DE102007060478A1

DE102007060478A1 - Verfahren zur aufwandsoptimierten Ermittlung von Clustern in Sensordaten mittels eines eingebetteten Systems

Info

Publication number: DE102007060478A1
Application number: DE102007060478A
Authority: DE
Inventors: Martin Sachs; Andreas Geier
Original assignee: ADC Automotive Distance Control Systems GmbH
Current assignee: ADC Automotive Distance Control Systems GmbH
Priority date: 2007-12-14
Filing date: 2007-12-14
Publication date: 2009-06-18
Also published as: WO2009076935A3; DE112008001977A5; WO2009076935A2

Abstract

Bei einem Verfahren zur Ermittlung von Clustern (8a, 8b, 8c, 9a, 9b, 9c) in Sensordaten mittels eines eingebetteten Systems wird zur Reduzierung des Ressourcenverbrauchs das Bilden der Cluster (8a, 8b, 8c, 9a, 9b, 9c) sequentiell durchgeführt, wobei die gebildeten Cluster (8a, 8b, 8c) beim Bilden von neuen Clustern (9a, 9b, 9c) in Abhängigkeit einer weiteren Merkmalraumdimension verändert werden.

Description

Die Erfindung betrifft ein Verfahren zur aufwandsoptimierten Ermittlung von Clustern in Sensordaten mittels eines eingebetteten Systems.
Eingebettete Systeme realisieren in verschiedensten Anwendungsbereichen Steuerungs-, Regelungs- oder Überwachungsfunktionen. Ein typischer Anwendungsbereich für eingebettete Systeme ist der Kraftfahrzeugbereich. Charakteristisch für eingebettete Systeme ist, dass deren Rechenleistung und Speicherkapazität begrenzt ist. Aus Kosten- und Komplexitätsgründen werden insbesondere im Kraftfahrzeugbereich eingebettete Systeme angestrebt, deren Rechenleistungsverbrauch und Speicherverbrauch möglichst gering ist.
Ein Radarsystem stellt ein eingebettetes System im Kraftfahrzeugbereich dar. Die von dem Radarsystem ausgesandten elektromagnetischen Wellen werden an einem im Strahlengang befindlichen Objekt reflektiert. Die reflektierten Wellen werden mittels einer Sensoreinrichtung aufgefangen und mittels eines Analog-Digital-Wandlers in digitale Radarsensordaten umgewandelt. Die Weiterverarbeitung dieser Radarsensordaten erfolgt auf hoch integrierten elektronischen Schaltkreisen. Da die Rechenleistung und die Speicherkapazität dieser elektronischen Schaltkreise begrenzt ist, ist ein wichtiger Verfahrensschritt bei der Verarbeitung der Radarsensordaten das sogenannte Clustering. Beim Clustering wird das Datenvolumen der zu verarbeitenden Radarsensordaten verringert, indem Teile der Radarsensordaten einzelnen Clustern zugeordnet werden, wobei ein Cluster einem detektierten Objekt oder eines Teils davon entspricht. Nachteilig bei den bekannten Verfahren zur Ermittlung von Clustern in den Radarsensordaten ist, dass diese einen hohen Speicher- und Rechenleistungsverbrauch aufweisen.
Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zur Ermittlung von Cluster in Sensordaten mittels eines eingebetteten Systems zu schaffen, das einen geringen Ressourcenverbrauch aufweist.
Diese Aufgabe ist erfindungsgemäß gelöst durch ein Verfahren mit den im Anspruch 1 angegebenen Merkmalen. Erfindungsgemäß wurde erkannt, dass der Rechenleistungsverbrauch erheblich reduziert werden kann, wenn das Bilden von Cluster in dem ersten Merkmalraum, der von den Sensordaten definiert wird, sequentiell erfolgt. In dem zweiten Merkmalraum, der eine echte Teilmenge des ersten Merkmalraums ist, werden zunächst erste Cluster gebildet. Weist der erste Merkmalraum eine erste Anzahl N von Merkmalraumdimensionen auf, so weist der zweite Merkmalraum eine zweite Anzahl M von Merkmalraumdimensionen auf, wobei M = 2 ... N – 1 ist. Der zweite Merkmalraum grenzt einen dritten Merkmalraum ab, der zusammen mit dem zweiten Merkmalraum den ersten Merkmalraum ergibt. Der dritte Merkmalraum weist eine dritte Anzahl N – M von Merkmalraumdimensionen auf. Die gebildeten ersten Cluster werden in Abhängigkeit einer Merkmalraumdimension des dritten Merkmalraums verändert, wobei zweite Cluster gebildet werden. Das Bilden der zweiten Cluster erfolgt sequentiell zu dem Bilden der ersten Cluster. Das Verändern der ersten Cluster kann ein Zusammenfassen oder Teilen sein. Bei den bekannten Verfahren werden die Cluster in einem Schritt in dem gesamten ersten Merkmalraum gebildet. Demgegenüber werden bei dem erfindungsgemäßen Verfahren Cluster in dem eingeschränkten zweiten Merkmalraum gebildet, die anschließend hinsichtlich des restlichen dritten Merkmalraums weiter gebildet werden. Der Rechenleistungsverbrauch des erfindungsge mäßen sequentiellen Verfahrens ist deutlich geringer als bei den bekannten Verfahren.
Durch ein Bilden von weiteren Cluster nach Anspruch 2 können die gebildeten vorangegangenen Cluster in Abhängigkeit einer weiteren Merkmalraumdimension verändert werden. Das Ergebnis des Verfahrens wird somit verbessert.
Ein zweiter Merkmalraum nach Anspruch 3 weist eine zweite Anzahl von Merkmalraumdimensionen M = 2 auf, sodass der Rechenleistungsverbrauch beim Bilden der ersten Cluster minimal ist.
Ein Bilden der zweiten Cluster nach Anspruch 4 oder 5 ermöglicht wahlweise ein Teilen oder Zusammenfassen der ersten Cluster.
Ein Bilden der weiteren Cluster nach Anspruch 6 oder 7 ermöglicht wahlweise ein Zusammenfassen oder Teilen der vorangegangenen Cluster. Vorzugsweise werden die weiteren Cluster durch Zusammenfassen der vorangegangenen Cluster gebildet, wenn die vorangegangenen Cluster durch Trennen gebildet wurden. Entsprechend werden die weiteren Cluster vorzugsweise durch Teilen gebildet, wenn die vorangegangenen Cluster durch Zusammenfassen gebildet wurden.
Ein Auswerten von Nah-Beziehungen nach Anspruch 8 führt zu einem niedrigen Speicherverbrauch, wobei die Speicherkapazität des eingebetteten Systems entsprechend niedrig ausgebildet werden kann. Durch das ausschließliche Auswerten von Nah-Beziehungen wird vermieden, dass große Teile des zweiten oder dritten Merkmalraums zeitgleich in einem Speicher gehalten werden müssen. Vorzugsweise kann ein Speicher als Ringspeicher ausgebildet sein, wobei die Länge des Ringspeichers einem maximal auszuwertenden Abstand im zweiten oder dritten Merkmalraum entspricht.
Eine Berechnung eines Merkmalparameters nach Anspruch 9 ermöglicht eine weitere Reduktion der Sensordaten.
Ein Radarsystem nach Anspruch 10 stellt ein eingebettetes System dar, bei dem das erfindungsgemäße Verfahren aufgrund des hohen Datenvolumens der Radarsensordaten besonders vorteilhaft ist.
Zusätzliche Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung eines Ausführungsbeispiels anhand der Zeichnung. Es zeigen:
1 eine schematische Darstellung eines zweidimensionalen Radar-Beobachtungsbereichs,
2 eine schematische Darstellung von Radarsensordaten, die einen mehrdimensionalen Merkmalraum definieren,
3 eine schematische Darstellung eines ersten Clusterschrittes zum Bilden von ersten Clustern,
4 eine schematische Darstellung eines zweiten Clusterschrittes zum Bilden von zweiten Cluster, und
5 eine schematische Darstellung eines dritten Clusterschrittes zum Bilden von dritten Cluster.
Ein als Radarsystem ausgebildetes eingebettetes System weist einen zweidimensionalen Radar-Beobachtungsbereich 1 auf. Der Radar-Beobachtungsbereich 1 weist mehrere diskrete Detektionszellen 2 auf, die in einer x-Richtung 3 durch separate Antennen und in einer y-Richtung 4 durch diskrete Entfernungstore (Rangegates) gebildet werden.
Mittels des Radarsystems werden in bekannter Weise elektromagnetische Wellen ausgesandt, die an im Strahlengang befindlichen Objekten reflektiert und anschließend von dem Radarsystem wieder erfasst werden. Die erfassten Wellen werden digitalisiert, sodass für den Radar-Beobachtungsbereich 1 digitale Sensordaten vorliegen. Aus den Radarsensordaten wird zu jeder Detektionszelle 2 ein Leistungsspektrum P errechnet. Aus diesem Leistungsspektrum P werden Leistungsspitzen 5 ermittelt, die leistungsmäßig über einem Schwellwert 6 liegen. Zu diesen Leistungsspitzen 5 wird jeweils eine Höhe H der Leistungsspitze 5 und eine Frequenz F ermittelt, die die spektrale Position der Leistungsspitze 5 kennzeichnet. Die Höhe H und die Frequenz F einer Leistungsspitze 5 ergibt sich aus einer relativen Bewegung des zu detektierenden Objektes zu dem Radarsystem in der jeweiligen Detektionszelle 2. Die Frequenz F wird auch als Dopplerfrequenz bezeichnet.
In 1 sind die Detektionszellen 2 markiert, in denen ein Leistungsspektrum P errechnet wurde, das sich von dem Leistungsspektrum von Rauschen abhebt. 2 zeigt die Leistungsspektren P der Detektionszellen 2 entlang der x-Richtung 3, die die in 1 gezeigte Position y_i in y-Richtung 4 aufweisen. In 2 wurden Leistungsspitzen 5 zu einer ersten Frequenz F₁ und einer zweiten Frequenz F₂ ermittelt. Die Leistungsspitzen 5 zu der ersten Frequenz F₁ sind in 2 gepunktet dargestellt, wohingegen die Leistungsspitzen 5 zu der zweiten Frequenz F₂ gestrichelt dargestellt sind.
Die Radarsensordaten definieren einen ersten Merkmalraum. Der erste Merkmalraum weist eine erste Anzahl N von Merkmalraumdimensionen auf, wobei die erste Anzahl N = 4 beträgt. Die Merkmalraumdimensionen des ersten Merkmalraums sind die Position in x-Richtung 3, die Position in y-Richtung 4, die Frequenz der Leistungsspitzen 5 und die Höhe H der Leistungsspitzen 5.
Aus dem ersten Merkmalraum wird ein zweiter Merkmalraum ausgewählt. Der zweite Merkmalraum ist eine echte Teilmenge des ersten Merkmalraums und weist eine zweite Anzahl M von Merkmalraumdimensionen auf. Der zweite Merkmalraum ist zweidimensional. Das bedeutet, die zweite Anzahl von Merkmalraumdimensionen beträgt M = 2. Die erste Merkmalraumdimension des zweiten Merkmalraums ist die Position in x-Richtung 3. Die zweite Merkmalraumdimension des zweiten Merkmalraums ist die Frequenz F der Leistungsspitzen 5.
In einem ersten Clusterschritt wird entlang der ersten Merkmalraumdimension nach Übereinstimmungen in der zweiten Merkmalraumdimension gesucht. Das bedeutet, dass entlang der x-Richtung 3 nach Leistungsspitzen 5 gesucht wird, die eine gleiche Frequenz F₁, F₂ aufweisen. Detektionszellen 2, die Leistungsspitzen 5 mit einer gleichen Frequenz F₁, F₂ aufweisen, werden zu ersten Cluster 7a, 7b zusammengefasst. Die ersten Cluster 7a, 7b sind in 3 gezeigt. Das Bilden von ersten Cluster 7a, 7b erfolgt entlang der x-Richtung 3 separat für alle Positionen in y-Richtung 4, zu denen ein Leistungsspektrum P ermittelt werden konnte.
Der zweite Merkmalraum grenzt von dem ersten Merkmalraum einen dritten Merkmalraum ab. Der dritte Merkmalraum weist eine dritte Anzahl von Merkmalraumdimensionen auf, die N – M = 2 beträgt. Der zweite und dritte Merkmalraum bilden in Summe somit den ersten Merkmalraum.
In einem zweiten Clusterschritt werden zweite Cluster 8a, 8b, 8c gebildet. Die zweiten Cluster 8a, 8b, 8c werden derart gebildet, dass die im ersten Clusterschritt gebildeten ersten Cluster 7a, 7b in Abhängigkeit einer ersten Merkmalraumdimension des dritten Merkmalraums verändert werden. Das Bilden der zweiten Cluster 8a, 8b, 8c kann entweder durch Teilen der ersten Cluster 7a, 7b in der ersten Merkmalraumdimension des dritten Merkmalraums erfolgen oder durch Zusammenfassen der ersten Cluster 7a, 7b.
In 4 ist der zweite Clusterschritt veranschaulicht, wobei als erste Merkmalraumdimension des dritten Merkmalraums die Höhe H der Leistungsspitzen 5 verwendet wurde. In dem zweiten Clusterschritt wurden die gebildeten ersten Cluster 7a, 7b dahingehend überprüft, ob sich diese in Abhängigkeit der Höhe H der Leistungsspitzen 5, also der Leistungsverteilung, in der x-Richtung 3 teilen lassen. Wie 4 zeigt, entspricht der zweite Cluster 8a dem ersten Cluster 7a. Das bedeutet, dass der erste Cluster 7a in dem zweiten Clusterschritt nicht sinnvoll geteilt werden konnte. Demgegenüber konnte der erste Cluster 7b in dem zweiten Clusterschritt geteilt werden, sodass zweite Cluster 8b, 8c gebildet werden konnten. Der zweite Clusterschritt wird für alle Positionen in y-Richtung 4 durchgeführt.
In einem dritten Clusterschritt werden dritte Cluster 9a, 9b, 9c gebildet. Das Bilden der dritten Cluster 9a, 9b, 9c erfolgt derart, dass die gebildeten zweiten Cluster 8a, 8b, 8c in Abhängigkeit einer zweiten Merkmalraumdimension des dritten Merkmalraums verändert werden. Dies kann durch Zusammenfassen der zweiten Cluster 8a, 8b, 8c in der zweiten Merkmalraumdimension oder durch Teilen der zweiten Cluster 8a, 8b, 8c erfolgen.
5 zeigt dritte Cluster 9a, 9b, 9c, die durch Zusammenfassen der zweiten Cluster 8a, 8b, 8c entstanden sind. Das Zusammenfassen der zweiten Cluster 8a, 8b, 8c erfolgte in der y-Richtung 4. Als zweite Merkmalraumdimension wurde somit die Position in y-Richtung 4 verwendet. Wie 5 zeigt, wurden die zweiten Cluster 8a, die zu einer jeweiligen Position in y-Richtung 4 ermittelt wurden, zu einem dritten Cluster 9a zusammengefasst. Der dritte Cluster 9a entspricht einem Objekt in dem Radar-Beobachtungsbereich 1. In entsprechender Weise wurden die zweiten Cluster 8b, 8c, die zu den jeweiligen Positionen in y-Richtung 4 ermittelt wurden, zu dritten Clustern 9b, 9c zusammengefasst. Die dritten Cluster 9b, 9c entsprechen weiteren Objekten im Radar-Beobachtungsbereich 1.
Dadurch, dass die dritten Cluster 9a, 9b, 9c nicht in einem Clusterschritt ausgehend von dem ersten Merkmalraum ermittelt werden, sondern sequentiell in mehreren Clusterschritten ausgehend von dem eingeschränkten zweiten Merkmalraum durch Hinzunahme weiterer Merkmalraumdimensionen des dritten Merkmalraums, kann der Rechenleistungsverbrauch erheblich verringert werden.
Das Bilden der Cluster 7, 8, 9 kann auch mit einem geringen Speicherverbrauch erfolgen, wenn beim Bilden der Cluster 7, 8, 9 ausschließlich Nah-Beziehungen ausgewertet werden. Da nur Teile der Radarsensordaten zeitgleich in einem Speicher des Radarsystems gehalten werden müssen, kann der vorhandene Speicher effizient genutzt werden. Der Speicher kann als Ringspeicher ausgebildet sein, wobei eine Länge des Ringspeichers, die seiner Speicherkapazität entspricht, entsprechend einem maximal auszu wertenden Abstand der Detektionszellen 2 eingestellt wird. Geeignete Verfahren zum Bilden der Cluster 7, 8, 9 sind beispielsweise das Nearest-Neighbour-Verfahren oder das Region-Growing-Verfahren.
Eine Datenreduktion der zu verarbeitenden Radarsensordaten kann dadurch erzielt werden, dass nach dem Bilden der Cluster 7, 8 Merkmalparameter berechnet werden, wobei die Merkmalparameter jeweils ein Cluster 7a, 7b, 7c, 8a, 8b, 8c charakterisieren und für das weitere Bilden von Clustern 8, 9 eingesetzt werden. Beispielsweise kann zu dem zweiten Cluster 8b aus den zugehörigen Detektionszellen 2 eine konkrete Position des Objekts in x-Richtung 3 berechnet werden. Dies ist beispielsweise ein Azimutwinkel. Erfolgt dies für jede Position in y-Richtung 4, so können die zu den zweiten Clustern 8b ermittelten Merkmalparameter bei dem nachfolgenden dritten Clusterschritt zum Bilden des dritten Clusters 9b eingesetzt werden, wobei sich ein geringerer Speicher- und Rechenleistungsverbrauch ergibt.

Claims

Verfahren zur aufwandsoptimierten Ermittlung von Cluster in Sensordaten mittels eines eingebetteten Systems, umfassend die folgenden Schritte: – Bereitstellen von digitalen Sensordaten, wobei – die Sensordaten einen ersten Merkmalraum definieren, und – der erste Merkmalraum eine erste Anzahl (N) von Merkmalraumdimensionen aufweist, – Bilden von ersten Cluster (7a, 7b) in einem zweiten Merkmalraum, wobei – der zweite Merkmalraum eine zweite Anzahl (M) von Merkmalraumdimensionen aufweist, – der zweite Merkmalraum ein Teilmenge des ersten Merkmalraums ist, – der zweite Merkmalraum von dem ersten Merkmalraum einen dritten Merkmalraum abgrenzt, und – der dritte Merkmalraum eine dritte Anzahl (N – M) von Merkmalraumdimensionen aufweist, – Bilden von zweiten Cluster (8a, 8b, 8c), wobei die gebildeten ersten Cluster (7a, 7b) in Abhängigkeit einer Merkmalraumdimension des dritten Merkmalraums verändert werden.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass weitere Cluster (9a, 9b, 9c) gebildet werden, wobei die gebildeten vorangegangenen Cluster (8a, 8b, 8c) in Abhängigkeit einer weiteren Merkmalraumdimension des dritten Merkmalraums verändert werden.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der zweite Merkmalraum zweidimensional ist.
Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass das Bilden der zweiten Cluster (8a, 8b, 8c) durch Teilen der ersten Cluster (7a, 7b) in der Merkmalraumdimension erfolgt.
Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass das Bilden der zweiten Cluster (8a, 8b, 8c) durch Zusammenfassen der ersten Cluster (7a, 7b) in der Merkmalraumdimension erfolgt.
Verfahren nach einem der Ansprüche 2 bis 5, dadurch gekennzeichnet, dass das Bilden der weiteren Cluster (9a, 9b, 9c) durch Zusammenfassen der vorangegangenen Cluster (8a, 8b, 8c) in der weiteren Merkmalraumdimension erfolgt.
Verfahren nach einem der Ansprüche 2 bis 5, dadurch gekennzeichnet, dass das Bilden der weiteren Cluster (9a, 9b, 9c) durch Teilen der vorangegangenen Cluster (8a, 8b, 8c) in der weiteren Merkmalraumdimension erfolgt.
Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass das Bilden der Cluster (7, 8, 9) durch ein Auswerten von Nah-Beziehungen erfolgt, wobei das eingebettete System eine an das Auswerten der Nah-Beziehungen angepasste Speicherkapazität aufweist.
Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass nach dem Bilden der Cluster (7a, 7b, 8a, 8b, 8c) mindestens ein Merkmalparameter berechnet wird, wobei der Merkmalparameter einen Cluster (7a, 7b, 8a, 8b, 8c) charakterisiert und für das weitere Bilden von Cluster (8a, 8b, 8c, 9a, 9b, 9c) eingesetzt wird.
Verfahren nach einem Ansprüche 1 bis 9, dadurch gekennzeichnet, dass das eingebettete System ein Radarsystem ist, wobei mittels des Radarsystems Cluster (7a, 7b, 8a, 8b, 8c, 9a, 9b, 9c) in Radarsensordaten ermittelt werden.