Dózsa Tamás, Vedran Jurdana, Sandi Baressi Šegota, Volk János, Radó János, Alexandros Soumelidis: Road Type Classification Using Time-Frequency Representations of Tire Sensor Signals

IEEE Access, https://doi.org/10.1109/ACCESS.2024.3382931

A "smart tire" szabadalmaztatott technológiája (okos gumiabroncs) új lehetőséget kínál arra, hogy a jármű érzékelje a környezetét – különösen az útburkolat állapotát. Ezekben az abroncsokban beépített szenzorok találhatók, amelyek valós időben mérik a gumiabroncs fizikai viselkedését – például rezgéseket, elmozdulásokat vagy a felületre ható erőket.

Az ilyen típusú adatok különösen értékesek lehetnek fejlett vezetéstámogató rendszerekben (ADAS) és önvezető járművek irányításában, mert segíthetnek felismerni a veszélyes útviszonyokat, és alkalmazkodni hozzájuk, növelve ezzel a közlekedés biztonságát és hatékonyságát.

A kutatás célja olyan algoritmusok fejlesztése, amelyek képesek ezekből a mért adatokból automatikusan felismerni, milyen típusú úton halad a jármű – például sima aszfalton, kátyús úton vagy murvás, földes terepen.

Miért nehéz ez a feladat?

A gumiabroncsban elhelyezett szenzorok által mért jelek nemlineárisak és nem-állandóak

• A nemlinearitás azt jelenti, hogy az adatok nem egyszerű, kiszámítható szabályok szerint változnak – például egy kis változás az útburkolatban nem feltétlenül okoz kis változást a jelben, hanem akár hirtelen, bonyolult hatásokat is.
• A nem-stacionárius jel pedig olyan, amelynek a statisztikai tulajdonságai időben változnak. Vagyis a jel viselkedése nem marad állandó, hanem folyton módosul, ahogy a jármű halad.

Ezért ezek az adatok nehezen értelmezhetők hagyományos elemzési módszerekkel, amelyek azt feltételezik, hogy az adatok időben állandó mintázatokat követnek.

Mi az az idő-frekvencia elemzés?

Az idő-frekvencia elemzés egy olyan módszer, amely lehetővé teszi, hogy egyszerre lássuk, mikor és milyen frekvencián történnek változások a jelben.

• A frekvencia itt azt jelenti, hogy milyen gyorsan ismétlődnek bizonyos mintázatok vagy rezgések.
• Az idő-frekvencia térkép megmutatja, hogy ezek a frekvenciák hogyan változnak az idő előrehaladtával – ami nagyon hasznos a nem-stacionárius jelek elemzésénél.

Képzeljük el ezt úgy, mintha nem csak azt néznénk meg, hogy milyen hangok (frekvenciák) vannak egy dalban, hanem azt is, hogy pontosan mikor szólnak ezek a hangok – ez segít azonosítani a „történések időzítését”, ami az útfelület felismeréséhez elengedhetetlen.

A kutatók ezt a fajta elemzést gépi tanulási módszerekkel kombinálják, hogy a rendszer megtanulja felismerni a különböző útfelületekhez tartozó mintázatokat a mért jelekben.

Valós környezetben is működik

A módszert egy Nissan Leaf típusú tesztautóba szerelt mérőrendszerrel tesztelték, különböző környezeti és forgalmi körülmények között. Így a fejlesztés nem csak elméleti, hanem gyakorlati szempontból is kipróbált, valós helyzetekben gyűjtött adatokon alapul.

A kísérletek azt mutatták, hogy a rendszer megbízhatóan képes felismerni az út minőségét, amit később az önvezető járművek automatikus vezérlésében, például intelligens sebességszabályozásban is hasznosítani lehet – például egy rossz minőségű úton automatikusan lassít a jármű, hogy növelje az utasok kényelmét és a közlekedés biztonságát.

https://modelinglab.inf.elte.hu/home/research-group?id=1

https://www.inf.elte.hu/content/tudkom-mecenatura.c2c.54?m=850