IDRRS: инерциальное IoT-устройство для классификации дорожного покрытия в режиме реального времени и повышения точности оценки местоположения
Ключевые слова:
инерциальный датчик, режим реального времени, микроконтроллер, машинное обучение, интернет вещейАннотация
Мониторинг состояния дорожного покрытия является важной задачей, направленной на повышение безопасности дорожного движения и оптимизацию обслуживания транспортной инфраструктуры. В настоящей работе разработана инерциальная IoT-система, предназначенная для классификации типов дорожного покрытия в режиме реального времени, обнаружения выбоин и повышения точности оценки местоположения транспортного средства. Предложенная система включает модель XGBoost, адаптированную для развертывания на микроконтроллерах с ограниченным объемом памяти, алгоритм интерполяции GPS с использованием данных о скорости движения, а также метод обнаружения выбоин на основе индекса аномалий. Экспериментальная оценка проведена на собственном наборе данных и общедоступном наборе данных PVS. Достигнутая точность классификации составила 95.39% и 93.21% соответственно. Для анализа переносимости модель, обученная на собственном наборе данных, была применена к набору PVS без дополнительного обучения и обеспечила точность 92.45%, что подтверждает устойчивость предложенного подхода к смене источника данных. Применение процедуры интерполяции GPS позволило снизить среднюю ошибку локализации с 5.571–11.893 м до 1.835–3.563 м при скоростях движения транспортного средства от 20 до 50 км/ч. Дополнительным вкладом работы является публикация собственного набора данных, содержащего вибрационные сигнатуры типовых дорожных покрытий, что способствует дальнейшему развитию методов интеллектуальной классификации дорожного покрытия.
Литература
1. Carlos M.R., Aragon M.E., Gonzalez L.C., Escalante H.J., Martınez F. Evaluation of detection approaches for road anomalies based on accelerometer readings – addressing who’s who. IEEE Transactions on Intelligent Transportation Systems. 2018. vol. 19. no. 10. pp. 3334–3343. DOI: 10.1109/TITS.2017.2773084.
2. Ganguly B., Dey D., Munshi S. An unsupervised learning approach for road anomaly segmentation using RGB-D sensor for advanced driver assistance system. IEEE Transactions on Intelligent Transportation Systems. 2022. vol. 23. no. 10. pp. 19042–19053. DOI: 10.1109/TITS.2022.3164847.
3. Duong C.C., Nguyen T.T., Duong V.T., Tran D.-N., Chinh T.M., Le A.N., Tran D.-T. Smartphone-based sensing for intelligent inland waterway transportation. International Journal of Interactive Mobile Technologies (iJIM). 2020. vol. 14. no. 18. pp. 195–203. DOI: 10.3991/ijim.v14i18.16449.
4. Menegazzo J., von Wangenheim A. Road surface type classification based on inertial sensors and machine learning: A comparison between classical and deep machine learning approaches for multi-contextual real-world scenarios. Computing. 2021. vol. 103. no. 10. pp. 2143–2170. DOI: 10.1007/s00607-021-00914-0.
5. Hnoohom N., Mekruksavanich S., Jitpattanakul A. A comprehensive evaluation of state-of-the-art deep learning models for road surface type classification. Intelligent Automation & Soft Computing. 2023. vol. 37. no. 2. pp. 1275–1291. DOI: 10.32604/i-asc.2023.038584.
6. Mekruksavanich S., Rojanavasu P., Srisungsittisunti B., Plengvittaya C., Phaphan W., Jitpattanakul A. Enhancing intelligent transportation systems: A deep learning approach for terrain recognition using vehicular inertial sensors. Lobachevskii Journal of Mathematics. 2024. vol. 45. no. 12. pp. 6324–6342. DOI: 10.1134/S1995080224607628.
7. Sattar S., Li S., Chapman M. Developing a near real-time road surface anomaly detection approach for road surface monitoring. Measurement. 2021. vol. 185.
8. Raslan E., Alrahmawy M.F., Mohammed Y., Tolba A. Evaluation of data representation techniques for vibration based road surface condition classification. Scientific Reports. 2024. vol. 14. no. 1. DOI: 10.1038/s41598-024-61757-1.
9. Manoni L., Orcioni S., Conti M. A lightweight 1D-CNN architecture for accurate and efficient road type classification using vibrational signals. IEEE Access. 2025. vol. 13. pp. 174349–174367. DOI: 10.1109/ACCESS.2025.3617943.
10. Botezatu A.-P., Burlacu A., Orhei C. A review of deep learning advancements in road analysis for autonomous driving. Applied Sciences. 2024. vol. 14. no. 11. DOI: 10.3390/app14114705.
