论文部分内容阅读
摘要：对土壤参数的识别是软地面越野机器人运行性能进行优化的关键要素，而且在实施的过程中还要对准确性问题以及多解问题进行处理。根据气垫式越野机器人的垂向力控制自由度，通过g算法可以对土壤推力的个别的参数进行识别，这样就解决了软地面越野机器人运行的各种问题。另外，要实现g算法就需要 有三个采样点，还要对测量噪声以及状态噪声导致的土壤参数估值误差进行限制，所以设立采样点的选取规则非常必要。本文通过对不同测量噪声以及状态噪声水平下的估值准确性试验结果的介绍，论述了气垫式越野机器人参数识别算法及其采样点选取规则的必要性和可行性。
关键词：气垫式越野机器人；土壤参数；参数识别；采样点选取规则；估值误差 ；必要性
中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2015）11-0169-03
The Necessity and Feasibility based on the Parameter Identification Algorithm of Air Cushion Cross-Country Robot Rule Selection and Sampling Point
（Liuzhou City Vocational College， Liuzhou 545036， China）
Abstract： The identification of soil parameters is the key factor to performance of soft ground cross-country robot were optimized， and during the process of implementing but also on the accuracy of processing and multi solution problem. According to the air cushion type cross-country robot vertical force control degrees of freedom， through the G algorithm can separate parameters on soil thrust were identified， which solves various problems of soft ground cross-country robot operation. In addition， in order to realize the G algorithm requires three sampling points， limit of soil parameter estimation error to the measurement noise and the noise caused by the establishment of the state， so the selection rules of sampling points is very necessary. Based on the different measurement noise and noise level estimation accuracy of test results is introduced， the necessity and feasibility of the parameter identification algorithm for air cushion cross-country robot and its sampling point selection rule.
Key words： air cushion cross-country robot； soil parameter； parameter identification； sampling point selection rules of estimation error； necessity；
气垫式机器人是把气垫技术结合入常规行走机构的越野机器人，气垫式越野机器人很好的解决了常规越野机器人在沙漠、沼泽以及滩涂等地面环境行驶时出现的阻力大、下陷深、易打滑以及效率低下等等问题。气垫式越野机器人利用垫升系统在车底形成一层高压气垫，支撑着气垫式越野机器人的一部分车重，另一部分车重由提供驱动力的履带，也就是机器人的行走机构来负责支撑，通过这样的方式就实现了驱动功能和支撑功能的分离。气垫式越野机器人可以通过对所处的环境信息（例如土壤参数）的分析来调整车底高压气垫的压强，结合实际情况调节气垫式越野机器人的履带和垫升系统的载荷分配比例，进而对行走机构垂向接地压力进行自由控制。这样有利于控制气垫式越野机器人的运行状况，改善运动性能，提高气垫式越野机器人在软地面环境的运动过程中的适应性。
