0 引言

    隨著計算機網(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。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://m.jysgc.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)比較嚴重^[8]。采用慣性導(dǎo)航技術(shù)可以一定程度上彌補GPS的一些缺陷，但是成本較高，不利于推廣使用^[9]。擴展卡爾曼濾波方法^[10-13]是專門為非線性的車輛運動設(shè)計的跟蹤方法，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)，以及車輛自身的運動模型，對車輛的當(dāng)前運動狀態(tài)進行建模，用于描述車輛在不同時刻的變化情況。

    （3）可信度計算階段

    在建立了車輛當(dāng)前運動狀態(tài)的模型之后，本文采用貝葉斯濾波策略來計算車輛當(dāng)前運動狀態(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 可信度計算

    在當(dāng)前時刻t，本文采用貝葉斯濾波策略^[14]來計算每一臺車輛關(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算，表示為：

1.5 車輛當(dāng)前位置修正

    通過計算由車輛的一跳鄰居車輛估計的位置的加權(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，可以實現(xiàn)對當(dāng)前車輛位置的精確定位。

2 仿真實驗與結(jié)果分析

    為了驗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定位方法和擴展卡爾曼濾波方法進行車輛定位仿真實驗，每種方法都執(zhí)行100次Monte Carlo仿真，對比各種方法進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 實驗環(huán)境及參數(shù)

    本文仿真實驗的相關(guān)參數(shù)如表2所示。

    在本文的仿真實驗中，采樣時間間隔為5 s，這樣時間片段數(shù)量為30。在仿真實驗中，每臺車輛裝配的GPS定位裝置在車輛運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定位裝置在車輛運行過程中也存在偏差。

    在本文的仿真實驗中，假定車輛都沿著平直道路行駛，且車速恒定。每一臺車輛的運動模型噪聲（即文中的ε(t)）和初始位置是隨機的，觀測噪聲（即文中的δ(t)）是通過采樣時間點（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。可見，GPS定位方法和擴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小于其他兩種方法，這說明本文方法的車輛定位誤差遠小于其他兩種方法。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算車輛位置的可信度，依據(jù)可信度作為權(quán)重來進行車輛位置修正，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)前車輛的估計位置受GPS定位偏差的影響進一步降低。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，綜合可信度計算與車輛位置估計來修正車輛當(dāng)前位置。仿真實驗結(jié)果表明，與常用的GPS、擴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

[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].計算機應(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，高井祥.精密單點定位在GPS/INS組合導(dǎo)航中的應(yīng)用[J].武漢大學(xué)學(xué)報：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.移動機器人擴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)