CN103323012B - 车联网中基于车内惯性器件的车辆定位方法 - Google Patents

Abstract

本发明目的是根据车联网中对车辆定位的要求，重点研究了GPS信号受到遮挡情况下的定位问题，提出了一种车联网中基于车内惯性器件的车辆定位方法，以提高车辆在GPS信号受到遮挡情况下的自主定位能力。本发明的方法通过车速传感器测得汽车的行驶速度，通过方向盘转角传感器测得航向角，运用运动学定律，进行路程增量推算，得出汽车下一个时刻的位置信息，实现车辆在GPS信号受到遮挡情况下的自主定位。该方法对组合定位方法进行了创新，通过将VSSA系统与SINS系统中的陀螺仪组成航位推算（DR）系统，利用DR系统与SINS系统的位置与姿态误差通过Sage-husa自适应滤波去补偿SINS系统，从而得到精度比较高的SINS系统输出。

Description

车联网中基于车内惯性器件的车辆定位方法

技术领域

本发明涉及车联网技术领域，特别涉及车联网中基于车内惯性器件的车辆定位方法。

背景技术

随着经济的高速发展，我国汽车保有量持续增长，2010年达到了9086万辆，汽车保有量的增加，给交通管理系统带来了很大的挑战。智能交通系统(ITS，IntelligentTransportationSystem)作为一种综合交通运输管理系统，为应对这个挑战提供了可能，它是未来交通系统的发展方向。ITS将先进的信息技术、电子传感技术、数据通讯传输技术、控制技术和计算机技术等有效地集成，然后将其运用在整个地面交通管理系统中，以提供大范围的、全方位的、实时准确高效的综合交通运输管理服务。正在我国快速发展的车联网就是物联网在智能交通中的具体应用。

近年来随着物联网热潮的到来，车联网作为物联网的主要落脚点，在行业内得到了快速发展。车联网被认为是汽车未来的发展方向。早在上海世博会的时候，各界专家在通用汽车举办的名为“车联网——网联城市智能交通”的专题论坛上，就对车联网相关技术的发展以及车联网在未来对城市智能交通模式的改变进行了分析与论证并得出了以上结论。

车联网是具有节点特性、数据流特性以及移动特性的网络，是由车载电子标签通过无线识别等技术构建的一种车载自组网(VehicularAdhocNetwork，VANET)。车联网的目的是实现智能安全驾驶。主要方法是通过收集并共享信息，实现车与车(V2V)、车与路边基础设施(V2I)以及汽车与城市网络的互联。从车联网的体系架构^[7]中可以看出，车联网使用RFID、传感器，从物理世界获取信息，然后将这些信息通过网络传到用户或者服务器端，为用户提供各种各样的服务。因为汽车是运动的，所有提供的服务都是基于位置的服务，所以定位技术是车联网中的关键技术，具有很大的研究价值与工程实践价值。

定位技术不仅可以提供各种基于位置的服务，如周边商店、加油站、餐馆等信息的查询，还可以用于紧急情况下的救助、车辆的调度和人员管理等服务。车联网中的定位还有一个最重要的应用就是为汽车提供导航服务。现在汽车定位导航主要是以GPS为主，GPS精度基本可以满足当前的定位要求，但是无法实现室内定位，因而在城市高楼密集区、隧道、地下车库等GPS盲区无法实现定位。人们通过对GPS的改进，提出了一种辅助全球定位系统(AGPS，AssistedGlobalPositioningSystem)，通过其他的定位方式来辅助GPS定位，以补偿GPS的不足。现在业界利用AGPS的方式是通过手机基站的信息来辅助GPS定位，可以缩短GPS首次定位时间，在接收不到信号的地方可以利用基站cell-id来定位，但是定位精度不高，依然无法彻底解决GPS盲区的定位问题。目前，车辆定位中研究的比较多的是组合定位,通过几种不同定位方式的组合，起到优势互补的作用。组合方式的不同、滤波方法的不同都会造成不同的定位精度。本发明能更好的解决上述问题。

发明内容

本发明目的是根据车联网中对车辆定位的要求，重点研究了GPS信号受到遮挡情况下的定位问题，提出了一种车联网中基于车内惯性器件的车辆定位方法，以提高车辆在GPS信号受到遮挡情况下的自主定位能力。

