该方法确定产生向与车辆运动的测量值一致的状态而移动的每个采样的校准状态的概率，并且还确定影响测量模型、但是未采样的校准状态。当确定校准状态值的每个参数的概率时，确定711下一状态702与测量值的一致性，并且计算712每个状态的概率。例如，一个实施方式使用图6a和图6b中描述的原理来确定712概率。

在方法710的一个实施方式中，如果所谓的有效样本尺寸低于阈值714(阈值可以被预先确定)，则很少的校准状态值具有导致与车辆运动的测量值一致的状态的大概率。因此，该方法复制具有高概率的样本和相应状态，并丢弃715具有低概率的那些样本和相应状态。否则，该方法退出716。附加地或另选地，在一些实施方式中，用具有较高概率的输入和状态来替换具有非零但是低概率的校准状态值和相应状态。例如，一个实施方式按照生成的概率为至少的方式，来生成校准状态值和相应状态的新集合。在另一实施方式中，每当概率的反平方和低于一些预定阈值时执行替换。以这种方式确保仅使用良好的校准状态值。

在本发明的一些实施方式中，确定712作为测量值的pdf、动态系统的pdf、以及在方法700的先前迭代期间确定的输入的概率的组合。例如，如果根据参数的不确定性模型生成校准状态的值，则概率与测量值的pdf成比例，即，在一个实施方式中，按照概率表示pdf的方式对概率进行归一化。关于图6b，如果由与状态621对应的在先前迭代期间确定的pdf651上的点643处的值642给出，则更新的概率被确定为622和642的乘积。

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

VP-SF-30-E VP-SF-40-A

VP-SF-40-B VP-SF-40-C

可以以数种方式进行校准状态的参数的确定713。例如，一个实施方式通过使用采样的校准状态的值来确定校正的参数，以使用以下校正模块来校正每个参数集合：

vk|k＝vk|k-1+1，

在此，从在先前迭代期间确定的校准状态的估计的参数来校正校准状态的参数。从上式中，我们可以直接推导校准状态的值，可以从上式确定校准状态的不确定性。当也更新影响测量模型的测量值的校准状态时，被生成为：

在此，第2式并非必须包含采样的校准状态的值。但是，测量模型的校准状态位于左侧，并且是影响运动模型和测量模型二者的校准状态的统计均值，并且来自为了获得通过运动模型传播时的状态而被采样的相同的校准状态。

具体地，在一个实施方式中，在运动模型和测量模型中包括指示车辆的方向盘角度的传感器的测量值，而指示车辆的横向加速度以及附加地或另选地方位(偏航)角速度的传感器仅影响测量模型。换句话说，第一传感器测量指示车辆的方向盘的转向角的角度，第二传感器测量横向加速度和方位角速度。运动模型包括第一传感器的校准状态，但不包括第二传感器的校准状态。但是，测量模型包括第一传感器的校准状态和第二传感器的校准状态二者。

在一些实施方式中，更新第一传感器的校准状态的概率分布的均值和方差是基于第一传感器的加权采样的校准状态的函数的。类似地，更新第二传感器的校准状态的概率分布的均值和方差是基于第二传感器的加权估计的校准状态与传感器测量值之间的差的函数的。

例如，可以以数种方式确定720校准状态和相应的车辆状态的概率分布。例如，一个实施方式通过使用加权平均函数以如下产生校准状态的值：