Классификация автомобилей таблица: Классы автомобилей таблица по маркам — фото и видео

Содержание

Классы автомобилей таблица по маркам — фото и видео

Некоторые автолюбители ещё не знают, какой именно автомобиль они захотят купить. Чтобы начать знакомство с представителями личного транспорта, стоит ознакомиться с классификационными категориями автомобилей и их характеристиками. Информация, представленная в этой статье, будет нести рекомендательный характер и никак не повлияет на выбор, а лишь поможет с чего-то начать поиски, чтобы определиться с весовой категорией будущего стального друга.

Все автомобили такие разные, но в чем-то все же они похожи. По этим признакам их сводят в единую классификационную таблицу с классами автомобилей по маркам, затем группируют.

О сложившейся системе табличной классификации с примерами

Производственные представители мирового автопрома и автолюбители разных стран для определения класса авто пользуются общепринятыми данными. Всего насчитывается порядка двадцати категорий, по которым можно определить каждый автомобиль. Некоторые из них даже занимают сразу два звена. Подробное изучение всех параметров конкретной модели и сравнение с имеющимися данными позволят сделать правильный выбор без промедлений.

Имея точные данные перед покупкой конкретного агрегата, начинающий драйвер сможет применить информацию для собственной пользы. К примеру, транспортное средство имеет определённый износ. Его реализует прежний владелец и пытается выдать за автомобиль высшей, чем он есть на самом деле, категории, то грамотный покупатель сможет довести продавцу, что этот агрегат недостоин той стоимости, какую за него требует владелец.

Итак, детальнее об отличиях авто.

вернуться к меню ↑

Первый класс автомобилей («Супер мини» в Европе)

Размером они небольшие: 380 см в длину и 160 в ширину. Небольшие двигатели от 600 мл до 1,2 литров потребляют горючее в малом количестве. Чаще они исполнены в кузове купе (с тремя дверьми), иногда — хэтчбек (с пятью створками).

Эти кары отлично подходят для ежедневных поездок в городских условиях, когда нужно быстро преодолевать незначительные расстояния и по возможности занимать незначительное пространство уличных парковок, просачиваться в транспортном потоке.

Представители этого звена хорошо известны соотечественникам по моделям из списка автомашин класса «а»:

  • Ока;
  • Matiz;
  • Kia Picanto;
  • Chevrolet Spark;
  • Ford KA;
  • Peugeot 107;
  • Citroen C1;
  • Chery qq6;
  • Chery Kimo.

Все «микролитражки» или «сити-кары», так называют авто первого класса, отличаются от старших автомобилей своих компаний более доступной стоимостью и компактными параметрами. За это и получили признание в качестве дополнительного средства передвижения для повседневного пользования.

вернуться к меню ↑

Второй, малый класс автомобилей — «В»

Исследуя габариты этих авто, можно отметить следующие. По длине они меньше 4,2 м., по ширине – до 170 мм. Объем двигателя больше, чем у предыдущей категории, но менее 1,6 л.

Этот сегмент удачно объединяет доступную стоимость авто, наравне с первым классом и вместительность старших товарищей гольф-класса, а также предрасположенность для удобных передвижений в салоне четырёх-пяти человек.

Ездить удобно как водителю, так и пассажирам, расположившимся на сиденьях спереди и сзади.

К перечню малых авто относят:

  • Citroen C3;
  • Peugeot 206;
  • Peugeot 1007,
  • Ford Fusion;
  • Ford Fiesta;
  • Renault Modus;
  • Mitsubishi Colt;
  • Kia Rio New;
  • Honda Jazz;
  • Nissan Micra;
  • Nissan Note.

Иногда таких современников характеризуют рангом выше, например VW Polo, и другие иномарки. Но по определённым причинам они остаются коренным «В» классом.

вернуться к меню ↑

Третий, гольф-класс или порядковый «С»

Основоположником этого автомобильного течения стала популярная модель «Фольксваген Гольф». Теперь во дворах европейцев добрая половина авто – представители этого звена. За счёт габаритов, приближенных к классу «В», транспортные средства приравнивают к «В+». И количественные показатели у них такие же:

  • ­  двигатель до двух литров,
  • ­  кузов длиной менее 430 см, шириной – до 180 см.

Среди импортных моделей к сегменту «гольф» относят:

  • Chevrolet Lacetti;
  • Citroen C4;
  • Ford Focus;
  • Kia Cerato;
  • Opel Astra;
  • Peugeot 307;
  • Hyundai: Elantra, Sonata, Matrix;
  • Suzuki Liana;
  • Skoda Octavia;
  • Toyota Corolla.

Однако, есть несколько отличий автомобилей категории «с» от «б»:

  • в салоне Гольфов просторнее, но преимущественно на первом ряду;
  • наличие топовых комплектаций с расширенными интеллектуальными возможностями;
  • приближённость к полноценному среднему классу за счёт увеличенных габаритов некоторых представителей.

По цене «С» и «В» мало чем различаются между собой, потому активно продаются во всех странах.

вернуться к меню ↑

D класс

Золотая середина легковых авто с такими предельными габаритами:

  • ­   ширины – 190 см;
  • ­   длины – 470 см;
  • ­   увеличения объёма двигателя до 2,5 л.

Уровень цен выше среднего.

Присутствие топовых версий с улучшенными параметрами по оформлению (с кожаной отделкой), звукоизоляции и другими характеристиками.

Представители D класса:

  • Alfa Romeo 159;
  • Chevrolet Epica;
  • Chrysler Sebring;
  • Citroen C5;
  • Kia Magentis;
  • Honda Accord;
  • Opel Vectra;
  • Opel Signum;
  • Skoda Superb;
  • Toyota Avensis;
  • Volvo S40 и S60.
вернуться к меню ↑

E – высший средний или бизнес-класс

Прибавка отмечается по всем параметрам:

  • длина достигает 460 см;
  • литраж двигателя – свыше 2,4 л.

Комфортабельнее и дороже предшественников, демонстрирует отделку натуральными материалами, климат-контролем.

Образцовые модели класса «Е»:

  • ГАЗ 31105 (по габаритам и мощности),
  • Audi A6;
  • BMW 5 Series;
  • Citroen C6;
  • KIA Opirus;
  • Lexus GS 450h;
  • Mitsubishi Galant;
  • Renault Vel Satis.
  • Honda Legend;
  • Jaguar S-Type;
  • Volvo S80.
вернуться к меню ↑

F класс (представительский)

Имеет два варианта – серийные модели «F1» и премиум «F2».

У представителей обоих подклассов в единственном кузове седан — отменная комфортабельность, дорогостоящая отделка, длина более 5 метров. А у второго – исключительно ручная сборка, большинство экземпляров у мировых производителей насчитывается в разовом количестве, что подтверждает их заоблачная стоимость.

Ещё статьи:

Классификация легковых автомобилей по размерам и кузовному исполнению

Таблицы классов легковых авто: по размеру («европейские классы»), типу кузова и назначению, а так же «ценовые категории».

Современные легковые автомобили принято классифицировать по двум основным «признакам»: размер и тип кузова.

таблица размерной классификации легковых автомобилей.

A-класс

«Особо малый класс» автомобилей – включает в себя малогабаритные автомобили («микролитражки», «сити-кары»), предназначенные для эксплуатации в городских условиях. Длина таких автомобилей, как правило, не превышает 3,8 м, ширина не более – 1,6 м.

B-класс

«Малый класс» автомобилей весьма популярен в Европе по причине оптимального сочетания «манёвренности в городском потоке» и вместимости. Габариты автомобилей «класса В»: длина – 3,8 ~ 4,4 м, ширина 1,5 ~ 1,7 м.

C-класс

«Малый средний класс» автомобилей (он же – «гольф-класс», происхождение этого «литературного названия» просто – дело в том, что типичный представитель «класса C» это VW Golf, который уже несколько десятилетий является законодателем мод в этом классе). Длина автомобилей «C-класса» – 4,2 ~ 4,6 м, ширина – 1,6 ~ 1,75 м.

D-класс

«Средний класс» автомобилей – это авто для тех, кто часто совершает долгие поездки и нуждается в дополнительном комфорте. В «класс D» входят автомобили длиной 4,6 ~ 4,8 м и шириной 1,7 ~ 1,8 м.

E-класс

«Высший средний класс» автомобилей это что-то вроде «переходной ступени» между автомобилями «среднего класса» и «представительскими авто». По причине того, что эти автомобили обладают высоким уровнем комфорта и оснащения, их так же называют «бизнес-класс». Длина автомобилей «E-класса», как правило, укладывается в рамки 4,8 ~ 5,0 м, а ширина более 1,8 м.

F-класс

«Представительский класс» это «флагманы» модельного ряда автопроизводителей, которые сочетают в себе максимальные: комфорт, мощность и оснащение (их еще называют «автомобили для пассажиров»). Длина таких автомобилей, как правило, более 5,0 метров, а ширина – свыше 1,8 м.

Так же все автомобили, независимо от «класса», принято разделять на «бюджетные», «премиальные» и, весьма «размытый» сегмент, «среднего ценового диапазона» (объяснять по какому принципу происходит «сегментирование» – нет необходимости, это ясно из названия сегмента).

автомобили по типу кузовного исполнения (категории).

Внедорожники – это автомобили созданные для езды по бездорожью («классический внедорожник» – это «рама, полный привод с возможностью блокировки дифференциалов и клиренс >250 мм»). Сегодня граница между «внедорожник» и «кроссовер» весьма размыта – одна и та же модель может быть либо внедорожником, либо кроссовером – в зависимости от уровня оснащения.
Пикапы – грузопассажирские автомобили с минимальными грузовыми возможностями и комфортом легкового автомобиля. Пикапы, зачастую, создаются на одной платформе с полноразмерными внедорожниками (поэтому они «по совместительству» внедорожники, но встречаются и моноприводные модели).
Минивэны – семейные автомобили повышенной вместимости (как в плане пассажиров, так и в плане багажа – т.е. и с особыми возможностями трансформации салонного пространства). Отдельно стоит упомянуть компактвэны – это автомобили для тех кому «обычного минивэна» слишком много.
Седаны – это, как правило, четырёхдверные модели автомобилей (но встречаются и «двухдверные седаны»), где багажное отделение структурно отделено от пассажирского салона.
Хэтчбеки – это, можно сказать, «компромисс» между седаном и универсалом. Хэтчбек, как правило, короче седана (той же модели), но имеет большие возможности багажного отделения (благодаря большему проёму «двери» багажного отсека и возможности «преобразовать» часть пассажирского пространства в место для багажа. Существует так же похожий тип кузова – лифтбэки (отличие от хэтчбеков в том, что длина аналогична седану, очертания профиля напоминают седан, но доступ в багажное отделение обеспечивает «пятая дверь» как у хэтчбека).
Универсалы – грузопассажирские варианты исполнения легковых автомобилей (крыша универсала максимально продлена до заднего габарита, а «пятая дверь» предоставляет максимальный проём для доступа в багажный отсек, максимальная вместимость универсала достигается благодаря возможности трансформации пассажирской части салона).
Купе – по определению это автомобили с «укороченной» базой, двумя дверьми, двумя «полноценными» местами в первом ряду и необязательным вторым рядом сидений «2+2» (но если таковые присутствуют, то их пространство и комфортность весьма ограничены). Сегодня термин «купе» применительно к автомобилю чаще используется в маркетинговых целях и/или чтобы подчеркнуть спортивную направленность автомобиля.
Кабриолеты и родстеры – это, соответственно, четырёх- и двухдверные автомобили с усиленным кузовом и складываемым мягким или жестким верхом.
Спортивные автомобили хочется выделить отдельно – это, независимо от типа кузовного исполнения, специальные модификации «обычных автомобилей», где основной акцент делается на достижение лучших/максимальных динамических качеств и управляемости. Отдельный сегмент в широком классе спортивных авто – «суперкары» (это не модификации «обычных авто», а самостоятельные модели, с исключительной мощностью двигателей (динамикой, максимальной скоростью), эксклюзивным оснащением и, соответственно, ценой.

Классификация автомобилей по классам: таблица

Начинающим водителям всегда интересна классификация автомобилей по классам. Знания о классификации авто, отличиях и особенностях – помогут при выборе машины в личное пользование. В этой статье мы подробно остановимся на каждой группе.

Для чего нужна классификация авто

Прежде всего, классификация автомобилей по классам создана для удобства потенциальных покупателей – будущий владелец сможет оценить собственные возможности по содержанию автомобиля, приемлемость только для себя или всей семьи, прикинуть, во сколько в будущем обойдется постоянная заправка, периодический ремонт и прочие нюансы. Систематизация моделей позволит не тратить время, перебирая сотни типов машин в поисках своей. На выбор влияют следующие критерии:

  • Стоимость производства. Эксклюзивные модели соответственно обходятся не в пример дороже, чем освоенный рынок бюджетных легковых машин. До того как определить класс автомобиля для себя или семьи, важно помнить, что потоковая работа имеет преимущество не только в цене – шансы на некачественные операции при сборке существенно снижены. В то время как дорогая модель требует серьезных испытаний, чтобы знать ее поведение на дороге.
  • Технологичность модели. Что это означает? Прогресс обязывает даже недорогие машины оснащать всевозможными электронными продуктами, обеспечивающими дополнительный контроль. Небольшие малолитражки уже сейчас имеют кондиционеры, подушки безопасности, подогрев сидений и гидравлику – все то, что делает поездку приятной и неутомительной для водителя и пассажиров.
  • Машина оценивается по вместительности салона, багажника, запасу пространства, удобству всем пассажирам и водителю. Например, для семейных авто малогабаритные машины – не лучший вариант, но если у владельцев нет дачи, они не увлечены путешествиями, то покупка минивэна также – бесполезна.

Важно рассматривать не только классификацию автомобилей по классам в таблице, но и рассчитывать собственные силы на ее содержание. Машина потребует постоянной заправки качественным топливом, профессионального осмотра и ремонта. Необходима страховка, размер которой, как известно, зависит от модели и прочие нюансы.