11. Yigit H., Koylu H., Eken S. Estimation of road surface type from brake pressure pulses of ABS. Expert Systems with Applications. 2023. vol. 212. DOI: 10.1016/j.eswa.2022.118726.
12. Biju S., Chammam A., Askar S., Rodrigues P., Jalalnezhad M. Prediction-based controller radial neural network for the traction control system. Journal of Vibration and Control. 2024. DOI: 10.1177/10775463241296911.
13. Martinez-Rıos E.A., Bustamante-Bello M.R., Arce-Saenz L.A. A review of road surface anomaly detection and classification systems based on vibration-based techniques. Applied Sciences. 2022. vol. 12. no. 19. DOI: 10.3390/app12199413.
14. Kim Y.-M., Kim Y.-G., Son S.-Y., Lim S.-Y., Choi B.-Y., Choi D.-H. Review of recent automated pothole-detection methods. Applied Sciences. 2022. vol. 12. no. 11. DOI: 10.3390/app12115320.
15. Manoni L., Orcioni S., Conti M. Recent advancements in deep learning techniques for road condition monitoring: A comprehensive review. IEEE Access. 2024. vol. 12. pp. 154271–154293. DOI: 10.1109/ACCESS.2024.3481649.
16. Coenen T.B., Golroo A. A review on automated pavement distress detection methods. Cogent Engineering. 2017. vol. 4. no. 1. DOI: 10.1080/23311916.2017.1374822.
17. Cao W., Liu Q., He Z. Review of pavement defect detection methods. IEEE Access. 2020. vol. 8. pp. 14531–14544. DOI: 10.1109/ACCESS.2020.2966881.
18. Dib J., Sirlantzis K., Howells G. A review on negative road anomaly detection methods. IEEE Access. 2020. vol. 8. pp. 57298–57316. DOI: 10.1109/ACCESS.2020.2982220.
19. Peraka N.S.P., Biligiri K.P. Pavement asset management systems and technologies: A review. Automation in Construction. 2020. vol. 119. DOI: 10.1016/j.autcon.2020.103336.
20. Cong N.V., Tran D.-N., Long T.T., Thao N.G.M., Tran D.-T. Hybrid feature selection for real-time road surface classification on low-end hardware: A machine learning approach. Results in Engineering. 2025. vol. 27. DOI: 10.1016/j.rineng.2025.105693.
21. Dao T.-H., Tran D.-N., Bui V.-H., Nguyen V.S., Hoa D.K., Thanh P.V., Tran D.-T. RFAR: A real-time firefighter activity recognition system using wearable accelerometer. IEEE Sensors Journal. 2025. vol. 25. no. 17. pp. 33674–33691. DOI: 10.1109/JSEN.2025.3593466.
22. Saha S.S., Sandha S.S., Srivastava M. Machine learning for microcontroller-class hardware: A review. IEEE Sensors Journal. 2022. vol. 22. no. 22. pp. 21362–21390. DOI: 10.1109/JSEN.2022.3210773.
23. Aslam I., Mahfuz S. Transformer-based classification of road conditions using vehicular sensor data. Procedia Computer Science. 2025. vol. 257. pp. 444–451. DOI: 10.1016/j.procs.2025.03.058.
24. Cui J., Zhang H., Wang X., Jing Y., Chou X. Research on road surface recognition algorithm based on vehicle vibration data. Sensors. 2025. vol. 25. no. 18. DOI: 10.3390/s25185642.
25. Thang N.V., Thang P.D., Kien L.M., Thu N.T., Dao T.-H. Development of low-cost road surface classification system using acceleration sensors on motorcycles. Edge Artificial Intelligence: Foundations, Techniques, and Applications. 2025. pp. 567–578. DOI: 10.1002/9781394355037.ch25.
26. Lu D.-N., Nguyen D.-N., Nguyen T.-H., Nguyen H.-N. Vehicle mode and driving activity detection based on analyzing sensor data of smartphones. Sensors. 2018. vol. 18. no. 4. DOI: 10.3390/s18041036.
27. Durap A. A comparative analysis of machine learning algorithms for predicting wave runup. Anthropocene Coasts. 2023. vol. 6. no. 1. DOI: 10.1007/s44218-023-00033-7.
28. Thomas N.S., Kaliraj S. An improved and optimized random forest based approach to predict the software faults. SN Computer Science. 2024. vol. 5. no. 5. DOI: 10.1007/s42979-024-02764-x.
