本发明涉及车辆驾驶控制领域，尤其涉及一种基于机器学习的履带车辆转向曲率的识别方法。
背景技术：
1、履带车辆滑移率和转向曲率估计问题复杂，与车辆本身的动力特性以及车辆与地面之间的相互作用强相关，车辆与地面之间的相互作用难以通过模型类的方法精确评估。在实际计算过程中，往往首先精确计算车辆的理论运动状态，然后再测量车辆在道路上实际的状态转换，最后根据两者的偏差进行滑移率和转向曲率的精确估计。其中，在计算车辆理论运动状态时，可以通过测量车辆行驶相关的底层数据，推算出在不考虑履带与地面滑转滑移过程中车辆的理论状态变化，该过程较为简单可靠。在测量车辆在道路上实际的状态转换时，可以通过人工测量，也可以借助车辆的gps传感器信息完成。然而在这个过程中，人工测量难以应付高强度、长时间的车辆行驶过程，并难以实现实时计算；车辆的gps位置、朝向信息的精度受信号条件影响严重，难以被应用于各种行驶工况。
技术实现思路
1、鉴于上述的分析，本发明实施例旨在提供一种基于机器学习的履带车辆转向曲率的识别方法，用以解决现有技术中的转向曲率实时计算困难的问题。
2、本发明的目的主要是通过以下技术方案实现的：
3、一种基于机器学习的履带车辆转向曲率的识别方法，包括如下步骤：
4、采集履带车辆的行驶数据，构成履带车辆行驶的特征向量集τ1，所述行驶数据包括左右侧履带卷绕速度、左右履带驱动转矩、左右驱动轮转速、横摆角速度、纵向加速度、横向加速度；
5、通过计算对应履带两侧的理论滑移率，构成历史滑移率集τ2，其中，所述历史滑移率集τ2包括两侧履带的滑移率；
6、基于所述特征向量集τ1和所述历史滑移率集τ2，训练离线的双阶段机器学习模型，得到履带车辆的两侧滑移率估测模型；
7、利用在线辨识过程，将实时采集的车辆行驶数据，通过所述两侧滑移率估测模型，得到两侧滑移率的实时估计值；
8、基于所述两侧滑移率的实时估计值和实时测得的履带卷绕速度，得到履带车辆的实时车速；基于履带车辆的结构参数和所述车速，得到实时横摆角速度；基于所述车速和所述横摆角速度，得到履带车辆转向曲率的实时估计值。
9、进一步的，所述双阶段机器学习模型包括离线聚类模型和离线回归模型，得到所述两侧滑移率估测模型的具体步骤包括：
10、基于所述特征向量集τ1得到转向动作特征子向量集τ3、转向动机特征子向量集τ4和转向加速度特征子向量集τ5；
11、基于三个子向量集分别建立离线聚类模型，经训练得到转向动作程度标签ty1、转向动机程度标签ty2和转向加速度程度标签ty3的三个聚类标签；
12、所述特征向量集τ1结合三个所述聚类标签构成输入训练集，所述历史滑移率集τ2作为对应的输出，训练得到两侧滑移率的离线回归模型。
13、进一步的，所述三个子向量集中的对应子向量的表达式分别为：
14、
15、
16、其中，分别为训练集τ3、τ4、τ5的第i个子向量；vnl和vnr分别为左、右侧履带卷绕速度；ml和mr分别为左、右履带驱动转矩；nl和nr分别为左、右驱动轮转速；ωyaw为横摆角速度；a1为纵向加速度；a2为横向加速度；上标i表示第i个采样结果。
17、进一步的，训练所述离线聚类模型的具体步骤包括：
18、基于三个子向量集分别构成离线聚类模型的输入数据集；
19、基于粒子群优化算法对粒子群进行初始化，并根据粒子的当前位置计算每个粒子的适应度；
20、粒子通过跟踪个体极值和全局极值来更新自己，同时记录所述粒子的位置；
21、将粒子群优化算法中的权重和约束因子与粒子适应度和时间关联，得到更新后的粒子并计算适应度，结合种群适应方差对整个粒子群进行迭代寻找粒子最佳位置；
22、将所述最佳位置作为初始中心，划分所述输入数据集，利用k-means聚类算法分别进行训练，得到所述转向动作程度标签ty1、所述转向动机程度标签ty2和所述转向加速度程度标签ty3。
23、进一步的，所述粒子的适应度的计算公式为：
24、
25、其中，fi为第i个粒子的适应度；m为初始化设定的聚类簇群数；ci、cj分别为第i和j个聚类簇；avg(c)表示取簇的平均距离运算；
26、表示簇i的中心；|ci|表示簇i中数据个数；dis(x，y)表示欧氏距离，且
27、j取1到m中不等于i的数。
