模型进行网络训练，具体包括：

所述BP算法分为向前传播阶段和向后传播阶段，在向前传播阶段中，信息从输入层经过逐级的变换，传送到输出层，该过程也是网络在完成训练后正常运行时执行的过程；后向传播阶段根据绩效化误差调整权值矩阵阶段；

取网络关于第p个样本的误差测度：

式中：m为输出层的神经元个数；y_pj表示第p个样本的理想输出向量所包含的第j个元素(标定摩擦系数)；o_pj为第p个样本的网络输出值的第j个元素(神经网络模型预测摩擦系数)，计算如下：

o_p＝F_n(…(F₂(F₁(X_pW⁽¹⁾)W⁽²⁾)W⁽³⁾)…W⁽ⁿ⁾)

式中，X_p为第p个样本输入量，W⁽¹⁾、W⁽²⁾、W⁽³⁾…W⁽ⁿ⁾分别表示第1、2…n层的权值向量，F₁、F₂…F_n对应为各层权值函数；

最后将网络关于整个样本集的误差测定为：

E＝∑E_p

利用样本路段的路况参数和标定摩擦系数，检测车辆的静态参数、车况参数和相关系数对所建立的自进化神经网络进行网络训练，根据输出值和理想输出值之间的误差，不断调整隐含层函数、神经元个数以及权值，直到其误差满足要求。

S2、采集检测车辆当前行驶路段的路况参数，计算当前行驶路段与样本路段的路况参数的相似度，根据相似度判断检测车辆当前行驶路段是否属于样本库，是则进入步骤S3，否则进入步骤S4；

本发明通过下式计算车辆行驶路面的路况参数A₁与样本库中路段的路况参数A₂的相似度，

其中w_1k指的是特征项k在当前行驶路面路况参数中的权重值；w_2k指的是特征项k在样本库中样本路段路况参数中的权重值，它们通过下式计算得到：

其中，tf_ik指的是特征项k在路况参数A_i中出现的次数；N为匹配路况的个数，n_k指的是含有特征项k的路况数量。

根据相似度sim(A₁,A₂)判断当前行驶路段是否属于样本库，如果属于样本库，则建立当前行驶路段的路况参数A₁与样本库中路段的路况参数A₂的马尔科夫状态转移矩阵P(A₁,A₂)，即P＝p[i][j]，∑p[i][j]＝1，对属于样本库中的行驶路段，根据马尔科夫状态转移矩阵P(A₁,A₂)判断该路段中下一时刻可能出现的摩擦系数，将所判断的摩擦系数与下一时刻检测出的摩擦系数进行比较，若在设定阈值范围内，则检测的摩擦系数符合路况的摩擦系数实际值，继续执行步骤S3，若超出阈值范围，则检测的摩擦系数不符合路况的摩擦系数实际值，该时刻数据作为离散点被舍弃。本实施例还能通过马尔科夫状态转移矩阵判断当前行驶路段下一时刻的摩擦系数参考值，将该参考值与自进化神经网络模型输出的预测值比较，判断预测值是否在合理的阈值范围内，从而进一步保障了自进化神经网络模型预测的摩擦系数的准确性。

S3、收集当前行驶路段的路况参数以及检测车辆的车辆静态参数和车况参数，步骤S2中所述检测车辆的角色转变为样本车辆，所收集当前行驶路段的路况参数、车辆静态参数和车况参数融入样本库实现样本库的更新，利用更新后的样本库重新训练所建立的自进化神经网络模型，从而获得更新的模型隐含层函数、神经元个数以及权值，实现神经网络模型的自进化功能，具体的操作如下：

利用更新的样本库，重复步骤S1.3中的向后传播过程，对神经网络模型进行重新训练，优化神经网络模型的隐含层函数、神经元个数以及权值，具体地，根据输出值和理想输出值之间的误差，不断调整隐含层函数、神经元个数以及权值，直到其误差满足要求，从而得到进化后的神经网络模型。

S4、收集检测路段的路况参数以及检测车辆的车辆静态参数和车况参数，利用所建立的自进化神经网络模型进行网络测试，输出检测路段的路面摩擦系数。具体过程如下：

利用所获取的检测路段的路况参数、检测车辆的车辆静态参数和车况参数、计算所得相关系数，通过步骤S1.3中的前传播过程，预测检测路段的路面摩擦系数。

Claims (6)

1.一种基于车载OBD信息的路面摩擦系数快速检测方法，其特征在于，包括：

S1、建立用于预估路面摩擦系数的自进化神经网络模型，包括：

S1.1、构建用于所述自进化神经网络模型训练和进化的样本库，所述样本库为多个样本路段和样本车辆的参数集合；

S1.2、收集样本路段的路况参数和标定摩擦系数，样本车辆的静态参数和车况参数，并计算样本车辆的车况参数与发动机转速参数的相关系数；

S1.3、根据样本库中样本路段的路况参数和标定摩擦系数以及样本车辆的车况参数、车辆静态参数和所述相关系数，初始化所建自进化神经网络模型的结构和权值，并对所建立的自进化神经网络模型进行网络训练；

S2、采集检测车辆当前行驶路段的路况参数，计算当前行驶路段与样本路段的路况参数的相似度，根据相似度判断检测车辆当前行驶路段是否属于样本库，是则进入步骤S3，否则进入步骤S4；

