JP2020536014A - 車両を制御するシステム及び方法 - Google Patents

Abstract

車両を制限するシステムは、車両の状態を示す測定値を検知するセンサと、車両の運動モデル、車両の測定モデル、並びにセンサの較正の状態の確率分布の平均及び分散を記憶するメモリとを備える。車両の運動モデルは、先行する状態から、車両の運動におけるセンサの較正の状態の不確実性によってもたらされる外乱を受ける現状態への、車両の運動を定義する。測定モデルは、センサの較正の状態を使用して車両の状態にセンサの測定値を関連付ける。システムは、確率分布によって定義される実行可能領域においてサンプリングされた較正の状態と、運動モデル及び測定モデルを使用する測定値に基づいて推定された対応する較正の状態との差に基づいて求められる重みで重み付けされた、サンプリングされた較正の状態の関数に基づき、較正の状態の確率分布を更新するプロセッサを備える。システムは、センサの較正の状態の更新された確率分布を使用して適合されたセンサの測定値を使用して車両を制御するコントローラを備える。

Description

本発明は、車両の制御に関し、より具体的には、車両のセンサを較正すること及び／又は較正されたセンサの測定値を使用して車両の移動を制御することに関する。

先進運転支援システム（advanced driver-assistance systems）に対して、センサ較正は重要な要素である。現世代において見られる量産車の多くのセンサは、通常、低コストであり、その結果、時間変化するオフセット誤差及びスケール誤差が起こりやすく、大きいノイズを受ける。例えば、横加速度及び方位角速度（ヨーレート）測定値は、センサ測定値にドリフト及び大きいノイズを有する可能性があり、測定値の予測に対する信頼性を非常に限られた時間間隔にわたるものとする。同様に、ハンドル角を測定するセンサは、オフセット誤差を有し、それは、車両モデルにおいて推測航法（dead reckoning：デッドレコニング）に使用される場合、経時的に蓄積する予測誤差をもたらす。物事を更に複雑にすることには、車輪速度センサが、タイヤ半径推定値におけるスケール誤差に起因して、車両速度推定値に誤差をもたらす。

新たな先進運転支援システム（ＡＤＡＳ）及び自律機能を可能にすることに対する最近の高まりは、車両運動を信頼性高く予測するためにより長い時間間隔にわたって使用することができるセンサ情報の必要性を示唆している。より信頼性の高いセンサ情報をいかに達成するかという基本的な主題は、センサフュージョンを活用して、可能な限り多くの目的及び運転支援機能に対して可能な限り効率的に既存の低コストセンサを利用するということである。

そのために、車両のセンサのオフセット及びノイズを判別する必要がある。さらに、いくつかのセンサ較正は事前に実施することができるが、車両に取り付けられると、加速度計等のいくつかのセンサは、事前に決定されたものとは異なる有効ノイズレベルを有する可能性がある。その理由は、センサノイズが、温度、経年数、及び車両においてそのセンサが配置される場所等、多くの要素によって決まるということである。例えば、センサが配置される場所が高いほど、サスペンションシステムからの外乱がより多く、センサの見かけのノイズに影響を与える。

したがって、車両のセンサにおけるオフセット及びノイズのリアルタイム較正のための方法及びシステムが必要とされる。不都合なことに、既知の解決法は、ヨーレート及びハンドルの偏りを補償するために極度に単純な平均化技法に基づく。しかしながら、平均化法は、直進運転等、車両挙動に関する極度に単純な想定に基づき、一般的な運転中のオフセットを推定することができない。例えば、特許文献１に記載されている方法を参照されたい。

米国特許第８７３１７６９号

実施形態のうちのいくつかの目的は、慣性センサ及びハンドルセンサ等の車両センサのセンサオフセットと、車輪のタイヤ半径とを決定するシステム及び方法を提供することである。いくつかの実施形態の別の目的は、車両のリアルタイム運転中にセンサオフセットを決定することである。本明細書で用いるセンサは、車両の運動を示す情報を提供する任意のタイプの物体とすることができる。

様々な実施形態の別の目的は、センサ測定値のばらつき等、車両センサの統計的特性を決定することである。分散等の統計的特性は、事前に決定されることが多いが、センサの分散は、時間及び温度によって変化し、センサの配置によって決まる。このため、いくつかの実施形態は、車両のリアルタイム運転における統計的特性を決定することに重点が置かれる。

いくつかの実施形態は、車両の運動がセンサの測定値の精度によって決まるという認識に基づいている。そのために、車両の状態及びセンサの較正の状態を同時にかつ反復的に推定することにより、センサを較正することは、魅力がある。しかしながら、車両の状態及びセンサの較正の状態を連続的な時点にわたって反復的に推定するためには、２つの運動モデル、すなわち、車両の状態の運動モデルとセンサの較正の状態の運動モデルとが必要である。車両の状態の運動は、車両の運動モデルによって求めることができる。しかしながら、センサの較正の状態の時間による変化は未知であり、したがって、センサの較正の状態の運動モデルは知られておらず、検証することができない。

いくつかの実施形態は、センサの較正の未知の状態が、車両の運動のモデル、それ以外では決定論的なモデルに作用する、確率的外乱とみなすことができるという別の認識に基づいている。確率的外乱の性質により、車両は、さまざまなとり得る運動、したがってさまざまなとり得る状態を有することになる。そのために、いくつかの実施形態は、車両の運動モデルが、運動の決定論的成分と運動の確率論的成分との組合せを含むという理解に基づいている。運動の決定論的成分は、センサの較正の状態とは無関係であり、時間の関数として車両の運動を定義する。一方、運動の確率論的成分には、車両の運動に対して外乱として作用する不確実性を有するセンサの較正の状態が含まれる。このように、車両の運動は、センサの較正の状態の運動のモデル（時間による変化）を知ることなく、センサの較正の状態を含むようにモデル化することができる。

さらに、いくつかの実施形態は、非統計的最適化方法を使用してオフセット及び統計的特性を見つけることにより、センサの確率論的性質への関連が失われる、という理解に基づいている。このため、真の測定値からセンサの統計的特性及びオフセットを決定するために、コスト関数を最小とする最適化方法は、車両の運動に関する情報を提供するセンサ測定値が本質的に確率論的であることを考慮していない。したがって、センサのオフセット及び統計的特性を効率的に推定するためには、確率論的、したがって統計的手法が有利である。その理由は、統計的手法により、センサ測定値の統計的性質が方法に取り込まれるためである。

このため、いくつかの実施形態は、センサにおけるオフセットを確率的分布（stochastic distribution）の統計的平均値として含めることができ、センサノイズを確率的分布の平均値の周囲のセンサ測定値のばらつきとして含めることができる、という理解に基づいている。さらに、他の実施形態は、車両の運動モデル及び車両の状態の測定モデルにおいて、確率的分布としてのセンサのモデル化を使用することができるという理解に基づいている。本明細書で用いる車両の状態は、縦速度、横速度、道路の垂直軸を中心とする車両の回転速度、道路の長手方向軸を中心とする車両の回転速度、及び車両の位置ベクトルのうちの１つ又はそれらの組合せを含むことができる。

例えば、車両のハンドルを回すことにより、車両の旋回が開始することになる。このため、車両のハンドル角は、車両の運動に影響を与え、結果として、車両の運動モデルへの入力としてモデル化することができる。別の例として、車両横速度に関する情報は、測定することができる車両の横加速度から間接的に推測することができる。このため、車両の横加速度は、示唆されており、車両の測定モデルの一部とすることができる。そして、センサオフセットの解釈は、センサオフセットが測定値に対して一定の外乱として、又は低速に時間変化する外乱として作用する、ということである。

１つの実施形態は、確率的外乱によって駆動されるモデルとして運動モデルを表し、そこでは、外乱は車両の入力を表す。例えば、１つの実施形態では、操舵角は、決定論的部分と確率的部分との混成成分として表され、そこでは、確率的部分は、平均値、すなわち操舵センサのオフセットと、分散、すなわち操舵センサのノイズとによって表される。

いくつかの実施形態では、センサのオフセット及び分散は、車両状態によって再帰的に推定され、そこでは、運動モデルの車両状態はセンサ特性に関する情報を与え、センサ特性は車両状態に関する情報を含む。

代替実施形態は、一組の質点を用いて車両の車両状態を表し、そこでは、各質点は、測定された状態、又は再帰的推定の先行する反復中に求められた状態とすることができる。いくつかの実施形態は、車両の運動モデルへの入力をモデル化する分布からサンプルを生成することによって質点を求め、車両の車両モデルを通して上記サンプリングされた入力を伝播させる。

いくつかの実施形態は、平均値及び分散が未知であるときの有効な確率分布は、平均値及び分散が既知である場合の同じ分布とは異なるという理解に基づいている。

したがって、いくつかの実施形態では、サンプルは、平均値及び分散における不確実性が確率分布に更なる不確実性を引き起こすことを考慮した、有効な確率分布から生成される。このように行うことにより、上記統計値の知識の不確実性に起因する平均及び分散のばらつきは、有効な確率分布によって確実に包含されることになる。

別の実施形態では、運動モデルへの入力のサンプルは、先行する反復から除外された任意の情報を考慮するため、先行する反復からの測定値を考慮することによって生成される。こうした生成により、先行する反復中に生成される質点のより多くを再使用することができる。

更に他の実施形態では、運動モデルへの入力の一部としてセンサ特性の一部をモデル化する。このようにモデル化することにより、運動モデルにおける測定値及び／又は車両モデルへの入力として作用するセンサのセンサ較正が可能になる。

いくつかの実施形態では、先行する車両運転中に得られる推定されたオフセット及び分散を記憶する。これらの実施形態では、記憶された、分散の推定されたオフセットは、例えば、車両を再始動するときに、方法の初期化として再使用することができる。こうした手続きにより、より少ない質点を使用することが可能になり、このため、プロセッサ負荷が低減する。

