本發(fā)明屬于道路工程，具體涉及一種基于數(shù)字孿生的路面擁包作用下的行車性能評估方法。

背景技術(shù)：

1、路面擁包病害是一種常見的道路結(jié)構(gòu)問題，表現(xiàn)為道路表面出現(xiàn)不規(guī)則的隆起或波狀凸起。這種現(xiàn)象通常由下層土壤的不均勻沉降、水分滲透、不適當?shù)穆坊牧线x擇或施工方法不當?shù)纫蛩匾?。路面擁包不僅會導致路面外觀的不美觀，更重要的是，它會破壞路面的結(jié)構(gòu)完整性，縮短道路的使用壽命，并增加維護成本。擁包還可能導致車輛意外加速或制動，增加交通事故的風險，特別是在高速或濕滑路面情況下。

2、申請?zhí)枮?02110030593.6、發(fā)明名稱為“智能駕駛汽車對路面坑洼擁包預警方法”的發(fā)明專利，描述了一種智能駕駛汽車的路面坑洼擁包預警系統(tǒng)，該系統(tǒng)利用車載紅外線光幕組采集路面圖像，并通過車輛狀態(tài)感知模塊獲取行駛狀態(tài)參數(shù)，以識別路面坑洼擁包的類型、位置和尺寸，并判斷汽車是否會遇到這些路面異常。基于這些信息，系統(tǒng)能夠啟動相應的預警算法，實現(xiàn)自主變道和主動避障，增加駕駛安全性。然而，上述發(fā)明沒有考慮路面擁包作用下的行車性能評估方法，導致道路管理者將難以準確識別和評估因路面擁包引起的行車不適問題，這將影響到道路的維護決策，可能導致不必要的維修成本或延誤必要的修復工作。其次，駕駛者在未評估的擁包路段行駛時，可能會遭遇意外的駕駛困難，增加交通事故的風險，同時也會因為路面的不平整增加車輛的磨損，提高長期的維護成本。此外，行車的不舒適性還可能影響道路的整體交通流量和效率，加劇交通擁堵問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決的問題是對路面擁包作用下的行車性能準確評估，提出一種基于數(shù)字孿生的路面擁包作用下的行車性能評估方法。

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

3、一種基于數(shù)字孿生的路面擁包作用下的行車性能評估方法，包括如下步驟：

4、s1.?采用車載三維結(jié)構(gòu)光相機采集路面圖像，然后對采集的路面圖像進行壓縮處理，得到壓縮處理后的路面圖像；

5、s2.?將步驟s1得到的壓縮處理后的路面圖像進行相似病害識別，提取全部包含擁包以及與擁包的圖像特征最相似的病害類型的路面圖像，構(gòu)建用于路面擁包快速識別的數(shù)據(jù)集；

6、s3.?構(gòu)建路面擁包快速識別的基礎模型、第一輔助模型、第二輔助模型與強化模型；

7、s4.?構(gòu)建基于路面擁包快速識別的基礎模型、第一輔助模型、第二輔助模型與強化模型輸出層之間的損失函數(shù)；

8、s5.?構(gòu)建路面擁包快速識別的強化模型和基礎模型的層間損失函數(shù)；然后結(jié)合步驟s4得到的基于路面擁包快速識別的基礎模型、第一輔助模型、第二輔助模型與強化模型輸出層之間的損失函數(shù)構(gòu)建路面擁包快速識別模型的總體損失函數(shù)；

9、s6.?利用步驟s2得到的用于路面擁包快速識別的數(shù)據(jù)集對構(gòu)建的基礎模型、第一輔助模型、第二輔助模型、強化模型進行訓練，得到訓練好的基礎模型作為路面擁包快速識別模型；

10、s7.?對步驟s6得到的路面擁包快速識別模型進行改進處理，得到輕量化的路面擁包快速識別模型；

11、s8.?基于步驟s7得到的輕量化的路面擁包快速識別模型構(gòu)建數(shù)字孿生模型；

12、s9.?基于步驟s8得到的數(shù)字孿生模型，構(gòu)建基于數(shù)字孿生的路面擁包作用下的行車性能評估方法。

13、進一步的，步驟s1的具體實現(xiàn)方法包括如下步驟：

14、s1.1.?采用車載三維結(jié)構(gòu)光相機采集路面圖像，采集過程中車速控制在70km/h以內(nèi)；

15、s1.2.?對采集的路面圖像采用哈夫曼編碼方式進行壓縮，得到壓縮后的路面圖像；

16、s1.3.?將壓縮后的路面圖像進行平面投影，得到投影后的路面圖像為壓縮處理后的路面圖像。

17、進一步的，步驟s3的具體實現(xiàn)方法包括如下步驟：

18、s3.1.?構(gòu)建路面擁包快速識別的基礎模型：

19、s3.1.1.?基礎模型a由1個輸入層、9個卷積層、9個激活層、3個池化層、1個合并層、1個上采樣層、1個路徑聚合網(wǎng)絡層panet、1個池化拼接層、1個空間金字塔池化層spp、1個輸出層構(gòu)成；

20、s3.1.2.?將步驟s2得到的訓練集輸入到基礎模型a中，通過誤差反向傳播算法，計算神經(jīng)網(wǎng)絡單元的權(quán)重和偏置，完成基礎模型a的訓練，得到訓練完畢的基礎模型a；

21、基礎模型a的損失函數(shù)的計算公式為：

22、；

23、其中，為基礎模型a的損失函數(shù)；為基礎模型a中數(shù)據(jù)樣本總數(shù)；為第 ia個樣本的真實標簽，為基礎模型a預測第 ia個樣本為類別1的概率；

24、s3.1.3.?基礎模型a對應的4個輸出單元的節(jié)點輸出值為 a1、 a2、 a3、 a4，將4個輸出單元的節(jié)點輸出值進行初始轉(zhuǎn)換，得到輸出值對應的概率值的計算公式為：

25、；

26、然后將4個輸出單元的節(jié)點輸出值進一步優(yōu)化轉(zhuǎn)換，得到輸出值對應的增強概率值的計算公式為：

27、；

28、其中， g為增強系數(shù)，然后對每個節(jié)點對應的實際病害標注為；

29、s3.1.4.?采用以及步驟s2得到的訓練集，結(jié)合誤差鏈式求導法則，訓練基礎模型a，訓練完畢后，得到基礎模型a對應的4類病害的輸出值，依次記為，，，；

30、s3.2.?構(gòu)建路面擁包快速識別的第一輔助模型：

31、s3.2.1.?第一輔助模型b由1個輸入層、9個卷積層、9個激活層、5個池化層、1個合并層、1個上采樣層、1個panet層、1個池化拼接層、1個spp層、1個輸出層構(gòu)成：

32、s3.2.2.?將步驟s2得到的訓練集輸入到第一輔助模型b中，通過誤差反向傳播算法，計算神經(jīng)網(wǎng)絡單元的權(quán)重和偏置，完成第一輔助模型b的訓練，得到訓練完畢的第一輔助模型b；

33、第一輔助模型b的損失函數(shù)的計算公式為：

34、；

35、其中，為第一輔助模型b的損失函數(shù)；為第一輔助模型b中數(shù)據(jù)樣本總數(shù)；為第 ib個樣本的真實標簽，為第一輔助模型b預測第 ib個樣本為類別1的概率；

36、s3.2.3.?第一輔助模型b對應的4個輸出單元的節(jié)點輸出值為 b1、 b2、 b3、 b4，將4個輸出單元的節(jié)點輸出值進行初始轉(zhuǎn)換，得到輸出值 b i對應的概率值的計算公式為：

37、；

38、然后將4個輸出單元的節(jié)點輸出值進一步優(yōu)化轉(zhuǎn)換，得到輸出值 b i對應的增強概率值的計算公式為：

39、；

40、s3.2.4.?采用以及步驟s2得到的訓練集，結(jié)合誤差鏈式求導法則，訓練第一輔助模型b，訓練完畢后，得到第一輔助模型b對應的病害輸出值為，輸出層的4個節(jié)點中，每個節(jié)點對應的實際病害標注為， i=1,2,3,4；

