李 偉 ,周 靖 ,杜秀梅 ,田應飛 ,李 劍 ,張 勇 ,余 淼

(1.重慶大學a.光電工程學院;b.光電技術(shù)及系統(tǒng)教育部重點實驗室,重慶 400044;2.重慶嘉陵全域機動車輛有限公司,重慶 400032)

全地形車憑借其快速、機動和靈活等特點,在自然條件惡劣的山地崎嶇地形等復雜工況具有更好的機動性和通過性,使得其在軍事、民用等領(lǐng)域發(fā)揮重要作用[1-2]。傳統(tǒng)的被動懸架結(jié)構(gòu)參數(shù)固定,在面對復雜條件路況時減振效果性能大幅下降[3]?；诖帕髯冏枘崞鞯陌胫鲃又悄軕壹芟到y(tǒng)可通過不同的路面信息和車輛行駛工況改變磁流變阻尼器控制電流實現(xiàn)阻尼力值的調(diào)節(jié),可以更好地實現(xiàn)減振效果[4-5],而成為智能懸架研究的熱點。由于智能懸架控制策略主要是處理車身的垂向振動,對車輛姿態(tài)變化不能實現(xiàn)較好的控制。辨識出全地形車在行駛過程中的行駛工況[6],可以通過控制律對車身姿態(tài)進行控制。全地形車行駛在非結(jié)構(gòu)化路面,使得車身不同姿態(tài)下振動耦合嚴重。使用單一傳感器信號對車輛行駛工況辨識則誤差太大,同時由于外界環(huán)境和車輛電氣系統(tǒng)的影響,傳感器的信號會出現(xiàn)較大的噪聲或者異常值,嚴重影響了辨識結(jié)果的準確性。目前車輛行駛工況辨識主要方式可分為:聚類法,神經(jīng)網(wǎng)絡和邏輯門限值法[7]。聚類法首先提取不同行駛工況下的特征數(shù)據(jù),然后根據(jù)相應的規(guī)則將其分類,通過將實時數(shù)據(jù)與預設數(shù)據(jù)進行比對后得出車輛的行駛工況;神經(jīng)網(wǎng)絡方法通過使用預先采集到的不同行駛工況下的特征參數(shù)值對神經(jīng)網(wǎng)絡進行訓練,對采集的特征值進行行駛工況的識別;邏輯門限值方法是最簡單的一種分類方法,通過對傳感器信號的閾值比較分析就可以快速獲取車輛的行駛工況。以上的辨識方法依賴于先驗信息和精確的傳感器信號,在缺少先驗信息和傳感器信號噪聲較大的情況下則會使辨識結(jié)果準確率降低,甚至造成行駛工況誤判進而導致控制效果惡化。

信息融合技術(shù)通過對不同的傳感器信號進行特征提取,并按照一定規(guī)則進行融合進而得到對識別對象的最佳辨識[8]。目標識別信息融合方法按照數(shù)據(jù)類型的不同主要可以分為:數(shù)據(jù)級融合、特征級融合和決策級融合。數(shù)據(jù)級融合直接處理傳感器原始信號數(shù)據(jù),要求傳感器信息來自同質(zhì)傳感器且具有較高的精度。特征級融合首先提取不同的傳感器的原始數(shù)據(jù)的特征值,然后按照對應的規(guī)則將其融合和分類匯總后由決策層給出與目標狀態(tài)的最佳一致性估計。但是當傳感器信號存在較大噪聲或者異常值時,基于數(shù)據(jù)級融合或特征層融合的辨識方法的辨識精度會嚴重下降。決策層融合對特征層融合后的辨識結(jié)果進行進一步優(yōu)化選擇和融合,具有高魯棒性、高實時性等優(yōu)點。常用決策級融合方法主要有:模糊推理,貝葉斯推理、D-S證據(jù)理論等,其中D-S證據(jù)理論對不確定性的信息使用“區(qū)間估計”的方法進行處理,無需先驗信息并且結(jié)構(gòu)靈活高效[9-12],具有可以區(qū)分不確定信息和魯棒性強的優(yōu)點[13],已經(jīng)應用在各種目標識別檢測中,但是在智能懸架領(lǐng)域還未有深入研究。

