基于无线传感器网络的公交车载节点定位算法研究

WSN(Wireless Sensors Network)是集传感器技术、MEMS技术和网络技术于一体的一种信息获取和信息处理技术[1]，它具有自组织、自适应能力，在智能交通方面具有独特的优点和广阔的应用前景[2]。

在智能公交系统中，车辆位置的准确求取和传递是其他系统功能实现的先决条件。当前已经有了一些利用无线传感器搭建智能公交系统的通信网络的方案[4-6]，但这些方案均利用其他手段实现车辆的定位，鲜有利用无线传感器自身的TOF测距功能实现车辆定位功能。而利用基于TOF的无线传感器实现公交车载节点的定位可以降低系统建设和实用成本，对公交系统智能化改造具有参考意义。

在无线传感器定位算法中，由于Range-free定位算法要求大密度的参考节点，所以不适合智能公交系统车辆定位。而通常基于TOA、TDOA以及AOA的定位技术需要添加额外的硬件，导致系统的定位成本增加。基于RSSI测距的方法虽然易于实现，但由于其有效定位距离近，远距离情况下定位精度较低，因此很难单独应用。近年来，英国Jennic公司最新推出了采用TOF(Time Of Flight)测距技术的ZigBee芯片JN5148，能够有效地提高无线传感器测距精度。本文即以此为背景对公交车载节点的定位算法和策略进行了深入研究。

1 基于TOF/RSSI定位算法分析研究

为了充分发挥JN5148的测距能力，本文对其进行了测距实验，并对其在车载节点定位上的应用方法进行了研究和讨论。

1.1 TOF测距效果实验分析

JN5148通过测定无线信号在两节点间双向传递时间计算节点间距离[5-6]，同时其数据帧中包含RSSI参数。JN5148芯片在户外的测距实验曲线如图1所示，图1(a)是在300 m范围内每10 m进行一次测量的测距误差图;图1(b)是10 m范围内每0.2 m进行一次测量的测距误差图。

1.3 车载节点定位方案分析

为了提高车载节点定位精度，考虑了以下几种改进方案：

(1)缩短固定参考节点间距离

通过增加固定节点的数量，以缩短相邻固定节点间的平均距离、优化几何构型。如可将图2(a)中固定节点A、B间距离缩短到100 m。[page]

(2)引入高度因素构建三维定位

通过调整固定参考节点高度(如：将固定节点C安装在附近高楼上)，构建立体三维定位，以改善固定参考节点与待测节点的几何构型。

(3)采用线性定位思路

根据实际道路特点，忽略道路宽度，采用线性定位法，仅考虑车载节点在道路上的一维位置。

综合考虑以上三种改进方法，第一种方案的系统造价高，构建的网络复杂;第二种方案受道路环境影响较大，操作困难：第三种方案可将无线传感器固定在路中间(如信号灯上、道路指引牌上等)，通过无线传感器测距，直接估算车辆的位置，对WSN节点的要求低，较为可行。

2 车载节点组合定位思路研究

在公交车线性定位过程中，可利用里程仪信息，里程仪的测距误差一般在1%左右[8]。若公交车受复杂路况等因素影响，仅用里程仪定位将产生较大误差。如图3所示的城市道路示意图中，仅由道路转盘(绿岛)产生的差异就会使公交车往返路程差超过30 m。为了提高车辆定位的鲁棒性和精度，本文提出了使用里程仪与无线传感器的TOF/RSSI测距相结合进行车载节点组合定位的方法。

根据无线传感器的TOF/RSSI以及车辆里程仪的测距特点，定位算法的主要思想如下：车载节点在离固定节点较近时采用RSSI测距定位，同时计算里程仪误差修正参数;车辆节点距离固定节点较远时，采用由TOF测距定位修正的里程仪进行定位的组合定位思路。详细的定位算法流程如图4所示。

车载节点将RSSI值与设定阈值比较，当RSSI值大于阈值时，说明节点即将到达或刚开始远离某固定节点;然后判断RSSI值的变化趋势，RSSI值减小则说明节点在前一个数据采集时刻车辆与固定节点位置最近，此时利用RSSI值进行测距定位，并使用RSSI测距值和里程仪测距值估计里程仪偏差值。利用无线传感器RSSI估计里程仪的偏差值算法流程如图5(a)所示。

当公交车辆继续远离固定节点时，所采集的RSSI值小于阈值，开始进入基于里程仪和TOF组合定位模式。利用TOF修正里程仪偏差的算法如图5(b)所示，其中，dODM为里程仪测距值，dTOF为TOF测距值，?啄TOF为TOF测距误差。利用车载节点存储多个TOF测距值，与相应里程仪测距值相减，可得到一组差值序列。该历史差值序列可以用于求解里程仪偏差和刻度系数误差，对里程仪误差进行实时补偿。[page]

一般来说，当里程仪测距值与TOF测距值的差值大于两倍的TOF测距误差时，说明里程仪定位误差较大，需要进行修正。通过差值序列获取方式的不同，还可以将该补偿算法分为静态TOF校正法(利用某固定时段的差值序列)和动态TOF校正法(利用实时更新的差值序列)。

3 组合定位算法的验证

为了验证上述组合算法的有效性，利用MATLAB对上述算法进行了仿真。TOF及RSSI的测距误差按式(1)、式(2)的误差模型进行设置;里程仪的刻度系数误差设为1%，里程仪的初始偏差设为16 m。

图6(a)为模拟车载节点离开固定节点时利用RSSI修正里程仪误差结果。从图中可以看出，利用RSSI估计并修正里程仪测距误差的效果十分明显。

将TOF测距值与对应里程仪测距值的差值序列进行一阶线性拟合，可求解刻度系数误差和里程仪偏差，并对里程仪数据进行修正。仿真中静态校正法采用0 m～200 m的差值序列进行里程仪误差的补偿，结果如图6(b)所示。动态校正法实时使用修正点前，200 m的差值序列进行里程仪误差的补偿，结果如图6(c)所示。两种算法结果都表明：TOF校正后的里程仪测距精度远高于TOF和里程仪自身的测距精度。

表1中汇集了其中5次的仿真结果。其中，组合算法1包含了RSSI校正和静态TOF校正，组合算法2包含了RSSI校正和动态TOF校正。

由表1可知，基于TOF/RSSI的公交车载节点组合定位算法定位效果优于三种独立的测距定位方法，定位标准差小于5 m(与GPS定位精度相当)。组合算法1定位标准差优于组合算法2;组合算法2的鲁棒性要强于组合算法1，但其计算量较大。两种组合算法均在一定程度上改善了TOF测距误差波动大、RSSI远程测距误差大、里程仪测距在车辆非直线行驶时定位误差大的缺点。

本文对基于无线传感器网络的车载节点定位方法进行了研究，测试分析了新型的TOF无线传感器芯片JN5148的测距效果，研究了固定节点分布对车辆定位的影响，提出了基于TOF/RSSI及车辆里程仪的组合车辆定位算法，并讨论了静态和动态两种TOF误差修正模式。仿真结果表明，组合定位算法精度能够满足实际应用要求，结合无线传感器网络本身的良好通信能力，有助于经济地实现公交系统智能化改造，具有较好的应用参考价值。