周啟平，何 偉，賈 蕾，郭俊凱，趙建國

(1.安徽繼遠(yuǎn)軟件有限公司，安徽 合肥 230088； 2.中國電子科技集團(tuán)公司第二十研究所，陜西 西安 710068；3.四創(chuàng)電子股份有限公司，安徽 合肥 230011)

車聯(lián)網(wǎng)是一種新興的模式，由車載單元、路邊單元、移動(dòng)網(wǎng)絡(luò)和配備了無線射頻識(shí)別技術(shù)、圖像采集設(shè)備和各種傳感器的車輛組成，具備車輛通信、路況收集、資源共享、交通和安全服務(wù)等功能。利用車聯(lián)網(wǎng)通信和網(wǎng)絡(luò)，可將采集數(shù)據(jù)分發(fā)給其他車輛和路邊設(shè)備，并獲取駕駛條件、系統(tǒng)運(yùn)行狀態(tài)和道路環(huán)境等信息。車聯(lián)網(wǎng)的發(fā)展使得人們出行更加智能，讓建設(shè)智慧城市成為可能，它也是未來智能車輛自主駕駛和智能交通系統(tǒng)的基礎(chǔ)。高精度定位技術(shù)作為車聯(lián)網(wǎng)業(yè)務(wù)中的一項(xiàng)關(guān)鍵技術(shù)，為用戶提供了精準(zhǔn)可靠的位置信息，可有效提升車輛行駛安全性和駕駛體驗(yàn)。但在實(shí)際應(yīng)用中，車聯(lián)網(wǎng)仍存在系統(tǒng)定位精度低、耗時(shí)長等一系列問題，因此提高車聯(lián)網(wǎng)的定位能力和效率勢(shì)在必行。

近年來，國內(nèi)外學(xué)者針對(duì)車聯(lián)網(wǎng)定位和導(dǎo)航等方面開展了大量理論研究。文獻(xiàn)[1]提出了一種基于稀疏貝葉斯學(xué)習(xí)(Sparse Bayesian Learning，SBL)的到達(dá)角卷積神經(jīng)網(wǎng)絡(luò)(Direction of Arrive，DOA)估計(jì)方法，實(shí)現(xiàn)了非均勻噪聲條件下目標(biāo)車輛的離網(wǎng)DOA估計(jì)。在該方法中，非均勻噪聲協(xié)方差矩陣采用最小二乘法(Least Square，LS)估計(jì)，通過求解多項(xiàng)式根實(shí)現(xiàn)網(wǎng)格精化，進(jìn)而細(xì)化網(wǎng)格點(diǎn)，從而減少了離網(wǎng)誤差。該方法還根據(jù)DOA估計(jì)結(jié)果，在定位系統(tǒng)中通過每兩個(gè)基站對(duì)目標(biāo)車輛進(jìn)行一次交叉定位。該方法有效克服了車輛在GPS信號(hào)較弱的地方定位精度低的問題，提高了車輛的定位精度，但該方法的定位過程存在較大傳輸時(shí)延。文獻(xiàn)[2]提出了一種利用單一信號(hào)源的機(jī)會(huì)信號(hào)(Signal of Opportunity，SOP)進(jìn)行車聯(lián)網(wǎng)定位的新方法。該方法基于SOP的到達(dá)時(shí)間差(Time Difference of Arrivals，TDOA)。由于信號(hào)中包含了車輛軌跡約束的先驗(yàn)信息，一定程度上有效提高了定位精度，但在受到外界信號(hào)和環(huán)境干擾時(shí)，車輛定位精度無法得到有效保障。文獻(xiàn)[3]提出了一種傳感器融合算法來對(duì)車輛定位及預(yù)測(cè)車輛未來的運(yùn)動(dòng)軌跡，但方向和距離測(cè)量的誤差會(huì)對(duì)最終位置產(chǎn)生重大影響，且定位耗時(shí)較長。文獻(xiàn)[4]提出了一種基于差分定位機(jī)制車聯(lián)網(wǎng)定位方法，其中車輛使用無線介質(zhì)將其GPS觀測(cè)值發(fā)送到基站?；救诤辖邮盏降腉PS數(shù)據(jù)和本地GPS觀測(cè)值，實(shí)現(xiàn)高精度車輛跟蹤，但該方法數(shù)據(jù)傳輸耗時(shí)較長，無法滿足實(shí)際應(yīng)用中的低時(shí)延要求。

