CN112188386A - 一种基于etc信号强度的车辆定位方法 - Google Patents

Abstract

本发明公开一种基于ETC信号强度的车辆定位方法，属于车辆定位技术领域，包括如下步骤：带有车载OBU的车辆在行驶过程中，OBU与路边设置的RSU设备进行实时通信，采集t时刻RSU设备向OBU发送的RSS值P_t(d_t)，并根据通信数据得到此时与车辆进行通信的RSU设备的编号i；步骤2，根据路径损耗模型，计算得到此时车辆与RSU之间的距离d_t；步骤3，根据第i台RSU设备的坐标(x_i,y_i)，以及车辆此时的航向角θ，结合车辆与第i台RSU之间的距离d_t，得到此时车辆位置坐标(x_t,y_t)。此种定位方法可充分利用当前高速公路ETC收费龙门架RSU与车载OBU ETC收费模块通信信号强度，从而实现在V2X环境下的车辆精确定位。

Description

一种基于ETC信号强度的车辆定位方法

技术领域

本发明属于车辆定位技术领域，特别涉及一种基于ETC信号强度的车辆定位方法。

背景技术

当前高速公路环境下的车辆定位技术主要采用GNSS技术、传感测距技术和高精度地图，其中，基于导航卫星的定位技术往往结合误差校正技术，例如RTK差分定位技术，从而提升定位精度，但是RTK差分基站由于在高速公路环境下覆盖密度稀疏问题、隧道信号丢失问题易导致定位精度低、定位效果差等问题。

传感测距技术通常采用激光雷达、毫米波雷达、视觉传感器等先进的环境感知设备，通过发射探测信号，结合复杂的点云数据、图像数据处理算法实现目标的相对位置检测，配合路网固定参照物坐标数据，实现车辆位置检测；高精度地图是对路网数字化信息的描述，包括车道属性、POI属性等，通过地图匹配算法可以获取道路属性信息，从而确定车辆在路网中的相对位置；但是，环境感知与高精度地图由于装备成本高昂，该方案主要针对高等级智能汽车定位与目标检测使用，普通车辆适用度低。

因此，综合考虑定位性能及建设、使用成本问题，现有方法对于高速公路环境下的车辆定位对存在不足之处，需要提出满足车道级定位精度需求、高速公路全域环境可无差别使用、适用度较高的定位方法，本案由此产生。

发明内容

本发明的目的，在于提供一种基于ETC信号强度的车辆定位方法，其可充分利用当前高速公路ETC收费龙门架RSU与车载OBU ETC收费模块通信信号强度，从而实现在V2X环境下的车辆精确定位。

为了达成上述目的，本发明的解决方案是：

一种基于ETC信号强度的车辆定位方法，包括如下步骤：

步骤1，带有车载OBU的车辆在行驶过程中，OBU与路边设置的RSU设备进行实时通信，采集t时刻RSU设备向OBU发送的RSS值P_t(d_t)，并根据通信数据得到此时与车辆进行通信的RSU设备的编号i；

步骤2，根据路径损耗模型P_t(d_t)＝K_i-10*ε_i*lg(d_t)+χ_p，计算得到此时车辆与RSU之间的距离d_t；其中，K_i、ε_i为第i台RSU设备对应的系数，χ_p是一个随机变量，表示接收信号强度的噪声；

步骤3，根据第i台RSU设备的坐标(x_i,y_i)，以及车辆此时的航向角θ，结合车辆与第i台RSU之间的距离d_t，得到此时车辆位置坐标(x_t,y_t)。

上述步骤2中，获取第ε_i台RSU设备对应的系数K_i、ε_i的方法是：

步骤A1，带有车载OBU的车辆由远及近向第ε_i台RSU设备行驶，采集在行驶过程中，车辆与RSU设备距离为d_j时对应的一组RSS值；

步骤A2，对步骤A1中的一组RSS值进行滤波处理，并区分晴天状态和雨天状态，从而得到分别在晴天状态和雨天状态下d_j与P_j的对应数据；

步骤A3，根据P_j(d_j)＝K_i-10*ε_i*lg(d_j)+χ_p，分别代入晴天状态和雨天状态下d_j与P_j的对应数据，拟合分别得到晴天状态和雨天状态下的K_i、ε_i。

上述步骤A1的具体内容是：将带有车载OBU的车辆由距离第ε_i台RSU设备200m处开始采集，在200-100m范围区间，每隔10m采集一个对应的RSS值；在100-50m范围区间，每隔5m采集一个对应的RSS值；在50-20m范围区间，每隔2m采集一个对应的RSS值；在20-0m范围区间，每隔1m采集一个对应的RSS值；在每个采集点采集10次RSS值。

上述步骤A1中，车辆与RSU设备之间的距离值通过实际测量的方式，或者通过车辆与RSU设备的GPS坐标位置间接获取。

上述步骤A1中，采用亚米级GPS接收器确定车辆及RSU设备的GPS坐标位置，车辆与RSU设备的GPS坐标位置均通过Xshell远程登录RSU设备读取，并通过重定向指令将相应数据另存为log文件保存在车载OBU中，最后通过WinSCP软件，将保存有GPS数据以及RSS数据的log文件进行远程复制而得到。

上述步骤A2中，采用高斯滤波方法对步骤A1中的一组RSS值进行滤波处理，设该组RSS值为RSS₁,…,RSS_n，则有：

将RSS值出现概率大于0.6的区域范围设置为高概率出现区域，则RSS值的出现概率大于0.6时，其值的范围为[0.15σ+u≤x≤3.09σ+u]，即经过高斯滤波处理后的RSS值范围。

上述步骤3后，还根据t时刻车辆位置坐标(x_t,y_t)估计车辆在t+Δt时刻的位置坐标(x_t+Δt,y_t+Δt)：

其中，

其中，v为车辆此时的车速。

采用上述方案后，本发明的有益效果是：

(1)本发明充分利用当前高速公路ETC收费系统中RSU设备与车载OBU设备，在不借助其它任何先进传感设备的前提下，满足高速公路车道级定位的性能需求；

(2)本发明解决不同天气环境下基于ETC信号强度的模型标定与参数拟合问题，从而建立基于ETC信号强度的测距模型。

附图说明

图1是本发明的流程图；

图2是晴天环境下的拟合结果；

图3是雨天环境下的拟合结果；

图4是航位推算示意图；

图5是当地水平坐标系及地心地固坐标系示意图；

图6是车体坐标系示意图；

图7是应用本发明进行定位的示意图。

具体实施方式

以下将结合附图，对本发明的技术方案及有益效果进行详细说明。

由于车辆行驶环境的复杂性，尤其是当车辆行驶在高楼林立的城市区域以及隧道等环境下，GPS信息往往会处于失效状态。在车联网环境下，无法获取车辆的位置，很多应用将无法正常使用。因此，在这种情况下，有必要利用其它数据对车辆位置进行定位。本发明在不增加额外设备的前提下，利用OBU与RSU设备之间通信的RSS数据，提出一种基于RSU辅助的RSS定位方法，对网联车位置进行估计。

本发明提供的应用于网联环境下基于RSU辅助的RSS定位方法，利用智能网联设备之间的V2I通信获取的RSS值，通过标定的路径损耗模型，对OBU与RSU之间的距离进行估计，并通过这个距离，以及RSU的固定坐标位置，对OBU即待定位网联车辆的位置进行估算，以实现在无GPS信号或GPS信号弱的环境下，对车辆进行定位的目的。本发明提出一种结合RSS数据以及航位推算(Dead Reckoning,DR)的车联网定位算法，对未知位置的车辆进行定位。

本发明提出的基于RSS以及DR的车联网定位方法，区别于传统基于RSU辅助的定位方法。首先，该定位方法只需要1台RSU设备即可完成，而传统的基于RSS测距的车联网定位方法，至少需要3台RSU设备，对车辆位置进行限定，大大降低了对RSU部署数量以及分布均匀性的依赖；其次，一般的DR定位方法，需要获得车辆的初始位置，在无GPS信号的情况下，定位能力以及适用性将下降。而本发明提出的定位方法依赖RSU的固定位置推算车辆位置，无需事先获取车辆初始位置。

本发明提供一种基于ETC信号强度的车辆定位方法，配合图1所示，包括如下步骤：

步骤1，通过前期试验，对路径损耗模型进行标定，确定道路侧各安装在龙门架上的RSU设备所对应的系数；

对于不同的交叉口，不同的道路环境，由于其环境不完全相同，且有不同的外界信号干扰，若不同地点选用相同参数的路径损耗模型，就会产生很大的误差。因此，首先需要对本发明应用环境下的路径损耗模型进行标定，使经过该模型计算的RSU与OBU之间的距离与设备之间的真实距离更为接近，从而提高车联网环境下车辆定位的精度与准确性。在本实施例中，选用对数损耗模型对路径损耗模型进行标定，并对模型参数K与ε对信号传播距离的敏感性进行相应分析。

1)RSS数据采集

为了对路径损耗模型进行标定，需要在车联网环境中采集不同距离下OBU接收RSU信号的RSS值。在实际情况下，同一处位置会分别在道路两侧安装一台RSU设备，每台RSU均配备有GPS模块和ETC信号接收天线。为了排除其它设备的信号干扰，在数据采集过程中，关闭该位置附近范围的其余所有RSU设备，且对于该位置处的两台RSU，保留一台RSU正常工作，关闭另一台RSU。设定沿途各位置处在数据采集时工作的RSU分别是I₁,I₂,…。

车辆在道路上行驶的过程中，车载OBU设备与途经的RSU设备进行V2X通信，采集车辆与RSU在不同距离时二者进行V2X通信的RSS数据，用于进行后续运算。

在本实施例中，当需要标定某RSU设备对应的参数时，首先关闭附近的其余所有RSU设备，安装有OBU设备的车辆从距离RSU设备I₁200m处开始行驶，在200-100m范围区间内，每隔10m采集一次RSS值；在100-50m范围区间内，每隔5m采集一次RSS值；在50-20m范围区间内，每隔2m采集一次RSS值；在20-0m范围区间内，每隔1m采集一次RSS值；并且为了采集数据的准确性，在每个位置采集10次数据取平均值作为对应位置的RSS值。

采集RSS值的具体方法是：使用笔记本电脑连接OBU设备产生的WIFI信号，使用远程登录软件Xshell登录到OBU内置的Linux系统，读取OBU设备接收到的来自RSU设备的RSS值，并通过重定向指令将数据另存为log文件保存在OBU设备中。每一条RSS数据包含两个天线(RSSI Ant 1以及RSSI Ant 2)的RSS值，这是因为RSU以及OBU配备了两个ETC天线。为了减少不必要的数据干扰，本实施例仅选用RSSI Ant 1天线接收到的信号强度值作为采集到的数据，用于路径损耗模型的标定。

而对于OBU与RSU之间的距离值，可以通过实际测量的方式，也可以通过OBU与RSU的GPS坐标位置间接获取，为了提高测量精度，本实施例采用亚米级GPS接收器采集数据。RSU设备的GPS位置点坐标可通过Xshell远程登录RSU设备读取，OBU设备的实时位置采用与RSU设备同样的方式，通过笔记本电脑读取，并通过重定向指令将相应数据另存为log文件保存在OBU设备中。最后通过WinSCP软件，将保存有GPS数据以及RSS数据的log文件远程复制到笔记本电脑。

另外，由于在不同天气条件下，信号随距离衰减的速度不同，因此在本实施例中，区分晴天与雨天两种环境分别采集RSS-距离数据。

2)RSS数据预处理

在实际环境中，RSS数据的值容易受路径衰减、遮挡以及多径效应影响，会产生一定小范围的随机性波动，并且有时也会出现异常值。为了减小这种波动对于数据的影响，一般需要对采集到的RSS数据进行预处理，从而提高路径损耗模型参数标定的准确性，对于提高基于RSS测距的定位方法精度具有积极意义。

高斯滤波方法的数据处理基本原理是：对于在相同位置点接收到的来自RSU信号的n个RSS值而言，存在一些值出现的概率很小的情况，即某些RSS值出现的频率非常小，高斯滤波方法利用这一特点，拒绝使用小概率出现的RSS值，而选用高概率发生区域的RSS值，对这些选定的RSS值进行几何平均计算以获取最终用于路径损耗模型标定的RSS值。高斯分布函数表达式如下式：

式中，

根据高斯滤波方法使用的一般经验，往往将RSS值出现概率大于0.6的区域范围设置为高概率出现区域，即要求0.6≤f(x)≤1。通过上述公式计算可知，当RSS值的出现概率大于0.6时，其值的范围为[0.15σ+u≤x≤3.09σ+u]，即经过高斯滤波处理后的RSS值范围。其中，计算σ以及u值的公式如下式：

高斯滤波方法能够减少一些因为环境干扰而导致的小概率事件对整体样本数据测量的影响，从而提高路径损耗模型标定的准确性与可靠性，最终提高RSS测距以及车辆定位的精度。

3)晴天路径损耗模型参数标定

本小节基于晴天天气情况下实车实验测量的RSS数据，对该环境下的路径损耗模型进行拟合标定。数据用于标定前通过高斯滤波方法剔除了小概率出现的RSS数据。预处理后的RSS-距离数据如表1所示。

表1

对数损耗模型的标定通过Matlab软件自带的曲线拟合工具(CFT,Curve FittingTool)实现。拟合结果如图2所示，可以看出RSS与传播距离的关系能够用对数路径损耗模型较好地拟合。

拟合得到结果为K＝-39.18，ε＝1.213，相关系数R²为0.9415，均方根误差RMSE为1.598。因此晴天天气环境下的路径损耗模型如式(4)所示：

P(d)＝-39.18-12.13lg(d)+χ_p (4)

其中，P(d)为进行5G V2X通信的智能网联设备之间距离为d时对应的接收信号强度(RSS)值；χ_p是一个随机变量，表示接收信号强度的噪声，一般认为其服从高斯分布，

利用拟合后的晴天对数路径损耗模型，可以在天气为晴天时，基于RSS值计算RSU与OBU之间的距离，并将此距离用于ETC信号环境下的车辆定位。

4)雨天路径损耗模型参数标定

不同天气下信号传播衰减的特性不同，因此晴天状态下的路径损耗模型并不适用于雨天。若对于雨天环境下的路径损耗模型不进行单独地标定，将导致RSS测距失效，影响车辆定位。基于此，本小节基于雨天天气情况下实车实验测量的RSS数据，对该环境下的路径损耗模型进行拟合标定。数据用于标定前同样通过高斯滤波方法剔除了小概率出现的RSS数据。预处理后的RSS-距离数据如表2所示。

表2

对数损耗模型的标定同样通过Matlab软件自带CFT工具实现。拟合结果如图3所示，由图中可知，在雨天环境下，随着传播距离的增加，信号衰减速度快于晴天环境下的衰减速度，且在雨天环境下的RSS数据波动也相较于晴天环境较大。雨天路径损耗模型的拟合效果不如晴天的效果好，因此在基于RSS测距的车辆定位精度方面，雨天下的精度会相较于晴天略低。

拟合得到结果为K＝-49.28，ε＝0.7057，相关系数R²为0.6165，均方根误差RMSE为2.574。因此雨天天气环境下的路径损耗模型如式(5)所示：

P(d)＝-49.28-7.057lg(d)+χ_p (5)

其中，P(d)为进行5G V2X通信的智能网联设备之间距离为d时对应的接收信号强度(RSS)值；χ_p是一个随机变量，表示接收信号强度的噪声，一般认为其服从高斯分布，

利用拟合后的雨天对数路径损耗模型，可以在天气为雨天时，基于RSS值计算RSU与OBU之间的距离，并将此距离用于车联网环境下的车辆定位，扩展了基于RSS测距的定位方法的应用场景。

步骤2，基于OBU与RSU设备之间通信的RSS数据，利用航位推算(Dead Reckoning,DR)算法估算车辆的位置。

1)DR理论

航位推算算法是基于已知当前时刻位置的条件下，根据测量得到的车辆移动距离以及方向，推算下一时刻的车辆位置的定位算法。因此，实现航位推算，必不可少的数据为单位时间车辆行驶的距离以及运动方向角参数。在车联网环境下，单位时间内运动的距离，即车辆实时运动速度，以及车辆航向角可通过OBU设备连接车载自诊断系统(On-BoardDiagnostics,OBD)，也可通过连接CAN总线获取。

航位推算算法理论如图4所示。假设网联车的初始方向角为θ₀，初始位置坐标为(x₀,y₀)，初始速度为v₀，则下一时刻的位置点(x₁,y₁)则可根据以上信息推算得到。以此类推，下一个位置点的坐标均可以根据上一个点的坐标以及速度方向角等信息推算得到。t_k时刻的网联车辆位置(x_k,y_k)可由式(6)推得。

由上可知，DR的实现需要车辆速度以及航向角，且需要准确的初始坐标。且随着时间的推移，还会存在较大的累积误差，而使定位精度越来越低。因此本发明通过标定的路径损耗模型，计算OBU与RSU设备之间的距离结合RSU固定点位置计算车辆的位置，避免了对车辆初始坐标位置点的依赖。

2)坐标系定义及GPS坐标转换

虽然本发明结合RSS数据以及航位推算的车联网定位算法针对在无GPS信号或GPS信号弱的环境下提出，但是仍然需要事先获取RSU设备的精确位置，并以经纬度的形式存储在RSU设备中并实时向外广播，因此需要对其位置点坐标以及航位推算算法结合时进行坐标系统一的过程。

算法中涉及到来自不同坐标系的数据，GPS位置数据在地心地固地理坐标系下，车辆状态数据在车体坐标系下表示。在融合算法中，将多种不同坐标系下的数据转换至当地水平坐标系作为导航坐标系。各坐标系的定义如下：

(1)当地水平坐标系

当地水平坐标系如图5所示，为空间直角坐标系。以地表平面上一点作为坐标原点，X轴为正东方向，Y轴为正北方向，Z轴的指向由X轴与Y轴通过右手坐标系准则确定。该坐标系也被称为东北天坐标系。

(2)地心地固地理坐标系

地心地固地理坐标系如图5所示，该坐标是以地球球心为原点的空间直角坐标系。X轴指向赤道与本初子午线交点，Z轴为正北方向，Y轴通过右手坐标系准则确定。

世界大地坐标系-84(World Geodetic System–84,WGS-84)是目前GPS采用的坐标系统，车辆GPS接收模块输出的经纬度与高程信息均表示在该坐标系下，通过坐标转换可将经纬度高程坐标转化为地心地固坐标系下的数据。

(3)车体坐标系(Vehicle Coordinate Syetem,VCS)

车体坐标系如图6所示，一般以车辆质心作为坐标原点，X轴水平指向车辆正前方，Y轴垂直于车辆的纵向对称面，向左为正，Z轴垂直指向上。本问以通过CAN总线读取的车辆状态数据在车体系下的表示作为算法输入。

GPS模块采集的原始数据是在WSG-84坐标系下的经纬度坐标以及高程坐标值，需要将经纬度与高程描述的RSU设备位置变换至导航坐标系(当地水平坐标系)下。变换过程主要由两部分组成：首先将地心地固坐标系下的经纬度向空间直角坐标系转换，之后将空间直角坐标系转换为当地水平坐标。由于坐标转换过程目前研究非常成熟，具体坐标转换方法不再赘述。

以下提供一个具体实施例，以说明本发明的应用。

网联环境下基于RSU辅助的RSS定位方法，如图7所示。RSU设备安装在道路一侧，假设已知其精确位置为(x₀,y₀)，待定位的网联车辆的初始位置坐标为(x₁,y₂)，当前时刻距离RSU的距离为d₁，当前时刻的车速为v，当前车辆的航向角为θ，单位时间Δt(考虑到智能网联设备之间通信带宽和成本，本实施例中将此时间设为100ms，并假设在Δt时间范围内，车辆的速度以及航向角为一个定值，保持不变)，车辆行驶一段距离到达坐标位置点(x₂,y₂)。此时车辆距离RSU设备的距离设为d₂。其中，车辆实时运动速度及航向角可通过OBU设备连接车载自诊断系统(On-Board Diagnostics,OBD)获取，也可通过连接CAN总线获取。

根据前文标定的路径损耗模型，此处OBU与RSU设备之间的距离d₁与d₂通过设备之间的通信实时获取的RSS值即可求得。另根据几何位置关系，易得式(7)与式(8)：

根据上节DR算法，坐标(x₂,y₂)可由初始坐标(x₁,y₁)推算得到，将其代入式(8)可将其改写成式(9)：

将式(7)与式(9)联立，经过整理可得式(10)：

为方便计算，令

再根据航位推算算法，可知x₂＝x₁+vΔt·cosθ，y₂＝y₁+vΔt·sinθ。联立式(7)与式(10)，可通过RSU设备位置(x₀,y₀)计算(x₂,y₂)的坐标如式(11)所示：

计算得到的坐标(x₂,y₂)即为待定位车辆的估计坐标。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (7)

1.一种基于ETC信号强度的车辆定位方法，其特征在于包括如下步骤：

步骤1，带有车载OBU的车辆在行驶过程中，OBU与路边设置的RSU设备进行实时通信，采集t时刻RSU设备向OBU发送的RSS值P_t(d_t)，并根据通信数据得到此时与车辆进行通信的RSU设备的编号i；

步骤2，根据路径损耗模型P_t(d_t)＝K_i-10*ε_i*lg(d_t)+χ_p，计算得到此时车辆与RSU之间的距离d_t；其中，K_i、ε_i为第i台RSU设备对应的系数，χ_p是一个随机变量，表示接收信号强度的噪声；

步骤3，根据第i台RSU设备的坐标(x_i,y_i)，以及车辆此时的航向角θ，结合车辆与第i台RSU之间的距离d_t，得到此时车辆位置坐标(x_t,y_t)。

2.如权利要求1所述的一种基于ETC信号强度的车辆定位方法，其特征在于：所述步骤2中，获取第ε_i台RSU设备对应的系数K_i、ε_i的方法是：

步骤A1，带有车载OBU的车辆由远及近向第ε_i台RSU设备行驶，采集在行驶过程中，车辆与RSU设备距离为d_j时对应的一组RSS值；

步骤A2，对步骤A1中的一组RSS值进行滤波处理，并区分晴天状态和雨天状态，从而得到分别在晴天状态和雨天状态下d_j与P_j的对应数据；

步骤A3，根据P_j(d_j)＝K_i-10*ε_i*lg(d_j)+χ_p，分别代入晴天状态和雨天状态下d_j与P_j的对应数据，拟合分别得到晴天状态和雨天状态下的K_i、ε_i。

3.如权利要求2所述的一种基于ETC信号强度的车辆定位方法，其特征在于：所述步骤A1的具体内容是：将带有车载OBU的车辆由距离第ε_i台RSU设备200m处开始采集，在200-100m范围区间，每隔10m采集一个对应的RSS值；在100-50m范围区间，每隔5m采集一个对应的RSS值；在50-20m范围区间，每隔2m采集一个对应的RSS值；在20-0m范围区间，每隔1m采集一个对应的RSS值；在每个采集点采集10次RSS值。

4.如权利要求1所述的一种基于ETC信号强度的车辆定位方法，其特征在于：所述步骤A1中，车辆与RSU设备之间的距离值通过实际测量的方式，或者通过车辆与RSU设备的GPS坐标位置间接获取。

5.如权利要求4所述的一种基于ETC信号强度的车辆定位方法，其特征在于：所述步骤A1中，采用亚米级GPS接收器确定车辆及RSU设备的GPS坐标位置，车辆与RSU设备的GPS坐标位置均通过Xshell远程登录RSU设备读取，并通过重定向指令将相应数据另存为log文件保存在车载OBU中，最后通过WinSCP软件，将保存有GPS数据以及RSS数据的log文件进行远程复制而得到。

6.如权利要求2所述的一种基于ETC信号强度的车辆定位方法，其特征在于：所述步骤A2中，采用高斯滤波方法对步骤A1中的一组RSS值进行滤波处理，设该组RSS值为RSS₁,…,RSS_n，则有：

将RSS值出现概率大于0.6的区域范围设置为高概率出现区域，则RSS值的出现概率大于0.6时，其值的范围为[0.15σ+u≤x≤3.09σ+u]，即经过高斯滤波处理后的RSS值范围。

7.如权利要求1所述的一种基于ETC信号强度的车辆定位方法，其特征在于：所述步骤3后，还根据t时刻车辆位置坐标(x_t,y_t)估计车辆在t+Δt时刻的位置坐标(x_t+Δt,y_t+Δt)：

其中，

其中，v为车辆此时的车速。

Images