趙 健，李雅欣，佟 靜，朱 冰，武維祥，孫博華，韓嘉懿

（1.吉林大學(xué)，汽車仿真與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)春 130022；2.上海捷能汽車技術(shù)有限公司，上海 201804）

前言

越野地面類型復(fù)雜、特征多變，是越野汽車動(dòng)力學(xué)控制乃至智能駕駛研究必須面臨的挑戰(zhàn)。其中，地面類別可以直觀反映越野地面的基本特征，因此，越野地面類別識(shí)別技術(shù)的研究始終受到關(guān)注。

對(duì)地面類別的識(shí)別方法可分為基于環(huán)境傳感器方法和基于車輛動(dòng)力學(xué)響應(yīng)的方法。其中，基于環(huán)境傳感器的方法主要是利用相機(jī)、激光雷達(dá)和聲學(xué)傳感器等環(huán)境傳感器，對(duì)車輛行駛前方或下方的地面進(jìn)行探測(cè)，根據(jù)地表顏色、紋理或幾何外觀判斷地面類別。這種方法可以在車輪駛過地面之前就獲取到地面信息，但其需要額外的傳感器且未能直接反映車輛和地面之間的相互作用?；谲囕v動(dòng)力學(xué)響應(yīng)的方法，則是通過汽車駛過越野路面時(shí)的狀態(tài)與動(dòng)力學(xué)響應(yīng)信息來判斷地面分類，這種方法基于車載電控系統(tǒng)提供的信號(hào)即可實(shí)現(xiàn)，且由于車輛狀態(tài)本身就是車和地面之間的交互結(jié)果，這類方法能夠直接體現(xiàn)車輛和地面之間的相互作用。因此，基于車輛動(dòng)力學(xué)響應(yīng)的地面分類方法始終有著不可替代的研究?jī)r(jià)值。

具體實(shí)現(xiàn)上，基于車輛動(dòng)力學(xué)響應(yīng)的地面分類方法又可以分為基于規(guī)則的方法和基于機(jī)器學(xué)習(xí)算法兩種?；谝?guī)則的方法根據(jù)車輛狀態(tài)推算出用于推理的車輛狀態(tài)量，接著進(jìn)行機(jī)理分析和分類邏輯制定，進(jìn)而區(qū)分地面類別。Padarthy 等根據(jù)車輛在濕滑程度不同的地面上的縱向滑移率、縱向加速度和環(huán)境溫度設(shè)計(jì)模糊邏輯分類器，實(shí)現(xiàn)了濕滑地面的識(shí)別。Khaleghian 等在車輛上配置智能輪胎系統(tǒng)、底盤和車輛加速度計(jì)及編碼器，利用加速度信號(hào)、車輛輪速和滑移率設(shè)計(jì)模糊邏輯，實(shí)現(xiàn)了對(duì)瀝青、混凝土、土壤和草地等地面類別分類。武維祥計(jì)算車輛的滾動(dòng)阻力和輪速波動(dòng)信號(hào)，通過二者設(shè)計(jì)模糊邏輯分類器，使用隨機(jī)森林實(shí)現(xiàn)了軟硬路面的識(shí)別。Gorges 等提取地面垂向功率譜數(shù)據(jù)，根據(jù)待識(shí)別地面的輪廓功率譜和標(biāo)準(zhǔn)不平路的輪廓功率譜進(jìn)行比對(duì)，實(shí)現(xiàn)了地面不平度等級(jí)的識(shí)別。此類方法實(shí)現(xiàn)簡(jiǎn)單，對(duì)計(jì)算能力要求低，但要制定能夠全面覆蓋不同路面和行駛工況的辨識(shí)規(guī)則比較困難，且算法參數(shù)標(biāo)定要求高。

近年來隨著機(jī)器學(xué)習(xí)算法的快速發(fā)展，涌現(xiàn)出了大量基于機(jī)器學(xué)習(xí)算法的地面分類方法的研究。王巖等利用智能輪胎上的縱側(cè)向加速度信息提取統(tǒng)計(jì)量，使用支持向量機(jī)實(shí)現(xiàn)高、中、低附著地面的分類。單添垚利用輪速信號(hào)、懸架行程、車輛加速度等信號(hào)的統(tǒng)計(jì)量，使用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)典型不平路的分類。Masino等利用自然駕駛數(shù)據(jù)和慣導(dǎo)信號(hào)用支持向量機(jī)實(shí)現(xiàn)了壞路面的分類，并對(duì)影響分類準(zhǔn)確率的信號(hào)及其統(tǒng)計(jì)量進(jìn)行分析。李力從路面本身的機(jī)理分析路面識(shí)別的敏感量，最終在仿真和實(shí)車實(shí)驗(yàn)中面向不同工況建立了隱馬爾可夫模型以識(shí)別路面類別。Yang 等在車輛上安裝輪胎六分力傳感器，將輪胎力數(shù)據(jù)用支持向量機(jī)實(shí)現(xiàn)了不同越野軟路面的識(shí)別。梁冠群等使用長(zhǎng)短期記憶網(wǎng)絡(luò)，利用車輛輪心加速度的時(shí)序信號(hào)而非手動(dòng)提取的統(tǒng)計(jì)量，實(shí)現(xiàn)了路面不平度等級(jí)的識(shí)別。

