基于android的側(cè)翻預(yù)警系統(tǒng)研究

劉軍　程偉　袁所賢　袁俊　王利明（江蘇大學(xué)，鎮(zhèn)江212013）

?

基于android的側(cè)翻預(yù)警系統(tǒng)研究

【摘要】建立了車輛四自由度運(yùn)動(dòng)學(xué)模型，提出基于橫向載荷轉(zhuǎn)移率LTR值為指標(biāo)的側(cè)翻判別模型。在車身姿態(tài)數(shù)據(jù)的獲取中，為了提高傳感單元精度，對(duì)陀螺儀和加速度計(jì)進(jìn)行了標(biāo)定，并在判別基礎(chǔ)上提出了基于AR自回歸模型的預(yù)測(cè)方法。從藍(lán)牙數(shù)據(jù)接收、預(yù)測(cè)模型實(shí)現(xiàn)、界面設(shè)計(jì)3個(gè)方面，詳細(xì)介紹了在android手機(jī)客戶端的實(shí)現(xiàn)過(guò)程。試驗(yàn)結(jié)果證明，該預(yù)測(cè)系統(tǒng)功能可行。

主題詞:側(cè)翻LTR值誤差標(biāo)定AR模型android客戶端

劉軍程偉袁所賢袁俊王利明
（江蘇大學(xué)，鎮(zhèn)江212013）

1　前言

由于SUV、客車和載貨汽車等車型具有質(zhì)心位置高、輪距相對(duì)較窄等特點(diǎn)，在車輛轉(zhuǎn)彎、遇側(cè)向風(fēng)或被障礙物絆倒時(shí)，易發(fā)生側(cè)翻。而且由于側(cè)翻危險(xiǎn)發(fā)生迅速，駕駛員無(wú)法在短時(shí)間內(nèi)采取措施，因此提前幾秒預(yù)測(cè)側(cè)翻危險(xiǎn)的發(fā)生可以大大降低側(cè)翻事故。

國(guó)內(nèi)、外在車輛側(cè)翻預(yù)警和控制方面已有很多研究文獻(xiàn)，1998年Dunwoody等人提出了以橫向載荷轉(zhuǎn)移率（LTR）為指標(biāo)的判別依據(jù)[1]。在LTR指標(biāo)基礎(chǔ)上，朱天軍等人結(jié)合側(cè)翻預(yù)警時(shí)間概念（Time to rollover,TTR），并融入卡爾曼濾波方法提高了預(yù)測(cè)精度[2]。除了LTR值，Nalecz提出用側(cè)翻保護(hù)能量?jī)?chǔ)備法（Rollover Pre?vention Energy Reserved,RPER）來(lái)實(shí)現(xiàn)側(cè)翻預(yù)警[3]，P.J. Liu在半掛車的預(yù)警中提出了側(cè)翻失穩(wěn)評(píng)價(jià)指標(biāo)RSF （Roll Safety Factor）[4]。由于很多側(cè)翻研究中忽略了輪胎和懸架變形的影響，宋曉文等人提出了改進(jìn)的側(cè)翻模型，該模型可以作為整車參數(shù)設(shè)計(jì)的理論依據(jù)和側(cè)翻預(yù)警及主動(dòng)控制策略的基礎(chǔ)模型[5]。從懸架和輪胎等車輛結(jié)構(gòu)因素考慮，將側(cè)傾角作為側(cè)翻指標(biāo)是合理選擇，朱穎等人在車輛側(cè)傾角和側(cè)向加速度的相平面基礎(chǔ)上，建立了車輛側(cè)翻的線性判別模型[6]。

經(jīng)過(guò)對(duì)比研究，本文根據(jù)車輛4自由度運(yùn)動(dòng)模型，選取LTR值作為側(cè)翻指標(biāo)，并對(duì)LTR值影響較大的側(cè)向加速度和側(cè)傾角進(jìn)行了誤差標(biāo)定，從而提高測(cè)量精度，再根據(jù)AR模型理論實(shí)現(xiàn)LTR值未來(lái)3 s的預(yù)測(cè)，最后在android手機(jī)客戶端上實(shí)現(xiàn)了數(shù)據(jù)顯示、危險(xiǎn)程度顯示及數(shù)據(jù)存儲(chǔ)等功能。

2　側(cè)翻預(yù)警模塊的工作原理

2.1側(cè)翻模型的建立

本文選取4自由度汽車模型反映汽車的側(cè)翻特性，如圖1所示。4個(gè)自由度分別是沿X軸的縱向運(yùn)動(dòng)、繞X軸的側(cè)傾運(yùn)動(dòng)、沿Y軸的側(cè)向運(yùn)動(dòng)和繞Z軸的橫擺運(yùn)動(dòng)。在建立4自由度的汽車側(cè)翻模型之前進(jìn)行一些假設(shè)如下：

a.假設(shè)車輛在正常水平路面上行駛，忽略垂向及俯仰運(yùn)動(dòng)。

b.假設(shè)側(cè)傾角及其變化率不大。

c.不考慮輪胎動(dòng)力學(xué)特性、汽車懸架的非線性因數(shù)和前后軸的不對(duì)稱性。

d.忽略側(cè)向風(fēng)的影響。

圖1　汽車的側(cè)翻模型

通過(guò)達(dá)朗伯原理可以得到側(cè)傾動(dòng)力學(xué)方程，計(jì)算出側(cè)向力、繞x軸力矩以及沿z軸的受力平衡方程：

根據(jù)公式(1)以及建模之前對(duì)側(cè)傾角?的假設(shè)，可令?˙≈0,?¨≈0且cos2?≈1，v˙+wu=aym·cos?，得到LTR的簡(jiǎn)化計(jì)算式：

從公式（2）中可以看出，LTR與質(zhì)心到側(cè)傾中心的垂直距離h、輪距D、側(cè)向加速度aym、車身側(cè)傾角?相關(guān)。其中，h和D對(duì)每種車型是固定不變的，因此只需獲得aym和?便可以得到汽車側(cè)翻的判別指標(biāo)（LTR值）。本研究可以通過(guò)車載感知模塊測(cè)量出aym和角速度，并通過(guò)四元素法算出車身側(cè)傾角?。

2.2傳感單元的標(biāo)定

本研究中使用的傳感單元是由集成了陀螺儀和三軸加速度計(jì)的運(yùn)動(dòng)感知組件MPU-6050和微處理器STM32F103T8U6共同組成[7]，具有體積小、集成度高、性能好、測(cè)量誤差小等優(yōu)點(diǎn)。為了實(shí)現(xiàn)感知單元與an?droid手機(jī)移動(dòng)終端的無(wú)線通訊，研究中將感知單元與HC-05藍(lán)牙模塊通過(guò)串口相連，將傳感單元測(cè)得數(shù)據(jù)通過(guò)藍(lán)牙模塊實(shí)時(shí)發(fā)送。

獲取準(zhǔn)確實(shí)時(shí)的車身姿態(tài)數(shù)據(jù)是實(shí)現(xiàn)精確側(cè)翻預(yù)警的前提。為此，本研究中需要對(duì)傳感單元的性能參數(shù)做出標(biāo)定，從而對(duì)測(cè)得數(shù)據(jù)進(jìn)行誤差補(bǔ)償，提高系統(tǒng)的工作精度。

2.2.1陀螺儀標(biāo)定的數(shù)學(xué)模型

由于誤差產(chǎn)生的機(jī)制不同，陀螺儀對(duì)系統(tǒng)姿態(tài)誤差的影響包括固定值漂移誤差、標(biāo)定因數(shù)誤差、安裝誤差和隨機(jī)噪聲誤差等[8，9]。其中固定值漂移誤差和標(biāo)定因數(shù)誤差對(duì)系統(tǒng)的精度影響最大，因此建立陀螺儀誤差方程時(shí)忽略隨機(jī)噪聲誤差的影響。

根據(jù)以上誤差分析確定陀螺儀的誤差方程為：

式中，wx0、wy0、wz0代表陀螺儀的輸入值；wx、wy、wz代表陀螺儀的輸出值；bx、by、bz代表陀螺儀的漂移；kxx、kyy、kzz代表陀螺儀標(biāo)定因數(shù)；kxy、kxz、kyx、kyz、kzx、kzy代表陀螺儀安裝誤差系數(shù)。

2.2.2陀螺儀的標(biāo)定

本研究采用轉(zhuǎn)臺(tái)法逐個(gè)對(duì)各軸角速度進(jìn)行標(biāo)定。將車載感知模塊固定在步進(jìn)電機(jī)的轉(zhuǎn)臺(tái)上，固定時(shí)要注意將模塊邊緣與轉(zhuǎn)臺(tái)上的置放臺(tái)邊緣盡量貼合，從而保證標(biāo)定軸和轉(zhuǎn)臺(tái)的轉(zhuǎn)軸相對(duì)平行。對(duì)X、Y、Z軸依次進(jìn)行80°/s、90°/s、100°/s的轉(zhuǎn)速標(biāo)定，誤差系數(shù)為3組數(shù)據(jù)的平均值，以提高標(biāo)定精度。標(biāo)定后的陀螺儀角速度解算矩陣為：

2.2.3加速度計(jì)的標(biāo)定

在加速度計(jì)的標(biāo)定中，用加速度計(jì)感應(yīng)重力加速度的方法來(lái)完成。將陀螺儀的X、Y、Z軸依次垂直水平面在步進(jìn)電機(jī)的轉(zhuǎn)臺(tái)上固定，分別測(cè)出加速度為g和-g時(shí)各軸向的加速度值，采用與陀螺儀標(biāo)定相似的方法得到三軸加速度計(jì)的加速度解算矩陣為：

2.3基于AR模型的LTR值預(yù)測(cè)

為了實(shí)現(xiàn)側(cè)翻預(yù)警，需要對(duì)LTR值實(shí)現(xiàn)未來(lái)幾秒的預(yù)測(cè)，目前定量預(yù)測(cè)的方法主要有馬爾科夫分析法、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法、灰色系統(tǒng)模型預(yù)測(cè)和回歸模型預(yù)測(cè)。經(jīng)過(guò)對(duì)比研究[10，11]，本文選用AR自回歸模型來(lái)實(shí)現(xiàn)預(yù)測(cè)。

下列方程表示的序列模型即代表AR模型在LTR值預(yù)測(cè)中的應(yīng)用：

式中，xN+i為L(zhǎng)TR預(yù)測(cè)值；xN-1+i,xN-2+i,…xN-p+i為L(zhǎng)TR觀測(cè)值；p為模型的最優(yōu)階數(shù)，根據(jù)AIC準(zhǔn)則來(lái)確定模型的階數(shù)p。

3　Android客戶端的實(shí)現(xiàn)

本研究在Eclipse開發(fā)環(huán)境中實(shí)現(xiàn)側(cè)翻功能在An?droid手機(jī)上的編碼顯示。根據(jù)以上分析，Android手機(jī)端的編碼需包括藍(lán)牙數(shù)據(jù)接收、側(cè)翻模型的建立和LTR值的預(yù)測(cè)[12，13]。

3.1藍(lán)牙數(shù)據(jù)接收的Android代碼實(shí)現(xiàn)

載感知單元由藍(lán)牙模塊向手機(jī)客戶端發(fā)送16進(jìn)制數(shù)據(jù)幀，其中每一幀數(shù)據(jù)都具有幀起始標(biāo)志部分、數(shù)據(jù)實(shí)體部分和幀結(jié)束標(biāo)志部分。程序中另建立一個(gè)類Parser.java來(lái)處理接收的數(shù)據(jù)幀。

以下是以獲取X軸加速度為例所設(shè)計(jì)的類Parser. java程序代碼：

}

3.2側(cè)翻預(yù)警模型的Android代碼實(shí)現(xiàn)

手機(jī)端實(shí)現(xiàn)藍(lán)牙數(shù)據(jù)接收后，就可以利用側(cè)向加速度和橫擺角速度計(jì)算出側(cè)翻指標(biāo)LTR值，并利用AR算法實(shí)現(xiàn)LTR值未來(lái)3 s的預(yù)測(cè)。若判斷出未來(lái)3 s中某時(shí)刻的LTR值達(dá)到或超過(guò)0.9，手機(jī)端將會(huì)通過(guò)紅色進(jìn)度條和語(yǔ)音進(jìn)行提示。程序中通過(guò)Result.java類中實(shí)現(xiàn)數(shù)據(jù)顯示、側(cè)翻模型計(jì)算以及基于AR模型的預(yù)測(cè)，相關(guān)程序代碼如下：

//X軸加速度的標(biāo)定和LTR值計(jì)算的代碼實(shí)現(xiàn)

3.3側(cè)翻預(yù)警的android界面

本研究的android界面（圖2）包括：車身實(shí)時(shí)姿態(tài)的獲取（三軸加速度、三軸加速度和車身姿態(tài)角）；側(cè)翻預(yù)警指標(biāo)LTR的實(shí)時(shí)計(jì)算值和未來(lái)3 s預(yù)測(cè)；根據(jù)LTR值表示的側(cè)翻安全與危險(xiǎn)程度的進(jìn)度條；藍(lán)牙連接按鈕、數(shù)據(jù)保存按鈕、參數(shù)設(shè)置按鈕和返回按鈕等。其中數(shù)據(jù)保存按鈕可以實(shí)現(xiàn)數(shù)據(jù)的分段保存，有利于駕駛員對(duì)歷史數(shù)據(jù)的查詢與分析，還可以為將來(lái)把數(shù)據(jù)同步到云服務(wù)器做準(zhǔn)備。

圖2　汽車側(cè)翻預(yù)警界面示意

4　實(shí)車試驗(yàn)

車輛側(cè)翻大都發(fā)生在車輛處于極限工況的條件下，但是限于實(shí)際條件，很難在這種理想情況下進(jìn)行系統(tǒng)的側(cè)翻預(yù)警功能可行性試驗(yàn)。為了盡量模仿極限工況，本次實(shí)車試驗(yàn)選取了J-Turn、Fishhook運(yùn)行工況進(jìn)行試驗(yàn)。實(shí)車試驗(yàn)過(guò)程中打開藍(lán)牙按鈕配對(duì)HC-05藍(lán)牙模塊后，觀察側(cè)翻預(yù)警主界面上顯示各個(gè)汽車運(yùn)動(dòng)狀態(tài)參數(shù)、LTR值和側(cè)翻危險(xiǎn)指示條的變化。

將實(shí)時(shí)記錄的LTR值以及未來(lái)1～3 s的LTR數(shù)據(jù)導(dǎo)入MATLAB軟件中進(jìn)行數(shù)據(jù)的處理分析，得到Fish?hook、J-Turn工況下的試驗(yàn)結(jié)果。對(duì)試驗(yàn)數(shù)據(jù)結(jié)果進(jìn)行分析處理之后，得到相應(yīng)的平均誤差如表1所示。

表1實(shí)車試驗(yàn)得到的平均誤差

從表1中可以看出，在Fishhook試驗(yàn)工況下側(cè)翻預(yù)警未來(lái)1～3 s預(yù)警的平均誤差分別為5.1%、7.4%和11.2%，在J-Turn試驗(yàn)工況下側(cè)翻預(yù)警未來(lái)1～3 s預(yù)警的平均誤差分別為4.3%、6.2%、10.3%，驗(yàn)證了在實(shí)車試驗(yàn)中該車載智能移動(dòng)終端的側(cè)翻預(yù)警功能可行性良好。

5　結(jié)束語(yǔ)

本研究中通過(guò)建立4自由度模型計(jì)算側(cè)翻綜合指標(biāo)LTR值，可以實(shí)現(xiàn)側(cè)翻判別，但是并未考慮懸架和輪胎變形，以及道路橫向坡度對(duì)車身側(cè)傾的影響，會(huì)造成實(shí)際判別時(shí)的誤差，有待后續(xù)改進(jìn)。

引入了AR自回歸模型預(yù)測(cè)技術(shù)，利用大量的統(tǒng)計(jì)數(shù)據(jù)探索出變量間的本質(zhì)關(guān)系，可以對(duì)LTR值做出較精準(zhǔn)的預(yù)測(cè)。

在android手機(jī)客戶端實(shí)現(xiàn)了車身姿態(tài)數(shù)據(jù)的顯示和側(cè)翻預(yù)警功能，可以作為在android移動(dòng)終端構(gòu)建車載智能系統(tǒng)的重要一環(huán)，后續(xù)可以利用這些數(shù)據(jù)實(shí)現(xiàn)橫擺穩(wěn)定性、疲勞駕駛等功能的預(yù)測(cè)。

參考文獻(xiàn)

1Dunwoody A B,Stern Donald S.System and Method for the Detection of Vehicle Rollover Conditions.CA 2273950, 1988-06-18.

2朱天軍，宗長(zhǎng)富，吳炳勝，等.基于改進(jìn)TTR算法的重型車輛側(cè)翻預(yù)警系統(tǒng).機(jī)械工程學(xué)報(bào)，2011,47（10）:88～94.

3NALECZ A G.An Investigation into Dynamic Measures of Vehicle Rollover Propensity.Michigan:SAE,1993.

4Liu P J,Rakheja S,Ahmed A K W.Detection of Dynamic Roll Instability of Heavy Vehicles for Open-Loop Rollover Control.SAE Paper No.973263,1997.

5宋小文，李杰，王耕，等.一種改進(jìn)的側(cè)翻模型及其應(yīng)用研究.汽車工程，2009,31（10）:971～975.

6朱穎，周煒，郭志平，等.基于車輛側(cè)傾角側(cè)翻預(yù)警算法的研究.機(jī)械設(shè)計(jì)與制造.2011,2（2）:52～54.

7石存杰.車載感知與智能終端平臺(tái)的設(shè)計(jì)與研究：[學(xué)位論文].江蘇：江蘇大學(xué),2013.

8彭孝東,陳瑜,李繼宇,等.MEMS三軸數(shù)字陀螺儀標(biāo)定方法研究.傳感器與微系統(tǒng),2013,32（6）:63～65.

9宋麗君,秦永元.MEMS陀螺儀的一種實(shí)用標(biāo)定法.壓電與聲光,2010,32（3）:372～374．

10楊叔子,吳雅,軒建平,等.時(shí)間序列分析的工程應(yīng)用.武漢:華中科技大學(xué)出版社,2007.

11Sheng Lu and Ki H.Chon．Nonlinear Autoregressive and Nonlinear Autoregressive Moving Average Model Parame?ter Estimation by MinimizingHyper Surface Distance. IEEE Transactions on Signal Processing,December 2003 （12）:3020～3026.

12羅富財(cái).基于Android平臺(tái)的藍(lán)牙通信系統(tǒng)的研究與實(shí)現(xiàn)：[學(xué)位論文].北京：華北電力大學(xué),2013.

13侯新琦,李佳.基于Android藍(lán)牙通訊的研究.電子世界, 2012,（11）:84～85.

（責(zé)任編輯簾青）

修改稿收到日期為2015年12月1日。

Study on the Rollover Warning System based on Android

Liu Jun,Cheng Wei,Yuan Suoxian,Yuan Jun,Wang Liming
（Jiangsu University,Zhenjiang 212013）

【Abstract】In this research,a four 4-DOF vehicle model is established,and the Lateral-load Transfer Ratio(LTR)is proposed as the roll-over indicator.In the vehicle gesture acquiring process,calibration test is carried out for the gyroscope and accelerating sensor to improve the precision of measurement.The predicting method based on the auto-regression model analysis is proposed.The process of implementation of this function on Android client is introduced in details from bluetooth data receiving and sending,predicting model realization and interface design.The experiment indicates that this predicting system is feasible.

Key words:Rollover,LTR Indicator,Error calibration,AR model,Android client

中圖分類號(hào):U461.91

文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1000-3703（2016）03-0036-04