基于融合特征的無人履帶車輛道路類型識別方法

劉佳, 劉海鷗, 陳慧巖, 毛飛鴻

(1.北京理工大學 機械與車輛學院, 北京 100081; 2.中國北方車輛研究所 車輛傳動重點實驗室, 北京 100072)

0 引言

不同類型的道路其阻力系數、不平度、附著系數等參數有著明顯差異,會對車輛性能產生重要影響。趙豐根據道路的不平度等級對車輛半主動懸架的控制參數進行優化,提高了懸架系統的減振性能[1]。顛簸道路會造成車輛油門的劇烈變化,進而導致頻繁換擋,影響車輛的動力性和經濟性[2]。道路阻力系數會直接影響車輛動力學模型參數,從而對車輛動力性產生影響。車輛在低附著路面行駛時易發生滑轉滑移甚至甩尾失控,其行駛穩定性裕度難以精確可控,行駛軌跡不確定性較大。對于相同類型的道路,滾動阻力系數與車輛速度等參數之間的關系曲線、最大轉向阻力系數、附著系數與滑移率之間的關系曲線等是一致的,路面不平度函數也具有相似的統計規律,因此對道路類型進行識別后,可以進一步識別阻力系數、附著系數、路面不平度等級等參數。無人履帶車輛通常行駛在復雜的非結構化道路上,經常遇到起伏大、泥濘多的道路環境,其性能極易受到路況的影響,因此在其進行懸架控制、自動換擋決策、路徑規劃等任務時,首先識別道路類型,然后對阻力系數、附著系數、路面不平度等級等參數進行識別,進而根據識別結果調整決策控制策略及參數,有利于優化車輛的行駛效率、通過能力等,提高無人履帶車輛對各種道路的適應能力。因此道路類型識別對無人履帶車輛的性能提升至關重要。

路面圖像可以提供豐富的色彩和紋理信息,因此基于圖像的道路類型識別方法得到廣泛應用。鄒家祥結合圖像色彩統計特征與局部二值模式(LBP)特征,分別使用支持向量機(SVM)與雙層分類器實現地形識別,雙層分類器即首先根據顏色特征大致判斷地形類別,之后根據紋理特征確定具體的地形[3]。王振宇[4]采用深度卷積神經網絡技術進行路面圖像識別,并對多種網絡框架的訓練學習效果進行對比,選擇最優網絡結構,然后對其相對應的不同路面等級進行模糊分類。Dewangan等[5]提出了一種基于卷積神經網絡的道路分類網絡,用于道路表面的精確分類,在復雜的道路環境中也表現優越。abanovi等[6]開發了基于可視化數據和深度神經網絡的路面實時分類系統,并應用于汽車制動系統。Wang等[7]將SVM和卷積神經網絡結合,實現了基于圖像的道路類型識別。王志紅等[8]將語義分割模型作為基礎模型,同時改進模型輸出網絡,將數目最多的像素類型標簽作為最終道路類型的識別結果。Liu等[9]基于道路圖像,利用MobileNetV2卷積神經網絡框架和遷移學習實現了道路類型識別。此類方法在光照條件良好的環境中性能優越,但是當光線較強或較弱、導致成像質量不佳時,其性能會大大下降。另外,當履帶車輛行駛過程中的塵土、泥漿等導致道路圖像畫質惡劣時,也會使得該方法性能下降。

