基于多车众筹振动数据的路网级路面平整度检测方法

1.本发明涉及路面质量检测领域，尤其是涉及一种基于多车众筹振动数据的路网级路面平整度检测方法。


背景技术：

2.路面平整度是反映道路服役性能和行驶舒适性的重要指标。传统基于激光断面类平整度检测方法可以保障较高的测量精度，但价格昂贵，覆盖范围有限且需对车辆进行专业化改造。随着传感技术的发展，以智能手机为代表的移动终端成为了重要的数据获取途径。然而，基于单车手机振动的平整度测量与传统反应类方法的测试机理并无本质性区别，仍需对专用的测试车辆进行复杂的参数标定，导致其测量效率有限，且结果离散性较高，限制了该方法的推广应用。
3.路面平整度的测量方法主要分为三类：主观评估法、断面类法和反应类法。主观评估法采用专家评分方式，主观性较强，仅作为路段评估参考。断面类法是测量车辆行驶轨迹下路面的高程变化，通常将车载断面仪、三维lidar等精密传感仪器部署至专用检测车上，根据路面剖面计算国际平整度指数。断面类法测量精度较高，但是其装备的生产和应用成本高，且对测量条件有所限制，主要适用于高速公路、国省干道等高等级公路性能测量，在城市道路中仅作为道路评定抽样检测，不适合大范围、高频次城市路网的平整度巡检。反应类法是通过测量车辆的振动反应来衡量路面的平整性如颠簸累计仪、bpr测定仪等。另外，通过加速度计和智能手机等获取车辆振动也属于反应类法。反应类方法成本低、效率高，可以作为断面类法的重要补充，然而其对突变值较为敏感，数据处理难度大，易受车辆自身参数、行驶环境、运行状态的影响，结果稳定性较低。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多车众筹振动数据的路网级路面平整度检测方法。
5.本发明的目的可以通过以下技术方案来实现：
6.一种基于多车众筹振动数据的路网级路面平整度检测方法，包括以下步骤：
7.s1：获取测试车辆的振动数据，并进行预处理；
8.s2：将待检测路网中平整度指数梯度大于预设阈值的路段作为已知平整度路段，并获取已知平整度路段的平整度指数；
9.s3：获取测试车辆的行驶轨迹，根据测试车辆的行驶轨迹和已知平整度路段信息获取车辆数阈值，
10.s4：提取经过已知平整度路段次数大于等于车辆数阈值的车辆作为本次迭代的计算车辆，获取计算车辆的振动数据并预估计算车辆的车辆参数；
11.s5：基于预估的车辆参数计算未知平整度路段的平整度指数；
12.s6：重复步骤s3～s5进行多次迭代，直至获取待检测路网中所有路段的平整度指
数。
13.优选地，所述的步骤s1具体包括：
14.s11：采集测试车辆的z轴振动数据，设置基准采样频率f，当振动数据频率高于f时将z轴振动数据降频至f，当振动数据频率低于f时将z轴振动数据升频至f；
15.s12：计算各测试车辆z轴振动加速度数据在计算周期t内的功率谱密度，将频率带以δl距离的倍频程距离进行切割，计算每个倍频程内的功率谱密度积分值。
16.优选地，其特征在于，所述的步骤s2中获取已知平整度路段的平整度指数的方法为激光检测、振动检测或水平仪检测。
17.优选地，所述的步骤s2中选取平整度指数梯度较大的10％的路段作为已知平整度路段，所述的选取步骤具体包括：
18.当待检测路网g总路段数的10％为非整数时，已知平整度路r的总数num(r)向上取整；
19.当路网g中的路段历史平整度数据已知时，即选择路网中平整度最大的路段iri
max
与最小的路段iri
min
，并以(iri
max-iri
min
)/(num(r)-1)为间隔，分别提取iri与iri
min
+n*(iri
max-iri
min
)/(num(r)-1)最接近的路段作为已知路段，n为1到num(r)-2的自然整数；
20.当路网g中的路段历史平整度数据未知时，即选择路网中车辆z轴平均振动幅度最大的路段acc
max
与最小的路段acc
min
，并以(acc
max-acc
min
)/(num(r)-1)为间隔，分别提取iri与acc
min
+n*(acc
max-iri
min
)/(num(r)-1)最接近的路段作为已知路段，n为1到num(r)-2的自然整数。
21.优选地，所述的步骤s3具体包括：
22.获取测试车辆的行驶轨迹，将测试车辆集v根据通过已知路段的数量进行分类：v＝{v1,v2,v3,...,v
max
}，v1,v2,v3,...,v
max
分别为通过1、2、3
…
max个已知路段的车辆，其中，绘制分类后测试车辆集的频率分布直方图，计算预设车辆分位数值q所对应的通过已知平整度路段的数量作为车辆数阈值mq，当mq为非整数时，向上取整，所述的2≤mq≤max。
23.优选地，所述的步骤s4具体包括：
24.提取中的车辆作为计算车辆，获取计算车辆的z轴振动数据并计算器车辆参数，所述的为经过路段数量大于等于mq的车辆。
25.优选地，所述的步骤s4中车辆参数包括车辆悬架参数p、q和车辆模型截距b，所述的步骤s4中基于最小二乘法拟合获取车辆参数：
[0026][0027]
其中，iri为平整度指数，k为倍频程总数，ω为角速度，δl为倍频程距离，sa(ω)为功率谱密度，为每个倍频程内的功率谱密度积分值。
[0028]
优选地，所述的步骤s5具体包括：
[0029]
s51：基于预估的车辆参数及其功率谱密度积分值，计算中车辆经过未知平整度路段的平整度指数irij，当多辆车经过同一路段时，计算经过同一路段的多个测试车的
平整度指数的预估平整度标准差σj；
[0030]
s52：根据公式：筛选经过车辆数最多且预估平整度标准差最小的路段其中，size(irij)为路段j经过的车辆数，
[0031]
s53：计算经过路段的多个车辆的平整度指数的均值作为路段的平整度指数，将路段加入已知平整度路段。
[0032]
优选地，所述的步骤s6每次迭代后，比较连续两次迭代过程后的每辆车的参数p、q、b的差异百分比：
[0033][0034][0035][0036]
其中，χ
p
、χq、χb分别为本次迭代与上次迭代的p、q、b的差异百分比，d为迭代次数，若χ
p
、χq、χb中任意一项超过设定阈值，将该车辆剔除测试车辆集进行第d+1次迭代，并在第d+2次迭代中将剔除的车辆再次加入到测试车辆集中。
[0037]
优选地，所述的测试车辆的车速不低于20km/h，并且测试车辆在不同路段的上在预设时间阈值内的车速变异系数不超过10％。
[0038]
与现有技术相比，本发明具有如下优点：
[0039]
(1)本发明基于测试车辆的众筹振动数据和轨迹信息，能够基于多车众筹的振动数据与小样本路段平整度参数，即可实现大规模路网路面平整度的快速预估方法，可以有效解决传统检测检测方法耗时费力，价格昂贵等问题，提高路面平整度更新周期，及时发现道路的异常颠簸与损伤，并降低对单辆车复杂标定流程的人力物力消耗，对大规模路面性能高频数字化检测具有重要意义。
[0040]
(2)本发明基于众多测试车辆的数据进行检测，成本低，基于本发明的迭代众筹检测流程，通过叠加同一路段上行驶的不同车辆的振动数据，挖掘这些振动信号在时频分布的稳定特征，就可以避免单车单频次检测产生的随机误差，并降低异常数据对结果的影响；通过比较同一车辆在路网不同道路上行驶的振动数据变化趋势，可以分析路段间的平整度分布差异，提高模型的准确度与置信度，能够降低对突变值的敏感性，有效提高路面平整度检测的稳定性和可靠性，无需对专用的测试车辆进行复杂的参数标定，检测效率高，基于众筹数据的路面平整度感知方法可以有效提高覆盖范围与测量效率，同时得益于数据海量、高频的特性，能进一步提升平整度预估精度，降低结果离散性。
附图说明
[0041]
图1为本发明的流程图；
[0042]
图2为本发明采用半监督机器学习模型示意图；
[0043]
图3为实施例中路段行驶车辆数情况示意图；
[0044]
图4为实施例中车辆行驶过路段数情况示意图；
[0045]
图5为本实施例中车辆功率谱密度积分与iri关系图；
[0046]
图6为本实施例中各路段预估平整度参数分布情况图；
[0047]
