(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111454446.8 (22)申请日 2021.11.29 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 杨世春　李佶翀　叶泽昌　陈昱伊　 石润吾　曹耀光　闫啸宇　 (74)专利代理 机构 北京海虹嘉诚知识产权代理 有限公司 1 1129 代理人 高丽萍 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 基于多MEMS传感器数据融合的道路表面状 况感知方法和系统 (57)摘要 本发明提供了一种基于多MEMS传感器数据 融合的道路表 面状况感知方法和系统， 该方法通 过MEMS加速度传感器和压力传感器采集轮胎的 法向加速度、 压力和轮胎所受横向力； 然后通过 计算得到轮胎法向形变、 压力变化以及轮胎与路 面的接触面积； 再采用深度学习算法上述数据进 行学习训练， 得到道路表面破坏程度评价模型、 道路表面平整度评价模型以及道路表面抗滑系 数评价模型； 最后对得到的道路表面平整度、 道 路表面破坏程度以及道路表面抗滑系数的评价 模型进行融合计算， 得到量化的道路表面状况 值， 分析出当前行驶中的道路表面状况。 本发明 基于多MEMS传感器数据的深度学习 融合的计算 框架， 通过数值量化道路表面状况， 实现了对道 路表面状况的实时监测。 权利要求书2页 说明书7页 附图2页 CN 114282430 A 2022.04.05 CN 114282430 A 1.一种基于多MEMS传感器数据融合的道路表面状况感知方法， 其特征在于， 包括以下 步骤： 数据采集步骤： 通过MEMS加速度传感器采集轮胎法向加速度， 并通过MEMS压力传感器 采集轮胎的压力和轮胎所受横向力； 数据计算步骤： 根据法向加速度计算得到轮胎法向形变， 根据轮胎的压力计算得到轮 胎压力变化， 并根据轮胎法向形变和轮胎的宽度计算得到轮胎与路面的接触面积； 模型建立步骤： 采用深度学习算法对轮胎法向形变和轮胎压力变化进行学习训练， 得 到道路表面破坏程度评价模型和道路表面平整度评价模型； 通过卡尔曼滤波算法对轮胎压力 变化、 轮胎 所受横向力和轮胎与路面的接触面积进行 过滤， 再采用深度学习算法对过滤后的数据进行学习训练， 得到道路表面抗滑系 数评价模 型； 道路表面状况计算步骤： 采用加权平均融合算法对得到的道路表面平整度、 道路表面 破坏程度以及道路表面抗滑系 数的评价模型进行融合计算， 得到量化的道路表面状况值， 分析出当前行驶中的道路表面状况。 2.根据权利要求1所述的基于多MEMS传感器数据融合的道路表面状况感知方法， 其特 征在于， 所述模型建立步骤中道路表面破坏程度评价模型和道路表面平整度评价模型的建 立还包括以下步骤： 第一步骤： 选取0％至70％的轮胎压力变化和法向形变数据作为道路表面平整度的评 价数据， 选取剩余的轮胎压力变化和法向形变数据作为道路表面破坏程度的评价数据； 第二步骤： 根据道路表面平整度以及道路表面破坏程度的评价数据， 采用深度学习算 法， 构建描述道路表 面平整度以及道路表面破坏程度与轮胎压力变化和法向形变之 间函数 关系的假设函数， 并构建描述 假设函数好坏以及评估参数优劣的损失函数； 第三步骤： 采用 梯度下降算法得到损 失函数的最小值， 将最小值与构建的道路表面平 整度以及道路表面破坏度的假设函数分别结合， 分别得到道路表面平整度的评价模型和道 路表面破坏程度的评价模型。 3.根据权利要求1所述的基于多MEMS传感器数据融合的道路表面状况感知方法， 其特 征在于， 所述模型建立步骤中在采用深度学习算法对过滤后的数据进行学习训练后， 还构 建描述道路表面抗滑系数与轮胎压力变化、 轮胎所 受横向力和轮胎与路面的接触面积之间 函数关系的假设函数， 以及构建描述假设函数好坏以及评估参数优劣的损失函数， 并采用 梯度下降算法得到损失函数的最小值， 将最小值与构建的道路表面抗滑系数的假设函数进 行结合， 得到道路表面 抗滑系数评价模型。 4.根据权利要求1所述的基于多MEMS传感器数据融合的道路表面状况感知方法， 其特 征在于， 所述M EMS加速度传感器和M EMS压力传感器均设置在轮胎内壁。 5.根据权利要求1所述的基于多MEMS传感器数据融合的道路表面状况感知方法， 其特 征在于， 所述数据采集步骤中在采集完轮胎的各项数据后， 还对采集到的电信号进行差值 放大和滤波， 实现模数转换。 6.一种基于多MEMS传感器数据融合的道路表面状况感知系统， 其特征在于， 包括依次 连接的数据采集模块、 数据计算模块、 模型建立模块和道路表面状况计算模块， 所述数据采集模块： 包括多个MEMS传感器， 所述多个MEMS传感器包括MEMS加速度传感权　利　要　求　书 1/2 页 2 CN 114282430 A 2器和MEMS压力传感器， 通过MEMS加速度传感器采集轮胎法向加速度， 并通过MEMS压力传感 器采集轮胎的压力和轮胎所受横向力； 所述数据计算模块： 根据法向加速度计算得到轮胎法向形变， 根据轮胎的压力计算得 到轮胎压力变化， 并根据轮胎法向形变和轮胎的宽度计算得到轮胎与路面的接触面积； 所述模型建立模块： 采用深度学习算法对轮胎法向形变和轮胎压力变化进行学习训 练， 得到道路表面破坏程度评价模型和道路表面平整度评价模型； 并通过卡尔曼滤波算法 对轮胎压力变化、 轮胎所受横向力和轮胎与路面的接触面积进行过滤， 再采用深度学习算 法对过滤后的数据进行 学习训练， 得到道路表面 抗滑系数评价模型； 所述道路表面状况计算模块： 采用加权平均融合算法对得到的道路表面平整度、 道路 表面破坏程度以及道路表面抗滑系数的评价模型进行融合计算， 得到量化的道路表面状况 值， 分析出当前行驶中的道路表面状况。 7.根据权利要求6所述的基于多MEMS传感器数据融合的道路表面状况感知系统， 其特 征在于， 所述模型建立模块包括： 第一单元： 选取0％至70％的轮胎压力变化和法向形变数据作为道路表面平整度的评 价数据， 选取剩余的轮胎压力变化和法向形变数据作为道路表面破坏程度的评价数据； 第二单元： 根据道路表面平整度以及道路表面破坏程度的评价数据， 采用深度学习算 法， 构建描述道路表 面平整度以及道路表面破坏程度与轮胎压力变化和法向形变之 间函数 关系的假设函数， 并构建描述 假设函数好坏以及评估参数优劣的损失函数； 第三单元： 采用深度学习算法中的梯度下降算法得到损 失函数的最小值， 将最小值与 构建的道路表面平整度以及道路表面破坏度的假设函数分别结合， 分别得到道路表面平整 度的评价模型和道路表面破坏程度的评价模型。 8.根据权利要求6所述的基于多MEMS传感器数据融合的道路表面状况感知系统， 其特 征在于， 所述模型建立模块中在采用深度学习算法对过滤后的数据进行学习训练后， 还构 建描述道路表面抗滑系数与轮胎压力变化、 轮胎所 受横向力和轮胎与路面的接触面积之间 函数关系的假设函数， 以及构建描述假设函数好坏以及评估参数优劣的损失函数， 并采用 梯度下降算法得到损失函数的最小值， 将最小值与构建的道路表面抗滑系数的假设函数进 行结合， 得到道路表面 抗滑系数评价模型。 9.根据权利要求6所述的基于多MEMS传感器数据融合的道路表面状况感知系统， 其特 征在于， 在所述数据采集模块中， 所述MEMS加 速度传感器和 MEMS压力传感器均设置在轮胎 内壁。 10.根据权利要求6所述的基于多MEMS传感器数据融合的道路表面状况感知系统， 其特 征在于， 在所述数据采集模块中， 在 采集完轮胎的各项 数据后， 还对采集到的电信号进行差 值放大和滤波， 实现模数转换。权　利　要　求　书 2/2 页 3 CN 114282430 A 3