0 引言

　　隨著自動化技術的快速發展，車載導航系統已成為智能汽車電子領域的重要組成部分。精確地檢測車體當前行駛道路的坡度是車載導航系統所必備的功能之一。但是，現有的車載傾角檢測裝置普遍存在如下問題：(1)傳統兩軸加速度傳感器的模擬信號采樣獲取的車體加速度和傾斜角度信息存在著測量精度低、適用范圍較窄等缺陷和不足；(2)單一傳感器節點結果易受溫度、電壓、電磁等因素的影響，導致數據可靠性差。因此，目前的檢測裝置無法滿足高精度車載導航系統的實際需求。

　　為了克服上述現有技術的缺陷，本系統擬提出一種高精度車載道路坡度檢測儀的設計及實現方案。該檢測儀由主控節點和檢測節點組成，利用三軸數字加速度傳感器獲取車體傾斜角度，然后通過CAN總線將數據發送至主控節點；主控節點對分布在不同位置的多個傳感器節點的檢測數據進行信息融合處理，獲得車體傾斜角度的最優估計值，以實現對道路坡度的高精度檢測。

1 系統方案

　　1.1 道路坡度檢測儀整體設計

　　道路坡度檢測儀主要完成對小車車體傾斜角度的精確測量。檢測儀由主控節點和多個檢測節點組成，它在車體不同位置布設多個檢測節點，分別檢測各自的傾角信息；然后通過CAN總線將信息傳送給主控節點進行集中處理，將各處及最終的估計值同時顯示到車載液晶屏上，并備份到數據庫中。每個檢測節點通過陀螺儀檢測車體動態傾斜角度，并配合三軸數字加速度傳感器檢測車體靜態傾斜角度。本文所述的高精度車載道路坡度檢測儀的整體設計框架如圖1所示。

　　圖1中，主控節點為基于ARM Linux的嵌入式系統架構，它分別獲取各檢測節點的傾角信息，通過所設計的多傳感器信息融合算法，得到傾斜角度最優估計值，并實時顯示到車載液晶屏上；為保存行車過程中的坡度歷史信息，主控節點中還搭建了嵌入式本地數據庫。

　　1.2 多傳感器數據融合方法

　　本系統通過高精度的三軸數字加速度傳感器設計檢測節點，提高單一傳感節點的檢測精度；并在車體不同位置布設多個該檢測節點，通過融合處理算法獲取車體傾角的最優估計值，以提高數據靠性及角度信息檢測精度。

　　由圖2可知，一個檢測周期分為數據獲取和數據處理兩個階段完成。在數據獲取階段，主控節點通過遠程幀輪詢各檢測節點的數據。在數據處理階段，主控節點將檢測子節點的傾角信息依次按照如下步驟進行數據融合，得到車體行駛道路坡度的最優估計值：

　　(1)采用疏失誤差剔除法[1](Negligence Error Elimination)剔除無效的傳感器數據，消除角度測量中的隨機干擾。設CAN總線網絡中共有n個檢測節點，表示主控節點在第k個檢測周期收集到的檢測節點i的角度測量值，則第k個周期內所有檢測節點角度測量值組成的集合為，對集合A進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)計算得到。

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

　　(2)通過最小二乘法[2](Least Square Method)擬合剔除后的所有測量值，作為卡爾曼濾波器的觀測值輸入。在剔除無效的傳感器數據后，通過最小二乘法對集合C中的數據進行擬合，得到時刻k的觀測值，如式(6)所示，其中LSM{·}為通過最小二乘法擬合集合數據的運算。

　　Y(k)=LSM{C}(6)

　　(3)結合上一檢測周期的最優估計結果，利用卡爾曼濾波器完成本周期內的道路坡度最優估計值預測。卡爾曼濾波針對式(7)和(8)所示的離散線性系統。

　　Y(k)=H·X(k)+V(k)(8)

　　其中X(k)為k時刻的估計值；Y(k)為k時刻（第k個檢測周期）的觀測值，其值由步驟(2)計算得到；參數?椎為系統矩陣，H表征了k時刻估計值相對于k-1時刻的變化率；W(k)和V(k)分別為k時刻的過程噪聲和測量噪聲。對于式(9)和(10)所描述的離散線性系統，可通過式(9)~(12)計算k時刻的卡爾曼濾波最優估計值。

　　其中Q和R分別為W(k)和V(k)的協方差，Kg(k)為k時刻的卡爾曼濾波增益，X(k|k)表征時刻k的最優結果，X(k|k-1)表征上一時刻的狀態預測值，P(k|k)和P(k|k-1)分別為X(k|k)和X(k|k-1)對應的協方差。

2 系統硬件設計

　　本文所述的高精度道路坡度檢測儀硬件分主控節點和檢測節點兩部分。主控節點采用ARM Linux架構，實現對各檢測子節點傾角數據的采集與處理；檢測節點通過單片機低功耗模式，完成對各子區域車體動靜態傾斜角度的精確測量。

　　2.1 主控節點硬件設計

　　主控節點采用ARM Linux架構，ARM芯片采用S3C2440，選用Linux 2.6.30內核版本進行嵌入式系統開發。通過SPI接口控制CAN總線控制器，完成車載信息的采集，各子區域的傳感器信息及融合后的精確角度信息均通過車載觸摸液晶屏實時顯示，歷史信息存儲到本地數據庫中。主控節點的硬件設計如圖3所示。

