纯电动物流车远程监控平台研究
[摘要]为了提高纯电动物流车运行时的安全性和定位准确性，开发了一套纯电动物流车远程监控平台。该平台由车载监控模块和上位机监控软件构成，通过4G网络通信。然后提出基于Douglas—Peucker轨迹提取算法的曲线拟合地图匹配算法对车辆进行实时定位。实车试验结果表明，该监控平台能够实现对车辆数据的准确监控、采集和显示，对车辆的各项历史数据进行回放、提取和分析，且经新的地图匹配算法匹配之后车辆的定位准确，基本满足纯电动物流车远程监控系统的设计要求。
[关键词]纯电动物流车；远程监控；北斗；地图匹配
1前言
随着我国网络的日益发达，物流行业也在高速增长，整个社会对物流的需求更大、速度要求更高，对整个物流行业提出了更高的要求。然而物流车辆的数量规模庞大、分散性大、机动性大，这些特点对物流调度中心来说一直是一大难题，而且物流车的运行强度大时间长载货量重，且车辆缺乏保养，尤其是对于纯电动物流车来说，更是有着不小的危险性存在。而且现有的车辆定位系统由于设备和环境等原因，经常有定位不准的情况出现，对物流中心的快速准确调度更是带来了困难。因此，针对这些问题，本文开发了一套远程监控系统，并提出了基于轨迹提取的曲线拟合地图匹配算法，提升了物流调度中心对物流车辆的监控力度，使得车辆配置更加优化，效率更高。
2监控平台系统构成
该远程监控系统主要由车载监控模块、上位机监控软件、4G网络、Internet网络构成。系统构成如图l所示。
监控模块安装在物流车上，由模块中的CAN模块接收车辆的各种运行信息，如电池SOC、SOH，电机的转速、转矩、功率等信息，而S1216F8定位模块接收各种卫星定位信息，并得到其中的经度、纬度、车速、定位精度等信息。这些信息经STM32芯片处理打包后通过SIM900A模块根据TCP/IP协议发送至上位机监控中心上，在发送的同时也将数据存入SD卡中，在没有无线信号的时候暂存数据，等有信号的时候再将之前的数据取出发送至监控中心。
上位机监控平台采用c++和MFC框架编写，在其中嵌入百度地图，将从下位机接收到的数据如电机电池数据经过处理分析之后实时显示在监控平台上，将车辆的定位信息经过一系列的坐标转换之后在嵌入的百度地图上以一个小红点的方式显示出来，并将所有数据同时存入数据库管理系统MySQL中，之后使用SQL指令可以对数据库中的数据进行查询和编辑，例如调取车辆的历史信息和查看车辆的历史轨迹。
3监控平台功能
根据远程监控平台设计需求，一共为上位机监控软件设计了三个功能，如图2所示，分别为：管理功能、數据分析功能、监控功能。系统针对这三个功能，设计开发了不同的用户界面，使用户能够方便的使用监控平台，并且随着平台功能后续的不断扩展，可以开发出更多的功能模块。
监控功能中，运行参数以数值、图形和曲线等方式显示在监控平台上，车辆定位与跟踪在调用地图匹配程序后在电子地图上显示出车辆的位置信息，并且如果车辆出现故障，会在监控平台上显示出对应的故障码，方便及时的进行处理。数据分析功能使管理人员可以提取出车辆的各项历史数据，对车辆过去的运行数据进行分析和处理，为车辆各项技术的改进提供数据基础。管理功能使只有具有权限的管理人员才能够登录系统查看车辆的各项信息，使得系统的安全性大大提高。
4车辆定位及跟踪的地图匹配算法
4.1地图匹配算法概述
在车辆导航定位系统中，仅靠GPS获取的定位点远不满足目前精确定位和导航的需求。而在短时间内提高GPS的精度显然是非常困难的，所以就需要其他的方法来提高GPS的定位精度。地图匹配是一种基于软件技术的定位修正方法。这种方法的基础思想是将车辆定位轨迹与电子地图中的道路网信息联系起来，并由此确定移动目标相对于地图的位置。地图匹配技术可以在不提高GPS精度的情况下提高定位和导航的精确度，使车辆的定位和导航更加准确。
4.2现有地图匹配算法分析
4.2.1几何匹配方法。几何匹配算法包括了点到点、点到线和线到线三种算法。点到点的匹配，也就是直接投影法，指的就是把GPS测量点定位到离此点投影距离最近的点上。点到点的算法在道路网非常密集节点很多的时候匹配精度较高。而点到线的匹配是将GPS测量点匹配到距离其最近的线上。这种方法和点对点算法相比较效果好一些，但是如果路网非常密集，算法的稳定性就会变差。线到线的算法首先是利用点到点选出候选道路的节点，然后比较车辆的行驶轨迹和节点周围的道路，如果平均距离最小，则选取该路段作为车辆当前的行驶路段。线到线算法虽然考虑了行车的历史轨迹，但是没有考虑到误差的方法，如果在点到点阶段就产生了误差，则在之后的过程中会将此误差一直代入计算，导致最终结果不准确。
4.2.2曲线拟合算法。在电子地图中并没有曲线的路段，而是用直线和折线段来表示，所以在匹配的过程中，车辆的行驶轨迹可以用一段直线来代表。该算法在某些路段（如比较大的弯道或交叉路口处）的匹配效果比较好，但是由于这种算法需要一段时间内的多个GPS测量点，因此实时性较差阍。当周边两条道路平行的时候，用这个算法来匹配，容易产生误差。采用曲线拟合算法需要同时采用其他的地图匹配算法来配合计算。
4.3 Douglas-Peucker算法
地图匹配的候选路段选择其实就是将车辆的运行轨迹和道路的走向相比较。但是由于GPS点的不准确，对车辆运行轨迹的提取会产生很大的影响。因此选择Douglas-Peucker算法这种常用的曲线数据压缩和曲线多边形逼近算法进行车辆运行轨迹的提取。
Douglas-Peucker算法的基本思想是将每条曲线的起点及终点连成一虚线，求出所有点到虚线的距离，并找到最大的距离值dmax，对这两部分重复使用该方法。算法原理如图3所示：
Douglas-Peucker算法的基本思路是：连接曲线的起始点，用一条虚线表示，计算出线上所有的点与这条虚线的距离，dmax表示最大距离，用得到的dmax的值和限差D作对比：当dmax比D小的时候，忽略掉曲线中间所有其他点；如果dmax的值大于等于D，则留下对应的坐标点。以这个坐标点作为界限，用曲线分割成两个部分，重复用该方法计算分割后的两部分曲线，以此类推。
4.4最小二乘法曲线拟合
由Douglas-Peucker算法提取得到的是一个个离散的轨迹点，如要将行车轨迹和道路相匹配，就需要将一个个离散的轨迹点进行拟合获得曲线，然后再进行匹配。最小二乘法曲线拟合是一种既实用又便捷的曲线拟合方法。最小二乘法的原理为从给定的数据（Xi，yi）出发，构造一个近似函数φ（X），不要求φ（X）完全通过所有的数据点，只要求所得的近似曲线能反映数据的基本趋势。
由于Q可以看作是关于（j=0，1，2，…，m）的多元函数，故上述拟合多项式的构造问题可归结为多元函数的极值问题。令：求解上述关于系数aj的线性方程组可得：
4.5基于Douglas-Peucker的曲线拟合算法
第一步：对GPS定位点进行筛选，剔除无效的定位点；
第二步：确定定位点附近的候选路段。以该点为中心，结合GPS定位精度和道路宽度，选取以40m为半径的圆以内的路段作为候选路段，并根据路段的端点计算路段的斜率k0；
第三步：如候选道路集合中只有一条道路，则认为该道路即为匹配道路；如有多条，则采用Douglas-Peu-cker算法先提取行车轨迹点。然后选取当前GPS定位点以及之前的5个定位点进行最小二乘法曲线拟合，拟合曲线的斜率k为：
第四步：比较拟合之后曲线的斜率k和候选道路集中每条道路的斜率k0，通过公式便可计算出车辆运行轨迹和候选道路的夹角。角度计算公式如下：第五步：曲线拟合的函数为：
式中，f为各道路的匹配值，d为定位点到路段的投影距离，m，n为权值，曲线拟合算法通常m和n都选0.5，但在本文中，行车轨迹已由Douglas-Peucker提取，大幅度增加了行车轨迹与实际道路的匹配性，所以在本文中选用m=0.8，n=0.2。计算各道路的匹配值f，f最小的道路则为最终匹配道路，将定位点通过投影法关联至该道路上。
算法的流程圖如图4所示：
5实车验证
5.1监控平台功能验证
以某公司的纯电动物流车作为实验车辆，在武汉市区内选取一段较复杂的道路作为实验路段。监控系统的监控界面如图5所示。图5中显示了该纯电动客车的车辆定位信息、故障报警、电池信息和电机信息等车辆运行参数。
利用监控平台的数据分析功能查看过去20min内纯电动物流车的SOC和电流历史数据SOC曲线如图6所示：
电池电流曲线如图7所示：
5.2地图匹配验证
基于Douglas-Peucker算法的曲线拟合算法，调用电子地图对车辆进行定位。图8为未调用算法时直接通过GPS测量获得的定位点，由图可见在剔除无效GPS定位点后，剩余有效的GPS定位点有时在道路上，但是也有部分偏离至道路外。调用算法之后的定位点如图所示。调用算法之后的点基本都在道路上，并且未出现道路匹配错误点，如图9所示。两图相比较可见基于Dougas-Peucker的曲线拟合算法匹配效果良好。
6结论
本文结合纯电动物流车的特点设计并开发了一套针对纯电动物流车的远程监控平台，实车试验表明，平台运行情况良好，能够对车辆进行准确实时的监控，并且对车辆的各项运行数据进行显示、分析和存取，满足设计需求。基于Douglas-Peucker的曲线拟合算法对车辆进行了准确的定位，使得车辆定位能够准确的显示在电子地图上。整套系统为高效优化物流车资源配置打下了基础，可推进现代物流行业的信息化发展。
