基于android的側翻預警系統研究

劉軍　程偉　袁所賢　袁俊　王利明（江蘇大學，鎮江212013）

?

基于android的側翻預警系統研究

【摘要】建立了車輛四自由度運動學模型，提出基于橫向載荷轉移率LTR值為指標的側翻判別模型。在車身姿態數據的獲取中，為了提高傳感單元精度，對陀螺儀和加速度計進行了標定，并在判別基礎上提出了基于AR自回歸模型的預測方法。從藍牙數據接收、預測模型實現、界面設計3個方面，詳細介紹了在android手機客戶端的實現過程。試驗結果證明，該預測系統功能可行。

主題詞:側翻LTR值誤差標定AR模型android客戶端

劉軍程偉袁所賢袁俊王利明
（江蘇大學，鎮江212013）

1　前言

由于SUV、客車和載貨汽車等車型具有質心位置高、輪距相對較窄等特點，在車輛轉彎、遇側向風或被障礙物絆倒時，易發生側翻。而且由于側翻危險發生迅速，駕駛員無法在短時間內采取措施，因此提前幾秒預測側翻危險的發生可以大大降低側翻事故。

國內、外在車輛側翻預警和控制方面已有很多研究文獻，1998年Dunwoody等人提出了以橫向載荷轉移率（LTR）為指標的判別依據[1]。在LTR指標基礎上，朱天軍等人結合側翻預警時間概念（Time to rollover,TTR），并融入卡爾曼濾波方法提高了預測精度[2]。除了LTR值，Nalecz提出用側翻保護能量儲備法（Rollover Pre?vention Energy Reserved,RPER）來實現側翻預警[3]，P.J. Liu在半掛車的預警中提出了側翻失穩評價指標RSF （Roll Safety Factor）[4]。由于很多側翻研究中忽略了輪胎和懸架變形的影響，宋曉文等人提出了改進的側翻模型，該模型可以作為整車參數設計的理論依據和側翻預警及主動控制策略的基礎模型[5]。從懸架和輪胎等車輛結構因素考慮，將側傾角作為側翻指標是合理選擇，朱穎等人在車輛側傾角和側向加速度的相平面基礎上，建立了車輛側翻的線性判別模型[6]。

經過對比研究，本文根據車輛4自由度運動模型，選取LTR值作為側翻指標，并對LTR值影響較大的側向加速度和側傾角進行了誤差標定，從而提高測量精度，再根據AR模型理論實現LTR值未來3 s的預測，最后在android手機客戶端上實現了數據顯示、危險程度顯示及數據存儲等功能。

2　側翻預警模塊的工作原理

2.1側翻模型的建立

本文選取4自由度汽車模型反映汽車的側翻特性，如圖1所示。4個自由度分別是沿X軸的縱向運動、繞X軸的側傾運動、沿Y軸的側向運動和繞Z軸的橫擺運動。在建立4自由度的汽車側翻模型之前進行一些假設如下：

a.假設車輛在正常水平路面上行駛，忽略垂向及俯仰運動。

b.假設側傾角及其變化率不大。

c.不考慮輪胎動力學特性、汽車懸架的非線性因數和前后軸的不對稱性。

d.忽略側向風的影響。

圖1　汽車的側翻模型

通過達朗伯原理可以得到側傾動力學方程，計算出側向力、繞x軸力矩以及沿z軸的受力平衡方程：

根據公式(1)以及建模之前對側傾角?的假設，可令?˙≈0,?¨≈0且cos2?≈1，v˙+wu=aym·cos?，得到LTR的簡化計算式：

從公式（2）中可以看出，LTR與質心到側傾中心的垂直距離h、輪距D、側向加速度aym、車身側傾角?相關。其中，h和D對每種車型是固定不變的，因此只需獲得aym和?便可以得到汽車側翻的判別指標（LTR值）。本研究可以通過車載感知模塊測量出aym和角速度，并通過四元素法算出車身側傾角?。

2.2傳感單元的標定

本研究中使用的傳感單元是由集成了陀螺儀和三軸加速度計的運動感知組件MPU-6050和微處理器STM32F103T8U6共同組成[7]，具有體積小、集成度高、性能好、測量誤差小等優點。為了實現感知單元與an?droid手機移動終端的無線通訊，研究中將感知單元與HC-05藍牙模塊通過串口相連，將傳感單元測得數據通過藍牙模塊實時發送。

