CN110418940B - 用于预测车辆的未来驾驶条件的方法 - Google Patents

Abstract

本发明涉及一种用于预测车辆(1)的未来驾驶条件的方法，在该方法中，在车辆(1)沿着路线行驶期间收集传感器数据(2)。此外，确定车辆(1)的位置。然后将收集的数据分配给所确定的车辆位置。根据相关联的数据，创建地图(9)。当重新驶过该路线时，地图根据来自重新驶过的相关联的数据实时地更新。最后，基于所确定的车辆位置和地图(9)，获得对未来驾驶条件的预测。

Description

用于预测车辆的未来驾驶条件的方法

技术领域

本发明涉及一种用于预测车辆的未来驾驶条件的方法。本发明还涉及一种用于控制车辆的方法。

背景技术

车辆运行所需的功率取决于多种因素。除了二维路线走向(Routenverlauf)之外，地形(路线的高度轮廓)和沿着该路线的速度分布(Geschwindigkeitsverlauf)是特别重要的。例如，后者受道路状况、速度限制以及存在的交通信号灯、交叉路口、环形交叉路口或人行横道的影响。除了驱动马达之外，其他耗用件(例如用于空调、照明等)也需要能量。

可用功率或能量储备必须适应所需功率。能量存储装置以及中间存储装置(诸如电池或电容器)相应地被定尺寸和充电。

如果事先已知车辆要行驶的路线或行驶路线的下一部分，则可以通过根据地点且及时做出的各种措施最大限度地减少总能量消耗、能量存储装置的最大所需功率、所需容量和/或驱动器或能量存储装置的负载。这降低了车辆的采购和/或运营成本，并延长了所述部件的寿命。可采取的措施是能量存储装置的充电或填充、变速箱的致动、能量有效速度曲线的维持或用于具有多个驱动器的车辆(特别是混合动力车辆)中的驱动器的选择。

通常事先不知道行驶路线。然而，在某些情况下，车辆反复在相同的路线上行驶。一方面，这适用于被约束到某个车行道(例如铁路车辆、无轨电车)或必须服务于某个路线的车辆(例如，常规服务的公共汽车)。另一方面，这也适用于无论这些要求如何都定期经过相同路线的车辆，例如在家和工作之间通勤。

文章“Predictive Reference Signal Generator for Hybrid ElectricVehicles(用于混合动力电动车的预测参考信号发生器)”(D.Ambühl，L.Guzzella)，IEEETransactions on Vehicular Technology Vol.58，no.9，2009年11月，涉及混合动力车辆(即具有内燃机和电动机的车辆)的能源管理，尤其是在这种车辆定期地行驶在相同路段的情况下的能源管理。该文章的主体是一种驱动器，其中内燃机和电动机作用在同一轴上，从而叠加它们的扭矩。目标是最小化燃料消耗，其中通过设定充电水平(SoC)的限值可确保电池不会过度充电。

该控件包括尤其从导航辅助系统获取数据的预测模块以及由电池的充电状态作为状态变量控制的模块，其用于产生等效因子，等效因子指示电动机和内燃机之间的扭矩分配。

但是，通常缺少对于所需的优化必要的完整信息；在任何情况下，这些都不是通常可从导航辅助系统获得的数据的全部内容。导航辅助系统通常也不安装在运输工具、例如公共汽车或无轨电车上，因此它们无法可靠地给出预期的速度、保持时间等。因此，对于可靠的预测，需要具有与行进路线相关的更广泛的信息内容的地图。

用于生成地图的各种方法是已知的。第一个方法是所谓的“协作映射”。来自自愿(freiwilliger)用户的移动设备的数据(导航和其他传感器数据)被收集且离线处理。由于数据来自各种不同的终端设备，因此不一定具有质量和均匀性。通常，需要手动后处理。第二种方法使用多个构造相同的设备，利用这些设备在要映射的区域中进行测量。但是设备的使用和对测量数据的离线评估是复杂的。第三种方法使用用于收集传感器数据的自行式机器人或汽车。同样，数据的收集是复杂的，并且地图的生成是离线的，也就是说收集数据后，通常在中央计算机上完成。

发明内容

本发明的目的是提供一种属于上述技术领域的方法，其能够可靠地预测车辆的未来驾驶条件。

该问题的解决方案由权利要求1的特征限定。根据本发明，该方法包括以下步骤：

a)在驾驶车辆通过一路线时收集传感器数据；

b)确定车辆的位置；

c)将收集的数据分配给所确定的车辆位置；

d)根据相关联的数据创建地图；

e)重新驶过所述路线，其中根据来自重新行驶的相关联的数据实时地更新地图；和

f)基于所确定的车辆位置和地图获得对未来驾驶条件的预测。

车辆的当前位置尤其可以通过全球定位系统(GNSS，例如GPS、GLONASS、Galileo、Beidou等)来确定。传感器数据由车载传感器产生，该传感器可以是车辆的现有电子器件的一部分和/或是另外安装的。传感器数据包括例如车辆速度或当前能量消耗。作为过程的一部分，它们被分配到特定的车辆位置并最终集成到地图中。最后，地图将车辆的位置分配给一个或多个参数，该参数可以对应于所收集的传感器数据和/或从传感器数据中导出。根据本发明的方法制备的地图不覆盖连续扩展的二维区域，而是仅对应于车辆的(先前)行驶路段，原则上可以用来自另一个来源(例如具有由其他车辆获得的地图数据的数据库)的其他元素来补充地图。这种补充可以在地图初始化意义上在开始时进行，或者仅在已经根据本发明构建了地图时进行。

在当前情况下实时更新意味着地图最晚在路线完成之后处于更新形式，因此不需要任何耗时的处理。然而，更新优选地在行驶期间逐步进行，使得对应于路线的已经驶过的部分的地图部分总是以更新的形式存在。

本发明的方法允许地图的自动构建。基本上不需要先前的外部数据输入。如果在车辆上携带设备，该设备接收传感器数据和用于确定车辆位置(或特定车辆位置)的数据并以根据本发明的方式处理数据，则自动生成针对行驶路线的地图并且在每次重新行驶时基于新的相关联的数据进行自动更新。因此，它会自动适应变化的条件(绕行(Umleitungen)、建筑工地等)，并且由于更好的统计数据而减少任何错误。构建和更新地图的过程是自学习式的。