基于機(jī)器學(xué)習(xí)的路面識(shí)別方法可以利用機(jī)器學(xué)習(xí)模型本身的數(shù)據(jù)擬合能力，簡(jiǎn)化辨識(shí)邏輯的提取過程，但如何選擇合適的車-路作用特性來有針對(duì)性地設(shè)計(jì)分類器是其難點(diǎn)之一。除直接使用測(cè)得的車輛動(dòng)力學(xué)狀態(tài)作為特征外，還有一些研究根據(jù)分類任務(wù)設(shè)計(jì)更有針對(duì)性的車路特征計(jì)算方法，得到較為簡(jiǎn)便的機(jī)器學(xué)習(xí)分類算法結(jié)構(gòu)以實(shí)現(xiàn)路面分類。Li 等以車輛加速度與速度的比值作為分類指標(biāo)，建立了神經(jīng)網(wǎng)絡(luò)模型對(duì)路面不平度進(jìn)行識(shí)別。Ward、Wang和Qin等的研究中，采集了車輛非簧載質(zhì)量部分的垂向加速度和車輛速度，利用1/4車輛模型對(duì)地面輪廓進(jìn)行估計(jì)，對(duì)地面輪廓提取時(shí)域、頻域和時(shí)頻域特征，利用支持向量機(jī)、隨機(jī)森林和深度神經(jīng)網(wǎng)絡(luò)等方法實(shí)現(xiàn)了不同材質(zhì)或不同不平度的路面的識(shí)別。

本文中將開展基于車輛動(dòng)力學(xué)響應(yīng)的典型越野地面分類研究，設(shè)計(jì)分類算法特征量并搭建機(jī)器學(xué)習(xí)分類器，實(shí)現(xiàn)沙地、土路、水泥路和雪地的分類識(shí)別。結(jié)合由車輛動(dòng)力學(xué)響應(yīng)中挖掘的地面不平整度特征和地面力學(xué)特征作為分類特征，基于LSTM 模型實(shí)現(xiàn)高準(zhǔn)確率的越野地面識(shí)別算法；為了進(jìn)一步處理真實(shí)越野條件下由于環(huán)境的隨機(jī)性帶來的車輛識(shí)別結(jié)果跳變問題，引入隱馬爾可夫模型，根據(jù)數(shù)據(jù)識(shí)別正確率和算法的性能進(jìn)行分類結(jié)果后處理，最終在連續(xù)的車輛動(dòng)力學(xué)響應(yīng)數(shù)據(jù)上實(shí)現(xiàn)準(zhǔn)確且穩(wěn)定的越野地面分類。

本文中設(shè)計(jì)了基于機(jī)器學(xué)習(xí)的地面分類算法，但并未采用機(jī)器學(xué)習(xí)分類器設(shè)計(jì)中通常采用的大量數(shù)據(jù)的因子分析方法，而是面向典型越野地面的車-路作用特點(diǎn)有針對(duì)性地選擇了分類所需的4 種特征量并設(shè)計(jì)了計(jì)算方法，同時(shí)利用LSTM 模型的數(shù)據(jù)擬合功能，以避免普通機(jī)器學(xué)習(xí)分類方法中需要大量數(shù)據(jù)統(tǒng)計(jì)量的問題，從而在大大簡(jiǎn)化分類算法的同時(shí)保證了算法的有效性。再進(jìn)一步，針對(duì)機(jī)器學(xué)習(xí)分類方法輸出結(jié)果離散和實(shí)際行駛過程中地面變化連續(xù)的特點(diǎn)，本文中提出了基于隱馬爾可夫模型的分類結(jié)果后處理方法，提升了分類算法在汽車行駛過程中產(chǎn)生的連續(xù)數(shù)據(jù)上的分類正確率，相比未經(jīng)后處理的分類算法，本文算法在真實(shí)越野行駛數(shù)據(jù)上更具實(shí)用性。

1 分類特征量的設(shè)計(jì)

根據(jù)地面車輛系統(tǒng)設(shè)計(jì)理論，地面車輛的運(yùn)行條件可以分為包含柏油路與水泥路的硬表面公路、條件良好的土路、鄉(xiāng)村土路、圓石、碎石與沙礫路和無路地區(qū)等。地面的力學(xué)性能和地表幾何形狀會(huì)直接影響車輛的使用性能。本文中主要考慮了土壤可變形性帶來的土壤滾動(dòng)阻力的影響、越野路面附著條件對(duì)車輪滑動(dòng)狀態(tài)的影響和地面不平整度幾個(gè)方面的特征作為路面分類輸入。

