基于多层感知器的越野履带车辆通过性快速评估模型

《Processes》：A Rapid Assessment Model for Off-Road Tracked-Vehicle Trafficability Based on a Multilayer Perceptron

　　

快速准确地评估越野地形上履带车辆的通过性对于车辆机动性评估和路径规划至关重要。传统的履带车辆地面力学经验公式计算复杂且需要大量测量参数。为解决这一问题，本研究提出了一种结合多层感知器（MLP）与数值模拟的车辆通过性反演方法。首先，利用数值计算构建了参数化履带车辆-地形通过性模型，并从典型影响参数中生成车辆通过性数据集。接着，使用这些数据训练了一个MLP代理模型。该模型以地形坡度、地面土壤基本力学性质、履带几何参数、车辆重量和车辆速度作为输入，输出车辆通过性信息。然后通过贝叶斯优化确定了最优模型架构，结果表明代理模型实现了高精度和实时性能。此外，一个工程案例研究展示了该方法在路径规划中的潜在应用。

**论文解读：基于多层感知器的越野履带车辆通过性快速评估模型**

**研究背景与问题**

越野车辆机动性评估在军事后勤、农业自动化、行星探测和灾害响应等领域具有关键作用。快速准确地确定地形可通过性对于路径规划、自主导航和任务可行性评估至关重要。然而，传统履带车辆地面力学（terramechanics）经验公式（如Bekker-Wong压力-沉陷关系和Janosi-Hanamoto剪切应力公式）计算过程复杂，涉及大量中间变量和迭代操作，难以满足在线预测和路径规划的实时性要求。此外，这些模型需要大量经验参数（如内聚力模量k_c、摩擦模量k_φ、沉陷指数n、内聚力c和内摩擦角φ），其准确测定依赖于昂贵且耗时的实验室测试（如贝氏仪测试）或现场圆锥贯入仪测量，难以捕捉自然地形的空间变异性。高保真度的离散元法（DEM）虽然能精确描述土壤的非线性行为，但计算成本极高，无法用于实时反馈或大规模制图。因此，需要一种轻量化的方法，将可测量的土壤、地形和履带车辆参数直接映射到多个通过性指标，实现快速的大面积网格评估。本研究旨在结合数值模拟与机器学习，构建一种快速准确的越野车辆通过性评估方法。

**研究内容与结论**

研究人员提出了一种结合数值模拟与多层感知器（MLP）的车辆通过性反演方法。首先，利用多体动力学软件RecurDyn构建参数化履带车辆-地形通过性数值模型，并系统变化关键输入参数（地形坡度、土壤内聚力、内摩擦角、沉陷指数、履带几何参数、车辆重量和速度），生成包含50个样本的车辆通过性数据集。接着，训练一个MLP代理模型，将输入参数映射到牵引力、滑转率、沉陷量和通过性四个输出指标。通过贝叶斯优化（基于树状结构Parzen估计器TPE）确定最优模型超参数。模型评估表明，MLP在测试集上的加权绝对百分比误差（WAPE）为5.99%，整体决定系数（R²）为0.846，具有良好的预测精度和泛化能力。预测结果与数值模拟高度一致，牵引力、滑转率和沉陷量的WAPE分别为4.56%、5.27%和15.20%，通过性预测准确率达100%。SHAP（Shapley加法解释）分析显示，地形坡度对牵引力和总沉陷量影响最大，而膨胀角对滑转率和通过性贡献最显著。工程应用案例中，该模型在1 km²地形（144万个网格点）上的评估仅需0.33秒，能快速输出牵引力和通过性空间分布图，为路径规划提供实时参考。该研究发表在《Processes》期刊。

**主要关键技术方法**

研究人员采用以下关键技术方法：使用RecurDyn软件（版本V9R4）中的简化地面模型函数，通过接触参数模拟履带与土壤的相互作用，构建参数化数值模型；基于Bekker压力-沉陷方程和Janosi-Hanamoto剪切应力-位移方程计算法向力和切向力，并设置Coulomb摩擦模型。采用MLP（多层感知器）作为代理模型，输入11个特征（密度、弹性模量、泊松比、内聚力、内摩擦角、理论车速、坡度、总重、履带宽度、履刺高度、履带接地长度），输出4个指标。使用树状结构Parzen估计器（TPE）进行贝叶斯优化，搜索超参数空间（包括隐藏层数、神经元数、学习率等）。利用SHAP方法进行特征重要性解释。样本数据集来源于数值模拟生成，无实际样本队列。

**研究结果**

**3.1 多层感知器人工神经网络**
MLP由输入层、隐藏层和输出层组成，通过前向传播和反向传播训练，学习输入与输出之间的非线性映射。

**3.2 贝叶斯优化**
采用TPE算法自动搜索最优超参数，通过概率密度估计和期望改进（EI）策略平衡探索与开发，在100次优化试验中高效找到高质量配置。

**3.3 超参数优化**
对SVR、随机森林（RF）、XGBoost和MLP四种模型进行超参数优化。MLP优化时间最长（约2.11小时），但最终模型在验证集上MSE较低。优化结果显示，MLP在预测精度和泛化能力之间取得最佳平衡。

**3.4 模型评估**
五折交叉验证表明，MLP的测试集WAPE为5.99±1.89%，整体R²为0.846±0.083，WAPE差距（2.95%）最小，表明其过拟合风险低，综合性能优于SVR（测试WAPE 5.51%但R²仅0.469）、RF（测试WAPE 7.58%）和XGBoost（测试WAPE 6.85%但R²最高0.872）。

**3.5 代理模型预测结果**
在测试集上，牵引力、滑转率和沉陷量的WAPE分别为4.56%、5.27%和15.20%，通过性预测准确率100%。全数据集上，WAPE分别降至2.62%、3.13%和4.49%，通过性准确率仍为100%。预测值与模拟值高度吻合，残差分布均匀。

**3.6 SHAP**
SHAP分析揭示：坡度是预测牵引力和总沉陷量的最重要特征，且与通过性负相关；膨胀角对滑转率和通过性影响最大。特征重要性排序为：坡度、膨胀角、内聚力、弹性模量等。

**工程应用**
在1 km²测试地形（含144万个网格点）上，评估模块仅需0.33秒，输出牵引力分布（48.32–175.10 kN）和通过性二值图（红色为可通过，蓝色为不可通过）。不可通过区域主要分布在沟谷、陡坡和地形起伏大的区域，与牵引力低值区一致。

**讨论与结论**

**讨论总结**：该模型在有限样本（50个）下仍表现出可靠预测性能，学习过程快速收敛。预测结果的最大WAPE为4.49%，最小R²为0.97，通过性准确率100%，表明模型能有效刻画输入与输出变量关系。工程应用显示，该快速评估模块可为复杂地形中的履带车辆路径规划提供实时参考数据。然而，模型目前仅考虑土壤内聚力、内摩擦角、单一地形坡度和单一车型，未纳入土壤异质性、动态特性及多车型效应，未来可通过扩展样本集覆盖更广泛场景。

**研究结论翻译**：
(1) 即使在小型数据集（50个样本）上，履带车辆通过性反演模型也表现出可靠的预测性能，且学习过程中模型快速收敛。
(2) 基于训练获得的输入与输出函数关系，预测牵引力、滑转率和沉陷量的最大WAPE为4.49%，最小R²为0.97，通过性预测准确率为100%，表明预测模型能有效表征输入与输出变量间的关系。
(3) 现场应用表明，该模型可在0.33秒内为1 km²测试地形（144万个网格点）提供评估结果。该快速评估模块可为越野环境下基于通过性的履带车辆路径规划提供实时参考数据。