使用不同的传感器信息确定物体位置的方法技术

本发明专利技术涉及一种用于通过使用不同的传感器信息来确定物体位置的方法，至少包括以下步骤：a)将传感器信息读取到卡尔曼滤波器中(110)，b)将传感器信息与卡尔曼滤波器融合，其中卡尔曼滤波器提供对于多个状态(x)的估计值(x

【技术实现步骤摘要】
【国外来华专利技术】使用不同的传感器信息确定物体位置的方法


[0001]本专利技术涉及一种用于通过使用不同的传感器信息来确定物体位置的方法、一种计算机程序、一种机器可读存储介质和一种用于机动车的控制器。本专利技术特别是可以用于主动检测卡尔曼滤波器的收敛。

技术介绍

[0002]在文献中，卡尔曼滤波器的收敛多指渐近收敛。这意味着，对于t
→
∞，估计误差X趋近于零。大多数解决方法都引用了所谓的“随机稳定性引理”。这个引理说明了随机过程在哪些条件下是指数有界的。此外可导出卡尔曼滤波器的渐近收敛界限。由于推导这些界限的前提条件非常强，因此也可以推导出弱化的前提条件。然而，这些结果仅具有纯理论用途，因为其仅适用于t
→
∞，从而通常无法指定实际误差的具体界限。在线性卡尔曼滤波器的情况下可能存在例外。就此而言，也可以基于卡尔曼滤波器方程推导出实际误差的对应界限。然而，该结果仅对线性卡尔曼滤波器有效。目前为止尚未显示出对扩展卡尔曼滤波器的扩展性。此外，在上述例外中未考虑预测步骤中的输入，并且假设了关于噪声、协方差和初始化误差的某些先验知识。
[0003]此外，由于没有协同考虑误差的概率性质，因此所导出的界限非常不精确。

技术实现思路

[0004]在此说明了一种用于通过使用不同的传感器信息来确定物体位置的方法，该方法至少包括以下步骤：
[0005]a)将传感器信息读取到卡尔曼滤波器中，
[0006]b)将传感器信息与卡尔曼滤波器融合，其中卡尔曼滤波器提供对于多个状态的估计值以及与这些估计值相对应的关于估计精度的信息作为结果，
[0007]c)通过对估计误差位于误差带内的精度概率的估计来监控卡尔曼滤波器的结果，其中通过使用多个条件概率来求取精度概率，多个条件概率的条件分别涉及至少一个先前时间步长的估计误差。
[0008]在步骤a)中，将传感器信息读取到卡尔曼滤波器中。传感器信息例如可以是以下传感器中的一个或多个传感器的信息：诸如光学传感器(摄像机、激光雷达)、声学传感器(超声波传感器)、雷达传感器的环境传感器和/或诸如GNSS传感器的位置传感器。在此，GNSS代表全球导航卫星系统。在步骤a)中，优选地读取不同传感器的传感器信息。
[0009]在步骤b)中，将传感器信息与卡尔曼滤波器融合，其中卡尔曼滤波器提供对于多个状态的估计值以及与这些估计值相对应的关于估计精度的信息作为结果。关于估计精度的相应信息例如可以是与估计值相关联的方差。
[0010]在步骤c)中，通过对(特定时间步长的)估计误差位于误差带内的精度概率的估计来监控卡尔曼滤波器的结果，其中通过使用多个条件概率来确定精度概率，多个条件概率的条件分别涉及至少一个先前时间步长(即早于该特定时间步长的时间步长)中的估计误
差。条件概率是一个事件在条件下发生的概率，其中通过其他事件的发生而已经已知该条件。步骤c)特别是用于(主动)监控或检测卡尔曼滤波器的收敛。
[0011]根据一个有利的设计方案提出，在步骤c)中求取条件概率的界限。在此，在步骤c)中可以推导出或求取以下界限中的至少一个或多个：P(|X
t
|>ε||X
t
‑1|>ε)，P(|X
t
|>ε||X
t
‑1|<ε)，P(|X
t
|<ε||X
t
‑1|>ε)和/或P(|X
t
|<ε||X
t
‑1|<ε)。这些界限或概率也可以针对比时间步长t和t
‑
1更多的时间步长来推导出或求取概率。这些概率特别是可以被分配给网格的边缘。然后可以沿网格的边缘推导出或求取P(|X
t
|>ε)的(上)界限。
[0012]根据另一有利的设计方案提出，通过使用拜勒米
‑
切比雪夫不等式和/或伯格不等式来求取界限。拜勒米
‑
切比雪夫不等式和伯格不等式特别是用于求取边界。在“Journal of Research of the National Bureau of Standards
‑
B.Mathematics and Mathematical Statistics 65B.3(1961)”中说明了拜勒米
‑
切比雪夫不等式和伯格不等式。
[0013]根据另一有利的设计方案提出，在步骤c)中以如下公式来求取精度概率的(上)界限：
[0014][0015]在此，F描述了精度概率的界限，其特别是取决于ε、γ和σ。在此，σ
i2
描述了卡尔曼滤波器在时间点i的方差。此外，ε描述了(最大可接受的)误差。此外，γ描述了误差应位于误差带
±
ε内的(最大或最小精度)概率。
[0016]然后可以由所取求的界限F以如下方式来估计精度概率P(|X
t
|<ε)：
[0017]P(|X
t
|<ε)≥1
‑
F(ε,γ,n,σ
i
)。
[0018]根据另一有利的设计方案提出，在步骤c)中对于卡尔曼滤波器的估计值求取其是否以给定的(最小)精度概率(公式符号γ)具有或包含(给定的)可接受估计误差。换言之，这特别是意味着可以预设ε和/或γ，从而可以求取P(|X
t
|<ε)的界限。
[0019]以这种方式实际求取的概率P(|X
t
|<ε)的界限可以与(指定或预设的)最小概率γ进行比较。然后，基于该估计可以针对相应的应用采取进一步的措施，例如，如果误差(以给定的精度概率)小于最大可接受误差，则授权自动驾驶。
[0020]根据另一有利的设计方案提出，通过使用多个车辆传感器的不同传感器信息来执行该方法，以用于确定车辆位置。在此，车辆位置特别是描述了机动车的大地位置。车辆传感器例如可以是光学传感器、声学传感器、雷达传感器和/或GNSS传感器。优选地，机动车是被设置用于自动或自主驾驶操作的汽车。
[0021]根据另一方面，还提出了一种用于执行在此描述的方法的计算机程序。换言之，特别是涉及一种包括指令的计算机程序(产品)，该指令在程序由计算机运行时使计算机执行在此描述的方法。
[0022]根据另一方面，还提出了一种机器可读的存储介质，在该存储介质上存储有计算机程序。机器可读的存储介质通常是计算机可读的数据载体。
[0023]根据另一方面，还提出了一种用于机动车的控制器，该控制器具有在此提出的存储介质。换言之，这特别是意味着存储介质可以是控制器的一部分或者可以与控制器连接。在此，控制器例如可以形成导航单元和/或用于自动或自主驾驶的控制器，或者是其一部分。控制器特别是可以被设置且配置用于车辆的自主运行本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于通过使用不同的传感器信息来确定物体位置的方法，所述方法至少包括以下步骤：a)将所述传感器信息读取到卡尔曼滤波器中，b)将所述传感器信息与所述卡尔曼滤波器融合，其中所述卡尔曼滤波器提供对于多个状态(x)的估计值(x
估计
)以及与这些估计值(x
估计
)相对应的关于估计精度的信息(σ2)作为结果，c)通过对估计误差(X＝x
‑
x
估计
)位于误差带(
±
ε)内的精度概率(P(|X
t
|＜ε))的估计来监控所述卡尔曼滤波器的结果，其中通过使用多个条件概率来求取所述精度概率(P(|X
t
|＜ε))，所述多个条件概率的条件分别涉及至少一个先前时间步长的估计误差(X
t
‑1，X
t
‑2，...)。2.根据权利要求1所述的方法，其中在步骤c)中求取所述多个条件概率的界限。3.根据权利要求2所述的方法，其...

【专利技术属性】
技术研发人员：D，
申请(专利权)人：罗伯特，
类型：发明
国别省市：