本发明解决其技术问题所采用的技术方案是：本发明提出了一种车联网中基于车内惯性器件的车辆定位方法，通过方向盘转角传感器测得航向角，运用运动学定律，进行路程增量推算，得出汽车下一个时刻的位置信息，实现车辆在GPS信号受到遮挡情况下的自主定位。该方法对组合定位方法进行了创新，通过将VSSA系统与SINS系统中的陀螺仪组成航位推算(即：DR)系统，利用DR系统与SINS系统的位置与姿态误差通过Sage-husa自适应滤波去补偿SINS系统，从而得到精度比较高的SINS系统输出。

方法流程：

本发明提出一种车联网中基于车内惯性器件的车辆定位方法，其包括如下：

一、VSSA定位法

图1为VSSA定位原理框图，在可以接收到GPS信号的区域，通过GPS模块可以实现车辆的定位。进入GPS盲区后，无法实现定位。但是根据进入信号盲区前的GPS位置信息，结合通过CAN总线采集到的车速传感器(VSC，VehicleSpeedSensor)采集的汽车速度信息，利用运动学关系可以解算出汽车下一个时刻的位置信息。

利用汽车的速度、航向角可以解决相对复杂环境的盲区定位，如弯道等道路曲率发生变化的情况。

(1)简单场景定位方案

图2为简单场景即航向角不变场景示意图。一条道路笔直的穿过隧道，对于汽车来讲，从A点到进入隧道，到离开隧道到C点，整个行驶过程中，可以认为汽车的航向角没有发生变化。

B点所在的隧道为信号盲区，隧道两边的A、C是GPS信号区。定义A为汽车进入GPS信号盲区前一个时刻的点，可以通过GPS获得其位置信息，记其位置信息为(x_A,y_A)，航向角为α_A，速度传感器测得的速度为v_A。汽车匀速行驶，进入GPS信号盲区，记此时B的位置信息为(x_B,y_B)，航向角α_B≈α_A，传感器测得速度v_B≈v_A，采样时间T_p＝0.5s，则

$\{\begin{array}{c}{x}_B=x_A+v_A{T}_p\·{\mathrm{cos\α}}_A\\ y_B=y_A+v_A{T}_P.{\mathrm{sin\α}}_A\end{array}---\left(1\right)$

盲区内B点后面各时刻的位置信息，通过式(1)可以迭代出来。

(2)修正的简单场景定位方案

图3是修正的简单场景定位示意图，节点1～10表示汽车的十个连续采样点，GPS测量的位置信息记为(x_i,y_i)，由上述式(1)推出的位置信息记为(x′_i,y′_i)，i＝1,2,3,…，10。进入GPS信号盲区前，GPS测得节点1的位置信息为G₁＝[x₁,y₁]^T，通过上述式(1)求得位置信息为M₁＝[x′₁,y′₁]^T，则位置误差D_G1＝G₁-M₁＝[x₁-x′₁,y₁-y′₁]^T，用D_G1去修正此节点的位置信息，则M₁＝[x′₁,y′₁]^T+D_G1，无限接近于GPS测量值。同理D_G2＝G₂-M₂，依次类推，每个采样点的GPS实测位置信息与盲区定位方法估计位置信息之间总有一个误差值，用这个误差值去修正估计值，则可以使之无限接近于实测值。通过连续多个误差值加权平均，可以得到一个固定的修正因子D_Gj(j是进入盲区前一个i的值)，当汽车完全进入GPS信号盲区后，完全使用盲导航方法来获取位置信息，将盲导航方法得到的位置信息(x′_i,y′_i)加上修正因子D_Gj，得到汽车在GPS信号盲区的位置信息。

记进入GPS盲区前的n个节点的实测值与估计值之间的误差分别为D_Gi(i＝1,2,3…，n)，则位置修正因子D_Gj可以用下式表示

$\begin{array}{cc}{D}_{Gj}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{D}_{Gi}& (i=1,2,\mathrm{3...},n)\end{array}---\left(2\right)$

(3)复杂场景定位方案

如图4所示，汽车在进入盲区前一时刻位置A的航向角为可以通过GPS获得。穿过隧道到达盲区外的第一个位置B的航向角为从图中可以看出两次的航向角相差很大，将两次的航向角之间的差值称为角度偏移量，这个偏差值是随着时间的增加不断积累的，按照微积分的原理分析，在一段比较短的时间内，可以认为汽车是以固定的航向角行驶的。下一个短时段内的汽车航向角为前一段的航向角加上前一段的角度偏移量。这样就可以通过依次类推，得到每个采样时刻的汽车航向角，进而求出汽车的位置。

