WO2020127245A1 - Bestimmung der orientierung von objekten mittels radar oder durch die verwendung von elektromagnetischer abfragestrahlung - Google Patents

Bestimmung der orientierung von objekten mittels radar oder durch die verwendung von elektromagnetischer abfragestrahlung Download PDF

Info

Publication number
WO2020127245A1
WO2020127245A1 PCT/EP2019/085622 EP2019085622W WO2020127245A1 WO 2020127245 A1 WO2020127245 A1 WO 2020127245A1 EP 2019085622 W EP2019085622 W EP 2019085622W WO 2020127245 A1 WO2020127245 A1 WO 2020127245A1
Authority
WO
WIPO (PCT)
Prior art keywords
determined
trajectory
vehicle
measurement signal
regressor
Prior art date
Application number
PCT/EP2019/085622
Other languages
English (en)
French (fr)
Inventor
Fabian TIMM
Chun Yang
Sebastian Muenzner
Zoltan Karasz
Jasmin Ebert
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Priority to US17/280,691 priority Critical patent/US20220003860A1/en
Priority to JP2021534963A priority patent/JP7337931B2/ja
Priority to CN201980085279.9A priority patent/CN113227832A/zh
Publication of WO2020127245A1 publication Critical patent/WO2020127245A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/68—Radar-tracking systems; Analogous systems for angle tracking only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/42—Simultaneous measurement of distance and other co-ordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9318—Controlling the steering

