全文总字数：7175字

随着科学技术的不断进步及国民经济的快速发展，车辆的使用已经遍及到军事、农业、林业等各个领域.因此，对地面土壤类型的划分就显得尤为重要。一方面，土壤类型识别可以将地面与一些已定义的、通常已知的种类联系起来，如马赛克路面，柏油路面，或者草地等；另一方面，在土壤类型已知的条件下研究车辆的通过性不仅能帮助车辆很好地理解车辆所处的路面行驶环境，还能帮助驾驶人员分析并规划出最优的行驶策略，实现车辆的通过性检测、自主避障和导航等功能。目前比较主流的土壤分类方法主要有基于振动的方法、基于激光雷达的方法、基于视觉的方法以及基于车轮力信号等。其中基于车轮力的研究方法主要是通过车轮力采集系统实时获取车轮力信号，采用 EMD 和 AR 模型相结合的方式提取信号的有效特征，最后使用 SVM 进行分类模型建模，学习每一个带有土壤类型标签的训练数据，并在训练后得到有效的分类模型。以上为离线分类模型建立的整个过程，按同样的流程可依据实时采集到的车轮力信号对地面类型进行在线识别，得到车辆行驶经过的地面类型。摘要：

关键词：车轮力信号；土壤类型；EMD；AR；SVM

1引言

现如今，各种民用及军用车辆己越来越成为不可替代的交通工具，尤其在一些沙漠、沼泽地带这些车辆的使用更是可以帮助人们安全快速的通过，进而避免造成不必要的伤害。目前各种车辆行驶路面大致可分为刚性路面和松软路面，刚性路面一般具备较强的路面承载能力和较小的路面阻力，只要车辆自身不出现故障，驾驶员只要选择合适的驾驶风格便可安全通过。松软地面的土壤承载能力较差，车辆在这些松软路面的通过性能是指车辆在一定载重下能以一定的车速，快速安全通过的能力。当车辆在某些承载性能较差、阻力大的路面行驶时易发生车轮打滑、沉陷等现象。因此，研究地面的土壤类型不仅能够帮助我们提高车辆对未知路面的可通过性能，而且还可以帮助我们根据已知的地面参数特性来选择最佳的行驶方案。所以，研究土壤类型具有一定的价值及现实意义，目前土壤类型的研究已广泛应用于各个领域，不仅对国防建设^[1]，而且对国民经济的发展都有着十分重要的意义。本文对国内外部分学者的有关土壤类型划分的文献进行了分析、梳理和总结。

2研究现状

2.1 车轮力信号研究现状

早在18世纪就己经有学者开始研究车辆轮胎在地面上行驶时的滚动过程以及车辆可通过性与土壤特性之间的关系^[2]。1944年，英国的Micklethwait首次将土力学中的库伦公式应用于驱动车轮的推力问题研究，并提出太沙基原理分析土壤对车轮的承载能力问题^[3]。20世纪中期Bekker等人在前人的研究成果和经验的基础上提出了具有普遍意义的剪应力-应变具体关系表达式，该表达式因具备良好的通用性及可行性因而沿用至今^[4]。1981年，张克健应用弹塑性理论和有限元法对履刺效应进行了分析，随后又进行了有限元、弹塑性及粘塑性边界元的应用与研究，并出版了车辆地面力学专著《车辆地面力学》，给国内相关研究者提供了很好的基础性参考^[5]。到了20世纪90年代，WANJII等人发现并设计出土壤粘弹性模型以及车轮力学模型 ^[6]。

