基于MEMS传感器的车载组合定位系统设计

李鑫，孟翔飞，王燚

（常熟理工学院电气与自动化工程学院，江苏常熟215500）

基于MEMS传感器的车载组合定位系统设计

李鑫，孟翔飞，王燚

（常熟理工学院电气与自动化工程学院，江苏常熟215500）

车载组合定位是现代汽车常用的定位方式，它通过集成化的传感器及卫星定位系统，实时定位车辆位置，在现代错综复杂的城市交通中有着广泛的应用.本文以微小型车载组合定位系统为对象，设计了基于ARM嵌入式系统的微小型车载组合定位系统，借助MEMS传感器设计的惯性导航系统、GPS导航及相应的融合算法，实现对车辆的实时高精度的定位.

车载组合定位系统；嵌入式系统；MEMS传感器；卡尔曼滤波

车辆定位系统的应用及智能交通系统（ITS）的发展［1-3］，为道路行车提供了最优的选择路线，给人们出行提供了极大的便利.车载组合定位系统是采用车载传感器进行组合定位的实时系统，其原理是利用车辆安装的捷联惯性导航系统（SINS），并利用GPS数据对其进行校正，达到最优定位的效果.随着MEMS技术的发展，以MEMS加速度计及MEMS陀螺仪为惯性测量单元的车载捷联惯性系统得到了广泛的应用.较之传统的车载组合定位系统，基于MEMS传感器的车载组合定位系统，具有结构简单、易于安装、功耗低及可靠性高等优点，目前已成为车载组合定位系统的研究热点，得到了很多学者的关注.

1　系统总体结构

车载组合定位系统是一个复杂的系统，包括传感器的数据采集处理，实时数据融合，并需要完成系统测试及分析.图1为车载组合定位系统总体方案结构图.

首先，系统根据串行通信采集GPS数据，得到ASCII码形式的导航数据，再利用集成在处理器中的解析程序，得到可用数据格式的导航报文，并将其作为SINS的参考定位信息.MEMS传感器采用IIC通信采集，得到车载条件下的车辆加速度及车辆运动角速度.结合航位推算原理，计算SINS的推算定位点，同时利用惯性定位平台姿态确定原理计算车体三轴姿态角，将其作为航位推算的坐标转换矩阵，提高SINS推算精度.当系统解析出GPS数据及SINS定位数据之后，采用基于最小方差原理的卡尔曼滤波实现车载组合定位系统的最优定位，并通过串行通信总线发送数据到ARM嵌入式软件平台上，实时显示当前车辆位置.

图1　系统结构框图

2　系统硬件电路设计

2.1控制器模块电路设计

本系统采用ST公司的STM32F103VET6芯片为控制核心，这是一款基于ARM Cortex-M3内核的控制器，具有丰富的片上外设.内部集成512 K Flash存储和64K RAM存储，CPU主频最高可达72 MHz，具有输入捕捉、输出比较和PWM输出功能，内部集成16路12位AD采样、两通道12位DA输出以及多种总线通信方式，其丰富的IO资源也为本设计提供了便利［4］.它所具有的低功耗模式更是为便携式设备的设计提供了帮助.控制器最小系统设计如图2所示.

图2　系统控制核心电路

由于STM32内部集成了512 K FLASH存储器及64 K RAM存储器，为小型操作系统的移植带来了方便.在设计过程中，可以无需扩展FLASH和RAM就可以满足移植需求，减小了开发难度，降低了开发成本，为系统设计提供了方便.

2.2数据采集模块电路设计

2.2.1MEMS加速度计电路设计

根据所选型号的MEMS加速度计，参照其给出的参考电路可知，加速度计模块硬件设计部分主要需要完成加速度计正常工作时的电路设计，包括通信接口，供电方式和硬件滤波部分.加速度计硬件电路设计如图3所示.

图3　ADXL345硬件电路

图3中，电容C29为电源端的去耦电容；SCL与SDA为IIC通信端口，负责传输载体当前加速度信号；INT1及INT2分别为两个中断源，用于指示处理器当前采样数据是否已更新.

2.2.2磁强计电路设计

磁强计模块硬件设计包括通信接口设计，供电方式设计及硬件滤波电路设计三部分，具体的硬件电路如图4所示.

图4　磁强计硬件电路

图4中，电容C39为电源端去耦电容，电容C37为芯片存储电容，C38为SR电容，信号线SCL和SDA分别为IIC总线的时钟线及数据线，信号线DRDY为数据更新中断，采用内部上拉.整个供电电路采用线性稳压器件，可以使其工作电压保持恒定，减小电源纹波对传感器测量精度的影响.

2.2.3陀螺仪电路设计

陀螺仪模块硬件设计包括通信接口设计，供电方式设计及硬件滤波电路设计三部分，具体的硬件电路图如图5所示.

3　系统软件设计

系统软件总体流程主要是系统运行过程中，软件的执行规则.本设计中，除操作系统自身创建的空闲任务与统计任务外，其余任务均为与设计直接相关的操作.其中系统初始化任务是系统创建的第一个用户任务，负责系统初始化功能，并创建其他任务，优先级最高.数据采集、数据处理、参数显示、数据发送任务优先级依次降低.

设计中采用信号量的方式实现任务间通信，可以达到在未收到信号量的情况下放弃CPU使用权，将使用权交给其他任务，提高系统的实时性.同时结合图形控制模块，将实时地图显示到系统LCD上.结合板载供电系统实现整个系统的稳定运行.系统软件流程图如图6所示.

图6　系统软件流程图

3.1加速度计驱动程序设计

加速度计软件驱动程序设计流程图如图7所示.

图7　加速度计ADXL345驱动程序流程图

（1）在设计加速度计软件驱动程序时，首先要选择其测量范围，根据载体实际所处的环境可以设置相应的测量范围为：±2g，±4g，±8g，±16g，其测量精度均为13位，本设计中采用±2g测量范围.量程选定之后就需要设置加速度计的工作模式，ADXL345拥有低功耗设置，在不使用加速度计采集时，可将加速度计设置为睡眠模式，降低系统功耗.本设计中为方便测量，将其设置为测量模式，即加速度计一直处于采集状态.在数据传输方式上，ADXL也有中断方式及FIFO方式，设计中为节省系统资源采用中断方式采集加速度计数据.ADXL345加速度计采用二进制补码数据格式，在实际使用中还需要将其作相应的转换才能得到所需的加速度值，由于器件本身的缺陷，导致输出数据时常出现临界跳变，在软件设计中也需要做相应的分辨算法，剔除无用数据.由于常值漂移的存在，还可通过设置ADXL345的偏移寄存器，补偿常值漂移.

3.2磁强计驱动程序设计

磁强计HMC5883L初始化软件流程如图8所示.

图8　磁强计HMC5883驱动程序流程图

由于芯片内部自带的数据处理功能，可以选择数据在输出时的采样样本数，达到初步均值滤波，芯片提供的最大采样样本数为8，在此为提高输出速率，选择直接采样输出，即采样样本数设置为1；本设计中采用连续数据输出的方式，输出速率设置为50 Hz，其测量范围设置为±1.3 Ga，最小分辨率为±0.917 mGa.

3.3陀螺仪驱动程序设计

L3G4200D软件初始化流程图如图9所示.

图9　陀螺仪L3G4200D驱动程序流程图

MEMS陀螺仪初始化配置程序主要完成陀螺仪的初始配置，首先是设置数据采样率，即数据输出率，同时需要设置信号带宽及截止频率.然后设置其工作模式，在此可以有多重模式可选.对于本设计，主要设置为正常工作模式.接下来需要完成芯片内部高通滤波器的配置，同时还需设置相应的截止频率.在数据输出上主要有连续采样及中断输出模式，在此为提高系统效率，采用中断采样模式.最后选择测量范围，即可完成初始化配置.

4　GPS/SINS信息融合

GPS与SINS定位信息融合包含两部分内容，首先是根据GPS定位及SINS定位特点建立系统模型，根据系统模型建立卡尔曼滤波器实现定位信息的融合.

4.1组合定位系统模型建立

采用机动载体的“当前”统计模型来描述车辆运动过程中的统计分布［5，6］，这种模型的优越性在于加速度取值范围有一定的约束，当某时刻车辆以某一加速度运动时，它在下一时刻的加速度值只能在该时刻加速度值的邻域内，可用如下公式表示：

由于系统采用二维地图，在实际测量中高度信息将无法表示，故选取组合定位系统的状态变量为，其中xe、xn分别为车辆东向和北向位置分量；ve、vn分别为车辆东向和北向速度分量；ae、an分别为车辆东向和北向加速度分量.以此状态变量可以得到系统连续时间模型：

其中we、wn分别为东向和北向加速度零均值高斯白噪声，方差为分别为东向和北向加速度变化率的相关时间常数；分别为车辆东向和北向加速度分量的“当前”均值.

则实际系统观测方程可表示为：

ve、vn分别是GPS输出的东向和北向位置观测噪声，可近似为均值为零，方差分别为的高斯白噪声；εe、εn分别为SINS输出的东向和北向位置观测噪声，可近似为均值为零，方差为的高斯白噪声.

假设系统采样时间常数为T，将系统状态方程与观测方程离散化：

4.2组合定位系统卡尔曼滤波

根据卡尔曼滤波递推方程以及上述建立的GPS/SINS组合定位系统的状态方程和观测方程，可得到系统递推滤波方程如下［7-9］：

（1）离散卡尔曼滤波器时间更新方程

（2）离散卡尔曼滤波器量测更新方程

其中R（k）与Q（k）分别为：

由上述过程即可得到卡尔曼滤波所需的所有参数，当设定初始P0和初始状态X0后，再由车辆系统实际的特性，设定相应的Q（k）与R（k）即可实现系统实时融合定位，下面假设车辆以初始速度ve=10 m/s、vn=10 m/s沿任意方向运动，根据上述模型及误差，选择滤波参数如下：

采用上述初始数据进行Matlab仿真实验，得到GPS定位与SINS定位相对于真实位置的误差，如图10、图11所示.

图10　GPS定位误差图

图11　SINS推位误差图

采用卡尔曼滤波融合之后，得到融合后的位置误差如图12所示.

图12　GPS/SINS融合之后定位误差图

为比较组合前与组合后的定位精度，采用标准差与误差均值进行表示，可以得到如表1所示的定位误差统计比较结果：

表1中，Em、Nm分别表示东向和北向误差均值；Es、Ns分别为东向和北向误差标准差.从上面分析可以看出由于MEMS传感器精度较差，同时存在数据采样截取精度及采样时间不准等误差，导致直接使用MEMS传感器的推位误差远大于GPS定位误差，但是在短时间内利用MARG系统航向漂移几乎为零的优势可以减小SINS定位误差，同时结合GPS融合算法可以将单纯使用GPS定位精度提高为原来的一倍左右，实现了GPS与SINS定位融合.

表1　定位误差统计比较结果

5　实际跑车实验

通过上面所有系统功能测试之后，确定系统各部分都处于正常工作状态下，对系统进行实地跑车实验，开启系统数据记录功能，将实时采集数据及解算之后的定位数据记录到系统SD卡模块.车辆启动后以20 km/h、30 km/h以及40 km/h的速度沿校园匀速运动，测得车载组合定位系统实际运行效果图如图13所示.

图13　车载组合定位系统实际运行效果图

通过上述跑车实验，对解算的定位数据采用Matlab再现，在绕学校多圈的测试过程中，得到如图14所示的定位信息连线图.

图14　采集数据Matlab绘制轨迹图

通过对测得的数据进行分析，当行驶速度为30 km/h时，组合导航的定位精度可以控制在8m范围内，而随着行驶速度的增加，其定位精度有所降低，当行驶速度为40 km/h时，系统定位精度可以控制在8.5 m范围内，满足了系统设计的目标.

6　总结

本文以基于MEMS惯性传感器的车载组合定位系统设计为课题，以提高车载组合定位精度为目标，设计了基于MEMS惯性传感器与GPS组合定位的定位方式.并测试了系统的测量精度，满足了设计要求.

［1］王笑京，沈鸿飞，汪林.中国智能交通系统发展战略研究［J］.交通运输系统工程与信息，2006，6（4）：9-12.

［2］ELIZABETH DEAKIN，KAREN TRAPENBERG FRICK，ALEXANDERsKABARDONIS.Intelligent Transportationsystem:Linking Technology And Transport Policy To Helpsteer The Future［J］.Access，2009（34）:29-34.

［3］ORESTE ANDRISANO，ROBERTO VERDONE，MASAO NAKAGAWA.Intelligent Transportationsystems:The Role of Third-Generation Mobile Radio Networks［J］.IEEE Communications Magazine，2000（9）:144-15.

［4］STM32F103xCsTM32F103xDstm32F103xE Re-ference manual［Z］.USA：STMicroelectronics Inc，2011.

［5］付梦印，邓志红，张继伟.Kalman滤波理论及其在导航系统中的应用［M］.北京：科学出版社，2003，10：85-93.

［6］邓自立.最优估计理论及其应用［M］.哈尔滨：哈尔滨工业大学，2005：9-23.

［7］BRIAN D，ANDERSON O，JOHN B.Optimal Filtering［M］.Prentice-Hall Inc.1979：105-115.

［8］MOHINDERs.GREWAL，ANGUS P.Andrews.Kalman Filtering:Theory and Practice Using MATLAB［M］.John Wiley&Sons，Inc，2001:116-121.

［9］DANsIMON.Optimalstate Estimation［M］.John Wiley&Sons，Inc，2006:123-129.

A Design of Vehicle Integrated Positioningsystem Based on MEMSsensors

LI Xin，MENG Xiangfei，WANG Yi
（School of Electric and Automatic Engineering，Changshu Institute of Technology，Changshu 215500，China）

Vehicle Integrated Position is an effective method for modern positioningsystem.It provides the realtime and accurate position for cars with the help of integratedsensors and global positioningsystem.Thus，it has been widely used in the intricate urban transport.In this paper，in order to improve the positioning accuracy of the Vehicle Integrated Positioningsystem，an ARM-based miniature Vehicle Integrated Positioningsystem was designed，which is based on MEMS inertialsensors and GPS.Besides，some infusion algorithms were designed for the Vehicle Integrated Positioningsystem，which improves the accuracy of the designedsystem.

Vehicle Integrated Positioningsystem；Embeddedsystems；MEMSsensors；Kalman filter

TP23

A

1008-2794（2015）04-0051-07

2016-05-30

李鑫，实验师，硕士，研究方向：计算机先进控制技术与现代检测技术，E-mail：lixin_cx@163.com.