CN106197471A - 基于信息融合的道路检测车距离触发装置及触发方法 - Google Patents

Abstract

本发明属于车辆检测技术领域，公开了一种基于信息融合的道路检测车距离触发装置及触发方法。通过融合GPS模块、纵向加速度传感器、垂直加速度传感器、陀螺仪、车速传感器的输出信号，实时估计出车辆的纵向行驶速度，然后对纵向行驶速度积分得到车辆的行驶距离，最后根据该行驶距离判断是否触发检测车上的道路路形传感器，从而避免了因为轮胎滚动半径变化所造成的误差。同时，由于GPS模块、垂直加速度传感器、陀螺仪、车速传感器为传统道路检测车上的标配，本发明技术方案所涉及的装置只增加了一个纵向加速度传感器用于测量车辆纵向加速度，因此有利于降低检测车的制造成本。

Description

基于信息融合的道路检测车距离触发装置及触发方法

技术领域

本发明涉及车辆检测技术领域，尤其涉及一种基于信息融合的道路检测车距离触发装置及触发方法。

背景技术

随着我国公路的不断建设，多功能道路检测车的应用也越来越普遍。当前，多功能检测车主要采用高速面阵相机和多种激光器来测量路面的纵断面和横断面曲线，然后在上位机中拟合出路面的三维模型，进而计算出路面的IRI和路面不平度系数。

在传统的监测车系统中，需要安装于车辆驱动上的旋转编码器为车辆提供纵向行驶距离信息。系统判断检测车行驶一定距离后，触发检测车上的各种路面路形传感器，例如面阵相机等，对道路进行检测。旋转编码器所测得的纵向行驶距离信息是保证系统测量精度的关键信息之一。然而，为保证旋转编码器的测距精度，需要其具有很高的安装精度，以确保旋转编码器与驱动轮旋转中心线同轴，提高了检测车制造成本；另一方面，旋转编码器的测距精度容易受到检测车轮胎状态的影响，导致轮胎滚动半径变化发生，这些因素限制了检测车的检测精度。

发明内容

针对上述现有技术的缺点，本发明的目的在于提供一种基于信息融合的道路检测车距离触发装置及触发方法，以避免因旋转编码器安装精度不高、以及轮胎滚动半径变化所造成的道路检测车测量误差，并有利于降低检测车的制造成本。

本发明技术方案实现的技术思路为：通过融合GPS模块、纵向加速度传感器、垂直加速度传感器、陀螺仪、车速传感器的输出信号，实时估计出车辆的纵向行驶速度，然后对纵向行驶速度积分得到车辆的行驶距离，最后根据该行驶距离判断是否触发检测车上的道路路形传感器，从而避免了因为轮胎滚动半径变化所造成的误差。同时，由于GPS模块、垂直加速度传感器、陀螺仪、车速传感器为传统道路检测车上的标配，本发明技术方案所涉及的装置只增加了一个纵向加速度传感器用于测量车辆纵向加速度，因此有利于降低检测车的制造成本。

为达到上述目的，本发明的实施例采用如下技术方案予以实现。

技术方案一：

一种基于信息融合的道路检测车距离触发装置，用于为道路检测车进行路面路形检测提供触发信号，所述装置包括安装于道路检测车质心位置的陀螺仪和纵向加速度传感器；安装于道路检测车顶部的GPS模块，所述GPS模块中天线的轴线与道路检测车的横摆轴同轴；分别安装于道路检测车前后车轴上方的两个垂直加速度传感器；

所述陀螺仪用于测量道路检测车的俯仰角速度和侧倾角速度；所述纵向加速度传感器用于测量道路检测车的纵向加速度；所述垂直加速度传感器用于获取道路检测车质心的垂直加速度；

所述装置还包括4个A/D转换器，分别用于将陀螺仪的输出信号、纵向加速度传感器的输出信号、两个垂直加速度传感器的输出信号进行模数转换。

技术方案二：

一种基于信息融合的道路检测车距离触发方法，应用于技术方案一所述的距离触发装置，所述方法包括如下步骤：

步骤1，获取所述陀螺仪的输出信号，所述陀螺仪的输出信号至少包括道路检测车的俯仰角速度、侧倾角速度；对所述俯仰角速度进行积分得到道路检测车的俯仰角，对所述侧倾角速度进行积分得到道路检测车的侧倾角；

