基于安卓的汽車狀態測量及預測系統的研究

劉軍 聶斐 蔡駿宇 熊明路 陶昌嶺

（江蘇大學）

基于安卓的汽車狀態測量及預測系統的研究

劉軍 聶斐 蔡駿宇 熊明路 陶昌嶺

（江蘇大學）

設計了基于Android（安卓）的汽車運動狀態在線測量及預測系統，闡述了預測系統的硬件組成和軟件設計方法。通過實車道路試驗，對側向加速度與橫滾角的試驗值與預測值進行比較，并得出相對誤差率，驗證了該預測系統的可行性。與傳統車載終端相比，該預測系統不僅提高了安卓車載終端對汽車主動安全的融合性，而且有效降低了汽車狀態感知的成本并具有良好的可擴展性和靈活性。

1 前言

研究表明，若駕駛員能提早1 s意識到交通事故的發生，并提前0.5 s做出反應且采取相應措施，即可最大限度地減少道路交通事故。因此，開展基于車輛主動安全預測技術的研究，提前預測車輛未來時刻可能的行駛運行狀態，并預先向駕駛人員提供警示信息，對提高車輛的主動安全性、減少道路交通事故將起到十分重要的作用。

2 車輛運動狀態測量與預測

汽車運動狀態參數包括汽車的縱向、側向、垂向3個方向的加速度及橫擺、側傾、俯仰3個方向的角速度，但僅以這6個參數對汽車行駛運動狀態進行分析是不夠的，需要進一步研究汽車姿態角的解算。

汽車運動狀態以及姿態角實時預測原理如圖1所示。首先由MEMS傳感器組成的微慣性測量單元以捷聯方式直接測出車輛6自由度運動參數，然后依據其中的角速度信號解算出車輛姿態角，再應用Kal?man濾波器完成對加速度計信號、角速度陀螺信號及姿態角估計誤差的融合處理，消除系統耦合、陀螺儀零偏及漂移等因素的影響，從而獲取姿態角的最優估計值；在此基礎上應用自回歸模型對未來時刻可能的車輛姿態角進行實時預測。

2.1 車輛姿態角的解算

因四元數法能保持方程是線性的且不產生奇異[1，2]，任何三維空間的向量都可以用實部為0的四元數表示，所以采用四元數法作為車輛姿態角的解算方法。

車輛四元數姿態矩陣可表示為：

式中，q0、q1、q2、q3為實時車輛姿態四元數，滿足

q0、q1、q2、q3與橫擺角速度ωx、側傾角速度ωy、俯仰角速度ωz之間的關系滿足：

當車輛姿態角速度已知時，由式（2）可解得q0、q1、q2、q3的值，將其帶入式（1）可得到車輛轉動四元數姿態矩陣。

由姿態角與四元數姿態矩陣的全角度轉換關系可知，車輛姿態角的計算公式為：

式中，ψ為橫擺角；θ為側傾角；γ為俯仰角；Amn是四元數姿態矩陣的第m行第n列。

2.2 Kalman濾波器的設計

由于系統耦合和陀螺儀零偏等因素的影響，使得試驗中所測得角速度存在誤差，故由此角速度積分解算后所得汽車姿態角也存在誤差，且誤差隨時間累積，因此有必要結合汽車的其它運動參數對姿態角進行補償和修正，以提高汽車運動姿態的測量精度。本文結合加速度計的測量信號，采用Kalman濾波器對汽車姿態角進行實時最優估計，同時對陀螺儀信號進行實時修正。

首先建立系統狀態方程，令狀態向量和觀測向量分別為：

式中，δq1、δq2、δq3為四元數矢量部分的估計誤差（標量部分δq0近似為1）；ΔBfx、ΔBfy、ΔBfz為陀螺儀的零偏估計誤差；δax、δay、δaz為三軸加速度的估計誤差。

考慮到汽車姿態角的運動可分解為連續2次的運動，即汽車相對于車體平臺坐標系（當地水平坐標系）轉動一個估計角，再轉動一個估計誤差角，則結合四元數運動微分方程及四元數的乘法性質可推出系統狀態方程為：

而姿態矩陣的逆矩陣可看成由姿態估計陣和姿態誤差陣相乘得到，再對誤差矩陣做線性估計，則可推出系統觀測方程為：

式中，V(t)為加速度計估計誤差的噪聲，也是獨立的具有零均值的高斯白噪聲。

將狀態方程和觀測方程離散化，進而可得到系統卡爾曼濾波方程，其中包括時刻k的系統狀態一步預測方程、一步預測均方誤差方程、濾波增益矩陣、狀態估計矩陣和均方差估計矩陣，最終可得到時間更新方程和觀測更新方程分別為：

2.3 姿態角預測

采用AR建模預測方法[3～5]對姿態角進行預測。以橫擺角序列為例，建立其自回歸模型：

式中，εt為服從均值為0、方差為σ2ε的互相獨立的白噪聲序列；φ1，φ2，···φp為自回歸系數，是模型的待估參數；p為模型的階數。

在建模前首先要確定模型的階數，模型定階方法通常采用艾克準則（Akaike Information Criterion，AIC），也稱最小信息準則。

AIC統計量的計算方法為：

式中，n為給定數據長度；為的估計值。

在實際應用中，通常假設模型最大階數為m，逐個計算p從1到最大階數m的AIC（1），AIC（2），…，AIC（m）值，使得AIC（p）值最小的p即可認為是模型的最佳階數。

