【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于路面附著系數(shù)估計，尤其是涉及到一種基于道路材質(zhì)識別的路面附著系數(shù)預(yù)測方法。
技術(shù)介紹
1、近年來，隨著車輛主動安全控制系統(tǒng)的不斷發(fā)展，如何保證車輛在極端路況下的制動安全顯得尤為重要，路面附著系數(shù)作為主動安全控制系統(tǒng)中的關(guān)鍵參數(shù)，若能實時準(zhǔn)確的估計路面附著系數(shù)有助于主動安全控制系統(tǒng)提前調(diào)整控制策略，優(yōu)化主動安全控制效果。
2、目前獲取路面附著系數(shù)的方法主要分為基于原因的估計方法(cause-based)和基于效果的估計方法(effecct-based)。其中基于原因的估計方法主要是通過攝像頭對前方道路圖像進(jìn)行采集，得到路面相關(guān)參數(shù)并對路面類型進(jìn)行分類，根據(jù)道路類型與路面附著系數(shù)的映射關(guān)系得到路面附著系數(shù)大小，這種方法具有一定的預(yù)測性，且得到的附著系數(shù)具有較高的精度。基于攝像頭圖像識別的方法，容易受到光照變化，環(huán)境噪音，路面陰影等因素的影響，其魯棒性不好。基于效果的估計方法則是根據(jù)輪胎與路面之間的激勵變化引起的車輛動力學(xué)響應(yīng)來估計路面附著系數(shù)，這種方法在激勵較大的情況下可以得到較為精確的路面附著系數(shù)，但在小激勵的正常行駛條件下估算結(jié)果與真實值相差較大，且估算結(jié)果是已經(jīng)行駛過的路面的路面附著系數(shù)，無法預(yù)測前方的附著系數(shù)。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供的一種基于道路材質(zhì)識別的路面附著系數(shù)預(yù)測方法，能夠?qū)崟r準(zhǔn)確地預(yù)測前方道路路面附著系數(shù)，從而有利于車輛提前根據(jù)預(yù)測結(jié)果改變控制策略，提高車輛行駛安全性。
2、本
3、1)數(shù)據(jù)的采集與預(yù)處理，包括下列步驟：
4、1.1采集5種不同光照條件、不同場景下路面類型的圖片制作訓(xùn)練/測試的數(shù)據(jù)集，路面分別為干瀝青、濕瀝青、干水泥、濕水泥和冰雪路面；每種路面類型圖片各1000張，其中訓(xùn)練集3500張、測試集1000張、驗證集500張；不同光照包括白天、黃昏、夜間的光照條件；不同場景包括：城鎮(zhèn)街道、高速公路的場景；
5、1.2使用labelme工具對采集的圖片進(jìn)行標(biāo)注，不同類別的路面標(biāo)注不同的標(biāo)簽：深紅色代表干瀝青，黃色代表濕瀝青，綠色代表干水泥，深藍(lán)色代表濕水泥標(biāo)簽，紫色代表冰雪；標(biāo)注完成后每張圖片能獲得一個json文件；用python語言編寫程序?qū)崿F(xiàn)json文件批量轉(zhuǎn)化為圖片格式，轉(zhuǎn)化時不同路面類別的標(biāo)簽采取不同的顯示顏色；數(shù)據(jù)集的文件結(jié)構(gòu)分別為test、test_labe；train、train_label；val、val_label，6個文件中分別存放測試集、訓(xùn)練集、驗證集的圖片和標(biāo)簽；
6、1.3圖像的預(yù)處理：從本地文件加載數(shù)據(jù)集和標(biāo)簽文件，對輸入圖像進(jìn)行大小調(diào)整、水平翻轉(zhuǎn)、顏色變化，隨機改變訓(xùn)練數(shù)據(jù)的灰度值，進(jìn)行歸一化和邊界補零處理，得到具有三通道數(shù)字形式的圖像；
7、2)構(gòu)建骨干網(wǎng)絡(luò)為改進(jìn)的mobilenetv3的deeplabv3+語義分割網(wǎng)絡(luò)，對圖像路面可行使區(qū)域進(jìn)行路面類型識別，包括下列步驟：
8、2.1mobilenetv3采用一種深度可分離卷積，能大幅減少模型的參數(shù)量和計算量，加入倒殘差結(jié)構(gòu)和線性瓶頸模塊，對特征圖先升維再降維，減少高維信息通過激活函數(shù)后丟失的信息；mobilenetv3中加入se模塊，用于提高模型的精度，并采用一種新的激活函數(shù)hard?swish有效提高準(zhǔn)確率、增加模型的表達(dá)能力；
9、mobilenetv3中的se模塊和新的激活函數(shù)hard?swish，具體解釋如下：