土壤参数的识别是软地面越野机器人运行性能进行优化的关键要素，因此，土壤参数识别的相关研究就成为该领域的热门话题。基于 Bekker 土壤力学理论的土壤参数识别涉及到的土壤参数至少有八个，通过不同的耦合方法可以把这些土壤参数分解为垂直方向的接地压力相关参数三个，和土壤推力相关的参数三个以及和推土阻力相关参数两个，其中对气垫式越野机器人运行性能影响最大的是土壤推力，所以对土壤推力相关参数的相关研究比较多，土壤推力相关参数包括土壤内摩擦角、土壤粘聚系数以及切变模量。本文就是结合气垫式越野机器人对机器行走机构垂直方向接地压力的自由控制情况，设计土壤推力相关参数的识别算法，不需要通过力学方程进行简化就可以把气垫式越野机器人运动中的很多难题解决掉。另外，经过大量实验研究证明，参数估值的准确性也是参数算法过程中必须考虑到的问题。
1土壤参数识别g 算法简析 1.1垂向力控制自由度介绍
气垫式越野机器人的全部车重由两部分承载，越野机器人的行走机构承担承担着部分车重，以提供推进力，为了防止行走机构沉陷，另一部分车重由气垫承担。气垫和履带（即行走机构）之间的比例调整可以调节风机转速来实现，也就是改变土壤和履带间的垂向作用力。在 Bekker 土壤力学理论基础上，对作用于气垫式越野机器人单侧履带的土壤推力进行分析，可以得出作用于气垫式越野机器人单侧履带的土壤推力F相关方程式如下：（驱动轮滑转率为i，单侧履带承重为W，履带长为l，履带接地面积为A，G， c， tan?为需要识别的土壤参数， tan?代表简化运算。）
公式 1
1.2 g 算法过程
在实施g 算法之前需要根据垂向力控制自由度确定三个名义采样点，分别把三个采样点在土壤推力F相关方程式中展开，之后结合这3个采样点完成采样，然后利用相关测量值在求解方程组中对土壤参数识别进行识别。
调节驱动轮滑转率i和履带承重 W 获取三个采样点（F1， W1 ，i1 ）、（F2 ， W2 ，i2 ）、（F3， W3 ， i3），WP、FP、ip表示第p个采样点的单侧履带承重、土壤推力以及驱动轮滑转。采样点1.2.3分别在土壤推力F方程式中展开：
公式 2
方程组无解析解，可以通过构建 g 函数进行求值：（Gt代表瞬时G值，是自变量。）
公式 3
G的取值范围Gmin到Gmax，从Gmin开始对G赋值，g=1的情况下Gt就是G的估计值，用Gest表示，把Gest带入三个采样点中，就可以得到c以及tan?的估计值Cest 和tan?est 。
公式 4
公式 5
以上的研究计算过程中没有涉及到测量噪声和状态噪声的情况，这种理想假设在现实当中是不存在的， g 算法的可靠性也就受到影响。在参数估计值远超出正常取值范围的特殊情况下，参数估计值无效，那么此次土壤参数的识别就算不成功。所以 g 算法需要进一步改进，通过减小噪声影响的方式，以便提高估值准确性。其实利用一个比较简单的方法就可以实现，就是把所选取的每个名义采样点作为中心基准点，进行多次重复采样（用Sn表示），以便创建样本容量为Sn样本集，通过 g 算法对估计值进行Sn次计算，最终结果就是得到的有效解的均值。另外，在选取名义采样点的过程中，尽可能的增大三个采样点之间的距离，这样可以扩大样本集间的差别，由噪声引起的样本集内差别的影响也会相对减小。所以，采样点进行规则的选取很重要。
2选取采样点的规则介绍
2.1减小估值误差的方法介绍
从公式4和公式5中可以看到，识别c以及tan?的关键基本是识别G，整个探究过程围绕识别G来展开，用△Gest表示估计值误差，△Gest 的估计值误差示例图如下，无噪声干扰的理想状态在图1中用虚线表示，实际曲线用点画线表示，G的估计值Gest和G名义值Gnom分别是实际曲线和理想曲线与水平参考线的交叉点；瞬时G值Gt 在横坐标上表示，g函数值在纵坐标上表示，有实际曲线上的 Gt和理想曲线上的gGt ；实际曲线和理想曲线两条曲线之差就是噪声对g函数的影响表现， Gt — gGt =△gGt 。求解起始点用左端点的Gt =0来表示，用 0和g0表示相应值，△g0= 0 — g0为初始误差。
图 1 估计值Gest误差示意图t
在采样点进行选取时需要注意到可以减小估计值△Gest的三个问题：
第一，减小△g0/（g0 —1），用|△g0%|表示，也就是减小初始相对误差的幅值；
第二，通过增大g0 —1，来到达增大噪声影响的安全边际；
第三，为了让噪声在所有Gt 值处（包括估计值Ges在内）的影响不超过初始值处的影响，要确保△g0的变化绝对值大于△gGt的变化绝对值，也就是在图1中相对于初始值两条曲线间隔变小。
最大程度地增大三个采样点的距离，可以减小噪声对g算法的影响，确定W3< 2.2以增大g0为目标选取采样点
结合公式4可以得出关于Gt的等效土壤推力如下所示：
公式 6
