本發(fā)明涉及一種基于深度學(xué)習(xí)的路面摩擦力估計方法、裝置和介質(zhì)，屬于深度學(xué)習(xí)。

背景技術(shù)：

1、?隨著我國高速公路的迅猛發(fā)展，瀝青路面因其具有強(qiáng)度高，耐久性好等優(yōu)點被我國高等級公路路面大量應(yīng)用。瀝青路面面層暴露在自然環(huán)境中，在行車荷載和環(huán)境因素的共同反復(fù)作用下,抗滑性能衰退摩擦系數(shù)降低，導(dǎo)致車輛在制動時易失去控制，從而引起交通事故發(fā)生。因此，在行車過程中，及時摩擦系數(shù)估計，有助于保證行車安全，減少交通事故的發(fā)生。常用的路面摩擦系數(shù)測試方式包括使用擺式摩擦系數(shù)儀，擺式摩擦系數(shù)儀操作簡單使用方便，可用于路面現(xiàn)場檢測和室內(nèi)試驗，但易受人為因素影響，且不能連續(xù)測量。動態(tài)摩擦系數(shù)儀可以測試?0~80?km/h車速下路面的摩擦系數(shù)，但只能單點測試需要封閉交通。橫向力系數(shù)測試設(shè)備將試驗輪與行車方向設(shè)定成成一定的角度,行車時輪胎與路面接觸產(chǎn)生一個橫向的摩擦阻力，由此計算橫向力系數(shù)sfc，但設(shè)備造價昂貴，不適用于大面積推廣。因此，一種快速，高效、經(jīng)濟(jì)的摩擦系數(shù)估計方法的研究具有很大的應(yīng)用價值和現(xiàn)實需求

2、近些年，機(jī)器學(xué)習(xí)成為人工智能中最具智能特征、最前沿的研究領(lǐng)域之一。使用計算機(jī)模擬實現(xiàn)類似人類學(xué)習(xí)活動，目前已在圖像識別、自動語音識別、數(shù)據(jù)預(yù)測、網(wǎng)站搜索等領(lǐng)域得到了廣泛的應(yīng)用。許多專家學(xué)者通過機(jī)器學(xué)習(xí)的方式，預(yù)測摩擦系數(shù)。zhangyou等，介紹了一種新型深度殘差網(wǎng)絡(luò)(resnets)，稱為?friction-resnets，專為基于表面紋理數(shù)據(jù)集的路面摩擦預(yù)測而設(shè)計。friction-resnets?架構(gòu)由11個卷積層、1個平均池化層和1個具有數(shù)百萬個神經(jīng)元的全連接層組成。pedro?marcelino使用python機(jī)器學(xué)習(xí)庫scikit-learn?來預(yù)測瀝青路面摩擦。使用來自長期路面性能(ltpp)數(shù)據(jù)庫的數(shù)據(jù)，選擇了遍布美國的113個不同路段的瀝青混凝土路面。根據(jù)這些數(shù)據(jù)建立了兩個機(jī)器學(xué)習(xí)模型來預(yù)測摩擦系數(shù)。路面的抗滑性能與路面裂縫密切相關(guān)，本發(fā)明旨在識別檢測裂縫的同時，能夠反饋該裂縫的摩擦系數(shù)，以此對駕駛員做到提醒，實現(xiàn)智能駕駛的應(yīng)用目的，故針對路面裂縫數(shù)量與路面抗滑性能的內(nèi)在聯(lián)系。bp神經(jīng)網(wǎng)絡(luò)算法有很強(qiáng)的非線性映射能力，但是傳統(tǒng)的bp網(wǎng)絡(luò)算法不僅收斂速度較慢，而且初始神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的選取具有隨機(jī)性，將會出現(xiàn)預(yù)測精度差、預(yù)測不穩(wěn)定等問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明目的是提供了一種基于深度學(xué)習(xí)的路面摩擦力估計方法、裝置和介質(zhì)，提升了路面摩擦系數(shù)的檢測效率和準(zhǔn)確度。

2、本發(fā)明為實現(xiàn)上述目的，通過以下技術(shù)方案實現(xiàn)：

3、一種基于深度學(xué)習(xí)的路面摩擦力估計方法，包括：

4、采集數(shù)據(jù)集，包括路面裂縫類型和對應(yīng)的摩擦系數(shù)，對數(shù)據(jù)集預(yù)處理后劃分測試集和訓(xùn)練集；

5、建立路面摩擦系數(shù)預(yù)測模型，所述路面摩擦系數(shù)預(yù)測模型為采用改進(jìn)的魚鷹優(yōu)化算法優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)，通過改進(jìn)的魚鷹優(yōu)化算法獲取模型的最優(yōu)權(quán)重和偏置；所述改進(jìn)的魚鷹優(yōu)化算法基于sobol序列初始化權(quán)重和偏置，改進(jìn)的魚鷹優(yōu)化算法的第一階段位置更新中采用威布爾分布的隨機(jī)數(shù)作為步長因子，利用螢火蟲算法對改進(jìn)的魚鷹優(yōu)化算法的第二階段更新的位置擾動；

