基于無線傳感器網(wǎng)絡的公交車載節(jié)點定位算法研究

WSN(Wireless Sensors Network)是集傳感器技術、MEMS技術和網(wǎng)絡技術于一體的一種信息獲取和信息處理技術[1]，它具有自組織、自適應能力，在智能交通方面具有獨特的優(yōu)點和廣闊的應用前景[2]。

在智能公交系統(tǒng)中，車輛位置的準確求取和傳遞是其他系統(tǒng)功能實現(xiàn)的先決條件。當前已經(jīng)有了一些利用無線傳感器搭建智能公交系統(tǒng)的通信網(wǎng)絡的方案[4-6]，但這些方案均利用其他手段實現(xiàn)車輛的定位，鮮有利用無線傳感器自身的TOF測距功能實現(xiàn)車輛定位功能。而利用基于TOF的無線傳感器實現(xiàn)公交車載節(jié)點的定位可以降低系統(tǒng)建設和實用成本，對公交系統(tǒng)智能化改造具有參考意義。

在無線傳感器定位算法中，由于Range-free定位算法要求大密度的參考節(jié)點，所以不適合智能公交系統(tǒng)車輛定位。而通?；赥OA、TDOA以及AOA的定位技術需要添加額外的硬件，導致系統(tǒng)的定位成本增加?；赗SSI測距的方法雖然易于實現(xiàn)，但由于其有效定位距離近，遠距離情況下定位精度較低，因此很難單獨應用。近年來，英國Jennic公司最新推出了采用TOF(Time Of Flight)測距技術的ZigBee芯片JN5148，能夠有效地提高無線傳感器測距精度。本文即以此為背景對公交車載節(jié)點的定位算法和策略進行了深入研究。

1 基于TOF/RSSI定位算法分析研究

為了充分發(fā)揮JN5148的測距能力，本文對其進行了測距實驗，并對其在車載節(jié)點定位上的應用方法進行了研究和討論。

1.1 TOF測距效果實驗分析

JN5148通過測定無線信號在兩節(jié)點間雙向傳遞時間計算節(jié)點間距離[5-6]，同時其數(shù)據(jù)幀中包含RSSI參數(shù)。JN5148芯片在戶外的測距實驗曲線如圖1所示，圖1(a)是在300 m范圍內(nèi)每10 m進行一次測量的測距誤差圖;圖1(b)是10 m范圍內(nèi)每0.2 m進行一次測量的測距誤差圖。

1.3 車載節(jié)點定位方案分析

為了提高車載節(jié)點定位精度，考慮了以下幾種改進方案：

(1)縮短固定參考節(jié)點間距離

通過增加固定節(jié)點的數(shù)量，以縮短相鄰固定節(jié)點間的平均距離、優(yōu)化幾何構型。如可將圖2(a)中固定節(jié)點A、B間距離縮短到100 m。

(2)引入高度因素構建三維定位

通過調(diào)整固定參考節(jié)點高度(如：將固定節(jié)點C安裝在附近高樓上)，構建立體三維定位，以改善固定參考節(jié)點與待測節(jié)點的幾何構型。

(3)采用線性定位思路

根據(jù)實際道路特點，忽略道路寬度，采用線性定位法，僅考慮車載節(jié)點在道路上的一維位置。

綜合考慮以上三種改進方法，第一種方案的系統(tǒng)造價高，構建的網(wǎng)絡復雜;第二種方案受道路環(huán)境影響較大，操作困難：第三種方案可將無線傳感器固定在路中間(如信號燈上、道路指引牌上等)，通過無線傳感器測距，直接估算車輛的位置，對WSN節(jié)點的要求低，較為可行。

2 車載節(jié)點組合定位思路研究

在公交車線性定位過程中，可利用里程儀信息，里程儀的測距誤差一般在1%左右[8]。若公交車受復雜路況等因素影響，僅用里程儀定位將產(chǎn)生較大誤差。如圖3所示的城市道路示意圖中，僅由道路轉盤(綠島)產(chǎn)生的差異就會使公交車往返路程差超過30 m。為了提高車輛定位的魯棒性和精度，本文提出了使用里程儀與無線傳感器的TOF/RSSI測距相結合進行車載節(jié)點組合定位的方法。

根據(jù)無線傳感器的TOF/RSSI以及車輛里程儀的測距特點，定位算法的主要思想如下：車載節(jié)點在離固定節(jié)點較近時采用RSSI測距定位，同時計算里程儀誤差修正參數(shù);車輛節(jié)點距離固定節(jié)點較遠時，采用由TOF測距定位修正的里程儀進行定位的組合定位思路。詳細的定位算法流程如圖4所示。

車載節(jié)點將RSSI值與設定閾值比較，當RSSI值大于閾值時，說明節(jié)點即將到達或剛開始遠離某固定節(jié)點;然后判斷RSSI值的變化趨勢，RSSI值減小則說明節(jié)點在前一個數(shù)據(jù)采集時刻車輛與固定節(jié)點位置最近，此時利用RSSI值進行測距定位，并使用RSSI測距值和里程儀測距值估計里程儀偏差值。利用無線傳感器RSSI估計里程儀的偏差值算法流程如圖5(a)所示。

當公交車輛繼續(xù)遠離固定節(jié)點時，所采集的RSSI值小于閾值，開始進入基于里程儀和TOF組合定位模式。利用TOF修正里程儀偏差的算法如圖5(b)所示，其中，dODM為里程儀測距值，dTOF為TOF測距值，?啄TOF為TOF測距誤差。利用車載節(jié)點存儲多個TOF測距值，與相應里程儀測距值相減，可得到一組差值序列。該歷史差值序列可以用于求解里程儀偏差和刻度系數(shù)誤差，對里程儀誤差進行實時補償。

一般來說，當里程儀測距值與TOF測距值的差值大于兩倍的TOF測距誤差時，說明里程儀定位誤差較大，需要進行修正。通過差值序列獲取方式的不同，還可以將該補償算法分為靜態(tài)TOF校正法(利用某固定時段的差值序列)和動態(tài)TOF校正法(利用實時更新的差值序列)。

3 組合定位算法的驗證

為了驗證上述組合算法的有效性，利用MATLAB對上述算法進行了仿真。TOF及RSSI的測距誤差按式(1)、式(2)的誤差模型進行設置;里程儀的刻度系數(shù)誤差設為1%，里程儀的初始偏差設為16 m。

圖6(a)為模擬車載節(jié)點離開固定節(jié)點時利用RSSI修正里程儀誤差結果。從圖中可以看出，利用RSSI估計并修正里程儀測距誤差的效果十分明顯。

將TOF測距值與對應里程儀測距值的差值序列進行一階線性擬合，可求解刻度系數(shù)誤差和里程儀偏差，并對里程儀數(shù)據(jù)進行修正。仿真中靜態(tài)校正法采用0 m～200 m的差值序列進行里程儀誤差的補償，結果如圖6(b)所示。動態(tài)校正法實時使用修正點前，200 m的差值序列進行里程儀誤差的補償，結果如圖6(c)所示。兩種算法結果都表明：TOF校正后的里程儀測距精度遠高于TOF和里程儀自身的測距精度。

表1中匯集了其中5次的仿真結果。其中，組合算法1包含了RSSI校正和靜態(tài)TOF校正，組合算法2包含了RSSI校正和動態(tài)TOF校正。

由表1可知，基于TOF/RSSI的公交車載節(jié)點組合定位算法定位效果優(yōu)于三種獨立的測距定位方法，定位標準差小于5 m(與GPS定位精度相當)。組合算法1定位標準差優(yōu)于組合算法2;組合算法2的魯棒性要強于組合算法1，但其計算量較大。兩種組合算法均在一定程度上改善了TOF測距誤差波動大、RSSI遠程測距誤差大、里程儀測距在車輛非直線行駛時定位誤差大的缺點。

本文對基于無線傳感器網(wǎng)絡的車載節(jié)點定位方法進行了研究，測試分析了新型的TOF無線傳感器芯片JN5148的測距效果，研究了固定節(jié)點分布對車輛定位的影響，提出了基于TOF/RSSI及車輛里程儀的組合車輛定位算法，并討論了靜態(tài)和動態(tài)兩種TOF誤差修正模式。仿真結果表明，組合定位算法精度能夠滿足實際應用要求，結合無線傳感器網(wǎng)絡本身的良好通信能力，有助于經(jīng)濟地實現(xiàn)公交系統(tǒng)智能化改造，具有較好的應用參考價值。