1998年，Walter Weiblen 和Thomas Hofmann提出了车轮力传感器不同设计的评价方案^[7]。1999年，武汉科技大学的杨武山等人介绍了汽车车轮力传感器的研制和数字信号的自动处理方法。该传感器能同时动态测出运动中汽车车轮与地面作用点处的瞬态垂直作用力（路面的支反力）和水平作用力（驱动力或阻力），具有精度高、制造安装容易、计算机自动标定、自动信号处理、操作简单方便等特点。它使对汽车进行载荷谱测试、汽车整车系统动态分析中外激励载荷的确定、零部件的可靠性设计等成为可能^[8]。2007年，刘广孚、朱卫东等人提出利用小波变换对车轮力传感器的信号进行去噪^[9]。东南大学的王佩为了改进车轮力传感器数据、传输速率和采集的准确度,开发了基于无线传输技术的车轮力传感器嵌入式数据采集系统。经过实车测试，证明了基于无线传输的车轮力传感器满足汽车试验道路工况要求，数据传输的准确性和同步性也达到了预期的效果^[10]。

2.2 土壤分类方法研究现状

目前，比较主流的分类方法主要有基于振动的方法、基于激光雷达的方法以及基于视觉的方法。

Talukder、和 Man-duchi 等人运用雷达采集地面特征信息来建立模型^[11]，其侧重点是将可行驶路面从灌木丛等植被、岩石障碍物等环境中区分出来，来而引导车辆自主导航。在基于图像的模型中，采用单目视觉或立体视觉对地面环境图像信息进行采集，并提取颜色、纹理等特征对土壤类型进行分类^[12]，主要针对地表几何特征明显的地面类型进行分类。图像方法具有明显的局限性，模型的分类准确性容易受到光照等外界条件变化的影响，地表的覆盖物也很大程度上干扰了地面识别效果。2002年，Iagnemma和 Dubowsky^[13]提出从车轮与土壤相互作用出发，结合车辆在行驶过程中的振动信息对地面类型进行分类，与CCD 采集信号相比，通过振动信号感知的环境，更加直接，且误差率更低。Brooks、Iagnemma 等人^[14]发展并推广运用了这一方案，取得了良好的效果。Sadhukhan、Weiss、Ojeda 等人^[15-17]进一步证明了该方案的有效性。相比图像和雷达等远距离感知信息，车轮与土壤相互作用中的“触觉”信息为土壤类型分类提供了一种全新的解决思路。

2012年，哈尔滨工业大学的王启彬针对履带机器人运行过程中振动信号的特点，建立基于振动信号的地面在线分类的方法。他首先分析引起履带振动的主要来源和振动特性，然后建立振动信号预处理方案和时域频域特征提取方法。再根据振动信号特征，提出振动信号特征向量，并进行 SVM离线示教和参数选择，得到离线示教分类模型。在此模型基础上，搭建在线识别系统，并获取在线地面分类效果^[18]。2016年，东南大学的董丹丹研究了基于视觉和力信号的地形分类方法。将地形图像的颜色和纹理特征结合来实现地形视觉特征的提取，同时将时域、频域以及时频域特征相融合来实现地形力信号特征的提取。采用PCA算法从及SVM分类器来实现数据的降维处理和分类训练，对于SVM分类器，还采取遗传优化算法对相应的分类参数进行优化^[19]。同年，陆军汽车试验场的魏健、张和明和北京卡达克汽车检测技术中心的田雷提出了基于车轮力信号的地面类型分类模型，通过车轮力传感器实时获取车轮力信号，采用经验模态分解（EMD）及自回归模型（AR）相结合的方式提取信号的有效特征，并运用支持向量机（SVM）分类器实现地面类型的分类，使用实车试验数据对所提出的分类模型进行验证。结果表明，分类模型在几何特征地面和松软地面上均取得了良好的分类效果^[20]。2018年，黄冈师范学院交通学院的李智和南京农业大学工学院的鲁杨对软土地面类型自动识别问题进行了研究。他们基于驱动轮附着系数－滑转率关系，对拖拉机作业行驶过程中驱动轮的附着系数及其对应的滑转率进行估算分析，将估算结果与已知的各种软土地面附着系数－滑转率关系进行对比并判断其相似度，相似度较大者即为所识别的软土地面^[21]。