摘要
定位系统是智能车辆环境感知系统的重要组成部分。设计了智能车辆轮胎半径自适应在线估计算法以提高车辆速度估计精度,从而在GNSS (Global Navigation Satellites System)不可用时提升IMU (inertial measurement unit)/ WSS (wheel speed sensor)组合定位系统的精度。首先,在GNSS信号良好时,考虑车轮动态设计了多模型融合的轮胎有效滚动半径自适应算法,以准确估计轮胎有效滚动半径;然后,基于自适应误差状态卡尔曼滤波设计了多传感器融合组合定位算法。实车试验结果表明,所设计的算法在初始轮胎半径有不足2%的误差时,丢失GNSS 40s可将定位精度提高30%以上。
电动化与智能化是近年来车辆领域的两大前沿主题,其中智能化不但对车辆节能减排具有重要意义,也能极大提高交通效率和交通安全
近年来国内外针对智能车辆的定位技术已有了大量的研究,车辆定位系统可以分为2类,自主式定位系统和协作式定位系统。其中自主式定位系统是指仅依靠本车自身传感器,如GNSS (Global Navigation Satellites System)、IMU (inertial measurement unit)、轮速传感器、磁力计、摄像头和地图、激光雷达等,进行车辆定位。协作式定位系统指基于V2X (Vehicle to Everything) 技术,本车与路侧单元、他车等其他交通参与者进行通讯、进行位置估计。然而目前为止还没有通用统一的V2X标准,无法保证车辆可以实时与车外设备进行通讯,因此仅依靠自身传感器的纯自主式定位系统是必需
INS系统具有自主定位的能力,通过对IMU信息进行解算,可以获取三维位置、速度及姿态信息,然而低成本MEMS(Micro-Electro-Mechanical System)惯性传感器仍具有明显的测量误差,在不经过外部信息源修正的情况下约半分钟的运算便会造成10多米的定位误
当GNSS信号受干扰或受阻时,轮速传感器便是唯一可以反馈车速的信息源,增加轮速传感器可以让整个系统的性能提高68%以
由以上分析可见,目前将轮速引入位置估计系统的研究中,绝大多数都假设轮胎半径为定值,然而由于车辆使用环境、时间的差异,载荷、温度、胎压等环境因素的变化都会造成轮胎半径产生变
本文提出了分工况多模型融合轮胎半径自适应方法,可以准确估计车轮有效滚动半径,从而有助于在GNSS信号受阻或丢失条件下得到更为精确的车辆位置估计结果。所提出的基于轮胎半径自适应的GNSS/IMU/WSS组合定位算法架构如
图1 算法架构
Fig. 1 Structure of algorithm
首先,在GNSS信号良好时,通过GNSS的速度测量以及由车辆CAN总线采集到的轮速信号对非驱动轮有效滚动半径进行在线估计。在进行轮胎半径自适应估计算法设计时,考虑车辆行驶工况,根据车辆动态变化情况基于卡尔曼滤波对车轮半径进行多模型估计,通过估计结果的融合得到当前车轮有效滚动半径。
车辆定位模块基于惯性导航系统进行位置输出。惯性导航系统根据IMU测量得到的三轴加速度及角速度信号得到车辆的速度、姿态及位置信息。当GNSS信号良好时,使用双天线GNSS接收机得到的位置信息、航向信息及由轮速信号和轮胎半径得到的车速信息,然后利用状态误差自适应卡尔曼滤波对多源信息进行融合得到车辆位置及航向信息。当GNSS信号较差或消失时,将由轮速和轮胎半径计算得到的车速作为测量信息,对INS系统的输出进行校正,最终得到车辆的位置信息。
根据轮胎半径自适应系统模型和INS系统模型特点,选用卡尔曼滤波算法进行信息融合。本文的轮胎半径自适应模块采用了双状态卡尔曼滤波器,而组合定位模块采用了15状态的误差状态卡尔曼滤波器。一般的离散状态卡尔曼滤波状态方程可表示为
(1) |
式中:为状态;为过程噪声矩阵;为状态转移矩阵;下标表示第时刻。测量方程可表示为
(2) |
式中:为测量量;为观测矩阵;为测量噪声矩阵。
对于线性系统,卡尔曼滤波获得较好效果的前提是系统模型和噪声特性精确已知,而实际中过程噪声Q和测量噪声R的不确定性会显著降低滤波效果。传统的卡尔曼滤波中Q和R矩阵都是根据经验选取为定值,然而在实际应用中,噪声特性可能时刻变化,这一假设并不成立,因此最有效的方法是对噪声矩阵进行自适应。本文使用的自适应卡尔曼滤波方
(3) |
其表征了卡尔曼滤波过程中新息协方差和预测新息协方差的粗略比例。式中,trace为矩阵的迹;为时刻的协方差矩阵预测值;为时刻的过程噪声矩阵;为时刻的过程噪声矩阵预测值。由此,自适应规则设计为
(4) |
该卡尔曼滤波自适应方法可以有效提高算法的精度和鲁棒性。
GNSS速度测量和轮速测量都可表征车速,相比GNSS速度,轮速信号具有采样频率高、信号稳定平滑的特点,而GNSS信号易受环境影响,如城市环境下GNSS信号的多路径效应,隧道、树木等遮挡条件下GNSS信号易丢失,因此对于车辆组合定位系统来说,轮速比GNSS速度测量更加稳定。然而由轮速得到车速还需经过轮胎有效滚动半径的转换,因此准确的轮胎有效滚动半径对于车速的准确获取具有重要意义。由于轮胎的滚动半径是缓变量,因此可以在GNSS信号有效时对轮胎半径进行在线估计,当GNSS受阻或信号较差时,使用更新过的轮胎半径得到准确车速,以提高组合定位系统的精度。
轮胎有效滚动半径估计系统如
(5) |
式中:为轮速均值,即本文用于算法的轮速。
图2 轮胎有效滚动半径自适应系统框图
Fig. 2 Structure of tire radius adaption system
假设相邻两采样时刻车轮角加速度为零,即,则选取卡尔曼滤波状态量为,轮胎半径估计系统离散模型可表示为
(6) |
式中:为车速;为轮胎半径。根据GNSS测量得到的车速,测量方程为
(7) |
利用自适应卡尔曼滤波可以得到估计系统一的轮胎有效滚动半径估计值。
基于轮加速度为零的假设,轮胎半径估计系统一在大多数正常行驶情况下均可以得到平滑准确的轮胎有效滚动半径估计值。然而,当车辆进行急加速、急减速等大动态运动时,轮加速度为零的假设不再成立,轮胎半径估计结果精度下降,无法满足精度和平稳性要求,因此在大动态情况下,需考虑轮加速度对系统模型精度带来的影响。
由于轮速测量噪声影响,轮速信号不可直接求导计算轮加速度,使用卡尔曼滤波对噪声进行处理。选取状态量为,轮加速度估计系统离散模型为
(8) |
式中:为轮加速度;为采样间隔。测量量为轮速,测量方程为
(9) |
利用自适应卡尔曼滤波算法估计轮加速度。
当车辆动态较强时,将轮加速度考虑进轮胎半径估计系统模型,选取状态量为,系统方程可表示为
(10) |
测量量为GNSS反馈的车速,测量方程为
(11) |
利用自适应卡尔曼滤波方法可以得到估计系统二的轮胎有效滚动半径估计值。
选取位置误差、速度误差、姿态误差、加速度计和角速度计误差共15维状态向
(13) |
式中:,为位置误差状态量;,为速度误差状态量;,为姿态误差状态量;,为角速度计误差状态量;,为加速度计误差状态量。
根据轮胎半径自适应结果可以得到足够准确的车速,因此此时根据轮速测量值和INS系统输出的航向可以得到车辆在当地坐标系下的东向和北向速度。
(14) |
式中:分别表示由轮速换算得到的车辆东向和北向速度。
(1)当GNSS信号质量良好时。此时GNSS可以为组合定位系统提供位置、速度及航向测量。其中,位置、航向测量用于INS系统的状态误差自适应卡尔曼滤波,而速度测量用于更新轮胎有效滚动半径,经轮速和航向换算后的东向、北向速度作为卡尔曼滤波的测量。因此,系统测量为
(15) |
式中:下标分别表示INS系统的输出值和GNSS的测量值。
(2)当GNSS信号受阻时。此时GNSS测量信息不可用,因此系统测量为
(16) |
利用自适应卡尔曼滤波方法可以得到最终的车辆位置估计结果。
试验车辆为某型号前轮驱动电动汽车,如
图3 试验车
Fig. 3 Test vehicle
图4 试验路径和环境
Fig. 4 Trajectory and test environment
系统硬件结构如
图5 系统硬件结构图
Fig. 5 Topology of hardware system
轮加速度估计效果如
图6 轮加速度估计效果
Fig. 6 Results of wheel acceleration estimation
根据文献[
图7 轮胎半径估计结果
Fig. 7 Estimation results of tire radius
为了更清晰地展现算法的效果,将313~316s的数据放大,如
将305~325s的估计结果进行统计,结果如
在
图8 轮胎半径不同时定位结果对比
Fig.8 Results of vehicle localization at different tire radius
以GNSS获取的定位结果为真值,则由
图9 定位误差
Fig. 9 Localization error
智能车辆的组合定位系统中不准确的速度反馈会直接影响INS系统性能,而利用轮速获取车速时必须要有准确的轮胎有效滚动半径,因此本文考虑车辆动态,提出了基于多模型融合的轮胎有效滚动半径估计系统,在GNSS信号良好时对轮胎半径进行自适应,以在GNSS丢失条件下获取准确车速,从而提高位置估计的精度。通过研究发现,考虑车轮动态可以有效提高轮胎半径估计系统的鲁棒性,得到更加平滑的估计结果,准确的轮胎有效滚动半径可以有效提高GNSS丢失条件下的定位精度。本文所提出的轮胎半径估计结果也可以应用于智能车辆需要利用轮速计算车速的其他控制系统中,如稳定性控制等,具有一定的实用性。
作者贡献声明
余卓平:研究思路指导、资源获取。
高乐天:算法设计及调试、试验数据分析、论文撰写。
夏 新:算法调试、试验数据获取。
陆逸适:算法调试、试验平台搭建。
参考文献
PIAO J, BEECROFT M, MCDONALD M. Vehicle positioning for improving road safety[J]. Transport Reviews, 2010, 30(6): 701. [百度学术]
KARLSSON R, GUSTAFSSON F. The future of automotive localization algorithms: available, reliable, and scalable localization: Anywhere and anytime[J]. IEEE Signal Processing Magazine, 2017, 34(2): 60. [百度学术]
MAHLISCH M, SCHWEIGER R, RITTER W, et al. Sensorfusion using spatio-temporal aligned video and Lidar for improved vehicle detection[C]//Intelligent Vehicles Symposium. [s.l.] :IEEE, 2006: 424-429. [百度学术]
NIU X, NASSER S, GOODALL C, et al. A universal approach for processing any MEMS inertial sensor configuration for land-vehicle navigation[J]. Journal of Navigation,2007, 60(2): 233. [百度学术]
GODHA S, CANNON E. GPS/MEMS INS integrated system for navigation in urban areas[J]. GPS Solutions, 2007, 11(3): 193. [百度学术]
PARK Giseo, HWANG Yoonjin, CHOI Seibum B. Vehicle positioning based on velocity and heading angle observer using low-cost sensor fusion. Journal of Dynamic Systems[J]. Measurement and Control,2017, 139(12): 1. [百度学术]
YONG L, HYOUN K J. Performance analysis of the GNSS/MEMS-IMU/on-Board vehicle sensor/magnetometer-based positioning system during GNSS signal blockage[J]. International Journal of Urban Sciences, 2018, 23(3): 434. [百度学术]
LI X,XU Q. A reliable fusion positioning strategy for land vehicles in GPS-denied environments based on low-cost sensors[J]. IEEE Transactions on Industrial Electronics, 2017, 64(4):3205. [百度学术]
初亮, 王彦波, 祁富伟, 等. 基于ABS轮速的车轮半径补偿方法[J]. 华中科技大学学报:自然科学版, 2012, 40(11):129. [百度学术]
CHU Liang, WANG Yanbo, QI Fuwei, et al. ABS wheel speed-based wheel radius compensation method[J]. Journal of Huazhong University of Science and Technology (Natural Science), 2012, 40(11): 129. [百度学术]
GAO J, PETOVELLO M G, CANNON A M E. Development of precise GPS/INS/Wheel speed sensor/yaw rate sensor integrated vehicular positioning system[C]//Proceedings of the National Technical Meeting of the Institute of Navigation. Monterey:ION NTM,2006: 780-792. [百度学术]
AFIA Amani Ben, ESCHER Anne-Christine, MACABIAU Christophe, et al. A GNSS/IMU/WSS/VSLAM hybridization using an extended Kalman Filter[C]// Proceedings of the ION 2015 Pacific PNT Meeting. Honolulu :ION PNT,2015:719-732. [百度学术]
MIKOV A , PANYOV A , KOSYANCHUK V, et al. Sensor fusion for land vehicle localization using inertial MEMS and odometry[C]//2019 IEEE International Symposium on Inertial Sensors and Systems (INERTIAL). [s.l.] :IEEE, 2019 :1-2 [百度学术]
AFTATAH M, LAHRECH A, ABOUNADA A, et al. GPS/INS/Odometer data fusion for land vehicle localization in GPS denied environment[J]. Modern Applied Science, 2016, 11(1) :62. [百度学术]
孙达. 汽车轮胎滚动半径试验研究[D]. 燕山:燕山大学, 2005. [百度学术]
SUN Da. Experiments study of vehicle tire rolling radius[D]. Yanshan: Yanshan University,2005. [百度学术]
DING W, WANG J, RIZOS C, et al. Improving adaptive Kalman estimation in GPS/INS integration[J]. Journal of Navigation, 2007, 60(3): 517. [百度学术]
NOURELDIN Aboelmagd, KARAMAT Tashfeen B, GEORGY Jacques. Fundamentals of inertial navigation, satellite-based positioning and their integration[M]. Heidelberg: Springer Berlin, 2013. [百度学术]