JP6034615B2

JP6034615B2 - 衛星測位データおよび車両センサデータに基づく車両ナビゲーション

Info

Publication number: JP6034615B2
Application number: JP2012171837A
Authority: JP
Inventors: ナトロシヴィリコバ; ビュルクルコルネリウス
Original assignee: ハーマンベッカーオートモーティブシステムズゲーエムベーハー
Priority date: 2011-08-03
Filing date: 2012-08-02
Publication date: 2016-11-30
Anticipated expiration: 2032-08-02
Also published as: US8639441B2; KR102089681B1; EP2555017B1; EP2555017A1; US20130035855A1; CN102914785A; JP2013036994A; CN102914785B; KR20130016072A

Description

本願は、車両ナビゲーションのための方法、および対応するナビゲーションシステムに関する。

車両ナビゲーションでは、衛星測位データから車両の位置を決定することが既知である。例えば、かかる衛星測位データは、グローバルポジショニングシステム（ＧＰＳ）または他の衛星ベースの測位システムの衛星測位信号から引き出されてもよい。さらに、車両位置を決定するための慣性航法システムを使用することも既知である。例えば、慣性航法システムの使用は、例えばトンネルまたは他の建物内等の衛星測位信号を受信できない場合に有用である場合がある。

さらに、衛星測位データを慣性航法システムの測定値と結合し、それによって位置推定の精度を改善するという可能性もある。例えば、衛星測位データおよび慣性航法システムの測定値は、相応して設計されるカルマンフィルタを使用して結合されてもよい。

しかしながら、衛星測位データと慣性航法システムの測定値の両方を使用して車両位置推定を実施するには、やや複雑なカルマンフィルタを使用して衛星測位データおよび慣性航法システムの測定値を結合することが必要になる場合がある。

したがって、衛星測位データを使用して位置推定の精度を効率よく改善することを可能にする技術に対するニーズがある。

本発明のいくつかの実施形態に従って、上記ニーズは、独立請求項に定められる方法およびナビゲーションシステムによって対処される。従属請求項は、追加の実施形態を画定する。

ある実施形態によると、車両ナビゲーションのための方法が提供される。方法は、例えばＧＰＳ受信機から等、車両の衛星測位装置から衛星測位データを取得することを含む。さらに、方法は、車両の多くのセンサから車両センサデータを取得することを含む。例えば、かかるセンサは、車両の速度を測定する走行距離計および／または車両のヨーレートを測定するジャイロセンサであってもよい。さらに、車両センサデータは、例えば車両のパワーステアリングコントローラによって測定される車両のステアリング角度を含んでもよい。方法は、さらにカルマンフィルタによって衛星測位データおよび車両センサデータを結合し、車両の結合された状態ベクトル推定値を取得することを含む。通常、結合された状態ベクトル推定値は、例えば地理座標によって定められる車両の位置、及び車両の速度をも含む。

この方法によると、カルマンフィルタは第１のフィルタ、第２のフィルタ、および第３のフィルタを備える。第１のフィルタは衛星測位データを受信し、車両の第１の状態ベクトル推定値および対応する第１の状態誤差共分散行列を生成する。第２のフィルタは車両センサデータを受信し、車両の第２の状態ベクトル推定値および対応する第２の状態誤差共分散行列を生成する。第３のフィルタは第１の状態ベクトル推定値、第１の状態誤差共分散行列、第２の状態ベクトル推定値、および第２の状態誤差共分散行列を受信し、結合された状態ベクトル推定値および対応する結合された状態誤差共分散行列を生成する。第３のフィルタは、結合された状態ベクトル推定値に基づき予測状態ベクトル推定値を生成し、結合された状態誤差共分散行列に基づき予測状態誤差共分散行列を生成する予測プロセッサを備える。予測状態ベクトル推定値および予測状態誤差共分散行列は、カルマンフィルタの次の反復について予期される車両の将来の状態に適用してもよい。予測状態ベクトル推定値および予測状態誤差共分散行列は第１のフィルタ、第２のフィルタ、および第３のフィルタにフィードバックされる。

第１のフィルタでは、第１の状態ベクトル推定値はこのようにして、フィードバックされる予測状態ベクトル推定値を、受信された衛星測位データで更新することによって決定することができる。さらに、第１のサテー誤差共分散行列は、フィードバックされた予測状態誤差共分散行列および衛星測位データの測定誤差共分散行列に基づいて決定できる。

第２のフィルタでは、第２の状態ベクトル推定値は、フィードバックされた予測状態ベクトル推定値を、受信された衛星測位データで更新することによって決定することができる。さらに、第２の状態誤差共分散行列は、フィードバックされた予測状態誤差共分散行列および車両センサデータの測定誤差共分散行列に基づいて決定することができる。

第３のフィルタでは、結合された状態誤差共分散行列は、フィードバックされた予測状態誤差共分散行列に基づいて決定することができる。さらに、結合された状態ベクトル推定値は、フィードバックされた予測状態ベクトル推定値およびフィードバックされた予測状態誤差共分散行列に基づいて決定できる。

