1、41基于智能手机的路面平整度评价方法研究张鹏 1,2， 王 惠 勇 1,2（1. 苏交科集团股份有限公司，江苏 南京 2 10000； 2. 新型道路材料国家工程试验室，江苏 南京 210000）摘 要：以智能手机加速度信号为数据基础，从自主采集抗干扰能力和系统鲁棒性设计出 发，开发了手机加速度采集软件；利用数据校准、去噪、平滑等方法，对加速度信号进行 预处理；基于 BP 神经网络方法，初步建立加速度信号与路面平整度的关系模型。研究结 果表明，虽然 BP 神经网络方法预测结果有一定的跳跃性，但体现出一定的预测精度，平 均预测误差为 9.75%。关键词：路面平整度；加速度传感器；智能手机；国际平
2、整度指数Research on Assessment Methods of Pavement Roughness Based on SmartphoneZHANG Peng1,2, WANG Huiyong1, 2,(1. JSTI Group, Nanjing 210000, China; 2. National Engineering Laboratory for Advanced Road Materials, Nanjing 210000, China）Abstract: It develops the software of collecting mobile acceleratio
3、n from the ability of independent collection and the design of robustness system, and on the data basis of smart phone collection signal; Using the methods of calibration data, denoising and smoothing to have pretreatment about acceleration signal; The model of acceleration signal and pavement rough
4、ness preliminary is established based on the BP neural network method. The result indicates through the forecast result of the BP neural network method has instability on some degree, but it incarnates certain prediction accuracy, the average predation error is 9.75%.Key words: pavement roughness; a
5、cceleration sensor; smart phone; RQI1 概述随着道路运营时间的增加，沥青路面的使用性能日益衰减，从而严重影响车辆的行驶速度、行 驶 安 全 性 及 行 驶 舒 适 性 。 为 了 保 证 路 面 的 行 驶 性 能 ， 道 路 管 理 者 有 必 要 及 时 、 准 确 的 掌 握 道 路 状 况 。 目前，道路状况的获取方法是日常巡检与定期检测相结合的方法，这种方法需要消耗大量的人力物 力，而且并不能保证道路状况获取的时效性。毋容置疑，车辆乘驾者是道路状况信息的第一时间获 得者，也是道路状况最重要的受体。截至 2015 年底，全国汽车保有量达 1.72 亿
6、 辆 ， 汽 车 驾 驶 人 员超过 2.8 亿 人 ， 东 南 沿 海 省 份 2015 年 高 速 公 路 日 均 出 口 交 通 流 量 逼 近 100 万 辆 次 。 因 此 ， 数 量 庞 大 的 车 辆 驾 乘 者 可 以 作 为 获 取 道 路 状 况 大 数 据 的 重 要 “工 具 ”。42目前，智能手机已逐渐成为驾驶人员广泛使用的必备品。智能手机已经不仅仅具备简单的通讯 功能，而是一种同时具有很强的外界感知能力和数学计算能力的智能终端。智能手机配备的三轴加 速度传感器、陀螺仪及重力传感器等设备可以有效反馈车辆行驶过程中的运动状态。手机的便携性 特征决定了其与车辆运动状态的协
