基于SHAP-RF框架的越野车辆路面识别算法研究
根据越野车辆在不同路面上行驶时的动力学响应特征,可以实现路面类型的在线识别,为面向路面特征调整底盘控制子系统参数从而获取更好的行驶性能奠定基础.但越野环境地面特征复杂,车辆响应机理分析困难,给基于车辆动力学响应进行路面准确识别带来挑战.提出了一种SHAP-RF路面识别算法设计框架,通过SHAP(Shapley additive explanations)模型解释方法实现高维随机森林(random forest,RF)路面识别模型的降维化:首先采集了试验车在压实土路、沙地、良好沥青路与冰雪路4种路面上的行驶数据并计算了 3个次级行驶特征;进一步计算了行驶数据的共计105个时域特征和频域特征,并以此为输入特征建立了高维随机森林路面识别模型;利用SHAP解释法分析高维模型输入特征对识别结果的影响从而提炼出各个特征与路面类型的关联性,完成特征筛选;最后,利用筛选后的特征设计降维随机森林路面分类器.基于实车数据的算法验证试验表明,设计的降维路面识别模型对4种路面的识别精确率在94％以上,召回率在93％以上,相比高维的随机森林路面识别模型,各种路面上的精确率和召回率最大降幅不超过3.2％,证明本文提出的SHAP-RF路面识别算法设计框架能够在选用较少特征的情况下依然保证车辆行驶路面类别的准确识别.
越野车辆、模型解释、随机森林、路面识别、车辆动力学
54
U461.5+1(汽车工程)
国家自然科学基金;国家自然科学基金;吉林省自然科学基金资助项目
2022-11-17（万方平台首次上网日期，不代表论文的发表时间）
共14页
2922-2935
