常规轮式车辆主要应用于城市、公路等标准路面环境, 而履带车辆主要应用于军事、农业、工程机械及其他特殊应用环境.相对轮式车辆而言, 履带车辆行进路面具有起伏大、复杂度高及不确定性高等特点, 对履带车辆动力学特性造成严重影响.
传统路面测量采用水准仪或专门的路面计来得到路面纵断面的不平度值[1], 为提高路面识别精度, 基于轮式车辆半主动悬架系统, Qin等[2-3]提出基于悬架系统动力学反馈的概率神经网络(PNN)以及深度学习神经网络(DNNs)路面分类技术.Wang等[4]基于多种国际标准路面, 考虑系统过程噪声和测量噪声, 针对轮式车辆利用车体垂向加速度信号提出了路面状况识别技术及悬架系统状态估计的自适应卡尔曼滤波技术(AKF).Tudón-Martínez等[5]提出基于Q参数化方法, 应用常规传感器观测路面不平粗糙度及其频率的主动观测方法, 应用傅里叶分析技术分析路面粗糙度同时完成路面分类.Nguyen等[6]结合随机森林算法及增强算法等机器学习算法, 应用数字图像分析技术, 基于路面几何形状及路面纹理信号提出路面故障检测及分类方法.
针对履带车辆车体-履带-地面耦合作用, 在数学及动力学建模方面, 孟磊等[7]基于LMS Virtual. Lab Motion多体动力学仿真软件, 建立了车辆、履带、试验台架动力学模型, 分析了履带对车体振动的影响.王军等[8]基于ADAMS软件构建具有特殊行驶系的履带车辆整车的虚拟样机模型, 研究了车辆在不同路面、车速和使用条件下的动力学性能及对驾乘人员的影响，建立了包括整车、路面、驾驶员模型的驾驶员-履带车辆-路面系统的虚拟样机, 仿真了驾驶员对车辆的操控行为.刘辉等[9]计算且分析了路面不平度对履带车辆传动系统扭转随机激励的影响, 建立数学及动力学模型, 探讨了路面不平度、车速和预张紧力对履带车辆传动系统扭转随机激励产生的影响.
上述研究结果表明, 由于履带车辆造价高昂且尺寸较大, 占用大面积测试场地, 测试环境及测试要求较高.相比较于轮式车辆路面识别技术的研究, 研究人员多在履带车辆动力学特性及车辆-路面耦合作用方面进行了研究, 在路面识别归类等方面进行的研究工作较少.由于履带车辆复杂的车体结构及特殊的应用环境, 进行路面几何特征识别分类的研究可作为车辆行进路面规划、车体参数调整等动作的依据, 对进一步提高特殊应用环境下车辆操控稳定性及成员舒适性具有重大意义.BP神经网络因其学习分类能力突出, 近年来广泛应用于图像识别、模式识别等领域[10], 具有强大的容错性和鲁棒性.