DE102022123686A1 - System und prozess zum korrigieren der gyroskopdrift für ein kraftfahrzeug - Google Patents

Abstract

Das System eines Kraftfahrzeugs enthält eine Radareinheit zum Erzeugen eines Radarsignals, das einem um das Fahrzeug positionierten Ziel zugeordnet ist. Das System enthält ferner einen Verfolger, der ein Verfolgersignal erzeugt, das einem Radarkurs und einem auf dem Radarsignal basierenden Doppler zugeordnet ist. Das System enthält ferner einen Raddrehzahlsensor zum Erzeugen eines Raddrehzahlsignals, das einer Geschwindigkeit des Fahrzeugs zugeordnet ist. Das System enthält ferner ein Gyroskop zum Erzeugen eines Gyroskopsignals, das einer gemessenen Giergeschwindigkeit zugeordnet ist. Das System enthält ferner einen Computer mit einem Prozessor und einem computerlesbaren Medium. Der Prozessor ist programmiert, eine Gyroskopdrift und eine korrigierte Giergeschwindigkeit zu bestimmen, während das Fahrzeug in Bewegung ist, wobei die Gyroskopdrift und die korrigierte Giergeschwindigkeit wenigstens auf dem Radarkurs, dem Dopplereffekt und der Geschwindigkeit des Fahrzeugs und der gemessenen Giergeschwindigkeit basieren.

Description

• EINLEITUNG
• Die vorliegende Offenbarung bezieht sich auf Kraftfahrzeuge mit Systemen mit Gyroskopen, insbesondere auf ein System und einen Prozess zum Bestimmen einer Gyroskopdrift und einer korrigierten Giergeschwindigkeit, basierend auf wenigstens Radarsignalen, Raddrehzahlsensorsignalen, Temperatursignalen und Gyroskopsignalen.
• Kraftfahrzeugsysteme mit Trägheitssensoren, wie z. B. Gyroskopen, sind anfällig für Fehler vom deterministischen Typ und vom stochastischen Typ. Deterministische Fehler, wie z. B. Verzerrung und Skalierungsfaktor, können durch Laborkalibrierungen behoben werden. Stochastische Fehler, wie z. B. die Verzerrungsdrift, können jedoch nur mathematisch modelliert werden. Stochastische Fehler sind eine Hauptquelle eines Messfehlers, weil eine unkompensierte Gyroskopverzerrung (die mittels Grad/h oder Radiant/s ausgedrückt wird) einen Winkelfehler erzeugt, der zum Ablauf der Zeit t direkt proportional ist. Folglich ist die Gierachse am empfindlichsten gegenüber der Gyroskopdrift, die die Genauigkeit von Systemen, die Gyroskope verwenden, verringert. Insbesondere kann die Gyroskopdrift die Giergenauigkeit über zunehmend längere Zeitdauern einschränken, wobei sich die Radarausrichtung im Laufe der Zeit ändern kann, was wiederum die Genauigkeit des zugehörigen Systems weiter verringert.
• Bekannte Systeme, die Gyroskope enthalten, können ferner Radareinheiten zum Neukalibrieren eines Gyroskops enthalten. Diese Systeme werden jedoch in einer Chargenbetriebs-Architektur verwendet, die erfordert, dass das Fahrzeug während der Neukalibrierung angehalten ist. Ferner kann die Genauigkeit dieser Systeme in dem Ausmaß ungenau sein, dass die Systeme die Gyroskope nicht basierend auf irgendwelchen anderen Daten als Radardaten neu kalibrieren.
• Ein Beispiel für solche Systeme kann fortschrittliche Fahrassistenzsysteme („ADAS“) mit Gyroskopen zum Bestimmen von Lage und Haltung enthalten. Das ADAS kann ferner Module des globalen Positionierungssystems („GPS-Module“) zum genauen Bestimmen eines Orts und eines Kurses des Kraftfahrzeugs enthalten, um das Detektieren der Gyroskopdrift und das Neukalibrieren des Gyroskops zu erleichtern. Die Fähigkeit der GPS-Module, diese Funktionen auszuführen, kann jedoch herausgefordert werden, wenn sich die Fahrzeuge in Tunneln, in tiefen städtischen Gebieten oder in anderen Bereichen mit schlechten oder fehlenden GPS-Signalen befinden.
• Obwohl die bestehenden Systeme ihren vorgesehenen Zweck erfüllen, gibt es einen Bedarf an einem neuen und verbesserten System und Prozess, die diese Probleme in Angriff nehmen.
• ZUSAMMENFASSUNG
• Gemäß mehreren Aspekten der vorliegenden Offenbarung enthält ein System eines Kraftfahrzeugs eine Radareinheit zum Erzeugen eines Radarsignals, das einem um das Kraftfahrzeug positionierten detektierten Ziel zugeordnet ist. Das System enthält ferner einen Verfolger, der an die Radareinheit gekoppelt ist. Der Verfolger erzeugt ein Verfolgersignal, das einem aktuellen Radarkurs und einem aktuellen Doppler für ein stationäres Ziel basierend auf dem Radarsignal zugeordnet ist. Das System enthält ferner einen Raddrehzahlsensor zum Erzeugen eines Raddrehzahlsignals, das einer aktuellen Geschwindigkeit des Kraftfahrzeugs zugeordnet ist. Das System enthält ferner einen Temperatursensor zum Erzeugen eines Temperatursignals, das einer Umgebungstemperatur zugeordnet ist. Das System enthält ferner ein Gyroskop zum Erzeugen eines Gyroskopsignals, das einer gemessenen Giergeschwindigkeit in einem aktuellen Zeitschritt zugeordnet ist. Das System enthält ferner einen Computer mit einem oder mehreren Prozessoren, die an den Verfolger, den Raddrehzahlsensor, den Temperatursensor und das Gyroskop gekoppelt sind. Der Computer enthält ferner ein nicht transitorisches computerlesbares Speichermedium („CRM“), das Anweisungen speichert, so dass der Prozessor programmiert ist, basierend auf wenigstens dem aktuellen Radarkurs, dem aktuellen Dopplereffekt, der aktuellen Geschwindigkeit des Kraftfahrzeugs und der gemessenen Giergeschwindigkeit im aktuellen Zeitschritt eine Gyroskopdrift und eine korrigierte Giergeschwindigkeit zu bestimmen, während das Kraftfahrzeug in Bewegung ist.
• Gemäß einem Aspekt ist der Prozessor ferner programmiert, das Verfolgersignal vom Verfolger, das Raddrehzahlsignal vom Raddrehzahlsensor, das Temperatursignal vom Temperatursensor und das Gyroskopsignal vom Gyroskop im aktuellen Zeitschritt zu empfangen. Der Prozessor ist ferner programmiert, basierend auf einem Unterschied zwischen dem Verfolgersignal, dem Raddrehzahlsignal, dem Temperatursignal, dem Gyroskopsignal und mehreren zugeordneten vorhergesagten Beobachtungen mit einem Kalman-Filter einen Innovationsvektor zu bestimmen. Der Prozessor ist ferner programmiert, basierend auf dem Innovationsvektor und ferner basierend auf einer Messkovarianzmatrix eine angepasste Messkovarianzmatrix für Robustheit zu erzeugen. Der Prozessor ist ferner programmiert, das Kalman-Filter basierend auf dem Verfolgersignal, dem Raddrehzahlsignal, dem Temperatursignal und dem Gyroskopsignal zu aktualisieren. Der Prozessor ist ferner programmiert, basierend auf dem aktualisierten Kalman-Filter wenigstens einen des vorhergesagten Radarkurses, des vorhergesagten Dopplers, eines geschätzten Gyroskop-Skalierungsfaktors des Gyroskops, eines Raddrehzahlsensor-Skalierungsfaktors des Raddrehzahlsensors und der Gyroskopdrift des Gyroskops vorherzusagen.
• Gemäß einem weiteren Aspekt bestimmt der Prozessor eine geweißte Innovation ê gemäß einer maximalen Korrentropie-Variation des Kalman-Filters durch Berechnen von: $$\widehat{\text{e}}=R^{-1/2}e,$$

  

  wobei e eine aktuelle Innovation bezüglich eines Fehlers zwischen einem tatsächlichen Messvektor z und einem vorhergesagten Messvektor darstellt (d. h., e = z - Hx, wobei x ein vorhergesagter Zustandsvektor ist und H eine linearisierte Messkovarianzmatrix ist). Zusätzlich gibt R^-1/2 ein Inverses einer Cholesky-Zerlegung der Messkovarianzmatrix an.
• Gemäß einem weiteren Aspekt erzeugt der Prozessor die angepasste Messkovarianzmatrix gemäß: $${{\rm K}}_{\mathrm{\beta }}\left(x\right)=e^{-\frac{x^2}{2{\beta }^2}},$$

  

  $$C=diag\left({{\rm K}}_{\mathrm{\beta }}\left({\widehat{\text{e}}}_1\right),\dots {{\rm K}}_{\mathrm{\beta }}\left({\widehat{\text{e}}}_N\right)\right),$$

  

  $$\widehat{\text{R}}=R^{\frac{1}{2}}{C}^{-1}{R}^{\frac{T}{2}},$$

  

  wobei K_β(x) eine Kernel-Funktion darstellt; β einen positiven Abstimmparameter darstellt; ê_i ein Element i in einem Vektor ê darstellt; C eine angepasste Messkovarianzmatrix darstellt; R̂ eine aktualisierte Messkovarianzmatrix darstellt; und T einen Matrixtransponierungsoperator darstellt. Dieser Prozess kann nach dem Ausführen des Kalman-Filter-Aktualisierungsschritts unter Verwendung der letzten Zustandsschätzung anstelle des vorhergesagten Zustands wiederholt werden, um die Innovation zu bestimmen.
• Gemäß einem weiteren Aspekt aktualisiert der Prozessor das Kalman-Filter mit einem impliziten nichtlinearen Beobachtungsmodell, um wenigstens einen Gyroskop-Skalierungsfaktor und die Gyroskopdrift gemäß: $$\left(\begin{array}{c}{w}_z{x}_R^B\text{sin}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)-w_z{y}_R^B\text{cos}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)\\ +v_y\text{sin}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)+v_x\text{cos}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)+{\widehat{d}}_1\\ \dots \\ {\alpha }_{gyro}{w}_z+{\gamma }_{gyro}-{\widehat{w}}_{z,gyro}\\ {\alpha }_{ess}{v}_x-{\widehat{v}}_{x,wss}\end{array}\right)=0$$

  

  zu schätzen, wobei ω_z die korrigierte Giergeschwindigkeit des Kraftfahrzeugs darstellt; $x_R^B$

  

  eine X-Koordinate der Radareinheit am Kraftfahrzeug darstellt; $y_R^B$

  

  eine Y-Koordinate der Radareinheit am Kraftfahrzeug darstellt; β₀ einen nominellen Montageazimutwinkel der Radareinheit darstellt; β einen Kalibrierungsfehler der Radareinheit darstellt; ϕ̇_i den dem Verfolgungssignal zugeordneten Radarkurs darstellt; v_y eine Quergeschwindigkeit des Kraftfahrzeugs darstellt; v_x eine Längsgeschwindigkeit des Kraftfahrzeugs darstellt; v̂_x,wss eine geschätzte Längsgeschwindigkeit des Kraftfahrzeugs darstellt; d̂_i die dem Verfolgungssignal zugeordnete Dopplergeschwindigkeit darstellt; α_gyro den Gyroskop-Skalierungsfaktor darstellt; α_wss einen Raddrehzahlsensor-Skalierungsfaktor darstellt; γ_gyro eine Gyroskopdrift darstellt; n ein iid-Rauschen darstellt; und ω̂_z,gyro die gemessene Giergeschwindigkeit darstellt, die dem durch das Gyroskop erzeugten Gyroskopsignal zugeordnet ist.
• Gemäß einem weiteren Aspekt sagt der Prozessor wenigstens einen eines geschätzten Gyroskop-Skalierungsfaktors, eines Raddrehzahlsensor-Skalierungsfaktors und der Gyroskopdrift basierend auf dem aktualisierten Kalman-Filter mit einem Prozessmodell gemäß: $${\left(\begin{array}{c}{w}_z\\ v_x\\ v_y\\ {\alpha }_{gyro}\\ {\alpha }_{wss}\\ {\gamma }_{gyro}\\ \beta \end{array}\right)}_{t+1}=\left(\begin{array}{ccccccc}1& & & & & & \\ & 1& & & & & \\ & & 1& & & & \\ & & & 1& & & \\ & & & & 1& & \\ & & & & & G_u& \\ & & & & & & 1\end{array}\right){\left(\begin{array}{c}{w}_z\\ v_x\\ v_y\\ {\alpha }_{gyro}\\ {\alpha }_{wss}\\ {\gamma }_{gyro}\\ \beta \end{array}\right)}_t$$

  

  vorher, wobei G_u einen Prädiktor für die Gyroskopdrift darstellt;
  γ_gyro = (γ_t-Tw ... γ_t-1,γ_t) ein Vektor der Größe T_w vorheriger Gyroskopverzerrungsschätzungen ist und t den aktuellen Zeitschritt darstellt; und t + 1 einen nächsten Zeitschritt darstellt.
• Gemäß einem weiteren Aspekt sagt der Prozessor wenigstens einen des geschätzten Gyroskop-Skalierungsfaktors, des Raddrehzahlsensor-Skalierungsfaktors und der Gyroskopdrift ferner basierend auf dem aktualisierten Kalman-Filter mit einem Prozessrauschen gemäß: $$Q=\left(\begin{array}{ccccccc}{\sigma }_{w_z}^2& & & & & & \\ & {\sigma }_{v_x}^2& & & & & \\ & & {\sigma }_{v_y}^2& & & & \\ & & & {\sigma }_{{\alpha }_{gyro}}^2& & & \\ & & & & {\sigma }_{{\alpha }_{wss}}^2& & \\ & & & & & P_u& \\ & & & & & & {\sigma }_{\in }^2\end{array}\right)$$

  

  vorher.
• Gemäß einem weiteren Aspekt sagt der Prozessor ferner die Gyroskopdrift gemäß: $$G_u\left(x_v\right)=K_{vu}{K}_{uu}^{-1},$$

  

  $$P_u\left(x_v\right)=K_{vv}{K}_{uu}^{-1}-G_u\left(x_v\right)K_{uv},$$

  

  $$K_{ij}=\left[k\left(x_i,x_j\right)\right]$$

  

  vorher, wobei die Gyroskopdrift als ein mittelwertfreier Gauß-Prozess mit einem bekannten Kovarianz-Kernel k(.,.) modelliert wird.
• Gemäß einem weiteren Aspekt sagt der Prozessor die Gyroskopdrift des Gyroskops gemäß: $$x={\left(tvw{T}_w\right)}^{T_w},$$

  

  $$x_u=\left(x_{t-T_w}\cdots x_{t-1},x_t\right),$$

  

  $$x_v=\left(x_{t-T_w+1}\cdots x_t,x_{t+1}\right),$$

  

  vorher, wobei x eine unabhängige Prädiktor-Variable für die Gyroskopdrift des Gyroskops darstellt; t den aktuellen Zeitschritt darstellt; vdie Längsgeschwindigkeit darstellt; ω die Giergeschwindigkeit darstellt; x_u eine prädiktive Variable für die Gyroskopdrift des Gyroskops für den vorherigen Zeitschritt darstellt; und x_v eine prädiktive Variable für die Gyroskopdrift des Gyroskops für den aktuellen Zeitschritt darstellt.
• Gemäß einem weiteren Aspekt sagt der Prozessor ferner die Gyroskopdrift des Gyroskops gemäß einem spektralen Misch-Kernel vorher: $$k\left(d\right)={\mathrm{\Sigma }}_{i=1}^N{\sigma }_i^2\text{exp}\left(2{\pi }^2{d}^T{\left({\mathrm{\Sigma }}_{i}C\right)}^{-1}d\right)\text{cos}\left(2\pi d{ƒ}_i\right),$$

  

  wobei C = C(ψ) eine sphärisch parametrisierte Korrelationsmatrix ist, die eine Korrelation zwischen den Prädiktorvariable für den vorherigen und den aktuellen Zeitschritt modelliert, und ${\mathrm{\Sigma }}_i=diag\left({\sigma }_i^{\left(1\right)}\dots {\sigma }_i^{\left(4\right)}\right);$

  

  und mehrere Parameter ${\left\{{\sigma }_i^2,{\mathrm{\Sigma }}_i,{ƒ}_i\right\}}_{i=1}^N,\psi$

  

  aus Daten gelernt werden. Aus Rechengründen kann angenommen werden, dass die Prädiktor-Vektoren auf einem regelmäßigen Gitter liegen, so dass die Kronecker-Struktur ausgenutzt werden kann.
• Gemäß mehreren Aspekten der vorliegenden Offenbarung wird ein Computer für ein System eines Kraftfahrzeugs geschaffen. Das System enthält eine Radareinheit zum Erzeugen eines Radarsignals, das einem um das Kraftfahrzeug positionierten detektierten Ziel zugeordnet ist. Das System enthält ferner einen Verfolger, der an die Radareinheit gekoppelt ist. Der Verfolger erzeugt ein Verfolgersignal, das einem aktuellen Radarkurs und einem aktuellen Doppler für ein stationäres Ziel zugeordnet ist, basierend auf dem Radarsignal. Das System enthält ferner einen Raddrehzahlsensor zum Erzeugen eines Raddrehzahlsignals, das einer aktuellen Geschwindigkeit des Kraftfahrzeugs zugeordnet ist. Das System enthält ferner einen Temperatursensor zum Erzeugen eines Temperatursignals, das einer Umgebungstemperatur zugeordnet ist. Das System enthält ferner ein Gyroskop zum Erzeugen eines Gyroskopsignals, das einer gemessenen Giergeschwindigkeit zugeordnet ist, in einem aktuellen Zeitschritt. Der Computer enthält einen oder mehrere Prozessoren, die an den Verfolger, den Raddrehzahlsensor und das Gyroskop gekoppelt sind. Der Computer enthält ferner ein nicht transitorisches computerlesbares Speichermedium („CRM“), das Anweisungen enthält. Der Prozessor ist ferner programmiert, eine Gyroskopdrift und eine korrigierte Giergeschwindigkeit zu bestimmen, während sich das Kraftfahrzeug in Bewegung befindet, wobei die Gyroskopdrift und eine korrigierte Giergeschwindigkeit wenigstens auf dem aktuellen Radarkurs, dem aktuellen Dopplereffekt, der aktuellen Geschwindigkeit des Kraftfahrzeugs und der gemessenen Giergeschwindigkeit im aktuellen Zeitschritt basieren.
• Gemäß einem Aspekt ist der Prozessor ferner programmiert, das Verfolgersignal vom Verfolger, das Raddrehzahlsignal vom Raddrehzahlsensor, das Temperatursignal vom Temperatursensor und das Gyroskopsignal vom Gyroskop im aktuellen Zeitschritt zu empfangen. Der Prozessor ist ferner programmiert, mit einem Kalman-Filter einen Innovationsvektor basierend auf einem Unterschied zwischen dem Verfolgersignal, dem Raddrehzahlsignal, dem Temperatursignal, dem Gyroskopsignal und mehreren zugeordneten vorhergesagten Beobachtungen zu bestimmen. Der Prozessor ist ferner programmiert, basierend auf dem Innovationsvektor und ferner basierend auf einer Messkovarianzmatrix eine angepasste Messkovarianzmatrix für Robustheit zu erzeugen. Der Prozessor ist ferner programmiert, das Kalman-Filter basierend auf dem Verfolgersignal, dem Raddrehzahlsignal, dem Temperatursignal und dem Gyroskopsignal zu aktualisieren. Der Prozessor ist ferner programmiert, basierend auf dem aktualisierten Kalman-Filter wenigstens einen des vorhergesagten Radarkurses, des vorhergesagten Dopplers, eines geschätzten Gyroskop-Skalierungsfaktors des Gyroskops, eines Raddrehzahlsensor-Skalierungsfaktors des Raddrehzahlsensors und der Gyroskopdrift des Gyroskops vorherzusagen.
• Gemäß einem weiteren Aspekt bestimmt der Prozessor eine geweißte Innovation ê gemäß einer maximalen Korrentropie-Variation des Kalman-Filters durch Berechnen von: $$\widehat{\text{e}}=R^{-1/2}e,$$