Gt等于0时，F0定义为F t（0）且等于F，F0∝W， F0∝i。F0和F t在三个采样点上记为F0P 和 F tP ，在全文中P值范围均为{1、2、3}。由公式4可以得出：
公式 7
ip的取值分析：公式7中证明g0与F01和F03成正相关关系，与F02成负相关关系。因为F0p∝ip，所以g0与，i1 和 i3成正相关，与i2成负相关。由此可以证明，要使g0增大，就需要令i2 << i1 ， i2<< i3 。因此，为了增大g0 ，需要尽可能增大分子值，减小分母值，g0的分子设为g0，n ，
公式 8
公式8中等号后的第一部分为正值常数，保证分子不小于0，在第二部分中定义f（i）为（1—exp（—il/G））/i ，f是关于i的减函数。所以必须在i1 大于i2的时候第二部分才不会小于零。在第三部分中把f（i1，i2 ）定义为W2[1—exp（—i2l/G）]/i2 —W1[1—exp（—i1 l/G）]/i1 ，然后得出
公式 9
公式 10
以上过程证明第三部分和i1 是正相关，与i2是负相关。但在i1=i2 以及i1=i2W1 /W2的情况下，它的值都小于零。然后综合考虑上述情况，i1和 i2之间的关系规则确定为第二条：i2 << i1，至少是 i1不小于i2W1 /W2 。 从减小g0分母的角度考虑，可以建立i2和i3的规则关系，也就是第三条规则：i2 << i3 ，至少是 i3大于i2 。
2.3以减小|△g0%|为目对采样点进行选取
鉴于噪声因素的影响，Gt=0的时候g的函数值为
公式 11
公式11中e1 ，e2 ，e3为土壤推力的误差率，值综合了测量噪声和状态噪声的影响，可以大于0也可小于0，e0为最大幅值，且e0大于0。初始相对误差的幅值如下：
公式 12
公式 13
公式 14
上式中|△g0%|n代表|△g0%|的分子；|△g0%|d代表|△g0%|的分母。因为|△g0%|n属于随机噪声，要减小|△g0%|就需要对F0P进行合理选择从而增大|△g0%|d 。 从上面的几个公式里分析，ip间的理想关系还是可以满足第二条和第三条采样点选取规则的。如果F02和F03的差值过小，随机噪声e2和e3可能会导致|△g0%|会趋近于无穷大，特别是当e2小于0、，e3大于0时更明显。所以，F02要尽可能的大于F03 ，起码需要满足F03（1 e0）/（1-e0）要小于F02 ，那么结合采用点选取的第三条规则，应该修改成i2 稍小于i3 。
下面分析怎样减小相对初始误差的最大幅值|△g0%|max ，根据上述公式分析，当e1=e0、e2 e0、且e3略等于e0的情况下，可以实现|△g0%|分母最小化，分子最大化，进而可以得出：
公式 15
要想使相对初始误差的最大幅值|△g0%|max减小，就需要尽可能的增大分母中的两个因子，也就是减小F0 3/F02 以及（F02 — F0 3）/（F01——F02），而且采样点1.2.3条规则都符合这个要求。
经过验证和具体分析，|△gGt|代表理想曲线和实际曲线之间的间隔，按照以上三种采样点的选取规则进行取样，|△gGt|在任何Gt处都小于间隔|△g0|。因为估计值Gest要在Gt处完成取值，这样可以确保Gest处的g函数差值的幅值缩小。
（下转第174页）
（上接第171页）
2.4气垫式机器人行动机构承重的影响
以上的研究论述都是在机车承重差比（W1—W2）/（W2—W3）等于1的假设情况下进行的，如果承重差比（W1—W2）/（W2—W3）=1的假设不成立，那么承重差比在上述公式中也只是一个系数而已，对上述g0 、|△g0%|、以及△gGt —△g0的推理并不会有什么影响。鉴于采样点选取时噪声对理想条件造成的影响，可以把其中的一些相等关系修改成近似于相等的关系，所以第一条采样点选取规则可修改为（W1—W2）/（W2—W3）略等于1，并且W3< 2.5采样点的选取规则总结
g算法的估值准备性要得到提高，就需要按照一定的规则对三个名义采样点进行选取。依据减小初始相对误差幅值，收缩g函数曲线间隔以及增大噪声安全边际的实际情况，为了限制驱动轮滑转率ip与履带承重 WP之间的关系（P的取值范围是1.2.3），给出以下三条规则：
第一条规则：（W1—W2）/（W2—W3）略等于1，并且W3< 第二条规则：i2 << i1 ，至少W1 i2/W2小于i1 。
第三条规则：i2 略小于i3 。
3 结语
本文通过对不同程度测量噪声以及状态噪声情况下的估值准确性进行的试验证明，在不同程度的噪声状态下，虽然不能排除误差值的存在，但通过g 算法都可以对三个土壤推力参数进行识别；在不同程度的噪声状态下，与随机状态下确定采样点相比，按照一定选取规则得到的比较理想的采样点表现出很大的优势，这也证明了采样点选取规则的合理性和必要性；g 算法的估值准确性明显受到测量噪声以及状态噪声的影响，这也证明了为减小噪声对g 算法的估值准确性的影响而对采样点进行合理选取的必要性。另外，对土壤参数识别的研究目前主要停留在对三个土壤推力参数的研究，还需要向两个推土阻力相关参数以及三个垂向接地压力相关参数的研究方向发展；而且土壤参数估值的准确性对气垫式越野机器人运动性能的造成的影响以及土壤参数估值准确性的提高措施和方法都是未来的主要研究方向。