10、se模塊由一個全局平均池化層和兩個具有相應(yīng)激活函數(shù)的全連接層組成，se模塊首先將輸入矩陣的每個通道池化，得到壓縮后的特征為一個一維向量z∈r^c×1×1，然后通過兩個全連接層，第一個全連接層將z映射到一個中間維度為c/r的特征，其中：r是一個控制特征降維的比例因子，取值為4，然后通過relu激活函數(shù)，經(jīng)過第二個全連接層，將其映射到原始的通道維度c，得到每個通道的權(quán)值；最后經(jīng)過sigmoid激活函數(shù)，將特征轉(zhuǎn)化為一個范圍0-1的權(quán)重，將輸入矩陣與通道權(quán)重相乘得到最終輸出；
11、壓縮操作公式為：
12、
13、其中：z為壓縮的輸出；f為特征圖的集合；h和w為圖像的高和寬；
14、激勵操作公式為：
15、
16、其中：s為經(jīng)過激活函數(shù)后的權(quán)重；σ和δ分別為激活函數(shù)sigmoid和激活函數(shù)relu，r為特征降維比例因子；
17、將新的權(quán)重乘以初始的特征,其公式為：
18、x＝s×f
19、其中，x為經(jīng)過池化層和全連接層后的輸出；f為初始的輸入特征；s為經(jīng)過激活函數(shù)后的權(quán)重；
20、在mobilenetv3網(wǎng)絡(luò)中存在一種新的激活函數(shù)hard?swish，hard?swish[x]是基于swish一種演變,其公式為：
21、
22、其中：relu6(x)＝min(max(0,x),6)，將輸入值限制在[0,6]的范圍內(nèi)，hard?swish函數(shù)在relu6的基礎(chǔ)上進(jìn)行變換，通過乘以x實現(xiàn)非線性的平滑映射；
23、2.2對mobilenetv3網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，將非線性函數(shù)relu替換為非線性函數(shù)elu，elu具有relu的所有優(yōu)點，且能彌補relu的缺點、解決relu在反向傳播中輸入為負(fù)導(dǎo)致梯度完全為0的問題；
24、2.3使用416×416×3尺寸的圖片，作為mobilenetv3網(wǎng)絡(luò)的輸入；首先將輸入圖采用3×3的卷積核進(jìn)行標(biāo)準(zhǔn)卷積化，得到圖像整體的低維特征圖；將上一步得到208×208×16特征輸入到后續(xù)的瓶頸結(jié)構(gòu)bneck中，經(jīng)過9個卷積核大小為3×3的深度卷積和6個卷積核大小為5×5的深度卷積，得到13×13×160的空間多尺度高維特征，通過大小為1×1的卷積核進(jìn)行升維，得到13×13×960的特征，再經(jīng)過全局平均池化將其變成一個一維的特征，最后經(jīng)過兩個大小為1×1的卷積核后得到5個不同路面類型的概率值，得到當(dāng)前路面類型；
25、2.4經(jīng)過mobilenetv3輕量化網(wǎng)絡(luò)得到的低維特征圖經(jīng)過deeplabv3+的空洞空間金字塔池化(atrous?spatial?pyramid?pooling，aspp)提取多尺度特征信息；解碼器對aspp輸出的多尺度特征使用1×1卷積及4倍線性插值上采樣處理，上采樣后的特征圖與得到的淺層特征圖進(jìn)行拼接融合，然后通過3×3卷積與4倍線性插值上采樣調(diào)整通道數(shù)為5，根據(jù)不同通道類別的概率得到最后的路面類型預(yù)測結(jié)果；
26、3)利用搭建好的網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練、測試、驗證，得到輸入圖像的路面基材類型，包括下列步驟：
27、3.1訓(xùn)練時采用隨機梯度下降作為優(yōu)化器，權(quán)值衰減率設(shè)置為10^(-4)，動量設(shè)置為0.9；訓(xùn)練過程采用選擇交叉熵?fù)p失函數(shù)，模型訓(xùn)練的過程就剩梯度下降尋求最優(yōu)解的過程，基礎(chǔ)學(xué)習(xí)率為0.0001，并按照迭代本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于道路材質(zhì)識別的路面附著系數(shù)預(yù)測方法，其特征在于，包括下列步驟：
【技術(shù)特征摘要】
1.一種基于道路材質(zhì)識別的路面附著系數(shù)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：趙迪，初亮，賈名辰，王引航，白旭，周立青，李會超，譚新晨，
申請(專利權(quán))人：吉林大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。