基于路面颠簸情况和道路类型识别的自动调速方法与系统技术方案

本发明专利技术涉及自动控制技术领域，尤其涉及一种基于路面颠簸情况和道路类型识别的自动调速方法与系统。本发明专利技术提供一种基于路面颠簸情况和道路类型识别的自动调速方法与系统，能动态识别道路颠簸情况和道路类型并反馈智能行车系统进行速度上限调整。本发明专利技术能动态识别道路颠簸情况和道路类型并反馈给智能行车系统，行车系统可根据识别结果自动调节速度上限，防止事故发生和保证乘客乘坐的舒适度。

【技术实现步骤摘要】

本专利技术涉及自动控制
，尤其涉及一种基于路面颠簸情况和道路类型识别的自动调速方法与系统。
技术介绍
随着人们生活水平的提高，汽车越来越成为人们必不可少的交通工具，智能汽车系统也成了国内研究的热门。司机驾驶汽车时对车速的控制往往依靠道路的拥堵情况，当道路不拥堵时司机往往按照自己习惯的速度行驶，司机会依靠自己的经验进行速度的调节。但是当司机错误估计了道路本身的路况时，包括道路坑洼程度和摩擦系数，过快的车速将会是交通事故的隐患。另一方面，当司机在依靠经验驾驶时，多数情况下司机考虑更多的是自身舒适程度，并没有考虑到乘客乘坐的舒适程度和适合当前路况的行驶速度。当汽车行驶在颠簸路面时，过快的车速不仅会给乘客造成不适的感觉，而且会对汽车的使用寿命造成严重的影响。同时，在摩擦系数过小的路面上高速行驶容易发生交通事故。所以，需要一种能对道路颠簸程度与道路材质进行识别的系统，能根据这两种识别结果反馈给智能汽车行车系统，系统根据得到的道路颠簸程度与道路材质的识别结果进行最大车速限制，不仅可以防止事故发生也可以保证乘客的乘坐舒适度。动态的识别路况颠簸情况和道路类型，并及时反馈，这一问题亟待解决。
技术实现思路
针对现有技术中存在的缺陷或不足，本专利技术所要解决的技术问题是：提供一种基于路面颠簸情况和道路类型识别的自动调速方法与系统，能动态识别道路颠簸情况和道路类型并反馈智能行车系统进行速度上限调整。<br>为了实现上述目的，本专利技术采取的技术方案为提供一种基于路面颠簸情况和道路类型识别的自动调速方法与系统，包括识别颠簸路况和识别道路类型。所述识别颠簸路况包括以下步骤：步骤A1、通过三轴加速度计采集车辆行驶在不同道路时的振动信号；步骤A2、对采集到的振动信号进行相应的去噪，然后通过经验模态分解(EMD)得到本征模式的函数分量；步骤A3、进行能量提取，进一步的能量为每个本征模式分量能量；通过分解得到的本征模式的函数分量计算第一特征向量；步骤A4、将归一化的第一特征向量编码后输入到颠簸情况分类器中进行训练；步骤A5、对采集未知道路的振动信号，经过计算得到第二特征向量，将编码后的第二特征向量输入到颠簸情况分类器中得到颠簸情况分类信息；所述识别道路类型包括以下步骤：步骤B1、通过摄像头采集道路的图像；步骤B2、对采集到的图像裁剪后进行分解，得到第三特征向量；步骤B3、采集未知道路的图像，对采集的图像用灰度共生矩阵(GLCM)法得到特征向量，其中特征向量为图像的熵，能量，对比度，相关性；步骤B4、将得到的图像特征向量输入到支持向量机(SVM)中进行训练，得到道路类型分类器；步骤B5、采集未知道路的图像，经过裁剪后计算得到第四特征向量组，将第四特征向量组输入到道路类型分类器，得到分类结果；所述自动调速方法为：步骤C、对将颠簸情况分类信息和道路类型分类信息反馈给智能行车系统进行车速上限调整。作为本专利技术的进一步改进，所述步骤A2中经验模态分解(EMD)包括以下步骤：A21、找到信号x(t)的局部极大值和极小值；A22、把原始信号x(t)减去第一阶固有的模式函数c1(t)，则得到残余量r1(t)；A23、对r1(t)重复以上筛选过程，从高频到低频可以依次得到一系列的IMF分量ci(t)和残余项rn(t)，原始数据x(t)可以重构为 x ( t ) = Σ i = 1 n c i ( t ) + r n ( t ) ]]>其中：余项rn(t)为信号的平均趋势，每个IMF分量ci(t)为信号固有的谐波成分。作为本专利技术的进一步改进，所述步骤A22中经验模态分解(EMD)后的每个固有模式函数必须满足以下两个条件：a.整个数据长度中极值点的数量与过零点的数量必须相等或最多差一个；b.在任一时间点上，信号局部最大值确定的上包络线和局部最小值确定的下包络线的均值为零。作为本专利技术的进一步改进，所述步骤A3中通过振动信号分解得到的本征模式的函数分量进一步得到归一化能量向量所对应的道路颠簸情况识别步骤为：A31、对所述振动信号进行经验模态分解(EMD)得到本征模式的函数分量；A32、对所述本征模式的函数分量计算相应的能量；A33、将所述能量归一化作为特征向量编码后输入到隐马尔科夫模型中进行训练；A34、采集未知道路振动信号，经过对信号的分析得到归一化能量，编码后作为特征向量输入到隐马尔科夫模型中得到分类结果。作为本专利技术的进一步改进，所述步骤B3中通过道路图像分解得到的特征向量所对应的道路类型识别步骤为：B31、对所述道路图像裁剪后用灰度共生矩阵(GLCM)得到特征向量，特征向量对应值分别为熵，能量值，对比度，相关性；B32、将特征对应值进行处理，然后输入到支持向量机中进行训练；B33、采集未知道路类型的图像，经过灰度共生矩阵(GLCM)处理后得到特征向量；B34、将纹理特征向量组中向量分别输入到训练好的支持向量机SVM中识别，统计不同分类结果的总和，取和最大的道路类型作为未知道路的分类结果。作为本专利技术的进一步改进，所述振动信号为三轴加速度计中采集的Z轴信号。作为本专利技术的进一步改进，通过对振动信号分解得到的本征模式的函数分量提取的特征向量为归一化能量向量。作为本专利技术的进一步改进，所述步骤A4中颠簸情况分类器为隐马尔科夫模型，隐马尔科夫模型是统计模型，它用来描述一个含有隐含未知参数的马尔科夫过程，是马尔科夫链的一种。一种使用基于路面颠簸情况识别和道路类型识别的自动调速方法的系统，包括:路面振动采集模块，用于采集原始振动信号，包括加速度传感器；振动信号处理模块，用于对原始振动信号进行去噪、分解得到本征模式函数，包括去噪模块和信号分解模块；振动特征提取模块，对得到的本征模式函数进行计算相对应的特征值；振动信号训练、识别模块，用于对不同路面的振动信号进行训练和识别；道路图像采集模块，用于采集道路图像；图像特征提取模块，用于图像的特征提取；本文档来自技高网...