很多學者利用懸置質量垂向加速度信號進行道路類型識別,一般使用加速度計測得的垂向加速度表示垂向振動。Wang等[10]通過測量車輛振動,并根據車輛的速度和四分之一動力學模型計算出道路輪廓,從道路輪廓與加速度數據中提取特征,利用機器學習方法實現了路面分類。Bai等提出了一種基于車輛三維振動的地形分類方法,利用快速傅里葉變換(FFT)將三個方向的加速度變換到頻域,提取特征向量后,分別采用改進的BP神經網絡[11]與多層感知深度神經網絡[12]得到振動與地形類型之間的映射關系。Wang等[13]以原始振動信號的時域以及時域、頻域和時頻域的組合特征為輸入,利用隨機森林(RF)算法對道路進行了分類。Skoczylas等[14]提取加速度計和陀螺儀數據的頻域特征,以多層感知機為分類器實現了道路類型識別。Cheng等[15]提出了一種基于振動的自主機器人地形分類框架,利用半監督學習實現了地形分類。Shi等[16]利用半監督學習方法,研究了基于振動的地形分類問題,針對地形采樣序列中存在的內在時間相關性,提出了一種改進的拉普拉斯SVM法,以利用未標記數據提高分類性能。Andrades等[17]利用自組織映射算法對路面進行分類和估計,用輪胎在6種不同表面上滾動產生的振動數據生成道路分類模型。此類方法不受光照影響,環境適應性強,但其準確率較低,無法辨別不平度相似的路面。

由于使用單一信號存在局限性,一些文獻提出將多種信號進行結合,實現優勢互補。王世峰等將路面圖像的紋理特征、直方圖特征與懸置質量振動特征結合,使用神經網絡分類器實現道路類型識別[18],該文獻使用傳統的圖像特征進行識別,相比于卷積神經網絡提取的深度特征,傳統特征魯棒性差,準確率低。Mauro等提出了一種通過收集車輛與環境相互作用機理的重要信息來進行地形識別的方法,該方法使用大量傳感器以得到車輪縱向力、驅動扭矩、功率、摩擦系數、縱向剛度等變量,之后提取其統計特征,利用SVM實現了地形識別[19]。Bonfitto等使用人工神經網絡(ANN)區分路面的干燥、潮濕、結冰3種情況,輸入特征向量包括橫縱向加速度、橫擺角速度、4個車輪線速度的頻譜分析和統計分析,共64個特征[20]。文獻[19]和文獻[20]提出的方法均需要加裝多個傳感器,復雜度高,實用性低。

本文提出一種基于融合特征的無人履帶車輛道路類型識別方法,將道路圖像的深度特征和懸置質量垂向加速度的統計特征相結合,利用機器學習分類算法實現道路類型識別。道路圖像的深度特征利用卷積神經網絡進行提取。對于懸置質量垂向加速度信號,本文考慮其時域信號、頻域信號以及功率譜密度信號。本文共考慮碎石路、土路、沙路和鋪面路4種常見的非結構化道路。對使用單一特征和融合特征的方法進行對比,結果表明融合特征的準確性和環境適應性大大優于單一特征,并且相比僅使用圖像特征的方法,基于融合特征的方法實時性損失極小。另外,本文對比了SVM、ANN、決策樹(DT)、Bagging、RF 5種機器學習分類算法在準確性和實時性方面的性能,結果表明SVM和RF在準確性和實時性方面都表現優越,總體準確率可以達到90%以上,識別速度可以達到14幀/s。

1 道路類型識別方法設計

本文提出的基于融合特征的道路類型識別方法總體框架如圖1所示,該方法包括圖像特征提取網絡訓練、融合特征提取、道路類型識別模型訓練、道路類型在線識別4個部分。離線時,首先利用大量路面圖像訓練卷積神經網絡,去除最后的全連接層和輸出層后得到圖像深度特征提取網絡;之后利用圖像特征提取網絡提取路面圖像的深度特征,與垂向加速度時域、頻域、功率譜密度信號的統計特征進行連接,得到融合特征;將融合特征作為輸入、道路類型標簽作為輸出,使用機器學習分類方法訓練道路類型識別模型。在線時,首先提取路面圖像與垂向加速度的融合特征,然后輸入訓練好的道路類型識別模型,得到道路類型。

圖1 道路類型識別方法整體框架圖Fig.1 Overview of the identification method for proposed road types

1.1 圖像特征提取網絡訓練

本文使用卷積神經網絡提取道路圖像的深度特征,相比LBP特征、直方圖特征等傳統的圖像特征,深度特征魯棒性更強,分類準確率更高。卷積神經網絡通常包括多層卷積層、池化層以及最后的全連接層和輸出層,其中,前二者用于提取圖像的深度特征和降低計算量,后兩者用于將深度特征映射到類別。

本文使用遷移學習,對MobileNetV2的網絡結構進行調整。如圖2所示,MobileNetV2的一個網絡塊包括深度可分離卷積+ReLu層、卷積層、卷積+ReLu層以及相加層[21]。對于一個n×n×d的三維矩陣,卷積處理就是以一定步長遍歷三維矩陣,遍歷時使用m×m×d的卷積核對經過的矩陣元素進行卷積操作,其中,n為三維矩陣的長度和寬度,m為卷積核的長度和寬度,d為三維矩陣和卷積核的深度。兩矩陣的卷積如下式:

圖2 卷積神經網絡結構圖Fig.2 Convolutional neural network structure

(1)

式中:x和y均為參與卷積運算的矩陣;xij為矩陣x的第i行、第j列元素;yij為矩陣y的第i行、第j列元素。深度可分離卷積包括逐通道卷積與逐點卷積兩步,逐通道卷積就是使用d個m×m×1的卷積核分別對三維矩陣的每一層進行卷積,逐點卷積就是使用1×1×d的卷積核對三維矩陣進行卷積,深度可分離卷積可以減少卷積核的參數,有利于實現網絡的輕量化。ReLu激活函數用于進行非線性化處理,對于矩陣中的每個元素,進行以下處理:

(2)

式中:ReLu(x)表示ReLu激活函數。相加層將兩個維度相同的三維矩陣的元素進行逐一相加。

在MobileNetV2后添加全局池化層、全連接層和輸出層,得到完整的卷積神經網絡。如圖2所示,全局池化層需要處理一個尺寸為7×7×1 280的三維矩陣,求出每一層元素的均值就可以得到尺寸為1×1×1 280的矩陣。全連接層設置了50個神經元。由于本文考慮了4種道路類型,輸出層包括4個神經元。

為減小訓練時的計算量,本文使用了在大型圖像數據集ImageNet上預訓練的網絡參數,即圖2卷積和深度可分離卷積使用的的卷積核中的元素值。在訓練時,僅對MobileNetV2的最后4層以及全連接層、輸出層的參數進行訓練,其余參數凍結。訓練完成后,去除全連接層和輸出層,僅保留圖2中的特征提取網絡,用于提取圖像的深度特征,圖像特征共1 280維。

1.2 融合特征提取

本文使用路面圖像和垂向加速度的融合特征進行道路類型識別,實現兩種信號的優勢互補,以提高識別的環境適應性和準確性。其中,前者體現了道路的外觀特征,使用訓練好的特征提取網絡進行深度特征提取;后者體現了道路的不平度特征,本文考慮了其時域信號、頻域信號以及功率譜密度信號的多種統計特征。假設懸置質量的垂向加速度信號為平穩隨機信號。本文在進行道路類型識別時,使用當前時刻的圖像數據以及過去10 m的垂向加速度數據,每隔5 m識別一次。通過插值法將垂向加速度數據的長度統一到200個點。

1.2.1 頻域信號獲取

采用FFT從時域信號獲取頻域信號,它可以將時域信號分解為多個正弦信號的疊加,從而建立從時域到頻域的變換關系。針對長度為M的有限長離散時間信號x(n1),可以得到其P點的離散傅里葉變換:

(3)

式中:P為離散傅里葉變換區間的長度,P≥M,本文中P=M;X(k)表示離散傅里葉變換后的第k個點。

1.2.2 功率譜密度信號獲取

功率譜密度函數表示信號的功率密度沿頻率軸的分布,它與信號的自相關函數組成一個傅里葉變換對。離散信號x(n)的自相關函數R(m)如下式:

(4)

對離散信號的自相關函數進行FFT,即可得到離散信號的功率譜密度。

1.2.3 垂向加速度統計特征提取

本文使用12個常用的統計量來表示垂向加速度的特征。

1)均值:

(5)

式中:N為離散信號x(i)中點的個數。

2)標準差:

(6)

3)方根幅值:

(7)

4)均方根值:

(8)

5)最大絕對值:

s5=max |x(i)|

(9)

6)偏斜度:

(10)

7)峰度:

(11)

8)峰值指標:

