无线通信汽车主动防撞预警系统研究

摘要

　　当今社会，汽车保有量的不断增加致使交通事故日益频繁，造成的人员伤亡以及经济损失也在逐年攀升。虽然现有的安全技术在一定程度上能够保障行人和驾驶员的生命安全，例如被动安全技术安全带、安全气囊在车辆发生碰撞时将车内乘客的损伤降至最低；主动安全技术 ABS、ESP、AEB 等在保证车辆行驶稳定性的同时也将车辆对行人、对其他车辆的威胁降到了最低，然而这些主动安全技术都需要车辆本身装备有昂贵的传感器来实现，并不适用于所有车辆。

　　近年来，随着无线通信技术的不断发展与成熟，智能网联汽车与智能交通逐渐成为汽车厂商和汽车领域研究人员的关注重点，基于智能网联技术提高汽车行驶安全性成为了新兴的研究热点。汽车主动防撞预警系统指的是车载预警系统主动向驾驶员提供周边驾驶环境的信息，例如车辆的位置、行驶速率，并告知驾驶员可能存在的碰撞风险；无线通信技术通常指不同设备之间脱离物理连接之后的信息传输与数据共享，例如手机间的通信。将以上二者相结合，汽车则会具有一定的通信能力，实现“联网”

　　功能，不通车辆之间则可以实现信息传递与共享，扩大汽车的感知范围，从而提高汽车行驶的安全性。本文围绕无线通信以及汽车主动防撞预警系统，针对车车通信、车辆之间的相互定位以及行驶安全性开展了相关的研究。

　　本文在开篇讨论了智能车辆的环境感知技术并指出了这些技术存在的问题，提出通过无线通信技术为车辆获取有用信息，实现主动预警；随后介绍了国内外近二十年来关于智能网联汽车以及防撞预警系统的研究现状，在前人的基础上开展了本文的研究。本文第二章主要介绍车载预警系统的硬件架构与软件需求，包括实现无线通信功能的 ZigBee 技术、实现车辆定位的 GPS 技术、实现对驾驶员进行信息提示的人机交互界面相关理论、实现不同硬件设备之间数据正确传输的通信协议，提出了一种带有通信功能以及预警功能的车载硬件平台。

　　本文第三章主要介绍实现车载硬件平台正常工作所需要搭建的模型，包括实现ZigBee 节点间互相联网通信的通信模型、判断前后车辆之间行驶安全性的安全距离模型、获取车辆之间相对位置信息的 GPS 定位模型以及获取驾驶员初级行驶意图的识别模型。其中，通信模型、安全距离模型以及车辆定位模型是核心所在：通信模型考虑到了车载硬件平台不同设备之间的数据传输，包括车载 CAN 总线通信与 ZigBee 串口通信之间的数据转换以及汽车 CAN 总线相关报文信息的获取；本章第 2 小节简要介绍了传统基于制动过程分解的安全距离模型并分析了该模型存在的主要缺点，提出了改进的安全距离模型以及预警策略；随后在车辆定位模型中介绍了 GPS 坐标变换以及基于无迹卡尔曼滤波算法的行驶轨迹修正。

　　本文第四章主要介绍车载硬件平台各子系统的仿真测试并对结果进行了详细的分析，并在校园环境下针对每一个子系统进行了实车测试。通信测试用于评估 ZigBee 通信模块可靠性和稳定性，包括节点之间的静态通信测试与动态通信测试；安全距离模型的实车测试是为了评估模型的可靠性，在某些不能进行实车测试的工况下（大于40km/h 的较高行驶车速），进行仿真测试对模型进行验证；GPS 户外测试用于评估车辆定位的准确性与可靠性，包括车辆静止时的静态定位精度和车辆低速行驶时的动态定位精度；驾驶意图识别测试包括仿真分析（大于 40km/h 的较高行驶车速）与实车验证（4 种典型工况：加速行驶、减速行驶、车辆换道、车辆转弯）。本文最后于第五章进行了全文总结以及对未来工作的展望。

　　关键词：ZigBee 车车通信 防撞预警 GPS

Abstract

　　With the rapid growth of running vehicles in modern society, accidents caused by automobiles are rising fast and the number of human injuries and money loss reach a new high level. Although modern safety technology can guarantee driver and pedestrian’s life, for instance, passive safety technologies like safety belt and airbag could minimize the injury level when accidents happened, active safety technologies like ABS, ESP, AEB could maintain vehicle’s driving stability as well as minimizing the threat towards pedestrians and surrounding vehicles, yet those active safety technologies depend on expensive sensor, which is not applicable to all vehicles.

　　In recent years, as communication technology keeps evolving and maturing, connected intelligent vehicle and intelligent transportation system are becoming the new buzzword, countless research institutes and college scholars started studying wireless communication and establishing dedicated experimental area, using wireless communication to improve vehicle safety level is becoming the new researching focus. Vehicle anti-collision warning system means on-board warning system can not only inform driver of surrounding driving situation, like vehicle location and driving speed, but also detect potential accidents and give driver alerts. Wireless communication indicates different devices could establish connection, achieve data exchange and information sharing without physical link, like cellphone communication. Combining these two technologies, vehicle can “talk” and share information with each other after connection, and sensing range is extended to improve vehicle driving safety. This paper considers wireless communication and anti-collision warning system as core issues, focusing on the study of vehicle to vehicle communication, vehicles relative positioning and driving safety calculation.

　　This paper first discussed current environment perceptive technologies and analyzed advantages and disadvantages, proposing obtaining useful information via wireless communication to fulfill pre-warning, then introduced domestic and international studies about connected intelligent vehicle and anti-collision warning system in recent years, and started the research in this paper based on those predecessors. Chapter two mainly contained hardware structure and software requirements of on-board warning system, to be specific, including ZigBee technology that achieves vehicle communication, GPS technology that achieves relative positioning, human machine interface that gives driver alerts and communication protocol that ensures correct data transfer among different devices. Based on selected devices and designed protocol, a vehicular ad-hoc network platform was proposed.

　　System modeling was elaborated in chapter three, including ZigBee communication model that fulfills vehicle communication, improved safe distance model that constantly evaluates longitudinal driving situation, GPS positioning model that locates surrounding vehicles, and driver intention recognition model, therein, communication model, safe distance model and positioning model are core ones. Communication model is mainly responsible for ensuring correct data transmission among different devices, including data transformation between CAN bus and serial port, relevant data acquisition from CAN bus.

　　After communication model, modified safe distance model was proposed since brake-process-analysis-based traditional safe distance model has a few problems, and warning strategies were also briefly introduced. Vehicle positioning model mainly focused on GPS coordinate transformation and unscented Kalman filter algorithm was also used in this paper to improve positioning accuracy.

　　Simulations and outcome analysis of each model, main system functions’ outdoor verification under campus environment were presented in chapter four. Communication tests, including static and dynamic link tests between nodes, were used to evaluate accuracy and stability of ZigBee module. In order to validate safe distance model’s reliability, outdoor tests were conducted when driving speed was below 40km/h, otherwise, simulation tests were conducted to verify the model. GPS model validations also contained static (vehicle not moving) and dynamic (vehicle moving) tests. Like safe distance model, driver intention recognition model consisted of outdoor tests (vehicle speed below 40km/h) and simulations (vehicle speed over 40km/h). Four typical driving situations were tested outdoors, including acceleration, deceleration, lane change and turn. Summarization and future works were presented in the last chapter.

　　Keywords:ZigBee; V2V; FCWS; GPS

　　德国 2008 年的道路交通事故统计报告中指出[1]，所有事故中由驾驶员造成的占到了 86%；由于车辆本身存在问题（轮胎老化、制动系统失效等）、行人问题以及其他不可知因素造成的事故占到了10%；4%的交通事故是由于天气原因造成的可视距离下降、道路湿滑所引发的。根据警方统计，造成人员受伤或死亡的交通事故的主要因素是超速（12.3%）、车距过低（9.9%）以及交叉路口会车时出现的驾驶违章和通行争抢（26.4%）。

　　美国交通部（USDOT）2010 年的数据统计表明：每年有超过 3 万人死于交通事故，4-34 岁年龄段死因中排名第一的是道路交通事故。由交通事故直接造成的经济损失超过 2000 亿美元，日常道路交通拥堵问题造成的时间浪费每年达到了 42 亿小时，道路拥堵间接引发的经济损失预计超过 870 亿美元。

　　2016 年 5 月，一辆特斯拉 Model S 在自动驾驶模式下于美国佛罗里达州与一辆拖车相撞，驾驶员不幸丧生。由于驾驶环境明亮而且天空白云众多，以及传感器性能、安装位置的限制以及识别算法的局限性（特斯拉装备的前方车辆感知设备是由以色列Mobileye 公司提供的产品，当时的识别算法只支持识别车辆的正前方和正后方，而当时拖车是横向处于道路中间），特斯拉的智能传感设备将远处白色的挂车车身识别为了天空中的白云，导致系统判断安全，没有减速制动，从而酿成了悲剧。尽管自动驾驶的车辆测试里程数早已达到了很高的水平，特斯拉宣称 Autopilot 半自动驾驶系统已经安全行驶超过了 2.22 亿英里，谷歌也宣称自家自动驾驶汽车的测试里程超过了 200 万英里，然后一旦发生事故，业界仍然会谴责自动驾驶技术不成熟，自动驾驶再次受到了前所未有的挑战。

　　在经历了 2016 年 5 月那次严重的交通事故之后，同年 10 月，特斯拉公司宣布旗下所有在产车型（包括 Model 3）都将进行硬件升级以实现全功能的自动驾驶（Fullself-driving），新的智能驾驶套件更新如下：车身四周一共配有 8 个高清摄像头实现 360 度视野覆盖，最大检测范围 250 米。此外，整车还装有 12 个超声波传感器，最大探测距离达到了上一代产品的 2 倍以上。车头前向的毫米波雷达也得到了相应的升级，提升了雨、雪、雾、沙尘等较恶劣天气条件下的检测准确性和工作稳定性。

　　传感器的增多使数据量也大幅增加，为了更高效地处理传感器收集到的数据，特斯拉采用了全新的车载电脑--Tesla Neural Net。新的处理核心基于英伟达（NVIDIA）公司的 Titan GPU，每秒钟的计算量高达 12 万亿次，运算效率是上一代产品的 40 倍，这样才能满足同时处理摄像头、超声波雷达和毫米波雷达实时采集到的数据。

　　新的智能驾驶系统可以同时在车辆周围各个方位进行实时检测，覆盖范围相当广。

　　这样大幅的升级自然也造成了硬件成本的大幅增加，一套新系统的成本约为8000美元，而上一代 Autopilot 则只有 3000 美元，是原先的两倍还多。智能驾驶硬件升级之后，特斯拉汽车的自动驾驶水平相当于从 SAE 的 Level 2（半自动驾驶）直接晋升到了 Level5（全自动驾驶），违背了传统汽车厂商逐步研发升级新功能的习惯。

　　一般搭载 ACC 自适应巡航控制、LDW 车道偏离预警以及自动泊车等功能的智能车辆可以归为 level 2 这一层级，特斯拉公司借助更多的传感器实现的自动驾驶其实介于 level 2 和 level 3 之间 ，离真正的自动驾驶或无人驾驶还有很长一段路要走。事实上，无论是特斯拉还是谷歌，都没有宣称自家的技术完全成熟，自动驾驶系统也需要驾驶员坐在方向盘前，自动驾驶系统一旦无法应对当前行驶工况时，就需要驾驶员人为地进行干涉，这也正是自动驾驶技术难以迈入寻常百姓家的原因之一，一旦涉及到安全性的新技术，无论是汽车厂商还是消费者，态度都会非常谨慎。

　　“无人”驾驶（或自动驾驶）汽车从上个世纪人们有初步的设想以来，经历了数十年的技术积累，进入到 21 世纪，奔驰、宝马、奥迪、大众以及沃尔沃等大牌汽车厂商，都在加强自动驾驶技术方面的研发并积极宣传自家的安全驾驶技术，例如沃尔沃的 City-safe 技术。在传统汽车厂商和谷歌、Mobileye 等公司的引领下，自动驾驶汽车由幻想逐步落实到现实生活当中，但目前的技术水平只能实现部分条件下的自动驾驶，还远未达到成熟。

　　自动驾驶系统想要完整替代人类驾驶员，首先要做到实时“看清”车辆的周边环境。传感器作为自动驾驶汽车的眼睛，用来实时感知驾驶环境的动态变化，而汽车行驶环境又十分复杂，单一传感器无法胜任所有工作，需要多种传感器分工合作[3]。

　　GPS：用于车辆定位，不同车用定位设备定位精度从 1 米到 1cm 不等。高精度定位设备，如 DGPS、GNSS 或 RTK-GPS，需要在实验场地单独架设差分基站，并且高精度定位范围有限，同时易受建筑楼群、茂密树木遮挡影响，不过在视野开阔地带定位效果极佳。

　　摄像头（Camera）：同等价格下，现代社会的摄像头分辨率（>4k）远远高于其他传感器，可以捕获足够多的视觉信息，尤其是颜色信息，车道线检测、交通指示牌和交通信号灯的识别几乎都依赖于摄像头。众所周知，人眼是靠双眼同时工作实现物体的精确定位，单目摄像头只能获取画面的平面信息，无法得到画面内容中各个物体的景深信息，也就无法准确进行定位，而双目摄像头的计算量又太大，实时性不好。摄像头靠进光量感知环境，感知能力受光照条件影响，工作稳定性不好，例如阴天情况下，基于车底阴影检测车辆位置的方法几乎完全失效；雾霾天气时，摄像头的可靠性也会大幅下降。

　　超声波雷达（Ultrasonic）：可感知驾驶员盲区（车尾、车身四角等）内的障碍物，适用于低速行驶工况，成本低、精度较差、最大检测距离小（一般只有几米），通常只用于倒车雷达。

　　毫米波雷达（24GHz/77GHz）：ESR 毫米波雷达最多可同时检测 64 个物体的运动信息和位置信息，通过目标识别算法，可以实现对前车的追踪并根据车距来控制车速（ACC），对天气条件的适应性更好。但和高精度激光雷达相比，识别精度稍低、可视角度（FOV）偏小，所以一般只用于车辆正前方的障碍物检测识别。此外，和激光雷达衍射类似，毫米波雷达对行人、路灯等细长型物体的检测效果不佳。

　　激光雷达（LiDAR）：用于精确定位以及车身周围障碍物检测。由于激光能量集中、方向性好，商用激光雷达使用的激光波长一般在 600nm 到 1000nm 之间（在汽车上安装的激光雷达的波长一般为905纳米），纳米级的波长不易在驾驶环境中发生衍射现象，检测准确性高。与雷达原理相似，激光雷达使用的距离检测技术是飞行时间（TOF，Time of Flight），通过计算激光从发射出去到接收器接收到该束发射激光的时间差，可以准确测量障碍物与汽车之间的相对距离和相对速度（或绝对速度），激光线束越多，定位误差越小（可达厘米级），但同时数据计算量也越大。例如，64 线的 Velodyne 激光雷达每秒扫描的数据点达到了 133 万个。根据障碍物的相对距离及激光本身的发射角度（FOV），3 维数据信息可以形成点云，即对车辆周边所有障碍物进行精准的 3D建模，强大的车载计算机系统甚至可以实时还原出周围的驾驶环境，精度最高可达厘米级。但激光雷达在特殊环境条件下会出现精度下降，例如在北京的雾霾天气下，PM2.5 的直径和激光的波长属于同一个数量级，此时激光容易发生散射，使得 TOF 数据失真，利用点云还原出来的 3D 地图也会严重失真，无法使用。此外，高精度的激光雷达成本十分昂贵，64 线的 Velodyne 激光雷达售价高达 75000 美元，不过 4 线或 8 线（IBEO）、16 线（Velodyne）的成本则相对较低，技术成熟后，适合大规模商用。

　　高精度地图：天气条件十分恶劣时，各种传感器都无法 100%正常工作[59]，此时就需要借助高精度地图来进行导航。例如当路面有积水或结冰时，基于摄像头的车道线检测功能会受到抑制，此时只能依赖高精度地图来指导车辆行驶。早期的 DARPA（Defense Advanced Research Projects Agency）智能车大赛，各家参赛单位都是在拥有比赛场地的电子地图基础上完成的全程无人驾驶。

　　高精度地图还有如下优势：可以提供当前行驶道路的各项数据，包括曲率、坡度等。如果驾驶员能提前得知道路的曲率，车辆在经过急弯前驾驶员就可以提前减速，避免事故的发生，确保行车安全；道路曲率信息还可以作为输入量，辅助 ACC 系统正确识别目标；此外，道路曲率信息可以优化车道线识别功能，改进车道偏离预警系统；车辆在进出入隧道时光线变化比较突然，对摄像头的影响比较大，有了地图信息，在出入隧道的瞬时，摄像头可以调节曝光度来尽快适应环境光线的变化，保证基于摄像头的驾驶辅助功能不会失效。另一方面，利用地图信息可以获知最佳的行驶车速，地图不仅可以告诉车辆当前行驶路段的限速情况，还可以在高危险路段，比如交叉路口、隧道、匝道等，提前告知驾驶员减速慢行，这一功能在很多公交车上都已经得到了使用。纵使高精度地图有如上诸多优点，但高精度地图的数据量十分庞大，而且获取 100%还原度的高精度地图的工作量也十分巨大，此外道路状态还随时有可能发生变化，大范围的应用因此受阻。

　　单纯依靠雷达与摄像头来实现的自动驾驶都是不稳健的，77GHz 的毫米波雷达最大检测距离一般是 200 米，而且检测角度（FOV）与最大检测距离是矛盾量，所以一般用作自适应巡航控制（ACC）的传感器，而且由于检测角度受限，在匝道或者弯路上工作效果比较差。摄像头可以用来进行行人识别和车辆识别，而识别精度和识别速度又不可兼得，摄像头分辨率越高、每秒帧数越高，识别效果越好，但同时识别时间也会大幅增加。至于激光雷达，虽然也有 360 度感知环境的能力，但由于成本太过昂贵、数据量过于庞大，传统汽车厂商不会轻易考虑使用。综合来看，基于单一传感器的环境感知都会一定程度受到限制，如果采用多传感器成本又控制不下来，相比较而言，无线通信倒是拥有成本低、感知范围广、后装比较容易等优点，而且基于车车通信（V2V）、车路通信（V2X）的车辆预警功能也是最近几年交通领域、汽车安全领域以及车联网领域研究的热点。

　　无线通信汽车主动防撞预警系统仿真测试：

车路通信测试场景

ZigBee 通信

测试场地示意

短天线通信测试

长天线通信测试

安全距离模型测试

GPS 设备安装示意

GPS 定位测试道路

GPS 动态定位误差

两车横向车距

车道定位场景介绍

目 录

　　第 1 章 绪论
　　　　1.1 研究背景
　　　　1.2 国内的研究现状
　　　　1.3 国外的研究现状
　　　　1.4 本文的主要研究内容
　　第 2 章 汽车防撞预警系统的硬件平台
　　　　2.1 硬件平台.
　　　　2.2 ZigBee
　　　　　　2.2.1 ZigBee 技术简介
　　　　　　2.2.2 ZigBee 硬件方案
　　　　2.3 GPS
　　　　2.4 HMI
　　　　2.5 通信协议
　　　　2.6 本章小结
　　第 3 章 汽车防撞预警系统的模型搭建
　　　　3.1 ZigBee 通信模型的构建
　　　　3.2 安全距离模型的构建
　　　　　　3.2.1 安全距离模型
　　　　　　3.2.2 驾驶场景与预警策略
　　　　3.3 车辆相对定位模型的构建
　　　　　　3.3.1 GPS 坐标变换
　　　　　　3.3.2 车辆相对定位及 UKF 滤波算法
　　　　3.4 基于 Stateflow 的驾驶员初级意图识别模型的构建
　　　　　　3.4.1 Stateflow 基本流程图
　　　　　　3.4.2 系统模型
　　　　3.5 本章小结
　　第 4 章 汽车防撞预警系统的仿真测试与分析
　　　　4.1 ZigBee 通信测试与分析
　　　　　　4.1.1 静态通信测试
　　　　　　4.1.2 动态通信测试
　　　　4.2 安全距离模型测试与分析
　　　　　　4.2.1 联合仿真
　　　　　　4.2.2 预警系统实际道路测试
　　　　4.3 车辆定位测试与分析
　　　　　　4.3.1 GPS 性能测试
　　　　　　4.3.2 车辆定位测试
　　　　4.4 驾驶员初级意图识别模型测试与分析
　　　　　　4.4.1 车辆直线行驶
　　　　　　4.4.2 车辆驶过 S 型弯路
　　　　　　4.4.3 转弯行驶过程中车辆的安全性评估
　　　　　　4.4.4 初级意图识别实际道路测试
　　　　4.5 本章小结
　　第 5 章 全文总结与未来展望
　　参考文献
　　在学期间所取得的科研成果
　　致谢

（如您需要查看本篇毕业设计全文，请您联系客服索取）