CN111868803B - 产生合成雷达信号 - Google Patents

产生合成雷达信号 Download PDF

Info

Publication number
CN111868803B
CN111868803B CN201980021067.4A CN201980021067A CN111868803B CN 111868803 B CN111868803 B CN 111868803B CN 201980021067 A CN201980021067 A CN 201980021067A CN 111868803 B CN111868803 B CN 111868803B
Authority
CN
China
Prior art keywords
radar signal
dimensional
generator
frequency representation
module
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
CN201980021067.4A
Other languages
English (en)
Other versions
CN111868803A (zh
Inventor
M·法伊弗
J·艾伯特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
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
Publication of CN111868803A publication Critical patent/CN111868803A/zh
Application granted granted Critical
Publication of CN111868803B publication Critical patent/CN111868803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G09EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09BEDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00Simulators for teaching or training purposes
    • G09B9/54Simulation of radar
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40Means for monitoring or calibrating
    • G01S7/4052Means for monitoring or calibrating by simulation of echoes
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41Details 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
    • G01S7/411Identification of targets based on measurements of radar reflectivity
    • G01S7/412Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/58Random or pseudo-random number generators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40Means for monitoring or calibrating
    • G01S7/4052Means for monitoring or calibrating by simulation of echoes
    • G01S7/406Means for monitoring or calibrating by simulation of echoes using internally generated reference signals, e.g. via delay line, via RF or IF signal injection or via integrated reference reflector or transponder

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种用于从利用物理雷达传感器(9)测量的一组雷达信号(10)中产生合成雷达信号(12)的二维或多维频率表示(13)的发生器(1),所述发生器包括随机发生器(2)和第一KI模块(3),所述第一KI模块从随机发生器(2)中获得随机值(21)的向量或张量作为输入,并且将每个这样的向量或每个这样的张量通过内部处理链(4)映射到合成雷达信号(12)的二维或多维频率表示(13),其中利用多个参数(41a‑41c)对第一KI模块(3)的内部处理链(4)进行参数化,并且其中这些参数(41a‑41c)被设置为使得雷达信号(10;12)的二维或多维频率表示(11;3)和/或至少一个从该频率表示(11;13)中导出的特征参量(14)对于合成雷达信号(12)基本上具有与对于所测量的雷达信号(10)相同的分布。用于制造发生器(1)的方法(100)、用于在车辆(7)的环境(71)中识别对象(72a,72b)和/或无特定类型的对象(72a,72b)的空间的方法(200)以及用于优化用于雷达传感器(73)的至少一个安装参数(73a)或运行参数(73b)的方法(300)。所属的计算机程序。