【技术保护点】
一种基于路面颠簸情况和道路类型识别的自动调速方法，其特征在于，包括识别颠簸路况、识别道路类型和自动调速，所述识别颠簸路况包括以下步骤：步骤A1、通过三轴加速度计采集车辆行驶在不同道路时的振动信号；步骤A2、对采集到的振动信号进行相应的去噪，然后通过经验模态分解(EMD)得到本征模式的函数分量；步骤A3、进行能量提取，进一步的能量为每个本征模式函数分量的能量；通过分解得到的本征模式的函数分量计算第一特征向量；步骤A4、将归一化的第一特征向量编码后输入到颠簸情况分类器中进行训练；步骤A5、采集未知道路的振动信号，经过前面相同计算方法得到第二特征向量，将编码后的第二特征向量输入到颠簸情况分类器中得到颠簸情况分类信息；所述识别道路类型包括以下步骤：步骤B1、通过摄像头采集不同道路的图像；步骤B2、对采集到的图像裁剪后通过灰度共生矩阵(GLCM)计算，得到第三特征向量，其中特征向量为图像的熵，能量，对比度，相关性；步骤B3、将得到的第三特征向量输入到支持向量机(SVM)中进行训练得到道路类型分类器；步骤B4、采集未知道路的图像，将图像裁剪，取奇数个分割的图像进行灰度共生矩阵(GLCM)计算得到第四特征向量组，其中特征向量为图像的熵，能量，对比度，相关性；步骤B5、将第四特征向量组中的向量分别输入到道路类型分类器，统计不同分类结果的总和，取和最大的道路类型作为未知道路的分类结果；所述自动调速方法为：步骤C、对将颠簸情况分类信息和道路类型分类信息反馈给智能行车系统进行车速上限调整。...

【技术特征摘要】
1.一种基于路面颠簸情况和道路类型识别的自动调速方法，其特征在于，
包括识别颠簸路况、识别道路类型和自动调速，
所述识别颠簸路况包括以下步骤：
步骤A1、通过三轴加速度计采集车辆行驶在不同道路时的振动信号；
步骤A2、对采集到的振动信号进行相应的去噪，然后通过经验模态分解
(EMD)得到本征模式的函数分量；
步骤A3、进行能量提取，进一步的能量为每个本征模式函数分量的能量；
通过分解得到的本征模式的函数分量计算第一特征向量；
步骤A4、将归一化的第一特征向量编码后输入到颠簸情况分类器中进行
训练；
步骤A5、采集未知道路的振动信号，经过前面相同计算方法得到第二特
征向量，将编码后的第二特征向量输入到颠簸情况分类器中得到颠簸情
况分类信息；
所述识别道路类型包括以下步骤：
步骤B1、通过摄像头采集不同道路的图像；
步骤B2、对采集到的图像裁剪后通过灰度共生矩阵(GLCM)计算，得到
第三特征向量，其中特征向量为图像的熵，能量，对比度，相关性；
步骤B3、将得到的第三特征向量输入到支持向量机(SVM)中进行训练
得到道路类型分类器；
步骤B4、采集未知道路的图像，将图像裁剪，取奇数个分割的图像进行
灰度共生矩阵(GLCM)计算得到第四特征向量组，其中特征向量为图像的
熵，能量，对比度，相关性；
步骤B5、将第四特征向量组中的向量分别输入到道路类型分类器，统计
不同分类结果的总和，取和最大的道路类型作为未知道路的分类结果；
所述自动调速方法为：
步骤C、对将颠簸情况分类信息和道路类型分类信息反馈给智能行车系
统进行车速上限调整。
2.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速
方法，其特征在于：所述步骤A2中经验模态分解(EMD)包括以下步骤：
A21、找到信号x(t)的局部极大值和极小值；
A22、把原始信号x(t)减去第一阶固有的模式函数c1(t)，则得到残余量r1(t)；
A23、对r1(t)重复以上筛选过程，从高频到低频可以依次得到一系列的IMF
分量ci(t)和残余项rn(t)，原始数据x(t)可以重构为
x ( t ) = Σ i = 1 n c i ( t ) + r n ( t ) ]]>其中：余项rn(t)为信号的平均趋势，每个IMF分量ci(t)为信号固有的谐波成
分。
3.根据权利要求2所述的基于路面颠簸情况和道路类型识别的自动调速方
法，其特征在于：所述步骤A22中经验模态分解(EMD)后的每个固有的模
式函数必须满足以下两个条件：
a.整个数据长度中极值点的数量与过零点的数量必须相等或最多差一个；
b.在任一时间点上，信号局部最大值...

【专利技术属性】
技术研发人员：张钦宇，赵国钦，韩啸，林威，
申请(专利权)人：哈尔滨工业大学深圳研究生院，
类型：发明
国别省市：广东;44