DE102018123092A1 - Method for determining a lateral speed and a yaw rate for a self-movement of a motor vehicle - Google Patents
Method for determining a lateral speed and a yaw rate for a self-movement of a motor vehicle Download PDFInfo
- Publication number
- DE102018123092A1 DE102018123092A1 DE102018123092.3A DE102018123092A DE102018123092A1 DE 102018123092 A1 DE102018123092 A1 DE 102018123092A1 DE 102018123092 A DE102018123092 A DE 102018123092A DE 102018123092 A1 DE102018123092 A1 DE 102018123092A1
- Authority
- DE
- Germany
- Prior art keywords
- values
- measured
- yaw rate
- angle
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/114—Yaw movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
- B60W2050/0033—Single-track, 2D vehicle model, i.e. two-wheel bicycle model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0052—Filtering, filters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
- B60W2520/125—Lateral acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/14—Yaw
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/28—Wheel speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
- B60W2530/20—Tyre data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
- B60W2530/201—Dimensions of vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/18—Steering angle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/12—Lateral speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/14—Yaw
Abstract
Die Erfindung betrifft ein Verfahren zum Bestimmen einer lateralen Geschwindigkeit (V) sowie einer Gierrate (θ̇) für eine Eigenbewegung eines Kraftfahrzeugs. Dazu wird ein Lenkwinkel (δ) der Vorderachse, ein Lenkwinkel der Hinterachse (δ), jeweils eine Umlaufdrehzahl für die Vorderachse (RPS) und für die Hinterachse (RPS), eine laterale gemessene Beschleunigung (a) und eine gemessene Gierrate (θ̇) erfasst. Aus diesen Größen werden mithilfe eines Vorhersagemodells (PM) prädizierte Werte für die winkelbasierende Parameter, eine prädizierte laterale Geschwindigkeit und eine prädizierte Gierrate berechnet. In einem Fusionsmodell (FM) werden fusionierte Werte für die winkelbasierenden Parameter, für die fusionierte laterale Geschwindigkeit und für die fusionierte Gierrate berechnet. Die im Fusionsmodell (FM) berechneten fusionierten Werte können entweder als Startwerte für das Vorhersagemodell (PM) zurückgegeben werden und/oder die fusionierten Werte des Fusionsmodells (FM) können als Ergebniswerte zum Bestimmen der Eigenbewegung des Kraftfahrzeugs genutzt werden.The invention relates to a method for determining a lateral speed (V) and a yaw rate (θ̇) for a self-movement of a motor vehicle. For this purpose, a steering angle (δ) of the front axle, a steering angle of the rear axle (δ), a rotational speed for the front axle (RPS) and for the rear axle (RPS), a lateral measured acceleration (a) and a measured yaw rate (θ̇) are recorded . Predicted values for the angle-based parameters, a predicted lateral speed and a predicted yaw rate are calculated from these variables using a prediction model (PM). A fusion model (FM) calculates fused values for the angle-based parameters, for the fused lateral velocity and for the fused yaw rate. The merged values calculated in the fusion model (FM) can either be returned as start values for the prediction model (PM) and / or the fused values of the fusion model (FM) can be used as result values for determining the own movement of the motor vehicle.
Description
Die vorliegende Erfindung betrifft ein Verfahren zum Bestimmen einer lateralen Geschwindigkeit sowie einer Gierrate für eine Eigenbewegung eines Kraftfahrzeugs mit einer Vorderachse und einer Hinterachse. Diese Erfindung betrifft ferner ein Sensorsystem für ein Kraftfahrzeug mit einer Sensoreinrichtung zum Bestimmen einer lateralen Geschwindigkeit sowie einer Gierrate für eine Eigenbewegung des Kraftfahrzeugs.The present invention relates to a method for determining a lateral speed and a yaw rate for self-movement of a motor vehicle with a front axle and a rear axle. This invention further relates to a sensor system for a motor vehicle with a sensor device for determining a lateral speed and a yaw rate for a self-movement of the motor vehicle.
Bisher sind keine Lösungen zur Odometrieberechnung mit hoher Genauigkeit und Stabilität basierend auf einfachen konventionellen Basissensoren bekannt. Existierende alternative Lösungen basieren meistens auf sehr teuren beziehungsweise aufwendigen Sensoren, welche an einem Fahrzeug angeordnet sind. Solche Sensoren sind beispielsweise Differential GPS- (dGPS) oder Lidar-Sensoren.So far, no solutions for odometry calculation with high accuracy and stability based on simple conventional basic sensors are known. Existing alternative solutions are mostly based on very expensive or complex sensors which are arranged on a vehicle. Such sensors are, for example, differential GPS (dGPS) or lidar sensors.
Die Druckschrift
Die Offenlegungsschrift
Die Druckschrift
Die Aufgabe der Erfindung besteht darin, ein Verfahren bereitzustellen, welches die Berechnung einer lateralen Geschwindigkeit sowie einer Gierrate für eine Eigenbewegung des Kraftfahrzeugs mit einfachen Basissensoren ermöglicht. Zur Berechnung der lateralen Geschwindigkeit sowie der Gierrate sollen Messwerte eines Beschleunigungssensors und eines Gierratensensors berücksichtigt werden.The object of the invention is to provide a method which enables the calculation of a lateral speed and a yaw rate for a self-movement of the motor vehicle with simple basic sensors. Measured values of an acceleration sensor and a yaw rate sensor should be taken into account for calculating the lateral speed and the yaw rate.
Diese Aufgabe wird gemäß den unabhängigen Patentansprüchen gelöst. Sinnvolle Weiterbildungen ergeben sich aus den Unteransprüchen.This object is achieved in accordance with the independent patent claims. Useful further training results from the subclaims.
Die Erfindung sieht ein Verfahren zum Bestimmen einer lateralen Geschwindigkeit sowie einer Gierrate für eine Eigenbewegung eines Kraftfahrzeugs mit einer Vorderachse und einer Hinterachse vor. Dieses Verfahren zeichnet sich durch die folgenden Verfahrensschritte aus. In einem ersten Schritt a) wird ein Lenkwinkel der Vorderachse, ein Lenkwinkel der Hinterachse, jeweils eine Umlaufdrehzahl für die Vorderachse und für die Hinterachse, eine laterale gemessene Beschleunigung und eine gemessene Gierrate erfasst und/oder gemessen. Das Messen der beiden Lenkwinkel für die Vorderachse und die Hinterachse geschieht vorzugsweise durch den Einsatz eines Lenkwinkelsensors. Die jeweilige Umlaufdrehzahl wird vorzugsweise mit einem Drehzahlsensor gemessen. Die gemessene Gierrate wird vorzugsweise mittels eines Gyroskops bestimmt. Im Schritt a) werden somit vorzugsweise die beiden Lenkwinkel, die beiden Umlaufdrehzahlen für die Vorder- und Hinterachse, die gemessene Beschleunigung sowie die gemessene Gierrate mittels einer entsprechenden Sensoreinrichtung erfasst oder gemessen. Die Gierrate wird häufig auch als Giergeschwindigkeit bezeichnet.The invention provides a method for determining a lateral speed and a yaw rate for a self-movement of a motor vehicle with a front axle and a rear axle. This process is characterized by the following process steps. In a first step a), a steering angle of the front axle, a steering angle of the rear axle, a rotational speed for the front axle and for the rear axle, a lateral measured acceleration and a measured yaw rate are recorded and / or measured. The measurement of the two steering angles for the front axle and the rear axle is preferably carried out by using a steering angle sensor. The respective rotational speed is preferably measured with a speed sensor. The measured yaw rate is preferably determined using a gyroscope. In step a), the two steering angles, the two rotational speeds for the front and rear axles, the measured acceleration and the measured yaw rate are thus preferably detected or measured by means of a corresponding sensor device. The yaw rate is often referred to as the yaw rate.
In einem Schritt b) werden prädizierte Werte für prädizierte winkelbasierende Parameter, eine prädizierte laterale Geschwindigkeit und eine prädizierte Gierrate mittels eines Vorhersagemodells berechnet, wobei das Vorhersagemodell für das Berechnen im Schritt b) die zwei Lenkwinkel für die Vorderachse und Hinterachse und vorgegebene Startwerte für die winkelbasierenden Parameter, für die laterale Geschwindigkeit und für die Gierrate berücksichtigt. Das Vorhersagemodell ermittelt somit insbesondere aus den Startwerten für die Lenkwinkel, die winkelbasierende Parameter, die laterale Geschwindigkeit und die Gierrate prädizierte Werte für die laterale Geschwindigkeit, die Gierrate sowie die winkelbasierenden Parameter. Mithilfe des Vorhersagemodells können anhand der Startwerte prädizierte Werte für die jeweiligen Größen ermittelt werden. Insbesondere können weitere Startwerte für zusätzliche Parameter geschätzt oder anderweitig gemessen werden. Beispielsweise kann ein Startwert für eine longitudinale Geschwindigkeit geschätzt werden. Dieser Schätzwert für die longitudinale Geschwindigkeit kann ebenfalls für das Berechnen der prädizierten Werte im Schritt b) berücksichtigt werden. Durch das Vorhersagemodell können aus den Startwerten genauere Werte, hier in diesem Fall prädizierte Werte, erzeugt werden.In a step b), predicted values for predicted angle-based parameters, a predicted lateral speed and a predicted yaw rate are calculated using a prediction model, the prediction model for the calculation in step b) the two steering angles for the front axle and rear axle and predefined starting values for the angle-based ones Parameters, for the lateral speed and for the yaw rate. The prediction model thus determines, in particular, predicted values for the lateral speed, the yaw rate and the angle-based parameters from the starting values for the steering angle, the angle-based parameters, the lateral speed and the yaw rate. Using the prediction model, predicted values for the respective variables can be determined on the basis of the starting values. In particular, further starting values for additional parameters can be estimated or otherwise measured. For example, a starting value for a longitudinal speed can be estimated. This estimate of the longitudinal velocity can also be taken into account when calculating the predicted values in step b). The prediction model can be used to generate more precise values, in this case predicted values, from the starting values.
Das Vorhersagemodell dient insbesondere der Berechnung von Parametern betreffend die Eigenbewegung eines Kraftfahrzeugs. Dabei kann das Vorhersagemodell unter anderem auf Elemente eines Einspurmodells zurückgreifen. Innerhalb des Vorhersagemodells können beispielsweise Werte zu einem Radius des Kraftfahrzeugs, einer lateralen Geschwindigkeit, einem Schräglaufwinkel im Schwerpunkt des Kraftfahrzeugs sowie zu Schräglaufwinkel ermittelt werden. Jedoch ist insbesondere das Verfahren nach dem Vorhersagemodell noch nicht abgeschlossen, sondern wird bevorzugt mit dem Fusionsmodell fortgeführt. Im weiteren Verlauf dieser Anmeldung wird daher ein Fusionsmodell eingeführt. Das Fusionsmodell ist bevorzugt in zwei unterschiedliche Kalman-Filter unterteilt, einem „gewöhnlichen“ Kalman-Filter und einem Unscented Kalman-Filter. Der Unscented Kalman-Filter wird insbesondere als ein weiteres Vorhersagemodell innerhalb des Fusionsmodells eingesetzt. Dabei kann der Unscented Kalman-Filter vor allem nicht-lineare Gleichungssysteme beziehungsweise nicht-lineare Zusammenhänge berücksichtigen.The prediction model is used in particular to calculate parameters relating to the self-movement of a motor vehicle. The prediction model can use elements of a single-track model, among other things. Within the prediction model, values for a radius of the motor vehicle, a lateral speed, a slip angle in the center of gravity of the motor vehicle and for slip angle can be determined, for example. However, in particular the method according to the prediction model has not yet been completed, but is preferably continued with the fusion model. A merger model will therefore be introduced later in this application. The fusion model is preferably divided into two different Kalman filters, an “ordinary” Kalman filter and an unscented Kalman filter. The Unscented Kalman filter is used in particular as a further prediction model within the fusion model. The Unscented Kalman filter can primarily take into account non-linear systems of equations or non-linear relationships.
Der „gewöhnliche“ Kalman-Filter - im weiteren Verlauf einfach nur Kalman-Filter genannt - kann gemessene Parameter in das Fusionsmodell einbinden. Der Kalman-Filter weist Gleichungssysteme auf, die gemessene Parameter beziehungsweise Größen berücksichtigen können. Damit können mittels des Fusionsmodells neue Startwerte für die Parameter der Eigenbewegung ermittelt werden. Diese Startwerte können dem Vorhersagemodell erneut für einen nächsten Zyklus zugeführt werden. Dies würde bedeuten, dass das Vorhersagemodell und das Fusionsmodell erneut mit den neuen Startwerten ausgeführt werden können. Die Startwerte können auch als Ergebniswerte ausgegeben werden. Somit können das Vorhersagemodell und das Fusionsmodell als Kreislauf, Zyklus oder Schleife betrachtet werden. Das Fusionsmodell kann somit gemessene Parameter in das Verfahren einbeziehen und die im Vorhersagemodell ermittelten Parameter aktualisieren. So kann das Vorhersagemodell mit Messgrößen gekoppelt werden.The "ordinary" Kalman filter - hereinafter simply called the Kalman filter - can incorporate measured parameters into the fusion model. The Kalman filter has systems of equations that can take measured parameters or quantities into account. This means that the fusion model can be used to determine new starting values for the parameters of the self-motion. These start values can be fed back to the prediction model for a next cycle. This would mean that the prediction model and the fusion model can be run again with the new starting values. The start values can also be output as result values. Thus, the prediction model and the fusion model can be viewed as a cycle, cycle or loop. The fusion model can thus include measured parameters in the method and update the parameters determined in the prediction model. In this way, the prediction model can be coupled with measured variables.
Wird beispielsweise das Vorhersagemodell mit Ergebniswerten aus dem Fusionsmodell erneut ausgeführt, so kann eine Verbesserung der Genauigkeit erreicht werden. Insbesondere können durch die Kopplung des Vorhersagemodells mit dem Fusionsmodell Änderungen in der Bewegung des Kraftfahrzeugs erkannt und berücksichtigt werden. Bevorzugt kann ein Kriterium festgelegt werden, ob der Zyklus aus Vorhersagemodell und Fusionsmodell erneut durchlaufen wird. Dieses Kriterium kann zum Beispiel eine Differenz von aktuellen Startwerten zu vorigen Startwerten aus dem Zyklus unmittelbar davor sein. Auch andere Kriteria, wie zum Beispiel eine feste Anzahl durchlaufener Zyklen, können verwendet werden, um festzulegen, ob der Zyklus aus Vorhersagemodell und Fusionsmodell erneut ausgeführt wird oder ob die Startwerte als Ergebniswerte ausgegeben werden.If, for example, the prediction model is executed again with result values from the fusion model, an improvement in the accuracy can be achieved. In particular, changes in the movement of the motor vehicle can be recognized and taken into account by coupling the prediction model with the fusion model. A criterion can preferably be defined as to whether the cycle comprising the prediction model and the fusion model is run through again. This criterion can, for example, be a difference between current start values and previous start values from the cycle immediately before. Other criteria, such as a fixed number of cycles that have been run through, can also be used to determine whether the cycle from the prediction model and the fusion model is executed again or whether the starting values are output as result values.
In einem Schritt c) werden fusionierte Werte für fusionierte winkelbasierende Parameter, eine fusionierte laterale Geschwindigkeit und eine fusionierte Gierrate ausgehend von den prädizierten Werten aus Schritt b) mittels eines Fusionsmodells zum Fusionieren prädizierter Werte und gemessener Werte berechnet. Dabei weist das Fusionsmodell einen Unscented Kalman-Filter und einen Kalman-Filter auf. Der Kalman-Filter berücksichtigt die laterale gemessene Beschleunigung und die gemessene Gierrate für das Berechnen der fusionierten Werte. Der Unscented Kalman-Filter berechnet insbesondere einen Satz von Sigma-Punkten. Zu den Sigma-Punkten werden in der Regel bei dem Unscented Kalman-Filter jeweils ein Gewichtskoeffizient oder eine Gewichtungsmatrix ermittelt. Der Unscented Kalman-Filter wird insbesondere bei nichtlinearen Gleichungssystemen eingesetzt. Der Unscented Kalman-Filter berücksichtigt die zusätzliche Unsicherheit einer linearisierten Funktion aufgrund von Fehlern beim Prozess des Linearisierens. Der Unscented Kalman-Filter stellt insbesondere eine Weiterentwicklung eines Extended Kalman-Filter, also eines erweiterten Kalman-Filters dar. Die im Schritt b) prädizierten Werte werden insbesondere mittels des Unscented Kalman-Filters erneut vorhergesagt. Dazu werden insbesondere die im Schritt b) berechneten prädizierten Werte dem Unscented Kalman-Filter als Eingangswerte zugeführt. Nach einer Verarbeitung der im Schritt b) erzeugten prädizierten Werte durch den Unscented Kalman-Filter zu neuen Werten, können diese neuen Werte dem Kalman-Filter übergeben werden. Insbesondere der Kalman-Filter ist dazu ausgelegt, die von dem Unscented Kalman-Filter erzeugten Werte zu den fusionierten Werten weiter zu verarbeiten. Dazu können die von dem Unscented Kalman-Filter erzeugten Werte dem Kalman-Filter als Eingangswerte zugeführt werden, welcher aus diesen Eingangswerten unter Berücksichtigung von gemessenen Sensorwerten die fusionierten Werte erzeugen kann. Die gemessenen Werte sind vorzugsweise die gemessene Gierrate sowie die gemessene laterale Beschleunigung.In a step c), fused values for fused angle-based parameters, a fused lateral velocity and a fused yaw rate are calculated on the basis of the predicted values from step b) by means of a fusion model for fusing predicted values and measured values. The fusion model has an Unscented Kalman filter and a Kalman filter. The Kalman filter takes into account the lateral measured acceleration and the measured yaw rate when calculating the fused values. The Unscented Kalman filter in particular calculates a set of sigma points. For the sigma points, a weight coefficient or a weighting matrix is generally determined with the Unscented Kalman filter. The Unscented Kalman filter is used in particular for nonlinear systems of equations. The Unscented Kalman filter takes into account the additional uncertainty of a linearized function due to errors in the linearization process. The Unscented Kalman filter represents in particular a further development of an Extended Kalman filter, that is to say an extended Kalman filter. The values predicted in step b) are predicted again in particular by means of the Unscented Kalman filter. For this purpose, in particular the predicted values calculated in step b) are fed to the Unscented Kalman filter as input values. After the predicted values generated in step b) have been processed into new values by the Unscented Kalman filter, these new values can be transferred to the Kalman filter. In particular, the Kalman filter is designed to further process the values generated by the Unscented Kalman filter into the merged values. For this purpose, the values generated by the Unscented Kalman filter can be fed as input values to the Kalman filter, which can generate the fused values from these input values, taking into account measured sensor values. The measured values are preferably the measured yaw rate and the measured lateral acceleration.
In einem Schritt d) werden die berechneten fusionierten Werte aus Schritt c) als vorgegebene Startwerte für das Vorhersagemodell in Schritt b) zugeführt und/oder die in Schritt c) berechneten fusionierten Werte werden als Ergebniswerte zum Bestimmen der Eigenbewegung des Kraftfahrzeugs ausgegeben. Der Verfahrensschritt d) sieht somit mehrere Möglichkeiten vor. Die in Schritt c) berechneten fusionierten Werte können für das Vorhersagemodell in Schritt b) wieder verwendet werden. Das bedeutet insbesondere, dass die in Schritt c) berechneten fusionierten Werte als Startwerte für den Schritt b) berücksichtigt werden. Damit können die Verfahrensschritte b) und c) erneut durchgeführt werden, wobei in diesem Fall die Startwerte in Schritt b) die fusionierten Werte aus Schritt c) darstellen.In a step d), the calculated merged values from step c) are supplied as predetermined starting values for the prediction model in step b) and / or the fused values calculated in step c) are used as the result values Determine the own movement of the motor vehicle issued. Process step d) thus provides several options. The merged values calculated in step c) can be used again for the prediction model in step b). This means in particular that the fused values calculated in step c) are taken into account as starting values for step b). Method steps b) and c) can thus be carried out again, in which case the starting values in step b) represent the merged values from step c).
Es ist jedoch auch möglich, dass ein Teil der fusionierten Werte dem Verfahrensschritt b) zurückgeführt werden und ein Teil der berechneten fusionierten Werte in Schritt c) als Ergebniswerte ausgegeben werden. Beispielsweise kann die longitudinale Geschwindigkeit als Ergebnis ausgegeben werden und die restlichen Größen können als Startwerte für den Schritt b) berücksichtigt werden. Schritt d) sieht zudem die Möglichkeit vor, dass die in Schritt c) berechneten fusionierten Werte als Ergebniswerte zum Bestimmen der Eigenbewegung des Kraftfahrzeugs ausgegeben werden. Zudem sieht der Verfahrensschritt d) die Möglichkeit vor, dass die Verfahrensschritte b) bis d) zyklisch durchgeführt werden können. Dies ist insbesondere dann vorgesehen, wenn eine gewünschte Genauigkeit betreffend die laterale Geschwindigkeit sowie die Gierrate erreicht wurde. Darüber hinaus kann vorgesehen sein, dass mehrere Verfahrenszyklen durchlaufen werden sollen, wenn die laterale gemessene Beschleunigung und die gemessene Gierrate sich zeitlich stark ändern. In diesem Fall kann eine mehrfache Wiederholung der Verfahrensschritte b) bis d) eine höhere Genauigkeit bewirken.However, it is also possible for some of the fused values to be returned to method step b) and for some of the calculated fused values to be output as result values in step c). For example, the longitudinal speed can be output as a result and the remaining variables can be taken into account as start values for step b). Step d) also provides for the possibility that the merged values calculated in step c) are output as result values for determining the self-movement of the motor vehicle. In addition, method step d) provides for the possibility that method steps b) to d) can be carried out cyclically. This is provided in particular when a desired accuracy regarding the lateral speed and the yaw rate has been achieved. In addition, it can be provided that several process cycles are to be run through if the lateral measured acceleration and the measured yaw rate change greatly over time. In this case, repeating the process steps b) to d) a number of times can bring about greater accuracy.
Eine weitere Variante dieser Erfindung sieht vor, dass ein Startwert für eine longitudinale Geschwindigkeit vorgegeben, erfasst und/oder bestimmt wird zum Berechnen der prädizierten Werte in Schritt b), wobei die longitudinale Geschwindigkeit zur lateralen Geschwindigkeit senkrecht ausgebildet ist. Die longitudinale Geschwindigkeit wird insbesondere anhand der Umlaufdrehzahlen für die Vorderachse und für die Hinterachse ermittelt. Es ist möglich, aus den beiden Umlaufdrehzahlen eine einzige gemittelte Umlaufdrehzahl zu bilden. Im einfachsten Fall könnte die longitudinale Geschwindigkeit einfach vernachlässigt werden. Zur Erhöhung der Genauigkeit des Verfahrens wird jedoch meistens ein Startwert für die longitudinale Geschwindigkeit bestimmt. Dies geschieht insbesondere unter Berücksichtigung beider Umlaufdrehzahlen für die Vorderachse und für die Hinterachse. Somit können beide Geschwindigkeitskomponenten, nämlich die longitudinale Geschwindigkeit und die laterale Geschwindigkeit, zur Bestimmung der Gierrate berücksichtigt werden.A further variant of this invention provides that a starting value for a longitudinal speed is predetermined, recorded and / or determined for calculating the predicted values in step b), the longitudinal speed being perpendicular to the lateral speed. The longitudinal speed is determined in particular on the basis of the rotational speeds for the front axle and for the rear axle. It is possible to form a single averaged rotational speed from the two rotational speeds. In the simplest case, the longitudinal speed could simply be neglected. In order to increase the accuracy of the method, however, a starting value for the longitudinal speed is usually determined. This is done especially taking into account both rotational speeds for the front axle and for the rear axle. Both speed components, namely the longitudinal speed and the lateral speed, can thus be taken into account for determining the yaw rate.
Eine weitere Variante dieser Erfindung sieht vor, dass Startwerte für die zwei winkelbasierenden Parameter, die laterale Geschwindigkeit und die Gierrate für das Berechnen der prädizierten Werte in Schritt b) vorgegeben, erfasst und/oder bestimmt werden. Diese Variante der Erfindung sieht insbesondere vor, dass die Startwerte von dem Verfahrensschritt b) nicht nur vorgegeben, sondern stattdessen erfasst und/oder bestimmt werden können. Dazu können zum Beispiel einfache Näherungslösungen oder anderweitige Abschätzungen zum Einsatz kommen. Je besser die vorgegebenen Startwerte im Verfahrensschritt b) gewählt werden, desto schneller und effizienter kann tendenziell das Berechnen der prädizierten Werte erfolgen. Beispielsweise können die winkelbasierenden Parameter anhand einer Masse und einer Steifigkeit ermittelt werden. Für den winkelbasierenden Parameter betreffend die Vorderachse könnte eine Relation aus einer Masse für die Vorderachse gegenüber einer Steifigkeit betreffend die Vorderachse gebildet werden.A further variant of this invention provides that start values for the two angle-based parameters, the lateral speed and the yaw rate for the calculation of the predicted values are predefined, recorded and / or determined in step b). In particular, this variant of the invention provides that the starting values of method step b) can not only be predetermined, but can instead be detected and / or determined. For example, simple approximation solutions or other estimates can be used. The better the predetermined starting values are selected in method step b), the faster and more efficiently the predicted values can tend to be calculated. For example, the angle-based parameters can be determined on the basis of a mass and a stiffness. For the angle-based parameter relating to the front axle, a relation could be formed from a mass for the front axle versus a stiffness relating to the front axle.
Eine weitere Variante dieser Erfindung sieht vor, dass der Startwert für die longitudinale Geschwindigkeit und/oder ein prädizierter Wert für die longitudinale Geschwindigkeit basierend auf einem effektiven Umfang betreffend die Vorderachse und die Hinterachse berechnet wird, wobei der effektive Umfang in Abhängigkeit von der jeweiligen Umlaufdrehzahl bestimmt wird. Insbesondere bei Geschwindigkeiten ab 80 km/h kann sich ein Radumfang signifikant ändern. Dies kann zum Beispiel durch eine Veränderung des Reifeninnendrucks hervorgerufen werden. Bei höheren Kraftfahrzeuggeschwindigkeiten kann sich eine Luft im Reifen stärker erwärmen, was zu einer Erhöhung des Reifenfülldrucks führen kann. Dies kann zu einer signifikanten Änderung des Radumfangs führen. Diese Variante der Erfindung berücksichtigt die Tatsache, dass bei bestimmten Umlaufdrehzahlen sich der Umfang betreffend die Vorderachse und die Hinterachse ändert. Der Umfang beschreibt insbesondere einen Radumfang. Der Umfang kann jedoch der Vorderachse beziehungsweise der Hinterachse zugewiesen werden. In Abhängigkeit von der jeweiligen Umlaufdrehzahl wird insbesondere ein effektiver Umfang bestimmt. Dies geschieht vorzugsweise durch Berücksichtigen mehrerer abschnittsweiser linearer Funktionen. Die jeweiligen Koeffizienten dieser linearen Funktionen werden bevorzugt anhand eines vorgegebenen Referenzdatensatzes ermittelt. Somit kann der Effekt, dass sich ein Radumfang bei höheren Geschwindigkeiten ändert, zusätzlich berücksichtigt werden. Dies kann zu einer signifikanten Erhöhung der Genauigkeit für odometrische Berechnungen führen.A further variant of this invention provides that the starting value for the longitudinal speed and / or a predicted value for the longitudinal speed is calculated on the basis of an effective scope relating to the front axle and the rear axle, the effective scope being determined as a function of the respective rotational speed becomes. A wheel circumference can change significantly, especially at speeds above 80 km / h. This can be caused, for example, by changing the tire pressure. At higher motor vehicle speeds, air in the tire can heat up more, which can lead to an increase in the tire inflation pressure. This can lead to a significant change in the wheel circumference. This variant of the invention takes into account the fact that the circumference regarding the front axle and the rear axle changes at certain rotational speeds. The scope describes in particular a wheel circumference. However, the circumference can be assigned to the front axle or the rear axle. An effective range is determined in particular as a function of the respective rotational speed. This is preferably done by taking into account several section-wise linear functions. The respective coefficients of these linear functions are preferably determined on the basis of a predetermined reference data set. The effect that a wheel circumference changes at higher speeds can thus also be taken into account. This can lead to a significant increase in accuracy for odometric calculations.
Eine weitere Variante dieser Erfindung sieht vor, dass die Verfahrensschritte a) bis d) mehrfach zyklisch ausgeführt werden, periodisch neue Werte für die Lenkwinkel, die Umlaufdrehzahlen, der lateralen gemessenen Beschleunigung gemessen werden und diese gemessenen Werte für das Vorhersagemodell und/oder Fusionsmodell berücksichtigt werden. Somit sieht diese Variante der Erfindung nicht nur vor, dass die Verfahrensschritte mehrfach zyklisch ausgeführt werden, sondern darüber hinaus dass periodisch neue Werte für die Lenkwinkel, die Umlaufdrehzahlen und die laterale gemessene Beschleunigung gemessen werden. Diese gemessenen Werte werden dabei jeweils für das Vorhersagemodell und/oder Funktionsmodell berücksichtigt. Damit kann zum einen die Präzision des Verfahrens erhöht werden und zum anderen können sich ändernde Messwerte betreffend die laterale Beschleunigung, die Umlaufdrehzahlen und die Lenkwinkel fortlaufend berücksichtigt werden. Damit kann sichergestellt werden, dass sich das Fusionsmodell nicht losgelöst von Sensordaten entwickelt. Ein mögliches „Auseinanderdriften“ der Modelle (Vorhersagemodell und Fusionsmodell) von gemessenen Sensordaten kann so rechtzeitig erkannt werden beziehungsweise unterbunden werden. Darüber hinaus können zusätzlich periodisch neue Werte für die gemessene Gierrate für das Vorhersagemodell und/oder Fusionsmodell berücksichtigt werden.A further variant of this invention provides that method steps a) to d) are carried out several times cyclically, periodically new values for the steering angle, the rotational speeds, the lateral measured acceleration are measured and these measured values are taken into account for the prediction model and / or fusion model. Thus, this variant of the invention not only provides that the method steps are carried out several times cyclically, but also that periodically new values for the steering angle, the rotational speeds and the lateral measured acceleration are measured. These measured values are taken into account for the prediction model and / or function model. On the one hand, this can increase the precision of the method and, on the other hand, changing measured values relating to the lateral acceleration, the rotational speeds and the steering angle can be taken into account continuously. This ensures that the fusion model does not develop separately from sensor data. A possible "drifting apart" of the models (prediction model and fusion model) of measured sensor data can thus be recognized or prevented in good time. In addition, new values for the measured yaw rate for the prediction model and / or fusion model can also be periodically taken into account.
Eine weitere Variante dieser Erfindung sieht vor, dass der Unscented Kalman-Filter des Fusionsmodells die prädizierten Werte aus Schritt b) gewichtet mittelt. Dazu werden im Rahmen des Unscented Kalman-Filters bevorzugt Gewichtskoeffizienten oder entsprechende Gewichtungsmatrizen ermittelt, welche die prädizierten Werte aus Schritt b) zu gewichteten Werten des Unscented Kalman-Filters transformieren. Die Gewichtskoeffizienten können ebenfalls in Form einer Gewichtsmatrix zusammengefasst sein. Die prädizierten Werte aus Schritt b) können in einer Matrix zusammengefasst werden. Mittels der Gewichtungsmatrix kann diese aus prädizierten Werten bestehende Matrix in eine neue Matrix umgewandelt werden. Diese neue Matrix weist dann vorzugsweise gewichtete Werte auf. Diese gewichteten Werte können insbesondere zur Berechnung der fusionierten Werte eingesetzt werden.Another variant of this invention provides that the unscented Kalman filter of the fusion model averages the predicted values from step b). For this purpose, weight coefficients or corresponding weighting matrices are preferably determined as part of the unscented Kalman filter, which transform the predicted values from step b) into weighted values of the unscented Kalman filter. The weight coefficients can also be summarized in the form of a weight matrix. The predicted values from step b) can be summarized in a matrix. Using the weighting matrix, this matrix consisting of predicted values can be converted into a new matrix. This new matrix then preferably has weighted values. These weighted values can be used in particular to calculate the merged values.
Eine weitere Variante dieser Erfindung sieht vor, dass der Kalman-Filter des Fusionsmodells aus den gewichteten gemittelten prädizierten Werten neue Startwerte für die zwei winkelbasierenden Parameter, die laterale Geschwindigkeit und die Gierrate berechnet. Dabei berücksichtigt der Kalman-Filter für diese Berechnung die gemessene laterale Beschleunigung und die gemessenen Gierrate. Somit sieht diese Variante insbesondere vor, dass der Kalman-Filter des Fusionsmodells die von dem Unscented Kalman-Filter bereitgestellten gewichteten gemittelten prädizierten Werten als Eingangswerte verwendet. Vorzugsweise fließen die Ergebniswerte des Unscented Kalman-Filter als Startwerte in den Kalman-Filter ein. Der Kalman-Filter beschreibt insbesondere das Zusammenwirken der entsprechenden physikalischen Bewegungsgleichungen sowie der entsprechenden Sensordaten. In diesem Beispiel werden als Sensordaten die gemessene laterale Beschleunigung sowie die gemessene Gierrate berücksichtigt. Je nach Ausgestaltung des Kalman-Filters können auch die jeweiligen Lenkwinkel und jeweiligen Umlaufdrehzahlen berücksichtigt werden. In der Regel sind darüber hinausgehende Sensordaten nicht vorgesehen, da diese Erfindung beabsichtigt, ohne kostenintensive Sensorik auszukommen. Der Unscented Kalman-Filter kann nicht-lineare Systeme darstellen und der Kalman-Filter kann insbesondere eine Rückkopplung des Fusionsmodells mit der gemessenen lateralen Beschleunigung und der gemessenen Gierrate bereitstellen.Another variant of this invention provides that the Kalman filter of the fusion model calculates new starting values for the two angle-based parameters, the lateral speed and the yaw rate, from the weighted, averaged, predicted values. The Kalman filter takes into account the measured lateral acceleration and the measured yaw rate for this calculation. Thus, this variant provides in particular that the Kalman filter of the fusion model uses the weighted averaged predicted values provided by the Unscented Kalman filter as input values. The result values of the Unscented Kalman filter preferably flow into the Kalman filter as starting values. The Kalman filter describes in particular the interaction of the corresponding physical equations of motion and the corresponding sensor data. In this example, the measured lateral acceleration and the measured yaw rate are taken into account as sensor data. Depending on the design of the Kalman filter, the respective steering angle and respective rotational speeds can also be taken into account. As a rule, additional sensor data are not provided, since this invention intends to do without cost-intensive sensors. The Unscented Kalman filter can represent non-linear systems and the Kalman filter can in particular provide a feedback of the fusion model with the measured lateral acceleration and the measured yaw rate.
Eine weitere Variante dieser Erfindung sieht vor, dass die Werte für die prädizierten winkelbasierenden Parameter, die prädizierte laterale Geschwindigkeit und die prädizierte Gierrate mittels eines Tiefpassfilters gefiltert werden. Die Filterung mittels des Tiefpassfilters dient insbesondere dazu, plötzlichere Änderungen oder Ausreißer betreffend die genannten prädizierten Werte zu vermeiden. Unerwartete oder unrealistische Peaks beziehungsweise Abweichungen betreffend die berechneten prädizierten Werte können so effektiv vermieden werden. Es werten insbesondere Tiefpassfilter mit einem Puffer der Größe 5 eingesetzt. Zudem können noch weitere Werte tiefpassgefiltert werden. Dies betrifft die jeweiligen Bewegungswinkel, einen Schräglaufwinkel im Schwerpunkt, einen Radius sowie die genannten prädizierten Werte.Another variant of this invention provides that the values for the predicted angle-based parameters, the predicted lateral speed and the predicted yaw rate are filtered using a low-pass filter. The filtering by means of the low-pass filter serves in particular to avoid sudden changes or outliers regarding the predicted values mentioned. In this way, unexpected or unrealistic peaks or deviations regarding the calculated predicted values can be effectively avoided. In particular, low-pass filters with a size 5 buffer are used. In addition, other values can be low-pass filtered. This applies to the respective movement angle, a slip angle in the center of gravity, a radius and the predicted values mentioned.
Eine weitere Variante dieser Erfindung sieht vor, dass die Startwerte betreffend die zwei winkelbasierenden Parameter basierend auf einem vorgegebenen Datensatz ermittelt werden, wobei der vorgegebene Datensatz jeweils einen Schräglaufwinkel für die Vorderachse und Hinterachse mit einem Produkt aus den Startwerten für die longitudinale Geschwindigkeit und die Gierrate verknüpft. Ein Schräglaufwinkel kann nicht immer mit einer entsprechenden Sensorik erfasst werden. Dies gilt insbesondere dann, wenn ein entsprechender Sensor nicht vorhanden ist. Diese Variante der Erfindung ermöglicht es dennoch, den Schräglaufwinkel zu ermitteln. Dazu wird auf einen vorgegebenen Datensatz zurückgegriffen. Dieser Datensatz beinhaltet insbesondere Referenzmessungen, welche mit einem mit entsprechender Sensorik ausgestatteten Fahrzeug durchgeführt wurden. Bei diesen Referenzmessungen wurde unter anderem der Schräglaufwinkel gemessen. Darüber hinaus wurden auch Messwerte für die longitudinale Geschwindigkeit und die Gierrate erfasst. Eine bevorzugte Darstellung dieses Datensatzes besteht in einem Diagramm, in dem auf der x-Achse der jeweilige Schräglaufwinkel und auf der y-Achse ein Produkt aus longitudinaler Geschwindigkeit und Gierrate dargestellt ist. Für ein Fahrzeug können zwei solcher Diagramme vorliegen, eines für die Vorderachse und eines für die Hinterachse. Insbesondere kann vorgesehen sein, dass unter Verwendung der longitudinalen Geschwindigkeit und der Gierrate der entsprechende Schräglaufwinkel aus dem vorgegebenen Datensatz direkt ermittelt werden kann. Somit kann der Schräglaufwinkel trotz eines entsprechenden fehlenden Sensors ermittelt werden.Another variant of this invention provides that the starting values relating to the two angle-based parameters are determined based on a predetermined data set, the predetermined data set linking a slip angle for the front axle and rear axle with a product of the starting values for the longitudinal speed and the yaw rate . A slip angle cannot always be detected with an appropriate sensor system. This applies in particular if a corresponding sensor is not available. This variant of the invention nevertheless makes it possible to determine the slip angle. A predefined data record is used for this. This data set contains, in particular, reference measurements which were carried out with a vehicle equipped with appropriate sensors. Among other things, the slip angle was measured in these reference measurements. In addition, measured values for the longitudinal speed and the yaw rate were also recorded. A preferred representation of this data set consists in a diagram in which the respective slip angle on the x-axis and a product of the longitudinal speed and on the y-axis Yaw rate is shown. There may be two such diagrams for a vehicle, one for the front axle and one for the rear axle. In particular, it can be provided that the corresponding slip angle can be determined directly from the predetermined data set using the longitudinal speed and the yaw rate. The slip angle can thus be determined despite a corresponding missing sensor.
Eine weitere Variante dieser Erfindung sieht vor, dass zum Bestimmen der Startwerte für die beiden winkelbasierenden Parameter eine Steigung des vorgegebenen Datensatzes ermittelt wird. Wie in der vorherigen Variante dargestellt wurde, wird der vorgegebene Datensatz bevorzugt in Form eines Diagramms dargestellt. Die jeweiligen Messpunkte zeigen in der Regel eine lineare Tendenz. Basierend auf dieser linearen Tendenz kann eine Steigung des vorgegebenen Datensatzes ermittelt werden. Diese Steigung kann mit der Gleichung 1 beziehungsweise Gleichung 2 verknüpft werden.
Dabei ist mF die Masse betreffend der Vorderachse. cF ist die Steifigkeit betreffend der Vorderachse. Die Parameter mR beziehungsweise cR beziehen sich entsprechend auf die Hinterachse. Der Quotient in Gleichung 1 oder 2 entspricht der Steigung des vorgegebenen Datensatzes beziehungsweise der inversen Steigung.Here m F is the mass relating to the front axle. c F is the stiffness regarding the front axle. The parameters m R and c R relate accordingly to the rear axle. The quotient in
Die Steigung des vorgegebenen Datensatzes kann beispielsweise mit Hilfe einer linearen Regressionsausgleichsrechnung bestimmt werden. Dies kann auf einfache Weise mit vielen Programmtools, die ein Kurvenfittool beinhalten, bewerkstelligt werden. Somit können durch die Steigung des vorgegebenen Datensatzes die Startwerte für die beiden winkelbasierenden Parameter beziehungsweise die jeweiligen Schräglaufwinkel ermittelt werden.The slope of the specified data set can be determined, for example, using a linear regression compensation calculation. This can be done easily with many program tools that include a curve fitting tool. Thus, the starting values for the two angle-based parameters or the respective slip angle can be determined by the slope of the specified data set.
Eine weitere Variante dieser Erfindung sieht vor, dass zwei Bewegungswinkel für die Vorderachse und Hinterachse aus einer Summe von den beiden Schräglaufwinkeln und den gemessenen Lenkwinkeln gebildet werden. Dies geschieht vorzugsweise mittels der Gleichungen 3 und 4.
Eine weitere Variante dieser Erfindung sieht vor, dass die prädizierten winkelbasierenden Parameter in Abhängigkeit von einer Fallunterscheidung berechnet werden, wobei bei der Fallunterscheidung der Wert der gemessenen lateralen Beschleunigung mit einem Schwellenwert für die laterale Beschleunigung verglichen wird. Dies bedeutet insbesondere, dass die Startwerte für die beiden winkelbasierenden Parameter mittels einer Fallunterscheidung ermittelt werden. Diese Fallunterscheidung soll insbesondere unterschiedlichen Drehrichtungen der Vorder- und Hinterachse berücksichtigen. Überschreitet die gemessene laterale Beschleunigung den Schwellenwert für die laterale Beschleunigung so ist insbesondere vorgesehen, dass die prädizierten winkelbasierenden Parameter anhand der Gleichungen 5 beziehungsweise 6 berechnet werden.
Ist jedoch die gemessene laterale Beschleunigung gegenüber dem Schwellenwert der lateralen Beschleunigung geringer, so ist insbesondere vorgesehen, dass die prädizierten winkelbasierenden Parameter mittels der Gleichungen 7 oder 8 ermittelt werden.
Eine weitere Variante dieser Erfindung sieht vor, dass ein Schräglaufwinkel im Schwerpunkt des Kraftfahrzeugs in Abhängigkeit von den Bewegungswinkeln, einem Abstand zwischen der Vorderachse zur Hinterachse und einem Abstands der Vorderachse zum Schwerpunkt des Kraftfahrzeugs berechnet wird. Die Berechnung des Schräglaufwinkels im Schwerpunkt des Kraftfahrzeugs erleichtert die spätere Berechnung der prädizierten lateralen Geschwindigkeit. Der Schräglaufwinkel
Eine weitere Variante dieser Erfindung sieht vor, dass ein Rotationsradius des Kraftfahrzeugs in Abhängigkeit von den Bewegungswinkeln und in Abhängigkeit von dem Abstand zwischen der Vorderachse zur Hinterachse berechnet wird. Der Rotationsradius wird insbesondere durch die Gleichung 10 ermittelt.
Eine weitere Variante dieser Erfindung sieht vor, dass die gemessene laterale Beschleunigung und die gemessene Gierrate tiefpassgefiltert werden. Bei einem Messen der lateralen Beschleunigung und der Gierrate kann es durch systematische und statistische Fehler zu Abweichungen bei den Messwerten kommen. Im schlimmsten Fall können so genannte Ausreißer vorkommen, welche im ungünstigsten Fall über den Kalman-Filter in das Berechnungsverfahren einfließen. Solche statistischen Ausreißer könnten dann zu nicht-realistischen Ergebnissen führen und sind häufig unerwünscht. Mittels einer Tiefpassfilterung der gemessenen lateralen Beschleunigung und der gemessenen Gierrate kann verhindert werden, dass einzelne statistische Ausreißer bei der Messung der lateralen Beschleunigung oder der Gierrate die odometrischen Berechnungen verfälschen. Hier wird ebenso bevorzugt eine Tiefpassfilterung mit einem Puffer der Größe 5 eingesetzt.Another variant of this invention provides that the measured lateral acceleration and the measured yaw rate are low-pass filtered. When measuring the lateral acceleration and the yaw rate, systematic and statistical errors can lead to deviations in the measured values. In the worst case, so-called outliers can occur, which in the worst case flow into the calculation process via the Kalman filter. Such statistical outliers could then lead to unrealistic results and are often undesirable. Low-pass filtering of the measured lateral acceleration and the measured yaw rate can prevent individual statistical outliers from falsifying the odometric calculations when measuring the lateral acceleration or the yaw rate. Low-pass filtering with a size 5 buffer is also preferably used here.
Die vorliegende Erfindung stellt ebenfalls ein Sensorsystem für ein Kraftfahrzeug mit einer Sensoreinrichtung zum Erfassen einer gemessenen lateralen Beschleunigung, einer gemessenen Gierrate, eines Lenkwinkels einer Vorderachse, eines Lenkwinkels einer Hinterachse und jeweils einer Umlaufdrehzahl für die Vorderachse und Hinterachse bereit. Zudem weist das Sensorsystem eine Auswerteeinheit auf, wobei die Auswerteeinheit ausgebildet ist, die von der Sensoreinrichtung erfassten Größen entsprechend einem Verfahren gemäß den vorhergehenden Varianten zu verarbeiten. Die Auswerteeinheit kann insbesondere das Vorhersagemodell sowie die beiden unterschiedlichen Kalman-Filter beinhalten. Die von der Sensoreinrichtung gemessenen Größen können der Auswerteeinrichtung zugeführt werden. Die Auswerteeinheit kann diese zugeführten Messgrößen entsprechend dem Vorhersagemodell, dem Unscented Kalman-Filter sowie dem Kalman-Filter verarbeiten. Dabei können die jeweiligen Kalman-Filter sowie das Vorhersagemodell mehrfach zyklisch angewandt werden. Insbesondere kann vorgesehen sein, dass regelmäßig neue Messwerte, welche durch die Sensoreinrichtung erfasst werden, in das zyklische Verfahren als Eingangsgrößen einfließen. Die in den vorangegangenen Varianten genannten Vorteile gelten sinngemäß auch für diesen Vorrichtungsanspruch.The present invention also provides a sensor system for a motor vehicle with a sensor device for detecting a measured lateral acceleration, a measured yaw rate, a steering angle of a front axle, a steering angle of a rear axle and in each case a rotational speed for the front axle and rear axle. In addition, the sensor system has an evaluation unit, the evaluation unit being designed to process the variables detected by the sensor device in accordance with a method according to the preceding variants. The evaluation unit can in particular contain the prediction model and the two different Kalman filters. The quantities measured by the sensor device can be fed to the evaluation device. The evaluation unit can process these supplied measured variables in accordance with the prediction model, the unscented Kalman filter and the Kalman filter. The respective Kalman filter and the prediction model can be used several times cyclically. In particular, it can be provided that new measured values, which are recorded by the sensor device, are regularly incorporated into the cyclic process as input variables. The advantages mentioned in the previous variants also apply mutatis mutandis to this device claim.
Eine weitere Variante dieser Erfindung sieht ein Sensorsystem vor, wobei die Sensoreinrichtung ein Gyroskop zum Messen der gemessenen Gierrate, einen Lenkwinkelsensor zum Messen der Lenkwinkel, einen Beschleunigungssensor zum Messen der gemessenen lateralen Beschleunigung und einen Drehzahlsensor zum Messen der jeweils einen Umlaufdrehzahl für die Vorderachse und für die Hinterachse aufweist. Für den Begriff Umlaufdrehzahl kann anstelle dessen der Begriff Umlauffrequenz verwendet werden. Eine Umlaufdrehzahl beziehungsweise Umlauffrequenz beschreibt vor allem wie viele Umdrehungen ein Rad innerhalb einer vorgegebenen Zeit durchführt. Die Einheit für die Umlaufdrehzahl beziehungsweise Umlauffrequenz ist insbesondere Umdrehungen pro Minute oder Umdrehungen pro Sekunde. Bevorzugt weist das Sensorsystem keinen Lidar-Sensor auf. Ein Lidar-Sensor ist im Gegensatz zu dem Beschleunigungssensor oder Lenkwinkelsensor ein kostenintensiver Sensor. Im Rahmen dieser Erfindung wird versucht, effektive odometrische Berechnungen mittels günstiger Basissensoren durchzuführen. Daher weist das Sensorsystem bevorzugt eine beschränkte Anzahl unterschiedlicher Sensoren auf. A further variant of this invention provides a sensor system, the sensor device comprising a gyroscope for measuring the measured yaw rate, a steering angle sensor for measuring the steering angle, an acceleration sensor for measuring the measured lateral acceleration and a speed sensor for measuring the rotational speed in each case for the front axle and for has the rear axle. The term orbit frequency can be used instead for the term orbit speed. A revolution speed or revolution frequency primarily describes how many revolutions a wheel makes within a predetermined time. The unit for the revolution speed or revolution frequency is in particular revolutions per minute or revolutions per second. The sensor system preferably does not have a lidar sensor. In contrast to the acceleration sensor or steering angle sensor, a lidar sensor is a cost-intensive sensor. Within the scope of this invention, attempts are made to carry out effective odometric calculations using inexpensive basic sensors. The sensor system therefore preferably has a limited number of different sensors.
Eine weitere Variante dieser Erfindung sieht ein Sensorsystem vor, wobei die Sensoreinrichtung einen Tiefpassfilter zum Filtern der gemessenen lateralen Beschleunigung und der gemessenen Gierrate aufweist. Wie in einer vorangegangenen Variante der Erfindung erläutert wurde, dient der Tiefpassfilter insbesondere zum Herausfiltern von statistischen Ausreißern oder sogenannten Peaks. Somit können odometrische Berechnungen stabilisiert werden. Der Tiefpassfilter kann insbesondere auch die berechneten prädizierten beziehungsweise fusionierten Werte tiefpassfiltern.Another variant of this invention provides a sensor system, the sensor device having a low-pass filter for filtering the measured lateral acceleration and the measured yaw rate. As was explained in a previous variant of the invention, the low-pass filter is used in particular to filter out statistical outliers or so-called peaks. In this way, odometric calculations can be stabilized. The low-pass filter can in particular also low-filter the calculated predicted or merged values.
Eine weitere Variante dieser Erfindung sieht ein Computerprogrammprodukt mit Programmcodemitteln vor, die auf einem computerlesbaren Medium gespeichert sind, um das Verfahren nach einem der vorangehenden Varianten durchzuführen, wenn das Computerprogrammprodukt auf einem Prozessor einer elektronischen Auswerteeinheit verarbeitet wird. Die Auswerteeinheit kann insbesondere in einen Mikrochip implementiert sein. Der Mikrochip kann selbst wiederum Teil einer Leiterplatte sein.A further variant of this invention provides a computer program product with program code means which are stored on a computer-readable medium in order to carry out the method according to one of the preceding variants if the computer program product is processed on a processor of an electronic evaluation unit. The evaluation unit can in particular be implemented in a microchip. The microchip can itself be part of a printed circuit board.
Eine weitere Variante dieser Erfindung sieht ein Fahrzeugassistenzsystem mit einem Computerprogrammprodukt vor. Das Computerprogrammprodukt beinhaltet insbesondere die elektronische Auswerteeinheit, welche die laterale Geschwindigkeit sowie die Gierrate für eine Eigenbewegung des Kraftfahrzeugs berechnen kann. Somit kann das Fahrzeugassistenzsystem aktuelle Werte zur lateralen Geschwindigkeit sowie zur Gierrate und unter Umständen zu weiteren Parametern erhalten. Mittels dieser berechneten Werte kann das Computerprogrammprodukt eine effektive Steuerung des Fahrzeugassistenzsystems ermöglichen.Another variant of this invention provides a vehicle assistance system with a computer program product. The computer program product contains in particular the electronic evaluation unit, which can calculate the lateral speed and the yaw rate for a self-movement of the motor vehicle. The vehicle assistance system can thus receive current values for the lateral speed and the yaw rate and, under certain circumstances, for further parameters. Using these calculated values, the computer program product can enable effective control of the vehicle assistance system.
Eine weitere Variante dieser Erfindung sieht ein Kraftfahrzeug mit einem Fahrzeugassistenzsystem vor. Mit mittels der zuvor genannten Varianten der Erfindung kann das Kraftfahrzeug mittels des Fahrzeugassistenzsystems effektiv seine Position beziehungsweise seine Eigenbewegung berechnen, ohne dabei auf teure Sensorik zurückgreifen zu müssen.Another variant of this invention provides a motor vehicle with a vehicle assistance system. With the above-mentioned variants of the invention, the motor vehicle can use the vehicle assistance system to effectively calculate its position or its own movement without having to resort to expensive sensors.
Im Folgenden wird nun ein mögliches Berechnungsverfahren erläutert. Das Vorhersagemodell sieht insbesondere vor, mittels der Gleichungen 3 und 4 die jeweiligen Schräglaufwinkel
Mittels Gleichung 9 wird in diesem Beispiel der Schräglaufwinkel
Die prädizierte longitudinale Geschwindigkeit
Ein prädizierter Wert für die laterale Geschwindigkeit Vy
Nach der Berechnung prädizierter Werte für die Gierrate, die laterale Geschwindigkeit und die longitudinale Geschwindigkeit kann ein Wert betreffend eines Winkelgradienten EG, der auch fließender Winkelgradient genannt wird, berechnet werden. Dies kann beispielsweise mittels der Gleichung 16 erfolgen.
Dieser Winkelgradient EG wird im Folgenden durch die bereits erwähnte Fallunterscheidung (Gleichungen 5 bis 8) zu prädizierten Werten betreffend den winkelbasierenden Parametern
Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen verwendbar, ohne den Rahmen der Erfindung zu verlassen. Es sind somit auch Ausführungen von der Erfindung als umfasst und offenbart anzusehen, die in den Figuren nicht explizit gezeigt und erläutert sind, jedoch durch separierte Merkmalskombinationen aus den erläuterten Ausführungen hervorgehen und erzeugbar sind. Es sind auch Ausführungen und Merkmalskombinationen als offenbart anzusehen, die somit nicht alle Merkmale eines ursprünglich formulierten unabhängigen Anspruchs aufweisen. Es sind darüber hinaus Ausführungen und Merkmalskombinationen, insbesondere durch die oben dargelegten Ausführungen, als offenbart anzusehen, die über die in den Rückbezügen der Ansprüche dargelegten Merkmalskombinationen hinausgehen oder von diesen abweichen.Further features of the invention result from the claims, the figures and the description of the figures. The features and combinations of features mentioned above in the description and the features and combinations of features mentioned below in the description of the figures and / or shown alone in the figures can be used not only in the respectively specified combination but also in other combinations without departing from the scope of the invention . Embodiments of the invention are thus also to be regarded as encompassed and disclosed, which are not explicitly shown and explained in the figures, but can be derived from the explanations explained and can be generated by separate combinations of features. Versions and combinations of features are also to be regarded as disclosed, which therefore do not have all the features of an originally formulated independent claim. In addition, versions and combinations of features, in particular those explained above, are to be regarded as disclosed which go beyond or differ from the combinations of features set out in the references of the claims.
Die vorliegende Erfindung wird nun anhand der beigefügten Zeichnungen näher erläutert. Darin zeigen:
-
1 eine Skizze betreffend ein Einspurmodell; und -
2 ein schematisches Ablaufdiagramm betreffend das Vorhersagemodell und das Fusionsmodell in Zusammenwirkung mit gemessenen Sensorwerten.
-
1 a sketch relating to a single-track model; and -
2nd a schematic flow diagram relating to the prediction model and the fusion model in cooperation with measured sensor values.
Der Bewegungswinkel
Das Vorhersagemodell
Der Vektor x1 sowie die neue Kovarianzmatrix P1 die durch den Unscented Kalman-Filter berechnet wurden, werden dem Kalman-Filter als Eingangsparameter zugeführt. Der Kalman-Filter ist insbesondere ausgebildet mittels der Gleichungen 24 bis 29 einen neuen Zustandsvektor x und eine neue Kovarianzmatrix P zu berechnen.
x1 und X1 sind unterschiedliche Variablen betreffend des Zustandsvektors x, der die Werte für die winkelbasierenden Parameter, die Gierrate sowie für die laterale Geschwindigkeit beinhaltet. Während der Berechnungen des Unscented Kalman-Filters kann sich die Länge des Vektors x ändern, was zu den verschiedenen Indizes führt. ΔT ist eine Zeitdifferenz. In Gleichung 21 wird der Zustandsvektor zu einer neuen Matrix X24×9 umgerechnet. x1 and X1 are different variables regarding the state vector x, which contains the values for the angle-based parameters, the yaw rate and for the lateral speed. During the calculations of the Unscented Kalman filter, the length of the vector x can change, which leads to the different indices. ΔT is a time difference. In equation 21, the state vector is converted into a new matrix X2 4 × 9 .
Die prädizierten Werte für die Gierrate, für die winkelbasierenden Parameter sowie für die laterale Geschwindigkeit können insbesondere zu einem Zustandsvektor x zusammengefasst werden. Dieser Zustandsvektor x wird insbesondere mit xp bezeichnet, wenn er die prädizierten Werte aufweist. Diese prädizierten Werte beziehungsweise der Zustandsvektor xp wird dem Unscented Kalman-Filter als Eingangsdatensatz übergeben.The predicted values for the yaw rate, for the angle-based parameters and for the lateral speed can in particular be combined to form a state vector x. This state vector x is particularly designated x p if it has the predicted values. These predicted values or the state vector x p are transferred to the Unscented Kalman filter as an input data record.
Der Unscented Kalman-Filter berechnet insbesondere mittels dieser Eingangsdaten Sigma-Punkte (Gleichung 17) und Gewichtungsfaktoren [Wm(i)]1×1. Aus den Gewichtungsfaktoren kann mittels eines Trägheitstensors I9×9 eine Gewichtungsmatrix berechnet werden (Gleichung 22). Der Unscented Kalman-Filter wandelt insbesondere die prädizierten Werte in dem Vektor xp zu neuen Werten um und übergibt diese neuen Werte dem Kalman-Filter. Diese neuen Werte werden durch die Matrix P1 repräsentiert.The Unscented Kalman filter calculates sigma points (equation 17) and weighting factors [W m (i)] 1 × 1 in particular using this input data. A weighting matrix can be calculated from the weighting factors using an inertia tensor I 9 × 9 (equation 22). The Unscented Kalman filter in particular converts the predicted values in the vector x p to new values and transfers these new values to the Kalman filter. These new values are represented by the matrix P1.
Die Gleichungen 17 bis 23 beziehen sich insbesondere auf den Unscented Kalman-Filter. Der Unscented Kalman-Filter beinhaltet zum Teil sehr komplexe mathematische Umformungen und Transformationen. Diese sind jedoch nicht Kern der Erfindung. Die vorgestellten Gleichungen 17 bis 23 zeigen lediglich eine mögliche Variante auf, welche Gleichungen der Unscented Kalman-Filter aufweisen kann. Für das Verständnis dieser Anmeldung reicht es aus, zu verstehen, dass der Unscented Kalman-Filter die prädizierten Werte aus dem Vorhersagemodell
Der Kalman-Filter weist insbesondere mehrere Matrizen beziehungsweise Vektoren auf. Diese dienen zur mathematischen Darstellung des Kalman-Filters. Ein Z-Vektor beinhaltet Messwerte des Gyroskops und einen Messwert betreffend der gemessenen lateralen Beschleunigung. Z ist somit als ein Messwertvektor ausgebildet. Die Matrix H stellt das Sensormodell dar. Somit kann die Matrix H als Sensormodellmatrix bezeichnet werden. In Gleichung 27 ist ferner eine Unsicherheitsmatrix
Die Gleichungen 24 bis 29 zeigen eine mögliche Darstellung des Kalman-Filters. Der Kalman-Filter als solches ist nicht Kern dieser Anmeldung. Daher wird auf eine ausführlichere Darstellung des Kalman-Filters wie beim Unscented Kalman-Filter verzichtet. Ein geübter Fachmann weiß, wie mit dem Unscented Kalman-Filter und dem Kalman-Filter zu verfahren ist.Equations 24 through 29 show a possible representation of the Kalman filter. The Kalman filter as such is not the core of this application. For this reason, the Kalman filter, like the Unscented Kalman filter, is not shown in more detail. A skilled professional knows how to deal with the Unscented Kalman filter and the Kalman filter.
Durch die Berechnungen des Fusionsmodells
Alternativ dazu kann vorgesehen sein, diese fusionierten Werte als Eingangsparameter für das Vorhersagemodell
Das in
ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION
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.This list of documents listed by the applicant has been generated automatically and is only included for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent literature cited
- WO 2014/146821 A1 [0003]WO 2014/146821 A1 [0003]
- DE 102006020490 A1 [0004]DE 102006020490 A1 [0004]
- US 8326480 B2 [0005]US 8326480 B2 [0005]
Claims (21)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018123092.3A DE102018123092A1 (en) | 2018-09-20 | 2018-09-20 | Method for determining a lateral speed and a yaw rate for a self-movement of a motor vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018123092.3A DE102018123092A1 (en) | 2018-09-20 | 2018-09-20 | Method for determining a lateral speed and a yaw rate for a self-movement of a motor vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102018123092A1 true DE102018123092A1 (en) | 2020-03-26 |
Family
ID=69725348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018123092.3A Pending DE102018123092A1 (en) | 2018-09-20 | 2018-09-20 | Method for determining a lateral speed and a yaw rate for a self-movement of a motor vehicle |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102018123092A1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220073086A1 (en) * | 2020-09-04 | 2022-03-10 | Toyota Jidosha Kabushiki Kaisha | Vehicle occupant assistance apparatus |
DE102022116993A1 (en) | 2022-07-07 | 2024-01-18 | Valeo Schalter Und Sensoren Gmbh | METHOD FOR DETERMINING A CONDITION OF A VEHICLE |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4121954A1 (en) * | 1991-07-03 | 1993-01-07 | Bosch Gmbh Robert | METHOD FOR OBTAINING THE YEAR SPEED AND / OR THE LATERAL SPEED |
US20070027586A1 (en) * | 2005-07-28 | 2007-02-01 | Weiwen Deng | Online estimation of vehicle side-slip under linear operating region |
DE102006020490A1 (en) * | 2006-02-24 | 2007-08-30 | Volkswagen Ag | Method and device for determining the circumference of vehicle wheels |
DE102006055550A1 (en) * | 2006-11-24 | 2008-05-29 | Robert Bosch Gmbh | Driving state variable estimating method for motor vehicle, involves using non-linear estimation algorithm e.g. sigma point based kalman filter, and mathematical vehicle model for estimating vehicle state variable |
DE102008030667A1 (en) * | 2007-07-03 | 2009-01-08 | Continental Teves Ag & Co. Ohg | Motor vehicle features characterizing parameters estimating method, involves activating device for estimating parameters, and determining estimation procedure based on activation of estimation value for associated parameter |
DE102010050278A1 (en) * | 2010-11-02 | 2012-05-03 | Audi Ag | Method for estimating attitude angle settled during travel of vehicle, involves providing mathematical model, which interrelates to measured input parameters by non-measured parameter |
US8326480B2 (en) * | 2007-06-28 | 2012-12-04 | Continental Teves Ag & Co. Ohg | Method and device for monitoring the state of tires |
WO2013087169A1 (en) * | 2011-12-16 | 2013-06-20 | Audi Ag | Control device for a motor vehicle, motor vehicle, and method for configuring the control device |
WO2014146821A1 (en) * | 2013-03-21 | 2014-09-25 | Valeo Schalter Und Sensoren Gmbh | Method for determining a current circumference of a wheel on a motor vehicle, driver assistance device and motor vehicle |
DE102016214064A1 (en) * | 2016-07-29 | 2018-02-01 | Zf Friedrichshafen Ag | Determination of driving state variables |
-
2018
- 2018-09-20 DE DE102018123092.3A patent/DE102018123092A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4121954A1 (en) * | 1991-07-03 | 1993-01-07 | Bosch Gmbh Robert | METHOD FOR OBTAINING THE YEAR SPEED AND / OR THE LATERAL SPEED |
US20070027586A1 (en) * | 2005-07-28 | 2007-02-01 | Weiwen Deng | Online estimation of vehicle side-slip under linear operating region |
DE102006020490A1 (en) * | 2006-02-24 | 2007-08-30 | Volkswagen Ag | Method and device for determining the circumference of vehicle wheels |
DE102006055550A1 (en) * | 2006-11-24 | 2008-05-29 | Robert Bosch Gmbh | Driving state variable estimating method for motor vehicle, involves using non-linear estimation algorithm e.g. sigma point based kalman filter, and mathematical vehicle model for estimating vehicle state variable |
US8326480B2 (en) * | 2007-06-28 | 2012-12-04 | Continental Teves Ag & Co. Ohg | Method and device for monitoring the state of tires |
DE102008030667A1 (en) * | 2007-07-03 | 2009-01-08 | Continental Teves Ag & Co. Ohg | Motor vehicle features characterizing parameters estimating method, involves activating device for estimating parameters, and determining estimation procedure based on activation of estimation value for associated parameter |
DE102010050278A1 (en) * | 2010-11-02 | 2012-05-03 | Audi Ag | Method for estimating attitude angle settled during travel of vehicle, involves providing mathematical model, which interrelates to measured input parameters by non-measured parameter |
WO2013087169A1 (en) * | 2011-12-16 | 2013-06-20 | Audi Ag | Control device for a motor vehicle, motor vehicle, and method for configuring the control device |
WO2014146821A1 (en) * | 2013-03-21 | 2014-09-25 | Valeo Schalter Und Sensoren Gmbh | Method for determining a current circumference of a wheel on a motor vehicle, driver assistance device and motor vehicle |
DE102016214064A1 (en) * | 2016-07-29 | 2018-02-01 | Zf Friedrichshafen Ag | Determination of driving state variables |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220073086A1 (en) * | 2020-09-04 | 2022-03-10 | Toyota Jidosha Kabushiki Kaisha | Vehicle occupant assistance apparatus |
US11897484B2 (en) * | 2020-09-04 | 2024-02-13 | Toyota Jidosha Kabushiki Kaisha | Vehicle occupant assistance apparatus |
DE102022116993A1 (en) | 2022-07-07 | 2024-01-18 | Valeo Schalter Und Sensoren Gmbh | METHOD FOR DETERMINING A CONDITION OF A VEHICLE |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112018006161B4 (en) | System and method for controlling a vehicle | |
EP2755868B1 (en) | Sensor system comprising a vehicle model unit | |
EP2978643B1 (en) | Method for determining a vehicle reference speed and vehicle controller having such a method | |
DE102017108692A1 (en) | Control of electric power steering using system state predictions | |
DE102015102837A1 (en) | Method for controlling a vehicle lane during autonomous braking | |
DE10353650A1 (en) | System for analyzing vehicle and driver behavior | |
DE102016225140B3 (en) | Method for determining a relative position of a motor vehicle, position determination system for a motor vehicle and motor vehicle | |
DE102016219379A1 (en) | Method for determining an orientation of a vehicle | |
DE69729250T2 (en) | DEVICE FOR DETERMINING A PRESSURE LOSS IN A TIRE | |
DE102020112107A1 (en) | Apparatus and method for estimating an angle of inclination of a road | |
EP3068671B1 (en) | Method for predicting the route of a motor vehicle and prediction device | |
DE102020101837A1 (en) | Method and device for determining the condition of a vehicle | |
DE102019132150A1 (en) | Method for automatically calibrating an environment sensor, in particular a lidar sensor, of a vehicle on the basis of occupancy cards and computing device | |
DE102018123092A1 (en) | Method for determining a lateral speed and a yaw rate for a self-movement of a motor vehicle | |
DE102015215838A1 (en) | Vehicle control device | |
DE102017205973A1 (en) | Method for determining an offset contained in a yaw rate signal of a yaw rate sensor of a motor vehicle and control device and motor vehicle | |
DE102019006935B4 (en) | Technology for dead time compensation for transverse and longitudinal guidance of a motor vehicle | |
DE112019007814T5 (en) | Steering hold determination device, steering control device and steering device | |
DE102017118407B4 (en) | METHODS AND SYSTEMS FOR ESTIMATING ROAD SURFACE FRICTION | |
DE102019215182A1 (en) | Method for determining a steering angle offset | |
EP3491335B1 (en) | Method and apparatus for determining the absolute position of a motor vehicle, localization system, motor vehicle | |
DE102018116512A1 (en) | New odometric calculations for a motor vehicle's own movement on the basis of an estimation of rigidity coefficients | |
DE102006016769B3 (en) | Method for optimizing a one-track model | |
DE112016005072T5 (en) | Method and system for facilitating the steering of a vehicle while driving along a road | |
DE112020007805T5 (en) | ARITHMETIC CONTROL DEVICE |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |