Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2507.12317

帮助 | 高级搜索

电气工程与系统科学 > 信号处理

arXiv:2507.12317 (eess)
[提交于 2025年7月16日 ]

标题: 通过融合标准车载汽车传感器进行道路粗糙度估计

标题: Road Roughness Estimation via Fusion of Standard Onboard Automotive Sensors

Authors:Martin Agebjär, Gustav Zetterqvist, Fredrik Gustafsson, Johan Wahlström, Gustaf Hendeby
摘要: 道路不平度显著影响车辆振动和乘坐质量。 我们引入了一种基于卡尔曼滤波器(KF)的方法,通过融合惯性和速度测量数据,以国际不平度指数(IRI)来估计道路不平度,为路面监测提供了一种成本效益高的解决方案。 该方法涉及对物理车辆进行系统识别,以估计现实的模型参数,随后通过基于KF的纵向道路剖面重建来计算IRI值。 它探讨了利用垂直和横向振动进行IRI估计,后者在现代车辆中更为常见。 在230公里真实数据上的验证显示了有前景的结果,IRI估计误差范围为参考值的1%至10%。 然而,当仅使用横向振动时,准确性显著下降,突显了其局限性。 这些发现证明了基于KF的估计在高效道路不平度监测方面的潜力。
摘要: Road roughness significantly affects vehicle vibrations and ride quality. We introduce a Kalman filter (KF)-based method for estimating road roughness in terms of the international roughness index (IRI) by fusing inertial and speed measurements, offering a cost-effective solution for pavement monitoring. The method involves system identification on a physical vehicle to estimate realistic model parameters, followed by KF-based reconstruction of the longitudinal road profile to compute IRI values. It explores IRI estimation using vertical and lateral vibrations, the latter more common in modern vehicles. Validation on 230 km of real-world data shows promising results, with IRI estimation errors ranging from 1% to 10% of the reference values. However, accuracy deteriorates significantly when using only lateral vibrations, highlighting their limitations. These findings demonstrate the potential of KF-based estimation for efficient road roughness monitoring.
评论: 已接受发表于FUSION 2025 - 第28届国际信息融合会议(FUSION),IEEE(2025)
主题: 信号处理 (eess.SP)
引用方式: arXiv:2507.12317 [eess.SP]
  (或者 arXiv:2507.12317v1 [eess.SP] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.12317
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Gustav Zetterqvist [查看电子邮件]
[v1] 星期三, 2025 年 7 月 16 日 15:10:45 UTC (5,721 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.SP
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号