CN109050535B

CN109050535B - 一种基于车辆姿态的快速地形工况辨识方法

Info

Publication number: CN109050535B
Application number: CN201810826902.9A
Authority: CN
Inventors: 龚建伟; 李嘉文; 杨森; 王博洋; 翟涌; 胡宇辉; 齐建永
Original assignee: North Link Motor (changshu) Vehicle Technology Co Ltd; Beijing Institute of Technology BIT
Current assignee: North Link Motor (changshu) Vehicle Technology Co Ltd; Beijing Institute of Technology BIT
Priority date: 2018-07-25
Filing date: 2018-07-25
Publication date: 2020-02-14
Anticipated expiration: 2038-07-25
Also published as: CN109050535A

Abstract

本发明涉及一种基于车辆姿态的快速地形工况辨识方法，包括：获取车辆实时姿态信息；将所述姿态信息输入地形分类SVM模型对车辆所处的地形工况进行坡道工况、颠簸路面工况和加减速工况分类；使用与分类结果对应的地形参量估计算法，对分类地形参量分别进行估计。本发明充分考虑了在越野环境行驶工况下引起车辆姿态变化的各种工况，建立快速入地形分类SVM模型；可以以80％以上的准确率识别出不同地形工况，识别速度快；并且不依赖于车辆纵向动力学模型，在不同平台间通用性好，提升智能车辆在行驶工况突变时的快速识别和反应调整能力，在无人驾驶领域具有广泛的使用前景。

Description

一种基于车辆姿态的快速地形工况辨识方法

技术领域

本发明涉及无人车技术领域，尤其涉及一种基于车辆姿态的快速地形工况辨识方法。

背景技术

目前，关于车辆行驶的路面工况的辨识技术主要集中在对坡道的坡度进行估算，估算主要有运动学方法和动力学方法。其中运动学方法应用车载GPS与大气压力传感器的信息进行坡度估计，使用GPS信息进行坡度估算时主要问题在于GPS发送数据频率较低，而且很小的GPS速度误差往往会导致较大的道路坡度估计的误差，与此同时大气压力传感器受外部环境因素影响较为严重，包括天气、风速、温度等，可信度较低，并且大气压力随海拔变化缓慢，信噪比较低。动力学方法依赖于精确的车辆纵向动力学模型，需要对车辆质量、地面阻力系数和风阻等关键参量进行实时在线精确测量。此外，基于回归算法的动力学模型求解方案，不可避免地带来测量上的延迟，坡道估计的实时性差。无论是现有的运动学方法或是动力学方法，都仅仅针对坡道这一种地形进行估算，忽略了颠簸路面、车辆加减速工况对算法所带来的影响，考虑情境单一；此外，现有算法只有在车辆稳定行驶在坡道上时才具有较为可信的估算结果，不具备过渡过程中的坡道预测能力，辨识算法实时性差。

发明内容

鉴于上述的分析，本发明旨在提供一种基于车辆姿态的快速地形工况辨识方法，用以解决现有技术中无法对地形工况改变进行快速有效的识别和调整的问题。

本发明的目的主要是通过以下技术方案实现的：

一种基于车辆姿态的快速地形工况辨识方法，包括以下步骤：

获取车辆实时姿态信息；

将所述姿态信息输入地形分类SVM模型对车辆所处的地形工况进行分类，得到分类结果为坡道工况、颠簸路面工况或加减速工况；

使用与分类结果对应的地形参量估计算法，对分类地形参量进行估计。

进一步地，所述地形分类SVM模型的构建和训练方法包括：

1)采集试验车辆在坡道工况、颠簸路面工况和加减速工况下的包括姿态角、车体各轴向的速度分量在内的数据；

2)对采集数据进行预处理，得到试验车辆包括俯仰角、侧倾角和车速在内的基本参量；

3)依据所述基本参量中俯仰角随时间变化情况对预处理后的数据进行数据分段；

4)根据所述基本参量，提取并筛选用于SVM建模的属性特征参数，将所述分段数据随机分成模型训练样本集和模型测试样本集；

5)使用训练样本集数据对SVM模型进行训练，得到地形分类SVM模型；使用测试样本集数据测试所述地形分类SVM模型的分类效果，对模型参数进行优化。

进一步地，所述数据分段的标准包括：

将俯仰角随时间变化曲线与俯仰角等于0这条直线的相交点，作为数据的分段点；

如果某个数据点左右两侧俯仰角变化趋势不同，并且两侧的变化率绝对值的最大值大于临界值，则将该点定为分段点；

对已经分段过的分段点进行检验，如果分段点处俯仰角随时间变化率超过临界值，则取消该分段点。

进一步地，使用所述数据分段标准对数据进行分段操作时，记录所有分段点处的时间戳作为对包括侧倾角和车速在内的其它基本参量进行分段的依据，进而将采集数据划分成较小时间间隔的数据段。

