CN113826027A - 用于依据多个传感器的信号来识别障碍物对象以及预测已知障碍物对象的位置的变化以及用于对为上述目的所使用的传感器信号进行压缩及解压缩的方法 - Google Patents

用于依据多个传感器的信号来识别障碍物对象以及预测已知障碍物对象的位置的变化以及用于对为上述目的所使用的传感器信号进行压缩及解压缩的方法 Download PDF

Info

Publication number
CN113826027A
CN113826027A CN202080035116.2A CN202080035116A CN113826027A CN 113826027 A CN113826027 A CN 113826027A CN 202080035116 A CN202080035116 A CN 202080035116A CN 113826027 A CN113826027 A CN 113826027A
Authority
CN
China
Prior art keywords
signal
feature vector
sensor
objects
data
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.)
Pending
Application number
CN202080035116.2A
Other languages
English (en)
Inventor
丹尼斯·克里斯
詹妮弗·杜丁
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.)
Elmers Semiconductor Europe
Elmos Semiconductor SE
Original Assignee
Elmers Semiconductor Europe
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 Elmers Semiconductor Europe filed Critical Elmers Semiconductor Europe
Publication of CN113826027A publication Critical patent/CN113826027A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
    • 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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/66—Sonar tracking 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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
    • 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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/87—Combinations of sonar systems
    • G01S15/876—Combination of several spaced transmitters or receivers of known location for determining the position of a transponder or a reflector
    • 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
    • G01S7/003—Transmission of data between radar, sonar or lidar systems and remote stations
    • 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
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/523—Details of pulse 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/523—Details of pulse systems
    • G01S7/526—Receivers
    • G01S7/53—Means for transforming coordinates or for evaluating data, e.g. using computers
    • G01S7/533—Data rate converters
    • 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
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/534—Details of non-pulse 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3082—Vector coding
    • 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
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • 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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/862—Combination of radar systems with sonar 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/66—Tracking systems using electromagnetic waves other than radio waves
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar 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
    • 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
    • G01S2013/9323—Alternative operation using light waves
    • 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
    • G01S2013/9324—Alternative operation using ultrasonic waves
    • 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
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/52001—Auxiliary means for detecting or identifying sonar signals or the like, e.g. sonar jamming signals

Abstract

本发明涉及用于运行超声传感器的方法、所属的传感器、向控制该超声传感器的计算机系统的数据传输和在该计算机系统中的所属的解压缩方法。该压缩方法包括如下步骤：检测超声转换器的超声接收信号；提供无信号的超声回波信号模型(610)；至少一次性地可选地多次重复地执行如下步骤：从超声接收信号(1)减去经重建的超声回波信号模型(610)并且形成残余信号(660)，执行用于识别残余信号(660)中的信号对象的方法；给超声回波信号模型(610)补充所识别出的信号对象(600至605)的经参数化的信号波形；以及如果残余信号的数值低于预先给定的阈值信号的数值，则结束对这些步骤的重复。然后，将所识别出的信号对象中的至少一部分以用于这些所识别出的信号对象的符号为形式传输给计算机系统并且在那里使用所识别出的信号对象的至少一部分。优选地，这些信号对象在计算机系统中被重建成经重建的超声回波信号模型。

Description

用于依据多个传感器的信号来识别障碍物对象以及预测已知 障碍物对象的位置的变化以及用于对为上述目的所使用的传 感器信号进行压缩及解压缩的方法
本专利申请要求2019年3月12日的德国专利申请10 2019 106 204.7的优先权，该德国专利申请的内容这里通过引用而属于本专利申请的主题。
技术领域
本发明涉及一种用于依据多个传感器的信号来识别障碍物对象以及预测已知的障碍物对象的位置的变化以及用于对为上述目的所使用的传感器信号进行压缩及解压缩、尤其是用于车辆的用于检测该车辆的环境的方法，如这例如在车辆的停车辅助方面所提供的那样。
本发明尤其涉及一种用于将在车辆中的用于例如停车辅助的超声传感器系统的数据传输给计算机系统(随后也称为控制器)的方法和一种相对应的装置。基本思想是识别测量信号中的可能重要的结构并且通过只传输这些被识别出的、可能重要的结构而不是传输该测量信号本身来对该测量信号进行压缩。在计算机系统中将测量信号重建成经重建的测量信号之后才真正识别对象、例如停车过程的障碍物，在该计算机系统中通常有多个超声传感器系统的多个这种被解压缩的测量信号汇集在一起。
背景技术
在车辆中的用于停车辅助的超声传感器系统越来越流行。在这种情况下，希望将超声传感器的真正的测量信号的越来越多的数据传输给中央计算机系统，在该中央计算机系统中，这些数据与其它超声传感器系统以及还有其它类型传感器系统、例如雷达系统的数据一起通过传感器融合来被加工和处理，用于创建所谓的周围环境或环境地图。因而，希望不是在超声传感器系统本身中进行对象识别，而是首先在计算机系统中通过恰好该传感器融合来进行对象识别，以便避免数据损失并且这样降低错误信息并且借此降低错误决策的概率并且因此降低事故的概率。但是，可用的传感器数据总线的传输带宽同时受限。应该避免更换这些传感器数据总线，因为这些传感器数据总线已经在现场经过考验。因而，同时希望不使所要传输的数据量增加。简而言之：数据的信息内容及其对于稍后在计算机系统中进行的障碍物识别(对象识别)的重要性必须被提高，而不必过多地增加数据率，这还会更好，而根本不必增加数据率。恰恰相反：优选地甚至应该降低数据率需求，以便容许用于将超声传感器系统的状态数据和自测信息传送给计算机系统的数据率容量，这在功能安全(FuSi)的框架内是强制必需的。本发明致力于该问题。
在现有技术中，已知处理超声传感器信号的各种方法。
从WO-A-2012/016834例如公知这种用来评估用于车辆环境检测的回波信号的方法。在该文献中提出：发出具有可预先给定的编码和形式的测量信号并且在接收信号中借助于与测量信号的相关来搜索该测量信号在接收信号中的部分并且确定这些部分。接着，用阈值来评价该相关的水平而不是评价回波信号的包络线的水平。
从DE-A-4 433 957公知：为了进行障碍物识别，周期性地发射超声脉冲并且根据渡越时间来推断障碍物的位置，其中在该评价的情况下使时间上在多个测量周期内保持相关的回波增强，而抑制保持不相关的回波。
从DE-A-10 2012 015 967公知一种用于对从机动车的超声传感器接收的接收信号进行解码的方法，其中超声传感器的发送信号以经编码的方式被发出并且为了进行解码而将接收信号与参考信号相关，其中在将接收信号与参考信号相关之前确定接收信号相对于发送信号而言的频移，并且将该接收信号与作为参考信号的、关于该接收信号的频率被移动了所确定的频移的发送信号相关，其中为了确定接收信号的频移，对该接收信号进行傅里叶变换并且依据该傅里叶变换的结果来确定该频移。
从DE-A-10 2011 085 286公知一种用于借助于超声来检测车辆的周围环境的方法，其中发出超声脉冲并且探测在对象处被反射的超声回波。检测区域被划分成至少两个距离区域，其中用于在相应的距离区域内进行检测的超声脉冲彼此独立地被发出并且通过不同的频率被编码。
从WO-A-2014/108300公知一种用于借助于信号转换器和评估单元的环境传感装置的设备和方法，其中从环境中接收到的具有在测量周期期间的第一时间点的第一脉冲响应长度并且具有在同一测量周期之内的稍后的第二时间点的更长的第二脉冲响应长度的信号根据渡越时间来被过滤。
从DE-A-10 2015 104 934公知一种用于提供信息的方法，这些信息取决于在机动车的周围环境区域中所检测到的障碍物对象。在该公知方法中，利用机动车的传感装置来检测机动车的周围环境区域并且在机动车的通信接口上提供信息。在此，传感器原始数据作为关于在传感装置与在周围环境区域中检测到的障碍物对象之间识别出的自由空间的信息被存放在传感装置侧的控制单元中。按照该公知方法，这些传感器原始数据在与传感器装置侧的控制单元连接的通信接口上被提供，用于传输给构造用于创建周围环境区域地图的处理装置以及用于通过构造用于创建周围环境区域地图的处理装置来进一步处理。
上述专利权的技术教导都是以在超声传感器中已经借助于超声传感器来执行对车辆的环境中的对象的识别并且仅仅在识别出对象之后才传输对象数据的思想为指导的。然而，在这种情况下在使用多个超声传感器时的协同效应会消失。
从DE-A-10 2010 041 424公知一种用于利用多个传感器来检测车辆的环境的方法，其中由至少一个传感器在至少一个回波周期期间检测关于该环境的至少一个回波信息并且利用算法来对该至少一个回波信息进行压缩，而且其中将至少一个被压缩的回波信息传输给至少一个处理单元。虽然该公知方法也聚焦于对所识别出的对象数据的压缩传输，但是已经认识到：在不指定压缩方法的情况下将从所接收到的回波信号中提取的数据(回波信息)压缩地传输给控制器十分有意义。
从DE-A-10 2013 226 373公知一种用于传感器连接的方法。从DE-A-10 2013226376公知一种用于运行具有超声传感器并且具有控制器的传感器系统、尤其是超声传感器系统的方法。超声传感器将数据以电流调制的方式传输给控制器。控制器将数据以电压调制的方式传输给至少一个超声传感器。
从DE-A-10 024 959公知一种用于在用于测量物理量的测量单元与调节/评估单元之间单向或双向交换数据的设备，该调节/评估单元依据由测量单元提供的测量数据以预先给定的精度来确定该物理量。测量单元与调节/评估单元经由数据线来连接。应该优化测量单元与远程调节/评估单元之间的数据传输，为此设置至少一个压缩单元，该压缩单元被分配给测量单元并且该压缩单元对由测量单元在预先给定的周期内提供的测量数据进行压缩，使得一方面测量数据的信息内容完全或者以用预先给定的精度确定物理量的方式减少地经由数据线被传输给调节/评估单元，而另一方面所传输的数据量最小。从DE-A-102013 015 402公知一种用于运行机动车的传感装置的方法，其中借助于该传感装置的传感器、尤其是超声传感器来将发送信号发到机动车的周围环境区域中并且发送信号11的在周围环境区域7中在目标对象处被反射的信号成分作为回波原始信号12被接收。在该传感装置的传感器与控制器之间，经由数据总线来传输数据。借助于该传感装置，确定关于目标对象的测量参量。借助于传感器的转换器，将回波原始信号转换成数字回波原始信号，而且该数字回波原始信号由传感器经由数据总线传输给控制器，该控制器通过将该数字回波原始信号与对应于发送信号的参考信号相关来确定该测量参量。但是，在这种情况下并未提供在控制器中对数据的解压缩。
从US-A-2006/0250297公知一种用于传感器融合的系统。
从WO-A-2018/210966公知一种用于将数据经由车辆总线从超声系统高效地传输到数据处理装置的方法。然而，该公知方法并未涉及对象识别的实施。
在DE-B-10 2018 106 244和DE-A-10 2019 106 190(在本PCT申请的优先权日之后才公布)中公知用于将数据经由车辆总线从超声系统传输到数据处理装置的方法，但是并未描述如何进行障碍物对象识别。
发明内容
本发明尤其涉及用于压缩车辆的超声测量系统的尤其是传感器信号、然后将这些传感器信号从传感器传输给数据处理单元以及用于在该数据处理单元中对这样被传输的经压缩的传感器信号进行解压缩的不同方法。在此应强调：依据传感器信号的表征性的信号对象或信号波形特征来进行压缩，而并未依据这些表征性的信号对象或信号波形特征来识别或不可能会识别何种类型的障碍物对象位于车辆的环境中。更确切地说，按照将在更下文同样被描述的另一本发明提议，在数据处理单元本身中才识别物理障碍物对象，亦即依据多个传感器的经解压缩的传感器信号来进行该识别。
本发明的另一重点是在预测时间段的时长内预测所识别出的障碍物对象的变化。该措施的背景在于：在如今基于超声信号所检测到的车辆周围环境的情况下，存在死区时间，在所述死区时间内，无法执行测量，而是相反发出超声信号，这适用于超声换能器，在衰减阶段之后接收回波信号。尤其是当车辆的应被检查的周围环境也应该具有远程区域时，这些死区时间可能比较长，因为特别是必须使用经编码的超声信号，对这些超声信号的处理进而会更加时间紧迫。
因而，本发明所基于的任务在于提供一种解决方案，该解决方案解决了降低对用于将测量数据从超声传感器系统传输到计算机系统的总线带宽的需求的上述任务并且具有其它优点，以便满足上述其它任务设置。
按照本发明，该任务通过根据权利要求1至4、7、10和12中任一项所述的方法来被解决。本发明的各个设计方案是从属权利要求的主题。
为了解决该任务，按照本发明的第一变型方案，提出了一种用于将传感器信号从发送器传输到数据处理单元的方法，亦即尤其是用于在车辆中应用并且尤其是用于将超声传感器信号从超声传感器传输到数据处理单元，其中在该方法中，
-提供传感器S1,S2,S3,...,Sn的传感器信号，
-将描述该传感器信号的传感器信号数据经压缩地从传感器S1,S2,S3,...,Sn无线地或有线地传输到数据处理单元ECU，
-其中为了对描述该传感器信号的传感器信号数据进行压缩
-借助于特征提取FE从该传感器信号中来提取信号波形特性，
-从所提取的信号波形特性来形成总特征向量信号F1，
-给总特征向量信号F1的特征分配信号对象，其方式是
a)借助于人工神经信号对象识别网络NN0，针对每个特征都识别信号对象，
b)针对每个被识别出的信号对象，借助于多个人工神经单个重建网络NN1,NN2,...,NNn中的另一人工神经单个重建网络来产生经重建的单个特征向量信号R1,R2,Rn-1,Rn，
c)从总特征向量信号F1减去所有经重建的单个特征向量信号R1,R2,Rn-1,Rn之和，以形成特征向量残余信号F2，
d)只要特征向量残余信号F2小于预先给定的阈值信号，就结束将信号对象分配给总特征向量信号F1的特征，
e)否则为了识别其它潜在信号对象而将特征向量残余信号F2输送给神经信号对象识别网络NN0，
f)针对每个被识别出的其它潜在信号对象，借助于神经单个重建网络NN1,NN2,...,NNn之一，产生经重建的单个特征向量信号R1,R2,Rn-1,Rn，
g)从总特征向量信号F1减去所有这些在步骤f)中重建的单个特征向量信号R1,R2,Rn-1,Rn之和，以形成被更新的特征向量残余信号F2，
h)重复步骤e)至g)，直至相应被更新的特征向量残余信号F2小于预先给定的阈值信号，而且
i)结束将信号对象分配给总特征向量信号F1的特征，
-针对每个被识别出的信号对象，产生表示该信号对象的信号对象数据，而且
-将这些信号对象数据传输给数据处理单元ECU。
在按照该变型方案的本发明中，借助从传感器信号中的特征提取(FeatureExtraction)来对传感器信号数据进行压缩。依据信号波形特性，借助于该特征提取来形成总特征向量信号(Feature-Vektor-Signal)。即，该向量信号的特征对应于传感器信号的信号对象。在此，借助于人工神经总压缩网络针对该向量信号的每个特征来识别信号对象。该神经总压缩网络相对应地被训练并且产生一个或多个信号对象。这些信号对象有利地被存储在单个的存储器中并且借助于一组人工神经单个重建网络被重建成单个特征向量信号。在此，每个上述存储器都分配有神经单个重建网络。接着，从总特征向量信号减去所有重建的单个特征向量信号之和，使得保留总特征向量信号的残余信号。如果该特征向量残余信号小于预先给定的阈值信号，结束将信号对象分配给总特征向量信号的特征的过程。否则，上述过程被迭代地继续。
接着，在上述过程结束时产生信号对象数据，这些信号对象数据表示所识别出的信号对象。就数据量而言，该表示比在想要例如以采样值信号的形式传输传感器信号时小得多。接着，将就这方面来说被压缩的传感器信号数据有线地或无线地传输给数据处理单元。
识别信号对象的上述过程可以基于总特征向量信号的特征按照步骤a)至i)通过空间或时间复用来实现。
在是否存在某些信号波形特性方面，检查传感器信号，即在超声接收器或超声换能器的情况下检查已通过对声音超声接收信号的转换而形成的电信号。信号波形特性例如是信号电平从低于预先给定的阈值升高到高于该阈值(或者反过来)、局部或绝对最大值或者局部或绝对最小值。多个这样的在时间上紧挨着地连续的信号波形特性得到信号对象。信号波形特性通常存储为特征向量(英文：Feature Vector)的通过采样产生的参数值，该特征向量是通过特征提取(英文：Feature Extraction)来被获得的。现在，依据就其而言形成特征向量信号的特征向量的序列，可以将不同组的彼此相继的信号波形特性识别为信号对象，其中多个这样的信号对象在时间上彼此相继。在超声测量系统的情况下，这些信号对象对应于距超声测量系统有不同距离的不同的真实存在的障碍物对象。
在压缩描述传感器信号的传感器信号数据(传感器信号的采样值)的情况下，按照第一变型方案，由包括全部在时间上彼此相继的信号对象且随后称为总特征向量信号的特征向量信号来逐渐识别各个彼此相继的信号对象，并且针对每个被识别出的信号对象重建单个特征向量信号，该单个特征向量信号表示该被识别出的信号对象。现在，针对每个被识别出的信号对象，从总特征向量信号减去该单个特征向量信号，使得在有限次数的迭代之后，总特征向量信号的全部信号对象都被标识并且得到低于预先给定的阈的特征向量残余信号。
按照本发明的方法的一个变型方案，上述过程迭代地进行，其方式是从总特征向量信号借助于神经信号对象识别网络分别识别信号对象。该信号对象通常是关于在总特征向量信号中的相应的信息方面占主导的信号对象，该信号对象被存储在缓冲存储器中。在(通过被分配给该缓冲存储器的神经单个重建网络或者通过对于所有缓冲存储器来说共同的神经单个重建网络)逆变换成单个特征向量信号之后，接着从总特征向量信号减去该单个特征向量信号并且将这样得到的特征向量残余信号输送给神经信号对象识别网络，该神经信号对象识别网络现在识别下一个信号对象，其中这里进而也涉及关于相应当前的特征向量残余信号的信息占主导的信号对象。接着将该下一信号对象存储到另一缓冲存储器中。在通过被分配给该存储器的神经单个重建网络逆变换成单个特征向量信号之后，接着形成单个特征向量信号，现在从特征向量残余信号减去该单个特征向量信号。以这种方式和方法，逐渐识别所有信号对象。
在这方面，在本发明的情况下提出了一种用于在测量系统、尤其是用于距离测量并且尤其是用于在车辆中应用的测量系统中将传感器信号从发送器传输到数据处理单元并且尤其是用于将超声传感器信号从超声传感器传输到超声测量系统的数据处理单元的方法，其中在该方法中
-提供传感器S1,S2,S3,...,Sm的传感器信号，
-将描述该传感器信号的传感器信号数据经压缩地从传感器S1,S2,S3,...,Sm无线地或有线地传输到数据处理单元ECU，
-其中为了对描述该传感器信号的传感器信号数据进行压缩，
-借助于特征提取FE从该传感器信号中来提取信号波形特性，
-从所提取的信号波形特性来形成总特征向量信号F1，
-给总特征向量信号F1的特征分配信号对象，其方式是
a)借助于人工神经信号对象识别网络NN0，依据总特征向量信号F1的特征来识别信号对象，
b)将表示所识别出的信号对象的数据存储在缓冲存储器IM1,IM2,...,IMn中，
c)针对所识别出的信号对象，借助于共同的人工神经单个重建网络NN1,NN2,...,NNn或者借助于多个人工神经单个重建网络NN1,NN2,...,NNn中的相应另一人工神经单个重建网络来产生经重建的单个特征向量信号R1,R2,Rn-1,Rn，
d)从总特征向量信号F1减去经重建的单个特征向量信号R1,R2,Rn-1,Rn，以形成特征向量残余信号F2，
e)只要特征向量残余信号F2小于预先给定的阈值信号，就结束将信号对象分配给总特征向量信号F1的特征，
f)否则为了识别其它潜在信号对象而将特征向量残余信号F2输送给神经信号对象识别网络NN0，
g)重复步骤b)至f)，直至相应被更新的特征向量残余信号F2小于预先给定的阈值信号，以及
h)结束将信号对象分配给总特征向量信号F1的特征，以及
-针对每个被识别出的信号对象，产生表示该信号对象的信号对象数据，以及
-将这些信号对象数据传输给数据处理单元ECU。
在本发明的另一实现形式中，本发明涉及一种用于在测量系统、尤其是用于距离测量并且尤其是用于在车辆中应用的测量系统中将传感器信号从发送器传输到数据处理单元并且尤其是用于将超声传感器信号从超声传感器传输到超声测量系统的数据处理单元的方法，其中在该方法中
-提供传感器S1,S2,S3,...,Sm的传感器信号，
-将描述该传感器信号的传感器信号数据经压缩地从传感器S1,S2,S3,...,Sm无线地或有线地传输到数据处理单元ECU，
-其中为了对描述该传感器信号的传感器信号数据进行压缩，
-借助于特征提取FE从该传感器信号中来提取信号波形特性，
-根据所提取的信号波形特性来形成总特征向量信号F0，
-给总特征向量信号F0的特征分配信号对象，其方式是
a)借助于人工神经信号对象识别网络NN0，依据总特征向量信号F0的特征来识别信号对象，
b)将表示所识别出的信号对象的数据存储在缓冲存储器IM1,IM2,...,IMn中，
c)针对所识别出的信号对象，借助于共同的人工神经单个重建网络NN1,NN2,...,NNn或者借助于多个人工神经单个重建网络NN1,NN2,...,NNn中的相应另一人工神经单个重建网络来产生经重建的单个特征向量信号R1,R2,Rn-1,Rn，
d)将经重建的单个特征向量信号R1,R2,Rn-1,Rn逆变换成信号对象，更确切地说尤其是借助于传感器信号的特征提取FE的逆变换IFE将经重建的单个特征向量信号逆变换成信号对象，
e)从该传感器信号减去经逆变换的信号对象，以形成残余传感器信号，
f)只要残余传感器信号小于预先给定的阈值信号，就结束将信号对象分配给总特征向量信号F0的特征，
g)否则借助于特征提取FE从残余传感器信号来提取信号波形特性，并且根据这些信号波形特性来形成总特征向量残余信号F0，
h)基于相应当前的总特征向量残余信号F0，重复步骤a)至g)，直至残余传感器信号小于预先给定的阈值信号，而且
i)结束将信号对象分配给总特征向量信号F0的特征，而且
-针对每个被识别出的信号对象，产生表示该信号对象的信号对象数据，而且
-将这些信号对象数据传输给数据处理单元ECU。
在压缩描述传感器信号的传感器信号数据(传感器信号的采样值)的情况下，按照另一变型方案，根据包括全部在时间上彼此相继的信号对象且随后称为总特征向量信号的特征向量信号来逐渐识别单个的彼此相继的信号对象，并且针对每个被识别出的信号对象重建单个特征向量信号，该单个特征向量信号表示该被识别出的信号对象。现在，该单个特征向量信号通过以逆特征提取为形式的变换被变换成信号对象，即被变换到时域中。接着，从传感器信号减去该(单个)信号对象，并且接着对传感器信号的其余部分重新进行特征提取，以便接着如上所述地被进一步处理，更确切地说在使用上述人工神经网络的情况下被进一步处理。
按照本发明的另一实现形式，本发明涉及一种用于在测量系统、尤其是用于距离测量并且尤其是用于在车辆中应用的测量系统中将传感器信号从发送器传输到数据处理单元并且尤其是用于将超声传感器信号从超声传感器传输到数据处理单元的方法，其中在该方法中
-提供传感器S1,S2,S3,...,Sm的传感器信号，
-将描述该传感器信号的传感器信号数据经压缩地从传感器S1,S2,S3,...,Sm无线地或有线地传输到数据处理单元ECU，
-其中为了对描述该传感器信号的传感器信号数据进行压缩，
-借助于特征提取FE从该传感器信号中来提取信号波形特性，
-由所提取的信号波形特性来形成总特征向量信号F1，
-给总特征向量信号F1的特征分配信号对象，其方式是
a)借助于人工神经信号对象识别网络NN0，依据总特征向量信号F1的特征来识别信号对象，
b)针对所识别出的信号对象，借助于多个人工神经单个重建网络NN1,NN2,...,NNn中的另一人工神经单个重建网络来产生经重建的单个特征向量信号R1,R2,Rn-1,Rn，
c)求所有经重建的单个特征向量信号R1,R2,Rn-1,Rn之和，作为总和单个特征向量信号RF，
d)将该总和单个特征向量信号RF逆变换成信号对象，更确切地说尤其是借助于传感器信号的特征提取FE的逆变换IFE将该总和单个特征向量信号逆变换成信号对象，
e)从该传感器信号减去经逆变换的信号对象，以形成残余传感器信号，
f)只要残余传感器信号小于预先给定的阈值信号，就结束将信号对象分配给总特征向量信号F0的特征，
g)否则借助于特征提取FE从残余传感器信号来提取信号波形特性，并且根据这些信号波形特性来形成总特征向量残余信号F0，
h)基于相应当前的总特征向量残余信号F0，重复步骤a)至g)，直至残余传感器信号小于预先给定的阈值信号，而且
i)结束将信号对象分配给总特征向量信号F0的特征，而且
-针对每个被识别出的信号对象，产生表示该信号对象的信号对象数据，而且
-将这些信号对象数据传输给数据处理单元ECU。
在按照本发明的数据压缩方法的另一替选方案中，通过如下方式来实现对信号对象的提取的迭代过程：针对由神经信号对象识别网络提供的每个被提取的信号对象，在重建成单个特征向量信号之后从该单个特征向量信号通过变换到时域中来形成信号对象、更准确地说该信号对象的传感器信号的时间波形。为此，将相应的单个特征向量信号逆变换成时域中，更确切地说尤其是借助于与先前的特征提取基本上逆着进行的变换来将相应的单个特征向量信号逆变换成时域中。现在从传感器信号减去这样被变换到时域中的所识别出的信号对象，并且形成残余传感器信号，该残余传感器信号在特征提取之后被输送给神经信号对象识别网络。现在，神经信号对象识别网络识别下一个占主导的信号对象，并且上述过程迭代地继续进行。只要残余传感器信号小于预先给定的阈值信号，就结束该过程。
在按照本发明的数据压缩方法的另一变型方案中，对针对所识别出的信号对象形成的单个特征向量信号进行上述逆变换，其方式是通过多个彼此独立的逆特征提取来进行对这些单个特征向量信号的逆变换。
针对数据压缩方法的上述所有变型方案都适用：不仅可以用多个神经单个压缩网络来工作、而且可以用一个唯一的神经单个压缩网络来工作。
在数据压缩之后存在的信号对象数据包括相对于用于描述传感器信号的数据以及用于描述所识别出的信号对象的数据而言减少的用于识别该信号对象所属的信号对象类别的数据量和信号对象参数数据，这些信号对象参数数据描述了按照用于描述与该信号对象类别不同的变体的信号对象类别而要分配的信号对象，诸如信号对象的整体形状(例如三角形信号、扩展、在传感器信号之内的位置、斜率、大小、变形)。利用这些参数，明显减少了对于描述信号对象来说所需的数据量。
现在，给各个信号对象分配符号，这些符号就这方面来说是表示相应的信号对象的信号对象数据。符号是所识别出的信号对象要被分配给的那个信号对象类别的名称。例如，存在针对三角形信号对象的信号对象类别和针对例如矩形信号对象的另一类别。这一点仅应示例性地来说并且不应该被理解成对信号对象类别的封闭式列举。对信号对象类别的定义尤其是取决于应用。被定义的信号对象类别越多，数据压缩就越高，但是与该数据压缩相关的信号处理也就越复杂。
通过以符号(信号对象数据)为形式表示信号对象，显著减少还要传输的数据。如上所述，数据压缩的该第二阶段之前是第一数据压缩阶段，在该第一数据压缩阶段，根据传感器信号的波形、也就是说根据采样值的序列，已经提取了信号波形特性。
在本发明的另一有利的设计方案中，现在原则上在数据处理单元中可以与上述过程相逆地进行解压缩。按照也要认为是本发明的独立变型方案的一个变型方案，该过程涉及一种用于对传感器S1,S2,S3,...,Sn、尤其是用于在车辆中应用的传感器的描述传感器信号的经压缩的传感器信号数据以及尤其是描述超声传感器的超声传感器信号的、经压缩的传感器信号数据进行解压缩的方法，其中在该方法中
-提供描述传感器信号的经压缩的传感器信号数据，其中这些传感器信号数据表示信号对象，这些信号对象分配有传感器信号的信号波形特性，这些信号波形特性借助于特征提取FE从传感器信号中被提取并且形成总特征向量信号F1的特征，
-针对每个信号对象，将描述相应的信号对象的数据输送给多个人工神经单个解压缩网络ENN1,ENN2,...,ENNn中的另一人工神经单个解压缩网络，或者根据分别描述信号对象的数据产生相应的信号对象并且将该信号对象输送给多个人工神经单个解压缩网络ENN1,ENN2,...,ENNn中的另一人工神经单个解压缩网络，其中这些神经单个解压缩网络ENN1,ENN2,...,ENNn具有参数化，这些参数化与人工神经网络的在对传感器信号数据的压缩时已使用的参数化相同，
-由每个神经单个解压缩网络ENN1,ENN2,...,ENNn来形成经重建的单个特征向量信号ER1,ER2,...,ERn，而且
-对经重建的单个特征向量信号ER1,ER2,...,ERn进行求和，以形成表示总特征向量信号F1的、经重建的总特征向量信号ER，该经重建的总特征向量信号表示对经压缩的传感器信号数据的解压缩。
与此相关的按照本发明的对描述传感器信号的经压缩的传感器信号数据的解压缩基于：依据传感器信号本身的特征向量信号来对传感器信号数据进行压缩。该解压缩的重要特征在于使用多个人工神经单个解压缩网络，这些人工神经单个解压缩网络中的每个人工神经单个解压缩网络都被分配给传感器输出信号的以压缩形式传输的信号对象。这些神经单个解压缩网络产生经重建的单个特征向量信号，这些经重建的单个特征向量信号被相加并且形成经重建的总特征向量信号，该总特征向量信号表示经压缩的传感器信号数据的解压缩，即最终表示在形成经压缩的传感器信号数据时也已经使用的总特征向量信号。
关于对经压缩的传感器信号数据的上述解压缩方面也可能的是：通过空间或时间复用来形成经重建的单个特征向量信号ER1,ER2,...,ERn。
如上文已经描述的那样，本发明的涉及对之前经压缩的传感器信号数据的解压缩的变型方案适合于与之前执行的如上所述的用于传输经压缩的传感器信号数据的方法相结合来使用。
如更上文已经阐述的那样，根据本发明，依据多个传感器的传感器信号来识别在车辆的周围环境中的物理障碍物对象。接着，依据该识别，可以产生车辆的环境地图，在该环境地图中，说明了各个障碍物距车辆的距离、这些障碍物的位置，尤其是方位和取向、类型、性质等等。就本发明而言，在车辆中的用信号通知也被理解成这样的环境地图，其中以光学方式和/或以声音方式和/或以触觉方式(方向盘振动)来表明低于距障碍物对象的最小距离。
关于对在车辆的环境中是否存在障碍物对象的识别，本发明按照另一替选方案涉及一种用于依据由多个传感器、尤其是由多个超声传感器提供的传感器信号来识别在与车辆相邻的检测区域中、尤其是在车辆的周围环境中是否存在障碍物对象的方法，其中在该方法中
A)针对每个传感器，借助于从该传感器的传感器信号的特征提取来提取信号波形特性，并且由这些特征来形成表示该传感器信号的特征向量信号EF1,EF2,EF3,...,EFm，
B)将特征向量信号EF1,EF2,EF3,...,EFm作为输入信号输送给人工神经总障碍物对象识别网络ANN0，该人工神经总障碍物对象识别网络依据特征向量信号EF1,EF2,EF3,...,EFm的特征来识别至少一个障碍物对象并且将每个障碍物对象的描述该障碍物对象的信息存储在单独的障碍物对象存储器EO1,EO2,...,EOp中，
C)将每个障碍物对象存储器EO1,EO2,...,EOp的信息作为输入数据输入到被分配给该障碍物对象存储器的人工神经单个障碍物对象识别网络RNN1,RNN2,...,RNNp中，
D)每个神经单个障碍物对象识别网络RNN1,RNN2,...,RNNp都输出表示相关的障碍物对象存储器EO1,EO2,...,EOp的障碍物对象的障碍物对象特征向量信号RO1,RO2,...,ROp和数目与传感器的数目相同的中间特征向量信号(ROij，其中i＝1,2,...,p，其中p等于障碍物对象的数目，而且其中j＝1,2,...,m，其中m等于传感器的数目)，这些中间特征向量信号中的每个中间特征向量信号都分配有唯一的传感器S1,S2,S3,...,Sm，
E)针对每个传感器S1,S2,S3,...,Sm，将由神经单个障碍物对象识别网络RNN1,RNN2,...,RNNp输出的中间特征向量信号(ROij，其中i＝1,2,...,p，其中p等于障碍物对象的数目，而且其中j＝1,2,...,m，其中m等于传感器的数目)相加，以形成修正的特征向量信号EV1,EV2,EV3,...,EVm，
F)针对每个传感器S1,S2,S3,...,Sm，形成残余特征向量信号EC1,EC2,EC3,...,ECm，其方式是从特征向量信号RC1,RC2,RC3,...,RCm减去修正的特征向量信号EV1,EV2,EV3,...,EVm，
G)只要残余特征向量信号EC1,EC2,EC3,...,ECm大于阈值信号，就在使用相应被更新的残余特征向量信号EC1,EC2,EC3,...,ECm的情况下重复步骤B)至F)，而且
H)否则由神经子网络RNN1,RNN2,...,RNNp输出的障碍物对象特征向量信号RO1,RO2,...,ROp分别表示障碍物对象并且依据障碍物对象特征向量信号RO1,RO2,...,ROp来确定潜在的、处在检测区域内的障碍物对象，尤其是关于位置、方位和/或取向和/或关于其类型、其性质和/或其距车辆的距离来确定潜在的、处在检测区域内的障碍物对象。
该方法的出发点是存在表示传感器信号的特征向量信号，这些传感器信号就其而言来自用来检测车辆的环境的多个传感器中的相应一个传感器。所有这些特征向量信号都被输送给人工神经总障碍物对象识别网络，该人工神经总障碍物对象识别网络依据这些特征来识别一个或多个障碍物对象，所述一个或多个障碍物对象的描述性信息接着被存储在不同的障碍物对象存储器中。对于每个障碍物对象来说都存在障碍物对象存储器。接着，根据这些障碍物对象存储器，借助于分别被分配给这些存储器的人工神经单个障碍物对象识别网络重建障碍物对象特征向量信号。这首先通过产生中间特征向量信号来实现，更确切地说针对每个障碍物对象通过被分配给该障碍物对象的特征向量信号来实现，其中所有这些信号都被相加并且为了形成残余特征向量信号而从针对相应的障碍物对象的特征向量信号中被减去。该迭代过程一直重复，直至在每个步骤之后产生的残余特征向量信号足够小，即小于预先给定的阈信号。那么，在这些障碍物对象存储器中存在关于实际存在于车辆的环境中的真实障碍物对象的那些信息。接着，可以应要求来显示这些障碍物对象的参数，诸如位置、方位、取向、距车辆的距离、类型、性质等等。
本发明的另一方面涉及在预测时间段之内并且直至呈现真实存在于车辆的环境中的障碍物对象的被更新的参数为止对所识别出的、真实存在的障碍物对象的变化的预测。“障碍物对象的变化”被理解成其位置和/或方位和/或取向和/或距车辆的距离的变化。在预测阶段，通过识别“虚拟”障碍物对象来执行预测。即，“虚拟”障碍物对象描述在预测时间段之内真实存在的障碍物对象的变化。即，在理想情况下，在预测时间段结束时，虚拟障碍物对象将基本上与关于真实存在的障碍物对象的数据一致，这些数据由车辆的(例如超声)测量系统在下一个预测期开始时提供。对于该过程来说，进而使用人工神经网络，这些人工神经网络相对应地被训练，其中就这一点而言应再次参阅其更上文提到的定义，这在本发明的框架内应被理解成“人工神经网络”。
按照本发明的另一变型方案，本发明涉及一种用于在与车辆相邻的检测区域之内在预测时间段的时长内预测障碍物对象(尤其是关于位置、方位和/或取向和/或关于其类型、其性质和/或其距尤其是车辆的距测距系统的距离)的潜在变化并且尤其是用于预测障碍物对象距测距系统的距离由于障碍物对象与测距系统的相对运动而引起的变化的方法，其中在该方法中
I.预测时间段EP被划分成多个彼此相继的预测期PP1,PP2,...,PPq，而且每个预测期PP1,PP2,...,PPq都被划分成数目与在检测区域中的障碍物对象的数目相同的彼此相继的预测周期PZ1,PZ2,...,PZp，其中针对每个预测期PP1,PP2,...,PPq都相对于在先前的预测期PP1,PP2,...,PPq中预测的变化而言预测障碍物对象相对于测距系统的变化，
II.在每个预测时间段EP开始前和/或在每个预测时间段开始时和/或随着预测时间段的开始并且借此针对每个障碍物对象的第一预测期PP1，提供障碍物对象特征向量信号RO1,RO2,...,ROp，该障碍物对象特征向量信号表示在如下时间点关于障碍物对象的信息，诸如该障碍物对象的位置、尤其是方位和/或取向和/或相对于测距系统的距离，在该时间点，障碍物对象特征向量信号RO1,RO2,...,ROp是依据至少一个关于是否潜在存在障碍物方面对检测区域进行检测的传感器S1,S2,S3,...,Sm、尤其是至少一个超声传感器的当前进行的测量来被确定的，
III.将障碍物对象特征向量信号RO1,RO2,...,ROp输入到人工神经总预测网络DANN0中，
IV.神经总预测网络DANN0针对每个障碍物对象都产生表示其在当前预测期PP1,PP2,...,PPq的预测周期PZ1,PZ2,...,PZp之内所取的位置的预测信息VEO1,VEO2,...,VEOp，
V.将每个障碍物对象的预测信息VEO1,VEO2,...,VEOp存储在预测存储器VM1,VM2,...,VMp中，
VI.针对每个障碍物对象，将当前存储在预测存储器VM1,VM2,...,VMp中的信息输送给多个人工神经单个预测网络MNN1,MNN2,...,MNNp中的另一个人工神经单个预测网络，
VII.每个神经单个预测网络MNN1,MNN2,...,MNNp都产生中间预测特征向量信号RV11,RV12,...,RVp1，该中间预测特征向量信号表示相关的障碍物对象HO1,HO2,...,HOp在预测周期PZ1,PZ2,...,PZp的时长期间所预测的变化，
VIII.针对每个障碍物对象HO1,HO2,...,HOp，借助于中间预测特征向量RV11,RV12,...,RVp1来改变障碍物对象特征向量信号RO1,RO2,...,ROp，IX.将这样被改变的障碍物对象特征向量信号RO1,RO2,...,ROp输送给总预测网络DANN0，
X.对于每个预测期PP1,PP2,...,PPq来说，针对所有障碍物对象HO1,HO2,...,HOp同时执行步骤III.至IX.，或者按顺序地、更确切地说针对每个预测周期PZ1,PZ2,...,PZp针对另一障碍物对象HO1,HO2,...,HOp执行这些步骤，其中检查障碍物对象HO1,HO2,...,HOp的变化的顺序相应地保持相同，以及
XI.最迟在预测时间段EP结束时，将预测存储器VM1,VM2,...,VMp的内容输送给人工神经现实模拟网络MNN0，该人工神经现实模拟网络输出现实模拟特征向量信号VRV，该现实模拟特征向量信号表示障碍物对象HO1,HO2,...,HOp的所预测的当前变化。
按照本发明的该方法基于如下事实：测距系统在各个测量之间具有死区时间或暂停时间。就超声测距系统而言，这意味着：在发出超声信号与接收到反射信号之间一定会经过一定的时间。评估所接收到的超声信号以确定在测量系统的检测区域中的潜在障碍物对象也需要时间。现在值得期望的是：从基于上一次测量探测到了一个或多个障碍物对象的一个或多个位置的时间点起直至存在被更新的测量(即下一个测量时间段的测量)的结果的时间点为止获得关于所述一个或多个障碍物对象的一个或多个位置在此期间如何发生变化的信息。
借助于相对应地被训练的多个人工神经网络来实现这一点。将当前存在的关于障碍物对象的位置的信息输入到神经总预测网络中。也将障碍物的位置的随着预测时间段(这基本上对应于并行进行的当前的测量时间段)的推移逐步被预测的变化输入到该总预测网络中。神经总预测网络针对每个障碍物对象都产生预测信息，这些信息被存放在相应的预测存储器中。根据这些预测信息，在数目与障碍物对象的数目相同的神经单个预测网络中产生描述该变化的中间预测特征向量信号。接着，将这些变化进而针对在预测时间段的多个预测期之一内的下一个预测周期馈入到神经总预测网络中。总预测网络基于其在训练阶段已获得的所存储的信息来模拟每个障碍物对象的可能的变化。在该过程的任何时间点都可以调用预测存储器的内容，以便在输入到神经现实模拟网络中之后输出对障碍物对象的布置的预测现实的一般向量表示。关于预测“现实”的信息通常最迟在预测时间段结束时被产生或调用。预测时间段包括数目q个预测期，其中每个预测期都被划分成多个预测周期，其中预测周期的数目等于所识别出的障碍物对象的数目。对障碍物对象的变化的预测不仅可以通过时间复用来实现而且可以通过空间复用来实现。
在上文，本发明已依据尤其是其在车辆中的应用来被描述。一般而言，本发明涉及测距系统以及尤其是基于超声来工作的这种系统。但是，基于雷达的测量系统也可以关于数据处理方面像根据本发明所规定的那样来运行。也可以使用光学测量系统。
按照本发明，上述任务还替选地借助于用于运行超声传感器的方法来被解决，该方法具有如下步骤：
-检测超声接收信号；
-提供无信号的超声回波信号模型610；
-至少一次性地可选地重复地执行如下步骤：
-从超声接收信号1减去经重建的超声回波信号模型610并且形成残余信号660，
-执行用于识别在残余信号660中的信号对象的方法，
-给超声回波信号模型610(图15b至15h)补充所识别出的信号对象600至605的信号波形；
-如果残余信号的绝对值低于预先给定的阈值信号的绝对值，则结束对这些步骤的重复；
-传输用于所识别出的信号对象的至少一部分的符号并且可选地使用这些信息。
此外，为了解决上述任务，按照本发明提出了一种超声传感器系统，该超声传感器系统具有：
-第一超声传感器；和
-至少一个第二超声传感器；和
-计算机系统，
-其中所述至少两个超声传感器中的每个超声传感器都分别实施用于将传感器数据从相应的超声传感器传输到计算机系统的方法，该方法包括如下步骤：
-发出超声脉冲串α，而且
-接收超声信号并且形成超声接收信号β，以及
-在使用经重建的超声回波信号模型610的情况下执行超声接收信号的数据压缩，以产生压缩数据γ，以及
-将压缩数据传输给计算机系统δ，
-其中在计算机系统之内借助于经重建的超声回波信号模型将经压缩的至少两个超声接收信号解压缩或重建成经重建的超声接收信号，而且
-其中该计算机系统借助于这些经重建的超声接收信号来执行对在超声传感器的环境中的对象的对象识别。
在本发明的按照该变型方案的有利的扩展方案中，超声测量系统的计算机系统可以借助于经重建的超声接收信号和其它传感器的附加的信号、尤其是雷达传感器的信号执行对在传感器的环境中的对象的对象识别，和/或该计算机系统可以基于所识别出的对象来创建针对传感器或者其部分是这些传感器的装置的环境地图。
在本发明的框架内提到的人工神经网络相对应地被训练，更确切地说借助于对于神经网络的学习阶段来说原则上已知的训练数据来相对应地被训练。在本发明的框架内，人工神经网络是任何类型的人工智能概念。根据本发明，使用人工神经网络，这些人工神经网络被用于产生具有不同内容的数据和据此形成的信号。人工神经网络公知地基于依据比较大的数据量的数据分析，这些神经网络是在训练和学习阶段被馈送所述比较大的数据量的，并且所述比较大的数据量由在用来分析当前存在的输入信号之前的实验性测试或模拟而得到(所谓的机器学习或深度学习)。可以使用所有类型的单层或多层已知的和将来的人工神经网络，也可以使用在真实运行时自学习和/或自构建的这种人工神经网络。就本发明而言，术语“人工神经网络”包括所有已知的和将来的数据/信号分析和数据/信号处理工具，利用这些工具可以实现在狭义和广义上被理解成“人工智能”和/或将来还将被理解成“人工智能”的东西。
按照本发明使用的人工神经网络在训练或学习阶段被馈送以实验方式获得或者要不然以通过模拟获得的数据。这样，例如给信号对象识别网络NN0供应数据，这些数据描述了依据特征向量或特征向量信号对信号波形特性或者连续信号波形特性组至所属的信号对象的分配。给单个重建网络NN1,NN2,...,NNn供应数据，这些数据描述了信号对象到表示这些信号对象的特征向量或特征向量信号的分配。给单个解压缩网络ENN1,ENN2,...,ENNn馈送数据，这些数据描述了信号对象到表示这些信号对象的特征向量或特征向量信号的分配。总障碍物对象识别网络ANN0包含如下数据，所述数据包括障碍物对象到多个传感器信号的信号波形特性的分配并且描述所属的特征向量或特征向量信号。给单个障碍物对象识别网络RNN1,RNN2,...,RNNp供应数据，所述数据描述障碍物对象到特征向量或特征向量信号的分配，所述特征向量或特征向量信号进而表示多个传感器信号的信号波形特性。
总预测网络DANN0包含如下数据，所述数据包括障碍物对象到多个传感器信号的信号波形特性的分配并且描述所属的特征向量或特征向量信号。给单个预测网络MNN1,MNN2,...,MNNp供应如下数据，所述数据描述在例如车辆的环境中的障碍物对象到总特征向量或总特征向量信号的分配，该总特征向量或总特征向量信号表示在该环境中的所有障碍物对象。
在下文，描述了不同的细节和措施，这些细节和措施可以结合对根据本发明的方法的实施来被使用。本发明在上文或随后主要依据其在车辆中的使用来被描述，该车辆的测量系统用于检查车辆的环境是否存在障碍物对象。不过，一般而言，本发明涉及一种测量系统，用于确定该系统距各个对象的距离，其中所发出的和所接收到的信号的类型可以是多种多样的。
本发明基于通过从传感器信号的特征提取(Feature Extraction)来创建特征向量和特征向量信号。
随后描述创建特征向量信号的示例。特征向量信号是特征向量的序列。“特征”、例如由传感器提供的信号的随时间的波形的特性可包括其随时间的值(信号电平)、信号波形随时间的第一(和/或还有更高阶)导数的值、信号波形随时间的积分的值、信号波形随时间的对数值等等。即，创建特征向量的基础是各种曲线，这些曲线是根据传感器信号的随时间的波形通过例如数学运算来形成的。如果现在这些曲线被采样，则对于每个采样时间点来说都存在多个值，这些值形成在特定时间点的特征向量。那么，这种特征向量的序列形成特征向量信号。每个特征向量都具有多个值(也称为参数)。那么，这些分别被分配给相同曲线的参数的序列形成参数信号。
换言之，也可以按如下地描述特征向量提取：
-所要处理的信号例如通过微分、积分、滤波、变形、延迟、阈值比较来被处理。经此，通常信号的维数从1急剧升高，例如升高到24以及更多。究竟做了什么在此是无关紧要的。特征提取非常特定于应用。
-这样产生的特征向量的各个向量维度关于通常使用的测试数据集方面一般没有最佳显著性。如果在特征向量的单个维度的所允许的参数范围内，关于该参数，特征向量的50％高于该范围的中间的阈值、而有50％低于该阈值，则存在最佳显著性。为了实现最大显著性，特征向量的维度典型地通过与LDA矩阵相乘来被减少，并且使特征向量变形或旋转，使得建立该显著性。
特征向量可以被理解成所处理的采样值的多维信号流，而且例如具有多个信号的多维采样值，更确切地说在相应的采样时间点的多维采样值。可以将特征向量的序列称为特征向量信号。该信号具有多个维度。对应于该多维特征向量信号的唯一的特定维度的信号是被分配给该维度的参数信号。
随后，上述过程以及尤其是在信号波形特性、信号对象与为此在特征向量中或在特征向量信号中的特征之间的对应应该再次依据具体示例来被描述。
在特定时间区间内从小于阈值的最小值出发改变到大于该阈值的最大值的升高的信号电平应被视为第一信号波形特性的示例。还应假设：在该第一信号波形特性之后是与之相逆的第二信号波形特性，即下降的信号电平波形。即，据此得到的信号对象会是具有其边沿的特定斜率并且具有特定扩展以及具有特定“重心”(在时间轴上的最大值的方位)的三角形信号。接着，在该三角形信号的采样时间点以及其通过例如数学运算得到的曲线波形(参见上文说明的针对这样的数学运算的示例)形成其序列是表示该三角形信号的特征向量信号的特征向量的参数(或值)。即，依据特征向量信号，可以将该信号对象分配给“三角形信号”，其中也能确定进一步描述该三角形信号的参数，诸如边沿的斜率/倾斜、最大值的方位和大小等等。即，就这方面来说，特征向量信号描绘传感器信号的信号对象“三角形信号”。即，在传输传感器信号的数据时，现在仅还需要传输用于信号对象类别“三角形信号”的符号和少量几个其它参数，用于更详细地描述三角形信号的具体设计。由此，这伴随着大幅的数据压缩以及总障碍物对象识别系统的更上面已经描述的优点。
如上所述，来自现有技术中的技术教导全部得自如下思想：在超声传感器中已经执行对车辆的环境中的障碍物对象的识别并且在识别出障碍物对象之后接着才传输对象数据。然而，由于在这种情况下在使用多个超声发送器时的协同效应会失去，所以在本发明的框架内已经认识到：只传输超声传感器本身的回波数据并不合理，而是要传输所有超声传感器的数据并且仅在中央计算机系统(数据处理单元)中评估多个传感器的数据。但是，为此，为了经由具有更小的总线带宽的数据总线来传输而对数据的压缩必须与现有技术中不一样地进行。经此，接着可以开辟协同效应。这样，例如可设想的是：车辆具有超过一个超声传感器。为了能够区分这两个传感器，合理的是：这两个传感器以不同的编码来进行发送。但是，不同于现有技术，两个传感器现在都应该检测两个超声传感器的辐射的超声回波并且将这些超声回波经适当地压缩地传输给中央计算机系统，在该中央计算机系统中重建超声接收信号。在该重建(解压缩)之后才进行对对象的识别。这还能够实现超声传感器数据与诸如雷达等等的其它传感器系统的融合。
提出了一种用于将传感器数据从传感器传输到计算机系统的方法。该方法特别适合于用于将超声接收信号的数据从超声传感器传输给作为例如车辆的测距系统的计算机系统的控制器。依据图1来阐述该方法。
按照该方法的一个实施例，首先产生超声脉冲串，并且将该超声脉冲串发送到自由空间中，通常发送到车辆的环境中(图1的步骤α)。在此，超声脉冲串由多个以超声频率彼此相继的声脉冲组成。该超声脉冲串通过如下方式形成：在超声发送器或超声换能器中的机械振荡器缓慢起振并且再次振荡衰减。接着，这样由示例性的超声换能器发出的超声脉冲串在车辆的环境中的对象处被反射并且通过超声接收器或者超声换能器本身作为超声信号被接收并且被转换成电接收信号(图1的步骤β)。特别优选地，超声发送器与超声接收器相同并且接着在下文被称为换能器。但是，在下文阐述的原理也可以被应用于分开布置和/或构造的接收器和发送器。在所提出的超声传感器中存在信号处理单元，该信号处理单元现在对这样接收到的电接收信号进行分析和压缩(图1的步骤γ)，以便将所需的数据传输减少到最低限度并且为控制器向信号处理单元或超声传感器系统的所提及的状态报告和其它控制指令提供自由空间。然后，将经压缩的电接收信号传输给计算机系统(图1的步骤δ)。
因此，按照上述变型方案和随后阐述的有利的设计方案的方法用于将传感器数据、尤其是超声传感器的传感器数据从传感器传输到计算机系统、尤其是在车辆中的计算机系统。该方法开始于发出超声脉冲串(图1的步骤α)。然后接收超声信号并且形成电接收信号(图1的步骤β)以及执行对接收信号的数据压缩(图1的步骤γ)以产生压缩数据(图1的步骤γ)并且检测至少两个或三个或更多个预先确定的特性。优选地，电接收信号通过采样(图2的步骤γa)被转换成经采样的接收信号，该经采样的接收信号由时间离散的采样值流组成。在此，通常可以给每个采样值都分配采样时间点，作为该采样值的时间戳。例如可以通过小波(Wavelet)变换(图2的步骤γb)来实现压缩。为此，所接收到的以经采样的接收信号为形式的超声信号可以与例如存放在库中的预先确定的信号基本形状通过求预先确定的信号基本形状与经采样的接收信号之间的相关积分(关于该术语的定义例如在维基百科中)来予以比较。在下文，预先确定的信号基本形状也称为信号对象类别。通过求该相关积分，针对这些原型信号对象类别中的每个原型信号对象类别，分别确定该原型信号对象类别的所属的频谱值。由于这连续进行，所以这些频谱值本身是时间离散的瞬时频谱值值，其中可以给每个频谱值都重新分配时间戳。一种替选的、但是数学上等效的方法是针对每个预先确定的信号对象类别(信号基本形状)使用最优滤波器(英文matched-filter(匹配滤波器))。由于通常使用多个原型信号对象类别，这些原型信号对象类别此外还可以经受不同的时间扩展，所以以这种方式通常得到不同原型信号对象类别的不同的相应的时间扩展及其谱值的时间离散的多维向量流，其中给这些多维向量中的每个多维向量都重新分配时间戳。这些多维向量中的每个多维向量都是所谓的特征向量(Feature-Vektor)。因此涉及时间离散的特征向量流。优选地，给这些特征向量中的每个特征向量都重新分配时间戳(图2的步骤γb)。
因此，通过连续的时间偏移，也得到时间维度。经此，频谱值的特征向量也可以被补充过去的值或者取决于该特征向量的值，例如这些值中的一个或多个值的时间积分或导数或滤波值等等。这可以进一步提高这些特征向量在特征向量数据流之内的维度。因而，为了将下面的花费保持得小，在从超声传感器的经采样的输入信号中提取特征向量期间限于少量原型信号对象类别是合理的。因此，接着例如可以使用最优滤波器(英文matchedfilter)，以便持续监控这些原型信号对象类别在接收信号中的出现。
这里，等腰三角形和双峰可以示例性地称为特别简单的原型信号对象类别。在此，原型信号对象类别通常由预先给定的谱系数向量、即预先给定的原型特征向量值组成。
为了确定超声回波信号的特征向量的谱系数的重要性，确定这些特性、即当前谱系数的向量(特征向量)的元素距以原型信号对象类别为形式的这些特性(原型)的至少一个原型组合的距离的数值(Betrag)，该原型信号对象类别通过来自预先给定的原型信号对象类别向量库中的预先给定的原型特征向量(原型或原型向量)来被象征性表现(图2的步骤γd)。优选地，特征向量的谱系数在与原型相关之前被归一化(图2的步骤γc)。在该距离确定中所确定的距离例如可以由相应原型的预先给定的原型特征向量(原型或原型向量)的分别一个谱系数与超声回波信号的当前特征向量的相对应的被归一化的谱系数之间的所有差之和组成。通过原型的预先给定的原型特征向量(原型或原型向量)的分别一个谱系数与超声回波信号的当前特征向量的相对应的被归一化的谱系数之间的所有差的平方和的根会形成欧几里得距离。但是，该距离求得通常过于复杂。该距离求得的其它方法是可设想的。接着，可以给每个预先给定的原型特征向量(原型或原型向量)分配符号并且必要时也分配参数，例如在归一化之前的距离值和/或幅度。如果这样确定的距离低于第一阈值并且是当前特征向量值距预先给定的原型特征向量值(原型或原型向量的值)之一的最小距离，则该预先给定的原型特征向量值的符号被再次用作所识别出的原型。因此，形成当前特征向量的所识别出的原型与时间戳的配对。接着，优选地，只有当该距离的数值低于第一阈值并且所识别出的原型是所要传输的原型时，才向计算机系统传输数据(图2的步骤δ)、这里是所确定的最能象征性表现所识别出的原型的符号以及例如距离以及出现的时间点(时间戳)。即也能够存放无法识别的例如用于噪声的原型，即例如不存在反射等等。这些数据对于障碍物识别来说不重要并且因而必要时也不应该被传输。即，如果所确定的在当前特征向量值与预先给定的原型特征向量值(原型或者原型向量的值)之间的距离的数值低于该第一阈值，则识别出原型(图2的步骤γe)。即，不再传输超声回波信号本身，而是只传输在特定时间段内所识别出的典型的时间信号波形的符号序列和属于这些信号波形的时间戳(图2的步骤δ)。于是，优选地，对于每个所识别出的信号对象来说相应地仅仅传输用于所识别出的信号形状原型的符号、其参数(例如(超声回波信号的)包络线的幅度和/或时间延展)和出现该信号形状原型的参考时间点(时间戳)，作为所识别出的信号对象。省去对各个采样值或者阈值被(超声回波信号的)经采样的接收信号的包络线超过等等处的时间点的传输。以这种方式，对重要的原型的这种选择引起大幅的数据压缩并且引起在其它情况下为了快速传输大数据量而需要的总线带宽的减小。
即，在形成估计值——这里例如是在以预先给定的原型特征向量(原型或原型向量)为形式对原型信号对象类别的表示(Repraesentation)之间的逆距离——的情况下定量检测特性组合是否存在，而且如果该估计值(例如逆距离)的数值高于第二阈值或者逆估计值低于第一阈值，则然后向计算机系统传输压缩数据。因此，超声传感器的信号处理单元实施接收信号的数据压缩，以产生压缩数据。
为了更清楚，这里应该再次阐述(与例如分类器结合的)距离确定。
这种距离确定也已知为来自统计信号的信号处理中的分类。这里，作为分类器示例，应提到逻辑回归、长方体分类器、距离分类器、最近邻分类器、多项式分类器、聚类方法、人工神经网络、潜在类别分析。
在图7中示意性示出了分类器示例。
物理接口101例如操控超声转换器100并且促使该超声转换器发出例如超声发送脉冲或者超声发送脉冲串。超声转换器100接收被未在图7中绘出的障碍物对象反射的超声发送脉冲或者超声发送脉冲串，该超声发送脉冲或者超声发送脉冲串具有幅度变化、延迟并且通常具有变形，该变形通过进行反射的障碍物对象的性质而引起。此外，通常在车辆的环境中存在多个障碍物对象，这些障碍物对象在调制方面有助于被反射的超声波。超声转换器100将所接收到的被反射的超声波转换成超声转换器信号102。物理接口将该超声转换器信号通常通过滤波和/或放大转换成超声回波信号1。特征向量提取器111从该超声回波信号1中提取信号波形特性(特征或“Features”)。优选地，物理接口101向特征向量提取器111传送超声回波信号1，作为由采样值序列组成的时间离散的接收信号。在此，优选地给每个采样值都分配时间日期(时间戳)。在图7的示例中，特征向量提取器111具有m(m是正整数)个最优滤波器(最优滤波器1至最优滤波器m)。这些最优滤波器用于优选地借助于适当的滤波器(例如最优滤波器)从超声回波信号1的采样值序列中确定中间参数信号123，这些中间参数信号分别涉及各一个优选地被分配给相应的中间参数信号的信号基本对象的存在。所得到的中间参数信号123同样设计成相应的中间参数信号值的时间离散的序列，这些中间参数信号值优选地分别与日期(时间戳)相关。因此，优选地给每个中间参数信号值都分配正好一个时间日期(时间戳)。
随后的显著性增强器125执行中间参数信号123的中间参数信号值的向量与所谓的LDA矩阵126的矩阵相乘。该LDA矩阵通常在构建时间点借助于统计信号处理和模式识别方法来被确定。显著性增强器以这种方式产生特征向量信号138。在这种情况下，该显著性增强器将m个中间参数信号值映射到特征向量信号138的n(n是整数)个参数信号值。即，特征向量信号138通常包括n个参数信号。优选n<m。就这一点来说应注意：在统计信号理论中并且在模式识别中的术语“Feature-Vektor”常常也称为特征向量(随后也用“特征向量”来表示)。因此，特征向量信号138尤其设计成特征向量信号值的时间离散的序列，这些特征向量信号值分别具有特征向量信号138的优选地n个参数信号的n个参数信号值，这些特征向量信号值包括了这些参数信号值以及分别具有相同的时间日期(时间戳)的其它参数信号值。在这种情况下，n是各个特征向量信号值的维度，这些特征向量信号值优选地从一个特征向量值到下一个特征向量值都相同。就此而言，特征向量信号值是具有时间戳的向量，该向量包括多个、优选地n个参数信号值。给每个这样形成的特征向量信号值都分配该相应的时间日期(时间戳)。
现在，然后评估特征向量信号138在所得到的n维相空间中的时间波形以及在确定评价值(例如距离)的情况下推断所识别出的信号基本对象。
为此，距离确定器(或分类器)112将特征向量信号138的当前的特征向量信号值与多个原型的、之前存储在原型数据库115中的特征向量信号值原型进行比较。在下文还更详细地阐述这一点。在此，距离确定器(或分类器)112针对原型数据库115的经检查的特征向量信号值原型中的每个特征向量信号值原型确定评价值，该评价值说明了原型数据库115的相应的特征向量信号值原型在多大程度上与当前的特征向量信号值相同。该评价值在下文称为距离。优选地，这些特征向量信号值原型分别优选地被分配给正好一个信号基本对象。那么，原型数据库115的具有距当前的特征向量信号值的最小距离的特征向量信号值原型与当前的特征向量信号值最相似。如果距离小于预先给定的阈值，则原型数据库115的该特征向量信号值原型表示以最高概率被识别出的信号基本对象121。
该识别过程多次被连续实施，使得从所识别出的信号基本对象121的时间序列得到所确定的信号基本对象序列。
接着，通过确定信号对象数据库116的预先给定的信号基本对象序列中的与所确定的信号基本对象序列最相似的那个序列来确定可能存在的信号对象122。如上所述，信号对象在此由信号基本对象的时间序列组成。在此，通常预先定义地给信号对象分配在信号对象数据库116中的符号。
例如，对信号基本对象序列的该估计可以通过维特比估计器113来实现。在最简单的情况下，将在预先给定的时间段内识别出的、根据其在所识别出的信号基本对象序列中的位置与所预期的信号基本对象在信号对象数据库116中作为预先给定的信号对象被预先给定的所预期的信号基本对象序列中的位置一致的信号基本对象的数目，减去在预先给定的时间段内识别出的、根据其在所识别出的信号基本对象序列中的位置与所预期的信号基本对象在信号对象数据库116中作为预先给定的信号对象被预先给定的所预期的信号基本对象序列中的位置不一致的信号基本对象的数目，作为针对一致性的评价值。以这种方式，维特比估计器针对信号对象数据库116的预先给定的信号对象中的每个信号对象确定评价值，其中信号对象数据库116的信号对象由所预期的信号基本对象的预先给定的序列组成并且与相应的符号相关。
换言之，这里检查n维特征向量信号138在n维相空间中所指向的点在其以预先确定的时间顺序经过n维相空间的路径中是否与在该n维相空间中的预先确定的点靠近得小于预先给定的最大距离。即，特征向量信号138具有时间波形。接着，计算评价值(例如距离)，该评价值例如可以反映存在特定序列的概率。接着，优选地在维特比估计器113之内将重新分配有时间日期(时间戳)的评价值与阈值向量进行比较，形成布尔结果，该布尔结果可具有第一值和第二值。如果该布尔结果针对该时间日期(时间戳)具有第一值，则将信号对象的符号和被分配该符号的时间日期(时间戳)从传感器传输到计算机系统。经此，所识别出的信号对象122优选地与其参数一起被传输。必要时，可以根据所识别出的信号对象来传输其它参数。
就这一点而言，为了更清楚，应该再次探讨对特征向量信号138的处理。优选地，超声回波信号1是量化向量——超声回波信号值——的序列，但是这些超声回波信号值的成分、即所测量到的参数通常将不完全彼此独立。超声回波信号1本身的每个超声回波信号值通常对于复杂关系中的精确的信号对象确定来说具有过低的选择性。这正是现有技术中的不足之处。通过由物理接口101(参见图7)通常每隔定期或规则的时间间隔根据超声回波信号1的模拟物理值的连续的流来创建一个或多个这种量化向量，形成以超声回波信号1为形式的在时间上并且在值上量化的多维超声回波信号值数据流。
这样获得的以一个或多个量化向量流为形式的该多维超声回波信号1在第一加工步骤中首先被划分成定义长度的单个帧、被滤波、被归一化、接着被正交化，并且必要时通过非线性映射——例如对数化和倒谱分析——来适当地被变形。这通过图7的特征向量提取器111中的最优滤波器的块来勾画出。即，替代最优滤波器，这里也可以设想其它信号处理结构来产生参数中间信号123。例如，这里也可以求这样生成的超声回波信号值的导数。最后，在显著性增强单元125中相对于实际的特征向量信号138对所确定的中间参数信号123进行显著性增强。如所描述的那样，这例如可以通过多维量化扇区与所谓的预先给定的LDA矩阵126的相乘来实现。
在距离确定器(或分类器)112中现在进行的识别例如可以以不同方式被执行：
a)通过神经网络，或者
b)通过HMM识别器
c)通过Petri网络。
这里，再次示例性地描述了HMM识别器(图7)：
借助于所提及的预先定义的LDA矩阵126，中间参数数据流123这样由显著性增强器125从多维输入参数空间被映射到新参数空间，由此其选择性变得最大。在这种情况下，在此获得的新的被变换的特征向量的分量不是根据真实的物理参数或其它参数来被选择，而是根据最大显著性来被选择，这引起所提及的最大选择性。
LDA矩阵126通常事先在构建时间点基于具有已知的信号对象数据集、即利用预先给定的信号波形结构获得的数据集的示例数据流事先通过训练步骤被离线计算。
如果确保由距离确定器(或分类器)112执行的方法的所有要素都实施至少局部可逆函数，则可以以近似线性变换函数的形式考虑信号波形的偏差。
来自新参数空间的坐标中的预先给定的原型信号波形(原型信号基本对象)的示例数据流中的原型在构建阶段被计算并且被存储在原型数据库115中，用于稍后的再次识别。除了这些统计数据之外，该原型数据库也可包含针对计算机系统的指令，这应该在对相应的信号基本对象原型的成功或失败的识别的情况下实现。通常，该计算机系统将是传感器系统的计算机系统。
于是，特征向量信号138的由特征提取器111针对超声回波信号1的预先给定的信号基本对象的这些原型信号波形在实验室中所输出的特征向量信号值在该原型数据库115中作为信号基本对象原型被保护。
在稍后运行时，现在例如通过在距离确定器112中计算在新参数空间的坐标中的量化向量与所有这些之前存储的信号基本对象原型115之间的欧几里德距离来将特征向量信号138的特征向量信号值与这些事先被存入的、也就是说被教导的信号基本对象原型115进行比较。在这种情况下，进行至少两次识别：
1.特征向量信号138的所识别出的特征向量值是否对应于并且以怎样的概率和可靠性对应于原型数据库115的预先存储的信号基本对象原型之一？
2.如果它是原型数据库115的已经存储的信号基本对象原型之一，那么哪个信号基本对象原型是它并且以怎样的概率和可靠性是它？
为了进行第一识别，通常也将虚拟原型存储在信号基本对象原型的原型数据库115中，这些信号基本对象原型应该尽可能覆盖所有在运行时出现的寄生参数组合。在原型数据库115中存储所提及的信号基本对象原型。
对于原型数据库115的信号基本对象原型来说，可以在构建时间点根据在距离确定器112中应用的方法针对原型数据库115的两个不同的信号基本对象原型的每个配对来确定该距离。接着，得到最小原型距离。该最小原型距离在原型数据库115中或者在距离确定器中优选地同样减半为最小原型距离的一半地被存储。
如果例如由距离确定器112所确定的在特征向量信号138的当前的特征向量信号值与原型数据库115的信号基本对象原型之间的距离低于该最小原型距离的一半，则该信号基本对象原型被评价为被识别出。从该时间点起可以排除：在进一步继续的搜索的过程中计算的距原型数据库115的其它信号基本对象原型的其它距离还可以提供更小的距离。接着，可以中断搜索，这使时间平均减半并且因此节省传感器的资源。
在此，对最小欧几里得距离的计算例如可以根据如下公式：
Figure BDA0003348021060000251
在此，dim_cnt代表直至特征向量138的最大维度dim为止的维度索引。
FVdim_cnt代表特征向量138的对应于索引dim_cnt的特征向量信号值的参数值。
Cb_cnt代表信号基本对象原型在原型数据库115中的编号。
与此相对应地，CbCB_cnt,dim_cnt代表信号基本对象原型在原型数据库115中的条目的对应于dim_cnt的参数值，该条目被分配给对应于Cb_cnt的信号基本对象原型。
DistFV_CbE代表所获得的这里示例性的最小欧几里得距离。在搜索最小欧几里得距离的情况下，记录产生最小距离的编号Cb_cnt。
为了阐明，列举例如汇编代码：
Figure BDA0003348021060000261
正确识别的置信度从所基于的针对信号基本对象原型的基本数据流的发散以及特征向量信号138的当前特征向量值距其重心的距离来得出。
图8展示了不同的识别情况。为了简化，选择针对二维特征向量信号的表示，其中每个特征向量信号值都包括第一参数值和第二参数值。这里，这只是用于：能够在二维纸张上更好地呈现方法论。实际上，特征向量信号138的特征向量信号值通常总是多维的。
绘制不同原型141、142、143、144的重心。如上所述，现在可以在原型数据库115中存入原型数据库115中的这些信号基本对象原型的最小距离的一半。那么，这会是全局参数，该全局参数对于原型数据库115的所有信号基本对象原型来说都是同样有效的。借助于该最小距离来执行该决策。但是，该决策的前提条件在于：信号基本对象原型的通过其重心方位141、142、143、144来标记的散布或多或少相同。如果由距离确定器112(或分类器)所进行的距离确定(或者其它评价)是最佳的，则情况也是如此。这对应于绕着原型数据库115的信号基本对象原型中的每个信号基本对象原型的重心141、142、142、144的圆。
但是，实际上很少能实现这一点。因而，如果原型数据库115的信号基本对象原型的散布宽度会分别被一并存储，则可以实现对识别性能的改善。这对应于绕着原型数据库115的信号基本对象原型中的每个信号基本对象原型的具有特定于该信号基本对象原型的半径的圆。缺点在于计算能力增加。
如果原型数据库115的信号基本对象原型的散布宽度通过椭圆来被建模，则可以实现对识别性能的进一步改善。为此，替代如上所述的半径，现在必须针对原型数据库115的信号基本对象原型中的优选地每个信号基本对象原型将散射椭圆(Streu-Ellipse)的主轴直径及其相对于坐标系的倾斜存储在原型数据库115中。缺点在于计算能力和存储需求的进一步大幅增加。
当然，还可以使计算进一步复杂化，但是这通常只会大幅提高花费而原型数据库115的信号基本对象原型的识别器性能不再显著提高。
因而，这里建议使用所描述的途径中的最简单的途径。
现在，通过距离确定112在图8的示例性二维参数空间中所确定的、特征向量信号138的当前的特征向量信号值的方位可能非常不同。这样可设想的是：这种第一特征向量信号值146与原型数据库115的任何一个信号基本对象原型的重心的重心坐标141、142、143、144相距太远。该距离阈值例如可以是所提及的最小原型距离的一半。也可能的是：信号基本对象原型围绕着它们各自的重心143、142的散布范围重叠并且特征向量信号138的例如所确定的第二当前的特征向量信号值145处在重叠范围内。在这种情况下，假设列表可包含具有不同的概率作为(用于不同距离的)附加参数的两个信号基本对象原型。即，接着不是将作为最可能的信号基本对象的信号基本对象移交给维特比估计器113，而是将由可能存在的信号基本对象构成的向量移交给维特比估计器113。接着，从这些假设列表的时间序列中，维特比估计器搜索可能的序列，所述可能的序列具有在其信号对象数据库中的预先给定的信号基本对象序列之一相对于经过通过维特比估计器113从距离确定器112接收到的假设列表的被识别为可能的信号基本对象121的所有可能路径的最大概率。在此，在这种路径中对于每个假设列表来说都必须使该假设列表的正好一个所识别出的信号基本对象原型遍历经过该路径。
在最好的情况下，当前的特征向量信号值148处在唯一的信号基本对象原型141的重心141周围的散布范围(阈值椭球)147内，该信号基本对象原型由此通过距离确定器112可靠地被识别并且作为所识别出的信号基本对象121被转交给维特比估计器113。
可设想的是：为了对单个信号基本对象原型的散布范围的经改善的建模，通过多个这里是圆形的具有所属的散布范围的信号基本对象原型来对该分散范围进行建模。即，原型数据库115的多个信号基本对象原型在对信号基本对象类别的理解中可以表示同一信号基本对象原型。在此的危险在于：由于信号基本对象原型的概率划分到多个这种子信号基本对象原型上，单个子信号基本对象原型的概率可能变得比其概率小于原始信号基本对象原型的概率的其它信号基本对象原型的概率更小。因此，该其它信号基本对象原型也许有可能被错误建立。
还有一个重要问题是计算能力，该计算能力必须被提供，以便可靠地识别原型数据库115的信号基本对象原型。这一点应该被多讨论一点：
重点在于：计算花费随着Cb_anz*dim、即随着码本的数目和维度而增加。
在未经优化的HMM识别器的情况下，必须被实施以便计算向量分量的汇编指令的数目约为8个步骤。
对于计算原型数据库的单个信号基本对象原型CbE距单个特征向量信号值FV的距离所需的汇编步骤的数目A_Abst大致按如下来被计算：
A_Abst＝FV_Dimension*8+8
这引起用于确定原型数据库115的具有最小距离的信号基本对象原型的汇编步骤的数目A_CB：
A_CB＝Cb_anz*(A_Abst)+4＝Cb_anz*(FV_Dimension*8+8)+4
以具有50000个信号基本对象原型(在原型数据库中的信号基本对象原型条目的数目＝CB_anz)和24个FV_Dimension(在特征向量信号值中的参数值的数目＝特征向量维度＝FV_Dimension)的中等HMM识别器为例，步骤的数目为：
特征向量信号138的每个特征向量信号值有50000*(24*8+8)+4～10百万次运算
在8kHz＝8000FV每秒(每秒的特征向量信号124的特征向量信号值)的相对低的采样率的情况下，已经需要8GIpS(每秒80亿条指令)的计算能力。
鉴于电动汽车的节能和/或减少CO2足记的挑战，这是不能接受的。
因此，如已经提及的那样，在通过距离确定器112或分类器112来执行经优化的HMM识别方法的情况下，预先计算原型数据库115的两个信号基本对象原型之间的最小距离并且将该最小距离存放在原型数据库115中或者存放在距离计算112中。这具有如下优点：如果距离确定器115找到了特征向量信号138的当前的特征向量信号值与原型数据库115的信号基本对象原型之间的小于该最小距离的一半的距离，则距离确定器112可以中断搜索。借此，对于距离确定器112来说的平均搜索时间减半。如果原型数据库115根据真实超声回波信号1中的信号基本对象原型的统计出现来被排序，则可以进行其它优化。经此可以保证：可以快得多地找到最频繁的信号基本对象原型，这进一步缩短了距离确定器112或分类器112的计算时间并且进一步降低了耗电。
对于实施因此经优化的HMM识别过程的距离确定器，计算能力需求现在如下：
再次是8个步骤用来计算向量分量的距离。用于计算原型数据库115中的信号基本对象原型条目CbE距特征向量信号138的当前的特征向量信号值FV的距离A_Abst的步骤再次是：
A_Abst＝FV_Dimension*8+8
用于确定原型数据库115的在优化的情况下具有最小距离A_CB的信号基本对象原型条目的步骤的数目稍高：
A_CB＝Cb_anz*(A_Abst)+4＝Cb_anz*(FV_Dimension*8+10)+4
两个附加的汇编指令是必需的，以便检查所确定的在当前的特征向量信号值与原型数据库115的刚刚检查的信号基本对象原型之间的距离是否低于原型数据库115的信号基本对象原型之间的最小距离的一半。
此外，用于移动和能源自给自足的应用的原型数据库115的信号基本对象原型条目的数目CB_Anz限于在原型数据库115中的信号基本对象原型的4000个原型数据库条目或者还更少。
此外，通过在特征向量提取器111中的滤波和在特征向量提取器111中对采样率的降低来减少在特征向量信号138之内的每秒的特征向量信号值的数目。
这以简单的示例来被阐述：
所提及的实施中等HMM识别方法的距离确定器112或分类器112现在利用只还具有不足十分之一的条目、例如具有4000个条目CbE以及还具有24个特征向量信号维度(即24个参数信号)的原型数据库115来被运行。
现在，步骤的数目为
特征向量信号138的每个特征向量信号值有4000*(24*8+10)+4～808004次运算
在特征向量信号值率降低到每秒100个特征向量信号值的情况下，在特征向量提取器111中从10ms时间窗中提取超过例如各80个采样值，并且在当前的特征向量信号值距原型数据库115的经处理的信号基本对象原型的距离低于最小原型数据库条目距离的一半时对搜索的中断，得到在对原型数据库115的适当排序的情况下花费至少减半。
接着，所需的计算能力降低到<33DSP-Mips(每秒33百万次运算)。实际上，原型数据库排序引起还更低的例如为30Mips的计算能力需求。借此，该系统才有实时能力并且能集成到单个IC中并且借此能完全集成到传感器中。
通过预选可以限制搜索空间。在此，前提是数据的均匀分布＝在几何象限中心的象限重心。
原型数据库115的规模的必要的减小具有如下优点和缺点：
对原型数据库115的条目数目的减少不仅提高了错误接受率FAR、即作为信号基本对象原型被接受的错误的信号基本对象原型，而且提高了错误拒绝率FRR、即未被识别出的实际存在的信号基本对象原型。
另一方面，经此减少了资源需求(计算能力、芯片面积、存储器、耗电等等)。
此外，在通过距离确定器112形成假设的情况下可以使用先前历史、也就是说之前识别出的信号基本对象原型。适合于此的模型是所谓的隐马尔可夫模型HMM。
因此，对于每个信号基本对象原型来说，都可以得出置信度和距特征向量信号138的所测量到的当前的特征向量信号值的距离，该置信度和该距离也可以由维特比估计器113来进一步处理。也合理的是：分别输出针对所识别出的信号基本对象原型121的假设列表，该假设列表例如包含具有该识别的相应概率和可靠性的十个最可能的信号基本对象原型。
由于并非每个时间和空间信号基本对象序列都可以被分配给信号对象，所以可能的是：通过维特比估计器113来评估连续帧的假设列表的时间连续序列。
在这种情况下，能通过连续的假设列表来找到信号基本对象原型序列路径，该信号基本对象原型序列路径具有最高概率并且存在于维特比估计器113的信号对象数据库116中。
在这种情况下，进而也进行至少两次识别：
1.信号基本对象原型的最可能的序列是否是信号基本对象原型的已经存入的序列之一以及以怎样的概率和可靠性是信号基本对象原型的已经存入的序列之一？
2.如果该序列是信号基本对象原型的已经存储的序列之一，则哪个序列是它并且以怎样的概率和可靠性是它？
为此，一方面可以通过学习程序来将以信号基本对象原型的预先给定的序列组成的条目为形式的这种原型信号输入对象数据库116，另一方面，这也可以经由输入工具来手动进行，该输入工具能够实现经由键盘对信号基本对象原型的这些序列的输入。
借助于维特比估计器113，可以根据距离确定器112或分类器112的假设列表的序列来确定对于所识别出的信号基本对象原型121的序列来说信号基本对象原型的预先定义的序列中的最可能的序列。这一点尤其是在各个信号基本对象原型由于距离确定器112或分类器112引起的测量误差而被错误识别时也适用。就这方面来说，如上所述地由维特比估计器113接管距离确定器112或分类器112的信号基本对象原型假设列表的序列非常合理。结果是被识别为最可能的信号对象122，或者类似于先前所描述的距离估计器112或分类器112的发射计算(Emissionsberechnung)而是信号对象假设列表。
最后，应考虑信号对象识别机器的功能组件。该功能组件在图7中作为维特比估计器113被加入。维特比估计器113的这种搜索访问信号对象数据库116。信号对象数据库116一方面通过学习工具被馈送并且另一方面通过工具被馈送，其中信号基本对象原型的这些序列可以通过文本输入来被规定。这里应只是为了完整起见而提及在生产中下载的可能性。
在维特比估计器119中用于信号基本对象原型的时间序列的序列识别的基础示例性地是隐马尔可夫模型。该模型由不同的状态建立。在图9中说明的示例中，这些状态通过被编号的圆来象征性地表现。在图9中提及的示例中，这些圆从Z1到Z6被编号。在这些状态之间形成转移。这些转移在图9中用字母a和两个索引i、j来表示。第一索引i表示输出节点的编号，第二索引j表示目标节点的编号。除了在两个不同节点之间的转移之外，也存在又回到起始节点的转移aii或者ajj。还存在能够跳过节点的转移。因此，根据该序列，分别得到实际观察到第k个可观察bk的概率。因此，得到能用可预先计算的概率bk观察到的可观察序列。
在此重要的是：每个隐马尔可夫模型都由不可观察的状态qi组成。在两个状态qi与qj之间，存在转移概率aij。
因此，用于从qi转移到qj的概率p可以被写作：
Figure BDA0003348021060000321
在此，n代表离散时间点。即，在具有状态qi的步骤n与具有状态qj的步骤n+1之间进行转移。发射分布bi(Ge)取决于状态qi。如已经阐述的那样，这是在系统(隐马尔可夫模型)处在状态qi时观察到(可观察的)最基本Ge的概率：
p(Ge|qi)≡bi(Ge)
为了能够启动该系统，必须规定初始状态。这通过概率向量πi来实现。然后可以说明：概率为πi的状态qi是初始状态：
p(qi 1)≡πi
重要的是：针对信号基本对象原型的每个序列，必须创建新的模型。在模型M中，应该确定信号基本对象原型的时间观察序列的观察概率
Figure BDA0003348021060000322
这对应于不是直接可观察到的时间状态序列，该时间状态序列对应于如下序列：
Figure BDA0003348021060000323
观察到该时间状态序列Q的取决于模型M、该状态序列Q和时间观察序列Ge的概率p是：
Figure BDA0003348021060000324
借此，作为状态序列
Figure BDA0003348021060000325
的概率，在模型M中得到：
Figure BDA0003348021060000331
因此，得到用于识别信号对象的概率与信号基本对象原型的序列相同(也参见图10)：
Figure BDA0003348021060000332
在此，通过对引起信号基本对象原型Ge的所观察到的序列的所有可能的路径的单个概率Qk的这种求和来确定所观察到的发射Ge的最可能的信号对象模型(信号对象)。
Figure BDA0003348021060000333
所有可能的路径Q的求和由于可能的计算花费而并非没有问题。因而，通常非常早地被中断。因而提出只使用最可能的路径Qk。这一点在下文被讨论。
该计算通过递归计算来实现。在时间点n观察到系统在状态qi下的概率an(i)可以按如下地被计算：
Figure BDA0003348021060000334
Figure BDA0003348021060000335
在这种情况下，进入状态qi+1的所有S条可能的路径进行求和。
在此假设：到达状态qi n+1的概率由最佳路径决定。那么，可以误差低地简化总和。
Figure BDA0003348021060000336
现在，通过从最后一个状态出发回溯，获得该最佳路径。
该路径的概率是数学乘积。因而，对数计算将问题简化成纯求和问题。在此，用于识别信号对象(这对应于模型Mj的识别)的概率对应于对用于所观察到的发射X的最可能的信号对象模型的确定。现在该发射仅通过最佳的可能路径Qbest来实现
Figure BDA0003348021060000341
借此，该概率变成
Figure BDA0003348021060000342
现在特别重要的是：原型数据库115只包含信号基本对象原型。
所识别出的信号对象与所识别出的参数一起被传输而不是与采样值一起被传输。这引起在不抛弃信号特性的情况下对数据的压缩。
特别重要的是：这里不识别处在车辆的环境中的障碍物对象。更确切地说，在超声回波信号1之内的结构被识别并且被用于压缩。
只有这样才能够在控制器中在接收到数据之后对信号进行无评价的重建。
即，不同于现有技术，本发明的目标并不是探测处在车辆的环境中的障碍物对象并且对这些障碍物对象进行分类并且由此引起数据压缩，而是通过限于与应用相关的信号形状成分来尽可能无损地对超声回波信号1本身进行压缩和传输。
接着，超声传感器向计算机系统传输这样压缩的数据，优选地只传输这样被识别出的原型的编码(符号)、这些原型的幅度和/或时间延展和出现时间点(时间戳)。经此，通过经由超声传感器与计算机系统之间的数据总线进行数据传输引起的EMV负荷被减小到最低限度，并且可以为了在时间间隔内的系统错误识别而将超声传感器的状态数据经由超声传感器与计算机系统之间的数据总线传输给计算机系统，这改善了等待时间。结合本发明，已经认识到：对经由数据总线对数据的传输区分优先次序可能是有利的。但是，该区分优先次序并不涉及如从现有技术中公知的那样相对于其它总线用户而言的区分优先次序。更确切地说，在车辆的传感器与计算机系统之间的数据连接通常是点对点连接。因而，更确切地说，该区分优先次序能被理解如下：由传感器系统所确定的数据中的哪个数据必须在时间上作为第一控制器被传输。在此，将传感器的安全关键的错误报告给计算机系统具有最高优先级，因为这些错误以高概率损害超声传感器的测量数据的有效性。这些数据由传感器发送给计算机系统。计算机系统对执行安全相关的自测试的请求具有第二高的优先级。这种指令由计算机系统发送给传感器。由于等待时间不允许被增加，所以超声传感器本身的数据具有第三高的优先级。对于经由数据总线的传输来说，所有其它数据具有更低的优先级。
特别有利的是：设计用于将传感器数据、尤其是超声传感器的传感器数据从传感器传输到计算机系统、尤其是在车辆中的计算机系统的方法，该方法包括以发出超声脉冲串的开始57和结束56来发出超声脉冲串并且包括至少从对超声脉冲串的发出的结束56起的接收时间TE内形成接收信号以及包括将压缩数据经由数据总线、尤其是单线数据总线传输给计算机系统，使得将数据从传感器传输54给计算机系统，开始于从计算机系统经由数据总线向超声传感器的开始指令53并且在超声脉冲串的发出的结束56之前，或者在从计算机系统经由数据总线向传感器的开始指令53之后并且在超声脉冲串的发出的开始57之前开始。接着，在开始指令53之后周期性地连续地进行传输54，直至数据传输58结束为止。那么，数据传输58的该结束在时间上在接收时间TE结束之后。
因此，作为数据压缩的第一步骤，所提出的方法的另一变型方案规定了：根据接收信号形成特征向量信号(具有n个特征向量值并且n作为特征向量的维度的特征向量流)。这种特征向量信号可包括多个模拟和数字数据信号。即，该特征向量信号是或多或少复杂的数据/信号结构的时间序列。在最简单的情况下，该特征向量信号可以被理解成由多个部分信号组成的向量信号。
例如可能合理的是：求接收信号的一阶和/或更高阶的时间导数或者接收信号的单次或多次积分，那么这些时间导数和积分是在特征向量信号之内的部分信号。
也可以形成接收信号(超声回波信号)的包络线信号，那么该包络线信号可以是在特征向量信号138之内的部分信号。
还可能合理的是：将接收信号与所发出的超声信号进行卷积并且这样形成相关信号，那么该相关信号可以是在特征向量信号之内的部分信号。在此，一方面可以使用该信号作为所发出的超声信号，该信号被用于操控发送器的驱动器，或者另一方面例如使用了在发送器处测量到并且这样更好地对应于实际发出的声波的信号。
最后，可能合理的是：通过最优滤波器(英文matched filter)来探测预先确定的信号对象的出现并且针对预先确定的信号对象中的一些信号对象的相应的信号对象形成最优滤波信号。在这种情况下，最优滤波器(英文matched filter)是对信噪比(英文Signalto noise ratio，SNR)进行优化的滤波器。在受干扰的超声接收信号中，应该识别预先定义的信号对象。名称相关滤波器、信号匹配滤波器(SAF)或者只是匹配滤波器也常常出现在该文献中。最优滤波器用于在存在干扰的情况下最佳地确定已知的信号形状、也就是说预先确定的信号对象的幅度和/或方位的存在(探测)(参数估计)。这些干扰例如可能是其它超声发送器和/或地面回波的信号。
那么，最优滤波器输出信号优选地是在特征向量信号之内的部分信号。
某些事件可以在特征向量信号的单独的部分信号中被用信号通知。这些事件就本发明而言是信号基本对象。即，信号基本对象不包括信号形式，诸如矩形脉冲或小波或波列，而是包括在接收信号的波形中和/或在从中导出的信号的波形中的独特的点，所述信号诸如包络线信号(超声回波信号)，该包络线信号例如可以通过从接收信号中的滤波来被获得。
可以是特征向量信号的部分信号的另一信号例如可以用信号通知：接收信号的包络线、超声回波信号是否越过预先给定的第三阈值。即，涉及如下信号，该信号用信号通知在接收信号并且由此特征向量信号之内存在信号基本对象。
可以是特征向量信号的部分信号的另一信号例如可以用信号通知：接收信号的包络线、超声回波信号是否上升地越过预先给定的第四阈值，该第四阈值可与第三阈值相同。即，涉及如下信号，该信号用信号通知在接收信号并且借此特征向量信号之内存在信号基本对象。
可以是特征向量信号的部分信号的另一信号例如可以用信号通知：接收信号的包络线、超声回波信号是否下降地越过预先给定的第五阈值，该第五阈值可与第三或第四阈值相同。即，涉及如下信号，该信号用信号通知在接收信号并且由此特征向量信号之内存在信号基本对象。
可以是特征向量信号的部分信号的另一信号例如可以用信号通知：接收信号的包络线、超声回波信号是否具有高于第六阈值的最大值，该第六阈值可与之前提到的第三至第五阈值相同。即，涉及如下信号，该信号用信号通知在接收信号并且借此特征向量信号之内存在信号基本对象。
可以是特征向量信号的部分信号的另一信号例如可以用信号通知：接收信号的包络线、超声回波信号是否具有高于第七阈值的最小值，该第七阈值可与之前提到的第三至第六阈值相同。即，涉及如下信号，该信号用信号通知在接收信号并且借此特征向量信号之内存在信号基本对象。
在此，优选地评估：超声回波信号的至少一个先前的最大值具有距最小值的最小距离，以便避免探测到噪声。就这一点而言，其它滤波是可设想的。也可以检查：在该最小值与先前的最大值之间的时间间隔大于第一最小时间间隔。这些条件的满足分别设置标志或信号，该标志或信号本身又优选地是特征向量信号的部分信号。
同样应该以类似的方式检查：其它信号对象的时间间隔和按幅度的距离满足一定的合理性要求，如最小时间间隔和/或在幅度方面的最小距离。根据这些检查，也可以得出其它的、也包括模拟的、二元值的或数字的部分信号，因此这些部分信号在特征向量信号的维数方面使该特征向量信号进一步增大。
必要时，特征向量信号可以在显著性增加阶段例如通过线性映射或者更高阶的矩阵多项式还被变换成显著的特征向量信号。但是，实践中已经表明：这至少对于如今的要求来说还不必要。
按照所提出的方法，然后在接收信号之内基于特征向量信号或者显著的特征向量信号来识别信号对象并且将这些信号对象分类成所识别出的信号对象类别。
如果例如最优滤波器的输出信号并且借此特征向量信号的部分信号的幅度高于必要时特定于最优滤波器的第八阈值，则该最优滤波器被设计用于对其进行探测的信号对象可以被视为被识别出。在此，优选地也考虑其它参数。如果例如超声脉冲串以在该脉冲串期间上升的频率来被发送(称为啁啾)，则也预期回波，该回波具有该调制特性。如果超声回波信号的信号形状、例如超声回波信号的三角形信号形状在时间上与所预期的信号形状一致，但却不是调制特性，则不是发送器的回波，而是干扰信号，该干扰信号可来源于其它超声发送器或者来自超传播距离。就这方面来说，接着该系统可以在自回波与外来回波之间进行区分，由此同一信号形状被分配给两个不同的信号对象、即自回波和外来回波。在此，优选相对于对外来回波的传输而言优先地将自回波经由数据总线从传感器传输到计算机系统，因为前者通常安全相关而后者通常安全不相关。
通常，给每个所识别出的信号对象分配至少一个信号对象参数或者针对该信号对象确定该至少一个信号对象参数。优选地，该信号对象参数是时间戳，该时间戳说明了信号对象是何时被接收到的。在此，时间戳例如可涉及在接收信号中的信号对象的时间开始或者信号对象的时间重心的时间方位等等。其它信号对象参数、如幅度、延伸等等也是可设想的。因此，在按照本发明的方法的一个变型方案中，所分配的信号对象参数中的至少一个信号对象参数与用于至少一个所识别出的信号对象类别的符号共同被传输。优选地，信号对象参数是作为时间戳的时间值并且说明了时间位置，该时间位置适合于能够据此推断自从发出先前的超声脉冲串以来的(接收)时间。优选地，稍后据此根据这样确定和传输的时间值来确定对象的所确定的距离。
最后，优选地分别与所分配的信号对象参数共同以所分配的具有时间戳的符号的形式区分优先次序地传输所识别出的信号对象类别。该传输也可以在更复杂的数据结构(英文：Records)中实现。例如，可设想的是：首先传输所识别出的安全相关的信号对象(例如所标识的障碍物)的时间点并且接着传输安全相关的信号对象的所识别出的信号对象类别。经此，进一步减少了等待时间。
在一个变型方案中，按照本发明的方法至少包括：确定啁啾值作为所分配的信号对象参数，该啁啾值说明了所识别出的信号对象是否是超声发送脉冲串的具有啁啾向上(Chirp-Up)或啁啾向下(Chirp-Down)或无啁啾特性的回波。啁啾向上意味着：在信号对象之内的接收信号的频率升高。啁啾向下意味着：在信号对象之内的接收信号的频率下降。无啁啾意味着：在信号对象之内的接收信号的频率基本上保持不变。就这一点而言，应参阅DE-B-10 2017 123 049、DE-B-10 2017 123 050、DE-B-10 2017 123 051和DE-B-10 2017123 052，这些文献全文是本发明的部分。
因此，在按照本发明的方法的一个变型方案中，也通过在一方面接收信号或替代接收信号以从接收信号导出的信号与另一方面参考信号、例如超声发送信号或另一所预期的小波之间形成相关、例如形成时间连续或时间离散的相关积分来形成置信信号。那么，置信信号通常是特征向量信号的部分信号，即由向量采样值(特征向量值)的序列组成的特征向量的分量。
在按照本发明的方法的一个变型方案中，基于此也形成相位信号，该相位信号说明了例如接收信号或由此形成的信号(例如置信信号)相对于参考信号、例如超声发送信号和/或其它参考信号而言的相位偏移。那么，相位信号通常同样是特征向量信号的部分信号，即由向量采样值的序列组成的特征向量的分量。
类似地，在按照本发明的方法的另一变型方案中，可以通过在一方面相位信号或由此导出的信号与参考信号之间形成相关来形成相位置信信号，并且将该相位置信信号用作特征向量信号的部分信号。那么，相位置信信号通常同样是特征向量信号的部分信号、即由向量采样值的序列组成的特征向量的分量。
那么，在评估特征向量信号时，可能合理的是：执行相位置信信号与一个或多个阈值的比较，以产生离散化的相位置信信号，所述离散化的相位置信信号本身又可以成为特征向量信号的部分信号。
在所提出的方法的一个变型方案中，可以评估特征向量信号和/或显著的特征向量信号，使得在特征向量信号与用于可识别出的信号对象类别的一个或多个信号对象原型值之间形成一个或多个距离值。这种距离值可以是布尔型、二元值的、离散的、数字的或模拟的。优选地，所有距离值都在非线性函数中彼此关联。这样，在所预期的以三角形形状的啁啾向上回波的情况下，可以将所接收到的以三角形形状的啁啾向下回波丢弃。该丢弃就本发明而言是非线性过程。
相反，在接收信号中的三角形可以表现得不一样。这首先涉及在接收信号中的三角形的幅度。如果在接收信号中的幅度足够，则例如被分配给该三角形信号的最优滤波器提供高于预先给定的第九阈值的信号。那么，在这种情况下例如可以将该信号对象类别(三角形信号)分配给在超过的时间点所识别出的信号对象。在这种情况下，在特征向量信号与原型(这里是第九阈值)之间的距离值低于一个或多个预先确定的、二元值的、数字的或模拟的距离值(这里0＝交叉)。
在按照本发明的方法的另一变型方案中，至少一个信号对象类别是小波，这些小波通过估计装置(例如最优滤波器)和/或估计方法(例如在数字信号处理器中运行的估计程序)来被估计并且借此被探测。术语“小波”表示可基于连续或离散的小波变换的函数。词语“小波(Wavelet)”是来自法语“ondelette”的新造词，该“ondelette”指的是“小的波”并且是部分字面意思("onde"->"wave")、部分语音("-lette"->"-let")被转用于英语的。术语“小波(Wavelet)”是1980年代在地球物理学(Jean Morlet，Alex Grossmann)中为了概括短期傅里叶变换的函数而创造的，但是自从1980年代末以来才用于如今的习惯性含义。在1990年代，由Ingrid Daubechies(1988年)发现紧致、连续(可达任何可微阶数)和正交小波和由Stéphane Mallat和Yves Meyer(1989年)借助于多分辨率分析(MultiResolutionAnalysis——MRA)对快速小波变换(FWT)算法的发展引发了真正的小波热潮。
不同于傅里叶变换的正弦和余弦函数，最常使用的小波不仅在频域中具有局部性，而且在时域中具有局部性。在此，“局部性”应被理解成小范围传播。概率密度是所考虑的函数或其傅里叶变换的归一化数值平方。在此，两个方差的乘积总是大于一个常数，类似于海森堡的不确定性原理。从该限制出发，在函数分析中形成了Paley-Wiener理论(Raymond Paley，Norbert Wiener)——离散小波变换的先驱，和Calderón-Zygmund理论(Alberto Calderón，Antoni Zygmund)，该理论对应于连续小波变换。
小波函数的积分虽然始终为0，因而通常小波函数通常采取向外运行(变小的)波的形式(即“Wellchen”＝Ondelettes＝小波)。但是，就本发明而言，也应该容许具有非0的积分的小波。这里，应示例性地提到在下文描述的矩形和三角形小波。对术语“小波”的该其它解读在美语区流行并且因而是众所周知的。该其它解读这样也应适用。
积分为0的小波的重要示例是Haar小波(Alfréd Haar 1909年)，以IngridDaubechies命名的Daubechies小波(1990年左右)，同样由她构建的Coiflet小波和理论上更重要的Meyer小波(Yves Meyer,1988年左右)。
对于任意维度的空间来说都存在小波，大多使用一维小波基的张量积。由于MRA中二尺度方程的分形性质，大多数小波具有复杂造型，该复杂造型大多没有封闭形状。因此，这一点特别重要，因为之前提及的特征向量信号是多维的并且因而容许使用多维小波来进行信号对象识别。
因而，所提出的方法的一个特别的变型方案是使用具有超过两个维度的多维小波来进行信号对象识别。尤其是，提出了使用相对应的最优滤波器来识别这种具有超过两个维度的小波，以便必要时给特征向量信号补充适合于识别的其它部分信号。
特别适合的小波例如是三角形小波。该三角形小波的特点在于开始时间点、小波幅度的在时间上在该开始时间点之后的在时间上基本上线性的直至该幅度的最大值为止的升高以及小波幅度的在时间上在该三角形小波的最大值之后的基本上线性的直至该三角形小波结束为止的下降。
另一种特别适合的小波是矩形小波，该矩形小波就本发明而言也一并包括梯形小波。矩形小波的特点在于矩形小波的开始时间点，在该开始时间点之后，小波幅度以第一时间陡度升高直至第一平台时间点为止。在矩形小波的第一平台时间点之后，小波幅度以小波幅度的第二陡度保持，直至矩形小波的第二平台时间点为止。在第二平台时间点之后，以第三时间陡度下降，直至矩形小波的时间结束为止。在此，第二时间陡度的数值小于第一时间陡度的数值的10％并且小于第三时间陡度的数值的10％。
替代之前描述的小波，也能够使用其它的二维小波，诸如正弦半波小波，该正弦半波小波同样具有不等于0的积分。
提出：在使用小波时，使用所识别出的信号对象的相关小波的时间偏移作为信号对象参数。例如，可以通过相关来确定该偏移。进一步提出：在使用小波时，优选地使用适合于探测相关小波的最优滤波器的输出端的电平超过用于该信号对象或该小波的预先定义的第十阈值的时间点。优选地，评估接收信号的超声回波信号(包络线)和/或相位信号和/或置信信号等等。
可被确定的另一可能的信号对象参数是所识别出的信号对象的相关小波的时间压缩或扩展。同样可以确定所识别出的信号对象的小波的幅度。
在本发明的框架内，已经认识到：有利的是，将非常快地抵达的回波的所识别出的信号对象的数据首先从传感器传输到计算机系统并且然后才将稍后识别出的信号对象的后续数据从传感器传输到计算机系统。在此，优选地，总是至少传输所识别出的信号对象类别和时间戳，该时间戳优选地应该说明信号对象再次抵达传感器的时间。在识别过程的框架内，可以给被考虑用于接收信号的部分的不同信号对象分配得分值，这些得分值说明了根据所使用的估计算法给该信号对象的存在分配怎样的概率。这种得分值在最简单的情况下是二元值的(binaer)。然而，优选地，得分是复数、实数或者整数。例如可涉及所确定的距离。只要多个信号对象具有高得分值，在有些情况下也传输所识别出的具有较低得分值的信号对象的数据就是合理的。为了能够使计算机系统进行正确操作，针对这种情况不仅应该传输所识别出的信号对象的数据(符号)和相应的信号对象的时间戳，而且应该传输所确定的得分值。替代只传输所识别出的信号对象的数据(符号)以及与该符号相对应的信号对象的时间戳，也可以附加地一并传输具有第二小的距离的信号对象的数据(符号)及其针对与该第二可能的符号相对应的信号对象的时间戳。因此，在这种情况下，将由两个所识别出的信号对象及其时间位置以及附加地分配的得分值组成的假设列表传输给计算机系统。当然，也将由用于超过两个所识别出的信号对象的超过两个符号及其时间位置以及附加地分配的得分值组成的假设列表传输给计算机系统。
优选地，根据先进先出(First-In-First-Out，FIFO)原则来传输所识别出的信号对象类别的数据和所分配的数据，诸如相应的所识别出的信号对象类别的时间戳和得分值、即所分配的信号对象参数。这确保了：总是首先传输离得最近的对象的反射的数据，并且这样根据概率区分优先次序地处理车辆与障碍物相撞的安全关键情况。
除了传输测量数据之外，也可以传输传感器的故障数据。如果传感器通过自测试装置查明存在损坏并且之前传输的数据潜在地可能会有错误，则这也可以在接收时间TE期间进行。因此确保了：计算机系统可以在可能的最早的时间点了解对测量数据的评价的改变并且可以将这些测量数据丢弃或者另行处理。这对于紧急制动系统来说特征重要，因为紧急制动是安全关键的干预，该安全关键的干预只有当所基于的数据具有相对应的可信度时才允许被引入。因此，与此相对应地，对测量数据、即例如所识别出的信号对象类别的数据的传输和/或对至少一个所分配的信号对象参数的参数被推迟并且借此被给予较低的优先次序。当然，在传感器中出现故障时中断传输是可设想的。但是，在有些情况下，也可能的是：故障可能出现，但是不一定存在。就这方面来说，在这种情况下也许继续传输是合适的。因此，优选地优先次序更高地传输传感器的安全关键的故障。
除了已经描述的积分值为0的小波和附加地这里称为积分值不为0的小波的信号部分之外，在接收信号的过程中的某些时间点也可以被理解成就本发明而言的信号基本对象，这些时间点可以被用于数据压缩并且可以替代接收信号的采样值来被传输。在可能的信号基本对象的集合中的该子集在下文称为信号时间点。即，就本发明而言，这些信号时间点是信号基本对象的特殊形式。
第一可能的信号时间点并且借此信号基本对象是超声回波信号1的幅度与第十一阈值信号SW的幅度在上升方向上的交叉。
第二可能的信号时间点并且借此信号基本对象是超声回波信号1的幅度与第十二阈值信号SW的幅度在下降方向上的交叉。
第三可能的信号时间点并且借此信号基本对象是超声回波信号1的幅度的高于第十三阈值信号SW的幅度的最大值。
第四可能的信号时间点并且借此信号基本对象是超声回波信号1的幅度的高于第十四阈值信号SW的幅度的最小值。
必要时，可能合理的是：针对这四种示例性的信号时间点类型并且针对其它信号时间点类型，使用特定于信号时间点类型的阈值信号SW。
信号基本对象的时间序列通常并不是任意的。这一点有利地被使用，因为优选地不应该传输性质更简单的信号基本对象，而是应该传输这些信号基本对象的序列的所识别出的模式，那么这些模式表示真正的信号对象。如果例如在幅度足够的超声回波信号1中预期有三角形小波，则除了在适合于探测这种三角形小波的最优滤波器的输出端处的相对应的最小电平之外，可以与超过在所提及的最优滤波器的输出端处的所提及的最小电平时间相关地预期
1.出现具有超声回波信号1的幅度与阈值信号SW的幅度在上升方向上的交叉的第一可能的信号时间点以及在时间上紧接于此地
2.出现具有超声回波信号1的幅度的高于阈值信号SW的幅度的最大值的第三可能的信号时间点并且在时间上紧接于此地
3.出现具有超声回波信号1的幅度与阈值信号SW的幅度在下降方向上的交叉的第二可能的信号时间点。
于是，在该示例中，三角形小波的信号对象在于三个信号基本对象的预先定义的序列，这三个信号基本对象被识别并且被符号替换并且作为该符号优选地与其出现时间点、即时间戳共同被传输。此外，这种超过在所提及的最优滤波器的输出端处的所提及的最小电平是第五可能的信号时间点并且由此是另一可能的信号基本对象。
因此得到的所识别出的信号基本对象的分组和时间序列本身可以例如通过维特比解码器被识别为信号基本对象的预先定义的、所预期的分组或时间序列并且因此本身又可以表示信号基本对象。因此，第六可能的信号时间点以及由此信号基本对象是其它信号基本对象的这种预先定义的分组和/或时间序列的出现。
如果信号基本对象的这种分组或者以信号对象为形式的这种信号对象类别的时间序列被识别出，则优选地替代传输各个信号基本对象，传输该所识别出的汇总的信号对象类别的符号和至少所分配的信号对象参数。然而，也可能存在两者都被传输的情况。在这种情况下，传输信号对象的信号对象类别的数据(符号)，其是其它信号基本对象的预先定义的的时间序列和/或分组。为了实现压缩，有利的是：不传输这些其它信号基本对象中的至少一个其它信号基本对象的至少一个信号对象类别(符号)。
尤其是当这些信号基本对象的时间间隔不超过预先定义的间隔时，存在信号基本对象的时间分组。在之前提及的示例中，应该考虑信号在最优滤波器中的渡越时间。通常，最优滤波器允许比比较器更慢。因而，在最优滤波器的输出信号中的变化应该与重要信号时间点的时间出现保持固定的时间关系。
这里提出了一种用于将传感器数据、尤其是超声传感器的传感器数据从传感器传输到计算机系统、尤其是在车辆中的计算机系统的方法，该方法开始于发出超声脉冲串以及接收到超声信号以及形成由采样值序列组成的时间离散的接收信号。在此，每个采样值都分配有时间日期(时间戳)。然后，借助于至少一个适合的滤波器(例如最优滤波器)从接收信号的采样值序列来确定分别关于相应被分配给各自的参数信号的信号基本对象的存在的至少两个参数信号。所得到的参数信号(特征向量信号)同样设计成相应的参数信号值(特征向量值)的时间离散的序列，这些参数信号值分别与日期(Datum)(时间戳)相关。因此，优选地给每个参数信号值(特征向量值)分配正好一个时间日期(时间戳)。在下文，这些参数信号共同称为特征向量信号。因此，特征向量信号设计成分别具有n个参数信号值的特征向量信号值的时间离散的序列，这些特征向量信号值由这些参数信号值和分别具有相同的时间日期(时间戳)的其它参数信号值组成。在这种情况下，n是各个特征向量信号值的维数，这些特征向量信号值优选地从一个特征向量值到下一个特征向量值都相同。给每个这样形成的特征向量信号值都分配该相应的时间日期(时间戳)。然后评估特征向量信号在所得到的n维相空间中的时间波形以及在确定评价值(例如距离)的情况下推断所识别出的信号对象。如上所述，信号对象在此由信号基本对象的时间序列组成。在此，通常预先定义地给信号对象分配符号。换言之，这里检查n维特征向量信号在n维相空间中指向的点在其以预先确定的时间顺序经过该n维相空间的路径中是否与在该n维相空间中的预先确定的点靠近得小于预先给定的最大距离。即，特征向量信号具有时间波形。接着，计算评价值(例如距离)，该评价值例如可以反映特定序列的存在概率。接着，将重新分配有时间日期(时间戳)的评价值与阈值向量进行比较，形成布尔结果，该布尔结果可具有第一值和第二值。如果该布尔结果针对该时间日期(时间戳)具有第一值，则将信号对象的符号和被分配该符号的时间日期(时间戳)从传感器传输到计算机系统。必要时，可以根据所识别出的信号对象来传输其它参数。
特别有利的是根据所识别出的信号对象122来重建经重建的超声回波信号模型610。该超声回波信号模型610由各个所识别出的信号对象的求和地线性重叠的信号波形模型来产生。然后，从超声回波信号1减去该超声回波信号模型。经此，形成残余信号660。经此，与以更高概率识别出的所选择的信号对象相似的信号对象被更好地抑制。较弱的信号对象更好地出现在残余信号660中并且可以更好地被识别(也参见图18)。因此，优选地也从超声回波信号1减去由所识别出的信号对象重建的超声回波信号模型610，以形成残余信号660。接着，这样形成的残余信号660再次被用于形成特征向量信号138并且下一个信号对象以下一个更高的概率被识别。由于首先识别出的信号对象是根据其权重从输入信号中被除去的，所以该信号对象不再能够影响该识别。因此，这种形式的识别提供了更好的结果。
但是，该识别方法通常较缓慢。因而，合理的是：首先在测量还在进行期间已经执行在没有减去情况下的直接的第一对象识别，接着在检测到车辆环境的超声回波响应的所有采样值之后在发出超声脉冲或超声脉冲串之后执行其中进行超声回波信号模型610的减去的再次模式识别，这虽然持续时间更长，但是为此更准确。
优选地，如果残余信号660的采样值的数值低于预先给定的阈值曲线的数值，则结束借助于超声回波信号模型610将超声回波信号1分类成信号对象的这种缩小分类。
特别优选地，在车辆中经由串行双向单线数据总线来进行数据传输。在这种情况下，优选地通过车辆的车身来确保电回路线路。优选地，将传感器数据以电流调制的方式发送给计算机系统。通过计算机系统优选地以电压调制的方式向传感器发送用于控制该传感器的数据。已经认识到：PSI5数据总线和/或DSI3数据总线的使用特别适合于数据传输。还已经认识到：特别有利的是，将数据以>200kBit/s的传输率传输给计算机系统并且从计算机系统以>10kBit/s、优选地20kBit/s的传输率传输到至少一个传感器。还已经认识到：数据从传感器向计算机系统的传输应该利用发送到数据总线上的发送电流来被调制，该发送电流的电流强度应该小于50mA、优选地小于5mA、优选地小于2.5mA。针对这些运行值，这些总线必须相对应地被匹配。但是，基本原则继续有效。
为了执行上述方法，需要一种计算机系统，该计算机系统具有与所提及的数据总线、优选地所提及的单线数据总线的数据接口，该计算机系统支持对以这种方式压缩的数据的解压缩。然而，该计算机系统通常不会进行完整的解压缩，而是例如仅评估时间戳和所识别出的信号对象类型。为了执行上述方法之一所需的传感器具有至少一个发送器和用于产生接收信号的至少一个接收器，该发送器和该接收器也可以作为一个或多个换能器来组合地存在。该传感器还至少具有：用于处理和压缩接收信号的装置；以及用于将数据经由数据总线、优选地所提及的单线数据总线传输给计算机系统的数据接口。为了压缩，用于压缩的装置优选地具有如下子装置至少之一：
-最优滤波器；
-比较器；
-用于产生一个或多个阈值信号SW的阈值信号生成装置；
-用于求导数的微分器；
-用于求积分信号的积分器；
-其它滤波器；
-用于由接收信号产生包络线信号(超声回波信号)的包络线成形器；
-用于将接收信号或从中导出的信号与参考信号进行比较的相关滤波器。
在一种特别简单的形式中，所提出的用于将传感器数据、尤其是超声传感器的传感器数据从传感器传输到计算机系统、尤其是在车辆中的计算机系统的方法按如下地被实施：
该方法开始于发出超声脉冲串。然后，接收超声信号、即通常是反射，并且形成由采样值的时间序列组成的时间离散的接收信号。在此，每个采样值都分配有时间日期(时间戳)。该时间日期通常再现采样时间点。基于该数据流，借助于第一滤波器根据接收信号的采样值序列来确定第一特性的第一参数信号。在此，参数信号优选地再次设计成参数信号值的时间离散的序列。又给每个参数信号值分配正好一个时间日期(时间戳)。优选地，该日期对应于被用于形成该相应的参数信号值的采样值的最新的时间日期。与此时间上并行地，优选地借助于被分配给至少一个其它参数信号的另一滤波器根据接收信号的采样值序列来确定被分配给该其它参数信号的特性的该其它参数信号，其中这些其它参数信号分别再次设计成其它参数信号值的时间离散的序列。这里也给每个其它参数信号值分别分配与相对应的参数信号值相同的时间日期(时间戳)。
在下文，第一参数信号和其它参数信号共同称为特征向量信号。因此，该特征向量信号(或者还有参数向量信号)是特征向量信号值的时间离散的序列，这些特征向量信号值由这些参数信号值和分别具有相同的时间日期(时间戳)的其它参数信号值组成。因此，可以给每个这样形成的特征向量信号值(＝参数信号值)分配该相应的时间日期(时间戳)。
接着，优选地，在形成可具有第一值和第二值的布尔结果的情况下，准连续地将时间日期(时间戳)的特征向量信号值与优选地是原型向量的阈值向量进行比较。例如可设想的是：将例如表示特征向量信号值的第一分量的当前特征向量信号值的数值与表示阈值向量的第一分量的第十五阈值进行比较，并且如果特征向量信号值的数值小于该第十五阈值，则将该布尔结果设置到第一值，并且如果情况不是如此，则将该布尔结果设置到第二值。如果布尔结果具有第一值，则接着进一步可设想的是：将例如表示该特征向量信号的另一分量的另一特征向量信号值的数值与表示阈值向量的另一分量的另一阈值进行比较，并且如果该另一特征向量信号值的数值小于该另一阈值，则将该布尔结果保持在第一值，并且如果情况不是如此，则将该布尔结果设置到第二值。以这种方式，可以检查所有其它特征向量信号值。当然，其它分类器也是可设想的。与多个不同的阈值向量的比较也是可能的。即，这些阈值向量表示预先给定的信号形状的原型。这些原型来自所提及的库。优选地，每个阈值向量都再次分配有符号。
接着，在这种情况下，最后一个步骤是：如果针对该时间日期(时间戳)的布尔结果具有第一值，则将该符号以及必要时还有特征向量信号值和被分配给该符号或该特征向量信号值的时间日期(时间戳)从传感器传输到计算机系统。
因此，所有其它数据都不再被传输。此外，通过多维评估避免了干扰。
因此，在此基础上提出了一种传感器系统，该传感器系统具有：至少一个计算机系统，该计算机系统能够执行上述方法之一；和至少两个传感器，所述至少两个传感器同样能够执行上述方法之一，使得所述至少两个传感器可以与该计算机系统通过信号对象识别来进行通信并且也能够紧凑地传输外来回波并且将这些信息附加地提供给该计算机系统。与此相对应地，该传感器系统通常被设置为：在所述至少两个传感器与该计算机系统之间的数据传输根据上述方法来进行或者可以根据上述方法来进行。即，在该传感器系统的所述至少两个传感器之内，通常借助于上述方法之一对各一个超声接收信号、即至少两个超声接收信号进行压缩并且将其传输给该计算机系统。在此，在该计算机系统之内，将所述至少两个超声接收信号重建成经重建的超声接收信号。接着，该计算机系统借助于经重建的超声接收信号来执行对在传感器的环境中的对象的对象识别。即，不同于现有技术，这些传感器不执行该对象识别。
优选地，该计算机系统附加地借助于经重建的超声接收信号和其它传感器的附加信号、尤其是雷达传感器的信号来执行对在传感器的环境中的对象的对象识别。
优选地，作为最后一个步骤，该计算机系统基于所识别出的对象来创建针对传感器或者其部分是这些传感器的装置的环境地图。
因此，所提出的超声传感器系统，如在图7和12中示例性示出的那样，优选地包括超声转换器100、特征提取器111和估计器150、151或分类器以及物理接口101。优选地，超声转换器100被设置和/或被设立为接收声音超声波信号并且根据此来形成超声转换器信号102。特征向量提取器111被设置和/或被设立为根据超声转换器信号102来形成特征向量信号138。优选地，超声传感器系统被设立并且被设置为：借助于估计器151、150，识别在超声回波信号1中的信号对象并且将这些信号对象分类成信号对象类别，其中一个信号对象类别也可只包括一个信号对象。在此，优选地给每个因此识别出并且被分类的信号对象122分配至少一个所分配的信号对象参数和与被分配给该信号对象的信号对象类别相对应的符号，或者针对每个因此识别出并且被分类的信号对象122确定至少一个所分配的信号对象参数和针对该信号对象的符号。至少将所识别出的信号对象类别122的符号以及该所识别出的信号对象类别122的至少一个所分配的信号对象参数经由数据总线传输给上级计算机系统。
优选地，估计器150具有距离确定器112和原型数据库115。优选地，估计器150同样具有维特比估计器和信号对象数据库。估计器151也可以使用神经网络模型。
因而，所提出的用于运行超声传感器的方法包括对应于图11的步骤：
-等待与背景噪声不同的超声接收信号；
-如果超声接收信号不同于背景噪声则变换到状态“无信号对象基本原型”，并且执行用于对信号基本原型进行识别和分类的方法；
-如果预先给定的信号基本原型序列的第一信号基本原型被识别出，则变换到被分配给该序列的信号基本原型的状态的序列；
-遵循信号基本原型序列，直至信号基本原型序列结束为止；
-如果达到该信号基本原型序列的结束则推断出该信号基本原型序列中的一个信号基本原型的存在以及推断出被分配给该序列的信号对象，并且用信号通知该信号对象；
-在超时的情况下和/或在该序列的没有预期有信号基本原型或者在下一位置没有预期有该信号基本原型的位置处一次或多次探测到该信号基本原型的情况下，将该序列中断(未在图11中绘制)；
-返回到状态“无信号对象基本原型”。
上述压缩方法对应于所属的解压缩方法，该解压缩方法优选地被用于对以这种面向信号对象的方式压缩和传输的超声接收数据在经由数据总线从传感器接收到这些超声接收数据之后在控制计算机中进行解压缩。在控制计算机中从传感器接收到新的待解压缩的数据之后，提供超声回波信号模型，该超声回波信号模型首先没有信号(图15a)。现在，该超声回波信号模型按信号对象地通过相继添加包含在超声接收数据中的信号对象160的各自的原型的、经参数化的信号波形来缓慢填充超声回波信号模型610并且接近所测量到的信号波形。优选地，只加上满足预先给定的条件、诸如预先给定的啁啾方向的信号对象的信号波形(图13b)。当然，也能够在没有选择条件的情况下进行求和(图15和16)。根据通过传感器识别出的原型信号对象信号波形的这样求和的信号波形，基于超声回波信号模型，在传感器的控制计算机中优选地形成经重建的超声接收信号，这可以以形成接收信号(超声回波信号)的经重建的包络线的采样值的形式实现。接着，针对像传感器融合那样的复杂方法，该经重建的超声接收信号(经重建的超声回波信号)在控制计算机中可以比从传感器传输给控制器的假定的障碍物对象数据明显更好地被使用。
经由数据总线在传感器与计算机系统之间对数据的这种压缩传输一方面降低了数据总线负荷以及由此降低了相对于EMV要求而言的关键性，而另一方面提供了例如在接收时间期间的空闲数据总线容量，用于将控制指令从计算机系统传输到传感器以及用于将状态信息和其它数据从传感器传输到计算机系统。在此，所提出的区分优先次序确保了：安全相关的数据首先被传输并且这样不形成传感器的不必要的死区时间。
附图说明
随后，本发明依据各种实施例并且参考附图更详细地被描述。
图1示出了信号压缩和传输的基本流程(见上文的描述)。
图2更详细地示出了信号压缩和传输的基本流程(见上文的描述)。
图3a示出了传统的超声回波信号1及其常规的评估。
图3b示出了传统的超声回波信号1及其评估，其中幅度被一并传输。
图3c示出了超声回波信号，其中包含啁啾方向。
图3d示出了在图1c中的信号中在丢弃未识别出的信号成分的情况下的所识别出的信号对象(三角形信号)。
图4e示出了公知的常规传输。
图4f示出了在完全接收到超声回波之后对经分析的数据的已知的传输。
图4g示出了对压缩数据的所要求的传输，其中在该示例中用于信号基本对象的符号尽可能在没有根据现有技术的压缩的情况下被传输。
图5h示出了对压缩数据的所要求的传输，其中在该示例中用于信号基本对象的符号被压缩成用于信号对象的符号。
图6示出了对压缩数据的所要求的传输，其中在该示例中用于信号基本对象的符号被压缩成用于信号对象的符号，其中不仅评估包络线信号(超声回波信号)而且评估置信信号。
图7示出了以具有信号对象的识别的超声传感器为形式的装置，为了简化而未加入数据接口、数据总线和控制器。
图8用于阐述通过距离确定器112对原型数据库115的信号基本对象原型的选择。
图9用于阐述HMM方法，该HMM方法通过维特比估计器113被应用，以便基于所识别出的信号基本对象原型121的序列，将作为信号基本对象原型的最可能的序列的信号对象标识为所识别出的信号对象122。
图10示出了在维特比估计器113中用于识别单个信号对象的状态序列。
图11示出了在维特比估计器113中用于连续识别通常对于在自主驾驶任务中的识别来说所需的信号对象之一的优选的状态序列。
图12示出了具有实施神经网络模型的估计器151的替选的设计方案。
图13示出了对超声信号(超声回波信号)的所传输的包络线的限于啁啾向下信号成分的解压缩。
图14示出了对超声信号(超声回波信号)的所传输的包络线的限于啁啾向上信号成分的解压缩。
图15和16示出了对超声信号(超声回波信号)的具有啁啾向上信号成分和啁啾向下信号成分的所传输的包络线的解压缩。
图17示出了原始信号(a)、经重建的信号(b)及其叠加(c)。
图18示出了按照图17的信号波形并且附加地还有阈值信号，依据该阈值信号，如图18d中可见，被用于结束该解压缩。
图19示出了用于经改善的压缩的改进装置。
图20示出了用于再次经改善的信号数据压缩的替选的改进装置。
图21示出了用于利用对障碍物对象的识别(包括对在传感器系统的死区时间内这些障碍物对象相对于车辆的变化的预测在内)对车辆的环境进行检测的传感器系统的主要组件的概览。
图22至25示出了用于阐明用于数据压缩(在数据解压缩相应保持不变的情况下)的不同方法的详细框图，如其可能是图21的相对应地指定的块的主题的那样。
图26示出了再次的概览图。
图27示出了用于图21的块“识别p个障碍物对象”和“预测模型”或用于图26的用“图24”表示的块的框图的示例。
图28示出了在测量系统的超声换能器的情况下发送、振荡衰减和接收的时间段与用于预测所识别出的真实障碍物对象在这些障碍物对象基于测量值所提供以及由此预测被更新的两个相继时间点之间的变化的预测的预测时间段的时间对应关系。
具体实施方式
图3a以针对坐标轴的自由选择的单位示出了传统的超声回波信号1的时间波形及其常规评估。开始于发出发送脉冲串SB，携带阈值信号SW。每当超声接收信号的包络线信号(超声回波信号1)超过阈值信号SW时，输出2被设置到逻辑1。涉及具有数字输出电平的时间模拟接口。接着，在传感器的控制器中进行进一步的评估。通过与现有技术相对应的该模拟接口无法用信号通知故障或者控制传感器。
图3b以针对坐标轴的自由选择的单位示出了传统的超声回波信号1的时间波形及其常规评估。开始于发出发送脉冲串SB，携带阈值信号SW。然而，每当超声接收信号的包络线信号(超声回波信号1)超过阈值信号SW时，输出2现在被设置到与所检测到的反射的幅度相对应的电平上。涉及具有模拟输出电平的时间模拟接口。接着，在传感器的控制器中进行进一步的评估。通过与现有技术相对应的该模拟接口无法用信号通知故障或者控制传感器。
为了阐述，图3c示出了超声回波信号，其中啁啾方向(例如A＝啁啾向上(Chirp-Up)；B＝啁啾向下(Chirp-down))被标记。
在图3d中阐述了符号式信号传输的原理。替代图3c中的信号，这里示例性地只传输两种类型的三角形对象。具体地，第一三角形对象A用于啁啾向上情况并且第二三角形对象B用于啁啾向下情况。同时，传输三角形对象的时间点和幅度。如果现在基于这些数据来重建信号，则获得与图3d相对应的信号。从该信号中除去不与三角形信号相对应的信号分量。因此，丢弃未被识别出的信号分量并且进行大幅数据压缩。
图4e示出了对超声接收信号的超声回波信号1与阈值信号SW的交点的常规的模拟传输。
图4f示出了在完全接收到超声回波之后对经分析的数据的传输。
图4g示出了对压缩数据的传输，其中在该示例中用于信号基本对象的符号尽可能在没有压缩的情况下被传输。
图5h示出了对压缩数据的传输，其中在该示例中用于信号基本对象的符号被压缩成用于信号对象的符号。首先，识别并传输第一三角形对象59，其具有阈值超过、然后是最大值和阈值低于的该表征性时间序列。接着，识别具有高于阈值信号的鞍点60的双峰。这里表征性的是超声回波信号1超过阈值信号SW然后是超声回波信号1的最大值然后是高于阈值信号SW的最小值然后是高于阈值信号SW的最大值然后是低于阈值信号SW的序列。在该识别之后，传输具有鞍点的该双峰的符号。在此，一并传输时间戳。优选地，也一并传输具有鞍点的双峰的其它参数，诸如最大值以及最小值的位置或者缩放因子。接着，再次识别作为超声回波信号1超过阈值信号SW然后是超声回波信号1的最大值然后是超声回波信号1低于阈值信号SW的信号基本对象的三角形信号。然后，再次识别双峰，其中但是现在超声回波信号1的最小值低于阈值信号SW。即，该双峰例如可以在必要时作为单独的信号对象被处理。如能轻易识别出的那样，对信号的这种处理引起大幅的数据减少。
图6示出了与图3相对应的所要求的对压缩数据的传输，其中在该示例中不仅评估包络线信号(超声回波信号1)而且评估置信信号。
图7示出了以具有对信号对象的识别的超声传感器为形式的装置，为了简化而未加入数据接口、数据总线和控制器。超声转换器100借助于超声转换器信号102通过物理接口101被操控和测量。物理接口101用于驱动超声转换器100并且用于将从超声转换器100接收到的超声转换器信号102处理成超声回波信号1，用于后续的信号对象分类。优选地，超声回波信号1是具有时间上间隔开的采样值的数字化信号。特征向量提取器111拥有不同的装置，这里示例性地是n个最优滤波器(最优滤波器1至最优滤波器n)，其中n为正整数。这些最优滤波器的输出形成中间参数信号123。替代最优滤波器或者补充于这些最优滤波器，也可以根据应用情况使用：
-积分器；和/或
-微分器；和/或
-滤波器；和/或
-对数器；和/或
-FF和DFFT装置；和/或
-相关器，和/或
-解调器，这些解调器将其输入信号与预先给定的信号相乘并且接着进行滤波；和/或
-其它信号处理子装置；和/或
-它们的组合，这些装置接着产生n维中间参数信号123。在附图中用“最优滤波器”表示的块就这方面来说只能被理解成用于这种信号处理块的占位符。这种用“最优滤波器”表示的信号处理块也可以具有超过一个输出，其对多次具有超过一个信号的n维中间参数信号123做出贡献。例如随后的显著性增强器用于：将中间参数信号123的n维空间映射到特征向量信号138的m维空间。在此，m是正整数。通常，m小于n。这一方面用于将从中得到特征向量信号138的每个特征向量信号值的参数值的选择性最大化。优选地，这通过借助于在实验室中用统计方法确定的被加到中间参数信号值的偏移值和所谓的LDA矩阵的线性映射来实现，中间参数信号123的各自的采样值的各自的向量分别与该LDA矩阵相乘以得到特征向量信号138。优选地，距离确定器112将特征向量信号138的每个这样得到的特征向量信号值与原型数据库115的每个信号基本对象原型进行比较。为此，原型数据库115针对原型数据库115的信号基本对象原型中的每个信号基本对象原型都包含具有原型数据库115的相应的信号基本对象原型的例如141、142、143、144的重心向量的条目。优选地，通过距离确定器112来计算特征向量信号138的当前被检查的特征向量信号值距原型数据库115的刚刚检查的重心向量的距离。但是，距离确定器112也可以以其它方式计算在原型数据库115的相应的信号基本对象原型的例如141、142、143、144的重心向量与特征向量信号138的当前被检查的特征向量信号值之间的相似性的、以评价值为形式的评价，这里，为了简单起见，该评价值总是被称为距离。距离确定器112以这种方式来确定：原型数据库115的信号基本对象原型的例如141、142、143、144的重心向量是否与特征向量信号138的当前的特征向量信号值足够相似，即是否具有足够小的距离；而且如果情况如此，原型数据库115的信号基本对象原型的例如141、142、143、144的哪个重心向量与特征向量信号138的当前的特征向量信号值最相似，即具有最小的距离。必要时，距离确定器112确定原型数据库115的信号基本对象原型的例如141、142、143、144的如下重心向量列表，这些重心向量与特征向量信号138的当前的特征向量信号值足够相似，即具有足够小的距离。优选地，这些重心向量根据距离被排序并且以它们的所属的距离作为假设列表被转交给维特比估计器。在单独的所识别出的信号基本对象121作为符号(例如作为原型数据库地址，该原型数据库地址指向原型数据库115的所识别出的信号基本对象原型)的情况下以及在假设列表优选地作为由所识别出的信号基本对象的符号(例如原型数据库地址，该原型数据库地址指向原型数据库115的所识别出的信号基本对象原型)与距所识别出的该信号基本对象的重心的距离构成的配对的列表的情况下，转交距离确定器(该距离确定器这里也称为分类器)的识别结果。接着，维特比估计器搜索由信号基本对象原型构成的序列，该序列最好地对应于在其信号对象数据库116中的信号基本对象原型的预先定义的序列。在这种情况下，例如一致被计为正、而不一致被计为负，使得针对所识别出的信号基本对象原型的时间序列得到信号对象数据库116的每个条目的评价值。在假设列表的情况下，维特比估计器优选地检查经过假设列表的时间序列的所有可能的路径。优选地，该维特比估计器在考虑之前确定的距离的情况下确定其评价结果。这例如可以在形成评价值的情况下通过将待相加的值除以在相加之前的距离来实现。以这种方式，维特比估计器确定所识别出的信号对象122，这些信号对象于是必要时配备有适当的参数地经由数据总线被传输。重要的是：该做法不是涉及对物理存在于超声转换器100的测量空间中的对象的识别以及对该信息的传输，而是涉及对在超声回波信号1之内的结构的识别以及对这些结构的传输。
图8用于阐述通过距离确定器112对原型数据库115的信号基本对象原型的选择。
通过距离确定112在图8的在该实施例中的二维参数空间中所确定的、特征向量信号138的当前的特征向量信号值的方位可能非常不同。这样可设想的是：这种第一特征向量信号值146与原型数据库115的任何一个信号基本对象原型的重心的重心坐标141、142、143、144相距太远。该距离阈值例如可以是在原型数据库115的信号基本对象原型的情况下的所提及的最小原型距离的一半。也可能的是：原型数据库115的信号基本对象原型围绕着它们相应的重心143、142的散布范围重叠并且特征向量信号138的所确定的第二当前的特征向量信号值145处在这种重叠范围内。在这种情况下，假设列表可包含具有由于不同距离而不同的概率的两个信号基本对象原型作为附加的参数。优选地，这些概率通过距离来表示。即，接着不是将作为最可能的信号基本对象的(唯一的)信号基本对象移交给维特比估计器113，而是将由可能存在的信号基本对象构成的向量移交给维特比估计器113。接着，维特比估计器113从这些假设列表的时间序列中搜索可能的序列，所述可能的序列具有在其信号对象数据库中的预先给定的信号基本对象序列之一相对于经过通过维特比估计器113从距离确定器112接收到的假设列表的被识别为可能的信号基本对象121的所有可能路径而言的最大概率。在此，在这种路径中对于每个假设列表来说都必须使该假设列表的正好一个所识别出的信号基本对象原型遍历经过该路径。
在最好的情况下，当前的特征向量信号值148处在唯一的信号基本对象原型141的重心141周围的散布范围(阈值椭球)147内，该当前的特征向量信号值由此通过距离确定器112可靠地被识别并且作为所识别出的信号基本对象121被转交给维特比估计器113。
可设想的是：为了对单个信号基本对象原型的散布范围的经改善的建模，通过多个这里是圆形的具有所属的散布范围的信号基本对象原型来对该分散范围进行建模。即，原型数据库115的多个信号基本对象原型可以表示信号基本对象类别的同一信号基本对象原型。
优选地，距离确定器112将特征向量信号138的每个这样得到的特征向量信号值与原型数据库115的每个信号基本对象原型进行比较。为此，原型数据库115针对原型数据库115的信号基本对象原型中的每个信号基本对象原型都包含具有原型数据库115的相应的信号基本对象原型的例如141、142、143、144的重心向量的条目。优选地，通过距离确定器112来计算特征向量信号138的当前被检查的特征向量信号值距原型数据库115的当前被检查的重心向量的距离。但是，距离确定器112也可以以其它方式计算在原型数据库115的相应的信号基本对象原型的例如141、142、143、144的重心向量与特征向量信号138的当前被检查的特征向量信号值之间的相似性的以评价值为形式的评价，这里，为了简单起见，该评价值总是被称为距离。距离确定器112以这种方式来确定：原型数据库115的信号基本对象原型的例如141、142、143、144的重心向量是否与特征向量信号138的当前的特征向量信号值足够相似，即是否具有足够小的距离，而且如果情况如此，原型数据库115的信号基本对象原型的例如141、142、143、144的哪个重心向量与特征向量信号138的当前的特征向量信号值最相似，即具有最小的距离。必要时，距离确定器112确定原型数据库115的信号基本对象原型的例如141、142、143、144的如下重心向量的列表，这些重心向量与特征向量信号138的当前的特征向量信号值足够相似，即具有足够小的距离。
图9用于阐述HMM方法，该HMM方法通过维特比估计器113被应用，以便基于所识别出的信号基本对象原型121的序列，将作为信号基本对象原型最可能序列的信号对象标识为所识别出的信号对象122。在上文对图9进行了阐述。
图10示出了在维特比估计器113中用于识别单个信号对象的状态序列。在上文对图10进行了阐述。
图11示出了在维特比估计器113中用于连续识别通常对于在自主驾驶的任务中的识别来说所需的信号对象之一的优选的状态序列。在上文对图11进行了阐述。
图12示出了具有估计器151的替选的设计方案，该估计器实施成神经网络模型。为了简化，未加入数据接口、数据总线和控制器。超声转换器100借助于超声转换器信号102通过物理接口101来被操控和测量。物理接口101用于驱动超声转换器100并且用于将从超声转换器100接收到的超声转换器信号102处理成超声回波信号1，用于后续的信号对象分类。优选地，超声回波信号1是由采样值的时间序列构成的数字化信号。特征向量提取器111又拥有不同装置，这里示例性地拥有n个最优滤波器(最优滤波器1至最优滤波器n，其中n为正整数)。这些最优滤波器的输出形成中间参数信号123。替代最优滤波器或者补充于这些最优滤波器，也可以根据应用情况来使用积分器、滤波器、微分器、对数器和/或其它信号处理子装置以及它们的组合，接着这些装置产生n维中间参数信号123。有利地使用的显著性增强器用于：将中间参数信号123的n维空间映射到特征向量信号138的m维空间。在此，m是正整数。通常，m小于n。这一方面用于将从中得到特征向量信号138的每个特征向量信号值的参数值的选择性最大化。优选地，这通过借助于在实验室中用统计方法确定的被加到中间参数信号值的偏移值和所谓的LDA矩阵的线性映射来实现，将中间参数信号123的相应的采样值的相应的向量分别与该LDA矩阵相乘来得到相应向量信号138。接着，估计器151尝试借助于神经网络模型151来识别在特征向量信号138的特征向量信号值的数据流中的信号对象。在此，每个信号基本对象原型和信号对象通过在神经网络模型之内的节点的联网及其在神经网络模型之内的参数化来被编码。接着，估计器151输出所识别出的信号对象122。
图13示出了超声接收信号的限于啁啾向下信号的所传输的包络线信号(超声回波信号1)的解压缩。
首先，产生没有信号的超声回波信号模型。(图13a)。超声回波信号模型用模型参数SA来被参数化，该模型参数例如与自从发出超声脉冲或超声脉冲串以来的时间t相关。
接着，该超声回波信号模型优选地通过相加而适当地参数化地被补充以数据传输优先级1从传感器传输给控制器的第一信号对象160，该第一信号对象描述了具有啁啾向下A的三角形形状(图13b)。
以数据传输优先级2传输的、以具有啁啾向上特性B的三角形形状的第二信号对象161这里不被考虑用于对啁啾向下信号的重建。
以数据传输优先级3传输的、以具有啁啾向上特性B的双峰形状的第三信号对象162这里不被考虑用于对啁啾向下信号的重建。
接着，已经补充的超声回波信号模型优选地通过相加适当地参数化地被补充以数据传输优先级4从传感器传输给控制器的第四信号对象163，该第四信号对象描述了具有啁啾向下A的三角形形状(图13c)。
接着，已经补充的超声回波信号模型优选地通过相加适当地参数化地被补充以数据传输优先级5从传感器传输给控制器的第五信号对象164，该第五信号对象描述了具有啁啾向下A的三角形形状(图13d)。
以数据传输优先级6传输的、以具有啁啾向上特性B的双峰形状的第六信号对象165这里不被考虑用于对啁啾向下信号的重建。
所得到的经重建的包络线信号是经重建的啁啾向下超声回波信号。
然后，这样经解压缩的并且经重建的超声回波信号通常被用于在控制器中的对象识别或者被用在车辆中的另一处的对象识别。
图14示出了超声接收信号的限于啁啾向上信号的所传输的包络线信号(超声回波信号1)的解压缩。
首先，产生没有信号的超声回波信号模型。(图14a)。超声回波信号模型用模型参数SA来被参数化，该模型参数例如与自从发出超声脉冲或超声脉冲串以来的时间t相关。
以数据传输优先级1传输的以具有啁啾向下特性A的三角形形状的第一信号对象160这里不被考虑用于对啁啾向上信号的重建。
接着，该超声回波信号模型优选地通过相加适当地参数化地被补充以数据传输优先级2从传感器传输给控制器的第二信号对象161，该第二信号对象描述了具有啁啾向上B的三角形形状(图14b)。
接着，该超声回波信号模型优选地通过相加适当地参数化地来被补充以数据传输优先级3从传感器传输给控制器的第三信号对象161，该第三信号对象描述了具有啁啾向上B的双峰形状(图14c)。
以数据传输优先级4传输的以具有啁啾向下特性A的三角形形状的第四信号对象162这里不被考虑用于对啁啾向上信号的重建。
以数据优先级5传输的以具有啁啾向下特性A的三角形形状的第五信号对象163这里不被考虑用于对啁啾向上信号的重建。
接着，该超声回波信号模型优选地通过相加适当地参数化地来被补充以数据传输优先级6从传感器传输给控制器的第六信号对象165，该第六信号对象描述了具有啁啾向上B的三角形形状(图14d)。
所得到的经重建的包络线信号是经重建的啁啾向上超声回波信号。
然后，这样经解压缩的并且经重建的超声回波信号通常被用于在控制器中的对象识别或者被用在车辆中的另一处的对象识别。
图15和16示出了对超声接收信号的具有啁啾向上信号和啁啾向下信号的所传输的包络线信号(超声回波信号1)的解压缩。
首先，产生没有信号的超声回波信号模型。(图15a)。超声回波信号模型用模型参数SA来被参数化，该模型参数例如与自从发出超声脉冲或超声脉冲串以来的时间t相关。
接着，该超声回波信号模型优选地通过相加适当地参数化地来被补充以数据传输优先级1从传感器传输给控制器的第一信号对象160，该第一信号对象描述了具有啁啾向下A的三角形形状(图15b)。
接着，该超声回波信号模型优选地通过相加适当地参数化地来被补充以数据传输优先级2从传感器传输给控制器的第二信号对象161，该第二信号对象描述了具有啁啾向上B的三角形形状(图15c)。
接着，该超声回波信号模型优选地通过相加适当地参数化地来被补充以数据传输优先级3从传感器传输给控制器的第三信号对象162，该第三信号对象描述了具有啁啾向上B的双峰形状(图15d)。
接着，该超声回波信号模型优选地通过相加适当地参数化地来被补充以数据传输优先级4从传感器传输给控制器的第四信号对象163，该第四信号对象描述了具有啁啾向下A的三角形形状(图16d)。
接着，该超声回波信号模型优选地通过相加适当地参数化地来被补充以数据传输优先级5从传感器传输给控制器的第五信号对象164，该第五信号对象描述了具有啁啾向下A的三角形形状(图16f)。
接着，该超声回波信号模型优选地通过相加适当地参数化地来被补充以数据传输优先级6从传感器传输给控制器的第六信号对象165，该第六信号对象描述了具有啁啾向上B的三角形形状(图16g)。
为了阐明，在图16h中加粗地绘制经重建的包络线信号。在其方面，图16h与图16g一致。
所得到的经重建的包络线信号是经重建的啁啾向上/啁啾向下超声回波信号。
然后，这样经解压缩的并且经重建的超声回波信号通常被用于在控制器中的对象识别或者被用在车辆中的另一处的对象识别。
图17示出了原始信号(a)、经重建的信号(b)及其叠加(c)。在经重建的超声回波信号166与超声回波信号之间的偏差在做法正确且对信号基本对象和信号对象的巧妙选择的情况下仅仅非常小。
在图18中，除了图17的三个图表之外，也示出了阈值信号670。依据图18的图表d看出：由于即残余信号660小于阈值信号670，所以从回波信号提取特征的过程结束。
图19示出了用于经改善的压缩的装置。在图13至17中在其功能方面阐述的重建器600不仅可以在控制器中被使用，而且可以在数据传输之前在传感器本身中被使用。为此，重建器600产生经重建的超声回波信号模型610，如在图13至17中根据目的所示出的那样。在减法器602中从之前接收到的超声回波信号1减去该经重建的超声回波信号模型。为此，超声回波信号1优选地以数字采样值的形式优选地按时间排序地被存放在存储器601中。在此，超声回波信号1的所存放的采样值优选地对应于经重建的超声回波信号模型610的正好一个值，该值优选地同样存放在重建存储器603中。重建存储器603可以是重建器600的部分。该附加的反馈分支600、610、603、602、601也可以被用于其它分类器，诸如被用于图12的装置。
在图20中示出了与在图18中相似的装置，其中但是图19的块的布置在图20中被更改。
图21示出了关于用于识别在例如车辆的环境中的障碍物对象的系统的单个组件的概览。该系统首先包括依据信号波形特性对传感器S1、S2、Sm的传感器信号数据的数据压缩，其中在不检查或无法检查基于传感器信号存在哪些真实障碍物对象的情况下进行该数据压缩。这样压缩的传感器信号数据经由数据总线被传输给数据处理单元，在该数据处理单元中，在多个预测时间段期间执行对真实存在的障碍物对象的识别和对这些障碍物对象的变化的预测。通过显示可以用信号通知检查的结果，更确切地说以光学方式和/或以声音方式和/或通过显示由所识别出的障碍物对象象征性表现的象形图等等和/或以触觉方式来用信号通知检查的结果。
依据图22，随后描述对数据的压缩并且将数据传输给数据处理单元ECU的过程。
图22示出了在具有用于US转换器TR的驱动器DK以及具有接收器RX的超声传感器中的超声信号的接收和压缩、将压缩数据经由数据总线DB传输给数据处理单元ECU以及在数据处理单元ECU中对压缩数据的解压缩。
在下文，描述了在超声传感器中对超声信号的接收以及信号处理。
超声转换器TR由驱动器DR操控，该驱动器为了该目的而例如从数据处理单元ECU获得操控信号。与超声转换器TR并且与驱动器DR连接的接收器RX处理所接收到的超声信号，使得与接收器RX连接的特征提取FE可以被执行。特征提取FE的结果是总特征向量信号F0，该总特征向量信号被存储在第零个缓冲存储器IM0中。该第零个缓冲存储器IM0将总特征向量信号F1移交给第零个求和器A0，由该第零个求和器将总特征向量信号F1交给人工神经信号对象识别网络NN0，该人工神经信号对象识别网络被训练来从总特征向量信号F1中识别单个信号对象。
超声传感器还包括第一缓冲存储器IM1和第二缓冲存储器IM2和其它、在图1中未示出的具有上升编号的缓冲存储器，直至第n个缓冲存储器IMn为止。在这种情况下以及在下文，n是大于等于2的自然数并且表示可存储的、可识别的信号对象的数目。第零个缓冲存储器IM0直至第n个缓冲存储器IMn由识别控制RC来控制，该识别控制进而由系统控制SCU来控制。
第一缓冲存储器IM1存储所识别出的第一信号对象O1。第二缓冲存储器IM2存储所识别出的第二信号对象O2。第n个缓冲存储器IMn存储所识别出的第n个信号对象On。所识别出的第一信号对象O1由第一缓冲存储器IM1作为输入值移交给第一人工神经单个重建网络NN1。所识别出的第二信号对象O2由第二缓冲存储器IM2作为输入值移交给第二人工神经单个重建网络NN2。所识别出的第n个信号对象On由第n个缓冲存储器IMn作为输入值移交给第n个人工神经单个重建网络NNn。
第一神经单个重建网络NN1根据所识别出的第一信号对象O1来重建经重建的第一单个特征向量信号R1。第二神经单个重建网络NN2根据所识别出的第二信号对象O2来重建经重建的第二单个特征向量信号R2。第n个神经单个重建网络NNn根据所识别出的第n个信号对象On来重建经重建的第n个单个特征向量信号Rn。
经重建的单个特征向量信号R1,R2,...,Rn被求和成经重建的总特征向量信号RF。为此，经重建的第n个单个特征向量信号Rn在第n个求和器An处被相加到经重建的第(n-1)个单个特征向量信号Rn-1。相对应地，每个经重建的第i个单个特征向量信号在第i个求和器处被相加到经重建的第(i-1)个特征向量信号，其中i是在1与n之间的任一自然数。因此，经重建的第二单个特征向量信号R2在第二求和器A2处被相加并且经重建的第一单个特征向量信号R1在第一求和器A1处被相加。所有经重建的单个特征向量信号相加的结果是经重建的特征向量信号RF。
在第零个求和器A0处从总特征向量信号F1减去经重建的特征向量信号RF。结果是特征向量残余信号F2，该特征向量残余信号由第零个求和器A0作为输入值移交给神经信号对象识别网络NN0。
神经信号对象识别网络NN0从特征向量残余信号F2中识别对象。所识别出的第一信号对象O1被移交给第一缓冲存储器IM1。所识别出的第二信号对象O2被移交给第二缓冲存储器IM2并且这样继续，直至最后所识别出的第n个信号对象On被移交给第n个缓冲存储器IMn为止。
从总特征向量信号F1减去经重建的特征向量信号RF和在此之后的对象识别和借助于神经单个重建网络NN1,NN2,...,NNn对总特征向量信号F1的重建一直被执行，直至经重建的特征向量信号RF与总特征向量信号F1相同为止，也就是说直至特征向量残余信号F2等于零为止。这意味着：总特征向量信号F1中的信号对象是被神经信号对象识别网络NN0正确识别出的。
所识别出的第一信号对象O1由第一缓冲存储器IM1移交给超声发送器控制装置TU。所识别出的第二信号对象O2由第二缓冲存储器IM2移交给超声发送器控制装置TU。所识别出的第n个信号对象On由第n个缓冲存储器IMn移交给超声发送器控制装置TU。超声发送器控制装置TU将经压缩的、所识别出的信号对象移交给数据总线DB的数据总线接口TRU，经由该数据总线将压缩数据传输给数据处理单元ECU的数据总线接口TRE。
识别控制RC和超声发送器控制装置TU经由内部数据总线IDB由超声系统控制SCU来操控。
随后，依据图22的右侧部分来阐述在数据处理单元ECU之内对数据的解压缩。
数据处理单元ECU的数据总线接口TRE将经由数据总线DB接收到的数据移交给数据处理单元ECU的控制器TEC。
数据处理单元ECU的控制器TEC将经由数据总线接口TRE接收到的、表示所传输的第一信号对象E1的数据移交给第一缓冲存储器EM1并且将经由数据总线接口TRE接收到的、表示所传输的第二信号对象E2的数据移交给数据处理单元ECU的第二缓冲存储器EM2。相对应地，将所接收到的、表示所传输的第i个信号对象的数据传输给数据处理单元ECU的第i个缓冲存储器，其中i是在2与n之间的自然数。这里，n也是可存储的、所识别出的信号对象的数目。最后，将所接收到的、表示所传输的第n个信号对象En的数据传输给数据处理单元ECU的第n个缓冲存储器EMn。
所传输的第一信号对象E1由数据处理单元ECU的第一缓冲存储器EM1作为输入值移交给数据处理单元ECU的第一神经单个解压缩网络ENN1。所传输的第二信号对象E2由数据处理单元ECU的第二缓冲存储器EM2作为输入值移交给数据处理单元ECU的第二神经单个解压缩网络ENN2。所传输的第n个信号对象En由数据处理单元ECU的第n个缓冲存储器EMn作为输入值移交给数据处理单元ECU的第n个神经单个解压缩网络ENNn。
数据处理单元ECU的神经单个重建网络ENN1,ENN2,...,ENNn与在超声传感器中的相对应的神经单个重建网络NN1,NN2,...,NNn相同地被参数化。数据处理单元ECU的第一神经单个解压缩网络ENN1与在超声传感器中的第一神经单个重建网络NN1相同地被参数化。数据处理单元ECU的第二神经单个解压缩网络ENN2与第二神经单个重建网络NN2相同地被参数化。相对应地，数据处理单元ECU的第i个神经单个解压缩网络ENNn与在超声传感器中的第i个神经单个重建网络NNn相同地被参数化，其中i是在1与n之间的自然数。最后，数据处理单元ECU的第n个神经单个解压缩网络ENNn与第n个神经单个重建网络NNn相同地被参数化。这里，n也对应于可存储的、可识别的对象的数目。
数据处理单元ECU的第一神经单个解压缩网络ENN1根据针对所传输的第一信号对象E1的所传输的数据来重建经重建的第一单个特征向量信号ER1。数据处理单元ECU的第二神经单个解压缩网络ENN2根据针对所传输的第二信号对象E2的所传输的数据来重建经重建的第二单个特征向量信号ER2。数据处理单元ECU的第n个神经单个解压缩网络ENNn根据针对所传输的第n个信号对象En的所传输的数据来重建经重建的第n个单个特征向量信号ERn。
在数据处理单元ECU中的经重建的第一单个特征向量信号ER1和在数据处理单元ECU中的经重建的第二单个特征向量信号ER2和在数据处理单元ECU中的直至包括经重建的第n个单个特征向量信号ERn在内的经重建的所有其它单个特征向量信号都被求和以形成在数据处理单元ECU中的经重建的总特征向量信号ER。
为此，经重建的第n个单个特征向量信号ERn在数据处理单元ECU的第n个求和器ESn处被相加到经重建的第(n-1)个单个特征向量信号ERn-1。相对应地，每个经重建的第i个单个特征向量信号都在数据处理单元ECU的第i个求和器处被相加到经重建的第(i-1)个单个特征向量信号，其中i是在1与n之间的任一自然数。因此，经重建的第二单个特征向量信号ER2在数据处理单元ECU的第二求和器ES2处被相加，并且经重建的第一单个特征向量信号ER1在数据处理单元ECU的第一求和器ES1处被相加。所有经重建的单个特征向量信号相加的结果是数据处理单元ECU的经重建的总特征向量信号ER。
在图23中描述了压缩方法的替选方案，该压缩方法之前已经关于图22的左侧部分被阐述。在该变型方案中，来自US传感器的接收器RX的传感器信号在缓冲存储器IM0中。在如上所述的借助于神经信号对象识别网络NN0对信号对象的提取之后，将该信号对象存储在为此所设置的缓冲存储器中，并且通过被分配给该缓冲存储器的神经单个重建网络NN1,NN2,...,NNn来产生单个特征向量R1,R2,...,Rn。现在，将相关的单个特征向量信号逆变换到时域中，更确切地说借助于所谓的“逆”特征提取IFE，该“逆”特征提取引起在时域中对信号对象的表示，即引起曲线波形。现在，从传感器信号减去该曲线波形，使得形成残余传感器信号，该残余传感器信号在特征提取FE之后作为总特征向量残余信号被输送给信号对象识别网络。接着，上述过程相对应地重复。
对信号对象的连续单独提取的上述迭代过程可以相对应地也针对上文依据图22所描述的数据压缩过程来实现。在这种情况下，从总特征向量信号分别逐步减去单个特征向量信号。这也可以通过使用仅仅一个唯一的神经单个重建网络来实现，而不是给每个缓冲存储器都分配单独的单个重建网络。
在图23中，用REK来表示哪些组件属于所谓的重建器，该重建器例如在图19中用附图标记600来表示。即，就这方面来说，图23中的虚线块REK对应于按照图19的重建器600。重建存储器RSP对应于图19的重建存储器603。
依据图24，随后描述了数据压缩的另一变型方案，如其之前依据图22和23的左半部分针对其它方法所描述的那样。这里，如结合图23所述，也执行到时域的逆变换。但是，不同于在按照图23的方法中的逆变换，各个单个特征向量信号R1、R2、Rn-1、Rn分别在自己的逆特征提取IFE1,IFE2,...,IFEn-1中被逆变换到时域中并且分别被存储在重建存储器RSP中，以便必要时逐步累积在那里，更确切地说在每次从传感器信号减去以及识别残余传感器信号中的潜在的其它信号对象之后逐步累积。
按照图23的重建器REK的构造也可以被用于替代串行的按顺序的信号对象提取或识别而并行地执行该过程。在图25中示出这一点。神经信号对象识别网络NN0与各个缓冲存储器IM1,IM2,...,IMn经由分别分开的线路来连接。再次通过自己的逆特征提取IFE1、IFE2、IFEn-1、IFEn来将由神经单个重建网络NN1,NN2,...,NNn产生的单个特征向量信号R1、R2、Rn-1、Rn逆变换到时域中。求所有经逆变换的信号对象(也就是说相对应的曲线波形)的总和。结果可以被存放或被存放在重建存储器RSP中，但不一定必须如此。
依据按照图25的实施例示出的对信号对象提取的并行处理的可能性也可以类似地在根据图22至24的实施例中被实现。接着，神经信号对象识别网络NN0会分别与缓冲存储器IM1,IM2,...,IMn通过单独的线路连接。
如果想要逐步、即依次执行信号对象识别，如依据图22至24所示出的那样，则还应该控制依次确定的信号对象到缓冲存储器上的分配。借此确保了：在缓冲存储器中只存放唯一的信号对象，该信号对象随着过程的推移也不会被覆盖。
依据图26和27，随后描述了依据多个传感器S1,S2,S3,...,Sm的经重建的总特征向量信号EF1,EF2,...,EFm对障碍物对象的识别，其中在图27中还以框图的形式示出了模型部分(图27的右侧部分)，利用该模型部分可以说明关于障碍物对象在其相对于车辆的由于两者的相对运动而引起的相对位置方面的变化的预测。
图26示意性示出了多个传感器S1,S2,S3,...,Sm，这些传感器的经压缩的传感器信号数据被传输给数据处理单元ECU。该数据处理单元ECU可以与上述数据处理单元相同或者是与其分开的一个数据处理单元。给每个传感器的所传输的经压缩的传感器信号数据分配重建以及由此执行对这些传感器信号数据的解压缩(参见SRlER,SR2ER,SR3ER,...,SRmER)。相应的经重建的总特征向量信号EF1,EF2,...,EFm被输送给用图27表示的功能块，该功能块的输出是虚拟现实向量信号，该虚拟现实向量信号针对相应给定时间点例如以环境地图的形式描绘了车辆的环境。
图27示出了框图，该框图在左侧部分包括现实部分并且在右侧部分包括模型部分。图27的输入参量是数据处理单元ECU的针对m个不同的传感器S1,S2,S3,...,Sm或m个不同的传感器系统的多个、这里是m个经重建的总特征向量信号ER。为了避免与图22的附图标记ER1至Ern混淆，用附图标记EF1、EF2至EFm来表示m个传感器S1至Sm的在不同时间点重建的总特征向量信号。
在现实部分之内，表示不同传感器S1,S2,S3,...,Sm的信号(随后称为传感器的总特征向量信号)的经重建的总特征向量信号EF1、EF2至EFm被处理，以便识别障碍物对象HO1,HO2,...,HOp。在模型部分中，基于在现实部分中所识别出的障碍物对象HO1,HO2,...,HOp，预测障碍物对象在测量时间点之间的空间位置，这些空间位置可以以更高的采样率被读取。由此应该解决的问题是：尽管在发出在时间上相继的超声脉冲(脉冲串)之间的超声测量的时间间隔不是任意短，仍应该得出关于障碍物对象的在其相对于车辆的方位方面的变化的结论。即，模型部分对现实进行准模拟，使得车辆在自主驾驶时也可以在超声测量之间进行导航，即不在特定时间点发出超声脉冲。实际测量率应该被选择得尽可能高，以便在每次测量之间将模型与真实测量值进行对照并且这样使该模型尽可能接近现实。通过现实部分与模型部分之间的配合来进行该对照。在图27中示出的框图可以优选地在车辆的诸如超声测量系统控制器的数据处理单元ECU中被实现。
首先，描述了现实部分的框图，即图27的右侧部分。
在现实部分中的方法在识别期EP中周期性地进行，该识别期被划分成周期(参见图28)。
在第一求和器RS1处，从针对第一传感器S1的传感器信号(随后用传感器的总特征向量信号来表示)的经重建的总特征向量信号EF减去现实部分的经重建的第一特征向量信号EV1。在本文中，使用术语“传感器”，作为更紧凑的表达形式。然而，本领域技术人员知道：传感器系统也可以表现得像传感器，使得名称“传感器”也始终是指“传感器系统”。减去的结果是经修正的第一特征向量信号EC1，作为针对神经总障碍物识别网络ANN0的输入值。即，只是该减去的结果被转交给人工神经总障碍物识别网络ANN0，该人工神经总障碍物识别网络不同于已经存在的、以经重建的第一特征向量信号EV1为形式的障碍物对象识别结果。因而，在识别期开始时，经重建的第一特征向量信号EV1的值被设置到零，使得该值在该阶段不发生变化。
在第二求和器RS2处，从第二传感器S2的经重建的总特征向量信号EF2减去经重建的第二特征向量信号EV2。减去的结果是经修正的第二特征向量信号EC2，作为针对神经总障碍物识别网络ANN0的输入值。即，只是该减去的结果被转交给神经总障碍物识别网络ANN0，该神经总障碍物识别网络不同于已经存在的以经重建的第二特征向量信号EV2为形式的障碍物对象识别结果。因而，在识别期开始时，经重建的第二特征向量信号EV2的值被设置到零，使得该值在该阶段不发生变化。
在第三求和器RS3处，从第三传感器S3的经重建的总特征向量信号EF3减去经重建的第三特征向量信号EV3。减去的结果是经修正的第三特征向量信号EC3，作为针对神经总障碍物识别网络ANN0的输入值。即，只是该减去的结果被转交给神经总障碍物识别网络ANN0，该神经总障碍物识别网络不同于已经存在的、以经重建的第三特征向量信号EV3为形式的障碍物对象识别结果。因而，在识别期开始时，经重建的第三特征向量信号EV3的值被设置到零，使得该值在该阶段不发生变化。
在第m个求和器RSm处，从第m个传感器Sm的经重建的总特征向量信号EFm减去经重建的第m个特征向量信号EVm。减去的结果是经修正的第m个特征向量信号ECm，作为针对神经总障碍物识别网络ANN0的输入值。在这种情况下，变量m表示传感器的数目。即，只是该结果被转交给神经总障碍物识别网络ANN0，该神经总障碍物识别网络不同于已经存在的以经重建的第m个特征向量信号EVm为形式的识别结果。因而，在识别期开始时，经重建的第一特征向量信号EV1的值被设置到零，使得该值在该阶段不发生变化。
神经总障碍物识别网络ANN0在一个周期内从经修正的特征向量信号EC1至ECm中识别最可能存在的、占主导的障碍物对象HO1,HO2,...,HOp。
在第一周期内由总障碍物识别网络ANN0所识别出的第一障碍物对象HO1被存储在现实部分的第一缓冲存储器EO1中。由此，经重建的第一特征向量信号EV1发生变化，这在稍后被阐述。
在第二周期内由总障碍物识别网络ANN0所识别出的第二障碍物对象H02被存储在现实部分的第二缓冲存储器E02中。由此，经重建的第二特征向量信号EV2发生变化，这在稍后被阐述。
在第p个周期内由总障碍物识别网络ANN0所识别出的第p个障碍物对象HOp被存储在现实部分的第p个缓冲存储器EOp中。
在这种情况下，变量p表示所识别出的障碍物对象的数目以及由此表示每个识别期的周期的数目。
现实部分的第一神经单个障碍物对象识别网络RNN1由存储在第一缓冲存储器EO1中的信息来重建m个特征向量信号RO11至RO1m，这些特征向量信号至少部分地表示所识别出的第一障碍物对象HO1(随后称为所识别出的第一障碍物对象的特征向量信号)，而且这些特征向量信号与其它特征向量信号RO22,...,ROp1共同用于修正传感器S1,S2,...,Sm的总特征向量信号EF1,EF2,...,EFm的输入，这还在更下面被描述。第一障碍物对象HO1的表示第一障碍物对象HO1的m个经重建的特征向量信号RO11至RO1m包括：第一障碍物对象HO1的经重建的特征向量信号RO11，用于修正第一传感器S1的总特征向量信号EF1；和第一障碍物对象HO1的经重建的特征向量信号RO12，用于修正第二传感器S2的总特征向量信号EF2；和第一障碍物对象HO1的经重建的特征向量信号RO13，用于修正第三传感器S3的总特征向量信号EF3，等等，直至第一障碍物对象HO1的用于修正第m个传感器Sm的总特征向量信号EFm的经重建的特征向量信号RO1m为止。此外，第一神经单个障碍物对象识别网络RNN1针对所有m个传感器S1至Sm输出第一障碍物对象HO1的经重建的特征向量信号RO1。针对所有m个传感器S1至Sm的第一障碍物对象HO1的经重建的该特征向量信号RO1表示关于具有所识别出的特性诸如空间中的位置、取向、对象类型、移动方向、对象速度等等的障碍物对象的模型化设想。优选地，这至少部分地是在共同的列向量中针对m个传感器S1至Sm的第一障碍物对象HO1的其它经重建的特征向量信号RO11至RO1m的级联。如果这里提到向量，则是指带有值的信号，这些信号以时间或空间复用来用信号表示这些值，其中这些值接着形成表示向量的元组。在第一周期结束时，针对所有m个传感器S1至Sm的第一障碍物对象HO1的经重建的特征向量信号RO1被暂存在第一障碍物对象存储器SP1中。第一障碍物对象存储器SP1的输出是第一障碍物对象HO1的经重建的且被存储的第一特征向量信号ROS1。
现实部分的第二神经单个障碍物对象识别网络RNN2由存储在第二缓冲存储器EO2中的信息来重建m个特征向量信号RO21至RO2m，这些特征向量信号至少部分地表示第二障碍物对象HO2(随后称为所识别出的第二障碍物对象的特征向量信号)，而且这些特征向量信号与其它特征向量信号RO21,...,ROp共同用于修正传感器S1,S2,...,Sm的总特征向量信号EF1,EF2,...,EFm的输入，这还在更下面被描述。第二障碍物对象HO2的表示第二障碍物对象HO2的m个经重建的特征向量信号RO21至RO2m包括：第二障碍物对象HO2的经重建的特征向量信号RO21，用于修正第一传感器S1的总特征向量信号EF1；和第二障碍物对象H02的经重建的特征向量信号RO22，用于修正第二传感器S2的总特征向量信号EF2；和第二障碍物对象HO2的经重建的特征向量信号R023，用于修正第三传感器S3的总特征向量信号EF3，等等，直至第二障碍物对象HO2的用于修正第m个传感器Sm的总特征向量信号EFm的经重建的特征向量信号RO2m为止。此外，第二神经单个障碍物对象识别网络RNN2针对所有m个传感器S1至Sm输出第二障碍物对象HO2的经重建的特征向量信号RO2。针对所有m个传感器S1至Sm的第二障碍物对象HO2的经重建的该特征向量信号RO2表示关于具有所识别出的特性诸如空间中的位置、取向、对象类型、移动方向、对象速度等等的障碍物对象的模型化设想。优选地，这至少部分地是在共同的列向量中针对m个传感器S1至Sm的第二障碍物对象HO2的其它经重建的特征向量信号R21至R2m的级联。如果这里提到向量，则是指带有值的信号，这些信号以时间或空间复用来用信号表示这些值，其中这些值于是形成表示向量的元组。在第二周期结束时，针对所有m个传感器S1至Sm的第二障碍物对象HO2的经重建的特征向量信号RO2被暂存在第二障碍物对象存储器SP2中。第二障碍物对象存储器SP2的输出是第二障碍物对象H02的经重建的且被存储的第二特征向量信号ROS2。
现实部分的第p个神经单个障碍物对象识别网络RNNp由存储在第p个缓冲存储器E02中的信息来重建m个特征向量信号ROp1至ROpmm，这些特征向量信号至少部分地表示所识别出的第一障碍物对象HO1(随后称为所识别出的第一障碍物对象的特征向量信号)，而且这些特征向量信号与其它特征向量信号ROp1共同用于修正传感器S1,S2,...,Sm的总特征向量信号EF1,EF2,...,EFm的输入，这还在更下面被描述。第p个障碍物对象HOp的表示第一障碍物对象H＝1的m个经重建的特征向量信号ROp1至ROpm包括：第p个障碍物对象HOp的经重建的特征向量信号ROp1，用于修正第一传感器S1的总特征向量信号EF1；和第p个障碍物对象HOp的经重建的特征向量信号ROp2，用于修正第二传感器S2的总特征向量信号；和第p个障碍物对象HOp的经重建的特征向量信号ROp3，用于修正第三传感器S3的总特征向量信号EF3，等等，直至第p个障碍物对象HOp的用于修正第m个传感器Sm的总特征向量信号EFm的经重建的特征向量信号ROpm为止。此外，第p个神经单个障碍物对象识别网络RNNp针对所有m个传感器S1至Sm输出第p个障碍物对象HOp的经重建的特征向量信号ROp。针对所有m个传感器S1至Sm的第p个障碍物对象HOp的经重建的该特征向量信号ROp表示关于具有所识别出的特性诸如空间中的位置、取向、对象类型、移动方向、对象速度等等的障碍物对象的模型化设想。优选地，这至少部分地是在共同的列向量中针对m个传感器S1至Sm的第p个障碍物对象HOp的其它经重建的特征向量信号Rp1至Rpm的级联。如果这里提到向量，则是指带有值的信号，这些信号以时间或空间复用来用信号表示这些值，其中这些值于是形成表示向量的元组。在第p个周期结束时，针对所有m个传感器S1至Sm的第p个障碍物对象HOp的经重建的特征向量信号ROp被暂存在第p个障碍物对象存储器SPp中。第p个障碍物对象存储器SPp的输出是第p个障碍物对象HOp的经重建的且被存储的第p个特征向量信号ROSp。
经重建的第一特征向量信号EV1是针对第一传感器S1的第一障碍物对象HO1的经重建的特征向量信号RO11与针对第一传感器S1的第二障碍物对象HO2的经重建的特征向量信号RO21以及直至针对第一传感器S1的第p个障碍物对象HOp的经重建的特征向量信号ROp1为止的针对第一传感器S1的所有其它经重建的特征向量信号RO31至ROp1的总和。
经重建的第二特征向量信号EV2是针对第二传感器S2的第一障碍物对象HO1的经重建的特征向量信号RO12与针对第二传感器S2的第二障碍物对象HO2的经重建的特征向量信号RO22以及直至针对第二传感器S2的第p个障碍物对象HOp的经重建的特征向量信号Op2为止的针对第二传感器S2的所有其它经重建的特征向量信号RO32至ROp2的总和。
经重建的第三特征向量信号EV3是针对第三传感器S3的第一障碍物对象HO1的经重建的特征向量信号RO13与针对第三传感器S3的第二障碍物对象HO2的经重建的特征向量信号R023以及直至针对第三传感器S3的第p个障碍物对象HOp的经重建的特征向量信号ROp3为止的针对第三传感器S3的所有其它经重建的特征向量信号RO33至ROp3的总和。
经重建的第m个特征向量信号EVm是针对第m个传感器Sm的第一障碍物对象HO1的经重建的特征向量信号RO1m与针对第m个传感器Sm的第二障碍物对象HO2的经重建的特征向量信号RO2m以及直至针对第m个传感器Sm的第p个障碍物对象HOp的经重建的特征向量信号ROpm为止的针对第m个传感器Sm的所有其它经重建的特征向量信号RO3m至ROpm的总和。
在识别期结束时、即在经过p个周期之后，障碍物对象存储器SP1至SPp包含针对第一至第p个障碍物对象HO1,HO2,...,HOp的经重建的特征向量信号ROS1至ROSp。
这些障碍物对象存储器SP1至SPp可以被读取，以便例如在环境地图中显示真实存在的障碍物对象。随后描述的模型部分基于障碍物对象存储器SP1至SPp的这些内容形成对障碍物对象的在直至基于测量而存在结果(障碍物对象变化)的下一时间点为止的时间段期间的变化的预测。
障碍物对象存储器SP1至SPp由存储器控制SPC来操控。存储器控制SPC在接下来的部分中描述的预测的特定时间点将输出向量、也就是说经重建的特征向量信号ROS1至ROSp设置到零。
现在，在下文依据图28来描述模型部分。
现在，模型部分基于当前的识别结果和先前的识别结果来预测第一至第p个障碍物对象HO1,HO2,...,HOp的经重建的特征向量信号ROS1至ROSp的接下来的发展。
在这种情况下，存储器控制SPC在预测期间将输出向量、也就是说经重建的特征向量信号ROS1至ROSp设置到零，使得模型部分独立于现实部分地工作。当在再次发送超声脉冲之后在现实部分中存在新的测量值并且因此存在新的经重建的特征向量信号ROS1至ROSp时，存储器控制SPC才将对象存储器SP1至SPp的输出向量转换到这些经重建的特征向量信号ROS1至ROSp上。经此，模拟部分得到来自现实中的被更新的值，并且预测可以被改善。
在预测期PP1,PP2,...,PPq进行预测，这些预测期分别被划分成预测周期PZ1,PZ2,...,PZp，这些预测周期的数目等于障碍物对象HO1,HO2,...,HOp的数目。为了更好的阐明，在图28中示出了这一点(参见图28的描述)。
振荡器OSC产生时基向量TBV(两者均未在附图中示出)。时基向量TBV被移交给现实部分的神经总障碍物对象识别网络ANN0和现实部分的神经单个重建网络NN1至NNp，而且也被移交给总预测网络DANN0以及被移交给多个单个预测网络MNN1,...,MNNp。时基向量TBV能够实现对预测的时控和更新。
神经总预测网络DANN0与神经总障碍物对象识别网络ANN0相同地被参数化。该神经总预测网络与其它人工神经单个预测网络MNN1,...,MNNp共同用于预测障碍物对象HO1,HO2,...,HOp在预测时间段的时长期间的变化。障碍物对象的变化随后称为虚拟障碍物对象或者虚拟识别的障碍物对象。
在模型部分的第一求和器MS1处，从第一障碍物对象HO1的经重建的特征向量信号ROS1减去第一虚拟障碍物对象HO1的经重建的第二特征向量信号RV12。减去的结果是以针对神经总预测网络DANN0的第一预测特征向量信号PV1为形式的输入值。在预测期开始时，第一虚拟障碍物对象HO1的经重建的第二特征向量信号RV12具有值0并且必要时在该时间点被重置到零。
在模型部分的第二求和器MS2处，从第二障碍物对象HO2的经重建的特征向量信号ROS2减去第二虚拟障碍物对象HO2的经重建的第二特征向量信号RV22。减去的结果是以针对神经总预测网络DANN0的第二预测特征向量信号PV2为形式的输入值。在预测期开始时，第二虚拟障碍物对象H02的经重建的第二特征向量信号RV22具有值0并且必要时在该时间点被重置到零。
就第三障碍物对象HO3的特征向量信号直至第(p-1)个障碍物对象Hop(包括第(p-1)个障碍物对象HOp在内)的特征向量信号而言采取类似做法。然而，为了清楚起见而未在图27中示出这一点。
最后，在模型部分的第p个求和器MSp处，从第p个障碍物对象HOp的经重建的且被存储的特征向量信号ROSp减去第p个虚拟障碍物对象HOp的经重建的第二特征向量信号RVp2。所述减去的结果是以针对神经总预测网络DANN0的第p个预测特征向量信号PVp为形式的输入值。在预测期开始时，第p个虚拟障碍物对象HOp的经重建的第二特征向量信号RVp2具有值0并且必要时在该时间点被重置到零。
除了预测特征向量信号PV1至PVp之外，神经总预测网络DANN0还获得所有p个障碍物对象HOp的经重建的特征向量信号ROS1至ROSp，作为输入向量。因此，神经总预测网络DANN0拥有关于预测和现实的信息。
神经总预测网络DANN0输出第一虚拟识别的障碍物对象VEO1和第二虚拟识别的障碍物对象VEO2，以此类推，直至第p个虚拟识别的障碍物对象VEOp。在这种情况下涉及向量信号，这些向量信号以时间和/或空间复用来描述所识别出的障碍物对象。这些信号的值例如可以表示对象类型、对象位置、对象取向和其它对象特性。
开始时，不知道障碍物对象。
在下文简述第一、第二和第p个预测周期PZ1,PZ2,...,PZp。第三至第(p-1)个预测周期类似地进行，然而这出于清楚原因而未在图27中示出。
第一预测周期：
在第一预测周期PZ1中，神经总预测网络DANN0识别第一虚拟识别的障碍物对象VEO1。第一虚拟识别的障碍物对象VEO1被存储在模型部分的第一缓冲存储器VM1中。模型部分的第一人工神经单个预测网络MNN1由第一虚拟识别的障碍物对象VEO1来重建第一虚拟障碍物对象的经重建的第一特征向量信号RV11。第一虚拟障碍物对象的经重建的第一特征向量信号RV11被存储在第一预测存储器SPRV1中。在下一个预测期的第一预测周期中，在求和器处从第一虚拟障碍物对象的当前所计算出的经重建的第一特征向量信号RV11减去第一虚拟障碍物对象的所存储的该经重建的第一特征向量信号RV11。结果是第一虚拟障碍物对象的经重建的第二特征向量信号RV12。因此，该结果表示与先前的预测期的偏差。接着，第一虚拟障碍物对象的当前的经重建的第一特征向量信号RV11覆盖第一预测存储器SPRV1中的内容。经此，在预测中考虑例如对于计算速度来说所需的随时间的变化。接着，如所描述的那样，从第一障碍物对象的经重建的并且存储在障碍物对象存储器SP1中的第一特征向量信号ROS1减去第一虚拟障碍物对象的经重建的第二特征向量信号RV12，由此获得第一预测特征向量信号PV1。由此，第一预测周期结束。
第二预测周期：
在第二预测周期PZ2中，神经总预测网络DANN0识别第二虚拟识别的障碍物对象VEO2。第二虚拟识别的障碍物对象VE02被存储在模型部分的第二缓冲存储器VM2中。模型部分的第二人工神经单个预测网络MNN2由第二虚拟识别的障碍物对象VEO2来重建第二虚拟障碍物对象的经重建的第一特征向量信号RV21。第一虚拟障碍物对象的经重建的第二特征向量信号RV21被存储在第二预测存储器SPRV2中。在下一个预测期的第二预测周期中，在求和器处从第二虚拟障碍物对象的当前所计算出的经重建的第一特征向量信号RV21减去第二虚拟障碍物对象的所存储的该经重建的第一特征向量信号RV21。结果是第二虚拟障碍物对象的经重建的第二特征向量信号RV22。因此，该结果表示与先前的预测期的偏差。接着，第二虚拟障碍物对象的当前的经重建的第一特征向量信号RV21覆盖第二预测存储器SPRV2中的内容。经此，在预测中考虑例如对于计算速度来说所需的随时间的变化。接着，如所描述的那样，从第二障碍物对象的经重建的并且存储在障碍物对象存储器SP1中的第一特征向量信号ROS2减去第二虚拟障碍物对象的经重建的第二特征向量信号RV22，由此获得第二预测特征向量信号PV2。借此，第二预测周期结束。
第n个预测周期：
在第p个预测周期PZp中，总预测网络DANN0识别第p个虚拟识别的障碍物对象VEOo。第p个虚拟识别的障碍物对象VEOp被存储在模型部分的第p个缓冲存储器VMp中。模型部分的第p个人工神经单个预测网络MNNp由第p个虚拟识别的障碍物对象VEOp来重建第p个虚拟障碍物对象的经重建的第一特征向量信号RVp1。第p个虚拟障碍物对象的经重建的第一特征向量信号RVp1被存储在第p个预测存储器SPRVp中。在下一个预测期的第p个预测周期中，在求和器处从第p个虚拟障碍物对象的当前所计算出的经重建的第一特征向量信号RVp1减去第p个虚拟障碍物对象的所存储的该经重建的第一特征向量信号RVp1。结果是第p个虚拟障碍物对象的经重建的第二特征向量信号RVp2。因此，该结果表示与先前的预测期的偏差。接着，第p个虚拟障碍物对象的当前的经重建的第一特征向量信号RVp1覆盖第p个预测存储器SPRVp中的内容。经此，在预测中考虑例如对于计算速度来说所需的随时间的变化。接着，如所描述的那样，从第p个障碍物对象的经重建的并且存储在障碍物对象存储器SP1中的第一特征向量信号ROSp减去第p个虚拟障碍物对象的经重建的第二特征向量信号RVp2，由此获得第p个预测特征向量信号PVp。由此，第p个预测周期结束。
模型部分的人工神经现实模拟网络MNN0根据第一虚拟识别的障碍物对象VEO1、第二虚拟识别的障碍物对象VEO2和所有其它虚拟识别的障碍物对象VEO3至VEOp-1直至第p个虚拟识别的障碍物对象VEOp(包括该第p个虚拟识别的障碍物对象VEOp)为止重建虚拟形成的现实模拟特征向量信号VRV，该现实模拟特征向量信号例如可以是多维环境地图。
现实模拟特征向量信号VRV以及借此存储器VM1,VM2,...,VMp可以随时被读取。这些存储器包含关于在发出的超声脉冲之间的时间点所识别出的对象的空间位置的可评估信息。
随后，依据图28来探讨在预测所探测到的障碍物对象的变化时的各个步骤的时间同步。在图28的上方部分，在t轴上示出了测量或识别时间段ΔT彼此相继。在超声测量系统中应用本发明的情况下，对于每个时间段ΔT来说都产生超声发送信号，于是接着不仅承担发送功能而且承担接收功能的超声换能器振荡衰减。接着，在该振荡衰减阶段之后是每个时间段ΔT的接收阶段。
预测时间段可以以第一近似地被理解为：该预测时间段相应地具有与上述时间段ΔT相同的时长。预测时间段EP被划分成单个的预测期PP1,PP2,...,PPq，其中q是大于2的自然数。在每个预测期之内都存在预测周期PZ1,PZ2,...,PZp，这些预测周期等于所识别出的障碍物对象的数目。对所识别出的障碍物对象的变化的预测最早可以开始于第二时间段ΔT。由于预测以“来自过去的经验”为基础，所以适宜的是：在稍后的时间点、但是也不太晚才开始该预测。这最终取决于应用。
替选地，本发明还可以通过下文提到的特征组来被改写，其中这些特征组能任意彼此组合并且一个特征组的各个特征也能与一个或多个其它特征组的一个或多个特征和/或之前描述的设计方案中的一个或多个组合。
1.一种用于将传感器数据、尤其是超声传感器的传感器数据从传感器传输到计算机系统、尤其是在车辆中的计算机系统的方法，该方法具有或包括如下步骤：
-发出超声脉冲串；
-接收超声信号并且形成超声接收信号；
-根据超声接收信号1或者从中导出的经修改的残余信号660来形成特征向量信号138；
-至少评估特征向量信号138的时间区段(汉明窗(Hamming-Windows))，
-其方式是形成在特征向量信号与针对可识别的信号对象类别的一个或多个信号对象原型值之间的至少一个二元值的、数字的或模拟的距离值，并且如果该距离值的数值在数值上低于一个或多个预先确定的、二元值的、数字的或模拟的距离值，则分配可识别的信号对象类别作为所识别出的信号对象，和/或
-其方式是尤其是借助于估计器151，利用神经网络模型和/或利用Petri网络来分配可识别的信号对象类别作为所识别出的信号对象；
-在超声接收信号1之内，识别信号对象并且将这些信号对象分类到所赋予的信号对象类别，
-其中一个信号对象类别也能够只包括一个信号对象，以及
-其中给每个由此识别出的且被分类的信号对象122分配至少一个所分配的信号对象参数和与被赋予该信号对象的信号对象类别相对应的符号，或者
-其中为每个由此识别出的且被分类的信号对象122确定至少一个所分配的信号对象参数和用于该信号对象的符号，
-传输所识别出的信号对象类别122的至少该符号和所识别出的该信号对象类别122的该至少一个所分配的信号对象参数。
2.根据第1项所述的方法，
其中在点对点连接中，在通过该传感器对在该传感器之内所识别出的信号对象类别的符号以及在该传感器之内所识别出的这些信号对象类别的至少分别被分配给这些信号对象类别的信号对象参数的在时间上的发送顺序方面，在时间上区分优先次序地将所识别出的信号对象类别的至少该符号和该所识别出的信号对象类别的至少一个所分配的信号对象参数从该传感器传输到该计算机系统。
3.根据第1或2项所述的方法，
该方法包括如下附加步骤：确定啁啾值作为所分配的信号对象参数，该啁啾值说明了所识别出的信号对象是否是超声发送脉冲串的具有啁啾向上或啁啾向下或无啁啾特性的回波。
4.根据第1至3项中的一项或多项所述的方法，
其中借助于神经网络模型来进行分类。
5.根据第1至4项中的一项或多项所述的方法，
其中借助于神经网络模型来进行分类。
6.根据第1至5项中的一项或多项所述的方法，
其中借助于HMM模型来进行分类。
7.根据第1至5项中的一项或多项所述的方法，
该方法包括如下附加步骤：通过在一方面接收信号或从中导出的信号与另一方面参考信号之间形成相关来产生置信信号。
8.根据第1至7项中的一项或多项所述的方法，
该方法包括如下附加步骤：产生相位信号。
9.根据第8项所述的方法，
该方法包括如下附加步骤：通过在一方面相位信号或从中导出的信号与参考信号之间形成相关来产生相位置信信号。
10.根据第9项所述的方法，
该方法包括如下附加步骤：将该相位置信信号与一个或多个阈值进行比较，以产生离散化的相位置信信号。
11.根据第1至10项中的一项或多项所述的方法，
其中至少一个信号对象类别是小波。
12.根据第11项所述的方法，
其中至少一个小波是三角形小波。
13.根据第11或12项所述的方法，
其中至少一个小波是矩形小波。
14.根据第11至13项中的一项或多项所述的方法，
其中至少一个小波是正弦半波小波。
15.根据第11至14项中的一项或多项所述的方法，
其中信号对象参数之一是：
-所识别出的信号对象的小波的时间偏移，或者
-所识别出的信号对象的小波的时间压缩或扩展，或者
-所识别出的信号对象的小波的幅度。
16.根据第1至15项中的一项或多项所述的方法，
其中对传感器的故障状态的传输
-相对于对至少一个所识别出的信号对象类别的传输而言和/或
-相对于对所分配的信号对象参数的传输而言
有更高优先次序地进行。
17.根据第1至16项中的一项或多项所述的方法，
其中信号对象包括两个或三个或四个或更多个信号基本对象的组合。
18.根据第17项所述的方法，
其中信号基本对象是包络线信号1的幅度的数值与阈值信号SW的数值在交叉时间点的交叉。
19.根据第17或18项所述的方法，
其中信号基本对象是包络线信号1的幅度的数值与阈值信号SW的数值在上升方向上在交叉时间点的交叉。
20.根据第17至19项中的一项或多项所述的方法，
其中信号基本对象是包络线信号1的幅度的数值与阈值信号SW的数值在下降方向上在交叉时间点的交叉。
21.根据第17至20项中的一项或多项所述的方法，
其中信号基本对象是包络线信号1的幅度的数值的高于阈值信号SW的数值的在最大时间点的最大值。
22.根据第17至21项中的一项或多项所述的方法，
其中信号基本对象是包络线信号1的幅度的数值的高于阈值信号SW的数值的在最小时间点的最小值。
23.根据第17至22项中的一项或多项所述的方法，
其中信号基本对象是其它信号基本对象的预先定义的时间序列和/或时间分组。
24.根据第1至23项中的一项或多项所述的方法，
其中对所识别出的信号对象类别的至少该符号和该所识别出的信号对象类别的该至少一个所分配的信号对象参数的传输是对如下信号对象的信号对象类别的传输，该信号对象是其它信号对象的预先定义的时间序列，而且其中这些其它信号对象中的至少一个信号对象的至少一个信号对象类别不被传输。
25.根据第1至24项中的一项或多项所述的方法，
该方法具有如下附加步骤：
-根据所识别出的信号对象122来重建经重建的超声回波信号模型610，
-从超声接收信号1减去经重建的超声回波信号模型610，以形成残余信号660，
-使用残余信号660来形成特征向量信号138。
26.根据第1至25项中的一项或多项所述的方法，
该方法具有如下附加步骤：如果残余信号660的采样值的数值低于预先给定的阈值曲线的数值，则结束信号对象上的分类。
27.一种解压缩方法，尤其是用于对借助于根据第1至26项中的一项或多项所述的方法压缩的超声接收数据进行解压缩，该解压缩方法具有如下步骤：
-接收所要解压缩的数据，
-提供没有信号(图13a)的超声回波信号模型，
-通过加上包含在超声接收数据中并且满足预先给定的条件(图13b)的信号对象160来对超声回波信号模型进行补充，其中没有预先给定的条件是可能的(图15和16)，
-形成经重建的超声接收信号，这能够以形成经重建的包络线的采样值的形式实现，
-使用经重建的超声接收信号。
28.根据第27项所述的解压缩方法，
该解压缩方法具有如下步骤：在车辆中将经重建的超声接收信号用于自主驾驶的目的和/或用于环境地图生成的目的。
29.一种传感器、尤其是超声传感器，该传感器适合于或者被设置用于执行根据第1至26项中的一项或多项所述的方法。
30.一种计算机系统，
-该计算机系统适合于并且被设置用于执行根据第27或28项所述的方法，或者
-被设置用于与根据第29项所述的传感器一起使用并且适合于从该传感器获得数据。
31.一种传感器系统，其具有：
-至少一个根据第30项所述的计算机系统；和
-至少一个根据第29项所述的传感器，
-其中该计算机系统适合于和/或被设置用于执行根据第27或28项所述的方法。
32.一种传感器系统，其具有：
-至少一个根据第30项所述的计算机系统；和
-至少两个根据第29项所述的传感器，
-其中该传感器被设置为使得在这些传感器与该计算机系统之间的数据传输根据第1至28项所述的方法进行或者能够根据第1至28项所述的方法进行。
33.根据第32项所述的传感器系统，
其中在这些传感器之内，各一个超声接收信号、即至少两个超声接收信号借助于与根据第1至26项中的一项或多项所述的方法相对应的方法来被压缩并且被传输给该计算机系统，而且
-其中在该计算机系统之内，所述至少两个超声接收信号通过对从传感器接收到的数据的解压缩来被重建成经重建的超声接收信号。
34.根据第32项所述的传感器系统，
其中该计算机系统借助于经重建的超声接收信号来执行对在这些传感器的环境中的对象的对象识别。
35.根据第34项所述的传感器系统，
其中该计算机系统借助于经重建的超声接收信号和其它传感器的附加信号、尤其是雷达传感器的信号来执行对在这些传感器的环境中的对象的对象识别。
36.根据第34或35项所述的传感器系统，
其中该计算机系统基于所识别出的对象来创建针对这些传感器或者其部分是这些传感器的装置的环境地图。
37.一种超声传感器系统(图7)，其具有：
-特征提取器111；
-估计器150、151；
-物理接口101；和
-超声转换器100，
-其中超声转换器100被设置和/或被设立为接收声音超声波信号并且根据此来形成超声转换器信号102，
-其中特征向量提取器111被设置和/或被设立为根据超声转换器信号102或从中导出的信号来形成特征向量信号138，其中该超声传感器系统被设立并且被设置为：借助于估计器151、150，识别在超声接收信号和/或从中导出的超声回波信号1中的信号对象并且将这些信号对象分类成信号对象类别，
-其中一个信号对象类别也能够只包括一个信号对象，以及
-其中给每个由此识别出的且被分类的信号对象122分配至少一个所分配的信号对象参数和与被赋予该信号对象的信号对象类别相对应的符号，或者
-其中为每个由此识别出的且被分类的信号对象122确定至少一个所分配的信号对象参数和用于该信号对象的符号，而且
-将所识别出的信号对象类别122的至少该符号和该所识别出的信号对象类别122的该至少一个所分配的信号对象参数经由数据总线传输给上级计算机系统。
38.根据第37项所述的超声传感器系统，
其中估计器150具有距离确定器112和原型数据库115。
39.根据第38项所述的超声传感器系统，
其中估计器150具有维特比估计器和信号对象数据库。
40.根据第37至39点中的一项或多项所述的超声传感器系统，
其中估计器150使用神经网络模型。
41.一种用于运行超声传感器的方法，该方法具有如下步骤：
-等待与背景噪声不同的超声接收信号；
-如果超声接收信号不同于背景噪声则变换到状态“无信号对象基本原型”，并且执行用于对信号基本原型进行识别和分类的方法；
-如果预先给定的信号基本原型序列的第一信号基本原型被识别出，则变换到被分配给该序列的信号基本原型的状态的序列；
-遵循信号基本原型序列，直至信号基本原型序列结束为止；
-如果该信号基本原型序列结束，则推断出该信号基本原型序列中的一个信号基本原型的存在并且推断出被分配给该序列的信号对象，并且用信号通知该信号对象；
-在超时的情况下和/或在该序列的没有预期有该信号基本原型的位置处或者在下一位置没有预期有该信号基本原型的位置处一次或多次探测到该信号基本原型的情况下，将该序列中断；
-返回到状态“无信号对象基本原型”。
42.一种用于运行超声传感器的方法，该方法具有如下步骤：
-检测超声接收信号；
-提供无信号的超声回波信号模型610(图15a)；
-至少一次性地可选地重复地执行如下步骤：
-从超声接收信号1减去经重建的超声回波信号模型610并且形成残余信号660，
-执行用于识别残余信号660中的信号对象的方法，
-给超声回波信号模型610(图15b至h)补充所识别出的信号对象600至605的信号波形；
-如果残余信号的绝对值(Betragwert)低于预先给定的阈值信号的绝对值，则结束对这些步骤的重复；
-传输用于所识别出的信号对象中的至少一部分的符号并且可选地使用这些信息。
43.一种超声传感器系统、尤其是用于在车辆中使用的超声传感器系统，该超声传感器系统具有：
-第一超声传感器；
-至少一个第二超声传感器；和
-计算机系统，
-其中所述至少两个超声传感器中的每个超声传感器都分别实施用于将传感器数据从相应的超声传感器传输到计算机系统的方法，该方法包括如下步骤：
-发出超声脉冲串α，以及
-接收超声信号并且形成超声接收信号β，以及
-在使用经重建的超声回波信号模型610的情况下执行超声接收信号的数据压缩，以产生压缩数据γ，而且
-将这些压缩数据传输给计算机系统δ，以及
-其中在该计算机系统之内，经压缩的至少两个超声接收信号借助于经重建的超声回波信号模型(图15和16)被解压缩或重建成经重建的超声接收信号，以及
-其中该计算机系统借助于这些经重建的超声接收信号来执行对在超声传感器的环境中的对象的对象识别。
44.根据第43项所述的超声传感器系统，其中该计算机系统借助于经重建的超声接收信号和其它传感器的附加信号、尤其是雷达传感器的信号来执行对在传感器的环境中的对象的对象识别。
45.根据第43或44项所述的超声传感器系统，其中该计算机系统基于所识别出的对象来创建针对传感器或者其部分是这些传感器的装置的环境地图。
46.一种用于将传感器数据、尤其是超声传感器的传感器数据从传感器传输到计算机系统、尤其是在车辆中的计算机系统的方法，该方法具有或包括如下步骤：
-发出超声脉冲串α；
-接收超声信号并且形成接收信号、尤其是超声接收信号β；
-执行对接收信号的数据压缩，以产生压缩数据γ，
-借助于神经网络模型151(图12)和/或
-借助于HMM模型(图9和图7)和/或
-借助于Petri网络(图12)和/或
-借助于经重建的超声回波信号模型610，
-将这些压缩数据传输给计算机系统δ。
47.根据第46项所述的方法，
其中通过双向单线数据总线来进行数据传输，
-其中传感器将数据以电流调制的方式发送给计算机系统，而且
-其中计算机系统将数据以电压调制的方式发送给传感器。
48.根据第46或47项所述的方法，
其特征在于将PSI5数据总线和/或DSI3数据总线用于数据传输。
49.根据第46至48项中的一项或多项所述的方法，
其中将数据以>200kBit/s的传输率传输给该计算机系统并且从该计算机系统以>10kBit/s、优选地20kBit/s的传输率传输到至少一个传感器。
50.根据第46至49项中的一项或多项所述的方法，
其中为了将数据从传感器传输给计算机系统，将发送电流调制到数据总线上，而且其中发送电流的电流强度为<50mA、优选地<5mA。
51.一种传感器、尤其是超声传感器，该传感器适合于或者被设置用于执行根据第46至50项中的一项或多项所述的方法。
52.一种计算机系统，该计算机系统适合于或者被设置用于执行根据第46至50项中的一项或多项所述的方法。
53.一种传感器系统，其具有：
-至少一个根据第52项所述的计算机系统；和
-至少两个根据第51项所述的传感器，
-其中该传感器被设置为使得在这些传感器与该计算机系统之间的数据传输根据第46至50项中的一项或多项所述的方法进行或者能够根据第46至50项中的一项或多项所述的方法进行。
54.根据第53项所述的传感器系统，
-其中在这些传感器之内，各一个超声接收信号、即至少两个超声接收信号借助于与根据第46至50项中的一项或多项所述的方法相对应的方法来被压缩并且被传输给该计算机系统，而且
-其中在该计算机系统之内，将所述至少两个超声接收信号重建成经重建的超声接收信号。
55.根据第54项所述的传感器系统，
其中该计算机系统借助于经重建的超声接收信号来执行对在这些传感器的环境中的对象的对象识别。
56.根据第55项所述的传感器系统，
其中该计算机系统借助于经重建的超声接收信号和其它传感器的附加信号、尤其是雷达传感器的信号来执行对在这些传感器的环境中的对象的对象识别。
57.根据第55或56项所述的传感器系统，
其中该计算机系统基于所识别出的对象来创建针对这些传感器或者其部分是这些传感器的装置的环境地图。
附图标记清单
(针对图1至20)
α 发出超声脉冲串(Burst)
β 接收在障碍物对象处被反射的超声脉冲串并且转换成电接收信号
γ 对电接收信号进行压缩
γa 对电输入信号进行采样并且形成经采样的电输入信号，其中优选地可以给电输入信号的每个采样值都分配时间戳。
γb 例如通过最优滤波器(英文Matched Filter)针对原型信号对象类别来确定多个频谱值。所述多个频谱值共同形成特征向量。该形成优选地连续进行，使得得到特征向量值流。优选地可以再次给每个特征向量值分配时间戳。
γc 可选地、但是优选地执行在与以原型库的预先给定的原型特征向量值为形式的原型信号对象类别相关之前对时间戳值的相应的特征向量的谱系数的归一化
γd 确定当前的特征向量值与以原型库的预先给定的原型特征向量值为形式的原型信号对象类别的值之间的距离
γe 选择以原型库的预先给定的原型特征向量值为形式的具有距当前特征向量的优选地最小距离的最相似的原型信号对象类别，并且采用作为所识别出的信号对象的该信号对象类别的符号与时间戳值共同作为压缩数据。必要时，可以采用其它数据、尤其是信号对象参数、诸如该信号对象参数的幅度，一并作为压缩数据。接着，这些压缩数据形成经压缩的接收信号。
δ 将经压缩的电接收信号传输给计算机系统
1 所接收到的超声信号、这里也称为超声回波信号的包络线
2 按照现有技术的IO接口的输出信号(所传送的信息)
3 按照现有技术的LIN接口的所传送的信息
4 超声回波信号1与阈值信号SW在向下方向上的第一交点
5 超声回波信号1与阈值信号SW在向上方向上的第一交点
6 超声回波信号1的高于阈值信号SW的第一最大值
7 超声回波信号1与阈值信号SW在向下方向上的第二交点
8 超声回波信号1与阈值信号SW在向上方向上的第二交点
9 超声回波信号1的高于阈值信号SW的第二最大值
10 超声回波信号1的高于阈值信号SW的第一最小值
11 超声回波信号1的高于阈值信号SW的第三最大值
12 超声回波信号1与阈值信号SW在向下方向上的第三交点
13 超声回波信号1与阈值信号SW在向上方向上的第三交点
14 超声回波信号1的高于阈值信号SW的第四最大值
15 超声回波信号1与阈值信号SW在向下方向上的第四交点
16 超声回波信号1与阈值信号SW在向上方向上的第四交点
17 超声回波信号1的高于阈值信号SW的第五最大值
18 超声回波信号1与阈值信号SW在向下方向上的第五交点
19 超声回波信号1与阈值信号SW在向上方向上的第五交点
20 超声回波信号1的高于阈值信号SW的第六最大值
21 超声回波信号1与阈值信号SW在向下方向上的第六交点
22 超声回波信号1与阈值信号SW在向上方向上的第六交点
23 超声回波信号1的高于阈值信号SW的第七最大值
24 超声回波信号1与阈值信号SW在向下方向上的第七交点
25 在超声脉冲串期间的包络线
26 经由优选地双向数据总线来传输超声回波信号1与阈值信号SW在向下方向上的第一交点4的数据
27 经由优选地双向数据总线来传输超声回波信号1与阈值信号SW在向上方向上的第一交点5的数据
28 经由优选地双向数据总线来传输超声回波信号1的高于阈值信号SW的第一最大值6的数据
29 经由优选地双向数据总线来传输超声回波信号1与阈值信号SW在向下方向上的第二交点7的数据
30 经由优选地双向数据总线来传输超声回波信号1与阈值信号SW在向上方向上的第二交点8的数据
31 经由优选地双向数据总线来传输超声回波信号1的高于阈值信号SW的第二最大值9的数据和超声回波信号1的高于阈值信号SW的第一最小值10的数据
32 经由优选地双向数据总线来传输超声回波信号1的高于阈值信号SW的第三最大值11的数据
34 经由优选地双向数据总线来传输超声回波信号1与阈值信号SW在向下方向上的第三交点12的数据
35 经由优选地双向数据总线来传输超声回波信号1与阈值信号SW在向上方向上的第三交点13的数据
36 经由优选地双向数据总线来传输超声回波信号1的高于阈值信号SW的第四最大值14的数据
37 经由优选地双向数据总线来传输超声回波信号1与阈值信号SW在向下方向上的第四交点15的数据
38 经由优选地双向数据总线来传输超声回波信号1与阈值信号SW在向上方向上的第四交点16的数据
39 经由优选地双向数据总线来传输超声回波信号1的高于阈值信号SW的第五最大值17的数据
40 经由优选地双向数据总线来传输超声回波信号1与阈值信号SW在向下方向上的第五交点18的数据
41 经由优选地双向数据总线来传输超声回波信号1与阈值信号SW在向上方向上的第五交点19的数据
42 经由优选地双向数据总线来传输超声回波信号1与阈值信号SW在向下方向上的第六交点21的数据
43 在接收结束之后在根据现有技术的LIN总线上传输所接收到的回波的数据
44 在发出超声脉冲串之前在根据现有技术的LIN总线上传输数据
45 在发出超声脉冲串之前经由根据现有技术的IO接口来传输数据
46 超声发送脉冲串对根据现有技术的IO接口的输出信号的影响
47 在根据现有技术的IO接口上的第一回波5、6、7的信号
48 在根据现有技术的IO接口上的第二回波8、9、10、11、12的信号
49 在根据现有技术的IO接口上的第三和第四回波13、14、15的信号
50 在根据现有技术的IO接口上的第五回波16、17、18的信号
51 在根据现有技术的IO接口上的第六回波19、20、21的信号
52 在根据现有技术的IO接口上的第七回波22、23、24的信号
53 从计算机系统经由数据总线向传感器的开始指令
54 优选地根据DSI3标准在传感器与计算机系统之间的周期性自动数据传输
55 在测量周期之后的诊断位
56 发出超声脉冲串的结束(发送脉冲串的结束)。优选地，超声脉冲串的结束与点4重合
57 发出超声脉冲串的开始(发送脉冲串的开始)
58 数据传输的结束
100 超声转换器，该超声转换器例如也可包括单独的超声发送器和单独的超声接收器
101 物理接口，用于驱动超声转换器100并且用于将从超声转换器100接收到的超声转换器信号102处理成超声回波信号1，用于后续的信号对象分类
102 超声转换器信号
111 特征向量提取器111
112 距离确定器(或分类器)
113 维特比估计器
115 原型数据库
116 信号对象数据库
122 所识别出的具有信号对象参数的信号对象
123 中间参数信号
125 显著性增强器
126 LDA矩阵
138 Feature-Vektor-Signal或特征向量信号
141 原型数据库115的第一原型信号基本对象的重心坐标
142 原型数据库115的第二原型信号基本对象的重心坐标
143 原型数据库115的第三原型信号基本对象的重心坐标
144 原型数据库115的第四原型信号基本对象的重心坐标
145 在原型数据库115的两个信号基本对象的散布范围与重心坐标142和143的重叠范围内的特征向量信号138的当前的特征向量信号值
146 特征向量信号值，该特征向量信号值与原型数据库115的任何一个信号基本对象原型的重心的重心坐标141、142、143、144相距太远
147 唯一的信号基本对象原型141的重心141周围的散布范围(阈值椭球)147
148 当前的特征向量信号值，该当前的特征向量信号值处在唯一的信号基本对象原型141的重心141周围的散布范围(阈值椭球)147内，而且该当前的特征向量信号值可以借此通过距离确定器112可靠地被识别并且作为所识别出的信号基本对象121被转交给维特比估计器113。
150 具有HMM模型的估计器
151 具有神经网络模型的估计器
160 以具有啁啾向下A和数据传输优先级1的三角形形状的第一信号对象
161 以具有啁啾向上B和数据传输优先级2的三角形形状的第二信号对象
162 以具有啁啾向上B和数据传输优先级3的双峰形状的第三信号对象(路边石剖面)
163 以具有啁啾向下A和数据传输优先级4的三角形形状的第四信号对象
164 以具有啁啾向下A和数据传输优先级5的三角形形状的第五信号对象
165 以具有啁啾向上B和数据传输优先级6的三角形形状的第六信号对象
166 借助于信号对象传输的且被解压缩的回波信号
600 重建器
601 用于超声回波信号1的存储器。该存储器优选地包括超声脉冲或超声脉冲串的回波的数据
602 减法器，用于从超声回波信号1的存储在存储器601中的采样值减去超声回波信号的通过重建器600所计算出的形成经重建的超声回波信号模型610的经重建的采样值，以便形成残余信号660，该残余信号替代超声回波信号1而用作特征向量提取器111的替选输入信号
603 用于经重建的超声回波信号模型610的重建存储器。重建存储器通常被实施为重建器600的部分
610 经重建的超声回波信号模型
660 残余信号。该残余信号表示压缩误差。识别出越多的对象，压缩误差就变得越小。通常，如果残余信号660的所有采样值都低于压缩的阈值曲线，则将该压缩中断。在附图中未绘制相对应的中断信令。
a 用于借助于根据现有技术的IO接口来传输所接收到的超声回波的所传输的信息
A 所识别出的具有啁啾向下的信号对象
a.u. “arbritrary units”＝自由选择的单位
B 所识别出的具有啁啾向上的信号对象
b 用于借助于根据现有技术的LIN接口来传输所接收到的超声回波的所传输的信息
c 用于借助于所提出的方法和所提出的装置来传输所接收到的超声回波的具有用于比较的包络线(超声回波信号1)的所传输的信息
d 用于借助于所提出的方法和所提出的装置来传输所接收到的超声回波的没有包络线的所传输的信息
e 在借助于根据现有技术的IO接口来传输所接收到的回波信息时的示意性的信号形状
En 所接收到的超声信号的包络线(超声回波信号1)的幅度
f 在借助于根据现有技术的LIN接口来传输所接收到的回波信息时的示意性的信号形状
g 在借助于双向数据接口来传输所接收到的回波信息时的示意性的信号形状
SA 在存储器601或重建存储器603中的存储器地址。该存储器地址通常与自从发出超声脉冲和/或超声脉冲串以来的时间相关。
SB 发送脉冲串
SW 阈
t 时间
TE 接收时间。该接收时间通常开始于发出超声脉冲串的结束56。可能的是，之前就已经开始接收。但是，这可能导致必要时需要附加措施的问题。
附图标记清单
(针对图21至25)
A0 第零个求和器
A1 第一求和器
A2 第二求和器
An 第n个求和器
ANN0 神经总障碍物识别网络
DANN0 神经总预测网络
DB 数据总线
DR 驱动器
E1 所传输的第一信号对象
E2 所传输的第二信号对象
EC1 经修正的第一特征向量信号
EC2 经修正的第二特征向量信号
EC3 经修正的第三特征向量信号
ECm 经修正的第m个特征向量信号
ECU 数据处理单元
EF1 第一传感器的经重建的特征向量信号
EF2 第二传感器的经重建的特征向量信号
EF3 第三传感器的经重建的特征向量信号
EFm 第m个传感器的经重建的特征向量信号
EM1 数据处理单元的第一缓冲存储器
EM2 数据处理单元的第二缓冲存储器
EMn 数据处理单元的第n个缓冲存储器
En 所传输的第n个信号对象
ENN1 第一神经单个解压缩网络
ENN2 第二神经单个解压缩网络
ENNn 第n个神经单个解压缩网络
EO1 现实部分的第一缓冲存储器
EO2 现实部分的第二缓冲存储器
EOp 现实部分的第p个缓冲存储器
EP 识别期/预测时间段
EPS1 第一测量时间点
EPS2 第二测量时间点
ER 经重建的特征向量信号
ER1 经重建的第一特征向量信号
ER2 经重建的第二特征向量信号
ERn-1 经重建的第n-1个特征向量信号
ERn 经重建的第n个特征向量信号
ES1 数据处理单元的第一求和器
ES2 数据处理单元的第二求和器
ESn 数据处理单元的第n个求和器
EV1 现实部分的经重建的第一特征向量信号
EV2 现实部分的经重建的第二特征向量信号
EV3 现实部分的经重建的第三特征向量信号
EVm 现实部分的经重建的第m个特征向量信号
F0 第零个特征向量信号
F1 第一特征向量信号
F2 第二特征向量信号
FE 特征提取
IDB 内部数据总线
IFE1 逆特征提取
IFE2 逆特征提取
IFEn-1 逆特征提取
EFEn 逆特征提取
IM0 第零个缓冲存储器
IM1 第一缓冲存储器
IM2 第二缓冲存储器
IMn 第n个缓冲存储器
MNN0 神经现实模拟网络
MNN1 第一神经单个预测网络
MNN2 第二神经单个预测网络
MNNp 第p个神经单个预测网络
MS1 模型部分的第一求和器
MS2 模型部分的第二求和器
MSp 模型部分的第p个求和器
NN0 神经信号对象识别网络
NN1 第一神经单个重建网络
NN2 第二神经单个重建网络
NNn 第n个神经单个重建网络
O1 所识别出的第一信号对象
O2 所识别出的第二信号对象
On 所识别出的第n个信号对象
PP1 第一预测期
PP2 第二预测期
PPm 第m个预测期
PV1 第一预测特征向量信号
PV2 第二预测特征向量信号
PVp 第p个预测特征向量信号
PZ1 第一预测周期
PZ2 第二预测周期
PZn 第n个预测周期
R1 经重建的第一特征向量信号
R2 经重建的第二特征向量信号
RC 识别控制
REK 重建器
RF 经重建的特征向量信号
Rn-1 经重建的第(n-1)个特征向量信号
Rn 经重建的第n个特征向量信号
RNN1 现实部分的第一神经单个障碍物识别网络
RNN2 现实部分的第二神经单个障碍物识别网络
RNNp 现实部分的第p个神经单个障碍物识别网络
RO1 针对所有m个传感器的第一对象的经重建的障碍物对象特征向量信号
RO2 针对所有m个传感器的第二对象的经重建的障碍物对象特征向量信号
RO11 针对第一传感器的第一对象的经重建的障碍物对象特征向量信号
RO12 针对第二传感器的第一对象的经重建的障碍物对象特征向量信号
RO13 针对第三传感器的第一对象的经重建的障碍物对象特征向量信号
RO1m 针对第m个传感器的第一对象的经重建的障碍物对象特征向量信号
RO21 针对第一传感器的第二对象的经重建的障碍物特征向量信号
RO22 针对第二传感器的第二对象的经重建的障碍物特征向量信号
RO23 针对第三传感器的第二对象的经重建的障碍物特征向量信号
RO2m 针对第m个传感器的第二对象的经重建的障碍物特征向量信号
ROp 针对所有m个传感器的第p个对象的经重建的障碍物特征向量信号
ROp1 针对第一传感器的第p个对象的经重建的障碍物特征向量信号
ROp2 针对第二传感器的第p个对象的经重建的障碍物特征向量信号
ROp3 针对第三传感器的第p个对象的经重建的障碍物特征向量信号
ROpm 针对第m个传感器的第p个对象的经重建的障碍物特征向量信号
ROS1 第一障碍物对象的经重建的且被存储的特征向量信号
ROS2 第二障碍物对象的经重建的且被存储的特征向量信号
ROSp 第p个障碍物对象的经重建的且被存储的特征向量信号
RS1 现实部分的第一求和器
RS2 现实部分的第二求和器
RS3 现实部分的第三求和器
RSm 现实部分的第m个求和器
RSP 重建存储器
RV11 第一虚拟识别的障碍物对象的经重建的特征向量信号
RV12 第一虚拟识别的障碍物对象的经重建的特征向量信号
RV21 第二虚拟识别的障碍物对象的经重建的特征向量信号
RV22 第二虚拟识别的障碍物对象的经重建的特征向量信号
RVp1 第p个虚拟识别的障碍物对象的经重建的特征向量信号
RVp2 第p个虚拟识别的障碍物对象的经重建的特征向量信号
RX 接收器
S1 第一传感器
S2 第二传感器
S3 第三传感器
Sm 第m个传感器
SCE ECU系统控制
SCU 超声系统控制
SP1 第一障碍物对象存储器
SP2 第二障碍物对象存储器
SPC 存储器控制
SPp 第p个障碍物对象存储器
SPRV1 第一预测存储器
SPRV2 第二预测存储器
SPRVp 第p个预测存储器
TR 超声转换器
TEC 发送器控制器
TRU 数据总线接口
TU 超声发送器控制装置
TRE 数据总线接口
VEO1 第一虚拟识别的障碍物对象
VEO2 第二虚拟识别的障碍物对象
VEOp 第p个虚拟识别的障碍物对象
VM1 模型部分的第一缓冲存储器
VM2 模型部分的第二缓冲存储器
VMp 模型部分的第p个缓冲存储器
VRV 现实模拟特征向量信号文献目录
DE 4433957 A1
DE 102012015967 A1
DE 102011085286 A1
DE 102015104934 A1
DE 102010041424 A1
DE 102013226373 A1
DE 10024959 A1
DE 102013015402 A1
DE 102018106244 B3
DE 102019106190 A1
DE 102017123049 B3
DE 102017123050 B3
DE 102017123051 B3
DE 102017123052 B3
WO 2012/016834 A1
WO 2014/108300 A1
WO 2018/210966 A1
US 2006/0250297 A1

Claims (13)

1.一种用于在测量系统、尤其是用于距离测量并且尤其是用于在车辆中应用的测量系统中将传感器信号从发送器传输到数据处理单元并且尤其是用于将超声传感器信号从超声传感器传输到超声测量系统的数据处理单元的方法，其中在所述方法中
-提供传感器(S1,S2,S3,...,Sm)的传感器信号，
-将描述所述传感器信号的传感器信号数据经压缩地从传感器(S1,S2,S3,...,Sm)无线地或有线地传输到数据处理单元(ECU)，
-其中为了对描述所述传感器信号的传感器信号数据进行压缩，
-借助于特征提取(FE)从所述传感器信号中来提取信号波形特性，
-根据所提取的信号波形特性来形成总特征向量信号(F1)，
-给所述总特征向量信号(F1)的特征分配信号对象，其方式是
a)借助于人工神经信号对象识别网络(NN0)，依据所述总特征向量信号(F1)的特征来识别信号对象，
b)将表示所识别出的信号对象的数据存储在缓冲存储器(IM1,IM2,...,IMn)中，
c)针对所识别出的信号对象，借助于共同的人工神经单个重建网络(NN1,NN2,...,NNn)或者借助于多个人工神经单个重建网络(NN1,NN2,...,NNn)中的相应另一人工神经单个重建网络来产生经重建的单个特征向量信号(R1,R2,Rn-1,Rn)，
d)从所述总特征向量信号(F1)减去经重建的单个特征向量信号(R1,R2,Rn-1,Rn)，以形成特征向量残余信号(F2)，
e)只要所述特征向量残余信号(F2)小于预先给定的阈值信号，就结束将信号对象分配给所述总特征向量信号(F1)的特征，
f)否则为了识别其它潜在信号对象而将所述特征向量残余信号(F2)输送给所述神经信号对象识别网络(NN0)，
g)重复步骤b)至f)，直至相应被更新的特征向量残余信号(F2)小于预先给定的阈值信号，而且
h)结束将信号对象分配给所述总特征向量信号(F1)的特征，以及
-针对每个被识别出的信号对象，产生表示所述信号对象的信号对象数据，以及
-将所述信号对象数据传输给所述数据处理单元(ECU)。
2.一种用于在测量系统、尤其是用于距离测量并且尤其是用于在车辆中应用的测量系统中将传感器信号从发送器传输到数据处理单元并且尤其是用于将超声传感器信号从超声传感器传输到超声测量系统的数据处理单元的方法，其中在所述方法中
-提供传感器(S1,S2,S3,...,Sm)的传感器信号，
-将描述所述传感器信号的传感器信号数据经压缩地从传感器(S1,S2,S3,...,Sm)无线地或有线地传输到数据处理单元(ECU)，
-其中为了对描述所述传感器信号的传感器信号数据进行压缩，
-借助于特征提取(FE)从所述传感器信号中来提取信号波形特性，
-根据所提取的信号波形特性来形成总特征向量信号(F0)，
-给所述总特征向量信号(F0)的特征分配信号对象，其方式是
a)借助于人工神经信号对象识别网络(NN0)，依据所述总特征向量信号(F0)的特征来识别信号对象，
b)将表示所识别出的信号对象的数据存储在缓冲存储器(IM1,IM2,...,IMn)中，
c)针对所识别出的信号对象，借助于共同的人工神经单个重建网络(NN1,NN2,...,NNn)或者借助于多个人工神经单个重建网络(NN1,NN2,...,NNn)中的相应另一人工神经单个重建网络来产生经重建的单个特征向量信号(R1,R2,Rn-1,Rn)，
d)将经重建的单个特征向量信号(R1,R2,Rn-1,Rn)逆变换成信号对象，更确切地说尤其是借助于所述传感器信号的特征提取(FE)的逆变换(IFE)将经重建的单个特征向量信号逆变换成信号对象，
e)从该传感器信号减去经逆变换的信号对象，以形成残余传感器信号，
f)只要所述残余传感器信号小于预先给定的阈值信号，就结束将信号对象分配给所述总特征向量信号(F0)的特征，
g)否则借助于特征提取(FE)从所述残余传感器信号来提取信号波形特性，并且根据所述信号波形特性来形成总特征向量残余信号(F0)，
h)从相应当前的总特征向量残余信号(F0)出发，重复步骤a)至g)，直至所述残余传感器信号小于预先给定的阈值信号，而且
i)结束将信号对象分配给所述总特征向量信号(F0)的特征，以及
-针对每个被识别出的信号对象，产生表示所述信号对象的信号对象数据，而且
-将所述信号对象数据传输给所述数据处理单元(ECU)。
3.一种用于在测量系统、尤其是用于距离测量并且尤其是用于在车辆中应用的测量系统中将传感器信号从发送器传输到数据处理单元并且尤其是用于将超声传感器信号从超声传感器传输到超声测量系统的数据处理单元的方法，其中在所述方法中
-提供传感器(S1,S2,S3,...,Sm)的传感器信号，
-将描述所述传感器信号的传感器信号数据经压缩地从传感器(S1,S2,S3,...,Sm)无线地或有线地传输到数据处理单元(ECU)，
-其中为了对描述所述传感器信号的传感器信号数据进行压缩，
-借助于特征提取(FE)从所述传感器信号中来提取信号波形特性，
-根据所提取的信号波形特性来形成总特征向量信号(F1)，
-给所述总特征向量信号(F1)的特征分配信号对象，其方式是
a)借助于人工神经信号对象识别网络(NN0)，依据所述总特征向量信号(F1)的特征来识别信号对象，
b)针对所识别出的信号对象，借助于多个人工神经单个重建网络(NN1,NN2,...,NNn)中的另一人工神经单个重建网络来产生经重建的单个特征向量信号(R1,R2,Rn-1,Rn)，
c)求所有经重建的单个特征向量信号(R1,R2,Rn-1,Rn)之和，作为总和单个特征向量信号(RF)，
d)从所述总特征向量信号(F1)减去所述总和单个特征向量信号(RF)，以形成特征向量残余信号(F2)，
e)只要所述特征向量残余信号(F2)小于预先给定的阈值信号，就结束将信号对象分配给所述总特征向量信号(F1)的特征，
f)否则为了识别其它潜在信号对象而将所述特征向量残余信号(F2)输送给所述神经信号对象识别网络(NN0)，
g)针对每个被识别出的其它潜在信号对象，借助于神经单个重建网络(NN1,NN2,...,NNn)之一，产生经重建的单个特征向量信号(R1,R2,Rn-1,Rn)，
h)从所述总特征向量信号(F1)减去所有这些在步骤g)中重建的单个特征向量信号(R1,R2,Rn-1,Rn)之和，以形成被更新的特征向量残余信号(F2)，
i)重复步骤f)至h)，直至相应被更新的特征向量残余信号(F2)小于预先给定的阈值信号，而且
j)结束将信号对象分配给所述总特征向量信号(F1)的特征，
-针对每个被识别出的信号对象，产生表示所述信号对象的信号对象数据，以及
-将所述信号对象数据传输给所述数据处理单元(ECU)。
4.一种用于在测量系统、尤其是用于距离测量并且尤其是用于在车辆中应用的测量系统中将传感器信号从发送器传输到数据处理单元并且尤其是用于将超声传感器信号从超声传感器传输到数据处理单元的方法，其中在所述方法中
-提供传感器(S1,S2,S3,...,Sm)的传感器信号，
-将描述所述传感器信号的传感器信号数据经压缩地从传感器(S1,S2,S3,...,Sm)无线地或有线地传输到数据处理单元(ECU)，
-其中为了对描述所述传感器信号的传感器信号数据进行压缩，
-借助于特征提取(FE)从所述传感器信号中来提取信号波形特性，
-根据所提取的信号波形特性来形成总特征向量信号(F1)，
-给所述总特征向量信号(F1)的特征分配信号对象，其方式是
a)借助于人工神经信号对象识别网络(NN0)，依据所述总特征向量信号(F1)的特征来识别信号对象，
b)针对所识别出的信号对象，借助于多个人工神经单个重建网络(NN1,NN2,...,NNn)中的另一人工神经单个重建网络来产生经重建的单个特征向量信号(R1,R2,Rn-1,Rn)，
c)求所有经重建的单个特征向量信号(R1,R2,Rn-1,Rn)之和，作为总和单个特征向量信号(RF)，
d)将所述总和单个特征向量信号(RF)逆变换成信号对象，更确切地说尤其是借助于所述传感器信号的特征提取(FE)的逆变换(IFE)将所述总和单个特征向量信号逆变换成信号对象，
e)从该传感器信号减去经逆变换的信号对象，以形成残余传感器信号，
f)只要所述残余传感器信号小于预先给定的阈值信号，就结束将信号对象分配给所述总特征向量信号(F0)的特征，
g)否则借助于特征提取(FE)从所述残余传感器信号来提取信号波形特性，并且根据所述信号波形特性来形成总特征向量残余信号(F0)，
h)从相应当前的总特征向量残余信号(F0)出发，重复步骤a)至g)，直至所述残余传感器信号小于预先给定的阈值信号，以及
i)结束将信号对象分配给所述总特征向量信号(F0)的特征，以及
-针对每个被识别出的信号对象，产生表示所述信号对象的信号对象数据，以及
-将所述信号对象数据传输给所述数据处理单元(ECU)。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述信号对象数据包括相对于用于描述所述传感器信号以及用于描述所识别出的信号对象这两者的数据而言减少的用于识别所述信号对象所属的信号对象类别的数据量、以及信号对象参数数据，所述信号对象参数数据描述了要按照用于描述所述信号对象类别的不同变体的所述信号对象类别来分配的信号对象。
6.根据权利要求1至5中任一项所述的方法，
其特征在于，基于所述总特征向量信号的特征按照步骤a)至j)通过空间或时间复用来进行对所述信号对象的识别。
7.一种用于对测量系统、尤其是测距系统的传感器(S1,S2,S3,...,Sn)、尤其是用于在车辆中应用的传感器的描述传感器信号的经压缩的传感器信号数据以及尤其是描述超声传感器的超声传感器信号的、经压缩的传感器信号数据进行解压缩的方法，其中在所述方法中
-提供描述传感器信号的经压缩的传感器信号数据，其中所述传感器信号数据表示信号对象，所述信号对象分配有所述传感器信号的信号波形特性，所述信号波形特性借助于特征提取(FE)从所述传感器信号中被提取并且形成所述总特征向量信号(F1)的特征，
-针对每个信号对象，将描述相应的信号对象的数据输送给多个人工神经单个解压缩网络(ENN1,ENN2,...,ENNn)中的另一人工神经单个解压缩网络，或者根据分别描述信号对象的数据产生相应的信号对象并且将所述信号对象输送给多个人工神经单个解压缩网络(ENN1,ENN2,...,ENNn)中的另一人工神经单个解压缩网络，其中所述神经单个解压缩网络(ENN1,ENN2,...,ENNn)具有参数化，所述参数化在从输入信号到输出信号的处理方面与通过人工神经网络或者通过在对所述传感器信号数据的压缩时已使用的其它数据处理装置的从输入信号到输出信号的处理相逆，
-由每个神经单个解压缩网络(ENN1,ENN2,...,ENNn)来形成经重建的单个特征向量信号(ER1,ER2,...,ERn)，以及
-对经重建的单个特征向量信号(ER1,ER2,...,ERn)进行求和，以形成表示所述总特征向量信号(F1)的、经重建的总特征向量信号(ER)，所述经重建的总特征向量信号表示对经压缩的传感器信号数据的解压缩。
8.根据权利要求7所述的方法，其特征在于，
通过空间或时间复用来形成经重建的单个特征向量信号(ER1,ER2,...,ERn)。
9.根据权利要求7或8所述的方法，其特征在于，
根据权利要求1或2所述的方法来提供描述所述传感器信号的、经压缩的传感器信号数据，其中对所述神经单个解压缩网络(ENN1,ENN2,...,ENNn)中的每个神经单个解压缩网络的参数化产生被分配给信号对象的经重建的单个特征向量信号(ER1,ER2,...,ERn)并且关于将输入信号处理成输出信号方面与在压缩时的神经单个重建网络(NN1,NN2,...,NNn)相逆。
10.一种用于依据由多个对检测区域进行检测的传感器、尤其是由多个对所述检测区域进行检测的超声传感器提供的传感器信号来识别在所述检测区域、尤其是在与车辆相邻的检测区域中、尤其是在车辆的周围环境中是否存在障碍物对象的方法，其中在所述方法中
A)针对每个传感器，借助于特征提取从所述传感器的传感器信号提取信号波形特性，并且根据所述特征来形成表示所述传感器信号的特征向量信号(EF1,EF2,EF3,...,EFm)，
B)将所述特征向量信号(EF1,EF2,EF3,...,EFm)作为输入信号输送给人工神经总障碍物对象识别网络(ANN0)，所述人工神经总障碍物对象识别网络依据所述特征向量信号(EF1,EF2,EF3,...,EFm)的特征来识别至少一个障碍物对象并且将每个障碍物对象的描述所述障碍物对象的信息存储在单独的障碍物对象存储器(EO1,EO2,...,EOp)中，
C)将每个障碍物对象存储器(EO1,EO2,...,EOp)的信息作为输入数据输入在被分配给所述障碍物对象存储器的人工神经单个障碍物对象识别网络(RNN1,RNN2,...,RNNp)，
D)每个神经单个障碍物对象识别网络(RNN1,RNN2,...,RNNp)都输出表示相关的障碍物对象存储器(EO1,EO2,...,EOp)的障碍物对象的障碍物对象特征向量信号(RO1,RO2,...,ROp)和数目与传感器的数目相同的中间特征向量信号(ROij，其中i＝1,2,...,p，其中p等于障碍物对象的数目，而且其中j＝1,2,...,m，其中m等于传感器的数目)，所述中间特征向量信号中的每个中间特征向量信号都分配有唯一的传感器(S1,S2,S3,...,Sm)，
E)针对每个传感器(S1,S2,S3,...,Sm)，将由神经单个障碍物对象识别网络(RNN1,RNN2,...,RNNp)输出的中间特征向量信号(ROij，其中i＝1,2,...,p，其中p等于障碍物对象的数目，而且其中j＝1,2,...,m，其中m等于传感器的数目)相加，以形成修正的特征向量信号(EV1,EV2,EV3,...,EVm)，
F)针对每个传感器(S1,S2,S3,...,Sm)，形成残余特征向量信号(EC1,EC2,EC3,...,ECm)，其方式是从所述特征向量信号(EF1,EF2,EF3,...,EFm)减去修正的特征向量信号(EV1,EV2,EV3,...,EVm)，
G)只要所述残余特征向量信号(EC1,EC2,EC3,...,ECm)大于阈值信号，就在使用相应被更新的残余特征向量信号(EC1,EC2,EC3,...,ECm)的情况下重复步骤B)至F)，以及
H)否则由神经子网络(RNN1,RNN2,...,RNNp)输出的障碍物对象特征向量信号(RO1,RO2,...,ROp)分别表示障碍物对象并且依据障碍物对象特征向量信号(RO1,RO2,...,Rop)来确定潜在的、处在检测区域内的障碍物对象，尤其是关于位置、方位和/或取向和/或关于其类型、其性质和/或其距车辆的距离来确定潜在的、处在检测区域内的障碍物对象。
11.根据权利要求10所述的方法，其特征在于，
提供根据权利要求7至9中任一项所述针对每个传感器(S1,S2,S3,...,Sm)形成的经重建的总特征向量信号(ER)，作为被分配给相关传感器(S1,S2,S3,...,Sm)的特征向量信号(EF1,EF2,EF3,...,EFm)。
12.一种用于在与车辆相邻的检测区域之内在预测时间段的时长内预测障碍物对象的潜在变化、尤其是关于位置、方位和/或取向和/或关于其类型、其性质和/或其距尤其是车辆的测距系统的距离来预测障碍物对象的潜在变化并且尤其是用于预测障碍物对象距测距系统的距离由于障碍物对象与测距系统的相对运动而引起的变化的方法，其中在所述方法中
I.预测时间段(EP)被划分成多个彼此相继的预测期(PP1,PP2,...,PPq)，每个预测期(PP1,PP2,...,PPq)都被划分成数目与在检测区域中的障碍物对象的数目相同的彼此相继的预测周期(PZ1,PZ2,...,PZp)，其中针对每个预测期(PP1,PP2,...,PPq)都相对于在先前的预测期(PP1,PP2,...,PPq)中所预测的变化而言预测障碍物对象相对于测距系统的变化，
II.在每个预测时间段(EP)开始前和/或在每个预测时间段开始时和/或随着预测时间段的开始并且由此针对每个障碍物对象的第一预测期(PP1)，提供障碍物对象特征向量信号(RO1,RO2,...,ROp)，所述障碍物对象特征向量信号表示在如下时间点关于障碍物对象的信息，诸如该障碍物对象的位置、尤其是方位和/或取向和/或相对于测距系统的距离，在所述时间点，障碍物对象特征向量信号(RO1,RO2,...,ROp)是借助至少一个关于是否潜在存在障碍物方面对检测区域进行检测的传感器(S1,S2,S3,...,Sm)、尤其是至少一个超声传感器的当前进行的测量来被确定的，
III.将所述障碍物对象特征向量信号(RO1,RO2,...,ROp)输入到人工神经总预测网络(DANN0)中，
IV.所述神经总预测网络(DANN0)针对每个障碍物对象都产生表示其在当前预测期(PP1,PP2,...,PPq)的预测周期(PZ1,PZ2,...,PZp)之内所取的位置的预测信息(VEO1,VEO2,...,VEOp)，
V.将每个障碍物对象的预测信息(VEO1,VEO2,...,VEOp)存储在预测存储器(VM1,VM2,...,VMp)中，
VI.针对每个障碍物对象，将当前存储在所述预测存储器(VM1,VM2,...,VMp)中的信息输送给多个人工神经单个预测网络(MNN1,MNN2,...,MNNp)中的另一个人工神经单个预测网络，
VII.每个神经单个预测网络(MNN1,MNN2,...,MNNp)都产生中间预测特征向量信号(RV11,RV12,...,RVp1)，所述中间预测特征向量信号表示相关的障碍物对象(HO1,HO2,...,HOp)在预测周期(PZ1,PZ2,...,PZp)的时长期间所预测的变化，
VIII.针对每个障碍物对象(HO1,HO2,...,HOp)，借助于所述中间预测特征向量(RV11,RV12,...,RVp1)来改变所述障碍物对象特征向量信号(RO1,RO2,...,ROp)，
IX.将这样被改变的障碍物对象特征向量信号(RO1,RO2,...,ROp)输送给所述总预测网络(DANN0)，
X.对于每个预测期(PP1,PP2,...,PPq)来说，针对全部障碍物对象(HO1,HO2,...,HOp)同时执行步骤III.至IX.，或者按顺序地、更确切地说针对每个预测周期(PZ1,PZ2,...,PZp)针对另一障碍物对象(HO1,HO2,...,HOp)执行这些步骤，其中检查所述障碍物对象(HO1,HO2,...,HOp)的变化的顺序分别保持相同，以及
XI.最迟在所述预测时间段(EP)结束时，将预测存储器(VM1,VM2,...,VMp)的内容输送给人工神经现实模拟网络(MNN0)，所述人工神经现实模拟网络输出现实模拟特征向量信号(VRV)，所述现实模拟特征向量信号表示所述障碍物对象(HO1,HO2,...,HOp)的所预测的当前变化。
13.根据权利要求12所述的方法，其特征在于，
按照根据权利要求10至12中任一项所述的方法在步骤II.中提供所述障碍物对象特征向量信号(RO1,RO2,...,ROp)。
CN202080035116.2A 2019-03-12 2020-03-12 用于依据多个传感器的信号来识别障碍物对象以及预测已知障碍物对象的位置的变化以及用于对为上述目的所使用的传感器信号进行压缩及解压缩的方法 Pending CN113826027A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102019106204.7A DE102019106204B4 (de) 2019-03-12 2019-03-12 Ultraschallsystem mit zentralisierter Objekterkennung auf Basis von dekomprimierten Ultraschallsignalen mehrerer Sensoren und zugehöriges Kompressionsverfahren
DE102019106204.7 2019-03-12
PCT/EP2020/056727 WO2020182963A2 (de) 2019-03-12 2020-03-12 Verfahren zur erkennung von hindernisobjekten sowie zur prognose der veränderung der position bekannter hindernisobjekte anhand von signalen mehrerer sensoren und zur kompression sowie dekompression von zu den obigen zwecken verwendeten sensorsignalen

Publications (1)

Publication Number Publication Date
CN113826027A true CN113826027A (zh) 2021-12-21

Family

ID=69810872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080035116.2A Pending CN113826027A (zh) 2019-03-12 2020-03-12 用于依据多个传感器的信号来识别障碍物对象以及预测已知障碍物对象的位置的变化以及用于对为上述目的所使用的传感器信号进行压缩及解压缩的方法

Country Status (4)

Country Link
EP (3) EP4067937A1 (zh)
CN (1) CN113826027A (zh)
DE (1) DE102019106204B4 (zh)
WO (1) WO2020182963A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982079A (zh) * 2023-02-14 2023-04-18 北京智联安科技有限公司 一种应用于激光雷达片内的总线结构

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019106204B4 (de) 2019-03-12 2023-04-27 Elmos Semiconductor Se Ultraschallsystem mit zentralisierter Objekterkennung auf Basis von dekomprimierten Ultraschallsignalen mehrerer Sensoren und zugehöriges Kompressionsverfahren
CN112305535A (zh) * 2020-11-04 2021-02-02 港赢科人工智能科技江苏有限公司 一种汽车主动测距机构
DE102021121155A1 (de) 2021-01-04 2022-07-07 Elmos Semiconductor Se Trilaterationsbasierendes Ultraschallsensorsystem mit Kalman-Filterung und Lösungsclusterung
WO2023016592A1 (de) 2021-08-13 2023-02-16 Elmos Semiconductor Se Trilaterationsbasierendes ultraschallsensorsystem mit kalman-filterung und lösungsclusterung
DE102022117277A1 (de) * 2022-07-12 2024-01-18 Valeo Schalter Und Sensoren Gmbh Verfahren zum trainieren eines neuronalen netzes
DE102022005050B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte frequenzsynchronisierte UART-Datenübertragung für die zeitnahe Datenübertragung von Echodaten an ein übergeordnetes Rechnersystem
DE102022005040B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART Schnittstelle für die zeitnahe Datenübertragung von Echodaten an ein übergeordnetes Rechnersystem und Kommandoempfang in einer Kommandophase
DE102022120105B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART-Schnittstelle für die zeitnahe Datenübertragung von Echodaten an ein übergeordnetes Rechnersystem
DE102022005041B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART Schnittstelle für die zeitnahe Datenübertragung von Echodaten an ein übergeordnetes Rechnersystem mittels eines Empfangssignals in einer Ultraschallmessphase
DE102022005044B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART Schnittstelle für die zeitnahe Datenübertragung von Echodaten von vier Echos an ein übergeordnetes Rechnersystem
DE102022005052B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte kommandogesteuerte UART-Datenübertragung für die zeitnahe Datenübertragung von Echodaten an ein übergeordnetes Rechnersystem
DE102022005045B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART Schnittstelle für die zeitnahe Datenübertragung von Echodaten und Signalisierung von Diagnosedaten an ein übergeordnetes Rechnersystem
DE102022005042B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART Schnittstelle für die zeitnahe Datenübertragung von Echodaten an ein übergeordnetes Rechnersystem mittels Signalisierung in einer Ultraschallmessphase
DE102022005043B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART Schnittstelle für die zeitnahe Datenübertragung von Echodaten und Signalisierung der Ultraschallmessphase an ein übergeordnetes Rechnersystem
DE102022005055B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART-Datenübertragung für die zeitnahe Datenübertragung von Echodaten von vier Echos an ein übergeordnetes Rechnersystem
DE102022005049B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART Datenübertragung für die zeitnahe Datenübertragung von Echodaten und weiterer Daten an ein übergeordnetes Rechnersystem
DE102022005039B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte, mittels Synchronisationssignal UART-Taktfrequenz synchronisierte UART-Schnittstelle für die zeitnahe Datenübertragung von Echodaten an ein übergeordnetes Rechnersystem
DE102022120106B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART-Datenübertragung für die zeitnahe Datenübertragung von Echodaten an ein übergeordnetes Rechnersystem
US20240053459A1 (en) 2022-08-10 2024-02-15 Elmos Semiconductor Se Modified uart interface and uart data transmission for real-time data transmission of echo data to a higher-level computer system
DE102022005038B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART Schnittstelle für die zeitnahe Datenübertragung von Echodaten eines Ultraschallsensors mit echoamplitudenabhängiger Pulszeitdauer an ein übergeordnetes Rechnersystem
DE102022005056B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART Datenübertragung für die zeitnahe Datenübertragung von Echodaten an ein übergeordnetes Rechnersystem mit Fehlererkennung
DE102022005054B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART-Datenübertragung für die zeitnahe Datenübertragung von Echodaten und Diagnosedaten an ein übergeordnetes Rechnersystem
DE102022005053B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART-Datenübertragung für die zeitnahe schwellwertgesteuerte Datenübertragung von Echodaten an ein übergeordnetes Rechnersystem
DE102022005047B3 (de) 2022-08-10 2024-02-08 Elmos Semiconductor Se Modifizierte UART Datenübertragung für die zeitnahe Datenübertragung von Echodaten und Symbolen an ein übergeordnetes Rechnersystem
CN116594018B (zh) * 2023-07-17 2023-10-24 青岛直升机航空有限公司 一种直升机飞行障碍物报警系统及方法

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4433957A1 (de) 1994-09-23 1996-03-28 Mayser Gmbh & Co Verfahren zur Ultraschall-Hinderniserkennung
DE10024959B4 (de) 2000-05-22 2014-08-21 Endress + Hauser Gmbh + Co. Kg Vorrichtung zum unidirektionalen oder bidirektionalen Austausch von Daten
US7138938B1 (en) 2005-05-06 2006-11-21 Ford Global Technologies, Llc System and method for preemptively sensing an object and selectively operating both a collision countermeasure system and a parking assistance system aboard an automotive vehicle
DE102010033384A1 (de) 2010-08-05 2012-02-09 Valeo Schalter Und Sensoren Gmbh Verfahren und Vorrichtung zu Auswertung eines Echosignals zur Fahrzeugumfelderfassung sowie zugehörige Vorrichtung zur Fahrzeugumfelderfassung
DE102010041424A1 (de) 2010-09-27 2012-03-29 Robert Bosch Gmbh Verfahren zum Erfassen eines Umfelds eines Fahrzeugs
DE102011085286A1 (de) 2011-10-27 2012-08-02 Robert Bosch Gmbh Verfahren zur Erfassung der Umgebung eines Fahrzeugs mittels Ultraschall
DE102012015967B4 (de) 2012-08-11 2017-06-01 Valeo Schalter Und Sensoren Gmbh Verfahren zum Dekodieren eines von einem Ultraschallsensor eines Kraftfahrzeugs empfangenen Empfangssignals, Fahrerassistenzeinrichtung und Kraftfahrzeug
DE102013200434A1 (de) 2013-01-14 2014-07-17 Robert Bosch Gmbh Vorrichtung und Verfahren zur Umfeldsensorik
DE102013015402B4 (de) 2013-09-17 2020-02-20 Valeo Schalter Und Sensoren Gmbh Verfahren zum Betreiben einer Sensorvorrichtung eines Kraftfahrzeugs, Sensor für ein Kraftfahrzeug, Sensorvorrichtung und Kraftfahrzeug
DE102013226373A1 (de) 2013-12-18 2015-06-18 Sandvik Materials Technology Deutschland Gmbh Verfahren und Vorrichtung zum Herstellen von Bitumenblöcken
DE102013226376A1 (de) 2013-12-18 2015-06-18 Robert Bosch Gmbh Verfahren zur Sensoranbindung
DE102015104934A1 (de) 2015-03-31 2016-10-06 Valeo Schalter Und Sensoren Gmbh Verfahren zum Bereitstellen von Freirauminformationen in einem Umgebungsbereich eines Kraftfahrzeugs als Sensor-Rohdaten an einer Kommunikationsschnittstelle, Sensoreinrichtung, Verarbeitungseinrichtung und Kraftfahrzeug
US10985777B2 (en) * 2016-12-09 2021-04-20 William Marsh Rice University Signal recovery via deep convolutional networks
DE102017123051B3 (de) 2017-01-17 2018-02-15 Elmos Semiconductor Aktiengesellschaft Echokodierung und -Dekodierung von Ultraschallsignalen unter Verwendung von dreiwertigen Chirp-Signalen durch Vorzeichenermittlung der Frequenzänderung
DE102017123052B3 (de) 2017-01-17 2018-02-15 Elmos Semiconductor Aktiengesellschaft Echokodierung und -Dekodierung von Ultraschallsignalen unter Verwendung von zweiwertigen Chirp-Signalen durch Schwellwertvergleich der Frequenzänderung
US10198655B2 (en) * 2017-01-24 2019-02-05 Ford Global Technologies, Llc Object detection using recurrent neural network and concatenated feature map
DE102017108348B3 (de) * 2017-04-20 2018-06-21 Valeo Schalter Und Sensoren Gmbh Konfiguration eines Sensorsystems mit einem neuronalen Netzwerk für ein Kraftfahrzeug
EP3616198A4 (en) * 2017-04-24 2021-01-06 Virginia Tech Intellectual Properties, Inc. RADIO SIGNAL IDENTIFICATION, IDENTIFICATION SYSTEM LEARNING AND IDENTIFIER USE
DE112018001826B3 (de) 2017-05-16 2022-10-06 Elmos Semiconductor Se Verfahren zur Übertragung von Daten über einen Fahrzeugdatenbus von einem Ultraschallsystem zu einer Datenverarbeitungsvorrichtung
DE102018106244B3 (de) 2018-03-16 2019-06-27 Elmos Semiconductor Aktiengesellschaft Verfahren zur periodisch fortlaufenden Übertragung von komprimierten Daten eines Ultraschallsensorsystems in einem Fahrzeug
DE102019105651B4 (de) * 2018-03-16 2023-03-23 Elmos Semiconductor Se Klassifikation von Signalobjekten innerhalb von Ultraschallempfangssignalen und komprimierte Übertragung von Symbolen als Repräsentanten dieser Signalobjekte an eine Rechnereinheit zur Objekterkennung
DE102019009242B3 (de) 2018-03-16 2023-05-11 Elmos Semiconductor Se Sensor mit Ultraschallsignalkompression auf Basis eines Annäherungsverfahrens mittels Signalobjektklassen
US10836379B2 (en) * 2018-03-23 2020-11-17 Sf Motors, Inc. Multi-network-based path generation for vehicle parking
DE102019106204B4 (de) 2019-03-12 2023-04-27 Elmos Semiconductor Se Ultraschallsystem mit zentralisierter Objekterkennung auf Basis von dekomprimierten Ultraschallsignalen mehrerer Sensoren und zugehöriges Kompressionsverfahren

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982079A (zh) * 2023-02-14 2023-04-18 北京智联安科技有限公司 一种应用于激光雷达片内的总线结构

Also Published As

Publication number Publication date
WO2020182963A2 (de) 2020-09-17
EP3938807A2 (de) 2022-01-19
EP4067937A1 (de) 2022-10-05
WO2020182963A3 (de) 2020-11-12
DE102019106204A1 (de) 2020-09-17
EP4071513A1 (de) 2022-10-12
DE102019106204B4 (de) 2023-04-27

Similar Documents

Publication Publication Date Title
CN113826027A (zh) 用于依据多个传感器的信号来识别障碍物对象以及预测已知障碍物对象的位置的变化以及用于对为上述目的所使用的传感器信号进行压缩及解压缩的方法
US10937438B2 (en) Neural network generative modeling to transform speech utterances and augment training data
CN111027487B (zh) 基于多卷积核残差网络的行为识别系统、方法、介质及设备
NL2029854B1 (en) High end imaging radar
JP6828001B2 (ja) 音声ウェイクアップ方法及び装置
KR101699720B1 (ko) 음성명령 인식 장치 및 음성명령 인식 방법
KR20190013011A (ko) 교사 모델로부터 학생 모델을 트레이닝하는데 사용되는 학습 데이터를 생성하는 장치 및 방법
CN106796580B (zh) 用于处理多个异步事件驱动的样本的方法、装置和介质
WO2017151466A1 (en) Modular deep learning model
WO2016206765A1 (en) Deriving movement behaviour from sensor data
US10762417B2 (en) Efficient connectionist temporal classification for binary classification
CN111542841A (zh) 一种内容识别的系统和方法
KR20190056940A (ko) 멀티모달 데이터 학습 방법 및 장치
EP3598344A1 (en) Processing sensor data
US20230316720A1 (en) Anomaly detection apparatus, anomaly detection method, and program
CN117296061A (zh) 具有改进准确度和减少的计算资源消耗的扩散模型
CN116913266B (zh) 一种语音检测方法、装置、设备及存储介质
JP2021021978A (ja) 情報処理装置及びプログラム
CN113948090A (zh) 语音检测方法、会话记录产品及计算机存储介质
US20220138555A1 (en) Spectral nonlocal block for a neural network and methods, apparatus, and articles of manufacture to control the same
CN110782916B (zh) 一种多模态的投诉识别方法、装置和系统
CN113051394A (zh) 增强神经句子分类的系统和方法
JP4825014B2 (ja) 評価用データ生成装置、認識性能分布情報生成装置およびシステム
CN115687764A (zh) 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置
KR102533084B1 (ko) 불균형 데이터 처리 장치 및 방법

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40060131

Country of ref document: HK