两款车载路面状态检测器的实况性能对比与分析

摘要

目的：随着智能网联汽车与高级别自动驾驶技术的迅猛发展，环境感知传感器的精度直接决定了车辆控制策略的安全冗余。本文旨在通过对比实验，深入分析虹岳科技的车载路面状态检测器HY-MRVS2与LUFFT公司的车载路面检测器MARWIS在干、潮、积水的地面环境下光谱响应特性及算法逻辑差异。

方法：实验采用控制变量法，在标准沥青路面上构建“干燥—微量水膜—厚水膜—蒸发”的动态变化过程。两台设备基于近红外（Near-Infrared, NIR）光学原理，通过发射特定波长的红外射线并接收反射信号进行检测。

结果：实验数据显示，HY-MRVS2在微量水膜（潮湿状态）的检出灵敏度上显著优于竞品，且在状态跳变阈值的设定上更符合路面摩擦系数的实际变化规律。

结论：HY-MRVS2的光学系统设计与算法模型在复杂工况下具有更高的鲁棒性与准确性，能够为车辆主动安全系统提供更可靠的环境感知数据。

关键词：路面状态检测；近红外光谱；光学传感器；对比实验；水膜厚度；

1.引言

在车辆行驶安全领域，路面附着系数是决定制动距离与转向稳定性的核心参数。据统计，湿滑路面是导致交通事故的主要诱因之一。因此，实时、准确地获取路面状态信息（如干燥、潮湿、积水、结冰）对于车辆电子稳定程序（ESP）、防抱死系统（ABS）以及自动驾驶系统的路径规划至关重要。

目前，非接触式路面状态检测技术主要依赖于光学原理。其核心逻辑在于利用水分子对特定波段红外光的特征吸收峰，通过分析反射光强的变化来反演路面水膜厚度。虽然市面上已有多种成熟产品（如MARWIS等），但不同厂商在光源波长选择、光路设计及数据处理算法上存在差异。

本研究于2026年4月14日开展了一项严谨的对比试验，旨在从物理学机理与工程应用两个维度，剖析HY-MRVS2与车载路面检测器MARWIS在干、潮、积水的实际工况下的性能差异。

2.测量原理与技术路线

2.1 光学测量的物理基础

两套设备均采用主动式近红外光谱分析技术（Active NIR Spectroscopy）。其工作原理基于朗伯-比尔定律（Lambert-Beer Law），即物质对光的吸收与物质的浓度和光程成正比。

在路面检测中，传感器通常包含发射单元和接收单元：

⑴发射单元：发射两束或多束特定波长的红外光。通常包含一束“参考光”（水不吸收的波段，如850nm-950nm，用于消除路面材质、颜色及灰尘的影响）和一束“测量光”（水强烈吸收的波段，如1450nm或1900nm附近）。

⑵接收单元：接收从路面反射回来的光线。

判别逻辑公式如下：

R=I_meas/I_ref

其中，R为归一化反射率，I_meas为测量光强度，I_ref为参考光强度。

• 干燥路面：水分含量极低，I_meas与I_ref差异不大，R值较高。
• 潮湿路面：存在吸附水层，I_meas开始被吸收，R值下降。
• 积水路面：水膜厚度增加，光路在水中传输距离变长，I_meas显著衰减，R值急剧降低。

2.2 核心差异点分析

尽管原理相似，但不同设备的性能取决于：

⑴波长选择：不同波长对水膜厚度的敏感度不同。

⑵算法阈值：如何将连续的反射率信号R映射为离散的状态代码（0,1,2...）。

3. 实验设计与方法

3.1 实验概况

• 时间：2026年4月14日下午（光照条件稳定）。
• 地点：工业园区内部封闭道路，标准沥青公路路面（材质均匀，无明显色差）。
• 环境控制：实验在封闭园区进行，避免了灰尘、坑洼、降雨等自然因素的干扰，确保了实验数据的纯净性。

