车辆特性和路面平整度检测方法、装置、设备及存储介质

1.本发明涉及路面质量检测技术领域，尤其涉及一种车辆特性和路面平整度检测方法、装置、设备及存储介质。


背景技术：

2.路面平整度是指路面表面相对于理想平面的竖向偏差，表征的是路表纵剖面曲线的平整性，是路面质量评价及路面施工验收中最主要技术指标之一。现有的路面平整度检测方法中，基于车辆响应的路面平整度间接识别法由于需要单独开展实验来识别车辆特性，比如，需采用跌落法和减速带激励法单独对每辆车进行车辆特性识别，导致该方法适用性受到限制，
3.因此，现有技术中基于车辆响应的路面平整度间接识别法存在适用性较低的技术问题。


技术实现要素：

4.本发明的主要目的在于：提供一种车辆特性和路面平整度检测方法、装置、设备及存储介质，旨在解决现有技术存在适用性较低的技术问题。
5.为实现上述目的，本发明采用如下技术方案：
6.第一方面，本发明提供了一种车辆特性和路面平整度检测方法，所述方法包括以下步骤：
7.获取目标车辆在目标路面上的行驶数据集；
8.根据所述行驶数据集和逆运算模型，获得所述目标车辆的车辆特性数据和所述目标路面的路面平整度数据；其中，所述逆运算模型根据车辆特性目标函数和未知量卡尔曼滤波法建立，所述车辆特性目标函数基于增广卡尔曼滤波法构建，并基于遗传算法求解。
9.可选地，上述车辆特性和路面平整度检测方法中，所述行驶数据集包括车体加速度响应和车轮加速度响应；
10.所述获取目标车辆在目标路面上的行驶数据集的步骤，具体包括：
11.获取所述目标车辆的车体加速度响应，其中，所述车体加速度响应包括所述目标车辆的车体质心处的竖向加速度、俯仰转动加速度和侧倾转动加速度；
12.获取所述目标车辆的车轮加速度响应，其中，所述车轮加速度响应包括所述目标车辆的各车轮与车轴连接处的竖向加速度。
13.可选地，上述车辆特性和路面平整度检测方法中，所述获取所述目标车辆的车体加速度响应的步骤，具体包括：
14.获取所述目标车辆的车体加速度，其中，所述车体加速度包括所述目标车辆的车体的前方、后方、左侧和右侧的加速度；
15.根据所述车体加速度，利用车辆几何关系，获得所述目标车辆的车体加速度响应。
16.可选地，上述车辆特性和路面平整度检测方法中，在根据所述行驶数据集和逆运
算模型，获得所述目标车辆的车辆特性数据和所述目标路面的路面平整度数据的步骤之前，所述方法还包括：
17.将未知量与标准卡尔曼滤波方程中的系统状态空间向量合并，构成增广状态空间向量，其中，所述标准卡尔曼滤波方程包括系统状态空间方程和系统测量方程；
18.根据所述增广状态空间向量和所述标准卡尔曼滤波方程，获得增广卡尔曼滤波方程；
19.根据所述行驶数据集和所述增广卡尔曼滤波方程，基于增广卡尔曼滤波法获得车辆特性目标函数；
20.根据所述车辆特性目标函数和未知量卡尔曼滤波法建立逆运算模型。
21.可选地，上述车辆特性和路面平整度检测方法中，在根据所述增广状态空间向量和所述标准卡尔曼滤波方程，获得增广卡尔曼滤波方程的步骤之前，所述方法还包括：
22.将所述未知量的导数合并到所述增广状态空间向量中，以获得带导数的增广状态空间向量。
23.可选地，上述车辆特性和路面平整度检测方法中，在根据所述车辆特性目标函数和未知量卡尔曼滤波法建立逆运算模型的步骤之前，所述方法还包括：
24.将所述未知量置于标准卡尔曼滤波方程中，获得未知量卡尔曼滤波方程。
25.可选地，上述车辆特性和路面平整度检测方法中，所述根据所述行驶数据集和逆运算模型，获得所述目标车辆的车辆特性数据和所述目标路面的路面平整度数据的步骤，具体包括：
26.将所述行驶数据集输入所述逆运算模型，以使所述逆运算模型基于所述行驶数据集输出所述车辆特性数据，以及基于所述行驶数据集和所述车辆特性数据输出所述路面平整度数据。
27.第二方面，本发明提供了一种车辆特性和路面平整度检测装置，所述装置包括：
28.参数获取模块，用于获取目标车辆在目标路面上的行驶数据集；
29.模型检测模块，用于根据所述行驶数据集和逆运算模型，获得所述目标车辆的车辆特性数据和所述目标路面的路面平整度数据；其中，所述逆运算模型根据车辆特性目标函数和未知量卡尔曼滤波法建立，所述车辆特性目标函数基于增广卡尔曼滤波法构建，并基于遗传算法求解。
30.第三方面，本发明提供了一种车辆特性和路面平整度检测设备，所述设备包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如上述的车辆特性和路面平整度检测方法。
31.第四方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序可被一个或多个处理器执行，以实现如上述的车辆特性和路面平整度检测方法。
32.本发明提供的上述一个或多个技术方案，可以具有如下优点或至少实现了如下技术效果：
33.本发明提出的一种车辆特性和路面平整度检测方法、装置、设备及存储介质，通过将获取到的目标车辆在目标路面上的行驶数据集输入根据车辆特性目标函数和未知量卡尔曼滤波法建立的逆运算模型，获得所述目标车辆的车辆特性数据和所述目标路面的路面平整度数据；只获取一次检测数据，即可同时获得车辆特性参数和路面平整度，求解高效，
提高了该方法的普遍适用性；不需要另外对目标车辆开展单独的参数识别试验，方便实施又经济，降低在役道路检测的实际应用成本；并且，通过未知量卡尔曼滤波法建立逆运算模型，还通过增广卡尔曼滤波法构建并基于遗传算法求解车辆特性目标函数，卡尔曼滤波法可有效包容测量变量的噪声，以获得更精确的测量结果，提高了路面平整度的检测精度，使其满足实际应用需要。
附图说明
34.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的这些附图获得其他的附图。
35.图1为本发明实施例一提供的一种车辆特性和路面平整度检测方法的流程示意图；
