基于V2X通信網絡的車輛協同定位增強方法?

段續庭,田大新,王云鵬

(北京航空航天大學交通科學與工程學院,車路協同與安全控制北京市重點實驗室,北京 100191)

前言

隨著信息化步伐的快速邁進,無線通信、移動網絡和傳感網等領域得到極大發展,并呈現出向智能交通系統(intelligent transportation systems,ITS)滲透和融合的趨勢,促使ITS進入高級智能化階段。車聯網技術作為近年來ITS領域最為熱門的研究方向,通過車聯萬物(vehicle-to-anything,V2X)實現車輛之間以及車輛與道路基礎設施之間的高效信息交互與數據共享,為“人-車-交通流”構成的復雜物理信息融合系統和“車內-車際-互聯網”構成的車輛移動網絡提供了資源優化的根本保障,使傳統的車載網絡傳輸與控制、交通基礎設施以及綜合交通效能的改善方式發生前所未有的變革。位置信息作為車輛狀態的關鍵表征是車聯網技術最為頻繁的數據交互類型,其準確可靠程度是實現交通安全通行、保障車路協同系統和自動駕駛技術順利實施的重中之重。然而,因基于衛星導航系統的定位技術原理約束,容易受到頻繁變化的外部環境影響,在城市“高樓峽谷”或隧道等弱衛星信號覆蓋區域,將面臨定位系統失效、精度不足和數據不連續等問題,難以滿足交通安全應用對車輛位置信息的高實時、高可靠、高精準度需求。

1 V2X通信

車聯網系統中已經存在的或未來將采用的車聯萬物通信場景如圖1所示。通信方式主要分為車網通信(vehicle-to-network,V2N)、車路通信(vehicleto-infrastructure,V2I)、車車通信(vehicle-to-vehicle,V2V)、人車通信(vehicle-to-pedestrian,V2P)[1-2]。目前,主要通信技術手段有DSRC和LTE-V,其中DSRC技術中,V2V組網方式定義為Ad-hoc-點對點模式,V2I組網方式定義為Station-點對接入點模式；LTE-V技術中,V2V和V2P組網方式定義為PC5-終端直連(device-to-device,D2D)模式,在V2I和V2N組網方式中,由于時分長期演進(time division long term evolution,TD-LTE)和頻分雙工長期演進(frequency division dual long term evolution,FDD-LTE)技術中路側單元在網絡中的身份定位存在區別,組網方式仍未形成定論,可能定義為PC5-D2D模式,也可能是UU-設備對基站模式。5G作為下一代移動通信技術,現階段仍處于技術探索和標準化制定階段,在其構想中主要設計了3種面向未來需求的應用場景,包括:增強移動寬帶(ehanced mobile broadband,eMBB),大規模物聯網(massive machine type communications,mMTC),以及超高可靠超低延遲通信(ultra-reliable and low latency communications,URLLC)。其中,URLLC場景技術指標即是為車聯網領域量身打造,具體的組網模式仍處于標準規劃階段。在 V2X系統中,DSRC,LTE-V和5G URLLC與分布式天線系統(distributed antenna system,DAS)、多輸入多輸出系統(multiple-input multiple-output,MIMO)以及大規模多輸入多輸出系統(massive multiple-input multiple-output,Massive MIMO)的結合,不僅可大幅度提高網絡容量,還可為實現基于V2X信號的無線定位方法提供支撐。此外,圖1中,mmWAVE表示毫米波通信,mmWAVE D2D表示未來5G定義的D2D組網模式,mmWAVE D2BS表示未來5G定義的設備對基站的組網模式,RSU表示DSRC路側通信單元,eNB表示LTE-V基站,gNB表示5G基站,LOS和NLOS分別表示視距通信和非視距通信。

圖1 異構V2X通信網絡

依據3GPP TR 22.885 V14.0.0標準,V2X通信對不同應用場景下終端的通信性能指標的要求規范如表1所示。典型交通場景涉及城郊、高速公路、無限速高速公路、多種市區環境、校園和購物中心等,針對上述場景,具體的通信性能指標包含通信半徑覆蓋范圍、可支持終端的最高移動速度(獨立終端的絕對速度和兩個終端間的相對移動速度)、通信延遲、百毫秒傳輸可靠比和累積傳輸可靠比。

