Tire–Road Friction Estimation and Classification Based on a CNN using Tire Acoustical Signals for Autonomous Driving Vehicles
Notice bibliographique
Résumé
Advanced driver assistance systems (ADASs) and driving automation system technologies have significantly increased the demand for research on vehicle-state recognition. However, despite its critical importance in ensuring accurate vehicle-state recognition, research on road-surface classification remains underdeveloped. Accurate road-surface classification and recognition would enable control systems to enhance decision-making robustness by cross-validating data from various sensors. Therefore, road-surface classification is an essential component of autonomous driving technologies. This paper proposes the use of tire–pavement interaction noise (TPIN) as a data source for road-surface classification. Traditional approaches predominantly rely on accelerometers and visual sensors. However, accelerometer signals have inherent limitations because they capture only surface profile properties and are often distorted by the resonant characteristics of the vehicle structure. Similarly, image-based signals are susceptible to external factors such as lighting conditions, obstacles, and motion blur, which can compromise their reliability. In contrast, TPIN signals offer a more comprehensive representation of both the surface profile and texture characteristics of the road. Additionally, TPIN signals are less susceptible to environmental interferences that affect image-based methods. The TPIN signals are transformed into two-dimensional images using time–frequency analysis. These transformed images are subsequently utilized in conjunction with a convolutional neural network (CNN) architecture to evaluate the feasibility of a robust road-surface classification system. The system was implemented using MATLAB Simulink. Furthermore, this study explored the application of CNN-based artificial intelligence techniques to predict the tire–road friction coefficients across various road surfaces, providing a deeper understanding of the underlying principles governing tire–road interactions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».