CN112766306B - 一种基于svm算法的减速带区域识别方法 - Google Patents

一种基于svm算法的减速带区域识别方法 Download PDF

Info

Publication number
CN112766306B
CN112766306B CN202011570770.1A CN202011570770A CN112766306B CN 112766306 B CN112766306 B CN 112766306B CN 202011570770 A CN202011570770 A CN 202011570770A CN 112766306 B CN112766306 B CN 112766306B
Authority
CN
China
Prior art keywords
deceleration strip
data set
svm algorithm
test data
area identification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011570770.1A
Other languages
English (en)
Other versions
CN112766306A (zh
Inventor
蔡锦康
赵蕊
邓伟文
丁娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Tianxingjian Intelligent Technology Co ltd
Original Assignee
Zhejiang Tianxingjian Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Tianxingjian Intelligent Technology Co ltd filed Critical Zhejiang Tianxingjian Intelligent Technology Co ltd
Priority to CN202011570770.1A priority Critical patent/CN112766306B/zh
Publication of CN112766306A publication Critical patent/CN112766306A/zh
Application granted granted Critical
Publication of CN112766306B publication Critical patent/CN112766306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tires In General (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及车辆辅助驾驶技术领域，公开了一种基于SVM算法的减速带区域识别方法，其包括以下步骤：获取车辆实时的行驶状态参数，所述行驶状态参数包括车速、车速垂向加速度和轮胎垂向位移；将车速、经过计算得到的轮胎垂向最大振动振幅、轮胎垂向最大振幅振频输入预设的基于SVM算法的减速带区域识别模型，通过减速带区域识别模型对车辆是否处于减速带区域行驶进行识别。本方法通过模拟驾驶试验采集数据，建立基于SVM算法的减速带区域识别模型，具有数据采集便捷，成本低廉，计算量小，计算速度快，鲁棒性好的优点，克服了现有技术的缺陷。

Description

一种基于SVM算法的减速带区域识别方法
技术领域
本发明涉及车辆辅助驾驶技术领域，特别涉及一种基于SVM算法的减速带区域识别方法。
背景技术
在车辆行驶过程中，减速带是经常出现的路面类型。对于装备有空气悬架等可调悬架的汽车而言，及时识别减速带可以帮助ECU适当调节悬架刚度或阻尼，使车辆平稳通过减速带区域，从而提高乘客的舒适性，减小减速带的不利影响。
申请号为CN201910552000.5、名称为“一种减速带识别方法及***”的中国专利提出一种使用卷积神经网络技术实现减速带识别的方法，一方面，这种方法需要大量减速带相关图片记性训练，另一方面，在实际应用过程中，图像质量对天气、光照较为敏感，鲁棒性难以保证。
申请号为CN202010489774.0、名称为“一种基于视觉的减速带检测方法、装置及其存储介质”的中国专利，也提出了一种基于机器视觉技术的减速带识别方法，该方法主要使用深度学习算法进行建模。这种方法计算量大，且存在与前述专利相似的问题。
因此，需要有一种鲁棒性好、计算快的减速带区域识别方法。
发明内容
本发明的主要目的在于开发一种鲁棒性好、计算量小、计算速度快的基于SVM(支持向量机)算法的减速带区域识别方法，以克服现有技术的缺陷。
为了达到上述目的，本发明提供一种基于SVM算法的减速带区域识别方法，主要包括以下步骤：
获取车辆实时的行驶状态参数，所述行驶状态参数包括车速、车速垂向加速度和轮胎垂向位移；
将车速、经过计算得到的轮胎垂向最大振动振幅、轮胎垂向最大振幅振频输入预设的基于SVM算法的减速带区域识别模型，通过减速带区域识别模型对车辆是否处于减速带区域行驶进行识别。
优选地，所述基于SVM算法的减速带区域识别模型通过以下建模步骤得到：
进行模拟驾驶试验：由驾驶员使用模拟驾驶器控制模拟车辆行驶通过包含减速带区域的虚拟道路，采集的试验数据包括车速、车速垂向加速度和轮胎垂向位移；
处理试验数据：按一定时间窗口长度和时间窗口间隔截取试验数据，求取各个时间窗口中的平均车速、平均车身垂向加速度，并通过傅里叶变换计算得到轮胎垂向最大振动振幅、轮胎垂向最大振幅振频；将所有在减速带区域内行驶时的数据标记为减速带数据，得到减速带数据集；将所有在减速带区域外行驶时的数据标记为非减速带数据，得到非减速带数据集；
训练基于SVM算法的减速带区域识别模型：基于减速带数据集、非减速带数据集和SVM算法，训练得到减速带识别模型；训练过程中，以车速、轮胎垂向最大振动振幅和轮胎垂向最大振幅振频作为自变量，以数据点中的数据标记作为因变量；使用所获得的基于SVM算法的减速带区域识别模型时，根据计算得出的数据标记判断车辆是否处于减速带区域行驶。
进一步优选地，模拟驾驶试验中，虚拟道路环境包括城市工况和高速工况；驾驶总里程超过100km，其中减速带区域的长度占总里程的1/3；试验数据的采集频率为10Hz。
进一步优选地，处理试验数据时，以一定时长t＝2s为窗口长度，以L＝0.5s为时间窗口间隔，截取试验数据，求取各个时间窗口中的平均车速、平均车身垂向加速度，并通过傅里叶变换计算得到轮胎垂向最大振动振幅、轮胎垂向最大振幅振频。
进一步优选地，将减速带数据集和非减速带数据集分别按照一定比例随机分为两部分，得到减速带训练数据集、减速带测试数据集、非减速带训练数据集、非减速带测试数据集；
将减速带训练数据集和非减速带训练数据集组成的合集作为训练数据集；将减速带测试数据集和非减速带测试数据集组成的合集作为测试数据集；使用训练数据集训练得到基于SVM算法的减速带区域识别模型，使用测试数据集测试训练获得的基于SVM算法的减速带区域识别模型。
SVM算法的训练过程遵循以下规则和步骤：
训练数据集表示为：
T＝{(x1,y1),(x2,y2),...，(xn,yn)}
其中，xi属于一个n维空间，且yi为1或-1，且i＝1,2...,n，xi为第i个特征向量，yi为类别标记。1表示正例；-1表示负例。本发明中，特征向量由车速、车速垂向加速度和轮胎垂向位移组成，标记符号为1表示处于减速带区域，-1表示处于非减速带区域。
1)选择适当的核函数和惩罚参数C>0，构造并求解凸二次规划问题，如下式所示：
Figure BDA0002862563970000031
2)求得最优解(一般使用梯度下降法)：
Figure BDA0002862563970000032
3)计算b*
Figure BDA0002862563970000033
4)分类决策函数：
Figure BDA0002862563970000034
本发明使用高斯核函数，惩罚参数C＝15，求解α*时使用梯度下降法，高斯核函数如下式所示：
Figure BDA0002862563970000035
再进一步优选地，将减速带数据集按照一定比例k＝8:2随机分为两部分，得到减速带训练数据集、减速带测试数据集；
将非减速带数据集按照一定比例k＝8:2随机分为两部分，得到非减速带训练数据集、非减速带测试数据集。
更进一步优选地，测试减速带区域识别模型时，将车速、轮胎垂向最大振动振幅和轮胎垂向最大振幅振频作为输入变量，输出变量为相应测试数据点预测的数据标记；若测试数据点经过模型计算预测的数据标记与真实数据标记一致，则表示基于SVM算法的减速带区域识别模型在该测试数据点预测成功，否则预测失败。
