[论文解读] Road Roughness Estimation Using Machine Learning

M. Bajic, Shahrzad M. Pour+4 more|arXiv (Cornell University)|Jul 2, 2021

Infrastructure Maintenance and Monitoring参考文献 50被引用 16

一句话总结

本文提出了一种机器学习流程，利用车载传感器（特别是垂直加速度和速度）预测路面不平度，实现了对道路网络的连续、低成本监测。表现最佳的模型为多层感知机（MLP），在哥本哈根50.3公里高速公路路段的真实数据上，对IRI值预测的决定系数R²为0.66，均方根误差RMSE为0.21，展现出优异的准确性。

ABSTRACT

Road roughness is a very important road condition for the infrastructure, as the roughness affects both the safety and ride comfort of passengers. The roads deteriorate over time which means the road roughness must be continuously monitored in order to have an accurate understand of the condition of the road infrastructure. In this paper, we propose a machine learning pipeline for road roughness prediction using the vertical acceleration of the car and the car speed. We compared well-known supervised machine learning models such as linear regression, naive Bayes, k-nearest neighbor, random forest, support vector machine, and the multi-layer perceptron neural network. The models are trained on an optimally selected set of features computed in the temporal and statistical domain. The results demonstrate that machine learning methods can accurately predict road roughness, using the recordings of the cost approachable in-vehicle sensors installed in conventional passenger cars. Our findings demonstrate that the technology is well suited to meet future pavement condition monitoring, by enabling continuous monitoring of a wide road network.

研究动机与目标

• 开发一种可扩展、低成本的方法，利用标准车载传感器数据实现路面不平度的连续监测。
• 通过实现实时路面状况评估，解决传统道路调查频率低的局限性。
• 评估多种监督机器学习模型，从车辆振动和速度数据中预测国际不平度指数（IRI）。
• 优化特征选择与降维，以提升模型泛化能力和性能。
• 证明使用现成车辆传感器实现大规模、自动化道路网络监测的可行性。

提出的方法

• 从一辆乘用车在哥本哈根M3高速公路50.3公里路段行驶过程中采集的垂直加速度和速度数据。
• 应用隐马尔可夫模型（HMM）将GPS轨迹与OpenStreetMap（OSM）道路网络进行匹配，提升空间精度。
• 从传感器数据中提取时间特征和统计特征，包括均值、标准差、峰度以及特定频带的能量。
• 采用顺序前向选择（SFS）和主成分分析（PCA）识别最优特征子集并降低维度。
• 训练并比较多种监督模型：线性回归、Lasso、Ridge、Elastic Net、k-NN、随机森林、SVM和MLP。
• 使用10折交叉验证和独立保留测试集评估模型，指标包括R²、RMSE、精确率、召回率和F₁分数。

实验结果

研究问题

• RQ1 是否可以仅使用加速度计和速度计等车载传感器，在无需专用设备的情况下准确预测路面不平度（IRI）？
• RQ2 在从车辆传感器数据预测连续IRI值和分类IRI严重程度等级方面，哪些机器学习模型表现最佳？
• RQ3 特征选择（SFS）和降维技术（PCA）对模型性能和泛化能力有何影响？
• RQ4 与传统调查方法相比，所提出的流程在实现连续、大规模道路网络监测方面具有多大潜力？
• RQ5 模型性能在不同IRI等级下如何变化，特别是在样本较少的高不平度值区域？

主要发现

• 多层感知机（MLP）在回归任务中表现最佳，测试集上IRI值预测的决定系数R²为0.66，均方根误差RMSE为0.21。
• 在IRI分类任务中，SVM和逻辑回归模型的F₁分数最高，达到0.66，召回率为0.74，表明在有序严重程度等级上表现优异。
• 表现最佳的模型显示出一致的预测趋势，大多数预测值与实际IRI值高度吻合，尤其在低至中等不平度范围内。
• 由于数据集中高IRI值样本稀少，模型性能在该区域略有下降，凸显了数据不平衡带来的挑战。
• 通过SFS进行特征选择和通过PCA进行降维，显著提升了所有模型的稳定性和泛化能力。
• 该流程证明，标准车载传感器可可靠估计路面不平度，从而实现低成本、可扩展的连续路面监测。