图7为本实施例中半监督机器学习结果示意图。
具体实施方式
[0048]
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
[0049]
实施例
[0050]
随着智能手机设备的普及，利用智能手机配备的三轴加速度传感器、陀螺仪、定位模块等采集车辆的振动与位置信息，这些数据直接或间接地反映了路面的平顺性水平，为大规模、高频率的路网级平整度感知提供了可能。伴随着“互联网+”出行服务模式的推广，大量交通出行中催生了高频次、广覆盖、低成本的海量车载手机众筹数据。虽然众筹数据在单点的采集精度上低于专业设备，但由于体量巨大，往往可以反映环境中的稳定特性。相较于基于单车手机的平整度测量方法，基于众筹数据的路面平整度感知方法可以有效提高覆盖范围与测量效率，同时得益于数据海量、高频的特性，有望进一步提升平整度预估精度，降低结果离散性。
[0051]
众筹振动数据是交通分析与信息挖掘的新载体，通过数据的“量”提高数据的“质”是数据分析的重要手段之一。在行驶过程中车辆积累了大量的传感数据，虽然部分数据的采集条件与车辆参数未知，但众筹数据在时空分布上存在显著关联。例如，通过叠加同一路段上行驶的不同车辆的振动数据，挖掘这些振动信号在时频分布的稳定特征，就可以避免单车单频次检测产生的随机误差，并降低异常数据对结果的影响；通过比较同一车辆在路网不同道路上行驶的振动数据变化趋势，可以分析路段间的平整度分布差异，提高模型的准确度与置信度。因此，如何从高离散性的众筹振动数据中提炼出稳定的平整度参数是进行路网级路面平整度协同感知的关键。
[0052]
一种基于多车众筹振动数据的路网级路面平整度检测方法，该方法主要通过基于小部分已知平整度参数的道路来估计路段上车辆的悬架参数，当已估计参数的车辆行驶到其他未知道路上时，利用反应式方法计算该路段的平整度。在每次循环中，选取计算置信程度最高的路段，将其从未知路段集转入已知路段级，并重复上述过程，直至未知集道路为空集，即所有道路均已被计算，实现大范围路网的路面平整度快速检测，构建了一种“路标定车-车计算路”的交互式半监督学习模型。
[0053]
本实施例描述中以iri代称路面平整度代称，实际应用时，路面平整度参数也可用其他参数。如图1所示，本发明包括以下步骤：
[0054]
s1：获取测试车辆的振动数据，并进行预处理，本实施例中设定测试车辆的集合为测试车辆集v，测试车辆上搭载手机、车辆传感器、外设传感器等能够获取车辆振动数据的设备。本实施例中，测试车辆均不低于20km/h，当个别车辆存在20km/h速度，即低速行驶时，则对其从车辆集v中剔除，路段的车速相对稳定，在时间t内，路段车速的变异系数不超过10％，待检测路网的路段为路网中相邻节点间的可通行车道，相同节点间，不同车道视作不
同路段，例如城市道路可以交叉口作为路段切割的边界，高速公路可以桩号、收费站作为路段切割的边界，高架道路可以匝道位置作为路段切割的边界等。
[0055]
步骤s1具体为：
[0056]
s11：采集测试车辆的振动数据，根据传感器轴向将数据分别标记为x,y,z轴数据，提取测试车辆的z轴振动数据，设置基准采样频率f，当振动数据频率高于f时，采用抗混叠降频方法将z轴振动数据降频至f，当振动数据频率低于f时，采用线性插值方法将z轴振动数据升频至f。同时设定平整度更迭计算周期t。
[0057]
车辆振动数据采集可以通过手机应用采集、外设振动传感器采集、车载自诊断系统读取等方式，z轴的数据频率不得低于1hz，本实施例中z轴数据频率》20hz。抗混叠降频采用有限长冲激响应(fir)数字低通滤波器，计算周期t应根据路网规模进行选择，不得低于30分钟，本实施例中计算周期为24小时。
[0058]
为避免样本量大小对于检测结果的影响，在实际操作中可调整已知路段样本容量，若路网车流量较小，车辆振动数据较小，则提高已知路段样本容量至20％及以上；当已知样本有限时，则通过扩大计算周期t，从而满足数据体量需求。
[0059]
s12：计算各测试车辆z轴振动加速度数据在计算周期t内的功率谱密度，将频率带以δl距离的倍频程距离进行切割，倍频程长度不超过10hz，计算每个倍频程内的功率谱密度积分值。
[0060]
对车辆参数进行标定，需要少量的路网路段平整度参数已知，因此s2：将待检测路网g中平整度指数梯度大于预设阈值的路段作为已知平整度路段，其集合为r，其他未知平整度的路段集合为u，获取已知平整度路段r的平整度指数。
[0061]
本实施例中，s2选取平整度指数梯度较大的10％的路段作为已知平整度路段，采用激光检测、振动检测、水准仪检测等方式获取其平整度指数，平整度指数包括但不限于国际平整度指数、行驶舒适度指数等可客观评价路面平顺性的参数，已知平整度路段的选取步骤具体包括：
[0062]
当待检测路网g总路段数的10％为非整数时，已知平整度路r的总数num(r)向上取整；
[0063]
当路网g中的路段历史平整度数据已知时，即选择路网中平整度最大的路段iri
max
与最小的路段iri
min
，并以(iri
max-iri
min
)/(num(r)-1)为间隔，分别提取iri与iri
min
+n*(iri
max-iri
min
)/(num(r)-1)最接近的路段作为已知路段，n为1到num(r)-2的自然整数；
[0064]
当路网g中的路段历史平整度数据未知时，即选择路网中车辆z轴平均振动幅度最大的路段acc
max
与最小的路段acc
min
，并以(acc
max-acc
min
)/(num(r)-1)为间隔，分别提取iri与acc
min
+n*(acc
max-iri
min
)/(num(r)-1)最接近的路段作为已知路段，n为1到num(r)-2的自然整数。
[0065]
s3：获取测试车辆的行驶轨迹，根据测试车辆的行驶轨迹和已知平整度路段信息获取车辆数阈值，具体包括：
[0066]
获取测试车辆的行驶轨迹，将测试车辆集v根据通过已知路段的数量进行分类：v＝{v1,v2,v3,...,v
max
}，v1,v2,v3,...,v
max
分别为通过1、2、3
…
max个已知路段的车辆，其中，绘制分类后测试车辆集的频率分布直方图，计算预设车辆分位数值q所对应的通过已知平整度路段的数量作为车辆数阈值mq，当mq为非整数时，向上取整，2≤mq≤max。
[0067]
本实施例中，q取85％。
[0068]
s4：提取中的车辆作为计算车辆，获取计算车辆的z轴振动数据计算器车辆参数，为经过路段数量大于等于mq的车辆。
[0069]
车辆参数包括车辆悬架参数p、q和车辆模型截距b，b主要表征了某一稳定速度下车辆发动机产生的影响，步骤s4中基于最小二乘法拟合获取车辆参数：
[0070][0071]
其中，iri为平整度指数，k为倍频程总数，ω为角速度，δl为倍频程距离，sa(ω)为功率谱密度，为每个倍频程内的功率谱密度积分值。
[0072]
上述步骤s1～4中，基于小样本已知平整度路段预估车辆参数第一步，基于小样本已知平整度路段预估车辆参数，车辆振动是路面平整度最直接也是最普遍的表达，但受到车辆自身悬架参数与发动机性能的影响，相同的路面平整度可能会产生截然不同的振动特征，因此预估车辆的参数是进行路网级路面平整度检测的第一个步骤，因此上式为具有p，q，b三个参数的线性方程，利用最小二乘法即可拟合模型参数，因此至少需要车辆至少经过三个已知路段，获取三个路段的iri与振动参数，即可计算p，q，b三个参数。根据统计学原理，当车辆经过的路段数量越多，即拟合模型的样本量越大，拟合的结果置信度越高。进一步地，本发明计算85％车辆数分位数所对应的通过已知标签道路的数量，用以保证预估的车辆参数置信度处于较高水平，避免参数预估误差对于后续计算的影响。
[0073]
s5：基于预估的车辆参数计算未知平整度路段的平整度指数，具体包括：
[0074]
s51：基于预估的车辆参数及其功率谱密度积分值，计算中车辆经过未知平整度路段的平整度指数irij，当多辆车经过同一路段时，计算经过同一路段的多个测试车的平整度指数的预估平整度标准差σj；
[0075]
s52：根据公式：筛选经过车辆数最多且预估平整度标准差最小的路段其中，size(irij)为路段j经过的车辆数，
[0076]
s53：计算经过路段的多个车辆的平整度指数iri的均值作为路段的平整度指数，将路段加入已知平整度路段r，并从u中移出。
[0077]
步骤s5中，基于预估的车辆参数计算平整度位置的路段参数，经过s1～s4，路网中多车参数均已经被估计，当这些车辆驶入平整度参数未知的路段时，采集车辆的振动数据，利用iri公式可以计算位置路段的的iri，由于同一未知路段会被多辆已知参数的车辆驶过，因此也会被多次预估。由于车辆本身悬架参数估计存在误差，且多车经过同一路段的速度可能存在差异，其预估的iri也不同。为了提高模型预估的置信程度，基于共识选取所有预估路段中采集次数最多、分布离散性最低，即结果最稳定的道路。
[0078]
s6：重复步骤s3～s5进行多次迭代，直至u为空集。每次迭代后，仅将结果置信度最
高的一条路段从未知集移动到已知集中。因此，每次迭代后，未知路段的数目-1，已知路段数据+1，本发明迭代过程基于半监督机器学习模型进行检测，假设路网中未知路段总数为num(u)，则需要num(u)次迭代可计算全部路段的平整度参数，其迭代过程如图2所示。
[0079]
在每次迭代过程中，车辆的参数和未知路段的平整度均需要重新计算。本实施例中，s6每次迭代后，比较连续两次迭代过程后的每辆车的参数p、q、b的差异百分比：
[0080][0081][0082][0083]
其中，χ
p
、χq、χb分别为本次迭代与上次迭代的p、q、b的差异百分比，d为迭代次数，若χ
p
、χq、χb中任意一项超过设定阈值，将该车辆剔除测试车辆集进行第d+1次迭代，并在第d+2次迭代中将剔除的车辆再次加入到测试车辆集中。
[0084]
本实施例中，本发明方案具体实施过程如下：
[0085]
(1)通过车载手机app与固定支架采集路网中500辆车的振动数据，数据采集频率为200hz，路网中含有50条路段，编号为1～50，其中已知路段平整度如表1，所有已知的平整度参数均为激光检测车采集的国际平整度指数iri数据。
[0086]
表1已知平整度参数路段
[0087]
编号49162829iri3.9874.9114.1522.9175.264编号3035394448iri5.9136.5399.8602.7623.398
[0088]
(2)统计各路段行驶过车辆分布情况与车辆行驶过路段的分部数，如图3、4所示，通过累计分布图可以得出m
85％
为3，即选择经过已知路段大于3的所有车辆，用过手机app采集的振动数据，图5显示了编号3，280，400三辆车的功率谱密度积分与已知iri的关系，通过多元线性回归式(1)，利用最小二乘法估计模型参数p，q，b。
[0089]
(3)利用已估计参数的车辆经过未知iri路段时的振动数据，基于式(1)计算其路面平整度iri，如图7所示。计算各个路段的iri预估标准差，将该路段的iri赋值，进行迭代，最终获得路网全部路段的遍历计算结果，如图6所示。
[0090]
(4)模型精度评价
[0091]
根据上述模型算法计算的路网路面平整度平均相对误差为9.71％，最高路段相对误差出现在编号40上为46.5％，其绝对误差为1.15m/km，考虑该位置的iri本身较低，而训练的路段大多数iri分布在4.5m/km左右，因此在iri较低的位置表现力较差。从图6中可以看出，半监督学习模型整体表现优秀，基本符合路面实际的iri分布状况，绝大多数的相对误差均可保持在10％以内，在iri较高位置及较低位置出现了误差的跌宕状态，考虑原因在于训练样本的iri分布模拟了实际的道路正态分布形态，因此过高和过低iri的样本容量较少，在训练过程中难以充分的表达，但整体趋势仍符合路段分布真实情况。
[0092]
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。