CN108773378B

CN108773378B - 一种基于移动终端的汽车行驶速度实时估计方法及装置

Info

Publication number: CN108773378B
Application number: CN201810784941.7A
Authority: CN
Inventors: 孙棣华; 赵敏; 程森林; 冯莲
Original assignee: Chongqing University
Current assignee: Liyang Smart City Research Institute Of Chongqing University
Priority date: 2018-07-17
Filing date: 2018-07-17
Publication date: 2021-01-01
Anticipated expiration: 2038-07-17
Also published as: CN108773378A

Abstract

本发明公开了一种基于移动终端的汽车行驶速度实时估计方法，包括：获取加速度传感器的X轴数据和Y轴数据以及陀螺仪的X轴数据，通过加速度传感器的X轴数据得到带有重力分量的车辆行驶加速度；通过加速度传感器的Y轴数据得到道路坡度，通过陀螺仪的X轴数据得到道路坡度；对加速度传感器和陀螺仪采集到的数据进行融合，得到矫正后的加速度与最优坡度估计值，根据矫正后的加速度得到汽车的真实加速度；对汽车的真实加速度进行积分，得到汽车的行驶速度。本发明利用移动终端的内嵌传感器实现对车辆行驶加速度、速度实时估计，用于评估驾驶员驾驶行为的绿色程度，从而帮助驾驶员养成绿色的驾驶习惯，减少燃油消耗。

Description

一种基于移动终端的汽车行驶速度实时估计方法及装置

技术领域

本发明属于智能汽车领域，具体涉及一种基于移动终端的汽车行驶速度实时估计方法及装置。

背景技术

随着汽车保有量的迅速增加，能源消耗越来越大。统计研究表明，除去车辆自身性能的影响外，在影响燃油消耗的外部因素中，驾驶行为习惯大约占46％。因此评估驾驶员驾驶行为的绿色程度，从而帮助驾驶员养成绿色的驾驶习惯具有重要的研究意义。而实现绿色驾驶行为评估需要实时获取一些关键参数，主要包括：车辆行驶加速度、速度、油耗等。

目前，获取这些关键参数的方法一般是通过OBD接口从汽车CAN总线上采集。但是OBD最大的问题在于没有标准接口和数据，一方面，不同品牌和款式的车私有协议不统一，要想获取车辆行驶数据，需要一一破解特定车型的私有协议。另一方面，车厂往往隔一段时间就会更换协议，需要重新破解，而且出于安全性考虑，车厂都不愿意公开自己的私有协议，这为数据的提取带来了困难，而且需要加装额外的设备，成本较高，较为繁琐。

目前市面上常见的一些OBD设备，像优驾，图吧车载智能盒子，通过蓝牙连接能够在手机上实时显示汽车状态数据，但没有开放数据接口，无法提取出数据，不便于绿色驾驶研究。其他一些汽车厂商自主研发的OBD设备，虽然可以实时获取到汽车状态数据，但只针对该厂商车型，适用性较差。

随着智能移动终端的广泛普及，手机已经成为当前消费类电子领域的热门产品。如果使用手机中内嵌的传感器来检测车辆行驶数据，就不用额外加装OBD设备，可以节约成本，而且简单方便。

在基于移动终端估计车辆行驶加速度、速度、油耗的现有技术中，专利申请CN104575004A先通过对加速度传感数据积分得到速度，然后监控传感器数据获取参考点(车辆停止、转弯、经过颠簸路面)，并估算出两个参考点之间的加速度误差，进而修正速度估计累积误差。专利申请CN105092892A采用小波分析方法对加速度传感器数据进行去噪处理以提高精度，并通过计算旋转矩阵使手机坐标系与车辆坐标系重合，解决了数据采集过程中需将移动终端固定在车上的问题。

然而加速度传感器获取的数据是运动加速度和重力加速度合成的叠加值，当汽车处于上下坡或路面颠簸时，通过传感器测量到的车辆行驶加速度会因为重力分量的影响而产生较大的误差。上述两种方法中，均未对加速度传感器数据的重力分量进行处理，加速度、速度估计精度仍有待提高。此外，目前利用手机传感器估计车辆油耗的研究还较少，而且由于道路坡度信息难以实时获取，现有的油耗模型大多未考虑道路坡度的影响。

发明内容

本发明的目的是提出一种基于移动终端的汽车行驶速度实时估计方法，该方法利用移动终端的内嵌传感器实现对车辆行驶加速度、速度的实时估计。与此同时，本发明还提出一种基于移动终端的汽车行驶速度估计装置。

本发明的目的是通过以下技术方案来实现的：本发明提供一种基于移动终端的汽车速度实时估计方法，所述移动终端具有加速度传感器和陀螺仪，该方法包括以下步骤：

步骤1.获取加速度传感器的X轴数据和Y轴数据以及陀螺仪的X轴数据，通过加速度传感器的X轴数据得到带有重力分量的车辆行驶加速度；

步骤2.通过加速度传感器的Y轴数据得到道路坡度θ_a，通过陀螺仪的X轴数据得到道路坡度θ_t；利用卡尔曼数据融合方法对加速度传感器和陀螺仪采集到的数据进行融合，得到矫正后的加速度a与最优坡度估计值θ，根据矫正后的加速度a得到汽车的真实加速度a_car；

步骤3.对汽车的真实加速度a_car进行积分，得到汽车的行驶速度V_car(T)。

进一步，该方法还包括步骤4.对汽车的行驶速度V_car(T)进行离散化处理。

进一步，该方法还包括步骤5.根据传感器数据特征识别出参考点对行驶速度进行矫正，所述参考点包括静止和转弯。

本发明的另一目的是通过以下技术方案来实现的：一种基于移动终端的汽车行驶速度估计装置，所述移动终端具有加速度传感器和陀螺仪，该装置包括：

数据采集模块，用于获取加速度传感器的X轴数据和Y轴数据以及陀螺仪的X轴数据，并通过加速度传感器的X轴数据得到带有重力分量的车辆行驶加速度；

道路坡度计算模块，用于通过加速度传感器的Y轴数据得到道路坡度θ_a以及用于通过陀螺仪的X轴数据得到道路坡度θ_t；

数据融合模块，利用卡尔曼数据融合方法对加速度传感器和陀螺仪采集到的数据进行融合，得到矫正后的加速度a与最优坡度估计值θ，根据矫正后的加速度a得到汽车的真实加速度a_car；

积分模块，对汽车的真实加速度a_car进行积分，得到汽车的行驶速度V_car(T)。

进一步，该装置还包括离散化模块，用于对汽车的行驶速度V_car(T)进行离散化处理。

进一步，该装置还包括矫正模块，用于根据传感器数据特征识别出参考点对行驶速度进行矫正，所述参考点包括静止和转弯。

由于采用了上述技术方案，本发明具有如下的优点：

本发有基于移动终端实现对汽车加速度、速度进行实时估计。首先，利用陀螺仪不易受运动加速度影响，在短时间内测量准确性高，而加速度传感器在惯性状态下利用重力测量倾角无累积误差的特点，通过自适应卡尔曼数据融合滤波算法估计出最优的坡度估计值，并对传感器数据噪声进行自适应滤波，进而去除加速度的重力分量，减少噪声误差，得到更为精确的车辆行驶加速度。估计得到的这些参数可用于评估驾驶员驾驶行为的绿色程度，从而帮助驾驶员养成绿色的驾驶习惯，减少燃油消耗。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1示出了车辆坐标系和手机坐标系示意图；

图2示出了汽车上坡时的受力分析图；

图3示出了汽车转弯时的受力分析图；

图4示出了本发明的流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1至图4。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明通过数据采集APP采集手机传感器数据，然后运用自适应卡尔曼数据融合滤波算法实现对道路坡度的实时估计以及对动态噪声干扰的自适应滤波。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。

如图4所示，本发明提供一种基于移动终端的汽车速度实时估计方法，该方法包括以下步骤：

将手机固定放置于车内，使手机坐标系与汽车坐标系一致(当手机被随意放置与车辆坐标系不一致时，可以使用坐标重定向算法使手机坐标与车辆坐标一致)，通过手机传感器采集软件获取数据。具体地，采集的数据包括加速度传感器的X轴数据和Y轴数据以及陀螺仪的X轴数据。

假设加速度传感器的Y轴沿着车辆行驶方向(如附图2)，那么可以通过读取加速度传感器Y轴数据获取到带有重力分量的车辆行驶加速度；陀螺仪X轴数据和加速度传感器X轴数据可以用于坡度估计。

步骤2：基于传感器数据构建自适应卡尔曼数据融合滤波模型，得到较为精确的车辆行驶加速度。

步骤21：通过加速度传感器的Y轴数据得到道路坡度θ_a，通过陀螺仪的X轴数据得到道路坡度θ_t，然后在滤波器中进行数据融合，并对动态噪声干扰进行自适应滤波，从而得到最优的道路坡度估计值θ和经过滤波矫正后的加速度值a。

具体地，当汽车处于匀速行驶状态时，运动加速度为0。此时，根据重力加速度在三轴上的分量，利用三角函数间的关系可以准确地估算出道路坡度。但当汽车处于变速行驶状态时，加速度传感器测量到的值为重力加速度和运动加速度的矢量和，从而导致利用加速度传感器估计的道路坡度存在偏差。通过对陀螺仪传感器X轴测量的角速度进行时间积分，可得到道路坡度值，而且其不受运动加速度的影响，但陀螺仪传感器存在累积误差，会影响坡度估计的准确性。

因此，利用陀螺仪不易受运动加速度影响，在短时间内测量准确性高，而加速度传感器在惯性状态下利用重力测量倾角无累积误差的特点，通过融合陀螺仪和加速度传感器数据可得到最优的道路坡度估计值。

本发明基于简化的Sage-Husa卡尔曼自适应滤波器进行数据融合，传感器测量噪声协方差R可通过实验统计得到，而系统的动态过程噪声难以确定，因此对过程噪声协方差Q进行自适应估计更新。

常规下线性离散卡尔曼滤波的状态方程和观测方程描述的表达式为

其中，X(k)是指状态变量，Y(k)是系统输出，A为状态转移矩阵，H为测量矩阵，w(k)和v(k)分别为过程噪声和测量噪声。

以陀螺仪测量角度θ_t、加速度传感器Y轴数据a_y、加速度传感器的Y轴数据得到道路坡度θ_a以及Δt内陀螺仪测量的角度变化Δθ_t为系统的状态向量，可得到相应的状态方程和观测方程：

其中，θ_a＝-arcsin(a_y/g)；θ_t＝θ_t0+Δθ_t，θ_t0为初始角度，Δθ_t可通过对陀螺仪X轴数据积分得到；w_a(k)为加速度传感器的过程噪声，其协方差为q_a(k)；w_t(k)为陀螺仪的过程噪声，其协方差为q_t(k)；v(k)为加速度传感器和陀螺仪融合数据的测量噪声，其协方差为r(k)；v_a(k)为加速度传感器的测量噪声，其协方差为r_a。

Y(k)为系统观测值，一个由陀螺仪测量角度和加速度传感器测量角度按权值1-c(k)和c(k)相加合成；另一个是加速度传感器Y轴实际测量值。

假定用Δa表示运动加速度对通过加速度传感器进行坡度估计的影响大小，采用加速度传感器测量的三轴合成矢量模|a|和重力加速度g常量的相对偏差对其进行估计，定义Δa＝|a-g|/g，然后根据Δa来动态调整加速度传感器测量坡度值θ_a在数据融合中的权值c。

在Δa较大时，θ_a的权值c越小，而θ_t的权值1-c就越大，此时增大卡尔曼滤波对陀螺仪传感器测量值的信任度，以此来减小汽车处于变速状态时通过加速度传感器测量的坡度估计值误差；在Δa较小时，θ_a的权值c越大，而θ_t的权值1-c就越小，此时增大卡尔曼滤波对加速度传感器测量值的信任度，以此来减小陀螺仪传感器测量道路坡度的累积误差。通过不断调整θ_a和θ_t的权值，从而达到加速度传感器和陀螺仪测量道路坡度相互校正的效果，进而得到较为精确的道路坡度值，c的计算公式如下：

利用上一时刻状态预测当前时刻状态为：

式中：

是上一时刻的最优估计值；

利用当前状态预测值进一步预测当前时刻的测量值为：

式中：

为当前时刻的状态预测值；

预测出的测量值与实际测量值之间的预测误差为：

式中：Y(k)为实际测量值；

接下来更新协方差P(k|k-1)和系统增益Kg(k)：

P(k|k-1)＝AP(k-1|k-1)A^T+Q(k-1) (7)

Kg(k)＝P(k|k-1)H^T(k)[H(k)P(k|k-1)H^T(k)+R(k)]^-1 (8)

式中：R(k)为当前时刻的测量噪声协方差阵，Q(k-1)为上一时刻的过程噪声协方差阵。

R(k)本身不进行实时估计更新，但由于权值(c 1-c(k))的动态调整，使得加速度传感器和陀螺仪融合数据的测量噪声是一个非平稳随机过程，r(k)具有时变性。当c≠0时，加速度传感器对坡度估计存在影响因子，陀螺仪的测量噪声被加速度传感器有效抑制，此时认为系统测量噪声仅为加速度传感器的测量噪声；而当c＝0时，加速度传感器对坡度估计的影响因子为零，陀螺仪的累积误差没有被有效抑制，随着累积次数的增加，陀螺仪的累积噪声不断增大，则r(k)也逐渐增大。具体可表示为：

式中：r_a为加速度传感器的测量噪声协方差；Δr为陀螺仪累积一次的测量噪声协方差增量。

Q(k)可由下式估计得到：

Q(k)＝(1-d(k))Q(k-1)+d(k)[Kg(k)e(k)e(k)^T+AP(k|k)A^T] (11)

式中：

d(k)＝(1-b)/(1-b^k+1) (12)

b为遗忘因子，通常取值为0.95～0.99之间；

根据式(2)～式(12)的计算结果，然后按照式(13)更新系统的状态变量和协方差矩阵，再重复进行后验估计，周而复始，卡尔曼增益迅速收敛，从而找到加速度传感器和陀螺仪传感器最优的估计值X(k|k)。

经过自适应卡尔曼滤波矫正后的加速度为a＝a_y(k|k)；最优坡度估计值为：θ＝(1-c(k))θ_t(k|k)+c(k)θ_a(k|k)。自适应卡尔曼滤波器的初始化参数如表1所示：

表1自适应卡尔曼滤波器的初始化参数

步骤22：由道路坡度求出Y轴上的重力分量，并将滤波后的加速度除去重力分量，得到汽车的真实加速度。

如附图3所示，根据道路坡度值可由下式计算出重力在Y轴上的分量g_y：

g_y＝gsinθ (11)

进而可以去除加速度的重力影响，得到汽车的真实加速度a_car：

a_car＝a+g_y (12)

步骤3：基于加速度估计车辆速度，并在参考点处对速度进行矫正。

步骤31：通过对加速度积分，得到汽车的行驶速度。

通过步骤2得到了汽车的真实加速度a_car后，汽车行驶速度就能够通过对加速度随时间的积分计算得到：

其中，V_car(T)为T时刻的汽车速度；V_car(0)为初始速度，汽车由静止状态开始运行，因此V_car(0)为0；a_car(t)是每个时刻t的车辆加速度函数。

由于汽车加速度是通过特定的采样率采集得到，因此可将a_car(t)离散化，车辆速度计算公式可转换为：

其中：k为加速度传感器的采样率，a_car(i)为根据采样值得到的第i个车辆行驶加速度值。

步骤32：根据传感器数据特征识别出参考点(停止、转弯)，进一步矫正速度，提高估计精度。

汽车处于停止状态时，速度为0；而转弯时速度可由陀螺仪数据计算得到，在这些参考点处对速度进行矫正(停止状态下将速度矫正为0，转弯状态下先基于陀螺仪和加速度传感器数据计算出速度，再将积分得到的速度矫正为重新计算的速度)，以消除累积误差，进一步提高估计精度。

①、由于车辆在停止和行驶状态下，加速度传感器Z轴数据特征具有较大的差异，因此可以设置一个1s的滑动窗口，计算加速度传感器Z轴数据的幅值均值和幅值标准差作为数据特征，基于统计信息确定阈值，以此来判定汽车是否处于停止状态。

②、如附图4所示，汽车转弯时,其行驶的路线接近一个圆弧，汽车会受到一个向心力，与其速度，角速度和转弯半径有关。车辆的向心加速度可以通过加速度传感器的X轴数据得到，而车辆的角速度可以通过陀螺仪Z轴数据获取，因此，可根据下式(15)推算出车辆的速度。当汽车转弯时，陀螺仪测量到的角速度会发生明显的变化，因此可以通过监测陀螺仪Z轴数据判别转弯状态，阈值可基于统计信息确定。

其中：a_x为车辆的向心加速度；w_z为车辆的角速度。

本发明还提供一种基于移动终端的汽车行驶速度估计装置，所述移动终端具有加速度传感器和陀螺仪，该装置包括：

于本实施例中，该装置还包括离散化模块，用于对汽车的行驶速度V_car(T)进行离散化处理。

于本实施例中，该装置还包括矫正模块，用于根据传感器数据特征识别出参考点对行驶速度进行矫正，所述参考点包括静止和转弯。

于本实义施例中，数据采集模块、道路坡度计算模块、数据融合模块、积分模块、离散化模块以及矫正模块功能的实现都可以通过前述的方法实现，此处不再进行重复。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims

1.一种基于移动终端的汽车行驶速度实时估计方法，所述移动终端具有加速度传感器和陀螺仪，其特征在于，该方法包括以下步骤：

根据道路坡度值计算出重力在Y轴上的分量g_y：

g_y＝gsinθ

进而去除加速度的重力影响，得到汽车的真实加速度a_car：

a_car＝a+g_y

2.根据权利要求1所述的一种基于移动终端的汽车行驶速度实时估计方法，其特征在于，该方法还包括步骤4.对汽车的行驶速度V_car(T)进行离散化处理。

3.根据权利要求2所述的一种基于移动终端的汽车行驶速度实时估计方法，其特征在于，该方法还包括步骤5.根据传感器数据特征识别出参考点对行驶速度进行矫正，所述参考点包括静止和转弯。

4.一种基于移动终端的汽车行驶速度估计装置，所述移动终端具有加速度传感器和陀螺仪，其特征在于，该装置包括：

根据道路坡度值计算出重力在Y轴上的分量g_y：

g_y＝gsinθ

进而去除加速度的重力影响，得到汽车的真实加速度a_car：

a_car＝a+g_y

5.根据权利要求4所述的一种基于移动终端的汽车行驶速度估计装置，其特征在于，该装置还包括离散化模块，用于对汽车的行驶速度V_car(T)进行离散化处理。

6.根据权利要求5所述的一种基于移动终端的汽车行驶速度估计装置，其特征在于，该装置还包括矫正模块，用于根据传感器数据特征识别出参考点对行驶速度进行矫正，所述参考点包括静止和转弯。