[发明专利]一种能得到估计不确定性的履带车辆滑移率估计方法

权利要求书

1.一种能得到估计不确定性的履带车辆滑移率估计方法，其特征在于：应用于履带车辆，基于支持向量分类，分别建立并训练两侧履带的滑移率离散估计模型，对滑移率进行离散估计，之后针对不同滑移率区间分别建立稀疏高斯过程回归模型，在进行滑移率估计的同时，能够得到滑移率估计的不确定性，包括如下步骤：

步骤一、使用履带式数据采集平台采集大量数据：

采集的数据包括来自惯性传感器的车辆线加速度与角速度数据，来自惯性传感器、差分GPS传感器组合导航得到的车辆速度数据，来自驱动电机的车辆驱动轮转速、转矩数据，数据采集场景为铺面路，包括直道和曲率不同的多段弯道，数据采集时的行驶工况为匀速行驶；

步骤二、对采集到的车辆状态数据进行预处理，包括：去除无效数据、低通滤波以及时间同步；

步骤三、使用高斯混合聚类对滑移率真值进行一维聚类，以得到滑移率分类的边界值，便于对滑移率进行分类标注：

将数据集随机按照4:1的比例分为训练集和测试集，针对训练集进行处理，首先通过驱动轮速、车辆横摆角速度、惯性传感器与差分GPS传感器组合导航得到的车速计算出滑移率真值，再使用高斯混合聚类对滑移率真值进行一维聚类，以得到滑移率分类的边界值；

步骤四、根据聚类得到的滑移率分类边界值与每组数据的滑移率真值为数据打上滑移率真值的类别标签；

步骤五、基于支持向量分类分别建立并训练两侧履带的滑移率离散估计模型：

将滑移率真值的类别标签以及对应的车辆特征，包括两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度，都输入到模型中；训练得到输入特征，包括两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度这些参数，到输出滑移率估计类别的关系；

步骤六、根据滑移率聚类得到的分类边界值，对数据集进行划分；

步骤七、针对不同的滑移率区间，基于稀疏高斯过程回归分别建立并训练两侧履带的滑移率回归模型：

对每个区间的数据集，分别随机按照4:1的比例分为训练集和测试集，将滑移率真值和对应的车辆特征，包括两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度，都输入到模型中；训练得到输入特征，包括两侧驱动轮转矩和转速、车辆横向和纵向加速度、车辆横摆角速度和俯仰角速度这些参数，到输出滑移率值的关系；

步骤八、在测试集上评估滑移率离散估计模型与滑移率回归模型的精度。

2.如权利要求1所述的一种能得到估计不确定性的履带车辆滑移率估计方法，其特征在于：步骤五所述的滑移率离散估计模型中使用高斯核，实现非线性分类。

3.如权利要求2所述的一种能得到估计不确定性的履带车辆滑移率估计方法，其特征在于：使用随机搜索得到滑移率离散估计模型的两个超参数值，即高斯核带宽与惩罚因子。

4.如权利要求1所述的一种能得到估计不确定性的履带车辆滑移率估计方法，其特征在于：步骤七所述的稀疏高斯过程回归模型使用高斯核，诱导样本数目均为1000。