基于多传感器融合的丘陵山地无人作业平台防倾覆方法

1.本发明涉及农机装备技术领域，特别涉及一种基于多传感器融合的丘陵山地无人作业平台防倾覆方法。


背景技术：

2.我国南方地区的气候适宜植物生长，是各种用材林及经济林的主要种植区，大部分种植区多数是在人工开发出的阶梯式区域，但丘陵农林耕作水平机械化、智能化水平不高，严重制约着丘陵山区农业机械化的发展，进而严重影响农业农村现代化的进程。丘陵山区省份目前农作物耕作机械化较低，传统农业机械多数无法自主通行及避障，机具进地难、作业难，机器磨损快。
3.提升丘陵山区农业机械化程度的首要任务是解决设备上山与移动平台问题，该问题直接影响未来我国林业机械化发展的进程。在丘陵山地种植区生产过程中要求精耕细作，劳动量大，包括栽植、抚育、施肥、修枝、植保、采收等工作环节。但丘陵山地地块细碎凌乱、坡多台多埂多、形状不规则，山地凹凸不平，复杂地形地貌及作业环境给予丘陵山地行走机械装备极大的挑战，同时由于驾驶员输入与车辆响应之间的延迟、制动系统的时间延迟和有效范围有限、横向稳定性控制与防侧翻控制之间的复杂关系，即使装有仅控制车辆横向稳定性的传统稳定性控制，作业车辆也可能变得不稳定，面临巨大的侧翻风险。
4.目前国内很多研究机构对丘陵山地作业机械进行了一定程度的研究，比如：北京航空航天大学提出了一种具有平衡摇臂悬架和h型传动的可变地隙与轮距动力平台(vii-hpc)，为适应丘陵地区地形特点，其越障性较好，但可稳定性较差；中国农业大学提出一种预检测主动调平方法，解决丘陵山区农用底盘倾斜后调平精度低、滞后的问题，但依靠车架布置的四个高度测距传感器获取地面相对高度信息误差大，且无法处理易侧翻的地形，智能化程度低。
5.公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。


技术实现要素：

6.本发明的目的在于提供一种基于多传感器融合的丘陵山地无人作业平台防倾覆方法，从而克服作业车在丘陵山地作业易侧翻、车辆运行不稳的缺点。
7.为实现上述目的，本发明提供了一种基于多传感器融合的丘陵山地无人作业平台防倾覆方法，包括：
8.(1)建立作业平台车辆动力学模型、侧倾动力学模型特性和分析车辆状态方程，采用负载转移率定义车辆的稳定区域，然后建立车辆状态估计模型；
9.(2)采集无人作业车多传感器系统的数据，该数据包括获取车辆自身状态信息和车辆周围环境信息；
10.(3)基于神经网络预测模型对步骤(2)采集的多传感器数据处理，并对车辆的负载
转移率和车辆状态进行估算，完成控制策略预测；
11.(4)车辆控制器根据步骤(1)建立的车辆状态估计模型和步骤(3)获取的负载转移率值和车辆状态的估算值，实现对丘陵山地作业平台防侧翻控制策略的选择。
12.优选地，上述技术方案中，步骤(1)建立车辆动力学模型中车辆的动力学特性包括纵向运行、横向运动和横摆方向运动。
13.优选地，上述技术方案中，纵向运动方程为：
[0014][0015]
横向运动方程为：
[0016][0017]
横摆方向运动方程为:
[0018][0019]
式中，m是车辆质量，v
x
和vy是纵向和横向速度，是车辆的横摆角速度，f
xij
和f
yij
是四个车轮的纵向和横向力，下标ij为fl、fr、rl，rr分别代表左前轮、右前轮、左后轮和右后轮；下列方程式中使用的ij具有相同的含义；δ是前轮的转向角，iz是关于垂直轴的惯性矩，a和b分别是质心到前、后轴的距离，t是车辆的轮距；
[0020]
估计无人作业车行驶时的状态变化，建立估计模型；由纵向运动方程、横向运动方程和横摆方向运动方程计算出三自由度作业平台状态方程和测量方程；
[0021]
作业平台状态方程为：
[0022][0023]
测量方程为：
