基于車輛動力學響應特征的越野地面分類方法*

趙 健，李雅欣，佟 靜，朱 冰，武維祥，孫博華，韓嘉懿

（1.吉林大學，汽車仿真與控制國家重點實驗室，長春 130022；2.上海捷能汽車技術有限公司，上海 201804）

前言

越野地面類型復雜、特征多變，是越野汽車動力學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，越野地面類別識別技術的研究始終受到關注。

對地面類別的識別方法可分為基于環(huán)境傳感器方法和基于車輛動力學響應的方法。其中，基于環(huán)境傳感器的方法主要是利用相機、激光雷達和聲學傳感器等環(huán)境傳感器，對車輛行駛前方或下方的地面進行探測，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。基于車輛動力學響應的方法，則是通過汽車駛過越野路面時的狀態(tài)與動力學響應信息來判斷地面分類，這種方法基于車載電控系統(tǒng)提供的信號即可實現(xiàn)，且由于車輛狀態(tài)本身就是車和地面之間的交互結果，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，基于車輛動力學響應的地面分類方法始終有著不可替代的研究價值。

具體實現(xiàn)上，基于車輛動力學響應的地面分類方法又可以分為基于規(guī)則的方法和基于機器學習算法兩種?；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，接著進行機理分析和分類邏輯制定，進而區(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)境溫度設計模糊邏輯分類器，實現(xiàn)了濕滑地面的識別。Khaleghian 等在車輛上配置智能輪胎系統(tǒng)、底盤和車輛加速度計及編碼器，利用加速度信號、車輛輪速和滑移率設計模糊邏輯，實現(xiàn)了對瀝青、混凝土、土壤和草地等地面類別分類。武維祥計算車輛的滾動阻力和輪速波動信號，通過二者設計模糊邏輯分類器，使用隨機森林實現(xiàn)了軟硬路面的識別。Gorges 等提取地面垂向功率譜數(shù)據(jù)，根據(jù)待識別地面的輪廓功率譜和標準不平路的輪廓功率譜進行比對，實現(xiàn)了地面不平度等級的識別。此類方法實現(xiàn)簡單，對計算能力要求低，但要制定能夠全面覆蓋不同路面和行駛工況的辨識規(guī)則比較困難，且算法參數(shù)標定要求高。

近年來隨著機器學習算法的快速發(fā)展，涌現(xiàn)出了大量基于機器學習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向加速度信息提取統(tǒng)計量，使用支持向量機實現(xiàn)高、中、低附著地面的分類。單添垚利用輪速信號、懸架行程、車輛加速度等信號的統(tǒng)計量，使用神經網(wǎng)絡實現(xiàn)典型不平路的分類。Masino等利用自然駕駛數(shù)據(jù)和慣導信號用支持向量機實現(xiàn)了壞路面的分類，并對影響分類準確率的信號及其統(tǒng)計量進行分析。李力從路面本身的機理分析路面識別的敏感量，最終在仿真和實車實驗中面向不同工況建立了隱馬爾可夫模型以識別路面類別。Yang 等在車輛上安裝輪胎六分力傳感器，將輪胎力數(shù)據(jù)用支持向量機實現(xiàn)了不同越野軟路面的識別。梁冠群等使用長短期記憶網(wǎng)絡，利用車輛輪心加速度的時序信號而非手動提取的統(tǒng)計量，實現(xiàn)了路面不平度等級的識別。

基于機器學習的路面識別方法可以利用機器學習模型本身的數(shù)據(jù)擬合能力，簡化辨識邏輯的提取過程，但如何選擇合適的車-路作用特性來有針對性地設計分類器是其難點之一。除直接使用測得的車輛動力學狀態(tài)作為特征外，還有一些研究根據(jù)分類任務設計更有針對性的車路特征計算方法，得到較為簡便的機器學習分類算法結構以實現(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，建立了神經網(wǎng)絡模型對路面不平度進行識別。Ward、Wang和Qin等的研究中，采集了車輛非簧載質量部分的垂向加速度和車輛速度，利用1/4車輛模型對地面輪廓進行估計，對地面輪廓提取時域、頻域和時頻域特征，利用支持向量機、隨機森林和深度神經網(wǎng)絡等方法實現(xiàn)了不同材質或不同不平度的路面的識別。

