基于MLP神经网络的轮胎-道路摩擦系数实时预测方法

1. 项目概述与背景

轮胎-道路最大摩擦系数（Tire-Road Friction Coefficient, TRFC）是车辆动力学控制中的关键参数，直接影响着行车安全和车辆性能表现。传统TRFC估计方法主要依赖物理模型和离线测试，存在实时性差、成本高的问题。我们提出了一种基于多层感知器（MLP）神经网络的TRFC预测方法，仅需车辆垂向加速度数据即可实现高精度实时预测。

这个方案的核心价值在于：

• 仅需常规车载传感器数据（垂向加速度），无需额外硬件投入
• 采用数据驱动方法，避免了复杂物理建模过程
• 预测结果可直接用于ABS、ESP等车辆控制系统参数优化
• 实现成本低，适合大规模商业化应用

2. MLP神经网络基础与选型

2.1 MLP网络结构设计

我们采用的MLP网络包含以下层级结构：

• 输入层：50个神经元，对应预处理后的加速度时间序列窗口
• 隐藏层：3层，每层神经元数量分别为128、64、32
• 输出层：1个神经元，输出TRFC预测值

这种"宽入口-渐进压缩"的结构设计基于以下考虑：

1. 输入层较宽可以捕捉加速度信号的时序特征
2. 三层隐藏层提供了足够的非线性表达能力
3. 逐层缩减避免了信息冗余，提高了特征提取效率

2.2 激活函数选择

经过对比测试，我们最终确定使用以下激活函数组合：

• 隐藏层：ReLU函数，其表达式为f(x)=max(0,x)
  • 优点：计算简单，缓解梯度消失问题
  • 适合处理加速度信号这类非负特征
• 输出层：Sigmoid函数
  • 将输出限制在0-1范围，符合TRFC的物理定义

注意：最后一层不要使用ReLU，因为TRFC理论值可能接近0，ReLU可能导致"神经元死亡"问题。

2.3 训练参数配置

关键训练参数设置如下表所示：

3. 数据采集与预处理

3.1