[发明专利]用于量化车辆模型的正确性的方法

说明书

一种用于量化车辆模型f(·)的正确性的方法。该方法包括：通过在输入参数的范围内评价模型f(·)来获得预测误差(A)；确定阈值ζ使得超出阈值ζ的预测误差遵循广义帕累托分布GDP；以及基于超出阈值ζ的预测误差来参数化GDP。然后，该方法基于所参数化的GDP来量化车辆模型f(·)的正确性。

技术领域

本公开涉及用于量化车辆模型的正确性或用于量化与车辆相关联的模型的正确性的方法、控制单元和车辆。该模型可以是例如车辆动态特性的模型或者车辆对各种控制输入的预期响应的模型。本文公开的方法可应用于与模型相关联的边界预测误差，并在自主驾驶和其它安全关键功能中找到应用。

本发明可应用于重型车辆，诸如卡车和建筑设备。尽管本发明将主要针对半挂车类型的车辆进行描述，但是本发明不限于这种特定的车辆，而是也可以用于其它类型的车辆，诸如刚性卡车、建筑设备、公共汽车以及小汽车。

背景技术

自主和半自主车辆使用各种类型的处理系统和传感器输入信号进行导航和车辆控制。高级驾驶员辅助系统(ADAS)也基于传感器输入信号。如果车辆系统的部件故障，可能需要将车辆转换到最低风险状态。这种类型的策略可以被称为情况避开策略(SAM)，其中车辆自主地执行策略以避免不期望的情况，诸如检测到的风险情况。

US 2018/0224851 A1涉及在GPS信号丢失的情况下执行安全停止策略的问题。在主定位系统故障的情况下，使用基于航位推算的位置估计。

为了能够规划SAM并确定与给定SAM相关的成功概率，有必要了解给定车辆模型与什么样的预测误差幅度相关。换句话说，希望量化车辆模型的正确性。

需要改进量化模型正确性的方法。

发明内容

本公开的目的是提供用于量化与车辆相关联的模型的正确性的方法。该目的通过一种用于量化与车辆相关的模型f(·)的正确性的方法来获得。该方法包括通过在输入参数的范围内评价模型f(·)来获得预测误差确定阈值ζ使得超出阈值ζ的预测误差遵循广义帕累托分布(GDP)、基于超出阈值ζ的预测误差参数化GDP，以及基于所参数化的GDP来量化模型f(·)的正确性。

所公开的方法的重要特征是减少了量化模型正确性所需的数据量。通过允许基于减少的数据集合进行模型正确性分析，开发和测试时间减少了，这是一个优势。此外，一些类型的分析以前不可能进行，因为它们简单地需要太多的数据，现在通过所公开的方法实现了这些分析。

根据一些方面，获得包括获得先前存储的车辆状态和控制输入的序列，并将预测误差确定为ε_i＝x_i+1-f(x_i，u_i)，i＝1，...，n-1。根据一些其它方面，该获得包括在车辆运行期间获得车辆状态和控制输入的序列，并将预测误差确定为ε_i＝x_i+1-f(x_i，u_i)，i＝1，...，n-1。因此，所公开的方法适用于离线和/或在线处理，这是一个优点。例如，在线处理可以用于补充更广泛的离线处理，导致改进的模型验证，从而改进车辆操作。

该方法可选地包括基于所参数化的GDP，通过将车辆模型的预测误差ε_k限制在概率大于1-γ的范围内，将车辆模型的预测误差ε_k量化为有界扰动模型。

通过以这种方式限制预测误差，启用了来自例如控制理论的形式方法，其允许例如在紧急策略期间当车辆转换到安全状态时分析车辆状态。预测误差的界限还使得能够离线和实时对各种驾驶场景进行风险评估。从所公开的方法获得的有界扰动模型也可以用于决定何时触发车辆的紧急策略。