《Vehicles》：A CNN–Mamba-Based Method for Visual Tire–Road Friction Potential Estimation Under Low-Excitation Variable Working Conditions
编辑推荐：
路面附着系数是影响车辆动力学控制和行驶安全的关键参数。针对基于车辆动力学的方法在低激励条件下的局限性，研究人员提出了一种基于视觉感知的CNN-Mamba混合回归网络（CMHR-Net），用于视觉路面摩擦潜力估计。通过从相机图像中提取路面纹理特征，该方法预测与不
路面附着系数是影响车辆动力学控制和行驶安全的关键参数。针对基于车辆动力学的方法在低激励条件下的局限性，研究人员提出了一种基于视觉感知的CNN-Mamba混合回归网络（CMHR-Net），用于视觉路面摩擦潜力估计。通过从相机图像中提取路面纹理特征，该方法预测与不同路面条件相关的代表性摩擦水平，为车辆主动安全与控制系统提供先验信息。首先，使用ResNet18提取路面图像的局部纹理特征。其次，引入Mamba状态空间模型（SSM）对特征之间的长距离依赖关系进行建模，从而增强全局表征能力。最后，通过回归层输出预测的附着系数值。同时，基于路面语义属性构建了附着系数映射数据集，用于模型训练与验证。实验结果表明，在包括湿沥青、积水沥青、积水混凝土、冰雪和接缝等多种路面条件下，与传统CNN模型相比，该方法显著降低了平均绝对误差（MAE）。具体而言，在低附着条件（μ ≈ 0.20）下，误差降低了约56.9%。此外，在复杂可变工况下，该模型在最大误差（Max Error）和平均绝对百分比误差（MAPE）方面均显著优于传统CNN模型。例如，在低附着条件（μ ≈ 0.20）下，MAPE从21.59%降至9.28%，最大误差从0.2025降至0.0628，表现出优越的稳定性和鲁棒性。该方法无需依赖车辆动力学激励即可实现附着系数的高精度前馈估计，为车辆前馈控制与主动安全系统提供有效支持。
论文解读文章
**研究背景与问题**
路面附着系数（adhesion coefficient, μ）是描述轮胎-路面摩擦特性的核心参数，对车辆纵向动力学与侧向稳定性具有决定性影响。传统基于车辆动力学模型的估计方法在低激励条件（如低速、匀速、小扰动）下，轮胎滑移信息不足，导致系统可观测性降低，估计精度显著下降。同时，复杂路面环境中附着状态呈现空间非均匀性与动态变化特征（即可变工况），进一步增加了估计难度。现有基于视觉的CNN方法虽能提取局部纹理特征，但受限于局部感受野，难以有效建模长距离空间依赖，尤其在低附着与复杂分布场景下稳定性不足。因此，开展不依赖动力学激励的视觉附着系数前馈估计研究具有重要工程价值。本研究针对上述问题，提出一种CNN-Mamba混合回归网络，旨在提升低激励与可变工况下的估计精度与鲁棒性。
**研究内容与结论**
研究人员提出基于CNN-Mamba混合回归网络（CMHR-Net）的视觉路面摩擦潜力估计方法。该方法利用开源RSCD数据集构建附着系数映射数据集，基于路面语义属性通过经验映射策略分配代表性附着系数标签。通过CNN提取局部纹理特征，引入Mamba状态空间模型（SSM）增强全局表征能力，最终通过回归层输出连续附着系数预测值。实验结果表明，在湿沥青、积水沥青、积水混凝土、冰雪及接缝等多种典型路面条件下，该方法相比传统CNN回归模型显著降低了平均绝对误差（MAE），如在低附着冰雪条件（μ ≈ 0.20）下误差降低约56.9%。在复杂可变工况下，平均绝对百分比误差（MAPE）从21.59%降至9.28%，最大误差从0.2025降至0.0628，表现出优越的稳定性和鲁棒性。此外，基于七自由度车辆动力学模型的闭环验证表明，预测的摩擦系数序列可有效用于车辆制动控制，制动距离从CNN估计的27m降至25m（接近真实值24m），验证了方法的工程实用性。该论文发表在《Vehicles》上，为车辆主动安全与控制系统提供了不依赖动力学激励的高精度前馈估计途径。
