DE102008026397B4

DE102008026397B4 - Radar-, Lidar- und Kamera-unterstützte Verfahren zur Schätzung der Fahrzeugdynamik

Info

Publication number: DE102008026397B4
Application number: DE102008026397.4A
Authority: DE
Inventors: Shuqing Zeng
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2007-06-05
Filing date: 2008-06-02
Publication date: 2017-03-23
Anticipated expiration: 2028-06-03
Also published as: DE102008026397A1; US8855848B2; CN101320089A; CN101320089B; US20100017128A1

Abstract

System (10) zum Schätzen der Fahrzeugdynamik in einem Fahrzeug (26), wobei das System (10) umfasst: einen Objekterfassungssensor (12) zum Erfassen stationärer Objekte relativ zur Fahrzeugbewegung, wobei der Objekterfassungssensor (12) Objekterfassungssignale zum Verfolgen des Objekts liefert; mehrere fahrzeugseitige Sensoren (20), die Sensorsignale liefern, die die Fahrzeugbewegung repräsentieren; einen Zuordnungsprozessor (14), der auf die Objektsignale anspricht, wobei der Zuordnungsprozessor (14) zum Verfolgen des Objekts die Objektsignale folgender Ansichten aufeinander abstimmt und Objektverfolgungssignale liefert; einen Längszustandsschätzprozessor (16), der auf die Objektverfolgungssignale und die Sensorsignale anspricht und einen Schätzwert der Fahrzeuggeschwindigkeit in Vorwärtsrichtung relativ zur Fahrzeugbewegung liefert; und einen Querzustandsschätzprozessor (18), der auf die Objektverfolgungssignale und die Sensorsignale anspricht, wobei der Querzustandsschätzprozessor die Fahrzeuggeschwindigkeit in Querrichtung relativ zur Fahrzeugbewegung schätzt; dadurch gekennzeichnet, dass der Längszustandsschätzprozessor (16) Objekt- und Sensorsignale der Fahrzeug-Längsposition, der Fahrzeug-Längsgeschwindigkeit, der Fahrzeug-Längsbeschleunigung und der Fahrzeuggeschwindigkeit empfängt und ein Kalman-Filter und ein Autoregressions-Rauschmodell verwendet, um eine korrigierte Längsbeschleunigung, eine korrigierte Fahrzeuggeschwindigkeit und ein Radschlupfsignal zu liefern; und/oder dass der Querzustandsschätzprozessor (18) Objekt- und Sensorsignale des Azimutwinkels und des seitlichen Versatzes eines Objekts sowie des Lenkradwinkels, der Giergeschwindigkeit und der Querbeschleunigung des Fahrzeugs empfängt und ein Kalman-Filter und ein Autoregressions-Rauschmodell verwendet, um eine Giergeschwindigkeitskorrektur, eine Querbeschleunigungskorrektur und eine Quergeschwindigkeit des Fahrzeugs zu liefern.

