CN103368527A - 用于传感器数据的滤波方法和滤波设备 - Google Patents

Abstract

本发明涉及一种用于传感器数据的滤波方法，所述传感器数据借助用于检测对象的传感器系统(303)形成(101)，所述滤波方法包括以下步骤：由所述传感器数据测量(103)标度值(s_i)，其中所述标度值(s_i)相应于在一个时间间隔(Δt_i)内所述传感器数据中对象的大小变化，确定(105)所述标度值(s_i)的测量误差参数(σ_i)，直接基于所测量的标度值(s_i)、所述时间间隔(Δt_i)和所述测量误差参数(σ_i)实施(107)卡尔曼滤波，以便估计所述对象相对于所述传感器系统(303)的至少一个标准化的运动参数(v_norm、a_norm)。本发明还涉及一种滤波设备(201)、一种驾驶员辅助系统以及一种计算机程序。

Description

用于传感器数据的滤波方法和滤波设备

技术领域

本发明涉及用于传感器数据的一种滤波方法和一种滤波设备。此外本发明涉及一种用于车辆的驾驶员辅助系统以及一种计算机程序。

背景技术

距离调节速度控制器和碰撞警告系统作为车辆的驾驶员辅助系统本身是已知的。通常这样的系统包括雷达传感器，其能够测量与在前行驶的车辆的距离。替代地，所述功能也可以基于视频传感器的图像数据实现。然后，所述系统基于所测量的传感器数据调节相应的距离或者警告即将来临的碰撞。

在此通常需要为了继续处理而准备或者预处理传感器数据，以便例如能够给出关于碰撞时间的可靠说明。

发明内容

因此，本发明所基于的任务可以在于，提供一种用于传感器数据的改进的滤波方法，其能够实现碰撞时间的高效且可靠的计算。

本发明所基于的任务还可以在于，提供一种用于传感器数据的相应的滤波设备。

本发明所基于的任务还可以在于，给出一种用于车辆的相应的驾驶员辅助系统。

此外本发明所基于的任务还可以在于，提供一种相应的计算机程序。

所述任务借助独立权利要求的相应主题解决。有利的构型分别是从属权利要求的主题。

根据一个方面，提供一种用于传感器数据的滤波方法。在此，借助用于检测对象的传感器系统形成传感器数据。此外所述滤波方法包括由传感器数据测量一个标度值、特别是多个标度值，其中所述标度值相应于在一时间间隔上传感器数据中对象的大小变化。此外确定标度值的测量误差参数。然后直接基于所测量的标度值、优选基于多个所测量的标度值、所述时间间隔和所述测量误差参数实施卡尔曼滤波，以便测量对象相对于传感器系统的至少一个标准化的运动参数、优选标准化的相对速度。

根据另一个方面，提供一种用于传感器数据的滤波设备，所述传感器数据借助用于检测对象的传感器系统形成。所述滤波设备包括用于由传感器数据测量标度值的测量装置，其中所述标度值相应于在一时间间隔上传感器数据中对象的大小变化。此外设有用于确定标度值的测量误差参数的确定装置。所述滤波设备还包括一个卡尔曼滤波器、特别是多个卡尔曼滤波器，其用于直接基于所测量的标度值、时间间隔和测量误差参数实施卡尔曼滤波，以便估计对象相对于传感器系统的至少一个标准化的运动参数。