尹念东博士和余群教授提出了一种六度因子调整自适应汽车模型,这个模型中通过输入汽车的速度、方向盘的转角、方向盘的转角变化率，就可以输出汽车的横摆角速度。每个采样时刻的汽车的航向角变化量与横摆角速度ω之间的关系式为：

按照汽车的实际运动轨迹去计算将会非常复杂，而实际驾驶中，能够控制的汽车运动方式是比较简单的，所以，为了方便计算，本发明研究的都是简化的汽车运动方式，在采样时间比较小的情况下，忽略汽车侧、纵向运动之间的相互影响，只考虑汽车方向盘转动对汽车在其本体坐标系下的侧向加速度和横摆角速度的影响。横摆角速度影响汽车航向角，进而影响汽车行驶轨迹的曲率的变化。

如图5所示，假设汽车进入GPS盲区前位于节点2，此时通过GPS捕获到的汽车位置信息为(x₂,y₂)，航向角为车速为v₂，横摆角速度为ω₂，这是汽车初始位置信息，经过时间t_p，汽车进入GPS盲区的第一个位置，节点3，位置坐标为(x₃,y₃)，航向角为则

节点3的位置信息通过节点2可以求出来，通过车速传感器可以测得节点3的速度v₃，方向盘转角传感器可以测得方向盘转角θ₃，方向盘转角的变化率θ′₃，通过方向盘转角传感器测得的值可以得到节点3的横摆角速度ω₃，从而利用公式(4)可以求得节点4的位置信息

依次类推可以得到盲区中各节点的位置信息，即汽车在GPS盲区内各采样点的位置信息。从而实现GPS盲区的定位。

(4)修正的复杂场景定位方案

依然以图5为例，通过误差补偿法对上一节的方法进行修正。进入GPS信号盲区前，通过GPS定位可以得到节点0处的汽车的位置信息G₀(x₀,y₀)，航向角同时通过式(5)可以求得盲区估计位置信息M₀(x′₀,y′₀)，航向角则估计值与GPS实测值之间存在一个误差，记D_G0＝G₀-M₀＝[x₀-x′₀,y₀-y′₀]^T，节点1的实测值与方法估计值之间又可以求的误差D_G1、在进入盲区之前的i个采样点，均可求得GPS测量值与复杂场景盲区定位方法得到的值之间的误差D_Gi、如果每个估计值都用相应的误差值去补偿，则估计值将会无限接近实测值。定义D_Gj、δ_Gj分别为位置修正因子和角度修正因子，数学关系式为

$\begin{array}{cc}{D}_{Gj}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{D}_{Gi}& (i=1,2,3,\mathrm{...},n)\end{array}---\left(6\right)$

则在汽车进入盲区后，可以利用这两个修正因子去修正盲区定位方法，使盲区方法估计的值接近实际值。

二、SINS/VSSA组合定位

传统的车辆定位组合方式是GPS/SINS组合，定位离不开卫星导航定位系统，但是在卫星信号被遮挡或干扰的情况下，无法使用卫星进行定位。惯性导航系统因其具有误差随时间累积的缺点，精准定位时间比较短，从而限制了它的使用。因而，本发明通过将上述VSSA系统与SINS系统组合起来实现无GPS信号盲区的定位。由于当前方向盘转角传感器无法保证实时的采集到方向盘角度，本发明将SINS中的陀螺仪与VSSA系统组成航位推算(DR)系统。利用DR系统与SINS系统的位置、姿态误差通过Sage-husa自适应滤波去补偿SINS系统，从而得到定位精度比较高的SINS系统输出。其中SINS系统单元包括三个加速度计和三个陀螺仪。陀螺仪为航位推算系统提供航向信息。

本发明有益效果：

1、本发明可以在GPS信号盲区实现车辆自主定位，并且减少了外部器件安装带来的误差。

2、本发明是定位精度比较高的车辆自主定位系统，适用于无GPS信号的盲区定位。

附图说明

图1是本发明VSSA定位原理框图。

图2是本发明的航向角不变简单场景示意图。

图3是本发明的修正的简单场景定位示意图。

图4是本发明的复杂场景示意图。

图5是本发明的复杂场景算法示意图。

图6是本发明的SINS/VSSA组合定位原理图。

图7是本发明的简单场景仿真结果图。

图8是本发明的复杂场景仿真结果图。

图9是本发明的SINS/VSSA和传统SINS定位位置误差比较图。

图10是本发明的SINS/VSSA和传统SINS定位姿态误差比较图。

具体实施方式

下面通过结合说明书附图，进一步说明本发明的技术方案。

由于本发明所讲的方法中，车内惯性器件的测量值存在误差，尤其是测得的角度存在随机误差，为了使仿真结果更接近真实的场景，在仿真的过程中，按照上述所讲数学模型，人为的加入了随机噪声。

(1)简单场景仿真分析

选取近似为直线的抛物线为实际行驶轨迹，虚线表示实际轨迹，实线表示通过本发明的方法得到的位置点拟合出来的轨迹。从图7可以看出，在曲率变化比较小的情况下，VSSA方法得到的轨迹与实际的轨迹行走趋势一致。但是从第十一个时间点开始，误差变大。

(2)复杂场景仿真分析

选取正弦函数曲线为车辆实际行驶轨迹，虚线表示实际行驶轨迹，实线表示通过本发明的方法得到的位置点拟合出来的轨迹。由图8的仿真结果可以看出，估计轨迹与实际轨迹的趋势基本相同。在10到12个时间点以后，误差有明显增长趋势，但是总的行走趋势依然与实际轨迹一致。

为了便于分析，本发明通过MATLAB对SINS/VSSA和传统的自主定位方式同时进行了仿真验证。仿真参数设置如表1、2、3所示。车辆行驶时间设置为2000s，行驶的路程大约为70km。

表1陀螺仪参数

表2加速度计参数

初始水平姿态误差	1′
		初始方位误差	3′
初始速度误差	0.1m/s
		初始位置误差	10m

表3捷联惯导参数

如图9、10所示，“蓝线”表示本发明所研究的SINS/VSSA的仿真结果，“黑线”表示传统SINS定位方式的仿真结果。从仿真结果中可以看出，本发明所提出的SINS/VSSA不管是定位精度、航向精度和姿态精度均高于单独的SINS系统。同时从仿真结果可以看出，SINS/VSSA组合定位方法的误差波动幅度，明显低于SINS的误差波动，证明SINS/VSSA方法具有更好的鲁棒性。

Claims (2)

1.一种车联网中基于车内惯性器件的车辆定位方法，其特征在于：所述方法通过车速传感器测得汽车的行驶速度，通过方向盘转角传感器测得航向角，运用运动学定律，进行路程增量推算，得出汽车下一个时刻的位置信息，实现车辆在GPS信号受到遮挡情况下的自主定位，包括：

(1)简单场景定位方案；

一条道路笔直的穿过隧道，对于汽车来讲，从A点到进入隧道，到离开隧道到C点，整个行驶过程中，认为汽车的航向角没有发生变化；

B点所在的隧道为信号盲区，隧道两边的A、C是GPS信号区；定义A为汽车进入GPS信号盲区前一个时刻的点，通过GPS获得其位置信息，记其位置信息为(x_A,y_A)，航向角为α_A，速度传感器测得的速度为v_A；汽车匀速行驶，进入GPS信号盲区，记此时B的位置信息为(x_B,y_B)，航向角α_B≈α_A，传感器测得速度v_B≈v_A，采样时间T_p＝0.5s，则

$\{\begin{array}{c}{x}_B=x_A+v_A{T}_p\·{\mathrm{cos\α}}_A\\ y_B=y_A+v_A{T}_P.{\mathrm{sin\α}}_A\end{array}---\left(1\right)$

盲区内B点后面各时刻的位置信息，通过式(1)迭代出来；

(2)修正的简单场景定位方案；

节点1～10表示汽车的十个连续采样点，GPS测量的位置信息记为(x_i,y_i)，由上述式(1)推出的位置信息记为(x′_i,y′_i)，i＝1,2,3,…，10；进入GPS信号盲区前，GPS测得节点1的位置信息为G₁＝[x₁,y₁]^T，通过上述式(1)求得位置信息为M₁＝[x′₁,y′₁]^T，则位置误差D_G1＝G₁-M₁＝[x₁-x′₁,y₁-y′₁]^T，用D_G1去修正此节点的位置信息，则M₁＝[x′₁,y′₁]^T+D_G1，无限接近于GPS测量值；同理D_G2＝G₂-M₂，依次类推，每个采样点的GPS实测位置信息与盲区定位方法估计位置信息之间总有一个误差值，用这个误差值去修正估计值，则使之无限接近于实测值；通过连续多个误差值加权平均，得到一个固定的修正因子D_Gj，即j是进入盲区前一个i的值，当汽车完全进入GPS信号盲区后，完全使用盲导航方法来获取位置信息，将盲导航方法得到的位置信息(x′_i,y′_i)加上修正因子D_Gj，得到汽车在GPS信号盲区的位置信息；

进入GPS盲区前的n个节点的实测值与估计值之间的误差分别为D_Gi(i＝1,2,3…，n)，则位置修正因子D_Gj用下式表示：

$\begin{array}{cc}{D}_{Gj}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{D}_{Gi}& (i=1,2,\mathrm{3...},n)\end{array}---\left(2\right)$

(3)复杂场景定位方案；

汽车在进入盲区前一时刻位置A的航向角为通过GPS获得；穿过隧道到达盲区外的第一个位置B的航向角为两次的航向角相差很大，将两次的航向角之间的差值称为角度偏移量，这个偏差值是随着时间的增加不断积累的，按照微积分的原理分析，在一段比较短的时间内，认为汽车是以固定的航向角行驶的；下一个短时段内的汽车航向角为前一段的航向角加上前一段的角度偏移量；这样通过依次类推，得到每个采样时刻的汽车航向角，进而求出汽车的位置；

一种六度因子调整自适应汽车模型，这个模型中通过输入汽车的速度、方向盘的转角、方向盘的转角变化率，输出汽车的横摆角速度；每个采样时刻的汽车的航向角变化量与横摆角速度ω之间的关系式为：

按照汽车的实际运动轨迹去计算将会非常复杂，而实际驾驶中，能够控制的汽车运动方式是比较简单的，所以，为了方便计算，都是简化的汽车运动方式，在采样时间比较小的情况下，忽略汽车侧、纵向运动之间的相互影响，只考虑汽车方向盘转动对汽车在其本体坐标系下的侧向加速度和横摆角速度的影响；横摆角速度影响汽车航向角，进而影响汽车行驶轨迹的曲率的变化；

假设汽车进入GPS盲区前位于节点2，此时通过GPS捕获到的汽车位置信息为(x₂,y₂)，航向角为车速为v₂，横摆角速度为ω₂，这是汽车初始位置信息，经过时间t_p，汽车进入GPS盲区的第一个位置，节点3，位置坐标为(x₃,y₃)，航向角为则：

节点3的位置信息通过节点2求出来，通过车速传感器测得节点3的速度v₃，方向盘转角传感器测得方向盘转角θ₃，方向盘转角的变化率θ‘₃，通过方向盘转角传感器测得的值得到节点3的横摆角速度ω₃，从而利用公式(4)求得节点4的位置信息：

依次类推得到盲区中各节点的位置信息，即汽车在GPS盲区内各采样点的位置信息；从而实现GPS盲区的定位；

(4)修正的复杂场景定位方案；

通过误差补偿法对上一节的方法进行修正；进入GPS信号盲区前，通过GPS定位得到节点0处的汽车的位置信息G₀(x₀,y₀)，航向角同时通过式(5)求得盲区估计位置信息M₀(x'₀,y'₀)，航向角则估计值与GPS实测值之间存在一个误差，记D_G0＝G₀-M₀＝[x₀-x'₀,y₀-y'₀]^T，节点1的实测值与方法估计值之间求的误差D_G1、在进入盲区之前的i个采样点，均可求得GPS测量值与复杂场景盲区定位方法得到的值之间的误差D_Gi、如果每个估计值都用相应的误差值去补偿，则估计值将会无限接近实测值；定义D_Gj、δ_Gj分别为位置修正因子和角度修正因子，数学关系式为

$\begin{array}{cc}{D}_{Gj}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{D}_{Gi}& (i=1,2,3,\mathrm{...},n)\end{array}---\left(6\right)$

则在汽车进入盲区后，利用这两个修正因子去修正盲区定位方法，使盲区方法估计的值接近实际值。

2.根据权利要求1所述的一种车联网中基于车内惯性器件的车辆定位方法，其特征在于，包括：通过将车联网中基于车内惯性器件的自主定位方法，即：车速-方向盘转角传感器定位系统与SINS系统中的陀螺仪组成航位推算，即：DR系统，利用DR系统与SINS系统的位置与姿态误差，通过Sage-husa自适应滤波去补偿SINS系统，得到精度的SINS系统输出。