CN111527382A

CN111527382A - 用于控制车辆的系统及方法

Info

Publication number: CN111527382A
Application number: CN201880084237.9A
Authority: CN
Inventors: K·贝恩拓普; S·迪卡拉诺
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2018-01-04
Filing date: 2018-07-05
Publication date: 2020-08-11
Anticipated expiration: 2038-07-05
Also published as: US10408638B2; US20190204114A1; JP6884276B2; DE112018006161T5; DE112018006161B4; CN111527382B; JP2020536014A; WO2019135296A1

Abstract

一种用于控制车辆的系统，传感器感测指示车辆状态的测量值并且存储器存储车辆的运动模型、车辆的测量模型以及传感器的校准状态的概率分布的均值和方差。车辆的运动模型定义了从先前状态到经受了由传感器的校准状态在车辆运动中的不确定性引起的干扰的当前状态的车辆的运动。测量模型使用传感器的校准状态将传感器的测量值与车辆状态相关联。系统包括处理器，该处理器基于用权重加权的采样的校准状态的函数对校准状态的概率分布进行更新，所述权重是基于在由概率分布定义的可行空间上采样的校准状态与使用运动模型和测量模型基于测量值估计的相应校准状态之间的差而确定的。系统包括控制器，该控制器使用利用传感器的校准状态的更新的概率分布适配的传感器的测量值来控制车辆。

Description

用于控制车辆的系统及方法

技术领域

本发明涉及车辆的控制，并且更具体地，涉及校准车辆的传感器和/或使用经校准的传感器的测量值来控制车辆的移动。

背景技术

传感器校准是高级驾驶员辅助系统的关键要素。在当代生产的车辆中发现的许多传感器通常价格低廉，因此易于产生时变偏移和定标误差，并且经受大噪声。例如，在传感器测量值中，横向加速度和方位(偏航)角速度测量值可能具有漂移和大的噪声，从而迫使这些测量值对于在非常有限的时间间隔内进行预测是可靠的。类似地，测量方向盘角度的传感器具有偏移误差，当该偏移误差用于车辆模型中的航位推算时，会导致随时间累积的预测误差。更进一步使事情复杂化的是，车轮速度传感器由于轮胎半径估计中的定标误差而导致车辆速度估计中的误差。

最近启用新的高级驾驶员辅助系统(ADAS)和自主能力的浪潮暗示了对可以在更长的时间间隔内被使用以可靠地预测车辆运动的传感器信息的需求。如何实现更可靠的传感器信息的潜在主题是：活用传感器融合，尽可能有效地利用现有的低成本传感器，实现尽可能多的目的和驾驶员辅助功能。

为此，需要确定车辆传感器的偏移和噪声。另外，尽管可以提前执行一些传感器校准，但是当被安装在车辆中时，诸如加速度计之类的一些传感器可能具有与先验确定的噪声水平不同的有效噪声水平。原因在于传感器噪声取决于许多因素，诸如温度、年限以及传感器在车辆中的放置位置。例如，传感器放置得越高，来自悬架系统的干扰就会越多地影响传感器中的视在噪声。

因此，需要一种用于实时校准车辆传感器中的偏移和噪声的方法及系统。不幸地是，已知的解决方案是基于补偿偏航角速度和方向盘偏置的简单的平均化技术。然而，平均化方法是基于诸如直行驾驶之类的关于车辆行为的简单假设的，并且不能估计一般驾驶期间的偏移。参见例如美国专利US 8731769中描述的方法。

发明内容

一些实施方式的目的是提供一种用于确定车辆传感器(诸如惯性传感器和方向盘传感器)的传感器偏移以及车轮的轮胎半径的系统和方法。一些实施方式的另一目的是在车辆实时操作期间确定传感器偏移。如本文所使用的，传感器可以是提供指示车辆运动的信息的任何类型的物体。

各种实施方式的另一目的是确定诸如传感器测量值的方差之类的车辆传感器的统计属性。尽管通常先验地确定了诸如方差之类的统计属性，但是传感器的方差随时间和温度而变化，并且取决于传感器的放置位置。因此，数个实施方式集中于确定车辆的实时操作中的统计属性。

一些实施方式基于以下认识：车辆的运动取决于传感器的测量值的精度。为此，试图通过同时且迭代地估计车辆状态和传感器的校准状态来校准传感器。然而，为了在连续的时刻上迭代地估计车辆状态和传感器的校准状态，需要两个运动模型，一个是车辆状态的运动，并且一个是传感器的校准状态的运动。车辆状态的运动由车辆的运动模型确定。然而，传感器的校准状态的时间演变是未知的，因此传感器的校准状态的运动的任何模型是未知的并且不能被验证。

一些实施方式基于另一种认识：传感器的未知的校准状态可以被认为是作用于车辆运动的其它确定性模型的随机干扰。随机干扰的性质使车辆具有不同的可能运动，因此具有不同的可能状态。为此，一些实施方式基于以下认识：车辆的运动模型包括运动的确定性分量和运动的概率性分量的组合。运动的确定性分量独立于传感器的校准状态并且将车辆的运动定义为时间的函数。另一方面，运动的概率分量包括具有不确定性的传感器的校准状态，该不确定性用作对车辆运动的干扰。以这种方式，车辆的运动可以建模为包括传感器的校准，而无需知道传感器的校准状态的运动(时间演变)的模型。

另外，一些实施方式基于以下认识：通过使用非统计优化方法找到偏移和统计属性，去除与传感器的概率性质的连接。因此，使成本函数最小化以从真实测量值确定传感器的统计特性和偏移的优化方法不考虑提供关于车辆运动的信息的传感器测量值在本质上是概率性的。因此，为了有效地估计传感器的偏移和统计属性，概率性的、因此是统计性的方法是有利的，这是因为传感器测量值的统计性质然后被捕获到该方法中。

为此，一些实施方式基于以下认识：可以包括传感器中的偏移作为随机分布的统计均值，并且可以包括传感器噪声作为传感器测量值在随机分布的均值附近的变化。又一实施方式基于以下认识：将传感器建模为随机分布可以用在车辆的运动模型和车辆状态的测量模型中。如本文所使用的，车辆的状态可以包括纵向速度、横向速度、车辆绕道路垂直轴的旋转速率、车辆绕道路纵向轴的旋转速率、以及车辆的位置向量中的一个或组合。

例如，使车辆的方向盘转向致使启动车辆的转向。因此，车辆的方向盘角度影响车辆的运动，因此可以建模为车辆运动模型的输入。作为另一示例，关于车辆横向速度的信息可以从可测量的车辆的横向加速度隐式地推断出来。因此，车辆的横向加速度是指示性的，并且可以是车辆的测量模型的一部分。传感器偏移的一种解释是，它充当了测量值的恒定的或缓慢时变的干扰。

一个实施方式将运动模型表示为由随机干扰驱动的模型，其中干扰代表车辆的输入。例如，在一个实施方式中，转向角被表示为确定性部分和随机性部分的混合分量，其中随机性部分由均值、转向传感器的偏移、以及方差、转向传感器的噪声来表示。

在一些实施方式中，传感器的偏移和方差是用车辆状态递归估计的，其中运动模型的车辆状态给出了关于传感器特性的信息，并且其中传感器特性包括关于所述车辆状态的信息。

另选的实施方式用质点的集合表示车辆的车辆状态，其中每个质点可以是测量的状态或在递归估计的先前迭代期间确定的状态。一些实施方式通过从对车辆的运动模型的输入建模的分布生成样本来确定质点，并且将所述采样的输入通过车辆的车辆模型传播。

一些实施方式基于以下认识：在均值和方差未知时的有效概率分布不同于在均值和方差已知时的同一概率分布。

因此，在一些实施方式中，样本是从有效概率分布生成的，这考虑了均值和方差的不确定性在概率分布中引起附加的不确定性。以这种方式确保了由于所述统计知识的不确定性导致的均值和方差的变化通过有效的概率分布来包含。

在候选实施方式中，通过考虑来自先前迭代的测量值来生成运动模型的输入的样本，以考虑先前迭代遗漏的任何信息。这样的生成允许重用在先前迭代期间生成的更多质点。

又一实施方式将传感器特性的一些部分建模为运动模型的输入的一部分。以这种方式确保了充当运动模型中的测量值和/或车辆模型的输入的传感器的传感器校准。

一些实施方式存储在先前的车辆驾驶期间获得的估计的偏移和方差。在这些实施方式中，当例如重新启动车辆时，所存储的估计的方差的偏移可以被重新用作方法的初始化。这样的过程允许使用更少的质点，因此减少了处理器负荷。

因此，一个实施方式公开了一种用于控制车辆的系统。该系统包括：至少一个传感器，所述至少一个传感器感测指示车辆的状态的测量值；存储器，该存储器存储车辆的运动模型、车辆的测量模型以及所述传感器的校准状态的概率分布的均值和方差，其中，所述车辆的运动模型定义了从所述车辆的先前状态到经受了由所述传感器的校准状态在车辆运动中的不确定性引起的干扰的所述车辆的当前状态的车辆的运动，使得所述运动模型包括在所述传感器的校准状态的所述概率分布上采样的校准状态，其中，所述测量模型使用所述传感器的所述校准状态来将所述传感器的所述测量值与所述车辆的所述状态相关联；处理器，所述处理器被配置为：对所述传感器的所述校准状态的由所述概率分布定义的可行空间进行采样，以生成所述传感器的采样的校准状态的集合；对于每个采样的校准状态，使用所述运动模型来估计所述车辆的当前状态的估计值，以生成所述车辆的估计状态的集合；对于所述车辆的每个估计状态，通过将所述测量值和所述车辆的所述估计状态插入所述测量模型中，来估计所述传感器的估计的校准状态；以及基于用权重加权的所述采样的校准状态的函数，来更新所述存储器中存储的所述传感器的所述校准状态的所述概率分布的所述均值和所述方差，所述权重是基于所述采样的校准状态与相应估计的校准状态之间的差而确定的；以及控制器，所述控制器使用利用所述传感器的校准状态的更新的概率分布所适配的所述传感器的测量值来控制所述车辆。

另一实施方式公开了一种用于控制车辆的方法，其中，该方法使用与存储的实现该方法的指令联接的处理器，其中，所述指令在被所述处理器执行时实施所述方法的至少一些步骤。该方法包括以下步骤：使用至少一个传感器感测指示车辆的状态的测量值；从能操作地连接到所述处理器的存储器中，检索所述车辆的运动模型、所述车辆的测量模型以及所述传感器的校准状态的概率分布的均值和方差，其中，所述车辆的运动模型定义了从所述车辆的先前状态到经受了由所述传感器的校准状态在车辆运动中的不确定性引起的干扰的所述车辆的当前状态的车辆的运动，使得所述运动模型包括在所述传感器的校准状态的所述概率分布上采样的校准状态，其中，所述测量模型使用所述传感器的所述校准状态来将所述传感器的所述测量值与所述车辆的所述状态相关联；对所述传感器的所述校准状态的由所述概率分布定义的可行空间进行采样，以生成所述传感器的采样的校准状态的集合；对于每个采样的校准状态，使用所述运动模型来估计所述车辆的当前状态的估计值，以生成所述车辆的估计状态的集合；对于所述车辆的每个估计状态，通过将所述测量值和所述车辆的所述估计状态插入所述测量模型中，来估计所述传感器的估计的校准状态；以及基于用权重加权的所述采样的校准状态的函数，来更新所述存储器中存储的所述传感器的所述校准状态的所述概率分布的所述均值和所述方差，所述权重是基于所述采样的校准状态与相应估计的校准状态之间的差而确定的；以及使用利用所述传感器的校准状态的更新的概率分布适配的所述传感器的测量值来控制所述车辆。

又一实施方式公开了一种非暂时性计算机可读存储器，该非暂时性计算可读存储器上实现有程序，该程序能够由处理器执行以用于执行控制车辆的方法，该方法包括以下步骤：从至少一个传感器接收指示车辆的状态的测量值；从能操作地连接到所述处理器的存储器中，检索所述车辆的运动模型、所述车辆的测量模型以及所述传感器的校准状态的概率分布的均值和方差，其中，所述车辆的运动模型定义了从所述车辆的先前状态到经受了由所述传感器的校准状态在车辆运动中的不确定性引起的干扰的所述车辆的当前状态的车辆的运动，使得所述运动模型包括在所述传感器的校准状态的所述概率分布上采样的校准状态，其中，所述测量模型使用所述传感器的所述校准状态来将所述传感器的所述测量值与所述车辆的所述状态相关联；对所述传感器的所述校准状态的由所述概率分布定义的可行空间进行采样，以生成所述传感器的采样的校准状态的集合；对于每个采样的校准状态，使用所述运动模型来估计所述车辆的当前状态的估计值，以生成所述车辆的估计状态的集合；对于所述车辆的每个估计状态，通过将所述测量值和所述车辆的所述估计状态插入所述测量模型中，来估计所述传感器的估计的校准状态；以及基于用权重加权的所述采样的校准状态的函数，来更新所述存储器中存储的所述传感器的所述校准状态的所述概率分布的所述均值和所述方差，所述权重是基于所述采样的校准状态与相应估计的校准状态之间的差而确定的；以及使用利用所述传感器的校准状态的更新的概率分布适配的所述传感器的测量值来控制所述车辆。

附图说明

[图1A]

图1A是在按照一些实施方式控制的车辆中车辆传感器的测量值随时间如何变化的例示图。

[图1B]

图1B是在按照一些实施方式控制的车辆中传感器的偏移随传感器放置位置如何变化的例示图。

[图1C]

图1C是在按照一些实施方式控制的车辆中传感器的方差随传感器的放置位置如何变化的例示图。

[图1D]

图1D是根据一些实施方式的用于控制车辆的方法的框图。

[图1E]

图1E是根据一些实施方式的用于更新传感器的校准状态的概率分布的均值和方差的方法的框图。

[图1F]

图1F是例示了根据一些实施方式的定义了用于对质点进行采样的校准状态的可行空间的概率分布函数的图。

[图1G]

图1G是根据本发明的一个实施方式的用于通过联合估计车辆的状态和车辆传感器的校准状态来控制车辆的方法的流程图。

[图1H]

图1H是根据一个实施方式的用于更新质点150g的方法的一次迭代的框图。

[图2A]

图2A是用于控制车辆的通用控制系统的示意图。

[图2B]

图2B是根据本发明的一个实施方式的系统的总体结构的图。

[图3]

图3是根据本发明的一些实施方式的实时校准估计器的示意图。

[图4A]

图4A是由一些实施方式使用的简化车辆模型的示意图。

[图4B]

图4B是由一些实施方式使用的全阶车辆模型的示意图。

[图5A]

图5A是根据一些实施方式的为质点分配概率的例示图。

[图5B]

图5B是根据一些实施方式的为质点分配概率的例示图。

[图5C]

图5C是根据一些实施方式采用的一些原理而确定的不同运动的示意图。

[图5D]

图5D是根据一些实施方式采用的一些原理而确定的不同运动和关联概率分布的示意图。

[图6A]

图6A是例示了一些实施方式所使用的采样参数的概率的选择的曲线图。

[图6B]

图6B是例示了一些实施方式所使用的采样参数的概率的选择的曲线图。

[图7A]

图7A是根据本发明的一些实施方式的用于估计校准状态和车辆状态以及用于控制车辆的方法的一次迭代的流程图。

[图7B]

图7B是根据一个实施方式的确定图7A的方法中的传感器状态的集合的示例性实现的流程图。

[图7C]

图7C是根据一个实施方式的确定图7A的方法中的校准的每个采样状态的概率的示例性实现的流程图。

[图7D]

图7D是根据一个实施方式的图7A的方法的一些步骤的三次迭代结果的简化示意图。

[图7E]

图7E是根据一些实施方式采用的原理确定状态的概率和相应轮胎参数以及相应聚合体的示意图。

[图8]

图8是根据一些实施方式的校准器和车辆控制器之间的交互的示意图。

具体实施方式

图1A示出了车辆传感器的测量值110通常依据传感器的校准状态随时间如何变化的例示图。如本文所使用的，传感器的校准状态包括指示车辆运动的传感器读数的至少一个参数。传感器的校准状态的参数示例包括校准误差、偏移、温度依存性、白噪声强度、随机游走偏差、定标误差、增益误差和方差中的一个或组合。传感器的校准状态的时间变化模型通常是未知的，并且取决于内在因素和外在因素二者，并且定义传感器的校准状态的各种参数可以相互依存。

例如，测量车辆转速的陀螺仪传感器的传感器校准状态取决于诸如环境温度、传感器组件本身的温度、传感器与车辆的对准、定标误差或传感器电路中的周期性行为之类的许多因素。如本文所使用的，车辆可以是诸如乘用车、公共汽车或漫游车之类的任何类型的轮式车辆。如本文所使用的，传感器可以是测量与车辆运动有关的实体的任何类型的感测装置。例如，传感器可以是加速度计、陀螺仪、全球定位系统接收器、测量车轮角度的传感器或车轮编码器。通常，传感器读数110包括恒定部分120、缓慢时变部分140和相对于车辆运动而变化的部分130。

图1B示出了车辆传感器的传感器偏移通常随着传感器放置位置如何变化的示例图。图1B示出了方向盘110b和车轮130b之间的相互作用的构造的示意图。转向柱装备有电动转向系统120b，以帮助驾驶员操纵方向盘。而且，转向柱上有测量车轮角度的传感器。依据传感器是放置在方向盘附近111b还是车轮附近121b，从而直接测量车轮角度，将获得不同的偏移，这是因为方向盘110b和车轮130b之间的机械结构是动态依存的，并且涉及传动箱和其它机械部件。

传感器测量值的方差也随时间变化，并且在很大程度上还取决于传感器在车辆中的位置。图1C示出了车辆传感器的传感器方差通常随着传感器的放置位置如何变化的例示图。例如，加速度计110c相对于车辆的质量中心120c放置地越高，使加速度计也感测由于诸如路面130c的不平坦或车辆中悬架系统140c之类的外部因素而引起的变化。这使得传感器具有不同于固有传感器变化的有效方差，该方差在不加以考虑时会产生估计误差。

传感器的校准状态的时间演变是未知的，因此传感器的校准状态的任何运动模型是未知的，无法进行验证。

为此，一个实施方式认识到，由于传感器的校准状态的运动的时间演变是未知的，但是未知的部分通常是缓慢时变的，因此，代替地，传感器的校准状态应被处理为作用在运动模型和/或测量模型上的随机干扰。也就是说，代替显式地确定传感器的校准状态，而是确定传感器的校准状态的分布，从而避免了对传感器的校准状态的运动模型的需求。

本发明的一个实施方式认识到，尽管确定传感器的校准状态是复杂的并且取决于难以建模的影响，但是传感器的行为可以总结为表示传感器的偏移和传感器的方差的参数。例如，回到图1A，恒定部分110和缓慢时变部分140可以被认为是传感器的偏移，而部分130取决于车辆的运动，附加的干扰来自于传感器的传感器噪声。

传感器偏移的知识在例如电子稳定性控制的车辆控制中很有用，其中在车辆控制中使用横向加速度、方位角速度和车轮的转向角来控制车辆。在没有偏移知识的情况下，感测这些量，车辆的控制器将基于错误的车辆模型来确定到车辆的控制输入。

传感器测量值的方差的知识在车辆控制中也是有用的。例如，方差可以用于确定对传感器读数的信任程度，并与传感器测量值的变化幅度相关联地来调整控制输入。

为此，一些实现基于以下认识：传感器中的偏移可以作为随机分布的统计均值而被包括，其中，随机分布定义了描述校准状态的随机干扰，并且传感器噪声可以作为传感器测量值在随机分布的均值附近的变化而被包括。其它实施方式基于以下认识：将传感器建模为随机分布可以用在车辆的运动模型和车辆状态的测量模型中。如本文所使用的，车辆状态可以包括纵向速度、横向速度、车辆围绕道路垂直轴的旋转速度、车辆围绕道路纵轴的旋转速度、以及车辆的位置向量中的一个或组合。

重复地，一些实施方式基于以下理解：校准状态的运动的时间演变是未知的，但是未知部分通常是缓慢时变的，因此，校准状态可以作为作用在运动模型和/或测量模型上的随机干扰来处理。也就是说，代替显式地确定传感器的校准状态，传感器的校准状态的分布可以被包括在运动和测量模型中，从而避免了对校准状态的运动模型本身的需求。

校准状态很复杂并且取决于难以建模的影响。但是，可以使用传感器的偏移和传感器的方差来总结传感器的行为。偏移和方差可以被视为是传感器的校准状态的概率分布的均值和方差。因此，通过更新概率分布，可以确定偏移和方差。

为此，一些实施方式用采样的校准状态的集合对校准状态的可行空间进行采样，并且使用采样的校准状态与利用运动模型和测量模型估计的估计校准状态之间的差来迭代地更新校准状态的概率分布的均值和方差。

图1D示出了根据一些实施方式的用于控制车辆的方法的框图。该方法使用可操作地连接至存储器和感测指示车辆状态的测量值的至少一个传感器的处理器，该存储器存储车辆的运动模型、车辆的测量模型以及传感器的校准状态的概率分布的均值和方差。车辆的运动模型定义了从车辆的先前状态到经受了由传感器的校准状态在车辆运动中的不确定性引起的干扰的车辆的当前状态的车辆的运动，使得运动模型包括在传感器校准状态的概率分布上采样的校准状态。测量模型使用传感器的校准状态将传感器的测量值与车辆状态相关联。

处理器与所存储的实现该方法的指令联接，其中，该指令在被处理器执行时实施该方法的至少一些步骤。该方法对由概率分布105d所定义的传感器的校准状态的可行空间进行采样110d，以产生传感器的采样的校准状态的集合115d，并且使用运动模型122d针对每个采样的校准状态来估计120d车辆的当前状态的估计值，以产生估计的车辆状态的集合125d。

接下来，该方法针对每个估计的车辆状态，通过将测量值160d和估计的车辆状态125e插入测量模型170d中来估计130d传感器的估计的校准状态135d。该方法基于用权重进行加权的采样的校准状态115d的函数来更新140d存储器中存储的传感器的校准状态的概率分布105d的均值和方差，所述权重是基于采样的校准状态115d与相应估计的校准状态135d之间的差确定的。接下来，该方法使用利用更新后的传感器校准状态的概率分布适配的传感器的测量值155d来控制车辆150d。

在一些实施方式中，传感器的采样的校准状态的集合将传感器的校准状态表示为质点的集合，每个质点包括定义了传感器的校准状态的参数的可行空间的、传感器的校准状态的均值和方差。

图1E示出了根据一些实施方式的用于更新140d传感器的校准状态的概率分布的均值和方差的方法的框图。更新操作140d使用校准状态的质点表示110e。然后，该方法使用针对质点所采样的传感器的采样的校准状态111e与使用测量模型针对质点估计的传感器的估计的校准状态119e之间的差，来更新120e至少一个质点的均值和方差，以获得至少一个质点的更新的均值和方差121e。也就是说，更新均值和方差以反映与测量的校准状态的差异。

然后，该方法按照质点的更新后的均值和更新后的方差的函数131e，来更新130e传感器的校准状态的概率分布的均值和方差。

在一些实施方式中，确定得到针对质点估计的车辆状态的、传感器的估计的校准状态的均值是根据测量模型进行的。在其它实施方式中，传感器的估计的校准状态的方差被确定为从质点中所表示的传感器的校准状态的至少一个参数所确定的测量值的不确定性的组合，使用传感器的估计的校准状态的均值来更新质点的传感器的采样的校准状态的均值；并使用传感器的估计的校准状态的方差来更新质点的传感器的采样的校准状态的方差。

