基于卷積神經網絡的汽車操縱穩定性試驗類型識別方法 *

管 欣，仲昭輝，詹 軍，奚騰龍，葉 昊，高深圳，成 健，廖世輝，蔡 均

（1. 吉林大學，汽車仿真與控制國家重點實驗室，長春 130025； 2. 汽車智能仿真重慶市重點實驗室，重慶 401100；3. 重慶長安汽車股份有限公司，重慶 401100）

前言

在汽車動力學性能V 字形設計開發流程中，汽車動力學性能試驗是保證產品性能、提高產品質量和產品核心競爭力的重要手段之一［1］。無論是在性能對標過程中對競品車輛進行分析和對標，還是在設計驗證環節中對樣車進行性能驗證和分析，都離不開大量的動力學性能場地試驗。

汽車操縱穩定性是汽車最重要的動力學性能之一，是影響汽車駕駛樂趣和主動安全的重要性能。汽車產品開發中需要進行大量的汽車操縱穩定性試驗。根據國際和國內標準，汽車操縱穩定性試驗包括轉向輕便性試驗、蛇行試驗、轉向盤角脈沖試驗等10 余項試驗方案及幾十種試驗工況。繁多的試驗工況和試驗數據導致后期處理面臨巨大困難，消耗大量的人力、物力和財力。采用自動化試驗結果處理可以大大提高工作效率，降低試驗處理的不一致性。為實現試驗結果的自動化處理，須自動識別試驗工況的類型。

汽車操縱穩定性試驗類型識別問題屬于一種分類問題，而在分類問題上，研究人員針對汽車不同的研究領域采用不同方法展開研究。根據歸納總結，研究人員所采用的方法主要有以下兩類：基于規則的方法和基于機器學習的方法。

在基于規則方法的方面，Zhang等［2］針對插電式混合動力電動汽車的能量管理問題，提出了一種基于模糊邏輯規則的方法來識別駕駛工況。Castignani 等［3］使用18 條IF-THEN 規則形式的模糊推理來分析駕駛行為，并將行為分為正常、中等和攻擊性。Ren 等［4］提出一種基于證據推理規則的雙傳感器目標分類融合決策方法，用來融合兩個傳感器的分類結果，得出最終分類結果。

在基于機器學習方法的方面，Raveendran 等［5］采用支持向量機（SVM）對空氣制動系統的故障/無故障狀態進行分類和預測。Xu等［6］提出了一種基于監督學習的汽車駕駛循環工況的識別方法。Lattanzi等［7］提出了一種基于機器學習技術的方法，旨在通過車載傳感器數據識別安全和不安全的駕駛行為。

深度學習作為機器學習領域中新的方法和形式，廣泛應用于汽車領域的各個研究方向。Alladi等［8］提出了基于深度學習的分類方法，用于識別和分類車聯網網絡中行為不端的車輛。Nasaruddin等［9］引入了一種基于注意力機制和深度學習的方法，用于識別車輛類型。Prabhakar 等［10］開發了一種基于卷積神經網絡的深度學習系統，用于道路障礙物的檢測和分類。Yang 等［11］開發了一種深度卷積神經網絡模型，利用多車輛軌跡數據對高速公路上的事故進行檢測和分類。Behrendt 等［12］提出了一種用于交通燈檢測和分類的深度學習方法。

在圍繞汽車試驗工況識別的研究中，Schoeggl等［13］應用模糊邏輯方法識別駕駛模式，即駕駛性試驗工況。王瑩［14］采用動態時間規劃方法和BP 神經網絡方法分別建立汽車操縱穩定性試驗方案識別模型，同時采用逐層分類方法提高識別正確率、減少識別時間。梁帆［15］采用隱含馬爾科夫模式識別算法，針對每類操縱穩定性試驗工況建立識別模型，從而實現試驗工況識別。張興龍等［16］結合GPS 位置信息和車輛響應特征物理量，根據試驗區域劃分和KNN算法對汽車試驗工況進行識別。

