CN101320089A - 用于车辆动力估计的雷达、激光雷达和摄像机增强的方法 - Google Patents

Abstract

用于车辆动力估计的雷达、激光雷达和摄像机增强的方法。一种使用静态物体来估计包括车辆位置和速度的车辆动力的***。该***包括物体传感器，该物体传感器提供静态物体的物体信号。该***还包括车载传感器，该车载传感器提供表示车辆运动的信号。该***还包括关联性处理器，该关联性处理器接收物体信号，并且通过多个数据帧提供物体追踪。该***还包括纵向状态估计处理器，该纵向状态估计处理器接收物体信号和传感器信号，并且提供车辆速度在正向的校正。该***还包括横向状态估计处理器，该横向状态估计处理器接收物体信号和传感器信号，并且提供车辆速度在横向的校正。

Description

用于车辆动力估计的雷达、激光雷达和摄像机增强的方法

技术领域

本发明总的涉及一种用于确定车辆动力的***和方法，并且更特别地涉及一种利用雷达、激光雷达和/或摄像机信号的用于确定车辆速度和位置的***和方法。

背景技术

车辆中的各种驾驶员辅助***和自动驾驶操作，比如电子稳定性控制(ECS)、自适应巡航控制(ACC)、道路保持(LK)、道路改变(LC)等，要求开发高度健壮和精确的模块来估计各种车辆动力。这些模块对于提供车辆位置和速度的知识以按照想要的状态控制车辆是必要的。

当前，基于微型电子机械***(MEMS)的惯性测量单元(IMU)和轮转速传感器用于提供车辆速度。但是，轮转速传感器的性能在轮滑转动状况期间下降，比如在驾驶员执行转弯和转向操作时。因此，用于IMU的推算定位策略在这些时候用于产生车辆的车速和位置。因为MEMS IMU通常具有比昂贵陀螺***更大的误差，因此位置和速度的误差可快速增长。因此，仅仅当前的汽车级MEMS IMU通常不适合长时间的推算定位。

在本领域中已经提出了将GPS和低成本MEMS IMU集成以解决IMU的非零偏置和漂移问题。但是，这些***几乎没有解决GPS信号不总是可用的问题，比如在车辆处于没有足够数量的卫星可以被追踪以确定车辆的位置和速度的“城市峡谷”中时。

将来用于车辆的先进驾驶员辅助***(ADS)将包括各种物体检测传感器，比如长距离雷达和激光雷达传感器和超声停车辅助传感器。此外，当前正在开发用于车道偏离警告的基于摄像机的***。因此，对利用自这些设备的数据来估计车辆自运动(self-motion)有增加的兴趣。例如，一个***提出了使用车载的校准摄像机来估计自运动并检测在道路上运动的物体。另一个提出的***使用单个摄像机来基于光流来计算车辆的自运动。另外的工作包括在城市环境中将立体视觉用于自我姿势估计问题。但是，这些方法的每一个单独在混乱的场景中都不够可靠。此外，这些***几乎都没有明确对***集成的本质需求，***集成对于将来商业开发该技术来说是必须的。

发明内容

根据本发明的教导，公开了一种使用静态物体来估计包括车辆位置和速度的车辆动力的***和方法。该***包括比如雷达、激光雷达或摄像机的物体传感器，该物体传感器提供静态物体的物体信号。该***还包括车载传感器，该车载传感器提供表示车辆运动的信号，比如方向盘角度、偏航角速度、纵向速度、纵向加速度和横向加速度。该***还包括关联性处理器，该关联性处理器接收物体信号，并且通过多个数据帧提供物体追踪。该***还包括纵向状态估计处理器，该纵向状态估计处理器接收物体信号和传感器信号，并且提供车辆速度在正向的校正。该***还包括横向状态估计处理器，该横向状态估计处理器接收物体信号和传感器信号，并且提供车辆速度在横向的校正。