獲取準確實時的車身姿態數據是實現精確側翻預警的前提。為此，本研究中需要對傳感單元的性能參數做出標定，從而對測得數據進行誤差補償，提高系統的工作精度。

2.2.1陀螺儀標定的數學模型

由于誤差產生的機制不同，陀螺儀對系統姿態誤差的影響包括固定值漂移誤差、標定因數誤差、安裝誤差和隨機噪聲誤差等[8，9]。其中固定值漂移誤差和標定因數誤差對系統的精度影響最大，因此建立陀螺儀誤差方程時忽略隨機噪聲誤差的影響。

根據以上誤差分析確定陀螺儀的誤差方程為：

式中，wx0、wy0、wz0代表陀螺儀的輸入值；wx、wy、wz代表陀螺儀的輸出值；bx、by、bz代表陀螺儀的漂移；kxx、kyy、kzz代表陀螺儀標定因數；kxy、kxz、kyx、kyz、kzx、kzy代表陀螺儀安裝誤差系數。

2.2.2陀螺儀的標定

本研究采用轉臺法逐個對各軸角速度進行標定。將車載感知模塊固定在步進電機的轉臺上，固定時要注意將模塊邊緣與轉臺上的置放臺邊緣盡量貼合，從而保證標定軸和轉臺的轉軸相對平行。對X、Y、Z軸依次進行80°/s、90°/s、100°/s的轉速標定，誤差系數為3組數據的平均值，以提高標定精度。標定后的陀螺儀角速度解算矩陣為：

2.2.3加速度計的標定

在加速度計的標定中，用加速度計感應重力加速度的方法來完成。將陀螺儀的X、Y、Z軸依次垂直水平面在步進電機的轉臺上固定，分別測出加速度為g和-g時各軸向的加速度值，采用與陀螺儀標定相似的方法得到三軸加速度計的加速度解算矩陣為：

2.3基于AR模型的LTR值預測

為了實現側翻預警，需要對LTR值實現未來幾秒的預測，目前定量預測的方法主要有馬爾科夫分析法、神經網絡預測法、灰色系統模型預測和回歸模型預測。經過對比研究[10，11]，本文選用AR自回歸模型來實現預測。

下列方程表示的序列模型即代表AR模型在LTR值預測中的應用：

式中，xN+i為LTR預測值；xN-1+i,xN-2+i,…xN-p+i為LTR觀測值；p為模型的最優階數，根據AIC準則來確定模型的階數p。

3　Android客戶端的實現

本研究在Eclipse開發環境中實現側翻功能在An?droid手機上的編碼顯示。根據以上分析，Android手機端的編碼需包括藍牙數據接收、側翻模型的建立和LTR值的預測[12，13]。

3.1藍牙數據接收的Android代碼實現

載感知單元由藍牙模塊向手機客戶端發送16進制數據幀，其中每一幀數據都具有幀起始標志部分、數據實體部分和幀結束標志部分。程序中另建立一個類Parser.java來處理接收的數據幀。

以下是以獲取X軸加速度為例所設計的類Parser. java程序代碼：

}

3.2側翻預警模型的Android代碼實現

手機端實現藍牙數據接收后，就可以利用側向加速度和橫擺角速度計算出側翻指標LTR值，并利用AR算法實現LTR值未來3 s的預測。若判斷出未來3 s中某時刻的LTR值達到或超過0.9，手機端將會通過紅色進度條和語音進行提示。程序中通過Result.java類中實現數據顯示、側翻模型計算以及基于AR模型的預測，相關程序代碼如下：

//X軸加速度的標定和LTR值計算的代碼實現

3.3側翻預警的android界面

本研究的android界面（圖2）包括：車身實時姿態的獲取（三軸加速度、三軸加速度和車身姿態角）；側翻預警指標LTR的實時計算值和未來3 s預測；根據LTR值表示的側翻安全與危險程度的進度條；藍牙連接按鈕、數據保存按鈕、參數設置按鈕和返回按鈕等。其中數據保存按鈕可以實現數據的分段保存，有利于駕駛員對歷史數據的查詢與分析，還可以為將來把數據同步到云服務器做準備。

圖2　汽車側翻預警界面示意

4　實車試驗

車輛側翻大都發生在車輛處于極限工況的條件下，但是限于實際條件，很難在這種理想情況下進行系統的側翻預警功能可行性試驗。為了盡量模仿極限工況，本次實車試驗選取了J-Turn、Fishhook運行工況進行試驗。實車試驗過程中打開藍牙按鈕配對HC-05藍牙模塊后，觀察側翻預警主界面上顯示各個汽車運動狀態參數、LTR值和側翻危險指示條的變化。

