CN102867413A - 车路协作环境下的车辆传感数据压缩感知获取方法 - Google Patents

Abstract

适用于车路协作环境下车辆传感数据的压缩感知获取方法，所述的方法包括如下步骤：车辆传感信号的稀疏特性估计；车辆传感节点发送端压缩感知随机测量；车辆传感数据传感网络对测量数据传输；车辆传感节点接收端信息重构。本发明将压缩感知方法应用于全息交通通环境下大量车辆传感数据采集过程中，能够减少了车辆传感网络原有的数据量，降低节点能量的消耗，车辆传感信息通过该方法进行交互，提高车辆传感节点对信息处理传输的实时性以及车车之间信息交互能力。

Description

车路协作环境下的车辆传感数据压缩感知获取方法

技术领域

本发明涉及一种智能交通领域，对车辆传感信息的采集处理传输方法。 

背景技术

车路协作环境及其支撑技术是当前交通工程领域的研究热点。欧盟、美国、日本等众多先进国家为保证保证道路交通的可靠、安全与舒适，分别推出实现车路协作环境的车路协调项目的研究，如美国的车辆道路智能集成计划VII到以及后来更名的IntelliDriveSM。车辆协作环境是指车辆、道路等无线通信、传感技术实现信息与数据相互共享与交互，通过车路智能协调、车车智能协作来提高车辆运行的效率以及行驶安全。其中，车辆传感信息成为车辆交互的关键核心，装有各种传感设备的车辆不断地把车辆行驶状态参数发送给附近的车辆和路边基设备，车辆获取周围车辆行驶状态指导当前的车辆的驾驶以及车辆协作驾驶。因此，提高车辆道路交通过程中的数据感知效率，实现车辆传感信息的高效采集、传输、应用是车路协作环境下信息交互的重要问题。 

压缩感知是一种新的信息获取理论，是建立在信号稀疏表示、测量矩阵的非相关性以及逼近理论上的一种信号采集和重建的方法。该理论指出，只要信号是稀疏的或者在某个基下是可压缩的，就可以通过远低于奈奎斯特采样定理要求的采样率获取信号的结构信息，最后通过重构算法完成信号的精确重构。 

发明内容

为了研究车路协作环境车辆传感数据的冗余性，克服车路协作环境中对海量的车辆传感的采集以及存储、传输困难，本发明提供基于压缩感知理论车辆传感信息的获取方法。 

车路协作环境的车辆具备无线通信接口设备，整个传感数据网络主要由车车之间互联、车车之间间接互联，以及车辆与路边基之间相连接的数据传感网络。因此数据传输网络主要分为两个部分：即车与车（Vehicle to Vehicle,V2V），车与路边设备(Vehicle to Road-Side,V2R)，如附图1中所示，车与车的数据传感网络使车辆实时监测到周围车辆的运行状况，而车与路的通讯使得车辆随时获悉周边和道路的相关属性，其之间的通讯由车载终端，路侧单元和短程无线通讯协议组成。 

一种适用于车路协作环境中车辆传感数据的压缩感知采集传输方法，所述的方法包括： 

1、车辆传感信号的稀疏特性估计； 

压缩感知是对满足稀疏要求或可压缩信号进行信号重构的技术，信号的稀疏表示是在变换域上寻求尽量少的基函数，设定车辆传感设备某一时段内采集N个值组成的离散一维信号表示为向量X＝[X₁,X₂,X₃，…,X_n]^T([]T表示向量或者矩阵转置，下同)，其中车辆传感信息中车辆加速度信号不满足严格的稀疏特性，可通过小波理论中Daubechies有限支集正交小波函数对信号X＝[X₁,X₂,X₃，…,X_n]^T分 解得到稀疏度为K，正交基的求解过程采用小波理论中Mallat使用的多分辨率分析方法。车辆加速度的传感信息为严格稀疏，在一段时间内加速度值非0值的个数即为稀疏度K对车辆加速度信号X＝[X₁,X₂,X₃，…,X_n]^T构造正交基为单位阵。对正交基向量构成稀疏度为K的N×N基向量矩阵Ψ=[Ψ₁,Ψ₂,Ψ₃,…,Ψ_n]，并正交基构造过程中得到变换系数为N×1的α=[α₁,α₂,α₃,…,α_n]^T的列向量，因此车辆传感信号的稀疏表示为X＝Ψα； 

