基于DSP和GPS的车辆监控系统设计
摘要: 在车辆监控系统中, 利用GPS 能够全天候、连续、实时地获得高精度的三维位置航向和速度信息。但是, GPS 卫星信号在隧道和山谷容易受到遮挡, 通过GPS 接收机不能获得连续准确的导航信息。为解决此类问题, 讨论了利用滤波算法辅助GPS 进行定位, 弥补了GPS 的缺陷。介绍了车辆监控系统的原理和数学模型, 给出了基于DSP 的车辆监控系统的硬件组成和软件编程, 实现了车辆监控的组合方法。
关键词:DSP; 车辆监控; GPS; 滤波算法
引 言
在车辆监控系统中, 利用GPS (Global Po sit ionSystem ) 能够全天候、连续、实时地获得高精度的三维位置航向和速度信息。
但是, GPS 卫星信号在隧道和山谷容易受到遮挡, 通过GPS 接收机不能获得连续准确的导航信息。利用陀螺仪和里程仪组成惯性导航装置, 能够自主地完成列车的位置和航向的连续推算, 提供短时间内高精度的位置和航向信息, 但是传感器在长时间工作过程中, 不可避免地存在漂移误差影响。这些元件误差会直接导致导航系统定位误差增大, 动态定位的精度降低, 因此, 传感器参数的动态补偿问题, 一直是影响组合导航系统精度的关键因素。
自80 年代以来, 国内外广泛开展了多信息融合技术尤其是传感器参数的动态补偿方法的研究。 研究方向主要是以下两个方面:
一方面是利用地图信息尤其是典型路况信息( 道路节点的位置和道路的航向信息) 和自车状态 (停车、匀速转弯、长直路匀速行驶等) , 完成传感器误差的补偿。这种方法的优点是算法简单, 对误差项的常值漂移(即静态漂移) 补偿效果比较明显。 缺点是不能有效的补偿误差项的动态漂移及随机漂移,动态性能较差, 而且对地图信息和列车的状态要求较高, 实用性受到一定的限制。
另一方面是利用Kalm an 滤波方法, 把传感器误差作为状态量完成参数的动态补偿, 把陀螺仪零位电压漂移误差和标度因数误差, 用陀螺仪的漂移误差代替, 优点是由于考虑了元件误差滤波后的位置和方向, 精度较高。 缺点是若滤波中断, 没有保留传感器的误差补偿值, 而利用元件参数的初值进行推算, 导航误差将随时间积累, 组合系统的动态精度降低。
本文从多传感器的信息融合角度出发, 采用DSP (D igital Signal P rocesso r) 技术实现系统的滤波, 而导航计算机仅仅实现地图匹配和监控功能。DSP 是专用于数字信号处理的微处理机, 配有专用增强汇编指令集, 编程灵活, 开发较容易, 运算速度高, 与其他单片处理机相比具有高速度、低功耗、高可靠性的特点, 适于进行GPS 信号实时处理。
硬件组成
车辆监控系统中, 方向传感器采用压电晶体陀螺, 距离传感器采用里程计。经数字采样后, 送到DSP 进行滤波处理, 处理后的数据放到双端口RAM .导航计算机从双端口RAM 读出数据进行地图匹配和显示。
DSP 及其外围芯片设计
DSP 及其外围芯片电路原理如图1 所示。作为系统的快速处理的执行者, 微处理器采用TM
高速数据传送与双端口RAM
数据传送包括两个方面的内容: 数据采集系统和下位计算机之间的数据传送; 下位计算机和上位导航计算机之间的通讯。在本系统中使用了程序IˆO 方式, 实现DSP 读取采集系统发送的频率信号,采用双端口RAM 方式将在DSP 中处理后的信号按指定方式发送到上位导航计算机中。
软件编程
DSP 的初始化编程
DSP 的初始化编程就是针对具体的功能要求,重新设定DSP 内部相关的环境变量, 以保证DSP处理器能够按编程者的预定方案进行。在系统程序设计中,DSP 的初始化过程为: (1)DSP 环境变量初始化; (2) 中断初始化编程; (3) TM S
DSP 数据处理模块
DSP 处理器数据处理的核心单元在中断服务程序中完成。这部分程序设计的最终目标为: 在每个中断周期处理一次数据, 每61 组数据进行一次滤波处理, 将处理后的数据发送到双口RAM 存储单元。芯片自身竞争控制机制, 可以避免DSP 和上位导航计算机在读写双口RAM 时, 因竞争导致的读写错误, 这样可以简化通信的编程。
数学模型
Ka lman 滤波算法
车辆监控系统在实现列车行驶智能化时, 主要参考的是各类传感器测量得到的有关机车与前车障碍物的相对距离、相对速度、相对减速度等运动学参数的数据, 而这些数据在测量过程当中由于传感器本身的热噪声、大气干扰和工作条件扰动等因素的影响, 绝大多数都存在测量误差, 所以行之有效的滤波算法, 对于车辆监控系统性能的发挥和提高起着重要作用。
Kalm an 滤波技术自上世纪60 年代出现以来,经过众多领域的实践应用, 显示出了在解决此类问题上的优势, 并在智能车辆系统各单传感器和融合中心的数据处理中也得到了广泛的应用。但是, 由于Kalm an 滤波要求精确已知的模型和噪声统计特性, 但是这些条件在实际应用时, 往往不能事先确定, 所以, Kalman 滤波中模型和噪声统计特性的自适应方法是车辆监控系统的研究重点。
基于问题特点的改进算法
Kalm an 滤波器的应用, 要求只有知道精确的系统数学模型和噪声统计, 才能得到理想的滤波效果。但在实际系统中, 由于系统本身元器件(比如陀螺仪和加速度计) 的不稳定性及外部应用环境不确定因素的影响, 数学模型和统计噪声是未知的或近似的, 或者只是部分已知的, 这将导致状态估值误差增大, 甚至使滤波发散, 这种情况对微惯性器件尤为明显。本系统从实际应用出发, 提出了一种适用于系统噪声协方差阵Q 未知情况下的自适应Kalm an 滤波方法, 并采用这种方法作为组合算法。
自适应滤波算法
状态一步预测方程为
新息序列方程为
新息序列协方差阵方程为
估计系统噪声为
一步预测均方误差方程为
滤波增益方程为
状态估值计算方程为
估计均方误差方程为
组合系统状态方程
本系统采用东北天坐标系, 通过对系统的性能和误差源的分析, 选择以下误差状态变量:
速度误差
, 姿态误差
, 位置误差
, 加速度计误差
, 陀螺漂移
组合导航系统的状态方程为X = FX + GW
组合系统量测方程
以惯导系统与GPS 接收机的速度和位置之差为量测量, 量测方程为:Z = H X + V
式中: 量测矢量为
; 量测噪声矢量为
仿真实验
仿真参数设置: 初始位置东经118°, 北纬32°;初始失准角在三个方向均0. 15°; 运动状态为朝东北方向以
结 论
当车辆行驶在隧道山区时, GPS 系统定位精度将大大降低, 基于DSP 的组合导航系统, 保证了定位的连续性和可靠性。另一方面, 用分布式结构的上、下位机结构来代替单一的导航计算机, 能在不加重计算机负担的情况下实现复杂的滤波算法, 且成本较低。
图5北向速度误差
改进后的自适应滤波算法, 对系统数学模型和先验噪声统计特性的依赖性降低, 在系统噪声协方差阵未知的情况下, 滤波器的收敛性仍然很好,增强了系统的自适应性。
相关推荐
