一种牵引式电动运载助力车控制方法、装置、设备及存储介质与流程

1.本发明涉及负载运输设备技术领域，特别是涉及一种牵引式电动运载助力车控制方法、装置、设备及存储介质。


背景技术：

2.在单兵行军过程中，经常需要负载一定量的装备和补给。为提高单兵负重能力，出现了运载助力车。
3.运载助力车在行进过程中，操作人员身高、车体关节调节角度、车辆负载情况、道路坡度及崎岖度等信息都会对力传感器产生影响，导致无法解算到准确的水平牵引力。人体行进过程中，重心上下波动，带动车身上下波动，也会对力传感器带来干扰。人体重心波动速度与行进速度相关，而且每个人具有差异性，因此，对于人机一体助力车来说，传感器测量的力是牵引力和腰部载重的合力，而且受到人体行走重心波动和路面崎岖度的影响，如何获取准确的人体牵引力是较为困难的，进而导致无法对车辆进行更好的控制。


技术实现要素：

4.本发明所要解决的技术问题是，克服现有技术的缺点，提供一种牵引式电动运载助力车控制方法、装置、设备及存储介质。
5.为了解决以上技术问题，本发明的技术方案如下：一种牵引式电动运载助力车控制方法，其特征在于：包括，在车体集成用于采集车体关节角度、车体所受牵引力、车体加速度的传感器、用于采集车体所在路面坡度的惯性测量单元以及用于采集车体所在路面崎岖度的深度摄像头；获取车体运行过程中的路面坡度信息和路面崎岖度信息以及车体不同运行状态下的各项传感器数据；对所述传感器数据进行预处理，并提取特征数据，得到处理后的传感器数据；通过深度学习方法建立车体所受牵引力、路面坡度、路面崎岖度与处理后的传感器数据之间的关系；获取车体实际运行过程中的传感器数据，并基于车体所受牵引力、路面坡度、路面崎岖度与传感器数据之间的关系得到当前车体所受牵引力、路面坡度、路面崎岖度；基于车体所受牵引力、路面坡度、路面崎岖度对车体的控制参数进行调节。
6.作为本发明所述牵引式电动运载助力车控制方法的一种优选方案，其中：所述在车体集成用于采集车体关节角度、车体所受牵引力、车体加速度的传感器包括，在车体头部安装用于采集车体所受牵引力的力传感器；在车体关节处安装用于采集车体关节角度的角度传感器；在车体上安装用于采集车体加速度的加速度传感器。
7.作为本发明所述牵引式电动运载助力车控制方法的一种优选方案，其中：所述力传感器包括一维力传感器和六维力传感器。
8.作为本发明所述牵引式电动运载助力车控制方法的一种优选方案，其中：所述对传感器数据进行预处理包括，采用基于卡尔曼滤波传感器融合模型对所述传感器数据进行数据融合。
9.作为本发明所述牵引式电动运载助力车控制方法的一种优选方案，其中：所述特征数据包括车体操作人员的身高信息和腰部负重信息。
10.作为本发明所述牵引式电动运载助力车控制方法的一种优选方案，其中：所述基于车体所受牵引力、路面坡度、路面崎岖度对车体的控制参数进行调节包括，基于路面坡度信息对车体力矩输出进行补偿；基于路面崎岖度信息对车体系统刚度进行调节。
11.本发明还提供了一种牵引式电动运载助力车控制装置，包括，数据采集模块，用于获取车体运行过程中的路面坡度信息和路面崎岖度信息以及车体不同运行状态下的各项传感器数据；数据处理模块，对所述传感器数据进行预处理，并提取特征数据，得到处理后的传感器数据；深度学习模块，用于通过深度学习方法建立车体所受牵引力、路面坡度、路面崎岖度与处理后的传感器数据之间的关系；数据获取模块，用于获取车体实际运行过程中的传感器数据，并基于车体所受牵引力、路面坡度、路面崎岖度与传感器数据之间的关系得到当前车体所受牵引力、路面坡度、路面崎岖度；参数调节模块，用于基于车体所受牵引力、路面坡度、路面崎岖度对车体的控制参数进行调节。
12.本发明还提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项牵引式电动运载助力车控制方法所述的方法。
13.本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任一项牵引式电动运载助力车控制方法所述的方法。
14.本发明的有益效果是：本发明基于多传感器数据，通过深度学习建立场景多要素之间的关系，并将之应用在传感器少、信息量少的实际应用工况中，用该方法补全车体控制所需的信息缺失，达到更好的控制效果。
附图说明
15.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
16.图1为本发明提供的牵引式电动运载助力车控制方法的流程示意图；图2为车体上传感器的位置示意图；图3为车体控制系统示意图；
图4为本发明提供的牵引式电动运载助力车控制装置的示意图；图5为本发明提供的计算机设备的示意图；其中：1、力传感器；2、第一角度传感器；3、第二角度传感器；4、负载。
具体实施方式
17.为使本发明的内容更容易被清楚地理解，下面根据具体实施方式并结合附图，对本发明作出进一步详细的说明。
18.图1为本技术实施例提供的牵引式电动运载助力车控制方法的流程示意图。该方法包括步骤s101~步骤s106，具体步骤说明如下：步骤s101：在车体集成用于采集车体关节角度、车体所受牵引力、车体加速度的传感器、用于采集车体所在路面坡度的惯性测量单元以及用于采集车体所在路面崎岖度的深度摄像头。
19.具体的，在车体上安装有一维力传感器，该一维力传感器安装在车头柔性体与车身之间，可采集人体对车体的牵引力。同时，在一维力传感器的前端还加装有六维力传感器，该力传感器用于测量牵引力真值。
20.在车体的关节处安装有角度传感器。在本实施例中，角度传感器设置有两个，参见图2，第一角度传感器2固定安装在车体关节的上端，第二角度传感器3固定安装在车体关节的下端。
21.车体还协同有一测量平台，利用其搭载的惯性测量单元可获取车体所在的路面坡度信息。
22.在车体上还安装有深度摄像头，可获取车体所在的路面崎岖度信息。
23.步骤s102：获取车体运行过程中的路面坡度信息和路面崎岖度信息以及车体不同运行状态下的各项传感器数据。
24.具体的，通过车体运行可采集大量的数据，以供后续的深度学习模型进行训练。车体在运行过程中，惯性测量单元可获取车体所在的路面坡度信息，深度摄像头可获取车体所在的路面崎岖度信息。力传感器和角度传感器可采集车体受到的牵引力以及车体关节的角度数据。
25.步骤s103：对所述传感器数据进行预处理，并提取特征数据，得到处理后的传感器数据。
26.具体的，采用基于卡尔曼滤波传感器融合模型对传感器数据进行数据融合，可对原始传感器数据进行去噪，大大减小传感器数据的偏差。
27.需要说明的是，参见图2，操作人员站立且车体静止情况下，位于车体头部的力传感器1测量的力和车体及负载4重量相关。基于卡尔曼滤波传感器融合模型，通过力传感器1的牵引力数据、第一角度传感器2采集到的角度数据和第二传感器采集到的角度数据，可以估计出车辆负载4。结合车体结构尺寸，可以估计出操作人员腰部高度信息。另外，控制系统通过力传感器1的牵引力数据评估操作人员受力情况，并考察第二角度传感器3采集到的角度数据，当车体关节角度调制不合理时，给出车体关节角度调整建议，减轻车辆负载4对人体腰部的负荷。
28.由此，对传感器进行去噪之后，可根据这些传感器数据来预估车体操作人员的身
高信息、腰部负重信息以及车体负载4数据这些特征数据。
29.可以理解的是，操作人员和车体在行进过程中，当车体良好地跟随人体时，车体与操作人员的相对位姿和速度保持不变。当操作人员突然改变行进速度时，车体对人跟随主力效果随之改变，体现为操作人员与车体的相对位姿改变。
30.车体具有多级助力车具有多级缓冲功能。在复杂路况下，车体因其柔性可能会导致震荡。当车体处于复杂路况下，力传感器1受多种因素影响，难以解算人与车辆之间牵引力。其相应关系为：关节角度的变化和行走波动、路面坡度相关；车体加速度数据和行走波动、车体负载4和路面崎岖度相关；力传感器1数据和行走波动、车体柔性、路面情况相关。
31.步骤s104：通过深度学习方法建立车体所受牵引力、路面坡度、路面崎岖度与处理后的传感器数据之间的关系。
32.具体的，利用不同负载4、不同路况（路面坡度、路面崎岖度）对深度学习模型进行训练，可建立车体所受牵引力、路面坡度、路面崎岖度与处理后的传感器数据之间的关系。
33.上述深度学习模型中部分数据采用了传感器融合得到的数据，即深度学习的数据来源就是传感器融合得到的人员身高信息、腰部负重数据和设备设置（车体关节角度）等信息。深度学习过程中，身高信息、腰部负重信息及设备设置信息为已知，待学习过程完成后，即可建立这些数据之间的对应关系。
34.步骤s105：获取车体实际运行过程中的传感器数据，并基于车体所受牵引力、路面坡度、路面崎岖度与传感器数据之间的关系得到当前车体所受牵引力、路面坡度、路面崎岖度。
35.在实际应用过程中，负载4情况和路面信息未知，此时需要基于深度学习结果通过传感器反推出负载4情况、路面信息等数据，这些参数提供给控制器，以达到更好的控制效果。
36.具体的，通过传感器采集车体运行过程中的传感器数据，然后基于深度学习结果，即车体所受牵引力、路面坡度、路面崎岖度与传感器数据之间的关系，预估当前车体所受牵引力、路面坡度、路面崎岖度。
37.可以理解的是，深度学习过程中，牵引力、路面坡度、路面崎岖度可通过附加传感器和技术手段测量得到。而实际应用过程中，设备往往不会附加这类环境感知的装置，牵引力、路面坡度、路面崎岖度等数据是估计出来的，深度学习的目的就是为了建立估计这些无法获取数据的对应关系。即基于多传感器数据通过深度学习建立场景多要素之间的对应关系，并将之应用在传感器少、信息量少的实际应用工况中，用该方法补全控制所需的信息缺失，达到更好的控制效果。
