1. 项目概述从轮速信号中“听”出路面纹理在智能驾驶和车辆工程领域路面状态感知一直是个既基础又关键的课题。路面粗糙度不仅直接影响着车辆的平顺性、能耗和轮胎磨损更是高级驾驶辅助系统ADAS和自动驾驶算法进行路径规划与决策的重要输入。传统的路面检测方法要么依赖价格高昂的专用检测车配备激光轮廓仪或高精度惯性测量单元要么需要复杂的多传感器融合和云端数据共享不仅成本高实时性和普适性也常常受限。那么有没有可能利用车辆上已经“标配”的传感器以近乎零边际成本的方式实现可靠的路面粗糙度感知呢答案是肯定的而且钥匙就藏在每个车轮上都有的轮速传感器里。轮速传感器Wheel Speed Sensor, WSS本是用于防抱死制动系统ABS和车身稳定系统ESC的核心部件它通过测量车轮旋转时齿盘或磁编码器产生的脉冲间隔来精确计算轮速。但鲜为人知的是这个看似只输出“速度”的传感器其原始脉冲时间序列信号实际上是一个包含了轮胎-路面复杂相互作用信息的“富矿”。我们这次要深入探讨的正是一种基于轮速传感器信号谱分析的智能路面粗糙度分类方法。其核心思想非常巧妙不同粗糙度的路面会对轮胎产生不同特征的激励这些激励会引发轮胎径向和扭转振动进而调制车轮的瞬时角速度。这种调制虽然微弱但会被高分辨率的WSS捕捉到并隐藏在时域脉冲间隔的微小波动中。通过阶次谱分析我们可以将这些与车轮旋转周期同步的振动特征提取出来。研究发现在特定的阶次区间内例如0.5到10阶粗糙路面会激发更多、能量更高的频谱峰值。通过统计这些峰值数量就能构建一个高效的分类器区分平滑与粗糙路面。这项技术的魅力在于它的“无感”和“内生”。它不增加任何新的硬件完全复用现有传感器它不依赖外部网络或高精地图仅凭车辆自身就能实现实时感知。这对于降低系统成本、提升功能安全冗余、以及在无网络覆盖区域实现智能驾驶都有着巨大的工程价值。接下来我将为你层层拆解这个方法的原理、实现细节、实操中的坑与技巧以及如何将其工程化。2. 核心原理为什么轮速信号能“感知”路面要理解这个方法我们需要从物理本质和信号处理两个层面入手。这不仅仅是应用一个算法更是对车辆系统动力学的深刻洞察。2.1 物理基础从路面激励到轮速波动想象一下轮胎滚过一块鹅卵石。轮胎不是刚体它是由橡胶、帘布层构成的复杂粘弹性体。当轮胎胎面与不平整的路面接触时会产生两种主要的激励位移激励路面的高低起伏迫使轮胎产生垂直方向的变形和运动。速度激励轮胎相对于路面凸起或凹陷的运动速度变化。这些激励会引发轮胎的径向振动轮胎整体像弹簧一样上下跳动和扭转振动胎面相对于轮毂发生微小的旋转滞后或超前。关键在于这些振动会改变轮胎的有效滚动半径。一个至关重要的关系式车轮的瞬时角速度 ω 与车辆前进速度 v 以及轮胎的负载半径r_L 相关即 ω v / r_L。当轮胎发生径向振动时负载半径 r_L 会实时变化。即便车辆试图保持恒定速度 v由于 r_L 的微小波动测量到的角速度 ω 也会产生相应的波动。WSS正是通过测量固定角度间隔如每个齿对应的角度所经历的时间来反推瞬时角速度的。因此路面激励引起的轮胎振动最终被编码为WSS原始脉冲时间序列∆t_i的周期性波动。2.2 系统模型扩展的四分之一车辆模型为了定量理解这个传递过程研究人员建立了一个扩展的四分之一车辆模型。这个模型比经典模型更精细它不仅考虑了车身质量簧载质量、悬架、轮毂质量非簧载质量还特别引入了轮胎分割模型将轮胎简化为“胎侧”和“胎面”两部分分别用弹簧-阻尼对模拟其径向和扭转刚度。旋转动力学增加了轮毂的转动惯量和由路面激励通过轮胎扭转刚度传递的扭矩。这个模型的微分方程虽然复杂但其核心作用在于定性解释了我们观察到的现象低通滤波效应悬架和轮胎本身构成一个机械低通滤波器。高频的路面激励如非常细小的纹理会被大幅衰减无法传递到轮速信号中。这决定了我们能够检测到的路面不平度波长范围。参数影响模型表明轮胎压力、载荷、驱动扭矩车辆是前驱、后驱还是四驱都会改变系统的“刚度”和“阻尼”从而影响振动传递函数。这解释了为什么这些因素会成为分类的干扰变量。阶次谱 vs. 频谱这是该方法的一个关键洞见。如果分析频率谱路面特征对应的频率会随着车速变化而偏移因为激励的空间波长固定车速越快时间频率越高。这给特征提取带来了巨大麻烦。而阶次谱以车轮每转一周为基准将特征锁定在固定的“阶次”上例如每转出现2次的振动就是2阶成分。这样无论车速如何变化由固定空间波长路面特征引起的振动总是在阶次谱的同一位置出现极大地简化了分析。2.3 信号特征粗糙路面的“指纹”基于大量实车数据分析研究者发现了粗糙路面在WSS阶次谱上留下的清晰“指纹”峰值数量增加在选定的兴趣区间内粗糙路面对应的阶次谱会出现更多显著的局部峰值。这是因为粗糙路面提供了更丰富、更强的激励激发了轮胎-悬架系统更多的共振模式或谐波成分。峰值相对功率升高不仅峰值数量多这些峰值所携带的能量功率占总区间能量的比例也更高。对车速和驱动状态的依赖这是一个重要的实操发现。在低速如60 km/h时非驱动轮如后驱车的前轮对路面粗糙度更敏感分类效果更好。而在高速时驱动轮的表现更优。这是因为驱动扭矩会“预紧”轮胎的扭转弹簧改变了其滤波特性。同时发动机和传动系统的振动干扰在低速时对频谱影响更大。注意在进行谱分析时必须严格筛选数据段。车辆在加速、减速或急转弯时轮速信号中会混入强烈的非路面相关的动态成分严重扭曲阶次谱导致特征失效。因此一个可靠的“巡航状态检测器”是前置必备模块。3. 方法实现从原始脉冲到分类决策的完整链路理解了“为什么”之后我们来看“怎么做”。整个处理流程可以分解为几个核心步骤我将结合代码片段和参数选择的考量进行说明。3.1 数据预处理与阶次谱计算轮速传感器的原始输出通常是两个上升沿或下降沿之间的时间间隔 ∆t_i单位是微秒。这是一个等角度采样、非均匀时间采样的信号。我们的第一步是将其转化为可用于谱分析的形式。步骤1角度域重采样与信号构建虽然信号本身是在角度域离散采样的但为了应用FFT我们通常需要在角度域构造一个虚拟的“均匀”序列。假设车轮一圈有 N_E 个齿例如48个那么每个采样点对应的角度增量是 ∆θ 2π / N_E。我们可以直接使用原始的时间间隔序列 {∆t_1, ∆t_2, ..., ∆t_N} 作为分析信号因为它本身就代表了瞬时角速度的倒数ω_i ∝ 1/∆t_i的波动。步骤2计算阶次谱我们使用加窗的离散傅里叶变换。对于第 μ 个数据窗口包含N个连续的∆t样本其阶次谱计算公式如下import numpy as np def compute_order_spectrum(delta_t_window, N_E): 计算一个数据窗口的阶次谱。 delta_t_window: 形状为 (N,) 的数组包含N个连续的脉冲时间间隔单位秒。 N_E: 车轮旋转一圈对应的脉冲边沿数。 N len(delta_t_window) # 应用汉宁窗以减少频谱泄漏 window np.hanning(N) windowed_signal delta_t_window * window # 执行FFT。注意这里直接对时间间隔序列做FFT其波动部分即对应角速度波动。 # 更严谨的做法是先转换为瞬时角速度再处理但∆t的波动本身已包含所需信息。 fft_result np.fft.fft(windowed_signal, nN) / np.sqrt(N) # 计算单边幅度谱 magnitude np.abs(fft_result[:N//2]) * 2 # 乘以2恢复单边谱幅度除直流分量 # 计算对应的阶次轴 # 阶次分辨率 1 / (窗口内对应的车轮转数) revolutions_in_window N / N_E order_axis np.fft.fftfreq(N, d1.0)[:N//2] * revolutions_in_window return order_axis, magnitude # 示例参数 N_E_front 48 # 前轮每转脉冲数 N 1024 # 窗口长度推荐为2的幂次以利用FFT效率 order_of_interest (0.5, 10.0) # 兴趣区间参数选择考量窗口长度N选择1024。这是一个权衡。太短则频率/阶次分辨率不足无法区分靠近的峰值太长则时间分辨率下降且容易在一个窗口内混入不同驾驶状态如从巡航变为轻微加速。1024个样本对于48齿的车轮大约对应21.3转在常用车速下能提供约1-3秒的数据足以进行稳定的谱估计。窗口函数使用汉宁窗Hanning。这是为了减少因数据窗口截断引起的“频谱泄漏”让峰值更清晰。虽然会加宽主瓣但能显著抑制旁瓣对于峰值检测利大于弊。兴趣区间IoI选择[0.5, 10]这是基于大量实证分析的结果。低于0.5阶的成分通常与车速的长期趋势或极低频干扰相关高于10阶的区域则开始被动力总成发动机、变速箱的振动谐波所主导这些振动与路面无关是强烈的干扰噪声。