基于生产车辆巡航信号的机器学习二元路面分类

# 基于机器学习与量产车辆信号在巡航过程中的二元路面分类
来源：https://arxiv.org/html/2606.02762
###### 摘要

实时道路滑溜程度——甚至更优的峰值抓地力潜力精细估计——是车辆预警和干预控制系统所需的关键输入。通常，摩擦系数通过基于动力学的递归估计器，利用滑移斜率进行计算，但其有效性严重受限于车辆动力学场景。当车辆巡航且几乎无滑移时，由于当今量产级传感器（如轮速传感器）和方法无法测量或准确估计微滑移（这在区分不同路面时至关重要），这些方法变得无效。为应对这一挑战，需利用机器学习揭示巡航状态下车辆信号与路面状况之间的相关性。本文采用基于特征的框架和端到端数据驱动框架，将车辆动力学行为的统计特性与路面状况相关联，并对抓地（干燥/潮湿）或滑移（雪地/冰面）状态进行二元分类。采用滑动窗口方法，将短时缓冲的轮速、轮扭矩、纵向加速度、转向角和横摆角速度批量输入机器学习模块，以预测道路状态。在公共道路数据上的验证结果表明，即使在巡航状态下，数据驱动方法也能正确识别路面状况，为轮胎与车辆动力学领域中基于数据驱动的精确摩擦相关状态估计器展现了前景。

## I引言

检测路面状况对于精确的轮胎-路面摩擦估计至关重要，而摩擦估计是碰撞预警、自适应巡航控制和自动紧急制动（AEB）等车辆安全应用中的关键因素[13 (https://arxiv.org/html/2606.02762#bib.bib1)]。当前AEB系统中的碰撞时间（TTC）基于自车速度、前车速度及两车距离进行计算[26 (https://arxiv.org/html/2606.02762#bib.bib2)]。然而，该计算假定摩擦值为干燥路面值，以避免误报。一个可靠的摩擦估计器不仅能消除误报，还能为车辆提供额外时间执行控制操作，如提前施加制动和调整轮扭矩，以避免在雪地、冰面等滑溜路面上发生即将发生的碰撞[27 (https://arxiv.org/html/2606.02762#bib.bib3),18 (https://arxiv.org/html/2606.02762#bib.bib4)]。

### I-A现有方法及不足

通过滑移斜率状态估计器获得的轮胎刚度与不同路面状况进行关联是一种常见方法，但关于轮胎刚度与轮胎-路面抓地力水平之间是否存在明确相关性仍存争议，这受到温度、磨损程度、胎压等因素的影响[1 (https://arxiv.org/html/2606.02762#bib.bib5)]。此外，当车辆处于巡航状态时，估计器的不确定性会增加[14 (https://arxiv.org/html/2606.02762#bib.bib6)]。基于递归最小二乘（RLS）的方法已被用于实时识别轮胎-路面摩擦系数[6 (https://arxiv.org/html/2606.02762#bib.bib11),29 (https://arxiv.org/html/2606.02762#bib.bib12)]，并且已探索将基于模型与基于数据的方法融合以提高鲁棒性[24 (https://arxiv.org/html/2606.02762#bib.bib7)]。为了克服轮胎刚度中缺乏清晰摩擦特征的局限，可以利用滑移率导数对抓地力进行回归，从而消除对力估计器的依赖。尽管像滑移率导数这样的二阶项可能包含不同路面的信息，但它仍然依赖于在所有驾驶条件下拥有鲁棒的车辆速度估计器这一假设。理论上，数据驱动方法应能直接从车载信号中提取信息，因为车辆速度和滑移率导数都可以从车载信号推导得出。本文所涉及的车载信号包括轮速、车辆级加速度、横摆角速度、转向角和轮扭矩。最近，一种有前景的方法利用贝叶斯方法[2 (https://arxiv.org/html/2606.02762#bib.bib9)]外推轮胎力-滑移曲线，以估计带有不确定度边界的峰值抓地力，已引起关注。在标准驾驶条件下学习摩擦-滑移依赖关系的模型[22 (https://arxiv.org/html/2606.02762#bib.bib10)]也已得到探索，但主要是在受控测试数据上验证，而非多样化的公共道路条件。使用车载信号进行数据驱动的摩擦估计[3 (https://arxiv.org/html/2606.02762#bib.bib8)]并评估不确定性已展现出前景，但仅凭巡航数据能否可靠分类路面状态的问题仍然悬而未决。