进一步地，所述属性特征参数的提取筛选方法包括：

从所述基本参量中提取备选特征参数；

对备选特征参数进行统计特性评估，筛选出符合要求的属性特征参数；

所述筛选的标准是通过分析不同工况下每种备选特征参数的分布直方图的分布重合度，如果重合度低于预定阈值，保留备选特征参数；否则，删除备选特征参数。

进一步地，所述模型训练过程中，利用所述训练集数据对SVM模型的核函数分别进行地形辨识的建模训练，从中选取观测辨识准确率高及迭代次数少的核函数，作为地形辨识模型的核函数。

进一步地，所述参数优化方法采用粒子群算法和交叉验证方法。

进一步地，对于坡道工况采用坡度SVM分类模型进行地形参量估计，对坡道进行坡度分级；所述坡度SVM分类模型在训练时，训练数据采用试验车辆在坡度分别为8度、15度和25度的坡道行驶时的采集数据。

进一步地，对于颠簸路面工况的地形参量估计，先采用卡尔曼滤波器对车辆垂向加速度进行滤波处理；在使用加权加速度均方根值对不同颠簸度等级进行分级。

进一步地，对于加减速工况的地形参量估计，是通过对当前车辆横向、纵向和垂向加速度信息进行卡尔曼滤波器滤波处理，并将处理结果后的加速度作为加减速工况下的地形参量。

本发明有益效果如下：

本发明提出的基于车辆姿态的快速识别无人车地形改变的方法，充分考虑了在越野环境行驶工况下引起车辆姿态变化的各种工况，建立快速入地形分类SVM模型；可以以80％以上的准确率识别出不同地形工况，识别速度快；并且不依赖于车辆纵向动力学模型，在不同平台间通用性好，提升智能车辆在行驶工况突变时的快速识别和反应调整能力，在无人驾驶领域具有广泛的使用前景。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例中快速地形辨识方法流程图；

图2为本发明实施例中地形分类SVM模型的构建和训练流程图；

图3为本发明实施例中数据分段流程图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。

本发明的一个具体实施例，公开了一种基于车辆姿态的快速地形工况辨识方法，如图1所示，包括以下步骤：

步骤S1、获取车辆实时姿态信息；

车辆实时姿态信息通过车载惯性导航系统输出，包括车辆的航向角、俯仰角和侧倾角以及车速等车辆行驶信息。

步骤S2、将所述姿态信息输入地形分类SVM模型对车辆所处的地形工况进行坡道工况、颠簸路面工况和加减速工况分类；

如图2所示，步骤S2中快速地形分类SVM模型的构建和训练，主要通过数据的采集、数据的预处理、数据的分段处理、属性特征参数的提取筛选、SVM模型的训练、SVM模型的优化等过程实现。

具体的，地形分类SVM模型的构建和训练方法包括：

1)采集试验车辆在颠簸路面、坡道工况、加减速工况这几种工况下的姿态角、车体在各轴的速度分量；

其中，由于在某些地形下行驶会造成车辆加减速操作，带来车身较大幅度的姿态变化，可能会影响地形辨识算法辨识效果。因而，将加减速工况也作为地形辨识的一种工况进行训练和辨识。

上述数据由车辆姿态传感器采集而来，采集的姿态角包括航向角、俯仰角、侧倾角；采集的速度分量包括车体在正北、天向、正东三个方向上的速度分量。

2)对采集数据进行预处理

使用姿态角、车体在各轴的速度分量对车速进行计算；

将航向角、俯仰角、侧倾角分别记为K、α和β。将车体在正北、天向、正东三个方向上的速度分量分别记为v_N、v_S和v_E。将车体坐标系下的车头、车顶、车右三个方向上的速度分量分别记为v_H、v_U和v_R。