36.图2为本发明实施例一提供的一种车辆特性和路面平整度检测方法的另一流程示意图；
37.图3为本发明实施例一提供的一种车辆特性和路面平整度检测方法中涉及的车辆数值模型的结构示意图；
38.图4为本发明实施例一提供的一种车辆特性和路面平整度检测方法中增广卡尔曼滤波法的细化流程示意图；
39.图5为本发明实施例一提供的一种车辆特性和路面平整度检测方法中未知量卡尔曼滤波法的细化流程示意图；
40.图6为本发明实施例二提供的一种车辆特性和路面平整度检测装置的功能模块示意图。
41.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
42.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
43.需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
44.在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连；可以是两个元件内部的连通，也可以是两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
45.另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等
的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
46.需要说明，全文中出现的“和/或”的含义，包括三个并列的方案，以“a和/或b”为例，包括a方案、或b方案、或a和b同时满足的方案。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
47.另外，在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
48.对现有技术的分析发现，公路是现代交通运输方式中最重要的组成部分之一，与公民生产生活、产业科技进步和社会经济发展关系密切。我国公路经历二十年左右的快速建设和飞速发展后，由传统的全面建设时代过渡到建设养护并重时代。路面状况的信息采集、识别和评价是道路养护维修决策的前置保障环节，而路面平整度作为其中最重要的指标，是路面全寿命周期状态评价的重中之重。
49.路面平整度(road roughness)，指路面表面相对于理想平面的竖向偏差，表征的是路表纵剖面曲线的平整性。路面平整度是路面质量评价及路面施工验收中最主要技术指标之一，与行车舒适性和安全性息息相关，一般采用国际平整度指数(international roughness index，简称iri)作为路面平整度评价指标。路面平整度差的道路不仅影响行车安全，降低行车速度，而且产生噪声污染，增加油耗和车辆机件磨损，同时加速道路结构破坏，缩短道路养护周期。因此，对路面平整度状况进行自动化检测尤为重要。我国待检公路网庞大，日常检测工作量巨大，传统的路面平整度识别主要通过人工方式进行，耗时费力，不能适应公路特别是干线公路检测不便封闭检测的要求。因此，路面平整度识别自动化、科学化、智能化、快速化是未来路面检测发展的趋势。
50.目前，路面平整度的自动化识别主要有计算机图像识别法(如高速相机)、直接距离测量法(如激光和超声波传感器)和基于车辆响应的间接识别法。其中，由于车辆在行驶过程中受到路面平整度的激励会发生振动，计算机图像识别法和直接距离测量法对路面状况进行测量时，需要辅以加速度仪、陀螺仪等仪器同时记录车辆响应或者设备响应，以对路面平整度的测量结果进行补偿。但高速相机、激光或雷达等精密仪器的有效测量精度在很大程度上是依赖于上述方法的检测精度的补偿。因此，存在数据样本要求高、成本较高、易受天气和环境干扰、且识别准确度较低的问题。而基于车辆响应的路面平整度间接测量法具有成本低、快速高效和易于使用的优点，被集成于车辆响应测量系统，用于基于摄像、激光或雷达地震波技术的道路自动化检测车中。但目前该方法也还存在一些问题，比如：
51.1.简化的车辆模型会影响路面平整度的识别精度，仅仅采用车体(通过悬挂系统和车轮连接，不与路面直接接触)动态响应的方法不能获得满足实用精度的路面平整度估计；
52.2.车轮通过轮胎与路面连接，其响应要比车体更能直接反映路面情况，但是车轮质量小于车体，车轮加速度频率高、波动大，对测量噪声敏感，因此对车轮响应的降噪滤波
是否合理会直接影响路面平整度的识别结果；
53.3.由于悬挂系统的线性假定以及未考虑车体三维俯仰和侧倾动力学的影响等原因，导致得到的路面平整度与车载激光轮廓仪的测量结果之间的误差较大；
54.4.绝大部分现有研究尚停留在理论和数值仿真阶段，而有针对性的实验操作则普遍需要提前对车辆特性参数识别开展独立的试验，往往需要单独开展跌落法和减速带激励法来识别车辆特性，需要对应测量跌落高度或减速带尺寸作为已知激励来计算响应，从而构建路面平整度检测的目标函数，若在实际使用中，更换了检测车辆，又需要再单独开展车辆特性识别实验，这大大局限了该方法的可操作性和低成本化，影响了该方法检测路面平整度的适用性，还增大了成本。
55.因此，总的来说，现有的基于车辆响应的路面平整度间接识别法存在检测精度不能达到实际应用要求的问题，以及各种局限限制了该方法在实际应用中的适用性和可行性，存在适应性较低，且成本较高的技术问题。
56.鉴于现有技术中基于车辆响应的路面平整度间接识别法存在检测精度较低、适用性较低且成本较高的技术问题，本发明提供了一种车辆特性和路面平整度检测方法，总体思路如下：
57.获取目标车辆在目标路面上的行驶数据集；根据所述行驶数据集和逆运算模型，获得所述目标车辆的车辆特性数据和所述目标路面的路面平整度数据；其中，所述逆运算模型根据车辆特性目标函数和未知量卡尔曼滤波法建立，所述车辆特性目标函数基于增广卡尔曼滤波法构建，并基于遗传算法求解。
