近年来，公路交通带动着社会经济的飞速发展，为社会创造了无法估量的财富，同时交通事故的频繁发生也给社会造成了大量的人员伤亡和巨大的人力、物力和财力的损失。根据美国国家公路交通安全管理局和弗吉尼亚州技术局发布的《自然驾驶条件下的100辆车进行的研究》显示， 80%的公路交通事故是由驾驶员在事故前3 s内的疏忽造成的[1]。资料同时显示，如果在潜在交通事故发生的前1 s能有效地给驾驶员发出警报，则可避免 90%的交通事故[2-3]。如果在交通事故前2 s驾驶员采取相应的措施，几乎所有的交通事故都能避免[4]。

    目前已投入使用的大多数主动安全预警装置，如汽车电子稳定性控制系统、底盘一体化控制技术、智能安全辅助系统以及人/车安全状况监控与干预技术等[5]，仍停留在对汽车行驶状态以及周围行车环境的检测和报警功能上，不能有效地对汽车自身可能的行驶运动状态进行预报以及对潜在的行车危险进行预警[6]。鉴于当前汽车主动安全预警装置的问题以及公路交通的严峻形势，进行汽车姿态感知与状态预测技术的研究，可以提高驾驶车辆的主动安全，对减少道路交通事故将起到十分重要的作用。
1 平台的工作原理
    基于MEMS传感器的汽车姿态感知与状态预测平台，通过安装在车上的分布式传感器网络，实时地在线监测汽车三轴加速度、三轴角速度以及三轴磁场等汽车运行状态参数,这些数据是未经过处理的模拟信号，通过滤波器进行数字滤波、数据融合处理后，经过A/D转换成数字信号传送到处理器单元。利用监测到的数据对汽车姿态进行解算，并不断更新。针对解算后的汽车姿态信息,在PC机上建立先进的自回归(AR)算法模型，用于预测未来短暂时刻汽车的运行姿态角，并且设定了安全行驶汽车姿态角阈值。若汽车运行状态超出这个限定值，系统便发出预警信号，提醒驾驶人员采取相应措施。图1所示为汽车姿态感知与状态预测平台的工作原理。

2  平台的硬件设计
    平台所用到的主要设备包括运动处理组件MPU-6050、BMP085压力传感器、HMC5883L磁力计、电源处理模块、数据处理单元STM32F103、PC机、车载直流电源及试验车辆等。运动处理组件MPU-6050内部集成有三轴陀螺仪和三轴加速器，可以实时监测汽车运动的三轴角速度和三轴加速度。BMP085压力传感器用于监测大气压力及海拔高度，HMC5883L磁力计用来测量汽车所在位置地球磁场的方向和大小,数据处理单元STM32F103用来对感知到的数据进行姿态解算处理，电源处理模块以及车载直流电源为设备提供所需的电源，PC机用来建立模型并进行状态信息预报。
2.1 运动处理模块
    MPU-6050为全球首例整合三轴陀螺仪与三轴加速器与单一芯片的六轴运动处理组件，并内建数字运动处理组件(Motion Processor)与九轴运动感测融合演算技术(Motion Fusion)。芯片内置16 bit AD转换器，具有16位数据输出，采用标准I2C通信协议,并含可藉由第二个I2C端口连接其他厂牌的加速器、磁阻传感器或其他传感器。MPU-6050的陀螺仪传感器的量程范围为±250 °/s、 ±500 °/s、 ±1 000 °/s、±2 000 °/s,可准确追踪快速与慢速动作,加速度计的量程范围为±2 g、±4 g、±8 g、±16 g。
2.2 压力传感器
    BMP085是一款高精度、超低能耗的数字压力传感器， 绝对精度最低可以达到0.03 hPa，压力范围为300~1 100 hPa(海拔9 000 m~-500 m), 最小分辨率0.03 hPa(0.25 m)，在标准模式工作电流仅5 μA。在低功耗模式下，分辨率为0.06 hPa(0.5 m);在高线性模式下，分辨率为0.03 hPa(0.25 m)，并具有温度输出功能以及温度补偿功能。
2.3 磁力计
    霍尼韦尔HMC5883L是一种表面贴装的高集成模块，并带有数字接口的弱磁传感器芯片，其内部集成电路包括放大器、自动消磁驱动器、偏差校准及能使罗盘精度控制在1°～2°的12位模拟/数字转换器。传感器自有的对于正交轴低敏感性的结构，能用于测量地球磁场的方向和大小,其测量范围从几毫高斯到几高斯(gauss)。
2.4 数据处理单元
    STM32F103T8是一款使用高性能ARM Cortex-M3内核的增强型32位贴片控制器，用于车辆姿态解算。其工作频率为72 MHz，内置高速存储器(64 KB的Flash和20 KB的SRAM)，可编程输入/输出端数量为26个，模/数转换器输入数为10个，内部具有4个定时器，丰富的增强I/O端口，包含2个12位的ADC、4个定时器,还包含标准和先进的通信接口：主要包括CAN、I2C、SPI、USART和USB。
2.5 电源模块
    电源处理模块的作用是将汽车上提供的电能转换为稳定可靠的电源,供车载感知与智能终端平台使用。汽车上主要提供有12 V和24 V两种直流电源，但选用的模块需要5 V、3.3 V两种直流稳压电源。而且由于车载电源长时间工作在恶劣的环境下，电压不稳定，造成输入源对设计的电路也存在一定的干扰，电源处理模块设计时采用了二级电源供电模式，第一级电源转换由车载12 V转换到5 V，第二级电源从5 V转换到3.3 V。
3 平台的软件设计
3.1下位机软件设计
    传感器的输出值是车体相对于惯性坐标系而言的，在进行车体姿态解算时需要分清各种坐标系统之间的关系，其中涉及到坐标变换[7]。
    针对下位机的数据处理与过程控制功能，选用模块化结构，即由一个主程序和若干功能子程序共同组成。其中，功能子程序主要包括延时子程序、LED显示子程序、I2C接口操作子程序、气压计子程序、磁力计子程序、运动组件子程序、姿态解算子程序和上位机的指令处理子程序等，并且各个子程序按照信息处理的复杂程度分配了合适的延时时间，这样可以确保数据处理完整，避免发生子程序运行时间过长等问题。主程序则是按照处理流程依次调用各个功能子程序来实现传感器的感知与姿态解算的功能。为了减少采集到的数据误差,采用了数字滤波技术，在程序设计中主要用到算术平均滤波。下位机主程序的流程如图2所示。
3.2 上位机软件设计
    车载感知与状态预测的上位机程序运行界面如图3所示，主要包括数据帧接收模块、传感器实测数据显示模块、预测项选择模块、预测初始化模块、预测结果显示模块以及功能操作模块。

    数据帧接收模块主要用来显示下位机通过RS232串口向上位机传送的16进制数据帧，其每一帧数据均包括帧起始标志、数据实体以及帧结束标志。传感器实测数据显示模块用来在线实时更新运动处理组件、磁力计、温度计以及下位机解算到的车辆的姿态信息。通过传感器实测数据模块，用户可以及时了解车辆运行时的三轴加速度、三轴角速度、三轴磁场、大气压力、大气温度、海拔高度以及解算出来的横摆角、俯仰角和侧倾角等信息。预测项选择模块包括对三轴加速度、三轴角速度以及下位机解算出来的横摆角、侧倾角和俯仰角的预测。可以在预测开始前选择需要预测的内容，也可以在系统预测进行过程中，通过选择不同的按钮来改变预测内容。预测初始化模块用于设置静止时系统预测样本数据采集的时间，默认设置为20 s。预测结果显示模块用来显示所选择的预测项目未来3 s内的预测数值。当预测结果接近设定的阈值时，则发出警示信息，提醒驾驶人员交通安全。状态预测程序设计中,采用自回归(AR)建模预测方法[8-9]对运行中的车辆状态开展预测。每一个预测时刻都对应一个误差率,用来表征预测精度。功能操作模块主要用来打开串口，在设定完初始时间后，确认开始预测，并保存下位机上传的数据和选定的预测项数据，以便后期对车辆感知信息进行综合评价和分析。
4 实车道路试验
    为了检验汽车姿态感知与状态预测平台的运行效果，对该平台进行了实车道路试验。试验时，运动处理组件、磁力计、气压计放置在汽车质心处。为了验证不同汽车行驶条件下汽车姿态感知与状态预测的效果，针对纵向加速度及俯仰角的实时监测与预报道路试验，选择车辆急加速后马上急减速的试验方法；对于横向加速度，选择蛇形试验方法[10]；对于横摆角及侧倾角，选择定转向盘连续加速试验的方法[11]；以及采用绕八字弯试验方法来开展道路试验。
    在进行状态预测前，将预测建模时间设置为60 s，即开始预测前60 s的数据用于建立多层递阶建模，建模完成后，便可对预测项作1 s~3 s的短期预测，预测信息随着姿态数据不断更新而实时改变。最后以试验阶段的任意2 min内试验测得汽车姿态数据分别与软件1 s、2秒和3 s的预测值进行比较，可得横摆角的试验值与预报值的对比曲线如图4所示，侧倾角的试验值与预报值的对比曲线如图5所示，表1给出了道路试验中横摆角和侧倾角预测值的平均相对误差率。

    基于MEMS传感器进行的汽车姿态感知与状态预测平台的研究，自主设计了汽车姿态监测硬件平台，并开发了相应的软件，用于传感器数据处理、姿态解算以及状态预测。进行了实车道路试验，并针对横摆角和侧倾角的试验值与预测值进行了比较，两者的曲线走势基本吻合，最后给出了试验值和预测值的相对误差率。结果表明，汽车姿态感知与状态预测平台的研究取得了一定的效果，为以后开展更高性能的汽车主动安全预警系统提供了一定的理论依据和工程应用指导。
参考文献
[1] 薄大明,王元海,王军利,等.公安交通安全管理现状分析与对策研究[J]. 中国人民公安大学学报(自然科学版), 2008(1): 82-85.
[2] 公安部交通管理局.道路交通事故统计年报[G].无锡:公安部交通管理科学研究所,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] 黄金敢.交通事故动力学分析及再现研究[D].福州:福州大学,2004.
[5] 刘军,董晶晶,时枭鹏,等.汽车运动状态在线测量及预报技术[J]. 中国公路学报,2011(4):114-121.
[6] 永井正夫. 基于先进控制技术的车辆主动安全领域研究展望[J]. 汽车安全与节能学报,2010(1):14-22.
[7] 何国国.汽车运动状态在线测量及预报技术研究[D].镇江:江苏大学,2010.
[8] 夏安邦.系统建模理论与方法[M].北京：机械工业出版社，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.汽车操纵稳定性试验方法蛇行试验[S].1994.
[11] GB/T 6323.6-94.汽车操纵稳定性试验方法稳态回转试验[S]. 1994.