Definitions

  • the present invention relates to the detection and monitoring of objects in a detection area on the basis of a response of these objects to an electromagnetic interrogation radiation.
  • the detection of objects by means of radar is independent of the lighting conditions and, for example, also possible at a distance at night without the oncoming traffic being blinded by high beams.
  • Radar data immediately shows the distance and speed of objects. This information is important for assessing whether there may be a collision with the objects. The type of object it is, however, is not immediately recognizable from radar signals. This detection is currently solved by calculating attributes from digital signal processing.
  • US 8,682,821 B2 discloses to classify radar signals by means of machine learning as to whether they originate from the movement of certain objects or non-human animals. This knowledge can be used in order to monitor an area for human intruders
  • a method for determining the spatial orientation of an object from at least one measurement signal, which contains the response of the object to electromagnetic interrogation radiation was developed.
  • This answer can in particular include a reflection of the interrogation radiation.
  • the measurement signal becomes at least one
  • the spatial orientation of the object is determined from this representation using a classifier and / or a regressor.
  • the measurement signal may have been recorded with one or more detectors.
  • it can be an overall measurement signal that has been aggregated from the raw data supplied by several detectors.
  • the measurement signal may have gone through one or more stages of signal processing before the representation is formed.
  • a classifier can, for example, subdivide a spatial orientation expressed as an angle between 0 ° and 360 ° into discrete intervals and for each entered representation of the spatial distribution of contributions
  • a regressor can give the most likely spatial orientation in terms of angle without being bound to discrete intervals.
  • the electromagnetic interrogation radiation can be radar radiation, for example.
  • Commercially available radar sensors for monitoring a spatial area contain one or more transmitters for the radar radiation and usually an array of several receiving antennas, with which the direction from which reflected radar radiation is incident (“direction of arrival”, DOA) can be determined without mechanical movement of this array.
  • DOA direction of arrival
  • Radar sensors usually do not output the raw data supplied by the receiving antennas, but extract reflections from these raw data. At least one angular position of the
  • Reflex at least one intensity of the reflex and at least a distance to the location of the reflex are evaluated.
  • Extension of a detected object is highly abstracted.
  • the object becomes one or more discrete sources at point-like locations, from which a response with the detected intensity of the reflex starts. In reality, however, there is an extended electromagnetic wave front
  • the spatial distribution of the contributions which are determined according to the method and which deliver different locations on the object to the measurement signal, is ultimately a feedback of the measured response of the object to its physical origin.
  • This distribution changes when the spatial orientation of the object changes relative to the measurement arrangement.
  • the interrogation radiation can only freely reach those locations on the surface of the object that are in a line of sight to the transmitter. Furthermore determines the spatial orientation of the object.
  • the spatial orientation of the object can therefore be determined by classification and / or regression from a representation of the said distribution of contributions.
  • This representation can be a three-dimensional point cloud, for example, which in each case assigns the physical contributions to the answer to locations in three-dimensional space.
  • the representation can also be a two-dimensional image, for example, which is clearly obtained from this point cloud by projecting this point cloud onto a plane or by means of another assignment rule.
  • the representation correctly reproduces an outline of the object, for example. It is only important that two different spatial orientations of the object also manifest themselves in different representations.
  • Prediction of the trajectories of moving objects based on observations with electromagnetic interrogation radiation improved.
  • objects such as vehicles
  • the possible direction of movement in the near future is correlated with the spatial orientation of the object.
  • the vehicle can, for example, along a through its longitudinal axis
  • the minimum radius of curvature of such a curve is predetermined by the structure of the vehicle, such as its wheelbase.
  • the vehicle cannot, for example, move exactly perpendicular to its longitudinal axis on its own.
  • monitoring vehicle lying detection area monitored with radar radiation, so it can be based on the spatial
  • Orientation of another vehicle detected in the detection area at least limit the directions in which this vehicle can move in the near future. This information is important for assessing whether that other vehicle may be on a collision course with the ego vehicle.
  • radar radiation is therefore selected as electromagnetic interrogation radiation in a particularly advantageous embodiment.
  • LIDAR light detection and ranging
  • Detection area is scanned.
  • this scanning recording of the measurement signal makes it more difficult to calculate back to the spatial distribution in comparison to a measurement with radar radiation.
  • the measurement signal advantageously contains data sets for reflections of the electromagnetic interrogation radiation, and each of these
  • At least one angular position of the reflex (such as azimuth and / or elevation),
  • the determination of the spatial distribution of contributions can be more precise if a processing stage of the measurement signal is used for this that has a lower degree of abstraction and
  • Has experienced simplification it is also possible, for example, to determine the representation of the spatial distribution directly from the raw data supplied by one or more detectors.
  • a physical model for converting the spatial distribution of contributions into the measurement signal is determined on the basis of the data sets for the reflections.
  • this model can include, for example, a rule according to which contributions from different locations overlap to form a resulting wavefront that bears the response of the object.
  • the model can additionally also contain, for example, a regulation according to which a wave front arriving at one or more detectors processes the measurement signal becomes. The more detailed the model, the more accurately the spatial distribution of the contributions can be deduced from the measurement signal.
  • a sine function is set up for each reflex, the peak height of which is determined by the intensity of the reflex and the position of which is determined by the angular position of the reflex and the distance to the location of the reflex.
  • a total of all sine functions set up is used to determine the representation. This is based on the knowledge that especially that of
  • Output signals supplied by radar sensors contain sinc functions in an internal processing stage, which are compressed in a later processing stage into the information mentioned about reflections.
  • sinc functions describe the superposition of elementary waves in the diffraction of a wavefront at a slit, they are also suitable for the
  • the 3 dB width of the sinc function can be determined particularly advantageously on the basis of the physical measurement accuracy of the measuring device that delivered the measurement signal.
  • different measuring accuracies with which different reflections were determined can be weighted with one another.
  • an artificial neural network KNN, and / or a support vector machine, SVM, is selected as the classifier and / or regressor.
  • the KNN and the SVM are classifiers and regressors that can be trained with machine learning. This means that a finite number of learning representations of the spatial distribution of contributions and associated spatial orientations of an object can be used to prepare the classifier or regressor for an infinite number of unknown situations.
  • the catalog of the overall possible representations of the spatial distribution of contributions cannot be given in advance, because the variety of possible objects (such as vehicle types) is unmanageable.
  • the type of the object is pre-classified from a physical observation of the object.
  • Regressor can then be selected based on this type. For example, trucks have a completely different shape than cars, and
  • the spatial distributions of contributions differ, the locations on these vehicles in each case with the query
  • the determined spatial orientation of a moving object can be used in particular to predict the future progress of the movement. This is particularly true, for example, when the same electromagnetic interrogation radiation (such as radar radiation) is also used to determine the speed of the moving object. This speed shifts the frequency of the response compared to the frequency of the incident radiation by a Doppler frequency shift, so it can be measured by evaluating the frequency of the response.
  • the speed determined in this way is a scalar. This means that it only indicates how quickly the object approaches the measuring device or how quickly the object moves away from the measuring device. Many different movements of the object relative to the measuring device can now be compatible with the same scalar speed.
  • the invention therefore also relates to a method for predicting the trajectory of at least one object from at least one measurement signal, which includes the response of the object to electromagnetic interrogation radiation, in conjunction with a scalar speed v of the object.
  • the position of the object is determined from the measurement signal.
  • the spatial orientation of the object is the same as before
  • the trajectory of the object is updated using the scalar speed v based on the spatial orientation of the object.
  • “using” can mean, for example, that the possible future directions of travel of the vehicle are determined by a longitudinal axis of the vehicle that can be derived from the spatial orientation of the vehicle and by the possible steering maneuvers leading away from this axis. Depending on the time horizon for the update, it may also be sufficient, for example, to take into account the current longitudinal axis of the vehicle.
  • the scalar speed v can be advantageous from a Doppler frequency shift of the electromagnetic
  • Interrogation radiation can be determined.
  • the predicted trajectory of the object is compared with a trajectory currently being driven, and / or a planned trajectory, of a vehicle to be monitored and / or controlled. In this way, it can in particular be recognized whether there is a risk that the trajectory of the observed object will affect the currently driven trajectory or the planned trajectory of one's own vehicle. Such tanging indicates a risk of collision.
  • a physical warning device of the vehicle that is perceptible to the driver of the vehicle is actuated.
  • a steering system, a drive system, and / or a brake system of the vehicle is controlled such that the then new trajectory of the vehicle is controlled by the vehicle
  • a classifier and / or a regressor which can be trained by means of machine learning, can in particular be used in the methods described above.
  • the invention therefore also relates to a method for training a classifier and / or regressor for use in one of the methods described above.
  • a learning set of learning data sets is provided.
  • These learning data records each contain an at least two-dimensional representation of the spatial distribution of the contributions of different locations on the object to a measurement signal, which is the response of the object
  • the learning data records also contain the spatial orientation, which was present at the time of the measurement, as a learning output.
  • the behavior of the classifier and / or the regressor is determined by parameters.
  • the parameters can be, for example, weights with which the inputs of each neuron for activating this neuron are calculated.
  • the respective learning input is fed to the classifier and / or the regressor.
  • the spatial orientation of the object output in each case is compared with the learning output belonging to the learning input.
  • the parameters of the classifier, and / or of the regressor are optimized in such a way that the classifier, and / or the regressor, maps the learning inputs contained in the learning set to the associated learning outputs at least with a predetermined accuracy in accordance with an error function.
  • the classifier and / or the regressor can be prepared for an infinite number of new situations using a finite number of learning situations.
  • the sensor hardware used for recording the measurement signal can advantageously be changed in such a way that it provides an interface for the derivation of more detailed information than the information currently typically output about reflections.
  • the methods also manage with the information currently provided, i.e. without changing the hardware.
  • they can be implemented in software that brings direct customer benefits such that the spatial orientation of the object or the future trajectory of the object can be determined more precisely than before.
  • the invention therefore also relates to a computer program containing machine-readable instructions which, when on a computer, and / or on a computer
  • Control device to be executed, cause the computer and / or the control device to carry out one of the described methods.
  • the invention also relates to a machine-readable data carrier or a download product with the computer program.
  • FIG. 1 exemplary superimposition of various contributions 31a-31c on a response 3a to electromagnetic interrogation radiation 2;
  • FIG. 2 embodiment of the method 100
  • FIG. 3 Exemplary representations 4 of the spatial distribution of
  • FIG. 4 embodiment of the method 200
  • FIG. 5 shows an example of an application situation for method 200 at an intersection of four streets 81, 82, 83, 84;
  • FIG. 6 embodiment of the method 300.
  • FIG. 1 shows an exemplary situation in which an extended object 1 forms a response 3a to electromagnetic interrogation radiation 2.
  • the measuring device 5 used comprises a transmitter 5a for the interrogation radiation 2 and a receiver 5b for the response 3a from the object 1.
  • the object 1 is a vehicle which is located at a position 11a and is perpendicular to it through the object 1 extending axis assumes a spatial orientation 11b in the form of an angle of rotation.
  • Measuring device 5 extracts reflexes 32 from the raw data received by receiver 5a using means not shown in FIG. 1 and outputs these reflexes 32 as measurement signal 3. Specifically, at least one angular position 32a, at least one intensity 32b and at least a distance 32c to the location of the reflex 32 are recorded for the reflexes 32.
  • the spatial orientation 11b of the object 1 is evaluated from the measurement signal 3.
  • the method 100 makes use of the fact that each location 12a-12c on the object 1 responds to the electromagnetic interrogation radiation 2 with its own contribution 31a-31c and these contributions 31a-31c overlap to the overall response 3a.
  • An at least two-dimensional representation 4 of the spatial distribution of these contributions 31a-31c is evaluated from the measurement signal 3, and from this the sought-for spatial orientation 11b of the object 1 is determined using the classifier 6a and / or the regressor 6b.
  • step 110 type 14 of object 1 is first pre-classified from a physical observation 13 of object 1.
  • the physical observation 13 can in particular be completely or partially congruent with the measurement data 3.
  • the classifier 6a and / or the regressor 6b is selected in the optional step 120.
  • the classifier 6a and / or the regressor 6b is used in step 130 in order to evaluate the spatial orientation 11b of the object 1 from the measurement signal 3, 32.
  • Datasets for reflections 32 according to block 131 are a physical model for converting the spatial distribution of contributions 31a-31c into the
  • Measurement signal 3 can be determined. This model provides a representation 4 of this distribution.
  • a sinc function 32d can be set up for each reflex 32 according to block 132.
  • a sinc function 32d can be set up for each reflex 32 according to block 132.
  • the 3 dB width of the sinc function 32d is determined on the basis of the physical measurement accuracy of the measuring device 5 that delivered the measurement signal 3.
  • a sum of the sine functions 32d set up for all reflexes 32 is used to determine representation 4.
  • the representation 4 is fed in step 140 to the classifier 6a and / or the regressor 6b, where it is further processed to the spatial orientation 11b of the object 1 that is sought.
  • FIG. 3 schematically shows, by way of example, some representations 4 which, for one and the same object 1, have different spatial orientations 11b
  • FIG. 4 shows an exemplary embodiment of the method 200.
  • the position 11a of the object 11 is determined in step 210.
  • the spatial orientation 11b of the object 1 is determined from the same measurement signal 3 using the method 100.
  • the measurement signal 3 is also used in the optional step 225 to determine a scalar speed v of the object 1. For this purpose, the Doppler frequency shift compared to the originally emitted electromagnetic interrogation radiation 2 is evaluated.
  • step 230 starting from the position 11a, the trajectory la of the object 1 is updated using the scalar speed v on the basis of the previously determined spatial orientation 11b.
  • the trajectory la of the object 1 predicted in this way is compared in step 240 with a currently traveled trajectory 50a and / or with a planned trajectory 50b, a vehicle 50 to be monitored and / or controlled.
  • step 250 it is checked in step 250 whether the predicted trajectory la of the object 1 affects the currently driven trajectory 50a and / or the planned trajectory 50b of the vehicle 50, in particular intersects for example. If this is the case (truth value 1), a physical warning device 51 of the vehicle 50 that is perceptible to the driver of the vehicle 50 is activated in step 260. Alternatively or also in combination with this, a steering system 52, a drive system 53, and / or a brake system 54 of the vehicle 50 can be controlled in step 270 such that the vehicle travels a new trajectory 50c, which is different from the predicted trajectory la of the object 1 is no longer affected.
  • FIG. 5 An application example for the method 200 is outlined in FIG. 5.
  • a vehicle 50 to be controlled on a road 81 is approaching an intersection with the three other roads 82, 83 and 84.
  • the vehicle 50 is currently traveling on the trajectory 50a. It is envisaged that vehicle 50 will continue to travel straight along trajectory 50b toward road 83.
  • the vehicle 50 monitors a detection area 2a with a measuring device 5.
  • the measuring device 5 sends electromagnetic Interrogation radiation 2 into the detection area 2a and receives an answer 3a from there.
  • a foreign vehicle is registered as object 1 at position 11a in detection area 2a. It is also registered that the foreign vehicle 1 is approaching its own vehicle 50 at a scalar speed v. However, the anticipated intention of the foreign vehicle 1 cannot be determined from this. It is possible that the driver of the foreign vehicle 1 has not noticed his own vehicle 50 and intends to turn left into road 82. In this case, the trajectory la of the foreign vehicle 1 would affect the planned trajectory 50b of the own vehicle 50, i.e. a collision could occur. However, it is equally possible that the driver of the foreign vehicle 1 intends to continue straight ahead along the trajectory 1b into road 81. In this case there would be no conflict with your own
  • the spatial data is additionally converted from the measurement data 3 registered with the measuring device 5
  • Orientation 11b of the foreign vehicle 1 is determined, and this spatial orientation 11b is used to update the trajectory la of the foreign vehicle 1 starting from the current position 11a.
  • the spatial orientation 11b of the foreign vehicle 1 shows that this vehicle 1 is likely to follow the trajectory la leading in the direction of the road 82. A countermeasure is therefore taken to avoid a collision.
  • an evasive trajectory 50c is determined, on which one's own vehicle 50 turns into road 84.
  • FIG. 6 shows an exemplary embodiment of the method 300 for training the classifier 6a or the regressor 6b.
  • a learning set of learning data records 7 is provided, each of which contains the previously described representation 4 as learning input 7a and the spatial orientation 11b of the object in the underlying measurement as learning output 7b.
  • the learning input 7a becomes the classifier 6a, and / or the
  • Regressor 6b supplied.
  • the spatial orientation 11b of the object 1 output by the classifier 6a and / or by the regressor 6b is compared in step 330 with the learning output 7b.
  • the parameters 6c, 6d of the classifier 6a and / or of the regressor 6b are optimized such that the learning inputs 7a are corrected as correctly as possible over the entire learning amount.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

Verfahren (100) zur Bestimmung der räumlichen Orientierung (11b) eines Objekts (1) aus mindestens einem Messsignal (3), das die Antwort (3a) des Objekts (1) auf elektromagnetische Abfragestrahlung (2) beinhaltet. Verfahren (200) zum Vorhersagen der Trajektorie (1a) mindestens eines Objekts (1) aus mindestens einem Messsignal (3), das die Antwort (3a) des Objekts (1) auf elektromagnetische Abfragestrahlung (2) beinhaltet, in Verbindung mit einer skalaren Geschwindigkeit v des Objekts. Verfahren (300) zum Trainieren des Klassifikators (6a) und/oder des Regressors (6b).

Description

Beschreibung
Titel:
BESTIMMUNG DER ORIENTIERUNG VON OBJEKTEN MITTELS RADAR ODER DURCH DIE VERWENDUNG VON ELEKTROMAGNETISCHER ABFRAGESTRAHLUNG
Die vorliegende Erfindung betrifft die Erkennung und Überwachung von Objekten in einem Erfassungsbereich anhand einer Antwort dieser Objekte auf eine elektromagnetische Abfragestrahlung.
Stand der Technik
Damit sich ein Fahrzeug zumindest teilweise automatisiert im Straßenverkehr bewegen kann, ist es erforderlich, das Umfeld des Fahrzeugs zu erfassen und Gegenmaßnahmen einzuleiten, falls eine Kollision mit einem Objekt im Umfeld des Fahrzeugs droht. Auch die Erstellung einer Umfeld- Repräsentation und Lokalisierung sind für sicheres automatisiertes Fahren notwendig.
Die Erfassung von Objekten mittels Radar ist von den Lichtverhältnissen unabhängig und beispielsweise auch bei Nacht auf größere Entfernung möglich, ohne dass der Gegenverkehr durch Fernlicht geblendet wird. Aus den
Radardaten gehen weiterhin unmittelbar die Entfernung und Geschwindigkeit von Objekten hervor. Diese Informationen sind wichtig für die Beurteilung, ob es zu einer Kollision mit den Objekten kommen kann. Um welchen Typ von Objekt es sich handelt, ist jedoch aus Radarsignalen nicht unmittelbar erkennbar. Diese Erkennung wird aktuell durch die Berechnung von Attributen aus der Digitalen Signalverarbeitung gelöst.
Die US 8,682,821 B2 offenbart, Radarsignale mittels maschinellem Lernen dahingehend zu klassifizieren, ob sie von der Bewegung bestimmter Objekte oder nichtmenschlicher Tiere herrühren. Diese Erkenntnis kann genutzt werden, um bei der Überwachung eines Bereichs auf menschliche Eindringlinge
Falschalarme zu vermeiden, oder auch um beim zumindest teilweise
automatisierten Fahren die richtige Aktion zur Kollisionsvermeidung
auszuwählen.
Offenbarung der Erfindung
Im Rahmen der Erfindung wurde ein Verfahren zur Bestimmung der räumlichen Orientierung eines Objekts aus mindestens einem Messsignal, das die Antwort des Objekts auf elektromagnetische Abfragestrahlung beinhaltet. Diese Antwort kann insbesondere eine Reflexion der Abfragestrahlung beinhalten.
Bei diesem Verfahren wird aus dem Messsignal eine mindestens
zweidimensionale Repräsentation der räumlichen Verteilung von Beiträgen, die verschiedene Orte am Objekt zu dem Messsignal leisten, ermittelt. Aus dieser Repräsentation wird mit einem Klassifikator, und/oder mit einem Regressor, die räumliche Orientierung des Objekts ermittelt.
Dabei kann dass Messsignal mit einem oder mehreren Detektoren erfasst worden sein. Es kann sich also beispielsweise um ein Gesamt- Messsignal handeln, das aus den von mehreren Detektoren gelieferten Rohdaten aggregiert wurde. Weiterhin kann das Messsignal vor der Bildung der Repräsentation eine oder mehrere Stufen der Signalverarbeitung durchlaufen haben.
Ein Klassifikator kann beispielsweise eine als Winkel ausgedrückte räumliche Orientierung zwischen 0° und 360° in diskrete Intervalle unterteilen und zu jeder eingegebenen Repräsentation der räumlichen Verteilung von Beiträgen
Konfidenzen ermitteln, mit denen die Repräsentation jeweils jedem der möglichen Intervalle der Orientierung zuzuordnen ist. Ein Regressor kann die wahrscheinlichste räumliche Orientierung winkelmäßig angeben, ohne hierbei an diskrete Intervalle gebunden zu sein.
Die elektromagnetische Abfragestrahlung kann beispielsweise Radarstrahlung sein. Kommerziell erhältliche Radarsensoren für die Überwachung eines Raumgebiets beinhalten einen oder mehrere Sender für die Radarstrahlung sowie meistens ein Array mehrerer Empfangsantennen, mit dem ohne mechanische Bewegung dieses Arrays die Richtung bestimmt werden kann, aus der reflektierte Radarstrahlung einfällt („direction of arrival“, DOA). Die
Radarsensoren geben üblicherweise nicht die von den Empfangsantennen gelieferten Rohdaten aus, sondern extrahieren aus diesen Rohdaten Reflexe. Zu jedem Reflex werden üblicherweise mindestens eine Winkelposition des
Reflexes, mindestens eine Intensität des Reflexes sowie mindestens eine Entfernung zum Ort des Reflexes ausgewertet.
Es wurde nun erkannt, dass das Zusammenfassen der Rohdaten zu Reflexen eine starke Vereinfachung darstellt, bei der insbesondere die räumliche
Ausdehnung eines detektierten Objekts stark abstrahiert wird. Aus dem Objekt werden eine oder mehrere diskrete Quellen an punktförmigen Orten, von denen eine Antwort mit der erfassten Intensität des Reflexes ausgeht. In der Realität trifft jedoch eine ausgedehnte elektromagnetische Wellenfront auf ein
ausgedehntes Objekt. Jeder infinitesimale Ort auf der Oberfläche des Objekts ist nach dem Huygensschen Prinzip der Ausgangspunkt einer isotropen
Elementarwelle, und die Antwort des Objekts auf die elektromagnetische Abfragestrahlung wird durch Superposition all dieser Elementarwellen gebildet.
Daher ist die gemäß dem Verfahren ermittelte räumliche Verteilung der Beiträge, die verschiedene Orte am Objekt zu dem Messsignal liefern, letztlich eine Rückführung der gemessenen Antwort des Objekts auf ihren physikalischen Ursprung.
Diese Verteilung ändert sich, wenn sich die räumliche Orientierung des Objekts relativ zu der Messanordnung ändert. So kann die Abfragestrahlung nur diejenigen Orte auf der Oberfläche des Objekts, die in einer Sichtlinie zum Sender liegen, ungehindert erreichen. Weiterhin bestimmt die räumliche
Orientierung des Objekts auch den Einfallswinkel, unter dem die
Abfragestrahlung an jedem Ort auf das Objekt auftrifft, und somit die
Phasenbeziehungen zwischen den an verschiedenen Orten gebildeten
Elementarwellen. Daher lässt sich die räumliche Orientierung des Objekts durch Klassifikation und/oder Regression aus einer Repräsentation der besagten Verteilung von Beiträgen ermitteln.
Diese Repräsentation kann beispielsweise eine dreidimensionale Punktwolke sein, die Orten im dreidimensionalen Raum jeweils die von ihnen ausgehenden physikalischen Beiträge zu der Antwort zuordnet. Die Repräsentation kann aber auch beispielsweise ein zweidimensionales Bild sein, das sich durch Projektion dieser Punktwolke auf eine Ebene oder durch eine andere Zuordnungsvorschrift eindeutig aus dieser Punktwolke ergibt. Für die gewünschte Bestimmung der räumlichen Orientierung des Objekts durch Klassifikation und/oder Regression aus der Repräsentation ist es nicht entscheidend, dass die Repräsentation beispielsweise einen Umriss des Objekts korrekt wiedergibt. Wichtig ist lediglich, dass sich zwei unterschiedliche räumliche Orientierungen des Objekts auch in unterschiedlichen Repräsentationen manifestieren.
Es wurde weiterhin erkannt, dass die in der beschriebenen Weise gewonnene Möglichkeit, die räumliche Orientierung von Objekten zu ermitteln, die
Vorhersage der Trajektorien bewegter Objekte auf Grund von Beobachtungen mit der elektromagnetischen Abfragestrahlung verbessert. Bei sehr vielen Objekten, wie beispielsweise Fahrzeugen, ist die in naher Zukunft mögliche Bewegungsrichtung mit der räumlichen Orientierung des Objektes korreliert. Das Fahrzeug kann beispielsweise entlang einer durch seine Längsachse
vorgegebenen Fahrtrichtung weiterrollen oder ausgehend von dieser Längsachse durch Lenkeinschlag eine Kurve fahren. Der minimale Krümmungsradius einer solchen Kurve ist durch den Aufbau des Fahrzeugs, wie beispielsweise seinen Radstand, vorgegeben. Das Fahrzeug kann sich jedoch beispielsweise nicht aus eigenem Antrieb genau senkrecht zu seiner Längsachse bewegen.
Wird beispielsweise ein vor einem eigenen, zu steuernden oder zu
überwachenden Fahrzeug (Ego- Fahrzeug) liegender Erfassungsbereich mit Radarstrahlung überwacht, so lässt sich somit anhand der räumlichen
Orientierung eines anderen, in dem Erfassungsbereich detektierten Fahrzeugs zumindest eingrenzen, in welche Richtungen sich dieses Fahrzeug in nahzer Zukunft bewegen kann. Diese Information ist wichtig für die Beurteilung, ob das andere Fahrzeug sich möglicherweise auf einem Kollisionskurs mit dem Ego- Fahrzeug befindet.
Nach dem zuvor Beschriebenen wird somit in einer besonders vorteilhaften Ausgestaltung Radarstrahlung als elektromagnetische Abfragestrahlung gewählt. Prinzipiell kann beispielsweise auch Licht verwendet werden, das im Rahmen eines LIDAR-Verfahrens („light detection and ranging“) über einen
Erfassungsbereich gescannt wird. Jedoch macht diese scannende Aufnahme des Messsignals das Zurückrechnen auf die räumliche Verteilung im Vergleich zu einer Messung mit Radarstrahlung schwieriger.
Wie zuvor beschrieben, beinhaltet das Messsignal vorteilhaft Datensätze zu Reflexen der elektromagnetischen Abfragestrahlung, und jeder dieser
Datensätze beinhaltet
• mindestens eine Winkelposition des Reflexes (etwa Azimut und/oder Elevation),
• mindestens eine Intensität des Reflexes sowie
• mindestens eine Entfernung zum Ort des Reflexes.
Die Ermittlung der räumlichen Verteilung von Beiträgen kann genauer werden, wenn hierfür eine Verarbeitungsstufe des Messsignals verwendet wird, die gegenüber den Rohdaten einen geringeren Grad an Abstraktion und
Vereinfachung erfahren hat. Insbesondere ist es beispielsweise auch möglich, die Repräsentation der räumlichen Verteilung direkt aus den von einem oder mehreren Detektoren gelieferten Rohdaten zu ermitteln.
In einer besonders vorteilhaften Ausgestaltung wird anhand der Datensätze zu den Reflexen ein physikalisches Modell für die Umwandlung der räumlichen Verteilung von Beiträgen in das Messsignal ermittelt. Wie zuvor erläutert, kann dieses Modell beispielsweise eine Vorschrift beinhalten, nach der sich von verschiedenen Orten ausgehende Beiträge zu einer resultierenden Wellenfront überlagern, die die Antwort des Objekts trägt. Das Modell kann zusätzlich beispielsweise auch eine Vorschrift beinhalten, nach der eine an einem oder mehreren Detektoren eintreffende Wellenfront zu dem Messsignal verarbeitet wird. Je detaillierter das Modell ist, desto genauer kann aus dem Messsignal auf die räumliche Verteilung der Beiträge zurückgeschlossen werden.
In einer weiteren besonders vorteilhaften Ausgestaltung wird für jeden Reflex eine sine- Funktion aufgestellt, deren Peakhöhe durch die Intensität des Reflexes bestimmt ist und deren Position durch die Winkelposition des Reflexes sowie die Entfernung zum Ort des Reflexes bestimmt ist. Eine Summe über alle aufgestellten sine- Funktionen wird für die Ermittlung der Repräsentation herangezogen. Hierhinter steckt die Erkenntnis, dass speziell die von
Radarsensoren gelieferten Ausgangssignale in einer internen Verarbeitungsstufe sinc-Funktionen beinhalten, die in einer späteren Verarbeitungsstufe zu den genannten Informationen über Reflexe verdichtet werden. So wie sinc- Funktionen die Überlagerung von Elementarwellen bei der Beugung einer Wellenfront an einem Spalt beschreiben, eignen sie sich auch, um die
Überlagerung der Beiträge von mehreren Orten des Objekts zu einem bestimmten Reflex zu beschreiben.
Dabei kann insbesondere vorteilhaft die 3-dB-Breite der sinc-Funktion anhand der physikalischen Messgenauigkeit der Messeinrichtung, die das Messsignal geliefert hat, festgelegt werden. Hiermit können insbesondere beispielsweise unterschiedliche Messgenauigkeiten, mit denen verschiedene Reflexe jeweils bestimmt wurden, untereinander gewichtet werden.
In einer weiteren besonders vorteilhaften Ausgestaltung wird ein künstliches neuronales Netzwerk, KNN, und/oder eine Support Vector Machine, SVM, als Klassifikator und/oder Regressor gewählt. Das KNN und die SVM gehören zu den Klassifikatoren bzw. Regressoren, die mit maschinellem Lernen trainierbar sind. Das bedeutet, dass eine endliche Anzahl an Lern- Repräsentationen der räumlichen Verteilung von Beiträgen und zugehörigen räumlichen Orientierungen eines Objekts genutzt werden kann, um den Klassifikator bzw. Regressor auf unendlich viele unbekannte Situationen vorzubereiten. Der Katalog der insgesamt möglichen Repräsentationen der räumlichen Verteilung von Beiträgen lässt sich nicht im Vorhinein abschließend angeben, da die Vielfalt der möglichen Objekte (etwa Fahrzeugtypen) unüberschaubar ist. In einer weiteren besonders vorteilhaften Ausgestaltung wird der Typ des Objekts aus einer physikalischen Beobachtung des Objekts vorklassifiziert. Der für die Bestimmung der räumlichen Orientierung verwendete Klassifikator bzw.
Regressor kann dann anhand dieses Typs ausgewählt werden. So haben beispielsweise LKW eine ganz andere Formgebung als PKW, und
dementsprechend unterscheiden sich auch die räumlichen Verteilungen von Beiträgen, die Orte an diesen Fahrzeugen jeweils bei der Abfrage mit
Abfragestrahlung aus dem gleichen Winkel zu einem Messsignal leisten.
Wie zuvor erläutert, kann die ermittelte räumliche Orientierung eines bewegten Objekts insbesondere verwendet werden, um den künftigen Fortgang der Bewegung vorherzusagen. Dies gilt insbesondere beispielsweise dann, wenn die gleiche elektromagnetische Abfragestrahlung (etwa Radar- Strahlung) auch verwendet wird, um die Geschwindigkeit des bewegten Objekts zu ermitteln. Diese Geschwindigkeit verschiebt die Frequenz der Antwort gegenüber der Frequenz der eingestrahlten Abfragestrahlung um eine Doppler- Frequenzver schiebung, kann also durch Auswertung der Frequenz der Antwort gemessen werden. Allerdings ist die so ermittelte Geschwindigkeit ein Skalar. Das bedeutet, dass sie lediglich angibt, wie schnell sich das Objekt der Messeinrichtung nähert, bzw. wie schnell sich das Objekt von der Messeinrichtung entfernt. Es können nun viele unterschiedliche Bewegungen des Objekts relativ zur Messeinrichtung mit der gleichen skalaren Geschwindigkeit kompatibel sein. Indem die räumliche Orientierung des Objekts mit dem zuvor beschriebenen Verfahren gemessen wird, kann die Mehrdeutigkeit bezüglich der künftigen Trajektorie des bewegten Objekts zumindest teilweise aufgelöst werden.
Daher bezieht sich die Erfindung auch auf ein Verfahren zum Vorhersagen der Trajektorie mindestens eines Objekts aus mindestens einem Messsignal, das die Antwort des Objekts auf elektromagnetische Abfragestrahlung beinhaltet, in Verbindung mit einer skalaren Geschwindigkeit v des Objekts.
Bei diesem Verfahren wird die Position des Objekts aus dem Messsignal ermittelt. Die räumliche Orientierung des Objekts wird mit dem zuvor
beschriebenen Verfahren ermittelt. Ausgehend von der Position des Objekts wird die Trajektorie des Objekts unter Heranziehung der skalaren Geschwindigkeit v anhand der räumlichen Orientierung des Objekts fortgeschrieben.
Hierbei kann„anhand“ beispielsweise im Fall eines Fahrzeugs als Objekt bedeuten, dass die möglichen künftigen Fahrtrichtungen des Fahrzeugs durch eine aus der räumlichen Orientierung des Fahrzeugs entnehmbare Längsachse des Fahrzeugs sowie durch die von dieser Achse wegführenden möglichen Lenkmanöver festgelegt sind. Je nach dem Zeithorizont für die Fortschreibung kann es aber auch beispielsweise ausreichend sein, die aktuelle Längsachse des Fahrzeugs zu berücksichtigen.
Wie zuvor erläutert, kann insbesondere vorteilhaft die skalare Geschwindigkeit v aus einer Doppler- Frequenzverschiebung der elektromagnetischen
Abfragestrahlung ermittelt werden.
In einer weiteren besonders vorteilhaften Ausgestaltung wird die vorhergesagte Trajektorie des Objekts mit einer aktuell gefahrenen Trajektorie, und/oder einer geplanten Trajektorie, eines zu überwachenden, und/oder zu steuernden, Fahrzeugs verglichen. Auf diese Weise kann insbesondere erkannt werden, ob ein Risiko besteht, dass die Trajektorie des beobachteten Objekts die aktuell gefahrene Trajektorie, bzw. die geplante Trajektorie, des eigenen Fahrzeugs tangiert. Ein solches Tangieren deutet auf ein Kollisionsrisiko hin.
In einer weiteren besonders vorteilhaften Ausgestaltung wird in Antwort darauf, dass die vorhergesagteTrajektorie des Objekts die aktuell gefahrene Trajektorie, bzw. die geplante Trajektorie, des Fahrzeugs tangiert, eine für den Fahrer des Fahrzeugs wahrnehmbare physikalische Warneinrichtung des Fahrzeugs angesteuert. Alternativ oder auch in Kombination hierzu wird ein Lenksystem, ein Antriebssystem, und/oder ein Bremssystem, des Fahrzeugs angesteuert dergestalt, dass die dann neue Trajektorie des Fahrzeugs von der
vorhergesagten Trajektorie des Objekts nicht mehr tangiert wird.
Insbesondere wenn Radarstrahlung als elektromagnetische Abfragestrahlung verwendet wird, kann beispielsweise nachts eine Kollisionsgefahr früher erkannt und durch die genannten Eingriffe vermindert werden, als dies für einen menschlichen Fahrer anhand seiner optischen Beobachtungen innerhalb der Reichweite des Abblendlichts möglich wäre.
Wie bereits erläutert, kann in den zuvor beschriebenen Verfahren insbesondere ein Klassifikator, und/oder ein Regressor, verwendet werden, der mittels maschinellem Lernen trainierbar ist. Daher bezieht sich die Erfindung auch auf ein Verfahren zum Trainieren eines Klassifikators und/oder Regressors für die Anwendung in einem der zuvor beschriebenen Verfahren.
Bei diesem Verfahren wird eine Lernmenge von Lern- Datensätzen bereitgestellt. Diese Lern- Datensätze enthalten jeweils eine mindestens zweidimensionale Repräsentation der räumlichen Verteilung der Beiträge verschiedener Orte am Objekts zu einem Messsignal, das die Antwort des Objekts auf
elektromagnetische Abfragestrahlung enthält, als Lern- Eingabe. Die Lern- Datensätze enthalten weiterhin die räumliche Orientierung, die jeweils bei der Messung Vorgelegen hat, als Lern-Ausgabe.
Das Verhalten des Klassifikators, und/oder des Regressors, ist durch Parameter festgelegt. In einem KNN können die Parameter beispielsweise Gewichte sein, mit denen die Eingaben eines jeden Neurons zur Aktivierung dieses Neurons verrrechnet werden.
Für jeden Lern- Datensatz wird die jeweilige Lern-Eingabe dem Klassifikator, und/oder dem Regressor, zugeführt. Die vom Klassifikator, und/oder vom
Regressor, jeweils ausgegebene räumliche Orientierung des Objekts wird mit der zur Lern-Eingabe gehörenden Lern-Ausgabe verglichen. Die Parameter des Klassifikators, und/oder des Regressors, werden dahingehend optimiert, dass der Klassifikator, und/oder der Regressor, die in der Lernmenge enthaltenen Lern-Eingaben nach Maßgabe einer Fehlerfunktion mindestens mit einer vorgegebenen Genauigkeit auf die zugehörigen Lern-Ausgaben abbildet.
Wie zuvor erläutert, kann auf diese Weise der Klassifikator, und/oder der Regressor, anhand einer endlichen Anzahl Lern-Situationen auf unendlich viele neue Situationen vorbereitet werden. Wie zuvor erläutert, kann die für die Aufname des Messsignals verwendete Sensor- Hardware vorteilhaft dahingehend verändert werden, dass sie eine Schnittstelle für die Ausleitung einer detaillierteren Information als den derzeit typischerweise ausgegeben Information über Reflexe bereitstellt. Die Verfahren kommen grundsätzlich aber auch mit der derzeit bereitgestellten Information aus, also ohne Veränderung der Hardware. Sie können insbesondere in einer Software implementiert sein, die den unmittelbaren Kundennutzen herbeiführt, dass die räumliche Orientierung des Objekts, bzw. die künftige Trajektorie des Objekts, genauer als bisher ermittelt werden kann. Daher bezieht sich die Erfindung auch auf ein Computerprogramm, enthaltend maschinenlesbare Anweisungen, die, wenn sie auf einem Computer, und/oder auf einem
Steuergerät, ausgeführt werden, den Computer, und/oder das Steuergerät, dazu veranlassen, eines der beschriebenen Verfahren auszuführen. Ebenso bezieht sich die Erfindung auch auf einen maschinenlesbaren Datenträger oder ein Downloadprodukt mit dem Computerprogramm.
Weitere, die Erfindung verbessernde Maßnahmen werden nachstehend gemeinsam mit der Beschreibung der bevorzugten Ausführungsbeispiele der Erfindung anhand von Figuren näher dargestellt.
Ausführungsbeispiele
Es zeigt:
Figur 1 Beispielhafte Überlagerung verschiedener Beiträge 31a-31c zu einer Antwort 3a auf elektromagnetische Abfragestrahlung 2;
Figur 2 Ausführungsbeispiel des Verfahrens 100;
Figur 3 Beispielhafte Repräsentationen 4 der räumlichen Verteilung von
Beiträgen 31a-31c für verschiedene räumliche Orientierungen 11b ein und desselben Objekts 1;
Figur 4 Ausführungsbeispiel des Verfahrens 200; Figur 5 Beispielhafte Anwendungssituation für das Verfahren 200 an einer Kreuzung von vier Straßen 81, 82, 83, 84;
Figur 6 Ausführungsbeispiel des Verfahrens 300.
Figur 1 zeigt eine beispielhafte Situation, in der ein ausgedehntes Objekt 1 eine Antwort 3a auf elektromagnetische Abfragestrahlung 2 bildet. Die verwendete Messeinrichtung 5 umfasst einen Sender 5a für die Abfragestrahlung 2 sowie einen Empfänger 5b für die Antwort 3a vom Objekt 1. In dem in Figur 1 gezeigten Beispiel ist das Objekt 1 ein Fahrzeug, das sich an einer Position 11a befindet und bezogen auf eine senkrecht durch das Objekt 1 verlaufende Achse eine räumliche Orientierung 11b in Form eines Drehwinkels einnimmt. Die
Messeinrichtung 5 extrahiert mit in Figur 1 nicht eingezeichneten Mitteln aus den vom Empfänger 5a aufgenommenen Rohdaten Reflexe 32 und gibt diese Reflexe 32 als Messsignal 3 aus. Im Einzelnen werden zu den Reflexen 32 jeweils mindestens eine Winkelposition 32a, mindestens eine Intensität 32b und mindestens eine Entfernung 32c zum Ort des Reflexes 32 erfasst.
Mit dem Verfahren 100 wird aus dem Messsignal 3 die räumliche Orientierung 11b des Objekts 1 ausgewertet. Das Verfahren 100 macht sich hierbei zu Nutze, dass jeder Ort 12a-12c auf dem Objekt 1 mit einem eigenen Beitrag 31a-31c auf die elektromagnetische Abfragestrahlung 2 antwortet und sich diese Beiträge 31a-31c zur Gesamt-Antwort 3a überlagern. Eine mindestens zweidimensionale Repräsentation 4 der räumlichen Verteilung dieser Beiträge 31a-31c wird aus dem Messsignal 3 ausgewertet, und hieraus wird mit dem Klassifikator 6a, und/oder mit dem Regressor 6b, die gesuchte räumliche Orientierung 11b des Objekts 1 ermittelt.
Dieses Verfahren 100 ist in Figur 2 näher dargestellt. Im optionalen Schritt 110 wird aus einer physikalischen Beobachtung 13 des Objekts 1 zunächst der Typ 14 des Objekts 1 vorklassifiziert. Die physikalische Beobachtung 13 kann insbesondere ganz oder teilweise deckungsgleich mit den Messdaten 3 sein. Anhand des Typs 14 wird im optionalen Schritt 120 der Klassifizierer 6a, und/oder der Regressor 6b, ausgewählt. Der Klassifikator 6a, und/oder der Regressor 6b, wird in Schritt 130 verwendet, um aus dem Messsignal 3, 32 die räumliche Orientierung 11b des Objekts 1 auszuwerten.
Hierzu kann beispielsweise anhand von im Messsignal 3 enthaltenen
Datensätzen zu Reflexen 32 gemäß Block 131 ein physikalisches Modell für die Umwandlung der räumlichen Verteilung von Beiträgen 31a-31c in das
Messsignal 3 ermittelt werden. Dieses Modell liefert eine Repräsentation 4 ebendieser Verteilung.
Alternativ oder auch in Kombination kann gemäß Block 132 für jeden Reflex 32 eine sinc-Funktion 32d aufgestellt werden. Dabei kann insbesondere
beispielsweise gemäß Block 132a die 3-dB-Breite der sinc-Funktion 32d anhand der physikalischen Messgenauigkeit der Messeinrichtung 5, die das Messsignal 3 geliefert hat, festgelegt werden. Gemäß Block 133 wird eine Summe über die für alle Reflexe 32 jeweils aufgestellten sine- Funktionen 32d für die Ermittlung der Repräsentation 4 herangezogen.
Unabhängig davon, auf welchem Wege die Repräsentation 4 letztendlich erhalten wurde, wird sie in Schritt 140 dem Klassifikator 6a, und/oder dem Regressor 6b, zugeführt und dort zu der gesuchten räumlichen Orientierung 11b des Objekts 1 weiterverarbeitet.
Figur 3 zeigt beispielhaft schematisch einige Repräsentationen 4, die für ein und dasselbe Objekt 1 in verschiedenen räumlichen Orientierungen 11b aus
Messsignalen 3 erhalten wurden. Hierbei fällt auf, dass sich auch bei
festgehaltener räumlicher Orientierung 11b die Repräsentationen 4, die aus mehreren nacheinander aufgenommenen Messungen ermittelt werden, leicht voneinander unterscheiden. Die Aufgabe, gleichwohl alle Repräsentationen 4 auf die jeweils richtige räumliche Orientierung 11b des Objekts 1 abzubilden, ist gut mit maschinellem Lernen zu lösen.
Figur 4 zeigt ein Ausführungsbeispie des Verfahrens 200. Aus dem Messsignal 3, das die Antwort 3a des Objekts 1 auf die elektromagnetische Abfragestrahlung 2 beinhaltet, wird in Schritt 210 die Position 11a des Objekts 11 ermittelt. In Schritt 220 wird aus dem gleichen Messsignal 3 mit dem Verfahren 100 die räumliche Orientierung 11b des Objekts 1 ermittelt. Das Messsignal 3 wird weiterhin im optionalen Schritt 225 verwendet, um eine skalare Geschwindigkeit v des Objekts 1 zu ermitteln. Zu diesem Zweck wird die Doppler- Frequenzver schiebung gegenüber der ursprünglich ausgesendeten elektromagnetischen Abfragestrahlung 2 ausgewertet.
In Schritt 230 wird ausgehend von der Position 11a die Trajektorie la des Objekts 1 unter Heranziehung der skalaren Geschwindigkeit v anhand der zuvor ermittelten räumlichen Orientierung 11b fortgeschrieben. Die auf diese Weise vorhergesagte Trajektorie la des Objekts 1 wird in Schritt 240 mit einer aktuell gefahrenen Trajektorie 50a, und/oder mit einer geplanten Trajektorie 50b, eines zu überwachenden, und/oder zu steuernden, Fahrzeugs 50 verglichen.
Speziell wird in Schritt 250 geprüft, ob die vorhergesagte Trajektorie la des Objekts 1 die aktuell gefahrene Trajektorie 50a, und/oder die geplante Trajektorie 50b, des Fahrzeugs 50 tangiert, insbesondere beispielsweise schneidet. Ist dies der Fall (Wahrheitswert 1), wird in Schritt 260 eine für den Fahrer des Fahrzeugs 50 wahrnehmbare physikalische Warneinrichtung 51 des Fahrzeugs 50 aktiviert. Alternativ oder auch in Kombination hierzu kann in Schritt 270 ein Lenksystem 52, ein Antriebssystem 53, und/oder ein Bremssystem 54, des Fahrzeugs 50 dahingehend angesteuert werden, dass das Fahrzeug eine neue Trajektorie 50c abfährt, die von der vorhergesagten Trajektorie la des Objekts 1 nicht mehr tangiert wird.
Ein Anwendungsbeispiel für das Verfahren 200 ist in Figur 5 skizziert. In dem in Figur 5 gezeigten Szenario nähert sich ein zu steuerndes Fahrzeug 50 auf einer Straße 81 einer Kreuzung mit den drei weiteren Straßen 82, 83 und 84. Das Fahrzeug 50 fährt aktuell auf der Trajektorie 50a. Es ist geplant, dass das Fahrzeug 50 seine Fahrt geradinig entlang der Trajektorie 50b fortsetzt in Richtung der Straße 83.
Das Fahrzeug 50 überwacht mit einer Messeinrichtung 5 einen Erfassungs bereich 2a. Zu diesem Zweck sendet die Messeinrichtung 5 elektromagnetische Abfragestrahlung 2 in den den Erfassungsbereich 2a aus und empfängt von dort eine Antwort 3a.
In der in Figur 5 dargestellten Situation wird im Erfassungsbereich 2a ein fremdes Fahrzeug als Objekt 1 an der Position 11a registriert. Es wird auch registriert, dass sich das fremde Fahrzeug 1 mit einer skalaren Geschwindigkeit v dem eigenen Fahrzeug 50 nähert. Hieraus lässt sich jedoch die voraussichtliche Absicht des fremden Fahrzeugs 1 nicht ermitteln. Es ist möglich, dass der Fahrer des fremden Fahrzeugs 1 das eigene Fahrzeug 50 nicht wahrgenommen hat und beabsichtigt, nach links in die Straße 82 einzubiegen. In diesem Fall würde die Trajektorie la des fremden Fahrzeugs 1 die geplante Trajektorie 50b des eigenen Fahrzeugs 50 tangieren, d.h., es könnte zu einem Zusammenstoß kommen. Ebensogut ist es jedoch möglich, dass der Fahrer des fremden Fahrzeugs 1 beabsichtigt, entlang der Trajektorie lb geradeaus in die Straße 81 weiterzufahren. In diesem Fall gäbe es keinen Konflikt mit dem eigenen
Fahrzeug 50.
Im Rahmen des zuvor beschriebenen Verfahrens 200 wird aus den mit der Messeinrichtung 5 registrierten Messdaten 3 zusätzlich die räumliche
Orientierung 11b des fremden Fahrzeugs 1 ermittelt, und diese räumliche Orientierung 11b wird dazu herangezogen, um ausgehend von der aktuellen Position 11a des fremden Fahrzeugs 1 dessen Trajektorie la fortzuschreiben.
In dem in Figur 5 gezeigten Beispiel geht aus der räumlichen Orientierung 11b des fremden Fahrzeugs 1 hervor, dass dieses Fahrzeug 1 voraussichtlich der in Richtung der Straße 82 führenden Trajektorie la folgen wird. Daher wird eine Gegenmaßnahme eingeleitet, um eine Kollision zu vermeiden. In dem in Figur 5 gezeigten Beispiel wird eine Ausweichtrajektorie 50c bestimmt, auf der das eigene Fahrzeug 50 in die Straße 84 abbiegt.
Das Beispiel zeigt, dass es wünschenwert ist, die Absicht des fremden
Fahrzeugs 1 mit einiger Sicherheit vorherzusagen. Wäre die wahre Absicht des Fahrzeugs 1 nämlich, auf der Trajektorie lb in Richtung der Straße 81 weiterzufahren, dann wäre das Ausweichen auf der Trajektorie 50c genau die falsche Reaktion des eigenen Fahrzeugs 50, und es könnte zur Kollision kommen.
Figur 6 zeigt ein Ausführungsbeispiel des Verfahrens 300 zum Trainieren des Klassifikators 6a, bzw. des Regressors 6b. In Schritt 310 wwrd eine Lernmenge von Lern- Datensätzen 7 bereitgestellt, die jeweils die zuvor beschriebene Repräsentation 4 als Lern-Eingabe 7a und die räumliche Orientierung 11b des Objekts bei der zu Grunde liegenden Messung als Lern-Ausgabe 7b enthalten. In Schritt 320 wird die Lern-Eingabe 7a dem Klassifikator 6a, und/oder dem
Regressor 6b, zugeführt. Die vom Klassifikator 6a, und/oder vom Regressor 6b, ausgegebene räumliche Orientierung 11b des Objekts 1 wird in Schritt 330 mit der Lern-Ausgabe 7b verglichen. In Schritt 340 werden die Parameter 6c, 6d des Klassifikators 6a, und/oder des Regressors 6b, so optimiert, dass über die gesamte Lernmenge die Lern-Eingaben 7a jeweils möglichst korrekt auf die Lern-
Ausgaben 7b abgebildet werden.

Claims

Ansprüche
1. Verfahren (100) zur Bestimmung der räumlichen Orientierung (11b) eines Objekts (1) aus mindestens einem Messsignal (3), das die Antwort (3a) des Objekts (1) auf elektromagnetische Abfragestrahlung (2) beinhaltet, mit den Schritten:
• aus dem Messsignal (3) wird eine mindestens zweidimensionale
Repräsentation (4) der räumlichen Verteilung von Beiträgen (31a-31c), die verschiedene Orte (12a-12c) am Objekt (1) zu dem Messsignal (3) leisten, ermittelt (130);
• aus der Repräsentation (4) wird mit einem Klassifikator (6a), und/oder mit einem Regressor (6b), die räumliche Orientierung (11b) des Objekts (1) ermittelt (140).
2. Verfahren (100) nach Anspruch 1, wobei Radarstrahlung als
elektromagnetische Abfragestrahlung (2) gewählt wird.
3. Verfahren (100) nach einem der Ansprüche 1 bis 2, wobei das
Messsignal (3) Datensätze zu Reflexen (32) der elektromagnetischen
Abfragestrahlung (2) beinhaltet und wobei jeder dieser Datensätze
• mindestens eine Winkelposition (32a) des Reflexes (32),
• mindestens eine Intensität (32b) des Reflexes (32) sowie
• mindestens eine Entfernung (32c) zum Ort des Reflexes (32)
beinhaltet.
4. Verfahren (100) nach Anspruch 3, wobei anhand der Datensätze zu den Reflexen (32) ein physikalisches Modell für die Umwandlung der räumlichen Verteilung von Beiträgen (31a-31c) in das Messsignal (3) ermittelt wird (131).
5. Verfahren (100) nach einem der Ansprüche 3 bis 4, wobei
• für jeden Reflex (32) eine sinc-Funktion (32d) aufgestellt wird (132), deren Peakhöhe durch die Intensität (32b) des Reflexes (32) bestimmt ist und deren Position durch die Winkelposition (32a) des Reflexes (32) sowie die Entfernung (32c) zum Ort des Reflexes (32) bestimmt ist; und
• eine Summe über alle aufgestellten sinc-Funktionen (32d) für die
Ermittlung der Repräsentation (4) herangezogen wird (133).
6. Verfahren (100) nach Anspruch 5, wobei die 3-dB-Breite der sinc- Funktion (32d) anhand der physikalischen Messgenauigkeit der Messeinrichtung (5), die das Messsignal (3) geliefert hat, festgelegt wird (132a).
7. Verfahren (100) nach einem der Ansprüche 1 bis 6, wobei ein künstliches neuronales Netzwerk, KN N, und/oder eine Support Vector Machine, SVM, als Klassifikator (6a) und/oder Regressor (6b) gewählt wird.
8. Verfahren (100) nach einem der Ansprüche 1 bis 7, wobei der Typ (14) des Objekts (1) aus einer physikalischen Beobachtung (13) des Objekts (1) vorklassifiziert wird (110) und wobei der Klassifikator (6a), und/oder der
Regressor (6b), anhand dieses Typs (14) ausgewählt wird (120).
9. Verfahren (200) zum Vorhersagen der Trajektorie (la) mindestens eines Objekts (1) aus mindestens einem Messsignal (3), das die Antwort (3a) des Objekts (1) auf elektromagnetische Abfragestrahlung (2) beinhaltet, in
Verbindung mit einer skalaren Geschwindigkeit v des Objekts, mit den Schritten:
• die Position (11a) des Objekts (1) wird aus dem Messsignal (3) ermittelt
(210) ;
• die räumliche Orientierung (11b) des Objekts (1) wird mit dem Verfahren (100) nach einem der Ansprüche 1 bis 8 ermittelt (220);
• ausgehend von der Position des Objekts (11a) wird die Trajektorie (la) des Objekts (1) unter Heranziehung der skalaren Geschwindigkeit v anhand der räumlichen Orientierung (11b) des Objekts (1)
fortgeschrieben (230).
10. Verfahren (200) nach Anspruch 9, wobei die skalare Geschwindigkeit v aus einer Doppler- Frequenzverschiebung der elektromagnetischen
Abfragestrahlung (2) ermittelt wird (225).
11. Verfahren (200) nach einem der Ansprüche 9 bis 10, wobei die vorhergesagte Trajektorie (la) des Objekts (1) mit einer aktuell gefahrenen Trajektorie (50a), und/oder einer geplanten Trajektorie (50b), eines zu überwachenden, und/oder zu steuernden, Fahrzeugs (50) verglichen wird (240).
12. Verfahren nach Anspruch 11, wobei in Antwort darauf, dass die vorhergesagteTrajektorie (la) des Objekts (1) die aktuell gefahrene Trajektorie (50a), bzw. die geplante Trajektorie (50b), des Fahrzeugs (50) tangiert (250),
• eine für den Fahrer des Fahrzeugs (50) wahrnehmbare physikalische Warneinrichtung (51) des Fahrzeugs angesteuert wird (260); und/oder
• ein Lenksystem (52), ein Antriebssystem (53), und/oder ein Bremssystem (54), des Fahrzeugs (50) angesteuert wird (270) dergestalt, dass die dann neue Trajektorie (50c) des Fahrzeugs von der vorhergesagten Trajektorie (la) des Objekts (1) nicht mehr tangiert wird.
13. Verfahren (300) zum Trainieren eines Klassifikators (6a) und/oder Regressors (6b) für die Anwendung in dem Verfahren (100) nach einem der Ansprüche 1 bis 8 mit den Schritten:
• es wird eine Lernmenge von Lern- Datensätzen (7) bereitgestellt (310), die jeweils enthalten:
o eine mindestens zweidimensionale Repräsentation (4) der
räumlichen Verteilung der Beiträge (31a-31c) verschiedener Orte (12a-12c) am Objekt (1) zu einem Messsignal (3), das die Antwort (3a) des Objekts (1) auf elektromagnetische Abfragestrahlung (2) enthält, als Lern- Eingabe (7a) sowie
o die räumliche Orientierung (11b) des Objekts (1) bei dieser
Messung als Lern-Ausgabe (7b);
• für jeden Lern- Datensatz (7) wird die jeweilige Lern-Eingabe (7a) dem Klassifikator (6a), und/oder dem Regressor (6b), zugeführt (320), wobei das Verhalten des Klassifikators (6a), und/oder des Regressors (6b), durch einen Satz Parameter (6c, 6d) festgelegt ist; • die vom Klassifikator (6a), und/oder vom Regressor (6b), jeweils ausgegebene räumliche Orientierung (11b) des Objekts (1) wird mit der zur Lern- Eingabe (7a) gehörenden Lern-Ausgabe (7b) verglichen (330);
• die Parameter (6c, 6d) des Klassifikators (6a), und/oder des Regressors (6b), werden dahingehend optimiert (340), dass der Klassifikator (6a), und/oder der Regressor (6b), die in der Lernmenge enthaltenen Lern- Eingaben (7a) nach Maßgabe einer Fehlerfunktion mindestens mit einer vorgegebenen Genauigkeit auf die zugehörigen Lern-Ausgaben (7b) abbildet.
14. Computerprogramm, enthaltend maschinenlesbare Anweisungen, die, wenn sie auf einem Computer, und/oder auf einem Steuergerät, ausgeführt werden, den Computer, und/oder das Steuergerät, dazu veranlassen, ein Verfahren (100, 200, 300) nach einem der Ansprüche 1 bis 13 auszuführen.
PCT/EP2019/085622 2018-12-20 2019-12-17 Bestimmung der orientierung von objekten mittels radar oder durch die verwendung von elektromagnetischer abfragestrahlung WO2020127245A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/280,691 US20220003860A1 (en) 2018-12-20 2019-12-17 Determining the orientation of objects using radar or through the use of electromagnetic interrogation radiation
JP2021534963A JP7337931B2 (ja) 2018-12-20 2019-12-17 レーダによるまたは問合せ電磁放射線の使用によるオブジェクトの向きの決定
CN201980085279.9A CN113227832A (zh) 2018-12-20 2019-12-17 借助于雷达或者通过使用电磁询问辐射来确定对象的取向

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018222672.5A DE102018222672A1 (de) 2018-12-20 2018-12-20 Bestimmung der Orientierung von Objekten mit Radar und anderer elektromagnetischer Abfragestrahlung
DE102018222672.5 2018-12-20

Publications (1)

Publication Number Publication Date
WO2020127245A1 true WO2020127245A1 (de) 2020-06-25

Family

ID=69061336

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/085622 WO2020127245A1 (de) 2018-12-20 2019-12-17 Bestimmung der orientierung von objekten mittels radar oder durch die verwendung von elektromagnetischer abfragestrahlung

Country Status (5)

Country Link
US (1) US20220003860A1 (de)
JP (1) JP7337931B2 (de)
CN (1) CN113227832A (de)
DE (1) DE102018222672A1 (de)
WO (1) WO2020127245A1 (de)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4080239A1 (de) 2021-04-20 2022-10-26 Robert Bosch GmbH Messung der leistung von radar-, ultraschall- oder audioklassifikatoren
EP4080240A1 (de) 2021-04-21 2022-10-26 Robert Bosch GmbH Verbesserte auswertung von radar- oder lidardaten mit reduzierter klassifizierungsüberkonfidenz
EP4083859A1 (de) 2021-04-30 2022-11-02 Robert Bosch GmbH Verbessertes training von klassifikatoren und/oder regressoren auf unsicheren trainingsdaten
TWI831234B (zh) * 2022-06-06 2024-02-01 遠創智慧股份有限公司 偵測物體並進行分類之方法，及相關之系統

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8682821B2 (en) 2011-08-08 2014-03-25 Robert Bosch Gmbh Method for detection of movement of a specific type of object or animal based on radar signals
US20160084944A1 (en) * 2014-09-19 2016-03-24 GM Global Technology Operations LLC Radar target detection via multi-dimensional cluster of reflectors

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4824511B2 (ja) 2006-09-11 2011-11-30 本田技研工業株式会社 車両の走行安全装置
JP5120140B2 (ja) 2008-08-08 2013-01-16 トヨタ自動車株式会社 衝突推定装置及び衝突推定プログラム
JP2011018166A (ja) 2009-07-08 2011-01-27 Honda Motor Co Ltd 車両の走行安全装置
DE102012107445B8 (de) * 2012-08-14 2016-04-28 Jenoptik Robot Gmbh Verfahren zur Klassifizierung von fahrenden Fahrzeugen
CN102999762B (zh) * 2012-10-25 2016-01-20 西安电子科技大学 基于Freeman分解和谱聚类的极化SAR图像分类方法
JP6392152B2 (ja) * 2015-03-24 2018-09-19 パナソニック株式会社 レーダ装置および走行車両検知方法
CN107240263A (zh) * 2016-03-29 2017-10-10 西安思丹德信息技术有限公司 一种道路卡口车辆抓拍方法
US10203696B2 (en) * 2016-07-26 2019-02-12 Waymo Llc Determining drivability of objects for autonomous vehicles
DE102017207442A1 (de) * 2017-05-03 2018-11-08 Scania Cv Ab Verfahren und Vorrichtung zum Klassifizieren von Objekten im Umfeld eines Kraftfahrzeuges
CN108734208B (zh) * 2018-05-15 2020-12-25 重庆大学 基于多模态深度迁移学习机制的多源异构数据融合***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8682821B2 (en) 2011-08-08 2014-03-25 Robert Bosch Gmbh Method for detection of movement of a specific type of object or animal based on radar signals
US20160084944A1 (en) * 2014-09-19 2016-03-24 GM Global Technology Operations LLC Radar target detection via multi-dimensional cluster of reflectors

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ROOS FABIAN ET AL: "Estimation of the orientation of vehicles in high-resolution radar images", 2015 IEEE MTT-S INTERNATIONAL CONFERENCE ON MICROWAVES FOR INTELLIGENT MOBILITY (ICMIM), IEEE, 27 April 2015 (2015-04-27), pages 1 - 4, XP032783377, DOI: 10.1109/ICMIM.2015.7117949 *

Also Published As

Publication number Publication date
US20220003860A1 (en) 2022-01-06
CN113227832A (zh) 2021-08-06
DE102018222672A1 (de) 2020-06-25
JP2022513505A (ja) 2022-02-08
JP7337931B2 (ja) 2023-09-04

Similar Documents

Publication Publication Date Title
WO2020127245A1 (de) Bestimmung der orientierung von objekten mittels radar oder durch die verwendung von elektromagnetischer abfragestrahlung
DE102014223363B4 (de) Verfahren und Vorrichtung zur Lokalisation eines Kraftfahrzeugs in einer ortsfesten Referenzkarte
EP3540457A1 (de) Identifikation von objekten mittels radardaten
DE102015110446A1 (de) Fahrzeugradar mit Strahlanpassung
EP2046619B1 (de) Fahrerassistenzsystem
DE102016219455A1 (de) Kraftfahrzeug, Verfahren und aktive Infrastruktur zur Überprüfung einer Umfelderfassung eines Kraftfahrzeugs
DE102009006113A1 (de) Vorrichtung und Verfahren zur Sensorfusion mit dynamischen Objekten
DE102019115080A1 (de) Verfahren zum vereindeutigen mehrdeutiger erkennungen in sensorfusionssystemen
DE102010005290A1 (de) Vereinigungsmodul für mehrere Objekte für ein Kollisionsvorbereitungssystem
DE102019215903A1 (de) Verfahren und Vorrichtung zum Erzeugen von Trainingsdaten für ein Erkennungsmodell zum Erkennen von Objekten in Sensordaten eines Sensors insbesondere eines Fahrzeugs, Verfahren zum Trainieren und Verfahren zum Ansteuern
EP3151035A1 (de) Verfahren zum betrieb von radarsensoren in einem kraftfahrzeug und kraftfahrzeug
EP3511733A2 (de) Radarbasierte längs- und querregelung
DE102022111798A1 (de) Verknüpfung von wahrgenommenen und kartierten fahrbahnrändern zur lokalisierung
DE102022109017A1 (de) Modell zur risikobewertung der kollisionsminderung an kreuzungen
DE102017123982A1 (de) Fahrerassistenzsystem zur Bestimmung einer Entfernung zwischen zwei Fahrzeugen mit einer Kamera
WO2019162317A1 (de) Verfahren zur erzeugung von sensordaten für sicherheitskritische automobil-steuergeräte
DE102019200849A1 (de) Verfahren zum Erfassen einer Bewegung eines Objekts
DE102018222800A1 (de) Ortung und/oder Klassifikation von Objekten aus Radardaten mit verbesserter Verlässlichkeit bei unterschiedlichen Entfernungen
DE102020215773A1 (de) Verfahren und Vorrichtung zum Erkennen von Objekten in Sensordaten einer Ultraschallsensorik eines Fahrzeugs
DE102020214596A1 (de) Verfahren zum Erzeugen von Trainingsdaten für ein Erkennungsmodell zum Erkennen von Objekten in Sensordaten einer Umfeldsensorik eines Fahrzeugs, Verfahren zum Erzeugen eines solchen Erkennungsmodells und Verfahren zum Ansteuern einer Aktorik eines Fahrzeugs
DE102017205245A1 (de) Freibereichsfusion für Fahrerassistenzsysteme
EP3663881B1 (de) Verfahren zur steuerung eines autonomen fahrzeugs auf der grundlage von geschätzten bewegungsvektoren
DE102020106680A1 (de) System und verfahren zum steuern des betriebs einer vorrichtung mit einem lenkbaren optischen sensor und einer lenkbaren radareinheit
DE102007058241B4 (de) Auswerteverfahren, insbesondere für ein Fahrerassistenzsystem eines Kraftfahrzeugs, zur Objektdetektion mittels eines Radarsensors
DE102019201892A1 (de) Verfahren zum Erkennen einer Bewegung eines Objekts

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19829094

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021534963

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19829094

Country of ref document: EP

Kind code of ref document: A1