基于LSTM網(wǎng)絡的路面不平度辨識方法*

梁冠群，趙 通，王 巖，危銀濤

（清華大學車輛與運載學院，汽車安全與節(jié)能國家重點實驗室，北京 100084）

前言

路面不平度對于車輛的行駛安全和駕乘舒適性均有很大影響，掌握路面不平度信息對于車輛動力學控制尤其是懸架控制具有重要意義。在懸架控制中，需要滿足乘坐舒適性和行駛安全性的雙重要求，而不同不平度等級的路面下無法利用同一套控制參數(shù)實現(xiàn)最優(yōu)的控制效果。因此路面不平度等級信息可以為控制算法的參數(shù)調(diào)節(jié)提供直接有效的依據(jù)［1］。

現(xiàn)有的車載道路辨識策略整體可分為直接和間接兩種方式。直接辨識的方式通過對道路表面進行感知測量來實現(xiàn)，它通常需要借助專用的傳感器。表面光度儀是最簡單、便捷的測量方法，但是它需要特殊定制且成本高，無法實現(xiàn)大規(guī)模商用。可見光成像是一種被廣泛采用的方法，手工提取道路圖像的顏色、紋理和邊緣特征，通過訓練神經(jīng)網(wǎng)絡分類器實現(xiàn)道路辨識［2］；還有利用包含干路、濕路、雪路和泥路圖像的數(shù)據(jù)集，用深度學習中的卷積神經(jīng)網(wǎng)絡模型進行端到端的辨識［3］。但是這種深度學習方法需要巨大的計算量，并且它的性能嚴重依賴于訓練數(shù)據(jù)量。路面點云模型法利用車載激光雷達獲取路面的三維點云數(shù)據(jù)，用形態(tài)梯度計算點集的粗糙度，在復雜環(huán)境下的實車實驗證實該算法能夠自適應地實現(xiàn)道路辨識［4］。但激光雷達價格昂貴，建立點云時需要較大計算量和存儲空間，可移植性也比較差。超聲波法利用超聲波傳感器感知不同路面，提取回波信號的波形特征并輸入到分類器中進行辨識［5］。這種方法需要考慮車速和聲波能量在大氣中的耗散對辨識精度的影響。

以上直接辨識的方法都要借助專用的傳感器，這不僅提高了道路辨識的成本、降低了傳感器的可擴展性，而且算法的高計算量要求導致無法實現(xiàn)實時辨識。目前基于懸架系統(tǒng)響應的間接辨識方法受到了更多研究者的關注。不同粗糙度等級的道路對行駛車輛有著不同帶寬和幅度的激勵，反映在懸架上即為不同的加速度響應，間接辨識方法旨在從懸架加速度響應中反向推斷出道路等級。

間接辨識法亦可分為基于模型［6-8］的和數(shù)據(jù)驅(qū)動［9-16］的方法。用卡爾曼濾波的方法從仿真和實驗數(shù)據(jù)中估計道路的粗糙度，這種方法需要的模型簡單、計算量小，且可擴展到利用其他信息來提升估計性能［6］。用高階滑模和非線性Lipschitz 觀測器同時估計路況和胎-路摩擦力［7］。這種基于觀測模型的方法可能會遇到所需狀態(tài)量無法測量的問題。

數(shù)據(jù)驅(qū)動的方法可以不考慮路面激勵到懸架系統(tǒng)響應的物理過程，利用算法模型自主地學習數(shù)據(jù)中的潛在模式。對單個懸架簧上質(zhì)量的垂向加速度信號進行2 階小波變換，分別提取時域和變換域信號的統(tǒng)計波形特征，然后輸入到自適應神經(jīng)網(wǎng)絡模糊推理系統(tǒng)中進行道路等級分類［9-10］。簧下質(zhì)量的加速度響應更適合用于道路辨識，因為它更易測量且能達到更高的準確率［11］。將該方法擴展，與卡爾曼濾波相結合構成自適應卡爾曼濾波器，以較高精度估計出懸架系統(tǒng)的狀態(tài)［12］。利用滑動窗提取整車4 個懸架的簧下質(zhì)量加速度信號的均方特征，用神經(jīng)網(wǎng)絡分類器進行預測，作者同時探討了滑動窗長度和特征計算方法對準確率的影響［13］。

綜合以上路面辨識技術可以發(fā)現(xiàn)，目前尚無低成本、可靠、精確、快速的方法用于實際的懸架主動控制。為此，本文中提出利用長短期記憶（LSTM）網(wǎng)絡作為主體，選擇車輛簧下質(zhì)量加速度作為輸入量進行端到端的路面不平度等級的辨識。LSTM 是循環(huán)神經(jīng)網(wǎng)絡（RNN）的一種特殊類型［17-20］，它也是典型的數(shù)據(jù)驅(qū)動方法。能夠?qū)W習序列數(shù)據(jù)的前后長期依賴問題，因此相比于其他深度學習方法更適合應用于加速度響應這種時間序列的分析。

1 基于LSTM網(wǎng)絡的辨識算法

加速度信號是時序的非結構化數(shù)據(jù)，而經(jīng)典的分類問題通常使用結構化數(shù)據(jù)作為輸入。結構化數(shù)據(jù)由不同的特征組成，而將時序信號轉(zhuǎn)換為結構化數(shù)據(jù)需要手動提取特征。常用的關鍵特征有最大值、最小值、平均值、方差和峭度等。特征越多網(wǎng)絡越能夠捕捉不同類別的差異，從而提高準確性，但同時也帶來了更大計算負擔甚至維數(shù)災難。采用主成分分析法（PCA）可以消除冗余特征，最終保留的特征及其數(shù)量將基本決定模型的準確性。該方法的主要問題是，在訓練或測試時，每條輸入數(shù)據(jù)都需要進行預處理，實際在線應用時會降低運行速度。

時序加速度信號自身已經(jīng)蘊含許多不同的特征，手動特征提取無法利用信號自身的全部信息且會產(chǎn)生冗余。任意一個時刻的加速度值雖然不能體現(xiàn)特征，但持續(xù)的信號片段可以。因此，在這種情況下，具有結構化輸入的經(jīng)典全連接神經(jīng)網(wǎng)絡并不適用。而長短期記憶網(wǎng)絡非常擅長提取有上下文關系的時序數(shù)據(jù)的特征。

1.1 LSTM網(wǎng)絡架構

LSTM 網(wǎng)絡與循環(huán)神經(jīng)網(wǎng)絡（RNN）有著相似的鏈狀結構，不同的是前者的每一個重復的單元都包含更復雜的層級［21］。

LSTM 網(wǎng)絡順序結構如圖1 所示。圖中在時刻t下每一個重復單元的輸入量包括樣本輸入數(shù)據(jù)x、上一單元的狀態(tài)c和上一單元的輸出a。具體的單元層級如圖2所示。

圖1 LSTM重復單元的順序結構

圖2 LSTM單元結構

圖2中：Wf為遺忘門的權重；Wi、Wc為更新門的權重；Wo為輸出門的權重；bf為遺忘門的偏置；bi、bc為更新門的偏置；bo為輸出門的偏置。疊加表示將兩個數(shù)組合并為一個，σ（·）表示sigma函數(shù)，tanh（·）表示雙曲正切函數(shù)，“*”表示按元素相乘，“+”表示按元素相加。

遺忘門Γf通過sigmoid 函數(shù)篩選了上一單元的狀態(tài)中未被舍棄的部分：

更新門Γu決定了需要更新的部分，c?提供了備選的更新數(shù)據(jù)：

更新的單元狀態(tài)由選取的上一時刻狀態(tài)與新選取的備選變量組成：

在輸出環(huán)節(jié)中，tanh（Ct）將Ct的值重新布置在（-1，1）的范圍中，輸出門Γo決定了輸出的部分，最終獲得該單元的輸出量a：

整個網(wǎng)絡的架構如圖3所示。

LSTM 層之后連接的是全連接層（fully connect?ed layer，F(xiàn)C），其中隱藏層的神經(jīng)元數(shù)目與分類的類別數(shù)Nc相同。全連接層中各元素為

圖3 時序輸入到分類結果輸出的全網(wǎng)絡架構

式中：i為全連接層中的各神經(jīng)元下標；wi為神經(jīng)元的權重；bi為偏置。由于此問題是分類問題，因此在最后連接一個softmax 層將全連接層輸出的離散特征轉(zhuǎn)化成對應類別的概率分布。每種類別的概率y?i計算方式為

式中e 為自然指數(shù)。由此完成了從時序加速度信號輸入到分類結果輸出的流程，每一步正向傳播的計算均已完成。

1.2 LSTM反向傳播及迭代過程

上述網(wǎng)絡建立過程即進行正向傳播，最終的損失函數(shù)Lj定義為交叉熵的形式：

對于所有樣本的整體目標函數(shù)為

式中：yi為實際的概率；Θ為網(wǎng)絡中需要迭代的各參數(shù)，如權重W和偏置b；m為樣本數(shù)量。

為求解該優(yōu)化問題，需要對參數(shù)進行反向傳播迭代。重復反向傳播過程并利用計算得到的當前LSTM單元的輸出和狀態(tài)變量向前一時刻傳遞。

最小化目標函數(shù)所用的算法是Adam 算法（adaptive optimization algorithm），它是當前深度學習參數(shù)優(yōu)化算法中較為高效的一種，結合了批量梯度下降、動量法、RMSProp 等算法的優(yōu)點，可以自適應改變學習率快速尋優(yōu)，變量的更新迭代算法如下：

式中：vdΘ為動量變量；SdΘ為學習率調(diào)整變量；β1為梯度衰減因子；β2為平方梯度衰減因子。經(jīng)過數(shù)次迭代后，網(wǎng)絡中所有需要更新的變量都會迭代至使目標函數(shù)盡可能小的值。

2 路面不平度辨識算法

利用上述LSTM 網(wǎng)絡對于時序信號強特征捕捉能力和時序車輛加速度響應，就可以構建在線路面不平度辨識算法。這是本文的主要創(chuàng)新點，其主要流程如圖4 所示，分為網(wǎng)絡訓練階段和實際使用階段。

圖4 路面不平度等級辨識算法流程

在網(wǎng)絡訓練階段，首先進行LSTM 網(wǎng)絡的搭建，由于直接利用時序加速度作為輸入，網(wǎng)絡的第1層為時序輸入層，將時序信號中的每個采樣點單獨輸入下一層。第2層為LSTM 層，包含大于等于采樣點數(shù)目的LSTM 單元，每個單元與前后時刻對應的單元相連，能夠傳遞之前時刻單元的狀態(tài)和輸出信息。第3層為全連接層，將上一層網(wǎng)絡輸出的結果進行線性運算得到不同類別的分數(shù)。第4 層為Softmax 層，得到不同類別的概率并選擇最大者作為分類結果輸出。

深度學習需要大量的數(shù)據(jù)進行網(wǎng)絡訓練，而試驗數(shù)據(jù)不易包含大量完整的工況，因此在網(wǎng)絡訓練階段中可以利用仿真加實測的加速度信號作為訓練數(shù)據(jù)集的來源。仿真獲取訓練數(shù)據(jù)集的方案中，首先利用白噪聲濾波產(chǎn)生不同不平度等級的路面激勵，通過懸架的傳遞特性來計算對應不同等級路面的車輪垂向加速度。試驗獲取數(shù)據(jù)集的方案中，在輪心處安裝加速度傳感器及數(shù)據(jù)采集系統(tǒng)，在不同不平度等級的路面行駛中采集車輪垂向加速度。之后截取時長1 s的加速度時序信號片段，并進行歸一化處理。

設置初始參數(shù)后，將加速度時序信號與相應的路面不平度等級標簽輸入網(wǎng)絡開始訓練。通過訓練結果調(diào)整超參數(shù)，如迭代次數(shù)、學習速率，以實現(xiàn)較高的分類準確率。

在實際使用階段，訓練好的網(wǎng)絡可應用于實時路面分類。在輪心處安裝加速度傳感器及數(shù)據(jù)采集系統(tǒng)，在車輛行駛過程中采集車輪垂向加速度。截取1 s加速度信號片段后進行歸一化處理，輸入一訓練好的網(wǎng)絡，便可以快速得到最終路面不平度等級分類的結果。

3 網(wǎng)絡訓練

考慮到實際會出現(xiàn)的各種不同的工況，較難利用實車測量的方法獲得大量的訓練數(shù)據(jù)。因此利用濾波白噪聲產(chǎn)生大量不同的道路不平度信號，通過懸架模型傳遞特性計算的車輪垂向加速度響應，在大量訓練數(shù)據(jù)的基礎上進行網(wǎng)絡的訓練。訓練好的網(wǎng)絡可以直接用于實時的加速度信號進行路面不平度等級的辨識。

3.1 路面模型

路面截面高程通常被認為服從一種均值為零的正態(tài)分布，為了描述這一隨機過程的特征，通常利用功率譜密度（PSD）［22］。根據(jù)ISO 8601，路面不平度的功率譜密度如下：

式中：n為空間頻率，m-1；n0為參考空間頻率，n0=0.1 m-1；Gq（n0）為在參考空間頻率下的路面功率譜密度，m3，也被稱為路面不平度系數(shù)；W為頻率指數(shù)，決定了路面功率譜密度的頻率分布，通常為2。Gq（n0）與對應的方差σq隨不同等級的路面粗糙度而變化。

功率譜密度的時間頻率為

考慮到路面不平度是一種有限帶寬噪聲，具有所需路面功率譜密度的時域路面不平度則可以通過特定白噪聲通過濾波產(chǎn)生。

式中：Sω為白噪聲功率譜密度，這里取1。傳遞函數(shù)為

傳遞特性的狀態(tài)方程為

式中：q（t）為路面不平度，m；n00為空間下限截止頻率，n00=0.011 m-1；w（t）為均值為0、功率譜密度為1的時域白噪聲信號。

由白噪聲生成的以20 m/s 通過的E 級路面不平度結果如圖5所示。

圖5 E級路面在20 m/s下的不平度時域信號

將生成的道路與E 級路面的標準功率譜密度進行比較，下邊界是E 級標準功率譜密度的1/2，而上邊界則為2倍，結果如圖6所示。從圖中可以看到頻譜位于E級區(qū)域。

圖6 生成的E級路面功率譜密度與標準E級路面上下界

因此由濾波后的白噪聲產(chǎn)生的路面不平度能夠接近實際采集的結果，可用于路面不平度等級識別的訓練。

3.2 懸架傳遞特性

為了展示輪胎和懸架的傳遞特性，選用2 自由度1/4 車輛模型，如圖7 所示。圖中，簧上質(zhì)量ms，簧下質(zhì)量mu，彈簧剛度ks，可變阻尼系數(shù)cs，輪胎剛度kt。車身、輪胎和路面的位移分別用xs、xu和xr表示。1/4車輛模型的參數(shù)如表1所示。

圖7 1/4 車輛懸架模型

表1 1/4車輛模型參數(shù)

從路面位移到簧下質(zhì)量加速度的傳遞函數(shù)為

路面不平度可以通過簧下質(zhì)量加速度和式（15）的傳遞特性得到

以20 m/s 駛過圖1 所示的E 級路面上的車輛簧下質(zhì)量加速度如圖8所示。

生成5 個不平度等級，包括B、C、D、E、F 級路面下的車輛加速度響應信號。為使數(shù)據(jù)更貼近實際加速度傳感器測量的數(shù)據(jù)，在加速度信號中疊加一定功率的白噪聲，也可以提升算法辨識的魯棒性。為使生成的信號更具有隨機性和普遍性，避免疊加某些系統(tǒng)性偏差，每次利用不同的隨機數(shù)種子進行白噪聲的生成，并且生成十倍于所需時長的信號，之后進行隨機的片段采樣，能夠避免加速度信號存在某些由該生成方法引出的固定特征。訓練集中使用的每個樣本時長1 s，片段選取如圖9所示。

圖8 20 m/s駛過E級路面的車輪垂向加速度

圖9 隨機窗口選取加速度

訓練集有1 000 組樣本，由5 種不同等級路面的激勵結果組成，每種200 個樣本，每個樣本時長1 s，不同等級的采樣結果如圖10所示。

圖10 5種不同等級路面的車輪垂向加速度響應結果

考慮到不同等級加速度的幅值范圍，為使加速度信號具有相近的分布，對信號進行歸一化處理：

式中μ和σ分別為一種路面激勵加速度下的平均值和方差。

3.3 訓練過程

驗證集包含250 個樣本，與訓練集具有相同的分布，并進行了歸一化處理。在完成數(shù)據(jù)的準備和網(wǎng)絡的搭建后，就可以進行深度學習訓練。用于訓練的超參數(shù)如表2所示。

表2 用于訓練的超參數(shù)

訓練集1 000 個樣本分為10 個小批量，每個批量有100 個樣本。每次完整利用全部數(shù)據(jù)集正向和反向傳播進行10次迭代，遍歷數(shù)據(jù)集300次，共進行3 000次迭代。在每次完全遍歷整個數(shù)據(jù)集時，將訓練集樣本順序重新打亂，學習率衰減為

本節(jié)展示了網(wǎng)絡的訓練方式和結果。在訓練中每次迭代均進行小批量測試集的準確率計算，每遍歷5 次全部數(shù)據(jù)集后計算一次驗證集的準確率，以檢查網(wǎng)絡是否過擬合了訓練集。如果出現(xiàn)過擬合，應終止訓練以調(diào)整樣本量或超參數(shù)的值。訓練過程的準確率及損失值如圖11所示。

訓練準確率在波動中呈上升趨勢，由于訓練樣本僅包含一段時域信號，沒有結構化數(shù)據(jù)，對網(wǎng)絡進行分類訓練提出了更高的要求，需要更深層次的網(wǎng)絡和更多的樣本，這樣就將在線處理的運算負擔轉(zhuǎn)移至離線訓練的過程中，為在線算法的實時性和快速性提供便利。算法中利用小批次梯度下降，因此準確率上升過程中存在波動。訓練與驗證準確率均趨近于100%，損失值均趨近于0，訓練未發(fā)生欠擬合的情況。驗證集的準確率與訓練集結果趨勢相同，這表明網(wǎng)絡在訓練集上也未發(fā)生過擬合。在訓練過程進行到1 200次迭代時，準確率和損失函數(shù)產(chǎn)生了較明顯的波動，可能是由于對于訓練集重新打亂后，對小批量的樣本產(chǎn)生了欠擬合的情況從而導致的準確率下降。

圖11 訓練及驗證

4 算法驗證與分析

4.1 結果分析

測試集與驗證集具有相同的分布和樣本量。在測試集上測試網(wǎng)絡的準確率，結果如表3 所示，表明訓練的網(wǎng)絡對于不同的數(shù)據(jù)集均有較高的準確率。

表3 不同數(shù)據(jù)集的準確率

該算法利用時序加速度信號進行識別，能夠用于在線實時運行，之后測試該網(wǎng)絡對連續(xù)信號的識別能力。路面以B 級、E 級、C 級、F 級和D 級的時序順序?qū)刖W(wǎng)絡進行測試，結果如圖12所示。

測試集結果的混淆矩陣如圖13 所示。大多數(shù)預測類別與實際類別一致。錯誤預測的路面不平度等級在實際等級的±1范圍內(nèi)。因為F級路面的特征更加顯著，使網(wǎng)絡更容易捕捉到特征并進行分類，因此準確率相對高于其他類別。

圖12 測試集時域預測結果

圖13 測試集結果混淆矩陣

除準確率（Accuracy）外，用于評估深度學習網(wǎng)絡性能的3 個常用指標是精確率p（Precision）、召回率r（Recall）和F1值（F1score）。三者定義方式如下：

式中：TP為真陽性，代表實際為真預測也為真；FP為假陽性，代表實際為假預測為真；FN為假陰性，代表實際為真但預測為假；而i為不同類別的索引。測試集的結果如圖14 所示。同一路面等級中精確率與召回率都較高且接近，F(xiàn)1值也相應較高。不同路面等級的精確率和召回率都較高，表明對不同等級的路面均有一致的較好的效果。平均F1值為97%證明該網(wǎng)絡可以實現(xiàn)針對不同路面不平度級別的準確分類。

圖14 測試結果評價指標

4.2 魯棒性分析

本節(jié)進行算法的魯棒性驗證，判斷算法在不同的條件下是否能滿足需求，分別考察不同車速、不同采樣時長、不同減振器阻尼和不同簧上質(zhì)量的魯棒性。

4.2.1 速度魯棒性

速度魯棒性是實際使用路面不平度辨識算法需要考慮的重要因素。在以前的研究中，用于訓練集的樣本通常來源于固定的車速，但在驗證時通常避開不同車速下的準確率問題。而車速在行駛中變化很大，因此這個問題不能忽略。訓練集樣本是在20 m/s的車速下獲取的加速度信號，歸一化處理對不同加速度的幅值范圍進行了約束，使網(wǎng)絡能夠適應不同速度范圍的信號。測試集選取了車速為5-50 m/s時不同等級路面激勵的加速度，通過已訓練的網(wǎng)絡進行驗證，該網(wǎng)絡在較寬速度范圍內(nèi)準確率均在96%以上，且隨速度變化無變化趨勢，如圖15所示。

