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α_C(t)和α_{C 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v_i,，其一跳鄰居車輛的集合記為N_t(v_i),。對于集合N_t(v_i)中的第j臺車輛v_j，它與車輛v_i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)