表1 V2X服務指標要求

表1中帶有?標識的#5和#7場景表示,需要在短時間、小范圍內保證數據包的高度可靠,所以數據包的累積傳輸可靠比在此場景中不能作為衡量指標,即失效。

2 網絡定位

2.1 DSRC通信網絡定位終端

根據DSRC系統應用層需求,設計實現應用層交互協議,規范V2X不同應用間的信息交互接口,為“車聯萬物”提供協議規范基礎。目前,已實現車輛之間、車輛與行人、車輛與信號燈、車輛與電子指示牌、車輛與視頻或微波檢測系統和車輛與數據中心等系統間的信息交互規范,支持車輛定位算法開發[3],終端原型如圖2所示。

圖2 DSRC通信網絡定位終端

圖3 多模式通信系統架構

2.2 多模式通信網絡定位終端

多模式通信系統架構如圖3所示,與DSRC通信網絡定位終端相似,多模式通信網絡定位終端的軟硬件集成開發也在OpenWrt嵌入式系統基礎上實現,具體硬件模塊構成如圖4所示,包含DSRC,Wi-Fi,3G(可擴展4G)等主要模塊。其中,該終端可根據Wi-Fi和3G網絡的當前狀態,如信號強度和網絡質量等指標的變化,自適應切換選擇指標更優的通信網絡。

圖4 多模式通信網絡定位終端

研發多模式通信網絡定位終端為開展基于多種V2X通信鏈路的車輛定位方法研究奠定了系統基礎。此外,該終端也可為VANETs路由協議、異構網絡選擇和網絡切換算法的研究與應用開發提供通用接口和底層鏈路保障。

3 覆蓋與數據并發測試

3.1 覆蓋測試

最大覆蓋范圍會隨外界環境改變發生劇烈變化,在霧霾和雨雪天氣,或TX端和RX端間存在移動遮擋物時,DSRC信號覆蓋范圍與較理想通信環境下的存在巨大差異。通常,描述無遮擋通信鏈路為視距通信環境LOS,有遮擋通信鏈路為非視距通信環境NLOS。在北京航空航天大學校園開展實驗測試,測試環境如圖5所示。研發的通信網絡定位終端在 LOS環境的最大覆蓋范圍約為380m,在NLOS環境的最大覆蓋范圍約為120m[4]。

3.2 數據并發測試

由于硬件資源限制,通常須通過仿真方法實現大規模車輛通信效能的測試驗證。本研究中,在室內環境模擬大規模車輛并發接入和消息廣播應用場景,測試驗證自主研發的DSRC通信網絡定位終端的可靠性。測試系統由6套DSRC通信網絡定位終端和測試軟件組成,測試環境如圖6所示。測試內容包含:在多終端并發廣播和長時間工作情況下,DSRC通信網絡定位終端的延遲和丟包等指標能否滿足V2X應用需求。測試結果表明:該終端性能可靠穩定,能滿足V2X應用技術指標的要求,這為開展基于DSRC的車輛定位方法研究奠定了系統基礎。此外,該終端也可為車輛自組織網絡(vehicular Ad-hoc networks,VANETs)路由協議研究和應用開發提供通用接口和底層鏈路保障。

圖5 測試環境

圖6 大規模車輛并發接入與消息廣播應用場景

4 協同定位增強

4.1 基本原理

在傳統的車輛定位系統中,GNSS模塊負責實現車輛定位,慣性傳感器與運動學模型匹配,負責實現車輛運動過程的追蹤。然而,傳統車輛定位系統由于其本身技術的相對局限性,如GNSS系統在弱衛星信號覆蓋區域會精度失準或定位失效,慣性傳感器長時間工作會發生速度漂移現象(其誤差隨著時間的推移累積疊加),難以滿足車聯網技術不斷發展對車輛位置信息的更高質量需求。因此,為進一步提高車輛定位能力,不僅需要傳統系統中的GNSS和慣性傳感器模塊,還需要為車輛增加更多的感知手段,如攝像頭、激光雷達、射頻和地圖等。與此同時,還可在空間協作層面,通過車聯網中的車車、車路通信技術獲取鄰居車輛的共享位置信息,以期增強車輛定位能力；在時間協作層面,可利用儀表盤提供的車速和加速度等數據、羅盤提供的航向角數據和經驗運動學模型知識等,通過數據融合優化濾波方法,進一步增強車輛定位能力。綜上所述,未來車輛定位精度增強方法,將會在時間、空間兩個維度同時展開,盡可能地挖掘定位能力的潛在提升空間,達到系統的最優定位性能。