坐标系转换的原理：

任意一个空间中的三维坐标系都可以通过将另一个坐标系进行三次旋转和一次平移而得到，而从一个坐标系转换到另一个坐标系的旋转过程可以用矩阵来描述。记世界坐标系为w，车体坐标系为v，则将世界坐标系为w经过航向角旋转到达中间坐标系w′，再经过俯仰角旋转到达中间坐标系w″，再经过侧倾角旋转到达车体坐标系v。三次旋转的方向余弦矩阵分别为：

从世界坐标系到车体坐标系的方向余弦矩阵为：

从而可以得到：

这样就得到了车体坐标系下的三个速度分量v_H、v_U和v_R，其中v_H就是车体坐标系下速度在车头方向的分量，也就是车速。通过传感器测量得到俯仰角和侧倾角，通过计算得出车速，这样就得到了选取属性点所需的三个基本参量。

3)依据俯仰角随时间变化情况对不同工况的数据进行统一标准的分段；

俯仰角是区分车辆行驶的道路工况最显著参量，故使用俯仰角随时间变化情况对数据的分段点进行选取，并使用相同的分段点对侧倾角、车速等其它基本参量进行分段。

分段流程如图3所示，包括：

1)导入俯仰角数据；

2)设置分段参量；

3)遍历所有俯仰角数据点；

4)按照分段标准对数据进行分类。

其中，分段标准共有以下几类：

①每当俯仰角随时间变化曲线与俯仰角α＝0这条直线相交时，将数据在交点处分段。

②在已经分段过的分段点处进行检验，如果分段点处俯仰角随时间变化率超过临界值(临界值定为0.05rad/s)时，则取消这个分段点。

③如果某个数据点左右两侧变化趋势不同(即一边增加另一边减少)，并且两侧的变化率绝对值的最大值大于临界值，则将这个点定为分段点(本条标准目的在于将变化的尖峰和低谷点作为分段点)。

使用上述标准对数据进行分段操作，记录所有分段点处的时间戳作为对侧倾角和车速等其它基本参量进行分段的依据，进而将采集数据划分成较小时间间隔的数据段。

4)根据俯仰角、侧倾角和车速等基本参量，提取并筛选用于SVM建模的属性特征参数，建立模型训练样本集和模型测试样本集；

属性特征参数的提取筛选方法包括：

a.确定从俯仰角、侧倾角和车速等基本参量中提取的备选特征参数；

具体包括，最大俯仰角、最大最小俯仰角差值、俯仰角最大变化速率、平均俯仰角变化速率和起始点俯仰角值；区段时间跨度、最大车速、最大最小车速差值、车速最大变化速率、平均车速变化速率等。

b.对备选特征参数进行统计特性评估，筛选出符合要求的属性特征参数；

以每一段内的分段数据作为一个数据单元提取全部备选特征参数；

将全部数据单元提取的全部备选特征参数按地形工况进行分布统计，绘制参数的分布直方图；

观察每种备选特征参数的分布直方图，筛选在不同工况下的分布重合度较低的备选特征参数，作为属性特征参数；去除分布重合度高的备选特征参数。

使用这种筛选方法的原因：SVM的核心思想是如果一个分类问题在当前维度不是线性可分的，那么就将维度提升直至此问题线性可分，并在线性可分的高维度空间对此问题进行分类。正是依据此思想，如果一种属性取法在当前维度下不同工况的分布情况就较为容易划分，那么在较高维度这种属性取法也容易划分；如果一种属性取法在当前维度下不同工况的分布情况不容易划分，那么很可能需要提高的维度数较多才能将其线性分割，而这不利于问题的解决。故采用上述的属性筛选方法。

基于上述属性特征参数的提取方法，对全部采集数据进行属性提取计算得到样本数据，并将采集数据时的地形工况作为标记一并存入样本数据中，本发明实施例将标记签规定为：颠簸路面记作1、坡道工况记作2、加减速工况记作3。

再将带有标记的样本数据随机分成两组，其中一组作为训练样本集，另一组作为测试样本集。

5)使用训练样本集数据对SVM模型进行训练，得到地形分类SVM模型；使用测试样本集数据测试所述地形分类SVM模型的分类效果，并对模型参数进行优化，对地形分类SVM模型进行改进。

