一种低功耗双磁阻节点互补车辆检测方法*

王 玮,沈继忠*,董利达

(1.浙江大学信息与电子工程学系,杭州 310027;2.杭州师范大学信息科学与工程学院,杭州 310012)



一种低功耗双磁阻节点互补车辆检测方法*

王 玮1,沈继忠1*,董利达2

(1.浙江大学信息与电子工程学系,杭州 310027;2.杭州师范大学信息科学与工程学院,杭州 310012)

针对目前磁阻车辆检测存在检测节点寿命不足的问题,结合实际车流量和车速检测需求,提出了一种双磁阻节点互补的低功耗车辆检测方法。该方法在已有检测系统节点布设方案基础上,结合了动态采样间隔策略与节点轮流互补工作方式,可大幅减少节点功耗浪费。在互补检测框架下设计了基于多中间状态机的车流量检测算法,并提出利用信号相似性测速的算法。经分析得到互补检测参数设定方法,可根据不同路段和时段最大车速灵活调整参数,并证明了对无车时功耗节省幅度可超过90%。实验结果表明,互补检测下车流量准确率高,鲁棒性好,车速检测可满足交通信息采集需求,互补检测在实际不同密度车流下均有显著降耗效果。

车辆检测;磁阻传感器;低功耗;双节点互补检测

车辆检测是智能交通系统中的关键技术之一,可用于采集道路上的车流量、车速、占有率等重要信息[1]。在常用的检测手段中,视频检测精度易受光线和天气影响,感应线圈精度高但布设维护都需开凿路面,超声波、雷达检测易受周围环境影响[2]。此外这些手段功耗大,安装维护成本也高[3]。基于无线传感网络的磁阻检测具有灵敏度高、体积小且受环境影响小的特点,因此相关的研究以及产品开发正逐渐增多[4-8]。然而磁阻检测节点自身携带电量有限,使用寿命问题仍然是制约磁阻检测推广的一个主要因素。

对于磁阻车辆检测器功耗和寿命的研究包含了软硬件、通信、系统架构等多个方面。Sifuentes E等[9]引入了功耗极低的红外传感器进行检测,当检测有疑似车辆时才唤醒磁阻传感器工作,该方法节点功耗随车流量增大而显著增加,且红外传感器易受环境影响。在通信方面,许多学者利用节点网络拓扑具有集中控制的特点设计了基于时分控制的专用协议来提高数据收发效率[10-11]。Yoo等[12-13]提出根据信号波动情况动态调整采样率,但并未对降耗能力进行深入分析和优化。Nan D等[14]提出三节点检测模型,主节点检测到车辆时通过射频唤醒下游两个从节点工作,然而主节点在车辆离开从节点前必须保持射频监听致使大量功耗浪费。文献[15]的车辆检测节点以软硬件设计为切入点有效控制了节点总功耗,但其采样功耗占比接近50%,且难以从软硬件层面继续降低功耗。

针对目前存在的节点功耗大影响使用寿命的问题,从算法和架构上提出一种双节点互补检测方法以降低节点功耗。首先介绍互补检测的基本思想和原理,并提出了互补检测框架下的车流量和车速检测算法,然后分析了互补法的参数及功耗,最后进行了实验测试。

1 磁阻车辆检测

含有铁磁物质的车辆会对周围背景地磁场产生偏移或扰动是磁阻车辆检测的理论依据。检测节点每固定间隔从睡眠中唤醒并对传感信号进行一次采样,通过阈值算法对信号时域采样序列处理后可判断是否有车存在,并记录扰动信号的开始和结束时刻,即车辆进入和离开检测范围的时刻。为适应速度较快的车辆,采样率通常高达几十到上百Hz[16]。

图1 节点布设示意图

目前常规的磁阻车辆检测方案在每一车道内布设两个检测节点,检测车流量的同时也能实现两点测速,其基本模型如图1所示[17-18]。图1中检测节点A和B可布置在单条车道中间或路边,将车辆检测结果以无线方式实时发送至汇聚节点AP;AP作为时钟源为所有检测节点提供时间同步,将检测节点的结果融合后获取车道车流量信息并计算车速。本文提出的双节点互补检测法基本不需改动目前常用的节点布设方案,仅需保证两检测节点间的物理距离S小于车辆的最小长度L。为便于分析,设车辆在行驶方向上依次经过A和B。

2 唤醒互补检测原理

已有常规检测方法多使用固定采样率,即使在无车经过的空闲时段也按常规采样率进行采样,导致功耗浪费严重,而采样功耗占无线传感节点总功耗比重较大[19],对节点寿命非常不利。此外,常规检测方法下单个节点即可实现车流量检测,因此已有双节点结构存在很大冗余,检测效率不高。

图2 两节点互补检测时序

为减少功耗浪费本文提出基于两节点互补的动态采样间隔策略,无车空闲时节点A、B均以T为周期轮流唤醒,即均以T为周期采样检测,若采样值经检测后确定有车或疑似有车,则以常规采样间隔TS为周期采样检测直至车辆离开或确认无车。一般有T≫TS,这样可使无车空闲时的功耗大幅降低。图2示意了一辆车经过两节点时的情形,在无车空闲时两节点的唤醒采样表现为轮流互补的时序。两节点按图2所示采样时序各自执行检测,保存车辆到达节点时刻Tarrive和离开时刻Tleave,并连同车辆经过期间的采样数据作为车辆记录上传至AP。由于无车空闲时采样间隔T较大,不能保证每一辆车驶过时在两个节点上都能被检测到,需要对两节点车辆记录进行互补融合来弥补单个节点车流量检测的不足。融合主要目的是判断来自两节点的记录是否代表同一辆车,若两记录在时间上吻合则合并为一辆车后计入流量,否则视为两辆分别计入。车速由距离S和车辆驶过两节点的时间差计算得来,若车辆在两节点上均被检测到,根据信号在两节点上相似的特点,通过平移匹配可得到时间差。

3 检测算法及实现

常规检测方法主要依赖于单个节点,而互补法检测时更需要两节点的密切配合,因此在互补框架下需重新设计检测算法。

3.1 车流量检测算法

ATDA自适应阈值检测算法是加州伯克利大学DING等[20]提出的基于多中间状态机的车流量检测算法,本文提出基于ATDA的改进算法用于互补检测。以x、y、z分别表示磁阻传感器XYZ三轴信号相对于背景磁场的净变化量,ATDA算法基于单轴变化量,车辆信号显著性弱在低采样率下易漏检,因此本文将三轴净变化量的绝对和用于检测算法输入:

mag=|x|+|y|+|z|

(1)

图3 检测算法状态机图

本文采用非线性的滑动中值滤波法跟踪背景基线,滑动窗口设为10 s。由于实际车辆磁信号存在较多波动,用简单阈值法检测车辆到达和离开易导致误判,为此引入状态机处理输入信号。在互补检测下对ATDA算法的状态机改进后如图3所示。状态机共包含5个状态,每次采样后计算得到mag值并输入状态机与幅度阈值TH进行比较,根据比较结果以及当前状态来决定次态。状态机初始状态为nocar,若检测到mag超过TH的n倍时可由无车nocar直接跳转为car状态,若mag超过TH的次数达到N时也可经由状态count1跳转为car状态。中间状态count0用于消除伪信号干扰,count00用于消除car到nocar过渡期间的抖动,这两个状态下mag连续M次低于阈值可判定为无车状态,count0与count00计数变量在跳出状态时清零,count1变量在跳转无车状态时清零。M×TS对应于前后车最小时间间距,通常大于司机刹车反映时间,根据经验取0.2 s。无车空闲时,若采样检测后输出状态为car或count1,则节点以常规采样率继续采样检测直至某次检测输出为nocar。

互补法在AP上对节点A、B的车辆记录进行融合,设节点A和B上车辆到达和离开的时刻分别为TA,arrive,TA,leave和TB,arrive,TB,leave,当两个记录的时刻满足以下任意一个条件时应融合为同一辆车:

(TB,arrive

(2)

(TB,arrive>TA,leave)&&(TB,leave-TA,leave-T1

(3)

式(2)表示两个记录在时间上有交集,即B在车辆离开A之前检测到车辆,并且A上的离开时刻早于B的离开时刻,可断定为同一辆车。式(3)表示两个记录时间上无交集,可先假设是连续经过的两辆车,若前后车的时间间距无法满足实际最小间距值,也可断定两记录是同一辆车。

3.2 测速算法

在常规检测方法下测量速度时,能确定车辆在两节点上到达和离开的确切时刻,若不计同步误差则车辆驶过两点的平均时间差为[21]:

ΔT=(TB,arrive-TA,arrive+TB,leave-TA,leave)/2

(4)

互补法在无车时采样间隔较长,车辆首次被采样检测到的时刻与真实到达时刻可能误差较大,因此时间差应根据离开时刻计算:

ΔT=TB,leave-TA,leave

(5)

互补检测下可采用式(5)的时间差计算车速,但误差相对较大,本文利用车辆经过时在两节点上mag信号波形相似的特点对式(5)时间差进行修正。图4所示为实地采集到的一辆车经过时在A和B上的mag信号,虽然两段信号都不完整并且对应点在幅度上有一些误差,但平移后有部分信号吻合度较高可以实现匹配。

图4 两节点实地采集信号图

利用上述波形相似特点,通过平移匹配来获取更准确的时间差,测速算法如下:

步骤1:获取同辆车在A、B节点上采集到的mag信号序列以及离开时刻TA,leave和TB,leave,将两信号序列以离开时刻为准对齐。

步骤2:其中一段信号序列相对另一序列前后平移offset个采样点,同时序列相交部分的长度应满足len≥min(lenA/2,lenB/2),其中lenA,lenB分别为两节点检测到的车辆序列长度。两序列相交部分对应采样点的信号相减求绝对差,以绝对差之和的平均作为匹配距离dist。

步骤3:求出所有平移位置后产生的dist,找到最小的dist及其对应的offset,计算时间差:

ΔT=TB,leave-TA,leave+offset

(6)

由于上述测速算法主要涉及加减运算,计算复杂度较低,因此可满足节点实时处理。

4 性能分析

4.1 参数选取

参数选取目的是通过分析获得最优参数的设定方法。下面分别从车流量计数和测速两个方面来分析速度对互补检测的影响。

对于车流量检测,至少应有一个节点检测到车辆,设车速超过某一上限Vm时可能在A、B处都漏检,而两点均漏检可能发生在T1或T2内,2种情形分别如图5(a)和图5(b)所示。图5(a)中车速超过Vm时,车头在节点A刚进入T1睡眠时到达或即将到达A,造成A处漏检,若要B处也漏检,则需在T1结束前保证车尾驶过B,即T1内至少行驶距离L+S;类似地,图5(b)中车头在B刚进入T2睡眠时已驶过A,并且刚好或即将到达B,造成B处漏检,此时由于L>S,车体仍有部分在A上方,若要A也漏检,则需在T1结束前至少保证车尾驶过距离L-S。2种情形下的临界条件为:

T1=(L+S)/Vm
T2=(L-S)/Vm
T=T1+T2=2×L/Vm

(7)

图5 车流量检测漏检情形

原理上流量检测中速度V

对于测速,要求两节点都能检测到车辆,由于互补法两节点在无车空闲时段均以T为周期采样,需满足对任一节点在T期间不漏检车辆。设车速V

Vn=L/T=Vm/2

(8)

因此原理上对于速度V

式(7)和式(8)提供了互补法睡眠唤醒最佳参数的设置方法,由于S、L通常是给定值,因此参数T、T1、T2、Vn均由速度上限Vm决定,在中低速路段Vm可取较小值保证较长睡眠时间,高速路段Vm可适当提高以避免漏检车辆,针对不同车流状况和应用需求,可依据最大车速方便地对参数进行手工设定或自适应调整。

4.2 功耗分析

节点实际采样检测的功耗包含了无车空闲和车辆经过期间两部分功耗。在车辆经过期间,互补检测方法与常规采样率检测方法的功耗近似相等,而无车空闲时,2种方法采样率不同因此功耗差异很大。为便于分析定义互补检测法功耗P互补与常规检测方法功耗P常规之比为相对功耗R。用rt代表车道时间占有率,其定义为在道路的观测断面上车辆累计通过时间与测定时间的比值[22]。相对功耗R的理论最大值为:

(9)

式(9)中fS为常规采样率,本文取fS=100 Hz,车辆长度L一般大于2 m,节点间隔S设定为1.5 m。由于有车经过期间的功耗由占有率rt决定,该部分功耗取决于实际交通状况,因此难以深度优化,而无车空闲功耗则有很大的优化调整空间。式(9)中当rt等于0即无车通过或无车空闲时的相对功耗为:

R无车=Vm/(2×fS×L)

(10)

由于主要变量是车流量检测速度上限Vm,通过仿真得到无车空闲的相对功耗R无车如图6所示。由图6可知从中低速的城市道路到高速公路,互补法对无车空闲功耗的节省幅度都可达90%以上。

若仅在单个节点上使用动态采样间隔策略[12],无车采样间隔为L/Vm,而同样的速度上限,互补法通过两节点的配合可使无车采样间隔增加一倍,充分利用了双节点结构的冗余性来降低无车功耗,同时还保留了两点测速能力。互补法的前提是节点时间同步,而同步机制内嵌于通信协议中,因此没有额外的射频开销。此外对于雷达、超声波等其他车检方法,如果能实现前后两个检测器/传感器的时间同步,也可采用互补法检测达到节能的目的。

图6 不同L下的相对功耗

5 实验和结果

5.1 实验条件

实验所用无线节点平台基于MSP430单片机和nRF24L01射频芯片,使用了HMC5883L三轴磁阻传感器。实验采用的是实地采集车辆信号数据,然后离线分析验证的方法。采集地点位于杭州市玉古路南段,该路段车速小于60 km/h,两个检测节点放置于路边,由汇聚节点提供同步时钟。MSP430通过I2C接口与HMC5883L通信,控制采样和获取数据,并将采样数据保存在节点的NandFlash内。采集数据上传至PC后在MATLAB中实现算法并测试。

5.2 结果和分析

测试数据中实际经过的车辆总数为263辆,采集地点车速小于60 km/h,算法在常规采样率检测以及互补检测下的结果如表1所示。其中常规采样率检测结果为257辆,6辆漏检是由近距离前后车信号相连导致,表明检测特征量mag虽然连续性很显著但本地性稍差。采用本文提出的互补检测,取不同的Vm值进行测试,当Vm为40 km/h及以上时,即使A、B节点有少量漏检车辆,两点流量融合互补后总体检测准确率仍与常规采样率检测时持平。当取Vm为20 km/h时,许多经过车辆车速已超过Vm,A、B节点各自漏检严重,符合4.1小节的分析;但在互补融合后总体检测准确率的降低并不明显,表明算法具有较强的鲁棒性。相同的节点放置条件下,文献[5]基于互相关匹配的算法准确率约为93.3%,因此本文算法在Vm选取得当时准确率高出约4.4%,且较文献[5]算法具有更低的复杂度。

表1 车流量检测结果

车速算法测试采用30辆车作为样本,比较了3种测速算法的结果。设V1是常规采样检测下由式(4)时间差计算的速度,V2是互补法下由式(5)计算的速度,V3是提出的利用信号相似匹配由式(6)计算的速度。采用互补法检测V2和V3时取Vm为120km/h,测得所有样本的车速如图7所示。经计算,与常规测速方法获得的V1相比,V2平均误差为7.94km/h,且V2稳定性表现较差;而速度V3与V1一致性较好,平均误差仅为3.74km/h。因此V2速度可在对车速精度要求较低时采用,若对速度误差有一定要求可采用V3速度。

图7 不同测速算法结果

实验还在3个不同路段采集数据来测试车流密度对降耗效果的影响。经折合计算,路段1车流量为1 110辆/h,道路时间占有率rt=32.4%,路段2流量620辆/h,rt=19.3%,路段3车流量220辆/h,rt=7.8%。以常规采样率检测的功耗作为对比,表2为所测得互补检测法在不同Vm取值时3个路段的相对功耗情况。

表2中R无车代表无车空闲时的相对功耗,R有车代表车辆经过期间的相对功耗,以上两部分之和为总相对功耗R总。对于同一路段,在常规采样率检测下R有车等于rt,在互补检测下R有车小于但近似等于rt,R无车则随Vm线性减小,总相对功耗与式(9)基本相符。不同路段间,本文提出的互补检测法总相对功耗会随时间占有率近似线性增加,但与常规检测方法相比即使在车流密集时也具有显著的降耗效果,总功耗节省幅度仍可达50%以上。

表2 不同条件下的测得的相对功耗

6 结论

本文提出基于双磁阻车辆检测节点的动态采样间隔和唤醒互补检测工作方式,并提出互补框架下的车流量检测算法和测速算法,与常规检测方法相比充分发挥了已有双节点架构的冗余特性,提高了检测效率。互补检测方法可根据不同路段和时段的车速灵活调整参数,对无车空闲时的功耗节省幅度可超过90%,由于检测节点传感功耗比重较大,引入互补检测可有效延长其工作寿命。实验结果表明本文算法准确率高,车流密集时也有很好的降耗效果,能够满足实际需求。此外,互补检测的思想可推广到雷达等其他车辆检测方法中,对节能降耗具有重要意义。下一步工作将研究提高节点对前后车过近等特殊情形的检测性能,增强其对各种交通场合的适应性。

[1] Tubaishat M,Zhuang P,Qi Q,et al.Wireless Sensor Networks in Intelligent Transportation Systems[J].Wireless Communications and Mobile Computing,2009,9(3):287-302.

[2]杨波,邹富强.异向性磁阻传感器检测车流量的新方法[J].浙江大学学报(工学版),2011,45(12):2109-2114.

[3]杨晓明,李宗津.基于水泥基压电传感器的车辆监测研究[J].传感技术学报,2013,26(2):266-270.

[4]Pascale A,Nicoli M,Deflorio F,et al.Wireless Sensor Networks for Traffic Management and Road Safety[J].IET Intelligent Transport Systems,2012,6(1):67-77.

[5]Zhang Lei,Wang Rui,Cui Li.Real-Time Traffic Monitoring with Magnetic Sensor Networks[J].Journal of Information Science and Engineering,2011,27(4):1473-1486.

[6]杨波,尼文斌.基于异向性磁阻传感器的车辆检测与车型分类[J].仪器仪表学报,2013,34(3):537-544.

[7]Daubaras A,Zilys M.Vehicle Detection Based on Magneto-Resistive Magnetic Field Sensor[J].Electronics and Electrical Engineering,2012,118(2):27-32.

[8]Ghislain P,Carona D,Serrador A,et al.Wireless Magnetic Based Sensor System for Vehicles Traffic Data Collection[J].ISEL Academic Journal of Electronics Telecommunications and Computers,2013,2(1):ID-7.

[9]Sifuentes E,Casas O,Pallas-Areny R.Wireless Magnetic Sensor Node for Vehicle Detection With Optical Wake Up[J].Sensors Journal,2011,11(8):1669-1676.

[10]徐立锋.基于无线传感器网络技术在交通信息采集系统的应用[J].计算机应用与软件,2012,29(4):236-241.

[11]Ergen S C,Varaiya P.PEDAMACS:Power Efficient and Delay Aware Medium Access Protocol for Sensor Networks[J].IEEE Transactions on Mobile Computing,2006,5(7):920-930.

[12]Zhang Z,Li X,Yuan H,et al.A Street Parking System Using Wireless Sensor Networks[J].International Journal of Distributed Sensor Networks,2013:ID-107975.

[13]JaeJun Yoo,DoHyun Kim,KyoungHo Kim,et al.On-Road Wireless Sensor Networks for Traffic Surveillance[C]//MOBILITY 2012:The Second International Conference on Mobile Services,2012:131-135.

[14]Nan D,Guozhen T,Honglian M,et al.Low-Power Vehicle Speed Estimation Algorithm Based on WSN[C]//11th International IEEE Conference on Intelligent Transportation Systems(ITSC),2008:1015-1020.

[15]王玮,沈继忠,董利达.自供电磁阻车辆检测节点设计[J].传感技术学报,2013,26(12):1734-1739.

[16]Haoui A,Kavaler R,Varaiya P.Wireless Magnetic Sensors for Traffic Surveillance[J].Transportation Research Part C:Emerging Technologies,2008,16(3):294-306.

[17]Sing-Yiu Cheung,Pravin Varaiya.Traffic Surveillance by Wireless Sensor Networks:Final Report[R].University of California,Berkeley,Jan.2007.

[18]Bottero M,Dalla Chiara B,Deflorio F P.Wireless Sensor Networks for Traffic Monitoring in a Logistic Centre[J].Transportation Research Part C:Emerging Technologies,2013,26:99-124.

[19]孙立民,李建中,陈渝,等.无线传感器网络[M].北京:清华大学出版社,2005.

[20]Jiagen Ding,Sing-Yiu Cheung,Chin-Woo Tan,et al.Signal Process-ing of Sensor Node Data for Vehicle Detection[C]//7th International IEEE Conference on Intelligent Transportation System,2004:70-75.

[21]Isaksson M.Vehicle Detection Using Anisotropic Magnetoresistors[R].Chalmers University of Technology,Sweden,2008.

[22]任福田,刘小明,荣建,等.交通工程学[M].北京:人民交通出版社,2003.

王玮(1989-),男,硕士研究生,主要研究方向为无线传感器网络,oneway@zju.edu.cn;

沈继忠(1965-),男,博士,教授,主要研究方向为无线传感器网络,BCI,数字集成电路与系统设计,jzshen@zju.edu.cn;

董利达(1970-),男,博士,副教授,主要研究方向为无线传感器网络、Petri网理论,Lddong2002@163.com。

ALowPowerVehicleDetectionMethodBasedonDualComplementaryMagneto-ResistiveSensorNodes*

WANGWei1,SHENJizhong1*,DONGLida2

(1.Department of Information Science and Electronic Engineering,Zhejiang University,Hangzhou 310027,China;2.Institute of Service Engineering,Hangzhou Normal University,Hangzhou 310027,China)

In terms of the issue that magneto-resistive sensor nodes have limited working life in vehicle detection,a low power detection method of dual complementary magneto-resistive sensor nodes was proposed to meet the requirements of actual traffic volume and speed detection.This method does not change the nodes layout scheme of existing detection system,with the use of dynamic sampling intervals and alternate complementary work mode to significantly reduce power consumption in idle state.In the framework of complementary detection,traffic volume algorithm was designed based on multiple intermediate state machine,and velocity algorithm was designed based on signal similarity.Upon analysis of the method,detection parameters can be flexibly adjusted according to the maximum speed of different sections and periods,and the magnitude of power savings can exceed 90% in idle state.Experimental results show that traffic volume algorithm features high accuracy,robustness,the velocity detection can meet the demand of traffic information collection,and the complementary method achieves good power performance under different traffic density.

vehicle detection;magneto-resistive sensor;low power;dual complementary nodes

项目来源:国家自然科学基金项目(61071062,61271124);浙江省自然科学基金项目(LY13F010001)

2014-01-27修改日期:2014-05-17

10.3969/j.issn.1004-1699.2014.06.011

TP212.9;TP393

:A

:1004-1699(2014)06-0763-07