**关键方法概述**
本研究主要采用以下关键技术方法：1) 基于ResNet18的CNN特征提取模块，用于提取路面图像的局部纹理特征；2) 引入Mamba状态空间模型（SSM）进行特征增强，通过选择性状态空间机制（selective state space mechanism）建模长距离依赖，提升全局表征能力；3) 回归预测模块，包含两个全连接层与Sigmoid归一化层，输出附着系数预测值。样本队列来源为开源RSCD数据集，该数据集包含27种基于路面材料、湿度与纹理属性的组合类别，研究采用经验映射策略，依据文献中的典型摩擦系数范围，为每种路面类型分配代表性附着系数标签（如干沥青0.80–0.90、湿沥青0.50–0.60、冰雪0.20–0.30等），构建监督学习训练标签。
**研究结果**
**4.4.1 不同路面条件下的估计结果**
通过对比CNN回归模型与CNN-Mamba模型在湿沥青（μ=0.55）、积水沥青（μ=0.50）、积水混凝土（μ=0.45）、冰雪（μ=0.20）及接缝过渡（μ=0.70→0.50）工况下的预测序列，得出CNN-Mamba模型在各工况下预测误差更小，尤其在低附着与空间分布复杂场景中优势显著。
**4.4.2 实时性能评估**
在实验平台上测量推理延迟与有效帧率（FPS），得出CNN基线模型平均延迟4.6ms/帧（≈217 FPS），CNN-Mamba模型平均延迟5.5ms/帧（≈182 FPS），两者均远超车载相机典型帧率（25–30 FPS），满足实时性要求。同时，CNN-Mamba模型预测方差（标准差0.0329 vs. 0.0563）与时序稳定性（平滑度0.0130 vs. 0.0291）均优于基线。
**4.4.3 估计结果分析**
通过对比各工况下MAE值，得出：冰雪低附着条件（μ≈0.20）下，CNN-Mamba的MAE从0.0432降至0.0186（降低约57%）；积水混凝土（μ≈0.45）下，MAE从0.0430降至0.0193（降低约55%）；积水沥青（μ≈0.50）下，MAE从0.0309降至0.0107（降低约65%）；湿沥青（μ=0.55）下，MAE从0.0310降至0.0177（降低约43%）；接缝过渡条件（μ=0.70-0.50）下，MAE从0.0669降至0.0524（降低约21%）。分析表明，CNN-Mamba通过全局建模有效应对均匀纹理、水膜反射、亮度干扰及区域突变等挑战。
**4.5 闭环车辆动力学验证**
在MATLAB/Simulink中建立七自由度车辆动力学模型与轮胎模型，导入CNN-Mamba预测的摩擦系数序列作为前馈信息。与恒定摩擦系数（μ=0.45）对比，得出了纵向速度、侧向速度与横摆角速度响应高度一致。在制动场景（μ从0.7降至0.5）下，CNN-Mamba方法制动距离为25m，接近真实值24m，优于CNN方法的27m（提升7.4%），验证了预测的摩擦信息在车辆控制中的有效性。
**讨论与结论**
讨论部分指出，本研究使用的摩擦标签基于不同路面类别的代表性附着系数值，而非针对每张图像的具体物理测量，因此预测值应视为类别级近似估计而非瞬时真实值。未来工作将整合车辆动力学信息（如轮速、纵向加速度、轮胎力估计）与视觉数据，构建多模态估计框架，并引入车载传感器测量与实车测试数据，建立图像级标签或分布感知监督策略，以进一步提升物理可解释性与估计精度。
结论部分翻译如下：本文针对低激励与可变工况下路面摩擦条件估计的挑战，提出了一种基于CNN-Mamba混合回归网络的视觉摩擦估计方法。首先，利用RSCD数据集构建了路面摩擦数据集，通过经验映射策略为不同路面类别分配代表性附着系数。其次，设计了CNN-Mamba混合网络架构，CNN用于提取局部路面纹理特征，Mamba模块用于捕捉高层特征间的长距离依赖，从而增强模型对复杂空间结构的表征能力。最后，在多种典型低激励与可变工况场景下进行了广泛实验以评估方法有效性。实验结果表明，与传统CNN回归模型相比，该方法在冰雪等低摩擦条件（μ ≈ 0.20）下，MAE从0.0432降至0.0186，降低约56.9%；在湿滑路面条件下同样观察到显著误差降低，表明该方法在挑战性环境中提供了更准确稳定的代表性路面摩擦水平估计。此外，在非均匀接缝路面等可变工况下，模型保持了一致的预测性能，展现出良好的鲁棒性与泛化能力。总体而言，所提出的CNN-Mamba框架无需依赖强车辆动力学激励即可实现基于视觉的代表性路面摩擦水平估计。通过有效融合局部纹理信息与全局结构特征，该方法为低激励与复杂驾驶环境下的智能车辆稳定性控制与决策提供了宝贵的路面条件先验知识。