SVM的核心思想是寻找最佳分类超平面使正例和反例被其分隔开，并使正例和反例距离该超平面的距离尽量远。在寻找最佳分类超平面的过程中使用了升维的思想，而对样本点进行升维这一过程主要通过使用核函数实现，并且任何SVM分类器也无法保证100％的准确率，所以常常会设置惩罚参数以控制分类器的分类效果。

特殊的，所述模型训练过程中，利用训练样本集数据对目前主流SVM核函数liner、polynomial、radial basis function、sigmoid分别进行地形辨识的建模训练，从中选取观测辨识准确率高及迭代次数少的核函数，作为地形辨识模型的核函数；在本实施例中，最适合快速地形分类SVM核函数为radial basis function。

在选定了核函数类型之后，选取合适的核函数参数g与惩罚参数C也会对训练效率及分类准确性产生积极影响；

特殊的，本发明实施例采用两种方法进行参数优化。第一种是使用粒子群算法进行核函数参数的选取，另一种是使用交叉验证的方法进行惩罚参数选取；核函数参数g＝0.02，惩罚参数C＝2为最适合本发明的快速地形分类SVM模型相关参数。

在逐步进行了以上过程，建立地形分类SVM模型后，就可以进行地形工况的分类。

将采集的姿态信息输入地形分类SVM模型，进行快速地形工况分类，分别输出坡道工况、颠簸路面工况和加减速工况的地形分类结果。

步骤S3、使用与分类结果对应的地形参量估计算法，对分地形参量进行估计。

基于快速地形分类的输出结果为坡道工况、加减速工况和颠簸路面工况进行相应的处理，采用三种地形参量估计算法分别对三种工况进行参数估计。

具体的，在步骤S2输出的地形分类结果是坡道工况时，对坡道工况的参数估计，通过训练对坡道坡度进行分级的坡度SVM分类模型对坡道工况下的坡度进行分级和输出，

其中，对坡度SVM分类模型的训练是在离线状态完成；对坡道坡度进行分级和输出是在在线状态完成；

坡度SVM分类模型的训练通过数据的采集、数据的预处理、数据的分段处理、属性特征参数的提取筛选、属性取法的筛选、SVM模型的训练、SVM模型的优化等过程实现。

本步骤的模型训练方法与步骤S2中的方法相同，只是在工况训练的数据上不尽相同。

具体来说按以下步骤进行：

1)采集试验车辆在通过8度、15度、25度这几种不同坡度的坡道工况下的姿态角、车体在各轴的速度分量；

上述数据由车辆姿态传感器采集而来，采集数据包括航向角、俯仰角、侧倾角以及车体在正北、天向、正东三个方向上的速度分量。

2)使用姿态角、车体在各轴的速度分量对车速进行计算；

依据坐标系的转换原理，通过上述参量计算出车体的车速信息。

3)对不同坡度工况的数据进行统一标准的分段处理；

与步骤S2中相同的数据分段标准，对不同坡度工况的数据进行统一标准的分段处理。

4)根据俯仰角、侧倾角和车速等基本参量，提取和筛选用于SVM建模的属性特征参数，建立模型训练样本集和模型测试样本集；

在属性选取阶段提出的备选属性有：最大俯仰角、最大最小俯仰角差值、俯仰角最大变化速率、平均俯仰角变化速率、起始点俯仰角值、区段时间跨度、最大车速、最大最小车速差值、车速最大变化速率、平均车速变化速率等。

在统计数据单元的分布过程中，逐一统计上述所有属性取法在8度、15度、25度这三种不同工况下分布情况，如果数据单元分布区分度较高则保留当前属性取法。

基于上述方法，对全部数据进行属性提取和筛选计算得到样本数据，并将采集数据时的地形工况作为标记一并存入样本数据中，本发明将标记签规定为：8度坡道工况记作1、15度坡道工况记作2、25度坡道工况记作3。

5)使用训练样本集数据对SVM模型进行训练，得到对坡道坡度进行分级的SVM模型；使用测试样本集数据测试SVM模型的分类效果，并对模型参数进行优化，改进坡度SVM分类模型参数。