Принцип классификации в России

Учитывая, что географически к РФ ближе расположена Европа, рынок заполнен преимущественно тамошними моделями. Также на классификацию легковых машин повлиял малый спрос продуктов отечественного автопрома – в нашей стране он еще не на высоте. В странах ЕС принято больше 20 категорий авто, но многие из них на российский рынок не попали. Например:

  1. Полноразмерные внедорожники. Их выпускают только в Америке и везут в Россию по специальному заказу.
  2. Нет больших пикапов и маленьких японских малолитражек. Это обусловлено дороговизной содержания первых и практической бесполезностью вторых.
  3. Скоростные автомобили также изготавливаются по запросу. Их преимущественное нахождение – мегаполисы нашей страны. В остальных случаях – покупка нецелесообразна, так как автобаны в России – редкость.

Тем не менее в нашей стране есть широкий выбор легковых авто на любой вкус и кошелек. Как определяется класс автомобиля – узнаем далее.

Правила определения категории автомобиля

Классификация – непостоянное динамично развивающееся явление. В будущем, она, несомненно, будет эволюционировать, пополняться новыми моделями. Как узнать класс автомобиля? Для этого есть правила их определения:

  1. Габариты авто. Категории разнятся по длине и высоте кузова. Литеры от А до F, обозначают длину машины от 2,5 до 5 м.
  2. Назначение. Легковая машина отличается типом кузова, оттого и категория – седан, хетчбэк, универсал, спорткар, кроссовер. Есть автомобили для нестандартных условий эксплуатации – большой проходимости и вместительности. Это внедорожники и минивэны.

Зная собственные потребности, легко определить модель авто из любого класса, которая подойдет для достижения требуемых целей.

Классификационная таблица

Подробный список машин по классам – в таблице:

Что означают буквы? Далее – примеры моделей согласно классификации по классам:

  • Категория А. Востребованность мини авто с длиной кузова не более 3,6 м объясняется просто – они компактные, маневренные, легко устанавливаются на небольшом парковочном месте, экономны в потреблении топлива. Часто подобные модели относят к «дамским». Стандартный кузов – трехдверный, хотя встречается и hatchback с пятью.Что означают буквы? Далее – примеры моделей по классам:
    Пример – Peugeot BB1 или Smart Fortwo. В России – Ока. Несмотря на габариты, европейская машина не отличается бедной комплектацией – есть кондиционер, подушки безопасности, обогрев и прочие прогрессивные технические конструкции.
  • Авто В-класса. Комфортные для водителя и трех пассажиров малолитражки с передним приводом. В последнее время комплектация машины мало отличается от класса С – авто недотягивает только габаритами. Машина бюджетная – цена невысока, расход топлива щадящий – до 6 л/100 км. К таким моделям относят Volkswagen Polo, Opel Corsa и прочие. Помимо технической оснащенности, стартовая комплектация предусматривает легкосплавные диски.
  • Авто С-класса. Иногда, машины подобного типа называют авто гольф-класса, так как основателем категории стал Volkswagen Golf. Стандартный средний кузов для пяти человек, включая водителя. Из российского автопрома к этой категории подходит Лада Приора. Многие автовладельцы отмечают меньший комфорт при полной загруженности кузова.
  • Авто D-класса. Вместительные багажники, просторные салоны. Пример – Audi A4 или наша Волга. Категория делится на элитные и семейные авто. Первые – это машины повышенного комфорта и мощности двигателя. Все опции уже закладываются в базовой комплектации, что отличает их от семейных, почти бюджетных моделей. Цена подобной машины высока, но, тем не менее себя оправдывает полностью.
  • Е-класс. Бизнес-категория отличает эти модели автомобилей повышенным комфортом – люкс. Широкие, вместительные салоны, богатая начальная комплектация, независимая подвеска, обеспечивающее безопасное, плавное передвижение и отсутствие усталости у водителя, даже спустя несколько часов в пути. Примеры автомобилей бизнес-класса – Toyota Camry, Nissan Teana. Наш автопром пока не может порадовать потребителя подобными моделями.
  • F-класс авто. Представительская категория, доступная узким кругам населения и правительству РФ. Отличаются мощными двигателями – более шести цилиндров, развитой электронной структурой, использованием кожи и других дорогостоящих материалов в отделке салона. Высочайший комфорт передвижения. Как правило, владельцы подобных автомобилей сами не управляют моделью. Во время поездки пассажир наслаждается дорогой или решает повседневные дела, не отвлекаясь на происходящее за стеклом. Примеры моделей: Audi A8, Volkswagen Phaeton.

Таким образом, делятся категории машин по классам. Есть еще несколько типов авто, отличающихся от легковых «коней» величиной дорожного просвета, формой кузова, вместимостью и/или наличием полного привода. Рассмотрим:

Вместительные авто

К ним относят «вэны» – разделение на микровэны, компактвэны и минивэны. Отличительной чертой каждого типа становится высота модели – от 1,5 м и количество посадочных мест – до 9 шт в зависимости от варианта. Такие автомобили по праву считаются семейными, созданными для комфортного передвижения, туризма и переездов на большие расстояния. Представители: Kia Soul, Opel Zafira Tourer, Ford Galaxy – соответственно.

Читайте также:

Внедорожники и кроссоверы

Отличными качествами проходимости автомобиля обладают внедорожники. Они способны показать себя на нестандартной трассе – горные спуски, лесные пути, нестабильные грунты. Кроссоверы – это внедорожники для городских трасс, отличающихся плачевным состоянием. Категории внедорожников аналогично легковым авто имеют собственные литеры – B, С, D, Е.

Подобная классификация автомобилей по классам показывает отличия в длине кузова и величине дорожного просвета. Примеры моделей: Renault Duster, Nissan Qashqai, Kia Sorento и  Toyota Highlander соответственно.

Также к внедорожникам вполне можно отнести пикапы – грузовики с открытой платформой. Они легко узнаваемы. И универсалы с повышенной вместимостью – из отечественных авто к ним относят Газель, европейские модели – Renault Kangoo, Mercedes-Benz Citan. Узнать универсал, возможно, по высоте – он еще выше минивэна.

Спорткары

Спортивные классические авто – это двух или трехдверные машины типа купе или хэтчбек. Отличительная черта подобных моделей – низкая платформа, годящаяся для дорог хорошего качества – автобанов. Примеры – Opel Astra GTC, Kia pro_cee’d. Также среди спорткаров выделяют кабриолеты и родстеры – Mercedes E-class Cabrio, Audi A5 Cabrio.

Влияние спроса на стоимость легковой машины

Итак, узнав, на какие классы делятся автомобили, логично предположить, что категория эконом более конкурентная, чем бизнес и премиум. В последнее время, возросли продажи кроссоверов и внедорожников – их используют не только в экстремальных условиях, но и на городских трассах. Для активных владельцев при покупке имеет значение удобство машины, ее вместительность, мощь двигателя.

В последние годы качество зарубежного и российского автопрома – растет. Производители стремятся оснастить собственные детища всевозможными технологиями, повышающими комфорт. Появилась тенденция к увеличению длины кузова, пространству внутри салона и багажника независимо от класса автомобиля, указанного в таблице выше.

 

Классификация легковых автомобилей | Стандарты и размеры легковых автомобилей по сегментам

Стандарты и размеры легковых автомобилей по сегментам

Классификация Европейской экономической комиссии ориентирована на сегментацию целевого рынка, а рамки между сегментами более размыты и не ограничиваются такими параметрами, как габариты или масса, а включают ещё и цену, вид, набор опций и прочее.

Сегменты часто используются производителями, чтобы определить место автомобиля на рынке, но конкретные автомобили внутри сегмента часто обладают совершенно разными характеристиками, используют разные технологии и набор опций в зависимости от производителя.

Границы между классами достаточно условны и постепенно размываются, поскольку автопроизводители стремятся дать покупателям «больше автомобиля» за те же деньги. При обновлении модели стало признаком хорошего тона увеличивать её длину на 10-15 сантиметров, а также добавлять функции, которые раньше могли предложить лишь более дорогие классы.

Согласно европейской классификации все легковые автомобили относятся к одному из шести сегментов:

Обозначение

Длина, м

Ширина, м

Название

Сегмент A

до 3.6

до 1.6

Mini cars («особо малый класс»)

Сегмент B

3.6—3.9

1.5—1.7

Small cars («малый класс»)

Сегмент C

3.9—4.3

1.6—1.7

Medium cars («средний-класс», «гольф-класс»)

Сегмент D

4. 3—4,6

1.69—1.73

Larger cars («большой класс»)

Сегмент E

4.6—4.9

1.73—1.82

Executive cars («бизнес-класс»)

Сегмент F

более 4.9

более 1.82

Luxury cars («представительский класс»)

Кроме того, существуют несколько отдельных групп автомобилей, которые не подходят ни под один из описанных выше сегментов. Для таких автомобилей выделено три дополнительных сегмента:

Обозначение

Тип автомобиля

Сегмент S

Спорткары, купе, кабриолеты

Сегмент M

MPV — Минивэны, универсалы повышенной вместимости

Сегмент J

SUV — Cпортивно-утилитарные автомобили, кроссоверы, внедорожники

Сегмент A

Особо малый класс, супермини, городской автомобиль — самые маленькие автомобили, предназначенные для условий тесного города. Динамические и ходовые качества зачастую посредственные. Тип кузова 3-дверный или 5-дверный хэтчбек. Длина автомобиля до 3,6 метров и ширина до 1,52 метра. Такие модели привлекательны своей экономичностью и возможностями парковки в ограниченном пространстве города.

Типичные представители класса: Daewoo Matiz, Kia Picanto, Chevrolet Spark, Ford Ka, Renault Twingo, Peugeot 107, Opel Adam, Toyota iQ, Suzuki Splash, Hyundai Eon, Chery QQ, Citroen C1, Suzuki Wagon R.

Сегмент B

Малый класс — популярный в Европе класс малогабаритных машин. Помимо 3-х и 5-дверных хетчбэков изредка выпускаются в кузовах седан и универсал. Длина до 3,9 метра, ширина до 1,7 метра. Рабочий объем двигателя обычно не превышает 1,6 л.

Типичные представители класса: Audi A1, Nissan Micra, Volkswagen Polo, Skoda Fabia, Seat Ibiza, Hyundai Accent, Fiat Punto, Opel Corsa, Peugeot 208, Renault Clio, Renault Symbol, Ford Fiesta, Toyota Yaris, Mini, Mazda 2, Citroen C3, Citroen DS3.

Сегмент C

Гольф-класс, компакт-класс — универсальные, относительно компактные, но более вместительные автомобили, также классифицируемые как «низший средний» класс. Сегмент является наиболее популярным в Европе (примерно треть всех продаж). На протяжении десятилетий законодателем мод здесь был Volkswagen Golf, из-за чего ещё одним названием стало выражение гольф-класс. Вместимость автомобилей гольф-класса позволяет перевозить пятерых взрослых человек с багажом, но втроём на заднем сидении будет тесно. Длина до 4,3 метров, ширина до 1,7-1,8 метра.

Типы кузовов — хэтчбек, седан, универсал. Реже — купе, и кабриолеты (однако по европейской классификации кабриолеты могут относиться к другим сегментам вне зависимости от размеров). Динамические и скоростные качества варьируются в широких пределах, комфортный для поездок и путешествий.

Типичные представители класса: BMW 1-серии, Volkswagen Golf, Ford Focus, Audi A3, Renault Megane, Opel Astra, Peugeot 308, Honda Civic, Toyota Corolla, Toyota Auris, Nissan Almera, Kia_cee’d, Kia Cerato, Mazda 3, Hyundai Elantra, Hyundai i30,Mitsubishi Lancer, Volvo V40, Citroen C4, Citroen DS4, Skoda Octavia, Subaru Impreza, Suzuki SX4, Chevrolet Cruze.

Сегмент D

Средний класс — средний или семейный класс представленный в кузовах хетчбэк, седан, универсал, с просторными салонами и объёмными багажниками. Этот сегмент принято подразделять на обычные семейные модели и люксовые модели, которые по другим классификациям (например, британской) выделяются в отдельный сегмент compact executive car.

Типичные представители класса: Chrysler 200, Honda Inspire, SAAB 9-3, Opel Insignia, Peugeot 508, Mazda 6, Ford Mondeo, Toyota Avensis, Hyundai Sonata, Renault Latitude, Volkswagen Passat, Kia Optima, Audi A4, BMW 3, Mercedes-Benz C-класса, Lexus IS, Volvo S60, Citroen C5, Citroen DS5, Suzuki Kizashi, Subaru Legacy.

Сегмент E

Бизнес-класс — обычно седаны и универсалы. Машины обладают просторным салоном и высоким уровнем стандартной комплектации. Длина обычно свыше 4,6 метров.

В Европе в данном сегменте работают преимущественно люксовые марки, а типичными представителями являются: Cadillac CTS, Jaguar XF, Saab 9-5, Volvo S80, Audi A6, BMW 5, Mercedes-Benz E-класса, Lexus ES. Однако массовые производители также выпускают или выпускали автомобили этого сегмента: Toyota Avalon, Citroen C6, Hyundai Grandeur, Kia Cadenza, Holden Commodore, Hyundai Genesis, Geely SL

Сегмент F

Представительский класс, высший класс — модели этой группы в основном выполняют представительские функции, кузова — исключительно седаны, салоны очень просторные. Длина свыше 5 метров.

Типичные представители класса: Bentley Mulsanne 2010, Rolls-Royce Phantom и Ghost, Hyundai Equus, Jaguar XJ, Mercedes-Benz S-класса, BMW 7-й серии, Audi A8, Lexus LS, SsangYong Chairman, Volkswagen Phaeton, Maybach 57/62, Kia Quoris.

Сегмент S

К сегменту S относят спорткары и суперкары.

Сегмент M

К сегменту M относятся автомобили с кузовом минивэн. Автомобили предназначены в основном для больших семей, а также могут использоваться для путешествий, в качестве офисных развозных машин и др. Вместимость — от 5 до 7 мест, а минивэнов — до 9 мест, включая водителя. Со сложенными или в некоторых случаях с демонтированными задними сиденьями, автомобили этого сегмента могут использоваться для грузопассажирских перевозок.