6、將訓(xùn)練集數(shù)據(jù)輸入路面摩擦系數(shù)預(yù)測模型，最優(yōu)權(quán)重和偏置進(jìn)行訓(xùn)練；

7、使用訓(xùn)練完成的路面摩擦系數(shù)預(yù)測模型預(yù)測路面裂縫的摩擦系數(shù)。

8、優(yōu)選的，所述通過改進(jìn)的魚鷹優(yōu)化算法獲取模型的最優(yōu)權(quán)重和偏置，具體方式如下：

9、基于sobol序列初始化權(quán)重和偏置，并計算初始適應(yīng)度值；

10、在魚鷹優(yōu)化算法第一階段更新權(quán)重和偏置的位置并計算新的適應(yīng)度值；引入威布爾分布的隨機(jī)數(shù)作為步長因子改進(jìn)魚鷹優(yōu)化算法的第一階段位置更新過程；

11、通過魚鷹優(yōu)化算法的第二階段對權(quán)重和偏置的位置進(jìn)行更新；

12、將通過第二階段后的權(quán)重和偏置作為初始種群，利用螢火蟲算法的擾動策略進(jìn)行第二階段的位置更新；

13、迭代魚鷹優(yōu)化算法第一階段和第二階段，直到滿足終止條件，輸出最優(yōu)權(quán)重和偏置參數(shù)。

14、優(yōu)選的，所述路面摩擦系數(shù)預(yù)測模型的神經(jīng)元間的激活函數(shù)采用非線性變換sigmoid函數(shù)。

15、優(yōu)選的，基于sobol序列初始化權(quán)重和偏置，具體方式如下：

16、生成一個n×d的sobol矩陣，每個元素表示一組權(quán)重和偏置，遍歷每個參數(shù)，將sobol矩陣的每個值從[0,1]映射到對應(yīng)參數(shù)的上下界范圍內(nèi)，得到bp神經(jīng)網(wǎng)絡(luò)權(quán)重和偏置種群分布，具體公式如下：

17、?，

18、其中，為搜索空間維數(shù)，為種群數(shù)量。

19、優(yōu)選的，引入威布爾分布的隨機(jī)數(shù)作為步長因子后第一階段位置更新公式如下所示。

20、?，

21、式中，是受威布爾分布影響的隨機(jī)步長因子，其尺度參數(shù)為1，形狀參數(shù)為0.5；為第一階段新的權(quán)重和偏置，為第組權(quán)重和偏置，為被選定的權(quán)重和偏置，為隨機(jī)數(shù)，取值范圍為。

22、優(yōu)選的，所述利用螢火蟲算法進(jìn)行改進(jìn)的魚鷹優(yōu)化算法的第二階段位置更新，具體方式如下：

23、將通過魚鷹算法第二階段更新的權(quán)重和偏置作為初始種群，將權(quán)重和偏置適應(yīng)度值作為初始亮度，計算每對權(quán)重和偏置的相對亮度和吸引力；

24、根據(jù)初始種群中任意兩權(quán)重和偏置的相對亮度大小進(jìn)行位置移動，其中一組權(quán)重和偏置相對亮度小于另一組權(quán)重和偏置時，權(quán)重和偏置相對亮度小的一組根據(jù)公式向權(quán)重和偏置相對亮度大的一組移動，所述公式如下：

25、?，

26、其中，是相對亮度小的一組權(quán)重和偏置通過第二階段后的位置，是相對亮度大的一組權(quán)重和偏置通過第二階段后的位置，是螢火蟲干擾后的位置，屬于[0,1]，是一個服從均勻分布[0,1]的隨機(jī)數(shù)，是兩組權(quán)重間的吸引力；

27、通過如下公式對邊界處理：

28、?，

29、若更新后的位置的適應(yīng)度值更高，則進(jìn)行位置替換，并獲得此階段權(quán)重和偏置的位置更新，公式如下：

30、?，

31、其中，是位置的適應(yīng)度值，是第組權(quán)重和偏置在擾動后的位置，第二階段后第組權(quán)重和偏置的適應(yīng)度值。

32、一種基于深度學(xué)習(xí)的路面摩擦力估計裝置，包括處理器和存儲有程序指令的存儲器，所述處理器被配置為在運行所述程序指令時，執(zhí)行所述的基于深度學(xué)習(xí)的路面摩擦力估計方法。

33、一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該程序被處理器執(zhí)行時實現(xiàn)所述的基于深度學(xué)習(xí)的路面摩擦力估計方法。

34、本發(fā)明的優(yōu)點在于：本發(fā)明采用深度學(xué)習(xí)技術(shù)實現(xiàn)自動化檢測，減少了對人工操作的依賴，大幅提升了路面摩擦系數(shù)的檢測效率。相比傳統(tǒng)的人工檢測方法，本發(fā)明能夠?qū)崿F(xiàn)實時、連續(xù)的路面摩擦系數(shù)檢測，避免了因人工操作導(dǎo)致的數(shù)據(jù)延遲和不準(zhǔn)確。通過利用改進(jìn)的對bp神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值進(jìn)行優(yōu)化，提高了模型的收斂速度和預(yù)測精度。相比高成本的動態(tài)摩擦系數(shù)儀和橫向力系數(shù)測試設(shè)備，本發(fā)明的方法依賴于圖像采集和處理，設(shè)備成本相對較低，便于大規(guī)模推廣應(yīng)用。