基于DCA的自動駕駛車輛傳感數(shù)據(jù)融合方法研究

梁洪波

(安徽交通職業(yè)技術(shù)學(xué)院 汽車與機(jī)械工程系，安徽 合肥 230051)

引言

數(shù)據(jù)融合技術(shù)興起較晚，在當(dāng)前軍事和人們?nèi)粘Ｉ钪胁粩喑霈F(xiàn)的多傳感器的應(yīng)用下，考慮到傳感器上提供的數(shù)據(jù)各不相同，同時表達(dá)形式也不同，為了實(shí)現(xiàn)對數(shù)據(jù)的綜合利用，研究者提出了數(shù)據(jù)融合技術(shù)[1]。該技術(shù)早期出現(xiàn)在西方國家中，主要應(yīng)用在軍事系統(tǒng)中早期研究運(yùn)用神經(jīng)網(wǎng)絡(luò)技術(shù)對其中的數(shù)據(jù)單元進(jìn)行綜合性識別。而該技術(shù)也在國內(nèi)形成了一段時間的研究高潮，在文獻(xiàn)[2]中，田明明[2]等學(xué)者提出通過原始數(shù)據(jù)分析傳感器節(jié)點(diǎn)的信任度，在證據(jù)融合階段引入支持度修正證據(jù)迭代融合思想，修正傳感器證據(jù)，將修正后的證據(jù)再次融合，多次迭代得到最終融合結(jié)果，完成了傳感器數(shù)據(jù)融合算法。在文獻(xiàn)[3]中，劉建鋒[3]提出使用互聯(lián)概率加權(quán)，推導(dǎo)并行式和序貫式多傳感器數(shù)據(jù)融合公式,實(shí)現(xiàn)傳感器聯(lián)合概率數(shù)據(jù)在復(fù)雜環(huán)境下的融合互聯(lián)。但上述方法在運(yùn)算中，缺乏對傳感數(shù)據(jù)動態(tài)條件下波動情況的考慮，在應(yīng)用中，精度難以保證。

為此，本文提出設(shè)計(jì)一種基于DCA的自動駕駛車輛傳感數(shù)據(jù)融合方法。在多尺度環(huán)境下，構(gòu)建多傳感數(shù)據(jù)動態(tài)模型，利用DCA算法的抗原對動態(tài)矩陣數(shù)據(jù)進(jìn)行規(guī)范化處理，采用平均加權(quán)法調(diào)整數(shù)據(jù)權(quán)值，完成了數(shù)據(jù)的融合。實(shí)驗(yàn)證明，本文方法具有較高的精度和較短的時延，具有一定的應(yīng)用性。

1 基于DCA的自動駕駛車輛傳感數(shù)據(jù)融合方法設(shè)計(jì)

在本文的數(shù)據(jù)融合設(shè)計(jì)中，為了使融合方法可以適用于多來源的傳感數(shù)據(jù)，因此默認(rèn)數(shù)據(jù)環(huán)境為多尺度下的傳感數(shù)據(jù)環(huán)境。

1.1 多尺度多傳感器數(shù)據(jù)動態(tài)模型

本文中通過建立傳感數(shù)據(jù)動態(tài)模型來判斷不同傳感數(shù)據(jù)的狀態(tài)[4]。設(shè)在尺度N中的多尺度多傳感器動態(tài)狀態(tài)為

x(N,x+1)=A(N,K)x(N,k)+w(N,k)k≥0

(1)

z(i,k)=C(i,k)x(i,k)+v(i,k)k≥0,i=N,N-1,...,2,1

(2)

在以上公式里(i,k)內(nèi)的i代表尺度指標(biāo)，而N代表傳感數(shù)據(jù)中的最細(xì)尺度，同時x(N,k)∈Rn×1作為n維內(nèi)的狀態(tài)向量，而A(N,k)∈Rn×n則作為模型矩陣，z(i,k)∈Rp×1(p≤n)則代表尺度i中傳感器的狀態(tài)觀測值。C(i,k)∈Rp×n則代表模型中相應(yīng)的觀測陣。在本文模型中設(shè)傳感數(shù)據(jù)的采樣率之間關(guān)系為2倍[5]，即x(i,k)=x(N,2N-ik)。而其中采樣數(shù)據(jù)噪音w(N,k)與觀測傳感數(shù)據(jù)噪音v(i,k)同為不相關(guān)的零均值白噪聲序列，滿足：

E{w(N,k)}=0

(3)

E{w(N,k)wT(N,j)}=Q(N,k)δkj

(4)

(5)

(6)

通過計(jì)算，獲得多傳感器的動態(tài)數(shù)據(jù)矩陣。

1.2 DCA輸入數(shù)據(jù)規(guī)范化

DCA作為樹突細(xì)胞群體算法，通過在其中的每個DC通過收集信號和抗原將某一狀態(tài)進(jìn)行轉(zhuǎn)換[7]。本文利用DCA算法，將獲取的傳感動態(tài)數(shù)據(jù)進(jìn)行規(guī)范化處理。首先對PAMP信號的映射中，將獲取的信號數(shù)據(jù)，進(jìn)行相關(guān)的API函數(shù)變化率調(diào)用[8]。同時通過對初級DCA的定義，信號在Maxps=1秒內(nèi)擊鍵所產(chǎn)生的API的最大使用次數(shù)，而當(dāng)信號經(jīng)過線性變換后，Maxps映射出的PAMP信號的最大值為100[9]。在本文中，僅映射的時刻設(shè)為t，PAMP信號變化率，定義為：

(7)

而在同樣條件下，Danger信號，由于可以直接受到樹突細(xì)胞群Botmaster的命令的響應(yīng)，因此Danger信號在映射時，可以對數(shù)據(jù)的每個進(jìn)程進(jìn)行攔截和調(diào)用[10-13]。Dager信號的計(jì)算如下：

(8)

在公式(8)中，Trecv,send代表執(zhí)行攔截和調(diào)用過程中使用的信號時間差。而對細(xì)胞群算法中，對Safe信號由于可以被較多函數(shù)進(jìn)行調(diào)用，會出現(xiàn)短時間內(nèi)的多信號的調(diào)用。為了保證數(shù)據(jù)的規(guī)范化質(zhì)量，本文對其定義在同時進(jìn)行的調(diào)用最多數(shù)量為兩個，則得出Safe信號的計(jì)算公式如下所示：

(9)

在公式(9)中，△T代表調(diào)用的兩個連續(xù)通信函數(shù)的時間差值。在本文中，利用樹冠細(xì)胞算法中抗原的映射，將映射在算法中的數(shù)據(jù)信號進(jìn)行映射攔截和修改，并使其實(shí)現(xiàn)同一規(guī)范化。而在其中能對每類抗原類型的異常系數(shù)計(jì)算如下：

(10)

在公式(10)中，Zb代表算法中抗原類型為b的成熟抗原數(shù)量，Yb代表抗原類型為b的抗原中的總抗原數(shù)量。而其中的MCAV數(shù)值在0-1之間，而該數(shù)值越靠近1，代表該抗原存在異常的可能性越大。而由于樹突細(xì)胞算法在運(yùn)算時，輸入信號數(shù)據(jù)和輸出信號數(shù)據(jù)之間僅進(jìn)行加權(quán)計(jì)算，因此計(jì)算開銷較少，其輸出信號如下：

(11)

在(11)中，W代表信號權(quán)值，i代表輸入至算法中信號的類別，即S1=PAMP,S2=DS,S3=SS。而經(jīng)過DCA算法輸出的數(shù)據(jù)，具有數(shù)據(jù)規(guī)范性。

1.3 規(guī)范傳感數(shù)據(jù)平均加權(quán)融合

當(dāng)傳感數(shù)據(jù)已經(jīng)完成規(guī)范化處理后，可利用加權(quán)平均的方法，并根據(jù)法則獲得加權(quán)因子，得出融合后的測量數(shù)據(jù)，同時可以根據(jù)對加權(quán)因子的調(diào)整，對融合后的數(shù)據(jù)比例進(jìn)行調(diào)整[14-15]。設(shè)在K時刻下的傳感數(shù)據(jù)來源于n個傳感器，同時對該目標(biāo)的測量值為Xki,(i=1,2,…,n)，其中Xki可作為經(jīng)過變換后的第n個數(shù)據(jù)。同時經(jīng)過加權(quán)平衡后的融合算法，得出參與傳感數(shù)據(jù)的每個傳感器上的權(quán)值aki,(i=1,2,…,n)，得出經(jīng)過數(shù)據(jù)處理后的結(jié)果：

(12)

圖1 權(quán)值參數(shù)分布示意圖Fig.1 Schematic diagram of weight parameter distribution

而當(dāng)運(yùn)用上述方法進(jìn)行權(quán)值分配時，獲得的權(quán)值分配參數(shù)如下：

公式(13)作為權(quán)值分配公式，其中bi作為測量值，利用一組權(quán)值參數(shù)，△i并可以根據(jù)此來得到傳感器對各測量值對應(yīng)的加權(quán)因子：

(14)

在實(shí)際的應(yīng)用中，考慮其中權(quán)值參數(shù)確定曲線的合理性，并進(jìn)行權(quán)值平均處理，經(jīng)過加權(quán)因子的調(diào)整，即可獲得融合后的傳感數(shù)據(jù)。

2 實(shí)驗(yàn)論證分析

為了驗(yàn)證本文設(shè)計(jì)的傳感數(shù)據(jù)融合方法的可行性，采用某款自動駕駛車輛作為研究對象，并對其中包含的多個傳感器得到的傳感數(shù)據(jù)進(jìn)行融合研究。實(shí)驗(yàn)分為兩次，第一次采用本文數(shù)據(jù)融合方法僅單一傳感器數(shù)據(jù)融合測試，第二次對多傳感器的數(shù)據(jù)進(jìn)行融合，并與文獻(xiàn)[2]、文獻(xiàn)[3]方法的融合效果進(jìn)行對比。

2.1 實(shí)驗(yàn)對象

利用自動駕駛車輛的半實(shí)物仿真實(shí)驗(yàn)，來對自動駕駛車輛上各類傳感器的數(shù)據(jù)融合效果，以及融合后的數(shù)據(jù)結(jié)果能否完成對車輛位置的反饋進(jìn)行驗(yàn)證。半實(shí)物仿真采用半實(shí)物的模擬設(shè)備來實(shí)現(xiàn)，并根據(jù)實(shí)際車輛情況設(shè)計(jì)。其中安裝了兩個運(yùn)動測量單元，一套GPS傳感器，一個風(fēng)傳感器以及一個電羅經(jīng)。實(shí)驗(yàn)?zāi)M設(shè)備如圖2所示。

圖2 實(shí)驗(yàn)?zāi)M車輛Fig.2 Experimental simulation vehicle

本實(shí)驗(yàn)?zāi)M自動駕駛車輛行駛運(yùn)動狀態(tài)，并將多個傳感器中傳輸?shù)膫鞲袛?shù)據(jù)進(jìn)行提取并進(jìn)行融合實(shí)驗(yàn)。

2.2 傳感器數(shù)據(jù)評價

在上述中的運(yùn)動測量傳感器上，最差測角精度為28秒，對自動駕駛條件下的車輛最大視場角為0.3134度。為了對傳感器結(jié)果進(jìn)行評價，本文對傳感器數(shù)據(jù)進(jìn)行測試，得出的數(shù)據(jù)誤差變化情況如表1所示。

表1 傳感器變化偏差數(shù)據(jù)

在數(shù)據(jù)融合實(shí)驗(yàn)中，根據(jù)上述中的傳感器數(shù)據(jù)偏差變化情況，從傳感器測試的數(shù)據(jù)分布特征考慮，并得出傳感器上對應(yīng)權(quán)值，運(yùn)用本文中的拋物線權(quán)值分布法，保留可用數(shù)據(jù)，并引入至數(shù)據(jù)整體中，得出融合后的傳感數(shù)據(jù)。

2.3 數(shù)據(jù)融合配置

對傳感數(shù)據(jù)的采集時間為100秒，實(shí)驗(yàn)中每秒執(zhí)行一次采集，實(shí)驗(yàn)中共采集到100組不同傳感器下的數(shù)據(jù)傳感信號，同時在采集中，利用本文方法對其中的DCA抗原進(jìn)行采集，傳感器1的數(shù)據(jù)中采集到90個抗原，傳感器2的數(shù)據(jù)中采集到87個抗原，傳感器3中采集到7461個抗原，傳感器4中采集到18461個抗原，傳感器5中采集到7874個抗原，傳感器編號依據(jù)表1順序得出。而在本文配置中，對傳感器的融合中的加權(quán)值如表2所示。

表2 信號融合加權(quán)值

利用數(shù)據(jù)融合技術(shù)，進(jìn)行兩次融合，第一次將單一傳感器中的數(shù)據(jù)進(jìn)行融合，測試傳感器數(shù)據(jù)融合后的數(shù)據(jù)的偏差值是否改善，第二次將多種數(shù)據(jù)進(jìn)行融合，嘗試獲取到更準(zhǔn)確的車輛位置參數(shù)。

2.4 一次融合結(jié)果

在一次融合中，對單一類型數(shù)據(jù)進(jìn)行融合，以測量數(shù)據(jù)的平均值作為參考，進(jìn)行確定加權(quán)因子，剔除誤差較大的測量數(shù)據(jù)的影響，同時對單一類型傳感器間數(shù)據(jù)變化的采樣，如傳感器1的100次采樣中的變化如圖3所示。

圖3 傳感器1數(shù)值偏差采樣結(jié)果Fig.3 Sampling results of sensor 1 value deviation

而對傳感器的數(shù)值進(jìn)行融合后，各傳感器的變化偏差值如表3所示。

表3 數(shù)據(jù)融合后傳感器變化偏差數(shù)據(jù)

通過與表1結(jié)果對比可以發(fā)現(xiàn)，經(jīng)過數(shù)據(jù)融合后傳感器的變化偏差數(shù)值得到了明顯的下降，證明融合方法可以獲得更優(yōu)傳感數(shù)據(jù)。

2.5 二次融合結(jié)果

二次融合實(shí)驗(yàn)中，依據(jù)一次融合結(jié)果，對GPS傳感器中的坐標(biāo)數(shù)據(jù)，與其它傳感器的數(shù)據(jù)進(jìn)行融合，得出當(dāng)前車輛的姿態(tài)失準(zhǔn)角，并與文獻(xiàn)[2]、文獻(xiàn)[3]中的數(shù)據(jù)融合方法以及GPS傳感結(jié)果對比實(shí)驗(yàn)結(jié)果如表4所示。

表4 數(shù)據(jù)融合后車輛姿態(tài)失準(zhǔn)角檢測結(jié)果

表3實(shí)驗(yàn)結(jié)果顯示，經(jīng)過本文設(shè)計(jì)的數(shù)據(jù)融合后的數(shù)據(jù)，傳感數(shù)據(jù)值，更接近實(shí)際的車輛狀態(tài)數(shù)值，精度達(dá)到了99.8%，證明研究的可行性。

2.6 數(shù)據(jù)融合時延

為驗(yàn)證本文方法的應(yīng)用性，與文獻(xiàn)[2]、文獻(xiàn)[3]方法對比，測試數(shù)據(jù)融合的時延。得到對比結(jié)果如圖4。

圖4 數(shù)據(jù)融合時延對比結(jié)果Fig.4 Data fusion delay comparison results

由圖4可知，本文方法數(shù)據(jù)融合的時延平均為150ms左右，遠(yuǎn)遠(yuǎn)低于其他方法，可以實(shí)現(xiàn)高效融合數(shù)據(jù)。

綜上，本文方法具有高效、高精度的特性，考慮了傳感數(shù)據(jù)動態(tài)條件下的波動情況，在一定程度上解決了在復(fù)雜環(huán)境下自動駕駛車輛傳感數(shù)據(jù)的融合。

3 結(jié)束語

本文利用DCA樹突細(xì)胞群體算法，將傳感數(shù)據(jù)進(jìn)行規(guī)范化處理，從而實(shí)現(xiàn)數(shù)據(jù)的融合。同時由于建立了數(shù)據(jù)的動態(tài)模型，確定了數(shù)據(jù)的動態(tài)變化形式，因此融合后的傳感數(shù)據(jù)精度更高，為99.8%，時延較短，平均為150ms左右。但由于采用了多尺度下數(shù)據(jù)環(huán)境，因此在進(jìn)行融合運(yùn)算時，占用較高，能耗較大，未來仍需進(jìn)一步優(yōu)化。