圖15 不同車速下的辨識準確率

4.2.2 采樣時長魯棒性

采樣時長魯棒性驗證中，由于算法利用了LSTM網(wǎng)絡，能夠?qū)崿F(xiàn)對于不同時長的輸入時序信號進行處理。測試集分別為0.6、0.8、1.0、1.5 和2.0 s 時長的加速度信號，通過前文訓練下的網(wǎng)絡，在不同等級路面下的F1值如圖16 所示。該網(wǎng)絡訓練集所用信號時長為1.0 s，在測試中，當采樣時長減小時，由于包含的信息減少，F(xiàn)1值有所下降，但即便時長僅為原訓練集樣本時長的60%，平均F1值仍有90.8%。而輸入信號時長大于原時長時，由于提供了更多信息，F(xiàn)1值也會增大，當時長大于1.5 s 時，F(xiàn)1值均超過98.0%。這表明該算法能夠針對不同的需求輸入不同時長的數(shù)據(jù)，當需要為懸架控制實時提供高頻信息時，在滿足準確率需求下可以適當縮短采樣長度。而對于實時性要求低的需求中可以延長采樣時間已提供更準確的辨識結果。

圖16 采樣時長魯棒性測試

4.2.3 減振器阻尼魯棒性

減振器阻尼魯棒性測試中，路面辨識的結果為半主動懸架控制提供判據(jù)，而半主動懸架控制會改變減振器的阻尼，使得系統(tǒng)模型參數(shù)發(fā)生了變化。而辨識結果應對不同減振器阻尼有較高的魯棒性，才能保證在實際應用中不會在控制介入時失效。訓練集加速度樣本通過2 000 N·s/m 阻尼系數(shù)產(chǎn)生，測試集選取了500、1 000、2 000 和3 000 N·s/m 阻尼系數(shù)的傳遞特性獲得的加速度，輸入前文訓練好的網(wǎng)絡中，得到的不同減振器阻尼魯棒性結果如圖17所示。在不同減振器阻尼下F1值趨勢與2 000 N·s/m下的結果一致，當阻尼系數(shù)變化后F1值均有所下降，但仍高于90%，均值仍高于94%。表明在阻尼系數(shù)產(chǎn)生大范圍變化時，算法仍能提供較高的辨識精度。

4.2.4 簧上質(zhì)量魯棒性

在實際使用中載荷的變化會導致簧上質(zhì)量變化，同樣會產(chǎn)生系統(tǒng)模型參數(shù)失配的問題，簧上質(zhì)量魯棒性保證了算法的辨識效果不隨簧上質(zhì)量變化而產(chǎn)生明顯變化。訓練集原簧上質(zhì)量為300 kg，測試集選取了300、400 和500 kg 的全等級路面進行測試，如圖18 所示。在不同簧上質(zhì)量下F1值無明顯變化，均高于95%。

圖17 減振器阻尼系數(shù)魯棒性測試

圖18 簧上質(zhì)量魯棒性測試

在上述魯棒性測試中可以發(fā)現(xiàn)，在同一套超參數(shù)下訓練出的網(wǎng)絡，當懸架系統(tǒng)參數(shù)或測試條件發(fā)生變化時，同一網(wǎng)絡均能較好地適應上述變化的條件，證明算法在實際使用中的不同環(huán)境下均能夠?qū)崿F(xiàn)較高的魯棒性和準確率。

5 結論

對訓練完成的網(wǎng)絡進行測試，結果表明，通過加速度信號對路面不平度等級進行辨識的方法有效可行，辨識準確率超過95%，性能評價指標均較高。與以往路面不平度等級辨識算法相比，該算法優(yōu)點在于：

（1）僅需要一路信號，如簧下質(zhì)量加速度，傳感器布置簡單，硬件成本低；

（2）輸入量為時序的加速度信號，無需進行傅里葉變換等頻域變換，無需提取特征，能夠直接輸入原始信號；

（3）無需復雜的濾波，對噪聲容忍度高；

（4）魯棒性高，在車速、采樣時長、減振器阻尼系數(shù)及簧上質(zhì)量變化時均能進行有效識別；

（5）在沒有充足試驗數(shù)據(jù)時也能夠通過白噪聲濾波方式生成訓練集，覆蓋工況更廣，且能在訓練集中融入實測數(shù)據(jù)以進一步提升實際使用時的辨識準確率；

（6）訓練網(wǎng)絡時無需離線進行大量的手動特征選取，降低了開發(fā)難度；

（7）在線算法對算力需求低，無數(shù)據(jù)預處理過程，訓練好的網(wǎng)絡直接運行速度很高，為算法的實時性提供了保障。

利用車輛加速度響應基于LSTM 網(wǎng)絡進行路面不平度等級辨識的算法行之有效，具有高準確率和高魯棒性。因此在實際工程應用中能通過實測加速度，進行實時的路面辨識。路面不平度等級信息能夠為半主動懸架控制等車輛控制提供重要的自適應算法的參數(shù)調(diào)整依據(jù)，具有很高的工程實用價值。