韦强 熊璐 张培志

摘要：通过对目前半主动悬架控制系统的研究分析，传统的半主动悬架控制系统在经过一些特定的工况产生的瞬态冲击，可能会由于悬架控制系统的响应迟滞效应无法对每次较大的瞬态冲击做到快速控制响应，对于整车舒适性带来一定影响。本文提出一种基于深度学习图像检测技术的半主动悬架控制系统，旨在通过视觉感知前方对车辆乘坐舒适性带来较大影响的特征工况（如减速带），再融合半主动悬架特殊工况识别控制算法，优化半主动悬架控制系统。

Abstract： Research on control system of Semi-active Suspension. The vehicle passes through some roads to make passengers feel uncomfortable，It due to the hysteresis effect of the response of the suspension control system， and it cannot be impossible to achieve a fast control response to each large transient impact. This paper proposes that a semi-active suspension control system based on deep learning image detection technology， The aim is to optimize the control system of semi-active suspension by visual perception of the front feature conditions （such as speed bumps） that have a great influence on vehicle ride comfort， and then by integrating the control algorithm of semi-active suspension special condition recognition.

關键词：深度学习;神经网络;半主动悬架控制

Key words： deep learning;the neural network;semi-active suspension control

中图分类号：U463.33                                  文献标识码：A                                  文章编号：1674-957X（2022）02-0045-03

1  系统方案

本文通过研究目前半主动悬架系统的控制策略，结合深度学习的图像检测技术去识别车辆前方的特殊工况-减速带，将之融合到半主动悬架控制系统中，提升半主动悬架系统的控制效果。本文通过Matlab/Simulink 建立悬架/整车动力学模型以及控制策略，并对其进行仿真测试验证;通过摄像头输入，图像处理，再进行深度学习的神经网络选择与搭建，将输入处理好的标签信息进行训练，学习以及识别，而后将训练好的网络模型放入图像检测软件中识别验证;最后，将图像检测与半主动悬架控制系统进行融合仿真以及实车验证。

2  深度学习的神经网络目标检测

2.1 YOLO V3模型的基本原理

本文通过视觉识别的目标对象为减速带特征工况，主要采用深度学习神经网络模型是YOLO V3，其主要基于YOLO V1/V2网络架构进行了改进优化，YOLO V3神经网络模型在输入原始图像情况下，按照特定的规则在图片上生成多个候选区域，根据生成的候选区域与图片上物体真实框之间的位置关系对候选区域进行特定标注。然后通过DarkNet 53卷积特征提取图片特征并对其候选区域的位置与类别进行预测，这样每个预测框便可作为一个样本，再根据真实框相对预测框的位置和类别进行标注，进而获取其标签值，最后通过神经网络模型进行预测其位置和类别，将预测值和标签值进行比较，通过建立各项损失函数，计算预测框得分和位置进行预测输出。

2.2 YOLO V3模型的训练及识别

本文采用的YOLO V3模型进行目标检测，为此在进行实际检测之前，需要对YOLOV3网络模型的训练，首先对模型的训练环境进行搭建，然后收集训练所需的数据集，数据集主要来源于三个方面，一方面是通过VOC数据集获取，第二种是通过网络数据集获取，第三种是通过实际相机拍摄的图片获取，利用labelImg工具进行打标签并通过脚本生成训练所需的数据集， 将数据分成训练集，测试集和验证集，放入YOLO V3训练所需的权重yolov3.weights，然后进行训练，训练时设置好batch_size、Epoch，在模型的训练过程中，不断调整网络中的参数，优化损失函数loss的值达到最小，完成模型的训练，最后可将该训练好的模型用于实际的实时检测。

YOLO V3模型进行目标检测结果：

上述YOLO V3模型训练结束后，将训练好的权重文件放入将要进行实际检测的脚本目录中，然后将在jupyter运行环境中链接实际摄像头用于目标检测，实际检测的结果如图1所示。

3  预瞄控制策略

3.1 轴前预瞄控制策略原理

本章单目视觉测距主要是通过第二章实时检测出的目标减速带特征信息，即YOLO V3神经网络模型输出的预测框信息，利用相机成像的原理进行“逆变换”处理，即可将二维的图像信息逆向求解出现实世界对应的三维目标空间信息，为此，本章主要工作需要将像素坐标上的特征信息“逆向转换”求解出对应的世界坐标系下的坐标点，并利用相机标定信息以及现实世界实际减速带尺寸距离等的先验信息，最终计算出通过YOLO V3检测出的目标减速带的预测距离。坐标系对应关系图如图2 所示。

3.2 轴间预瞄控制策略原理

轴间预瞄以后轴作为参考基点，需要根据车辆的车速以及加速度以及已知车辆轴距信息进行轴间预瞄，计算出后轴减震器将要通过减速带作动的时间[1]，其公式如下：

式中，L为车辆前后轴的轴距，v表示前轴识别减速带时的车速大小，？琢表示整车加速度大小，t表示时间，其中L为车辆前后轴的轴距根据整车配置参数信息已知，v和a作为整车行驶的状态也可获悉，为此可以求得当前轴识别到减速带时，后轴预瞄控制的时间，最终结合悬架系统的迟滞性确定后轴阻尼调节的最佳时间。

4  半主动悬架控制动力学模型

根据本文半主动悬架控制策略，主要目的需要解析出车辆姿态，簧载质量以及非簧载质量的运动状态，建立七自由度整车模型，通过整车运动学解析出车辆俯仰角/俯仰角速率;建立二分之一整车模型，通过侧倾运动学，解析出侧倾角/侧倾角速率，通过横向运动学，解析出横摆角/横摆角速率;建立四分之一悬架模型，通过动力学方程解析出簧载质量以及非簧载质量垂向运动状态。

本文通过建立包含车身侧倾、俯仰、垂向运动以及四个车轮垂向运动的七自由度模型，具体如图3所示。

5  基于深度学习图像识别半主动悬架控制系统实车数据验证

本文对视觉识别与半主动悬架融合控制系统的车辆以垂向控制的工况进行试验分析。试验条件是车辆以一定车速直线行驶经过一条减速带，由于我们日常大部分经过减速带的为中低车速段，本文将采用60km/h中低车速经过减速带，为保证试验数据对比情况，经过减速带前后车速保持，油门，刹车，转向维持一致，分别记录被动悬架，传统半主动悬架控制系统和视觉融合的半主动悬架的车辆以60km/h通过减速带时车身振动加速度信号变化情况。

被动悬架数据结果如图4所示。

傳统半主动悬架数据结果如图5所示。

视觉融合的半主动悬架数据结果如图6所示。

由图4-图6试验结果分析，在60km/h中高车速条件下，被动悬架的车辆车身加速度峰值为 5.31m/s2;传统半主动悬架的车辆车身加速度峰值为3.56m/s2;视觉融合的半主动悬架的车辆车身加速度峰值为2.62m/s2;这说明装有加速度传感器的半主动悬架相比传统的被动悬架能够一定程度减小车辆过减速带的振动影响，但相比视觉融合的半主动悬架控制系统，通过视觉预瞄车辆前方的减速带适时调节减震器阻尼大小，能够较好地优化半主动悬架控制系统的迟滞性效应，为此其视觉融合的半主动减震效果最佳。

6  结论

①本人提出了利用深度学习的图像检测技术的半主动悬架控制系统方案，能够有效地优化半主动悬架控制系统迟滞性问题，能够较好地降低过减速带时的车速抖动情况，说明通过视觉融合半主动悬架的方案设计方案合理。

②通过视觉感知的方案对于一些特征路况方案确实可行，但该视觉融合半主动悬架控制系统仍旧存在一定局限性问题，就是对于一些特征路况能够达到较好地识别效果，但对于复杂多变的不规则路面仍旧无法做到有效性识别问题，且视觉感知系统受复杂多变的道路工况以及极端恶劣环境的影响，这样会导致视觉感知系统难以对车辆前方的道路进行有效判断，为此不能够提供半主动悬架控制系统的预瞄信息，为此，仍需对视觉感知车辆前方道路工况进行更深一步研究。

参考文献：

[1]王刚.基于视觉预瞄的半主动悬架阻尼力控制研究[D].长安大学，2019.

[2]毛坤鹏，贝绍轶.一种减速带的识别方法[P].中国专利：110889342，2019.

[3]秦也辰，董明明，赵丰，顾亮.基于路面识别的车辆半主动悬架控制[J].东北大学学报（自然科学版），2016，37（8）：1138-1141.

[4]刘文彬，温柏坚，高尚，郑杰生，郑颖龙，董召杰，王尧.基于深度学习的智能图像处理研究[J].自动化与仪器仪表，2020，8（01）：60-63.

[5]丁鹏，王忠.基于视觉传感技术的半主动悬架调控方法[J].应用力学学报，2020，37（04）：1682-1688.

[6]Karnopp， D. Active Damping in Road Vehicle Suspension Systems， Vehicle System Dynamics， 12（6）： 291-311.