(12)

9)裕度指標:

(13)

10)波形指標:

(14)

11)脈沖指標:

(15)

12)過零次數s12:表示信號過零點的總次數。

對于垂向加速度時域信號,提取s1～s12共12個統計量,對于頻域和功率譜密度信號,提取s1～s11共11個統計量,因此垂向加速度統計特征共34維。垂向加速度特征與圖像深度特征連接后形成融合特征,共1 314維。

1.3 道路類型識別模型

利用機器學習分類算法構建道路類型識別模型。本文對SVM、ANN、DT、Bagging、RF共5種機器學習分類算法進行對比,其中前3種為單模型算法,后2種為集成學習算法。本節對SVM進行詳細介紹,其余算法作為對比算法進行簡要介紹。

1.3.1 SVM算法

給定樣本集D={(x1,y1),…,(xn,yn)},yi∈{-1,+1},SVM的目標為求得一個分類超平面,使兩類樣本的間隔最大,該分類超平面為

ωTx+b=0

(16)

式中:ω為系數向量;x為輸入特征向量;b為偏置項,當ωTx+b≥0時樣本x為正例,否則為負例。如果上述分類超平面能夠將樣本(xi,yi)∈D正確分類,則ω、b滿足式(17):

(17)

能夠使式(17)中等號成立的樣本點稱為支持向量,它們距離分類超平面最近,它們到超平面的距離為

(18)

根據上述分析,可知SVM訓練時要求解以下問題:

(19)

式中:yi為真實類別標簽;n2為訓練集中的樣本數量。可通過拉格朗日乘子法求得該問題的對偶問題,進而通過求解對偶問題求得ω和b。

為實現非線性分類,可以將樣本從原始空間映射到高維空間,樣本x經過映射變換為φ(x),κ(xi,xj)=φ(xi)Tφ(xj)為核函數,本文使用高斯核函數:

(20)

式中:σ為高斯核帶寬。

為實現多分類,可訓練多個二分類支持向量模型,本文選取的多分類模型構建方法為“one vs rest”,就是每次訓練模型時,將一個類別的樣本看作正例,其余類別的樣本看作負例。本文共考慮了4種道路類型,因此共構建4個支持向量分類模型[22]。

1.3.2 其余機器學習分類算法

ANN由多個神經元連接組成。神經元接收輸入{x1,x2,…,xm},輸出y:

(21)

式中:[ω1,ω2,…,ωm]T為權重向量;b1為神經元閾值;f(·)為激活函數。本文使用單隱層前饋神經網絡,輸入層神經元接收外界輸入,不進行函數處理,隱層與輸出層神經元對輸入信號進行處理,隱層激活函數為ReLu,輸出層激活函數為softmax。本文考慮了4種道路類型,因此輸出層神經元有4個。網絡中的待求解參數為每個連接的權重和每個神經元的閾值,本文中的損失函數為交叉熵損失,通過誤差逆傳播算法進行求解。

DT包括一個根節點、若干個內部節點和葉節點,每個葉節點代表一種決策結果,其余節點代表劃分特征。初始DT僅包含1個根節點,然后通過選擇最優劃分特征不斷增長,直至達到結束條件。最優劃分特征可以根據信息增益、增益率或基尼指數來選擇,本文選用基尼指數:

(22)

式中:Gini(D)為樣本集合D的基尼值;pi為第i類樣本在數據集中的比例;k1為類別總數;Gini_index(D,a)為劃分特征a在D上的基尼指數,a在D上共有V個可能的取值;|Dj|表示特征a取值為aj的樣本數量;|D|為樣本集合D中的樣本數量。最優劃分特征即為基尼指數最小的特征[23]。為防止過擬合,本文中使用的DT最大深度為15,當節點上的樣本數量小于10時停止劃分。

Bagging由多個基分類器組成,在訓練每一個基分類器時,使用數據集中的隨機子集和特征集的隨機子集進行訓練,最終結果由所有基分類器投票產生[24]。RF是一種以DT為基分類器的Bagging方法,DT從候選特征集的隨機子集中選擇最優劃分特征[25]。

2 數據采集與卷積神經網絡訓練

2.1 數據采集與預處理

為對圖像特征提取網絡及道路類型識別模型進行訓練,并測試所提方法的性能,使用圖3所示的履帶式平臺采集大量不同道路、不同工況下的圖像及垂向加速度數據。平臺為雙側獨立電驅動平臺,兩側驅動輪與驅動電機相連。該平臺安裝有相機、慣性導航系統、差分GPS等多種傳感器,它們均位于車輛的縱向對稱面上,屬于懸架之上的部分。相機安裝在車輛的前部位置,位于車廂上方,數據采集頻率為10 Hz。慣性導航系統位于駕駛座位下方,差分GPS位于車輛兩油箱中間的車頂位置,二者結合組成組合導航系統,數據采集頻率為50 Hz。使用ROS采集數據,每一幀數據均使用ROS時間戳進行標注。

圖3 履帶式數據采集平臺Fig.3 Tracked data collection platform

本文共考慮4種常見的非結構化道路:碎石路、土路、沙路和鋪面路。4種道路均包含多段曲率不同的彎道,最小曲率半徑約為5 m。平臺在4種道路上的行駛速度均位于[5 km/h,20 km/h]區間內。道路存在多個坡度不同的坡道,最大坡度約為15°。數據采集時,道路均處于干燥無積水狀態。

數據預處理包括時間同步、道路區域提取、消除重力加速度影響和數據分段四步。時間同步目的為將圖像數據和導航數據兩種不同來源的數據進行時間對齊,以便于后續的融合特征提取,根據ROS時間戳進行對齊。道路區域提取目的為去除圖像數據中的環境信息,僅保留道路區域的圖像,以防止環境信息對分類器產生干擾,采集圖像的下半部分即為需要保留的道路區域。由于慣性導航系統采集的垂向加速度會包括重力加速度在懸置質量垂向上的分量,需要根據重力加速度的值和坡度信息消除重力加速度影響。數據分段就是將處理好的垂向加速度劃分為每段10 m,其中相鄰段存在5 m的重疊區域,劃分完成后可獲取垂向加速度的頻域信號和功率譜密度信號。預處理后的4種道路數據如圖4所示,從中可以看到4種道路在外觀及不平度方面均存在差異:預處理后的數據集中共有2 444組碎石路數據,2 080組土路數據,2 148組沙路數據,2 964組鋪面路數據。

圖4 4種道路圖像數據與垂向加速度數據Fig.4 Images and vertical acceleration data of four road types

2.2 卷積神經網絡訓練結果

使用采集的大量道路圖像對卷積神經網絡進行訓練,為提高數據多樣性,對圖像進行數據增強處理,包括高斯模糊、運動模糊、亮度調節和對比度調節,為模擬夜間行駛的工況,在數據中加入一部分全黑圖像。為減小計算量并使圖像與網絡相適配,將所有圖像的尺寸調整為224×224×3。將數據按照4∶1的比例隨機劃分為訓練集和測試集,測試集用于測試模型性能以及判斷訓練是否過擬合。為減小內存占用,使用小批量訓練方法,每次迭代僅取一部分數據,本文將批量尺寸設為300,迭代次數為 150次。訓練時使用的優化算法為自適應動量估計法,并設置學習率遞減。本文使用的損失函數為交叉熵損失函數。

訓練過程中訓練集與測試集的準確率和損失值變化情況如圖5所示。由圖5可見:未訓練模型在訓練集和測試集上的準確率均為20%左右;訓練初期,模型在訓練集上的損失值出現振蕩,可能是學習率較大引起的,當迭代60次后,訓練基本達到收斂,訓練集損失值穩定在0.4附近,準確率在80%左右;訓練初期,模型在測試集上的準確率和損失值均出現振蕩,當迭代60次后,損失值穩定在0.4附近,準確率達到80%左右;訓練收斂后模型在測試集上的準確率未出現明顯下降,因此訓練不存在過擬合現象。

圖5 訓練過程中的準確率與損失值變化Fig.5 Changes in accuracy and loss during training

3 道路類型識別結果

本節首先對使用單一特征和融合特征的道路類型識別方法進行對比,包括準確率和特征提取時間對比,準確率即分類正確的樣本占測試集總樣本的比例,它們都使用SVM作為機器學習分類模型。之后對SVM、ANN、DT、Bagging、RF 5種機器學習分類算法的準確率和實時性進行對比,5種算法均以融合特征作為輸入特征。每一種算法都使用隨機搜索方法找到其最優超參數,Bagging算法使用的基分類器是SVM。與2.2節類似,對原始圖像進行數據增強處理,并加入一部分全黑圖像模擬夜間行駛的工況。使用hold-out交叉驗證法評估模型性能,將數據集按照4∶1的比例隨機分為訓練集和測試集,訓練集用于訓練模型,測試集用于測試模型的準確率。為確保結果的可靠性,結果取5次獨立運行的平均值。

3.1 單一特征與融合特征對比

使用不同特征的道路類型識別模型在測試集上的準確率,結果如圖6所示。圖6中的圖像傳統特征為文獻[14]中使用的灰度共生矩陣特征與直方圖特征。由圖6可見,僅使用振動特征的模型準確率為67.88%,僅使用圖像傳統特征的模型準確率為74.06%,僅使用圖像深度特征的模型準確率為81.65%,使用融合特征的模型準確率為90.70%。上述結果表明,相比于圖像傳統特征,深度特征的準確率提升明顯。另外,基于融合特征的道路類型識別方法的整體準確率是最高的。

圖6 使用不同特征的道路類型識別方法準確率Fig.6 Accuracy of road types identification methods based on different features

使用不同特征的道路類型識別模型在測試集上的混淆矩陣,結果如圖7所示。由圖7可見:1)僅使用振動特征的模型對鋪面路的識別準確率是最高的,達到86.99%,因為與其他3種道路相比,鋪面路比較平坦,比較容易通過振動特征區分;對沙路的識別準確率最低,僅為48.45%,有31.55%的沙路被錯誤識別為碎石路,可能是因為起伏路面引起車輛的俯仰振動與垂直振動有耦合作用,因此,通過振動信號特征區分路面準確率不高。2)僅使用圖像深度特征的模型對鋪面路的識別準確率也是最高的,達到了99.81%,對其余3種道路的識別準確率均在74%左右,原因是僅使用圖像特征無法對夜間行駛工況下的全黑圖像進行識別,而訓練集中的鋪面路是最多的,因此模型將全黑圖像識別為鋪面路。3)使用融合特征的模型對4種道路的識別準確率均達到了85%以上,相比僅使用振動特征和僅使用圖像特征的模型有了大幅度提升。但使用融合特征的模型對于鋪面路的識別準確率低于僅使用圖像深度特征的模型,原因是在夜間行駛工況下,當僅使用圖像深度特征時,模型將黑暗的路面圖像識別為鋪面路,其他3種道路也會被誤識別為鋪面路;而當使用融合特征時,模型可以依靠振動信息識別道路類型,使得一部分鋪面路被誤識別為其他道路。

圖7 使用不同特征的道路類型識別方法混淆矩陣Fig.7 Confusion matrixes of road-type identification methods based on different features

圖8展示了在道路圖像清晰、模糊、過亮以及夜間行駛4種不同情況下使用不同特征的道路類型識別結果,4張道路圖像圖8(b)～圖8(e)對應的垂向加速度信號均為圖8(a),它們的實際道路類型均為沙路。由圖8可以看到:當道路圖像成像清晰,或者圖像有輕微模糊時,僅依靠豐富的圖像深度特征可以準確識別道路類型;當道路圖像過亮或處于夜間行駛工況時,僅依靠圖像特征無法準確識別,但結合振動特征可以得到正確的識別結果。上述結果表明,振動特征和圖像特征能夠互相補充,提高整體的識別準確率和環境適應性。

圖8 使用不同特征的方法的識別結果Fig.8 Identification results of methods based on different features

本文對單一特征和融合特征的提取時間進行實驗統計,實驗設備參數如下:CPU Intel Xeon Gold 6142,16核,主頻2.6 GHz;GPU GeForce RTX 3080,顯存10.5 GB;內存27 GB。使用卷積神經網絡提取圖像深度特征時,使用顯卡加速功能,提取時間為67.56 ms,圖像傳統特征的提取時間為27.74 ms,垂向加速度統計特征提取時間為0.67 ms。融合特征提取時間為68.23 ms。由圖6以及統計的特征提取時間可以看到:雖然圖像深度特征的識別準確率高于傳統特征,但深度特征提取時間較長,是傳統特征的2.4倍;融合特征提取時主要將時間花費在圖像深度特征提取上。因此,相比僅使用圖像深度特征的方法,基于融合特征的方法實時性損失極小,并且環境適應性提升明顯。

3.2 不同機器學習算法對比

基于不同機器學習分類算法的道路類型識別模型在測試集上的準確率如圖9所示。由圖9可見:SVM算法、Bagging算法和RF算法的準確率較高,分別為90.70%、90.73%、90.56%;Bagging算法以SVM為基分類器,集成方法的性能提升效果不明顯;RF算法是以DT為基分類器的一種集成方法,DT的準確率為87.52%,RF算法通過對多個DT模型進行集成,提高了分類準確率;ANN算法的準確率為89.32%,處于第4位。

圖9 不同機器學習分類算法的道路類型識別準確率Fig.9 Accuracy of road-type identification methods with different machine learning classification algorithms

本文對5種機器學習分類模型在線識別的實時性進行對比,實驗設備與3.1節相同,實驗結果如表1所示,該結果不包括特征提取時間。從表1中可以看出:Bagging算法的實時性較差,識別一次需要用時44.54 ms;SVM算法和RF算法的實時性相差不大,識別一次用時分別為2.48 ms、3.65 ms;ANN算法和DT算法的實時性較好,識別一次用時分別為0.14 ms、0.08 ms。

表1 不同機器學習分類算法單次識別用時

總之,SVM和RF在準確性和實時性上都表現優越,總體準確率均可以達到90%以上,識別速度可以達到14幀/s,非常適合用于道路類型識別。

4 結論

本文提出一種基于特征融合的無人履帶車輛道路類型識別方法,將道路圖像的深度特征與懸置質量垂向加速度的統計特征相結合,識別結果可作為無人履帶車輛懸架控制、自動換擋決策、路徑規劃等任務的先驗信息,提高車輛的行駛效率、通過性等性能。得到主要結論如下:

1)使用履帶式數據采集平臺對碎石路、土路、沙路、鋪面路4種常見的非結構化道路進行數據采集,包括圖像數據及垂向加速度數據。

2)利用采集到的大量道路圖像數據對卷積神經網絡進行訓練,去除網絡的全連接層和輸出層后得到圖像深度特征提取網絡。

3)對僅使用振動特征、僅使用圖像傳統特征、僅使用圖像深度特征及使用融合特征的道路類型識別方法進行對比,結果表明:圖像深度特征相比于傳統特征準確率更高,但特征提取時間更長;使用融合特征的方法能夠實現兩種特征的互補,準確性和環境適應性強,并且融合特征提取用時與圖像深度特征提取用時相差不大。

4)對SVM、ANN、DT、Bagging、RF共5種算法進行道路類型識別的性能進行對比,結果表明SVM和RF在準確性和實時性方面都表現優越,總體準確率可以達到90%以上,識別速度可以達到14幀/s。

在本文基礎上可開展以下研究:1)對卷積神經網絡結構進行改造,提升圖像深度特征提取的實時性;2)在懸掛系統與車輛底盤、非懸掛質量的連接處分別設置低量程加速度計、高量程加速度計,提高系統靈敏度和動態響應,進而提高道路類型識別的準確性;3)將道路類型識別應用于無人履帶車輛懸架控制、換擋決策、路徑規劃等任務,提升車輛性能;4)深入研究圖像深度特征與垂向加速度統計特征之間的互補關系;5)在多處設置加速度計的基礎上,分析各處振動信號的特點,提高基于振動的道路類型識別精度,并實現道路不平度等級的辨識。