S3、收集当前行驶路段的路况参数以及检测车辆的车辆静态参数和车况参数，步骤S2中所述检测车辆的角色转变为样本车辆，所收集当前行驶路段的路况参数、车辆静态参数和车况参数融入样本库实现样本库的更新，利用更新后的样本库重新训练所建立的自进化神经网络模型，从而获得更新的模型隐含层函数、神经元个数以及权值，实现自进化神经网络模型的自进化功能；

S4、收集检测路段的路况参数以及检测车辆的车辆静态参数和车况参数，利用所建立的自进化神经网络模型进行网络测试，输出检测路段的路面摩擦系数。

2.根据权利要求1所述基于车载OBD信息的路面摩擦系数快速检测方法，其特征在于：

所述自进化神经网络模型包括输入层、隐含层和输出层，输入向量为X，输出向量为Y，输入层到隐含层的权值矩阵和偏差矩阵分别为W₁、B₁，隐含层到输出层的权值矩阵和偏差矩阵分别为W₂、B₂，隐含层和输出层的神经元传输函数分别用f₁、f₂表示，则网络输出表达式为：

Y＝f₂[W₂·f₁(W₁·X-B₁)-B₂]

所述输入向量X为路况参数的计算值、车辆静态参数的计算值和相关系数的计算值的函数，其中：

X＝f(A，V，C)

式中，A为路况参数的计算值、V为车辆静态参数的计算值、C为相关系数的计算值，其中，

A＝K₁(Loc，T，M，S)，Loc为地理位置、T为温度、M为路面湿度、S为路面类型；

V＝K₂(L,t₁,t₂)，L为车辆型号、t₁为制动***初始时间、t₂为轮胎初始时间；

C＝{γ_i}，γ为速度、加速度、油门位置、制动力、车轮转速、变速箱齿比、主减速器速比、机械效率和发动机功率这九个参数分别与发动机转速的相关系数：

其中u是发动机转速，v是速度、加速度、油门位置、制动力、车轮转速、变速箱齿比、主减速器速比、机械效率、发动机功率，

表示v的共轭；

所述输出向量为横向及纵向路面摩擦系数。

3.根据权利要求2所述基于车载OBD信息的路面摩擦系数快速检测方法，其特征在于通过下式计算当前行驶路段的路况参数A₁与样本库中样本路段的路况参数A₂的相似度sim(A₁,A₂)：

其中w_1k指的是特征项k在当前行驶路段路况参数中的权重值；w_2k指的是特征项k在样本库中样本路段路况参数中的权重值，它们通过下式来计算得到：

其中，tf_ik指的是特征项k在路况参数A_i中出现的次数；N为匹配路况的个数，n_k指的是含有特征项k的路况数量。

4.根据权利要求3所述基于车载OBD信息的路面摩擦系数快速检测方法，其特征在于：根据相似度sim(A₁,A₂)判断当前行驶路段是否属于样本库，如果属于样本库，则建立当前行驶路段的路况参数A₁与样本库中路段的路况参数A₂的马尔科夫状态转移矩阵P(A₁,A₂)，即P＝p[i][j]，∑p[i][j]＝1，对属于样本库中的行驶路段，根据马尔科夫状态转移矩阵P(A₁,A₂)判断该路段中下一时刻可能出现的摩擦系数，将所判断的摩擦系数与下一时刻检测出的摩擦系数进行比较，若在设定阈值范围内，则检测的摩擦系数符合路况的摩擦系数实际值，继续执行步骤S3，若超出阈值范围，则检测的摩擦系数不符合路况的摩擦系数实际值，该时刻数据作为离散点被舍弃。

5.根据权利要求4所述基于车载OBD信息的路面摩擦系数快速检测方法，其特征在于：

所述路况参数包括地理位置、路面类型、路面湿度、空气温度，标定摩擦系数为通过激光雷达或路面摩擦系数检测车采集的样本路段摩擦系数；

所述车辆静态参数包括车辆型号、制动***初始时间、轮胎初始时间；

所述车况参数包括通过车辆OBD接口获取的速度、加速度、油门位置、制动力、发动机转速、车轮转速、变速箱齿比、主减速器速比、机械效率、发动机功率数据，相关系数包括速度、加速度、油门位置、制动力、车轮转速、变速箱齿比、主减速器速比、机械效率、发动机功率分别与发动机转速的相关系数。

6.根据权利要求5所述基于车载OBD信息的路面摩擦系数快速检测方法，其特征在于通过BP算法对所述自进化神经网络进行网络训练，具体包括：

所述BP算法分为向前传播阶段和向后传播阶段，在向前传播阶段中，信息从输入层经过逐级的变换，传送到输出层，该过程也是网络在完成训练后正常运行时执行的过程；向后传播阶段根据绩效化误差调整权值矩阵阶段；

取网络关于第p个样本的误差测度：

式中：m为输出层的神经元个数；y_pj表示第p个样本的理想输出向量所包含的第j个元素，o_pj为第p个样本的网络输出值的第j个元素，最后将网络关于整个样本集的误差测定为：

E＝∑E_p

利用样本路段的路况参数和标定摩擦系数，检测车辆的静态参数、车况参数和相关系数对所建立的自进化神经网络进行网络训练，根据输出值和理想输出值之间的误差，不断调整隐含层函数、神经元个数以及权值，直到其误差满足要求。

Images