基于嵌入式的多传感器异类交通信息融合模型研究＊

许 毅 毛楚阳 沈 力 朱亚光 林俊才 唐祖锴 陈立家

（武汉理工大学计算机学院1） 航运学院2） 武汉 430063）

0 引 言

在智能交通应用系统中是通过各类传感器感知不同的交通信息，并对车辆行驶时进行警示来提高行驶的安全性.单一的传感器只能感知到一定范围内的单一的交通信息，而多类传感器则对不同对象、或者同一对象的多方面进行感知、处理来提高数据传送的精度.无线传感器节点是受资源有限的约束，在对异类交通信息进行处理时，则可利用基于嵌入式的多传感器信息融合方法来满足智能交通中的实时数据需要.国内外许多学者对其进行了研究，文献［1］提出了基于 WSN的公交车辆信息采集系统网络性能评价方法；文献［2］利用视觉、加速度和酒精传感器融合方法对驾驶员的危险驾驶行为进行检测，来提高驾驶员行驶的安全性；文献［3］采用基于D－S证据理论的数据融合方法来解决多个传感器对于同一目标的识别结果发生冲突的问题；文献［4］根据联合卡尔曼滤波器融合的原理，利用浮动车的覆盖率来确定其融合系数的方法来完成交通信息的融合.总之，各类方法各有其优点和不足，本文采用多无线传感器感知异类交通信息的方法，将证据理论与卡尔曼滤波器原理相结合的方法来完成所感知的异类交通信息的融合，并确定传感器感知节点发送信息的方式，利用三星公司的S3C6410为核心的处理器来构成整个系统的仿真实验，仿真实验结果将证明其方法的正确性和可行性.

1 多传感器感知异类交通信息

交通信息是指人（交通出行者、驾驶员和管理者）、物（货物）、各类交通工具和相应的交通设施四方面各要素所关联的所有信息，其种类和形式、数量和来源与环境的变化相适应.感知异类交通信息的传感器主要有车辆信息传感器、环境信息传感器、驾驶员状态信息传感器、GPS定位和3G网络5部分构成.

车辆信息传感器是指在城市道路交叉口、高速公路出入口和收费站、公路流量观测站等交通场所安装无线传感器，包括超声波、红外和环形检测器等用来实时监测车流量、速度和载重量等数据.

环境信息传感器是指在车辆上安装的激光雷达和CCD可见光传感器，分别获取包括道路基础设施以及障碍物等动态道路环境状况空间信息的波频数据，道路边界、车道标识和交通标志等物体的视频数据.

驾驶员状态信息传感器是感知驾驶员的生理状态，酒精传感器用来感知驾驶员呼出气体中酒精含量，判断驾驶员是驾驶过程中是否喝酒；视觉传感器感知脸部视频变化来判断驾驶员是否处于疲劳状态.

GPS获取来自于GPS与地图匹配车辆行驶位置状态信息；3G网络将能实现信息的收发.

2 联合卡尔曼滤波融合模型的确定

2.1 联合卡尔曼滤波的基本思想

异类交通信息的实时数据用多种无线传感器来获取，而卡尔曼滤波主要用于对实时动态的低层冗余的多源数据进行融合.卡尔曼滤波的基本原理是由状态和观测两方程来描述的线性随机的状态空间模型，用测量模型的统计特性来递推决定最优融合数据估计.基于Kalman滤波的信息融合模型可分为集中式和分布式两种，由于在交通信息的感知中使用了多种传感器进行多源数据采集，这样将采用分布式滤波器方法来对多传感器感知的异类交通信息进行数据融合，其核心是用最优融合定理来对各个局部滤波器的局部状态除噪声后的信号最佳估计，以得到全局最优状态估计值.

2.2 联合Kalman滤波器的融合模型设计

模型由数据采集、数据融合和数据输出3部分组成.数据采集由车辆信息、环境信息和驾驶员状态的各类传感器感知的数据，这3类数据对应3个子滤波器和另加1个主滤波器组成数据融合，融合后输出结果到处理中心.数据在3个子滤波器和主滤波器之间按一定比例进行信息分配，3个子滤波器分别地进行时间和数据更新，而主滤波器只进行时间更新［5］.

1）信息融合最优定义 如有3个子滤波器局部状 态 估 计 分 别 为，相 应 的 估 计 误差协方差阵分别为P1，P2，P3，3个子滤波器估计不相关，且Pij＝0（i≠j），则有全局最优状态估计，这里n

根据信息融合最优定义，联合卡尔曼滤波器的计算过程应包括异类交通信息分配、时间更新、感知数据更新和数据融合四部分.

2）主、子滤波器交通信息分配 初始值的确定包括全局状态的初始值、协方差阵和系统协方差阵分别为X0，P0和Q0；子滤波器i的状态矢量估计、系统协方差阵和状态矢量协方差阵分别是，i＝1，2，3；主滤波器为，这样根据信息守恒定理将交通信息按式（1）和（2）在3个子滤波器与主滤波器之间进行分配.

＾Xi＝＾X，i＝1，2，3，m，β1＋β2＋β3＋βm＝1，βi（βi＞0）是分配因子，当βm＝0时适应主滤波器的信息融合.

主、子滤波器按式（3）进行交通信息的时间更新：

子滤波器交通信息中第i个局部滤波器的感知数据按式（4）进行更新：

主、子滤波器按式（5）和（6）进行交通信息的融合：

因此，提出的联合Kalman滤波器的融合算法通过异类交通信息分配、时间更新、数据更新和信息融合四过程，最后得到全局最优估算值.

3 D－S证据

如A＝｛x1，x2，…xn｝是同一识别框架上的n个信任函数，它们之间具有相互的独立性和完备性，n个信任函数对应证据组合的结果可由式（7）计算

两证据之间的距离由ω1，ω2之间2个基本概率分配的距离式（8）来计算

4 基于证据理论的联合Kalman滤波器算法的实现

4.1 基于证据理论的联合Kalman滤波器模型的构建

证据理论是多源信息融合较好的方法，而异类交通信息融合是要实时地进行的，在联合卡尔曼滤波器中引入证据理论，提出了基于证据理论的联合Kalman滤波的异类交通信息融合模型，该模型包括数据感知、数据特征提取、数据融合和数据输出4个部分，而数据融合由1个主滤波融合器和3个子滤波融合器组成，其算法主要由主、子滤波融合器来实现.

证据理论融入联合Kalman滤波器模型中的可靠性权值，对于集合A，证据与所有3个子滤波器之间的可靠性由式（9）计算.

式中：ui，j′∈ ［0，1］，（i＝1，2，3，m；j＝1，2，…，23－1），表示每种证据Di对每种状态Sj估计的可靠性；Di为第i种独立的证据；Sj为第j种独立的要被识别的状态.证据理论的可靠性的基本概率分配由公式（B）＝ui，j′·ωi（B）和（A）＝1－·ωi（B）来计算，而（）为证据可靠性的基本概率分配.

4.2 融合算法的实现

D－S证据理论与卡尔曼滤波器相结合的融合算法来完成异类交通信息的融合.整个信息融合过程包括预处理、特征提取和数据融合3部分，预处理中主要实现数据的过滤和数据平滑计算等，特征提取过程主要完成信度的计算，其主要实现步骤有：

步骤1 数据的平滑计算是由2.2所设计的联合卡尔曼滤波来完成的.

步骤2 证据融合所采用的信度由联合卡尔曼滤波后的平均速度生成，Denoeux提出的负指数函数mi（｛ωn｝）＝exp（－）来建立信度.式中：ωn为基本概率分配（BPA）的元素；dBPA由距离式（8）来计算；γ和β由交通信息的实际状况而确定.

步骤3 3个子滤波融合器的融合算法可由式（10）完成.

式中：wi（Di，t）（i＝1，2，3，m），wi（Ci，t）（i＝1，2，3，m）分别为t时刻从i种信息源数据中提取的基本概率分配和子滤波融合器的融合结果；Dt－1为t－1时刻时主滤波融合器的融合结果.

步骤4 主滤波融合器的融合算法由式（11）完成：

式中：w（Dt）为主融合器在t时刻的融合结果.

5 传感器感知节点消息发送方法的确定

异类交通信息多传感器感知节点将构建一个自组织的Ad－hoc网络，交通信息感知的数据融合过程中，被激活的传感器实时向数据融合中心发送信息.Ad－hoc网络中移动设备间是在一个对等的模式下进行相互通信，由各个传感器所建立的自组织网络的信息不需要基站转发和路由存储.如果传感器感知内有N个传感器，有m个传感器节点被激活，传感器节点数可用二项式分布式（12）来计算［6］.

式中：x为传感器节点在等效限域内的位置.

而传感器节点数的期望值由式E｛D／x｝＝μ0（x）＝NP0（x）来计算.

当P0（x）很小，N很大的条件下，P的二项式分布为指数型结构，随机分布的传感器节点数目服从泊松分布公式P（D＝d／x）来计算，在传感器节点之间按以上方法进行信息的收发.

5 仿真实验

5.1 仿真环境的建立

为了验证所提出的融合模型的正确性，实现道路交通状信息实时采集、进行路况信息分析与及时发布，仿真实验采用三星公司S3C6410为核心开发板.主要包括3G通信务、GPS定位、嵌入式微处理器、存储器和显示模块等组成；另有包括复合视频信号、摄像头、USB、液晶屏、以太网和ZigBee模块等多种高端接口，并支持速度、红外和酒精等各类传感器.采用GPS实现车辆全球定位，3G用于收发融合中心的数据，将路况实时信息与车辆的定位数据显示在电子地图上.

5.2 仿真结果分析

汽车在城市交通道路上从正常行驶到遇交通信号灯或者其他情况停车，这一过程其实际上是动态变化的，另有天气、路况和交通事故等因素，用多传感器感知实时交通信息实际上有点复杂，仿真实验都是经过大量的实验得出的平均值.为简化实验，取β1＝β2＝β3＝0.3，对所提出的融合模型中的节点传输成功率和传输平均延时进行了仿真.

从图1可知交通信息感知节点在联合滤波融合前后以及引入证据理论后传输成功率与平均传输延时的关系.当感知节点的延时较短的时，联合Kalman滤波器融合前后及引入证据理论后的性能相差不大，这是由于信息感知路由中3种情况中传输信息较少其节点历史传输率还不能用固定的统计规律来计算；随信息增大而延时也随着增加，当平均延时为50s以后，3种情况的信息感知路由的传输成功率发生了变化，证据理论融合传输成功率增加较快，联合融合前增加最慢.

图1 平均传输延时与传输成功率的关系

图2 为所提出的融合模型中传感器感知交通信息的节点个数对信息可达率的影响，在其它条件保持相同的前提下，有限地增加传感器感知节点的个数就可以提高信息的可达率.同时随着发送时机的增大，信息的可达率随节点个数而增加，然而当个数达到一定程度时，增大的幅度变化不大.

图2 消息的发送时机与节点个数对可达率

仿真结表明，所提出的融合模型的传感器融合中心消息的发送时机变化必将引起消息的可达率和延迟的变化；同时在提出的联合滤波器中引入证据理论的融合算法中，根据传感器节点的动态变化，在对所感知的异类交通信息进行融合处理时，通过时间进行限制来控制传感器节点消息的发送，不仅可以提高消息的可达率，对节约传感器的能量功耗也有可能.

6 结束语

提出了一种基于多传感器感知异类交通信息并进行信息融合与发布的方法，将证据理论与联合Kalman滤波器有机结合来对交通信息进行融合，这样 充分发挥证据理论的优点，克服联合Kalman滤波器的不足.采用S3C6410为核心的处理器来构建仿真环境，对信息进行融合和收发进行验证，结果证明了其方法的有效性，为解决道路城市交通的拥塞问题提供了新的解决途径.

［1］傅 明，汤 强.基于无线传感器网络的交通量采集系统［J］.交通信息与安全，2011，29（4）：116－120.

［2］ZHAN Tong，CAI Zhisheng，ZHANG Jin.A detection system for dangerous driving based on multi－sensor information fusion［C］∥2010Internation Conference on Circuit and Signal Processing，2010：709－712.

［3］SU Lu，LI Quanlong，XU Xiaofei，GUO Xiaochun.Data fusion algorithm for sensor network based on DS evidence theory［J］.Mini－Micro Systems，2006，27（6）：1321－1325.

［4］CONG Yuliang，CHEN Wanzhong，SUN Yongqiang，CHEN Jia.An algorithm of traffic data fusion based on federated kalman filter［J］.Journal of Highway and Transportation Research and Development，2010，27（7）：114－117.

［5］KONG Qingjie，CHEN Yikai，LIU Yuncai.Real2 time traffic state estimation based on evidential fusion［J］.Journal of Shanghai Jiaotong University，2008，42（10）：1682－1691.

［6］ZHANG Jingmei，ZHAI Yongz.The ad－hoc network random analysis about multi－sensors data fusion.Journal of Projectiles，Rockets，Missiles and Guidance，2009，29（1）：278－281.