0 引言

　　隨著自動(dòng)化技術(shù)的快速發(fā)展，車載導(dǎo)航系統(tǒng)已成為智能汽車電子領(lǐng)域的重要組成部分。精確地檢測(cè)車體當(dāng)前行駛道路的坡度是車載導(dǎo)航系統(tǒng)所必備的功能之一。但是，現(xiàn)有的車載傾角檢測(cè)裝置普遍存在如下問(wèn)題：(1)傳統(tǒng)兩軸加速度傳感器的模擬信號(hào)采樣獲取的車體加速度和傾斜角度信息存在著測(cè)量精度低、適用范圍較窄等缺陷和不足；(2)單一傳感器節(jié)點(diǎn)結(jié)果易受溫度、電壓、電磁等因素的影響，導(dǎo)致數(shù)據(jù)可靠性差。因此，目前的檢測(cè)裝置無(wú)法滿足高精度車載導(dǎo)航系統(tǒng)的實(shí)際需求。

　　為了克服上述現(xiàn)有技術(shù)的缺陷，本系統(tǒng)擬提出一種高精度車載道路坡度檢測(cè)儀的設(shè)計(jì)及實(shí)現(xiàn)方案。該檢測(cè)儀由主控節(jié)點(diǎn)和檢測(cè)節(jié)點(diǎn)組成，利用三軸數(shù)字加速度傳感器獲取車體傾斜角度，然后通過(guò)CAN總線將數(shù)據(jù)發(fā)送至主控節(jié)點(diǎn)；主控節(jié)點(diǎn)對(duì)分布在不同位置的多個(gè)傳感器節(jié)點(diǎn)的檢測(cè)數(shù)據(jù)進(jìn)行信息融合處理，獲得車體傾斜角度的最優(yōu)估計(jì)值，以實(shí)現(xiàn)對(duì)道路坡度的高精度檢測(cè)。

1 系統(tǒng)方案

　　1.1 道路坡度檢測(cè)儀整體設(shè)計(jì)

　　道路坡度檢測(cè)儀主要完成對(duì)小車車體傾斜角度的精確測(cè)量。檢測(cè)儀由主控節(jié)點(diǎn)和多個(gè)檢測(cè)節(jié)點(diǎn)組成，它在車體不同位置布設(shè)多個(gè)檢測(cè)節(jié)點(diǎn)，分別檢測(cè)各自的傾角信息；然后通過(guò)CAN總線將信息傳送給主控節(jié)點(diǎn)進(jìn)行集中處理，將各處及最終的估計(jì)值同時(shí)顯示到車載液晶屏上，并備份到數(shù)據(jù)庫(kù)中。每個(gè)檢測(cè)節(jié)點(diǎn)通過(guò)陀螺儀檢測(cè)車體動(dòng)態(tài)傾斜角度，并配合三軸數(shù)字加速度傳感器檢測(cè)車體靜態(tài)傾斜角度。本文所述的高精度車載道路坡度檢測(cè)儀的整體設(shè)計(jì)框架如圖1所示。

　　圖1中，主控節(jié)點(diǎn)為基于ARM Linux的嵌入式系統(tǒng)架構(gòu)，它分別獲取各檢測(cè)節(jié)點(diǎn)的傾角信息，通過(guò)所設(shè)計(jì)的多傳感器信息融合算法，得到傾斜角度最優(yōu)估計(jì)值，并實(shí)時(shí)顯示到車載液晶屏上；為保存行車過(guò)程中的坡度歷史信息，主控節(jié)點(diǎn)中還搭建了嵌入式本地?cái)?shù)據(jù)庫(kù)。

　　1.2 多傳感器數(shù)據(jù)融合方法

　　本系統(tǒng)通過(guò)高精度的三軸數(shù)字加速度傳感器設(shè)計(jì)檢測(cè)節(jié)點(diǎn)，提高單一傳感節(jié)點(diǎn)的檢測(cè)精度；并在車體不同位置布設(shè)多個(gè)該檢測(cè)節(jié)點(diǎn)，通過(guò)融合處理算法獲取車體傾角的最優(yōu)估計(jì)值，以提高數(shù)據(jù)靠性及角度信息檢測(cè)精度。

　　由圖2可知，一個(gè)檢測(cè)周期分為數(shù)據(jù)獲取和數(shù)據(jù)處理兩個(gè)階段完成。在數(shù)據(jù)獲取階段，主控節(jié)點(diǎn)通過(guò)遠(yuǎn)程幀輪詢各檢測(cè)節(jié)點(diǎn)的數(shù)據(jù)。在數(shù)據(jù)處理階段，主控節(jié)點(diǎn)將檢測(cè)子節(jié)點(diǎn)的傾角信息依次按照如下步驟進(jìn)行數(shù)據(jù)融合，得到車體行駛道路坡度的最優(yōu)估計(jì)值：

