基于RFID、視覺和UWB的車輛定位系統

曹立波，陳 崢，顏凌波，秦 勤，張瑞鋒

(湖南大學，汽車車身先進設計制造國家重點實驗室，長沙 410082)

基于RFID、視覺和UWB的車輛定位系統

曹立波，陳 崢，顏凌波，秦 勤，張瑞鋒

(湖南大學，汽車車身先進設計制造國家重點實驗室，長沙 410082)

在智能交通系統中獲取車輛的精確位置對提升主動安全和實現無人駕駛具有重要意義。針對目前全球定位系統(GPS)和車路通信(V2I)定位方法的不足，結合射頻識別(RFID)、視覺和超寬帶(UWB)通信提出了一種新的車輛定位系統，目的是在GPS效果不佳的城市環境下實現車道級的定位。提出了基于RFID和視覺的車道判別算法和基于UWB的單錨點V2I定位算法。分析了單錨點V2I定位算法在典型工況下的定位誤差。結果表明，在合理布置路側單元的前提下采用該定位方法可實現直道和彎道定位誤差分別在0.3和0.5m以內的定位精度。

智能交通系統；車輛定位；RFID；視覺；UWB

前言

智能交通系統(intelligent transportation system，ITS)以提高交通效率和交通安全為主要目的，而車輛定位是其中的關鍵技術。獲取車道級的精確位置對于在ITS中提高智能車輛的安全性和實現自主駕駛都具有重要意義。

以全球定位系統(global positioning system，GPS)為代表的全球導航衛星系統(global navigation satellite system)是目前使用最廣泛的車輛定位技術，可通過差分法來提高精度。偽差分全球定位系統在開闊環境下定位精度為2m左右，達不到車道級定位要求。基于載波相位的差分全球定位系統(real time kinetic differential GPS，RTK-DGPS)定位精度可達厘米級，但由于衛星信號易被遮擋，且信號丟失后恢復時間長，可靠性欠佳。實驗證明城市環境中RTK-DGPS僅有少部分時間能達到此精度[1]，且RTK接收機價格高達數萬元，難以大規模普及。

慣性導航系統(inertial navigation system，INS)被用于車輛的航位推算，以修正GPS信號不佳時造成的定位誤差，或在GPS無信號的條件下代替GPS定位。但慣性測量系統本身極易產生累積誤差，例如文獻[1]中測得車輛每行駛300m，INS即產生2m以上的誤差，故不宜長時間使用。

隨著智能網聯汽車技術的發展，基于車路通信(vehicle to road/infrastructure communications，V2I)的定位方法也越來越受到重視，該方法的原理是在車輛與路側單元(road side unit，RSU，俗稱錨點)進行實時通信的同時分析信號到達時間或到達時間差等特征測得車輛與多個RSU的距離，再通過三點定位法、極大似然法和Chan算法等確定車輛位置坐標[2-8]，隨著超寬帶(ultra wideband，UWB)通信技術的應用，其定位精度可達1m以內[9-11]。雖然該方法不受地形限制，可彌補GPS的不足，但其精度仍然無法保證將車輛定位到正確車道，且定位過程中需要車輛同時與至少3個錨點(RSU)通信，這樣大大增加了V2I通信量、RSU數目和系統復雜性。文獻[12]中提出了一種新型雙錨點V2I定位方法，該方法利用車輛在行駛過程中與道路兩側RSU通信時信號多普勒頻移的差別，判斷車輛橫向和縱向位置。在車速較高的情況下可實現車道級定位精度，但隨著車速降低，多普勒效應減弱，定位誤差顯著增加甚至無法工作。因此該方法基本上不適用于低車速的城市密集路段。

另一方面，現有定位技術未計及車輛定位中優先判別車輛所處車道的重要性。車輛定位中沿橫向的定位精度要求高于縱向定位精度要求，因為縱向的位置誤差很容易通過預留縱向距離來補償，而沿道路橫向的距離更短，超車過程中相鄰車道兩車的橫向距離往往只有數十厘米，這對定位設備的精度和可靠度提出了苛刻的要求。實際上，由于一條車道在同一縱向位置只能容納一輛車，直接區分車輛所處車道比探測車輛具體橫向位置更有實際意義和可行性。

