技术领域
[0001] 本发明涉及确定对象的估计速度的不确定性估计(uncertainty estimate)的方法，其中，不确定性估计表示估计速度相对于对象的真实速度的不确定性。
相关背景技术
[0002] 不确定性估计对于对估计速度的有效性进行量化很有用。换句话说，不确定性度量表示可以信任估计速度的程度，或者估计速度与真实速度匹配的可能性。也就是说，不确定性可以解释成真实速度与估计速度之间的潜在误差的范围。根据一个定义，不确定性表示速度范围，其中，假设真实速度落入该范围内。因此，不确定性估计是该范围的估计。
[0003] 通常，估计速度与真实速度之间的潜在误差越高，则不确定性越高。优选地，不确定性估计至少与不确定性相关，其可以表现为不确定性与不确定性估计成比例。
[0004] 在现代汽车应用中，尤其是在自动或自主驾驶应用中，需要准确地确定在主车辆附近的任何对象的运动特性。这种对象可以是其它车辆，但也可以是行人或如交通标志或墙的静止对象。根据在主车辆附近的任何对象的位置和运动特性，可以借助于可操作地安装在主车辆中的传感器技术在一般感知的意义上确定车辆的环境。应当理解，主车辆(即，主车辆的控制单元)需要具有关于周围对象的速度的精确信息，以便能够通过自动生成的驾驶命令安全地控制车辆。然而，如上所述，通常不可能完全精确地估计周围对象的速度。为了仍然允许安全地自动驾驶主车辆，针对各个估计速度的不确定性估计是非常有帮助的，因为主车辆的控制单元可以容易地使其自身适应估计速度的有效性，从而使得能够最佳地使用可用技术信息。
[0005] 重要的运动特性是给定对象的速度，通常需要由主车辆借助于传感器估计该速度，因此会受到估计误差的影响，即所估计的速度偏离对象的真实速度。确定估计速度的一个方法是通过使用安装在主车辆中的一个或更多个雷达传感器，其中，利用雷达系统确定多个检测点，各个检测点表示在主车辆附近的给定位置的估计速度。检测点也可以位于对象上，并且因此可以用于估计对象的速度。优选地，联合评估单个对象上的多个检测点，以便得出比单个检测点的估计速度更精确的估计速度。估计速度可以包括幅度和方向，使得估计速度是具有两个分量的矢量，即相对于两个空间维度对速度进行量化。然而，估计速度也可能仅包括幅度值。
[0006] 由于利用现代传感器技术(尤其是雷达技术)获得精确的估计速度的固有限制，需要获得与估计速度的潜在误差有关的知识。在这方面，不确定性度量可以用于进一步处理估计速度，例如用于跟踪算法，该跟踪算法被配置成跟踪对象，使得主车辆具有关于特定对象的运动的精确信息。这就是说，对估计速度的给定值连同不确定性估计一起进行处理。以这种方式，可以确保估计速度根据其有效性而影响给定的应用。更简单地说，具有高不确定性估计的估计速度应该具有与具有低不确定性估计的另一估计速度相比更小的影响。
[0007] 需要准确的不确定性估计(或度量)，该不确定性估计尽可能地对估计速度的真实不确定性进行量化，尤其是当对象以不能或不应该被估计的角速度旋转时。在一些应用中，估计速度的方差可以被用作不确定性估计。然而，已经发现，在实际交通情景中出现的许多运动情况下，这种不确定性估计是不准确的。尤其是，如果给定对象不沿直线移动(线性运动)，则方差通常是非常差的不确定性估计。此外，方差通常示出严重影响对估计速度的任何进一步处理的系统误差，因此导致降低自动驾驶应用的性能。因为任何交通参与者的安全性都不能遭受损害，所以这是不可容忍的。
具体实施方式
[0065] 通常，主车辆4(参见图2)配备有雷达系统5'(参见图2)，对来自雷达系统5'的视场中的目标2(图1)的反射雷达信号进行处理以提供数据以便确定方法中使用的参数。
[0066] 为此，多个条件和要求可能是有利的。目标2(刚体，例如车辆)优选地是扩展目标，即该目标使得能够确定从目标2实时反射的多个反射点6'(参见图4)并且这基于原始雷达检测测量。
[0067] 目标2是具体实施方式和权利要求的一般部分的意义上的对象的示例。然而，其它类型的对象(尤其是在普通交通场景中出现的特定对象，例如摩托车、自行车、行人、大型车辆和小型车辆)也是可能的。此外，原则上，对象也可以是静止对象。
[0068] 如本文所使用的，术语“扩展目标”用于指能够提供多个(即两个、三个或更多个)间隔开的散射点6'(其也称为反射点6')的目标2。因此，术语“扩展目标”被理解成具有某个物理尺寸的目标2。在这种情况下，应该注意的是，可以选择物理尺寸，例如，在0.3m到20m的范围内，以便能够检测反射点6'，该反射点6'源于从例如移动的人到移动的重型货车或类似车辆。
[0069] 不一定从一次雷达扫描到下一雷达扫描单独地跟踪多个散射点6'，并且散射点6'的数量在扫描之间可以是不同的。此外，在连续雷达扫描中，散射点6'的位置在扩展目标2上可以是不同的。
[0070] 可以由主车辆4根据从目标2反射的雷达信号来确定雷达反射点6'，其中，可以执行对给定的反射信号与关联的发射雷达信号的比较以确定雷达反射点6'的位置(例如，在笛卡尔坐标或极坐标(方位角、径向范围)中)相对于主车辆上的雷达发射和/或雷达接收元件/单元的位置，其可以是雷达传感器单元的位置。
[0071] 通过使用例如多普勒雷达技术，也按照本领域中已知的确定接近速率。值得注意的是，来自单个雷达扫描的“原始数据”可以提供n个反射点中的第i个反射点的参数θi(方位角)和 (原始接近速率，即径向速度)。这些是用于估计(移动)目标的速度的参数，其中i＝1，...，n。
[0072] 还应注意的是，术语瞬时雷达扫描、单个雷达扫描或单个测量实例可以包括来自多普勒技术中“啁啾”的反射数据，其可以扫描超过，例如，长达2ms。这在本领域中是众所周知的。在随后的说明中，使用以下惯例和定义：
[0073] 世界坐标系
[0074] 按照惯例，使用具有固定到空间中的点的原点的世界坐标系-假设该世界坐标系不移动且不旋转。照惯例，坐标系是右手坐标系；Y轴与X轴正交，指向右侧；Z轴指向页面，并且相对于X轴沿负方向(顺时针方向)定义方位角；参见图1，其示出了具有原点1和非自主车辆2的这种坐标系。图1还示出了车辆形式的扩展目标2，例如，长约4.5米的对象。
[0075] 车辆坐标系
[0076] 图2示出了车辆坐标系，该车辆坐标系在本实例中具有位于主车辆4的前保险杠3的中心的原点3”。在这方面应该注意车辆坐标系的原点3”可以布置在主车辆4的不同位置。
[0077] 在本实例中，X轴平行于车辆4的纵轴，即，它在前保险杠3与后保险杠3'之间延伸，并且如果原点3”位于主车辆4的前保险杠3的中心，则与前保险杠3的中心相交。车辆坐标系是右手坐标系，Y轴与X轴正交并指向右侧，Z轴指向页面。按照在世界坐标系中定义的来定义(方位角)角度。
[0078] 传感器坐标系
[0079] 图3示出了具有原点5的传感器坐标系。在图3的示例中，原点5位于雷达系统(尤其是传感器单元)5'的中心，该雷达系统可以是雷达罩。X轴垂直于传感器雷达罩，指向远离雷达罩的方向。坐标系是右手坐标系：Y轴与X轴正交并指向右侧；Z轴指向页面。按照在世界坐标系中定义的来定义(方位角)角度。
[0080] 假设主车辆4的速度和横摆角速度是从本领域已知的传感器测量值得知的。定义主车辆4的对地(over-the-ground，OTG)速度矢量为：
[0081] Vh＝[uh vh]T，
[0082] 其中，uh是主车辆4的纵向速度(即，在平行于车辆坐标系的X轴方向上的速度)，并且vh是主车辆4的横向速度(即，在平行于车辆坐标系的Y轴方向上的速度)。更一般地说，纵向速度和横向速度分别是主车辆4的第一速度分量和第二速度分量。X轴和Y轴通常分别对应于第一空间维度和第二空间维度。同样，纵向方向和横向方向分别对应于第一空间维度和第二空间维度。这些优选地(但不一定)彼此正交。
[0083] 相对于车辆坐标系的传感器安装位置和视轴角度假设相对于车辆坐标系(VCS)是已知的，其中，使用以下符号：
[0084] xs，VCS-相对于纵(X-)坐标的传感器安装位置
[0085] ys，VCS-相对于横(Y)坐标的传感器安装位置
[0086] γs，VcS-传感器视轴角。
[0087] 可以根据已知的主车辆速度和已知的传感器安装位置来确定传感器的对地(OTG)速度。应当理解，可以将多于一个的传感器集成到一个车辆中并相应地进行指定。
[0088] 定义传感器OTG速度矢量为：
[0089] Vs＝[us vs]T，
[0090] 其中，us是传感器纵向速度，而vs是传感器横向速度，在横摆角速度为零的情况下其通常对应于第一速度分量和第二速度分量。
[0091] 在各个雷达测量实例(扫描)处，雷达传感器单元捕获来自目标的n(原始)个检测点。可以通过在传感器坐标系中表示的以下参数来描述各个检测点i＝1，...，n：
[0092] ri-接近距离(或径向距离)，
[0093] θi-方位角，
[0094] -原始接近速率(或径向速度)。
[0095] 可以通过各个原始检测的位置处的目标OTG速度矢量来描述目标平面运动：
[0096] Vt，i＝[ut，i vt，i]T，
[0097] 其中，ut，i表示在第i个检测点的位置处的纵向速度，并且vt，i表示目标在第i个检测点的位置处的横向速度，两者都是优选地(但不一定)相对于传感器坐标系。
[0098] 也可以通过下式描述目标平面运动：
[0099] Vt，COR＝[ωt xt，COR yt，COR]T，
[0100] 其中，ωt表示目标的横摆角速度(角速度)，xt，COR是目标旋转的中心的纵向坐标，yt，COR是目标旋转的中心的横向坐标。
[0101] 图4把目标速度矢量例示成源自例示为十字形的多个检测点6′的线，其中，检测点6′全部位于同一刚体目标2上，并且其中，使用主车辆4上的传感器单元获取检测点6′。
[0102] 在图5中更详细地示出了一般情况，示出了位于具有旋转中心7的目标(未示出)上的三个检测点6。以与具有轴xSCS，YSCS的传感器坐标系重叠的方式示出了具有轴xVCS，YVCS的车辆坐标系。一起示出了检测点6(i＝1)中的一个的速度矢量与其分量ut，i，vt，i。
[0103] 可以如下表示单个检测点6的接近速率方程：
[0104]
[0105] 其中， 表示接近速率，即如图5所例示的，传感器坐标系的原点与检测点6之间的距离的变化率。可以通过方位角θi＝1和径向距离ri＝1(检测点的接近距离，即原点与检测点之间的距离)的值来描述检测点6的位置。
[0106] 为简化符号，可以把补偿接近速率定义成：
[0107]
[0108] 其中， 表示补偿了主车辆4的速度的第i个检测点的接近速率。
[0109] 还可以把补偿接近速率表示成：
[0110]
[0111] 也可以以矢量符号把补偿接近速率表示成：
[0112]
[0113] 把所谓的速度分布方程(或接近速率方程)定义成：
[0114]
[0115] 其中ct代表接近速率的第一(例如，纵向)系数或分量，并且st代表接近速率方程的第二(例如，横向)系数或分量。注意，优选地，系数ct、st相对于方位角是不变的，至少对于与多个检测点所指目标的位置相对应的方位角范围是不变的，并且在此基础上已经确定了系数。这意味着假设速度分布方程不仅对特定检测点有效，而且对方位角的范围有效。因此，使用接近速率方程可以容易地确定相对于特定角度范围的任何方位角的接近速率。接近速率是本公开的一般意义上的估计速度的示例。
[0116] 如本领域技术人员所理解的，实际上，通常从多个检测点估计“真实”系数ct、st。这些估计表示成 和 并且使用例如迭代(重新)加权最小二乘法来估计。在下文中，描述了用于估计系数ct、st的示例方法。
[0117] 步骤1
[0118] 在初始步骤中，该方法包括发射雷达信号并从由所述雷达传感器单元捕获的多个雷达检测测量确定在一个测量实例处的多个雷达检测点。各个雷达检测点至少包括方位角θi和接近速率 其中，该接近速率 表示传感器单元与目标之间的距离在第i个检测点位置处的变化速率(参见图4)。可以理解的是，方位角θi描述了第i个检测点的角位置。如图4所示，假设多个检测点位于单个目标上(这种目标通常被称为分布式目标)。该目标是对象。
[0119] 步骤2
[0120] 补偿接近速率 被确定成：
[0121]
[0122] 其中，us表示传感器单元的第一(例如，纵向)速度分量，并且其中，vs表示传感器单元的第二(例如，横向)速度分量。补偿接近速率是补偿了主车辆速度的接近速率。因此，补偿接近速率可以被解释成目标在第i个检测点的位置处的有效速度。补偿接近速率对应于目标的估计速度。
[0123] 步骤3
[0124] 根据步骤1和步骤2的结果，优选地通过使用迭代重加权最小二乘(IRLS)法(也可以是普通最小二乘)来确定目标的速度分布方程的第一系数ct的估计 以及目标的速度分布方程的第二系数st的估计 该迭代重加权最小二乘(IRLS)法包括至少一次迭代并将权重wi应用于雷达检测点，其中由下式表示目标的速度分布方程：
[0125]
[0126] 例如，通过普通最小二乘法(OLS)的解初始化IRLS法。这是通过第一计算进行的：
[0127]
[0128] 其中， 表示i＝1，2...n的补偿接近速率 的矢量。使用下式来计算的初始解：
[0129]
[0130] 然后，通过下式计算初始残差：
[0131]
[0132] 然后按照下式计算残差的方差：
[0133]
[0134] 接下来，计算估计 和 的方差的估计：
[0135]
[0136] 其中
[0137]
[0138] 利用初始解，可以根据残差来计算权重wi∈[0；1]，其中，可以使用预定义的阈值来确保很好地定义权重。
[0139] 然后将权重wi排列在对角矩阵W中，并且给定第一次迭代的系数的估计如下：
[0140]
[0141] 步骤4
[0142] 根据第一次迭代的解，确定速度分布的估计 通过下式表示：
[0143]
[0144] 其中，根据步骤1确定方位角θi，并且根据步骤3(初始解)确定第一系数的估计 和第二系数的估计 按照下式计算新残差：
[0145]
[0146] 然后按照下式计算新残差的方差：
[0147]
[0148] 其中
[0149]
[0150] 其中， 表示 相对于残差 的一阶导数，其中，n表示检测点的数量。
[0151] 接下来，按照下式计算估计 和 的方差的估计：
[0152]
[0153] 其中，可以将方差与停止标准(例如，阈值)进行比较，以便决定是否执行进一步的迭代以确定估计系数 和 以这种方式，可以获得系数 和 的最终解。
[0154] 可以表明，如果目标2沿直线移动(线性移动)，则第一估计系数和第二估计系数分别与在第一空间维度和第二空间维度(即，x方向和y方向)中的速度的部分相对应，即是：
[0155]
[0156]
[0157] 其中 是第i个检测点在x方向的速度分量， 是第i个检测点在y方向的速度分量。在图5中，这些速度分量被表示成检测点6中的一个，即i＝1，其中 且
[0158] 在目标具有非的零横摆角速度的情况下，即ωt不为零，可以把相对于第一空间维度和第二空间维度的速度分量表示成：
[0159]
[0160] 其中，xt，i是第i个检测点的第一坐标，yt，i是第i个检测点的第二坐标。
[0161] 然后，可以把各个检测点的接近速率方程表示成：
[0162]
[0163] 其中，由于
[0164] yt，i cosθi＝rt，i sinθicosθi＝xt，i sinθi，
[0165] 该方程可以被简化成：
[0166]
[0167] 回想一下，接近速率方程通常被定义成：
[0168]
[0169] 与包括横摆角速度的接近速率方程的公式的比较表明，可以分别把所估计的第一系数和第二系数表示成
[0170]
[0171]
[0172] 因此，可以把第i个检测点的速度表示成：
[0173]
[0174]
[0175] 横摆角速度通常是未知的，但是可以被估计。考虑到这种估计，可以把在第i个检测点处的估计速度表示成：
[0176]
[0177] 其中，相对于横摆角速度的速度部分可以被识别成：
[0178]
[0179] 其中，第二坐标-yt，i在第一空间维度x中，并且第一坐标xt，i在第二空间维度y中，即第一坐标和第二坐标把第i个检测点的位置限定成(xt，i，yt，i)，其中第二坐标被倒置。
[0180] 在更紧凑的表示法(notation)中，可以把在第i个检测点处的估计速度表示成：
[0181]
[0182] 其中，该估计速度可以被设定成等于速度分布方程的估计补偿接近速率，如上面进一步说明的。
[0183] 第i个检测点的估计速度的不确定性估计优选地被定义成：
[0184]
[0185] 其中， 是二维矩阵， 是二维矩阵且是不确定性估计 的第一部分，并且是二维矩阵且是不确定性估计 的第二部分。这种估计以及两个部分优选地是平方数字，这避免了估计的负值。矩阵还优选地表示相对于第一空间维度和第二空间维度的离散度(dispersion)。虽然不确定性估计在此定义为第一部分和第二部分的总和，但是第一部分和第二部分的其它组合也是可能的，以便确定不确定性估计。
[0186] 第一部分 表示相对于速度分布方程的第一估计系数 和第二估计系数 的不确定性。因此，第一部分可以被解释成表示相对于速度分布的解的不确定性。这可以表示成：
[0187]
[0188] 其中， 是第一估计系数的不确定性估计， 是第二估计系数的不确定性估计，并且 是第一估计系数与第二估计系数之间的交叉不确定性估计。以这种方式，第一部分通常对应于协方差矩阵。
[0189] 可以进一步把第一部分定义成：
[0190]
[0191] 其中，协方差部分 表示第一估计系数和第二估计系数的协方差矩阵，并且偏差部分 表示第一估计系数和第二估计系数的偏差。
[0192] 可以把协方差部分表示成：
[0193]
[0194] 其中， 是第一估计系数的方差估计， 是第二估计系数的方差估计，并且是第一估计系数和第二估计系数的协方差估计。
[0195] 如前所述，优选地可以把协方差部分确定成：
[0196]
[0197] 考虑到偏差部分，可以给出一般定义：
[0198]
[0199] 其中，Y表示补偿接近速率 k表示一些常数。此外，矩阵X与之前相同，即：
[0200]
[0201] 尤其是，可以把偏差部分定义成：
[0202]
[0203] 其中
[0204]
[0205] 其中，kols_bias_scale是缩放校准参数，kc_var_bias是第一估计系数的偏移校准参数，并且ks_var_bias是第二估计系数的偏移校准参数。
[0206] 注意，偏差部分 优选地是第一估计系数和第二估计系数的协方差矩阵以及附加校准参数的函数。
[0207] 考虑到不确定性估计的第二部分 第二部分可以定义成：
[0208]
[0209] 其中， 是横摆角速度的估计不确定性。
[0210] 为了避免动态估计横摆角速度的不确定性，可以依赖于预定的不确定性。这可以在假设对象的横摆角速度有界的情况下完成。例如，典型交通对象(例如，车辆)的横摆角速度通常不超过每秒30度。然后可以将横摆角速度建模成分布(概率密度函数(probability density function)，即pdf)，例如具有零均值和横摆角速度ωt的最大值ωt_max的均匀分布：
[0211]
[0212] 可以通过校准参数预先把横摆角速度的最大值(也称为极值)确定成：
[0213] ωt_max＝kmax_yaw_rate。
[0214] 根据标准数学，均匀pdf的方差是：
[0215]
[0216] 然后可以将横摆角速度的不确定性设置成方差，即是：
[0217]
[0218] 因此，不确定性估计的第二部分是预先确定的，且表示成：
[0219]
[0220] 其中，应理解，第二部分表示估计速度相对于角速度、在第二空间维度y中的第一坐标xt，i以及在第一空间维度x中的第二坐标yt，i的不确定性。
[0221] 图6给出了上述方法的一些方面的概述。各个框对应于该方法的示例性步骤，其中，在框内表示该步骤。虚线框表示对应的步骤仅是可选的。
[0222] 已经在两个不同的示例情景中评估了所提出的不确定性估计。为了对不确定性估计的有效性进行量化，将归一化估计误差平方(NEES)用作度量。该度量通常可以被解释成估计速度与估计的方差或不确定性估计之间的一致性的度量。一般定义可以是：
[0223]
[0224] 其中， 表示所估计的协方差矩阵的倒数，ei表示第i个检测点的NEES。协方差矩阵 是估计的协方差矩阵 或者所提出的不确定性估计
[0225] 如果NEES的预期值等于协方差矩阵的维数n(此处n＝2)，则估计速度和估计的协方差矩阵是一致的：
[0226] H0：E(ei)＝n。
[0227] 在两个示例情景中，已经使用1000次蒙特卡罗(Monte Carlo)迭代执行了对运动对象的模拟。在第一情景中，模拟了直线运动对象。当使用估计的协方差矩阵 时，预期的NEES是E(ei)＝3.01，其在95％的显着性水平上不一致。当使用所提出的不确定性估计E(ei)＝2.03时，其在95％的显着性水平上一致。
[0228] 在第二情景中，模拟了横摆对象。当使用估计的协方差矩阵时，这是完全不一致的。将其用作“不确定性估计”对于跟踪应用来说将是危险的。然而，当使用所提出的不确定性估计时，则E(ei)＝2.04，其在95％的显着性水平上很好地一致。因此，所提出的不确定性估计可以用于例如安全跟踪应用。
