CN101472782B - 车辆状态量预测装置及方法和车辆转向控制器及控制方法 - Google Patents

Abstract

一种车辆状态量预测装置，其具有诸如GPS接收器(11)的传感器和卡尔曼滤波器(200)，传感器观测代表车辆运动状态的指定状态量，卡尔曼滤波器(200)将由传感器观测到的状态量输入到车辆运动状态模型中以预测代表车辆运动的包括所述指定状态量在内的状态量。评估由所述传感器观测到的指定状态量的可靠度，并基于所评估的可靠度来设定指定状态量在卡尔曼滤波器(200)中的反映程度。

Description

车辆状态量预测装置及方法和车辆转向控制器及控制方法

技术领域

本发明涉及车辆状态量预测器和用于预测代表车辆运动的状态量的方法。更具体地，本发明涉及模拟车辆运动以计算车辆运动状态量从而预测车辆实际状态量的车辆状态量预测器和用于预测车辆状态量的方法。本发明还涉及利用车辆状态量预测器和预测车辆状态量的方法的车辆转向控制器和车辆转向控制方法。

背景技术

已经描述在预先建立的适于使用自动转向控制***的路面上驾驶车辆的现有车辆驾驶***。在所描述的车辆驾驶***中，在路面上沿车辆行驶路线以指定间隔安装标记(磁性标记)。每当车辆经过标记时，就从安装在车辆上的标记传感器输出检测信号。检测信号表明标记和车辆之间的相对位置关系并用作检测车辆在车辆行驶路线中的横向位移的基础。车辆基于当车辆经过每个标记时检测到的横向位移而自动转向以避免偏离车辆行驶路线。

在所描述的现有车辆驾驶***中，为了获得更大的转向控制精确度，提出利用卡尔曼滤波器来预测转向控制所需的代表车辆的横摆和横向平移的状态量(例如，如在日本专利公报No.JP-A-2001-34341中所述的)。JP-A-2001-34341描述了采用卡尔曼滤波器利用每当车辆经过标记时得到的横向位移的观测值来计算定义为代表车辆的横摆和横向平移的状态量的四个状态量(横摆率、横摆角、横向位移速度和横向位移)的预测值。

在JP-A-2001-34341中，距域卡尔曼滤波器获取每当车辆经过磁性标记时观测到的横向位移和横摆率并利用观测到的值来预测车辆的状态量的值；时域卡尔曼滤波器获取以指定时间间隔观测到的横摆率并利用观测到的值采用前一时刻计算出的预测值来计算车辆状态量的预测值。每当距域卡尔曼滤波器获取预测量时，时域卡尔曼滤波器就利用由距域卡尔曼滤波器预测出的值替代来自前一时刻的预测值而计算出车辆状态量的预测值。也就是说，通过使由距域卡尔曼滤波器获取的针对每个磁性标记的车辆预测值反映在由时域卡尔曼滤波器做出的预测中，从而即使不能观测到横向位移的标记之间也能够提高预测车辆状态量的精确性。

然而，JP-A-2001-34341指出，因为直到经过下一磁性标记，由距域卡尔曼滤波器在经过紧邻的前一标记时得到的预测值才能在由时域卡尔曼滤波器做出的预测中有所反映，如果在磁性标记之间发生较大的横向平移，则在磁性标记之间的状态量的预测误差趋向于变大。也就是说，因为不能观测到在磁性标记之间发生的横向位移，所以由实际路面构建、横摆率漂移以及车辆模拟引起的误差趋向于累积。结果，在使得由距域卡尔曼滤波器获得的预测值反映在时域卡尔曼滤波器中的周期变长(例如，当以非常慢的速度沿具有较大曲率的曲线行驶时)的情况下，由时域卡尔曼滤波器在磁性标记间做出的预测中的误差趋向于增大。

发明内容

鉴于上述原因，本发明提供了提高对代表车辆运动的状态量的预测精确度的车辆状态量预测装置及方法。本发明还提供了利用上述车辆状态量预测装置及方法的转向控制装置及方法。

本发明的第一方面是一种车辆状态量预测装置，所述车辆状态量预测装置包括：多个观测装置，其观测代表车辆运动的指定状态量；预测装置，其将由观测装置观测到的指定状态量输入到车辆模型中以预测代表车辆运动的状态量；以及评估装置，其为每个观测装置设定由观测装置观测到的指定状态量的可靠度。在第一方面中，基于由评估装置设定的可靠度来设定由观测装置观测到的指定状态量在模型中的反映程度。如此一来，即使由于观测条件或观测环境恶化导致一部分观测装置的观测精确度降低，仍然能够进行有说服力的状态量预测。

评估装置可以基于以观测装置自身的观测结果为基础确定的观测 状态来设定可靠度，并且观测状态的观测误差越大则将可靠度设定得越低。如此一来，因为在致使观测误差大的观测条件下能够限制观测结果在模型中的反映程度，所以即使由于观测条件恶化导致观测装置的观测精确度下降仍然能够进行有说服力的状态量预测。

评估装置可以基于观测指定状态量时的观测环境来设定可靠度，并且在观测环境中的观测误差越大则将可靠度设定得越低。如此一来，因为在客观地对观测环境作出观测误差大的判定的情况下能够限制观测结果在模型中的反映程度，所以即使因为观测环境恶化导致观测精确度下降仍然能够进行有说服力的状态量预测。

评估装置可以基于自观测指定状态量以来所经过的时间来设定可靠度，并且所经过的时间越长则将可靠度设定得越低。如此一来，因为从观测时刻起随时间经过而降低的观测数据的精确度能够反映在模型中，所以即使当因为时间流逝导致观测精确度降低时仍然能够进行有说服力的状态量预测。例如，即使由于实际道路构建引起的误差或者车辆模型误差随时间流逝而累积，仍然能够进行有说服力的状态量预测。

评估装置可以基于从观测指定状态量的观测点起始的行驶距离来设定可靠度，并且行驶距离越长则将可靠度设定得越低。如此一来，因为从观测时刻起随行驶距离而降低的观测数据的精确度能够反映在模型中，所以即使在因为起始于观测点的行驶距离增大导致观测精确度降低的情况下，仍然能够进行有说服力的状态量预测。例如，即使由于实际道路构建引起的误差或者车辆模型误差随时间流逝而累积，仍然能够进行有说服力的状态量预测。

在前述方面中，评估装置可以为卡尔曼滤波器，在卡尔曼滤波器中，每个观测值的观测误差的标准偏差项添加到卡尔曼滤波器的观测等式中，标准偏差越大则将可靠度设定得越低。

本发明的第二方面提供车辆转向控制器，其具有：根据前述方面的车辆状态量预测装置；和控制信号发生器，其基于由车辆状态量预测装置预测的代表车辆运动的状态量而在转向***中产生对转向致动器的控制信号。

本发明的第三方面是用于预测车辆状态量的方法，该方法通过以下步骤实施：观测代表车辆运动的多个指定状态量；将观测到的指定状态量输入到车辆运动的模型中以预测代表车辆运动的状态量；为每个观测设定观测到的指定状态量的可靠度；以及基于所设定的可靠度来设定观测到的指定状态量在模型中的反映程度。

本发明的第四方面是车辆转向控制方法，该方法通过以下步骤实施：通过根据第三方面的预测车辆状态量的方法来预测代表车辆运动的状态量；以及基于代表车辆运动的状态量在转向***中产生对转向致动器的控制信号。

本发明的这些方面能够实现提高代表车辆运动的状态量的预测精确度提高的车辆状态量预测装置及方法。还能够实现利用车辆状态量预测装置及方法的车辆转向控制器及控制方法。

附图说明

参照附图从以下对实施方式的描述将明确本发明的前述和其它目的、特征以及优点，附图中使用同样的附图标记代表同样的元件，并且附图中：

图1是描述在卡尔曼滤波器中使用的方法的结构图；

图2是示出应用了本发明示例性实施方式的车辆状态量预测装置的车辆中的自动转向装置的构造的结构图；

图3是示出关于模拟车辆的车辆坐标轴系和各变量的定义的图；

图4是示出控制单元中的程序的流程图；

图5是描述新鲜度计算的图；

图6是描述在卡尔曼滤波器中使用的方法的结构图。

具体实施方式

下面参照附图描述本发明的示例性实施方式。根据本发明实施方 式的车辆状态量预测装置利用卡尔曼滤波器来预测车辆的状态量，并且特别是预测代表车辆沿横向的运动(横摆和横向平移)的状态量。具体地，预测例如横摆率、横摆角、横向位移速度以及横向位置(横向位移)作为代表车辆沿横向的运动的状态量。

将利用图1概括描述在预测中使用的方法。在图1中，例如，将车辆100的转向控制为使车辆100沿离散地放置有磁性标记的路线行驶。车辆100沿横向的运动受诸如转向角、车速、路面曲率以及倾斜角(斜面)的因素影响。在代表运动的状态量(横摆率、横摆角、横向位移速度、以及横向位置)中，基于来自横摆率传感器的检测信号自行观测横摆率，并且基于由诸如磁性传感器的标记传感器在每个磁性标记处检测到的检测信号来观测横向位置。也可以基于来自能够辨认车辆位置的全球定位***(GPS)接收器或者能够识别沿行驶路线画出的白线的白线识别装置的检测信号自行观测横向位置。

卡尔曼滤波器200模拟受诸如前面提到的转向角、轮速、路面曲率以及倾斜角的因素影响的车辆100的运动，并利用这些因素连同如上所述的观测到的横向位置和横摆率以及来自前一时刻的预测值来计算横摆率、横摆角、横向位移速度以及横向位置的预测值。实际观测到的横摆率和横向位置包括与横摆率传感器、标记传感器、白线识别测量以及GPS测量相关联的稳态噪声分量(测量噪声)，还包括车辆100的特征噪声分量(***噪声)。通过卡尔曼滤波器200对各种状态量(横摆率、横摆角、横向位移速度以及横向位置)的预测值反复地进行计算，以消除上述噪声分量，使状态量的预测值与真实值趋于一致。

例如如图2所示，构造出使用利用上述卡尔曼滤波器的车辆状态量预测装置的车辆转向控制器。在图2中，GPS接收器11、白线识别装置12、标记传感器13、横摆率传感器14、加速度传感器(G传感器)15、轮速传感器16以及转向角传感器17连接到控制单元(ECU)50。GPS接收器11输出指示与通过从GPS卫星接收到的信息辨认出的车辆位置相关的坐标信息(例如，横坐标和纵坐标)的检测信号。白线识别装置12输出指示车辆与沿行驶路线画出的白线的在横向上的相对位置关系的检测信号。标记传感器13输出指示由磁性标记(车道标记)产生的磁力强度的检测信号。当车辆经过沿行驶 路线安置的磁性标记之一时，标记传感器13输出指示磁性标记与车辆的横向位置之间的相对位置关系的检测信号。横摆率传感器14输出指示车辆在运动时的横摆率的检测信号。G传感器15输出指示在车辆运动时的车辆横向加速度的检测信号。轮速传感器16输出脉冲信号作为指示运动车辆的车轮转速(对应于车速)的检测信号。转向角传感器17输出指示转向轮(前轮)的转向角的检测信号。

记忆单元20预先存储车辆行驶过的路面的轮廓(曲率、倾斜角、路面上的车道数量、车道宽度以及海拔等)、关于周围道路和建筑物(诸如房屋、楼宇、十字路口、铁路岔口、停车场以及收费道路的收费亭)的地图信息以及坐标数据，控制单元50按需要从记忆单元读取地图信息。可以通过车辆间通信、道路-车辆通信以及与指定外部控制中心的通信或者通过诸如CD(光盘)或DVD(数字化视频光盘)来更新记忆单元20中的地图信息。

控制单元50具有上述卡尔曼滤波器200的函数和用于使车辆转向的函数。通过卡尔曼滤波200函数进行代表车辆沿横向运动的状态量的计算，车辆转向控制器31基于计算出的预测状态量来计算转向角并根据计算出的转向角输出转向控制信号。以此方式，基于从控制单元50输出的转向控制信号，驱动设置在转向***中的转向致动器32。

控制单元50的卡尔曼滤波器200使用以下定义：

状态量x＝(η，η’，θ，γ)^T；

影响因素(输入量)u＝(δ，κ，a)^T；

***噪声w＝(wη，wη’，wθ，wγ)^T；

观测量y＝(Dmag，Dgps，Dwl，γy)^T；

观测误差标准偏差σ＝(σmag，σgps，σwl，σγ)^T，

利用这些定义，控制单元50由等式(1)指示的状态等式和由等式(2)指示的观测等式公式化。符号()T表示转置矩阵。并且，式中的η′和意思相同。

其中：

$A_1=-\frac{K_f+K_r}{m},$ $A_2=-\frac{K_f{l}_f-K_r{l}_r}{m}$

$A_3=-\frac{K_f{l}_f-K_r{l}_r}{I},$ $A_4=-\frac{K_f{l_f}^2-K_r{l_r}^2}{I}$

在上式中：

在等式(1)中的(d/dt)是关于时间t的微分算子。如下定义状态等式(1)和观测等式(2)中的变量：

η：车辆重心的横向位置；

η’：车辆重心的横向位移速度(车辆重心的横向位置的导数)；

θ：相对于道路切线的横摆角；

γ：横摆率

δ：转向角(由转向角传感器17检测到的)

κ：路面曲率(从地图信息获取)

α：倾斜角(从地图信息获取)

Dmag，Dgps，Dwl：横向位置(观测值)

γy：横摆率(观测值)

wη，wη’，wθ，wγ：状态量的***噪声

V：车速(由轮速传感器11检测到的)

g：重力加速度

m：车辆的质量

I：横摆动量质量

Kf，Kr：在前轮和后轮上的轮胎偏转刚度；

lf，lr：重心与前轮和后轮之间的距离；

Lmag：从重心到标记传感器的距离；

Lwl：从重心到白线识别摄影机的距离。

稍后将描述在观测等式(2)中的观测误差标准偏差σ。

在如图3所示的坐标系中定义上述变量。具体地，车辆100和路线R的关系设定为使车辆100(两轮模型)的重心G位于与曲率为κ的道路R(目标路线)的切线ξ垂直的方向η上。重心G与前轮和后轮之间的距离lf和lr定义在以重心G作为原点沿前后/左右方向的x-y坐标系中。并且，横摆率γ和关于重心G的横摆率也定义为状态量。横向位移D定义为沿上述方向η从路线R到标记传感器(安装在车辆100的前端上)的距离。作为状态量的横摆角θ定义为由路线R的切向ξ与车辆的纵轴x所成的角。

通过使卡尔曼滤波器200基于上述状态等式(1)和观测等式(2)反复地计算状态量(横摆率、横摆角、横向位移速度以及横向位置)的预测值，去除各个状态量预测值中的上述噪声分量，使状态量的预 测值收敛于真实值。在通过在卡尔曼滤波器200中处理来反复地计算预测值的过程中，使用前一时刻对状态量等式(1)中所指示的微分方程求解时获取的预测值。

另外，在卡尔曼滤波器200中，使用等式(3)示出的协方差方程、利用前一时刻预测出的预测误差协方差矩阵P_K(t/t-1)来确定当前的预测误差协方差矩阵P_K(t/t)。在卡尔曼滤波器200中，求解协方差方程(3)，进而确定当前的预测误差协方差矩阵P_K(t/t)。另外，在卡尔曼滤波器200中，利用当前时刻预测出的预测误差协方差矩阵P_K(t/t)来求解由等式(4)示出的协方差方程以预测下一预测误差协方差矩阵P_K(t+1/t)，进而预测出下一预测误差协方差矩阵P_K(t+1/t)。

P_K(t/t)＝P_K(t/t-1)-K_K(t)C_(t)P_K(t/t-1)   (3)

P_K(t+1/t)＝A_(t)P_K(t/t)A_(t) ^T-G_(t)Q_K(t)G_(t) ^T   ⑷

由等式(5)示出预测误差分布矩阵P_K。预测误差协方差矩阵P_K的在对角线上相对的值指示由卡尔曼滤波器200预测出的横向位置、横向位移速度、横摆角以及横摆率的预测误差(并且通过引伸，对应于在预测上述值时使用的观测量和输入量的检测误差)。也就是说，预测误差协方差矩阵P_K的对角值越大，对应于对角值的状态量x的预测精确度越小(并且通过引伸，在预测上述值时使用的观测量和输入量的检测精确度也越小)，即预测误差越大。等式(3)的K_K(t)为由等式(6)确定的卡尔曼增益。等式(3)的矩阵C对应于等式(2)中的矩阵C，等式(4)的矩阵A对应于等式(1)中的矩阵A，并且等式(4)的矩阵G对应于等式(1)中的矩阵G。由等式(7)来表示等式(4)的矩阵Q_K，矩阵Q_K的对角值为***噪声的标准偏差。将矩阵Q_K的值设定为与横向位移η、横向位移速度η’、横摆角θ以及横摆率γ相对应的值。这些值中的每一个都可以预设为固定值，或者替代地，可以为响应于诸如外部干扰的变化而设定的可变值。

$P_K=\left(\begin{array}{cccc}{P}_{\mathrm{lat}}& \·& \·& \·\\ \·& P_{\mathrm{dlat}}& \·& \·\\ \·& \·& P_{\mathrm{yaw}}& \·\\ \·& \·& \·& P_{\mathrm{yr}}\end{array}\right)---\left(5\right)$

K_K(t)＝P_K(t/t-1)C_(t) ^T(C_(t)P_(t/t-1)C_(t) ^T+R_K(t))^-1   ⑹

$Q_K=\left(\begin{array}{cccc}{\mathrm{\σ}}_{\mathrm{\η}}& 0& 0& 0\\ 0& {\mathrm{\σ}}_{\stackrel{\·}{\mathrm{\η}}}& 0& 0\\ 0& 0& {\mathrm{\σ}}_{\mathrm{\θ}}& 0\\ 0& 0& 0& {\mathrm{\σ}}_{\mathrm{\γ}}\end{array}\right)---\left(7\right)$

$R_K=\left(\begin{array}{cccc}{\mathrm{\σ}}_{\mathrm{mag}}& 0& 0& 0\\ 0& {\mathrm{\σ}}_{\mathrm{gps}}& 0& 0\\ 0& 0& {\mathrm{\σ}}_{\mathrm{wl}}& 0\\ 0& 0& 0& {\mathrm{\σ}}_{\mathrm{y\γ}}\end{array}\right)---\left(8\right)$

$E\left(\left(\begin{array}{c}{w}_t\\ {\mathrm{\σ}}_t\end{array}\right)\left(\begin{array}{cc}{w}_{\mathrm{\τ}}^T& {\mathrm{\σ}}_{\mathrm{\τ}}^T\end{array}\right)\right)=\left(\begin{array}{cc}{Q}_K& 0\\ 0& R_K\end{array}\right){\mathrm{\δ}}_{\mathrm{t\τ}}---\left(9\right)$

在等式(5)的矩阵P_K中符号“●”表示任意值。等式(6)的矩阵C对应于等式(2)的矩阵C。由等式(8)表示等式(6)的矩阵R_K，矩阵R_K的对角值为观测误差标准偏差。将矩阵R_K的值设定为与横向位置Dmag、横向位置Dgps、横向位置Dwl以及横摆率γy相对应的值。如等式(9)所表示的，矩阵Q_K和矩阵R_K与上述***噪声w和观测误差标准偏差σ有关。等式(9)中的E为意味着相关运算的符号。等式(9)中的δ_tτ为意味着克罗内克δ(Kronecker δ)的符号并且当t＝τ时δ_tτ＝1，而当t≠τ时δ_tτ＝0。

现在将描述由卡尔曼滤波器200进行的实际运算。在卡尔曼滤波器200中，为了求解状态等式(1)和观测等式(2)，建立由等式(10)表示的滤波等式。等式中的“”指代x的预测值。在卡尔曼滤波器200中，利用当前观测量y_(t)和前一预测状态量x_(t/t-1)来求解滤波等式(10)，进而确定当前时刻的状态量x_(t)。另外，在卡尔曼滤波器200中，建立由等式(11)表示的滤波等式以便利用当前确定的状态量x_(t/t)和当前输入量u_(t)来预测下一状态量x_(t+1/t)。在卡尔曼滤波器200中，求解滤波等式(11)以预测下一时刻的状态量x_(t+1/t)。此下一时刻的状态量x_(t+1/t)用于确定接下来的时刻的状态量x。

${\hat{x}}_{(t/t)}={\hat{x}}_{(t/t-1)}+K_{K\left(t\right)}(y_{\left(t\right)}-C_{\left(t\right)}{\hat{x}}_{(t/t-1)})---\left(10\right)$

${\hat{x}}_{(t+1/t)}=A_{\left(t\right)}{\hat{x}}_{(t\backslash /t)}+B_{\left(t\right)}{u}_{\left(t\right)}---\left(11\right)$

滤波等式(10)中的K_K(t)为本次卡尔曼滤波器增益。在卡尔曼滤波器200中，利用观测等式(2)的矩阵C、等式(8)的矩阵R_K以及上次预测出的预测误差的协方差矩阵P_K(t/t-1)来确定本次卡尔曼增益P_K(t)。等式(10)的矩阵C对应于等式(2)的矩阵C，等式(11)的矩阵A对应于等式(1)中的矩阵A，并且等式(11)的矩阵B对应于等式(1)中的矩阵B。

另外，在卡尔曼滤波器200中，利用上次预测出的预测误差的协方差矩阵P_K(t/t-1)来求解等式(3)的协方差方程，进而确定本次预测误差协方差矩阵P_K(t/t)。另外，在卡尔曼滤波器200中，利用本次确定的预测误差协方差矩阵P_K(t/t)来求解等式(4)的协方差方式，进而预测出下次预测误差协方差矩阵P_K(t+1/t)。以此方式，在卡尔曼滤波器200中，确定当前状态量x和预测误差协方差矩阵P_K作为车辆状态量。具体地，获得横向位移η、横向位移速度η’、横摆角θ以及横摆率γ作为车辆的状态量。

控制单元50执行例如在图4中示出的程序。在图4所示的程序中，以能够在相邻磁性标记之间进行多次运算的指定计算周期，卡尔曼滤波器200基于上述状态等式(1)和观测等式(2)来计算车辆状态量的预测值。

在图4中，在车辆运动的时候从诸如图2所示的那些传感器获取检测信号(步骤10)。基于所获取的检测信号，通过各个传感器对车辆的横向位置D进行冗余计算。也就是说，通过来自GPS接收器11的检测信号计算车辆的横向位置Dgps；通过来自白线识别装置12的检测信号计算车辆的横向位置Dwl；以及通过来自标记传感器13的检测信号计算车辆的横向位置Dmag。基于来自横摆率传感器14的检测信号检测横摆率γy。卡尔曼滤波器200利用以这种方式获取的横向位置D和检测横摆率γy来计算车辆状态量的预测值。

在步骤10中，作为计算观测等式(2)中的观测误差标准偏差σ的必要条件，要获取关于横向位置D和横摆率γy的传感器检测信号，并且要获取每个传感器对检测值的独立可靠度。

传感器的独立可靠度表明由传感器主观判定的从检测器自身输出的检测信号的精确度。也就是说，每个传感器能够主观判定其检测结果在相关联的检测情况下的精确度。鉴于此，每个传感器的关于传感器本身所判定的检测结果的主观判定精确度被传送到控制单元50作为独立可靠度。例如，如果由传感器自身感测到的情况是检测误差趋于较大，则判定独立可靠度较低。独立可靠度量化为例如从0到100范围内的值。下面描述每个传感器的独立可靠度。

GPS接收器11的独立可靠度响应于在GPS***中使用的指示位置精度劣化的位置精度几何因子(PDOP)设定。位置精度几何因子为指示观测位置误差和卫星位置误差之间的关系的指标，其数值越小，位置精度越高。位置精度几何因子越小，GPS接收器11设定的独立可靠度越大越高，并且GPS接收器11将所设定的独立可靠度与检测信号一起输出到控制单元50。例如，GPS接收器11根据等式“独立可靠度＝100-PDOP×10(在PDOP为10或更大值的情况下独立可靠度为10)”设定独立可靠度。

白线识别装置12的独立可靠度响应于来自白线识别装置本身的白线识别结果——诸如亮度差、白线的平行度以及跟踪精度等而设定。亮度差越大，白线识别装置12设定的独立可靠度越高，而且白线的平行度越高以及跟踪得越好，设定的独立可靠度也越高，并且白线识别装置12将所设定的独立可靠度与检测信号一起输出到控制单 元50。

标记传感器(磁性传感器)13的独立可靠度响应于磁力密度分布曲线、磁力密度等设定。磁力密度分布曲线越接近理想线曲线，标记传感器13设定的独立可靠度越高，而且磁力密度越大，设定的独立可靠度也越高，并且标记传感器13将所设定的独立可靠度与检测信号一起输出到控制单元50。

横摆率传感器14的独立可靠度响应于例如检测信号频率分量的频谱强度设定。频率分量超出对于车辆运动来说不大可能的预定频率(例如，10赫兹)越多，横摆率传感器14设定的独立可靠度越低，并且横摆率传感器14将所设定的独立可靠度与检测信号一起输出到控制单元50。

G传感器15的独立可靠度响应于例如检测信号的频率分量的频谱强度而设定。频率分量的数值超出对于车辆运动不大可能的预定频率(例如，10赫兹)越多，G传感器15设定的独立可靠度越低，并且G传感器15将所设定的独立可靠度与检测信号一起输出到控制单元50。

轮速传感器16的独立可靠度响应于例如检测信号输出脉冲的形状而设定。因为当例如轮胎穿孔而导致轮胎弹性变形时或者当一些其它异常出现时输出脉冲的频谱分布发生变化，所以对于给定轮速而言输出脉冲的形状越接近于理想脉冲的形状，则采用图样匹配等的轮速传感器16设定的独立可靠度越高，并且轮速传感器16将所设定的独立可靠度与检测信号一起输出到控制单元50。

如上所述，在图4的步骤10中，获取传感器的独立可靠度，并且计算每个传感器的驾驶环境可靠度(步骤20)。

传感器的驾驶环境可靠度表明从传感器获取的检测信号的精确度，正如由控制单元50客观地判定的。也就是说，控制单元50能够客观地判定传感器检测结果在相关联的检测情况下的精确度。这是基于传感器的检测结果视检测情况的不同不必都是精确值的概念。鉴于此，控制单元50客观地计算与传感器的检测结果相关的精确度作为驾驶环境可靠度。例如，对于传感器进行检测操作时的检测环境是检 测误差趋于增大的情况而言，控制单元50将驾驶环境可靠度设定为较低值。驾驶环境可靠度量化为例如在0到100范围内的值。下面描述每个传感器的驾驶环境可靠度。

GPS接收器11的驾驶环境可靠度响应于例如在车辆周边区域内的建筑物条件(例如，建筑物的形状和位置)而设定。如果车辆处于难于接收来自GPS卫星的无线电信号的场所中，诸如在隧道中或在高建筑群的区域内，则控制单元50基于在记忆单元20中的地图信息将驾驶环境可靠度计算为低值。

白线识别装置12的驾驶环境可靠度响应于诸如天气、阳光以及路面材料的因素而设定。如果是在难于识别白线的检测情况下，则控制单元50将驾驶环境可靠度设定为为低值。与在晴天的情况相比，在下雨或多云的情况下设定较低的驾驶环境可靠度。同样，与在白天的情况相比，在夜晚的情况下设定较低的驾驶环境可靠度；与沥青路面相比，对水泥路面设定较低的驾驶环境可靠度。

标记传感器13的驾驶环境可靠度响应于磁体埋设误差、地磁场以及道路的结构和材料等而设定。控制单元50对磁体埋设误差较大的情况比磁体埋设误差较小的情况设定的驾驶环境可靠度低，同样，对地磁场强度较强的情况比地磁场强度较弱的情况设定的低，对使用磁性材料作为道路构建材料的道路结构(诸如桥梁)的情况比不是由磁性材料构建的道路结构的情况设定的低。

横摆率传感器14、G传感器15以及轮速传感器16的驾驶环境可靠度响应于路面粗糙度、路面波动以及路面材料等而设定。控制单元50对路面粗糙度和波动较大的情况比对路面粗糙度和波动较小的情况设定的驾驶环境可靠度低。

用于设定每个传感器的驾驶环境可靠度的共同要素包括车辆形状(车辆高度、宽度以及长度)、车型以及车身材料。例如，与普通客车的情况相比，在传感器安装于公共汽车或卡车上的情况下，因为来自车辆的振动更容易传播到传感器，所以控制单元50设定的驾驶环境可靠度比普通客车情况的低。

如上所述，当在图4的步骤10中获取了传感器的独立可靠度并 在图4的步骤20中获取了传感器的驾驶环境可靠度时，计算每个传感器的综合可靠度(步骤30)。

传感器的综合可靠表明考虑了上述独立可靠度和驾驶环境可靠度的来自传感器的检测信号的精确度。如下计算并求得综合可靠度R_a：

综合可靠度R_a＝(k1×独立可靠度+k2×驾驶环境可靠度)×新鲜度  (12)

新鲜度＝f(t)＝-K(κ，γ)×t/T+1   (13)

上式中，k1和k2为满足k1+k2＝1、0≤k1≤1且0≤k2≤1的条件的系数。等式(13)中的T为传感器的测量时段，而t为在横向位置检测之后(或在紧邻的先前测量之后)的所经过的时间。K为取决于路面曲率κ和横摆率γ的劣化系数。

例如，如下定义劣化系数K。

K(κ，y)＝j1+j2×|κ|+j3×|γ|                (14)

上式中，0≤K≤1且j1、j2和j3为任意的系数。

现在将参照图5描述在等式(13)中所指示的新鲜度。单独地确定每个传感器的新鲜度。当每个传感器于指定的相应测量时段进行数据观测时，尽管在测量时观测数据的可靠度是高的，但是随着时间从获得数据的时刻流逝，观测数据的可靠度减小(即，观测数据的新鲜度减小)。

例如，当沿曲线运动时或者当车辆行驶不稳定时，因为能够预想到观测数据自测量时刻起的变化度比在行驶于直线道路上或者当行驶稳定时大，并横向位置发生大的变化的可能性十分大。所以，可以将观测数据的新鲜度看作在测量时刻之后的时刻减小。

鉴于上述情况，如等式(13)和等式(14)所示，通过添加影响与车辆的横向位置有关的运动的路面曲率κ和横摆率γ项，建立用于计算新鲜度的等式，使得路面曲率κ越大或者横摆率γ越大，则新鲜度越小。如等式(12)所示，建立等式以计算综合可靠度R_a，使得 如果新鲜度减小，则综合可靠度R_a也减小。取决于传感器，有在测量时刻出现测量失败的情况。鉴于此，如图5所示，在测量失败时新鲜度沿斜率减小，这反映在综合可靠度R_a的计算中。

在等式(14)中，如果测量间隔不是以时间而是以距离建立(具体地，在经过以指定间隔设置的磁性标记的时刻进行测量的情况)，可以以所经过的距离s代替所经过的时间t，并且可以以磁性标记的安装间距S代替时段T。这可以应用在磁性标记传感器13的情况中。可以采用以下定义式：

新鲜度＝f(s)＝-K(κ，γ)×s/S+1   (15)

在这种情况下，水平轴代表行驶距离而非行驶时间。如果计算出了每个传感器的新鲜度，则根据等式(12)可以将每个传感器的综合可靠度量化为在0到100范围内的值。

如上所述，当在图4的步骤30中计算出了每个传感器的综合可靠度时，将综合可靠度反映在观测等式(2)中的观测误差标准偏差σ中(步骤40)。观测误差标准偏差σ为表示由传感器测量的观测数据是否可靠的指标。观测数据的误差越大，则观测误差标准偏差变得越大。观测误差标准偏差σ用来反映如上所述计算出的综合可靠度R_a。作为使综合可靠度R_a反映在观测误差标准偏差σ中的一种方式，随着综合可靠度R_a减小观测误差标准偏差σ增大。因此，将综合可靠度R_a反映在观测误差标准偏差σ中的方法的一个示例为：预先通过模拟等计算在每个传感器的最佳测量条件下的标准偏差并把在最佳测量条件下的标准偏差作为σ min，如下表示观测误差标准偏差σ：

σ＝(100/Ra)×σmin   (16)

因为将这种实施方式中的综合可靠度R_a预想为从0到100的值，所以观测误差标准偏差σ的最小值对应于σmin。以此方式，能够响应于如上所述计算出的每个传感器的综合可靠度R_a而改变在卡尔曼滤波器200的观测等式(2)中的观测误差标准偏差σ项。在观测等式(2)中，GPS接收器11的观测误差标准偏差为σgps，白线识别装置12的观测误差标准偏差为σwl，标记传感器13的观测误差标准 偏差为σmag，而横摆率传感器14的观测误差标准偏差为σγ。

通过将如上所述计算出的观测误差标准偏差σ代入观测等式(2)中，因此，卡尔曼滤波器200的上述预测计算算出状态量(横向位置η、横向位移速度η’、横摆角θ以及横摆率γ)的预测值(图4中的步骤50)。

以此方式，因为在观测等式(2)中存在观测误差标准偏差σ项，所以当观测误差标准偏差σ变大时，卡尔曼滤波器200采用不可靠的观测数据进行计算。仍然如观测等式(2)所示，基于GPS接收器11观测横向位置Dgps，基于白线识别装置12观测横向位置Dwl，以及标记传感器13观测横向位置Dmag，从而冗余观测横向位置D。因为冗余观测横向位置D，所以更容易在计算中使用具有较小观测误差标准偏差的传感器观测数据，进而更不易于在计算中使用具有较大观测误差标准偏差的传感器观测数据。

如果利用如上所述的卡尔曼滤波器200的处理计算出状态量的预测值，则根据以下等式利用预测值来计算待控转向角δ(图4中的步骤60)。可以如下计算转向角δ：

δ＝Kη·η+Kη’·η’+Kθ(θ-θ_TARGET)+Kγ(γ-γ_TARGET)+δf   (17)

在等式(17)中Kη、Kη’、Kθ以及Kγ为常数，θ_TARGET为目标横摆率，且δf为前馈转向角。基于车型、路面曲率、倾斜角以及车速等确定前馈转向角δf。当算出待控转向角δ时，如图2所示，将基于转向角δ的转向控制信号从控制单元50输出到转向致动器32，转向致动器32响应于转向控制信号进行驱动(图4中的步骤70)。接着，重复执行上述处理。以此方式，重复执行卡尔曼滤波器200的处理，结果是诸如横向位置η和横摆率γ的状态量的预测值逐步收敛于与应该得到的状态量的值。

因此根据这种实施方式，考虑了基于来自每个传感器的处理结果的独立可靠度和在测量条件下每个传感器的优劣，控制单元50从驾驶环境可靠度计算出综合可靠度。控制单元50还根据从每个传感器异步正时开始所经过的时间(或所行驶的距离)计算出新鲜度，并且使所计算出的综合可靠度和新鲜度反映在观测误差标准偏差σ中并 进行卡尔曼预测。结果在于，即使是在磁性标记之间，仍能够在卡尔曼预测中使用在紧邻的在先时刻测到的横向位移，从而能够改善由卡尔曼滤波器做出的状态量预测的精确性和可靠度。也就是说，能够维持在磁性标记之间的状态量的预测值的精确度，使得即使在安装有磁性标记的指定检测点处的状态量的观测期增长，仍能够实施更精确地预测车辆的状态量的车辆状态量预测装置。还能够实施能够利用这种车辆状态量预测装置进行更精确的车辆转向控制的车辆转向控制器。

尽管前文是对本发明的实施方式的描述，但是本发明并不局限于上述实施方式，而是在本发明的精神和范围内，本发明包含各种不同的形式、修改和替代。

例如，可以利用在图6中示出的卡尔曼滤波器结构实现本发明的实施方式。在图6中示出的卡尔曼滤波器具有距域卡尔曼滤波和时域卡尔曼滤波，每次检测到磁性标记时距域卡尔曼滤波根据卡尔曼滤波函数200a计算车辆100的状态量(横摆率、横摆角、横向位移速度以及横向位置)的预测值，在每个指定时段时域卡尔曼滤波根据卡尔曼滤波函数200b来计算车辆100的状态量(横摆率、横摆角、横向位移速度以及横向位置)的预测值。在图6所示的卡尔曼滤波器中，通过将时域卡尔曼滤波器200b的状态量初始化为将距域卡尔曼滤波器200a的预测值作为观测值的观测值来改善在磁性标记之间的不能测量横向位置处的状态量的预测精确度，其中时域卡尔曼滤波200b仅以横摆率来预测状态量，距域卡尔曼滤波200a利用在经过磁性标记时的横向位置和横摆率来预测状态量。如果像在上述综合可靠度反映在观测误差标准偏差σ中的状态等式(1)和观测等式(2)中一样对距域卡尔曼滤波200a和时域卡尔曼滤波200b进行相同类型的标准化，则使状态量的预测精确度和可靠度提高。

尽管前述实施方式单独计算每个车辆的驾驶环境可靠度，但是替代地，可以生成驾驶环境可靠度的数据库，并且每个车辆可以从所述数据库获取驾驶环境可靠度。例如，每个车辆可以将测量结果和每个传感器的独立可靠度、每个传感器测量时的行驶条件以及诸如同一位置的天气和路面状况的测量信息传送到指定控制中心。然后控制中心获取来自每个车辆的测量信息并利用行驶条件、天气以及路面状况等作为指标统计生成每个传感器的可靠度数据库。于是，每辆车可以通 过诸如道路与车辆之间的通信线路从控制中心的可靠度数据库获取驾驶环境可靠度，用于上述状态量预测。如此一来，与在每辆车上计算驾驶环境可靠度相比，能够更高的客观性获取得出驾驶环境可靠度。

尽管以卡尔曼滤波器为背景描述了前述实施方式，但是通过将由传感器测量出的指定状态量输入到车辆运动的模型中来预测描述车辆运动的状态量的预测器并不局限于卡尔曼滤波器。只要预测器能够进行反复计算从而使预测值收敛于真实值就足够了。如果预测器使判定由传感器测量到的值能够被信赖的程度的值(在本实施方式的卡尔曼滤波器的情况中，为观测误差标准偏差)能够反应传感器可靠度中就足够了。

Claims (16)

1.一种车辆状态量预测装置，其特征在于，包括：

多个观测装置(11-17)，其观测代表车辆(100)运动的指定状态量；

预测装置(200)，其将由所述观测装置观测到的指定状态量输入到车辆模型中以预测代表车辆运动的状态量；以及

评估装置(50)，其为每个观测装置设定由所述观测装置观测到的指定状态量的可靠度；其中

基于由所述评估装置设定的可靠度来设定由所述观测装置观测到的所述指定状态量在所述模型中的反映程度。

2.如权利要求1所述的车辆状态量预测装置，其中，所述评估装置基于以所述观测装置自身的观测结果为基础确定的观测状态来设定所述可靠度，并且所述观测状态的观测误差越大则将所述可靠度设定得越低。

3.如权利要求1或2所述的车辆状态量预测装置，其中，所述评估装置基于观测所述指定状态量时的观测环境来设定所述可靠度，并且在所述观测环境中的观测误差越大则将所述可靠度设定得越低。

4.如权利要求1和2中的任一项所述的车辆状态量预测装置，其中，所述评估装置基于自观测所述指定状态量以来所经过的时间来设定所述可靠度，并且所经过的时间越长则将所述可靠度设定得越低。

5.如权利要求1和2中的任一项所述的车辆状态量预测装置，其中，所述评估装置基于从观测所述指定状态量的观测点起始的行驶距离来设定所述可靠度，并且所述行驶距离越长则将所述可靠度设定得越低。

6.如权利要求1和2中的任一项所述的车辆状态量预测装置，其中，所述评估装置为卡尔曼滤波器，在所述卡尔曼滤波器中，每个观测值的观测误差的标准偏差项添加到所述卡尔曼滤波器的观测等式中，并且其中，所述标准偏差越大则将所述可靠度设定得越低。

7.如权利要求1和2中的任一项所述的车辆状态量预测装置，其中，所述评估装置单独设定每个车辆的可靠度，所述每个车辆的可靠度建立为数据库，车辆从所述数据库获取所述可靠度。

8.一种车辆转向控制器(50)，其特征在于，包括：

根据权利要求1和2中的任一项所述的车辆状态量预测装置；以及

控制信号发生器(31)，其基于由所述车辆状态量预测装置预测的所述描述车辆运动的状态量在转向***中产生转向致动器控制信号。

9.一种用于预测车辆状态量的方法，其特征在于，包括：

观测描述车辆运动状态的多个指定状态量；

将观测到的所述指定状态量输入到所述车辆运动的模型中以预测代表所述车辆运动的状态量；

为每个观测设定观测到的所述指定状态量的可靠度；以及

基于所设定的可靠度来设定观测到的所述指定状态量在所述模型中的反映程度。

10.如权利要求9所述的用于预测车辆状态量的方法，其中，基于根据以所述观测的结果所确定的观测条件来设定所述可靠度，并且所述观测条件的观测误差越大则所述设定的可靠度被设定得越低。

11.如权利要求9所述的用于预测车辆状态量的方法，其中，基于观测所述指定状态量时的观测环境来设定所述可靠度，并且所述观测环境中的观测误差越大则所述可靠度被设定得越低。

12.如权利要求9至11中的任一项所述的用于预测车辆状态量的方法，其中，基于自观测所述指定状态量以来所经过的时间来设定所述可靠度，并且所经过的时间越长则所述可靠度被设定得越低。

13.如权利要求9至11中的任一项所述的用于预测车辆状态量的方法，其中，基于从观测所述指定状态量的观测点起始的行驶距离来设定所述可靠度，并且所述行驶距离越长则所述可靠度被设定得越低。

14.如权利要求9至11中的任一项所述的用于预测车辆状态量的方法，其中，利用卡尔曼滤波器设定所述可靠度，在所述卡尔曼滤波器中，每个观测值的观测误差的标准偏差项添加到所述卡尔曼滤波器的观测等式中，并且其中，所述标准偏差越大则所述可靠度被设定得越低。

15.如权利要求9至11中的任一项所述的用于预测车辆状态量的方法，其中，所述评估装置单独设定每个车辆的可靠度，所述每个车辆的可靠度建立为数据库，车辆从所述数据库获取所述可靠度。

16.一种车辆转向控制方法，其特征在于，包括：

通过根据权利要求9至11中的任一项所述的预测车辆状态量的方法来预测描述车辆运动的状态量；以及

基于所述描述车辆运动的状态量在转向***中产生转向致动器控制信号。

Images