文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.2017.06.035
中文引用格式: 黃金國,,周先春. 多傳感器融合與鄰居協(xié)作的車輛精確定位方法[J].電子技術(shù)應(yīng)用,2017,,43(6):138-142.
英文引用格式: Huang Jinguo,,Zhou Xianchun. An accurate positioning method for vehicles with multi-sensor fusion and neighbors collaboration[J].Application of Electronic Technique,,2017,43(6):138-142.
0 引言
隨著計(jì)算機(jī)網(wǎng)絡(luò)的飛速發(fā)展,,物聯(lián)網(wǎng)(Internet of Things,,IoT)技術(shù)成為當(dāng)前的研究熱點(diǎn)。車輛自組織網(wǎng)絡(luò)(Vehicle Ad hoc Networks,,VANETs)作為一種重要的物聯(lián)網(wǎng)技術(shù),,在智能交通領(lǐng)域應(yīng)用廣泛[1]。目前,,安全駕駛是車輛自組織網(wǎng)絡(luò)的重要應(yīng)用方向之一,,該應(yīng)用的關(guān)鍵是獲取車輛的精確位置[2],。一般地,,車輛都裝備了定位裝置(如GPS定位模塊或北斗定位模塊),但這些定位模塊的定位精度有限,,而且在遮擋情況下定位精度會進(jìn)一步下降,,難以滿足碰撞告警等安全駕駛領(lǐng)域?qū)?a class="innerlink" href="http://forexkbc.com/tags/車輛定位" title="車輛定位" target="_blank">車輛定位的要求[3-5]。因此,,車輛自組織網(wǎng)絡(luò)中對車輛精確定位技術(shù)的研究需求旺盛,。目前常用的車輛定位方法有TOA(Time of Arrival)[6]和AOA(Angle of Arrival)[7]方法,前者是基于達(dá)到時間來估算目標(biāo)的相對距離,,該方法在遮擋情況下測量誤差很大,;后者是基于達(dá)到角度來測量目標(biāo)的距離,一般適用于短距離的測量,,對車輛定位而言效果不好,。全球定位系統(tǒng)(Global Positioning System,GPS)是目前應(yīng)用效果較好的定位技術(shù),,但在安全駕駛應(yīng)用領(lǐng)域精度還不夠高,,且遮擋情況下多徑效應(yīng)比較嚴(yán)重[8],。采用慣性導(dǎo)航技術(shù)可以一定程度上彌補(bǔ)GPS的一些缺陷,但是成本較高,,不利于推廣使用[9],。擴(kuò)展卡爾曼濾波方法[10-13]是專門為非線性的車輛運(yùn)動設(shè)計(jì)的跟蹤方法,在車輛定位方面有成功應(yīng)用,,然而,,目前的車輛定位方法定位精度仍然無法滿足車輛安全駕駛等應(yīng)用需求。
為了進(jìn)一步提高車輛定位精度,,本文提出一種基于多傳感器融合與鄰居協(xié)作的車輛精確定位方法,,通過融合車輛上的多傳感器信息建立車輛自身的運(yùn)動狀態(tài)模型,通過車輛自組織網(wǎng)絡(luò)的通信服務(wù)獲取一跳鄰居車輛的位置信息,,用鄰居車輛的相關(guān)信息進(jìn)行協(xié)作定位,,估算當(dāng)前車輛的位置信息,再結(jié)合車輛狀態(tài)的可信度來修正車輛當(dāng)前位置,,從而提高當(dāng)前車輛的定位精度,。
1 本文方法
在車輛自組織網(wǎng)絡(luò)中,盡管每一臺車輛都安裝了定位裝置,。但是,,定位裝置獲取的車輛位置的精度不高,不能適用于安全駕駛,、擁堵檢測等對車輛位置精度要求較高的領(lǐng)域,。為了提高車輛自組織網(wǎng)絡(luò)中車輛定位的精度,本文綜合利用車輛自組織網(wǎng)絡(luò)中各車輛之間的相對位置信息,,以及車輛自身運(yùn)動狀態(tài)信息,,來修正定位裝置獲取的車輛位置信息,提高定位精度,。圖1給出了本文方法的基本流程,。本文方法主要包括五個階段:
(1)數(shù)據(jù)獲取階段
該階段用于獲取車輛上安裝的各種傳感器的測量數(shù)據(jù),以及通過車輛自組織網(wǎng)絡(luò)的通信服務(wù)獲取鄰居車輛的相關(guān)數(shù)據(jù),。
(2)車輛狀態(tài)建模階段