本文中將開展基于車輛動力學響應的典型越野地面分類研究，設計分類算法特征量并搭建機器學習分類器，實現(xiàn)沙地、土路、水泥路和雪地的分類識別。結合由車輛動力學響應中挖掘的地面不平整度特征和地面力學特征作為分類特征，基于LSTM 模型實現(xiàn)高準確率的越野地面識別算法；為了進一步處理真實越野條件下由于環(huán)境的隨機性帶來的車輛識別結果跳變問題，引入隱馬爾可夫模型，根據(jù)數(shù)據(jù)識別正確率和算法的性能進行分類結果后處理，最終在連續(xù)的車輛動力學響應數(shù)據(jù)上實現(xiàn)準確且穩(wěn)定的越野地面分類。

本文中設計了基于機器學習的地面分類算法，但并未采用機器學習分類器設計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-路作用特點有針對性地選擇了分類所需的4 種特征量并設計了計算方法，同時利用LSTM 模型的數(shù)據(jù)擬合功能，以避免普通機器學習分類方法中需要大量數(shù)據(jù)統(tǒng)計量的問題，從而在大大簡化分類算法的同時保證了算法的有效性。再進一步，針對機器學習分類方法輸出結果離散和實際行駛過程中地面變化連續(xù)的特點，本文中提出了基于隱馬爾可夫模型的分類結果后處理方法，提升了分類算法在汽車行駛過程中產生的連續(xù)數(shù)據(jù)上的分類正確率，相比未經后處理的分類算法，本文算法在真實越野行駛數(shù)據(jù)上更具實用性。

1 分類特征量的設計

根據(jù)地面車輛系統(tǒng)設計理論，地面車輛的運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。地面的力學性能和地表幾何形狀會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阻力的影響、越野路面附著條件對車輪滑動狀態(tài)的影響和地面不平整度幾個方面的特征作為路面分類輸入。

1.1 地面不平整度特征

基于簧載質量垂向加速度及其推導出的等效地面輪廓信息構建地面不平整度特征。地面等效輪廓()計算流程如圖1所示，主要步驟為：（1）利用組合慣導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車輛模型估計地面高度隨時間變化的函數(shù)()；（3）對()根據(jù)()進行插值，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，由于實際測得的垂向加速度值是4 個車輪垂直位移輸入的綜合作用結果，()的數(shù)值與真實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，魯棒性強更適宜用于地面的分類。

（1）垂向加速度信號采集

本文中利用在車廂內后軸上方位置剛性安裝的組合慣導裝置OxTS RT3002作為簧載質量垂向加速度數(shù)據(jù)的采集設備。該設備可同時測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所輸出的垂向加速度()、大地坐標系下的車身俯仰角()，并實時估計車輛的縱向行駛里程()用于等效輪廓的計算。車輛垂向加速度測量的準確性決定了后續(xù)等效地面輪廓估計結果的正確性。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信息，對()進行修正，得到地面垂直振動激勵下的簧載質量垂直振動加速度()：

式中為重力加速度。

（2）地面高度變化時間歷程估計

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）等效地面輪廓計算

由于本文中的慣導設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。本文中采集設備的里程計在車速低于0.2 m/s時不會累加里程，而且里程計采集里程的周期為0.01 s，因此本文中采用0.002 m為距離步長對地面輪廓進行插值。根據(jù)相關研究經驗，本文采取每4 m里程為一個數(shù)據(jù)段，以0.002 m為步長對地面輪廓進行估計。

為了得到地面輪廓的功率譜密度值，利用Welch 法估計()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含了地面特性信息，因此本文采用數(shù)據(jù)段內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 地面力學特征

對地面的力學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［8］的算法，推算車輛行駛滾動阻力和輪速波動量作為能夠體現(xiàn)地面軟硬程度的地面力學特征。

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

圖3 汽車行駛方程式示意

式中：為行駛阻力；為驅動力；為坡度阻力；為加速阻力；為空氣阻力。

輪速波動指標為車輛4 個車輪的輪心速度和輪緣速度的差值隨時間變化的平均值，表征車輪打滑的程度：

式中Δ表示每個車輪的速度差值隨時間的變化，下角標指代4 個車輪，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，其隨時間的變化Δ通過當前時刻的速度差δ()和前4 個計算時間步的速度差δ(-4)相減得到，如式（7）所示。4 個車輪的輪緣速度實際是指的車輪轉速與車輪半徑的乘積，由車載輪速計測量得到，可以通過車載CAN 總線直接讀取。4 個車輪的輪心速度v需要通過如圖4 所示的8 自由度車輛動力學模型計算得到：

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

圖4 計算輪速波動時使用的8自由度車輛動力學模型

為了使得本文中的力學特征和不平整度特征能夠實現(xiàn)同步，滾動阻力和輪速波動特征也利用了()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、不同坡道以及轉向和直行等行駛工況。本文采用擬合能力強、適合處理時間序列的循環(huán)神經網(wǎng)絡（RNN）構建越野地面分類算法，相比于普通的神經網(wǎng)絡，RNN可以將不同時間步的數(shù)據(jù)在模型中的參數(shù)進行共享，由此建立時間序列中相鄰時間步之間的聯(lián)系，進而實現(xiàn)時間序列的建模，在駕駛數(shù)據(jù)建模領域有著廣泛應用。相比以數(shù)據(jù)特征統(tǒng)計量作為輸入的普通神經網(wǎng)絡方法，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)蘊含在時間序列中的各類特性。

本文采用了經典的RNN 時間序列分類網(wǎng)絡架構，如圖5 所示。時刻對應的輸入數(shù)據(jù)序列()經過輸入層，輸入到RNN 的隱含層；隱含層通過網(wǎng)絡單元對輸入進一步提取特征，將最終提取的序列特征經過全連接層、Softmax 層和分類層轉化成該輸入對應的輸出類別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行訓練，最終生成統(tǒng)一的模型實現(xiàn)不同類別數(shù)據(jù)的分類。

圖5 本文采用的RNN網(wǎng)絡結構

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

式中：為第個典型類別（本場合指路面）的全連接層輸出；為典型類別的個數(shù)，本場合=4。利用LSTM 網(wǎng)絡Softmax 層中各類別對應的Softmax 值作為分類得分score：

近年來，RNN 網(wǎng)絡的變體長短期記憶（long short-term memory，LSTM）取得了廣泛應用。這種網(wǎng)絡變體在網(wǎng)絡單元的部分有著更復雜的實現(xiàn)方式，使得RNN 能更好地處理時間依賴問題。因此本文中選用LSTM 實現(xiàn)地面分類。本文中，須設置的LSTM 結構主要參數(shù)就是隱含層LSTM 核心的數(shù)量，模型內部參數(shù)可根據(jù)訓練數(shù)據(jù)學習得到。

本文中的分類特征量需要處理為LSTM 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、滾動阻力和輪速波動特征。輸入樣本的時間跨度為車輛連續(xù)行駛4 m 過程中所經歷的時間。由于車輛行駛過程中，該時間跨度在不同樣本上不盡相同，因此即便傳感器數(shù)據(jù)是按照固定時間步長采樣的，不同輸入樣本中時間點的個數(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建樣本。為了保證樣本采樣方式的一致性，本文中對、和采用與處理等效地面輪廓時類似的方法，對變量進行插值以獲得等距離采樣，在1 m范圍內計算500個空間采樣點。

3 分類結果后處理算法設計

由于分類算法的準確率不可能達到100%，其在車輛連續(xù)行駛過程中的分類結果不可避免地會發(fā)生跳變，因此須對分類結果進行后處理。本文利用一種在時間上開展概率推理的貝葉斯網(wǎng)絡架構設計后處理算法。

對于本文中的地面分類問題來說，地面的真實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)隨時間的變化滿足1 階馬爾可夫過程，以轉移模型描述其狀態(tài)隨時間變化的穩(wěn)態(tài)過程，即其信念狀態(tài)滿足條件分布：

對于每一個時間上的信念狀態(tài)X，在真實世界都可以觀察到相應的證據(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：

在本文的后處理算法中，將分類算法抽象成對真實世界進行觀測的傳感器，隨時間輸出證據(jù)變量E；被觀測的地面的實際類別則是信念狀態(tài)X；后處理算法的本質就是根據(jù)到當前時刻的所有證據(jù)變量計算當前信念狀態(tài)的后驗概率分布(X|)，可以通過遞歸估計進行推理：

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)轉移模型；(x|)為當前推理時刻的先驗模型。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）對該過程進行建模，該方法又稱離散貝葉斯濾波方法。給定傳感器模型、狀態(tài)轉移模型和先驗模型，即可通過前向算法計算信念狀態(tài)的后驗概率分布。構建一個隱馬爾可夫模型需要確定3 個參數(shù)，即各個隱狀態(tài)的先驗分布向量(x|)，記為，各個隱狀態(tài)之間的轉移矩陣(X|x) 記為，和隱狀態(tài)的觀測概率(e|X)，記為。

本文中提出的后處理算法中，利用轉移模型表征分類算法出錯的可能性，利用傳感器模型表征待分類地面與分類算法訓練樣本之間的差異性，兼顧上述的兩種分類結果跳變原因。本文中為了考慮越野地面的類別混雜性，采用具備個步長的HMM模型進行分類結果后處理，若分類算法以10 Hz運行，后處理算法可以對=0.1（單位：s）時間內所有分類結果進行后處理得到統(tǒng)一的分類結果。

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

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

4 算法實現(xiàn)與結果分析

本文中使用的數(shù)據(jù)是利用圖6 所示的實車平臺采集的越野環(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RT3002 設備測量得到，最終數(shù)據(jù)通過Vector VN1630設備統(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，截取互不重合的長度為4 m 的數(shù)據(jù)段作為樣本，最終截取了2 327 沙地數(shù)據(jù)段，1 082 個土路數(shù)據(jù)段，635 個水泥路數(shù)據(jù)段和1 101 個雪地數(shù)據(jù)段，每個數(shù)據(jù)段包含2 000個數(shù)據(jù)點，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)采集平臺和采集場景

由于越野場景存在較大的隨機性，本文中采用5 折（5-fold）交叉驗證方式進行模型的驗證。將所有樣本平均分為5 份，依次提取一份作為測試集，其余的作為訓練集，最后統(tǒng)計所有5 次的測試結果作為最終的模型總體測試結果。為了提升訓練速度，從第2 次訓練開始，每1 次都采用上1 次的訓練結果作為訓練初始值。為了評價算法的性能，采用正確率指標，即分類正確的樣本個數(shù)占所有被分類樣本個數(shù)的比率。

4.1 LSTM模型參數(shù)的影響

為了分析LSTM 結構參數(shù)對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、滾動阻力和輪速波動特征作為分類特征。選取了多種LSTM 核心數(shù)量的網(wǎng)絡結構，以同樣的數(shù)據(jù)和同樣5 折交叉驗證訓練并驗證模型，取得的結果如表1 所示。當LSTM核心數(shù)量為50 個時，算法具有最高的分類正確率，可達95.5%。對沙地、土路、水泥路和雪地來說，達到最高分類準確率對應的LSTM 核心數(shù)量分別為55、55、50 和50 個。因此，在本文所測試的LSTM 核心數(shù)量配置當中，50個LSTM核心為最佳的配置。

表1 不同的LSTM核心數(shù)量對地面分類算法正確率的影響

4.2 輸入特征的對比

為了驗證本文中提出的使用不平整度特征和力學特征進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)測試其效果，5 折交叉驗證的結果如表2 所示。表中LSTM 核心數(shù)設置為50個。表2中對比了單獨使用地面不平整度特征、單獨使用地面的力學特征和同時使用不平整度特征與力學特征對分類正確率的影響。由表可見，單獨采用地面不平整度特征對水泥路和雪地分類能力最差，單獨采用力學特征對土路和雪地的分類能力最差，同時采用兩種特征之后總體分類正確率有所提升，對沙地和水泥路的分類準確率超過使用單項特征的最好水平，土路分類準確率接近最高水平，雪地的分類準確率則比最高有所下降?？傮w來說，同時使用地面不平路特征與力學特征對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比

4.3 與其他典型分類算法的對比

為了驗證本文所提出基于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）來進行地面分類（圖7）。GMM-HMM 廣泛應用于語音識別、駕駛行為識別等領域，與LSTM 一樣可以輸入整段時間序列進行建模。與LSTM 模型不同的是，使用GMMHMM 算法進行地面分類的過程中，須對每一個類別地面對應的時間序列分別搭建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果。

圖7 RNN與GMM-HMM用于地面分類的開展方式的對比

本文中建立了相應GMM-HMM 模型實現(xiàn)越野地面分類，同時使用地面不平整度特征與力學特征的模型作為模型輸入，同樣采取5 折交叉驗證的方式來開展算法的訓練和測試驗證。同時，在樣本均為2 000個采樣點的前提下，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模型結構參數(shù)，對比模型分類性能，結果如表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比

由表可見，總體分類正確率最高可達90.0%，遠低于LSTM 所達到的正確率。正確率整體呈現(xiàn)出隨隱狀態(tài)數(shù)增加而升高的趨勢，在隱狀態(tài)數(shù)達到28 時開始出現(xiàn)因隱狀態(tài)數(shù)過大、算法多次訓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 個左右分類效果最好。

由表還可以發(fā)現(xiàn)，不同類別地面達到最高正確率的模型參數(shù)并不相同，但很接近。模型結構參數(shù)除對土路分類的影響較小以外，對其他類別道路分類的影響都比較大。由于GMM-HMM 模型支持對于不同類別選用不同的結構，因此針對每一種地面，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)和測試結果如表4 所示。由表可見，重新構建的分類模型總體準確率為88.4%，相比于4 類路面采用=25、=10 并沒有提升。這是因為GMM-HMM 模型通過數(shù)據(jù)與4個類別地面模型的相似程度進行對比來進行分類，單項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的實施過程和參數(shù)調整過程也較為簡單。

表4 根據(jù)不同地面類別特點重新構建的GMM-HMM 模型的正確率對比

4.4 分類結果后處理算法設計的驗證

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，分類特征同時采用不平整度特征與力學特征。算法經過5 折交叉驗證得到的混淆矩陣如表5所示。

根據(jù)表5可以得到相應的轉移矩陣：

表5 本文最終選用的地面分類模型混淆矩陣

觀測分布質量函數(shù)則利用每一次分類時Softmax層中的分數(shù)進行歸一化計算得到。

在之前的數(shù)據(jù)集驗證中，數(shù)據(jù)樣本是隨機抽取的，而實際行駛場景中，地形特征是連續(xù)的，車輛運動力響應也是連續(xù)變化的。因此，在實際情況下，造成分類錯誤的地面特征會連續(xù)出現(xiàn)，進而造成連續(xù)的分類錯誤；同時，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，對車輛動力學響應特征造成一定的干擾，因此在某些情況下，連續(xù)數(shù)據(jù)會比分類算法的測試集數(shù)據(jù)造成更多分類錯誤。為了進一步驗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)來進行后處理算法的驗證。由于HMM 算法中采用的步長數(shù)對后處理算法效果有影響，采用2-25個步長對HMM 后處理算法的效果進行對比。結果是選用12 個步長時的后處理準確率最高。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)窗口上進行地面分類；利用相鄰的12 次地面分類結果之間進行分類結果后處理。

為了驗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個后處理窗）、土路（2 854次分類，2 843 個后處理窗）、水泥路（6 138 次分類，6 127 個有效數(shù)據(jù)窗）和雪地（3 189 次分類，6 178 個有效數(shù)據(jù)窗）連續(xù)行駛數(shù)據(jù)上進行地面類別識別和分類結果后處理。結果后處理對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記為1、2、3 和4，分類標簽是根據(jù)采集場景標記的數(shù)據(jù)標簽。

圖8 連續(xù)數(shù)據(jù)上的地面分類結果

表6 后處理前后正確率的對比

表6 中后處理的正確率是以分類次數(shù)為基準，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，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，對于沒有產生錯誤的沙地和土路分類結果，后處理算法并沒有產生額外的錯誤，而對于分類結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 個百分點，單類別正確率提升幅度最高的是雪地，達2.62個百分點。

5 結論

本文中對基于車輛動力學響應的越野地面分類方法進行研究。采用監(jiān)督學習分類模型實現(xiàn)包括沙地、土路、水泥路和雪地的越野地面的分類。分類特征同時采用了地面不平整度特征與地面力學特征，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作為力學特征。選取了LSTM 模型實現(xiàn)越野地面分類。該方法可以對時間序列進行整段建模和分類，無須人為定義輸入數(shù)據(jù)的統(tǒng)計特征量。對比了不同網(wǎng)絡核心數(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到95.5%的正確率。為了解決分類算法在同一種地面類別對應的車輛響應數(shù)據(jù)上分類結果產生跳變的問題，建立了基于HMM模型的分類結果后處理算法，可以綜合考慮算法正確率的限制和越野地面隨機性對分類結果的影響，使越野環(huán)境中連續(xù)行駛數(shù)據(jù)上地面分類準確率總體上從88.44%提升至90.13%。