基于UWB技术和蚁群算法的车辆定位系统设计与实现

姚佳骏，马璐芊，易敏轩，牛衍亮

（石家庄铁道大学，河北 石家庄 050043）

车辆检测是在交通监控系统中的重要组成部分，可以对道路交通信息进行实时的采集和处理，并通过计算机的智能化分析，来判断车辆的位置、状态和运行速度等。在实际应用中，由于道路环境的复杂性以及动态性，往往需要根据不同的情况做出相应的调整以应对变化的天气状况。因此，车辆定位技术成为当今世界上的热点之一。

1 车辆定位系统特点

1.1 车辆定位系统

根据车辆检测的目的不同，车辆定位可分为以下几类：基于背景的定位、基于图像的定位和基于时间的定位；基于模型的方法是对目标的运动轨迹进行建模然后再对其行为进行分析，从而得到一个初始的坐标；而本文的研究就是在上述的基础上，利用蚁群算法来解决车辆位置信息不确定性的问题，如图2所示。在本文中，我们将使用第一种的方法来处理车辆的周围环境，并计算出每个参考点的距离和速度，进而得出的结果为最佳的估计值。本文中的车辆辅助系统，是通过在移动路由器的节点处安装摄像头获取的数据作为特征，并结合蚁群算法，最终将这些数据与当前的地理位置相比较，找到最优的地点来完成整个的搜索过程。同时，还可以应用到道路的监控中，当遇到突发情况时，也会立即做出反应，并且会自动地控制交通。当发生交通事故时，就不会影响其他的地方（如学校、医院等），大大提高了事故后的救援效率。

1.2 车辆定位的组成

基于UWB技术的车辆定位系统是一个非常复杂的过程，它包含3个部分：（1）车辆的位置信息收集：在进行目标检测前，首先要对所要探测的区域和周围的环境等情况做充分的了解；（2）定位的方法和参数设置：根据所要解决的问题确定具体的算法步骤，然后对算法的性能指标做进一步的分析；（3）车辆的运动轨迹：在进行定位操作时，需要对每个传感器的输出信号的时间坐标做出相应的处理并计算出实际的行驶速度，从而得到路径的长度、距离、方向等数据。这些数据的获取是通过 UWB 提供的算法程序来实现的；（4）车辆的状态：在完成了初始化的工作后，就可以开始执行下一步的任务：即接下来的步骤之一是，将各个传感器的输入值与当前的地址中的特征值相比较，如果两者的差异过大，那么就会发出警告，以此来提醒工作人员。

2 UWB硬件设计

2.1 UWB 基站

基站的作用是在每个已知的车辆位置（根据实际情况）的同时对所有的车辆进行初始化，然后在迭代的过程中，找到车辆之间的最优匹配点，从而使整个系统的性能，得到最大化的优化状态。由于在UWB环境下的车辆定位问题是一个非常复杂的工作而且还需要大量的人工操作，因此，为了解决这一难题，本文采用了两种方法来构建和分析基站。一种是基于蚁群算法的基本思想，即通过对目标函数的寻优求解，并结合蚁群算法的特点来确定最佳的解空间。另一种则是基于信息素的更新法，即先将待处理的数据作为特征向量，再利用信息素的更新特性，将其与当前的参数值相比较，最后得出结果。

2.2 UWB 定位标签

标签是用来标记目标位置的信息元器件，它可以将图像中的每个像素点用特定的颜色来表示，并将它们与其他的标定值进行比较。在使用过程中，为了保证其准确性，技术人员需要对其的分辨率和准确度有一定的要求。同时，还应该具有良好的可读性和可维护性。在本实验中，采用了一种超大规模的定位技术，即利用超声波传感器来实现车辆的自动识别。通过对车辆的运动轨迹的分析后，根据车辆的运行速度、方向、车的姿态等特征，计算出车的坐标（x,y），然后，再把这些数据与已知的参数建立一个映射关系，最后把所有的参数都存入RGB的库文件里，即可得到每辆车的具体位置。该算法的原理简单，只需设定初始的阈值，其他条件都不做考虑，只要满足RQI的输入就行。

2.3 上位机解算平台

使用该平台的PC机通过C#的开发工具，并在C#的基础上进行了升级，将C#的功能用软件的方式展示出来，然后将其与蚁群算法结合起来，实现了对目标车辆的定位和跟踪。该平台的主要作用是对固定的4个路由器的信息素的获取以及计算，并在每个路由器上设置一个参数，当2个路由器的状态相同时，则表明此时的情况为固定的节点。当两者的状态不同时，则表示当前的情况为不稳定的节点。当所有的路由器都处于不确定的位置时，则说明该时刻的存在或者是已经发生改变，也就是车辆的运动已不再是静止的状况下，就可以认为此刻的出现了。在这个过程中，需要用到的函数有3个，分别是：初始值、更新值、迭代值。其中初始值和更新的结果都是以时间的形式存储的。

3 蚁群算法原理以及实现过程

3.1 基本蚁群算法

最早的蚁群算法是由美国科学家Dorigo和何亚夫提出的一种启发式算法，它是通过模拟自然界蚂蚁觅食行为来实现的。该方法的原理简单明了，它将事物的全部信息都存储在一个特定的环境中，并根据每个特定的状态选择相应的解作为最优解，从而使整个搜索过程具有一定的自适应性，并且使其收敛到局部最小值。随着研究的深入以及不断的发展进步，越来越多的改进型算法被应用于求解复杂的问题领域，如组合优化、遗传算法、人工免疫进化模型等，其中自组织的群体智能演化算法（ACs）和改进的蚁群法（TSP）等，已经成为近年来的主流研究方向。虽然已有很多经典的蚁群算法在解决路径规划的寻优上取得了很大的成功与成就，但是，由于各种不确定因素的存在使得这些理论很难得到很好的推广与普及。因此，有必要对其进行更深层次的研究分析，以便能够更好地控制寻优路径，提高其性能。

3.2 多径向蚁群算法

该方法是由美国的R.S.Stigle等人提出的一种算法，它是由两个具有不同方向的蚂蚁在同一个地点随机游走，然后根据它们的信息素，计算出一个函数，并通过这个函数的平均值来确定最优解的优选方案。该算法的优点在于其可以对问题的复杂程度进行判断，并且能够很好地处理多径向的路径优化问题。缺点就是它的求解过程中，需要大量的搜索空间，而且解的精度比较低，因此不能很好地解决高维数的蚁群寻优的难题。另外，因为其算法的收敛速度慢，且不容易更新，所以在实际的应用中，还存在一些不足。

概率Pk是一个很经典的数学模型，它是由法国数学家费尔斯特拉斯于1879年提出的一种随机现象，它是由美国的费德尔巴（R.S.Dovsky）提出来的理论基础。在概率P的计算中，首先要确定的就是参数，即函数的值和分布。当系统的规模很大时，通常会采用这种方法，因为这样的算法对初始的变量都有很好的适应能力，而且还能保持其稳定性。但对于小规模的应用来说，这个算法的难度更大，并且需要的数据量也比较大，所以一般不推荐使用。而当大规模地生产时，由于其具有的灵活性，使得该算法的适用范围更加广泛。

4 移动端APP应用程序功能设计

4.1 地图控制

该应用是基于蚁群算法的车辆定位的一种改进，它在传统的路径信息素更新和新的车辆跟踪方面取得了很大的成功和进步，但同时也存在着一些缺陷，如在计算过程中，当车辆出现局部最优的情况时，会导致目标的轨迹模糊不清，从而影响了最终的结果；当新的路线遇到障碍物时，会使地图上的所有位置都陷入其中，这样就不能准确地反映出真实的道路状况，因此这种方法的局限性较大，而且还需要重新设计地图，这对蚁群算法的推广有一定的限制作用。本论文采用的是基于 Umlg的拓扑结构作为车辆的控制模型，通过对不同的 Umlg的组合来实现其功能。

4.2 实时定位

实时定位是通过计算机的高速计算和信息处理能力来完成目标定位的过程。在车辆检测系统中，车辆位置的确定需要经过大量的运算和数据的分析来获得。在实际的应用中，由于环境因素的影响以及车辆自身的特点等原因，车辆运动速度会受到一定程度的限制。当车辆的移动距离与当前的交通状况不匹配时，就会导致无法准确地找到所需的目的地（例如校车轨道）。此时，如果仅仅依靠人工的方法对所测得的图像进行预处理，则很难实现精确的定位结果。因此，为了解决这一问题，利用智能的车载导航设备，对周围的道路、障碍物、建筑物等的情况进行实时的监测并给出相应的路线及时间，同时，还可以根据这些实时的路况变化，自动调整行进的方向与角度，从而使其能够有效地提高行驶的稳定性和安全性。

4.3 停车导航

停车导航是指通过车载终端的引导来帮助驾驶者快速准确地找到自己的车辆并安排好路线的一种交通方式。在停车场中，由于车辆数量较多，且每个车位都有相应的位置信息，所以，当需要停车的时候就会出现寻找方向混乱的情况发生，这时就会造成车辆的拥挤和等待时间的增加。因此，为了解决这些问题，本文提出了蚁群算法，该算法的基本原理是利用蚂蚁寻优过程中的随机游走，计算每辆车的起点和终点，然后根据此算法找出最优的路径并规划好所有的停靠点。蚁群算法的特点如下：（1）全局搜索能力强，可以对复杂的环境进行局部优化，具有很强的鲁棒性；（2）对目标函数的约束较少，能够有效地提高系统的动态性能；（3）蚁群算法的收敛速度快，容易实现。

4.4 信息查询

通过在搜索过程中的信息检索，将得到的结果发送给服务器，由服务器进行处理，根据返回的结果更新或删除的操作来确定具体的信息是否被添加到数据库中。在本实验的步骤中，首先，需要对所要查询的对象和所要查询的时间等参数有一定的了解；然后，对数据的类型和格式以及特征的提取、计算、存储等一系列的准备工作；最后，将这些信息发送到后台的计算机系统，由后台的电脑来完成。

本论文采用的就是这种方法，它可以很好地解决车辆检测的问题和车辆位置的准确度不高的问题；也能够很好地提高车辆的定位精度。但是，由于它的成本比较高，而且不容易实现，所以还没有被广泛使用。

5 结语

综上所述，车辆定位是智能交通系统中的一个重要环节，它不仅可以为用户提供及时的信息反馈，还能为决策者进行相应的分析和预测，从而提高道路的通行能力。车辆定位系统是一种用于引导、监视、控制的自动化设备，它可以对车辆的运动轨迹进行实时监控，还能对其行驶状态进行反映，还能提供决策辅助。因此，它的应用范围非常广泛，如交通控制系统、智能仪表、自动驾驶、导航系统、工业生产过程以及各种通信等。