CN111091540A - 一种基于马尔科夫随机场的主动悬架控制方法 - Google Patents

Abstract

本发明属于车辆主动悬架控制领域，具体设计一种基于马尔科夫随机场的主动悬架控制方法。包括以下步骤：通过车前阵列相机对扫描车辆前方路面；对扫描到的道路图像进行马尔科夫随机场图像分割；建立图像特征矩阵，确定当前路面类型和等级；通过遗传算法选取当前路面中最为合理的加权系数矩阵Q和加权因子q，从而为主动悬架系统提供最优主动力，且相对于现有技术中利用加速度，位移等传感器等多种识别信号及复杂的算法控制逻辑，本发明更加简单且成本较低。

Description

一种基于马尔科夫随机场的主动悬架控制方法

技术领域

本发明属于车辆主动悬架控制领域，具体设计一种基于马尔科夫随机场的主动悬架控制方法。

背景技术

路面的实时信息对于车辆悬架的控制具有重要的意义，预瞄控制就是利用路面信息计算主动力，实现悬架的主动控制。在路面等级识别方面，大都采用加速度，位移等传感器识别信号，进而识别路面等级，但鲜有利用图像信息进行路面识别的。

在图像信息处理方面，图像分割作为处理分析的基础与前提，分割的目的是将图像分割成几个有特定性质的区域，分割结果对后续工作具有非常大的影响，好的结果会对后续工作提供很大的帮助，使其顺利进行，而坏的结果有可能使后续工作无法进行。

在现有技术的图像分析算法中，马尔科夫随机场理论提供了一个简洁统一的建模方法，其特点还包括(1)马尔科夫模型中，像素的空间关系可以传播，通过像素之间的相互作用，从而低阶马尔科夫随机场可以被用来描述的像素之间的关系；(2)在马尔科夫随机场模型不仅可以表示出的图像的随机性，同时又能表示出图像的底层结构，因此道路场景的性质能够被很好的表述；(3)马尔科夫随机场模型，从物理模型出发，同时也直接关系到道路场景图像的数据(灰色值或特征)；(4)Besag对MRF的深入研究，得出吉布斯分布于马尔科夫随机场的关系，使得马尔科夫随机场与能量函数相关在一起；(5)求解马尔科夫随机场描述的不确定性问题，利用统计决策、估计理论、贝叶斯理论，将道路场景的先验知识用先验分布模型表示，使用最大后验估计作为道路场景分割的标准。使得马尔科夫随机场在图像处理领域中，一直以来都保持着相当的热度。

发明内容

基于马尔科夫随机场在图像处理领域中具有较优的表现力，本发明提出一种基于马尔科夫随机场的主动悬架控制方法，利用车辆阵列相机扫描前方路面信息，并利用马尔科夫随机场理论进行图像分割与处理，建立图像特征矩阵，实现路面等级的识别，并利用遗传算法选取当前路面中最为合理的加权系数矩阵Q和加权因子q，从而为主动悬架系统提供最优主动力。

为实现上述目的，本发明采用的技术方案是：一种基于马尔科夫随机场的主动悬架控制方法，其特征在于，包括以下步骤：

步骤一、通过阵列相机用于扫描车辆前方路面；

步骤二、对阵列相机扫描到的道路图像进行马尔科夫随机场图像分割；

步骤三、建立图像特征矩阵，确定当前路面类型和等级；

步骤四、通过遗传算法选取当前路面中最为合理的加权系数矩阵Q和加权因子q，从而为主动悬架系统提供最优主动力。

所述步骤二的具体步骤包括如下：

步骤1：对阵列相机扫描到的图像RGB色彩通道转化为YCbCr色彩通道：

步骤2：计算像素点之间八邻域相似度；

步骤3：根据全局阈值进行预分割，根据自适应阈值判断不同区域是否合并；若满足Diff_1，2≤min(Int₁，Int₂)，则相邻的两块区域可以合并，其中Diff_1，2表示相邻两个区域C₁，C₂的类间差异，Int₁，Int₂分别表示相邻两个区域C₁，C₂的类间差异，min表示求最小值；

步骤4：灰度转换；

步骤5：对预分割图片进行形态学处理：

腐蚀操作：

结构B的中心点在结构A中逐一滑动，保留结构B完全属于结构A的区域的像素点；其中的z表示像素点，⊙代表两结构之间的腐蚀操作；

膨胀操作：

结构B的中心点在结构A中逐一滑动，保留结构B完全属于结构A的区域的像素点；其中

为结构B的滑动，

表示结构B的滑动所覆盖的像素集合，

代表两结构之间的膨胀操作；

6：将预处理后的图像分割为L类，记分割后的图像S尺寸为m*n，用集合表示像素点为S＝{s₁，s₂…s_m*n}，即为观测序列；目标图像W和S具有相同的尺寸，则W＝{w₁，w₂…w_m*n}为要求的标记序列，也为输出序列；W＝{w₁，w₂…w_m*n}中的每一项的值都在[1，L]之间；

将分割问题表述为下式：

求使概率P(W|S)最大的标记序列

即：

由最大后验概率有：

其中P(S|W)为似然函数，P(W)为先验概率，P(S)为规格化因子；

P(S)为常数，得到最终的图像分割准则为：

其中，先验概率P(W)符合马尔科夫随机场定理；

7：马尔科夫随机场符合Gibbs分布，用Gibbs分布的概率密度函数代替P(W)：

其中Z为规范化常数，T为可调节常数；

其中，c为马尔科夫的因子团，C为所有马尔科夫场的因子团的集合，W_C＝{W_s，W_t}表示因子团c＝{s，t}的标记集合，s和t为相邻像素，W_s为像素s的标记，W_t为像素t的标记，V_C{W_C)为势能团的能量，这里选择多级逻辑模式：

其中β为耦合系数，其大小表征相邻像素点的惩罚程度；

8：假设每一类中所有像素点都服从高斯分布，通过以下估计方法计算出每一类标号对应像素的高斯分布的参数：

其中，1≤l≤L，S_l为属于标号1的像素集合，μ_l为集合S_l的样本集合，

为集合S_l的样本方差；

给定W_l＝l，像素S_l的密度函数为：

每一个像素点也都得到了一个相应于的P(S|W)概率，与像素点在步骤7中P(W)部分概率相乘就可以得到像素点被分割到每一类的概率，其中概率最大的一类就是该像素点的最终分割结果；

9：以每一次的分割结果作为下一次迭代的观测值，重复步骤6-8，当前迭代次数为最大迭代次数时终止迭代。

所述控制方法涉及车辆阵列相机(1)，电控单元ECU(2)和算法控制器(3)，所述车辆阵列相机(1)安装在车辆前方，用于采集前方路面的图像信息；所述电控单元ECU(2)安装在车辆驾驶室内，用于对阵列相机扫描到的道路图像进行马尔科夫随机场图像分割，建立图像特征矩阵，确定当前路面类型和等级；所述算法控制器(3)安装于悬架上，通过遗传算法选取当前路面中最为合理的加权系数矩阵Q和加权因子q，从而为主动悬架系统提供最优主动力。

与现有技术相比，本发明具有以下有益效果：本发明利用车辆阵列相机扫描前方经过路面，通过电控单元ECU进行马尔科夫随机场图像处理，并建立特征矩阵，进行路面纹理分类，实现路面等级的识别；通过遗传算法优化最优控制中的加权系数矩阵Q和加权因子q，主动悬架在不同等级路面时均能达到最优的控制效果，且相对于现有技术中利用加速度，位移等传感器等多种识别信号及复杂的算法控制逻辑，本发明更加简单且成本较低。

附图说明

图1为本发明的整车结构示意图；

图2为四分之一车辆主动悬架模型；

图3为本发明方法的流程示意图；

图4为遗传算法的流程示意图；

图中，1-车辆阵列相机；2-电控单元ECU；3-算法控制器；4-作动器。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳的实施例，对依据本发明申请的具体实施方式、结构、特征及其功效，详细说明如下。

如图1所示，所述控制方法涉及车辆阵列相机(1)，电控单元ECU(2)和算法控制器(3)，所述车辆阵列相机(1)安装在车辆前方，用于采集前方路面的图像信息；所述电控单元ECU(2)安装在车辆驾驶室内，用于对阵列相机扫描到的道路图像进行马尔科夫随机场图像分割，建立图像特征矩阵，确定当前路面类型和等级；所述算法控制器(3)安装于悬架上，通过遗传算法选取当前路面中最为合理的加权系数矩阵Q和加权因子q，从而为主动悬架系统提供最优主动力。

