DE112018006161B4

DE112018006161B4 - System und Verfahren zum Steuern eines Fahrzeugs

Info

Publication number: DE112018006161B4
Application number: DE112018006161.2T
Authority: DE
Inventors: Karl Berntorp; Stefano Di Cairano
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2018-01-04
Filing date: 2018-07-05
Publication date: 2022-07-07
Anticipated expiration: 2038-07-06
Also published as: CN111527382A; JP6884276B2; DE112018006161T5; CN111527382B; US20190204114A1; JP2020536014A; WO2019135296A1; US10408638B2

Abstract

System (199) zum Steuern eines Fahrzeugs (200, 800) umfassend:zumindest einen Sensor, um Messungen zu erfassen, die einen Zustand des Fahrzeugs (200, 800) anzeigen;einen Speicher (280), um ein Bewegungsmodell (122d) des Fahrzeugs (200, 800) ein Messungsmodell (170d) des Fahrzeugs (200, 800) und einen Mittelwert und eine Varianz einer probabilistischen Verteilung eines Zustands der Kalibrierung des Sensors (105d) zu speichern, wobei das Bewegungsmodell (122d) des Fahrzeugs (200, 800) (200, 800) die Bewegung des Fahrzeugs (200, 800) von einem vorherigen Zustand des Fahrzeugs (200, 800) zu einem aktuellen Zustand des Fahrzeugs der einer Störgröße unterliegt, die durch eine Unsicherheit des Zustands der Kalibrierung des Sensors bei der Bewegung des Fahrzeugs (200, 800) verursacht ist, definiert, so dass das Bewegungsmodell (122d) einen Zustand der Kalibrierung enthält, der auf der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors abgetastet ist, und wobei das Messungsmodell (170d) die Messungen des Sensors mit dem Zustand des Fahrzeugs (200, 800) in Beziehung setzt unter Verwendung des Zustands der Kalibrierung des Sensors;einen Prozessor (270), der eingerichtet ist:einen realisierbaren Raum des durch die probabilistische Verteilung (105d) definierten Zustands der Kalibrierung des Sensors abzutasten (110d), um eine Menge an abgetasteten Zuständen der Kalibrierung (115d) des Sensors zu generieren;für jeden abgetasteten Zustand der Kalibrierung (115d) unter Verwendung des Bewegungsmodells (122d) eine Schätzung des aktuellen Zustands des Fahrzeugs (200, 800) zu schätzen (120d), um eine Menge an geschätzten Zuständen (125d) des Fahrzeugs (200, 800) zu generieren;für jeden geschätzten Zustand (125d) des Fahrzeugs (200, 800) einen geschätzten Zustand der Kalibrierung (135d) des Sensors zu schätzen (130d) durch Einfügen der Messungen (160d) und des geschätzten Zustands (125d) des Fahrzeugs (200, 800) in das Messungsmodell (170d); undden Mittelwert und die Varianz der probabilistischen Verteilung (105d) des Zustands der Kalibrierung des Sensors, die im Speicher (280) gespeichert sind, zu aktualisieren (140d) auf Grundlage einer Funktion (156d) der abgetasteten Zustände der Kalibrierung (115d), gewichtet mit Gewichtungen, die bestimmt sind auf Grundlage einer Differenz zwischen dem abgetasteten Zustand der Kalibrierung (115d) und dem entsprechenden geschätzten Zustand der Kalibrierung (135d); undeine Steuerungseinheit (260), um das Fahrzeug (200, 800) zu steuern (150d) unter Verwendung der Messungen (160d) des Sensors, die angepasst (155d) sind unter Verwendung der aktualisierten probabilistischen Verteilung des Zustands der Kalibrierung des Sensors.

Description

[Technisches Gebiet]
Die vorliegende Erfindung bezieht sich auf die Steuerung eines Fahrzeugs, insbesondere auf die Kalibrierung von Sensoren eines Fahrzeugs und/oder die Verwendung der Messungen des kalibrierten Sensors, um die Bewegung des Fahrzeugs zu steuern.
[Hintergrund zum Stand der Technik]
Sensorkalibrierung ist eine Schlüsselkomponente für moderne Fahrerassistenzsysteme. Eine Reihe von Sensoren, die in der aktuellen Generation von Serienfahrzeugen zu finden sind, sind typischerweise kostengünstig und als eine Folge davon anfällig für zeitlich variierende Offset- und Skalenfehler und unterliegen großen Störungen. Zum Beispiel können Messungen der Querbeschleunigung und der Richtungs-(Gier)-Rate Drift und große Störungen in den Sensormessungen aufweisen, was zwingend dazu führt, dass die Messungen für die Vorhersage über ein sehr begrenztes Zeitintervall zuverlässig sein müssen. In ähnlicher Weise weist der Sensor, der den Lenkradwinkel misst, einen Offset-Fehler auf, der bei Verwendung zur Koppelnavigation in einem Fahrzeugmodell zu Vorhersagefehlern führt, die sich im Laufe der Zeit akkumulieren. Um die Situation noch komplizierter zu machen, führen die Raddrehzahlsensoren aufgrund eines Skalenfehlers in der Reifenradiusschätzung zu Fehlern in der Fahrzeuggeschwindigkeitsschätzung.
Der jüngste Schub zur Realisierung neuer moderner Fahrerassistenzsysteme (ADAS) und autonomer Funktionen impliziert einen Bedarf an Sensorinformationen, die über längere Zeitintervalle genutzt werden können, um die Fahrzeugbewegung zuverlässig vorherzusagen. Das zugrundeliegende Thema, wie zuverlässigere Sensorinformationen erzielt werden können, ist das Einsetzen von Sensor-Fusion, um existierende kostengünstige Sensoren möglichst effizient für möglichst viele Zwecke und Fahrerassistenzfunktionen zu nutzen.
Zu diesem Zweck müssen Offset und Störungen der Sensoren des Fahrzeugs bestimmt werden. Zudem, obwohl einige Sensorkalibrierungen vorab durchgeführt werden können, können einige Sensoren beim Einbau in ein Fahrzeug, wie beispielsweise ein Beschleunigungsmesser, einen tatsächlichen Störungsgrad aufweisen, der sich von dem a priori bestimmten unterscheidet. Der Grund dafür ist, dass Sensorstörungen von einer Reihe von Faktoren, wie Temperatur, Alter und Ort der Platzierung des Sensors im Fahrzeug, abhängig sind. Je höher der Sensor beispielsweise platziert ist, desto mehr Störgrößen aus dem Aufhängungssystem wirken sich auf die offensichtliche Störung im Sensor aus.
Dementsprechend besteht ein Bedarf an einem Verfahren und einem System zur Echtzeit-Kalibrierung der Offsets und Störungen in den Sensoren des Fahrzeugs. Leider basieren die bekannten Lösungen auf vereinfachenden Mittelungstechniken zur Kompensation der Gierrate und der Lenkradvorspannung. Mittelungserfahren basieren jedoch auf vereinfachenden Annahmen über das Fahrzeugverhalten, wie beispielsweise Geradeausfahrt, und können die Offsets während der Fahrt allgemein nicht schätzen. Siehe z.B. ein in der US 8 731 769 B2 beschriebenes Verfahren.
Die DE 10 2014 211 164 A1 beschreibt ein Verfahren zur Anpassung eines Navigationssystems, wobei das Navigationssystem ein Basissystem und mindestens ein Korrektursystem umfasst.
Die US 2017/0124781 A1 betrifft die Kalibrierung des Betriebs von autonomen Fahrzeugen. Es werden Daten empfangen, die mit einer Sensormessung eines erfassten Objektes assoziiert sind. Basierend auf einer initialen Kalibrierung wird eine Markierung bestimmt, das mit dem erfassten Objekt assoziiert ist. Die Kalibrierung kann im Betrieb des autonomen Fahrzeugs erfolgen.
[Zusammenfassung der Erfindung]
Es ist ein Gegenstand einiger Ausführungsformen, ein System und ein Verfahren zur Bestimmung der Sensor-Offsets der Fahrzeugsensoren, wie beispielsweise Trägheitssensoren und Lenkradsensoren, und der Reifenradien der Räder bereitzustellen. Ein weiterer Gegenstand einiger Ausführungsformen ist die Bestimmung der Sensor-Offsets während des Echtzeitbetriebs des Fahrzeugs. Wie hier verwendet, kann ein Sensor jede Art von Objekt sein, das Informationen liefert, die die Bewegung des Fahrzeugs anzeigen.
Ein weiterer Gegenstand verschiedener Ausführungsformen ist die Bestimmung der statistischen Eigenschaften der Fahrzeugsensoren, wie beispielsweise die Variation der Sensormessungen. Während die statistischen Eigenschaften, wie die Varianzen, oft a priori bestimmt werden, ändert sich die Varianz eines Sensors mit der Zeit und der Temperatur und hängt von der Platzierung des Sensors ab. Daher konzentrieren sich mehrere Ausführungsformen auf die Bestimmung der statistischen Eigenschaften im Echtzeitbetrieb eines Fahrzeugs.
Einige Ausführungsformen basieren auf der Erkenntnis, dass die Bewegung des Fahrzeugs von der Genauigkeit der Messungen der Sensoren abhängt. Zu diesem Zweck ist es verlockend, den Sensor zu kalibrieren, indem gleichzeitig und iterativ der Zustand des Fahrzeugs und der Zustand der Kalibrierung der Sensoren geschätzt werden. Um jedoch den Zustand des Fahrzeugs und den Zustand der Kalibrierung der Sensoren iterativ über aufeinanderfolgende Zeitpunkte zu schätzen, werden zwei Bewegungsmodelle benötigt, eines für die Bewegung des Zustands des Fahrzeugs und eines für die Bewegung des Zustands der Kalibrierung der Sensoren. Die Bewegung des Zustands des Fahrzeugs wird durch das Bewegungsmodell des Fahrzeugs bestimmt. Die zeitliche Entwicklung des Zustands der Kalibrierung von Sensoren ist jedoch unbekannt, und jedes beliebige Modell der Bewegung des Zustands der Kalibrierung von Sensoren ist daher unbekannt und kann nicht verifiziert werden.
Einige Ausführungsformen basieren auf einer weiteren Erkenntnis, dass der unbekannte Zustand der Kalibrierung von Sensoren als stochastische Störgrößen betrachtet werden kann, die auf das ansonsten deterministische Modell der Bewegung des Fahrzeugs einwirken. Die Natur der stochastischen Störgröße führt dazu, dass das Fahrzeug verschiedene mögliche Bewegungen und damit verschiedene mögliche Zustände aufweist. Zu diesem Zweck basieren einige Ausführungsformen auf der Erkenntnis, dass das Bewegungsmodell des Fahrzeugs eine Kombination aus einer deterministischen Komponente der Bewegung und einer probabilistischen Komponente der Bewegung enthält. Die deterministische Komponente der Bewegung ist unabhängig vom Zustand der Kalibrierung der Sensoren und definiert die Bewegung des Fahrzeugs als Funktion der Zeit. Andererseits umfasst die probabilistische Komponente der Bewegung den Zustand der Kalibrierung von Sensoren, der eine Unsicherheit aufweist, die als die Störgröße auf die Bewegung des Fahrzeugs einwirkt. Auf diese Weise kann die Bewegung des Fahrzeugs einschließlich des Zustands der Kalibrierung der Sensoren modelliert werden, ohne ein Modell der Bewegung (zeitliche Entwicklung) des Zustands der Kalibrierung der Sensoren zu kennen.
Darüber hinaus basieren einige Ausführungsformen auf der Erkenntnis, dass durch das Auffinden der Offsets und statistischen Eigenschaften mit einem nicht-statistischen Optimierungsverfahren der Zusammenhang mit der probabilistischen Natur der Sensoren verloren geht. Daher berücksichtigt ein Optimierungsverfahren, dass eine Kostenfunktion, um die statistischen Eigenschaften und Offsets der Sensoren von den echten Messungen zu minimieren, nicht, dass die Sensormessungen, die Informationen über die Bewegung des Fahrzeugs liefern, naturgemäß probabilistisch sind. Um die Offsets und statistischen Eigenschaften der Sensoren effizient zu schätzen, ist daher ein probabilistischer, also statistischer Ansatz von Vorteil, da dann die statistische Natur der Sensormessungen in dem Verfahren erfasst wird.
Zu diesem Zweck basieren einige Ausführungsformen auf der Erkenntnis, dass die Offsets in den Sensoren als der statistische Mittelwert einer stochastischen Verteilung aufgenommen werden können, und dass die Sensorstörungen als die Variation der Sensormessungen um den Mittelwert der stochastischen Verteilung einbezogen werden können. Wieder andere Ausführungsformen basieren auf der Erkenntnis, dass die Modellierung der Sensoren als stochastische Verteilungen in einem Bewegungsmodell des Fahrzeugs und einem Messungsmodell des Zustands des Fahrzeugs verwendet werden kann. Wie hier verwendet, kann ein Zustand des Fahrzeugs eine oder eine Kombination aus einer Längsgeschwindigkeit, einer Quergeschwindigkeit, einer Drehrate des Fahrzeugs um die vertikale Achse der Straße, einer Drehrate des Fahrzeugs um die Längsachse der Straße und einem Positionsvektor des Fahrzeugs umfassen.
Zum Beispiel führt das Drehen des Lenkrads eines Fahrzeugs dazu, dass ein Richtungswechsel des Fahrzeugs eingeleitet wird. Daher beeinflusst der Lenkradwinkel eines Fahrzeugs die Bewegung des Fahrzeugs und kann daher als das Input in ein Bewegungsmodell des Fahrzeugs modelliert werden. Als ein weiteres Beispiel kann aus der messbaren Querbeschleunigung des Fahrzeugs implizit auf Informationen über die Fahrzeugquergeschwindigkeit geschlossen werden. Daher ist die Querbeschleunigung des Fahrzeugs indikativ und kann ein Teil des Messungsmodells des Fahrzeugs sein. Eine Interpretation des Sensor-Offsets ist dann, dass dieser als eine konstante oder langsam zeitlich variierende Störgröße auf die Messung einwirkt.
Eine Ausführungsform repräsentiert das Bewegungsmodell als ein durch eine stochastische Störgröße angetriebenes Modell dar, wobei die Störgröße repräsentativ für die Inputs aus dem Fahrzeug ist. Beispielsweise ist in einer Ausführungsform der Lenkwinkel als eine hybride Komponente aus einem deterministischen Teil und einem stochastischen Teil repräsentiert, wobei der stochastische Teil durch einen Mittelwert, den Offset des Lenksensors, und eine Varianz, der Störung des Lenksensors, repräsentiert ist.
In einigen Ausführungsformen werden der Offset und die Varianz der Sensoren rekursiv mit dem Fahrzeugzustand geschätzt, wobei der Fahrzeugzustand des Bewegungsmodells Informationen über die Sensoreigenschaften gibt, und wobei die Sensoreigenschaften Informationen über den Fahrzeugzustand enthalten.
Alternative Ausführungsformen repräsentieren den Fahrzeugzustand des Fahrzeugs mit einer Menge an Partikeln dar, wobei jedes Partikel ein gemessener Zustand oder ein während einer vorherigen Iteration der rekursiven Schätzung bestimmter Zustand sein kann. Einige Ausführungsformen bestimmen die Partikel durch Erzeugung einer Abtastung (engl. Sample) aus der Verteilung, die das Input in das Bewegungsmodell des Fahrzeugs modelliert, und das abgetastete (engl. gesampelte) Input durch das Fahrzeugmodell des Fahrzeugs propagiert.
Einige Ausführungsformen basieren auf der Erkenntnis, dass die tatsächliche probabilistische Verteilung, wenn Mittelwert und Varianzen unbekannt sind, sich von der gleichen Verteilung unterscheidet, wenn Mittelwert und Varianz bekannt sind.
Dementsprechend werden in einigen Ausführungsformen die Abtastungen aus der tatsächlichen probabilistischen Verteilung generiert, was berücksichtigt, dass die Unsicherheit in Mittelwert und Varianz eine zusätzliche Unsicherheit in der probabilistischen Verteilung verursacht. Auf diese Weise wird sichergestellt, dass Variationen des Mittelwertes und der Varianz aufgrund der Unsicherheit der Kenntnis der genannten Statistiken durch die tatsächliche probabilistische Verteilung enthalten sind.