Description

产生合成雷达信号
技术领域
本发明涉及产生合成雷达信号,所述合成雷达信号尤其可以用作训练数据用于借助于机器学习在雷达信号中进行对象识别。
背景技术
为了车辆能够至少部分自动化地在街道交通中运动,需要检测车辆的环境,并且如果即将发生与车辆环境中的对象碰撞,则引入对策。环境代表的创建和定位(Lokalisierung)对于安全的自动化驾驶也是必要的。
借助于雷达检测对象与光照情况无关,并且例如即使在夜间在较大的距离上也是可能的,而不通过远光使迎面车流目眩。此外,对象的距离和速度直接从雷达数据中得知。这些信息对于评价是否可能发生与对象的碰撞是重要的。然而,不能直接从雷达信号中识别它是哪种类型的对象。当前,这种识别通过从数字信号处理中计算属性来解决。
US 8,682,821 B2公开借助于机器学习如下对雷达信号进行分类,即所述雷达信号是否源自于特定对象或非人类动物的运动。可以使用该知识用于在鉴于人类侵入者对区域进行监控时避免错误警报,或者也用于在至少部分自动化地驾驶时选择正确的动作用以避免碰撞。
发明内容
在本发明的范围中,开发了一种用于从利用物理雷达传感器测量的一组雷达信号中产生合成雷达信号的二维或多维频率表示的发生器。所述发生器包括随机发生器和第一KI模块,所述第一KI模块从随机发生器中获得随机值的向量或张量作为输入,并且将每个这样的向量或每个这样的张量通过内部处理链映射到合成雷达信号的二维或多维频率表示。
二维或多维频率表示可以包括时间频率空间中的表示和/或空间频率空间中的表示。可以例如通过快速傅立叶变换(FFT)获得频率表示,所述快速傅立叶变换使用复指数函数作为基本函数。但是,也可以使用具有其他基本函数的变换,例如具有分别仅在本地(lokal)解释的基本函数的小波变换。
利用多个参数对第一KI模块的内部处理链进行参数化。这些参数被设置为使得雷达信号的二维或多维频率表示和/或从该频率表示中导出的至少一个特征参量对于合成雷达信号基本上具有与对于所测量的雷达信号相同的分布。
就此而言,关于术语“频率表示的分布”应该注释的是,在所有可能频率表示的多维空间中解释这种分布。如果例如二维频率表示具有格式200x200像素,则该空间具有40,000维。
已经认识到,恰好在借助于机器学习从雷达信号中识别对象情况下必要的学习数据是短缺资源。用于从摄像机图像中识别对象的学习数据通常包括学习摄像机图像,所述学习摄像机图像已被人类如下评论(kommentieren)(标记):即在所述学习摄像机图像中在什么位置包含哪些对象。对象的视觉识别对于人类来说恰好是特别直观的,使得对用于评论摄像机图像的助力(Hilfskräfte)的要求比较低。而从雷达信号中识别对象需要专业知识。此外,同一对象生成的雷达信号也取决于所使用的天线和传感器的特性,例如取决于传感器的调制模式或取决于传感器在车辆处在何处以及如何安装。可以通过多径传播来改变信号,例如其方式是在不同的表面(例如,行车道、护栏和/或墙壁)处多次反射了该信号。最后,雷达信号也与材料有关。一些材料以与材料和形状有关的不同的反向散射系数反射雷达波,而其他材料被雷达波穿透,这于是又可能导致原本隐藏的对象突然出现在雷达信号中。
因此,从而与用于从摄像机图像中进行对象识别相比,一方面更难以获得用于从雷达信号中进行对象识别的学习数据,并且另一方面也需要更多的学习数据。
可以通过发生器减轻这种短缺。通过第一KI模块的参数被设置为使得从物理测量的雷达信号中可以看出的分布以合成雷达信号来代表,并且通过附加地每个所生成的雷达信号在实在难以与真实雷达信号区分开的意义上切合实际地起作用,可以产生任意多个切合实际地起作用的雷达信号,而为此不需要评论原始的物理测量的雷达信号。因此例如传感器制造商和OEM在行驶试验时利用雷达传感器为了对象识别而常规性地执行的测量可以作为数据库被二次使用(zweitverwertet)。
特征参量可以是从雷达信号的二维或多维频率表示中导出的任意参量。如果该特征参量例如在由物理雷达传感器测量的雷达信号之间变化,则所述特征参量通过在此情况下得出的分布使这些雷达信号相关联。例如,特征参量可以包括反射点,给所述反射点分配相对于物理雷达传感器的仰角、反向散射系数、速度、方位角和/或距离。于是可以在与相同的或至少一个相似的场景有关的这样的雷达信号上构成特征参量的一致分布。
可以由发生器本身学习内部处理链的参数。为此,发生器仅需要如下无论如何造成(geartetes)的反馈:当前参数在何种程度上引向(auf…führen)频率表示的或与所测量的雷达信号相配的特征参量的分布。
在一种特别有利的构型中,第一KI模块获得至少一个边界条件作为输入。内部处理链的参数被设置为使得二维或多维频率表示和/或特征参量对于合成雷达信号基本上具有与对于满足边界条件的那些所测量的雷达信号相同的分布。
