邱怡飛，呂 鵬，劉曉凱，常鋒偉，趙成林

(1.北京郵電大學(xué) 信息與通信工程學(xué)院，北京100876；2.北京科技大學(xué) 計算機與通信工程學(xué)院，北京100083；3.北京物聯(lián)智通科技有限公司，北京100041)

0 引言

目前，5G技術(shù)的迅速普及和發(fā)展，使得汽車的車聯(lián)網(wǎng)技術(shù)也邁進了5G時代。5G 技術(shù)的發(fā)展讓人們傳輸信息、及時更新路況等方面都更加方便快捷，同時也能促進汽車的智能化發(fā)展，交通也能更加安全、便捷。而車輛定位是車聯(lián)網(wǎng)技術(shù)中的關(guān)鍵，實時獲取精確的汽車位置是進行車聯(lián)智能化管理的重要前提。

車輛定位目前主要通過GPS、BDS等全球衛(wèi)星定位系統(tǒng)技術(shù)獲得絕對位置信息[1]。民用GPS標準位置服務(wù)的定位精度為10 m左右,難以滿足目前車聯(lián)網(wǎng)場景下的精確定位應(yīng)用需求。不僅如此，衛(wèi)星信號在密集建筑群、地下停車場、隧道、立交橋下、室內(nèi)和森林等區(qū)域時[2]會受到遮擋，定位誤差較大，嚴重時甚至無法定位。因此，經(jīng)過這些區(qū)域時，車輛定位需要通過非衛(wèi)星手段[3]實現(xiàn)。常用的非衛(wèi)星手段定位方法主要包括基于慣性導(dǎo)航的軌跡跟蹤定位和基于信號特征測量的無線定位。其中主流的無線定位算法[4]分為測距定位算法和非測距定位算法?；跍y距的定位技術(shù)包含基于信號到達時間(Time of Arrival,TOA)[5]、基于信號到達時間差(Time Difference of Arrical,TDOA)[6]、基于信號到達角度(Arrival of Angle,AOA)[7]和基于信號接收信號強度(Received Signal Strength Indication,RSSI)[8]的定位技術(shù)。非測距定位算法包含質(zhì)心算法[9]和距離矢量跳數(shù)(Distance Vecto -Hop)[10]算法等。

基于測距的定位算法中，基于RSSI的定位方法相比于其他3種定位技術(shù)有著節(jié)點無需增加額外的硬件設(shè)備[11]、功耗低和成本低等優(yōu)點。但是由于5G所用毫米波信號穿透力弱[12]、車輛的高動態(tài)特性和道路交通環(huán)境復(fù)雜多變等原因，會受信號反射、多徑傳播、天線增益和障礙物[13]等多種因素影響，信號具有較強的時變性，使得測距誤差較大的情況下出現(xiàn)定位不準確的問題[14]。因此，對于基于RSSI測距定位算法的主要改進方向為提高RSSI數(shù)據(jù)的精確性、降低RSSI測距定位模型的誤差率和提高定位算法的精度[15]。文獻[16]提出基于RSSI的擬牛頓定位算法，該算法首先引用高斯函數(shù)對RSSI值進行篩選和加權(quán)過濾，然后采用擬牛頓法迭代進行節(jié)點定位。文獻[17]提出一種基于特征匹配和距離加權(quán)的藍牙定位算法，該算法分為離線和在線階段，離線階段負責(zé)生成指紋數(shù)據(jù)庫，在線階段負責(zé)根據(jù)特征匹配算法和距離加權(quán)算法進行節(jié)點定位，其缺點是離線狀態(tài)需要采集大量指紋點，工作量較大。文獻[18]提出一種基于藍牙RSSI的貝葉斯區(qū)域判別定位算法，該算法提出了根據(jù)接收信號強度劃分目標區(qū)域的思想，根據(jù)已知信息進行區(qū)域內(nèi)定位，其缺點是區(qū)域劃分部分的計算復(fù)雜度較高。

現(xiàn)有的基于RSSI測距定位方法的改進算法盡管在準確性上有一定提升，但是算法復(fù)雜度過高，在復(fù)雜環(huán)境下適用性較差。本文提出一種基于RSSI預(yù)濾波的序貫車輛定位跟蹤技術(shù)，首先根據(jù)車輛之前時刻的位置和速度信息，對其進行狀態(tài)方程的建模，將車輛速度和車輛與路邊單元通信時的接收信號強度作為輸入，使用擴展卡爾曼濾波對車輛下一時刻的速度和位置進行最優(yōu)估計。對于RSSI，用更新后的車輛狀態(tài)預(yù)測RSSI值，建立RSSI值前一時刻與當前時刻的狀態(tài)轉(zhuǎn)移方程，根據(jù)前一時刻的RSSI預(yù)測當前時刻的RSSI值，再根據(jù)接收的實際RSSI做出最優(yōu)估計，這個過程稱為預(yù)濾波，再用預(yù)濾波后的RSSI值更新車輛位置和速度信息，以此循環(huán)，達到提高定位精度的目的。本文的方法可以解決RSSI值在復(fù)雜環(huán)境下誤差較大的問題，在不增加硬件成本的基礎(chǔ)上提高定位精度，是一種復(fù)雜環(huán)境下有很大應(yīng)用價值的定位方案。

1 系統(tǒng)模型

1.1 問題建模

考慮智能交通車載網(wǎng)絡(luò)的場景，如圖1所示。車載單元(OBU)安裝于路面行駛的汽車內(nèi)；N個路邊單元(RSU)部署在道路兩側(cè)，RSU將信息進一步發(fā)送至邊緣云服務(wù)器進行處理。OBU和RSU通過V2I技術(shù)進行通信。RSUi的位置用(xi,yi)表示，車輛在t時刻的位置由(x(t),y(t))表示，車輛在水平和垂直方向的速度由(vx(t),vy(t))來表示。當車輛進入RSU的射頻區(qū)域時，OBU將與RSU建立連接并將車輛位置和當前速度發(fā)送至RSU和其邊緣云服務(wù)器上，RSU得到其初始位置信息和RSSI值，邊緣云服務(wù)器預(yù)測車輛下一時刻的位置和速度，最后將計算結(jié)果傳播給其他RSU。

圖1 智能交通車載網(wǎng)絡(luò)系統(tǒng)Fig.1 System diagram of intelligent transportation vehicle network

1.2 無線信號傳播模型

無線信號的發(fā)射功率和接收功率之間的關(guān)系表示為：

PR=PT/rn，

(1)

式中，PR是未知節(jié)點的接收功率；PT是已知節(jié)點的發(fā)射功率；r是收發(fā)單元之間的距離；n是傳播因子，數(shù)值大小取決于無線信號的傳播環(huán)境。

對式(1)兩邊取對數(shù)可得：

10nlgr=10lg(PT/PR),

(2)

節(jié)點的發(fā)射功率是已知的，將發(fā)送功率代入式中可得：

10lgPR=A-10nlgr，

(3)

式(3)的左半部分10lgPR是接收信號功率轉(zhuǎn)換為dBm的表達式，可以直接寫成式(4)。式(4)中A可以看作信號傳輸l m遠時接收信號的功率：

PR(dBm)=A-10nlgr。

(4)

由式(4)可以得到接收信號強度和信號傳輸距離的關(guān)系，其中關(guān)鍵影響因素是常數(shù)A和n的大小。A不變且n變化時接收信號強度與信號傳播距離的關(guān)系如圖2所示。傳播因子n的大小反映了無線信號在傳播過程中受到的衰減、反射、多徑等干擾，n取值越小代表信號在傳播過程所受到的干擾越小，信號傳播距離更遠，無線信號的傳播曲線與理想情況更接近，基于RSSI的測距定位就會越精確。因此，復(fù)雜環(huán)境下傳播因子n較大時，RSSI信號值衰減嚴重且受噪聲干擾造成振蕩，復(fù)雜環(huán)境下RSSI信號值穩(wěn)定性較差，使得定位精度下降。

