基于车辆动力学响应特征的越野地面分类方法

doi:10.19562/j.chinasae.qcgc.2022.06.013

摘要/Abstract

摘要：

利用车辆动力学响应进行地面分类是越野智能汽车的关键技术之一。本文中提出了结合地面不平整度特征和力学特征进行越野地面分类的方法，对沙地、土路、水泥路和雪地进行分类。本方法中选取等效地面轮廓和车身垂向加速度作为地面不平整度特征，选取行驶阻力和轮速波动作为力学特征，设计了基于LSTM模型的越野地面分类器，对自行采集的车辆越野行驶数据集进行训练与测试，结果表明，分类正确率达到95.5%；最后，使用HMM模型实现了分类后处理，解决了分类结果在连续数据上跳变的问题，使该算法在连续越野数据上的地面分类正确率从88.44%提高到90.13%。

关键词: 越野地面, 地面分类, 分类后处理, 车辆响应, 机器学习

Abstract:

Terrain classification based on vehicle dynamic response is one of the key technologies of off-road intelligent vehicles. In this paper， a method of off-road terrain classification， combining the terrain roughness features and mechanical characteristics， is proposed， with the sand， dirt， cement and snow roads classified. In this method， the equivalent terrain profile and the vertical acceleration of vehicle body are selected as the characteristics of terrain roughness， with the driving resistance and wheel speed fluctuation as the mechanical characteristics， the cross-country road classifier is designed based on LSTM model， and the training and testing are conducted on the cross-country driving dataset of vehicle. The results show that the correct rate of terrain classification reaches 95.5%. Finally， the post-processing of classification is fulfilled by using HMM model to solve the issue of the abrupt change of continuous data， enabling the correct rate of the algorithm in terrain classification with off-road continuous data rises from 88.44% to 90.13%.

Key words: off-road terrain, terrain classification, classification post-processing, vehicle response, machine learning

赵健,李雅欣,佟静,朱冰,武维祥,孙博华,韩嘉懿. 基于车辆动力学响应特征的越野地面分类方法[J]. 汽车工程, 2022, 44(6): 909-918.

Jian Zhao,Yaxin Li,Jing Tong,Bing Zhu,Weixiang Wu,Bohua Sun,Jiayi Han. Cross-Country Road Classification Method Based on Vehicle Dynamic Response Characteristics[J]. Automotive Engineering, 2022, 44(6): 909-918.

图/表 14

图1

图2

图3

图4

图5

图6

表1

表2

图7

表3

表4

表5

表6

图8

参考文献 26

1	程庐山. 基于深度学习的路面状态图像识别技术研究［D］.上海：上海工程技术大学，2020.
	CHENG L. Road surface condition classification using deep learning［D］. Shanghai： Shanghai University of Engineering Science，2020.
2	刘汉儒. 基于激光雷达的智能汽车前方不平路面识别方法［D］.哈尔滨：哈尔滨工业大学，2019.
	LIU H. Lidar based recognition of uneven road surface in front of intelligent vehicle［D］. Harbin：Harbin Institute of Technology，2019.
3	VALADA A， BURGARD W. Deep spatiotemporal models for robust proprioceptive terrain classification［J］. The International Journal of Robotics Research， 2017， 36（13-14）： 1521-1539.
4	脱王捷. 主动安全相关的路面状况识别方法研究［D］.重庆：重庆理工大学，2020.
	TUO W. Recognition method of road condition for active safety system［D］. Chongqing： Chongqing University of Technology，2020.
5	OTSU K， ONO M， FUCHS T J， et al. Autonomous terrain classification with co-and self-training approach［J］. IEEE Robotics and Automation Letters， 2016， 1（2）： 814-819.
6	PADARTHY M， HEYNS E. Identification and classification of slippery winter road conditions using commonly available vehicle variables［J］. Transportation Research Record， 2019， 2673（2）： 60-70.
7	KHALEGHIAN S， TAHERI S. Terrain classification using intelligent tire［J］. Journal of Terramechanics， 2017， 71： 15-24.
8	武维祥. 基于SUV行驶特征的软路面识别算法研究［D］.长春：吉林大学，2019.
	WU W. Research on soft terrain identification algorithm based on the driving characteristics of SUV［D］. Changchun：Jilin University，2019.
9	GORGES C， ÖZTÜRK K， LIEBICH R. Road classification for two-wheeled vehicles［J］. Vehicle System Dynamics， 2018， 56（8）： 1289-1314.
10	王岩，梁冠群，危银涛.基于支持向量机的智能轮胎路面辨识算法［J］.汽车工程，2020，42（12）：1671-1678.
	WANG Y， LIANG G， WEI Y. Road identification algorithm of intelligent tire based on support vector machine［J］. Automotive Engineering， 2020， 42（12）： 1671-1678.
11	单添垚. 基于多源信息融合的不平路类型识别策略研究［D］.长春：吉林大学，2018.
	SHAN T. Research on the type of rough road identification strategy based on the multi-information fusion［D］. Changchun：Jilin University， 2018.
12	MASINO J， THUMM J， LEVASSEUR G， et al. Characterization of road condition with data mining based on measured kinematic vehicle parameters［J］. Journal of Advanced Transportation， 2018， 2018.
13	李力. 智能汽车的路面类型认知［D］.长春：吉林大学，2019.
	LI L. Road type cognition of intelligent vehicle［D］. Changchun：Jilin University， 2019.
14	YANG F， LIN G， ZHANG W. Terrain classification for terrain parameter estimation based on a dynamic testing system［J］. Sensor Review， 2015.
15	梁冠群，赵通，王岩，等.基于LSTM网络的路面不平度辨识方法［J］.汽车工程，2021，43（4）：509-517.
	LIANG G， ZHAO T， WANG Y， et al. Road unevenness identification based on LSTM network［J］. Automotive Engineering， 2021， 43（4）： 509-517.
16	LI Z， YU W， CUI X. Online classification of road roughness conditions with vehicle unsprung mass acceleration by sliding time window［J］. Shock and Vibration， 2018， 2018.
17	WARD C C， IAGNEMMA K. Speed-independent vibration-based terrain classification for passenger vehicles［J］. Vehicle System Dynamics， 2009， 47（9）： 1095-1113.
18	WANG S， KODAGODA S， SHI L， et al. Road-terrain classification for land vehicles： employing an acceleration-based approach［J］. IEEE Vehicular Technology Magazine， 2017， 12（3）： 34-41.
19	QIN Y， WANG Z， XIANG C， et al. Speed independent road classification strategy based on vehicle response： theory and experimental validation［J］. Mechanical Systems and Signal Processing， 2019， 117： 653-666.
20	庄继德. 地面车辆系统分析与设计［M］. 北京：机械工业出版社， 1989.
	ZHUANG J. Analysis and design of terrain vehicle［M］. Beijing：China Machine Press， 1989.
21	赵丰. 基于路面感知的车辆智能悬架控制策略研究［D］. 北京：北京理工大学， 2016.
	ZHAO F. Control strategy of intelligent vehicle suspension system based on the perception of the road ［D］. Beijing：Beijing Institute of Technology， 2016.
22	余志生.汽车理论［M］.北京：机械工业出版社，2009.
	YU Z. Automobile theory［M］. Beijing：China Machine Press， 2009.
23	ANZAI Y. Pattern recognition and machine learning［M］. Elsevier， 2012.
24	GOODFELLOW I， BENGIO Y， COURVILLE A. Deep learning［M］. MIT Press， 2016.
25	ZHU B， HAN J， ZHAO J， et al. Combined hierarchical learning framework for personalized automatic lane-changing［J］. IEEE Transactions on Intelligent Transportation Systems， 2020.
26	NORVIG P. Artificial intelligence： a modern approach ［M］. 3版.北京：人民邮电出版社， 2010.
	NORVIG P. Artificial intelligence： a modern approach ［M］. 3rd ed.Beijing：Posts and Telecom Press， 2010.

类别	100	70	60	55	50	30
沙地	96.7%	96.8%	97.5%	97.6%	97.2%	96.8%
土路	99.2%	98.8%	99.4%	99.9%	99.2%	94.9%
水泥	83.3%	82.8%	90.6%	86.1%	92.1%	88.7%
雪地	89.8%	86.9%	88.4%	87.3%	90.4%	87.8%
总体	94.1%	93.4%	95.1%	94.5%	95.5%	93.5%

分类特征	不平整度	力学特征	不平整度与力学
沙地	96.6%	87.3%	97.2%
土路	99.5%	67.3%	99.2%
水泥	80.8%	86.0%	92.1%
雪地	94.6%	75.3%	90.4%
总计	92.7%	80.4%	95.5%

参数设置	沙地	土路	水泥	雪地	总体
Q=2，N=10	66.5%	95.7%	64.4%	76.1%	74.4%
Q=4，N=10	73.0%	98.4%	56.4%	80.1%	77.8%
Q=6，N=10	78.2%	97.4%	72.6%	74.3%	75.8%
Q=8，N=5	80.4%	96.9%	87.4%	75.9%	83.8%
Q=8，N=8	80.3%	98.0%	80.3%	76.5%	83.2%
Q=8，N=9	81.4%	97.1%	80.8%	78.9%	84.1%
Q=8，N=10	82.2%	97.5%	87.1%	74.0%	84.3%
Q=8，N=12	81.3%	97.3%	82.0%	77.6%	83.9%
Q=8，N=15	82.8%	97.9%	82.2%	75.2%	84.0%
Q=8，N=20	78.6%	97.5%	85.7%	76.1%	82.9%
Q=10，N=10	82.3%	97.1%	88.2%	75.6%	84.7%
Q=12，N=10	87.5%	96.6%	93.2%	73.6%	87.1%
Q=15，N=10	89.1%	96.0%	94.3%	75.0%	88.2%
Q=20，N=10	91.1%	95.1%	94.8%	75.9%	89.2%
Q=25，N=10	93.9%	94.9%	96.7%	73.1%	90.0%
Q=28，N=10	0.00%	98.8%	0.00%	94.3%	41.0%

正确率	沙地	土路	水泥	雪地	总体
后处理前/%	100	100	77.18	93.67	88.44
后处理后/%	100	100	79.67	96.29	90.13
提升/百分点	0	0	2.49	2.62	1.69

[1]	陈吉清,李子涵,兰凤崇,蒋心平,潘威,陈继开. 基于非线性降维IC特征的实车电池SOH估计[J]. 汽车工程, 2023, 45(2): 199-208.
[2]	崔格格,吕超,李景行,张哲雨,熊光明,龚建伟. 数据驱动的智能车个性化场景风险图构建[J]. 汽车工程, 2023, 45(2): 231-242.
[3]	姜俊昭,杨文豪,彭彬,郭婷,徐业凯,王国卓. 基于能耗加权策略的燃料电池汽车续驶里程预测[J]. 汽车工程, 2023, 45(12): 2357-2365.
[4]	何智成,谢泽军,刘侃,周恩临,唐谦,黄元毅. 纯电动汽车传动系统-电机结构参数协同设计优化[J]. 汽车工程, 2023, 45(11): 2113-2122.
[5]	廉玉波,凌和平,王钧斌,潘华,谢朝. 基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测[J]. 汽车工程, 2023, 45(1): 139-146.
[6]	黄晶,彭扬,黄烨,彭晓燕. 考虑噪声标签影响的驾驶员精神负荷状态评价[J]. 汽车工程, 2022, 44(5): 771-777.
[7]	胡杰,朱雪玲,何陈,杨光宇. 基于实车数据的电动汽车电池健康状态预测[J]. 汽车工程, 2021, 43(9): 1291-1299.
[8]	谢奕展,程夕明. 锂离子电池状态估计机器学习方法综述[J]. 汽车工程, 2021, 43(11): 1720-1729.
[9]	胡杰,高志文. 基于数据驱动的电动汽车动力电池SOC预测[J]. 汽车工程, 2021, 43(1): 1-9.
[10]	颜诗旋, 朱平, 刘钊. 基于改进LightGBM模型的汽车故障预测方法研究^*[J]. 汽车工程, 2020, 42(6): 815-819.