Алгоритм идентификации классов транспортных средств при помощи акселерометров Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.93 + 62.51 + 625.03

АЛГОРИТМ ИДЕНТИФИКАЦИИ КЛАССОВ ТРАНСПОРТНЫХ СРЕДСТВ ПРИ ПОМОЩИ АКСЕЛЕРОМЕТРОВ

Д. Е. Обертов1,

аспирант В. М. Бардов2,

аспирант

Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики

Рассматриваются проблемы идентификации классов транспортных средств с помощью акселерометров. Реализуется алгоритм определения классов автомобилей, основанный на измерениях с акселерометров. Последовательность действий алгоритма включает в себя фильтрацию полосовым фильтром, возведение в квадрат, сглаживание скользящим окном и фильтром нижних частот, а также удаление помех путем сравнения с порогом. Приведены результаты обработки данных с помощью алгоритма, демонстрирующие его эффективность.

Ключевые слова — акселерометр, идентификация, классы транспортных средств, интеллектуальные транспортные системы.

Введение

В последнее десятилетие все большее внимание уделяется построению интеллектуальных транспортных систем, в том числе интеллектуальных дорог, которые снабжены средствами, позволяющими обеспечивать взаимодействие и связь между транспортной инфраструктурой и транспортными средствами (ТС).

Применение таких средств дает возможности для контроля дорожного движения в целях повышения безопасности, уменьшения заторов и пробок на дорогах, ведения статистики дорожного движения, идентификации классов ТС, контроля скорости и других приложений [1, 2].

Идентификация классов ТС является важным компонентом безопасности дорожного движения. Поэтому разработка системы и алгоритма, который с большой производительностью и надежно-

1 Научный руководитель — доктор технических наук, профессор кафедры СУиИ Санкт-Петербургского национального исследовательского университета информационных технологий, механики и оптики Б. Р. Андриевский.

2 Научный руководитель — кандидат технических наук, доцент кафедры СУиИ Санкт-Петербургского национального исследовательского университета информационных технологий, механики и оптики С. В. Ара-новский.

стью мог бы работать в различных погодных условиях, в любое время суток является актуальной. Также необходимо по возможности обеспечить бесконтактность измерений, что позволит продлить срок эксплуатации системы, уменьшить количество переустановок оборудования и вмешательства людей в дорожное движение, приводящее к нарушению движения во время установки.

Транспортные средства могут быть классифицированы по различным критериям в зависимости от задач. Наиболее очевидным является применение идентификации классов ТС для мониторинга дорожного движения и набора статистики [3, 4]. Статистика необходима как характеристика описания движения транспорта в одном определенном месте в определенное время: времени суток, дня недели, времени года. В дальнейшем эта информация может быть использована для планирования ремонта дорог, организации других эксплуатационных мероприятий и принятия мер по разгрузке транспортной сети.

В данной работе исследуется возможность использования акселерометров для идентификации классов автомобилей. Узлы-датчики, состоящие из одного акселерометра и магнитометра, устанавливаются на дорожную разметку. Расстояние между соседними узлами 50 м. Датчики обмениваются информацией по беспроводной сети между собой и серверами, расположенными

вдоль дороги. Установка датчиков на дорожную разметку позволит повысить время их эксплуатации благодаря меньшему количеству наездов ТС, а также позволит обеспечить бесконтактность измерений. Акселерометры измеряют вибрации дороги, за счет чего отсутствует непосредственный контакт датчиков с автомобилями. Магнитометры измеряют магнитные поля, создаваемые автомобилями. Планируется использовать их в будущем для измерения скорости автомобилей. Сейчас скорость считается известной.

Идентификация классов автомобилей

Существует 5 типов осей по международной классификации в зависимости от расстояния между соседними колесами: А, В, С, Б, Е (рис. 1).

0 80 180 330 600 1050

■ Рис. 1. Классификация колесных баз автомобилей

■ Классификация автомобилей по колесной базе

Если колесная база (расстояние между соседними осями автомобиля) от 80 до 180 см, то ТС относится к мотоциклам, от 180 до 330 см — к легковым автомобилям и т. д. Возможны и более сложные комбинации осей (см. рис. 1).

На основе анализа колесной базы автомобилей — продольного расстояния между соседними осями автомобиля — разработана классификация ТС (таблица).

Реализация алгоритма и результаты экспериментальных исследований

Обработка данных с акселерометров показана на рис. 2. Изначально идет предварительная обработка, обнаружение автомобилей. Только затем следует обработка данных в целях нахождения классов автомобилей. Предварительная обработка данных осуществляется согласно представленным шагам.

Последовательность операций для определения классов ТС с использованием акселерометров (рис. 3) состоит из следующих операций.

1. Первоначальные данные, полученные с акселерометров, фильтруются полосовым фильтром (ПФ), потому что рассматриваем частотный диапазон, соответствующий области максимальных амплитуд сигнала. Предварительная обработ-

о о ы Ид® СС Классы осей Условное изображение класса Обозначение автомобиля Класс автомо- биля Классы осей Условное изображение класса Обозначение автомобиля

Мотоцикл в в МС Грузовик (2 оси) с прицепом Б, Е-С, Б, Е 8~н-»з Б, Е С,Б,Е L24

Легковой автомобиль с Р20 Грузовик (2 оси) с прицепом Б, Е-В, С, Б, Е-В, С, Б, Е Ф-Н • • 1 Б,Е В,С,Б,Е В,С,Б,Е L25

Легковой автомобиль с прицепом с-с, Б С С, Б Р21 Б, Е-Б, Е-В, С-В, С ^ #-Н L26

С-В, С, Б-А г}—Ч-> Р22 Б,Е Б,Е В,С ВС

* С *ВС,Б*А Б, Е-В, С-С, Б, Е-В, С 1~^ 0 Н-0- L27

Грузовик (2 оси) Б, Е гп L20 Б,Е В,С С,Б,Е В,С

и—•-! Б,Е Грузовик (3 оси) С, Б-В С,Б В L30

Грузовик (2 оси) с прицепом Б, Е-С т и 1 L21 Грузовик (3 оси) с прицепом С, Б-В-С L31

Б, Е С С, Б-В-Б, Е L32

С, Б-В-В L33

Б, Е-Б, Е т и , L22 С, Б-В-С, Б, Е L34

Б, Е Б,Е С, Б-В-С, Б, Е-В, С, Б, Е L35

Б, Е-В т __ L23 С, Б-В-Б, Е-В, С-В, С L36

Б, Е в С, Б-В-В, С-С, Б, Е-В, С L37

■ Рис. 2. Последовательность действий по обработке данных с акселерометров

ка сигналов с помощью быстрого преобразования Фурье и короткооконного преобразования Фурье выявила частотный диапазон от 850 до 1750 Гц. Такая обработка необходима для исключения низкочастотных и высокочастотных помех. Используется эллиптический фильтр, который обеспечивает максимальное затухание сигнала в полосе задерживания [5]. Частоты среза ПФ выбираются на основе предварительной обработки данных и анализа спектральных характеристик.

2. Данные, полученные на выходе ПФ, возводятся в квадрат: z(iT) = y(iT )2, где i = 0, 1, 2, ... — дискретное время; T — интервал квантования (частота дискретизации датчика).

3. Сигнал сравнивается с порогом, все значения, которые меньше порога, обнуляются:

threshold = 0,02-maximum(z);

z(iT), если z(iT) >= threshold;

0, иначе z(iT) < threshold,

z(iT) < threshold, тогда z(iT) = 0.

4. Сглаживание с помощью скользящего окна с временем сглаживания t.

5. Сигнал z(i) фильтруется эллиптическим фильтром нижних частот (ФНЧ), частота среза выбирается в зависимости от скорости ТС: w = f(V) [Гц], где V — скорость ТС, км/ч.

6. Значения сигнала сравниваются с порогом, если они меньше порога, то обнуляются:

Isuma(i), если suma(i)>= threshold; suma(i)* = \

10, иначе suma(i)< threshold;

threshold =

0,33 maximum (suma), если yf >0,00005;

0,22 maximum (suma), иначе yf <= 0,00005, i = 1, 2, ..., k,

где yf — сигнал на выходе ФНЧ. Числа 0,33; 0,22 получены экспериментальным путем.

7. Алгоритм поиска максимумов кривой yi: этот алгоритм анализирует производную yi для поиска максимумов.

8. Для удаления «плохих» пиков (максимумов) используется порог. Мы не анализируем колесную базу меньше 60 см (0,6 м). Колесная база может быть найдена согласно оператору: (time2(i + + 1) - time2(i))V

9. Амплитудный и временной порог используются для удаления пиков с малой амплитудой и маленькой шириной импульса (временной порог). Порог амплитуды составляет 8 % от максимального значения амплитуды пика.

Временной порог пересчитывается в расстояние, аналогично расчету колесной базы. Ширина импульса умножается на скорость. Не анализируются импульсы шириной меньше 70 см.

10. Алгоритм определения колесной базы (A, B, C, D, E). Этот алгоритм реализован в соответствии с рис. 1.

11. Алгоритм классификации ТС осуществляется в соответствии с рис. 1 и 2.

Графики сигналов в важнейших точках алгоритма для идентификации классов ТС представлены на рис. 4.

Алгоритм был протестирован на основе серии экспериментов, проведенных на дорогах в окрест-

■ Рис. 3. Последовательность действий для идентификации классов ТС с использованием акселерометров (использованы фрагменты программы)

a) x(n), м/с2

0,21 ' '

0,1

-0,1

-0,2

в) z(n), м2/с'1

0,025

0,015

0,005

0 0,4 0,8 1,2 1,6 2 t, с

б) y(n), м/с2

0 0,4 0,8 1,2 1,6 2 t, с

г) х 10-4 yf(g)м2/c4

■ Рис. 4. Графики сигналов в важных точках последовательности действий: а — х(п) (исходный сигнал с акселерометра); б — у(п) (после ПФ); в — г(п) (после возведения в квадрат и сравнения с порогом); г — у/(£) (после сглаживания скользящим окном и ФНЧ и после удаления помех)

ности города Лулео (Швеция). В результате экспериментов были найдены следующие параметры:

— нижняя частота среза fн = 850 Гц;

— верхняя частота среза fв = 1750 Гц;

— частота среза для ФНЧ ю = 0,628^ Гц;

— для скользящего окна і = 0,045 с. Коэффициент 0,045 получен эмпирически для акселерометров с частотой дискретизации 22 000 Гц.

Заключение

Были рассмотрены алгоритмы идентификации классов ТС с использованием акселерометров. Клас-

Литература

1.

2.

3.

Birk W., Osipov Е., Eliasson J. iRoad — cooperative road infrastructure systems for driver support // 16th World Congress and Exhibition on Intelligent Transport Systems 2009, Stockholm, Sweden, 21-25 Sept.

2009. Red Hook: Curran, 2009.

Birk W. et al. Road Surface Networks Technology En-ablers for Enhanced ITS // 2010 IEEE Vehicular Networking Conf., VNC 2010: Jersey City, NJ, 13-15 Dec.

2010. Piscataway, NJ: IEEE, 2010. P. 152-159. Hostettler R. Traffic Counting Using Measurements of Road Surface Vibrations // Master’s thesis. — Lu-

сы автомобилей идентифицируются достаточно точно, но для этого необходимо знать скорость ТС. Эти результаты могут быть использованы в реальных системах дорожного хозяйства для построения интеллектуальных систем дорожного движения, идентификации классов ТС, для подсчета количества ТС, для мониторинга скорости ТС. В последнем случае необходимо использовать два датчика, что является предметом последующих исследований.

Работа выполнена при финансовой поддержке ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009-2013 годы (соглашение № 14.В37.21.0421).

lea University of Technology, 2009. http://pure.ltu.se/ (дата обращения: 10.03.2011).

Hostettler R., Birk W., Nordenvaad L. M. On the Feasibility of Road Vibrations-based Vehicle Property Sensing // (I E T) Intelligent Transport Systems 4, (4),

2010. P. 356-364. http://pure.ltu.se/ (дата обращения: 10.03.2011).

Лем Г. Аналоговые и цифровые фильтры. Расчет и реализация: пер. с англ. — М.: Мир, 1982. — 592 с.

0

18 У ИHФOPMДЦИOHHO-УПPДBAЯЮШИE СИСТЕМЫ

"7 № 5, 2012