梁冠群，赵 通，王 岩，危银涛

（清华大学车辆与运载学院，汽车安全与节能国家重点实验室，北京 100084）

前言

路面不平度对于车辆的行驶安全和驾乘舒适性均有很大影响，掌握路面不平度信息对于车辆动力学控制尤其是悬架控制具有重要意义。在悬架控制中，需要满足乘坐舒适性和行驶安全性的双重要求，而不同不平度等级的路面下无法利用同一套控制参数实现最优的控制效果。因此路面不平度等级信息可以为控制算法的参数调节提供直接有效的依据［1］。

现有的车载道路辨识策略整体可分为直接和间接两种方式。直接辨识的方式通过对道路表面进行感知测量来实现，它通常需要借助专用的传感器。表面光度仪是最简单、便捷的测量方法，但是它需要特殊定制且成本高，无法实现大规模商用。可见光成像是一种被广泛采用的方法，手工提取道路图像的颜色、纹理和边缘特征，通过训练神经网络分类器实现道路辨识［2］；还有利用包含干路、湿路、雪路和泥路图像的数据集，用深度学习中的卷积神经网络模型进行端到端的辨识［3］。但是这种深度学习方法需要巨大的计算量，并且它的性能严重依赖于训练数据量。路面点云模型法利用车载激光雷达获取路面的三维点云数据，用形态梯度计算点集的粗糙度，在复杂环境下的实车实验证实该算法能够自适应地实现道路辨识［4］。但激光雷达价格昂贵，建立点云时需要较大计算量和存储空间，可移植性也比较差。……