38.步骤s106：基于车体所受牵引力、路面坡度、路面崎岖度对车体的控制参数进行调节。
39.具体的，车体在平地路面以基于车辆动力学模型对车体进行控制作为控制基础。然后引入车体所在的路面坡度信息，对车体力矩输出进行补偿，以抵抗坡度对车辆的影响，即在坡度情况下，车体驱动要抵抗摩擦力和重力的水平分量。上坡时增加输出力矩，下坡时减小输出力矩。之后，引入路面崎岖度信息，调整车体反馈的参数，调整车体的动态特性，即当车体行驶在崎岖路面时，调整车体系统的刚度。平坦路面时车体控制刚度高，崎岖路面车体控制刚度低，以降低崎岖路面对操作人员的影响。从而通过对路况的补偿，消除路况对车
体的影响，实现更好的力控效果。具体的车体控制系统可参见图3。
40.图4为本技术实施例提供的牵引式电动运载助力车控制装置的示意图。该装置包括数据采集模块、数据处理模块、深度学习模块、数据获取模块、参数调节模块。
41.其中，数据采集模块用于获取车体运行过程中的路面坡度信息和路面崎岖度信息以及车体不同运行状态下的各项传感器数据。
42.在本实施例中，数据采集模块包括集成在车体上的传感器、惯性测量单元以及深度摄像头。其中，传感器包括车体所受牵引力的力传感器1、用于采集车体关节角度的角度传感器以及用于采集车体加速度的加速度传感器。惯性测量单元则是与车辆协同的测量平台中。深度摄像头则搭载在车体上。
43.数据处理模块，对所述传感器数据进行预处理，并提取特征数据，得到处理后的传感器数据。
44.深度学习模块，用于通过深度学习方法建立车体所受牵引力、路面坡度、路面崎岖度与处理后的传感器数据之间的关系。
45.数据获取模块，用于获取车体实际运行过程中的传感器数据，并基于车体所受牵引力、路面坡度、路面崎岖度与传感器数据之间的关系得到当前车体所受牵引力、路面坡度、路面崎岖度；参数调节模块，用于基于车体所受牵引力、路面坡度、路面崎岖度对车体的控制参数进行调节。
46.参见图5，本实施例还提供了一种计算机设备，计算机设备的组件可以包括但不限于：一个或者多个处理器或者处理单元，系统存储器，连接不同系统组件(包括系统存储器和处理单元)的总线。
47.总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
48.计算机系统/服务器典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
49.系统存储器可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)和/或高速缓存存储器。计算机设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统可以用于读写不可移动的、非易失性磁介质。可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
50.具有一组(至少一个)程序模块的程序/实用工具，可以存储在例如存储器中，这样的程序模块包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执
行本发明所描述的实施例中的功能和/或方法。
51.计算机设备也可以与一个或多个外部设备例如键盘、指向设备、显示器等)通信。这种通信可以通过输入/输出(i/o)接口进行。并且，计算机设备还可以通过网络适配器与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。
52.处理单元通过运行存储在系统存储器中的程序，从而执行本发明所描述的实施例中的功能和/或方法。
53.上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。
54.随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
55.计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
56.计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。
57.可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
58.除上述实施例外，本发明还可以有其他实施方式；凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。