したがって、１つの実施形態は、車両を制御するシステムを開示する。本システムは、車両の状態を示す測定値を検知する少なくとも１つのセンサと、車両の運動モデルと、車両の測定モデルと、センサの較正の状態の確率分布の平均及び分散とを記憶するメモリであって、車両の運動モデルは、車両の先行する状態から、車両の運動におけるセンサの較正の状態の不確実性によってもたらされる外乱を受ける車両の現状態への、車両の運動を定義し、運動モデルは、センサの較正の状態の確率分布においてサンプリングされた較正の状態を含むようになっており、測定モデルは、センサの較正の状態を使用して車両の状態にセンサの測定値を関連付ける、メモリと、プロセッサであって、確率分布によって定義されるセンサの較正の状態の実行可能領域をサンプリングして、センサのサンプリングされた較正の状態のセットを生成し、各サンプリングされた較正の状態に対し、運動モデルを使用して、車両の現状態の推定値を推定し、車両の推定された状態のセットを生成し、車両の各推定された状態に対して、測定値と車両の推定された状態とを測定モデルに挿入することにより、センサの推定された較正の状態を推定し、サンプリングされた較正の状態と対応する推定された較正の状態との差に基づいて求められる重みで重み付けされた、サンプリングされた較正の状態の関数に基づき、メモリに記憶されたセンサの較正の状態の確率分布の平均及び分散を更新するように構成されたプロセッサと、センサの較正の状態の更新された確率分布を使用して適合されたセンサの測定値を使用して車両を制御するコントローラとを備える。

別の実施形態は、車両を制御する方法であって、方法を実施する記憶された命令に結合されたプロセッサを使用し、命令は、プロセッサによって実行されると、方法の少なくともいくつかのステップを実施する、方法を開示する。本方法は、少なくとも１つのセンサを使用して、車両の状態を示す測定値を検知することと、プロセッサに作動的に接続されたメモリから、車両の運動モデルと、車両の測定モデルと、センサの較正の状態の確率分布の平均及び分散とを取り出すことであって、車両の運動モデルは、車両の先行する状態から、車両の運動におけるセンサの較正の状態の不確実性によってもたらされる外乱を受ける車両の現状態への、車両の運動を定義し、運動モデルは、センサの較正の状態の確率分布においてサンプリングされた較正の状態を含むようになっており、測定モデルは、センサの較正の状態を使用して車両の状態にセンサの測定値を関連付ける、取り出すことと、確率分布によって定義されるセンサの較正の状態の実行可能領域をサンプリングして、センサのサンプリングされた較正の状態のセットを生成することと、各サンプリングされた較正の状態に対し、運動モデルを使用して、車両の現状態の推定値を推定し、車両の推定された状態のセットを生成することと、車両の各推定された状態に対して、測定値と車両の推定された状態とを測定モデルに挿入することにより、センサの推定された較正の状態を推定することと、サンプリングされた較正の状態と対応する推定された較正の状態との差に基づいて求められる重みで重み付けされた、サンプリングされた較正の状態の関数に基づき、メモリに記憶されたセンサの較正の状態の確率分布の平均及び分散を更新することと、センサの較正の状態の更新された確率分布を使用して適合されたセンサの測定値を使用して車両を制御することとを含む。

更に別の実施形態は、車両を制御する方法を実施するためにプロセッサによって実行可能なプログラムが具現化されている非一時的コンピュータ可読メモリを開示する。この方法は、少なくとも１つのセンサから、車両の状態を示す測定値を受け取ることと、プロセッサに作動的に接続されたメモリから、車両の運動モデルと、車両の測定モデルと、センサの較正の状態の確率分布の平均及び分散とを取り出すことであって、車両の運動モデルは、車両の先行する状態から、車両の運動におけるセンサの較正の状態の不確実性によってもたらされる外乱を受ける車両の現状態への、車両の運動を定義し、運動モデルは、センサの較正の状態の確率分布においてサンプリングされた較正の状態を含むようになっており、測定モデルは、センサの較正の状態を使用して車両の状態にセンサの測定値を関連付ける、取り出すことと、確率分布によって定義されるセンサの較正の状態の実行可能領域をサンプリングして、センサのサンプリングされた較正の状態のセットを生成することと、各サンプリングされた較正の状態に対し、運動モデルを使用して、車両の現状態の推定値を推定し、車両の推定された状態のセットを生成することと、車両の各推定された状態に対して、測定値と車両の推定された状態とを測定モデルに挿入することにより、センサの推定された較正の状態を推定することと、サンプリングされた較正の状態と対応する推定された較正の状態との差に基づいて求められる重みで重み付けされた、サンプリングされた較正の状態の関数に基づき、メモリに記憶されたセンサの較正の状態の確率分布の平均及び分散を更新することと、センサの較正の状態の更新された確率分布を使用して適合されたセンサの測定値を使用して車両を制御することとを含む。

いくつかの実施形態によって制御される車両において車両のセンサの測定値が時間とともにいかに変化するかの例示の図である。 いくつかの実施形態によって制御される車両においてセンサのオフセットがセンサの配置によっていかに変化するかの例示の図である。 いくつかの実施形態によって制御される車両においてセンサの分散がセンサの配置によっていかに変化するかの例示の図である。 いくつかの実施形態による車両を制御する方法のブロック図である。 いくつかの実施形態による、センサの較正の状態の確率分布の平均及び分散を更新する方法のブロック図である。 いくつかの実施形態による質点をサンプリングするために較正の状態の実行可能領域を画定する確率分布関数を示すグラフである。 本発明の１つの実施形態による、車両の状態と車両のセンサの較正の状態とを同時推定することにより車両を制御する方法のフローチャートである。 １つの実施形態による質点を更新する方法１５０ｇの１回の反復のブロック図である。 車両を制御する全体的な制御システムの概略図である。 本発明の１つの実施形態によるシステムの全体的な構造の図である。 本発明のいくつかの実施形態によるリアルタイム較正推定器の概略図である。 いくつかの実施形態によって使用される簡易車両モデルの概略図である。 いくつかの実施形態によって使用される全次元車両モデルの概略図である。 いくつかの実施形態による質点に確率を割り当てることの例示の図である。 いくつかの実施形態による質点に確率を割り当てることの例示の図である。 いくつかの実施形態によって採用されるいくつかの原理に従って決定される異なる運動の概略図である。 いくつかの実施形態によって採用されるいくつかの原理に従って決定される異なる運動及び関連する確率分布の概略図である。 いくつかの実施形態によって使用されるサンプリングされたパラメータの確率の選択を例示するグラフである。 いくつかの実施形態によって使用されるサンプリングされたパラメータの確率の選択を例示するグラフである。 本発明のいくつかの実施形態による、較正の状態及び車両の状態を推定し、車両を制御する方法の１回の反復のフローチャートである。 １つの実施形態による図７Ａの方法のセンサの状態のセットを求める例示的な実施態様のフローチャートである。 １つの実施形態による図７Ａの方法の較正の各サンプリングされた状態の確率を求める例示的な実施態様のフローチャートである。 １つの実施形態による図７Ａの方法のいくつかのステップの３回の反復の結果の簡易概略図である。 いくつかの実施形態によって採用される原理に従って状態及び対応するタイヤパラメータの確率並びに対応する集合体を求めることの概略図である。 いくつかの実施形態による較正器と車両コントローラとの相互作用の概略図である。

図１Ａは、車両のセンサの測定値１１０が通常センサの較正の状態に応じて時間とともにいかに変化するかの例示を示している。本明細書で用いるセンサの較正の状態は、車両の運動のセンサ読取値を示す少なくとも１つのパラメータを含む。センサの較正の状態のパラメータの例としては、較正誤差、オフセット、温度依存性、ホワイトノイズ強度、ランダムウォークバイアス、スケール誤差、利得誤差及び分散のうちの１つ又は組合せが挙げられる。センサの較正の状態の時間変動のモデルは、一般に未知であり、内部要因及び外部要因の両方によって決まり、センサの較正の状態を定義する様々なパラメータは互いに依存する可能性がある。

例えば、車両の回転速度を測定するジャイロスコープセンサのセンサの較正の状態は、環境の温度、センサ構成要素自体の温度、センサの車両との位置合わせ、スケール誤差、又はセンサの回路における周期的挙動等、多くの要素によって決まる。本明細書で用いる車両は、乗用車、バス又はローバー等の任意のタイプの車輪付き車両とすることができる。本明細書で用いるセンサは、車両の運動に関連するエンティティを測定する任意のタイプの検知デバイスとすることができる。例えば、センサは、加速度計、ジャイロスコープ、全地球測位システム受信機、車輪角度を測定するセンサ、又はホイールエンコーダーとすることができる。多くの場合、センサ読取値１１０は、一定部分１２０と、低速に時間変化する部分１４０と、車両の運動に関連して変化する部分１３０とからなる。

図１Ｂは、車両のセンサのセンサオフセットが通常センサの配置によっていかに変化するかの例示を示している。図１Ｂは、ハンドル１１０ｂと車両車輪１３０ｂとの相互作用の構成の概略図を示す。ステアリングコラムには、運転手がハンドルを操舵するのに役立つ電動パワーステアリングシステム１２０ｂが備えられている。またステアリングコラムには、車輪の角度を測定するセンサもある。センサがハンドルの近く１１１ｂに配置されているか、又は車輪の近く１２１ｂに配置され、それにより車輪角度を直接測定するかに応じて、ハンドル１１０ｂと車両車輪１３０ｂとの間の機械的構成が動的に依存し、ギヤボックス及び他の機械的部品を含むため、異なるオフセットが得られる。

センサ測定値の分散もまた時間変化し、高い程度まで、センサが車両において位置する場所によって決まる。図１Ｃは、車両のセンサのセンサ分散が通常センサの配置によっていかに変化するかの例示を示している。例えば、車両の質量中心１２０ｃに対して加速度計１１０ｃを高く配置するほど、加速度計は、路面１３０ｃの起伏及び車両におけるサスペンションシステム１４０ｃ等、外部要因に起因する変動も検知する。これにより、センサが、内在的なセンサ変動とは異なる実効的な分散を有するようになり、この分散は、考慮されていない場合推定誤差をもたらす。

センサの較正の状態の時間発展は未知であり、したがって、センサの較正の状態の運動のいかなるモデルも未知であり、検証することができない。

そのために、１つの実施形態は、センサの較正の状態の運動の時間変化が未知であるが、未知の部分は通常低速に時間変化するため、センサの較正の状態は、代わりに、運動モデル及び／又は測定モデルに作用している確率的外乱として処理されるべきである、ということを認識する。すなわち、センサの較正の状態を明示的に決定する代わりに、センサの較正の状態の分布が決定され、それにより、センサの較正の状態の運動モデルの必要性が回避される。

本発明の１つの実施形態は、センサの較正の状態の決定は、複雑であり、かつ、モデル化することが困難である影響によって決まるが、センサの挙動は、センサのオフセット及びセンサの分散を表すパラメータにおいて要約することができるということを実現する。例えば、図１Ａに戻ると、一定部分１１０及び低速に時間変化する部分１４０は、センサのオフセットとみなすことができ、部分１３０は、車両の運動によって決まり、更なる外乱はセンサのセンサノイズから来る。

センサオフセットの知識は、車両制御、例えば電子安定性（electronic stability：横滑り防止）制御において有用であり、そこでは、車両を制御するために、横加速度、方位角速度、及び車両車輪の操舵角が使用される。オフセットの知識がない場合、車両のコントローラは、この量を検知して、誤った車両モデルに基づいて車両に対する制御入力を決定することになる。

センサ測定値の分散の知識もまた、車両制御において有用である。例えば、分散を使用して、センサ読取値をどれくらい信頼すべきかを判断し、センサ測定値のばらつきの大きさに関連して制御入力を調整することができる。

そのために、いくつかの実施形態は、確率的分布の統計的平均値としてセンサにおけるオフセットを含めることができ、確率的分布は較正の状態がともに記述される確率的外乱を定義し、センサノイズは、確率的分布の平均値の周囲のセンサ測定値のばらつきとして含めることができるという理解に基づいている。さらに他の実施形態は、確率的分布としてのセンサのモデル化を、車両の運動モデル及び車両の状態の測定モデルにおいて使用することができるという理解に基づいている。本明細書で用いる車両の状態は、縦速度、横速度、道路の垂直軸を中心とする車両の回転速度、道路の長手方向軸を中心とする車両の回転速度、及び車両の位置ベクトルのうちの１つ又はそれらの組合せを含むことができる。

繰り返すと、いくつかの実施形態は、較正の状態の運動の時間発展は未知であるが、未知の部分は通常低速に時間変化し、したがって、較正の状態は、運動モデル及び／又は測定モデルに作用している確率的外乱として処理することができる、という理解に基づいている。すなわち、センサの較正の状態を明示的に決定する代わりに、運動モデル及び測定モデルにセンサの較正の状態の分布を含めることができ、それにより、較正の状態の運動モデル自体の必要性が回避される。

較正の状態は、複雑であり、かつ、モデル化することが困難である影響によって決まる。しかしながら、センサの挙動は、センサのオフセット及びセンサの分散を使用して要約することができる。オフセット及び分散は、センサの較正の状態の確率分布の平均及び分散として考えることができる。したがって、確率分布を更新することにより、オフセット及び分散を求めることができる。

そのために、いくつかの実施形態は、サンプリングされた較正の状態のセットを用いて較正の状態の実行可能領域をサンプリングし、サンプリングされた較正の状態と運動モデル及び測定モデルを使用して推定される推定された較正の状態との差を使用して、較正の状態の確率分布の平均及び分散を反復的に更新する。

図１Ｄは、いくつかの実施形態による車両を制御する方法のブロック図を示している。本方法は、車両の運動モデル、車両の測定モデル、並びにセンサの較正の状態の確率分布の平均及び分散を記憶するメモリに、かつ、車両の状態を示す測定値を検知する少なくとも１つのセンサに作動的に接続された、プロセッサを使用する。車両の運動モデルは、車両の先行する状態から、車両の運動におけるセンサの較正の状態の不確実性によってもたらされる外乱を受ける車両の現状態までの車両の運動を定義し、運動モデルは、センサの較正の状態の確率分布においてサンプリングされた較正の状態を含むようになっている。測定モデルは、センサの較正の状態を使用して車両の状態に対してセンサの測定値を関連付ける。

プロセッサは、本方法を実施する記憶された命令に結合され、命令は、プロセッサによって実行されると、本方法の少なくともいくつかのステップを実行する。本方法は、確率分布１０５ｄによって定義されるセンサの較正の状態の実行可能領域をサンプリングして（１１０ｄ）、センサのサンプリングされた較正の状態のセット１１５ｄを生成し、各サンプリングされた較正の状態に対して、運動モデル１２２ｄを使用して、車両の現状態の推定値を推定し（１２０ｄ）、推定された車両の状態のセット１２５ｄを生成する。

次に、本方法は、各推定された車両の状態に対して、測定値１６０ｄ及び推定された車両の状態１２５ｄを測定モデル１７０ｄに挿入することにより、推定されたセンサの較正の状態１３５ｄを推定する（１３０ｄ）。本方法は、サンプリングされた較正の状態１１５ｄと対応する推定された較正の状態１３５ｄとの差に基づいて求められた重みによって重み付けされた、サンプリングされた較正の状態１１５ｄの関数に基づき、メモリに記憶されたセンサの較正の状態の確率分布１０５ｄの平均及び分散を更新する（１４０ｄ）。次に、本方法は、センサの較正の状態の更新された確率分布を使用して適合されたセンサの測定値１５５ｄを使用して、車両を制御する（１５０ｄ）。

いくつかの実施形態では、サンプリングされたセンサの較正の状態のセットは、センサの較正の状態を質点のセットとして表し、各質点は、センサの較正の状態のパラメータの実行可能領域を定義する、センサの較正の状態の平均及び分散を含む。

図１Ｅは、いくつかの実施形態による、センサの較正の状態の確率分布の平均及び分散を更新する（１４０ｄ）方法のブロック図を示している。更新１４０ｄは、較正の状態の質点表現１１０ｅを使用する。そして、本方法は、少なくとも１つの質点の平均及び分散を、その質点に対してサンプリングされた、サンプリングされたセンサの較正の状態１１１ｅと、測定モデルを使用してその質点に対して推定された、推定されたセンサの較正の状態１１９ｅとの差を使用して、更新し（１２０ｅ）、少なくとも１つの質点の更新された平均及び分散１２１ｅを得る。すなわち、平均及び分散は、測定された較正の状態からの差を反映するように更新される。

そして、本方法は、質点の更新された平均及び更新された分散の関数１３１ｅとして、センサの較正の状態の確率分布の平均及び分散を更新する（１３０ｅ）。

いくつかの実施形態では、測定モデルに従って、質点に対して推定された車両の状態をもたらす推定されたセンサの較正の状態の平均の決定が行われる。他の実施形態では、推定されたセンサの較正の状態の分散は、質点に表されたセンサの較正の状態の少なくとも１つのパラメータから求められた測定値の不確実性の組合せとして決定され、推定されたセンサの較正の状態の平均を使用して質点のサンプリングされたセンサの較正の状態の平均が更新され、推定されたセンサの較正の状態の分散を使用して質点のサンプリングされたセンサの較正の状態の分散が更新される。

較正の状態の質点表現は、質点の数、したがって確率分布を表すために使用される情報の量が、車両における他の方法の利用可能な計算要求によって変化する可能性があるため、有用である。例えば、車両コントローラ等のセーフティクリティカルな（safety critical：安全性重視の）構成要素の計算負荷が高い場合、計算資源を節約するために質点の数を低減させることができる。

さらに、ガウス分布の無限和によっていかなる確率分布も表すことができ、ガウス分布はさらに、平均及び分散によって表される。すなわち、較正の状態の確率分布のガウス仮定が質点ごとに不正確である場合であっても、全ての質点にわたって集計する場合、それは正確である。

図１Ｆは、いくつかの実施形態による質点をサンプリングするために較正の状態の実行可能領域１００ｆを定義する確率分布関数１４０ｆを例示するグラフを示している。確率分布関数１４０ｆの形状は、予め決定することができる。例えば、較正の状態の分布がガウス分布である場合、分布１４０ｆの形状は「ガウシアンハット（Gaussian hat）」形状である。形状が一定である場合、平均１１０ｆ及び分散１３０ｆは、分布１４０ｆ及び実行可能領域１００ｆを定義し、そこから、較正の状態のサンプルを引き出すことができる。

本明細書で用いる、較正の状態のサンプリングは、分布１４０ｆによって定義された確率を用いる引出しであり、分布１４０ｆはさらに、較正の状態の平均及び分散によって定義される。例えば、分布１４０ｆによれば、引き出す又はサンプリングすべきサンプル１２０ｆの確率は、サンプル１５０ｆの確率より高い。こうした表現により、較正の状態の平均及び分散を更新して（１６０ｆ）、較正の状態をサンプリングするための更新された実行可能領域を定義する更新された分布１４５ｆを生成することが可能になる。この実施形態は、較正の状態の平均及び分散の更新が、後続する反復で使用される較正の状態のサンプルの値に影響を与え、その理由が、こうしたサンプルが更新された分布から引き出されるためである、という観察に基づいている。

図１Ｇは、本発明の１つの実施形態による、車両の状態、例えば、車両の速度及び方位角速度と、車両のセンサの較正の状態とを同時推定することにより車両を制御する方法のフローチャートを示している。１つの実施形態は、少なくとも１つのセンサの未知の較正の状態を、車両の運動の、他の点では決定論的なモデルに作用する確率的外乱としてみなすことができるという認識に基づいている。確率的外乱の性質により、車両は、異なるあり得る運動、したがって異なるあり得る状態を有することになる。例えば、運動モデルに対する入力として操舵を使用することができ、操舵は、車両のセンターによって測定される。

そのために、本実施形態は、質点のセット１４５ｇを用いて較正の状態及び車両の状態を表す（１４０ｇ）。各質点は、測定された状態、又は同時推定の先行する反復中に求められた状態とすることができる、車両の状態を含む。さらに又は代替的に、質点は、較正の状態の実行可能領域を定義する確率的外乱の平均、オフセット及び分散、すなわちセンサのノイズを含む。較正の状態を確率論的に表すこと、すなわち平均及び分散を使用することにより、車両の運動に対する確率的外乱を考慮することができる。そのために、本実施形態は、センサ特性のパラメータ、すなわち平均及び分散によって定義される運動モデル１２０ｇに対する入力として使用される較正の状態の実行可能領域をサンプリングし、サンプリングされた較正の状態を同時推定で使用する。

いくつかの実施形態では、本方法は、較正の状態の平均及び分散を含む質点のうちの少なくとも１つを更新して（１５０ｇ）、更新されたセット１５５ｇを生成する。例えば、本実施形態は、少なくともいくつかの質点の平均及び分散を、その質点の実行可能領域においてサンプリングされたパラメータを使用して推定された状態と、較正の状態を含む測定モデル１３０ｇに従って車両の状態の測定値から求められた、測定されたセンサの状態１４６ｇの平均及び分散との差を使用して、反復的に更新する。

次に、本方法は、少なくとも１つの質点における更新された平均及び更新された分散の関数１３５ｇとして求められた較正の状態１６５ｇの平均及び分散を出力する（１６０ｇ）。関数１３５ｇの例は、平均、例えば、セットにおける質点の平均及び分散の重み付き平均と、測定された状態１４６ｇを表す最大の確率を有する質点の平均及び分散を選択する極大関数とを含む。

例えば、１つの実施態様では、本方法は、測定された状態に中心を置く測定モデルの確率分布を使用して車両の状態及びセンサの状態の確率分布を求める。測定モデルの確率分布は、例えば、先行する時点の間に求められた較正の状態の値を使用して、予め決定することができる。次に、本方法は、車両の状態及びセンサの状態の確率分布における質点の平均の配置に従って、センサの真の状態を表す各質点の確率を求める。こうした確率は、関数１５６ｇによって出力１６５ｇを求める際に使用される。

図１Ｈは、質点を反復的に、例えば再帰的に更新する１つの実施形態による質点を更新する方法１５０ｇの１回の反復のブロック図を示している。本方法は、車両のプロセッサを使用して実施することができる。本方法は、車両の運動のモデルで使用すべきあり得るパラメータの実行可能領域をサンプリングして（１５０ｈ）、サンプリングされたパラメータのセット１５５ｈを生成する。車両の運動のモデル１４５ｈは、運動モデルに影響を与える較正の状態における不確実性に起因する、車両の運動における不確実性を含む。本方法は、車両の運動のモデル１４５ｈ及び車両への入力１４７ｈを使用して、車両の運動に影響を与える各サンプリングされたパラメータに起因して発生するあり得る状態１６５ｈを推定する（１６０ｈ）。

次に、本方法は、状態を測定する（１７０ｈ）。例えば、本方法は、センサの較正の状態によって決まる車両の状態を測定する。本方法は、車両の状態及び少なくとも１つのセンサの較正の状態を関連付ける測定のモデルに測定値をマッピングして、測定値、車両の状態、及び較正の状態の関係１７５ｈを生成する。本方法は、測定モデル１７５ｈに従って車両の測定された状態をもたらす各質点に対する較正の状態の統計的平均として、センサのオフセットを決定する（１８０ｈ）。本方法はまた、較正の状態からもたらされる測定された較正の状態の分散も、推定された状態と測定値との差、及び／又は推定された状態と未知の較正の状態が存在しない状態に至る動きモデルの決定論的部分との差として、決定する（１８０ｈ）。較正の状態の決定された平均及び分散（１８５ｈ）は、車両の測定された状態をもたらす較正の測定された状態の平均と、先行する反復中に求められた平均とを使用して、質点における較正の状態の統計的平均の組合せとしてオフセットを更新するために使用される（１９０ｈ）。同様に、本方法は、測定された較正の状態の分散と先行する反復中に求められた分散との組合せを使用して、質点における較正の状態の分散を更新する（１９０ｈ）。

１つの実施形態では、測定値のサブセットは、既知の分散及びオフセット、すなわち、先行して又は他の何らかの方法によって求められた既知のパラメータを有する。その場合、既知の分散及びオフセットを含む測定値を使用して、車両の状態の一部を推定するための既知のパラメータを有するセンサを使用することにより、未知のパラメータを有するセンサのセンサ特性の平均及び分散の推定を改善することができる。

図２Ａは、車両２００を制御する制御システム１９９の全体的なブロック図を例示している。制御システム１９９の異なる構成要素は、メモリ及び／又は車両の様々なタイプのセンサに作動的に接続された１つ又はいくつかのプロセッサを使用して実施することができる。本明細書で用いる車両は、乗用車、バス又は移動ロボットを含む任意の車輪付き車両を意味することができる。車両は、自律走行車両、半自律走行車両、又は電子安定性制御（ＥＳＣ）及び／又はＡＢＳ等の能動的安全システムが備えられた標準車両とすることができる。制御システム１９９は、車両２００の内部とすることができ、制御システム１９９の異なる構成要素の実施態様は、車両のタイプによって決定することができる。例えば、車両のタイプに応じて、車両２００の構成要素を変更することができる。

制御システム１９９は、情報２０９を受け取り、いくつか又は全ての車両２２１に対する車輪速度の推定値を生成する。情報２０９は、ＡＢＳからの車輪速度測定値、エンジントルク及び回転速度及び／又はブレーキ圧を含むことができる。制御システム１９９はまた、慣性測定ユニット（ＩＭＵ）を使用して、車両の回転速度及び車両の加速度等、車両の慣性成分を測定する検知システム２３０も含むことができる。例えば、ＩＭＵは、３軸加速度計（複数の場合もある）、３軸ジャイロスコープ（複数の場合もある）及び／又は磁力計（複数の場合もある）を備えることができる。ＩＭＵは、制御システム１９９の他の構成要素に、速度、方位及び／又は他の位置関連情報を提供することができる。検知システム２３０はまた、全地球測位システム（ＧＰＳ）又は等価物から全地球位置情報も受け取ることができる。

制御システム１９９はまた、較正の状態のパラメータを求めるセンサ較正器２４０、例えば２３０におけるセンサも含む。本発明のいくつかの実施形態では、センサ状態推定器は、先行する反復中に求められた車両の状態及びセンサ特性のパラメータから、較正の状態に一貫する車両の状態及びセンサ特性のパラメータを反復的に求める。本明細書で用いる車両の状態は、車両の速度及び方位角速度を含むが、車両の運動に関連する位置、方位角及び更なる量も含むことができる。

センサ状態推定器２４０は、検知システムからの情報２３１及び／又は信号調整器からの車輪速度推定値２２１を使用する。検知システム２３０に、車両の縦加速度を測定するためにＩＭＵが備えられている場合、ＩＭＵからの測定値を使用して、車両の縦運動に関連するパラメータを求めることができる。しかしながら、検知システム２３０が、縦加速度に関する情報を所有していない場合、信号調整器２２０は、車両速度推定値及び他の実施形態による他の量に基づいて縦加速度の推定値２２１を出力することができる。さらに又は代替的に、センサ状態推定器２４０は、車輪速度情報２２１に基づいて縦加速度の推定値を求めることができる。本発明の１つの実施形態では、車両の状態及びセンサ特性のパラメータは、車輪速度、操舵角及びＩＭＵ情報を組み合わせることによって反復的に推定される。本発明の別の実施形態では、センサ較正システムは、横成分のみを含む。こうした場合、情報２２１は、縦運動に対する必要な情報を含むことができる。センサ状態推定器２４０はまた、車両制御ユニット２６０から車両運動に関する情報２６１も受け取ることができる。情報は、位置、方位角、速度等、車両の状態を含むことができ、機械に直接又は遠隔に接続されたハードウェア又はソフトウェアのいずれかから受け取られる。

例えば、センサ状態推定器は、オフセット値、オフセットの確実性レベル及び測定値のノイズの分散、又はそれらの組合せを含む、較正の状態２４１を出力することができる。制御システム１９９はまた、較正の状態情報２４１を使用する車両コントローラ２６０も備える。例えば、１つの実施形態では、オフセットは、センサのオフセットの状態によって決まる、車両の動態のモデルを利用する先進運転支援システム（ＡＤＡＳ）で使用される。車両コントローラ２６０は、ＡＢＳ、ＥＳＣ若しくはＡＤＡＳ、又は、自律運転機能を可能にする車両コントローラの組合せ等、独立型構成要素を含むことができる。例えば、センサ状態推定器は、タイヤ圧の損失を車両の運転手に警告するために、運転手への監視構成要素として車両のディスプレイ２１０に表示されるように、車輪半径オフセット推定値に関連する較正の状態２４２を出力することができる。さらに又は代替的に、較正の状態を記述するオフセット及び分散は、車両の推定器２９０、例えば状態推定器への入力として使用することができる。

図２Ｂは、本発明の１つの実施形態によるセンサ状態推定器２４０の全体的な構造を示している。センサ状態推定器２４０は、センサ状態推定器２４０のモジュールを実行する少なくとも１つのプロセッサ２７０を備える。プロセッサ２７０は、状態及びパラメータの統計値２８１と、車両の運動モデル及び車両の測定モデル等の車両情報２８２とを記憶するメモリ２８０に接続されており（２７１）、車両の運動モデルは、運動の決定論的成分及び運動の確率論的成分の組合せを含み、運動の決定論的成分は、較正の状態とは無関係であり、時間の関数として車両の運動を定義し、運動の確率論的成分は、較正の状態を含み、車両の運動に対する外乱を定義し、車両の測定モデルは、較正の状態とは無関係である測定モデルの決定論的成分と、較正の状態を含む測定モデルの確率論的成分との組合せを含む。メモリ２８０はまた、限定されないが、較正の状態の値、各計算された車両の状態の値、及び車両の各状態につながる運動を含む、推定器の内部情報も記憶する（２８３）。いくつかの実施形態では、車両に関する情報は、車両２６１及び検知２３１から受け取られる情報に基づいて更新される（２７１）。

本発明のいくつかの実施形態は、冗長な最適化アルゴリズムに依存することによってセンサに関連するパラメータを見つけようとする代わりに、確率論的フレームワークにおいて車両の状態を最適に記述する、車両の状態及び較正の状態を同時にかつ反復的に推定することによって、較正の状態を判断することができる、という理解に依存する。すなわち、較正の状態は、或る特定のパラメータ値が、先行する反復中に求められた状態推定値を説明する確率を考慮することにより、推定することができる。

例えば、いくつかの実施形態は、車両の確率論的運動モデルを使用し、そこでは、センサは、車両の運動に対する確率的外乱として表され、オフセットは、統計的平均としてモデル化され、統計的平均の周囲の分散は、センサの測定ノイズを表し、パラメータのセットの選択は、何らかの確率論的コスト関数の最適化に従って決定することができる。コスト関数は、本発明の他の実施形態によって選択される。

図３は、本発明のいくつかの実施形態によるセンサ状態較正推定器２４０の概略図を示している。推定器２４０は、車輪速度測定値２２１又はそれらの推定値を使用して、車両のその後の状態３４１を推定する（３４０）。いくつかの実施形態では、状態推定３４０は、車両の運動（動態）のモデルを使用し、モデルは、較正の状態によって決まる。モデルは、縦動態及び横動態の両方を含むことができ、その場合、較正の状態に、縦センサパラメータ及び横センサパラメータの両方が含まれる。代替的に、モデルは、縦動態及び横動態のうちの一方のみを含むことができる。状態更新モジュール３１０は、検知システム２３０からの測定値２３１を使用して、状態推定値３４１を補正し、車両の更新された（３１１）状態を形成する。

１つの実施形態では、更新された状態３１１及び／又は推定３４１は、車両制御システム２６０への入力２４１として使用される。さらに又は代替的に、別の実施形態では、状態推定値３１１は、較正の状態の少なくとも１つのパラメータを更新する（３２０）ために使用され、それにより、車両の較正の状態の更新されたパラメータ３２１がもたらされる。１つの実施形態では、更新されたパラメータ３２１は、車両制御システム２６０への入力２４１として使用される。さらに又は代替的に、別の実施形態では、更新されたパラメータ３２１は、ディスプレイ２１０への入力２４２として使用され、運転手に対する監視構成要素としての役割を果たし、例えば、タイヤ圧の損失を検出する。さらに又は代替的に、別の実施形態では、更新されたパラメータ３２１は、状態３４０を推定するために車両の運動のモデルを更新する（３３０）ために使用され、こうして、本発明のいくつかの実施形態の１回の反復を終了する。さらに又は代替的に、パラメータ３２１は、車両運動に関連して様々な態様を推定するために他の推定器２９０において使用することができる。

本発明では、１つの実施形態は、車両の運動のモデルを、車両の状態によって完全に決定される１つの決定論的部分と、１つの不確実部分として定式化することができ、不確実部分は、較正の状態に完全に依存する、ということを具現化する。別の実施形態では、車両の状態の測定モデルもまた、車両の状態によって完全に決定される１つの決定論的部分と、１つの不確実部分として定式化することができ、不確実部分の少なくとも一部は、較正の状態に依存する、ということが具現化される。

したがって、いくつかの実施形態では、較正の状態は、車両の状態、較正の状態、及び車両の状態の運動モデルの間の関係と、状態の測定値、車両の状態の測定モデル、及び測定モデルの確率的部分を記述している較正の状態の関係とから、較正の状態を推論することによって、決定することができる、ということが認められる。較正の状態の推定を、未知である較正の状態の運動（時間発展）のモデルを有することなく行うことができ、測定値の不確実性が、較正の状態の確率的分布を記述する分散によって与えられる、ということが、本発明の１つの実施形態における重要な観察である。

いくつかの実施形態では、車両の状態は、車両の状態の運動のモデルに従って、時間的に動的に発展する。車両の運動のモデルと車両に対する入力のモデルとを注意深く選択した場合、車両の状態の運動は、車両の状態によって完全に決定される１つの決定論的部分及び、１つの不確実部分として記述することができ、不確実部分は車両の状態の較正に依存する。例えば、車両の運動のモデルは、何らかの非線形関数ｘ_ｋ＋１＝ｆ（ｘ_ｋ，ｕ_ｋ）＋ｇ（ｘ_ｋ，ｕ_ｋ）ｗ_ｋに従って記述することができ、式中、

は、車両の状態の発展を記述する非線形確率関数であり、

は、外乱

をマッピングする、車両の状態によって決まる非線形確率関数であり、ｋは離散時間インデックスであり、

は状態であり、ｕ_ｋはシステムへの入力を含む。車両の運動の動的モデルは、オフセット、センサの平均、センサの分散を含む、較正の状態によって決まる。いくつかの実施形態では、車両の運動に影響を与える外乱

は、較正の状態の数値記述における不確実性に起因し、他の実施形態では、オフセットにおける不確実性に起因し、更に別の実施形態では、分散における不確実性、又は平均及び分散の両方における不確実性に起因する。他の実施形態では、車両の状態は、車両の速度ベクトル及び方位角速度を含む。

図４Ａは、簡略化した車両の前輪駆動シングルトラックモデルの概略図を示しており、そこでは、各車軸における２つの車輪がひとまとめにされている。この車両モデルは、概して、少なくとも、ハンドルセンサの較正の状態と車輪回転速度の較正の状態とによって決まる。

例えば、ハンドル角の較正の状態は、δ＝δ_ｍ＋Δδとして書くことができ、式中、δ_ｍは真の測定値であり、Δδは時間変化する未知の部分である。１つの実施形態は、他の点では決定論的であるシステムに作用している不規則外乱としてｗ_ｋ：＝Δδを定義する。いくつかの実施形態では、ノイズ項は、

に従うガウス分布であり、式中、ｕ_ｋ、Σ_ｋは、概して、較正の状態の時間変化する平均及び共分散、オフセット及びノイズ分散である。図４Ｂは、前輪操舵での完全シャシーモデルの概略図を示している。こうした場合、推定すべきパラメータの数は増加するが、同じ方法が適用されることが理解されるべきである。

本発明の１つの実施形態は、各車輪車軸にわたって平均された車輪速度推定値２２１としてシステムへの入力を選択する。別の実施形態では、入力は、各車輪車軸にわたって平均された、車輪２３１の操舵角と組み合わせた車輪速度推定値２２１である。非自律モードでは、時として車輪の操舵角を測定することができないことがあるが、ハンドルの操舵角は測定することができる。更に別の実施形態は、ハンドルを車輪に接続する機械的構造のギヤ比を考慮することにより、ハンドルの操舵角を車輪の操舵角に変換する。

確率密度関数（ＰＤＦ）に関して、定義θｋ：＝｛ｕ_ｋ，Σ_ｋ｝を用いて、力学系は、ｐ（ｘ_ｋ＋１｜ｘ_ｋ，ｕ_ｋ，θ_ｋ）として記述することができる。いくつかの実施形態は、車両の状態及び較正の状態の判断は、測定値及び運動のモデル及び測定のモデルを所与として、システム全体のＰＤＦを求めることによって行うことができる、という理解に依存する。

系のＰＤＦを求めるために、本発明のいくつかの実施形態は、オフセット及び分散の両方に関して不確実な、検知システム２３０からシステム２３１への測定値を定義する。例えば、１つの測定値が方位角速度

であり、車両の状態が方位角速度を含む場合、測定値

は、方位角速度測定値を状態に関連付ける決定論的部分及び

を通して方位角速度に関連付けられ、式中、ｂ_ｋは、センサにおけるドリフトによるオフセット項であり、ｅ_ｋは、オフセット及び分散Ｒ_ｋによって壊されたガウス分布としてモデル化された較正の状態の確率的分布であり、分散Ｒ_ｋは、概して共分散行列である。概して、オフセット及び分散の両方が未知である。１つの実施形態では、測定モデルは、ｙ_ｋ＝ｈ（ｘ_ｋ，ｕ_ｋ）＋ｄ（ｘ_ｋ，ｕ_ｋ）（δ_ｍ＋ｗ_ｋ）＋ｅ_ｋとして書くことができ、式中、δ_ｍ以外の入力もまた追加することができ、したがって、運動モデルに影響を与える更なる較正の状態及び推定すべきより多くのパラメータを追加することができる。

ノイズ源は、測定値が完全ではないことを考慮する。ノイズ源は、いくつかの方法で選択することができる。１つの実施形態では、ヨーレート及び加速度コマンドを組み合わせて、各時間ステップにおいて、全て個々のオフセット成分及び分散成分を含む、測定値のベクトルが形成される。いくつかの実施形態では、系は、３つのＰＤＦ

を反復的に推定することによって推定され、それにより、上記ＰＤＦを推定した後、車両の状態及び較正の状態を再構築することができる。いくつかの他の実施形態は、Ｎ個の離散重みを使用して連続ＰＤＦを表し、重みは、Ｎが十分に大きくなると、連続ＰＤＦを正確に表す。そして、車両の状態のＰＤＦは、車両の状態のＮ個の仮説によって表され、他のＰＤＦの統計値は、近似技法又は厳密な技法のいずれかを使用して表すことができる。例えば、較正の状態のＰＤＦは、サンプリングベースの技法を使用して、又は正規逆ウィシャート（Normal-inverse-Wishart）更新技法を使用して更新することができる。異なる表現の精度は、動的発展の特定のモデルと関係する測定値の特定のモデル化とによって決まる。

いくつかの実施形態は、較正の状態と車両の状態とを同時に考慮することによって、較正の状態を正確に推定することができるということを認める。１つの実施形態では、それらの量は、量の組合せが測定値ベクトルを説明する可能性がどの程度であるかに対して確率を割り当てることによって推定される。

図５Ａは、車両が初期状態５１０にあるシナリオを例示している。オフセットの１つのセット及び系への入力に対して、車両は、運動５１１ａに従い、５３０ａで終了し、結果として、車両運動に影響を与える較正の状態における不確実性に起因する不確実性５３１ａを有する。検知システム２３０の不確実性、すなわち、推定される分散により、車両の状態は或る特定の領域５２０までしか知ることができないことになる。しかしながら、車両の最終状態５３０ａは、十分に領域５２０内に存在するため、較正の状態及び車両の初期状態のこの特定の組合せに対して、良好な組合せである高い確率が与えられる。

図５Ｂは、動きモデルに影響を与える較正の状態の別のセットを有する同じ初期状態５１０の車両を示している。系への同じ入力に対して、車両５１０は、ここでは、運動５１１ｂに従い、車両は状態５３０ｂで終了することになり、結果として、運動モデルに影響を与える較正の状態の不確実性５３１ｂを有する。しかしながら、車両のこの最終状態５３０ｂは、測定モデルに影響を与える較正の状態の確実性領域内に存在しない。したがって、初期状態及び較正の状態のこの特定の組合せに対して、良好な組合せである低い確率が割り当てられる。

図５Ｃは、本発明の様々な実施形態によって採用されるいくつかの原理に従って判断される異なる運動の概略図を示している。車両は、道路境界５４０ｃがある道路の上で現状態５１０にあるように推定され、現状態５１０の推定値は、本発明の他の実施形態による先行する反復中に求められている。線５１９ｃ及び５２９ｃは、車両の２つのあり得る状態５２０ｃ及び５３０ｃに至る、運動モデルに影響を与えるセンサの２つの異なる状態を使用して判断される２つの異なる運動である。グレー領域５１１ｃは、検知システム２３０から来る測定モデルに影響を与える較正の状態の不確実性、すなわち、先行する反復中に求められた測定モデルに影響を与える推定された較正の状態から求められた、運動が発生する可能性が高いあり得る領域を示す。運動５１９ｃのみが、不確実性領域内にある。このため、運動５２９ｃからもたらされる状態５２０ｃと運動５２９ｃに関連する較正の状態とに対して、良好な組合せである低い確率が与えられる。

図５Ｄに示すように、車両の運動は、車両の状態にわたってＰＤＦ５１２ｄの形式でモデル化することができ、そこでは、ＰＤＦ５１２ｄの初期状態５０９ｄは、本発明の他の実施形態によって先行する反復中に求められている。本発明の実施形態のうちのいくつかでは、運動は、第１に、初期状態から最終状態までのいくつかの運動を決定することであって、種々の運動は、その特定の運動に属する運動モデルに影響を与える較正の状態のパラメータのセットに従って開始されることと、第２に、種々の運動が検知システム２３０によって検知される真の運動にどれくらい一致するかを判断することと、第３に、種々の運動が検知システムによって検知される真の運動とどれくらい一致するかの判断と一貫するパラメータを求めることとによって計算される。例示のために、図５Ｄは、運動に影響を与える較正の状態の２つの異なるパラメータにより、それぞれ状態５２０及び５３０ｃに至り、車両の運動のＰＤＦ５１２ｄがともに、それぞれの運動と一致する状況を示している。しかしながら、種々の運動が検知システムのＰＤＦ５１１ｃとどれくらい一致するかを判断した後、ＰＤＦ５１１ｃが測定モデルに影響を与える較正の状態に依存する場合、状態５２０ｃと一致しないＰＤＦ５３１ｄが達成される。いくつかの実施形態では、ＰＤＦ５３１ｄは、先行する反復での推定値と検知システムからの測定値との組合せによって求められる。本発明のいくつかの特定の実施形態では、結果としてのＰＤＦ５３１ｄは、本方法の別の反復に対する基礎を形成する。

いくつかの実施形態は、運動モデルに影響を与える質点の較正の状態を使用して推定された車両の状態と、測定モデルに影響を与えるセンサの状態と、測定された状態との差に基づき、センサの真の状態を表す各質点の確率を求める。例えば、１つの実施形態は、車両の状態のＰＤＦを使用してこうした確率を求める。他の実施形態では、運動モデルに影響を与えるセンサの状態と測定モデルに影響を与える較正の状態とが部分的に同じである。例えば、操舵角センサの状態は、車両の運動モデルと車両の測定モデルとに影響を与えるが、横加速度センサの状態は、測定モデルのみに影響を与える。

図６Ａは、本発明の１つの実施形態による、車両のあり得る状態にわたってＰＤＦ６３１を使用して、サンプリングされたパラメータの確率の選択を例示するグラフを示している。例えば、ＰＤＦ６３１は、測定モデルの確率分布とすることができる。こうした確率分布の形状は、予め、例えば、ガウス分布又は異なる形状として決定することができ、この確率分布６３１の位置は、測定された状態６３５に中心が置かれる。しかしながら、パラメータ、すなわち、センサのオフセット及び分散は未知である可能性がある。そのために、１つの実施形態は、測定された状態に中心が置かれる測定モデルの確率分布６３１を使用して、車両の状態及び／又はセンサの状態の確率分布を求める。そのために、本実施形態は、車両の状態及びセンサの状態の確率分布上の質点における平均の配置に従って、センサの真の状態を表す各質点の確率を求めることができる。

例えば、本実施形態は、車両の運動のモデルに初期状態とパラメータ値の１つのサンプルとを提示して、初期状態から次の状態６２１への車両の遷移を推定し、正確であるべき車両の状態及び／又はセンサの状態の確率として次の状態６２１に対応する点６２３において車両の状態にわたってＰＤＦの値６２２を選択する。

図６Ｂは、図６ＡのＰＤＦ６３１とは異なるＰＤＦ６５１によるサンプリングされたパラメータの確率の選択を例示する別のグラフを示している。例えば、ＰＤＦ６５１は、測定された状態の変化に基づいて更新された分布である。この例では、実施形態は、車両の状態及び／又はセンサの状態の確率として次の状態６２１に対応する点６４３において車両の状態にわたるＰＤＦ６５１の値６４２を選択する。

図７Ａは、本発明のいくつかの実施形態による、較正の状態及び車両の状態を推定し、車両を制御するための方法６９９の１回の反復のフローチャートを示している。本方法は、初期状態及びパラメータの初期セットから開始して、車両のモデルと、車両の運動を説明する車両の状態とを指定して、パラメータ値のセット及び関連する不確実性を求める。異なる実施形態では、車両の初期状態は、車両の現時点の推定された状態であり、及び／又は車両の初期状態は、本方法の先行する反復中に求められた較正の状態に対応する車両の状態である。

例えば、車両の２つの推定された状態を接続する運動について図５Ａに示したように、運動は、車両の状態を接続する状態遷移によって定義される。各状態は、少なくとも車両の速度及び方位角速度を含む。本方法のステップは、推定器２４０及び／又は車両のプロセッサ２７０によって実行される。運動は、終了条件が満たされるまで、例えば、或る期間の間、又は所定数の反復の間、反復的に求められる。図７Ａの方法の１回の反復は以下のステップを含む。

方法６９９は、運動モデルに影響を与えるサンプリングされたセンサの状態のセットと、車両の状態に対する静的制約及び動的制約を満たす状態のセットへの対応する遷移のセットとを求める（７００）。例えば、本方法は、図５Ｃにおいて、状態遷移５１９ｃ、５２９ｃ及び状態５３０ｃ、５２０ｃを求める。次に、方法６９９は、車両の運動の測定値と一貫する状態への移動を生成する、ステップ７００における各較正の状態のサンプルの確率を求める（７１０）。

各状態の確率を、それらの状態を推定するために使用される較正の状態の質点の確率として使用して、方法６９９は、各質点における更新された平均及び更新された分散の重み付き組合せを使用する関数に従って、集合的な較正の状態７２１を求める（７２０）。例えば、組合せにおける重みは、センサの真の状態を表す各質点の確率によって決まる。さらに又は代替的に、関数は、単に、最も可能性の高い質点の較正の状態を選択することができる。他の実施形態は、較正の状態７２１を判断する異なる関数を使用し、それは、車両を制御する（７３０）ために使用することができる。

図７Ｂは、本発明の１つの実施形態によるセンサの状態の値のセットを求める（７００）例示的な実施態様のフローチャートを示している。求めること（７００）は、システムへの実際の入力と、運動モデルに影響を与える較正の状態の推定されたオフセット及び分散と、先行する反復を使用して推定された初期状態とを使用する。本方法は、最初に、先行する反復中に求められたオフセット及び分散の値から質点のセット

についてＮ個の平均及び分散を予測する（７０１）。次いで、本方法は、較正の状態のＮ個（Ｎは予め決定するか又は適応的とすることできる）の値のセットをサンプリングし（７０２）、較正の状態の値のセットを使用して、状態

を予測する（７０３）。

本発明のいくつかの実施形態では、較正の状態の各値の数ｉは、オフセット、平均及び分散のセット、すなわち、ｗ_ｋである力学系のノイズ源パラメータである、

の数ｉを使用して生成され、式中、

は較正の状態の推定された平均を示し、

は対応する不確実性又は分散を示す。例えば、ｗ_ｋは、ガウス分布

から生じるものとして選択することができ、又は、特定の応用に適合されたＰＤＦとして選択することができる。いくつかの実施形態では、平均及び分散推定値自体における不確実性を考慮するために、すべての反復に対してガウス分布を近似するスチューデントのｔ分布（student-t distribution）が使用される。

本発明のいくつかの実施形態では、サンプリングされたパラメータ値７０２は、力学系を反転させることによって生成される。こうした場合、１つの実施形態では、状態

は、代わりに、確率関数ｑ（ｘ_ｋ｜ｘ_ｋ−１，ｙ_ｋ）を使用することによって生成され、サンプリングされた較正の状態の値は、測定値をより十分に満足させるように力学系の反転によって生成される。しかしながら、系モデルを反転させることは、常に正確に行うことができるとは限らない。この手法はまた、較正の状態が運動モデルのみに影響を与える場合にも使用することができる。

図７Ｃは、車両の運動の測定値と一貫する状態への移動をもたらす各サンプリングされた較正の状態の確率を求め、測定モデルに影響を与える較正の状態（ただし、サンプリングされない）もまた求める方法７１０のフローチャートを示している。較正の状態の値の各パラメータの確率を求めるとき、次の状態７０２の、測定値との一貫性が判断され（７１１）、各状態の確率が計算される（７１２）。例えば、１つの実施形態は、図６Ａ及び図６Ｂに記載した原理を使用して確率を求める（７１２）。

方法７１０の１つの実施形態では、いわゆる有効なサンプルサイズが、予め決定することができる閾値未満である場合（７１４）、車両の運動の測定値と一貫する状態に至る確率が高い較正の状態の値はほとんどなく、そのため、本方法は、高い確率を有するサンプル及び対応する状態を複製し、低い確率を有するサンプル及び対応する状態を破棄する（７１５）。有効なサンプルサイズが閾値以上である場合、方法は終了する（７１６）。さらに又は代替的に、いくつかの実施形態では、非ゼロであるが低い確率を有する較正の状態の値及び対応する状態は、より高い確率を有する入力及び状態に置き換えられる。例えば、１つの実施形態は、

を生成する確率が少なくとも

であるように、較正の状態の値及び対応する状態の新たなセットを生成する。別の実施形態では、置換は、確率の逆二乗和が何らかの事前定義された閾値未満である場合はいつでも行われる。このように行うことにより、良好な較正の状態の値のみが使用されることが確実になる。

本発明のいくつかの実施形態では、求めること（７１２）は、測定値のＰＤＦ、すなわち

と、力学系のＰＤＦと、方法７００の先行する反復中に求められた入力の確率

との組合せとして行われる。例えば、較正の状態の値が、パラメータの不確実性モデルに従って生成される場合、確率は、測定値のＰＤＦに比例し、すなわち、

となる。１つの実施形態では、確率は、ＰＤＦを表すように正規化される。図６Ｂに関連して、状態６２１に対応する先行する反復中に求められたＰＤＦ６５１上の点６４３における値６４２によって

が与えられる場合、更新された確率

は、６２２及び６４２の乗算として求められる。

較正の状態のパラメータ

を求めること（７１３）は、いくつかの方法で行うことができる。例えば、１つの実施形態は、サンプリングされた較正の状態の値

を使用して、以下の補正モジュールを使用して各パラメータセットを補正することにより、補正されたパラメータを求める。

ここで、較正の状態のパラメータは、先行する反復中に求められた較正の状態の推定されたパラメータから補正される。上記式から、較正の状態の値を直接導き出すことができ、上記式から較正の状態の不確実性を求めることができる。測定モデルに影響を与える測定値の較正の状態も更新する場合、

は、

として生成される。

ここで、第２の式は、必ずしも、サンプリングされた較正の状態の値を含むとは限らない。しかしながら、測定モデルの較正の状態は、左側

にあり、

は、運動モデル及び測定モデルの両方に影響を与える較正の状態の統計的平均であり、運動モデルを通って伝播したときの状態を得るようにサンプリングされた同じ較正の状態からである。

特に、１つの実施形態では、車両のハンドルの角度を示すセンサの測定値は、運動モデル及び測定モデルに含まれ、車両の横加速度、さらに又は代替的に方位角（ヨー）速度を示すセンサは、測定モデルのみに影響を与える。第２のセンサは、言い換えれば、車両のハンドルの操舵角を示す角度を測定する第１のセンサと、横加速度及び方位角速度を測定する。運動モデルは、第１のセンサの較正の状態を含むが、第２のセンサの較正の状態は含まない。しかしながら、測定モデルは、第１のセンサの較正の状態と第２のセンサの較正の状態との両方を含む。

いくつかの実施形態では、第１のセンサの較正の状態の確率分布の平均及び分散の更新は、第１のセンサの重み付きのサンプリングされた較正の状態の関数に基づく。同様に、第２のセンサの較正の状態の確率分布の平均及び分散の更新は、第２のセンサの重み付きの推定された較正の状態とセンサ測定値との差の関数に基づく。

例えば、較正の状態及び対応する車両の状態の確率分布を求めること（７２０）は、いくつかの方法で行うことができる。例えば、１つの実施形態は、重み付き平均関数を使用して、較正の状態の値を

として生成し、較正の状態の確率分布の分散を

として生成することにより、較正の状態を判断し、車両の状態に対しても同様に行う。すなわち、第１のセンサの較正の状態の確率分布の平均及び分散の更新は、第１のセンサの重み付きのサンプリングされた較正の状態と第１のセンサの重み付きの推定された較正の状態との差の関数に基づく。同様に、第２のセンサの較正の状態の確率分布の平均及び分散の更新は、第２のセンサの重み付きの推定された較正の状態と第２の測定値との差の関数に基づく。別の実施形態は、最高の確率を有する状態及びパラメータとして上記量を求める。

図７Ｄは、各反復について５つのサンプリングされた較正の状態の値が生成される場合のステップ７００、７１０及び７２０の３回の反復の結果の簡易概略図を示している。初期状態７１０ｄは、運動のモデル及び系への入力と動的モデルをパラメータ化するために使用される５つのサンプリングされた較正の状態の値とを使用して、時間的に前方に予測されて（７１１ｄ）、５つの次の状態７２１ｄ、７２２ｄ、７２３ｄ、７２４ｄ及び７２５ｄが生成される。確率は、分散及びオフセットの推定値を更新した後、測定値７２６ｄ並びに測定値７２６ｄの分散及びオフセット７２７ｄの推定値の関数として求められる。各時間ステップにおいて、すなわち各反復において、確率の集合体が使用されて、較正の状態及び対応する状態７２０ｄの集合的なセットが生成される。

図７Ｅは、図７Ｄにおける第１の反復での５つの状態のあり得る割り当てられた確率を示している。それらの確率７２１ｅ、７２２ｅ、７２３ｅ、７２４ｅ及び７２５ｅは、状態７２１ｄ、７２２ｄ、７２３ｄ、７２４ｄ及び７２５ｄを示すドットのサイズを選択することにおいて反映される。

再び図７Ｄを参照すると、状態７２０ｄは、関連する較正の状態とともに、図７Ａにおける車両の制御７３０のために出力７２１として使用される。再び図７Ｃを参照すると、閾値７１４が満たされた場合、高確率の状態並びに対応するオフセット及び分散項が複製され、次の反復のための初期状態となり、次の反復は、再び、車両の状態を初期状態７２１ｄ、７２２ｄ、７２３ｄ及び７２４ｄから次の状態７３１ｄ、７３２ｄ、７３３ｄ、７３４ｄ及び７３５ｄに遷移させる５つのサンプリングされた較正の状態の値を生成する。状態７３０ｄに対応する制御入力は、この反復のサンプリングされた制御入力の確率に従って選択される。状態７３２ｄ、７３３ｄ及び７３４ｄは、この特定の例における次の反復に対する初期状態であるが、概して、全ての状態は時間的に前方に拡張することができる。

図８は、本発明のいくつかの実施形態による制御システムと車両コントローラとの相互作用の概略図を示す。例えば、本発明のいくつかの実施形態では、車両８００のコントローラは、車両８００の回転及び加速度を制御する操舵コントローラ８１０及びブレーキ／スロットルコントローラ８２０である。こうした場合、センサ状態推定器８４０は、縦運動を測定するセンサと横運動を測定するセンサとの両方に関連する較正の状態の値両方を出力する。しかしながら、１つの実施形態では、車線維持支援（lane-keeping assist）８３０が使用され、その結果、推定システムは横成分のみを出力する。両方の場合において、車両コントローラ８００は、車両のハンドル及び／又はブレーキ等、車両の少なくとも１つのアクチュエーターを制御する車両の少なくとも１つのコントローラによって使用される車両モデルにパラメータをマッピングし、車両のアクチュエーターへの制御コマンドを使用して車両の運動を制御する。別の実施形態では、較正状態推定器は、運転手に可視であるディスプレイにタイヤ圧損失の表示を出力する（２４２）。

本発明の上記で説明した実施形態は、多数の方法のうちの任意のもので実施することができる。例えば、実施形態は、ハードウェア、ソフトウェア又はそれらの組合せを用いて実施することができる。ソフトウェアで実施される場合、ソフトウェアコードは、単一のコンピュータに設けられるのか又は複数のコンピュータ間に分散されるのかにかかわらず、任意の適したプロセッサ又はプロセッサの集合体において実行することができる。そのようなプロセッサは、１つ以上のプロセッサを集積回路部品に有する集積回路として実装することができる。ただし、プロセッサは、任意の適したフォーマットの回路類を用いて実装することができる。

また、本明細書において略述された様々な方法又はプロセスは、様々なオペレーティングシステム又はプラットフォームのうちの任意の１つを用いる１つ以上のプロセッサ上で実行可能なソフトウェアとしてコード化することができる。加えて、そのようなソフトウェアは、複数の適したプログラミング言語及び／又はプログラミングツール若しくはスクリプティングツールのうちの任意のものを用いて記述することができ、実行可能機械語コード、又はフレームワーク若しくは仮想機械上で実行される中間コードとしてコンパイルすることもできる。通常、プログラムモジュールの機能は、様々な実施形態において所望に応じて組み合わせることもできるし、分散させることもできる。

また、本発明の実施形態は、方法として具現化することができ、この方法の一例が提供されている。この方法の一部として実行される動作は、任意の適した方法で順序付けることができる。したがって、例示したものと異なる順序で動作が実行される実施形態を構築することができ、この順序は、いくつかの動作が例示の実施形態では順次的な動作として示されていても、それらの動作を同時に実行することを含むことができる。

Claims (20)

1. 車両を制御するシステムであって、
   前記車両の状態を示す測定値を検知する少なくとも１つのセンサと、
   前記車両の運動モデルと、前記車両の測定モデルと、前記センサの較正の状態の確率分布の平均及び分散とを記憶するメモリであって、前記車両の前記運動モデルは、前記車両の先行する状態から、前記車両の運動における前記センサの前記較正の状態の不確実性によってもたらされる外乱を受ける前記車両の現状態への、前記車両の運動を定義し、前記運動モデルは、前記センサの前記較正の状態の前記確率分布においてサンプリングされた較正の状態を含むようになっており、前記測定モデルは、前記センサの前記較正の状態を使用して前記車両の前記状態に前記センサの前記測定値を関連付ける、メモリと、
   プロセッサであって、
   前記確率分布によって定義される前記センサの前記較正の状態の実行可能領域をサンプリングして、前記センサのサンプリングされた較正の状態のセットを生成し、
   各サンプリングされた較正の状態に対し、前記運動モデルを使用して、前記車両の前記現状態の推定値を推定し、前記車両の推定された状態のセットを生成し、
   前記車両の各推定された状態に対して、前記測定値と前記車両の前記推定された状態とを前記測定モデルに挿入することにより、前記センサの推定された較正の状態を推定し、
   前記サンプリングされた較正の状態と対応する推定された較正の状態との差に基づいて求められる重みで重み付けされた、前記サンプリングされた較正の状態の関数に基づき、前記メモリに記憶された前記センサの前記較正の状態の前記確率分布の前記平均及び前記分散を更新する、
   ように構成されたプロセッサと、
   前記センサの前記較正の状態の前記更新された確率分布を使用して適合された前記センサの前記測定値を使用して前記車両を制御するコントローラと、
   を備える、システム。
2. 前記センサの前記サンプリングされた較正の状態のセットは、質点のセットとして前記センサの前記較正の状態を表し、各質点は、前記センサの前記較正の状態のパラメータの前記実行可能領域を定義する前記センサの前記較正の状態の平均及び分散を含み、前記プロセッサは、
   終了条件が満たされるまで、少なくとも１つの質点の前記平均及び前記分散を、前記質点に対して推定された前記センサの前記推定された較正の状態と前記質点に対して求められた前記センサの測定された較正の状態との差を使用して、反復的に更新し、
   前記センサの前記較正の状態の前記確率分布の前記平均及び前記分散を、前記質点の前記更新された平均及び前記更新された分散の関数として更新する、請求項１に記載のシステム。
3. 前記質点を反復的に更新することについて、前記プロセッサは、
   前記測定モデルに従って前記質点に対して推定された前記車両の前記状態をもたらす前記センサの前記推定された較正の状態の前記平均を求め、
   前記測定値の不確実性と前記質点の前記分散との組合せとして前記センサの前記推定された較正の状態の前記分散を求め、
   前記センサの前記推定された較正の状態の前記平均を使用して前記質点の前記センサの前記サンプリングされた較正の状態の前記平均を更新し、
   前記センサの前記推定された較正の状態の前記分散を使用して前記質点の前記センサの前記サンプリングされた較正の状態の前記分散を更新する、
   ように構成されている、請求項２に記載のシステム。
4. 前記プロセッサは、前記測定値の前記不確実性と前記質点のセットの分散のセットとの組合せとして前記センサの前記推定された較正の状態の前記分散を求める、請求項３に記載のシステム。
5. 前記質点のセットにおける質点の数は経時的に変化する、請求項４に記載のシステム。
6. 前記関数は、前記センサの前記サンプリングされた較正の状態の重み付き組合せを使用する、請求項１に記載のシステム。
7. 前記センサは、前記センサの前記較正の状態の前記更新された確率分布を使用して較正される、請求項１に記載のシステム。
8. 前記少なくとも１つのセンサは、前記車両のハンドルの操舵角を示す角度を測定する第１のセンサと、横加速度及び方位角速度のうちの少なくとも一方を測定する第２のセンサとを含み、前記運動モデルは、前記第１のセンサの前記較正の状態を含むが、前記第２のセンサの前記較正の状態は含まず、前記測定モデルは、前記第１のセンサの前記較正の状態と前記第２のセンサの前記較正の状態との両方を含む、請求項１に記載のシステム。
9. 前記プロセッサは、前記第１のセンサの重み付きのサンプリングされた較正の状態と前記第１のセンサの重み付きの推定された較正の状態との差の関数に基づき、前記第１のセンサの前記較正の状態の前記確率分布の前記平均及び前記分散を更新し、
   前記プロセッサは、前記第２のセンサの重み付きの推定された較正の状態と前記センサの前記測定値との差の関数に基づき、前記第２のセンサの前記較正の状態の前記確率分布の前記平均及び前記分散を更新する、請求項８に記載のシステム。
10. 前記車両の前記状態は前記車両の速度及び方位角速度を含み、
    前記車両の前記運動モデルは、前記運動の決定論的成分と前記運動の確率論的成分との組合せを含み、前記運動の前記決定論的成分は、前記センサの前記較正の状態とは無関係であり、時間の関数として前記車両の運動を定義し、前記運動の前記確率論的成分は、不確実性を有する前記センサの前記較正の状態を含み、前記車両の運動に対する外乱を定義し、
    前記車両の前記測定モデルは、前記センサの前記較正の状態とは無関係な前記測定モデルの決定論的成分と、前記センサの前記較正の状態を含む前記測定モデルの確率論的成分との組合せを含む、請求項１に記載のシステム。
11. 車両を制御する方法であって、前記方法を実施する記憶された命令に結合されたプロセッサを使用し、前記命令は、前記プロセッサによって実行されると、前記方法の少なくともいくつかのステップを実施し、前記ステップは、
    少なくとも１つのセンサを使用して、前記車両の状態を示す測定値を検知するステップと、
    前記プロセッサに作動的に接続されたメモリから、前記車両の運動モデルと、前記車両の測定モデルと、前記センサの較正の状態の確率分布の平均及び分散とを取り出すステップであって、前記車両の前記運動モデルは、前記車両の先行する状態から、前記車両の運動における前記センサの前記較正の状態の不確実性によってもたらされる外乱を受ける前記車両の現状態への、前記車両の運動を定義し、前記運動モデルは、前記センサの前記較正の状態の前記確率分布においてサンプリングされた較正の状態を含むようになっており、前記測定モデルは、前記センサの前記較正の状態を使用して前記車両の状態に前記センサの前記測定値を関連付ける、ステップと、
    前記確率分布によって定義される前記センサの前記較正の状態の実行可能領域をサンプリングして、前記センサのサンプリングされた較正の状態のセットを生成するステップと、
    各サンプリングされた較正の状態に対し、前記運動モデルを使用して、前記車両の前記現状態の推定値を推定し、前記車両の推定された状態のセットを生成するステップと、
    前記車両の各推定された状態に対して、前記測定値と前記車両の前記推定された状態とを前記測定モデルに挿入することにより、前記センサの推定された較正の状態を推定するステップと、
    前記サンプリングされた較正の状態と対応する推定された較正の状態との差に基づいて求められる重みで重み付けされた、前記サンプリングされた較正の状態の関数に基づき、前記メモリに記憶された前記センサの前記較正の状態の前記確率分布の前記平均及び前記分散を更新することと、
    前記センサの前記較正の状態の前記更新された確率分布を使用して適合された前記センサの前記測定値を使用して前記車両を制御するステップと、
    を含む、方法。
12. 前記センサの前記サンプリングされた較正の状態のセットは、質点のセットとして前記センサの前記較正の状態を表し、各質点は、前記センサの前記較正の状態のパラメータの前記実行可能領域を定義する前記センサの前記較正の状態の平均及び分散を含み、前記方法は、
    終了条件が満たされるまで、少なくとも１つの質点の前記平均及び前記分散を、前記質点に対して推定された前記センサの前記推定された較正の状態と前記質点に対して求められた前記センサの測定された較正の状態との差を使用して、反復的に更新することと、
    前記センサの前記較正の状態の前記確率分布の前記平均及び前記分散を、前記質点の前記更新された平均及び前記更新された分散の関数として更新するステップと、
    を含む、請求項１１に記載の方法。
13. 前記質点を反復的に更新することについて、
    前記測定モデルに従って前記質点に対して推定された前記車両の前記状態をもたらす前記センサの前記推定された較正の状態の前記平均を求めるステップと、
    前記測定値の不確実性と前記質点の前記分散との組合せとして前記センサの前記推定された較正の状態の前記分散を求めるステップと、
    前記センサの前記推定された較正の状態の前記平均を使用して前記質点の前記センサの前記サンプリングされた較正の状態の前記平均を更新するステップと、
    前記センサの前記推定された較正の状態の前記分散を使用して前記質点の前記センサの前記サンプリングされた較正の状態の前記分散を更新するステップと、
    を更に含む、請求項１２に記載の方法。
14. 前記センサの前記推定された較正の状態の前記分散は、前記測定値の前記不確実性と前記質点のセットの分散のセットとの組合せとして求められる、請求項１３に記載の方法。
15. 前記質点の数は経時的に変化する、請求項１４に記載の方法。
16. 前記関数は、前記センサの前記サンプリングされた較正の状態の重み付き組合せを使用する、請求項１１に記載の方法。
17. 前記センサの前記較正の状態の前記更新された確率分布を使用して前記センサを較正するステップ、
    を更に含む、請求項１１に記載の方法。
18. 前記少なくとも１つのセンサは、前記車両のハンドルの操舵角を示す角度を測定する第１のセンサと、横加速度及び方位角速度のうちの少なくとも一方を測定する第２のセンサとを含み、前記運動モデルは、前記第１のセンサの前記較正の状態を含むが、前記第２のセンサの前記較正の状態は含まず、前記測定モデルは、前記第１のセンサの前記較正の状態と前記第２のセンサの前記較正の状態との両方を含み、前記方法は、
    前記第１のセンサの重み付きのサンプリングされた較正の状態と前記第１のセンサの重み付きの推定された較正の状態との差の関数に基づき、前記第１のセンサの前記較正の状態の前記確率分布の前記平均及び前記分散を更新するステップと、
    前記第２のセンサの重み付きの推定された較正の状態と前記センサの前記測定値との差の関数に基づき、前記第２のセンサの前記較正の状態の前記確率分布の前記平均及び分散を更新するステップと、
    を含む、請求項１１に記載の方法。
19. 前記車両の前記状態は前記車両の速度及び方位角速度を含み、
    前記車両の前記運動モデルは、前記運動の決定論的成分と前記運動の確率論的成分との組合せを含み、前記運動の前記決定論的成分は、前記センサの前記較正の状態とは無関係であり、時間の関数として前記車両の運動を定義し、前記運動の前記確率論的成分は、不確実性を有する前記センサの前記較正の状態を含み、前記車両の運動に対する外乱を定義し、
    前記車両の前記測定モデルは、前記センサの前記較正の状態とは無関係な前記測定モデルの決定論的成分と、前記センサの前記較正の状態を含む前記測定モデルの確率論的成分との組合せを含む、請求項１１に記載の方法。
20. 車両を制御する方法を実施するためにプロセッサによって実行可能なプログラムが具現化されている非一時的コンピュータ可読メモリであって、前記方法は、
    少なくとも１つのセンサから、前記車両の状態を示す測定値を受け取ることと、
    前記プロセッサに作動的に接続されたメモリから、前記車両の運動モデルと、前記車両の測定モデルと、前記センサの較正の状態の確率分布の平均及び分散とを取り出すことであって、前記車両の前記運動モデルは、前記車両の先行する状態から、前記車両の運動における前記センサの前記較正の状態の不確実性によってもたらされる外乱を受ける前記車両の現状態への、前記車両の運動を定義し、前記運動モデルは、前記センサの前記較正の状態の前記確率分布においてサンプリングされた較正の状態を含むようになっており、前記測定モデルは、前記センサの前記較正の状態を使用して前記車両の状態に前記センサの前記測定値を関連付ける、取り出すことと、
    前記確率分布によって定義される前記センサの前記較正の状態の実行可能領域をサンプリングして、前記センサのサンプリングされた較正の状態のセットを生成することと、
    各サンプリングされた較正の状態に対し、前記運動モデルを使用して、前記車両の前記現状態の推定値を推定し、前記車両の推定された状態のセットを生成することと、
    前記車両の各推定された状態に対して、前記測定値と前記車両の前記推定された状態とを前記測定モデルに挿入することにより、前記センサの推定された較正の状態を推定することと、
    前記サンプリングされた較正の状態と対応する推定された較正の状態との差に基づいて求められる重みで重み付けされた、前記サンプリングされた較正の状態の関数に基づき、前記メモリに記憶された前記センサの前記較正の状態の前記確率分布の前記平均及び前記分散を更新することと、
    前記センサの前記較正の状態の前記更新された確率分布を使用して適合された前記センサの前記測定値を使用して前記車両を制御することと、
    を含む、非一時的コンピュータ可読メモリ。

Images