若预测成功的测试数据点占测试数据集中数据点总量的比例大于一定阈值α，则建模成功，否则需要进行补充模拟驾驶试验并采集试验数据。
在一个具体实施例中，所述阈值α为85％。根据实际需要，该阈值根据不同精度要求而允许不同取值。
本发明以使用模拟驾驶器进行模拟驾驶试验，得到车辆通过减速带区域和非减速带区域的试验数据，基于SVM算法训练获得减速带区域识别模型，根据该模型，通过输入车辆的车速、轮胎垂向最大振动振幅、轮胎垂向最大振幅振频即可准确识别是否处于减速带区域行驶，从而保证车辆平稳通过减速带区域，提升的舒适性和安全性，克服了现有技术的一些局限性和缺陷。相较于现有技术，本发明的减速带区域识别方法所采用的模型计算量小、计算速度快，而且不受车辆行驶环境的光照、天气影响，鲁棒性更好。
附图说明
图1为根据本发明的基于SVM算法的减速带区域识别方法中建模过程的步骤流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明，下面将结合实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
请结合图1，本实施例提供一种基于SVM算法的减速带区域识别方法，其步骤包括：
步骤一：获取车辆实时的行驶状态参数，所述行驶状态参数包括车速、车速垂向加速度和轮胎垂向位移；
步骤二：将车速、经过计算得到的轮胎垂向最大振动振幅、轮胎垂向最大振幅振频输入预设的基于SVM算法的减速带区域识别模型，通过减速带区域识别模型对车辆是否处于减速带区域行驶进行识别。
其中，请结合图1，步骤二中预设的基于SVM算法的减速带区域识别模型通过以下建模步骤S1-S4得到：
S1.进行驾驶员在环模拟驾驶试验并采集数据：
驾驶员使用模拟驾驶器控制模拟车辆行驶通过包含减速带区域的虚拟道路，模拟驾驶试验中，虚拟道路环境包括城市工况和高速工况。驾驶总里程超过100km，其中减速带区域的长度占总里程的1/3。采集的试验数据包括车速、车速垂向加速度和轮胎垂向位移，试验数据的采集频率为10Hz。
S2.处理试验数据：
以一定时间窗口长度t＝2s和时间窗口间隔L＝0.5s，对轮胎垂向位移进行傅里叶变换，得到轮胎最大振动幅值和相应的振动频率，即轮胎垂向最大振动振幅和轮胎垂向最大振幅振频；以一定时间窗口长度t＝2s和时间窗口间隔L＝0.05s，求取平均车身垂向加速度、平均车身。
将所有在减速带区域内行驶时的数据标记为减速带数据，得到减速带数据集；将所有在减速带区域外行驶时的数据标记为非减速带数据，得到非减速带数据集。在本实施例中，减速带数据的数据标记使用数字“1”表示，非减速带数据的数据标记使用数字“0”表示。
将减速带数据集按照一定比例k＝8:2随机分为两部分，得到减速带训练数据集、减速带测试数据集；将非减速带数据集按照一定比例k＝8:2随机分为两部分，得到非减速带训练数据集、非减速带测试数据集。
将减速带训练数据集和非减速带训练数据集组成的合集作为训练数据集；将减速带测试数据集和非减速带测试数据集组成的合集作为测试数据集。
S3.训练基于SVM算法的减速带区域识别模型
训练识别模型时，使用训练数据集训练得到基于SVM算法的减速带区域识别模型；训练过程中，以车速、轮胎垂向最大振动振幅和轮胎垂向最大振幅振频作为自变量，以数据点中的数据标记作为因变量。
SVM算法的训练过程遵循以下规则和步骤：
训练数据集表示为：
T＝{(x1,y1),(x2,y2),...，(xn,yn)}
其中，xi属于一个n维空间，且yi为1或-1，且i＝1,2...,n，xi为第i个特征向量，yi为类别标记。1表示正例；-1表示负例。本发明中，特征向量由车速、车速垂向加速度和轮胎垂向位移组成，标记符号为1表示处于减速带区域，-1表示处于非减速带区域。
1)选择适当的核函数和惩罚参数C>0，构造并求解凸二次规划问题，如下式所示：
Figure BDA0002862563970000061
2)求得最优解(一般使用梯度下降法)：
Figure BDA0002862563970000062
3)计算b*
Figure BDA0002862563970000063
4)分类决策函数：
Figure BDA0002862563970000064
本发明使用高斯核函数，惩罚参数C＝15，求解α*时使用梯度下降法，高斯核函数如下式所示：
Figure BDA0002862563970000065
S4.测试识别模型：
使用测试数据集测试训练获得的基于SVM算法的减速带区域识别模型。测试减速带区域识别模型时，将车速、轮胎垂向最大振动振幅和轮胎垂向最大振幅振频作为输入变量，输出变量为相应测试数据点预测的数据标记；若测试数据点经过模型计算预测的数据标记与真实数据标记一致，则表示基于SVM算法的减速带区域识别模型在该测试数据点预测成功，否则预测失败。
若预测成功的测试数据点占测试数据集中数据点总量的比例大于一定阈值α，则建模成功，否则需要进行补充模拟驾驶试验并采集试验数据。本实施例中，所述阈值α为85％。该阈值根据不同精度要求而允许不同取值。
