EKF-RF融合的越野路面識別與縱向力自適應控制策略

中圖分類號：U463.6 文獻標識碼：A 文章編號：1003-8639（2025）10-0009-03

【Abstract】Aiming at the problem of deterioration of vehicle longitudinal dynamic control performance caused by variableroad surfaces inof-road environments，anadaptivecontrol strategy integrating Extended Kalman Filter （EKF）and Random Forest （RF）isproposed.This strategyadoptsamultimodal perceptionframework.Firstly，ituses the RFalgorithm to identify theroad surface type inreal time，and thentakes theresult as the prior knowledge of the EKF estimator toachievepreciseestimationof thepeakadhesioncoeffcientoftheroadsurface.Verification shows thatthis strategycaneffectivelyadapt todiffrentroadsurfaces.Itcansignificantlysuppress excessive whel slippageonbothhigh andlowadhesion roads，stabilize the slipratio within theoptimal range，which isconducive to improving the vehicle's acceleration and braking performance，shortening the braking distance，and enhancing the safetyof of-road driving.

【Key Words】road surface recognition;longitudinal force control;EKF；RF；adaptive control

0 引言

車輛縱向動力學控制對駕駛安全、舒適性及能耗經(jīng)濟性至關重要。公路環(huán)境中，基于預設參數(shù)的控制策略已趨成熟，但越野場景下，壓實土路、冰雪、沙地等路面工況復雜多變，附著系數(shù)劇烈波動，傳統(tǒng)固定參數(shù)控制難以維持最佳輪地附著效果，易引發(fā)驅(qū)動輪過度滑轉或制動抱死，導致車輛通過性、穩(wěn)定性與安全性下降[1。當前，路面識別多采用數(shù)據(jù)驅(qū)動的機器學習（如支持向量機、神經(jīng)網(wǎng)絡）或模型驅(qū)動的狀態(tài)估計算法，但單一方法存在局限：機器學習依賴大量標注數(shù)據(jù)，對動力學狀態(tài)變化不敏感[；純模型方法受限于模型精度與參數(shù)攝動，極端工況下魯棒性不足[3]。為此，本文提出融合擴展卡爾曼濾波（EKF）與隨機森林（RF）的越野路面識別與縱向力自適應控制策略，構建“感知－估計-控制”一體化體系，提升越野車輛縱向動力學控制性能。

1基于多模態(tài)感知的路面識別算法設計

本章為核心算法部分，旨在構建分層、融合的路面識別與估計框架。

1.1多模態(tài)感知信號預處理與特征提取

車輛運行時，底盤及動力系統(tǒng)傳感器持續(xù)產(chǎn)生大量反映車輛－路面交互作用的狀態(tài)數(shù)據(jù)。本研究選取易實時獲取且與路面特性關聯(lián)度高的多模態(tài)信號作為算法輸入源，包括：4個輪速傳感器信號、縱向加速度傳感器信號、電機驅(qū)動轉矩/轉速信號（電動汽車）及主缸壓力信號（制動工況）。原始信號含高頻噪聲和異常擾動，需進行預處理：先采用一階低通濾波器對輪速信號平滑處理以消除高頻振蕩，對轉矩和加速度信號則采用滑動平均濾波（MovingAverage，MA）處理。

特征提取是提升模型辨識度的關鍵。本研究從預處理后的信號中，在每個 200ms 時間窗口內(nèi)，提取共12維時域與頻域特征向量，構成RF模型的輸入，多模態(tài)感知信號特征提取。

1.2基于隨機森林的路面類型在線識別

隨機森林（RF）是集成學習算法，通過構建多棵決策樹并綜合投票結果分類，具有抗過擬合能力強、對特征缺失不敏感及可評估特征重要性等優(yōu)點，適合本應用場景。

本研究針對4種典型越野路面（干燥瀝青、壓實土路、松軟沙地、干雪地）訓練分類器。在CarSim/Simulink聯(lián)合仿真環(huán)境中，分別設置對應路面參數(shù)，采集車輛不同工況（加速、勻速、制動）下的12維特征數(shù)據(jù)，構成標注數(shù)據(jù)集，共生成8000組樣本，按7：3比例隨機劃分為訓練集與測試集。利用Scikit-learn庫訓練模型，關鍵超參數(shù)通過網(wǎng)格搜索（GridSearch）與五折交叉驗證確定：決策樹數(shù)量（n_estimators）為200，最大深度（max_depth）為15。最終訓練的RF分類器在測試集上平均準確率達98.7% 。分類混淆矩陣顯示，模型對沙地和雪地區(qū)分度極高，僅極少數(shù)土路樣本誤判為瀝青路面（因高附著系數(shù)時兩者特征有相似性），該誤差可通過后續(xù)EKF估計修正。

1.3基于EKF的路面峰值附著系數(shù)估計

RF提供路面類型的定性識別，而縱向力控制精確執(zhí)行需定量的峰值附著系數(shù) μ 本文采用EKF算法，融合車輛動力學模型與實時觀測量，對 μ 進行最優(yōu)估計。RF分類器輸出的路面類型結果為EKF估計器提供高層語義先驗信息，具體而言，RF分類結果用于確定EKF中輪胎-路面附著模型（如Burckhardt模型）的關鍵參數(shù)，使動力學模型自適應不同路面條件，提升狀態(tài)估計準確性與收斂速度。首先需建立系統(tǒng)的狀態(tài)空間模型。

1）狀態(tài)向量為：

2）觀測向量為：

3）非線性狀態(tài)方程（過程模型）為：

其中：

F_x=μ?F_z?s（λ）

式中： s（λ） ——滑移率－附著系數(shù)曲線，其參數(shù)由RF分類出的路面類型確定。

4）觀測方程式為：

RF的分類結果用于確定 s（λ） 的具體參數(shù)（如Burckhardt模型中的 c₁ ， c₂ ， c₃ ），從而實現(xiàn)EKF模型的自適應調(diào)整。隨后EKF估計器在每個時間步長內(nèi)執(zhí)行預測和更新兩步，通過迭代計算卡爾曼增益，最小化估計誤差協(xié)方差，實現(xiàn)對狀態(tài)向量（含 μ ）的最優(yōu)估計，算法流程如圖1所示。

圖1基于EKF的路面峰值附著系數(shù)估計流程圖

2縱向力自適應控制策略設計與驗證

本章旨在基于第1章的精準路面信息，設計可自適應調(diào)整的縱向力控制策略，并構建高保真虛擬仿真平臺驗證其綜合性能。

2.1基于路面識別的自適應滑模控制器設計

滑模控制（SlidingModeControl，SMC）對參數(shù)攝動和外部十擾具有固有強魯棒性，適用于存在不確定性的車輛動力學控制。本文設計以目標滑移率為控制對象的滑模控制器，創(chuàng)新點在于滑移率目標值和控制律參數(shù)均可根據(jù)第1章識別結果在線自適應調(diào)整。

2.1.1 滑移率目標映射策略

本研究建立基于路面類型的目標滑移率查詢表，表1中參數(shù)源自經(jīng)典Burckhardt輪胎模型，并通過實車試驗數(shù)據(jù)修正。

表1不同路面類型下的最優(yōu)滑移率目標值

控制器接收RF分類結果與EKF估計的實時 μ 值，通過查表與插值，動態(tài)確定當前理想的滑移率控制目標。

2.1.2 滑模控制律設計

滑模控制器以車輪實際滑移率貼合路面動態(tài)最優(yōu)目標滑移率為核心，將兩者偏差定義為“滑模面”以直觀反映控制偏差。通過分析車輛縱向受力規(guī)律及車輪轉速、車身速度等動力學狀態(tài)關聯(lián)性，推導得出可計算驅(qū)動/制動轉矩調(diào)整量的控制邏輯，采用“指數(shù)趨近律”優(yōu)化，結合“切換增益”（調(diào)控指令力度）與“邊界層厚度”（配合飽和函數(shù)削弱抖振），實現(xiàn)滑移率平穩(wěn)精準調(diào)控，具體如式（7）、式（8）所示。

1）滑模面定義：

s=λ-λ_urget

2）控制律表達式（簡化形式）：

式中： η? —控制增益； ?. —邊界層厚度;sat- 一飽和函數(shù)。

參數(shù)自適應機制要點有：切換增益 K 與估計的路面峰值附著系數(shù) 成反比，在高附著路面上采用較大的 K 值以提升系統(tǒng)響應速度，在低附著路面上則減小 K 值以防止控制力矩過激，確保穩(wěn)定性；邊界層厚度 ? 與 成反比，在低附著路面上增大 φ 值以有效抑制控制抖振，增強系統(tǒng)平滑性；在高附著路面上適當減小 值以提高控制精度。

2.2聯(lián)合仿真平臺搭建與模型建立

為驗證本文算法有效性，搭建基于CarSim與Simulink的聯(lián)合高保真仿真平臺，該平臺充分利用CarSim在車輛動力學建模的專業(yè)性與Simulink在復雜算法實現(xiàn)的靈活性。CarSim/Simulink聯(lián)合仿真平臺數(shù)據(jù)流見圖2。

圖2CarSim/Simulink聯(lián)合仿真平臺數(shù)據(jù)流圖

聯(lián)合仿真平臺工作流程： carSim 內(nèi)置高精度車輛模型在設定路面環(huán)境運行，通過內(nèi)置虛擬傳感器模塊以 1000Hz 頻率輸出輪速、車身加速度、轉矩等物理信號，經(jīng)S-Function接口實時傳輸至Simulink;在Simulink中，將第1章所述的RF分類器、EKF估計器及本章設計的自適應滑模控制器依次集成運行，生成最終控制指令（驅(qū)動或制動轉矩），再通過同一接口反饋給 CarSim 車輛模型，實現(xiàn)車輛閉環(huán)控制。

2.3典型越野工況仿真結果與分析

為評估本文融合識別與自適應控制（IFRC策略）性能，設置兩種越野工況測試，與參數(shù)固定（基于瀝青路面優(yōu)化、不隨路面調(diào)整）的傳統(tǒng)滑模控制（FSC策略）對比。以高附－低附－高附路面循環(huán)制動工況為例，車輛以 80km/h 初速，依次在干燥瀝青路面（0～1.5s）、干雪地路面（1.5～3.5s）、干燥瀝青路面（3.5～5s）上全力制動。如表2所示，IFRC策略優(yōu)勢顯著。路面突變時，F(xiàn)SC策略反應滯后：進入雪地時制動力過大導致車輪嚴重抱死，減速度驟降，制動距離延長；返回高附路面時制動力恢復不及時。而IFRC策略在識別到路面切換瞬間（延遲lt;50ms ），立即調(diào)整目標滑移率與控制參數(shù)：雪地段將滑移率穩(wěn)定在 20% 附近，獲得接近理論極限的制動力；重返高附路面時迅速將目標調(diào)整回 15% ，充分利用高附著力，顯著縮短全程制動距離，大幅提升車輛方向穩(wěn)定性與操縱性。

表2制動性能仿真結果對比

3 結束語

本文針對越野車輛縱向動力學控制的路面不確定性難題，融合數(shù)據(jù)驅(qū)動與模型驅(qū)動方法，形成“感知－估計-控制”一體化智能策略，核心成果有：構建分層融合的路面識別與估計架構：RF實現(xiàn)路面類型快速精準分類，EKF結合RF結果動態(tài)調(diào)整參數(shù)，精準估計峰值附著系數(shù)，估計誤差 lt;10% ，響應延遲lt;50ms ；設計參數(shù)自適應滑模控制器：依據(jù)路面識別與附著系數(shù)估計結果，動態(tài)優(yōu)化目標滑移率與控制參數(shù)，增強系統(tǒng)全局魯棒性；通過CarSim/Simulink聯(lián)合仿真驗證：所提策略較傳統(tǒng)固定參數(shù)控制，顯著改善車輛起步、加速及制動性能，制動距離縮短超 16% 。

參考文獻

[1]陳青，劉曉東，周寒，等.基于多維全局特征融合的移動機器人地形識別[J].計算技術與自動化，2023，42（2）：20-24.

[2]王桂洋.分布式驅(qū)動電動汽車參數(shù)估計與縱橫向耦合控制[D].石家莊：石家莊鐵道大學，2023.

[3]鄭浩峻，張秀麗.足式機器人生物控制方法與應用[M].北京：清華大學出版社，2011.

（編輯 林子衿）