对于方位、高程和车辆速度标度误差具有自动对准的自动车辆雷达系统的制作方法

该公开大体上涉及雷达系统，并且更特定地涉及这样的系统：在该系统的本车辆移动时使雷达传感器自动对准。

背景技术：

众所周知汽车雷达传感器需要与本车辆的底盘对准，因此准确获悉所检测物体的位置。在组装本车辆时进行的对准过程不能补偿重货所造成的俯仰或高程误差以及本车辆的轮子或底盘的失准所造成的偏航或方位误差，从而可能在行驶时造成本车辆‘侧航’或‘亦步亦趋(dog-tracking)’。

技术实现要素：

根据一个实施例，提供适合于在自动车辆中使用的具有自动对准的雷达系统。该系统包括雷达传感器、速度传感器和控制器。雷达传感器用于检测接近安装有雷达传感器的本车辆的视场中存在的物体。雷达传感器可操作来确定到存在于视场中的至少三个物体中的每个物体的测得距离变化率(drm)、测得方位角(am)和测得高程角(em)。速度传感器用于确定本车辆的测得速度(sm)。控制器与雷达传感器和速度传感器通信。控制器配置成在本车辆移动时基于到至少三个物体中的每个物体的测得距离变化率、测得方位角和测得高程角来同时确定测得速度的速度标度误差(bs)、雷达传感器的方位失准(ba)以及雷达传感器的高程失准(be)。

另外的特征和优势将在阅读优选实施例的下列详细描述时显得更清楚，该详细描述仅通过非限制性示例并且参考附图给出。

附图说明

现在将通过示例参考附图描述本发明，其中：

图1是根据一个实施例的具有自动对准的雷达系统的示图；

图2是根据一个实施例的图1的系统可能遇到的交通场景；

图3是根据一个实施例的由图1的系统执行的算法的示图；

图4是根据一个实施例的图1的系统的执行结果的曲线图；

图5是根据一个实施例的图1的系统的执行结果的曲线图；

图6是根据一个实施例的图1的系统的执行结果的曲线图；

图7是根据一个实施例的图1的系统的执行结果的曲线图；

图8是根据一个实施例的图1的系统的执行结果的曲线图；

具体实施方式

图1图示雷达系统10(在下文称为系统10)的非限制性示例。系统10一般适合于在自动车辆(例如本车辆12)中使用并且配备有自动对准特征以使雷达传感器14与由本车辆12的主体所建立的参考系对准。如果雷达目标跟踪器算法(在下文称为跟踪器)已了解雷达传感器相对于由雷达传感器和/或安装有雷达传感器的车辆或结构所观察的视场16的实际角安装取向(即用该实际角安装取向编程或校准)，则汽车雷达系统的性能和效用得到提高。有利地，这使用自动对准算法(在下文通常称为算法18)来完成，该自动对准算法确定雷达传感器的实际或真实角取向。

实际角取向通常是从对跟踪器预编程所利用的预期或典型取向的小的偏离。本文描述的自动对准算法供在本车辆上使用，因为它在本车辆沿道路行驶时观察或跟踪静止物体或目标。已观察到本文描述的自动对准算法是对自动对准算法的现有示例的改进，因为现有示例花几分钟或更多时间来完成自动对准过程、需要静止本车辆具有参考目标的预定布置和/或在车辆行驶时循序确定补偿从预期或典型取向的小的偏离所需要的校正因子时易于出错从而可能引入未知误差。

在车辆上使用的一些已知雷达系统仅进行方位角自动对准，因为那些系统仅能够检测至目标或物体的距离和方位角。本文描述的雷达系统除距离和方位角外还能够进一步测量高程角，因此也期望高程对准。

已提出自动对准方法，其将静止目标的检测距离变化率与本车辆的测得速度比较，并且补偿到静止目标的方位角。然而，速度一般具有‘速度比’或速度标度误差，这意指测得速度以一定百分比(例如1％)的误差与实际速度成比例。该比例误差可能由于例如磨损的轮胎橡胶和/或具有非标准半径的轮子引起。根据如何配置自动对准算法，速度标度误差对估计的失准角度的影响可以是明显的。

本文描述的自动对准算法共同或同时地估计速度标度误差、方位对准误差(方位失准)和高程对准误差(高程失准)。同时计算因为考虑到了误差的互相关而是有利的。即，本文描述的算法优于单独计算这些误差(例如对误差一个接一个地计算)的算法。单独或循序的计算经受误差的互相关，因为例如方位失准取决于另外两个误差。为了使不准确最小化，多次迭代可能是必需的，这不可取地花费时间。

公认进行使用静止本车辆和已知的参考目标集(例如，位于车辆周围的一个开放空间中的仔细测量的位置的角形反射器)来测量雷达传感器安装角的静态校准是众所周知的。然而，该技术被认为不充分，因为本车辆的动态纵轴并不容易从静止车辆的视觉检查确定。例如，当车辆顺着道路以直线移动时，它可能‘侧航’，这意指基于车体的视觉对称所确定的似乎是本车辆的纵轴在车辆移动时可能实际上指向大不相同的方向。如此，将出现方位角失准，而不管有多么仔细地进行测试测量。货物载荷的改变也可以影响雷达传感器的高程角，这与进行静态校正的时候可能不同。

继续参考图1，雷达传感器14用于检测接近安装有雷达传感器14的本车辆12的视场16中存在的物体20的实例。雷达传感器14可操作来从物体20所反射的返回雷达信号确定或测量各种值或变量，包括但不限于到物体20的测得距离变化率22(drm)、测得方位角24(am)和测得高程角26(em)。如将在下文更详细描述的，算法18需要物体20的至少三个(3)实例来进行自动对准，因此物体20的至少三个(3)实例中的每个必须存在在视场16中。

图2图示在系统10试图使雷达传感器14自动对准时本车辆12可经历的交通场景28的非限制性示例。如也将在下文描述的，由算法18实施的自动对准过程在至少三个物体中的每个未移动(即可以表征为静止的)时被大大简化。通过示例而非限制的方式，被系统10用作参考点以用于自动对准的物体20可包括停车标志20a、限速标志20b和/或停驶车辆20c。通过另外的示例，因为接近速度通过车辆到车辆(v2v)通信(其配置和操作为本领域技术人员所认识到)传达给系统10，所以接近车辆20d将不是用于自动对准的物体20的优选实例，除非接近车辆20d的速度为系统10所知。

系统10还包括用于指示或确定本车辆12的测得速度32(sm)的速度传感器30。通过示例而非限制的方式，速度传感器30可以是用于确定在本车辆12的速度表显示器(未示出)上指示什么速度的相同传感器，该确定将基于本车辆的轮子的转速，如本领域技术人员将认识到的。

系统10还包括与雷达传感器14和速度传感器30通信的控制器34。该控制器34可包括诸如微处理器的处理器(未专门示出)或诸如模拟和/或数字控制电路的其他控制电路，包括用于处理数据的专用集成电路(asic)，如对本领域技术人员应是显而易见的。控制器34可包括存储器(未专门示出)，其包括诸如电可擦除可编程只读存储器(eeprom)的非易失性存储器，用于存储一个或多个例程、阈值和捕捉的数据。该一个或多个例程可由处理器执行来进行用于确定误差校正因子或偏移以基于控制器34接收到的信号使雷达传感器14自动对准的步骤，如本文所述。

作为自动对准过程的一部分，用算法18对控制器34编程，因此将控制器34配置成基于到物体20的至少三个实例中的每个的测得距离变化率22、测得方位角24和测得高程角26共同或同时地确定测得速度32的速度标度误差36(bs)、雷达传感器14的方位失准38(ba)以及雷达传感器14的高程失准40(be)。有利地，算法18在本车辆12移动时进行雷达传感器14的自动对准。注意本文描述的算法18比将仅在本车辆停止时和/或在呈现预先定位在已知位置的目标的布置时使雷达传感器14对准的对准方案有利，因为算法18能够针对本车辆12的动态条件而校正，所述动态条件诸如影响方位角的轮失准和/或影响雷达传感器14的高程角的变化的货物载荷。

控制器34可被进一步编程或进一步配置成基于测得速度32和速度标度误差36确定实际速度42(sa)、基于方位失准38和测得方位角24确定到物体20的实际方位角44(aa)以及基于高程失准40和测得高程角26确定到物体20的实际高程角46(ea)。在下文还将呈现这些计算的细节。

算法18可在单个瞬间收集物体20的足够数量的检测，或可在众多时刻收集检测。在一些时刻，可能未发现适合的检测，并且可以忽略这些时刻。通过在许多时刻收集数据，算法模型中未包括的误差的破坏效应被‘平均’。来自这些多个时刻的数据可以被批量处理，或可以使用递归滤波器。在任一情况下，下文示出的方程形成实现的核心，并且本领域技术人员可以成功实现方法的批量或递归形式。

本文描述的雷达传感器14不失一般性地假设安装在本车辆12上。使用三维(3d)正交笛卡尔坐标系，其中坐标原点位于雷达传感器14处。正x轴平行于车辆的动态纵轴水平指向前。正y轴在水平横向方向上指向车辆的右侧。正z轴指向下并且与x轴和y轴正交。

雷达传感器14的瞄准线矢量的实际方位角44限定为这样的角度：包含正x轴的垂直平面需要绕z轴旋转(使用由右手定则限定的符号法则)通过该角度以便在该旋转的垂直平面中包含检测或瞄准线矢量。雷达传感器14的瞄准线矢量的实际高程角46(ea)限定为这样的角度：在x-y平面与方位旋转的垂直平面的相交处包含的矢量需要向上旋转通过该角度以与检测或瞄准线矢量一致。在x-y平面上方的检测具有正高程角。该法则与关于y轴的右手定则相符。

该方位和高程角的表示(例如，在z轴上的点处)的奇异性在其中雷达具有些许受限的垂直视场的汽车应用中不成问题。

本文使用的‘实际’(即，无测量误差的值)变量名称或符号以及‘测得’(即，由雷达传感器14进行的测量所指示的)变量名称或符号的定义限定如下：

dra(i)、drm(i)：第i个物体检测的实际距离变化率48和测得距离变化率22；

aa(i)、am(i)：第i个检测的实际方位角44和测得方位角24；

ea(i)、em(i)：第i个检测的实际高程角46和测得高程角26；

ua(i)、va(i)、wa(i)：在观察第i个检测的时候雷达传感器14相对于地面的实际速度矢量的实际纵向分量、实际横向分量和实际垂直分量；

um(i)、vm(i)、wm(i)：在观察第i个检测的时候雷达传感器14相对于地面的测得速度矢量的测得纵向分量、测得横向分量和测得垂直分量；

ut(i)、vt(i)、wt(i)：第i个物体(即，目标)检测的相对于地面的所指示的速度矢量的纵向、横向和垂直；

ys(i)：在观察第i个物体检测的时候本车辆12的侧滑角50，其中该侧滑角是水平本车辆速度矢量(即，矢量[uava0])与x轴之间的角度；

ba：测得方位角的偏离误差，即方位失准38；

be：测得高程角的偏离误差，即高程失准40；以及

bs：本车辆速度的速度标度误差36。

这里考虑的误差模型可以总结为：

am(i)＝aa(i)+ba：方位失准的模型方程1

em(i)＝ea(i)+be：高程失准的模型方程2

以及

sm(i)＝(1+bs)*sa(i)：在观察第i个检测的时候速度标度误差的模型方程3

在上文示出的方位失准和高程失准的模型中，失准表示为测得角的恒定偏离误差。在速度标度误差模型中，测得速度模型化为被速度标度误差36破坏的实际速度。因为bs＝0的值对应于零测量误差，所以标度因子的(1+bs)形式是有用的。

实际距离变化率48取决于雷达传感器14相对于地面的速度矢量以及被检测的物体20的实例，连同检测的物体相对于雷达传感器14的实际方位角44和实际高程角46。对于第i个检测，方程4将实际距离变化率48限定为

dra(i)＝(ut(i)-ua(i))*cos[aa(i)]*cos[ea(i)]+

(vt(i)-va(i))*sin[aa(i)]*cos[ea(i)]-(wt(i)-wa(i))*sin[ea(i)]方程4

因为物体20(即，感兴趣目标)意在是或被认为是静止的，所以对于(i)的所有值的ut(i)、vt(i)和wt(i)的值假设全等于零。应用上文限定的误差模型产生下面的方程，其可以利用多次雷达检测在多个时刻(如在前文中指示的)采用批量或递归形式实现。如上文指出的，雷达传感器14与静止目标(物体20)之间的相对运动是必需的，因此雷达传感器的实际纵向速度ua(i)假设为非零。使方程1-4组合产生方程5，从该方程5可以使用以下来确定误差bs、ba和be：

drm(i)+um(i)*cos[am(i)]*cos[em(i)]+vm(i)*sin[am(i)]*cos[em(i)]＝

[h(i，1)h(i，2)h(i，3)]*trans[bsbabe]方程5

其中

h(i，1)＝um(i)*cos[am(i)]*cos[em(i)]方程6

h(i，2)＝-um(i)*sin[am(i)]*cos[em(i)]+vm(i)*cos[am(i)]*cos[em(i)]方程7

h(i，3)＝-um(i)*cos[am(i)]*sin[em(i)]-vm(i)*sin[am(i)]*sin[em(i)]方程8以及

tans[]是矩阵转置运算方程9

在方程5的推导中，雷达传感器的纵向和横向速度um(i)和vm(i)的测得值假设为经受与sm(i)相同的速度标度误差，即um(i)＝(1+bs)*ua(i)以及vm(i)＝(1+bs)*va(i)，并且雷达传感器的实际和测得垂直速度wa(i)和wm(i)假设为零。

方程10是方程5的简化版本，其适合于其中本车辆以直线行驶的操作条件，即传感器的实际横向速度近似是零。通过将vm(i)设置为等于零但除以um(i)而从方程5推导方程10，因此

drm(i)/um(i)+cos[am(i)]*cos[em(i)]＝

[f(i，1)f(i，2)f(i，3)]*trans[bsbabe]方程10

其中

f(i，1)＝cos[am(i)]*cos[em(i)]方程11

f(i，2)＝-sin[am(i)]*cos[em(i)]方程12

以及

f(i，3)＝-cos[am(i)]*sin[em(i)]方程13

为了对方程5求解，需要下列信号或值：a)雷达测量结果drm(i)、am(i)和em(i)，其由雷达传感器提供，以及b)本车速度分量um(i)和vm(i)，想起假设wm(i)＝0。本车模块可直接测量本车速度sm，但可能不能直接测量侧滑角50(ys)。侧滑角50可以基于诸如测得速度32、偏航速率传感器52、转向角传感器54等其他变量的组合来计算。因此，系统10可包括偏航速率传感器52，其用于确定本车辆12的偏航速率56。因此，控制器34进一步配置成基于偏航速率56确定本车辆12的侧滑角50(ys)，并且进一步基于侧滑角50确定速度标度误差36、方位失准38和高程失准40。针对该目的存在许多方法，如本领域技术人员将认识到的。不管在那里使用哪个方法，算法从本车模块接收对于sm和ys的输出值。方程5中需要的测得本车速度分量使用um＝sm*cos[ys]和vm＝sm*sin[ys]来计算。如果本车在平坦道路上直线或几乎直线行驶，则ys可忽略。因此速度分量被确定为um(i)＝sm(i)，并且vm(i)＝0。算法的示图58的非限制性示例在图3中示出。

批量最小二乘问题可以通过使许多方程5或方程10垂直叠加来对于每一第i个检测用一个方程形成阵列而形成。因此，对于第i个检测，对总共n个检测收集um(i)、vm(i)、wm(i)、drm(i)、am(i)、em(i)，其中n大于或等于3(n≥3)。对于方程5，导致批量解的最小二乘问题采取以下形式：

d1＝h*p方程13

其中

以及

p＝trans[bsbabe]方程16

然后使用方程17进行对p(ep)的估计，其中

ep＝inv[trans[h]*h]*trans[h]*d1方程17

其中inv[]是矩阵逆运算。

对于方程10，导致批量解的最小二乘问题可以采取方程18的形式，其中

与方程13相似，作为最小二乘问题对方程18求解的方式是采用以下形式来重写它：

d2＝f*p方程19

其中

以及

p＝trans[bsbabe]方程22

然后在方程23中提供对p(ep)的估计，其中

ep＝inv[trans[f]*f]*trans[f]*d2方程23

对方程5求解的方法可包括以下步骤：

a)收集雷达测量结果drm(i)、am(i)和em(i)，i＝1，……n，n≥3；

b)收集本车模块输出sm(i)和ys(i)，i＝1，……n；

c)使用um＝sm*cos[ys]以及vm＝sm*sin[ys]确定本车速度分量um(i)和vm(i)，其中如果本车辆12直走，则代入可通过使用um(i)＝sm(i)和vm(i)＝0而简化；以及

d)使用方程13-17来确定对p(ep)的估计。

在算法18的另一个实施例中，上文示出的批量解在每个时刻使用来自仅该时刻的检测来求解。这需要在每个时刻的测试，从而确保最小二乘问题对于待尝试的解是足够良态的。该测试的简单形式需要最小数量的检测，其在检测到的或测得的方位和高程角中具有足够多样性。对于bs、ba和be的单时刻估计然后被用于驱动低通滤波器产生这些参数的缓慢时变估计。该实现具有相对简单这一益处，但具有它在针对单时刻问题求解存在不充足的检测的时刻丢弃有效检测数据这一缺点。

算法18还可以实现为递归最小二乘或卡尔曼(kalman)滤波器。具有感兴趣的窗口间隔或在较长间隔上具有衰退记忆的实现是可能的。本领域技术人员可以容易设想如何基于上文示出的主方程(方程5)或简化方程(方程10)来配制这样的滤波器。

算法18使用到被视为静止的目标(即，物体)的测得距离变化率22、测得方位角24和测得高程角的原始或测量雷达检测。目标或物体是静止的这一确定依赖于来自本车辆的速度信号，其假设受到速度标度误差36的破坏。它还依赖于测得角，其假设由于失准而具有偏离误差。幸运地是，静止/移动的确定对于假设的小的对准误差相对不敏感。然而，已观察到速度标度误差并不如此，因为静止目标在本车辆的速度相对较高(例如大于100kph)时已由跟踪器确定为移动目标。因此，认识到以量不太大的速度(例如小于60kph)进行自动对准是优选的。在较低速度，车辆速度标度误差的幅度对于被正确归类为静止的静止目标足够小，或静止/移动阈值以考虑到最大预期水平的速度标度误差这样的方式随车辆速度增加而增加。当在雷达传感器的相对于地面的速度的横向和垂直分量几乎是零的条件下运行时自动对准算法是最准确的。从而，理想条件是在平滑沥青上的直线轨迹。

诸如在该文献中描述的估计问题依赖于对成功的可观察性条件。当且仅当对唯一识别的参数的观察量中存在足够信息时，参数是可观察的。在本算法的批量公式化中，可观察性与(无噪声误差版本的)nx3矩阵(即，它需要是3)的秩有关。已发现，如果存在具有足够方位和高程角多样性的至少三个检测，则满足可观察性条件。本文描述的自动对准算法在足够丰富且多样的检测集的假设下提出参数是可观察的。

本文描述的算法的实现需要估计雷达传感器的相对于地面的速度的三个笛卡尔分量um、vm和wm。尽管测得的车辆速度信号假设为可获得(可能受到速度标度误差的破坏)，但这三个量的测量/估计需要车辆动力学的某种模型，以及诸如偏航速率传感器、俯仰速率传感器、方向盘传感器等其他传感器。众所周知的算法可用于该对象。

本文描述的算法18在它除失准估计外还包括置信指示时最有用。该置信指示符发送信号给失准估计的用户，指示他们是否准备好被使用和被信任。算法通常将通过提供所期望量的有些许误差的估计而开始，但估计中的误差应迅速减小到稳态水平。一旦获得该稳态水平，算法应发信号传递估计中的高置信。如果出现问题并且估计似乎未收敛于有用值，则应发信号传递低置信。在成功收敛之前的初始瞬态期期间也应发信号传递低置信。

现在描述用于识别收敛或高置信的条件的两个方案。在一个方案中，针对估计的偏离值计算短期和长期平均。如果这些相符，则指示成功收敛。在另一个方案中，监测距离变化率残余误差(即，那些静止物体的预测距离变化率与测得距离变化率之间的差异)。理想情况下，这些距离变化率残余误差的短期平均将收敛于最小值，并且在达到该值时指示成功收敛。

算法18已使用模拟数据(其中实际误差参数值是已知的)并且使用真实传感器数据(其中并不知道实际误差参数)来测试。

图4示出60个模拟运行的结果，每个代表在-3.0与+3.0度之间的不同水平的实际模拟方位角偏离。在每个模拟运行中，模拟速度标度误差是5.0％，模拟高程角偏离是2.0度，并且模拟距离变化率具有-0.1米/秒的偏离。方位和高程角以及距离变化率的模拟测量都另外受到具有1.0度(方位)、2.0度(高程)和0.1米/秒(距离变化率)的标准偏差的零均值高斯噪声的破坏。对于在特定方位角偏离水平的每个模拟运行而言，模拟足够数据点以允许算法估计收敛。实际或真实方位角偏离在-3.0到+3.0度之间变化并且估计方位偏离由算法18产生。在该标绘图中，标记为“模拟指数”的水平轴代表不同的模拟运行，每个具有如由实际方位偏离的对应值给出的模拟方位角偏离的特定值。

图5-7分别示出方位角偏离、高程角偏离和速度标度误差的估计，所述估计针对单个数据文件从示例性雷达传感器获得。在这些标绘图中，标记为“模拟指数”的水平轴代表时间(用雷达扫描的数量来表达)。由于这是真实的传感器数据，所以并不知道误差参数的实际或真实值。标绘图示出到预期范围内的值的目视合理的收敛。

图8示出估计量测量与对于被估计的所有误差参数的初始假设值零相比通过获得的估计而明显改进。具体地，在补偿误差参数后，残余误差(其是测得距离变化率与预测距离变化率之间的不一致)较小。

因此，提供当本车辆12正在移动时通过对测得距离变化率(drm)、测得方位角(am)和测得高程角(em)中的误差同时(即，不是单独地或循序地)求解来使本车辆12上的雷达传感器14自动对准的雷达系统(系统10)、用于系统10的控制器34和操作系统10的方法。由于同时考虑到了所有误差源，所以在其中共同估计感兴趣量的估计方案通常优于备选方案。通过算法18估计的误差参数的良好估计对于使用雷达传感器的跟踪和融合系统而言是至关重要的，因为它们允许重要的量(本车速度、方位角和高程角)得以补偿那里存在的误差。

尽管已根据本发明的优选实施例描述了本发明，但并不意在受此限制，而是仅仅在接着的权利要求中阐述的程度上受限。