采用与步骤S2中相同的方法模型进行测试，以准确率判断当前模型的优劣。使用不同种类的核函数分别训练对应的模型，再分别使用测试集对其进行测试，比较它们的准确率，比较后发现核函数为radial basis function、核函数参数g＝0.02，惩罚参数C＝2时准确率最高，至此得到了最适合本发明的坡道坡度分级模型。

将步骤S2输出的坡道工况分类结果输出到建立好的坡度SVM分类模型对坡道工况下的坡度进行分级和输出。

具体的，对颠簸路面工况参数估计，在步骤S2输出的地形分类结果是颠簸路面工况时，进行路面颠簸度的等级划分。具体实现过程是先使用卡尔曼滤波器对车辆垂向加速度滤波处理，之后根据表1使用加权加速度均方根值对不同颠簸度等级划分为八类，并将颠簸度的分级结果作为颠簸路面工况下的地形参量输出。

所述颠簸度等级划分根据1984年国际标准化组织在文件ISO/TC108/SC2N67中提出的“路面不平度表示方法草案”和国内由长春汽车研究所起草制定的GB 7031《车辆振动输入——路面平度表示》这两个文件提出的按路面功率谱密度把路面的不平度分为8级，使用加权加速度均方根值对不同颠簸度等级划分为八类。

表1路面不平度8级分类标准

具体的，对加减速工况参数估计，在步骤S2输出的地形分类结果是加减速工况时，对当前车辆横向、纵向和垂向加速度信息进行卡尔曼滤波器滤波处理，并将加速度处理结果作为加减速工况下的地形参量输出。

综上所述，本发明实施例提出的基于车辆姿态的快速地形识别方法，充分考虑了在越野环境行驶工况下引起车辆姿态变化的各种工况；可以以80％以上的准确率识别出不同地形工况，识别速度快；并且不依赖于车辆纵向动力学模型，在不同平台间通用性好，提升智能车辆在行驶工况突变时的快速识别和反应调整能力，在无人驾驶领域具有广泛的使用前景。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims

1.一种基于车辆姿态的快速地形工况辨识方法，其特征在于，包括以下步骤：

获取车辆实时姿态信息；

将所述姿态信息输入地形分类SVM模型对车辆所处的地形工况进行分类，得到分类结果为坡道工况、颠簸路面工况或加减速工况；所述地形分类SVM模型的构建和训练方法包括：

5)使用训练样本集数据对SVM模型进行训练，得到地形分类SVM模型；使用测试样本集数据测试所述地形分类SVM模型的分类效果，对模型参数进行优化；

2.根据权利要求1所述的地形工况辨识方法，其特征在于，所述数据分段的标准包括：

3.根据权利要求2所述的地形工况辨识方法，其特征在于，使用所述数据分段的标准对数据进行分段操作时，记录所有分段点处的时间戳作为对包括侧倾角和车速在内的其它基本参量进行分段的依据，进而将采集数据划分成较小时间间隔的数据段。

4.根据权利要求1所述的地形工况辨识方法，其特征在于，所述属性特征参数的提取筛选方法包括：

从所述基本参量中提取备选特征参数；

5.根据权利要求1所述的地形工况辨识方法，其特征在于，所述模型训练过程中，利用所述训练样本集数据对SVM模型的核函数分别进行地形辨识的建模训练，从中选取观测辨识准确率高及迭代次数少的核函数，作为地形辨识模型的核函数。

6.根据权利要求1所述的地形工况辨识方法，其特征在于，所述参数优化方法采用粒子群算法和交叉验证方法。

7.根据权利要求1所述的地形工况辨识方法，其特征在于，对于坡道工况采用坡度SVM分类模型进行地形参量估计，对坡道进行坡度分级；所述坡度SVM分类模型在训练时，训练数据采用试验车辆在坡度分别为8度、15度和25度的坡道行驶时的采集数据。

8.根据权利要求1所述的地形工况辨识方法，其特征在于，对于颠簸路面工况的地形参量估计，先采用卡尔曼滤波器对车辆垂向加速度进行滤波处理；再使用加权加速度均方根值对不同颠簸度等级进行分级。

9.根据权利要求1所述的地形工况辨识方法，其特征在于，对于加减速工况的地形参量估计，是通过对当前车辆横向、纵向和垂向加速度信息进行卡尔曼滤波器滤波处理，并将处理结果后的加速度作为加减速工况下的地形参量。