交通信息采集方法

2024-05-10

交通信息采集方法（共8篇）

交通信息采集方法篇1

行人交通信息数据采集对象是行人,行人相对于机动车具有特殊性,因为行人的行走具有随意性、不同于机动车普遍必须按车道行驶的规律性,即行人的运动轨迹明显不同于机动车。传统的数据采集方式是基于车道的、主要是针对机动车数据采集的,比如波频数据采集、磁频数据采集用在获取机动车的交通流量、速度等交通参数的具有很好的效果,但用在采集行人交通数据上,效果并不理想。所以,如果想实现自动采集行人数据,必须具有针对行人特性的设备。本文从行人的交通特性出发,介绍行人的4种数据采集方法。

1 行人交通特征表现

行人交通特征表现在行人的速度、对个人的空间要求、步行时的注意力等方面。这些与行人的年龄、性别、教养、心境、体质及出行目的等因素有关,也与行人所处的区域、周围的环境、街景、交通状况等有关。具体表现在:如果不是赶时间尽快到达目的地,行人都倾向于以自己最舒适的步行速度来行走;行人总是与其它行人和边界保持一定距离,这个距离在人们匆忙行走的时侯就会变小,也会随着人流密度的增大而递减;当行人密度增加时,步速和步幅都会明显减小;年青人步幅较大,步速较快,老年人则步幅较小,步速较慢。

2 行人交通信息的组成

行人交通信息包括行人流量、步频、步幅、速度、加速度、密度、行人可接受间隙等,按照行人交通设施的不同,将行人交通分为步行道纵向交通和过街横向交通,在步行道交通条件下,行人交通信息主要包括行人流量、速度、步频、步幅等;在人行横道条件下,行人交通信息主要包括集结密度、过街等待时间、过街速度、行人可接受间隙等。

3 行人交通信息采集方法

行人交通信息的采集可以借鉴机动车交通信息采集方法,分为人工采集法和自动采集法。人工采集法,为手动计数,在劳动强度大的场合,人工采集法有一个易疲劳的突出问题,精度得不到保证,花费人力多,人工成本大,不宜长时间信息采集。自动采集法是指利用红外检测器、微波检测器、超声波检测器、视频检测器和GPS检测器等设备来自动采集行人交通数据的方法;由于行人所固有的物理特性,地感线圈检测器和压电式检测器等方法不起作用。

3.1 人工采集法

人工采集法是一种运用广泛的数据采集方法,采集方法所使用的常用工具有:秒表、尺子、纸张等,需要的采集工具十分简单。人工采集方法具有机动灵活、易于掌握的特点。但人工采集法有一个易疲劳的突出问题,单位人工成本高也是一个不容忽视的问题,不适宜进行长时间的观察。因此,人工采集法常用于短期行人交通信息的采集,如可进行短期行人交通流量调查、记录行人的性别、年龄等参数。

3.2 视频采集法

视频采集法就是对行人交通进行摄影录相,对采集到的视频图像再进行图像识别从而得到行人数据的方法,具有可重现、长时间数据采集的特点。西北工业大学空中交通管理系统研究所,对行人检测与跟踪进行系统研究,对行人的运动加以跟踪,提取出了行人的运动轨迹。北京工业大学的何民开发出的交通视频数据采集软件Track,它不单对车辆和自行车有好的识别效果,他还对行人数据采集性能进行了大量提升,能通过鼠标点击行人的特征点,如头部等进行方便地数据采集,能测量行人在不同时刻的交通数据:速度、加速度、位置以及运动轨迹等。根据实测,在70 m×70 m的现场中精度获得了低于0.4%的误差。

3.3 GPS采集法

GPS数据采集系统可以对单个人的启动过程和行进过程进行连续的数据采集,这时GPS系统就比人工观测法更加适合于个人微观行为的数据采集了,GPS用于行人交通的数据采集具备以下优势:①全天侯数据采集,且不受天气的影响;②可以提供连续的、实时的行人三维坐标位置、速度和时间;③定位精度高,精度可达10 m,经过基准基站调准并采用差分定位等方法,精度可以进一步提升达到厘米和毫米级;④体积小,行人方便携带。GPS数据采集方法对行人的启动过程和行进中的微观数据采集具有很好的效果。由于GPS采集设备不具备普及的特点,所以当需要对不同的行人进行大量的数据采集时GPS采集方法并不适用。

3.4 无线定位采集法

无线定位技术即手机定位技术,是利用已经建成的各通讯网络资源和移动通讯设备这些日常生活中已有的资源来实现的定位技术,这种定位方式比GPS定位方式,最大的优势是投资少,不需要购买新的设备,只需要行人拥有一个手机再辅以手机无线定位软件,或者基站在定位上升级硬件和软件就可以实现获取行人坐标位置和时刻数据。对位置加以坐标变换,过滤掉噪声数据,再辅以地图匹配技术来修正行人位置推算出行人的运动轨迹,就可以得到实时的行人基础交通数据,如速度和行程时间等。无线定位已经得到了越来越广泛的关注,特别是自美国联邦通讯委员会通过的E911法案,强制运营商要在紧急情况下需知用户的位置信息,运营商和技术研发部门就大力在提升无线定位服务精度了,定位服务质量在逐渐的提升,满足一定的行人交通数据获取的精度要求,随着无线网络的优化和技术的发展,无线定位精度是有进一步提升的可能。无线定位技术目前比较流行的有TDOA,A-GPS和GPSONE。

3.4.1 地图匹配技术

由于无线定位获取的行人位置存在误差,将导致行人的运动轨迹偏离实际的道路,因此通过地图匹配技术来校准行人位置,达到减少误差的目的,才可以进行行人交通数据的获取,匹配前需要进行坐标转换和过滤噪声。

无线定位一般所采用的坐标体系是WGS-84经纬度坐标,而我国的地图坐标体系采用的是北京54坐标系,两个坐标系统存在一定的误差,必须转换统一才能应用。转换步骤如下:①将WGS-84的经纬度坐标(B84,L84,H84)转换为以地心为中心点的大地坐标(X84,Y84,Z84);②通过坐标平移、缩放、旋转,将地心大地坐标(X84,Y84,Z84)转换为54坐标系下的地心坐标(X54,Y54,Z54);③将地心坐标(X54,Y54,Z54)转换为54坐标系下的大地坐标(B54,L54,H54);④利用高斯克吕格规则对(B54,L54,H54)进行投影得到投影坐标(x,y)。

转换后的数据包含噪声数据(机动车和非机动车使用者手机传回的数据),必须把这些噪声数据过滤掉,保留行人正常在道路上行走的数据,才能进行地图匹配。过滤噪声数据可以根据一定的判断准则和统计方法来进行,如可基于位置的变换率来判断,数据在道路左右,且移动迅速的,可判断为机动车辆;位置变换率低于车辆但高于行人的,一般可判断为非机动车或者拥堵状态下的车辆。保留下来的行人数据还要进一步剔除,有可能缓慢移动的车辆和非机动车数据在有些情况下(如拥堵情况下)是接近于行人数据的,这时要结合该移动台的历史数据进行判别。

地图匹配的效果和精度受多种因素的影响,如匹配算法的类型、手机位置更新的周期、电子地图的和手机定位的精度等,以下分别讨论点到点、点到线的地图匹配。

1)点到点地图匹配。在电子地图数据库存储的点中搜索离无线定位位置最近的点作为匹配点,假设无线定位点为W(x0,y0),该点位于道路外面,且该点离电子地图上临近的路线为Li(i =1,2,…,n),Li由若干点构成,点坐标为P $_{j}^{i}$ (x $_{j}^{i}$ ,y $_{j}^{i}$ )(j=1,2,…,m),有

$D = \min ∥ W - Ρ_{j}^{i} ∥,$

求得i=I,j=J,则匹配的点为P(xp,yp)。

2)点到线地图匹配。把待匹配的无线定位点向电子地图上附近的道路做投影,计算它们之间的距离为d,在所有侯选道路中选择距离值最小的作为匹配道路,且道路上的投影点即为匹配点P(xp,yp)(见图1)。

3.4.2 实时行人交通信息获取

利用经电子地图匹配后的无线定位数据,可获得行人的流量、地点速度,平均速度。

1)行人流量。行人流量是指单位时间内,通过道路某一点、某一断面的行人数量,常用单位为人/15 min。行人流量是对运动目标跟踪,获得进入目标区域的行人数量来获取的,公式为

$q = Ν / Τ .$

式中:q为流量; N为数据采集间隔内的人数; T为数据统计采用的时间间隔。

2)步行速度。步行速度是指行人某一时刻的地点速度

$v_{i} = \frac{D}{Δ t_{i}} .$

式中:vi为采样间隔内第i个行人的地点速度;Δti为采样间隔内第i个行人通过前后采样点的时间差; D为前后采样点之间的距离。

3)平均速度。行人平均速度即为一段观测时间内,通过某区间道路的单位距离,设平面坐标依次为p0(x0,y0),p1(x1,y1),p2(x2,y2)…pq(xq,yq)…,总时间间隔为td=tq-t0,则通过手机数据推算行人路段平均速度为

$\bar{v} = \frac{d}{t_{d}} = \frac{\sum_{i = 0}^{q - 1} [(x_{i + 1} - x_{i})^{2} + (y_{i + 1} - y_{i})^{2}]^{\frac{1}{2}}}{t_{q} - t_{0}} .$

式中:d为区间道路总位移; td为行人行走区间道路所费时间。

4 结束语

本文从行人的交通特性出发,分别介绍了行人的4种数据采集方法:人工采集法、视频采集法、GPS采集法和无线定位采集法。人工采集法简单易行,但不适宜进行长时间的采集,常用于短期行人交通信息的采集;视频采集法具有可重现、长时间数据采集的特点,随着图像识别技术的发展,行人视频采集技术具有广阔的发展前景;GPS数据采集方法对行人的启动过程和行进中的微观数据采集具有很好的效果,但不足之处是无法进行大样本的数据采集。重点介绍了无线定位采集法,无线定位采集法可以利用手机普及的优势开展大量行人数据调查,随着无线手机技术的发展,手机定位精度不太精确的劣势得到克服,行人无线定位数据采集是有着无限的运用前景。

摘要：从行人的交通特性出发,分别介绍人工采集法、视频采集法、GPS采集法和无线定位采集法等行人交通信息采集方法。详细分析无线定位采集法在行人交通信息采集中的运用,对研究行人交通具有重要意义。

关键词：行人交通,视频采集技术,GPS技术,无线定位

参考文献

[1]杨晓光,陈白磊,彭国雄.行人交通控制信号设置方法研究[J].中国公路学报,2001,14(1):73-76.

