傳感器在汽車(chē)領(lǐng)域的應(yīng)用研究

隨著汽車(chē)朝著智能化的方向進(jìn)行發(fā)展，車(chē)載傳感器越來(lái)越多樣化，傳感器使用提高了汽車(chē)的安全性、動(dòng)力性、舒適性等性能。本文將對(duì)傳感器在汽車(chē)領(lǐng)域的應(yīng)用進(jìn)行探究。

1 使用車(chē)載傳感器和GPS進(jìn)行車(chē)輛狀態(tài)估計(jì)的綜合觀測(cè)器法[1]

1.1 研究目的和研究方法

本研究提出了一種估計(jì)車(chē)輛側(cè)滑角的新方法，該方法是一些車(chē)輛底盤(pán)控制系統(tǒng)的關(guān)鍵技術(shù)。利用現(xiàn)有的車(chē)載傳感器和獨(dú)立的全球定位系統(tǒng)（GPS），開(kāi)發(fā)了一種集成的觀測(cè)器方法，包括基于各自自行車(chē)模型和運(yùn)動(dòng)學(xué)模型傳感器偏移補(bǔ)償器和兩種擴(kuò)展卡爾曼濾波器（EKF）。集成觀測(cè)器方法的流程圖如文中Fig.1.所示。為了正確地組合這些擴(kuò)展卡爾曼濾波器的輸出，設(shè)計(jì)了加權(quán)因子，輪胎轉(zhuǎn)彎剛度和輪胎力的函數(shù)。通過(guò)非線性系統(tǒng)的可觀測(cè)性函數(shù)來(lái)檢查每個(gè)擴(kuò)展卡爾曼濾波器模型的可觀測(cè)性。同時(shí)，通過(guò)提出的算法，對(duì)縱向速度、航向角和輪胎轉(zhuǎn)向剛度進(jìn)行了估算。將全球定位系統(tǒng)（GPS）與車(chē)載傳感器的數(shù)據(jù)相結(jié)合。一些研究人員指出，這種組合是足夠準(zhǔn)確和可靠的，在準(zhǔn)確性、帶寬和噪音水平方面具有互補(bǔ)的特性。此外，擴(kuò)展卡爾曼濾波（EKF）是一種有效的估計(jì)非線性系統(tǒng)狀態(tài)的方法，適用于自行車(chē)模型和運(yùn)動(dòng)模型。三個(gè)子系統(tǒng)（傳感器偏移補(bǔ)償器和兩個(gè)基于車(chē)輛模型的EKF）使用價(jià)格具有競(jìng)爭(zhēng)力的傳感器融合（車(chē)載傳感器和GPS）單獨(dú)實(shí)現(xiàn)。通過(guò)真實(shí)的基于汽車(chē)的實(shí)驗(yàn)，已經(jīng)確認(rèn)了在各種駕駛情況下的高性能估計(jì)。并通過(guò)比較研究確定了綜合觀測(cè)器的優(yōu)越性。

Fig.1. 集成觀測(cè)器流程圖[1]

1.2 研究結(jié)論

該集成觀測(cè)器算法的主要研究結(jié)論概括如下：

（1）傳感器偏移補(bǔ)償器結(jié)構(gòu)簡(jiǎn)單直觀，但可以輕松消除傳感器固有偏移，提高整個(gè)估算算法的準(zhǔn)確性。

（2）具有輪胎轉(zhuǎn)彎剛度估計(jì)的基于自行車(chē)模型的EKF在輪胎線性區(qū)域中提供了優(yōu)異的估計(jì)性能并對(duì)輪胎非線性區(qū)域進(jìn)行檢測(cè)。相比之下，解決了GPS測(cè)量上非線性問(wèn)題，特別是基于運(yùn)動(dòng)模型的EKF有效地用于輪胎非線性區(qū)域。

（3）最終的綜合觀測(cè)器具有一些優(yōu)勢(shì)，例如由于EKF的預(yù)測(cè)步驟而具有更高的估計(jì)精度以及高頻噪聲的抑制而沒(méi)有任何相位滯后問(wèn)題。

（4）只使用最少數(shù)量的傳感器的建議觀測(cè)算法是一種具有高性價(jià)比方法。

（5）該算法可能會(huì)成為量產(chǎn)車(chē)輛狀態(tài)估計(jì)的實(shí)用解決方案。此外，期盼由算法提供的有意義的信息可能會(huì)成為改進(jìn)車(chē)輛控制系統(tǒng)性能具有光明前景的工具。

2 利用氣體傳感器探究汽車(chē)特性對(duì)其氣體排放影響的初步結(jié)果[2]

2.1 研究目的和研究方法

使用便攜式監(jiān)測(cè)傳感器，對(duì)停放在不同地方的車(chē)輛進(jìn)行測(cè)量。測(cè)量排放物包括氮氧化物（NOx），一氧化碳（CO），二氧化碳（CO2）和揮發(fā)性有機(jī)化合物（VOC）。在本項(xiàng)研究中，已經(jīng)嘗試將汽車(chē)排放的氣體與一些汽車(chē)特性相關(guān)聯(lián)，例如功率（從68到143 HP不等），行駛的公里數(shù)和車(chē)齡（2到19年之間）。檢測(cè)排放值變化顯著，CO2檢測(cè)值變化范圍是490至3350 ppm，CO檢測(cè)值變化范圍是0.1至40.3 ppm，有機(jī)化合物VOC變化范圍為0.13至32.25 mg/m3。以NO2排放的為例，最高測(cè)量水平為4.66 mg/m3。此外，在啟動(dòng)和關(guān)閉發(fā)動(dòng)機(jī)之前，人體呼吸的測(cè)量被用于評(píng)估車(chē)輛排放對(duì)人類健康的影響。發(fā)現(xiàn)暴露水平確實(shí)是排氣影響到操作人員肺的呼吸質(zhì)量。

為了評(píng)估汽車(chē)特性對(duì)空氣質(zhì)量的影響，本研究檢測(cè)了11輛柴油車(chē)和5輛汽油車(chē)中CO2，CO，NO2和VOCs的氣體排放量。廢氣的濃度和檢測(cè)的每輛汽車(chē)的功率、年齡和公里數(shù)等參數(shù)有關(guān)。本研究根據(jù)發(fā)動(dòng)機(jī)中使用的燃料類型，分別研究汽車(chē)特性對(duì)柴油車(chē)和汽油車(chē)尾氣排放的影響。

2.1.1 柴油車(chē)

表1顯示了柴油車(chē)的排放測(cè)量值和發(fā)動(dòng)機(jī)動(dòng)力特性、車(chē)齡和行駛公里數(shù)的關(guān)系。對(duì)于測(cè)量的每個(gè)參數(shù)，包括在傳感器操作期間獲得的最小值，最大值和平均值，而且可看到排放值作為每輛車(chē)特性函數(shù)而變化。

表1 柴油車(chē)排放特性[2]

2.1.2 汽油車(chē)

表2列出了不同汽車(chē)特性下的汽油車(chē)排放數(shù)據(jù)。對(duì)于測(cè)量的每個(gè)參數(shù)，在已建立的操作時(shí)間內(nèi)記錄了最小值、最大值和平均值?？偟膩?lái)說(shuō)，對(duì)于所有污染物而言，氣體的濃度與一種交通工具的濃度差別很大，與汽車(chē)的不同特性相關(guān)較小。

表2 汽油車(chē)排放特性[2]

2.2 結(jié)論

研究結(jié)果表明，汽車(chē)的氣體排放與汽車(chē)的特性有關(guān)。汽車(chē)尾氣排放的成分隨著功率、車(chē)齡和行駛公里數(shù)的變化而變化。然而，汽油和柴油車(chē)之間的排放量沒(méi)有太大差異。另一方面，暴露操作者與車(chē)輛排氣，通過(guò)增加測(cè)量氣體吸入濃度，對(duì)比試驗(yàn)前后測(cè)量數(shù)據(jù)進(jìn)行評(píng)估。這些數(shù)據(jù)證明，操作員的呼吸受到汽車(chē)排放的嚴(yán)重影響，從而給人類健康帶來(lái)嚴(yán)重風(fēng)險(xiǎn)。

3 多傳感器駕駛員輔助系統(tǒng)的可靠性和測(cè)試工作分析 [3]

3.1 研究目的和研究方法

自動(dòng)駕駛汽車(chē)的現(xiàn)代駕駛員輔助系統(tǒng)通常依賴于不同傳感器收集的數(shù)據(jù)來(lái)確定必要的系統(tǒng)決策。為了防止系統(tǒng)故障，使用不同的驗(yàn)證技術(shù)。開(kāi)發(fā)工作通常在汽車(chē)制造商和供應(yīng)商之間劃分，因此測(cè)試工作就是一個(gè)主要項(xiàng)目驗(yàn)收標(biāo)準(zhǔn)。現(xiàn)有的工作評(píng)估方法是不適用的，因?yàn)樗鼈円蕾囉谠谠缙陔A段不存在的實(shí)施細(xì)節(jié)，或者在項(xiàng)目經(jīng)驗(yàn)或個(gè)別專家的期望中，這些都不夠可靠，不能作為可靠的來(lái)源。因此，本研究提出了一種多傳感器系統(tǒng)誤差概率計(jì)算的分析方法?；诖?，作者可以對(duì)測(cè)試工作進(jìn)行估計(jì)，使得在統(tǒng)計(jì)可信度下，在測(cè)試期間不會(huì)出現(xiàn)傳感器系統(tǒng)的錯(cuò)誤。該方法能夠?qū)⑦B續(xù)傳感器誤差之間的依賴性和不同傳感器之間的相關(guān)性考慮在內(nèi)，主要通過(guò)使用離散時(shí)間馬爾可夫鏈。因此，所提供的方法允許設(shè)計(jì)多傳感器系統(tǒng)，滿足特定的總誤差概率要求，并給出處于測(cè)試工作上限估算結(jié)果。

3.2 研究結(jié)論

在本研究中，作者提出了一種分析方法，用于確定基于多傳感器的駕駛員輔助系統(tǒng)必須處理的測(cè)試工作量，以確保具有預(yù)定義系統(tǒng)的可靠性。該方法能夠處理異構(gòu)傳感器設(shè)置，并考慮連續(xù)傳感器讀數(shù)和傳感器之間的相關(guān)性。由于傳感器循環(huán)時(shí)間和相關(guān)誤差率用作單個(gè)數(shù)據(jù)輸入，因此估算方法可以直接用于早期項(xiàng)目階段（見(jiàn)文中Fig.9.），例如規(guī)范階段。這就是為什么不需要或不考慮實(shí)施細(xì)節(jié)的原因。作為自上而下的方法，不考慮諸如環(huán)境問(wèn)題或老化效應(yīng)的物理干擾。所提出的方法提供了在真實(shí)的汽車(chē)開(kāi)發(fā)項(xiàng)目開(kāi)始時(shí)只需使用當(dāng)時(shí)已知的關(guān)鍵事實(shí)可以估計(jì)所需的測(cè)試工作內(nèi)容。然后，可以將確定的值用作與供應(yīng)商或服務(wù)提供商的合作項(xiàng)目中的認(rèn)可和驗(yàn)收標(biāo)準(zhǔn)。除了在真實(shí)汽車(chē)項(xiàng)目中的試驗(yàn)外，對(duì)其它細(xì)化系統(tǒng)方面和傳感器特性的考慮也是正在進(jìn)行的工作的一部分，并在后續(xù)出版物中進(jìn)行描述。特別是相關(guān)傳感器的理論內(nèi)容涵蓋到更復(fù)雜的傳感器流程，而不僅僅是兩個(gè)傳感器。

Fig.9. System model simulation and results.

4 關(guān)于連接汽車(chē)設(shè)備、系統(tǒng)和建模的傳感器技術(shù)[4]

4.1 研究目的及方法

車(chē)輛事故是導(dǎo)致人身傷害、財(cái)產(chǎn)損失、金融重大損失和其它對(duì)公眾的負(fù)面影響的全球性重大問(wèn)題。在大多數(shù)情況下，車(chē)輛事故是由可避免的人為錯(cuò)誤和不正確的駕駛習(xí)慣引起的。隨著傳感技術(shù)所取得最新進(jìn)步，自動(dòng)駕駛、聯(lián)網(wǎng)汽車(chē)和自動(dòng)駕駛車(chē)輛變得越來(lái)越實(shí)用。傳感器數(shù)據(jù)也為對(duì)等車(chē)輛共享系統(tǒng)進(jìn)行車(chē)輛到車(chē)輛（V2V）交互來(lái)減少道路事故作出貢獻(xiàn)，以及使用傳感器來(lái)維持安全駕駛距離和避免發(fā)發(fā)生事故。聯(lián)網(wǎng)汽車(chē)中的傳感器技術(shù)還通過(guò)使用車(chē)輛到基礎(chǔ)設(shè)施（V2I）交互來(lái)改善整體駕駛體驗(yàn)。這使得能夠從路邊單元網(wǎng)絡(luò)接收警告，起到固定航路點(diǎn)的作用以及警告消息的接續(xù)和可提供關(guān)鍵服務(wù)信息。這種信息對(duì)于通過(guò)傳統(tǒng)通信渠道無(wú)法可靠獲得的位于偏遠(yuǎn)地區(qū)的用戶特別有益。

4.2 研究?jī)?nèi)容

（1）駕駛機(jī)動(dòng)分類研究

使用了三種基于窗口的駕駛特征提取方法,機(jī)動(dòng)分類是自動(dòng)統(tǒng)計(jì)進(jìn)行的，使用主成分分析提取特征和堆疊的稀疏自動(dòng)編碼器。這項(xiàng)研究強(qiáng)調(diào)了需要將駕駛機(jī)動(dòng)分類技術(shù)作為一種努力消除交通事故并協(xié)助汽車(chē)用戶采用油耗優(yōu)化方法。研究中用嵌入式智能手機(jī)傳感器生成基于窗口的數(shù)據(jù)，然后使用主要組件分析和堆疊稀疏自動(dòng)編碼器提取使用窗口的功能。從這項(xiàng)工作來(lái)看，在大多數(shù)情況下，窗口較小尺寸可以提高加速和減速操作時(shí)的性能。

（2）先進(jìn)駕駛輔助系統(tǒng)研究

作者進(jìn)行了先進(jìn)駕駛輔助系統(tǒng)研究，其中引入了危險(xiǎn)駕駛強(qiáng)度（DDI）的概念。通過(guò)粒子群優(yōu)化，針對(duì)建模駕駛員、車(chē)輛和車(chē)道屬性，提出了模糊集優(yōu)化框架。此方法中采用輸入傳感器以獲得駕駛條件和駕駛員條件。

（3）物聯(lián)網(wǎng)云系統(tǒng)研究

作者做了基于移動(dòng)傳感器數(shù)據(jù)處理的交通監(jiān)控物聯(lián)網(wǎng)云系統(tǒng)和車(chē)輛事故預(yù)防的研究?；贠pen GTS和Mongo DB的流量監(jiān)控和警報(bào)通知，提出一個(gè)監(jiān)控交通和報(bào)警通告物聯(lián)網(wǎng)云系統(tǒng)。通過(guò)某些車(chē)輛上安裝使用的GSM/GPRS/GPS TK103系統(tǒng)跟蹤器收集地理位置和速度數(shù)據(jù)。

（4）通流參數(shù)測(cè)量研究

基于雷達(dá)傳感器的交通流參數(shù)測(cè)量，López等提出了一種其工作頻率為24 GHz的基于頻率調(diào)制連續(xù)波配有衛(wèi)星裝置的雷達(dá)。他們提出的原型樣機(jī)通過(guò)使用來(lái)自目標(biāo)回波的相位信息來(lái)執(zhí)行雜波消除和目標(biāo)速度估計(jì)。

（5）緊急廣播策略研究

本研究提出了一種緊急廣播系統(tǒng)，稱為適當(dāng)?shù)能?chē)輛緊急情況發(fā)布（AVED）方案，以確保車(chē)輛在發(fā)生交通事故時(shí)，車(chē)輛的傳感器檢測(cè)到?jīng)_擊信號(hào)并立即發(fā)送緊急消息以通知附近的其它車(chē)輛，以幫助避免冗余的廣播消息。

（6）主動(dòng)威脅檢測(cè)研究

針對(duì)用于互聯(lián)汽車(chē)，Al-Khateeb等人調(diào)查遠(yuǎn)程或網(wǎng)絡(luò)劫持互聯(lián)車(chē)輛。他們介紹了網(wǎng)絡(luò)威脅的主動(dòng)異常檢測(cè)技術(shù),即通過(guò)貝葉斯估計(jì)技術(shù)，通過(guò)使用行為分析和概況分析概念進(jìn)行預(yù)防這些威脅。

5 基于智能手機(jī)傳感器數(shù)據(jù)分析的車(chē)型和駕駛活動(dòng)檢測(cè)[5]

5.1 研究目的和研究方法

本文呈現(xiàn)給大家的是一種靈活的組合系統(tǒng)，即車(chē)輛駕駛活動(dòng)檢測(cè)系統(tǒng)（VADS，見(jiàn)文中Figure 1.和Fig?ure 2.）。它既能夠檢測(cè)當(dāng)前車(chē)輛模式又可檢測(cè)到駕駛員當(dāng)前的駕駛活動(dòng)。設(shè)計(jì)系統(tǒng)計(jì)算快，對(duì)駕駛者的車(chē)輛模式或駕駛事件的響應(yīng)迅速。車(chē)輛模式檢測(cè)模塊負(fù)責(zé)識(shí)別機(jī)動(dòng)車(chē)輛（如汽車(chē)、公共汽車(chē)和摩托車(chē)）和非機(jī)動(dòng)車(chē)輛（如步行和自行車(chē)）。該模塊設(shè)計(jì)原則以最大限度地減少智能手機(jī)的能源消耗。相比之下，駕駛活動(dòng)檢測(cè)模塊使用從智能手機(jī)的加速計(jì)、陀螺儀和磁力計(jì)收集的數(shù)據(jù)來(lái)檢測(cè)各種駕駛活動(dòng)，即停止、直行、左轉(zhuǎn)和右轉(zhuǎn)。此外，本文還提出了一種方法來(lái)計(jì)算每種車(chē)輛模式和每個(gè)駕駛事件的優(yōu)化數(shù)據(jù)窗口大小，同時(shí)使用訓(xùn)練數(shù)據(jù)集來(lái)優(yōu)化重疊比率。實(shí)驗(yàn)結(jié)果表明，該策略大大提高了整體預(yù)測(cè)的準(zhǔn)確性。此外，還進(jìn)行了大量實(shí)驗(yàn)來(lái)比較不同特征集（時(shí)域特征、頻域特征、Hjorth特征）以及各種分類算法（隨機(jī)森林、樸素貝葉斯、決策樹(shù)J48、K最近鄰和支持向量機(jī)）影響到預(yù)測(cè)精度。在使用隨機(jī)森林分類器和包含時(shí)域特征、頻域特征和Hjorth特征的特征集時(shí)，作者提出的系統(tǒng)在檢測(cè)車(chē)輛模式時(shí)的平均準(zhǔn)確度達(dá)到98.33%，在識(shí)別摩托車(chē)駕駛員的駕駛事件時(shí)平均準(zhǔn)確度達(dá)到98.95%。此外，在臺(tái)灣新臺(tái)北HTC公司的公共數(shù)據(jù)比較集中，作者提議的框架獲得的總體準(zhǔn)確率為97.33%，遠(yuǎn)高于現(xiàn)有技術(shù)水平。

5.2 結(jié)論

本文提出了一個(gè)靈活的組合系統(tǒng)，它由兩個(gè)模塊組成：一個(gè)用于檢測(cè)用戶的車(chē)輛模式，一個(gè)用于檢測(cè)瞬態(tài)駕駛活動(dòng)。無(wú)論智能手機(jī)的定向和位置如何，作者提出的系統(tǒng)在檢測(cè)車(chē)輛模式時(shí)均能達(dá)到98.33%的精度，在使用隨機(jī)森林分類器時(shí)識(shí)別摩托車(chē)駕駛員的駕駛事件的平均準(zhǔn)確度為98.95%。

Figure 1.The Vehicle mode-driving Activities Detection System(VADS).

Figure 2.The Framework of the Vehicle Detection Module(VDM).

此外，研究結(jié)果顯示與使用相同窗口尺寸5s和重疊率為50%的方法相比，最佳參數(shù)（窗口尺寸和重疊率）導(dǎo)致系統(tǒng)性能明顯增強(qiáng)。具體數(shù)據(jù)顯示，當(dāng)分別使用隨機(jī)森林、J48、樸素貝葉斯、KNN和SVM分類器時(shí)，車(chē)輛模式檢測(cè)模塊將其預(yù)測(cè)精度分別提高2.73%、3.04%、6.45%、7.37%和5.72%。類似的結(jié)果表明，活動(dòng)檢測(cè)模塊分別對(duì)應(yīng)隨機(jī)森林、J48、樸素貝葉斯、KNN和SVM分類器，分別獲得7.98%、9.06%、8.60%、9.33%和8.48%的預(yù)測(cè)準(zhǔn)確度。請(qǐng)注意，算法1推斷的最佳窗口大小范圍為4到6 s，這對(duì)于實(shí)時(shí)應(yīng)用是可行的。此外，Na?veBayes、KNN和SVM分類器顯示對(duì)特征的相關(guān)性非常敏感，因?yàn)楫?dāng)添加更多特征時(shí)駕駛事件預(yù)測(cè)準(zhǔn)確度降低。相比之下，隨機(jī)森林和J48分類器不受此影響。