0 引言

    隨著計算機網絡的飛速發展，物聯網(Internet of Things，IoT)技術成為當前的研究熱點。車輛自組織網絡(Vehicle Ad hoc Networks，VANETs)作為一種重要的物聯網技術，在智能交通領域應用廣泛^[1]。目前，安全駕駛是車輛自組織網絡的重要應用方向之一，該應用的關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域對車輛定位的要求^[3-5]。因此，車輛自組織網絡中對車輛精確定位技術的研究需求旺盛。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（Global Positioning System，GPS）是目前應用效果較好的定位技術，但在安全駕駛應用領域精度還不夠高，且遮擋情況下多徑效應比較嚴重^[8]。采用慣性導航技術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計的跟蹤方法，在車輛定位方面有成功應用，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模型，通過車輛自組織網絡的通信服務獲取一跳鄰居車輛的位置信息，用鄰居車輛的相關信息進行協作定位，估算當前車輛的位置信息，再結合車輛狀態的可信度來修正車輛當前位置，從而提高當前車輛的定位精度。

1 本文方法

    在車輛自組織網絡中，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域。為了提高車輛自組織網絡中車輛定位的精度，本文綜合利用車輛自組織網絡中各車輛之間的相對位置信息，以及車輛自身運動狀態信息，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）數據獲取階段

    該階段用于獲取車輛上安裝的各種傳感器的測量數據，以及通過車輛自組織網絡的通信服務獲取鄰居車輛的相關數據。

    （2）車輛狀態建模階段

    該階段依據車輛自身所安裝的多傳感器的測量數據，以及車輛自身的運動模型，對車輛的當前運動狀態進行建模，用于描述車輛在不同時刻的變化情況。

    （3）可信度計算階段

    在建立了車輛當前運動狀態的模型之后，本文采用貝葉斯濾波策略來計算車輛當前運動狀態的可信度。

    （4）車輛相對位置估算

    這一階段主要是通過車輛自組織網絡的通信服務來獲取車輛的一跳鄰居的位置信息，利于一跳鄰居進行協作定位，估算當前車輛的相對位置。

    （5）車輛當前位置修正

    該階段結合車輛的當前狀態、可信度以及估算的車輛相對位置來對車輛的當前位置進行修正，提高車輛定位的精度。

1.1 數據獲取

    數據獲取是指從車輛自身安裝的多傳感器來獲取車輛的狀態數據，同時，利用車輛自組織網絡的通信服務獲取其他車輛的狀態數據。

    本文假設車輛自組織網絡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動角度測量傳感器，可以獲取車輪的轉向角度值。

    在車輛自組織網絡中，不同車輛之間可以通過車與車通信和車與基礎設施通信來獲取鄰居車輛的位置等信息。

    表1給出了數據獲取階段需要獲取的數據。本文假設車輛需要具備數據存儲功能，可以存儲上述獲取到的車輛狀態數據。

1.2 車輛狀態建模

    本文采用一種簡單的車輛驅動模型來估算車輛的運動狀態，具體是利用車輛當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前值和最大值，則在當前時刻t，車輛的歸一化油門角度值為：

    那么，車輛在當前時刻t的狀態可以由車輛狀態控制向量U(t)和車輛在t-1時刻的狀態聯合表示，為：

    事實上，式(5)可以視為車輛的非線性狀態轉移矩陣，用于描述不同時刻車輛狀態的變化。

1.3 可信度計算

    在當前時刻t，本文采用貝葉斯濾波策略^[14]來計算每一臺車輛關于當前車輛狀態X(t)的可信度，表示為：

1.4 車輛相對位置估算

    在車輛自組織網絡中，每一臺車輛都可以與其一跳鄰居的車輛進行數據交互。這樣，可以依據相鄰車輛的信息來估算當前車輛的相對位置。

    在當前時刻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在當前時刻t的相對距離和角度可以依據各自車輛上安裝的定位裝置來計算，表示為：

1.5 車輛當前位置修正

    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在當前時刻t的位置可以表示為：

    這樣，經過上述五個階段的處理，可以實現對當前車輛位置的精確定位。

2 仿真實驗與結果分析

    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 實驗環境及參數

    本文仿真實驗的相關參數如表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相比較可以發現，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，這為后續的車輛位置修正提供了依據。

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指標差異不大，而本文方法的RMSE指標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，依據可信度作為權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，且經過多臺車輛的相對位置修正之后，當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 結束語

    本文提出了一種基于多傳感器融合和鄰居協作的車輛精確定位方法，通過多傳感器數據融合構建車輛狀態模型，結合貝葉斯濾波方法計算車輛當前狀態的可信度，利用車輛一跳鄰居的相關信息估算當前車輛的相同位置，綜合可信度計算與車輛位置估計來修正車輛當前位置。仿真實驗結果表明，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絡應用的高精度車輛定位方法。

參考文獻

[1] 劉小洋，伍民友.車聯網：物聯網在城市交通網絡中的應用[J].計算機應用，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組合導航中的應用[J].武漢大學學報：信息科學版，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.車輛自組織網絡協作定位策略研究[D].南京：東南大學，2014.

作者信息:

黃金國1，周先春2

(1.江蘇開放大學 信息與機電工程學院，江蘇 南京210017；2.南京信息工程大學 電子與信息工程學院，江蘇 南京210044)