綜上所述，大多數(shù)研究方法均存在定位精度較低或傳輸時(shí)延大的缺陷?；诖?，本文提出了一種基于北斗定位和邊緣計(jì)算的車聯(lián)網(wǎng)技術(shù)研究，其可為大規(guī)模車聯(lián)網(wǎng)終端提供實(shí)時(shí)精準(zhǔn)、低延遲和高精度的定位服務(wù)。在本方法中，將升級(jí)后的蜂窩基站用作邊緣節(jié)點(diǎn)，可減輕數(shù)據(jù)中心的計(jì)算壓力，將計(jì)算所得差分校正信息實(shí)時(shí)播發(fā)。為解決終端的多路接入問題，本文提出了一種改進(jìn)的遺傳任務(wù)分配算法，該算法可以最大程度地減少服務(wù)時(shí)延，并確保邊緣節(jié)點(diǎn)的負(fù)載均衡，同時(shí)利用基于邊緣節(jié)點(diǎn)的優(yōu)化無損卡爾曼濾波算法來提高終端定位精度。

1 算法原理

1.1 實(shí)時(shí)動(dòng)態(tài)差分法技術(shù)

實(shí)時(shí)動(dòng)態(tài)差分法(Real-Time Kinematic，RTK)又稱為載波相位差分技術(shù)，該技術(shù)原理是在基準(zhǔn)站上安置一臺(tái)接收機(jī)，對(duì)衛(wèi)星狀態(tài)進(jìn)行連續(xù)觀測(cè)，并通過無線電傳輸設(shè)備實(shí)時(shí)地將觀測(cè)數(shù)據(jù)及測(cè)站坐標(biāo)信息傳送給用戶站；隨后，用戶站在接收衛(wèi)星信號(hào)的同時(shí)，通過無線接收設(shè)備接收基準(zhǔn)站信息，根據(jù)相對(duì)定位原理進(jìn)行實(shí)時(shí)處理，解算出用戶站的位置坐標(biāo)[5]?；跀?shù)據(jù)中心的RTK差分定位系統(tǒng)架構(gòu)如圖1所示，圖中車聯(lián)網(wǎng)節(jié)點(diǎn)等同于所述用戶站。

圖1 基于數(shù)據(jù)中心的RTK差分定位系統(tǒng)架構(gòu)Figure 1. RTK differential positioning system architecture based on data center

基準(zhǔn)站接收機(jī)所測(cè)得的載波滯后相位[6]為

(1)

(2)

同理，用戶站接收機(jī)測(cè)得的載波滯后相位表示如式(3)所示。

(3)

(4)

1.2 高效數(shù)據(jù)通信傳輸算法

在通常情況下，采用常規(guī)高精度RTK定位算法可以獲得良好的車輛定位精度。然而在高速移動(dòng)場(chǎng)景下，由于車輛差分定位數(shù)據(jù)存在傳輸時(shí)延，導(dǎo)致車輛定位結(jié)果存在一定的定位偏差，無法及時(shí)獲得高精度定位結(jié)果，對(duì)車輛導(dǎo)航會(huì)產(chǎn)生較大影響?；诖?，本文利用5G和邊緣計(jì)算技術(shù)，提出一種高效的數(shù)據(jù)通信傳輸方法，可有效降低數(shù)據(jù)傳輸時(shí)延，進(jìn)而獲得實(shí)時(shí)的高精度定位數(shù)據(jù)。

5G通信技術(shù)的發(fā)展為導(dǎo)航和通訊兩者的融合奠定了堅(jiān)實(shí)的基礎(chǔ)。通過對(duì)導(dǎo)航和通信設(shè)備進(jìn)行綜合集成，將移動(dòng)蜂窩網(wǎng)絡(luò)基站改造升級(jí)為基準(zhǔn)站用來觀測(cè)衛(wèi)星導(dǎo)航信號(hào)，基于現(xiàn)有基準(zhǔn)站形成邊緣計(jì)算網(wǎng)絡(luò)，為終端提供導(dǎo)航和定位服務(wù)[8]。

車聯(lián)網(wǎng)系統(tǒng)架構(gòu)如圖2所示，目前車聯(lián)網(wǎng)系統(tǒng)傳輸采用3G/4G技術(shù)，存在較為嚴(yán)重的傳輸延遲，無法及時(shí)獲得車輛數(shù)據(jù)，難以滿足車輛實(shí)時(shí)定位的要求。由車輛側(cè)傳輸?shù)臄?shù)據(jù)一般傳輸?shù)綌?shù)據(jù)中心云端，由于車輛數(shù)據(jù)體量大，數(shù)據(jù)中心需要承受巨大的處理負(fù)荷，一定程度上影響數(shù)據(jù)處理響應(yīng)效率，導(dǎo)致其無法為車輛提供實(shí)時(shí)的高精度定位服務(wù)。

圖2 車聯(lián)網(wǎng)系統(tǒng)架構(gòu)Figure 2. Architecture of internet of vehicles

邊緣計(jì)算是一種靠近終端的小型數(shù)據(jù)中心周邊網(wǎng)絡(luò)邊緣的計(jì)算技術(shù)?；咀鳛檐嚶?lián)網(wǎng)的重要組成部分，負(fù)責(zé)連接終端和云服務(wù)。將位于終端側(cè)的基準(zhǔn)站用作邊緣節(jié)點(diǎn)，能夠?yàn)榇罅恳巡渴鹎业乩砦恢梅稚⒌能嚶?lián)網(wǎng)終端節(jié)點(diǎn)提供高精度定位服務(wù)，具有低延遲、實(shí)時(shí)交互、移動(dòng)性支持等特點(diǎn)[9]。

如圖3所示為基于邊緣計(jì)算的定位系統(tǒng)架構(gòu)，主要包括物理層、邊緣層和云層。其中物理層主要包括車聯(lián)網(wǎng)節(jié)點(diǎn)、邊緣層包括基準(zhǔn)站及其網(wǎng)絡(luò)；云層包括云服務(wù)器和數(shù)據(jù)中心等內(nèi)容。物理層和邊緣層負(fù)責(zé)定位，云層負(fù)責(zé)數(shù)據(jù)的收集、分析和處理工作，具體描述如下：

圖3 基于邊緣計(jì)算的定位系統(tǒng)架構(gòu)Figure 3. Positioning system architecture based on edge computing

(1)車聯(lián)網(wǎng)節(jié)點(diǎn)由傳感器、設(shè)備和終端等構(gòu)成。首先終端發(fā)起定位請(qǐng)求，北斗定位模塊測(cè)量衛(wèi)星信號(hào)，并將測(cè)量數(shù)據(jù)發(fā)送到邊緣節(jié)點(diǎn)；隨后邊緣節(jié)點(diǎn)根據(jù)某些規(guī)則和策略進(jìn)行計(jì)算，最終得到終端用戶的定位信息[10]；

(2)邊緣節(jié)點(diǎn)相當(dāng)于小型數(shù)據(jù)中心，為終端的定位服務(wù)提供計(jì)算和存儲(chǔ)資源。邊緣節(jié)點(diǎn)可以進(jìn)行數(shù)據(jù)預(yù)處理、簡單數(shù)據(jù)分析和預(yù)測(cè)，并將結(jié)果發(fā)送到云服務(wù)器或終端。邊緣節(jié)點(diǎn)可進(jìn)行相互通信，連接到邊緣計(jì)算網(wǎng)絡(luò)并進(jìn)行分布式計(jì)算。根據(jù)終端的大致位置坐標(biāo)，由邊緣節(jié)點(diǎn)動(dòng)態(tài)生成差分校正信息，為用戶提供實(shí)時(shí)的高精度定位結(jié)果；

(3)云使用終端收集的數(shù)據(jù)，可為終端提供歷史數(shù)據(jù)分析、數(shù)據(jù)存儲(chǔ)和用戶行為預(yù)測(cè)等關(guān)鍵服務(wù)。云服務(wù)包括終端用戶跟蹤、配置、分析、報(bào)告、認(rèn)證和授權(quán)等服務(wù)。

基于邊緣計(jì)算的定位方法旨在解決數(shù)據(jù)中心集中計(jì)算的高延遲問題。將基站用作邊緣節(jié)點(diǎn)，當(dāng)終端發(fā)出定位請(qǐng)求時(shí)，最近的邊緣節(jié)點(diǎn)接收到定位請(qǐng)求，并計(jì)算出差分校正信息，再將其發(fā)送到終端進(jìn)行解算。

1.3 算法優(yōu)化

1.3.1 基于5G和邊緣計(jì)算的定位算法

該算法的基本思路是當(dāng)終端發(fā)出定位請(qǐng)求時(shí)，每個(gè)終端選擇距離最近的邊緣節(jié)點(diǎn)進(jìn)行定位計(jì)算。邊緣節(jié)點(diǎn)將計(jì)算所得差分校正信息通過5G網(wǎng)絡(luò)發(fā)送給終端，終端根據(jù)該校正信息獲得當(dāng)前位置的高精度定位信息。但該算法并未考慮負(fù)載均衡策略，在終端高并發(fā)請(qǐng)求場(chǎng)景下，可能出現(xiàn)流量過載現(xiàn)象。由于終端數(shù)量較多且地理分布較廣，通過利用鏈路調(diào)度方法可以實(shí)現(xiàn)最佳負(fù)載均衡和最小鏈路時(shí)延。

邊緣計(jì)算網(wǎng)絡(luò)可以用加權(quán)有向圖G=(V，E)進(jìn)行表示，其中V={v1，…，vi，…，vm}為邊緣節(jié)點(diǎn)集合，E={e1，2，…，ei，j，…，em-1，m}為邊緣連線集合[11]。ei，j表示vi和vj之間的邊緣連線，其通信時(shí)延為τi，j。每個(gè)邊緣節(jié)點(diǎn)所賦予的計(jì)算能力為ri。U={u1，…，uk，…，un}為定位請(qǐng)求任務(wù)集合，該集合U服務(wù)時(shí)延表示為

d=max{Ci/ri+tk，i+τi，jxi，j}

(5)

式中，Ci為邊緣節(jié)點(diǎn)vi上的請(qǐng)求容量；Ci/ri為邊緣節(jié)點(diǎn)vi的計(jì)算時(shí)間，也可表示任務(wù)uk的等待時(shí)間；tk，i為終端k與最近邊緣節(jié)點(diǎn)vi之間的傳輸時(shí)延。如任務(wù)uk從邊緣節(jié)點(diǎn)vi傳輸至vj并在vj進(jìn)行計(jì)算，令-xi，j=1，否則xi，j=0，即任務(wù)uk在最近的邊緣節(jié)點(diǎn)vi處進(jìn)行計(jì)算?？紤]到終端移動(dòng)性和邊緣節(jié)點(diǎn)的服務(wù)范圍受限，回程時(shí)延表示為

(6)

式中，ε是邊緣節(jié)點(diǎn)vi的服務(wù)范圍。若終端k在邊緣計(jì)算節(jié)點(diǎn)vi的覆蓋范圍內(nèi)，則將差分校正信息由邊緣計(jì)算節(jié)點(diǎn)vi發(fā)送到終端k，否則由最近的邊緣節(jié)點(diǎn)vj發(fā)送到終端k。

邊緣計(jì)算網(wǎng)絡(luò)中定位請(qǐng)求的服務(wù)時(shí)延等于所有終端的最大時(shí)延。為達(dá)到定位請(qǐng)求時(shí)延最小的目標(biāo)，需要使目標(biāo)函數(shù)d最小化，因此任務(wù)分配問題的目標(biāo)函數(shù)可表示為式(7)。

(7)

將定位任務(wù)分配給這些邊緣節(jié)點(diǎn)時(shí)，為使得服務(wù)時(shí)延最小化，每個(gè)定位請(qǐng)求應(yīng)被分配給最近的邊緣節(jié)點(diǎn)。由于終端地理位置分布不均以及各邊緣節(jié)點(diǎn)的計(jì)算能力有所不同，定位請(qǐng)求的初始化可能引起某些邊緣節(jié)點(diǎn)的過載現(xiàn)象[12]。

在邊緣節(jié)點(diǎn)上重新分配定位請(qǐng)求來確保負(fù)載平衡，能有效降低系統(tǒng)服務(wù)時(shí)延，提高系統(tǒng)吞吐量。在定位請(qǐng)求初始化完成后，將邊緣節(jié)點(diǎn)的平均計(jì)算時(shí)間設(shè)置為閾值，超出閾值φ的定位請(qǐng)求將被重新分配，每個(gè)邊緣節(jié)點(diǎn)用于重新分配定位請(qǐng)求的容量為ΔCi。任務(wù)分配問題如式(8)所示。

(8)

常用任務(wù)分配算法有蟻群算法(Ant Colony Algorithm，ACA)和遺傳算法(Genetic Algorithm，GA)。相較于ACA，GA的復(fù)雜程度較低，運(yùn)行時(shí)間更短，可有效滿足實(shí)時(shí)定位場(chǎng)景應(yīng)用需求。采用基于自然選擇的遺傳算法進(jìn)行任務(wù)分配，其具有良好的隱含并行搜索特性，能夠解決大規(guī)模組合優(yōu)化問題。該算法具備全局解空間搜索能力，為獲得最優(yōu)解或近似最優(yōu)解，可對(duì)群體迭代執(zhí)行選擇、交叉和變異等遺傳操作[13]。

為有效解決終端定位請(qǐng)求服務(wù)時(shí)延問題，提升終端定位請(qǐng)求效率，本文將改進(jìn)的遺傳算法用于重新分配超出閾值φ的定位請(qǐng)求，以確保系統(tǒng)服務(wù)時(shí)延最小化。該遺傳算法包括3個(gè)步驟：

步驟1選擇操作。為縮短該算法執(zhí)行時(shí)間，將計(jì)算時(shí)間低于閾值φ的邊緣節(jié)點(diǎn)解空間作為第1代染色體。選用混合選擇策略來選擇染色體，首先將種群中最優(yōu)的20%個(gè)體復(fù)制到下一代，然后采用輪盤賭算法對(duì)其余80%個(gè)體進(jìn)行選擇。

首先計(jì)算每個(gè)個(gè)體的適應(yīng)度值fk，并計(jì)算每個(gè)個(gè)體的遺傳概率

(9)

然后計(jì)算每個(gè)個(gè)體的累積概率

(10)

最后，確定選擇的個(gè)體。產(chǎn)生1個(gè)[0，1]內(nèi)的隨機(jī)數(shù)r，若r

步驟2交叉操作。交叉運(yùn)算決定算法的全局搜索能力，其選擇出來的個(gè)體具有很高的適應(yīng)性。隨機(jī)生成一個(gè)隨機(jī)數(shù)rand∈[0，1]，并與交叉概率pc比較，如果rand

步驟3變異操作。采用單點(diǎn)變異方法，即從邊緣節(jié)點(diǎn)中隨機(jī)選擇1個(gè)進(jìn)行基因突變，這種隨機(jī)性有利于加快趨向最優(yōu)解的收斂速度。該方法合理地將每個(gè)定位請(qǐng)求分配給相應(yīng)的邊緣節(jié)點(diǎn)，能有效降低定位時(shí)延，提高終端定位的實(shí)時(shí)性。

相較于常規(guī)遺傳算法，改進(jìn)遺傳算法在全局收斂性和收斂速度方面都有改善。為驗(yàn)證該算法有效性，采用具有相當(dāng)復(fù)雜度的測(cè)試函數(shù)Shaffer′s F6函數(shù)[14]，如式(11)所示。

(11)

對(duì)于常規(guī)遺傳算法，經(jīng)過幾百次的進(jìn)化，其解分別收斂于局部極大值，而始終沒有收斂到全局最大點(diǎn)(0，0)。對(duì)于改進(jìn)遺傳算法，進(jìn)化經(jīng)過幾百代甚至幾十代后，無論初始群體如何，均收斂于全局最大值。

表1 兩種算法收斂比較Table 1. Comparison on the convergence of the two algorithms

邊緣計(jì)算網(wǎng)絡(luò)的負(fù)載均衡度由每個(gè)節(jié)點(diǎn)的任務(wù)處理時(shí)間標(biāo)準(zhǔn)差(Time Standard Deviation，TSD)測(cè)量得出，為獲得良好的負(fù)載均衡性能，TSD應(yīng)較低[15]

(12)

經(jīng)過任務(wù)分配后，所有終端的定位請(qǐng)求都分配給了記錄為主站的邊緣節(jié)點(diǎn)。將5G基站用作邊緣節(jié)點(diǎn)，結(jié)合主站與至少兩個(gè)輔站等數(shù)據(jù)進(jìn)行計(jì)算，得到終端近似坐標(biāo)的差分校正信息。由于終端近似坐標(biāo)(x′u，y′u，z′u)與實(shí)際坐標(biāo)(xu，yu，zu)之間相距幾米到十米，故可根據(jù)近似坐標(biāo)的差分校正信息來校正觀測(cè)值，進(jìn)而獲得精確的定位結(jié)果[16]。

ΔImi+ΔTmi+Δεmi

(13)

對(duì)于終端近似值u′，主站m與u′兩者單差為

ΔImi+ΔTmi+Δεmi

(14)

類似地，輔站1和2表示為式(15)。

(15)

已知主站和輔站的位置坐標(biāo)，偽距單差可通過觀測(cè)數(shù)據(jù)計(jì)算得到，系數(shù)可由式(13)求解得到。

(16)

在將電離層、對(duì)流層、衛(wèi)星軌道和時(shí)鐘等誤差具有較強(qiáng)空間相關(guān)性的誤差消除之后，則終端u與衛(wèi)星s之間的幾何距離表示為式(17)。

(17)

根據(jù)終端的近似坐標(biāo)，距離差值可通過坐標(biāo)差值表示。由于兩個(gè)坐標(biāo)之間的距離非常接近，泰勒展開的高階導(dǎo)數(shù)幾乎為零，僅保留一階導(dǎo)數(shù)，則修正后偽距觀測(cè)方程的誤差方程為[18]

(18)

衛(wèi)星數(shù)為n，對(duì)應(yīng)的誤差方程為

V=AδX+L

(19)

其中

(20)

當(dāng)觀測(cè)到不少于4顆衛(wèi)星時(shí)，通過加權(quán)最小二乘法求得最小二乘解，其中L均值為0，方差矩陣為Q

(21)

最終終端精確坐標(biāo)信息表示為式(22)。

(22)

如圖4所示為基于邊緣計(jì)算的定位算法流程。

圖4 基于邊緣計(jì)算的定位算法流程圖Figure 4. The flow chart of the positioning method based on edge computing

1.3.2 優(yōu)化后算法

由于最小二乘算法相對(duì)簡單，每次定位結(jié)果相互獨(dú)立，具有較大的定位誤差。無損卡爾曼濾波(Unscented Kalman Filter，UKF)[19]算法具有計(jì)算量小和定位精度高等特點(diǎn)，可通過濾波減少誤差對(duì)定位精度的影響，實(shí)現(xiàn)精準(zhǔn)的目標(biāo)跟蹤。

UKF非線性系統(tǒng)可表示為

(23)

式中，f和h分別為非線性狀態(tài)函數(shù)和非線性測(cè)量函數(shù)；Wk和Vk是相互獨(dú)立的，且均值為0；協(xié)方差矩陣分別為Qk和Rk的白噪聲。

為了確保估計(jì)的公正性，濾波的初始值為式(24)。

(24)

基于邊緣計(jì)算的定位算法模型，提出了一種基于邊緣節(jié)點(diǎn)的無損卡爾曼濾波(Unscented Kalman Filter Based on the Edge Node，EUKF)算法。考慮到終端的計(jì)算能力有限，由邊緣節(jié)點(diǎn)負(fù)責(zé)計(jì)算并將定位結(jié)果發(fā)送到終端。為有效提高定位精度，將終端周邊大量邊緣節(jié)點(diǎn)用于協(xié)同定位，并由主站將定位結(jié)果發(fā)送給終端[21]。

(25)

組合測(cè)量值可表示為式(27)。

(26)

利用主站周邊的邊緣節(jié)點(diǎn)進(jìn)行遞歸操作來校正測(cè)量誤差[22]，誤差協(xié)方差矩陣可以表示為

(27)

式中，Ai為加權(quán)矩陣，由邊緣節(jié)點(diǎn)到終端之間距離和邊緣節(jié)點(diǎn)的置信度確定。加權(quán)矩陣Ai表示為式(28)。

Ai=diag(a1，a2，…，an)

(28)

如果從邊緣節(jié)點(diǎn)到終端的距離很遠(yuǎn)，且邊緣節(jié)點(diǎn)的置信度較低，則Ai值較大，濾波器增益相應(yīng)減小，進(jìn)而減小系統(tǒng)誤差對(duì)定位精度的影響。

終端的狀態(tài)向量為

(29)

式中包含終端的三維位置坐標(biāo)、三維速度、三維加速度和接收機(jī)鐘差等參數(shù)，終端的狀態(tài)方程為

Xk+1=ΦXk+Wk

(30)

(31)

根據(jù)上述模型可以求解出終端的位置坐標(biāo)。

2 測(cè)試驗(yàn)證

如圖5所示，本文采用諾瓦泰接收機(jī)板卡NovAtel OEM719D接收衛(wèi)星數(shù)據(jù)，并接收來自基準(zhǔn)站的差分?jǐn)?shù)據(jù)，為車聯(lián)網(wǎng)節(jié)點(diǎn)提供高精度差分定位服務(wù)。

圖5 諾瓦泰OEM719D板卡Figure 5. Novatel OEM719D broad

為了驗(yàn)證衛(wèi)星觀測(cè)數(shù)據(jù)定位的可行性，對(duì)一定觀測(cè)時(shí)段內(nèi)可視衛(wèi)星進(jìn)行觀測(cè)。如圖6所示，在觀測(cè)期間，可視衛(wèi)星的數(shù)量均不少于4顆，滿足定位要求。如圖7所示，位置精度因子(Position Dilution of Precision，PDOP)均小于3，屬于比較理想的狀態(tài)，因此可利用觀測(cè)數(shù)據(jù)可計(jì)算出準(zhǔn)確定位結(jié)果。

圖6 可視衛(wèi)星數(shù)變化Figure 6. Variation of the number of visible satellites

圖7 PDOP值變化Figure 7. Variation of PDOP

本文采用MATLAB軟件對(duì)算法進(jìn)行仿真實(shí)驗(yàn)。根據(jù)5G網(wǎng)絡(luò)基站的平均覆蓋率，基站間距設(shè)置為500 m，將安徽合肥500個(gè)5G基站選作邊緣節(jié)點(diǎn)。假設(shè)邊緣節(jié)點(diǎn)具有相同計(jì)算能力，且終端定位請(qǐng)求是隨機(jī)生成的。遺傳算法相關(guān)參數(shù)設(shè)置如下：cp=0.2；pc=0.6；初始種群個(gè)體數(shù)為100個(gè)；迭代次數(shù)為100次。利用接收機(jī)實(shí)測(cè)數(shù)據(jù)計(jì)算終端定位結(jié)果。

2.1 定位精度

為獲得真實(shí)可靠的驗(yàn)證數(shù)據(jù)，通過跑車試驗(yàn)，采集北斗定位和慣導(dǎo)數(shù)據(jù)，并以慣導(dǎo)數(shù)據(jù)作參考標(biāo)準(zhǔn)，對(duì)北斗定位數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，得出車聯(lián)網(wǎng)終端的平均定位誤差為0.921 6 m。

在不同環(huán)境下的定位誤差如圖8所示，結(jié)果表明EUKF算法利用邊緣節(jié)點(diǎn)消除了系統(tǒng)誤差，其定位精度高于UKF算法。

(a)

(b)圖8 動(dòng)態(tài)定位誤差 (a)開放環(huán)境 (b)復(fù)雜環(huán)境Figure 8. Errors of dynamic positioning (a)Open environment (b)Complex environment

2.2 服務(wù)時(shí)延

如圖9所示為不同方法的服務(wù)時(shí)延對(duì)比情況。結(jié)果表明，基于邊緣計(jì)算的定位算法會(huì)減輕數(shù)據(jù)中心的計(jì)算壓力。差分校正信息由靠近終端的邊緣節(jié)點(diǎn)求解，緩解了數(shù)據(jù)中心計(jì)算量大、帶寬受限、吞吐量高的問題，有效減小了系統(tǒng)服務(wù)時(shí)延。如果最近的邊緣節(jié)點(diǎn)接收定位請(qǐng)求并在初始化后計(jì)算差分校正信息，由于終端定位請(qǐng)求的不平衡會(huì)增加服務(wù)時(shí)延，但改進(jìn)GA的邊緣計(jì)算網(wǎng)絡(luò)可以實(shí)現(xiàn)負(fù)載平衡，邊緣節(jié)點(diǎn)上的過載終端定位請(qǐng)求會(huì)被重新分配，可進(jìn)一步降低服務(wù)時(shí)延。

圖9 服務(wù)時(shí)延對(duì)比曲線Figure 9. Comparison of the different service delay

邊緣網(wǎng)絡(luò)在改進(jìn)GA前后的負(fù)載平衡性能如圖10所示。隨著終端數(shù)量的增加，進(jìn)行負(fù)載均衡改進(jìn)的定位算法可以平衡終端的定位請(qǐng)求分配，有效縮短邊緣網(wǎng)絡(luò)的任務(wù)處理時(shí)間。

(a)

(b)圖10 負(fù)載均衡性能 (a)任務(wù)處理時(shí)間標(biāo)準(zhǔn)差 (b)處理請(qǐng)求標(biāo)準(zhǔn)差Figure 10. Load balancing performance (a)Task processing time standard deviation (b)Processing request standard deviation

3 結(jié)束語

本文開展了基于北斗定位和邊緣計(jì)算的車聯(lián)網(wǎng)技術(shù)研究，利用北斗定位技術(shù)解決車輛高精度定位問題，通過5G通訊技術(shù)實(shí)現(xiàn)定位信息的高速傳輸，并采用基于邊緣計(jì)算技術(shù)，有效緩解了數(shù)據(jù)中心計(jì)算壓力，提升了系統(tǒng)運(yùn)行效率和實(shí)時(shí)響應(yīng)速度。仿真結(jié)果表明，本文所提方法可以為車聯(lián)網(wǎng)提供實(shí)時(shí)準(zhǔn)確的定位服務(wù)，解決了車聯(lián)網(wǎng)中高精度、低延時(shí)、數(shù)據(jù)并發(fā)量大等實(shí)際問題，且滿足了車聯(lián)網(wǎng)系統(tǒng)的可靠性和實(shí)時(shí)性要求。