近年來，公路交通帶動著社會經濟的飛速發展，為社會創造了無法估量的財富，同時交通事故的頻繁發生也給社會造成了大量的人員傷亡和巨大的人力、物力和財力的損失。根據美國國家公路交通安全管理局和弗吉尼亞州技術局發布的《自然駕駛條件下的100輛車進行的研究》顯示， 80%的公路交通事故是由駕駛員在事故前3 s內的疏忽造成的[1]。資料同時顯示，如果在潛在交通事故發生的前1 s能有效地給駕駛員發出警報，則可避免 90%的交通事故[2-3]。如果在交通事故前2 s駕駛員采取相應的措施，幾乎所有的交通事故都能避免[4]。

    目前已投入使用的大多數主動安全預警裝置，如汽車電子穩定性控制系統、底盤一體化控制技術、智能安全輔助系統以及人/車安全狀況監控與干預技術等[5]，仍停留在對汽車行駛狀態以及周圍行車環境的檢測和報警功能上，不能有效地對汽車自身可能的行駛運動狀態進行預報以及對潛在的行車危險進行預警[6]。鑒于當前汽車主動安全預警裝置的問題以及公路交通的嚴峻形勢，進行汽車姿態感知與狀態預測技術的研究，可以提高駕駛車輛的主動安全，對減少道路交通事故將起到十分重要的作用。
1 平臺的工作原理
    基于MEMS傳感器的汽車姿態感知與狀態預測平臺，通過安裝在車上的分布式傳感器網絡，實時地在線監測汽車三軸加速度、三軸角速度以及三軸磁場等汽車運行狀態參數,這些數據是未經過處理的模擬信號，通過濾波器進行數字濾波、數據融合處理后，經過A/D轉換成數字信號傳送到處理器單元。利用監測到的數據對汽車姿態進行解算，并不斷更新。針對解算后的汽車姿態信息,在PC機上建立先進的自回歸(AR)算法模型，用于預測未來短暫時刻汽車的運行姿態角，并且設定了安全行駛汽車姿態角閾值。若汽車運行狀態超出這個限定值，系統便發出預警信號，提醒駕駛人員采取相應措施。圖1所示為汽車姿態感知與狀態預測平臺的工作原理。

2  平臺的硬件設計
    平臺所用到的主要設備包括運動處理組件MPU-6050、BMP085壓力傳感器、HMC5883L磁力計、電源處理模塊、數據處理單元STM32F103、PC機、車載直流電源及試驗車輛等。運動處理組件MPU-6050內部集成有三軸陀螺儀和三軸加速器，可以實時監測汽車運動的三軸角速度和三軸加速度。BMP085壓力傳感器用于監測大氣壓力及海拔高度，HMC5883L磁力計用來測量汽車所在位置地球磁場的方向和大小,數據處理單元STM32F103用來對感知到的數據進行姿態解算處理，電源處理模塊以及車載直流電源為設備提供所需的電源，PC機用來建立模型并進行狀態信息預報。
2.1 運動處理模塊
    MPU-6050為全球首例整合三軸陀螺儀與三軸加速器與單一芯片的六軸運動處理組件，并內建數字運動處理組件(Motion Processor)與九軸運動感測融合演算技術(Motion Fusion)。芯片內置16 bit AD轉換器，具有16位數據輸出，采用標準I2C通信協議,并含可藉由第二個I2C端口連接其他廠牌的加速器、磁阻傳感器或其他傳感器。MPU-6050的陀螺儀傳感器的量程范圍為±250 °/s、 ±500 °/s、 ±1 000 °/s、±2 000 °/s,可準確追蹤快速與慢速動作,加速度計的量程范圍為±2 g、±4 g、±8 g、±16 g。
2.2 壓力傳感器
    BMP085是一款高精度、超低能耗的數字壓力傳感器， 絕對精度最低可以達到0.03 hPa，壓力范圍為300~1 100 hPa(海拔9 000 m~-500 m), 最小分辨率0.03 hPa(0.25 m)，在標準模式工作電流僅5 μA。在低功耗模式下，分辨率為0.06 hPa(0.5 m);在高線性模式下，分辨率為0.03 hPa(0.25 m)，并具有溫度輸出功能以及溫度補償功能。
2.3 磁力計
    霍尼韋爾HMC5883L是一種表面貼裝的高集成模塊，并帶有數字接口的弱磁傳感器芯片，其內部集成電路包括放大器、自動消磁驅動器、偏差校準及能使羅盤精度控制在1°～2°的12位模擬/數字轉換器。傳感器自有的對于正交軸低敏感性的結構，能用于測量地球磁場的方向和大小,其測量范圍從幾毫高斯到幾高斯(gauss)。
2.4 數據處理單元
    STM32F103T8是一款使用高性能ARM Cortex-M3內核的增強型32位貼片控制器，用于車輛姿態解算。其工作頻率為72 MHz，內置高速存儲器(64 KB的Flash和20 KB的SRAM)，可編程輸入/輸出端數量為26個，模/數轉換器輸入數為10個，內部具有4個定時器，豐富的增強I/O端口，包含2個12位的ADC、4個定時器,還包含標準和先進的通信接口：主要包括CAN、I2C、SPI、USART和USB。
2.5 電源模塊
    電源處理模塊的作用是將汽車上提供的電能轉換為穩定可靠的電源,供車載感知與智能終端平臺使用。汽車上主要提供有12 V和24 V兩種直流電源，但選用的模塊需要5 V、3.3 V兩種直流穩壓電源。而且由于車載電源長時間工作在惡劣的環境下，電壓不穩定，造成輸入源對設計的電路也存在一定的干擾，電源處理模塊設計時采用了二級電源供電模式，第一級電源轉換由車載12 V轉換到5 V，第二級電源從5 V轉換到3.3 V。
3 平臺的軟件設計
3.1下位機軟件設計
    傳感器的輸出值是車體相對于慣性坐標系而言的，在進行車體姿態解算時需要分清各種坐標系統之間的關系，其中涉及到坐標變換[7]。
    針對下位機的數據處理與過程控制功能，選用模塊化結構，即由一個主程序和若干功能子程序共同組成。其中，功能子程序主要包括延時子程序、LED顯示子程序、I2C接口操作子程序、氣壓計子程序、磁力計子程序、運動組件子程序、姿態解算子程序和上位機的指令處理子程序等，并且各個子程序按照信息處理的復雜程度分配了合適的延時時間，這樣可以確保數據處理完整，避免發生子程序運行時間過長等問題。主程序則是按照處理流程依次調用各個功能子程序來實現傳感器的感知與姿態解算的功能。為了減少采集到的數據誤差,采用了數字濾波技術，在程序設計中主要用到算術平均濾波。下位機主程序的流程如圖2所示。
3.2 上位機軟件設計
    車載感知與狀態預測的上位機程序運行界面如圖3所示，主要包括數據幀接收模塊、傳感器實測數據顯示模塊、預測項選擇模塊、預測初始化模塊、預測結果顯示模塊以及功能操作模塊。

    數據幀接收模塊主要用來顯示下位機通過RS232串口向上位機傳送的16進制數據幀，其每一幀數據均包括幀起始標志、數據實體以及幀結束標志。傳感器實測數據顯示模塊用來在線實時更新運動處理組件、磁力計、溫度計以及下位機解算到的車輛的姿態信息。通過傳感器實測數據模塊，用戶可以及時了解車輛運行時的三軸加速度、三軸角速度、三軸磁場、大氣壓力、大氣溫度、海拔高度以及解算出來的橫擺角、俯仰角和側傾角等信息。預測項選擇模塊包括對三軸加速度、三軸角速度以及下位機解算出來的橫擺角、側傾角和俯仰角的預測。可以在預測開始前選擇需要預測的內容，也可以在系統預測進行過程中，通過選擇不同的按鈕來改變預測內容。預測初始化模塊用于設置靜止時系統預測樣本數據采集的時間，默認設置為20 s。預測結果顯示模塊用來顯示所選擇的預測項目未來3 s內的預測數值。當預測結果接近設定的閾值時，則發出警示信息，提醒駕駛人員交通安全。狀態預測程序設計中,采用自回歸(AR)建模預測方法[8-9]對運行中的車輛狀態開展預測。每一個預測時刻都對應一個誤差率,用來表征預測精度。功能操作模塊主要用來打開串口，在設定完初始時間后，確認開始預測，并保存下位機上傳的數據和選定的預測項數據，以便后期對車輛感知信息進行綜合評價和分析。
4 實車道路試驗
    為了檢驗汽車姿態感知與狀態預測平臺的運行效果，對該平臺進行了實車道路試驗。試驗時，運動處理組件、磁力計、氣壓計放置在汽車質心處。為了驗證不同汽車行駛條件下汽車姿態感知與狀態預測的效果，針對縱向加速度及俯仰角的實時監測與預報道路試驗，選擇車輛急加速后馬上急減速的試驗方法；對于橫向加速度，選擇蛇形試驗方法[10]；對于橫擺角及側傾角，選擇定轉向盤連續加速試驗的方法[11]；以及采用繞八字彎試驗方法來開展道路試驗。
    在進行狀態預測前，將預測建模時間設置為60 s，即開始預測前60 s的數據用于建立多層遞階建模，建模完成后，便可對預測項作1 s~3 s的短期預測，預測信息隨著姿態數據不斷更新而實時改變。最后以試驗階段的任意2 min內試驗測得汽車姿態數據分別與軟件1 s、2秒和3 s的預測值進行比較，可得橫擺角的試驗值與預報值的對比曲線如圖4所示，側傾角的試驗值與預報值的對比曲線如圖5所示，表1給出了道路試驗中橫擺角和側傾角預測值的平均相對誤差率。

    基于MEMS傳感器進行的汽車姿態感知與狀態預測平臺的研究，自主設計了汽車姿態監測硬件平臺，并開發了相應的軟件，用于傳感器數據處理、姿態解算以及狀態預測。進行了實車道路試驗，并針對橫擺角和側傾角的試驗值與預測值進行了比較，兩者的曲線走勢基本吻合，最后給出了試驗值和預測值的相對誤差率。結果表明，汽車姿態感知與狀態預測平臺的研究取得了一定的效果，為以后開展更高性能的汽車主動安全預警系統提供了一定的理論依據和工程應用指導。
參考文獻
[1] 薄大明,王元海,王軍利,等.公安交通安全管理現狀分析與對策研究[J]. 中國人民公安大學學報(自然科學版), 2008(1): 82-85.
[2] 公安部交通管理局.道路交通事故統計年報[G].無錫:公安部交通管理科學研究所,2009.
[3] National Transportation Safety Board.Vehicle and infrastructure-based technology for the prevention of rear-end collisions[R]. Special Investigation Report-Highway Vehicle，2001.
[4] 黃金敢.交通事故動力學分析及再現研究[D].福州:福州大學,2004.
[5] 劉軍,董晶晶,時梟鵬,等.汽車運動狀態在線測量及預報技術[J]. 中國公路學報,2011(4):114-121.
[6] 永井正夫. 基于先進控制技術的車輛主動安全領域研究展望[J]. 汽車安全與節能學報,2010(1):14-22.
[7] 何國國.汽車運動狀態在線測量及預報技術研究[D].鎮江:江蘇大學,2010.
[8] 夏安邦.系統建模理論與方法[M].北京：機械工業出版社，2008.
[9] PANDIT S M, Wu Shienming. Time series and analysiswith application[M]. Maclison John Wiley and Sons,1983.
[10] GB/T 6323.1-94.汽車操縱穩定性試驗方法蛇行試驗[S].1994.
[11] GB/T 6323.6-94.汽車操縱穩定性試驗方法穩態回轉試驗[S]. 1994.