　　(1)采用疏失誤差剔除法[1](Negligence Error Elimination)剔除無(wú)效的傳感器數(shù)據(jù)，消除角度測(cè)量中的隨機(jī)干擾。設(shè)CAN總線網(wǎng)絡(luò)中共有n個(gè)檢測(cè)節(jié)點(diǎn)，表示主控節(jié)點(diǎn)在第k個(gè)檢測(cè)周期收集到的檢測(cè)節(jié)點(diǎn)i的角度測(cè)量值，則第k個(gè)周期內(nèi)所有檢測(cè)節(jié)點(diǎn)角度測(cè)量值組成的集合為，對(duì)集合A進(jìn)行從小到大的排序得到集合B={x1(k)，x2(k)，x3(k)，…，xn(k)}。那么疏失誤差剔除后的集合C由式(1)~式(5)計(jì)算得到。

　　其中xM為集合B的中位數(shù)，DS為四分位離散度,xU和xD分別為其上四分位數(shù)和下四分位數(shù)，MED{·}為求集合中位數(shù)的運(yùn)算。滿足集合C的測(cè)量值為有效的，否則為誤差值，應(yīng)予以剔除。

　　(2)通過(guò)最小二乘法[2](Least Square Method)擬合剔除后的所有測(cè)量值，作為卡爾曼濾波器的觀測(cè)值輸入。在剔除無(wú)效的傳感器數(shù)據(jù)后，通過(guò)最小二乘法對(duì)集合C中的數(shù)據(jù)進(jìn)行擬合，得到時(shí)刻k的觀測(cè)值，如式(6)所示，其中LSM{·}為通過(guò)最小二乘法擬合集合數(shù)據(jù)的運(yùn)算。

　　Y(k)=LSM{C}(6)

　　(3)結(jié)合上一檢測(cè)周期的最優(yōu)估計(jì)結(jié)果，利用卡爾曼濾波器完成本周期內(nèi)的道路坡度最優(yōu)估計(jì)值預(yù)測(cè)?？柭鼮V波針對(duì)式(7)和(8)所示的離散線性系統(tǒng)。

　　Y(k)=H·X(k)+V(k)(8)

　　其中X(k)為k時(shí)刻的估計(jì)值；Y(k)為k時(shí)刻（第k個(gè)檢測(cè)周期）的觀測(cè)值，其值由步驟(2)計(jì)算得到；參數(shù)?椎為系統(tǒng)矩陣，H表征了k時(shí)刻估計(jì)值相對(duì)于k-1時(shí)刻的變化率；W(k)和V(k)分別為k時(shí)刻的過(guò)程噪聲和測(cè)量噪聲。對(duì)于式(9)和(10)所描述的離散線性系統(tǒng)，可通過(guò)式(9)~(12)計(jì)算k時(shí)刻的卡爾曼濾波最優(yōu)估計(jì)值。

　　其中Q和R分別為W(k)和V(k)的協(xié)方差，Kg(k)為k時(shí)刻的卡爾曼濾波增益，X(k|k)表征時(shí)刻k的最優(yōu)結(jié)果，X(k|k-1)表征上一時(shí)刻的狀態(tài)預(yù)測(cè)值，P(k|k)和P(k|k-1)分別為X(k|k)和X(k|k-1)對(duì)應(yīng)的協(xié)方差。

2 系統(tǒng)硬件設(shè)計(jì)

　　本文所述的高精度道路坡度檢測(cè)儀硬件分主控節(jié)點(diǎn)和檢測(cè)節(jié)點(diǎn)兩部分。主控節(jié)點(diǎn)采用ARM Linux架構(gòu)，實(shí)現(xiàn)對(duì)各檢測(cè)子節(jié)點(diǎn)傾角數(shù)據(jù)的采集與處理；檢測(cè)節(jié)點(diǎn)通過(guò)單片機(jī)低功耗模式，完成對(duì)各子區(qū)域車體動(dòng)靜態(tài)傾斜角度的精確測(cè)量。

　　2.1 主控節(jié)點(diǎn)硬件設(shè)計(jì)

　　主控節(jié)點(diǎn)采用ARM Linux架構(gòu)，ARM芯片采用S3C2440，選用Linux 2.6.30內(nèi)核版本進(jìn)行嵌入式系統(tǒng)開(kāi)發(fā)。通過(guò)SPI接口控制CAN總線控制器，完成車載信息的采集，各子區(qū)域的傳感器信息及融合后的精確角度信息均通過(guò)車載觸摸液晶屏實(shí)時(shí)顯示，歷史信息存儲(chǔ)到本地?cái)?shù)據(jù)庫(kù)中。主控節(jié)點(diǎn)的硬件設(shè)計(jì)如圖3所示。

　　2.2 檢測(cè)節(jié)點(diǎn)硬件設(shè)計(jì)

　　檢測(cè)節(jié)點(diǎn)通過(guò)三軸加速度傳感器完成對(duì)自身傾角信息的采集，并將該數(shù)據(jù)上發(fā)。本系統(tǒng)工況檢測(cè)節(jié)點(diǎn)硬件設(shè)計(jì)如圖4所示。

　　在工況信息檢測(cè)過(guò)程中，傾斜的位置通過(guò)節(jié)點(diǎn)的位置確定，為了提高檢測(cè)結(jié)果的精度，在檢測(cè)之前可對(duì)加速度傳感器進(jìn)行校準(zhǔn)。工況節(jié)點(diǎn)檢測(cè)傾角的原理如圖5所示。

　　在圖5(a)中，Ax、Ay、Az分別為傳感器在3個(gè)方向上檢測(cè)到的靜止加速度。當(dāng)車體發(fā)生了如圖5(b)所示的傾斜時(shí)，其各軸的加速度變化如圖5(c)所示，其中Axoy為傳感器在xoy平面上的加速度，其計(jì)算方法如式(13)所示：

　　此時(shí)該檢測(cè)節(jié)點(diǎn)計(jì)算到的車體xoy平面與地表水平面XOY傾斜的角度?琢如式(14)所示：

　　由此可知，通過(guò)此方法將獲取的一組加速度信息進(jìn)行計(jì)算處理，可得到檢測(cè)節(jié)點(diǎn)各子平面與地表水平面之間的傾角。由于ADXL345三軸加速度傳感器最高分辨率可達(dá)3.9 mg/LSB，因此單個(gè)傳感器能捕捉1.0°的傾斜角度變化。

3 系統(tǒng)軟件設(shè)計(jì)

　　本系統(tǒng)的軟件分主控節(jié)點(diǎn)和檢測(cè)節(jié)點(diǎn)兩部分進(jìn)行設(shè)計(jì)。主控節(jié)點(diǎn)的軟件主要完成對(duì)各CAN通信節(jié)點(diǎn)數(shù)據(jù)的收集、處理、保持及顯示等功能；檢測(cè)節(jié)點(diǎn)的軟件主要完成傳感器信息的采集和發(fā)送。

　　3.1 主控節(jié)點(diǎn)軟件設(shè)計(jì)

　　主控節(jié)點(diǎn)采用嵌入式Linux架構(gòu)，其軟件設(shè)計(jì)在Linux操作系統(tǒng)上完成。本系統(tǒng)關(guān)于主控節(jié)點(diǎn)的軟件可分為模塊驅(qū)動(dòng)、應(yīng)用層進(jìn)程和多進(jìn)程控制等3個(gè)部分組成。模塊驅(qū)動(dòng)實(shí)現(xiàn)與硬件的交互，為應(yīng)用層各進(jìn)程的調(diào)用提供接口；應(yīng)用層實(shí)現(xiàn)了主控節(jié)點(diǎn)的各主體功能，包括數(shù)據(jù)采集、數(shù)據(jù)處理與保存和數(shù)據(jù)顯示等；多進(jìn)程控制實(shí)現(xiàn)對(duì)各個(gè)子進(jìn)程的調(diào)度，實(shí)現(xiàn)最優(yōu)的進(jìn)程調(diào)度。本系統(tǒng)的主控節(jié)點(diǎn)軟件架構(gòu)如圖6所示。

　　主控節(jié)點(diǎn)的模塊驅(qū)動(dòng)程序基于Linux操作系統(tǒng)開(kāi)發(fā)，需要開(kāi)發(fā)和加載LCD液晶驅(qū)動(dòng)程序和CAN控制器MCP2510驅(qū)動(dòng)程序。現(xiàn)場(chǎng)總線網(wǎng)絡(luò)的輪詢數(shù)據(jù)采集由主控節(jié)點(diǎn)控制，軟件上采用一主多從模式。CAN通信中將A0~A7組合表示的地址作為檢測(cè)節(jié)點(diǎn)的ID。特別地，主控節(jié)點(diǎn)的數(shù)據(jù)優(yōu)先級(jí)最高，因此其ID號(hào)固定為0x000，詳細(xì)如表1所示。

　　數(shù)據(jù)的輪詢收集結(jié)束后，即可對(duì)采集的數(shù)據(jù)進(jìn)行相應(yīng)的融合處理。本文1.2節(jié)已詳細(xì)講述數(shù)據(jù)融合算法及其仿真效果，本節(jié)介紹其具體實(shí)現(xiàn)流程，如圖7所示。其主要完成對(duì)工況節(jié)點(diǎn)數(shù)據(jù)的處理、變量初始化和確定相關(guān)算法變量的初值。針對(duì)節(jié)點(diǎn)數(shù)據(jù)，分別依次進(jìn)行疏失誤差處理、最小二乘法擬合觀測(cè)值和卡爾曼濾波估計(jì)最優(yōu)值，得到X(k)即為該線程輸出的融合最優(yōu)估計(jì)結(jié)果。由式(12)可知，為保證下一輪數(shù)據(jù)的順利融合，輸出X(k)后仍需將該值保存，作為下一輪數(shù)據(jù)融合的輸入。

　　3.2 檢測(cè)節(jié)點(diǎn)軟件設(shè)計(jì)

　　檢測(cè)節(jié)點(diǎn)的主要功能是實(shí)現(xiàn)對(duì)車體行駛坡度信息的采集，并將采集的信息發(fā)送給主控節(jié)點(diǎn)。檢測(cè)節(jié)點(diǎn)的CAN收發(fā)控制流程如圖8所示。程序中首先初始化系統(tǒng)，然后進(jìn)入低功耗模式；當(dāng)收到命令時(shí)，節(jié)點(diǎn)立即讀取傳感器數(shù)據(jù)并上傳。

4 評(píng)測(cè)

　　4.1 仿真結(jié)果分析

　　在MATLAB中仿真本系統(tǒng)的多傳感器數(shù)據(jù)融合方法，并將其與單傳感器數(shù)據(jù)描述進(jìn)行比較，其前200個(gè)檢測(cè)周期對(duì)比結(jié)果如圖9所示。單傳感器在第100個(gè)檢測(cè)周期的數(shù)據(jù)明顯發(fā)生了錯(cuò)誤，本文的多傳感器數(shù)據(jù)融合方法采用疏失誤差剔除這種采集過(guò)程中的單節(jié)點(diǎn)的隨機(jī)干擾，保證檢測(cè)結(jié)果的精度。需要說(shuō)明的是，前20個(gè)檢測(cè)周期的融合值與實(shí)測(cè)值存在較大偏差，這是由初值X(0)=10、P(0)=0引起的，這種偏差不會(huì)對(duì)融合效果產(chǎn)生影響，因?yàn)殡S著算法的繼續(xù)迭代，融合結(jié)果會(huì)趨于穩(wěn)定。

　　4.2 實(shí)際效果分析

　　對(duì)于系統(tǒng)實(shí)際效果的評(píng)測(cè)，在車體的3個(gè)不同位置分別配置檢測(cè)節(jié)點(diǎn)，保證這3個(gè)節(jié)點(diǎn)構(gòu)成的平面ω與地表水平面平行。將小車放置在11°左右的斜坡上，截取系統(tǒng)檢測(cè)過(guò)程中的60組數(shù)據(jù)，得到單傳感器檢測(cè)和多傳感器數(shù)據(jù)融合估計(jì)的實(shí)際效果對(duì)比，如圖10所示。由圖可知，由于單個(gè)節(jié)點(diǎn)檢測(cè)過(guò)程中數(shù)據(jù)存在一定的隨機(jī)干擾和測(cè)量誤差，因此單個(gè)節(jié)點(diǎn)檢測(cè)的數(shù)據(jù)波動(dòng)較大；本文的多傳感器數(shù)據(jù)融合算法可通過(guò)疏失誤差剔除法剔除隨機(jī)干擾，并通過(guò)卡爾曼濾波的迭代消除測(cè)量誤差，因此數(shù)據(jù)融合后的曲線相對(duì)平穩(wěn)，其測(cè)量值也更接近真值。

5 結(jié)論

　　針對(duì)當(dāng)前車載坡度檢測(cè)技術(shù)缺陷，本文提出了一種高精度車載道路坡度檢測(cè)儀的設(shè)計(jì)方案，并通過(guò)MSP430單片機(jī)、三軸數(shù)字加速度傳感器、ARM微控制器和CAN總線等實(shí)現(xiàn)其軟硬件功能。該儀器采用三軸數(shù)字加速度傳感器計(jì)算傾角，并對(duì)多個(gè)傳感器數(shù)據(jù)進(jìn)行融合處理，提高了車載道路邊坡檢測(cè)的精度，其可廣泛應(yīng)用于車載導(dǎo)航系統(tǒng)與智能汽車電子領(lǐng)域。

參考文獻(xiàn)

　　[1] 段戰(zhàn)勝，韓崇昭，陶唐飛.基于最近統(tǒng)計(jì)距離的多傳感器一致性數(shù)據(jù)融合[J].儀器儀表學(xué)報(bào)，2005，26(5)：478-481.

　　[2] 張曉平，劉桂雄，周松斌.利用最小二乘支持向量機(jī)實(shí)現(xiàn)無(wú)線傳感器網(wǎng)絡(luò)的目標(biāo)定位[J].光學(xué)精密工程，2010，18(9)：2060-2068.