0 引言

随着计算机网络的飞速发展，物联网(Internet of Things，IoT)技术成为当前的研究热点。车辆自组织网络(Vehicle Ad hoc Networks，VANETs)作为一种重要的物联网技术，在智能交通领域应用广泛^[1]。目前，安全驾驶是车辆自组织网络的重要应用方向之一，该应用的关键是获取车辆的精确位置^[2]。一般地，车辆都装备了定位装置（如GPS定位模块或北斗定位模块），但这些定位模块的定位精度有限，而且在遮挡情况下定位精度会进一步下降，难以满足碰撞告警等安全驾驶领域对车辆定位的要求^[3-5]。因此，车辆自组织网络中对车辆精确定位技术的研究需求旺盛。目前常用的车辆定位方法有TOA（Time of Arrival）^[6]和AOA（Angle of Arrival）^[7]方法，前者是基于达到时间来估算目标的相对距离，该方法在遮挡情况下测量误差很大；后者是基于达到角度来测量目标的距离，一般适用于短距离的测量，对车辆定位而言效果不好。全球定位系统（Global Positioning System，GPS）是目前应用效果较好的定位技术，但在安全驾驶应用领域精度还不够高，且遮挡情况下多径效应比较严重^[8]。采用惯性导航技术可以一定程度上弥补GPS的一些缺陷，但是成本较高，不利于推广使用^[9]。扩展卡尔曼滤波方法^[10-13]是专门为非线性的车辆运动设计的跟踪方法，在车辆定位方面有成功应用，然而，目前的车辆定位方法定位精度仍然无法满足车辆安全驾驶等应用需求。

为了进一步提高车辆定位精度，本文提出一种基于多传感器融合与邻居协作的车辆精确定位方法，通过融合车辆上的多传感器信息建立车辆自身的运动状态模型，通过车辆自组织网络的通信服务获取一跳邻居车辆的位置信息，用邻居车辆的相关信息进行协作定位，估算当前车辆的位置信息，再结合车辆状态的可信度来修正车辆当前位置，从而提高当前车辆的定位精度。

1 本文方法

在车辆自组织网络中，尽管每一台车辆都安装了定位装置。但是，定位装置获取的车辆位置的精度不高，不能适用于安全驾驶、拥堵检测等对车辆位置精度要求较高的领域。为了提高车辆自组织网络中车辆定位的精度，本文综合利用车辆自组织网络中各车辆之间的相对位置信息，以及车辆自身运动状态信息，来修正定位装置获取的车辆位置信息，提高定位精度。图1给出了本文方法的基本流程。本文方法主要包括五个阶段：

（1）数据获取阶段

该阶段用于获取车辆上安装的各种传感器的测量数据，以及通过车辆自组织网络的通信服务获取邻居车辆的相关数据。

（2）车辆状态建模阶段

该阶段依据车辆自身所安装的多传感器的测量数据，以及车辆自身的运动模型，对车辆的当前运动状态进行建模，用于描述车辆在不同时刻的变化情况。

（3）可信度计算阶段

在建立了车辆当前运动状态的模型之后，本文采用贝叶斯滤波策略来计算车辆当前运动状态的可信度。

（4）车辆相对位置估算

这一阶段主要是通过车辆自组织网络的通信服务来获取车辆的一跳邻居的位置信息，利于一跳邻居进行协作定位，估算当前车辆的相对位置。

（5）车辆当前位置修正

该阶段结合车辆的当前状态、可信度以及估算的车辆相对位置来对车辆的当前位置进行修正，提高车辆定位的精度。

1.1 数据获取

数据获取是指从车辆自身安装的多传感器来获取车辆的状态数据，同时，利用车辆自组织网络的通信服务获取其他车辆的状态数据。

本文假设车辆自组织网络中的每一台车辆都安装了定位装置，可以获取车辆的位置信息。同时，每一台车辆都安装了刹车和油门的角度测量传感器，可以获取刹车和油门的角度值。还有，每一台车辆还安装了车轮转动角度测量传感器，可以获取车轮的转向角度值。

在车辆自组织网络中，不同车辆之间可以通过车与车通信和车与基础设施通信来获取邻居车辆的位置等信息。

表1给出了数据获取阶段需要获取的数据。本文假设车辆需要具备数据存储功能，可以存储上述获取到的车辆状态数据。

1.2 车辆状态建模

本文采用一种简单的车辆驱动模型来估算车辆的运动状态，具体是利用车辆当前时刻油门和刹车的角度值来估计车辆的速度。

记α_C(t)和α_{C max}分别表示车辆的油门角度的当前值和最大值，则在当前时刻t，车辆的归一化油门角度值为：

那么，车辆在当前时刻t的状态可以由车辆状态控制向量U(t)和车辆在t-1时刻的状态联合表示，为：

事实上，式(5)可以视为车辆的非线性状态转移矩阵，用于描述不同时刻车辆状态的变化。

1.3 可信度计算

在当前时刻t，本文采用贝叶斯滤波策略^[14]来计算每一台车辆关于当前车辆状态X(t)的可信度，表示为：

1.4 车辆相对位置估算

在车辆自组织网络中，每一台车辆都可以与其一跳邻居的车辆进行数据交互。这样，可以依据相邻车辆的信息来估算当前车辆的相对位置。

在当前时刻t，记第i台车辆为v_i，其一跳邻居车辆的集合记为N_t(v_i)。对于集合N_t(v_i)中的第j台车辆v_j，它与车辆v_i在当前时刻t的相对距离和角度可以依据各自车辆上安装的定位装置来计算，表示为：

1.5 车辆当前位置修正

通过计算由车辆的一跳邻居车辆估计的位置的加权累加和，可以提高车辆位置的可信度。基于这一思路，车辆vi在当前时刻t的位置可以表示为：

这样，经过上述五个阶段的处理，可以实现对当前车辆位置的精确定位。

2 仿真实验与结果分析

为了验证本文方法的车辆定位性能，在MATLAB 2012软件平台上，采用本文方法与传统的GPS定位方法和扩展卡尔曼滤波方法进行车辆定位仿真实验，每种方法都执行100次Monte Carlo仿真，对比各种方法进行车辆定位的均方根误差（Root Mean Square Error，RMSE）来评价各种方法的定位性能。其中，均方根误差可以表示为^[15]：

2.1 实验环境及参数

本文仿真实验的相关参数如表2所示。

在本文的仿真实验中，采样时间间隔为5 s，这样时间片段数量为30。在仿真实验中，每台车辆装配的GPS定位装置在车辆运行过程中会遭受多径衰落，引发定位偏差。图2展示了车辆1在不同时间片段测量的定位偏差，类似地，其他车辆的GPS定位装置在车辆运行过程中也存在偏差。

在本文的仿真实验中，假定车辆都沿着平直道路行驶，且车速恒定。每一台车辆的运动模型噪声（即文中的ε(t)）和初始位置是随机的，观测噪声（即文中的δ(t)）是通过采样时间点（也即时间片段）上的GPS定位误差获取的。

2.2 可信度评价

图3所示为采用本文方法计算的每一个时间片段上车辆1的位置可信度。与图2相比较可以发现，GPS定位偏差越大，车辆位置的可信度越低，且GPS定位误差逐渐降低时，车辆位置的可信度快速升高。这说明，本文方法计算的可信度能正确反映车辆位置是否可信，这为后续的车辆位置修正提供了依据。

2.3 定位精度对比

为了评价不同方法的车辆定位精度，首先比较同一台车辆在不同的时间片段上的定位均方根误差，如图4所示。在图4中，只抽取了第6、12、18、24和30个时间片段的定位均方根误差。可见，GPS定位方法和扩展卡尔曼滤波方法的RMSE指标差异不大，而本文方法的RMSE指标在不同的时间片段上都远小于其他两种方法，这说明本文方法的车辆定位误差远小于其他两种方法。而且，本文方法的定位误差受车辆GPS定位偏差的影响不大，其原因主要有两个方面：(1)本文方法采用贝叶斯滤波方法计算车辆位置的可信度，依据可信度作为权重来进行车辆位置修正，这样，由于GPS定位偏差大的车辆位置所对应的可信度小，故位置修正之后GPS定位偏差对车辆位置的影响较小。(2)本文方法采用一跳邻居车辆的相对位置信息来对当前车辆的位置进行修正，这样，在相同的时间片段上，车辆之间的相对位置受GPS定位偏差的影响相对较小，且经过多台车辆的相对位置修正之后，当前车辆的估计位置受GPS定位偏差的影响进一步降低。因此，本文方法定位的车辆位置受车辆GPS定位误差的影响较小。

进一步比较不同车辆定位的平均均方根误差，也即所有时间片段上的均方根误差平均值，如图5所示。

图5中统计了3种方法下7台车辆的平均均方根误差。在每种方法下，7台车辆的顺序是一致的。很明显，不论是哪一台车辆，本文方法的平均均方根误差都要小于其他两种方法，这说明采用本文方法对车辆进行定位的定位精度高于其他两种方法。

3 结束语

本文提出了一种基于多传感器融合和邻居协作的车辆精确定位方法，通过多传感器数据融合构建车辆状态模型，结合贝叶斯滤波方法计算车辆当前状态的可信度，利用车辆一跳邻居的相关信息估算当前车辆的相同位置，综合可信度计算与车辆位置估计来修正车辆当前位置。仿真实验结果表明，与常用的GPS、扩展卡尔曼滤波方法相比，本文方法可以明显降低车辆定位的均方根误差，而且定位精度受GPS定位误差的影响小，是一种面向车辆自组织网络应用的高精度车辆定位方法。

参考文献

[1] 刘小洋，伍民友.车联网：物联网在城市交通网络中的应用[J].计算机应用，2012，32(4)：900-904.

[2] CHA S H.A survey of broadcast protocols for vehicular Ad-hoc networks[J].Smartcr，2014，4(4)：246-255.

[3] JO K，CHU K，SUNWOO M.Interacting multiple model filter-based sensor fusion of GPS with in-vehicle sensors for real-time vehicle positioning[J].IEEE Transactions on Intelligent Transportation Systems，2012，13(1)：329-343.

[4] WEI L，CAPPELLE C，RUICHEK Y.Camera/Laser/GPS fusion method for vehicle positioning under extended NIS-based sensor validation[J].Instrumentation & Measurement IEEE Transactions on，2013，62(11)：3110-3122.

[5] AMINI A，VAGHEFI R M，GARZA J M D L，et al.Improving GPS-based vehicle positioning for intelligent transportation systems[C].Intelligent Vehicles Symposium Proceedings，2014 IEEE，2014：1023-1029.

[6] FERREIRA B，MATOS A，CRUZ N.Optimal positioning of autonomous marine vehicles for underwater acoustic source localization using TOA measurements[C].Underwater Technology Symposium，2013：1-7.

[7] NGUYEN T L N，SHIN Y.A new approach for positioning based on AOA measurements[C].International Conference on Computing，Management and Telecommunications，2013：208-211.

[8] YI A N，NING B，CAI B G，et al.Vehicle positioning using GPS/CP and intersection collision detection[J].Journal of Traffic & Transportation Engineering，2013，13(1)：104-113.

[9] 李增科，王坚，高井祥.精密单点定位在GPS/INS组合导航中的应用[J].武汉大学学报：信息科学版，2013，38(1)：48-51.

[10] REID J.An extended Kalman filter for the estimation of transfer alignment errors to an airborne vehicle[J].Guidance & Control Conference，1980，45(63)：1.

[11] LIANG T.An approach for vehicle state estimation using extended Kalman filter[C].Communications in Computer & Information Science，2012，326：56-63.

[12] 安雷，张国良，张维平，等.移动机器人扩展卡尔曼滤波定位与传感器误差建模[J].信息与控制，2012，41(4)：406-412.

[13] RAJESWARI K，ANJALI.Extended Kalman filter for vehicle suspension system[C].Applied Mechanics & Materials，2014，573：317-321.

[14] GALOV A，MOSCHEVIKIN A.Bayesian filters for ToF and RSS measurements for indoor positioning of a mobile object[C].International Conference on Indoor Positioning and Indoor Navigation，2013：1-8.

[15] 邵震洪.车辆自组织网络协作定位策略研究[D].南京：东南大学，2014.

作者信息:

黄金国1，周先春2

(1.江苏开放大学 信息与机电工程学院，江苏 南京210017；2.南京信息工程大学 电子与信息工程学院，江苏 南京210044)