28、进一步的，训练所述离线回归模型的具体步骤包括：
29、利用三个所述聚类标签结合所述特征向量集τ1，得到训练集τ6，作为两侧滑移率的离线回归模型的输入样本，所述历史滑移率集τ2作为对应的真值输出；
30、利用dbscan聚类算法将所述输入样本分为正常样本和异常样本；
31、基于adaboost回归模型初始化样本权重，利用权重更新策略，结合所述异常样本，更新样本权重，训练得到所述离线回归模型。
32、进一步的，所述离线回归模型输出的表达式为：
33、
34、其中，sl、sr分别为左、右侧履带滑移率的估计值；分别表示估测左、右侧履带滑移率估测的学习器；分别表示左、右侧履带滑移率估测学习器的权重系数；m表示迭代次数。
35、进一步的，所述训练集τ6的子集表达式为：
36、
37、其中，为训练集τ6的第i个子集；vnl和vnr分别为左、右侧履带卷绕速度；ml和mr分别为左、右履带驱动转矩；nl和nr分别为左、右驱动轮转速；ωyaw为横摆角速度；a1为纵向加速度；a2为横向加速度；上标i表示第i个采样结果。
38、进一步的，所述在线辨识过程的具体步骤包括：
39、利用实时采集的履带车辆行驶数据提取实时特征向量；
40、将所述实时特征向量输入训练后的所述离线聚类模型进行聚类，并为聚类结果的数据点赋予标签，结合所述特征向量，组成所述离线回归模型的输入向量；
41、将所述输入向量输入训练后的所述离线回归模型，得到履带车辆两侧滑移率的实时估计值。
42、进一步的，基于下述公式得到所述转向曲率的实时估计值：
43、
44、其中，ρi为第i个采样结果的转向曲率；ωyaw为横摆角速度；vi为第i个采样结果的车速；vnl和vnr分别为左、右侧履带卷绕速度；sl、sr分别为左、右侧履带滑移率的估计值；b是两侧履带中心距；上标i表示第i个采样结果。
45、与现有技术相比，本发明至少可实现如下有益效果之一：
46、1、本发明提出了通过精准估测履带车辆两侧滑移率的实时值，结合履带车辆的结构参数和测得的履带卷绕速度，得到履带车辆的车速和横摆角速度，基于车速和横摆角速度，实现履带车辆的转向曲率的精准实时估计，从而解决转向曲率实时计算困难的问题。
47、2、采用只基于车辆底层行驶数据和惯导输出加速度的机器学习模型，得到车辆行驶数据与滑移率的映射关系，通过线估计过程将车辆的实时行驶参数输入到模型中，即可实现滑移率的实时估计，无需借助高精度gps数据，可以实现在任何信号条件下的滑移率精准估计，提高了各种工况条件下的适用性和估计的准确性。
48、本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
1.一种基于机器学习的履带车辆转向曲率的识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于机器学习的履带车辆转向曲率的识别方法，其特征在于，所述双阶段机器学习模型包括离线聚类模型和离线回归模型，得到所述两侧滑移率估测模型的具体步骤包括：
3.根据权利要求2所述的一种基于机器学习的履带车辆转向曲率的识别方法，其特征在于，所述三个子向量集中的对应子向量的表达式分别为：
4.根据权利要求2所述的一种基于机器学习的履带车辆转向曲率的识别方法，其特征在于，训练所述离线聚类模型的具体步骤包括：
5.根据权利要求4所述的一种基于机器学习的履带车辆转向曲率的识别方法，其特征在于，所述粒子的适应度的计算公式为：
6.根据权利要求2所述的一种基于机器学习的履带车辆转向曲率的识别方法，其特征在于，训练所述离线回归模型的具体步骤包括：
7.根据权利要求6所述的一种基于机器学习的履带车辆转向曲率的识别方法，其特征在于，所述离线回归模型输出的表达式为：
8.根据权利要求6所述的一种基于机器学习的履带车辆转向曲率的识别方法，其特征在于，所述训练集τ6的子集表达式为：
9.根据权利要求2所述的一种基于机器学习的履带车辆转向曲率的识别方法，其特征在于，所述在线辨识过程的具体步骤包括：
10.根据权利要求1-9任一项所述的一种基于机器学习的履带车辆转向曲率的识别方法，其特征在于，基于下述公式得到所述转向曲率的实时估计值：
