0 引言

车路协同系统(Cooperative Vehicle Infrastructure System, CVIS)是目前智能交通系统的前沿技术，是采用传感探测等技术获取车辆和道路的信息，通过先进的无线通信和新一代互联网技术实现车车、车路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率，从而形成安全、高效和环保的道路交通系统^[1-2]。而在车路协同系统中，车辆的精确定位是实现车辆协同控制的核心问题。

目前车辆定位技术主要有惯性导航技术^[3-4]、卫星定位技术^[5]、组合定位技术^[6-7]、基于无线射频识别(Radio Frequency Identification, RFID)的无线定位技术^[8-9]等。文献[3]指出惯性导航器件误差具有随时间累积的特性，针对惯性导航系统关键参数在线标校的实际需要，提出了基于受约束最优化可观测度分析方法、最优标校路径设计方法和基于输出耦合的自适应Kalman滤波算法，有效地提升了导航定位精度。文献[4]设计了一个微小型捷联惯导系统，实现了水下机器人惯性导航系统的导航参数读取，包含位置、瞬时速度、偏航角等信息，并通过试验表明该系统满足水下机器人定航控制要求。文献[5]论述了GPS车辆定位监控系统的设计与实现，系统试用结果表明该系统能够较精确地完成车辆定位监控与调度。文献[6]采用全球定位系统(Global Positioning System, GPS)/地图匹配(Map Matching, MM)组合定位技术，借助地理信息系统(Geographic Information System, GIS)数字地图中的高精度道路网信息作为分类模板进行模式识别，根据识别结果校正GPS定位误差，有效提高了定位精度。文献[7]设计了GPS/惯性导航系统(Inertial Navigation System, INS)组合导航系统，该系统定位精度可达0.1~0.5 m，当车速分别为0.5 m/s和1 m/s时，路径跟踪的最大横向误差分别为0.16 m和0.27 m。文献[8]设计了一种基于RFID原理的交通目标搜索和定位方案，通过改进的LMS时延估计方法获得车辆到达不同基站的时间差(Time Difference of Arrival, TDOA)，然后采用Chan算法求解TDOA值构成的双曲线方程组获得车辆的位置，试验平均定位误差小于15 m。文献[9]提出了一种新的多基站TDOA车辆定位方法，有效地克服了传统Chan算法中信号衰减引起TDOA估计误差较大时性能迅速恶化的问题，具有较高精度，满足交通信息获取系统中对车辆定位的要求。

本文探索一种车路协同系统中的车辆精确定位方法，设计一种能够储存道路信息的信息标识，并在路面上设置信息标识。当车辆驶过标识时，安装于车上的成像装置实现对信息标识图像的拾取，利用加权最小二乘法对图像进行直线拟合得到车辆的运动方向，识别图像信息得到车辆的精确位置，结合车辆对于自身运动状态的感知，实现车辆的精确定位。该方法相比前述几种方法具有以下优点：

(1) 定位精度可达cm级，充分满足车辆协同控制的需求。

(2) 受周围建筑环境影响小，适应性强。

(3) 无需搭设基站，成本相对较低。

(4) 算法简单，位置获取速度快。

1 路面信息标识的设计

本文设计的路面信息标识由多个相同圆形色块组成，色块颜色应与路面颜色有显著差异。在此以黑色路面、白色圆形色块为例说明其基本原理。

定义白色圆形色块为标记点，其直径为D。将若干标记点排成1行，即可通过其排列方式表征特定信息。一种可行的排列方式为：按照D为间距排列标记点，存在标记点用数字“1”表示，不存在标记点用数字“0”表示，则图 1所示信息标识中标记点的排列可表示为“100011001010110001”。

依据上述原理，路面信息标识可以表征各种信息，如道路名称、速度限制、定位信息等。本文主要针对定位信息进行讨论。定义1条路面信息标识包含30个数据位，如图 2所示。

其中：

(1) 左侧空白区为两标识之间的间隔，为连续5位的数据0；

(2) 起始终止标识均采用连续3位的数据1，从而与左右侧空白区区分开。

(3) 道路情况数据段分配3个数据位，区别不同的道路情况，分为一般直行道路、十字交叉口等道路。

(4) 横向位置数据段为7位，组成1个7位二进制数，表示该信息标识是从道路右边开始第几个信息标识。

(5) 中间分隔符为连续2位的数据1，分隔横向位置和纵向位置数据。

(6) 纵向位置数据段为7位，组成1个7位二进制数，表示车辆距离路段终点的距离单位个数。

多条信息标识在道路上依次排布如图 3所示，即构成1个行驶方向断面的定位信息。图 4为图 3的局部放大图，框中信息标识4表示“000001110010000100110001010111”，其含义为该路段为直行路段，该信息标识为从道路右边界起第4个信息标识，该位置距离路段终点10个距离单位(如定义1个纵向距离单位为50 m，则距离路段终点还有500 m)。

由于信息标识位于道路表面，外部条件比较恶劣，因此对其材料性能有较高要求，即应具有抗滑性和耐磨性，以保证行车安全和使用寿命。本文仅讨论定位算法，关于标识材料的讨论将在后续文章中进行。

2 路面信息标识的识别 2.1 路面信息标识图像的获取

当路面上布设了信息标识后，车辆只需通过成像装置拾取信息标识的图像并识别，即可获得车辆的精确定位信息。成像装置安装在车辆内(图 5)，垂直向下拍摄。图 6表示车辆通过信息标识4时成像装置获取的图像，可以看出标识相对于水平方向有一定的偏转角度，将这个角度定义为偏转角。图 7表示车辆通过信息标识时成像装置坐标系和信息标识坐标系的相对关系，忽略车辆运动中的侧偏，其中α角为车辆运动方向与道路横向的夹角，β角为标识图像的偏转角，满足α+β=90°，因此通过识别所得标识图像的偏转角即可得到车辆的运动方向。

2.2 影响信息标识图像的因素

成像装置获取的路面信息标识图像受到几个因素的影响，分别为车速、成像装置的安装高度、路面情况。

(1) 车速对信息标识图像的影响

由于车辆速度的影响，成像装置获取的图像6与图 4相比具有道路坐标系Y_G轴方向的模糊特性，这是由于成像装置的曝光时间相对于车辆驶过路面标识的时间较长，而成像装置的工作原理是在很短时间里将场景在胶片上曝光。场景中的光线投射在胶片上，引起化学反应，最终产生图片。而车辆运动使得在曝光过程中场景发生变化，因此形成运动模糊。

本文采用模型车对车速和模糊长度的关系进行模拟试验，试验结果如图 8所示。可以看出数据具有明显的线性关系。对数据进行线性拟合可以得到拟合直线方程为y=33.388x－21.6，拟合的R²值为0.892 6，拟合效果较好。实际情况中，由于标识图像会有一定的偏转角，因此标识区域所占长度B=y×(1+sin β)。由于成像装置获取的图像大小为1 280×720，为使整个标识处于图像中，则需满足B＜720，取90°极限β值求得车x＜11.43 m/s=41.15 km/h，因此本文方法仅适用于车速低于41.15 km/h的行驶情况。

(2) 成像装置安装高度对信息标识图像的影响

本文所使用的成像装置视角为66°，假设成像装置的安装高度为h，可得到成像装置的视野范围Z=2h×tan 33°。下文会提到成像装置视野范围需大于40D，若D=2 cm，可以求得h＞61.6 cm。

(3) 路面情况对信息标识图像的影响

由于信息标识是设置在道路表面，成像装置获取的信息标识图像会受到路面情况的影响。图 9为信息标识设置在真实路面上成像装置静止拍摄得到的图像，图 10为成像装置以一定速度经过信息标识时拍摄得到的图像。可以看出图 10中无关背景元素较多，会对信息标识的识别造成较大影响，因此在识别前需对图像进行预处理以剔除无关元素。由于标识区域图像相对于背景的特征更为明显，因此本文采用二值化的方法，通过自适应阈值算法求算图像阈值进行二值化。图 11为图 10的二值化效果图，可见背景剔除效果较好。图 11中还进行了1次闭运算，以消除相邻标记点间的空隙，方便后续的图像识别。

2.3 路面信息标识的识别

获取信息标识图像的二值图后，使用加权最小二乘法对标识图像进行直线拟合来求算偏转角。假设图像中的白色标识的坐标点为(x_i，y_i)，i=1, 2, 3, …, n，坐标点所对应的像素灰度值为w_i，i=1, 2, 3, …, n，假设拟合得到的直线表达式为y=kx+b，在最小二乘法的基础上，将像素值作为权重进行拟合，其中直线方程中的斜率k和截距b可以通过式(1)^[10-17]计算得到。

(1)

式中，x的加权平均值；y的加权平均值；各点灰度值的和；x和y的加权离均差积；x的加权离均差平方和与y的加权离均差平方和的差值。

图 12为使用加权最小二乘法进行直线拟合的结果。表 1为各偏转角度下求得的数据，其中绝对误差为算得角度与实际角度差值的绝对值，由其中数据求出平均绝对误差为0.71°，证明算法能得到较精确的偏转角，亦即可得到车辆的精确行驶方向。

得到标识区域的拟合直线后，通过分析拟合直线上图像的灰度值就能得到信息标识所表示的位置信息。求出拟合直线上各像素点的灰度值(如图 13所示)，用若干个数字“1”表示各极大值点，用若干个数字“0”表示各极小值点，可以识别出图中的数据“00000111001000010011000101011100000”，从而得到车辆的精确位置信息。

3 车辆精确位置的计算方法

获取标识的信息后就可进行车辆的精确定位。假设一个行驶方向断面上的信息标识分别为M₁，M₂, …，M_n，n为信息标识中横向位置表示的数字，单个标识长度为L，由上文可知，L=30D，成像装置的视野中心点为m，标识M_n中心点的横向位置为，纵向位置为P_ny，车辆中心点的横向位置为V_x，纵向位置为V_y。

在拍摄中会出现以下几种情况，分别有不同的计算位置方法：

(1) 理想的拍摄情况是拍摄到的图像包含1个完整的标识(如图 14所示)，圆形为成像装置的视野范围，此时识别出1个完整标识M_n，其中d₁，d₂可通过分析图像得到，则车辆横向位置V_x=P_nx-，纵向位置V_y=P_ny。

(2) 拍摄到的图像没有1个完整的标识(如图 15所示)，其中d₃，d₄可通过分析图像得到，此时需结合成像装置的视野大小判断视野中的有效信息。若能够获取标识M_n的横向位置数据，则车辆的横向位置；若能够获取标识M_n-1的横向位置数据，则车辆的横向位置V_x=P_(n－1)x+。纵向位置上只要成像装置视野范围大于40D即可得到标识M_n的纵向位置数据，V_y=P_ny=P_(n-1)y。

为了检验标识横向位置信息获取的准确性，通过模拟道路和模型车进行定位试验，其中标记点直径D=2 cm，试验数据如表 2所示。

表 2中的绝对误差为算得距离与实际距离差值的绝对值，由表 2中数据求出平均绝对误差为2.17 cm，约为1个标记点的直径，证明算法能够得到较精确的车辆位置信息。

如果成像装置相对车体的位置已知，当车辆通过1个信息标识断面时即可获得车辆在道路上的精确位置及行驶方向，如图 16中A点的位置和行驶信息。但由于这一标识只能在路面上间隔出现，在两个信息标识之间的车辆定位就需要依靠惯性导航技术，即在已知初始位置、方向的条件下，依靠车速、车体横摆角速度可以推算车辆在两个信息标识之间的运动轨迹，在距离不太长的条件下，可以实现相当精确的定位^[18-22]，从而实现车辆在全程中的精确定位。

4 结论

本文提出的车辆精确定位方法不需要搭设高昂的检测设备，只需通过设置路面信息标识和车辆对标识的识别装置，结合车辆对于自身运动状态的感知，就可实现车辆的精确定位。定位精度可达cm级。在车路协同系统条件下，该方法相对便捷，成本低廉。该信息标识还可表达更多的控制信息，可在车路协同系统中起到重要作用。

该方法目前主要用于相关的研究和试验，其中仍有许多问题可以改进。如信息标识的定义规则、信息标识断面在路网中的设置方法、标识的鲁棒性识别、标志点之间的快速惯导计算方法、标识材料的选择等。