3.2 峰值检测在噪声中寻找可靠的特征得到阶次谱后下一步是在兴趣区间内检测并统计显著峰值。直接寻找所有局部极大值会引入大量噪声必须设置自适应阈值。步骤自适应阈值峰值检测算法计算区间统计量在兴趣区间IoI内计算幅度谱的平均值E_I和标准差D_I。设定动态阈值阈值T_I E_I κ * D_I。系数κ经验值取0.95。这个阈值意味着我们只关注那些幅度明显高于该区间平均噪声水平的峰。寻找初始分区找到所有幅度连续超过阈值T_I的阶次段每个连续段记为一个初始分区。扩展分区将每个初始分区向两侧扩展直到遇到第一个局部极小值。这确保了能捕获一个完整峰的全部能量即使其一部分略低于阈值。定位峰值在每个扩展分区内找到幅度最高的点即为该分区对应的峰值。def detect_peaks_in_interval(order_axis, magnitude, order_min, order_max, kappa0.95): 在指定阶次区间内检测峰值。 返回峰值所在的阶次列表和对应的幅度列表。 # 1. 提取兴趣区间内的数据 mask (order_axis order_min) (order_axis order_max) orders_ioi order_axis[mask] mag_ioi magnitude[mask] if len(mag_ioi) 0: return np.array([]), np.array([]) # 2. 计算阈值 E_I np.mean(mag_ioi) D_I np.std(mag_ioi) T_I E_I kappa * D_I # 3. 寻找幅度超过阈值的区域 above_threshold mag_ioi T_I # 找到连续区域的起始和结束索引 regions [] start None for i, is_above in enumerate(above_threshold): if is_above and start is None: start i elif not is_above and start is not None: regions.append((start, i-1)) start None if start is not None: regions.append((start, len(above_threshold)-1)) # 4. 扩展区域至局部极小值 extended_regions [] for s, e in regions: # 向左扩展 left s while left 0 and mag_ioi[left-1] mag_ioi[left]: left - 1 # 向右扩展 right e while right len(mag_ioi)-1 and mag_ioi[right1] mag_ioi[right]: right 1 extended_regions.append((left, right)) # 5. 在每个扩展区域内寻找峰值局部最大值 peak_orders [] peak_mags [] for s, e in extended_regions: region_orders orders_ioi[s:e1] region_mags mag_ioi[s:e1] # 简单寻找最大值点作为峰值 peak_idx np.argmax(region_mags) peak_orders.append(region_orders[peak_idx]) peak_mags.append(region_mags[peak_idx]) return np.array(peak_orders), np.array(peak_mags) # 使用示例 peak_orders, peak_mags detect_peaks_in_interval(order_axis, magnitude, 0.5, 10.0) number_of_peaks len(peak_orders)实操心得阈值系数κ的调校κ0.95是一个不错的起点但可能需要针对不同车型或传感器特性进行微调。如果发现漏检粗糙路面峰值数偏低可以适当降低κ如0.9如果发现误检过多平滑路面峰值数偏高则提高κ如1.0。可以在已知路面类型的标定数据上进行网格搜索优化。峰值合并有时由于频谱泄漏或噪声一个物理峰值可能在频谱上分裂成两个非常接近的峰。