面向自动驾驶的车辆精确实时定位算法

奥鹏网院作业

面向自动驾驶的车辆精确实时定位算法
沈连丰*① 张 瑞① 朱亚萍① 吴 怡②
①(东南大学移动通信国家重点实验室 南京 210096)
②(福建师范大学光电与信息工程学院 福州 350007)
摘 要：针对车辆自组织网络(VANETs)中的车辆定位问题，以提高定位精度和实时性为目标，该文提出一种面向自动驾驶的车辆精确实时定位算法，包括基于矩阵束(MP)与非线性拟合(NLF)以及基于视觉感知两种技术。基于MP-NLF的技术通过联合TOA/AOA估计进行车辆单站定位，并引入高分辨率估计以提高估计精度；基于视觉感知的技术通过提取定位范围内视觉感知图像的特征信息来完成定位，并结合惯性信息进行无迹卡尔曼滤波进一步提高精度。仿真结果表明，与传统多径指纹算法相比，所提算法即使在低信噪比情况下也具有较好的定位性能。
关键词：车辆自组织网络；定位；路边单元；高分辨率估计
1 引言
汽车在社会生活中的迅速普及给人们提供了便利，但也导致了城市交通面临巨大压力，带来了交通事故频发、能源消耗加剧、环境污染以及道路堵塞等一系列问题[1]。近年来，随着信息技术特别是移动通信技术的突飞猛进，以车辆自组织网络(Vehicular Ad-Hoc NETworks, VANETs)为主要实现手段的车联网(Internet of Vehicles, IoV)技术为解决上述问题提供了契机[2]。对于大多数VANETs应用来说，发挥其功能的一个重要前提是实现车辆实时、精确的定位，研究表明，如果车辆能够及时获取自身和周围车辆的位置信息，并在拥堵或碰撞之前对驾驶员发出预警，可以减少约40%的交通事故[3]。
精确、实时的车辆定位技术是驾驶员辅助系统中进行安全评估和系统干预的必要手段，亦是实现车辆自动驾驶、加速自动驾驶时代的到来所必须突破的关键核心技术[4,5]。目前汽车自动驾驶的研究开发主要沿着单车智能(即所谓“胖系统”)和智能网联(即所谓“瘦系统”)的技术路线，前者在车辆的环境感知和行驶决策方面主要通过车载传感器和处理单元来完成，后者则通过专用无线网络或公众移动通信网络，比如第5代(The 5th Generation,5G)无线通信系统。无论是胖系统还是瘦系统，精确、实时的车辆定位都是必不可少的，为此人们已进行了大量的研究。例如：文献[6]利用激光雷达和视觉传感器等，提出了一种自动驾驶场景的感知融合3D定位方案，从3维点云中高效地生成3维候选框，并将来自多个视图按区域划分的特征结合起来完成定位；文献[7]对多种传感器信息进行分析融合，并采用通信网络来辅助自动驾驶的层次决策；文献[8]中的BJUT-IV智能车项目采用跟踪算法实现对自动驾驶横向运动的定位，该算法将预瞄距离设计为车辆参数和车速的函数，并进一步根据距离确定目标位置；谷歌、优步、百度等互联网公司也在进行基于车载传感器的自动驾驶汽车的研究。单车智能方式在交通设施相对完善的城市场景或行驶条件相对简单的高速公路场景中可以取得短时间的进展，但硬件成本太高，并且仅仅依靠单车智能具有较大的局限性[9]，比如对于设施缺损严重、部署不规范的道路和交通流量较大的高速公路等复杂场景，或者是在雨、雪、雾等影响图像传感器和雷达性能的极端天气下，单车智能都很难完成对道路环境的感知和实时决策。因此，若要真正进入自动驾驶阶段，除车辆自身的传感器(包括毫米波雷达、激光雷达、超声波和摄像头等)之外，VANETs的重要性就凸显出来。VANETs可以在车辆行驶过程中提供全天候的连续可靠的附加信息(如测距信息、路况以及交通信号等)，帮助车辆更加精确地确定自身位置，实现车道级(厘米级)的精度定位。伴随着单车智能自动驾驶技术的研发，全球导航卫星系统(Global Navigation Satellite System, GNSS)[10]应用于车辆定位的研究也正如火如荼，但当车辆行驶在高楼密集的城市街道或立交桥、隧道地区时，车载GNSS的信号很容易被遮挡，从而无法实现精确可靠的实时定位，这严重制约了IoV在城市交通系统中的应用[11]。因此，针对复杂的城市环境，在GNSS及其他系统无法为车辆提供可靠位置服务的情况下，研究基于VANETs方式的环境适应能力强、能满足大部分IoV应用需求的高精度车辆实时定位方法十分迫切。
本文提出了一种基于矩阵束-非线性拟合(Matrix Pencil and Non-Linear Fitting, MP-NLF)技术以及视觉感知技术的车辆精确、实时定位算法，该算法将VANETs中的路边单元(RoadSide Unit, RSU)作为车辆无线定位的参考节点[12]，利用单一RSU有效地解决车辆的实时、精确定位问题，包括：(1)基于MP-NLF技术，首先采用频域1维MP算法得到实时到达角(Angle Of Arrival, AOA)估计，然后利用正交频分复用技术(Orthogonal Frequency Division Multiplexing, OFDM)子载波的频率分集特性，将到达时间(Time Of Arrival, TOA)高分辨率估计建模为一个NLF问题求解，并利用相邻子载波相位差的特性提高估计性能，最终将TOA/AOA估计值输入一个加权最小二乘(Weighted Least Squares, WLS)估计器来实现高精度的实时定位；(2)基于视觉感知技术，通过在RSU端配置视觉传感器，提取图像特征信息获取目标车辆轮廓并计算相应质心坐标，同时采用无迹卡尔曼滤波(Unscented Kalman Filter, UKF)技术将视觉定位结果与采样率较高的惯性传感器信息相融合，进一步提高实时性和定位精度。本文研究面向自动驾驶和辅助驾驶，提出了一种不同于目前主流的基于图像处理和激光(或毫米波)雷达的单车智能自动驾驶的新方法、新思路，仿真结果表明，与传统多径指纹算法相比，所提算法即使在低信噪比情况下也具有较好的定位性能，可以看做是5G技术在自动驾驶方向的延伸，能够在一定程度上解决IoV应用中的车道级定位问题，对自动驾驶领域的理论研究也具有重要的意义。
2 系统模型

图 1 VANETs车辆定位场景示意图





4 系统仿真及其讨论
本节对所提的算法通过仿真进行性能分析。VANETs车辆定位的仿真区域为具有典型多径环境的双车道直线道路的一段，区域的大小为500 m×10 m。测距所用的RSU部署于坐标(250, 15)处，可以覆盖整个定位区域。假设目标车辆在第2车道的中线沿x轴的正向行驶，由(0, 2.5)处行驶至(500,2.5)处，并通过ULA接收RSU所发送的BP。仿真场景如图5所示，p (tk) 为车辆在t k时刻的位置，为了反映车速的动态变化，将车辆的行驶路线等分为两条路径，分别标记为L1和L2。对L1段，车辆从0 km/h到50 km/h以恒定的加速度均匀加速，车速到达50 km/h后在L2段均匀减速，直到速度达到0 km/h。通过蒙特卡洛仿真记录车辆在1000次行驶轨迹中的定位结果。具体的仿真参数设置如表1所示。

图 5 VANETs车辆定位仿真场景图
通过表1的仿真参数设置构建了一个典型的城市VANETs定位环境，本节中以所提的基于MP-NLF技术的定位算法为例，对其定位性能进行分析。为了评估所提算法，将该算法与文献[18]中所描述的经典多径指纹定位方法(SP算法)进行比较。在SP算法中，指纹数据库通过对定位区域划分矩形网格的方式建立，网格边长分别设置为int = 2 m和1 m。定位性能由定位误差的均方根误差(Root-Mean Square Error, RMSE)和累积分布函数(Cumulative Distribution Function, CDF)进行评价。
图6给出了在车辆的整个行驶过程中两种算法位置估计的RMSE的变化情况。可以看到，当车辆距RSU较远时，由于路径损耗和多径衰落等因素造成的信噪比降低，两种算法的定位性能较差。需要注意的是，SP算法中数据库的指纹数据点密度对定位性能有较大影响，当数据点增多时，SP算法的定位误差明显降低。但考虑到指纹数据库中1 m的网格边长已较为密集，虽然密度更大的网格可能会带来更高的精度，但是也会导致计算复杂度的指数增长。从图中可见，使用WLS估计器，所提算法在低信噪比环境下定位误差显著降低，具有较好的稳定性，且在绝大部分情况下都要优于SP算法。图7和8分别展示了ULA阵元数目和信号带宽这两种因素对定位误差CDF分布的影响。可以看到，随着天线阵元和带宽的增加，信号的空间维度和分辨率都有所上升，使得两种算法的定位性能均有所提高。特别地，从图8中可以看出，当接收ULA阵元数目为8，信号带宽为20 MHz时，所提算法有大约98%的车辆位置估计误差小于2 m；而在网格边长为1 m的SP算法中，则只有83.5%的位置估计误差小于2 m。由图中结果可见，在不同带宽和天线阵元的情况下，所提定位算法的性能都要优于多径指纹定位方法。
表 1 系统仿真参数设置


图 6 车辆行驶过程中所提算法与SP算法的均方根误差比较

图 7 不同阵元数目下所提算法与SP算法定位误差的CDF分布(Bw = 10 MHz)

图 8 不同信号带宽下所提算法与SP算法定位误差的CDF分布(M = 8)
5 结束语
本文针对VANETs中的车辆实时精确定位问题，分别提出了基于MP-NLF技术和基于视觉感知技术的车辆单站定位算法。基于MP-NLF技术的定位算法在车辆端采用了ULA阵列天线，通过联合TOA/AOA估计进行定位。此外，引入高分辨率估计技术，采用频域MP算法直接对接收CFR矩阵进行处理，从而得到实时AOA估计，降低时间开销。然后进一步利用了OFDM子载波的频率分集特性，将TOA高分辨率估计建模为一个NLF问题求解，采用相邻子载波相位差的特性对拟合函数的病态状况进行修正，提高了结果的可靠性。最终通过WLS估计器计算车辆位置，以实现高精度的实时定位。基于视觉感知的定位算法在RSU端配置视觉传感器，通过提取传感器感知范围内的图像特征信息，获取目标车辆轮廓并计算相应质心坐标完成定位，同时，将视觉定位结果与采样率较高的惯性传感器信息通过UKF滤波器进行组合定位，进一步提高了定位精度和算法实时性。仿真结果表明，与传统多径指纹算法相比，所提算法即使在低信噪比情况下也具有较好的定位性能。
参 考 文 献
[1]KOOPMAN P and WAGNER M. Autonomous vehicle safety: An interdisciplinary challenge[J]. IEEE Intelligent Transportation Systems Magazine, 2017, 9(1): 90–96. doi:10.1109/MITS.2016.2583491.
[2]MOLINA-MASEGOSA R and GOZALVEZ J. LTE-V for sidelink 5G V2X vehicular communications: A new 5G technology for short-range vehicle-to-everything communications[J]. IEEE Vehicular Technology Magazine,2017, 12(4): 30–39. doi: 10.1109/MVT.2017.2752798.
[3]LI Linjing, LI Xin, CHENG Changjian, et al. Research collaboration and ITS topic evolution: 10 years at T-ITS[J].IEEE Transactions on Intelligent Transportation Systems,2010, 11(3): 517–523. doi: 10.1109/TITS.2010.2059070.
[4]SHI Yanjun, PAN Yaohui, ZHANG Zihui, et al. A 5G-V2X based collaborative motion planning for autonomous industrial vehicles at road intersections[C]. 2018 IEEE International Conference on Systems, Man, and Cybernetics, Miyazaki, Japan, 2018: 3744–3748.
[5]LUO Guiyang, YUAN Quan, ZHOU Haibo, et al.Cooperative vehicular content distribution in edge computing assisted 5G-VANET[J]. China Communications,2018, 15(7): 1–17. doi: 10.1109/CC.2018.8424578.
[6]CHEN Xiaozhi, MA Huimin, WAN Ji, et al. Multi-view 3D object detection network for autonomous driving[C]. 2017 IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, USA, 2017: 6526–6534.
[7]XIAO Yunqiu and REN Dakai. A hierarchical decision architecture for network-assisted automatic driving[C]. 2018 IEEE International Conference on Energy Internet, Beijing,China 2018: 35–37.
[8]段建民, 杨晨, 石慧. 基于Pure Pursuit算法的智能车路径跟踪[J]. 北京工业大学学报, 2016, 42(9): 1301–1306.DUAN Jianmin, YANG Chen, and SHI Hui. Path tracking based on pure pursuit algorithm for intelligent vehicles[J].Journal of Beijing University of Technology, 2016, 42(9):1301–1306.
[9]李俨, 曹一卿, 陈书平, 等. 5G与车联网——基于移动通信的车联网技术与智能网联汽车[M]. 北京: 电子工业出版社, 2019.
[10]王庆, 张小国. 车辆组合定位与导航系统——理论、方法及应用[M]. 北京: 科学出版社, 2016.
[11]ZHANG Rui, XIA Weiwei, YAN Feng, et al. A single-site positioning method based on TOA and DOA estimation using virtual stations in NLOS environment[J]. China Communications, 2019, 16(2): 146–159.
[12]WANG Zhenyu, ZHENG Jun, WU Yuying, et al. A centrality-based RSU deployment approach for vehicular ad hoc networks[C]. 2017 IEEE International Conference on Communications, Paris, France, 2017: 1–5.
[13]GABER A and OMAR A. A study of wireless indoor positioning based on joint TDOA and DOA estimation using 2-D matrix pencil algorithms and IEEE 802.11ac[J].IEEE Transactions on Wireless Communications, 2015,14(5): 2440–2454. doi: 10.1109/TWC.2014.2386869.
[14]AKAIKE H. A new look at the statistical model identification[J]. IEEE Transactions on Automatic Control,1974, 19(6): 716–723. doi: 10.1109/TAC.1974.1100705.
[15]FASCISTA A, CICCARESE G, COLUCCIA A, et al. A localization algorithm based on V2I communications and AOA estimation[J]. IEEE Signal Processing Letters, 2017,24(1): 126–130. doi: 10.1109/LSP.2016.2639098.
[16]ZHANG Dian, LIU Yunhuai, GUO Xiaonan, et al. On distinguishing the multiple radio paths in RSS-based ranging[C]. 2012 Proceedings IEEE INFOCOM. Orlando,USA, 2012: 2201–2209.
[17]黄铫, 张天骐, 高清山, 等. 一种提高无迹卡尔曼滤波精确度的方法[J]. 计算机仿真, 2010, 27(3): 348–352. doi: 10.3969/j.issn.1006-9348.2010.03.085.HUANG Yao, ZHANG Tianqi, GAO Qingshan, et al. A method improving the accuracy of UKF[J]. Computer Simulation, 2010, 27(3): 348–352. doi: 10.3969/j.issn.1006-9348.2010.03.085.
[18]KUPERSHTEIN E, WAX M, and COHEN I. Single-site emitter localization via multipath fingerprinting[J]. IEEE Transactions on Signal Processing, 2013, 61(1): 10–21. doi:10.1109/TSP.2012.2222395.
High-precision and Real-time Localization Algorithm for
Automatic Driving Vehicles
SHEN Lianfeng① ZHANG Rui① ZHU Yaping① WU Yi②
①(National Mobile Communications Research Laboratory, Southeast University, Nanjing 210096, China)
②(College of Photonic and Electronic Engineering, Fujian Normal University, Fuzhou 350007, China)
Abstract: For the problem of vehicle positioning in Vehicular Ad-hoc NETworks (VANETs), in order to improve the positioning accuracy and real-time performance, a high-precision and real-time localization algorithm for automatic driving vehicles is proposed, including two technologies based on Matrix Pencil (MP)and Non-Linear Fitting (NLF), and visual perception. The MP-NLF technology uses joint TOA/AOA estimation to locate vehicles with a single station, and introduces high resolution estimation technology to improve the estimation accuracy. The visual perception based technology completes the localization by extracting the feature information of visual perceptual images in positioning area, carries on the unscented Kalman filter combined with the inertial sensor information to further improve the positioning accuracy. The simulation results show that, compared with the traditional multipath fingerprinting algorithm, the proposed algorithm has better performance even in the case of low Signal-to-Noise Ratio (SNR).
Key words: Vehicular Ad-hoc NETworks (VANETs); Positioning; Roadside unit; High-resolution estimation
中图分类号：TN953; TP872
文献标识码：A
文章编号：1009-5896(2020)01-0028-08
DOI: 10.11999/JEIT190610
收稿日期：2019-08-12；改回日期：2019-11-21；网络出版：2019-12-04
*通信作者： 沈连丰 lfshen@seu.edu.cn
基金项目：国家自然科学基金(61601122, 61741102, U180526, 61571128)
Foundation Items: The National Natural Science Foundation of China (61601122, 61741102, U180526, 61571128)
沈连丰：男，1952年生，教授，主要研究方向为宽带移动通信、泛在网络和车辆自组织网络等.
张 瑞：男，1986年生，博士生，研究方向为短距无线通信、车辆自组织网络.
朱亚萍：女，1990年生，博士生，研究方向为短距无线通信、软件定义传感器网络.
吴 怡：女，1970年生，教授，主要研究方向为通信于信息系统，车辆自组织网络等.