Description

HINTERGRUND DER ERFINDUNG
1. Gebiet der Erfindung
Diese Erfindung bezieht sich auf ein System zum Schätzen der Fahrzeugdynamik gemäß dem Oberbegriff des Anspruchs 1 und auf ein entsprechendes Verfahren gemäß dem Oberbegriff des Anspruchs 9.
2. Diskussion des Standes der Technik
Ein gattungsgemäßes System ist beispielsweise aus der DE 102 51 949 A1 bekannt geworden.
Verschiedene Fahrerunterstützungssysteme und autonome Fahr- bzw. Steuervorgänge bei Fahrzeugen, wie beispielsweise elektronische Stabilitätssteuerung (electronic stability control, ECS), adaptive automatische Geschwindigkeitsregelung (adaptive cruise control, ACC), Spurhaltung (lane keeping, LK), Spurwechsel (lane changing, LC) usw., erfordern die Entwicklung äußerst robuster und genauer Module zum Schätzen verschiedener fahrzeugdynamischer Größen. Solche Module sind notwendig, um zum Steuern des Fahrzeugs einhergehend mit einem gewünschten Zustand die Kenntnis der Fahrzeugposition und der Fahrzeuggeschwindigkeit zu verschaffen.
Gegenwärtig werden auf einem mikroelektromechanischen System (MEMS) basierende Trägheitsmesseinheiten (inertial measurement units, IMUs) und Radgeschwindigkeits- bzw. Raddrehzahlsensoren verwendet, um die Fahrzeuggeschwindigkeit zu liefern. Jedoch ist die Leistung von Radgeschwindigkeitssensoren während Radschlupfzuständen wie etwa dann, wenn der Fahrer um die Kurve fährt oder Ausweichmanöver unternimmt, reduziert. Daher wird zu diesen Zeiten eine Koppelnavigationsstrategie für eine IMU angewandt, um die Geschwindigkeit und die Position des Fahrzeugs zu erzeugen. Da MEMS-IMUs gewöhnlich größere Fehler als teure Gyroskopsysteme besitzen, können Fehler hinsichtlich der Position und der Geschwindigkeit schnell anwachsen. Demgemäß sind gegenwärtige MEMS-IMUs der Kraftfahrzeug-Güteklasse (automotivegrade) allein im Allgemeinen nicht für längere Zeitperioden zur Koppelnavigation geeignet.
Auf dem Fachgebiet ist vorgeschlagen worden, GPS und ein kostengünstiges MEMS-IMU zu integrieren, um sich dem Problem einer systematischen Messabweichung und Drift ungleich null zuzuwenden. Jedoch wenden sich wenige dieser Systeme dem Problem zu, dass die GPS-Signale wie etwa dann, wenn sich das Fahrzeug in ”städtischen Schluchten” befindet, in denen eine zum Bestimmen der Position und der Geschwindigkeit des Fahrzeugs unzureichende Anzahl von Satelliten verfolgt wird, nicht immer verfügbar sind.
Künftige weiterentwickelte Fahrerunterstützungssysteme (advanced driver assist systems, ADS) für Fahrzeuge werden verschiedene Objekterfassungssensoren wie etwa Radar- und Lidarsensoren für den Fernbereich oder Ultraschall-Parkhilfesensoren umfassen. Ferner werden gegenwärtig Kamera-basierte Systeme für Spurabweichungswarnung entwickelt. Demgemäß ist das Interesse daran, zum Schätzen der Fahrzeugeigenbewegung Daten von diesen Vorrichtungen zu verwenden, gestiegen. Beispielsweise schlägt ein System vor, eine im Fahrzeug angebrachte Kalibrierkamera zu verwenden, um die Eigenbewegung zu schätzen und sich bewegende Objekte auf Straßen zu erfassen. Ein weiteres vorgeschlagenes System verwendet eine einzelne Kamera zum Berechnen der Eigenbewegung des Fahrzeugs auf Grundlage des Lichtflusses. Eine weitere Arbeit beinhaltet die Anwendung von Stereosehen auf das Problem der Schätzung der Eigenlage in städtischen Umgebungen. Jedoch ist bei vollgestopften Szenen (cluttered scenes) keiner dieser Lösungswege zuverlässig genug. Ferner machen wenige dieser Systeme den wesentlichen Bedarf an einer Systemintegration, die bei der künftigen technischen Entwicklung dieser Technologie notwendig ist, deutlich.
Der Erfindung liegt die Aufgabe zu Grunde, ein verbessertes System sowie ein entsprechendes Verfahren zu schaffen.
ZUSAMMENFASSUNG DER ERFINDUNG
In Übereinstimmung mit den Lehren der vorliegenden Erfindung werden ein System, das die Merkmale des Anspruchs 1 aufweist, und ein Verfahren, das die Merkmale des Anspruchs 9 aufweist, offenbart, die die Fahrzeugdynamik, die die Fahrzeugposition und die Fahrzeuggeschwindigkeit umfasst, anhand eines stationären Objekts schätzen. Das System umfasst einen Objektsensor wie etwa ein Radar, ein Lidar oder eine Kamera, die Objektsignale des stationären Objekts liefern. Das System umfasst außerdem fahrzeugseitige Sensoren, die Signale, die die Fahrzeugbewegung repräsentieren, wie etwa den Lenkradwinkel, die Giergeschwindigkeit, die Längsgeschwindigkeit, die Längsbeschleunigung und die Querbeschleunigung liefern. Das System umfasst außerdem einen Zuordnungsprozessor, der die Objektsignale empfängt und die Objektverfolgung durch mehrere Datenrahmen versieht. Das System umfasst außerdem einen Längszustandsschätzprozessor, der die Objektsignale und die Sensorsignale empfängt und eine Korrektur der Fahrzeuggeschwindigkeit in Vorwärtsrichtung liefert. Das System umfasst außerdem einen Querzustandsschätzprozessor, der die Objektsignale und die Sensorsignale empfängt und eine Korrektur der Fahrzeuggeschwindigkeit in Querrichtung liefert.
Weitere Merkmale der vorliegenden Erfindung werden deutlich aus der folgenden Beschreibung und den angehängten Ansprüchen, wenn diese in Verbindung mit den begleitenden Zeichnungen aufgenommen werden.
KURZBESCHREIBUNG DER ZEICHNUNGEN
1 ist ein Blockschaltplan eines Systems zum Bestimmen von Fahrzeugzustandsschätzwerten unter Verwendung von Objektsensoren gemäß einer Ausführungsform der vorliegenden Erfindung;
2 ist eine Draufsicht, die die Fahrzeug-Eigenbewegung anhand von Spuren von einem stationären Radar zeigt;
3 ist eine Darstellung eines Fahrradmodells, das Parameter für das Fahrverhalten des Fahrzeugs identifiziert; und
4 ist eine Draufsicht eines Fahrzeug-Koordinatensystems.
GENAUE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
Die folgende Besprechung der Ausführungsformen der Erfindung, die auf ein System und ein Verfahren zum Schätzen der Fahrzeugdynamik anhand von Radar-, Lidar- und/oder Kamerasignalen gerichtet ist, ist dem Wesen nach rein beispielhaft.
Wie nachstehend ausführlich besprochen wird, schlägt die vorliegende Erfindung ein integriertes System vor, das kostengünstige MEMS-IMUs und andere fahrzeugseitige dynamische Sensoren verwendet, um mittels unterstützender Sensoren wie etwa Radar-, Lidar- und Sichtsystemen oder Kombinationen davon die Fahrzeugdynamikschätzwerte in Echtzeit zu korrigieren. Dies ermöglicht entweder eine verbesserte Leistung von vorhandenen Sensoren oder dieselbe Leistung von kleineren und preiswerteren Sensoren.
1 ist ein Blockschaltplan eines Systems 10, das Fahrzeugzustandsschätzwerte wie etwa die Fahrzeugposition und die Fahrzeuggeschwindigkeit liefert, gemäß einer Ausführungsform der vorliegenden Erfindung. Das System 10 umfasst einen oder mehrere Objektsensoren 12 wie etwa Radar-, Lidar- und Sichtsysteme, Kameras usw., die an dem Fahrzeug verfügbar sein können, um Signale zu liefern, die Objekte außerhalb des Fahrzeugs verfolgen. Die Signale von den Sensoren 12 werden zu einem Zuordnungsprozessor 14 geschickt, der zum Verfolgen der Objekte die Abbildungen oder Bilder von den Signalen von aufeinander folgenden Ansichten abstimmt. Die Spuren von dem Zuordnungsprozessor 14 werden zu einem Längszustandsschätzprozessor 16, der die Fahrzeuggeschwindigkeit in Vorwärtsrichtung schätzt, und einem Querzustandsschätzprozessor 18, der die Fahrzeuggeschwindigkeit in Querrichtung als ein Ergebnis der Giergeschwindigkeit und des Schwimmwinkels bzw. Seitenschlupfwinkels schätzt, geschickt. Die Prozessoren 16 und 18 empfangen außerdem Signale von fahrzeugseitigen Sensoren 20 wie etwa einem Lenkradwinkelsensor, einem Giergeschwindigkeitssensor, einem Längsgeschwindigkeitssensor, einem Längsbeschleunigungssensor, einem Querbeschleunigungssensor usw., die alle Fachleuten auf dem Gebiet als Teil der verschiedenen Fahrzeugstabilitätssteuerungs- und Fahrerunterstützungssysteme, auf die oben hingewiesen wurde, bekannt sind.
Die Objektsensoren 12 bestimmen die Eigenbewegung des Fahrzeugs aus der Messung stationärer Objekte. 2 ist eine Draufsicht eines Fahrzeugs 26, das einen Radarsensor 28 umfasst, der ein stationäres Objekt 30 wie etwa einen Baum verfolgt. Der Radarsensor 28 ist am Schwerpunkt (center of gravity, CG) des Fahrzeugrahmens angebracht und in die Richtung der Fahrzeugfahrt gerichtet. Aus den Radarsignalen können wie folgt Fahrzeuggeschwindigkeiten berechnet werden: υ_x = –(x' – x)/ΔT (1) υ_y = –(y' – y)/ΔT (2) r = –(ϑ' – ϑ)/ΔT, (3) wobei die Größen (x, y) und (x', y') die Positionen des stationären Objekts 30 zur Zeit t bzw. t + Δt sind und υ_x, υ_y und r die Längsgeschwindigkeit, die Quergeschwindigkeit bzw. die Giergeschwindigkeit des Fahrzeugs 26 sind.
Die Entfernungsberechnungen, auf die oben hingewiesen wurde, können anhand eines in 3 gezeigten Fahrradmodells eines Fahrzeugs 32 erweitert werden, um eine Positionsverfolgung in dem Zuordnungsprozessor 14 bereitzustellen. Ein Entfernungssensor 34 ist an der Position (x⁰, y⁰, θ⁰) an dem Fahrzeug angebracht und weist in Vorwärtsrichtung. Die Bezeichnungen bei dem Fahrradmodell lauten:

α:: Abstand von der Vorderradachse zum Fahrzeug-Schwerpunkt (CG);
b:: Abstand von der Hinterradachse zum Fahrzeug-CG;
m:: Fahrzeugmasse;
I_z:: träge Masse des Fahrzeugs längs der z-Achse;
δ:: Frontlaufradwinkel;
l:: Fahrzeug-Giergeschwindigkeit;
u:: Fahrzeug-Längsgeschwindigkeit; und
υ:: Fahrzeug-Quergeschwindigkeit.

Die Radarausgabe ist eine Liste von Objekten {o_i|i = 1, ..., K} zur Zeit t. Die Messung des i-ten Objekts o_i enthält die Entfernung ρ, die Entfernungsgeschwidigkeit ρ . und den Azimutwinkel ϑ. Gewöhnlich ist das Gesichtsfeld eines Fernbereichsradars schmal, beispielsweise 15°, weshalb jedes erfasste Objekt vor dem Fahrzeug auf der x-Achse liegt. Die folgende Gleichung (4) kann dazu verwendet werden, zu bestimmen, ob das Objekt stationär ist. |r .cosϑ – υ_x| < T (4)
Die Fahrzeugdynamik kann durch einen Zustandsvektor z dargestellt werden, dessen Komponenten umfassen:

δα_x:: Korrektur des Längsbeschleunigungsmesswerts;
υ_x:: Fahrzeug-Längsgeschwindigkeit;
δr:: Korrektur des Giergeschwindigkeitsmesswerts
υ_y:: Fahrzeug-Quergeschwindigkeit; und
{(x_i, y_i)|i = 1, ..., K}:: Liste von Positionen stationärer Objekte.

Der Längszustandsschätzprozessor 16 empfängt Längspositions-, Längsgeschwindigkeits-, Längsbeschleunigungs- und Fahrzeuggeschwindigkeitssignale von den Sensoren und verwendet die Kalman-Filterung sowie ein Autoregressions-Rauschmodell, um eine korrigierte Längsbeschleunigung α_xo, eine korrigierte Längsgeschwindigkeit υ_xo und einen Radschlupf des Fahrzeugs zu verschaffen. Die Sensoren 20 wie etwa die Beschleunigungsmesser und die Radsensoren liefern Messwerte der Längsbeschleunigung α_xo und der Geschwindigkeit υ_xo des Fahrzeugs. Der Schätzprozessor 16 kann die Längsposition und die Längsgeschwindigkeit des Fahrzeugs von der Radareingabe und die Längsbeschleunigung und die Fahrzeuggeschwindigkeit von den fahrzeugseitigen Sensoren 20 empfangen.
Der Prozessor 16 betrachtet die Beschleunigungskorrektur als Zufallspfadprozess. Das Längssystem des Fahrzeugs lässt sich wie folgt schreiben:
wobei ε ein weißer Zufallsprozess mit Null-Mittelwert und Gaußscher Verteilung ist.
Unter der Annahme eines Messwerts o_i = ({p_i, p ._i, ϑ_i} von dem i-ten Objekt, lässt sich die Beobachtungsgleichung wie folgt schreiben: p_icosϑ_i = x_i + ν₁ (8) p .cosϑ_i = –υ_x + ν₂ (9) υ_xo = υ_x + ν₃, (10) wobei die Größen ν₁, ν₂ und ν₃ Beobachtungsrauschen sind, die als Gaußsche weiße Zufallsprozesse modelliert sind.
Der Kalman-Filterungsprozess in dem Prozessor 16 wird dazu verwendet, die korrigierte Längsbeschleunigung α_x + δα_x, die korrigierte Längsgeschwindigkeit υ_x und den Radschlupf zu bestimmen, wenn die folgende Bedingung erfüllt ist. |υ_x – υ_xo| > T (11) wobei T ein Schwellenwert ist.
Der Querzustandsschätzprozessor 18 empfängt Objekt-Azimutwinkel-, Objekt-Querversatz-, Lenkradwinkel-, Giergeschwindigkeits- und Querbeschleunigungssignale von den Sensoren und verwendet die Kalman-Filterung sowie ein Autoregressions-Rauschmodell, um eine Giergeschwindigkeitskorrektur, eine Querbeschleunigungskorrektur und ein Quergeschwindigkeitssignal des Fahrzeugs zu liefern. Die fahrzeugseitigen Sensoren 20 wie etwa die Beschleunigungsmesser- und Giergeschwindigkeitssensoren liefern Messwerte der Querbeschleunigung α_yo und der Giergeschwindigkeit r_o des Fahrzeugs. Der Lenkradwinkelsensor liefert den Lenkradwinkel δ_f. Die Korrektur der Giergeschwindigkeit ist als Zufallspfad modelliert. Es sei angenommen, dass L = a + b die Radbasis ist und c_f und c_r die Quersteifigkeitskoeffizienten des vorderen und des hinteren Reifens sind, dann kann das laterale Anlagenmodell wie folgt geschrieben werden:
wobei ε₁ und ε₂ zwei weiße Gaußsche Zufallsprozesse sind.
Unter Annahme eines Messwerts o_i – (p_i, p ._i, ϑ_i) von dem i-ten Objekt, lässt sich die Beobachtungsgleichung wie folgt schreiben: p_isinϑ_i = y_i + ν₁ (15) α_yo = υ_x(r_o + δ_r) + ν₂, (16) wobei die Größen ν₁ und ν₂ Beobachtungsrauschen sind, die als Gaußsche weiße Zufallsprozesse modelliert sind. Hierbei ist ν₁ der durch den Messwert eingeführte Fehler und ν₂ der durch die überhöhte Straße oder Sensormesswerte eingeführte Fehler.
Das Kalman-Filter in dem lateralen bzw. Quer-Schätzprozessor 18 wird dazu verwendet, die korrigierte Giergeschwindigkeit (r_o + δr), die korrigierte Querbeschleunigung (α_y + δα_y) und die Quergeschwindigkeit υ_y zu bestimmen.
Die meisten Entfernungssensoren, die auf dem Fachgebiet verwendet werden, berichten ein Objekt mit einer Identifizierung, die über verschiedene Zeitrahmen gleich bleibt. Diese Informationen werden dazu verwendet, Objektabbildungen von aufeinander folgenden Rahmen abzustimmen. Mathematisch kann angenommen werden, dass der Sensor das Objektabbild {o_i(t), l_i(t)|i = 1, ..., K_i} zu einer Zeit t und das Abbild {o_j(t'), l_j(t')|j = 1, ..., K_l'} zu einer Zeit t' liefert, wobei l die Objektidentifizierung bezeichnet. Daher lassen sich die Abstimmungen bzw. Entsprechungen aufeinander folgender Abbildungen wie folgt definieren: {(o_i(t), o'_j(t'))|l_i(t) = l_j(t'), 1 ≤ i ≤ K_l, 1 ≤ j ≤ k_l'} (17)
In einer Ausführungsform kann eine monokulare Kamera als Objektsensor verwendet werden. Die Kamera deckt die Bewegung des Fahrzeugs, das auf der Geländeoberfläche navigiert, ab, indem sie bestimmte Szenenelemente auf dem Gelände verfolgt. Bei einer monokularen Abfolge kommt eine homographische Transformation zwischen zwei Ansichten für die Elemente auf derselben Ebene vor. Das heißt, dass es für einen Satz von Punktentsprechungen x_i, x ' / i zwischen zwei Bildern unter der Annahme, dass die Punkte koplanar sind, eine homographische Matrix F gibt, die wie folgt definiert ist x ' / i = Fx_i, (18) wobei x eine homogene Bildkoordinate (u, υ, m)^T bezeichnet, die das Bildpixel bei ( u / m, υ / m) repräsentiert.
Eine Weltkoordinate zur Zeit t ist so definiert, dass die Ebene x-o-y mit der Geländeebene zusammenfällt, wie in 4 gezeigt ist. Das Kamera-Koordinatensystem o'x'y'z' ist fest mit der Kamera, deren Bildebene und deren Symmetrieachse mit der Ebene o'x'y' bzw. der z'-Achse zusammenfallen. Wenn angenommen wird, dass P = K[I|0] und P' = K[Rc] die Projektionsmatrizen der Kamera von zwei Ansichten sind, lässt sich die Homographiematrix F wie folgt angeben: F = K(R – cn^T/d)K^–1, (19) wobei K die intrinsische Matrix ist, R die Kamera-Drehmatrix ist, c die Kamera-Mittelpunktskoordinaten sind und π = (n^T, d)^T die Ebenengleichung (n^TX + d = 0) ist, und zwar alle im Weltkoordinatensystem.
In 4 soll P die Projektionsmatrix P = KR[I|–c] zur Zeit t bezeichnen, wobei c = (x, y, –d)' und R die extrinsische Matrix der Kamera ist. Die Geländeebene sei mit π₀ = (n T / 0 , 0)^T bezeichnet, wobei n₀ = (0, 0, 1)^T. Bis zu Ansicht des nächsten Rahmens t' verschiebt sich das Fahrzeug um Δc = (Δ_x, Δ_y, 0)^T und dreht sich um Δθ in der Geländeebene. Die Drehmatrix lässt sich wie folgt schreiben:
Dann lässt sich die Projektionsmatrix P' zur Zeit t' als P' = KR'[I|–c'] schreiben, wobei R' = RΔR und c' = c + Δc.
Zur Anwendung von Gleichung (19) wird das Weltkoordinatensystem zur Zeit t in den Kameramittelpunkt verschoben. Die neuen Projektionsmatrizen werden zu: P = K[I|0] (21) P' = K[R'R^–1|–R'Δc] (22)
Die Geländeebene wird zu (Rn₀, d). Demgemäß: F = K(R'R^–1 + R'Δcn T / 0RR^T/d)K^–1 (23)
Das Anwenden von R^T = R^–1 und R' = RΔR ergibt F = KRΔR(I + Δcn T / 0|d)(KR)^–1 (24)
Wenn die kalibrierte Kamera betrachtet wird, d. h., dass und R im Voraus bekannt sind, kann die Hauptmatrix E wie folgt berechnet werden: E = (KR)^–1FKR = ΔR(I + Δcn T / 0/d) (25)
Mit n = (0, 0, 1)^T, Δc = (Δx, Δy, 0)^T und Gleichung (20) kann die Hauptmatrix E wie folgt geschrieben werden:
Gewöhnlich ist der Drehwinkel θ bei zwei aufeinander folgenden Ansichten klein (d. h., sinθ << 1). Folglich kann Gleichung (26) approximiert werden durch:
Die Hauptmatrix E in Gleichung (27) ist eigentlich eine zweidimensionale Transformation mit einer Verschiebung Δx/d, Δy/d und einer Drehung θ.
Gegeben sei ein Satz von Punktpaaren {(x_i, x ' / i |i = 1, ..., N)} mit übereinstimmendem Merkmal; dann kann die Eigenbewegungsschätzung als Schätzung nach der Methode der kleinsten Quadrate formuliert werden:
was transformiert werden kann in:
wobei x ^ = KRx und x ^' = KRx', wenn die Kamera-Kalibiermatrizen K und R bekannt sind.
Wenn Gleichung (27) untersucht wird, sind die normierten Punkte zwischen den zwei Ansichten mit einer starren Drehung (Δθ) und einer Verschiebung (Δx/d, Δy/d) aufeinander bezogen. Um die Parameter wiederzugewinnen, kann das folgende Verfahren angewandt werden.
Der Eingang sind N Paare der Punkte {(x_i, x ' / i )|i = 1, ..., N} mit übereinstimmendem Gelände- bzw. Grundmerkmal sowie die intrinsische parametrische Matrix K und die extrinsische parametrische Matrix R der Kamera.
Der Ausgang sind die geschätzten Eigenbewegungsparameter

1. Berechne x ^_i = KRxi und x ^_i = KRx ' / i für alle x_i und x ' / i .
2. Berechne
3. Berechne:
4. Die Singularwertzusammensetzung der Matrix C soll als C = UWV^T geschrieben sein.

Dann können die Drehung R₂ und die Verschiebung t₂ wie folgt aufgelöst werden:
Zum Erfassen der Merkmalspunkte in den zwei aufeinander folgenden Bildern kann ein Harris-Ecken-Detektor verwendet werden. Um die Übereinstimmung zwischen den gefundenen Merkmalspunkten zu finden, kann dann eine Korrelationsoperation an den Bildern ausgeführt werden. Der Bildpunkt bei (u, υ) im Bild I und der Bildpunkt (u', υ') im Bild I' stimmen überein, wenn und nur dann wenn die folgende Bedingungen erfüllt sind:
Die geschätzten Bewegungsparameter in den vorhergehenden Zyklen werden dazu verwendet, den Abstimmungsprozess zu führen. Zum Zurückweisen von Szenenelementen oberhalb des Geländes oder aus den sich dynamisch bewegenden Objekten wie etwa Fahrzeugen auf der Straße wird das folgende Verfahren zum Löschen von Ausreißern angewandt.
Der Eingang sind zwei Sätze der Szenenelemente (normiert mit der intrinsischen und der extrinsischen Matrix) in Pixelkoordinaten, die mit {(u ^_i, υ ^_i)|i = 1, ..., N} und {(u ^_j, υ ^_j)|j = 1, ..., M} bezeichnet sind.
Der Ausgang sind Paare übereinstimmender Punkte und geschätzte Bewegungsparameter.

1. Sage den Ort der Elemente in dem vorhergehenden Rahmen vorher durch Verwenden vorhergehender Bewegungsparameter:
2. Wende das Korrelationsverfahren an, um die Sätze der vorhergesagten Punkte {(u ^_i, υ ^_i)} und {(u ^'_j, υ ^'_j)} abzustimmen.
3. Wähle in zufälliger Weise nicht weniger als vier abgestimmte Paare aus, die nicht kolinear sind, und leite dann unter Anwendung des oben besprochenen Verfahrens die Eigenbewegungsparameter ab.
4. Validiere die abgeleiteten Bewegungsparameter durch Verwenden der abgestimmten Paare aus dem Schritt 3.
5. Wenn die Abweichung der Mehrheit der abgestimmten Punkte hinreichend klein ist, beende den Prozess, gehe andernfalls zum Schritt 3.

Ähnlich wie mit dem oben beschriebenen Entfernungssensor kann die Eigenbewegung über mehrere Rahmen durch Verfolgen geschätzt werden. Die Anlagen- und Beobachtungsmodelle lassen sich wie folgt schreiben.
Der Bewegungszustand ist bezeichnet durch:

υ_x:: Fahrzeug-Längsgeschwindigkeit;
υ_y:: Fahrzeug-Quergeschwindigkeit;
δr:: Giergeschwindigkeitsmesswertkorrektur; und
δα_r:: Längsbeschleunigungskorrektur.

υ_xo, α_xo, r_o, und α_yo sollen gemessene Längsgeschwindigkeit, gemessene Längsbeschleunigung, gemessene Giergeschwindigkeit bzw. gemessene Querbeschleunigung sein. Dann kann das Anlagenmodell wie folgt geschrieben werden:
wobei ε₁, ε₂ und ε₃ Gaußsches weißes Rauschen mit Null-Mittelwert sind.
Die aus zwei aufeinander folgenden Ansichten wiedergewonnenen Bewegungsparameter sollen mit (Δθ_o(t), Δx_o(t), Δy_o(t)) bezeichnet sein, wobei Δθ_o der Drehwinkel ist und (Δx_o, Δy_o) die Verschiebung ist. Die Beobachtungsgleichungen können wie folgt geschrieben werden: Δx_o = υ_xΔT + ν₁ (39) Δy_o = υ_yΔT + ν₂ (40) Δθ_o = (r_o + δr)ΔT + ν₃ (41) α_yo = υ_x(r_o + δr) + ν₄, (42) wobei ν₁, ν₂, ν₃ und ν₄ durch die Messwerte eingeführtes Rauschen sind.
Demgemäß kann das Kalman-Filter dazu verwendet werden, die Zustandsvariablen zu bestimmen.

Claims

System (10) zum Schätzen der Fahrzeugdynamik in einem Fahrzeug (26), wobei das System (10) umfasst: einen Objekterfassungssensor (12) zum Erfassen stationärer Objekte relativ zur Fahrzeugbewegung, wobei der Objekterfassungssensor (12) Objekterfassungssignale zum Verfolgen des Objekts liefert; mehrere fahrzeugseitige Sensoren (20), die Sensorsignale liefern, die die Fahrzeugbewegung repräsentieren; einen Zuordnungsprozessor (14), der auf die Objektsignale anspricht, wobei der Zuordnungsprozessor (14) zum Verfolgen des Objekts die Objektsignale folgender Ansichten aufeinander abstimmt und Objektverfolgungssignale liefert; einen Längszustandsschätzprozessor (16), der auf die Objektverfolgungssignale und die Sensorsignale anspricht und einen Schätzwert der Fahrzeuggeschwindigkeit in Vorwärtsrichtung relativ zur Fahrzeugbewegung liefert; und einen Querzustandsschätzprozessor (18), der auf die Objektverfolgungssignale und die Sensorsignale anspricht, wobei der Querzustandsschätzprozessor die Fahrzeuggeschwindigkeit in Querrichtung relativ zur Fahrzeugbewegung schätzt; dadurch gekennzeichnet, dass der Längszustandsschätzprozessor (16) Objekt- und Sensorsignale der Fahrzeug-Längsposition, der Fahrzeug-Längsgeschwindigkeit, der Fahrzeug-Längsbeschleunigung und der Fahrzeuggeschwindigkeit empfängt und ein Kalman-Filter und ein Autoregressions-Rauschmodell verwendet, um eine korrigierte Längsbeschleunigung, eine korrigierte Fahrzeuggeschwindigkeit und ein Radschlupfsignal zu liefern; und/oder dass der Querzustandsschätzprozessor (18) Objekt- und Sensorsignale des Azimutwinkels und des seitlichen Versatzes eines Objekts sowie des Lenkradwinkels, der Giergeschwindigkeit und der Querbeschleunigung des Fahrzeugs empfängt und ein Kalman-Filter und ein Autoregressions-Rauschmodell verwendet, um eine Giergeschwindigkeitskorrektur, eine Querbeschleunigungskorrektur und eine Quergeschwindigkeit des Fahrzeugs zu liefern.
System nach Anspruch 1, wobei der Objekterfassungssensor (12) aus der Gruppe gewählt ist, die aus Radarvorrichtungen, Lidarvorrichtungen, Kameras und Sichtsystemen besteht.
System nach Anspruch 1, wobei der Objekterfassungssensor (12) ein Fernbereichsradarsensor ist.
System nach Anspruch 3, wobei der Fernbereichssensor am Schwerpunkt des Fahrzeugs (26) angebracht ist.
System nach Anspruch 1, wobei der Objekterfassungssensor (12) die Position des Objekts durch Verwenden eines Fahrradmodells erfasst.
System nach Anspruch 1, wobei die fahrzeugseitigen Sensoren (20) aus der Gruppe gewählt sind, die aus Lenkradwinkelsensoren, Giergeschwindigkeitssensoren, Längsgeschwindigkeitssensoren, Längsbeschleunigungssensoren und Querbeschleunigungssensoren besteht.
System nach Anspruch 1, wobei der Objekterfassungssensor (12) eine monokulare Kamera ist.
System nach Anspruch 1, wobei das System Teil einer auf einem mikroelektromechanischen System basierenden Trägheitsmesseinheit ist.
Verfahren zum Schätzen der Fahrzeugdynamik eines Fahrzeugs (26), wobei das Verfahren umfasst: Erfassen stationärer Objekte relativ zur Bewegung des Fahrzeugs (26) und Liefern von Objekterfassungssignalen; Messen verschiedener Fahrzeugzustände mittels fahrzeugseitiger Sensoren und Liefern von Sensorsignalen; Verwenden der Objektsignale und der Sensorsignale, um eine korrigierte Längsbeschleunigung und eine korrigierte Fahrzeuggeschwindigkeit des Fahrzeugs (26) zu liefern; und Verwenden der Objekterfassungssignale und der Sensorsignale, um eine korrigierte Querbeschleunigung und eine korrigierte Giergeschwindigkeit des Fahrzeugs (26) zu liefern; dadurch gekennzeichnet, dass das Liefern einer korrigierten Längsbeschleunigung und einer korrigierten Fahrzeuggeschwindigkeit das Empfangen der Objektsignale und der Sensorsignale, die die Fahrzeug-Längsposition, die Fahrzeug-Längsgeschwindigkeit, die Fahrzeug-Längsbeschleunigung und die Fahrzeuggeschwindigkeit bezeichnen, und das Verwenden eines Kalman-Filters und eines Autoregressions-Rauschmodells, um die korrigierte Längsbeschleunigung, die korrigierte Fahrzeuggeschwindigkeit und den korrigierten Radschlupf zu liefern, umfasst; und/oder dass das Liefern einer korrigierten Querbeschleunigung und einer korrigierten Giergeschwindigkeit das Verwenden der Objektsignale, die den Objekt-Azimutwinkel und den Objekt-Querversatz bezeichnen, sowie der Sensorsignale, die den Lenkradwinkel, die Giergeschwindigkeit und die Querbeschleunigung bezeichnen, und das Verwenden eines Kalman-Filters und eines Autoregressions-Rauschmodells, um die Querbeschleunigungskorrektur, die Quergeschwindigkeitskorrektur und die Giergeschwindigkeit zu liefern, umfasst.
Verfahren nach Anspruch 9, wobei das Erfassen stationärer Objekte das Verwenden einer Radarvorrichtung, einer Lidarvorrichtung und/oder einer Kameravorrichtung umfasst.
Verfahren nach Anspruch 9, wobei das Messen der verschiedenen Fahrzeugzustände mittels fahrzeugseitiger Sensoren das Verwenden von Lenkradwinkelsensoren, Giergeschwindigkeitssensoren, Längsgeschwindigkeitssensoren, Längsbeschleunigungssensoren und Querbeschleunigungssensoren umfasst.