針對上述定位方法的缺陷和定位到車道的要求，本文中提出了一種車輛精確定位系統，將車輛定位分解為車道判別和縱向定位兩個步驟，詳細描述了基于射頻識別(radio frequency identification，RFID)和車載視覺的車道判別方法。在車道判別的基礎上，提出了基于UWB的單錨點V2I定位算法。最后分析了該系統的定位誤差和RSU布置方法。

1 定位系統框架

基于RFID、視覺和UWB的車輛定位系統(下文簡稱RVU定位系統)如圖1所示，主要由兩部分組成：基于RFID和視覺的車道判別子系統和基于UWB測距/通信的縱向定位子系統。由于該系統不依賴衛星信號，且UWB的厘米級測距精度保證了較小的縱向定位誤差，故適宜在GPS信號不佳、小車距的城市密集環境下工作。

圖1 RVU定位系統主體框架

其中車道判別子系統還可直接與現有的GPS/ DGPS技術結合，利用GPS/DGPS在開闊道路上的良好性能，在橫向車道級定位的基礎上實現米級的縱向定位精度，滿足無遮擋、大車距路況下(如高速公路)的智能交通定位需求。

2 車道判別

依靠當前的通用定位技術和車輛本身的傳感設備很難準確地判斷車輛所處車道，隨著智能交通系統的發展，更多的研究開始關注于通過V2I方式實現車道判別[12-13]。如文獻[13]中提到了一種基于RFID的車道判別方法，分別在不同車道的路面上每隔6m鋪設一張RFID標簽，標簽內容為車道序號和縱向坐標。同時在車輛的底部安裝RFID閱讀器，行駛過程中不斷讀取射頻標簽而獲取車輛所處車道序號。雖然該方法簡單可靠，但鋪設過多的射頻標簽有可能造成道路建設和維護的困難。

另一方面，隨著圖像處理技術的發展，攝像頭逐漸成為智能汽車的標配之一。目前利用視覺的車道線檢測技術已較為成熟[14-15]，多家汽車廠商(如大眾、沃爾沃)基于車道線檢測開發了車道偏離預警和車道保持等主動安全應用。

借鑒以上研究，本文中提出了一種將RFID和視覺相結合的車道判別算法和系統。車道判斷過程如圖2所示，預先在車道入口處鋪設RFID標簽以表明該車道的編號，最右車道編為1號車道，其他車道依次向左遞增。當車輛經過某車道入口時，可通過射頻閱讀器讀取車道編號作為車輛在該道路行駛的初始車道號N0。

圖2 車道判斷過程

在車輛繼續行駛的過程中，使用視覺系統檢測車道線，據此判斷變道狀態，將初始車道號N0更新為車道號N。在攝像頭獲取的圖像底部添加一條代表車輛寬度的橫線(可通過攝像頭標定得到)，根據檢測到的車道線(或其延長線)是否與寬度線相交和相交位置，將車道線與車輛的相對位置分為未相交、左相交、右相交3種情況，如圖3所示。依據相對位置在相鄰時刻的改變可判定出車輛的變道狀態，具體判定規則如表1所示。若判定車輛開始向左/右變道，則更新實時車道號N=N0±0.5，此時N變為非整數，表明車輛處于兩車道之間，并令此時的N作為下一時刻的N0即令N0=N；若判定向左/右變道完成，則再次更新N=N0±0.5，此時N變為整數，表示車輛完全進入另一車道(變道開始和完成方向相同)或回到原車道(變道開始和完成方向相反)；若車輛未變道或仍在變道中則不更新實時車道號：N=N0。

圖3 車道線與車輛的3種相對位置

表1 變道狀態判斷規則

先前已開發了相應的C++圖像處理程序和車道判別系統樣機，并在長沙市近郊道路進行了功能驗證。實驗結果表明，車輛可通過RFID閱讀器順利讀取路面標簽內容，且在行駛過程準確判斷了車道號(如圖4所示)。

圖4 車道判別

3 完全定位

3.1 電子地圖

考慮到系統車道級的定位精度，匹配的電子地圖也需要精確到車道，根據目前道路測繪所用全站儀的毫米級精度，這樣的電子地圖完全可實現。在該地圖中所有的車道中心線和車道線都應被表示為經度α、緯度β和海拔高度H三維空間中的曲線，即

式中：β=FN(α)為該空間曲線在水平面的投影；H=GN(α，β)為路面一點的高度；N為車道號，取值為1，1.5，2，2.5等。

由前面可知，當N為整數時，式(1)對應第N車道中心線的表達式，當N為非整數時，式(1)對應兩車道之間車道線的表達式。在該地圖中，對于處在某一車道的車輛不再區分其橫向位置，直接將車道中心線作為其近似行駛軌跡(即車輛恒處于車道中心線上)；而對于正在變道的車輛則將兩車道之間的車道線作為其近似行駛軌跡。

3.2 V2I單錨點定位算法

傳統的V2I定位算法至少需要3個錨點以實現3點定位，而在RVU定位系統中，由于車輛行駛軌跡已知，故只須測得車輛與一個錨點的距離即可實現完全定位。

單錨點V2I定位過程如圖5所示，車輛根據所處車道調取其式(1)行駛軌跡，同時通過UWB與RSU進行實時通信，獲取路側單元UWB天線的坐標(α0，β0，H0)，并測得兩者之間距離R，則可知車輛位于以RSU為原點，以R為半徑的球面與車輛行駛軌跡的交點上。聯立方程：

式中h為車載UWB天線距離地面的安裝高度。

圖5 單錨點V2I定位過程

解方程組得到(α1，β1，H1)和(α2，β2，H2)兩個交點坐標，再選取在前進方向上離上次定位結果較近的交點(α2，β2，H2)作為車輛實際位置，若是首次定位則選取靠近道路入口的點。

對于大部分城市道路，路面在單一RSU覆蓋范圍內起伏極小，即H≈常數，則式(2)可簡化為

式中：A為當地的經度差值與水平距離差值的換算因子；B為緯度差值與水平距離差值的換算因子；h′為路側單元UWB天線距離地面的安裝高度。

4 V2I定位誤差分析

RVU定位系統在橫向只需判斷車輛所處車道，所以主要考慮縱向定位誤差。本節先討論單錨點V2I定位算法的誤差來源，建立直道和典型彎道兩種誤差模型，然后根據式(2)推導出誤差表達式，分別計算兩種情況下的最大誤差。

4.1 誤差來源

在數字地圖足夠精確的情況下，V2I定位的主要誤差來源是：(1)UWB測距誤差ΔR；(2)車輛偏離理想行駛軌跡的距離Δd。

4.1.1 測距誤差

為探究UWB測距誤差，對某款UWB芯片進行了測距試驗，該芯片基于市面流行的DWM1000型UWB無線收發模塊開發。DWM1000模塊主要參數見表2。

表2 DWM1000模塊主要參數

該試驗在長沙市瀟湘中路旁人行道進行，以模擬城市道路環境中的噪聲干擾。由于直線路段長度有限，僅對0～200m內的測距誤差進行測試。將一塊UWB芯片固定作為錨點，將另一塊芯片擺放在不同位置的測點上。距錨點每隔10m設置一個測點，在每個測點上記錄10次測距結果。

試驗完成后經數據處理，得到不同測點的測距誤差平均值(絕對值，下同)和方差，如圖6所示。隨著UWB芯片之間的距離增加，測距誤差有變小的趨勢，但并不顯著，可以認為在200m范圍內UWB的測距誤差與目標遠近無直接關系。全部200次測距的平均誤差μ=0.0563m，標準差σ=0.0699，設在定位過程中UWB測距誤差符合正態分布，則可認為在一般情況下(95%概率)，UWB最大測距誤差ΔRmax=μ+1.64σ=0.17m。

圖6 測距試驗結果

4.1.2 橫向偏離量

在RVU定位系統中總是默認車輛處于理想的橫向位置(車道中心線或車道線上)，而車輛在實際行駛過程中難免會偏離理想行駛軌跡，從而造成縱向定位誤差。車輛最大橫向偏離量的計算式為

式中：D為車道寬度，城市道路為3.5m；W為車輛寬度，轎車取值為1.6～1.8m。

算得當W=Wmin=1.6m，且N為整數時，Δdmax取得最大值0.95m。

4.2 誤差模型

4.2.1 直道

令式(2)中的h=h′，簡化為平面定位情況。直道誤差模型如圖7所示，假設RSU(α0，β0，)正北方有一東西向直線型三車道道路，道路中心與RSU的距離為d，故車道中心線表達式為

圖7 直道誤差模型

令y=B(β-β0)，x=A(α-α0)，設測得車輛與RSU之間距離為R，則式(2)簡化為

解得車輛縱向位置：

記測距誤差ΔR造成的定位誤差為Δx1，車輛偏離車道中心線距離Δd造成的定位誤差為Δx2，則兩誤差絕對值為

顯然當兩種誤差同符號時，總誤差Δx達到最大，即

4.2.2 典型彎道

由于不同道路的彎道曲率各不相同，所以選取一典型圓弧彎道做誤差分析。對于連接直道和圓弧彎道的緩和曲線道路，設其誤差介于直道和圓弧彎道之間。參考道路設計規范[16]，圓弧彎道半徑一般不得小于道路設計速度所限定的不設超高最小半徑值，設計車速越高的彎道其設計半徑也應越大(見表3)。由于城市道路的設計車速為40～60km/h，故選取設計車速40km道路的最小半徑300m作為典型彎道半徑進行誤差分析，一般彎道由于半徑更大，定位誤差會更接近于直道情況。

表3 不同設計速度的道路所對應的最小彎道半徑

彎道誤差模型如圖8所示，設有一圓弧型三車道道路中心線半徑為r，其圓弧原點處于RSU正北方且與RSU的距離記為d，同樣令y=B(β-β0)，x=A(α-α0)，車輛與RSU之間距離為R，則式(2)簡化為

圖8 彎道誤差模型

設測得位置坐標為(x1，y1)，實際位置坐標為(x2，y2)，解得縱向定位誤差為

其中：

4.3 誤差計算

考慮系統在極端不利情況下的定位誤差，將ΔRmax=0.17m，Δdmax=0.95m分別代入式(10)和式(12)，算得系統對不同車道上車輛定位的最大誤差曲線，如圖9所示。雖然UWB測距誤差和車輛橫向偏移量不隨車輛與RSU之間距離R變化，但單錨點V2I定位算法本身導致了在R較小時(＜40m)定位誤差的急劇增大。為了規避這種情況，車輛應只利用離自身較遠的RSU進行定位。而為了保證車輛的連續定位精度，RSU須以交叉定位方式布置(如圖10所示)，在該布置方式中，每個RSU僅對設定的最小定位范圍Rmin以外的車輛提供定位信息，而更近的車輛則由相鄰的RSU定位。例如圖中RSU 1只對距其較遠的區域1內的車輛進行定位，而距其較近區域內的車輛則由相鄰的RSU 2負責定位。

圖9 系統最大縱向定位誤差曲線(ΔR=0.17m，Δd=0.95m)

圖10 交叉測距的RSU布置方式

RSU間距L為

三車道道路的最小定位范圍Rmin為

由圖9可知，在此情況下，RVU系統的三車道直道最大定位誤差出現在R=100m處，且均小于0.3m，典型彎道最大定位誤差出現在R=200m處，且均小于0.5m。系統可滿足主動安全應用和自動駕駛的定位精度要求，具備可行性。

5 結論

本文中剖析了車輛定位的需求，識別車輛所處車道并保證車輛縱向定位精度，由此提出一種新的車輛定位方法和系統，該系統利用RFID和車載視覺識別車輛所處車道，通過車輛與路側單元的通信測得兩者之間的距離，然后由單錨點V2I定位算法算得車輛在道路上的縱向位置；對該算法在典型環境下的定位性能進行了分析，由此制定了路側單元布置策略，并通過計算證明了通過合理布置路側單元能達到直道定位誤差0.3m、彎道0.5m以內的定位精度。RVU定位系統所需的RSU數目和通信量比傳統V2I定位系統少，且具備定位到車道的能力；而相比RTK-DGPS技術又具有全地形定位的優點和硬件成本優勢。這些特點使RVU定位系統更有可能在ITS中發揮重要作用，促進車輛主動安全的提升和無人駕駛的實現。

本定位系統還有許多尚待完善之處，比如文中僅對靜態誤差進行了分析，而實際上車輛定位精度往往都會受移動速度的影響，所以有必要試驗研究本定位系統對運動車輛的動態誤差，進而開發減小動態誤差的算法；另外本系統對于車輛的定位依賴于車道線，對于沒有車道線的區域(如交叉路口)仍須使用傳統定位方法(如三點定位)，故實現與其他定位方法在不同路段的銜接也是本定位系統應用于智能交通系統需解決的問題。

[1] JIMéNEZ F，NARANJO J E，GARCíA F，et al.Limitations of positioning systems for developing digital maps and locating vehicles according to the specifications of future driver assistance systems [J].IET Intelligent Transport Systems，2011，5(1)：60-69.

[2] 彭宇，王丹.無線傳感器網絡定位技術綜述[J].電子測量與儀器學報，2011，25(5)：389-399.

[3] KUMAR P，REDDY L，VARMA S.Distance measurement and error estimation scheme for RSSI based localization in wireless sensor networks[C].Wireless Communication and Sensor Networks(WCSN)，2009 Fifth IEEE Conference on.IEEE，2009：1-4.

[4] CACERES M，SOTTILE F，SPIRITO M A.WLAN-based real time vehicle locating system[C].Vehicular Technology Conference，2009.VTC Spring 2009.IEEE 69th.IEEE，2009：1-5.

[5] 趙泰洋，郭成安，金明錄.一種基于RFID原理的交通信息獲取系統與車輛定位方法[J].電子與信息學報，2010，32(11)：2612-2617.

[6] 任盈之，劉熙，張欣.超高頻RFID定位的相位式測距方法研究[J].單片機與嵌入式系統應用，2014，14(5)：36-38.

[7] HUANG J，LI X，SUN Y，et al.A highly-reliable combined positioning method for vehicle in urban complex environments[C].Vehicular Electronics and Safety(ICVES)，2013 IEEE International Conference on.IEEE，2013：153-158.

[8] PAUL J，MALHOTRA B，DALE S，et al.RFID based vehicular networks for smart cities[C].Data Engineering Workshops(ICDEW)，2013 IEEE 29th International Conference on.IEEE，2013：120-127.

[9] HASSAN O，ADLY I，SHEHATA K A.Vehicle localization system based on ir-uwb for v2i applications[C].Computer Engineering＆Systems(ICCES)，2013 8th International Conference on.IEEE，2013：133-137.

[10] LEUNE T，WEHS T，JANSSEN M，et al.Wireless locating and data communication in harsh industrial environments[C].Emerging Technologies＆Factory Automation(ETFA)，2012 IEEE 17th Conference on.IEEE，2012：1-4.

[11] 張霆廷，張欽宇，張乃通.一種基于能量加權檢測的UWB測距方法[J].電子與信息學報，2009，31(8)：1946-1951.

[12] ALAM N，BALAEI A T，DEMPSTER A G.An instantaneous lane-level positioning using DSRC carrier frequency offset[J]. IEEE Transactions on Intelligent Transportation Systems，2012，13 (4)：1566-1575.

[13] ZHANG E，JIANG W，KUANG Y，et al.Active RFID positioning of vehicles in road traffic[C].Communications and Information Technologies(ISCIT)，2011 11th International Symposium on.IEEE，2011：222-227.

[14] KIM Z W.Robust lane detection and tracking in challenging scenarios[J].Intelligent Transportation Systems，IEEE Transactions on，2008，9(1)：16-26.

[15] LóPEZ A，SERRAT J，CA?ERO C，et al.Robust lane markings detection and road geometry computation[J].International Journal of Automotive Technology，2010，11(3)：395-407.

[16] CJJ 37—2012城市道路工程設計規范[S].北京：中國建筑工業出版社，2012.

Vehicle Positioning System Based on RFID，Vision and UWB

Cao Libo，Chen Zheng，Yan Lingbo，Qin Qin＆Zhang Ruifeng
Hunan University，State Key Laboratory of Advanced Design and Manufacturing for Vehicle Body，Changsha410082

To obtain the accurate location of vehicles in intelligent transportation systems has important significance to enhancing active safety and implementing autonomous driving.In view of the defects of present global positioning system(GPS)and vehicle-to-infrastructures(V2I)positioning technology，a novel positioning system is proposed by combining radio-frequency identification(RFID)，vision and ultra-wideband(UWB)communications，aiming at realizing lane-level positioning in urban environment with poor GPS effects.Both algorithms of lane judgment based on RFID and vision and single RSU V2I positioning based on UWB are put forward，with the error of single RSU V2I positioning in typical conditions analyzed.The results indicate that the proposed system with rational arrangement of RSUs can achieve a positioning accuracy with an error less than 0.3m for straight road and 0.5m for curved road respectively.

intelligent transportation systems；vehicle positioning；RFID；vision；UWB

原稿收到日期為2016年3月22日。

陳崢，碩士研究生，E-mail：cz1991＠hnu.edu.cn。

10.19562/j.chinasae.qcgc.2017.02.017