参考文献：
[1] 许烁，罗哲，周科.基于功耗最优的半履带气垫车模糊 PID 控制仿真[J]. 上海交通大学学报，2007，41（6）：1026-1030.
[2] DUMOND D A，RAY L，TRAUTMANN E. Evaluation of terrain parameter estimation using a stochastic terrain model[C]// SPIE Defense，Security and Sensing Symposium，April 13-17，2009，Orlando World Center Marriott，Orlando，USA. Bellingham：SPIE Press， 2009： 73321F.
[3] 陈百超， 王荣本， 贾阳.高通过性与平稳性月球车移动系统设计[J]. 机械工程学报， 2008， 44（12）： 143-149.
[4] 巩绪生， 史美萍， 贺汉根， 等.越野环境建模与动态路径规划.计算机应用， 2006，26（12）：3039-3042.
[5] 于春和， 刘济林. 越野环境的三维地图重建.南京理工大学学报， 2007， 31（2）：180-183.
[6] 许烁， 喻凡， 罗哲， 等. 气垫车辆土壤参数估值算法[J]. 上海交通大学学报， 2011， 45（4）： 451-456.
[7] 许烁. 软地面智能气垫车自主导航研究[D].上海：上海交通大学， 2011.
关键词：气垫式越野机器人；土壤参数；参数识别；采样点选取规则；估值误差 ；必要性
中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2015）11-0169-03
The Necessity and Feasibility based on the Parameter Identification Algorithm of Air Cushion Cross-Country Robot Rule Selection and Sampling Point
（Liuzhou City Vocational College， Liuzhou 545036， China）
Abstract： The identification of soil parameters is the key factor to performance of soft ground cross-country robot were optimized， and during the process of implementing but also on the accuracy of processing and multi solution problem. According to the air cushion type cross-country robot vertical force control degrees of freedom， through the G algorithm can separate parameters on soil thrust were identified， which solves various problems of soft ground cross-country robot operation. In addition， in order to realize the G algorithm requires three sampling points， limit of soil parameter estimation error to the measurement noise and the noise caused by the establishment of the state， so the selection rules of sampling points is very necessary. Based on the different measurement noise and noise level estimation accuracy of test results is introduced， the necessity and feasibility of the parameter identification algorithm for air cushion cross-country robot and its sampling point selection rule.
