CN116457690A - 借助超声波传感器探测和确定客体的重要量值 - Google Patents

Abstract

一种借助至少一个布置在机动车侧面上的超声波传感器探测和确定在机动车的周围环境中的客体的重要量值的方法和设备，其中，超声波传感器具有由传感器特定的张角所确定的检测范围，方法包括以下步骤：‑确定至少一个超声波传感器的真实的传感器值的测量序列，传感器值表示客体与机动车之间的最小间距，其中，至少一个超声波传感器的这些传感器值以预设的时间周期被按时确定，‑通过以下方式对至少一个超声波传感器的传感器值的序列进行建模，‑根据状态矢量和参数矢量对客体运动进行建模，其中，状态矢量和参数矢量由重要的客体量值构成，‑在考虑到状态矢量和参数矢量的情况下对间距检测进行建模，‑并且确定状态矢量和参数矢量，方式是，通过优化方法使建模的传感器值匹配于至少一个超声波传感器的测得的真实的传感器值。

Description

借助超声波传感器探测和确定客体的重要量值

本发明涉及一种借助超声波对机动车的周围环境中的客体进行探测和追踪的方法和相应的设备。

为了自动或半自动地控制车辆、以下称为本车，需要探测本车的周围环境中的客体。首先，客体的物理量值、例如位置、定向、速度和尺寸在此都是重要的，这些客体可能是静态的也可能是动态的。与基于雷达或摄像头的探测相比，借助超声波传感器探测本车的环境中的客体提供了低廉的方案。此外，其还可以作为冗余的信息源例如被用于实现特定的ASIL(汽车安全完整性等级)水平。

文献WO 2016/189112 A1则涉及一种用于避免车辆间碰撞的方法，其中，实施以下步骤：

-通过一个或多个布置在车辆上的传感器两次或三次地确定相对于车辆的客体，

-在包括至少一个输入端和输出端的处理器的输入端处接收由一个或多个传感器探测到的客体的位置，

-基于探测到的位置来近似客体相对于车辆的最后轨迹，

-利用近似的最后轨迹来预测客体相对于车辆的未来位置，

-基于预测的、客体相对于车辆的未来位置来估计车辆与客体碰撞的概率，

-确定该概率是否大于预定的阈值，并且

-如果该概率超过阈值时，通过处理器的输出端输出警报信号。

文献DE 10 2018 105 014 A1公开了一种用于预测碰撞的方法和设备，其包括以下步骤：

-基于雷达传感器的第一坐标信息和超声波传感器的第二坐标信息来检测目标障碍物的坐标，

-将第二坐标信息传递至第一坐标信息的坐标系中并生成传递的坐标信息，如果基于传递的坐标信息车辆与目标障碍物具有预定距离，则估计车辆的位置、速度和加速度，

-基于车辆的估计的位置、速度和加速度来确定车辆与目标障碍物之间的可能的碰撞类型，基于车辆的估计的位置、速度和加速度以及确定的碰撞类型来确定三维的运动轨迹，并且

-基于三维的运动轨迹来预测车辆的碰撞点、目标障碍物的碰撞点和碰撞时刻。

文献DE 10 2016 218 093 A1涉及一种超声波传感器系统的运行方法，该超声波传感器系统用于借助超声波传感器检测车辆环境中的运动客体，该运行方法包括以下步骤：

-在多个先后相继的时刻发送超声波信号，并且尤其接收在环境中的一个或多个客体处反射的超声波回声信号，其中，为针对发送的超声波信号所接收的超声波回声信号匹配轨道，

-在相应的轨道中针对分别存在的超声波回声确定和匹配差值，

-如果超声波回声的差值符合预定的规则，则将多个轨道中针对多个时间上先后相继的超声波信号的超声波回声汇总成组，并且

-将不属于组的超声波回声分类为干扰。

在此，借助卡尔曼滤波来估计超声波传感器的间距值及其一次和二次导数。

文献DE 19 947 766 A1涉及一种用于监测泊入的车辆的环境的装置，该装置用于可靠地识别占道的客体并且实现调车动作的计算。该装置包括至少一个视频摄像机连同多个侧向布置的客体识别传感器，该客体识别传感器覆盖未被视频摄像机检测的区域。由此，即使在视频图像中未能识别到可疑障碍物，也能够以简单的方式为驾驶员发出警报。

文献DE 10 2015 117 379 A1涉及一种用于检测机动车的环境区域中的客体的方法，其中，利用至少一个机动车侧的超声波探测装置检测环境区域，其中，在至少两个不同的时刻分别实施利用超声波探测装置检测环境区域的检测循环，并且在两个检测循环中检测到的有关环境区域中的客体的信息被提供给评估模块，其中，利用评估模块根据超声波探测装置的信息判断：是否将该客体分类为动态客体。

然而，上述文献都不能关于“借助超声波传感器探测客体”这一事项的技术实施作出准确的规定。同样未被说明的是，借助卡尔曼滤波所估计的间距值及其一次和二次导数能够如何用于本车环境中的客体的真正感兴趣的重要客体量值的确定，也即客体的位置、定向、速度和尺寸。

因此，本发明所要解决的技术问题在于，如何借助超声波传感器改进在机动车的周围环境中的客体及其重要客体量值的探测，机动车在以下被称作本车。

所述技术问题通过具有权利要求1的技术特征的用于借助超声波传感器探测本车的周围环境中的客体的方法以及具有权利要求10的技术特征的相应的设备解决。本发明的优选的设计方案是从属权利要求的技术方案。

根据本发明的借助至少一个布置在机动车侧面上的超声波传感器探测和确定在机动车的周围环境中的客体的重要量值的方法，其中，所述至少一个超声波传感器具有由传感器特定的张角所确定的检测范围，所述方法包括以下步骤：

-确定至少一个超声波传感器的真实的传感器值的测量序列，所述传感器值表示客体与机动车之间的最小间距，其中，这些传感器值以预设的时间周期被按时确定，

-通过以下方式对所述至少一个超声波传感器的传感器值的序列进行建模，

-根据状态矢量和参数矢量对客体运动进行建模，其中，所述状态矢量和参数矢量由重要的客体量值构成，

-在考虑到所述状态矢量和参数矢量的情况下对间距检测进行建模，

-并且确定所述状态矢量和参数矢量，方式是，通过优化方法使建模的传感器值匹配于至少一个超声波传感器的测得的真实的传感器值。

通过该方式能够对客体量值、例如客体的位置、方向、速度和尺寸进行建模并且由此以一致的、统一的形式确定。例如考虑预测误差法、滑模观测器、卡尔曼滤波和列文伯格-马夸尔特(Levenberg-Marquardt)方法作为合适的优化方法，使得建模的传感器值与真实检测的传感器值之间的偏差尽可能小。

优选地，为了确定所述状态矢量和参数矢量，将建模的传感器值与真实的传感器值之间的差值的总和最小化。

进一步优选地，由所述至少一个超声波传感器的建模的值构成建模的传感器值矢量，所述建模的传感器值矢量与各个超声波矢量的真实的传感器值的传感器值矢量相关联，以便进行最小化。

优选地，建模的传感器值是客体相对于本车的位置的函数以及客体的角部出现在至少一个超声波传感器的检测范围中的函数，其中，确定客体的角部在机动车的坐标系中的坐标。

优选地，客体的重要量值至少通过以下给出：

-客体相对于机动车的纵向间距，

-客体相对于机动车的纵向速度，

-客体相对于机动车的横向间距，

-客体相对于机动车的横向速度，

-客体的纵轴线与机动车的纵轴线之间的夹角，

-客体的长度，和

-客体的宽度。

优选地，由所述至少一个超声波传感器的建模的间距值构成建模的传感器值矢量，其中，所述至少一个超声波传感器的建模的间距值由所述至少一个超声波传感器的最大工作距离的最小值以及在客体与机动车之间计算出的间距值的最小值构成。

优选地，所述计算出的间距值确定为客体的位置相对于至少一个超声波传感器的传感器法线的函数，其中，所述传感器法线定义为延伸经过相应的至少一个超声波传感器的原点且垂直于客体纵轴线的直线。

进一步优选地，为了确定计算出的间距值，检查客体是否位于传感器法线的左侧、右侧还是处于传感器法线上。

此外，对客体的位置的检查可以通过激活函数进行。

根据本发明的用于探测、追踪和确定在机动车的周围环境中的客体的重要量值的设备，其中，所述设备设置和设计用于实施前述方法，所述设备包括

-至少一个布置在机动车侧面上的超声波传感器，用于按时确定传感器值，所述传感器值表示与客体的间距，

-用于确定建模的传感器值的装置，所述建模的传感器值作为客体的重要量值的函数，和

-优化装置，用于使建模的传感器值匹配于每个用于确定客体重要量值的超声波传感器的真实的传感器值。

以下根据附图描述本发明的优选设计方式。在附图中：

图1示出重要参比量值的定义，

图2a示出间距检测的第一情况，

图2b示出间距识别的第二情况，

图2c示出间距识别的第三情况，

图3示出间距检测的建模，

图4示出在客体与本车平行行驶时的间距检测的示例，

图5示出在客体相对于本车倾斜行驶时的间距检测的示例，

图6示出激活函数δ₁(k)的曲线，

图7示出激活函数δ₂(k)的曲线，

图8示出激活函数的曲线，

图9示出激活函数的曲线，

图10示出激活函数的曲线，并且

图11示出激活函数的曲线。

图1示出在探测本车的周围环境中的客体O时对重要客体量值的定义，其中，为简洁起见并未在图示中示出道路边界或标记。在示意性的图1中示出本车E，所述本车朝本车E中所示三角形的方向行驶。在本车上方具有客体O，所述客体以相对于本车的角度α运动，其中，客体的行驶方向通过客体中所示的三角形给出。在图1中所示的两个交通工具、也即本车E与客体的侧边之间的角度α是通过交通工具(未示出)的两个纵轴线之间围成的角度定义的。

此外，客体O通过其长度l和宽度b以及通过其相对于本车E的位置被表征，其中，所述位置/>在本车的x_e-y_e坐标系中为：

其中，位置矢量作用在交通工具E和O的几何重心上。

此外，客体O相对于本车以速度运动，其中，相对于本车E的速度/>为：

其中，在本车E的x_e-y_e坐标系中定义v_x和v_y。

为了能够对客体O的运动建模，定义了汇总在状态矢量中的状态量值x₁至x₆。

在此，各个状态量值的含义如下：

x₁：纵向客体位置，

x₂：纵向客体速度，

x₃：横向客体位置，

x₄：横向客体速度，

x₅：本车和客体的纵轴线之间的角度，并且

x₆：该交通工具的纵轴线之间的角度随时间的变化。

对客体O的运动的模拟表述如下：

其中，k∈1,…N,，N＝测量的次数，

并且矩阵A定义如下，其中，T是两次测量之间的时间周期：

在此，K(k)是尚需确定的矩阵，用于矫正有关误差矢量回归的估计。误差矢量/>包含不同传感器i＝1至m的建模值/>与测量值y_i(k)之间的偏差，其中，该矢量的分量如下定义：

其中

在此，h_i是所谓的输出函数并描述根据和参数矢量/>利用传感器的间距检测，其中，参数矢量/>包含客体的位置的宽度和长度以及矩阵K的辅助因子，并且借助合适的优化方法被估计。

在图2a至图2b中描绘出借助超声波传感器SR1检测本车E相对于相邻交通工具、也即客体O的间距的三种可能的情况。在此，对利用超声波传感器的间距检测的模拟或建模发挥重要作用，这是因为这一方面会影响未知参数、例如客体长度的可识别性，而且会影响不可测量客体量值、例如位置、速度和/或角度的可观测性。由于超声波传感器仅提供与客体最短的间距，因此根据待探测的客体O是否完全覆盖传感器SR1的检测范围，如图2a至图2c所示，间距测量的信息内容及其建模是不同的。在此为简明起见，在本车E中仅示出一个传感器SR1，其布置在本车左侧的车尾区域中，其中，所示的传感器SR1具有检测范围W，在该检测范围内能够实现对客体O的探测。此外，两个交通工具O、E的行驶方向通过分别显示在各交通工具O、E上的三角形示出。

图2a示出的情况在于，交通工具或者说客体O在道路1的外侧车道3上从后方靠近本车E，本车则位于该道路1的内侧车道2上。本车E的传感器SR1在其检测范围W内探测到与客体车辆O的前方的间距s1，其中，传感器始终提供与物体O的最小间距。

图2b示出的情况在于，与图2a所示的情况相比，外侧车道3上的交通工具O进一步靠近本车E。此时传感器SR1测量到间距s2作为与检测范围W内的客体车辆O的最小间距。

在图2c中，客体车辆O在侧向与本车E并行移动，因此传感器SR1此时确定了间距s3作为最小间距。

由客体车辆O向本车E的靠近的结果明显可知，首先在图2a中确定与客体车辆O的前方的间距s1，随着进一步靠近在图2b中确定与客体车辆的右前角的间距s2，并且最后在图2c中确定与客体车辆O的侧向的间距s3，其中：

s1>s2>s3。

在图2a至图2c所示测量的情况下，测量s1、s2和s3是传感器SR1的测量矢量y_SR1(k)的组分，其中，k∈1,…N，N＝测量的次数。

图3示出所检测的壳体O与本车E的间距检测的建模，也即对在图2a至图2c所示事实的建模。在此，壳体O沿其纵轴线向右运动，并且本车E沿其纵轴线同样也向右运动，其中，两个运动方向围成角度α。本车E示出两个布置在其左侧的传感器SR1和SR2，其中，在本讨论中仅考虑左后的传感器SR1。

本车E的坐标系x_e,y_e位于其中心，并且在此考虑的传感器SR1的坐标系x_S,y_S的原点居中地布置在传感器SR1的发射平面中。传感器SR1的坐标系至本车E的坐标系的转换是通过加上传感器SR1的安装位置的坐标完成的。

附图标记E1至E4如图所示标注了壳体O的角，其中，E1构成壳体的左前角，E2构成右前角，E3构成左后角，并且E4构成右后角。因此，线段E1E2构成客体的前边缘，并且线段E3E4构成后边缘，其中，壳体O的宽度以b标注，并且长度l以标注。

此外还示出传感器SR1的检测范围W，通过孔径角定义检测范围。在传感器SR1的坐标原点上标注了过客体的纵轴线LO的垂线a，该垂线用于定义和确定间距μ₁和μ₂，并且标注为传感器法线。在此，间距μ₁定义为前边缘E1E2和垂线a之间的间距，并且间距μ₂定义为客体O的后边缘E3E4与垂线a之间的间距。最后，客体O的在传感器SR1的x_S,y_S坐标系中的中点M具有坐标x_obj和y_obj。

此外，对于上述定义的状态量值

-x_obj＝x₁(k)，

-y_obj＝x₃(k)，

-α＝x₅(k)，

-θ₁＝0.5·l，并且

-θ₂＝0.5·b。

因此，用于确定传感器、在此为传感器SR1的间距的计算步骤如下：

首先确定间距μ₁和μ₂，其中，标注为传感器法线的直线a以黑森法线形式示出，并且间距μ₁和μ₂被标注为两个顶点E1和E3与直线之间的正交间距。因此形成以下等式：

μ₁(k)＝cosx₅(k)·x_E1(k)+sinx₅(k)·y_E1(k)，和

μ₂(k)＝cosx₅(k)·x_E3(k)+sinx₅(k)·y_E3(k)。

客体O的顶点E1至E4在本车E的坐标系x_e,y_e中的坐标如下：

E1：x_E1(k)＝x₁(k)+θ₁(k)·cosx₅(k)+θ₂·sinx₅(k)

y_E1(k)＝x₃(k)-θ₁(k)·sinx₅(k)+θ₂·cosx₅(k)

E2：x_E2(k)＝x₁(k)+θ₁(k)·cosx₅(k)-θ·sinx₅(k)

y_E2(k)＝x₃(k)-θ₁(k)·sinx₅(k)-θ₂·cosx₅(k)

E3：x_E3(k)＝x₁(k)-θ₁(k)·cosx₅(k)+θ₂·sinx₅(k)

y_E3(k)＝x₃(k)+θ₁(k)·sinx₅(k)+θ₂·cosx₅(k)

E4：x_E4(k)＝x₁(k)-θ₁(k)·cosx₅(k)-θ·sinx₅(k)

y_E4(k)＝x₃(k)+θ₁(k)·sinx₅(k)-θ₂·cosx₅(k)

在此，从客体坐标系x_O,y_O至本体坐标系x_e,y_e的坐标的转换利用以下转换矩阵完成：

客体的顶点E1、E2、E3、E4在坐标系x_O,y_O中的坐标在此为：

随后计算在本车坐标系x_e,y_e中的客体角：如下所示：

执行变换导致对于顶点E1、E2、E3和E4的以上结果。

随后，确定传感器、在此在图3所示示例中为传感器SR1的建模的或者说估计的间距值为此分为以下三种情况，其分别对应图2a至图2c所示的情形：

A(k)：这是μ₁(k)<0的情况。在此，客体O位于直线a的左侧，该直线过传感器SR1的坐标系的原点并且垂直于客体的纵轴线LO，如上定义的。在此又分成三种子情况。

A1)如果满足以下关系：

和

这意味着，仅顶点E1位于传感器SR1的检测范围W中，则计算客体O与本车E之间的间距s如下：

其中，s标注与客体O的最小间距。

A2)如果满足条件：

这意味着，当前还有顶点E2位于传感器SR1的检测范围W中，则计算间距s如下：

A3)如果在前提条件μ₁(k)<0下，无论顶点E1还是顶点E2都不位于传感器SR1的检测范围中，则

s＝s_max,

其中，s_max表示传感器SR1的最大工作距离。

B(k)：如果当前考虑μ₂(k)>0的情况，这意味着，客体O位于图3所示直线a的右侧。

B1)如果满足以下条件：

这意味着，顶点E4位于传感器SR1的检测范围W中，则计算客体O的间距s如下：

B2)如果满足以下和关系：

和

这意味着，仅顶点E3位于传感器SR1的检测范围W中，则计算间距s如下：

B3)如果在前提条件μ₂(k)>0下，无论顶点E3还是顶点E4都不位于传感器SR1的检测范围中，则：

s＝s_max。

C(k)：这适用的情况在于，客体O完全覆盖传感器SR1的检查范围W，如图2c的示例所示情况。客体O与本车E之间的间距s则计算如下：

超声波传感器、在此示例中为传感器SR1的建模的间距值则形成如下：

以上通过A(k),B(k)和C(k)描述的三种不同情况针对在模型中考虑的超声波传感器i＝1至m进行重复，m是参与的传感器的数量。在图3的示例中是传感器SR1和SR2。

随后由各个估计的传感器值汇总成完整模型的总输出如下：

是传感器的数量。

在图3的实例中，传感器SR1和SR2是重要的，因此针对这两个传感器SR1、SR2的建模的间距矢量如下：

此时，通过使用合适的优化方法、例如预测误差法、滑模观测器、卡尔曼滤波和列文伯格-马夸尔特方法等，使状态矢量以及参数矢量θ相匹配，从而使测得的系统输出y(k)和建模的系统输出/>在规定的优化标准下尽可能好地一致。

通常的优化标准是测得的系统输出与建模的系统输出之间的偏差F(N)的总和最小化。

其中，N＝测量的次数，

这不是偏差最小化的唯一可能方式。例如还可以使用测得的和建模的系统输出之间的差值的量，而不是将差值平方。

图4示出对于平行驶过传感器SR1的情况建模的结果。也就是说，本车E被客体车辆O以平行行驶的方式超车。如图所示，一方面传感器SR1的测量s(k)是形式为星号的时间t函数，其中，测量指标k也可以理解为时间点t。由此形成了测量的数量k与时间点t的单义对应。模型M，也即建模的系统输出/>利用实线示出。

因此，通过上述对偏差总和的最小化，可以确定上述的状态矢量和参数矢量θ。

图5示出针对倾斜驶过的情况建模的结果，也就是说本车E以倾斜驶过的方式被客体车辆O超车，其中，在此也仅考虑一个传感器SR1的情况。如图所示，一方面传感器SR1的测量s(k)是形式为星号的时间t函数，其中，测量指标k也可以理解为时间点t。由此形成了测量的数量k与时间点t的单义对应。模型M，也即建模的系统输出/>利用实线示出，所述实现与图4的情况相比在下方区域倾斜延伸。

因此，可以由模型M确定上述状态矢量和参数矢量θ。

在所述间距检测的建模中，借助“如果-就”询问来检查该情形A(k),B(K)或C(k)。在另一实施方式中，也可以使用专门参数化的激活函数，而不是询问的结果。以下对客体位于直线a的左侧、右侧还是位于直线上的检查示例性地进行阐述。

分成以上阐述过的三种情况A(k)至C(k)。

A(k)μ₁<0

在此，在图2a至图2b中所反映的μ₁(k)<0的情况是重要的。在此，客体O位于直线a的左侧，该直线过传感器SR1的坐标系的原点并且垂直于客体的纵轴线LO，如上定义的。直线a构成所述过客体O的纵轴线的法线，所述法线延伸进过传感器SR1的原点。

对于客体O位于直线a的左侧的第一种情况μ₁(k)<0，定义了以下传递函数f₁(k)：

在此，因数β是恒定参数，该恒定参数定义了从数值“一”至数值“零”或者从数值“零”至数值“一”的过渡部分的斜度。

借助上述传递函数f₁(k)将情况μ₁(k)<0的激活函数δ₁(k)定义如下：

δ₁(k)＝(f₁(k)-0,5)。

第一激活函数δ₁(k)如图6所示。

B(k)μ₂(k)>0

此时考虑μ₂(k)>0的情况，这意味着，客体O位于图3所示直线a的右侧。该情况在一定程度上是图2a和图2b所示第一种情况的镜像。

对于客体O位于直线a的右侧的第二种情况μ₂(k)>0，定义了以下传递函数f₂(k)：

在此，因数β如上定义并且定义了从“零”至“一”或反过来从“一”至“零”的过渡部分的斜度。

借助上述传递函数f₂(k)将情况μ₂(k)>0的另一激活函数δ₂(k)定义如下：

δ₂(k)＝(f₂(k)-0.5)。

第二激活函数的曲线如图7所示。

C(k))其它

第三考虑的情况在于，客体O完全覆盖传感器SR1的检查范围W，也即位于直线a上，如图2c的示例所示情况。

在此情况下，第三激活函数δ₃(k)定义如下：

δ₃(k)＝(f₁(k)-1.5)·(f₂(k)-1.5)

当同时满足μ₁(k)<0和μ₂(k)>0时，该第三激活函数δ₃(k)则仅为数值“一”。

借助上述规定的激活函数δ₁(k)、δ₂(k)和δ₃(k)，可以将客体O位于直线a的左侧、位于直线a的右侧和位于直线a上的情况的询问集中表述如下：

s＝δ₁(k)·A(k)+δ₂(k)·B(k)+δ₃(k)·C(k)

为了能够计算以上等式，则必须定义情况和函数A(k)至C(k)。以下范例性地示出函数A(k)的示例。随后以类似方式形成函数B(k)和C(k)：

首先，在情况A(k)下，“如果-就”询问范畴内的表述总结如下：

借助上述定义的函数ρ₁和ρ₂定义在图6至图9中示出的另一激活函数。

及其在坐标轴上的镜像：

和

此外，针对情况A(k)的子情况A1、A2和A3的间距s的计算定义如下：

和

s_A3＝s_max。

如果在情况A(k)下将间距s标注为s_A，则对于在情况A(k)下间距的计算适用的是：

因此该等式可以用于间距s的一般计算：

s＝δ₁(k)·A(k)+δ₂(k)·B(k)+δ₃(k)·C(k)

变型为：

其他情况B(k)和C(k)能够以类似方式表示。超声波传感器的建模的间距值的最终值则为：

如在之前在“如果-就”询问的情况下所显示的那样。

附图标记清单

O 客体

E 本车

位置/>

速度v＝[v_x,v_y]^T

l 客体O的长度

∝ 客体与本车的纵轴线之间的角度

1 道路

2 车道

3 车道

S 传感器

s1 测得的间距

s2 测得的间距

s3 测得的间距

W 检测范围

x_e,y_e 本车的坐标系

x_s,y_s 传感器SR1的坐标系

x_O,y_O 客体的坐标系

SR1 本车的传感器1

SR2 本车的传感器2

x_ob 在x_s方向上客体与传感器SR1的中点间距

y_ob 在y_s方向上客体与传感器SR1的中点间距

E1 客体的左前角

E2 客体的右前角

E3 客体的左后角

E4 客体的右后角

E1E2 客体的前边缘

E3E4 客体的后边缘

b 客体的宽度

μ₁ 客体的前边缘E1-E2与传感器SR1的间距

μ₂ 客体的后边缘E3-E4与传感器SR1的间距

a 传感器SR1的过客体纵轴线的传感器法线

传感器SR1的孔径角

OL 客体的纵轴线

M 用于传感器SR1的模型

S(t) 在时间点t测得的间距

δ₁ 激活函数

δ₂ 激活函数

ρ₁ 询问函数

ρ₂ 询问函数

激活函数/>

激活函数

激活函数

激活函数/>

Claims (10)

1.一种借助至少一个布置在机动车侧面上的超声波传感器(SR1，SR2)探测和确定在机动车(E)的周围环境中的客体(O)的重要量值的方法，其中，所述超声波传感器具有由传感器特定的张角所确定的检测范围，所述方法包括以下步骤：

-确定至少一个超声波传感器(SR1，SR2)的真实的传感器值(s(t))的测量序列，所述传感器值表示客体与机动车之间的最小间距，其中，所述至少一个超声波传感器(SR1，SR2)的这些传感器值以预设的时间周期被按时确定，

-通过以下方式对所述至少一个超声波传感器(SR1，SR2)的传感器值的序列进行建模，

-根据状态矢量和参数矢量θ对客体运动进行建模，其中，所述状态矢量/>和参数矢量θ由重要的客体量值构成，

-在考虑到所述状态矢量和参数矢量θ的情况下对间距检测进行建模，

-并且确定所述状态矢量和参数矢量θ，方式是，通过优化方法使建模的传感器值匹配于至少一个超声波传感器(SR1，SR2)的测得的真实的传感器值(s(t))。

2.根据权利要求1所述的方法，其特征在于，为了确定所述状态矢量和参数矢量，将建模的传感器值与真实的传感器值之间的差值的总和最小化。

3.根据权利要求2所述的方法，其特征在于，由所述至少一个超声波传感器(SR1，SR2)的建模的间距值构成建模的传感器值矢量，所述建模的传感器值矢量与各个超声波矢量的真实的传感器值的传感器值矢量相关联，以便进行最小化。

4.根据上述权利要求中任一项所述的方法，其特征在于，建模的传感器值是客体(O)相对于本车(E)的位置的函数以及客体的角部出现在至少一个超声波传感器(SR1，SR2)的检测范围中的函数，其中，确定客体(O)的角部(E1，E2，E3，E4)在机动车(E)的坐标系中的坐标。

5.根据上述权利要求中任一项所述的方法，其特征在于，客体(O)的重要量值至少通过以下给出：

-客体相对于机动车的纵向间距，

-客体相对于机动车的纵向速度，

-客体相对于机动车的横向间距，

-客体相对于机动车的横向速度，

-客体的纵轴线与机动车的纵轴线之间的夹角，

-客体的长度，和

-客体的宽度。

6.根据权利要求3至5中任一项所述的方法，其特征在于，由所述至少一个超声波传感器(SR1,SR2)的建模的间距值构成建模的传感器值矢量，其中，所述至少一个超声波传感器(SR1,SR2)的建模的间距值由所述至少一个超声波传感器的最大工作距离的最小值以及在客体(O)与机动车(E)之间计算出的间距值的最小值构成。

7.根据权利要求6所述的方法，其特征在于，所述计算出的间距值确定为客体的位置相对于至少一个超声波传感器(SR1,SR2)的传感器法线(a)的函数，其中，所述传感器法线(a)定义为延伸经过相应的至少一个超声波传感器(SR1，SR2)的原点且垂直于客体纵轴线(LO)的直线。

8.根据权利要求7所述的方法，其特征在于，为了确定计算出的间距值，检查客体(O)是否位于传感器法线(a)的左侧、右侧还是处于传感器法线上。

9.根据权利要求8所述的方法，其特征在于，对客体(O)的位置的检查通过激活函数进行。

10.一种用于探测和确定在机动车(E)的周围环境中的客体(O)的重要量值的设备，其中，所述设备设置和设计用于实施根据上述权利要求中任一项所述的方法，所述设备包括

-至少一个布置在机动车侧面上的超声波传感器(SR1，SR2)，用于按时确定传感器值，所述传感器值表示与客体(O)的间距，

-用于确定建模的传感器值的装置，所述建模的传感器值作为客体(O)的重要量值的函数，和

-优化装置，用于使建模的传感器值匹配于每个用于确定客体重要量值的超声波传感器的真实的传感器值。