步骤2，获取两个垂直加速度传感器的输出信号，对所述两个垂直加速度传感器的输出信号进行修正，并根据修正后的两个垂直加速度传感器的输出信号计算车身的垂直加速度；

步骤3，获取所述纵向加速度传感器的输出信号，根据所述道路检测车的俯仰角和所述车身的垂直加速度对所述纵向加速度传感器的输出信号进行修正，得到道路检测车纵向加速度的初步修正值；

步骤4，获取所述GPS模块输出的速度信息，根据所述速度信息消除所述道路检测车纵向加速度的初步修正值中的地理趋势项，得到再次修正后的纵向加速度值；

步骤5，根据所述行驶速度信息以及预先设置的卡尔曼滤波器对道路检测车的行驶速度进行估计，得到实时行驶速度估计值，对所述实时行驶速度估计值进行积分得到道路检测车的实时行驶距离；

步骤6，设定距离阈值，若所述道路检测车的实时行驶距离达到设定的距离阈值，则触发所述道路检测车进行路面路形检测。

本发明技术方案的特点和进一步的改进为：

(1)步骤2具体包括如下子步骤：

(2a)分别采集两个垂直加速度传感器的输出信号a₁和a₂，并根据道路检测车的俯仰角θ和侧倾角确定两个垂直加速度的轴线与重力轴的夹角α：

(2b)采用下式对两个垂直加速度传感器的输出信号a₁和a₂进行校正：

$\{\begin{array}{c}{a}_1^{\′}=a_1+g\cos \mathrm{\α}-\stackrel{\·\·}{\mathrm{\θ}}{L}_1\\ a_2^{\′}=a_2+g\cos \mathrm{\α}+\stackrel{\·\·}{\mathrm{\θ}}{L}_2\end{array}---\left(2\right)$

其中，a′₁和a′₂为修正后的两个垂直加速度值；g为当地的重力加速度；为道路检测车的俯仰角加速度，该值通过对θ进行两次差分得到；L₁和L₂分别为道路检测车质心到前后车轴的纵向距离；

(2c)取a′₁和a′₂的平均值作为道路检测车车身的垂直加速度a₀＝(a′₁+a′₂)/2。

(2)步骤3具体包括如下子步骤：

(3a)获取所述纵向加速度传感器的输出信号a；

(3b)获取所述道路检测车的俯仰角θ和所述道路检测车车身的垂直加速度a₀，并对所述纵向加速度传感器的输出信号a按照下式进行修正：

a′＝[a+(a₀-g)sinθ]cosθ (3)

其中，a′为道路检测车纵向加速度的初步修正值，g为当地的重力加速度。

(3)步骤4具体包括如下子步骤：

(4a)构造第一卡尔曼滤波器，所述第一卡尔曼滤波器的状态预测方程为：

B_k+1＝B_k (4)

y_3，k＝(u_gps，k-u_Int，k)/T₂+v₃ (5)

其中，B_k为所要去除的纵向加速度的初步修正值中的地理趋势项，u_gps为GPS模块输出的车速信息，u_Int为对纵向加速度的初步修正值a′积分计算得到的道路检测车纵向行驶速度估计值，即u_Int＝∑a′T₁，y_3，k为观测量，v₃为观测噪声，T₂为GPS模块的采用周期；

(4b)进而得到再次修正后的纵向加速度值a″：

a″_k＝a′_k-B_k (6)

(4)步骤5具体包括如下子步骤：

(5a)设置GPS信号中断最大时长，若GPS模块无信号输出且无信号输出的状态持续时间小于GPS信号中断最大时长，则构造第二卡尔曼滤波器，所述第二卡尔曼滤波器的状态预测方程为：

${\left[\begin{array}{c}{\stackrel{\·}{x}}_1\\ {\stackrel{\·\·}{x}}_1\end{array}\right]}_{k+1}=\left[\begin{array}{cc}1& \mathrm{\τ}(1-e^{-\frac{T_1}{\mathrm{\τ}}})\\ 0& e^{-\frac{T_1}{\mathrm{\τ}}}\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_1\\ {\stackrel{\·\·}{x}}_1\end{array}\right]}_k+\left[\begin{array}{c}{T}_1-\mathrm{\τ}(1-e^{-\frac{T_1}{\mathrm{\τ}}})\\ 1-e^{-\frac{T_1}{\mathrm{\τ}}}\end{array}\right]{\stackrel{\·\·}{x}}_{1,k}+w_1---\left(7\right)$

$y_{1,k}=\left[\begin{array}{cc}0& 1\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_1\\ {\stackrel{\·\·}{x}}_1\end{array}\right]}_k+v_1---\left(8\right)$