因为质点的数量以及用于表示概率分布的信息量可以随车辆中其它方法的可用计算需求而变化，所以校准状态的质点表示非常有用。例如，当诸如车辆控制器之类的安全性关键组件的计算负载高时，可以减少质点数量以节约计算资源。

另外，任何概率分布都可以用高斯分布的无限和(infinite sum)表示，而高斯分布进而又用均值和方差表示。也就是说，即使校准状态的概率分布的高斯假设对于每个质点是不正确的，但是当在所有质点上聚合时，该假设也是正确的。

图1F例示了根据一些实施方式的概率分布函数140f的图，该概率分布函数140f定义了用于对质点进行采样的校准状态的可行空间100f。可以预先确定概率分布函数140f的形状。例如，如果校准状态的分布是高斯分布，则分布140f的形状是“高斯帽”形状。如果形状固定，则均值110f和方差130f定义了可以从中抽取校准状态的样本的可行空间100f和分布140f。

如本文所使用的，利用由分布140f定义的概率来抽取校准状态的样本，进而由校准状态的均值和方差来定义分布140f。例如，根据分布140f，要抽取或采样的样本120f的概率高于样本150f的概率。这样的表示允许更新160f校准状态的均值和方差，以产生定义了更新的可行空间的更新的分布145f，用于对校准状态进行采样。该实施方式基于以下观察：校准状态的均值和方差的更新影响后续迭代中使用的校准状态的样本的值，这是因为这种样本是从更新的分布中抽取的。

图1G示出了根据本发明的一个实施方式的用于通过联合估计车辆状态(例如，车辆的速度和方位角速度)和车辆传感器的校准状态来控制车辆的方法的流程图。一个实施方式基于以下认识：至少一个传感器的未知校准状态可以被认为是作用于车辆运动的其它确定性模型的随机干扰。随机干扰的性质使车辆具有不同的可能运动，因此具有不同的可能状态。例如，转向可以用作到运动模型的输入，并且转向由车辆的传感器测量。

为此，实施方式用质点的集合145g表示校准状态和车辆状态140g。每个质点包括车辆的状态，其可以是测量状态或在联合估计的先前迭代期间确定的状态。附加地或另选地，质点包括限定了校准状态的可行空间的随机干扰的均值、偏移和方差、传感器的噪声。用概率(即，使用均值和方差)表示校准状态允许考虑对车辆运动的随机干扰。为此，实施方式对用作由传感器特性的参数、均值和方差所定义的运动模型120d的输入的校准状态的可行空间进行采样，并在联合估计中使用采样的校准状态。

在一些实施方式中，该方法更新150g质点中的包括校准状态的均值和方差的至少一个质点，以产生更新的集合155g。例如，实施方式使用利用在质点的可行空间上采样的参数所估计的状态与传感器的测量的状态146g的均值和方差之间的差，来迭代地更新至少一些质点的均值与方差，所述测量的状态146g是根据包括校准状态的测量模型130g从车辆状态的测量值确定的。

接下来，该方法输出160g按照至少一个质点的更新均值和更新方差的函数135g确定的校准状态165g的均值和方差。函数135g的示例包括平均值(例如，集合中质点的均值和方差的加权平均值)以及选择具有表示测量的状态146g的最大概率的质点的均值和方差的最大函数。

例如，在一个实施方式中，该方法使用以测量的状态为中心的测量模型的概率分布，来确定车辆状态和传感器状态的概率分布。可以例如使用在先前时刻期间所确定的校准状态的值，预先确定测量模型的概率分布。接下来，该方法根据质点中的均值在车辆状态和传感器状态的概率分布上的放置位置，来确定表示传感器真实状态的每个质点的概率。在确定输出165g时由函数156g使用这种概率。

图1H示出了根据迭代地(例如递归地)更新质点的一个实施方式的用于更新质点150g的方法的一次迭代的框图。该方法可以使用车辆的处理器来实现。该方法对在车辆的运动模型中要使用的可能参数的可行空间进行采样150h，以产生采样的参数的集合15h。车辆的运动模型145h包括由于影响运动模型的校准状态的不确定性而导致的车辆运动的不确定性。该方法使用车辆的运动模型145h以及到车辆的输入147h来估计160h由于影响车辆运动的每个采样参数而出现的可能状态165h。

接下来，该方法对状态进行测量170h。例如，该方法测量取决于传感器的校准状态的车辆状态。该方法将测量值映射到与车辆状态和至少一个传感器的校准状态有关的测量模型，以产生测量值、车辆状态和校准状态之间的关系175h。该方法根据测量模型175h将传感器的偏移确定为180h得到车辆的测量状态的每个质点的校准状态的统计均值。该方法还将从校准状态得到的所测量校准状态的方差确定为180h估计状态与测量值之间的差、和/或估计状态与运动模型的确定性部分之间的差，运动模型的确定性部分将导致不存在未知校准状态。所确定的校准状态的均值和方差185h被用于使用得到车辆的测量状态的测量到的校准状态的均值和在先前迭代中确定的均值，来更新190h偏移作为质点中校准状态的统计均值的组合。类似地，该方法使用测量到的校准状态的方差和在先前迭代期间确定的方差的组合来更新质点中的校准状态的方差(190h)。

在一个实施方式中，测量值的子集具有已知的方差和偏移(即，已知的参数)，它们是被先验地或通过某些其它方法而确定的。在这种情况下，能够使用具有已知方差和偏移的测量值，以通过使用具有估计车辆状态的一部分的已知参数的传感器来改进具有未知参数的传感器的传感器特性的均值和方差的估计。

图2A示出了用于控制车辆200的控制系统199的总体框图。可以使用可操作地连接至车辆的存储器和/或各种类型的传感器的一个或更多个处理器来实现控制系统199的不同组件。如本文所用，车辆可以表示包括乘用车、公共汽车或移动机器人的任何轮式车辆。车辆可以是自主车辆、半自主车辆或配备有主动安全系统(诸如电子稳定性控制(ESC)和/或ABS)的标准车辆。控制系统199可以在车辆200内部，并且控制系统199的不同组件的实现可以取决于车辆的类型。例如，车辆260的组件可以依据车辆的类型而变化。

控制系统199接收信息290并产生一些或全部车轮的车轮速度的估计值221。信息290可以包括来自ABS的车轮速度测量值、引擎扭矩和旋转速度、和/或制动压力。控制系统199还可以包括感测系统230，该感测系统230使用惯性测量单元(IMU)来测量诸如车辆的转速和车辆的加速度之类的车辆的惯性分量。例如，IMU可以包括3轴加速度计、3轴陀螺仪和/或磁力计。IMU可以向控制系统199的其它组件提供速度、方位和/或其它位置相关信息。感测系统230还可以从全球定位系统(GPS)或等同物接收全球位置信息。

控制系统199还包括用于确定(例如，230中的传感器)校准状态的参数的传感器校准器240。在本发明的一些实施方式中，传感器状态估计器从在先前迭代期间确定的车辆状态和传感器特性的参数，迭代地确定与校准状态一致的车辆状态和传感器特性的参数。如本文所使用的，车辆状态包括车辆的速度和方位角速度，但是也可以包括与车辆运动有关的位置、方位角和附加量。

传感器状态估计器240使用来自感测系统的信息231和/或来自信号调节器的车轮速度估计值221。如果感测系统230配备有用于测量车辆的纵向加速度的IMU，则来自IMU的测量值可以用于确定与车辆的纵向运动有关的参数。然而，如果感测系统230没有关于纵向加速度的信息，则信号调节器220可以基于车轮速度估计值和根据其它实施方式的其它量来输出纵向加速度的估计值221。附加地或另选地，传感器状态估计器240可以基于车轮速度信息221确定纵向加速度的估计值。在本发明的一个实施方式中，通过将车轮速度、转向角和IMU信息组合来迭代地估计车辆状态和传感器特性的参数。在本发明的另一实施方式中，传感器校准系统仅包括横向组件。在这种情况下，信息221可以包括纵向运动的必要信息。传感器状态估计器240还可以从车辆控制单元260接收关于车辆运动的信息261。该信息可以包括诸如位置、方位角、速度之类的车辆的状态，并且从直接连接到机器或远程连接到机器的硬件或软件接收该信息。

例如，传感器状态估计器可以输出包括偏移值、偏移的确定性水平以及测量值的噪声的方差、或它们的组合的校准状态241。控制系统199还包括使用校准状态信息241的车辆控制器260。例如，在一个实施方式中，偏移被用在利用车辆动态模型的高级驾驶员辅助系统(ADAS)中，这取决于传感器的偏移的状态。车辆控制器260可以包括诸如ABS、ESC或ADAS或者使能自主驾驶特征的车辆控制器的组合之类的独立组件。例如，传感器状态估计器可以输出与车轮半径偏移估计有关的校准状态242，以显示在车辆的作为车辆驾驶员的监视组件的显示器210上，来警告驾驶员胎压损失。附加地或另选地，描述校准状态的偏移和方差可以用作车辆的估计器290(例如，状态估计器)的输入。

图2B示出了根据本发明的一个实施方式的传感器状态估计器240的总体结构。传感器状态估计器240包括用于执行传感器状态估计器240的模块的至少一个处理器270。处理器270连接271到存储器280，存储器280存储状态和参数的统计值281以及诸如车辆的运动模型和车辆的测量模型之类的车辆信息282，其中，车辆的运动模型包括运动的确定性分量和运动的概率性分量的组合，其中，运动的确定性分量独立于校准状态并且将车辆运动定义为时间的函数，其中运动的概率性分量包括校准状态并定义了关于车辆运动的干扰，其中车辆的测量模型包括测量模型的独立于校准状态的确定性分量以及测量模型的包括校准状态的概率性分量的组合。存储器280还存储估计器的内部信息(283)，该内部信息包括但不限于校准状态的值、车辆的每个计算状态的值以及导致车辆的每个状态的运动。在一些实施方式中，基于从车辆接收的信息261和从感测接收的信息231来更新271关于车辆的信息。

本发明的一些实施方式依赖于以下认识：可以通过联合地和迭代地估计车辆状态以及在概率框架中最佳地描述车辆状态的校准状态来确定校准状态，而不是通过依赖于乏味的优化算法来尝试找到与传感器相关的参数。也就是说，可以通过考虑特定参数值解释在先前迭代期间确定的状态估计值的概率来估计校准状态。

例如，一些实施方式使用车辆的概率运动模型，其中，传感器被表示为对车辆运动的随机干扰，其中，偏移被建模为统计均值，并且统计均值附近的方差表示传感器的测量噪声，其中可以根据优化一些概率成本函数来确定参数的集合的选择。根据本发明的其它实施方式选择成本函数。

图3示出了根据本发明的一些实施方式的传感器状态校准估计器240的示意图。估计器240使用车轮速度测量值221或其估计值来估计340车辆的未来状态341。在一些实施方式中，状态估计340使用车辆的运动(动态)模型，其中该模型取决于校准状态。该模型可以包括其中纵向传感器参数和横向传感器参数二者被包括在校准状态中的纵向动态和横向动态。另选地，模型可以仅包括纵向动态和横向动态之一。状态更新模块310使用来自感测系统230的测量值231来校正状态估计值341以形成车辆的更新311状态。

在一个实施方式中，更新状态311和/或估计值341用作车辆控制系统260的输入241。附加地或另选地，在另一实施方式中，状态估计值311用于更新320校准状态的至少一个参数，得到车辆的校准状态的更新参数321。在一个实施方式中，更新参数321用作车辆控制系统260的输入241。附加地或另选地，在另一实施方式中，更新参数321用作到用于驾驶员的监测组件的显示器210的输入242，例如，以检测胎压损失。附加地或另选地，在另一实施方式中，更新参数321用于更新330车辆的用于估计状态340的运动模型，从而结束本发明的一些实施方式的一次迭代。附加地或另选地，参数321可以在其它估计器290中用于估计与车辆运动有关的各个方面。

在本发明中，一个实施方式认识到，可以将车辆的运动模型公式化为完全由车辆状态确定的一个确定性部分和一个不确定性部分，其中不确定性部分完全取决于校准状态。在另一实施方式中，认识到，车辆状态的测量模型也可以公式化为完全由车辆状态确定的一个确定性部分以及一个不确定性部分，其中不确定性部分的至少部分取决于校准状态。

因此，在一些实施方式中，确认的是：可以通过从车辆状态、校准状态和车辆状态的运动模型之间的关系以及状态测量值、车辆状态的测量模型与描述测量模型的随机部分的校准状态之间的关系推导校准状态，来确定校准状态。本发明的一个实施方式中的关键观察是，能够在不具有未知的校准状态的运动(时间演变)模型的情况下进行校准状态的估计，并且通过描述校准状态的随机分布的方差给出了测量值的不确定性。

在一些实施方式中，车辆状态根据车辆状态的运动模型随时间动态地演变。如果仔细选择车辆的运动模型和到车辆的输入模型，则可以将车辆状态的运动描述为完全由车辆状态确定的一个确定性部分以及一个不确定部分，其中不确定部分取决于车辆的校准状态。例如，可以根据一些非线性函数x_k+1＝f(x_k，u_k)+g(x_k，u_k)w_k来描述车辆的运动模型，其中

是描述车辆状态的演变的非线性的确定性函数，

是取决于车辆状态的非线性的确定性函数。映射干扰

k是离散时间索引，

是状态，并且u_k包含到系统的输入。车辆运动的动态模型取决于包括偏移、传感器的均值、传感器的方差的校准状态。在一些实施方式中，影响车辆运动的干扰

是由于校准状态的数值描述中的不确定性而导致的，在其它实施方式中，它是由于偏移的不确定性而导致的，在又一实施方式中，它是由于方差、或者均值和方差二者的不确定性而导致的。在其它实施方式中，车辆状态包括车辆的速度矢量和方位角速度。

图4A示出了车辆的简化的前轮驱动单轨模型的示意图，其中每个车轴上的两个车轮集中在一起。通常，该车辆模型至少取决于方向盘传感器的校准状态和车轮转速的校准状态。

例如，方向盘角度的校准状态可以书写为δ＝δ_m+Δδ，其中δ_m是真实测量值，并且Δδ是时变的未知部分。一个实施方式将w_k：＝Δδ定义为作用在其它确定性系统上的随机干扰。在一些实施方式中，噪声项是根据

的高斯分布，其中通常μ_k，∑_k是校准状态的时变的均值和协方差、偏移和噪声方差。图4B示出了具有前轮转向的完整底盘模型的示意图。在这种情况下，要估计的参数数量增加，但是应当理解，应用相同的方法。

本发明的一个实施方式选择到系统的输入作为在每个车辆轴上平均的车轮速度估计值221。在另一实施方式中，输入是在每个车轮轴上平均的车轮的转向角231与车轮速度估计值221的组合。在非自主模式下，有时无法测量车轮的转向角，但可以测量方向盘的转向角。又一实施方式通过考虑连接方向盘与车轮的机械构造的传动比，将方向盘的转向角转换成车轮的转向角。

根据概率密度函数(PDF)，利用定义θ_k：＝{μ_k，∑_k}，可以将动力系统描述为p(x_k+1|x_k，u_k，θ_k)。一些实施方式依赖于以下认识：在给定测量值和运动模型以及测量模型的情况下，可以通过确定整个系统的PDF来进行车辆状态和校准状态的确定。

为了确定系统的PDF，本发明的几个实施方式定义了关于偏移和方差二者不确定的、从感测系统230到系统231的测量值。例如，如果一个测量值是方位角速度

并且如果车辆状态包含方位角速度，则通过使方位角测量值与状态相关联的确定性部分以及

使测量值

与方位角速度相关联，其中b_k是由于传感器中的漂移而导致的偏移项，并且e_k是被建模为由偏移和方差R_k而受损的高斯方布的校准状态的随机分布，方差R_k通常是协方差矩阵。通常，偏移和方差二者是未知的。在一个实施方式中，测量模型可以写为y_k＝h(x_k，u_k)+d(x_k，u_k)(δ_m+w_k)+e_k，其中还可以添加除δ_m之外的输入，从而添加影响运动模型的更多校准状态、以及要估计的更多参数。

噪声源考虑到测量值不是理想的。可以以几种方式选择噪声源。在一个实施方式中，偏航角速度和加速度命令被组合以在各时间步长处形成全部具有单独的偏移和方差分量的测量值的矢量。在一些实施方式中，通过迭代地估计三个PDF

来估计该系统，从而在估计所述PDF之后，可以重构车辆状态和校准状态。一些其它实施方式使用N个离散权重来表示连续PDF，当N足够大时准确地表示连续PDF。然后，通过车辆状态的N个假设来表示车辆状态的PDF，并且可以使用近似技术或精确技术来表示其它PDF的统计信息。例如，可以使用基于采样的技术或使用正态逆威沙特分布(Normal-inverse-Wishart)更新技术来更新校准状态的PDF。不同表示的准确性取决于动态演变的特定模型和所涉及测量值的特定建模。

一些实施方式确认了：通过联合考虑校准状态和车辆状态，能够准确地估计校准状态。在一个实施方式中，通过针对量的组合解释测量值向量的可能性的程度分配来概率来估计这些量。

图5A例示了车辆具有初始状态510的场景。针对偏移的一个集合和到系统的输入，车辆服从运动511a并且在530a处结束，结果具有由于影响车辆运动的校准状态的不确定性而导致的不确定性531a。感测系统230的不确定性(即，估计的方差)导致直到特定区域520才可以知道车辆状态。然而，车辆的结束状态530a很好地驻留于区域520内，因此，校准状态和车辆初始状态的这种特定组合给出了作为良好组合的高可能性。

图5B示出了具有影响运动模型的校准状态的另一集合的相同初始状态510的车辆。针对相同的到系统的输入，车辆510现在服从运动511b，导致车辆结束于状态530b，结果具有影响运动模型的校准状态的不确定性531b。然而，车辆的该结束状态530b没有驻留在影响测量模型的校准状态的确定性区域内。因此，初始状态和校准状态的这种特定组合被分配了作为良好组合的低可能性。

图5C示出了根据本发明的各种实施方式采用的一些原理所确定的不同运动的示意图。车辆被估计为在具有道路边界540c的道路上处于当前状态510，其中在根据本发明的其它实施方式的先前迭代期间已经确定了当前状态510的估计值。线519c和529c是使用影响运动模型的传感器的两个不同状态所确定的、导致车辆的两个可能状态520c和530c的两个不同运动。灰色区域511c指示影响来自感测系统230的测量模型的校准状态的不确定性，即，从影响在先前迭代期间确定的测量模型的估计的校准状态所确定的、可能发生运动的可能区域。仅运动519c在不确定性区域内。因此，从运动529c得到的状态520c以及与运动529c相关联的校准状态被赋予作为良好组合的低可能性。

如图5D所示，可以关于车辆状态以PDF 512d的形式对车辆运动进行建模，其中已经在本发明的其它实施方式的先前迭代期间确定了PDF 512d的初始条件509d。在本发明的一些实施方式中，通过以下过程计算运动：首先确定从初始状态到结束状态的几种运动，其中，根据影响属于该特定运动的运动模型的校准状态的参数集合来发起不同的运动；第二，确定不同的运动与感测系统230感测到的真实运动的一致性程度如何；第三，确定这样的参数，该参数与确定不同运动与感测系统所感测的真实运动的一致性程度如何的结果相一致。为了说明，图5D示出了其中影响运动的校准状态的两个不同参数分别导致状态520c和530c并且车辆运动的PDF 512d与相应运动一致的情况。但是，在确定不同运动与感测系统的PDF 511c一致性程度(其中PDF 511c取决于影响测量模型的校准状态)之后，实现与状态520c不一致的PDF 531d。在一些实施方式中，PDF 531d由先前迭代中的估计值和来自感测系统的测量值的组合来确定。在本发明的特定实施方式中，所得的PDF 531d形成该方法的另一迭代的基础。

一些实施方式基于使用影响运动模型的质点的校准状态所估计的车辆状态、影响测量模型的传感器状态、以及测量的状态之间的差，来确定每个质点代表传感器的真实状态的概率。例如，一个实施方式使用车辆状态的PDF来确定这种概率。在其它实施方式中，影响运动模型的传感器状态和影响测量模型的校准状态部分相同。例如，转向角传感器的状态影响车辆的运动模型和车辆的测量模型，但是横向加速度传感器的状态仅影响测量模型。

图6A例示了根据本发明的一个实施方式的在车辆的可能状态上使用PDF 631来选择采样参数的概率的曲线图。例如，PDF 631可以是测量模型的概率分布。这种概率分布的形状可以预先确定为例如高斯形状或不同的形状，并且该概率分布631的位置以测量的状态635为中心。然而，参数(即，传感器的偏移和方差)可以是未知的。为此，一个实施方式使用以测量的状态为中心的测量模型的概率分布631，来确定车辆状态和/或传感器状态的概率分布。为此，实施方式可以根据质点中的均值在车辆状态和传感器状态的概率分布上的放置位置，来确定每个质点代表传感器的真实状态的概率。

例如，实施方式将初始状态和参数值的一个样本提交给车辆的运动模型，以估计车辆从初始状态到下一状态621的转变，并选择与下一状态621相对应的点623处的车辆状态上的PDF的值622，作为车辆状态和/或传感器状态准确的概率。

图6B示出了例示了根据与图6A的PDF 631不同的PDF 651选择采样参数的概率的另一曲线图。例如，PDF 651是基于测量状态的变化而更新的分布。在该示例中，实施方式选择与下一状态621相对应的点643处的车辆状态上的PDF 651的值622，作为车辆状态和/或传感器状态的概率。

图7A示出了根据本发明的一些实施方式的用于估计校准状态和车辆状态并控制车辆的方法699的一次迭代的流程图。该方法从初始状态和参数的初始集合开始，确定参数值的集合和相关联的不确定性，指定车辆的模型以及解释车辆运动的车辆状态。在不同的实施方式中，车辆的初始状态是车辆的当前估计状态和/或其中车辆的初始状态是与在该方法的先前迭代期间所确定的校准状态相对应的车辆状态。

该运动由连接车辆状态的状态转换来定义，例如，如图5A所示的用于连接车辆的两个估计状态的运动。每个状态至少包括车辆的速度和方位角速度。该方法的步骤由估计器240和/或车辆的处理器270执行。迭代地确定运动，直到满足终止条件(例如，在一段时间内或预定次数的迭代)。图7A的方法的迭代包括以下步骤。

方法699确定700影响运动模型的传感器的采样状态的集合以及到满足对车辆状态的静态和动态约束的状态的集合的相应转变的集合。例如，该方法确定图5C中的状态转变519c、529c和状态530c、520c。接下来，方法699确定710步骤700中的每个校准状态样本的概率，以产生到与车辆运动的测量值一致的状态的移动。

使用每个状态的概率作为用于估计那些状态的校准状态的质点的概率，方法699根据使用每个质点中的更新均值和更新方差的加权组合的函数来确定720聚合的校准状态721。例如，组合中的权重由每个质点表示传感器的真实状态的概率来确定。附加地或另选地，该函数可以仅选择最可能质点的校准状态。其它实施方式使用不同的函数来确定校准状态721，该校准状态721可以用于控制车辆(730)。

图7B示出了根据本发明的一个实施方式的确定700传感器状态的值的集合的示例性实现的流程图。确定操作700使用系统的实际输入、影响运动模型的校准状态的估计出的偏移和方差、以及使用先前迭代所估计的初始状态。该方法首先从先前迭代期间所确定的偏移和方差的值来预测701质点的集合

的N个均值和方差。然后，该方法对校准状态的N个值的集合进行采样702，其中，N可以是预定的或自适应的，并且使用校准状态的值的集合来预测703状态

在本发明的一些实施方式中，使用

的数量i来生成校准状态的每个值的数量i，

是偏移、均值和方差的集合，即，动力系统的噪声源参数(即，w_k)，其中，

表示校准状态的估计出的均值并且

表示相应不确定性或方差。例如，w_k可以被选择为源于高斯分布

或者可以被选择为适于特定应用的PDF。在一些实施方式中，为了解决均值和方差估计值本身的不确定性，使用了对于每次迭代接近高斯分布的学生t分布(student-t distribution)。

在本发明的一些实施方式中，通过将动态系统反转来生成采样的参数值702。在这种情况下，在一个实施方式中，作为代替，通过使用概率函数q(x_k|x_k-1，y_k)来生成状态

并且通过动态系统的反转来生成采样的校准状态的值以更好地满足测量值。但是，使系统模型反转并不总是可以准确地做到的。对于校准状态仅影响运动模型的情况，也可以使用这种方法。

图7C示出了方法710的流程图，该方法确定产生向与车辆运动的测量值一致的状态而移动的每个采样的校准状态的概率，并且还确定影响测量模型、但是未采样的校准状态。当确定校准状态值的每个参数的概率时，确定711下一状态702与测量值的一致性，并且计算712每个状态的概率。例如，一个实施方式使用图6A和图6B中描述的原理来确定712概率。

在方法710的一个实施方式中，如果所谓的有效样本尺寸低于阈值714(阈值可以被预先确定)，则很少的校准状态值具有导致与车辆运动的测量值一致的状态的大概率。因此，该方法复制具有高概率的样本和相应状态，并丢弃715具有低概率的那些样本和相应状态。否则，该方法退出716。附加地或另选地，在一些实施方式中，用具有较高概率的输入和状态来替换具有非零但是低概率的校准状态值和相应状态。例如，一个实施方式按照生成

的概率为至少

的方式，来生成校准状态值和相应状态的新集合。在另一实施方式中，每当概率的反平方和低于一些预定阈值时执行替换。以这种方式确保仅使用良好的校准状态值。

在本发明的一些实施方式中，确定712作为测量值的PDF、

动态系统的PDF、以及在方法700的先前迭代期间确定的输入的概率

的组合。例如，如果根据参数的不确定性模型生成校准状态的值，则概率与测量值的PDF成比例，即，

在一个实施方式中，按照概率表示PDF的方式对概率进行归一化。关于图6B，如果

由与状态621对应的在先前迭代期间确定的PDF 651上的点643处的值642给出，则更新的概率

被确定为622和642的乘积。

可以以数种方式进行校准状态的参数

的确定713。例如，一个实施方式通过使用采样的校准状态的值

来确定校正的参数，以使用以下校正模块来校正每个参数集合：

v_k|k＝v_k|k-1+1，

在此，从在先前迭代期间确定的校准状态的估计的参数来校正校准状态的参数。从上式中，我们可以直接推导校准状态的值，可以从上式确定校准状态的不确定性。当也更新影响测量模型的测量值的校准状态时，

被生成为：

在此，第2式并非必须包含采样的校准状态的值。但是，测量模型的校准状态位于左侧，

并且

是影响运动模型和测量模型二者的校准状态的统计均值，并且来自为了获得通过运动模型传播时的状态而被采样的相同的校准状态。

具体地，在一个实施方式中，在运动模型和测量模型中包括指示车辆的方向盘角度的传感器的测量值，而指示车辆的横向加速度以及附加地或另选地方位(偏航)角速度的传感器仅影响测量模型。换句话说，第一传感器测量指示车辆的方向盘的转向角的角度，第二传感器测量横向加速度和方位角速度。运动模型包括第一传感器的校准状态，但不包括第二传感器的校准状态。但是，测量模型包括第一传感器的校准状态和第二传感器的校准状态二者。

在一些实施方式中，更新第一传感器的校准状态的概率分布的均值和方差是基于第一传感器的加权采样的校准状态的函数的。类似地，更新第二传感器的校准状态的概率分布的均值和方差是基于第二传感器的加权估计的校准状态与传感器测量值之间的差的函数的。

例如，可以以数种方式确定720校准状态和相应的车辆状态的概率分布。例如，一个实施方式通过使用加权平均函数以如下产生校准状态的值：

如下地产生校准状态的概率分布的方差：

以确定校准状态，并且类似地确定车辆状态。也就是说，更新第一传感器的校准状态的概率分布的均值和方差是基于第一传感器的加权采样的校准状态与第一传感器的加权估计的校准状态之差的函数的。类似地，更新第二传感器的校准状态的概率分布的均值和方差是基于第二传感器的加权估计的校准状态与传感器测量值之差的函数的。另一实施方式将所述量确定为具有最高概率的状态和参数。

图7D示出了当针对每次迭代生成五个采样的校准状态的值时的步骤700、710和720的三次迭代的结果的简化示意图。使用运动模型和系统输入以及五个采样的校准状态的值(用于参数化动态模型)在时间711d中前向预测初始状态710d，以产生五个下一状态721d、722d、723d、724d和725d。在更新方差和偏移值的估计之后，按照测量值726d以及测量值726d的方差和偏移727d的估计值的函数来确定概率。在每个时间步骤，即，在每个迭代中，使用概率的聚合体来产生校准状态和对应状态720d的聚合的集合。

图7E示出了图7D中的第一次迭代时五个状态的可能分配的概率。这些概率721e、722e、723e、724e和725e被反映在选择例示状态721d、722d、723d、724d和725d的点的尺寸上。

再次参照图7D，状态720d与关联的校准状态一起用作图7A中的输出721以用于车辆的控制740。再次参照图7C，如果满足阈值714，则高概率状态以及对应偏移和方差项被复制，并且成为下一次迭代的初始状态，该下一次迭代再次产生将车辆的状态从初始状态721d、722d、723d和724d转变到下一状态731d、732d、733d、734d和735d的五个采样的校准状态的值。根据该次迭代的采样的控制输入的概率来选择与状态730d相对应的控制输入。在该特定示例中，状态732d、733d和734d是用于下一次迭代的初始状态，但是通常，所有状态可以在时间上前向扩展。

图8示出了根据本发明的一些实施方式的控制系统与车辆控制器之间的交互的示意图。例如，在本发明的一些实施方式中，车辆800的控制器是控制车辆800的转动和加速度的转向控制器810和制动/油门控制器820。在这种情况下，传感器状态估计器840输出与测量纵向运动的传感器和测量横向运动的传感器二者有关的校准状态的值。然而，在一个实施方式中，使用车道保持辅助830，使得估计系统仅输出横向分量。在两种情况下，车辆控制器800将参数映射到由车辆的控制车辆的至少一个致动器(诸如，方向盘和/或车辆的制动器)的至少一个控制器所使用的车辆模型，并且使用给车辆的致动器的控制命令来控制车辆的运动。在另一实施方式中，校准状态估计器向驾驶员可见的显示器输出242轮胎压力损失的指示。

可以以多种方式中的任何一种来实现本发明的上述实施方式。例如，可以使用硬件、软件或其组合来实现实施方式。当以软件实施时，软件代码无论是被设置在单台计算机中还是分布在多台计算机中，都可以在任何合适的处理器或处理器集上执行。这样的处理器可以被实现为集成电路，在集成电路组件中具有一个或更多个处理器。但是，可以使用任何适当格式的电路来实现处理器。

另外，本文概述的各种方法或过程可以被编码为可在采用多种操作系统或平台中的任何一种的一个或更多个处理器上执行的软件。附加地，可以使用多种合适的编程语言和/或编程或脚本工具中的任何一种来编写这种软件，并且还可以将其编译为可执行机器语言代码或在框架或虚拟机上执行的中间代码。通常，在各种实施方式中，程序模块的功能可以根据需要进行组合或分布。

另外，本发明的实施方式可以体现为已经提供了其示例的方法。作为该方法的一部分而执行的动作可以以任何合适的方式排序。因此，即使在示例性实施方式中被示为顺序动作，实施方式可以被构造为其中以与所示出的次序不同的次序来执行动作，这可以包括并发地执行一些动作。

Claims

1.一种用于控制车辆的系统，该系统包括：

至少一个传感器，所述至少一个传感器感测指示车辆的状态的测量值；

存储器，该存储器存储车辆的运动模型、车辆的测量模型以及所述传感器的校准状态的概率分布的均值和方差，其中，所述车辆的运动模型定义了从所述车辆的先前状态到经受了由所述传感器的校准状态在车辆运动中的不确定性引起的干扰的所述车辆的当前状态的车辆的运动，使得所述运动模型包括在所述传感器的校准状态的所述概率分布上采样的校准状态，其中，所述测量模型使用所述传感器的所述校准状态来将所述传感器的所述测量值与所述车辆的所述状态相关联；

处理器，所述处理器被配置为：

对所述传感器的所述校准状态的由所述概率分布定义的可行空间进行采样，以生成所述传感器的采样的校准状态的集合；

对于每个采样的校准状态，使用所述运动模型来估计所述车辆的当前状态的估计值，以生成所述车辆的估计状态的集合；

对于所述车辆的每个估计状态，通过将所述测量值和所述车辆的所述估计状态插入所述测量模型中，来估计所述传感器的估计的校准状态；以及

基于用权重加权的所述采样的校准状态的函数，来更新所述存储器中存储的所述传感器的所述校准状态的所述概率分布的所述均值和所述方差，所述权重是基于所述采样的校准状态与相应估计的校准状态之间的差而确定的；以及

控制器，所述控制器使用利用所述传感器的校准状态的更新的概率分布所适配的所述传感器的测量值来控制所述车辆。

2.根据权利要求1所述的系统，其中，所述传感器的所述采样的校准状态的集合将所述传感器的校准状态表示为质点的集合，每个质点包括定义了所述传感器的校准状态的参数的所述可行空间的、所述传感器的校准状态的均值和方差，并且其中，所述处理器：

使用针对至少一个质点估计的所述传感器的估计的校准状态与针对该质点确定的所述传感器的测量的校准状态之间的差，迭代地更新该质点的所述均值和所述方差，直到满足终止条件；

按照所述质点的更新后的均值和更新后的方差的函数，更新所述传感器的校准状态的概率分布的所述均值和所述方差。

3.根据权利要求2所述的系统，其中，对于迭代地更新所述质点，所述处理器被配置为：

根据所述测量模型来确定得到针对所述质点而估计的所述车辆的所述状态的、所述传感器的所述估计的校准状态的均值；

将所述传感器的所述估计的校准状态的方差确定为所述测量值的不确定性和所述质点的所述方差的组合；

使用所述传感器的所述估计的校准状态的均值来更新所述质点的所述传感器的所述采样的校准状态的均值；以及

使用所述传感器的所述估计的校准状态的方差来更新所述质点的所述传感器的所述采样的校准状态的方差。

4.根据权利要求3所述的系统，其中，所述处理器将所述传感器的所述估计的校准状态的方差确定为所述测量值的不确定性和所述质点的集合的方差集合的组合。

5.根据权利要求4所述的系统，其中，所述质点的集合中的质点数量随时间变化。

6.根据权利要求1所述的系统，其中，所述函数使用所述传感器的所述采样的校准状态的加权组合。

7.根据权利要求1所述的系统，其中，所述传感器是使用所述传感器的校准状态的所述更新的概率分布来校准的。

8.根据权利要求1所述的系统，其中，所述至少一个传感器包括：第一传感器，该第一传感器测量指示所述车辆的方向盘的转向角的角度；以及第二传感器，该第二传感器测量横向加速度和方向角速度中的至少一个，其中，所述运动模型包括所述第一传感器的校准状态，但不包括所述第二传感器的校准状态，并且其中，所述测量模型包括所述第一传感器的校准状态和所述第二传感器的校准状态二者。

9.根据权利要求8所述的系统，

其中，所述处理器基于所述第一传感器的加权采样的校准状态与所述第一传感器的加权估计的校准状态之差的函数，来更新所述第一传感器的校准状态的概率分布的所述均值和所述方差，并且

其中，所述处理器基于所述第二传感器的加权估计的校准状态与所述传感器测量值之差的函数，来更新所述第二传感器的校准状态的概率分布的所述均值和所述方差。

10.根据权利要求1所述的系统，其中，所述车辆的状态包括所述车辆的速度和方位角速度，

其中，所述车辆的所述运动模型包括所述运动的确定性分量和所述运动的概率性分量的组合，其中，所述运动的所述确定性分量独立于所述传感器的校准状态，并且将所述车辆的运动定义为时间的函数，其中，所述运动的所述概率性分量包括具有不确定性的所述传感器的校准状态并且定义了对所述车辆的运动的干扰，

其中，所述车辆的所述测量模型包括所述测量模型的独立于所述传感器的校准状态的确定性分量和所述测量模型的包括所述传感器的校准状态的概率性分量的组合。

11.一种用于控制车辆的方法，其中，该方法使用与存储的实现该方法的指令联接的处理器，其中，所述指令在被所述处理器执行时实施所述方法的至少一些步骤，该方法包括以下步骤：

使用至少一个传感器感测指示车辆的状态的测量值；

从能操作地连接到所述处理器的存储器中，检索所述车辆的运动模型、所述车辆的测量模型以及所述传感器的校准状态的概率分布的均值和方差，其中，所述车辆的运动模型定义了从所述车辆的先前状态到经受了由所述传感器的校准状态在车辆运动中的不确定性引起的干扰的所述车辆的当前状态的车辆的运动，使得所述运动模型包括在所述传感器的校准状态的所述概率分布上采样的校准状态，其中，所述测量模型使用所述传感器的所述校准状态来将所述传感器的所述测量值与所述车辆的所述状态相关联；

使用利用所述传感器的校准状态的更新的概率分布适配的所述传感器的测量值来控制所述车辆。

12.根据权利要求11所述的方法，其中，所述传感器的所述采样的校准状态的集合将所述传感器的校准状态表示为质点的集合，每个质点包括定义了所述传感器的校准状态的参数的所述可行空间的、所述传感器的校准状态的均值和方差，所述方法包括以下步骤：

13.根据权利要求12所述的方法，该方法还包括以下步骤：对于迭代地更新所述质点，

14.根据权利要求13所述的方法，其中，将所述传感器的所述估计的校准状态的方差确定为所述测量值的不确定性和所述质点的集合的方差集合的组合。

15.根据权利要求14所述的方法，其中，所述质点的数量随时间变化。

16.根据权利要求11所述的方法，其中，所述函数使用所述传感器的所述采样的校准状态的加权组合。

17.根据权利要求11所述的方法，该方法还包括以下步骤：

使用所述传感器的校准状态的所述更新的概率分布来校准所述传感器。

18.根据权利要求11所述的方法，其中，所述至少一个传感器包括：第一传感器，该第一传感器测量指示所述车辆的方向盘的转向角的角度；以及第二传感器，该第二传感器测量横向加速度和方向角速度中的至少一个，其中，所述运动模型包括所述第一传感器的校准状态，但不包括所述第二传感器的校准状态，并且其中，所述测量模型包括所述第一传感器的校准状态和所述第二传感器的校准状态二者，所述方法包括以下步骤：

基于所述第一传感器的加权采样的校准状态与所述第一传感器的加权估计的校准状态之差的函数，来更新所述第一传感器的校准状态的概率分布的所述均值和所述方差，以及

基于所述第二传感器的加权估计的校准状态与所述传感器测量值之差的函数，来更新所述第二传感器的校准状态的概率分布的所述均值和所述方差。

19.根据权利要求11所述的方法，其中，所述车辆的状态包括所述车辆的速度和方位角速度，

20.一种非暂时性计算机可读存储器，该非暂时性计算可读存储器上实现有程序，该程序能够由处理器执行以用于执行控制车辆的方法，该方法包括以下操作：

从至少一个传感器接收指示车辆的状态的测量值；