該階段依據(jù)車輛自身所安裝的多傳感器的測量數(shù)據(jù),,以及車輛自身的運(yùn)動模型,對車輛的當(dāng)前運(yùn)動狀態(tài)進(jìn)行建模,,用于描述車輛在不同時刻的變化情況,。
(3)可信度計(jì)算階段
在建立了車輛當(dāng)前運(yùn)動狀態(tài)的模型之后,本文采用貝葉斯濾波策略來計(jì)算車輛當(dāng)前運(yùn)動狀態(tài)的可信度,。
(4)車輛相對位置估算
這一階段主要是通過車輛自組織網(wǎng)絡(luò)的通信服務(wù)來獲取車輛的一跳鄰居的位置信息,,利于一跳鄰居進(jìn)行協(xié)作定位,估算當(dāng)前車輛的相對位置,。
(5)車輛當(dāng)前位置修正
該階段結(jié)合車輛的當(dāng)前狀態(tài),、可信度以及估算的車輛相對位置來對車輛的當(dāng)前位置進(jìn)行修正,,提高車輛定位的精度。
1.1 數(shù)據(jù)獲取
數(shù)據(jù)獲取是指從車輛自身安裝的多傳感器來獲取車輛的狀態(tài)數(shù)據(jù),,同時,,利用車輛自組織網(wǎng)絡(luò)的通信服務(wù)獲取其他車輛的狀態(tài)數(shù)據(jù)。
本文假設(shè)車輛自組織網(wǎng)絡(luò)中的每一臺車輛都安裝了定位裝置,,可以獲取車輛的位置信息,。同時,每一臺車輛都安裝了剎車和油門的角度測量傳感器,,可以獲取剎車和油門的角度值,。還有,每一臺車輛還安裝了車輪轉(zhuǎn)動角度測量傳感器,,可以獲取車輪的轉(zhuǎn)向角度值,。
在車輛自組織網(wǎng)絡(luò)中,不同車輛之間可以通過車與車通信和車與基礎(chǔ)設(shè)施通信來獲取鄰居車輛的位置等信息,。
表1給出了數(shù)據(jù)獲取階段需要獲取的數(shù)據(jù),。本文假設(shè)車輛需要具備數(shù)據(jù)存儲功能,可以存儲上述獲取到的車輛狀態(tài)數(shù)據(jù),。
1.2 車輛狀態(tài)建模
本文采用一種簡單的車輛驅(qū)動模型來估算車輛的運(yùn)動狀態(tài),,具體是利用車輛當(dāng)前時刻油門和剎車的角度值來估計(jì)車輛的速度。
記αC(t)和αC max分別表示車輛的油門角度的當(dāng)前值和最大值,,則在當(dāng)前時刻t,,車輛的歸一化油門角度值為:
那么,車輛在當(dāng)前時刻t的狀態(tài)可以由車輛狀態(tài)控制向量U(t)和車輛在t-1時刻的狀態(tài)聯(lián)合表示,,為:
事實(shí)上,,式(5)可以視為車輛的非線性狀態(tài)轉(zhuǎn)移矩陣,用于描述不同時刻車輛狀態(tài)的變化,。
1.3 可信度計(jì)算
在當(dāng)前時刻t,,本文采用貝葉斯濾波策略[14]來計(jì)算每一臺車輛關(guān)于當(dāng)前車輛狀態(tài)X(t)的可信度,,表示為:
1.4 車輛相對位置估算
在車輛自組織網(wǎng)絡(luò)中,,每一臺車輛都可以與其一跳鄰居的車輛進(jìn)行數(shù)據(jù)交互。這樣,,可以依據(jù)相鄰車輛的信息來估算當(dāng)前車輛的相對位置,。
在當(dāng)前時刻t,記第i臺車輛為vi,,其一跳鄰居車輛的集合記為Nt(vi),。對于集合Nt(vi)中的第j臺車輛vj,它與車輛vi在當(dāng)前時刻t的相對距離和角度可以依據(jù)各自車輛上安裝的定位裝置來計(jì)算,,表示為:
1.5 車輛當(dāng)前位置修正
通過計(jì)算由車輛的一跳鄰居車輛估計(jì)的位置的加權(quán)累加和,,可以提高車輛位置的可信度,。基于這一思路,,車輛vi在當(dāng)前時刻t的位置可以表示為:
這樣,,經(jīng)過上述五個階段的處理,可以實(shí)現(xiàn)對當(dāng)前車輛位置的精確定位,。
2 仿真實(shí)驗(yàn)與結(jié)果分析
為了驗(yàn)證本文方法的車輛定位性能,,在MATLAB 2012軟件平臺上,采用本文方法與傳統(tǒng)的GPS定位方法和擴(kuò)展卡爾曼濾波方法進(jìn)行車輛定位仿真實(shí)驗(yàn),,每種方法都執(zhí)行100次Monte Carlo仿真,,對比各種方法進(jìn)行車輛定位的均方根誤差(Root Mean Square Error,RMSE)來評價各種方法的定位性能,。其中,,均方根誤差可以表示為[15]:
2.1 實(shí)驗(yàn)環(huán)境及參數(shù)
本文仿真實(shí)驗(yàn)的相關(guān)參數(shù)如表2所示。
在本文的仿真實(shí)驗(yàn)中,,采樣時間間隔為5 s,,這樣時間片段數(shù)量為30。在仿真實(shí)驗(yàn)中,,每臺車輛裝配的GPS定位裝置在車輛運(yùn)行過程中會遭受多徑衰落,,引發(fā)定位偏差。圖2展示了車輛1在不同時間片段測量的定位偏差,,類似地,,其他車輛的GPS定位裝置在車輛運(yùn)行過程中也存在偏差。
在本文的仿真實(shí)驗(yàn)中,,假定車輛都沿著平直道路行駛,,且車速恒定。每一臺車輛的運(yùn)動模型噪聲(即文中的ε(t))和初始位置是隨機(jī)的,,觀測噪聲(即文中的δ(t))是通過采樣時間點(diǎn)(也即時間片段)上的GPS定位誤差獲取的,。
2.2 可信度評價
圖3所示為采用本文方法計(jì)算的每一個時間片段上車輛1的位置可信度。與圖2相比較可以發(fā)現(xiàn),,GPS定位偏差越大,,車輛位置的可信度越低,且GPS定位誤差逐漸降低時,,車輛位置的可信度快速升高,。這說明,本文方法計(jì)算的可信度能正確反映車輛位置是否可信,,這為后續(xù)的車輛位置修正提供了依據(jù),。
2.3 定位精度對比
為了評價不同方法的車輛定位精度,首先比較同一臺車輛在不同的時間片段上的定位均方根誤差,,如圖4所示,。在圖4中,,只抽取了第6、12,、18,、24和30個時間片段的定位均方根誤差??梢?,GPS定位方法和擴(kuò)展卡爾曼濾波方法的RMSE指標(biāo)差異不大,而本文方法的RMSE指標(biāo)在不同的時間片段上都遠(yuǎn)小于其他兩種方法,,這說明本文方法的車輛定位誤差遠(yuǎn)小于其他兩種方法,。而且,本文方法的定位誤差受車輛GPS定位偏差的影響不大,,其原因主要有兩個方面:(1)本文方法采用貝葉斯濾波方法計(jì)算車輛位置的可信度,,依據(jù)可信度作為權(quán)重來進(jìn)行車輛位置修正,這樣,,由于GPS定位偏差大的車輛位置所對應(yīng)的可信度小,,故位置修正之后GPS定位偏差對車輛位置的影響較小。(2)本文方法采用一跳鄰居車輛的相對位置信息來對當(dāng)前車輛的位置進(jìn)行修正,,這樣,,在相同的時間片段上,車輛之間的相對位置受GPS定位偏差的影響相對較小,,且經(jīng)過多臺車輛的相對位置修正之后,,當(dāng)前車輛的估計(jì)位置受GPS定位偏差的影響進(jìn)一步降低。因此,,本文方法定位的車輛位置受車輛GPS定位誤差的影響較小,。
進(jìn)一步比較不同車輛定位的平均均方根誤差,也即所有時間片段上的均方根誤差平均值,,如圖5所示,。
圖5中統(tǒng)計(jì)了3種方法下7臺車輛的平均均方根誤差。在每種方法下,,7臺車輛的順序是一致的,。很明顯,不論是哪一臺車輛,,本文方法的平均均方根誤差都要小于其他兩種方法,,這說明采用本文方法對車輛進(jìn)行定位的定位精度高于其他兩種方法,。
3 結(jié)束語
本文提出了一種基于多傳感器融合和鄰居協(xié)作的車輛精確定位方法,,通過多傳感器數(shù)據(jù)融合構(gòu)建車輛狀態(tài)模型,結(jié)合貝葉斯濾波方法計(jì)算車輛當(dāng)前狀態(tài)的可信度,,利用車輛一跳鄰居的相關(guān)信息估算當(dāng)前車輛的相同位置,,綜合可信度計(jì)算與車輛位置估計(jì)來修正車輛當(dāng)前位置,。仿真實(shí)驗(yàn)結(jié)果表明,與常用的GPS,、擴(kuò)展卡爾曼濾波方法相比,,本文方法可以明顯降低車輛定位的均方根誤差,而且定位精度受GPS定位誤差的影響小,,是一種面向車輛自組織網(wǎng)絡(luò)應(yīng)用的高精度車輛定位方法,。
參考文獻(xiàn)
[1] 劉小洋,伍民友.車聯(lián)網(wǎng):物聯(lián)網(wǎng)在城市交通網(wǎng)絡(luò)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用,,2012,,32(4):900-904.
[2] CHA S H.A survey of broadcast protocols for vehicular Ad-hoc networks[J].Smartcr,2014,,4(4):246-255.
[3] JO K,,CHU K,SUNWOO M.Interacting multiple model filter-based sensor fusion of GPS with in-vehicle sensors for real-time vehicle positioning[J].IEEE Transactions on Intelligent Transportation Systems,,2012,,13(1):329-343.
[4] WEI L,CAPPELLE C,,RUICHEK Y.Camera/Laser/GPS fusion method for vehicle positioning under extended NIS-based sensor validation[J].Instrumentation & Measurement IEEE Transactions on,,2013,62(11):3110-3122.
[5] AMINI A,,VAGHEFI R M,,GARZA J M D L,et al.Improving GPS-based vehicle positioning for intelligent transportation systems[C].Intelligent Vehicles Symposium Proceedings,,2014 IEEE,,2014:1023-1029.
[6] FERREIRA B,MATOS A,,CRUZ N.Optimal positioning of autonomous marine vehicles for underwater acoustic source localization using TOA measurements[C].Underwater Technology Symposium,,2013:1-7.
[7] NGUYEN T L N,SHIN Y.A new approach for positioning based on AOA measurements[C].International Conference on Computing,,Management and Telecommunications,,2013:208-211.
[8] YI A N,NING B,,CAI B G,,et al.Vehicle positioning using GPS/CP and intersection collision detection[J].Journal of Traffic & Transportation Engineering,2013,,13(1):104-113.
[9] 李增科,,王堅(jiān),高井祥.精密單點(diǎn)定位在GPS/INS組合導(dǎo)航中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2013,,38(1):48-51.
[10] REID J.An extended Kalman filter for the estimation of transfer alignment errors to an airborne vehicle[J].Guidance & Control Conference,,1980,45(63):1.
[11] LIANG T.An approach for vehicle state estimation using extended Kalman filter[C].Communications in Computer & Information Science,,2012,,326:56-63.
[12] 安雷,張國良,,張維平,,等.移動機(jī)器人擴(kuò)展卡爾曼濾波定位與傳感器誤差建模[J].信息與控制,2012,,41(4):406-412.
[13] RAJESWARI K,,ANJALI.Extended Kalman filter for vehicle suspension system[C].Applied Mechanics & Materials,2014,,573:317-321.
[14] GALOV A,,MOSCHEVIKIN A.Bayesian filters for ToF and RSS measurements for indoor positioning of a mobile object[C].International Conference on Indoor Positioning and Indoor Navigation,2013:1-8.
[15] 邵震洪.車輛自組織網(wǎng)絡(luò)協(xié)作定位策略研究[D].南京:東南大學(xué),,2014.
作者信息:
黃金國1,,周先春2
(1.江蘇開放大學(xué) 信息與機(jī)電工程學(xué)院,江蘇 南京210017,;2.南京信息工程大學(xué) 電子與信息工程學(xué)院,,江蘇 南京210044)