车联网络通过两级量化自适应卡尔曼滤波实现车辆状态预测

发布时间：2022-01-20 17:47

　　随着城市化和机动化的快速发展,交通安全越来越受到人们的关注。利用车载网络系统获取车载数据来预测车辆下一时刻的车载状态,对于提高运输路段的交通安全起着重要作用。文中提出一种基于自回归滑动平均（Auto-Regressice Mo-ving Average,ARMA）模型的两级量化自适应卡尔曼滤波算法,来预测车辆的行车状态（行驶的方向、行驶的车道、车辆的速度和加速度）。首先,开发了一个车载网络系统,通过交换车载单元（On-Board Unit,OBU）和路边单元（Roadside Unit,RSU）之间的交通数据来获取车辆数据;然后,通过配置在路边单元的边缘云服务器来预测车辆状态;最后,边缘服务器把预测到的状态信息广播给其他路边单元,以便交叉口其他车辆获取车辆信息。实验结果验证了用于预测加速度的自回归移动平均模型的有效性。此外,文中还评估了所提算法的有效性。与其他3种预测算法相比,所提算法的速度预测精度分别提高了90.62%,89.81%,82.76%,这说明该算法在车载网络中能有效预测车辆状态。 

【文章来源】：计算机科学. 2020,47(05)北大核心CSCD

【文章页数】：6 页

【部分图文】：

车载网络系统图

图1 车载网络系统图交叉口的每个方向上都有一个路边单元,用(xi,yi)表示RSUi的位置。假设这4个RSU独立运行,并通过光纤相互通信,以交叉口中心为坐标原点,用(xk(t),yk(t))表示第k辆车在t时刻的位置。那么,当车辆k以vk(t)的速度移动到RSU的射频区域时,其OBU将利用DSRC技术将车辆位置(xk(t),yk(t))和速度vk(t)通知给该RSU并将其转发到附加的边缘云服务器上。在t时刻,边缘云服务器预测车辆k的移动方向和行驶车道为bk(t)和ck(t),并预测下一时刻车辆k的加速度和行驶速度。最后,边缘云服务器通过光纤将数据传播给其他路边单元。

由于在某个时刻进入RSU覆盖范围内的车辆数量是随机的,本文在不考虑车辆数量对数据传输的影响下,假设每辆车传输至边缘云服务器的数据都是正确无误的。在此,本文评估了RSU覆盖范围内有4辆、8辆、12辆、16辆以及20辆车时,QAKF算法对车辆状态预测的影响,其平均误差结果如图6所示。可以看到,不同的车辆数量对于所提出的车辆状态预测算法的性能影响不大。结束语 本文开发了一种车载网络系统,通过交换车载单元和相应路边单元之间的数据来互相获取车辆数据。本文还提出了一种基于自回归移动平均模型的两级量化自适应卡尔曼滤波算法,用以预测车辆状态。实验结果表明,所提出的车辆状态预测算法在预测精度方面优于其他3种预测算法。在未来,我们将考虑RSU覆盖范围内车辆数量对数据传输的影响以及数据丢失对车辆状态预测的影响。

【参考文献】：
期刊论文
[1]RFID环境下基于自适应卡尔曼滤波的高速移动车辆速度预测[J]. 冯安琪,钱丽萍,黄玉蘋,吴远.  计算机科学. 2019(04)
[2]基于自适应Kalman滤波的MEMS陀螺随机误差分析[J]. 王辛望,沈小林,刘新生.  传感技术学报. 2017(11)
[3]结合运动方程与卡尔曼滤波的动态目标追踪预测算法[J]. 王妍,邓庆绪,刘赓浩,银彪.  计算机科学. 2015(12)



本文编号：3599257