用于确定完整性范围的方法与流程

本发明涉及一种用于确定完整性范围的方法、用于执行相应方法的计算机程序、在其上存储有计算机程序的机器可读存储介质以及用于车辆的控制器，其中该控制器被配置用于执行相应的方法。本发明特别是适用于与自主驾驶结合使用。

背景技术：

自主驾驶的最重要挑战之一是尽可能精确且可靠地确定自主车辆的自身位置。自主车辆通常具有传感器，例如惯性传感器、车轮传感器、环境传感器、gnss传感器、光学和/或声学传感器，车辆可以借助于这些传感器估计自身位置。就此而言，如果对于所确定的自身位置也输出关于其(预期)估计精度的信息，将很有帮助。就此而言，例如可以通过所谓的“保护等级”(简称“pl”)来表示所确定的自身位置的置信度。在此，pl可描述统计误差极限，其计算通常基于统计考虑因素，并且必要时还附加地基于估计算法的适当调整。

特别是在航空领域中，提供保护等级的概念是广泛应用的。然而，在此开发的解决方案无法简单地转移到自主驾驶的应用领域中。特别是例如城市峡谷及其对卫星信号的影响带来了在航空应用中不会出现的问题。因此，期望提出用于计算尽可能可靠的保护等级的改进方法，其特别是即使在困难的环境中、例如在市区中也可以提供可靠的结果。

技术实现要素：

在此根据权利要求1提出了一种用于确定参数估计的完整性范围的方法，其中该完整性范围描述了估计参数以最小概率(实际上)所处的范围，其中该方法至少包括以下步骤：

a)至少基于来自至少一个第一传感器的数据或用于确定完整性信息的第一方法来确定第一完整性信息，

b)至少基于来自至少一个第二传感器的数据或用于确定完整性信息的第二方法来确定第二完整性信息，第二传感器不同于第一传感器，第二方法不同于第一方法，

c)通过至少第一完整性信息和第二完整性信息的融合来确定完整性范围。

步骤a)和b)可以优选至少部分地并行或甚至同时进行。此外，步骤a)和b)优选至少部分地在步骤c)之前进行。

完整性范围描述了估计参数(值)以最小概率(实际上)所处的范围。在此，估计参数(值)基本上描述了参数估计的(单个的、特别是瞬时的)估计结果。换言之，这特别是意味着完整性范围描述了估计参数的真实值或实际值以最小概率所处的范围。这种完整性范围也可被称为所谓的“保护等级”。

最小概率通常是预定义的最小概率。最小概率优选为90％，特别优选为95％或甚至99％。

估计参数的真实值或实际值实际上处于保护等级的最小概率比在“常规”完整性范围的情况下还要高得多。在此，最小概率通常大于99.99％，特别优选大于99.999％或甚至大于99.9999％。在保护等级的情况下，最小概率也可以不用百分数表示，而是以在一定时间间隔内的可能错误表示。保护等级例如可以被定义为使得所涉及的参数每10年最多一次处于保护等级之外。保护等级可以例如被表示为无单位概率或比率，即在一定时间间隔上的错误发生概率。

该方法优选地用于确定完整性范围，该完整性范围描述了自身位置或另一行驶运行参数的估计的完整性。换言之，这特别是意味着该参数优选为行驶运行参数，例如车辆的自身位置。该方法可以(由此)例如用于确定车辆位置的位置估计的完整性范围。在此，完整性范围可以描述估计的车辆自身位置以最小概率(实际上)所处的范围。在此，数据可以利用车辆的传感器来检测。作为估计车辆自身位置的替代或补充，该方法还可用于估计车辆的自身速度、定向、自身运动等。