7、调一致性，也为其记录车辆运动状态提供了前提条件。因此，本研究在对国内外研究现状充分调研的基础上，以智能手机加速度信号为数据基础，从 自主采集抗干扰能力和系统鲁棒性设计出发，开发了手机加速度采集软件；利用数据校准、去噪、 平滑等方法，对加速度信号进行预处理；基于 BP 神经网络方法，初步建立加速度信号与路面平整 度的关系模型。2 软 件 开 发 及 研 究 方 法2.1 智能手机传感器本文开发的手机加速度采集系统是基于 Android 系统。 Android 是一款基 于 Linux2.6 内核的嵌入 式 操 作 系 统 ， 其 源 代 码 是 开 放 式 的 。 Android 系 统 由 操
8、 作 系 统 、 中 间 件 、 用 户 界 面 以 及 应 用 软 件 四 个 模块构成，在触屏智能手机和平板电脑等设备中应用广泛。Android 传感 器采用标准三维坐标系， 用以表示空间三轴原始数据。 标准三维坐标系是以手机静 止 时 的 主 屏 屏 幕 为 参 照 物 设 定 的 。 例 如 ， 当 手 机 水 平 静 止 放 置 时 ， X 轴 表 示 从 左 至 右 的 水 平 方 向 ， Y 轴表示从下至上的垂直于 X 轴 的 方 向 ， Z 轴表示相对于屏幕表面由内而外，垂直于 XY 平 面 的 方 向 ， 即 手 机 背 面 数 值 为 负 。 Android 标 准 坐 标
9、 系 如 图 1 所示。图 1 Android 智能手机三维坐标系Android 开 发 文 档 中 ， 按 照 宽 泛 类 别 划 分 ， 感 应 型 传 感 器 一 般 分 为 以 下 三 种 类 型 ：（ 1） 运 动 传 感 器 ： 测 量 三 轴 方 向 上 的 加 速 度 和 扭 矩 等 ， 比 如 比 较 常 见 的 加 速 度 传 感 器 、 重 力 传 感器、陀螺仪传感器以及旋转矢量传感器。（ 2） 环 境 传 感 器 ： 测 量 外 界 环 境 参 数 的 ， 比 如 温 度 传 感 器 、 光 感 应 器 、 和 湿 度 传 感 器 等 。（ 3） 位 置 传 感 器 ：
10、 测 量 设 备 所 处 的 物 理 位 置 ， 常 见 的 有 方 向 传 感 器 与 磁 感 应 器 。 通过文献检索可知，利用传感器对于物理载体行为的识别，主要利用加速度传感器、陀螺仪、磁感应器等设备。2.2 手机加速度行为识别方法（ 1） 加 速 度 传 感 器 信 号 采 集 智能手机用加速度行为识别技术，一般采集手机的加速度传感器的数据，因为加速度数据可以很 好 的 表 示 物 体 的 运 动 行 为 特 征 。 目 前 基 于 Android 平 台 开 发 的 智 能 手 机 ， 都 配 备 了 加 速 度 传 感 器 。 同时，由于 Android 平 台 的 开 放 性 特
11、 性 ， 为 实 现 Android 手 机 加 速 度 数 据 的 采 集 整 理 奠 定 了 基 础 。43加速度（m/s2）所以，本文利用加速度传感器采集车辆运动数据，利用陀螺仪确定手机方位。车辆运动行为的 加速度传感器数据用于对车辆运动行为的分析和分类，陀螺仪的引入是为了确定手机方位，消除手 机方位变化对加速度传感器数据产生的影响。本文在手机中编入手机加速度数据读取程序，记录下车辆运动行为的加速度数据，之后发送到 后台进行分析。获得手机提供的加速度传感器数据是数字离散采样信号，数值分 X、Y、Z 三 个 轴 。（ 2） 加 速 度 数 据 校 准 自动控制领域提出通过陀螺仪与加速度传感
12、器协同校准物体运行行为的方法虽然具备一定的精度，但需要另外设定增益参数，并不适合以智能手机为载体的离散型数据处理方式。所以，本研究 通过调研和开发，利用加速度传感器与磁感应器对加速度数据进行协同校准。利用三轴加速度数据与磁感应数据可计算旋转矩阵 R，旋转矩阵 R 能 将 智 能 手 机 标 准 坐 标 系 转 换到世界坐标系 （W orld Coordinate System, WCS） 中。 在 Android 开发文档 中， WCS 为标准正交基， 其坐标描述为： Y 轴与设 备当前位置的地面相切， 并指向正北方向； Z 轴方向指向天空并垂直于地面； X 轴垂直于 Y-Z 平面且指向正东方
