一种基于视觉识别与动力学融合的路面摩擦系数估计方法及其系统

摘要: 本申请涉及轮式无人平台自主操控,特别是涉及一种基于视觉识别与动力学融合的路面摩擦系数估计方法及其系统。背景技术:1、轮式无人平台在行驶过程中,轮胎-路面摩擦系数...
一种基于视觉识别与动力学融合的路面摩擦系数估计方法及其系统

本申请涉及轮式无人平台自主操控,特别是涉及一种基于视觉识别与动力学融合的路面摩擦系数估计方法及其系统。

背景技术:

1、轮式无人平台在行驶过程中,轮胎-路面摩擦系数(trfc)直接影响平台的驱动、制动和转向能力,是决定平台行驶安全性和自主操控稳定性的关键参数。在模型预测控制、牵引力控制以及极端工况下的稳定性判断中,均需要以trfc作为轮胎力约束或控制依据。因此,准确获取trfc对轮式无人平台的行驶安全性和自主操控稳定性具有重要意义。

2、然而,trfc无法通过车载传感器直接测量,只能通过车轮滑移率、轮胎受力、车身运动等物理量间接估计。目前,trfc估计方法主要分为基于动力学模型的方法、基于视觉的方法以及视觉-动力学融合方法三类,但它们均存在明显不足。

3、基于动力学模型的方法必须嵌入hsri轮胎模型、dugoff模型或魔术公式等参数化轮胎模型,同时需要建立复杂的整车动力学模型。对于广泛采用非充气轮胎的轮式无人平台,轮胎模型参数难以获取,导致估计误差大甚至失效。此外,此类方法在低滑移、低速工况下信号噪声比低,估计值波动剧烈。

4、基于视觉的方法通过图像识别路面类型,只能输出路面类型对应的附着系数经验区间,无法提供连续精确数值,且易受光照、阴影、水渍、冰雪等环境干扰,在黑冰、强反光等视觉欺骗场景下分类准确率急剧下降。

5、现有视觉-动力学融合方法中,动力学部分仍依赖参数化轮胎模型,视觉信息仅在决策层提供辅助参考,未能主动引导动力学辨识过程。同时,融合权重多为固定值或仅依赖单一准则,缺乏对两种异源信息瞬时可靠性的联合度量,无法在传感器异常或工况剧烈变化时保持稳定。因此,现有方法难以在无轮胎模型条件下实现trfc的连续、准确、稳定估计。

技术实现思路

1、本申请的目的是提供一种基于视觉识别与动力学融合的路面摩擦系数估计方法及其系统,可在无需轮胎模型的条件下提高trfc估计的准确性和鲁棒性。

2、为实现上述目的,本申请提供了如下方案:

3、第一方面,本申请提供了一种基于视觉识别与动力学融合的路面摩擦系数估计方法,包括:

4、获取轮式无人平台行驶过程中的路面图像和运动状态信息;所述运动状态信息至少包括所述轮式无人平台的质心纵向速度、横摆角速度、各车轮角速度、纵向加速度和侧向加速度。

5、将所述路面图像输入预训练分类网络,输出路面类别概率向量,并对所述路面类别概率向量进行平滑处理,确定视觉分类概率、视觉先验区间和视觉先验区间中心值。

6、基于所述运动状态信息,估计车轮纵向轮胎力和垂向轮胎力,并计算车轮滑移率。

7、基于所述视觉先验区间中心值和所述视觉分类概率,确定滑移斜率拟合区间。

8、若所述车轮滑移率处于所述滑移斜率拟合区间内,则通过rls更新滑移斜率估计值;否则保持所述滑移斜率估计值不变。

9、基于预先标定的参考路面滑移斜率、参考附着系数和所述滑移斜率估计值,计算动力学附着系数估计值。

10、基于所述视觉分类概率,采用分段函数计算视觉置信度。

11、基于所述运动状态信息、所述车轮滑移率和所述滑移斜率拟合区间计算动力学置信度。

12、将所述动力学附着系数估计值与所述视觉先验区间进行比较,并结合所述视觉置信度和所述动力学置信度进行分层决策融合,输出最终路面摩擦系数估计值。

13、第二方面,本申请提供了一种基于视觉识别与动力学融合的路面摩擦系数估计系统,包括:

14、视觉分类模块,用于获取轮式无人平台行驶过程中的路面图像;还用于将所述路面图像输入预训练分类网络,输出路面类别概率向量,并对所述路面类别概率向量进行平滑处理,确定视觉分类概率、视觉先验区间和视觉先验区间中心值。