根据另一个方面，提供一种用于车辆的驾驶员辅助系统。所述驾驶员辅助系统包括所述滤波设备以及用于检测对象的传感器系统。

根据另一个方面，提供一种计算机程序，其包括用于当在计算机上执行所述计算机程序时实施用于传感器数据的滤波方法的程序代码。

因此，本发明尤其包括以下思想：实施卡尔曼滤波，其中所述卡尔曼滤波直接基于所测量的标度值、所述时间间隔和所述测量误差参数。“直接”在本发明的意义上尤其意味着：所测量的标度值、所述时间间隔和所述测量误差参数直接用于卡尔曼滤波或者直接提供或传送给卡尔曼滤波器。这里尤其不设置可能的中间步骤。因此这尤其意味着，不首先继续处理所述值以形成相应的中间值，其中随后向卡尔曼滤波器提供所述中间值，以便基于所述中间值实施卡尔曼滤波。因此这尤其意味着，每一时间间隔以有利的方式仅须测量一个标度值，以便借助卡尔曼滤波估计标准化的运动参数。在此，在已知的方法中迄今需要测量多个标度值，其中随后例如借助最大似然估计器继续处理所述多个标度值，其中然后才向卡尔曼滤波器提供经继续处理的值或者数据。但是，因为最大似然估计器在所述预处理步骤中通常依靠大量的标度值——通常多于10个、尤其多于20个，所以相应的计算步骤耗费时间并且计算开销很大。这种相应的已知的方法尤其不适于实时使用。

借助本发明以有利的方式克服上述缺点，就此而言由于明显更小的计算开销能够以有利的方式实现实时应用。存储器需求和必要的初始化时间与现有技术相比也以有利的方式更小，因为尤其不必求得以及存储数据的长的历史和中间结果。

基于至少一个标准化的运动参数，然后尤其以有利的方式能够计算传感器系统和对象之间的碰撞时间。因此这尤其意味着，根据本发明的驾驶员辅助系统能够可靠地警告可能的碰撞和/或能够自主干预车辆运行，以便防止碰撞或者减小碰撞严重程度。

根据本发明，卡尔曼滤波器、尤其是卡尔曼子滤波器表示能够实施扩展的卡尔曼滤波的滤波器。因此，根据本发明，借助术语“卡尔曼滤波”意指具有非线性系统模型的扩展的卡尔曼滤波。

如果多个卡尔曼滤波器彼此组合，则将所使用的单个滤波器称为“子滤波器”，也称为“卡尔曼子滤波器”。

根据一种实施方式，可以借助卡尔曼滤波估计多个标准化的运动参数。优选估计两个标准化的运动参数。通过估计多个标准化的运动参数，以有利的方式提高由标准化的运动参数导出——即基于所述标准化的运动参数计算出的值的精确度。

在一种实施方式中可以提出，标准化的运动参数是对象相对于传感器系统的标准化的相对速度。这种标准化的相对速度以下可以表示为v_norm。在此可以优选提出：

$v_{\mathrm{norm}}=\frac{v_{\mathrm{rel}}}{d}$

在此，d表示传感器系统和对象之间的距离。v_rel是传感器系统和对象之间的相对速度。

在另一种实施方式中可以提出，附加地使用另一个标准化的运动参数，例如标准化的相对加速度。这种标准化的相对加速度以下可以表示为a_norm。这里优选可以提出：

$a_{\mathrm{norm}}=\frac{a_{\mathrm{rel}}}{d}$

在此，d是传感器系统和对象之间的距离。a_rel表示传感器系统相对于对象的相对加速度。

接下来可以提出，时间间隔表示为Δt。就此而言，具有时间距离Δt的两个时刻t、t’之间的标度值尤其可以如下定义：

$s\left(\mathrm{\Δt}\right)=\frac{w\left(t\right)}{w(t-\mathrm{\Δt})}=\frac{d(t-\mathrm{\Δt})}{d\left(t\right)}$

在此，s是标度值。w表示对象在图像中、即在相应的传感器数据中的二维宽度。d表示传感器系统和对象之间的三维距离。

在另一种实施方式中可以提出，测量误差参数相应于标度值的正态分布的测量噪声的标准差σ。因此，这尤其意味着，测量误差参数相应于标度值的预期测量误差的标准差。

在另一种实施方式中可以提出，传感器系统可以包括一个或多个传感器，用于感应地检测对象。然后可以基于传感器的相应的传感器数据优选计算标度值。这些传感器优选可以相同地或者不同地形成。尤其可以设置视频传感器作为传感器。然后，相应的传感器系统以有利的方式尤其形成视频图像数据。传感器系统优选可以包括具有相应的视频传感器的单目摄像机和/或立体摄像机。所述传感器优选可以是雷达传感器。特别地，传感器可以是激光雷达传感器。例如所述传感器可以是红外传感器。

