Cooperative vehicle positioning method based on GNSS/DSRC fusion
-
摘要: 以全球导航卫星系统(GNSS)定位与专用短程无线通信(DSRC)协同定位的集成信息融合为目标, 在DSRC协同定位层面, 基于水平精度因子最小化原则, 提出了一种邻车节点的优选策略。在GNSS/DSRC融合定位层面, 采用分散式融合估计思想, 设计了一种松耦合模式下的车辆组合定位方法, 基于GNSS、DSRC并行滤波进行全局估计, 利用反馈策略改善了对不同定位条件的适应能力。利用车路协同仿真平台对协同车辆定位方法进行了仿真验证。验证结果表明: 邻车节点优选策略显著提升了DSRC定位精度, 将其用于GNSS/DSRC融合定位, 在常规运行条件下, 带反馈机制的分散式估计精度优于单传感器模式与无反馈分散式估计精度; 在给定的GNSS多径干扰条件下, 东向、北向位置估计的均方根误差与单GNSS模式相比分别降低了42.6%和37.0%, 与集中式融合估计相比分别降低了24.8%和20.3%。协同车辆定位方法的定位性能优于常规定位方案, 对GNSS多径干扰条件具有良好的适应能力, 具备更优的精确性、可用性及工程应用价值。Abstract: Aiming at the integration and information fusion of global navigation satellite system(GNSS)positioning and the cooperative positioning based on dedicated short-range communication(DSRC), an advanced selection strategy for neighborhood vehicle nodes for DSRC-based cooperative positioning was proposed based on the minimum principle of horizontal dilution of precision.For GNSS/DSRC integrated vehicle positioning, a loose-coupling positioning method was designed according to decentralized estimation scheme.In the positioning method, the parallel GNSS and DSRC filters were combined for global estimation, and the adaptive capability against different operation conditions was enhanced based on feedback strategy.The cooperative vehicle positioning method was verified by using a cooperative vehicle infrastructure simulation platform.Verification result indicates that the precision of DSRC-based positioning method was significantly improved by the selection strategy of neighborhood vehicle nodes.When the DSRCbased positioning method was used in the GNSS/DSRC integrated positioning, under normal operation condition, the precision of decentralized fusion estimation with feedback is better than that with single sensor mode and the decentralized estimation without feedback.Compared to the GNSS-alone mode under the given GNSS multipath interference condition, the root mean square errors of vehicle positioning method reduce by 42.6% and 37.0% in east and north direction respectively, and they reduce by 24.8% and 20.3% compared to the centralized fusion estimation.The performance of proposed positioning method is better than conventional positioning solutions, and has an enhanced tolerant ability to GNSS multipath interference conditions, which suggest the better precision, availability and practical application value of proposed method.
-
0. 引言
随着现代智能交通系统的发展, 以车车、车路无线信息交互为主要特征的车路协同系统已成为当前的研究热点。车路协同系统充分利用多种先进的技术手段加深车辆与道路设施之间的关联, 从而为解决交通安全、效率及环境问题提供有效途径[1]。对于车路协同系统的众多特定功能及应用方向, 车辆定位是一个十分重要的基础性问题[2]。车辆位置信息的准确性与可信程度, 直接影响着以车辆动态位置特征为依据的系统功能的实现, 是众多与车辆运行安全及交通效率相关目标得以实现的关键因素。
在众多车辆定位技术中, 以美国的全球定位系统(Global Positioning System, GPS)为代表的全球导航卫星系统(Global Navigation Satellite System, GNSS)是一种普遍选择, 它能够在满足卫星可视条件的情况下为车辆提供连续、实时、高效的位置信息[3]。中国北斗卫星导航系统(Beidou Navigation Satellite System, BDS)的建设与发展为车辆定位提供了更多的资源保障, 然而, 卫星导航用于车辆定位时, 特别是在城市道路环境中, 尚面临信号遮蔽、电磁干扰、多径效应等多种挑战。为此, 研发人员探索了多种优化方案, 包括传感器组合(如车载自动诊断系统)、惯性导航、视觉传感器、磁道钉[4-6]、地图辅助[7]、完好性增强[8]等, 但这些方案在系统复杂度、成本、性能等因素之间尚难以实现有效均衡, 因此, 难以满足车路协同系统的实际需要。
车路协同系统中, 采用WiFi、专用短程无线通信(Dedicated Short-Range Communication, DSRC)等技术的车车、车路无线通信为车辆、路侧单元等节点构成网络并共享有用信息提供了重要纽带, 在利用其传输功能的同时, 研究人员开始尝试开发其定位辅助功能。DSRC能以多种方式实现无线电测距并构成协同定位(Cooperative Positioning, CP)方案[9], 为挖掘无线传输的附加能力, 解决GNSS定位问题提供了重要途径。目前, 相关研究主要面向DSRC定位机理、GNSS/DSRC组合解算以及性能评估等方向展开: Alam等在DSRC协同车辆定位方面开展了大量研究工作, 分析了基于载波频偏的DSRC定位解算方法, 研究了其在卫星定位可用性受限条件下的定位辅助方法, 提出一种DSRC辅助双导航卫星的三维协同定位方法[10-12]; Rezaei等提出一种利用DSRC实现邻车位置动态跟踪的估计模型和方法, 并在不同场景下评估了通信质量及其相应的定位精度[13]; Efatmaneshnik等研究了一种基于多维尺度标定的GPS、DSRC协同定位融合估计方法, 并提出了利用Cramer-Rao下界的协同定位性能评估方法[14-16]; Ansari等采用DSRC无线通信与高精度GPS定位组合研究了车辆间实时相对定位(Real-Time Relative Positioning, RRP), 提出一种车车相对定位算法并进行了试验验证[17]; Williams等对采用GPS实现相对车辆定位及其安全应用的方法进行了评价与总结[18]。由以上研究成果可以看出, 现有关于GNSS、DSRC组合实现车辆定位的成果主要集中在集中式融合模式, 即将导航卫星的伪距观测量与DSRC观测量统一在一个集中的滤波器中进行融合, 虽然能以较为紧密的耦合水平获得定位解, 但难以根据GNSS、DSRC自身性能状况进行动态调节, 无法抑制、隔离潜在异常甚至失效因素可能造成的影响。此外, 现有方案广泛采用扩展卡尔曼滤波(Extended Kalman Filter, EKF)进行融合估计, 虽然EKF计算方案简单, 易于实现, 但车辆运行环境与传感器工作条件存在一定的复杂性和不确定性, EKF估计性能难以有效适应非线性与干扰统计特性的要求。针对EKF用于车辆定位已有研究进行相应的改进: 来磊等利用当前统计模型与EKF估计相结合实现车辆定位误差的修正[19]; Peker等提出一种基于粒子滤波的车辆协同定位估计算法, 对GPS定位中断与卫星可视性降低等情况进行辅助[20]; Najjar等提出一种基于信度理论的融合算法, 对基本EKF估计进行了应用改进[21]; Pesonen等结合容积卡尔曼滤波(Cubature Kalman Filter, CKF)在估计精度、计算复杂度方面的均衡性, 提出并验证了基于CKF的车辆定位方法[22]。这些方案为改善GNSS/DSRC融合定位性能提供了有益思路。
基于此, 本文从GNSS/DSRC组合定位的性能适应性、灵活性及容错能力等方面出发, 分析了DSRC协同定位的优化策略, 采用CKF估计策略, 提出了一种基于分散式结构的GNSS/DSRC协同定位方法, 利用分散式融合的自主动态调节能力优化定位性能, 并在车路协同仿真系统中进行了验证与分析。
1. DSRC协同车辆定位优化方法
基于DSRC的车辆定位是一种基于测距的位置求解过程, 通过无线电测距估计出若干目标节点(如相邻车辆、路侧设备等)到本车的距离, 利用已知节点位置和距离计算车辆位置。在使用DSRC进行车车、车路信息交互过程中, 能够从无线传输的信息帧中获取邻车位置, 同时, 可利用多普勒频移进行距离测量。通常根据收发端的载波频偏(Carrier Frequency Offset, CFO)估计距离与时钟偏差[12]。
考虑车车协同模式的动态定位场景, 假定由邻车节点i的车载DSRC发送端所得信号的多普勒频偏为fi, 则有
式中: c为光速; fc为DSRC载波频率; ri为本车与邻车节点i的距离(忽略高程变化, 仅考虑二维平面内的车辆定位情况); t为时间; (x, y)、(xi, yi)分别为本车、邻车节点i的二维平面位置坐标。
将式(2)代入式(1), 可以得到多普勒频偏与坐标位置、光速之间的关系。为利用N个邻车节点距离ri(i=1, 2, …, N)估计本车位置, 需在满足邻车数量需求的条件下直接利用方程求解或采用估计算法来实现。最低邻车节点数N0与定位坐标系的选择及时钟偏差等因素相关, 考虑时钟偏差的影响, 在三维坐标定位中最少需要4个邻车节点信息才能完成车辆定位。理想条件下, 多车动态节点构成车辆自组织网络(Vehicular Ad-Hoc Networks, VANETs)中随交通流动态变化, 较容易满足在k时刻获得多于N0个邻车节点数的条件。在此基础上, DSRC定位性能主要受无线通信性能、车间相对运行状态等因素影响。此外, 对于目标车辆而言, 其邻车节点的空间分布情况对定位性能同样具有直接影响。常规的DSRC定位普遍采用全部N个邻车节点进行定位计算, 本文主要从邻车节点分布出发对定位方法进行改进。
与GNSS定位解算中可视卫星的空间分布对定位精度的影响类似, Alam等探讨了DSRC车辆定位的精度因子(Dilution of Precision, DOP)[23]。在式(2)基础上, 东向精度因子DE、北向精度因子DN分别为
式中: det(·)为矩阵求行列式函数; H为观测矩阵。
进一步计算水平精度因子(Horizontal Dilution of Precision, HDOP)DH为
DE、DN在邻车空间分布与定位精度之间建立了有效关联。以Paramics仿真软件中构建的路网条件为基础进行车车协同场景仿真, 利用目标车辆在k为101 s时所得到的26 veh邻车节点信息估计DE、DN。在x∈[0, 40 m]、y∈[0, 400 m]构成的平面网格内, 分别计算所有候选车辆的DE、DN, 其分布情况分别见图 1、2。由图 1、2可以看出, 在确定的邻车分布条件下, 不同目标车辆位置所得DE、DN存在较大差异, 反之亦然。
基于DE、DN对DSRC协同定位精度的指示性, 提出一种基于水平精度因子最小化原则的邻车选择策略, 在N≥N0条件下, 以本车位置预测为依据, 对所有可能的邻车组合条件进行遍历, 按照水平精度因子最小化原则确定邻车组合方案, 构成当前时刻量测值进行位置估计。以(xk-1, yk-1)代表k-1时刻的目标车辆坐标, 利用滤波器模型预测k时刻位置。针对邻车组合方案分别计算水平精度因子, 按最小化原则确定k时刻邻车组合方案s(k), 即
式中: Dj为第j个邻车组合方案的水平精度因子; na为所有邻车组合方案数。
根据上述方案, 若可用邻车节点数N远大于最低邻车节点数N0, 进行遍历的邻车组合方案数na为
这种情况下, 所需遍历的邻车组合方案较多, 可能造成计算量较大; 另一方面, 不同时刻选出的组合方案中邻车数量可能不一致, 会导致DSRC解算的估计计算过程中量测向量维数不定。为此, 本文进一步提出邻车优选的简化方案: 在N≥N0条件下, 设定确定的邻车节点数为N1, N0≤N1 < N, 考虑DSRC信道传输质量与传输距离的关系, 以车辆间距离排序为依据, 从N个邻车节点中选择N2个作为候选邻车节点, N1 < N2≤N, 使其满足
式中: dq为第q个候选节点, 按此原则可确定N2个候选节点构成的邻车节点集。
在此基础上, 再按照水平精度因子优化原则最终确定由N1个候选邻车节点构成的邻车组合方案, 即
式中:
为k时刻简化优化策略下所得邻车组合方案; nb为简化后的邻车组合方案数。
如此, 最终用于协同定位的候选邻车组合方案数由na减少至nb
合理选择N1、N2, 能够有效降低优化过程的循环计算量, 确保DSRC滤波估计中量测向量的定维特征, 从而有效用于GNSS/DSRC融合的协同车辆定位。
2. GNSS/DSRC融合的协同定位算法
在城市道路交通环境中, DSRC能够以动态运行的车辆节点构成动态参考网络, 辅助并增强卫星导航的定位能力, 特别是在GNSS性能恶化甚至失去可用性的情况下, 使车辆定位功能得以延续, 性能得以保持。在DSRC协同车辆定位优化方法的基础上, 如何对GNSS与DSRC信息进行融合, 是发挥组合协同模式优势的关键问题。
估计融合是传感器信息融合最常用的一种方式, 根据融合结构, 可将GNSS/DSRC组合方式分为集中式融合和分散式融合2类: 集中式融合集中设置统一的融合中心, 有助于通过DSRC辅助GNSS卫星伪距与伪距率计算, 实现紧耦合估计, 但其可能导致滤波器维数较高, 且不利于实现容错和自适应调整; 分散式融合分别针对GNSS与DSRC设置独立的局部滤波器, 根据信息分配原则求解全局估计, 最显著的特点在于能够简化滤波器计算过程, 便于进行性能监测, 并实现自主调整, 以满足定位性能需求。
设置k时刻估计状态向量xk为
式中: (xk, yk)为k时刻本车二维位置坐标。
系统的离散状态空间过程可描述为
式中: f(·)、h(·)分别为描述系统状态转移过程与量测过程的非线性函数; zk为k时刻量测向量; wk、vk分别为k时刻不相关的高斯随机系统噪声向量与量测噪声向量。
基于分散式结构的GNSS/DSRC融合算法采用双子滤波器设置, 主要包括3个过程。
2.1 DSRC滤波估计
在k时刻, 目标车辆接收到N个邻车节点信息并计算r1, k~rN, k, 根据邻车组合方案优选策略可得N1维量测向量为
式中: za, k为k时刻DSRC滤波器的量测向量。
在k-1时刻DSRC滤波器状态估计值
、估计方差Pa, k-1的基础上, 根据系统模型进行相应的滤波计算。按照系统状态定义时间更新过程, 采用车辆动力学模型描述状态转移过程, 如常速度(Constant Velocity, CV)模型、常加速度(Constant Acceleration, CA)模型与当前统计模型等[24], 因此, 系统的时间更新过程为
式中:
为DSRC滤波器所得系统状态从k-1时刻至k时刻的一步状态预测值; Φk|k-1为系统状态从k-1时刻至k时刻的转移矩阵。
对于量测更新过程, 根据
与量测模型计算量测估计值
式中:
的估计值; 
分别为k时刻本车与1~N1个优选邻车节点的距离估计值; 
、
分别为
的东向、北向位置估计分量; 
k时刻DSRC滤波器的估计新息向量ρa, k为
则DSRC滤波器状态估计值为
式中: Wa, k为k时刻DSRC滤波器的增益矩阵。
由于DSRC量测过程存在非线性关系, 采用CKF这一非线性估计算法完成滤波计算, 选取一组2n个等权值Cubature点求解Bayesian估计, n为状态量维数, 具体计算过程见文献[25]。根据DSRC滤波器的估计方差Pa, k, 通过计算1-sigma水平误差限监测估计过程的完好性, 即
式中: σa, k为k时刻DSRC滤波器的1-sigma水平误差限;
为方差矩阵Pa, k的第m个对角线元素, 代表滤波器位置估计方差。
利用上述滤波估计过程, 即可以完成DSRC独立模式的定位估计计算。
2.2 GNSS滤波估计
松耦合模式下, k时刻取GNSS位置、航向、速度输出构成4维量测向量
式中: zb, k为k时刻GNSS滤波器的量测向量; θk为k时刻本车航向角测量值; vk为k时刻本车速度测量值。
由于采用与DSRC滤波器相同的状态量设置, 根据k-1时刻GNSS滤波器估计值
、估计方差Pb, k-1, 在时间更新过程中, 由式(13)确定GNSS滤波器所得系统状态从k-1时刻至k时刻的一步状态预测值
。而在量测更新过程中, GNSS滤波器所得量测向量估计值为
式中:
为zb, k的估计值; 
分别为
的东向、北向位置预测分量; 
分别为
的东向、北向速度预测分量; 
、
分别为
的东向、北向加速度预测分量。
GNSS滤波器状态估计值为
式中: Wb, k为k时刻GNSS滤波器的增益矩阵; ρb, k为k时刻GNSS滤波器的预测新息向量。
可由式(15)近似获得ρb, k。利用独立的CKF非线性估计过程计算
与Pb, k, 并监测其1-sigma水平误差限σb, k, 所得结果能够与DSRC估计结果共同用于全局融合估计。
2.3 GNSS/DSRC全局融合估计
以DSRC、GNSS并行估计结果为基础, 最终融合需要在分散之后进行有效集中, 融合策略的选择将直接决定对2种定位方式的利用能力。在不考虑GNSS、DSRC定位性能异常、失效等特殊条件的情况下, Carlson提出的联邦滤波思想[26]为全局最优估计的求解提供了有效方案。k时刻的全局估计方差Pk为
对
进行加权, 获得k时刻的全局估计
为
式中: Ca, k、Cb, k分别为k时刻DSRC、GNSS滤波器的权重矩阵。
在每一融合周期求取全局估计结果后, 为了实现有效的信息分配, 可在下一周期开始时进一步根据信息分配原则对DSRC、GNSS滤波器初值进行反馈重置, 在无反馈模式下, k+1时刻2个局部滤波器分别以k时刻估计
, 作为当前初值继续迭代计算, 全局估计结果
、Pk的作用并未反馈到并行的局部滤波过程。
考虑增加全局估计结果的校正作用, 设计带反馈模式, 在k+1时刻令滤波迭代初值更新为
式中: βa, k、βb, k分别为k时刻的DSRC、GNSS滤波器信息分配系数。
可由滤波估计方差矩阵Pa, k、Pb, k所反映的估计精度确定信息分配系数, 它们的对角线元素对应了状态向量各元素的估计方差, 可对信息分配系数进行动态调整, 即
式中: trace(·)为矩阵求迹函数。
式(23)~(27)给出的子滤波器权重矩阵和信息分配系数体现了全局估计对局部估计的集成和分配作用, 为使这一分配过程体现有效的自主性和自适应能力, 本文在权重矩阵、分配系数与子滤波器的估计性能之间建立了关联, 不依赖外界辅助信息, 仅利用滤波器估计方差作为指示量, 调节子滤波器估计结果在全局估计与反馈过程中的作用, 充分利用了分散式融合在结构灵活性方面的优势, 形成了自主化的自适应调整机制。
与常规的集中式融合估计相比, 本文方法具备较为宽泛的性能异变容忍能力。在传感器存在渐变型异常特征的情况下, 如导航卫星信号受到干扰、DSRC通信延迟增大时, 能够利用方差对估计性能恶化程度的指示, 调节其在全局估计中的作用, 进而满足估计性能的一致性需求。在传感器功能完全失效的情况下, 如GNSS信号遮蔽条件下无可用输出, DSRC通信中断, 建立有效DSRC链接的邻车节点数量不足等, 分散式滤波结构能够充分发挥其灵活性, 转化为单传感器工作模式, 隔离失效源, 这在实际应用中可以使车辆定位系统高效地适应城市道路运行环境, 具有十分重要的现实意义。
3. 仿真结果分析
为了验证本文DSRC定位优化方法与分散式GNSS/DSRC融合算法, 利用智能车路协同系统仿真平台对特定仿真场景进行了模拟。
基于以河北省廊坊市梨园路与花园道交叉口为中心的车路协同系统实际试验场, 在以Paramics仿真软件为核心的交通仿真子系统中构建了Google map配准的区域路网, 通过设置OD条件对车路协同场景进行仿真, 并利用API接口将选定的目标车辆及其无线传输范围内的邻车信息进行了实时记录和处理。仿真路网条件见图 3。
选择由北向南沿和平路→花园道→梨园路→金源道路径行驶的1065号车辆作为目标车辆, 利用所提取的车辆动态信息为基准, 在Spirent GSS8000型GNSS导航定位模拟器中模拟了实际的卫星可视条件与射频信号, 并利用MG1613SA型低成本GPS接收机模块接收信号, 完成定位解算, 所得目标车辆二维平面运行轨迹见图 4, 可用邻车数量的动态更新结果见图 5。
首先利用仿真数据对DSRC协同车辆定位优化方法进行验证。仿真过程中, GNSS、DSRC采样频率均为1 Hz, 优选邻车节点数N1为4, 设置候选邻车节点数N2为6, 则每个计算周期内, 首先按照距离原则选择6个邻车节点构成候选节点集, 遍历15个四车节点组合方案, 依据水平精度因子最小化原则确定最终的节点集。为了检验优化方法, 分别按以下3种策略进行DSRC位置估计。
(1) 选取邻车节点集中前4个节点的测距结果用于定位解算。
(2) 选取邻车节点集中距离最近的4个节点的测距结果用于定位解算。
(3) 选取距离原则所得邻车节点集中水平精度因子最小的4个节点的测距结果用于定位解算。
以目标车辆实际位置为基准, 3种策略下的东向与北向位置估计误差分别见图 6、7。进一步检验算法对水平精度因子的优选能力, 图 8(a)为所有计算周期15个四车节点组合方案的HDOP值与策略3所选择节点方案的最优HDOP值, 图 8(b)为策略2、3得到的HDOP差值变化情况。图 9为3种策略所得目标车辆轨迹的整体与局部效果。
图 8 HDOP取值空间与策略2、3HDOP差值Figure 8. Space of HDOP values and differences of HDOP values between strategy 2 and 3由图 6~9可以看出: 策略2、3的定位精度均远高于策略1, 策略3在增加了水平精度因子原则下的节点选择逻辑后, 所得HDOP值优于策略2, 其定位精度水平与HDOP值的指示结果一致。本文DSRC协同车辆定位优化方法能够以HDOP值为依据有效选择较优的邻车节点组合方案, 得到较高的定位精度, 充分实现了车车协同模式下DSRC无线传输的附加功能, 具备在城市复杂道路环境下为GNSS车辆定位提供辅助的能力。
在DSRC车辆定位算法的基础上, 进一步检验了GNSS/DSRC融合车辆定位方法, 采用GNSS、DSRC测量信息进行EKF、CKF状态估计, 选取以下6种策略进行性能对比。
(1) 单DSRC模式定位。
(2) 单GNSS模式定位。
(3) EKF无反馈的GNSS/DSRC的融合定位。
(4) EKF带反馈的GNSS/DSRC的融合定位。
(5) CKF无反馈的GNSS/DSRC的融合定位。
(6) CKF带反馈的GNSS/DSRC的融合定位。
6种策略下目标车辆的东向与北向位置估计误差分别见图 10、11。进一步计算了CKF策略下无反馈和带反馈全局融合估计过程中, DSRC、GNSS局部子滤波器的信息分配系数, 结果见图 12。
图 10 六种策略东向定位误差比较Figure 10. Comparison of positioning errors in east direction under six strategies
图 11 六种策略下北向定位误差比较Figure 11. Comparison of positioning errors in north direction under six strategies
图 12 DSRC、GNSS滤波器信息分配系数Figure 12. Information distribution coefficients of DSRC and GNSS filters由图 10~12可以看出: 低成本GNSS接收机状态估计精度的一致性水平较DSRC更为稳定, 但单纯依赖DSRC或GNSS进行状态估计所得精度与融合模式相比仍存在一定差距, 在北向位置估计误差上的表现尤为明显; 反馈机制对于滤波器分配系数有明显的调节作用, 带反馈的融合由于实时利用全局结果进行了滤波器重置, 2个独立滤波器的分配系数更为接近, 其两极化趋势较无反馈融合模式更为缓和, 在此作用下, 定位精度得到了改善, 与设计预期一致; 在参数设置一致的情况下, 与常规的EKF估计策略相比, CKF估计策略具备更优的估计性能, 与带反馈机制的分散式融合方案形成了良好结合。
由于DSRC能够对城市环境下GNSS的可用性进行补充, 分散式融合估计本身具备对GNSS失效状态的有效隔离能力, 而对于GNSS卫星可见性满足解算要求但因环境因素, 如楼宇、桥梁、树木等可能造成的性能恶化, 本文GNSS/DSRC融合估计方法还需进行检验。本文根据相同的车辆轨迹, 利用GNSS模拟器对卫星信号条件的调整功能进行了2次独立仿真, 分别采用正常卫星信号条件、多径干扰条件下的卫星信号衰减模型, 对正常、异常的信号条件进行了模拟。不同GNSS信号条件下接收机2次解算中所得HDOP值与可用卫星数分别见图 13、14。为了验证本文所提出的分散式融合结构相对于集中式方案的效果, 比较了正常条件GNSS估计、多径干扰条件GNSS估计、多径干扰条件集中式融合估计、多径干扰条件带反馈分散式融合估计这4种情况下的东向与北向位置估计误差分别见图 15、16, 6种估计策略下的均方根误差(Root Mean Square Error, RMSE)见表 1。
图 14 不同GNSS信号条件下的可用卫星数Figure 14. Available satellite numbers under different GNSS signal conditions
图 15 不同条件下东向定位误差比较Figure 15. Comparison of positioning errors in east direction under different conditions
图 16 不同条件下北向定位误差比较Figure 16. Comparison of positioning errors in north direction under different conditions表 1 不同策略的均方根误差比较Table 1. Comparison of RMSE values under different strategies
从图 13~16可以看出: 在多径干扰条件下, GPS可用卫星数远低于正常可视条件, 相应地, 接收机位置解算结果的HDOP值也明显增大, 采用非线性滤波器GNSS定位结果的估计误差也有所增加。由表 1可以看出: 在正常条件下, 采用GNSS/DSRC分散式融合模式实现协同定位, 东向、北向位置估计均方根误差相比单GNSS模式分别降低了39.0%和59.4%, 相比集中式融合方案分别降低了33.8%和43.7%;在多径干扰条件下, 分散式融合估计均方根误差相比单GNSS模式分别降低了42.6%和37.0%, 相比集中式融合方案分别降低了24.8%和20.3%。由于DSRC测量的有效辅助与分散式融合方案的优化能力, 不论正常条件还是多径干扰条件下的定位精度均有明显改善, 充分验证了本文方法的优良性能和较强的环境适应能力, 为发挥车车、车路协同模式的优势, 并解决城市交通环境下的车辆定位问题提供了重要的解决途径。
4. 结语
(1) 车辆定位是智能交通系统研究与应用的关键基础性问题, 围绕DSRC车车、车路无线信息传输这一关键特征, 车路协同系统模式为常规基于GNSS的车辆定位提供了新的方向。本文从GNSS/DSRC组合定位模式出发, 对DSRC车辆定位的邻车节点选择方案提出了一种基于水平精度因子最小化原则的优化策略, 并采用分散式融合结构设计了一种GNSS/DSRC组合的协同车辆定位方法。本文方法利用非线性滤波估计与分散式融合结构的优势, 有效提高了DSRC定位的计算效率, 充分综合了传感器测量信息的状态表征能力, 在松耦合模式下以相对简单的组合逻辑达到了较优的自适应能力, 与常规方法相比具备更优的定位精度及适应性。由于分散式结构能够自主地在动态过程中进行自适应调整, 在实际应用中针对性地设计适当的完好性监测与故障诊断策略, 能够有效增强车辆定位的连续性与可用性, 具有可拓展性的应用潜力和可观的发展前景。
(2) 未来将进一步研究多模式GNSS系统(GPS、北斗及其增强系统)与DSRC的组合问题, 并在车辆的协同定位与车路协同系统控制及安全的联合方面开展深入研究和探讨。
-
图 8 HDOP取值空间与策略2、3HDOP差值
Figure 8. Space of HDOP values and differences of HDOP values between strategy 2 and 3
图 10 六种策略东向定位误差比较
Figure 10. Comparison of positioning errors in east direction under six strategies
图 11 六种策略下北向定位误差比较
Figure 11. Comparison of positioning errors in north direction under six strategies
图 12 DSRC、GNSS滤波器信息分配系数
Figure 12. Information distribution coefficients of DSRC and GNSS filters
图 14 不同GNSS信号条件下的可用卫星数
Figure 14. Available satellite numbers under different GNSS signal conditions
图 15 不同条件下东向定位误差比较
Figure 15. Comparison of positioning errors in east direction under different conditions
图 16 不同条件下北向定位误差比较
Figure 16. Comparison of positioning errors in north direction under different conditions
-
[1] 王云鹏, 易振国, 夏海英. 等. 基于流行病模型的车路协同预警信息交互方法[J]. 北京航空航天大学学报. 2011, 37(5): 515-518.WANG Yun-peng, Yl Zhen-guo. XIA Hai-ying, et al. Cooperative traffic alarming method based on epidemic model[J]. Journal of Beijing University of Aeronautics and Astronautics, 2011, 37(5): 515-518. (in Chinese). [2] MATTERN N, OBST M, SCHUBERT R, et al. Simulative analysis of accuracy demands of co-operative localization in the COVEL project[C]//IEEE. Proceedings of 2011 IEEE Intelligent Vehicles Symposium. Baden-Baden: IEEE, 20111516-521. [3] SCHLINGELHOF M, BETAILLE D, BONNIFAIT P, et al. Advanced positioning technologies for co-operative systems[J]. IET Intelligent Transport Systems, 2008, 2(2): 81-91. [4] TOLEDOMOREO R. ZAMORA-IZQUIERDO M A, UBEDAMINARRO B, et al. High-integrity IMM-EKF-based road vehicle navigation with low-cost GPS/SBAS/INS[J]. IEEE Transactions on Intelligent Transportation Systems, 2007, 8(3): 491-511. doi: 10.1109/TITS.2007.902642 [5] 彭登, 徐建闽, 林培群. 城市车路协同系统的通信及定位技术研究[J]. 计算机工程与设计. 2011, 32(3): 859-862.PENG Deng, XU Jian-min, LIN Pei-qun. Research on communication of city cooperative vehicle infrastructure system and it's positioning technology[J]. Computer Engineering and Design, 2011, 32(3): 859-862. (in Chinese). [6] LI Hao, NASHASHIBI F, TOULMINET G. Localization for intelligent vehicle by fusing mono-camera, low-cost GPS and map data[C]/'IEEE. Proceedings of the 13th International IEEE Annual Conference on Intelligent Transportation Systems. Funchah IEEE, 2010: 1657-1662. [7] LI Kang, TAN H S, HEDRICK J K. Map-aided GPS/INS localization using a low-order constrained unscented Kalman filter[C]//IEEE. Proceedings of the 48th IEEE Conference on Decision and Control Held Jointly with 2009 28th Chinese Control Conference. Shanghai: IEEE, 2009: 4607-4612. [8] TOLEDO-MOREO R, BET AILLE D, PEYRET F. Lanelevel integrity provision for navigation and map matching with GNSS, dead reckoning, and enhanced maps[J]. IEEE Transactions on Intelligent Transportation Systems, 2010, 11(1): 100-112. doi: 10.1109/TITS.2009.2031625 [9] EFATMANESHNIK M, ALAM N, KEALY A, et al. Evaluation of a cooperative positioning algorithm by tight GPS/DSRC integration for vehicular networks[C]//IGNSS Society. Proceedings of International Global Navigation Satellite Systems Symposium. Tweed Heads: IGNSS Society, 2011: 1-14. [10] ALAM N, BALAEI A T, DEMPSTER A G. An instantaneous lane-level positioning using DSRC carrier frequency offset[J]. IEEE Transactions on Intelligent Transportation Systems, 2012, 13(4): 1566-1575. doi: 10.1109/TITS.2012.2195177 [11] ALAM N. Three dimensional positioning with two GNSS satellites and DSRC for vehicles in urban canyons[C]/^Institute of Navigation. Proceedings of the 24th International Technical Meeting of the Satellite Division of the Institute of Navigation. Portland: Institute of Navigation, 2011: 3975-3983. [12] ALAM N, BALAEI A T, DEMPSTER A G. A DSRC dopplerbased cooperative positioning enhancement for vehicular networks with GPS availability[J]. IEEE Transactions on Vehicular Technology, 2011, 60(9): 4462-4470. doi: 10.1109/TVT.2011.2168249 [13] REZAEI S, SENGUPTA R, KRISHNAN H, et al. Tracking the position of neighboring vehicles using wireless communications[J]. Transportation Research Part C: Emerging Technologies, 2010, 18(3): 335-350. doi: 10.1016/j.trc.2009.05.010 [14] EFATMANESHNIK M, BALAEI A T, ALAM N, et al. A modified multidimensional scaling with embedded particle filter algorithm for cooperative positioning of vehicular networks[C]//IEEE. Proceedings of 2009 IEEE International Conference on Vehicular Electronics and Safety. Pune: IEEE, 2009: 7-12. [15] LI Jian, LU Wen-hua. Full truckload vehicle routing problem with profits[J]. Journal of Traffic and Transportation Engineering: English Edition, 2014, 1(2): 146-152. doi: 10.1016/S2095-7564(15)30099-4 [16] EFATMANESHNIK M, KEALY A, BALAEI A T, et al. Information fusion for localization within vehicular networks[J]. The Journal of Navigation, 2011, 64(3): 401-416. doi: 10.1017/S0373463311000075 [17] ANSARI K, WANG C, WANG L, et al. Vehicle-to-vehicle real-time relative positioning using 5.9 GHz DSRC media[C]//IEEE. Proceedings of 2013 IEEE 78th Vehicular Technology Conference. Las Vegas: IEEE, 2013: 1-7. [18] WILLIAMS T, ALVES P, LACHAPELLE G, et al. Evaluation of GPS-based methods of relative positioning for automotive safety applications[J]. Transportation Research Part C: Emerging Technologies, 2012, 23(1): 98-108. [19] 来磊, 曲仕茹. 交通无线传感网络运动车辆定位方法[J]. 交通运输工程学报, 2013, 13(1): 114-120. doi: 10.3969/j.issn.1671-1637.2013.01.017LAI Lei, QU Shi-ru. Moving vehicle location method based on traffic wireless sensor network[J]. Journal of Traffic and Transportation Engineering, 2013, 13(1): 114-120. (in Chinese). doi: 10.3969/j.issn.1671-1637.2013.01.017 [20] PEKER A U, ACARMAN T, YAMAN C, et al. Vehicle localization enhancement with VANETs[C]//IEEE. Proceedings of 2014 IEEE Intelligent Vehicles Symposium. Lansing: IEEE, 2014: 661-666. [21] NAJJAR M, BONNIFAIT P. A road-matching method for precise vehicle localization using belief theory and Kalman filtering[J]. Autonomous Robots, 2005, 19(2): 173-191. doi: 10.1007/s10514-005-0609-1 [22] PESONEN H, PICHE R. Cubature-based Kalman filters for positioning[J]/'IEEE. Proceedings of the 7th Workshop on Positioning Navigation and Communication. Piscataway: IEEE, 2010: 45-49. [23] ALAM N, BABAEI A, DEMPSTER A. A filtering method for improving the precision of cooperative positioning in VANETs[C]//IGNSS Society. Proceedings of International Global Navigation Satellite Systems Symposium. Tweed Heads: IGNSS Society, 2011: 45-55. [24] NDIENG A N, GRUYER D, GLASER S, et al. Low cost IMU-odometer-GPS ego localization for unusual maneuvers[J]. Information Fusion, 2011, 12(4): 264-274. doi: 10.1016/j.inffus.2010.06.006 [25] ARASARATNAM I, HAYKIN S. Cubature Kalman filters[J]. IEEE Transactions on Automatic Control, 2009, 54(6): 1254-1269. doi: 10.1109/TAC.2009.2019800 [26] CARLSON N A. Federated square root filter for decentralized parallel processes[J]. IEEE Transactions on Aerospace and Electronic Systems, 1990, 26(3): 517-525. doi: 10.1109/7.106130 -
下载:
下载:
点击查看大图
计量
- 文章访问数: 828
- HTML全文浏览量: 125
- PDF下载量: 762
- 被引次数: 0
