-
Die Erfindung betrifft ein Verfahren zur Detektion und Klassifizierung von Gesten unter Verwendung eines Radarsystems. Ferner betrifft die Erfindung ein Radarsystem und ein Computerprogramm.
-
Aus dem Stand der Technik ist bekannt, dass neuronale Netzwerke für eine Gestenerkennung auf Grundlage von Radarsignalen genutzt werden können. Dies ermöglicht es, verschiedene Gesten wie Handgesten unter Verwendung eines Radarsystems zu klassifizieren. Die Nutzung neuronaler Netzwerke in dieser Hinsicht ist jedoch noch technologisch komplex und eingeschränkt. Beispielsweise kann die Zuverlässigkeit der Klassifizierung unzureichend sein. Ferner ist es häufig erforderlich, ein manuelles Schneiden der vom Radarsystem empfangenen Datenströme auszuführen, um mehrere Gesten zu trennen. Mit anderen Worten, konventionelle Methoden sind nicht in der Lage, mehrere Gesten innerhalb dieser Datenströme automatisch zu erkennen und zu klassifizieren. Es muss deshalb sichergestellt werden, dass in dem als Input für das neuronale Netzwerk verwendeten abgeschnittenen Zeitfenster nur eine einzelne Geste vorhanden ist, was einen höheren Aufwand erfordert und nicht Teil eines automatisierten Verfahrens sein kann.
-
-
Die vorstehende Aufgabe wird durch ein Verfahren gemäß dem unabhängigen Anspruch 1, ein Radarsystem gemäß dem unabhängigen Anspruch 7 und ein Computerprogramm gemäß dem unabhängigen Anspruch 11 gelöst. Merkmale und Einzelheiten der vorliegenden Erfindung resultieren aus den abhängigen Ansprüchen, der Beschreibung und entsprechenden Zeichnungen. Folglich werden in Bezug auf das erfindungsgemäße Verfahren diskutierte Merkmale und Einzelheiten auch Merkmalen und Einzelheiten des Radarsystems und des Computerprogramms zugeordnet.
-
Gemäß einem Aspekt der Erfindung wird ein Verfahren für eine Detektion und Klassifizierung von Gesten unter Verwendung eines Radarsystems bereitgestellt. Das Radarsystem kann insbesondere Teil eines Fahrzeugs sein, vorzugsweise eines Motorfahrzeugs und/oder eines Personenkraftwagens.
-
Gemäß dem Verfahren können die folgenden Schritte ausgeführt werden, insbesondere nacheinander in der folgenden Reihenfolge oder in jeglicher Reihenfolge, wobei einzelne Schritte auch wiederholt werden können:
- - Bereitstellen einer Detektionsinformation des Radarsystems, wobei die Detektionsinformation spezifisch für Signale ist, die von verschiedenen Antenneneinheiten einer Antennengruppe des Radarsystems empfangen wurden, wobei insbesondere die Signale Informationen über mindestens eine Geste oder mehrere Gesten enthalten, wobei vorzugsweise die Geste oder diese Gesten von einem Benutzer (z. B. des Fahrzeugs) in einer Umgebung des Radarsystems ausgeführt werden,
- - Bestimmen mindestens einer Phasendifferenzinformation aus der Detektionsinformation, wobei die Phasendifferenzinformation für eine Phasendifferenz der empfangenen Signale spezifisch ist, insbesondere zwischen Signalen, die von unterschiedlichen Antenneneinheiten empfangen wurden,
- - Anwenden eines neuronalen Netzwerks mit der Phasendifferenzinformation als einem Input für das neuronale Netzwerk, um ein für die Detektion und Klassifizierung der Gesten spezifisches Ergebnis (als ein Output des neuronalen Netzwerks) zu erhalten.
-
Dies hat den Vorteil, dass durch Verwendung der Phasendifferenzinformation als ein Input für das neuronale Netzwerk die Leistung der Detektions- und/oder der Klassifizierungsgenauigkeit verbessert werden kann. Dies resultiert auch in einer höheren Zuverlässigkeit der Gestenklassifizierung.
-
Gemäß einem weiteren Vorteil können die Schritte des erfindungsgemäßen Verfahrens vollautomatisch ausgeführt werden, insbesondere ohne die Notwendigkeit, die Detektionsinformationen (beispielsweise in der Form von Datenströmen) gestenspezifisch in einem Zwischenschritt manuell zu erkennen und zu schneiden.
-
Es ist möglich, dass vor der Anwendung der vorstehend erwähnten Verfahrensschritte ein Training des neuronalen Netzwerks ausgeführt wird. Der für den Schritt der Anwendung des neuronalen Netzwerks genutzte Input kann auch als ein Input für das Training genutzt werden. Das Training kann auf einem unbeaufsichtigten Lernen oder einem beaufsichtigten Lernen basieren, um das neuronale Netzwerk das Erkennen und Klassifizieren der Gasten basierend auf dem Input zu lehren.
-
Vorteilhafterweise können die Detektionsinformationen unter Verwendung der von verschiedenen Antenneneinheiten empfangenen Signale bestimmt werden. Beispielsweise kann das Radarsystem eine lineare Chirpsequenz-Frequenzmodulation anwenden, um eine Wellenform zu entwerfen. Nach dem Mischen, Filtern und Abtasten eines jeden dieser empfangenen Signale kann ein entsprechendes diskretes Schwebungssignal aus reflektierenden Punkten von Objekten in der Umgebung für verschiedene Messzyklen von einer der Antenneneinheiten, insbesondere Empfängerantennen, bestehen. Um die Phasendifferenzen der empfangenen Signale zu berechnen, kann die räumliche Differenz zwischen zwei Empfängerantennen in Höhen- und Azimutrichtung berücksichtigt werden, die λ/2 betragen kann, wobei Ä die mit dem Radarsystem genutzte Wellenlänge ist. Das empfangene Signal, insbesondere das Schwebungssignal, kann weiterverarbeitet werden, um aus dem Signal mindestens ein Spektrogramm zu erhalten. Beispielsweise kann auf das empfangene Signal (insbesondere Schwebungssignal) eine zweidimensionale finite Fouriertransformation angewendet werden, vorzugsweise für jeden Messzyklus, sodass eine zeitvariable Geschwindigkeitsinformation beobachtet werden kann. Als ein für jeden Messzyklus angewendetes Ergebnis der Fourier-Transformation kann ein 3D-Bereich-Doppler-Messzyklus-Array erhalten werden. Ein Spektrogramm, das insbesondere die µD-Signaturen repräsentiert, kann durch Integration des resultierenden 3D-Bereich-Doppler-Messzyklus-Array über den Bereich deduktiert werden. Unter Verwendung zweier Empfängerantennen mit einer räumlichen Differenz von λ/2 könnte der Richtungswinkel eines Objekts über die Phasendifferenz basierend auf dem Prinzip der Monopulswinkelschätzung (siehe S. Sharenson, „Angle estimation accuracy with a monopulse radar in the search mode“, IRE Trans. Aerosp. Navig. Electron, Teil ANE-9, Nr. 3, S. 175-179, September 1962) geschätzt werden. Für Gestenerkennung, das heißt, Detektion und Klassifizierung, kann die Phasendifferenzinformation direkt als eine Funktion des Messzyklus genutzt werden, der die Informationen zum Richtungswinkel der Gesten enthält.
-
Vorstellbar ist, dass das Radarsystem als eine Mensch-Computer-Schnittstelle genutzt wird, insbesondere für ein Fahrzeug. Deshalb kann das Radarsystem so konfiguriert werden, dass es die Gesten, wie eine Geste der menschlichen Hand, erkennt. Dies hat den Vorteil, dass Radarsensoren im Unterschied zu Systemen der optischen Gestenerkennung gegenüber den Umgebungslichtverhältnissen unempfindlich sind. Ferner können die für die Detektion des Radarsystems genutzten elektromagnetischen Wellen dielektrische Materialien durchdringen, weshalb das Radarsystem in eine Vorrichtung eingebettet werden kann.
-
Das Radarsystem kann dafür vorgesehen sein, für ein fahrzeuginternes Infotainment- und/oder ein Fahrerüberwachungssystem eines Fahrzeugs genutzt werden.
-
Vorteilhafterweise ist die Detektionsinformation für mindestens eine (oder mehrere) Geste(n) spezifisch, die in einer Umgebung des Radarsystems ausgeführt werden, insbesondere in einer Umgebung der Antennengruppe. Diese Umgebung kann beispielsweise ein Innenraum des Fahrzeugs sein, sodass die Geste durch einen Fahrzeuginsassen ausgeführt wird.
-
Ferner kann es möglich sein, dass das neuronale Netzwerk als ein regionenbasiertes, tiefes neuronales Faltungsnetzwerk (Region-based Deep Convolutional Neural Network, R-DCNN) konfiguriert ist. Ein solches R-DCNN wird beispielhaft offenbart von S. Ren, K. He, R. Girshick und J. Sun: „Faster R-CNN: Towards real-time object detection with region proposal networks“, IEEE Trans. Pattern Anal. Mach. Intell., Teil 39, Nr. 6, S. 1137-1149, Juni 2017. Eine weitere Offenbarung im Zusammenhang mit R-DCNN ist zu finden in V. Sze, Y. Chen, T. Yang und J. S. Emer: „Efficient processing of deep neural networks: A tutorial and survey“, Proceedings of the IEEE, Teil 105, Nr. 12, S. 2295-2329, Dez. 2017, und R. Girshick, „Fast R-CNN“ in Proceedings IEEE Int. Conf. Comput. Vision, Santiago, Chile, Dez. 2015. Das R-DCNN ist in der Lage, Gesten aus dem Input automatisch zu detektieren und zu klassifizieren. Ferner hat es sich gezeigt, dass das R-DCNN automatisch unterschiedliche (mehrere) Gesten innerhalb der Detektionsinformationen unterscheiden kann. Deshalb kann eine manuelle Auswahl der in den Detektionsinformationen enthaltenen Gesten vor dem Schritt des Anwendens des neuronalen Netzwerks vermieden werden. Der Input kann mehrere Gesten umfassen, die nicht explizit unterschieden werden.
-
Vorstellbar ist auch, dass die Detektionsinformationen für eine Mikro-Dopplersignatur der Gesten spezifisch sind. Möglich ist deshalb auch, dass das Radarsystem zur Beschaffung der Detektionsinformationen eine Doppler-Frequenzmodulation nutzt, die als Mikro-Dopplereffekt (µD-Effekt) bezeichnet wird (siehe beispielsweise V. C. Chen, F. Li, S. Ho und H. Wechsler, „Micro-Doppler effect in radar: phenomenon, model, and simulation study“, IEEE Trans. Aerosp. Electron. Syst., Teil 42, Nr. 1, S. 2-21, Jan. 2006). Dies ermöglicht es, µD-Merkmale aus den Detektionsinformationen zu extrahieren, insbesondere aus Spektrogrammen, die durch die Detektionsinformationen bestimmt wurden. Diese µD-Merkmale können als die Mikro-Dopplersignatur der Gesten verstanden werden. Mit anderen Worten, die Mikro-Dopplersignatur ist das Ergebnis der Doppler-Frequenzmodulation.
-
Es kann vorgesehen werden, dass aus der Detektionsinformation mindestens ein Spektrogramm bestimmt und, zusätzlich zu der Phasendifferenzinformation, als der Input für das neuronale Netzwerk verwendet wird. Mit anderen Worten, der Input umfasst das Spektrogramm und die Phasendifferenzinformationen und wird in das neuronale Netzwerk eingespeist. Dementsprechend ist es möglich, dass der Input des neuronalen Netzwerks drei Kanäle umfasst, das heißt, ein Spektrogramm und zwei Phasendifferenzkanäle. Dies kann die Effizienz der Klassifizierung weiter erhöhen.
-
Vorzugsweise kann vorgesehen werden, dass der Input spezifisch für mehrere Gesten ist und das neuronale Netzwerk verwendet wird (und besonders geeignet ist), um zwischen diesen mehreren Gesten zu unterscheiden, sodass das Ergebnis spezifisch für eine Detektion einzelner der mehreren Gesten und eine Klassifizierung dieser einzelnen Gesten ist. Dies kann den Vorteil haben, dass die mehreren Gesten automatisch detektiert und klassifiziert werden können, ohne vorab die Detektionsinformationen (beispielsweise in der Form von Datenströmen) gestenspezifisch zu schneiden. Die Gesten können insbesondere Bewegungen eines Körperteils einer Person sein, vorzugsweise eine Handbewegung oder dergleichen.
-
Vorteilhafterweise ist die Detektionsinformation durch Signale bestimmt, die von einer ersten und zweiten Antenneneinheit der Antennengruppe spezifisch für einen Neigungswinkel empfangen werden, und durch Signale, die von einer dritten und vierten Antenneneinheit der Antennengruppe spezifisch für einen Azimutwinkel empfangen werden.
-
Die Antenneneinheiten der Antennengruppe können mit einem vorbestimmten Abstand voneinander auf einer Antennengruppenplattform positioniert und/oder angebracht werden. Der Abstand kann beispielsweise λ/2 sein, wobei Ä die mit dem Radarsystem genutzte Wellenlänge ist. Dies ermöglicht eine Berechnung der Phasendifferenzinformationen aus den empfangenen Signalen der Antenneneinheiten durch Vergleichen der verschiedenen Signale der Antenneneinheiten miteinander.
-
Ferner ermöglicht dies, den Neigungswinkel und Azimutwinkel in Abhängigkeit von der Anordnung der Antenneneinheiten auf der Antennengruppenplattform zu berechnen.
-
Gemäß einem weiteren Aspekt der Erfindung umfasst ein Radarsystem eine Antennengruppe für eine Detektion in einer Umgebung der Antennengruppe und eine Datenverarbeitungsvorrichtung.
-
Es ist möglich, dass die Datenverarbeitungsvorrichtung umfasst:
- - Mittel zum Bereitstellen einer Detektionsinformation des Radarsystems, wobei die Detektionsinformation für Signale spezifisch ist, die von verschiedenen Antenneneinheiten (z. B. einzelnen Antennen) der Antennengruppe empfangen werden,
- - Mittel zum Bestimmen mindestens einer Phasendifferenzinformation aus der Detektionsinformation, wobei die Phasendifferenzinformation für eine Phasendifferenz der empfangenen Signale spezifisch ist,
- - Mittel zum Anwenden eines neuronalen Netzwerks mit der Phasendifferenzinformation als einem Input für das neuronale Netzwerk, um ein für die Detektion und Klassifizierung der Gesten spezifisches Ergebnis zu erhalten.
-
Diese Mittel können vorzugsweise als ein Teil einer elektronischen Vorrichtung (Hardware) des Radarsystems, beispielsweise ein Prozessor oder Teile des Prozessors, oder als ein Softwareteil des Radarsystems konfiguriert sein. Wenn sie als ein Softwareteil konfiguriert sind, können diese Mittel beispielsweise ein Teil eines erfindungsgemäßen Computerprogramms sein, das von einem Prozessor aus einem Datenspeicher des Radarsystems ausgelesen werden kann, um die Schritte eines erfindungsgemäßen Verfahrens auszuführen.
-
Die Datenverarbeitungsvorrichtung kann zum Ausführen der Verfahrensschritte eines erfindungsgemäßen Verfahrens geeignet sein. Folglich kann ein erfindungsgemäßes Radarsystem die gleichen Vorteile aufweisen, die im Kontext eines erfindungsgemäßen Verfahrens beschrieben wurden.
-
Es ist möglich, dass die Antennengruppe als eine L-förmige Antennengruppe konfiguriert ist. Das bedeutet, dass die einzelnen Antenneneinheiten auf einer Antennengruppenplattform geometrisch in einer L-Form angeordnet werden können. Dies ermöglicht die Berechnung des Neigungswinkels und des Azimutwinkels aus der Detektionsinformation. Für diese Berechnung ist insbesondere der räumliche Abstand zwischen mindestens zwei Antenneneinheiten bekannt und beträgt beispielsweise eine Hälfte der für die Detektion des Radarsystems genutzten Wellenlänge.
-
Es ist auch möglich, dass das Radarsystem als ein frequenzmoduliertes Dauerstrichradarsystem (Frequency-Modulated Continuous Wave Radar System, FMCW-Radarsystem) konfiguriert ist. Das Radarsystem kann beispielsweise als ein 77-GHz-FMCW-Radar konfiguriert sein. Dies ermöglicht eine effektive Detektion von Gesten.
-
Gemäß einem weiteren Aspekt der Erfindung umfasst ein Computerprogramm, insbesondere ein Computerprogrammprodukt, Anweisungen, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen, die folgenden Schritte und/oder die Schritte eines erfindungsgemäßen Verfahrens auszuführen:
- - Bereitstellen einer Detektionsinformation eines Radarsystems, wobei die Detektionsinformation für Signale spezifisch ist, die von verschiedenen Antenneneinheiten einer Antennengruppe des Radarsystems empfangen werden,
- - Bestimmen mindestens einer Phasendifferenzinformation aus der Detektionsinformation, wobei die Phasendifferenzinformation für eine Phasendifferenz der empfangenen Signale spezifisch ist,
- - Anwenden eines neuronalen Netzwerks mit der Phasendifferenzinformation als einem Input für das neuronale Netzwerk, um ein für eine Detektion und Klassifizierung von Gesten spezifisches Ergebnis zu erhalten.
-
Folglich weist das erfindungsgemäße Computerprogramm die gleichen Vorteile auf, die im Kontext eines erfindungsgemäßen Verfahrens beschrieben wurden. Das Computerprogramm kann nicht flüchtig ausgelegt und beispielsweise in einem Datenspeicher des Computers gespeichert sein. Ferner kann der Computer einen Prozessor umfassen, der dazu ausgelegt ist, das Computerprogramm aus dem Datenspeicher auszulesen, um die Verfahrensschritte auszuführen.
-
Figurenliste
-
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung resultieren aus der folgenden Beschreibung, in der unter Bezugnahme auf die Zeichnungen Ausführungsformen der Erfindung im Detail beschrieben werden. Dabei können die in den Ansprüchen und in der Beschreibung beschriebenen Merkmale einzeln oder in jeder Kombination wesentlich für die Erfindung sein. Gezeigt wird durch:
- 1 eine schematische Visualisierung eines erfindungsgemäßen Verfahrens,
- 2 eine weitere schematische Visualisierung eines erfindungsgemäßen Verfahrens,
- 3 eine weitere schematische Visualisierung eines erfindungsgemäßen Verfahrens,
- 4 eine schematische Visualisierung eines erfindungsgemäßen Radarsystems.
-
In den verschiedenen Figuren entsprechen gleiche Merkmale immer den gleichen Bezugszeichen, weshalb die Merkmale generell nur einmal beschrieben werden.
-
In 1 ist ein Verfahren 100 für eine Detektion und Klassifizierung von Gesten unter Verwendung eines Radarsystems 1 visualisiert. Gemäß einem ersten Verfahrensschritt 101 ist eine Detektionsinformation 200 des Radarsystems 1 bereitgestellt, wobei die Detektionsinformation 200 für Signale spezifisch ist, die von verschiedenen Antenneneinheiten 11, 12, 13, 14 einer Antennengruppe 10 des Radarsystems 1 empfangen werden. Gemäß einem zweiten Verfahrensschritt 102 wird aus der Detektionsinformation 200 mindestens eine Phasendifferenzinformation 210 bestimmt, wobei die Phasendifferenzinformation 210 für eine Phasendifferenz der empfangenen Signale spezifisch ist. Gemäß einem dritten Verfahrensschritt 103 wird ein neuronales Netzwerk 220 mit der Phasendifferenzinformation 210 als einem Input 221 für das neuronale Netzwerk 220 angewendet, um ein für die Detektion und Klassifizierung der Gesten spezifisches Ergebnis 222 zu erhalten.
-
2 zeigt weitere Details der Art und Weise der beispielhaften Erzeugung eines Inputs 221 für das neuronale Netzwerk 220. Ein erstes Radarsignal 111 kann aus dem Signal, das von einer ersten Antenneneinheit 11 der Antennengruppe 10 empfangen wurde, erhalten werden. Ein zweites Radarsignal 112 kann aus dem Signal, das von einer zweiten Antenneneinheit 12 der Antennengruppe 10 empfangen wurde, erhalten werden. Ein drittes Radarsignal 113 kann aus dem Signal, das von einer dritten Antenneneinheit 13 der Antennengruppe 10 empfangen wurde, erhalten werden. Ein viertes Radarsignal 114 kann aus dem Signal, das von einer vierten Antenneneinheit 14 der Antennengruppe 10 empfangen wurde, erhalten werden.
-
Dann kann das erste Radarsignal 111 für eine Zeit-Frequenz-Analyse 120 genutzt werden, um ein Zeit-Frequenz-Spektrum 133 (Spektrogramm) zu erhalten. Das erste Radarsignal 111 und das zweite Radarsignal 112 können genutzt werden, um unter Verwendung einer Berechnung 121 eine erste Phasendifferenzinformation 131 zu berechnen. Das dritte und vierte Radarsignal 113, 114 können genutzt werden, um unter Verwendung der Berechnung 121 eine zweite Phasendifferenzinformation 132 zu berechnen. Die erste und zweite Phasendifferenzinformation 131, 132 können zusammen mit dem Spektrogramm 133 den Input 221 für das neuronale Netzwerk 220 ausbilden.
-
Gemäß 3 wird eine beispielhafte Verarbeitung zum Bestimmen des Inputs 221 für das neuronale Netzwerk 220 beschrieben. Für das Erzeugen des Inputs 221 des neuronalen Netzwerks 220 kann optional ein Merkmalsextraktionsnetzwerk (Feature Extraction Network, FEN) genutzt werden. Zum Extrahieren von Merkmalen aus dem Spektrogramm 133 und der Phasendifferenzinformation 131, 132 kann das FEN 134 unter Verwendung von 7 Faltungsschichten (convolutional layers, Conv-Schichten) konstruiert sein, und jede von ihnen kann eine Kernel-Größe von 3 × 3 aufweisen. Die Kernel-Zahl der ersten vier Conv-Schichten kann sich von 64, 128, 256 auf 512 erhöhen, und jene der Conv-Schicht 5, 6 und 7 kann 512 sein. In jeder Conv-Schicht kann eine gleichgerichtete lineare Einheit (Rectified Linear Unit, RELU) als die Aktivierungsfunktion genutzt werden. Auf die Conv-Schichten 1, 2, 3 und 5 folgen max. Poolingschichten mit Kernel-Größe 2 × 2. Der Output des FEN 134 sind die Merkmalskarten 135. Die Merkmalskarten 135 können eine Abmessung von B × H × 512 aufweisen. In jedem Pixel der Merkmalskarten 135 nutzen neun Anker 3 Maßstäbe von 8 × 8, 16 × 16, 32 × 32, und 3 Aspektverhältnisse von 1 : 2, 1 : 1, 2 : 1 können generiert werden. Dann könnte das Netzwerk unter allen möglichen Ankern „9 × B × H“ mehrere Regionenvorschläge unterbreiten, das heißt, interessierende Regionen (Regions of Interest, Rols), die durch die folgenden Schichten im Netzwerk weiterverarbeitet werden. Unter Verwendung der Regionenvorschläge, die durch ein Regionenvorschlagsnetz (Region Proposal Network, RPN 136) erfasst werden, können die relevanten Rols in Merkmalskarten 135 als Input der Rol-Poolingschicht 138 (bezeichnet als Merkmalskarten mit ROI 137) ausgewählt werden. Für jede Rol können die Merkmalskarten 135 geschnitten und dann aufgrund von Größenbeschränkungen in der folgenden Fully-Connected-Schicht (FC-Schicht) zu Merkmalskarten 135 fester Größe maximal gepoolt werden. Jede gepoolte Rol kann dann in zwei FC-Schichten 139 eingespeist werden, von denen eine jede 4096 verborgene Einheiten aufweist und von einer Dropout-Schicht 140 gefolgt wird, um ein Overfitting des Netzwerks zu vermeiden. Für jede Rol gibt das Netzwerk zwei Outputs, die zwei separate Output-Schichten 141 nutzen. Die Output-Schicht 141, gefolgt von einer Softmax-Funktion 142, gibt die prognostizierte Klasse, und die andere gibt vier Werte, die die Bounding-Box-Position 143 der prognostizierten Klasse codieren.
-
In 4 ist eine beispielhafte Antennengruppe 10 mit einer L-Form (das heißt, eine L-förmige Antennengruppe) gezeigt. Die Antennengruppe 10 kann vier Antenneneinheiten umfassen, die beispielsweise jeweils als Empfangsantenne des Radarsystems 1 ausgebildet sind. Eine erste Antenneneinheit 11 kann mit einem Abstand 15 von einer zweiten Antenneneinheit 12 angeordnet sein. Eine dritte Antenneneinheit 13 kann mit einem Abstand 15 von einer vierten Antenneneinheit 14 angeordnet sein. Der Abstand 15 beträgt beispielsweise λ/2, wobei Ä die mit dem Radarsystem verwendete Wellenlänge ist. Dies ermöglicht, das Paar der ersten und zweiten Antenneneinheit 11, 12 für eine Berechnung des Neigungswinkels zu nutzen, und das Paar der dritten und vierten Antenneneinheit 13, 14 für eine Berechnung des Azimutwinkels. Ferner ist eine Datenverarbeitungsvorrichtung 300 des Radarsystems 1 gezeigt, die diese Berechnung ausführen kann.
-
Die vorstehende Beschreibung der Ausführungsformen beschreibt die vorliegende Erfindung nur beispielhaft. Natürlich können auch einzelne Merkmale der Erfindung, sofern technisch sinnvoll, frei miteinander kombiniert werden, ohne den Umfang der vorliegenden Erfindung zu verlassen.
-
Bezugszeichenliste
-
- 1
- Radarsystem
- 10
- Antennengruppe
- 11
- erste Antenneneinheit
- 12
- zweite Antenneneinheit
- 13
- dritte Antenneneinheit
- 14
- vierte Antenneneinheit
- 15
- Abstand
- 100
- Verfahren
- 101
- erster Verfahrensschritt
- 102
- zweiter Verfahrensschritt
- 103
- dritter Verfahrensschritt
- 111
- erstes Radarsignal
- 112
- zweites Radarsignal
- 113
- drittes Radarsignal
- 114
- viertes Radarsignal
- 120
- Zeit-Frequenz-Analyse
- 121
- Berechnungsphasendifferenz
- 131
- erste Phasendifferenzinformation
- 132
- zweite Phasendifferenzinformation
- 133
- Zeit-Frequenz-Spektrum, Spektrogramm
- 134
- FEN
- 135
- Merkmalskarten
- 136
- RPN
- 137
- Merkmalskarten mit ROI
- 138
- ROI-Poolingschicht
- 139
- FC-Schicht
- 140
- Dropout-Schicht
- 141
- Output-Schicht
- 142
- Klassifikator mit Softmax
- 143
- Bounding-Box-Regressor
- 200
- Detektionsinformation
- 210
- Phasendifferenzinformation
- 220
- neuronales Netzwerk
- 221
- Input
- 222
- Ergebnis
- 300
- Datenverarbeitungsvorrichtung
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- DE 112015003655 T5 [0003]
- DE 102016216250 A1 [0003]
- DE 102016213667 A1 [0003]
- DE 102016120507 A1 [0003]