第３のフィルタの予測プロセッサは、線形状態遷移行列をともなう状態遷移モデルに基づいてもよい。

さらなる実施形態に従って、車両用のナビゲーションシステムが提供される。ナビゲーションシステムは、例えばＧＰＳ受信機等の衛星測位データを取得するように構成される衛星測位装置を備える。さらに、ナビゲーションシステムはカルマンフィルタを含む。カルマンフィルタは、衛星測位データおよび車両の多くの車両センサから受信される車両センサデータを結合することによって車両の結合された状態ベクトル推定値を取得するように構成される。カルマンフィルタは、第１のフィルタ、第２のフィルタ、第３のフィルタ、およびフィードバック装置を備える。第１のフィルタは衛星測位データを受信し、車両の第１の状態ベクトル推定値および対応する第１の状態誤差共分散行列を生成するように構成される。第２のフィルタは車両センサデータを受信し、車両の第２の状態ベクトル推定値および対応する第２の状態誤差共分散行列を生成するように構成される。第３のフィルタは第１の状態ベクトル推定値、第１の状態誤差共分散行列、第２の状態ベクトル推定値、および第２の状態誤差共分散行列を受信し、結合された状態ベクトル推定値および対応する結合された状態誤差共分散行列を生成するように構成される。第３のフィルタは、結合された状態ベクトル推定値に基づき予測状態ベクトル推定値を生成し、結合された状態誤差共分散行列に基づき予測状態誤差共分散行列を生成するように構成される予測プロセッサを備える。予測状態ベクトル推定値および予測状態誤差共分散行列は、カルマンフィルタの次の反復について予期される車両の将来の状態に適用してもよい。カルマンフィルタのフィードバック構成は、予測状態ベクトル推定値および予測状態誤差共分散行列を、第１のフィルタ、第２のフィルタおよび第３のフィルタにフィードバックするように構成される。

ナビゲーションシステムは、上述された方法に従って機能するように構成されてもよい。

さらなる実施形態によると、車両が提供される。車両は上述されたナビゲーションシステム、および、例えば、車両の速度を測定するように構成される走行距離計、車両のヨーレートを測定するように構成されるジャイロセンサ、および／または車両のステアリング角を測定するように構成される車両のパワーステアリングコントローラ等の車両センサデータを提供するように構成される多くの車両センサを備える。

上記の実施形態では、衛星測位データに基づいた測位精度は、衛星測位データを車両センサデータと結合することによって効率的に改善することができる。例えば、走行距離計またはパワーステアリングコントローラ内に設けられるステアリングホイール角度を測定するためのセンサ等の既存の車両センサによって提供される車両センサデータを再利用することが可能である。さらに、ヨーレートを測定するためのジャイロセンサ等の単純なジャイロセンサが使用されてもよい。カルマンフィルタの構造は、衛星測位データおよび車両センサデータを効率的に結合することを可能にする。特に、第１のフィルタおよび第２のフィルタは、将来の状態ベクトルおよび対応する状態誤差共分散行列の予測を行う完全なカルマンフィルタとして実装される必要はない。加えて、予測状態ベクトル推定値および予測状態誤差共分散行列の第３フィルタから第１フィルタ、第２フィルタおよび第３フィルタへのフィードバックによって、結合された状態ベクトル推定値の大局的な最適の取得が可能になる。

添付の優位点だけではなくそのさらなる実施形態および特長も、図面に関連した以下の発明を実施するための形態から明らかになるであろう。

例えば、本願発明は以下の項目を提供する。
（項目１）
車両ナビゲーションのための方法であって、
車両（１０）の衛星測位装置（３０）から衛星測位データを取得することと、
前記車両（１０）の多くのセンサ（６０）から車両センサデータを取得することと、
カルマンフィルタ（４０）によって前記衛星測位データおよび前記車両センサデータを結合し、前記車両の結合された状態ベクトル推定値を取得することと、
を含み、
前記カルマンフィルタ（４０）が、
−前記衛星測位データを受信し、前記車両の第１の状態ベクトル推定値および対応する第１の状態誤差共分散行列を生成する第１のフィルタ（４２）と、
−前記車両センサデータを受信し、前記車両の第２の状態ベクトル推定値および対応する第２の状態誤差共分散行列を生成する第２のフィルタ（４４）と、
−前記第１の状態ベクトル推定値と、前記第１の状態誤差共分散行列と、前記第２の状態ベクトル推定値と、前記第２の状態誤差共分散行列とを受信し、前記結合された状態ベクトル推定値および対応する結合された状態誤差共分散行列を生成する第３のフィルタ（４６）と、
を備え、
前記第３のフィルタ（４６）が、前記結合された状態ベクトル推定値に基づく予測状態ベクトル推定値、および前記結合された状態誤差共分散行列に基づき予測状態誤差共分散行列を生成する予測プロセッサ（４８）を備え、
前記予測状態ベクトル推定値および前記予測状態誤差共分散行列が、前記第１のフィルタ（４２）、前記第２のフィルタ（４４）、および前記第３のフィルタ（４６）にフィードバックされる、方法。
（項目２）
前記車両センサデータが、前記車両（１０）の走行距離計（６２）によって測定される速度を含む、
上記項目に記載の方法。
（項目３）
前記車両センサデータが、前記車両（１０）のジャイロセンサ（６４）によって測定されるヨーレートを含む、
上記項目のうちのいずれか一項に記載の方法。
（項目４）
前記車両センサデータが、前記車両（１０）のステアリング角を含む、
上記項目のうちのいずれか一項に記載の方法。
（項目５）
前記ステアリング角が、前記車両（１０）のパワーステアリングコントローラ（６６）によって測定される、
上記項目のうちのいずれか一項に記載の方法。
（項目６）
前記第１のフィルタ（４２）が、前記フィードバックされた予測状態ベクトル推定値を、前記受信された衛星測位データで更新することによって前記第１の状態ベクトル推定値を決定する、
上記項目のうちのいずれか一項に記載の方法。
（項目７）
前記第１のフィルタ（４２）が、前記フィードバックされた予測状態誤差共分散行列および前記衛星測位データの測定誤差共分散行列に基づいて前記第１の状態誤差共分散行列を決定する、
上記項目のうちのいずれか一項に記載の方法。
（項目８）
前記第２のフィルタ（４４）が、前記フィードバックされた予測状態ベクトル推定値を、前記受信された車両センサデータで更新することによって前記第２の状態ベクトル推定値を決定する、
上記項目のうちのいずれか一項に記載の方法。
（項目９）
前記第２のフィルタ（４４）が、前記フィードバックされた予測状態誤差共分散行列および前記車両センサデータの測定誤差共分散行列に基づいて、前記第２の状態誤差共分散行列を決定する、
上記項目のうちのいずれか一項に記載の方法。
（項目１０）
前記第３のフィルタ（４６）が、前記フィードバックされた予測状態誤差共分散行列に基づいて前記結合された状態誤差共分散行列を決定する、
上記項目のうちのいずれか一項に記載の方法。
（項目１１）
前記第３のフィルタ（４６）が、前記フィードバックされた予測状態ベクトル推定値および前記フィードバックされた予測状態誤差共分散行列に基づいて、前記結合された状態ベクトル推定値を決定する、
上記項目のうちのいずれか一項に記載の方法。
（項目１２）
前記第３のフィルタ（４６）の前記予測プロセッサ（４８）が、線形状態遷移行列付きの状態遷移モデルに基づく、
上記項目のうちのいずれか一項に記載の方法。
（項目１３）
車両（１０）用のナビゲーションシステム（２０）であって、
衛星測位データを取得するように構成される衛星測位装置（３０）と、
衛星測位データおよび前記車両（１０）の多くの車両センサ（６０）から受信される車両センサデータを結合することによって前記車両の結合された状態ベクトル推定値を取得するように構成されるカルマンフィルタ（４０）と、
を備え、
前記カルマンフィルタ（４０）が、
−衛星測位データを受信し、前記車両の第１の状態ベクトル推定値および対応する第１の状態誤差共分散行列を生成するように構成される第１のフィルタ（４２）と、
−前記車両センサデータを受信し、前記車両の第２の状態ベクトル推定値および対応する第２の状態誤差共分散行列を生成するように構成される第２のフィルタ（４４）と、
−前記第１の状態ベクトル推定値と、前記第１の状態誤差共分散行列と、前記第２の状態ベクトル推定値と、前記第２の状態誤差共分散行列とを受信し、前記結合された状態ベクトル推定値および対応する結合された状態誤差共分散行列を生成するように構成される第３のフィルタ（４６）と、
を備え、
前記第３のフィルタ（４６）が、前記結合された状態ベクトル推定値に基づく予測状態ベクトル推定値、および前記結合された状態誤差共分散行列に基づく予測状態誤差共分散行列を生成するように構成される予測プロセッサ（４８）を備え、
前記カルマンフィルタ（４０）が、前記予測状態ベクトル推定値および前記予測状態誤差共分散行列を、前記第１のフィルタ（４２）、前記第２のフィルタ（４４）、および前記第３のフィルタ（４６）にフィードバックするように構成されるフィードバック装置を備える、ナビゲーションシステム（２０）。
（項目１４）
前記ナビゲーションシステム（２０）が、上記項目のうちのいずれか一項に記載の前記方法を実行するように構成される、
上記項目に記載のナビゲーションシステム（２０）。
（項目１５）
上記項目のうちのいずれか一項に記載のナビゲーションシステム（２０）と、前記車両センサデータを提供するために多くの車両センサ（６０）とを備える車両。

（摘要）
衛星測位データに基づいて車両ナビゲーションの性能を改善するため、衛星測位データは車両センサデータと結合される。これは、カルマンフィルタ（４０）を使用することによって達成される。カルマンフィルタ（４０）は、衛星測位データを受信する第１のフィルタ（４２）、車両センサデータを受信するためのフィルタ（４４）を備える。第１のフィルタ（４２）は、車両の第１の状態ベクトル推定値および対応する第１の状態誤差共分散行列を生成する。第２のフィルタ（４４）は、車両の第２の状態ベクトル推定値および対応する第２の状態誤差共分散行列を生成する。第３のフィルタ（４６）は、第１のフィルタおよび第２のフィルタ（４２、４４）から第１の状態ベクトル推定値、第１の状態誤差共分散行列、第２の状態ベクトル推定値、および第２の状態誤差共分散行列を受信し、そこから結合された状態ベクトル推定値および対応する結合された状態誤差共分散行列を生成する。さらに、第３のフィルタ（４６）は、結合された状態ベクトル推定値および結合された状態誤差共分散行列から予測状態ベクトル推定値および予測状態誤差共分散行列を生成する予測プロセッサ（４８）を備える。予測状態ベクトル推定値および予測状態誤差共分散行列は、第１のフィルタ（４２）、第２のフィルタ（４４）、および第３のフィルタ（４６）にフィードバックされる。

本発明の実施形態に係るナビゲーションシステム付き車両を示す概略ブロック図である。本発明の実施形態に係る方法を示すフローチャートである。本発明の実施形態に係るカルマンフィルタを概略で示す図である。本発明の実施形態に係るナビゲーションシステムの例示的な実装を概略で示す図である。

以下では、本発明の実施形態は、図面を参照して説明される。本明細書に説明される異なる実施形態の特徴が適宜に互いと結合されてもよいことが留意されるべきである。

図１は、本発明の実施形態に係るナビゲーションシステム２０付きの車両１０を概略で示す。示されているように、ナビゲーションシステム２０は、例えばＧＰＳ受信機、カルマンフィルタ４０、およびナビゲーションエンジン５０等の衛星測位装置３０を含む。車両１０は、多くの車両センサ６０、つまり示されている例では走行距離計６２、ジャイロセンサ６４およびパワーステアリングコントローラ６６のステアリング角センサをさらに含む。

衛星測位装置３０は、衛星測位データを取得するように構成される。例えば、衛星測位装置３０は、車両の座標、車両の速度、および／または車両の向首角を測定するように衛星測位信号を評価してもよい。これらの測定値は、位置ベクトルおよび速度ベクトルの形の衛星測位データで表されてもよい。

車両センサは、車両１０の運動の状態に関して多様な測定値を取得するように構成される。例えば、走行距離計６２は、車両の速度を測定するように構成されてもよい。ジャイロセンサ６４は、車両１０のヨーレートを測定するように構成されてもよい。さらに、パワーステアリングコントローラ６６のステアリング角センサは、車両１０の向首角に関連する車両１０のステアリング角を測定するように構成されてもよい。

図１でさらに示されるように、カルマンフィルタ４０は衛星測位装置３０から衛星測位データを受信し、車両センサ６０から車両センサデータをさらに受信する。カルマンフィルタ４０は、衛星測位データおよび車両センサデータを結合し、車両１０の結合された状態ベクトル推定値を取得する目的を有する。図１に示されるように、カルマンフィルタ４０によって取得される結合された状態ベクトル推定値は、ナビゲーションシステム２０のナビゲーションエンジン５０に供給されてもよい。ナビゲーションエンジン５０は、例えば、運転者に車両１０の位置を表示するため、所望される目的地への車両１０の現在位置からのルートを計算するため、または他のナビゲーション関連目的のために結合された状態ベクトル推定値に使用されてもよい。結合された状態ベクトル推定値は衛星測位データと車両センサデータの両方に基づいているので、衛星測位データ単独に基づいた状態ベクトル推定値に比較して改善された精度を有する。

図２は、本発明の実施形態に係る車両ナビゲーションの方法を概略で示す図である。例えば、方法は、図１に示されるナビゲーションシステム２０に実装されてもよい。代替的に、方法はそれとは無関係にまたはいずれかの他のシステムでも実装されてもよい。

ステップ２１０で、衛星測位データは、例えば図１の衛星測位装置３０等の衛星測位装置によって取得される。衛星測位データは、通常、地理座標の形で車両の位置を表し、例えば速度ベクトルの形で車両の速度およびヘディング方向も含んでもよい。

ステップ２２０で、車両センサデータが取得される。例えば、車両センサデータは、例えば走行距離計から、ジャイロセンサから、またはパワーステアリングコントローラのステアリング角センサから等、図１に示されるように車両センサから取得されてもよい。走行距離計は、車両の速度を提供するために使用されてもよい。ジャイロセンサは、車両のヨーレートを提供するために使用されてもよい。パワーステアリングコントローラのステアリング角センサは、車両のステアリング角を提供するために使用されてもよい。

ステップ２３０で、衛星測位データおよび車両センサデータがカルマンフィルタによって結合される。

図１のナビゲーションシステム２０および図２の方法で使用されるカルマンフィルタは、第１のフィルタ、第２のフィルタ、および第３のフィルタを含む。第１のフィルタは衛星測位データを受信し、車両の第１の状態ベクトル推定値および対応する第１の状態誤差共分散行列を生成する。第２のフィルタは車両センサデータを受信し、車両の第２の状態ベクトル推定値、および対応する第２の状態誤差共分散行列を生成する。第３のフィルタは第１のサテーベクトル推定値、第１の状態誤差共分散行列、第２の状態ベクトル推定値、および第２の状態誤差共分散行列を受信し、そこから結合された状態ベクトル推定値および対応する結合された状態誤差共分散行列を生成する。第３のフィルタは、状態遷移モデルに基づいて実装される予測プロセッサを含む。予測プロセッサは、結合された状態ベクトル推定値に基づいて予測状態ベクトル推定値を生成する。さらに、予測プロセッサは、結合された状態誤差共分散行列に基づいて予測状態誤差共分散行列を生成する。予測状態ベクトル推定値および予測状態誤差共分散行列は第１のフィルタ、第２のフィルタ、および第３のフィルタにフィードバックされる。

したがって、このカルマンフィルタでは、第１のフィルタは、フィードバックされた予測状態ベクトル推定値を受信された衛星測位データで更新することによって第１の状態ベクトル推定値を決定してもよい。さらに、第１のフィルタは、フィードバックされた予測状態誤差共分散行列および衛星測位データの測定誤差共分散行列に基づいて第１の状態誤差共分散行列を決定してもよい。同様に、第２のフィルタが、フィードバックされた予測状態ベクトル推定値を受信された車両センサデータで更新することによって第２の状態ベクトル推定値を決定してもよい。さらに、第２のフィルタは、フィードバックされた予測状態誤差共分散行列および車両センサデータの測定誤差共分散行列に基づいて第２の状態誤差共分散行列を決定してもよい。第３のフィルタは、フィードバックされた予測状態誤差共分散行列に基づいて、結合された状態誤差共分散行列を決定してもよい。さらに、第３のフィルタは、フィードバックされた予測状態ベクトル推定値およびフィードバックされた予測状態誤差共分散行列に基づいて結合された状態ベクトル推定値を決定してもよい。予測プロセッサによって使用される状態遷移モデルは、線形状態遷移行列に基づいてもよい。

図１のナビゲーションシステム２０に使用されるカルマンフィルタおよび図２の車両ナビゲーション方法のさらなる詳細は、以下に説明される。

これらの説明のために、状態ベクトルが以下によって与えられる状態空間モデルが仮定される。

したがって、状態ベクトルは

で示されるｘ方向の位置、

で示３されるｘ方向の速度、yで示されるｙ方向の位置、および

で示されるｙ方向の速度を含む。

状態空間モデルは以下によって連続形式で表されてもよい。

または

方程式（２）では、行列

は、車両の運動の物理モデルに基づいて状態ベクトルの遷移を説明する。行列

は、ベクトル

によって表される外乱の影響を説明し、ベクトル

はノイズ成分を説明する。

方程式（３）からわかるように、離散形式の状態遷移行列は以下のように書くことができ、

上式では、

は、２つの離散状態間の時間間隔を示す。

状態遷移行列

に対応する誤差共分散行列は、以下として表すことができる。

上述されたように、２つの異なるタイプの測定データがカルマンフィルタによって受信される。

第１のタイプの測定データは、ベクトルによって表すことができる衛星測位データであり、

であり、ここで、x は、ｘ方向に沿った位置を示し、

はｙ方向に沿った位置を示し、v は速度の絶対値を示し、

は車両の向首角を示す。

第２のタイプの測定データは、ベクトルによって表すことができる車両センサデータであり、

であり、ここで、v は速度の絶対値であり、

は車両のヨーレートである。

ここで、方程式（７）のベクトル

が単に本発明の実施形態で使用できる車両センサデータの例に過ぎないことが留意されるべきである。例えば、ステアリング角は追加の測定値として、または例えばヨーレート

の置換として等、ベクトル

の測定値の内の１つの代替として使用できる可能性がある。

方程式（６）および（７）の測定値と、方程式（１）の状態ベクトルとの間には以下の関係が存在することが分かる。

これらの関係は非線形である。したがって、測定ベクトル

および

を状態ベクトル空間にマッピングする測定行列は、以下のようにヤコビ行列で表すことができる。

および

カルマンフィルタの動作が、ここでカルマンフィルタ４０が第１のフィルタ４２、第２のフィルタ４４、および第３のフィルタ４６とともに示されている図３のブロック図を参照することによってさらに説明される。加えて、第３のフィルタの予測プロセッサ４８も説明される。以下にさらに説明されるように、カルマンフィルタ４０は繰り返し動作し、反復ステップの指数はkで示される。

図３に示されるように、第１のフィルタ４２は、測定ベクトル

によって表されるｋ番目の反復に対応する衛星測位データを受信する。第１のフィルタは、以下に従って第１の状態誤差共分散行列

および以下に従って第１の状態ベクトル推定値を決定する。

ここで、

は、反復kで方程式（１０）に従って計算される第１の測定行列を示す。さらに、

は転置された第１の測定行列を示す。

は、衛星測位データを取得する際の測定誤差を表す第１の測定誤差行列を示す。

は、予測状態誤差共分散行列を表し、

は予測状態ベクトル推定値を表す。第１のフィルタ４２は、第３のフィルタ４６からのフィードバックを介して予測状態誤差共分散行列

および予測状態ベクトル推定値

を取得する。

代わりに、第１のフィルタ４２の動作は、以下に従って最初に第１のカルマン利得を計算し、

以下に従って第１の状態ベクトル推定値を計算することによっても表すことができる。

方程式（１３）および（１５）の計算は、受信された衛星測位データによる予測状態ベクトル推定値

の更新に対応する。

図３によって示されるように、第２のフィルタ４４は測定ベクトル

によって表されるｋ番目の反復に対応する車両センサデータを受信する。第２のフィルタは、以下に従って第２の状態誤差共分散行列

および以下に従って第２の状態ベクトル推定値を決定する。

ここで、

は、反復kで方程式（１１）に従って計算される第２の測定行列を示す。さらに、

は、転置された第２の測定行列を示す。

は、衛星測位データを取得する際の測定誤差を表す第２の測定誤差行列を示す。

は、予測状態誤差共分散行列を表し、

は予測状態ベクトル推定値を表す。第２のフィルタ４４は、第３のフィルタ４６からのフィードバックを介して予測状態誤差共分散行列

および予測状態ベクトル推定値

を取得する。

代わりに、第２のフィルタ４４の動作は、以下に従って最初に第２のカルマン利得を計算し、

以下に従って第２の状態ベクトル推定値を計算することによって表すこともできる。

方程式（１７）および（１９）の計算は、受信された車両センサデータによる予測状態ベクトル推定値

の更新に対応する。

さらに図３に示されるように、第３のフィルタ４６は、第１のフィルタ４２から第１の状態ベクトル推定値

および対応する第１の状態誤差共分散行列

を受信する。さらに、第３のフィルタ４６は、第２のフィルタ４４から第２の状態ベクトル推定値

および対応する第２の状態誤差共分散行列

を受信する。

第３のフィルタ４６は、以下に従って結合された状態誤差共分散行列

および以下に従って結合された状態ベクトル推定値を決定する。

方程式（２０）および（２１）は、第１の状態誤差共分散行列

の逆数、および第２の状態誤差共分散行列

の逆数に基づいているので、これらは図３の注釈に示されるように、反転形で第１のフィルタおよび第２のフィルタ４２、４４から供給されてもよい。このようにして、複数の反転を回避することができる。

分かるように、方程式（２０）および（２１）も予測状態ベクトル推定値

および対応する予測状態誤差共分散行列

に基づいている。第３のフィルタ４６は予測プロセッサ４８からのローカルフィードバックパラメータとしてこれらを受信する。

予測プロセッサ４８は、上述されたように状態遷移モデルに基づき動作し、以下に従って次の反復の予測状態ベクトル推定値を計算し、

以下に従って、次の反復の予測状態誤差共分散マトリックスを計算する。

さらに、第３のフィルタ４６は、次の反復のために予測状態ベクトル推定値

を、および第１のフィルタ４２および第２のフィルタ４４に予測状態誤差共分散行列

を供給する。したがって、予測状態ベクトル推定値

および予測状態誤差共分散行列

は、次の反復ステップの、つまり、反復 k+1の動作でフィルタ４２、４４、４６のそれぞれで使用することができる。

上記計算では、測定行列

および

が、予測状態ベクトル推定値

だけでなく、方程式（１０）および（１１）の式を使用してより推定されたものにも基づいて計算されるべきであることが留意されるべきである。さらに、測定誤差共分散行列

および

は、静的に、つまり測定誤差が互いとは関係なく発生すると仮定して決定することができ、その結果対角線要素が測定ベクトルのそれぞれの成分に対応する測定誤差の分散であるこれらの行列の対角構造が生じることになる。さらに、反復カルマンフィルタリングプロセスの開始点で、初期値が適切に設定される必要があることが理解されるべきである。特に、予測状態ベクトル推定値の初期値および予測状態誤差共分散行列の初期値が設定されてもよい。かかる初期値は、例えば初期衛星測位データ、および衛星測位データの測定誤差の適切な仮定に基づく可能性がある。

上述された実施形態で使用されるカルマンフィルタは、プロセッサによって実行される相応して構成されるコンピュータプログラムコードを使用することによって実装されてもよい。図４は、ナビゲーションシステム２０の対応するプロセッサをベースにした実装を概略で示す。

この実装では、ナビゲーションシステム２０は、例えばＧＰＳ受信機等の衛星測位受信機、例えばＣＡＮ（コントローラエリアネットワーク）バス等の車両バスシステムによって実装される車両センサインタフェースを備える。さらに、ナビゲーションシステム２０は、プロセッサ１５０によって使用されるソフトウェアコードモジュールおよび／またはデータを記憶するメモリ１６０を備える。さらに、示されている実装のナビゲーションシステム２０は、ユーザインタフェース１７０を含む。

衛星測位受信機１３０は、衛星測位信号を受信し、そこから例えば車両の疑似距離、地理座標、速度および／または向首角の形で信号処理データを生成する目的を有する。衛星測位受信機は、プロセッサ１５０に衛星測位データを供給する。ここで、プロセッサ１５０は、例えば疑似距離の地理座標、速度、および／または向首角への変換等の衛星測位データのさらなる調整を実行してもよいことが理解されるべきである。

車両センサインタフェース１４０は、走行距離計、ジャイロセンサ、および／またはパワーステアリングコントローラのステアリング角センサ等の多様なタイプの車両センサから車両センサデータを受信するように構成される。したがって、車両データは、走行距離計によって測定される速度、ジャイロセンサによって測定されるヨーレート、および／または車両のパワーステアリングコントローラによって測定されるステアリング角を含んでもよい。

ユーザインタフェース１７０は、ユーザとの多様なタイプの対話を実現するように構成されてもよい。この目的のため、ユーザインタフェース１７０は、例えば車両ユーザにナビゲーション情報を表示するためのグラフィックディスプレイまたはテキストディスプレイ、例えば車両ユーザに音響ナビゲーション指示を出力するための、ラウドスピーカ等の音響出力装置、および／または車両ユーザからの入力を受け取るための入力装置を含んでもよい。

メモリ１６０は、例えばフラッシュＲＯＭ等の読み取り専用メモリ（ＲＯＭ）、例えばダイナミックＲＡＭ（ＤＲＡＭ）またはスタティックＲＡＭ（ＳＲＡＭ）等のランダムアクセスメモリ（ＲＡＭ）、例えばハードディスクまたはソリッドステートディスク等の大量記憶装置を含んでもよい。上述されたように、メモリ１６０は、プロセッサ１５０によって実行される適切に構成されたプログラムコード、およびプロセッサ１５０によって使用されるデータを含んでもよい。このようにして、ナビゲーションシステム２０は、図１から図３に関連して説明されるように動作するように構成されてもよい。特に、図４に示されるように、メモリ１６０はカルマンフィルタ４０の上述された機能性を実装するためにフィルタモジュール１６２を含んでもよい。さらに、メモリ１６０は、所望される目的地までのルートを計算する、マップ表現で車両の現在位置を表示する等の多様なタイプのナビゲーション機能を実装するためにナビゲーションモジュール１６４を含んでもよい。さらに、メモリ１６０はナビゲーション機能を実装するためにプロセッサ１５０によって使用されてもよいマップデータ１６６を含んでもよい。

図４に示されるナビゲーションシステム２０の実装は単に概要であること、およびナビゲーションシステム２０が、実際には、さらなるインタフェース等の、明確にするために示されていないさらなる構成要素を含んでもよいことが理解されるべきである。例えば、かかるさらなるインタフェースは、オンライントラフィック情報または更新されたマップデータ等の、外部ソースからのデータを受信するために使用される可能性がある。また、メモリ１６０は、例えば既知のタイプのナビゲーション機能を実装するためのプログラムコードモジュール等の、示されていないさらなるタイプのプログラムコードモジュールを含んでもよいことが理解されるべきである。いくつかの実施形態に従って、コンピュータプログラム製品は、上記に説明された実施形態に従って、つまりメモリ１６０に記憶されるプログラムコードを提供することによって提供されてもよい、または概念を実施してもよい。例えば、かかるプログラムコードは記憶媒体で提供される可能性がある。

上記に説明された例および実施形態は、本発明のいくつかの実施形態に係る概念を示す目的を有し、多様な変型の影響を受けやすいことが留意されるべきである。例えば、上述された概念は、衛星測位データを、上記に言及された車両センサデータの例を含んでもよい、またはそれとは異なってもよい、任意の数の車両センサからの車両センサデータと結合するために使用されてもよい。また、カルマンフィルタの異なる構成要素での計算の詳細は、例えば精密測定誤差モデルを考慮に入れるために、適宜に修正されてもよいことも理解されるべきである。

Claims

車両ナビゲーションのための方法であって、
車両（１０）の衛星測位装置（３０）から衛星測位データを取得することと、
前記車両（１０）の多くのセンサ（６０）から車両センサデータを取得することと、
カルマンフィルタ（４０）によって前記衛星測位データおよび前記車両センサデータを結合し、前記車両の結合された状態ベクトル推定値を取得することと、
を含み、
前記カルマンフィルタ（４０）が、
−前記衛星測位データを受信し、前記車両の第１の状態ベクトル推定値および対応する第１の状態誤差共分散行列を生成する第１のフィルタ（４２）と、
−前記車両センサデータを受信し、前記車両の第２の状態ベクトル推定値および対応する第２の状態誤差共分散行列を生成する第２のフィルタ（４４）と、
−前記第１の状態ベクトル推定値と、前記第１の状態誤差共分散行列と、前記第２の状態ベクトル推定値と、前記第２の状態誤差共分散行列とを受信し、前記結合された状態ベクトル推定値および対応する結合された状態誤差共分散行列を生成する第３のフィルタ（４６）と、
を備え、
前記第３のフィルタ（４６）が、前記結合された状態ベクトル推定値に基づく予測状態ベクトル推定値、および前記結合された状態誤差共分散行列に基づく予測状態誤差共分散行列を生成する予測プロセッサ（４８）を備え、
前記予測状態ベクトル推定値および前記予測状態誤差共分散行列が、前記第１のフィルタ（４２）、前記第２のフィルタ（４４）、および前記第３のフィルタ（４６）にフィードバックされる、方法。
前記車両センサデータが、前記車両（１０）の走行距離計（６２）によって測定される速度を含む、
請求項１に記載の方法。
前記車両センサデータが、前記車両（１０）のジャイロセンサ（６４）によって測定されるヨーレートを含む、
請求項１または２に記載の方法。
前記車両センサデータが、前記車両（１０）のステアリング角を含む、
請求項１から３のいずれか１つに記載の方法。
前記ステアリング角が、前記車両（１０）のパワーステアリングコントローラ（６６）によって測定される、
請求項４に記載の方法。
前記第１のフィルタ（４２）が、前記フィードバックされた予測状態ベクトル推定値を、前記受信された衛星測位データで更新することによって前記第１の状態ベクトル推定値を決定する、
請求項１から５のいずれか１つに記載の方法。
前記第１のフィルタ（４２）が、前記フィードバックされた予測状態誤差共分散行列および前記衛星測位データの測定誤差共分散行列に基づいて前記第１の状態誤差共分散行列を決定する、
請求項１から６のいずれか１つに記載の方法。
前記第２のフィルタ（４４）が、前記フィードバックされた予測状態ベクトル推定値を、前記受信された車両センサデータで更新することによって前記第２の状態ベクトル推定値を決定する、
請求項１から７のいずれか１つに記載の方法。
前記第２のフィルタ（４４）が、前記フィードバックされた予測状態誤差共分散行列および前記車両センサデータの測定誤差共分散行列に基づいて、前記第２の状態誤差共分散行列を決定する、
請求項１から８のいずれか１つに記載の方法。
前記第３のフィルタ（４６）が、前記フィードバックされた予測状態誤差共分散行列に基づいて前記結合された状態誤差共分散行列を決定する、
請求項１から９のいずれか１つに記載の方法。
前記第３のフィルタ（４６）が、前記フィードバックされた予測状態ベクトル推定値および前記フィードバックされた予測状態誤差共分散行列に基づいて、前記結合された状態ベクトル推定値を決定する、
請求項１から１０のいずれか１つに記載の方法。
前記第３のフィルタ（４６）の前記予測プロセッサ（４８）が、線形状態遷移行列付きの状態遷移モデルに基づく、
請求項１から１１のいずれか１つに記載の方法。
車両（１０）用のナビゲーションシステム（２０）であって、
衛星測位データを取得するように構成される衛星測位装置（３０）と、
衛星測位データおよび前記車両（１０）の多くの車両センサ（６０）から受信される車両センサデータを結合することによって前記車両の結合された状態ベクトル推定値を取得するように構成されるカルマンフィルタ（４０）と、
を備え、
前記カルマンフィルタ（４０）が、
−衛星測位データを受信し、前記車両の第１の状態ベクトル推定値および対応する第１の状態誤差共分散行列を生成するように構成される第１のフィルタ（４２）と、
−前記車両センサデータを受信し、前記車両の第２の状態ベクトル推定値および対応する第２の状態誤差共分散行列を生成するように構成される第２のフィルタ（４４）と、
−前記第１の状態ベクトル推定値と、前記第１の状態誤差共分散行列と、前記第２の状態ベクトル推定値と、前記第２の状態誤差共分散行列とを受信し、前記結合された状態ベクトル推定値および対応する結合された状態誤差共分散行列を生成するように構成される第３のフィルタ（４６）と、
を備え、
前記第３のフィルタ（４６）が、前記結合された状態ベクトル推定値に基づく予測状態ベクトル推定値、および前記結合された状態誤差共分散行列に基づく予測状態誤差共分散行列を生成するように構成される予測プロセッサ（４８）を備え、
前記カルマンフィルタ（４０）が、前記予測状態ベクトル推定値および前記予測状態誤差共分散行列を、前記第１のフィルタ（４２）、前記第２のフィルタ（４４）、および前記第３のフィルタ（４６）にフィードバックするように構成されるフィードバック装置を備える、ナビゲーションシステム（２０）。
前記ナビゲーションシステム（２０）が、請求項１から１２のいずれか１つに記載の前記方法を実行するように構成される、
請求項１３に記載のナビゲーションシステム（２０）。
請求項１３または１４に記載のナビゲーションシステム（２０）と、前記車両センサデータを提供するために多くの車両センサ（６０）とを備える車両。