可以增加一个后处理步骤如果两个检测到的峰之间的阶次差小于某个阈值例如0.1阶则将其合并为一个取幅度更高的那个。3.3 特征提取与分类逻辑检测到峰值后我们提取两个核心特征峰值数量兴趣区间内检测到的显著峰的数量。峰值相对功率所有扩展分区内信号功率之和与整个兴趣区间总功率的比值。分类决策 研究结果表明峰值数量是一个更稳健、区分度更高的特征。分类可以基于简单的阈值比较如果Number_of_Peaks Threshold(Speed, Drive_Config)则判定为粗糙路面。否则判定为平滑路面。关键在于这个阈值不是固定的而是车速和驱动状态驱动轮/非驱动轮的函数。这是因为如前所述路面激励的传递特性随这些条件变化。我们需要通过大量标定数据建立一个二维查找表。平均车速 (km/h)驱动轮阈值 (峰值数)非驱动轮阈值 (峰值数)建议滑动滤波窗口长度 (数据窗个数)30861545910126011910751288901376表一个示例性的参考查找表数值为示意需实际标定。滑动滤波用于平滑峰值数量的瞬时波动窗口长度随车速增加而减小以适应更快的路面变化响应。工程实现流程数据流实时接收WSS原始脉冲时间∆t。缓存与分段缓存连续的∆t每凑够1024个样本一个数据窗触发一次处理。驾驶状态判断计算该数据窗内的平均轮速和轮速方差。如果轮速变化超过阈值例如加速度绝对值 0.5 m/s²则丢弃该窗口不进行分类。特征计算对通过检查的数据窗计算阶次谱 - 在IoI内检测峰值 - 得到峰值数量NoP。滤波根据当前平均车速从查找表获取滑动滤波窗口长度。将当前NoP加入历史队列并计算队列中位数或均值作为滤波后的NoP_filtered。分类根据当前平均车速和驱动轮标志从查找表获取分类阈值。比较NoP_filtered与阈值输出路面粗糙度分类结果平滑/粗糙。4. 影响因素深度解析与调优策略任何基于模型或特征的方法都必须深入理解其边界条件和影响因素。这里详细拆解几个关键变量如何影响峰值数量特征以及我们如何应对。4.1 车速最核心的影响变量车速的影响是系统性的、非线性的。现象随着车速增加无论是平滑还是粗糙路面峰值数量NoP的整体趋势是增加的。但粗糙路面NoP的增加斜率更陡。物理原因车速提高意味着路面激励的时间频率增加。轮胎和悬架的低通滤波特性会衰减高频成分。但对于粗糙路面其激励能量更强能在更高频段对应更高阶次仍然产生超过检测阈值的峰值。因此高速下两者的NoP差异可能更明显尤其是驱动轮。策略必须建立车速依赖的阈值表。这是保证全车速范围分类精度的关键。标定时需要在不同车速如30, 45, 60, 75, 90 km/h的平滑和粗糙路面上分别采集大量数据统计NoP的分布然后确定最佳分类边界。4.2 驱动状态驱动轮 vs. 非驱动轮这是一个容易被忽略但至关重要的因素。现象低速时60 km/h非驱动轮的分类效果更好高速时驱动轮的分类效果更佳。物理原因驱动轮承受来自传动系统的驱动扭矩这个扭矩“预紧”了轮胎的扭转弹簧提高了其扭转刚度从而改变了整个系统的振动传递函数使其高频衰减特性减弱。因此驱动轮对高频的路面激励更敏感。而非驱动轮则更纯粹地反映路面激励。但在低速时发动机和传动系统的低频振动干扰对驱动轮频谱的影响更大降低了信噪比。策略分类器需要知道当前轮是否是驱动轮。这通常由车辆网络如CAN总线提供的驱动模式信息可知。对于四驱车辆可以默认所有轮均为驱动轮或采用更保守的策略选择分类置信度高的轮。最佳实践是融合四个车轮的结果但需根据驱动状态赋予不同权重。4.3 轮胎压力与载荷次要但需校准的干扰轮胎压力胎压降低会使轮胎更“软”其固有频率下降。这会导致两个效应1) 某些由轮胎固有频率决定的峰值位置发生偏移2) 轮胎的滤波特性改变可能增强或减弱某些频段的传递。实验表明胎压降低20%会使NoP的分布发生变化分类准确率有所下降从~90%降至~82%。车辆载荷载荷增加相当于增大了簧载质量会改变悬架的动态特性。但其对NoP分布的影响相对较小因为载荷变化相对于整车质量占比较小。策略对于胎压可以集成间接胎压监测系统的结果。如果系统检测到胎压显著偏低可以启用一套修正后的阈值表或降低分类结果的置信度。对于载荷普通乘用车载荷变化范围有限其影响通常可以忽略。但对于商用车可能需要考虑载荷补偿。4.4 轮胎类型影响微乎其微一个令人欣慰的发现是不同品牌和型号的轮胎测试中包括Falken, Bridgestone, Yokohama只要尺寸和类别相近其对NoP分布的影响并不显著。这意味着一旦方法在一款车型上完成标定对于同平台更换不同品牌轮胎的情况可能无需重新标定鲁棒性很好。5. 系统集成与工程化挑战将这套算法部署到真实的汽车电子控制单元中还面临一系列工程挑战。5.1 计算资源与实时性FFT计算1024点的FFT在主流汽车微控制器上计算负担很小。但需要确保有足够的内存RAM来缓存数据窗以及足够的计算带宽在窗口填满后及时完成处理。峰值检测优化上述峰值检测算法涉及多次区间遍历和统计计算。在嵌入式C代码实现时可以优化1) 在计算阶次谱幅度时同步计算兴趣区间的均值和标准差2) 使用定点数运算替代浮点数以提升速度3) 将自适应阈值检测逻辑简化为查找超过“均值固定偏移量”的峰值如果效果可接受。滑动滤波维护一个历史NoP的循环缓冲区并实时更新中位数或均值。中位数滤波对异常值更鲁棒但计算略复杂。5.2 标定与自适应学习初始标定这是最大的工程成本。需要在各种典型路面上不同IRI值的沥青、水泥、破损路面、不同车速、不同载荷下进行海量数据采集以构建那个核心的“车速-驱动状态-分类阈值”查找表。可以采用机器学习方法如支持向量机SVM来自动学习这个复杂的决策边界而不是简单的阈值。在线自适应一个更先进的思路是让系统具备在线学习能力。例如当车辆通过已知的非常平滑的路段如新建的高速公路或已知的粗糙路段如维修路段时可以通过其他可信信号如摄像头识别到的路面纹理或高度精确的GPS结合众包数据作为“真值”来微调本地分类器的参数。5.3 与现有系统的融合与iTPMS的协同间接胎压监测系统同样基于轮速信号的频谱分析寻找轮胎固有频率的偏移。路面粗糙度是iTPMS的主要干扰源。本系统可以反过来为iTPMS提供“路面粗糙度置信度”当系统判断当前路面非常粗糙时可以临时抑制或标记iTPMS的报警减少误报。为ADAS/AD提供输入分类结果可以通过CAN总线发送给其他控制器。例如自适应悬架提前将模式切换至“舒适”或“运动”。预测性能量管理在粗糙路面前提前调整混动系统策略预留更多能量。路径规划自动驾驶系统可以优先选择更平滑的车道或路径。6. 性能评估与局限性根据原论文的验证结果该方法在综合各种轮胎、载荷、胎压和车速条件下达到了87.4%的整体分类准确率。这是一个非常令人鼓舞的数字尤其是考虑到它仅使用了一个现有传感器。最佳工况在60-70 km/h的车速下使用驱动轮信号分类准确率可超过95%。挑战工况极低速20 km/h信号信噪比低发动机振动干扰大分类不可靠。剧烈加减速或转弯必须被状态检测器过滤掉。胎压严重不足会降低分类性能需结合胎压信息进行补偿。非典型路面如鹅卵石路、积雪路面其激励模式可能与训练数据差异大需要扩充数据集。与多传感器方案的对比论文中提到有研究使用惯性传感器IMU结合分类器单车准确率约82%三车数据融合后可达92%。本方法仅用WSS就达到87.4%在成本和可靠性上优势明显但绝对精度可能略低于多传感器融合方案。这是一个典型的成本-性能权衡。7. 未来展望与扩展方向这项技术打开了基于轮速信号进行车辆状态感知的一扇新大门。除了粗糙/平滑的二分类还有更多可能性量化估计IRI当前是分类下一步是回归。目标是直接估计国际平整度指数。这需要更精细的特征工程如峰值幅度分布、频谱形状参数和更复杂的模型如神经网络并需要与高精度参考设备进行同步标定。路面类型识别不仅仅是粗糙度能否区分沥青、水泥、砖石、砂石不同材质的表面纹理谱特征可能有细微差别。微纹理与摩擦系数估计路面宏观粗糙度影响平顺性而微纹理则直接影响摩擦系数。更高阶的频谱成分如50阶或许蕴含了微纹理信息但这需要更高分辨率的WSS或更先进的信号处理技术。传感器融合增强与低成本IMU或麦克风融合。IMU可以更好地感知车身垂直加速度与轮速信号互补麦克风可以捕捉胎噪其频谱也与路面强相关。融合后可望实现更高精度、更全面的路面属性感知。从我个人的工程实践角度看这项技术的最大魅力在于其“优雅”和“务实”。它没有追逐最复杂的模型或最炫酷的AI而是深刻理解了物理原理和工程约束用一个巧妙的角度解决了实际问题。在汽车电子领域这种基于现有传感器挖掘新价值的思路往往比堆砌新硬件更能创造真正的竞争力。实现过程中最耗时的部分是数据采集和标定而算法本身的核心代码可能不超过500行。它提醒我们在智能汽车感知的赛道上有时候最好的答案就藏在最熟悉的数据里等待着一个全新的视角去发现。