41、s3.3.?構(gòu)建路面擁包快速識別的第二輔助模型：

42、s3.3.1.?第二輔助模型c由1個輸入層、12個卷積層、12個激活層、5個池化層、1個合并層、1個上采樣層、1個panet層、1個池化拼接層、1個spp層、1個輸出層構(gòu)成：

43、s3.3.2.?將步驟s2得到的訓練集輸入到第二輔助模型c中，通過誤差反向傳播算法，計算神經(jīng)網(wǎng)絡單元的權(quán)重和偏置，完成第二輔助模型c的訓練，得到訓練完畢的第二輔助模型c；

44、第二輔助模型c的損失函數(shù)的計算公式為：

45、；

46、其中，為第二輔助模型c的損失函數(shù)；為第二輔助模型c中數(shù)據(jù)樣本總數(shù)；為第 ic個樣本的真實標簽，為第二輔助模型c預測第 ic個樣本為類別1的概率；

47、s3.3.3.?第二輔助模型c對應的4個輸出單元的節(jié)點輸出值為，將4個輸出單元的節(jié)點輸出值進行初始轉(zhuǎn)換，得到對應的概率值的計算公式為：

48、；

49、然后將4個輸出單元的節(jié)點輸出值進一步優(yōu)化轉(zhuǎn)換，得到輸出值對應的增強概率值的計算公式為：

50、；

51、其中， g為增強系數(shù)，然后對每個節(jié)點對應的實際病害標注為；

52、s3.3.4.?采用以及步驟s2得到的訓練集，結(jié)合誤差鏈式求導法則，訓練第二輔助模型c，訓練完畢后，得到第二輔助模型c對應的4類病害的輸出值為；

53、s3.4.?構(gòu)建路面擁包快速識別的強化模型：

54、s3.4.1.?強化模型d由1個輸入層、14個卷積層、14個激活層、5個池化層、1個合并層、1個上采樣層、1個panet層、1個池化拼接層、1個spp層、1個輸出層構(gòu)成：

55、s3.4.2.?將步驟s2得到的訓練集輸入到強化模型d中，通過誤差反向傳播算法，計算神經(jīng)網(wǎng)絡單元的權(quán)重和偏置，完成強化模型d的訓練，得到訓練完畢的強化模型d；

56、強化模型d的損失函數(shù)的計算公式為：

57、；

58、其中，為強化模型d的損失函數(shù)；為強化模型d中數(shù)據(jù)樣本總數(shù)；為第 id個樣本的真實標簽，為強化模型d預測第 id個樣本為類別1的概率；

59、s3.4.3.?強化模型d對應的4個輸出單元的節(jié)點輸出值為，將4個輸出單元的節(jié)點輸出值進行初始轉(zhuǎn)換，得到對應的概率值的計算公式為：

60、；

61、然后將4個輸出單元的節(jié)點輸出值進一步優(yōu)化轉(zhuǎn)換，得到輸出值對應的增強概率值的計算公式為：

62、；

63、其中， g為增強系數(shù)，然后對每個節(jié)點對應的實際病害標注為；

64、s3.4.4.?采用以及步驟s2得到的訓練集，結(jié)合誤差鏈式求導法則，訓練強化模型d，訓練完畢后，得到強化模型d對應的4類病害的輸出值為。

65、進一步的，步驟s4的具體實現(xiàn)方法包括如下步驟：

66、s4.1.?基于和，建立第一輔助模型b與基礎模型a輸出層之間的損失函數(shù)，計算公式為：

67、；

68、基于和，構(gòu)建輸出值對應的概率值的基礎模型a的損失函數(shù)，計算公式為：

69、；

70、基于和，建立第一輔助模型b與基礎模型a輸出層之間的關(guān)系損失函數(shù)，計算公式為：

71、；

72、其中，為的權(quán)重系數(shù)，為的權(quán)重系數(shù)；

73、s4.2.?建立第二輔助模型c與第一輔助模型b輸出層之間的關(guān)系損失函數(shù)，表達式為：

74、；

75、其中，為的權(quán)重系數(shù)，為的權(quán)重系數(shù)，為基于和的損失函數(shù)；為基于和的損失函數(shù)；

76、的計算公式為：

77、；

78、的計算公式為：

79、；

80、s4.3.?建立第二輔助模型c與基礎模型a輸出層之間的關(guān)系損失函數(shù)，表達式為：

81、；

82、其中，為的權(quán)重系數(shù)，為的權(quán)重系數(shù)，為基于和的損失函數(shù)，為基于和的損失函數(shù)；

83、的計算公式為：

84、；

85、的計算公式為：

86、；

87、s4.4.?建立強化模型d與基礎模型a輸出層之間的關(guān)系損失函數(shù)，表達式為：

88、；

89、其中，為的權(quán)重系數(shù)，為的權(quán)重系數(shù)，為基于和的損失函數(shù)；

90、的計算公式為：

91、；

92、s4.5.?建立強化模型d與第二輔助模型c輸出層之間的關(guān)系損失函數(shù)，表達式為：

93、；

94、其中，為的權(quán)重系數(shù)，為的權(quán)重系數(shù)，為基于和的損失函數(shù)，為基于和的損失函數(shù)；

95、的計算公式為：

96、；

97、的計算公式為：

98、。

99、進一步的，步驟s5的具體實現(xiàn)方法包括如下步驟：

100、s5.1.?假設具有小模型 a和大模型 d，建立小模型 a中的第二、三、四層以及輸出層，分別與大模型 d中的第四、六、十層以及輸出層建立聯(lián)系；

101、s5.2.?對于小模型中的第二層和大模型 d中的第四層建立關(guān)系，小模型 a第二層輸出記為，對應的寬度×長度×通道數(shù)的尺寸為；大模型 d第四層輸出記為，對應的寬度×長度×通道數(shù)的尺寸為；

102、進行尺寸比較，當時，在小模型第二層輸出中，添加卷積操作，卷積核尺寸為1×1，卷積核數(shù)量為，得到輸出為，此時，對應的各通道輸出值為，k i為通道編號，對應的各通道輸出值為；

103、建立基于時的小模型 a的第二層與大模型 d的第四層間的損失函數(shù)，計算公式為：

104、；

105、當時，在大模型 d第四層輸出中，添加卷積操作，卷積核尺寸為1×1，卷積核數(shù)量為，得到輸出為；此時，對應的各通道輸出值為：，對應的各通道輸出值為；

106、建立時的小模型 a的第二層與大模型 d的第四層間的損失函數(shù)，計算公式為：

107、；

108、s5.3.?對于小模型中的第三層和大模型 b中的第六層建立關(guān)系，得到小模型 a第三層與大模型 b第六層間的損失函數(shù)；

109、s5.4.?對于小模型中的第四層和大模型 b中的第十層建立關(guān)系，得到小模型 a第四層與大模型 b第十層間的損失函數(shù)；

110、s5.5.?當小模型為基礎模型a時，小模型 a中的第二、三、四層分別為基礎模型a的池化層1的輸出、池化層2的輸出、池化層4的輸出；當大模型為強化模型d時，大模型 d中的第四、六、十層分別為強化模型d的池化層2的輸出、池化層3的輸出、池化層5的輸出；

111、s5.6.?基于強化模型d到基礎模型a的輸出層之間的損失函數(shù)和層間損失函數(shù)，定義模型間的總損失函數(shù)，計算公式為：

112、；

113、其中，為對應的權(quán)重系數(shù)，為對應的權(quán)重系數(shù)，為對應的權(quán)重系數(shù)；

114、進一步的，步驟s6的具體實現(xiàn)方法為利用步驟s2得到的數(shù)據(jù)集基于鏈式求導法則，通過誤差反向傳播方式，對基礎模型、第一輔助模型、第二輔助模型與強化模型進行訓練，當總體損失函數(shù)為最小時，對應模型參數(shù)為最優(yōu)，得到訓練好的基礎模型作為路面擁包快速識別模型；

115、進一步的，步驟s7的具體實現(xiàn)方法包括如下步驟：

116、s7.1.?對步驟s6得到的路面擁包快速識別模型，設置對增強系數(shù) g依次取值為： g=1,3,5,7,9,11,15,20,30,40,50；

117、s7.2.?基于不同的增強系數(shù) g得到11種工況，對路面擁包快速識別模型進行訓練得到11種模型，設置11個路面擁包快速識別模型對應的準確率依次，i=1,2,3,…,11，計算公式為：

118、；

119、其中，表示采用訓練集訓練后的第 i個模型在對測試集中的數(shù)據(jù)進行識別時，預測為擁包且實際為擁包的樣本數(shù)量；表示采用訓練集訓練后的第 i個模型在對測試集中的數(shù)據(jù)進行識別時，預測為擁包但實際不是擁包的樣本數(shù)量；

120、比較得到中的最大值；對應的路面擁包快速識別模型為最終得到的輕量化的路面擁包快速識別模型；

121、進一步的，步驟s8的具體實現(xiàn)方法包括如下步驟：

122、s8.1.?將步驟s7得到的輕量化的路面擁包快速識別模型導出為用于獨立服務的部署文件，包括pt文件、pth文件、json文件、txt文件中的一種；

123、s8.2.?構(gòu)建道路信息模型；

124、s8.2.1.?收集道路的位置、長度、寬度、布局的信息；

125、s8.2.2.?將步驟s8.2.1得到的數(shù)據(jù)存儲在數(shù)據(jù)庫中，并構(gòu)建道路的基礎三維模型，所述道路的基礎三維模型包括道路的幾何信息；

126、s8.2.3.?在步驟s8.2.2的基礎上，在道路的基礎三維模型中添加材料屬性、設計規(guī)范、歷史維護數(shù)據(jù)，得到道路信息模型；

127、s8.2.4.?將道路信息模型導出為被web應用支持的格式文件，包括json文件、js文件中的一種；

128、s8.3.?在數(shù)字孿生平臺中，導入步驟s7.1得到的輕量化的路面擁包快速識別模型的部署文件，導入步驟s7.2得到的道路信息模型格式文件；

129、s8.4.?采用python構(gòu)建圖像數(shù)據(jù)與輕量化的路面擁包快速識別模型之間的api接口，用于進行車轍智能識別；采用python構(gòu)建輕量化的路面擁包快速識別模型與道路信息模型之間的api接口，完成數(shù)字孿生模型的構(gòu)建。

130、進一步的，步驟s9的具體實現(xiàn)方法包括如下步驟：

131、s9.1.?采用三維結(jié)構(gòu)光相機采集道路表面數(shù)據(jù)，并上傳到步驟s7建立的數(shù)字孿生模型中，然后采用系統(tǒng)中部署完成的輕量化的路面擁包快速識別模型，對路面圖像中的路面擁包區(qū)域進行智能識別，并挑選出全部包含路面擁包的圖像，并對擁包進行現(xiàn)場復核，并測量擁包的面積gm和擁包的高度bd；

132、s9.2.?建立行車評價指標，包括行車舒適性評價指標和行車安全性評價指標：

133、行車舒適性評價指標包括路面平整度pz、行車振動指數(shù)cz、噪音級別zy、車內(nèi)振動幅度zd；

134、行車安全性評價指標包括事故率sgl、緊急制動頻率zp、車輛操控穩(wěn)定性指數(shù)cw；

135、s9.3.?選取8個時間節(jié)點t1、t2、t3、…t8，分別采集8個時間節(jié)點下對應的各個行車評價指標的值：

136、s9.4.?基于步驟s9.3采集的各個行車評價指標的值，計算各個行車評價指標的值的平均值，包括路面平整度平均值、行車振動指數(shù)平均值、噪音級別平均值、車內(nèi)振動幅度平均值、事故率平均值、緊急制動頻率平均值、車輛操控穩(wěn)定性指數(shù)平均值、擁包面積平均值、擁包高度平均值；

137、s9.5.?構(gòu)建擁包面積和擁包高度與各個行車評價指標的關(guān)聯(lián)程度，計算公式如下；

138、；

139、其中，為8個時間節(jié)點中的任意一個； zb表示評價指標，包含路面平整度、行車振動指數(shù)、噪音級別、車內(nèi)振動幅度、事故率、緊急制動頻率、車輛操控穩(wěn)定性指數(shù)，即，擁包面積和擁包高度與路面平整度、行車振動指數(shù)、噪音級別、車內(nèi)振動幅度、事故率、緊急制動頻率、車輛操控穩(wěn)定性指數(shù)間的關(guān)聯(lián)程度分別為、、、、、、；

140、s9.6.?針對行車舒適性評價指標：路面平整度、行車振動指數(shù)、噪音級別、車內(nèi)振動幅度對應的關(guān)聯(lián)程度、、、，比較得到其中的最大值，然后基于最大值確定具有影響的行車舒適性評價指標；

141、針對行車安全性指標：比較事故率sgl、緊急制動頻率zp、車輛操控穩(wěn)定性指數(shù)cw對應的關(guān)聯(lián)程度、、，比較得到其中的最大值，然后基于最大值確定具有影響的行車安全性評價指標；

142、s9.7.?設置具有影響的行車舒適性評價指標與時間的一元一次關(guān)聯(lián)方程，然后利用具有影響的行車舒適性評價指標的閾值對方程進行求解，求得行車舒適性評價指標的壽命值；

143、設置具有影響的行車安全性評價指標與時間的一元一次關(guān)聯(lián)方程，然后利用具有影響的行車安全性評價指標的閾值對方程進行求解，求得行車安全性評價指標的壽命值；

144、比較和，選擇和中的最小值，記為tmin，當?shù)缆愤\行時間達到tmin時，對路面進行維修，保障道路服役狀態(tài)滿足舒適性和安全性的要求。

145、本發(fā)明的有益效果：

146、本發(fā)明所述的一種基于數(shù)字孿生的路面擁包作用下的行車性能評估方法，結(jié)合擁包的特點，設計模型結(jié)構(gòu)包含輸入層，卷積層，激活層，池化層,合并層，上采樣層，panet層，池化拼接層，spp層（空間金字塔池化），輸出層。各結(jié)構(gòu)層的功能如下：

147、輸入層接收車載相機采集的路面圖像，包含擁包的局部隆起特征及其周圍環(huán)境信息。

148、卷積層通過一系列濾波器提取圖像中的特征，如擁包的輪廓、紋理以及與正常路面的差異。

149、激活層引入非線性，使得模型能夠捕捉到擁包與正常路面間復雜的模式差異。

150、池化層通過減少空間尺寸，幫助模型在降低計算量的同時保持對擁包特征的敏感性，并提升對位置變化的容忍度。

151、合并層用于融合來自不同卷積層的特征，增強模型對擁包形狀和大小的識別能力。

152、上采樣層恢復擁包特征的空間分辨率，以便在輸出層能夠精確定位擁包的位置。

153、panet層通過優(yōu)化特征金字塔和增強特征傳遞，提高對擁包幾何和結(jié)構(gòu)特征的識別精度。

154、池化拼接層是指在spp層之前用于整合不同池化操作的特征，以捕獲多尺度的擁包信息。

155、spp層處理擁包特征，以保留不同尺寸擁包的關(guān)鍵信息，并提供對輸入圖像尺寸的魯棒性。

156、輸出層將提取的特征映射成最終的判斷輸出，例如擁包區(qū)域的概率分布圖，實現(xiàn)對路面擁包的精確識別。

157、本發(fā)明所述的一種基于數(shù)字孿生的路面擁包作用下的行車性能評估方法，數(shù)字孿生技術(shù)與路面擁包病害快速識別方法的融合，能夠利用高精度的數(shù)字模型與實時數(shù)據(jù)相結(jié)合，實現(xiàn)對路面狀況的即時和準確診斷。通過集成傳感器數(shù)據(jù)、圖像識別技術(shù)和機器學習模型，不僅能及時檢測和定位路面擁包病害，還能預測未來的損害發(fā)展，從而優(yōu)化維護計劃和資源分配。這有助于提高道路安全性，減少維護成本，并延長道路使用壽命，對于提升公共安全和經(jīng)濟效率具有重大價值。

158、本發(fā)明所述的一種基于數(shù)字孿生的路面擁包作用下的行車性能評估方法，提出的一種基于數(shù)字孿生的路面擁包作用下的行車性能評估方法，可以更精確地確定路面病害的嚴重性和影響范圍，從而制定更有效的維修或改建計劃，優(yōu)化資源分配，減少維修成本，還可以提高駕駛者的安全性。