[发明专利]一种多模态信息融合的智能车路面类型识别方法

说明书

本发明公开了一种多模态信息融合的智能车路面类型识别方法，首先根据各个传感器采集都的路面感知信息的特点和数据结构，分别对不同模态的感知信息采用不同的建模方法做特征提取，然后将各模态感知信息提取的特征向量进行特征级数据融合，最后采用LSTM深度学习网络将多模态融合特征转化成时间序列的分类问题，通过有监督的学习完成路面类型的识别。本发明提高了各传感器的信息融合深度和路面识别精度；另外采用LSTM时间序列分类模型能够有效地避免偶然误差所引发的频繁误检，进一步提高路面识别的鲁棒性和准确性。

技术领域

本发明属于智能汽车环境感知领域，具体涉及一种多模态信息融合的智能车路面类型识别方法。

背景技术

不同路面类型可提供的最大摩擦系数、平整度存在较大差异，这对智能汽车决策运动轨迹、侧向加速度和速度、纵向加速和速度度等有决定性影响。因此智能车能否准确地识别道路路面类型并调整控制策略，对于提高智能车行驶的安全性和舒适性都具有重要的意义。

目前国内外采用的路面类型识别方法大致可分为两大类：一类基于车辆响应参数进行识别(Effect－Based)；另一类是通过传感器感知结合辨识算法进行识别(Cause－Based)。Cause－Based方法主要是利用激光雷达、机器视觉、声波和电磁波等传感器直接对路面类型进行探测。例如余卓平等在论文《基于激光雷达的无人车路面附着系数估计》中，高洁等在论文《基于视觉信息的移动机器人户外路面分类研究》中，李虹在论文《基于机器视觉路面状态识别关键技术研究》中，Pieter L等在论文《An acoustic sensor systemfor determination of macroscopic surface roughness》中，Brgeson J等人在论文《Sensor data fusion based estimation of tire－road friction to enhancecollision avoidance》中都分别采用了不同类型的传感器直接对路面信息进行感知，然后采用统计分析，模式识别，机器学习以及深度学习等方法完成路面类型的识别。

Effect－Based识别方法是通过测量和分析由于不同路面结构所引起的整车响应来识别路面类型，其中整车响应主要包括轮胎响应和车辆动力学响应。例如Holzmann F等人在论文《Predictive estimation of the road－tire friction coefficient》中根据轮胎噪声响应对路面类型进行识别；Gurkan E等在论文《Estimation of tire–roadfriction coefficient using a novel wireless piezoelectric tire sensor》中，Tuononen A等在论文《On－board estimation of dynamic tyre forces from opticallymeasured tire carcass deflections》都通过测量胎面变形量来识别路面；而张进在论文《基于路面识别的车辆纵向动力学控制》中，裴晓飞等在论文《汽车纵向集成控制系统的路面识别方法》中都采用车辆纵向动力学响应实现路面的识别；郑宏宇等在论文《基于线控转向系统的路面参数估计》中，陈无畏等在论文《车辆转向工况下的路面附着系数估计算法》中则是通过车辆横向动力学响应来识别路面。另外为了提高路面类型的识别精度，很多学者和研究人员也尝试融合多种感知信息对路面类型进行识别，例如单添垚在论文《基于多源信息融合的不平路类型识别策略研究》中，孙觉非在论文《基于多源信息融合的试验场道路识别系统研究》中，王世峰等在论文《基于机器学习的车辆路面类型识别技术研究》中和专利CN104392245B中，都凯悦在论文《无人驾驶车辆的路面信息感知技术研究》中都尝试采用多感知信息融合的方法来提高路面识别的精度。

通过分析现有的路面类型识别方法，发现存在一些不够完善的地方，首先单一传感器感知信息不够完备，简单的传感器融合方案不能最大发挥传感器的优势，当遇到比较复杂的环境和路面情况时，系统识别精度不高；其次用于路面类型识别的感知信息是基于瞬态或者固定时间窗口采集的，片段化的特征提取割裂了感知信息上下文之间的连贯性，容易受到偶然误差的干扰，路面识别的鲁棒性有待提高。