По ходовым и скоростным качествам близки к обычным легковым универсалам. Минивэны — унифицированные по кузову и шасси с грузопассажирскими лёгкими грузовиками, отличаются большей вместимостью, имеют сдвижные двери и внушительную высоту.

Представители класса: Ford Galaxy, Hyundai H-1, Fiat Doblo, Volkswagen Caravelle.

Сегмент J

К сегменту J относятся автомобили повышенной проходимости.

Классификация легковых автомобилей по размеру

СШАВеликобританияРФСегментEuro NCAP 1997-2009Примеры
МикромобильМикрокарМотоколяскаA-сегментСуперминиIsetta, Smart Fortwo
СубкомпактГородской а/мГородской автомобильChevrolet Spark, Volkswagen up!, Ford Ka, Peugeot 107, Kia Picanto, Fiat 500
СуперминиМалый классB-сегментVolkswagen Polo, Ford Fiesta, Peugeot 208, Opel Corsa, Citroën DS3, Kia Rio
Компактный а/мМалый семейный а/мГольф-класс
Малый средний
C-сегментМалый семейный а/мVolkswagen Golf, Ford Focus, Peugeot 308, Opel Astra, Hyundai Elantra, Honda Civic, BMW 1
Среднеразмерный а/мБольшой семейный а/мСредний классD-сегментБольшой семейный а/мVolkswagen Passat, Ford Mondeo, Peugeot 508, Opel Insignia, Hyundai Sonata
Люксовый автомобиль начального уровняКомпактный представительский а/мAudi A4, BMW 3, Mercedes-Benz C-класс
Полноразмерный а/мБизнес-классПолноразмерный а/мE-сегментПредставительский а/мChevrolet Impala, Honda Accord, Holden Commodore
Среднеразмерный люксовый а/мБизнес-классAudi A6, BMW 5-серии, Mercedes-Benz E-класс
Полноразмерный представительский а/мЛюксовый а/мПредставительский классF-сегментAudi A8, BMW 7-серии, Mercedes-Benz S-класс
Спортивный а/мСпортивный а/мСпорткарS-сегментChevrolet Corvette, Porsche 911
Гран туризмоГран туризмоГран туризмоJaguar XK, Maserati GranTurismo
СуперкарСуперкарСуперкарBugatti Veyron, Pagani Zonda
КабриолетКабриолетКабриолетMercedes-Benz CLK-класс, Volkswagen Eos
РодстерРодстерРодстерСпортивный родстерAudi TT, BMW Z4, Porsche Boxster
Автомобиль для отдыхаM-сегментМалый минивэн (MPV)Peugeot Partner, Škoda Roomster
Мини-минивэн MPVМикровэнFord B-Max, Opel Meriva, Honda Fit
Компактный минивэнКомпактный минивэн, средний минивэнКомпактвэнFord C-Max, Opel Zafira, Volkswagen Touran, Renault Scenic
МинивэнБольшой минивэнМинивэнБольшой минивэнFord Galaxy, SEAT Alhambra, Chrysler Town & Country, Mazda5
Мини кроссовер / внедорожникМини 4×4J-сегментМалый внедорожный 4×4Mitsubishi Pajero, Suzuki Jimny
Компактный кроссовер / внедорожникКомпактный 4×4Компактный кроссоверJeep Liberty, Honda CR-V, Kia Sportage, Toyota RAV4
Кроссовер купеВнедорожное купеBMW X6
Среднеразмерный кроссовер / внедорожникБольшой 4×4Средний внедорожникБольшой внедорожный 4×4BMW X5, Jeep Grand Cherokee, Volkswagen Touareg
Полноразмерный кроссовер / внедорожникТяжёлый внедорожникCadillac Escalade, Chevrolet Suburban, Range Rover, SsangYong Rexton, Toyota Land Cruiser
Мини-пикапПикапПикапПикапChevrolet Montana, Fiat Strada
Среднеразмерный пикапChevrolet Colorado, Ford Ranger, Mitsubishi Triton/L200, Nissan Navara
Полноразмерный пикапDodge Ram, Ford F-150, GMC Sierra, Nissan Titan, Toyota Tundra
Пикап-гигантChevrolet Silverado, Ford Super Duty, Ram Heavy Duty

как определить класс по престижу, основные характеристики и таблицы

Классификация автомобилей – система деления автотранспортных средств по одному или набору признаков, чтобы выделить нишу на рынке, задать габаритные рамки, определить особенности конструкции, упростить потребительский выбор. Самая распространенная европейская схема разграничения категорий – в которой классы машин промаркированы по буквам, указывающих на размерную, рыночно-ценовую, представительскую принадлежность модели. Также популярна система классификации легкового автотранспорта по кузовной конструкции, определяющей эксплуатационный потенциал машины. Это особенно важно знать, если вы хотите продать свою машину подороже.

Классификация машин по кузову

Все кузовные вариации разделяют на закрытые и с открытым верхом. Последние редко встречаются в России и странах СНГ, но популярны в странах с теплым климатом или высоким уровнем жизни, когда владельцы содержат несколько машин для разных жизненных ситуаций (работа, отдых, развлечение).

Деление на категории автомобилей по классам кузова:

  • седан, в том числе двухдверный;
  • хетчбэк, 3 или 5 дверей;
  • лифтбэк, практичное сочетание седана и хетчбэк;
  • универсал, характерна двухобъемная конструкция без горизонтально-выступающего багажника.
  • минивэн, часто имеет полукапотную компоновку, увеличенную вместительность и объем салона.

В расширенную систему классификации легкового автотранспорта входят и другие модификации кузовов, например пикап, купе, кабриолет, родстер, хардтоп. Но мы не будем их рассматривать из-за малочисленности на наших дорогах.

Седан – перевернутое «корыто»

Мертвый латинский язык широко используется не только в медицине и фармации, но и автомобилестроении как для идентификации марок (Audi, Volvo, Infiniti, Lexus), так и для обозначения конкретных конструкций. Всем привычное и звучное слово «sedan» у древних римлян обозначало обычное корыто с широкими торцевыми кромками вместо ручек. И действительно, если перевернуть римский sedan дном вверх, легко угадывается профиль трехобъемного кузова седана с капотом, выступающим салоном, горизонтальной крышкой багажника. Считается наиболее представительным, стильным и практичным благодаря симметрии, четкому делению объема по функциональности, отсутствия дизайнерских ограничений в экстерьере и интерьере. Достаточно сказать, что классический лимузин – тоже седан.

Хетчбэк – задняя дверь в салон

К этому классу относятся автомобили с укороченным в сравнении с седаном задним свесом и покатой или вертикальной крышкой багажника, которая при открывании предоставляет дополнительный доступ в салон. Линии заднего стекла и бампера практически совпадают, определяя габариты машины. Благодаря компактной базе и улучшено аэродинамике отлично подходят для городского маневрирования, скоростной езды по трассе и грунтовке. Например, шестикратный чемпион мира по ралли Себастьян Ожье выиграл все титулы на хэтчбеках Volkswagen Polo, Toyota Yaris, Ford Fiesta.

Лифтбэк – хетчбэк с телом седана

Практичный и красивый кузов, визуально соответствующий седану за счет выступа багажника. Но крышка имеет угловатую форму и соединена с задним стеклом. При открывании водитель получает полноценный большой багажник, доступ в салон и максимально удобные условия для погрузки за счет высоко приподнятой кромки крышки. Эффективность этой технологии легко проследить по огромной популярности Skoda Octavia (типы 1Z и 5E). При складывании сидений объем багажника составляет рекордные для класса 1580 литров.

Универсал – машина на все случаи

Представляет собой грузопассажирский тип кузова с большим задним свесом аналогичным седану для увеличения багажника. Погрузка через вертикальную или слегка покатую заднюю дверь, открывающий полный доступ в салон как у хэтчбека.

Важно!

Джипы – это универсалы с увеличенным клиренсом и повышенной проходимостью. При создании кроссоверов часто используются брендовая база для универсала или хэтчбека.

Минивэн – еще больше пассажиров

Имеет высокую, часто одно объемную конструкцию, третий ряд сидений, заднюю дверь для доступа в багажник. Названии состоит из двух английских слов «mini» –маленький и «van» – фургон. Отличный вариант просторного семейного автомобиля. Нередко называется универсалом повышенной вместимости (не более 9 человек). Занимает промежуточное место между грузопассажирскими машинами и микроавтобусами.

Категории автомобилей по классам

В Европе и России автомобили делятся по классам исходя из размера модели. Для каждой габаритной группы предусмотрен свой буквенный идентификатор.

Класс А

Сюда относятся микроавтомобили (mini cars) с короткой базой до 360 см. Позиционируются, как «особо малый класс» с повышенной экономичностью и маневренностью. Ориентированы на езду по узким и загруженным улицам. Очень экономичны и удобны в парковании. Рассчитаны на комфортное размещение не более 4 человек вместе с водителем. Компактность автомобилей A класса достигается за счет уменьшения объема багажника.

Класс B

На полметра длиннее малюток категории А (до 420 см). Позиционируются как «малый класс» (small cars). Кроме реализации в кузове трех- или пятидверного хетчбэка, часто представлены компактными седанами с вместительным багажным отделением. Большинство моделей оснащено передним приводом. Сочетание бюджетности, экономичного расхода и комфорта делают класс B максимально популярным на потребительском рынке.

Машины класса С

Это уже «низшая средняя» категория (medium cars) с просторным багажником, большим салоном, хорошей базовой комплектацией. Длина кузова достигает 450 см. Альтернативное название, которое широко употребляется автолюбителями – «гольф-класс». Он взято у легендарного Volkswagen Golf, доказавшего на практике, что класс С может быть эффектным, шустрым, маневренным, комфортным.

Класс D

Полноценный средний класс (larger cars) куда входят модели с базой до 460 см. Внутри сегмента существует разделение на более дешевые «семейные авто» и дорогие престижные машины с широким набором опций. Тип кузова – любой (хетчбэк, седан, универсал). Общие черты – просторный салон, интерьерный комфорт, вместительный багажник.

Важно!

Некоторые автомобили размерно относятся к одному классу, а функционально – к другому, более высокому. Тогда к стандартной классификации добавляется знак «+». Например, B+ или С+.

Класс E

Высший средний класс или «бизнес-класс» (executive cars), куда входят длинномерные авто до 500 см. Ориентирован на состоятельных людей, желающих подчеркнуть свой социальный статус и предпочитающих комфортную езду с максимальным удобством. Наиболее знаковый завсегдатай представительского класса автомобилей, в названии которого легко угадывается «породистость» и предназначение – это Mercedes-Benz E-class.

Класс F

Большие и роскошные авто длиной свыше 600 см уровня Rolls-Royce и Maybach. Европейский верхний класс (luxury cars) – это максимальное количество опций, кожа, дерево, мощь, эксклюзивный и легко угадываемый экстерьер, для нарочитого подчеркивания престижности.

Класс M

Сегмент многоцелевых авто (multi purpose cars) представлен минивэнами (пассажирские) и мультивэнами (грузопассажирские) длиной до 478 см. Сюда же входят транспортные средства c маркировкой MVP (Multi-Purpose Vehicle), которые построены на классической базе бренда в кузове «высокий универсал повышенной вместимости». У многих автопроизводителей под класс М предусмотрено сразу несколько разноразмерных моделей, чтобы охватить все возможности класса М. Например, Renault выпускает сразу 5 моделей – Espace, Kangoo, Scenic, Trafic, Modus.

Класс J

Один из самых уважаемых, узнаваемых и любимых сегментов авторынка, в который входят внедорожники, кроссоверы, рамные пикапы с базой до 500 см и больше. Заимствован из американской классификации легковых авто где имеет обозначение Sport-Utility Vehicles или просто SUV. Автомобиля J класса характеризуется усиленной подвеской, увеличенным клиренсом, вместительностью, огромным количеством вариаций оснащения и отделки, чтобы соответствовать финансовым возможностям различных покупателей.

Класс S

Экзотический сегмент суперкаров и спорт купе (sport coupe), для которого свойственны очень высокие ценники. Имеют эффектный экстерьер с улучшенной обтекаемостью. Быстро разгоняются за счет мощного двигателя и сниженной массы. Из-за маленького дорожного просвета могут безопасно эксплуатироваться только на идеальном дорожном полотне. Не имеют ограничений по габаритам по длине, типу кузова, объему мотора.

Класс H

Категория двухместных автомобилей в кузове родстер со съемной крышей (мягкая, жесткая). Могут быть особой модификацией брендового представителя из S класса, например Audi TT Roadster. Стандартная длина не превышает 440 см.

Важно!

Кроме размерных характеристик буквенные классы машин часто учитывают допустимый объем двигателя.

Таблица классификации автомобилей по классам

Легче всего ориентироваться в категорийности автотранспортных средств с помощью сводной таблицы с классами и марками автомобилей (см. ниже).