[2]陈然,董力耘.中国大都市行人交通特征的实测和初步分析[J].上海大学学报(自然科学版),2005,11(1):93-97.

[3]廖明军,李克平,王凯英,等.行人交通微观仿真研究综述[J].武汉理工大学学报(交通科学与工程版),2010,34(1):180-183.

[4]邵春福,李娟,赵熠,等.行人交通的视频检测方法综述[J].交通运输系统工程与信息,2008,8(4):23-28.

[5]何民.混合交通流微观仿真关键技术研究[D].北京:北京工业大学,2003.

[6]孙智勇,葛书芳,荣建,等.行人交通的数据采集方法研究[J].北京工业大学学报,2006,32(6):530-533.

[7]胡明伟.无线定位技术应用于实时交通信息采集研究[J].深圳大学学报(理工版),2007,24(3):246-250.

[8]范平志,邓平,刘林.蜂窝网无线定位[M].北京:电子工业出版社,2002.

[9]赵亦林.车辆定位与导航系统[M].谭国真,译.北京:电子工业出版社,1999.

交通信息采集方法篇2

图书馆、档案馆、情报所和一些专为出版业服务的信息中心，都是存储和提供有关出版信息的机构。这些机构存储的信息数量多、系统性强，是编辑获取信息的重要来源。目前，这些机构普遍采用电子化的信息存储和检索手段，为编辑以文献检索方式采集信息提供了便利。此外，政府机关、研究所、出版单位的资料室、大学图书馆以及专为出版界提供出版信息的机构(如中国出版科学研究所于1985年创立的“查重中心”等)，也是获取信息的重要场所。

交通信息采集方法篇3

交通信息采集是智能交通系统 (ITS) 得以顺利实施的基础。与其他检测技术相比, 视频技术最显著的优点是具有丰富的信息量, 因此为复杂检测任务的执行、为细粒度交通信息的获取提供了可能[1]。背景差分法是最常用、最有效的交通视频处理模式, 而背景估计正是背景差分法的基础和核心环节。

常用的背景估计方法有统计学模型[2,3]、卡尔曼滤波法[4]、混合高斯分布模型[5,6]等。统计学模型中最常用的方法为序列均值法[3], 该方法将运动对象的像素纳入背景估计, 存在一定的偏差, 适用于背景大部分时间未被遮挡的情况, 即交通占有率很低的情况。基于卡尔曼滤波的背景估计模型能够适应光线均匀、有序的变化, 文献[4]对其进行研究和应用。卡尔曼滤波法在光线不稳定的情况下难以建立有效的状态转移矩阵, 对于目标像素常被遮挡 (如交通繁忙时) 的情况也难以适应。基于混合高斯分布的背景估计模型可以很好地适应光线的变化, 对于缓慢移动的目标有较好的鲁棒性, 但该方法对每个像素点都需要用相应的模型来描述, 每个模型由多个高斯函数加权得到, 因此模型的建立、参数的确定相当困难, 算法的时空复杂度很高, 对照明突变 (如在公路隧道中) 的应变能力较弱。

背景估计是视频交通信息采集领域的研究热点, 近年来有大量的新方法被提出来, 但目前仍没有一种被普遍接受的方法。在这种情况下, 本文综合考察现有方法的优缺点, 并充分考虑算法的实时性, 提出一种基于单高斯分布假设、图像分块处理、利用帧差法进行样本选取的混合模型对图像背景进行快速估计。

1 方法描述

1.1 像素亮度高斯分布假设

高斯分布满足自然界的许多现象, 文献[5,6]等认为混合高斯分布符合像素亮度值分布的特点。多高斯混合分布的缺陷是模型参数获取困难, 样本需求量大, 不能满足实时交通信息采集的要求。有鉴于此, 本文在前期研究成果[7]的基础上提出了如下模型假设:在主照明光源没有明显变化, 且无遮挡的时间段内, 数字图像上任意像素点的亮度值满足单高斯分布, 即:

$p (x) = (\sqrt{2 π} σ)^{- 1} e^{\frac{(x - μ)^{2}}{2 σ^{2}}} (1)$

式中:p (x) 为像素取某个亮度值x的概率;标准差σ>0, 最大概率 $\max (p (x)) = (\sqrt{2 π} σ)^{- 1}$ ;数学期望E (x) =μ。上述假设中“主照明光源”在白天指自然光, 在夜间指自然光与路灯光的叠加;由于自然光、路灯光在大多数情况下是渐变的, 在短时间段内 (如几分钟) 可认为“没有明显变化”, 因此如果背景更新的频率 (一般5～60 s) 足够高, 则上述假设可适应一般的交通场景。因此, 以任何一帧图像 (即便无任何前景目标存在) 作为背景图像都是不正确的。

由上述假设可知, 若无遮挡, 要获取背景图像某像素点在一段时间内的真实值, 可用数学期望E (N (μ, σ2) ) 来表示, 此时的方法与序列均值法[3]一致。但是实际道路常常会被车辆遮挡, 单高斯分布假设并不存在, 此时若直接按照此方法进行计算, 误差将会很大。

为了处理干扰信息, 认为车辆对背景上某像素点的遮挡为随机干扰, 由于车辆本身颜色、反射度等光学特征的差异, 这些随机干扰一般不构成单一的高斯分布。记车辆遮挡下背景像素的亮度概率函数为:

$p (x) = Κ (x) (2)$

那么, 对于车道上任意点的像素, 其亮度值概率函数可描述为:

$p (x) = (1 - Ο) (\sqrt{2 π} σ)^{- 1} e^{\frac{(x - μ)^{2}}{2 σ^{2}}} + Ο Κ (x) (3)$

式中:O为系数, 对应交通工程中的占有率指标。一般来说, O越小, 数学期望方法估计出来的结果越接近于真实值。因此, 在进行样本采集时, 尽量不采用像素点被遮挡的图像。

采用数学期望作为估计值的做法将干扰信息纳入背景值中, 而若采用最大后验法, 则可有效避免这种情况的发生, 此时的背景估计模型为:

$μ = \arg \max_{x} (p (x)) (4)$

式 (4) 成立的前提是“真实背景值出现概率最大”的情况不被遮挡像素所改变。当观测时间内车辆遮挡的情况较少时, 即占有率O较小时 (极端情况下当O=0时式 (3) 等于式 (1) ) , 式 (4) 亦能够成立。

但是, 当经过的车辆大部分与路面的颜色、反射度等光学特性相近时, 此时可能会稍微改变 $\arg \max_{x} (p (x))$ 的取值;随着占有率O的增大, 由式 (3) 可知, 车辆亮度值对最终估计结果的影响也会变大 (极端情况下当O=1时, 则背景上的像素完全被淹没) , 此时可能使得 $\arg \max_{x} (p (x))$ 具有很大的偏差。

在以上分析的基础上, 综合考虑光源突变时 (如隧道照明改变、多云天气等情况) 能够实时更新背景, 最终的算法如下:

${\begin{cases} i f (a ＞ Τ) o r (t = 0) o r \\ (a b s (\arg \max_{x} (p (x)) - \hat{L}_{t - 1}) \leq D \\ t h e n \\ \hat{L}_{t} = \arg \max_{x} (p (x)), a = 0 \\ e l s e \\ \hat{L}_{t} = \hat{L}_{t - 1}, a = a + 1 \end{cases} (5)$

式中:a为累加器;T为最大累加次数;D为亮度突变阈值;t为第t次进行背景图像获取;t从0开始取值, $\hat{L}$ t为第t次计算获得的背景图像。

1.2 基于帧差法的样本分块选取

在求取 $\arg \max_{x} (p (x))$ 时, 统计样本数太大, 则计算复杂度会很高 (由于需要对每一个像素进行估计;另外为了快速适应环境变化, 背景图像必须按照较小的时间间隔进行更新) , 样本数太小, 则会受到遮挡物的干扰。为了削弱遮挡物的影响, 以便能够取较小的样本数, 在采集样本时, 需要考察样本的可靠性。具体方法是:将图像划分为若干个子区域, 采用计算复杂度很小的帧差法[8,9]计算各子区域中的运动像素数 (按照某阈值对帧差法结果进行二值化, 大于阈值的像素为运动像素) , 当运动像素数小于某个阈值时, 才将该区域中的像素纳入统计样本中。区域划分如图1 (a) 所示, 其对应的区域选择如图1 (b) 所示。值得注意的是, 虽然每一帧图像选择的区域不同, 但多帧图像样本联合起来能够对整个视频区域进行完整的背景估计。

假如将图像 (高H、宽W) 平均划分为r行、c列, 那么共有r×c个分块, 任意像素 (x, y) 所属的区域为 $\frac{y r}{Η} + 1$ 行、 $\frac{x c}{W} + 1$ 列对应的分块, 因此该像素在当前图像下作为背景估计样本的条件是:

$W L S (\frac{y r}{Η} + 1, \frac{x c}{W} + 1) ＜ G (6)$

式中:WLS为 $\frac{y r}{Η} + 1$ 行、 $\frac{x c}{W} + 1$ 列对应的分块的运动像素数;G为阈值。

1.3 算法流程

在以上分析的基础上, 可得到一种快速的、融合了高斯分布模型和帧差样本选取的背景估计方法, 其流程如图2所示。其中图像输入按照一定的采样间隔来进行, 常用的频率有25帧/s, 为了降低算法的复杂度, 也可以设为10～15帧/s;图像分块数量与具体的道路环境有关, 一般取40～70比较适宜;统计样本数直接决定了背景估计的效果, 为同时兼顾精度和速度2个指标, 一般取30～50个比较适合。

图2中, 获得最新的图像背景后, 清空样本集继续进行图像采集。背景图像根据一定的周期不停地进行更新, 因此算法对于环境变化的适应能力较强。

2 实验

实验地点为广州市广园东快速路, 分别对白天和夜间的交通场景进行背景估计, 采用文献[3]所介绍的序列均值法、文献[10]所介绍的多颜色模型法以及本文提出的样本选择高斯估计模型分别进行实验, 结果如图3所示。

采用本文方法时, 背景更新间隔是5 s, 背景估计所采用的样本数为30个。

实验结果表明, 序列均值法、本文方法均能在10 s内获取图像背景, 而多颜色模型法需要约25 s才能做到。对于白天的背景图像估计, 序列均值法受运动车辆的影响较大;对于夜间的背景图像估计, 序列均值法、多颜色模型法均在一定程度上受到车头灯照明的干扰, 所估计的背景图像存在块状亮斑。