2、车辆传感节点发送端压缩感知测量； 

车辆传感节点设定一个M×N的确定性测量矩阵Φ对车辆传感信号在一段时间内原本采样N个采样值观测，设定测量矩阵Φ要求与稀疏基Ψ不相关，且不随信号X＝[X₁,X₂,X₃，…,X_n]^T的变化而变化，并能够从M个值中能够准确获取稀疏度为K个非O值的位置。传感节点通过公式Y=Φα计算得到一系列M个观测值Y=[Y₁,Y₂,Y₃,…,Y_M]，此时得到的采样值M<N，实现车辆传感数据降维采集。 

3、车辆传感数据传感网络对测量数据传输； 

车辆传感节点发送端对得到M个观测值进行量化打包，对得到的数据包通过的车辆传感网络建立的无线通信方式如DSRC、WIFI等将数据包发送至周围车辆传感节点接收点； 

4、车辆传感节点接收端信息重构； 

车辆传感节点接收端接收的周围车辆传感信息的观测值数据包进行重构，在车辆传感节点接收端存有和接收端相同的确定性观测矩 阵信息Φ，能够从观测值中能够准确获取稀疏度为K个非O值的位置，进一步通过求解欠定方程，实现对车辆传感信息的快速恢复，最终获得的恢复信息用于指导当前的车辆的驾驶以及与周围车辆协作驾驶。信号的重构方法需定义车辆传感设备某一时段内采集N个值组成的离散一维信号X=[X₁,X₂,X₃,…,X_n]^T的p-范数为 

${\left|\right|X\left|\right|}_P={\left({\mathrm{\&Sigma;}}_{i=1}^n{\left|x_i\right|}^p\right)}^{1/p}$

当p＝0时为0-范数，即为X中的非零个数，因此对车辆传感信息的重构转化为求解最小0-范数问题如下: 

Min||α||₀    S.t. Y=Φα=ΦΨ^TX=HX 

其中，Min表示求解最小值，S.t.表示约束条件，公式由车辆传感信号稀疏表示X=Ψα得α＝Ψ^TX代入变换，建立M×N的复合矩阵H＝ΦΨ^T使得原有的数据由原先N维转换为M矩阵，求解过程采用正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法。OMP的基本思想是在每一次的迭代过程中，从过完备原子库里(即设定的观测矩阵Φ)选择与信号最匹配的列来进行稀疏逼近，并使得在每次迭代中所选择的列与当前的冗余向量最大程度的相关，并求出余量，从测量向量中减去相关部分并反复迭代，使得迭代次数达到稀疏度，强制迭代停止，具体算法步骤如下： 

输入值：设定的确定性观测矩阵Φ，采集观测值矩阵Y，稀疏度K； 

Step1:初始余量r₀=Y，迭代次数t=1，增量矩阵为Λ=Φ； 

Step2：通过求余量r与复合矩阵H中各个原子之间内积的绝对值，来计算相关系数λ_t，并求出最大值在矩阵H的位置： 

λ_j=arg max_{t＝1，2,…n}|<r_t-1,H_i>| 

Step3：扩充增量矩阵，其中 

Step4：采用最小二乘法进行对数据信息逼近； 

X_t=arg min||Y-H_tX||₂

Step5：余量更新:r_new=Y-H_tX_t; 

Step6：令r=r_new，t=t+1，若t<K，返回Step2；否则，循环停止； 

Step7：信息恢复：输出X_t，得 

输出值：信号恢复值X_t。 

本发明的效益在于将压缩感知方法应用于车路协作环境下大量车辆传感数据采集传输，能够减少了车辆传感网络原有的数据量的采集与传输量，降低节点能量的消耗，车辆传感信息通过该方法进行交互，提高车辆传感节点对信息处理传输的实时性以及车车之间信息交互能力。 

附图说明

图1是本发明的系统结构示意图 

具体实施方式

参照附图1 

1、车辆传感信号的稀疏特性估计； 

压缩感知是对满足稀疏要求或可压缩信号进行信号重构的技术，信号的稀疏表示是在变换域上寻求尽量少的基函数，设定车辆传感设 备某一时段内采集N个值组成的离散一维信号表示为向量X＝[X₁,X₂,X₃，…,X_n]^T([]^T表示向量或者矩阵转置，下同)，其中车辆传感信息中车辆加速度信号不满足严格的稀疏特性，可通过小波理论中Daubechies有限支集正交小波函数对信号X＝[X₁,X₂,X₃，…,X_n]^T分解得到稀疏度为K，正交基的求解过程采用Mallat使用的多分辨率分析方法。车辆加速度的传感信息为严格稀疏，在一段时间内加速度值非0值的个数即为稀疏度K对车辆加速度信号X＝[X₁,X₂,X₃，…,X_n]^T构造正交基为单位阵。对正交基向量构成稀疏度为K的N×N基向量矩阵Ψ=[Ψ₁,Ψ₂,Ψ₃,…,Ψ_n]，并正交基构造过程中得到变换系数为N×1的α=[α₁,α₂,α₃,…,α_n]^T的列向量，因此车辆传感信号的稀疏表示为X=Ψα； 

2、车辆传感节点发送端压缩感知测量； 

车辆传感节点设定一个M×N的确定性测量矩阵Φ对车辆传感信号在一段时间内原本采样N个采样值观测，设定测量矩阵Φ要求与稀疏基Ψ不相关，且不随信号X＝[X₁,X₂,X₃，…,X_n]^T的变化而变化，并能够从M个值中能够准确获取稀疏度为K个非O值的位置。传感节点通过公式Y=Φα计算得到一系列M个观测值Y=[Y₁,Y₂,Y₃,…,Y_M]，此时得到的采样值M<N，实现车辆传感数据降维采集。 

3、车辆传感数据传感网络对测量数据传输； 

车辆传感节点发送端对得到M个观测值进行量化打包，对得到的数据包通过的车辆传感网络建立的无线通信方式如DSRC、WIFI等将 数据包发送至周围车辆传感节点接收点； 

4、车辆传感节点接收端信息重构； 

车辆传感节点接收端接收的周围车辆传感信息的观测值数据包进行重构，在车辆传感节点接收端存有和接收端相同的确定性观测矩阵信息Φ，能够从观测值中能够准确获取稀疏度为K个非O值的位置，进一步通过求解欠定方程，实现对车辆传感信息的快速恢复，最终获得的恢复信息用于指导当前的车辆的驾驶以及与周围车辆协作驾驶。信号的重构方法需定义车辆传感设备某一时段内采集N个值组成的离散一维信号X=[X₁,X₂,X₃,…,X_n]T的p-范数为 

${\left|\right|X\left|\right|}_P={\left({\mathrm{\&Sigma;}}_{i=1}^n{\left|x_i\right|}^p\right)}^{1/p}$

当p＝0时为0-范数，即为X中的非零个数，因此对车辆传感信息的重构转化为求解最小0-范数问题如下: 

Min||α||₀    S.t.  Y=Φα=ΦΨ^TX=HX 

其中，Min表示求解最小值，S.t.表示约束条件，公式由车辆传感信号稀疏表示X＝Ψα得α＝Ψ^TX代入变换，建立M×N的复合矩阵H＝ΦΨ^T使得原有的数据由原先N维转换为M矩阵，求解过程采用正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法。OMP的基本思想是在每一次的迭代过程中，从过完备原子库里(即设定的观测矩阵Φ)选择与信号最匹配的列来进行稀疏逼近，并使得在每次迭代中所选择的列与当前的冗余向量最大程度的相关，并求出余量，从测量向量中减去相关部分并反复迭代，使得迭代次数达到稀疏度，强制迭代停止，具体算法步骤如下： 

输入值：设定的确定性观测矩阵Φ，采集观测值矩阵Y，稀疏度 K； 

Step1:初始余量r₀=Y，迭代次数t=1，增量矩阵为Λ=Φ； 

Step2：通过求余量r与复合矩阵H中各个原子之间内积的绝对值，来计算相关系数λ_t，并求出最大值在矩阵H的位置： 

λ_j=arg max_{t＝1，2,…n}|<r_t-1,H_i>| 

Step3：扩充增量矩阵，其中 

Step4：采用最小二乘法进行对数据信息逼近； 

X_t=arg min||Y-H_tX||₂

Step5：余量更新:r_new=Y-H_tX_t; 

Step6：令r=r_new，t=t+1，若t<K，返回Step2；否则，循环停止； 

Step7：信息恢复：输出X_t，得 

输出值：信号恢复值X_t。 

Claims (4)

1. 一种适用于车路协作环境中车辆传感数据的压缩感知采集传输方法，所述的方法包括：

   1.车辆传感信号的稀疏特性估计；

   压缩感知是对满足稀疏要求或可压缩信号进行信号重构的技术，信号的稀疏表示是在变换域上寻求尽量少的基函数，设定车辆传感设备某一时段内采集N个值组成的离散一维信号表示为X＝[X₁,X₂,X₃，…,X_n]^T，其中车辆传感信息中车辆加速度信号不满足严格的稀疏特性，可通过小波理论中Daubechies有限支集正交小波函数对信号X＝[X₁,X₂,X₃，…,X_n]^T分解得到稀疏度为K，正交基的求解过程采用Mallat使用的多分辨率分析方法。车辆加速度的传感信息为严格稀疏，在一段时间内加速度值非0值的个数即为稀疏度K对车辆加速度信号X＝[X₁,X₂,X₃，…,X_n]^T构造正交基为单位阵。对正交基向量构成稀疏度为K的N×N基向量矩阵Ψ=[Ψ₁,Ψ₂,Ψ₃,…,Ψ_n]，并正交基构造过程中得到变换系数为N×1的α=[α₁,α₂,α₃,…,α_n]^T的列向量，因此车辆传感信号的稀疏表示为X=Ψα。
2. 2.车辆传感节点发送端压缩感知测量；

   车辆传感节点设定M×N的确定性测量矩阵Φ对车辆传感信号在一段时间内原本采样N个采样值观测，设定测量矩阵Φ要求与稀疏基Ψ不相关，不随信号X＝[X₁,X₂,X₃，…,X_n]^T的变化而变化，并能够从M个值中能够准确获取稀疏度为K个非O值的位置。传感节点通过公式Y=Φα计算得到一系列M个观测值Y=[Y₁,Y₂,Y₃,…,Y_M]，此时得到的采样值M<N，实现车辆传感数据降维采集。
3. 3.车辆传感数据传感网络对测量数据传输； 

   车辆传感节点发送端对得到M个观测值进行量化打包，对得到的数据包通过的车辆传感网络建立的无线通信方式如DSRC、WIFI等将数据包发送至周围车辆传感节点接收点。
4. 4.车辆传感节点接收端信息重构；

   车辆传感节点接收端接收的周围车辆传感信息的观测值数据包进行重构，在车辆传感节点接收端存有和接收端相同的确定性观测矩阵信息Φ，能够从观测值中能够准确获取稀疏度为K个非O值的位置，进一步通过求解欠定方程，实现对车辆传感信息的快速恢复，最终获得的恢复信息用于指导当前的车辆的驾驶以及与周围车辆协作驾驶。信号的重构方法需定义车辆传感设备某一时段内采集N个值组成的离散一维信号X=[X₁,X₂,X₃,…,X_n]^T的p-范数为

   

   当p＝0时为0-范数，即为X中的非零个数，因此对车辆传感信息的重构转化为求解0-范数问题如下:

   Min||α||₀    S.t. Y=Φα=ΦΨ^TX=HX

   其中，建立M×N的复合矩阵H＝ΦΨ^T使得原有的数据由原先N维转换为M矩阵，求解过程采用正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法。OMP的基本思想是在每一次的迭代过程中，从过完备原子库里(即观测矩阵Φ)选择与信号最匹配的列来进行稀疏逼近，并使得在每次迭代中所选择的列与当前的冗余向量最大程度的相关，并求出余量，从测量向量中减去相关部分并反复迭代，使得迭代次数达到稀疏度，强制迭代停止，具体算法步骤如下：

   输入值：设定的确定性观测矩阵Φ，采集观测值矩阵Y，稀疏度K； 

   Step1：初始余量r₀=Y，迭代次数t=1，增量矩阵为Λ=Φ；

   Step2：通过求余量r与复合矩阵H中各个原子之间内积的绝对值，来计算相关系数λ_t，并求出最大值在矩阵H的位置：

   λ_j=arg max_{t＝1，2,…n}|<r_t-1，H_i>|

   Step3：扩充增量矩阵，其中 

   

   Step4：采用最小二乘法进行对数据信息逼近；

   X_t=arg min||Y-H_tX||₂

   Step5：余量更新：r_new=Y-H_tX_t；

   Step6：令r＝r_new，t＝t+1，若t<K，返回Step2；否则，循环停止；

   Step7：信息恢复：输出Xt，得 

   输出值：信号恢复值X_t。 

Images