傳感器在汽車領域的應用研究

隨著汽車朝著智能化的方向進行發展，車載傳感器越來越多樣化，傳感器使用提高了汽車的安全性、動力性、舒適性等性能。本文將對傳感器在汽車領域的應用進行探究。

1 使用車載傳感器和GPS進行車輛狀態估計的綜合觀測器法[1]

1.1 研究目的和研究方法

本研究提出了一種估計車輛側滑角的新方法，該方法是一些車輛底盤控制系統的關鍵技術。利用現有的車載傳感器和獨立的全球定位系統（GPS），開發了一種集成的觀測器方法，包括基于各自自行車模型和運動學模型傳感器偏移補償器和兩種擴展卡爾曼濾波器（EKF）。集成觀測器方法的流程圖如文中Fig.1.所示。為了正確地組合這些擴展卡爾曼濾波器的輸出，設計了加權因子，輪胎轉彎剛度和輪胎力的函數。通過非線性系統的可觀測性函數來檢查每個擴展卡爾曼濾波器模型的可觀測性。同時，通過提出的算法，對縱向速度、航向角和輪胎轉向剛度進行了估算。將全球定位系統（GPS）與車載傳感器的數據相結合。一些研究人員指出，這種組合是足夠準確和可靠的，在準確性、帶寬和噪音水平方面具有互補的特性。此外，擴展卡爾曼濾波（EKF）是一種有效的估計非線性系統狀態的方法，適用于自行車模型和運動模型。三個子系統（傳感器偏移補償器和兩個基于車輛模型的EKF）使用價格具有競爭力的傳感器融合（車載傳感器和GPS）單獨實現。通過真實的基于汽車的實驗，已經確認了在各種駕駛情況下的高性能估計。并通過比較研究確定了綜合觀測器的優越性。

Fig.1. 集成觀測器流程圖[1]

1.2 研究結論

該集成觀測器算法的主要研究結論概括如下：

（1）傳感器偏移補償器結構簡單直觀，但可以輕松消除傳感器固有偏移，提高整個估算算法的準確性。

（2）具有輪胎轉彎剛度估計的基于自行車模型的EKF在輪胎線性區域中提供了優異的估計性能并對輪胎非線性區域進行檢測。相比之下，解決了GPS測量上非線性問題，特別是基于運動模型的EKF有效地用于輪胎非線性區域。

（3）最終的綜合觀測器具有一些優勢，例如由于EKF的預測步驟而具有更高的估計精度以及高頻噪聲的抑制而沒有任何相位滯后問題。

（4）只使用最少數量的傳感器的建議觀測算法是一種具有高性價比方法。

（5）該算法可能會成為量產車輛狀態估計的實用解決方案。此外，期盼由算法提供的有意義的信息可能會成為改進車輛控制系統性能具有光明前景的工具。

2 利用氣體傳感器探究汽車特性對其氣體排放影響的初步結果[2]

2.1 研究目的和研究方法

使用便攜式監測傳感器，對停放在不同地方的車輛進行測量。測量排放物包括氮氧化物（NOx），一氧化碳（CO），二氧化碳（CO2）和揮發性有機化合物（VOC）。在本項研究中，已經嘗試將汽車排放的氣體與一些汽車特性相關聯，例如功率（從68到143 HP不等），行駛的公里數和車齡（2到19年之間）。檢測排放值變化顯著，CO2檢測值變化范圍是490至3350 ppm，CO檢測值變化范圍是0.1至40.3 ppm，有機化合物VOC變化范圍為0.13至32.25 mg/m3。以NO2排放的為例，最高測量水平為4.66 mg/m3。此外，在啟動和關閉發動機之前，人體呼吸的測量被用于評估車輛排放對人類健康的影響。發現暴露水平確實是排氣影響到操作人員肺的呼吸質量。

為了評估汽車特性對空氣質量的影響，本研究檢測了11輛柴油車和5輛汽油車中CO2，CO，NO2和VOCs的氣體排放量。廢氣的濃度和檢測的每輛汽車的功率、年齡和公里數等參數有關。本研究根據發動機中使用的燃料類型，分別研究汽車特性對柴油車和汽油車尾氣排放的影響。

2.1.1 柴油車

表1顯示了柴油車的排放測量值和發動機動力特性、車齡和行駛公里數的關系。對于測量的每個參數，包括在傳感器操作期間獲得的最小值，最大值和平均值，而且可看到排放值作為每輛車特性函數而變化。

表1 柴油車排放特性[2]

