基于安卓的汽车状态测量及预测系统的研究

2015-01-07刘军聂斐蔡骏宇熊明路陶昌岭

汽车技术 2015年2期

关键词：蓝牙客户端姿态

刘军聂斐蔡骏宇熊明路陶昌岭

（江苏大学）

基于安卓的汽车状态测量及预测系统的研究

刘军聂斐蔡骏宇熊明路陶昌岭

（江苏大学）

设计了基于Android（安卓）的汽车运动状态在线测量及预测系统，阐述了预测系统的硬件组成和软件设计方法。通过实车道路试验，对侧向加速度与横滚角的试验值与预测值进行比较，并得出相对误差率，验证了该预测系统的可行性。与传统车载终端相比，该预测系统不仅提高了安卓车载终端对汽车主动安全的融合性，而且有效降低了汽车状态感知的成本并具有良好的可扩展性和灵活性。

1 前言

研究表明，若驾驶员能提早1 s意识到交通事故的发生，并提前0.5 s做出反应且采取相应措施，即可最大限度地减少道路交通事故。因此，开展基于车辆主动安全预测技术的研究，提前预测车辆未来时刻可能的行驶运行状态，并预先向驾驶人员提供警示信息，对提高车辆的主动安全性、减少道路交通事故将起到十分重要的作用。

2 车辆运动状态测量与预测

汽车运动状态参数包括汽车的纵向、侧向、垂向3个方向的加速度及横摆、侧倾、俯仰3个方向的角速度，但仅以这6个参数对汽车行驶运动状态进行分析是不够的，需要进一步研究汽车姿态角的解算。

汽车运动状态以及姿态角实时预测原理如图1所示。首先由MEMS传感器组成的微惯性测量单元以捷联方式直接测出车辆6自由度运动参数，然后依据其中的角速度信号解算出车辆姿态角，再应用Kal⁃man滤波器完成对加速度计信号、角速度陀螺信号及姿态角估计误差的融合处理，消除系统耦合、陀螺仪零偏及漂移等因素的影响，从而获取姿态角的最优估计值；在此基础上应用自回归模型对未来时刻可能的车辆姿态角进行实时预测。

2.1 车辆姿态角的解算

因四元数法能保持方程是线性的且不产生奇异[1，2]，任何三维空间的向量都可以用实部为0的四元数表示，所以采用四元数法作为车辆姿态角的解算方法。

车辆四元数姿态矩阵可表示为：

式中，q0、q1、q2、q3为实时车辆姿态四元数，满足

q0、q1、q2、q3与横摆角速度ωx、侧倾角速度ωy、俯仰角速度ωz之间的关系满足：

当车辆姿态角速度已知时，由式（2）可解得q0、q1、q2、q3的值，将其带入式（1）可得到车辆转动四元数姿态矩阵。

由姿态角与四元数姿态矩阵的全角度转换关系可知，车辆姿态角的计算公式为：

式中，ψ为横摆角；θ为侧倾角；γ为俯仰角；Amn是四元数姿态矩阵的第m行第n列。

2.2 Kalman滤波器的设计

由于系统耦合和陀螺仪零偏等因素的影响，使得试验中所测得角速度存在误差，故由此角速度积分解算后所得汽车姿态角也存在误差，且误差随时间累积，因此有必要结合汽车的其它运动参数对姿态角进行补偿和修正，以提高汽车运动姿态的测量精度。本文结合加速度计的测量信号，采用Kalman滤波器对汽车姿态角进行实时最优估计，同时对陀螺仪信号进行实时修正。

首先建立系统状态方程，令状态向量和观测向量分别为：

式中，δq1、δq2、δq3为四元数矢量部分的估计误差（标量部分δq0近似为1）；ΔBfx、ΔBfy、ΔBfz为陀螺仪的零偏估计误差；δax、δay、δaz为三轴加速度的估计误差。

考虑到汽车姿态角的运动可分解为连续2次的运动，即汽车相对于车体平台坐标系（当地水平坐标系）转动一个估计角，再转动一个估计误差角，则结合四元数运动微分方程及四元数的乘法性质可推出系统状态方程为：

而姿态矩阵的逆矩阵可看成由姿态估计阵和姿态误差阵相乘得到，再对误差矩阵做线性估计，则可推出系统观测方程为：

式中，V(t)为加速度计估计误差的噪声，也是独立的具有零均值的高斯白噪声。

将状态方程和观测方程离散化，进而可得到系统卡尔曼滤波方程，其中包括时刻k的系统状态一步预测方程、一步预测均方误差方程、滤波增益矩阵、状态估计矩阵和均方差估计矩阵，最终可得到时间更新方程和观测更新方程分别为：

2.3 姿态角预测

采用AR建模预测方法[3～5]对姿态角进行预测。以横摆角序列为例，建立其自回归模型：

式中，εt为服从均值为0、方差为σ2ε的互相独立的白噪声序列；φ1，φ2，···φp为自回归系数，是模型的待估参数；p为模型的阶数。

在建模前首先要确定模型的阶数，模型定阶方法通常采用艾克准则（Akaike Information Criterion，AIC），也称最小信息准则。

AIC统计量的计算方法为：

式中，n为给定数据长度；为的估计值。

在实际应用中，通常假设模型最大阶数为m，逐个计算p从1到最大阶数m的AIC（1），AIC（2），…，AIC（m）值，使得AIC（p）值最小的p即可认为是模型的最佳阶数。

模型阶数确定后需要对模型参数进行估计，考虑到模型预测的实时运算能力，采用递推最小二乘法进行估计，计算式为：

模型参数和阶数均确定后，自回归模型即可确定，进而可进行横摆角的预测。

设预测步长为l，则向前递推l步的预测值的计算式为：

为评价姿态角AR建模预测的精度，采用平均相对误差率对其进行考核，设平均相对误差率为υ，则

用同样的方法可对侧倾角和俯仰角进行预测。

3 预测系统总体设计方案

预测系统的总体设计方案如图2所示。

在保证系统性能良好的情况下，构建了功耗低、体积小且成本低的传感器模块、微处理器模块及蓝牙模块。其中，传感器单元包含集成三轴加速计、三轴陀螺仪的运动处理组件、磁力计和气压计等，主要用于采集车辆实时状态数据，并作为数据处理和姿态解算的原始数据源；微处理器用于实时姿态解算、数据融合滤波和模块间通信；车载感知模块通过串口接线与蓝牙模块连接后，与Android监测客户端的蓝牙适配器配对，相当于在车载感知模块与Android监测客户端之间虚拟了一根串口线以实现串口通讯。

移动终端软件主要分为下位机软件和上位机软件。下位机软件中的传感器以捷联方式直接测出汽车6自由度运动参数[6]，然后由四元素法解算出汽车姿态角，同时应用Kalman滤波器完成对姿态角的最优估计处理，在此基础上对姿态角实时预测。上位机软件是根据硬件模块需要实现的功能数据分别进行数据采集与状态预测程序的设计、蓝牙通讯程序的设计及其它附加功能的程序设计。数据采集和处理流程如图3所示。

4 预测系统客户端的实现

客户端的设计基于Android2.1操作系统实现，根据所需要完成的任务、运行实时性以及程序数据流，可以将整个客户端划分为蓝牙通信模块、数据采集与状态预测模块、数据存储模块和菜单功能模块等[7]，客户端运行主界面如图4所示。

4.1 蓝牙通信程序的设计

蓝牙通信的基本思想是将HC-06-D蓝牙串口模块与单片机芯片相接，与安卓客户端的蓝牙适配器配对成功后实现通信，相当于在单片机与安卓客户端之间虚拟了一根串口线实现串口通讯进行数据采集[9]。

设计的蓝牙通信程序的流程为设置蓝牙设备并建立服务器端、蓝牙搜索并配对、建立通信客户端并连接设备与设备之间数据传输。其中蓝牙搜索配对结果如图5所示。

4.2 数据采集与状态预测程序设计

数据采集与状态预测界面用于实时显示更新运动处理组件、磁力计、气压高度计及下位机解算的车辆姿态信息，再依据这些数据信息进行AR建模，并对未来3 s内车辆可能会出现的运动状态进行短期预测[8]。通过实测车载感知数据的显示，用户可以及时了解车辆运行时的三轴加速度、三轴角速度、三轴磁场、大气压力、大气温度、海拔高度及解算的航向角、横滚角和俯仰角等。数据采集与状态预测功能运行界面如图6所示。

数据存储模块的功能是实时存储采集的运行参数，在图6中的运行界面中点击保存即可进行实时存储。

菜单功能模块实现软件退出功能和帮助功能。在主界面（图4）点击手机菜单按钮即出现菜单选项，点击“设置”选项后直接进入设置界面；点击“关于”选项后进入软件说明界面；点击“退出”选项则直接调用Android系统的finish（）函数结束本界面，退出汽车实时监测系统。

5 实车道路试验

为验证该预测系统的运行效果，进行了实车道路试验。试验时将传感器数据采集模块放置在驾驶员右侧扶手箱底部（即质心处），主要针对车辆的侧向加速度、横滚角进行道路试验。对于横向加速度的实时感知与预测选择蛇形试验方法[9]；对于横滚角的实时感知与预测选择固定转向盘连续加速试验的方法[10]。横向加速度和横滚角的试验值与预测值分别见表1和表2。通过表1和表2的数据，可计算出实车道路试验中通过AR模型在线建模预测方法所得到的1～3 s预报的平均相对误差率，见表3。

Research on Measurement&Prediction System for Vehicle Motion State Based on Android

Liu Jun,Nie Fei,Cai Junyu,Xiong Minglu,Tao Changling
（Jiangxu University）

Vehicle motion online measurement&prediction system based on Android is designed,and hardware composition and software design method of the prediction system is elaborated.Through vehicle road test,the test value and predicated value of lateral acceleration and roll angle are compared and the relative error rate is obtained,which proves feasibility of this prediction system.Compared with the conventional vehicle-mounted terminal,this prediction system not only improves the integration of Android vehicle terminal to vehicle active safety,but also effectively lowers the cost of vehicle state perception,moreover,this system also has good expandability and flexibility.

Vehicle state,Measurement,Prediction,Android