[0024][0025]
以前轮转角δ和纵向加速度a
x
为系统输入向量，即u＝[δ，a
x
]；以横摆角速度质心侧偏角β以及纵向车速vx为状态向量，即以侧向加速度ay为输出向量，即y＝[ay]；式中:kf和kr分别为前、后轮胎侧偏刚度。
[0026]
优选地，上述技术方案中，步骤(1)中车辆侧倾动力学模型为，依据侧倾动力学模型求解车轮未抬起时车辆的侧倾动力学特性，侧倾动力学特性方程为:
[0027][0028]
其中，φ是车辆在重心处的侧倾角，是车辆的侧倾角速度，of和or分别是前后悬架的滚动中心，i
xo
是关于侧倾轴的侧倾惯性矩，ay是重心的横向加速度，ho是从重心到侧倾中心的高度，hg是重心的高度，k是悬架的滚动刚度，c是悬架的滚转阻尼。
[0029]
优选地，上述技术方案中，步骤(1)用负载转移率定义车辆的稳定区域为：
[0030]
根据车辆侧倾动力学模型，采用考虑负载转移率(load transfer ratio,ltr)定义车辆稳定区域，通过控制调平液压油缸伸缩量来调整车辆姿态，在稳定区域，负载转移率小于安全阈值，车辆可平稳行驶；负载转移率定义为：
[0031][0032]
ltr的阈值设置为：ltr
min
＝0.6和ltr
max
＝0.85。
[0033]
优选地，上述技术方案中，步骤(2)无人作业车多传感器系统包括：多线混合固态激光雷达、激光测距仪、摄像装置、全球定位系统、微机电惯性测量单元、轮速传感器、方向盘转角传感器、侧向加速度传感器、横摆角速度传感器；
[0034]
根据所需数据对各个传感器进行数据采集，然后建立各传感器之间的几何约束关系，再完成各个模块之间的数据通讯；
[0035]
多线混合固态激光雷达、激光测距仪和摄像装置用于感知无人作业车道路信息和周围树木信息，通过激光扫描线在凹、凸坡面及障碍物上的特征，获取道路特征，以便于作业平台状态估计及控制决策；结合激光雷达的参数，激光雷达多线扫描在障碍物的分布为：
[0036][0037]
其中，m为扫描线扫描一周的扫描点数，μi表示扫描线之间的角度，d为激光雷达与障碍物之间的距离，h为雷达相对于地面的安装高度，di表示扫描在障碍物两点之间的水平距离；
[0038]
通过摄像装置采集前方树木植被，获取树木位置信息，以便于车辆避障及路径规划；微机电惯性测量单元、轮速传感器、方向盘转角传感器、侧向加速度传感器和横摆角速度传感器用于收集速度、加速度、转角等车辆姿态估计所需参数。
[0039]
优选地，上述技术方案中，步骤(3)的控制策略预测包括：
[0040]
1)神经网络采用全连接神经网络结构，神经网络预测得到的负载转移率值及车辆状态作为控制器控制模式的参考量；
[0041]
2)对激光雷达采集到的道路信息进行预处理，剔除周围变化不明显的点云数据，提取聚类后的地面凹凸坡面及障碍物特征，将此类特征与微机电惯性测量单元传感器当前
测量的车辆横向加速度、横摆角速度、侧倾角、侧倾角速度、方向盘转角和纵向加速度作为神经网络输入，输出下一时刻侧倾角及侧倾角速度估算值，从而预测下一时刻负载转移率值及车辆状态，同时对比负载转移率预设的阈值，实现控制策略的选择。
[0042]
优选地，上述技术方案中，步骤1)神经网络预测得到的负载转移率值及车辆状态的方法包括：
[0043]
输入层包含凹凸障碍物距离和尺寸信息特征与微机电惯性测量单元等传感器当前测量的作业平台横向加速度、横摆角速度、侧倾角、侧倾角速度、方向盘转角和纵向加速度，输出层为侧倾角及侧倾角速度，7个隐藏层，单层网络神经元个数为设为100，网络训练次数为1000；
[0044]
激活函数除输出层神经元使用sigmoid函数外，输入层和隐藏层均使用收敛速度更快的leaky relu函数，采用l2正则化避免在神经网络模型出现过拟合，采用adam优化算法代替经典的随机梯度下降法来更有效地更新网络权重；损失函数定义为：