建模完成后，本发明根据所获得的基于SVM算法的减速区域识别模型进行减速带区域识别。在车辆行驶过程中，实时采集车辆的行驶状态参数，包括车速、车速垂向加速度和轮胎垂向位移，以2s为时间窗口长度，计算平均车速、平均车身垂向加速度，并通过傅里叶变换计算得到轮胎垂向最大振动振幅、轮胎垂向最大振幅振频；将车速、轮胎垂向最大振动振幅、轮胎垂向最大振幅振频输入到基于SVM算法的减速带区域识别模型，得到预测的数据标记，若数据标记的输出值为1，则判断车辆处于减速带区域行驶。此时，车辆的ECU可适当调节悬架刚度或阻尼，使车辆平稳通过减速带区域。若数据标记的输出值为0，则判断车辆处于非减速带区域行驶。
相较于现有技术，本发明具有建模数据采集便捷、建模成本低廉、模型计算量小、计算速度快的优势，而且本发明在模型使用步骤中仅需要检测车辆的行驶状态参数，不受道路光线环境和天气干扰，对减速带的识别更准确，模型的鲁棒性更好，有效地克服了现有技术的局限性。
以上所述仅为本发明较佳的实施方式，并非用以限定本发明的保护范围；同时，以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施，因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于SVM算法的减速带区域识别方法，其特征在于，包括以下步骤：
获取车辆实时的行驶状态参数，所述行驶状态参数包括车速、车速垂向加速度和轮胎垂向位移；
将车速、经过计算得到的轮胎垂向最大振动振幅、轮胎垂向最大振幅振频输入预设的基于SVM算法的减速带区域识别模型，通过减速带区域识别模型对车辆是否处于减速带区域行驶进行识别；
所述基于SVM算法的减速带区域识别模型通过以下建模步骤得到：
进行模拟驾驶试验：由驾驶员使用模拟驾驶器控制模拟车辆行驶通过包含减速带区域的虚拟道路，采集的试验数据包括车速、车速垂向加速度和轮胎垂向位移；
处理试验数据：处理试验数据时，以一定时长t=2s为窗口长度，以L=0.5s为时间窗口间隔，截取试验数据，求取各个时间窗口中的平均车速、平均车身垂向加速度，对轮胎垂向位移进行傅里叶变换，得到轮胎最大振动幅值和相应的振动频率，即轮胎垂向最大振动振幅和轮胎垂向最大振幅振频；将所有在减速带区域内行驶时的数据标记为减速带数据，得到减速带数据集；将所有在减速带区域外行驶时的数据标记为非减速带数据，得到非减速带数据集；
训练基于SVM算法的减速带区域识别模型：基于减速带数据集、非减速带数据集和SVM算法，训练得到减速带识别模型；训练过程中，以车速、轮胎垂向最大振动振幅和轮胎垂向最大振幅振频作为自变量，以数据点中的数据标记作为因变量；使用所获得的基于SVM算法的减速带区域识别模型时，根据计算得出的数据标记判断车辆是否处于减速带区域行驶；具体步骤包括：将减速带数据集和非减速带数据集分别按照一定比例随机分为两部分，得到减速带训练数据集、减速带测试数据集、非减速带训练数据集、非减速带测试数据集；
将减速带训练数据集和非减速带训练数据集组成的合集作为训练数据集；将减速带测试数据集和非减速带测试数据集组成的合集作为测试数据集；使用训练数据集训练得到基于SVM算法的减速带区域识别模型，使用测试数据集测试训练获得的基于SVM算法的减速带区域识别模型。
2.根据权利要求1所述基于SVM算法的减速带区域识别方法，其特征在于：模拟驾驶试验中，虚拟道路环境包括城市工况和高速工况；驾驶总里程超过100km，其中减速带区域的长度占总里程的1/3；试验数据的采集频率为10Hz。
3.根据权利要求1所述基于SVM算法的减速带区域识别方法，其特征在于：
将减速带数据集按照一定比例k=8:2随机分为两部分，得到减速带训练数据集、减速带测试数据集；
将非减速带数据集按照一定比例k=8:2随机分为两部分，得到非减速带训练数据集、非减速带测试数据集。
4.根据权利要求1或3所述基于SVM算法的减速带区域识别方法，其特征在于：测试减速带区域识别模型时，将车速、轮胎垂向最大振动振幅和轮胎垂向最大振幅振频作为输入变量，输出变量为相应测试数据点预测的数据标记；若测试数据点经过模型计算预测的数据标记与真实数据标记一致，则表示基于SVM算法的减速带区域识别模型在该测试数据点预测成功，否则预测失败。
5.根据权利要求4所述基于SVM算法的减速带区域识别方法，其特征在于，若预测成功的测试数据点占测试数据集中数据点总量的比例大于一定阈值α，则建模成功，否则需要进行补充模拟驾驶试验并采集试验数据。
6.根据权利要求5所述基于SVM算法的减速带区域识别方法，其特征在于，所述阈值α为85%。
CN202011570770.1A 2020-12-26 2020-12-26 一种基于svm算法的减速带区域识别方法 Active CN112766306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011570770.1A CN112766306B (zh) 2020-12-26 2020-12-26 一种基于svm算法的减速带区域识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011570770.1A CN112766306B (zh) 2020-12-26 2020-12-26 一种基于svm算法的减速带区域识别方法