Класс автоДопустимая длина, смДопустимый объем двигателя, литровМарки и модели
«А» (mini cars)3601,4«Ока», Chery QQ, Citroen C1, Daewoo Matiz, Hyundai i10, Kia Picanto, Peugeot 107, Opel Karl
«В» (small cars)4202,0LADA Vesta, LADA Kalina, Audi A1, Chery Amulet, Citroen C3, Daewoo Nexia, Ford Fiesta, Honda Jazz, Kia Rio, Mazda 2, Nissan Micra, Peugeot 208, Renault Sandero, Skoda Rapid, Toyota Yaris, Volkswagen Polo Sedan

«С» (medium cars)/ «гольф-класс»

 

4501,8-2,0Volkswagen Golf, Volkswagen Jetta, Lexus CT, Chevrolet Lacetti, Citroen C4, Ford Focus, Hyundai i30, Infiniti Q30, Kia Cerato, Mazda 3, Subaru Impreza, Mercedes-Benz CLC, Mitsubishi Lancer, Nissan Tiida, Opel Astra, Peugeot 308, Renault Megane, Skoda Octavia, Toyota Corolla, Volvo V40, Audi A3
«D» (larger cars)4703,0Audi A5, BMW M3, Honda Accord, Citroen C5, Ford Mondeo, Geely Emgrand EC7, Kia Magentis, Mitsubishi Galant, Mazda 6, Nissan Primera, Opel Vectra, Peugeot 508, Renault Laguna, Subaru Legacy, Volkswagen Passat, Skoda Superb

«E» (executive cars)/ «бизнес-класс»

 

4903,5Mercedes-Benz E-класс, Mercedes-Benz W213, Infiniti Q70, Jaguar XF, Geely Emgrand EC8, Cadillac CTS, BMW M5, Audi A6, Citroen C6, Hyundai Genesis, Lexus GS, Nissan Teana, Toyota Avalon, Volkswagen Passat CC
«F» (luxury cars)5205,0BMW 7, Bentley Mulsanne, Kia Quoris, Audi A8, Jaguar XJ, Cadillac XTS, Mercedes-Benz W222, Rolls-Royce Ghost, Volkswagen Phaeton
«М» (multi purpose cars)450-480

 

2,0-2,9Kia Carnival, Citroen C4 Picasso, Audi A2, Mercedes-Benz Viano, Fiat Doblo, Ford Transit, Hyundai H-1, Nissan Note, Mazda MPV, Opel Vivaro, Renault Modus, Toyota Verso, Volkswagen Caddy
«J» (Sport-Utility Vehicles/ SUV)5004,0-6,0Suzuki Jimny, Renault Duster, Lada Vesta Cross, Skoda Yeti, Volkswagen Touareg, Nissan X-Trail, Hyundai Santa Fe, Mazda CX-8, Audi Q7, Lexus LX 570, Toyota Land Cruiser Prado

«S» (sport coupe)

 

Audi A7, Audi TT, Bugatti Chiron, BMW M4, Dodge Viper, Ferrari 488, Hyundai Coupe, Jaguar F-Type, Lamborghini Asterion, Mazda RX-8, Mercedes-Benz SLS AMG
«H» (Roadster)4302,7-3,2Porsche Boxster, Mercedes-Benz SL Roadster, Mazda MX-5, BMW Z4 Roadster, Lamborghini Aventador S, Honda S660

Информация по классам автомобилей представленная в таблице носит достаточно условный характер из-за разности во мнениях производителей, продавцов, покупателей. Например, Nissan Tiana позиционируется брендом как современный бизнес-седан Е-сегмента. Но многие специалисты считают, что это просто очень хороший автомобиль класса D с чересчур большим мотором.

Жесткая конкуренция автопрома, внедрение энергетических инноваций, рост требований к унификации авто, все сильнее стирают границы между привычными классами машин. Именно поэтому нужно сначала выбрать подходящий тип кузова, вместимость, объем багажника и только за тем оценивать все остальное.

Модельный ряд и цены автомобилей Mercedes-Benz (Мерседес Бенц)

Немецкая фирма Daimler-Motoren-Gesselschaft, которая производит легковые автомобили Mercedes, была основана в 1901 году Готтлибом Даймлером – легендарным автором первого в мире четырёхколёсного авто с бензиновым мотором. Строить этот автомобиль Готтлибу Даймлеру помогал известный конструктор Вильгельм Майбах. Несмотря на ряд недостатков, это начинание активно поддерживал консул Австро-Венгерской империи Эмиль Еллинек, в честь дочери которого и была названа первая модель Mercedes-35P5. Технические характеристики Mercedes-35P5 позволяли машине развивать скорость до 90 км в час, что по тем временам считалось впечатляющим показателем.

В первые годы своего существования Daimler-Motoren-Gessellschaft строила не только машины, но и занималась разработкой двигателей для самолётов и кораблей, с чем и связано появление логотипа Мерседеса в виде трёхлучевой звезды. Такая фигура символизирует успех немецкой компании и на суше, и в воздухе, и в воде.

После объединения с другой автомобилестроительной компанией Benz в 1926 году эта звезда стала окружённой лавровым венком в форме кольца, что отражало победы фирмы Benz на арене автоспорта. Новый концерн Daimler-Benz возглавил Фердинанд Порше, существенно обновивший модельный ряд Мерседес. Именно он запустил «компрессорную» серию К, в которую вошла такая знаменитая модель, как Mercedes 24/110/160 PS с шестицилиндровым двигателем. Машина, оснащённая 6.3-литровым мотором разгонялась до фантастической по тем временам скорости 145 км в час, за что её прозвали «смертельной ловушкой».

Ганс Нибель, сменивший Фердинанда Порше в 1928 году, принял активное участие в разработке таких машин, как Manheim-370 и Nurburg-500. В 1930 году под его руководством на авторынке был представлен Mercedes-Benz 770 с мощным 200-сильным мотором, рабочий объём которого составил 7.6 л. Кроме того, автомобиль был оборудован нагнетателем. В 30-е годы были представлены публике легковые автомобили Mercedes-200 и спорткары Mercedes-380, на базе которых чуть позже были построены «компрессорные» модели Mercedes-Benz-540K.

В 1935 году на посту главного конструктора оказался Макс Зайлер – создатель первого в мире серийного легкового автомобиля с дизельной силовой установкой Mercedes-260D. В период его управления были построены машины, которые активно использовались лидерами нацистского движения. Речь идёт о Mercedes-770, оснащённой рамой из балок овального сечения, с пружинной задней подвеской.

Во время Второй Мировой войны немецкий концерн производил не только легковые автомобили Мерседес, но и грузовики. Военные действия нанесли большой урон основным заводам компании, деятельность которых смогла возобновиться только спустя год после окончания войны.

Одной из первых послевоенных разработок компании была модель Mercedes-180, сконструированная в 1953 году с несущим кузовом понтонного типа. Спустя три года свет увидело спортивное купе Mercedes-300SL Gullwing с необычными дверьми формы «крыла чайки», которое на тот момент не имело аналогов в мире.

В конце 50-х серийное производство Mercedes-Benz обновилось за счёт моторов Роберта Боша с механической системой топливного впрыска. Одной из первых моделей с таким новшеством оказалась Mercedes-Benz 220 SE.

Последние достижения автомобилестроения тех лет воплотились в совершенно новом семействе автомобилей среднего класса, которое было предложено покупателям в 1959 году. Модели Mercedes-220, 220S, 220SE демонстрировали высочайший технический уровень исполнения: просторный багажный отсек, абсолютно независимая подвеска для всех колёс, стильный кузов с вертикальными блоками фар радовали поклонников немецкой марки.

Представительский класс в линейке «Мерседес» был представлен чуть позже – в 1963 году, с выходом модели Mercedes-600. Автомобиль сразу стал претендентом на звание лучшего на планете за настоящий комфорт и престиж. Он оснащался 6.3-литровым двигателем мощностью 250 лошадиных сил и четырёхступенчатым «автоматом». Приятным дополнением к разработкам стала удобная подвеска колёс на пневмоэлементах. Длина кузова представительского автомобиля составляла более шести метров.

На смену спортивным моделям приходили более скромные, к примеру, Mercedes-Benz 230 SL, известный в простонародье как «пагода» из-за оригинальной формы крыши со средней частью чуть ниже боковин. Если десять лет назад немецкая марка сумела прочно обосноваться на авторынке послевоенной Европы, то уже к концу 60-х о «Мерседесе» говорил весь мир. Совершенно иной масштаб производства дал старту и новым стандартам стайлинга, который сделал легковые автомобили Мерседес ещё более элегантными.

Первой новинкой 70-х, сменившая «Пагоду», стала модель Mercedes SL R107, успешно захватившая американский рынок и просуществовавшая на нём целых 18 лет.

Нефтяной кризис 1973 года неблагоприятно отразился на продажах автомобилей, но компания сумела выйти из затруднительного положения, запустив серию W114/W115 с более экономичными двигателями. Покупатели желали не только роскоши и удобства, но и надёжности. В результате на фоне разорившихся конкурентов марка «Мерседес» удержалась на плаву.

В начале 80-х в линейке «Мерседес» появился легендарный Gelandewagen – полноприводный внедорожник серии 460, который славился своей высокой проходимостью и надёжностью. Первый такой автомобиль был сделан на заказ для иранского шаха Мохаммед Реза Пехлеви, акционера Daimler-Benz.

В 1984 году стал выпускаться принципиально новый ряд седанов бизнес-класса – Mercedes W124, в очередной раз показавший возможность создания стильных и современных автомобилей с прочным кузовом. В семействе W124 были воплощены самые передовые разработки того времени. Пластиковый молдинг для направления воздуха под машину улучшил аэродинамику машины. Топливный расход был снижен, как и уровень шума от встречного потока воздуха.

В 1990 году вышла новинка, которая и на сегодняшний день имеет немало поклонников – Мерседес 124 серии 500Е. Оснащённый пятилитровой V-образной «восьмёркой» мощностью 326 лошадиных сил, этот Мерседес имеет конструктивные отличия от обычных W124 – недаром его называют «волком в овечьей шкуре». Легендарный «волчок», собранный на заводе Porsche, получил заднюю подвеску с гидропневматической регулировкой уровня, увеличенный вдвое катализатор, электронную систему впрыска LH-Jetronic вместо традиционной системы KE-Jetronic. Внешние отличия «волчка» от остальных «мерседесов» 124 серии состоят в расширенных колёсных арках и наличии дополнительных противотуманок внизу переднего бампера.

Mercedes W124 500E получил широкое распространение в странах СНГ и большое признание в кругах шоу-бизнеса и мафиози. Среди знаменитых владельцев модели – режиссёр Никита Михалков, музыканты Юрий Лоза, Дмитрий Маликов, политик Геннадий Зюганов. «Волчок» — настоящая легенда 90-х — был запечатлен в многосерийном фильме «Бригада».

К началу нового тысячелетия модельный ряд Mercedes был расширен в два раза: вместо пяти классов автомобилей (которые были в 1993 году) стало десять. В 2005 году были запущены новые модели S- и CL-классов, продемонстрировавшие новый стиль марки с элементами «ретро». Напичканные новейшими технологиями, S65 CL65 AMG с мощным V12 под капотом стали флагманами серии, вместо 600-х моделей.

Через обновление прошёл также и С-класс: в 2007 году произошла премьера нового Mercedes W204 в кузове седан и универсал с тремя линиями исполнения.

В 2008 году модельный ряд Mercedes пополнился CLC-классом (Comfort-Leicht-Coupe – в переводе «лёгкое комфортное купе»).

В первом десятилетии XXI века в линейку «Мерседеса» вошли внедорожники GL- и GLK-класса (Gelandewagen-Leicht-Kurz – в переводе «укороченный лёгкий внедорожник»).

Новое семейство Е-класса W212, запущенное в начале 2009 года, имеет огромные успехи по экономическим и экологическим показателям. Вместо бензиновых моторов с нагнетателями – двигатели с новым типом непосредственного впрыска CGI с двойным турбонаддувом.

Сейчас немецкая марка Mercedes-Benz ассоциируется у покупателя с надёжностью, высоким качеством исполнения и богатой историей.

Модельный ряд Мерседес

Модельный ряд Mercedes-Benz включает компактные машинки малого среднего класса, серьёзные седаны бизнес-класса, представительский сегмент, внедорожники, купе, кабриолеты, родстеры и минивэны.

Стоимость Мерседес

Стоимость Mercedes-Benz зависит от того, к какому классу принадлежит выбранный автомобиль. Самые недорогие – пятидверки А-класса. Стоимость «Мерседеса» среднего класса варьируется от двух миллионов до четырёх. Бизнес-класс доходит до шести миллионов, представительский – до двенадцати. Одна из самых дорогих моделей – купе Mercedes-Benz AMG GT ценой более 12 миллионов.

Глава 2. Введение в классификацию транспортных средств — проверка, уточнение и применимость правил классификации транспортных средств с долговременными эксплуатационными характеристиками, ноябрь 2014 г.

Глава 2. Введение в классификацию транспортных средств

FHWA разработала стандартизированную систему классификации транспортных средств в середине 1980-х годов. Эта система была результатом компромиссов, разработанных для удовлетворения потребностей многих пользователей данных о трафике. Дизайнеры тротуаров были важной частью этих пользователей, но ни в коем случае не единственной целевой аудиторией.Другой сегмент ключевых пользователей — это специалисты по безопасности, которые были (и продолжают интересоваться) очень заинтересованы в объемах поездок, совершаемых в многоблочных транспортных средствах (то есть силовых агрегатах различных типов, тянущих прицепы различных конфигураций).

В дополнение к этим требованиям было требование, чтобы электронное оборудование и датчики, доступные в то время (в основном простые дорожные трубы), могли дифференцировать проезжающие автомобили по желаемой классификации. Доступные датчики были способны измерять присутствие транспортных средств, обнаруживать оси и определять расстояние между последовательными осями на основе скорости каждого транспортного средства, когда оно проезжает над датчиками.

Текущий набор правил 13 категорий FHWA

Результатом этой работы 1980 года является набор правил классификации FHWA по 13 категориям, который в настоящее время используется для большинства федеральных требований к отчетности и служит основой для большинства усилий по подсчету классификации транспортных средств штата. Система классификации FHWA приведена в таблице 1.

Таблица 1. Определения классификации транспортных средств FHWA.

