一種低功耗雙磁阻節(jié)點互補車輛檢測方法*

王 瑋,沈繼忠*,董利達

(1.浙江大學(xué)信息與電子工程學(xué)系,杭州 310027;2.杭州師范大學(xué)信息科學(xué)與工程學(xué)院,杭州 310012)

?

一種低功耗雙磁阻節(jié)點互補車輛檢測方法*

王 瑋1,沈繼忠1*,董利達2

(1.浙江大學(xué)信息與電子工程學(xué)系,杭州 310027;2.杭州師范大學(xué)信息科學(xué)與工程學(xué)院,杭州 310012)

針對目前磁阻車輛檢測存在檢測節(jié)點壽命不足的問題,結(jié)合實際車流量和車速檢測需求,提出了一種雙磁阻節(jié)點互補的低功耗車輛檢測方法。該方法在已有檢測系統(tǒng)節(jié)點布設(shè)方案基礎(chǔ)上,結(jié)合了動態(tài)采樣間隔策略與節(jié)點輪流互補工作方式,可大幅減少節(jié)點功耗浪費。在互補檢測框架下設(shè)計了基于多中間狀態(tài)機的車流量檢測算法,并提出利用信號相似性測速的算法。經(jīng)分析得到互補檢測參數(shù)設(shè)定方法,可根據(jù)不同路段和時段最大車速靈活調(diào)整參數(shù),并證明了對無車時功耗節(jié)省幅度可超過90%。實驗結(jié)果表明,互補檢測下車流量準確率高,魯棒性好,車速檢測可滿足交通信息采集需求,互補檢測在實際不同密度車流下均有顯著降耗效果。

車輛檢測;磁阻傳感器;低功耗;雙節(jié)點互補檢測

車輛檢測是智能交通系統(tǒng)中的關(guān)鍵技術(shù)之一,可用于采集道路上的車流量、車速、占有率等重要信息[1]。在常用的檢測手段中,視頻檢測精度易受光線和天氣影響,感應(yīng)線圈精度高但布設(shè)維護都需開鑿路面,超聲波、雷達檢測易受周圍環(huán)境影響[2]。此外這些手段功耗大,安裝維護成本也高[3]。基于無線傳感網(wǎng)絡(luò)的磁阻檢測具有靈敏度高、體積小且受環(huán)境影響小的特點,因此相關(guān)的研究以及產(chǎn)品開發(fā)正逐漸增多[4-8]。然而磁阻檢測節(jié)點自身攜帶電量有限,使用壽命問題仍然是制約磁阻檢測推廣的一個主要因素。

對于磁阻車輛檢測器功耗和壽命的研究包含了軟硬件、通信、系統(tǒng)架構(gòu)等多個方面。Sifuentes E等[9]引入了功耗極低的紅外傳感器進行檢測,當檢測有疑似車輛時才喚醒磁阻傳感器工作,該方法節(jié)點功耗隨車流量增大而顯著增加,且紅外傳感器易受環(huán)境影響。在通信方面,許多學(xué)者利用節(jié)點網(wǎng)絡(luò)拓撲具有集中控制的特點設(shè)計了基于時分控制的專用協(xié)議來提高數(shù)據(jù)收發(fā)效率[10-11]。Yoo等[12-13]提出根據(jù)信號波動情況動態(tài)調(diào)整采樣率,但并未對降耗能力進行深入分析和優(yōu)化。Nan D等[14]提出三節(jié)點檢測模型,主節(jié)點檢測到車輛時通過射頻喚醒下游兩個從節(jié)點工作,然而主節(jié)點在車輛離開從節(jié)點前必須保持射頻監(jiān)聽致使大量功耗浪費。文獻[15]的車輛檢測節(jié)點以軟硬件設(shè)計為切入點有效控制了節(jié)點總功耗,但其采樣功耗占比接近50%,且難以從軟硬件層面繼續(xù)降低功耗。

針對目前存在的節(jié)點功耗大影響使用壽命的問題,從算法和架構(gòu)上提出一種雙節(jié)點互補檢測方法以降低節(jié)點功耗。首先介紹互補檢測的基本思想和原理,并提出了互補檢測框架下的車流量和車速檢測算法,然后分析了互補法的參數(shù)及功耗,最后進行了實驗測試。

1 磁阻車輛檢測

含有鐵磁物質(zhì)的車輛會對周圍背景地磁場產(chǎn)生偏移或擾動是磁阻車輛檢測的理論依據(jù)。檢測節(jié)點每固定間隔從睡眠中喚醒并對傳感信號進行一次采樣,通過閾值算法對信號時域采樣序列處理后可判斷是否有車存在,并記錄擾動信號的開始和結(jié)束時刻,即車輛進入和離開檢測范圍的時刻。為適應(yīng)速度較快的車輛,采樣率通常高達幾十到上百Hz[16]。

圖1 節(jié)點布設(shè)示意圖

目前常規(guī)的磁阻車輛檢測方案在每一車道內(nèi)布設(shè)兩個檢測節(jié)點,檢測車流量的同時也能實現(xiàn)兩點測速,其基本模型如圖1所示[17-18]。圖1中檢測節(jié)點A和B可布置在單條車道中間或路邊,將車輛檢測結(jié)果以無線方式實時發(fā)送至匯聚節(jié)點AP;AP作為時鐘源為所有檢測節(jié)點提供時間同步,將檢測節(jié)點的結(jié)果融合后獲取車道車流量信息并計算車速。本文提出的雙節(jié)點互補檢測法基本不需改動目前常用的節(jié)點布設(shè)方案,僅需保證兩檢測節(jié)點間的物理距離S小于車輛的最小長度L。為便于分析,設(shè)車輛在行駛方向上依次經(jīng)過A和B。

2 喚醒互補檢測原理

已有常規(guī)檢測方法多使用固定采樣率,即使在無車經(jīng)過的空閑時段也按常規(guī)采樣率進行采樣,導(dǎo)致功耗浪費嚴重,而采樣功耗占無線傳感節(jié)點總功耗比重較大[19],對節(jié)點壽命非常不利。此外,常規(guī)檢測方法下單個節(jié)點即可實現(xiàn)車流量檢測,因此已有雙節(jié)點結(jié)構(gòu)存在很大冗余,檢測效率不高。

圖2 兩節(jié)點互補檢測時序

為減少功耗浪費本文提出基于兩節(jié)點互補的動態(tài)采樣間隔策略,無車空閑時節(jié)點A、B均以T為周期輪流喚醒,即均以T為周期采樣檢測,若采樣值經(jīng)檢測后確定有車或疑似有車,則以常規(guī)采樣間隔TS為周期采樣檢測直至車輛離開或確認無車。一般有T?TS,這樣可使無車空閑時的功耗大幅降低。圖2示意了一輛車經(jīng)過兩節(jié)點時的情形,在無車空閑時兩節(jié)點的喚醒采樣表現(xiàn)為輪流互補的時序。兩節(jié)點按圖2所示采樣時序各自執(zhí)行檢測,保存車輛到達節(jié)點時刻Tarrive和離開時刻Tleave,并連同車輛經(jīng)過期間的采樣數(shù)據(jù)作為車輛記錄上傳至AP。由于無車空閑時采樣間隔T較大,不能保證每一輛車駛過時在兩個節(jié)點上都能被檢測到,需要對兩節(jié)點車輛記錄進行互補融合來彌補單個節(jié)點車流量檢測的不足。融合主要目的是判斷來自兩節(jié)點的記錄是否代表同一輛車,若兩記錄在時間上吻合則合并為一輛車后計入流量,否則視為兩輛分別計入。車速由距離S和車輛駛過兩節(jié)點的時間差計算得來,若車輛在兩節(jié)點上均被檢測到,根據(jù)信號在兩節(jié)點上相似的特點,通過平移匹配可得到時間差。

3 檢測算法及實現(xiàn)

常規(guī)檢測方法主要依賴于單個節(jié)點,而互補法檢測時更需要兩節(jié)點的密切配合,因此在互補框架下需重新設(shè)計檢測算法。

3.1 車流量檢測算法

ATDA自適應(yīng)閾值檢測算法是加州伯克利大學(xué)DING等[20]提出的基于多中間狀態(tài)機的車流量檢測算法,本文提出基于ATDA的改進算法用于互補檢測。以x、y、z分別表示磁阻傳感器XYZ三軸信號相對于背景磁場的凈變化量,ATDA算法基于單軸變化量,車輛信號顯著性弱在低采樣率下易漏檢,因此本文將三軸凈變化量的絕對和用于檢測算法輸入:

mag=|x|+|y|+|z|

(1)

圖3 檢測算法狀態(tài)機圖

本文采用非線性的滑動中值濾波法跟蹤背景基線,滑動窗口設(shè)為10 s。由于實際車輛磁信號存在較多波動,用簡單閾值法檢測車輛到達和離開易導(dǎo)致誤判,為此引入狀態(tài)機處理輸入信號。在互補檢測下對ATDA算法的狀態(tài)機改進后如圖3所示。狀態(tài)機共包含5個狀態(tài),每次采樣后計算得到mag值并輸入狀態(tài)機與幅度閾值TH進行比較,根據(jù)比較結(jié)果以及當前狀態(tài)來決定次態(tài)。狀態(tài)機初始狀態(tài)為nocar,若檢測到mag超過TH的n倍時可由無車nocar直接跳轉(zhuǎn)為car狀態(tài),若mag超過TH的次數(shù)達到N時也可經(jīng)由狀態(tài)count1跳轉(zhuǎn)為car狀態(tài)。中間狀態(tài)count0用于消除偽信號干擾,count00用于消除car到nocar過渡期間的抖動,這兩個狀態(tài)下mag連續(xù)M次低于閾值可判定為無車狀態(tài),count0與count00計數(shù)變量在跳出狀態(tài)時清零,count1變量在跳轉(zhuǎn)無車狀態(tài)時清零。M×TS對應(yīng)于前后車最小時間間距,通常大于司機剎車反映時間,根據(jù)經(jīng)驗取0.2 s。無車空閑時,若采樣檢測后輸出狀態(tài)為car或count1,則節(jié)點以常規(guī)采樣率繼續(xù)采樣檢測直至某次檢測輸出為nocar。

互補法在AP上對節(jié)點A、B的車輛記錄進行融合,設(shè)節(jié)點A和B上車輛到達和離開的時刻分別為TA,arrive,TA,leave和TB,arrive,TB,leave,當兩個記錄的時刻滿足以下任意一個條件時應(yīng)融合為同一輛車:

(TB,arrive

(2)

(TB,arrive>TA,leave)&&(TB,leave-TA,leave-T1

(3)

式(2)表示兩個記錄在時間上有交集,即B在車輛離開A之前檢測到車輛,并且A上的離開時刻早于B的離開時刻,可斷定為同一輛車。式(3)表示兩個記錄時間上無交集,可先假設(shè)是連續(xù)經(jīng)過的兩輛車,若前后車的時間間距無法滿足實際最小間距值,也可斷定兩記錄是同一輛車。

3.2 測速算法

在常規(guī)檢測方法下測量速度時,能確定車輛在兩節(jié)點上到達和離開的確切時刻,若不計同步誤差則車輛駛過兩點的平均時間差為[21]:

ΔT=(TB,arrive-TA,arrive+TB,leave-TA,leave)/2

(4)

互補法在無車時采樣間隔較長,車輛首次被采樣檢測到的時刻與真實到達時刻可能誤差較大,因此時間差應(yīng)根據(jù)離開時刻計算:

ΔT=TB,leave-TA,leave

(5)

互補檢測下可采用式(5)的時間差計算車速,但誤差相對較大,本文利用車輛經(jīng)過時在兩節(jié)點上mag信號波形相似的特點對式(5)時間差進行修正。圖4所示為實地采集到的一輛車經(jīng)過時在A和B上的mag信號,雖然兩段信號都不完整并且對應(yīng)點在幅度上有一些誤差,但平移后有部分信號吻合度較高可以實現(xiàn)匹配。

圖4 兩節(jié)點實地采集信號圖

利用上述波形相似特點,通過平移匹配來獲取更準確的時間差,測速算法如下:

步驟1:獲取同輛車在A、B節(jié)點上采集到的mag信號序列以及離開時刻TA,leave和TB,leave,將兩信號序列以離開時刻為準對齊。

步驟2:其中一段信號序列相對另一序列前后平移offset個采樣點,同時序列相交部分的長度應(yīng)滿足len≥min(lenA/2,lenB/2),其中l(wèi)enA,lenB分別為兩節(jié)點檢測到的車輛序列長度。兩序列相交部分對應(yīng)采樣點的信號相減求絕對差,以絕對差之和的平均作為匹配距離dist。

步驟3:求出所有平移位置后產(chǎn)生的dist,找到最小的dist及其對應(yīng)的offset,計算時間差:

ΔT=TB,leave-TA,leave+offset

(6)

由于上述測速算法主要涉及加減運算,計算復(fù)雜度較低,因此可滿足節(jié)點實時處理。

4 性能分析

4.1 參數(shù)選取

參數(shù)選取目的是通過分析獲得最優(yōu)參數(shù)的設(shè)定方法。下面分別從車流量計數(shù)和測速兩個方面來分析速度對互補檢測的影響。

對于車流量檢測,至少應(yīng)有一個節(jié)點檢測到車輛,設(shè)車速超過某一上限Vm時可能在A、B處都漏檢,而兩點均漏檢可能發(fā)生在T1或T2內(nèi),2種情形分別如圖5(a)和圖5(b)所示。圖5(a)中車速超過Vm時,車頭在節(jié)點A剛進入T1睡眠時到達或即將到達A,造成A處漏檢,若要B處也漏檢,則需在T1結(jié)束前保證車尾駛過B,即T1內(nèi)至少行駛距離L+S;類似地,圖5(b)中車頭在B剛進入T2睡眠時已駛過A,并且剛好或即將到達B,造成B處漏檢,此時由于L>S,車體仍有部分在A上方,若要A也漏檢,則需在T1結(jié)束前至少保證車尾駛過距離L-S。2種情形下的臨界條件為:

T1=(L+S)/Vm
T2=(L-S)/Vm
T=T1+T2=2×L/Vm

(7)

圖5 車流量檢測漏檢情形

原理上流量檢測中速度V

對于測速,要求兩節(jié)點都能檢測到車輛,由于互補法兩節(jié)點在無車空閑時段均以T為周期采樣,需滿足對任一節(jié)點在T期間不漏檢車輛。設(shè)車速V

Vn=L/T=Vm/2

(8)

因此原理上對于速度V

式(7)和式(8)提供了互補法睡眠喚醒最佳參數(shù)的設(shè)置方法,由于S、L通常是給定值,因此參數(shù)T、T1、T2、Vn均由速度上限Vm決定,在中低速路段Vm可取較小值保證較長睡眠時間,高速路段Vm可適當提高以避免漏檢車輛,針對不同車流狀況和應(yīng)用需求,可依據(jù)最大車速方便地對參數(shù)進行手工設(shè)定或自適應(yīng)調(diào)整。

4.2 功耗分析

節(jié)點實際采樣檢測的功耗包含了無車空閑和車輛經(jīng)過期間兩部分功耗。在車輛經(jīng)過期間,互補檢測方法與常規(guī)采樣率檢測方法的功耗近似相等,而無車空閑時,2種方法采樣率不同因此功耗差異很大。為便于分析定義互補檢測法功耗P互補與常規(guī)檢測方法功耗P常規(guī)之比為相對功耗R。用rt代表車道時間占有率,其定義為在道路的觀測斷面上車輛累計通過時間與測定時間的比值[22]。相對功耗R的理論最大值為:

(9)

式(9)中fS為常規(guī)采樣率,本文取fS=100 Hz,車輛長度L一般大于2 m,節(jié)點間隔S設(shè)定為1.5 m。由于有車經(jīng)過期間的功耗由占有率rt決定,該部分功耗取決于實際交通狀況,因此難以深度優(yōu)化,而無車空閑功耗則有很大的優(yōu)化調(diào)整空間。式(9)中當rt等于0即無車通過或無車空閑時的相對功耗為:

R無車=Vm/(2×fS×L)

(10)

由于主要變量是車流量檢測速度上限Vm,通過仿真得到無車空閑的相對功耗R無車如圖6所示。由圖6可知從中低速的城市道路到高速公路,互補法對無車空閑功耗的節(jié)省幅度都可達90%以上。

若僅在單個節(jié)點上使用動態(tài)采樣間隔策略[12],無車采樣間隔為L/Vm,而同樣的速度上限,互補法通過兩節(jié)點的配合可使無車采樣間隔增加一倍,充分利用了雙節(jié)點結(jié)構(gòu)的冗余性來降低無車功耗,同時還保留了兩點測速能力?；パa法的前提是節(jié)點時間同步,而同步機制內(nèi)嵌于通信協(xié)議中,因此沒有額外的射頻開銷。此外對于雷達、超聲波等其他車檢方法,如果能實現(xiàn)前后兩個檢測器/傳感器的時間同步,也可采用互補法檢測達到節(jié)能的目的。

圖6 不同L下的相對功耗

5 實驗和結(jié)果

5.1 實驗條件

實驗所用無線節(jié)點平臺基于MSP430單片機和nRF24L01射頻芯片,使用了HMC5883L三軸磁阻傳感器。實驗采用的是實地采集車輛信號數(shù)據(jù),然后離線分析驗證的方法。采集地點位于杭州市玉古路南段,該路段車速小于60 km/h,兩個檢測節(jié)點放置于路邊,由匯聚節(jié)點提供同步時鐘。MSP430通過I2C接口與HMC5883L通信,控制采樣和獲取數(shù)據(jù),并將采樣數(shù)據(jù)保存在節(jié)點的NandFlash內(nèi)。采集數(shù)據(jù)上傳至PC后在MATLAB中實現(xiàn)算法并測試。

5.2 結(jié)果和分析

測試數(shù)據(jù)中實際經(jīng)過的車輛總數(shù)為263輛,采集地點車速小于60 km/h,算法在常規(guī)采樣率檢測以及互補檢測下的結(jié)果如表1所示。其中常規(guī)采樣率檢測結(jié)果為257輛,6輛漏檢是由近距離前后車信號相連導(dǎo)致,表明檢測特征量mag雖然連續(xù)性很顯著但本地性稍差。采用本文提出的互補檢測,取不同的Vm值進行測試,當Vm為40 km/h及以上時,即使A、B節(jié)點有少量漏檢車輛,兩點流量融合互補后總體檢測準確率仍與常規(guī)采樣率檢測時持平。當取Vm為20 km/h時,許多經(jīng)過車輛車速已超過Vm,A、B節(jié)點各自漏檢嚴重,符合4.1小節(jié)的分析;但在互補融合后總體檢測準確率的降低并不明顯,表明算法具有較強的魯棒性。相同的節(jié)點放置條件下,文獻[5]基于互相關(guān)匹配的算法準確率約為93.3%,因此本文算法在Vm選取得當時準確率高出約4.4%,且較文獻[5]算法具有更低的復(fù)雜度。

表1 車流量檢測結(jié)果

車速算法測試采用30輛車作為樣本,比較了3種測速算法的結(jié)果。設(shè)V1是常規(guī)采樣檢測下由式(4)時間差計算的速度,V2是互補法下由式(5)計算的速度,V3是提出的利用信號相似匹配由式(6)計算的速度。采用互補法檢測V2和V3時取Vm為120km/h,測得所有樣本的車速如圖7所示。經(jīng)計算,與常規(guī)測速方法獲得的V1相比,V2平均誤差為7.94km/h,且V2穩(wěn)定性表現(xiàn)較差;而速度V3與V1一致性較好,平均誤差僅為3.74km/h。因此V2速度可在對車速精度要求較低時采用,若對速度誤差有一定要求可采用V3速度。

圖7 不同測速算法結(jié)果

實驗還在3個不同路段采集數(shù)據(jù)來測試車流密度對降耗效果的影響。經(jīng)折合計算,路段1車流量為1 110輛/h,道路時間占有率rt=32.4%,路段2流量620輛/h,rt=19.3%,路段3車流量220輛/h,rt=7.8%。以常規(guī)采樣率檢測的功耗作為對比,表2為所測得互補檢測法在不同Vm取值時3個路段的相對功耗情況。

表2中R無車代表無車空閑時的相對功耗,R有車代表車輛經(jīng)過期間的相對功耗,以上兩部分之和為總相對功耗R總。對于同一路段,在常規(guī)采樣率檢測下R有車等于rt,在互補檢測下R有車小于但近似等于rt,R無車則隨Vm線性減小,總相對功耗與式(9)基本相符。不同路段間,本文提出的互補檢測法總相對功耗會隨時間占有率近似線性增加,但與常規(guī)檢測方法相比即使在車流密集時也具有顯著的降耗效果,總功耗節(jié)省幅度仍可達50%以上。

表2 不同條件下的測得的相對功耗

6 結(jié)論

本文提出基于雙磁阻車輛檢測節(jié)點的動態(tài)采樣間隔和喚醒互補檢測工作方式,并提出互補框架下的車流量檢測算法和測速算法,與常規(guī)檢測方法相比充分發(fā)揮了已有雙節(jié)點架構(gòu)的冗余特性,提高了檢測效率?；パa檢測方法可根據(jù)不同路段和時段的車速靈活調(diào)整參數(shù),對無車空閑時的功耗節(jié)省幅度可超過90%,由于檢測節(jié)點傳感功耗比重較大,引入互補檢測可有效延長其工作壽命。實驗結(jié)果表明本文算法準確率高,車流密集時也有很好的降耗效果,能夠滿足實際需求。此外,互補檢測的思想可推廣到雷達等其他車輛檢測方法中,對節(jié)能降耗具有重要意義。下一步工作將研究提高節(jié)點對前后車過近等特殊情形的檢測性能,增強其對各種交通場合的適應(yīng)性。

[1] Tubaishat M,Zhuang P,Qi Q,et al.Wireless Sensor Networks in Intelligent Transportation Systems[J].Wireless Communications and Mobile Computing,2009,9(3):287-302.

[2]楊波,鄒富強.異向性磁阻傳感器檢測車流量的新方法[J].浙江大學(xué)學(xué)報(工學(xué)版),2011,45(12):2109-2114.

[3]楊曉明,李宗津.基于水泥基壓電傳感器的車輛監(jiān)測研究[J].傳感技術(shù)學(xué)報,2013,26(2):266-270.

[4]Pascale A,Nicoli M,Deflorio F,et al.Wireless Sensor Networks for Traffic Management and Road Safety[J].IET Intelligent Transport Systems,2012,6(1):67-77.

[5]Zhang Lei,Wang Rui,Cui Li.Real-Time Traffic Monitoring with Magnetic Sensor Networks[J].Journal of Information Science and Engineering,2011,27(4):1473-1486.

[6]楊波,尼文斌.基于異向性磁阻傳感器的車輛檢測與車型分類[J].儀器儀表學(xué)報,2013,34(3):537-544.

[7]Daubaras A,Zilys M.Vehicle Detection Based on Magneto-Resistive Magnetic Field Sensor[J].Electronics and Electrical Engineering,2012,118(2):27-32.

[8]Ghislain P,Carona D,Serrador A,et al.Wireless Magnetic Based Sensor System for Vehicles Traffic Data Collection[J].ISEL Academic Journal of Electronics Telecommunications and Computers,2013,2(1):ID-7.

[9]Sifuentes E,Casas O,Pallas-Areny R.Wireless Magnetic Sensor Node for Vehicle Detection With Optical Wake Up[J].Sensors Journal,2011,11(8):1669-1676.

[10]徐立鋒.基于無線傳感器網(wǎng)絡(luò)技術(shù)在交通信息采集系統(tǒng)的應(yīng)用[J].計算機應(yīng)用與軟件,2012,29(4):236-241.

[11]Ergen S C,Varaiya P.PEDAMACS:Power Efficient and Delay Aware Medium Access Protocol for Sensor Networks[J].IEEE Transactions on Mobile Computing,2006,5(7):920-930.

[12]Zhang Z,Li X,Yuan H,et al.A Street Parking System Using Wireless Sensor Networks[J].International Journal of Distributed Sensor Networks,2013:ID-107975.

[13]JaeJun Yoo,DoHyun Kim,KyoungHo Kim,et al.On-Road Wireless Sensor Networks for Traffic Surveillance[C]//MOBILITY 2012:The Second International Conference on Mobile Services,2012:131-135.

[14]Nan D,Guozhen T,Honglian M,et al.Low-Power Vehicle Speed Estimation Algorithm Based on WSN[C]//11th International IEEE Conference on Intelligent Transportation Systems(ITSC),2008:1015-1020.

[15]王瑋,沈繼忠,董利達.自供電磁阻車輛檢測節(jié)點設(shè)計[J].傳感技術(shù)學(xué)報,2013,26(12):1734-1739.

[16]Haoui A,Kavaler R,Varaiya P.Wireless Magnetic Sensors for Traffic Surveillance[J].Transportation Research Part C:Emerging Technologies,2008,16(3):294-306.

[17]Sing-Yiu Cheung,Pravin Varaiya.Traffic Surveillance by Wireless Sensor Networks:Final Report[R].University of California,Berkeley,Jan.2007.

[18]Bottero M,Dalla Chiara B,Deflorio F P.Wireless Sensor Networks for Traffic Monitoring in a Logistic Centre[J].Transportation Research Part C:Emerging Technologies,2013,26:99-124.

[19]孫立民,李建中,陳渝,等.無線傳感器網(wǎng)絡(luò)[M].北京:清華大學(xué)出版社,2005.

[20]Jiagen Ding,Sing-Yiu Cheung,Chin-Woo Tan,et al.Signal Process-ing of Sensor Node Data for Vehicle Detection[C]//7th International IEEE Conference on Intelligent Transportation System,2004:70-75.

[21]Isaksson M.Vehicle Detection Using Anisotropic Magnetoresistors[R].Chalmers University of Technology,Sweden,2008.

[22]任福田,劉小明,榮建,等.交通工程學(xué)[M].北京:人民交通出版社,2003.

王瑋(1989-),男,碩士研究生,主要研究方向為無線傳感器網(wǎng)絡(luò),oneway@zju.edu.cn;

沈繼忠(1965-),男,博士,教授,主要研究方向為無線傳感器網(wǎng)絡(luò),BCI,數(shù)字集成電路與系統(tǒng)設(shè)計,jzshen@zju.edu.cn;

董利達(1970-),男,博士,副教授,主要研究方向為無線傳感器網(wǎng)絡(luò)、Petri網(wǎng)理論,Lddong2002@163.com。

ALowPowerVehicleDetectionMethodBasedonDualComplementaryMagneto-ResistiveSensorNodes*

WANGWei1,SHENJizhong1*,DONGLida2

(1.Department of Information Science and Electronic Engineering,Zhejiang University,Hangzhou 310027,China;2.Institute of Service Engineering,Hangzhou Normal University,Hangzhou 310027,China)

In terms of the issue that magneto-resistive sensor nodes have limited working life in vehicle detection,a low power detection method of dual complementary magneto-resistive sensor nodes was proposed to meet the requirements of actual traffic volume and speed detection.This method does not change the nodes layout scheme of existing detection system,with the use of dynamic sampling intervals and alternate complementary work mode to significantly reduce power consumption in idle state.In the framework of complementary detection,traffic volume algorithm was designed based on multiple intermediate state machine,and velocity algorithm was designed based on signal similarity.Upon analysis of the method,detection parameters can be flexibly adjusted according to the maximum speed of different sections and periods,and the magnitude of power savings can exceed 90% in idle state.Experimental results show that traffic volume algorithm features high accuracy,robustness,the velocity detection can meet the demand of traffic information collection,and the complementary method achieves good power performance under different traffic density.

vehicle detection;magneto-resistive sensor;low power;dual complementary nodes

項目來源:國家自然科學(xué)基金項目(61071062,61271124);浙江省自然科學(xué)基金項目(LY13F010001)

2014-01-27修改日期:2014-05-17

10.3969/j.issn.1004-1699.2014.06.011

TP212.9;TP393

:A

:1004-1699(2014)06-0763-07