  

  wobei e eine aktuelle Innovation bezüglich eines Fehlers zwischen einem tatsächlichen Messvektor z und einem vorhergesagten Messvektor darstellt (d. h., e = z - Hx, wobei x ein vorhergesagter Zustandsvektor ist und H eine linearisierte Messkovarianzmatrix ist). Zusätzlich gibt R^-1/2 ein Inverses einer Cholesky-Zerlegung der Messkovarianzmatrix an.
• Gemäß einem weiteren Aspekt erzeugt der Prozessor die angepasste Messkovarianzmatrix gemäß: $${{\rm K}}_{\mathrm{\beta }}\left(x\right)=e^{-\frac{x^2}{2{\beta }^2}},$$

  

  $$C=diag\left({{\rm K}}_{\mathrm{\beta }}\left({\widehat{\text{e}}}_1\right),\dots {{\rm K}}_{\mathrm{\beta }}\left({\widehat{\text{e}}}_N\right)\right),$$

  

  $$\widehat{\text{R}}=R^{1/2}{C}^{-1}{R}^{T/2},$$

  

  wobei K_β (x) eine Kernel-Funktion darstellt; β einen positiven Abstimmparameter darstellt; ê_i ein Element i in einem Vektor ê darstellt; C eine angepasste Messkovarianzmatrix darstellt; R̂ eine aktualisierte Messkovarianzmatrix darstellt; und T einen Matrixtransponierungsoperator darstellt. Dieser Prozess kann nach dem Ausführen des Kalman-Filter-Aktualisierungsschritts unter Verwendung der letzten Zustandsschätzung anstelle des vorhergesagten Zustands wiederholt werden, um die Innovation zu bestimmen.
• Gemäß einem weiteren Aspekt aktualisiert der Prozessor das Kalman-Filter mit einem impliziten nichtlinearen Beobachtungsmodell, um wenigstens einen Gyroskop-Skalierungsfaktor und die Gyroskopdrift gemäß: $$\left(\begin{array}{c}{w}_z{x}_R^B\text{sin}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)-w_z{y}_R^B\text{cos}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)\\ +v_y\text{sin}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)+v_x\text{cos}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)+{\widehat{d}}_1\\ \dots \\ {\alpha }_{gyro}{w}_z+{\gamma }_{gyro}-{\widehat{w}}_{z,gyro}\\ {\alpha }_{ess}{v}_x-{\widehat{v}}_{x,wss}\end{array}\right)=0$$

  

  zu schätzen, wobei ω_z die korrigierte Giergeschwindigkeit des Kraftfahrzeugs darstellt; $x_R^B$

  

  eine X-Koordinate der Radareinheit am Kraftfahrzeug darstellt; $y_R^B$

  

  eine Y-Koordinate der Radareinheit am Kraftfahrzeug darstellt; β₀ einen nominellen Montageazimutwinkel der Radareinheit darstellt; β einen Kalibrierungsfehler der Radareinheit darstellt; ϕ̂_i den dem Verfolgungssignal zugeordneten Radarkurs darstellt; v_y eine Quergeschwindigkeit des Kraftfahrzeugs darstellt; v_x eine Längsgeschwindigkeit des Kraftfahrzeugs darstellt; v̂_x,wss eine geschätzte Längsgeschwindigkeit des Kraftfahrzeugs darstellt; d̂_i die dem Verfolgungssignal zugeordnete Dopplergeschwindigkeit darstellt; α_gyro den Gyroskop-Skalierungsfaktor darstellt; α_wss einen Raddrehzahlsensor-Skalierungsfaktor darstellt; γ_gyro die Gyroskopdrift darstellt; n ein iid-Rauschen darstellt; und ω_̂z,gyro die gemessene Giergeschwindigkeit darstellt, die dem durch das Gyroskop erzeugten Gyroskopsignal zugeordnet ist.
• Gemäß einem weiteren Aspekt sagt der Prozessor wenigstens einen eines geschätzten Gyroskop-Skalierungsfaktors, eines Raddrehzahlsensor-Skalierungsfaktors und der Gyroskopdrift ferner basierend auf dem aktualisierten Kalman-Filter mit einem Prozessmodell gemäß: $${\left(\begin{array}{c}{w}_z\\ v_x\\ v_y\\ {\alpha }_{gyro}\\ {\alpha }_{wss}\\ {\gamma }_{gyro}\\ \beta \end{array}\right)}_{t+1}=\left(\begin{array}{ccccccc}1& & & & & & \\ & 1& & & & & \\ & & 1& & & & \\ & & & 1& & & \\ & & & & 1& & \\ & & & & & G_u& \\ & & & & & & 1\end{array}\right){\left(\begin{array}{c}{w}_z\\ v_x\\ v_y\\ {\alpha }_{gyro}\\ {\alpha }_{wss}\\ {\gamma }_{gyro}\\ \beta \end{array}\right)}_t$$

  

  vorher, wobei G_u einen Prädiktor für die Gyroskopdrift darstellt;
  γ_gyro = (γ_t-TW ... γ_t-1, γ_t) ein Vektor der Größe T_w vorheriger Gyroskopverzerrungsschätzungen ist und t den aktuellen Zeitschritt darstellt; und t + 1 einen nächsten Zeitschritt darstellt.
• Gemäß einem weiteren Aspekt sagt der Prozessor wenigstens einen des geschätzten Gyroskop-Skalierungsfaktors, des Raddrehzahlsensor-Skalierungsfaktors und der Gyroskopdrift vorher ferner basierend auf dem aktualisierten Kalman-Filter mit einem Prozessrauschen gemäß: $$Q=\left(\begin{array}{ccccccc}{\sigma }_{w_z}^2& & & & & & \\ & {\sigma }_{v_x}^2& & & & & \\ & & {\sigma }_{v_y}^2& & & & \\ & & & {\sigma }_{{\alpha }_{gyro}}^2& & & \\ & & & & {\sigma }_{{\alpha }_{wss}}^2& & \\ & & & & & P_u& \\ & & & & & & {\sigma }_{\in }^2\end{array}\right)$$

  
• Gemäß mehreren Aspekten der vorliegenden Offenbarung wird ein Prozess zum Betreiben eines Systems für ein Kraftfahrzeug geschaffen. Das System enthält eine Radareinheit, einen an die Radareinheit gekoppelten Verfolger, einen Raddrehzahlsensor, einen Temperatursensor und ein Gyroskop. Das System enthält ferner einen Computer, der an den Verfolger, den Raddrehzahlsensor, den Temperatursensor und das Gyroskop gekoppelt ist. Der Computer enthält einen oder mehrere Prozessoren und ein nicht transitorisches computerlesbares Speichermedium, das Anweisungen enthält. Der Prozess enthält das Erzeugen eines Radarsignals, das einem um das Kraftfahrzeug positionierten detektierten Ziel zugeordnet ist, unter Verwendung der Radareinheit. Der Prozess enthält ferner das Erzeugen, unter Verwendung des Verfolgers, eines Verfolgersignals, das einem aktuellen Radarkurs und einem aktuellen Doppler für ein stationäres Ziel zugeordnet ist, basierend auf dem Radarsignal. Der Prozess enthält ferner das Erzeugen eines Raddrehzahlsignals, das einer aktuellen Geschwindigkeit des Kraftfahrzeugs zugeordnet ist, unter Verwendung des Raddrehzahlsensors. Der Prozess enthält ferner das Erzeugen eines Temperatursignals, das einer Umgebungstemperatur zugeordnet ist, unter Verwendung des Temperatursensors. Der Prozess enthält ferner das Erzeugen eines Gyroskopsignals, das einer gemessenen Giergeschwindigkeit in einem aktuellen Zeitschritt zugeordnet ist, unter Verwendung des Gyroskops. Der Prozess enthält ferner das Bestimmen einer Gyroskopdrift und einer korrigierten Giergeschwindigkeit mit dem Prozessor, während das Kraftfahrzeug in Bewegung ist, wobei die Gyroskopdrift und die korrigierte Giergeschwindigkeit wenigstens auf dem aktuellen Radarkurs, dem aktuellen Dopplereffekt, der aktuellen Geschwindigkeit des Kraftfahrzeugs und der gemessenen Giergeschwindigkeit im aktuellen Zeitschritt basieren.
• Gemäß einem Aspekt enthält der Prozess ferner das Empfangen des Verfolgersignals von dem Verfolger, des Raddrehzahlsignals von dem Raddrehzahlsensor, des Temperatursignals von dem Temperatursensor und des Gyroskopsignals von dem Gyroskop im aktuellen Zeitschritt mit dem Prozessor. Der Prozess enthält ferner das Bestimmen einer Innovation basierend auf einem Unterschied zwischen dem Verfolgersignal, dem Raddrehzahlsignal, dem Temperatursignal, dem Gyroskopsignal und mehreren zugeordneten vorhergesagten Beobachtungen unter Verwendung eines Kalman-Filters mit dem Prozessor. Der Prozess enthält ferner das Erzeugen einer angepassten Messkovarianzmatrix für Robustheit basierend auf dem Innovationsvektor und ferner basierend auf einer Messkovarianzmatrix unter Verwendung des Prozessors. Der Prozess enthält ferner das Aktualisieren des Kalman-Filters basierend auf dem Verfolgersignal, dem Raddrehzahlsignal, dem Temperatursignal und dem Gyroskopsignal unter Verwendung des Prozessors. Der Prozess enthält ferner das Vorhersagen wenigstens eines des vorhergesagten Radarkurses, des vorhergesagten Dopplers, eines geschätzten Gyroskop-Skalierungsfaktors des Gyroskops, eines Raddrehzahlsensor-Skalierungsfaktors des Raddrehzahlsensors und der Gyroskopdrift des Gyroskops basierend auf dem aktualisierten Kalman-Filter unter Verwendung des Prozessors.
• Gemäß einem weiteren Aspekt enthält der Prozess ferner, dass der Prozessor die Gyroskopdrift gemäß: $$\widehat{\text{e}}=R^{-1/2}e,$$

  

  $${{\rm K}}_{\mathrm{\beta }}\left(x\right)=e^{-\frac{x^2}{2{\beta }^2}},$$

  

  $$C=diag\left({{\rm K}}_{\mathrm{\beta }}\left({\widehat{\text{e}}}_1\right),\dots {{\rm K}}_{\mathrm{\beta }}\left({\widehat{\text{e}}}_N\right)\right),$$

  

  $$\widehat{\text{R}}=R^{1/2}{C}^{-1}{R}^{T/2},$$

  

  $$\left(\begin{array}{c}{w}_z{x}_R^B\text{sin}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)-w_z{y}_R^B\text{cos}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)\\ +v_y\text{sin}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)+v_x\text{cos}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)+{\widehat{d}}_1\\ \dots \\ {\alpha }_{gyro}{w}_z+{\gamma }_{gyro}-{\widehat{w}}_{z,gyro}\\ {\alpha }_{ess}{v}_x-{\widehat{v}}_{x,wss}\end{array}\right)=\mathrm{0,}$$

  

  $${\left(\begin{array}{c}{w}_z\\ v_x\\ v_y\\ {\alpha }_{gyro}\\ {\alpha }_{wss}\\ {\gamma }_{gyro}\\ \beta \end{array}\right)}_{t+1}=\left(\begin{array}{ccccccc}1& & & & & & \\ & 1& & & & & \\ & & 1& & & & \\ & & & 1& & & \\ & & & & 1& & \\ & & & & & G_u& \\ & & & & & & 1\end{array}\right){\left(\begin{array}{c}{w}_z\\ v_x\\ v_y\\ {\alpha }_{gyro}\\ {\alpha }_{wss}\\ {\gamma }_{gyro}\\ \beta \end{array}\right)}_t$$

  

  bestimmt, wobei e die aktuelle Innovation bezüglich eines Fehlers zwischen dem tatsächlichen Messvektor z und dem vorhergesagten Messvektor darstellt (d. h., e = z - Hx, wobei x der vorhergesagte Zustandsvektor ist und H die linearisierte Messkovarianzmatrix ist); R^-1/2 das Inverse der Cholesky-Zerlegung der Messkovarianzmatrix angibt; e eine frühere Innovation, die im vorhergehenden Zeitschritt bestimmt worden ist, darstellt; K_β (x) eine Kernel-Funktion darstellt; β einen positiven Abstimmparameter darstellt; ê_i ein Element i in einem Vektor ê darstellt; C eine angepasste Messkovarianzmatrix darstellt; R̂ eine aktualisierte Messkovarianzmatrix darstellt; und T einen Matrixtransponierungsoperator darstellt; ω_z die korrigierte Giergeschwindigkeit des Kraftfahrzeugs darstellt; $x_R^B$

  

  eine X-Koordinate der Radareinheit am Kraftfahrzeug darstellt; $y_R^B$

  

  eine Y-Koordinate der Radareinheit am Kraftfahrzeug darstellt; β₀ einen nominellen Montageazimutwinkel der Radareinheit darstellt; β einen Kalibrierungsfehler der Radareinheit darstellt; ϕ̂_i den dem Verfolgungssignal zugeordneten Radarkurs darstellt; v_y eine Quergeschwindigkeit des Kraftfahrzeugs darstellt; v_x eine Längsgeschwindigkeit des Kraftfahrzeugs darstellt; v̂_x,wss eine geschätzte Längsgeschwindigkeit des Kraftfahrzeugs darstellt; d̂_i die dem Verfolgungssignal zugeordnete Dopplergeschwindigkeit darstellt; α_gyro den Gyroskop-Skalierungsfaktor darstellt; α_wss einen Raddrehzahlsensor-Skalierungsfaktor darstellt; γ_gyro die Gyroskopdrift darstellt; n ein iid-Rauschen darstellt; und ω̂_z,gyro die gemessene Giergeschwindigkeit darstellt, die dem durch das Gyroskop erzeugten Gyroskopsignal zugeordnet ist; G_u einen Prädiktor für die Gyroskopdrift darstellt; t den aktuellen Zeitschritt darstellt; und t + 1 einen nächsten Zeitschritt darstellt.
• Weitere Anwendungsbereiche werden aus der hier bereitgestellten Beschreibung offensichtlich. Es sollte erkannt werden, dass die Beschreibung und die spezifischen Beispiele nur der Veranschaulichung dienen und den Schutzumfang der vorliegenden Offenbarung nicht einschränken sollen.
• Figurenliste
• Die hier beschriebenen Zeichnungen dienen nur der Veranschaulichung und sollen den Schutzumfang der vorliegenden Offenbarung in keiner Weise einschränken; es zeigen:
• 1 eine schematische Ansicht eines Beispiels eines Kraftfahrzeugs, das ein System mit einer Radareinheit, einem Verfolger, einem Raddrehzahlsensor, einem Temperatursensor, einem Gyroskop und einem Computer zum Neukalibrieren des Gyroskops aufweist; und
• 2 einen Ablaufplan eines Beispiels für einen Prozess zum Betreiben des Systems nach 1.
• AUSFÜHRLICHE BESCHREIBUNG
• Die folgende Beschreibung ist lediglich beispielhaft und soll die vorliegende Offenbarung, Anwendung oder Verwendungen nicht einschränken.
• Die vorliegende Offenbarung beschreibt ein Beispiel eines Kraftfahrzeugs, das ein System mit einem Gyroskop, einer Radareinheit, einem Verfolger, einem Temperatursensor und einem Computer aufweist, das eine Gyroskopdrift und eine korrigierte Giergeschwindigkeit bestimmt. Spezifischer ist in dem im Folgenden ausführlich beschriebenen nicht einschränkenden Beispiel das System in einem fortschrittlichen Fahrerassistenzsystem („ADAS“) mit dem Gyroskop zum Bestimmen der Haltung und der Lage des Kraftfahrzeugs und zum Integrieren der Winkelgeschwindigkeiten des Kraftfahrzeugs, wie z. B. der Nick-, der Roll- und der Giergeschwindigkeit, implementiert. Es wird jedoch in Betracht gezogen, dass das System in jedem anderen geeigneten Kraftfahrzeug- oder Nicht-Kraftfahrtzeug-System, das ein Gyroskop aufweist, implementiert sein kann. Der Computer ist programmiert, die Kinematik des Fahrzeugs unter Verwendung der Radareinheit, des Verfolgers, des Raddrehzahlsensors, des Temperatursensors und des Gyroskops zu schätzen, ohne zu erfordern, dass das Kraftfahrzeug anhält. Wie im Folgenden ausführlich beschrieben wird, identifiziert der Verfolger ein oder mehrere statische Ziele basierend auf der fehlenden Bewegung dieser Ziele. Der Prozessor verwendet die Vorhersagen eines Kalman-Filters, um die bereitgestellte Kovarianz anzupassen, um die Auswirkung des nicht modellierten Rauschens zu verringern. Der Prozessor verwendet ferner das Kalman-Filter, um Radarsignale, WSS-Informationen, Umgebungstemperaturdaten und Gyroskopsignale zu verschmelzen, um eine korrigierte oder unverzerrte Giergeschwindigkeit zu schätzen.
• In 1 enthält ein nicht einschränkendes Beispiel eines Kraftfahrzeugs 100 ein System 102, das in einem fortschrittlichen Fahrerassistenzsystem 102 („ADAS“) implementiert ist. Während das Kraftfahrzeug 100 als ein Personenkraftwagen veranschaulicht wird, könnte das Kraftfahrzeug 100 jeder andere geeignete Fahrzeugtyp sein, einschließlich eines Lastkraftwagens, einer Geländelimousine (SUV), eines Wohnmobils, eines Busses, eines Luftfahrzeugs, eines Wasserfahrzeugs oder dergleichen, das das System 102 aufweist. In wenigstens einem Beispiel ist das Kraftfahrzeug 100 konfiguriert, in wenigstens einer von mehreren autonomen Betriebsarten zu arbeiten, wie sie durch den Verband der Automobilingenieure (SAE) definiert sind (der den Betrieb auf den Stufen 0-5 definiert hat). Das Kraftfahrzeug 100 kann z. B. zwei- und/oder dreidimensionale Daten seiner Umgebung empfangen und verarbeiten und kann ferner programmiert und/oder konfiguriert sein, logische Anweisungen zu speichern und auszuführen, die in Hardware, Software, Firmware, einer Kombination davon oder dergleichen verkörpert sind, und es dem Kraftfahrzeug 100 zu ermöglichen, mit etwas Anwenderunterstützung (Teilautonomie) oder ohne jegliche Anwenderunterstützung (vollständige Autonomie) zu arbeiten. Gemäß den Stufen 0-2 überwacht und steuert z. B. ein menschlicher Fahrer die Mehrzahl der Fahraufgaben, oft ohne Unterstützung von dem Kraftfahrzeug 100. Auf der Stufe 0 („keine Automatisierung“) ist z. B. ein menschlicher Fahrer für alle Fahrzeugoperationen verantwortlich. Auf der Stufe 1 („Fahrerassistenz“) unterstützt das Kraftfahrzeug 100 manchmal beim Lenken, Beschleunigen oder Bremsen, wobei aber der Fahrer dennoch für die riesige Mehrzahl der Fahrzeugsteuerung verantwortlich ist. Auf der Stufe 2 („Teilautomatisierung“) kann das Kraftfahrzeug 100 das Lenken, das Beschleunigen und das Bremsen unter bestimmten Umständen ohne menschliche Interaktion steuern. Auf den Stufen 3-5 übernimmt das Kraftfahrzeug 100 mehr fahrbezogene Aufgaben. Auf der Stufe 3 („bedingte Automatisierung“) kann das Kraftfahrzeug 100 sowohl unter bestimmten Umständen das Lenken, das Beschleunigen und das Bremsen als auch das Überwachen der Fahrumgebung übernehmen. Die Stufe 3 kann jedoch gelegentliche erfordern, dass der Fahrer eingreift. Auf der Stufe 4 („hohe Automatisierung“) kann das Kraftfahrzeug 100 die gleichen Aufgaben wie auf der Stufe 3 abwickeln, ohne sich darauf zu stützen, dass der Fahrer in bestimmten Betriebsarten eingreift. Auf der Stufe 5 („vollständige Automatisierung“) kann das Kraftfahrzeug 100 alle Aufgaben ohne jeglichen Fahrereingriff abwickeln. In wenigstens einem Beispiel ist das Kraftfahrzeug 100 konfiguriert, gemäß einer der Stufen 2-5 zu arbeiten.
• Das ADAS 102 kann einen oder mehrere Sensoren 104 und einen oder mehrere Computer 106 enthalten. In diesem nicht einschränkenden Beispiel können die Sensoren 104 ein Gyroskop 108 enthalten, um ein Gyroskopsignal zu erzeugen, das einer gemessenen Giergeschwindigkeit in einem aktuellen Zeitschritt zugeordnet ist. Die Sensoren 104 können ferner ein Paar Raddrehzahlsensoren 110, 112 enthalten, die an ein zugeordnetes der beiden Räder 118, 120 gekoppelt sind. Jeder Raddrehzahlsensor 110, 112 erzeugt ein Raddrehzahlsignal, das einer aktuellen Geschwindigkeit des Kraftfahrzeugs 100 zugeordnet ist. Die Sensoren 104 können ferner eine Radareinheit 118 zum Erzeugen eines Radarsignals, das einem detektierten Ziel zugeordnet ist, das um das Kraftfahrzeug 100 positioniert ist, enthalten. Die Sensoren 104 können ferner einen Verfolger 120 enthalten, der an die Radareinheit 118 gekoppelt ist und ein Verfolgersignal, das einem aktuellen Radarkurs und einem aktuellen Doppler für ein stationäres Ziel zugeordnet ist, basierend auf dem Radarsignal erzeugt. Spezifischer bestimmt der Verfolger 120 den zugewiesenen nicht verfolgten Kurs, den Doppler (zusammen mit den spezifischen Fehlerkovarianzen) und die Identifikation der stationären Ziele. Die Sensoren 104 können ferner einen Temperatursensor 122 zum Erzeugen eines einer Umgebungstemperatur zugeordneten Temperatursignals enthalten.
• Es wird in Betracht gezogen, dass das ADAS irgendeine Anzahl jedes dieser Sensoren und/oder andere geeignete Sensoren aufweisen kann. Eine nicht vollständige und nicht einschränkende Liste anderer Fahrzeugsensoren kann einen oder mehrere eines Fahrzeugnicksensors, eines Fahrzeugrollsensors, eines Bewegungssensors, eines Annäherungssensors, eines Laseridentifikations- und -ortungs-Sensors (LIDAR-Sensors), eines Bildgebungssensors (z. B. eines komplementären Metall-Oxid-Halbleitersensors (CMOS-Sensors), eines ladungsgekoppelten Sensors (CCD-Sensors), eines Bildverstärkungssensors usw.), eines Infrarotsensors, eines Wärmesensors, eines drahtlosen Kurz-, Mittel- oder Langstreckensignalsensors, eines Fahrzeugpositionssensors (z. B. eines Sensors des globalen Positionierungssystems (GPS-Sensors) und eines Sensors eines globalen Navigationssatellitensystems (GLONASS-Sensors), eines Fahrzeugbeschleunigungssensors, eines Fahrzeugbremssensors und eines Fahrzeuglenkungssensors enthalten, um nur einige Beispiele zu nennen.
• Das System 102 enthält ferner einen oder mehrere Computer 122. Jeder Computer 106 enthält einen oder mehrere Prozessoren 124, die an das Gyroskop 108, die Raddrehzahlsensoren 110, 112, den Verfolger 120 und den Temperatursensor 122 gekoppelt sind. Jeder Computer 106 enthält ferner ein nicht transitorisches computerlesbares Speichermedium 126 („CRM“), das Anweisungen enthält, so dass der Prozessor 124 programmiert ist, eine Gyroskopdrift und eine korrigierte Giergeschwindigkeit zu bestimmen, während das Kraftfahrzeug 100 in Bewegung ist, wobei die Gyroskopdrift und die korrigierte Giergeschwindigkeit wenigstens auf dem aktuellen Radarkurs, dem aktuellen Dopplereffekt, der aktuellen Geschwindigkeit des Kraftfahrzeugs 100 und der gemessenen Giergeschwindigkeit im aktuellen Zeitschritt basieren. Spezifischer ist der Prozessor 124 programmiert, das Verfolgersignal aus dem Gyroskopsignal von dem Gyroskop 108, das Raddrehzahlsignal von den Raddrehzahlsensoren 110, 112, dem Verfolger 120 und dem Temperatursensor 122 im aktuellen Zeitschritt zu empfangen, die Gyroskopdrift zu bestimmen und basierend auf dieser eine korrigierte Giergeschwindigkeit zu bestimmen.
• Der Prozessor 124 ist programmiert, basierend auf einem Unterschied zwischen dem Verfolgersignal, dem Raddrehzahlsignal, dem Temperatursignal, dem Gyroskopsignal und mehreren zugeordneten vorhergesagten Beobachtungen mit einem Kalman-Filter einen Innovationsvektor zu bestimmen. Der Prozessor 124 bestimmt eine geweißte Innovation ê gemäß: $$\widehat{\text{e}}=R^{-1/2}e,$$

  

  wobei e die aktuelle Innovation bezüglich eines Fehlers zwischen einem tatsächlichen Messvektor z und einem vorhergesagten Messvektor darstellt (d. h., e = z - Hx, wobei x ein vorhergesagter Zustandsvektor ist und H eine linearisierte Messkovarianzmatrix ist); wobei R^-1/2 ein Inverses einer Cholesky-Zerlegung der linearisierten Messkovarianzmatrix angibt.
• Der Prozessor 124 ist programmiert, eine angepasste Messkovarianzmatrix für Robustheit basierend auf dem Innovationsvektor und ferner basierend auf einer Messkovarianzmatrix zu erzeugen. Spezifischer erzeugt der Prozessor 124 die angepasste Messkovarianzmatrix gemäß: $${{\rm K}}_{\mathrm{\beta }}\left(x\right)=e^{-\frac{x^2}{2{\beta }^2}},$$

  

  $$C=diag\left({{\rm K}}_{\mathrm{\beta }}\left({\widehat{\text{e}}}_1\right),\dots {{\rm K}}_{\mathrm{\beta }}\left({\widehat{\text{e}}}_N\right)\right),$$

  

  $$\widehat{\text{R}}=R^{1/2}{C}^{-1}{R}^{T/2},$$

  

  wobei K_β (x) eine Kernel-Funktion darstellt; β einen positiven Abstimmparameter darstellt; ê_i ein Element i in einem Vektor ê darstellt; C eine angepasste Messkovarianzmatrix darstellt; R̂ eine aktualisierte Messkovarianzmatrix darstellt; und T einen Matrixtransponierungsoperator darstellt. Dieser Prozess kann nach dem Ausführen des Kalman-Filter-Aktualisierungsschritts unter Verwendung der letzten Zustandsschätzung anstelle des vorhergesagten Zustands wiederholt werden, um die Innovation zu bestimmen.
• Der Prozessor 124 ist programmiert, das Kalman-Filter mit einem impliziten nichtlinearen Beobachtungsmodell zu aktualisieren, um ferner wenigstens einen Gyroskop-Skalierungsfaktor und die Gyroskopdrift gemäß: $$\left(\begin{array}{c}{w}_z{x}_R^B\text{sin}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)-w_z{y}_R^B\text{cos}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)\\ +v_y\text{sin}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)+v_x\text{cos}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)+{\widehat{d}}_1\\ \dots \\ {\alpha }_{gyro}{w}_z+{\gamma }_{gyro}-{\widehat{w}}_{z,gyro}\\ {\alpha }_{ess}{v}_x-{\widehat{v}}_{x,wss}\end{array}\right)=0$$

  

  zu schätzen, wobei ω_z die korrigierte Giergeschwindigkeit des Kraftfahrzeugs darstellt; wobei $x_R^B$

  

  eine X-Koordinate der Radareinheit am Kraftfahrzeug darstellt; wobei $y_R^B$

  

  eine Y-Koordinate der Radareinheit am Kraftfahrzeug darstellt; wobei β₀ einen nominellen Montageazimutwinkel der Radareinheit darstellt; wobei β einen Kalibrierungsfehler der Radareinheit darstellt; wobei ϕ̂_i den dem Verfolgungssignal zugeordneten Radarkurs darstellt; wobei v_y eine Quergeschwindigkeit des Kraftfahrzeugs darstellt; wobei v_x eine Längsgeschwindigkeit des Kraftfahrzeugs darstellt; wobei v̂_x,wss eine geschätzte Längsgeschwindigkeit des Kraftfahrzeugs darstellt; wobei d̂_i die dem Verfolgungssignal zugeordnete Dopplergeschwindigkeit darstellt; wobei a_gyro den Gyroskop-Skalierungsfaktor darstellt; wobei α_wss einen Raddrehzahlsensor-Skalierungsfaktor darstellt; wobei γ_gyro die Gyroskopdrift darstellt; wobei n ein iid-Rauschen darstellt; und wobei ω̂_z,gyro die gemessene Giergeschwindigkeit darstellt, die dem durch das Gyroskop erzeugten Gyroskopsignal zugeordnet ist.
• Der Prozessor 124 ist programmiert, basierend auf dem aktualisierten Kalman-Filter wenigstens einen des vorhergesagten Radarkurses, des vorhergesagten Dopplers, eines geschätzten Gyroskop-Skalierungsfaktors des Gyroskops, eines Raddrehzahlsensor-Skalierungsfaktors des Raddrehzahlsensors und der Gyroskopdrift des Gyroskops 108 vorherzusagen. Spezifischer ist der Prozessor 124 programmiert, wenigstens einen eines geschätzten Gyroskop-Skalierungsfaktors, eines Raddrehzahlsensor-Skalierungsfaktors und der Gyroskopdrift basierend auf dem aktualisierten Kalman-Filter mit einem Prozessmodell gemäß: $${\left(\begin{array}{c}{w}_z\\ v_x\\ v_y\\ {\alpha }_{gyro}\\ {\alpha }_{wss}\\ {\gamma }_{gyro}\\ \beta \end{array}\right)}_{t+1}=\left(\begin{array}{ccccccc}1& & & & & & \\ & 1& & & & & \\ & & 1& & & & \\ & & & 1& & & \\ & & & & 1& & \\ & & & & & G_u& \\ & & & & & & 1\end{array}\right){\left(\begin{array}{c}{w}_z\\ v_x\\ v_y\\ {\alpha }_{gyro}\\ {\alpha }_{wss}\\ {\gamma }_{gyro}\\ \beta \end{array}\right)}_t$$

  

  vorherzusagen, wobei G_u einen Prädiktor für die Gyroskopdrift darstellt; wobei t den aktuellen Zeitschritt darstellt; und t + 1 einen nächsten Zeitschritt darstellt.
• Der Prozessor 124 ist ferner programmiert, wenigstens einen des geschätzten Gyroskop-Skalierungsfaktors, des Raddrehzahlsensor-Skalierungsfaktors und der Gyroskopdrift basierend auf dem aktualisierten Kalman-Filter mit einem Prozess-Rauschen gemäß: $$Q=\left(\begin{array}{ccccccc}{\sigma }_{w_z}^2& & & & & & \\ & {\sigma }_{v_x}^2& & & & & \\ & & {\sigma }_{v_y}^2& & & & \\ & & & {\sigma }_{{\alpha }_{gyro}}^2& & & \\ & & & & {\sigma }_{{\alpha }_{wss}}^2& & \\ & & & & & P_u& \\ & & & & & & {\sigma }_{\in }^2\end{array}\right)$$

  

  vorherzusagen.
• Der Prozessor 124 ist ferner programmiert, die Gyroskopdrift gemäß: $$G_u\left(x_v\right)=K_{vu}{K}_{uu}^{-1},$$

  

  $$P_u\left(x_v\right)=K_{vv}{K}_{uu}^{-1}-G_u\left(x_v\right)K_{uv},$$

  

  $$K_{ij}=\left[k\left(x_i,x_j\right)\right]$$

  

  vorherzusagen, wobei die Gyroskopdrift als ein mittelwertfreier Gauß-Prozess mit einem bekannten Kovarianz-Kernel k (·,·) modelliert wird.
• Der Prozessor 124 ist programmiert, die Gyroskopdrift des Gyroskops gemäß $$x={\left(tvw{T}_w\right)}^{T_w}$$

  

  $$x_u=\left(x_{t-T_w}\dots x_{t-1},x_t\right)$$

  

  $$x_v=\left(x_{t-T_w+1}\dots x_t,x_{t+1}\right)$$

  

  vorherzusagen, wobei x eine unabhängige Prädiktor-Variable für die Gyroskopdrift des Gyroskops darstellt; wobei t den aktuellen Zeitschritt darstellt; wobei v die Längsgeschwindigkeit darstellt; wobei ω die Giergeschwindigkeit darstellt; wobei x_u eine prädiktive Variable für die Gyroskopdrift des Gyroskops für den vorherigen Zeitschritt darstellt; und wobei x_v eine prädiktive Variable für die Gyroskopdrift des Gyroskops für den aktuellen Zeitschritt darstellt.
• Der Prozessor 124 ist ferner programmiert, die Gyroskopdrift des Gyroskops gemäß einem spektralen Mischungs-Kernel vorherzusagen: $$k\left(d\right)={\mathrm{\Sigma }}_{i=1}^N{\sigma }_i^2\text{exp}\left(2{\pi }^2{d}^T{\left({\mathrm{\Sigma }}_{i}C\right)}^{-1}d\right)\text{cos}\left(2\pi d{ƒ}_i\right)$$

  

  wobei C = C(ip) eine sphärisch parametrisierte Korrelationsmatrix ist, die eine Korrelation zwischen den Prädiktorvariable für den vorherigen und den aktuellen Zeitschritt modelliert, und ${\mathrm{\Sigma }}_i=diag\left({\sigma }_i^{\left(1\right)}\dots {\sigma }_i^{\left(4\right)}\right);$

  

  wobei mehrere Parameter ${\left\{{\sigma }_i^2,{\mathrm{\Sigma }}_i,{ƒ}_i\right\}}_{i=1}^N,\psi$

  

  aus Daten gelernt werden. Aus Rechengründen kann angenommen werden, dass die Prädiktor-Vektoren auf einem regelmäßigen Gitter liegen, so dass die Kronecker-Struktur ausgenutzt werden kann.
• 2 zeigt ein nicht einschränkendes Beispiel eines Prozesses 200 zum Betreiben des in 1 veranschaulichten Systems 102. Der Prozess 200 beginnt im Block 202, wobei die Radareinheit 118 das Radarsignal erzeugt, das dem um das Kraftfahrzeug 100 positionierten detektierten Ziel 128 zugeordnet ist.
• Im Block 204 erzeugt der Verfolger 120 das Verfolgersignal, das dem aktuellen Radarkurs und dem aktuellen Doppler zugeordnet ist, für das stationäre Ziel basierend auf dem Radarsignal.
• Im Block 206 erzeugt der Raddrehzahlsensor 110, 112 das der aktuellen Geschwindigkeit des Kraftfahrzeugs 100 zugeordnete Raddrehzahlsignal.
• Im Block 208 erzeugt der Temperatursensor 120 das der Umgebungstemperatur zugeordnete Temperatursignal.
• Im Block 210 erzeugt das Gyroskop 108 ein Gyroskopsignal, das einer gemessenen Giergeschwindigkeit in einem aktuellen Zeitschritt zugeordnet ist.
• Im Block 212 bestimmt der Prozessor 124, während das Kraftfahrzeug 100 in Bewegung ist, die Gyroskopdrift und die korrigierte Giergeschwindigkeit während das Kraftfahrzeug 100 in Bewegung ist, wobei die Gyroskopdrift und die korrigierte Giergeschwindigkeit auf wenigstens dem aktuellen Radarkurs, dem aktuellen Dopplereffekt und der aktuellen Geschwindigkeit des Kraftfahrzeugs und der gemessenen Giergeschwindigkeit im aktuellen Zeitschritt basieren. Spezifischer empfängt der Prozessor 124 das Gyroskopsignal vom Gyroskop 108 und das Raddrehzahlsignal vom Raddrehzahlsensor 110, 112, das Verfolgersignal vom Verfolger 120 und das Temperatursignal vom Temperatursensor 122 im aktuellen Zeitschritt. Der Prozessor 124 verwendet ein Kalman-Filter, um basierend auf einem Unterschied zwischen dem Verfolgersignal, dem Raddrehzahlsignal, dem Temperatursignal, dem Gyroskopsignal und mehreren zugeordneten vorhergesagten Beobachtungen gemäß der obigen Gleichung 1 eine Innovation zu bestimmen. Der Prozessor erzeugt ferner die angepasste Messkovarianzmatrix für Robustheit basierend auf der im aktuellen Zeitschritt bestimmten geweißten Innovation und ferner basierend auf einer Messkovarianzmatrix gemäß den obigen Gleichungen 2 bis 4. Der Prozessor 124 aktualisiert ferner das Kalman-Filter basierend auf dem Verfolgersignal, dem Raddrehzahlsignal, dem Temperatursignal und dem Gyroskopsignal gemäß der obigen Gleichung 5.
• Im Block 214 sagt der Prozessor 124 basierend auf dem aktualisierten Kalman-Filter gemäß den obigen Gleichungen 6 bis 15 wenigstens einen des vorhergesagten Radarkurses, des vorhergesagten Dopplers, eines geschätzten Gyroskop-Skalierungsfaktors des Gyroskops, eines Raddrehzahlsensor-Skalierungsfaktors des Raddrehzahlsensors und der Gyroskopdrift des Gyroskops vorher.
• Folglich ist ein System des maschinellen Lernsystems beschrieben worden, das einen Fuzzy-Controller enthält, der einen Datensatz, wie z. B. mehrere Zustands-Handlungs-Werte, von einem Controller eines Agenten des bestärkenden Lernens (RLA-Controller) empfängt. Die Controller können in Software, in Hardware oder in einer Kombination davon verkörpert sein. Unter Verwendung der beiden Controller in Reihe, wobei die Ausgabe des RLA-Controllers (Daten) als Eingabe in den Fuzzy-Controller empfangen wird, kann ein System des maschinellen Lernens erzeugt werden, wobei die Ausgabedaten unter Verwendung des Fuzzy-Controllers interpretierbar sind. In diese Weise können Ingenieure, Systementwickler usw. ihre Implementierungen vollständiger einschätzen und/oder deren Fehler beheben.
• Gemäß einem nicht einschränkenden Beispiel können die Computer 106 einen Fahrzeugkraftmaschinen-Steuercomputer, einen Fahrzeugbremssystem-Computer und einen Fahrzeuglenkungs-Steuercomputer enthalten, wobei jeder der Computer 106 Anweisungen ausführt, um wenigstens einen autonomen oder teilautonomen Fahrzeugbetrieb auszuführen (wie z. B. eine adaptive Geschwindigkeitsregelung (ACC), einen Spurhalteassistenten, eine Fahrspurverlassenswarnung, eine Vorwärtskollisionswarnung, eine automatische Notbremsung, eine Fußgängerdetektion und eine Toter-Winkel-Warnung, um nur einige Beispiele zu nennen). Es sollte erkannt werden, dass das System 102 nicht mehrfache Computer erfordert; es kann z. B. weitere Computer aufweisen. Wobei der Fahrzeugkraftmaschinen-Steuercomputer, der Fahrzeugbremssystem-Computer und der Fahrzeuglenkungs-Steuercomputer lediglich Beispiele sind. Eine nicht vollständige und nicht einschränkende Liste von Fahrzeugcomputern könnte z. B. ein Karosseriesteuermodul (BCM), ein Antriebsstrang-Steuermodul (PCM), eine Leistungsübertragungseinheit (PTU) und ein Aufhängungssteuermodul enthalten, um nur einige Beispiele zu nennen. Wie im Folgenden weiter beschrieben wird, kann das System 102 eine Fahrzeugfunktion (z. B. wie z. B. das Steuern des Beschleunigens des Fahrzeugs, das Steuern des Bremsens des Fahrzeugs und/oder das Steuern des Lenkens des Fahrzeugs) einleiten, in dem das System 102 eine Ausgabe für einen oder mehrere der Computer 106 bereitstellt.
• Im Allgemeinen können die beschriebenen Computersysteme und/oder -vorrichtungen irgendeine Anzahl von Computerbetriebssystemen verwenden, die Versionen und/oder Varianten der MYLINK- oder INTELLILINK-Anwendung enthalten, aber keineswegs darauf eingeschränkt sind. Beispiele der Rechenvorrichtungen enthalten, ohne Einschränkung, einen bordinternen Fahrzeugcomputer, einen Computer-Arbeitsplatzrechner, einen Server, einen Desktop-, Notebook-, Laptop- oder Handheld-Computer oder irgendein anderes Rechensystem und/oder irgendeine andere Rechenvorrichtung.
• Die Rechenvorrichtungen enthalten im Allgemeinen computerausführbare Anweisungen, wobei die Anweisungen durch eine oder mehrere Rechenvorrichtungen wie z. B. jenen, oben aufgeführt sind, ausführbar sein können. Computerausführbare Anweisungen können aus Computerprogrammen kompiliert oder interpretiert werden, die unter Verwendung verschiedener Programmiersprachen und/oder -techniken, einschließlich, ohne Einschränkung, und entweder allein oder in Kombination, JAVA, C, C++, VISUAL BASIC, JAVA SCRIPT, PERL, usw. erzeugt worden sind. Einige dieser Anwendungen können auf einer virtuellen Maschine kompiliert und ausgeführt werden, wie z. B. der JAVA VIRTUAL MACHINE, der virtuellen DALVIK-Maschine oder dergleichen. Im Allgemeinen empfängt ein Prozessor (z. B. ein Mikroprozessor) Anweisungen, z. B. aus einem Speicher, einem computerlesbaren Medium usw., und führt diese Anweisungen aus, wodurch ein oder mehrere Prozesse, einschließlich eines oder mehrerer der hier beschriebenen Prozesse, ausgeführt werden. Derartige Anweisungen und andere Daten können unter Verwendung verschiedener computerlesbaren Medien gespeichert sein und übertragen werden.
• Ein computerlesbares Medium (das außerdem als ein prozessorlesbares Medium bezeichnet wird) enthält irgendein nicht transitorisches (z. B. greifbares) Medium, das am Bereitstellen von Daten (z. B. Anweisungen) teilnimmt, die durch einen Computer (z. B. durch einen Prozessor eines Computers) gelesen werden können. Ein derartiges Medium kann viele Formen annehmen, einschließlich nichtflüchtiger Medien und flüchtiger Medien, ist aber nicht darauf eingeschränkt. Nichtflüchtige Medien können z. B. optische oder magnetische Platten und anderen permanenten Speicher enthalten. Flüchtige Medien können z. B. dynamischen Schreib-Lese-Speicher (DRAM) enthalten, der typischerweise einen Hauptspeicher bildet. Derartige Anweisungen können über ein oder mehrere Übertragungsmedien einschließlich Koaxialkabel, Kupferdraht und Faseroptik übertragen werden, die die Drähte enthalten, die einen an einen Prozessor eines Computers gekoppelten Systembus umfassen. Häufige Formen computerlesbarer Medien enthalten z. B. eine Diskette, eine flexible Platte, eine Festplatte, ein Magnetband, irgendein anderes magnetisches Medium, einen CD-ROM, eine DVD, irgendein anderes optisches Medium, Lochkarten, ein Papierband, irgendein anderes physikalisches Medium mit Lochmustern, einen RAM, einen PROM, einen EPROM, einen FLASH-EEPROM, irgendeinen anderen Speicherchip oder irgendeine andere Speicherkassette oder irgendein anderes Medium, von dem ein Computer lesen kann.
• Datenbanken, Datenarchive oder andere hier beschriebene Datenspeicher können verschiedene Arten von Mechanismen zum Speichern, Zugreifen und Wiedergewinnen verschiedener Arten von Daten enthalten, einschließlich einer hierarchische Datenbank, eines Satzes von Dateien in einem Dateisystem, einer Anwendungsdatenbank in einem proprietären Format, eines Management-Systems relationaler Datenbanken (RDBMS) usw. Jeder derartige Datenspeicher ist im Allgemeinen innerhalb einer Rechenvorrichtung enthalten, die ein Computer-Betriebssystem, wie z. B. eines der obenerwähnten, verwendet, wobei über ein Netz in einer oder mehreren verschiedenen Arten auf ihn zugegriffen wird. Ein Dateisystem kann von einem Computer-Betriebssystem aus zugänglich sein und kann Dateien enthalten, die in verschiedenen Formaten gespeichert sind. Ein RDBMS verwendet zusätzlich zu einer Sprache zum Erzeugen, Speichern, Bearbeiten und Ausführen gespeicherter Prozeduren, wie z. B. der obenerwähnten Sprache PL/SQL, im Allgemeinen die strukturiere Abfragesprache (SQL).
• Gemäß einigen Beispielen können Systemelemente als computerlesbare Anweisungen (z. B. Software) in einer oder mehreren Rechenvorrichtungen (z. B. Servern, Personalcomputern usw.) implementiert sein, die in den ihnen zugeordneten computerlesbaren Medien (z. B. Platten, Speichern usw.) gespeichert sind. Ein Computerprogrammprodukt kann derartige Anweisungen, die in computerlesbaren Medien gespeichert sind, zum Ausführen der hier beschriebenen Funktionen umfassen.
• Der Prozessor ist über Schaltungen, Chips oder eine andere elektronische Komponente implementiert und kann einen oder mehrere Mikrocontroller, eine oder mehrere feldprogrammierbare Gatteranordnungen (FPGAs), eine oder mehrere anwendungsspezifische Schaltungen (ASICs), einen oder mehrere digitale Signalprozessoren (DSPs), eine oder mehrere kundenspezifische integrierte Schaltungen usw. enthalten. Der Prozessor kann programmiert sein, die Sensordaten zu verarbeiten. Das Verarbeiten der Daten kann das Verarbeiten des durch die Sensoren erfassten Video-Feeds oder eines anderen Datenstroms enthalten, um die Fahrspur der Fahrbahn des Host-Fahrzeugs und das Vorhandensein irgendwelcher Zielfahrzeuge zu bestimmen. Wie im Folgenden beschrieben wird, weist der Prozessor die Fahrzeugkomponenten an, sich gemäß den Sensordaten in Betrieb zu setzen. Der Prozessor kann in einen Controller, z. B. in einen Controller für die autonome Betriebsart, aufgenommen sein.
• Der Speicher (oder die Datenspeichervorrichtung) ist über Schaltungen, Chips oder andere elektronische Komponenten implementiert und kann eines oder mehreres von Festwertspeicher (ROM), Schreib-Lese-Speicher (RAM), Flash-Speicher, elektrisch programmierbaren Speicher (EPROM), elektrisch programmierbaren und löschbaren Speicher (EEPROM), eingebetteter MultiMediaCard (eMMC), einem Festplattenlaufwerk oder irgendwelchen flüchtigen oder nichtflüchtigen Medien usw. enthalten. Der Speicher kann die von den Sensoren gesammelten Daten speichern.
• Hinsichtlich der hier beschriebenen Medien, Prozesse, Systeme, Verfahren, Heuristiken usw. sollte erkannt werden, dass, obwohl die Schritte derartiger Prozesse usw. als gemäß einer bestimmten geordneten Reihenfolge stattfindend beschrieben worden sind, derartige Prozesse mit den beschriebenen Schritten praktiziert werden können, die in einer anderen Reihenfolge als der hier beschriebenen Reihenfolge ausgeführt werden. Es sollte ferner erkannt werden, dass bestimmte Schritte gleichzeitig ausgeführt werden können, dass andere Schritte hinzugefügt werden können oder dass bestimmte hier beschriebene Schritte weggelassen werden können. Mit anderen Worten, die Beschreibungen der Prozesse hier sind zum Veranschaulichen bestimmter Ausführungsformen vorgesehen und sollten keineswegs ausgelegt werden, um die Ansprüche einzuschränken.
• Dementsprechend soll erkannt werden, dass die obige Beschreibung veranschaulichend und nicht einschränkend sein soll. Viele Ausführungsformen und Anwendungen mit Ausnahme der bereitgestellten Beispiele würden für die Fachleute auf dem Gebiet beim Lesen der obigen Beschreibung offensichtlich sein. Der Schutzumfang der Erfindung sollte nicht in Bezug auf die obige Beschreibung bestimmt werden, sondern sollte stattdessen in Bezug auf die beigefügten Ansprüche, zusammen mit dem vollen Schutzumfang der Äquivalente, zu denen derartige Ansprüche berechtigt sind, bestimmt werden. Es wird erwartet und ist beabsichtigt, dass zukünftige Entwicklungen in den hier erörterten Techniken stattfinden werden und dass die offenbarten Systeme und Verfahren in derartige zukünftige Ausführungsformen aufgenommen werden. Zusammenfassend sollte erkannt werden, dass die Erfindung modifizierbar und variierbar ist und nur durch die folgenden Ansprüche eingeschränkt ist.
• Allen in den Ansprüchen verwendeten Begriffen sollen ihre einfachen und gewöhnlichen Bedeutungen gegeben werden, wie sie durch die Fachleute auf dem Gebiet verstanden werden, wenn nicht hier explizit das Gegenteil angegeben ist. Insbesondere sollte die Verwendung der Artikel in der Einzahl, wie z. B. „ein/eine“, „der/die/das“, „besagter“ usw., so gelesen werden, dass sie eines oder mehrere der angegebenen Elemente darstellen, es sei denn, ein Anspruch stellt eine explizite Einschränkung auf das Gegenteil dar.

Claims (10)

1. System eines Kraftfahrzeugs, wobei das System umfasst: eine Radareinheit zum Erzeugen eines Radarsignals, das einem um das Kraftfahrzeug positionierten detektierten Ziel zugeordnet ist; einen Verfolger, der an die Radareinheit gekoppelt ist und ein Verfolgersignal, das einem aktuellen Radarkurs und einem aktuellen Doppler für ein stationäres Ziel zugeordnet ist, basierend auf dem Radarsignal erzeugt; einen Raddrehzahlsensor zum Erzeugen eines Raddrehzahlsignals, das einer aktuellen Geschwindigkeit des Kraftfahrzeugs zugeordnet ist; einen Temperatursensor zum Erzeugen eines Temperatursignals, das einer Umgebungstemperatur zugeordnet ist; ein Gyroskop zum Erzeugen eines Gyroskopsignals, das einer gemessenen Giergeschwindigkeit in einem aktuellen Zeitschritt zugeordnet ist; und einen Computer, der umfasset: wenigstens einen Prozessor, der an den Verfolger, den Raddrehzahlsensor, den Temperatursensor und das Gyroskop gekoppelt ist; und ein nicht transitorisches computerlesbares Speichermedium, das Anweisungen enthält, so dass der wenigstens eine Prozessor programmiert ist, eine Gyroskopdrift und eine korrigierte Giergeschwindigkeit zu bestimmen, während das Kraftfahrzeug in Bewegung ist, wobei die Gyroskopdrift und die korrigierte Giergeschwindigkeit wenigstens auf dem aktuellen Radarkurs, dem aktuellen Dopplereffekt und der aktuellen Geschwindigkeit des Kraftfahrzeugs und der gemessenen Giergeschwindigkeit im aktuellen Zeitschritt basieren.
2. System nach Anspruch 1, wobei der wenigstens eine Prozessor ferner programmiert ist: das Verfolgersignal von dem Verfolger, das Raddrehzahlsignal von dem Raddrehzahlsensor, das Temperatursignal von dem Temperatursensor und das Gyroskopsignal von dem Gyroskop im aktuellen Zeitschritt zu empfangen; eine Innovation basierend auf einem Unterschied zwischen diesen beobachteten Signalen und den vorhergesagten Beobachtungen mit einem Kalman-Filter zu bestimmen; eine angepasste Messkovarianzmatrix basierend auf der im aktuellen Zeitschritt bestimmten geweißten Innovation und ferner basierend auf einer Messkovarianzmatrix zu erzeugen; das Kalman-Filter basierend auf dem Verfolgersignal, dem Raddrehzahlsignal, dem Temperatursignal und dem Gyroskopsignal zu aktualisieren; und wenigstens einen des vorhergesagten Radarkurses, des vorhergesagten Dopplers, eines geschätzten Gyroskop-Skalierungsfaktors des Gyroskops, eines Raddrehzahlsensor-Skalierungsfaktors des Raddrehzahlsensors und der Gyroskopdrift des Gyroskops basierend auf dem aktualisierten Kalman-Filter vorherzusagen.
3. System nach Anspruch 2, wobei der wenigstens eine Prozessor die geweißte Innovation ê gemäß der maximalen Korrentropie-Variation des Kalman-Filters durch Berechnen von: $$\widehat{\text{e}}=R^{-1/2}e$$

   

   bestimmt, wobei e eine aktuelle Innovation bezüglich eines Fehlers zwischen einem tatsächlichen Messvektor z und einem vorhergesagten Messvektor darstellt (d. h., e = z - Hx, wobei x ein vorhergesagter Zustandsvektor ist und H eine linearisierte Messkovarianzmatrix ist); wobei R^-1/2 das Inverse einer Cholesky-Zerlegung der Messkovarianzmatrix angibt; und e eine frühere Innovation, die im vorhergehenden Zeitschritt bestimmt worden ist, darstellt.
4. System nach Anspruch 3, wobei der wenigstens eine Prozessor die angepasste Messkovarianzmatrix gemäß: $${{\rm K}}_{\mathrm{\beta }}\left(x\right)=e^{-\frac{x^2}{2{\beta }^2}},$$

   

   $$C=diag\left({{\rm K}}_{\mathrm{\beta }}\left({\widehat{\text{e}}}_1\right),\dots {{\rm K}}_{\mathrm{\beta }}\left({\widehat{\text{e}}}_N\right)\right),$$

   

   $$\widehat{\text{R}}=R^{1/2}{C}^{-1}{R}^{T/2}$$

   

   erzeugt, wobei K_β (x) eine Kernel-Funktion darstellt; wobei β einen positiven Abstimmparameter darstellt; wobei ê_i ein Element i in einem Vektor ê darstellt; wobei C eine angepasste Messkovarianzmatrix darstellt; wobei R̂ eine aktualisierte Messkovarianzmatrix darstellt; und wobei T einen Matrixtransponierungsoperator darstellt.
5. System nach Anspruch 4, wobei der wenigstens eine Prozessor das Kalman-Filter mit einem impliziten nichtlinearen Beobachtungsmodell aktualisiert, um wenigstens einen Gyroskop-Skalierungsfaktor und die Gyroskopdrift gemäß: $$\left(\begin{array}{c}{w}_z{x}_R^B\text{sin}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)-w_z{y}_R^B\text{cos}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)\\ +v_y\text{sin}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)+v_x\text{cos}\left({\beta }_0+\beta +{\widehat{\varphi }}_i\right)+{\widehat{d}}_1\\ \dots \\ {\alpha }_{gyro}{w}_z+{\gamma }_{gyro}-{\widehat{w}}_{z,gyro}\\ {\alpha }_{ess}{v}_x-{\widehat{v}}_{x,wss}\end{array}\right)=\mathrm{0,}$$

   

   $${\widehat{v}}_{x,wss}={\alpha }_{gyro}{v}_{x,true}+n,$$

   

   $${\widehat{w}}_{z,gyro}={\alpha }_{gyro}{w}_{true}+{\gamma }_{gyro}+n$$

   

   zu schätzen, wobei ω_z die korrigierte Giergeschwindigkeit des Kraftfahrzeugs darstellt; wobei $x_R^B$

   

   eine X-Koordinate der Radareinheit am Kraftfahrzeug darstellt; wobei $y_R^B$

   

   eine Y-Koordinate der Radareinheit am Kraftfahrzeug darstellt; wobei β₀ einen nominellen Montageazimutwinkel der Radareinheit darstellt; wobei β einen Kalibrierungsfehler der Radareinheit darstellt; wobei ϕ̂_i den dem Verfolgungssignal zugeordneten Radarkurs darstellt; wobei v_y eine Quergeschwindigkeit des Kraftfahrzeugs darstellt; wobei v_x eine Längsgeschwindigkeit des Kraftfahrzeugs darstellt; wobei v̂_x,wss eine geschätzte Längsgeschwindigkeit des Kraftfahrzeugs darstellt; wobei d̂_i die dem Verfolgungssignal zugeordnete Dopplergeschwindigkeit darstellt; wobei α_gyro den Gyroskop-Skalierungsfaktor darstellt; wobei α_wss einen Raddrehzahlsensor-Skalierungsfaktor darstellt; wobei γ_gyro die Gyroskopdrift darstellt; wobei n ein iid-Rauschen darstellt; und wobei ω̂_z,gyro die gemessene Giergeschwindigkeit darstellt, die dem durch das Gyroskop erzeugten Gyroskopsignal zugeordnet ist.
6. System nach Anspruch 5, wobei der wenigstens eine Prozessor wenigstens einen eines geschätzten Gyroskop-Skalierungsfaktors, eines Raddrehzahlsensor-Skalierungsfaktors und der Gyroskopdrift basierend auf dem aktualisierten Kalman-Filter mit einem Prozessmodell gemäß: $${\left(\begin{array}{c}{w}_z\\ v_x\\ v_y\\ {\alpha }_{gyro}\\ {\alpha }_{wss}\\ {\gamma }_{gyro}\\ \beta \end{array}\right)}_{t+1}=\left(\begin{array}{ccccccc}1& & & & & & \\ & 1& & & & & \\ & & 1& & & & \\ & & & 1& & & \\ & & & & 1& & \\ & & & & & G_u& \\ & & & & & & 1\end{array}\right){\left(\begin{array}{c}{w}_z\\ v_x\\ v_y\\ {\alpha }_{gyro}\\ {\alpha }_{wss}\\ {\gamma }_{gyro}\\ \beta \end{array}\right)}_t$$

   

   vorhersagt, wobei G_u einen Prädiktor für die Gyroskopdrift darstellt; wobei t den aktuellen Zeitschritt darstellt; und wobei t + 1 einen nächsten Zeitschritt darstellt.
7. System nach Anspruch 6, wobei der wenigstens eine Prozessor wenigstens einen des geschätzten Gyroskop-Skalierungsfaktors, des Raddrehzahlsensor-Skalierungsfaktors und der Gyroskopdrift basierend auf dem aktualisierten Kalman-Filter mit einem Prozess-Rauschen gemäß: $$Q=\left(\begin{array}{ccccccc}{\sigma }_{w_z}^2& & & & & & \\ & {\sigma }_{v_x}^2& & & & & \\ & & {\sigma }_{v_y}^2& & & & \\ & & & {\sigma }_{{\alpha }_{gyro}}^2& & & \\ & & & & {\sigma }_{{\alpha }_{wss}}^2& & \\ & & & & & P_u& \\ & & & & & & {\sigma }_{\in }^2\end{array}\right)$$

   

   vorhersagt.
8. System nach Anspruch 7, wobei der wenigstens eine Prozessor die Gyroskopdrift basierend auf dem aktualisierten Kalman-Filter gemäß: $$G_u\left(x_v\right)=K_{vu}{K}_{uu}^{-1},$$

   

   $$P_u\left(x_v\right)=K_{vv}{K}_{uu}^{-1}-G_u\left(x_v\right)K_{uv},$$

   

   $$K_{ij}=\left[k\left(x_i,x_j\right)\right]$$

   

   vorhersagt, wobei die Gyroskopdrift als ein mittelwertfreier Gauß-Prozess mit einem bekannten Kovarianz-Kernel k(.,.) modelliert wird.
9. System nach Anspruch 8, wobei der wenigstens eine Prozessor die Gyroskopdrift des Gyroskops gemäß: $$x={\left(tvw{T}_w\right)}^{T_w},$$

   

   $$x_u=\left(x_{t-T_w}\dots x_{t-1},x_t\right),$$

   

   $$x_v=\left(x_{t-T_w+1}\dots x_t,x_{t+1}\right)$$

   

   vorhersagt, wobei x eine unabhängige Prädiktor-Variable für die Gyroskopdrift des Gyroskops darstellt; wobei t den aktuellen Zeitschritt darstellt; wobei v die Längsgeschwindigkeit darstellt; wobei ω die Giergeschwindigkeit darstellt; wobei x_u eine prädiktive Variable für die Gyroskopdrift des Gyroskops für den vorherigen Zeitschritt darstellt; wobei x_v eine prädiktive Variable für die Gyroskopdrift des Gyroskops für den aktuellen Zeitschritt darstellt.
10. System nach Anspruch 9, wobei der wenigstens eine Prozessor ferner die Gyroskopdrift des Gyroskops gemäß einem spektralen Mischungs-Kernel vorhersagt: $$k\left(d\right)={\mathrm{\Sigma }}_{i=1}^N{\sigma }_i^2\text{exp}\left(2{\pi }^2{d}^T{\left({\mathrm{\Sigma }}_{i}C\right)}^{-1}d\right)\text{cos}\left(2\pi d{ƒ}_i\right),$$

    

    wobei C = C(ψ) eine sphärisch parametrisierte Korrelationsmatrix ist, die eine Korrelation zwischen den Prädiktorvariablen für den vorherigen und den aktuellen Zeitschritt modelliert, und ${\mathrm{\Sigma }}_i=diag\left({\sigma }_i^{\left(1\right)}\dots {\sigma }_i^{\left(4\right)}\right);$

    

    wobei mehrere Parameter ${\left\{{\sigma }_i^2,{\mathrm{\Sigma }}_i,{ƒ}_i\right\}}_{i=1}^N,\psi$

    

    aus Daten gelernt werden.

Images