58.通过上述技术方案，将获取到的目标车辆在目标路面上的行驶数据集输入根据车辆特性目标函数和未知量卡尔曼滤波法建立的逆运算模型，获得所述目标车辆的车辆特性数据和所述目标路面的路面平整度数据；只获取一次检测数据，即可同时获得车辆特性参数和路面平整度，求解高效，提高了该方法的普遍适用性；并且，不需要另外对目标车辆开展单独的参数识别试验，方便实施又经济，降低在役道路检测的实际应用成本；并且，通过未知量卡尔曼滤波法建立逆运算模型，还通过增广卡尔曼滤波法构建并基于遗传算法求解车辆特性目标函数，卡尔曼滤波法可有效包容测量变量的噪声，以获得更精确的测量结果，提高了路面平整度的检测精度，使其满足实际应用需要。
59.实施例一
60.参照图1所示的流程示意图，本发明实施例提供了一种车辆特性和路面平整度检测方法，应用于目标车辆，以对目标路面进行质量检测。所述方法包括以下步骤：
61.步骤s20：获取目标车辆在目标路面上的行驶数据集。
62.具体的，行驶数据集包括车体加速度响应和车轮加速度响应，通过加速度传感器分别获得目标车辆的车体加速度响应和车轮加速度响应。目标车辆可以为两轴四轮独立悬挂系统的商务车和轿车。目标路面可以为任意待检测的在役道路。
63.在具体实施过程中，可以通过在目标车辆的车体内的前、后、左和右分别设置加速度传感器，从而获得目标车辆的车体前方、后方、左侧和右侧的加速度；再利用车辆几何关系，获得目标车辆的车体加速度响应，即目标车辆的车体质心处的竖向加速度、俯仰转动加速度和侧倾转动加速度；还可以通过在目标车辆的四个车轮各自与其车轴连接的地方分别设置加速度传感器，从而获得目标车辆的左前轮、右前轮、左后轮和右后轮的加速度，以获
得目标车辆的车轮加速度响应，即目标车辆的各车轮与车轴连接处的竖向加速度。
64.只需要获取一次目标车辆在目标路面行驶时的行驶数据集，而不需要检测多次或其他多余的车辆参数，且对目标车辆的要求不高，可以适用较多车型，不需要专用的集成车辆参数采集系统的道路自动化检测车，任意两轴四轮独立悬挂系统的商务车和轿车均可，因此，每辆于在役路面行驶的汽车都可以化身为道路检测设备，更方便、实用。
65.步骤s40：根据所述行驶数据集和逆运算模型，获得所述目标车辆的车辆特性数据和所述目标路面的路面平整度数据；其中，所述逆运算模型根据车辆特性目标函数和未知量卡尔曼滤波法建立，所述车辆特性目标函数基于增广卡尔曼滤波法构建，并基于遗传算法求解。
66.具体的，将步骤s20获取的行驶数据集输入建立好的逆运算模型，以使所述逆运算模型基于所述行驶数据集输出所述车辆特性数据，以及基于所述行驶数据集和所述车辆特性数据输出所述路面平整度数据。
67.在具体实施方式中，根据行驶数据集中的车体加速度响应，利用增广卡尔曼滤波法获得车轮加速度预测值；再将该车轮加速度预测值和行驶数据集中的车轮加速度响应带入车辆特性目标函数，利用遗传算法进行求解，从而获得车辆特性数据，即车辆特性参数。然后，根据行驶数据集中的车体加速度响应和车轮加速度响应以及车辆特性参数，利用未知量卡尔曼滤波法可获得路面平整度数据。最后，输出车辆特性数据和路面平整度数据即可。
68.逆运算模型采用全矩阵形式，针对不同目标车辆只需要简单整体更新方程中的矩阵即可，不需要单独对目标车辆的参数进行标定试验，也不用增减相应方程组中的方程个数，整个程序计算框架保持不变，只需要调整输入变量，因此，使得该模型的普遍适用性大大提高。
69.卡尔曼滤波法对测量噪声具有高度包容度和鲁棒性，用状态空间形式描述随机过程，对多个状态变量给出递推估计。在本发明中，利用卡尔曼滤波法的优势，结合未知量和增量改进获得未知量卡尔曼滤波法和增广卡尔曼滤波法，并基于增广卡尔曼滤波法构建车辆特性目标函数，基于该车辆特性目标函数和改进的未知量卡尔曼滤波法建立的逆运算模型，也可有效包容测量噪声即实际的测量误差，减小了最终输出的车辆特性数据和路面平整度数据的误差，提高了检测精确度。选择车辆响应作为输入，形成多种组合，多通道多维度求解的方式，不仅高效方便，还进一步提高了车辆特性参数和路面平整度的估计精度。
70.下面结合图2的流程示意图，对本实施例提供的车辆特性和路面平整度检测方法进行详细描述，所述方法具体包括以下步骤：
71.步骤s20：获取目标车辆在目标路面上的行驶数据集。
72.在具体实施过程中，目标车辆采用两轴四轮独立悬挂系统的商务车和轿车，可以是专用的道路自动化检测车，也可以是常规的家用汽车，如起亚新型k7商务车、大众t6凯路威和丰田普拉多等等，道路自动化检测车和常规的家用汽车的区别是道路自动化检测车一般都自带有检测系统，更方便获取车辆响应。不过，常规的汽车使用时也很方便，只需要在其四个车轮和各自车轴的连接处设置加速度传感器即可。将目标车辆视为车体和车轮两个部分，分别获取车体加速度响应和车轮加速度响应。
73.本实施例中，通过道路自动化检测车以40km/h的行驶车速于在役道路上行驶，进
行现场参数采集，获得其在待检测路面上的行驶数据集。
74.具体的，所述行驶数据集包括车体加速度响应和车轮加速度响应。所述步骤s20可以包括：
75.步骤s21：获取所述目标车辆的车体加速度响应，其中，所述车体加速度响应包括所述目标车辆的车体质心处的竖向加速度、俯仰转动加速度和侧倾转动加速度。
76.更具体的，所述步骤s21可以包括：
77.步骤s21.1：获取所述目标车辆的车体加速度，其中，所述车体加速度包括所述目标车辆的车体的前方、后方、左侧和右侧的加速度；
78.在具体实施过程中，目标车辆主要包括车体和车轮，在其车体内的前、后、左、右，具体可以是车体内室的前、后、左、右四壁分别设置加速度传感器，获取各加速度传感器的参数，即可获得目标车辆的车体前方、后方、左侧和右侧的加速度。
79.本实施例中，在道路自动化检测车的车体内室的四壁底部中心位置处设置有加速度传感器，获得目标车辆的车体前方、后方、左侧和右侧的加速度，即目标车辆的车体加速度。
80.步骤s21.2：根据所述车体加速度，利用车辆几何关系，获得所述目标车辆的车体加速度响应，所述车体加速度响应包括所述目标车辆的车体质心处的竖向加速度、俯仰转动加速度和侧倾转动加速度。
81.在具体实施过程中，目标车辆的左前轮和右前轮通过前车轴连接，左后轮和右后轮通过后车轴连接，通过直接测量目标车辆的左前轮、右前轮、左后轮和右后轮之间的间距，以及目标车辆的总质量、前车轴质量和后车轴质量来确定前车轴和后车轴的分配载荷大小及目标车辆的质心位置。再根据获得的目标车辆的车体加速度，即目标车辆的车体前方、后方、左侧和右侧的加速度，利用车辆几何关系，获得目标车辆的车体加速度响应，即目标车辆的车体质心处的竖向加速度、俯仰转动加速度和侧倾转动加速度。
82.本实施例中，根据道路自动化检测车采集到的目标车辆的车辆参数，计算该道路自动化检测车的车体质心位置，再利用采集到的车体加速度计算得到其车体质心处的竖向加速度、俯仰转动加速度和侧倾转动加速度。
83.步骤s22：获取所述目标车辆的车轮加速度响应，其中，所述车轮加速度响应包括所述目标车辆的各车轮与车轴连接处的竖向加速度。
84.在具体实施过程中，通过在目标车辆的四个车轮各自与其车轴连接的地方分别设置加速度传感器，从而获得目标车辆的左前轮、右前轮、左后轮和右后轮的加速度，以获得目标车辆的车轮加速度响应，即目标车辆的各车轮与车轴连接处的竖向加速度。
85.本实施例中，在道路自动化检测车的左前轮与前车轴的连接处、右前轮与前车轴的连接处，以及左后轮与后车轴的连接处和右后轮与后车轴的连接处分别设置有加速度传感器，获得道路自动化检测车的左前轮、右前轮、左后轮和右后轮的加速度，从而获得目标车辆的车轮加速度响应，即目标车辆的各车轮与车轴连接处的竖向加速度。
86.目标车辆只需要在普通路面单次行驶，行驶过程中通过加速度传感器获取车体加速度响应和车轮加速度响应即可，不需要检测多余的车辆参数，可以适用较多车型，方便并且可以满足实际使用，为公路技术状况检测和路面信息采集提供准确、高效、实用和低成本的技术手段，助力路面检测智能化、自动化、经济化和快速化的实现，并促进路面检测和养
护行业的发展。
87.步骤s30：根据车辆特性目标函数和未知量卡尔曼滤波法建立逆运算模型，其中，所述车辆特性目标函数基于增广卡尔曼滤波法构建，并利用所述行驶数据集基于遗传算法求解。
88.在具体实施方式中，首先可以根据标准卡尔曼滤波法中的标准卡尔曼滤波方程推导改进，可以得到未知量卡尔曼滤波方程和增广卡尔曼滤波方程，对应用于未知量卡尔曼滤波法和增广卡尔曼滤波法。还可以推导精度更高的带导数的增广卡尔曼滤波方程，对应用于增广卡尔曼滤波法。然后，根据增广卡尔曼滤波法，利用增广卡尔曼滤波方程或带导数的增广卡尔曼滤波方程构建车辆特性目标函数。最后，根据车辆特性目标函数和未知量卡尔曼滤波法建立逆运算模型。
89.具体的，所述步骤s30可以包括：
90.步骤s31：将未知量与标准卡尔曼滤波方程中的系统状态空间向量合并，构成增广状态空间向量，其中，所述标准卡尔曼滤波方程包括系统状态空间方程和系统测量方程。
91.具体的，卡尔曼滤波法是一种非常典型的无偏最小协方差估计量辨识算法，以最小均方差为估计准则，对测量噪声具有高度包容度和鲁棒性，并用状态空间形式描述随机过程，对多个状态变量给出递推估计。标准卡尔曼滤波方程为：
[0092][0093]
其中，x
n+1
表示n+1时刻即下一时刻的系统状态，x
n
表示n时刻即当前时刻的系统状态，f
n
表示n时刻对系统的控制量，如外荷载向量，y
n
表示n时刻的测量值，a和b均表示系统参数矩阵，c和d均表示测量参数矩阵，w
n
和v
n
分别表示过程噪声和测量噪声。
[0094]
将未知量即车辆平整度，与标准卡尔曼滤波方程中的系统状态空间向量x
n
合并，构成增广状态空间向量x
na
：
[0095][0096]
其中，a表示增量(augment)。
[0097]
步骤s33：根据所述增广状态空间向量和所述标准卡尔曼滤波方程，获得增广卡尔曼滤波方程。
[0098]
由于标准卡尔曼滤波方程中的系统状态空间方程是典型的时程正向计算过程，求解时需满足方程右侧所有参数已知，无法处理方程中带有未知量的情况，即无法实现时程逆向计算过程。因此，本发明在标准卡尔曼滤波法基础上对标准卡尔曼滤波方程进行拓展和改进，将时程正向计算转换为时程逆向计算。
[0099]
在具体实施过程中，可以根据四轮汽车的车辆数值模型进行模拟试验，以进行卡尔曼滤波法改进为增广卡尔曼滤波法的相关方程推导。在现有绝大部分车桥耦合、车路耦合和车辆特性参数识别问题中，车辆数值模型包括车体系统，车轮系统，以及位于车体系统和车轮系统之间的悬挂系统。悬挂系统中，前悬挂和后悬挂均采用相同的模式，只是悬挂刚度不同。但事实上，前轮负责转向，可以假定左前轮和右前轮相互独立，而左后轮和右后轮通过稳定杆连接，后轮加速度要比前轮加速度包含更多的高频成分，说明后轮之间的相互
平衡和约束好于前轮，因此不能简单假设左后轮和右后轮也相互独立。所以，更加精细化的车辆数值模型，尤其是稳定杆的正确模拟将有利于提高逆运算模型的识别精度。此外，现有车辆数值模型均不考虑轮胎的滚动效应和滚动摩擦，以及悬挂系统的非线性，该假设在路面情况良好的情况下对识别精度影响不大，但是当路面出现较为明显的起伏如减速带、坑道、严重破损等情况时，滚动效应和滚动摩擦以及悬挂系统非线性的缺失考虑会对识别精度产生一定影响，因此本方法对车辆数值模型做进一步改进和修正，有助于提高路面平整度的识别精度。
[0100]
车辆数值模型是一个非常复杂的多自由度、多构件的振动系统，从数值分析的角度出发，模拟车辆时需要做相应简化，结合多刚体动力学理论，具体可采用二维四自由度半车模型或三维七自由度全车模型。本实施例以二维四自由度半车模型为例，如图3所示，为本实施例的车辆数值模型的结构示意图，该模型包括车体，车轮，以及连接车体和车轮的悬挂系统，车轮包括前轮和后轮，悬挂系统包括前悬挂和后悬挂。
[0101]
针对本实施例的车辆数值模型，结合未知量将其在路面行驶的标准动力学方程转换为系统状态空间方程的形式，以满足卡尔曼滤波法的形式要求。所述标准动力学方程为：
[0102][0103]
其中，
[0104]
m
v
表示车辆质量矩阵，
[0105]
m
v
＝diag[m
c i
c m
w1 m
w2
]，
[0106]
其中，diag表示对角化矩阵，m
c
表示车体质量，i
c
表示车体俯仰转动惯量，m
w1
表示前轮质量，m
w2
表示后轮质量；
[0107]
c
v
表示车辆阻尼矩阵，
[0108][0109]
其中，c
w1
表示前悬挂阻尼，c
w2
表示后悬挂阻尼，l1表示前轮到车体质心处的距离，l2表示后轮到车体质心处的距离；
[0110]
k
v
表示车辆刚度矩阵，
[0111][0112]
其中，k
w1
表示前悬挂刚度，k
w2
表示后悬挂刚度，k
r1
表示前轮的轮胎接触刚度，k
r2
表示后轮的轮胎接触刚度；
[0113]
表示车辆加速度向量；
[0114]
表示车辆速度向量；
[0115]
u
v
表示车辆位移向量；
[0116]
f
v
表示作用于车辆的外力向量，
[0117]
f
v
＝[
‑
m
c
g 0
ꢀ‑
m
w1
g
ꢀ‑
m
w2
g]
t
，
[0118]
其中，m
c
表示车体质量，g表示重力加速度，m
w1
表示前轮质量，m
w2
表示后轮质量；
[0119]
w
v
表示只包含0和1的接触分配矩阵，用于将接触自由度分配至对应的车辆自由度，
[0120][0121]
k
r
表示轮胎接触刚度矩阵，
[0122]
k
r
＝diag[k
r1 k
r2
]，
[0123]
其中，diag表示对角矩阵；
[0124]
表示未知量，即路面平整度向量，
[0125][0126]
其中，表示前轮的路面平整度，表示后轮的路面平整度。
[0127]
上述标准动力学方程是典型的二维微分方程，要将其转换为卡尔曼滤波方程的形式，首先，通过合并和以及和u
v
，将其变形为：
[0128][0129]
其中，i和0分别表示单位矩阵和零矩阵；
[0130]
然后，考虑时间步n，使标准动力学方程由二维微分方程降维成一维的状态空间方程：
[0131][0132]
其中，a
c
、b
c
和均为该系统状态空间方程的中间变量，
[0133][0134][0135][0136]
再将增广状态空间向量x
na
与标准卡尔曼滤波方程中的系统状态空间方程结合，此时，系统状态空间方程变为：
[0137][0138]
其中，
[0139][0140][0141][0142]
然后引入欧拉法逐步积分，将该一维的状态空间方程离散成时间步n+1和n的形式，由得到：
[0143][0144]
乘以dt，可得到：
[0145][0146]
对比标准卡尔曼滤波方程中的系统状态空间方程，得到增广卡尔曼的系统状态空间方程：
[0147][0148]
其中，
[0149][0150][0151]
最后，获得增广卡尔曼滤波方程：
[0152][0153]
其中，x
na
表示n时刻的增广状态空间向量，x
n+1a
表示n+1时刻的增广状态空间向量，y
n
表示n时刻的测量数据。
[0154]
步骤s35：根据所述增广卡尔曼滤波方程，基于增广卡尔曼滤波法获得车辆特性目标函数。
[0155]
在具体实施过程中，如图4所示的细化流程示意图，首先，根据当前时刻的系统状态最优值x
n|na
，基于所述增广卡尔曼滤波方程中的系统状态空间方程进行预测，得到下一时刻的系统状态预测值x
n+1|na
：
[0156]
x
n+1|na
＝ax
n|na
+bf
n
+w
n
，
[0157]
其中，n+1|n中，|的左边为增广卡尔曼滤波法的预测过程对应的时间步，|的右边为修正过程对应的时间步；
[0158]
根据当前时刻的系统协方差矩阵最优值p
n|na
，基于所述增广卡尔曼滤波方程中的
系统状态空间方程进行预测，得到下一时刻的系统协方差矩阵预测值p
n+1|na
：
[0159]
p
n+1|na
＝ap
n|na
a
t
+q，
[0160]
其中，a
t
表示系统参数矩阵a的转置矩阵，q表示过程噪声w
n
的协方差矩阵。
[0161]
然后，根据系统协方差矩阵预测值p
n+1|na
计算增广卡尔曼增量k
n+1a
，采用的计算式为：
[0162]
k
n+1a
＝p
n+1|na
·
c
t
[c
·
p
n+1|na
·
c
t
+r]
‑1，
[0163]
其中，c
t
表示测量参数矩阵c的转置矩阵，r表示测量噪声v
n
的协方差矩阵。
[0164]
再基于行驶数据集，修正和更新增广卡尔曼滤波方程，以使其在后续根据行驶数据集预测车轮加速度预测值时的精度更高。具体为根据所述增广卡尔曼增量k
n+1a
，获得下一时刻的系统状态最优值x
n+1|n+1a
：
[0165]
x
n+1|n+1a
＝x
n+1|na
+k
n+1a
(y
n
‑
cx
n+1|na
‑
df
n
)，
[0166]
和下一时刻的系统协方差矩阵最优值p
n+1|n+1a
：
[0167]
p
n+1|n+1a
＝(i
‑
k
n+1a
c)*p
n+1|na
。
[0168]
不断修正和更新增广卡尔曼滤波方程，使得车轮加速度预测越来越精确，，从而可使得路面平整度的估计越来越精确。
[0169]
最后，基于上述推导，根据行驶数据集中的车体加速度响应，获得车轮加速度预测值再根据该车轮加速度预测值和行驶数据集中对应的车轮加速度响应，即车轮加速度测量值y
ij
，获得车辆特性目标函数：
[0170][0171]
其中，j表示车辆特性目标函数，n
y
表示车轮的数量，n
t
表示时间步长数量，y
ij
表示第i个车轮，第j个时间步的车轮加速度测量值，表示第i个车轮，第j个时间步的增广卡尔曼滤波法得到的车轮加速度预测值。
[0172]
步骤s36：将所述未知量置于标准卡尔曼滤波方程中，获得未知量卡尔曼滤波方程。
[0173]
在具体实施过程中，基于图3的车辆数值模型，参考步骤s33的具体推导过程，根据标准动力学方程由二维微分方程降维成一维的状态空间方程后，直接引入欧拉法逐步积分，将该一维的状态空间方程离散成时间步n+1和n的形式，由得到：
[0174][0175]
乘以dt，可得到：
[0176][0177]
对比标准卡尔曼滤波方程中的系统状态空间方程，得到包含未知量的系统状态空间方程：
[0178]
[0179]
其中，
[0180]
a＝i+dta
c
，
[0181]
b＝dtb
c
，
[0182][0183]
然后，将未知量分别置于包含未知量的系统状态空间方程和标准卡尔曼滤波方程的系统测量方程中，获得未知量卡尔曼滤波方程：
[0184][0185]
其中，b
*
表示系统参数矩阵b的伴随矩阵，d
*
表示测量参数矩阵d的伴随矩阵。
[0186]
步骤s37：根据所述车辆特性目标函数和未知量卡尔曼滤波法建立逆运算模型。
[0187]
具体的，根据步骤s35获得的车辆特性目标函数和步骤s36获得的未知量卡尔曼滤波方程，建立逆运算模型。基于未知量卡尔曼滤波法和车辆特性目标函数建立的逆运算模型，可有效包容测量噪声即实际的测量误差，减小了最终输出的车辆特性数据和路面平整度数据的误差，提高了检测精确度。
[0188]
本实施例中，为了方便后续对检测结果进行对比验证，目标车辆采用搭载有基于摄像、激光或雷达地震波技术的道路自动化检测车，该道路自动化检测车集成了车辆响应测量系统，该系统搭载了基于摄像、激光和雷达的传感器，如高速三维相机、激光轮廓仪和毫米波雷达，以及声学技术和广义车辆响应类的传感器，如定向传声器、加速度传感器和胎压传感器。该道路自动化检测车可应用于在役道路的数据采集和识别。
[0189]
根据上述步骤，可以在目标车辆的检测系统，也可以在与目标车辆连接的检测设备，例如终端、服务器、云端服务器等设备中，建立逆运算模型，以根据获取的车体加速度响应和车轮加速度响应来计算目标车辆的车辆特性参数和路面平整度。
[0190]
采用两种改进的卡尔曼滤波法，即未知量卡尔曼滤波法和增广卡尔曼滤波法，两种改进的卡尔曼滤波法相互对比和修正，可以大大提高模型在车辆参数和路面平整度识别方面的精度。其中，增广卡尔曼滤波法将未知量和状态空间向量合并成带有增量的状态空间向量，即增广状态空间向量，从而将方程右侧带有未知量的状态空间方程转换为左边带有未知量的标准卡尔曼滤波状态空间方程形式，形式灵活；未知量卡尔曼滤波法通过最小二乘法原则建立约束条件，在完成卡尔曼增量后将未知量即路面平整度通过方程约束条件进行求解，在所有车轮加速度响应已知情况下即可进行高精度的计算。
[0191]
在一种实施方式中，所述步骤s30还可以包括：
[0192]
步骤s32：将所述未知量的导数合并到所述增广状态空间向量中，以获得带导数的增广状态空间向量。
[0193]
在具体实施过程中，将未知量的导数合并到所述增广状态空间向量x
na
中，获得带导数的增广状态空间向量x
na
′
：
[0194][0195]
再根据所述带导数增广状态空间向量x
na
′
，进行步骤s33～s37，获得新的车辆特性目标函数，具体过程可参见步骤s33～s37的具体描述，此处不再赘述。
[0196]
带导数的增广状态空间向量比增广状态空间向量多一级约束，即在增广卡尔曼滤波方程的状态空间向量里多加入未知量的导数，即使不采用已知输入仍然可以准确求解未知量，可以防止二次积分获得的结果被引入累计积分误差，从而进一步增加了模型的计算精度。
[0197]
步骤s40：根据所述行驶数据集和逆运算模型，获得所述目标车辆的车辆特性数据和所述目标路面的路面平整度数据；其中，所述逆运算模型根据车辆特性目标函数和未知量卡尔曼滤波法建立，所述车辆特性目标函数基于增广卡尔曼滤波法构建，并基于遗传算法求解。
[0198]
具体的，将步骤s20获得的行驶数据集输入步骤s30建立的逆运算模型，以使所述逆运算模型基于所述行驶数据集输出车辆特性数据，以及基于所述行驶数据集和所述车辆特性数据输出路面平整度数据。
[0199]
具体的，步骤s40可以包括：
[0200]
步骤s41：根据所述行驶数据集，基于增广卡尔曼滤波法进行预测，获得车轮加速度响应预测值；再根据所述行驶数据集和所述车轮加速度响应预测值，基于遗传算法对车辆特性目标函数进行求解，获得车辆特性数据。
[0201]
在具体实施过程中，根据行驶数据集中的车体加速度响应数据，基于增广卡尔曼滤波方程，利用卡尔曼滤波法获得车轮加速度响应预测值。再根据车轮加速度响应预测值和行驶数据集中的车体加速度响应数据，基于遗传算法对车辆特性目标函数进行求解，获得车辆特性参数。所述车辆特性参数可以包括车体质量、车体俯仰转动惯量、车体侧倾转动惯量、左前轮质量、右前轮质量、左后轮质量、右前轮质量、前悬挂系统竖向刚度、前悬挂系统竖向阻尼、后悬挂系统竖向刚度、后悬挂系统竖向阻尼、轮胎接触刚度中的一种或多种。
[0202]
增广卡尔曼滤波法将未知量作为增广量并入到系统状态空间向量中，不需要多次矩阵求逆，从而在迭代过程中获得系统状态空间向量即目标车辆的位移、速度和加速度。通过车辆特性目标函数获得车辆特性数据的整个参数识别过程不受激励类型的影响，也不需要知晓激励幅值，使得该方法的适用性提高、成本降低。
[0203]
步骤s43：根据所述行驶数据集和所述车辆特性数据，基于未知量卡尔曼滤波法，获得路面平整度数据。
[0204]
在具体实施过程中，如图5所示的细化流程示意图，
[0205]
首先，根据当前时刻的系统状态最优值和系统协方差矩阵最优值，基于未知量卡尔曼滤波方程进行预测，对应获得下一时刻的系统状态预测值和系统协方差矩阵预测值。
[0206]
具体的，根据当前时刻的系统状态最优值x
n|n
，基于未知量卡尔曼滤波方程中的系统状态空间方程进行预测，得到下一时刻的系统状态预测值x
n+1|n
：
[0207]
[0208]
其中，n+1|n中，|的左边为未知量卡尔曼滤波法的预测过程对应的时间步，|的右边为修正过程对应的时间步；
[0209]
根据当前时刻的系统协方差矩阵最优值p
n|n
，基于未知量卡尔曼滤波方程中的系统状态空间方程进行预测，得到系统协方差矩阵预测值p
n+1|n
：
[0210]
p
n+1|n
＝ap
n|n
a
t
+q，
[0211]
其中，a
t
表示系统参数矩阵a的转置矩阵，q表示过程噪声w
n
的协方差矩阵。
[0212]
然后，根据所述系统协方差矩阵预测值，获得未知卡尔曼增量。
[0213]
具体的，根据系统协方差矩阵预测值p
n+1|n
计算未知卡尔曼增量k
n+1
，采用的计算式为：
[0214]
k
n+1
＝p
n+1|n
·
c
t
[c
·
p
n+1|n
·
c
t
+r]
‑1，
[0215]
其中，c
t
表示测量参数矩阵c的转置矩阵，r表示测量噪声v
n
的协方差矩阵。
[0216]
接着，根据所述系统状态预测值和所述未知卡尔曼增量，利用所述行驶数据集即车轮加速度响应和车体加速度响应，获得当前时刻的路面平整度。
[0217]
具体的，根据未知卡尔曼增量k
n+1
得到中间变量s
n+1
：
[0218]
s
n+1
＝[d
*t
·
r
‑1(i
‑
c
·
k
n+1
)d
*
]
‑1，
[0219]
其中，d
*t
表示d
*
的转置矩阵，i表示单位矩阵；
[0220]
再根据下一时刻的系统状态预测值x
n+1|n
和中间变量s
n+1
，以及行驶数据集y
n
计算未知量，即当前时刻的路面平整度
[0221][0222]
最后，还可以基于所述行驶数据集修正所述系统状态预测值和所述系统协方差矩阵预测值，获得下一时刻的系统状态最优值和系统协方差矩阵最优值，以获取后一时间步的路面平整度。
[0223]
具体的，基于行驶数据集，修正和更新逆运算模型中的未知量卡尔曼滤波方程，以使其在后续根据输入的行驶数据集计算路面平整度时的精度更高。
[0224]
根据下一时刻的系统状态预测值x
n+1|n
和所述未知量获得下一时刻的系统状态最优值x
n+1|n+1
：
[0225][0226]
并根据下一时刻的系统协方差矩阵预测值p
n+1|n
和所述未知量获得下一时刻的系统协方差矩阵最优值p
n+1|n+1
：
[0227]
p
n+1|n+1
＝(i+k
n+1
d
*
s
n+1
d
*t
r
‑1c)(i
‑
k
n
·
c)p
n+1|n
，
[0228]
为后续时刻的迭代求解未知量做准备。
[0229]
不断修正和更新逆运算模型，使得路面平整度的估计越来越精确，实现了提高路面平整度检测精度的技术效果。
[0230]
本实施例中，将获取的车体加速度响应和车轮加速度响应输入到逆运算模型后，通过上述步骤得到逆运算模型的输出，即得到车辆特性数据和路面平整度数据的检测结果。
[0231]
本实施例的目标车辆在普通的待检测路面行驶，对测量获得的行驶数据集进行分
组，多通道进行运算，结合增广卡尔曼滤波法和遗传优化算法，就可以获得车辆特性参数，还可以同时获得路面平整度，并且，不需要专业的进行过参数识别单独实验的标准检测车，随便一个家用车辆就可以作为目标车辆进行车辆特性和路面平整度的检测。
[0232]
本实施例提供的一种车辆特性和路面平整度检测方法，通过将获取到的目标车辆在目标路面上的行驶数据集输入根据车辆特性目标函数和未知量卡尔曼滤波法建立的逆运算模型，获得所述目标车辆的车辆特性数据和所述目标路面的路面平整度数据；只获取一次检测数据，即可同时获得车辆特性参数和路面平整度，求解高效，提高了该方法的普遍适用性；并且，不需要另外对目标车辆开展单独的参数识别试验，方便实施又经济，降低在役道路检测的实际应用成本；并且，通过未知量卡尔曼滤波法建立逆运算模型，还通过增广卡尔曼滤波法构建并基于遗传算法求解车辆特性目标函数，卡尔曼滤波法可有效包容测量变量的噪声，以获得更精确的测量结果，提高了路面平整度的检测精度，使其满足实际应用需要。
[0233]
本实施例基于改进的卡尔曼滤波法，以车辆多个自由度响应作为输入，可同时识别目标车辆的车辆参数和目标路面的路面平整度，为路面平整度计算方法的升级提供科学依据和理论方法，并具有满足检测精度要求、求解高效、可经济方便实施等特点。通过将目标车辆于在役路面行驶采集的车体加速度响应和车轮加速度响应的单次测量数据输入提出的逆运算模型，可同时输出车辆特性数据和路面平整度数据，避免对目标车辆的车辆参数单独开展标定实验，有效提高该方法的普遍适用性，降低在役道路的路面平整度识别的实际应用成本。本发明的方法是一种满足检测精度、运算效率高效、可经济方便实施的路面平整度间接识别新方法。
[0234]
实施例二
[0235]
基于同一发明构思，参照图6，本发明实施例提供了一种车辆特性和路面平整度检测装置，结合如图6所示的功能模块示意图，对本实施例提供的车辆特性和路面平整度检测装置进行详细描述，所述装置包括：
[0236]
参数获取模块，用于获取目标车辆在目标路面上的行驶数据集；
[0237]
模型检测模块，用于根据所述行驶数据集和逆运算模型，获得所述目标车辆的车辆特性数据和所述目标路面的路面平整度数据；其中，所述逆运算模型根据车辆特性目标函数和未知量卡尔曼滤波法建立，所述车辆特性目标函数基于增广卡尔曼滤波法构建，并基于遗传算法求解。
[0238]
具体的，所述行驶数据集包括车体加速度响应和车轮加速度响应。
[0239]
具体的，所述参数获取模块可以包括：
[0240]
车体加速度响应获取单元，用于获取所述目标车辆的车体加速度响应，其中，所述车体加速度响应包括所述目标车辆的车体质心处的竖向加速度、俯仰转动加速度和侧倾转动加速度；
[0241]
车轮加速度响应获取单元，用于获取所述目标车辆的车轮加速度响应，其中，所述车轮加速度响应是指所述目标车辆的各车轮与车轴连接处的竖向加速度。
[0242]
更具体的，所述车体加速度响应获取单元可以包括：
[0243]
车体加速度采集子单元，用于获取所述目标车辆的车体加速度，其中，所述车体加速度包括所述目标车辆的车体的前方、后方、左侧和右侧的加速度；
[0244]
车体加速度响应计算子单元，用于根据所述车体加速度，利用车辆几何关系，获得所述目标车辆的车体加速度响应。
[0245]
在一种实施方式中，所述装置还可以包括：
[0246]
模型建立模块，用于建立逆运算模型。
[0247]
具体的，所述模型建立模块可以包括：
[0248]
增广卡尔曼滤波方程获取单元，用于将未知量与标准卡尔曼滤波方程中的系统状态空间向量合并，构成增广状态空间向量，其中，所述标准卡尔曼滤波方程包括系统状态空间方程和系统测量方程；以及根据所述增广状态空间向量和所述标准卡尔曼滤波方程，获得增广卡尔曼滤波方程。
[0249]
车辆特性目标函数获取单元，用于根据所述行驶数据集和所述增广卡尔曼滤波方程，基于增广卡尔曼滤波法获得车辆特性目标函数。
[0250]
逆运算模型建立单元，用于根据所述车辆特性目标函数和未知量卡尔曼滤波法建立逆运算模型。
[0251]
在一种实施方式中，所述增广卡尔曼滤波方程获取单元还可以用于将所述未知量的导数合并到所述增广状态空间向量中，以获得带导数的增广状态空间向量。
[0252]
更具体的，所述模型建立模块，还可以包括：
[0253]
未知量卡尔曼滤波方程获取单元，用于将未知量置于标准卡尔曼滤波方程中，获得未知量卡尔曼滤波方程。
[0254]
具体的，所述模型检测模块可以包括：
[0255]
数据获取单元，用于将所述行驶数据集输入所述逆运算模型，以使所述逆运算模型基于所述行驶数据集输出所述车辆特性数据，以及基于所述行驶数据集和所述车辆特性数据输出所述路面平整度数据。
[0256]
需要说明的是，本实施例提供的车辆特性和路面平整度检测装置中，各个功能模块可实现的具体功能和具体实施方式中更多实施细节可参见上述实施例一中具体实施方式的描述，为了说明书的简洁，此处不再重复赘述。
[0257]
实施例三
[0258]
基于同一发明构思，本实施例提供了一种车辆特性和路面平整度检测设备，该设备可以是电子设备，所述电子设备可以是手机、电脑或平板电脑等，包括存储器和处理器，存储器上存储有计算器程序，该计算机程序被处理器执行时，实现如上述实施例一中所述的车辆特性和路面平整度检测方法。
[0259]
可以理解，电子设备还可以包括，多媒体组件，输入/输出(i/o)接口，以及通信组件。
[0260]
其中，处理器用于执行如上述实施例一中所述的车辆特性和路面平整度检测方法中的全部或部分步骤。存储器用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。
[0261]
处理器可以是专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制
器、微控制器、微处理器或其他电子元件，用于执行如上述实施例一中所述的车辆特性和路面平整度检测方法中的全部或部分步骤。
[0262]
存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read
‑
only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read
‑
only memory，简称eprom)，可编程只读存储器(programmable read
‑
only memory，简称prom)，只读存储器(read
‑
only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。
[0263]
多媒体组件可以包括屏幕和音频组件，所述屏幕可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器，用于输出音频信号。
[0264]
i/o接口为处理器和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。
[0265]
通信组件用于该电子设备与其他设备之间进行有线或无线通信。无线通信，例如wi
‑
fi，蓝牙，近场通信(near field communication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件可以包括：wi
‑
fi模块，蓝牙模块，nfc模块等无线通讯模块。
[0266]
实施例四
[0267]
基于同一发明构思，本实施例提供了一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，所述计算机程序被处理器执行时可以实现如上述实施例一中所述的车辆特性和路面平整度检测方法。
[0268]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例的方法。
[0269]
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0270]
需要说明，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0271]
以上所述仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直
接或间接运用在其他相关的技术领域，均包括在本发明的专利保护范围内。