其中，为道路检测车纵向行驶速度，为由纵向加速度传感器测得的道路检测车纵向加速度，T₁为纵向加速度传感器的采样周期，[·]_k中的下标k表示t_k时刻，τ表示机动时间常数，v₁表示纵向加速度传感器的观测误差，y_1，k表示纵向加速度传感器的观测量；

根据所述第二卡尔曼滤波器的状态预测方程计算得到实时行驶速度估计值，对所述实时行驶速度估计值进行积分得到道路检测车的实时行驶距离；

(5b)若GPS模块无信号输出且无信号输出的状态持续时间大于或者等于GPS信号中断最大时长，则构造第三卡尔曼滤波器，所述第三卡尔曼滤波器的状态预测方程为：

${\left[\begin{array}{c}{\stackrel{\·}{x}}_2\\ {\stackrel{\·\·}{x}}_2\end{array}\right]}_{k+1}=\left[\begin{array}{cc}1& \mathrm{\τ}(1-e^{-\frac{T_2}{\mathrm{\τ}}})\\ 0& e^{-\frac{T_2}{\mathrm{\τ}}}\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_2\\ {\stackrel{\·\·}{x}}_2\end{array}\right]}_k+\left[\begin{array}{c}{T}_1-\mathrm{\τ}(1-e^{-\frac{T_1}{\mathrm{\τ}}})\\ 1-e^{-\frac{T_1}{\mathrm{\τ}}}\end{array}\right]{\stackrel{\·\·}{x}}_{1,k}+w_2---\left(9\right)$

$y_{2,k}=\left[\begin{array}{cc}0& 1\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_2\\ {\stackrel{\·\·}{x}}_2\end{array}\right]}_k+v_2---\left(10\right)$

其中，y_2k为GPS模块输出信号的观测量，v₂为GPS模块的观测噪声；为GPS接收机估计得到的车辆速度参数，为GPS估计得到的车辆加速度参数；

根据所述第三卡尔曼滤波器的状态预测方程计算得到实时行驶速度估计值，对所述实时行驶速度估计值进行积分得到道路检测车的实时行驶距离。

本发明技术方案的有益效果：通过融合纵向加速度传感器、GPS模块、陀螺仪、两个垂直加速度传感器和车速传感器的输出信号，从而估计出车辆的纵向速度，然后对估计出的车辆的纵向速度进行积分得到车辆的纵向行驶距离，再依据该纵向行驶距离判断是否达到设定阈值，然后触发路面路形传感器工作，从而避免了传统道路检测车中轮胎滚动半径变化对测量精度的影响，并有利于降低道路检测车的生产成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于信息融合的道路检测车距离触发装置的硬件结构示意图；

图2为本发明的各个传感器的安装位置示意图；

图3为本发明的一种基于信息融合的道路检测车距离触发方法的流程示意图；

图4为本发明的经过校正后的纵向加速度传感器的信号曲线示意图；

图5为本发明的在未获得其他传感器校正时，单独依靠加速度传感器信息估计得到的车辆状态参数曲线示意图；

图6为本发明的采用GPS模块与加速度传感器信息融合处理后的车辆状态参数曲线示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种基于信息融合的道路检测车距离触发装置，用于为道路检测车进行路面路形检测提供触发信号，所述装置包括工控主机和车辆自带的车速传感器，参照图1，所述装置还包括陀螺仪和纵向加速度传感器、GPS模块、两个垂直加速度传感器。

所述陀螺仪用于测量道路检测车的俯仰角速度和侧倾角速度，从而得到车辆的俯仰角和侧倾角，以便对纵向加速度传感器采集的信号、垂直加速度传感器采集的信号进行校正。

所述纵向加速度传感器由于采样频率高，因此用于实时测量道路检测车的纵向加速度，从而得到道路检测车的纵向行驶速度。

所述垂直加速度传感器用于获取道路检测车质心的垂直加速度，以便对纵向加速度传感器采集的信号进行校正。

实时GPS模块由于采样频率较低，但能够提供高精度的车辆运动速度信息，因此用于实时校正得到的车辆纵向行驶速度信息。

所述装置还包括4个A/D转换器，分别用于将陀螺仪的输出信号、纵向加速度传感器的输出信号、两个垂直加速度传感器的输出信号进行模数转换。

需要补充的是，车辆自带的车速传感器用于用于在GPS模块的输出信号出现长时间中断时校正得到的车辆纵向行驶速度信息。工控主机用于对各个传感器采集到的信号进行数据融合，估算出车辆的纵向行驶速度，从而积分得到车辆的纵向行驶距离，并根据预设条件判断是否触发道路路形检测车进行工作。

需要说明的是，参照图2，陀螺仪安装于道路检测车质心位置，纵向加速度传感器的安装位置也尽量靠近车辆质心，以减小车辆的俯仰和横摆角速度对纵向加速度测量的影响；GPS模块安装于道路检测车的顶部，所述GPS模块中天线的轴线与道路检测车的横摆轴同轴，以避免车辆横摆对GPS模块测速造成影响；两个垂直加速度传感器分别安装于道路检测车前后车轴的上方。

本发明实施例还提供一种基于信息融合的道路检测车距离触发方法，应用于上述实施例所述的距离触发装置，参照图3，所述方法包括如下步骤：

步骤1，获取所述陀螺仪的输出信号，所述陀螺仪的输出信号至少包括道路检测车的俯仰角速度、侧倾角速度；对所述俯仰角速度进行积分得到道路检测车的俯仰角，对所述侧倾角速度进行积分得到道路检测车的侧倾角。

步骤2，获取两个垂直加速度传感器的输出信号，对所述两个垂直加速度传感器的输出信号进行修正，并根据修正后的两个垂直加速度传感器的输出信号计算车身的垂直加速度。

两个垂直加速度传感器的输出信号为车辆的垂直加速度信息、因车辆侧倾而产生的偏置量、车辆俯仰角加速度以及当地重力加速度的叠加量。

根据陀螺仪采集到的车辆姿态信息，对纵向加速度传感器采集到的信号进行校正，由于纵向加速度传感器的安装位置靠近车辆质心位置，因此可以忽略横摆加速度对其测量值的影响，因此主要考虑车辆俯仰角带来的影响。

记垂直加速度向上为正，车辆的俯仰角速度逆时针为正，纵向加速度向前为正。

步骤2具体包括如下子步骤：

(2a)分别采集两个垂直加速度传感器的输出信号a₁和a₂，并根据道路检测车的俯仰角θ和侧倾角确定两个垂直加速度的轴线与重力轴的夹角α：

(2b)采用下式对两个垂直加速度传感器的输出信号a₁和a₂进行校正：

$\{\begin{array}{c}{a}_1^{\′}=a_1+g\cos \mathrm{\α}-\stackrel{\·\·}{\mathrm{\θ}}{L}_1\\ a_2^{\′}=a_2+g\cos \mathrm{\α}+\stackrel{\·\·}{\mathrm{\θ}}{L}_2\end{array}---\left(2\right)$

其中，a′₁和a′₂为修正后的两个垂直加速度值；g为当地的重力加速度；为道路检测车的俯仰角加速度，该值通过对θ进行两次差分得到；L₁和L₂分别为道路检测车质心到前后车轴的纵向距离；

(2c)取a′₁和a′₂的平均值作为道路检测车车身的垂直加速度a₀＝(a′₁+a′₂)/2。

步骤3，获取所述纵向加速度传感器的输出信号，根据所述道路检测车的俯仰角和所述车身的垂直加速度对所述纵向加速度传感器的输出信号进行修正，得到道路检测车纵向加速度的初步修正值。

所述纵向加速度传感器的输出信号包含车辆的纵向加速度信息、车辆因俯仰而产生的偏置量、车辆受路面激励产生的垂直加速度分量以及纵向加速度传感器本身的噪声。

步骤3具体包括如下子步骤：

(3a)获取所述纵向加速度传感器的输出信号a；

(3b)获取所述道路检测车的俯仰角θ和所述道路检测车车身的垂直加速度a₀，并对所述纵向加速度传感器的输出信号a按照下式进行修正：

a′＝[a+(a₀-g)sinθ]cogθ (3)

其中，a′为道路检测车纵向加速度的初步修正值，g为当地的重力加速度。

所述道路检测车纵向加速度的初步修正值a′中只包含真实的加速度项、地理趋势项和其他正弦噪声项。

步骤4，获取所述GPS模块输出的速度信息，根据所述速度信息消除所述道路检测车纵向加速度的初步修正值中的地理趋势项，得到再次修正后的纵向加速度值。

通过融合其他惯性传感器的信息而去除了纵向加速度传感器中因车身纵向加速度和车身俯仰所带来的噪声项，但校正后的加速度信号中依然包含地理趋势项B＝gsinβ，β为地面与海平面直接的夹角。由于该项的存在，会使得积分得到的速度估计中存在一个偏移量。由于地理趋势项为的变化缓慢，因此可以认为其值在一个较长的时间范围内为常数，偏置量理论上等于由纵向加速度信号积分得到的速度与GPS测得的速度之间的差值，因此可以利用第一卡尔曼滤波器(KF/Bias)对纵向加速度信号中的地理趋势项进行跟踪估计。

步骤4具体包括如下子步骤：

(4a)构造第一卡尔曼滤波器，所述第一卡尔曼滤波器的状态预测方程为：

B_k+1＝B_k (4)

y_3，k＝(u_gps，k-u_Int，k)/T₂+v₃ (5)

其中，B_k为所要去除的纵向加速度的初步修正值中的地理趋势项，u_gps为GPS模块输出的车速信息，u_Int为对纵向加速度的初步修正值a′积分计算得到的道路检测车纵向行驶速度估计值，即u_Int＝∑a′T₁，y_3，k为观测量，v₃为观测噪声，T₂为GPS模块的采用周期；

(4b)进而得到再次修正后的纵向加速度值a″：

a″_k＝a′_k-B_k (6)

再次修正后的纵向加速度值a″如图4所示。

判断是否到达GPS模块的采样时刻，然后采用不同的算法对采集到的信号进行融合，估计出车辆的纵向行驶速度。本实例中，加速度传感器的采样频率为400HZ，GPS更新频率为20HZ。由于GPS信号容易受到外界环境的屏蔽和干扰，因此必须分别考虑有GPS信号和GPS信号缺失情况下的算法。以下依据GPS信号是否出现长时中断，分别阐述不同的车辆行驶距离估计算法。

步骤5，根据所述行驶速度信息以及预先设置的卡尔曼滤波器对道路检测车的行驶速度进行估计，得到实时行驶速度估计值，对所述实时行驶速度估计值进行积分得到道路检测车的实时行驶距离。

步骤5具体包括如下子步骤：

(5a)设置GPS信号中断最大时长，若GPS模块无信号输出且无信号输出的状态持续时间小于GPS信号中断最大时长，则构造第二卡尔曼滤波器(KF/ACC)，所述第二卡尔曼滤波器的状态预测方程为：

${\left[\begin{array}{c}{\stackrel{\·}{x}}_1\\ {\stackrel{\·\·}{x}}_1\end{array}\right]}_{k+1}=\left[\begin{array}{cc}1& \mathrm{\τ}(1-e^{-\frac{T_1}{\mathrm{\τ}}})\\ 0& e^{-\frac{T_1}{\mathrm{\τ}}}\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_1\\ {\stackrel{\·\·}{x}}_1\end{array}\right]}_k+\left[\begin{array}{c}{T}_1-\mathrm{\τ}(1-e^{-\frac{T_1}{\mathrm{\τ}}})\\ 1-e^{-\frac{T_1}{\mathrm{\τ}}}\end{array}\right]{\stackrel{\·\·}{x}}_{1,k}+w_1---\left(7\right)$

$y_{1,k}=\left[\begin{array}{cc}0& 1\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_1\\ {\stackrel{\·\·}{x}}_1\end{array}\right]}_k+v_1---\left(8\right)$

其中，为道路检测车纵向行驶速度，为由纵向加速度传感器测得的道路检测车纵向加速度，T₁为纵向加速度传感器的采样周期，[·]_k中的下标k表示t_k时刻，τ表示机动时间常数，v₁表示纵向加速度传感器的观测误差，y_1，k表示纵向加速度传感器的观测量；

根据所述第二卡尔曼滤波器的状态预测方程计算得到实时行驶速度估计值，对所述实时行驶速度估计值进行积分得到道路检测车的实时行驶距离；

(5b)若GPS模块无信号输出且无信号输出的状态持续时间大于或者等于GPS信号中断最大时长，则构造第三卡尔曼滤波器(KF/ACC&GPS)，所述第三卡尔曼滤波器的状态预测方程为：

${\left[\begin{array}{c}{\stackrel{\·}{x}}_2\\ {\stackrel{\·\·}{x}}_2\end{array}\right]}_{k+1}=\left[\begin{array}{cc}1& \mathrm{\τ}(1-e^{-\frac{T_2}{\mathrm{\τ}}})\\ 0& e^{-\frac{T_2}{\mathrm{\τ}}}\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_2\\ {\stackrel{\·\·}{x}}_2\end{array}\right]}_k+\left[\begin{array}{c}{T}_1-\mathrm{\τ}(1-e^{-\frac{T_1}{\mathrm{\τ}}})\\ 1-e^{-\frac{T_1}{\mathrm{\τ}}}\end{array}\right]{\stackrel{\·\·}{x}}_{1,k}+w_2---\left(9\right)$

$y_{2,k}=\left[\begin{array}{cc}0& 1\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_2\\ {\stackrel{\·\·}{x}}_2\end{array}\right]}_k+v_2---\left(10\right)$

其中，y_2k为GPS模块输出信号的观测量，v₂为GPS模块的观测噪声；为GPS接收机估计得到的车辆速度参数，为GPS估计得到的车辆加速度参数；

根据所述第三卡尔曼滤波器的状态预测方程计算得到实时行驶速度估计值，对所述实时行驶速度估计值进行积分得到道路检测车的实时行驶距离。

设GPS的采样间隔为T₂。根据两个相邻的GPS采样时刻之间，即t_k和t_k+T₂之间的加速度信号，得到车辆在该时段内的实时加速度和速度的估计值。当达到t_k+T₂时刻后，依据公式(7)、(8)融合GPS和加速度传感器的信息，得到新的车辆状态参数估计值。

需要说明的是，如果检测到GPS信号中断，且中断时间超过设定的阈值，则此时无法依靠GPS提供的信息对纵向加速度传感器所测的车辆状态估计值进行及时校正。如果长时间不校正，则如图5所示，单由第二卡尔曼滤波器(KF/ACC)计算得到的速度估计与实际值之间将出现很大的偏差。这是由于加速度信号中的之流分量无法彻底去除干净，导致位移误差以时间的二次函数递增导致的。同时也表明，在GPS信号丢失时间较短时，利用加速度信号积分得到的行驶距离误差不大。为了在GPS信号长时间中断时对车辆状态参数进行校正，必须用其他具有绝对误差特性的速度传感器来替代GPS的功能。本发明利用车辆上原装的车速传感器来替代该功能。

利用原装的车速传感器(12)的实现算法流程与利用GPS(2)的算法流程基本相似。区别在于：利用原装的车速传感器需要在另一个卡尔曼滤波器KF/ACC&WHEEL中进行，该滤波器的公式描述与公式(9)、(10)一样，但是由于原装的车速传感器采样周期和误差分布与GPS不同，其中的参数不同。该部分的数学模型如下：

${\left[\begin{array}{c}{\stackrel{\·}{x}}_3\\ {\stackrel{\·\·}{x}}_3\end{array}\right]}_{k+1}=\left[\begin{array}{cc}1& \mathrm{\τ}(1-e^{-\frac{T_3}{\mathrm{\τ}}})\\ 0& e^{-\frac{T_3}{\mathrm{\τ}}}\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_3\\ {\stackrel{\·\·}{x}}_3\end{array}\right]}_k+\left[\begin{array}{c}{T}_1-\mathrm{\τ}(1-e^{-\frac{T_1}{\mathrm{\τ}}})\\ 1-e^{-\frac{T_1}{\mathrm{\τ}}}\end{array}\right]{\stackrel{\·\·}{x}}_{1,k}+w_3---\left(11\right)$

$y_{3,k}=\left[\begin{array}{cc}0& 1\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_3\\ {\stackrel{\·\·}{x}}_3\end{array}\right]}_k+v_3---\left(12\right)$

其中，T₃为汽车原装车速传感器的采样间隔；y_3，k为车速传感器在时刻t_k的观测量。

如果GPS信号未出现长时中断，系统就能够实时校正第二卡尔曼滤波器(KF/ACC)的状态参数，因此可以直接对得到的估计速度进行时域积分，得到车辆的行驶距离。如果系统检测到GPS信号出现较长时间的中断，则需要依据步骤5中的方法得到车辆行驶距离。在GPS信号良好的情况下，行驶距离的估计公式为：S_k+1＝S_k+u′_Int，k·T₁ (13)。

经过上述步骤，得到车辆的估计速度，得到的加速度、速度、位移曲线如图6所示。从图中可以看出，相比于图5所示的位移曲线结果，有GPS信号参与校正时的位移误差要小得多。尽管经过长时间积分后，误差依然有增大的趋势，但是由于系统隔一定距离就对积分结果清零，因此积分的误差不会无限增长，最终该误差对监测车路谱、路形的计算影响不会太大，并且可以通过对加速度传感器进行更精密的标定，从而进一步减小该误差。

步骤6，设定距离阈值，若所述道路检测车的实时行驶距离达到设定的距离阈值，则触发所述道路检测车进行路面路形检测。然后将在内存中的积分值归零，并进入下一个迭代过程。

本发明技术方案通过融合GPS模块、纵向加速度传感器、垂直加速度传感器、陀螺仪、车速传感器的输出信号，实时估计出车辆的纵向行驶速度，然后对纵向行驶速度积分得到车辆的行驶距离，最后根据该行驶距离判断是否触发检测车上的道路路形传感器，从而避免了因为轮胎滚动半径变化所造成的误差。同时，由于GPS模块、垂直加速度传感器、陀螺仪、车速传感器为传统道路检测车上的标配，本发明技术方案所涉及的装置只增加了一个纵向加速度传感器用于测量车辆纵向加速度，因此有利于降低检测车的制造成本。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种基于信息融合的道路检测车距离触发装置，用于为道路检测车进行路面路形检测提供触发信号，其特征在于，所述装置包括安装于道路检测车质心位置的陀螺仪和纵向加速度传感器；安装于道路检测车顶部的GPS模块，所述GPS模块中天线的轴线与道路检测车的横摆轴同轴；分别安装于道路检测车前后车轴上方的两个垂直加速度传感器；

所述陀螺仪用于测量道路检测车的俯仰角速度和侧倾角速度；所述纵向加速度传感器用于测量道路检测车的纵向加速度；所述垂直加速度传感器用于获取道路检测车质心的垂直加速度；

所述装置还包括4个A/D转换器，分别用于将陀螺仪的输出信号、纵向加速度传感器的输出信号、两个垂直加速度传感器的输出信号进行模数转换。

2.一种基于信息融合的道路检测车距离触发方法，应用于如权利要求1所述的距离触发装置，其特征在于，所述方法包括如下步骤：

步骤1，获取所述陀螺仪的输出信号，所述陀螺仪的输出信号至少包括道路检测车的俯仰角速度、侧倾角速度；对所述俯仰角速度进行积分得到道路检测车的俯仰角，对所述侧倾角速度进行积分得到道路检测车的侧倾角；

步骤2，获取两个垂直加速度传感器的输出信号，根据两个垂直加速度传感器的输出信号计算车身的垂直加速度；

步骤3，获取所述纵向加速度传感器的输出信号，根据所述道路检测车的俯仰角和所述车身的垂直加速度对所述纵向加速度传感器的输出信号进行修正，得到道路检测车纵向加速度的初步修正值；

步骤4，获取所述GPS模块输出的速度信息，根据所述速度信息消除所述道路检测车纵向加速度的初步修正值中的地理趋势项，得到再次修正后的纵向加速度值；

步骤5，根据所述行驶速度信息以及预先设置的卡尔曼滤波器对道路检测车的行驶速度进行估计，得到实时行驶速度估计值，对所述实时行驶速度估计值进行积分得到道路检测车的实时行驶距离；

步骤6，设定距离阈值，若所述道路检测车的实时行驶距离达到设定的距离阈值，则触发所述道路检测车进行路面路形检测。

3.根据权利要求2所述的一种基于信息融合的道路检测车距离触发方法，其特征在于，步骤2具体包括如下子步骤：

(2a)采集一个垂直加速度传感器的输出信号a₁和另一个垂直加速度传感器的输出信号α₂，并根据道路检测车的俯仰角θ和侧倾角确定两个垂直加速度的轴线与重力轴的夹角α：

(2b)采用下式对一个垂直加速度传感器的输出信号a₁和另一个垂直加速度传感器的输出信号a₂进行校正：

$\left\{\begin{array}{c}{a}_1^{\′}=a_2+g\cos \mathrm{\α}-\stackrel{\·\·}{\mathrm{\θ}}{L}_1\\ a_2^{\′}=a_2+g\cos \mathrm{\α}+\stackrel{\·\·}{\mathrm{\θ}}{L}_2\end{array}\right.---\left(2\right)$

其中，a′₁和a′₂为修正后的两个垂直加速度值；g为当地的重力加速度；为道路检测车的俯仰角加速度，该值通过对θ进行两次差分得到；L₁和L₂分别为道路检测车质心到前后车轴的纵向距离；

(2c)取a′₁和a′₂的平均值作为道路检测车车身的垂直加速度a₀＝(a′₁+a′₂)/2。

4.根据权利要求2所述的一种基于信息融合的道路检测车距离触发方法，其特征在于，步骤3具体包括如下子步骤：

(3a)获取所述纵向加速度传感器的输出信号a；

(3b)获取所述道路检测车的俯仰角θ和所述道路检测车车身的垂直加速度a₀，并对所述纵向加速度传感器的输出信号a按照下式进行修正：

a′＝[a+(a₀-g)sinθ]cosθ (3)

其中，a′为道路检测车纵向加速度的初步修正值，g为当地的重力加速度。

5.根据权利要求2所述的一种基于信息融合的道路检测车距离触发方法，其特征在于，步骤4具体包括如下子步骤：

(4a)构造第一卡尔曼滤波器，所述第一卡尔曼滤波器的状态预测方程为：

B_k+1＝B_k (4)

y_3，k＝(u_gps，k-u_Int，k)/T₂+v₃ (5)

其中，B_k为所要去除的纵向加速度的初步修正值中的地理趋势项，u_gps为GPS模块输出的车速信息，u_Int为对纵向加速度的初步修正值a′积分计算得到的道路检测车纵向行驶速度估计值，即u_Int＝∑a′T₁，y_3，k为观测量，v₃为观测噪声，T₂为GPS模块的采用周期；

(4b)进而得到再次修正后的纵向加速度值a″：

a″_k＝a′_k-B_k (6)

6.根据权利要求2所述的一种基于信息融合的道路检测车距离触发方法，其特征在于，步骤5具体包括如下子步骤：

(5a)设置GPS信号中断最大时长，若GPS模块无信号输出且无信号输出的状态持续时间小于GPS信号中断最大时长，则构造第二卡尔曼滤波器，所述第二卡尔曼滤波器的状态预测方程为：

$\begin{array}{cc}{\left[\begin{array}{c}{\stackrel{\·}{x}}_1\\ {\stackrel{\·\·}{x}}_1\end{array}\right]}_{k+1}=\left[\begin{array}{cc}1& \mathrm{\τ}\left(1-e^{-\frac{T_1}{\mathrm{\τ}}}\right)\\ 0& e^{-\frac{T_1}{\mathrm{\τ}}}\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_1\\ {\stackrel{\·\·}{x}}_1\end{array}\right]}_k+\left[\begin{array}{c}{T}_1-\mathrm{\τ}\left(1-e^{-\frac{T_1}{\mathrm{\τ}}}\right)\\ 1-e^{-\frac{T_1}{\mathrm{\τ}}}\end{array}\right]{\stackrel{\·\·}{x}}_{1,k}+w_1& \left(7\right)\\ y_{1,k}=\left[\begin{array}{cc}0& 1\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_1\\ {\stackrel{\·\·}{x}}_1\end{array}\right]}_k+v_1& \left(8\right)\end{array}$

其中，为道路检测车纵向行驶速度，为由纵向加速度传感器测得的道路检测车纵向加速度，T₁为纵向加速度传感器的采样周期，[·]_k中的下标k表示t_k时刻，τ表示机动时间常数，v₁表示纵向加速度传感器的观测误差，y_1，k表示纵向加速度传感器的观测量；

根据所述第二卡尔曼滤波器的状态预测方程计算得到实时行驶速度估计值，对所述实时行驶速度估计值进行积分得到道路检测车的实时行驶距离；

(5b)若GPS模块无信号输出且无信号输出的状态持续时间大于或者等于GPS信号中断最大时长，则构造第三卡尔曼滤波器，所述第三卡尔曼滤波器的状态预测方程为：

${\left[\begin{array}{c}{\stackrel{\·}{x}}_2\\ {\stackrel{\·\·}{x}}_2\end{array}\right]}_{k+1}=\left[\begin{array}{cc}1& \mathrm{\τ}\left(1-e^{-\frac{T_2}{\mathrm{\τ}}}\right)\\ 0& e^{-\frac{T_2}{\mathrm{\τ}}}\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_2\\ {\stackrel{\·\·}{x}}_2\end{array}\right]}_k+\left[\begin{array}{c}{T}_1-\mathrm{\τ}\left(1-e^{-\frac{T_1}{\mathrm{\τ}}}\right)\\ 1-e^{-\frac{T_1}{\mathrm{\τ}}}\end{array}\right]{\stackrel{\·\·}{x}}_{1,k}+w_2---\left(9\right)$

$y_{2,k}=\left[\begin{array}{cc}1& 0\end{array}\right]{\left[\begin{array}{c}{\stackrel{\·}{x}}_2\\ {\stackrel{\·\·}{x}}_2\end{array}\right]}_k+v_2---\left(10\right)$

其中，y_2k为GPS模块输出信号的观测量，v₂为GPS模块的观测噪声；为GPS接收机估计得到的车辆速度参数，为GPS估计得到的车辆加速度参数；

根据所述第三卡尔曼滤波器的状态预测方程计算得到实时行驶速度估计值，对所述实时行驶速度估计值进行积分得到道路检测车的实时行驶距离。