基于AI识别的车辆路面噪声抵消参考信号采集方法及系统与流程

本发明属于车辆降噪，具体涉及基于ai识别的车辆路面噪声抵消参考信号采集方法及系统。

背景技术：

1、车辆在行驶过程中，轮胎与路面相互作用产生的路噪是车内噪声的主要来源之一。主动路噪控制技术通过扬声器发出与路噪相位相反的反相声波来实现噪声抵消，其降噪效果高度依赖于参考信号的质量。

2、现有技术中，已有利用神经网络预测参考信号的方法，例如中国专利申请cn119274526a公开了基于elman神经网络的汽车路噪主动控制方法，通过获取振动加速度数据和车内噪声数据训练elman神经网络，将神经网络输出的预测噪声信号作为参考信号输入滤波器，并通过误差信号调整滤波器权重参数。然而，该方法基于单车独立运行，模型各自训练、各自使用，车辆之间难以共享路面降噪经验；模型一旦部署后即固定不变，难以利用实际行驶数据持续优化；不同车辆因悬架衰减、制造公差和轮胎配置不同，同一模型难以适配所有车辆的个体物理特性；且该方法对不同路段的噪声特性差异考虑不足，缺乏针对具体路段的定制化处理。

3、此外，现有技术中还存在将降噪参数存储于云端供多车共享的方法，例如中国专利申请cn110211561a公开了用于连续优化的道路噪声消除的方法和设备，通过将滤波器参数、传声器增益等降噪参数存储于云端数据库，供车辆基于位置和路面类型调用。然而，该类方法存储和共享的是降噪参数而非神经网络模型，本质是“参数调用”而非“模型共享”；不同车型因底盘结构、悬架刚度等物理特性存在显著差异，同一组参数难以适配不同车型；且该类方法的优化仅局限于对已有参数数值的调整，难以实现模型层面的持续进化，降噪效果的提升能力有限。

4、因此，如何使车辆的参考信号预测模型能够借鉴其他车辆在相同路段上的训练成果，并在行驶过程中利用实际降噪效果对模型进行个性化微调，同时将微调结果反馈至云端供后续车辆使用，成为亟待解决的技术问题。

技术实现思路

1、本发明的目的是提供基于ai识别的车辆路面噪声抵消参考信号采集方法及系统，能够通过获取本车的车型类别信息和目标路段的路段标识信息并向云端服务器发送模型获取请求，使车辆在驶入目标路段前即获得基于其他同车型车辆在该路段上积累的降噪数据训练得到的ai预测模型，解决了现有技术中单车ai模型独立运行导致路段经验难以共享、模型初始输出偏差大的问题；通过将云端下发的参考信号预测模型载入本地并以其输出的预测值为依据确定滤波器初始系数，同时融合本车实时传感器数据生成参考信号，使车辆在继承群体ai模型训练成果的同时保留针对本车物理特性进行个性化修正的能力，解决了统一ai模型难以适配不同车辆个体差异的问题；通过在行驶过程中利用预置的偏差预测神经网络对残余噪声信号进行实时推理并输出滤波器系数偏差量，实现对滤波器系数的毫秒级快速微调，解决了路面特性发生突变时现有模型难以及时响应的问题；通过将本车实际运行中产生的偏差量反馈至云端并对云端模型进行增量更新，使云端ai模型的预测精度随数据积累持续提升，实现了ai模型的不断进化。

2、本发明采取的技术方案具体如下：

3、一种基于ai识别的车辆路面噪声抵消参考信号采集方法，包括：

4、获取本车的车型类别信息和目标路段的路段标识信息；

5、根据所述车型类别信息和所述路段标识信息向云端服务器发送参考信号预测模型获取请求，并接收所述云端服务器返回的参考信号预测模型，所述参考信号预测模型为所述云端服务器基于所述车型类别信息和所述路段标识信息生成的；

6、本车行驶至所述目标路段时，将实时采集的振动加速度信号输入所述参考信号预测模型，以所述参考信号预测模型输出的预测噪声信号为依据确定本地自适应滤波器的初始系数，并结合实时采集的所述振动加速度信号生成初始参考信号，将所述初始参考信号输入主动降噪系统进行降噪；

7、在行驶通过所述目标路段的过程中，通过本车的车内误差麦克风实时采集所述主动降噪系统工作后的残余噪声信号，将所述残余噪声信号与当前地理位置信息和时间戳关联存储至本车端；

8、将所述残余噪声信号输入本车端预置的偏差预测神经网络，由所述偏差预测神经网络根据所述残余噪声信号的频谱特征输出本地滤波器系数与理论最优系数之间的偏差量，根据所述偏差量对所述本地滤波器系数进行实时微调生成修正后的参考信号，并记录所述偏差量与当前地理位置信息的对应关系；

9、驶离所述目标路段后，将所述偏差量及其对应的地理位置信息上传至所述云端服务器，以使所述云端服务器根据接收到的所述偏差量对所述参考信号预测模型进行增量更新，并将更新后的模型存储于云端数据库。

10、在一种优选方案中，所述获取本车的车型类别信息和目标路段的路段标识信息，具体步骤如下：

11、获取用户设定的导航目的地及规划的行驶路线；

12、根据所述行驶路线确定途经的至少一个目标路段，各目标路段分别对应唯一的路段标识信息；

13、获取本车的车型类别信息，所述车型类别信息至少包含车辆品牌、型号、年款和底盘平台标识；

14、将所述车型类别信息和各目标路段的所述路段标识信息按照预设格式进行关联。

15、在一种优选方案中，所述根据所述车型类别信息和所述路段标识信息向云端服务器发送参考信号预测模型获取请求，并接收所述云端服务器返回的参考信号预测模型，所述参考信号预测模型为所述云端服务器基于所述车型类别信息和所述路段标识信息生成的，具体步骤如下：

16、向云端服务器发送参考信号预测模型获取请求，所述参考信号预测模型获取请求包含所述车型类别信息和所述路段标识信息；

17、当所述云端服务器中已存在与所述车型类别信息和所述路段标识信息对应的参考信号预测模型时，接收所述云端服务器直接返回的已存储的参考信号预测模型；

18、当所述云端服务器中不存在与所述车型类别信息和所述路段标识信息对应的参考信号预测模型时，接收所述云端服务器返回的空值响应，并切换至基于物理模型的传感器直采模式生成参考信号；同时，在本车行驶通过所述目标路段的过程中，采集本车的振动加速度信号及对应的残余噪声信号，将采集的数据上传至所述云端服务器，以使所述云端服务器基于所述数据训练生成所述参考信号预测模型。

19、在一种优选方案中，所述本车行驶至所述目标路段时，将实时采集的振动加速度信号输入所述参考信号预测模型，以所述参考信号预测模型输出的预测噪声信号为依据确定本地自适应滤波器的初始系数，并结合实时采集的所述振动加速度信号生成初始参考信号，将所述初始参考信号输入主动降噪系统进行降噪，具体步骤如下：

20、在本车行驶过程中通过车载定位模块实时获取当前地理位置信息；

21、根据所述当前地理位置信息与所述目标路段的路段标识信息进行位置匹配，判断是否驶入所述目标路段；

22、当判断驶入所述目标路段时，将所述参考信号预测模型载入本车本地；

23、将实时采集的振动加速度信号输入所述参考信号预测模型，所述参考信号预测模型经前向传播计算后输出预测噪声信号；

24、根据所述预测噪声信号确定本地自适应滤波器的初始系数，并将所述初始系数载入所述本地自适应滤波器；

25、将实时采集的底盘振动加速度信号输入所述本地自适应滤波器，经滤波处理后生成初始参考信号；

26、将所述初始参考信号输出至所述主动降噪系统的前馈控制器。

27、在一种优选方案中，所述在行驶通过所述目标路段的过程中，通过本车的车内误差麦克风实时采集所述主动降噪系统工作后的残余噪声信号，将所述残余噪声信号与当前地理位置信息和时间戳关联存储至本车端，具体步骤如下：

28、在本车行驶通过所述目标路段的整个过程中，持续激活车内误差麦克风；

29、通过所述误差麦克风实时采集所述主动降噪系统工作后的残余噪声信号；

30、同步采集当前时刻的车速信息、发动机转速信息和车内温度信息；

31、将所述残余噪声信号与对应的当前地理位置信息和时间戳进行关联后存储于本车端存储器；

32、重复上述采集和存储步骤，直至本车驶离所述目标路段。

33、在一种优选方案中，所述将所述残余噪声信号输入本车端预置的偏差预测神经网络，由所述偏差预测神经网络根据所述残余噪声信号的频谱特征输出本地滤波器系数与理论最优系数之间的偏差量，根据所述偏差量对所述本地滤波器系数进行实时微调生成修正后的参考信号，并记录所述偏差量与当前地理位置信息的对应关系，具体步骤如下：

34、获取所述误差麦克风实时采集的残余噪声信号；

35、将所述残余噪声信号的时域波形输入本车端预置的偏差预测神经网络，所述偏差预测神经网络为前向传播神经网络；

36、获取所述偏差预测神经网络输出的本地滤波器系数与理论最优系数之间的偏差量；

37、根据所述偏差量的大小确定微调幅度，根据所述偏差量的方向确定微调方向，生成所述本地滤波器系数的微调修正值；

38、将所述微调修正值叠加至当前本地滤波器系数上，得到更新后的滤波器系数；

39、利用更新后的滤波器系数重新处理实时采集的振动加速度信号，生成修正后的参考信号；

40、将所述偏差量与当前地理位置信息绑定记录。

41、在一种优选方案中，所述驶离所述目标路段后，将所述偏差量及其对应的地理位置信息上传至所述云端服务器，以使所述云端服务器根据接收到的所述偏差量对所述参考信号预测模型进行增量更新，并将更新后的模型存储于云端数据库，具体步骤如下：

42、检测到本车驶离所述目标路段后，整理本次行驶过程中记录的全部偏差量及其对应的地理位置信息；

43、将所述偏差量和所述地理位置信息打包为反馈数据包；

44、当无线网络连接可用时，将所述反馈数据包上传至所述云端服务器，以使所述云端服务器将所述偏差量作为新增训练数据，对所述参考信号预测模型执行增量更新，并将更新后的模型存储于所述云端数据库。

45、本发明还提供了一种基于ai识别的车辆路面噪声抵消参考信号采集系统，使用上述的基于ai识别的车辆路面噪声抵消参考信号采集方法，包括：

46、信息获取模块，用于获取本车的车型类别信息和目标路段的路段标识信息；

47、模型请求与接收模块，用于根据所述车型类别信息和所述路段标识信息向云端服务器发送参考信号预测模型获取请求，并接收所述云端服务器返回的参考信号预测模型，所述参考信号预测模型为所述云端服务器基于所述车型类别信息和所述路段标识信息生成的；

48、模型载入与参考信号生成模块，用于本车行驶至所述目标路段时，将实时采集的振动加速度信号输入所述参考信号预测模型，以所述参考信号预测模型输出的预测噪声信号为依据确定本地自适应滤波器的初始系数，并结合实时采集的所述振动加速度信号生成初始参考信号，将所述初始参考信号输入主动降噪系统进行降噪；

49、降噪效果采集模块，用于在行驶通过所述目标路段的过程中，通过本车的车内误差麦克风实时采集所述主动降噪系统工作后的残余噪声信号，将所述残余噪声信号与当前地理位置信息和时间戳关联存储至本车端；

50、偏差预测与在线校准模块，用于将所述残余噪声信号输入本车端预置的偏差预测神经网络，由所述偏差预测神经网络根据所述残余噪声信号的频谱特征输出本地滤波器系数与理论最优系数之间的偏差量，根据所述偏差量对所述本地滤波器系数进行实时微调生成修正后的参考信号，并记录所述偏差量与当前地理位置信息的对应关系；

51、云端反馈更新模块，用于驶离所述目标路段后，将所述偏差量及其对应的地理位置信息上传至所述云端服务器，以使所述云端服务器根据接收到的所述偏差量对所述参考信号预测模型进行增量更新，并将更新后的模型存储于云端数据库。

52、本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于ai识别的车辆路面噪声抵消参考信号采集方法的步骤。

53、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于ai识别的车辆路面噪声抵消参考信号采集方法的步骤。

54、本发明取得的技术效果为：

55、本发明通过获取本车的车型类别信息和目标路段的路段标识信息并向云端服务器发送模型获取请求，使车辆在驶入目标路段前即获得基于其他同车型车辆在该路段上积累的降噪数据训练得到的ai预测模型，解决了现有技术中单车ai模型独立运行导致路段经验难以共享、模型初始输出偏差大的问题；通过将云端下发的参考信号预测模型载入本地并以其输出的预测值为依据确定滤波器初始系数，同时融合本车实时传感器数据生成参考信号，使车辆在继承群体ai模型训练成果的同时保留针对本车物理特性进行个性化修正的能力，解决了统一ai模型难以适配不同车辆个体差异的问题；通过在行驶过程中利用预置的偏差预测神经网络对残余噪声信号进行实时推理并输出滤波器系数偏差量，实现对滤波器系数的毫秒级快速微调，解决了路面特性发生突变时现有模型难以及时响应的问题；通过将本车实际运行中产生的偏差量反馈至云端并对云端模型进行增量更新，使云端ai模型的预测精度随数据积累持续提升，实现了ai模型的不断进化。本发明实现了车辆路噪参考信号采集从单车ai独立预测向车群ai协同预测的转变，为主动降噪系统提供更高质量的参考信号输入。与将降噪参数存储于云端供多车共享的方法相比，本发明存储和共享的是神经网络模型而非传统降噪参数，并支持模型随数据积累持续进化，实现了车型与路段的双维度精确匹配。