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(xué)，汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室，長春 130025； 2. 汽車智能仿真重慶市重點(diǎn)實(shí)驗(yàn)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(dòng)力學(xué)性能V 字形設(shè)計(jì)開發(fā)流程中，汽車動(dòng)力學(xué)性能試驗(yàn)是保證產(chǎn)品性能、提高產(chǎn)品質(zhì)量和產(chǎn)品核心競爭力的重要手段之一［1］。無論是在性能對標(biāo)過程中對競品車輛進(jìn)行分析和對標(biāo)，還是在設(shè)計(jì)驗(yàn)證環(huán)節(jié)中對樣車進(jìn)行性能驗(yàn)證和分析，都離不開大量的動(dòng)力學(xué)性能場地試驗(yàn)。

汽車操縱穩(wěn)定性是汽車最重要的動(dòng)力學(xué)性能之一，是影響汽車駕駛樂趣和主動(dòng)安全的重要性能。汽車產(chǎn)品開發(fā)中需要進(jìn)行大量的汽車操縱穩(wěn)定性試驗(yàn)。根據(jù)國際和國內(nèi)標(biāo)準(zhǔn)，汽車操縱穩(wěn)定性試驗(yàn)包括轉(zhuǎn)向輕便性試驗(yàn)、蛇行試驗(yàn)、轉(zhuǎn)向盤角脈沖試驗(yàn)等10 余項(xiàng)試驗(yàn)方案及幾十種試驗(yàn)工況。繁多的試驗(yàn)工況和試驗(yàn)數(shù)據(jù)導(dǎo)致后期處理面臨巨大困難，消耗大量的人力、物力和財(cái)力。采用自動(dòng)化試驗(yàn)結(jié)果處理可以大大提高工作效率，降低試驗(yàn)處理的不一致性。為實(shí)現(xiàn)試驗(yàn)結(jié)果的自動(dòng)化處理，須自動(dòng)識別試驗(yàn)工況的類型。

汽車操縱穩(wěn)定性試驗(yàn)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(lǐng)域采用不同方法展開研究。根據(jù)歸納總結(jié)，研究人員所采用的方法主要有以下兩類：基于規(guī)則的方法和基于機(jī)器學(xué)習(xí)的方法。

在基于規(guī)則方法的方面，Zhang等［2］針對插電式混合動(dòng)力電動(dòng)汽車的能量管理問題，提出了一種基于模糊邏輯規(guī)則的方法來識別駕駛工況。Castignani 等［3］使用18 條IF-THEN 規(guī)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(jù)推理規(guī)則的雙傳感器目標(biāo)分類融合決策方法，用來融合兩個(gè)傳感器的分類結(jié)果，得出最終分類結(jié)果。

在基于機(jī)器學(xué)習(xí)方法的方面，Raveendran 等［5］采用支持向量機(jī)（SVM）對空氣制動(dòng)系統(tǒng)的故障/無故障狀態(tài)進(jìn)行分類和預(yù)測。Xu等［6］提出了一種基于監(jiān)督學(xué)習(xí)的汽車駕駛循環(huán)工況的識別方法。Lattanzi等［7］提出了一種基于機(jī)器學(xué)習(xí)技術(shù)的方法，旨在通過車載傳感器數(shù)據(jù)識別安全和不安全的駕駛行為。

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域中新的方法和形式，廣泛應(yīng)用于汽車領(lǐng)域的各個(gè)研究方向。Alladi等［8］提出了基于深度學(xué)習(xí)的分類方法，用于識別和分類車聯(lián)網(wǎng)網(wǎng)絡(luò)中行為不端的車輛。Nasaruddin等［9］引入了一種基于注意力機(jī)制和深度學(xué)習(xí)的方法，用于識別車輛類型。Prabhakar 等［10］開發(fā)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)系統(tǒng)，用于道路障礙物的檢測和分類。Yang 等［11］開發(fā)了一種深度卷積神經(jīng)網(wǎng)絡(luò)模型，利用多車輛軌跡數(shù)據(jù)對高速公路上的事故進(jìn)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(xué)習(xí)方法。

在圍繞汽車試驗(yàn)工況識別的研究中，Schoeggl等［13］應(yīng)用模糊邏輯方法識別駕駛模式，即駕駛性試驗(yàn)工況。王瑩［14］采用動(dòng)態(tài)時(shí)間規(guī)劃方法和BP 神經(jīng)網(wǎng)絡(luò)方法分別建立汽車操縱穩(wěn)定性試驗(yàn)方案識別模型，同時(shí)采用逐層分類方法提高識別正確率、減少識別時(shí)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(wěn)定性試驗(yàn)工況建立識別模型，從而實(shí)現(xiàn)試驗(yàn)工況識別。張興龍等［16］結(jié)合GPS 位置信息和車輛響應(yīng)特征物理量，根據(jù)試驗(yàn)區(qū)域劃分和KNN算法對汽車試驗(yàn)工況進(jìn)行識別。

綜上所述，對汽車試驗(yàn)類型的識別常采用神經(jīng)網(wǎng)絡(luò)或隱含馬爾科夫模式識別等方法，這些方法需要先驗(yàn)知識和模板，前期工作量大。深度學(xué)習(xí)方法在汽車領(lǐng)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(yàn)類型分類問題，探索利用深度學(xué)習(xí)方法中的卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行試驗(yàn)類型識別是很有研究意義的。為此，嘗試?yán)镁矸e神經(jīng)網(wǎng)絡(luò)模型，將汽車操縱穩(wěn)定性試驗(yàn)類型分類問題轉(zhuǎn)化為圖像分類問題，以試驗(yàn)數(shù)據(jù)曲線圖像作為輸入，以試驗(yàn)類型分類結(jié)果為輸出，建立卷積神經(jīng)網(wǎng)絡(luò)分類模型，在保證分類準(zhǔn)確率的同時(shí)，較快識別出試驗(yàn)類型，有利于實(shí)現(xiàn)試驗(yàn)結(jié)果的自動(dòng)化處理，縮短汽車開發(fā)周期。

1 基于卷積神經(jīng)網(wǎng)絡(luò)CNN 的汽車操縱穩(wěn)定性試驗(yàn)類型分類模型

1.1 汽車操縱穩(wěn)定性試驗(yàn)數(shù)據(jù)特征分析

根據(jù)汽車操縱穩(wěn)定性國際標(biāo)準(zhǔn)，汽車操縱穩(wěn)定性試驗(yàn)可按照15 種典型類型進(jìn)行分類，具體類型如表1所示。

表1 汽車操縱穩(wěn)定性試驗(yàn)類型

為實(shí)現(xiàn)汽車操縱穩(wěn)定性試驗(yàn)類型的分類，本文分析了汽車操縱穩(wěn)定性試驗(yàn)中可以獲取的轉(zhuǎn)向盤力矩、側(cè)向加速度、車身側(cè)傾角等信號的時(shí)域曲線，經(jīng)對比各信號的圖像特征，最終確定側(cè)向加速度時(shí)域曲線圖像為識別模型的輸入。15 種汽車操縱穩(wěn)定性試驗(yàn)類型側(cè)向加速度信號的時(shí)域曲線如表2 所示?？梢钥闯鰝?cè)向加速度信號時(shí)域曲線特征在不同試驗(yàn)類型下存在明顯差異。

表2 15種試驗(yàn)類型側(cè)向加速度信號時(shí)域曲線

1.2 基于卷積神經(jīng)網(wǎng)絡(luò)CNN 的操縱穩(wěn)定性試驗(yàn)類型分類模型

近年來，深度學(xué)習(xí)技術(shù)發(fā)展迅速，卷積神經(jīng)網(wǎng)絡(luò)已被應(yīng)用于圖像分類領(lǐng)域［17］。本文建立的分類模型除輸入層和輸出層外，卷積神經(jīng)網(wǎng)絡(luò)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(shù)（Softmax）層和全連接層。

（1） 卷積層

卷積層是構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)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(yùn)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(dá)瑪積。

（2） 批歸一化層

批歸一化層使特征值分布趨于標(biāo)準(zhǔn)正態(tài)分布，可以加快網(wǎng)絡(luò)訓(xùn)練和收斂的速度。其運(yùn)算公式為

式中：μ為均值；σ2為方差；C為標(biāo)準(zhǔn)化后的矩陣；yB為批歸一化后的輸出矩陣；γ和β為要學(xué)習(xí)的參數(shù)。

（3） 激活函數(shù)層

激活函數(shù)層也稱為非線性映射層。它用于增加整個(gè)網(wǎng)絡(luò)的非線性表達(dá)能力。線性整流函數(shù)ReLU是深度卷積神經(jīng)網(wǎng)絡(luò)中最常用的激活函數(shù)之一［18］。ReLU 函數(shù)具有計(jì)算速度快且收斂速度遠(yuǎn)快于sigmoid 和tanh 的優(yōu)勢，有利于有效率的反向傳播。本文中所搭建的神經(jīng)網(wǎng)絡(luò)模型中的激活函數(shù)層采用ReLU函數(shù)，其計(jì)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(jìn)行降維處理，以提高網(wǎng)絡(luò)的計(jì)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(jì)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(xué)習(xí)中是一個(gè)相當(dāng)大的問題，研究人員已經(jīng)設(shè)計(jì)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(wǎng)絡(luò)結(jié)構(gòu)更清晰、更規(guī)則化，其計(jì)算公式為

式中：r[i，j]服從伯努利二項(xiàng)分布；W為權(quán)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(shù)對全連接層的輸出進(jìn)行歸一化。Softmax 層的輸出由總和為 1 的多個(gè)正數(shù)組成，這些數(shù)字隨后可被分類層用作分類概率，其計(jì)算公式為

式中：xk為第k個(gè)節(jié)點(diǎn)的輸出值；n為類別個(gè)數(shù)。

（7） 全連接層

全連接層負(fù)責(zé)將在圖像中學(xué)習(xí)的所有特征信息進(jìn)行整合，以獲得最佳的分類效果。全連接層的計(jì)算主要是基于矩陣向量乘法。

利用上述基礎(chǔ)模型網(wǎng)絡(luò)層，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)CNN 的汽車操縱穩(wěn)定性試驗(yàn)類型分類模型架構(gòu)，如圖1所示。

圖1 基于卷積神經(jīng)網(wǎng)絡(luò)CNN的分類模型架構(gòu)

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

2 結(jié)果與討論

2.1 基于卷積神經(jīng)網(wǎng)絡(luò)CNN的分類模型訓(xùn)練

針對15 種汽車操縱穩(wěn)定性試驗(yàn)類型，每種類型收集了150 組試驗(yàn)數(shù)據(jù)，共計(jì)2 250 組試驗(yàn)數(shù)據(jù)。試驗(yàn)數(shù)據(jù)來源于場地試驗(yàn)和仿真試驗(yàn)，二者比例為1∶1。場地試驗(yàn)數(shù)據(jù)來源于3輛車的場地試驗(yàn)，仿真試驗(yàn)數(shù)據(jù)來源于15 組參數(shù)各異的車輛動(dòng)力學(xué)模型的仿真試驗(yàn)。

對采集的側(cè)向加速度信號進(jìn)行截取，并利用去零漂、去野點(diǎn)和濾波等數(shù)據(jù)預(yù)處理方法進(jìn)行處理，預(yù)處理后的信號數(shù)據(jù)經(jīng)過歸一化處理，以繪制成時(shí)域曲線圖像。為便于辨識角階躍試驗(yàn)和轉(zhuǎn)向釋放開環(huán)試驗(yàn)，本文將側(cè)向加速度試驗(yàn)數(shù)據(jù)繪制成RGB 三通道圖像，其圖像尺寸統(tǒng)一為210像素×280像素，并添加紅色橫坐標(biāo)軸特征線，如表2所示。

基于MATLAB 平臺(tái)下的深度學(xué)習(xí)網(wǎng)絡(luò)設(shè)計(jì)器工具箱搭建了基于卷積神經(jīng)網(wǎng)絡(luò)的分類模型［20］。CNN 訓(xùn)練和測試都是在相同的軟硬件環(huán)境下完成，表3列出了試驗(yàn)中所使用的軟件和硬件參數(shù)。

表3 軟硬件參數(shù)

將圖像數(shù)據(jù)按照6∶2∶2 的比例，劃分為訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測試數(shù)據(jù)集。隨后，對模型進(jìn)行訓(xùn)練。本文采用具有動(dòng)量的隨機(jī)梯度下降 （SGDM）訓(xùn)練網(wǎng)絡(luò)，初始學(xué)習(xí)率為 0.001。利用訓(xùn)練集數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，更新網(wǎng)絡(luò)權(quán)重，并在訓(xùn)練過程中按固定時(shí)段計(jì)算基于驗(yàn)證數(shù)據(jù)的準(zhǔn)確度，但驗(yàn)證數(shù)據(jù)不參與更新網(wǎng)絡(luò)權(quán)重的工作。模型訓(xùn)練過程的準(zhǔn)確度曲線和損失函數(shù)曲線如圖2所示。

圖2 訓(xùn)練過程準(zhǔn)確度曲線和損失函數(shù)曲線

由圖2 可知，在訓(xùn)練開始階段，準(zhǔn)確度曲線迅速上升，訓(xùn)練損失函數(shù)曲線和驗(yàn)證損失函數(shù)曲線迅速下降，說明學(xué)習(xí)率合適且在進(jìn)行梯度下降過程。當(dāng)訓(xùn)練過程達(dá)到一定階段，訓(xùn)練損失函數(shù)曲線和驗(yàn)證損失函數(shù)曲線都趨于收斂，模型開始更細(xì)致的參數(shù)優(yōu)化。

2.2 模型測試結(jié)果與分析

利用測試集數(shù)據(jù)對訓(xùn)練好的模型進(jìn)行測試，使用混淆矩陣對測試結(jié)果進(jìn)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(shù)據(jù)集每個(gè)試驗(yàn)類型包括30 個(gè)樣本，共計(jì)450 個(gè)樣本。其中分類正確的樣本數(shù)量為447 個(gè)，分類錯(cuò)誤的樣本數(shù)量為3 個(gè)，驗(yàn)證集準(zhǔn)確率為99.33%。另外，通過對3 個(gè)分類錯(cuò)誤樣本的分析，發(fā)現(xiàn)蛇行試驗(yàn)、雙移線試驗(yàn)和中心區(qū)-穿行試驗(yàn)在圖像特征上較為相似，在試驗(yàn)曲線周期和局部特征上存在差異，導(dǎo)致測試集上3個(gè)樣本分類錯(cuò)誤。

此外，識別時(shí)間是本文關(guān)注的重要指標(biāo)之一。本文所提出的方法在驗(yàn)證數(shù)據(jù)集上的平均識別時(shí)間為0.05 s。所提出的方法與其他文獻(xiàn)進(jìn)行了結(jié)果比較，如表4所示。

表4 汽車操縱穩(wěn)定性試驗(yàn)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(zhǔn)確率和識別時(shí)間方面具有更好的性能。值得注意的是，不同文獻(xiàn)的硬件配置和數(shù)據(jù)集可能與本研究不同，因此表4中的結(jié)果對比僅供參考。

3 結(jié)論

針對汽車操縱穩(wěn)定性試驗(yàn)評價(jià)指標(biāo)自動(dòng)化處理的需要，研究了基于卷積神經(jīng)網(wǎng)絡(luò)的汽車操縱穩(wěn)定性試驗(yàn)類型識別模型，并經(jīng)檢驗(yàn)應(yīng)用，獲得以下結(jié)論。

（1） 基于不同汽車操縱穩(wěn)定性試驗(yàn)的側(cè)向加速度圖像具有顯著差異特征，構(gòu)建了基于卷積神經(jīng)網(wǎng)絡(luò)的汽車操縱穩(wěn)定性試驗(yàn)類型識別模型。

（2） 利用采集的2 250 組試驗(yàn)數(shù)據(jù)對模型進(jìn)行訓(xùn)練和驗(yàn)證，在450 個(gè)測試樣本中分類準(zhǔn)確率達(dá)到99.33%，平均識別時(shí)間為0.05 s。結(jié)果表明，本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的汽車操縱穩(wěn)定性試驗(yàn)類型識別方法可快速準(zhǔn)確區(qū)分汽車操縱穩(wěn)定性試驗(yàn)類型，可用于試驗(yàn)結(jié)果的自動(dòng)化處理。