CN113135191A

CN113135191A - 一种基于路面分类与机器学习的履带车辆滑移率估计方法

Info

Publication number: CN113135191A
Application number: CN202110549220.XA
Authority: CN
Inventors: 刘海鸥; 刘佳; 唐泽月; 毛飞鸿
Original assignee: Beijing Institute of Technology BIT
Current assignee: Beijing Institute of Technology BIT
Priority date: 2021-05-20
Filing date: 2021-05-20
Publication date: 2021-07-20
Anticipated expiration: 2041-05-20
Also published as: CN113135191B

Abstract

本发明涉及一种基于路面分类与机器学习的履带车辆滑移率估计方法，属于滑移率估计技术领域。本发明基于路面分类与分段支持向量回归，使用履带式平台采集大量数据，建立路面分类模型，建立滑移率离散估计模型，建立滑移率回归模型，将履带式平台采集的驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度作为滑移率离散估计模型和滑移率回归模型的输入特征，最终得出履带车辆滑移率的估计值。本发明适用于履带车辆，通过路面分类模型对路面类型准确分辨，消除路面类型对滑移率估计的影响，进一步通过滑移率离散估计模型以及滑移率回归模型快速、准确地得出滑移率估计值；本发明的方法能够应用于履带车辆模型修正、牵引力控制。

Description

一种基于路面分类与机器学习的履带车辆滑移率估计方法

技术领域

本发明专利涉及一种基于路面分类与机器学习的履带车辆滑移率估计方法，尤其涉及一种基于路面分类与分段支持向量回归的履带车辆滑移率估计方法，属于车辆滑移率估计领域。

背景技术

相比于轮式车辆，履带车辆具有更强的转向能力与通过性，使其在军事领域和民用领域都发挥着重要的作用。在履带车辆行驶过程中，履带要作复合运动：它一方面要随同车体一起做相对地面的直线运动，这种运动速度叫牵连速度，以v_q表示，另一方面，履带又要做相对于车体的旋转运动，这种运动速度叫做相对速度，以v_x表示，滑移率σ＝(v_x-v_q)/v_x表示两个速度的差异性。

准确地测量或估计滑移率对于履带车辆至关重要：首先，滑移率是履带车辆运动学模型和动力学模型中的重要参数，它对于车辆行驶时的车速、转向半径、转向角速度有着重要影响；其次，牵引力与滑移率、土壤性质息息相关，准确地估计滑移率对履带车辆的牵引力控制和运动稳定性具有重要意义。

在车辆滑移率估计领域，目前的方法包括通过轮速与车速直接估计方法、基于模型的方法与基于机器学习的方法。

直接估计方法中的轮速一般通过编码器测得，车速可以通过非驱动轮速、视觉里程计、GPS传感器、惯性测量单元测得，但是这些传感器测速都存在一些局限性：非驱动轮速不适用于履带车辆；视觉里程计数据量大，受光照影响大，在特征少的环境中不适用；全球卫星定位系统在不开阔的环境中误差大；惯性测量单元存在累计误差。

基于模型的方法主要有两种：第一种是通过卡尔曼滤波、滑模观测器等观测器，结合车辆模型估计车速与滑移率；第二种是通过分析地面力学模型估计滑动相关参数，此类方法的局限性在于模型通常是真实世界的简化表示，并存在很多不确定参数。

在Gonzalez等人公开的文献(Slippage and immobilization detection forplanetary exploration rovers via machine learning and proprioceptive sensing)中，介绍一种针对行星探测车的滑移率估计方法，该方法利用机器学习分类来检测不同程度的滑移。这种方法利用车辆状态值与滑移率的相关性，建立从输入到滑移率的映射关系，仅使用惯性传感器、转矩传感器等本体感知传感器，并且从大量数据学习得到模型，无需大量不确定参数，是很有前景的一种方法。但是该方法目前还无法应用于履带车辆，原因有以下几点：首先，它仅考虑低速和直行的情况，未考虑高速和转弯的工况；其次，它仅估计单轮滑移，未考虑多个车轮滑移的差异性；最后，它目前仅针对轮式车辆，是否适用于履带车还有待考察。另外，它未考虑道路类型对滑移率的影响，在车辆状态相同时，不同道路类型会产生不同程度的滑移，因此在滑移率估计时考虑道路类型的影响是很有必要的，除此之外，目前基于机器学习的滑移率估计方法精度较低。

发明内容

本发明的目的在于提供一种基于路面分类与机器学习的履带车辆滑移率估计方法，应用于履带车辆，基于图像对路面类型进行识别，针对不同道路类型分别建立滑移率估计模型，通过分段支持向量回归的机器学习方法，高精度的对履带车辆滑移率进行估计。

本发明的目的是通过下述技术方案实现的：

一种基于路面分类与机器学习的履带车辆滑移率估计方法，包括以下步骤：

步骤一，使用履带式数据采集平台采集数据，采集的数据包括：前方路面图像，车辆行驶状态数据，以及直行、转弯的行驶工况数据；

步骤二，基于卷积神经网络与迁移学习，建立并训练路面类型识别模型，路面类型识别模型的输入为前方路面图像，路面类型识别模型的输出为图像所属的道路类型及其置信度；

步骤三，针对不同的路面类型，基于支持向量分类分别建立并训练两侧履带的滑移率离散估计模型，滑移率离散估计模型的输入特征包括两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度；

步骤四，针对不同的滑移率区间，基于支持向量回归分别建立并训练两侧履带的滑移率回归模型，滑移率回归模型的输入特征包括两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度；

步骤五，在测试集上评估路面类型识别模型、滑移率离散估计模型与滑移率回归模型的精度。

有益效果：

1、本发明的一种基于路面分类与机器学习的履带车辆滑移率估计方法，考虑路面类型对车辆滑移程度产生重要影响，基于卷积神经网络对道路类型进行识别，针对不同路面类型分别建立滑移率估计模型，滑移率估计准确度高；

2、本发明的一种基于路面分类与机器学习的履带车辆滑移率估计方法，采用支持向量分类对滑移率进行离散估计，采用支持向量回归进行滑移率回归，回归前的分类有利于降低回归的整体误差；

3、本发明的一种基于路面分类与机器学习的履带车辆滑移率估计方法，滑移率估计模型训练时使用的训练集数据量大，车速范围广，滑移率估计模型的输入特征包括横向加速度以及横摆角速度的转弯相关参数，适用于低速、高速、直行、转弯的多种工况，适用范围广；

4、本发明的一种基于路面分类与机器学习的履带车辆滑移率估计方法，考虑两侧履带滑移率的差异性，分别训练两侧履带滑移率估计模型，能够同时对两侧履带的滑移率进行估计；

5、本发明的一种基于路面分类与机器学习的履带车辆滑移率估计方法，在进行路面类型识别时采用迁移学习，在进行路面类型识别模型的训练时，仅需更新少量参数，大大降低卷积神经网络训练成本。

附图说明

图1是本发明的一种基于路面分类与机器学习的履带车辆滑移率估计方法的总体流程的示意图；

图2是本发明的一种基于路面分类与机器学习的履带车辆滑移率估计方法的履带式数据采集平台；

图3是预处理后的路面类型图像示意图；

图4是本发明的一种基于路面分类与机器学习的履带车辆滑移率估计方法的路面类型识别卷积神经网络结构的示意图；

图5是训练时路面类型识别模型在训练集上的损失及准确率变化的示意图；

图6是起伏土路场景下左侧履带的滑移率聚类结果的示意图；

图7是几个典型样本的路面类型识别结果示意图；

图8是起伏土路左侧履带的滑移率离散估计模型的分类混淆矩阵示意图；

图9是使用不同特征时滑移率离散估计模型的准确率对比图；

图10是分段支持向量回归与不分段支持向量回归的精度对比图；

图11是一段铺面路左侧履带的滑移率回归结果示意图。

具体实施方式

为了更好地说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。

实施例1：

一种基于路面分类与机器学习的履带车辆滑移率估计方法，总体流程如图1所示，包括如下步骤：

步骤一，使用履带式数据采集平台采集大量数据：

履带式数据采集平台如图2所示，该平台装有相机、惯性传感器、差分GPS传感器，并具有双侧独立电驱动功能；

采集的数据包括来自相机的前方路面图像数据、来自惯性传感器的车辆线加速度与角速度数据、来自惯性传感器与差分GPS传感器组合导航得到的车辆速度数据与来自驱动电机的车辆驱动轮转速、转矩数据，相机的数据采集频率为10Hz，其余数据的采集频率为50Hz；

数据采集场景包括铺面路与起伏土路两种，两种道路上都包括直道和曲率不同的多段弯道，数据采集时的行驶工况为匀速行驶，速度分别为5km/h、10km/h、15km/h；

步骤二，基于卷积神经网络与迁移学习建立并训练路面类型识别模型：

对采集到的路面图像数据进行预处理，包括：图像筛选、数据增强、图像尺寸变换；图像筛选的目的是去除无效数据；数据增强包括图像翻转、随机旋转以及调整亮度，数据增强的目的是提高路面类型识别模型的泛化能力；图像尺寸变换就是将图像尺寸调整为224×224×3，图像尺寸变换的目的是满足卷积神经网络的输入要求；

经过预处理后的图像如图3所示，包括10000张起伏土路图像与10000张铺面路图像，将图像数据按照3：1的比例划分为训练集与测试集，其中训练集用于训练路面类型识别模型，测试集用于评估路面类型识别模型的性能；

基于大型图像数据集ImageNet上预训练过的MobileNetV2卷积神经网络构建路面类型识别模型，如图4所示，路面类型识别模型的一个网络块包括卷积+Relu层、深度可分离卷积+Relu层、卷积层、相加层、全局池化层、全连接层、softmax层以及输出层，路面类型识别模型的输出为道路类型及置信度；

对路面类型识别模型进行训练：由于路面类型识别模型的基础卷积神经网络具备图像分类能力，仅训练度可分离卷积+Relu层、卷积层、相加层、全局池化层、全连接层、softmax层以及输出层，其余层的参数冻结；

进一步的，为了减少内存占用，采用mini-batch梯度下降法，batch的尺寸为300，将最大训练次数设置为300；

路面类型识别模型在训练集上的损失和准确率变化如图5所示，经过50次左右的迭代，达到收敛；

步骤三，针对不同的路面类型，基于支持向量分类分别建立并训练两侧履带的滑移率离散估计模型：

对采集到的车辆状态数据进行预处理，包括：去除无效数据、低通滤波以及时间同步；

预处理后，车辆状态数据中包括2678s的铺面路场景数据与3382s起伏土路场景数据；

在滑移率离散估计模型训练之前，首先使用高斯混合聚类对两种数据集中的滑移率进行一维聚类，得到滑移率分类的边界值，便于对滑移率进行分类标注，进行滑移率离散估计模型的训练；

实施例中一维聚类的分类数目为3类，起伏土路场景下左侧履带的滑移率聚类结果如图6所示，当滑移率小于-3.7％时，属于第一类的概率是最高的，当滑移率大于1.7％时，属于第三类的概率是最高的，当滑移率处于两者之间时，属于第二类的概率是最高的；

通过同样的一维聚类方法，分别得到起伏土路右侧履带以及铺面路两侧履带的滑移率分类边界值；

将起伏土路以及铺面路的滑移率分类数据分别随机按照4:1的比例分为训练集和测试集；

针对训练集的处理，首先是通过驱动轮速、车辆横摆角速度、惯性传感器与差分GPS传感器组合导航得到的车速得出滑移率真值，再进行数据标注，即根据聚类得到的滑移率分类边界值与每组数据的滑移率真值为数据打上滑移率真值的类别标签；

滑移率离散估计模型的训练，是将滑移率真值的类别标签以及对应的车辆特征，包括两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度，都输入到模型中，训练得到输入特征，包括两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度这些参数，到输出滑移率估计类别的关系；

进一步的，在滑移率离散估计模型中使用高斯核，以实现非线性分类，更进一步的，允许滑移率离散估计模型在少部分样本上出错，以防止过拟合，但要对出错样本施加惩罚；

实施例中，使用随机搜索得到滑移率离散估计模型的两个超参数值，即高斯核带宽与惩罚因子，搜索结果为高斯核带宽为10，惩罚因子为1000；

使用起伏土路训练集分别训练起伏土路场景下左右两侧的滑移率离散估计模型，使用铺面路训练集分别训练铺面路场景下左右两侧的滑移率离散估计模型；

步骤四，针对不同的滑移率区间，基于支持向量回归分别建立并训练两侧履带的滑移率回归模型：

根据滑移率聚类得到的分类边界值，分别对起伏土路与铺面路数据集进行划分，共得到左侧履带6个区间的数据集以及右侧履带6个区间的数据集，对每个区间的数据集，分别随机按照4:1的比例分为训练集和测试集；

滑移率回归模型的训练，是将步骤三中的滑移率真值和对应的车辆特征，包括两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度，都输入到模型中，训练得到输入特征，包括两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度这些参数，到输出滑移率值的关系；

进一步的，在支持向量回归模型中使用高斯核，以实现非线性回归，更进一步的，滑移率回归模型容忍真值与估计值之间有一个小偏差，以防止过拟合；

实施例中，滑移率回归模型容忍真值与估计值的偏差设为0.1％，当估计值与真值的差别绝对值大于0.1％时才考虑损失；

实施例中，使用随机搜索得到滑移率回归模型超参数的最优值，搜索结果为高斯核带宽为100，惩罚因子为0.1；

使用对应的训练集训练对应的滑移率回归模型，共得到12个滑移率回归模型，包括起伏土路左侧履带三个区间的滑移率回归模型、右侧履带三个区间的滑移率回归模型以及铺面路左侧履带三个区间的滑移率回归模型、右侧履带三个区间的滑移率回归模型；

步骤五，在测试集上评估路面类型识别模型、滑移率离散估计模型与滑移率回归模型的精度：

在路面图像测试集上评估路面类型识别模型的精度，路面类型识别模型在测试集上的精度达到96.2％，选取几个典型样本输入路面类型识别模型进行识别，识别结果如图7所示，路面类型识别模型能够在多种场景、多种亮度下准确识别道路类型；

分别在对应的滑移率离散估计测试集上评估起伏土路左、右两侧履带以及铺面路左、右两侧履带的滑移率离散估计模型的精度；

评估结果如图8所示，以图8所示的测试集中起伏土路左侧履带的滑移率离散估计模型的分类混淆矩阵为例，横坐标即为估计得到的标签类别，纵坐标为通过驱动轮速、车辆横摆角速度、惯性传感器以及差分GPS传感器组合导航所得车速进而得出滑移率真值后所标注的真值类别，滑移率离散估计模型仅利用两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度就能估计出滑移率的类别，即滑移率位于三类区间中的哪一类；

如图8所示，滑移率离散估计模型对滑移率类别的估计与实际的滑移率类别基本吻合，滑移率真值位于第一类中，滑移率离散估计模型估计出的滑移率也位于第一类的概率为99.07％，误估计为第二类的概率为0.35％，误估计为第三类的概率为0，滑移率真值位于第二类中，滑移率离散估计模型估计出的滑移率也位于第二类的概率为98.86％，误估计为第一类的概率为0.93％，误估计为第三类的概率为1.04％，滑移率真值位于第三类中，滑移率离散估计模型估计出的滑移率也位于第三类的概率为98.96％，误估计为第一类的概率为0，误估计为第一类的概率为1.04％，滑移率离散估计模型对于三类的分类准确率均在98％以上，性能优越；

使用不同特征时，滑移率离散估计模型在两种路面和两侧履带下的准确率对比如图9所示，无论是哪一种路面、哪一侧履带都是使用全部特征，即包括驱动电机特征以及惯性传感器特征时，滑移率离散估计模型的准确率最高，因此，选择两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度这些特征是合理有效的；

通过真值与估计值的均方根，分别在对应的滑移率回归测试集上评估滑移率回归模型的精度，有分类与无分类时的均方根误差对比如图10所示，回归前先利用滑移率离散估计模型进行滑移率估计分类，有效降低回归误差；

本实施例还在不使用GPS信号的情况下，仅利用两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度，准确估计出滑移率，如图11所示，一段铺面路左侧履带的滑移率估计结果，本发明能够进一步应用于对车辆的牵引力控制等。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于路面分类与机器学习的履带车辆滑移率估计方法，其特征在于：应用于履带车辆，基于图像对路面类型进行识别，针对不同道路类型分别建立滑移率估计模型，通过分段支持向量回归的机器学习方法，高精度的对履带车辆滑移率进行估计。

2.如权利要求1所述的一种基于路面分类与机器学习的履带车辆滑移率估计方法，其特征在于：包括如下步骤：

步骤一、使用履带式数据采集平台采集大量数据，包括前方路面图像与车辆状态数据，采集时的平台行驶工况包括直行、转弯工况；

步骤二、建立并训练路面类型识别模型；

步骤三、针对不同的路面类型，分别建立并训练两侧履带的滑移率离散估计模型；

步骤四、针对不同的滑移率区间，分别建立并训练两侧履带的滑移率回归模型；

步骤五、在测试集上评估路面类型识别模型、滑移率离散估计模型以及滑移率回归模型的精度。

3.如权利要求2所述的一种基于路面分类与机器学习的履带车辆滑移率估计方法，其特征在于：步骤二所述的路面类型识别模型基于卷积神经网络和迁移学习建立，输入为前方路面图像，输出为图像所属的道路类型及其置信度。

4.如权利要求2所述的一种基于路面分类与机器学习的履带车辆滑移率估计方法，其特征在于：步骤三所述的滑移率离散估计模型基于支持向量分类建立。

5.如权利要求2所述的一种基于路面分类与机器学习的履带车辆滑移率估计方法，其特征在于：步骤四所述的滑移率回归模型基于支持向量回归建立。

6.如权利要求2所述的一种基于路面分类与机器学习的履带车辆滑移率估计方法，其特征在于：步骤三所述的滑移率离散估计模型和步骤四所述的滑移率回归模型的输入特征都包括两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度。