將實時記錄的LTR值以及未來1～3 s的LTR數據導入MATLAB軟件中進行數據的處理分析，得到Fish?hook、J-Turn工況下的試驗結果。對試驗數據結果進行分析處理之后，得到相應的平均誤差如表1所示。

表1實車試驗得到的平均誤差

從表1中可以看出，在Fishhook試驗工況下側翻預警未來1～3 s預警的平均誤差分別為5.1%、7.4%和11.2%，在J-Turn試驗工況下側翻預警未來1～3 s預警的平均誤差分別為4.3%、6.2%、10.3%，驗證了在實車試驗中該車載智能移動終端的側翻預警功能可行性良好。

5　結束語

本研究中通過建立4自由度模型計算側翻綜合指標LTR值，可以實現側翻判別，但是并未考慮懸架和輪胎變形，以及道路橫向坡度對車身側傾的影響，會造成實際判別時的誤差，有待后續改進。

引入了AR自回歸模型預測技術，利用大量的統計數據探索出變量間的本質關系，可以對LTR值做出較精準的預測。

在android手機客戶端實現了車身姿態數據的顯示和側翻預警功能，可以作為在android移動終端構建車載智能系統的重要一環，后續可以利用這些數據實現橫擺穩定性、疲勞駕駛等功能的預測。

參考文獻

1Dunwoody A B,Stern Donald S.System and Method for the Detection of Vehicle Rollover Conditions.CA 2273950, 1988-06-18.

2朱天軍，宗長富，吳炳勝，等.基于改進TTR算法的重型車輛側翻預警系統.機械工程學報，2011,47（10）:88～94.

3NALECZ A G.An Investigation into Dynamic Measures of Vehicle Rollover Propensity.Michigan:SAE,1993.

4Liu P J,Rakheja S,Ahmed A K W.Detection of Dynamic Roll Instability of Heavy Vehicles for Open-Loop Rollover Control.SAE Paper No.973263,1997.

5宋小文，李杰，王耕，等.一種改進的側翻模型及其應用研究.汽車工程，2009,31（10）:971～975.

6朱穎，周煒，郭志平，等.基于車輛側傾角側翻預警算法的研究.機械設計與制造.2011,2（2）:52～54.

7石存杰.車載感知與智能終端平臺的設計與研究：[學位論文].江蘇：江蘇大學,2013.

8彭孝東,陳瑜,李繼宇,等.MEMS三軸數字陀螺儀標定方法研究.傳感器與微系統,2013,32（6）:63～65.

9宋麗君,秦永元.MEMS陀螺儀的一種實用標定法.壓電與聲光,2010,32（3）:372～374．

10楊叔子,吳雅,軒建平,等.時間序列分析的工程應用.武漢:華中科技大學出版社,2007.

11Sheng Lu and Ki H.Chon．Nonlinear Autoregressive and Nonlinear Autoregressive Moving Average Model Parame?ter Estimation by MinimizingHyper Surface Distance. IEEE Transactions on Signal Processing,December 2003 （12）:3020～3026.

12羅富財.基于Android平臺的藍牙通信系統的研究與實現：[學位論文].北京：華北電力大學,2013.

13侯新琦,李佳.基于Android藍牙通訊的研究.電子世界, 2012,（11）:84～85.

（責任編輯簾青）

修改稿收到日期為2015年12月1日。

Study on the Rollover Warning System based on Android

Liu Jun,Cheng Wei,Yuan Suoxian,Yuan Jun,Wang Liming
（Jiangsu University,Zhenjiang 212013）

【Abstract】In this research,a four 4-DOF vehicle model is established,and the Lateral-load Transfer Ratio(LTR)is proposed as the roll-over indicator.In the vehicle gesture acquiring process,calibration test is carried out for the gyroscope and accelerating sensor to improve the precision of measurement.The predicting method based on the auto-regression model analysis is proposed.The process of implementation of this function on Android client is introduced in details from bluetooth data receiving and sending,predicting model realization and interface design.The experiment indicates that this predicting system is feasible.

Key words:Rollover,LTR Indicator,Error calibration,AR model,Android client

中圖分類號:U461.91

文獻標識碼:A

文章編號:1000-3703（2016）03-0036-04