模型階數確定后需要對模型參數進行估計，考慮到模型預測的實時運算能力，采用遞推最小二乘法進行估計，計算式為：

模型參數和階數均確定后，自回歸模型即可確定，進而可進行橫擺角的預測。

設預測步長為l，則向前遞推l步的預測值的計算式為：

為評價姿態角AR建模預測的精度，采用平均相對誤差率對其進行考核，設平均相對誤差率為υ，則

用同樣的方法可對側傾角和俯仰角進行預測。

3 預測系統總體設計方案

預測系統的總體設計方案如圖2所示。

在保證系統性能良好的情況下，構建了功耗低、體積小且成本低的傳感器模塊、微處理器模塊及藍牙模塊。其中，傳感器單元包含集成三軸加速計、三軸陀螺儀的運動處理組件、磁力計和氣壓計等，主要用于采集車輛實時狀態數據，并作為數據處理和姿態解算的原始數據源；微處理器用于實時姿態解算、數據融合濾波和模塊間通信；車載感知模塊通過串口接線與藍牙模塊連接后，與Android監測客戶端的藍牙適配器配對，相當于在車載感知模塊與Android監測客戶端之間虛擬了一根串口線以實現串口通訊。

移動終端軟件主要分為下位機軟件和上位機軟件。下位機軟件中的傳感器以捷聯方式直接測出汽車6自由度運動參數[6]，然后由四元素法解算出汽車姿態角，同時應用Kalman濾波器完成對姿態角的最優估計處理，在此基礎上對姿態角實時預測。上位機軟件是根據硬件模塊需要實現的功能數據分別進行數據采集與狀態預測程序的設計、藍牙通訊程序的設計及其它附加功能的程序設計。數據采集和處理流程如圖3所示。

4 預測系統客戶端的實現

客戶端的設計基于Android2.1操作系統實現，根據所需要完成的任務、運行實時性以及程序數據流，可以將整個客戶端劃分為藍牙通信模塊、數據采集與狀態預測模塊、數據存儲模塊和菜單功能模塊等[7]，客戶端運行主界面如圖4所示。

4.1 藍牙通信程序的設計

藍牙通信的基本思想是將HC-06-D藍牙串口模塊與單片機芯片相接，與安卓客戶端的藍牙適配器配對成功后實現通信，相當于在單片機與安卓客戶端之間虛擬了一根串口線實現串口通訊進行數據采集[9]。

設計的藍牙通信程序的流程為設置藍牙設備并建立服務器端、藍牙搜索并配對、建立通信客戶端并連接設備與設備之間數據傳輸。其中藍牙搜索配對結果如圖5所示。

4.2 數據采集與狀態預測程序設計

數據采集與狀態預測界面用于實時顯示更新運動處理組件、磁力計、氣壓高度計及下位機解算的車輛姿態信息，再依據這些數據信息進行AR建模，并對未來3 s內車輛可能會出現的運動狀態進行短期預測[8]。通過實測車載感知數據的顯示，用戶可以及時了解車輛運行時的三軸加速度、三軸角速度、三軸磁場、大氣壓力、大氣溫度、海拔高度及解算的航向角、橫滾角和俯仰角等。數據采集與狀態預測功能運行界面如圖6所示。

數據存儲模塊的功能是實時存儲采集的運行參數，在圖6中的運行界面中點擊保存即可進行實時存儲。

菜單功能模塊實現軟件退出功能和幫助功能。在主界面（圖4）點擊手機菜單按鈕即出現菜單選項，點擊“設置”選項后直接進入設置界面；點擊“關于”選項后進入軟件說明界面；點擊“退出”選項則直接調用Android系統的finish（）函數結束本界面，退出汽車實時監測系統。

5 實車道路試驗

為驗證該預測系統的運行效果，進行了實車道路試驗。試驗時將傳感器數據采集模塊放置在駕駛員右側扶手箱底部（即質心處），主要針對車輛的側向加速度、橫滾角進行道路試驗。對于橫向加速度的實時感知與預測選擇蛇形試驗方法[9]；對于橫滾角的實時感知與預測選擇固定轉向盤連續加速試驗的方法[10]。橫向加速度和橫滾角的試驗值與預測值分別見表1和表2。通過表1和表2的數據，可計算出實車道路試驗中通過AR模型在線建模預測方法所得到的1～3 s預報的平均相對誤差率，見表3。

Research on Measurement&Prediction System for Vehicle Motion State Based on Android

Liu Jun,Nie Fei,Cai Junyu,Xiong Minglu,Tao Changling
（Jiangxu University）

Vehicle motion online measurement&prediction system based on Android is designed,and hardware composition and software design method of the prediction system is elaborated.Through vehicle road test,the test value and predicated value of lateral acceleration and roll angle are compared and the relative error rate is obtained,which proves feasibility of this prediction system.Compared with the conventional vehicle-mounted terminal,this prediction system not only improves the integration of Android vehicle terminal to vehicle active safety,but also effectively lowers the cost of vehicle state perception,moreover,this system also has good expandability and flexibility.

Vehicle state,Measurement,Prediction,Android

表1 側向加速度試驗值與預測值 m/s2

表2 橫滾角試驗值與預測值 （°）

汽車狀態 測量 預測 Android

U467.1

A

1000-3703（2015）02-0029-05