1.1 地面不平整度特征

基于簧載質(zhì)量垂向加速度及其推導(dǎo)出的等效地面輪廓信息構(gòu)建地面不平整度特征。地面等效輪廓()計(jì)算流程如圖1所示，主要步驟為：（1）利用組合慣導(dǎo)采集車身后軸上方的車身垂向加速度()和車輛的行駛里程()；（2）利用()根據(jù)1/4車輛模型估計(jì)地面高度隨時(shí)間變化的函數(shù)()；（3）對(duì)()根據(jù)()進(jìn)行插值，得到地面的高度隨車輛里程的變化曲線()。

圖1 地面輪廓生成流程

需要說明的是，由于實(shí)際測(cè)得的垂向加速度值是4 個(gè)車輪垂直位移輸入的綜合作用結(jié)果，()的數(shù)值與真實(shí)地面高度并不完全吻合，但是其仍然能有效反映地面的不平整度特征，因此將它定義為等效地面輪廓()。()相比()具有不受車速影響的特點(diǎn)，魯棒性強(qiáng)更適宜用于地面的分類。

（1）垂向加速度信號(hào)采集

本文中利用在車廂內(nèi)后軸上方位置剛性安裝的組合慣導(dǎo)裝置OxTS RT3002作為簧載質(zhì)量垂向加速度數(shù)據(jù)的采集設(shè)備。該設(shè)備可同時(shí)測(cè)量車身各向速度分量、加速度分量和姿態(tài)角。由于本文中的研究主要面向的是具有縱向角度變化的地面，地面輪廓的估計(jì)也主要是沿著車輛的行駛方向，因此本文中主要使用了組合慣導(dǎo)所輸出的垂向加速度()、大地坐標(biāo)系下的車身俯仰角()，并實(shí)時(shí)估計(jì)車輛的縱向行駛里程()用于等效輪廓的計(jì)算。車輛垂向加速度測(cè)量的準(zhǔn)確性決定了后續(xù)等效地面輪廓估計(jì)結(jié)果的正確性。為去除()中由地面起伏、懸架帶來的車身俯仰角和俯仰方向的慣導(dǎo)安裝誤差的重力分量的影響，得到僅由于地面不平帶來的車身振動(dòng)信息，對(duì)()進(jìn)行修正，得到地面垂直振動(dòng)激勵(lì)下的簧載質(zhì)量垂直振動(dòng)加速度()：

式中為重力加速度。

（2）地面高度變化時(shí)間歷程估計(jì)

本文采用的1/4車輛模型如圖2 所示。

圖2 本文所采用的1/4車輛模型

（3）等效地面輪廓計(jì)算

由于本文中的慣導(dǎo)設(shè)備所采集的加速度更新頻率為100 Hz，因此以0.01 s 為周期利用式（4）推算地面高度。本文中采集設(shè)備的里程計(jì)在車速低于0.2 m/s時(shí)不會(huì)累加里程，而且里程計(jì)采集里程的周期為0.01 s，因此本文中采用0.002 m為距離步長(zhǎng)對(duì)地面輪廓進(jìn)行插值。根據(jù)相關(guān)研究經(jīng)驗(yàn)，本文采取每4 m里程為一個(gè)數(shù)據(jù)段，以0.002 m為步長(zhǎng)對(duì)地面輪廓進(jìn)行估計(jì)。

為了得到地面輪廓的功率譜密度值，利用Welch 法估計(jì)()的功率譜密度。除了地面等效輪廓外，車身垂向加速度信息的變化中同樣蘊(yùn)含了地面特性信息，因此本文采用數(shù)據(jù)段內(nèi)的地面輪廓的功率譜密度和車身垂向加速度信息作為用于地面分類的不平整度特征量。

1.2 地面力學(xué)特征

對(duì)地面的力學(xué)特征最直接的獲取方法是采用車輪的六分力傳感器直接測(cè)量車輪的受力情況，根據(jù)受力情況推算分類特征。但是六分力傳感器價(jià)格昂貴，并且需要在車外車輪部分安裝。本研究的行駛環(huán)境涵蓋大量的狹窄區(qū)域，這種布置形式很容易造成傳感器的損壞，大大增加研究成本。因此本文利用文獻(xiàn)［8］的算法，推算車輛行駛滾動(dòng)阻力和輪速波動(dòng)量作為能夠體現(xiàn)地面軟硬程度的地面力學(xué)特征。

按圖3 所示的汽車受力示意圖，滾動(dòng)阻力可根據(jù)經(jīng)典的汽車行駛方程式計(jì)算得到：

圖3 汽車行駛方程式示意

式中：為行駛阻力；為驅(qū)動(dòng)力；為坡度阻力；為加速阻力；為空氣阻力。

輪速波動(dòng)指標(biāo)為車輛4 個(gè)車輪的輪心速度和輪緣速度的差值隨時(shí)間變化的平均值，表征車輪打滑的程度：

式中Δ表示每個(gè)車輪的速度差值隨時(shí)間的變化，下角標(biāo)指代4 個(gè)車輪，1 為左前輪，2 為右前輪，3 為左后輪，4 為右后輪。式（8）中的δ表示車輪的速度差，其隨時(shí)間的變化Δ通過當(dāng)前時(shí)刻的速度差δ()和前4 個(gè)計(jì)算時(shí)間步的速度差δ(-4)相減得到，如式（7）所示。4 個(gè)車輪的輪緣速度實(shí)際是指的車輪轉(zhuǎn)速與車輪半徑的乘積，由車載輪速計(jì)測(cè)量得到，可以通過車載CAN 總線直接讀取。4 個(gè)車輪的輪心速度v需要通過如圖4 所示的8 自由度車輛動(dòng)力學(xué)模型計(jì)算得到：

式中以及圖4 中：v是車輛的縱向速度；v是側(cè)向速度；是車輛質(zhì)心至前軸的距離；是車輛質(zhì)心至后軸的距離；是車輛橫擺角速度；是輪距一半；和為車輛轉(zhuǎn)向時(shí)左、右前輪轉(zhuǎn)角。在本文中，兩個(gè)前輪轉(zhuǎn)角取相同的數(shù)值，均通過轉(zhuǎn)向角推算得到。

圖4 計(jì)算輪速波動(dòng)時(shí)使用的8自由度車輛動(dòng)力學(xué)模型

為了使得本文中的力學(xué)特征和不平整度特征能夠?qū)崿F(xiàn)同步，滾動(dòng)阻力和輪速波動(dòng)特征也利用了()插值，使其與不平整度特征在同樣的里程尺度上采樣。

2 越野地面分類算法的構(gòu)建

由于本文中所采用的行駛數(shù)據(jù)為越野條件下自行采集的自然駕駛數(shù)據(jù)集，道路條件包括沙地、山區(qū)土路、水泥路和冰雪地等，涵蓋了不同速度、不同坡道以及轉(zhuǎn)向和直行等行駛工況。本文采用擬合能力強(qiáng)、適合處理時(shí)間序列的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）構(gòu)建越野地面分類算法，相比于普通的神經(jīng)網(wǎng)絡(luò)，RNN可以將不同時(shí)間步的數(shù)據(jù)在模型中的參數(shù)進(jìn)行共享，由此建立時(shí)間序列中相鄰時(shí)間步之間的聯(lián)系，進(jìn)而實(shí)現(xiàn)時(shí)間序列的建模，在駕駛數(shù)據(jù)建模領(lǐng)域有著廣泛應(yīng)用。相比以數(shù)據(jù)特征統(tǒng)計(jì)量作為輸入的普通神經(jīng)網(wǎng)絡(luò)方法，RNN 方法可以更加充分地挖掘所采集的越野條件自然駕駛數(shù)據(jù)蘊(yùn)含在時(shí)間序列中的各類特性。

本文采用了經(jīng)典的RNN 時(shí)間序列分類網(wǎng)絡(luò)架構(gòu)，如圖5 所示。時(shí)刻對(duì)應(yīng)的輸入數(shù)據(jù)序列()經(jīng)過輸入層，輸入到RNN 的隱含層；隱含層通過網(wǎng)絡(luò)單元對(duì)輸入進(jìn)一步提取特征，將最終提取的序列特征經(jīng)過全連接層、Softmax 層和分類層轉(zhuǎn)化成該輸入對(duì)應(yīng)的輸出類別C。由RNN 建立的越野地面分類模型可以將所有不同類別的車輛行駛特征數(shù)據(jù)一并輸入到模型中進(jìn)行訓(xùn)練，最終生成統(tǒng)一的模型實(shí)現(xiàn)不同類別數(shù)據(jù)的分類。

圖5 本文采用的RNN網(wǎng)絡(luò)結(jié)構(gòu)

Softmax 層的數(shù)值是利用全連接層輸出的類別特征統(tǒng)計(jì)得到，其計(jì)算公式為

式中：為第個(gè)典型類別（本場(chǎng)合指路面）的全連接層輸出；為典型類別的個(gè)數(shù)，本場(chǎng)合=4。利用LSTM 網(wǎng)絡(luò)Softmax 層中各類別對(duì)應(yīng)的Softmax 值作為分類得分score：

近年來，RNN 網(wǎng)絡(luò)的變體長(zhǎng)短期記憶（long short-term memory，LSTM）取得了廣泛應(yīng)用。這種網(wǎng)絡(luò)變體在網(wǎng)絡(luò)單元的部分有著更復(fù)雜的實(shí)現(xiàn)方式，使得RNN 能更好地處理時(shí)間依賴問題。因此本文中選用LSTM 實(shí)現(xiàn)地面分類。本文中，須設(shè)置的LSTM 結(jié)構(gòu)主要參數(shù)就是隱含層LSTM 核心的數(shù)量，模型內(nèi)部參數(shù)可根據(jù)訓(xùn)練數(shù)據(jù)學(xué)習(xí)得到。

