磁与超声波复合车辆位置识别算法

朱海洋，张 合，马少杰

（南京理工大学智能弹药技术国防重点学科实验室，江苏 南京 210094）

0 引言

车辆探测技术是智能交通系统的一项关键技术。车辆探测的传感器分为两种［1-2］：第一种是侵入式传感器，包括感应线圈、磁力计、微环探针、压电线缆、动态称重传感器等；第二种是非侵入式传感器，包括视频图像、微波雷达、激光雷达、被动红外线阵列、超声波雷达、被动声阵列以及几种传感器的复合。然而有线传感器网络因其布设和维护费用较高，不能被广泛应用。因此研究经济型好、能自动值守的无线传感器网络（Wireless Sensor Network，WSN）技术对车辆进行大范围实时监控［2-4］显得尤为重要。无线传感器网络车辆探测技术不仅在智能交通系统（Intelligent Transportation System，ITS）中有着广泛研究，其在军事领域也有巨大的潜力，如无人值守传感器系统［5］、网络化智能雷等。WSN 节点可通过机载布撒器、火箭、导弹等平台进行远程部署，落地后可自主探测、识别和打击敌方快速行进的机械化部队，并能遥控起爆或在规定的值守时间后自毁，是一种远距离拦阻和截击敌方车辆的有效武器。自组织网络体系结构主要基于覆盖和连通性的要求［6］，且节点探测方式与ITS 中的车辆探测不同，节点不仅要探测目标，而且要求实现对目标的最大毁伤效果，这就要求传感器节点能够识别出最佳触发位置。磁传感器因其对车辆敏感，体积小，且不受外界雨雪雾的影响，被广泛地应用于车辆探测系统中［7-8］。但是由于WSN 节点落地状态的差异性，导致传统的磁探测效果不佳，并且单一磁探测无法精确识别车辆位置。另外战场上产生的磁场复杂，要准确识别车辆位置的困难很大。本文针对上述问题，提出了磁与超声波复合车辆位置探测方案。

1 磁轴偏转对探测性能的影响

地球磁场在几公里范围内可视为均匀分布，当铁磁目标经过时会对周围磁场产生扰动，车辆磁探测就是利用这种扰动识别和定位目标的。目前车辆磁探测主要是利用单轴磁信号幅值、单轴磁信号梯度或是磁偏角的变化量来进行探测的。

AMR 传感器的误差可分为自身误差和环境误差［9-11］。可抛撒的无线磁传感器节点，由于其落地姿态不可预知，使得磁轴发生偏转，对探测性能有一定的影响［12］。车辆磁探测模型如图1所示。地磁总磁场强度B、水平分量BH、垂直分量Bz、磁偏角D 为水平分量BH与x 轴的夹角，磁倾角I 为B 与BH的夹角。坐标x′y′z′是坐标xyz 经过章动角θ、进动角ψ 和自转角φ 旋转而得。

图1 车辆磁探测模型Fig.1 Model for vehicle detection

地磁场强度在旋转坐标系下的表达式：

自转角对磁场垂直分量和磁偏角的变化没有影响，而章动角和进动角对其影响较大。令φ=0从而简化模型，根据式（1）可以得出：

为明确磁轴偏转对垂直分量Bz′和磁偏角D′的影响大小，选取某一特定的磁场强度B，令Bx=By=Bz，则Bz′／Bz、D′随章动角和进动角的变化如图2、图3所示。

图2 磁传感器偏转对z轴分量的影响Fig.2 The influence of magnetic sensor deflection to Zaxis

由图2可以看出，垂直分量Bz′随着进动角周期性的变化，章动角增大，Bz′的变化范围也随之增大。进动角ψ等于3π／4和7π／4时，垂直分量出现两个峰值，在较大的章动角的影响下，其峰峰值甚至达到了标准坐标系下垂直分量Bz的2倍。由图3可以看出，在进动角ψ 等于π／2和π时，磁偏角的偏差可达到45°。另外，峰值出现的位置和大小也会随着外界磁场强度而变化，更增加了Bz′和D′的不确定性。

图3 磁传感器偏转对磁偏角D 的影响Fig.3 The influence of magnetic sensor deflection to magnetic declination

考虑到WSN 节点落地后姿态各异，无法满足z轴垂直度和x、y轴指向性的要求，而总磁场强度的幅值并不会随着坐标系的旋转而变化。故采用三轴各向异性磁阻传感器合成的总磁场强度作为探测信号，从而更加全面和稳定地反映目标对地磁场的扰动效应［13］。但是无论采用Bz、D 或B 的单一磁探测均无法精确识别车辆位置，从而选择最佳触发位置，故本文设计了磁与超声复合传感器节点。

2 磁与超声波复合传感器节点设计

2.1 系统结构及工作原理

无线磁／超声波复合传感器节点的主要部分是无线数据传输模块、超声波收发电路、三轴各向异性磁 阻 传 感 器 （Anisotropic Magnetoresistive，AMR）、电源模块和控制芯片。图4为无线磁与超声复合探测节点的组合原理图。

图4 无线磁与超声复合传感器节点结构图Fig.4 Structure chart of wireless magnetic and ultrasonic compound sensor node

各向异性磁阻传感器具有体积小、成本低、抗冲击能力强、分辨率高等特点。超声波基本上沿直线传播，具有束射和反射特性。另外其性能几乎不受光线、粉尘、烟雾、电磁干扰和有毒气体的影响。超声波测距的原理是渡越时间法（Time of Flight，TOF），根据超声波发射后的回波时间来计算距离。本文采用反相器驱动超声波发射，回波放大后经过比较器变成控制芯片可识别的电压信号，如图5所示。

磁传感器感知目标的临近唤醒超声波测距模块，当车辆从上方通过时，融合磁信号与超声波测距信号识别出车辆位置。传感器节点可通过无线网络向网关节点发送探测情况和自身状态，由网关节点汇集所有信息后通过卫星或无人机向远程数据中心汇报。数据链也可反向传输，从而实现对WSN 远距离监视和控制。

图5 超声波收发电路原理图Fig.5 Schematic of ultrasonic transceiver circuit

2.2 复合探测车辆位置识别算法

传感器节点只有在车辆底部作用时才能达到最佳毁伤效果，所以传感器节点要能够识别车辆位置。本文设计了磁与超声复合传感器节点，通过改进的多中间状态机算法［1，14］以满足传感器节点可靠性、瞬发性的作用要求。通过合理地、实时地切换主被动传感器［15］，使得在有限时域内，定位精度和值守时间达到合理的平衡。

多中间状态机包括7个状态：No＿Target、Recognition、Position＿Control、Position＿Confirm、Count0、Count1 和Count2。被测信号为B（k），阈值为Bmin；Recognition状态中采用超声波探测，当US=1代表正上方有目标，US=0代表正上方没目标；状态机中Count0、Count1 和Count2 各设置了一个计数器，并设定阈值M 、N ，每当发生状态转换时计数器清零。

工作过程为：起始状态为No＿Target，若B（k）≤Bmin保持在该状态；当B（k）＞Bmin时，进入Count0状态；进入Count0后，若B（k）≤Bmin跳至Count1，否则对连续的B（k）＞Bmin进行计数，当累积 值Count0 ≥M 时，跳 至Recognition；进 入Count1后，对连续出现的B（k）≤Bmin进行计数，当累积值Count1≥N 时，进入No＿Target，否则返回Count0；进入Recognition 后，若US = 0，返回Count0状态，否则进入Position＿Control状态；进入Position＿Control状态，当同时满足B（k）＜B（k-1）和US=1时，即为车辆中间位置；而在Position＿Control状态出现B（k）≤Bmin时，进入Count2，如果B（k）≤Bmin连续超过N 次，则返回到No＿Target状态。M 和N 是经验值，取M=N=5。改进后的状态机算法如图6所示，多状态的存在不仅提高了检测精度，而且提高了算法的鲁棒性和可靠性。

图7为车辆位置识别示意图。在无目标状态和预警状态下，超声波电路处于休眠，预警状态能够唤醒超声波检测，减少了超声波电路的工作时间，降低了功耗。加入count1计数器能够有效地滤除干扰，避免了虚警而导致的能源浪费，延长了值守时间；识别判断状态能够确保目标是从正上方通过，消除了目标从旁边经过时对探测系统的影响；触发状态融合了磁与超声两路信号，在确保目标在正上方的前提下，选择在目标中间位置时触发。

而由图8的各种算法性能比较中可以看出，阈值法和能量法的车辆识别位置为波形峰值处，但是单轴磁分量的峰值并不能代表目标的中间位置，导致早触发或晚触发的现象发生。频域法虽然能改善这种不确定性，但是触发位置依旧不在中间位置。另外频域法、阈值法和能量法均不能确保目标是从正上方通过的。

图6 多中间状态的状态机检测法Fig.6 Improved multi-state machine algorithm

图7 车辆位置识别示意图Fig.7 Schematic diagram of burst-point control

图8 车辆位置识别算法性能比较Fig.8 Comparison of vehicle location identification algorithm performance

3 实验结果及分析

3.1 磁信号对比实验

车辆通过时磁信号为低频信号，本文以普通车辆为研究对象。图9为家用轿车从节点正上方通过的磁信号特性曲线。

图9 从节点正上方通过时特性曲线Fig.9 Intensity curve of target driving through the module

从图9可以看出，使用三轴合成的磁感应强度B 曲线比Bx，By，Bz曲线的幅值更高，且不受传感器节点的排放姿态和车辆行驶方向的影响，其信号更能代表车辆对地磁场的扰动效应。车辆的长度为4.5m，按照同比例换算，Bz曲线有信号时距离车头1m，而B 曲线有信号时距离车头3m。在相同的条件下，延长了预警距离，提供了超声波测距模块的启动时间，也便于后续的算法处理。

3.2 车辆位置识别实验

如图10所示，将传感器节点放置于马路中央，且x，y 轴指向任意。一辆小型轿车长约4.5m，以40km／h的速度从节点侧边0.5m 处和节点正上方通过。更改程序，比较能量法、频域法和磁与超声复合探测法选择触发位置的能力。

图10 试验场景图Fig.10 Test environment

针对三种触发时机控制算法的侧向通过抗干扰性能和正上方通过的触发时机控制能力分别进行了10次实验。触发时，模块通过无线数据传输模块向位于路边的监控点发送状态信息。设定在目标中间触发时的位置为0，早触发为负，晚触发时正。实验结果如表1所示。

表1 试验结果Tab.1 Experimental result

由表1可以看出，能量法虽有较好的侧向通过性能，但目标正上方通过时触发位置过于分散。频域法能够较好地控制触发位置，但在目标侧向通过时虚警率过高。磁与超声复合探测在目标侧向通过时完全没有虚警情况，并且能将目标正上方通过时的触发位置控制在目标中部0.5m 的范围内。

4 结论

本文提出了磁与超声波复合车辆位置探测方案。该方案能够通过改进的多中间状态机算法融合磁与超声波信号，将探测状态区分为无目标状态、预警状态、位置识别状态和触发状态。实验分析表明，该方案克服了节点因落地姿态而导致的磁轴偏转对探测性能的影响，还能识别出车辆中间位置，误差在50cm 范围内，并且能够抑制目标侧向通过时的虚警率。在智能交通、无人值守传感器网络等应用中具有很好的应用前景。

［1］Ding J，Cheung S Y，Tan CH W，et al.Vehicle detection by sensor network nodes［R］.US：California Partners for Advanced Transit and Highways（PATH），2004.

［2］Sifuentes E，Casas O，Areny R.P.Wirelessmagnetic sensor node for vehicle detection with optical wake-up［J］.IEEE Sensors Journal，2011，11（8）：1669-1679.

［3］Wang R，Zhang L，Sun R L，et al.EasiTia：A pervasive traffic information acquisition system based on wireless sensor networks［J］.IEEE Transactions on Intelligent Systems，2011，12（2）：615-621

［4］Wang R，Zhang L，Xiao K J，et al.EasiSee：real-time vehicle classification and counting via low-cost collaborative sensing［J］.IEEE Transactions on Intelligent Transportation Systems，2014，15（1）：414-424.

［5］William P E，Hoffman M W.Classification ofmilitary ground vehicles using time domain harmonics’amplitudes［J］.IEEE Transaction on Instrumentation and Measurement，2011，60（11）：3720-3731.

［6］寇明延，熊华钢，李峭等.面向任务能力的自组织网络体系结构［J］.系统工程与电子技术，2013，35（5）：980-986.

［7］Shen Y，Gao J Q，Hasanyan D，et al.Investigation of vehicle induced magnetic anomaly by triple-axis magnetoelectric sensors［J］.Smart Materials and Structures，2012，21：1-7.

［8］Cheung S Y，Coleri S.Traffic measurement and vehicle classification with a single magnetic sensor［C］／／84thAnnual Meeting Transportation Research Board.Washington DC：［S.n.］，2005.

［9］Pylvanainen T.Automatic and adaptive calibration of 3D field sensor［J］.Applied Mathematical Modeling，2007（8），32：575-587.

［10］Vansconcelos J F，Elkaim G，Silvester C，et al.A gemometric approach to strapdown magnetometer calibration in sensor frame［R］.Guidance and Control of Underwater Vehicles，2008.

［11］孙宏伟，房建成.一种AMR 磁罗盘的误差建模与校准方法［J］.北京航空航天大学学报，2009，35（1）：104-107.

［12］Krohn A，Beigl M，Christian D，et al.Inexpensive and automatic calibration for acceleration sensors［J］.Ubiquitous Computing Systems，2005：245-258.

［13］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.

［14］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（03）：537-544.

［15］单甘霖，张子宁.面向目标跟踪的单平台主被动传感器长期调度［J］.系统工程与电子技术，2014，36（3）：458-463.