　　2.2 檢測節點硬件設計

　　檢測節點通過三軸加速度傳感器完成對自身傾角信息的采集，并將該數據上發。本系統工況檢測節點硬件設計如圖4所示。

　　在工況信息檢測過程中，傾斜的位置通過節點的位置確定，為了提高檢測結果的精度，在檢測之前可對加速度傳感器進行校準。工況節點檢測傾角的原理如圖5所示。

　　在圖5(a)中，Ax、Ay、Az分別為傳感器在3個方向上檢測到的靜止加速度。當車體發生了如圖5(b)所示的傾斜時，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，其計算方法如式(13)所示：

　　此時該檢測節點計算到的車體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，通過此方法將獲取的一組加速度信息進行計算處理，可得到檢測節點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3.9 mg/LSB，因此單個傳感器能捕捉1.0°的傾斜角度變化。

3 系統軟件設計

　　本系統的軟件分主控節點和檢測節點兩部分進行設計。主控節點的軟件主要完成對各CAN通信節點數據的收集、處理、保持及顯示等功能；檢測節點的軟件主要完成傳感器信息的采集和發送。

　　3.1 主控節點軟件設計

　　主控節點采用嵌入式Linux架構，其軟件設計在Linux操作系統上完成。本系統關于主控節點的軟件可分為模塊驅動、應用層進程和多進程控制等3個部分組成。模塊驅動實現與硬件的交互，為應用層各進程的調用提供接口；應用層實現了主控節點的各主體功能，包括數據采集、數據處理與保存和數據顯示等；多進程控制實現對各個子進程的調度，實現最優的進程調度。本系統的主控節點軟件架構如圖6所示。

　　主控節點的模塊驅動程序基于Linux操作系統開發，需要開發和加載LCD液晶驅動程序和CAN控制器MCP2510驅動程序。現場總線網絡的輪詢數據采集由主控節點控制，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節點的ID。特別地，主控節點的數據優先級最高，因此其ID號固定為0x000，詳細如表1所示。

　　數據的輪詢收集結束后，即可對采集的數據進行相應的融合處理。本文1.2節已詳細講述數據融合算法及其仿真效果，本節介紹其具體實現流程，如圖7所示。其主要完成對工況節點數據的處理、變量初始化和確定相關算法變量的初值。針對節點數據，分別依次進行疏失誤差處理、最小二乘法擬合觀測值和卡爾曼濾波估計最優值，得到X(k)即為該線程輸出的融合最優估計結果。由式(12)可知，為保證下一輪數據的順利融合，輸出X(k)后仍需將該值保存，作為下一輪數據融合的輸入。

　　3.2 檢測節點軟件設計

　　檢測節點的主要功能是實現對車體行駛坡度信息的采集，并將采集的信息發送給主控節點。檢測節點的CAN收發控制流程如圖8所示。程序中首先初始化系統，然后進入低功耗模式；當收到命令時，節點立即讀取傳感器數據并上傳。

4 評測

　　4.1 仿真結果分析

　　在MATLAB中仿真本系統的多傳感器數據融合方法，并將其與單傳感器數據描述進行比較，其前200個檢測周期對比結果如圖9所示。單傳感器在第100個檢測周期的數據明顯發生了錯誤，本文的多傳感器數據融合方法采用疏失誤差剔除這種采集過程中的單節點的隨機干擾，保證檢測結果的精度。需要說明的是，前20個檢測周期的融合值與實測值存在較大偏差，這是由初值X(0)=10、P(0)=0引起的，這種偏差不會對融合效果產生影響，因為隨著算法的繼續迭代，融合結果會趨于穩定。

　　4.2 實際效果分析

　　對于系統實際效果的評測，在車體的3個不同位置分別配置檢測節點，保證這3個節點構成的平面ω與地表水平面平行。將小車放置在11°左右的斜坡上，截取系統檢測過程中的60組數據，得到單傳感器檢測和多傳感器數據融合估計的實際效果對比，如圖10所示。由圖可知，由于單個節點檢測過程中數據存在一定的隨機干擾和測量誤差，因此單個節點檢測的數據波動較大；本文的多傳感器數據融合算法可通過疏失誤差剔除法剔除隨機干擾，并通過卡爾曼濾波的迭代消除測量誤差，因此數據融合后的曲線相對平穩，其測量值也更接近真值。

5 結論

　　針對當前車載坡度檢測技術缺陷，本文提出了一種高精度車載道路坡度檢測儀的設計方案，并通過MSP430單片機、三軸數字加速度傳感器、ARM微控制器和CAN總線等實現其軟硬件功能。該儀器采用三軸數字加速度傳感器計算傾角，并對多個傳感器數據進行融合處理，提高了車載道路邊坡檢測的精度，其可廣泛應用于車載導航系統與智能汽車電子領域。

參考文獻

　　[1] 段戰勝，韓崇昭，陶唐飛.基于最近統計距離的多傳感器一致性數據融合[J].儀器儀表學報，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實現無線傳感器網絡的目標定位[J].光學精密工程，2010，18(9)：2060-2068.