圖2 n變化時RSSI路徑損耗曲線Fig.2 RSSI path loss curve when n changes

2 基于預(yù)濾波的測距定位模型

2.1 動態(tài)狀態(tài)空間

為了預(yù)測車輛下一時刻的位置信息，將一個n維車輛狀態(tài)方程建模為離散時間隨機過程，其狀態(tài)方程可表示為：

X(t+1)=F(t)X(t)+G(t)u(t)+w(t)，

(5)

Z(t)=H(t)X(t)+v(t),

(6)

式中，X(t)Rn是車輛在t時刻的狀態(tài)向量，包括位置(x(t),y(t))和水平和垂直方向的速度由(vx(t),vy(t))；F(t)是車輛在t時刻的狀態(tài)轉(zhuǎn)移矩陣；G(t)是車輛在t時刻的輸入向量；u(t)是車輛在t時刻的加速度；Z(t)Rn是RSU在t時刻所接收到的RSSI值；H(t)是車輛在t時刻的觀測矩陣；w(t)表示系統(tǒng)誤差，v(t)表示觀測誤差，都是呈高斯分布的白噪聲，分別服從N(0,Q)和N(0,R)分布。

2.2 基于RSSI預(yù)濾波的車輛序貫定位跟蹤算法

針對復(fù)雜無線環(huán)境下RSSI接收可能遇到的強噪聲、障礙物遮擋問題，提出一種基于RSSI預(yù)濾波的序貫車輛定位跟蹤技術(shù)，用卡爾曼濾波最優(yōu)估計的車輛狀態(tài)預(yù)測RSSI值，建立RSSI值前一時刻與當前時刻的狀態(tài)轉(zhuǎn)移方程，根據(jù)前一時刻的RSSI預(yù)測當前時刻的RSSI值，再根據(jù)接收的實際RSSI做出最優(yōu)估計，這個過程稱為預(yù)濾波，再用預(yù)濾波后的RSSI值更新車輛位置和速度信息，以此循環(huán)，達到提高定位精度的目的。

首先利用擴展卡爾曼濾波對車輛狀態(tài)X(t)進行預(yù)測，包括位置(x(t),y(t))和水平和垂直方向的速度由(vx(t),vy(t))，該算法由預(yù)測部分和更新部分組成。

步驟1：預(yù)測車輛狀態(tài)信息

(7)

步驟2：計算協(xié)方差矩陣

(8)

步驟3：更新卡爾曼增益

(9)

(10)

步驟4：更新車輛狀態(tài)信息和誤差協(xié)方差矩陣

(11)

P(t+1)=(I-K(t+1)H(t+1))P(t+1)，

(12)

步驟5：用更新后的車輛狀態(tài)預(yù)測觀測值RSSI

D(t+1)=H(t+1)F(t+1)H(t+1)-1，

(13)

(14)

(15)

步驟6：計算觀測值的協(xié)方差矩陣和其卡爾曼增益

(16)

(17)

步驟7：更新觀測值和其誤差協(xié)方差矩陣

(18)

PZ(t+1)=(I-KZ(t+1))PZ(t+1)，

(19)

此后,邊緣云服務(wù)器將計算后的車輛狀態(tài)信息發(fā)送給其他RSU,實現(xiàn)道路各方位上車輛信息的交互,促進交通流的協(xié)作運作，實現(xiàn)對車輛的統(tǒng)一管理，降低交通事故發(fā)生率。

3 實驗設(shè)計與結(jié)果分析

對所設(shè)計的基于接收信號強度RSSI的預(yù)濾波定位算法進行試驗驗證。數(shù)值仿真參數(shù)設(shè)置如下：考慮車輛行駛周圍隨機分布6個RSU，車載OBU發(fā)射功率為-10 dBm；路徑損耗指數(shù)為2；車輛初始狀態(tài)X(t)設(shè)置為(20,20,2,1)包括位置(x(t),y(t))，水平和垂直方向的速度(vx(t),vy(t))。復(fù)雜環(huán)境下，選擇5個節(jié)點采集RSSI信號值，每個節(jié)點采集30組RSSI信號值。

實驗中首先考慮2種情況，分別是正常行駛情況和強遮擋情況，對比在實驗中接收到的RSSI真實值和預(yù)濾波算法后的RSSI值。正常行駛情況如圖3所示，而在強遮擋情況時，無線信號受到強烈遮擋使得接收到的RSSI信號值出現(xiàn)連續(xù)的零值，傳統(tǒng)的濾波定位算法中觀測值出現(xiàn)突變時會使得定位精度大幅下降，在實驗中設(shè)置在第20個采樣點出現(xiàn)5個連續(xù)的零值，接收到的RSSI真實值和預(yù)濾波算法后的RSSI值如圖4所示。

(a) RSSI初始值

(b) 預(yù)濾波校正后的RSSI值圖3 不同節(jié)點RSSI值校正對比Fig.3 Comparison of RSSI correction for different nodes

(a) RSSI初始值

(b) 預(yù)濾波校正后的RSSI值圖4 強遮擋情況下不同節(jié)點RSSI值校正對比Fig.4 Comparison of RSSI correction of different nodes under strong occlusion

經(jīng)過預(yù)濾波算法對RSSI值的去噪和補齊，減小了RSSI值突變?yōu)?所帶來的定位誤差?？芍冀邮盏降腞SSI信號值具有非常明顯的時變性，波動較大，但是通過預(yù)濾波算法的校正后可以將RSSI值更加平穩(wěn)地輸出。

本文采用傳統(tǒng)三角定位算法和文獻[16]中的四點質(zhì)心定位算法為基準，同樣考慮正常行駛情況下和強遮擋情況，對提出的預(yù)濾波定位算法進行對比，正常行駛情況定位效果如圖5所示，可以看到其中預(yù)濾波定位最為準確，其次是四點質(zhì)心定位算法，最后是傳統(tǒng)三角定位算法。計算每個采樣時刻各個算法的最優(yōu)估計值和真實值的差距如圖6所示，傳統(tǒng)三角定位算法精度在2.1 m，四點質(zhì)心定位算法精度為1.2 m，本文提出的方法精度可達到0.9 m，與2種算法相比，精度分別提升57%和25%。

圖5 定位效果對比Fig.5 Comparison of locating effect

圖6 定位誤差對比Fig.5 Comparison chart of locating error

在強遮擋情況時，選用均方根誤差為指標評價模型的定位性能：

(20)

各定位算法的均方根誤差如表1所示。

表1 各定位算法的均方根誤差

由計算出的RMSE可知，在強遮擋情況下，預(yù)濾波定位算法仍然可以保持較為穩(wěn)定的定位精度，而其他2種算法誤差較大，無法使用。預(yù)濾波定位誤差與噪聲標準差關(guān)系如圖7所示，當噪聲標準差增大時，所接收到的RSSI值誤差也增大，使得預(yù)濾波定位精度下降，定位誤差增大。

圖7 預(yù)濾波定位誤差與噪聲標準差關(guān)系Fig.7 Relationship between pre-filtering locating error and noise standard deviation

4 結(jié)束語

目標車輛的位置信息是車聯(lián)網(wǎng)實際應(yīng)用中至關(guān)重要的部分。本文采用低功耗低成本的RSSI測距方法，提出了基于RSSI的預(yù)濾波目標定位算法，減小和消除RSSI數(shù)據(jù)中的噪聲波動和數(shù)據(jù)突變，將RSSI值平滑準確地輸出，再結(jié)合運動模型完成目標跟蹤與定位。仿真結(jié)果表明，與傳統(tǒng)的RSSI濾波定位算法相比，改進方法定位準確，在強遮擋環(huán)境下容錯率高，抗干擾能力更強，有一定實用價值。目前方法中的狀態(tài)轉(zhuǎn)移矩陣在固定場景下為固定值，在后續(xù)嘗試加入深度學(xué)習(xí)方法使其自適應(yīng)地更新參數(shù)，使方法適用于更多復(fù)雜場景。