[ 導讀 ] WSN(Wireless Sensors Network)是集傳感器技術、MEMS技術和網絡技術于一體的一種信息獲取和信息處理技術[1]，它具有自組織、自適應能力，在智能交通方面具有獨特的優點和廣闊的應用前景[2]。

       WSN(Wireless Sensors Network)是集傳感器技術、MEMS技術和網絡技術于一體的一種信息獲取和信息處理技術[1]，它具有自組織、自適應能力，在智能交通方面具有獨特的優點和廣闊的應用前景[2]。
       在智能公交系統中，車輛位置的準確求取和傳遞是其他系統功能實現的先決條件。當前已經有了一些利用無線傳感器搭建智能公交系統的通信網絡的方案[4-6]，但這些方案均利用其他手段實現車輛的定位，鮮有利用無線傳感器自身的TOF測距功能實現車輛定位功能。而利用基于TOF的無線傳感器實現公交車載節點的定位可以降低系統建設和實用成本，對公交系統智能化改造具有參考意義。
       在無線傳感器定位算法中，由于Range-free定位算法要求大密度的參考節點，所以不適合智能公交系統車輛定位。而通常基于TOA、TDOA以及AOA的定位技術需要添加額外的硬件，導致系統的定位成本增加。基于RSSI測距的方法雖然易于實現，但由于其有效定位距離近，遠距離情況下定位精度較低，因此很難單獨應用。近年來，英國Jennic公司最新推出了采用TOF(Time Of Flight)測距技術的ZigBee芯片JN5148，能夠有效地提高無線傳感器測距精度。本文即以此為背景對公交車載節點的定位算法和策略進行了深入研究。
       1 基于TOF/RSSI定位算法分析研究
       為了充分發揮JN5148的測距能力，本文對其進行了測距實驗，并對其在車載節點定位上的應用方法進行了研究和討論。
       1.1 TOF測距效果實驗分析
       JN5148通(tong)過(guo)測(ce)(ce)(ce)定無(wu)線(xian)信(xin)號在兩節點間雙向傳遞(di)時間計算(suan)節點間距離[5-6]，同(tong)時其(qi)數(shu)據幀中包含RSSI參(can)數(shu)。JN5148芯片(pian)在戶(hu)外的測(ce)(ce)(ce)距實驗曲線(xian)如(ru)圖(tu)1所(suo)示，圖(tu)1(a)是(shi)在300 m范圍(wei)(wei)內每10 m進行(xing)一(yi)次(ci)測(ce)(ce)(ce)量的測(ce)(ce)(ce)距誤(wu)差圖(tu);圖(tu)1(b)是(shi)10 m范圍(wei)(wei)內每0.2 m進行(xing)一(yi)次(ci)測(ce)(ce)(ce)量的測(ce)(ce)(ce)距誤(wu)差圖(tu)。

       1.3 車載節點定位方案分析
       為了提高車載節點定位精度，考慮了以下幾種改進方案：
       (1)縮短固定參考節點間距離
       通過增加固定節點的數量，以縮短相鄰固定節點間的平均距離、優化幾何構型。如可將圖2(a)中固定節點A、B間距離縮短到100 m[FS:PAGE]。
       (2)引入高度因素構建三維定位
       通過調整固定參考節點高度(如：將固定節點C安裝在附近高樓上)，構建立體三維定位，以改善固定參考節點與待測節點的幾何構型。
       (3)采用線性定位思路
       根據實際道路特點，忽略道路寬度，采用線性定位法，僅考慮車載節點在道路上的一維位置。
       綜合考慮以上三種改進方法，第一種方案的系統造價高，構建的網絡復雜;第二種方案受道路環境影響較大，操作困難：第三種方案可將無線傳感器固定在路中間(如信號燈上、道路指引牌上等)，通過無線傳感器測距，直接估算車輛的位置，對WSN節點的要求低，較為可行。
       2 車載節點組合定位思路研究
       在(zai)公交(jiao)車線(xian)(xian)性定(ding)位過(guo)程(cheng)(cheng)中，可利(li)用里(li)程(cheng)(cheng)儀(yi)信息(xi)，里(li)程(cheng)(cheng)儀(yi)的(de)測距誤差(cha)(cha)一般在(zai)1%左右[8]。若公交(jiao)車受復雜路(lu)況等(deng)因素(su)影響，僅用里(li)程(cheng)(cheng)儀(yi)定(ding)位將產(chan)生(sheng)較大誤差(cha)(cha)。如(ru)圖(tu)3所示的(de)城市道(dao)路(lu)示意圖(tu)中，僅由(you)道(dao)路(lu)轉盤(綠島)產(chan)生(sheng)的(de)差(cha)(cha)異就(jiu)會使(shi)公交(jiao)車往返路(lu)程(cheng)(cheng)差(cha)(cha)超過(guo)30 m。為了提高車輛定(ding)位的(de)魯棒性和精度(du)，本文提出了使(shi)用里(li)程(cheng)(cheng)儀(yi)與無線(xian)(xian)傳感器的(de)TOF/RSSI測距相結合進行車載(zai)節點(dian)組合定(ding)位的(de)方法。

       根據無線傳(chuan)感器的TOF/RSSI以及車輛里程儀(yi)的測距特點(dian)，定(ding)(ding)(ding)位(wei)算(suan)法的主要思想如(ru)下：車載節點(dian)在(zai)離(li)固(gu)定(ding)(ding)(ding)節點(dian)較(jiao)(jiao)近時(shi)采用RSSI測距定(ding)(ding)(ding)位(wei)，同時(shi)計算(suan)里程儀(yi)誤差(cha)修(xiu)正參數;車輛節點(dian)距離(li)固(gu)定(ding)(ding)(ding)節點(dian)較(jiao)(jiao)遠時(shi)，采用由TOF測距定(ding)(ding)(ding)位(wei)修(xiu)正的里程儀(yi)進行定(ding)(ding)(ding)位(wei)的組(zu)合定(ding)(ding)(ding)位(wei)思路(lu)。詳細的定(ding)(ding)(ding)位(wei)算(suan)法流程如(ru)圖(tu)4所示。

       車載節(jie)(jie)點(dian)(dian)將RSSI值(zhi)(zhi)與設定閾(yu)(yu)值(zhi)(zhi)比較，當RSSI值(zhi)(zhi)大于閾(yu)(yu)值(zhi)(zhi)時，說(shuo)明節(jie)(jie)點(dian)(dian)即將到達或(huo)剛開始遠(yuan)離某(mou)固(gu)定節(jie)(jie)點(dian)(dian);然后(hou)判斷RSSI值(zhi)(zhi)的變(bian)化趨(qu)勢(shi)，RSSI值(zhi)(zhi)減(jian)小則(ze)說(shuo)明節(jie)(jie)點(dian)(dian)在前(qian)一個數據(ju)采(cai)集時刻(ke)車輛與固(gu)定節(jie)(jie)點(dian)(dian)位(wei)置(zhi)最近，此(ci)時利用(yong)RSSI值(zhi)(zhi)進(jin)行測距定位(wei)，并使用(yong)RSSI測距值(zhi)(zhi)和里程儀測距值(zhi)(zhi)估計里程儀偏(pian)(pian)差值(zhi)(zhi)。利用(yong)無(wu)線(xian)傳感器RSSI估計里程儀的偏(pian)(pian)差值(zhi)(zhi)算(suan)法流程如圖5(a)所(suo)示。

       當公交車輛繼續遠離固定節點時，所采集的RSSI值小于閾值，開始進入基于里程儀和TOF組合定位模式。利用TOF修正里程儀偏差的算法如圖5(b)所示，其中，dODM為里程儀測距值，dTOF為TOF測距值，?啄TOF為TOF測距誤差。利用[FS:PAGE]車載節點存儲多個TOF測距值，與相應里程儀測距值相減，可得到一組差值序列。該歷史差值序列可以用于求解里程儀偏差和刻度系數誤差，對里程儀誤差進行實時補償。
       一般來說，當里程儀測距值與TOF測距值的差值大于兩倍的TOF測距誤差時，說明里程儀定位誤差較大，需要進行修正。通過差值序列獲取方式的不同，還可以將該補償算法分為靜態TOF校正法(利用某固定時段的差值序列)和動態TOF校正法(利用實時更新的差值序列)。
       3 組合定位算法的驗證
       為了驗證上述組合算法的有效性，利用MATLAB對上述算法進行了仿真。TOF及RSSI的測距誤差按式(1)、式(2)的誤差模型進行設置;里程儀的刻度系數誤差設為1%，里程儀的初始偏差設為16 m。
       圖6(a)為模擬車載節點離開固定節點時利用RSSI修正里程儀誤差結果。從圖中可以看出，利用RSSI估計并修正里程儀測距誤差的效果十分明顯。
       將TOF測距值與對應里程儀測距值的差值序列進行一階線性擬合，可求解刻度系數誤差和里程儀偏差，并對里程儀數據進行修正。仿真中靜態校正法采用0 m～200 m的差值序列進行里程儀誤差的補償，結果如圖6(b)所示。動態校正法實時使用修正點前，200 m的差值序列進行里程儀誤差的補償，結果如圖6(c)所示。兩種算法結果都表明：TOF校正后的里程儀測距精度遠高于TOF和里程儀自身的測距精度。
       表1中匯集了其中5次(ci)的仿真結果。其中，組合(he)算法1包(bao)含了RSSI校正(zheng)和靜(jing)態TOF校正(zheng)，組合(he)算法2包(bao)含了RSSI校正(zheng)和動態TOF校正(zheng)。

       由表1可知，基于TOF/RSSI的公交車載節點組合定位算法定位效果優于三種獨立的測距定位方法，定位標準差小于5 m(與GPS定位精度相當)。組合算法1定位標準差優于組合算法2;組合算法2的魯棒性要強于組合算法1，但其計算量較大。兩種組合算法均在一定程度上改善了TOF測距誤差波動大、RSSI遠程測距誤差大、里程儀測距在車輛非直線行駛時定位誤差大的缺點。
       本文對基(ji)于(yu)無線傳感器(qi)網(wang)絡的(de)(de)車載節(jie)點定(ding)位(wei)(wei)方法進行了(le)(le)(le)研究(jiu)，測試(shi)分(fen)(fen)析(xi)了(le)(le)(le)新(xin)型的(de)(de)TOF無線傳感器(qi)芯片JN5148的(de)(de)測距(ju)效果，研究(jiu)了(le)(le)(le)固定(ding)節(jie)點分(fen)(fen)布對車輛(liang)(liang)(liang)定(ding)位(wei)(wei)的(de)(de)影響，提出了(le)(le)(le)基(ji)于(yu)TOF/RSSI及車輛(liang)(liang)(liang)里程(cheng)儀的(de)(de)組合車輛(liang)(liang)(liang)定(ding)位(wei)(wei)算(suan)法，并討論了(le)(le)(le)靜(jing)態(tai)和動態(tai)兩種T[FS:PAGE]OF誤差修正模式。仿真結果表明，組合定(ding)位(wei)(wei)算(suan)法精度能(neng)(neng)夠(gou)滿(man)足實(shi)際應用要求，結合無線傳感器(qi)網(wang)絡本身的(de)(de)良好通信能(neng)(neng)力(li)，有助于(yu)經濟地實(shi)現公交系統智能(neng)(neng)化(hua)改造(zao)，具(ju)有較好的(de)(de)應用參考價(jia)值。

【聲明】物流產品網轉載本文目的在于傳遞信息，并不代表贊同其觀點或對真實性負責，物流產品網倡導尊重與保護知識產權。如發現文章存在版權問題，煩請聯系小編電話：010-82387008，我們將及時進行處理。