与始终仅根据主导航解决方案确定完整性范围的解决方案相比，在此提出的解决方案所具有的特殊优点在于，确定可以(更)动态地进行。在此，作为主导航解决方案例如可使用卡尔曼滤波器。以此确定的完整性信息如位置信息一样也要经过一定的表征(卡尔曼)滤波器的平滑处理。然而，对于完整性信息而言，例如在完整性可能快速变化的环境中，诸如在gnss信号可能例如在城市峡谷中被遮蔽的都市区域中，平滑可能是不期望的。

在此，在初始建议将基于不同的传感器和/或利用不同的方法(针对相同的估计参数)所确定的完整性信息融合，以便由此从(不同类型的，例如已平滑的和未平滑的)完整性信息中获得融合后的完整性范围，其与始终仅根据主导航解决方案确定完整性范围的解决方案相比可以(更)动态地描述(整体)估计的完整性。

参数估计原则上可以包括用于估计一个(相同)参数的一个或多个方法。例如，参数估计可以包括至少两个彼此不同的方法，例如用于估计参数的第一方法和与第一方法不同的第二方法。此外，所使用的用于估计参数的方法优选地还可以提供和/或确定关于估计完整性的完整性信息。

在步骤a)中，基于来自第一传感器的数据和/或用于确定完整性信息的第一方法确定特别是关于参数估计或所估计的参数的第一完整性信息。换言之，这特别是意味着，在步骤a)中基于来自第一传感器的数据和/或用于确定完整性信息的第一方法确定关于参数估计的估计结果或关于参数估计的完整性的第一完整性信息。

第一传感器优选是机动车的传感器。例如，第一传感器可以是gnss传感器、(光学和/或声学)环境传感器(例如雷达传感器、激光雷达传感器、超声波传感器和/或摄像机传感器)、惯性传感器和/或车轮传感器(例如车轮转速传感器和/或车轮圆周速度传感器)。

第一方法原则上可以是参数估计所基于的相同方法(类型)或方法(类型)之一。然而，这不是绝对必要的。而是也可以考虑到第一方法独立于参数估计所基于的方法。

在步骤b)中，至少基于来自不同于第一传感器的至少一个第二传感器的数据或不同于第一方法的用于确定完整性信息的第二方法确定特别是关于参数估计或所估计的参数的第二完整性信息。换言之，这特别是意味着，在步骤b)中基于来自第二传感器的数据和/或用于确定完整性信息的第二方法确定关于参数估计的估计结果或关于参数估计的完整性的第二完整性信息。

第二传感器优选是机动车的传感器。例如，第二传感器可以是gnss传感器、(光学和/或声学)环境传感器(例如雷达传感器、激光雷达传感器、超声传感器和/或摄像机传感器)、惯性传感器和/或车轮传感器(例如车轮转速传感器和/或车轮圆周速度传感器)。

第二方法原则上可以是参数估计所基于的相同方法(类型)或方法(类型)之一。然而这不是绝对必要的。而是也可以考虑第二方法独立于参数估计所基于的方法。通常，在步骤a)和b)中所使用的数据具有相同的时间戳或在时间上非常接近的时间戳。

如果基于来自至少一个不同于第一传感器的第二传感器的数据确定估计参数的第二完整性信息，则用于确定完整性信息的第一方法和第二方法也可以相同或是相同类型。由此，例如为了确定第一完整性信息和第二完整性信息，可以利用相同类型的方法来处理彼此不同的传感器或传感器类型(例如车轮转速传感器和gnss传感器)的数据，例如分别对其进行滤波。

在步骤c)中，通过至少第一完整性信息和第二完整性信息的(相互)融合确定完整性范围。在此，例如可以进行第一完整性信息与至少第二完整性信息(和/或必要时其他完整性信息，例如第三完整性信息、第四完整性信息等)的可选加权叠加。

完整性范围优选为置信区间。置信区间(也称为置信范围和期望范围)是统计数据的旨在表明参数位置估计(例如平均值)的精度的间隔。置信区间表示在无限重复随机实验时以一定的概率(置信度)包括参数的真实位置的范围。

在此，完整性信息例如可以是相应参数估计的方差和/或残差。此外，(第一和/或第二)完整性信息还可以(替代地)是根据方差和/或残差和/或估计可信度的(其他)指标所确定的信息。例如，第一完整性信息可以是第一置信范围，并且第二完整性信息可以是第二置信范围。

根据一个有利的设计方案提出，该方法用于确定机动车行驶运行参数的参数估计的完整性范围。行驶运行参数通常为机动车行驶运行的安全关键或安全相关的参数。行驶运行参数优选为至少部分自动化或甚至自主操作(或运行)的机动车的行驶运行的(安全关键或安全相关的)参数。

在此，行驶运行参数特别是可以理解为有助于描述机动车的空间行驶运行或机动车在空间中的运行的参数。行驶运行参数特别是至少有助于描述机动车的自身运动和/或自身位置。行驶运行参数例如可以是机动车的(自身)位置、(自身)速度、(自身)加速度或者位置(或定向)。行驶运行参数优选为机动车的自身位置。

根据另一有利的设计方案提出，至少第一传感器或第二传感器被布置在机动车中或机动车处。例如，第一传感器可以是接收导航卫星数据的gnss传感器。第二传感器可以是(另外的)车辆传感器(不是gnss传感器)。后者提到的车辆传感器例如可为惯性传感器(imu，即惯性测量单元)、车轮转速传感器、转向角传感器、速度传感器和/或加速度传感器。此外，第一传感器或第二传感器也可以是诸如(立体)摄像机传感器、雷达传感器或激光雷达传感器的光学传感器或诸如超声波传感器的声学传感器。

根据另一有利的设计方案提出，确定第一完整性范围作为第一完整性信息。就此而言，可在步骤a)中至少基于来自至少一个第一传感器的数据或用于确定完整性范围的第一方法来进行估计参数的第一完整性范围的确定。第一保护等级优选地被确定为第一完整性信息。

根据另一有利的设计方案提出，确定第二完整性范围作为第二完整性信息。就此而言，可以在步骤b)中至少基于来自至少一个不同于第一传感器的第二传感器的数据或者不同于第一方法的用于确定完整性范围的第二方法来进行估计参数的第二完整性范围的确定。第二保护等级优选地被确定为第二完整性信息。另外，还可以将另一保护等级(第三保护等级、第四保护等级等)确定为另一完整性信息(第三完整性信息、第四完整性信息等)。

在此，保护等级通常描述了估计参数(值)以最小概率(实际)所处于的(空间的，特别是二维或三维的)范围。在此，估计参数(值)基本上描述了参数估计的(单个的，特别是瞬时的)估计结果。换言之，这特别是意味着保护等级描述了估计参数的真实或实际值以最小概率位于其中的范围。

换言之，保护等级特别是描述了估计参数的真实值以最小概率位于其中的置信区间或(空间)置信范围。在此，参数的估计值通常位于置信区间或置信范围的中间或中心。

就此而言进一步优选的是，将通过至少第一完整性范围和第二完整性范围的融合所确定的整体完整性范围确定为完整性范围。特别是将通过至少第一保护等级和第二保护等级的融合所的整体保护等级确定为完整性范围。即使先前未确定第一或第二保护等级，也优选完整性范围是保护等级，或者将其作为保护等级输出。

另外，在步骤c)中也可以进行第一保护等级与第二保护等级的(交叉)真实性检验，和/或反之亦然。此外，可以进行第一保护等级和/或第二保护等级与另一(第三)保护等级的(交叉)真实性检验，和/或反之亦然。

用于确定完整性信息的方法特别可以是以下方法中的两个或更多个：最小二乘(特别是“连续最小二乘”)法、特别是可利用卡尔曼滤波器实现的滤波方法(例如“扩展卡尔曼滤波器”、“无味卡尔曼滤波器”)和/或粒子滤波器、hatch滤波器。此外，原则上还可以考虑描述状态的函数。

例如，作为用于确定完整性信息的第一方法可以使用最小二乘法。可特别有利地使用最小二乘法，以便特别是(仅)基于gnss数据或导航卫星数据进行(特别是与卡尔曼滤波器相比)相对动态的确定。

最小二乘法(德语简称mkq，或英语简称ls)是用于曲线拟合的标准数学方法。在此，通常对于数据点云寻找尽可能靠近数据点延伸的曲线。

例如，作为用于确定完整性信息的第二方法可以使用卡尔曼滤波器。可特别有利地使用借助于卡尔曼滤波器的确定，以便进行(特别是与最小二乘法相比)相对可靠的确定。

卡尔曼滤波技术通常用于在实时处理输入测量的定位传感器中估计目标参数，例如方位、速度、位置和/或时间(pvat)。汽车应用中的测量例如可为gnss(全球导航卫星系统)、imu(惯性测量单元)、车轮转速传感器和/或转向角传感器的观测。诸如雷达、激光雷达或摄像机之类的光学传感器也可为定位系统的一部分。通常，卡尔曼滤波器被配置为执行导航卫星数据(gnss数据)和至少一个其他车辆传感器的数据(例如惯性数据)的传感器数据融合。使用卡尔曼滤波的标准是多种多样的。尤其可在pvat更新的适配中考虑数据历史记录，以便有利地改善解决方案的稳定性。

例如，如果最小二乘法被用作第一方法，并且卡尔曼滤波器提供第二方法，则特别优选的是，通过将最小二乘法的梯度或快速变化加到卡尔曼滤波器的(背景)解中进行融合。

根据另一有利的设计方案提出，在步骤c)中进行第一完整性信息和第二完整性信息的加权。这所具有的特别的优点在于可以根据情况改善融合。

优选地可以根据对估计的精度要求进行加权。例如，在泊车操作期间可能比在高速公路上驾驶操作时需要更高的位置精度。另外，精度要求还可以随着车辆的行驶速度而提高。

替代或附加地，可以根据传感器和/或车辆当前所处的环境来进行加权。例如，当传感器或车辆位于高速公路或乡村道路上或者对于导航卫星具有清晰的视图时，可以提高主要或甚至仅基于导航卫星数据(gnss数据)的完整性信息所分配的权重。

相反，如果传感器或车辆位于城镇中、特别是位于城市峡谷中，则可提高至少部分基于车辆传感器(不是gnss传感器)的完整性信息所分配的权重。这例如可以有助于考虑到在城市峡谷和/或隧道中卫星信号接收的减少。

此外还可以规定，有时仅考虑特定的完整性信息。例如，有时仅考虑那些至少部分基于车辆传感器数据(不是gnss数据)的完整性信息。这例如可以在无法或仅可有限地进行卫星接收的时间段内进行。

替代或附加地，有时可以仅考虑那些至少部分基于卫星数据或gnss数据的完整性信息。这例如可以在其他车辆传感器受到干扰或发生故障的时间段内进行。

换言之，这特别是还意味着(有时)可以仅输出第一完整性信息或仅输出第二(或必要时(仅)另外的)完整性信息作为(瞬时)完整性范围。这特别是根据相应的传感器信息的可用性来进行。

加权可以例如以如下方式进行，即在可靠地识别估计误差的可靠性和用于识别估计误差的反应时间之间达成折衷。在此，根据车辆行驶的环境例如通过调整相应的权重可以例如给予更动态的第一完整性信息或平滑的第二完整性信息更多的信任。

优选地(还)根据所使用的用于确定完整性信息的方法的特性来进行加权。由此，例如，如果应更动态地确定完整性范围，则可以提高分配给更动态的方法的权重。就此而言，特别是根据所使用的方法的动态特性和/或滤波特性进行加权。

根据另一有利的设计方案提出，至少基于来自至少一个第三传感器的数据或用于确定完整性信息的第三方法来确定估计参数的第三完整性信息，并且其中在步骤c)的融合中也考虑第三完整性信息。

根据另一方面，还提出了一种用于执行在此介绍的方法的计算机程序。换言之，这特别是涉及一种包括指令的计算机程序(产品)，该指令在计算机执行程序时使其执行在此说明的方法。

根据另一方面，还提出了一种机器可读存储介质，在其上存储有在此介绍的计算机程序。机器可读存储介质通常为计算机可读的数据载体。

根据另一方面，还提出了一种用于机动车的控制器，其中该控制器被设置为执行在此介绍的方法。控制器优选是用于自身定位的设备(或计算机)。

此外还提出一种具有在此介绍的控制器的机动车。机动车优选是自动和/或自主操作的车辆，特别是自主驾驶汽车。

结合方法所探讨的细节、特征和有利的设计方案也可相应地出现在本文介绍的计算机程序、存储介质、控制器和/或车辆中，反之亦然。就此而言可全面地参考在此所作的用于更详细地表征特征的描述。

附图说明

下面参考附图更详细地说明本文介绍的解决方案及其技术环境。应指出的是，本发明并不旨在受限于所示的实施例。特别是除非另有明确说明，否则还可以提取附图中所述的事实的部分方面，并且将其与来自其他附图和/或本说明的其他组成部分和/或认知发现相结合。在附图中：

图1示意性地示出了本文提出的方法的示例性流程，

图2示意性地示出了具有本文提出的控制器的示例性实施方式的车辆，并且

图3示意性地示出了偏差信息的示例性时间曲线。

具体实施方式

图1示意性地示出了本文提出的方法的示例性流程。该方法用于确定参数估计的完整性范围1，其中该完整性范围描述了估计参数以最小概率所处于的范围。方框110、120和130所示的方法步骤a)、b)和c)的顺序通常是在正常的运行流程下建立的。步骤a)和b)特别是可以至少部分地并行或甚至同时进行。

在方框110中，至少基于来自至少一个第一传感器13的数据2或用于确定完整性信息的第一方法4来进行第一完整性信息5的确定。在方框120中，至少基于不同于第一传感器的至少一个第二传感器14的数据3或不同于第一方法4的用于确定完整性信息的第二方法6来确定第二完整性信息7。在方框130中，通过至少第一完整性信息5和第二完整性信息7的融合来确定完整性范围1。

图2示意性地示出了具有本文提出的控制器11的示例性实施方式的机动车10。控制器11被配置用于执行本文提出的方法。在此，控制器11例如用于确定机动车10的当前自身位置。

控制器11可以接收数据2、3，使得可以推断出车辆10的自身位置。例如，可以通过车辆10的天线13从导航卫星12接收gnss数据2。gnss代表全球导航卫星系统。gnss数据2例如包括可以使得推断出相应卫星12的位置并可以评估其传播时间的信号，以便通过三角测量来确定车辆10的自身位置。另外，可以从诸如惯性传感器14(imu)、速度传感器15和转向角传感器16的车辆传感器接收车辆内部数据3。

在控制器11中基于这些数据2、3利用在此例如并行的两个方法4、6分别估计机动车10的自身位置并且分别确定所估计的自身位置的完整性信息5、7。换言之，这特别是意味着方法4、6是用于估计机动车10的自身位置且用于确定关于所估计的自身位置的完整性信息5、7的方法。由此，自身位置在此是估计参数的一个示例。

作为第一方法4，在此示例性地使用最小二乘法。例如，最小二乘法用于(仅)基于所检测的gnss数据2来估计车辆10的(当前)自身位置并提供关于由此估计的自身位置的完整性的第一完整性信息5。最小二乘法通常仅考虑一种类型的数据，在此例如是gnss数据2，并且常常在不考虑处理历史和/或数据历史的情况下工作，其通常非常动态地响应于测量值的变化。然而，这种方法的一个缺点是精度降低(与卡尔曼滤波器相比)。

第一估计结果通常包括借助于最小二乘法确定的车辆10的(估计的)自身位置。第一完整性信息5通常包括借助于最小二乘法确定的(估计的)完整性信息。第一完整性信息5例如可以是在使用最小二乘法的情况下与实际自身位置的期望偏差。这例如可以包括方差和/或残差。替代或附加地，第一完整性信息5也可以已经包括第一保护等级。

在此，例如借助于卡尔曼滤波器进行第二估计。相应于此，第二方法5基于gnss数据2与车辆内部数据3的(传感器)融合，并且通常还考虑到处理历史和/或数据历史。来自卡尔曼滤波器的信息通常包括自身位置的第二估计结果和关于第二估计结果的完整性的第二完整性信息7，来自卡尔曼滤波器的该信息是更平滑的或者会进行平滑处理，并且可以被解释为输入测量的模型驱动低通滤波器。

在此，第二估计结果通常包括借助于卡尔曼滤波器确定的车辆10的(估计的)自身位置，并且作为第二完整性信息7包括借助于卡尔曼滤波器确定的(估计的)完整性信息，其关于借助于卡尔曼滤波器确定的车辆10的(估计的)自身位置的完整性。第二完整性信息7例如可以是在使用卡尔曼滤波器的情况下与实际自身位置的期望偏差。这例如可以包括方差和/或残差。替代或附加地，第二完整性信息7也可以已经包括第二保护等级。

在此，通过至少第一完整性信息5和第二完整性信息7的融合或者作为第一完整性信息5和第二完整性信息7的融合17的结果来确定完整性范围1。在此，也可以进行第一完整性信息5和第二完整性信息7的加权。

融合例如可以以如下方式进行，即将在此代表第一方法4且(与第二方法6相比)具有较低精度的最小二乘法的梯度或快速变化加到在此提供第二方法6的卡尔曼滤波器的精确和平滑的背景解上。这在图3中以图形方式示例性地示出。

加权例如可以以如下方式进行，即在可靠地识别估计误差的可靠性和用于识别估计误差的反应时间之间达成折衷。在此，根据机动车10行驶的环境例如通过调整相应的权重可以例如给予更动态的第一完整性信息5或平滑的第二完整性信息7更多的信任。

例如，为了保持基于融合卡尔曼滤波器解的第二完整性信息7的精度，也可以通过所谓的“hatch”滤波器来补偿基于最小二乘法的第一完整性信息5，其应用于两种解之差。

由此，作为融合17的结果输出的(瞬时)完整性范围1可以有利地将最小二乘法的动态性和卡尔曼滤波器的可靠性相互结合或组合。该完整性范围1例如可以是(瞬时)确定的车辆自身位置的(整体)保护等级。

此外，图2示例性地示出了至少基于至少一个第三传感器15的数据3或用于确定完整性信息的第三方法8也可确定估计参数的至少一个第三完整性信息9，并且在步骤d)的融合中可以考虑该另一完整性信息9。

图3示意性地示出了偏差信息18的示例性时间曲线。根据图3的图示，该偏差信息18在时间19上绘制。

具有实线的上部曲线示出了第一完整性信息5的时间曲线。在此，这例如基于最小二乘法来确定。在此，第一完整性信息5例如描述了在(仅)使用最小二乘法的情况下与实际车辆位置的期望偏差。

具有实线的下部曲线示出了第二完整性信息7的时间曲线。在此，这例如基于卡尔曼滤波器解来确定或者由卡尔曼滤波器输出。在此，第二完整性信息7例如描述了在(仅)使用卡尔曼滤波器的情况下与实际车辆位置的期望偏差。

以虚线曲线示例性地示出了作为融合17的结果所确定的完整性范围1的曲线。这将第一完整性信息5的动态性与第二完整性信息7的可靠性相结合。