3 结束语

笔者提出了一种基于单高斯分布假设, 图像分块处理, 利用帧差法进行样本选取的背景图像混合估计方法。单高斯估计模型符合像素在无遮挡情况下的亮度分布特性, 与现有多数方法相比该模型参数简单, 算法的实时性好;为了提高单高斯估计模型的应用效果, 对图像进行帧差分块选取, 从而提高了样本的纯度, 削弱了运动物体和噪声对于像素分布的影响。实际道路环境下通过与序列均值法、多颜色模型法进行实验比较, 证明了所提出的方法的正确性和有效性。

摘要：为适应交通环境多变情况下实时交通信息采集的要求, 提出一种快速高效的背景估计方法。该方法以单高斯估计模型为基础, 参数简单, 算法实时性好;在采集样本时通过帧差法对图像进行分块选取, 从而保证了样本的纯度, 有效地削弱了运动物体和噪声对于背景估计的影响。通过实际道路环境下多种方法的实验比较, 证明所提出的方法的正确性和有效性。

关键词：智能交通系统,交通信息采集,图像处理,背景估计,高斯分布

参考文献

[1]林培群.道路交通参数及交通事件智能检测关键技术研究[D].广州:华南理工大学, 2008

[2]Triantafyllidis G A, Tzovaras D, Strintzis M G.Occlusion and visible background andforeground ar-eas in stereo:a bayesian approach[J].IEEE Trans-actions on Circuits and Systems for Video Technolo-gy, 2000, 10 (4) :563-575

[3]Jung Y K.Ho Y S.Traffic parameter extraction u-sing video-based vehicle tracking[C]//.Proceedingsof IEEE International Conference on IntelligentTransportation Systems, 1999:764-769

[4]Copeland B R, Chen M, Wade B D, et al.A Noise-driven strategy for background esti mation and eventsetection in data streams[J].Signal Processing, 2006, 12 (86) :3 739-3 751

[5]李全民, 张运楚.自适应混合高斯背景模型的改进[J].计算机应用, 2007, 27 (8) :2 014-2 017

[6]Bailo G, Bariani M, Ijas P, et al.Background esti-mation with gaussian distributionfor i mage segmen-tation, a fast approach[C]//.Proceedings of IEEEInternational Workshop on Measurement Systemsfor Homeland Security, 2005:2-5

[7]Lin P Q, Xu J M, Bian J Y.Robust vehicle detec-tion in vision systems based on fast wavelet trans-form and texture analysis[C]//.Proceedings ofIEEE International Conference on Automation andLogistics, 2007:2 958-2 963

[8]Lucke R L, Stocker A D.Filteringinterpolators forframe differencing signal processors[J].IEEETransactions on Signal Processing, 1993, 41 (8) :2574-2 582

[9]Tanaka K, Saji H.Vehicle extraction from aeriali mages using voting process and frame matching[C]//Proceedings of IEEE Intelligent VehiclesSymposium, 2007:433-437

交通信息采集方法篇4

智能交通系统 (Intelligent Transportation System, 简称ITS) 能够有效地发挥作用的一个重要基础和前提是及时准确地获取动态变化的交通信息。目前常用的方式有感应线圈、视频、GPS浮动车等, 相对于这些传统的采集技术, 利用车辆用户手机在移动通信网络中的定位信息来分析推算动态交通状况是一种新兴的动态交通探测技术[1,2]。该技术利用普通手机作为检测器, 同其它采集技术相比, 节约了大量的前期基础设施投入, 而随着手机普及率的增长, 也使得手机采集技术获取的交通信息能够得到更为广泛的应用。值得注意的是, 随着现代交通管理对实时交通信息质量与数量的需求, 使用单一类型的交通信息采集方式已经不能充分满足应用的需要, 多源交通信息融合在数据种类以及时空覆盖的互补性上逐渐吸引了人们的关注[3,4]。

文章采用两种交通信息采集方式, 即手机采集和车载GPS采集, 获取道路的交通状态信息。这两种采集方式均属于浮动车采集方式, 但是前者受环境的限制, 在某些情况下会对精度造成影响, 而后者存在空间覆盖范围较为局限的问题。为改善上述情况, 结合两种交通信息采集方式的优点, 本文引入Dempster-Shafer数据融合方法, 建立了道路交通状态的估计模型, 通过对两种采集方式的结果进行合理的分配、组合, 从而获取对交通状态更合理、更准确的认识。实地验证结果表明:相比于单一数据源来说, 该模型能够提供时空覆盖面更广, 精度更高的实时道路交通状态信息。

2 数据采集方式简介

交通信息的服务和应用旨在为社会公众提供满足出行所需的信息, 其中包括了道路交通的拥堵信息。交通状态是对道路交通拥堵情况的一种直观描述, 通常分为畅通、拥挤和阻塞三种情形, 在每种情形下, 道路交通具有不同的拥堵表现形式, 并通过交通参数反应出来。

不同出行者对道路交通拥堵程度的感受是不一样的, 从广义的角度上来说, 通常对道路交通拥堵情况的描述为:

畅通, 表示道路交通流处于自由流或者无阻碍状况, 交通流中的车辆操纵受到的阻碍不明显。

拥挤, 此时道路交通流量稍有增加就会引起延误的明显增大、行程速度的大幅下降, 交通流中的车辆操纵受到较大限制, 交通流的一些波动, 例如车辆插入或者变换车道等, 都会引起排队现象。

阻塞, 道路交通流中的车辆处于持续的排队状况。

2.1基于手机采集

利用手机移动通信网络中的定位信息来分析推算动态交通状况是一种新兴的广域动态交通探测技术, 该技术在覆盖范围和成本两方面都有着显著的优势。此类技术通常分为模糊定位和精确定位两种, 模糊定位的精度一般介于50到300米之间, 精确定位的精度可以达到5到30米。

基于手机的交通信息采集处理系统, 利用移动通信信令采集卡在GSM网络信息平台的相关接口上采集移动通信系统的交换机信令信息, 从中提取出含有手机位置信息的数据, 对提取的手机原始数据进行过滤、去噪、地图匹配等处理, 最后经过处理得到道路交通信息。

基于手机的交通信息采集处理技术的流程如图1所示:

2.2 基于车载GPS采集

车载GPS利用安装了GPS系统的行驶车辆, 获得车辆运行状态数据, 以反映实际道路的交通状态。GPS数据处理算法主要分为三个环节:GPS数据过滤、地图匹配、模型计算。首先, 原始GPS数据 (包含了每个上报GPS点的位置信息、角度、速度、车辆状态等信息) 和交通路网基础数据作为GPS算法的输入, 算法先要对原始GPS数据进行过滤处理, 滤除那些不满足后续处理需求的无效GPS数据。其次, 经过过滤处理后的GPS数据将被地图匹配算法匹配到现实的交通路网的具体路段、具体位置上, 这一环节是GPS数据处理算法的关键技术之一, 地图匹配的效率与精度直接决定了系统对路网交通状态判断的效率与准确性。最后, 算法将在经过地图匹配后的GPS点中, 挑选满足算法需要的样本, 进行路段行程时间和行程速度的计算。

基于车载GPS的交通信息采集技术的算法流程如图2所示。

3 基于DS融合方法的交通状态估计

信息融合, 或者又称为数据融合, 是一种多源信息的协调处理技术, 在不同的问题领域, 其实现方法、步骤和准则都不相同, 需要根据具体的系统来理解并提出相应的方法。其基本原理是充分利用不同的信息来源, 按照某种准则进行合理分配、组合, 以获取对被观测目标的更合理或者更准确的认识。

3.1 Dempster-Shafer证据推理方法

Dempster-Shafer证据推理方法 (简称DS方法) 是一种给予不确定性和未知因素更多关注的理论。其基本原理是Dempster合并法则:多个数据源可以根据自己定义的证据函数, 在同一识别框架下做出各自的判断, 并且可以通过一定的方法将合理的判断合并在一起。DS融合方法具有运算简便、可靠性高、实用性强的特点, 在交通数据融合中得到广泛的应用[5]。

DS方法中有4个基本概念, 即识别框架、证据函数、信任函数和似然函数, 分别定义如下:

识别框架:关于融合对象分类的所有互斥且完备的基本属性值空间, 记为: 的幂集合, 即的所有子集的集合记为U。F证据函数:, 具有性质:

证据函数: 具有性质: φ表示空集;

m () 的值表示赋予的信任程度。对证据函数的定义还没有一个通用的方法。

信任函数: 表示所有直接支持的信任程度之和。

似然函数: 表示所有不直接反对的信任程度之和。

假设两个数据源的可靠性都是一样的, 定义合并法则为:

DS输出的决策方法通常有两种, 即: (1) 最大信任函数法:融合的输出即为使得信任函数最大的Λi: 以及 (2) 最大似然函数法:融合的输出即为使得似然函数最大的Λi 两种方法任选其一即可。

3.2 交通状态融合技术

道路交通状态划分为拥堵、缓行和畅通三类, 因此定义其识别框架表示为:Ω- (1, 2, 3) 。其中数字1表示畅通, 2表示缓行, 3表示拥堵。计算证据函数的方法描述如下:对两个数据源, 通过比较各自的输出状态与实际状态 (通过实地观察获取) 得到各自的混淆矩阵:

其中表示第k个数据源提供的交通状态为j, 而实际交通状态为i的个数。这样, 第k个数据源输出数据的总体精度可以通过下式给出:

第k个数据源输出第j种交通状态数据时, 推测该数据源输出状态为r, r=1, 2, 3的可信度, 即证据函数可以根据混淆矩阵定义:

在实际计算中, 要将各证据函数归一化, 即

然后根据Dempster合并法则, 即式 (1) 计算融合后的证据函数, 并计算信任函数Bel。最后比较信任函数, 融合的输出即为使得信任函数最大的那一个状态。

3.3 实证分析

挑选上海市徐汇区小木桥路上的三个路段作为分析路段, 即:清真路到斜土路、斜土路到零陵路和零陵路到中山南二路。计算混淆矩阵的数据采自于2009年7月15日早上8点整到11点20分和下午4点30分到5点40分的交通信息采集系统输出结果;验证模型的时间段为2009年7月16日早上10点16分到11点18分。

两个数据源的混淆矩阵如表1所示。

选取验证时间段内三个路段的GPS和手机交通状态数据作为融合的输入。根据表1中的混淆矩阵计算各数据源的归一化证据函数, 然后按照公式 (1) 进行融合, 最终输出结果如表2所示。

从表2中看出:在融合的时间段内, 路段1的融合输出避免了手机不可靠数据的干扰;路段2融合后的结果准确度比GPS结果高出19.36个百分点, 比手机结果高出6.46个百分点, 同时, 当其中一个数据源 (手机采集数据) 缺失时, 能够从另外一个数据源 (GPS采集) 获得可靠的数据进行补充, 从而保证了时空的覆盖率。路段3上的手机数据有很高的准确度, 而GPS数据的准确度却非常低, 但是融合后的结果并没有受到GPS数据源的影响, 仍然比手机数据的准确度高出了3.23个百分点, 提高了最终输出结果的精度。

4 结论

随着现代城市的高速发展, 人口和机动车的激增带来世界性的城市交通拥挤问题。ITS能够有效地利用现有交通设施改善交通环境、降低环境污染、提高交通安全、提高运输效率, 而交通智能化的前提则是交通信息化。在充分发挥现有交通信息采集技术工作能力的同时, 开发运用新型的交通信息检测技术, 并利用多源交通信息检测技术的互补性, 通过数据融合的方式对实时交通信息进行高效整合, 挖掘出更加有价值的实时交通状态信息似乎是一项可行的研究方向。

文章采用一种新兴的交通信息采集方式:基于手机的采集方式, 获取道路的交通信息, 利用Dempster-Shafer证据推理方法, 融合了GPS浮动车采集的交通数据, 提供覆盖面更广, 准确度更高的道路交通状态估计。挑选上海市徐汇区小木桥路上的三个路段进行估计模型的验证检验, 结果如表2所示, 从中可以看出:采用文中给出的方法, 保障了道路状态信息输出的准确度和覆盖度。

参考文献

[1]Qiu, Z., Cheng, P.and Ran, B..Investigatethe Feasibility of Traffic Speed EstimationUsing Cell Phones as Probes.InternationalJournal of Services Operations and Informatics, 2007, 2 (1) :53-64.

[2]Qiu, Z., Jin, J., Cheng, P.and Ran, B..State of the art and practice:Cellular ProbeTechnology Applied In Advanced TravelerInformation System, the 86th TransportationResearch Board Annual Meeting, WashingtonDC, USA, 2007.

[3]吴小俊, 曹奇英, 陈保香, 刘同明.基于Bayes估计和加权数据融合算法的交通量检测方法.系统工程理论与实践, 2000 (, 7) :45-48.

[4]任英伟, 陆键, 王海燕, 项乔君.交通量观测数据处理的模糊融合算法[J.]公路交通科技, Vol.23, 2006 (9) :85-89.

交通信息采集方法篇5

随着移动互联网的迅猛发展,各种移动终端的普及率一直在攀升,而且功能日益丰富,他们都集成了丰富的硬件资源,如GPS模块,而手机APP的出现则扩展了这些硬件功能,譬如高德地图就利用了手机中的GPS资源实现了定位和路线规划等功能。

1 正文

本文提出一种基于车联网的交通信息采集系统,利用手机获取数据并发送到服务端进行处理,并且为用户提供实时交通引导信息。在手机端开发一款APP应用软件,利用高德地图API进行定位,将当前位置信息发送给服务器端,服务器端在汇总信息后进行数据的分析,进行用户行车路线的动态规划。同时可以动态提供交通信息,例如路况信息,公交车运行状态等。这样可以方便用户选择合理的出现方式及路线。本系统引入智能手机作为信息发送端和接收端,利用现有的城市交通控制中心作为服务器中心。

2 工作流程

车联网环境下通过车载手机实现对车辆信息的定位,通过对车辆信息与相应APP的绑定实现对车辆属性信息的获取,通过对联网车辆位置信息的分析得出路况信息,并反馈给联网车辆。

1)手机客户端

手机客户端利用现有的智能手机作为平台,利用他们自带的编程接口构建手机客户端。如苹果的IOS和谷歌的Android平台。编写相应的APP程序,实现客户端的搭建,手机端可以绑定用户车辆信息,可以将自己的位置信息发送给城市交通监测与信息服务中心,并获得反馈的交通信息。

2)服务器端

服务器端包含控制中心,运算分析中心,信息数据库,前台控制端以及web服务器。

控制中心负责系统逻辑,包括对用户的管理,对数据流的导向以及信息的发布。

运算分析中心主要负责对客户端传送来的信息进行分析计算,主要有地图的匹配,用户识别以及交通状态分析和预测等。由运算能力强劲的计算机组成。

路网数据库主要负责存储路况信息,包含当前路况信息和一段时间的历史信息,这些信息是运算分析中心分析和预测路况信息的主要依据。

前台控制端显示实时路况信息,以及进行一些人工操作。

Web服务器主要负责客户端和服务器端的通信,并完成用户的认证及管理。

3 关键技术

针对目前移动互联网以及车联网基本特征,对本文所涉及的系统进行分析和研究,所用到的关键技术有:

1)交通数据采集技术

利用移动互联网,对手机终端的GPS定位信息进行采集和处理。需要对手机的GPS定位模块进行开发。以Android手机为例来说明如何获取到GPS经纬度。

GPS是Android中重要的组成部分,通过它可以开发出许多与之相关的手机应用,高德地图就是其中一个。利用GPS进行定位,利用高德地图进行道路信息的获取,是本系统采用的主要信息采集方法。

2)地图匹配技术

利用高德地图的API进行开发,获取车辆行驶的当前路段,并根据交通控制中心返回的路况信息进行路线规划。

在本系统中使用了Android SDK进行当前位置的获取以及路线的动态规划。高德地图Android SDK是一套地图开发调用接口,供开发者在自己的Android应用中加入地图相关的功能。开发者可以轻松地开发出地图显示与操作、室内外一体化地图查看、兴趣点搜索、地理编码、离线地图等功能。

3)交通状态判别技术

交通判别的主要内容是准确掌握道路交通的运行现状,方便用户的出行和交通管理部门制定相应的解决办法,提高道路使用率和交通安全性。早起交通判别状态方法主要依靠人工进行,在道路上发现拥堵或者事故进行人为的疏散。在当时道路结构简单,交通流量小的情况下,人工方式可以解决交通问题。但随着车辆的增加和路网的不断扩大,交通拥堵和交通事故越来越多,传统的人工方式已经无法满足对交通状态的实时监控。

本系统在交通数据采集和地图匹配技术的基础上,对路网各个路段交通状态进行判别,获得各个路段的交通状态,并及时发布路况信息,方便用户出行。

4)行程所需时间预测技术

在整个基于移动互联网车联网的系统中,数据运行处理中心通过对采集到实时交通数据,通过手机APP和地图匹配,可以获得车辆在具体路段上行驶的交通状态、当前行驶速度和相应的历史速度信息。通过对某路段中使用GPS定位技术采集到的所有入网车辆的速度信息进行处理,可以得到该路段的平均速度,在与路段长度相结合可以得到路段的行程时间;根据各路段在相似交通状态下的历史平均速度,对请求引导服务的车辆在未来时刻在该路段的行驶时间进行预测。

5)交通实时引导技术

最优路径是交通引导技术的核心,利用采集到的交通数据,利用运算分析中心分析出各个路段的路况信息,对有拥堵现象的道路进行实时发布,根据路况信息实时调整地图匹配技术中的规划路线,有利于用户避开拥堵路段,减少出行时间并使得道路的交通流均衡化。在本系统中使用了高德地图的路径规划API,如果某路段发生车祸或其他因素导致交通拥堵,则服务器将会返回发生拥堵路段名称,并提供建议的规划路径。

交通引导技术主要是综合利用计算机网络、移动通信,高德地图,随时监测用户车辆的位置,根据实时交通状况,为用户提供最优路径。

4 系统设计与实现

针对用户对车联网信息的需求,对系统做了功能划分,分为服务器端和手机客户端两部分,如图2所示,服务器端功能可以分为数据接收和数据处理、交通状态信息查询模块、动态交通信息推送模块,用户数据管理模块和历史数据查询模块。

数据接收和数据处理模块:服务器的核心部分,负责GP定位数据的处理,地图匹配、交通状态判别、行程时间预测和最优路径计算技术。

交通信息查询:用户在出行前利用手机客户端向服务器端询问特定道路的路况信息。

动态信息推送模块:对于道路发生紧急事故等信息进行动态推送,方便用户避开出事路段。

用户数据管理模块:对入网用户进行管理,对离线用户及时处理,实现用户的动态管理。

历史数据查询:对交通状态,交通引导信息的历史查询。

客户端的功能模块包括了位置获取模块、通信模块、动态信息提醒模块。具体结构如图3所示。

其中位置信息获取模块利用GPS定位和高德地图API获取当前位置及路段信息,并通过通信模块传递给服务器,通信模块的通信模式以http为主,以TCP为辅,与服务器保持高速稳定的网络连接,服务器可以推送实时路况信息给客户端的动态信息提醒模块。

5 总结

车联网是当前缓解城市交通压力,促进城市交通协调运作的有效手段,本文在车联网基础上提出一种可以实现动态交通提醒,动态规划行车路径的系统,使得车路实现一体化,对车辆网的发展具有重大意义。

参考文献

[1]刘小洋,伍民友.车联网:物联网在城市交通网络中的应用[J].计算机应用,2012(4):900-904.

[2]武晓钊.车联网技术体系与产业链分析[J].中国流通经济,2012(8):47-52.

[3]王群,钱焕延.车联网体系结构及感知层关键技术研究[J].电信科学,2012(12):1-9.

[4]王建强,吴辰文,李晓军.车联网架构与关键技术研究[J].微计算机信息,2011(4):156-158+130.

[5]诸彤宇,王家川,陈智宏.车联网技术初探[J].公路交通科技(应用技术版),2011(5):266-268.

[6]须超,王新红,刘富强.车联网网络架构与媒质接入机制研究[J].中兴通讯技术,2011(3):16-20.

[7]程刚,郭达.车联网现状与发展研究[J].移动通信,2011(17):23-26.

[8]王建强,李世威,曾俊伟.车联网发展模式探析[J].计算机技术与发展,2011(12):235-238.

[9]段宗涛,康军,唐蕾,樊娜,刘研,代记婷.车联网大数据环境下的交通信息服务协同体系[J].长安大学学报(自然科学版),2014(2):108-114.

交通信息采集方法篇6

交通事故是由人、车、路之间发生的冲突所引起的事件。所有交通事故的发生都处在一定的道路位置,这是交通事故案件区别于其他刑事案件的重要特征。交通事故现场留有大量、真实的事故证据,是判定事故发生过程、分析事故成因、认定事故责任的基础。

由于道路交通日益繁忙,事故现场情况复杂,不可能长时间的封闭现场。在短时间内进行现场勘查存在较大困难。目前,国内交通事故现场信息采集系统性的研究处于起步状态,有的是从定位的角度提出了现场的测量方法[1]。雅典科技大学(NTUA)Maria博士在2006年基于Leica HDS2500系统对事故现场信息做过系统性的研究[2]。新西兰奥塔哥大学Chris Hyslop运用Rigl LMS Z210系统从事故调查的角度进行进行比较研究[4]。

交通事故现场3D激光扫描技术是运用激光扫描仪对事故现场进行三维扫描,对事故现场的三维扫描图像进行分析研究,通过现场扫描图像采集事故现场数据。由于现场三维扫描所需的时间短,现场所有的信息可以记录在扫描的图像上,对事故现场勘查有着重要的作用。

1 三维激光扫描系统的原理

采用激光进行高精度的定位、测量已经有30多年的历史。随着相关技术的发展,使得激光扫描技术成为现实。激光扫描的过程,实际上就是一个不断地进行数据采集和处理的过程。通过具有一定分辨率的点(坐标x,y,z)与激光扫描设备构成一个坐标系。

通过激光扫描仪的测角和测距从而计算出测点的三维坐标(x,y,z),见图1所示。

图中P点为地面扫描点,O点为扫描仪中心位置。

地面三维激光扫描仪通过数据采集获得测距观测值S,时钟编码控制器同步实时的测量出每个激光脉冲的横向扫描角度观测值α和纵向扫描观测值θ。扫描仪在内部坐系统内,计算出P点的三维坐标。

$\begin{array}{l} x = S c o s θ \cos α \\ y = S c o s θ \sin α \\ z = S s i n θ \end{array}$

激光扫描仪通过对扫描对象的点对点的扫描,实时高速的计算出被扫描点的三维坐标,被扫描的每个点组成点云图。通过对点云图的分析处理就可以采集被扫描对象的数据信息。

2 系统的构成和特点

2.1 系统构成

激光扫描系统主要由3部分组成:发射与接收、控制与处理系统。

发射与接受系统的主要功能是发射和接收激光束。一个激光脉冲发射体在触发脉冲的作用下,激光发出一个极窄的高速激光脉冲,通过扫描镜的转动射向被扫描点,同时,激光信号被取样而得到激光主波脉冲。扫描系统的扫描镜收集被测点发射回的激光回波信号并将其转变为电信号。控制系统主要功能是通过内置驱动电机精确控制扫描镜的转动,使得激光束沿着横轴方向和纵轴方向快速扫描。处理系统的功能是根据目标测距的时间延时与扫描镜的横、纵向角度计算出目标点的三维坐标。处理系统还可以根据点云图输出扫描场景的信息。

2.2 系统特点

三维激光扫描系统是一种非接触式主动测量系统,可以进行大面积高密度三维数据采集。具有点位测量精度高、采集空间点的密度大、速度快、不需要建立控制点就可以建立模型的特点。三维激光影像数据可以提供首次回波脉冲和尾次回波脉冲测量数据,同时也融合了激光反射强度和物体色彩等信息,为扫描目标的分析提供了进一步的研究内容。三维扫描获得的数据点云图可以建立高精度的数字现场模型。通过对建立模型的分析,采集事故现场的信息。

图2、3分别为事故现场扫描和由扫描数据生成的平面图。

目前无棱镜反射激光扫描的射程已经达到1 500 m,测距精度达到毫米级,完全符合事故现场勘查的精度要求。

3 事故现场的应用

交通事故现场扫描有4个步骤,①是确定事故现场的测量范围;②是进行现场扫描生成点云图;③是进行场景拼接;④是进行三维建模。

3.1 现场扫描范围确定

事故现场的范围不仅仅是车辆碰撞的区域,还应包括车辆在事故形成过程中的痕迹以及物证的区域。例如,在车辆制动的过程中留下的制动痕迹。这类印迹往往距离较长,在确定扫描范围的过程中应包括在内。

对于事故现场范围不大,可以以伤亡人员和车辆以及各种痕迹比较集中的点为中心向外扩展,由中心向外推进。

对于事故现场范围较大,各种现场痕迹比较分散的现场,为了防止远处痕迹被破坏,应从周围向中心,由外向内进行扫描。

对于造成重特大伤亡的事故现场,可以从事故起点向终点进行分段扫描还或从容易被破坏的位置开始进行扫描。

3.2 现场点云图

点云图是在扫描范围内对目标实施逐点测距、测角, 所有测量点组成的集合。图4为车辆轮胎地面痕迹点云图。

点云图中包含的信息有:激光束的水平角度和垂直角度,根据脉冲传播时间技术得到的扫描原点到被扫描点的距离,扫描点的反射强度。根据扫描得到的角度和距离可以计算出扫描点的三维坐标。根据反射强度可以匹配扫描点的颜色。

3.3 三维建模

三维建模是通过软件提供的坐标登记功能,将各测站测得的点云图数据组成一个完整的点云模型。利用自动分段处理功能、抽取功能、模型构造功能,将事故现场细节模型化,最终完成事故现场三维建模。

根据事故现场扫描的点云图建立三维地面数字模型,将事故现场的场景再现。通过对现场三维模型的分析,提取事故现场的相关信息。

事故现场模型是使用DEM的数据表达,DEM数据由有规则的格网或不规则的三角形TIN组成,规则的格网模型结构适合进行空间结构分析应用,但是其采样点规则分布,造成此类DEM的数据冗余量很大,当对格网DEM进行重新采样时,会造成地面模型失真,TIN模型能够保留地面的特征点,可以防止数据重新采样时造成的失真,所以TIN模型更适合与事故现场建模。

TIN建模的关键是,那3个离散的数据点构成一个最佳的三角形,并使得每个离散采样点均成为三角形定点。

在二维数据建模中,道路地面属于线状数据,由一系列连续的点组成,在三维数据建模中要将其转换成面状数据。实现的方法为:以线上点为中心,以一定宽度为半径,在点的两侧插入新的数据点,组成新的数据点集,其点集为道路的面状点集。在产生新的数据点的同时,采用逐点插入法构建Delaunay三角网。当勘测现场较大或需多方位勘测时, 可移动扫描仪实施另一场景的场景扫描,移站重扫时应注意相邻两扫描范围间应有一定重叠, 并尽量包括场景特征点, 以便系统现场景的无缝拼接。场景拼接是利用相邻2个场景,以相邻2场景的重叠部分共有的特征点为控制点,拼接成为一幅更大范围的现场。

场景拼接实际问题就是把不同坐标系场景转换到一个坐标系下。不同空间直角坐标系中,需要解决坐标转换的参数共有7个:3个平移参数,3个旋转参数以及1个尺度参数。拼接规划坐标系的方法有3种:配对方式、全局方式和绝对方式。配对方式和全局方式都是以某一幅场景扫描图的坐标系为基准,其他扫描场景的坐标系都转换规划到该场景扫描图的坐标系下。这2种方式的特点是:场景重叠区域内的控制点的坐标值在扫描前是未知的。绝对方式的拼接,其中控制点的坐标值是已知的,在处理扫描数据时,所有的坐标系都规划到控制点的坐标系中。在以绝对方式拼接的过程中不需要2幅扫描的区域内有重叠的部分。

4 结论

提高扫描精度是事故现场应用的关键。事故现场特征明显的信息,如车辆、树木、交通安全设施等,在扫描过程中可以明确判断。但事故现场中的微量物证,如玻璃碎片、轻微的刹车痕迹等,在扫描精度较低的情况下,判断识别存在困难,还需要进一步的研究开发。随着信息技术、图像技术的发展,通过事故现场图像处理采集信息应成为事故现场勘查技术的发展方向。

摘要：论述了道路交通事故现场三维扫描技术的原理,针对三维扫描中存在的问题提出改进意见。在吸取国外道路交通事故现场三维扫描的基础上,结合我国道路交通的实际情况,对运用三维扫描技术现场采集交通事故信息的方法进行探讨。

关键词：道路,事故,交通安全,三维扫描

参考文献

[1]郑德华,雷伟刚.地面三维激光扫描技术[J].铁路航测,2003(2):26-28

[2]陈宪冬.基于VRS的交通事故现场三维激光扫描系统研究[J].测绘科学,2006,31(6):153-155

[3]Vassilios Pagounis Maria Tsakiri,Spridon Palaskas,et al.3D Laser Scanning For Road Safety and Acci-dent Rconstraction[D].Shaping the Change XXXIIIFIG Congress Munich:Germany,2006

交通信息采集方法篇7

城市交通问题是世界各国的普遍性问题, 智能交通系统 (Intelligence Transportation System) [1]是解决日益严重的城市交通问题的有效途径。交通信息采集系统是智能交通系统的关键子系统, 是发展智能交通系统的基础和交通管理智能化的前提。

目前常见的交通信息采集方式有感应线圈、红外、视频等。其中感应线圈是侵入式检测 (Intrusive Detection) , 需要大面积的凿开路面安装, 影响公路的使用寿命, 而且在维修和更改应用的时候需要再次挖开路面, 对路面的破坏很大。而红外、视频等属于非侵入式检测 (Non-intrusive Detection) , 安装不用挖开地面, 但是仍需铺设大量线路, 而且检测结果受大风、雨雪等天气影响非常大[2]。采用无线传感器网络 (Wireless Sensor Network, WSN) 进行交通信息的采集, 可以减少线路的铺设, 对路面的破坏非常小, 并且测量结果基本不会受天气影响, 极大地方便了安装和维修工作。

1系统设计

基于无线传感器网络的交通信息采集系统主要由传感器网络、通信控制服务端、用户端三部分组成, 如图1所示。无线传感器网络负责采集路面的交通信息, 将数据通过以太网传送到通信控制服务端;通信控制服务端、用户端采用B/S模式。这种结构结合了asp.net在Web应用上的优势, 能够实现远程用户使用浏览器在线监测、分析和处理传感器节点数据的功能, 有效组织和管理传感器网络监测区域采集的信息, 对用户的设置和查询进行响应。

1.1 无线传感器网络结构

系统中的无线传感器网络采用TI公司的CC2520芯片实现, CC2520是一款2.4 GHz免授权ISM频带专用的第2代ZigBee/IEEE 802.15.4无线射频收发器, 有着高稳定性和低工作电压等出色特性。传感器网络采用不同的网络节点以树形 (Cluster-Tree) 组网方式组成[3], 网络拓扑结构如图2所示。网络节点包括汇聚节点、路由器和采集节点, 采集节点采集交通信息数据, 直接发送或者经由路由器发送到汇聚节点上。

采集节点通过对地磁的测量来检测交通信息。地磁场数值较小, 约0.5×10 T, 可以认为地球磁场强度在一定的区域内 (大约几千米) 是恒定的。当有磁性的物体通过时, 会引起物体周围磁场强度的变化, 汽车可看作多个双极性磁铁组成的模型, 引起地球磁场的扰动。汽车对地磁的干扰如图3所示。

因此, 可以利用地磁传感器来检测车辆通过时的磁场变化从而获得交通流的信息。本文选用了Honeywell公司的磁阻传感器HMC1052, 该传感器是基于磁阻效应 (Magnetoresistance Effects) 原理的, 磁阻效应是指某些金属或半导体的电阻值随外加磁场变化而变化的现象。即当外部磁场发生变化时, 传感器内部的电阻也会相应的发生变化, 将磁场强度转化为电压输出, 利用该效应, HMC1052可以测量地磁及汽车通过时对地磁的扰动。

采集节点安装于需要测量的路段, 负责采集路面的交通信息, 并将数据直接或者通过路由器发送给汇聚节点。

路由节点安装在尽量靠近在采集节点的路旁, 用于转发采集节点的数据到汇聚节点, 可以根据传输距离的要求, 采用多跳路由。同时也增强了网络的健壮性。

汇聚节点也安装在路旁, 它负责无线网络的启动和建立, 同时还建立网络安全机制、网络中的绑定等, 并接收采集节点和路由节点的数据。汇聚节点还有一个以太网接口, 将接收到的数据通过以太网发送到通信控制服务端。

1.2 通信控制服务端

系统将无线传感器网络中数据的管理和用户的使用分离开来, 通信控制服务端主要负责交通流量数据的分析、计算以及存储等数据管理工作。通信控制服务端通过以太网接口从汇聚节点收集数据。接收到的交通信息数据中每一帧数据均包含包头、ID号、采集数据、校验位以及包尾。数据结构如表1所示。

通信控制服务端首先将这些原始数据进行解析、重新封装后存入数据库。通过对这些信息的抽象, 形成了数据库的整体逻辑结构, 数据库实体关系图 (E-R图) 如图4所示, 根据实体关系图, 转换成SQL Server 2005中的关系模式 (数据表) 如表2～表4所示。

采用的是SQL Server 2005数据库, 它采用图形化用户界面, 数据库管理直观, 对Web技术支持, 很容易地将数据库中的数据发布到Web页面上, 非常适用于B/S体系结构。通过ADO.NET (ActiveX Data Object) 访问数据库来实现用户对数据库的存储、查询和删除等操作。ADO.NET是在.NET编程环境中优先使用的数据访问接口。它提供了平台互用性和可伸缩的数据访问, 使用几个对象就可以方便地访问数据库, 例如SqlConnection对象管理与数据源的连接。SqlCommand对象与数据源交流并发送命令。使用SqlDataReader可以进行快速“向前”读取数据, 使用DataSet或者SqlDataAdapter实现进行写入和读取数据源。

1.3 用户端设计

用户端通过浏览器给用户提供一个可视化的界面与数据库交互, 负责数据查询、图形化显示以及监控网络的运行情况, 运行于用户端浏览器的Web页面是基于.net框架开发的, 开发环境是Visual Studio 2005, 结合了asp.net在Web应用上的优势, 利用多线程和模块化思想, 完成整个界面的设计[4], 用户只需关心自己所需要的数据, 而无需关心传感器网络的具体实现细节。从而实现了远程终端浏览器在线监测、分析和处理传感器节点数据的功能。主要功能模块包括实时交通参数监控、历史数据回放统计、传感器网络管理、网络用户管理、报警通知等消息处理。用户端的功能模块如图5所示。

网络用户管理模块对不同等级的用户分配不同的权限, 普通用户不具备传感器网络管理、用户管理权限, 可以查询查看数据库中的数据。而管理员用户可以进行新增用户、删除用户、授予权限、允许用户更改密码等操作。

实时交通流量监控模块接收数据库发送来的现场数据, 以实时曲线图的方式绘制出来, 方便用户直观地观察到每个采集节点的信息, 从而掌握监控区域交通流量的情况。

历史数据回放统计模块历史数据模块允许用户选择历史时间范围, 查询各个采集节点上传的数据。还可以对历史数据进行分析, 统计路口的日、周交通流量等。

传感器网络管理模块允许用户对设备节点进行重命名、新增、删除操作, 实时显示网络中的拓扑结构, 同时可以显示节点的路由状态和链路信息, 掌握网络运行的整体状态。该模块还提供了对无线传感器网络节点的配置和管理, 通过对这些节点的管理, 用户可以及时了解节点监控区域内的分布情况。

报警通知等消息处理模块当传感器网络出现异常, 例如节点损坏, 没电等情况时将会产生一些提示、报警等消息。系统需要对这些消息进行管理, 一方面将这些消息存储到日志中, 供用户日后查询时使用, 另一方面要将这些消息及时地通知给用户, 以便用户采取相应的措施进行处理。

用户端界面如图6所示。

2结语

本文实现了一种基于无线传感器网络的交通信息采集系统。采用磁阻感器HMC1052检测车辆信息, 无线网络传输数据, 安装和维修方便。数据管理采用B/S模式, 实现远程监控和维护、升级。使得传感器网络易于管理和布置, 提高了无线传感器网络开发和维护的效率。利用多线程和模块化技术实现了数据的收集处理, 提高了数据的安全性、可靠性和一致性。通过长时间实验证明所实现的信息采集系统运行稳定可靠, 实现了设计目标。

摘要：实现了一种基于无线传感器网络的交通信息采集系统, 采用磁阻传感器, 通过测量地磁的变化来检测车辆信息, 用无线传感器网络传输数据, 该系统不需要大规模挖开路面铺设车辆检测器, 具有安装简易, 维修方便等优点。同时采用B/S结构实现了交通信息的管理, 用户可以在远程终端利用浏览器在线监测, 实时分析交通信息数据, 并进行网络监控和维护。

关键词：无线传感器网络,交通信息,数据管理,B/S结构

参考文献

[1]HSIEH T T.Using sensor networks for highway and trafficapplications[J].Potentials IEEE, 2004, 23 (2) :13-16.

[2]KANG M H, CHOI B W, KOH K C, et al.Experimentalstudy of a vehicle detector with an AMR sensor[J].SensActuators A, 2005, 118 (2) :278.

[3]Digi-Key Corporation.1, 2 and 3 axis magnetic sensorsHMC1051/HMC1052/HMC1053 Datasheet[M].[S.l.]:Digi-Key Corporation, 2010.

[4]李文仲, 段朝玉.ZigBee无线网络技术入门与实战[M].北京:北京航空航天大学出版社, 2007.

[5]LIBERTY Jesse.Programming C#[M].北京:电子工业出版社, 2007.

[6]KANTIAN A N.A wireless sensor network for smart road-beds and intelligent transportation systems[C]//MS The-sis, Department of Electrical Engineering and Computer Sci-ence Cambridge, MA:MIT, 2000:108-115.

[7]DING J.Vehicle detection by sensor network nodes[C]//MS Thesis, Department of Electrical Engineering and Com-puter Science.Berkeley, CA:University of California, 2003:319-324.

交通信息采集方法篇8

关键词：无线传感网,交通信息采集,车辆检测

0 引言

无线传感器网络是由部署在监测区域内大量的廉价微型传感器节点组成,通过无线通信方式的多跳自组织网络系统,其目的是协作地感知、采集、处理网络覆盖区域中的物理世界信息。目前物理世界的所有信息都可以通过传感器获得,如温度、湿度、声响、震动、压力、位移甚至环境污染物、爆炸物、核辐射等等都可以将这些传感器连成网络,从十几个到成千上万个传感网节点和物理空间对应起来,建立时空联合的大规模检测系统。由于无线传感器具有多功能和布设灵活的特点,不同传感器相互结合、多样的网络拓扑形式,所以无线传感网潜在的应用富有无穷的想象空间。

因此,无线传感器网络自发端以来就受到广泛的关注。业界认为无线传感网络将变得与互联网同等重要,互联网连接的是信息空间,而传感网连接的则是物理空间,传感网将很快在我们周围无处不在。

本文主要介绍应用于智能交通时无线传感器网络的构成,包括无线传感器网络的体系构架及其如何应用于交通信息采集领域,以及要开发原型样机的软硬件指标和通信协议、生命周期分析。

1 体系构架

近年来,无线网络和无线接入技术得到了广泛的应用。在网络的组织结构上无论无线电话系统还是无线局域网,都主要沿用传统的蜂窝式结构和多跳路由方式。采用蜂窝式的无线网络组织结构具有结构简单、管理方便、技术成熟等优点,但是应用大规模的交通信息采集系统,这种网络组织结构却存在较大的缺陷。基于无线传感器网络的交通信息采集是一种特殊的无线通信网络,它在信号处理、功耗利用及理论上的通信距离限制方面有更高的要求,同时由于节点位置的动态性和网络健壮性的特殊要求使得传统的固定基站的蜂窝式网络结构不能很好地满足要求。

无线传感器网络系统通常包括传感器节点、汇聚节点(Sink)两大类。大量具有无线传输能力的传感节点由电池供电,随机部署在检测区域内,通过自组织方式构成网络。传感节点将兴趣事件通过节点间多跳方式上传至Sink,在上传过程中传感数据可能与其他节点进行协同融合处理。从而达到提高上传信息熵和降低网络负载的目的。Sink在收集目标区域的信息后通过互联网或卫星发送至终端用户或网络数据库。

从应用层面上来讲,无线传感器网络作为人类的神经末梢网络,是人与物理世界之间沟通的网络媒介,具有网络长期无人值守和泛在化的特点。

从节点层面上来讲,处于低成本和简化设计,传感节点一般由传感器模块、处理模块、无线通信模块和能量供应模块四部分组成。传感模块负责检测区域内信息的采集和数据转换;处理模块负责控制整个传感节点的操作、任务调度和网络管理,存储和处理本身采集的数据及其他节点来的数据;无线通信模块与其他传感节点进行无线通信,交换控制消息和收集采集数据;能量供应模块为传感器节点提供所需要的能量,通常采用微型电池。

无线传感网络的发展受到包括能量供应、数据存储、数据处理、数据传输、网络同步和系统鲁棒性等诸多条件的限制和挑战。为了提高无线传感网络的性能对无线传感网络的资源管理和信息融合进行优化。其中资源管理涉及传感器管理、过程管理、网络规划和网络控制等,主要用于优化网络性能、减少网络能耗、提高网络稳定性等;而信息融合则包括:传感器融合、数据融合、数据挖掘、相关、估计和滤波跟踪等,用于提高网络的信息熵和网络协作信息处理能力。

本文的研究目标(交通信息采集系统)和实际应用中的要求,采用分层网络结构,提出了适合我国特色的无线传感网络体系构架,这个体系构架将划分为公网接入层、Sink节点汇聚层、带状末梢传感网检测节点层,形成一个三层的自治组网体系结构。如图1所示。

这个体系构架不同于目前国际上基于Zigbee标准的发展方向,而是根据我国的实际情况,研究具有我国自己特点的传感网。Zigbee标准的技术,网络的性能较好,但传输距离短,绕射能力差,无法形成在国内城镇、乡村、野外的组网和骨干网的接入,所以不适合大范围的应用,而实际上,尤其是我国目前的情况,大多数的应用都是要求强的绕射能力和远的传输距离。

最底层末梢传感网简称微网是一个基于数据的、微功耗的、低速率的、短传输距离的、不支持局部移动等特性的无线传感网。中层Sink节点汇聚层简称中层带状网是一个相对高速率的、较远传输距离的、支持随机布放、随机接入、随机扩展、局部移动等特性的无线传感网。中层网在一定程度上解决了传感网能源、通信带宽、处理能力、存储容量的资源受限。

采用这个体系构架在城市各级道路上布设车辆检测节点(MSI),一个路口或一条路上的车辆检测节点将信息汇集到信息汇集节点(GST),信息汇聚节点自治形成带状网络,将信息转发到沿主干道布设的光纤网络接入点(HST)。随着城市信息化建设的发展,市政或交管部门在主干道上大都布设有光纤用于传输视频监控信息。基于无线传感器网络的交通信息采集系统充分利用沿主干道上已有的光纤网络,可以快速实现如图2所示的全城区域网络覆盖,保证了在不同地理环境、不同应用场合下的信息实时传输,同时又有利于在城市交通信息管理中心(TMC)将传感网采集的车辆检测数据和已有视频监控系统的图像信息融合处理,并将处理后的交通信息在公众网络上发布。

2 硬件平台

智能交通中的无线传感器网络物理构成是由许多无线传感器节点SN(Sensor Nodes)和一个单独簇点(Sink)组成。这个簇点通常由较强的计算能力、增强的无线通信能力和不停歇电力供应。总体来说,交通状况可以按照空间密度布设在道路上根据不同的应用检测。传感器检测的物理量变化在节点内的微处理器上提取出有用的信息。

在交通信息采集系统中,传感器节点人工布设在路面上来获取车辆通过时的地磁信号,这个信号通过节点内微处理器自带的车辆检测算法处理,形成一个检测事件并传输到汇集节点。完成从同步传感器节点收集的检测事件,汇聚节点可以计算出车流量、道路占有率和车辆速度等交通信息。并将这些实时信息发送到交通信息中心或本地控制单元,如交通流量监测诱导和信号灯控制等等。

一个无线磁敏节点由传感器、微处理器、无线通信模块和电源模块四部分组成。下文详细讨论各部分的特性。

2.1 传感器

现实世界的物理量都可以通过传感器检测感知,许多传感器都可以为交通监控提供信息如:温度、湿度、烟雾、震动、声响、光照度和磁敏传感器等。这些传感器结合起来可以绘制出一幅数字化的交通路况复合图。

由车辆的底盘中大量的铁质材料如铁、钢、镍、铅等造成的地磁场扭曲现象足以通过地磁传感器检测出来。这种地磁传感器可以用于交通流数据监测、匝道口控制、停车位管理等。

图3给出了地球磁场中磁力线穿过车辆时的扭曲示意图。地球的磁场强度约为0.5个高斯,因此需要一个低磁场强度、高灵敏度的磁敏传感器来检测扭曲量。如图4所示,在所有磁敏传感器中能够符合低场强度检测要求,又能满足传感器网络节点体积空间、耗能低条件的就是磁阻传感器。

2.1.1 AMR传感器

AMR传感器是其中一种形式、最适于工作在地球磁场范围。磁阻传感器进一步可以分为各向异性磁阻传感器AMR(Anisotropic Magneto-Resistive)和巨磁阻传感器GMR(Giant,Magneto-Resistive)。AMR是方向性的,它仅提供和其敏感轴方向一致上的磁场强度振幅,而GMR是无方向性的,仅提供一维数值信息。

对于交通流量信息监测,将不同车道、不同方向上的车辆磁信号单独区分开来是必须的也是基本的要求。所以AMR传感器比GMR传感器更加适合于传感器网络节点。从本质上来说,AMR磁阻传感器就是一个惠斯通电桥。即可以检测直流静态磁场,也可以检测磁场的强度和方向。如图5所示。

2.1.2 Honeywell HMC105l Z

本文所开发的算法都是基于无线传感器网络节点中使用的AMR磁阻传感器是Honeywell HMC105l Z,该传感器具有灵敏度高(1.0m V/V/gauss)、体积小(10×4×1.5mm3)、功耗低(采样电流5m A)的优点(如表1)。

Honeywell HMC105l Z最大的缺点就是为了保证较高的灵敏度,需要周期性地提供一个0.1A~0.5A的设置/复位电流驱动惠斯通电桥。这不仅增加了功耗,同时在电池的选择上也受到很大的限制,因此许多低压电池设计上就不能提供大电流。

2.2 微处理器与物理平台

微处理器是一个用于控制电子设备的片上计算机,相比于通用微处理器,无线传感器网络节点使用的微处理器芯片更强调自足和低成本。处理单元、存储器、模数转换器、数字I/O接口和外围设备接口都被整合在一块集成电路上,通过集成降低了芯片数量、省略了布线、缩小了PCB板的面积。许多传感器节点上使用数字信号处理器DSP(Digital Signal Processors)作为微控制器。他们负责从传感器采样模拟电信号、转换为数字格式,并进行必要的数据处理和控制无线通信。

我们的微处理器模块主要由MSP430F1611单片机及外围电路组成,主要负责对电路的控制和算法的实现。MSP430F1611单片机具有运算速度快待机功耗低的特点,其时钟频率在高速时可达8MHz,低速32768Hz,接口充足SPI口:SPI口0用来配置AD8403和SPI口,1来实现和无线通信模块之间的通信。

微处理器平时工作在低功耗状态,当有车辆经过磁敏传感器时,比较器会输出一个脉冲信号唤醒单片机,单片机的模数转换模块开始不断采集二级放大输出信号的幅值,当电压稳定且低于预先设定的噪声容限时认为车辆已经通过传感器,车辆通过后,单片机再次进入低功耗模式。

2.3 通信协议

无线通信是影响传感器节点生命周期的关键因素,测试表明节点90%以上的能源都用于无线收发模块。在低功率无线中,接收信号消耗的能源和发射基本相同。因此,在设计通信协议时,充分考虑发射和接收的间隔,将有助于最小化能源消耗,最大化传感器节点的生命周期。

接收的信号强度随通信距离的3到4次方衰减。通信距离还收到接收灵敏度、天线增益和效率的影响。典型的接收机灵敏度在-85d Bm~-110d Bm之间。当0d Bm发射时,在户外自由环境下接收灵敏度按-85d Bm计算可以传输25米~50米。无线通信配置在设计网络节点规模和最大化系统生命周期时将起到决定性作用。

2.4 电池选择

无线传感器网络的生命周期直接依赖于电源。能源受限是微型嵌入式传感器设计的主要影响因素,同时微处理器和传感器的尺寸和成本缩小的速度已经超越了电池,这使得电池在无线传感器网络中所占成本比例逐渐上升。这个成本在更换电池、充电等常规维护中进一步上升。以上这些因素说明没有一个电源能够满足所有的应用要求,因此选择哪种电源在系统设计时必须充分考虑。

对于无线传感器网络节点微控制器来讲,休眠模式是一个重要的特性。由于节点微控制器99.9%的时间是处于休眠模式的,所以休眠模式的功耗和唤醒时间是系统的关键指标。不同系列的微控制器,其休眠模式的静态电流在1u A至50u A之间,唤醒时间在6us到10ms之间。唤醒时间越短,微控制器进出休眠模式的切换越快,这样休眠模式在不增加功耗的情况下可以高频率地响应传感节点。

锌电池具有高能密度优点但是漏电也快,所以只能用于短期工作场所。锂电池既有高能密度的优点又无充电记忆的缺点,但弊端是充电时间长。聚合物电池能量密度高、柔韧可变,但价格昂贵。燃料电池作为一种新型能源技术广受关注,它的能量密度是常规碱性电池的10倍。最近针对无线传感器网络等长期值守环境应用需求,研究人员正在开发可再生能源技术如:风能、太阳能以及微机械环境能等。表2给出了不同类型电池的能量效率汇总。

由于电池的性能直接决定着传感器节点,乃至整个网络的生命周期,所以选择一块适合传感器网络节点的电池是非常重要的。对于交通流量采集传感器网络的节点来说,电池的选择还受到节点体积空间大小的限制。

通过对现有市场的电池产品调研发现锂电池在各方面都优于碱性电池,从能量密度来看锂电池是碱性电池的三倍,可以提供连续输出的电压,从而保证最大下拉电流。

3 能量有效控制和生命周期分析

由于在许多道路上或缺少供电设施、或缺少数据传输设施且不完善,埋设在路面下的无线传感器网络车辆检测节点一般采用电池供电,可以使用的电量非常有限,即使在中小城市的各个路口上安装网络规模也在数千个节点。对于有成千上万埋设在路面下的节点,更换电池不但是非常困难的工作,而且会造成额外的交通堵塞,违背无线传感器网络应用于智能交通系统的初衷。因此,为了使电池的更换和路面维修时间4年一次保持一致,研究如何在不影响功能的前提下,尽可能节约无线传感器网络的电池能量成为无线传感器网络软硬件设计中的核心问题。

本节主要针对传感节点的硬件和软件部分,总结和分析了节点级能量有效策略的研究。在硬件部分,分析了基于MCU的动态电压调度策略和基于RF的能量有效策略;在软件部分,主要分析了基于OS的节点状态转换策略。最后部分给出了节点状态转换策略和功率控制的相关仿真实现。

3.1 节点能量消耗分析

无线传感器网络中的传感器节点与一般概念的传感器不同,它除了能够感测被测物理量的变化并输出相应的变化信息外,还要具备远程通信功能,必须是一种智能型的传感器。如图6所示为典型的传感器节点功能结构框图。

无线传感器节点结构及能耗分析如下:

(1)计算子系统由微处理器以及存储器构成;微处理器(Microcontroller Unit,MCU)负责控制传感器、执行通信协议和处理传感数据的算法。MCU的选择会对节点的电池消耗带来很大的影响,并且MCU通常有活跃、空闲和睡眠等多种操作模式,每种模式有不同的电源消耗。

(2)通信子系统包括基带处理和射频部分;无线收发电路功耗的因素很多,包括节点采用的调制模式、数据率、发射功率和操作周期等。

(3)传感子系统由一组传感器和信号变换装置构成。根据传感器的输出可以分为模拟和数字两类。传感子系统的能量消耗来自多个部分,包括信号采样以及物理信号到电信号的转换、信号调制和信号的模一数转换。

(4)能量供应子系统,包括电池和电压变换。其中,电压变换部分消耗了一定的能量。

3.2 节点能量有效策略

3.2.1 基于MCU的动态电压调度策略

动态电压调度DVS(dynamic voltage scheduling)策略的主要原理是基于负载状态动态调节供电电压来减小系统功耗。在大多数无线传感器节点上,计算负载是随时间变化的,因此并不需要微处理器所有时刻都保持峰值性能。DVS技术就是利用了这一点,动态改变微处理器的工作电压和频率使其刚好满足当时的运行需求,从而在性能和能耗之间取得平衡。如图7(a)为MCU的能量消耗与电压及频率的变化示意图。

在无线传感器网络中,传感器大多数时间处于空闲态时,等待事件的发生,因此在一个很长的时间内供电组件消耗的为泄漏能量。一种方法来缩减空闲态能量消耗的方法是在空闲态中彻底关闭不用的电子器件。然而,由于潜在的长时间延迟和启动这些器件需要额外的能量消耗,因此通过这种方法的能量节约并不十分有效,只有通过减小空闲态泄漏电流的流失才能有效节约能量。所以处理器的泄漏能量成为模型中的一个重要参数。

在无线传感器网络中,节点级能量保护策略通过DVS改变Vdd以平方的速度缩减MCU的动态能量消耗;而对于Vth的动态变化以指数级的缩减节点的功率消耗;在典型的μAMPS-l传感节点中,其微处理器为Strong ARMSA-1100,如图8(a)所示。动态电压标定了处理器电压从0.9V到1.5V变化,而时钟频率从59MHz到220MHz变化,如图8(b)所示。从图中明显看出采用DVS比不采用DVS能量保护策略能量消耗有将近两倍的差别。另外的能量节约可以通过相应的调整设备的阀值电压Vth来实现。就像Vdd的动态调整是介于传输延迟和转换能量之间的折中,Vth的动态调整是介于传输延迟和亚泄漏功率之间的折中。

3.2.2 基于OS的节点状态转换策略

在无线传感器网络中,监测事件具有很强的偶发性,节点上所有的工作单元没有必要时刻保持在正常的工作状态。处于休眠状态,甚至完全关闭,必要时加以唤醒是一种有效的系统节能方案。操作系统能够直接控制基础硬件资源,优化调整可变的能量控制关键参数,它的理想模式是完全关断为基础能量管理策略。

传感器网络节点的主要功耗器件有计算子系统(包括处理器和存储器)、传感子系统和通信子系统。根据它们的状态组合的有效性,将整个节点分为多种工作状态,在嵌入式操作系统的支持下进行状态切换,既满足了功能的需要,又节省了功耗。

一般来说,如果传感节点由n个器件组成,标定为(0,1,…,n-l),每个器件有ki个状态,那么总的传感节点的操作状态就有。每个元器件的功率模式对应于一个转换到此状态潜在的额外功率消耗。因此,每种模式都可以用功率消耗和潜在的额外功率消耗所标定。但是,从实用的角度上来说,不是所用的状态模式都有意义。一般来说,越深层次的睡眠就有越低的功率消耗和越长的唤醒时间。在这些节点状态中,节点状态转换策略就是基于观察事件来设定一个在各种状态之间的转换策略以最大化能量效率。如图9所示。

3.3 OPNET仿真分析

本节的无线传感器网络仿真模型是基于分簇网络的,将100个传感节点随机布设在设定区域内,所有传感节点的仿真模型相同。通过分簇算法形成稳定的分簇结构后,传感节点进入有效数据传输状态,节点主要以两种操作模式存在:成员模式和簇头模式,在此不再详述。

在能量模型中的节点主要有三种状态:睡眠态、活动态和失效态。在活动态按照能量的消耗不同又可以分为:空闲态、接收态和发送态。在许多研究中将空闲态和接收态合并,本文节点能量消耗模型的研究中表明空闲态和接收态存在差异,要分别考虑。仿真模型中传感节点的状态转换定义如图10(a)所示。

ci(0<i≤10)为转换条件,主要根据节点的中断不同区分各种状态的转换。从图中可以看出,当节点处于空闲态时,根据节点的两种操作模式不同分别进入簇内或簇间状态。其中转换条件c8和c10是完成传感数据收发操作后无条件返回;转换条件c7和c9是传感节点的数据中断触发的;转换条件c3主要是剩余能量计算后与门限能量比较的结果判断条件;转换条件c4和c5主要是针对传感节点的两种操作模式的转换,由于基站的移动、节点能量的耗尽或通信键路的中断等因素导致网络动态变化,因此,节点的操作模式也是不断转换;另外的条件,如c1、c2和c6,主要基于自身时钟和计数器的设定值来决定下一步的状态转换。

根据上述界定的传感节点各种状态的定义以及转换策略,在无线传感器网络模型的仿真中实现了各种状态的转换,其中某个传感节点在一直保持活动态和采用各种状态转换的剩余能量比较曲线如图10(b)所示。可以看出,没有采用状态转换策略的节点剩余能量随仿真时间的推移而线性下降;而采用状态转换策略的节点剩余能量下降缓慢,并且曲线是非线性的,这主要是因为各种状态下的能量消耗不同。从图中明显看出采用状态转换策略的传感节点能量的消耗速度大约是一直保持活动态的1/4,也就是网络生存周期大约要延长3倍以上。

3.4 能量有效接入延迟敏感通信链路设计

综合本节提出的节点能量有效控制策略和仿真结果,特别是超过90%的电池能量都用于无线通信的特点,而无线通信模块是按照网络通信协议在发射和接收或关闭之间切换,课题组设计了一种适合于交通系统的能量有效接入延迟敏感通信协议。该协议是基于时分算法多跳控制协议,不同于无功率的人工布设网络,这个协议的网络拓扑结构可以根据算法自动设置。这个协议的唯一假设是汇聚节点的发射功率足够大(注,这一点对于放置在路灯杆上的汇聚节点来说可以通过太阳能电池或照明电解决),确保网络内传感器节点在一跳之内就可以接收到汇集节点下行信息。而传感器节点的采集数据则需要通过多跳传输到汇聚节点。这种协议的通信链路结构示意图如图11所示。

这个协议适用于传感器节点周期性的有数据要传输到汇聚节点。整个协议的工作可以分为四个阶段:拓扑结构学习、拓扑结构汇集、路由建立和调整修正:

1)在拓扑结构学习阶段,每个传感器节点确认自己本地的拓扑结构,例如它的邻居、干扰源和它的父节点,这个父节点是由汇聚节点在路由树上根据路由算法确定的。

2)在拓扑结构收集阶段,每个传感器节点将自己本地拓扑结构表上传到汇聚节点。在这一阶段完成时汇聚节点就知道了整个网络的拓扑结构。

3)在计划编制初始阶段,汇聚节点对所有传感器节点广播传输计划。每个传感器节点都遵守这个传输计划在不发送数据或者侦听相邻节点传输请求时休眠等待。

4)调整修正阶段的触发往往是由于传感器节点发现自己本地拓扑结构发生变化如拓扑结构学习阶段没有发现的节点或部分节点失效等等。

采用这种能量有效接入延迟敏感通信协议,并按以下指标配置网络参数:最大传输速率50kbps,采样率1024Hz,包发生间隔2分钟,仅采用2200hah@3V电池2节,理论上就可以达到10年的工作时间。

在实际应用中由于电池自身的泄漏或温度变换,加之在理论分析时仅仅考虑表3中绘出传感器节点的不同状态下的电源消耗等多种因素,节点的工作时间要远低于理论时间。为了保证节点工作寿命,在工程应用中尚需要加大电池容量,以课题在嘉兴亚太路上布设的6个测试节点为例,在合理增加节点体积的情况下,配备了容量为34Ah锂亚电池,至今已连续正常工作了近3年。如图12所示。

4 结语

本文主要介绍应用于智能交通时无线传感器网络的构成,包括无线传感器网络的体系构架及其如何应用于交通信息采集领域,以及要开发原型样机的传感器选择和物流平台的硬件指标,并着重分析能量控制策略。在确定了能量有效控制的基础上开发了一种能量有效接入延迟敏感通信协议。

针对采用蜂窝网络节点中节点通信距离较大,其能量消耗随距离改变成指数增加,若基站遭到破坏,则整个网络处于瘫痪的问题,结合本课题的研究目标和实际应用中成本和配置网络的便利性的要求,提出了基于无线传感器网络的交通信息采集网采用分层网络结构,

简单介绍了基于无线传感器网络的交通信息采集系统工作流程,明确了一个车辆检测节点至少由传感器、微处理器、无线通信模块和电源模块四部分组成。并根据车辆的底盘中大量的铁质材料如铁、钢、镍、钴等造成的地磁场扭曲现象,选择体积小、功耗低、价格相对便宜的AMR传感器。并介绍原型机中要采用的微处理器和物理平台以及电池选择考虑等。

从许多道路上或缺少供电设施,埋设在路面下的无线传感器网络车辆检测节点一般采用电池供电,而更换电池不但是非常困难的工作,而且会造成额外的交通堵塞情况。研究如何在不影响功能的前提下,尽可能节约无限传感器网络电池能量。主要针对传感节点的硬件和软件部分,总结和分析了节点能量有限策略的研究。

最后给出了节点状态转换策略和功率控制的相关仿真现实。在本节的最后综合节点能量有效控制策略和仿真结果,设计了一种适于交通信息采集的能量有效接入延迟敏感通信协议。

【交通信息采集方法】推荐阅读：

公共交通信息06-08

交通信息平台09-12