DB-MLP: Un MLP de Doble Rama Ligero para la Clasificación de Rugosidad de Carreteras Utilizando la Aceleración de la...

Área de la Ciencia:

• Dinámica y Control Vehicular
• Aprendizaje Automático para Aplicaciones de Ingeniería
• Procesamiento de Señales para Sistemas Automotrices

Sus antecedentes:

• La identificación precisa de la rugosidad de la carretera es crucial para el control de la suspensión del vehículo y la comodidad del pasajero.
• Los métodos existentes basados en datos enfrentan desafíos para equilibrar la precisión de la clasificación con las restricciones computacionales en tiempo real.
• La escasez de datos del mundo real etiquetados y las limitaciones de los modelos lineales dificultan los enfoques actuales.

Objetivo del estudio:

• Proponer un marco ligero y robusto de clasificación de rugosidad de carreteras para monitoreo a bordo en tiempo real.
• Desarrollar una solución rentable y de alta precisión adecuada para sistemas de vehículos integrados.
• Abordar las limitaciones de los métodos existentes en términos de precisión y eficiencia computacional.

Principales métodos:

• Se estableció una plataforma de cosimulación de alta fidelidad (CarSim y Simulink) para generar conjuntos de datos de vibración físicamente consistentes que cubren los niveles de rugosidad ISO AF.
• Se introdujo DB-MLP (Perceptrón Multicapa de Doble Rama), una novedosa arquitectura de red neuronal diseñada para una extracción de características eficiente.
• Se empleó una estrategia de doble rama con proyección temporal multirresolución y bloques de transformación de características de doble dominio para la captura de dependencias multiescala.

Principales resultados:

• DB-MLP logró una precisión de clasificación superior del 98,5% con solo 0,58 millones de parámetros.
• El modelo demostró una reducción significativa en la latencia de inferencia, aproximadamente 20 veces más rápido (0,007 ms/muestra) que las líneas de base líderes.
• DB-MLP mantuvo un rendimiento competitivo en la tarea específica de clasificación de carreteras.

Conclusiones:

• El marco propuesto DB-MLP ofrece una solución rentable y de alta precisión para la clasificación de rugosidad de carreteras en tiempo real.
• El diseño ligero y robusto lo hace adecuado para su implementación en sistemas de vehículos integrados.
• Este enfoque supera eficazmente las limitaciones de los métodos existentes para equilibrar la precisión y la eficiencia computacional.