Publications (2)

Publication Number Publication Date
CN112766306A CN112766306A (zh) 2021-05-07
CN112766306B true CN112766306B (zh) 2023-06-27

Family

ID=75695839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011570770.1A Active CN112766306B (zh) 2020-12-26 2020-12-26 一种基于svm算法的减速带区域识别方法

Country Status (1)

Country Link
CN (1) CN112766306B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115615422B (zh) * 2022-12-20 2023-03-28 禾多科技（北京）有限公司 减速带检测方法、装置、电子设备和计算机可读介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08138189A (ja) * 1994-11-04 1996-05-31 Honda Motor Co Ltd 路面状態検出装置
JPH09243345A (ja) * 1996-03-12 1997-09-19 Unisia Jecs Corp 路面状態検出装置
CN1608012A (zh) * 2001-12-21 2005-04-20 株式会社普利司通 路面状况及轮胎行驶状态的推断方法和装置及利用它们的防滑刹车***和车辆控制
CN102289674A (zh) * 2011-07-15 2011-12-21 王世峰 基于垂直加速度及路面图像的路面类型识别方法及装置
CN103235891A (zh) * 2013-05-05 2013-08-07 吉林大学 基于车辆垂向振动***辨识的路面识别***及方法
CN103318180A (zh) * 2013-05-28 2013-09-25 万向钱潮股份有限公司 一种车辆路面不平度自动识别***及方法
CN104120644A (zh) * 2013-04-26 2014-10-29 同济大学 一种基于重力加速度传感器的路面平整度检测方法
CN104755345A (zh) * 2014-03-19 2015-07-01 株式会社小松制作所 路面状态判定方法、路面状态输出方法、路面状态判定装置以及路面状态输出装置
CN108513676A (zh) * 2018-04-25 2018-09-07 深圳市锐明技术股份有限公司 一种路况识别方法、装置及设备
JP2019003369A (ja) * 2017-06-14 2019-01-10 スズキ株式会社 路面状態分析装置
CN109263654A (zh) * 2018-11-19 2019-01-25 吉林大学 一种汽车过减速带自适应调速***及调速方法
CN109910886A (zh) * 2017-12-11 2019-06-21 郑州宇通客车股份有限公司 一种路面颠簸检测方法、车辆控制方法及***
CN111504436A (zh) * 2020-04-17 2020-08-07 清华大学 基于车辆振动数据的车辆载荷及道路路况监测方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101275900A (zh) * 2008-05-08 2008-10-01 江汉大学 基于车轮振动的路面类型识别方法
WO2015188930A1 (en) * 2014-06-09 2015-12-17 Nira Dynamics Ab Detection of short term irregularities in a road surface
JP6783184B2 (ja) * 2017-05-12 2020-11-11 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置
CN111582288B (zh) * 2020-05-06 2024-05-03 武汉理工大学 一种基于车身振动模型的非接触式车辆超载识别***
CN111976731B (zh) * 2020-08-04 2023-06-13 大连民族大学 基于车辆频域响应的路面不平度识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08138189A (ja) * 1994-11-04 1996-05-31 Honda Motor Co Ltd 路面状態検出装置
JPH09243345A (ja) * 1996-03-12 1997-09-19 Unisia Jecs Corp 路面状態検出装置
CN1608012A (zh) * 2001-12-21 2005-04-20 株式会社普利司通 路面状况及轮胎行驶状态的推断方法和装置及利用它们的防滑刹车***和车辆控制
CN102289674A (zh) * 2011-07-15 2011-12-21 王世峰 基于垂直加速度及路面图像的路面类型识别方法及装置
CN104120644A (zh) * 2013-04-26 2014-10-29 同济大学 一种基于重力加速度传感器的路面平整度检测方法
CN103235891A (zh) * 2013-05-05 2013-08-07 吉林大学 基于车辆垂向振动***辨识的路面识别***及方法
CN103318180A (zh) * 2013-05-28 2013-09-25 万向钱潮股份有限公司 一种车辆路面不平度自动识别***及方法
CN104755345A (zh) * 2014-03-19 2015-07-01 株式会社小松制作所 路面状态判定方法、路面状态输出方法、路面状态判定装置以及路面状态输出装置
JP2019003369A (ja) * 2017-06-14 2019-01-10 スズキ株式会社 路面状態分析装置
CN109910886A (zh) * 2017-12-11 2019-06-21 郑州宇通客车股份有限公司 一种路面颠簸检测方法、车辆控制方法及***
CN108513676A (zh) * 2018-04-25 2018-09-07 深圳市锐明技术股份有限公司 一种路况识别方法、装置及设备
CN109263654A (zh) * 2018-11-19 2019-01-25 吉林大学 一种汽车过减速带自适应调速***及调速方法
CN111504436A (zh) * 2020-04-17 2020-08-07 清华大学 基于车辆振动数据的车辆载荷及道路路况监测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Reconstruction of road defects and road roughness classification using Artificial Neural Networks simulation and vehicle dynamic responses：application to experimental data》;H.M.Ngwangwa et al.;《Journal of Terramechanics》;全文 *
《基于ＧＡ－ＢＰ网络的矿山路面不平度辨识》;谷正气 等;《中国机械工程》;第25卷(第23期);全文 *
《基于车辆响应识别路面不平度的神经网络方法研究》;谷盛丰;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;全文 *

