一种基于模糊理论的复合定位新方法

摘要

本发明涉及一种基于模糊理论的复合定位新方法，属于车辆定位的技术领域，基于汽车信息物理融合系统技术，利用目标车辆以及相邻车辆上的三种定位装置的定位数据，运用模糊理论优化各定位技术的误差并得出各定位技术的定位贡献度，然后以定位贡献度作为权值，模糊加权计算得到目标车辆的复合位置；采用一个模糊可变观测噪声协方差的卡尔曼滤波器对复合位置进行滤波，本发明将多种车辆定位技术进行融合，构建了离群率和绝对误差这两个指标来反映各定位技术的可靠程度，提高了定位技术融合的合理性，同时采用改进的卡尔曼滤波器对融合结果进行滤波，提高了定位的准确性。

说明书

技术领域

本发明涉及一种基于模糊理论的复合定位新方法，属于车辆定位的技术领域。

背景技术

信息-物理融合系统CPS(Cyber-Physical System)是一个综合计算、网络和物理环境的多维复杂系统，通过3C技术(Computing、Communication和Control)的有机融合与深度协作，以实现实时感知、信息服务和动态控制。近年来，人们研究了CPS在电力、医疗、交通等领域的应用，并已取得了一些极具价值的成果。随着城市智能交通系统的建设和人们对汽车性能要求的提高，汽车CPS(Vehicular Cyber-Physical System，VCPS)也受到了很多学者的关注。在汽车CPS中，实时传入传感器收集本车的实时信息或其它车辆的信息，通过一个统一的网络完成信息的交互和计算，并根据反馈的信息来完成对汽车的控制，使得汽车更易于驾驶，响应更快，更安全，更智能。由于在汽车CPS的大多数应用中，比如智能路径规划、防碰撞系统以及车辆组网等，车辆的位置信息往往假设为一个已知的条件，因此，车辆定位技术在汽车CPS中是一个值得关注的问题。

目前，最常用的车辆定位方法是全球定位系统(Global Positioning System，GPS)，虽然GPS定位有着自身覆盖范围广，定位迅速，在无遮挡情况下可实现全天候定位的优势。但是，在城市中，高大密集的建筑、立交桥、隧道、无线电干扰等，非常容易地造成GPS定位效果较差，不能准确定位。即使在郊外，定位精度也无法达到安全应用如防碰撞系统的定位要求。差分全球定位系统(Differential Global Positioning System，DGPS)虽然可以提供很高的定位精度，但其设备价格昂贵，且同样会受城市环境下的多径效应(建筑物和树林等对卫星信号的遮挡)影响，其定位性能大大下降。综合考虑到成本和性能，大多数车辆定位采用将GPS与航位推算(Dead Reckoning，DR)、惯性导航系统(Inertial Navigation System，INS)等导航技术进行组合的方式。但由于航位推算和惯性导航中所使用的惯性器件存在累积误差，在GPS长时间失效的遮挡环境下定位精度不高。为了进一步提高组合定位系统的精度，通常采用卡尔曼滤波进行最优估计。但是在滤波递推过程中通常将观测噪声协方差作为定值处理，降低了滤波的精度和稳定性。除了上述基于GPS的定位技术外，现在还有其他一些定位技术，如射频识别(Radio Frequency Identification,RFID)定位、蜂窝网络(Cellular Network，CN)定位以及无线保真(Wireless-Fidelity，WiFi)定位等，这些定位技术也可用于车辆定位中。但是，这些定位技术在一定程度上受到视距和基站密度的影响。

随着异构无线网络技术的成熟和普及，利用多种定位技术的融合互补是未来车辆定位的一种行之有效的方法。而卡尔曼滤波能够有效修正观测值，抑制异常波动，提高系统的精度，因此被广泛应用于车辆定位系统中。本申请人致力于如何把融合互补过程和卡尔曼滤波模型有效结合的研究，因此具有很重要的发明意义。

发明内容

本发明针对现有技术在车辆定位方面存在精度不高、成本高昂、缺乏普适性等问题，结合汽车CPS系统中实时感知本车或其它车辆的信息，实现信息的交互和计算并根据反馈信息来完成对汽车的控制的特点，提出一种新的基于模糊理论的复合定位技术。

本发明提出一种基于模糊理论的复合定位新方法，首先获取目标车辆以及某相邻车辆上三种定位技术装置(GPS,WiFi和CN)的定位数据和两车之间的精确距离，然后计算出能够反映各定位技术可靠程度的两个指标：离群率和绝对误差，同时运用模糊理论融合这两个指标，得出各定位技术的定位贡献度，接着以定位贡献度作为权值，模糊加权计算得到目标车辆的复合位置；最后采用一个模糊可变观测噪声协方差的卡尔曼滤波器对复合位置进行滤波，从而得到一个更加实时、准确的车辆位置。该方法包括下列操作步骤：

步骤1，利用V2V(汽车-汽车)通信技术和三种定位装置，采集目标车辆以及某相邻车辆的三种定位装置的定位数据和两车之间的精确距离；所述三种定位装置分别为：全球定位系统(Global Positioning System，GPS)、无线保真(Wireless-Fidelity，WiFi)定位系统和蜂窝网络(Cellular Network，CN)定位系统。

步骤2，采集到目标车辆的三种定位装置的定位数据分别为：GPS(X,Y)、WiFi(X,Y)和CN(X,Y)，某相邻车辆的三种定位装置的定位数据分别为：GPS_nei(X,Y)、WiFi_nei(X,Y)和CN_nei(X,Y)，以及两车之间的精确距离为：D，然后计算出目标车辆各定位技术的离群率(s)分别为：

和其中d_GW表示GPS(X,Y)与WiFi(X,Y)之间的欧几里得距离，d_GC和d_WC同理。各定位技术的绝对误差(e)分别为：

e_GPS＝|D_G-D|、e_WiFi＝|D_W-D|和e_CN＝|D_C-D|，其中D_G表示GPS(X,Y)与GPS_nei(X,Y)之间的欧几里得距离，D_W和D_C同理。由上述计算可知，离群率表明了某定位技术的定位数据与其它定位数据的背离程度，而绝对误差表明了某定位技术得出的两车距离与实际距离的误差，两者在一定程度上均能反映该定位技术的可靠程度。

步骤3，将目标车辆各定位技术的离群率和绝对误差模糊融合后得到这些定位技术各自对应的定位贡献度。由于离群率(s)、绝对误差(e)和贡献度(w)皆为精确量，因此需要分别为其确定模糊属性。首先确定它们的论域，分别记作S、E和W，然后为各论域确定模糊子集及相应的隶属度函数，最后确定这三个论域之间的关系，即模糊规则。具体确定过程如下：

(1)根据离群率的计算可知，其论域S＝(0,1)。为了保证灵敏度的同时尽量减少计算量，本文在论域S上定义了5个模糊子集，分别为：很小、较小、适中、较大、很大。

(2)由于各定位技术的绝对误差一般不会超过3m，若超过3m则按3m进行计算。因此，其论域E＝[0,3]。同样可在论域E上定义5个模糊子集，分别为：很小、较小、适中、较大、很大。

(3)由于权重值只是用来标称各定位技术的定位可信度，因此可取其论域W＝(0,1)。其论域上的模糊子集同离群率。

(4)根据离群率和绝对误差对定位贡献度的影响程度，作出相应模糊规则。模糊规则的形式可以表示为：如果s等于A_i并且e等于B_j，则w等于C_ij，其中A_i是离群率的模糊语言量，B_j为绝对误差的模糊语言量，C_ij为定位贡献度的模糊语言量。然后依据制定好的模糊规则和玛达尼推理法，得出GPS、WIFi和CN这三种定位技术的定位贡献度分别为：w_GPS、w_WiFi和w_CN。

步骤4，将目标车辆的三种定位技术的定位贡献度，即w_GPS、w_WiFi和w_CN作为权值，模糊加权计算得到目标车辆的复合位置为：

步骤5，将目标车辆的三种定位技术的定位贡献度之和作为评定复合位置可信程度的指标，记作：C_m＝w_GPS+w_WiFi+w_CN。将该指标输入另一个模糊控制器后，得到一个控制量记作：Δr。该控制量用来动态调节卡尔曼滤波器中的观测噪声协方差矩阵。同样的，需要为C_m和Δr确定模糊属性和相应的模糊规则：C_m的论域规定为(0，3),且划分为5个模糊子集：很小、较小、适中、较大、很大；Δr的论域规定为(-2，2)，且划分为5个模糊子集：负大、负小、零、正小、正大；根据卡尔曼滤波递推公式，可以得出如下模糊规则：

规则1：如果C_m很小，那么Δr为正大；

规则2：如果C_m较小，那么Δr为正小；

规则3：如果C_m适中，那么Δr为零；

规则4：如果C_m较大，那么Δr为负小；

规则5：如果C_m很大，那么Δr为负大。

步骤6，把目标车辆k时刻的复合位置Target_k(X,Y)作为卡尔曼滤波递推公式中观测量Z(k)的值，同时将k时刻的控制量Δr用于卡尔曼滤波递推公式中观测噪声协方差矩阵R的动态调节，即:Z(k)＝Target_k(X,Y),R(k)＝(1+Δr(k))R,其中R(k)即为可变观测噪声协方差矩阵。最后，在卡尔曼滤波递推过程中，将公式中的进一步估计值作为目标车辆最终的实时定位结果。

本发明提出一种基于模糊理论的复合定位新方法，其创新技术是：结合CPS系统可实现实时感知、信息服务和动态控制的特点，运用模糊理论融合三种车辆定位技术(GPS,WiFi和CN)，构建了能反映各定位技术可靠程度的两个指标：离群率和绝对误差，提高了定位技术融合的合理性；同时采用模糊可变噪声协方差卡尔曼滤波器对融合结果进行滤波，提高了定位的准确性。本发明的优点是：操作步骤简单、实时性强，可用于不同环境下，且定位准确率高、计算量小，可适用于多种定位设备，因此，推广容易，应用广泛，具有很好的应用前景。

附图说明

图1是一种基于模糊理论的复合定位新方法示意图。

图2是一种基于模糊理论的复合定位新方法流程示意图。

图3是复合定位新方法和CPS理论融合框架图。

图4是目标车辆的行驶轨迹试验图。

图5是目标车辆的定位累积误差试验图。

图6是目标车辆的定位累积分布函数试验图。

具体实施方式

下面结合附图1至6对本发明作进一步的详细描述。本发明提出一种新的基于模糊理论的复合定位方法：首先获取目标车辆以及相邻车辆上的三种定位技术装置(GPS,WiFi和CN)的定位数据和两车之间的精确距离，然后计算出能够反映各定位技术可靠程度的两个指标：离群率和绝对误差，同时运用模糊理论融合这两个指标，得出各定位技术的定位贡献度，接着以定位贡献度作为权值，模糊加权计算得到目标车辆的复合位置；最后采用一个模糊可变观测噪声协方差的卡尔曼滤波器对复合位置进行滤波，从而得到一个更加实时、准确的车辆位置。

参见图1和图2，具体介绍本发明方法的下列操作步骤：

步骤1，利用V2V(汽车-汽车)通信技术和三种定位装置(GPS,WiFi和CN)，采集目标车辆以及某相邻车辆的三种定位装置的定位数据和两车之间的精确距离。如图1所示，本发明的三种定位装置分别为：全球定位系统(Global Positioning System，即GPS)、无线保真(Wireless-Fidelity，即WiFi)定位系统和蜂窝网络(Cellular Network,即CN)定位系统。此外，V2V(汽车-汽车)通信技术用来测量目标车辆与某相邻车辆之间的精确距离并相互共享各自的定位数据。

步骤2，采集到目标车辆以及某相邻车辆的三种定位装置的定位数据和两车之间的精确距离后，计算出目标车辆各定位技术的离群率和绝对误差。如图2所示，采集到目标车辆的三种定位装置的定位数据分别为：GPS(X,Y)、WiFi(X,Y)和CN(X,Y)，某相邻车辆的三种定位装置的定位数据分别为：GPS_nei(X,Y)、WiFi_nei(X,Y)和CN_nei(X,Y)，以及两车之间的精确距离为D。通过离群率计算模块和绝对误差计算模块后，可得到目标车辆各定位技术的离群率分别为：s_GPS、s_WiFi和s_CN，各定位技术的绝对误差分别为：e_GPS、e_WiFi和e_CN。

步骤3，将离群率和绝对误差模糊化后，根据制定好的模糊规则以及玛达尼推理法得到这些定位技术各自对应的定位贡献度。其模糊规则如下表所示：

如图2所示，将目标车辆各定位技术的离群率和绝对误差输入模糊控制器1之后，可得到这些定位技术各自对应的定位贡献度分别为：w_GPS、w_WiFi和w_CN。

步骤4，将定位贡献度作为权值，通过对各定位装置的定位数据进行模糊加权计算，得到目标车辆的复合位置。如图2所示，目标车辆各定位技术的定位贡献度，通过加权平均计算模块后，可得到目标车辆的复合位置为：Target(X,Y)。

步骤5，将各定位技术的定位贡献度之和作为输入，通过另一个模糊控制器2的调节之后，得到一个控制量。如图2所示，目标车辆各定位技术k时刻的定位贡献度之和C_m(k)，在输入模糊控制器2后，可以得到一个控制量Δr(k)。

步骤6，把所得到的复合位置作为卡尔曼滤波公式中的观测量，同时将控制量用于卡尔曼滤波公式中观测噪声协方差矩阵的动态调节，然后执行卡尔曼滤波递推过程，最后将卡尔曼滤波公式中的进一步估计值作为目标车辆最终的实时定位结果。如图2所示，把目标车辆k时刻的复合位置Target_k(X,Y)作为卡尔曼滤波公式中观测量Z(k)的值，同时将k时刻的控制量Δr(K)用于卡尔曼滤波公式中观测噪声协方差矩阵R的动态调节，得到可变观测噪声协方差矩阵R(k)，然后执行卡尔曼滤波递推过程，最后将卡尔曼滤波公式中的进一步估计值作为目标车辆最终的实时定位结果。

需要说明的是，虽然本发明所述方法是利用上述三种现有的定位技术计算得到准确的目标车辆的实时位置。但是，车载终端在实际应用时，使用三种或三种以上定位装置采集各自定位数据时，对定位技术的种类和数量都没有限制。比如在上述三种定位技术的基础上增加一种射频识别(Radio Frequency Identification,RFID)定位技术,且目标车辆和某相邻车辆的RFID定位数据分别为：RFID(X,Y)和RFID_nei(X,Y)，则目标车辆的四种定位技术的离群率改写为：

其中d_GW表示GPS(X,Y)与WiFi(X,Y)之间的欧几里得距离，d_GC、d_GF、d_WC、d_WF和d_CF同理。在各定位技术的绝对误差中，GPS、WiFi和CN的保持不变，只需添加RFID的绝对误差为：e_RFID＝|D_F-D|，其中D_F表示RFID(X,Y)和RFID_nei(X,Y)之间的欧几里得距离。然后目标车辆的复合位置改写为：

其中w_RFID为RFID定位技术的贡献度，其它变量含义同上。复合位置可信程度的指标改写为：C_m＝w_GPS+w_WiFi+w_CN+w_RFID，同时C_m的论域改为(0,4),其它参数保持不变。

此外，本发明方法中的复合定位方法与CPS理论融合之后，可更好的服务于大部分的车辆应用场景，比如智能路径规划、防碰撞系统以及车辆组网等。现以车辆组网为例，如图3所示，当目标车辆获取到相关数据(定位数据和两车距离)之后，便运行本发明中的复合定位算法；在获取自身定位数据后，可将自身的行驶状态(位置、速度、方向、目的地等)共享至云服务中心，同时可获取周围车辆的行驶状态；然后根据自身的行驶状态和周围车辆的行驶状态来动态决定是否需要组网以及与哪些车辆进行组网，通常情况下，应当选取目的地、速度和方向都比较接近的车辆进行组网，从而增加车载自组织网络的通信链路时间并提高网络服务质量。此过程通过3C技术(Computing、Communication和Control)的有机融合与深度协作，达到了实时感知和动态组网的目的。

本发明在MATLAB平台上进行了仿真实施试验，试验参数如下表所示：

试验结果从目标车辆各定位技术的定位轨迹、累积误差和累积分布函数这三个方面对本发明方法的性能做了对比分析。如图4所示，在前200m的距离内，本发明方法的定位轨迹显然比GPS、WiFi和CN的定位轨迹更加靠近目标车辆的实际轨迹。此外，各定位方法的定位累积误差(前200m内)，如图5所示，表明本发明方法能把定位累积误差控制在20m左右，而GPS、WiFi和CN均超过了100m。最后，我们给出了整个试验阶段中目标车辆使用各定位方法产生的定位误差累积分布函数(Cumulative Distribution Function,CDF),如图6所示，表明本发明方法的定位误差能够达到4m的精度要求，相比GPS、WiFi和CN的10m的定位精度，提高了将近％60。

由此可见，实施例中本发明提出的一种新的基于模糊理论的复合定位方法能够有效结合GPS、WiFi和CN这三种定位技术并提高定位精度，且每次定位时间耗时都在50ms以内，因此满足了实时、准确的定位需求。应当指出，凡属于本发明思路下的技术方案均属于本发明的保护范围；对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。车载终端在实际应用时，使用三种或三种以上定位装置采集各自定位数据时，对所述定位装置的种类和数量都没有限制，参见附图1，目标车辆通过三个GPS定位装置、三个WiFi定位装置和三个CN装置共同定位。