[0045][0046]
式中m为参与计算的样本数，网络模型的输出，y是输出的标签，λ是l2正则化超参数，l是神经网络所含的层数，||wj||2为范数平方，被定义为矩阵中所有元素的平方求和。
[0047]
优选地，上述技术方案中，步骤(4)控制策略的选择方法包括：
[0048]
根据车辆模型和车身传感器采用扩展卡尔曼滤波器进行信息融合，对车辆进行状态估计，为车辆控制器提供横摆角速度质心侧偏角β以及纵向车速vx状态向量，同时根据训练好的神经网络模型预测的侧倾角及侧倾角速度估算负载转移率值，进行控制策略的选择：
[0049]
a)当负载转移率值小于阈值负载转移率最小值时，这意味着不会发生侧翻，只考虑车辆的偏航稳定性，作业平台能够正常通过该路段；
[0050]
b)当负载转移率值介于负载转移率最小值和负载转移率最大值之间时，这意味着左右车轮之间的载荷转移很大，如果不进行控制，可能会发生侧翻，因此应同时考虑偏航稳定性和侧翻预防，提前启动主动差速制动、主动悬架或半主动悬架调整，以及主动转向角校正等防侧翻技术。
[0051]
c)当负载转移率值大于负载转移率最大值，作业平台有翻车的巨大危险，该路有障碍物，不可通行，需要控制前轮转向绕道，并根据作业要求重新规划路径进行林地植保等工作。
[0052]
与现有技术相比，本发明具有如下有益效果：本发明提供一种基于多传感器融合的丘陵山地无人作业平台防倾覆方法，主要涉及通过多个传感器的数据融合互补，检测丘陵山地无人作业车状态及前进方向上的道路信息，并通过预测模型估计车辆负载转移率(ltr)，提供给控制系统最终决定控制策略，实现丘陵山地无人作业平台的防倾覆。首先建立作业平台车辆动力学模型和侧倾动力学模型特性，分析车辆状态方程，再使用激光雷达、摄像装置、全球定位系统、微机电惯性测量单元、轮速传感器、方向盘转角传感器、侧向加速度传感器、横摆角速度传感器等获取车辆自身状态信息及车身周围环境信息，然后利用车身姿态数据及地面信息基于神经网络预测模型对作业车负载转移率进行估算，最后车辆控
制器对输入的车身姿态数据及ltr值进行车辆控制策略的选择，从而避免作业车侧倾及无人驾驶的避障路径规划，使得丘陵山地无人作业车在侧翻实际发生之前采取预防措施，控制器可以更早地采取行动，车辆稳定性、自动化、智能化水平得到大幅度提升。
附图说明
[0053]
图1是根据本发明的基于多传感器融合的丘陵山地无人作业平台防倾覆方法的流程图；
[0054]
图2是根据本发明的三自由度车辆动力学模型；
[0055]
图3是丘陵山地无人作业车侧倾动力学模型；
[0056]
图4是神经网络预测模型结构。
具体实施方式
[0057]
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
[0058]
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
[0059]
本发明一种基于多传感器融合的丘陵山地无人作业平台防倾覆方法，包括以下步骤：
[0060]
步骤一：建立作业平台车辆动力学模型和侧倾动力学模型特性及状态方程
[0061]
具体是，建立作业平台车辆动力学模型、侧倾动力学模型特性和分析车辆状态方程，用负载转移率定义车辆的稳定区域，然后建立车辆状态估计模型。
[0062]
包括下列方法：
[0063]
(1)作业平台车辆动力学模型及状态方程和测量方程
[0064]
三自由度作业平台车辆动力学模型如图2所示，车辆的动力学特性如下，包括纵向运动、横向运动、横摆方向运动。
[0065]
纵向运动方程为：
[0066][0067]
横向运动方程为：
[0068][0069]