本文中的分類特征量需要處理為L(zhǎng)STM 可直接處理的輸入樣本。本文中輸入到LSTM 中的特征量為等效地面輪廓功率譜密度、車身垂向加速度、滾動(dòng)阻力和輪速波動(dòng)特征。輸入樣本的時(shí)間跨度為車輛連續(xù)行駛4 m 過程中所經(jīng)歷的時(shí)間。由于車輛行駛過程中，該時(shí)間跨度在不同樣本上不盡相同，因此即便傳感器數(shù)據(jù)是按照固定時(shí)間步長(zhǎng)采樣的，不同輸入樣本中時(shí)間點(diǎn)的個(gè)數(shù)也不相同。本文的目的是分析地面的空間域特性，因此須在相同的空間采樣頻率下構(gòu)建樣本。為了保證樣本采樣方式的一致性，本文中對(duì)、和采用與處理等效地面輪廓時(shí)類似的方法，對(duì)變量進(jìn)行插值以獲得等距離采樣，在1 m范圍內(nèi)計(jì)算500個(gè)空間采樣點(diǎn)。

3 分類結(jié)果后處理算法設(shè)計(jì)

由于分類算法的準(zhǔn)確率不可能達(dá)到100%，其在車輛連續(xù)行駛過程中的分類結(jié)果不可避免地會(huì)發(fā)生跳變，因此須對(duì)分類結(jié)果進(jìn)行后處理。本文利用一種在時(shí)間上開展概率推理的貝葉斯網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)后處理算法。

對(duì)于本文中的地面分類問題來說，地面的真實(shí)類別是伴隨著車輛行駛過程而變化的一系列信念狀態(tài)。這種信念狀態(tài)隨時(shí)間的變化滿足1 階馬爾可夫過程，以轉(zhuǎn)移模型描述其狀態(tài)隨時(shí)間變化的穩(wěn)態(tài)過程，即其信念狀態(tài)滿足條件分布：

對(duì)于每一個(gè)時(shí)間上的信念狀態(tài)X，在真實(shí)世界都可以觀察到相應(yīng)的證據(jù)變量E，證據(jù)變量和信念狀態(tài)之間滿足傳感器馬爾可夫假設(shè)：

在本文的后處理算法中，將分類算法抽象成對(duì)真實(shí)世界進(jìn)行觀測(cè)的傳感器，隨時(shí)間輸出證據(jù)變量E；被觀測(cè)的地面的實(shí)際類別則是信念狀態(tài)X；后處理算法的本質(zhì)就是根據(jù)到當(dāng)前時(shí)刻的所有證據(jù)變量計(jì)算當(dāng)前信念狀態(tài)的后驗(yàn)概率分布(X|)，可以通過遞歸估計(jì)進(jìn)行推理：

式中：為使概率和為1 的歸一化變量；(e|X)為傳感器模型；(X|x)為狀態(tài)轉(zhuǎn)移模型；(x|)為當(dāng)前推理時(shí)刻的先驗(yàn)?zāi)Ｐ?。證據(jù)變量E和信念狀態(tài)X的取值為4類待分類的地面，屬于離散值，因此可以利用正向傳遞的隱馬爾可夫模型（hidden Markov model，HMM）對(duì)該過程進(jìn)行建模，該方法又稱離散貝葉斯濾波方法。給定傳感器模型、狀態(tài)轉(zhuǎn)移模型和先驗(yàn)?zāi)Ｐ?，即可通過前向算法計(jì)算信念狀態(tài)的后驗(yàn)概率分布。構(gòu)建一個(gè)隱馬爾可夫模型需要確定3 個(gè)參數(shù)，即各個(gè)隱狀態(tài)的先驗(yàn)分布向量(x|)，記為，各個(gè)隱狀態(tài)之間的轉(zhuǎn)移矩陣(X|x) 記為，和隱狀態(tài)的觀測(cè)概率(e|X)，記為。

本文中提出的后處理算法中，利用轉(zhuǎn)移模型表征分類算法出錯(cuò)的可能性，利用傳感器模型表征待分類地面與分類算法訓(xùn)練樣本之間的差異性，兼顧上述的兩種分類結(jié)果跳變?cè)?。本文中為了考慮越野地面的類別混雜性，采用具備個(gè)步長(zhǎng)的HMM模型進(jìn)行分類結(jié)果后處理，若分類算法以10 Hz運(yùn)行，后處理算法可以對(duì)=0.1（單位：s）時(shí)間內(nèi)所有分類結(jié)果進(jìn)行后處理得到統(tǒng)一的分類結(jié)果。

本文中采用上一次HMM 推理得到的最終后驗(yàn)概率分布。分類算法測(cè)試驗(yàn)證的混淆矩陣記為

式中元素m表示標(biāo)簽為卻被分類為的樣本數(shù)。將混淆矩陣按列歸一化后，再進(jìn)行轉(zhuǎn)置，即得轉(zhuǎn)移矩陣。

4 算法實(shí)現(xiàn)與結(jié)果分析

本文中使用的數(shù)據(jù)是利用圖6 所示的實(shí)車平臺(tái)采集的越野環(huán)境自然駕駛數(shù)據(jù)，車輛狀態(tài)通過車載CAN 總線讀取或利用組合慣導(dǎo)RT3002 設(shè)備測(cè)量得到，最終數(shù)據(jù)通過Vector VN1630設(shè)備統(tǒng)一采集。從自然駕駛數(shù)據(jù)中選取車輛縱向速度大于零的部分，截取互不重合的長(zhǎng)度為4 m 的數(shù)據(jù)段作為樣本，最終截取了2 327 沙地?cái)?shù)據(jù)段，1 082 個(gè)土路數(shù)據(jù)段，635 個(gè)水泥路數(shù)據(jù)段和1 101 個(gè)雪地?cái)?shù)據(jù)段，每個(gè)數(shù)據(jù)段包含2 000個(gè)數(shù)據(jù)點(diǎn)，所有數(shù)據(jù)都根據(jù)取值范圍歸一化到[-1，1]之間。

圖6 本文的數(shù)據(jù)采集平臺(tái)和采集場(chǎng)景

由于越野場(chǎng)景存在較大的隨機(jī)性，本文中采用5 折（5-fold）交叉驗(yàn)證方式進(jìn)行模型的驗(yàn)證。將所有樣本平均分為5 份，依次提取一份作為測(cè)試集，其余的作為訓(xùn)練集，最后統(tǒng)計(jì)所有5 次的測(cè)試結(jié)果作為最終的模型總體測(cè)試結(jié)果。為了提升訓(xùn)練速度，從第2 次訓(xùn)練開始，每1 次都采用上1 次的訓(xùn)練結(jié)果作為訓(xùn)練初始值。為了評(píng)價(jià)算法的性能，采用正確率指標(biāo)，即分類正確的樣本個(gè)數(shù)占所有被分類樣本個(gè)數(shù)的比率。

4.1 LSTM模型參數(shù)的影響

為了分析LSTM 結(jié)構(gòu)參數(shù)對(duì)地面分類算法正確率的影響，本文初步選取了等效地面輪廓功率譜密度、車身垂向加速度、滾動(dòng)阻力和輪速波動(dòng)特征作為分類特征。選取了多種LSTM 核心數(shù)量的網(wǎng)絡(luò)結(jié)構(gòu)，以同樣的數(shù)據(jù)和同樣5 折交叉驗(yàn)證訓(xùn)練并驗(yàn)證模型，取得的結(jié)果如表1 所示。當(dāng)LSTM核心數(shù)量為50 個(gè)時(shí)，算法具有最高的分類正確率，可達(dá)95.5%。對(duì)沙地、土路、水泥路和雪地來說，達(dá)到最高分類準(zhǔn)確率對(duì)應(yīng)的LSTM 核心數(shù)量分別為55、55、50 和50 個(gè)。因此，在本文所測(cè)試的LSTM 核心數(shù)量配置當(dāng)中，50個(gè)LSTM核心為最佳的配置。

表1 不同的LSTM核心數(shù)量對(duì)地面分類算法正確率的影響

4.2 輸入特征的對(duì)比

為了驗(yàn)證本文中提出的使用不平整度特征和力學(xué)特征進(jìn)行越野地面分類的有效性，采用不同的特征搭配來搭建分類模型并用相同的數(shù)據(jù)測(cè)試其效果，5 折交叉驗(yàn)證的結(jié)果如表2 所示。表中LSTM 核心數(shù)設(shè)置為50個(gè)。表2中對(duì)比了單獨(dú)使用地面不平整度特征、單獨(dú)使用地面的力學(xué)特征和同時(shí)使用不平整度特征與力學(xué)特征對(duì)分類正確率的影響。由表可見，單獨(dú)采用地面不平整度特征對(duì)水泥路和雪地分類能力最差，單獨(dú)采用力學(xué)特征對(duì)土路和雪地的分類能力最差，同時(shí)采用兩種特征之后總體分類正確率有所提升，對(duì)沙地和水泥路的分類準(zhǔn)確率超過使用單項(xiàng)特征的最好水平，土路分類準(zhǔn)確率接近最高水平，雪地的分類準(zhǔn)確率則比最高有所下降?？傮w來說，同時(shí)使用地面不平路特征與力學(xué)特征對(duì)越野地面分類算法可以取得更高的總體分類正確率。