Класс Группа

Определение класса

Класс Включает

Кол-во осей

1

Мотоциклы

Мотоциклы

2

2

Легковые автомобили

Все автомобили

Автомобили с одноосными прицепами

Автомобили с двухосными прицепами

2, 3 или 4

3

Прочие двухосные четырехколесные моноблоки

Пикапы и фургоны

Пикапы и фургоны с одно- и двухосными прицепами

2, 3 или 4

4

Автобусы

Автобусы двух- и трехосные

2 или 3

5

Двухосные, шестиколесные, одноместные грузовики

Двухосные грузовые автомобили

2

6

Трехосные одноместные грузовики

Трехосные грузовые автомобили

Тракторы трехосные без прицепа

3

7

Четырех или более осные одноместные грузовики

Четырех-, пяти-, шести- и семиосные одноместные грузовики

4 или более

8

Четырехосные и менее осевые тягачи с одним прицепом

Двухосные тягачи с одно- и двухосными прицепами

Двухосные тягачи с одно- и двухосными прицепами

Трехосные тягачи с одноосными прицепами

3 или 4

9

Пятиосные тягачи с одинарным прицепом

Тракторы двухосные с тягачами трехосные

Трехосные тягачи с двухосными прицепами

Трехосные тягачи с двухосными прицепами

5

10

Шесть или более осевые тягачи с одним прицепом

Несколько конфигураций

6 и более

11

Пятиосные или менее осевые тягачи с многоприцепом

Несколько конфигураций

4 или 5

12

Шестиосные многоприцепные тягачи

Несколько конфигураций

6

13

Семи и более осевые тягачи с многоприцепом

Несколько конфигураций

7 или более

14

Не используется

—-

—-

15

Несекретный автомобиль

Несколько конфигураций

2 или более

—- Указывает, что не применимо

В рамках разработки и внедрения этой системы из 13 категорий Джон Вайман из Министерства транспорта штата Мэн разработал первоначальный набор правил (обычно называемый схемой F) для преобразования информации о расстоянии между осями, полученной от оборудования для сбора данных по осям, в оценки количество транспортных средств в каждой из 13 категорий транспортных средств FHWA.Этот первоначальный набор правил неоднократно пересматривался разными людьми, компаниями и агентствами. Эти изменения разработаны с учетом двух основных факторов:

1) Определения FHWA основаны на характеристиках транспортного средства, которые можно легко идентифицировать визуально, но которые нельзя точно вычислить на основе количества, веса и расстояния между осями.

Эта проблема усугубляется следующим фактом:

2) Характеристики грузовиков могут значительно меняться от штата к штату, поскольку владельцы и производители транспортных средств создают и оптимизируют транспортные средства, чтобы максимизировать свой потенциал получения прибыли, который зависит от законов о размерах и весе грузовиков в каждом штате.

Первая из этих проблем проиллюстрирована на рис. 1 и рис. 2. Два показанных пикапа имеют одинаковое количество осей и одинаковое расстояние между осями. Однако, поскольку пикап на рисунке 1 имеет обычную заднюю ось (с двумя шинами), он определяется как класс 3, в то время как грузовик на рисунке 2 имеет двойные шины с каждой стороны его задней оси (с четырьмя шинами). , он определен как класс 5. Эти грузовики в порожнем состоянии практически одинаковы по весу. Следовательно, их правильная классификация проблематична независимо от того, какой набор правил WIM или автоматической классификации транспортных средств (AVC) штата используется.(Обратите внимание, что следующие четыре фотографии были сделаны камерой, связанной с устройством сбора данных. Транспортные средства двигались со скоростью около 60 миль / ч, что объясняет размытие.)

Рисунок 1. Фото. Автомобиль класса 3.

Рисунок 2. Фото. Аналогичный автомобиль 5-го класса.

В другом примере автомобили с очень разными весовыми характеристиками имеют одинаковые межосевые расстояния. Это можно увидеть, когда более крупные пикапы, такие как показанный на рисунке 1, тянут грузовые прицепы.(Набор правил FHWA по-прежнему классифицирует его как транспортное средство класса 3.) Эти транспортные средства могут иметь расстояние между осями, аналогичное таковому у обычного двухосного грузовика, тянущего тяжелый одноосный прицеп, транспортное средство, классифицированное как класс 8. Примеры этих двух конфигураций показаны на рис. 3 и 4. Прямые грузовики, такие как показанные на рис. 4, часто имеют межосевое расстояние, аналогичное размеру осей пикапа, показанного на рис. 3.

Рисунок 3.Фото. Тягач для легких грузовиков класса 3.

Рисунок 4. Фото. Тягач-тягач класса 8.

В примере на рисунках 3 и 4 наборы правил классификации на основе WIM, которые используют веса осей как часть своего алгоритма классификации, могут правильно классифицировать как пикап и прицеп, так и грузовик с прицепом, поскольку более тяжелый двигатель на обычном грузовике увеличивает вес этой конфигурации до такой степени, что ее можно будет обычно отличить от более крупных пикапов.Однако ни один традиционный классификатор транспортных средств (который не имеет доступа к информации о нагрузке на ось) не может различить эти два автомобиля. Правила помещают оба автомобиля в одну категорию. В результате один из этих грузовиков будет правильно классифицирован; другой будет неправильно классифицирован. Какой из них правильно классифицирован, будет определяться «точками разрыва», выбранными в параметрах межосевого расстояния, принятыми для использования в правилах, используемых для определения классификации транспортных средств. (Например, принятие точки разрыва в 13 футов между классом 3 и классом 5 поместит оба грузовика, показанные на рисунке 3, в класс 5, если у них одинаковое расстояние между осями 13.3 фута. Однако, если выбрана точка разрыва 13,4 фута, оба будут классифицированы как класс 3. В каждом случае один грузовик будет классифицирован неправильно.)

Поскольку многие грузовики имеют схожие, но не совсем одинаковые характеристики межосевого расстояния, тщательный выбор точек разрыва межосевого интервала между классификациями с аналогичным межосевым расстоянием может значительно сократить количество ошибочно классифицированных транспортных средств.

Государственное внедрение правил классификации транспортных средств

Поскольку характеристики грузовиков часто меняются от штата к штату в соответствии с различными законами о размерах и весе, многие государственные транспортные департаменты оптимизируют свои правила классификации, смещая точки останова, чтобы более эффективно отражать реалии конфигураций грузовиков, обычно встречающихся в их штате.Если эти конфигурации обычно не обнаруживаются в другом государстве, применение системы классификации первого государства может не работать должным образом во втором государстве.

По аналогичным причинам многие государственные транспортные департаменты добавляют правила, помогающие обнаруживать и контролировать конкретные транспортные средства, которые важны (по политическим или техническим причинам) для этого государства. Например, закон штата Орегон разрешает грузовые автомобили с тремя прицепами (трактор, тянущий один полуприцеп и два полных прицепа).Количество и использование этих транспортных средств — политически чувствительная тема, поэтому правила классификации штата Орегон отслеживают их. Когда министерство транспорта штата Орегон представляет данные в FHWA, оно объединяет эти грузовики в класс 13 вместе с другими семиосными или более крупными многоблочными конфигурациями. В Вашингтоне эти грузовики незаконны и не работают в штате. Следовательно, они не относятся к категории, определенной вашингтонскими классификационными правилами.

Наконец, различия в возможностях оборудования для сбора данных о дорожном движении могут привести к различиям в параметрах, используемых для определения классификации транспортных средств.Наиболее существенное различие между различными системами классификации заключается в использовании (или отсутствии) данных о весе. Для обычных классификаторов транспортных средств (то есть тех единиц оборудования, которые получают данные только о количестве и расстоянии между осями), классификация может быть определена только на основе количества и расстояния между осями. Однако, если система сбора данных о трафике представляет собой весы WIM, для классификации проезжающего транспортного средства можно использовать данные как о расстоянии между осями, так и о массе осей (или полной массе транспортного средства).

Результатом этих различий является то, что одно и то же транспортное средство можно очень по-разному классифицировать с помощью двух разных единиц оборудования. Когда государство использует доступность информации о весе оси для применения более точной системы классификации в своих весах WIM, чем это возможно в его менее способных классификаторах транспортных средств, это государство создаст ситуацию, в которой данное транспортное средство будет классифицироваться по-разному в зависимости от того, какие часть оборудования для сбора данных наблюдает за этим автомобилем.

Чтобы проиллюстрировать разнообразие алгоритмов, которые могут использоваться государственными транспортными ведомствами, в приложении А приведены примеры различных правил классификации, используемых в различных государствах.

Правила классификации транспортных средств LTPP

В 2003 году группа Traffic ETG проекта LTPP разработала новый набор правил для классификации транспортных средств на основе выходных сигналов датчиков, доступных из систем WIM. В 2006 году в рамках проекта LTPP была принята рекомендация Traffic ETG об использовании этого набора правил на сайтах SPS TPF WIM в тех государствах, которые были готовы принять эти правила.

Набор правил LTPP разработан для весов WIM. Для классификации каждого транспортного средства используется комбинация четырех переменных:

  • Количество осей на автомобиле.
  • Расстояние между этими осями.
  • Масса первой оси автомобиля.
  • Полная масса автомобиля.

Не все переменные используются для определения каждого класса транспортных средств.

Набор правил классификации LTPP был первоначально разработан таким образом, чтобы не было перекрытия между определенными транспортными средствами.(В некоторых наборах правил классификации штата два класса транспортных средств могут иметь одинаковые характеристики. В этих случаях при обработке правил классификации используется определенный порядок, чтобы транспортные средства, которые соответствуют перекрывающемуся определению классификации, последовательно помещались в один из двух классов. .) По необходимости это было изменено, когда были определены некоторые дополнительные правила классификации для очень больших грузовиков. Кроме того, правила LTPP позволяют транспортным средствам класса 5 буксировать прицеп, в то время как набор правил FHWA, основанный на визуальном представлении, классифицирует эти транспортные средства как класс 8.

Исходные правила классификации LTPP, развернутые в полевых условиях в рамках исследования SPS TPF WIM, показаны в таблице 2 на следующей странице. Различия между правилами классификации LTPP и правилами штата, изученными для этого проекта, описаны в следующей главе этого отчета.

Таблица 2. Правила классификации LTPP для сайтов SPS WIM (приняты Traffic ETG в марте 2006 г.).

Класс

Тип транспортного средства

№Осей

Шаг

Между
Оси 1 и 2 (футы)

Шаг

Между
Оси 2 и 3 (футы)

Шаг

Между
Оси 3 и 4 (футы)

Шаг

Между
Оси 4 и 5 (футы)

Шаг

Между
Оси 5 и 6 (футы)

Шаг

Между
Оси 6 и 7 (футы)

Шаг

Между
Оси 7 и 8 (футы)

Шаг

Между
Оси 8 и 9 (футы)

Масса брутто мин.-Макс.

(тысячи фунтов)

Ось 1 Масса Мин.

(тысячи фунтов) 1

1

Мотоцикл

2

1.00-5,99

—-

—-

—-

—-

—-

—-

—-

0,10–3,00

—-

2

Легковой автомобиль

6.00-10.10

—-

—-

—-

—-

—-

—-

—-

1,00–7,99

—-

3

Другое (пикап / фургон)

10.11-23.09

—-

—-

—-

—-

—-

—-

—-

1,00–7,99

—-

4

Автобус

23.10-40.00

—-

—-

—-

—-

—-

—-

—-

12,00>

—-

5

2D Отдельный блок

6.00-23.09

—-

—-

—-

—-

—-

—-

—-

8,00>

2,5

2

Автомобиль с одноосным прицепом

3

6.00-10.10

6,00-25,00

—-

—-

—-

—-

—-

—-

1.00-11.99

—-

3

Другое с одноосным прицепом

10.11-23.09

6,00-25,00

—-

—-

—-

—-

—-

—-

1.00-11.99

—-

4

Автобус

23.10-40.00

3,00-7,00

—-

—-

—-

—-

—-

—-

20,00>

—-

5

2D с одноосным прицепом

6.00-23.09

6.30-30.00

—-

—-

—-

—-

—-

—-

12.00-19.99

2,5

6

Трехосный одинарный блок

6.00-23.09

2,50-6,29

—-

—-

—-

—-

—-

—-

12,00>

3,5

8

Полу, 2С1

6.00-23.09

11.00-45.00

—-

—-

—-

—-

—-

—-

20,00>

3,5

2

Автомобиль с двухосным прицепом

4

6.00-10.10

6,00-30,00

1,00–11,99

—-

—-

—-

—-

—-

1.00-11.99

—-

3

Другое с 2-осным прицепом

10.11-23.09

6,00-30,00

1,00–11,99

—-

—-

—-

—-

—-

1.00-11.99

—-

5

2D с двухосным прицепом

6.00-26.00

6.30-40.00

1,00-20,00

—-

—-

—-

—-

—-

12.00-19.99

2,5

7

4-осный одиночный агрегат

6.00-23.09

2,50-6,29

2,50–12,99

—-

—-

—-

—-

—-

12,00>

3,5

8

Полу, 3С1

6.00-26.00

2,50-6,29

13,00-50,00

—-

—-

—-

—-

—-

20,00>

5,0

8

Полу, 2С2

6.00-26.00

8.00-45.00

2,50-20,00

—-

—-

—-

—-

—-

20,00>

3,5

3

Другое с 3-осным прицепом

5

10.11-23.09

6,00-25,00

1,00–11,99

1,00–11,99

—-

—-

—-

—-

1.00-11.99

—-

5

2D с трехосным прицепом

6.00-23.09

6.30-35.00

1,00-25,00

1,00–11,99

—-

—-

—-

—-

12.00-19.99

2,5

7

5-осный одиночный агрегат

6.00-23.09

2,50-6,29

2,50-6,29

2,50-6,30

—-

—-

—-

—-

12,00>

3,5

9

Полу, 3С2

6.00-30.00

2,50-6,29

6.30-65.00

2,50–11,99

—-

—-

—-

—-

20,00>

5,0

9

Грузовик + полный прицеп
(3-2)

6.00-30.00

2,50-6,29

6.30-50.00

12.00-27.00

—-

—-

—-

—-

20,00>

3,5

9

Полу, 2С3

6.00-30.00

16.00-45.00

2,50-6,30

2,50-6,30

—-

—-

—-

—-

20,00>

3,5

11

Полу + полный прицеп, 2С12

6.00-30.00

11.00-26.00

6,00-20,00

11.00-26.00

—-

—-

—-

—-

20,00>

3,5

10

Полу, 3С3

6

6.00-26.00

2,50-6,30

6,10-50,00

2,50–11,99

2,50–10,99

—-

—-

—-

20,00>

5,0

12

Полу + полный прицеп, 3S12

6.00-26.00

2,50-6,30

11.00-26.00

6,00-24,00

11.00-26.00

—-

—-

—-

20,00>

5,0

13

7-осные многоприцепы

7

6.00-45.00

3,00-45,00

3,00-45,00

3,00-45,00

3,00-45,00

3,00-45,00

—-

—-

20,00>

5,0

13

8-осные многоприцепы

8

6.00-45.00

3,00-45,00

3,00-45,00

3,00-45,00

3,00-45,00

3,00-45,00

3,00-45,00

—-

20,00>

5,0

13

9-осный многоприцеп

9

6.00-45.00

3,00-45,00

3,00-45,00

3,00-45,00

3,00-45,00

3,00-45,00

3,00-45,00

3,00-45,00

20,00>

5,0

1 Предлагаемый порог минимального веса оси 1, если это разрешено программированием алгоритма класса системы WIM

—- Указывает, что не применимо

Мин. = Минимум

Макс. = Максимум

Матрица отраслевых стандартов для определения моделей автомобилей

Стандартный отраслевой код классификации автомобилей

Члены ACRISS используют стандартную отраслевую матрицу транспортных средств для определения моделей автомобилей, обеспечивающих сравнение автомобилей схожих с другими.Эта простая в использовании матрица состоит из четырех категорий. Каждая позиция в четырехзначном коде транспортного средства представляет собой определяемую характеристику транспортного средства. Эта матрица транспортных средств позволяет иметь 400 типов транспортных средств. Автомобильные коды создаются путем назначения одного символа из каждого столбца и объединения их в четырехзначный автомобильный код:

  • 1-й символ обозначает категорию транспортного средства — в зависимости от размера, стоимости, мощности и фактора роскоши
  • 2-й символ определяет тип транспортного средства — тип шасси (фургон, внедорожник, универсал, кабриолет….)
  • 3-й символ определяет трансмиссию и привод — автоматический / ручной и 2WD / 4WD / AWD
  • 4-й символ определяет тип топлива (бензин / дизель / гибрид / электрический…) и кондиционер или нет.

Матрица транспортных средств — Коды классификации автомобилей

КАТЕГОРИЯ ТИП ТРАНСМИССИЯ / ПРИВОД ТОПЛИВО / ВОЗДУХ.
млн Мини В 2-3 двери M Ручной неуказанный привод R Неуказанное топливо / мощность с воздухом
N Мини Элит С 2/4 дверь N Механика 4WD N Неуказанное топливо / мощность без воздуха
E Экономика D 4-5 дверь С Ручной AWD D Дизель Воздух
H Элитный эконом-класс Вт Универсал / универсал А Auto Unspecified Drive Q Дизель Без Воздуха
С Компактный В Пассажирский фургон В Авто 4WD H гибридный воздух
Д Компакт Элит л Лимузин / Седан D Авто AWD Я Гибридный штекер в воздухе
I Средний S Спорт E Электрический (Расстояние <250 миль / 400 км) Воздух
Дж Средний элитный т Кабриолет С Electric Plus (Расстояние ≥ 250 миль / 400 км) Air
S Стандарт F Внедорожник л СНГ / сжатый газ воздух
R Стандартный элитный Дж Вездеход под открытым небом S СНГ / сжатый газ без воздуха
Ф Полноразмерный х Особый А Водород Воздух
G Полноразмерный Elite P Пикап (простая / удлиненная кабина) 2 двери В Водород без воздуха
п. Премиум Q Пикап (двойная кабина) 4 двери M Multi Fuel / Power Air
U Премиум Элит Z Специальное предложение Автомобиль F Мультитопливо / мощность Нет Воздуха
л Люкс E Купе В Бензин Воздух
Вт Люкс Элит M Monospace Z Бензин Без Воздуха
O негабарит R Автомобиль-внедорожник U Этанол Воздух
X Особый H Дом на колесах х Этанол без воздуха
Y 2-колесный автомобиль
N Родстер
G Кроссовер
К Коммерческий фургон / Грузовик

e.грамм. : CCMN = компактный автомобиль — 2/4 двери — механическая коробка передач — без кондиционера

Среди компактных 2/4 дверных моделей будут, например, модели, подобные Ford Focus или Opel Astra.

КОДИРОВКА ПАССАЖИРСКОГО ФУРГОНА *
IV 6+ мест
СП Elite 6+ мест
SV 7+ мест
RV Elite 7+ мест
FV 7+ мест плюс больше места
г.в Elite 7+ мест плюс больше места
PV 8+ мест
УФ Elite 8+ мест
LV 9+ мест
WV Elite 9+ мест
XV 12+ мест
ОВ 15+ мест


* Пассажирские микроавтобусы — в расширенной матрице классификация категории пассажирских микроавтобусов (1-й символ) расширена для определения пассажировместимости в соответствии с таблицей.

Независимый автомобильный профессионал получает заказ от ACRISS для присвоения кодов всем моделям европейских производителей для обеспечения точности и прозрачности.

Эта система кодирования была принята, чтобы гарантировать, что все участники ACRISS отображают одинаковую кодировку для одних и тех же транспортных средств, что позволяет вам принять обоснованное решение при сравнении ставок. Кроме того, это позволяет вам выбрать правильный автомобиль.

Ищете код для конкретной машины? Щелкните здесь, чтобы найти код.

Нажмите ниже на языковую версию руководства по продаже транспортных средств, которую вы хотите загрузить

Загрузки

Классификация транспортных средств на основе сверточной нейронной сети в неблагоприятных условиях освещения для интеллектуальных транспортных систем

Наряду с быстрым развитием компьютерного зрения классификация транспортных средств демонстрирует значительный потенциал для изменения формы интеллектуальных транспортных систем. В последние пару десятилетий системы классификации транспортных средств на основе обработки изображений и распознавания образов использовались для повышения эффективности автоматизированных систем сбора платы за проезд и мониторинга дорожного движения.Однако эти методы обучаются на ограниченных вручную созданных функциях, извлеченных из небольших наборов данных, которые не учитывают условия дорожного движения в реальном времени. Были предложены системы классификации, основанные на глубоком обучении, чтобы включить вышеупомянутые проблемы в традиционные методы. Однако сверточным нейронным сетям требуются груды данных, включая факторы шума, погоды и освещения, чтобы гарантировать надежность в приложениях реального времени. Более того, нет доступного обобщенного набора данных для проверки эффективности систем классификации транспортных средств.Чтобы преодолеть эти проблемы, мы предлагаем систему классификации транспортных средств на основе сверточной нейронной сети для повышения надежности классификации транспортных средств в приложениях реального времени. Мы представляем набор данных транспортных средств, состоящий из 10 000 изображений, разделенных на шесть общих классов транспортных средств с учетом неблагоприятных условий освещения, чтобы обеспечить надежность систем классификации транспортных средств в реальном времени. Первоначально предварительно обученные AlexNet, GoogleNet, Inception-v3, VGG и ResNet настраиваются на самостоятельно созданном наборе данных о транспортных средствах, чтобы оценить их производительность с точки зрения точности и сходимости.Архитектура ResNet, основанная на более высокой производительности, дополнительно улучшена за счет добавления нового блока классификации в сеть. Чтобы обеспечить обобщение, мы настроили сеть на общедоступном наборе данных VeRi, содержащем 50 000 изображений, которые были разделены на шесть классов транспортных средств. Наконец, было проведено сравнительное исследование предлагаемых и существующих методов классификации транспортных средств для оценки эффективности предлагаемой системы классификации транспортных средств. Следовательно, наша предлагаемая система достигла 99.68%, 99,65% и 99,56% точность, прецизионность и показатель F1 для нашего самостоятельно созданного набора данных.

1. Введение

При экспоненциальном росте производства транспортных средств по всему миру системы классификации транспортных средств могут играть значительную роль в развитии интеллектуальных транспортных систем, т. Е. Автоматизированного сбора платы за проезд на автомагистралях, восприятия беспилотных транспортных средств и трафика системы управления потоками. Ранее для классификации типов транспортных средств предлагались методы на основе лазерных и петлевых индукционных датчиков [1–4].Эти датчики были установлены под дорожным покрытием для сбора и анализа данных с целью извлечения соответствующей информации о транспортных средствах. Однако на точность и стабильность этих методологий в значительной степени влияют нежелательные погодные условия и повреждение дорожного покрытия [5]. По мере развития компьютерного зрения были предложены системы классификации транспортных средств на основе обработки изображений и распознавания образов [6, 7]. По сути, система классификации на основе компьютерного зрения представляет собой двухэтапную процедуру; на первом этапе используются ручные методы извлечения для получения визуальных характеристик из входного визуального кадра.На втором этапе классификаторы машинного обучения обучаются на извлеченных функциях, чтобы выполнить классификацию на основе данных на основе групп. Созданные вручную функции подразделяются на (i) глобальные и (ii) локальные функции для одновременного описания и представления данных изображения [8]. Эти функции объединены при обучении традиционных классификаторов машинного обучения распознаванию объектов. Хотя эти системы хорошо работают в конкретной контролируемой среде и более удобны с точки зрения установки и обслуживания, чем существующие лазерные и индуктивные схемы, эти методы обучены ограниченным ручным функциям, извлеченным из небольших наборов данных, в то время как обширные предварительные знания необходимы требуется для поддержания точности времени среды [9].

Недавно были внедрены методы извлечения и классификации признаков на основе глубокого обучения, которые продемонстрировали лучшую применимость и адаптируемость, чем традиционные системы классификации. Системы классификации на основе сверточных нейронных сетей (CNN) достигли значительной точности в крупномасштабных наборах данных изображений из-за их сложной архитектуры [10–12]. Тем не менее, разработка графического процессора (GPU) значительно увеличила возможности вычислительных машин по обработке изображений.Но на самом деле система классификации, основанная на CNN, требует груды данных для поддержания точности и обеспечения обобщения. До недавнего времени, насколько нам известно, не существовало обобщенного набора эталонных данных для разработки и оценки систем классификации транспортных средств. Следовательно, доступные наборы данных классификации транспортных средств относительно малы и основаны на ограниченных классах конкретных регионов, например, на CompCars [13] и наборе данных Stanford cars [14]. Интеллектуальные транспортные системы этих регионов могут добиться значительных результатов с этими наборами данных; однако их работе наносится ущерб появлению нерегиональных классов.Чтобы устранить вышеупомянутые ограничения в системах классификации транспортных средств, мы сделали следующие вклады. (I) Обобщенная архитектура классификации транспортных средств на основе сверточной нейронной сети (CNN) представлена ​​для повышения надежности систем классификации транспортных средств для интеллектуальных транспортных систем (ITS). в условиях плохой освещенности. (ii) Локальный набор данных, состоящий из 10 000 изображений, основанных на шести классах (например, автомобиль, фургон, грузовик, мотоцикл, рикша и мини-фургон), был собран из видео наблюдения за дорожным движением и вождения.Важно отметить, что эти классы уникальны по дизайну и форме, которые не охвачены в существующих наборах данных транспортных средств. (Iii) Модифицированная CNN была использована и обучена на наборе данных VeRi, содержащем 50000 изображений для шести классов транспортных средств, чтобы гарантировать обобщение сети. (iv) Наконец, было проведено обширное сравнительное исследование между предлагаемыми и существующими методами классификации транспортных средств, чтобы продемонстрировать эффективность предлагаемой сети классификации.

Остальная часть статьи организована следующим образом.В разделе 2 кратко обсуждаются существующие методы извлечения признаков и классификации транспортных средств, созданные вручную и с глубоким обучением. В разделе 3 была разработана сетевая архитектура вместе с предварительной обработкой и сбором наборов данных. Результаты и сравнительное исследование представлены в Разделе 4. Наконец, статья завершается в Разделе 5.

2. Сопутствующие работы

В соответствии с быстрым развитием искусственного интеллекта, классификация транспортных средств на основе зрения рассматривается как важный элемент в модуле восприятия беспилотных транспортных средств.В существующей исследовательской работе [5] классификация транспортных средств на основе видения подразделяется на две основные категории: (i) методологии, основанные на ручных функциях, и (ii) методологии, основанные на глубоких характеристиках.

На заре компьютерного зрения для интеллектуальных транспортных систем были предложены ручные методы классификации транспортных средств на основе характеристик. В связи с этим Ng et al. [15] предложили метод ручных функций на основе HOG-SVM для обучения классификатора SVM с использованием функций HOG с функцией ядра Гаусса.Предложенный классификатор был оценен на наборе данных из 2800 изображений видеонаблюдения, который классифицировал мотоциклы, автомобили и грузовики с точностью 92,3%. В другой исследовательской работе Chen et al. [16] представили метод классификации, который извлекает текстуры и особенности HOG и классифицирует автомобили с использованием нечеткого классификатора SVM. Представленный классификатор был оценен на наборе данных, состоящем из 2000 изображений, на которых предложенные системы классифицировали автомобили, фургоны и автобусы с 92.6% точность. Matos et al. [17] предложили комбинированный метод на основе двух нейронных сетей, встраивающий функции, то есть высоту, ширину и ограничивающие границы транспортных средств. В результате предлагаемый классификатор достиг 69% на наборе данных из 100 изображений. Кроме того, Cui et al. [18] предложили дескрипторы масштабно-инвариантного преобразования признаков (SIFT) и комбинированную модель на основе плохих слов (BoW) для извлечения признаков и использовали SVM для классификации набора данных, состоящего из 340 изображений автомобилей, микроавтобусов и грузовиков.В результате показано, что предложенный классификатор достиг точности 90,2% на предоставленном наборе данных. Wen et al. [19] предложили быстро обучающийся классификатор транспортных средств на основе AdaBoost для разделения данных на классы транспортных средств и не транспортных средств. Более того, авторы предложили алгоритм извлечения хаар-подобных признаков для быстрого обучения классификаторов. Представленный классификатор был оценен на общедоступном наборе данных Caltech, в котором система достигла точности 92,89%.

Чтобы преодолеть проблемы, связанные с классификаторами на основе характеристик, созданными вручную, были предложены системы на основе глубоких характеристик.Донг и др. [20] представили метод полууправляемой классификации на основе CNN для классификации транспортных средств в реальном времени. Метод на основе разреженного лапласовского фильтра был разработан для извлечения относительной информации о транспортном средстве, а слой softmax обучен вычислять вероятность класса принадлежащего транспортного средства. Представленный метод был протестирован на наборе данных Bit-Vehicle и достиг точности 96,1% и 89,6% на дневных и ночных изображениях соответственно. В другой исследовательской работе Wang et al. [21] представили метод классификации транспортных средств на основе Fast R – CNN для наблюдения за дорожным движением в режиме реального времени.Набор данных перекрестка, состоящий из 60 000 изображений, был собран и разделен на обучающие и проверенные данные, на которых предложенный метод достиг точности 80,051%. Cao et al. [22] предложили CNN и сквозную комбинированную архитектуру для классификации транспортных средств в ненадежной дорожной среде. Предлагаемая структура была оценена на наборе данных CompCars с учетом представлений, в котором предложенный классификатор достиг уровня точности 0,953. Чаухан и др. [23] предложили структуру классификации транспортных средств на основе CNN для классификации и подсчета транспортных средств на шоссе.Авторы утверждают, что предложенная структура достигла 75% MAP по собранному набору данных из 5562 видео с камер видеонаблюдения о дорожном движении. Jo et al. [24] предложили основанную на трансферном обучении структуру GoogLeNet для классификации транспортных средств в дорожном движении. Авторы показали, что представленный классификатор достиг точности 0,983 во время экспериментов с набором данных ILSVRC-2012. Kim et al. [25] предложили комбинированный метод извлечения признаков на основе PCANeT-HOG-HU, который предоставляется SVM в качестве входных данных для обучения модели классификации.Более того, авторы собрали набор данных, состоящий из 13700 изображений транспортных средств с учетом шести категорий транспортных средств (например, мотоциклов, фургонов, автомобилей, грузовиков, мини-автобусов и больших автобусов), извлеченных из видео наблюдения для обучения и тестирование предложенной классификационной сети. Результаты показали, что предложенный облегченный классификатор достиг средней точности 98,34% на предоставленном наборе данных.

Хотя подходы, основанные на глубоких характеристиках, могут эффективно повысить точность классификации транспортных средств, эти методологии требуют огромного количества данных для достижения значительной точности в приложениях ITS в реальном времени [26–29].В последнее время в этой области были проведены обширные исследования; однако доступные общедоступные наборы данных для беспилотных транспортных средств / интеллектуальных транспортных систем включают современные типы транспортных средств, которые распространены в хорошо развитых странах. Следовательно, эти системы классификации неприменимы для интеллектуальных транспортных систем в азиатских странах, то есть в Пакистане, Индии, Бангладеш и Китае. Вышеупомянутые проблемы указывают на необходимость новой системы классификации транспортных средств вместе с набором данных, охватывающим обычные транспортные средства, т.е.е., традиционные грузовики, автобусы, легковые автомобили, рикши и мотоциклы азиатских стран.

3. Предлагаемый метод

Для решения вышеупомянутых проблем мы представляем новый набор данных транспортного средства, состоящий из 10 000 изображений, имеющих шесть классов, основанных на обычных транспортных средствах дорожного движения, как показано на рисунке 1. Для повышения производительности предложенная классификация в приложениях ITS в реальном времени, изначально существующие предварительно обученные AlexNet [30], VGG [31], GoogleNet [32], Inception-v3 [33] и ResNet [34] настраиваются на самостоятельно созданном наборе данных. чтобы получить окончательную сеть.На основе производительности этих моделей выбирается наиболее эффективная модель для точной настройки, чтобы повысить точность классификации сети. Для обеспечения обобщения предлагаемая сеть дополнительно дорабатывается на общедоступном наборе данных VeRi для обеспечения надежной работы в интеллектуальной транспортной системе различных регионов. Весь процесс кратко описан ниже на Рисунке 1.


3.1. Набор данных

В системах классификации на основе глубокого обучения набор данных является ключевым входом, который помогает алгоритмам изучать функции для выполнения прогнозов на основе полученной информации.В настоящее время, насколько нам известно, не существует общедоступного набора данных о транспортных средствах общего пользования, который содержит изображения обычных транспортных средств для решения проблем классификации. Например, наборы данных автомобилей CompCars и Standford содержат только классы современных автомобилей определенных регионов, которые не могут использоваться в системах классификации в реальном времени других регионов. Более того, предлагаемый набор данных отличается от существующих наборов данных с точки зрения функций и представлений. Кроме того, существующие системы классификации транспортных средств обучаются на относительно небольших наборах данных, содержащих ограниченные классы, что не очень хорошо работает в приложениях интеллектуальных транспортных систем в реальном времени [35].Чтобы решить эти проблемы, из разных регионов собираются видео наблюдения за дорогами и вождения для извлечения изображений транспортных средств. На основе анализа идентифицируются шесть общих классов дорожных транспортных средств, и набор данных формируется путем ручной разметки с использованием инструмента редактирования Windows, как показано на рисунке 2. Набор данных включает 10000 изображений, которые были разделены на шесть классов (например, автомобиль, автобус, фургон, грузовик, мотоцикл и рикша), и каждый класс состоит из 1670 изображений.

3.2. Дополнение данных

Дополнение данных уравнениями — это самый простой и наиболее распространенный метод уменьшения переобучения в сети путем искусственного расширения набора данных с помощью методов преобразования с сохранением меток [36].Чтобы увеличить разнообразие нашего набора данных, мы использовали четыре различных типа увеличения данных: (i) размытие по Гауссу, (ii) вращение, (iii) горизонтальный поворот и (iv) гауссовский шум, как показано на рисунке 3.


Мы использовали размытие по Гауссу с ядром 5 × 5, чтобы уменьшить высокочастотные зашумленные пиксели при сохранении низкой пространственной частоты за счет свертки ядра Гаусса по изображению размером 224 × 224. Во втором типе увеличения данных, то есть вращении, мы использовали 10-градусное вращение исходных изображений набора данных для создания разнообразного представления исходного набора данных.Третий тип увеличения данных включает генерацию набора данных путем горизонтального переворачивания исходного набора данных, тогда как мы использовали гауссовский шум в качестве четвертого типа увеличения данных, чтобы добавить некоторый случайный световой фактор в набор данных. Здесь важно упомянуть, что горизонтальный переворот, размытие по Гауссу и вращение применяются к набору обучающих данных, тогда как гауссов шум применяется к набору тестовых данных, как показано на рисунке 3. Основная цель применения увеличения данных на основе гауссова шума. к набору тестовых данных заключается в проверке эффективности предложенной классификационной сети на зашумленных данных.

3.3. Сверточная нейронная сеть (CNN) Model

CNN — это контролируемые сети с прямой связью, которые доказали значительную эффективность в приложениях для классификации крупномасштабных объектов. Основная структура CNN стимулируется ключевой зрительной корой головного мозга человека, которая наблюдает за обработкой визуальной информации [37]. В классификации изображений, по сравнению с традиционными методами извлечения элементов, созданными вручную, CNN могут автоматически извлекать обучаемые визуальные элементы из входных изображений крупномасштабного набора данных из классов для выполнения классификации.Одно из основных преимуществ CNN над традиционными методами классификации состоит в том, что в CNN представление функций и классификатор используются в одной и той же сети для устранения их зависимостей. Архитектура CNN в основном включает три типа слоев: (i) сверточные слои, (ii) уровни объединения и (iii) соединительные уровни, которые кратко обсуждаются ниже.

3.4. Сверточные слои

Сверточные слои считаются одним из наиболее важных уровней в CNN, которые состоят из определенного набора обучаемых фильтров.Фильтры пространственно меньше, чем входной размер, который скользит по входным данным изображения во время прямого прохода для создания двумерной карты активации. Карта активации указывает местоположение вместе с силой обнаруженных визуальных функций во входном изображении. Вычисление признаков сверточных слоев выполняется с использованием где — карта признаков n th l-слоя, — ядро ​​C, в то время как извлечение признаков из слоя-l и — шаблоны характеристик, связанные со слоем-l. .

3.5. Уровни пула

Уровень пула обычно используется между последовательными слоями свертки структуры CNN для постепенного минимизации размера пространственного представления с целью сокращения вычислений при сохранении полезной информации, что помогает контролировать переобучение во время процесса обучения. Важно отметить, что в существующих современных CNN используются два типа уровней объединения, то есть уровень объединения, имеющий размер фильтра = 2 и stride = 3, который называется объединением с перекрытием; другой слой объединения с размером фильтра = 2 имеет шаг 2.Кроме того, в существующих CNN также использовались некоторые другие типы объединения, то есть функции объединения по норме L2 и среднего пула. Функцию объединения можно выполнить, где — значение, извлеченное из — 1 функций свертки, — вес карты и — значение смещения.

3.6. Уровень исключения

В CNN регуляризация является обычным способом избежать эффектов переобучения путем добавления значительного штрафа к используемой функции потерь. В связи с этим в нижнюю часть предлагаемой сети добавляется выпадающий слой, чтобы система не узнавала взаимозависимые веса функций.

3,7. Полностью связанный слой

В последнем разделе структуры CNN нейроны полностью связанного слоя связаны со всеми активациями предыдущего слоя, чтобы минимизировать размеры объекта. Последний уровень объединения CNN выравнивает сверточный уровень, который направляется полностью подключенным узлам сети. На следующем этапе для вычисления этих активаций применяется матричное умножение, за которым следует смещение коэффициента смещения. Полностью связанные нейроны можно вычислить, используя где — номер.нейронов выходного слоя — м характеристического паттерна слоя l-1, и — связанные веса.

3.8. Выбор модели CNN

При обучении с учителем сети на основе CNN продемонстрировали выдающуюся производительность классификации крупномасштабных наборов данных [38–41]. Чтобы выбрать подходящую модель CNN, сначала мы доработали существующие современные модели AlexNet, Inception-v3, GoogleNet, VGG и ResNet в соответствии с классами собранного набора данных.На следующем этапе к этим моделям применяется трансферное обучение, чтобы оценить самостоятельно созданный набор данных о транспортных средствах. В результате ResNet продемонстрировала лучшую применимость с точки зрения конвергенции, времени отклика и точности, чем конкурирующие сети (кратко обсуждаемые в разделе 4). Следовательно, сетевая архитектура ResNet со 152 уровнями улучшается и используется в предлагаемой системе классификации транспортных средств.

4. Архитектура

В предлагаемой системе мы использовали архитектуру ResNet для выполнения классификации транспортных средств, одну из самых новаторских архитектур CNN, предложенных He et al.[34], который продемонстрировал выдающуюся производительность в распознавании и классификации объектов, заняв первое место в ILSVRC-15 с коэффициентом ошибок 3,57% в первой пятерке [34]. В предыдущих сетях глубокого обучения увеличение уровней сети могло вызвать проблему исчезающего градиента, из-за которой модель не могла сойтись в лучшем виде. В сетевой архитектуре ResNet был введен новый метод, основанный на пропуске соединения, при котором каждый ввод с предыдущего уровня накапливается для вывода следующего уровня. Поскольку сеть уходит глубже, была принята конструкция узких мест, чтобы уменьшить временную сложность этой архитектуры CNN.Мы использовали подход трансферного обучения, при котором модель, обученная для какой-то конкретной задачи, может быть настроена для выполнения другой задачи путем простого изучения новых весов. Этот подход может быть эффективным, если у нас меньше данных, которых недостаточно для обучения с нуля.

В этой работе мы развернули предварительно обученную сеть ResNet-152 для классификации транспортных средств, как показано в таблице 1. Глубина этой сети составляет 152 уровня, что было достигнуто заменой каждого двухуровневого блока в исходной ResNet на 3-х слойная блокировка узких мест [34].Входной слой этой сети принимает цветное изображение RGB размером 224 × 224 пикселей. В таблице 1 можно заметить, что структура представленного метода использует 64 ядра свертки 7 × 7 с шагом 2 в первом слое, а слой max-pooling 3 × 3 с шагом 2 используется для первый условный слой. Кроме того, сверточные блоки, то есть 2–5, организованы в виде трехуровневых блоков узких мест, имеющих несколько фильтров до 128, 256, 1024 и 2048, за которыми следует уровень объединения с адаптивным усреднением соответственно.Для выполнения трансферного обучения из сети был удален последний полностью связанный слой, который был предварительно обучен для выполнения классификации 1000 естественных категорий. Кроме того, мы добавляем новый блок классификации, состоящий из полностью связанного слоя, имеющего вектор признаков из 1024 нейронов, замененных слоем среднего пула и слоем ReLU, чтобы изучить новые визуальные особенности из набора обучающих данных. Внизу сети есть выпадающий слой для решения проблемы исчезающего градиента. На основе блока классификации вставляется новый полностью связанный уровень для выполнения шести типов классификации транспортных средств, где каждая единица в последнем уровне связана с шестью классами выходной вероятности с помощью функции softmax.Чтобы эти новые слои изучали визуальные функции более высокого уровня из набора данных, мы увеличили скорость обучения этих слоев по сравнению с предыдущими уровнями, скорость обучения которых остается неизменной. Мы установили размер пакета и общее количество эпох равными 64 и 100 соответственно. Обучение сети выполнялось на тяжелой вычислительной машине, оснащенной RTX 2080TI, 11 ГБ DDR5 GPU, процессором core i9 — 9900k и 32 ГБ RAM, что заняло 8 часов для завершения обучения.


Имя слоя Размер вывода Слои

Conv 1 112 × 112 Размер ядра = 7 × 7, количество ядер = 7 × 7, количество ядер 64, шаг = 2
Объединение 56 × 56 Размер ядра = 3 × 3, шаг = 2
Conv 2 56 × 56 × 3
Conv 3 28 × 28 × 3
Conv 4 14 × 14 × 3
Conv 5 7 × 7 × 3
Pooling 1 × 1 Adaptive -средний пул 2d
Предлагаемый блок классификации fc1: In-features = 2048, out-feature = 1024
Relu (in-place)
drop-out (0.5)
fc2: In-features = 1024, out-features = 6
Softmax ()
Выходные данные классификации (кросс-энтропия)

5. Эксперименты и результаты

Предлагаемый метод классификации транспортных средств оценивается на платформе на основе набора данных. Эксперименты проводятся на тяжелой вычислительной машине, оснащенной RTX 2080TI, 11 ГБ DDR5 GPU, процессором core i9 — 9900k, а также 32 ГБ оперативной памяти с 64-битной операционной системой Windows 10.

5.1. Обучение предлагаемой системе классификации

Весь процесс обучения разделен на три этапа: (i) предварительная обработка данных, (ii) обучение и (iii) оценка. На первом этапе изображения набора данных распределяются на данные обучения, проверки и тестирования, нормализованные до размера 224 × 224 в соответствии со стандартным размером входных данных архитектур CNN. Обучающие и тестовые изображения случайным образом разделяются в соотношении 80–20% от общего количества изображений набора данных, а набор для проверки формируется путем случайного выбора 20% изображений из обучающего набора.Библиотека Pytorch 1.4.0 и MATLAB 2019a используются для реализации (т.е. предварительной обработки данных и организации, обучения, оценки и модификации сети) предлагаемой системы классификации. Эксперименты были разделены на три типа: (i) оценка сетей без точной настройки, (ii) оценка точно настроенной модели на самостоятельно созданном наборе данных транспортных средств и (iii) оценка настроенной модели на общедоступном VeRi. набор данных, которые кратко обсуждаются ниже.

5.2. Оценка современных CNN без точной настройки

Для оценки CNN из ресурсов Pytorch загружаются AlexNet, Inception-v3, GoogleNet, VGG и ResNet. Обучение этих сетей выполняется с использованием фреймворка Pytorch; Оптимизатор стохастического градиентного спуска (SGD) используется для обучения параметрам с импульсом, скоростью обучения и размером пакета 0,9, 0,001 и 128 соответственно. Кросс-энтропия, обычно используемая функция потерь, используется для накопления потерь в течение всего процесса, а проверка выполняется после каждой эпохи для оценки обучения при обучении сети.Сравнительная точность этих сетей показана на рисунке 4.


Обсуждение: Из рисунка 4 видно, что ResNet со 152 уровнями продемонстрировал лучшую точность, чем 19-слойная VGG, 22-слойная GoogLeNet, AlexNet с 25 уровнями. Layers и Inception-v3 со средней разницей 1,7%. Следовательно, можно предположить, что ResNet может достичь большей точности после тонкой настройки архитектуры.

5.3. Оценка модифицированной сети на самостоятельно созданном наборе данных о транспортных средствах

На основе производительности сетей, описанных в предыдущем разделе, архитектура ResNet улучшена путем добавления нового блока классификации в основу сети.Новый блок классификации включает полностью связанные уровни, за которыми следуют уровни среднего пула и уровни Relu, соответственно. Однако, чтобы найти наиболее подходящие векторы признаков полностью связанных слоев, ResNet со 152 слоями была оценена на самостоятельно созданном наборе данных с множественными комбинациями векторов признаков полностью связанных слоев в блоке классификации для повышения устойчивости сети.

Чтобы применить трансферное обучение, для нового добавленного блока классификации установлено извлечение признаков, чтобы узнать оптимальные веса и смещения из входного набора данных.Оптимизатор SGD вместе с теми же параметрами, то есть скоростью обучения и импульсом, используется при обучении и оценке предложенной системы классификации. Из таблицы 2 видно, что предложенная сеть с двумя полностью связанными, содержащими более высокие векторы признаков, достигла значительно более высокой точности среди других уровней FC с низкими векторами признаков. Полностью связанный уровень 1 передает 2048 объектов вниз по классификационному блоку. Одновременно с этим к классификационному блоку сети был добавлен другой уровень FC с более высокими векторами признаков.


Количество FC Выходные элементы FC1 Входные элементы FC2 Выходные элементы FC2 Точность

62075 62075 95,14%
2 1536 1536 6 99,74%
2 1024 1024 6 99.68%
2 768 768 6 99,51%

На следующем этапе предлагаемая сеть с разными глубинными слоями, т.е. 34, 50, 101 и 152, и производительность этих сетей с точки зрения точности показана в таблице 3.

5

75

75 9 900

Глубина Точность (в процентах) Общая точность
Автобус Автомобиль Мотоцикл Рикша Грузовик Фургон

18 95.89 99,68 97,77 92,82 97,37 95,56 96,52
34 97,83 98,17 98,66 95,39 900,13 900,39 97,31 98,93 97,45 94,57 97,04 98,70 97,33
101 98,51 99.02 98,34 96,51 98,93 97,27 98,10
152 99,48 99,68 99,08 100 100 99,65

Обсуждение: Таблица 3 демонстрирует влияние глубины сети на производительность с точки зрения точности самостоятельно созданного набора данных о транспортных средствах.Видно, что производительность ResNet увеличивается с увеличением глубины сети. Следовательно, ResNet со 152 уровнями обеспечивает лучшую точность в общих классах набора данных по сравнению с ResNet с более низкими уровнями глубины. Подробные матрицы производительности ResNet со 152 уровнями показаны в таблице 4.

5

Class Точность Частота ошибок Специфичность Точность Отзыв Оценка F1

Автобус 99.48 0,52 99,90 99,4852 99,13 99,3072
Автомобиль 99,68 0,32 99,94 99,6832

75

75

75

75

75 99,68 0,92
99,82 99,0832 99,08 99,0816
Рикша 100,0 0,00 100,0 100.000 99,83 99,9149
Грузовик 100,0 0,00 100,0 100,000 99,48 99,7393
Микроавтобус 99,65 0,39 99,6512
Итого: 99,65 0,35 99,93 99,65 99.48 99,56

5.4. Оценка модифицированной CNN на наборе данных VeRi

Основываясь на характеристиках настроенных сетей, показанных в таблице 4, предлагаемая классификационная сеть была точно настроена на общедоступном наборе данных VeRi [42, 43] для обеспечения обобщения. Набор данных, включающий 50000 изображений, был разделен на шесть классов, то есть автобус, MPV, пикап, седан, грузовик и фургон, распределенный между тестами и поездами с соотношением сторон 80: 20.Важно отметить, что эти классы выбираются на основе разброса данных. Матрицы показателей, представленные в таблице 5, раскрывают эффективность представленной системы классификации.

75

Класс Точность Частота ошибок Специфичность Точность Отзыв Оценка F1

Шина.0 0,00 100,0 100,000 98,60 99,29507
MPV 94,19 5,86 99,82 94,1914 96,87

7,24 99,53 92,7637 99,04 95,79916
Седан 99,59 0,41 99,91 99.5971 91,52 95,38787
Грузовик 96,01 3,99 99,18 96,0118 93,64 94,81107
Фургон 900,29 96,01835
Итого: 96,06 3,95 99,53 96.06 96,34 96,14

5.5. Сравнение с существующими современными методами классификации транспортных средств

Эффективность представленного метода классификации сравнивается с традиционными методами классификации транспортных средств, чтобы доказать применимость предлагаемой системы с точки зрения классовой и средней точности, как показано в таблице 6. Существующие системы классификации [11, 44–46] были реализованы в MATLAB 2019a, который был обучен и оценен на самостоятельно созданном наборе данных о транспортных средствах.


Метод (ы) Точность (в процентах) Всего
Автобус Легковой автомобиль Мотоцикл Рикша Грузовик Грузовик
Zhuo et al. [44] 95,76 94,70 96,67 95,11 95,45 92,25 95,49
Gao et al.[45] 91,78 95,28 97,03 98,77 93,35 91,43 92,61
Shivai et al. [46] 88,17 90,42 91,78 83,37 89,71 89,11 88,96
Zakria et al. [11] 90,55 91,26 97,73 93,36 94,76 88,99 92,77
Предлагаемый метод 99.48 99,68 99,08 100,0 100,0 99,65 99,68

Обсуждение. Предложенная система классификации была сравнена с существующими системами классификации транспортных средств [11, 44–46], чтобы подтвердить эффективность предложенной сети. Существующие сети были воспроизведены в предлагаемом наборе данных. Zhuo et al. [44] представили метод классификации транспортных средств на основе архитектуры GoogleNet с 22-уровневой глубинной сетью.С другой стороны, Gao et al. [45] представили систему классификации транспортных средств на основе AlexNet, содержащую 5 сверточных и 3 полносвязных уровня в сети. Shivai et al. [46] представили самопредложенную систему классификации транспортных средств на основе CNN, имеющую 13 сверточных слоев и один полностью связанный слой, за которым следуют уровни максимального объединения и отбрасывания, тогда как Zakria et al. [11] представили систему классификации на основе начальной архитектуры. Хотя эти системы продемонстрировали хорошую производительность на своих наборах данных, одна из основных причин разницы в точности заключается в том, что эти существующие системы [11, 44–46] состоят из сетей с небольшой глубиной, которые не сходятся на крупномасштабных наборах данных. .Кроме того, существующие системы [11, 44–46] обучаются на ограниченных классах, не охватывающих обычные дорожные транспортные средства. В результате эти системы плохо работают в приложениях классификации в реальном времени. Более того, здесь важно упомянуть, что эти методы были обучены на несбалансированных наборах данных, что также является важным фактором в работе систем классификации транспортных средств в реальном времени. Следовательно, производительность этих существующих систем подвергается сомнению при оценке предлагаемого нами самостоятельно созданного сбалансированного набора данных, тогда как, с другой стороны, предлагаемая система классификации транспортных средств обучается на самостоятельно созданном наборе данных транспортных средств, состоящем из 10000 изображений, которые охватывают общие классы дорожного движения, а также доработаны в общедоступном наборе данных VeRi, который содержит 50 000 изображений, чтобы обеспечить обобщение предлагаемой системы классификации.Следовательно, предложенная нами система классификации достигла более высокой точности, чем существующие системы классификации транспортных средств.

6. Заключение

В этой статье предлагается основанная на CNN система классификации транспортных средств для повышения эффективности интеллектуальных транспортных систем. Новый набор данных, содержащий 10 000 изображений шести классов, создан для обучения системе классификации. Первоначально пять современных CNN, то есть AlexNet, Inception-v3, GoogleNet, VGG и ResNet, обучаются на собранном наборе данных для проверки производительности.Основываясь на эффективности, ResNet со 152 уровнями улучшена путем добавления нового блока классификации в исходную сеть посредством передачи обучения. Для обеспечения обобщения предлагаемая система классификации доработана для общедоступного набора данных VeRi. Результаты показывают, что предложенная система классификации достигла более высокой точности, т. Е. 99,68% и 97,66%, на самостоятельно созданном наборе данных и наборе данных VeRi, соответственно, что значительно выше, чем у существующих современных систем классификации.В будущем мы стремимся расширить нашу работу по разработке детальной системы классификации для повышения эффективности предлагаемого метода в интеллектуальных транспортных системах.

Доступность данных

Все данные, использованные для подтверждения результатов исследования, доступны в рукописи.

Раскрытие информации

Мухаммад Атиф Батт и Асад Масуд Хаттак являются совместными первыми авторами этой работы.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Вклад авторов

Концептуализация и методология исследования были выполнены Мухаммадом Атифом Баттом, Асадом Масудом Хаттаком и Сармадом Шафиком. Техническая и теоретическая основа была подготовлена ​​Сармадом Шафиком и Саймой Абид. Технический обзор и улучшения были выполнены Ахташамом Саджидом, Мухаммадом Вакасом Аюбом, Баширом Хаятом и Авайсом Аднаном. Общую техническую поддержку, руководство и администрирование проекта осуществляли Мухаммад Атиф Батт, Асад Масуд Хаттак, Сайма Абид и Ки-Иль Ким.

Благодарности

Эта исследовательская работа была поддержана Фондом поощрения исследований Университета Зайда № R19096.

Таблицы годового отчета фактов безопасности дорожного движения

Таблицы годового отчета фактов безопасности дорожного движения Базовый заголовок Плоский верхний и нижний колонтитулы NHTSA
В этом годовом отчете «Факты безопасности дорожного движения: сборник данных о дорожно-транспортных происшествиях» Национальная администрация безопасности дорожного движения (НАБДД) представляет описательную статистику о дорожно-транспортных происшествиях любой степени тяжести, от тех, которые привели к материальному ущербу, до тех, которые приводят к гибели людей.Информация из трех систем первичных данных НАБДД была объединена. создать единый источник статистики дорожно-транспортных происшествий. Первая система данных, Система отчетности по анализу смертности (FARS), вероятно, является наиболее известным из трех источников. Основанный в 1975 году, FARS содержит данные о самых серьезных дорожно-транспортных происшествиях, в которых кто-то погиб. Второй источник — это Система общих оценок Национальной автомобильной системы отбора проб (NASS GES), который начал работу в 1988 году.NASS GES содержит данные национальной репрезентативной выборки сообщаемые полицией аварии любой степени тяжести, в том числе те, которые привели к смерти, травмам или материальному ущербу. Третий источник — это новая система выборки отчетов о сбоях (CRSS), которая заменила NASS GES в 2016 году. CRSS — это обновленная национально репрезентативная выборка дорожно-транспортных происшествий, о которых сообщает полиция. Обратите внимание, что данные FARS за 2018 год и более ранние годы являются окончательными и, как правило, не подлежат изменению. Однако незначительные исправления были внесены в файлы FARS Final за 2016 и 2017 гг.Для получения дополнительной информации см. «Об этом отчете» в разделе «Введение». Хотя файл данных за 2019 год представляет собой данные за полный год, он может быть изменен. когда он будет доработан. Текущая версия файла данных FARS за 2019 год называется Файл годового отчета (ARF). Дополнительное время между файлом годового отчета и окончательным файлом обеспечивает возможность представления важных переменных данных, требующих внешних источников, что может привести к изменения в окончательных подсчетах.Обновленные окончательные подсчеты за 2019 год будут отражены в выпуске Файл годового отчета за 2020 год.

ПРИМЕЧАНИЕ. NASS GES было прекращено в 2016 году и заменено новой системой, называемой Системой выборки отчетов о сбоях (CRSS). 2016 год данных был первым годом сбора данных CRSS. Однако оценки CRSS за 2016 год и более поздние не сопоставимы с оценками 2015 года и более раннего года из NASS GES. Щелкните здесь, чтобы получить дополнительную информацию о CRSS.

Щелкните здесь, чтобы увидеть исторические годовые отчеты

× Модальный поиск по сайту

Здесь вы можете искать по всему сайту, а также использовать ссылки на предыдущие поисковые запросы.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Top