基于以上分析,文中第1節(jié)選取了可以反映全地形車身整體變化的質(zhì)心處垂直加速度、俯仰角、橫擺角傳感器作為行駛工況辨識的信號來源。第2節(jié)針對由單一傳感器信號對車輛行駛工況辨識困難和傳感器存在較大誤差影響辨識結(jié)果的問題,首先通過改進的距離評估方法對全地形車上的傳感器行駛工況的敏感特征值進行了提取和篩選,使用特征級融合方法對選取的傳感器的特征值進行融合,完成了對行駛工況的初步辨識。然后將傳感器信號的噪聲和異常值當做不確定性信息,使用D-S證據(jù)理論合成方法對來自特征級融合后識別結(jié)果進行最高級別的決策層融合。最后基于可行區(qū)間的決策規(guī)則實現(xiàn)了車輛行駛工況的準確辨識。在第3節(jié)中經(jīng)過Carsim 仿真驗證了當傳感器信號存在較大誤差時,相比特征級融合方法,基于D-S證據(jù)理論融合方法具有更高的準確性。

1 全地形車傳感器信號選取

文中設計的全地形車智能懸架控制策略如圖1所示?？刂破魍ㄟ^行駛工況辨識獲取當前車輛的行駛狀態(tài),經(jīng)過控制律決策后得到實時阻尼器控制電流,完成阻尼力的調(diào)節(jié)實現(xiàn)對車輛姿態(tài)的控制。在全地形車的懸架阻尼器處分別安裝有加速度和位移傳感器,車輛中心安裝有三軸加速度、俯仰角、橫擺角、側(cè)傾角傳感器。相較于懸架阻尼器處的簧載加速度和懸架位移傳感器,車身質(zhì)心處的俯仰角φ,橫擺角ψ,側(cè)傾角θ,垂直加速度Zs信號更能體現(xiàn)車身整體的變化,因此選擇以上傳感器信號作為全地形車的行駛工況辨識的信號來源。通過對其特征值進行提取,最后在決策層進行融合處理,實現(xiàn)不同行駛工況(加/減速、越野、轉(zhuǎn)彎)的辨識。

圖1 智能懸架控制策略Fig.1 Hierarchical humanoid intelligent control strategy

2 基于D-S證據(jù)理論的全地形車行駛工況辨識

通過第1節(jié)中選擇了車輛質(zhì)心處的橫擺角,z軸加速度、俯仰角、側(cè)傾角、作為行駛工況辨識傳感器信號來源,當某一傳感器的值存在較大誤差時,會影響辨識結(jié)果的準確,而通過對多傳感器特征值進行融合和分析,則可以提升系統(tǒng)的辨識準確性。因此文中提出了基于D-S證據(jù)理論的決策層融合方法實現(xiàn)對全地形車行駛工況的識別,其框架如圖2所示,首先對不同行駛工況下進行傳感器信號的采集與預處理、提取特征信息與融合識別,然后將識別結(jié)果當作證據(jù)源,對每個證據(jù)源進行基本信任分配函數(shù)(basic probability assignment,BPA)、似然函數(shù)(plausibility function,Pl)和信任函數(shù)(belief function,Bel)的賦值。采用D-S合成規(guī)則計算后得到新的基本信任分配函數(shù),最后基于可行區(qū)間的決策規(guī)則實現(xiàn)了車輛行駛工況的決策判定。

圖2 全地形車行駛工況辨識總體框圖Fig.2 Overall block diagram of ATV driving condition identification

2.1 傳感器特征值選取

由于傳感器的數(shù)量和特征值較多,文中選用改進的距離評估方法對行駛工況相關(guān)的顯著特征值進行選取,獲取與行駛工況相關(guān)相關(guān)性最優(yōu)的特征值。首先對傳感器信號進行時域統(tǒng)計特征參數(shù)進行分析,如表1所示,其中x(n)是對應的傳感器信號,(f1,f3-f5)和(f2,f6-f11)分別表示傳感器信號在時域上的振動幅值和能量,以及分布時間序列。

在列舉了傳感器的不同的時域特征參數(shù)后,使用改進的距離評估方法進行特征值選取,其步驟為:

首先假設C類特征集可表示為

式中:q m,c,j表示C類特征集中的第J個特征對應的第m個樣本;M c表示所有的樣本數(shù);J表示樣本的特征值。

計算同類所有樣本的平均特征值

定義和計算補償因子為

進行歸一化處理為

2.2 傳感器特征值篩選與信息融合

通過使用上述的改進的距離評估方法對全地形車上車身質(zhì)心處的垂直加速度Z s,俯仰角φ,側(cè)傾角θ,橫擺角ψ信號的不同時域特征值進行了提取和篩選。結(jié)果如圖3所示,其中與車輛行駛工況敏感度最大的傳感器特征值用紅圈標出。

圖3 特定行駛工況下傳感器敏感特征值的選取Fig.3 The selection of sensor sensitive characteristic values under specific driving conditions