横摆方向运动方程为:
[0070][0071]
式中，m是车辆质量，v
x
和vy是纵向和横向速度，是车辆的横摆角速度，f
xij
和f
yij
是四个车轮的纵向和横向力，下标ij为fl、fr、rl，rr分别代表左前轮、右前轮、左后轮和右
后轮；下列方程式中使用的ij具有相同的含义；δ是前轮的转向角，iz是关于垂直轴的惯性矩，a和b分别是质心到前、后轴的距离，t是车辆的轮距。
[0072]
为了精确估计无人作业平台行驶时的状态变化，建立的估计模型以前轮转角δ和纵向加速度a
x
为系统输入向量，即u＝[δ，a
x
]；以横摆角速度质心侧偏角β以及纵向车速vx为状态向量，即以侧向加速度ay为输出向量，即y＝[ay]。
[0073]
由以上公式可以计算出三自由度作业平台状态方程和测量方程分别为:
[0074]
作业平台状态方程为：
[0075][0076]
测量方程为：
[0077][0078]
以前轮转角δ和纵向加速度a
x
为系统输入向量，即u＝[δ，a
x
]；以横摆角速度质心侧偏角β以及纵向车速vx为状态向量，即以侧向加速度ay为输出向量，即y＝[ay]；式中:kf和kr分别为前、后轮胎侧偏刚度。
[0079]
2.侧倾动力学模型
[0080]
侧倾动力学模型，如图3所示，依据侧倾动力学模型求解车轮未抬起时车辆的侧倾动力学特性，侧倾动力学特性方程为:
[0081][0082]
式中，φ是车辆在重心处的侧倾角，是车辆的侧倾角速度，of和or分别是前后悬架的滚动中心，i
xo
是关于侧倾轴的侧倾惯性矩，ay是重心的横向加速度，ho是从重心到侧倾中心的高度，hg是重心的高度，k是悬架的滚动刚度，c是悬架的滚转阻尼。
[0083]
为保证作业平台在丘陵山地行驶稳定，避免在山地常见凹凸地型行驶而侧翻，根据车辆侧倾动力学模型，提出一种考虑负载转移率(ltr)的防侧翻的控制策略，同时控制图3中的调平液压油缸l伸缩量来调整车辆姿态，避免侧倾角过大而导致侧翻风险提升。负载转移率(ltr)通常用于定义车辆的稳定区域。在稳定区域，ltr小于安全阈值，车辆稳定。负载转移率定义为：
[0084][0085]
ltr的阈值设置为：ltr
min
＝0.6和ltr
max
＝0.85。
[0086]
步骤二：无人作业平台多传感器系统数据采集
[0087]
采集无人作业车多传感器系统的数据，该数据包括获取平台车辆自身状态信息和车辆周围环境信息。
[0088]
具体为：无人作业车感知系统包括多线混合固态激光雷达、激光测距仪、摄像装置、全球定位系统、微机电惯性测量单元、4个轮速传感器、方向盘转角传感器、侧向加速度传感器、横摆角速度传感器等。
[0089]
首先根据所需数据对各个传感器进行数据采集，然后建立各传感器之间的几何约束关系以便后续完成各个模块之间的数据通讯。
[0090]
激光雷达和摄像装置用于感知无人作业车道路信息和周围树木信息，通过激光扫描线在凹、凸坡面及障碍物上的特征，获取道路特征，以便于作业平台状态估计及控制决策；结合激光雷达的参数，激光雷达多线扫描在障碍物的分布为：
[0091][0092]
其中，m为扫描线扫描一周的扫描点数，μi表示扫描线之间的角度，d为激光雷达与障碍物之间的距离，h为雷达相对于地面的安装高度，di表示扫描在障碍物两点之间的水平距离。
[0093]
通过摄像装置采集前方树木植被，获取树木位置信息，以便于车辆避障及路径规划；其余传感器用于收集速度、加速度、转角等车辆姿态估计所需参数。
[0094]
步骤三：基于神经网络预测模型对多传感器数据处理并完成控制策略预测
[0095]
基于神经网络预测模型对步骤(2)采集的多传感器数据处理，并对车辆的负载转移率和车辆状态进行估算，完成控制策略预测。
[0096]
方法如下：
[0097]