In alternativen Ausführungsformen erfolgt die Generierung der Abtastung des Inputs in das Bewegungsmodell unter Berücksichtigung der Messungen aus der vorherigen Iteration, um alle aus der vorherigen Iteration ausgelassenen Informationen zu berücksichtigen. Eine solche Erzeugung erlaubt es, mehr der während der vorherigen Iteration erzeugten Partikel wiederzuverwenden.
Wieder andere Ausführungsformen modellieren Teile der Sensoreigenschaften als Teil der Inputs in das Bewegungsmodell. Auf diese Weise können Sensorkalibrierungen von Sensoren ermöglicht werden, die als Messungen im Bewegungsmodell und/oder Inputs in ein Fahrzeugmodell dienen.
Einige Ausführungsformen speichern die geschätzten Offsets und Varianzen, die während der vorherigen Fahrzeugfahrt erhalten wurden. In diesen Ausführungsformen können die gespeicherten geschätzten Offsets der Varianzen als eine Initialisierung des Verfahrens wiederverwendet werden, z.B. beim Neustarten des Fahrzeugs. Ein solches Verfahren erlaubt es, weniger Partikel zu verwenden und damit die Prozessorlast zu reduzieren.
Dementsprechend offenbart eine Ausführungsform ein System zur Steuerung eines Fahrzeugs. Das System umfasst zumindest einen Sensor, um Messungen zu erfassen, die einen Zustand des Fahrzeugs anzeigen; einen Speicher, um ein Bewegungsmodell des Fahrzeugs, ein Messungsmodell des Fahrzeugs und einen Mittelwert und eine Varianz einer probabilistischen Verteilung eines Zustands der Kalibrierung des Sensors zu speichern, wobei das Bewegungsmodell des Fahrzeugs die Bewegung des Fahrzeugs von einem vorherigen Zustand des Fahrzeugs zu einem aktuellen Zustand des Fahrzeugs, der einer Störgröße unterliegt, die durch eine Unsicherheit des Zustands der Kalibrierung des Sensors bei der Bewegung des Fahrzeugs verursacht wird, definiert, so dass das Bewegungsmodell einen Zustand der Kalibrierung enthält, der auf der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors abgetastet ist, und wobei das Messungsmodell die Messungen des Sensors mit dem Zustand des Fahrzeugs in Beziehung setzt unter Verwendung des Zustands der Kalibrierung des Sensors; einen Prozessor, der eingerichtet ist, einen realisierbaren Raum des durch die probabilistische Verteilung definierten Zustands der Kalibrierung des Sensors abzutasten, um eine Menge an abgetasteten Zuständen der Kalibrierung des Sensors zu generieren; für jeden abgetasteten Zustand der Kalibrierung unter Verwendung des Bewegungsmodells eine Schätzung des aktuellen Zustands des Fahrzeugs zu schätzen, um eine Menge an geschätzten Zuständen des Fahrzeugs zu generieren; Schätzen, für jeden geschätzten Zustand des Fahrzeugs, eines geschätzten Zustands der Kalibrierung des Sensors durch Einfügen der Messungen und des geschätzten Zustands des Fahrzeugs in das Messungsmodell; und den Mittelwert und die Varianz der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors, die im Speicher gespeichert sind, zu aktualisieren auf Grundlage einer Funktion der abgetasteten Zustände der Kalibrierung, die mit Gewichtungen gewichtet sind, die bestimmt sind auf Grundlage einer Differenz zwischen dem abgetasteten Zustand der Kalibrierung und dem entsprechenden geschätzten Zustand der Kalibrierung; und eine Steuerungseinheit, um das Fahrzeug zu steuern unter Verwendung der Messungen des Sensors, die angepasst sind unter Verwendung der aktualisierten probabilistischen Verteilung des Zustands der Kalibrierung des Sensors.
Eine weitere Ausführungsform offenbart ein Verfahren zum Steuern eines Fahrzeugs, wobei das Verfahren einen Prozessor nutzt, der mit gespeicherten Anweisungen gekoppelt ist, die das Verfahren implementieren, wobei die Anweisungen bei Ausführung durch den Prozessor zumindest einige Schritte des Verfahrens ausführen. Das Verfahren umfasst Erfassen, unter Verwendung von zumindest einem Sensor, von Messungen, die einen Zustand des Fahrzeugs anzeigen; Abrufen, aus einem Speicher, der mit dem Prozessor operativ verbunden ist, eines Bewegungsmodells des Fahrzeugs, eines Messungsmodells des Fahrzeugs und eines Mittelwerts und einer Varianz einer probabilistischen Verteilung eines Zustands der Kalibrierung des Sensors, wobei das Bewegungsmodell des Fahrzeugs die Bewegung des Fahrzeugs von einem vorherigen Zustand des Fahrzeugs zu einem aktuellen Zustand des Fahrzeugs, der einer Störgröße unterliegt, die durch eine Unsicherheit des Zustands der Kalibrierung des Sensors bei der Bewegung des Fahrzeugs verursacht wird, definiert, so dass das Bewegungsmodell einen Zustand der Kalibrierung enthält, der auf der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors abgetastet ist, und wobei das Messungsmodell die Messungen des Sensors mit dem Zustand des Fahrzeugs in Beziehung setzt unter Verwendung des Zustands der Kalibrierung des Sensors; Abtasten eines realisierbaren Raums des Zustands der Kalibrierung des Sensors, der durch die probabilistische Verteilung definiert ist, um eine Menge an abgetasteten Zuständen der Kalibrierung des Sensors zu generieren; Schätzen, für jeden abgetasteten Zustand der Kalibrierung unter Verwendung des Bewegungsmodells, einer Schätzung des aktuellen Zustands des Fahrzeugs, um eine Menge an geschätzten Zuständen des Fahrzeugs zu generieren; Schätzen, für jeden geschätzten Zustand des Fahrzeugs, eines geschätzten Zustands der Kalibrierung des Sensors durch Einfügen der Messungen und des geschätzten Zustands des Fahrzeugs in das Messungsmodell; Aktualisieren des Mittelwerts und der Varianz der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors, die im Speicher gespeichert sind, auf Grundlage einer Funktion der abgetasteten Zustände der Kalibrierung, gewichtet mit Gewichtungen, die bestimmt sind auf Grundlage einer Differenz zwischen dem abgetasteten Zustand der Kalibrierung und dem entsprechenden geschätzten Zustand der Kalibrierung; und Steuern des Fahrzeugs unter Verwendung der Messungen des Sensors, die angepasst sind unter Verwendung der aktualisierten probabilistischen Verteilung des Zustands der Kalibrierung des Sensors.
Eine weitere Ausführungsform offenbart einen nicht-transitorischen computerlesbaren Speicher, auf dem ein durch einen Prozessor ausführbares Programm zum Durchführen eines Verfahrens zur Steuerung eines Fahrzeugs realisiert ist. Das Verfahren umfasst Empfangen, von zumindest einem Sensor, von Messungen, die einen Zustand des Fahrzeugs anzeigen; Abrufen, aus einem Speicher, der mit dem Prozessor operativ verbunden ist, eines Bewegungsmodells des Fahrzeugs, eines Messungsmodells des Fahrzeugs und eines Mittelwerts und einer Varianz einer probabilistischen Verteilung eines Zustands der Kalibrierung des Sensors, wobei das Bewegungsmodell des Fahrzeugs die Bewegung des Fahrzeugs von einem vorherigen Zustand des Fahrzeugs zu einem aktuellen Zustand des Fahrzeugs, der einer Störgröße unterliegt, die durch eine Unsicherheit des Zustands der Kalibrierung des Sensors bei der Bewegung des Fahrzeugs verursacht wird, definiert, so dass das Bewegungsmodell einen Zustand der Kalibrierung enthält, der auf der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors abgetastet ist, und wobei das Messungsmodell die Messungen des Sensors mit dem Zustand des Fahrzeugs in Beziehung setzt unter Verwendung des Zustands der Kalibrierung des Sensors; Abtasten eines realisierbaren Raums des Zustands der Kalibrierung des Sensors, der durch die probabilistische Verteilung definiert ist, um eine Menge an abgetasteten Zuständen der Kalibrierung des Sensors zu generieren; Schätzen, für jeden abgetasteten Zustand der Kalibrierung unter Verwendung des Bewegungsmodells, einer Schätzung des aktuellen Zustands des Fahrzeugs, um eine Menge an geschätzten Zuständen des Fahrzeugs zu generieren; Schätzen, für jeden geschätzten Zustand des Fahrzeugs, eines geschätzten Zustands der Kalibrierung des Sensors durch Einfügen der Messungen und des geschätzten Zustands des Fahrzeugs in das Messungsmodell; und Aktualisieren des Mittelwerts und der Varianz der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors, die im Speicher gespeichert sind, auf Grundlage einer Funktion der abgetasteten Zustände der Kalibrierung, gewichtet mit Gewichtungen, die bestimmt sind auf Grundlage einer Differenz zwischen dem abgetasteten Zustand der Kalibrierung und dem entsprechenden geschätzten Zustand der Kalibrierung; und Steuern des Fahrzeugs unter Verwendung der Messungen des Sensors, die angepasst sind unter Verwendung der aktualisierten probabilistischen Verteilung des Zustands der Kalibrierung des Sensors.
Figurenliste

[1A] 1A ist eine Darstellung, wie die Messungen eines Sensors des Fahrzeugs in einem durch einige Ausführungsformen gesteuerten Fahrzeug mit der Zeit variieren.
[1B] 1B ist eine Darstellung, wie der Offset eines Sensors mit der Platzierung des Sensors in einem durch einige Ausführungsformen gesteuerten Fahrzeug variiert.
[1C] 1C zeigt eine Darstellung, wie die Varianz eines Sensors mit der Platzierung des Sensors in einem durch einige Ausführungsformen gesteuerten Fahrzeug variiert.
[1D] 1D ist ein Blockdiagramm eines Verfahrens zur Steuerung eines Fahrzeugs gemäß einigen Ausführungsformen.
[1E] 1E ist ein Blockdiagramm eines Verfahrens zur Aktualisierung von Mittelwert und Varianz der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors gemäß einigen Ausführungsformen.
[1F] 1F ist ein Graph, der die Wahrscheinlichkeitsverteilungsfunktion darstellt, die den realisierbaren Raum des Zustands der Kalibrierung für das Abtasten der Partikel gemäß einigen Ausführungsformen definiert.
[Fig. IG] 1G ist ein Flussdiagramm eines Verfahren zur Steuerung eines Fahrzeugs durch gemeinsames Schätzen eines Zustands eines Fahrzeugs und Zustands der Kalibrierung des Sensors des Fahrzeugs gemäß einer Ausführungsform der Erfindung.
[1H] 1H ist ein Blockdiagramm einer Iteration eines Verfahren zur Aktualisierung des Partikels 150g gemäß einer Ausführungsform.
[2A] 2A ist eine schematische Darstellung eines allgemeinen Steuerungssystems zum Steuern eines Fahrzeugs.
[2B] 2B ist ein Diagramm einer allgemeinen Struktur eines Systems gemäß einer Ausführungsform der vorliegenden Erfindung.
[3] 3 ist eine schematische Darstellung eines Echtzeit-Kalibrator-E-stimators gemäß einigen Ausführungsformen der Erfindung.
[4A] 4A ist eine schematische Darstellung eines vereinfachten Fahrzeugmodells das von einigen Ausführungsformen genutzt wird.
[4B] 4B ist eine schematische Darstellung eines Fahrzeugmodells voller Ordnung, das von einigen Ausführungsformen genutzt wird.
[5A] 5A ist eine Darstellung des Zuordnens von Wahrscheinlichkeiten zu einem Partikel gemäß einigen Ausführungsformen.
[5B] 5B ist eine Darstellung des Zuordnens von Wahrscheinlichkeiten zu einem Partikel gemäß einigen Ausführungsformen.
[5C] 5C ist eine schematische Darstellung verschiedener Bewegungen, die nach einigen Prinzipien bestimmt werden, die von einigen Ausführungsformen verwendet werden.
[5D] 5D ist eine schematische Darstellung verschiedener Bewegungen und der damit verbundenen Wahrscheinlichkeitsverteilungen, die nach einigen Prinzipien bestimmt werden, die von einigen Ausführungsformen verwendet werden.
[6A] 6A ist ein Graph, der die Auswahl der Wahrscheinlichkeit der abgetasteten Parameter darstellt, die von einigen Ausführungsformen verwendet werden.
[6B] 6B ist ein Graph, der die Auswahl der Wahrscheinlichkeit der abgetasteten Parameter darstellt, die von einigen Ausführungsformen verwendet werden.
[7A] 7A ist ein Flussdiagramm einer Iteration eines Verfahrens zum Schätzen des Zustands der Kalibrierung und des Zustands des Fahrzeugs und zum Steuern des Fahrzeugs gemäß einigen Ausführungsformen der Erfindung.
[7B] 7B ist ein Flussdiagramm einer beispielhaften Implementierung des Bestimmens der Menge an Zuständen des Sensors des Verfahrens von 7A gemäß einer Ausführungsform.
[7C] 7C ist ein Flussdiagramm einer beispielhaften Implementierung der Bestimmung der Wahrscheinlichkeit jedes abgetasteten Zustands der Kalibrierung des Verfahrens von 7A gemäß einer Ausführungsform.
[7D] 7D ist eine vereinfachte schematische Darstellung des Ergebnisses von drei Iterationen einiger Schritte des Verfahrens von 7A gemäß einer Ausführungsform.
[7E] 7E ist eine schematische Darstellung zur Bestimmung der Wahrscheinlichkeiten der Zustände und entsprechenden Reifenparameter und entsprechenden Aggregate gemäß den Prinzipien, die von einigen Ausführungsformen verwendet werden.
[8] 8 ist eine schematische Darstellung der Interaktion zwischen dem Kalibrator und den Fahrzeugsteuerungseinheiten gemäß einigen Ausführungsformen.

[Beschreibung der Ausführungsformen]
1A zeigt eine Darstellung, wie die Messungen 110 eines Sensors des Fahrzeugs typischerweise mit der Zeit variieren, in Abhängigkeit vom Zustand der Kalibrierung des Sensors. Wie hier verwendet, umfasst der Zustand der Kalibrierung des Sensors zumindest einen Parameter, der auf die Sensorwerte der Bewegung des Fahrzeugs hinweist. Beispiele für den Parameter des Zustands der Kalibrierung des Sensors umfassen einen oder eine Kombination aus einem Kalibrierungsfehler, einem Offset, einer Temperaturabhängigkeit, einer Intensität von weißen Rauschen, einem Random-Walk-Bias, einem Skalenfehler, einem Verstärkungsfehler und einer Varianz. Das Modell der zeitlichen Variation des Zustands der Kalibrierung des Sensors ist im Allgemeinen unbekannt und hängt sowohl von intrinsischen als auch extrinsischen Faktoren ab, und die verschiedenen Parameter, die den Zustand der Kalibrierung von Sensoren definieren, können voneinander abhängen.
Zum Beispiel hängt der Zustand der Kalibrierung des Sensors eines Gyroskopsensors, der die Drehrate des Fahrzeugs misst, von einer Reihe von Faktoren ab, wie beispielsweise der Temperatur der Umgebung, der Temperatur der Sensorkomponenten selbst, der Ausrichtung des Sensors auf das Fahrzeug, Skalenfehlern oder dem periodischen Verhalten in den Schaltkreisen des Sensors. Wie hier verwendet, kann ein Fahrzeug jede Art von Radfahrzeug sein, wie z.B. ein Personenkraftwagen, Bus oder Rover. Wie hier verwendet, kann ein Sensor jede Art von Erfassungseinrichtung sein, die eine mit der Bewegung des Fahrzeugs zusammenhängende Einheit misst. Ein Sensor kann zum Beispiel ein Beschleunigungsmesser, ein Gyroskop, ein Empfänger für ein globales Positionsbestimmungssystem, ein Sensor zur Messung des Radwinkels oder ein Radcodierer sein. Häufig bestehen die Sensorwerte 110 aus einem konstanten Teil 120, einem langsam zeitlich variierenden Teil 140 und einem Teil 130, der in Bezug auf die Bewegung des Fahrzeugs variiert.
1B zeigt eine Darstellung, wie der Sensor-Offset eines Sensors eines Fahrzeugs typischerweise mit der Platzierung des Sensors variiert. 1B zeigt eine schematische Darstellung einer Konstruktion der Interaktion zwischen dem Lenkrad 110b und dem Fahrzeugrad 130b. Die Lenksäule ist mit einer elektrischen Servolenkung 120b ausgestattet, die den Fahrer beim Lenken des Lenkrads unterstützt. Ebenfalls an der Lenksäule befindet sich ein Sensor, der den Winkel des Rades misst. Je nachdem, ob der Sensor nahe 111b zum Lenkrad oder nahe 121b zum Rad platziert wird und damit den Radwinkel direkt misst, werden unterschiedliche Offsets erhalten, da die mechanische Konstruktion zwischen Lenkrad 110b und Fahrzeugrad 130b dynamisch abhängig ist und Getriebe und andere mechanische Teile enthält.
Die Varianz der Sensormessungen ist ebenfalls zeitlich variierend und hängt in hohem Maße auch davon ab, wo der Sensor im Fahrzeug angeordnet ist. 1C zeigt eine Darstellung, wie die Sensorvarianz eines Sensors eines Fahrzeugs typischerweise mit der Platzierung des Sensors variiert. Wenn zum Beispiel ein Beschleunigungsmesser 110c in Bezug auf den Massenschwerpunkt 120c des Fahrzeugs höher angebracht wird, wird bewirkt, dass der Beschleunigungsmesser auch Variationen erfasst, die auf äußere Faktoren zurückzuführen sind, wie beispielsweise Unebenheit der Straßenoberfläche 130c oder das Aufhängungssystem 140c im Fahrzeug. Dies führt dazu, dass der Sensor eine tatsächliche Varianz aufweist, die sich von den intrinsischen Sensorvariationen unterscheidet, was zu Schätzfehlern führt, wenn diese nicht berücksichtigt werden.
Die zeitliche Entwicklung des Zustands der Kalibrierung von Sensoren ist jedoch unbekannt, und jedes beliebige Modell der Bewegung des Zustands der Kalibrierung von Sensoren ist daher unbekannt und kann nicht verifiziert werden.
Zu diesem Zweck erkennt eine Ausführungsform, dass, da die zeitliche Entwicklung der Bewegung des Zustands der Kalibrierung von Sensoren unbekannt ist, der unbekannte Teil aber typischerweise langsam zeitlich variierend ist, der Zustand der Kalibrierung von Sensoren stattdessen als stochastische Störgröße behandelt werden sollte, die auf das Bewegungs- und/oder Messungsmodell einwirkt. Das heißt, anstatt den Zustand der Kalibrierung der Sensoren explizit zu bestimmen, wird stattdessen die Verteilung des Zustands der Kalibrierung der Sensoren bestimmt, wodurch die Notwendigkeit eines Bewegungsmodells des Zustands der Kalibrierung der Sensoren umgangen wird.
Eine Ausführungsform der Erfindung erkennt, dass, obwohl die Bestimmung des Zustands der Kalibrierung des Sensors komplex ist und von Effekten abhängt, die nicht modellierbar sind, das Verhalten des Sensors in Parametern zusammengefasst werden kann, die einen Offset des Sensors und eine Varianz des Sensors repräsentieren. Wenn man beispielsweise zu 1A zurückkehrt, kann der konstante Teil 110 und der langsam zeitlich variierende Teil 140 als der Offset des Sensors betrachtet werden, während der Teil 130 von der Bewegung des Fahrzeugs abhängt, wobei zusätzliche Störgrößen von den Sensorstörungen des Sensors kommen.
Die Kenntnis von Sensor-Offsets ist nützlich bei der Fahrzeugsteuerung, zum Beispiel bei der elektronischen Stabilitätssteuerung, bei der die Querbeschleunigung, die Richtungsrate und der Lenkwinkel des Fahrzeugrads zur Steuerung des Fahrzeugs verwendet werden. Ohne Kenntnis der Offsets, die diese Größen erfassen, bestimmt die Steuerungseinheit des Fahrzeugs die Steuerungs-Inputs in das Fahrzeug auf Grundlage eines fehlerhaften Fahrzeugmodells.
Die Kenntnis der Varianz der Sensormessungen ist auch bei der Fahrzeugregelung nützlich. Die Varianz kann zum Beispiel verwendet werden, um zu bestimmen, inwieweit den Sensorwerten vertraut werden kann, und um den Steuerungs-Input im Verhältnis zur Größe der Variation der Sensormessungen anzupassen.
Zu diesem Zweck basieren einige Ausführungsformen auf der Erkenntnis, dass die Offsets in den Sensoren als der statistische Mittelwert einer stochastischen Verteilung aufgenommen werden können, wobei die stochastische Verteilung die stochastische Störgröße definiert, mit der der Zustand der Kalibrierung beschrieben wird, und dass die Sensorstörung als die Variation der Sensormessungen um den Mittelwert der stochastischen Verteilung aufgenommen werden kann. Wieder andere Ausführungsformen basieren auf der Erkenntnis, dass die Modellierung der Sensoren als stochastische Verteilungen in einem Bewegungsmodell des Fahrzeugs und einem Messungsmodell des Zustands des Fahrzeugs verwendet werden kann. Wie hier verwendet, kann ein Zustand des Fahrzeugs eine oder eine Kombination aus einer Längsgeschwindigkeit, einer Quergeschwindigkeit, einer Drehrate des Fahrzeugs um die vertikale Achse der Straße, einer Drehrate des Fahrzeugs um die Längsachse der Straße und einem Positionsvektor des Fahrzeugs umfassen.
Um es noch einmal zu wiederholen, einige Ausführungsformen basieren auf dem Verständnis, dass die zeitliche Entwicklung der Bewegung des Zustands der Kalibrierung unbekannt ist, dass aber der unbekannte Teil typischerweise langsam zeitlich variierend ist, und daher der Zustand der Kalibrierung als stochastische Störgrößen behandelt werden kann, die auf das Bewegungs- und/oder Messungsmodell einwirken. Das heißt, anstatt des expliziten Bestimmens des Zustands der Kalibrierung der Sensoren, kann die Verteilung des Zustands der Kalibrierung der Sensoren in das Bewegungs- und das Messungsmodell einbezogen werden, wodurch die Notwendigkeit eines Bewegungsmodells des Zustands der Kalibrierung selbst umgangen wird.
Der Zustand der Kalibrierung ist komplex und hängt von Effekten ab, die sich nicht modellieren lassen. Das Verhalten des Sensors lässt sich jedoch mit einem Offset des Sensors und einer Varianz des Sensors zusammenfassen. Der Offset und die Varianz können als der Mittelwert und die Varianz der probabilistischen Verteilung eines Zustands der Kalibrierung des Sensors gedacht sein. So können durch Aktualisierung der probabilistischen Verteilung der Offset und die Varianz bestimmt werden.
Zu diesem Zweck tasten einige Ausführungsformen den realisierbaren Raum des Zustands der Kalibrierung mit einer Menge an abgetasteten Zuständen der Kalibrierung ab und aktualisieren iterativ den Mittelwert und die Varianz der probabilistischen Verteilung des Zustands der Kalibrierung unter Verwendung einer Differenz zwischen den abgetasteten Zuständen der Kalibrierung und dem geschätzten Zustand der Kalibrierung, der unter Verwendung des Bewegungs- und des Messungsmodells geschätzt ist.
1D zeigt ein Blockdiagramm eines Verfahrens zur Steuerung eines Fahrzeugs gemäß einigen Ausführungsformen. Das Verfahren verwendet einen Prozessor, der mit einem Speicher, der ein Bewegungsmodell des Fahrzeugs, ein Messungsmodell des Fahrzeugs und einen Mittelwert und eine Varianz einer probabilistischen Verteilung eines Zustands der Kalibrierung des Sensors speichert, und mit zumindest einem Sensor, der Messungen erfasst, die einen Zustand des Fahrzeugs anzeigen, operativ verbunden ist. Das Bewegungsmodell des Fahrzeugs definiert die Bewegung des Fahrzeugs von einem vorherigen Zustand des Fahrzeugs zu einem aktuellen Zustand des Fahrzeugs, der einer Störgröße unterliegt, die durch eine Unsicherheit des Zustands der Kalibrierung des Sensors bei der Bewegung des Fahrzeugs verursacht wird, so dass das Bewegungsmodell einen Zustand der Kalibrierung enthält, der auf der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors abgetastet ist. Das Messungsmodell setzt die Messungen des Sensors mit dem Zustand des Fahrzeugs in Beziehung unter Verwendung des Zustands der Kalibrierung des Sensors.
Der Prozessor ist mit gespeicherten Anweisungen gekoppelt, die das Verfahren implementieren, wobei die Anweisungen bei Ausführung durch den Prozessor zumindest einige Schritte des Verfahrens ausführen. Das Verfahren tastet 110d einen realisierbaren Raum des durch die probabilistische Verteilung 105d definierten Zustands der Kalibrierung des Sensors ab, um eine Menge an abgetasteten Zuständen der Kalibrierung des Sensors 115d zu generieren, und schätzt 120d, für jeden abgetasteten Zustand der Kalibrierung unter Verwendung des Bewegungsmodells 122d, eine Schätzung des aktuellen Zustands des Fahrzeugs, um eine Menge an geschätzten Zuständen des Fahrzeugs 125d zu generieren.
Als nächstes schätzt 130d das Verfahren, für jeden geschätzten Zustand des Fahrzeugs, einen geschätzten Zustand der Kalibrierung des Sensors 135d, indem die Messungen 160d und der geschätzte Zustand des Fahrzeugs 125d in das Messungsmodell 170d eingefügt werden. Das Verfahren aktualisiert 140d den Mittelwert und die Varianz der probabilistischen Verteilung 105d des im Speicher gespeicherten Zustands der Kalibrierung des Sensors auf Grundlage einer Funktion der abgetasteten Zustände der Kalibrierung 115d, gewichtet mit Gewichtungen, die auf Grundlage einer Differenz zwischen dem abgetasteten Zustand der Kalibrierung 115d und dem entsprechenden geschätzten Zustand der Kalibrierung 135d bestimmt sind. Als nächstes steuert 150d das Verfahren das Fahrzeug unter Verwendung der Messungen des Sensors, die angepasst 155d sind unter Verwendung der aktualisierten probabilistischen Verteilung des Zustands der Kalibrierung des Sensors.
In einigen Ausführungsformen stellt die Menge an abgetasteten Zuständen der Kalibrierung des Sensors den Zustand der Kalibrierung des Sensors als eine Menge an Partikeln dar, wobei jedes Partikel einen Mittelwert und eine Varianz des Zustands der Kalibrierung des Sensors enthält, definierend den realisierbaren Raum der Parameter des Zustands der Kalibrierung des Sensors.
1E ist ein Blockdiagramm eines Verfahrens zur Aktualisierung von Mittelwert und Varianz 140d der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors gemäß einigen Ausführungsformen. Die Aktualisierung 140d verwendet die Partikelrepräsentation 110e des Zustands der Kalibrierung. Dann aktualisiert das Verfahren 120e den Mittelwert und die Varianz zumindest eines Partikels unter Verwendung einer Differenz zwischen dem abgetasteten Zustand der Kalibrierung 111e des für den Partikel abgetasteten Sensors und dem geschätzten Zustand der Kalibrierung 119e des für den Partikel geschätzten Sensors unter Verwendung des Messungsmodells, um einen aktualisierten Mittelwert und die Varianz 121e zumindest eines Partikels zu erhalten. Das heißt, der Mittelwert und die Varianz werden aktualisiert, um die Differenz zum gemessenen Zustand der Kalibrierung zu reflektieren.
Dann aktualisiert 130a das Verfahren den Mittelwert und die Varianz der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors als eine Funktion 131e des aktualisierten Mittelwerts und der aktualisierten Varianz des Partikels.
In einigen Ausführungsformen erfolgt die Bestimmung des Mittelwertes des geschätzten Zustands der Kalibrierung des Sensors, der zu dem für das Partikel geschätzten Zustand des Fahrzeugs führt, gemäß dem Messungsmodell. In anderen Ausführungsformen wird die Varianz des geschätzten Zustands der Kalibrierung des Sensors bestimmt als eine Kombination aus einer Unsicherheit der Messungen, die aus dem zumindest einen Parameter des Zustands der Kalibrierung des Sensors bestimmt ist, der repräsentiert ist in der Partikelaktualisierung des Mittelwert des abgetasteten Zustands der Kalibrierung des Sensors des Partikels unter Verwendung des Mittelwerts des geschätzten Zustands der Kalibrierung des Sensors; und die Varianz des abgetasteten Zustands der Kalibrierung des Sensors des Partikels unter Verwendung der Varianz des geschätzten Zustands der Kalibrierung des Sensors aktualisiert.
Die Partikelrepräsentation des Zustands der Kalibrierung ist nützlich, da die Anzahl der Partikel und damit die Menge an Informationen, die zur Darstellung der probabilistischen Verteilung verwendet wird, mit den verfügbaren Rechenanforderungen anderer Verfahren im Fahrzeug variieren kann. Wenn beispielsweise die Rechenlast einer sicherheitskritischen Komponente, wie beispielsweise einer Fahrzeugsteuerungseinheit, hoch ist, kann die Anzahl der Partikel reduziert werden, um Rechenressourcen zu sparen.
Darüber hinaus kann jede beliebige probabilistische Verteilung durch eine unendliche Summe von Gauß-Verteilungen dargestellt sein, die wiederum durch einen Mittelwert und eine Varianz repräsentiert ist. Das heißt, selbst wenn die Gauß-Annahme der probabilistischen Verteilung des Zustands der Kalibrierung pro Partikel falsch ist, ist diese bei der Aggregation über alle Partikel korrekt.
1F zeigt ein Diagramm, das die Wahrscheinlichkeitsverteilungsfunktion 140f darstellt, die den realisierbaren Raum 100f des Zustands der Kalibrierung für das Abtasten der Partikel gemäß einigen Ausführungsformen definiert. Die Form der Wahrscheinlichkeitsverteilungsfunktion 140f kann im Voraus bestimmt werden. Wenn zum Beispiel die Verteilung des Zustands der Kalibrierung eine Gauß-Verteilung ist, ist die Form der Verteilung 140f die „Gauß-Hut“-Form. Wenn die Form festgelegt ist, definieren der Mittelwert 110f und die Varianz 130f die Verteilung 140f und den realisierbaren Raum 100f, aus dem die Abtastung des Zustands der Kalibrierung gewonnen werden kann.
Wie hier verwendet, ist das Abtasten des Zustands der Kalibrierung eine Zeichnung mit Wahrscheinlichkeiten, die durch die Verteilung 140f definiert sind, die wiederum durch den Mittelwert und die Varianz des Zustands der Kalibrierung definiert ist. Zum Beispiel ist gemäß der Verteilung 140f die Wahrscheinlichkeit, dass eine Stichprobe 120f gezogen oder beprobt wird, höher als die Wahrscheinlichkeit der Stichprobe 150f. Eine solche Repräsentation erlaubt es, den Mittelwert und die Varianz des Zustands der Kalibrierung zu aktualisieren 160d, um eine aktualisierte Verteilung 145f zu generieren, die einen aktualisierten realisierbaren Raum für das Abtasten des Zustands der Kalibrierung definiert. Diese Ausführungsform beruht auf der Beobachtung, dass die Aktualisierung des Mittelwertes und der Varianz des Zustands der Kalibrierung den Wert der Abtastung des in der nachfolgenden Iteration verwendeten Zustands der Kalibrierung beeinflussen, da eine solches Abtastung aus der aktualisierten Verteilung gewonnen wird.
1G zeigt ein Flussdiagramm eines Verfahrens zur Steuerung eines Fahrzeugs durch gemeinsames Schätzen des Zustands eines Fahrzeugs, zum Beispiel einer Geschwindigkeit und Richtungsrate des Fahrzeugs, und Zustands der Kalibrierung des Sensors des Fahrzeugs gemäß einer Ausführungsform der Erfindung. Eine Ausführungsform basiert auf der Erkenntnis, dass der unbekannte Zustand der Kalibrierung zumindest eines Sensors als stochastische Störgrößen betrachtet werden kann, die auf ein ansonsten deterministisches Modell einer Bewegung des Fahrzeugs einwirken. Die Natur der stochastischen Störgröße führt dazu, dass das Fahrzeug verschiedene mögliche Bewegungen und damit verschiedene mögliche Zustände aufweist. Beispielsweise kann das Lenken als Input in ein Bewegungsmodell verwendet werden, und das Lenken wird durch einen Sensor des Fahrzeugs gemessen.
Zu diesem Zweck repräsentiert die Ausführungsform den Zustand der Kalibrierung 140g und den Zustand des Fahrzeugs mit einer Menge an Partikeln 145g. Jedes Partikel enthält einen Zustand des Fahrzeugs, der ein gemessener Zustand oder der während einer vorherigen Iteration der gemeinsamen Schätzung bestimmter Zustand sein kann. Zusätzlich oder alternativ dazu enthält das Partikel einen Mittelwert, den Offset und die Varianz, die Störung des Sensors und die stochastische Störgröße, die einen realisierbaren Raum des Zustands der Kalibrierungen definieren. Die probabilistische Repräsentation des Zustands der Kalibrierungen, d.h. die Verwendung des Mittelwerts und der Varianz, ermöglicht die Berücksichtigung der stochastischen Störgröße auf die Bewegung des Fahrzeugs. Zu diesem Zweck tastet die Ausführungsform den realisierbaren Raum des Zustands der Kalibrierungen ab, der als Input für das Bewegungsmodell 120g verwendet wird, das durch die Parameter, den Mittelwert und die Varianz der Sensoreigenschaften definiert ist, und verwendet den abgetasteten Zustand der Kalibrierungen in der gemeinsamen Schätzung.
In einigen Ausführungsformen aktualisiert 150g das Verfahren zumindest eines der Partikel, einschließlich des Mittelwerts und der Varianz des Zustands der Kalibrierung, um die aktualisierte Menge 155g zu generieren. Zum Beispiel aktualisiert die Ausführungsform iterativ den Mittelwert und die Varianz von zumindest einigen Partikeln unter Verwendung einer Differenz zwischen einem Zustand, der anhand von Parametern geschätzt wird, die auf dem realisierbaren Raum des Partikels abgetastet werden, und einem Mittelwert und einer Varianz eines gemessenen Zustands 146g des Sensors, der aus Messungen des Zustands des Fahrzeugs gemäß einem Messungsmodell 130g bestimmt wird, das den Zustand der Kalibrierung enthält.
Als nächstes gibt das Verfahren einen Mittelwert und eine Varianz des Zustands der Kalibrierung 165g aus 160g, die als eine Funktion von 135g des aktualisierten Mittelwerts und der aktualisierten Varianz in zumindest einem Partikel bestimmt ist. Beispiele für die Funktion 135g umfassen einen Durchschnittswert, zum Beispiel einen gewichteten Durchschnittswert der Mittelwerte und der Varianzen der Partikel in der Menge und eine Maximalfunktion, die den Mittelwert und die Varianz des Partikels mit der größten Wahrscheinlichkeit der Repräsentation des gemessenen Zustands 146g auswählt.
In einer Implementierung bestimmt das Verfahren beispielsweise eine Wahrscheinlichkeitsverteilung des Zustands des Fahrzeugs und des Zustands des Sensors unter Verwendung einer auf den gemessenen Zustand fokussierten Wahrscheinlichkeitsverteilung des Messungsmodells. Die Wahrscheinlichkeitsverteilung des Messungsmodells kann im Voraus bestimmt werden, zum Beispiel anhand der Werte des Zustands der Kalibrierung, die während vorheriger Zeitpunkte bestimmt wurden. Als nächstes bestimmt das Verfahren die Wahrscheinlichkeit jedes Partikels, den echten Zustand des Sensors zu repräsentieren, gemäß einer Platzierung des Mittelwertes im Partikel auf der Wahrscheinlichkeitsverteilung des Zustands des Fahrzeugs und des Zustands des Sensors. Eine solche Wahrscheinlichkeit wird von der Funktion 156g bei der Bestimmung der Ausgabe 165g verwendet.
1H zeigt ein Blockdiagramm einer Iteration eines Verfahrens zur Aktualisierung des Partikels 150g gemäß einer Ausführungsform, die die Partikel iterativ, z.B. rekursiv, aktualisiert. Das Verfahren kann unter Verwendung eines Prozessors des Fahrzeugs implementiert sein. Das Verfahren tastet 150h einen realisierbaren Raum möglicher Parameter ab, die in einem Modell der Bewegung des Fahrzeugs zu verwenden sind, um eine Menge an abgetasteten Parametern 155h zu generieren. Das Modell 145h der Bewegung des Fahrzeugs enthält eine Unsicherheit über die Bewegung des Fahrzeugs aufgrund der Unsicherheit im Zustand der Kalibrierung, die sich auf das Bewegungsmodell auswirkt. Das Verfahren schätzt 160h unter Verwendung des Modells 145h der Bewegung des Fahrzeugs und Inputs 147h in das Fahrzeug einen möglichen Zustand 165h, der aufgrund jedes abgetasteten Parameters, der sich auf die Bewegung des Fahrzeugs auswirkt, entsteht.
Als nächstes misst das Verfahren den Zustand 170h. Das Verfahren misst beispielsweise einen solchen Zustand des Fahrzeugs, der vom Zustand der Kalibrierung des Sensors abhängt. Das Verfahren bildet die Messungen auf ein Modell der Messung ab, das den Zustand des Fahrzeugs und den Zustand der Kalibrierung von zumindest einem Sensor in Beziehung setzt, um eine Beziehung 175h zwischen der Messung, dem Zustand des Fahrzeugs und dem Zustand der Kalibrierung herzustellen. Das Verfahren bestimmt 180h den Offset des Sensors als den statistischen Mittelwert des Zustands der Kalibrierung für jedes Partikel, das zum gemessenen Zustand des Fahrzeugs gemäß dem Messungsmodell 175h führt. Das Verfahren bestimmt 180h auch die Varianz des gemessenen Zustands der Kalibrierung, die sich aus dem Zustand der Kalibrierung ergibt, als eine Differenz zwischen dem geschätzten Zustand und der Messung ergibt, und/oder eine Differenz zwischen dem geschätzten Zustand und dem deterministischen Teil des Bewegungsmodells, die zu dem Zustand führen würde, bei dem kein unbekannter Zustand der Kalibrierung vorhanden wäre. Der bestimmte 185h Mittelwert und die Varianz des Zustands der Kalibrierung werden verwendet 190h für die Aktualisierung des Offsets als eine Kombination aus dem statistischen Mittelwert des Zustands der Kalibrierung im Partikel unter Verwendung des Mittelwerts des gemessenen Zustands der Kalibrierung, der zum gemessenen Zustand des Fahrzeugs führt, und dem während vorheriger Iterationen bestimmten Mittelwert. In ähnlicher Weise aktualisiert 190h das Verfahren die Varianz des Zustands der Kalibrierung im Partikel unter Verwendung einer Kombination aus der Varianz des gemessenen Zustands der Kalibrierung und der während vorheriger Iterationen bestimmten Varianz und.
In einer Ausführungsform hat eine Teilmenge der Messungen eine bekannte Varianz und Offset, d.h. bekannte Parameter, die a priori oder durch ein anderes Verfahren bestimmt worden sind. In diesem Fall kann die Messung mit bekannter Varianz und bekanntem Offset verwendet werden, um die Schätzung des Mittelwerts und der Varianz der Sensoreigenschaften der Sensoren mit unbekannten Parametern zu verbessern, unter Verwendung des Sensors mit bekannten Parametern, um Teile des Zustands des Fahrzeugs zu schätzen.
2A zeigt ein allgemeines Blockdiagramm eines Steuerungssystems 199 zum Steuern eines Fahrzeugs 200. Verschiedene Komponenten des Steuerungssystems 199 können mit Hilfe eines oder mehrerer Prozessoren, die mit einem Speicher und/oder verschiedenen Arten von Sensoren des Fahrzeugs operativ verbunden sind, implementiert sein. Unter einem Fahrzeug ist hier jedes beliebige Radfahrzeug zu verstehen, einschließlich eines Personenkraftwagens, eines Busses oder eines mobilen Roboters. Das Fahrzeug kann ein autonomes Fahrzeug, ein halbautonomes Fahrzeug oder ein Serienfahrzeug sein, das mit aktiven Sicherheitssystemen, wie elektronischer Stabilitätskontrolle (ESC) und/oder ABS ausgestattet ist. Das Steuerungssystem 199 kann im Fahrzeug 200 intern sein, und die Implementierung der verschiedenen Komponenten des Steuerungssystems 199 kann vom Fahrzeugtyp abhängen. Zum Beispiel können je nach Fahrzeugtyp die Komponenten des Fahrzeugs 200 variieren.
Das Steuerungssystem 199 empfängt Information 209 und erstellt Schätzungen der Radgeschwindigkeit für einige oder alle Räder 221. Die Informationen 209 können Raddrehzahlmessungen von ABS, Motordrehmoment und Drehgeschwindigkeit und/oder Bremsdruck enthalten. Das Steuerungssystem 199 kann auch ein Erfassungssystem 230 enthalten, das Trägheitskomponenten des Fahrzeugs, wie beispielsweise die Drehrate des Fahrzeugs und die Beschleunigung des Fahrzeugs, mit Hilfe einer Trägheitsmessungseinheit (IMU) misst. Zum Beispiel kann die IMU aus 3-Achsen-Beschleunigungsmesser(n), 3-Achsen-Gyroskop(e) und/oder Magnetometer(n) bestehen. Die IMU kann Geschwindigkeits-, Orientierungs- und/oder andere positionsbezogene Informationen an andere Komponenten des Steuerungssystems liefern 199. Das Erfassungssystem 230 kann auch globale Positionsbestimmungsinformationen von einem globalen Positionsbestimmungssystem (GPS) oder einem gleichwertigen System empfangen.
Das Steuerungssystem 199 enthält auch einen Sensorkalibrator 240 zur Bestimmung von Parametern des Zustands der Kalibrierungen, zum Beispiel der Sensoren in 230. In einigen Ausführungsformen der Erfindung bestimmt der Zustand-von-Sensor-Schätzer iterativ den Zustand des Fahrzeugs und die Parameter der Sensoreigenschaften, die mit dem Zustand der Kalibrierung übereinstimmen, aus einem Zustand des Fahrzeugs und Parametern der Sensoreigenschaften, die während vorheriger Iterationen bestimmt wurden. Wie hier verwendet, umfasst ein Zustand des Fahrzeugs eine Geschwindigkeit und Richtungsrate des Fahrzeugs, kann aber auch eine Position, Richtung und zusätzliche Größen im Zusammenhang mit der Bewegung des Fahrzeugs umfassen.
Der Zustand-von-Sensor-Schätzer 240 verwendet Informationen 231 vom Erfassungssystem und/oder Radgeschwindigkeitsschätzungen 221 vom Signalkonditionierer. Falls das Erfassungssystem 230 mit einer IMU zur Messung der Längsbeschleunigung des Fahrzeugs ausgestattet ist, können die Messungen von der IMU zur Bestimmung von Parametern im Zusammenhang mit der Längsbewegung des Fahrzeugs verwendet werden. Falls das Erfassungssystem 230 jedoch keine Informationen über die Längsbeschleunigung besitzt, kann der Signalkonditionierer 220 eine Schätzung 221 der Längsbeschleunigung auf Grundlage der Radgeschwindigkeitsschätzungen und anderer Größen gemäß anderen Ausführungsformen ausgeben. Zusätzlich oder alternativ kann der Zustand-von-Sensor-Schätzer 240 eine Schätzung der Längsbeschleunigung auf Grundlage der Radgeschwindigkeitsinformationen 221 bestimmen. In einer Ausführungsform der Erfindung werden die Zustände des Fahrzeugs und Parameter der Sensoreigenschaften iterativ durch Kombinieren von Radgeschwindigkeit, Lenkwinkel und IMU-Informationen geschätzt. In einer weiteren Ausführungsform der Erfindung umfasst das Sensorkalibrierungssystem nur laterale Komponenten. In einem solchen Fall können die Informationen 221 notwendige Informationen für die Längsbewegung enthalten. Der Zustand-von-Sensor-Schätzer 240 kann auch Informationen 261 über die Fahrzeugbewegung von den Fahrzeug-Steuerungseinheiten 260 empfangen. Die Informationen können einen Zustand des Fahrzeugs, wie Position, Richtung, Geschwindigkeit, enthalten und werden entweder von Hardware oder Software empfangen, die direkt oder entfernt mit der Maschine verbunden sind.
Zum Beispiel kann der Zustand-von-Sensor-Schätzer den Zustand der Kalibrierung 241 ausgeben, einschließlich Offset-Werten, Sicherheitsgrade der Offsets und Varianzen der Störung von Messungen oder Kombinationen davon. Das Steuerungssystem 199 umfasst auch Fahrzeugsteuerungseinheiten 260, die den Zustand der Kalibrierungsinformationen 241 verwenden. In einer Ausführungsform wird der Offset zum Beispiel in einem modernen Fahrerassistenzsystem (ADAS) verwendet, das ein Modell der Fahrzeugdynamik verwendet, das vom Zustand der Offsets der Sensoren abhängt. Die Fahrzeug-steuerungseinheiten 260 können eigenständige Komponenten, wie ABS, ESC oder ADAS, oder eine Kombination von Fahrzeugsteuerungseinheiten enthalten, die autonome Fahrfunktionen ermöglichen. Zum Beispiel kann der Zustand-von-Sensor-Schätzer den Zustand der Kalibrierung 242 in Bezug auf die Radradius-Offset-Schätzung ausgeben, die auf einer Anzeige 210 des Fahrzeugs als Überwachungskomponenten für einen Fahrer des Fahrzeugs angezeigt wird, um den Fahrer vor einem Verlust von Reifendruck zu warnen. Zusätzlich oder alternativ können die Offsets und Varianzen, die den Zustand der Kalibrierung beschreiben, als Input in den Schätzer 290 des Fahrzeugs, zum Beispiel einen Zustands-Schätzer, verwendet werden.
2B zeigt eine allgemeine Struktur des Zustand-von-Sensor-Schätzers 240 gemäß einer Ausführungsform der Erfindung. Der Zustand-von-Sensor-Schätzer 240 umfasst zumindest einen Prozessor 270 zum Ausführen von Modulen des Zustand-von-Sensor-Schätzers 240. Der Prozessor 270 ist mit einem Speicher 280 verbunden 271, der die Statistiken 281 der Zustände und Parameter und die Fahrzeuginformationen 282, wie das Bewegungsmodell des Fahrzeugs und ein Messungsmodell des Fahrzeugs, speichert, wobei das Bewegungsmodell des Fahrzeugs eine Kombination aus einer deterministischen Komponente der Bewegung und einer probabilistischen Komponente der Bewegung enthält, wobei die deterministische Komponente der Bewegung unabhängig vom Zustand der Kalibrierung ist und die Bewegung des Fahrzeugs als eine Funktion der Zeit definiert, wobei die probabilistische Komponente der Bewegung den Zustand der Kalibrierung enthält und eine Störgröße auf die Bewegung des Fahrzeugs definiert, wobei das Messungsmodell des Fahrzeugs eine Kombination aus einer deterministischen Komponente des Messungsmodells unabhängig vom Zustand der Kalibrierung und einer probabilistischen Komponente des Messungsmodells, die den Zustand der Kalibrierung enthält, umfasst. Der Speicher 280 speichert 283 auch interne Informationen des Schätzers, einschließlich, aber nicht beschränkt auf, Werte des Zustands der Kalibrierung, Werte jedes berechneten Zustands des Fahrzeugs und die Bewegung, die zu jedem Zustand des Fahrzeugs führt. In einigen Ausführungsformen werden die Informationen über das Fahrzeug 271 auf Grundlage der vom Fahrzeug 261 und der Sensorik 231 erhaltenen Informationen aktualisiert.
Einige Ausführungsformen der Erfindung beruhen auf der Erkenntnis, dass der Zustand der Kalibrierung durch gemeinsame und iterative Schätzung des Zustands des Fahrzeugs und des Zustands der Kalibrierung, die den Zustand des Fahrzeugs am besten in einem probabilistischen Rahmen beschreiben, bestimmt werden kann, anstatt zu versuchen, die dem Sensor zugeordneten Parameter durch Rückgriff auf langwierige Optimierungsalgorithmen zu finden. Das heißt, der Zustand der Kalibrierung kann geschätzt werden, indem die Wahrscheinlichkeit berücksichtigt wird, dass ein bestimmter Parameterwert die Zustandsschätzung erklärt, die während vorheriger Iterationen bestimmt wurde.
Zum Beispiel verwenden einige Ausführungsformen ein probabilistisches Bewegungsmodell des Fahrzeugs, wobei der Sensor als stochastische Störgröße auf die Bewegung des Fahrzeugs ausgedrückt ist, wobei der Offset als der statistische Mittelwert modelliert ist und die Varianz um den statistischen Mittelwert die Messungsstörung des Sensors ausdrückt, wobei die Auswahl der Menge an Parametern gemäß der Optimierung einer gewissen probabilistischen Kostenfunktion bestimmt werden kann. Die Kostenfunktionen werden gemäß anderen Ausführungsformen der Erfindung ausgewählt.
3 zeigt eine schematische Darstellung des Zustand-von-SensorKalibrierung-Schätzers 240 gemäß einigen Ausführungsformen der Erfindung. Der Schätzer 240 verwendet Radgeschwindigkeitsmessungen 221 oder deren Schätzungen um zukünftige Zustände 341 des Fahrzeugs zu schätzen 340. In einigen Ausführungsformen verwendet die Zustandsschätzung 340 ein Modell der Bewegung (Dynamik) des Fahrzeugs, wobei das Modell vom Zustand der Kalibrierung abhängt. Das Modell kann sowohl die Längs- als auch die Querdynamik umfassen, in welchem Fall sowohl die Längs- als auch die Querparameter des Sensors in den Zustand der Kalibrierung einbezogen werden. Alternativ kann das Modell nur eine der Längs- und Querdynamiken berücksichtigen. Das Zustandsaktualisierungsmodul 310 verwendet Messungen 231 von einem Erfassungssystem 230, um die Zustandsschätzung 341 zu korrigieren und einen aktualisierten Zustand 311 des Fahrzeugs zu bilden.
In einer Ausführungsform werden der aktualisierte Zustand 311 und/oder die Schätzung 341 als das Input 241 in ein Fahrzeugsteuerungssystem 260 verwendet. Zusätzlich oder alternativ, in einer anderen Ausführungsform, wird die Zustandsschätzung 311 verwendet, um zumindest einen Parameter des Zustands der Kalibrierung zu aktualisieren 320, was zu aktualisierten Parametern 321 des Zustands der Kalibrierung des Fahrzeugs führt. In einer Ausführungsform werden die aktualisierten Parameter 321 als Inputs 241 in ein Fahrzeugsteuerungssystem 260 verwendet. Zusätzlich, oder alternativ, in einer anderen Ausführungsform, werden die aktualisierten Parameter 321 als Inputs 242 in die Anzeige 210 verwendet, um dem Fahrer als eine Überwachungskomponente zu dienen, zum Beispiel zur Erkennung von Reifendruckverlust. Zusätzlich oder alternativ, in einer anderen Ausführungsform, werden die aktualisierten Parameter 321 verwendet, um das Modell der Bewegung des Fahrzeugs für die Schätzung des Zustands 340 zu aktualisieren 330 und so eine Iteration einiger Ausführungsformen der Erfindung abzuschließen. Zusätzlich oder alternativ können die Parameter 321 in einem anderen Schätzer 290 zur Schätzung verschiedener Aspekte in Bezug auf die Fahrzeugbewegung verwendet werden.
In der vorliegenden Erfindung erkennt eine Ausführungsform, dass das Modell der Bewegung des Fahrzeugs als ein deterministischer Teil, der vollständig durch den Zustand des Fahrzeugs bestimmt wird, und ein unsicherer Teil, wobei der unsichere Teil vollständig vom Zustand der Kalibrierung abhängt, formuliert werden kann. In einer anderen Ausführungsform wird erkannt, dass das Messungsmodell des Fahrzeugzustands auch als ein deterministischer Teil, der vollständig durch den Fahrzeugzustand bestimmt wird, und ein unsicherer Teil, bei dem zumindest Teile des unsicheren Teils vom Zustand der Kalibrierung abhängen, formuliert sein kann.
Dementsprechend wird in einigen Ausführungsformen erkannt, dass der Zustand der Kalibrierung durch Ableiten des Zustands der Kalibrierung aus der Beziehung zwischen dem Zustand des Fahrzeugs, dem Zustand der Kalibrierung und dem Bewegungsmodell des Zustands des Fahrzeugs sowie der Beziehung zwischen den Messungen des Zustands, dem Messungsmodell des Zustands des Fahrzeugs und dem Zustand der Kalibrierung, der den stochastischen Teil des Messungsmodells beschreibt, bestimmt werden kann. Es ist eine Schlüsselbeobachtung in einer Ausführungsform der Erfindung, dass das Schätzen des Zustands der Kalibrierung ohne ein Aufweisen eines Modells der Bewegung (zeitliche Entwicklung) des Zustands der Kalibrierung erfolgen kann, das unbekannt ist, und dass die Unsicherheit der Messungen durch die Varianz gegeben ist, die die stochastische Verteilung des Zustands der Kalibrierung beschreibt.
In einigen Ausführungsformen entwickelt sich der Zustand des Fahrzeugs dynamisch in der Zeit gemäß einem Modell der Bewegung des Zustands des Fahrzeugs. Bei sorgfältiger Auswahl des Modells der Bewegung des Fahrzeugs und des Modells der Inputs in das Fahrzeug kann die Bewegung des Zustands des Fahrzeugs als ein deterministischer Teil, der vollständig durch den Zustand des Fahrzeugs bestimmt ist, und ein unsicherer Teil beschrieben werden, wobei der unsichere Teil vom Zustand des Kalibrierungsfahrzeugs abhängt. Beispielsweise kann das Modell der Bewegung des Fahrzeugs gemäß einer nichtlinearen Funktion x_k+1 = ƒ(x_k, u_k) + g(x_k, u_k) ω_k beschrie-ben werden, wobei ƒ ∈ ℝⁿ eine nichtlineare deterministische Funktion ist, die die Entwicklung des Zustands des Fahrzeugs beschreibt, g ∈ ℝ^n×d eine nichtlineare deterministische Funktion ist, die vom Zustand des Fahrzeugs abhängt, abbildend die Störgrößen w_k ∈ ℝ^d, kder diskrete Zeitindex ist, x ∈ ℝⁿ der Zustand ist und u_k die Inputs in das System enthält. Das dynamische Modell der Bewegung des Fahrzeugs hängt vom Zustand der Kalibrierung ab, einschließlich den Offset, Mittelwert des Sensors und Varianz des Sensors. In einigen Ausführungsformen ist die Störgröße w_k ∈ ℝ^d, die sich auf die Bewegung des Fahrzeugs auswirkt, auf Unsicherheiten in der numerischen Beschreibung des Zustands der Kalibrierung zurückzuführen, in anderen Ausführungsformen auf eine Unsicherheit im Offset, in wieder anderen Ausführungsformen auf die Unsicherheit in der Varianz oder beide, den Mittelwert und die Varianz. In anderen Ausführungsformen umfasst der Zustand des Fahrzeugs einen Geschwindigkeitsvektor und eine Richtungsrate des Fahrzeugs.
4A zeigt eine schematische Darstellung eines vereinfachten Einspur-Fahrzeugmodells mit Vorderradantrieb, bei dem die zwei Räder jeder Achse zusammengefasst sind. Dieses Fahrzeugmodell hängt im Allgemeinen zumindest vom Zustand der Kalibrierung des Lenkradsensors und vom Zustand der Kalibrierung der Raddrehzahlen ab.
Zum Beispiel kann der Zustand der Kalibrierung des Lenkradwinkels als δ = δ_m + Δδ, geschrieben sein, wobei δ_m die echte Messung ist und Δδ der zeitlich variierende unbekannte Teil ist. Eine Ausführungsform definiert w_k := Δδ als zufällige Störgröße, die auf das ansonsten deterministische System einwirkt. In einigen Ausführungsformen ist der Störung-Term gemäß w_k ∼ N(µ_k, Σ_k) Gauß-verteilt, wobei µ_k, Σ_k im Allgemeinen zeitlich variierend, Mittelwert und Kovarianz des Zustands der Kalibrierung, der Offset und die Störungsvarianz sind. 4B zeigt eine schematische Darstellung eines vollständigen Fahrgestellmodells mit Frontlenkung. In einem solchen Fall erhöht sich die Anzahl der zu schätzenden Parameter, aber soll verstanden werden, dass das gleiche Verfahren gilt.
Eine Ausführungsform der Erfindung wählt die Inputs in das System als die Radgeschwindigkeitsschätzungen 221 aus, gemittelt über jede Radachse. In einer weiteren Ausführungsform sind die Inputs die Radgeschwindigkeitsschätzungen 221 in Kombination mit dem Lenkrad der Räder 231, gemittelt über jede Radachse. Im nicht-autonomen Modus kann manchmal der Lenkwinkel des Rades nicht gemessen werden, aber der Lenkwinkel des Lenkrades kann gemessen werden. Eine weitere Ausführungsform transformiert den Lenkwinkel des Lenkrades in den Lenkwinkel der Räder, indem die Übersetzungsverhältnisse der mechanischen Konstruktion, die das Lenkrad mit den Rädern verbindet, berücksichtigt werden.
Im Hinblick auf eine Wahrscheinlichkeitsdichtefunktion (PDF), mit der Definition θ_k := {µ_k, Σ_k} kann das dynamische System als p(x_k+1 |x_k,u_k, θ_k) beschrieben sein. Einige Ausführungsformen beruhen auf der Erkenntnis, dass die Bestimmung des Zustands des Fahrzeugs und des Zustands der Kalibrierungen durch die Bestimmung der PDF des Gesamtsystems, der gegebenen Messungen und des Modells der Bewegung und des Modells der Messungen erfolgen kann.
Um die PDF des Systems zu bestimmen, definieren mehrere Ausführungsformen der Erfindung die Messungen an dem System 231 vom Erfassungssystem 230 unsicher, in Bezug auf beides, die Offsets als auch auf Varianzen. Falls beispielsweise eine Messung die Richtungsrate ψ̇ ist und falls der Zustand des Fahrzeugs die Richtungsrate enthält, wird die Messung ψ̇_m mit der Richtungsrate durch den deterministischen Teil in Beziehung gesetzt, der die Richtungsratenmessung mit dem Zustand und e_k ∼N(b_k, R_k) in Beziehung setzt, wobei b_k der Offset-Term aufgrund des Drift im Sensor ist und e_k die stochastische Verteilung des Zustands der Kalibrierung ist, die als eine Gauß-Verteilung modelliert ist, die durch den Offset und die Varianz R_k, die im Allgemeinen eine Kovarianzmatrix ist, verfälscht ist. Im Allgemeinen sind sowohl der Offset als auch die Varianz unbekannt. In einer Ausführungsform kann das Messungsmodell als y_k = h(x_k, u_k) + d(x_k, u_k) (δ_m + w_k) + e_k geschrieben sein, wobei auch andere Inputs als δ_m hinzugefügt sein können, wodurch mehr Zustände von Kalibrierungen, die sich auf das Bewegungsmodell auswirken, und mehr zu schätzende Parameter hinzugefügt sein können.
Die Störungsquelle trägt dazu bei, dass die Messung nicht perfekt ist. Die Störungsquelle kann auf mehrere Arten gewählt sein. In einer Ausführungsform werden die Befehle für Gierrate und Beschleunigung in jedem Zeitschritt zu einem Messungsvektor mit individuellen Offset- und Varianzkomponenten kombiniert. In einigen Ausführungsformen wird das System durch iteratives Schätzen der drei PDFs p(θ_k x_0:ky_0:k)p(x_0:k|y _0:k) geschätzt, wobei nach dem Schätzen der genannten PDFs der Zustand des Fahrzeugs und der Zustand der Kalibrierung rekonstruiert werden können. Einige andere Ausführungsformen repräsentieren die fortlaufenden PDFs unter Verwendung von N diskreten Gewichtungen, die, sobald N groß genug wird, die fortlaufenden PDFs exakt repräsentieren. Die PDF des Zustands des Fahrzeugs wird dann durch N Hypothesen des Zustands des Fahrzeugs repräsentiert und die Statistiken der anderen PDF können entweder unter Verwendung von Näherungsverfahren oder exakten Techniken repräsentiert werden. Zum Beispiel kann die PDF des Zustands der Kalibrierung unter Verwendung von Abtast-basierenden Techniken oder unter Verwendung von Normal-Inversen-Wishart-Aktualisierungstechniken aktualisiert sein. Die Genauigkeit der verschiedenen Repräsentationen hängt von dem bestimmten Modell der dynamischen Entwicklung und der bestimmten Modellierung der beteiligten Messungen ab.
In einigen Ausführungsformen wird erkannt, dass der Zustand der Kalibrierungen genau geschätzt werden kann, indem der Zustand der Kalibrierungen und der Zustand des Fahrzeugs gemeinsam berücksichtigt werden. In einer Ausführungsform werden die Größen geschätzt, indem Wahrscheinlichkeiten zugeordnet werden, wie wahrscheinlich die Kombination der Größen den Messungsvektor erklärt.
5A stellt ein Szenario dar, in dem das Fahrzeug einen Ausgangszustand 510 hat. Für eine Menge an Offsets und ein Input in das System gehorcht das Fahrzeug der Bewegung 511a und endet in 530a, mit einer resultierenden Unsicherheit 531a aufgrund der Unsicherheit des Zustands der Kalibrierung, der sich auf die Fahrzeugbewegung auswirkt. Die Unsicherheit des Sensorsystems 230, d.h. die geschätzte Varianz, führt dazu, dass der Zustand des Fahrzeugs nur bis zu einem bestimmten Bereich 520 bekannt sein kann. Der Endzustand des Fahrzeugs 530a liegt jedoch gut innerhalb des Bereichs 520, so dass dieser bestimmten Kombination aus Zustand der Kalibrierung und Ausgangszustand des Fahrzeugs eine hohe Wahrscheinlichkeit zugeordnet wird, eine gute Kombination zu sein.
5B zeigt ein Fahrzeug mit dem gleichen Ausgangszustand 510 mit einer weiteren Menge an Zuständen der Kalibrierungen, die sich auf das Bewegungsmodell auswirken. Für die gleichen Inputs in das System gehorcht das Fahrzeug 510 nun der Bewegung 511b, was dazu führt, dass das Fahrzeug im Zustand 530b endet, wobei sich die resultierende Unsicherheit 531b des Zustands der Kalibrierung auf das Bewegungsmodell auswirkt. Dieser Endzustand 530b des Fahrzeugs liegt jedoch nicht innerhalb des Gewissheitsbereichs des Zustands der Kalibrierung, der sich auf das Messungsmodell auswirkt. Daher wird dieser bestimmten Kombination aus Ausgangszustand und Zustand der Kalibrierungen eine geringe Wahrscheinlichkeit zugeordnet, eine gute Kombination zu sein.
5C ist eine schematische Darstellung der verschiedenen Bewegungen, die gemäß einigen Prinzipien bestimmt werden, die von einigen Ausführungsformen verwendet werden. Das Fahrzeug befindet sich geschätzt im aktuellen Zustand 510 auf einer Straße mit Straßenbegrenzungen 540c, wobei die Schätzungen des aktuellen Zustands 510 während vorheriger Iterationen gemäß anderen Ausführungsformen der Erfindung bestimmten wurden. Bei den Linien 519c und 529c handelt es sich um zwei verschiedene Bewegungen, die unter Verwendung von zwei verschiedenen Sensorzuständen bestimmt werden, die sich auf das Bewegungsmodell auswirken, was zu zwei möglichen Zuständen 520c und 530c des Fahrzeugs führt. Der graue Bereich 511c gibt die Unsicherheit des Zustands der Kalibrierungen an, die das Messungsmodell beeinflussen, und kommt vom Erfassungssystem 230, d.h. dem möglichen Bereich, in dem die Bewegung wahrscheinlich auftreten wird, bestimmt aus dem geschätzten Zustand der Kalibrierungen, die das Messungsmodell beeinflussen, der während vorheriger Iterationen bestimmt wurde. Nur die Bewegung 519c befindet sich innerhalb des Unsicherheitsbereichs. Daher wird dem Zustand 520c, der sich aus der Bewegung 529c ergibt, und dem Zustand der Kalibrierung, der mit der Bewegung 529c assoziiert ist, eine geringe Wahrscheinlichkeit zugeordnet, eine gute Kombination zu sein.
Wie in 5D dargestellt, kann die Bewegung des Fahrzeugs in Form einer PDF 512d über den Zustand des Fahrzeugs modelliert sein, wobei der Ausgangszustand 509d der PDF 512d während vorheriger Iterationen durch andere Ausführungsformen der Erfindung bestimmt wurde. In einigen der Ausführungsformen der Erfindung wird die Bewegung berechnet durch; erstens Bestimmen mehrerer Bewegungen aus Ausgangszuständen bis zu Endzuständen, wobei die verschiedenen Bewegungen gemäß der Menge an Parametern des Zustands der Kalibrierung initiiert werden, der sich auf das zu dieser bestimmten Bewegung gehörende Bewegungsmodell auswirkt; zweitens Bestimmen, wie die verschiedenen Bewegungen mit der durch das Erfassungssystem 230 erfassten echten Bewegung übereinstimmen; drittens Bestimmen von Parametern, die mit der Bestimmung konsistent sind, wie die verschiedenen Bewegungen mit der durch das Erfassungssystem erfassten echten Bewegung übereinstimmen. Zur Veranschaulichung zeigt 5D eine Situation, in der zwei verschiedene Parameter des Zustands der Kalibrierung, der die Bewegungen beeinflusst, bis zu den Zuständen 520c bzw. 530c führen und die PDF 512d der Bewegung des Fahrzeugs beide mit den jeweiligen Bewegungen übereinstimmen. Nachdem jedoch bestimmt wurde, wie die verschiedenen Bewegungen mit der PDF 511c des Erfassungssystems übereinstimmen, wobei die PDF 511c vom Zustand der Kalibrierung abhängig ist, die das Messungsmodell beeinflusst, wird die PDF 531d erreicht, die nicht mit dem Zustand 520c übereinstimmt. In einigen Ausführungsformen wird die PDF 531d durch eine Kombination aus den Schätzungen bei einer vorherigen Iteration und der Messung von dem Erfassungssystem bestimmt. In bestimmten Ausführungsformen der Erfindung bildet die daraus resultierende PDF 531d die Grundlage für eine weitere Iteration des Verfahrens.
Einige Ausführungsformen bestimmen eine Wahrscheinlichkeit, mit der jedes Partikel einen echten Zustand des Sensors repräsentiert, auf Grundlage einer Differenz zwischen dem Zustand des Fahrzeugs, der unter Verwendung des Zustands der Kalibrierung des Partikels, der das Bewegungsmodell beeinflusst, geschätzt wird, dem Zustand des Sensors, der das Messungsmodell beeinflusst, und dem gemessenen Zustand. Beispielsweise bestimmt eine Ausführungsform eine solche Wahrscheinlichkeit unter Verwendung der PDF des Zustands des Fahrzeugs. In anderen Ausführungsformen sind der Zustand des Sensors, der das Bewegungsmodell beeinflusst, und der Zustand der Kalibrierung, der das Messungsmodell beeinflusst, teilweise gleich. Beispielsweise beeinflusst der Zustand des Lenkwinkelsensors das Bewegungsmodell des Fahrzeugs und das Messungsmodell des Fahrzeugs, aber der Zustand des Querbeschleunigungssensors beeinflusst nur das Messungsmodell.
6A zeigt einen Graph, der die Auswahl der Wahrscheinlichkeit der abgetasteten Parameter unter Verwendung der PDF 631 über mögliche Zustände des Fahrzeugs gemäß einer Ausführungsform der Erfindung darstellt. Zum Beispiel kann die PDF 631 eine Wahrscheinlichkeitsverteilung des Messungsmodells sein. Die Form einer solchen Wahrscheinlichkeitsverteilung kann im Voraus bestimmt sein, z.B. als Gauß-Form oder eine andere Form, und die Position dieser Wahrscheinlichkeitsverteilung 631 ist auf den gemessenen Zustand 635 konzentriert. Die Parameter, d.h. der Offset und die Varianz des Sensors, können jedoch unbekannt sein. Zu diesem Zweck bestimmt eine Ausführungsform eine Wahrscheinlichkeitsverteilung des Zustands des Fahrzeugs und/oder des Zustands des Sensors unter Verwendung einer Wahrscheinlichkeitsverteilung 631 des Messungsmodells, die auf den gemessenen Zustand konzentriert ist. Zu diesem Zweck kann die Ausführungsform die Wahrscheinlichkeit bestimmen, mit der jedes Partikel den echten Zustand des Sensors repräsentiert gemäß einer Platzierung des Mittelwertes im Partikel auf der Wahrscheinlichkeitsverteilung des Zustands des Fahrzeugs und des Zustands des Sensors.
Beispielsweise übergibt die Ausführungsform den Ausgangszustand und eine Abtastung der Parameterwerte an das Modell der Bewegung des Fahrzeugs, um einen Übergang des Fahrzeugs vom Ausgangszustand in einen nächsten Zustand 621 zu schätzen, und wählt einen Wert 622 der PDF über Zustände des Fahrzeugs an einem Punkt 623, der dem nächsten Zustand 621 entspricht, als die Wahrscheinlichkeit, dass der Zustand des Fahrzeugs und/oder der Zustand des Sensors genau ist, aus.
6B zeigt einen weiteren Graph, der die Auswahl der Wahrscheinlichkeit der abgetasteten Parameter gemäß PDF 651 darstellt, die sich von der PDF 631 in 6A unterscheidet. Zum Beispiel ist die PDF 651 die Verteilung, die aufgrund einer Änderung des gemessenen Zustands aktualisiert ist. In diesem Beispiel wählt die Ausführungsform einen Wert 642 der PDF 651 über Zustände des Fahrzeugs an einem Punkt 643, der dem nächsten Zustand 621 entspricht, als die Wahrscheinlichkeit für den Zustand des Fahrzeugs und/oder den Zustand des Sensors aus.
7A zeigt ein Flussdiagramm einer Iteration eines Verfahrens 699 zum Schätzen des Zustands der Kalibrierung und des Zustands des Fahrzeugs und zur Steuerung des Fahrzeugs gemäß einigen Ausführungsformen der Erfindung. Das Verfahren bestimmt, ausgehend von einem Ausgangszustand und einer Ausgangsmenge von Parametern, eine Menge an Parameterwerten und assoziierten Unsicherheiten, die das Modell des Fahrzeugs und den Zustand des Fahrzeugs, der die Bewegung des Fahrzeugs erklärt, spezifizieren. In verschiedenen Ausführungsformen ist der Ausgangszustand des Fahrzeugs ein aktueller geschätzter Zustand des Fahrzeugs und/oder wobei der Ausgangszustand des Fahrzeugs der Zustand des Fahrzeugs ist, der dem während einer vorherigen Iteration des Verfahrens bestimmten Zustand der Kalibrierung entspricht.
Die Bewegung wird durch die Zustandsübergänge definiert, die die Zustände des Fahrzeugs verbinden, z.B. wie in 5A für eine Bewegung dargestellt, die zwei geschätzte Zustände des Fahrzeugs verbindet. Jeder Zustand umfasst mindestens eine Geschwindigkeit und eine Richtungsrate des Fahrzeugs. Schritte des Verfahrens werden durch einen Prozessor 270 des Schätzers 240 und/oder des Fahrzeugs durchgeführt. Die Bewegung wird iterativ bestimmt, bis eine Beendigungsbedingung erfüllt ist, zum Beispiel für einen Zeitraum oder für eine vorherbestimmte Anzahl von Iterationen. Eine Iteration des Verfahrens gemäß 7A umfasst die folgenden Schritte.
Das Verfahren 699 bestimmt 700 eine Menge an abgetasteten Zuständen von Sensoren, die sich auf das Bewegungsmodell auswirken, und eine entsprechende Menge an Übergängen zu einer Mengen an Zuständen, die die statischen und dynamischen Bedingungen für den Zustand des Fahrzeugs erfüllen. Das Verfahren bestimmt zum Beispiel die Zustandsübergänge 519c, 529c und die Zustände 530c, 520c, in 5C. Als nächstes bestimmt 710 das Verfahren 699 die Wahrscheinlichkeit jedes Zustands des Kalibrierungs-Abtastung im Schritt 700, um eine Bewegung zu einem Zustand zu erzeugen, der mit den Messungen der Bewegung des Fahrzeugs übereinstimmt.
Unter Verwendung der Wahrscheinlichkeit jedes Zustands als die Wahrscheinlichkeit des Partikels des Zustand der Kalibrierung, um diesen Zustand zu messen, bestimmt 720 das Verfahren 699 den aggregierten Zustand der Kalibrierung 721 gemäß der Funktion, die eine gewichtete Kombination aus dem aktualisierten Mittelwert und der aktualisierten Varianz in jedem Partikel verwendet. Beispielsweise werden die Gewichtungen in der Kombination durch die Wahrscheinlichkeit bestimmt, mit der jedes Partikel den echten Zustand des Sensors repräsentiert. Zusätzlich oder alternativ kann die Funktion einfach den Zustand der Kalibrierung des wahrscheinlichsten Partikels auswählen. Andere Ausführungsformen verwenden eine andere Funktion zur Bestimmung des Zustands der Kalibrierung 721, die zur Steuerung 730 des Fahrzeugs verwendet werden kann.
7B zeigt ein Flussdiagramm einer beispielhaften Implementierung des Bestimmens 700 der Menge an Zuständen von Sensorwerten gemäß einer Ausführungsform der Erfindung. Das Bestimmen 700 verwendet die tatsächlichen Inputs in das System, den geschätzten Offset und die Varianz des Zustands der Kalibrierung, die sich auf das Bewegungsmodell auswirkt, und Ausgangszustände, die unter Verwendung vorheriger Iterationen geschätzt wurden. Das Verfahren sagt zunächstNMittelwerte und Varianz für die Menge an Partikeln ${μ_{k}^{i}, Σ_{k}^{i}}_{i = 1}^{N}$
aus Werten des Offsets und Varianz, die während vorheriger Iterationen bestimmt wurden, voraus 701. Dann tastet 702 das Verfahren eine Menge an N Werten des Zustands der Kalibrierung ab, wobei N vorherbestimmt oder adaptiv gemacht werden kann, und sagt die Zustände ${x_{k}^{i}}_{i = 1}^{N}$
unter Verwendung der Menge an Werten des Zustands der Kalibrierung voraus 703.
In einigen Ausführungsformen der Erfindung wird jede Wertzahlides Zustands der Kalibrierung unter Verwendung der Zahl i von ${μ_{k}^{i}, Σ_{k}^{i}}_{i = 1}^{N}$
erzeugt, die eine Menge des Offsets, Mittelwerts und der Varianz ist, d.h. Störungsquellenparameter des dynamischen Systems, d.h. w_k, wobei $μ_{k}^{i}$
den geschätzten Mittelwert des Zustands der Kalibrierung und $Σ_{k}^{i}$
die entsprechende Unsicherheit oder Varianz bezeichnet. So kann zum Beispiel w_k als aus einer Gauß-Verteilung w_k ~ N(µ_k,Σ_k) entstehend oder als auf die jeweilige Anwendung zugeschnittene PDF-Datei gewählt werden. In einigen Ausführungsformen wird, um die Unsicherheit in der Mittelwert- und Varianzschätzung selbst zu berücksichtigen, eine Student-t-Verteilung genutzt, die sich für jede Iteration an die Gauß-Verteilung annähert.
In einigen Ausführungsformen der Erfindung werden die abgetasteten Parameterwerte 702 durch Invertieren des dynamischen Systems erzeugt. In einem solchen Fall werden in einer Ausführungsform die Zustände ${x_{k}^{i}}_{i = 1}^{N}$
stattdessen durch Verwendung einer probabilistischen Funktion q(x_k|x_k-1, y_k) erzeugt, und der abgetastete Zustand der Kalibrierungswerte durch Invertieren des dynamischen Systems erzeugt, um die Messungen besser zu erfüllen. Die Umkehrung des Systemmodells kann jedoch nicht immer exakt durchgeführt werden. Dieser Ansatz kann auch für den Fall verwendet werden, wenn sich der Zustand der Kalibrierung nur auf das Bewegungsmodell auswirkt.
7C zeigt ein Flussdiagramm des Verfahrens 710, das die Wahrscheinlichkeit bestimmt, dass jeder abgetastete Zustand der Kalibrierung eine Bewegung in einen Zustand erzeugt, der mit den Messungen der Fahrzeugbewegung übereinstimmt, und auch den Zustand der Kalibrierung bestimmt, der das Messungsmodell beeinflusst, das jedoch nicht abgetastet wird. Bei der Bestimmung der Wahrscheinlichkeit jedes Parameters des Zustands des Kalibrierungswerts wird die Konsistenz des nächsten Zustands 702 mit der Messung bestimmt 711 und die Wahrscheinlichkeit jedes Zustands berechnet 712. Beispielsweise bestimmt eine Ausführungsform die Wahrscheinlichkeit 712 unter Verwendung der in den und beschriebenen Prinzipien.
In einer Ausführungsform des Verfahrens 710, falls die so genannte tatsächliche Abtast-Größe unter einem Schwellenwert 714 liegt, wo der Schwellenwert vorherbestimmt werden kann, haben wenige Zustände der Kalibrierungswerte eine große Wahrscheinlichkeit, zu einem Zustand zu führen, der mit den Messungen der Bewegung des Fahrzeugs konsistent ist, so dass das Verfahren Abtastungen und entsprechende Zustände mit hoher Wahrscheinlichkeit dupliziert und diejenigen mit geringer Wahrscheinlichkeit 715 verwirft. Andernfalls wird das Verfahren verlassen 716. Zusätzlich oder alternativ dazu werden in einigen Ausführungsformen Zustand-der-Kalibrierung-Werte und entsprechende Zustände mit nicht Null, aber geringer Wahrscheinlichkeit durch Inputs und Zustände mit höheren Wahrscheinlichkeiten ersetzt. Beispielsweise erzeugt eine Ausführungsform eine neue Menge am Zustand-von-Kalibrierung-Werten und entsprechende Zustände in einer solchen Weise, dass die Wahrscheinlichkeit, $x_{k}^{i}$
zu erzeugen, zumindest $q_{k}^{i}$
beträgt. In einer anderen Ausführungsform wird die Ersetzung immer dann durchgeführt, wenn die inverse Quadratsumme der Wahrscheinlichkeiten unter einem vordefinierten Schwellenwert liegt. Auf diese Weise wird sichergestellt, dass nur gute Zustände der Kalibrierungswerte verwendet werden.
In einigen Ausführungsformen der Erfindung erfolgt das Bestimmen 712 als eine Kombination aus der PDF der Messungen, $p (y_{k} | x_{k}^{i}, y_{0 : k - 1}),$
der PDF des dynamischen Systems und der Wahrscheinlichkeit $q_{k - 1}^{i}$
des Inputs, die während vorheriger Iterationen des Verfahrens 700 bestimmt wurden. Wenn zum Beispiel der Zustand der Kalibrierungswerte gemäß dem Unsicherheitsmodell der Parameter erzeugt wird, sind die Wahrscheinlichkeiten proportional zur PDF der Messungen, d.h. $q_{k}^{i} \propto q_{k - 1}^{i} p (y_{k} | x_{k}^{i}, y_{0 : k - 1}) .$
In einer Ausführungsform werden die Wahrscheinlichkeiten so normalisiert, dass sie ein PDF darstellen. Bezogen auf 6B, falls $q_{k - 1}^{i}$
durch den Wert 642 an einem Punkt 643 auf der PDF 651 gegeben ist, der während vorheriger Iterationen entsprechend dem Zustand 621 bestimmt wurde, wird die aktualisierte Wahrscheinlichkeit $q_{k}^{i}$
als eine Multiplikation von 622 und 642 bestimmt.
Das Bestimmen 713 des Zustands der Kalibrierungsparameter ${μ_{k}^{i}, Σ_{k}^{i}}_{i = 1}^{N}$
kann auf verschiedene Weisen erfolgen. Zum Beispiel bestimmt eine Ausführungsform korrigierte Parameter unter Verwendung des abgetasteten Zustands des Kalibrierungswertes ω _k, um jede Parametermenge mit dem Korrekturmodul zu korrigieren. $γ_{k | k} = \frac{γ_{k | k - 1}}{1 + γ_{k | k - 1}},$
${\hat{μ}}_{k | k} = {\hat{μ}}_{k | k - 1} + γ_{k | k} z_{k},$
$ν_{k | k} = ν_{k | k - 1} + 1,$
$Λ_{k | k} = Λ_{k | k - 1} + \frac{1}{1 + γ_{k | k - 1}} z_{k} z_{k}^{T}$
$z_{k} = {\bar{w}}_{k} - {\hat{μ}}_{k | k - 1},$
Hier werden die Parameter des Zustands der Kalibrierung aus den geschätzten Parametern des Zustands der Kalibrierung korrigiert, die während vorheriger Iterationen bestimmt wurden. Von den obigen Gleichungen können wir den Wert des Zustands der Kalibrierung direkt ableiten und die Unsicherheit des Zustands der Kalibrierung kann aus den obigen Gleichungen bestimmt werden. Auch bei der Aktualisierung des Zustands der Kalibrierung der Messungen, die sich auf das Messungsmodell auswirken, wird ω̅_k generiert als ${\bar{w}}_{k}^{i} = [\begin{matrix} w_{k}^{i} \\ e_{k}^{i} \end{matrix}] = [\begin{matrix} g {(x_{k}^{i}, u_{k})}^{- t} (x_{k - 1}^{i} - ƒ (x_{k}^{i}, u_{k})) \\ y_{k} - h (x_{k}^{i}, u_{k}) - d (x_{k}^{i}, u_{k}) μ_{w, k}^{i} \end{matrix}] .$
Hier enthält die zweite Gleichung nicht unbedingt den abgetasteten Zustand der Kalibrierungswerte. Der Zustand der Kalibrierung des Messungsmodells befindet sich jedoch auf der linken Seite, $e_{k}^{i}$
und $μ_{w, k}^{i}$
ist der statistische Mittelwert des Zustands der Kalibrierung, der sich sowohl auf das Bewegungsmodell als auch auf das Messungsmodell auswirkt, und stammt aus dem gleichen Zustand der Kalibrierung, der abgetastet wurde, um den Zustand beim Propagieren durch das Bewegungsmodell zu erhalten.
Insbesondere sind in einer Ausführungsform die Messungen des Sensors, der den Winkel des Lenkrads des Fahrzeugs angibt, im Bewegungsmodell und im Messungsmodell enthalten, während der Sensor, der die Querbeschleunigung und zusätzlich oder alternativ die Richtungs-(Gier)-Rate, des Fahrzeugs angibt, nur das Messungsmodell beeinflusst. Mit anderen Worten, ein erster Sensor zur Messung eines Winkels, der den Lenkwinkel des Lenkrads des Fahrzeugs angibt, und ein zweiter Sensor zur Messung einer Querbeschleunigung und einer Kursgeschwindigkeit. Das Bewegungsmodell umfasst den Zustand der Kalibrierung des ersten Sensors, umfasst aber nicht den Zustand der Kalibrierung des zweiten Sensors. Das Messungsmodell umfasst jedoch beides, den Zustand der Kalibrierung des ersten Sensors und den Zustand der Kalibrierung des zweiten Sensors.
In einigen Ausführungsformen basiert die Aktualisierung des Mittelwertes und der Varianz der probabilistischen Verteilung des Zustands der Kalibrierung des ersten Sensors auf der Funktion der gewichteten abgetasteten Kalibrierungszustände des ersten Sensors. In ähnlicher Weise, basiert das Aktualisieren des Mittelwerts und der Varianz einer probabilistischen Verteilung des Zustands der Kalibrierung des zweiten Sensors auf der Funktion einer Differenz von gewichteten geschätzten Zuständen der Kalibrierung des zweiten Sensors und der Sensormessung.
Zum Beispiel kann das Bestimmen 720 der probabilistischen Verteilung des Zustands der Kalibrierung und des entsprechenden Zustands des Fahrzeugs auf verschiedene Weisen erfolgen. Zum Beispiel bestimmt eine Ausführungsform den Zustand der Kalibrierung unter Verwendung einer gewichteten Durchschnittsfunktion, um den Zustand des Kalibrierungswertes als ${\hat{μ}}_{k} = \sum_{i = 1}^{N} q_{k}^{i} {\hat{μ}}_{k | k}^{i}$
die Varianz der probabilistischen Verteilung des Zustands der Kalibrierung als ${\hat{Σ}}_{k} = \sum_{i = 1}^{N} q_{k}^{i} (\frac{1}{ν_{k | k} - n - 1} Λ_{k | k}^{i} + ({\hat{μ}}_{k | k}^{i} - {\hat{μ}}_{k}) {({\hat{μ}}_{k | k}^{i} - {\hat{μ}}_{k})}^{T})$
und ähnliches für den Zustand des Fahrzeugs. Das heißt, die Aktualisierung des Mittelwertes und der Varianz der probabilistischen Verteilung des Zustand der Kalibrierung des ersten Sensors basiert auf der Funktion einer Differenz von gewichteten abgetasteten Kalibrierungszuständen des ersten Sensors und gewichteten geschätzten Zuständen der Kalibrierung des ersten Sensors. In ähnlicher Weise basiert die Aktualisierung des Mittelwerts und der Varianz einer probabilistischen Verteilung des Zustands der Kalibrierung des zweiten Sensors auf der Funktion einer Differenz der gewichteten geschätzten Zustände der Kalibrierung des zweiten Sensors und der Sensormessung. In einer weiteren Ausführungsform werden die Größen als der Zustand und die Parameter mit höchster Wahrscheinlichkeit bestimmt.
7D zeigt eine vereinfachte schematische Ansicht des Ergebnisses von drei Iterationen der Schritte 700, 710 und 720, wenn für jede Iteration fünf abgetastete Kalibrierungswerte erzeugt werden. Der Ausgangszustand 710d wird unter Verwendung des Modells der Bewegung und der Inputs in das System und der fünf abgetasteten Zustände der Kalibrierungswerte, die zur Parametrisierung des dynamischen Modells verwendet werden, vorwärts in der Zeit 711d vorhergesagt, um die fünf nächsten Zustände 721d, 722d, 723d, 724d und 725d zu erzeugen. Die Wahrscheinlichkeiten werden als eine Funktion der Messung 726d und den Schätzungen der Varianz und des Offsets 727d der Messung 726d bestimmt, nachdem die Schätzungen der Varianz und des Offsets aktualisiert wurden. Bei jedem Zeitschritt, d.h. bei jeder Iteration, wird ein Aggregat der Wahrscheinlichkeiten verwendet, um eine aggregierte Menge an Zuständen der Kalibrierungen und den entsprechenden Zustand 720d zu erzeugen.
7E zeigt mögliche zugewiesene Wahrscheinlichkeiten der fünf Zustände bei der ersten Iteration in 7D. Diese Wahrscheinlichkeiten 721e, 722e, 723e, 724e und 725e spiegeln sich in der Auswahl der Größen der Punkte wider, die die Zustände 721d, 722d, 723d, 724d und 725d darstellen.
Zurückkehrend zu 7D wird der Zustand 720d zusammen mit dem assoziierten Zustand der Kalibrierung als Ausgabe 721 in 7A für die Steuerung 730 des Fahrzeugs verwendet. Zurückkehrend zu 7C, falls der Schwellenwert 714 erreicht ist, werden die Zustände mit hoher Wahrscheinlichkeit und die entsprechenden Offset- und Varianz-Terme dupliziert und werden zu den Ausgangszuständen für die nächste Iteration, die wiederum fünf abgetastete Kalibrierungswerte erzeugt, die den Zustand des Fahrzeugs vom Ausgangszustand 721d, 722d, 723d und 724d in die nächsten Zustände 731d, 732d, 733d, 734d und 735d überführen. Der dem Zustand 730d entsprechende Steuerungs-Input wird entsprechend den Wahrscheinlichkeiten der abgetasteten Steuerungs-Inputs dieser Iteration ausgewählt. Die Zustände 732d, 733d und 734d sind die Ausgangszustände für die nächste Iteration in diesem bestimmten Beispiel, aber im Allgemeinen könnten alle Zustände zeitlich vorwärts erweitert werden.
8 zeigt eine schematische Darstellung der Interaktion zwischen dem Steuerungssystem und den Fahrzeugsteuerungseinheiten gemäß einigen Ausführungsformen der Erfindung. Beispielsweise sind in einigen Ausführungsformen der Erfindung die Steuerungseinheiten des Fahrzeugs 800 die Lenkung 810 und die Brems-/Drosselklappensteuerungseinheiten 820, die die Drehung und Beschleunigung des Fahrzeugs 800 steuern. In einem solchen Fall gibt der Zustand-von-Sensor-Schätzer 840 beide Zustand-von-Kalibrierung-Werte aus, die sich sowohl auf die Sensoren zur Messung der Längsbewegung als auch auf die Sensoren zur Messung der Querbewegung beziehen. In einer Ausführungsform wird jedoch ein Spurhalteassistent 830 verwendet, so dass das Schätzsystem nur laterale Komponenten ausgibt. In beiden Fällen bildet eine Fahrzeug-Steuerungseinheit 800 die Parameter auf ein Fahrzeugmodell ab, das von zumindest einer Steuerungseinheit des Fahrzeugs verwendet wird, der zumindest einen Aktuator des Fahrzeugs steuert, wie z.B. das Lenkrad und/oder die Bremsen des Fahrzeugs, und steuert die Bewegung des Fahrzeugs unter Verwendung des Steuerungsbefehls an den Aktuator des Fahrzeugs. In einer anderen Ausführungsform gibt der Zustand-von-Kalibrierung Schätzer 242 Anzeige des Reifendruckverlustes auf einer für den Fahrer sichtbaren Anzeige aus.
Die oben beschriebenen Ausführungsformen der vorliegenden Erfindung können auf vielfältige Weise implementiert sein. So können beispielsweise die Ausführungsformen unter Verwendung von Hardware, Software oder einer Kombination davon implementiert sein. Bei der Implementierung in Software kann der Softwarecode auf einem beliebigen geeigneten Prozessor oder Sammlung von Prozessoren ausgeführt sein, unabhängig davon, ob er in einem einzelnen Computer bereitgestellt ist oder auf mehrere Computer verteilt ist. Solche Prozessoren können als integrierte Schaltungen mit einem oder mehreren Prozessoren in einer Komponente einer integrierten Schaltung implementiert sein. Allerdings kann ein Prozessor unter Verwendung von Schaltungen in jedem beliebigen geeigneten Format implementiert sein.
Außerdem können die verschiedenen hierin beschriebenen Verfahren oder Prozesse als Software codiert sein, die auf einem oder mehreren Prozessoren ausführbar ist, die eines von einer Vielzahl von Betriebssystemen oder Plattformen verwenden. Darüber hinaus kann diese Software mit einer Reihe geeigneter Programmiersprachen und/oder Programmier- oder Skriptwerkzeuge geschrieben sein und auch als ausführbarer Maschinensprachencode oder Zwischencode kompiliert sein, der auf einem Framework oder einer virtuellen Maschine ausgeführt wird. Typischerweise kann die Funktionalität der Programmodule in verschiedenen Ausführungsformen beliebig kombiniert oder verteilt sein.
Auch die Ausführungsformen der Erfindung können als ein Verfahren umgesetzt sein, wofür ein Beispiel gegeben wurde. Die im Rahmen des Verfahrens durchgeführten Handlungen können in jeder geeigneten Weise angeordnet sein. Dementsprechend können Ausführungsformen gebildet sein, in denen Handlungen in einer anderen Reihenfolge als der dargestellten ausgeführt sind, was auch die gleichzeitige Ausführung einiger Handlungen umfassen kann, auch wenn diese in veranschaulichenden Ausführungsformen als aufeinanderfolgende Handlungen dargestellt sind.

Claims

System (199) zum Steuern eines Fahrzeugs (200, 800) umfassend: zumindest einen Sensor, um Messungen zu erfassen, die einen Zustand des Fahrzeugs (200, 800) anzeigen; einen Speicher (280), um ein Bewegungsmodell (122d) des Fahrzeugs (200, 800) ein Messungsmodell (170d) des Fahrzeugs (200, 800) und einen Mittelwert und eine Varianz einer probabilistischen Verteilung eines Zustands der Kalibrierung des Sensors (105d) zu speichern, wobei das Bewegungsmodell (122d) des Fahrzeugs (200, 800) (200, 800) die Bewegung des Fahrzeugs (200, 800) von einem vorherigen Zustand des Fahrzeugs (200, 800) zu einem aktuellen Zustand des Fahrzeugs der einer Störgröße unterliegt, die durch eine Unsicherheit des Zustands der Kalibrierung des Sensors bei der Bewegung des Fahrzeugs (200, 800) verursacht ist, definiert, so dass das Bewegungsmodell (122d) einen Zustand der Kalibrierung enthält, der auf der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors abgetastet ist, und wobei das Messungsmodell (170d) die Messungen des Sensors mit dem Zustand des Fahrzeugs (200, 800) in Beziehung setzt unter Verwendung des Zustands der Kalibrierung des Sensors; einen Prozessor (270), der eingerichtet ist: einen realisierbaren Raum des durch die probabilistische Verteilung (105d) definierten Zustands der Kalibrierung des Sensors abzutasten (110d), um eine Menge an abgetasteten Zuständen der Kalibrierung (115d) des Sensors zu generieren; für jeden abgetasteten Zustand der Kalibrierung (115d) unter Verwendung des Bewegungsmodells (122d) eine Schätzung des aktuellen Zustands des Fahrzeugs (200, 800) zu schätzen (120d), um eine Menge an geschätzten Zuständen (125d) des Fahrzeugs (200, 800) zu generieren; für jeden geschätzten Zustand (125d) des Fahrzeugs (200, 800) einen geschätzten Zustand der Kalibrierung (135d) des Sensors zu schätzen (130d) durch Einfügen der Messungen (160d) und des geschätzten Zustands (125d) des Fahrzeugs (200, 800) in das Messungsmodell (170d); und den Mittelwert und die Varianz der probabilistischen Verteilung (105d) des Zustands der Kalibrierung des Sensors, die im Speicher (280) gespeichert sind, zu aktualisieren (140d) auf Grundlage einer Funktion (156d) der abgetasteten Zustände der Kalibrierung (115d), gewichtet mit Gewichtungen, die bestimmt sind auf Grundlage einer Differenz zwischen dem abgetasteten Zustand der Kalibrierung (115d) und dem entsprechenden geschätzten Zustand der Kalibrierung (135d); und eine Steuerungseinheit (260), um das Fahrzeug (200, 800) zu steuern (150d) unter Verwendung der Messungen (160d) des Sensors, die angepasst (155d) sind unter Verwendung der aktualisierten probabilistischen Verteilung des Zustands der Kalibrierung des Sensors.
System (199) nach Anspruch 1, wobei die Menge an abgetasteten Zuständen (111e) der Kalibrierung des Sensors den Zustand der Kalibrierung des Sensors als eine Menge an Partikeln (110e) repräsentiert, wobei jedes Partikel einen Mittelwert und eine Varianz des Zustands der Kalibrierung des Sensors enthält, definierend den realisierbaren Raum der Parameter des Zustands der Kalibrierung des Sensors, und wobei der Prozessor (270), bis eine Beendigungsbedingung erfüllt ist, den Mittelwert und die Varianz von zumindest einem Partikel iterativ aktualisiert (120e) unter Verwendung einer Differenz zwischen dem geschätzten Zustand der Kalibrierung (119e) des Sensors, der für das Partikel geschätzt ist, und dem gemessenen Zustand der Kalibrierung des Sensors, der für das Partikel bestimmt ist; und den Mittelwert und die Varianz der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors aktualisiert (130e) als eine Funktion (131e) des aktualisierten Mittelwerts und der aktualisierten Varianz des Partikels (121e).
System (199) nach Anspruch 2, wobei für die Iterationsaktualisierung des Partikels (150g) der Prozessor (270) eingerichtet ist: den Mittelwert (185h) des geschätzten Zustands der Kalibrierung des Sensors, der in dem für das Partikel geschätzten Zustand des Fahrzeugs (200, 800) resultiert, zu bestimmen (180h) gemäß dem Messungsmodell (170d); die Varianz (185h) des geschätzten Zustands der Kalibrierung des Sensors zu bestimmen (180h) als eine Kombination aus einer Unsicherheit der Messungen und der Varianz des Partikels; den Mittelwert des abgetasteten Zustands der Kalibrierung des Sensors des Partikels zu aktualisieren (190h) unter Verwendung des Mittelwertes (185h) des geschätzten Zustands der Kalibrierung des Sensors; und die Varianz des abgetasteten Zustands der Kalibrierung des Sensors des Partikels zu aktualisieren (190h) unter Verwendung der Varianz (185h) des geschätzten Zustands der Kalibrierung des Sensors.
System (199) nach Anspruch 3, wobei der Prozessor (270) die Varianz des geschätzten Zustands der Kalibrierung des Sensors bestimmt als eine Kombination der Unsicherheit der Messungen und einer Menge an Varianzen der Menge an Partikeln.
System (199) nach Anspruch 4, wobei die Anzahl der Partikel in der Menge an Partikeln im Laufe der Zeit variiert.
System (199) nach Anspruch 1, wobei die Funktion eine gewichtete Kombination der abgetasteten Zustände (111e) der Kalibrierung des Sensors nutzt.
System (199) nach Anspruch 1, wobei der Sensor unter Verwendung der aktualisierten probabilistischen Verteilung des Zustands der Kalibrierung des Sensors kalibriert ist.
System (199) nach Anspruch 1, wobei der zumindest eine Sensor einen ersten Sensor, um einen Winkel zu messen, der den Lenkwinkel des Lenkrads des Fahrzeugs (200, 800) anzeigt, und einen zweiten Sensor, um zumindest eines von einer Querbeschleunigung und einer Richtungsrate zu messen, aufweist, wobei das Bewegungsmodell (122d) den Zustand der Kalibrierung des ersten Sensors enthält, aber nicht den Zustand der Kalibrierung des zweiten Sensors enthält, und wobei das Messungsmodell (170d) beides enthält, den Zustand der Kalibrierung des ersten Sensors und den Zustand der Kalibrierung des zweiten Sensors.
System (199) nach Anspruch 8, wobei der Prozessor (270) den Mittelwert und die Varianz der probabilistischen Verteilung des Zustands der Kalibrierung des ersten Sensors aktualisiert auf Grundlage der Funktion einer Differenz von gewichteten abgetasteten Zuständen der Kalibrierung des ersten Sensors und gewichteten geschätzten Zuständen der Kalibrierung des ersten Sensors, und wobei der Prozessor (270) den Mittelwert und die Varianz einer probabilistischen Verteilung des Zustands der Kalibrierung des zweiten Sensors aktualisiert auf Grundlage der Funktion einer Differenz von gewichteten geschätzten Zuständen der Kalibrierung des zweiten Sensors und der Sensormessung.
System (199) nach Anspruch 1, wobei der Zustand des Fahrzeugs (200, 800) eine Geschwindigkeit und eine Richtungsrate des Fahrzeugs (200, 800) umfasst, wobei das Bewegungsmodell (120g, 122d) des Fahrzeugs (200, 800) eine Kombination aus einer deterministischen Komponente der Bewegung und einer probabilistischen Komponente der Bewegung enthält, wobei die deterministische Komponente der Bewegung unabhängig ist vom Zustand der Kalibrierung des Sensors und die Bewegung des Fahrzeugs (200, 800) als eine Funktion der Zeit definiert, wobei die probabilistische Komponente der Bewegung den Zustand der Kalibrierung des Sensors, aufweisend eine Unsicherheit, umfasst, und eine Störgröße auf die Bewegung des Fahrzeugs (200, 800) definiert, wobei das Messungsmodell (130g, 170d) des Fahrzeugs (200, 800) eine Kombination aus einer deterministischen Komponente des Messungsmodells (130g, 170d), die unabhängig ist vom Zustand der Kalibrierung des Sensors, und einer probabilistischen Komponente des Messungsmodells (130g, 170d), die den Zustand der Kalibrierung des Sensors enthält, umfasst.
Verfahren zum Steuern eines Fahrzeugs (200, 800) wobei das Verfahren einen Prozessor (270) nutzt, der mit gespeicherten Anweisungen gekoppelt ist, die das Verfahren implementieren, wobei die Anweisungen bei Ausführung durch den Prozessor (270) zumindest einige Schritte des Verfahrens durchführen, umfassend: Erfassen, unter Verwendung von zumindest einem Sensor, von Messungen, die einen Zustand des Fahrzeugs (200, 800) anzeigen; Abrufen, aus einem Speicher (280), der mit dem Prozessor (270) operativ verbunden ist, eines Bewegungsmodells (122d) des Fahrzeugs (200, 800) eines Messungsmodells (170d) des Fahrzeugs (200, 800) und eines Mittelwerts und einer Varianz einer probabilistischen Verteilung (105d) eines Zustands der Kalibrierung des Sensors, wobei das Bewegungsmodell (122d) des Fahrzeugs (200, 800) die Bewegung des Fahrzeugs (200, 800) von einem vorherigen Zustand des Fahrzeugs (200, 800) zu einem aktuellen Zustand des Fahrzeugs (200, 800) der einer Störgröße unterliegt, die durch eine Unsicherheit des Zustands der Kalibrierung des Sensors bei der Bewegung des Fahrzeugs (200, 800) verursacht ist, definiert, so dass das Bewegungsmodell (122d) einen Zustand der Kalibrierung enthält, der auf der probabilistischen Verteilung (105d) des Zustands der Kalibrierung des Sensors abgetastet ist, und wobei das Messungsmodell (170d) die Messungen (155d) des Sensors mit dem Zustand des Fahrzeugs (200, 800) in Beziehung setzt unter Verwendung des Zustands der Kalibrierung des Sensors; Abtasten (110d) eines realisierbaren Raums des Zustands der Kalibrierung des Sensors, der durch die probabilistische Verteilung (105d) definiert ist, um eine Menge an abgetasteten Zuständen (115d) der Kalibrierung des Sensors zu generieren; Schätzen (120d), für jeden abgetasteten Zustand der Kalibrierung (115d) unter Verwendung des Bewegungsmodells (122d), einer Schätzung des aktuellen Zustands des Fahrzeugs (200, 800) um eine Menge an geschätzten Zuständen (125d) des Fahrzeugs (200, 800) zu generieren; Schätzen (130d), für jeden geschätzten Zustand (125d) des Fahrzeugs (200, 800) eines geschätzten Zustands der Kalibrierung (135d) des Sensors durch Einfügen der Messungen (160d) und des geschätzten Zustands (125d) des Fahrzeugs (200, 800) in das Messungsmodell (170d); und Aktualisieren (140d) des Mittelwerts und der Varianz der probabilistischen Verteilung (105d) des Zustands der Kalibrierung des Sensors, die im Speicher (280) gespeichert sind, auf Grundlage einer Funktion (156d) der abgetasteten Zustände der Kalibrierungen (115d), gewichtet mit Gewichtungen, die bestimmt sind auf Grundlage einer Differenz zwischen dem abgetasteten Zustand der Kalibrierung (115d) und dem entsprechenden geschätzten Zustand der Kalibrierung (135d); und Steuern (150d) des Fahrzeugs (200, 800) unter Verwendung der Messungen (160d) des Sensors, die angepasst (155d) sind unter Verwendung der aktualisierten probabilistischen Verteilung des Zustands der Kalibrierung des Sensors.
Verfahren nach Anspruch 11, wobei die Menge an abgetasteten Zuständen (111e) der Kalibrierung des Sensors den Zustand der Kalibrierung des Sensors als eine Menge an Partikeln (110e) repräsentiert, wobei jedes Partikel einen Mittelwert und eine Varianz des Zustands der Kalibrierung des Sensors enthält, definierend den realisierbaren Raum der Parameter des Zustands der Kalibrierung des Sensors, umfassend: iteratives Aktualisieren (120e), bis eine Beendigungsbedingung erfüllt ist, des Mittelwerts und der Varianz von zumindest einem Partikel unter Verwendung einer Differenz zwischen dem geschätzten Zustand der Kalibrierung des Sensors (119e), der für das Partikel geschätzt ist, und dem gemessenen Zustand der Kalibrierung des Sensors, der für das Partikel bestimmt ist; Aktualisieren (130e) des Mittelwerts und der Varianz der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors als eine Funktion (131e) des aktualisierten Mittelwerts und der aktualisierten Varianz des Partikels (121e).
Verfahren nach Anspruch 12, ferner umfassend, für die Iterationsaktualisierung des Partikels, Bestimmen (180h) des Mittelwerts (185h) des geschätzten Zustands der Kalibrierung des Sensors, der in dem für das Partikel geschätzten Zustand des Fahrzeugs (200, 800) resultiert, gemäß dem Messungsmodell (170d); Bestimmen (180h) der Varianz (185h) des geschätzten Zustands der Kalibrierung des Sensors als eine Kombination aus einer Unsicherheit der Messungen und der Varianz des Partikels; Aktualisieren (190h) des Mittelwerts des abgetasteten Zustands der Kalibrierung des Sensors des Partikels unter Verwendung des Mittelwertes des geschätzten Zustands (185h) der Kalibrierung des Sensors; und Aktualisieren (190h) der Varianz (185h) des abgetasteten Zustands der Kalibrierung des Sensors des Partikels unter Verwendung der Varianz des geschätzten Zustands der Kalibrierung des Sensors.
Verfahren nach Anspruch 13, wobei die Varianz (185h) des geschätzten Zustands der Kalibrierung des Sensors bestimmt ist als die Kombination aus der Unsicherheit der Messungen und einer Menge an Varianzen der Menge an Partikeln.
Verfahren nach Anspruch 14, wobei die Anzahl der Partikel im Laufe der Zeit variiert.
Verfahren nach Anspruch 11, wobei die Funktion eine gewichtete Kombination der abgetasteten Zustände der Kalibrierung des Sensors nutzt.
Verfahren nach Anspruch 11, ferner umfassend: Kalibrieren des Sensors unter Verwendung der aktualisierten probabilistischen Verteilung des Zustands der Kalibrierung des Sensors.
Verfahren nach Anspruch 11, wobei der zumindest eine Sensor einen ersten Sensor, um einen Winkel zu messen, der den Lenkwinkel des Lenkrads des Fahrzeugs (200, 800) anzeigt, und einen zweiten Sensor, um zumindest eines von einer Querbeschleunigung und einer Richtungsrate zu berechnen, umfasst, wobei das Bewegungsmodell (122d) den Zustand der Kalibrierung des ersten Sensors enthält, aber nicht den Zustand der Kalibrierung des zweiten Sensors enthält, und wobei das Messungsmodell (170d) beides enthält, den Zustand der Kalibrierung des ersten Sensors und den Zustand der Kalibrierung des zweiten Sensors, umfassend: Aktualisieren des Mittelwerts und der Varianz der probabilistischen Verteilung des Zustands der Kalibrierung des ersten Sensors auf Grundlage der Funktion einer Differenz von gewichteten abgetasteten Zuständen der Kalibrierung des ersten Sensors und gewichteten geschätzten Zuständen der Kalibrierung des ersten Sensors, und Aktualisieren des Mittelwerts und der Varianz einer probabilistischen Verteilung des Zustands der Kalibrierung des zweiten Sensors auf Grundlage der Funktion einer Differenz von gewichteten geschätzten Zuständen der Kalibrierung des zweiten Sensors und der Sensormessung.
Verfahren nach Anspruch 11, wobei der Zustand des Fahrzeugs (200, 800) eine Geschwindigkeit und eine Richtungsrate des Fahrzeugs (200, 800) umfasst, wobei das Bewegungsmodell (122d) des Fahrzeugs (200, 800) eine Kombination aus einer deterministischen Komponente der Bewegung und einer probabilistischen Komponente der Bewegung enthält, wobei die deterministische Komponente der Bewegung unabhängig ist vom Zustand der Kalibrierung des Sensors und die Bewegung des Fahrzeugs (200, 800) definiert als eine Funktion der Zeit, wobei die probabilistische Komponente der Bewegung den Zustand der Kalibrierung des Sensors, aufweisend eine Unsicherheit, umfasst und eine Störgröße auf die Bewegung des Fahrzeugs (200, 800) definiert, wobei das Messungsmodell (130g, 170d) des Fahrzeugs (200, 800) eine Kombination aus einer deterministischen Komponente des Messungsmodells (130g, 170d), die unabhängig ist vom Zustand der Kalibrierung des Sensors, und einer probabilistischen Komponente des Messungsmodells (130g, 170d), die den Zustand der Kalibrierung des Sensors enthält, umfasst.
Nicht-flüchtiger computerlesbarer Speicher (280), auf dem ein durch einen Prozessor (270) ausführbares Programm zum Durchführen eines Verfahrens zur Steuerung eines Fahrzeugs (200, 800) realisiert ist, wobei das Verfahren umfasst: Empfangen, von zumindest einem Sensor, von Messungen, die einen Zustand des Fahrzeugs (200, 800) anzeigen; Abrufen, aus einem Speicher (280), der mit dem Prozessor (270) operativ verbunden ist, eines Bewegungsmodells (122d) des Fahrzeugs (200, 800) eines Messungsmodells (170d) des Fahrzeugs (200, 800) und eines Mittelwerts und einer Varianz einer probabilistischen Verteilung eines Zustands der Kalibrierung des Sensors, wobei das Bewegungsmodell (122d) des Fahrzeugs (200, 800) die Bewegung des Fahrzeugs (200, 800) von einem vorherigen Zustand des Fahrzeugs (200, 800) zu einem aktuellen Zustand des Fahrzeugs (200, 800), der einer Störgröße unterliegt, die durch eine Unsicherheit des Zustands der Kalibrierung des Sensors bei der Bewegung des Fahrzeugs (200, 800) verursacht ist, definiert, so dass das Bewegungsmodell (122d) einen Zustand der Kalibrierung enthält, der auf der probabilistischen Verteilung des Zustands der Kalibrierung des Sensors abgetastet ist, und wobei das Messungsmodell (170d) die Messungen des Sensors mit dem Zustand des Fahrzeugs (200, 800) in Beziehung setzt unter Verwendung des Zustands der Kalibrierung des Sensors; Abtasten (110d) eines realisierbaren Raums des Zustands der Kalibrierung des Sensors, der durch die probabilistische Verteilung (105d) definiert ist, um eine Menge an abgetasteten Zuständen (115d) der Kalibrierung des Sensors zu generieren; Schätzen (120d), für jeden abgetasteten Zustand der Kalibrierung (115d) unter Verwendung des Bewegungsmodells (122d), einer Schätzung des aktuellen Zustands des Fahrzeugs (200, 800), um eine Menge an geschätzten Zuständen (125d) des Fahrzeugs (200, 800) zu generieren; Schätzen (130d), für jeden geschätzten Zustand (125d) des Fahrzeugs (200, 800), eines geschätzten Zustands der Kalibrierung (135d) des Sensors durch Einfügen der Messungen (170d) und des geschätzten Zustands (125d) des Fahrzeugs (200, 800), in das Messungsmodell (170d); und Aktualisieren (140d) des Mittelwerts und der Varianz der probabilistischen Verteilung (105d) des Zustands der Kalibrierung des Sensors, die im Speicher (280) gespeichert sind, auf Grundlage einer Funktion (156d) der abgetasteten Zustände der Kalibrierungen (115d), gewichtet mit Gewichtungen, die bestimmt sind auf Grundlage einer Differenz zwischen dem abgetasteten Zustand der Kalibrierung (115d) und dem entsprechenden geschätzten Zustand der Kalibrierung (135d); und Steuern (150d) des Fahrzeugs (200, 800) unter Verwendung der Messungen (160d) des Sensors, die angepasst (155d) sind unter Verwendung der aktualisierten probabilistischen Verteilung des Zustands der Kalibrierung des Sensors.