DE102007055638A1

DE102007055638A1 - Vorrichtung zur Ermittlung eines aktuellen Fahrzeugzustands

Info

Publication number: DE102007055638A1
Application number: DE102007055638A
Authority: DE
Inventors: Markus Haid
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2007-11-21
Filing date: 2007-11-21
Publication date: 2009-05-28

Abstract

Die Erfindung betrifft eine Vorrichtung zur Ermittlung eines aktuellen Fahrzeugstands mit mehreren Sensoreinheiten (10, 20, 30) zur Erfassung von Bewegungssignalen und einer Auswerte- und Steuereinheit (1), welche die erfassten Bewegungssignale zur Ermittlung des aktuellen Fahrzeugzustands auswertet und den ermittelten Fahrzeugzustand an ein nachfolgendes Fahrzeugsystem (50) weiterleitet. erfindungsgemäß werden Ausgabesignale der Sensoreinheiten (10, 20, 30) zur Ermittlung von korrespondierenden Bewegungsgrößen von der Auswerte- und Steuereinheit (1) ausgewertet und kombiniert, wobei die Auswerte- und Steuereinheit (1) den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen mit einer Filtervorrichtung (40) abschätzt und wobei die mehreren Sensoreinheiten (10, 20, 30) jeweils mindestens zwei baugleiche Sensoren (12, 14, 22, 24, 32, 34) umfassen, welche gleiche Bewegungssignale erfassen.

Description

Stand der Technik
Die Erfindung geht aus von einer Vorrichtung zur Ermittlung eines aktuellen Fahrzeugzustands nach der Gattung des unabhängigen Patentanspruchs 1.
Aktive und passive Insassenschutzsysteme und Fußgängerschutzsysteme spielen bei der Fortentwicklung von Fahrzeugen eine immer größer werdende Rolle. Grundlage der aktiven Schutzsysteme bilden Sensorsysteme, die eine oder mehrere Sensoreinheiten umfassen, deren Signale zur Erkennung eines Aufpralls mit einem Fußgänger oder mit einem anderen Fahrzeug oder zur Erkennung eines Überschlags des Fahrzeugs von mindestens einem Fahrzeugsystem ausgewertet werden, um anschließend eine Fußgängerschutzvorrichtung, die beispielsweise Außenairbags an den A-Säulen, eine aktive Motorhaube usw. umfasst, oder eine Insassenschutzvorrichtung zu aktivieren, die Airbags, Gurtstraffer usw. umfasst. Für die Sensoreinheiten können die verschiedensten Sensorprinzipien, wie beispielsweise Beschleunigungs-, Druck-, Klopfsensoren, piezoelektrische und/oder optische Sensoren usw. benutzt werden.
Mit der zunehmenden Verwendung von im Fahrzeug integrierten Sensoreinheiten besteht aus Kostengründen ein großes Interesse an der Verwendung von preisgünstigen Sensoren. In der Regel weisen kostengünstige Sensoren jedoch eine starke Sensordrift auf, die beispielsweise durch zufällige Nullpunktfehler (Offset, Bias) verursacht wird. Diese Nullpunktfehler entstehen beispielsweise aufgrund von Herstellungsungenauigkeiten, Temperaturänderungen, Umwelteinflüssen, Alterung usw.
In der europäischen Patentschrift EP 0 934 855 B1 wird eine auf einem erweiterten Kalman-Filter basierende Überrollsensierung beschrieben. Eine beschriebene Überrollerfas sungsvorrichtung zum Vorhersagen eines Überschlagzustandes für ein Fahrzeug umfasst mehrere Sensoren zum Erfassen einer Rollrate, einer Nickrate, einer Längsbeschleunigung, einer Seitenbeschleunigung und einer Vertikalbeschleunigung des Fahrzeugs. Der Kalman-Filter wird verwendet, um aus den erfassten Sensorsignalen einen Rollwinkel und einen Nickwinkel abzuschätzen.
Offenbarung der Erfindung
Die erfindungsgemäße Vorrichtung zur Ermittlung eines aktuellen Fahrzeugzustands mit den Merkmalen des unabhängigen Patentanspruchs 1 hat demgegenüber den Vorteil, dass eine Auswerte- und Steuereinheit Ausgabesignale von Sensoreinheiten zur Ermittlung von korrespondierenden Bewegungsgrößen auswertet und kombiniert und den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen mit einer Filtervorrichtung abschätzt. Hierbei umfassen die mehreren Sensoreinheiten jeweils mindestens zwei baugleiche Sensoren, welche gleiche Bewegungssignale erfassen. Zudem leitet die Auswerte- und Steuereinheit den ermittelten Fahrzeugzustand an ein nachfolgendes Fahrzeugsystem weiter. Durch die Kombination bzw. Fusion der Signale von mehreren Sensoren und Sensoreinheiten kann die reale Umwelt oder das Verhalten des Fahrzeugs in vorteilhafter Weise exakter rekonstruiert werden. Eine Hauptaufgabe der erfindungsgemäßen Vorrichtung besteht darin, über einen Satz von Stützgrößen andere Messgrößen so zu korrigieren, dass mit ihnen eine höhere Genauigkeit erreicht werden kann, als wenn man sie alleine betreiben würde. Dabei wird auf Sensoren zurückgegriffen, die teils komplementär arbeiten und einen Informationsgewinn bei der Verarbeitung auf verschiedenen Stufen der Kombination bzw. Fusion bieten. Über die Kombination verschiedener Sensoren können darüber hinaus Informationen gewonnen werden, die mit einem einzelnen Sensor bzw. einer einzelnen Sensoreinheit nicht zu erfassen sind. Zudem können durch die erfindungsgemäße Vorrichtung der Messbereich vergrößert und/oder die Messgenauigkeit in einem relevanten Intervall gesteigert werden. Des Weiteren ergibt sich durch redundante Messwerte und Sensoren eine gesteigerte Ausfallsicherheit. Die erfindungsgemäße Vorrichtung kombiniert in vorteilhafter Weise die verschiedenen Informationen aus den Messwerten oder den gewonnenen Zwischengrößen. So ist es beispielsweise möglich, dass situationsabhängig eine unterschiedliche Kombination von Sensoren verwendet werden kann, wobei die Filtervorrichtung zur Merkmalsgenerierung dient. Die einzelnen Sensoreinheiten verwenden zur Erfassung der Bewegungssignals kostengünstige Sensoren, deren Messfehler durch die Auswerte- und Steuereinheit in vorteilhafter Weise deut lich reduziert werden können, so dass die Leistungsfähigkeit der verwendeten Sensoreinheiten erhöht werden kann und der negative Einfluss der stochastischen Sensordrift der Sensoren reduziert werden kann.
Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen und Weiterbildungen sind vorteilhafte Verbesserungen der im unabhängigen Patentanspruch 1 angegebenen Vorrichtung zur Ermittlung eines aktuellen Fahrzeugzustands möglich.
Besonders vorteilhaft ist, dass die Filtervorrichtung mehrere Filtereinheiten umfasst, von denen die Auswerte- und Steuereinheit mindestens eine Filtereinheit zur Schätzung des Fahrzeugzustands auswählt. Die Auswerte- und Steuereinheit kann die mindestens eine Filtereinheit zur Schätzung des Fahrzeugzustands beispielsweise in Abhängigkeit von einem Gütekriterium auswählen. Im realen Fahrzeug tritt eine Vielzahl von Arbeitspunkten auf, die mit nur einer statischen Filtereinheit nicht ausreichend erfasst werden können. Daher werden in der Filtervorrichtung mehrere Filtereinheiten für verschiedene Sensor- und Stützkonfigurationen und mit verschiedenen Parametersätzen ausgelegt, die parallel laufen, anstatt eine Filtereinheit so auszulegen, dass sie den besten Kompromiss aus allen Arbeitspunkten darstellt. Die Auswerte- und Steuereinheit bestimmt dann anhand eines Gütekriteriums, welche Filtereinheit an den Systemausgang geleitet wird, bzw. das Verhältnis, mit dem die Ergebnisse der einzelnen Filtereinheiten gemischt werden.
Zusätzlich oder alternativ kann die Auswerte- und Steuereinheit die Ausgabe der mindestens einen Filtereinheit mit einem Gewichtungsfaktor bewerten und/oder die Ausgaben von mehreren Filtereinheiten miteinander kombinieren. Die einzelnen Filtereinheiten können mit unterschiedlichen mathematischen Modellen und/oder verschiedenen stochastische Annahmen eingerichtet werden. Für die ermittelten Zustände der einzelnen Filtereinheiten können anschließend entsprechende Gewichtungsfaktoren bestimmt werden, wobei die gewichteten Zustände schließlich zu einem Gesamtzustand zusammengefasst werden können.
In Ausgestaltung der erfindungsgemäßen Vorrichtung zur Ermittlung eines aktuellen Fahrzeugzustands ist in den mehreren Filtereinheiten jeweils ein Filtermodell implementiert, wobei die Auswerte- und Steuereinheit beispielsweise in Abhängigkeit von angegebenen Übergangswahrscheinlichkeiten zwischen den verschiedenen Filtereinheiten umschaltet.
Die Verwendung von mehreren parallel laufenden Filtereinheiten erhöht die Rechenleistung der Auswerte- und Steuereinheit. Daher kann die Auswerte- und Steuereinheit alternativ mindestens einen Einstellparameter der Filtervorrichtung zur Laufzeit anpassen, d. h. anstatt aus mehreren Filtereinheiten eine Filtereinheit situationsabhängig auszuwählen, können die Einstellparameter einer Filtereinheit zur Laufzeit angepasst werden.
In Ausgestaltung der erfindungsgemäßen Vorrichtung umfasst die Filtervorrichtung eine als erweiterter Kalman-Filter ausgeführte Filtereinheit, welche den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen abschätzt und einen mittleren quadratischen Fehler zwischen dem realen aktuellen Zustand und dem geschätzten aktuellen Zustand minimiert. Die als erweiterte Kalman-Filter ausgeführt Filtereinheit stellt eine Modifikation eines Kalman-Filters für nichtlineare Systeme dar und bietet einen optimalen stochastischen Schätzer für stark verrauschte Signale. Die Ausführung der Filtereinheit als erweiterter Kalman-Filter ermöglicht in vorteilhafter Weise einen überschaubaren und deterministischen Rechenaufwand und ist insbesondere für eine resourcenschonende Realisierung als Mikroprozessor geeignet. Zudem erfordert die als erweiterter Kalman-Filter ausgeführte Filtereinheit nur wenige einzustellende Parameter.
Zusätzlich oder alternativ umfasst die Filtervorrichtung eine als unscented Kalman-Filter ausgeführte Filtereinheit, welche den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen unter Verwendung einer Gaußverteilung abschätzt. Die Verwendung der als unscented Kalman-Filter ausgeführten Filtereinheit beruht auf der Annahme, dass es leichter ist eine Gaußverteilung anzunähern, als eine beliebige nichtlineare Funktion. Daher verzichtet die als unscented Kalman-Filter ausgeführte Filtereinheit auf eine Linearisierung und führt stattdessen so genannte Sigma-Punkte ein.
In weiterer Ausgestaltung der erfindungsgemäßen Vorrichtung kann die Filtervorrichtung zusätzlich oder alternativ eine als Informations-Filter ausgeführte Filtereinheit umfassen, welche den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen abschätzt. Die als Informations-Filter ausgeführte Filtereinheit entspricht einer anderen mathematischen Beschreibung eines Kalman-Filters, die bei gleichen Eingangsdaten und gleichem Modell das gleiche Ergebnis liefert. Die als Informations-Filter ausgeführte Filtereinheit bietet bei der Implementierung auf einem Multisensorsystem numerische Vorteile und verlangt weniger Rechenleistung, da die Kombination bzw. Fusion der einzelnen Sensor anteile zum Gesamtsystem einfache Additionen sind. Im Gegensatz zum Kalman-Filter kann sich die als Informations-Filter ausgeführte Filtereinheit an Situationen adaptieren, in denen gleichzeitig mehrere Beobachtungen berücksichtigt werden müssen. Die numerischen Vorteile werden vor allem bei der Implementierung der Auswerte- und Steuereinheit als Mikrocontroller deutlich, da keine Fließkommazahlen mit doppelter Genauigkeit sondern nur mit einfacher Genauigkeit oder sogar nur eine Integer-Arithmetik verfügbar sein muss.
In weiterer Ausgestaltung der erfindungsgemäßen Vorrichtung kann die Filtervorrichtung zusätzlich oder alternativ eine als Partikel-Filter ausgeführte Filtereinheit umfassen, welche den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen abschätzt. Partikel-Filter stellen eine Gruppe innerhalb der nichtlinearen stochastischen Zustandsschätzer dar und sind auch unter der Bezeichnung Sequential Monte Carlo Methods bekannt. Sie ordnen einer Menge von Punkten im Zustandsraum („Partikeln") Wahrscheinlichkeiten zu. Unter der Annahme von Konvergenz des Filters bildet sich aus einer Punktwolke der Zustand mit der größten Wahrscheinlichkeit als geschätzte Ist-Postion heraus. Bei der Anwendung eines Partikelfilters kann eine höhere Genauigkeit erreicht werden, als bei der direkten Anwendung der nichtlinearen Modellgleichungen. Der Partikelfilter ermöglicht spezielle Beschreibungen des Rauschverhaltens, die über ein gaußsches Rauschen nicht abgebildet werden können. Während eine als erweiterter Kalman-Filter ausgeführte Filtereinheit beispielsweise einen optimalen Filter für ein approximiertes Modell darstellt, schätzt die als Partikel-Filter ausgeführte Filtereinheit die optimale Lösung numerisch basierend auf einem echten physikalischen Modell. Dadurch ergibt sich die Möglichkeit des Einsatzes der als Partikel-Filter ausgeführten Sensoreinheit bei ungenauen Sensordaten und einem fehlerbehafteten Systemmodell.
Insgesamt ermöglicht die erfindungsgemäße Vorrichtung eine Fehlerreduzierung in den erfassten fehlerbehafteten Bewegungssignalen, so dass die Leistungsfähigkeit der zur Erfassung der fehlerbehafteten Bewegungssignale verwendeten Sensoreinheiten in vorteilhafter Weise erhöht wird und insbesondere der negative Einfluss der stochastischen Sensordrift verringert werden kann. Dadurch können in vorteilhafter Weise kostengünstige Sensoren zur Erfassung der fehlerbehafteten Bewegungssignale verwendet werden, deren Nullpunktfehler extrem minimiert werden können. Als Sensoren können verschiedene Sensortypen, wie z. B. Beschleunigungssensoren, Drehratensensoren usw. verwendet werden.
Ausführungsbeispiele der Erfindung sind in den Zeichnungen dargestellt und werden in der nachfolgenden Beschreibung näher erläutert.
Kurze Beschreibung der Zeichnungen
1 zeigt ein schematisches Blockdiagramm einer erfindungsgemäßen Vorrichtung zur Ermittlung eines aktuellen Fahrzeugzustands.
2 zeigt ein schematisches Blockdiagramm einer Ausführungsform einer Filtereinheit für die erfindungsgemäße Vorrichtung zur Ermittlung eines aktuellen Fahrzeugzustands gemäß 1.
3 bis 5 zeigen verschiede Kombinationsmöglichkeiten von mehreren Filtereinheiten für die erfindungsgemäße Vorrichtung zur Ermittlung eines aktuellen Fahrzeugzustands gemäß 1.
6 bis 8 zeigen Kennlinien zur Darstellung verschiedener Partikelverteilungen einer als Partikelfilter ausgeführten Filtereinheit für die erfindungsgemäße Vorrichtung zur Ermittlung eines aktuellen Fahrzeugzustands.
Ausführungsformen der Erfindung
Wie aus 1 ersichtlich ist, umfasst eine erfindungsgemäße Vorrichtung zur Ermittlung eines aktuellen Fahrzeugzustands mehrere Sensoreinheiten 10, 20, 30 zur Erfassung von Bewegungssignalen, von denen beispielhaft drei Sensoreinheiten 10, 20, 30 dargestellt sind, und eine Auswerte- und Steuereinheit 1, welche die von den Sensoreinheiten 10, 20, 30 erfassten Bewegungssignale zur Ermittlung des aktuellen Fahrzeugzustands auswertet und den ermittelten Fahrzeugzustand an ein nachfolgendes Fahrzeugsystem 50 weiterleitet. Das Fahrzeugsystem 50 umfasst beispielsweise aktive und passive Insassenschutzsysteme, die beispielsweise Airbags, Gurtstraffer usw. umfassen, und Fußgängerschutzsysteme, die beispielsweise Außenairbags an den A-Säulen, eine aktive Motorhaube usw. umfassen. Die Sensoreinheiten 10, 20, 30 umfassen jeweils mindestens zwei baugleiche Sensoren 12, 14, 22, 24, 32, 34, wobei die beiden baugleichen Sensoren 12, 14, 22, 24, 32, 34 einer Sensoreinheit 10, 20, 30 jeweils die gleichen Bewegungssignale erfassen.
Die Ausgabesignale der Sensoreinheiten 10, 20, 30 werden von der Auswerte- und Steuereinheit 1 zur Ermittlung von korrespondierenden Bewegungsgrößen ausgewertet und kombiniert. Zudem schätzt die Auswerte- und Steuereinheit 1 den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen mit einer Filtervorrichtung 40 ab. Für die einzelnen Sensoren 12, 14, 22, 24, 32, 34 der Sensoreinheiten 10, 20, 30 können die verschiedensten Sensorprinzipien, wie Beschleunigungs-, Druck-, Klopfsensoren, piezoelektrische und/oder optische Sensoren usw. benutzt werden.
Wie aus 1 weiter ersichtlich ist, umfasst die Filtervorrichtung 40 mehrere Filtereinheiten 60, von denen die Auswerte- und Steuereinheit 1 mindestens eine Filtereinheit 60 zur Schätzung des Fahrzeugzustands auswählt. Die Auswahl der mindestens einen Filtereinheit 60 zur Schätzung des Fahrzeugzustands erfolgt beispielsweise in Abhängigkeit von einem Gütekriterium, wobei die Auswerte- und Steuereinheit 1 die Ausgabe der einzelnen Filtereinheiten 60 zusätzlich mit einem Gewichtungsfaktor bewerten und/oder die Ausgaben von mehreren Filtereinheiten 60 miteinander kombinierten kann, wie nachfolgend unter Bezugnahme auf 3 bis 5 im Detail beschrieben wird. In den Filtereinheiten 60 kann jeweils ein Filtermodell implementiert werden, wobei die Auswerte- und Steuereinheit 1 beispielsweise in Abhängigkeit von angegebenen Übergangswahrscheinlichkeiten zwischen den verschiedenen Filtereinheiten 60 umschalten kann. Zusätzlich oder alternativ kann die Auswerte- und Steuereinheit 1 mindestens einen Einstellparameter der Filtervorrichtung 40 zur Laufzeit anpassen.
Die Daten eines einzelnen Sensors 12, 14, 22, 24, 32, 34 spiegeln in der Regel nicht die reale Umwelt oder das Verhalten des Fahrzeugs wieder. Daher versucht die erfindungsgemäße Vorrichtung über eine Kombination bzw. Fusion der einzelnen Sensorsignale von verschiedenen Sensoren 12, 14, 22, 24, 32, 34 dieses Verhalten möglichst exakt zu rekonstruieren. Eine wesentliche Funktion der erfindungsgemäßen Vorrichtung besteht darin, über einen Satz von Stützgrößen andere Messgrößen so zu korrigieren, dass mit ihnen eine höhere Genauigkeit erreicht wird, als wenn man sie alleine betreiben würde. Dabei wird auf Sensoren 12, 14, 22, 24, 32, 34 zurückgegriffen, die teils komplementär arbeiten und einen Informationsgewinn bei der Verarbeitung auf verschiedenen Stufen der Kombination bzw. Fusion bieten. Über die Kombination verschiedener Sensoren 12, 14, 22, 24, 32, 34 können darüber hinaus Informationen gewonnen werden, die mit einem einzelnen Sensor nicht zu erfassen sind. Weitere Ziele sind die Vergrößerung des Messbereiches oder die Steigerung der Messgenauigkeit in einem relevanten Intervall. Auch Aspek te wie gesteigerte Ausfallsicherheit durch redundante Messwerte und Sensoren 12, 14, 22, 24, 32, 34 können über die erfindungsgemäße Vorrichtung berücksichtigt werden.
Die Architektur der erfindungsgemäßen Vorrichtung beschreibt die logische und formale Kombination der verschiedenen Informationen aus den Messwerten oder gewonnenen Zwischengrößen. Sie hängt entscheidend von der verfügbaren Sensorik mit ihrer Charakteristik und dem Ziel der Fusion ab. Weitere Überlegungen zur Struktur ergeben sich aus der Komplexität des Problems und problemspezifischen Anpassungen. So ist es möglich, dass situationsabhängig eine unterschiedliche Kombination von Sensoren 12, 14, 22, 24, 32, 34 verwendet wird. Wie aus 2 ersichtlich ist, wird im Folgenden von einem dynamischen Systemmodell nach Gleichung (1) und (2) ausgegangen. x . = f(x, u) (1) z = h(x) (2)
Der Zustand des Systems 61 wird durch x gekennzeichnet, der Eingang des Systems 61 wird durch u und das dynamische Verhalten des Systems 61 wird durch die Funktion f(x, u) beschrieben. Der Ausgang z eines Stützsystems 62 wird durch die Funktion h(x) gebildet. Der Systemausgang wird bei Fusionsalgorithmen auch zur Stützung des Systems verwendet, wie es bei einem Kalman-Filter praktiziert wird.
2 zeigt eine schematische Struktur einer als erweiterter Kalman-Filter ausgeführten Filtereinheit 60 der Filtervorrichtung 40. Die Signale der Sensoren 12, 14, 22, 24, 32, 34 werden über eine Filtereinheit 60 oder mehrere parallele Filtereinheiten 60 geführt. Diese Filtereinheiten 60 dienen der Merkmalsgenerierung. So können beispielsweise mit einem Hochpass-Filter, der auf die Beschleunigungssensoren angewendet wird, Stöße erkannt werden, die einer Störung im Algorithmus entsprechen. Die als erweiterter Kalman-Filter ausgeführte Filtereinheit 60 stellt eine Modifikation eines Kalman-Filters für nichtlineare Systeme dar und bietet einen optimalen stochastischen Schätzer 63 für stark verrauschte Signale. Die als erweiterte Kalman-Filter ausgeführte Filtereinheit 60 schätzt den Zustand des Systems und minimiert dabei den mittleren quadratischen Fehler zwischen realem Zustand und geschätztem Zustand. Im Block 63 wird der Zustand des Systems geschätzt, im Block 64 werden die Stützgrößen simuliert und der Block 65 dient als Korrekturglied. Das erweiterte Kalman-Filter ergibt sich nach den Gleichungen (3) und (4). x . = f(x, u) + g(x, w) (3) z = h(x) + ξ (4)
Hierbei repräsentiert das Signal w das weiße Systemrauschen und die Größe ξ repräsentiert das Messrauschen. Man unterscheidet zwischen einem ersten Schritt dem so genannten Kalman-Timer-Update gemäß Gleichung (5) und (6) und einem zweiten Schritt dem so genannten Kalman-Measurement-Update gemäß Gleichung (7), (8) und (9).
P . = FP + PFT + GQGT (6) K = PHT(HPHT + URUT)–1 (7) x ^k = x ^k-1 + K(z* – h(x ^k-1)) (8) Pk = KURUTKT + (I – KH)Pk-1(I – KH)T (9)
In den oben aufgeführten Gleichungen repräsentiert die Matrix F die Jacobi-Matrix von f(x, u), G die Jacobi-Matrix des Prozessrauschens von g(x, w), H die Jacobi-Matrix von h(x) und U die Jacobi-Matrix des Messrauschens ξ. Die Gleichungen (5) und (6) werden bei der Auswertung vorzugsweise zu einem Vektor-Matrix-System zusammengefasst und gemeinsam integriert. Die Gleichung (9), die auch als Joseph-Form bezeichnet wird, hat den Vorteil, dass die Symmetrie und die positive Definitheit der Kovarianzmatrix erhalten bleiben.
Für die als erweiterter Kalman-Filter ausgeführte Filtereinheit 60 und die Matrizen Q und R, welche die Intensität des Systemrauschens und des Messrauschens angeben, gelten die Gleichungen (10) bis (15): E[wt] = 0 (10) E[wtwTt+τ ] – Q·δ(τ) (11) E[wtvs] = 0 (12) E[vt] = 0 (13) E[vtvTt+τ ] = R·δ(τ) (14) P = E[(x – x ^)(x – x ^)T] (15)
Die Ausführung der Filtereinheit 60 als erweiterter Kalman-Filter ermöglicht einen deterministischen und überschaubaren Rechenaufwand und kann in vorteilhafter Weise als resourcenschonender Mirkocontroller implementiert werden. Zudem sind nur wenige einzustellende Parameter erforderlich. Die Matrixinversion von Gleichung (7) kann bei vorliegender Kovarianzmatrix R in Diagonalform entfallen, da die einzelnen Messungen voneinander unabhängig sind. Dadurch kann die blockweise Berechnung in vorteilhafter Weise durch eine sequentielle Aktualisierung mit skalaren Größen ersetzt werden.
Zusätzlich oder alternativ kann die Filtervorrichtung 40 eine als unscented Kalman-Filter ausgeführte Filtereinheit 60 umfassen, welche den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen unter Verwendung einer Gaußverteilung abschätzt. Die Idee hinter der Ausführung der Filtereinheit 60 als unscented Kalman-Filter resultiert aus der Annahme, dass es leichter wäre eine Gaußverteilung anzunähern, als eine beliebige nichtlineare Funktion. Folglich verzichtet die als unscented Kalman-Filter ausgeführte Filtereinheit 60 auf die Linearisierung und führt stattdessen so genannte Sigma-Punkte Xi ein. Bei dem unscented Kalman-Filter wird von der allgemeine Systemgleichung (16) ausgegangen, wobei insbesondere Gleichung (17) gilt. y = f(x) (16) y = x . (17)
Als Ersatz für die Linearisierung werden 2n + 1 Sigma-Punkte verwendet, die nach Gleichung (18) gebildet werden:
In der Gleichung (18) stellt ^-x den Erwartungswert von x dar. Der Parameter K ist ein Skalierungsparameter und Gleichung (19) entspricht der Wurzel aus der i-ten Zeile der Kovarianzmetrix P. (√(n + κ)·P) (19)
Zudem wird jedem Sigmapunkt Xi ein Gewicht Wi nach Gleichung (20) zugeordnet.
Daraufhin werden die 2n + 1 Sigma-Punkte über die Dynamikfunktion gemäß Gleichung 21) propagiert. Yi = f(Xi) (21)
Der transformierte Erwartungswert ^-y berechnet sich nach Gleichung (22).
Die Kovarianzmatrix des Erwartungswerts ergibt sich nach Gleichung (23).
Die Ausführung der Filtereinheit 60 als unscented Kalman-Filter hat gegenüber der Ausführung als erweiterter Kalman-Filter den Vorteil, dass keine Linearisierung erforderlich ist.
Reale Systeme weisen häufig eine Vielzahl von Arbeitspunkten auf, die mit nur einer statischen Filtereinheit 60, die beispielsweise als erweiterter Kalman-Filter oder unscented Kalman-Filter ausgeführt ist, nicht ausreichend erfasst werden können. Anstatt eine Filtereinheit 60 so auszulegen, dass die Filtereinheit 60 den besten Kompromiss aus allen Arbeitspunkten darstellt, werden, wie aus 3 bis 5 ersichtlich ist, mehrere Filtereinheiten 60 für verschiedene Sensor- und Stützkonfigurationen und mit verschiedenen Parametersätzen ausgelegt, die parallel laufen. Gemäß 3 und 4 bestimmt ein Entscheidungsblock 70 anhand eines Gütekriteriums, welche Filtereinheit 60 an den Systemausgang geleitet wird, bzw. das Verhältnis, mit dem die Ergebnisse der einzelnen Filtereinheiten 60 gemischt werden. Gemäß dem in 3 dargestellten Ausführungsbeispiel werden zwei parallele Filtereinheiten 60 miteinander kombiniert. Hierbei wird als Gütekriterium jeweils die Kovarianzmatrix P der entsprechenden Filtereinheit 60 verwendet. Unter der Annahme, dass x_i den Zustand einer ersten Filtereinheit 60 und x₂ den Zustand einer zweiten Filtereinheit 60 repräsentiert und P₁ und P₂ die zugehörigen Kovarianzmatrizen repräsentieren, ergibt sich der gemischte Ausgangszustand x_g nach Gleichung (24).
Wie aus 4 ersichtlich ist, kann auch eine Erweiterung der Methodik stattfinden, indem anstatt Gleichung (24) jeder Filtereinheit 60 ein Gewichtungsblock 72 mit einem zugehörigem Gewichtsfaktor W_i zugeordnet wird. Der Eingang u wird einer Reihe von N Filtereinheiten 60 zugeführt. Die einzelnen Filtereinheiten 60 können mit unterschiedlichen mathematischen Modellen und/oder verschiedenen stochastische Annahmen eingerichtet werden. Für die Zustände x_i der einzelnen Filtereinheiten 60 wird anschließend ein Gewichtungsfaktor W_i bestimmt, und die mit W_i gewichteten Zustände x_i werden schließlich vom Entscheidungsblock 70 zum Zustand x_g zusammengefasst.
Die Größe W_i nach Gleichung (25) kann als Wahrscheinlichkeit für die Richtigkeit des i. Modells angesehen werden.
Dabei gilt für f_i(z_k) die Gleichung (26). In Gleichung (26) entspricht ist n der Anzahl von Messungen.
Dabei ist P_i die Kovarianzmatrix der i-ten Filtereinheit und δ_k bestimmt sich gemäß Gleichung (27). δk = zk – Hkxk (27)
Damit ergibt sich der kombinierte Zustand x_g nach Gleichung (28).
In dem oben angeführten Beispiel kann W_j als Wahrscheinlichkeit angesehen werden, die die Korrektheit der Filtereinheit j angibt. Diesen Gedanken kann man gemäß 5 dahingehend fortführen, dass man nicht nur zwischen den multiplen Filtereinheiten 60 überblendet, sondern Übergangswahrscheinlichkeiten p(m|n) angibt, die die Interaktion zwischen den in den Filtereinheiten 60 implementierten Modellen angibt. Dieser Ansatz ist unter dem Namen Interacting Multiple Model Kalman-Filter bekannt. Dabei ist p(m|n) die Wahrscheinlichkeit, dass das Modell m im Zeitpunkt k korrekt ist, wenn im Zeitpunkt k – 1 das Modell n korrekt war. Jedes Modell kann dabei beispielsweise über ein erweitertes Kalman-Filter oder ein Unscented Kalman-Filter beschrieben werden.
Unter der Annahme, dass N unterschiedliche Modelle existieren, können schließlich die Gleichungen (29) bis (31) formuliert werden.
Dabei gibt L_m (k) die Wahrscheinlichkeit für das Modell m zum Zeitpunkt k an, die auf dem Stützresiduum δ_m = (z* – h(x))_m des m-ten Modells basiert und als Normalverteilung L_m(k) = N (δ_m(k), 0, S_m(k)) mit Argument δ_m(k), Mittelwert 0 und Kovarianz S_m(k) = H_m(k)P_m(k)H^T _m(k) + R_m beschrieben werden kann.
Da die mehreren Filtereinheiten 60 parallel laufen und die Anforderungen an die Rechenleistung signifikant erhöhen können, kann die Auswerte- und Steuereinheit 1 ausgelegt werden, um zusätzlich oder alternativ mindestens einen Einstellparameter der Filtervor richtung 40 bzw. einer der Filtereinheiten 60 zur Laufzeit anzupassen. So können die Einstellparameter einer der Filtereinheiten oder der Filtervorrichtung 40 zur Laufzeit angepasst werden, anstatt aus mehreren Filtereinheiten 60 eine Filtereinheit situationsabhängig auszuwählen. Zur Adaption einer Filtereinheit 60 bietet sich insbesondere die Rauschintensitätsmatrix R an, da über ihre Einträge indirekt die Intensität der Stützung eingestellt werden kann. Anhand von Versuchen und Auswertungen konnten beispielsweise verschiedene Konstellationen und Einstellungen für die Rauschintensitäts-Matrizen R und Q gefunden werden, bei denen entweder die Genauigkeit der Position oder der Lagewinkel erhöht werden kann. Wird diese Erkenntnis mit einer auf der Analyse der Drehraten und Beschleunigungen basierenden Merkmalsgenerierung kombiniert, so erhält man eine adaptive Filtereinheit 60.
Ein weiterer Ansatzpunkt für die Adaption einer der Filtereinheiten 60 ist die zeitliche Anpassung der Matrix-Elemente über eine vorher festgelegte Vorschrift. So kann in der Phase der Initialisierung über einen kleinen R-Matrix-Eintrag eine hohe Stützwirkung erzielt werden, während jene Stützgröße im Betrieb eventuell nicht zuverlässig zur Verfügung steht und das Ergebnis der Schätzung eher verschlechtern, anstatt verbessern würde.
Zusätzlich oder alternativ zur Ausführung der Filtereinheit 60 als erweiterter Kalman-Filter bzw. unscented Kalman-Filter kann die Filtervorrichtung 40 eine als Informations-Filter ausgeführte Filtereinheit 60 umfassen, welche den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen abschätzt. Ein Informations-Filter stellt eine andere mathematische Beschreibung eines Kalman-Filters dar, die bei gleichen Eingangsdaten und gleichem Modell das gleiche Ergebnis liefert. Der Informations-Filter ist insbesondere zur Sensorfusion von zu navigierenden Fahrzeugen geeignet und weist gegenüber einem Kalman-Filter einige Vorteile auf.
Das grundlegende Element der als Informations-Filter ausgeführten Filtereinheit 60 ist der Informationsvektor y_k und die Informationsmatrix Y_k, die dem Inversen der Kovarianzmatrix P aus Gleichung (32) entspricht. Yk = P–1k (32)
Die Informationsmatrix gibt den Informationsgehalt des Zustandsvektors ^x an. Der Informationsvektor y ergibt sich nun aus Gleichung (33). yk = Ykxk (33)
Mit Gleichung (33) kann der Informationsvektor y_k+1 nach Gleichung (34) prädiziert werden. yk+1 = (YkFkY–1k )yk (34)
In Gleichung (34) symbolisiert F_k die Jacobimatrix, die ebenfalls in der Anwendung der Kalman-Filterung bekannt ist. Analog wir die Informationsmatrix Y_k+1 nach Gleichung (35) prädiziert. Yk+1 = (FkY–1k FTk + Qk)–1 (35)
In Gleichung (35) ist die Kovarianz J_k durch Gleichung (36) bestimmt. Jk = HTk R–1k Hk (36)
Mit Hilfe der Kovarianz J_k kann am Ende des Algorithmus der Aktualisierungsschritt der Filtereinheit 60 gemäß Gleichung (37) vorgenommen werden.
In der Gleichung (37) bezeichnet N die Anzahl der zu fusionierenden Sensoren, die im Zeitschritt k Informationen liefern.
Der Vorteil der als Informations-Filter ausgeführten Filtereinheit 60 besteht darin, dass die Kalman-Filter-Matrix K nicht neu berechnet werden muss. Außerdem muss die Matrix Y nicht initialisiert werden, da sie zu Beginn des Verfahrens einfach zu Null gesetzt werden kann. Der Informations-Filter bietet bei der Implementierung auf einem Multisensorsystem numerische Vorteile und verlangt weniger Rechenleistung, da die Fusion der einzelnen Sensoranteile zum Gesamtsystem durch einfache Additionen ausgeführt werden kann. Im Gegensatz zum Kalman-Filter kann sich der Informations-Filter an Situationen adaptieren, in denen gleichzeitig mehrere Beobachtungen berücksichtigt werden müssen. Die numerischen Vorteile werden vor allem bei der Implementierung des Fusionsalgorithmus auf einen Mikrocontroller deutlich. Es müssen keine Fließkommazahlen mit doppelter Genauigkeit sondern nur mit einfacher Genauigkeit oder sogar nur eine Integer-Arithmetik verfügbar sein.
Zusätzlich oder alternativ kann die Filtervorrichtung 40 eine als Partikel-Filter ausgeführte Filtereinheit 60 umfassen, welche den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen abschätzt.
Partikel-Filter stellen eine Gruppe innerhalb der nichtlinearen stochastischen Zustandsschätzer dar und sind auch unter der Bezeichnung Sequential Monte Carlo Methods bekannt. Sie ordnen einer Menge X (siehe Gleichung (38)) i = 1 von Punkten im Zustandsraum („Partikeln") Wahrscheinlichkeiten p zu und unter der Annahme von Konvergenz des Filters bildet sich aus der Punktwolke der Zustand mit der größten Wahrscheinlichkeit als geschätzte Ist-Position heraus. Für p gilt dabei Gleichung (39). X = {x ^}Ni=1 (38) p(x ^i) = x (39)
Dabei finden häufig Map-Matching-Verfahren Anwendung und die Wahrscheinlichkeit des Aufenthaltsorts wird, basierend auf hinterlegten oder generierten Umgebungskarten, bestimmt. Obwohl in dem vorliegenden Fall keine Karte der Umgebung verfügbar und gewollt ist, bieten die Partikel-Filter interessante Ansätze. Bei der Ausführung einer Filtereinheit 60 als Partikel-Filter, der auf ein inertiales Navigationssystem angewendet wird, kann eine höhere Genauigkeit erreicht werden, als bei der direkten Verwendung der nichtlinearen Modellgleichungen. Zusätzlich verwendet das Verfahren spezielle Beschreibungen des Rauschverhaltens, die über ein gaußsches Rauschen nicht abbildbar sind. Während beispielsweise der (erweiterte) Kalman-Filter einen optimalen Filter für ein approximiertes Modell darstellt, schätzt der Partikel-Filter numerisch die optimale Lösung basierend auf einem echten physikalischen Modell. Dadurch ergibt sich die Möglichkeit des Einsatzes eines Partikel-Filters bei ungenauen Sensordaten und einem fehlerbehaftetem Systemmodell.
Für die Beschreibung der als Partikelfilter ausgeführten Filtereinheit 60 wird von einem zeitdiskreten Modell ausgegangen und das Filterverfahren kann nach Gleichung (40) und (41) formuliert werden. xk+1 = f(xk, wk) (40) zk = h(xk, ξk) (41)
Hierbei repräsentiert Z_k sei die Menge der z_i vom Zeitpunkt t = 0 bis t = k: Zk = {z₀, z₁, ..., z_k}
Mit der Verfügbarkeit der Messung Z_k zum Zeitschritt k kann die Aktualisierung nach Gleichung (43) ausgeführt werden.
Dabei hängt die Wahrscheinlichkeit p(z_k|x_k) von dem Messmodell h(x_k, ξ_k) und dem Rauschen ξ in Gleichung (41) ab. Für den Nenner in Gleichung (42) gilt Gleichung (43). P(zk|Zk-1) = ∫p(zk|xk)p(xk|Zk-1)dxk (43)
Damit kann der Vorhersageschritt p(x_k+1|Z_k) nach Gleichung (44) ausgeführt werden. p(xk+1|Zk) = ∫p(xk+1|xk)p(xk|Zk)dxk (44)
Dabei gilt für die Gleichung (44) die Startbedingung p(x₀|Z_–1) = p(x₀).
Die Wahrscheinlichkeitsdichte p(x_k+1|x_k) ergibt sich direkt aus dem dynamischen Verhalten des Modells und der Stochastik von w und lässt sich über die Funktion f(x, u) angeben, indem die einzelnen Partikel in diese eingesetzt werden. Über diesen Zusammenhang kann auch aus gesicherten Informationen und einer angenommenen Wahrscheinlichkeit ein Folgezustand geschätzt werden. Für die Beziehungen Beschleunigung zu Geschwindigkeit, Geschwindigkeit zur Position und Drehrate zu Lagewinkeln können Normalverteilungen angenommen werden, die die Modellierungsfehler ausreichend abdecken können. Im Allgemeinen ist es jedoch aufwendig, funktionale Beschreibungen für die Wahrscheinlichkeitsdichten zu gewinnen, da diese nicht immer analytisch hergeleitet oder durch Messungen des Systems ermittelt werden können. Durch die Ausführung als Partikel-Filter kann für die Nullpunkte der Gyroskope und der Beschleunigungssensoren keine Abhängigkeit bezüglich der Geschwindigkeit, Position, Beschleunigung oder Drehrate angegeben werden, und es kann eine reine Normalverteilung, die dem Rauschspektrum angepasst ist, angenommen werden. Häufig lassen sich Systeme als Kombination eines stochastischen und eines kausalen Teils beschreiben. Aber auch die Aufteilung eines Systems in ein lineares und ein nichtlineares Teilsystem kann mit dieser Methode durchgeführt werden.
6 bis 8 zeigen symbolisch den als Sample-Degeneration und Resampling bezeichneten Ablauf in einer als Partikelfilter ausgeführten Filtereinheit 60. Ausgehend von einer angenommenen in 6 dargestellten Startsituation, in welcher die Partikel gleich verteilt sind, werden die Partikel in den Bereichen hoher Wahrscheinlichkeit konzentriert, wie aus 7 ersichtlich ist. Schließlich werden Partikel, die in Bereichen sehr geringer Wahrscheinlichkeit liegen, verworfen und neue Partikel um die Wahrscheinlichkeitsmaxima hinzugefügt, wie aus 8 ersichtlich ist. Dies ermöglicht eine rechnerressourcenschonende Umsetzung des Partikelfilters.
Die erfindungsgemäße Vorrichtung zur Ermittlung eines aktuellen Fahrzeugzustands ermöglicht in vorteilhafter Weise durch Fehlerreduzierung den Einsatz von kostengünstigen Sensoren. Die Leistungsfähigkeit der kostengünstigen Sensoren kann durch Nutzung der Sensorfusion erheblich erhöht und der negative Einfluss der stochastischen Sensordrift der kostengünstigen Sensoren kann verringert werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

- EP 0934855 B1 [0004]

Claims

Vorrichtung zur Ermittlung eines aktuellen Fahrzeugzustands mit mehreren Sensoreinheiten (10, 20, 30) zur Erfassung von Bewegungssignalen und einer Auswerte- und Steuereinheit (1), welche die erfassten Bewegungssignale zur Ermittlung des aktuellen Fahrzeugzustands auswertet und den ermittelten Fahrzeugzustand an ein nachfolgendes Fahrzeugsystem (50) weiterleitet, dadurch gekennzeichnet, dass die Auswerte- und Steuereinheit (1) Ausgabesignale der Sensoreinheiten (10, 20, 30) zur Ermittlung von korrespondierenden Bewegungsgrößen auswertet und kombiniert und den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen mit einer Filtervorrichtung (40) abschätzt, wobei die mehreren Sensoreinheiten (10, 20, 30) jeweils mindestens zwei baugleiche Sensoren (12, 14, 22, 24, 32, 34) umfassen, welche gleiche Bewegungssignale erfassen.
Vorrichtung nach Anspruch 1, dadurch gekennzeichnet, dass die die Filtervorrichtung (40) mehrere Filtereinheiten (60) umfasst, von denen die Auswerte- und Steuereinheit (1) mindestens eine Filtereinheit (60) zur Schätzung des Fahrzeugzustands auswählt.
Vorrichtung nach Anspruch 2, dadurch gekennzeichnet, dass die Auswerte- und Steuereinheit (1) in Abhängigkeit von einem Gütekriterium die mindestens eine Filtereinheit (60) zur Schätzung des Fahrzeugzustands auswählt.
Vorrichtung nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass die Auswerte- und Steuereinheit (1) die Ausgabe der mindestens einen Filtereinheit (60) mit einem Gewichtungsfaktor bewertet und/oder die Ausgaben von mehreren Filtereinheiten (60) miteinander kombiniert.
Vorrichtung nach Anspruch 2, dadurch gekennzeichnet, dass in den mehreren Filtereinheiten (60) jeweils ein Filtermodell implementiert ist, wobei die Auswerte- und Steuereinheit (1) in Abhängigkeit von angegebenen Übergangswahrscheinlichkeiten zwischen den verschiedenen Filtereinheiten (60) umschaltet.
Vorrichtung nach Anspruch 1, dadurch gekennzeichnet, dass die Auswerte- und Steuereinheit (1) mindestens einen Einstellparameter der Filtervorrichtung (40) zur Laufzeit anpasst.
Vorrichtung nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass die Filtervorrichtung (40) eine als erweiterter Kalman-Filter ausgeführte Filtereinheit (60) umfasst, welche den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen abschätzt und einen mittleren quadratischen Fehler zwischen dem realen aktuellen Zustand und dem geschätzten aktuellen Zustand minimiert.
Vorrichtung nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass die Filtervorrichtung (40) eine als unscented Kalman-Filter ausgeführte Filtereinheit (60) umfasst, welche den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen unter Verwendung einer Gaußverteilung abschätzt.
Vorrichtung nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass die Filtervorrichtung (40) eine als Informations-Filter ausgeführte Filtereinheit (60) umfasst, welche den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen abschätzt.
Vorrichtung nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass die Filtervorrichtung (40) eine als Partikel-Filter ausgeführte Filtereinheit (60) umfasst, welche den aktuellen Fahrzeugzustand aus den ermittelten Bewegungsgrößen abschätzt.