Key words： air cushion cross-country robot； soil parameter； parameter identification； sampling point selection rules of estimation error； necessity；
气垫式机器人是把气垫技术结合入常规行走机构的越野机器人，气垫式越野机器人很好的解决了常规越野机器人在沙漠、沼泽以及滩涂等地面环境行驶时出现的阻力大、下陷深、易打滑以及效率低下等等问题。气垫式越野机器人利用垫升系统在车底形成一层高压气垫，支撑着气垫式越野机器人的一部分车重，另一部分车重由提供驱动力的履带，也就是机器人的行走机构来负责支撑，通过这样的方式就实现了驱动功能和支撑功能的分离。气垫式越野机器人可以通过对所处的环境信息（例如土壤参数）的分析来调整车底高压气垫的压强，结合实际情况调节气垫式越野机器人的履带和垫升系统的载荷分配比例，进而对行走机构垂向接地压力进行自由控制。这样有利于控制气垫式越野机器人的运行状况，改善运动性能，提高气垫式越野机器人在软地面环境的运动过程中的适应性。
土壤参数的识别是软地面越野机器人运行性能进行优化的关键要素，因此，土壤参数识别的相关研究就成为该领域的热门话题。基于 Bekker 土壤力学理论的土壤参数识别涉及到的土壤参数至少有八个，通过不同的耦合方法可以把这些土壤参数分解为垂直方向的接地压力相关参数三个，和土壤推力相关的参数三个以及和推土阻力相关参数两个，其中对气垫式越野机器人运行性能影响最大的是土壤推力，所以对土壤推力相关参数的相关研究比较多，土壤推力相关参数包括土壤内摩擦角、土壤粘聚系数以及切变模量。本文就是结合气垫式越野机器人对机器行走机构垂直方向接地压力的自由控制情况，设计土壤推力相关参数的识别算法，不需要通过力学方程进行简化就可以把气垫式越野机器人运动中的很多难题解决掉。另外，经过大量实验研究证明，参数估值的准确性也是参数算法过程中必须考虑到的问题。
1土壤参数识别g 算法简析 1.1垂向力控制自由度介绍
气垫式越野机器人的全部车重由两部分承载，越野机器人的行走机构承担承担着部分车重，以提供推进力，为了防止行走机构沉陷，另一部分车重由气垫承担。气垫和履带（即行走机构）之间的比例调整可以调节风机转速来实现，也就是改变土壤和履带间的垂向作用力。在 Bekker 土壤力学理论基础上，对作用于气垫式越野机器人单侧履带的土壤推力进行分析，可以得出作用于气垫式越野机器人单侧履带的土壤推力F相关方程式如下：（驱动轮滑转率为i，单侧履带承重为W，履带长为l，履带接地面积为A，G， c， tan?为需要识别的土壤参数， tan?代表简化运算。）
公式 1
1.2 g 算法过程
在实施g 算法之前需要根据垂向力控制自由度确定三个名义采样点，分别把三个采样点在土壤推力F相关方程式中展开，之后结合这3个采样点完成采样，然后利用相关测量值在求解方程组中对土壤参数识别进行识别。
调节驱动轮滑转率i和履带承重 W 获取三个采样点（F1， W1 ，i1 ）、（F2 ， W2 ，i2 ）、（F3， W3 ， i3），WP、FP、ip表示第p个采样点的单侧履带承重、土壤推力以及驱动轮滑转。采样点1.2.3分别在土壤推力F方程式中展开：
公式 2
方程组无解析解，可以通过构建 g 函数进行求值：（Gt代表瞬时G值，是自变量。）
公式 3
G的取值范围Gmin到Gmax，从Gmin开始对G赋值，g=1的情况下Gt就是G的估计值，用Gest表示，把Gest带入三个采样点中，就可以得到c以及tan?的估计值Cest 和tan?est 。
公式 4
公式 5
以上的研究计算过程中没有涉及到测量噪声和状态噪声的情况，这种理想假设在现实当中是不存在的， g 算法的可靠性也就受到影响。在参数估计值远超出正常取值范围的特殊情况下，参数估计值无效，那么此次土壤参数的识别就算不成功。所以 g 算法需要进一步改进，通过减小噪声影响的方式，以便提高估值准确性。其实利用一个比较简单的方法就可以实现，就是把所选取的每个名义采样点作为中心基准点，进行多次重复采样（用Sn表示），以便创建样本容量为Sn样本集，通过 g 算法对估计值进行Sn次计算，最终结果就是得到的有效解的均值。另外，在选取名义采样点的过程中，尽可能的增大三个采样点之间的距离，这样可以扩大样本集间的差别，由噪声引起的样本集内差别的影响也会相对减小。所以，采样点进行规则的选取很重要。