表2 不同分類特征組合的效果對(duì)比

4.3 與其他典型分類算法的對(duì)比

為了驗(yàn)證本文所提出基于LSTM 的越野地面分類算法的有效性，搭建具有相同輸入樣本的高斯混合隱馬爾可夫模型（GMM-HMM）來進(jìn)行地面分類（圖7）。GMM-HMM 廣泛應(yīng)用于語音識(shí)別、駕駛行為識(shí)別等領(lǐng)域，與LSTM 一樣可以輸入整段時(shí)間序列進(jìn)行建模。與LSTM 模型不同的是，使用GMMHMM 算法進(jìn)行地面分類的過程中，須對(duì)每一個(gè)類別地面對(duì)應(yīng)的時(shí)間序列分別搭建GMM-HMM 模型，利用前向-后向算法求解待分類序列與每一個(gè)類別模型的似然率，即相似程度，最終選取最相似的類別作為分類結(jié)果。

圖7 RNN與GMM-HMM用于地面分類的開展方式的對(duì)比

本文中建立了相應(yīng)GMM-HMM 模型實(shí)現(xiàn)越野地面分類，同時(shí)使用地面不平整度特征與力學(xué)特征的模型作為模型輸入，同樣采取5 折交叉驗(yàn)證的方式來開展算法的訓(xùn)練和測(cè)試驗(yàn)證。同時(shí)，在樣本均為2 000個(gè)采樣點(diǎn)的前提下，本文中采用不同的隱狀態(tài)數(shù)和不同的高斯混合模型混合數(shù)作為GMMHMM模型結(jié)構(gòu)參數(shù)，對(duì)比模型分類性能，結(jié)果如表3所示。

表3 不同參數(shù)的GMM-HMM 模型的地面分類算法正確率對(duì)比

由表可見，總體分類正確率最高可達(dá)90.0%，遠(yuǎn)低于LSTM 所達(dá)到的正確率。正確率整體呈現(xiàn)出隨隱狀態(tài)數(shù)增加而升高的趨勢(shì)，在隱狀態(tài)數(shù)達(dá)到28 時(shí)開始出現(xiàn)因隱狀態(tài)數(shù)過大、算法多次訓(xùn)練過程中無法正確收斂的現(xiàn)象，最終出現(xiàn)模型正確率為0 的情況。本文在權(quán)衡模型的穩(wěn)定性與分類性能后取隱狀態(tài)數(shù)為25，高斯混合數(shù)則在10 個(gè)左右分類效果最好。

由表還可以發(fā)現(xiàn)，不同類別地面達(dá)到最高正確率的模型參數(shù)并不相同，但很接近。模型結(jié)構(gòu)參數(shù)除對(duì)土路分類的影響較小以外，對(duì)其他類別道路分類的影響都比較大。由于GMM-HMM 模型支持對(duì)于不同類別選用不同的結(jié)構(gòu)，因此針對(duì)每一種地面，選取正確率最高的模型配置，重新組成新的分類模型，其參數(shù)和測(cè)試結(jié)果如表4 所示。由表可見，重新構(gòu)建的分類模型總體準(zhǔn)確率為88.4%，相比于4 類路面采用=25、=10 并沒有提升。這是因?yàn)镚MM-HMM 模型通過數(shù)據(jù)與4個(gè)類別地面模型的相似程度進(jìn)行對(duì)比來進(jìn)行分類，單項(xiàng)類別分類正確率高的模型之間的差異不夠明顯，因此將其混合形成模型不一定能提高分類正確率。對(duì)比之下，LSTM模型的分類正確率大大高于GMM-HMM 模型，并且LSTM的實(shí)施過程和參數(shù)調(diào)整過程也較為簡(jiǎn)單。

表4 根據(jù)不同地面類別特點(diǎn)重新構(gòu)建的GMM-HMM 模型的正確率對(duì)比

4.4 分類結(jié)果后處理算法設(shè)計(jì)的驗(yàn)證

本文采取核心數(shù)為50的LSTM 模型作為最終的地面分類模型，分類特征同時(shí)采用不平整度特征與力學(xué)特征。算法經(jīng)過5 折交叉驗(yàn)證得到的混淆矩陣如表5所示。

根據(jù)表5可以得到相應(yīng)的轉(zhuǎn)移矩陣：

表5 本文最終選用的地面分類模型混淆矩陣

觀測(cè)分布質(zhì)量函數(shù)則利用每一次分類時(shí)Softmax層中的分?jǐn)?shù)進(jìn)行歸一化計(jì)算得到。

在之前的數(shù)據(jù)集驗(yàn)證中，數(shù)據(jù)樣本是隨機(jī)抽取的，而實(shí)際行駛場(chǎng)景中，地形特征是連續(xù)的，車輛運(yùn)動(dòng)力響應(yīng)也是連續(xù)變化的。因此，在實(shí)際情況下，造成分類錯(cuò)誤的地面特征會(huì)連續(xù)出現(xiàn)，進(jìn)而造成連續(xù)的分類錯(cuò)誤；同時(shí)，連續(xù)駕駛數(shù)據(jù)采集過程中包含地面坡度變化和沖坡、急加速急減速等激烈駕駛行為，對(duì)車輛動(dòng)力學(xué)響應(yīng)特征造成一定的干擾，因此在某些情況下，連續(xù)數(shù)據(jù)會(huì)比分類算法的測(cè)試集數(shù)據(jù)造成更多分類錯(cuò)誤。為了進(jìn)一步驗(yàn)證分類算法和后處理算法的效果，選取在不同地面上連續(xù)采集的典型數(shù)據(jù)來進(jìn)行后處理算法的驗(yàn)證。由于HMM 算法中采用的步長(zhǎng)數(shù)對(duì)后處理算法效果有影響，采用2-25個(gè)步長(zhǎng)對(duì)HMM 后處理算法的效果進(jìn)行對(duì)比。結(jié)果是選用12 個(gè)步長(zhǎng)時(shí)的后處理準(zhǔn)確率最高。即連續(xù)數(shù)據(jù)中，以100 ms 為周期提取車輛先前4 m 距離窗口范圍內(nèi)的行駛數(shù)據(jù)，并排除存在車輛靜止和倒車情況的無效數(shù)據(jù)窗口，在所有有效數(shù)據(jù)窗口上進(jìn)行地面分類；利用相鄰的12 次地面分類結(jié)果之間進(jìn)行分類結(jié)果后處理。

為了驗(yàn)證本文提出的后處理算法的效果，分別在沙地（1 685次分類，1 674個(gè)后處理窗）、土路（2 854次分類，2 843 個(gè)后處理窗）、水泥路（6 138 次分類，6 127 個(gè)有效數(shù)據(jù)窗）和雪地（3 189 次分類，6 178 個(gè)有效數(shù)據(jù)窗）連續(xù)行駛數(shù)據(jù)上進(jìn)行地面類別識(shí)別和分類結(jié)果后處理。結(jié)果后處理對(duì)算法正確率提升的效果如表6 所示。每一種地面的處理效果如圖8 所示，沙地、土路、水泥和雪地依次被標(biāo)記為1、2、3 和4，分類標(biāo)簽是根據(jù)采集場(chǎng)景標(biāo)記的數(shù)據(jù)標(biāo)簽。

圖8 連續(xù)數(shù)據(jù)上的地面分類結(jié)果

表6 后處理前后正確率的對(duì)比

表6 中后處理的正確率是以分類次數(shù)為基準(zhǔn)，其數(shù)值為分類正確的分類次數(shù)與所有地面類別分類次數(shù)總和的比值。后處理后的正確率是以有效處理數(shù)據(jù)窗為基礎(chǔ)，其數(shù)值為分類正確的數(shù)據(jù)窗占所有地面類別有效數(shù)據(jù)窗數(shù)總和的比值。由表6 和圖8可見，對(duì)于沒有產(chǎn)生錯(cuò)誤的沙地和土路分類結(jié)果，后處理算法并沒有產(chǎn)生額外的錯(cuò)誤，而對(duì)于分類結(jié)果有誤的水泥路和雪地，本文提出的后處理算法均提升了分類正確率，總體正確率由88.44%提升至90.13%，提升了1.69 個(gè)百分點(diǎn)，單類別正確率提升幅度最高的是雪地，達(dá)2.62個(gè)百分點(diǎn)。

5 結(jié)論

本文中對(duì)基于車輛動(dòng)力學(xué)響應(yīng)的越野地面分類方法進(jìn)行研究。采用監(jiān)督學(xué)習(xí)分類模型實(shí)現(xiàn)包括沙地、土路、水泥路和雪地的越野地面的分類。分類特征同時(shí)采用了地面不平整度特征與地面力學(xué)特征，采用了等效地面輪廓和車身垂向加速度作為地面不平路特征，選取行駛阻力和輪速波動(dòng)作為力學(xué)特征。選取了LSTM 模型實(shí)現(xiàn)越野地面分類。該方法可以對(duì)時(shí)間序列進(jìn)行整段建模和分類，無須人為定義輸入數(shù)據(jù)的統(tǒng)計(jì)特征量。對(duì)比了不同網(wǎng)絡(luò)核心數(shù)和不同特征組合得到的分類模型的效果，最終確定的核心數(shù)和分類特征可以使得分類算法達(dá)到95.5%的正確率。為了解決分類算法在同一種地面類別對(duì)應(yīng)的車輛響應(yīng)數(shù)據(jù)上分類結(jié)果產(chǎn)生跳變的問題，建立了基于HMM模型的分類結(jié)果后處理算法，可以綜合考慮算法正確率的限制和越野地面隨機(jī)性對(duì)分類結(jié)果的影響，使越野環(huán)境中連續(xù)行駛數(shù)據(jù)上地面分類準(zhǔn)確率總體上從88.44%提升至90.13%。