【技术实现步骤摘要】
本专利技术属于道路工程，具体涉及一种基于数字孪生的路面拥包作用下的行车性能评估方法。
技术介绍
1、路面拥包病害是一种常见的道路结构问题，表现为道路表面出现不规则的隆起或波状凸起。这种现象通常由下层土壤的不均匀沉降、水分渗透、不适当的路基材料选择或施工方法不当等因素引起。路面拥包不仅会导致路面外观的不美观，更重要的是，它会破坏路面的结构完整性，缩短道路的使用寿命，并增加维护成本。拥包还可能导致车辆意外加速或制动，增加交通事故的风险，特别是在高速或湿滑路面情况下。
2、申请号为202110030593.6、专利技术名称为“智能驾驶汽车对路面坑洼拥包预警方法”的专利技术专利，描述了一种智能驾驶汽车的路面坑洼拥包预警系统，该系统利用车载红外线光幕组采集路面图像，并通过车辆状态感知模块获取行驶状态参数，以识别路面坑洼拥包的类型、位置和尺寸，并判断汽车是否会遇到这些路面异常。基于这些信息，系统能够启动相应的预警算法，实现自主变道和主动避障，增加驾驶安全性。然而，上述专利技术没有考虑路面拥包作用下的行车性能评估方法，导致道路管理者将难以准确识别和评估因路面拥包引起的行车不适问题，这将影响到道路的维护决策，可能导致不必要的维修成本或延误必要的修复工作。其次，驾驶者在未评估的拥包路段行驶时，可能会遭遇意外的驾驶困难，增加交通事故的风险，同时也会因为路面的不平整增加车辆的磨损，提高长期的维护成本。此外，行车的不舒适性还可能影响道路的整体交通流量和效率，加剧交通拥堵问题。
技术实现思路
1
2、为实现上述目的，本专利技术通过以下技术方案实现：
3、一种基于数字孪生的路面拥包作用下的行车性能评估方法，包括如下步骤：
4、s1. 采用车载三维结构光相机采集路面图像，然后对采集的路面图像进行压缩处理，得到压缩处理后的路面图像；
5、s2. 将步骤s1得到的压缩处理后的路面图像进行相似病害识别，提取全部包含拥包以及与拥包的图像特征最相似的病害类型的路面图像，构建用于路面拥包快速识别的数据集；
6、s3. 构建路面拥包快速识别的基础模型、第一辅助模型、第二辅助模型与强化模型；
7、s4. 构建基于路面拥包快速识别的基础模型、第一辅助模型、第二辅助模型与强化模型输出层之间的损失函数；
8、s5. 构建路面拥包快速识别的强化模型和基础模型的层间损失函数；然后结合步骤s4得到的基于路面拥包快速识别的基础模型、第一辅助模型、第二辅助模型与强化模型输出层之间的损失函数构建路面拥包快速识别模型的总体损失函数；
9、s6. 利用步骤s2得到的用于路面拥包快速识别的数据集对构建的基础模型、第一辅助模型、第二辅助模型、强化模型进行训练，得到训练好的基础模型作为路面拥包快速识别模型；
10、s7. 对步骤s6得到的路面拥包快速识别模型进行改进处理，得到轻量化的路面拥包快速识别模型；
11、s8. 基于步骤s7得到的轻量化的路面拥包快速识别模型构建数字孪生模型；
12、s9. 基于步骤s8得到的数字孪生模型，构建基于数字孪生的路面拥包作用下的行车性能评估方法。
13、进一步的，步骤s1的具体实现方法包括如下步骤：
14、s1.1. 采用车载三维结构光相机采集路面图像，采集过程中车速控制在70km/h以内；
15、s1.2. 对采集的路面图像采用哈夫曼编码方式进行压缩，得到压缩后的路面图像；
16、s1.3. 将压缩后的路面图像进行平面投影，得到投影后的路面图像为压缩处理后的路面图像。
17、进一步的，步骤s3的具体实现方法包括如下步骤：
18、s3.1. 构建路面拥包快速识别的基础模型：
19、s3.1.1. 基础模型a由1个输入层、9个卷积层、9个激活层、3个池化层、1个合并层、1个上采样层、1个路径聚合网络层panet、1个池化拼接层、1个空间金字塔池化层spp、1个输出层构成；
20、s3.1.2. 将步骤s2得到的训练集输入到基础模型a中，通过误差反向传播算法，计算神经网络单元的权重和偏置，完成基础模型a的训练，得到训练完毕的基础模型a；
21、基础模型a的损失函数的计算公式为：
22、；
23、其中，为基础模型a的损失函数；为基础模型a中数据样本总数；为第 ia个样本的真实标签，为基础模型a预测第 ia个样本为类别1的概率；
24、s3.1.3. 基础模型a对应的4个输出单元的节点输出值为 a1、 a2、 a3、 a4，将4个输出单元的节点输出值进行初始转换，得到输出值对应的概率值的计算公式为：
25、；
26、然后将4个输出单元的节点输出值进一步优化转换，得到输出值对应的增强概率值的计算公式为：
27、；
28、其中， g为增强系数，然后对每个节点对应的实际病害标注为；
29、s3.1.4. 采用以及步骤s2得到的训练集，结合误差链式求导法则，训练基础模型a，训练完毕后，得到基础模型a对应的4类病害的输出值，依次记为，，，；
30、s3.2. 构建路面拥包快速识别的第一辅助模型：
31、s3.2.1. 第一辅助模型b由1个输入层、9个卷积层、9个激活层、5个池化层、1个合并层、1个上采样层、1个panet层、1个池化拼接层、1个spp层、1个输出层构成：
32、s3.2.2. 将步骤s2得到的训练集输入到第一辅助模型b中，通过误差反向传播算法，计算神经网络单元的权重和偏置，完成第一辅助模型b的训练，得到训练完毕的第一辅助模型b；
33、第一辅助模型b的损失函数的计算公式为：
34、；
35、其中，为第一辅助模型b的损失函数；为第一辅助模型b中数据样本总数；为第 ib个样本的真实标签，为第一辅助模型b预测第 ib个样本为类别1的概率；
36、s3.2.3. 第一辅助模型b对应的4个输出单元的节点输出值为 b1、 b2、 b3、 b4，将4个输出单元的节点输出值进行初始转换，得到输出值 b i对应的概率值的计算公式为： 本文档来自技高网...
【技术保护点】
1.一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，步骤S1的具体实现方法包括如下步骤：
3.根据权利要求1或2所述的一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，步骤S3的具体实现方法包括如下步骤：
4.根据权利要求3所述的一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，步骤S4的具体实现方法包括如下步骤：
5.根据权利要求4所述的一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，步骤S5的具体实现方法包括如下步骤：
6.根据权利要求5所述的一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，步骤S6的具体实现方法为利用步骤S2得到的数据集基于链式求导法则，通过误差反向传播方式，对基础模型、第一辅助模型、第二辅助模型与强化模型进行训练，当总体损失函数为最小时，对应模型参数为最优，得到训练好的基础模型作为路面拥包快速识别模型。
7.
8.根据权利要求7所述的一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，步骤S8的具体实现方法包括如下步骤：
9.根据权利要求8所述的一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，步骤S9的具体实现方法包括如下步骤：
...【技术特征摘要】
1.一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，步骤s1的具体实现方法包括如下步骤：
3.根据权利要求1或2所述的一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，步骤s3的具体实现方法包括如下步骤：
4.根据权利要求3所述的一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，步骤s4的具体实现方法包括如下步骤：
5.根据权利要求4所述的一种基于数字孪生的路面拥包作用下的行车性能评估方法，其特征在于，步骤s5的具体实现方法包括如下步骤：
6.根据权利要求5所述的一种基于数字孪生的路...
【专利技术属性】
技术研发人员：孟安鑫，田锋，刘星，吴成龙，王燕，肖涛，
申请(专利权)人：深圳市城市交通规划设计研究中心股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。