29. Souza V.M., Giusti R., Batista A.J. Asfault: A low-cost system to evaluate pavement conditions in real-time using smartphones and machine learning. Pervasive and Mobile Computing. 2018. vol. 51. pp. 121–137. DOI: 10.1016/j.pmcj.2018.10.008.
30. Khaleghian S., Taheri S. Terrain classification using intelligent tire. Journal of Terramechanics. 2017. vol. 71. pp. 15–24. DOI: 10.1016/j.jterra.2017.01.005.
31. Sebastian B., Ben-Tzvi P. Support vector machine based real-time terrain estimation for tracked robots. Mechatronics. 2019. vol. 62. DOI: 10.1016/j.mechatronics.2019.102260.
2. Ganguly B., Dey D., Munshi S. An unsupervised learning approach for road anomaly segmentation using RGB-D sensor for advanced driver assistance system. IEEE Transactions on Intelligent Transportation Systems. 2022. vol. 23. no. 10. pp. 19042–19053. DOI: 10.1109/TITS.2022.3164847.
3. Duong C.C., Nguyen T.T., Duong V.T., Tran D.-N., Chinh T.M., Le A.N., Tran D.-T. Smartphone-based sensing for intelligent inland waterway transportation. International Journal of Interactive Mobile Technologies (iJIM). 2020. vol. 14. no. 18. pp. 195–203. DOI: 10.3991/ijim.v14i18.16449.
4. Menegazzo J., von Wangenheim A. Road surface type classification based on inertial sensors and machine learning: A comparison between classical and deep machine learning approaches for multi-contextual real-world scenarios. Computing. 2021. vol. 103. no. 10. pp. 2143–2170. DOI: 10.1007/s00607-021-00914-0.
5. Hnoohom N., Mekruksavanich S., Jitpattanakul A. A comprehensive evaluation of state-of-the-art deep learning models for road surface type classification. Intelligent Automation & Soft Computing. 2023. vol. 37. no. 2. pp. 1275–1291. DOI: 10.32604/i-asc.2023.038584.
6. Mekruksavanich S., Rojanavasu P., Srisungsittisunti B., Plengvittaya C., Phaphan W., Jitpattanakul A. Enhancing intelligent transportation systems: A deep learning approach for terrain recognition using vehicular inertial sensors. Lobachevskii Journal of Mathematics. 2024. vol. 45. no. 12. pp. 6324–6342. DOI: 10.1134/S1995080224607628.
7. Sattar S., Li S., Chapman M. Developing a near real-time road surface anomaly detection approach for road surface monitoring. Measurement. 2021. vol. 185.
8. Raslan E., Alrahmawy M.F., Mohammed Y., Tolba A. Evaluation of data representation techniques for vibration based road surface condition classification. Scientific Reports. 2024. vol. 14. no. 1. DOI: 10.1038/s41598-024-61757-1.
9. Manoni L., Orcioni S., Conti M. A lightweight 1D-CNN architecture for accurate and efficient road type classification using vibrational signals. IEEE Access. 2025. vol. 13. pp. 174349–174367. DOI: 10.1109/ACCESS.2025.3617943.
10. Botezatu A.-P., Burlacu A., Orhei C. A review of deep learning advancements in road analysis for autonomous driving. Applied Sciences. 2024. vol. 14. no. 11. DOI: 10.3390/app14114705.
11. Yigit H., Koylu H., Eken S. Estimation of road surface type from brake pressure pulses of ABS. Expert Systems with Applications. 2023. vol. 212. DOI: 10.1016/j.eswa.2022.118726.
12. Biju S., Chammam A., Askar S., Rodrigues P., Jalalnezhad M. Prediction-based controller radial neural network for the traction control system. Journal of Vibration and Control. 2024. DOI: 10.1177/10775463241296911.
13. Martinez-Rıos E.A., Bustamante-Bello M.R., Arce-Saenz L.A. A review of road surface anomaly detection and classification systems based on vibration-based techniques. Applied Sciences. 2022. vol. 12. no. 19. DOI: 10.3390/app12199413.
14. Kim Y.-M., Kim Y.-G., Son S.-Y., Lim S.-Y., Choi B.-Y., Choi D.-H. Review of recent automated pothole-detection methods. Applied Sciences. 2022. vol. 12. no. 11. DOI: 10.3390/app12115320.
15. Manoni L., Orcioni S., Conti M. Recent advancements in deep learning techniques for road condition monitoring: A comprehensive review. IEEE Access. 2024. vol. 12. pp. 154271–154293. DOI: 10.1109/ACCESS.2024.3481649.
16. Coenen T.B., Golroo A. A review on automated pavement distress detection methods. Cogent Engineering. 2017. vol. 4. no. 1. DOI: 10.1080/23311916.2017.1374822.
17. Cao W., Liu Q., He Z. Review of pavement defect detection methods. IEEE Access. 2020. vol. 8. pp. 14531–14544. DOI: 10.1109/ACCESS.2020.2966881.
18. Dib J., Sirlantzis K., Howells G. A review on negative road anomaly detection methods. IEEE Access. 2020. vol. 8. pp. 57298–57316. DOI: 10.1109/ACCESS.2020.2982220.
19. Peraka N.S.P., Biligiri K.P. Pavement asset management systems and technologies: A review. Automation in Construction. 2020. vol. 119. DOI: 10.1016/j.autcon.2020.103336.
20. Cong N.V., Tran D.-N., Long T.T., Thao N.G.M., Tran D.-T. Hybrid feature selection for real-time road surface classification on low-end hardware: A machine learning approach. Results in Engineering. 2025. vol. 27. DOI: 10.1016/j.rineng.2025.105693.
21. Dao T.-H., Tran D.-N., Bui V.-H., Nguyen V.S., Hoa D.K., Thanh P.V., Tran D.-T. RFAR: A real-time firefighter activity recognition system using wearable accelerometer. IEEE Sensors Journal. 2025. vol. 25. no. 17. pp. 33674–33691. DOI: 10.1109/JSEN.2025.3593466.
22. Saha S.S., Sandha S.S., Srivastava M. Machine learning for microcontroller-class hardware: A review. IEEE Sensors Journal. 2022. vol. 22. no. 22. pp. 21362–21390. DOI: 10.1109/JSEN.2022.3210773.
23. Aslam I., Mahfuz S. Transformer-based classification of road conditions using vehicular sensor data. Procedia Computer Science. 2025. vol. 257. pp. 444–451. DOI: 10.1016/j.procs.2025.03.058.
24. Cui J., Zhang H., Wang X., Jing Y., Chou X. Research on road surface recognition algorithm based on vehicle vibration data. Sensors. 2025. vol. 25. no. 18. DOI: 10.3390/s25185642.
25. Thang N.V., Thang P.D., Kien L.M., Thu N.T., Dao T.-H. Development of low-cost road surface classification system using acceleration sensors on motorcycles. Edge Artificial Intelligence: Foundations, Techniques, and Applications. 2025. pp. 567–578. DOI: 10.1002/9781394355037.ch25.
26. Lu D.-N., Nguyen D.-N., Nguyen T.-H., Nguyen H.-N. Vehicle mode and driving activity detection based on analyzing sensor data of smartphones. Sensors. 2018. vol. 18. no. 4. DOI: 10.3390/s18041036.
27. Durap A. A comparative analysis of machine learning algorithms for predicting wave runup. Anthropocene Coasts. 2023. vol. 6. no. 1. DOI: 10.1007/s44218-023-00033-7.
28. Thomas N.S., Kaliraj S. An improved and optimized random forest based approach to predict the software faults. SN Computer Science. 2024. vol. 5. no. 5. DOI: 10.1007/s42979-024-02764-x.
29. Souza V.M., Giusti R., Batista A.J. Asfault: A low-cost system to evaluate pavement conditions in real-time using smartphones and machine learning. Pervasive and Mobile Computing. 2018. vol. 51. pp. 121–137. DOI: 10.1016/j.pmcj.2018.10.008.
30. Khaleghian S., Taheri S. Terrain classification using intelligent tire. Journal of Terramechanics. 2017. vol. 71. pp. 15–24. DOI: 10.1016/j.jterra.2017.01.005.
31. Sebastian B., Ben-Tzvi P. Support vector machine based real-time terrain estimation for tracked robots. Mechatronics. 2019. vol. 62. DOI: 10.1016/j.mechatronics.2019.102260.
Опубликован
2026-04-06
Как цитировать
БуйВ.-Х. V., ТранД.-Н. D., Дао, Т.-Х., Чунг, Х. К., Киен, Ф. В., Тханг, Н. В., & Тран, Д.-Т. (2026). IDRRS: инерциальное IoT-устройство для классификации дорожного покрытия в режиме реального времени и повышения точности оценки местоположения. Информатика и автоматизация, 25(2), 445-477. https://doi.org/10.15622/ia.25.2.7
Раздел
Искусственный интеллект, инженерия данных и знаний
Copyright (c) Unknown, Unknown, Hieu To Dao, Unknown, Unknown, Unknown, Unknown
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).