电子产品世界

近年来国内部分从事ABS 理论研究的科研工作者对道路识别技术的理论也进行了一些探讨[29－30]。但就整体研究状况来看，国内关于汽车动力学控制系统的技术水平和国外相比相对落后，尚未有系统化的道路状况实时识别技术的研究报道。

3 基于车辆动力学参数的道路识别技术研究

道路作为车辆行驶的界面，其表面状况的任何差异必然引起与车辆行驶有关的参数的变化。轮胎作为车辆上直接与路面接触的媒介，它与地面之间力学状态的变化必然与路面的状况息息相关，这种变化则体现在车轮与路面间附着性能的差别。车辆－地面之间附着性能除了与路面状况有关之外，还与车辆的动力学参数有关。

如果将不同的路面状况以不同的离散化数值来表示，那么在车辆动力学系统解析过程中则可以由这些数值的差异来显示道路附着状况的改变。基于此，笔者采用一个参数σ作为表征路面状况的附着特征影响因子，从而引入路况因子的概念。对各种路面的路况因子的分配如表1 所示。

表1 常见路面的特征因子σ值

根据笔者的研究，车轮与路面间纵向的附着系数可实时表述为路况σ、车速V、载荷Fz 以及车轮滑移（滑转）状况S 的非线性函数m = f (s ,V,Fz, S ) ，这样不但能够随时掌握纵向附着系数的变化，而且也能够实时掌握任一路况条件下附着特征参数的变化。在车辆实际行驶的过程中，道路状况和车辆的动力学参数都处于实时变化的状态，而该模型则能够捕捉这些变化，并将它们对纵向附着力的影响细致地表达出来。根据研究， μ = f (s ,V,Fz, S ) 为一个非线性的单值函数，当σ、V、Fz、S 等参数确定的情况下，μ具有唯一的一个值。同时，该函数的反函数也为单值函数。当车轮与地面的纵向附着系数一定，而且反映车轮动力学状态的参数V、Fz、S 确定时，反映路面状况的道路因子也就可以唯一确定。

如果以道路因子的差别来区分不同种类的路面状况，那么就可以由车辆的动力学原理根据车轮运动状态来对反映车辆－地面动力学状态的参数进行回归，进而对路面状况进行辨识。笔者针对车辆的防滑控制系统，采用改进的多层前向神经网络和误差反向传播的学习算法，即利用动量修正规则和自适应学习速率的BP 神经网络，以车轮的动力学参数为输入量，对路面的状况进行辨识。在神经网络辨识结果的基础上，追加输出量调谐的二次分类算法，最终达到了对路面状况的细致而良好分类识别。

本文将V、Fz、S 这三个描述车轮动力学状态的参数与路面附着系数μ一起作为路面辨识网络的输入参量，即确定了BP 神经网络的输入向量为{V，Fz，S，μ}。按照表1 所示，将常见的道路工况按6 类划分，以体现路面附着性能从高到低的变化情况。道路识别系统的最终输出，是依靠将这6 种路面模型模糊化为6 个路况因子来进行判断。该路面辨识网络在输出层设计了6 个神经元节点，来对应网络训练样本集中输入参量的聚类情况。

网络输出的映射对照存在如下关系：

表2 道路识别网络映射对照表

特别规定当路况因子值为1.2 时道路状况为积水路面（水膜厚度大于2mm）。

道路识别系统的输出是对应于训练样本集类别的路况因子值，并需要由此来对路面进行划分，所以应对BP 网络的输出再进行一次处理。

λ = y *[0,0.134,0.253,0.6,0.75,1]T

道路识别系统将根据此? 值来判断路面工况，并将其作为车辆防滑系统控制器的输入参量用以确定最佳的控制参数门限及相应的最优控制策略和逻辑。

在神经网络训练的过程中，辨识系统的最终输出路况因子值在很多情况下并不等于期望输出的目标路况因子值，而是在目标输出值的周围一个很小的邻域内波动。本文经过对网络神经元输出的研究，在路面辨识系统BP 神经网络输出的基础上追加了一个修正算法，以对神经网络的输出路况因子值进行调谐和二次划分。所建立的基于车辆动力学参数回归和追加修正算法的改进BP 神经网络的道路识别系统组成结构如图2 所示。

图2 道路识别系统组成结构框图

4 道路识别系统的试验验证

根据图2 的流程，对车辆在多种行驶工况下的仿真和试验数据进行处理，作为辨识样本提供给训练完 成、神经元连接模式已冻结的BP 神经网络，并根据修正算法对辨识网络的一次输出进行再处理，得到几 种工况下路面识别的效果如图3～6 和表3 所示。

1 2 3

关键词： 汽车防滑 动力学 道路识别技术