CN109415054A

CN109415054A - 用于跟踪车辆路径的设备

Info

Publication number: CN109415054A
Application number: CN201780028523.9A
Authority: CN
Inventors: J·达万-瓦道拉; I·巴勒斯特罗斯·托洛萨那; J·P·维格诺德; F·普莱斯坦; S·穆萨维
Original assignee: Renault SAS
Current assignee: Renault SAS
Priority date: 2016-04-13
Filing date: 2017-03-21
Publication date: 2019-03-01
Anticipated expiration: 2037-03-21
Also published as: FR3050161A1; JP2019513622A; EP3442840A1; WO2017178722A1; CN109415054B; FR3050161B1; JP6920340B2; EP3442840B1

Abstract

为了根据控制(u)和当前测量向量(y)实时地生成对以当前速度(v_a)移动的车辆(1)的路径进行跟踪的估计状态向量(je)，该观测设备(2)包括第一模块(4)，该第一模块实时地计算跟踪该路径的该估计状态向量(je)、以及估计测量向量(y)。第二模块(5)实时地调整该估计状态向量(x)的变化(x)，以便通过以下方式减小所述当前测量向量(y)与该估计测量向量(y)之差：将该差乘以估计增益矩阵(L^c)，该估计增益矩阵是通过对针对小于或等于该当前速度(va)的第一速度(v_最小)而优化的第一估计增益矩阵(L_最小)以及针对大于或等于该当前速度(va)的第二速度(v_最大)而优化的第二估计增益矩阵(L_最大)进时间行实时加权求和而计算出来的。

Description

用于跟踪车辆路径的设备

构成本发明的工作得益于来自按照授权协议号607957的Fonds de recherche ducharbon et de l'acier de la Communautéeuropéenne的经济支持。

本发明总体上涉及一种用于实时地生成车辆路径控制参数的设备。本发明更准确地涉及一种用于实时地生成车辆的估计待遵循路径状态向量的观测器设备，具体为一种自主机动车辆，即，一种能够在没有人类驾驶员的情况下移动的车辆。

状态观测器设备是许多技术领域中已知的，包括汽车领域。

举例而言，专利EP0723902B1披露了一种用于估计车辆的状态的系统，该系统包括根据测得的可观测量并根据所检测的控制变量来估计车辆状态的非可观测量的观测器，所述估计基于包括所检测的系统变量的系统矩阵。该获专利的观测器包括用于响应于所检测的系统变量而对极进行校正的装置。所检测的系统变量例如为车辆的重量或速度。虽然重量变化很少地或不影响在给定驾驶阶段时的校正，但这些许多速度变化时常地影响校正。虽然仅通过应用与速度成反比的系数来对极进行校正的所披露装置可以适用于限于两个极的简单系统，但使所述装置适于更复杂的系统将显得比较困难。有待解决的问题是，生产一种如适用于简单系统一样同样适用于复杂系统的观测器。

再次举例而言，专利US7908112披露了一种用于估计车辆的横向速度的动态观测器。这种估计是基于自行车模型和轮胎模型的，其将观测车辆的纵向速度的实际动态条件下的非线性考虑在内。虽然所采用的方法允许对诸如横向速度等标量变量的可接受估计，但其不允许对状态向量的精确估计，因为所使用的Luenberger(龙伯格)观测器具有线性构造。有待解决的问题是，生产一种适用于至少大范围速度的、用于生成估计待遵循路径状态向量的观测器。

本发明的目的是应对现有技术所提出的这些问题，特别是在有效性和实施的简易性方面。

为了实现这个目的，本发明的主题是一种观测器设备，该观测器设备用于基于命令并基于与以当前速度移动的车辆的物理待遵循路径状态向量相关的当前测量向量来实时地生成该车辆的估计待遵循路径状态向量，该观测器设备包括实时地计算所述估计待遵循路径状态向量和与该估计状态向量相关的估计测量向量的第一模块，其特征在于，该观测器设备包括：

-第二模块，该第二模块实时地调整该估计状态向量的时间变化，以便通过以下方式减小该当前测量向量与该估计测量向量之间的偏差：将所述偏差乘以估计增益矩阵，该估计增益矩阵是通过对针对小于或等于所述当前速度的第一速度而优化的第一估计增益矩阵和针对大于或等于所述当前速度的第二速度而优化的第二估计增益矩阵进行实时加权求和而计算出来的，该第一估计增益矩阵的第一加权系数从一降至零并且该第二估计增益矩阵的第二加权系数从零升至一，其中，减小速率和上升速率分别随着所述当前速度远离所述第一速度而变小，以便更接近该第二速度。

具体地，该第一加权系数取决于涉及该第二速度与该当前速度之间的差为分子且该第二速度与该第一速度之间的差为分母的比例，并且该第二加权系数是该第一加权系数对一的补数。

有利地，该第一加权系数取决于涉及所述第二速度与所述当前速度之间的差至少为分子且所述当前速度与所述第一速度之间的至少一个差为分母的比例，并且其特征在于，所述第二加权系数是该第一加权系数对一的补数。

更具体地，该第一加权系数取决于另外涉及小于所述第一速度的第三速度和/或大于所述第二速度的第四速度的比例。

优选地，该设备在存储器中包括：预设速度的有序列表、各自被索引至预设速度的矩阵的优化列表、以及数字机制，该数字机制用于：基于该当前速度，一方面从这些预设速度之一当中选择具有该第一估计增益矩阵的该第一速度，并且另一方面从接着的预设速度之一当中选择具有该第二估计增益矩阵的该第二速度。

具体地，该有序列表包括两个以上预设速度，从而使得该有序列表中的非极端预设速度与接着的预设速度之间的差大于该有序列表中的该非极限预设速度与前一预设速度之间的差。

同样有利地，该当前测量向量包括相对于偏航速度和转向角的坐标，并且该估计状态向量包括相对于以下各项的坐标：该偏航速度、与该车辆的路径的相对偏差的角度、转向角的时间导数、以及该转向角。

同样有利地，该设备在存储器中包括速度阈值，在低于所述速度阈值时，该车辆的该待遵循路径可以被锁定到目标车辆的路径上，并且在高于所述速度阈值时，该车辆的该待遵循路径被锁定到道路车道上。

具体地，为了锁定到该目标车辆的路径上，该当前测量向量另外包括相对于该目标车辆的横向偏差的至少一个坐标，并且该估计状态向量另外包括相对于以下各项的坐标：与目标车辆的路径的偏差的时间导数、与该目标车辆的路径的偏差、以及该目标车辆的路径的曲率半径。

可替代地，为了锁定到该道路车道上，该当前测量向量另外包括相对于以下各项的坐标：与该车辆的路径的相对偏差的角度、与该遵循车道的车辆的路径的横向偏差以及与该路径的横向偏差的时间积分的相反数，并且该估计状态向量另外包括相对于以下各项的坐标：与该车辆的路径的横向偏差的时间导数、与该车辆的路径的横向偏差以及与该路径的横向偏差的时间积分的相反数。

通过阅读以下说明并参见附图，其他的特征和优点将变得清楚，在附图中：

-图1示出了本发明所适用的车辆，

-图2是根据本发明的设备的实施方式的示意图，

-图3是插值系数的逐区域线性变化的图形，

-图4是插值系数的根据本发明的优选变化的曲线图。

参照图1，其前轮由电机(图中未示出)驱动的机动车辆1包括四个车轮，这四个车轮包括两个前轮11和两个后轮12。每个车轮可选地分别配备有瞬时速度传感器，从而允许测量车辆的当前速度v_a，具体为纵向当前速度v_a。优选的是，前轮是可转向的并且可以转动从而更改车辆的方向。

车辆1包括转向柱44，该转向柱的顶部部分可选地配备有方向盘，该方向盘在纯自主车辆中是不需要的，并且该转向柱的底部部分作用于允许对前轮进行定向的转向构件。转向柱44配备有受命令信号u控制的致动器。转向构件在转向柱的基底处或在任何其他位置(例如，作用于前轮的齿条)配备有传感器46，以便测量车辆前轮的实际转向角δ。传感器46例如是转矩传感器，该转矩传感器的值易于被转换成转向角。

车辆1还包括车辆的偏航速度的传感器31，即车辆绕穿过其重心的竖直轴线的旋转速度。传感器31例如是位置非常靠近车辆的重心(CoG)的陀螺仪。RaCam类型装置15，即结合了光学摄影机的特性和雷达的特性的装置，允许测量车辆1前方的横向于车辆的中轴线的对象以及沿着中轴线的对象的坐标，这些坐标分别表示为Y_相机和X_相机。

车辆1以本身已知的方式配备有车载处理单元(未这样示出)，从而允许控制和命令车辆的各个单元和构件。该处理单元可以经由连接、具体经由CAN总线、LIN或汽车以太网来接收源自速度传感器的信息、源自偏航速度传感器31的信息、源自转向角δ的传感器46的信息、以及源自装置15的信息。车载处理单元还可以通过向转向柱44传送命令信号u来命令该转向柱。车载处理单元还可以托管控制器设备3，该控制器设备用于生成命令信号u从而使车辆的物理状态向量x符合设定点状态向量X*，以确保车辆1遵循期望路径。车辆的物理状态取决于在较大程度或较小程度上受到控制的且对其动态行为具有影响的多种物理数据。车载处理单元托管观测器设备2，该观测器设备用于基于命令u并基于与以当前速度v_a移动的车辆1的物理待遵循路径状态向量x相关的当前测量向量y来实时地生成该车辆1的估计待遵循路径状态向量如现在将参照图2所解释的。

在图2中所展示的实施例中，车辆1的所考虑的实际状态向量x包括两个以上标量坐标(或状态变量)；这些标量坐标可以例如按照针对给定车辆仅优选地设定一次的任何给定预设顺序而包括：车辆的实际偏航速度车辆与其理想路径的实际相对偏差的角度Ψ_rel,ef、以及车辆的重心偏离其理想路径的实际侧向速度实际相对偏差的角度Ψ_rel,ef是实际上车辆的中轴线与在讨论中的每个时间处的理想路径的切线所成的角度。重心偏离的实际侧向速度是车辆的重心实际移动远离理想路径的速度，与讨论中的时间处理想路径的切线垂直。车辆1的实际状态向量x可以包括其他标量坐标，比如例如车辆的重心与其理想路径的实际偏离Y_cog,ef、车辆车轮的转向角随时间推移的实际变化以及车轮的实际转向角δ_ef。

状态变量可以具有独立于车辆运行的模式的意义或特定于车辆运行的模式的意义。通过展示的方式，我们将例如考虑两种运行模式，一种模式称为自动转向(AutoSteer)模式，在这种模式下，车辆自动地跟随前方的目标车辆，并且另一种模式称为LCA模式，在这种模式下，车辆自动地遵循道路车道的导引线。偏航速度独立于运行模式，所述偏航速度为车辆围绕垂直于道路平面的轴线进行枢转的速度。这同样适用于车辆车轮的转向角随时间推移的实际变化并且适用于车轮的实际转向角δ_ef，因为这些变量与车轮自身相对于自动控制的车辆的车身的状态相关。相反，在自动转向模式下，自动控制的车辆的重心与其理想路径的实际偏离Y_cog,ef是：在与车辆的轴线垂直的轴线上，目标车辆的路径与自动控制的车辆的重心之间的侧向偏差；而在LCA模式下，自动控制的车辆的重心与其理想路径的实际偏离是：在与车辆的轴线垂直的轴线上，车道的导引线与自动控制的车辆的重心之间的侧向偏差。重心偏离的实际侧向速度是前述变量的时间变化。

车辆1的实际状态向量x中所包含的标量坐标还可以取决于车辆的运行模式而在数值上和/或本质上不同。返回上述说明性示例，可选状态变量ρ_fv可以表示：在自动转向模式下，在重心的零实际偏离Y_cog,ef处，目标车辆的路径在自动控制的车辆的重心处的曲率半径。不同地，可选状态变量∫-Y_COGdt可以表示：自动控制的车辆的重心相对于其应所在的(车道的引导线的)点的偏差的时间积分。

在任何给定时间，对于车辆1的这个实际状态向量X，对应有期望自动控制的车辆在被驾驶时实现的参考状态向量X*。例如，状态向量X的坐标Ψ_rel,ef，Y_CoG,ef对应具有零值的状态向量X*的坐标Ψ_ref，Y_CoG,ref，因为当然期望自动控制的车辆的实际路径与其理想路径之间不存在侧向偏差且不存在定向偏差。

车辆1的实际状态向量X是未知的，因为受自然物理定律支配的自动控制的车辆的内部状态总体上是难以接近的。

将回想到的是，已知的物理定律规定：由车辆1形成的物理系统的状态向量X的时间变化的向量通过动态关系A而与状态向量X相关，该动态关系为：当不存在外部扰动时，总体上趋向于使车辆的状态达到稳定最终状态。由于车辆的稳定最终状态不一定是其所寻求实现的状态，因此本发明的目的是产生持续地扰动该系统以使实际状态向量X与参考状态向量X*保持一致的命令u。因而在时间变化向量中造成的扰动通过侵入式关系B而与命令u相关，该侵入式也受物理定律支配。由于本质为整体上未知的其他外部扰动同样作用于由车辆1形成的物理系统，因此使用了采取负反馈的自动控制机制，其中，观测器设备2的目地是实时地生成尽可能如实地表示实际状态向量X的估计状态向量

为了实现这一目地，观测器设备2包括模块4，该模块对由车辆1形成的物理系统进行建模，具体为待遵循路径方面。模块4包括表示动态关系A的数矩阵A^c以及表示侵入式关系B的数矩阵B^s。

数矩阵A^c可以采取各种形式，每种形式适用于车辆的一种运行模式。数矩阵A^c的形式本质上与车辆1的状态向量X相关并且与施加的动态关系相关。以下给出的矩阵形式的两个示例是基于自行车模型的，该自行车模型在所讨论的技术领域中是众所周知的，如比如FR2925005或WO2012084465等许多现有技术文档展示的。

第一示例是具有自动转向模式的，对于这种模式，数矩阵A^c具有以下形式：

其中，在给定驾驶序列的过程中，某些系数发生变化(即为变量)，而其他的系数保持恒定。

变量系数本质上为取决于车辆的纵向速度v的系数。为了反映速度的变化，借助于以下公式，一方面通过读出一般经由车载网络(尤其是CAN总线、LIN汽车以太网)可访问的纵向速度v且另一方面通过读出一般可从存储器访问的参数，实时地计算变量系数：

a₂₇(v)＝-v

a₃₇(v)＝-v²

其中，参数c_r、c_f、l_r、l_f、I_z、M还各自以本身已知的方式分别地对以下各项进行量化(见申请FR1255068、FR1255188和FR12563339中的任一申请)：后轮12的侧偏刚度以及前轮11的侧偏刚度，这些刚度是从车轮轮胎的制造商、或通过电路测试驱动获得的；后轮的轴线距车辆1的重心CoG的距离以及前轮的轴线距所述车辆的重心的距离；车辆围绕垂直于平面的惯性力矩，该平面穿过前轮和后轮的轴线；以及最后，车辆的质量。

在驾驶序列过程中保持恒定的系数可以在车辆设计过程中提前计算出来并且然后存储在车载处理单元的存储器中。这些系数是使用以下公式确定的：

a₅₅＝-2ξω

a₅₆＝-ω²

a₇₇＝-ω_ρ

其中，一方面，ξ和ω分别指代阻尼系数以及车轮转向命令的传递函数的固有角频率，并且另一方面，ω_ρ指代用于对道路的曲率半径进行滤波的滤波器的固有角频率。

在驾驶序列过程中保持恒定的系数还可以在每次启动车辆时计算出来，以便将以下事实考虑在内：取决于乘客的数量并取决于负载，车辆的质量M和惯性力矩Iz在每次启动车辆时都可能不同。例如由燃料的消耗或乘客在途中离开车辆所造成的这些参数的变化一般不是非常显著。

第二示例是具有LCA模式的，对于这种模式，数矩阵A^c具有以下形式：

其中，系数与自动转向模式下的数矩阵A^c的系数完全相同，除了最后一列系数全为零以及最后一行仅中间系数非零而是等于-1之外。

矩阵的列数等于状态向量的坐标数，并且行数等于时间状态变化的向量的坐标数，即等于其行数。将理解的是，数矩阵A^c可以包含与上述示例中的行数和列数不同的行数和列数，具体为，如果需要考虑附加状态变量则为更大的数，或者如果认为一个状态变量对于要求而言是多余的则为更小的数，具体为如上文所解释的与最后一行相对应的状态变量。

数矩阵B^s表示侵入式关系B，每一个是针对控制车辆并考虑外部因素的一种模式而定制的。数矩阵B^s的形式本质上与状态向量X相关，所述状态向量的坐标数设定了行数，并且该数矩阵的形式与和系统的交互相关，所述交互的数量设定了列数。以下给出的矩阵形式的这两个主要示例对应于上文给出的这两个示例。

第一示例是具有自动转向模式的，对于这种模式，数矩阵B^s具有以下形式：

其中，第一列与第一扰动即转向命令u相关联，且第二列与第二扰动即车道的曲率半径的随机变化的固有角频率ω_n相关联。针对给定类型的车辆，此处的系数都是常数。在第一列中，假定命令u仅直接作用于转向角的时间变化，则仅系数b₅₁是非零的。系数b₅₁等于车轮转向命令的传递函数的固有频率ω的平方。在第二列中，假定随机变化的固有角频率ω_n仅与车道的曲率半径有关，则仅系数b₇₂是非零的。系数b₇₂等于对道路的曲率半径进行滤波的滤波器的固有角频率ω_ρ；固有角频率是提前确定的；它们暂时是不变的。

针对第一示例的自动转向模式，数矩阵B^s的一个变体是其中状态向量X不包含相对于曲率半径的最后一个坐标的数矩阵。在这种情况下，对曲率半径变化的扰动未被考虑在内，并且数矩阵B^s仅具有单列六行。

第二示例是具有LCA模式的，对于这种模式，数矩阵B^s具有以下形式：

其中，第一列在此再一次与第一扰动即转向命令u相关联，而第二列与第二扰动即车道自身的曲率半径相关联。系数b₅₁在此再一次等于车轮转向命令的传递函数的固有角频率ω的平方。相反，在第二列中，假定曲率半径ρ_ref直接作用于车辆与其理想路径的实际相对偏差的角度Ψ_rel,ef并且作用于车辆的重心偏离其理想路径的实际侧向速度则两个系数b₂₂和b₃₂是非零的。系数b₂₂等于车辆的纵向速度v的相反数，并且系数b₃₂等于车辆的纵向速度v的平方的相反数。

为了对车辆1进行建模，模块4接收命令u，从而通过借助于在以下公式中采用的数矩阵A^c和B^s再现动力学方程来生成估计状态向量

应当满足估计状态向量的多个条件以便如实地再现车辆的物理状态向量x。

在第一个公式(其是相对于时间的积分)中，在初始时间处，有必要使估计状态向量等于车辆的物理状态向量x。

在第二个公式中，有必要使数矩阵A^c和B^s完美地对实际影响车辆的动态关系A和侵入式关系B进行建模。

将容易理解的是，这些条件出于许多原因而不能被满足，比如对车辆进行量化的参数的正确性(假定这些参数经受制造容差并在使用中经历老化)、非预期扰动、以及甚至其他已知或未知原因。

为了减小所计算的估计状态向量与未知的车辆物理状态向量x之间的偏差，观测器2经由第二输入端接收表示车辆状态的当前测量向量y。当前测量向量y通过工具性关系C与物理状态向量x相关，该工具性关系取决于状态向量的配置即取决于车辆的运行模式，并且取决于车辆所配备的测量传感器。

返回第一示例即自动转向运行模式，当前测量向量y具有三个分量，即：偏航速度比如由传感器31测得的；目标车辆(未示出)的背面的中心相对于车辆1的中轴线的横向坐标Y_相机，比如由装置15测得的；以及车轮11的转向角δ，比如由传感器46测得的。

通过展示的方式，以下公式给出了状态变量Y_COG，该状态变量是状态向量X的第三个坐标：

其中，x_m等于以下各项之和：在两台车辆出故障的情况下，在车辆1与目标车辆之间有待保持的距离，例如约2米，以及车辆1的纵向速度v乘以允许车辆1继续追赶目标车辆的时间长度t_f例如约0.4秒之积。

工具性关系C在模块4中由数矩阵C^c近似，以便根据估计状态向量生成估计测量向量

在自动转向运行模式下，数矩阵C^c优选地具有如下形式：

其中，在非零常量系数当中，如果忽视传感器31、15和46的测量结果中的可能不确定性，则可以将系数c₁₁、c₂₄和c₃₆设定为等于一。

通过以下简单公式实时地计算取决于车辆的纵向速度v的系数c₂₂和c₂₇：

c₂₂(v)＝v·t_f

c₂₇(v)＝-c₂₂(v)²/2

模块4然后通过实时地将估计状态向量乘以矩阵C^c来计算估计测量向量

返回第二示例即LCA运行模式，当前测量向量y包含五个分量，即：偏航速度比如由传感器31测得的；朝向车道中心线瞄准的相对偏差的角度Ψ_rel，比如由装置15测得的；重心与车道中心线的偏离Y_CoG，这个偏离是使用装置15获得的；车轮11的转向角δ，比如由传感器46测得的；以及重心的偏离Y_CoG的相反数随时间推移的累积∫Y_CoGdt，其由装置1传递。

工具性关系C在模块4中由数矩阵C^c近似，以便根据针对所讨论的运行模式而估计的状态向量来生成估计测量向量

在LCA运行模式下，数矩阵C^c优选地具有如下形式：

其中，非零系数c₁₁、c₂₂、c₃₄、c₄₆和c₅₇是常数并且等于一，因为所讨论的测量结果形成了状态变量的一部分。

无论车辆的运行模式是哪种，增益估计模块5具有对状态向量的时间导数进行校正的功能，从而使得根据估计状态向量估计的测量向量与实际测量向量y一致，从而使得估计状态向量因而与车辆1的物理待遵循路径状态向量x一致。为了做到这一点，模块5实时地调整估计状态向量的时间变化从而通过以下方式减小当前测量向量y与估计测量向量之间的偏差：将所述偏差乘以估计增益矩阵L^c。

由于这两个测量向量y和之间的偏差是维数与测量向量的维数相等的向量，并且由于有待添加到估计状态向量的时间变化中的校正是维数与状态向量的维数相等的向量，因此矩阵L^c包含与状态向量的坐标数相等的行数以及与测量向量的坐标数相等的列数。

因而，观测器设备2能够表现为由以下方程定义的Kalman(卡尔曼)观测器：

矩阵L^c对应于卡尔曼观测器的增益矩阵。在上文作为示例给出的自动转向运行模式下，其是尺寸为7×3的矩阵，因为输出数等于7，并且所使用的测量结果的数量等于3。这个矩阵是通过在使矩阵P(其是李卡其(Ricatti)解决方案的矩阵)最小化的基础上对李卡其代数方程进行求解来确定的。矩阵P的系数如已知的对应于估计误差的协方差

P＝AP+PA^T-PC^TR_L ^-1CP+q_L

L＝PC^TR_L ^-1

在此表达式中，将回想到的是，矩阵A和C是使用描述侧向动力学的方程生成的矩阵，Q_L是系统的扰动的矩阵，并且R_L是测量噪声的矩阵。

矩阵Q_L和R_L是维数与测量向量y的坐标数相等的正方形矩阵并在其各自的对角线上包含非零的参数。

这些参数通常是凭经验在对车辆(作为有待观测的系统)执行的测试期间进行的实验测量来量化的，但其值难以确定。这两个矩阵被定义为对角线矩阵，因为假设测量值之间没有关联。对Q_L和R_L的值的良好优化使得可以获得对测量噪声以及对系统的扰动而言非常稳健的系统。

控制器设备3生成命令u从而将参考状态X*与估计状态向量之间的差降至零。由于参考状态向量被定义为是具有尺寸为7×1的零向量，因此针对控制器所提出的解决方案恰好是被称为“全状态反馈”的常规方式，其由以下项来定义：

被定义为具有尺寸为7×1的增益矩阵K包含控制增益。共有七个参数有待调整，每个参数与一个不同的状态变量相关联：

所使用的优化方法是基于李卡其方程并基于解决方案矩阵S的最小化的线性二次型方法(LQR为linear-quadratic regulator，线性二次型调节器)：

S＝AS+5A^T-SBR_k ^-1B^TS+Q_k

K＝k_k ¹B^TS

其中，再一次，矩阵A和B是从描述侧向动力学的方程产生的，Q_k是状态变量中每一个状态变量的权重的矩阵，并且R_k是命令的权重的矩阵(在当前情况下，R被设定为单个标量，因为仅有单个命令u)。

必须被评估的矩阵Q_k被定义如下：

矩阵Q_k被假定为是对角线的，因为认为状态变量的权重之间没有关联。

现在将简洁地回想支配设备3中对命令的优化与设备2中对观测器的优化之间的关系的分离原理；此关系非常强，因为控制器的性能直接取决于观测器的估计，并且因为命令是在由观测器估计的值的基础上合成的。

考虑到有待借助命令u通过从观测器2下发的静态状态的反馈而闭合的系统循环，通过线性系统对有待控制的系统进行建模，其中，该系统的方程和观测器的方程被定义为：

通过执行变量的变化，可以重写前述方程

或者

为了保证闭合系统的稳定性，有必要使用真实状态(A+BK)来独立地验证观测器(A-LC)的稳定性以及命令的稳定性。这种特性使得可以保证：对观测器的优化(换言之，对矩阵L^c的优化)以及对命令的优化(换言之，对增益矩阵K的优化)可以独立于彼此而进行。这种原理被称为分离原理。

对矩阵L^c的优化仍然需要许多计算以及大量精细调谐，这几乎与考虑车辆速度变化所需的实时执行兼容不相容，所述变化如上文所见地反映在矩阵的值中。

为了克服时间约束，解决方案则是：针对预定义数量的车辆纵向速度设定值，在车载存储器中存储矩阵L^c，这些矩阵已经在计算机辅助设计和测试阶段提前离线(或换言之，在车辆外部)时得到优化。图3例如示出了依次设定为5km/h、10km/h、20km/h、30km/h、40km/h、50km/h和60km/h的车辆纵向速度值。每连续两个纵向速度设定值则定义了第一速度v_最小与第二速度v_最大之间所包括的速度范围，该第一速度定义了该速度范围的下限，该第二速度定义了该速度范围的上限。

观测器设备的制造过程则包括车辆的设计和评估阶段，该阶段包括用于确定每个速度范围限值的估计增益矩阵系数的第一步骤，即确定针对第一速度v_最小而优化的第一估计增益矩阵L_最小的系数以及确定针对第二速度v_最大而优化的第二估计增益矩阵L_最大的系数。

这个确定步骤包括一个周期，在该周期内，使用已知优化方法计算系数，具体为实施李卡其方程的方法，例如但不一定以与之前专利US6000661中披露的方法相类似的方式。这个确定步骤然后包括一个周期，在该周期内，通过测试车辆1的原型来对系数进行评估，在该车辆的估计器设备中已经存储了所计算的系数，并且测试驾驶员开始以计算估计增益矩阵的系数的速度进行驾驶。测试驾驶员然后调整系数，直到车辆能够在没有测试驾驶员干预的情况下以完全令人满意的行为自行行驶。

车辆的设计和评估阶段包括第二步骤，在该第二步骤中，针对所有的速度范围限值，将估计增益矩阵系数存储在对观测器设备2可访问的电子存储器中。在图3中易于可见的是，针对前一速度范围之后的速度范围，针对第一速度v_最小而优化的第一估计增益矩阵L_最小的系数等于针对该前一范围的第二速度v_最大而优化的第二估计增益矩阵L_最大的系数。因而，除了最后一个速度范围之外，针对每个速度范围将下限估计增益矩阵系数存储在由该(这些)速度范围索引的相关联表中，针对该最后一个速度范围，还存储有上限估计增益矩阵系数。

车辆的设计和评估阶段包括第三步骤：在电子存储器中存储可由观测器设备2执行的计算机程序指令。这些指令被编程为使得：当其被观测器设备执行时，该观测器设备从车载网络的总线读取车辆的当前速度v_a，从而找到在当前速度v_a侧面的两个速度范围限值。访问包含估计增益矩阵系数的相关联表，所存储指令的剩余部分允许第二模块5通过对以下各项进行实时加权求和来计算估计增益矩阵L^c：针对小于或等于当前速度v_a的第一速度v_最小而优化的第一估计增益矩阵L_最小以及针对大于或等于所述当前速度v_a的第二速度v_最大而优化的第二估计增益矩阵L_最大，该第一估计增益矩阵L_最小的第一加权系数p_最小从一降至零并且该第二估计增益矩阵p_最大的第二加权系数L_最大是第一加权系数对一的补数。因而，所存储的程序指令允许通过在包含车辆的当前纵向速度的速度范围的限值处的两个值之间进行插值法来获得矩阵。

车辆的设计和评估阶段包括第四步骤：在估计器设备中测试车辆1的原型，可由观测器设备2执行的其计算机程序指令已经存储在电子存储器中。测试驾驶员使车辆以除了计算相关联的表格中所存储的估计增益矩阵系数的那些速度之外的各个速度行驶。测试驾驶员然后验证：所存储的指令结合相关联表允许车辆在没有测试驾驶员干预的情况下以完全令人满意的行为以车辆的任何预期当前速度自行行驶。

图3示出了线性插值法的示例，其中，第一和第二加权系数分别以恒定的方式增大和减小。有必要选择充足数量的速度范围，以在速度范围内获得良好的估计增益矩阵近似。这种方式具有许多缺点。鉴于电子存储器价格和体积的持续下降，在速度范围的限值处消耗大量存储器来存储矩阵系数的值的缺点不是不能克服的。在周期中出现了更加难以克服的一个缺点，经由该周期，通过以车辆1的实物大小的原型进行测试来对系数进行评估。测试驾驶员然后必须使车辆以之前计算估计增益矩阵的每个速度行驶，即图3中所展示的情况下的七种测试速度。在上文作为示例给出的自动转向自主运行模式下，具有尺寸为7×3的估计增益矩阵针对给定的测试速度生成了测试驾驶员然后必须调整的高达21个参数，直到车辆能够在没有测试驾驶员干预的情况下以完全令人满意的行为自行行驶。为了使车辆在这种运行模式下加速至高达40km/h，从图3可见的是，有必要针对五种设定速度5km/h、10km/h、20km/h、30km/h和40km/h进行调整。发明人在此已经标识了66个有待调整的参数。在上文作为示例给出的LCA自主运行模式下，具有尺寸为7×5的估计增益矩阵针对给定的测试速度生成了测试驾驶员然后必须调整的高达35个参数，直到车辆能够在没有测试驾驶员干预的情况下以完全令人满意的行为自行行驶。为了使车辆在这种运行模式下在40km/h与180km/h之间行驶，通过对图3进行外推可见的是，有必要针对以步幅10从40km/h增大至180km/h的十五种设定的速度进行调整。发明人在此已经标识了126个有待调整的参数。因而，测试驾驶员必须对192个参数进行评估。将注意的是，评估不仅仅是通过调整一个参数来顺序地执行的，而对提前调整的参数没有影响。对一个参数的调整可以要求对提前调整的参数进行重新调整。一种解决方案可以是减少速度范围的数量，但然后在过大的速度范围上由仿射函数进行近似将有降低准确性以及因此矩阵L^c所做校正的性能的风险。

为了弥补上文所述的缺点，发明人已经开发了一种仿真工具，该仿真工具由设置有高级处理资源的计算机系统托管、与计算机辅助设计的系统的那些可比较，并且不会受到实时执行的约束。该仿真工具被编程用于执行由上文所述的理论方程所需的所有数值计算，同时以足够小以允许仿真车辆的动力学并允许针对基本连续的速度值集合而估计性能的增量步幅大小对车辆纵向速度值逐渐地进行增量。该工具也已经允许估计增益矩阵的系数变化曲线作为有待观测的纵向速度的递增变化的函数。通过采用表示估计增益矩阵系数的实际变化且并非仅为直线的曲线，在两个速度限值之间使用插值，估计增益矩阵系数的这个变化曲线的知识已允许增大速度范围的大小并因此减小其数量。

通过分析由仿真工具获得的其所创建的曲线，发明人已观测到，估计增益矩阵在给定速度范围内的较低速度值处比在较高速度值处更迅速地变化。这些发明人因此将可由估计器设备实时执行的计算机程序指令编程为使得：第一估计增益矩阵L_最小的第一加权系数p_最小从一降至零，并且使得：第二估计增益矩阵L_最大的第二加权系数p_最大从零增至一，其中，降低速率和增大速率分别随着当前速度v_a远离第一速度v_最小而变小，以便更接近第二速度v_最大。

根据本发明的这些新的指令已允许减少速度范围的数量，如图4中所示，借助于与简单线性插值相比作为估计增益矩阵的实际变化的更好近似的插值函数。本发明因而便于对测试过程中的评估进行循环，并且基于命令u并基于与以当前速度v_a移动的车辆1的物理待遵循路径状态向量x相关的当前测量向量y，提高了由估计器设备2实时生成车辆1的估计待遵循路径状态向量的可靠性。

可以通过以下方式来获得第一加权系数p_最小的前述变小：在其计算中涉及第二速度与当前速度之间的差(v_最大-v_a)为分子且第二速度与第一速度之间的差(v_最大-v_最小)为分母。

如果以下方程成立，则就是例如这种情况：

p_最小＝Log[1+(v_最大-v_a)/(v_最大-v_最小)]/Log2

还可以使第二加权系数p_最大作为第一加权系数p_最小对一的补数，例如如果：

p_最大＝Log[1+(v_a-v_最小)/(v_最大-v_最小)]/Log2

然而，不推荐对数公式，因为它们非常耗时、几乎不或较差地适合必须简单且快速的实时计算。

借助于上述算法获得在当前速度v_a远离速度范围的下限v_最小时变小以便更接近速度范围的上限v_最大的降低速率和增大速率有如下优点：在不需要过多量的处理资源的情况下，使能实时快速执行。

车辆的设计和评估阶段包括第三存储步骤。在此第三步骤中，在电子存储器中存储的可由观测器设备2执行的计算机程序指令被编程为使得：当其被观测器设备执行时，其在前述相关联表中指向直接高于从车辆的车载网络的总线读取的当前速度的速度v_最大。

如果所指向的速度v_最大是具有相关联表中的最低正值的速度，则矩阵L^c被设定为等于矩阵L_最大。

否则，这些指令指向直接低于从车辆的车载网络的总线读取的当前速度的速度v_最小。

如果所指向的速度v_最小是具有相关联表中的最高正值的速度，则矩阵L^c被设定为等于矩阵L_最小。

否则，在相关联表由包括两个以上预设速度v_i的有序列表索引的情况下，为了允许有序列表中的非极端预设速度v_i与后一预设速度v_i+1之间的差大于有序列表的非极端预设速度v_i与前一预设速度v_i-1之间的差，这些指令从存储器或通过计算访问由以下公式定义的三个变量dist⁺、dist和dist^-：

dist⁺＝v_最大2-v_最大

dist＝v_最大-v_最小

dist^-＝v_最小-v_最小2

其中，如果速度v_最大不是相关联表中的最高设定速度，则v_最大2是相关联表中直接高于速度v_最大的设定速度，或者如果速度v_最大是相关联表中的最高设定速度，则其是高于速度v_最大的任意速度，并且如果速度v_最小不是相关联表中的最低正设定速度，则v_最小2是相关联表中直接低于速度v_最小的设定速度，或者如果速度v_最小是相关联表中的最低正设定速度，则其是低于速度v_最小的零速度。

接下来，计算机程序指令计算由以下公式定义的四个因数P_A1、P_A2、P_B1和P_B2：

在这四个因数P_A1、P_A2、P_B1和P_B2的基础上，计算机程序指令计算由以下公式定义的加权系数p_最小和p_最大：

在上述公式中可见的是，第一加权系数p_最小取决于涉及第二速度v_最大与当前速度v_a之间的差为分子并且涉及第二个差为分母的比例，即当前速度v_a与第一速度v_最小之间的差为分母，第二加权系数p_最大保持为第一加权系数p_最小对一的补数。

还可见的是，前述两个差各自以平方出现在加权系数的公式里。结果是，加权系数p_最小的曲线是由实线表示的曲线，并且加权系数p_最大的曲线是由虚线表示的曲线。

单纯地通过非限制性展示来指示值3km/h、10km/h、26km/h和60km/h。重要的是注意到，本发明的算法允许减少速度范围的数量并因此减少有待执行的评估次数。完全可以设想单个速度范围，在这个速度范围内，加权系数变化，该速度范围以恰好足够高而使估计增益矩阵具有意义的较低速度开始并以较高速度结束，在超过该较高速度时，估计增益矩阵的变化不显著。

还将注意的是，在本实施方式中，第一加权系数p_最小所取决的比例涉及小于第一速度v_最小的第三速度v_最小2以及高于第二速度v_最大的第四速度v_最大2。使用与包含当前速度v_a的速度范围相邻的速度范围提高了从一个速度范围转变到下一速度范围的平滑性，但可以设想到其他解决方案。具体地，如果设想到P_A2和P_B2的分别与P_A1和P_B1的成比例的分母，则可见的是，对加权系数的计算的简化可以使讨论中的速度范围的幅值dist-、dist、dist+消失。

由于观测器设备在存储器中包括：预设速度v_i的有序列表以及各自被索引至预设速度v_i的矩阵L_i的优化列表，因此所存储的计算机程序指令允许执行数字机制以便基于当前速度一方面从预设速度v_i之一当中选择具有第一估计增益矩阵L_最小的第一速度v_最小，并且另一方面选择具有第二估计增益矩阵L_最大的、然后被设定为等于接着的预设速度v_i+1的第二速度v_最大。

对这些指令进行编程从而通过以下公式计算矩阵L^c：

L^c＝p_最小L_最小+p_最大L_最大

本发明的教导不限于上文所述的实施方式的示例，而仅限于以下所呈现的权利要求书。具体地，上文所述的观测器设备的实施方式的示例是基于卡尔曼观测器的。本领域技术人员了解比如例如Luenberger观测器等其他类型的观测器，对于他们而言，将能够没有难度地传递本文所披露的教导。

Claims

1.一种观测器设备(2)，用于基于命令(u)并基于与以当前速度(v_a)移动的车辆(1)的物理待遵循路径状态向量(x)相关的当前测量向量(y)来实时地生成该车辆(1)的估计待遵循路径状态向量该观测器设备包括实时地计算所述估计待遵循路径状态向量和与该估计状态向量相关的估计测量向量的第一模块(4)，其特征在于，该观测器设备包括：

-第二模块(5)，该第二模块实时地调整该估计状态向量的时间变化以便通过以下方式减小所述当前测量向量(y)与所述估计测量向量之间的偏差：将所述偏差乘以估计增益矩阵(L^c)，该估计增益矩阵是通过对针对小于或等于所述当前速度(v_a)的第一速度(v_最小)而优化的第一估计增益矩阵(L_最小)和针对大于或等于所述当前速度(v_a)的第二速度(v_最大)而优化的第二估计增益矩阵(L_最大)进行实时加权求和而计算出来的，该第一估计增益矩阵(L_最小)的第一加权系数(p_最小)从一降至零并且该第二估计增益矩阵(L_最大)的第二加权系数(p_最大)从零升至一，其中，减小速率和上升速率分别随着所述当前速度(v_a)远离所述第一速度(v_最小)而变小，以便更接近该第二速度(v_最大)。

2.如权利要求1所述的观测器设备，其特征在于，所述第一加权系数(p_最小)取决于涉及所述第二速度与所述当前速度之间的差(v_最大–v_a)为分子且所述第二速度与所述第一速度之间的差(v_最大–v_最小)为分母的比例，并且其特征在于，所述第二加权系数(p_最大)是该第一加权系数(p_最小)对一的补数。

3.如权利要求1或2所述的观测器设备，其特征在于，所述第一加权系数(p_最小)取决于涉及所述第二速度与所述当前速度之间的差(v_最大–v_a)至少为分子且所述当前速度与所述第一速度之间的至少一个差(v_a-v_最小)为分母的比例，并且其特征在于，所述第二加权系数(p_最大)是该第一加权系数(p_最小)对一的补数。

4.如权利要求3所述的观测器设备，其特征在于，所述第一加权系数(p_最小)取决于另外涉及小于所述第一速度(v_最小)的第三速度(v_最小2)和/或大于所述第二速度(v_最大)的第四速度(v_最大2)的比例。

5.如前述权利要求之一所述的观测器设备，其特征在于，该观测器设备在存储器中包括：预设速度(v_i)的有序列表、各自被索引至预设速度(v_i)的矩阵(L_i)的优化列表、以及数字机制，该数字机制用于：基于该当前速度，一方面从这些预设速度(v_i)之一当中选择具有该第一估计增益矩阵(L_最小)的该第一速度(v_最小)，并且另一方面从接着的预设速度(v_i+1)之一当中选择具有该第二估计增益矩阵(L_最大)的该第二速度(v_最大)。

6.如权利要求5所述的观测器设备，其特征在于，所述有序列表包括两个以上预设速度(v_i)，该有序列表中的非极端预设速度(v_i)与接着的预设速度(v_i+1)之间的差大于该有序列表中的所述非极端预设速度(v_i)与前一预设速度(v_i-1)之间的差。

7.如前述权利要求之一所述的观测器设备，其特征在于，所述当前测量向量(y)包括相对于偏航速度和转向角(δ)的坐标，并且其特征在于，该估计状态向量包括相对于以下各项的坐标：该偏航速度与该车辆(1)的路径的相对偏差的角度(Ψ_rel)、转向角的时间导数以及该转向角(δ)。

8.如前述权利要求之一所述的观测器设备，其特征在于，该观测器设备在存储器中包括速度阈值(v_s)，在低于该速度阈值时，该车辆(1)的该待遵循路径可以被锁定到目标车辆的路径上，并且在高于该速度阈值时，该车辆(1)的该待遵循路径被锁定到道路车道上。

9.如权利要求7和8所述的观测器设备，其特征在于，为了锁定到该目标车辆的路径上，所述当前测量向量(y)另外包括相对于该目标车辆的横向偏差(Y_相机)的至少一个坐标，并且其特征在于，该估计状态向量另外包括相对于以下各项的坐标：与目标车辆的路径的偏差的时间导数与该目标车辆的路径的偏差(Y_COG)、以及该目标车辆的路径的曲率半径(ρ_fv)。

10.如权利要求7和8所述的观测器设备，其特征在于，为了锁定到该道路车道上，所述当前测量向量(y)另外包括相对于以下各项的坐标：与该车辆(1)的路径的相对偏差的角度(Ψ_rel)、与该遵循车道的车辆(1)的路径的横向偏差(Y_COG)以及与该路径的横向偏差的时间积分(∫-Y_COGdt)的相反数，并且其特征在于，该估计状态向量另外包括相对于以下各项的坐标：与该车辆(1)的路径的横向偏差的时间导数与该车辆(1)的路径的横向偏差(Y_COG)以及与该路径的横向偏差的时间积分(∫-Y_COGdt)的相反数。