然而，参数(即，传感器的偏移和方差)可以是未知的。为此，一个实施方式使用以测量的状态为中心的测量模型的概率分布631，来确定车辆状态和/或传感器状态的概率分布。为此，实施方式可以根据质点中的均值在车辆状态和传感器状态的概率分布上的放置位置，来确定每个质点代表传感器的真实状态的概率。
例如，实施方式将初始状态和参数值的一个样本提交给车辆的运动模型，以估计车辆从初始状态到下一状态621的转变，并选择与下一状态621相对应的点623处的车辆状态上的pdf的值622，作为车辆状态和/或传感器状态准确的概率。
图6b示出了例示了根据与图6a的pdf631不同的pdf651选择采样参数的概率的另一曲线图。例如，pdf651是基于测量状态的变化而更新的分布。在该示例中，实施方式选择与下一状态621相对应的点643处的车辆状态上的pdf651的值622，作为车辆状态和/或传感器状态的概率。
图7a示出了根据本发明的一些实施方式的用于估计校准状态和车辆状态并控制车辆的方法699的一次迭代的流程图。该方法从初始状态和参数的初始集合开始，确定参数值的集合和相关联的不确定性，指定车辆的模型以及解释车辆运动的车辆状态。在不同的实施方式中，车辆的初始状态是车辆的当前估计状态和/或其中车辆的初始状态是与在该方法的先前迭代期间所确定的校准状态相对应的车辆状态。
该运动由连接车辆状态的状态转换来定义，例如，如图5a所示的用于连接车辆的两个估计状态的运动。每个状态至少包括车辆的速度和方位角速度。该方法的步骤由估计器240和/或车辆的处理器270执行。迭代地确定运动，直到满足终止条件(例如，在一段时间内或预定次数的迭代)。图7a的方法的迭代包括以下步骤。
方法699确定700影响运动模型的传感器的采样状态的集合以及到满足对车辆状态的静态和动态约束的状态的集合的相应转变的集合。例如，该方法确定图5c中的状态转变519c、529c和状态530c、520c。接下来，方法699确定710步骤700中的每个校准状态样本的概率，以产生到与车辆运动的测量值一致的状态的移动。
台湾WINMOST峰昌变量叶片泵
VP-SF-12-A VP-SF-12-B
VP-SF-12-C VP-SF-12-D
VP-SF-12-E VP-SF-20-A
VP-SF-20-B VP-SF-20-C
VP-SF-20-D VP-SF-20-E
台湾WINMOST峰昌双联变量叶片泵
VP-DF-12-A VP-DF-12-B
VP-DF-12-C VP-DF-12-D
VP-DF-20-A VP-DF-20-B
VP-DF-20-C VP-DF-20-D
台湾WINMOST峰昌方形变量叶片泵
VP-SF-30-A VP-SF-30-B
VP-SF-30-C VP-SF-30-D
使用每个状态的概率作为用于估计那些状态的校准状态的质点的概率，方法699根据使用每个质点中的更新均值和更新方差的加权组合的函数来确定720聚合的校准状态721。例如，组合中的权重由每个质点表示传感器的真实状态的概率来确定。附加地或另选地，该函数可以仅选择最可能质点的校准状态。其它实施方式使用不同的函数来确定校准状态721，该校准状态721可以用于控制车辆(730)。
图7b示出了根据本发明的一个实施方式的确定700传感器状态的值的集合的示例性实现的流程图。确定操作700使用系统的实际输入、影响运动模型的校准状态的估计出的偏移和方差、以及使用先前迭代所估计的初始状态。该方法首先从先前迭代期间所确定的偏移和方差的值来预测701质点的集合的n个均值和方差。然后，该方法对校准状态的n个值的集合进行采样702，其中，n可以是预定的或自适应的，并且使用校准状态的值的集合来预测703状态
在本发明的一些实施方式中，使用的数量i来生成校准状态的每个值的数量i，是偏移、均值和方差的集合，即，动力系统的噪声源参数(即，wk)，其中，表示校准状态的估计出的均值并且表示相应不确定性或方差。例如，wk可以被选择为源于高斯分布或者可以被选择为适于特定应用的pdf。在一些实施方式中，为了解决均值和方差估计值本身的不确定性，使用了对于每次迭代接近高斯分布的学生t分布(student-tdistribution)。
在本发明的一些实施方式中，通过将动态系统反转来生成采样的参数值702。在这种情况下，在一个实施方式中，作为代替，通过使用概率函数q(xk|xk-1，yk)来生成状态并且通过动态系统的反转来生成采样的校准状态的值以更好地满足测量值。但是，使系统模型反转并不总是可以准确地做到的。对于校准状态仅影响运动模型的情况，也可以使用这种方法。