在另一种实施方式中可以提出，实施卡尔曼滤波包括分别直接基于所测量的标度值、时间间隔和测量误差参数实施多个不同的卡尔曼滤波，以便分别估计对象相对于传感器系统的至少一个标准化的运动子参数，其中不同的卡尔曼滤波分别基于不同的运动模型。与运动参数关联地进行的实施类似地适用于标准化的运动子参数。因此这尤其意味着，卡尔曼滤波器包括多个卡尔曼子滤波器，也简称子滤波器，所述多个卡尔曼子滤波器相互作用或者组合，其中相应构造实施上述步骤的卡尔曼子滤波器。

可以优选提出，多个卡尔曼滤波器彼此组合。为此尤其可以使用本领域技术人员已知的IMM方法。这里“IMM”代表英语术语“Interacting-Multiple-Model”(交互式多模型)。所述IMM方法定义并行地处理同样的测量数据的多个卡尔曼滤波器的交互。

通过设置多个这样的卡尔曼子滤波器或者通过实施多个不同的卡尔曼滤波(其分别基于不同的运动模型)，能够以有利的方式研究不同的可能的情况，使得在此可以以有利的方式实现与具体情况的灵活匹配。

根据另一种实施方式可以提出，基于标准化的运动参数计算碰撞时间。碰撞时间是直至预期碰撞的剩余时间。所计算的碰撞时间随后以有利的方式可供用于判定：是否例如向驾驶员发出警告和/或驾驶员辅助系统是否自主干预车辆运行。

根据另一种实施方式可以提出，对于所使用的卡尔曼滤波器中的每一个，即尤其对于子滤波器中的每一个，计算有关相应的运动模型和所测量的传感器数据之间的一致性的概率值，其中具有最大的概率值的卡尔曼滤波的标准化运动子参数形成一个组合的状态矢量。因此这尤其意味着，设有概率计算装置，其相应地被构造用于实施所述的步骤。

通过因此最可能的卡尔曼子滤波器确定标准化的运动参数，尤其能够以有利的方式确保：对于相应的其他步骤或者对车辆运行的干预，所述判定以最好地反映现实的参数为基础。因此能够实现碰撞时间的特别可靠的计算。

根据一种实施方式可以提出，运动模型基于以下假设：对象相对于传感器系统以恒定的相对速度运动。这样的运动模型以下可以用“ConstV”简称或表示。

根据另一种实施方式可以提出，运动模型基于以下假设：对象以相对于传感器系统的恒定相对加速度运动。这样的运动模型以下可以用“ConstA”简称或表示。

此外可以使用这样的运动模型，其基于对象和传感器系统之间的恒定距离的假设。这样的运动模型例如可以简称为“ConstD”。

如果使用“ConstV”，则假设a_rel＝a_norm＝0成立。

根据又一种实施方式可以提出，基于至少一个标准化的运动参数计算经滤波的标度值。经这样滤波的标度值以有利的方式与关于标度值的直接测量的原始数据相比具有更好的信噪比。在另一种实施方式中可以提出，标准化的相对速度和标准化的相对加速度可以作为标准化的运动参数来估计，其中基于以下数学公式计算经滤波的标度值：

$s_{\mathrm{Filter}}=1-v_{\mathrm{norm}}*\mathrm{\Δt}+\frac{1}{2}*a_{\mathrm{norm}}*\mathrm{\Δ}{t}^2$

在此，S_Filter表示经滤波的标度值。

碰撞时间以下尤其可以简称为“TTC”，其中简称“TTC”代表英语术语“time to collision”(至碰撞的时间)。优选地可以提出，基于尤其借助滤波器设备估计的一个或多个标准化的运动参数计算TTC。

附图说明

下面根据优选的实施例参考附图详细解释本发明。在此示出：

图1：一种滤波方法的流程图，

图2：一种滤波设备，

图3：一种驾驶员辅助系统，

图4：一种滤波方法的框图。

以下相同的参考标记可以用于相同的特征。

具体实施方式

图1示出用于传感器数据的滤波方法的流程图，所述传感器数据借助用于检测对象的传感器系统在步骤101中形成。在步骤103中，由传感器数据测量标度值，其中所述标度值相应于在一个时间间隔上传感器数据中对象的大小变化。在步骤105中，确定标度值的测量误差参数。根据步骤107，直接基于所测量的标度值、所述时间间隔和所述测量误差参数实施卡尔曼滤波，以便估计对象相对于传感器系统的至少一个标准化的运动参数。在一种未示出的实施方式中可以提出，并行实施步骤103和105。

优选可以在步骤107之后提出：基于所述标准化的运动参数计算TTC和/或经滤波的标度值。

图2示出用于借助用于检测对象的传感器系统形成的传感器数据的滤波设备201。

滤波设备201包括用于由传感器数据测量标度值的测量装置203，其中所述标度值相应于在一个时间间隔上传感器数据中对象的大小变化。此外设有用于确定标度值的测量误差参数的确定装置205。滤波设备201还包括卡尔曼滤波器207，其用于直接基于所测量的标度值、所述时间间隔和所述测量误差参数实施卡尔曼滤波，以便估计对象相对于传感器系统的至少一个标准化的运动参数。

在一种未示出的实施方式中，滤波设备201可以包括借助IMM方法彼此相互作用的多个卡尔曼滤波器207。

图3示出用于车辆的驾驶员辅助系统301。驾驶员辅助系统301包括根据图2的滤波设备201以及用于检测对象的传感器系统303。驾驶员辅助系统301尤其被构造用于基于能够由标准化的运动参数导出的结果操作用于自主地干预车辆系统的车辆执行机构——如制动装置、驱动装置、转向装置和/或警告装置，以便警告驾驶员。

图4示出另一种滤波方法的框图。

在步骤401中将多个形式为

θ_i＝(s_i|Δt_i|σ_i)

的元组输入卡尔曼滤波器403中。在此，s_i是具有所属的时间步长或者时间间隔Δt_i的标度值，其测量噪声通常以标准差σ_i正态分布。在此，i＝1，2...n，其中n≥1。

卡尔曼滤波器403包括三个卡尔曼子滤波器405、407、409。这三个子滤波器405、407、409分别被构造为独立工作的、扩展的卡尔曼滤波器，其中这三个卡尔曼子滤波器405、407、409能够借助IMM方法彼此相互作用或者组合。

在一种未示出的实施方式中可以提出，使用仅仅两个子滤波器或者多于三个子滤波器。例如可以使用两个子滤波器，它们基于ConstV或者ConstA。尤其可以使用三个子滤波器，它们基于ConstA或者ConstV或者ConstA。

每个元组分别提供给所有三个卡尔曼子滤波器405、407、409，使得卡尔曼子滤波器405、407、409基于相应的元组分别实施自己的卡尔曼滤波。因此，这尤其意味着，卡尔曼子滤波器405、407、409中的每一个直接基于标度值、时间间隔和标准差实施卡尔曼滤波。在此，这三个卡尔曼子滤波器405、407、409分别基于一个不同的运动模型。这三个卡尔曼子滤波器405、407、409尤其还可以在系统噪声的参数化方面不同，所述系统噪声建模与所假设的运动模型的容忍偏差。因此，例如卡尔曼子滤波器405可以基于运动模型“ConstA”。卡尔曼子滤波器407例如可以基于运动模型“ConstV”。卡尔曼子滤波器409例如可以基于运动模型“ConstA”并且由于系统噪声的参数化与滤波器405不同。

在一种未示出的实施方式中可以提出，使用仅仅两个卡尔曼子滤波器。在这种情况下省略子滤波器409。

基于相应的卡尔曼滤波，卡尔曼子滤波器405、407、409输出以下结果：

P、lhd。这里代表相应的卡尔曼子滤波器405、407和409的标准化的相对速度。

表示相应的卡尔曼子滤波器405、407和409的标准化的相对加速度。P表示相应的协方差，即尤其是相应的值的不确定性。lhd是给出关于所测量的传感器数据与和

匹配程度的说明的似然参数。因此，这尤其意味着，似然参数lhd描述所处理的测量值和所估计的内部状态——即标准化的运动参数之间的一致性的程度。

基于这些值优选可以计算概率值“ρ”，其给出关于以相应的卡尔曼子滤波器405、407和409为基础的运动模型与现实相对应的程度的说明。然后，具有最大概率值的卡尔曼子滤波器是其值

和

作为标准化的运动参数、即作为标准化的相对加速度a_norm和标准化的相对速度v_norm的那个卡尔曼子滤波器。因此，这尤其意味着，卡尔曼滤波器403根据步骤411实施v_norm和a_norm的估计。

然后在步骤413中优选提出，计算TTC和经滤波的标度值S_Filter，其中可以基于v_norm和a_norm实施所述计算。尤其输出以所述计算为基础的运动模型“Modell”。因此，这尤其意味着，输出具有最大概率值“ρ”的那个卡尔曼子滤波器的运动模型。

优选可以提出，附加地对于卡尔曼子滤波器405、407和409中的每一个计算经滤波的标度值S_Filter和TTC。

优选地可以提出，根据步骤413基于卡尔曼子滤波器的最可能的标准化的运动参数形成TTC和经滤波的标度值S_Filter。

由于二阶的运动公式以相应的近似对于Δt有：

$d(t-\mathrm{\Δt})=d\left(t\right)+v_{\mathrm{rel}}\left(t\right)*(-\mathrm{\Δt})+\frac{1}{2}*a_{\mathrm{rel}}\left(t\right)*{(-\mathrm{\Δt})}^2$

$\frac{d(t-\mathrm{\Δt})}{d\left(t\right)}=1+\frac{v_{\mathrm{rel}}\left(t\right)}{d\left(t\right)}*(-\mathrm{\Δt})+\frac{1}{2}*\frac{a_{\mathrm{rel}}\left(t\right)}{d\left(t\right)}*{(-\mathrm{\Δt})}^2$

因为尚无碰撞已经发生，所以有：d(t)＞0，使得允许进行除法。

借助

$s\left(\mathrm{\Δt}\right)=\frac{w\left(t\right)}{w(t-\mathrm{\Δt})}=\frac{d(t-\mathrm{\Δt})}{d\left(t\right)}$

和

$a_{\mathrm{norm}}=\frac{a_{\mathrm{rel}}}{d}$

和

$v_{\mathrm{norm}}=\frac{v_{\mathrm{rel}}}{d}$

得出对于标度数据的直接处理而言重要的关系，其可以作为用于卡尔曼滤波器的测量模型使用：

$s\left(\mathrm{\Δt}\right)=1-v_{\mathrm{norm}}*\mathrm{\Δt}+\frac{1}{2}*a_{\mathrm{norm}}*\mathrm{\Δ}{t}^2$

借助用于s(Δt)的上述公式可以优选以有利的方式基于经滤波的最终结果、即尤其基于子滤波器405、407、409的标准化的运动参数借助下面的公式计算S_Filter：

$s_{\mathrm{Filter}}\left(\mathrm{\Δt}\right)=1-v_{\mathrm{norm}}*\mathrm{\Δt}+\frac{1}{2}*a_{\mathrm{norm}}*{\mathrm{\Δt}}^2$

基于运动模型ConstV的TTC、即碰撞时间优选如下得出：

${\mathrm{TTC}}_{\mathrm{constV}}=-\frac{1}{v_{\mathrm{norm}}}$

基于运动模型ConstA的TTC尤其如下得出：

${\mathrm{TTC}}_{\mathrm{constA}}=\frac{-v_{\mathrm{norm}}\±\sqrt{{v^2}_{\mathrm{norm}}-2*a_{\mathrm{norm}}}}{a_{\mathrm{norm}}}$

因此，本发明尤其包括以下思想：针对每一个时间步长能够处理n≥1的形式为

θ_i＝(s_i|Δt_i|σ_i)

的元组集合。

与已知的方法相比，根据本发明的方法的优势在于，能够共同处理具有不同特征的标度值或者标度数据。

因此，例如能够针对不同的时间步长Δt_i处理标度值。

此外，还能够处理例如单目摄像机或者立体摄像机中的不同传感器的数据。

此外尤其能够提供不同的计算方法，以便从传感器数据中提取或者测量标度值。例如可以借助基于两个视频图像之间的光流的方法来计算标度值。此外，优选替代地或附加地使用所测量的对象宽度和/或所测量的对象高度，用于确定标度值。此外尤其可以提出，由对象的灯光的位置导出标度值、即标度。这尤其具有以下优点：这样的方法在黑暗中或者差的照明条件下也适用。

此外可以提出，根据可供使用的计算时间在标度值计算时提供不同的质量。为此尤其可以改变所使用的视频图像的分辨率和/或优化方法的迭代的次数。优选地，还可以改变所观察的图像区域的大小，例如通过以下方式：为了计算，将一个框置于整个对象——例如车辆周围或者仅置于车牌的区域中。

根据所使用的计算方法和所调整的参数的质量，优选设定预期误差σi的标准差。其以有利的方式确定相应的输入值对最终滤波结果的影响。优选地，可以以有利的方式随时间改变输入值的数量。如果对于一个时间步长不存在任何测量，则可以通过卡尔曼滤波器以有利的方式仅仅预测对于所述时刻的结果。

通过一个卡尔曼滤波器或者通过多个卡尔曼子滤波器对元组θi的处理优选可以提供以下结果：

一个结果尤其是：决定哪一个模型(ConstV或ConstA)最好地描述当前的行驶情况。由此尤其可以得出，仅当所观察的加速度显著不同于0时才选择模型ConstA。这可以以有利的方式用于影响防碰撞驾驶员辅助系统的警告策略。

此外，作为另一结果得到经滤波的状态矢量，其优选组合单个滤波器、即卡尔曼子滤波器的结果。所述矢量的项优选是标准化的运动参数v_norm和a_norm，它们随后可以用于其他计算。

然后根据所使用的运动模型如下得出当前的TTC：

${\mathrm{TTC}}_{\mathrm{constV}}=-\frac{1}{v_{\mathrm{norm}}}$

${\mathrm{TTC}}_{\mathrm{constA}}=\frac{-v_{\mathrm{norm}}\±\sqrt{{v^2}_{\mathrm{norm}}-2*a_{\mathrm{norm}}}}{a_{\mathrm{norm}}}$

如果选择了运动模型ConstA，则所述值除相对运动速度以外还以有利的方式考虑车辆之间的相对加速度。

此外能够以有利的方式实现：计算经滤波的标度值S_Filter。这以有利的方式对于基于视频的距离调节速度控制系统极为有用，因为经这样滤波的标度值具有比所测量的原始数据明显更好的信噪比，这以有利的方式允许车辆的纵向加速度的协调的(harmonisch)调节。

此外与已知的系统相比，本发明尤其具有以下优点：

·能够可靠地从视频图像数据中提取的标度数据的处理不需要距离测量值。

·每一时间步长需要仅仅一个标度值。这意味着，与要求两个或更多个标度值的系统相比明显更小的计算开销。存储器需求和所需的初始化时间也因此更小，因为不必求得以及存储数据的长的历史和中间结果。

·如果存在多个标度值，则可以优选在观察它们的相应测量噪声的情况下处理它们。所述方法的优势在于，能够实现灵活地组合不同类型的标度信息。这些标度信息例如可以来自不同的传感器、针对不同大小的时间步长或者由不同的算法计算。相应计算所需的条件例如可以是，对于每一个值一起传送测量误差的所属的标准差，并且测量误差可以假设为零周围的正态分布。

·直接借助卡尔曼滤波器处理标度数据，无需在前连接的估计器。省略如现有技术中额外的预处理步骤。

·能够正确地计算TTC，其中除相对速度以外还考虑对象、尤其是车辆之间可能的相对加速度。因此，根据本发明的方法优于许多其他的、由文献已知的、具有明显更简单的假设的方法。

·与原始数据相比能够以明显更好的信噪比计算经滤波的标度值。这样的经滤波的标度值尚未在任何其他的公开中与TTC关联地提及。

·此外，模型判定以有利的方式给出对于当前行驶情况是否观察到重要的相对加速度的启示。所述信息对于在没有IMM——即“Interacting Multiple Model：交互式多模型”的情况下工作的方法不可用。因此，这尤其意味着，所述信息对于不使用支持不同运动模型的多个子滤波器的方法不可用。

Claims (10)

1.一种用于传感器数据的滤波方法，所述传感器数据借助用于检测对象的传感器系统(303)形成(101)，所述滤波方法包括以下步骤：

由所述传感器数据测量(103)标度值(s_i)，其中，所述标度值(s_i)相应于在一个时间间隔(Δt_i)内所述传感器数据中对象的大小变化，

确定(105)所述标度值(s_i)的测量误差参数(σ_i)，

直接基于所测量的标度值(s_i)、所述时间间隔(Δt_i)和所述测量误差参数(σ_i)实施(107)卡尔曼滤波，以便估计所述对象相对于所述传感器系统(303)的至少一个标准化的运动参数(v_norm、a_norm)。

2.根据权利要求1所述的滤波方法，其中，实施所述卡尔曼滤波包括分别直接基于所测量的标度值(s_i)、所述时间间隔(Δt_i)和所述测量误差参数(σ_i)实施多个不同的卡尔曼滤波，以便分别估计所述对象相对于所述传感器系统(303)的至少一个标准化的运动子参数，其中，所述不同的卡尔曼滤波分别基于不同的运动模型。

3.根据权利要求2所述的滤波方法，其中，对于所述多个卡尔曼滤波中的每一个卡尔曼滤波计算关于相应的运动模型和所测量的传感器数据之间的一致性的概率值，其中，具有最大概率值的卡尔曼滤波的标准化的运动子参数形成所述标准化的运动参数(v_norm、a_norm)。

4.根据上述权利要求中任一项所述的方法，其中，基于所述至少一个标准化的运动参数(v_norm、a_norm)计算经滤波的标度值(S_Filter)。

5.根据权利要求4所述的滤波方法，其中，作为标准化的运动参数(v_norm、a_norm)估计标准化的相对速度(v_norm)和标准化的相对加速度(a_norm)，并且基于以下数学公式计算所述经滤波的标度值(S_Filter)：

$s_{\mathrm{Filter}}\left(\mathrm{\Δt}\right)=1-v_{\mathrm{norm}}*\mathrm{\Δt}+\frac{1}{2}*a_{\mathrm{norm}}*\mathrm{\Δ}{t}^2$

6.一种用于传感器数据的滤波设备(201)，所述传感器数据借助用于检测对象的传感器系统(303)形成，所述滤波设备包括：

测量装置(203)，其用于由所述传感器数据测量标度值(s_i)，其中，所述标度值(s_i)相应于在一个时间间隔(Δt_i)内所述传感器数据中对象的大小变化，

确定装置(205)，其用于确定所述标度值(s_i)的测量误差参数(σ_i)，

卡尔曼滤波器(207、403)，其用于直接基于所测量的标度值(s_i)、所述时间间隔(Δt_i)和所述测量误差参数(σ_i)实施卡尔曼滤波，以便估计所述对象相对于所述传感器系统(303)的至少一个标准化的运动参数(v_norm、a_norm)。

7.根据权利要求6所述的滤波设备(201)，其中，所述卡尔曼滤波器(207、403)包括多个卡尔曼子滤波器(405、407、409)，其中所述卡尔曼子滤波器(405、407、409)被构造用于分别直接基于所测量的标度值(s_i)、所述时间间隔(Δt_i)和所述测量误差参数(σ_i)实施卡尔曼滤波，以便分别估计所述对象相对于所述传感器系统(303)的至少一个标准化的运动参数，其中，所述卡尔曼子滤波器(405、407、409)的相应卡尔曼滤波基于不同的运动模型。

8.根据权利要求7所述的滤波设备(201)，其中，设有概率计算装置，所述概率计算装置被构造用于对于所述多个卡尔曼滤波中的每一个卡尔曼滤波计算关于相应的运动模型和现实之间的一致性的概率值。

9.一种用于车辆的驾驶员辅助系统(301)，其包括根据所述权利要求6至8中任一项所述的滤波设备(201)和用于检测对象的传感器系统(303)。

10.一种计算机程序，其包括用于当在计算机上执行所述计算机程序时实施根据权利要求1至5中任一项所述的滤波方法的程序代码。

Images