CN110418745B - 用于车辆护航的间隙测量 - Google Patents

Abstract

描述了用于识别一组距离测量场景中的特定车辆(例如，编队同伴)的后部和/或用于跟踪这种车辆的后部的各种方法、控制器和算法。所描述的技术可以结合各种不同的距离测量技术使用，包括雷达、激光雷达、基于相机的距离测量单元等。所描述的方法非常适合在包括牵引‑拖挂车编队应用的车辆编队和/或车辆护航系统中使用。在另一方面，描述了用于融合从不同车辆获得的传感器数据以用于对特定车辆进行至少部分自动的控制的技术。所描述的技术非常适合与各种不同的车辆控制应用结合使用，包括编队、护航和其他连接式驾驶应用，包括牵引‑拖挂车编队应用。

Description

用于车辆护航的间隙测量

相关申请的交叉引用

本申请要求均于2017年5月9日提交的15/590,715和15/590,803号美国申请以及2016年11月2日提交的PCT/US2016/060167号PCT申请的优先权，其中每一个都通过引用整体并入本文。

技术领域

本发明总地涉及用于使车辆能够使用自动或部分自动控制来安全地彼此紧密跟随的系统和方法。

背景技术

近年来，在自动和半自动驾驶车辆领域已经取得了重大进展。车辆自动化的一个部分涉及使车辆能够以安全、高效且方便的方式紧密地跟随在一起的车辆护航系统。紧密跟随在另一车辆后面具有显著的燃料节省的益处，但是在由驾驶员来手动进行时通常是不安全的。一种类型的车辆护航系统有时被称为车辆编队系统，其中第二个和潜在的附加车辆受到自动或半自动控制来以安全的方式紧密跟随引领车辆。

在车辆编队和护航系统中，对车辆之间的距离的理解是非常重要的控制参数，并且可以使用多个不同的独立机制来确定车辆之间的距离。这些可以包括雷达系统、在车辆之间传输绝对或相对位置数据(例如，GPS或其他GNSS数据)、激光雷达(LIDAR)系统、相机等。当在编队类型应用中使用雷达时出现的挑战是，必须从雷达反射的潜在模糊的集合中可靠地识别同伴车辆并且在不断变化的条件下跟踪同伴车辆。本申请描述了用于基于车辆雷达数据来识别和跟踪特定车辆的技术，这些技术非常适合于编队、护航和其他自动或半自动驾驶应用。

发明内容

描述了用于识别一组距离测量场景中的特定车辆(例如，编队同伴)的后部和/或用于跟踪这种车辆的后部的各种方法、控制器和算法。所描述的技术可以结合各种不同的距离测量技术来使用，包括雷达、激光雷达、声纳单元或任何其他渡越时间距离测量传感器、基于相机的距离测量单元等。

在一个方面，接收雷达(或其他距离测量)场景，并且至少部分地通过将其表示的相应检测对象的相对位置以及在一些情况下这样的检测对象的相对速度与第一车辆的估计位置(和相对速度)进行比较来识别第一车辆点候选项。基于其表示的检测对象与第一车辆的估计位置的相应距离来对第一车辆点候选项进行分类。针对多个样本重复分类，使得分类的第一车辆点候选项包括来自多个连续样本的候选项。然后，至少部分地基于第一车辆点候选项的分类来识别第一车辆的后部。然后，可以在第二车辆的控制中使用所识别的第一车辆的后部或至少部分地基于所识别的第一车辆的后部而确定的有效车辆长度。

在一些实施例中，在第一车辆的估计位置周围概念地施加边界框，并且不位于边界框内的测量系统对象点不被认为是第一车辆点候选项。在一些实施例中，边界框限定超过第一车辆的最大预期尺寸的区域。

在一些实施例中，对车辆的相对速度与相关联的速度不确定性一起进行估计。在这样的实施例中，以不在估计速度的速度不确定性内的相对速度移动的该组检测对象点内的对象点不被认为是第一车辆点候选项。

在一些实施例中，分类第一车辆点候选项包括用第一车辆点候选项来填充直方图。直方图包括多个区间，其中每个区间表示相对于第一车辆的估计位置的纵向距离范围。在这样的实施例中，可以在直方图包含至少预定数量的第一车辆点候选项之后进行第一车辆的后部的识别。在一些实施例中，将聚类算法(例如，修正均值漂移算法)应用于第一车辆点候选来识别第一车辆点候选项中的一个或多个聚类。在这样的实施例中，可以选择最接近第二车辆的包括至少预定阈值百分比或预定数量的第一车辆雷达点候选项的聚类来表示第一车辆的后部。

在一些实施例中，使用卡尔曼滤波来估计第一车辆的位置。

在另一方面，描述了一种使用安装在跟随车辆上的距离测量单元来跟踪特定引领车辆的方法。在该实施例中，从雷达(或其他距离测量)单元获得当前雷达(或其他距离测量)样本。当前距离测量样本包括一组零个或更多个对象点。并行地，获得对应于当前样本的引领车辆的状态的当前估计。当前状态估计包括一个或多个状态参数，其可以包括(但不限于)位置参数(比如引领车辆的当前相对位置)、速度参数(比如引领车辆的当前相对速度)和/或其他位置和/或定向相关参数。

引领车辆的状态的当前估计具有相关联的状态不确定性，并且不考虑来自当前距离测量样本的任何信息。关于对象点中的任何一个是否与状态不确定性内的引领车辆的估计状态匹配进行确定。如果是，则选择与引领车辆的估计状态最佳匹配的匹配对象点作为引领车辆的测量状态。然后引领车辆的测量状态用于确定对应于下一顺序样本的引领车辆的状态的下一顺序估计。多次重复上述步骤，从而跟踪引领车辆。引领车辆的测量状态可以用于控制车辆中的一个或两个，例如在车辆编队或护航系统的情况下，用于至少部分自动地控制跟随车辆来维持引领车辆与跟随车辆之间的期望间隙。

在一些实施例中，每个样本对于对象点中每一个指示对应于这样的对象点的检测对象的位置(相对于距离测量单元)。引领车辆的状态的每个当前估计包括引领车辆的(相对)位置的当前估计，并且具有相关联的位置不确定性。为了被认为是有效的测量结果，所选择的匹配对象点必须在位置不确定性内匹配引领车辆的估计位置。在一些实施方式中，引领车辆的位置的当前估计估计引领车辆的后部的当前位置。

在一些实施方式中，每个样本对于对象点中每一个指示对应于这样的对象点的检测对象的相对速度(相对于距离测量单元)。引领车辆的状态的每个当前估计包括引领车辆的相对速度的当前估计，并且具有相关联的速度不确定性。为了被认为是有效的测量，所选择的匹配对象点必须在速度不确定性内匹配引领车辆的估计相对速度。

在一些实施例中，当特定距离测量样本中没有雷达对象点在状态不确定性内与引领车辆的估计状态匹配时，则对于引领车辆的位置的下一顺序估计增加状态不确定性。

在一些实施例中，至少部分地基于检测到的引领车辆和跟随车辆的GNSS位置来周期性地接收全球导航卫星系统(GNSS)位置更新。每次接收到车辆GNSS位置更新时，基于这样的位置更新来更新引领车辆的估计状态和状态不确定性。

在一些实施例中，至少部分地基于检测到的引领车辆和跟随车辆的车轮速度来周期性地接收车辆速度更新。每次接收到车辆速度更新时，基于这样的引领车辆速度更新来更新引领车辆的估计状态和状态不确定性。

在另一方面，描述了用于融合从不同车辆获得的传感器数据以用于对特定车辆进行至少部分自动的各种方法、控制器和算法。所描述的技术非常适合与各种不同的车辆控制应用结合使用，包括编队、护航和其他连接式驾驶应用。

在一个方面，在第一车辆和第二车辆行驶时，使用第一车辆上的第一传感器在第一车辆处感测关于第二车辆的信息。关于第二车辆的信息也由第一车辆从第二车辆接收。利用接收到的第二车辆信息来帮助确定感测到的关于第二车辆的信息是否是第二车辆的有效测量结果。然后至少部分地基于感测到的关于第二车辆的信息的方面来至少部分自动地控制第一车辆。

在一些实施例中，第一传感器测量距第二车辆的距离。在一些实施方式中，第一传感器还检测第二车辆相对于第一车辆的速度。在不同的实施例中，第一传感器可以是雷达单元、激光雷达单元、声纳单元、渡越时间距离传感器、配置为接收从第二车辆上的信标发送的信号的传感器、相机和立体相机单元中的任一个。

在一些实施例中，接收到的第二车辆信息包括以下中的一个或多个：第二车辆的当前位置的全球导航卫星系统(GNSS)位置测量结果；指示第二车辆的速度或相对速度的速度信息(例如车轮速度)；和第二车辆的加速度、定向、转向角、横摆率、俯仰、倾斜或横向运动中至少一个的指示。

在一些实施例中，接收到的第二车辆信息包括第二车辆的预测状态。预测状态可以可选地包括第二车辆的预测位置、预测速度、预测加速度、预测定向、预测横摆率、预测俯仰、预测倾斜和预测横向运动中的一个或多个。

所描述的方法非常适合在包括牵引-拖挂车编队应用的车辆编队和/或车辆沪杭系统中使用。

附图说明

通过参考以下结合附图的描述，可以最好地理解本发明及其优点，在附图中：

图1是代表性的编队控制结构的框图。

图2是示出基于雷达单元的输出来确定编队同伴的有效长度的方法的流程图。

图3是示出相对于同伴车辆的预期位置的边界框的性质的示意图。

图4A是示出可以由与跟随在引领卡车正后方的跟随卡车相关联的雷达单元来识别的示例性雷达对象点的示意图。

图4B是示出图4A的整个引领卡车不在雷达单元的视野内的情况的示意图。

图4C是示出与图4A的引领卡车相关联的边界框不完全在雷达单元的视野内的情况的示意图。

图4D是示出引领卡车在与跟随卡车不同的车道中但其整个边界框在雷达单元的视野内的情况的示意图。

图5A是示出当跟随牵引-拖挂装备时可能检测到的同伴车辆雷达点候选项的第一代表性组的相对位置(纵向和横向)的曲线图。

图5B是表示图5A所示的检测到的同伴车辆雷达点候选项的纵向距离的直方图。

图5C是示出图5B中表示的直方图点的均值漂移中心的曲线图。

图5D是示出当跟随牵引-拖挂装备时可能检测到的第二组(放大的)同伴车辆雷达点候选项的相对位置(纵向和横向)的曲线图。

图5E是表示图5D所示的检测到的同伴车辆雷达点候选向的纵向距离的直方图。

图5F是示出图5E中表示的直方图点的均值漂移中心的曲线图。

图6是适于由车辆控制器使用来解释接收到的雷达场景的雷达场景处理器的示意框图。

图7是示出确定任何特定雷达场景是否报告同伴车辆的后部的位置并更新图6的估计器的方法的流程图。

图8是适于在一些实施例中使用的卡尔曼滤波器状态矩阵和协方差矩阵的表示。

在附图中，类似的附图标记有时用于表示类似的结构元件。还应当领会，附图中的绘示是示意性的而不是按比例的。

具体实施方式

申请人已经提出了各种车辆编队系统，在这些系统中，第二车辆和潜在的附加车辆自动地或半自动地控制来以安全的方式紧密跟随引领车辆。举例而言，13/542,622号、13/542,627号和14/292,583号美国申请；61/505,076号、62/249,898号、62/343,819号、62/377,970号美国临时申请；以及PCT/US2014/030770号、PCT/US2016/049143号和PCT/US2016/060167号PCT申请描述了各种车辆编队系统，其中跟随车辆受到至少部分自动的控制来紧密跟随指定的引领车辆。这些较早的申请中的每一个都通过引用并入本文。

编队的目标之一通常是维持编队车辆之间的期望纵向距离，其在本文中时常称为“期望间隙”。即，希望跟随车辆(例如，跟随卡车)相对于特定车辆(例如，引领卡车)维持指定的间隙。编队中涉及的车辆将通常具有适于启动编队、在各种不同的驾驶条件下维持间隙以及酌情从容地消除编队的复杂控制系统。

适于实现车辆编队的控制系统的结构和设计可以广泛地变化。作为示例，图1示意性地示出了适于用于编队牵引-拖挂车的车辆控制结构。在所示的实施例中，编队控制器110接收来自牵引车和/或一个或多个拖挂车或其他连接单元上的多个传感器130的输入以及布置为控制牵引车的动力系统和其他车辆系统的运行的多个致动器和致动器控制器150的输入。可以设置致动器接口(未示出)以便于编队控制器110与致动器控制器150之间进行通信。编队控制器110还与协调与编队同伴的通信的车辆间通信控制器170以及协调与网络运行中心(NOC)的通信的NOC通信控制器180进行交互。车辆还优选已经选择了包括关于车辆的已知信息的配置文件。

编队控制器110的一些功能部件包括间隙调节器112、质量估计器114、雷达跟踪器116和制动健康监测器118。在许多应用中，编队控制器110也将包括各种其他部件。

编队控制器110所利用的一些传感器可以包括GNSS(GPS)单元131、车轮速度传感器132、惯性测量装置134、雷达单元137、激光雷达单元138、相机139、加速器踏板位置传感器141、方向盘位置传感器142、制动踏板位置传感器143和各种加速度计。当然，并非所有这些传感器都将在编队中涉及的所有车辆上可用，并且并非所有这些传感器在任何特定实施例中都是需要的。在其他实施例中，编队控制器可以另外地或替代地利用(现有的或后来开发的或商业部署的)各种其他传感器。在本文描述的主要实施例中，使用GPS位置数据。然而，GPS仅仅是当前可用的全球导航卫星系统(GNSS)之一。因此，应当领会，可以使用来自任何其他GNSS系统或来自其他合适的位置感测系统的数据来替代GPS系统或作为GPS系统的补充。

许多(但并非全部)所述传感器，包括车轮速度传感器132、雷达单元137、加速器踏板位置传感器141、方向盘位置传感器142、制动踏板位置传感器143和加速计144，是用于拉动半拖挂车的较新卡车(牵引车)上的相对标准的设备。然而，比如GNSS单元131和激光雷达单元138(如果使用的话)的其他设备当前不是这种拖挂车上的标准设备，或者可能不存在于特定车辆上，并且可以根据需要或期望来安装以帮助支持编队。

编队控制器至少部分地指导的一些车辆致动器控制器150包括扭矩需求控制器152(其可以集成在ECU或动力系控制器中)、变速器控制器154、制动控制器156和离合器控制器158。

车辆之间的通信可以通过任何合适的频道来引导，并且可以由车辆间通信控制器170来协调。作为示例，专用短程通信(DSRC)协议(例如，IEEE 802.11p协议)是一种已经开发用于车辆到车辆通信的双向短到中程无线通信技术，其效果良好。当然，除了DSRC链路之外或替代DSRC链路，可以使用其他通信协议和频道。例如，车辆间通信可以附加地或替代地通过使用任何合适的通信协议的民用波段(CB)无线电信道、一个或多个通用移动无线电服务(GMR)波段以及一个或多个家庭无线电服务(FRS)波段或任何其他现有的或后来开发的通信频道来发送。

在车辆之间来回发送的特定信息可以基于编队控制器的需要而广泛地变化。在各种实施例中，发送的信息可以包括由编队控制器生成的当前命令，比如需求/命令的发动机扭矩、需求/命令的制动减速度。当这些方面由编队控制器控制时，其还可以包括转向命令、档位命令等。从同伴车辆接收对应的信息，而不管这些命令是由同伴车辆上的编队控制器或其他自动或半自动控制器(例如，自适应巡航控制系统(ACC)或碰撞缓解系统(CMS))生成的，还是通过其他或更传统的机构生成的——例如，响应于驾驶员输入(例如，加速器踏板位置、制动位置、方向盘位置等)。

在许多实施例中，将提供给编队控制器的拖挂车传感器信息的大部分或全部也发送到编队同伴，并且从编队同伴接收对应的信息，使得每个车辆上的编队控制器可以开发同伴车辆正在做什么的精确模型。对于提供给编队控制器的任何其他相关信息也是如此，包括与编队控制器相关的任何车辆配置信息。应当领会，所发射的特定信息可以基于对编队控制器、相应车辆上可用的传感器和致动器的要求以及每个车辆可以具有的关于其本身的特定知识而广泛地变化。

在车辆之间发送的信息还可以包括关于意图的未来动作的信息。例如，如果引领车辆知道其接近上坡，则其可以预期在不久的将来增加其扭矩需求(或在下坡的情况下减小其扭矩需求)，并且该信息可以传输到跟随车辆以供编队控制器酌情使用。当然，存在可以用于预见未来扭矩或制动需求的各种其他信息，并且该信息可以以各种不同的形式来传输。在一些实施例中，预期事件本身的性质可以与这样的事件的预期定时一起被指示(例如，正在接近上坡或弯道或出口)。在其他实施例中，可以在预期控制命令的情况下报告意图的未来动作，比如预期扭矩和/或其他控制参数以及预期这样的改变的定时。当然，存在可以与编队控制相关的各种不同类型的预期事件。

车辆与NOC之间的通信可以在各种不同的网络上传输，比如蜂窝网络、各种Wi-Fi网络、卫星通信网络和/或任何酌情的各种其他网络。与NOC的通信可以由NOC通信控制器180来协调。发送到NOC和/或从NOC接收的信息可以基于整个系统设计而广泛地变化。在一些情况下，NOC可以提供特定控制参数，比如目标间隙公差。这些控制参数或约束可以基于NOC处已知的因素，比如速度限制、道路/地形的性质(例如，丘陵对平坦、蜿蜒对笔直等)、天气条件、交通或道路条件等。在其他情况下，NOC可以将这样的信息提供给编队控制器。NOC还可以提供关于同伴车辆的信息，包括其配置信息和关于其当前运行状态的任何已知相关信息，比如重量、拖挂车长度等。

雷达跟踪

编队中涉及的车辆通常具有用于检测附近对象的一个或多个雷达系统。由于雷达系统倾向于非常好地确定对象之间的距离，因此雷达单元所报告的分隔距离在控制车辆之间的间隙中是非常有用的。因此，一旦识别出编队同伴，重要的是在雷达系统输出的情况下定位该特定同伴车辆。即，确定雷达单元可以识别的各种不同对象中的哪一个(如果有的话)对应于目标同伴。

初步地，应当领会，编队同伴将不总是与雷达单元所检测到的最近的车辆或与在跟随卡车正前方的车辆相关。有很多不同的情景可能引起这种情况。例如，当最初设置编队时，同伴可能因为太远而在主车辆的雷达单元的视野之外。当同伴进入雷达单元的视野中时，识别和区分该同伴与雷达单元视野中的其他物体变得重要。下面的描述描述特别适于识别和区分指定同伴与雷达单元可以检测到的其他对象，使得雷达单元可以有效地跟踪同伴车辆(有时称为“锁定到”同伴上)的技术。

此外，在驾驶的过程期间，在编队旁边行进、经过或正被编队经过的相邻车道中将存在车流，并且重要的是雷达单元能够继续将编队同伴与经过的车辆区分开，使得间隙控制器不会开始试图维持与错误车辆的间隙。在另一示例中，引领卡车可能当其不在跟随车辆正前方的点处时改变车道，因此再次重要的是，雷达单元所报告的编队同伴之间的距离与编队同伴相关联，而不是与仅仅最近的车辆或正好在跟随卡车正前方的车辆相关联。有时雷达单元也可能无法“看到”编队同伴。这可能是因为闯入者已经进入了编队同伴之间，或者引领车辆已经在跟随车辆的雷达单元的视野之外操纵，干扰了雷达信号等。

出于编队控制的目的，理解车辆的后部相对于车辆的报告位置的位置也是重要的。为了详细说明，通常从发送到主车辆的基于GPS的位置信息知道同伴车辆的位置。然而，GPS系统通常报告牵引车上的位置，该位置可以例如是接收GPS信号的天线的位置。然后，可以将检测到的GPS位置转换为作为距GPS天线的已知距离的车辆上的参考部位的位置，其中该参考部位的位置用作车辆的报告GPS位置。所选择的特定参考部位可以基于控制系统偏好而变化。作为示例，在一些牵引-拖挂车编队的实施例中，参考部位可以是牵引车的后桥的中心。

所报告的GPS位置与车辆的实际后部之间的差异对于编队控制可能是显著的。因此，知道报告的车辆位置与车辆的实际后部之间的距离通常是重要的。这在本文中有时称为“有效车辆长度”。有效车辆长度在牵引-拖挂车的情况下特别重要，其中所报告的GPS位置通常位于驾驶室(牵引车)上的某处，并且从所报告的GPS位置到拖挂车后部的距离可能相当长。作为示例，12-18米量级的拖挂车长度在美国是常见的，但是它们可以更短或更长(在双拖挂车或三拖挂车的情况下甚至远远更长)。从所报告的GPS位置到车辆后部的距离还必须考虑从所报告的GPS位置到拖挂车前部的纵向距离和/或与负载相关联的任何延伸。应当领会，在卡车运输业中，通常不知道有效的车辆长度，因为任何特定的牵引车可以拉动各种不同的拖挂车，并且牵引车与拖挂车之间的附接点在牵引车上是可调节的。

在一个编队同伴上建立雷达定位

如从以上讨论中将显而易见的，当在编队式应用中使用雷达时出现的挑战是，必须首先在雷达系统的输出的情况下找到并识别出同伴车辆，并且此后在不断改变的条件下可靠地跟踪同伴车辆。在比如卡车运输业的应用中，还期望确定至少引领车辆的有效长度。

一般道路车辆驾驶自动化系统中使用的商用雷达单元通常输出指示在指定视野内检测到的任何物体的存在的数据以及这种物体的相对位置和速度。因此，在驾驶期间，这样的雷达单元可以检测其运行视野内各种物体的存在。检测到的物体可以包括：位于主车辆正前方的任何车辆；可能经过编队、被编队经过或平行于编队行驶的相邻车道中的车辆；静止对象，比如道路中的障碍物、标志、树木和道路旁的其他对象等。虽然可以检测到许多不同类型的对象，但是雷达单元本身通常不知道或不传输检测对象的识别结果或性质。相反，其简单地报告任何和所有感知对象在其运行视野内的相对位置和运动。因此，为了在雷达单元输出的情况下识别和跟踪同伴车辆，对于解释雷达单元的输出的逻辑有帮助的是，无论同伴车辆是否在雷达单元的视野中，都具有并维持对同伴车辆相对于雷达单元的视野的确切位置的良好理解。这即使在没有提供用于识别同伴的明确机制时也是可能的，因为编队系统优选具有可以用于帮助确定车辆位置的多个独立机制。

当识别出编队同伴时，优选在编队车辆之间建立通信链路。可以在比如专用短程通信(DSRC)链路、蜂窝链路等的一个或多个无线链路上建立通信。一旦在两个车辆之间建立了通信，它们就开始来回发送关于其各自本身、其当前位置和运行状态的数据。用于识别潜在的编队同伴以及用于建立编队和适当的通信链路的过程可以广泛地变化。作为示例，在13/542,622和13/542,627号美国专利申请以及申请人先前提交的PCT/US2014/030770、PCT/US2016/049143和PCT/US2016/060167号PCT专利申请中描述了一些代表性的技术，其每一个都通过引用并入本文。

一旦识别出编队同伴，编队控制器110就请求雷达系统控制逻辑尝试找到同伴车辆。更具体地，跟随车辆的雷达跟踪器116需要在雷达单元的输出的情况下找到并随后跟踪引领车辆的后部，使得其数据可以用于间隙控制。接下来参考图2，将描述特别适于在编队同伴上建立雷达定位的方法。建立雷达定位的一个方面是确定同伴的长度，使得GPS位置信息可以与雷达系统输出相关。

如图2的步骤203所示，当过程启动时，雷达跟踪器控制逻辑确定、接收或请求同伴车辆的当前相对位置的估计，并且在同伴车辆的相对位置变得可用时订阅或定期接收关于同伴车辆的相对位置的更新。除了相对位置之外，估计信息可以可选地包括各种附加的位置相关信息，比如车辆的相对速度、车辆的相对航向等。

在一些实施例中，雷达跟踪器控制逻辑配置为基于来主车辆和同伴车辆两者的各种传感器输入来估计同伴车辆的当前相对位置、速度和定向(航向)。如上所述，编队同伴彼此通信，并且在编队期间，它们来回发送关于其本身的广泛信息，包括关于其当前位置和运行状态的不断更新的信息。作为示例，可以有助于解释雷达单元数据的一些位置相关信息可以包括比如同伴车辆的GPS位置、车轮速度、定向/航向(车辆前进方向)、横摆率(其指示车辆的转弯率)、俯仰、侧倾和(在任何前述方向上的纵向的和角度的)加速度/减速度的信息。运行相关信息还可以包括各种感兴趣的其他信息，比如当前扭矩需求、制动输入、档位等。关于车辆的信息可以包括比如车辆的制造和型号、其长度(如果已知)、其设备、估计重量等的信息。在位置相关估计中可以使用这些和/或其他可用信息中的任何信息。作为示例，下面参照图6和图7描述一个特定的位置估计器。

尽管描述了特定的估计器，但是应当领会，估计的同伴车辆位置相关信息可以来自任何适当的源，并且不需要由雷达跟踪器控制逻辑本身来进行估计。另外，虽然优选在车辆之间在两个方向上发送位置和运行信息，但是这不是必需的，只要主车辆能够获得关于同伴车辆的所需信息即可。

当前位置相关信息被非常频繁地更新。尽管更新的实际频率可以基于正在更新的信息的性质和提供该信息的通信链路或车辆系统的性质而广泛地变化，但是在DSRC链路上以10至500Hz量级的频率(例如50Hz)接收的比如GPS位置和车轮速度的项目的更新频率效果良好，但是在其他实施例中可以酌情使用更慢和快得多的更新频率。此外，尽管希望定期更新位置相关信息，但是不需要同步地或以一致的间隔接收它们。

应当领会，当雷达系统开始试图定位同伴车辆时，同伴车辆可能在或可能不在雷达单元的视野内。然而，主车辆的位置和同伴车辆的位置通常至少基于接收到的GPS数据而已知，因此容易以合理的确定性估计它们的间隔。还应当领会，虽然GPS位置信号往往相当好，但所报告的位置可能偏离某一量，并且因此最好将任何所报告的GPS位置视为具有某一适当量的不确定性的估计而非将所报告的位置视为绝对可靠信息。下面将更详细地描述关于适于估计同伴车辆位置的一些特定算法的更多细节。经验表明，当存在到至少4个GPS卫星的直接视线时，来自用于车辆自动化应用中的商用GPS传感器的GPS位置读数在实际道路条件下往往在大约2-3米内是精确的。然而，应当领会，一些GPS传感器通常更精确，并且由于比如干扰之类的变量，没有GPS传感器保证总是那么精确，运行是不存在对所需数量的运行GPS卫星的视线可见性的区域，等等。

一旦知道同伴车辆的相对位置估计，则在估计的同伴的相对位置周围施加边界框(图2的步骤206)。边界框的目的是限定“期望”在其中找到同伴车辆的区域。此后，该逻辑将寻找位于该边界框内的雷达检测对象，以试图识别可能与同伴车辆相关的对象。由于几个原因，边界框的概念是有帮助的。首先，应当领会，GPS单元通常将报告其天线的位置，在牵引-拖挂车的情况下，该天线通常在驾驶室上。然后，该检测位置通常转换为牵引车上的预定参考部位，并且该转换位置被用作所报告的GPS位置。因此，所报告的牵引-拖挂车的GPS位置将在拖挂车的后部的正前方，拖挂车的后部是(a)对间隙控制目的而言主要关注的点，并且(b)通常是由跟随编队同伴的雷达单元识别的最显著特征。此外，在许多情况下，所报告的GPS位置与拖挂车的后部之间的距离将是未知的。不确定性的一个原因是特定牵引车(驾驶室)可以用于拉动可能具有不同长度的各种不同拖挂车(或其他负载)。因此，牵引-拖挂车组合的有效长度可能随行程而变化，并且从控制的观点来看，通常不希望依靠驾驶员在每次行程中手动输入牵引-拖挂车组合的有效长度。在较小程度上，所报告的两个编队同伴的GPS位置受到一定程度的不确定性的影响。

所使用的边界框的实际尺寸和几何形状可以变化，但是期望该区域足够大以涵盖可能的车辆长度和宽度加上考虑估计GPS位置的不确定性的缓冲的整个范围。因此，对于卡车应用，希望边界框的纵向长度比预期可能遇到的任何牵引-拖挂车组合更长。例如，涉及正常牵引-拖挂车组合的美国商业卡车运输应用通常不显著超过23米的组合长度。在这样的应用中，已经发现32米长和3-4.5米宽(例如3.8米宽)量级的边界框效果良好。在允许较长拖挂车或使用双拖挂车或三拖挂车的区域中，牵引-拖挂车组合可以较长，因此较长的边界框可能是合适的。如果编队同伴的实际长度是已知的，则可以相应地调整边界框的大小以更准确地反映GPS位置和拖挂车的后部之间的预期偏移，该预期偏移与有效车辆长度相关。然而，即使当相信编队同伴的有效长度和宽度是“已知的”时，仍然期望利用尺寸大于所报告的长度和宽度的边界框来适应GPS估计中的不确定性以及负载可能包括延伸超过车辆所报告的长度的特征的可能性。

应当领会，尽管边界框本质上不需要是直线的，但边界框可以包括任何期望的几何形状和/或可以包括除了纵向长度和横向宽度之外的维度，例如相对速度。因此，可以以任何期望的方式来限定边界框。

图3中示意性地示出了应用于两个卡车的编队中的引领卡车251周围的代表性边界框255。在所示的实施例中，每个卡车具有位于其牵引车(驾驶室)上的GPS单元258和位于驾驶室前方的雷达单元260。可以看出，边界框超过了引领卡车251的长度和宽度。

在一些实施例中，边界框可以限定得更复杂。例如，在一个特定实施例中，可以将车辆的横向偏移(Y_0ff)和相对速度(V)的缩放平方与阈值(Th)进行比较。如果这些平方的和超过指定阈值(Th)，则雷达点将被拒绝，即使雷达点在边界框的纵向范围内。这样的测试可以在数学上表示如下：

如果kY_0ff ²+V²≥Th，则对象被拒绝。

在这样的方法中，边界框在以速度为第三轴的状态空间图中具有管的有效外观。这种方法的逻辑是，如果测量到的横向偏移和测量到的检测对象的速度都是相对较低的概率匹配，则与那些参数中的一个偏移但另一个非常接近地匹配期望值的情况相比，检测到的点不太可能是匹配的(并且因此为了识别同伴车辆的后部的目的更适合于忽略)。尽管仅描述了几种特定的边界框限定方法，但是应当清楚的是，在其他实施方式中可以酌情使用各种其他边界框定限定。另外，边界框限定可以布置为随时间改变。例如，当算法开始更好地理解什么雷达对象采样点更可能对应于同伴车辆或同伴车辆的后部时，可以减小边界框的一个或多个选择的维度。

一旦已经建立了边界框，则逻辑确定整个边界框是否在另一车辆的雷达单元的视野263内(步骤209)。如果否，则逻辑等待整个边界框进入雷达单元的视野内，从而为了识别同伴车辆的目的而有效地忽略雷达系统输出(当然，如果期望，则雷达系统输出可以用于其他目的，比如碰撞避免)。存在在任何特定时间同伴车辆可能不在雷达单元视野内或不完全在雷达单元视野内的各种原因。最初，应当领会，尽管用于支持编队的雷达单元可以放置在车辆上的各种不同位置处，但是其通常具有相对窄的视野。例如，一种常见的方法是将具有相对窄的固定波束的前向雷达单元放置在前保险杠的中间附近，以检测车辆前方的对象。这样的布置在图3中示出。在该图中，还示出了位于跟随卡车252上雷达单元260的视野263。

当使用前向雷达单元时，其将不能看到其主车辆后面或侧面的任何车辆。即使当同伴车辆在雷达单元主机前面时，如果其在主车辆前面太远或者在拐角附近，其也可能在视野之外，如当第一次识别出编队同伴时的情况。在一些情况下，编队同伴可以部分地在雷达单元的视野中。这种情况的一般示例是，同伴车辆在相邻车道中并且在前方不够远处从而其拖挂车的后部能被窄波束前向雷达单元看到。应当领会，如果边界框的后部不在雷达单元的视野内，则不希望使用雷达样本，因为存在由雷达单元检测到的同伴车辆的最远后部实际上不是车辆的后部的风险。

图4A-图4D示出了正在建立编队的两个卡车的(许多中的)几个潜在的相对定位。在图4A中，引领卡车251在跟随卡车252正前方，并且其边界框255完全在跟随卡车雷达单元260的视野263内。相反，在4B图中，引领卡车251在与跟随卡车252相邻的车道中，并且引领卡车251本身的一部分而非全部(并且因此不是边界框255的全部)在跟随卡车雷达单元260的视野263内。在图4C中，引领卡车251在与跟随卡车252相邻的车道中，并且引领卡车251本身的全部而非整个边界框255都在跟随卡车雷达单元260的视野263内。在图4D中，引领卡车251再次在与跟随卡车252相邻的车道中，但是与图4B和图4C的不同之处在于，与引领卡车251相关联的整个边界框255都在跟随卡车雷达单元260的视野263内。在不是整个边界框位于雷达单元的视野内的情况下(例如，比如图4B或图4C所示的情景，或者当引领车辆不在视野内时)，同伴车辆识别逻辑在步骤209等待整个边界框进入雷达单元的视野内。

当整个边界框在雷达单元的视野内时(例如，图4A或图4D中所示的情景)，雷达系统控制器逻辑获得下一个雷达样本(步骤212)和同伴车辆相对于其自身的位置和速度的当前估计(步骤215)。在道路车辆应用中使用的商用短程雷达单元通常配置为以相对快的采样率输出其感测到的场景。每个场景通常识别已经检测到的一组零个或多个对象以及这些对象相对于雷达单元本身的速度。

雷达系统的性质是，发射的无线电波可以被其路径上的大多数事物反射，包括任何预定目标以及潜在的各种不同物体。因此，当试图建立编队时，重要的是识别表示期望同伴的反射信号，并且能够将该同伴与从其他对象反射的噪声区分开。作为示例，当沿道路行驶时，雷达单元可以接收来自多个不同车辆的反射，这些车辆包括紧邻前方的任何车辆、沿相同或相反方向行进的经过车辆、道路旁的对象，比如公路或街道标志、树木或沿道路旁的其他对象等。

如步骤218所示，当接收到感测场景时，雷达系统控制逻辑确定所识别的对象中的任何一个是否为同伴车辆雷达点候选项。可以由雷达单元260来检测的代表性对象在图4A-图4D中用X标记。为了取得作为同伴车辆雷达点候选项的资格，在场景中检测到的对象必须在位置和速度方面都位于边界框内。位于边界框外部的雷达对象优选被拒绝，因为它们不对应于同伴车辆的概率相对较高。例如，其可能对应于相邻车道272、273中的车辆、位于编队同伴(未示出)之间的闯入者、道路274旁的物体等。即使它们在纵向和横向上匹配边界框的预期位置方面，不紧密匹配同伴车辆的预期相对速度的对象也优选被拒绝，因为同样地，其不太可能对应于编队同伴。例如，静止对象，比如道路旁的特征(例如，道路标志、树或静止车辆)、道路中的碎片或在道路本身中检测到的特征(例如，坑洞等)，看起来将以主车辆行驶的速度接近雷达单元。注意，许多商用雷达单元将自动过滤掉静止对象，并且因此不报告静止对象。当使用这样的雷达单元时，静止对象甚至不会被识别为雷达场景的一部分。

所报告的雷达对象中的一些可以在与主车辆相同的方向上行进，但是以与预期同伴速度不同的相对速度移动。存在相对高概率这样的雷达对象不对应于同伴车辆，并且因此这些类型的雷达点也优选被丢弃。

在所限定的边界框的情况下看起来匹配同伴的预期位置和速度的任何检测到的雷达对象被认为是同伴车辆雷达点候选项，并且关于其距同伴的估计位置(例如，同伴的GPS位置)在纵向上(沿着同伴的纵向轴线)有多远而进行分类。在一些实施例中，利用直方图来进行这种分类。直方图中的区间的数量可以变化。为了便于计算，已经发现在边界框的长度上均匀划分的512个区间效果良好，但对于任何特定应用可以酌情使用更多或更少的区间。在使用具有512个区间的大约32米的边界框的实施方式中，每个区间对应于大约6cm(2-3英寸)。如果期望更大的分辨率，则可以使用更多的区间。

已经观测到，在道路车辆应用中使用的短程雷达单元通常识别多个不同的“对象”，这些不同的“对象”实际上可以是由图4A-图4D中的雷达点276-279表示的同一车辆的部分。这在卡车中是特别常见的，并且实际上牵引-拖挂车的雷达标记表现为多于一个的对象是常见的。例如，拖挂车的后部、防钻撞装置和/或拖挂车或位于拖挂车后部附近的负载的其他特征可以作为一个或多个不同的对象(例如，点276、277)出现在雷达输出中。另外，位于拖挂车更上方的对象和/或驾驶室附近的物体可以单独地进行识别(例如点278、点279)。例如，当雷达相对低地安装在主车辆上时，其可以检测来自沿着卡车的起落架或牵引-拖挂车的其他特征(比如拖挂车的起落架或牵引车的后部)的变速器或其他物体的反射，并将这些物体识别为单独检测到的“对象”。因此，任何特定样本可以识别满足同伴车辆雷达点候选项的标准的多于一个对象是可能的(实际上是相对常见的)。在这种情况下，与特定雷达样本相关联的多个候选项将被添加到直方图。

在直方图已经填充有在样本中识别的任何同伴车辆雷达点候选项之后，在步骤224中关于是否已经获得足够的样本来分析雷达数据来识别同伴车辆进行确定。如果否，则逻辑返回到步骤212，其中获得下一个样本，并且重复该过程直到已经获得足够的样本以便于分析。如果边界框在任一点处部分地移出雷达单元的视野(如来自判定框225的“否”分支所表示)，那么逻辑返回到步骤209，在步骤209处，其等待边界框在获取附加样本之前回到全视图中。

如上所述，在道路车辆应用中使用的商用短程雷达单元通常配置为以相对快的采样率输出其感测到的场景。作为示例，虽然可以使用较高或较低的采样频率，但20至25赫兹数量级的采样速率是常见的。因此，当同伴车辆在雷达单元的视野内时，将相当快地填充直方图，并且直方图将提供同伴的雷达标记的相当好的指示。

图5A是示出一组98个检测到的同伴车辆雷达点候选项的曲线图，该组候选项基于前方卡车的预期位置转换到参考系中。曲线图的x轴示出了从引领卡车的前部的预期位置到检测点的纵向距离。y轴表示检测点相对于引领卡车的中心轴线的横向偏移。可以看出，虽然在检测到的点的位置中存在显著的变化，但是在所示的样本组中，这些点倾向于聚类到几个区域中。图5B是示出距图5A的曲线图中的每个检测到的同伴车辆雷达点候选项的纵向距离的直方图。可以看出，当仅考虑纵向距离时，聚类趋于更加显著。

位于直方图中最后部的大的聚类290通常对应于车辆的后部，并且通常(尽管不总是)是最大的聚类。位于更前方的聚类292通常对应于同伴卡车的其他特征。经验表明，来自前向特征的雷达反射倾向于更弱，并且更多被雷达单元识别为离散对象，其转化为直方图中的较小聚类。

如果已经获得了足够的样本来支持分析，则逻辑遵循来自判定框224的“是”分支，并且前进到步骤227，在步骤227中将聚类算法应用于直方图数据。用于何时可以开始处理的触发点可以基于任何特定系统的需要而广泛地变化。通常，期望直方图包含足够的数据点，以便能够准确地识别同伴车辆。在一些特定实现中，直方图必须包括来自样本的第一阈值(例如，对应于至少3秒数据值的的样本或60个样本)的数据，并且包括至少同伴车辆雷达点候选项的第二阈值(例如，至少60个同伴车辆雷达点)。所使用的阈值可以基于特定实施方式的需要而变化。作为示例，在一些实施方式中可以使用对应于在40点到500点的范围内的至少1秒到5秒的数据或阈值的样本。在一个具体示例中，对应于至少3秒的数据值的样本或60个样本和60个同伴车辆雷达点被用作阈值。

图5A和图5B中所示的数据组表示在最初尝试识别同伴车辆的后部时可能可用的数据组，即，第一次跟随来自步骤224的“是”分支。

一般而言，聚类算法将很可能表示相同点的数据点分支。各种传统的聚类算法可以用于此目的。作为示例，修正均值漂移算法效果良好。图5C是示出图5B中表示的直方图点的均值漂移中心的曲线图，其中中心的高度指示与该中心相关联的点的数量。在该表示中，两个聚类290和292甚至突出得更显著。

然后，在步骤230中，分析均值漂移数据来确定聚类中的一个是否满足预定的同伴车辆后部标准。如果是，则将该聚类识别为对应于车辆后部。(步骤233)。由于每个聚类对应于同伴报告的GPS位置和车辆后部之间的指定距离，因此车辆的有效长度由聚类来限定。如上所述，本文中使用的短语“有效车辆长度”对应于所报告的GPS位置与车辆后部之间的距离，这是为了控制目的而知道的重要距离。应当领会，这通常不同于车辆的实际长度，因为所报告的参考位置可能不位于车辆的前方。

在一些实施方式中，位于最靠近边界框后部的具有超过直方图中的雷达点总数的阈值百分比的聚类被识别为编队同伴车辆的后部。在一些实施方式中，使用另一约束，该约束要求聚类位置在最后的采样上不移动超过特定阈值。例如，已经发现1mm量级的最大移动阈值在一些应用中效果良好。已经发现这种方法非常可靠地识别对应于卡车后部的雷达点，即使当雷达单元控制器不具有车辆长度的预定知识时也是如此，并且与其他车流的存在无关。然而，应当领会，用于识别车辆后部的直方图的阈值百分比或其他特性可能基于应用而变化。在图5A-图5C所示的实施例中，聚类290被指定为引领卡车的后部。

特别值得注意的是，即使雷达可以检测到与编队并行移动的其他车流，所描述的方法通过有效地应用多个不同类型的过滤器来非常可靠地过滤那些雷达点。报告不在期望编队同伴所在的地方的特征的雷达点被过滤，因为其不在边界框内。不以接近于预期相对速度行进的雷达点被过滤，而不论其在哪里被发现。在聚类直方图数据上使用的车辆后部标准有效地过滤了在边界框的覆盖区内以与编队同伴非常接近的速度行驶的任何其他车辆，因为区间足够小以至于这样的闯入者非常不可能维持足够恒定的间隙以使算法误以为闯入者是目标的一部分(例如，即使闯入者以与同伴车辆近乎相同的速度行进，如果其位于边界框内，则其相对于同伴车辆位置的位置可能变化得足以引起同伴车辆后部测试失效)。车辆后部标准还过滤掉雷达单元报告的更多随机对象。

由所选择的均值漂移聚类指示的有效车辆长度可以报告给间隙控制器和与同伴的长度有关的任何其他控制器。如步骤236所示，在大多数情况下，GPS参考部位和主车辆的前部之间的距离是已知的，因此由雷达单元确定的有效车辆长度可以容易地与关于卡车的已知信息相关联地使用，以明确地指示卡车的前部和后部。

在某些情况下，均值漂移聚类不会满足同伴车辆标准的要求。在大多数情况下，这表明存在同伴车辆未被精确跟踪的风险。在这样的情况下(如来自判定230的否分支所示)，该过程继续运行以从附加样本收集雷达点，直到满足指示同伴车辆已被确定地识别的标准。在一些实施例中，如果系统难以识别同伴车辆的后部或由于其他原因(比如车辆停止)，则在雷达点变得太旧或过程重启之后，可以可选地丢弃雷达点。

在一些实施例中，即使在已经确定了车辆长度之后，同伴后部识别过程也继续运行或周期性地重新运行。继续填充直方图有几个优点。通常在编队同伴相距相对远(例如，超过100英尺)时进行初始长度确定。一旦已经可靠地识别出同伴车辆的后部，间隙控制器就可以收紧间隙，从而将车辆拉得更近。当车辆靠得更近时，雷达读数通常比车辆相距100英尺以上时更精确。另外，记住在一些情况下，出于间隙控制目的，GPS测量可以相对长久，更多的测量给出车辆的相对位置的更好的统计指示。通过继续运行同伴后部识别过程，这些更好的测量结果可以用于更精确地确定同伴车辆的有效长度，这对于控制目的是非常期望的。

图5D是一组1700个检测到的同伴车辆雷达点候选项在如图5A所示的同一曲线上的曲线图。1700个采样点包括图5A-图5C中所示的98个点并且通过继续运行相同的雷达点分类算法获得。图5E和图5F分别示出了较大数据组的直方图和均值漂移中心。因此，图5E对应于图5B，而图5F对应于图5C。可以看出，较大的数据组看起来已经识别出位于引领车辆前方附近的较小的聚类293，并且已经有效地过滤掉了在较小的数据组中识别出的一些较小的聚类。

继续运行同伴后部识别过程也有其他潜在的用途。例如，当卡车在公路上运行时，一些卡车具有将拖挂车拉得更靠近驾驶室的能力。因此，尽管这种情况相对较少，但存在卡车的有效长度可能在编队的过程中变化的情况。可以通过重新运行或继续运行同伴后部识别过程来自动检测这样的改变。

随着时间的推移，直方图和/或均值漂移聚类还提供了同伴车辆的雷达标记的非常好的指示。同伴车辆的该已知标记可以以许多不同的方式用作用于验证适当车辆正被跟踪的独立机制。例如，在GPS数据变得不可用或者车辆之间的通信被中断一段时间的情况下，直方图可以用作检查器来验证雷达单元正在跟踪正确的车辆。在引领卡车的后部不在跟随车辆的雷达的视野内而拖挂车和牵引车的其他部分在雷达的视野内的情况下，可以将卡车的可以看到的部分与直方图特征进行比较以确定卡车的相对定位，其可以用作间隙控制的测量结果或作为跟随车辆的自动或半自动控制的一部分。

在另一示例中，在雷达接触丢失的情况下，可以在适当的时间开始新的直方图，并且可以将新的直方图与所存储的指示编队同伴的直方图进行比较。当存在匹配时，该匹配可以是与编队同伴的雷达接触已经重新建立的良好独立证据。类似地，可以将新创建的直方图与在编队期间的各个时间表示编队同伴的存储的直方图进行比较，作为独立地验证编队同伴仍在被跟踪的方式。这可以是良好的安全检查，以验证雷达单元没有无意地切换并锁定到与编队同伴并行行驶的车辆上。直方图还可以保存为同伴车辆的雷达标记，并与稍后可能寻求与该车辆编队在一起的其他卡车共享，这在初始识别过程中可能是有用的。

估计编队同伴的位置

在编队的情况下，保持编队中的每个车辆的预期相对位置、速度和定向的精确模型是有帮助的，因为这样的信息对于精确控制编队同伴之间的间隙是非常有帮助的。这样的模型优选利用来自多个不同感测系统的输入，并且在实际应用时包括来自不同系统的至少一些冗余信息。从不同系统提供冗余信息作为接收到的数据的完整性的双重检查是有帮助的，并且还为当系统不能传输准确信息时的不可避免的时间提供备份机制。

例如，可以使用许多不同的技术来确定车辆之间的间隙。一种通用方法是使用由雷达系统检测到的距编队同伴的距离。尽管雷达往往非常精确地测量车辆之间的距离，但重要的是确保所报告的距离实际上是距编队同伴的距离，而不是某个其他车辆或特征的距离。有时，同伴车辆不在雷达的视野内，或者雷达或雷达单元短时间内不按要求工作。确定编队同伴之间的距离的独立方式是利用它们各自的GPS数据。具体地，车辆之间的距离应当是车辆的相应GPS位置之间的差减去引领车辆的有效长度以及跟随车辆的前部与其GPS接收器之间的偏移距离。使用GPS数据的限制包括GPS数据将不总是可用的事实，这是由于比如GPS接收器不具有足够GPS卫星的清晰视野以能够确定车辆之间的位置或通信链路在一段时间内停机的因素。GPS数据还基本上受到GPS数据的精度的限制，GPS数据的精度虽然很好，但通常不如间隙控制所需的精度。用于测量编队同伴之间的距离的其他系统具有其自己的优点和限制。

当已知车辆之间的当前间隙时，可以基于比如车辆的当前位置、相对速度和横摆率的因素来估计在不久的将来的某一时间预期的间隙。还可以以各种不同的方式来测量、确定、估计和/或预测车辆的相应速度。例如，车轮速度传感器可以用于相对准确地指示相应车辆的当前速度。车辆定向的知识可以与车辆速度的知识结合使用来确定其速度。雷达单元可以用于测量编队同伴的相对速度。可以使用比如扭矩需求、车辆重量、发动机特性和道路坡度的其他因素的知识来预测将来的车辆速度。

在雷达系统控制的情况下，在确定由雷达单元检测到的一个或多个对象是否对应于引领车辆的后部时，知道预期引领车辆相对于跟随车辆上的雷达单元在哪里是非常有帮助的。因此，在一些实施例中，雷达系统控制器(或其确定结果可以由雷达系统控制器来利用的另一控制器)包括位置估计器，其维持同伴车辆相对于雷达单元的当前位置、定向和相对速度的估计。图6中示出了包括位置/状态估计器612的一个合适的雷达场景处理器600。

在图6所示的实施例中，雷达场景处理器600包括间隙监测器610和同伴识别器620。间隙监测器610配置为基于雷达测量结果(在识别出同伴车辆的后部之后)来跟踪同伴车辆的后部的位置，并且将与同伴车辆的后部相对应的雷达位置和速度测量结果报告给间隙控制器和/或在对雷达单元进行的这种测量中感兴趣的任何其他部件。下文将参考图7的流程图描述间隙监测算法的一个特定实施方式。

在示出的实施例中，间隙监测器610包括具有卡尔曼滤波器615的位置/状态估计器612，其用于确定同伴车辆相对于主车辆的位置的最近估计以及预测同伴车辆在获取下一个雷达样本时的预期位置。如关于图7更详细地描述的，在示出的实施例中，位置/状态估计器612在引领车辆的期望状态(例如，位置、速度等)的估计中，利用检测到的雷达场景和其他可得的车辆状态信息，比如主车辆和同伴车辆的相应GPS位置、车轮速度和惯性测量。然后可以使用这些状态估计来帮助解释所接收的雷达场景。也就是说，对同伴车辆可能在雷达场景背景下的位置具有合理的估计有助于间隙监测器600从雷达场景中正确地识别与同伴车辆的后部相对应的雷达返回对象，该雷达场景可以包括一组检测到的物体。这有助于确保在间隙控制中使用适当的检测点。它还有助于识别其中跟踪器不具有关于由雷达在特定场景样本中检测对象中的哪一个(如果有的话)准确地表示同伴车辆的后部的位置的良好置信度的情形，使得这样的样本可以在间隙控制算法背景下被折减、忽略或以其他方式被适当地处理。下面参照图8描述非常适合在位置/状态估计器612中使用的一个特定卡尔曼滤波器设计。

同伴识别器620包括其自身的位置/状态估计器622、直方图624、产生均值偏移聚类626的聚类算法625和同伴长度估计器627。同伴识别器620执行算法(比如上文参照图2讨论的算法)来识别同伴车辆的后部。作为该过程的一部分，填充直方图624。直方图示意性地示出为同伴识别器620的一部分，但是应当领会，直方图仅仅是可以实际位于任何适当位置处的数据结构，并且可以对雷达跟踪器620内或雷达跟踪器620外的各种其他过程和控制器可用。同伴长度估计器624配置为基于直方图和其他可用信息来确定同伴车辆的长度(包括其相对于其GPS参考位置的前部和后部)。

同伴识别器620中的位置/状态估计器622的功能类似于上述位置/状态估计器612，并且还可以包括卡尔曼滤波器623。用于同伴识别的位置状态估计器622与位置/状态估计器612之间的显著差异在于，在识别期间不知道什么雷达点对应于同伴卡车的后部，因此雷达单元样本不能用作位置/状态估计的一部分。

位置状态估计、同伴检测、同伴长度估计和间隙监测算法可以在专用于雷达跟踪的雷达跟踪处理器上单独执行，或者其也可以在执行其他间隙或编队管理任务的处理器上实现。各个算法可以实现为不同的计算过程，或者其可以以各种方式彼此集成和/或在各种计算过程中集成其他功能。在其他实施例中，可以使用离散或可编程逻辑来实施所描述的功能性。应当清楚的是，可以使用各种不同的模型来跟踪同伴车辆的后部相对于雷达单元的位置并估计未来位置。两个特定的位置状态估计器示意性地示出为图6的一部分，并且可以用于估计在任何给定雷达采样时间的当前位置的方法在图7的流程图中示出。

接下来参照图7，将描述部分地基于从雷达单元接收的信息来跟踪同伴车辆并估计其未来位置的方法。在示出的实施例中，跟随车辆正在跟踪引领车辆的后部的位置，尽管引领车辆可以使用类似的过程来跟踪跟随车辆或并行车辆来彼此跟踪。所描述的方法假定我们具有同伴车辆的后部的位置的合理估计，其最初可以使用上文关于图2所描述的方法或以任何其他合适的方式来确定。例如，当前方车辆的有效长度已知时，可以基于GPS位置数据来估计引领车辆的后部的相对位置的初始估计。

每当接收到新的雷达场景时(步骤502)，做出关于雷达对象点(目标)中的任何一个是否匹配同伴车辆的后部的预期位置和相对速度的确定(步骤504)。这优选是概率性确定，其中得出结论，存在高概率“匹配”目标确实表示同伴车辆的后部。一种确定匹配目标的方法是量化与估计位置相关联的不确定性因素。如果雷达对象点在预期位置的不确定因子的范围内，则它可以被认为是匹配的。如以下将更详细地描述的，在一些实施方式中，卡尔曼滤波用于估计同伴车辆的后部的位置并量化不确定性。卡尔曼滤波是特别合适的，因为其固有地基于所感知的测量精度来调整不确定性水平。

如果所报告的雷达对象点中的多于一个与由不确定因素限定的范围(有时称为不确定球)内的估计位置匹配，则在雷达场景中识别的最近雷达对象点被视为“匹配”目标。在此确定背景下，可以基于包括纵向位置、横向位置、相对速度等的度量的组合来选择“最接近”匹配。

如果发现匹配，则雷达跟踪器将到匹配对象的距离和匹配对象的相对速度作为距同伴车辆的后部的当前间隙和同伴车辆的后部的相对速度发送到间隙控制器112(步骤506)。在一些实施例中，所传输的唯一信息是距拖挂车的后部的纵向距离及其相对速度。这是因为尽管当前可用的雷达单元通常在测量距离和相对速度方面相当好，但是它们在精确测量横向速度或提供关于识别的物体的精确横向位置信息方面不那么好。然而，如果所使用的雷达单元能够精确地测量目标的其他有用属性，例如横向速度、加速度等，则也可以可选地传输该信息。

当找到匹配时，最佳匹配的目标也用于更新卡车后部的雷达跟踪位置和速度估计(步骤508)。然后，在步骤510中，将位置和速度估计及时传播到下一个雷达样本所期望的位置。也就是说，该逻辑在预期下一个雷达样本时估计卡车后部的预期位置。这是相对简单的事情，因为雷达样本是以规则的间隔提供的，所以下一个预期样本的定时是容易确定的。例如，如果雷达采样率是20Hz，则可以预期下一个采样出现在最后一个采样之后0.05秒。如果前部、后部车辆以完全相同的速度行驶，且两个车辆以相同的方向行驶，则引领车辆后部的“预期”位置将与引领车辆后部的最后检测到的位置完全相同。然而，如果车辆中的一者相对于另一者转动或稍微转动，那么车辆通常将以稍微不同的速度且可能以稍微不同的方向行进。例如，使用简单的示例，如果跟随车辆正以比引领车辆快每秒1.00米的恒定速度在与引领车辆完全相同的方向上移动，则在获取下一个雷达样本时(在获取最后样本之后0.05秒)，引领车辆的后部将预期更靠近引领车辆5cm。如果车辆相对于彼此转动或稍微转动，则可使用简单三角学来确定预期位置。当然，在计算预期位置和速度时，可以考虑雷达系统控制器已知或能够获得的任何数量的其他相关变量，以进一步改进估计。这些可以包括车辆的相应加速度(测量的或估计的)、两个车辆的相应行进方向和/或转弯率等。可能影响车辆的速度、加速度或转弯率的因素(比如相应的车辆扭矩需求、当前坡度、车辆重量等)也可以用于进一步细化估计。

除了及时传播位置估计之外，如下文更详细描述的，如框512所表示的，更新不确定性估计。

在位置估计已经被及时传播并且不确定性估计已经被更新之后，对于下一个样本重复该过程，如图7的流程图所示，返回到步骤502，在步骤502接收下一个雷达场景样本。所估计的位置的及时传播在步骤504中特别有用，步骤504利用对引领车辆的后部的位置的当前估计来确定是否发生匹配。可以预期(实际上很可能)引领车辆的位置的当前估计随着时间而改变。对于每个雷达样本，可以使用对引领车辆的后部的位置的当前最佳估计，这有助于确保精确地跟踪同伴车辆。

如上所述，编队系统优选利用多个独立或部分独立的机制来跟踪相应车辆的位置和速度。例如，如上所述，编队控制器可以访问GPS位置数据，该GPS位置数据提供用于确定编队车辆的相对位置的独立机制。编队控制器还可以访问车轮速度数据，车轮速度数据提供用于确定相应速度并因此确定编队同伴的相对速度的替代机制。这种主车辆的数据可以从主车辆传感器获得。同伴车辆的数据可以通过通信链路获得(例如，DSRC链路、蜂窝链路或任何其他可用的通信方法)。

每次接收到新的GPS位置估计时(如图7中的框520所示)，使用当前GPS位置估计更新雷达跟踪位置和速度估计(步骤523)，并且将更新的位置和速度估计及时传播到下一个雷达样本的预期接收，如步骤510所示。并行地，每次接收到新的车轮速度估计时(如图7中框530所示)，使用当前车轮速度估计更新雷达跟踪位置和速度估计(步骤533)，并且将更新的位置和速度估计及时传播到下一个雷达样本的预期接收，如步骤510所示。类似地，每次接收到比如横摆率、车辆定向(航向)、车辆俯仰和/或车辆侧倾的新惯性测量结果(如框540所示)时，使用当前惯性测量结果来更新雷达跟踪位置和速度估计s(步骤542)。

GPS位置、车轮速度和惯性测量结果优选在相对快速的基础上更新，这通常(尽管不是必需的)比雷达样本更频繁。作为示例，已发现在25到500Hz范围内的GPS更新频率(例如50Hz)对于开放道路编队控制应用来说效果良好。还发现类似的车轮速度和惯性测量结果更新频率效果良好，但不需要以彼此相同的采样率或以与雷达单元相同的采样率更新GPS位置、车轮速度和/或惯性测量。

在所示的实施例中，来自雷达单元、GPS传感器、车轮速度传感器和惯性测量结果的更新在其被接收时进行异步处理。尽管不是必需的，但这有助于确保在接收到下一个雷达单元场景样本时利用最新的传感器输入来估计编队车辆的预期相对位置和速度。这与其中对雷达单元的每个样本更新一次车轮速度传感器和GPS传感器信息的系统形成对比。虽然同步更新也可以很好地工作，但是异步更新的使用倾向于提高估计的精度，因为各种传感器输入可以比雷达单元采样率更频繁地被更新。

虽然不同类型的测量不需要彼此同步，但是在不同卡车上的相同类型的测量优选在时间上同步。也就是说，前方卡车上的GPS位置测量优选与后方卡车上的GPS位置测量在时间上同步，使得可以在特定时刻确定卡车的相对位置。类似地，优选地，前方卡车上的车轮速度测量与后方卡车上的车轮速度测量在时间上同步，使得可以在特定时刻确定卡车的相对速度。各种惯性测量也优选彼此同步。

应当领会，协调车辆之间的各种测量的定时是相对简单的，因为使用GPS并且车辆通过通信链路彼此通信。众所周知，GPS系统提供非常精确的全球定时信号。因此，可以使用于编队同伴的时钟与GPS信号同步，并且各种测量(例如GPS位置测量、车轮速度测量、惯性测量等)因此可以被指示在相应卡车上的特定同步时间发生。每个测量还可以伴随有时间戳，该时间戳指示何时进行测量，使得可以验证测量的同步(或者说明类似的传感器测量在车辆之间不同步的原因)。

所估计的位置的及时传播在步骤504中特别有用，步骤504利用当前对引领车辆的后部的位置的估计来确定接收到的雷达样本对象点(目标)中的任一个是否匹配同伴车辆的后部的预期位置。应当领会，如来自决策504的“否”分支所表示的，有时可能没有雷达采样目标匹配同伴车辆的后部的预期位置。在这种情况下，雷达系统控制器仍然及时传播位置估计(步骤510)，使得基于控制器具有的其他信息来更新下一雷达样本的位置估计。这样的其他信息包括当时的当前估计，并且如先前所讨论的，可以基于来自其他系统(例如，GPS或车轮速度传感器)的输入进一步更新。

在一些运行环境中，一个或多个测量结果可能被认为是可疑的。例如，当主车辆异常剧烈地振动时，如当车轮在坑洞上行驶或在道路上遇到其他异常粗糙时可能发生的那样，雷达单元将相应地振动，并且在该时刻取得的任何雷达测量样本对于模型而言较不可能是准确的和/或有用的。在这种情况下，比如车轮速度和惯性测量传感器的其他传感器也不太可能是精确的。在另一示例中，当引领卡车主动制动时，其拖挂车比通常更可能来回移动，这再次表明在这种制动期间取得的任何雷达样本对于预测拖挂车后部的未来位置不太可能有用。当控制器检测到或被告知正在发生使任何特定传感器的测量结果可疑的事件时，可以在位置估计背景下安全地忽略来自这种传感器的测量结果。在这种情况下，来自被认为更可靠(如果有的话)的其他传感器的输入可以继续用于更新位置模型，并且位置估计可以继续针对每个后续样本及时传播。可以预期与位置估计相关联的不确定性随着每个被忽略的样本而略微增加，这具有增加从同伴车辆的后部的估计位置的变化的效果，这在确定是否存在与同伴车辆的后部的预期位置匹配的目标时将是容许的。

上述位置模型相对简单，因为其利用相对小的一组测量输入，包括(1)接收到的雷达场景(其示出检测到的物体的相对位置和相对速度)；(2)编队同伴的测量GPS位置(其可用于确定其相对位置)；(3)编队同伴的测量车轮速度(其可以用于确定其相对速度)；和(4)测量的横摆率和定向。在其他实施例中，当雷达控制器可以获得不同或附加类型的传感器信息时，位置模型可以适配为利用其在位置估计中能够获得的任何相关信息。例如，如果车辆的俯仰或侧倾可用，则位置模型可以将这样的测量结果合并到位置估计中。该侧倾可以是有用的，因为在卡车上GPS天线倾向于位于地面以上4米的位置处的驾驶室的顶部(例如，14-15英尺)。在这样的高度处，即使在侧倾方向上相对小的倾斜也会导致相应车辆的报告位置显著变化。出于类似的原因，俯仰可以是有用的。例如，在编队间隙为15米的情况下，仅±2度的俯仰差异就可以导致1米的对象的表面高度或检测到的高度的差异。在更远的距离和/或更大的间距变化的情况下，这些差异被放大。由于在编队系统中使用的许多雷达单元具有相对窄的视图，这可能导致未检测到预期对象，或检测到的对象被丢弃，因为其比未考虑俯仰时的预期位置更远离估计位置。类似地，如果纵向和/或角加速度可用，则位置模型可以将加速度测量结果合并到位置估计中。

在可以使用其他系统(例如激光雷达、声纳、其他渡越时间距离传感器、配置为接收从另一车辆发射的信号的传感器、相机、立体相机或其他适当技术)相对准确地测量车辆的相对定位和/或速度和/或定向的实施例中，除了或替代GPS、车轮速度和惯性测量，可以将那些测量结果并入到位置模型中。

在一些实施例中，使用比如扭矩需求、制动信号和/或关于相应编队同伴的其他运行信息的输入来进一步细化在下一雷达样本时的预测位置，位置模型可能相当复杂。

在主要描述的实施例中，雷达样本对象点与同伴车辆的后部的估计的(预期的)位置和相对速度进行比较。在其他实施例中，可以比较更多或更少的参数来识别匹配。例如，在一些实施例中，匹配(或缺少匹配)可以基于匹配同伴车辆的预期位置而不是位置和速率/速度。如果雷达单元能够可靠地报告其他信息，比如加速度、横向移动速率等，则还可以将此信息与对应估计进行比较，作为匹配识别504的部分。

所描述的方法的显著优点在于，即使当编队同伴的后部在雷达单元的视野之外时，如有时当引领车辆改变到不同的车道、闯入者插到编队车辆之间、或雷达单元发生暂时故障时的情况，相对位置和速度估计也可以可靠地继续。通过这种跟踪，当编队同伴的后部回到雷达单元的视野中时，可以更容易地重建编队同伴的雷达识别。如本领域技术人员将领会到的，这与仅利用雷达来跟踪距主车辆正前方的车辆的距离而不管该引领车辆可能是谁的自适应巡航控制系统非常不同。

注意，上文关于图5所描述的直方图和/或均值漂移聚类可以用作另一个检查，以验证雷达单元正在跟踪正确的车辆，或者当卡车的一部分而不是全部在雷达单元的视野内时提供参考点。

关于图7描述的方法的值得注意的特征是可以使用相同的算法来估计在同伴车辆的初始雷达识别期间同伴车辆的相对位置/速度，如上文关于图2所描述的。在这种情况下，雷达跟踪器116/600将不具有对同伴车辆的后部的位置的良好估计。这样，在判定点504处没有目标匹配同伴车辆的后部的预期位置，因此没有测量的位置被报告给间隙控制器，并且雷达单元的测量结果将不用于更新位置和速度估计，从而遵循来自判定点504的“否”分支，这引起跳过步骤506和508。然而，包括GPS传感器131、车轮速度传感器132和惯性测量传感器134的其他可用传感器都提供其相应的测量结果，这提供了适于在同伴车辆的初始识别中使用的车辆位置的合理估计。

卡尔曼滤波

关于图7所描述的方法可以使用各种技术来实现。效果特别良好的一个当前优选实施例利用卡尔曼滤波。如本文中所使用，短语卡尔曼滤波旨在涵盖线性二次估计(LQE)以及LQE的扩展和推广，比如设计为与非线性系统一起工作的扩展卡尔曼滤波器和无迹卡尔曼滤波器。如一般熟悉卡尔曼滤波的那些人将理解的，卡尔曼滤波使用随时间观测到的包含噪声和其他不精确性的一系列测量结果，并且产生比单独基于单个测量结果的那些更精确的未知变量的估计。卡尔曼滤波器保持跟踪系统的估计状态和估计的方差或不确定性。这特别适合于估计与间隙控制相关的位置、速度和其他状态信息，因为固有的误差是一些测量结果以及在一些期望的测量样本时潜在的不可用性。

卡尔曼滤波器中使用的状态变量可以随着所使用的模型的性质而广泛地变化。适于涉及一对编队牵引-拖挂车的一些所述实施例的一个特定状态矩阵(X)包括：

(1)前方卡车的后桥中心相对于后方卡车的后桥中心的纵向位置(x)；

(2)前方卡车的后桥中心相对于后方卡车的后桥中心的横向位置(y)；

(3)前方卡车的航向相对于后方卡车的航向(χ)；

(4)引领车辆的速度(v₁)；和

(5)跟随车辆的速度(v₂)。

这可以数学地表示如下：

下一个雷达样本(X_k+1)时的估计状态是先前状态(X_k)和指示测量中的不确定性水平的协方差矩阵(P_k)的函数。对应于上文所表示的状态矩阵(X)的协方差矩阵在图8中进行说明。如通常熟悉卡尔曼滤波的那些人将理解的，在下一个雷达样本(X_k+1)时的估计状态等于状态转换模型(A)和先前状态(X_k)的乘积加上控制输入模型(B)和任何建模输入(u_k-1)的乘积。这可以在数学上表示如下。

X_k+1＝AX_k+Bu_k

一个特定的控制输入阵列(U)包括：

(1)前方车辆的横摆率(ψ₁)；和

(2)后方车辆的横摆率(ψ₂)

这可以在数学上表示如下：

尽管示出了特定状态和建模输入矩阵，但是应当领会，在任何特定实施方式中使用的特定状态和控制输入变量可以基于所使用的估计模型的性质而广泛地变化。

卡尔曼滤波特别适于使位置和速度估计的类型在本文描述的技术中有用。虽然卡尔曼滤波效果特别良好，但是应当领会，也可以在替代实施例中使用其他状态/空间估计算法，比如粒子滤波等。

卡尔曼滤波效果良好的原因之一是大多数测量(包括GPS测量、雷达测量、车轮速度测量和惯性测量)倾向于经受变化的测量误差。例如，任何特定GPS测量偏离超过一米并不罕见。协方差矩阵(P_k)量化在测量中观测到的统计变化(误差)，并利用该知识来改进位置和速度估计的质量。

将其他信息集成到传感器数据验证中

在上述实施例中，主车辆使用从同伴车辆接收的关于同伴车辆的状态的信息来帮助验证或确认来自主车辆上的被认为测量同伴车辆的特性的传感器的数据实际上代表同伴车辆。例如，在一些所述实施例中，来自引领车辆的关于其位置、速度、定向等的信息由跟随车辆上的雷达场景处理器使用来预测引领车辆的预期位置和速度。然后，使用这些预测来帮助确定检测到的雷达对象中的哪一个(如果有的话)对应于引领车辆。从引领车辆接收的状态信息可以是测量值(比如测量车轮速度)或预测值(比如预测速度)，预测值在参数(例如速度)改变的情况下甚至可以更可靠。

应当领会，从同伴车辆接收到的各种其他信息/数据可以附加地或替代地用于进一步帮助这种验证。这可以包括其他同伴车辆状态信息，比如同伴车辆的：当前扭矩需求；制动状态(在较大卡车背景下包括基础制动器、减速器、发动机制动和/或任何其他制动装置的状态)；或者转向角。该信息还可以包括状态指示器，比如指示灯、危险警告灯、尾灯或其他灯打开的指示。它还可以包括关于同伴车辆的定性信息，比如其雷达标记或其视觉外观(例如其颜色、识别标记或可以由主车辆上的控制器之一容易地识别的一些其他特征或特性)。它还可以包括关于计划或预期的行动的信息，比如，通知引领车辆即将改变车道、将选取下一个出口或在下一个十字路口转弯。

在一些情况下，主车辆可以请求同伴车辆采取特定动作来帮助这种识别。这种请求的性质可以广泛地变化，例如，后方卡车可以请求前方卡车打开特定的灯、切换车道、加速或减速到特定的速度、鸣喇叭等。

另外，应当领会，还可以从第三车辆、更大的车辆网络或从另一外部源获得关于同伴车辆的附加信息。例如，与编队同伴并行行进的第三车辆可能已经测量了同伴车辆的位置、速度和/或其他特性，并且该信息可以用作另一独立检查。在另一示例中，与两个编队同伴通信的网络运行中心(NOC)可以知道预期路线并且酌情将该路线或较短期方向传送到主车辆。在其他情况下，来自同伴车辆的信息可以经由比如第三车辆、NOC等的中介来发送。任何这种类型的数据都是有帮助的，在车辆之间的通信暂时丢失的情况下，某些信息可能特别有用。

虽然仅详细描述了本发明的几个实施例，但是应当领会，在不脱离本发明的精神或范围的情况下，可以以许多其他形式来实现本发明。已经主要在一对卡车编队的背景下描述了本发明，其中前向雷达单元位于跟随卡车的前部。然而，应当领会，相同的概念可以应用于在任何类型的连接的车辆应用中运行的任何类型的车辆，而与雷达单元位于车辆上的何处和/或雷达单元询问的方向(或多个方向)无关。因此，例如，可以使用引领车辆上的后向雷达单元以与所描述的基本相同的方式使用雷达来识别和/或跟踪跟随车辆。类似地，如果使用全向雷达，则可以使用类似的方法来识别和/或跟踪使用雷达的其他车辆，而不论其相对于主车辆的位置如何。

如上所述，所描述的基于雷达的车辆识别和跟踪可以用于任何类型的连接车辆应用，其中关于一个或多个其他车辆的位置和/或速度的独立信息对于解释雷达数据的单元是已知的或可用的。因此，例如，所描述的技术特别适于在涉及多于两个车辆的护航系统中使用。而且，所描述的技术非常适于在自动车辆交通流应用中使用，在自动车辆交通流应用中，关于其他特定车辆的意图的知识被认为是重要的。实际上，随着自动和连接式车辆市场的增长，预期这将是本发明的重要应用。

已经主要在使用设计用于驾驶自动化系统的商用雷达单元来识别和跟踪其他车辆的背景下描述了本发明。这样的单元通常设计为分析接收到的雷达能量并识别雷达制造商认为相关的对象。虽然所描述的发明与这样的单元效果良好，但是其不受这样的限制。相反，车辆识别和车辆跟踪过程都非常适合与这样的雷达单元一起使用，所述雷达单元不对响应进行同样多的滤波，并且以更一般的方式报告反射的雷达信号强度，而不是试图识别特定对象。特别地，雷达返回分区和车辆检测的后部的统计性质非常适于使用以比如强度/位置的其他形式提供的雷达数据。此外，本发明不限于在雷达的频率范围内使用电磁能的距离测量系统。相反，应当领会，相同的目标车辆识别和/或跟踪技术可以容易地与其他基于电磁能量的距离测量技术(比如激光雷达)结合使用，这些技术利用不同频率范围中的电磁能量、基于声音的距离测量(例如，声纳、超声等)或各种基于渡越时间的距离测量系统。所描述的技术还可以结合使用相机或立体相机的距离测量技术、其中传感器测量从同伴车辆发射的信标信号的基于信标的技术和/或其他技术来使用。

在一些实施方式中，编队车辆可以具有适于向雷达单元识别其自身的机构，比如应答器。当可用时，可以使用来自这样的设备的信息来进一步帮助识别和跟踪编队同伴。

因此，本实施例应当被认为是说明性的而不是限制性的，并且本发明不限于这里给出的细节，而是可以在所附权利要求的范围和等同物内进行修改。

Claims (15)

1.一种使用安装在跟随车辆上的距离测量单元来跟踪特定引领车辆的方法，所述方法包括：

(a)从所述距离测量单元获得当前样本，所述当前样本包括一组零个或更多个对象点；

(b)获得对应于所述当前样本的引领车辆的状态的当前估计，其中，所述引领车辆的状态的所述当前估计具有相关联的状态不确定性并且不考虑来自所述当前样本的任何信息；

(c)确定是否所述对象点中的任何一个在所述状态不确定性内与所述引领车辆的估计状态匹配；和

(d)当所述对象点中的至少一个在所述状态不确定性内与所述引领车辆的估计状态匹配时，选择与所述引领车辆的估计状态最佳匹配的匹配对象点作为所述引领车辆的测量状态，并且在对与下一顺序样本相对应的所述引领车辆的状态的下一顺序估计中使用所述引领车辆的测量状态；和

多次重复步骤(a)-(d)，从而跟踪所述引领车辆。

2.根据权利要求1所述的方法，其中，当特定样本中没有对象点在所述状态不确定性内与所述引领车辆的估计状态匹配时，则对于所述引领车辆的状态的下一顺序估计增加所述状态不确定性。

3.根据权利要求2所述的方法，其中，所述估计状态包括多个状态参数，所述状态参数包括位置参数、速度参数和定向参数。

4.根据权利要求1至3中任一项所述的方法，其中，所述当前估计包括多个状态参数，所述状态参数包括指示所述引领车辆相对于所述跟随车辆的位置的位置参数和指示所述引领车辆相对于所述跟随车辆的速度的速度参数。

5.根据权利要求1至3中任一项所述的方法，还包括至少部分地自动控制所述跟随车辆以保持所述引领车辆与所述跟随车辆之间的期望间隙，并且其中，每个所选择的对象点与所述距离测量单元具有相关联的纵向距离，并且其中，所述相关联的纵向距离由间隙控制器处理，所述间隙控制器负责将所述期望间隙维持为从所述距离测量单元到所述引领车辆的后部的当前测量纵向距离。

6.根据权利要求1至3中任一项所述的方法，其中：

每个样本指示所述对象点中每一个的位置；并且

所述引领车辆的状态的每个当前估计包括所述引领车辆的位置的当前估计，并且具有相关联的位置不确定性；

所选择的匹配对象点必须在所述位置不确定性内匹配所述引领车辆的估计位置。

7.根据权利要求6所述的方法，其中：

每个样本还指示所述对象点中每一个的相对速度；并且

所述引领车辆的状态的每个当前估计还包括所述引领车辆的相对速度的当前估计并且具有相关联的速度不确定性；

所选择的匹配对象点必须在所述位置不确定性内匹配所述引领车辆的估计位置，并且在所述速度不确定性内匹配所述引领车辆的估计速度。

8.根据权利要求1至3中任一项所述的方法，还包括：

至少部分地基于检测到的所述引领车辆和所述跟随车辆的全球导航卫星系统位置来周期性地接收全球导航卫星系统位置更新；和

每次接收到全球导航卫星系统位置更新时，基于这样的全球导航卫星系统位置更新来更新所述引领车辆的估计状态和所述状态不确定性。

9.根据权利要求1至3中任一项所述的方法，还包括：

至少部分地基于检测到的所述引领车辆和所述跟随车辆的车轮速度来周期性地接收车辆速度更新；和

每次接收到车辆速度更新时，基于这样的车辆速度更新来更新所述引领车辆的估计状态和所述状态不确定性。

10.根据权利要求1至3中任一项所述的方法，其中，以至少10赫兹的采样率重复步骤(a)-(d)。

11.根据权利要求1至3中任一项所述的方法，其中，使用卡尔曼滤波来估计所述引领车辆的状态和相关联的状态不确定性。

12.根据权利要求1至3中任一项所述的方法，其中，所述引领车辆的估计状态包括所述引领车辆的后部的估计位置，并且所选择的匹配对象点被认为是所述引领车辆的后部的相对位置的测量结果。

13.根据权利要求1至3中任一项所述的方法，其中，所述跟随车辆上的控制器维持表示所述引领车辆的点群的配置文件，并且所选择的匹配点对应于所述点群中的一个。

14.根据权利要求1至3中任一项所述的方法，其中，所述引领车辆和所述跟随车辆是包括在编队中的卡车。

15.根据权利要求1至3中任一项所述的方法，其中，所述距离测量单元是雷达单元。

Images