魏 健 张和明 田 雷

（1-陆军汽车试验场江苏南京2100282-北京卡达克汽车检测技术中心）

基于车轮力信号的地面类型分类算法研究

魏 健1张和明1田 雷2

（1-陆军汽车试验场江苏南京2100282-北京卡达克汽车检测技术中心）

良好的车辆机动性能是实现军用无人车辆自主导航的前提，而地面类型的识别是提高机动性的关键。提出了基于车轮力信号的地面类型分类模型，通过车轮力传感器实时获取车轮力信号，采用经验模态分解（EMD）及自回归模型（AR）相结合的方式提取信号的有效特征，并运用支持向量机（SVM）分类器实现地面类型的分类，使用实车试验数据对所提出的分类模型进行验证。结果表明，分类模型在几何特征地面和松软地面上均取得了良好的分类效果，对于提高军用无人车辆的机动性具有重要意义。

地面分类车轮力信号EMDARSVM

引言

美国陆军推出的“未来作战系统”将无人车技术作为未来行动单元作战概念中必不可少的组成部分[1]。无人车辆在军事领域可用于侦察监视、定位引导、特种作业、物资运输等任务，在节约人力的同时可完成特种高危任务。目前，无人车系统正经历着由遥控车辆过渡为自主车辆，并向智能车辆发展的过程。其中，无人车辆的自主导航能力是首先被重点研究的对象，而提高无人车辆的机动性能是保证自主导航能力的前提与基础。在战场上，军用车辆必须适应不同的地面情况，除了各种障碍地形以外，沼泽、雪地、沙地、泥泞地等平坦松软地面也对军用车辆的机动性能提出了更高的要求。不同的松软地面类型表现出不同的附着性能和承载能力，对无人车辆参数的配置状况和即时行驶策略的使用具有较大影响。在获知行驶地面类型的前提下，可以对车辆载荷、轮胎尺寸、轮胎压力等参数进行针对性调整，配以合理的行驶控制方法来提高车辆的行驶机动性能。因此，运用现代科学技术识别不同类型路面对提高无人车辆的机动性能具有重要的意义。

目前，已有很多研究者对地面分类进行了研究，主要是结合图像及雷达信息来提取相关特征信息对地面进行分类。Talukder、Hebert、Vandapel和Manduchi等运用雷达采集地面特征信息来建立模型[2-5]，其侧重点是将可行驶路面从灌木丛等植被、岩石障碍物等环境中区分出来，从而引导车辆自主导航。在基于图像的模型中，采用单目视觉或立体视觉对地面环境图像信息进行采集，并提取颜色、纹理等特征对地面类型进行分类[6-8]，主要针对地表几何特征明显的地面类型进行分类。图像方法具有明显的局限性，模型的分类准确性容易受到光照等外界条件变化的影响，地表的覆盖物也很大程度上干扰了地面识别效果。2002年，Iagnemma和Dubowsky[9]提出从车轮与土壤相互作用出发，结合车辆在行驶过程中的振动信息对地面类型进行分类。Brooks、Iagnemma等人[10-11]发展并推广运用了这一方案，取得了良好的效果。Sadhukhan、Weiss、Ojeda等人[12-14]进一步证明了该方案的有效性。相比图像和雷达等远距离感知信息，车轮与土壤相互作用中的“触觉”信息为地面类型分类提供了一种全新的解决思路。

本文针对地面类型分类中存在的问题，提出基于车轮力信号的地面类型分类方法。车轮力是车轮与土壤相互作用中重要的动态响应，从Wong的车辆地面力学模型[15]可知，不同的地面类型或参数会引起不同的车轮力动态表现。因此，提取不同类型地面动态车轮力响应信号中的特征可用于地面类型的分类。

1 地面分类模型设计

1.1 地面分类模型结构

车轮力信号是非平稳信号，从信号中提取有效的特征向量是成功进行地面类型分类的前提和关键。单纯地提取信号的时域或频域波形特征量并不能充分反映车轮与土壤相互作用力的复杂性，本文采用经验模态分解（EMD）及自回归模型（AR）组合方法对车轮力信号进行特征提取[16-17]。研究表明，AR模型的自回归参数对状态变化规律反应最敏感[18]，因此采用AR模型的自回归参数作为特征向量来分析系统的特性是十分有效的。但是AR模型只适用于平稳信号的分析，而车轮力信号表现为非平稳特征。因此，直接采用AR模型对车轮力信号进行分析效果不好。在AR模型建立之前，先对车轮力信号进行EMD预处理，将信号分解为有限个本征模函数（IMF）分量，而IMF都是平稳的，可满足AR建模的需求，达到特征提取的目的。

在地面分类研究中，对于地面分类模型中分类器的选择，大量的模式识别算法已被成功应用。Brooks等运用支持向量机（SVM）结合振动信号进行了地面分类；Walas采用SVM结合激光测距仪信号对地面类型进行了识别[19]；Lu使用概率神经网络（PNN）结合激光信号对地面分类算法进行了研究[20]；Shang在其基于图像信息的地面识别研究中比较了SVM、k-近邻（k-Nearest Neighbors）和决策树（DTREEs）的分类效果[21]。然而，针对基于车轮力信号的地面分类研究，很难直接分辨出哪一种地面分类模型更为合适有效。因此，本文对SVM、PNN以及DTREEs三种算法的具体分类效果进行了比较，最后选取SVM作为分类器。

车轮力信号是车轮与土壤相互作用结果的重要表现形式，当车辆在不同类型地面上行驶时，无论是具有几何特征的地面还是平坦的松软地面，不同的土壤特性充分反映在车轮力信号中。提取车轮力信号中的有效特征，可用于地面类型分类，实现实时地面识别。图1为基于车轮力信号的地面分类模型流程图。首先对采集到的车轮力原始信号进行预处理，滤除信号中高频噪声分量，并对原始信号进行适当平滑，去除信号采集中出现的错误信号。用于分类模型的信号长度并不要求很长，经过试验分析，1s时间间隔的车轮力信号段即可取得较为良好的分类效果，较短的信号段有利于实时地面识别。因此，对原始完整车轮力信号按1 s时间间隔进行分割，然后采用EMD方法结合AR模型对每一个分割后的信号段进行特征提取。最后使用SVM进行分类模型建模，学习每一个带有地面类型标签的训练数据，并在训练后得到有效的分类模型。以上为离线分类模型建立的整个过程，按同样的流程可依据实时采集到的车轮力信号对地面类型进行在线识别，得到车辆行驶经过的地面类型。

图1 基于车轮力信号的地面分类模型流程图

1.2 EMD-AR特征提取算法

经验模态分解（EMD）是在希尔伯特-黄变换（Hilbert-Huang Transform，HHT）过程中提出的一种自适应信号分解方法[22-23]。运用EMD可以把任何信号x（t）按如下步骤进行分解：

1）确定信号所有的局部极值点，然后用三次样条线将所有的局部极大值点连接起来形成上包络线，再用三次样条线将所有的局部极小值点连接起来形成下包络线，上下包络线包络所有的数据点。上下包络线的平均值记为m1，求出

如果h1满足IMF的条件，那么h1就是x（t）的第1个满足IMF条件的分量。

2）如果h1不满足IMF的条件，把h1作为原始数据重复步骤1）。得到上下包络线的平均值m11，再判断h11=h1-m11是否满足IMF的条件，如不满足，则重复循环k次，得到h1(k-1)－m1k=h1k，使h1k满足IMF的条件。记c1=h1k，则c1为信号x（t）的第1个满足IMF条件的分量。

3）将c1从x（t）中分离出来，得到

将r1作为原始数据重复步骤1）与步骤2），得到x（t）的第2个满足IMF条件的分量c2，重复循环n次，得到信号x（t）的n个满足IMF条件的分量。这样就有

当rn成为一个单调函数而不能再从中提取满足IMF条件的分量时，循环结束。由公式（2）和公式（3）得到

把任何一个信号x（t）分解为n个IMF分量和一个残余量rn之和，分量c1，c2，…，cn包含了信号从高到低不同频率段的成分，rn则表示信号x（t）的中心趋势。

采用EMD方法对车轮力信号x（t）进行分解，可得到n个IMF分量c1（t）、c2（t）、…、cn（t），每一个IMF分量都包含不同的特征尺度信息，通过EMD分析，信号x（t）的特征完全可以由这n个IMF分量c1（t）、c2（t）、…、cn（t）来刻画，通过对c1（t）、c2（t）、…、cn（t）的特征提取，可以得到原始信号x（t）的特征。

为提高地面分类模型的训练速度和分类效果，对IMF分量进行能量归一化处理，得到新的IMF分量Ci（t）

对任何一个IMF分量Ci（t）建立如下的自回归参数模型AR（m）

式中：φi（kk=1，2，…，m）是C（it）的AR模型的自回归参数，m是AR模型阶数，e（it）为模型的残差，是均值为0，方差为的白噪声序列。经过AR建模，自回归参数φik和σ2i很好地刻画了原始信号x（t），反映出x（t）中的固有特性，因此将Ai=[φi1，φi2，…，φik，作为特征向量用于识别地面类型。

1.3 SVM分类算法

支持向量机（SVM）是Cortes和Vapnik于1995年首先提出的[24]，它在解决小样本非线性及高维模式识别中表现出许多特有的优势。目前，构造SVM多类分类器的方法主要有两种：一种是直接法，直接在目标函数上进行修改，将多个分类面的参数求解合并到一个最优化问题中，通过求解该最优化问题一次性实现多类分类。此方法原理简单，但是计算复杂程度高，实现起来反而比较困难。另一种是间接方法，主要通过组合多个二分类器来实现多分类器的构造，比较常见的方法有一对多和一对一两种。本文采用一对一法，做法是在任意两类样本之间设计一个SVM，因此，k个类别需要设计k（k-1）/2个SVM。当对一个未知样本进行分类时，最后数量最多的类别即为该未知样本的类别。

SVM在解决非线性问题的过程中引入映射函数将输入空间映射到一个高维特征空间，从而将非线性问题转化为线性问题。但是当高维空间的维数巨大时，计算的时间复杂程度和空间复杂程度都非常高，利用输入空间的核函数间接地将输入空间两个向量的内积映射为高维空间的内积可以解决这一问题。目前，使用最多的核函数有：多项式核函数、径向基核函数、Sigmoid核函数等。由于径向基核函数对应的特征空间是无穷维的，有限的样本在该空间中必是线性可分的，因此使用最为广泛，本文选用径向基核函数，K（xi，xj）=exp（-Γ‖xi-xj‖2）。

在具体的算法实现过程中，采用中国台湾地区台湾大学资讯工程学系林智仁教授等人编写的LIBSVM软件[25]来实现一对一的SVM分类，利用LIBSVM软件的MATLAB接口，在MATLAB中编写多分类支持向量机程序，从而实现地面类型分类。得到满意的分类预测效果的关键在于调节SVM算法中相关参数（主要是惩罚参数c和核函数参数g）。采用K-CV（k-fold Cross Validation）交叉验证算法来选取最佳的c和g，有效提高了SVM分类器的分类效果。

2 试验验证

2.1 原始信号获取

选用某型军用越野汽车作为试验车辆，安装车轮力传感器（WFT）用于采集车轮力信号，如图2所示。试验路面包括几何特征较为明显的铁饼路、搓板路、比利时路和半整齐石块路（如图3所示）和水稻田地、翻耕地和沙地等松软地面（如图4所示）。在试验过程中，为了减少车辆行驶状态对于数据的干扰，驾驶模式统一采用匀速直线行驶，速度控制在20 km/h左右。

图2 WFT测试系统实车安装

图3 几何型路面

图4 通过性测试松软地面

统一采用车辆右前轮的垂向力（Fz）信号来进行地面分类算法的试验验证。图5为几何特征较为明显的4种路面（铁饼路，搓板路，比利时路和石块路）Fz原始信号，图6为3种松软路面Fz原始信号。

图5 几何特征路面Fz原始信号

2.2 特征提取

图6 松软路面Fz原始信号

提取信号的有效特征是实现分类算法及提高分类效果的关键。图7为EMD方法分解水稻田Fz信号的结果。原则上，经EMD得到的各个模式IMF分量应分别对应于原信号各实际组成部分，在实际分解过程中，EMD不可避免会出现过分解现象，使两者之间存在误差，其差值形成虚假分量，即得到的分量个数比原信号实际组成分量多。如果直接对所有IMF分量进行AR建模，会导致特征向量维数过高，不利于分类算法的实现。由分析可知，分解所得各分量必然和原信号存在较大的相关性，而虚假分量是由误差形成，相关性必然很小。因此，从各分量与原信号相关分析中能分辨出其是否为虚假分量。据统计分析理论，因子的方差贡献率是衡量因子重要性的关键指标，该值越高，说明相应因子的重要性越高[26]。在实际的IMF选取过程中，选用IMF分量与原信号的互相关系数cor和方差贡献率mseb作为评价准则。

式中：N为单个信号长度，n为IMF分量分数，τ为时间间隔。图8为各IMF分量与原信号互相关系数和其方差贡献率。从图8可以看出，随着分解阶次增加到一定程度（3阶），各分量和原信号的互关系数和方差贡献率急剧减小。考虑到部分信号分解后IMF总阶次不足5阶，但是都达到了3阶，综合之下，选择EMD分解的前3阶IMF分量作为Fz信号的有效分量。

图7 EMD方法对水稻田Fz信号的分解结果

图8 各IMF分量与原信号互相关系数和其方差贡献率

在EMD信号分解的基础上，对IMF分量建立AR模型，提取AR模型自回归参数和方差作为Fz信号的特征向量。在具体实现过程中，采用F检验定阶法确定Fz信号的3阶AR模型即能完成对原信号较为完整地刻画。表1为三种松软地面类型IMF各分量进行AR建模的结果，并将A=[Ai，1，Ai，2，Ai，3]作为Fz信号的特征向量用于分类模型。

表1 IMF分量AR建模结果

2.3 地面类型分类结果

基于EMD-AR模型提取的特征向量，采用SVM建立地面类型分类器。试验验证过程中，使用30组长度为1 s的Fz信号作为SVM分类器的训练样本，并使用10组同类信号作为预测样本。在4种几何特征地面对所提出的地面分类模型进行验证，选取SVM分类器参数为c=8.7，g=0.8。图9为SVM分类器在几何特征地面上训练集和预测集的预测效果，表2为几何特征地面上SVM的分类效果。由表2的数据分析表明，SVM分类模型在几何特征地面上取得了较为良好的分类效果，训练集上平均分类准确率为86.67%，测试集上也达到了85.0%的平均准确率。不同地面类型，分类效果也存在差异，由于铁饼路和搓板路物理特征较为明显，分类准确率较高，达90%左右；而比利时路和石块路的分类准确率相对较低，为80%左右。在3种松软地面检验分类模型的性能，对应的SVM分类器最优参数为c=6.3，g= 1.4。图10为SVM分类器在松软地面上训练集和预测集的预测效果，表3为松软地面上SVM的分类效果。由表3的数据分析表明，训练集上分类平均准确率达78.89%，预测集上分类平均准确率为76.67%。总体来看，虽然松软地面的分类准确率较几何特征地面略低，但由于松软地面在物理特性上更为相似，分辨难度高，因此所提出的分类模型在松软地面上也成功实现了地面类型分类。对于不同的松软地面类型，水稻田地的分类准确率较高，达90%，而在翻耕地和沙地上分类效果较为一般，各为70%，还有进一步提升的空间。

图9 SVM分类器在几何特征地面上的预测效果

表2 几何特征地面SVM分类效果

图10 SVM分类器在松软地面上的预测效果

表3 松软地面SVM分类效果

2.4 性能比较

为了体现SVM算法在地面分类模型中的优越性，将其分类预测效果与PNN和DTREEs分类器进行比较。在具体实现过程中，通过不断尝试的方法选取较为适合PNN网络的分布密度Spread=1.5，而DTREEs的实现主要是使用了较为典型的C4.5算法。表4给出了三种分类器的分类效果比较。从表4可知，在几何特征地面上，PNN具有较为良好的分类效果，且与SVM较为接近，准确率为82.5%；而DTREEs的分类效果一般，为72.5%。在松软地面上，SVM表现出较为明显的优势，准确率为76.67%，而PNN和DTREEs的分类准确率仅为63.33%和60.0%。从数据分析可以看出，SVM的综合性能优于其他两种分类器，是更为适用的分类算法。

表4 不同分类器性能比较

3 结论

基于车轮力信号结合EMD-AR特征提取方法和SVM分类器构建了地面类型分类模型，为自主车辆和无人车的地面识别提供了一条可行的思路。试验验证结果表明，所建立的地面分类方法和分类模型是有效的，在几何特征明显的地面和松软地面上都取得了良好的分类效果，其中几何地面上的分类准确率略高于松软地面。但模型的分类准确率还有进一步提高的空间，未来的研究重点应着眼于改进分类算法和融合分类信号，以便进一步提高地面类型的识别效果。

1韩仁辉，赵祥君，于坤炎，等.外军军用无人车发展现状及特点与趋势[J].汽车运用，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吴婷，颜国正，钱炳锋，等.基于EMD和Hilbert变换的自发脑电信号特征提取[J].北京生物医学工程，2011，30(4)：381-386

17于德介，程军圣，杨宇，等.基于EMD和AR模型的汽车变速器齿轮故障诊断方法[J].汽车工程，2005，27(1)：107-110

18丁玉兰,石来德.机械设备故障诊断技术[M].上海：上海科学技术文献出版社，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徐锋，刘云飞.基于EMD-SVD的声发射信号特征提取及分类方法[J].应用基础与工程科学学报，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，工程师，主要研究方向为车辆工程。