衛(wèi)星拒止環(huán)境下危險貨物運輸車輛融合定位方法*

宋 翔 任春曉 楊 礫 鄺井國 張 竟

（1.南京曉莊學院電子工程學院 南京 211171；2.交通運輸部公路科學研究院 北京 100088；3.東南大學儀器科學與工程學院 南京 210096；4.北京卓眾出版有限公司 北京 100083；5.杭州?？低晹?shù)字技術股份有限公司 杭州 310051；6.三一汽車制造有限公司 長沙 410000）

0 引 言

道路運輸是危險貨物的主要運輸方式，運輸過程“點多、線長、面廣”，流動分散難以有效監(jiān)控，且事故危害性極大[1]。全程位姿信息的有效獲取是危貨運輸保障的生命線，依靠準確的定位信息，可以進行實時監(jiān)控和誘導，掌握危險貨物動向，提升調度效率，改善行車安全[2]。

依據(jù)《道路危險貨物運輸管理規(guī)定》，危貨運輸車輛須安裝GPS/北斗等衛(wèi)星定位裝置實時監(jiān)控車輛位置、速度、方向等[3]。但運輸過程涉及交通環(huán)境繁多復雜，隧道、城市峽谷等環(huán)境的遮擋和多徑效應往往導致車載GPS長時間連續(xù)失效，無法準確可靠連續(xù)定位，嚴重制約了危貨運輸車輛的動態(tài)監(jiān)控。采用慣性導航[4]（inertial navigation system，INS）或航位推算[5]（dead-reckoning，DR）輔助GPS成為了最為常用的組合定位方法，相關技術在乘用車上有所應用，但車載慣性器件存在較大漂移和偏差，只能保證短時間的定位精度。為補償INS和DR的不足，車載運動傳感器[6]、電子地圖[7]、激光雷達[8]、視覺[9]等信息被引入以提升定位效果，但由于長時間缺乏絕對位置相關觀測信息對推算誤差進行校正和補償，導致誤差累積嚴重，在隧道等GPS長時間失效的衛(wèi)星拒止條件下存在著較大不足。出于成本和應用需求等角度考慮，相關技術在危貨運輸車輛上缺乏針對性研究，依舊是以GPS、北斗等單一衛(wèi)星定位技術為主，針對衛(wèi)星拒止條件下的準確定位更是缺乏相關研究。隨著車路協(xié)同技術及區(qū)域運行管控需求的發(fā)展，對危貨車輛在途高精度定位提出了更高要求。

近年來，利用射頻識別[10]（radio frequency identification，RFID）、超寬帶[11-12]（Ultra WideBand，UWB）以及車車/車路協(xié)作[13-14]等無線通信技術提供絕對位置相關信息實現(xiàn)衛(wèi)星拒止環(huán)境下的定位成為了研究熱點。Chon等[15]最早提出將RFID技術應用于車輛定位，并且初步驗證了可行性。Cheng等[16]使用無源RFID標簽對車輛進行導航定位，Lee等[17]將RFID與GPS數(shù)據(jù)融合實現(xiàn)定位。但RFID等技術定位結果中包含大量噪聲，能提供位置信息，難以提供速度、姿態(tài)等其他信息，且輸出頻率較低，往往僅有1 Hz。在危險貨物運輸領域，當前RFID技術主要用于車輛及物品識別識別，UWB技術主要應用危化品倉儲堆垛貨物的靜態(tài)定位，未見車載移動定位定位相關研究。

本文將RFID與低成本車載傳感器融合，并針對RFID信息的有效獲取和高容錯性的融合定位分別進行研究，實現(xiàn)衛(wèi)星拒止環(huán)境下危貨運輸車輛的無GPS準確定位。此外，隨著汽車主動安全技術的發(fā)展，車輛CAN總線蘊含有豐富的傳感器[18]，本文將充分利用其中的豐富信息實現(xiàn)融合定位。

1 整體定位策略

所提出的RFID/車載傳感器融合定位方法見圖1。

由圖1可見，融合所需信息主要來自2個方面：RFID和車載傳感器。運用主動式RFID，通過在車頂布置的讀寫器接收來自環(huán)境標簽的信號接收器強度（received signal strength，RSS）信息，提出最小二乘支持向量機（least squares support vector machine，LSSVM）方法實現(xiàn)標簽到讀寫器距離的估計；車載傳感器包含輪速和電子羅盤所組成的DR系統(tǒng)，所輸出信息與RFID距離信息一起作為融合算法的觀測量。此外，還包括CAN總線傳感器所測量的車輛縱向加速度ax，側向加速度ay和橫擺角速度ωz作為系統(tǒng)輸入向量建立改進車輛狀態(tài)模型，以便于準確描述車輛縱向及橫向運動狀態(tài)的變化。

對于RFID與車載傳感器信息的融合，有2點問題必須考慮：①RFID與車載傳感器具有不同的采樣頻率，RFID一般為1 Hz，車載傳感器則能達到20 Hz以上；②由于通信故障、多徑或缺乏足夠數(shù)量的標簽，導致無RSS信號或信號錯誤，RFID無法提供有效的觀測信息，會影響濾波器效果。車輛定位領域常用的擴展卡爾曼濾波EKF由于其集中式濾波結構在融合過程中難以處理上述2點，分散化信息濾波為解決該問題提供了可能的解決途徑。本文提出一種RFID/車載傳感器的自適應分散化信息濾波（Adaptive Decentralized Information Filtering，ADIF）用于實現(xiàn)融合定位。ADIF是一種融入自適應規(guī)則的分散化信息濾波算法，具有分散化濾波結構，能夠融合不同采樣頻率的信息，且依據(jù)所設定的自適應規(guī)則能夠快速判斷和去除無效信息，確保融合有效。

2 基于LSSVM的距離估計算法

相比于到達時間、到達角度等，RSS無需增加額外硬件，獲取成本低。采用讀寫器所接收的RSS值，建立數(shù)學模型來估計標簽與讀寫器之間的距離，模型的準確性直接影響著定位精度。Friis模型是最為常用的模型[19]，但在實際交通環(huán)境中信號反射、散射、遮蔽現(xiàn)象會對信號強度產(chǎn)生干擾，且這些現(xiàn)象通常與環(huán)境有關，難以采用精確的數(shù)學模型來描述其對接收信號強度的影響。因此，針對信號傳播的不確定性，提出一種LSSVM方法來建立RSS與距離之間關系的數(shù)學模型。

式中：ω∈Rnh是可調整權值向量，b為閾值，非線性映射φ(.):R1→Rnh代表從低維輸入向量到高維特征空間的映射。ω和b可通過下面最優(yōu)化問題來確定

其約束條件為

式中：ek代表誤差變量，γ≥0為正則化常數(shù)。為解決這個優(yōu)化問題，引入Lagrangian函數(shù)

αk為拉格朗日因子，根據(jù)Karush Kuhn Tucker優(yōu)化條件，可將求解的優(yōu)化問題轉化為求解線性方程見式（5）。

K(x，xk)為徑向基核函數(shù)，αk和b是式（5）的解，γ與σ的取值通過大量訓練來確定。經(jīng)過離線訓練，式（6）可實時根據(jù)所測RSS值在線估計標簽和讀寫器之間距離。

3 融合定位算法

在實時獲取了RFID標簽與讀寫器之間距離后，為克服傳統(tǒng)卡爾曼濾波的不足，提出一種ADIF濾波策略，實現(xiàn)RFID信息與車載傳感器信息的融合定位。

3.1 狀態(tài)模型建立

為準確描述車輛縱向及橫向運動狀態(tài)的變化，將CAN總線自帶傳感器所測的車輛縱向加速度ax，側向加速度ay和橫擺角速度ωz作為系統(tǒng)輸入向量，建立改進的車輛運動模型描述車輛運動狀態(tài)。系統(tǒng)狀態(tài)向量可表示為

式中，Pe與Pn表示車輛質心的東向與北向位置，Ve與Vn表示車輛的東向速度與北向速度，ψ為車輛的航向角。改進的車輛運動模型可表示為

式中：f為狀態(tài)轉移函數(shù)，k為離散時間步長，T為采樣周期，表示輸入向量。

3.2 觀測模型建立

由圖1可見，系統(tǒng)的觀測信息來自于2個不同的信息源，即RFID與車載DR傳感器，針對其不同特性分別建立觀測模型。車載DR傳感器的觀測模型可表示為

RFID的觀測模型可表示為

3.3 ADIF融合算法

對上述的狀態(tài)及觀測模型，設計分散化信息濾波架構實現(xiàn)融合，包括2個步驟。

1）時間更新類似于傳統(tǒng)卡爾曼濾波

式中：A和B為f對與U求導的Jacobian矩陣，Pk，k-1為狀態(tài)預測協(xié)方差陣，Γ與Q分別表示過程噪聲與輸入噪聲的協(xié)方差矩陣。

2）測量更新實現(xiàn)分散化架構

式中：Pk表示測量更新方差矩陣，K1與K2為車載傳感器和RFID的卡爾曼增益，H1與H2分別表示h1與h2對求導的Jacobian矩陣，R1與R2表示車載傳感器和RFID的觀測噪聲方差陣，s表示尺度系數(shù)，取0或1。

由式（12）與式（15）可知，ADIF的測量更新是通過對RFID與車載傳感器的觀測信息進行線性組合來實現(xiàn)的。在這樣分散化架構下，若RFID信息錯誤或不可用，則可輕易將其去除。RFID信息不可用包括3種情形：①所探測的標簽數(shù)量太少，即少于4個；②RFID觀測時間未到，即處于2個連續(xù)的傳輸周期內(nèi)；③RFID在信號遮擋或多路徑效應等不利環(huán)境下發(fā)生失效。RFID的失效可以通過所接收標簽的數(shù)目來初步判別：若可接受的標簽數(shù)量低于某個閾值N（=4），則RFID觀測信息應該被排除于濾波融合過程。此外，為進一步保障RFID失效信息被可靠的監(jiān)測到，通過借鑒GPS的故障診斷方法，設計了一種驗證準則

該驗證表達式表示橢球分布的概率，閾值λthres可以根據(jù)卡方分布（chi-square distribution）來確定[20]。如果λ小于或等于閾值λthres，則表明RFID觀測信息是有效的，如果λ大于或等于閾值λthres，則代表由于遮擋或多路徑效應等原因，RFID觀測信息無效。在式（16）中，S2表示RFID新息向量的協(xié)方差矩陣，即

綜合考慮上述因素，可建立相應的規(guī)則來確定實際的更新過程中s的取值，即：當RFID觀測時間未到達或(N＜4)或(λ>λthres)，則s=0；否則s=1。

4 試驗驗證

為檢驗本文所提出的融合定位算法的實際效果，進行了多組實車試驗。車輛上安裝有采樣頻率為1 Hz的RFID讀寫器及天線以及采樣頻率為10 Hz的電子羅盤，此外，通過CAN總線，可獲取采樣頻率為100 Hz的橫向、縱向加速度與橫擺角速度信息，以及采樣頻率為10 Hz的縱向車速信息。所用的RFID設備除了安裝于車頂?shù)淖x寫器，還包括一批主動式RFID標簽，標簽的RSS范圍被歸一化為0～255，最大被感知距離為9 m。

4.1 距離估計算法驗證

在實驗室內(nèi)、室外無遮擋環(huán)境和隧道等不同的場景中，分別采用LSSVM算法對RSS信號與標簽至讀寫器之間距離的關系進行擬合。在不同的標簽與讀寫器之間距離下采集RSS信號進行，在0～1.5 m范圍內(nèi)，采集的間隔為0.1 m，在1.5～9 m范圍內(nèi)，采集間隔為0.25 m。每個采集位置放置4個標簽，采集時間為5 min，所采集的RSS的平均值作為該位置的RSS真值。作為比較，F(xiàn)riis模型也被用來建立RSS與距離之間的關系。在各類環(huán)境下均進行了大量實驗，某次室外無遮擋環(huán)境下的擬合結果見圖2，某次隧道環(huán)境下的距離估計誤差見圖3。在圖3中，誤差值是通過擬合值與參考真值相比較獲得。對于不同環(huán)境，其多次實驗平均擬合誤差的均值（mean）與標準差（standard deviation，STD）見表1。

圖2 室外無遮擋環(huán)境擬合結果Fig.2 Fitting result of outdoor unshaded environment

從圖2～3和表1可見，LSSVM算法取得了比Friis模型更好的效果，能夠提供更為準確的距離信息從而提高后續(xù)融合定位的性能。特別是在隧道環(huán)境中，由于多路徑效應等影響，F(xiàn)riis模型的估計性能下降明顯，而LSSVM算法則得到了改善，這是由于LSSVM算法具備特定環(huán)境下的學習能力從而對于不同的環(huán)境具備較強的適應性。通過對相同環(huán)境下不同組數(shù)據(jù)的LSSVM擬合誤差的最大值與RMS（均方根）等統(tǒng)計值開展差異顯著性檢驗，其擬合精度無顯著差異。

圖3 隧道環(huán)境下距離估計誤差Fig.3 Distance estimation error in tunnels

表1 擬合誤差的均值與標準差Tab.1 Mean and STD of fitting error m

4.2 融合定位算法驗證

在室外環(huán)境中設置模擬隧道，以開展RFID初定位以及后續(xù)融合定位效果的驗證，真實參考軌跡可通過高精度差分GPS獲取。隧道寬度按照雙車道隧道寬度設置為7.5 m，隧道的形狀分別設置為直線形狀和含直線和曲線的綜合形狀，標簽布置在隧道兩側，每一側相鄰2個標簽之間距離為6 m左右。在試驗中，所有的傳感器數(shù)據(jù)為實時采集存儲，通過對數(shù)據(jù)進行事后處理對定位方法進行驗證。

將僅采用DR傳感器進行遞推的方法、僅采用RFID定位的方法、傳統(tǒng)擴展卡爾曼濾波EKF融合定位的方法都用于與筆者提出的融合方法相比較。其中，DR方法是指利用式（10）所描述的狀態(tài)方程，僅采用式（11）所描述的測量方程，僅利用里程計和電子羅盤觀測信息進行標準擴展卡爾曼濾波推算結果；RFID方法為采用多邊定位法（multi-lateration），利用最小二乘方法所計算結果：EKF融合定位為利用式（10）所描述的狀態(tài)方程，以及RFID、里程計和電子羅盤觀測信息（即與本文所用全部觀測信息相同），但不采用本文所提出ADIF方法，僅采用標準擴展卡爾曼濾波遞推結果。

為了有效驗證算法在不同運動狀態(tài)下的有效性，共進行了21組實驗，包括直線加減速、曲線加減速、變道等運行狀態(tài)。選擇了其中7組實驗結果為代表，其Euclidean距離誤差的RMS統(tǒng)計值見圖4。

圖4 7組試驗的誤差統(tǒng)計值比較Fig.4 Comparison of error statistics of 7 tests

由圖4可見，由于累積誤差，在車輛定位領域應用較為廣泛的DR方法定位精度最低，而ADIF算法則取得了最佳的定位效果。由于篇幅所限，僅挑選某次實驗加以說明，其余實驗也均有類似的結論。某次實驗的軌跡見圖5。對于DR、RFID、EKF與ADIF4種方法，表2給出了其Euclidean距離誤差的統(tǒng)計值，圖6給出了4種方法的東向位置誤差。

圖5 某次試驗的運行軌跡Fig.5 Vehicle track of one of the tests

表2 不同方法定位效果Tab.2 Positioning performance of different methods

從表2可以看出，DR的定位精度最低，其Euclidean距離誤差的RMS值和最大值均為4種方法中最大，這是因為DR遞推的誤差會隨時間累積。僅用RFID定位的方法取得了比DR稍高的精度，然而其Euclidean距離誤差的最大值很大，這是因為其距離估計結果包含有誤差，同時可能存在標簽失效的情形。

圖6 東向位置誤差Fig.6 Error of eastern position

從表1和圖6，可見本文所提出的基于ADIF的融合方法以及基于傳統(tǒng)EKF的濾波方法相比DR和RFID方法均取得了較為明顯的效果提升。例如，ADIF誤差的RMS值從DR定位的7.21 m和RFID定位的5.47 m下降到2.31 m，性能分別提升了68%和58%，這要歸因于DR所提供的豐富準確的車體運動信息能夠明顯改善定位性能，同時，由于改進車輛模型，ADIF融合方法和EKF融合方法能夠根據(jù)車輛直線或曲線等不同運動狀態(tài)進行自適應調整。

相比于EKF，ADIF取得了更好的融合效果，這是因為它對噪聲模型的不準確和設定的模型參數(shù)與真實實驗情況不盡相同等情形具有較好的魯棒性。與EKF相比，ADIF方法的Euclidean距離誤差的最大值從7.71 m降低到2.76，提升了大約65%的精度。主要原因是因為分散化結構和自適應規(guī)則能夠明顯提升性能，特別是在RFID信息錯誤或者失效的情形下。同時，無遮擋環(huán)境下，一般民用車載低成本GPS的定位距離誤差RMS在3 m左右，ADIF方法在衛(wèi)星拒止條件下定位距離誤差RMS值達到2.31 m，已經(jīng)達到甚至略優(yōu)于無遮擋環(huán)境下GPS的定位精度，能夠滿足危貨貨物運輸車輛全程定位及監(jiān)控需求。

為進一步說明所提出的ADIF方法在存在標簽失效工況下的定位效果，在數(shù)據(jù)處理過程中設定某些標簽局部或完全失效，即加大測量噪聲或置0，實驗結果見圖7。

從圖7可見，ADIF方法取得了明顯優(yōu)于EKF的性能，特別是在RFID無法提供可靠RSS信息的區(qū)域。主要原因是由于這些失效標簽的噪聲急劇增長或無法輸出有用信息，ADIF的新息能夠快速適應這些變化，從而實時估計出相對準確的定位結果。

圖7 RFID失效情形下定位效果Fig.7 Positioning performance of RFID failure

5 結束語

對衛(wèi)星拒止環(huán)境下的危貨運輸車輛實時定位問題進行了研究。以LSSVM算法根據(jù)RFID的RSS信息估計出較為準確的距離信息，具備不同環(huán)境的適應性。進而結合距離信息和車載傳感器信息，通過改進車輛狀態(tài)模型，設計分散化濾波器，并融入故障自適應規(guī)則，實現(xiàn)不同頻率信息的融合并對傳感器故障具有較好的容忍能力，實現(xiàn)了車輛的準確、魯棒定位，達到了當前危貨車輛主要定位方法-衛(wèi)星定位在無遮擋環(huán)境下的定位精度，優(yōu)于車輛定位領域應用較為廣泛的DR方法的精度，能夠滿足對危貨運輸車輛全程管控需求。未來進一步將圍繞RFID信息的處理和可靠測距進行深入研究，包括如何消除多路徑效應、非視距、反射等對于觀測結果的影響等。同時，將針對車載DR傳感器的失效進行深入的研究，提升系統(tǒng)的魯棒性。并在隧道、城市峽谷、立交橋下等復雜環(huán)境進行更多試驗以全方位驗證算法有效性。