通過仿真方法測試驗證協同定位增強算法的潛在收益,為大規模部署提供理論指導和依據。

4.2 方法驗證

初始化道路仿真場景,建立x-y直角坐標系,道路場景為雙向四車道,車道道寬3.5m,車道長度1 000m。假設車流密度為20輛/km,車速在[50,60]km/h區間服從均勻分布。所有相鄰車輛的初始位置服從均勻分布隨機出現在道路上,目標車輛的初始位置在(300,5)點,以60km/h的初始速度沿x軸正方向行駛。在行駛過程中,目標車輛的速度會受到控制向量和運動學模型噪聲項的影響,會出現較小幅度的波動[5]。

車輛系統方程中運動學模型部分,令運動方程組中轉移矩陣F和G分別為

式中:I為二維單位矩陣；O為二維零矩陣；Δt為系統采樣間隔。控制向量u1＝[0 0.01]T,是加速度值的擾動項,運動學模型噪聲項＝ [σax,k-1,σay,k-1]T～N(0,Q),它的協方差矩陣 Q＝diag[σ2ax,]。具體的,仿真中設置σax,k-1＝和分別為目標車輛在x和y軸方向的加速度標準差。觀測模型噪聲項Yk(re)～N(0 R(re)),其協方差矩陣R(re)為1階馬爾科夫鏈,表征觀測噪聲在兩種不同環境下的遷移情況,其中:

情況一,R(r1)＝diag[(r1),…,(r1)],表征目標車輛與相鄰車輛間的V2X鏈路為視距情況(line-of-sight,LOS)；

情況二,R(r2)＝diag[(r1),…,(r1)],表征目標車輛與相鄰車輛間的V2X鏈路為非視距情況(non-line-of-sight,NLOS)。

圖7 LOS和NLOS狀態間概率轉移過程

在行駛過程中,目標車輛觀測模型的噪聲項在第0～30步保持LOS通信鏈路,在31～80步遷移到NLOS通信鏈路,在第81～100步再次遷移到LOS通信鏈路。車載GNSS可提供的x和y方向的位置、速度的標準差分別為σpx＝10m,σpy＝10m,σvx＝

仿真實驗結果如圖8所示,CV-IMM-CKF算法在短暫迭代后即可超越單一的衛星定位方法。圖中縱坐標RMSE的定義見式(2),表示車輛定位的準確程度,其中Nm＝500為獨立蒙特卡洛實驗重復次數。

這里,目標車輛的真實軌跡坐標為(px,k,py,k),應用CV-IMM-KF算法后的估計軌跡坐標為(p＾x,k,p＾y,k),其中(p＾x,k(m),p＾y,k(m)) 表示目標車輛在第 M次蒙特卡洛實驗中,第k步獲得的估計軌跡坐標。同時,定義參數μ表征車輛定位性能增強的相對程度:

這里,RMSEA和RMSEB分別為應用CV-IMMCKF和單一GPS獲得位置估值的RMSE,從整個路段仿真過程看,CV-IMM-CKF算法可大幅度提升車輛位置信息估值準確度近40%。

圖8 增強性能對比

5 結論

設計了基于V2X的多普勒頻移的定位精度增強方法,構建了該協同定位精度增強方法的數學模型,具體包括:建立車輛運動學模型和狀態觀測模型,應用交互多模型系統描述并追蹤多普勒頻移觀測量在觀測模型處于視距/非視距通信的變化過程,通過1階泰勒公式將非線性觀測問題轉化為線性問題,并應用IMM-CKF實現數據融合。仿真結果顯示,與傳統 GPS定位相比,該方法可提升準確度40%。

未來研究中將綜合考慮DSRC,LTE-V和5G URLLC等多種V2X通信技術,以期充分利用車聯網環境下的泛在無線信號和無線網絡資源,深度挖掘其在未來車輛位置高精準估計和交通狀態感知中的應用潛力。