基于深度学习的履带作业车自适应控制方法及系统与流程
本发明涉及车辆控制,特别是基于深度学习的履带作业车自适应控制方法及系统。
背景技术:
1、现有履带作业车的地形识别过度依赖视觉感知,很易受表硬内软的伪地质影响而引发陷车。为了弥补这种视觉盲区,部分现有技术引入了电机电流作为辅助观测。但在常规工程实践中,电流数据往往只用于闭环调速与过载保护。尤其是高频分量常被误判为逆变器噪声,因此在底层预处理时就被直接滤除掉,导致表征履带实际物理接触的微观特征也被隐藏。
2、此外,对于传统宏观上附着力评估,一般都高度依赖价格昂贵的外置传感器,或者是庞杂的动力学模型,成本高并且实现难。并且现有技术关于地形识别方法,大多采用通用网络结构,在履带打滑等工况下难以及时识别阻力异常,在复杂地形条件下的自适应控制性能仍有很大的提升空间。
技术实现思路
1、鉴于上述现有存在的问题,提出了本发明。
2、因此,本发明提供了基于深度学习的履带作业车自适应控制方法,解决了传统履带作业车在未知的恶劣地质环境下,因视觉摄像头无法深入地探测坚硬地表下隐蔽的松软土层,以及在滤波环节直接滤除高频交互信号,导致底层真实的物理接触特征缺失,从而造成履带打滑和深陷泥地的问题。
3、为解决上述技术问题,本发明提供如下技术方案:
4、第一方面,本发明提供了基于深度学习的履带作业车自适应控制方法,其包括,同步采集履带作业车两侧驱动电机的原始电流信号与实时的空间定位信号,将所述原始电流信号分离为高频电流信号与低频电流信号;
5、基于所述高频电流信号构建频域特征序列,输入基于注意力的卷积网络执行注意力特征加权融合,输出微观特征向量并计算两侧频域特征分布的相关性;
6、利用所述低频电流信号与所述空间定位信号提取履带作业车的主动输出功率与实际位置移动速度,计算获取宏观阻力差异系数;
7、将所述微观特征向量、所述相关性以及所述宏观阻力差异系数融合为综合特征向量输入多元统计判别模型,基于马氏距离计算输出地形分类结果并调节驱动电机。
8、作为本发明所述基于深度学习的履带作业车自适应控制方法的一种优选方案,其中:所述将所述原始电流信号分离为高频电流信号与低频电流信号包括,将采样获取的原始电流信号输入带通滤波器,提取设定高频段的交流分量作为所述高频电流信号;
9、将所述原始电流信号输入低通滤波器,提取低于设定阈值的低频分量作为所述低频电流信号。
10、作为本发明所述基于深度学习的履带作业车自适应控制方法的一种优选方案,其中:所述输入注意力卷积网络执行注意力特征加权融合包括,对设定时间窗内的左侧高频电流信号与右侧高频电流信号进行同步加权求和处理与求差处理,分别分离出共模高频信号与差模高频信号;
11、对所述共模高频信号与所述差模高频信号分别执行短时傅里叶变换,对应构建共模频域特征序列与差模频域特征序列;
12、将所述共模频域特征序列与所述差模频域特征序列分别输入所述注意力卷积网络包含的共模提取分支与差模提取分支,得到共模隐层特征与差模隐层特征;
13、将所述共模隐层特征作为查询矩阵,将所述差模隐层特征作为键值矩阵,计算所述查询矩阵与所述键值矩阵的转置矩阵之间的缩放点积并执行归一化处理,得到所述空间互相关矩阵;
14、将所述空间互相关矩阵反馈到所述差模提取分支,更新所述差模提取分支的输出,得到增强差模隐层特征;
15、在通道维度上对所述共模隐层特征与所述增强差模隐层特征进行拼接融合,并对拼接融合后的特征执行降维压缩处理,生成微观特征向量。
16、作为本发明所述基于深度学习的履带作业车自适应控制方法的一种优选方案,其中:所述计算两侧频域特征分布的相关性包括,利用短时傅里叶变换获取的左侧能量特征值与右侧能量特征值,构建两侧频域特征序列;
17、计算所述左侧频域特征序列与所述右侧频域特征序列之间的协方差;
18、分别计算所述左侧频域特征序列与所述右侧频域特征序列的标准差,并将计算获取的两个标准差相乘得到标准差乘积;
19、将所述协方差除以所述标准差乘积,计算得到皮尔逊相关系数,作为所述相关性。
20、作为本发明所述基于深度学习的履带作业车自适应控制方法的一种优选方案,其中:所述计算获取宏观阻力差异系数包括,基于所述低频电流信号与对应的母线电压提取左侧驱动电机的左侧实时输出功率与右侧驱动电机的右侧实时输出功率;
21、将所述左侧实时输出功率除以所述实际位置移动速度获取左侧等效驱动阻力;
22、将所述右侧实时输出功率除以所述实际位置移动速度获取右侧等效驱动阻力;
23、计算所述左侧等效驱动阻力与所述右侧等效驱动阻力的绝对差值,将所述绝对差值除以所述左侧等效驱动阻力与所述右侧等效驱动阻力的总和,获取所述宏观阻力差异系数。
24、作为本发明所述基于深度学习的履带作业车自适应控制方法的一种优选方案,其中:所述基于马氏距离计算输出地形分类结果包括,将所述微观特征向量、所述宏观阻力差异系数与所述相关性进行数据拼接,构建当前时刻的所述综合特征向量;
25、将所述综合特征向量输入所述多元统计判别模型,所述多元统计判别模型中预先构建有特征空间,并在所述特征空间中针对每种预设地形类别构建有对应的类别基准特征向量与协方差逆矩阵;
26、利用输入的所述综合特征向量在所述特征空间中的位置,结合各个所述类别基准特征向量以及所述协方差逆矩阵,分别计算当前时刻的所述综合特征向量与各个所述预设地形类别之间的马氏距离;
27、比较各个所述预设地形类别对应的马氏距离数值,将最小的马氏距离数值所对应的预设地形类别输出为所述地形分类结果。
28、作为本发明所述基于深度学习的履带作业车自适应控制方法的一种优选方案,其中:所述调节驱动电机包括,根据所述地形分类结果匹配生成目标控制参数组,所述目标控制参数组包含非线性扭矩分配比例与功率限制幅度;
29、将所述目标控制参数组解析为左侧功率分配指令报文与右侧功率分配指令报文;
30、通过局域网总线将所述左侧功率分配指令报文与所述右侧功率分配指令报文下发至对应的所述驱动电机的逆变器中执行,按照设定的非对称动力分配参数同时调节底盘动力输出。
31、第二方面,本发明提供了基于深度学习的履带作业车自适应控制系统,包括,分离单元,同步采集履带作业车两侧驱动电机的原始电流信号与实时的空间定位信号,将所述原始电流信号分离为高频电流信号与低频电流信号;
32、提取单元,基于所述高频电流信号构建频域特征序列,输入基于注意力的卷积网络执行注意力特征加权融合,输出微观特征向量并计算两侧频域特征分布的相关性;
33、计算单元,利用所述低频电流信号与所述空间定位信号提取履带作业车的主动输出功率与实际位置移动速度,计算获取宏观阻力差异系数;
34、决策单元,将所述微观特征向量、所述相关性以及所述宏观阻力差异系数融合为综合特征向量输入多元统计判别模型,基于马氏距离计算输出地形分类结果并调节驱动电机。
35、第三方面,本发明提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述计算机程序被处理器执行时实现如本发明第一方面所述的基于深度学习的履带作业车自适应控制方法的任一步骤。
36、第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现如本发明第一方面所述的基于深度学习的履带作业车自适应控制方法的任一步骤。
37、本发明有益效果为:通过同步利用两侧驱动电机电流与空间定位信息,在无需增加外置力学传感器的条件下,建立输出功率与实际位移速度之间的对应关系,用于表征车辆受阻状态,弥补视觉感知不足,对表硬内软等地质情况具有更好的区分能力,同时能够识别高功率输出但位移受限的打滑工况;对电流信号高频分量进行特征提取,并结合两侧差异构造非对称响应信息,以增强对局部异常接触的感知能力;在分类决策端采用多元统计判别模型,利用特征空间中的马氏距离消除不同物理量纲间的耦合影响,大幅降低车载算力开销,增强了工程应用的安全性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com