綜上所述，對汽車試驗類型的識別常采用神經網絡或隱含馬爾科夫模式識別等方法，這些方法需要先驗知識和模板，前期工作量大。深度學習方法在汽車領域的分類問題上被廣泛使用，并展示出極佳的性能。因此，本文中針對汽車試驗類型分類問題，探索利用深度學習方法中的卷積神經網絡方法進行試驗類型識別是很有研究意義的。為此，嘗試利用卷積神經網絡模型，將汽車操縱穩定性試驗類型分類問題轉化為圖像分類問題，以試驗數據曲線圖像作為輸入，以試驗類型分類結果為輸出，建立卷積神經網絡分類模型，在保證分類準確率的同時，較快識別出試驗類型，有利于實現試驗結果的自動化處理，縮短汽車開發周期。

1 基于卷積神經網絡CNN 的汽車操縱穩定性試驗類型分類模型

1.1 汽車操縱穩定性試驗數據特征分析

根據汽車操縱穩定性國際標準，汽車操縱穩定性試驗可按照15 種典型類型進行分類，具體類型如表1所示。

表1 汽車操縱穩定性試驗類型

為實現汽車操縱穩定性試驗類型的分類，本文分析了汽車操縱穩定性試驗中可以獲取的轉向盤力矩、側向加速度、車身側傾角等信號的時域曲線，經對比各信號的圖像特征，最終確定側向加速度時域曲線圖像為識別模型的輸入。15 種汽車操縱穩定性試驗類型側向加速度信號的時域曲線如表2 所示。可以看出側向加速度信號時域曲線特征在不同試驗類型下存在明顯差異。

表2 15種試驗類型側向加速度信號時域曲線

1.2 基于卷積神經網絡CNN 的操縱穩定性試驗類型分類模型

近年來，深度學習技術發展迅速，卷積神經網絡已被應用于圖像分類領域［17］。本文建立的分類模型除輸入層和輸出層外，卷積神經網絡模型主要由以下幾類層組成：卷積層、批歸一化層、ReLU 層、池化（Pooling）層、活化（Dropout）層、激活函數（Softmax）層和全連接層。

（1） 卷積層

卷積層是構建卷積神經網絡的核心層。卷積層可以通過卷積操作提取輸入的不同特征，其卷積運算公式為

式中：x為像素矩陣；kernel為卷積核，其尺寸為m×m；yC為卷積層的輸出矩陣；⊙為哈達瑪積。

（2） 批歸一化層

批歸一化層使特征值分布趨于標準正態分布，可以加快網絡訓練和收斂的速度。其運算公式為

式中：μ為均值；σ2為方差；C為標準化后的矩陣；yB為批歸一化后的輸出矩陣；γ和β為要學習的參數。

（3） 激活函數層

激活函數層也稱為非線性映射層。它用于增加整個網絡的非線性表達能力。線性整流函數ReLU是深度卷積神經網絡中最常用的激活函數之一［18］。ReLU 函數具有計算速度快且收斂速度遠快于sigmoid 和tanh 的優勢，有利于有效率的反向傳播。本文中所搭建的神經網絡模型中的激活函數層采用ReLU函數，其計算公式為

式中yR為ReLU處理后的輸出矩陣。

（4） 池化層

池化層將已初步得到的特征值進行降維處理，以提高網絡的計算效率和保持特征不變性。最典型的池化操作是最大池化，其計算公式為

式中yp為池化層的輸出矩陣。

（5） 活化Dropout層

過度擬合在深度學習中是一個相當大的問題，研究人員已經設計了各種方法。Hinton等［19］提出的Dropout 層在特征提取器中采用。Dropout 層可以使網絡結構更清晰、更規則化，其計算公式為

式中：r[i，j]服從伯努利二項分布；W為權重矩陣；b為偏置矩陣；yD為Dropout的輸出矩陣。

（6） Softmax層

Softmax 層使用softmax 激活函數對全連接層的輸出進行歸一化。Softmax 層的輸出由總和為 1 的多個正數組成，這些數字隨后可被分類層用作分類概率，其計算公式為

式中：xk為第k個節點的輸出值；n為類別個數。

（7） 全連接層

全連接層負責將在圖像中學習的所有特征信息進行整合，以獲得最佳的分類效果。全連接層的計算主要是基于矩陣向量乘法。

利用上述基礎模型網絡層，構建基于卷積神經網絡CNN 的汽車操縱穩定性試驗類型分類模型架構，如圖1所示。

圖1 基于卷積神經網絡CNN的分類模型架構

本文搭建的模型包括1個輸入層、3個卷積層、3個批歸一化層、5個ReLU 層、2個最大池化層、3個全連接層、2 個Dropout 層、1 個Softmax 層和1 個分類輸出層。3個卷積層分別包含8、16、32個卷積核，每個卷積核代表一個連接到前一層輸出的濾波器，卷積核尺寸為5×5。