### I-B我们的贡献

本研究表明，在低激励巡航状态下，仅使用量产可行的车载车辆信号即可进行抓地/滑移路面状态分类。我们评估了两种互补方法：基于物理动机特征驱动的XGBoost模型，以及在短时多通道时间序列缓冲区上运行的端到端1D CNN。本研究比较了模型性能、特征/通道重要性、定性未见运行行为以及实时嵌入式可行性，突显了在巡航条件下数据驱动道路滑溜程度检测的前景与局限性。

## IIMethodology

### II-A数据集与预处理

本工作中使用的数据集包含近10小时的雪地（含冰面）和20小时的干燥（含潮湿）路面数据，主要来自公共道路上的温和驾驶条件，以及测试跑道上的少数轻微激进操作，使用配备冬季轮胎的全轮驱动电动汽车平台采集。输入信号以100 Hz采样，以捕捉不同路面条件下车辆的响应[1 (https://arxiv.org/html/2606.02762#bib.bib5),3 (https://arxiv.org/html/2606.02762#bib.bib8)]。训练ML模型面临的挑战之一是获取高质量标注数据。为自动标注车辆车载信号，使用内部光学传感器获取道路状况（如干燥、微湿、湿滑、积水、雪地或冰面），以标注车载信号的时间序列缓冲区，分为抓地（干燥/微湿）或滑移（雪地/冰面）状态。湿滑状态检测不在本研究范围内，因为其滑溜特征可能取决于水膜厚度，且无法实际测量水膜厚度。排除湿滑类别的另一个原因是在轮胎力-滑移曲线的线性区域内，干燥和湿滑路面上的轮胎行为相似[7 (https://arxiv.org/html/2606.02762#bib.bib13)]。在诸如车辆产生的物理信号上训练机器学习模型的一个优势是易于应用最小-最大归一化，将所有信号限定在0到1之间，以稳定模型训练。每个通道的最小值和最大值基于物理可能情况预先设定。重要的是，最小值和最大值作为全局变量设置，不依赖于特定实例。基于实例的归一化会丢失相对幅度差异的意义，因此不适用于此类时间序列数据。

### II-B模型架构

#### II-B1基于特征的方法

- •驱动轮与非驱动轮速之比
- •滑移率的均方根（RMS）
- •滑移率导数的RMS
- •纵向加速度的RMS

上述特征基于[12 (https://arxiv.org/html/2606.02762#bib.bib14),17 (https://arxiv.org/html/2606.02762#bib.bib17),16 (https://arxiv.org/html/2606.02762#bib.bib16),20 (https://arxiv.org/html/2606.02762#bib.bib15)]。通过使用文献中报告的在巡航条件下检测道路滑溜程度的最佳特征，本研究在从公共道路获得的大规模数据集上考察了这些特征的变异性和相互作用。在全轮驱动车辆中，由于扭矩矢量分配，驱动轴可能在加速和制动场景之间切换。然而，对于本研究中使用的平台，巡航期间的扭矩矢量机制始终将扭矩分配给前轮，从而能够确定驱动轴。在巡航期间计算车速和滑移率也更容易。基于上述原因，基于特征的方法涉及约束数据集，处理从0.1秒步长获得的4秒缓冲区，其中纵向加速度中值的绝对值小于0.05G m/s²（G=9.81），以及其他约束，如四个车轮的最大速度差小于2 kph，横摆角速度在-5 deg/s到5 deg/s之间，转向角在-10度到10度之间，扭矩在-1000 Nm到1000 Nm之间。虽然每个单独特征本身在巡航时未必在干燥和雪地类别之间显示出显著差异，但可以通过使用基于极端梯度提升（XGBoost）[5 (https://arxiv.org/html/2606.02762#bib.bib34)]的集成方法学习非线性判别函数。

#### II-B2 1D CNN

道路摩擦特征表现为轮速与车速之间的差异，以及轮速和扭矩的频率成分[25 (https://arxiv.org/html/2606.02762#bib.bib20),4 (https://arxiv.org/html/2606.02762#bib.bib21)]。然而，在实时设置中计算信号的频率表示代价高昂，因此使用一维卷积神经网络[19 (https://arxiv.org/html/2606.02762#bib.bib19)]直接从数据中学习基于时间和隐式基于频率的模式差异。理论上，网络不同深度的滤波器学习到的特征应能捕捉与频率相关的现象。然而，源信号可能包含来自发动机和变速箱的噪声，导致模型过拟合。在生产环境中，在对信号进行端到端模型训练之前，应应用适当的带通或小波去噪[15 (https://arxiv.org/html/2606.02762#bib.bib18),11 (https://arxiv.org/html/2606.02762#bib.bib35)]。就本工作而言，目标是训练一个如表I (https://arxiv.org/html/2606.02762#S2.T1)所示的网络，该网络在数据规模下对其他噪声源具有鲁棒性。

输入由2秒长度、0.1秒步长的多通道时间序列缓冲区组成，包含轮速、轮扭矩、纵向加速度、侧向加速度、垂直加速度、转向角和横摆角速度（共13个通道）。输入数据实例受到约束：中值加速度 \(\sqrt{a_x^2 + a_y^2}\) 小于0.1G，四个车轮的最大速度差小于5 kph，横摆角速度在-30 deg/s到30 deg/s之间，转向角在-45度到45度之间。

表格 I: 1D CNN 模型架构

## III模型性能与讨论

### III-A基于特征的模型

训练策略包括分配平方根倒数类别重要性，以应对2:1的类别不平衡。在单个窗口级别应用0.7/0.15/0.15的训练/验证/测试分割。需要注意的是，由于在连续驾驶运行上使用了步长为0.1秒的滑动窗口，训练集和测试集中的相邻窗口可能来自同一次驾驶运行并共享时间重叠。这一点的影响在第VII节中讨论。当验证准确率在若干步后停止改善时，使用早停法停止学习，如图1 (https://arxiv.org/html/2606.02762#S3.F1)所示。基于树的模型在测试集上的性能如图2 (https://arxiv.org/html/2606.02762#S3.F2)所示。基于树的模型对抓地类（高μ）的召回率达到98%，对滑移类（低μ）的召回率达到92%，抓地精度为92.5%，滑移精度为97.9%。从步长为0.1秒的4秒缓冲数据中提取的不同特征直方图如图3 (https://arxiv.org/html/2606.02762#S3.F3)所示。滑移率导数在抓地（0）和滑移（1）类别之间显示出最大的变异性。虽然 \(a_x\) RMS 和驱动/非驱动轮速滑移率的变异性很小，但这并不意味着它们无用。事实上，从表II (https://arxiv.org/html/2606.02762#S3.T2)中的特征重要性得分可以看出，驱动轮与非驱动轮速之比是基于树模型学习区分交互项的第二重要特征。

参见图注 图1: 分类工作流。
参见图注 图2: 基于树的模型在测试集上的混淆矩阵。
参见图注 图3: 特征在干燥（0）和雪地（1）类别间的变异性。
表格 II: 树模型特征重要性得分
然而，仅凭混淆矩阵上的良好性能并不能保证泛化能力，因为许多正确分类的实例可能偏向于某种特定的车辆动力学场景。要真正评估此类方法在生产中的适用性，需要评估其在较长时间内、不同未见运行上的性能。下一节将对此进行讨论。

### III-B 1D CNN

训练进行到38个epoch后，训练损失和验证损失开始发散。图9 (https://arxiv.org/html/2606.02762#S4.F9)显示了直到20个epoch的训练、验证和测试集上的损失曲线演变。最终的测试性能如图4 (https://arxiv.org/html/2606.02762#S3.F4)所示。CNN对抓地类的召回率达到98.85%，对滑移类的召回率达到89.03%，抓地精度为90.0%，滑移精度为98.7%。与基于树的模型相比，抓地精度较低（90.0% vs. 92.5%），滑移召回率也较低（89.03% vs. 92%），表明CNN在预测滑移类时更为保守。为了探究这种模型行为的原因，表III (https://arxiv.org/html/2606.02762#S3.T3)显示了基于GradCAM[23 (https://arxiv.org/html/2606.02762#bib.bib24)]特征可解释性技术（用于深度学习模型）确定的CNN模型在分类特定数据缓冲区时认为最重要的通道。与基于树的方法相比，通道重要性更加偏向于使用加速度通道。来自惯性测量单元（IMU）的加速度通常由于各种原因（如路面质量、发动机噪声、底盘振动等）而显得嘈杂。减轻模型对加速度数据过拟合影响的一种方法是使用平滑的轮胎力[28 (https://arxiv.org/html/2606.02762#bib.bib25)]增强输入集，或者仅仅增加数据集大小并对模型进行正则化[31 (https://arxiv.org/html/2606.02762#bib.bib26)]以提高鲁棒性。

参见图注 图4: CNN模型的混淆矩阵。
表格 III: 1D CNN 通道重要性得分

## IV实际道路测试

图5 (https://arxiv.org/html/2606.02762#S4.F5)和图7 (https://arxiv.org/html/2606.02762#S4.F7)显示了1D CNN模型的性能，图6 (https://arxiv.org/html/2606.02762#S4.F6)和图8 (https://arxiv.org/html/2606.02762#S4.F8)显示了基于树的模型在较长时间内、各种实际驾驶操作上的性能。两种方法在干燥路面上均表现出极少的雪地误报，并展示了召回雪地状态的能力。