例如,利用这种扩展,可以将对于所测量的雷达信号存在的评论转移到发生器中。边界条件例如可以在于:根据现有评论将所测量的雷达信号分配给特定类别。于是可以对于每个类别单独地产生任意多个合成雷达信号,所述合成雷达信号补充所测量的和同时所评论的雷达信号的原始库存。从而可以创造用于基于雷达信号的对象识别的监控式学习的足够大数据库。
但是,例如也可以使用边界条件,用以以辅助方式根据存在的所测量的雷达信号对于不存在测量的情形估计雷达信号。因此例如,原始的测量组可以包含响应于在特定角度下入射到对象上的雷达波而从特定对象已获得的雷达信号。边界条件例如可以在于,角度采用中间值。于是可以说(gleichsam)发生器内插对于角度的该中间值得出的雷达信号。
例如,也可以有针对性地对于所谓的极端情况产生合成雷达信号,所述极端情况在现实中很少发生,但是对于对象识别特别重要。这些极端情况可能例如涉及特别危险并且其中因此需要用于至少部分自动化驾驶的系统或驾驶辅助系统的完美功能的情形。
在此,为了锚定(Verankerung)合成雷达信号,在现实中不需要物理场景的3D模型,而是特征参量的分布与所测量的雷达信号相配就足够了。同样,与在射线追踪(Ray-Tracing)模拟情况下不同,不需要关于雷达传感器、其安置位置、材料、形状和要识别的对象的反向散射系数或多径传播的详细知识。
此外可以使用边界条件,用以利用另一传感器的输出、例如利用摄像机、激光雷达传感器、其他雷达传感器或超声波传感器阵列的输出来过滤(filtern)雷达信号。
在一个特别有利的构型中,第一KI模块包括人工神经网络,其内部处理链具有至少一个全网络化层和/或至少一个卷积层。人工神经网络的主要长处是所述人工神经网络可以消除在输入和输出之间的维数方面的非常大的差异。具有随机值的向量或张量可以例如包含大约(in der Größenordnung)100个元素,而具有256x256像素的二维频率表示已经具有是650倍的维数。
随机发生器有利地是物理随机发生器,所述物理随机发生器从至少一个器件的热或电子噪声中和/或从不稳定同位素的放射性衰变的时间序列中产生随机值。以这种方式避免伪随机发生器的伪影(Artefakte)与由发生器产生的合成雷达信号叠加。
本发明还涉及由利用发生器已制造的合成雷达信号的多个二维或多维频率表示组成的数据组。例如,该数据组(Datensatz)可以直接被用作用于对象识别的监控式学习的训练数据,并且就此而论是具有客户利益(Kundennutzen)的可独立销售的产品。发生器越好地工作,就越难以将由该发生器产生的合成雷达信号本身(per se)与物理测量的雷达信号区分开。但是,如果一方面给出雷达信号的二维或多维频率表示,而另一方面给出发生器,则可以确定针对通过该发生器产生了雷达信号的至少一个概率。
本发明还涉及一种用于制造发生器的方法。在这种方法情况下,将所测量的雷达信号的二维或多维频率表示与合成雷达信号的由发生器产生的二维或多维频率表示联合在池中。利用分类器对池中包含的二维或多维频率表示如下进行分类:所述二维或多维频率表示是属于所测量的雷达信号还是属于合成雷达信号。鉴于分类器的尽可能差的分类品质对发生器中的KI模块的处理链的参数进行优化。
因此,分类器的分类品质用作用于学习发生器中的第一KI模块的内部处理链中的参数的反馈。该反馈可以例如是分类器的误差信号,或者例如也可以是在分类器中生成的置信度度量(Konfidenzmaß)。尤其是,分类器和发生器可以被交替地训练并且因此可以说可以用作相互的陪练伙伴。
例如,发生器中的KI模块首先可以利用用于参数的标准值或随机值来初始化。如果现在将来自随机发生器的随机值提交给KI模块的输入端,则所生成的合成雷达信号以高概率与所测量的雷达信号没有很大关系。与此相应地,分类器将能够从二维或多维频率表示的池中以大的置信度将属于合成雷达信号的频率表示与属于所测量的雷达信号的频率表示区分开。在KI模块的处理链中越多地优化参数,对于分类器而言该区分就变得越困难。这可以表现为:在更大数量的情况下分类是不正确的和/或进行分类所利用的置信度降低。
分类器可以是任何结构类型的。例如,所述分类器可以是静态分类器,该静态分类器通过检验特定特征或者也利用统计方法将二维或多维频率表示分类为测量的或合成生成的。如果为发生器预给定了边界条件,则也对于分类器预给定相同的边界条件。
在一个特别有利的构型中,选择第二KI模块作为分类器。该第二KI模块具有另外的内部处理链,该另外的内部处理链利用多个参数被参数化。这些参数鉴于分类器的尽可能好的分类品质被优化。
于是例如可以同时或者也可以交替地训练两个KI模块。以这种方式,在第一KI模块和第二KI模块之间触发类型竞赛。第一KI模块不断地如下学习:即“伪造”切合实际的雷达信号,而第二KI模块如下学习:即识别“伪造”。最后,竞争导致:所获得的合成雷达信号几乎精确地模仿原始的物理测量的雷达信号,并且可以与这些雷达信号一起被用作用于对象识别的监控式学习的学习数据。
本发明还涉及一种用于在车辆的环境中识别对象和/或无预给定类型的对象的空间的方法。该车辆具有至少一个用于检测环境的至少一部分的雷达传感器。通过雷达传感器检测的雷达信号的二维或多维频率表示由第三KI模块如下分类:即在车辆的环境中存在哪些对象。第三KI模块利用已经至少部分地利用根据本发明的发生器产生的训练数据得以训练或被训练。训练数据尤其可以部分地来自物理测量并且部分地来自发生器。
以这种方式,在识别对象时可以使用雷达技术的开头所提到的优点,而这不强制性地用以下来换取:与纯光学对象识别相比,明显更难以获得用于训练对象识别的学习数据。通过发生器可以将相对小的物理测量的雷达信号组丰富到为构建可靠的对象识别所需要的量。
有利地,为了避免在所述车辆和对象之间碰撞的目的和/或为了适配所述车辆的速度和/或轨迹的目的,响应于对至少一个对象和/或无特定类型的对象的空间的识别,对所述车辆的对于所述车辆的驾驶员可感知的物理警告装置、驱动系统、转向系统和/或制动系统进行操控。这些目的是根本地力求对象识别的主要原因。
如先前所阐述的,对发生器预给定边界条件也使得能够从给定的所测量的场景组到还不存在测量的场景的内插或外推(Extrapolation)。这不仅可以用于在物理测量之后对雷达信号进行评估,而且用于改善物理测量本身。与是纯被动传感器的摄像机不同地,雷达传感器是主动传感器,即由传感器本身辐射的雷达波用作测量信号。因此,雷达传感器的安装参数和运行参数对所获得的雷达信号在何种程度上适合于最终的对象识别有显著的影响。
因此,本发明还涉及一种用于优化用于雷达传感器的至少一个安装参数或运行参数用以在车辆的环境中识别对象和/或无特定类型的对象(72a,72b)的空间的方法。在所述方法情况下,对于所述安装参数或运行参数的不同值,分别利用根据本发明的发生器产生和/或从先前由这样的发生器产生的数据组调用合成雷达信号的至少一个二维或多维频率表示。在所述合成雷达信号的二维或多维频率表示中对象的识别利用品质度量来评价。如下改变所述安装参数或运行参数,使得所述品质度量采用极限值。
发明人已经认识到,在可靠的对象识别的最终目的方面有利的是不仅考虑对所记录的雷达信号的分析,而且考虑物理数据记录本身,在所记录的物理雷达信号中不再能够识别的信息也不再能够通过仍如此好的分析被评估。例如,当传感器的测量范围由于对比度特别强的对象而如此不敏感地出现,使得对比度弱的人类沉没在噪声中时,可能发生这样的情况。如果从整体上考虑并且优化物理数据记录和后续分析,则可以从而更进一步地改善最终获得的对象识别。
在此,经由品质度量尤其使得能够为特定的对象设置对象识别,并且在目标冲突时设置优先级。没有任何一组安装参数或运行参数可能对于所有可能发生的事是完美的。例如,对行人、骑自行车者或其他较弱的交通参与者的可靠识别可能相比于对混凝土系缆柱的识别具有优先地位。如果对较弱交通参与者的改善的识别现在具有最高优先级,则可能出现以下情况:即这仅以有损于其他方面的方式才是可能的,例如以未识别到一些混凝土系缆柱为代价。
尽管所述发生器和所述方法分别利用硬件,并且有针对性地使用相应优化的硬件分别是有利的,但是也从而存在发生器和方法的使用已经存在的硬件就足够的有效实施方式。因此,提供根据本发明的功能可以全部或部分地以软件实现,所述软件以不同方式操控硬件。该软件可以例如作为对现有硬件的更新或升级被销售,并且就此而言是独立产品。因此,本发明还涉及一种具有机器可读指令的计算机程序,当所述机器可读指令在计算机上和/或在控制设备上被实施时,所述机器可读指令将计算机和/或控制设备升值为根据本发明的发生器,和/或促使所述计算机和/或控制设备实施根据本发明的方法。同样,本发明还涉及具有计算机程序的下载产品或机器可读数据载体。
下面与根据图对本发明的优选实施例的描述一起更详细地示出对本发明进行改善的其他措施。
附图说明
图1示出发生器1的实施例;
图2示出用于制造的方法100的实施例;
图3示出用于识别对象的方法200的实施例;
图4示出用于优化的方法300的实施例。
具体实施方式
按照图1,发生器1包括随机发生器2和具有内部处理链4的KI模块3。随机发生器2将随机值21作为输入馈送到KI模块3中,所述KI模块接着在考虑同样所输入的边界条件31的情况下产生二维或多维频率表示13。这些二维或多维频率表示13对应于合成雷达信号12。
KI模块3包含神经网络,其内部处理链4具有两个卷积层42a和42b、两个全网络化层(vollvernetzte Schichten)43a和43b以及一个上采样(Upsampling)层44。内部处理链4利用多个参数41a-41c被参数化。然而,其他架构也是可能的,所述其他架构例如包括仅一个卷积层42a、42b并且不包括全网络化层43a、43b,或者包括仅一个全网络化层43a、43b并且不包括卷积层42a、42b,并且其中缺少上采样层44。
可以从由发生器1产生的二维或多维频率表示13中导出特征参量14。也可以从由物理雷达传感器9测量的雷达信号10的二维或多维频率表示11中导出模拟(analoge)特征参量14,其中这里也选择与预给定的边界条件31相配的那些频率表示11。
发生器1的KI模块3中的内部处理链4的参数41a-41c被设置为使得二维或多维频率表示11、13和/或特征参量14对于合成雷达信号12基本上具有与对于所测量的雷达信号10相同的分布。
利用发生器1产生的多个二维或多维频率表示13被汇总在数据组13a中。例如,利用该数据组13a可以增大用于基于雷达信号的对象识别的监控式学习的数据库。
图2示出用于制造发生器1的方法100的实施例。该方法100的主要目的是获取用于发生器1中的KI模块3的内部处理链4的参数41a-41c。
类似于图1,由发生器1在考虑边界条件31的情况下产生合成雷达信号12的二维或多维频率表示13。在该方法100的步骤110中,将这些二维或多维频率表示与物理测量的雷达信号10的二维或多维频率表示11一起聚集在池(Pool)15中,所述物理测量的雷达信号的二维或多维频率表示11与相同的边界条件31相配。
在该方法100的步骤120中,包含在池15中的二维或多维频率表示11、13由分类器5如下分类:所述二维或多维频率表示是属于所测量的雷达信号10还是属于合成雷达信号12。对于所述分类,可以说明分类品质5a,所述分类品质可以包含例如分类的正确性和/或置信度。
现在在该方法100的步骤130中,鉴于分类器5的尽可能差的分类品质5a对发生器1的KI模块3中的内部处理链4的参数41a-41c进行优化。
在此,分类器5原则上可以是静态分类器,所述静态分类器不进一步学习(dazulernen)。然而,在图2中所示的实施例中,分类器5被构造为第二KI模块,并且具有另外的内部处理链6,该另外的内部处理链6利用多个参数61a-61c被参数化。在该方法100的步骤140中,鉴于分类器5的尽可能好的分类品质5a对这些参数61a-61c进行优化。
例如,步骤130和140可以同时而或者也可以交替地被实施。
图3示出用于在车辆7的环境71中识别对象72a、72b和/或无特定类型的对象72a、72b的空间的方法200的实施例。使用雷达传感器73作为用于识别的数据源,所述雷达传感器将所测量的雷达信号的二维或多维频率表示11提供给第三KI模块74。该KI模块74已经利用训练数据74a得以训练,所述训练数据74a包括由发生器1产生的数据组13a。除了数据组13a之外,训练数据74a尤其还可以包括物理测量,使得数据组13a最终对物理测量进行补充。KI模块74也只有在该方法200的步骤210中才能相应地被训练。
在该方法200的步骤220中,KI模块74如下对二维或多维频率表示11分类,即哪些对象72a、72b存在于车辆7的所检测的环境71中。在图3中,作为示例性对象绘出了行人72a和混凝土系缆柱72b。
在该方法200的步骤230中,使用分类的结果,用以为了避免与所识别的对象72a、72b碰撞的目的和/或为了适配车辆7的速度和/或轨迹(Trajektorie)的目的而操控车辆7的用于车辆7的驾驶员的警告装置75a、驱动系统75b、转向系统75c和/或制动系统75d。例如,可以将速度调节到额定值和/或驾驶助理(Fahrassistent)可以选择车道(Fahrspur)。除了雷达信号之外,对于这些任务也还可以考虑其他传感器、诸如摄像机、激光雷达或超声波的附加信息。
通过雷达传感器73的物理数据记录(Datenaufnahme)尤其受安装参数73a、在这里例如雷达传感器73a的安装位置以及运行参数73b、在这里例如所发出的雷达波的波长λ影响。因此,安装参数73a和运行参数73b是可以被优化用以改善对象识别或诸如车道引导(Spurführung)之类的其他应用的最终结果的其他自由度。
图4概述用于该优化的方法300的实施例。根据安装参数73a和/或运行参数73b的值,在该方法300的步骤310a中利用发生器1产生合成雷达信号12的二维或多维频率表示,和/或在该方法300的步骤310b中从先前由发生器1产生的数据组13a中调用这样的二维或多维频率表示13。
利用在实际使用时也应该在车辆7中使用的第三KI模块74,如下对二维或多维频率表示13进行分类:即在这一方面可以识别哪些对象72a、72b。在该方法300的步骤320中利用品质度量(Gütemaß)来评价对象72a、72b的这种识别。在该方法300的步骤340中检验:该品质度量是否如所期望的那样采用极限值。如果这是这种情况(真值1),则认为安装参数73a或运行参数73b的所测试的值是最佳的。而如果不采用期望的极限值(真值0),则在该方法300的步骤330中改变安装参数73a或运行参数73b,以便更近地接近所期望的极限值或在下一过程时达到该所期望的极限值。

Claims (10)

1.一种用于从利用物理雷达传感器(9)测量的一组雷达信号(10)中产生合成雷达信号(12)的二维或多维频率表示(13)的发生器(1),所述发生器包括随机发生器(2)和第一人工智能KI模块(3),所述第一人工智能KI模块从所述随机发生器(2)中获得随机值(21)的向量或张量作为输入,并且通过内部处理链(4)将每个这样的向量或每个这样的张量映射到合成雷达信号(12)的二维或多维频率表示(13),其中利用多个参数(41a-41c)对所述第一人工智能KI模块(3)的内部处理链(4)进行参数化,并且其中这些参数(41a-41c)被设置为使得所述雷达信号(10;12)的二维或多维频率表示(11;13)和/或从所述频率表示(11;13)中导出的至少一个特征参量(14)对于所述合成雷达信号(12)基本上具有与对于所测量的雷达信号(10)相同的分布。
2.根据权利要求1所述的发生器(1),其中所述特征参量(14)包括反射点,给所述反射点分配相对于所述物理雷达传感器(9)的仰角、反向散射系数、速度、方位角或距离。
3.根据权利要求1至2中任一项所述的发生器(1),其中所述第一人工智能KI模块(3)此外获得至少一个边界条件(31)作为输入,并且其中所述内部处理链(4)的参数(41a-41c)被设置为使得所述二维或多维频率表示(11;13)和/或所述特征参量(14)对于所述合成雷达信号(12)基本上具有与对于满足所述边界条件(31)的那些所测量的雷达信号(10)相同的分布。
4.根据权利要求1至2中任一项所述的发生器(1),其中所述第一人工智能KI模块(3)包括人工神经网络,所述人工神经网络的内部处理链(4)具有至少一个卷积层(42a,42b)和/或至少一个全网络化层(43a,43b)。
5.一种用于制造根据权利要求1至4中任一项所述的发生器(1)的方法(100),其中将所测量的雷达信号(10)的二维或多维频率表示(11)与所述合成雷达信号(12)的由所述发生器(1)产生的二维或多维频率表示(13)联合(110)在池(15)中,其中利用分类器(5)如下对在所述池(15)中包含的二维或多维频率表示(11,13)进行分类(120):所述二维或多维频率表示是属于所测量的雷达信号(10)还是属于合成雷达信号(12),其中鉴于所述分类器(5)的尽可能差的分类品质(5a)优化(130)所述发生器(1)中的人工智能KI模块(3)的处理链(4)的参数(41a-41c)。
6.根据权利要求5所述的方法(100),其中选择第二人工智能KI模块作为分类器(5),其中所述第二人工智能KI模块具有另外的内部处理链(6),所述另外的内部处理链利用多个参数(61a-61c)被参数化,其中鉴于所述分类器(5)的尽可能好的分类品质(5a)优化(140)所述参数(61a-61c)。
7.一种用于优化用于雷达传感器(73)的至少一个安装参数(73a)或运行参数(73b)的方法(300),用以在车辆(7)的环境(71)中识别对象(72a,72b)和/或无特定类型的对象(72a,72b)的空间,其中对于所述安装参数(73a)或运行参数(73b)的不同值,分别利用根据权利要求1至4中任一项所述的发生器(1)产生(310a)合成雷达信号(12)的至少一个二维或多维频率表示(13),和/或从包括所述合成雷达信号(12)的至少一个二维或多维频率表示(13)的数据组(13a)中调用(310b)所述合成雷达信号(12)的至少一个二维或多维频率表示(13),其中在所述合成雷达信号(12)的二维或多维频率表示(13)中,对象(72a,72b)的识别利用品质度量来评价(320),并且其中如下改变(330)所述安装参数(73a)或运行参数(73b):所述品质度量采用(340)极限值。
8.一种用于借助于根据权利要求1至4中任一项所述的发生器(1)从利用物理雷达传感器(9)测量的一组雷达信号(10)中产生合成雷达信号(12)的二维或多维频率表示(13)的方法,
其中所述发生器(1)的第一人工智能KI模块(3)从所述随机发生器(2)中获得随机值(21)的向量或张量作为输入,并且其中通过内部处理链(4)将每个这样的向量或每个这样的张量映射到合成雷达信号(12)的二维或多维频率表示(13),其中利用多个参数(41a-41c)对所述第一人工智能KI模块(3)的内部处理链(4)进行参数化,并且其中这些参数(41a-41c)被设置为使得所述雷达信号(10;12)的二维或多维频率表示(11;13)和/或从所述频率表示(11;13)中导出的至少一个特征参量(14)对于所述合成雷达信号(12)基本上具有与对于所测量的雷达信号(10)相同的分布。
9.根据权利要求8所述的用于产生二维或多维频率表示(13)的方法,其中所述第一人工智能KI模块(3)附加地获得至少一个边界条件(31)作为输入,并且其中所述内部处理链(4)的参数(41a-41c)被设置为使得所述二维或多维频率表示(11;13)和/或所述特征参量(14)对于所述合成雷达信号(12)基本上具有与对于满足所述边界条件(31)的那些所测量的雷达信号(10)相同的分布。
10.一种机器可读存储元件,其上存储有计算机程序,所述计算机程序包含机器可读指令,当所述机器可读指令在计算机上和/或在控制设备上被实施时,所述机器可读指令促使所述计算机和/或所述控制设备实施根据权利要求5至9中任一项所述的方法。
CN201980021067.4A 2018-03-23 2019-03-18 产生合成雷达信号 Active CN111868803B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102018204494.5 2018-03-23
DE102018204494.5A DE102018204494B3 (de) 2018-03-23 2018-03-23 Erzeugung synthetischer Radarsignale
PCT/EP2019/056712 WO2019179946A1 (de) 2018-03-23 2019-03-18 Erzeugung synthetischer radarsignale

Publications (2)

Publication Number Publication Date
CN111868803A CN111868803A (zh) 2020-10-30
CN111868803B true CN111868803B (zh) 2022-11-08

Family

ID=65861277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980021067.4A Active CN111868803B (zh) 2018-03-23 2019-03-18 产生合成雷达信号

Country Status (4)

Country Link
US (1) US11867831B2 (zh)
CN (1) CN111868803B (zh)
DE (1) DE102018204494B3 (zh)
WO (1) WO2019179946A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019216927A1 (de) * 2019-11-04 2021-05-06 Robert Bosch Gmbh Synthetische Erzeugung von Radar-, LIDAR- und Ultraschallmessdaten
DE102019220069A1 (de) 2019-12-18 2021-06-24 Robert Bosch Gmbh Verlässlichere Klassifikation von Radardaten aus dynamischen Szenerien
DE102020210711A1 (de) 2020-08-24 2022-02-24 Robert Bosch Gesellschaft mit beschränkter Haftung Training eines Generators zur Erzeugung realistischer Bilder mit einem semantisch segmentierenden Diskriminator
DE102020210710A1 (de) 2020-08-24 2022-02-24 Robert Bosch Gesellschaft mit beschränkter Haftung Trainingsverfahren für einen Generator zur Erzeugung realistischer Bilder
DE102020210712A1 (de) 2020-08-24 2022-02-24 Robert Bosch Gesellschaft mit beschränkter Haftung Erzeugung realistischer Bilder aus vorgegebenen semantischen Karten
DE102020210887B3 (de) 2020-08-28 2021-12-09 Robert Bosch Gesellschaft mit beschränkter Haftung Vermehrung und Verarbeitung von Radardaten mit Machine Learning
DE102020211475A1 (de) 2020-09-14 2022-03-17 Robert Bosch Gesellschaft mit beschränkter Haftung Kaskadierte Cluster-Generator-Netze zum Erzeugen synthetischer Bilder
DE102020212366A1 (de) 2020-09-30 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Transformieren von Messdaten zwischen verschiedenen Konfigurationen von Messsystemen
EP3979130A1 (en) 2020-09-30 2022-04-06 Robert Bosch GmbH Generator networks for generating images with predetermined counts of objects
DE102020215698A1 (de) 2020-12-11 2022-06-15 Robert Bosch Gesellschaft mit beschränkter Haftung Synthetische Erzeugung von Bildern mit gegebenem semantischen Inhalt
DE102020216264A1 (de) 2020-12-18 2022-06-23 Robert Bosch Gesellschaft mit beschränkter Haftung Erzeugen realistischer Bilder mit größerer Variabilität
DE102021200615A1 (de) 2021-01-25 2022-07-28 Robert Bosch Gesellschaft mit beschränkter Haftung Training für Objektdetektoren mit verbesserter Ausnutzung des vorhandenen Vorwissens
DE102021200614A1 (de) 2021-01-25 2022-07-28 Robert Bosch Gesellschaft mit beschränkter Haftung Domänenunabhängiges Training von Bildklassifikatoren
DE102021207151A1 (de) 2021-07-07 2023-01-12 Robert Bosch Gesellschaft mit beschränkter Haftung Bewertung von Generatoren zur Erzeugung realistischer Bilder
DE102021208726A1 (de) 2021-08-10 2023-02-16 Robert Bosch Gesellschaft mit beschränkter Haftung Training eines Generators für synthetische Messdaten mit augmentierten Trainingsdaten
DE102021208722A1 (de) 2021-08-10 2023-02-16 Robert Bosch Gesellschaft mit beschränkter Haftung Konfigurieren eines neuronalen Netzwerks auf äquivariantes oder invariantes Verhalten
DE102021208727A1 (de) 2021-08-10 2023-02-16 Robert Bosch Gesellschaft mit beschränkter Haftung Training eines Generators für synthetische Messdaten mit verbesserter Steuerung der Variabilität
DE102021208877A1 (de) 2021-08-12 2023-02-16 Robert Bosch Gesellschaft mit beschränkter Haftung Training von neuronalen Netzwerken auf Äquivarianz oder Invarianz gegen Änderungen des Eingabe-Bildes
DE102021214464B3 (de) 2021-12-15 2023-01-19 Robert Bosch Gesellschaft mit beschränkter Haftung Bewertung von Generatoren zur Erzeugung realistischer Bilder

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1482453A (zh) * 2003-07-11 2004-03-17 华东理工大学 一种基于模块化组合神经网络的机器嗅觉气味识别方法
KR20130099304A (ko) * 2012-02-29 2013-09-06 삼성탈레스 주식회사 차량용 레이더 시뮬레이터
CN106504190A (zh) * 2016-12-29 2017-03-15 浙江工商大学 一种基于3d卷积神经网络的立体视频生成方法
CN107003398A (zh) * 2015-10-22 2017-08-01 尤尼克塞克有限公司 针对机动车安全雷达系统的使用虚拟雷达特征信号的测试方法
CN107633303A (zh) * 2016-07-19 2018-01-26 福特全球技术公司 使用虚拟数据测试和训练停车位检测系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005119582A2 (en) 2004-06-01 2005-12-15 Siemens Medical Solutions Usa, Inc. Bayesian network frameworks for biomedical data mining
DE102004054466A1 (de) * 2004-11-11 2006-06-08 Robert Bosch Gmbh Radarsystem insbesondere zur Entfernungs- und/oder Geschwindigkeitsmessung
US7821870B2 (en) * 2005-08-19 2010-10-26 Mitsubishi Electric Research Laboratories Inc. Method and system for identifying moving objects using acoustic signals
CN101483014B (zh) * 2009-01-13 2010-08-18 上海海事大学 一种基于arm的航海雷达模拟器系统
CN101893710B (zh) * 2009-05-20 2012-11-21 中国科学院电子学研究所 一种非均匀分布的多基线合成孔径雷达三维成像方法
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
DE102014226127A1 (de) * 2014-12-16 2016-06-16 Robert Bosch Gmbh Radarsystem, verfahren zum erzeugen eines sendesignals für ein radarsystem und fahrzeug
EP3211445B1 (en) * 2016-02-29 2019-06-12 Nxp B.V. Radar system
US10592805B2 (en) * 2016-08-26 2020-03-17 Ford Global Technologies, Llc Physics modeling for radar and ultrasonic sensors
CN106959439B (zh) * 2017-05-26 2020-02-07 南通大学 汽车调频连续波雷达的强干扰抑制方法及系统
CN107784320B (zh) * 2017-09-27 2019-12-06 电子科技大学 基于卷积支持向量机的雷达一维距离像目标识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1482453A (zh) * 2003-07-11 2004-03-17 华东理工大学 一种基于模块化组合神经网络的机器嗅觉气味识别方法
KR20130099304A (ko) * 2012-02-29 2013-09-06 삼성탈레스 주식회사 차량용 레이더 시뮬레이터
CN107003398A (zh) * 2015-10-22 2017-08-01 尤尼克塞克有限公司 针对机动车安全雷达系统的使用虚拟雷达特征信号的测试方法
CN107633303A (zh) * 2016-07-19 2018-01-26 福特全球技术公司 使用虚拟数据测试和训练停车位检测系统
CN106504190A (zh) * 2016-12-29 2017-03-15 浙江工商大学 一种基于3d卷积神经网络的立体视频生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Virtual Drive: A Complete V2X Communication and Radar System Simulator for Optimization of Multiple Antenna Systems;Lars Reichardt 等;《Proceedings of the IEEE》;20110731;第99卷(第7期);第1295-1310页 *

Also Published As

Publication number Publication date
DE102018204494B3 (de) 2019-08-14
US11867831B2 (en) 2024-01-09
CN111868803A (zh) 2020-10-30
US20210088628A1 (en) 2021-03-25
WO2019179946A1 (de) 2019-09-26

Similar Documents

Publication Publication Date Title
CN111868803B (zh) 产生合成雷达信号
JP7090105B2 (ja) 珍しい事例の分類
JP7239703B2 (ja) 領域外コンテキストを用いたオブジェクト分類
US8812226B2 (en) Multiobject fusion module for collision preparation system
CN112444822A (zh) 合成激光雷达信号的产生
EP3796228A1 (en) Device and method for generating a counterfactual data sample for a neural network
US20180068206A1 (en) Object recognition and classification using multiple sensor modalities
CN112313665A (zh) 对物理测量数据的更逼真的仿真
US20220230418A1 (en) Computer-implemented method for training a computer vision model
US20240046614A1 (en) Computer-implemented method for generating reliability indications for computer vision
US20220309794A1 (en) Methods and electronic devices for detecting objects in surroundings of a self-driving car
CN111352111A (zh) 对象的定位和/或分类
US20210303879A1 (en) Method for evaluating sensor data, including expanded object recognition
EP3767543A1 (en) Device and method for operating a neural network
CN114595738A (zh) 为识别模型生成训练数据的方法和生成识别模型的方法
US20230260259A1 (en) Method and device for training a neural network
CN113156434A (zh) 根据雷达数据对仰角信息的重建
US20220262103A1 (en) Computer-implemented method for testing conformance between real and synthetic images for machine learning
CN115376107A (zh) 用于智能驾驶的目标检测的方法和装置
CN116964472A (zh) 用于借助于雷达传感器系统的反射信号来探测环境的至少一个对象的方法
Ngo A methodology for validation of a radar simulation for virtual testing of autonomous driving
CN114067552A (zh) 一种基于路侧激光雷达的行人过街轨迹追踪与预测方法
Dey et al. Machine learning based perception architecture design for semi-autonomous vehicles
US11912289B2 (en) Method and device for checking an AI-based information processing system used in the partially automated or fully automated control of a vehicle
CN113811894B (zh) 对车辆的驾驶功能的ki模块的监测

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant