检测系统的制作方法

本公开内容总体上涉及检测系统，更具体而言，涉及拖车检测系统。

附图说明

现在将参考附图通过示例来说明本发明，其中：

图1是根据一个实施例的检测系统的图示；

图2是根据一个实施例的图1的检测系统的图示；

图3a是根据一个实施例的由图1的检测系统检测到的物体(object)的曲线图；

图3b是根据一个实施例的图3a的物体在纵向方向上的曲线图；

图4a是根据一个实施例的图3b中的物体的曲线图；

图4b是根据一个实施例的图3b中的物体的曲线图；

图5a是根据一个实施例的由图1的检测系统检测到的物体的曲线图；

图5b是根据一个实施例的图5a的物体在横向方向上的曲线图；

图6是根据另一实施例的检测系统的图示；

图7是根据另一实施例的图6的检测系统的图示；

图8a是根据另一实施例的由图6的检测系统检测到的物体的曲线图；

图8b是根据另一实施例的图8a的物体在纵向方向上的曲线图；

图9a是根据另一实施例的图8b中的物体的曲线图；

图9b是根据另一实施例的图8b中的物体的曲线图；

图10a是根据另一实施例的由图6的检测系统检测到的物体的曲线图；

图10b是根据另一实施例的图10a的物体在横向方向上的曲线图；

图11a是根据另一实施例的由图6的检测系统检测到的物体的曲线图；

图11b是根据另一实施例的图11a的物体在纵向方向上的曲线图；

图12a是根据另一实施例的图11b中的物体的曲线图；

图12b是根据另一实施例的图11b中的物体的曲线图；

图13a是根据另一实施例的由图6的检测系统检测到的物体的曲线图；

图13b是根据另一实施例的图13a的物体在横向方向上的曲线图；

图14是根据又一实施例的检测方法的流程图；以及

图15是根据又一实施例的另一种检测方法的流程图。

各图中所示的实施例中的类似元件的附图标记共用最后两位数字。

具体实施方式

图1示出了安装在牵引拖车14的主车辆12上的检测系统10(下文称为系统10)的非限制性示例。如下面将更详细描述的，系统10相对于其他检测系统有所改进，因为系统10通过滤除错误检测而基于检测到的目标估计拖车长度16和拖车宽度18。系统10提供的技术益处是能够基于拖车14的尺寸调整主车辆12的盲区，从而提高驾驶者和其他车辆的安全性。在一些实施例中，拖车14可以是货物拖车(cargo-trailer)14a，其可以是具有实心板的封闭式，而在货物拖车14a的其他实施例中，可以是具有暴露框架的敞开式。在图1-5b中所示的示例中，拖车14是货物拖车14a。

系统10包括测距传感器20。测距传感器20可以是雷达传感器或激光雷达传感器，如本领域技术人员将理解的。测距传感器20被配置为检测靠近主车辆12的物体26。在图1所示的示例中，测距传感器20是雷达传感器。雷达传感器检测由主车辆12牵引的货物拖车14a的特征所反射的雷达信号。车辆上的典型雷达系统仅能够确定到目标的距离28(即范围)和方位角30，因此可以称为二维(2d)雷达系统。其他雷达系统能够确定到目标的仰角，因此可以称为三维(3d)雷达系统。在图1所示的非限制性示例中，2d雷达传感器包括左传感器22a和右传感器22b。预期本文呈现的教导适用于具有一个或多个传感器设备(即雷达传感器的多个实例)的2d雷达系统和3d雷达系统两者。雷达传感器通常被配置为检测雷达信号，该雷达信号可以包括指示货物拖车14a上存在的检测目标的数据。如本文所使用的，货物拖车14a上存在的检测目标可以是货物拖车14a的特征，其由雷达传感器检测并由控制器电路32跟踪，如下所述。

图2示出了由雷达传感器检测到的位于货物拖车14a上的一些类型的目标。作为示例而非限制，雷达传感器可以被配置为输出连续或周期性数据流，该数据流包括与检测到的每个目标相关联的各种信号特征。信号特征可以包括或者指示但不限于从主车辆12到检测目标的距离，相对于主车辆纵轴34的到检测目标的方位角30，雷达信号的幅度(未示出)和相对于检测目标的闭合物的相对速度(未示出)。通常由于来自检测目标的雷达信号具有足够的信号强度以满足预定阈值而检测到目标。即，可能存在反射雷达信号的目标，但是雷达信号的强度不足以被表征为检测目标之一。对应于强目标的数据通常来自一致的非间歇信号。然而，对应于弱目标的数据可能是间歇性的，或者由于低信噪比而具有一些实质性的可变性。

返回到图1，系统10还包括与测距传感器20通信的控制器电路32。测距传感器20可以通过主车辆12的电气系统(未示出)硬连线到控制器电路32，或者可以通过无线网络(未示出)进行通信。控制器电路32可以包括诸如微处理器的处理器(未示出)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)，这对于本领域技术人员来说应该是显而易见的。控制器电路32可以包括存储器(未具体示出)，包括非易失性存储器，例如用于存储一个或多个例程、阈值和捕获数据的电可擦除可编程只读存储器(eeprom)。一个或多个例程可以由处理器执行，以基于由控制器电路32从测距传感器20接收的信号执行用于检测物体26的步骤，如本文所述的。控制器电路32被配置为使用本领域技术人员将理解的已知的目标的零范围速率(zrr)检测方法确定货物拖车14a正由主车辆12牵引(即，确定拖车存在)。

图3a示出了多个雷达传感器数据采集周期的曲线图，其沿着主车辆纵轴34和主车辆横轴36定位zrr目标。每个数据采集周期由在50毫秒(50ms)的时间间隔内每个雷达传感器64次检测组成，或者对于两个雷达传感器22a和22b而言的总共128次检测组成。可以通过任何已知的滤波方法对数据进行滤波以降低噪声，并且在图3a中，已经将数据滤波为对于两个雷达传感器22a和22b而言的64次检测。该曲线图的原点位于主车辆12的前保险杠的中心。

图3b示出了仅沿主车辆纵轴34的图3a的zrr目标组的曲线图。这些组表示以从主车辆12的后端延伸的0.2米(0.2m)的增量检测到的zrr目标。例如，沿着图3b中的曲线图的x轴的每10个点表示距5m长的主车辆12的后端2.0m的距离28。图3b中的y轴表示组中的检测次数。总共5个独立的检测组由曲线图中的峰表示，并标记为“a”至“e”，其中组a最接近主车辆12，组e距离主车辆12最远。一些组表示真实物体38，而其他组表示幻像物体(phantom-object)40，如下所述。

图4a-4b示出了图3b的曲线图，其中限制被应用于滤除幻像物体40。图4a还包括每组峰值的x-y坐标。控制器电路32基于距测距传感器20检测到的第一组46物体26的距离28确定主车辆12与货物拖车14a的前部(front)44之间的拖车距离42。即，控制器电路32基于最接近主车辆12的第一主要zrr目标组确定主车辆12的后端与货物拖车14a的前部44之间的距离28。第一组46以由测距传感器20指示的第一距离48表征。为了将真实物体38与幻像物体40区分开，控制器电路32进一步确定峰值阈值50，其表示由测距传感器20检测到的实际物体38的检测；以及噪声阈值52，其表示由测距传感器20检测到的幻像物体40的检测，其中，峰值阈值50大于噪声阈值52。峰值阈值50和噪声阈值52可以由用户定义，并且在图4a所示的示例中，峰值阈值50被设置为由1495次检测的虚线表示的最大组(即组b)的50％。噪声阈值52被设置为零检测。第一组46物体26由第一检测计数54确定，第一检测计数54在幅度上相比噪声阈值52更接近峰值阈值50，并且第一组46物体26在接近程度上是第一最接近主车辆12的。将组a至e中的每一组与峰值阈值50和噪声阈值52进行比较，并且由控制器电路32确定每个组的幅度是更接近峰值阈值50还是更接近噪声阈值52。最接近噪声阈值52的组(即图4a中的组a、c、d和e)从第一组46的确定中排除，仅留下组b。组b被分类为第一组46，第一距离48被确定为距离主车辆12的后端1.4m。

控制器电路32还基于由测距传感器20检测到的第二组60物体26确定货物拖车14a的前部44与拖车轴58之间的轴距56，如图4b所示。即，控制器电路32基于主车辆12后面的第二主要zrr目标组确定主车辆12的后端与货物拖车14a的拖车轴58之间的距离28，第二主要zrr目标组相对于第一组46距离主车辆12更远。第二组60由测距传感器20指示的第二距离62表征。控制器电路32将峰值阈值50设置为由298次检测的虚线示出的最大组(即组e)的50％，并且将噪声阈值52设置为零检测。第二组60物体26由第二检测计数64确定，第二检测计数64在幅度上相比噪声阈值52更接近峰值阈值50，并且第二组60物体26在接近程度上是第二最接近主车辆12的。将组c、d和e中的每一个与峰值阈值50和噪声阈值52两者进行比较，并且由控制器电路32确定每个组的幅度是更接近峰值阈值50还是更接近噪声阈值52。最接近噪声阈值52的组(即图4b中的组d)从第二组60的确定中排除，仅留下组c和e。因此，组c被分类为第二组60，因为组c是第二最接近主车辆12的，并且第二距离62被确定为距离主车辆12的后端3m。控制器电路32从第二距离62中减去第一距离48以获得轴距56，其在图4b所示的示例中为1.6m。

控制器电路32还基于拖车距离42和轴距56确定拖车长度16。拖车长度16(tl)由包括拖车距离42(lo)、轴距56(l1)和常数66(c)的公式使用下面的公式确定：

tl＝lo+l1+l1*c

常数66，c在0.6至0.75的范围内，并且由发明人基于已知的拖车规格和实验数据确定。发明人的实验已经发现，等于0.7的常数66对于所测试的大多数货物拖车14a提供了拖车长度16的适当估计。将拖车距离42和轴距56插入上述等式中得到拖车长度16估计：

tl＝1.4m+1.6m+(1.6m*0.7)＝4.12m

图4b所示的示例中的货物拖车14a的已知长度是3.9m并且表示0.22m的误差。可以通过增加沿主车辆纵轴34的纵向组的分辨率(即减小间距)(在上述示例中为0.2m)来减小误差。发明人的实验已经发现0.2m间距提供了存储器利用要求和测量误差的充分的平衡。

图5b示出了沿横穿主车辆纵轴34的主车辆横轴36的图5a的zrr目标组的曲线图。这些组表示以沿横向从主车辆12的中心线68延伸0.1m的增量检测的zrr目标。例如，沿着图5b中的曲线图的x轴的每10个点表示距离主车辆12的中心线68的1.0m的距离28。中心线68由图5a-5b的y轴上的零表示，并与主车辆纵轴34平行。图5b中的y轴表示组中的检测次数。

控制器电路32进一步通过测距传感器20检测到的第三组72和第四组74物体26之间的距离28确定拖车14的拖车宽度18。第三组72以由测距传感器20所指示的相对于主车辆12的中心线68的第一横向偏移76表征，第四组74以由测距传感器20所示的相对于主车辆12的中心线68的第二横向偏移78表征。第三组72和第四组74由控制器电路32识别为中心线68左侧和右侧具有最大数量的zrr检测的组，并且不需要幻像物体40的滤除。在图5b所示的示例中，与已知宽度1.52m相比，估计的拖车宽度18是1.5m，并且表示0.02m的误差。可以通过增加横向组的分辨率(即减小间距)(在上述示例中为0.1m)来减小误差。发明人的实验已经发现0.1m间距提供了存储器利用要求和测量误差的适当平衡。

系统10可以排除超出典型的最大拖车尺寸2.44m×15.24m的任何检测。

图6示出了安装在牵引拖车114的主车辆112上的检测系统110(下文称为系统110)的另一实施例。如下面将更详细描述的，系统110相对于其他检测系统有所改进，因为系统110通过滤除错误检测而基于检测到的目标确定拖车类型113、拖车长度116和拖车宽度118。拖车114可以是货物拖车114a，其可以是具有实心板的封闭式，或者可以是具有暴露框架的敞开式。拖车114也可以是船拖车(boat-trailer)114b。船拖车114b可以或可以不携带船，并且与货物拖车114a相比可以呈现独特的测距传感器信号或信号模式，其可以进一步帮助确定被主车辆112牵引的拖车114的类型。

系统110包括测距传感器120。测距传感器120可以是雷达传感器122或激光雷达传感器124，如本领域技术人员将理解的。测距传感器120被配置为检测靠近主车辆112的物体126。在图6所示的示例中，测距传感器120是雷达传感器122。雷达传感器122检测由主车辆112牵引的货物拖车114a的特征所反射的雷达信号(未具体示出)。通常，车辆上的雷达系统仅能够确定到目标的距离128(即范围)和方位角130，因此可以称为二维(2d)雷达系统。其他雷达系统能够确定到目标的仰角，因此可以称为三维(3d)雷达系统。在图6所示的非限制性示例中，2d雷达传感器122包括左传感器122a和右传感器122b。预期本文呈现的教导适用于具有一个或多个传感器设备(即雷达传感器122的多个实例)的2d雷达系统和3d雷达系统两者。雷达传感器122通常被配置为检测雷达信号，该雷达信号可以包括指示拖车114上存在的检测目标的数据。如本文所使用的，拖车114上存在的检测目标可以是拖车114的特征，其由雷达传感器122检测并由控制器电路132跟踪，如下所述。

图7示出了由雷达传感器122检测到的位于拖车114上的各种类型的目标中的一些。作为示例而非限制，雷达传感器122可以被配置为输出连续或周期性数据流，该数据流包括与检测到的每个目标相关联的各种信号特征。信号特征可以包括或者指示但不限于从主车辆112到检测目标的距离，相对于主车辆纵轴134的到检测目标的方位角130，雷达信号的幅度(未示出)和相对于检测目标的闭合物的相对速度(未示出)。由于来自检测目标的雷达信号具有足够的信号强度以满足预定阈值，而通常检测到目标。即，可能存在反射雷达信号的目标，但是雷达信号的强度不足以被表征为检测目标之一。对应于强目标的数据通常将来自一致的非间歇信号。然而，对应于弱目标的数据可能是间歇性的，或者由于低信噪比而具有一些实质性的可变性。

系统110还包括与测距传感器120通信的控制器电路132。测距传感器120可以通过主车辆112的电气系统(未示出)硬连线到控制器电路132，或者可以通过无线网络(未示出)进行通信。控制器电路132可以包括诸如微处理器的处理器(未示出)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)，这对于本领域技术人员来说应该是显而易见的。控制器电路132可以包括存储器(未具体示出)，包括非易失性存储器，例如用于存储一个或多个例程、阈值和捕获数据的电可擦除可编程只读存储器(eeprom)。一个或多个例程可以由处理器执行，以基于由控制器电路132从测距传感器120接收的信号执行用于检测物体126的步骤，如本文所述的。控制器电路132被配置为使用本领域技术人员将理解的已知的目标的零范围速率(zrr)检测方法确定拖车114正由主车辆112牵引(即，确定拖车存在)。

图8a示出了多个雷达传感器122数据采集周期的曲线图，其沿着主车辆纵轴134和主车辆横轴136定位zrr目标。每个数据采集周期由在50毫秒(50ms)的时间间隔内每个雷达传感器122的64次检测组成，或者对于两个雷达传感器122a和122b的总共128次检测组成。可以通过任何已知的滤波方法对数据进行滤波以降低噪声，并且在图8a中，已经将数据滤波为两个雷达传感器122a和122b的64次检测。该曲线图的原点位于主车辆112前保险杠的中心。

图8b示出了仅沿主车辆纵轴134的图8a的zrr目标组的曲线图。这些组表示以从主车辆112的后端延伸的0.2米(0.2m)的增量检测到的zrr目标。例如，沿着图8b中的曲线图的x轴的每10个点表示距5m长的主车辆112的后端2.0m的距离128。图8b中的y轴表示组中的检测次数。总共5个独立的检测组由曲线图中的峰表示，并标记为“a”至“e”，其中组a最接近主车辆112，组e距离主车辆112最远。一些组表示真实物体138，而其他组表示幻像物体140，如下所述。

图9a-9b示出了图8b的曲线图，其中限制被应用于滤除幻像物体140。图9a还包括每组峰值的x-y坐标。控制器电路132基于距测距传感器120检测到的第一组146物体126的距离128确定主车辆112与拖车114的前部144之间的拖车距离142。即，控制器电路132基于最接近主车辆112的第一主要zrr目标组确定主车辆112的后端与拖车114的前部144之间的距离128。第一组46以由测距传感器120指示的第一距离148表征。为了将真实物体138与幻像物体140区分开，控制器电路132进一步确定峰值阈值150，其表示由测距传感器120检测到的实际物体138的检测；以及噪声阈值152，其表示由测距传感器120检测到的幻像物体140的检测，其中，峰值阈值150大于噪声阈值152。峰值阈值150和噪声阈值152可以由用户定义，并且在图9a所示的示例中，峰值阈值150被设置为由1495次检测的虚线表示的最大组(即组b)的50％，并且噪声阈值152被设置为零检测。第一组146物体126由第一检测计数154确定，第一检测计数154在幅度上相比噪声阈值152更接近峰值阈值150，并且第一组146物体126在接近程度上是第一最接近主车辆112的。将组a至e中的每一组与峰值阈值150和噪声阈值152进行比较，并且由控制器电路132确定每个组的幅度是更接近峰值阈值150还是更接近噪声阈值152。最接近噪声阈值152的组(即图9a中的组a、c、d和e)从第一组146的确定中排除，仅留下组b。因此，b组被分类为第一组146，第一距离148被确定为距离主车辆12的后端1.4m。

控制器电路132基于拖车距离142与距离阈值155的比较来确定由主机车辆112牵引的拖车类型113。根据确定拖车距离142小于2m至3m范围内的距离阈值155，将拖车类型113表征为货物拖车114a。根据确定拖车距离142大于距离阈值155，将拖车类型113表征为船拖车114b。发明人的实验已经发现3m的距离阈值155在区分货物拖车114a和船拖车114b时提供了充分的结果。

根据将拖车类型113表征为货物拖车114a的确定，控制器电路132进一步基于由测距传感器120检测到的第二组160物体126确定拖车114的前部144与拖车轴158之间的轴距156，如图9b所示。即，控制器电路132基于主车辆112后面的第二主要zrr目标组确定主车辆112的后端与货物拖车114a的拖车轴158之间的距离128，第二主要zrr目标组相对于第一组146距离主车辆112更远。第二组160由测距传感器120指示的第二距离162表征。控制器电路132将峰值阈值150设置为由298次检测的虚线示出的最大组(即组e)的50％，并且将噪声阈值152设置为零检测。第二组160物体126由第二检测计数164确定，第二检测计数164在幅度上相比噪声阈值152更接近峰值阈值150，并且第二组160物体126在接近程度上是第二最接近主车辆112的。将组c、d和e中的每一个与峰值阈值150和噪声阈值152进行比较，并且由控制器电路132确定每个组的幅度是更接近峰值阈值150还是更接近噪声阈值152。最接近噪声阈值152的组(即图9b中的组d)从第二组160的确定中排除，仅留下组c和e。因此，组c被分类为第二组160，因为组c是第二最接近主车辆112的，并且第二距离162被确定为距离主车辆112的后端3m。控制器电路132从第二距离162中减去第一距离148以获得轴距156，其在图9b所示的示例中为1.6m。

控制器电路132还基于拖车距离142和轴距156确定货物拖车114a的货物拖车长度116a。货物拖车长度116a(tl)由包括拖车距离142(lo)、轴距156(l1)和常数166(c)的公式使用下面的公式确定：

tl＝lo+l1+l1*c

常数166，c在0.6至0.75的范围内，并且由发明人基于已知的拖车114规格和实验数据确定。发明人的实验已经发现，等于0.7的常数166对于所测试的大多数货物拖车114a提供了货物拖车长度116a的充分的估计。将拖车距离142和轴距156插入上述等式中得到如下货物拖车长度116a估计：

tl＝1.4m+1.6m+(1.6m*0.7)＝4.12m

图9b所示的示例中的货物拖车114a的已知长度是3.9m并且表示0.22m的误差。可以通过增加沿主车辆纵轴134的纵向组的分辨率(即减小间距)(在上述示例中为0.2m)来减小误差。发明人的实验已经发现0.2m间距提供了存储器利用要求和测量误差的充分的平衡。

图10b示出了沿横穿主车辆纵轴134的主车辆横轴136的图10a的zrr目标组的曲线图。这些组表示以沿横向从主车辆112的中心线168延伸0.1m的增量检测的zrr目标。例如，沿着图10b中的曲线图的x轴的每10个点表示距离主车辆112的中心线168的1.0m的距离128。中心线168由图10a-10b的y轴上的零表示，并与主车辆纵轴134平行。图10b中的y轴表示组中的检测次数。

控制器电路132进一步通过测距传感器120检测到的第三组172和第四组174物体126之间的距离128确定货物拖车114a的拖车宽度118。第三组172以由测距传感器120所示的相对于主车辆112的中心线168的第一横向偏移176表征，并且第四组174以由测距传感器120所示的相对于主车辆112的中心线168的第二横向偏移178表征。第三组172和第四组174由控制器电路132识别为中心线168左侧和右侧具有最大数量的检测的组，并且不需要幻像物体140的滤除。在图10b所示的示例中，与已知宽度1.52m相比，估计的拖车宽度118是1.5m，并且表示0.02m的误差。可以通过增加横向组的分辨率(即减小间距)(在上述示例中为0.1m)来减小误差。发明人的实验已经发现0.1m间距提供了存储器利用要求和测量误差的充分平衡。

图11a示出了用于船拖车114b的多个雷达传感器122数据采集周期的曲线图，其沿着主车辆纵轴134和主车辆横轴136定位zrr目标。图11b示出了仅沿主车辆纵轴134的图11a的zrr目标组的曲线图。根据确定将拖车类型113表征为船拖车114b，控制器电路132还基于由测距传感器120检测的最后一组182物体126确定到船拖车114b的末端的末端距离180。最后一组182以由测距传感器120指示的最后距离184表征，并且控制器电路132基于末端距离180确定船拖车长度116b。

图12a-12b示出了图11b的曲线图，其中限制被应用于滤除幻像物体140，正如上面针对货物拖车114a所描述的那样。图12a还包括每组峰值的x-y坐标。控制器电路132基于距测距传感器120检测到的第一组146物体126的距离128来确定主车辆112和船拖车114b的前部144之间的拖车距离142。即，控制器电路132基于最接近主车辆112的第一主要zrr目标组确定主车辆112的后端与船拖车114b的前部144之间的距离128。第一组146以由测距传感器120指示的第一距离148表征。为了将真实物体138与幻像物体140区分开，控制器电路132进一步确定峰值阈值150，其表示由测距传感器120检测到的实际物体138的检测，以及噪声阈值152，其表示由测距传感器120检测到的幻像物体140的检测，其中，峰值阈值150大于噪声阈值152。在图12a所示的示例中，峰值阈值150被设置为由4031次检测的虚线表示的最大组(即组b)的50％，噪声阈值152被设置为零检测。第一组146物体126由第一检测计数154确定，第一检测计数154在幅度上相比噪声阈值152更接近峰值阈值150，并且第一组146物体126在接近程度上是第一最接近主车辆112的。将组a至g中的每一组与峰值阈值150和噪声阈值152进行比较，并且由控制器电路132确定每个组的幅度是更接近峰值阈值150还是更接近噪声阈值152。最接近噪声阈值152的组(即图12a中的组a、e和g)从第一组146的确定中排除，仅留下组b、c、d和f。因此，组b被分类为第一组146，第一距离148被确定为距离主车辆12的后端3.8m，其位于比主车辆112后方3m的距离阈值155更大的位置，并被确定为船拖车114b。

根据确定将拖车类型113表征为船拖车114b，控制器电路132进一步确定由最后检测计数186确定的最后一组182物体126(组f)，最后检测计数186在幅度上相比噪声阈值152更接近峰值阈值150，并且最后一组182物体126在接近程度上距主车辆112最远，如图12b所示。控制器电路132将峰值阈值150设置为由2329次检测的虚线示出的最大组(即组d)的50％，并且将噪声阈值152设置为零检测。最后一组182物体126由最后检测计数186确定，最后检测计数186在幅度上相比侧壁噪声阈值152更接近峰值阈值150，并且最后一组182物体126在接近程度上距主车辆112最远。将组c至g中的每一个与峰值阈值150和噪声阈值152两者进行比较，并且由控制器电路132确定每个组的幅度是更接近峰值阈值150还是更接近噪声阈值152。最接近噪声阈值152的组(即图12b中的组e和g)从第二组160的确定中排除，仅留下组c、d和f。因此，组f被分类为最后一组182，因为组f距主车辆112最远，并且最后距离184被确定为距离主车辆112的后端7.2m。与已知长度7.2米相比，船拖车长度116b被估计为7.2米，并且表明误差为0.0米。

图13b示出了沿横穿主车辆纵轴134的主车辆横轴136的图13a的zrr目标组的曲线图。这些组表示以沿横向从主车辆112的中心线168延伸0.1m的增量检测的zrr目标。例如，沿着图13b中的曲线图的x轴的每10个点表示距离主车辆112的中心线168的1.0m的距离128。中心线168由图13a-13b的y轴上的零表示，并与主车辆纵轴134平行。图13b中的y轴表示组中的检测次数。

控制器电路132进一步通过测距传感器120检测到的第三组172和第四组174物体126之间的距离128确定船拖车114b的拖车宽度118。第三组172以由测距传感器120所示的相对于主车辆112的中心线168的第一横向偏移176表征，第四组174以由测距传感器120所示的相对于主车辆112的中心线168的第二横向偏移178表征。第三组172和第四组174由控制器电路132识别为中心线168左侧和右侧具有最大数量的检测的组，并且不需要幻像物体140的滤除。在图13b所示的示例中，与已知宽度1.9m相比，估计的拖车宽度118是1.7m，并且表示0.2m的误差。可以通过增加横向组的分辨率(即减小间距)(在上述示例中为0.1m)来减小误差。发明人的实验已经发现0.1m间距提供了存储器利用要求和测量误差的充分平衡。

系统110可以排除超出典型的最大拖车尺寸2.44m×15.24m的任何检测。

图14是示出操作下文称为系统10并安装在牵引拖车14的主车辆12上的检测系统10的检测方法200(下文称为方法200)的又一实施例的流程图。如下面将更详细描述的，方法200相对于其他检测方法有所改进，因为方法200通过滤除错误的检测来基于检测到的目标估计拖车长度16和拖车宽度18。拖车14可以是货物拖车14a，其可以是具有实心板的封闭式，或者可以是具有暴露框架的敞开式。在图1-5b中所示的示例中，拖车14是货物拖车14a。

步骤202，检测物体，包括利用测距传感器20检测靠近主车辆12的物体26。图1示出了系统10，其如上所述包括测距传感器20和跟踪物体26的与测距传感器20通信的控制器电路32。

步骤204，确定拖车距离，包括利用控制器电路32确定拖车14正由主车辆12牵引并确定拖车距离42。如上所述，控制器电路使用已知的零范围速率(zrr)检测方法基于图4a中所示的第一组46物体26确定到货物拖车14a的前部44的距离28。

步骤206，确定轴距，包括基于第二组60物体26确定货物拖车14a的前部44与拖车轴58之间的轴距56，如图4b所示。

步骤208，确定拖车长度，包括利用控制器电路32基于拖车距离42和轴距56确定拖车长度16。如上所述，拖车长度16(tl)由包括拖车距离42(lo)、轴距56(l1)和常数66(c)的公式确定，使用以下公式：

tl＝lo+l1+l1*c

步骤210，确定拖车宽度，包括利用控制器电路32确定拖车宽度18。图5b示出了沿横穿主车辆纵轴34的主车辆横轴36的图5a的zrr目标组的曲线图。控制器电路32进一步通过由测距传感器20检测到的第三组72和第四组74物体26之间的距离28来确定货物拖车14a的拖车宽度18。

图15是示出操作下文称为方法300并安装在牵引拖车114的主车辆112上的检测系统110(下文称为系统110)的检测方法300的又一实施例的流程图。如下面将更详细描述的，系统110相对于其他检测系统有所改进，因为系统110通过滤除错误的检测来基于检测到的目标确定拖车类型113、拖车长度116和拖车宽度118。拖车114可以是货物拖车114a，其可以是具有实心板的封闭式，或者可以是具有暴露框架的敞开式。拖车114也可以是船拖车114b。船拖车114b可以或可以不携带船，并且与货物拖车114a相比可以呈现独特的测距传感器信号，其可以进一步帮助确定被主车辆112牵引的拖车114的类型。

步骤302，检测物体，包括利用测距传感器120检测靠近主车辆112的物体126。图6示出了系统110，其如上所述包括测距传感器120和与测距传感器120通信的跟踪物体126的控制器电路132。

步骤304，确定拖车距离，包括利用控制器电路132确定拖车114正由主车辆112牵引并基于图9a中所示的第一组146物体126确定主车辆112与拖车114的前部144之间的拖车距离142。

步骤306，确定拖车类型，包括利用控制器电路132基于拖车距离142与预定距离阈值155的比较来确定由主车辆112牵引的拖车类型113。根据确定拖车距离142小于2m至3m范围内的距离阈值155，将拖车类型113表征为货物拖车114a。根据确定拖车距离142大于距离阈值155，将拖车类型113表征为船拖车114b。

步骤308，确定轴距，包括利用控制器电路132确定货物拖车114a的轴距156。根据确定将拖车类型113表征为货物拖车114a，控制器电路132进一步基于由测距传感器120检测到的第二组160物体126确定拖车114的前部144与拖车轴158之间的轴距156，如图9b所示。

步骤310，确定货物拖车长度，包括利用控制器电路132基于拖车距离142和轴距156确定货物拖车114a的货物拖车长度116a。货物拖车长度116a(tl)由包括拖车距离142(lo)、轴距156(l1)和常数166(c)的公式使用以下公式确定：

tl＝lo+l1+l1*c

步骤312，确定拖车宽度，包括利用控制器电路132确定货物拖车114a的拖车宽度118。图10b示出了沿横穿主车辆纵轴134的主车辆横轴136的图10a的zrr目标组的曲线图。控制器电路132进一步依据由测距传感器120检测到的第三组172和第四组174物体126之间的距离128确定货物拖车114a的拖车宽度118。

步骤314，确定末端距离，包括利用控制器电路132确定到船拖车114b的末端的末端距离180。图11a示出了用于船拖车114b的多个雷达传感器122数据采集周期的曲线图，其沿着主车辆纵轴134和主车辆横轴136定位zrr目标。图11b示出了仅沿主车辆纵轴134的图11a的zrr目标组的曲线图。根据确定将拖车类型113表征为船拖车114b，控制器电路132还基于由测距传感器120检测的最后一组182物体126确定到船拖车114b的末端的末端距离180。最后一组182以由测距传感器120指示的最后距离184表征，并且控制器电路132基于末端距离180确定船拖车长度116b，如图12b所示。

步骤316，确定船拖车长度，包括利用控制器电路132确定船拖车长度116b。根据确定将拖车类型113表征为船拖车114b，控制器电路132进一步确定由最后检测计数186确定的最后一组182物体126(组f)，最后检测计数186在幅度上相比噪声阈值152更接近峰值阈值150，并且最后一组182物体126在接近程度上距主车辆112最远，如图12b所示。

步骤318，确定拖车宽度，包括利用控制器电路132确定船拖车114b的拖车宽度118。图13b示出了沿横穿主车辆纵轴134的主车辆横轴136的图13a的zrr目标组的曲线图。控制器电路132进一步通过测距传感器120检测到的第三组172和第四组174物体126之间的距离128确定船拖车114b的拖车宽度118。

系统110可以排除超出典型的最大拖车尺寸2.44m×15.24m的任何检测。

因此，提供了检测系统10(系统10)，用于系统10的控制器电路32，以及操作系统10的方法200。系统10是对其他检测系统的改进，因为系统10通过滤除幻像物体40来估计拖车长度16和拖车宽度18。

虽然已经根据本发明的优选实施例描述了本发明，但是并不意图将本发明限制于此，而是仅限制于所附权利要求中阐述的范围。此外，术语第一、第二等的使用不表示任何重要性顺序，而是将术语第一、第二等用于将一个元件与另一个元件区分开。此外，术语一、一个等的使用不表示数量的限制，而是表示存在至少一个所引用的项目。另外，诸如上、下等的方向术语不表示任何特定的取向，而是将术语上、下等用于将一个元件与另一个元件区分开，并且在各个元件之间建立位置关系。