通過改進的距離評估方法對全地形車上的傳感器行駛工況的敏感特征值進行了提取,為了實現(xiàn)對車輛特定行駛工況下的識別,需要對選擇的傳感器信號和對應特征值進行進一步的篩選。為了模擬車輛的行駛工況,選擇Carsim 仿真平臺對全地形車的行駛工況進行仿真實驗。驗證車輛在轉(zhuǎn)彎、越野道路行駛和加減速的情況下不同傳感器的敏感特征值對特定行駛工況的敏感程度。通過對采集的信號進行分析選擇特定行駛工況下的傳感器特征值。其中Carsim 仿真平臺實驗設定如圖4所示,在0～5 s車輛進行加減速操作,5～15 s表示車輛行駛在越野道路,15～20 s表示車輛進行轉(zhuǎn)向,然后車輛又恢復越野道路行駛工況。通過仿真實驗實時采集車輛行駛中的傳感器的特征值,其結(jié)果如圖5所示。

圖4 Carsim 仿真工況設置Fig.4 Carsim simulation condition setting

從圖5(a)可以看出,當車輛處于加減速行駛工況下,車輛質(zhì)心處的俯仰角和垂直加速度的特征值均能識別,因此選擇垂直加速度與俯仰角加速度的方差和方根幅值作為此工況的辨識參數(shù);從圖5(c)中可以得出,當車輛處于轉(zhuǎn)向行駛中,橫擺角速度的峰值可以較好地反映出車輛的行駛工況。由于車輛在越野道路行駛特征不明顯,因此結(jié)合前2種行駛工況的識別,選擇的傳感器信號特征值如表2所示。

表2 越野道路直線行駛工況選擇的傳感器參數(shù)Table 2 Sensor parameters selected for straight road driving on off-road

圖5 不同傳感器參數(shù)的時域統(tǒng)計特性Fig.5 Sensitivity of different sensor parameters to driving conditions

2.3 D-S證據(jù)合成

D-S證據(jù)理論不需要知道先驗概率,能夠很好地表示“不確定”,被廣泛用來處理不確定數(shù)據(jù)。其最大的特點就是對不確定性信息的描述采用“區(qū)間估計”,在區(qū)分不知道和不確定方面以及精確反映證據(jù)收集方面顯示出很大的靈活性,其定義為:

Θ={θ1,θ2,…,θN}為辨識系統(tǒng)的識別框架,其中θi表示識別對象所有存在的可能子集組成,2Θ為Θ 的冪集:

式中:?代表空集;Θ為全集;{θi∪…∪θj},i,j∈[1,n]且i≠j,表示子元素的并集。因此文中根據(jù)車輛不同的行駛工況,首先制定了辨識系統(tǒng)的識別框架Θ={A,B,C,D}。A表示車輛處于其他行駛工況,B表示車輛處于直線越野路面行駛,C表示車輛進行轉(zhuǎn)彎操作,D表示車輛進行加減速動。

對于定義的Θ,BPA 是Θ的所有的子集到[0,1]之間的函數(shù)映射,即m:2Θ→[0,1],該函數(shù)映射滿足:

BPA 函數(shù)表征的是初期證據(jù)建立的信任度,而Bel函數(shù)則表征的是每個命題為真的信任度,可表示為Bel函數(shù)(B(·))。B:2Θ→[0,1],則子命題A的B函數(shù)定義為所有滿足B?A的集合B的BPA 函數(shù)的和,即

若m(A)=,則其信任函數(shù)稱為空信任函數(shù),適合于無任何證據(jù)的情況。

當集合Θ中的某一子集A是否成立存在不確定性時,通過似然函數(shù)P(·)表達其信任度。其似然函數(shù)P(A)為命題A為真和疑似為真的信任程度,即

圖6 不確定性區(qū)間信息劃分Fig.6 Uncertainty interval information division

D-S合成規(guī)則通過正交和運算對多個BPA 函數(shù)進行合成,并得到合成后的概率分配函數(shù)。當存在多個證據(jù)E1,E1,…,E n時,其對應焦元的BPA 函數(shù)分別表示為m1(A i)和m2(B j),利用正交和算子⊕對2個證據(jù)源進行合并:

式中,K為各個證據(jù)之間的沖突因子,其大小與各個證據(jù)之間的沖突程度正相關(guān)。

通過D-S規(guī)則將各個證據(jù)源合成后,需要進行決策辨識,文中利用可行性區(qū)間作為決策規(guī)則進行辨識,因此定義可用性函數(shù)u(B)將信任區(qū)間修正為可用性區(qū)間,得到其上限和下限分別為:

則在B?Θ的情況下,平均可用性為

式中,ρ為概率估計。對于命題Ai?Θ的可用性為

n j表示包含命題A i的命題數(shù),系數(shù)c j=1/(10j),當目標較多時,整個的可用性為

其中平均可用性最大的命題A j定義為最終的識別結(jié)果。

文中對來自特征級融合后識別結(jié)果當作D-S證據(jù)理論合成的證據(jù)源E1,E2,E3,通過每一個證據(jù)識別結(jié)果的正確的錯誤時間和正確時間長度確定其BPA 函數(shù)。在假設車輛質(zhì)心處的橫擺角速度傳感器信號值存在較大噪聲和異常的情況下,每個證據(jù)的BPA 函數(shù)如表3所示,最后通過對應的決策層和D-S合成規(guī)則辨識出全地形車特定的行駛工況。

表3 證據(jù)源E1,E2,E3 的概率密度函數(shù)Table 3 Probability density function of evidence source E1,E2,E3

3 仿真結(jié)果與分析

為了驗證基于D-S證據(jù)理論的辨識方法的準確性,如圖7所示在Carsim 仿真軟件中設定了全地形車不同的行駛工況。

圖7 行駛工況Fig.7 Driving conditions

3.1 傳感器信號無噪聲或異常情況

仿真設計當傳感器信號獲取精確時,分別采用特征級融合和D-S證據(jù)理論融合的辨識結(jié)果如圖8所示。兩者均能實現(xiàn)對全地形車行駛工況的準確辨識。并沒有出現(xiàn)誤判的現(xiàn)象。行駛工況辨識的結(jié)果與所選特征傳感器和特征值有很大的關(guān)系,因需要對傳感器信號特征值進行提取和計算,所以2種辨識方法會存在一定的延時。根據(jù)圖8可知,對越野段和加速段的辨識時間在1.3 s左右,對減速段的辨識時間在0.7 s左右,對轉(zhuǎn)彎的辨識時間在0.2 s左右,延遲時間差異與選擇的信號特征值有關(guān)。

圖8 橫擺角速度信號正確時不同方法的辨識結(jié)果Fig.8 Identification results of different methods when yaw velocity signal is correct

3.2 傳感器信號存在噪聲或異常情況

為了更好地模擬車輛的實際行駛環(huán)境,如圖9所示,在仿真中給車輛的橫擺角速度信號加入了噪聲和異常值,即仿真中(t)=(t)+0.03w(t)+0.3δ(t-125)+0.16δ(t-136),其中w(t為噪聲δ(t)為異常值信號。通過仿真后得到的辨識結(jié)果如圖10所示,因為傳感器的誤差使得特征層融合辨識方法在120～126 s,136～150 s,152 s和181 s時候發(fā)生了辨識錯誤。但基于D-S證據(jù)理論的辨識方法依然保證了辨識的準確性。說明后者辨識精度較高。

圖9 橫擺角速度原始信號和加入噪聲和異常值后的時域信號Fig.9 Yaw velocity original signal and time domain signal after adding noise and outliers

圖10 加入噪聲和異常之后不同方法的辨識結(jié)果Fig.10 Identification results of different methods after adding noise and anomaly

4 結(jié)論

針對由單一傳感器信號對全地形車車輛行駛工況辨識困難和傳感器信號存在較大誤差影響辨識結(jié)果的問題,文章通過改進的距離評估方法對全地形車上的傳感器行駛工況的敏感特征值進行了提取和篩選。使用特征級融合方法對選取的傳感器的特征值進行了融合,完成了對行駛工況的初步辨識。將傳感器信號的噪聲和異常值當做不確定性信息,使用D-S證據(jù)理論合成方法對來自特征級融合后識別結(jié)果進行最高級別的決策層融合。最后基于可行區(qū)間的決策規(guī)則實現(xiàn)了車輛行駛工況的準確辨識。在Carsim 中完成了對全地形車的越野,轉(zhuǎn)彎,加減速行駛工況辨識仿真實驗。實驗結(jié)果表明:當處于傳感器信號在理想狀態(tài)下,特征層融合辨識和基于D-S證據(jù)理論的決策層融合辨識均能實現(xiàn)全地形車行駛工況的正確辨識,但是對信號加入噪聲和異常值后,特征層融合辨識會出現(xiàn)辨識錯誤的現(xiàn)象,而基于D-S證據(jù)理論的決策層融合方法可以保證正確的辨識結(jié)果,說明了其具有較高的辨識精度。