从随后的描述和所附权利要求并参考附图，本发明的其它特征将变得清楚。

附图说明

图1是根据本发明的实施例的用于使用物体传感器来确定车辆状态估计的***的方框；

图2是示出来自静态雷达轨迹的车辆自运动的平面图；

图3是识别用于车辆操纵的参数的自行车模型的图示；并且

图4是车辆坐标系的平面图。

具体实施方式

涉及用于使用雷达、激光雷达和/或摄像机信号来估计车辆动力的***和方法的本发明的实施例的随后讨论本质上仅仅是示例的，并且不是要限制本发明或其应用或用途。

如下面将详细讨论的，本发明提出了使用低成本MEMS IMU和其它车载动力传感器的集成***，以便通过使用支持传感器，比如雷达、激光雷达、视觉***或其组合来实时校正车辆动力估计。这将允许改进现有传感器的性能或更小且更便宜的传感器的相同性能。

图1是根据本发明的实施例的***10的框图，该***10提供车辆状态估计，比如车辆位置和速度。***10包括一个或多个物体传感器12，比如雷达、激光雷达、视觉***、摄像机等，这些传感器在车辆上可用于提供追踪车辆外部物体的信号。来自传感器12的信号被发送到关联性处理器14，该关联性处理器匹配来自连续视图信号的地图或图像，以追踪物体。来自关联性处理器14的轨迹被发送到估计正向车辆速度的纵向状态估计处理器16和估计横向车辆速度以作为偏航角速度和侧滑角度的横向速度状态处理器18。处理器16和18还接收来自车载传感器20的信号，比如方向盘角度传感器、偏航角速度传感器、纵向速度传感器、纵向加速度传感器、横向加速度传感器等，所有这些对于本领域技术人员都已知为如上所述的各种车辆稳定性控制和驾驶员辅助***的一部分。

物体传感器12从静态物体的测量中确定车辆的自运动。图2是包括雷达传感器28的车辆26的平面图，该雷达传感器追踪静态物体30，比如树。雷达传感器28被安装在车辆框架的重心(CG)并且沿着车辆行使方向定向。根据雷达信号，车辆速度可以计算为：

υ_x＝-(x′-x)/ΔT    (1)

υ_y＝-(y′-y)/ΔT    (2)

r＝-(θ′-θ)/ΔT    (3)

其中量(x，y)和(x′，y′)分别是在时间t和t+Δt处静止物体30的位置，并且υ_x，υ_y和r分别是车辆26的纵向速度、横向速度和偏航角速度。

上面所引用的距离计算可以使用车辆32的自行车模型来扩展，如图3所示，以提供在关联性处理器14中的位置追踪。距离传感器34被安装在车辆上的位置(x°，y°，θ°)处，并且指向正面方向。对于自行车模型的符号可以按如下给出：

a：前轮轴与车辆重心(CG)的距离；

b：后轮轴与车辆CG的距离；

m：车辆质量；

I_z：沿着z轴的车辆惯性质量；

δ：前车轮角度；

l：车辆偏航角速度

u：车辆纵向速度；和

υ：车辆横向速度。

雷达输出是在时间t的物体列表{o_i|i＝1，...，K}。第i个物体o_i的测量包含距离ρ、距离变化率

和方位角θ。通常长距离雷达的视野比较窄，例如15°，因此每个检测的物体在x轴中位于车辆之前。以下的方程式

(4)可用于确定物体是否是静止的。

$|\stackrel{\&CenterDot;}{r}\cos \mathrm{\&theta;}-{\mathrm{\&upsi;}}_x|<T---\left(4\right)$

车辆动力可以由状态矢量z表示，该矢量的分量包括：

δa_x：对纵向加速度测量的校正；

υ_x：车辆纵向速度；

δr：对偏航角速度测量的校正；

υ_y：车辆横向速度；和

{(x_i，y_i)|i＝1，...，K}：静止物***置的列表。

纵向状态估计处理器16从传感器接收纵向位置、纵向速度、纵向加速度和车辆速度信号，并且使用卡尔曼滤波和自回归噪声模型来提供校正的纵向加速度a_xo、校正的纵向速度υ_xo、和车辆的轮滑转动。传感器20，比如加速度计和轮传感器，给出车辆的纵向加速度a_xo和速度υ_xo的测量。估计处理器16可以接收来自雷达输入的车辆的纵向位置和纵向速度和来自车载传感器20的纵向加速度和车辆速度。

处理器16将加速度校正当作随机行走过程。车辆的纵向***可以被写作为：

$x_i(t+1)=x_i\left(t\right)-{\mathrm{\&Delta;T\&upsi;}}_x\left(t\right)-\frac{{\mathrm{\&Delta;T}}^2}{2}(a_{\mathrm{xo}}\left(t\right)+{\mathrm{\&delta;a}}_x\left(t\right))-\frac{{\mathrm{\&Delta;T}}^2}{2}\&Element;---\left(5\right)$

υ_x(t+1)＝υ_x(t)+ΔT(a_xo(t)+δa_x(t))+ΔT∈     (6)

δa_x(t+1)＝δa_x(t)+∈                          (7)

其中∈是具有高斯分布的零均值白随机过程。

给定来自第i个物体的 $o_i=(p_i,{\stackrel{\&CenterDot;}{p}}_i,{\mathrm{\&theta;}}_i)$ 的测量，观察方程式可以被写作为：

p_icosθ_i＝x_i+v₁                      (8)

${\stackrel{\&CenterDot;}{p}}_i\cos {\mathrm{\&theta;}}_i=-{\mathrm{\&upsi;}}_x+v_2---\left(9\right)$

υ_xo＝υ_x+v₃                         (10)

其中量v₁，v₂和v₃是被建模成高斯白随机过程的观察噪声。

如果随后条件满足的话，则处理器16中的卡尔曼滤波过程用于确定校正的纵向加速度a_x+δa_x、校正的纵向速度υ_x、和轮滑转动。

|υ_x-υ_xo|＞T           (11)

其中T是阈值。

横向状态估计处理器18从传感器接收物体方位角、物体横向偏移、方向盘角度、偏航角速度和横向加速度信号，并且使用卡尔曼滤波和自回归噪声模型来提供车辆的偏航角速度校正、横向加速度校正和横向速度信号。车载传感器20，比如加速度计和偏航角速度传感器，给出车辆的横向加速度a_yo和偏航角速度r_o的测量。方向盘角度传感器给出方向盘角度δ_f。偏航角速度的校正被建模成随机行走。通过令L＝a+b是轴距，并且c_f和c_r是前后轮胎的转弯刚度系数，横向受控体模型(plant model)被写作为：

y_i(t+1)＝y_i(t)-ΔT((r_o+δr(t))x_i+υ_y(t))-ΔTx_i∈₁-ΔT∈₂    (12)

${\mathrm{\&upsi;}}_y(t+1)=(1-\mathrm{\&Delta;T}\frac{c_f+c_r}{{\mathrm{m\&upsi;}}_x}){\mathrm{\&upsi;}}_y\left(t\right)+\mathrm{\&Delta;T}\left(\frac{c_{r}b-c_{f}b}{{\mathrm{m\&upsi;}}_x}\right)(r_o+\mathrm{\&delta;r}\left(t\right))+\mathrm{\&Delta;T}\frac{c_f}{m}{\mathrm{\&delta;}}_f+{\&Element;}_2---\left(13\right)$

$\mathrm{\&delta;r}(t+1)=\mathrm{\&Delta;T}\frac{{-\mathrm{ac}}_f+{\mathrm{bc}}_r}{I_z{\mathrm{\&upsi;}}_x}{\mathrm{\&upsi;}}_y\left(t\right)-\mathrm{\&Delta;T}\frac{a^2{c}_f+b^2{c}_r}{I_z{\mathrm{\&upsi;}}_x}(r_o+\mathrm{\&delta;r}\left(t\right))+{\&Element;}_1---\left(14\right)$

其中∈₁和∈₂是两个白高斯随机过程。

给定了来自第i个物体的的测量，观察方程式可以写作为：

p_isinθ_i＝y_i+v₁                  (15)

a_yo＝υ_x(r_o+δ_r)+v₂               (16)

其中量v₁和v₂是被建模成高斯白随机过程的观察噪声。这里v₁是由测量引入的误差，并且v₂是由倾斜的道路或传感器测量引入的误差。

横向估计处理器18中的卡尔曼滤波器用于确定校正的偏航角速度(r_o+δr)、校正的横向加速度(a_y+δa_y)、和横向速度υ_y。

在现有技术中使用的多数距离传感器用标识符报告物体，该标识符在不同的时间帧上保持相同。这个信息用于匹配来自连续帧的物体地图。数学上，可以假设传感器给出在时间t的物体地图{o_i(t)，l_i(t)|i＝1，..，K_t}和在时间t′的地图{o_j(t′)，l_j(t′)|j＝1，...，K_t′}，其中1表示物体标识符。因此，连续地图的匹配可以定义为：

{(o_i(t)，o′_j(t′))|l_i(t)＝l_j(t′)，1≤i≤K_t，1≤j ≤k_t′}    (17)

在一个实施例中，单目摄像机可以用作为物体传感器。该摄像机通过追踪地上的某些场景元素来恢复在地面上导航的车辆的运动。在单目序列中，单应性变换存在于相同平面上元素的两个视图之间。即是，对于两个图像之间的一组点对应x_i，x′_j，假设点是共面的，存在如下定义的单应矩阵F：

x′_j＝Fx_i                (18)

其中x表示同构图像坐标(u，υ，m)^T，其表示在

的图像像素。

在时间t的世界坐标被如此定义使得平面x-o-y与地面一致，如图4所示。用图形平面和对称轴分别与平面o′x′y′和z′-axis，相一致的摄像机来固定摄像机坐标***o′x′y′z′。通过令摄像机的两个视图的投影矩阵分别为P＝K[I|0]和P′＝K[Rc]，单应矩阵F可以被给定为：

F＝K(R-cn^T/d)K^-1                      (19)

其中K是内参矩阵，R是摄像机旋转矩阵，c是摄像机中心坐标并且π＝(n^T，d)^T是平面方程式(n^TX+d＝0)，其都在世界坐标***中。

在图4中，令P表示t时的投影矩阵为P＝KR[I|-c]，其中c＝(x，y，-d)^t并且R是摄像机的外参矩阵。地平面被表示为 ${\mathrm{\&pi;}}_0={(n_o^T,0)}^T,$ 其中n₀＝(0，0，1)^T。对于下一个帧t′的视图，车辆在地平面上平移Δc＝(Δ_x，Δ_y，0)^T并旋转Δθ。旋转矩阵可被写作为：

$\mathrm{\&Delta;R}=\left(\begin{array}{ccc}\cos \mathrm{\&Delta;\&theta;}& \sin \mathrm{\&Delta;\&theta;}& 0\\ -\sin \mathrm{\&Delta;\&theta;}& \cos \mathrm{\&Delta;\&theta;}& 0\\ 0& 0& 0\end{array}\right)---\left(20\right)$

接着，时间t′的投影矩阵P′可以被写作为P′＝KR′[I|-c′]，其中R′＝RΔR并且c′＝c+Δc。

为了应用方程式(19)，在时间t，世界坐标***被移动到摄像机中心。新的投影矩阵变为：

P＝K[I|0]                    (21)

地平面变为(Rn₀，d)。因此：

$F=K(R^{\&prime;}{R}^{-1}+R^{\&prime;}\mathrm{\&Delta;}{\mathrm{cn}}_0^T{\mathrm{RR}}^T/d)K^{-1}---\left(23\right)$

应用R^T＝R^-1和R′＝RΔR给出了：

$F=\mathrm{KR\&Delta;R}(I+{\mathrm{\&Delta;cn}}_0^T/d){\left(\mathrm{KR}\right)}^{-1}---\left(24\right)$

如果校准的摄像机被考虑，即K和R提前已知，则本质矩阵E可以计算为：

$E={\left(\mathrm{KR}\right)}^{-1}\mathrm{FKR}=\mathrm{\&Delta;R}(I+{\mathrm{\&Delta;cn}}_0^T/d)---\left(25\right)$

利用n＝(0，0，1)^T，Δc＝(Δx，Δy，0)^T以及方程式(20)，本质矩阵E可以写作为：

$E=\left(\begin{array}{ccc}\cos \mathrm{\&Delta;\&theta;}& \sin \mathrm{\&Delta;\&theta;}& \frac{\mathrm{\&Delta;x}}{d}\cos \mathrm{\&Delta;\&theta;}+\frac{\mathrm{\&Delta;y}}{d}\sin \mathrm{\&Delta;\&theta;}\\ -\sin \mathrm{\&Delta;\&theta;}& \cos \mathrm{\&Delta;\&theta;}& -\frac{\mathrm{\&Delta;x}}{d}\sin \mathrm{\&Delta;\&theta;}+\frac{\mathrm{\&Delta;y}}{d}\cos \mathrm{\&Delta;\&theta;}\\ 0& 0& 1\end{array}\right)---\left(26\right)$

通常旋转角度θ对于两个连续视图较小(即sinθ＜＜1)。因此，方程式(26)可以近似为：

$E\&ap;\left[\begin{array}{ccc}\cos \mathrm{\&Delta;\&theta;}& \sin \mathrm{\&Delta;\&theta;}& \frac{\mathrm{\&Delta;x}}{d}\\ -\sin \mathrm{\&Delta;\&theta;}& \cos \mathrm{\&Delta;\&theta;}& \frac{\mathrm{\&Delta;y}}{d}\\ 0& 0& 1\end{array}\right]---\left(27\right)$

方程式(27)中的本质矩阵E实际上是具有平移Δx/d，Δy/d和旋转θ的二维变换。

给定一组匹配的特征点对{(x_i，x′_i|i＝1，...，N)}，自运动估计可以用公式表示为最小二乘估计：

$\arg \underset{F}{\min }\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\left|\right|x_i^{\&prime;}-{\mathrm{Fx}}_i\left|\right|---\left(28\right)$

其可以被变换成：

$\arg \underset{E}{\min }\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\left|\right|{\hat{x}}_i^{\&prime;}-E{\hat{x}}_i\left|\right|---\left(29\right)$

其中如果摄像机的校准矩阵K和R是已知的，则 $\hat{x}=\mathrm{KRx}$ 和 ${\hat{x}}^{\&prime;}={\mathrm{KRx}}^{\&prime;}.$

检查方程式(27)，两个视图之间的规格化的点彼此与刚性旋转(Δθ)和平移(Δx/d，Δy/d)有关。随后的方法可用于恢复参数。

输入是N对匹配的地面特征点{(x_i，x′_i)|i＝1，...，N}和摄像机的内参和外参参数矩阵K和R。

输出是估计的自运动参数c₂＝(Δx/d，Δy/d)和 $R_2=\left(\begin{array}{cc}\cos \mathrm{\&Delta;\&theta;}& -\sin \mathrm{\&Delta;\&theta;}\\ \sin \mathrm{\&Delta;\&theta;}& \cos \mathrm{\&Delta;\&theta;}\end{array}\right).$

1.对于所有x_i和x′_i，计算 ${\hat{x}}_i=\mathrm{KRxi}$ 和 ${\hat{x}}_i^{\&prime;}=\mathrm{KR}{x}_i^{\&prime;}.$

2.计算 $\stackrel{\&OverBar;}{x}=\frac{I}{N}{\mathrm{\&Sigma;}}_{i=1}^N{\hat{x}}_i$ 和 ${\stackrel{\&OverBar;}{x}}^{\&prime;}=\frac{I}{N}{\mathrm{\&Sigma;}}_{i=1}^N{\hat{x}}_i^{\&prime;}.$

3.计算：

$C=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{({\hat{x}}_i-\stackrel{\&OverBar;}{x})({\hat{x}}_i-\stackrel{\&OverBar;}{x})}^T---\left(30\right)$

4.令矩阵C的奇异值成分被写作为C＝UWV^T。

接着，旋转R₂和平移t₂可以被求解为：

$R_2=U\left(\begin{array}{cc}1& 0\\ 0& \det \left({\mathrm{UV}}^T\right)\end{array}\right)V^T---\left(31\right)$

t₂＝x′-R₂x            (32)

哈里斯转弯检测器可用于检测两个连续图像中的特征点。接着，进行图像的校正操作以找到所发现的特征点之间的匹配。当且仅当以下条件满足时，图像I中在(u，υ)的图像点和图像I′中在(u′，υ′)的图像点是匹配的：

$\sqrt{{(u-u^{\&prime;})}^2+{(\mathrm{\&upsi;}-{\mathrm{\&upsi;}}^{\&prime;})}^2}<T_1---\left(33\right)$

$\frac{1}{K^2}\underset{i=u-K}{\overset{u+K}{\mathrm{\&Sigma;}}}\underset{i=\mathrm{\&upsi;}-K}{\overset{\mathrm{\&upsi;}+K}{\mathrm{\&Sigma;}}}|I(i,j)-I(i,j)|<T_2---\left(34\right)$

在之前循环中估计的运动参数用于引导匹配过程。随后的外露层删除方法用于拒绝地面上或来自动态移动物体(比如道路上的车辆)的场景元素。

输入是像素坐标中的两组场景元素(用内参和外参矩阵规格化)，通过 $\left\{({\hat{u}}_i,{\widehat{\mathrm{\&upsi;}}}_i)\right|i=1,...,N\}$ 和 $\left\{({\hat{u}}_j,{\widehat{\mathrm{\&upsi;}}}_j)\right|j=1,...,M\}$ 表示。

输出是匹配的点对和估计的运动参数。

1.通过使用先前的运动参数： $-\left(\begin{array}{c}{\tilde{u}}_i\\ {\tilde{u}}_i\end{array}\right)=R_2\left(\begin{array}{c}{\tilde{u}}_i\\ {\tilde{u}}_i\end{array}\right)+t_2$ 来预测先前帧中元素的位置。

2.使用校正方法来匹配预测点集合

和

3.随机挑选不少于四个匹配的不同线的对，并且接着使用上面讨论的方法来导出自运动参数。

4.通过使用来自步骤3的匹配对来验证导出的运动参数。

5.如果多数匹配的点的误差足够小，则离开过程，否则跳转到步骤3。

类似于上面讨论的距离传感器，多个帧上的自运动可以通过追踪估计。受控体模型和观察模型可以被按如下写出。

运动状态通过以下表示：

υ_x：车辆纵向速度；

υ_y：车辆横向速度；

δr：偏航角速度测量校正；和

δa_x：纵向加速度校正。

令υ_xo，a_xo，r_o，和a_yo分别表示测量的纵向速度、纵向加速度、偏航角速度和横向加速度。接着，受控体模型可写作为：

δa_x(t+1)＝δa_x(t)+∈₁                        (35)

υ_x(t+1)＝υ_x(t)+ΔT(δa_x(t)+a_xo)+ΔT∈₁      (36)

$\mathrm{\&delta;r}(t+1)=\mathrm{\&Delta;T}\frac{{-\mathrm{ac}}_f+{\mathrm{bc}}_r}{I_z{\mathrm{\&upsi;}}_x}{\mathrm{\&upsi;}}_y\left(t\right)-\mathrm{\&Delta;T}\frac{-a^2{c}_f+b^2\mathrm{cr}}{I_z{\mathrm{\&upsi;}}_x}(r_o+{\mathrm{\&delta;}}_r\left(t\right))+{\&Element;}_2---\left(37\right)$

${\mathrm{\&upsi;}}_y(t+1)=(1-\mathrm{\&Delta;T}\frac{c_f+c_r}{{\mathrm{m\&upsi;}}_x}){\mathrm{\&upsi;}}_y\left(t\right)+\mathrm{\&Delta;T}(\frac{c_{r}b-c_{f}b}{{\mathrm{m\&upsi;}}_x}-{\mathrm{\&upsi;}}_x)(r_o+\mathrm{\&delta;r}\left(t\right))+\mathrm{\&Delta;T}\frac{c_f}{m}{\mathrm{\&delta;}}_f+{\&Element;}_3---\left(38\right)$

其中∈₁，∈₂和∈₃是零均值高斯白噪声。

令从两个连续视图恢复的运动参数由(Δθ_o(t)，Δx_o(t)，Δy_o(t))表示，其中Δθ_o是旋转角度并且(Δx_o，Δy_o)是平移。观察方程式可写作为：

Δx_o＝υ_xΔT+v₁                (39)

Δy_o＝υ_yΔT+v₂                (40)

Δθ_o＝(r_o+δr)ΔT+v₃          (41)

a_yo＝υ_x(r_o+δr)+v₄            (42)

其中v₁，v₂，v₃，和v₄是由测量引入的噪声，通常被修改为零均值高斯随机过程。

因此，卡尔曼滤波器可用于确定状态变量。

前面的讨论仅仅公开和描述了本发明的示例实施例。本领域的技术人员将容易从这样的讨论和附图以及权利要求中认识到各种变化、修改和变型可以在这里做出而不会偏离随后权利要求中限定的本发明的精神和范围。

Claims (20)

1.一种估计车辆中的车辆动力的***，所述***包括：

物体检测传感器，用于检测相对于车辆运动的静态物体，所述物体传感器提供物体检测信号来追踪物体；

多个车载传感器，提供表示车辆运动的传感器信号；

响应于所述物体信号的关联性处理器，所述关联性处理器匹配连续视图的物体信号以追踪该物体，并且提供物体追踪信号；

响应于物体追踪信号和传感器信号的纵向状态估计处理器，并且提供相对于车辆运动在正向上的车辆速度的估计；和

响应于物体追踪信号和传感器信号的横向状态估计处理器，所述横向状态估计处理器估计相对于车辆运动在横向上的车辆速度。

2.根据权利要求1的***，其中从由雷达设备、激光雷达设备、摄像机和视觉***组成的组中选择物体检测传感器。

3.根据权利要求1的***，其中物体检测传感器是长距离雷达传感器。

4.根据权利要求3的***，其中长距离雷达传感器安装在车辆重心。

5.根据权利要求1的***，其中物体检测传感器通过应用自行车模型来检测物体的位置。

6.根据权利要求1的***，其中从由方向盘角度传感器、偏航角速度传感器、纵向速度传感器、纵向加速度传感器和横向加速度传感器组成的组中选择车载传感器。

7.根据权利要求1的***，其中纵向状态估计处理器和横向状态估计处理器应用卡尔曼滤波器来确定车辆的纵向和横向速度。

8.根据权利要求7的***，其中纵向状态估计处理器接收车辆纵向位置、车辆纵向速度、车辆纵向加速度和车辆速度的物体和传感器信号，并且使用卡尔曼滤波器和自回归噪声模型来提供校正的纵向加速度、校正的车辆速度和轮滑转动信号。

9.根据权利要求7的***，其中横向状态估计处理器接收物体的方位角和横向偏移以及车辆的方向盘角度、偏航角速度和横向加速度的物体和传感器信号，并且使用卡尔曼滤波器和自回归噪声模型来提供车辆的偏航角速度校正、横向加速度校正和横向速度。

10.根据权利要求1的***，其中物体检测传感器是单目摄像机。

11.根据权利要求1的***，其中所述***是基于微型电子机械***的惯性测量单元的一部分。

12.一种用于确定车辆速度的***，所述***包括：

物体检测传感器，用于检测相对于车辆运动的静态物体；和

响应于物体检测信号的处理器，所述处理器追踪所述物体并且利用用于确定车辆相对于静态物体的纵向和横向速度的模型，所述处理器利用卡尔曼滤波。

13.根据权利要求12的***，其中从由雷达设备、激光雷达设备、摄像机和视觉***组成的组中选择物体检测传感器。

14.根据权利要求12的***，其中物体检测传感器通过应用自行车模型来检测物体的位置。

15.根据权利要求12的***，还包括车载传感器，用于提供表示车辆运动的信号，所述处理器响应于来自车载传感器的信号以确定车辆的纵向和横向速度。

16.一种估计车辆的车辆动力的方法，所述方法包括：

检测相对于车辆运动的静态物体并提供物体检测信号；

使用车载传感器来测量各种车辆状态并提供传感器信号；

使用物体信号和传感器信号来提供车辆的校正的纵向加速度和车辆速度；和

使用物体检测信号和传感器信号来提供车辆的校正的横向加速度和偏航角速度。

17.根据权利要求16的方法，其中检测静态物体包括使用雷达设备、激光雷达设备和/或摄像机设备。

18.根据权利要求16的方法，其中使用车载传感器来测量各种车辆状态包括：使用方向盘角度传感器、偏航角速度传感器、纵向速度传感器、纵向加速度传感器和横向加速度传感器。

19.根据权利要求16的方法，其中提供校正的纵向加速度和车辆速度包括：接收识别车辆纵向位置、车辆纵向速度、车辆纵向加速度和车辆速度的物体信号和传感器信号，并是使用卡尔曼滤波器和自回归噪声模型来提供校正的纵向加速度、车辆速度和轮滑转动。

20.根据权利要求16的方法，其中提供校正的横向加速度和偏航角速度包括：使用识别物体方位角和物体横向偏移的物体信号和识别方向盘角度、偏航角速度和横向加速度的传感器信号，并且使用卡尔曼滤波器和自回归噪声模型来提供横向加速度校正、横向速度校正和偏航角速度。

Images