2选取采样点的规则介绍
2.1减小估值误差的方法介绍
从公式4和公式5中可以看到，识别c以及tan?的关键基本是识别G，整个探究过程围绕识别G来展开，用△Gest表示估计值误差，△Gest 的估计值误差示例图如下，无噪声干扰的理想状态在图1中用虚线表示，实际曲线用点画线表示，G的估计值Gest和G名义值Gnom分别是实际曲线和理想曲线与水平参考线的交叉点；瞬时G值Gt 在横坐标上表示，g函数值在纵坐标上表示，有实际曲线上的 Gt和理想曲线上的gGt ；实际曲线和理想曲线两条曲线之差就是噪声对g函数的影响表现， Gt — gGt =△gGt 。求解起始点用左端点的Gt =0来表示，用 0和g0表示相应值，△g0= 0 — g0为初始误差。
图 1 估计值Gest误差示意图t
在采样点进行选取时需要注意到可以减小估计值△Gest的三个问题：
第一，减小△g0/（g0 —1），用|△g0%|表示，也就是减小初始相对误差的幅值；
第二，通过增大g0 —1，来到达增大噪声影响的安全边际；
第三，为了让噪声在所有Gt 值处（包括估计值Ges在内）的影响不超过初始值处的影响，要确保△g0的变化绝对值大于△gGt的变化绝对值，也就是在图1中相对于初始值两条曲线间隔变小。
最大程度地增大三个采样点的距离，可以减小噪声对g算法的影响，确定W3<
结合公式4可以得出关于Gt的等效土壤推力如下所示：
公式 6
Gt等于0时，F0定义为F t（0）且等于F，F0∝W， F0∝i。F0和F t在三个采样点上记为F0P 和 F tP ，在全文中P值范围均为{1、2、3}。由公式4可以得出：
公式 7
ip的取值分析：公式7中证明g0与F01和F03成正相关关系，与F02成负相关关系。因为F0p∝ip，所以g0与，i1 和 i3成正相关，与i2成负相关。由此可以证明，要使g0增大，就需要令i2 << i1 ， i2<< i3 。因此，为了增大g0 ，需要尽可能增大分子值，减小分母值，g0的分子设为g0，n ，
公式 8
公式8中等号后的第一部分为正值常数，保证分子不小于0，在第二部分中定义f（i）为（1—exp（—il/G））/i ，f是关于i的减函数。所以必须在i1 大于i2的时候第二部分才不会小于零。在第三部分中把f（i1，i2 ）定义为W2[1—exp（—i2l/G）]/i2 —W1[1—exp（—i1 l/G）]/i1 ，然后得出
公式 9
公式 10
以上过程证明第三部分和i1 是正相关，与i2是负相关。但在i1=i2 以及i1=i2W1 /W2的情况下，它的值都小于零。然后综合考虑上述情况，i1和 i2之间的关系规则确定为第二条：i2 << i1，至少是 i1不小于i2W1 /W2 。 从减小g0分母的角度考虑，可以建立i2和i3的规则关系，也就是第三条规则：i2 << i3 ，至少是 i3大于i2 。
2.3以减小|△g0%|为目对采样点进行选取
鉴于噪声因素的影响，Gt=0的时候g的函数值为
公式 11
公式11中e1 ，e2 ，e3为土壤推力的误差率，值综合了测量噪声和状态噪声的影响，可以大于0也可小于0，e0为最大幅值，且e0大于0。初始相对误差的幅值如下：
公式 12
公式 13
公式 14
上式中|△g0%|n代表|△g0%|的分子；|△g0%|d代表|△g0%|的分母。因为|△g0%|n属于随机噪声，要减小|△g0%|就需要对F0P进行合理选择从而增大|△g0%|d 。 从上面的几个公式里分析，ip间的理想关系还是可以满足第二条和第三条采样点选取规则的。如果F02和F03的差值过小，随机噪声e2和e3可能会导致|△g0%|会趋近于无穷大，特别是当e2小于0、，e3大于0时更明显。所以，F02要尽可能的大于F03 ，起码需要满足F03（1 e0）/（1-e0）要小于F02 ，那么结合采用点选取的第三条规则，应该修改成i2 稍小于i3 。
下面分析怎样减小相对初始误差的最大幅值|△g0%|max ，根据上述公式分析，当e1=e0、e2 e0、且e3略等于e0的情况下，可以实现|△g0%|分母最小化，分子最大化，进而可以得出：
公式 15
要想使相对初始误差的最大幅值|△g0%|max减小，就需要尽可能的增大分母中的两个因子，也就是减小F0 3/F02 以及（F02 — F0 3）/（F01——F02），而且采样点1.2.3条规则都符合这个要求。
经过验证和具体分析，|△gGt|代表理想曲线和实际曲线之间的间隔，按照以上三种采样点的选取规则进行取样，|△gGt|在任何Gt处都小于间隔|△g0|。因为估计值Gest要在Gt处完成取值，这样可以确保Gest处的g函数差值的幅值缩小。
（下转第174页）
（上接第171页）
2.4气垫式机器人行动机构承重的影响
以上的研究论述都是在机车承重差比（W1—W2）/（W2—W3）等于1的假设情况下进行的，如果承重差比（W1—W2）/（W2—W3）=1的假设不成立，那么承重差比在上述公式中也只是一个系数而已，对上述g0 、|△g0%|、以及△gGt —△g0的推理并不会有什么影响。鉴于采样点选取时噪声对理想条件造成的影响，可以把其中的一些相等关系修改成近似于相等的关系，所以第一条采样点选取规则可修改为（W1—W2）/（W2—W3）略等于1，并且W3<
g算法的估值准备性要得到提高，就需要按照一定的规则对三个名义采样点进行选取。依据减小初始相对误差幅值，收缩g函数曲线间隔以及增大噪声安全边际的实际情况，为了限制驱动轮滑转率ip与履带承重 WP之间的关系（P的取值范围是1.2.3），给出以下三条规则：
第一条规则：（W1—W2）/（W2—W3）略等于1，并且W3<
第三条规则：i2 略小于i3 。
3 结语
本文通过对不同程度测量噪声以及状态噪声情况下的估值准确性进行的试验证明，在不同程度的噪声状态下，虽然不能排除误差值的存在，但通过g 算法都可以对三个土壤推力参数进行识别；在不同程度的噪声状态下，与随机状态下确定采样点相比，按照一定选取规则得到的比较理想的采样点表现出很大的优势，这也证明了采样点选取规则的合理性和必要性；g 算法的估值准确性明显受到测量噪声以及状态噪声的影响，这也证明了为减小噪声对g 算法的估值准确性的影响而对采样点进行合理选取的必要性。另外，对土壤参数识别的研究目前主要停留在对三个土壤推力参数的研究，还需要向两个推土阻力相关参数以及三个垂向接地压力相关参数的研究方向发展；而且土壤参数估值的准确性对气垫式越野机器人运动性能的造成的影响以及土壤参数估值准确性的提高措施和方法都是未来的主要研究方向。
参考文献：
[1] 许烁，罗哲，周科.基于功耗最优的半履带气垫车模糊 PID 控制仿真[J]. 上海交通大学学报，2007，41（6）：1026-1030.
[2] DUMOND D A，RAY L，TRAUTMANN E. Evaluation of terrain parameter estimation using a stochastic terrain model[C]// SPIE Defense，Security and Sensing Symposium，April 13-17，2009，Orlando World Center Marriott，Orlando，USA. Bellingham：SPIE Press， 2009： 73321F.
[3] 陈百超， 王荣本， 贾阳.高通过性与平稳性月球车移动系统设计[J]. 机械工程学报， 2008， 44（12）： 143-149.
[4] 巩绪生， 史美萍， 贺汉根， 等.越野环境建模与动态路径规划.计算机应用， 2006，26（12）：3039-3042.
[5] 于春和， 刘济林. 越野环境的三维地图重建.南京理工大学学报， 2007， 31（2）：180-183.
[6] 许烁， 喻凡， 罗哲， 等. 气垫车辆土壤参数估值算法[J]. 上海交通大学学报， 2011， 45（4）： 451-456.
[7] 许烁. 软地面智能气垫车自主导航研究[D].上海：上海交通大学， 2011.