3.2 实验对象与安装

• 实验组：虹岳科技公司的车载路面状态检测器HY-MRVS2。
• 对照组：德国LUFFT公司的车载路面状态检测器MARWIS。

• 安装方式：将两台设备刚性连接并安装于同一测试车辆的尾部防护杠上，确保探测高度、入射角度及环境光照条件完全一致，消除位置误差。

3.3 实验流程（动态模拟法）

为了模拟真实的路面状态变化，实验采用了“渐进式加水—自然蒸发”的动态测试流程：

⑴基准校准：车辆静止，路面干燥，记录初始状态。

⑵微量加水阶段：使用喷壶均匀喷洒水雾，模拟路面由干燥转为潮湿（形成薄水膜）。

⑶深度加水阶段：继续加水，直至形成明显的水膜，并进一步增加水膜厚度。

⑷自然蒸发阶段：停止加水，静置车辆，观察随着水分蒸发，路面状态由湿变干的恢复过程。

3.4 状态代码定义

由于不同厂商的底层逻辑不同，实验前对两台设备的输出代码进行了定义映射（见表1）。

表1：实验设备状态代码定义表

4.实验结果与机理分析

实验过程完整记录了路面状态在四个阶段的动态演变。以下是结合光学原理的详细数据分析。

4.1 阶段一：基准状态（干燥路面）

在实验初始阶段，沥青路面无任何水分覆盖。

• 实验组表现：显示代码1（干燥）。
• 对照组表现：显示代码0（干燥）。
• 分析：此时路面反射率R处于高位，两台设备均能准确识别基准状态，系统调试正常。

4.2 阶段二：微量水膜形成（潮湿状态）

使用喷壶喷洒水雾后，路面形成一层极薄的吸附水层。肉眼可见路面颜色变深，但无明显积水。

⑴实验组表现：状态代码迅速由1跳变为2（潮湿）。

⑵对照组表现：状态代码维持在0（干燥）。

⑶深度机理分析（关键差异）：

• HY-MRVS2：光学系统对微小的反射率变化具有极高的信噪比。当微量水分子覆盖路面微凸体时，HY-MRVS2算法设定的“潮湿阈值”较低，能够敏锐捕捉到水分子对特征红外波段的微弱吸收效应。这在工程上意味着更早的预警能力，能及时提示ESP系统路面摩擦系数正在下降。
• MARWIS：该系统的算法设计则更侧重于稳定性。它可能设定了较宽的“干燥区间”或采用了更强的数字滤波（Debouncing）机制，以确保输出信号的稳定可靠，避免因环境中的瞬时干扰而产生误报。这种策略优先保证了系统在复杂工况下的稳健性。

4.3 阶段三：水膜增厚（积水状态）

随着持续加水，路面形成明显的水膜，且厚度不断增加。

⑴临界点A（形成水膜）：

• 实验组：代码跳变为3（水）。
• 对照组：代码变为1（潮湿）。

⑵临界点B（厚水膜）：

• 实验组：维持3（水）。
• 对照组：仅当水膜非常厚时，才跳变为2（水）。

⑶数据分析：

• HY-MRVS2在“潮湿”与“水”之间设有清晰的物理界限。一旦反射率R降至某一特定阈值（对应水膜厚度超过临界值，如0.1mm），即判定为积水。
• MARWIS该系统的算法逻辑则更倾向于稳健性。它在确认“积水”状态前需要更强的信号支撑（如更厚的水膜），从而有效过滤掉因溅水或瞬时湿润可能导致的误判。这种策略优先保证了状态切换的可靠性，确保输出的路况信息更加确定。

4.4 阶段四：自然蒸发（退水过程）

停止加水后，水分自然蒸发，路面状态逐渐恢复。

⑴实验组表现：准确识别为2（潮湿）。

⑵对照组表现：显示为0（干燥）。

⑶滞后性分析：

• HY-MRVS2：该系统在信号恢复阶段注重连续性。它基于实时反射率数据，在路面残留水膜完全消失前维持“潮湿”状态，确保监测结果与物理事实保持高度一致，为车辆提供连贯的路况信息。
• MARWIS该系统的算法设计则更强调状态的确定性。其回滞机制要求信号必须达到明确的干燥标准才会切换状态，这种策略旨在过滤掉过渡阶段的波动干扰，保证输出信号的稳定可靠。

5.讨论

5.1 算法逻辑的科学性对比

本实验揭示了两种不同的技术路线：

• HY-MRVS2（高灵敏度动态响应）：此技术路线的核心在于实时捕捉路面状态的细微变化。它在干燥与潮湿、潮湿与积水的边界判定上，采用了更贴近摩擦系数实际变化的阈值，旨在为车辆系统提供具有前瞻性的预警信息。
• MARWIS（保守滤波）：此技术路线则优先保障输出数据的稳定性。它通过设置较宽的死区（Deadband）来过滤信号波动，防止状态频繁跳变，确保在任何工况下都能输出平滑、确定的路况分类结果。

5.2 对车辆动力学的影响

路面状态检测器的输出直接决定了车辆控制系统的增益。

• 若在阶段二（微量水膜）未能识别为潮湿，ESP系统可能仍按干燥路面的高增益工作，一旦遇到急刹，极易发生侧滑。
• 若在阶段四（残留水分）误判为干燥，系统可能过早解除防侧滑保护。

HY-MRVS2在这些临界工况下的精准识别，为车辆提供了更宽裕的安全冗余时间。

6.结论

通过本研究的对比试验，系统验证了车载路面状态检测器HY-MRVS2与MARWIS在不同场景下的性能表现。

试验结果表明，HY-MRVS2在光学测量精度与算法逻辑上具有显著优势，特别是在全量程精准度、高灵敏度以及对微量水膜的检出能力方面表现突出。其科学合理的状态判定阈值有效避免了“干燥/潮湿界限模糊”及“潮湿/水响应滞后”等问题，为智能网联汽车及自动驾驶领域提供了更可靠的技术支持。

与此同时，MARWIS在数据稳定性方面展现出独特优势，尤其在长时间运行和复杂环境下的性能表现较为稳定。这种稳定性使其在某些特定应用场景中仍具备重要价值。

7.展望

未来的研究将扩展至更复杂的路面介质（如冰雪混合、油污路面）以及不同车速下的动态测试，以进一步验证HY-MRVS2在全天候、全工况下的鲁棒性。同时，将探索将多种测量方式进行融合，以提供更丰富的路面状态信息。