基于車輪力信號的地面類型分類算法研究

魏 健 張和明 田 雷

（1-陸軍汽車試驗場江蘇南京2100282-北京卡達克汽車檢測技術中心）

基于車輪力信號的地面類型分類算法研究

魏 健1張和明1田 雷2

（1-陸軍汽車試驗場江蘇南京2100282-北京卡達克汽車檢測技術中心）

良好的車輛機動性能是實現軍用無人車輛自主導航的前提，而地面類型的識別是提高機動性的關鍵。提出了基于車輪力信號的地面類型分類模型，通過車輪力傳感器實時獲取車輪力信號，采用經驗模態分解（EMD）及自回歸模型（AR）相結合的方式提取信號的有效特征，并運用支持向量機（SVM）分類器實現地面類型的分類，使用實車試驗數據對所提出的分類模型進行驗證。結果表明，分類模型在幾何特征地面和松軟地面上均取得了良好的分類效果，對于提高軍用無人車輛的機動性具有重要意義。

地面分類車輪力信號EMDARSVM

引言

美國陸軍推出的“未來作戰系統”將無人車技術作為未來行動單元作戰概念中必不可少的組成部分[1]。無人車輛在軍事領域可用于偵察監視、定位引導、特種作業、物資運輸等任務，在節約人力的同時可完成特種高危任務。目前，無人車系統正經歷著由遙控車輛過渡為自主車輛，并向智能車輛發展的過程。其中，無人車輛的自主導航能力是首先被重點研究的對象，而提高無人車輛的機動性能是保證自主導航能力的前提與基礎。在戰場上，軍用車輛必須適應不同的地面情況，除了各種障礙地形以外，沼澤、雪地、沙地、泥濘地等平坦松軟地面也對軍用車輛的機動性能提出了更高的要求。不同的松軟地面類型表現出不同的附著性能和承載能力，對無人車輛參數的配置狀況和即時行駛策略的使用具有較大影響。在獲知行駛地面類型的前提下，可以對車輛載荷、輪胎尺寸、輪胎壓力等參數進行針對性調整，配以合理的行駛控制方法來提高車輛的行駛機動性能。因此，運用現代科學技術識別不同類型路面對提高無人車輛的機動性能具有重要的意義。

目前，已有很多研究者對地面分類進行了研究，主要是結合圖像及雷達信息來提取相關特征信息對地面進行分類。Talukder、Hebert、Vandapel和Manduchi等運用雷達采集地面特征信息來建立模型[2-5]，其側重點是將可行駛路面從灌木叢等植被、巖石障礙物等環境中區分出來，從而引導車輛自主導航。在基于圖像的模型中，采用單目視覺或立體視覺對地面環境圖像信息進行采集，并提取顏色、紋理等特征對地面類型進行分類[6-8]，主要針對地表幾何特征明顯的地面類型進行分類。圖像方法具有明顯的局限性，模型的分類準確性容易受到光照等外界條件變化的影響，地表的覆蓋物也很大程度上干擾了地面識別效果。2002年，Iagnemma和Dubowsky[9]提出從車輪與土壤相互作用出發，結合車輛在行駛過程中的振動信息對地面類型進行分類。Brooks、Iagnemma等人[10-11]發展并推廣運用了這一方案，取得了良好的效果。Sadhukhan、Weiss、Ojeda等人[12-14]進一步證明了該方案的有效性。相比圖像和雷達等遠距離感知信息，車輪與土壤相互作用中的“觸覺”信息為地面類型分類提供了一種全新的解決思路。

本文針對地面類型分類中存在的問題，提出基于車輪力信號的地面類型分類方法。車輪力是車輪與土壤相互作用中重要的動態響應，從Wong的車輛地面力學模型[15]可知，不同的地面類型或參數會引起不同的車輪力動態表現。因此，提取不同類型地面動態車輪力響應信號中的特征可用于地面類型的分類。

1 地面分類模型設計

1.1 地面分類模型結構

車輪力信號是非平穩信號，從信號中提取有效的特征向量是成功進行地面類型分類的前提和關鍵。單純地提取信號的時域或頻域波形特征量并不能充分反映車輪與土壤相互作用力的復雜性，本文采用經驗模態分解（EMD）及自回歸模型（AR）組合方法對車輪力信號進行特征提取[16-17]。研究表明，AR模型的自回歸參數對狀態變化規律反應最敏感[18]，因此采用AR模型的自回歸參數作為特征向量來分析系統的特性是十分有效的。但是AR模型只適用于平穩信號的分析，而車輪力信號表現為非平穩特征。因此，直接采用AR模型對車輪力信號進行分析效果不好。在AR模型建立之前，先對車輪力信號進行EMD預處理，將信號分解為有限個本征模函數（IMF）分量，而IMF都是平穩的，可滿足AR建模的需求，達到特征提取的目的。

在地面分類研究中，對于地面分類模型中分類器的選擇，大量的模式識別算法已被成功應用。Brooks等運用支持向量機（SVM）結合振動信號進行了地面分類；Walas采用SVM結合激光測距儀信號對地面類型進行了識別[19]；Lu使用概率神經網絡（PNN）結合激光信號對地面分類算法進行了研究[20]；Shang在其基于圖像信息的地面識別研究中比較了SVM、k-近鄰（k-Nearest Neighbors）和決策樹（DTREEs）的分類效果[21]。然而，針對基于車輪力信號的地面分類研究，很難直接分辨出哪一種地面分類模型更為合適有效。因此，本文對SVM、PNN以及DTREEs三種算法的具體分類效果進行了比較，最后選取SVM作為分類器。

車輪力信號是車輪與土壤相互作用結果的重要表現形式，當車輛在不同類型地面上行駛時，無論是具有幾何特征的地面還是平坦的松軟地面，不同的土壤特性充分反映在車輪力信號中。提取車輪力信號中的有效特征，可用于地面類型分類，實現實時地面識別。圖1為基于車輪力信號的地面分類模型流程圖。首先對采集到的車輪力原始信號進行預處理，濾除信號中高頻噪聲分量，并對原始信號進行適當平滑，去除信號采集中出現的錯誤信號。用于分類模型的信號長度并不要求很長，經過試驗分析，1s時間間隔的車輪力信號段即可取得較為良好的分類效果，較短的信號段有利于實時地面識別。因此，對原始完整車輪力信號按1 s時間間隔進行分割，然后采用EMD方法結合AR模型對每一個分割后的信號段進行特征提取。最后使用SVM進行分類模型建模，學習每一個帶有地面類型標簽的訓練數據，并在訓練后得到有效的分類模型。以上為離線分類模型建立的整個過程，按同樣的流程可依據實時采集到的車輪力信號對地面類型進行在線識別，得到車輛行駛經過的地面類型。

圖1 基于車輪力信號的地面分類模型流程圖

1.2 EMD-AR特征提取算法

經驗模態分解（EMD）是在希爾伯特-黃變換（Hilbert-Huang Transform，HHT）過程中提出的一種自適應信號分解方法[22-23]。運用EMD可以把任何信號x（t）按如下步驟進行分解：

1）確定信號所有的局部極值點，然后用三次樣條線將所有的局部極大值點連接起來形成上包絡線，再用三次樣條線將所有的局部極小值點連接起來形成下包絡線，上下包絡線包絡所有的數據點。上下包絡線的平均值記為m1，求出

如果h1滿足IMF的條件，那么h1就是x（t）的第1個滿足IMF條件的分量。

2）如果h1不滿足IMF的條件，把h1作為原始數據重復步驟1）。得到上下包絡線的平均值m11，再判斷h11=h1-m11是否滿足IMF的條件，如不滿足，則重復循環k次，得到h1(k-1)－m1k=h1k，使h1k滿足IMF的條件。記c1=h1k，則c1為信號x（t）的第1個滿足IMF條件的分量。

3）將c1從x（t）中分離出來，得到

將r1作為原始數據重復步驟1）與步驟2），得到x（t）的第2個滿足IMF條件的分量c2，重復循環n次，得到信號x（t）的n個滿足IMF條件的分量。這樣就有

當rn成為一個單調函數而不能再從中提取滿足IMF條件的分量時，循環結束。由公式（2）和公式（3）得到

把任何一個信號x（t）分解為n個IMF分量和一個殘余量rn之和，分量c1，c2，…，cn包含了信號從高到低不同頻率段的成分，rn則表示信號x（t）的中心趨勢。

采用EMD方法對車輪力信號x（t）進行分解，可得到n個IMF分量c1（t）、c2（t）、…、cn（t），每一個IMF分量都包含不同的特征尺度信息，通過EMD分析，信號x（t）的特征完全可以由這n個IMF分量c1（t）、c2（t）、…、cn（t）來刻畫，通過對c1（t）、c2（t）、…、cn（t）的特征提取，可以得到原始信號x（t）的特征。

為提高地面分類模型的訓練速度和分類效果，對IMF分量進行能量歸一化處理，得到新的IMF分量Ci（t）

對任何一個IMF分量Ci（t）建立如下的自回歸參數模型AR（m）

式中：φi（kk=1，2，…，m）是C（it）的AR模型的自回歸參數，m是AR模型階數，e（it）為模型的殘差，是均值為0，方差為的白噪聲序列。經過AR建模，自回歸參數φik和σ2i很好地刻畫了原始信號x（t），反映出x（t）中的固有特性，因此將Ai=[φi1，φi2，…，φik，作為特征向量用于識別地面類型。

1.3 SVM分類算法

支持向量機（SVM）是Cortes和Vapnik于1995年首先提出的[24]，它在解決小樣本非線性及高維模式識別中表現出許多特有的優勢。目前，構造SVM多類分類器的方法主要有兩種：一種是直接法，直接在目標函數上進行修改，將多個分類面的參數求解合并到一個最優化問題中，通過求解該最優化問題一次性實現多類分類。此方法原理簡單，但是計算復雜程度高，實現起來反而比較困難。另一種是間接方法，主要通過組合多個二分類器來實現多分類器的構造，比較常見的方法有一對多和一對一兩種。本文采用一對一法，做法是在任意兩類樣本之間設計一個SVM，因此，k個類別需要設計k（k-1）/2個SVM。當對一個未知樣本進行分類時，最后數量最多的類別即為該未知樣本的類別。

SVM在解決非線性問題的過程中引入映射函數將輸入空間映射到一個高維特征空間，從而將非線性問題轉化為線性問題。但是當高維空間的維數巨大時，計算的時間復雜程度和空間復雜程度都非常高，利用輸入空間的核函數間接地將輸入空間兩個向量的內積映射為高維空間的內積可以解決這一問題。目前，使用最多的核函數有：多項式核函數、徑向基核函數、Sigmoid核函數等。由于徑向基核函數對應的特征空間是無窮維的，有限的樣本在該空間中必是線性可分的，因此使用最為廣泛，本文選用徑向基核函數，K（xi，xj）=exp（-Γ‖xi-xj‖2）。

在具體的算法實現過程中，采用中國臺灣地區臺灣大學資訊工程學系林智仁教授等人編寫的LIBSVM軟件[25]來實現一對一的SVM分類，利用LIBSVM軟件的MATLAB接口，在MATLAB中編寫多分類支持向量機程序，從而實現地面類型分類。得到滿意的分類預測效果的關鍵在于調節SVM算法中相關參數（主要是懲罰參數c和核函數參數g）。采用K-CV（k-fold Cross Validation）交叉驗證算法來選取最佳的c和g，有效提高了SVM分類器的分類效果。

2 試驗驗證

2.1 原始信號獲取

選用某型軍用越野汽車作為試驗車輛，安裝車輪力傳感器（WFT）用于采集車輪力信號，如圖2所示。試驗路面包括幾何特征較為明顯的鐵餅路、搓板路、比利時路和半整齊石塊路（如圖3所示）和水稻田地、翻耕地和沙地等松軟地面（如圖4所示）。在試驗過程中，為了減少車輛行駛狀態對于數據的干擾，駕駛模式統一采用勻速直線行駛，速度控制在20 km/h左右。

圖2 WFT測試系統實車安裝

圖3 幾何型路面

圖4 通過性測試松軟地面

統一采用車輛右前輪的垂向力（Fz）信號來進行地面分類算法的試驗驗證。圖5為幾何特征較為明顯的4種路面（鐵餅路，搓板路，比利時路和石塊路）Fz原始信號，圖6為3種松軟路面Fz原始信號。

圖5 幾何特征路面Fz原始信號

2.2 特征提取

圖6 松軟路面Fz原始信號

提取信號的有效特征是實現分類算法及提高分類效果的關鍵。圖7為EMD方法分解水稻田Fz信號的結果。原則上，經EMD得到的各個模式IMF分量應分別對應于原信號各實際組成部分，在實際分解過程中，EMD不可避免會出現過分解現象，使兩者之間存在誤差，其差值形成虛假分量，即得到的分量個數比原信號實際組成分量多。如果直接對所有IMF分量進行AR建模，會導致特征向量維數過高，不利于分類算法的實現。由分析可知，分解所得各分量必然和原信號存在較大的相關性，而虛假分量是由誤差形成，相關性必然很小。因此，從各分量與原信號相關分析中能分辨出其是否為虛假分量。據統計分析理論，因子的方差貢獻率是衡量因子重要性的關鍵指標，該值越高，說明相應因子的重要性越高[26]。在實際的IMF選取過程中，選用IMF分量與原信號的互相關系數cor和方差貢獻率mseb作為評價準則。

式中：N為單個信號長度，n為IMF分量分數，τ為時間間隔。圖8為各IMF分量與原信號互相關系數和其方差貢獻率。從圖8可以看出，隨著分解階次增加到一定程度（3階），各分量和原信號的互關系數和方差貢獻率急劇減小。考慮到部分信號分解后IMF總階次不足5階，但是都達到了3階，綜合之下，選擇EMD分解的前3階IMF分量作為Fz信號的有效分量。

圖7 EMD方法對水稻田Fz信號的分解結果

圖8 各IMF分量與原信號互相關系數和其方差貢獻率

在EMD信號分解的基礎上，對IMF分量建立AR模型，提取AR模型自回歸參數和方差作為Fz信號的特征向量。在具體實現過程中，采用F檢驗定階法確定Fz信號的3階AR模型即能完成對原信號較為完整地刻畫。表1為三種松軟地面類型IMF各分量進行AR建模的結果，并將A=[Ai，1，Ai，2，Ai，3]作為Fz信號的特征向量用于分類模型。

表1 IMF分量AR建模結果

2.3 地面類型分類結果

基于EMD-AR模型提取的特征向量，采用SVM建立地面類型分類器。試驗驗證過程中，使用30組長度為1 s的Fz信號作為SVM分類器的訓練樣本，并使用10組同類信號作為預測樣本。在4種幾何特征地面對所提出的地面分類模型進行驗證，選取SVM分類器參數為c=8.7，g=0.8。圖9為SVM分類器在幾何特征地面上訓練集和預測集的預測效果，表2為幾何特征地面上SVM的分類效果。由表2的數據分析表明，SVM分類模型在幾何特征地面上取得了較為良好的分類效果，訓練集上平均分類準確率為86.67%，測試集上也達到了85.0%的平均準確率。不同地面類型，分類效果也存在差異，由于鐵餅路和搓板路物理特征較為明顯，分類準確率較高，達90%左右；而比利時路和石塊路的分類準確率相對較低，為80%左右。在3種松軟地面檢驗分類模型的性能，對應的SVM分類器最優參數為c=6.3，g= 1.4。圖10為SVM分類器在松軟地面上訓練集和預測集的預測效果，表3為松軟地面上SVM的分類效果。由表3的數據分析表明，訓練集上分類平均準確率達78.89%，預測集上分類平均準確率為76.67%。總體來看，雖然松軟地面的分類準確率較幾何特征地面略低，但由于松軟地面在物理特性上更為相似，分辨難度高，因此所提出的分類模型在松軟地面上也成功實現了地面類型分類。對于不同的松軟地面類型，水稻田地的分類準確率較高，達90%，而在翻耕地和沙地上分類效果較為一般，各為70%，還有進一步提升的空間。

圖9 SVM分類器在幾何特征地面上的預測效果

表2 幾何特征地面SVM分類效果

圖10 SVM分類器在松軟地面上的預測效果

表3 松軟地面SVM分類效果

2.4 性能比較

為了體現SVM算法在地面分類模型中的優越性，將其分類預測效果與PNN和DTREEs分類器進行比較。在具體實現過程中，通過不斷嘗試的方法選取較為適合PNN網絡的分布密度Spread=1.5，而DTREEs的實現主要是使用了較為典型的C4.5算法。表4給出了三種分類器的分類效果比較。從表4可知，在幾何特征地面上，PNN具有較為良好的分類效果，且與SVM較為接近，準確率為82.5%；而DTREEs的分類效果一般，為72.5%。在松軟地面上，SVM表現出較為明顯的優勢，準確率為76.67%，而PNN和DTREEs的分類準確率僅為63.33%和60.0%。從數據分析可以看出，SVM的綜合性能優于其他兩種分類器，是更為適用的分類算法。

表4 不同分類器性能比較

3 結論

基于車輪力信號結合EMD-AR特征提取方法和SVM分類器構建了地面類型分類模型，為自主車輛和無人車的地面識別提供了一條可行的思路。試驗驗證結果表明，所建立的地面分類方法和分類模型是有效的，在幾何特征明顯的地面和松軟地面上都取得了良好的分類效果，其中幾何地面上的分類準確率略高于松軟地面。但模型的分類準確率還有進一步提高的空間，未來的研究重點應著眼于改進分類算法和融合分類信號，以便進一步提高地面類型的識別效果。

1韓仁輝，趙祥君，于坤炎，等.外軍軍用無人車發展現狀及特點與趨勢[J].汽車運用，2011（8）：21-22

2Talukder A,Manduchi R,Castano R,et al.Autonomous terrain characterisation and modelling for dynamic control of unmanned vehicles[C].IEEE International Conference on Intelligent Robots and Systems.Lausanne,Switzerland,October 2002,1:708-713

3Hebert M,Vandapel N.Terrain classification techniques from ladar data for autonomous navigation[C].Collaborative Technology Alliances conference.College park,MD,USA,May, 2003:44-51

4Vandapel N,Huber D,Kapuria A,Hebert M.Natural terrain classification using 3-d ladar data[C].IEEE International Conference on Robotics and Automation(ICRA).New Orleans, LA,April,2004:5117-5122

5Manduchi R,Castano A,Talukder A,et al.Obstacle detection and terrain classification for autonomous off-road navigation [J].Robotics and Automation,2005,18:81-102

6Kelly A,Stentz A,Amidi O,et al.Toward reliable off road autonomous vehicles operating in challenging environments[J]. International Journal of Robotics Research,2006,25(5/6): 449-483

7Bellutta P,Manduchi L,Matthies K,et al.Terrain perception for demo III[C].Proc.IEEE Intelligent Vehicles Symposium. Dearborn,MI,2000:326-332

8Castano R,Manduchi R,Fox J.Classification experiments on real-world textures[C].Proc.Workshop on Empirical Evaluation in Computer Vision.Kauai,HI,2001:1-20

9Iagnemma K D,Dubowsky s.Terrain estimation for highspeed rough-terrain autonomous vehicle navigation[C].Proc. SPIE-The International Society for Optical Engineering.Orlando,FL,2002,4715:256-266

10 Brooks C A,Iagnemma K D.Self-supervised classification for planetary rover terrain sensing[C].IEEE Aerospace Conference Proceedings.2007 IEEE Aerospace Conference Digest, 2007:1-9

11 Brooks C A,Iagnemma K D.Self-supervised terrain classification for planetary surface exploration rovers[J].Journal of Field Robotics,2012,29(3):445-468

12 Sadhukhan D,Moore C,Collins E.Terrain estimation using internal sensors[C].Proceedings of International Conference on Robotics and Applications(IASTED).2004:195-199

13 Ojeda L,Borenstein J,Witus G,et al.Terrain characterization and classification with a mobile robot[J].Journal of Field Robotics,2006,23(2):103-122

14 Weiss C,Frohlich H,Zell A.Vibration-based terrain classification using support vector machines[C].Proceedings of the 2006 IEEE/RSJ International Conference on Intelligent Robots and Systems.Beijing,China,October,2006:4429-4434

15 Wong J Y.Theory of ground vehicles[M].John Wiley&Sons, August 2008

16吳婷，顏國正，錢炳鋒，等.基于EMD和Hilbert變換的自發腦電信號特征提取[J].北京生物醫學工程，2011，30(4)：381-386

17于德介，程軍圣，楊宇，等.基于EMD和AR模型的汽車變速器齒輪故障診斷方法[J].汽車工程，2005，27(1)：107-110

18丁玉蘭,石來德.機械設備故障診斷技術[M].上海：上海科學技術文獻出版社，1994

19 Walas K,Nowicki M.Terrain classification using laser range finder[C].2014 IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS 2014).Chicago,IL,USA,September,2014:5003-5009

20 Lu L,Ordonez C,et al.Terrain surface classification with a control mode update rule using a 2D laser stripe-based structured light sensor[J].Robotics and Autonomous Systems,2011, 59:954-965

21 Shang C J,Barnes D.Fuzzy-rough feature selection aided support vector machines for Mars image classification[J]. Computer Vision and Image Understanding,2013,117:202-213

22 Huang N E,Shen Z,Long S R.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[C].Proc.R.Soc.Lond.A.1998,454: 903-995

23 Huang N E,Shen Z,Long S R.A new view of nonlinear water waves:The Hilbert spectrum[J].Annual Review of Fluid Mechanics,1999,31:417-457

24 Cortes C,Vapnik V.Support-vector networks[J].Machine Learning,1995,20(3):273-297

25 Chang,C C,Lin C J.LIBSVM:A library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology,2011,2(3):1-27

26徐鋒，劉云飛.基于EMD-SVD的聲發射信號特征提取及分類方法[J].應用基礎與工程科學學報，2014，22(6)：1238 -1247

Research of Ground Type Classification Algorithm based on Wheel Force Signal

Wei Jian1,Zhang Heming1,Tian Lei2
1-Military Vehicle Proving Ground(Nanjing,Jiangsu,210028,China) 2-Beijing CATARC Auto Detection Technology Center

Good mobility is a prerequisite to achieve autonomous navigation of unmanned military vehicle, and identification of ground types is the key to improve mobility.Ground type classification model is proposed based on the wheel force signal,getting real-time signal through the wheel force sensor,extracting signal effective features using a combination of EMD and AR model,and using SVM classifier to achieve ground type classification.The classification model is validated with the actual vehicle test data.The result shows that classification model have achieved good effect on the geometric features ground and soft ground conditions.It is available for improving the mobility of military unmanned vehicle.

Ground classification,Wheel force signal,EMD,AR,SVM

U461.1

A

2095-8234（2016）05-0040-08

2016-09-13）

魏健（1978—），男，工程師，主要研究方向為車輛工程。