ETLNet: 一种基于智能手机传感器的道路异常检测高效TCN-BiLSTM网络

道路异常可定义为路面或路面本身的不规则现象。其中一些可能是故意的（如减速带），一些是意外的（如从卡车上掉落的材料），或者由道路过度使用或维护不足（如坑洼）导致。尽管起源各不相同，这些不规则现象往往对车辆造成严重损害。减速带虽为安全而故意设置，但因其非标准的形状、尺寸和缺乏适当标记而具有危险性。坑洼则是非故意的，也可能造成严重破坏。为应对这些异常的检测，我们需要一个自动化的道路监测系统。目前存在多种利用视觉信息追踪这些异常的系统。然而，由于光照条件不佳以及标记不当或缺失，它们可能无法被检测到，从而对公共交通、自动驾驶车辆等造成严重后果。在本文中，我们提出了增强型时序双向LSTM网络（ETLNet），这是一种将两层时序卷积网络（TCN）与一层双向长短期记忆（BiLSTM）层相结合的新方法。该组合专门设计用于在不同光照条件下有效检测异常，因为它不依赖视觉信息而是依赖智能手机惯性传感器数据。我们的方法采用智能手机中常见的加速度计和陀螺仪传感器来采集道路状况数据。实证评估表明，ETLNet模型在检测减速带时保持了99.3%的F1分数。ETLNet模型的鲁棒性和效率显著推进了自动化道路表面监测技术。