15、动力学辨识模块,用于获取轮式无人平台行驶过程中的运动状态信息;还用于基于所述运动状态信息,估计车轮纵向轮胎力和垂向轮胎力,并计算车轮滑移率;还用于基于所述视觉先验区间中心值和所述视觉分类概率,确定滑移斜率拟合区间;若所述车轮滑移率处于所述滑移斜率拟合区间内,则通过rls更新滑移斜率估计值;否则保持所述滑移斜率估计值不变;还用于基于预先标定的参考路面滑移斜率、参考附着系数和所述滑移斜率估计值,计算动力学附着系数估计值。

16、视觉动力学融合模块,用于基于所述视觉分类概率,采用分段函数计算视觉置信度;还用于基于所述运动状态信息、所述车轮滑移率和所述滑移斜率拟合区间计算动力学置信度;还用于将所述动力学附着系数估计值与所述视觉先验区间进行比较,并结合所述视觉置信度和所述动力学置信度进行分层决策融合,输出最终路面摩擦系数估计值。

17、根据本申请提供的具体实施例,本申请具有以下技术效果:

18、本申请提供了一种基于视觉识别与动力学融合的路面摩擦系数估计方法及其系统,该方法通过获取路面图像并由预训练分类网络输出路面类别概率向量并进行平滑处理,确定视觉分类概率、视觉先验区间及其中心值,同时基于运动状态信息估计车轮纵向轮胎力和垂向轮胎力并计算车轮滑移率,使得在无轮胎模型条件下仍能获得路面先验信息和力-滑移基础数据,解决了现有方法依赖参数化轮胎模型导致估计失效的问题,实现了对trfc的连续估计基础;通过基于视觉先验区间中心值和视觉分类概率确定滑移斜率拟合区间,并在车轮滑移率处于该区间时通过rls更新滑移斜率估计值,再基于参考路面滑移斜率、参考附着系数和滑移斜率估计值计算动力学附着系数估计值,使得拟合区间随视觉信息可靠性自适应调整,解决了固定拟合区间在路面变化时信息利用不合理的问题,提高了动力学估计的准确性和稳定性;通过基于视觉分类概率采用分段函数计算视觉置信度,基于运动状态信息、车轮滑移率和滑移斜率拟合区间计算动力学置信度,并将动力学附着系数估计值与视觉先验区间进行比较,结合视觉置信度和动力学置信度进行分层决策融合,输出最终路面摩擦系数估计值,使得融合策略随两种信息源的瞬时可靠性动态调整,解决了现有融合方法在视觉欺骗、低速弱激励、路面突变等极限工况下鲁棒性差的问题,从而能够在无需轮胎模型的条件下提高trfc估计的准确性和鲁棒性。

1.一种基于视觉识别与动力学融合的路面摩擦系数估计方法,其特征在于,所述方法包括:

2.根据权利要求1所述的基于视觉识别与动力学融合的路面摩擦系数估计方法,其特征在于,所述预训练分类网络为efficientnet-b0分类网络;对所述路面类别概率向量进行平滑处理,确定视觉分类概率、视觉先验区间和视觉先验区间中心值,具体包括:

3.根据权利要求1所述的基于视觉识别与动力学融合的路面摩擦系数估计方法,其特征在于,基于所述运动状态信息,估计车轮纵向轮胎力和垂向轮胎力,并计算车轮滑移率,具体包括:

4.根据权利要求1所述的基于视觉识别与动力学融合的路面摩擦系数估计方法,其特征在于,基于所述视觉先验区间中心值和所述视觉分类概率,确定滑移斜率拟合区间,具体包括:

5.根据权利要求1所述的基于视觉识别与动力学融合的路面摩擦系数估计方法,其特征在于,若所述车轮滑移率处于所述滑移斜率拟合区间内,则通过rls更新滑移斜率估计值,具体包括:

6.根据权利要求1所述的基于视觉识别与动力学融合的路面摩擦系数估计方法,其特征在于,所述分段函数为分段tanh-shift函数;基于所述视觉分类概率,采用分段函数计算视觉置信度,具体包括:

7.根据权利要求1所述的基于视觉识别与动力学融合的路面摩擦系数估计方法,其特征在于,基于所述运动状态信息、所述车轮滑移率和所述滑移斜率拟合区间计算动力学置信度,具体包括:

8.根据权利要求1所述的基于视觉识别与动力学融合的路面摩擦系数估计方法,其特征在于,将所述动力学附着系数估计值与所述视觉先验区间进行比较,并结合所述视觉置信度和所述动力学置信度进行分层决策融合,输出最终路面摩擦系数估计值,具体包括:

9.根据权利要求1所述的基于视觉识别与动力学融合的路面摩擦系数估计方法,其特征在于,在将所述动力学附着系数估计值与所述视觉先验区间进行比较之前,所述方法还包括:

10.一种基于视觉识别与动力学融合的路面摩擦系数估计系统,其特征在于,所述系统包括: