《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > MEMS|傳感技術(shù) > 設(shè)計(jì)應(yīng)用 > 多傳感器融合與鄰居協(xié)作的車(chē)輛精確定位方法
多傳感器融合與鄰居協(xié)作的車(chē)輛精確定位方法
2017年電子技術(shù)應(yīng)用第6期
黃金國(guó)1,周先春2
1.江蘇開(kāi)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
摘要: 針對(duì)現(xiàn)有車(chē)輛定位裝置定位精度不高的問(wèn)題,提出一種面向車(chē)輛自組織網(wǎng)絡(luò)的車(chē)輛精確定位方法。首先,獲取車(chē)輛上的多傳感器信息,融合這些信息構(gòu)建當(dāng)前車(chē)輛的狀態(tài)模型;然后,采用貝葉斯濾波方法計(jì)算車(chē)輛當(dāng)前狀態(tài)的可信度;接著,結(jié)合當(dāng)前車(chē)輛的一跳鄰居車(chē)輛信息估算其相對(duì)位置;最后,綜合上述信息修正車(chē)輛的當(dāng)前位置,提高車(chē)輛定位精度。實(shí)驗(yàn)表明,與常用的全球定位系統(tǒng)(GPS)、擴(kuò)展卡爾曼濾波方法相比,該方法的定位精度高,且受GPS定位誤差的影響小。
中圖分類號(hào): TN91;TP391
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.2017.06.035
中文引用格式: 黃金國(guó),周先春. 多傳感器融合與鄰居協(xié)作的車(chē)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.
An accurate positioning method for vehicles with multi-sensor fusion and neighbors collaboration
Huang Jinguo1,Zhou Xianchun2
1.School of Information and Electrical Engineering,Jiangsu Open University,Nanjing 210017,China; 2.School of Electronics and Information Engineering,Nanjing University of Information Science and Technology,Nanjing 210044,China
Abstract: Facing to the low positioning accuracy problem of existing vehicle positioning devices, an accurate positioning method for vehicle ad-hoc networks is proposed. First, it obtains multi-sensor information from vehicles, and fuses these information to build the state model of the current vehicle. Then, Bayesian filtering method is used to calculate the credibility for vehicle′s current state. And then, it estimates the relative position of current vehicle by combining with the vehicles′ information of current vehicle′s one hop neighbors. Finally, it amendments the current location of the vehicle to improve the positioning accuracy with the information above. Experiments show that, compared with commonly used methods such as global positioning system(GPS) and extended Kalman filter, the new method has higher positioning accuracy and less influenced by GPS positioning error.
Key words : vehicle positioning;multi-sensor fusion;neighbors collaboration;Bayesian filtering;credibility

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(chē)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(chē)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(chē)輛的精確位置[2]。一般地,車(chē)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(huì)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://ihrv.cn/tags/車(chē)輛定位" title="車(chē)輛定位" target="_blank">車(chē)輛定位的要求[3-5]。因此,車(chē)輛自組織網(wǎng)絡(luò)中對(duì)車(chē)輛精確定位技術(shù)的研究需求旺盛。目前常用的車(chē)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(shí)間來(lái)估算目標(biāo)的相對(duì)距離,該方法在遮擋情況下測(cè)量誤差很大;后者是基于達(dá)到角度來(lái)測(cè)量目標(biāo)的距離,一般適用于短距離的測(cè)量,對(duì)車(chē)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(mén)為非線性的車(chē)輛運(yùn)動(dòng)設(shè)計(jì)的跟蹤方法,在車(chē)輛定位方面有成功應(yīng)用,然而,目前的車(chē)輛定位方法定位精度仍然無(wú)法滿足車(chē)輛安全駕駛等應(yīng)用需求。

    為了進(jìn)一步提高車(chē)輛定位精度,本文提出一種基于多傳感器融合鄰居協(xié)作的車(chē)輛精確定位方法,通過(guò)融合車(chē)輛上的多傳感器信息建立車(chē)輛自身的運(yùn)動(dòng)狀態(tài)模型,通過(guò)車(chē)輛自組織網(wǎng)絡(luò)的通信服務(wù)獲取一跳鄰居車(chē)輛的位置信息,用鄰居車(chē)輛的相關(guān)信息進(jìn)行協(xié)作定位,估算當(dāng)前車(chē)輛的位置信息,再結(jié)合車(chē)輛狀態(tài)的可信度來(lái)修正車(chē)輛當(dāng)前位置,從而提高當(dāng)前車(chē)輛的定位精度。

1 本文方法

    在車(chē)輛自組織網(wǎng)絡(luò)中,盡管每一臺(tái)車(chē)輛都安裝了定位裝置。但是,定位裝置獲取的車(chē)輛位置的精度不高,不能適用于安全駕駛、擁堵檢測(cè)等對(duì)車(chē)輛位置精度要求較高的領(lǐng)域。為了提高車(chē)輛自組織網(wǎng)絡(luò)中車(chē)輛定位的精度,本文綜合利用車(chē)輛自組織網(wǎng)絡(luò)中各車(chē)輛之間的相對(duì)位置信息,以及車(chē)輛自身運(yùn)動(dòng)狀態(tài)信息,來(lái)修正定位裝置獲取的車(chē)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(gè)階段:

jsj6-t1.gif

    (1)數(shù)據(jù)獲取階段

    該階段用于獲取車(chē)輛上安裝的各種傳感器的測(cè)量數(shù)據(jù),以及通過(guò)車(chē)輛自組織網(wǎng)絡(luò)的通信服務(wù)獲取鄰居車(chē)輛的相關(guān)數(shù)據(jù)。

    (2)車(chē)輛狀態(tài)建模階段

    該階段依據(jù)車(chē)輛自身所安裝的多傳感器的測(cè)量數(shù)據(jù),以及車(chē)輛自身的運(yùn)動(dòng)模型,對(duì)車(chē)輛的當(dāng)前運(yùn)動(dòng)狀態(tài)進(jìn)行建模,用于描述車(chē)輛在不同時(shí)刻的變化情況。

    (3)可信度計(jì)算階段

    在建立了車(chē)輛當(dāng)前運(yùn)動(dòng)狀態(tài)的模型之后,本文采用貝葉斯濾波策略來(lái)計(jì)算車(chē)輛當(dāng)前運(yùn)動(dòng)狀態(tài)的可信度。

    (4)車(chē)輛相對(duì)位置估算

    這一階段主要是通過(guò)車(chē)輛自組織網(wǎng)絡(luò)的通信服務(wù)來(lái)獲取車(chē)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(chē)輛的相對(duì)位置。

    (5)車(chē)輛當(dāng)前位置修正

    該階段結(jié)合車(chē)輛的當(dāng)前狀態(tài)、可信度以及估算的車(chē)輛相對(duì)位置來(lái)對(duì)車(chē)輛的當(dāng)前位置進(jìn)行修正,提高車(chē)輛定位的精度。

1.1 數(shù)據(jù)獲取

    數(shù)據(jù)獲取是指從車(chē)輛自身安裝的多傳感器來(lái)獲取車(chē)輛的狀態(tài)數(shù)據(jù),同時(shí),利用車(chē)輛自組織網(wǎng)絡(luò)的通信服務(wù)獲取其他車(chē)輛的狀態(tài)數(shù)據(jù)。

    本文假設(shè)車(chē)輛自組織網(wǎng)絡(luò)中的每一臺(tái)車(chē)輛都安裝了定位裝置,可以獲取車(chē)輛的位置信息。同時(shí),每一臺(tái)車(chē)輛都安裝了剎車(chē)和油門(mén)的角度測(cè)量傳感器,可以獲取剎車(chē)和油門(mén)的角度值。還有,每一臺(tái)車(chē)輛還安裝了車(chē)輪轉(zhuǎn)動(dòng)角度測(cè)量傳感器,可以獲取車(chē)輪的轉(zhuǎn)向角度值。

    在車(chē)輛自組織網(wǎng)絡(luò)中,不同車(chē)輛之間可以通過(guò)車(chē)與車(chē)通信和車(chē)與基礎(chǔ)設(shè)施通信來(lái)獲取鄰居車(chē)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(chē)輛需要具備數(shù)據(jù)存儲(chǔ)功能,可以存儲(chǔ)上述獲取到的車(chē)輛狀態(tài)數(shù)據(jù)。

jsj6-b1.gif

1.2 車(chē)輛狀態(tài)建模

    本文采用一種簡(jiǎn)單的車(chē)輛驅(qū)動(dòng)模型來(lái)估算車(chē)輛的運(yùn)動(dòng)狀態(tài),具體是利用車(chē)輛當(dāng)前時(shí)刻油門(mén)和剎車(chē)的角度值來(lái)估計(jì)車(chē)輛的速度。

    記αC(t)和αC max分別表示車(chē)輛的油門(mén)角度的當(dāng)前值和最大值,則在當(dāng)前時(shí)刻t,車(chē)輛的歸一化油門(mén)角度值為:

jsj6-gs1-4.gif

    那么,車(chē)輛在當(dāng)前時(shí)刻t的狀態(tài)可以由車(chē)輛狀態(tài)控制向量U(t)和車(chē)輛在t-1時(shí)刻的狀態(tài)聯(lián)合表示,為:

jsj6-gs5-6.gif

    事實(shí)上,式(5)可以視為車(chē)輛的非線性狀態(tài)轉(zhuǎn)移矩陣,用于描述不同時(shí)刻車(chē)輛狀態(tài)的變化。

1.3 可信度計(jì)算

    在當(dāng)前時(shí)刻t,本文采用貝葉斯濾波策略[14]來(lái)計(jì)算每一臺(tái)車(chē)輛關(guān)于當(dāng)前車(chē)輛狀態(tài)X(t)的可信度,表示為:

jsj6-gs7-11.gif

1.4 車(chē)輛相對(duì)位置估算

    在車(chē)輛自組織網(wǎng)絡(luò)中,每一臺(tái)車(chē)輛都可以與其一跳鄰居的車(chē)輛進(jìn)行數(shù)據(jù)交互。這樣,可以依據(jù)相鄰車(chē)輛的信息來(lái)估算當(dāng)前車(chē)輛的相對(duì)位置。

    在當(dāng)前時(shí)刻t,記第i臺(tái)車(chē)輛為vi,其一跳鄰居車(chē)輛的集合記為Nt(vi)。對(duì)于集合Nt(vi)中的第j臺(tái)車(chē)輛vj,它與車(chē)輛vi在當(dāng)前時(shí)刻t的相對(duì)距離和角度可以依據(jù)各自車(chē)輛上安裝的定位裝置來(lái)計(jì)算,表示為:

jsj6-gs12-17.gif

1.5 車(chē)輛當(dāng)前位置修正

    通過(guò)計(jì)算由車(chē)輛的一跳鄰居車(chē)輛估計(jì)的位置的加權(quán)累加和,可以提高車(chē)輛位置的可信度。基于這一思路,車(chē)輛vi在當(dāng)前時(shí)刻t的位置可以表示為:

    jsj6-gs18-19.gif

    這樣,經(jīng)過(guò)上述五個(gè)階段的處理,可以實(shí)現(xiàn)對(duì)當(dāng)前車(chē)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(chē)輛定位性能,在MATLAB 2012軟件平臺(tái)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(chē)輛定位仿真實(shí)驗(yàn),每種方法都執(zhí)行100次Monte Carlo仿真,對(duì)比各種方法進(jìn)行車(chē)輛定位的均方根誤差(Root Mean Square Error,RMSE)來(lái)評(píng)價(jià)各種方法的定位性能。其中,均方根誤差可以表示為[15]

    jsj6-gs20.gif

jsj6-gs20-x1.gif

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。

jsj6-b2.gif

    在本文的仿真實(shí)驗(yàn)中,采樣時(shí)間間隔為5 s,這樣時(shí)間片段數(shù)量為30。在仿真實(shí)驗(yàn)中,每臺(tái)車(chē)輛裝配的GPS定位裝置在車(chē)輛運(yùn)行過(guò)程中會(huì)遭受多徑衰落,引發(fā)定位偏差。圖2展示了車(chē)輛1在不同時(shí)間片段測(cè)量的定位偏差,類似地,其他車(chē)輛的GPS定位裝置在車(chē)輛運(yùn)行過(guò)程中也存在偏差。

jsj6-t2.gif

    在本文的仿真實(shí)驗(yàn)中,假定車(chē)輛都沿著平直道路行駛,且車(chē)速恒定。每一臺(tái)車(chē)輛的運(yùn)動(dòng)模型噪聲(即文中的ε(t))和初始位置是隨機(jī)的,觀測(cè)噪聲(即文中的δ(t))是通過(guò)采樣時(shí)間點(diǎn)(也即時(shí)間片段)上的GPS定位誤差獲取的。

2.2 可信度評(píng)價(jià)

    圖3所示為采用本文方法計(jì)算的每一個(gè)時(shí)間片段上車(chē)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(chē)輛位置的可信度越低,且GPS定位誤差逐漸降低時(shí),車(chē)輛位置的可信度快速升高。這說(shuō)明,本文方法計(jì)算的可信度能正確反映車(chē)輛位置是否可信,這為后續(xù)的車(chē)輛位置修正提供了依據(jù)。

jsj6-t3.gif

2.3 定位精度對(duì)比

    為了評(píng)價(jià)不同方法的車(chē)輛定位精度,首先比較同一臺(tái)車(chē)輛在不同的時(shí)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(gè)時(shí)間片段的定位均方根誤差??梢?jiàn),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(shí)間片段上都遠(yuǎn)小于其他兩種方法,這說(shuō)明本文方法的車(chē)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(chē)輛GPS定位偏差的影響不大,其原因主要有兩個(gè)方面:(1)本文方法采用貝葉斯濾波方法計(jì)算車(chē)輛位置的可信度,依據(jù)可信度作為權(quán)重來(lái)進(jìn)行車(chē)輛位置修正,這樣,由于GPS定位偏差大的車(chē)輛位置所對(duì)應(yīng)的可信度小,故位置修正之后GPS定位偏差對(duì)車(chē)輛位置的影響較小。(2)本文方法采用一跳鄰居車(chē)輛的相對(duì)位置信息來(lái)對(duì)當(dāng)前車(chē)輛的位置進(jìn)行修正,這樣,在相同的時(shí)間片段上,車(chē)輛之間的相對(duì)位置受GPS定位偏差的影響相對(duì)較小,且經(jīng)過(guò)多臺(tái)車(chē)輛的相對(duì)位置修正之后,當(dāng)前車(chē)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(chē)輛位置受車(chē)輛GPS定位誤差的影響較小。

jsj6-t4.gif

    進(jìn)一步比較不同車(chē)輛定位的平均均方根誤差,也即所有時(shí)間片段上的均方根誤差平均值,如圖5所示。

jsj6-t5.gif

    圖5中統(tǒng)計(jì)了3種方法下7臺(tái)車(chē)輛的平均均方根誤差。在每種方法下,7臺(tái)車(chē)輛的順序是一致的。很明顯,不論是哪一臺(tái)車(chē)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(shuō)明采用本文方法對(duì)車(chē)輛進(jìn)行定位的定位精度高于其他兩種方法。

3 結(jié)束語(yǔ)

    本文提出了一種基于多傳感器融合和鄰居協(xié)作的車(chē)輛精確定位方法,通過(guò)多傳感器數(shù)據(jù)融合構(gòu)建車(chē)輛狀態(tài)模型,結(jié)合貝葉斯濾波方法計(jì)算車(chē)輛當(dāng)前狀態(tài)的可信度,利用車(chē)輛一跳鄰居的相關(guān)信息估算當(dāng)前車(chē)輛的相同位置,綜合可信度計(jì)算與車(chē)輛位置估計(jì)來(lái)修正車(chē)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(chē)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(chē)輛自組織網(wǎng)絡(luò)應(yīng)用的高精度車(chē)輛定位方法。

參考文獻(xiàn)

[1] 劉小洋,伍民友.車(chē)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(guó)良,張維平,等.移動(dòng)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(chē)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(guó)1,周先春2

(1.江蘇開(kāi)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)

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。