如图2所示，构建1/4车辆主动悬架模型m₁、m₂分别代表非簧载质量，簧载质量；x₁、x₂分别代表非簧载质量位移，簧载质量位移；z为路面垂直位移；k₁、k_t分别代表弹簧刚度，轮胎刚度；c_s表示阻尼系数；F代表作动器主动力。

如图3所示，一种基于马尔科夫随机场的主动悬架控制方法，其特征在于，包括以下步骤：

步骤一、通过阵列相机用于扫描车辆前方路面；

步骤二、对阵列相机扫描到的道路图像进行马尔科夫随机场图像分割；

步骤三、建立图像特征矩阵，确定当前路面类型和等级；

步骤四、通过遗传算法选取当前路面中最为合理的加权系数矩阵Q和加权因子q，从而为主动悬架系统提供最优主动力。

所述步骤二的具体步骤包括如下：

步骤1：对阵列相机扫描到的图像RGB色彩通道转化为YCbCr色彩通道，具体过程如下：

其中，Y、Cb、Cr分别表示YCbCr色彩空间中的亮度分量、蓝色分量和红色分量，R、G、B分别表示RGB色彩空间中的红色分量、绿色分量和蓝色分量；

步骤2：计算像素点之间八邻域相似度；

其中Y₁、Y₂分别表示相邻两个像素点的亮度分量，Cb₁、Cb₂分别表示相邻两个像素点的蓝色分量，Cr₁、Cr₂分别表示相邻两个像素点的红色分量。

步骤3：根据全局阈值进行预分割，根据自适应阈值判断不同区域是否合并；若满足下式。则相邻的两块区域可以合并：

Diff_1，2≤min(Int₁，Int₂)

其中Diff_1，2表示相邻两个区域C₁，C₂的类间差异，Int₁，Int₂分别表示相邻两个区域C₁，C₂的类间差异，min表示求最小值：

步骤4：灰度转换；

Gray＝R*0.299+G*0.587+B*0.114

其中Gray为转换后的灰度值；

步骤5：对预分割图片进行形态学处理：

腐蚀操作：

结构B的中心点在结构A中逐一滑动，保留结构B完全属于结构A的区域的像素点；其中的z表示像素点，⊙代表两结构之间的腐蚀操作；

膨胀操作：

结构B的中心点在结构A中逐一滑动，保留结构B完全属于结构A的区域的像素点；其中

为结构B的滑动，

表示结构B的滑动所覆盖的像素集合，

代表两结构之间的膨胀操作；

步骤6：将预处理后的图像分割为L类，记分割后的图像S尺寸为m*n，用集合表示像素点为S＝{s₁，s₂…s_m*n}，即为观测序列；目标图像W和S具有相同的尺寸，则W＝{w₁，w₂…w_m*n}为要求的标记序列，也为输出序列；W＝{w₁，w₂…w_m*n}中的每一项的值都在[1，L]之间；

将分割问题表述为下式：

求使概率P(W|S)最大的标记序列

即：

由最大后验概率有：

其中P(S|W)为似然函数，P(W)为先验概率，P(S)为规格化因子；

P(S)为常数，得到最终的图像分割准则为：

其中，先验概率P(W)符合马尔科夫随机场定理；

步骤7：马尔科夫随机场符合Gibbs分布，用Gibbs分布的概率密度函数代替P(W)：

其中Z为规范化常数，T为可调节常数；

其中，c为马尔科夫的因子团，C为所有马尔科夫场的因子团的集合，W_C＝{W_s，W_t}表示因子团c＝{s，t}的标记集合，s和t为相邻像素，W_s为像素s的标记，W_t为像素t的标记，V_C(W_C)为势能团的能量，这里选择多级逻辑模式：

其中β为耦合系数，其大小表征相邻像素点的惩罚程度；

步骤8：在图像像素点类标号给定的情况下，可以近似的认为像素点取值是相互独立的，因此假设每一类中所有像素点都服从高斯分布，根据每一类中的所有像素点建立一个高斯密度函数，可以根据像素值来判断该像素点属于这一类的概率。通过以下估计方法计算出每一类标号对应像素的高斯分布的参数(均值和方差)：

其中，1≤l≤L，S_l为属于标号1的像素集合，μ_l为集合S_l的样本集合，

为集合S_l的样本方差；

给定W_l＝l，像素S_l的密度函数为：

每一个像素点也都得到了一个相应于的P(S|W)概率，与像素点在步骤7中P(W)部分概率相乘就可以得到像素点被分割到每一类的概率，其中概率最大的一类就是该像素点的最终分割结果；

步骤9：以每一次的分割结果作为下一次迭代的观测值，重复步骤6-8，当前迭代次数为最大迭代次数时终止迭代。在实际计算时可以对图像分割准则公式进行取对数处理，将概率相乘运算改为相加，这样也符合马尔科夫随机场中最优化能量函数的理念。

进一步地，利用马尔科夫随机场分割后的图像信号建立路面类型分类任务中的纹理特征矩阵，具体过程如下：

假定一幅矩形图像I的分辨率为x·y，即N_x行、N_y列，每个像元表现出的灰度量化为N_g个等级。

L_x＝{1，2，…，N_x}

L_y＝{1，2，…，N_y}

G_x＝{0，1，…，N_g-1}

L_x·L_y是由其行列名称排名决定的像元集合。那么图像I可认为是在每个像元或坐标下的一个包含了一些灰度等级的函数，即L_x·L_y，I：L_y·L_x→G。

本发明使用了20个特征值来描述纹理特征。令p(i，j)为归一化灰度共生矩阵中第i行、第j列的第一个元素。矩阵的行和列的平均值和标准值为：

通过计算自相关性：

对比度：

相关性：

聚类图7：

聚类图8：

相似性：

能量：

熵：

同质性：

最大概率：

平方和、方差：

平均和：

变异数和：

熵和：

变异数差：

f₁₅＝Variance of p_x-y

熵差：

相关性的信息测量：

f₁₈＝(1-exp[-2.0(HXY2-HXY)])^1/2

逆方差标准化：

反差分矩阵标准化：

等特征值，将上述纹理特征值集合起来，就形成了所需要的路面类型信息的特征矩阵，公式如下：

矩阵F_im中农每一列代表的是每个图像的特征矩阵向量，即在该矩阵中，列表示的是一幅图像的全部纹理特征，行代表的是从全部图像中提取的特定纹理特征。根据纹理特征确定路面类型，进行路面等级的区分。

进一步地：利用遗传算法优化不同路面等级下LQG控制中的加权矩阵Q和加权因子q，从而为悬架提供最优主动力。具体操作过程如下：

遗传算法适应度函数如下：

x＝(q₁，q₂，q₃)，0.1＜x_i＜10⁶，i＝1，2，3

其中，BA、SWS、DTD分别代表车身垂向加速度、悬架动行程和轮胎动位移的均方根值；BA_pas、SWS_pas、DTD_pas代表被动悬架的响应性能，优化变量X为加权系数q₁，q₂，q₃。

如图4所示，优化过程如下：

(1)遗传算法产生初始种群；

(2)将种群中的每个个体依次赋值给LQG控制器中的加权系数q₁，q₂，q₃；

(3)求得种群中各个体的适应度函数值，判断是否满足遗传算法的终止条件，若满足，则退出遗传算法，并得到最优个体；

(4)若不满足，则遗传算法进行选择、保留精英、交叉、变异，产生新的种群，并转至步骤(2)。

将寻优得到的q₁，q₂，q₃输入LQG控制器中。

式中：q₁为簧载质量加速度加权系数；q₂为悬架动挠度加权系数；q₃为轮胎动载荷加权系数；r为最优主动力加权系数。

可以将上述指标表示为矩阵形式：

式中：Q为状态变量的半正定对称加权矩阵；R为控制变量的正定对称加权矩阵；N为两种变量关联性的加权矩阵；F为最优控制力。并且有：Q＝C^TqC，N＝C^TqD，R＝r+D^TqD。

最优控制力F由下式确定：

F＝-KX＝-(B^TP+N^T)X

式中：P为对称正定解。

PA+A^TP-(PB+N)R^-1(B^TP+N^T)+Q＝0

将计算得到的主动力输入悬架模型中，实现悬架的主动控制。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于马尔科夫随机场的主动悬架控制方法，其特征在于，包括以下步骤：

步骤一、通过车前阵列相机对扫描车辆前方路面；

步骤二、对扫描到的道路图像进行马尔科夫随机场图像分割；

步骤三、建立图像特征矩阵，确定当前路面类型和等级；

步骤四、通过遗传算法选取当前路面中最为合理的加权系数矩阵Q和加权因子q，从而为主动悬架系统提供最优主动力。

2.根据权利要求1所述的一种基于马尔科夫随机场的主动悬架控制方法，其特征在于，所述步骤二的具体步骤包括如下：

步骤1：对阵列相机扫描到的图像RGB色彩通道转化为YCbCr色彩通道：

步骤2：计算像素点之间八邻域相似度；

步骤3：根据全局阈值进行预分割，根据自适应阈值判断不同区域是否合并；若满足Diff_1，2≤min(Int₁，Int₂)，则相邻的两块区域可以合并，其中Diff_1，2表示相邻两个区域C₁，C₂的类间差异，Int₁，Int₂分别表示相邻两个区域C₁，C₂的类间差异，min表示求最小值；

步骤4：灰度转换；

步骤5：对预分割图片进行形态学处理：

腐蚀操作：

结构B的中心点在结构A中逐一滑动，保留结构B完全属于结构A的区域的像素点；其中的z表示像素点，⊙代表两结构之间的腐蚀操作；

膨胀操作：

结构B的中心点在结构A中逐一滑动，保留结构B完全属于结构A的区域的像素点；其中

为结构B的滑动，

表示结构B的滑动所覆盖的像素集合，

代表两结构之间的膨胀操作；

步骤6：将预处理后的图像分割为L类，记分割后的图像S尺寸为m*n，用集合表示像素点为S＝{s₁，s₂…s_m*n}，即为观测序列；目标图像W和S具有相同的尺寸，则W＝{w₁，w₂…w_m*n}为要求的标记序列，也为输出序列；W＝{w₁，w₂…w_w*n}中的每一项的值都在[1，L]之间；

将分割问题表述为下式：

求使概率P(W|S)最大的标记序列

即：

由最大后验概率有：

其中P(S|W)为似然函数，P(W)为先验概率，P(S)为规格化因子；

P(S)为常数，得到最终的图像分割准则为：

其中，先验概率P(W)符合马尔科夫随机场定理；

步骤7：马尔科夫随机场符合Gibbs分布，用Gibbs分布的概率密度函数代替P(W)：

其中Z为规范化常数，T为可调节常数；

其中，c为马尔科夫的因子团，C为所有马尔科夫场的因子团的集合，W_C＝{W_s，W_t}表示因子团c＝{s，t}的标记集合，s和t为相邻像素，W_s为像素s的标记，W_t为像素t的标记，V_C(W_C)为势能团的能量，这里选择多级逻辑模式：

其中β为耦合系数，其大小表征相邻像素点的惩罚程度；

步骤8：假设每一类中所有像素点都服从高斯分布，通过以下估计方法计算出每一类标号对应像素的高斯分布的参数：

其中，1≤l≤L，S_l为属于标号l的像素集合，μ_l为集合S_l的样本集合，

为集合S_l的样本方差；

给定W_l＝l，像素S_l的密度函数为：

每一个像素点也都得到了一个相应于的P(S|W)概率，与像素点在步骤7中P(W)部分概率相乘就可以得到像素点被分割到每一类的概率，其中概率最大的一类就是该像素点的最终分割结果；

步骤9：以每一次的分割结果作为下一次迭代的观测值，重复步骤6-8，当前迭代次数为最大迭代次数时终止迭代。

3.根据权利要求1所述的一种基于马尔科夫随机场的主动悬架控制方法，其特征在于，所述控制方法涉及车辆阵列相机(1)，电控单元ECU(2)和算法控制器(3)，所述车辆阵列相机(1)安装在车辆前方，用于采集前方路面的图像信息；所述电控单元ECU(2)安装在车辆驾驶室内，用于对阵列相机扫描到的道路图像进行马尔科夫随机场图像分割，建立图像特征矩阵，确定当前路面类型和等级；所述算法控制器(3)安装于悬架上，通过遗传算法选取当前路面中最为合理的加权系数矩阵Q和加权因子q，从而为主动悬架系统提供最优主动力。

Images