基于電感式磁傳感器的車位檢測算法設計

李 鳳,董 勝,劉守印

(華中師范大學物理科學與技術學院,武漢 430079)

隨著我國私家車保有量日益增加,交通設施受到前所未有的壓力,根據公安部公布的數據,截至2018年底,全國機動車保有量達3.25億輛,與2017年底相比增加1556萬輛,其中汽車保佑量超過2億輛[1]。國家發改委公布的數據顯示,目前我國大城市小汽車與停車位的比例約為1:0.8,中小城市約為1∶0.5,而發達國家約為1∶1.3,保守估計我國停車位缺口超過5 000萬個[2]。

由于停車場的車位數量遠遠不及車輛數量,“停車難”已經成為了一個社會性問題。居民出行時間極大部分浪費在尋找停車位上,由此造成的尾氣污染、噪聲污染相當嚴重。同時,在醫院、居民小區、火車站等車流密集地區,由于尋找停車位帶來的交通擁堵情況也十分嚴重[3]。因此,及時獲取停車位占用情況,幫助居民獲取附近空余停車位非常重要。

由于近年來傳感器網絡的飛速發展,各種傳感器和感知技術被應用在車輛檢測上,其中包括視頻技術[4]、感應線圈、超聲傳感器、紅外傳感器以及磁傳感器[5-6]。其中磁傳感器因其低成本、高精度、小體積等優勢,近年來廣受業內學者的青睞[7]。

根據磁傳感器的測量原理可以分類為霍爾元件、磁通門傳感器、磁阻傳感器和電感式傳感器[8]。霍爾元件和磁通門傳感器雖然分辨率高,但是體積過大,并不適合用于車輛檢測。磁阻傳感器易被磁性物質磁化,導致基線漂移,消除漂移的方法會增加額外復雜度,因此本文選擇PNI公司的精密電感式磁傳感器RM3001,三軸傳感器配合PNI12927驅動芯片進行磁場測量,其輸出為數字量,直接送入單片機進行處理計算,不需要進行信號放大和A/D轉換。該測量方法省去了大量硬件電路,并且具有精度高、體積小、成本低、穩定性好的優點[9]。

本文基于PNI12927驅動三軸電感式磁傳感器,設計一種基于隱馬爾可夫模型HMM(Hidden Markov Model)的車輛檢測算法。使用MSP430低功耗單片機對傳感器采集的磁場數據進行計算,得出車輛檢測結果,獲取車位占用情況,通過LoRa將檢測結果傳輸至服務器,用戶通過客戶端軟件實時查看停車場空車位分布情況,系統框架如圖1所示。檢測裝置體積小,便于安裝,功耗低,壽命長,且經過長時間實踐驗證,算法檢測準確率為98.11%。

圖1 系統框架圖

圖2 部分車輛磁場分布實驗結果

1 研究基礎與本文工作

在進行車輛檢測算法設計之前,本文作者結合磁阻式傳感器HMC5983和ZigBee無線傳輸方式,進行了乘用車底部地磁場分布特性的實驗研究。實驗中每隔10 cm取一個點進行磁場測量,最終繪制三維圖,直觀體現乘用車底部地磁場分布情況,詳細實驗結果在文獻[10]中,于2016年12月公開發表,其中部分實驗結果如圖2所示。從實驗結果中,我們可以發現:①車輛對地磁場產生的擾動具有邊界性。乘用車對車輛四周30 cm以外的區域擾動較小,在車輛底部磁場擾動非常明顯,車輛外圍擾動急劇減小,由此可見通過磁場檢測判斷車輛存在與否的方案是可行的。②車輛停放方向與車輛對磁場擾動分布相關性較小。當車輛停放方向分別為南北、東西等方向時,乘用車對從停車位上的磁場擾動并不會隨方向變化而產生較大變化,這說明根據磁場判斷車輛存在與否的結果與停車位的朝向無關。③在車輛底部不同部位,磁場的擾動存在較大范圍差異。由于車輛材料分布不均,例如乘用車車頭發動機部分、車輪、車軸金屬材料部分,對磁場的擾動明顯與車輛中部座椅部分不同。因此,車輛和檢測節點的相對位置變化,對檢測結果具有明顯影響。實際應用中,我們需要將節點安裝在車位靠近車頭或車尾1/3處(即偏移車位中點1/3處),盡量減小檢測節點與車輛的相對位置變化帶來的誤差。

在現有研究基礎上,本文的研究工作主要包括以下幾點:①基于電感式磁傳感器設計了地磁車位檢測節點硬件電路,使用LoRa無線傳輸技術,將測試結果上傳至網關,再經由網關傳輸至服務器存儲,以供測試查看。②將停車位狀態轉換抽象為一種隱馬爾可夫模型,從檢測節點角度出發,建立了便于算法設計的車位狀態轉換模型。③利用HMM的特點,設計了一種基于HMM的車輛檢測算法,并驗證了算法可行性,通過長時間實際應用測試了算法檢測準確率。④建立了車位無車基線更新、穩定狀態更正等機制,增加檢測算法的魯棒性和準確性。

2 硬件設計

車位檢測節點硬件部分主要采用了PNI12927驅動三軸電感式磁傳感器,測量范圍為-1 100 μT至1 100 μT,空閑模式電流低至1 μA,工作溫度為 -40 ℃～85 ℃,能夠在冬夏時節露天停車場的溫度環境中保持正常工作。

圖3 檢測節點硬件設計框圖

將PNI12927(即MagIC)和3個單軸電感式磁傳感器作為磁傳感器整體,通過SPI接口與低功耗單片機MSP430相連,單片機計算結果通過串口送至LoRa模塊,以無線的方式上傳至網關。檢測節點硬件設計框圖如圖3所示。

圖3中,P NI12927和MSP430之間使用SPI接口進行通信。由于PNI12927和三軸電感式磁傳感器的輸出是數字式的,不需要AD轉換和濾波電路,所以SPI接口可以滿足需求。LoRa模塊和MSP430之間使用串口通信,主要用于MSP430向LoRa模塊傳輸計算結果和由MSP430定時上傳的心跳信息(其中包括當前車位狀態和磁場測量值等內容),同時,用戶通過無線傳輸下發指令至LoRa模塊,再經由串口送至MSP430進行指令響應操作,其中指令包括初始化指令、心跳周期更改指令等。

節點采用一次性鋰亞電池ER34615M供電,電池供電電壓3.6 V,經過MCP33轉為3.3 V為傳感器供電,電池容量為13 000 mAh。經測試,節點發送電流為48 mA,接收電流為12 mA,磁場采集電流為3.5 mA,休眠電流為3.6 μA,經計算,在正常運行的停車場中,采用2 min/次的心跳發送頻率,節點使用壽命為3.8年。

電池尺寸為33 mm(直徑)×61.5 mm(高),節點電路板為40 mm×51 mm,整個節點外殼尺寸為100 mm(直徑)×95 mm(高)。因此只需要在車位地面鉆一個直徑為10 cm深度為10 cm的孔即可安裝,采用水泥或灌封膠固定節點,并且可以將節點內膽取出,進行電池更換或電路檢修工作。因此節點的硬件及實物設計具有壽命長、易安裝、易維護的優點。

圖6 車輛停入、駛出車位的波形和狀態

3 車位檢測算法設計

3.1 車位狀態模型化

馬爾可夫模型是基于馬爾可夫鏈提取的系統模型,馬爾可夫鏈的含義是已知系統的現在,那么系統的將來與過去無關[11],即馬爾可夫模型具有離散性、隨機性和無后效性[12]。通常意義上我們理解為馬爾可夫模型中,每一個狀態只與系統前一個狀態有關。在停車事件中,我們將停車位狀態分為車來、有車、車走、無車4個狀態,每一個狀態只與前一個狀態有關,符合馬爾可夫模型的概念。

HMM具有馬爾可夫鏈的無記憶特性,即每一個狀態只跟前一個狀態有關,同時具有隱藏性[13],即每一個狀態都含有隱藏狀態。隱馬爾可夫模型的狀態轉換如圖4所示。其中ωi為隱藏狀態,vi為可見狀態,aij為轉換概率。通常我們是通過對可見狀態vi的規律研究,推斷隱藏狀態ωi。

圖4 HMM狀態轉換圖

在車位檢測系統中,從檢測節點的角度出發,只能獲得磁場的波動和穩定兩種狀態,波動狀態即地磁場被擾動時產生劇烈波動的情況,穩定狀態即車位上地磁場沒有較大變化的情況。而車輛是否停入車位,在檢測節點角度觀察屬于隱藏狀態,需要通過算法判定。

本文將停車位狀態變化抽象為HMM模型,狀態轉換如圖5所示。

圖5 停車位HMM狀態轉換圖

車輛停入、駛出車位的波形和狀態如圖6,其中①為穩定狀態,②為波動狀態。可以看出,磁場數據劇烈波動時,都是車輛在停入和駛出車位的過程。但是穩定狀態雖然磁場數據沒有大幅度波動,卻穩定在不同的數值附近。由于磁場環境量會隨時間發生漂移,所以不一定低的數值就是無車狀態,單純根據穩定時的數值無法判斷當前的穩定狀態是有車還是無車。因此,在穩定狀態的前一個波動狀態,也無法簡單根據數據變化判斷是車輛停入還是駛出。

3.2 算法設計

車位檢測算法的設計主要從HMM的特性考慮,可見狀態的規律特性中可以找出隱藏狀態。檢測算法流程圖如圖7所示。

圖7 檢測算法流程圖

檢測節點安裝完成后進行初始化操作,采集車位上無車時的磁場作為無車基線值,初始化完成之后進入數據處理過程。根據車位隱馬爾可夫模型的分析,將磁場分為穩定狀態和波動狀態。穩定狀態數據處理中包含狀態轉換判斷、無車基線更新、穩定狀態更正等操作。波動狀態數據處理中包含狀態轉換判斷、特征值組成、結果判斷、結果輸出等操作。

3.2.1 初始化算法

保證車位當前無車占用時,初始化操作令節點采集一段無車時磁場值作為背景值,是實現車位占用情況判斷的重要依據。初始化流程如圖8所示。

圖8 初始化操作流程圖

將檢測節點安裝好后,保持車位處于無車狀態,發送初始化指令,啟動初始化程序,傳感器將采集車位無車時的地磁場數據,存入長度為n的容器BaseLine_RingBuffer,直到將其存滿。

我們將當前車位無車時的磁場背景值稱為基線值,即無車基線(BaseLine)。獲取基線值的方法如式(1),給最新存入的數據點賦予最高的權值,更往前的數據權值依次降低,使基線既能更貼近當前環境磁場的變化,又不丟失歷史數據信息。經過計算,獲得的BaseLine[n]即為當前車位無車基線。

(1)

3.2.2 穩定狀態數據處理

磁場處于穩定狀態時,傳感器仍按照3 Hz的采樣速率繼續采集磁場值。在穩定狀態中,磁場保持穩定,無法提取較多的信息用于判斷,我們在穩定狀態處理過程中,操作過程較為簡單。狀態轉換判斷操作即判斷當前磁場狀態是否由穩定狀態轉換為波動狀態,判斷標志是連續1 s的每一個采樣值和上一個采樣值之差都超過了穩定轉換到波動的閾值(StoF_TH),當穩定狀態轉換為波動狀態,后續的磁場采樣值都會進入波動狀態處理過程。無車基線更新操作即在車位無車的穩定狀態下,實時跟蹤車位基線值,避免長時間的地磁場緩慢漂移引起一系列錯誤。穩定狀態更正即在穩定狀態中同時檢測磁場值突變,避免上一個波動狀態的判斷錯誤導致后續判斷無法糾正的問題。

穩定狀態數據處理算法見算法1。其中車位信息包括包括當前狀態、無車基線緩存器BaseLine_RingBuffer、穩定轉為波動門限值StoF_TH、無車基線更新周期Update_Period、穩定狀態更正周期Testify_Period、基線更新門限值Update_TH、穩定狀態更正門限值Testify_TH等。

算法中NowToStandInc指新采樣點NewData與基線BaseLine之差,反映了當前磁場與無車背景值之差;NowToBiasInc指新采樣點NewData與磁場跟蹤值之差,反映了當前磁場的突變情況;StandToBiasInc指磁場跟蹤值與基線BaseLine之差,反映了磁場的偏移程度。

3.2.3 波動狀態數據處理

波動狀態持續時間一般比穩定狀態短,而且波動狀態結束之后的穩定狀態必須通過算法重新判定是否有車。實際應用來說,只需要判斷波動狀態結束之后車位的狀態是無車或有車,就能夠達到車位檢測的目標,因此不必要判斷波動狀態是車輛停入還是駛出車位。所以在本算法只判斷圖5中的“有車”和“無車”狀態,對“車來”和“車走”狀態不作判斷。

波動狀態數據處理過程見算法2。波動狀態中,從波動狀態開始至結束,算法需要記錄整個過程中的特征值,包括時間、最大值、穩定之后的磁場平均值、穩定點當前磁場值等信息。確定車位從波動狀態轉為穩定之后,用上述信息獲取用于車位狀態判斷的特征值位(FeatureByte,結合了多種停車過程特征量的特征組合值),通過查表獲取判斷結果。最終上報這一次波動狀態完成后的判斷結果,完成本次波動狀態數據處理過程。

其中,FeatureByte的獲取方法是將波動狀態過程中的一些特征值通過處理之后,存入一個byte中,以供后續算法查表判斷。我們將一些停車過程中的最典型的過程量結合,組成強特征值,用以表征明顯的停車行為。

我們在室外溫度6 ℃～30 ℃的條件下,進行了為期6個月,超過200次的停車數據采集實驗,涉及車型包括SUV、三廂轎車、兩廂轎車、電動汽車及不同品牌乘用車,通過正常倒車入庫、正向停車和側方位停車、多次反復停車、極慢或極快停車,以及東西南北不同朝向停車等實驗,總結出有車和無車的強特征值表,如表1。

表1 停車狀態強特征值表

車位檢測系統在正常運行中,波動狀態的特征量組成FeatureByte后通過查強特征值表,判斷車位有車或無車。

組成FeatureByte的方法見表2。其中低五位是有效值,高三位是預留值,默認為0。

查表時如果能在強特征值表中找到結果,返回車位狀態state(有車或無車),直接完成本次判斷;如果不能在強特征值表中找到結果,則將結果state置為不確定狀態(即當前停車過程量無法在實驗所得結果中找到類似樣本,需要后續算法判斷當前狀態),在算法2中進行后續處理。

表2 FeatureByte組成方法

4 測試

為了驗證本文所設計算法對于乘用車的檢測準確率,我們在華中師范大學校內多個露天停車場進行了為期超過10個月的實際測試。測試過程中所涉及車輛與停車數據采集實驗類似,包括各類常見的品牌和車型,停車過程同樣包括倒車入庫、正向停車、側方位停車、斜方位停車,以及極快、極慢出入停車位或不按車位劃線位置停車等各種行為。另外,除實驗人員組織進行的測試外,我們還在車流量較大的九號教學樓露天停車場進行了真實環境測試,測試場景如圖9所示。

圖9 真實環境測試場地

我們在停車場上方安裝了攝像頭進行視頻記錄,作為車位檢測的佐證,加上實驗人員組織的停車實驗數據,最終統計出所有的判斷結果,如表3。可以得出算法準確率為98.11%,漏檢率為1.13%,誤判率為0.75%,較理想地完成了車位檢測的目標。

表3 測試結果表

經過實際檢驗,本文提出的車輛檢測算法優于文獻[14]中檢測準確率97%、文獻[15]中的96%、文獻[16]中的96.4%等;同時,由于低功耗設計和大容量電池的使用,節點使用壽命得以延長;雖然由于使用了電感式磁傳感器,比起當前大多數研究人員使用的磁阻式傳感器增加了少量的生產成本,但是也帶來了更高的魯棒性。

5 結論

本文提出了一種基于電感式磁傳感器的車位檢測方法,將停車位狀態轉換抽象為一種隱馬爾可夫模型,并利用隱馬爾可夫模型的狀態轉換特點,設計了一種車位檢測算法,在實際應用中對算法準確率進行了檢測,證明該算法較為理想地完成了車位檢測的目標。

經過長時間測試,總結該算法的優點是:①準確率高,對于正常停車和刻意提高判斷難度的快速停車、慢速停車等過程,都能夠得出正確的判斷結果。②魯棒性好,節點埋入停車場后,能夠一直穩定運行,不會因為某一次錯判造成系統紊亂,也不需要人工糾正。

對于實際測試中出現的錯判和漏判,分析具體情況,我們發現這是由于部分車輛的材質原因,對地磁場的擾動過小,導致傳感器無法采集到明顯的特征值用于判斷,得出了錯誤的結果。后續工作中將繼續針對性優化算法,提高準確率。