通过收集合适的传感器数据并存储合适的参数，根据本发明的方法可以考虑对所使用的车辆和预期用途特定的情况。所以例如在公共交通的情况下，例如当测量速度和性能数据并将其存储在地图中时，自动考虑车辆的特定行驶动力、典型的保持时间、承载量(以及因此相应的有效载荷)、某些路段上的交通(以及可能在一天中的某些时间)等。因为在收集数据时已经考虑了车辆特定方面，所以可以省略车辆模型的定义，以便例如从地形数据中算出在特定路段中有具体车辆所需的功率。

因此，该方法特别适用于公共交通工具，例如公共汽车或无轨电车。但它也可以与其他公路或轨道车辆一起用于乘客或货物运输。

本发明的方法特别适用于预测在预定路线上运行的车辆(例如，公共汽车、公交车等)的未来驾驶条件。然而，如果仅不时地行驶相同的路线，则该方法也是有用的，并且这不是预先确定的，而是根据需要选择。例如，私家车就是这种情况。据统计，超过一半的路段都覆盖同一条道路，因为工作地点、健身房、购物场所、度假村等目的地总是一样的。已经在通道上借助于该方法获得信息，该信息对于预测未来行驶条件是有用的并且因此在再次通过该路段时对车辆的控制是有用的。

有利地，该地图包括位置相关的性能数据。“性能数据”在这里指的是与车辆耗用件(特别是驱动马达)消耗的功率相关的那些数据。这包括即时性能数据，例如瞬时电力消耗(电功率)或燃料消耗，以及间接性能数据，其与其他参数组合，允许预测功率，例如，发动机转速、行驶速度、测量坡度等。

有利地，更新地图涉及合并来自不同行程的数据。随着每次后续行程，地图因此得到改进，即在考虑先前获取和分配的数据以及新分配的数据的情况下调整位置和相关参数。

或者，在更新期间，先前存储在地图中的位置和/或参数或其一些子集可以由当前值代替。

有利地，收集的传感器数据包括位置相关信息。为了确定车辆位置，一方面收集的传感器数据(或其一部分)以及另一方面来自全球定位系统的数据用于确定车辆位置并组合。该处理可以通过卡尔曼滤波器特别好地实现。因为不仅使用全球定位系统的具有噪声的数据，而且还使用额外的传感器数据，这导致改进的位置确定。不言而喻，并非所有收集的传感器数据都必须包含在卡尔曼滤波器中，而是只包括那些有助于改善位置的传感器数据。优选地，不仅确定车辆位置，还确定车辆在该车辆位置的行驶方向(取向)。

如果全球定位系统不提供或仅提供非常不准确的信息，例如在隧道中或被高层建筑遮蔽时，则考虑其他传感器数据尤其有利。

代替卡尔曼滤波器，可以使用用于所谓的“航位推算(Koppelnavigation)”(或“Dead Reckoning”)的其他方法，例如，其他滤波器，诸如粒子滤波器(序列蒙特卡罗方法)等。

另选地，位置确定仅基于来自全球定位系统的数据或基于该数据和例如独立于本发明系统地图的现有数据(例如，导航辅助系统)。

有利地，相关联的数据包括车辆取向和车辆速度。这些数据对于进一步更新地图以及进行预测非常有用，并且可以根据可用的传感器和定位系统信号轻松导出。除了这些数据，还可以分配其他数据。

在根据本发明的方法的第一变型中，相关联的数据表示正态分布的变量，其中除了相应变量的平均值之外，标准偏差也存储在地图中。这简化了来自不同行驶通过(Durchfahrten)的多个数据的合并以及预测的进行，也可以使用其他分布和特征参数。

在根据本发明的方法的第二变型中，相关联的数据分别存储在地图中，优选地提供有时间和日期。因此，针对每个行驶通过和参数提交另外的日期。这为从地图读取预测数据提供了额外的自由度。例如，可以仅考虑与特定时间间隔相关的数据点或排除一天或一季中的特定时间，或者分配给另一总线的数据点。此外，避免了由于给定分布的分布逼近引起的误差。

在第一和第二变型中，数据可以被分配给几个类别，例如，作为一天中的时间、一周中的几天或季节，使得相关类的数据可以用于随后的预测。

优选地，传感器数据包括右轮和左轮的速度，并且基于所述速度，计算车辆取向的变化率。这种速度数据通常由车辆电子设备检测并且可通过标准化总线(例如CAN总线)获得。速度可以是绝对形式或是与相应车轴的速度的速度差。在任何情况下，车轮速度和车轴速度之间的差异提供了关于方向变化的信息。

已经发现，在本发明方法的情况下，前车轴上的车轮的相对速度特别适合于进一步处理。

优选地，地图由有向图表示，其中为有向图的每个节点分配相关联的数据。因此，节点由其空间位置和相关联的数据(例如，与性能相关的数据、行进方向等)来定义。作为有向图的图示尽可能地适应在根据本发明的方法的范围内行驶的路线(多次)。与其他形式的图示、例如在一个固定的网格中的显示形式相比，有向图的图示具有以下优势：它更灵活地适应实际路线：在内城，街道的密度很高，这使得需要一个紧密的网格，其此时对于其他的城郊区域详细得多。该图形不能识别出这些问题。

每次再次在路线上行驶时，有向图都会更新，即调整空间位置和/或分配给节点的数据，创建新节点或移除或组合现有的节点。该路线最终对应于沿连接边(verbindendenKanten)的一系列直接彼此相连的节点。在这方面，由有向图的节点表示的路线起点和由另一个节点表示的路线终点或(在圆形路线的情况下)由相同节点表示的路线终点通过有向图中的路径彼此连接。该有向图可以包括对应于公路或轨道系统中的实际分支的分支，或者由于测量的不准确而产生的分支(因此可能在以后通过时消失)。在沿两个方向行驶的路线中，两个行驶方向由不同的节点和边表示，从而可以检测取决于行驶方向(例如上坡(Steigungen)/下坡)的影响。为此，可以有利的是，为各个节点尤其分配车辆的取向。

可以在相应的路段上为每个边分配检测到的行程的数量。这等于相应边的权重。

在该方法的优选实施方式中，根据与有向图的最后访问节点的距离和数据缓冲区的内容，对于每个相关联的新数据组确定：

a)是否将相关联的数据组添加到数据缓冲区中；

b)是否将相关联的数据组添加到最后访问的节点；或者

c)是否创建了新节点。

相关联的数据组尤其包括关于车辆位置(例如纬度和经度)的信息以及与车辆位置相关的数据。

在变型c)中，可以同时仅生成一个新节点或几个新节点。

当确定的车辆位置和最后一个访问节点的位置之间的距离低于某个预定值(样本距离)时，发生根据变型a)的过程，其例如以静止或非常慢的速度发生。在这种情况下，假设最终应将相关联的数据组添加到最后访问的节点。由于尚不确定是否还将其他数据添加到最后访问的节点，因此中间存储将在数据缓冲区中进行。

因此，如果距离超过预定值并且数据缓冲区具有至少一个条目，则进行根据变型b)的过程。如果有多个条目，则在将所述组添加到最后一个访问节点之前进行适当的平均。

最后，如果距离大于预定值，但缓冲区为空，则创建新节点。然后将其添加到相关联的数据组中。

作为上述步骤的结果，最初与时间相关的数据分别被分配给本地位置。多次通过该路段的数据可以更好地组合。

有利地，当超过至最后访问的节点的预定最大距离时，产生至少两个新节点，其中为所述至少两个新节点中的第一个分配一组内插数据。这避免了相邻节点的距离太大，尤其是当以预定时间间隔确定车辆的位置并且行驶速度相对较高时。另外，在第一次通过时初始构造地图期间，产生基本上足够多的节点以便实现期望的空间分辨率。

优选地，根据所确定的车辆位置和地图，来预测驶过路线上的未来的位置相关参数，其中预测是根据与所确定的车辆位置对应的有向图的节点进行的。特别感兴趣的是与所需驱动功率相关的参数(例如，即时性能数据、速度等)。参数可以是为节点分配的数据的一部分或从其中导出的变量。

优选地，预测在覆盖有向图的多个节点的预测区域上进行，其中，在预测区域延伸超过有向图的一个分支的情况下，与分支连接(anschliessender)的多个支路的节点被考虑用于进行预测。这使得即使不知道车辆在路线的后续走向(Verlauf)中将遵循哪个支路也可得出预测。可以以不同方式考虑若干支路：例如，可以在不同分支上进行平均。但是，也可以首先确定所有考虑的分支的值，并使用优秀的值(例如最小值、最大值或中值)进行进一步计算。例如，如果预测在一个特定的部分中所需的功率以确定电池的最小充电水平，则将有用的是使用具有最高的能量需求的支路，以确保在电池中存储的能量在任何情况下都是足够的。

优选地，仅当已经进行预测的预测区域未覆盖从所确定的车辆位置起的至少一个最小路段时，才进行新的预测。否则，将继续使用已经做出的预测。因此，当到达每个新节点时，不需要进行新预测，而是仅在节点的子集中进行预测。这最小化了计算工作量。

有利地，当对应于所确定的车辆位置的节点在该分支之后的预定距离范围内时，从位于有向图的分支之前的节点开始进行新的预测。

在分支附近由于定位不准确，即通常不确切地知道车辆遵循哪个支路。如果在到达对应于分支的节点之后立即进行新预测，则该新预测仅涉及确定的但可能不正确的有向图的支路。也有相当大可能性车辆遵循其的其他支路直接脱离预测。如果检测到的分支不正确，则会导致不正确的预测。如果仅在从最后一个分支开始已经越过某个距离范围时进行新的预测，则可以在很大程度上避免这种误预测。

如果在分支之后的预定距离范围中现有预测不再覆盖最小路段，则从表示分支的节点(或分支上游并且距该节点具有较小距离的节点)开始，有利地生成新的预测。这扩展了覆盖的路段，同时确保了考虑到其他路线的其他可能的替代方案。

有利地，根据本发明的方法用于预测用于控制车辆的方法中的未来驾驶条件。在这种情况下，控制基于通过本发明方法生成的地图。

控制方法特别适用于包括至少一个电驱动马达的车辆。例如，这种车辆包括两个(或更多个)不同的电源。其中之一可以是蓄电池，蓄电池可以通过适当的能量供应来充电并且允许至少在部分路段上自动驾驶车辆。

所述控制尤其允许：

a)确保针对要管理的路线蓄电池具有充足的充电；

b)优化充电状态，以期获得最佳使用寿命；

c)最小化总能量需求；和/或

d)根据牵引电动机的功率要求对其他耗用件(例如加热件、通风件、空调)进行有针对性的控制。

但是该控制方法也可用于具有内燃机或仅包括一个电源的电动马达的车辆。例如，当在卡车中使用时，提供用于在丘陵地形上实现最佳速度控制的相关信息，例如：即将到来的路线的高度信息。所谓的“自适应巡航控制”在使用巡航控制驾驶时在特定带宽内改变速度，从而节省能量。例如，下坡速度略微增加，以适应通常必须“被制动”的更多潜在能量。因此，在卡车进入下坡区段之前，该下坡区段可以通过由本发明的方法产生的地图来确定，速度可以稍微降低以适应下坡行驶中的更多潜在能量。

在与乘用车相关的另一个应用中，将为“实际驾驶”排放的调节提供相关信息。即，预测信息能够优化控制内燃机和排气后处理系统。例如，在城市驾驶中使完全加载的微粒过滤器再生需要额外的燃料以增加废气温度。然而，在高速公路上，发动机在较高负荷下运行并且废气温度已经足够高，使得微粒过滤器自身开始再生。因此，基于来自地图的预测信息，可以在从城市行驶至高速公路行驶转化情况下重新设定微粒过滤器的再生。

特别地，该地图可以用于考虑整个驾驶循环或其重要部分的优化过程。

在优选的应用中，车辆是具有用于临时存储电能的蓄电池的无轨电车。无轨电车可以直接从架空线路或蓄电池吸取行驶功率。这允许尤其在未提供架空线路的网段上通行。可以在驾驶(从架空线路)或在静止(停靠、仓储)时对蓄电池进行充电。

可以直接且自动地或间接地完成对车辆的控制。它可以特别以单独的或组合的形式包括以下措施：

i)自动选择要使用的驱动器或用于驱动器的电源，

ii)蓄电池的充电控制，

iii)变速箱的自动切换，

iv)驾驶员辅助信息的输出。

从以下详细描述和整个权利要求中得到本发明的其他有利实施例和特征组合。

附图说明

用于解释实施例的附图示出了：

图1是根据本发明方法的应用的示意图；

图2是位置估计器结构的示意图；

图3是地图的构建流程图；

图4A和图4B是校正步骤之前和之后的穿过隧道的轨迹的地图的示意图；和

图5是对未来驾驶条件的预测的示意图。

基本上，相同的部件在附图中具有相同的附图标记。

具体实施方式

在下文中，详细描述了根据本发明的方法的实施方式和应用。本发明涉及用于客运的公共汽车，特别是在定期服务中的客运公共汽车，即包括至少一个电驱动马达和至少两个动力源(例如，牵引电池和接触网馈电(Oberleitungsspeisung))和/或除了电驱动马达之外还包括利用其它驱动技术的另一个驱动马达(例如内燃机)的公共汽车(所谓的混合动力电动公共汽车)。

现代化客车1包括连接到微控制器的一系列传感器3。微控制器通过所谓的CAN总线7(控制器区域网络总线)相互通信。基本上所有测量的传感器数据2和由此计算的变量都可以通过该总线访问。这尤其用于车辆故障时的诊断目的。

为了构建地图，如图1示意性所示，对总线1中始终可用的传感器3的传感器信号2以及GPS信号5进行评估。来自传感器3以及GPS接收器4的信号由车载计算机6接收，程序在车载计算机6上运行，该程序如下所述在行驶时自动构建地图并且(在反复行驶通过相同的路段时)自动更新。在一种变型中，计算机可以固定地设置并且通过数据连接与公共汽车车载的本地通信设备在线连接。

计算机可以访问数据库8，在数据库中存储有位置数据(车辆位置、车辆取向、时间戳)和应用特定数据。这些数据完整地形成了地图9。如果合适的话，新输入的数据将与现有的数据组合。特别地，当重新行驶已经由地图9覆盖的路段时，显示出组合。这降低了存储需求并便于评估，也就是说，使用所构建的地图9用于控制的目的。

地图9的构建包括两个主要步骤。首先，组合传感器数据2和GPS数据5以获得车辆的最佳可能位置估计。如下面详细描述地，为此使用卡尔曼滤波器(Kalman filter)。在第二步骤中，然后构建或完整实际地图9。用于处理接收数据的程序具有模块化结构建，因此如果需要，可以容易地替换第一模块(位置估计)和第二模块(地图构建)。

对于所描述的根据本发明的方法，仅使用几个传感器信号2，这些传感器信号通常在现今的客运汽车中可用，即：

·左前轮的相对速度，单位为km/h(即左前轮和前车轴之间的速度差)；

·右前轮的相对速度，单位为km/h(即右前轮和前车轴之间的速度差)；

·左后轮的相对速度，单位为km/h(即左后轮和后车轴之间的速度差)；

·右后轮的相对速度，单位为km/h(即右后轮与后车轴之间的速度差)；

·前车轴处测量的车辆的绝对速度，单位为km/h；和

·驱动电机的驱动轴以rpm为单位的瞬时转速；

将GPS信号5标准化。在根据本发明的方法中，需要以下数据：

·车辆的纬度(以度为单位)；

·车辆的经度(以度为单位)；

·车辆的高度(海拔高度)，以米为单位；

·车辆的速度，单位为km/h；和

·车辆的行驶方向，以度为单位。

传感器信号2和GPS信号5都是带噪声的，因此必须进行滤波。这里可用的是，使两组信号包括位置信息或通过使用状态观察器(在当前情况下为卡尔曼滤波器)来确定位置信息，以便组合信号。相应的方法如下所述。

滤波器的结果是连续的位置估计流，其作为时间的函数描述了车辆的空间定位。例如，生成新的位置估计并以恒定的速率每秒输出一次。位置估计最终包括以下要素：

·笛卡尔坐标系中的全球位置(东、北)；

·海拔高度；

·车辆的取向；

·指示卫星导航数据是否用于位置确定的标志(例如在隧道中不可用)；

·时间；

·日期；

·与全球位置相关的大地测量数据；和

·与全球位置相关的投影。

除了位置估计的这些要素之外，还可以为每个位置估计分配其他参数，即驱动功率、瞬时燃料流量、车辆上其他耗用件所需的功率、外部温度等。

存储在数据库中的地图包括一组称为节点的数据点。与图论中常见的一样，这些节点用边连接。具有正好两个边的节点表示路径部段(Wegabschnitts)的路径点。具有三个或更多个边的节点对应于分支。仅连接到一条边的节点是死角、起点或终点。所有节点和边的集合(Satz)形成对应于地图的图形。

道路通常在两个方向上使用。对于所描述的应用重要的是区分行驶方向，即知道车辆在道路的哪一侧行驶以及车辆行驶的方向。为此，将行驶方向关联至所有边，因此建立图形。更确切地说，该图形是一个简单的有向图，因为两个节点不应该通过多个边连接。最后，为每个边分配针对相应路段记录的行程数。这等于相应边的权重。

为了简化数据存储，所有数据(包括有关连接(边)和权重的信息)都将分配给节点。最后，为每个节点存储以下信息：

·节点的标识号；

·位置估计；

·当前节点具有输入连接的所有节点的列表；

·当前节点具有输出连接的所有节点的列表；

·网格索引，其描述节点在地图中的大致位置；

·从该节点到后续节点的检测到的行程移动(Fahrbewegungen)的数量；

·应用特定的其他参数(例如，与位置相关的性能数据，见上文)。

对此，网格索引用于快速定位相邻节点，而不必使用位置估计。

地图构建的第一步是将由卡尔曼滤波器获得的基于时间的位置估计的采样率转换为基于距离的数据。随后，运行决策链以确定这些基于位置的数据被包括在地图中的方式。特别地，如果先前没有对相应的路段进行映射，或者数据与现有数据组合并分配给现有的节点(即，当重新行驶路段时)，可以创建新节点。

结果始终是有向图，其整个信息始终可访问。基于节点之间的连接，可以获得关于未来驾驶条件的预测，如下面详细描述的。

如已经提到的，传感器数据和GPS信号被组合以获得改进的位置估计。为此目的，使用扩展的卡尔曼滤波器，例如，如在以下文件中所描述的：D.Simon“Optimal StateEstimation：Kalman，H Infinity，and Nonlinear Approaches”，John Wiley&Sons，2006年6月。

滤波器提供在期望时间的车辆的全球位置、取向和速度的估计。状态变量的向量定义如下：

其中x、y、z描述了笛卡尔坐标系中的全球位置(东、北、高度)。取向用θ表示，其中0°表示北方，角度是从北方沿顺时针方向测量的。(标量)速度用v表示。另外两个变量δ和κ代表模型参数，这些参数不是精确已知的并且因此由滤波器在线确定。变量δ与左右车轮的半径差有关，并且用于校正行驶方向的变化。变量κ代表车轮半径除以齿轮比，齿轮比不是精确已知的并且可以随时间变化。

滤波器的输入信号定义为

其中，ω表示驱动马达的驱动轴的转速，θ^L和θ^R表示左右(前)轮的相对速度。

基于当前状态，对速度进行积分并且生成关于车辆位置的预测。然后将该预测与GPS传感器的测量数据进行比较。GPS传感器的测量数据被认为是卡尔曼滤波器的测量数据，相应的矢量是通过下式得到的：

系统经受过程噪音和观察噪音/>

。

矢量和/>的分量被认为是独立的正态分布的随机变量。

在进一步处理之前检查测量信号的一致性。例如，车辆两侧的相对速度应该相似。否则，车辆打滑或数据有错误。在这两种情况下，测量信号都不能进一步有意义地处理。此外，一些传感器可以预处理测量数据和使测量数据失真，因此电子制动系统通常将小的轮速值设置为零。因为这些数值用于计算车辆行驶方向的变化，所以必须对其进行修正以避免错误结果。例如，在本方法中，如果值对应于不现实状态，则相对速度都被设置为零。但是驱动轴的转速仍可用于模型中。

卫星导航信号的验证要求更高。例如，根据所使用的设备，丧失与卫星的信号连接可能导致信号不正确或冻结。此外，确定的罗盘方向和低速行驶时的速度有很大的噪音。最后，由于信号反射而引起干扰，例如在高的建筑物上引起干扰。为了识别出这样的错误，进行多次验证检查。它们基本上将信号值与先前的值和最后的位置估计进行比较。在卡尔曼滤波器中，输入数据对状态变量的影响由测量数据的方差(Varianz)加权，也就是说(可能)有错误的GPS数据被赋予方差的高值，使得状态向量不采用假值。

位置估计器的结构如图2所示。车辆模型10用于将状态变量从时间k-1更新为时间k，并且信号滤波器20用于更新测量。车辆模型10处理车辆传感器11的信号12，信号滤波器20处理GPS传感器21的测量数据22。结果是位置估计30。位置估计被存储在存储器31中并且用作状态变量的下一次更新的起始点。

使用的时间离散扩展的卡尔曼滤波器基于以下非线性系统和测量方程：

其中k和k-1代表时间。利用状态估计和估计误差的协方差初始化滤波器：

递归包括每次迭代的两个步骤：状态的先验更新和测量的更新。在第一步中，系统方程从最后一次测量的时间到下一次测量的时间被积分，在第二步中，系统以最佳的状态估计被线性化，这需要以下矩阵：

然后，状态估计的时间更新和估计误差的协方差是：

其中上标减号表示系统已更新状态和方差(Varianz)。上标加号表示已经使用卡尔曼滤波器的第二步中的测量值来调整的变量(Variablen)。

基于输入信号的采样时间重复积分和线性化，直到接收到新的测量数据/>随后，更新测量。为此，测量方程的线性模型使用如下：

对状态及其方差的新的最佳估计将如下获得：

。

在下文中，将在具体示例中解释向量和矩阵的内容。可以根据相对速度计算行进方向的时间变化，如下所示：

其中l表示轴轨道宽度。已经表明，前车轴的车轮的测量信号比后车轴的车轮的测量信号提供更好的结果。车辆的速度和驱动马达的速度如下：

υ＝κ·ω，

其中这与坐标x、y的变化有关，如下所示：

这获得以下描述系统的时间离散非线性方程：

其中τ_k-1表示k-1和k之间的时间间隔。

由于七个状态变量中有五个可以直接测量，因此对于非线性测量方程就是以下情况：

这产生矩阵F和L，其描述线性化系统和使测量方程线性化的矩阵H和M。

如上所述，假设过程噪声对应于在零附近的具有协方差Q的多元正态分布。此外，假设噪声信号彼此独立。因此，Q的结果是对称且正半定的对角矩阵，该对角矩阵的对角元素均包含相应变量的标准偏差(或方差)的平方。观测噪声/>是具有协方差R的白噪声。这导致类似于Q的对角矩阵R。该对角矩阵是对称且正定的。

状态变量的过程噪声的方差表示状态变量的可信度的度量。小的值对应于可能正确的值。因此，必须找到模型参数δ和κ的方差值，这会导致缓慢变化但不恒定的参数。在递归期间更新状态估计和估计误差的协方差。但是，首先必须指定状态的初始化值和不确定性。状态变量的值直接从导航设备的信号导出。模型参数δ的初始化值设置为零，其他模型参数κ设置为额定车轮直径除以齿轮比。方差的相应初始化值定义了矩阵P0的对角线，其他非消失条目描述初始交叉相关，其允许模型参数δ和κ分别对相关状态θ或v的影响：

如上所述，地图由有向图表示。生成地图的基础信息是在基于时间的基础上生成的，因此最初可作为时间的函数来获得。然而，基于时间的数据不太适合于合并来自以不同驾驶模式多次通过相同路线的数据。因此，由卡尔曼滤波器生成的与时间相关的位置估计在转换处理(重采样)中被转换为(空间)等距数据。沿着路线的每个通行的轨迹以规则的间隔生成数据点。这导致高灵活性和一致的分辨率。避免在缓慢行驶的区段中或当车辆静止时产生不必要的许多节点。

从新的空地图开始，第一个位置估计作为第一个节点添加到地图。随后，产生图3中所示的序列。该图是从新位置估计101开始的重采样方法的流程图。首先，确定到最后访问节点的距离(步骤102)。如果该距离小于采样距离(判定103)，则将位置估计101添加到缓冲区(步骤104)。当车辆静止时，该缓冲区填充有与各个传感器信号相关的新的位置估计，例如，与车辆重量或附加系统的所需功率有关。

如果距离大于采样距离，则检查缓冲区(Puffer)是否为空(判定105)。如果是这种情况(例如，在高速下)，则插入长距离(步骤106)，从而产生位置估计107的序列，例如，沿着访问的最后一个节点和位置估计之间的直线的长距离。作为相邻节点的距离，例如，给出1m的值。然后将序列的这些位置估计107插入到地图中(步骤108)。如果数据已经包含在缓冲区中，则对其进行平均以减小统计误差(步骤109)，以便获得平均位置估计110，并且清空缓冲区(步骤111)。最后，将平均位置估计110集成到所访问的最后一个节点中(步骤112)。因此，当先前停止的车辆启动时，在达到采样距离之后，对缓冲区中的数据进行平均并且存储在最后访问的节点中。

数据的整合不仅包括应用特定参数的调整，还包括节点的位置、当然还包括检测到的行程运动的数量。

在将新的位置估计值纳入地图时，基本上区分为两种情况：

a)位置估计属于之前已经行驶过并在地图中标出的路段；

b)位置估计属于第一次行驶的、尚未标出的路段。

在第二种情况下，新的位置估计作为节点插入并链接到最后访问的节点。在第一种情况下，新数据必须与现有节点的数据适当地组合。这需要识别正确的现有节点。下面将描述该识别过程。识别过程基于全球位置和车辆的取向。确定那些接近当前位置估计并且向其分配类似车辆取向的节点。考虑到传统导航设备的精度，同一路线上的多个系列测量可以提供相距达10米的轨迹。由于采样距离通常需要选择得较小，因此将新位置估计与距离小于10米的所有节点相链接是没有意义的，因为这会减少节点数量，从而导致数据丢失。为了获得地图数据的分辨率，必须选择要将信息链接到其的候选者。从围绕给定位置估计的一组节点开始，过程如下：

1.周围节点的识别：可以使用上述网格索引容易地识别周围节点，例如在给定位置估计周围的50m×50m的区域中的所有节点。

2.车道距离：如果行驶了新的路段，则最后访问的(预先存在的)节点将被排除在进一步处理之外。这可以防止属于新路段的数据与最后访问的节点组合。如果车辆在已经标出的路段上，则跳过该步骤。

3.取向滤波器：新位置估计应仅链接到分配了类似取向的节点。因此，特别地，可以区分两个行进方向。此外，交叉点或分支的分辨率也有所提高。例如，忽略其取向偏离位置估计的取向超过20°的所有节点。

4.最近节点的识别：从剩余节点中选择最接近新位置估计的节点。如果相应距离小于10m，则保存对该节点的参考。无论如何，该节点周围的剩余节点组减少并且在通向该节点或来自该节点的整个节点链周围扩展。这确保了仅将每个独立轨迹的单个节点与新位置估计组合。如果在此过程之后仍留有任何节点，则重复存储最近节点的参考和移除轨迹的步骤，直到没有剩余节点。

5.添加或组合节点：如果上一步产生一个或多个参考，则将它们与当前位置估计组合成一个节点。如果不是，则使用位置估计生成新节点并将其添加到地图中。此节点现在是进一步处理的最后一个访问节点。

如果新位置估计导致与现有节点序列的距离大约等于与现有节点联合的阈值的轨迹，则可能出现不代表实际情况的旁路。对于这些情况，所形成的地图将按照下述步骤顺序进行清理：

6.去除短旁路：短旁路是指两个彼此距离小于可预定的最大距离的分支实现两个节点序列的并行路线，其中相应的路段符合一定的最大距离。首先，区分路线的主分支和辅分支，主分支是对应于最短路线的节点序列。随后，将其他序列的节点与主分支的节点组合，其中在每种情况下，与空间上最接近的节点进行关联。通常，所有采集的数据都与主分支的节点的数据相组合。

7.清理错误的连接：分配给各个节点的行进方向基本上是相互独立的。但是，如果这些方向相互偏差超过90°，则表示节点之间的连接不正确。清除相应的节点和连接。

8.组合周围节点：如果相关联的行进方向基本上重合(例如，彼此偏离不超过20°)，则将紧密相邻的节点彼此合并在一起。

9.平滑轨迹：测量中的不准确产生显然不代表真实路线且例如具有锯齿状的节点序列。这可以通过平滑轨迹来解决。为此，考虑具有给定长度的一系列节点。确定该序列中的平均曲率，并校正序列中节点的位置以给出基本上平滑的走向。

10.长边分割：两个相邻节点之间的超过一定最大长度的边被分成多个边，即，在相邻节点之间插入并且添加附加节点。

对于在没有卫星导航数据可用的隧道中的部分，将进行额外的修正。这将结合图4A、4B进行解释。仅基于车辆传感器的位置确定将随着路线的进展而偏离真实路线，这通常导致显著偏离由卫星导航确定的位置的隧道的出口。因此这导致在生成的地图中在隧道出口处出现跳跃。这更正如下：

仅基于来自车辆传感器的信号在隧道中生成的位置估计不被添加到现有节点，而是最初被视为新路线。当再次接收卫星导航信号时，校正这些新节点。随后，节点尽可能地与现有节点组合，类似于上述方法步骤。

为了校正新节点，这些新节点和用于连接的边被当作质量弹簧系统，其中节点代表质量点。每个质量通过铰接连接在其上的刚性连杆(类似于双摆)连接到相邻的质量。另外，对于每个质量，扭转弹簧设置在连杆的端部。当节点处于未校正位置时，弹簧不张紧(spannungsfrei)。在质量弹簧链的末端，生成了一个虚拟的附加节点。此附加节点现在运动到后续节点的位置，这也是尤其通过卫星导航确定的。然后，质量弹簧链的所得到的平衡状态对应于轨迹的校正过程。如果路段已由早期经过路段中的节点表示，则现在可以将经校正的节点与现有节点组合。

当将来自路线的多次通过的位置数据进行组合时，不仅必须组合位置本身，这例如通过确定平均值进行，可选地还通过加权平均值进行。由于状态观察者为每个状态变量提供不确定性的度量，因此该信息也应包括在地图中。这不仅适用于地理数据，也适用于地图中包含的其他应用特定数据。关于标准偏差的信息提供了多次通过该路线时预期类似条件的可能性的指示，例如是否一个路段可能总是大致以相同的速度被经过，或者这是否每次行驶时变化很大。该信息对预测有很大帮助。

要组合的数据被描述为正态分布的信号，从而可以基于存储在地图中的数据简单地进行预测，而不需要做出决策。可按如下所述组合两个这样的信号。

具有均值μ和方差σ²的变量X的正态分布是具有以下概率密度函数的静态分布：

从连续随机变量X的概率密度函数f(x)开始，期望值和方差结果如下：

对于离散随机变量，期望值只是各个样本的平均值：

如果添加了其他样本，则产生新的预期值：

这同样适用于对离散随机变量按如下定义的方差：

对于其他样本，方差为：

其中可以使用上面定义的期望值和方差来最终获得以下内容：

因此，只需要三个变量，μ_Y、σ_Y和n来更新存在新样本时的预期值和方差。

地图的一个特征是在考虑多次通过相同路线时数据减少的可能性。当组合描述相同路线的两个已经平均的路径时，假定以下正态分布：

组合的分布、即概率密度的总和通常不是正态分布的。然而，由于上述原因，有利的是通过正态分布再次接近该组合。借助上述预期值和方差的定义得到：

推广到用权重n_i加权的N个正态分布的组合得到：

由此表征组合的正态分布。

为了能够基于地图预测未来驾驶条件，假设当前位置估计。这作为估计的起点，但是(随后)也包括在地图中以便更新该估计。通过与未来能量需求直接相关的数据的输出、即高度轮廓h来描述预测。但是，该方法很容易转用到其他参数变化的预测。

该示例在图5中以曲线图的方式示出，需要注意的是该算法基于驶过的路线，这与图5中的图示不完全一致。尽管横坐标用行驶路线s表示，但是实际上其只是节点的北坐标。进一步假设所示的地图部分是静态的。这不适用于实际情况，因为在再次通过时地图会动态变化。

图5的第一图示a)示出其中利用北坐标n和东坐标e表示的节点的全球位置的地图部段。现在考虑沿下部支路的一系列节点，其中，从最左边的节点开始预测未来高度轮廓。图5的第二图示b)分别针对地图部段的三个支路示出存储在地图中的高度轮廓，为了简化，从顶部至底部的曲线的顺序对应于图示a)中的支路顺序。因为具有两个分支以及三个支路(Verzweigungen)，首先必须进行平均以能够对未来走向进行预测。在预测范围高达d_pred,max的最大间隔中高度轮廓的该平均的结果以图5的示意图c)确定。然后，该一次性计算的预测在继续通过路线(示意图d)时被使用，直到达到最小预测距离d_pred,min。在图5的示意图e)中是这种情况。现在需要一个新的预测，该新的预测继而覆盖d_pred,max的路段。要从其计算该预测的节点位于紧接在第一分支之后在支路的开始处。在这样的情况下，支路的不对准不是不可能的，事实上，在示出的示例中，将得出的位置分配给北支路(在示意图a)中的上支路)而不是分配给南支路(在示意图a)中的中间支路或下支路)。

如果基于当前节点构建预测，那么它将错误地反映未来行驶条件，最终正确的支路将不会被考虑在内。由于这个原因，当基于分支之后的预定距离内的位置开始进行预测时(图5中明亮标记的节点)，从位于其前面的分支前面的节点开始(例如，从该路径中分支出的节点开始)。该预测在图5的示意图f)中示出。该示意图仍包括所有三个支路，因此也包括正确的最南的分支。再次获得相同的过程。一旦到达距离先前分支足够远的节点，即使尚未达到最小的预测距离d_pred,min，也生成新的预测。在示意图h)中所示的示例中就是这种情况。

原则上，可以将地图算法与车辆的导航辅助系统连接。例如，如果驾驶员输入其目的地并且导航辅助系统计算路线，则地图算法可以使用那些路线点来改进预测。如果地图包含许多交叉点和分支(Abzweigungen)，则这将特别有用，可以省略对几个可能支路进行平均，在每种情况下都考虑以高概率驶过的支路。除了改进的预测之外，由于节点序列是预先已知的，因此仅需要以更小频率更新预测。自学习地图决不会被替换，因为导航辅助系统无法提供相同的驾驶员和车辆特定的数据记录。

当用于公共交通时，自学习地图与驾驶员辅助系统的组合更加容易。如果驾驶员指示当前的公交车路线，则该信息可以固有地构建在地图中，以便在预测未来驾驶条件时，地图参数已经清楚地分配给线路，并且因此可以明确地查询。

生成的地图和用于进行预测的方法尤其可以在道路公共交通工具的范围中使用，例如在电动公交车或混合动力公交车中使用。例如，它们可以在能量管理的背景下使用，如P.Elbert的论文所述，“Noncausal and Causal Optimization Strategies for HybridElectric Vehicles(混合动力汽车的非因果和因果优化策略)”，Diss.ETH No.21522，瑞士联邦理工学院，苏黎世，2013年5月。其中，驾驶行为的随机展示用于实现混合动力公交车的最节能控制。常见的充电控制不可预测未来的能量消耗，例如，由于地形而不能预测，因此必须保持相对较高的充电状态，以应对可能的斜坡。这可能导致在随后的下坡中不能恢复实际可用的能量。如果现在可以预测，则可以控制充电状态，以便可以缓存(zwischengespeichert)最大回收能量。根据本发明的地图可以形成这种预测的基础。例如，基于地图，可以预测驱动功率和车速。在这些数值的基础上，可以进行充电控制。

本发明不限于所示实施例。例如，如果不仅在评估中包括上述GPS数据，而且还有关于GPS数据的准确度的GPS接收器的评估，则可能是有利的。这些值(所谓的“精度衰减因子”值(DOP值))可用于改善位置估计。

除了GPS接收器和上述传感器之外，还可以使用传感器来更精确地确定高度，因为GPS接收器通常提供与该参数相关的不准确结果。准确的高度知识有助于在几条路线在不同高度交叉的地点构建地图。

在上述方法中，将地图参数建模为正态分布参量是最大程度的简化。这意味着例如不特定地记录行驶通过路段的不同类型(例如，在高峰时间与少量交通的边际时间相比)，仅知道各个变量的平均值和相应的标准偏差。通过正态分布的逼近使得要处理的数据显著减少以及简化了处理并进行了预测。但是，可以想到所收集的数据将以不同的方式表示。例如，代替每个信号的单个正态分布，可以检测到多个正态分布，其表示一周中不同日期、一天的不同时间和/或不同季节的大小。此外，地图算法会自动遗忘已经过去且不再相关的旧事件。这使地图保持动态，并且从而反映当前的现实。从技术角度来看，这意味着每个地图参数存储一定数量的数据点，并且最旧的数据被新数据替换。为了同时更强地加权新数据，可以使用所谓的遗忘因子。因此，例如，可以计算正态分布的加权和、加权平均或加权标准偏差。然而，在本发明的上下文中，地图参数的完全不同的表示是可能的。

所描述的方法基本上能够将来自不同车辆的信息同时且实时地集成到同一地图中。这允许更快的地图构建和更及时的更新，并且因此基于路线网络中的当前条件进行预测。当数据涉及在空间上相互间隔的车辆时，这很有效。当彼此靠近的车辆数据需要集合时，必须采取已知的用于保护存储器的措施，以便不产生冲突。

总之，应该注意的是，本发明提供了一种能够可靠地预测车辆的未来驾驶条件的方法。

Claims (14)

1.一种预测车辆的未来驾驶条件的方法，包括以下步骤：

a)在车辆驶过一路线期间通过车载传感器收集传感器数据；

b)确定车辆的位置；

c)将收集的数据分配给所确定的车辆位置；

d)根据相关联的数据创建地图；

e)重新驶过所述路线，其中根据来自重新驶过的相关联的数据实时地更新所述地图；

f)当重新驶过所述路线时基于所确定的车辆位置和所述地图获得对未来驾驶条件的预测；

其特征在于，

所述地图由有向图表示，其中为所述有向图的每个节点分配相关联的数据；

并且根据所述车辆与所述有向图的最后访问的节点的距离和数据缓冲区的内容，对于每个新的相关联的数据组：

-如果距离低于预定值，将相关联的数据组作为条目添加到数据缓冲区；

-如果距离高于预定值并且数据缓冲区具有至少一个条目，将相关联的数据组添加到最后访问的节点，其中在所述数据缓冲区中的一个或多个条目通过合适的平均被添加到所述最后访问的节点；或者

-如果距离高于预定值并且数据缓冲区是空的，创建新节点。

2.根据权利要求1所述的方法，其特征在于，所述地图包括与位置相关的性能数据。

3.根据权利要求1或2所述的方法，其特征在于，更新所述地图包括将来自所述路线上的各个行程的数据合并。

4.根据权利要求1或2所述的方法，其特征在于，所收集的传感器数据包括与位置相关的信息，并且将所收集的数据和来自全球定位系统的数据进行组合、借助卡尔曼滤波器进行处理，以确定车辆位置。

5.根据权利要求1或2所述的方法，其特征在于，相关联的数据包括车辆取向和车辆速度。

6.根据权利要求1或2所述的方法，其特征在于，所述传感器数据包括右轮和左轮的速度，并且基于所述速度计算车辆取向的变化率。

7.根据权利要求1或2所述的方法，其特征在于，在超过与最后访问的节点的预定最大距离时产生至少两个新节点，其中为所述至少两个新节点中的第一个节点分配一组内插数据。

8.根据权利要求1或2所述的方法，其特征在于，根据所确定的车辆位置和所述地图，来预测驶过路线上的未来的位置相关参数，其中所述预测是根据与所确定的车辆位置对应的所述有向图的节点进行的。

9.根据权利要求8所述的方法，其特征在于，所述预测在覆盖所述有向图的多个节点的预测区域上进行，其中，在所述预测区域延伸超过所述有向图的一个分支的情况下，与所述分支连接的多个支路的节点被考虑用于进行预测。

10.根据权利要求9所述的方法，其特征在于，只有当已经进行预测的预测区域未覆盖从所确定的车辆位置起的至少一个最小路段时，才进行新的预测，否则将继续使用已经采取的预测。

11.根据权利要求9所述的方法，其特征在于，当对应于所确定的车辆位置的节点位于所述有向图的一个分支之后的预定距离范围内时，从位于所述分支之前的所述节点进行新的预测。

12.一种用于控制车辆的方法，包括以下步骤：

a)通过执行根据权利要求1至11中任一项所述的方法在车辆沿路线行驶时获得对未来驾驶条件的预测；

b)当重新驶过所述路线时基于所确定的车辆位置根据预测控制车辆。

13.根据权利要求12所述的方法，其特征在于，所述车辆是无轨电车，其具有用于中间存储电能的蓄电池。

14.根据权利要求12或13所述的方法，其特征在于，所述车辆的所述控制包括变速箱的自动切换和/或驾驶员辅助信息的输出。