2 結果與討論

2.1 基于卷積神經網絡CNN的分類模型訓練

針對15 種汽車操縱穩定性試驗類型，每種類型收集了150 組試驗數據，共計2 250 組試驗數據。試驗數據來源于場地試驗和仿真試驗，二者比例為1∶1。場地試驗數據來源于3輛車的場地試驗，仿真試驗數據來源于15 組參數各異的車輛動力學模型的仿真試驗。

對采集的側向加速度信號進行截取，并利用去零漂、去野點和濾波等數據預處理方法進行處理，預處理后的信號數據經過歸一化處理，以繪制成時域曲線圖像。為便于辨識角階躍試驗和轉向釋放開環試驗，本文將側向加速度試驗數據繪制成RGB 三通道圖像，其圖像尺寸統一為210像素×280像素，并添加紅色橫坐標軸特征線，如表2所示。

基于MATLAB 平臺下的深度學習網絡設計器工具箱搭建了基于卷積神經網絡的分類模型［20］。CNN 訓練和測試都是在相同的軟硬件環境下完成，表3列出了試驗中所使用的軟件和硬件參數。

表3 軟硬件參數

將圖像數據按照6∶2∶2 的比例，劃分為訓練數據集、驗證數據集和測試數據集。隨后，對模型進行訓練。本文采用具有動量的隨機梯度下降 （SGDM）訓練網絡，初始學習率為 0.001。利用訓練集數據訓練網絡，更新網絡權重，并在訓練過程中按固定時段計算基于驗證數據的準確度，但驗證數據不參與更新網絡權重的工作。模型訓練過程的準確度曲線和損失函數曲線如圖2所示。

圖2 訓練過程準確度曲線和損失函數曲線

由圖2 可知，在訓練開始階段，準確度曲線迅速上升，訓練損失函數曲線和驗證損失函數曲線迅速下降，說明學習率合適且在進行梯度下降過程。當訓練過程達到一定階段，訓練損失函數曲線和驗證損失函數曲線都趨于收斂，模型開始更細致的參數優化。

2.2 模型測試結果與分析

利用測試集數據對訓練好的模型進行測試，使用混淆矩陣對測試結果進行可視化，如圖3所示。

圖3 模型測試混淆矩陣

由圖可知，測試數據集每個試驗類型包括30 個樣本，共計450 個樣本。其中分類正確的樣本數量為447 個，分類錯誤的樣本數量為3 個，驗證集準確率為99.33%。另外，通過對3 個分類錯誤樣本的分析，發現蛇行試驗、雙移線試驗和中心區-穿行試驗在圖像特征上較為相似，在試驗曲線周期和局部特征上存在差異，導致測試集上3個樣本分類錯誤。

此外，識別時間是本文關注的重要指標之一。本文所提出的方法在驗證數據集上的平均識別時間為0.05 s。所提出的方法與其他文獻進行了結果比較，如表4所示。

表4 汽車操縱穩定性試驗類型不同識別方法的比較

由表4 可知，本文提出的方法在識別準確率和識別時間方面具有更好的性能。值得注意的是，不同文獻的硬件配置和數據集可能與本研究不同，因此表4中的結果對比僅供參考。

3 結論

針對汽車操縱穩定性試驗評價指標自動化處理的需要，研究了基于卷積神經網絡的汽車操縱穩定性試驗類型識別模型，并經檢驗應用，獲得以下結論。

（1） 基于不同汽車操縱穩定性試驗的側向加速度圖像具有顯著差異特征，構建了基于卷積神經網絡的汽車操縱穩定性試驗類型識別模型。

（2） 利用采集的2 250 組試驗數據對模型進行訓練和驗證，在450 個測試樣本中分類準確率達到99.33%，平均識別時間為0.05 s。結果表明，本文提出的基于卷積神經網絡的汽車操縱穩定性試驗類型識別方法可快速準確區分汽車操縱穩定性試驗類型，可用于試驗結果的自動化處理。