基于卷积神经网络的汽车操纵稳定性试验类型识别方法

doi:10.19562/j.chinasae.qcgc.2023.09.024

摘要/Abstract

摘要：

针对汽车操纵稳定性试验评价指标自动化处理需要自动识别试验类型的需求，提出一种基于卷积神经网络的汽车操纵稳定性试验类型自动分类方法。在分析汽车操纵稳定性试验类型数据图像特征的基础上，建立了由1个输入层、3个卷积层、3个批归一化层、2个最大池化（Max-pooling）层、5个线性整流函数（ReLU）层、3个全连接层、2个活化（Dropout）层、1个激活函数（Softmax）层和1个分类输出层组成的汽车操纵稳定性试验类型分类卷积神经网络模型。利用2 250组试验采集的数据对模型进行了训练和验证。经验证，类型分类准确率为99.33%，平均识别时间为0.05 s。结果表明，本文提出的基于卷积神经网络的汽车操纵稳定性试验类型自动识别方法可有效区分不同试验类型，可用于汽车操纵稳定性试验结果的自动处理，显著提升汽车操纵稳定性试验自动化处理水平。

关键词: 汽车试验, 类型识别, 卷积神经网络, 汽车操纵稳定性

Abstract:

To meet the need of automatic identification of test types， which is aimed at automatic processing of vehicle handling and stability test evaluation indicators， this paper proposes a vehicle handling and stability test type recognition method based on convolutional neural network. On the basis of analyzing the image characteristics of the test type data， a vehicle handling and stability test type recognition model based on convolution neural network is established， which consists of 1 input layer， 3 convolution layers， 3 batch normalization layers， 2 Max-pooling layers， 5 linear rectification function （ReLU） layers， 3 full connection layers， 2 Dropout layers， 1 Softmax layer and 1 classification layer. The model is trained and verified using 2 250 groups of data collected from the tests. The accuracy of type recognition is 99.33%， and the average recognition time is 0.05 s. The results show that the vehicle handling and stability test type recognition method based on convolutional neural network proposed in this paper can effectively distinguish different test types， which can be used for automatic processing of vehicle handling and stability test results， and can significantly improve the automatic processing level of vehicle handling and stability test.

Key words: automobile test, type recognition, convolution neural network, vehicle handling and stability

管欣,仲昭辉,詹军,奚腾龙,叶昊,高深圳,成健,廖世辉,蔡均. 基于卷积神经网络的汽车操纵稳定性试验类型识别方法[J]. 汽车工程, 2023, 45(9): 1765-1771.

Xin Guan,Zhaohui Zhong,Jun Zhan,Tenglong Xi,Hao Ye,Shenzhen Gao,Jian Cheng,Shihui Liao,Jun Cai. Vehicle Handling and Stability Test Type Recognition Method Based on Convolutional Neural Network[J]. Automotive Engineering, 2023, 45(9): 1765-1771.

图/表 7

表1

表2

图1

表3

图2

图3

表4

参考文献 20

1	张艳春. 浅析汽车试验在产品研发中的作用［D］. 长春：吉林大学， 2009.
	ZHANG Y C. The study of the function of the car experiments in the research of the car products［D］. Changchun： Jilin University， 2009.
2	ZHANG S， XIONG R. Adaptive energy management of a plug-in hybrid electric vehicle based on driving pattern recognition and dynamic programming［J］. Applied Energy， 2015， 155： 68-78.
3	CASTIGNANI G， DERRMANN T， FRANK R， et al. Driver behavior profiling using smartphones： a low-cost platform for driver monitoring［J］. IEEE Intelligent Transportation Systems Magazine， 2015， 7（1）： 91-102.
4	REN M， HE P， ZHOU J. Decision fusion of two sensors object classification based on the evidential reasoning rule［J］. Expert Systems with Applications， 2022， 210： 118620.
5	RAVEENDRAN R， DEVIKA K B， SUBRAMANIAN S C. Learning-based fault diagnosis of air brake system using wheel speed data［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2021： 09544070211063719.
6	XU B， SHI J， LI S， et al. A study of vehicle driving condition recognition using supervised learning methods［J］. IEEE Transactions on Transportation Electrification， 2021， 8（2）： 1665-1673.
7	LATTANZI E， FRESCHI V. Machine learning techniques to identify unsafe driving behavior by means of in-vehicle sensor data［J］. Expert Systems with Applications， 2021， 176： 114818.
8	ALLADI T， KOHLI V， CHAMOLA V， et al. Securing the internet of vehicles： a deep learning-based classification framework［J］. IEEE Networking Letters， 2021， 3（2）： 94-97.
9	NASARUDDIN N， MUCHTAR K， AFDHAL A. A lightweight moving vehicle classification system through attention-based method and deep learning［J］. IEEE Access， 2019， 7： 157564-157573.
10	PRABHAKAR G， KAILATH B， NATARAJAN S， et al. Obstacle detection and classification using deep learning for tracking in high-speed autonomous driving［C］. 2017 IEEE Region 10 Symposium （TENSYMP）. IEEE， 2017： 1-6.
11	YANG D， WU Y， SUN F， et al. Freeway accident detection and classification based on the multi-vehicle trajectory data and deep learning model［J］. Transportation Research Part C： Emerging Technologies， 2021， 130： 103303.
12	BEHRENDT K， NOVAK L， BOTROS R. A deep learning approach to traffic lights： detection， tracking， and classification［C］. 2017 IEEE International Conference on Robotics and Automation （ICRA）. IEEE， 2017： 1370-1377.
13	SCHOEGGL P， RAMSCHAK E. Vehicle driveability assessment using neural networks for development， calibration and quality tests［C］. SAE Paper 2000-01-0702.
14	王莹. 汽车操稳性能试验现场快速评价技术研究［D］. 长春：吉林大学，2017.
	WANG Y. Research on field and rapid evaluation technology of vehicle handling and stability performance test［D］. Changchun： Jilin University， 2017.
15	梁帆. 汽车试验方案和工况自动识别方法研究［D］. 长春：吉林大学，2017.
	LIANG F. Study on automatic recognition of vehicle test scenarios and conditions［D］. Changchun： Jilin University， 2017.
16	张兴龙，杨鹏春.基于数据驱动的整车试验工况识别与评价方法研究［J］.上海汽车，2022（10）：40-44.
	ZHANG Xinglong， YANG Pengchun. Research on identification and evaluation method of vehicle test conditions based on data-driven［J］. Shanghai Auto， 2022（10）：40-44.
17	CHEN W， SUN Q， WANG J， et al. A novel model based on AdaBoost and deep CNN for vehicle classification［J］. IEEE Access， 2018， 6： 60445-60455.
18	GLOROT X， BORDES A， BENGIO Y. Deep sparse rectifier neural networks［C］. Proceedings of the Fourteenth International Conference on Artificial Intelligence and Statistics. JMLR Workshop and Conference Proceedings， 2011： 315-323.
19	HINTON G E， SRIVASTAVA N， KRIZHEVSKY A， et al. Improving neural networks by preventing co-adaptation of feature detectors［J］. arXiv Preprint arXiv：， 2012.
20	The MathWorks， Inc. Deep network designer toolbox［EB/OL］. https：//ww2.mathworks.cn/help/deeplearning/gs/get-started-with-deep-network-designer.html （2022， accessed 18 November 2022）.

编号	试验类型	编号	试验类型
1	中心区-斜坡试验	9	角脉冲试验（右）
2	中心区-穿行试验	10	角脉冲试验（左）
3	单正弦试验（右）	11	蛇行试验
4	单正弦试验（左）	12	转向释放开环试验（右）
5	双移线试验	13	转向释放开环试验（左）
6	扫频试验	14	角阶跃试验（右）
7	稳态圆周-定半径（右）	15	角阶跃试验（左）
8	稳态圆周-定半径（左）

编号	试验类型	编号	试验类型
1	中心区-斜坡试验	9	角脉冲试验（右）
2	中心区-穿行试验	10	角脉冲试验（左）
3	单正弦试验（右）	11	蛇行试验
4	单正弦试验（左）	12	转向释放开环试验（右）
5	双移线试验	13	转向释放开环试验（左）
6	扫频试验	14	角阶跃试验（右）
7	稳态圆周-定半径（右）	15	角阶跃试验（左）
8	稳态圆周-定半径（左）

名称	参数
处理器	Intel Core（TM）i9-9900K CPU（3.6 GHz）
GPU	NVIDIA GeForce RTX 2080 Ti
操作系统	Windows 10
内存	32.00 GB
MATLAB	2022a

识别方法	识别准确率/%	平均识别时间/s
文献［14］	98.461 5	0.302 4
文献［16］	93.33
本文	99.33	0.05

[1]	王明,唐小林,杨凯,李国法,胡晓松. 考虑预测风险的自动驾驶车辆运动规划方法[J]. 汽车工程, 2023, 45(8): 1362-1372.
[2]	张雷, 关可人, 丁晓林, 郭鹏宇, 王震坡, 孙逢春. 基于图像识别与动力学融合的路面附着系数估计方法[J]. 汽车工程, 2023, 45(7): 1222-1234.
[3]	赵霞,李朝,付锐,葛振振,王畅. 基于深度卷积-Tokens降维优化视觉Transformer的分心驾驶行为实时检测[J]. 汽车工程, 2023, 45(6): 974-988.
[4]	毕贵红,谢旭,蔡子龙,骆钊,陈臣鹏,赵鑫. 动态条件下基于深度学习的锂电池容量估计[J]. 汽车工程, 2022, 44(6): 868-878.
[5]	冯润泽,江昆,于伟光,杨殿阁. 基于两阶段分类算法的中国交通标志牌识别[J]. 汽车工程, 2022, 44(3): 434-441.
[6]	于海,邓钧君,王震坡,孙逢春. 基于卷积神经网络的逆变器故障诊断方法[J]. 汽车工程, 2022, 44(1): 142-152.
[7]	夏祥腾,王大方,曹江,赵刚,张京明. 基于稀疏卷积神经网络的车载激光雷达点云语义分割方法[J]. 汽车工程, 2022, 44(1): 26-35.
[8]	施冬梅,肖锋. 基于改进长短时记忆网络的驾驶行为检测方法研究[J]. 汽车工程, 2021, 43(8): 1203-1209.
[9]	王海, 王宽, 蔡英凤, 刘泽, 陈龙. 基于改进级联卷积神经网络的交通标志识别^*[J]. 汽车工程, 2020, 42(9): 1256-1262.
[10]	代金坤, 罗玉涛, 梁伟强. 无人车行驶环境图像的几何测距^*[J]. 汽车工程, 2020, 42(8): 1034-1039.
[11]	彭运赛, 夏飞, 袁博, 王志成, 罗志疆. 基于改进CNN和信息融合的动力电池组故障诊断方法^*[J]. 汽车工程, 2020, 42(11): 1529-1536.