13、向。通过上述旋转矩阵 R 能 将 Y 轴正方 向校准至地磁场的正北方位 。 但是， 在车辆行驶过程中， WCS 坐标系中的 X 轴与 Y 轴 方 向 与 汽 车 的 横 纵 向 加 速 度 并 非 是 线 性 相 关 。 因 此 ， 在 坐 标 转 换 过 程 中 ， 需 要重新绕 Z 轴旋转至初始方位角，旋转矩阵应满足：R R Rot ( z , ) -1 （1）假设智能手机某时刻采集到的三轴加速度为 gdv (x, y, z) ， 通过旋转矩阵 R 转换到 WCS 的三轴加 速度为 ggv (x, y, z) ，则校准公式如下：ggv (x, y, z) gdv (x, y, z)R （
14、2）（ 3） 加 速 度 数 据 平 滑 去 噪 车辆实际驾驶过程中由于路况差异会产生随机噪声，但是噪声强度和发生频率是难以确定的，会因道路状况与行驶速度的不同而有所差异。车体自身的行驶震动产生的低频噪声，会对智能手机采集到的加速度数据产生噪声干扰。即使当车辆静止时，采集的加速度信号仍会出现波动现象，如 图 2 所示。21.510.50-0.5-1-1.5-20 100 200 300 400 500采 集 数 据 点图 2 车辆静止时加速度信号波动图本文采用滑动平均滤波技术对手机加速度数据进行平滑滤波处理。滑动平均滤波方法对于随机 噪声数据能够有效过滤，同时还可以保持数据阶跃响应的特征，是处
15、理时域信号的首选。滑动平均 滤波相较于传统滤波方法而言，对加速度波动数据信号的平滑效果更为理想。44滑动平均滤波方法可以通过递归算法实现。首先，对于给定的时间域序列： 对其进行滑动平均处理，对于数据链端点数据用下式进行处理：对数据链中间各点数据，用下式进行处理：经滑动平均滤波处理后的加速度数据如图 3 所 示 。（3）（ 4）（5）2.3 智能手机端数据处理流程图 3 车辆静止时加速度信号波动图在程序测试过程中，为了有效利用加速度传感器并实现即时发送数据，智能手机程序开始时先 加载使用传感器的类库包及发送数据的类库包。程序首先定义 App 界 面 ， 然 后 开 始 执 行 监 听 程 序 。
16、 智能手机端数据处理程序如图 4 所 示 。图 4 控制模块工作流程图本研究开发的主要执行程序分 3 个 模 块 ， 控 制 模 块 、 数 据 发 送 模 块 和 传 感 器 监 听 模 块 。 在 程 序45l ij i l 2的 开 始 定 义 基 本 功 能 ， 即 “数 据 采 集 ”、 “停 止 发 送 ”和 “退 出 ”， 以 供 测 试 时 手 动 进 行 数 据 采 集 的 操 作 。 控 制 模 块 主 要 监 听 采 集 人 员 的 选 择 ， 并 对 其 他 两 个 模 块 进 行 调 用 ， 负 责 响 应 发 送 /停 止 数 据 及 退 出 程 序命令。传感器监听
17、模块则一直对加速度传感器及其他配合传感器进行监听，并将加速度数值进行 矩阵转化。发送数据模块主要负责将加速度数据发送至后台服务器。2.4 BP 神经网络方法计算原理本文利用 BP 神经网络方法建立加速度与平整度关系模型。BP 神经网络是一种单向传播的多层 前馈算法，通过传递函数建立输入数据和输出数据之间的内在关系，从而实现从数据输入到输出的 任意非线性映射。BP 神经网络算法如下。模型输入节点的输入为 xj， 则 模 型 的 输 出 表 示 为 ： yi f ij X j i （ 6）式中： ijj 为 连 接 权 值 ； i 为节点阈值。BP 神经网络模型输出节点输出为：O f T y （
18、7）i 式中： Tij 为 连 接 权 值 ； l 为节点阈值。若输出节点的期望输出为 tl ，则所有样本误差为：其中一个样本误差为：pE ek k 1（8）1 ne (t(k ) O(k ) )2k l ll 1 （ 9）式中：p 为 样 本 数 ； n 为 输 出 节 点 数 。误差公式用下式表示：l (tl Ol ) Ol (1Ol ) （ 10）权值修正公式为：Tli (k 1) Tli (k) l yi （ 11）式中：k 为 迭 代 次 数 。 阈值修正公式为：l (k 1) l (k ) l （ 12）隐层节点误差公式为：46i yi (1 yi )iTlil（ 13）权值修正公
19、式为：ij (k 1) ij (k) i xj （ 14）阈值修正公式为：i (k 1) i (k ) i （ 15）3 模 型 建 立 过 程 及 结 果 分 析3.1 BP 神经网络模型建立过程选取加速度值为自变量，将 IRI 作为因变量，利用下式对两者进行归一化处理：X (max min )(x xmin ) /(xmax xmin ) min （ 16）式中： x 为原始数据； X 为归一化后的数据； max 与 min 映射的范围参数， 本文设为 max=1， min= -1。BP 神经网络模型选用 3 层神经网络， 样本数据输入向量为加速度数据和测试车速， 输出向量为 国际平整度指
20、数 IRI，所以输入层节点数的维数确定为 2，输出层节点数的维数确定为 1。隐含层节 点 数 通 过 试 算 法 选 取 ， 通 过 多 次 试 算 比 较 ， 最 终 取 隐 含 层 节 点 数 为 5。 采 用 动 量 BP 算法训练加速度 样本数据， 学习误差小于 0.001 或者 训练次数到达 10 000 次 时算法停止。 BP 神经网 络模型结构如图5 所示。3.2 模型计算结果及讨论图 5 神经网络模型结构图利用 BP 神经网络模型对国际平整度指数 IRI 进行计算预测， 并对模型的均方误差进行计算， 计 算结果如图 6 所示。由图 6 模型拟合均方误差可以看出，BP 神经网络模
21、型均方误差的最大值为 0.60， 最 小 值 仅 为 0.01， 平 均 值 为 0.32。 由 此 可 见 ， BP 神 经 网 络 方 法 能 够 兼 顾 全 部 数 据 ， 并 且 有 较 高 的 拟 合 精 度 ， 避 免了过拟合与欠拟合现象的发生，能够较好的反映加速度与 IRI 的关系。为了模型计算的准确性， 对该模型预测误差进行分析。 利用 IRI 实测数据与模型的 IRI 预测结果 进行对比。BP 神经网络模型误差分析结果如图 7 及图 8 所 示 。47-10均方误差IRI(m/km)预测误差（%）0.8 35300.625200.4150.2 105010 30 50 70
22、90 11000 10 20 30 40 50图 6 预测模型均方误差 图 7 BP 神经网络模型预测误差分布2.5神 经 网 络 实 测 数 据21.510.501 5 9 13 17 21 25 29 33 37 41 45 49图 8 BP 神经网络模型预测结果对比与实测数据相比， BP 神经网络方法最大误差值为 28.98%， 最小误差值为 0.18%， 误 差平均值为 9.75%， 可 见 预 测 数 据 存 在 一 定 的 波 动 性 。 在 计 算 过 程 中 ， BP 神经网络方法由于隐含层节点数经过 不断调整，在多个点都有较小的预测误差，而且稳定性相对较好。说明 BP 神经网
23、络模型可以比较 有效的解决本文中的大样本、非线性问题，并且具有较强的推广能力。4 结论（ 1） 通 过 对 Android 操 作 系 统 及 传 感 器 的 深 入 开 发 ， 明 确 各 传 感 器 协 同 工 作 机 理 ， 并 实 现 了Android 系 统 加 速 度 传 感 器 对 加 速 度 信 号 的 采 集 。（ 2） 通 过 噪 声 数 据 的 提 取 、 去 除 ， 并 利 用 滑 动 平 均 算 法 对 检 测 数 据 进 行 平 滑 处 理 ， 去 除 和 削 弱 异常点的奇异性，建立异常点与其他检测数据的数学关系，解决了检测数据的不一致性。（3）利用 BP 神经网络方法建立不同检测速度情况下加速度数值与 IRI 的回归预测模型，并根 据不同适用情况对模型进行优化。模型预测精度较高，稳定性较好，能够比较准确的反映加速度数 值与 IRI 的关系。