Also Published As

Publication number Publication date
CN112766306A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN105069415B (zh) 车道线检测方法和装置
CN104802737B (zh) 一种基于手机的车辆异常驾驶行为检测方法
CN111504644B (zh) 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法
CN105892471A (zh) 汽车自动驾驶方法和装置
CN109050535B (zh) 一种基于车辆姿态的快速地形工况辨识方法
CN106314438A (zh) 一种司机驾驶轨迹中异常轨迹的检测方法和***
US20190188467A1 (en) Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus
CN107341864A (zh) 通过车辆总线记录设备分析驾驶员驾驶行为的评价***
JP7377154B2 (ja) 路面性状判定装置
CN114997218B (zh) 一种针对轨道车辆车轮多边形磨耗的识别检测方法
CN112766306B (zh) 一种基于svm算法的减速带区域识别方法
CN109229108A (zh) 一种基于驾驶指纹的驾驶行为安全评价方法
CN110843765A (zh) 一种自动驾驶方法、装置及电子设备
CN112710273A (zh) 一种基于智能手机传感器和机器学习的众包路面坑洼检测方法
CN106845482A (zh) 一种车牌定位方法
CN112163285B (zh) 一种用于模拟驾驶***的路面类型预测模型的建模方法
CN109214289A (zh) 一种从整体到局部的两阶段打电话行为识别方法
CN111062093A (zh) 一种基于图像处理和机器学习技术的汽车轮胎寿命预测方法
CN105427339A (zh) 一种结合特征筛选与二次定位的快速压缩跟踪方法
CN113314142B (zh) 发动机故障检测方法、***、存储介质及设备
CN104966064A (zh) 基于视觉的前方行人测距方法
CN110263836A (zh) 一种基于多特征卷积神经网络的不良驾驶状态识别方法
CN113269005A (zh) 一种安全带检测方法、装置及电子设备
CN109591846A (zh) 一种轮对踏面在线检测方法
CN110772267B (zh) 一种人体生理疲劳数据标记方法及疲劳识别模型

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant