劉 沖，張月霞，2，3*

(1. 北京信息科技大學(xué)信息與通信工程學(xué)院，北京 100101； 2. 北京信息科技大學(xué)現(xiàn)代測控技術(shù)教育部重點實驗室，北京 100101； 3. 北京信息科技大學(xué)高動態(tài)導(dǎo)航北京市實驗室，北京 100101)

1 引言

車聯(lián)網(wǎng)是未來智能交通系統(tǒng)發(fā)展的必然趨。在過去的十年里，許多智能交通應(yīng)用得到了飛速的發(fā)展，如輔助駕駛、自動駕駛、車輛防碰撞、高速公路監(jiān)測等。然而，這些應(yīng)用需要實時且精確的車輛定位技術(shù)支撐。以GPS為代表的NGSS在高樓密集的街區(qū)、山區(qū)、惡劣天氣等場景中由于信號受障礙物阻擋，導(dǎo)致其定位性能大打折扣甚至無法完成定位，難以滿足為未來車聯(lián)網(wǎng)應(yīng)用對安全性和實時性的要求。

近年來，隨著車聯(lián)網(wǎng)定位技術(shù)的不斷發(fā)展，基于V2X的定位技術(shù)越來受到人們的關(guān)注。文獻(xiàn)[5]將基于機(jī)器學(xué)習(xí)方法和V2X通信進(jìn)行了融合，在待定位區(qū)域的不同位置分別采集不同RSU的接收信號強(qiáng)度構(gòu)建指紋庫，定位階段將待定位車輛的接收信號強(qiáng)度與指紋庫中指紋進(jìn)行對比，篩選指紋庫中相似度最高的指紋點對應(yīng)坐標(biāo)作為待定位車輛位置。文獻(xiàn)[6]提出了一種利用到達(dá)角度(AOA)和V2X通信的車輛定位方法，該方法假定待定位車輛配備全向天線，待定位車輛利用全向天線解算出通信范圍內(nèi)接收到RSU或輔助車輛信號的來波角度，并利用來波角度的正切值構(gòu)建包含待定位車輛坐標(biāo)的位置約束方程組。文獻(xiàn)[7]提出一種基于加權(quán)質(zhì)心算法的V2X車輛定位方法，針對傳統(tǒng)質(zhì)心定位方法精度較低問題，待定位車通過對附近RSU和輔助車輛的坐標(biāo)進(jìn)行加權(quán)來估算自身的位置坐標(biāo)，其中權(quán)值的設(shè)置主要包括相對距離及接收信噪比兩部分。

在上述基于V2X的改進(jìn)定位方法中全部假設(shè)待定位車輛可以接收到足夠的RSU及輔助車輛廣播信息。然而在實際車聯(lián)網(wǎng)環(huán)境中，由于成本、能耗、實際車流量、輔助車輛比例等諸多因素的影響導(dǎo)致大多數(shù)網(wǎng)絡(luò)中RSU及輔助車輛的分布相對稀疏，無法為待定位車輛提供持續(xù)且精準(zhǔn)的位置服務(wù)。以二維定位場景為例，基于測距的定位方法要求待定位車輛同時位于三個輔助節(jié)點的廣播范圍內(nèi)才可完成定位，而基于非測距的定位方法也需要同時位于多個輔助節(jié)點通信范圍內(nèi)才能獲得精準(zhǔn)的位置估計，這通常難以保證。

UAV技術(shù)是現(xiàn)階段熱點研究方向之一，已廣泛應(yīng)用于遙感測繪、影視航拍、搜索打擊等領(lǐng)域。近年來，隨著位置服務(wù)需求的日益增加，也有許多專家對無人機(jī)定位技術(shù)進(jìn)行了研究。文獻(xiàn)[9]針對列車在山谷等復(fù)雜地理環(huán)境下信號受阻問題，利用無人機(jī)輔助定位，針對列車和無人機(jī)的速度差產(chǎn)生的定位誤差，對傳統(tǒng)RSSI測距定位算法進(jìn)行誤差補償，提升定位精度。文獻(xiàn)[10]利用極端學(xué)習(xí)機(jī)訓(xùn)練單隱層前向反饋的神經(jīng)網(wǎng)絡(luò)，未知節(jié)點記錄接收信號強(qiáng)度，利用神經(jīng)網(wǎng)絡(luò)估計坐標(biāo)。文獻(xiàn)[11]提出了一種基于圖像處理的危險信息監(jiān)測及定方法，并采用簡單的硬件和新穎的圖像處理算法對待定位目標(biāo)進(jìn)行識別與定位。

通過在GNSS信號較弱的區(qū)域部署無人機(jī)可以很好地解決待定位車輛無法收到足夠的V2X信號而導(dǎo)致定位連通及定位精度性較差問題。因此，本文提出了一種基于V2X和UAV的車輛協(xié)同定位方法。待定位車輛利用無人機(jī)與自身的相對運動模型構(gòu)建TOA方程，并通過與已知坐標(biāo)車輛或RSU進(jìn)行距離差分，修正TOA測距的時間誤差，實現(xiàn)協(xié)同位置解算，同時利用基于卡爾曼濾波的聯(lián)邦濾波器對V2X及UAV定位方法進(jìn)行融合，進(jìn)一步為待定位車輛提供連續(xù)、準(zhǔn)確的位置服務(wù)。

2 V2X定位模型

在本文V2X定位模型中，若干RSU規(guī)則部署于道路兩側(cè)，其坐標(biāo)通過更精確的測量方式預(yù)先測定得出。網(wǎng)絡(luò)中的車輛包含已知坐標(biāo)車輛和未知坐標(biāo)車輛。在已知坐標(biāo)車輛中，由高精度傳感器(SRV、激光雷達(dá)、攝像頭等)獲取自身坐標(biāo)的車輛由于具有較高的精度與 RSU共同構(gòu)成網(wǎng)絡(luò)中的輔助節(jié)點，其通信半徑分別為r和R，通信技術(shù)為車聯(lián)網(wǎng)短程通信技術(shù)(DSRC)。輔助節(jié)點以周期T在其通信范圍內(nèi)進(jìn)行位置廣播，其中包含自身標(biāo)識和位置信息。未知坐標(biāo)車輛為網(wǎng)絡(luò)中的未知節(jié)點，未知節(jié)點中提出位置請求的節(jié)點為待定位節(jié)點，待定位節(jié)點在發(fā)起位置請求后，需接收輔助節(jié)點的位置廣播信息，利用雙向測距法(TWR)進(jìn)行測距，并通過測距及坐標(biāo)信息聯(lián)立方程，從中解算出自身位置坐標(biāo)，V2X定位示意圖如圖1所示。

圖1 V2X定位示意圖

設(shè)車輛V為待定位車輛，忽略高度上的變化，理想情況下V的位置坐標(biāo)可通過求解方程組(1)獲得

(1)

式中(，)為待定位車輛的位置坐標(biāo)； (，)為第個輔助節(jié)點的位置坐標(biāo)，為到第個輔助節(jié)點的相對距離。在二維場景下當(dāng)≥3時，可通過最小二乘法、級數(shù)法、最大似然估計法等對(，)的值進(jìn)行求解。

面向未來的車聯(lián)網(wǎng)應(yīng)用需要精準(zhǔn)且連續(xù)的位置服務(wù)。然而在實際車聯(lián)網(wǎng)環(huán)境中，基于V2X定位方法精度有待提高且稀疏的輔助節(jié)點分布很難保證待定位車輛總能接收到足夠的輔助節(jié)點信息，導(dǎo)致待定位車輛在GNSS信號較差的地區(qū)定位連通性較低，無法獲得高可靠性的位置服務(wù)。因此，問了解決上述問題并提升定位精度，本文提出基于V2X和UAV的車輛協(xié)同定位的方法。

3 UAV-V2X車輛協(xié)同定位方法

3.1 車輛協(xié)同定位模型

基于UAV-V2X的車輛協(xié)同定位模型如圖2所示。

圖2 UAV-V2X車輛協(xié)同定位模型

設(shè)車輛定位區(qū)域由于高樓等障礙物的遮擋導(dǎo)致GNSS信號較弱，無法提供準(zhǔn)確的位置服務(wù)。UAV-V2X車輛協(xié)同定位模型中車輛類型、RSU部署、V2X定位原理與V2X定位模型相同。無人機(jī)U部署于GNSS信號較弱地段上空，其可通過高精度傳感設(shè)備或RTK等定位手段獲得自身精確坐標(biāo)，并以周期T對自身當(dāng)前時刻及當(dāng)前時刻位置信息進(jìn)行廣播。車輛V為待定位車輛，本文要解決的主要問題是在GNSS定位盲區(qū)下，如何通過UAV和V2X協(xié)同定位方法為V提供高連通性、高精度的位置服務(wù)。

3.2 基于單UAV的協(xié)同距離差分定位

基于單UAV的協(xié)同距離差分定位核心思想是待定位車輛利用無人機(jī)與待定位車輛的相對運動模型構(gòu)建TOA測距方程，并通過與輔助節(jié)點進(jìn)行距離差分，修正TOA測距的時間誤差，實現(xiàn)協(xié)同位置解算，定位模型如圖3所示。

圖3 基于單UAV的距離差分定位模型

(2)

(3)

(4)

其中△和△分別為和的時鐘誤差。

同理，與輔助節(jié)點在時刻的測量距離與真實距離間關(guān)系如下

(5)

其中

(6)

(7)

將式(5)表示為式(8)所示形式

(8)

(9)

設(shè)(△-△)=△，則式(9)可表示為

(10)

將式(10)帶入式(2)可得

(11)

(12)

其中=--1。

進(jìn)一步將式(12)表示為如下形式

(13)

將式(13)帶入式(11)，整理得

(14)

令

(15)

(16)

(17)

將式(15)、(16)、(17)帶入(14)整理得：

(18)

將式(18)整理為式(19)所示形式，并將多組測距數(shù)值融合

=

(19)

其中：

(20)

(21)

(22)

其中

(23)

利用最小二乘法對式(19)中的進(jìn)行求解，即對式(24)進(jìn)行最小化處理

()=(-)(-)

(24)

可求得值如式(25)所示

=()

(25)

3.3 UAV-V2X融合定位

使用卡爾曼濾波對V2X和UAV的定位結(jié)果進(jìn)行融合。根據(jù)濾波器合結(jié)構(gòu)，可將濾波器分為集中卡濾波器和聯(lián)邦濾波器兩類，但集中濾波器由于計算量較大，難以保證系統(tǒng)的實時性。故本文采用聯(lián)邦濾波器實現(xiàn)UAV和V2X的融合定位?；赨AV-V2X的聯(lián)邦濾波結(jié)構(gòu)圖如圖4所示：

圖4 基于VAV-V2X的聯(lián)邦濾波結(jié)構(gòu)圖

V2X、UAV采用線性卡爾曼濾波器作為局部濾波器，分別記為LF1、LF2，其對應(yīng)的信息分配系數(shù)分別為、，主濾波器對局部濾波器進(jìn)行融合與反饋。

采用當(dāng)前統(tǒng)計模型描述車輛運動狀態(tài)的變 化過程，取組合定位整體變量如式(26)所示

=[，，，，，]

(26)

其中、分別是車輛東向和北向的位置分量，、分別是車輛東向和北向的速度分量，、分別是車輛東向和北向的加速度分量。系統(tǒng)的離散狀態(tài)方程可表示為

=，-1-1+()+()

(27)

其中為時刻狀態(tài)向量，，-1為-1到時刻的狀態(tài)轉(zhuǎn)移矩陣，()為控制向量，()為噪聲向量。

對于2定位子系統(tǒng)取系統(tǒng)狀態(tài)變量=，系統(tǒng)狀態(tài)方程與總系統(tǒng)狀態(tài)方程相同。其觀測量為子系統(tǒng)定位輸出的東向和北向位置坐標(biāo)分量，觀測方程為

()=()()+()

(28)

在上式中

(29)

對于UAV子系統(tǒng)與V2X子系統(tǒng)類似，系統(tǒng)變量X=X。取觀測量為子系統(tǒng)定位輸出的東向和北向位置坐標(biāo)分量，觀測方程為

()=()()+()

(30)

在上式中

(31)

對于LF1、LF2子系統(tǒng)采用卡爾曼濾波遞推方程進(jìn)行時間與量測的更新

(32)

主濾波器對子濾波器進(jìn)行最優(yōu)合成，其合成方法如下

(33)

主濾波器完成信息融合后，對子濾波器進(jìn)行信息反饋

(34)

其中：+=1。

4 仿真分析

為驗證所提方法的性能，在東西雙向四車道模型中進(jìn)行仿真分析，設(shè)每條車道寬度W=3.5m，RSU交替分布于道路兩側(cè)0.5m處，相鄰RSU水平距離L，設(shè)RSU通信半徑為R=300m，車量以36km/h的速度沿車道方向行駛，加速度噪聲==03，最大加速度為10，==01。車輛通信半徑=30，輔助車輛數(shù)占總車輛數(shù)10，單條車道中車輛密度為(輛/m)，無人機(jī)飛行高度H=200m，且無人機(jī)輻射范圍覆蓋待定位區(qū)域，網(wǎng)絡(luò)中的廣播周期=02，=05，==05。

定位連通性直接決定待定位車輛的定位性能的優(yōu)劣，在V2X定位中當(dāng)待定位車輛同時位于三個輔助節(jié)點廣播范圍內(nèi)時方可完成定位，通過改變RSU間水平距離L及車輛密度ρ，比較本文所提V2X/UAV定位方法與V2X定位方法的定位連通性，具體如圖5所示。

圖5 各定位方法定位聯(lián)通性化折線圖

由圖5可知，V2X定位方法定位連通性隨著L的增加和ρ的減小而大幅度下降，即在輔助節(jié)點密度較低的情況下無法無法提供連續(xù)的定位服務(wù)。而基于V2X/UAV的定位方法定位連通性隨著L的增加和ρ的減小變化不大，始終接近于1。其本質(zhì)原因在UAV定位不受L、ρ的影響，對V2X定位連通性較差區(qū)域進(jìn)行了補充定位。但系統(tǒng)啟動時基于UAV的定位方法需要一定時間構(gòu)建UAV與待定位車輛間的相對運動方程，若在該段時間待定位車輛周圍的輔助節(jié)點較少無法完成V2X定位，則會對V2X/UAV定位方法的定位連通性造成一定影響。

為進(jìn)一步驗證所提方法的性能，對V2X/UAV定位方法、V2X定位方法、UAV位方法在的定位精度進(jìn)行仿真比較，單次測量中誤差的衡量標(biāo)準(zhǔn)采用均方根誤差衡量。測距誤差為均值為0的高斯白噪聲，其方差隨通信距離的增加在1m至4m內(nèi)線性增長，假設(shè)通信鏈路為視距鏈路，圖6為三種定位方法定位誤差比較圖。

圖6 各定位方法誤差比較

由圖6可知，UAV、V2X、UAV/V2X定位方法平均定位誤差分別為3.6m、2.8m和2.5m。

與V2X、 UAV定位方法相比V2X/UAV定位方法的平均定位精度分別提升了30.5%和10.7%，其主要原因在于本文所提方法通過卡爾曼濾波的思想為V2X及UAV定位的觀測值及預(yù)測值分配了合理的權(quán)值，并利用聯(lián)邦濾波器對V2X及UAV定位方法進(jìn)行融合，從而得到較優(yōu)的定位精度。

另一方面，車聯(lián)網(wǎng)實際環(huán)境較為復(fù)雜，過往車輛等障礙物易遮擋V2X通信鏈路而產(chǎn)生多徑效應(yīng)，大幅度影響定位精度，而UAV部署于待定位車輛上空，其通信鏈路通常為視距鏈路，基于V2X/UAV的定位方法對V2X定位方法和UAV定位方法的優(yōu)勢進(jìn)行了融合，從而提供高精度、高穩(wěn)定性的位置服務(wù)。本文所提定位方法適用于GNSS盲區(qū)下V2X定位方法定位連通性較差的應(yīng)用場景，且應(yīng)用該方法需要在待定位區(qū)域上空部署已知位置信息且具有無線電發(fā)射功能的UAV。

5 總結(jié)

本文提出一種融合V2X/UAV的車輛協(xié)同定位方法，其主要目的是解決城市峽谷等GNSS盲區(qū)中V2X定位連通性及定位精度較低問題。在本文所提方法中UAV通過自身與待定位車輛間的相對運動模型聯(lián)立多組TOA方程，并結(jié)合輔助節(jié)點的誤差廣播提升UAV定位精度，為V2X定位提供盲區(qū)中的補充定位。同時利用卡爾曼濾波對V2X及UAV定位方法進(jìn)行融合，進(jìn)一步為待定位車輛提供連續(xù)、準(zhǔn)確的位置服務(wù)。仿真結(jié)果表明，本文所提定位方法可提供高精度、高穩(wěn)定性的車輛定位服務(wù)，解決了車聯(lián)網(wǎng)實際環(huán)境中V2X定位連通性較低的問題，提升了定位精度。但在實際定位場景中，復(fù)雜的車路環(huán)境、輔助節(jié)點坐標(biāo)誤差、惡劣天氣等多方面因素都會對定位性能產(chǎn)生一定的影響。因此，在后續(xù)研究工作中還需進(jìn)行更深入的研究，進(jìn)一步方案可行性。