2.1.2 汽油車

表2列出了不同汽車特性下的汽油車排放數據。對于測量的每個參數，在已建立的操作時間內記錄了最小值、最大值和平均值。總的來說，對于所有污染物而言，氣體的濃度與一種交通工具的濃度差別很大，與汽車的不同特性相關較小。

表2 汽油車排放特性[2]

2.2 結論

研究結果表明，汽車的氣體排放與汽車的特性有關。汽車尾氣排放的成分隨著功率、車齡和行駛公里數的變化而變化。然而，汽油和柴油車之間的排放量沒有太大差異。另一方面，暴露操作者與車輛排氣，通過增加測量氣體吸入濃度，對比試驗前后測量數據進行評估。這些數據證明，操作員的呼吸受到汽車排放的嚴重影響，從而給人類健康帶來嚴重風險。

3 多傳感器駕駛員輔助系統的可靠性和測試工作分析 [3]

3.1 研究目的和研究方法

自動駕駛汽車的現代駕駛員輔助系統通常依賴于不同傳感器收集的數據來確定必要的系統決策。為了防止系統故障，使用不同的驗證技術。開發工作通常在汽車制造商和供應商之間劃分，因此測試工作就是一個主要項目驗收標準。現有的工作評估方法是不適用的，因為它們依賴于在早期階段不存在的實施細節，或者在項目經驗或個別專家的期望中，這些都不夠可靠，不能作為可靠的來源。因此，本研究提出了一種多傳感器系統誤差概率計算的分析方法?；诖?，作者可以對測試工作進行估計，使得在統計可信度下，在測試期間不會出現傳感器系統的錯誤。該方法能夠將連續傳感器誤差之間的依賴性和不同傳感器之間的相關性考慮在內，主要通過使用離散時間馬爾可夫鏈。因此，所提供的方法允許設計多傳感器系統，滿足特定的總誤差概率要求，并給出處于測試工作上限估算結果。

3.2 研究結論

在本研究中，作者提出了一種分析方法，用于確定基于多傳感器的駕駛員輔助系統必須處理的測試工作量，以確保具有預定義系統的可靠性。該方法能夠處理異構傳感器設置，并考慮連續傳感器讀數和傳感器之間的相關性。由于傳感器循環時間和相關誤差率用作單個數據輸入，因此估算方法可以直接用于早期項目階段（見文中Fig.9.），例如規范階段。這就是為什么不需要或不考慮實施細節的原因。作為自上而下的方法，不考慮諸如環境問題或老化效應的物理干擾。所提出的方法提供了在真實的汽車開發項目開始時只需使用當時已知的關鍵事實可以估計所需的測試工作內容。然后，可以將確定的值用作與供應商或服務提供商的合作項目中的認可和驗收標準。除了在真實汽車項目中的試驗外，對其它細化系統方面和傳感器特性的考慮也是正在進行的工作的一部分，并在后續出版物中進行描述。特別是相關傳感器的理論內容涵蓋到更復雜的傳感器流程，而不僅僅是兩個傳感器。

Fig.9. System model simulation and results.

4 關于連接汽車設備、系統和建模的傳感器技術[4]

4.1 研究目的及方法

車輛事故是導致人身傷害、財產損失、金融重大損失和其它對公眾的負面影響的全球性重大問題。在大多數情況下，車輛事故是由可避免的人為錯誤和不正確的駕駛習慣引起的。隨著傳感技術所取得最新進步，自動駕駛、聯網汽車和自動駕駛車輛變得越來越實用。傳感器數據也為對等車輛共享系統進行車輛到車輛（V2V）交互來減少道路事故作出貢獻，以及使用傳感器來維持安全駕駛距離和避免發發生事故。聯網汽車中的傳感器技術還通過使用車輛到基礎設施（V2I）交互來改善整體駕駛體驗。這使得能夠從路邊單元網絡接收警告，起到固定航路點的作用以及警告消息的接續和可提供關鍵服務信息。這種信息對于通過傳統通信渠道無法可靠獲得的位于偏遠地區的用戶特別有益。

4.2 研究內容

（1）駕駛機動分類研究

使用了三種基于窗口的駕駛特征提取方法,機動分類是自動統計進行的，使用主成分分析提取特征和堆疊的稀疏自動編碼器。這項研究強調了需要將駕駛機動分類技術作為一種努力消除交通事故并協助汽車用戶采用油耗優化方法。研究中用嵌入式智能手機傳感器生成基于窗口的數據，然后使用主要組件分析和堆疊稀疏自動編碼器提取使用窗口的功能。從這項工作來看，在大多數情況下，窗口較小尺寸可以提高加速和減速操作時的性能。

（2）先進駕駛輔助系統研究

作者進行了先進駕駛輔助系統研究，其中引入了危險駕駛強度（DDI）的概念。通過粒子群優化，針對建模駕駛員、車輛和車道屬性，提出了模糊集優化框架。此方法中采用輸入傳感器以獲得駕駛條件和駕駛員條件。

（3）物聯網云系統研究

作者做了基于移動傳感器數據處理的交通監控物聯網云系統和車輛事故預防的研究。基于Open GTS和Mongo DB的流量監控和警報通知，提出一個監控交通和報警通告物聯網云系統。通過某些車輛上安裝使用的GSM/GPRS/GPS TK103系統跟蹤器收集地理位置和速度數據。

（4）通流參數測量研究

基于雷達傳感器的交通流參數測量，López等提出了一種其工作頻率為24 GHz的基于頻率調制連續波配有衛星裝置的雷達。他們提出的原型樣機通過使用來自目標回波的相位信息來執行雜波消除和目標速度估計。

（5）緊急廣播策略研究

本研究提出了一種緊急廣播系統，稱為適當的車輛緊急情況發布（AVED）方案，以確保車輛在發生交通事故時，車輛的傳感器檢測到沖擊信號并立即發送緊急消息以通知附近的其它車輛，以幫助避免冗余的廣播消息。

（6）主動威脅檢測研究

針對用于互聯汽車，Al-Khateeb等人調查遠程或網絡劫持互聯車輛。他們介紹了網絡威脅的主動異常檢測技術,即通過貝葉斯估計技術，通過使用行為分析和概況分析概念進行預防這些威脅。

5 基于智能手機傳感器數據分析的車型和駕駛活動檢測[5]

5.1 研究目的和研究方法

本文呈現給大家的是一種靈活的組合系統，即車輛駕駛活動檢測系統（VADS，見文中Figure 1.和Fig?ure 2.）。它既能夠檢測當前車輛模式又可檢測到駕駛員當前的駕駛活動。設計系統計算快，對駕駛者的車輛模式或駕駛事件的響應迅速。車輛模式檢測模塊負責識別機動車輛（如汽車、公共汽車和摩托車）和非機動車輛（如步行和自行車）。該模塊設計原則以最大限度地減少智能手機的能源消耗。相比之下，駕駛活動檢測模塊使用從智能手機的加速計、陀螺儀和磁力計收集的數據來檢測各種駕駛活動，即停止、直行、左轉和右轉。此外，本文還提出了一種方法來計算每種車輛模式和每個駕駛事件的優化數據窗口大小，同時使用訓練數據集來優化重疊比率。實驗結果表明，該策略大大提高了整體預測的準確性。此外，還進行了大量實驗來比較不同特征集（時域特征、頻域特征、Hjorth特征）以及各種分類算法（隨機森林、樸素貝葉斯、決策樹J48、K最近鄰和支持向量機）影響到預測精度。在使用隨機森林分類器和包含時域特征、頻域特征和Hjorth特征的特征集時，作者提出的系統在檢測車輛模式時的平均準確度達到98.33%，在識別摩托車駕駛員的駕駛事件時平均準確度達到98.95%。此外，在臺灣新臺北HTC公司的公共數據比較集中，作者提議的框架獲得的總體準確率為97.33%，遠高于現有技術水平。

5.2 結論

本文提出了一個靈活的組合系統，它由兩個模塊組成：一個用于檢測用戶的車輛模式，一個用于檢測瞬態駕駛活動。無論智能手機的定向和位置如何，作者提出的系統在檢測車輛模式時均能達到98.33%的精度，在使用隨機森林分類器時識別摩托車駕駛員的駕駛事件的平均準確度為98.95%。

Figure 1.The Vehicle mode-driving Activities Detection System(VADS).

Figure 2.The Framework of the Vehicle Detection Module(VDM).

此外，研究結果顯示與使用相同窗口尺寸5s和重疊率為50%的方法相比，最佳參數（窗口尺寸和重疊率）導致系統性能明顯增強。具體數據顯示，當分別使用隨機森林、J48、樸素貝葉斯、KNN和SVM分類器時，車輛模式檢測模塊將其預測精度分別提高2.73%、3.04%、6.45%、7.37%和5.72%。類似的結果表明，活動檢測模塊分別對應隨機森林、J48、樸素貝葉斯、KNN和SVM分類器，分別獲得7.98%、9.06%、8.60%、9.33%和8.48%的預測準確度。請注意，算法1推斷的最佳窗口大小范圍為4到6 s，這對于實時應用是可行的。此外，Na?veBayes、KNN和SVM分類器顯示對特征的相關性非常敏感，因為當添加更多特征時駕駛事件預測準確度降低。相比之下，隨機森林和J48分類器不受此影響。