(1)神经网络采用全连接神经网络结构，如图所示4，神经网络预测得到的ltr值及作业平台状态作为控制器控制模式的参考量。输入层包含凹凸障碍物距离和尺寸信息特征与微机电惯性测量单元等传感器当前测量的作业平台横向加速度、横摆角速度、侧倾角、侧倾角速度、方向盘转角和纵向加速度，输出层为侧倾角及侧倾角速度，7个隐藏层，单层网络神经元个数为设为100，网络训练次数为1000。
[0098]
激活函数除输出层神经元使用sigmoid函数外，输入层和隐藏层均使用收敛速度更快的leaky relu函数，采用l2正则化避免在神经网络模型出现过拟合，采用adam优化算法代替经典的随机梯度下降法来更有效地更新网络权重。损失函数定义为：
[0099][0100]
式中m为参与计算的样本数，是网络模型的输出，y是输出的标签，λ是l2正则化超参数，l是神经网络所含的层数，||wj||2为范数平方，被定义为矩阵中所有元素的平方求
和。
[0101]
(2)对激光雷达采集到的道路点云信息进行预处理，剔除周围变化不明显的点云数据，提取聚类后的地面凹凸坡面及障碍物特征，将此类特征与微机电惯性测量单元等传感器当前测量的作业平台横向加速度、横摆角速度、侧倾角、侧倾角速度、方向盘转角和纵向加速度作为神经网络输入，输出下一时刻侧倾角及侧倾角速度估算值，从而预测下一时刻ltr值及作业平台状态，同时对比ltr预设的阈值，实现控制策略的选择。
[0102]
步骤四：根据ltr值及车辆状态实现对丘陵山地作业平台防侧翻控制策略的选择
[0103]
车辆控制器根据步骤三获取的负载转移率值和车辆状态的估算值和步骤一建立的车辆状态估计模型，实现对丘陵山地作业平台防侧翻控制策略的选择。
[0104]
根据车辆模型和车身传感器采用扩展卡尔曼滤波器进行信息融合，对车辆进行状态估计，为车辆控制器提供横摆角速度质心侧偏角β以及纵向车速vx状态向量，同时根据训练好的神经网络模型预测的侧倾角及侧倾角速度估算ltr值，进行控制策略的选择：
[0105]
a)当ltr值小于阈值ltr
min
时，这意味着不会发生侧翻，只考虑车辆的偏航稳定性，作业平台能够正常通过该路段；
[0106]
b)当ltr值介于ltr
min
和ltr
max
之间时，这意味着左右车轮之间的载荷转移很大，如果不进行控制，可能会发生侧翻，因此应同时考虑偏航稳定性和侧翻预防，提前启动主动差速制动、主动悬架或半主动悬架调整，以及主动转向角校正等防侧翻技术。
[0107]
c)当ltr值大于ltr
max
，作业平台有翻车的巨大危险，该路段有障碍物不可通行，需要控制前轮转向绕道，并根据作业要求重新规划路径进行林地植保等工作。
[0108]
本发明提供一种基于多传感器融合的丘陵山地无人作业平台防倾覆方法。主要涉及通过多个传感器的数据融合互补，检测丘陵山地无人作业平台状态及前进方向上的道路信息，并通过预测模型估计车辆负载转移率(ltr)，提供给控制系统最终决定控制策略，实现丘陵山地无人作业车的防倾覆。首先建立作业平台车辆动力学模型和侧倾动力学模型特性，分析车辆状态方程，再使用激光雷达、摄像装置、全球定位系统、微机电惯性测量单元、轮速传感器、方向盘转角传感器、侧向加速度传感器、横摆角速度传感器等获取车辆自身状态信息及车身周围环境信息，然后利用车身姿态数据及地面信息基于神经网络预测模型对作业车负载转移率进行估算，最后车辆控制器对输入的车身姿态数据及ltr值进行车辆控制策略的选择，从而避免作业车侧倾及无人驾驶的避障路径规划，使得丘陵山地无人作业车在侧翻实际发生之前采取预防措施，控制器可以更早地采取行动，车辆稳定性、自动化、智能化水平得到大幅度提升。
[0109]
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。