0 引言

在车联网中，为了对车辆进行定位，车辆之间或者车辆和路边基础设施需要交换数据，在实际应用中常常假设车辆的实时位置能够被提供。目前在导航应用中一般利用GPS数据来确定车辆的位置，但是安全驾驶和应急指挥系统需要更加精确的车辆位置信息，所以先进的位置定位技术已被提出。

在无线网络中，信号传播的一些特性已经向定位方向发展。细胞定位^[1]利用来自发射塔的信号传播延迟来计算绝对位置。Kukshy等^[2]用传播特性来估计相邻车辆之间的距离和相对位置，然而由于失真和干扰，无线信道太不稳定，所以不能获得车辆准确位置。车联网中众所周知的寻找相对位置的技术(三边测量)，需要至少在无线范围内3个相邻的点来确定位置，所以在稀疏的交通环境中不能对车辆进行准确定位^[3-4]。数据融合作为在车联网中的另一个定位方法，通过整合从不同设备获得的几种数据来计算位置，例如GPS、数码相机、智能手机等^[5-6]。在数据融合中位置的准确性依赖于传感器的数量和质量，在现有的方案中最好的情况下差分GPS能把位置精度提高几十厘米^[7-8]。但在道路环境中，随着车辆远离参考点，它的精度急剧下降。

在车联网中，为了提供精确的位置，本文通过射频识别(RFID)提出一种新的定位方法。一辆配备了GPS系统的车辆在行驶过程中使用RFID读取器从驾驶路边单元的RFID标签获得精确的位置数据，还可以读取储存在RFID标签中的道路交通信息^[9]，然后通过无线向相邻的安装GPS车辆传播它计算出来的GPS误差，进而对装有GPS的车辆进行定位^[10-11]。W Cheng等^[12]提出了没有安装GPS车辆的位置计算方法，但是随着参考车辆和用户之间距离的增加，车辆位置数据精度逐渐下降。在城市道路中随着车辆之间的距离增加，由于遮挡物的原因，信号传输的信噪比下降。为了减少这种误差，本文利用一种改进的加权系数法来减少定位误差，以在城市道路中获得准确的车辆位置数据。

1 原理

如图 1所示，VR和VM都是安装GPS的车辆，VR车在RFID的传播范围内，VR车使用RFID读取器从RFID标签获得精确的位置，VR车可以当作一个基站，通过无线向VM车传播误差，通过VR车可以得到VM车的精确位置。

在车辆定位中可以利用加权系数方法减小定位误差^[13-14]。本文利用一种改进的加权系数方法对车辆进行精确定位。为了获得VR车的位置，需要计算VR车到每辆VM车之间的距离，VR车的坐标(x_i,y_i)被发送到VM车的接收器中，所以VM车到VR车的距离为：

(1)

式中，c为光的速度；Δt为波传播的时间；(x,y)为VM车的坐标；s为传输误差。

(2)

式中，(x_n,y_n)为第n辆VR车的位置坐标；(x_n+1,y_n+1)为第n+1辆VR车的位置坐标；(Δx,Δy)为车辆的位置差。

式(2)可以被扩展成式(3)：

(3)

式中，r_n+1,i为第n+1辆VM车到第i辆VR车的距离；r_n,i为第n辆VM车到第i辆VR车的距离，r_i为VM车到第i辆VR车的距离；(Δx_n,Δy_n)为车辆的位置差。

在式(3)中设l_i=∂r_i/∂x_n，m_i=∂r_i/∂y_n，Δr_i=r_n+1,i-r_n,i，i=1,2,…,n。则车辆之间的距离Δr可以被表示为：

(4)

式中，

如果从左边乘以矩阵A的转置矩阵，可以得到结果如下：

(5)

当求解式(5)时，可以得到车辆的位置数据。为了减少信噪比对定位的影响，可以把加权系数和距离联系起来。加权系数矩阵W可以表示为：

(6)

式中，σ_i是距离误差的标准差；ω_i=1/σ_i² i=1,2,…,n。

在矩阵(6)左边乘以矩阵A的转置矩阵之前，把式(4)和矩阵W相乘，可以得到:

(7)

基于RFID的车辆定位方法可以利用车辆VR位置数据来校正误差。计算这个校正数据的方法如式(8)所示。

(8)

式中，ρ_rⁱ为VR车和第i辆VM车之间的距离；r_rⁱ为几何范围；PRCⁱ为误差范围；PRCⁱ为信噪比和设备性能误差；ρ_uⁱ为VR车和第i辆VM车之间的距离；ρ_u^i₁为校正位置。VM车的位置可以利用ρ_u^i₁计算得出。在本文的方法中，设备性能误差可以被完全忽略。

2 方法 2.1 基于权重系数的车辆定位方法

本文中的权重系数是根据车辆之间的距离大小确定的。因为长距离会增加校正错误而短距离反之，所以本文制订4种模型的权重系数，使长距离加权系数小于短距离加权系数，分别如图 2(a)~(d)所示。

2.2 偏斜误差的改正

在本文方法的测量中,可以认为测量精度依赖于距离的长短。而且车辆之间的距离长短和偏移误差之间的关系几乎是线性关系，即距离越长,偏移误差越大(图 3)。

为了减少偏移误差，本文设计了如下模型：

(10)

(11)

式中，x_i和y_i分别为VM车的横、纵坐标,x₀和y₀分别为一个参考站VR车的横、纵坐标；t为观察的时间值；t₀为校正数据的计算时间。这些公式通过最小二乘法从线性函数的近似值中得到，因此测量点根据参考站的相对位得到纠正。

3 仿真试验 3.1 基于RFID车辆定位方法的试验

采用2014年9月20日长春浮动车试验数据对本文方法进行验证。试验车装有RFID读写器，沿长春市南湖大路-亚泰大街-自由大路-人民大街进行行车试验，试验车共经过8个有信号控制的路段，试验时间为8:00-9:00，RFID标签按一定的距离布置在不同的路段上，RFID利用一定范围内的RFID基站对车辆进行定位，其性能如表 1所示。数据处理单元对无线定位接收机输出的信号进行分析，采样频率F_s=1 MHz，采集样本数N=500。在城市道路中一般每500 m设置1个RFID标签，但是在交通比较拥堵的地区(例如商业街、医院等附近)每200 m需要设置1个RFID标签，RFID标签尽量布置在交叉口和路段中心附近。首先在不同的交通量道路中进行试验。其次在不同的速度范围进行试验。

3.1.1 不同的交通量

试验中，50～400辆车被部署在5 km长的四车道公路上，平均车辆之间的距离为50～400 m。在道路上设置200辆车的情况下，60.2%的GPS车辆可以在36 s内刷新位置信息；路上有300辆车时，有85.2%的GPS车辆可以在36 s内刷新位置信息；路上有400辆车时，有96.5%可以在36 s内刷新位置信息。在60 s时间内，若道路上有超过200辆车，83%的GPS车辆可刷新位置信息。这意味着通过基于RFID的辅助车辆定位，大多数GPS车辆可以在60 s内获取它们的准确位置。

3.1.2 不同的速度范围

该试验研究的是车辆速度对定位性能的影响。将速度范围划分为3组：15～30,20～30,25～30 m/s。此外，每组都有两种不同的设置：第一，在给定的速度范围内，车辆随机选择速度；第二，车道被划分为快车道和慢车道(车速依然从给定范围内选择)。随着GPS车辆的变化，车辆位置刷新间隔也变化；高速度的车辆可以缩短刷新间隔，因为高速度变化提供了更多的机会与GPS车辆(参考车辆)相遇。

3.2 加权系数对定位的影响

下面利用本文提出的利用加权系数减小误差的方法进行验证。结果如表 2所示。表 2显示了偏移误差的结果，偏移误差是指从二维测量平均值到接收机计算的误差。通过权重系数使测量误差得到了改进，尤其是复合函数模型更好。所以复合二次函数模型是最好的权重系数模型，因为随着距离增加到一定值时，由于某种遮挡物的影响，信噪比会迅速下降，误差也会迅速增大。表 2也显示偏斜误差的校正结果，即使用加权系数进行测量后的纠正偏斜误差。

复合二次函数的具体模型根据不同的道路条件确定。式(12)是本文在试验场地定义的复合二次函数模型：

(12)

图 4显示了车辆之间的距离和定位误差的关系。可以看出，通过提出的方法可以减少因信噪比减少而造成的定位错误。

图 5为待定位车辆到VR车在不同距离、不同信噪比、没有利用加权的情况下基于RFID的定位结果。可以发现，定位误差随着距离的增大而增大，随着信噪比的下降而增大，并且信噪比比距离对定位的影响大。在距离小于100 m、信噪比大于15 dB的情况下，误差变化比较缓慢，而在距离大于100 m，信噪比小于15 dB的情况下，误差变化比较大。

图 6为不同的定位车辆到RFID基站的距离和不同信噪比的情况下，利用本文加权方法得到的定位误差结果。可以看出，当信噪比较大、距离较小时，定位误差较小；当距离增大、信噪比减少时，因为本文方法对不用距离和信噪比的车辆进行了加权，得到的误差不会增大，定位误差变化较小，均小于0.5m，说明了本文提出方法的有效性，符合在车联网环境下对车辆定位的精度要求。

图 7为用本文方法和传统的差分GPS方法定位误差结果的对比。可以看出，本文方法定位误差不大，均在0.5m内，只有极少数超过0.5 m，符合定位精度要求。

4 结论

为了满足在车辆网中需要很高位置精度的要求，本文提出了一种基于RFID的车辆定位方法，通过车辆之间距离的权重系数来对偏移量进行校正，试验证明最好的权重模型符合二次函数模型，这种方法可以减少传统方法利用RFID定位因距离增加而造成的定位错误，定位精度符合车联网中的要求。