基于嵌入式的多傳感器異類交通信息融合模型研究＊

許 毅 毛楚陽(yáng) 沈 力 朱亞光 林俊才 唐祖鍇 陳立家

（武漢理工大學(xué)計(jì)算機(jī)學(xué)院1） 航運(yùn)學(xué)院2） 武漢 430063）

0 引 言

在智能交通應(yīng)用系統(tǒng)中是通過(guò)各類傳感器感知不同的交通信息，并對(duì)車輛行駛時(shí)進(jìn)行警示來(lái)提高行駛的安全性.單一的傳感器只能感知到一定范圍內(nèi)的單一的交通信息，而多類傳感器則對(duì)不同對(duì)象、或者同一對(duì)象的多方面進(jìn)行感知、處理來(lái)提高數(shù)據(jù)傳送的精度.無(wú)線傳感器節(jié)點(diǎn)是受資源有限的約束，在對(duì)異類交通信息進(jìn)行處理時(shí)，則可利用基于嵌入式的多傳感器信息融合方法來(lái)滿足智能交通中的實(shí)時(shí)數(shù)據(jù)需要.國(guó)內(nèi)外許多學(xué)者對(duì)其進(jìn)行了研究，文獻(xiàn)［1］提出了基于 WSN的公交車輛信息采集系統(tǒng)網(wǎng)絡(luò)性能評(píng)價(jià)方法；文獻(xiàn)［2］利用視覺(jué)、加速度和酒精傳感器融合方法對(duì)駕駛員的危險(xiǎn)駕駛行為進(jìn)行檢測(cè)，來(lái)提高駕駛員行駛的安全性；文獻(xiàn)［3］采用基于D－S證據(jù)理論的數(shù)據(jù)融合方法來(lái)解決多個(gè)傳感器對(duì)于同一目標(biāo)的識(shí)別結(jié)果發(fā)生沖突的問(wèn)題；文獻(xiàn)［4］根據(jù)聯(lián)合卡爾曼濾波器融合的原理，利用浮動(dòng)車的覆蓋率來(lái)確定其融合系數(shù)的方法來(lái)完成交通信息的融合.總之，各類方法各有其優(yōu)點(diǎn)和不足，本文采用多無(wú)線傳感器感知異類交通信息的方法，將證據(jù)理論與卡爾曼濾波器原理相結(jié)合的方法來(lái)完成所感知的異類交通信息的融合，并確定傳感器感知節(jié)點(diǎn)發(fā)送信息的方式，利用三星公司的S3C6410為核心的處理器來(lái)構(gòu)成整個(gè)系統(tǒng)的仿真實(shí)驗(yàn)，仿真實(shí)驗(yàn)結(jié)果將證明其方法的正確性和可行性.

1 多傳感器感知異類交通信息

交通信息是指人（交通出行者、駕駛員和管理者）、物（貨物）、各類交通工具和相應(yīng)的交通設(shè)施四方面各要素所關(guān)聯(lián)的所有信息，其種類和形式、數(shù)量和來(lái)源與環(huán)境的變化相適應(yīng).感知異類交通信息的傳感器主要有車輛信息傳感器、環(huán)境信息傳感器、駕駛員狀態(tài)信息傳感器、GPS定位和3G網(wǎng)絡(luò)5部分構(gòu)成.

車輛信息傳感器是指在城市道路交叉口、高速公路出入口和收費(fèi)站、公路流量觀測(cè)站等交通場(chǎng)所安裝無(wú)線傳感器，包括超聲波、紅外和環(huán)形檢測(cè)器等用來(lái)實(shí)時(shí)監(jiān)測(cè)車流量、速度和載重量等數(shù)據(jù).

環(huán)境信息傳感器是指在車輛上安裝的激光雷達(dá)和CCD可見(jiàn)光傳感器，分別獲取包括道路基礎(chǔ)設(shè)施以及障礙物等動(dòng)態(tài)道路環(huán)境狀況空間信息的波頻數(shù)據(jù)，道路邊界、車道標(biāo)識(shí)和交通標(biāo)志等物體的視頻數(shù)據(jù).

駕駛員狀態(tài)信息傳感器是感知駕駛員的生理狀態(tài)，酒精傳感器用來(lái)感知駕駛員呼出氣體中酒精含量，判斷駕駛員是駕駛過(guò)程中是否喝酒；視覺(jué)傳感器感知臉部視頻變化來(lái)判斷駕駛員是否處于疲勞狀態(tài).

GPS獲取來(lái)自于GPS與地圖匹配車輛行駛位置狀態(tài)信息；3G網(wǎng)絡(luò)將能實(shí)現(xiàn)信息的收發(fā).

2 聯(lián)合卡爾曼濾波融合模型的確定

2.1 聯(lián)合卡爾曼濾波的基本思想

異類交通信息的實(shí)時(shí)數(shù)據(jù)用多種無(wú)線傳感器來(lái)獲取，而卡爾曼濾波主要用于對(duì)實(shí)時(shí)動(dòng)態(tài)的低層冗余的多源數(shù)據(jù)進(jìn)行融合.卡爾曼濾波的基本原理是由狀態(tài)和觀測(cè)兩方程來(lái)描述的線性隨機(jī)的狀態(tài)空間模型，用測(cè)量模型的統(tǒng)計(jì)特性來(lái)遞推決定最優(yōu)融合數(shù)據(jù)估計(jì).基于Kalman濾波的信息融合模型可分為集中式和分布式兩種，由于在交通信息的感知中使用了多種傳感器進(jìn)行多源數(shù)據(jù)采集，這樣將采用分布式濾波器方法來(lái)對(duì)多傳感器感知的異類交通信息進(jìn)行數(shù)據(jù)融合，其核心是用最優(yōu)融合定理來(lái)對(duì)各個(gè)局部濾波器的局部狀態(tài)除噪聲后的信號(hào)最佳估計(jì)，以得到全局最優(yōu)狀態(tài)估計(jì)值.

2.2 聯(lián)合Kalman濾波器的融合模型設(shè)計(jì)

模型由數(shù)據(jù)采集、數(shù)據(jù)融合和數(shù)據(jù)輸出3部分組成.數(shù)據(jù)采集由車輛信息、環(huán)境信息和駕駛員狀態(tài)的各類傳感器感知的數(shù)據(jù)，這3類數(shù)據(jù)對(duì)應(yīng)3個(gè)子濾波器和另加1個(gè)主濾波器組成數(shù)據(jù)融合，融合后輸出結(jié)果到處理中心.數(shù)據(jù)在3個(gè)子濾波器和主濾波器之間按一定比例進(jìn)行信息分配，3個(gè)子濾波器分別地進(jìn)行時(shí)間和數(shù)據(jù)更新，而主濾波器只進(jìn)行時(shí)間更新［5］.

1）信息融合最優(yōu)定義 如有3個(gè)子濾波器局部狀 態(tài) 估 計(jì) 分 別 為，相 應(yīng) 的 估 計(jì) 誤差協(xié)方差陣分別為P1，P2，P3，3個(gè)子濾波器估計(jì)不相關(guān)，且Pij＝0（i≠j），則有全局最優(yōu)狀態(tài)估計(jì)，這里n

根據(jù)信息融合最優(yōu)定義，聯(lián)合卡爾曼濾波器的計(jì)算過(guò)程應(yīng)包括異類交通信息分配、時(shí)間更新、感知數(shù)據(jù)更新和數(shù)據(jù)融合四部分.

2）主、子濾波器交通信息分配 初始值的確定包括全局狀態(tài)的初始值、協(xié)方差陣和系統(tǒng)協(xié)方差陣分別為X0，P0和Q0；子濾波器i的狀態(tài)矢量估計(jì)、系統(tǒng)協(xié)方差陣和狀態(tài)矢量協(xié)方差陣分別是，i＝1，2，3；主濾波器為，這樣根據(jù)信息守恒定理將交通信息按式（1）和（2）在3個(gè)子濾波器與主濾波器之間進(jìn)行分配.

＾Xi＝＾X，i＝1，2，3，m，β1＋β2＋β3＋βm＝1，βi（βi＞0）是分配因子，當(dāng)βm＝0時(shí)適應(yīng)主濾波器的信息融合.

主、子濾波器按式（3）進(jìn)行交通信息的時(shí)間更新：

子濾波器交通信息中第i個(gè)局部濾波器的感知數(shù)據(jù)按式（4）進(jìn)行更新：

主、子濾波器按式（5）和（6）進(jìn)行交通信息的融合：

因此，提出的聯(lián)合Kalman濾波器的融合算法通過(guò)異類交通信息分配、時(shí)間更新、數(shù)據(jù)更新和信息融合四過(guò)程，最后得到全局最優(yōu)估算值.

3 D－S證據(jù)

如A＝｛x1，x2，…xn｝是同一識(shí)別框架上的n個(gè)信任函數(shù)，它們之間具有相互的獨(dú)立性和完備性，n個(gè)信任函數(shù)對(duì)應(yīng)證據(jù)組合的結(jié)果可由式（7）計(jì)算

兩證據(jù)之間的距離由ω1，ω2之間2個(gè)基本概率分配的距離式（8）來(lái)計(jì)算

4 基于證據(jù)理論的聯(lián)合Kalman濾波器算法的實(shí)現(xiàn)

4.1 基于證據(jù)理論的聯(lián)合Kalman濾波器模型的構(gòu)建

證據(jù)理論是多源信息融合較好的方法，而異類交通信息融合是要實(shí)時(shí)地進(jìn)行的，在聯(lián)合卡爾曼濾波器中引入證據(jù)理論，提出了基于證據(jù)理論的聯(lián)合Kalman濾波的異類交通信息融合模型，該模型包括數(shù)據(jù)感知、數(shù)據(jù)特征提取、數(shù)據(jù)融合和數(shù)據(jù)輸出4個(gè)部分，而數(shù)據(jù)融合由1個(gè)主濾波融合器和3個(gè)子濾波融合器組成，其算法主要由主、子濾波融合器來(lái)實(shí)現(xiàn).

證據(jù)理論融入聯(lián)合Kalman濾波器模型中的可靠性權(quán)值，對(duì)于集合A，證據(jù)與所有3個(gè)子濾波器之間的可靠性由式（9）計(jì)算.

式中：ui，j′∈ ［0，1］，（i＝1，2，3，m；j＝1，2，…，23－1），表示每種證據(jù)Di對(duì)每種狀態(tài)Sj估計(jì)的可靠性；Di為第i種獨(dú)立的證據(jù)；Sj為第j種獨(dú)立的要被識(shí)別的狀態(tài).證據(jù)理論的可靠性的基本概率分配由公式（B）＝ui，j′·ωi（B）和（A）＝1－·ωi（B）來(lái)計(jì)算，而（）為證據(jù)可靠性的基本概率分配.

4.2 融合算法的實(shí)現(xiàn)

D－S證據(jù)理論與卡爾曼濾波器相結(jié)合的融合算法來(lái)完成異類交通信息的融合.整個(gè)信息融合過(guò)程包括預(yù)處理、特征提取和數(shù)據(jù)融合3部分，預(yù)處理中主要實(shí)現(xiàn)數(shù)據(jù)的過(guò)濾和數(shù)據(jù)平滑計(jì)算等，特征提取過(guò)程主要完成信度的計(jì)算，其主要實(shí)現(xiàn)步驟有：

步驟1 數(shù)據(jù)的平滑計(jì)算是由2.2所設(shè)計(jì)的聯(lián)合卡爾曼濾波來(lái)完成的.

步驟2 證據(jù)融合所采用的信度由聯(lián)合卡爾曼濾波后的平均速度生成，Denoeux提出的負(fù)指數(shù)函數(shù)mi（｛ωn｝）＝exp（－）來(lái)建立信度.式中：ωn為基本概率分配（BPA）的元素；dBPA由距離式（8）來(lái)計(jì)算；γ和β由交通信息的實(shí)際狀況而確定.

步驟3 3個(gè)子濾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）分別為t時(shí)刻從i種信息源數(shù)據(jù)中提取的基本概率分配和子濾波融合器的融合結(jié)果；Dt－1為t－1時(shí)刻時(shí)主濾波融合器的融合結(jié)果.

步驟4 主濾波融合器的融合算法由式（11）完成：

式中：w（Dt）為主融合器在t時(shí)刻的融合結(jié)果.

5 傳感器感知節(jié)點(diǎn)消息發(fā)送方法的確定

異類交通信息多傳感器感知節(jié)點(diǎn)將構(gòu)建一個(gè)自組織的Ad－h(huán)oc網(wǎng)絡(luò)，交通信息感知的數(shù)據(jù)融合過(guò)程中，被激活的傳感器實(shí)時(shí)向數(shù)據(jù)融合中心發(fā)送信息.Ad－h(huán)oc網(wǎng)絡(luò)中移動(dòng)設(shè)備間是在一個(gè)對(duì)等的模式下進(jìn)行相互通信，由各個(gè)傳感器所建立的自組織網(wǎng)絡(luò)的信息不需要基站轉(zhuǎn)發(fā)和路由存儲(chǔ).如果傳感器感知內(nèi)有N個(gè)傳感器，有m個(gè)傳感器節(jié)點(diǎn)被激活，傳感器節(jié)點(diǎn)數(shù)可用二項(xiàng)式分布式（12）來(lái)計(jì)算［6］.

式中：x為傳感器節(jié)點(diǎn)在等效限域內(nèi)的位置.

而傳感器節(jié)點(diǎn)數(shù)的期望值由式E｛D／x｝＝μ0（x）＝NP0（x）來(lái)計(jì)算.

當(dāng)P0（x）很小，N很大的條件下，P的二項(xiàng)式分布為指數(shù)型結(jié)構(gòu)，隨機(jī)分布的傳感器節(jié)點(diǎn)數(shù)目服從泊松分布公式P（D＝d／x）來(lái)計(jì)算，在傳感器節(jié)點(diǎn)之間按以上方法進(jìn)行信息的收發(fā).

5 仿真實(shí)驗(yàn)

5.1 仿真環(huán)境的建立

為了驗(yàn)證所提出的融合模型的正確性，實(shí)現(xiàn)道路交通狀信息實(shí)時(shí)采集、進(jìn)行路況信息分析與及時(shí)發(fā)布，仿真實(shí)驗(yàn)采用三星公司S3C6410為核心開(kāi)發(fā)板.主要包括3G通信務(wù)、GPS定位、嵌入式微處理器、存儲(chǔ)器和顯示模塊等組成；另有包括復(fù)合視頻信號(hào)、攝像頭、USB、液晶屏、以太網(wǎng)和ZigBee模塊等多種高端接口，并支持速度、紅外和酒精等各類傳感器.采用GPS實(shí)現(xiàn)車輛全球定位，3G用于收發(fā)融合中心的數(shù)據(jù)，將路況實(shí)時(shí)信息與車輛的定位數(shù)據(jù)顯示在電子地圖上.

5.2 仿真結(jié)果分析

汽車在城市交通道路上從正常行駛到遇交通信號(hào)燈或者其他情況停車，這一過(guò)程其實(shí)際上是動(dòng)態(tài)變化的，另有天氣、路況和交通事故等因素，用多傳感器感知實(shí)時(shí)交通信息實(shí)際上有點(diǎn)復(fù)雜，仿真實(shí)驗(yàn)都是經(jīng)過(guò)大量的實(shí)驗(yàn)得出的平均值.為簡(jiǎn)化實(shí)驗(yàn)，取β1＝β2＝β3＝0.3，對(duì)所提出的融合模型中的節(jié)點(diǎn)傳輸成功率和傳輸平均延時(shí)進(jìn)行了仿真.

從圖1可知交通信息感知節(jié)點(diǎn)在聯(lián)合濾波融合前后以及引入證據(jù)理論后傳輸成功率與平均傳輸延時(shí)的關(guān)系.當(dāng)感知節(jié)點(diǎn)的延時(shí)較短的時(shí)，聯(lián)合Kalman濾波器融合前后及引入證據(jù)理論后的性能相差不大，這是由于信息感知路由中3種情況中傳輸信息較少其節(jié)點(diǎn)歷史傳輸率還不能用固定的統(tǒng)計(jì)規(guī)律來(lái)計(jì)算；隨信息增大而延時(shí)也隨著增加，當(dāng)平均延時(shí)為50s以后，3種情況的信息感知路由的傳輸成功率發(fā)生了變化，證據(jù)理論融合傳輸成功率增加較快，聯(lián)合融合前增加最慢.

圖1 平均傳輸延時(shí)與傳輸成功率的關(guān)系

圖2 為所提出的融合模型中傳感器感知交通信息的節(jié)點(diǎn)個(gè)數(shù)對(duì)信息可達(dá)率的影響，在其它條件保持相同的前提下，有限地增加傳感器感知節(jié)點(diǎn)的個(gè)數(shù)就可以提高信息的可達(dá)率.同時(shí)隨著發(fā)送時(shí)機(jī)的增大，信息的可達(dá)率隨節(jié)點(diǎn)個(gè)數(shù)而增加，然而當(dāng)個(gè)數(shù)達(dá)到一定程度時(shí)，增大的幅度變化不大.

圖2 消息的發(fā)送時(shí)機(jī)與節(jié)點(diǎn)個(gè)數(shù)對(duì)可達(dá)率

仿真結(jié)表明，所提出的融合模型的傳感器融合中心消息的發(fā)送時(shí)機(jī)變化必將引起消息的可達(dá)率和延遲的變化；同時(shí)在提出的聯(lián)合濾波器中引入證據(jù)理論的融合算法中，根據(jù)傳感器節(jié)點(diǎn)的動(dòng)態(tài)變化，在對(duì)所感知的異類交通信息進(jìn)行融合處理時(shí)，通過(guò)時(shí)間進(jìn)行限制來(lái)控制傳感器節(jié)點(diǎn)消息的發(fā)送，不僅可以提高消息的可達(dá)率，對(duì)節(jié)約傳感器的能量功耗也有可能.

6 結(jié)束語(yǔ)

提出了一種基于多傳感器感知異類交通信息并進(jìn)行信息融合與發(fā)布的方法，將證據(jù)理論與聯(lián)合Kalman濾波器有機(jī)結(jié)合來(lái)對(duì)交通信息進(jìn)行融合，這樣 充分發(fā)揮證據(jù)理論的優(yōu)點(diǎn)，克服聯(lián)合Kalman濾波器的不足.采用S3C6410為核心的處理器來(lái)構(gòu)建仿真環(huán)境，對(duì)信息進(jìn)行融合和收發(fā)進(jìn)行驗(yàn)證，結(jié)果證明了其方法的有效性，為解決道路城市交通的擁塞問(wèn)題提供了新的解決途徑.

［1］傅 明，湯 強(qiáng).基于無(wú)線傳感器網(wǎng)絡(luò)的交通量采集系統(tǒng)［J］.交通信息與安全，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－h(huán)oc network random analysis about multi－sensors data fusion.Journal of Projectiles，Rockets，Missiles and Guidance，2009，29（1）：278－281.