DE102012106790A1

DE102012106790A1 - Verfahren zum ermitteln von streuzentren eines mittels radar erfassten objekts

Info

Publication number: DE102012106790A1
Application number: DE102012106790A
Authority: DE
Inventors: Florian Engels
Original assignee: Conti Temic Microelectronic GmbH
Current assignee: Continental Autonomous Mobility Germany GmbH
Priority date: 2011-07-28
Filing date: 2012-07-26
Publication date: 2013-01-31

Abstract

Die Erfindung betrifft ein Verfahren zum Ermitteln von Streuzentren eines mittels Radar erfassten Objekts durch Verarbeitung digitaler Daten, die von einem Radarsensor beim Empfangen der vom Objekt reflektierten Radarwellen erzeugt werden, wobei die Verarbeitung folgendes aufweist: eine erste Stufe, in der relevante Merkmale des Objekts mittels einer Periodogramm-basierten Verarbeitung der digitalen Daten grob geschätzt werden (S10, S12, S14), und eine zweite Stufe, in der Parameter von Streuzentren des Objekts auf Grundlage der in der ersten Stufe geschätzten relevanten Merkmale mittels eines hochauflösenden parametrischen Frequenzschätzverf

Description

Die Erfindung betrifft ein Verfahren zum Ermitteln von Streuzentren eines mittels Radar erfassten Objekts, das insbesondere für automobile Fahrerassistenz- und Sicherheits-Anwendungen geeignet ist.
Viele automobile Fahrerassistenz- und Sicherheits-Anwendungen setzen Radar (RAdio Detection And Ranging) zur Erfassung von Objekten bzw. Zielen ein [11] (siehe die Literaturliste am Ende). Die Anwendungen werten hierbei häufig Zielmerkmale aus, die aus den vom Radar erzeugten Daten extrahiert wurden. Automobile Sicherheits-Anwendungen als auch Fahrerassistenzsysteme benötigen für eine korrekte Funktion Informationen über die Form oder im Besonderen die laterale Ausdehnung eines Objekts.
Üblicherweise werden Informationen über die Form oder Ausdehnung von Objekten durch Auswertung der Radardaten geschätzt. Verfahren zum Schätzen der Form eines mit einem Radarsensor erfassten Objekts, d. h. der Zielform, beruhen darauf, die sogenannten Streuzentren des Objekts zu ermitteln bzw. aus Radardaten zu extrahieren. Als Streuzentren sind hierbei die Stellen des Ziels zu betrachten, welche die Hauptanteile zu den vom Ziel reflektierten Radar-Wellen beitragen.
Die theoretischen Grundlagen des Streuzentren-Modells sind in [7] und [10] beschrieben. Eine experimentelle Studie mit 24 GHz und 77 GHz Radarsensoren ist in [8] (24 GHz) und [12] (24 GHz und 77 GHz) beschrieben. Die aus [8] entnommene 1 zeigt typische Postionen von Streuzentren eines Personenkraftwagens. Die rückgestreute Welle, die ein Radarsensor von einem Fahrzeug empfängt, entsteht durch die Überlagerung der Anteile aller Streuzentren. Aus 1 ist auch ersichtlich, dass ein Radarsystem, das die einzelnen Streuzentren auflösen kann, auch in der Lage ist, Informationen über die Zielform zu extrahieren. Deshalb ist das Auflösungsvermögen des Systems wichtig für die Zielform-Schätzung, insbesondere für die Güte der Schätzung.
Aufgabe der vorliegenden Erfindung ist es daher, ein Verfahren zum Ermitteln von Streuzentren eines mittels Radar erfassten Objekts vorzuschlagen, wobei die Auflösung der durch das Verfahren ermittelten Streuzentren insbesondere für Fahrerassistenz- und Sicherheitsanwendungen geeignet ist.
Diese Aufgabe wird durch die Gegenstände der unabhängigen Ansprüche gelöst. Weitere Ausgestaltungen der Erfindung ergeben sich aus den abhängigen Ansprüchen.
Die vorliegende Erfindung schlägt zum Ermitteln von Streuzentren eines mittels Radar erfassten Objekts einen zweistufigen Algorithmus zur Verarbeitung der Radardaten vor, der in einer ersten Stufe grob relevante Merkmale des Objekts mittels eines Periodogramm-basierten Ansatzes durch Verarbeitung digitaler Daten, die beim Empfangen der vom Objekt reflektierten Radarwellen erzeugt werden, im Frequenzbereich schätzt, und in einer zweiten Stufe die Streuzentren auf Grundlage der in der ersten Stufe geschätzten relevanten Merkmale mittels eines hochauflösenden parametrischen Frequenzschätzverfahrens extrahiert. Unter einem Periodogramm wird hierin ein Schätzer oder eine Schätzung der spektralen Dichte eines Signals verstanden. Als parametrische Frequenzschätzverfahren können beispielsweise Non Linear Least Squares (NLLS)/Maximum Likelihood (ML) Verfahren oder unterraumbasierte Verfahren wie ESPRIT und MUSIC verwendet werden. Als konzeptionell einfacher NLLS Algorithmus kann der aus der Radartechnik bekannte und dort zur Extraktion von Zielmerkmalen aus Datensequenzen verwendete RELAX-Algorithmus eingesetzt werden. Der RELAX-Algorithmus ist in [1] ausführlich erläutert.
Eine Ausführungsform der Erfindung betrifft nun ein Verfahren zum Ermitteln von Streuzentren eines mittels Radar bzw. Radarwellen erfassten Objekts durch Verarbeitung digitaler Daten, die beim Empfangen der vom Objekt reflektierten Radarwellen erzeugt werden, wobei die Verarbeitung folgendes aufweist: eine erste Stufe, in der relevante Merkmale des Objekts mittels einer Periodogramm-basierten Verarbeitung der digitalen Daten im Frequenzbereich grob geschätzt werden, und eine zweite Stufe, in der Parameter von Streuzentren des Objekts auf Grundlage der in der ersten Stufe geschätzten relevanten Merkmale mittels eines hochauflösenden parametrischen Frequenzschätzverfahrens extrahiert werden. Durch die zweistufige Verarbeitung können Streuzentren mit einer insbesondere für Fahrerassistenz- und automobile Sicherheitsanwendungen geeigneten Auflösung ermittelt werden. Während in der ersten Stufe grob relevante Merkmale eines mittels Radar erfassten Objekts geschätzt werden, werden in der zweiten Stufe Parameter von Streuzentren des Objekts anhand er in der ersten Stufe grob geschätzten relevanten Merkmale extrahiert, indem ein hochauflösendes parametrisches Frequenzschätzverfahren eingesetzt wird, das eine feinere Auflösung als die in der ersten Stufe durch eine Periodogramm-basierten Verarbeitung durchgeführte Schätzung ermöglicht. Die zweistufige Ausführung des Verfahrens ermöglicht auch eine Anpassung an Echtzeit-Anforderungen, wie sie vor allem bei Automobil-Fahrerassistenz- und Sicherheits-Anwendungen auftreten. Als relevante Merkmale des Objekts können vor Merkmale der digitalen Daten geschätzt werden, wie Frequenzen, die proportional zu den Merkmalen des Objekts sind.
Als besonders geeignetes hochauflösendes parametrisches Frequenzschätzverfahren hat sich ein RELAX-basierter Algorithmus herausgestellt. Wie bereits oben erwähnt wird der RELAX-Algorithmus in der Radartechnik zur Extraktion von Zielmerkmalen aus Datensequenzen eingesetzt. Der RELAX-Algorithmus eignet sich vor allem zur Auflösung von Streuzentren, die im Frequenzbereich eng aneinander liegen und daher von der relativ groben durch eine Periodogramm-basierte Verarbeitung durchgeführten Schätzung nicht oder nicht so gut aufgelöst werden können.
In der ersten Stufe können erste Frequenzen der digitalen Daten geschätzt werden; die am meisten relevanten Frequenz-Schätzungen können aus der Menge der geschätzten Frequenzen extrahiert werden; in der zweiten Stufe können die am meisten relevanten Frequenz-Schätzungen zum Ermitteln von Streuzentren mittels des RELAX-basierten Algorithmus ausgewertet werden. Dies nutzt das Phänomen aus, dass unterschiedliche Streuzentren auch unterschiedliche Frequenzen in den empfangenen vom Objekt reflektierten Radarwellen erzeugen. Weiterhin beruht diese Frequenz-basierte Verarbeitung darauf, dass Frequenzen proportional zu Parametern der Streuzentren sind, so dass durch Schätzen von Frequenzen der digitalen Daten auch Streuzentren bzw. relevante Merkmale von diesen extrahiert werden.
Der in der zweiten Stufe verwendete RELAX-basierte Algorithmus kann ein RELAX-Algorithmus sein, der ausschließlich Frequenzbereichsdaten verarbeitet, die durch eine Fouriertransformation für zeitdiskrete Signale der vom Radarsensor erzeugten digitalen Daten erzeugt werden. Ein solcher spektraler RELAX-Algorithmus, der nur Frequenzbereichsdaten verarbeitet, besitzt gegenüber einem herkömmlichen RELAX-Algorithmus den Vorteil, dass eine rechenaufwendige Fouriertransformation für zeitdiskrete Signale nur einmal bei der Initialisierungsphase des Algorithmus berechnet werden muss. Daher eignet sich der spektrale RELAX-Algorithmus vor allem für Echtzeitsysteme wie viele Automobil-Fahrerassistenz- und Sicherheits-Anwendungen.
Für einen bestimmten Amplituden- und Frequenzwert können Frequenzbereichsmodelldaten vorberechnet und in einer Lookup-Tabelle gespeichert werden, und die vorberechneten Frequenzbereichsmodelldaten können bei Ausführung des RELAX-basierten Algorithmus bei Bedarf aus der Lookup-Tabelle gelesen und verwendet werden. Dadurch kann vermieden werden, dass bei jeder Iteration des spektralen RELAX-Algorithmus die Frequenzbereichsdaten für den bestimmten Amplituden- und Frequenzwert erneut berechnet werden, wodurch der Rechenaufwand weiter reduziert werden kann.
Der in der zweiten Stufe verwendete RELAX-basierte Algorithmus kann ferner einen RELAX-Algorithmus aufweisen, der den Frequenzbereich der zu verarbeitenden Frequenzbereichsdaten beschränkt, indem die Frequenzbereichsdaten durch Verarbeitung der vom Radarsensor erzeugten digitalen Daten durch einen Chirp Fouriertransformations-Algorithmus erzeugt werden. Durch eine derartige Frequenzbereichsbeschränkung kann die Anzahl der in der zweiten Stufe durchzuführenden Rechenoperationen weiter verringert werden, die bei einer herkömmlichen schnellen Fouriertransformation über den gesamten Frequenzbereich durchzuführen wären. Da eine Frequenzbereichsbeschränkung für eine schnelle Fouriertransformation nicht ohne weiteres möglich ist, werden die digitalen Daten des Radarsensors in der zweiten Stufe ferner von einem Chirp Fouriertransformations-Algorithmus verarbeitet, der eine Frequenzbereichsbeschränkung ermöglicht und ähnlich recheneffizient ist wie die schnelle Fouriertransformation
In der zweiten Stufe des Verfahrens können als Parameter von Streuzentren des Objekts zweite Frequenzen der digitalen Daten geschätzt werden und die ersten basierend auf einem Periodogramm geschätzten Frequenzen mit den zweiten mittels des RELAX-basierten Algorithmus geschätzten Frequenzen zu einem finalen Satz von Frequenzschätzungen kombiniert werden, wobei die Frequenzschätzungen des finalen Satzes jeweils Schätzungen der relativen radialen Geschwindigkeit und Winkel von Streuzentren entsprechen. Hierdurch kann eine relativ genaue Ermittlung von Streuzentren als Ergebnis erhalten werden.
Ein die Radarwellen zum Erfassen des Objekts erzeugendes Radarsystem setzt insbesondere Pulskompression, Puls-Dopplerverarbeitung und mehrere Empfangsantennen ein, um für das erfindungsgemäße Verfahren besonders geeignete Radarwellen zu erzeugen.
Das Radarsystem konvertiert insbesondere die Pulse empfangener und vom Objekt reflektierter Radarwellen an jeder Empfangsantenne in einen niedrigeren Frequenzbereich und tastet diese ab. Die so erzeugten digitalen Daten umfassen für jedes Streuzentrum einen komplexen, harmonischen Signalanteil mit unterschiedlicher Frequenz sowie additives Rauschen.
Eine weitere Ausführungsform der Erfindung betrifft eine Vorrichtung zur Objektdetektion mittels eines Radars, das mehrere Empfangsantennen aufweist und Pulskompression sowie Puls-Doppler-Verarbeitung anwendet, wobei die Vorrichtung folgendes aufweist: Prozessormittel zum Ausführen eines Programms, das ein Verfahren nach der Erfindung und wie hierin erläutert implementiert, und Speichermittel für das Programm. Es kann auch eine Ausgabeschnittstelle für ermittelte Streuzentren eines mittels Radar erfassten Objekts vorgesehen sein. Eine solche Vorrichtung kann beispielsweise als spezielles Empfangsteil in einen Radarsensor integriert werden, so dass ein Radarsystem erhalten wird, das vor allem in Fahrzeugen zur Objektdetektion eingesetzt werden kann, insbesondere in Fahrerassistenz- und automobilen Sicherheitssystemen. Die Vorrichtung kann vor allem als Modul ausgebildet sein, das insbesondere zum Einsatz in Fahrzeugen vorgesehen ist, die Radarsensoren aufweisen.
Schließlich betrifft eine weitere Ausführungsform ein Fahrerassistenzsystem basierend auf einer Objektdetektion, das eine Vorrichtung nach der Erfindung und wie vorstehend beschrieben aufweist und ausgebildet ist, von der Vorrichtung ermittelte Streuzentren von mittels Radar erfassten Objekten für die Objektdetektion auszuwerten.
Weitere Vorteile und Anwendungsmöglichkeiten der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung in Verbindung mit dem/den in der/den Zeichnung(en) dargestellten Ausführungsbeispiel(en).
In der Beschreibung, in den Ansprüchen, in der Zusammenfassung und in der/den Zeichnung(en) werden die in der hinten angeführten Liste der Bezugszeichen verwendeten Begriffe und zugeordneten Bezugszeichen verwendet.
Die Zeichnung(en) zeigt/zeigen in
1 typische Positionen von Streuzentren von Radarwellen eines Personenkraftwagens;
2 ein Flussdiagramm eines Ausführungsbeispiels der kombinierten Verarbeitung von Radardaten zum Extrahieren von Streuzentren gemäß dem erfindungsgemäßen Verfahren;
3 eine Messanordnung mit einem 24 GHz Fahrzeug-Radar-Sensor für die Erzeugung von experimentellen Daten zur Ermittlung der Performanz des erfindungsgemäßen Algorithmus;
4 Schätzungen der Periodogramm-Verarbeitungsstufe des erfindungsgemäßen Algorithmus basierend auf den mit der Messanordnung von 3 ermittelten Daten;
5 links die Ausgabe der Periodogramm-Verarbeitung von 4 und rechts mit dem SC-RELAX-Algorithmus gemäß einem Ausführungsbeispiel der Erfindung geschätzte Streuzentren; und
6 ein Blockschaltbild eines Ausführungsbeispiels eines Radarsystems mit einer Vorrichtung zur Objektdetektion gemäß der Erfindung, das zum Einsatz in Automobilen vorgesehen ist.
In der folgenden Beschreibung können gleiche, funktional gleiche und funktional zusammenhängende Elemente mit den gleichen Bezugszeichen versehen sein. Absolute Werte sind im Folgenden nur beispielhaft angegeben und sind nicht als die Erfindung einschränkend zu verstehen.
Die folgende Beschreibung von Ausführungsbeispielen der Erfindung ist wie folgt aufgebaut: zunächst werden das Grundprinzip des erfindungsgemäßen für den Einsatz in Fahrzeugen vorgesehenen Radarsystems und das der Erfindung zugrunde liegende Signal-Model eingeführt. Dann wird die auf einem Periodogramm basierende Stufe des erfindungsgemäßen Algorithmus zur Verarbeitung von Radardaten und Extrahieren von Streuzentren eines Objekts beschrieben. Danach folgt eine Erläuterung eines Ausführungsbeispiels der mit einem RELAX-Algorithmus als hochauflösendes parametrisches Frequenzschätzverfahren implementierten zweiten Stufe des erfindungsgemäßen Algorithmus mit detaillierten Beschreibungen von erfindungsgemäßen Erweiterungen des RELAX-Algorithmus. Details zu der Kombination der beiden Stufen des Algorithmus werden daran anschließend erläutert. Daraufhin wird die Leistung des erfindungsgemäßen Algorithmus unter Verwendung experimenteller Daten von einem 24 GHz Fahrzeug-Radar-Sensors beschrieben. Anschließend wird ein Ausführungsbeispiel eines Radarsystems mit einer erfindungsgemäßen Vorrichtung zur Objektdetektion beschrieben, das insbesondere für Anwendungen in Automobilen vorgesehen ist. Schließlich werden Schlussfolgerungen zur Erfindung gezogen.
Radarsystem und Signal-Modell
Zunächst werden das gemäß der Erfindung eingesetzte Radarsystem und das der Erfindung zugrunde liegende Signal-Modell der von einem Objekt reflektierten Radarwellen erläutert.
Ein verteiltes Ziel bzw. ein Objekt mit einer bestimmten Ausdehnung in einer Ebene, die von Radarwellen eines Radarsystems oder Radarsensors zur Objekterfassung bzw. -detektion bestrahlt wird, soll nach der Erfindung durch K Streuzentren beschrieben werden. Ein solches Objekt ist typischerweise ein Fahrzeug, das sich beispielsweise dem eigenen Fahrzeug mit dem Radarsystem nähert oder vor diesem fährt. Jedes Streuzentrum wird durch folgende Parameter definiert:

– radialer Abstand d zum Radarsystem,
– Winkel α zwischen der Hauptabstrahlrichtung des Radarsystems und dem Streuzentrum, und
– relative Geschwindigkeit v zwischen Radarsystem und Streuzentrum.

1 zeigt das Radarsystem und ein von diesem beabstandetes Fahrzeug mit verschiedenen, durch Kreuze gekennzeichneten typischen Streuzentren. In 1 sind auch die Parameter Winkel α, radialer Abstand d und radiale Relativgeschwindigkeit eines Streuzentrums in der rechten vorderen Ecke des Fahrzeugs dargestellt, wobei das Radarsystem im Koordinatenursprung liegt.
Die Parameter des k-ten Streuzentrums werden für die weitere Betrachtung in einem Vektor kombiniert: p_k = (d, α, v) (1)
Das Radarsystem setzt zum Schätzen der K Parametervektoren insbesondere folgendes ein:

– Pulskompression (Puls Compression), wie es in [5] beschrieben ist,
– Puls-Doppler-Verarbeitung, wie es in [6] erläutert ist, und
– mehrere Empfangsantennen, siehe ebenfalls [6].

Die Pulse empfangener Radarwellen werden an jeder Antenne nacheinander in einen niedrigeren Frequenzbereich konvertiert und abgetastet. Dies führt zu einer Menge digitaler Daten, die vom Radarsystem beim Empfangen der vom Objekt reflektierten Radarwellen erzeugt werden, mit Abtastwerten der folgenden Form:
wobei n einen Mehrfach-Index, ω_k ∈
einen Frequenz-Vektor, a_k ∈
eine komplexe Amplitude und
eine additive Rauschsequenz angibt.
entsprechen jeweils dem Index in der Abtastwert-, in der Antennen- bzw. in der Pulsdimension. Die Werte von n werden werden der folgenden Menge entnommen: N = N_L × N_M × N_N (3) wobei L, M und N die Anzahl der Abtastwerte, der Antennen bzw. der Pulse sind (N_L umfasst alle natürlichen Zahlen von 0 bis L – 1). Die komplexe Amplitude a_k ist eine Funktion der reflektierten Radar-Leistung.
Der Frequenzvektor ω_k ist proportional zum Parametervektor p_k des jeweiligen Streuzentrums: ω_k × p_k (4)
Das Schätzen des Frequenzvektors ω_k ist daher äquivalent zum Schätzen des Parametervektors p_k des entsprechenden Streuzentrums des Objekts. Mit anderen Worten können also nach der Erfindung durch ein Extrahieren von Frequenzen aus den digitalen Daten, die vom Radarsystem beim Empfangen der vom Objekt reflektierten Radarwellen erzeugt werden, relevante Parameter der Streuzentren des Objekts ermittelt werden.
Das Schätzen von ω stellt ein NLLS(Nonlinear Least Squares)-Problem dar, wobei der folgende Term
mit Bezug auf {a_k, ω} minimiert wird, siehe auch [3].
Periodogramm-Verarbeitung
Um Frequenzen der vom Radarsystem erzeugten digitalen Daten schätzen zu können, wird nach der Erfindung zunächst eine Periodogramm-Verarbeitung der digitalen Daten vorgenommen. Durch die Periodogramm-Verarbeitung können zunächst grob die in den digitalen Daten vorherrschenden Frequenzen geschätzt werden, also sozusagen grob zu den Frequenzen proportionale Parameter der verschiedenen Streuzentren des Objekts geschätzt werden. Diese groben Schätzungen werden dann in einer nachfolgenden zweiten Verarbeitungsstufe mittels RELAX-Algorithmus-basierter Verarbeitung verfeinert, so dass als Endresultat hochaufgelöste Schätzungen der Streuzentren vorliegen.
Für die Periodogramm-Verarbeitung nach der Erfindung wird zur groben Schätzung eines einzelnen Streuzentrums Gleichung (5) wie in [3] beschrieben minimiert:
wobei gilt P(ω) = |Y(ω)|² (7) und
Die Schätzung für die komplexe Amplitude wird erhalten durch:
Gleichung (7) ist als Periodogramm bekannt und Gleichung (8) als DTFT (Discrete Time Fourier Transform).
Es werden also zunächst mit einer DTFT die digitalen Daten im Zeitbereich y(n) in digitale Daten im Frequenzbereich Y(ω) gemäß Gleichung (8) transformiert, dann wird mittels Periodogramm-Verarbeitung der transformierten digitalen Daten gemäß Gleichung (7) eine Schätzung von Frequenzen entsprechend Parametern der Streuzentren vorgenommen.
Für mehrere Streuzentren wird Gleichung (5) näherungsweise minimiert durch die K stärksten Maxima von P(ω). Da K noch unbekannt ist, muss es geschätzt werden. Daher werden die Frequenzen Ω = {ω:∀ω' ∈ B_R(ω), P(ω') < P(ω)} (10) die in einer lokalen Frequenznachbarschaft P(ω) maximieren B_R(ω) = {ω':δ(ω', ω) < R} (11) bestimmt, wobei 6 die Distanzmetrik und R eine Distanzschwelle bezeichnen.
Die Kardinalität von Ω = {ω:∀ω' ∈ Ω, P(ω') > γ} (12) gibt die gewünschte Schätzung für K vor: K = |Ω|, (13) wobei γ eine Leistungsschwelle bezeichnet. Die Frequenzen in Ω geben vernünftige Schätzungen an, wenn die Trennung zwischen den echten Frequenzen ausreichend groß ist, siehe [3].
RELAX-Verarbeitung
Das Periodogramm ist zur Auflösung von Streuzentren, die im Frequenzbereich eng aneinander liegen, weniger gut geeignet. Dagegen zeigt der RELAX-Algorithmus aussichtsreiche Auflösungsfähigkeiten, siehe [1].
Die Idee von RELAX besteht darin, einen zyklischen Ansatz zum Minimieren des NLLS-Kriteriums von Gleichung (5) zu verwenden. Zyklische Minimierung bedeutet, dass im k-ten Iterationsschritt die Minimierung mit Bezug auf eine Frequenz ω_k und eine komplexe Amplitude a_k ausgeführt wird. Alle anderen Frequenzen und komplexen Amplituden behalten ihre im vorherigen Iterationsschritt erhaltenen Werte und werden als Konstanten behandelt. Der Hauptvorteil dieser Vorgehensweise besteht in der „einfachen” Minimierung in jedem Iterationsschritt. Nach Subtraktion der konstanten Terme von den Daten wird die folgende Sequenz erhalten:
welche als eine einzelne Sinuskurve modelliert ist. Dies führt zu folgendem NLLS-Problem:
welches „einfach” durch die Frequenz, die das Periodogramm von y_k(n) maximiert, und die korrespondierende komplexe Amplitude minimiert werden kann.
Erweiterung der RELAX-Verarbeitung: spektraler RELAX-Algorithmus
Eine RELAX-Implementierung im Zeitbereich erfordert es, die DTFT von y_k(n) in jedem Iterationsschritt erneut zu berechnen. Für Echtzeitsysteme kann dies – wie im folgenden Abschnitt gezeigt wird – eine rechenaufwendige Herausforderung bedeuten. Daher schlägt die Erfindung in einer Ausführungsform eine Modifikation von RELAX vor, die nur Frequenzbereichsdaten nutzt und als spektraler RELAX-Algorithmus bezeichnet wird. Für den spektralen RELAX-Algorithmus muss die DTFT gerade einmal bei der Initialisierungsphase des Algorithmus berechnet werden. Da die DTFT eine lineare Operation ist, kann die DTFT gemäß Gleichung (14) berechnet werden als
wobei gilt
Dies würde immer noch erfordern Y(ω, a, ω ·) in jeder Iteration zu berechnen. Um dies zu vermeiden, kann Y(ω, 1, 0) vorberechnet und in einer Lookup-Tabelle gespeichert werden. Ein Ausführungsbeispiel des spektralen RELAX-Algorithmus ist im Folgenden angegeben:
Erweiterung der RELAX-Verarbeitung: Chirp-RELAX-Algorithmus
Damit der RELAX-Algorithmus arbeiten kann, sollte Gleichung (8) mit einem feinen Frequenzraster berechnet werden, siehe [1] und [2]. Dies kann durch Anwendung des FFT(Fast Fourier Transform)-Algorithmus mit Zero-Padding erreicht werden, siehe [1]. Die resultierenden Abtastwerte der DTFT bei den Frequenzen sind ω_DFT ∈ D_L × D_M × D_N, (18) wobei D_K = { 2πk / K:k ∈ N_K}. (19)
Um eine Vorstellung von der Rechenkomplexität zu erhalten wird ein Radarsystem betrachtet, das 256 Abtastwerte pro Impuls, 8 Antennen und 256 Impulse pro kohärentem Verarbeitungsintervall aufweist. Lediglich eine Verdoppelung dieser Größen
würde über 90 Millionen komplexe Multiplikationen erfordern, wenn die FFT berechnet wird. Da dies nicht für Online-Berechnungen möglich ist, schlägt die Erfindung in einer weiteren Ausführungsform vor, den Frequenzbereich zu beschränken, für den RELAX durchgeführt wird. Dies impliziert, dass der interessierende Bereich im Parameter-Raum begrenzt werden kann, was für eine Zielform-Schätzung gilt. Die Aufgabe besteht nun darin, effizienter zu rechnen:
wobei die Abtastpunkte frei wählbar sind
Da der durch die FFT abgedeckte Frequenzbereich nicht frei gewählt werden kann (die minimale Frequenz ist –π/2 und die maximale Frequenz ist +π/2), ist sie nicht für diese Aufgabe geeignet. Daher schlägt die Erfindung vor, den CFT (Chirp Fourier Transform)-Algorithmus nach [4] zu verwenden. Der Grundansatz des CFT-Algorithmus besteht darin, Gleichung (20) als eine Faltung auszudrücken, siehe [4]:
wobei
Die gewünschte Effizienz beim Berechnen der Gleichung (22) rührt von der Tatsache her, dass eine Faltung über zwei FFTs gemäß [4] berechnet werden kann und dass L ·, M · und N · in Gleichung (21) kleiner als die ursprünglichen Eingangsgrößen gewählt werden können.
Kombinierte Verarbeitung gemäß der Erfindung
Im Folgenden wird die Kombination der Periodogramm-Verarbeitung und des RELAX-Algorithmus in einem zweistufigen Algorithmus gemäß der Erfindung erläutert. Dies führt zu einer weiteren Verringerung der Rechenkomplexität. Die lediglich für die Abtastdimension berechnete DTFT ist
wobei
Berechnung von Y(ρ, m) wird für R Frequenzen durchgeführt: ρ ∈ D_R, (26) wobei Gleichung (19) benutzt wird. Als SC-RELAX wird im Folgenden die Kombination des oben beschriebenen spektralen RELAX-Algorithmus mit dem Chirp-RELAX-Algorithmus bezeichnet.
Mit den vorherigen Definitionen sind die Schritte der kombinierten Verarbeitung im Flussdiagramm von 2 gezeigt.
In einem ersten Schritt S10 werden basierend auf einem Periodogramm Frequenz-Schätzungen Ω bestimmt und im Schritt S12 die Entfernungsverarbeiteten Daten Y(ρ, m) für eine spätere Verwendung mit dem SC-RELAX-Algorithmus gespeichert. Dann werden im Schritt S14 die am meisten relevanten Frequenz-Schätzungen ω_x von Ω extrahiert, und Y(|ω_x]₀, m) wird als Eingabe für SC-RELAX im Schritt S16 benutzt, der nun auf zwei Dimensionen angewandt wird. Im nächsten Schritt S18 wird ein Satz von Frequenz-Schätzungen Ω _x erhalten. Unter Bezug auf die Proportionalität der Frequenzen und der Streuzentren-Parameter, siehe Gleichung (4) oben, werden die im Schritt S18 erhalten Frequenzen Ω _x als Schätzungen für die relative Geschwindigkeit und die Winkel verwendet.
Ω und Ω _x werden dann in Schritt S20 zu einem finalen Satz von Frequenz-Schätzungen kombiniert.
Experimentelle Daten
Im Folgenden wird die Leistungfähigkeit des erfindungsgemäßen und oben erläuterten Algorithmus anhand von Messdaten erläutert, die mit einem 24 GHz Fahrzeug-Radar-Sensor erhalten wurden.
3 zeigt eine Messanordnung für die Erzeugung der experimentellen Daten. Der Radarsensor ist in 3 als Radarsystem bezeichnet, und das Ziel bzw. zu erfassende Objekt ist ein sich dem Radarsystem mit einer konstanten Geschwindigkeit von etwa 14 m/s nähernder Personenkraftwagen, die einen konstanten lateralen Versatz von etwa 1 m zum Radarsystem aufweist. Die anfängliche longitudinale Entfernung beträgt etwa 20 m und das Fahrzeug fährt auf das Radarsystem zu. Für diese Messanordnung ist die Extraktion der relevanten Schätzung von ω_x aus Ω vor allem deshalb einfach, das sich gerade das Ziel-Fahrzeug bewegt.
4 zeigt die Schätzungen der Periodogramm-Verarbeitungsstufe in der Vogelperspektive, wobei alle Schätzungen von derselben Messung abstammen. Die Größe der Punkte ist proportional zu der geschätzten radialen Geschwindigkeit, und der Umriss des Ziel-Fahrzeugs ist als Referenz durch gestrichelte Linien hervorgehoben. Eine Reflexion von der Vorderseite des Ziel-Fahrzeugs und mehrere Reflexionen von der Rückseite des Fahrzeugs sind zu erkennen. Die Reflexionen von der Fahrzeug-Rückseite besitzen eine gemessene radiale Geschwindigkeit, die nicht mit der Fahrzeug-Trajektorie und der Geschwindigkeit über dem Boden konsistent sind. Dies wird durch die Tatsache verursacht, dass die Reflexionen vom hinteren Rad des Fahrzeugs stammen. Diese Reflexionen können zu gemessenen radialen Geschwindigkeiten führen, die von 0 bis zum Zweifachen der tatsächlichen Fahrzeuggeschwindigkeit reichen.
5 zeigt die Ausgabe der Periodogramm-Verarbeitung links im Detail. Anzumerken ist, dass das Streuzentrum weit zu links geschätzt wird und die relative Geschwindigkeit zu hoch ist. Auf der rechten Seite sind in 5 Streuzentren dargestellt, die mit dem SC-RELAX-Algorithmus geschätzt wurden. Mit dem SC-RELAX-Algorithmus werden zwei Streuzentren aufgelöst: eines ist an der rechten Ecke des Ziel-Fahrzeugs positioniert und eines näher am Zentrum der Fahrzeugfront. Die Schätzungen der relativen Geschwindigkeit von beiden Streuzentren sind konsistent mit der Bewegung des Ziel-Fahrzeugs.
Dasselbe oben beschriebene Experiment wurde 37 Mal mit demselben Aufbau wiederholt. Die Schätzungen von allen 37 Experimenten wurden in Entfernungen von etwa 6,7 m bis etwa 8,0 m gesammelt. Schwerpunkte wurden mit dem k-means Algorithmus [9] ermittelt. Die Korrelation zwischen Winkel und radialer Geschwindigkeit entsprach der erwarteten Korrelation, da die radiale Geschwindigkeit proportional zum Kosinus des Winkels zwischen relativer Geschwindigkeit und Sensorachse ist, siehe [6]. Die Schwerpunkte des k-means Clustering korrespondierten jeweils zur nächsten Ecke des Fahrzeugs bzw. zu einem Bereich an der Fahrzeug-Front.
Ausführungsbeispiel eines Radarsystems gemäß der Erfindung
6 zeigt ein Blockschaltbild eines Fahrzeug-Radarsystems. Das Radar weist mehrere Empfangsantennen 10 auf, im dargestellten Ausführungsbeispiel 8 Empfangsantennen, insbesondere Patchantennen, mit denen es von einem Objekt reflektierte Radarwellen empfängt, die zuvor mittels einer nicht dargestellten Sendeantenne ausgesendet wurden. Das Signal an jeder Antenne wird von einem Abwärtsmischer 12 in einen niedrigeren Frequenzbereich konvertiert und von einem Analog-Digital-Wandler 14 digitalisiert. Die digitalisierten Abtastwerte werden einem Signalprozessor 20 des Radarsystems zugeführt, der eine Pulskompression, insbesondere Stretch-Pulskompression mittels einer FFT, 16 und anschließend eine Puls-Doppler-Verarbeitung 18 mit den digitalen Daten durchführt. Die so verarbeiteten digitalen Daten werden einem Prozessor 26 zum Ermitteln von Streuzentren von detektierten Objekten gemäß einem Verfahren nach der Erfindung zugeführt. Der Prozessor 26 wird durch ein in einem Speichermittel 28 abgelegten Programm so konfiguriert, dass er das oben erläuterte Verfahren zum Ermitteln von Streuzentren gemäß der Erfindung mit den zugeführten digitalen Daten ausführt. Hierzu implementiert der durch das Programm entsprechend konfigurierte Prozessor 26 eine erste Periodogramm-basierte Verarbeitungsstufe 22 zum groben Schätzen von relevanten Merkmalen eines Objekts wie oben beschrieben, und eine zweite, an die erste Stufe anschließende Verarbeitungsstufe 24, welche den oben beschriebenen SC-RELAX-Algorithmus implementiert und wie oben beschrieben ausführt. Als Ergebnis speichert die zweite Stufe 24 ermittelte Parameter von Streuzentren eines detektierten Objekts im Speichermittel 28, für nachfolgende Verarbeitungsstufen. Alternativ oder zusätzlich können die ermittelten Parameter von Streuzentren über eine Ausgabeschnittstelle 30 ausgegeben werden. Die Ausgabeschnittstelle 30 kann beispielsweise eine Datenschnittstelle sein, über die Daten zu den ermittelten Parametern von Streuzentren eines detektierten Objekts für die weitere Verarbeitung durch beispielsweise ein Fahrerassistenzsystem oder eine Sicherheitsanwendung ausgegeben werden.
Schlussfolgerungen
Die vorliegende Erfindung stellt einen zweistufigen Algorithmus zum Extrahieren von Streuzentren eines mittels Radar erfassten Objekts wie einem Fahrzeug vor. Implementierungsdetails wurden für sowohl die Periodogramm-basierten als auch die RELAX-basierten Teile des Algorithmus beschrieben. Der oben erläuterte Lookup-Tabellen-Ansatz und die Anwendung von CFT sind insbesondere für Echtzeitsysteme von Bedeutung. Erste experimentelle Ergebnisse zeigten, dass die geschätzten Streuzentren für Ausdehnungs- als auch Orientierungsschätzung eines detektierten Objekts verwendet werden können.
Literatur

[1] „Efficient Mixed-Spectrum Estimation with Applications to Target Feature Extraction", J. Li, P. Stoica, IEEE Transactions on Signal Processing, Vol. 44, Nr. 2, S. 281–295, Feb. 1996
[2] „Implementation of the RELAX Algorithm", J. Li, IEEE Transactions on Aerospace and Electronic Systems, Vol. 34, Nr. 2, S. 657–664, Apr. 1998
[3] „Spectral Analysis of Signals", P. Stoica, R. Moses, Pearson Prentice Hall, 2005, ISBN 0131139568
[4] "Discrete-Time Signal Processing", A. V. Oppenheim, R. W. Schafer, with J. R. Buck, Prentice Hall, 1998
[5] „Principles of High-Resolution Radar", A. W. Rihaczek, Artech House, 1969, ISBN 089006900X
[6] „Principles of Space-Time Adaptive Processing", R. Klemm, The Institution of Engineering and Technology, 2006, ISBN 0 86341 566 0
[7] „Geometrical theory of diffraction for electromagnetic waves", G. L. James, Peter Peregrinus Ltd. On behalf of the Institution of Electrical Engineers, 3rd Edition 1986, ISBN 0-86341-062-6
[8] „Intelligente Antennensysteme für Kraftfahrzeugs-Nahbereichs-Radar-Sensorik", K. Schuler, Band 54 von Forschungsberichte aus dem Institut für Höchstfrequenztechnik und Elektronik der Universität Karlsruhe, Verlag IHE, 2007
[9] „Pattern Classification", R. O. Duda, P. E. Hart, D. G. Stork, John Wiley & Sons, 2001
[10] „Streuzentrenmodelle zur Simulation der Wellenausbreitung für automobile Radar- und Funksysteme", H. Buddendiek, Dissertation, Technische Universität München, 2011
[11] „Handbuch Fahrerassistenzsysteme", H. Winner, S. Hakuli, G. Wolf (Herausgeber), Vieweg + Teubner, 2009
[12] "Analysis of Automobile Scattering Center Locations by SAR Measurements", M. Andres, P. Feil, W. Menzel, H. L. Bloecher, J. Dickmann, Proc. of the Radar Conference (RADAR), 23–27 May, Kansas City, USA, 2011.

Bezugszeichenliste

10: Radar-Sende-/Empfangsantennen
12: Abwärtsmischer
14: Analog-Digital-Wandler
16: Pulskompression
18: Puls-Doppler-Verarbeitung
20: Signalprozessor
22: erste Periodogramm-basierte Verarbeitungsstufe
24: zweite SC-RELAX-Algorithmus implementierende Verarbeitungsstufe
26: Prozessor
28: Speichermittel
30: Ausgabeschnittstelle
CFT: Chirp Fourier Transform: Chirp Fouriertransformation
DTFT: Discrete Time Fourier Transform: Fouriertransformation für zeitdiskrete Signale
ESPRIT: Estimation of signal parameters via rotational invariance techniques: Schätzung von Signalparametern mittels Rotationsinvarianztechniken
FFT: Fast Fourier Transform: schnelle Fouriertransformation
ML: Maximum Likelihood: maximale Wahrscheinlichkeit
MUSIC: Multisignal Classification; Multi-Signal-Klassifizierung
NLLS: Nonlinear Least Squares: nichtlineare kleinste Quadrate

Claims

Verfahren zum Ermitteln von Streuzentren eines mittels Radar erfassten Objekts durch Verarbeitung digitaler Daten, die beim Empfangen der vom Objekt reflektierten Radarwellen erzeugt werden, wobei die Verarbeitung folgendes aufweist: – eine erste Stufe, in der relevante Merkmale des Objekts mittels einer Periodogramm-basierten Verarbeitung der digitalen Daten im Frequenzbereich grob geschätzt werden (S10, S12, S14), und – eine zweite Stufe, in der Parameter von Streuzentren des Objekts auf Grundlage der in der ersten Stufe geschätzten relevanten Merkmale mittels eines hochauflösenden parametrischen Frequenzschätzverfahrens extrahiert werden.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als hochauflösendes parametrisches Frequenzschätzverfahren ein RELAX-basierter Algorithmus eingesetzt wird (S16, S18, S20).
Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass in der ersten Stufe erste Frequenzen der digitalen Daten geschätzt werden (S10), die am meisten relevanten Frequenz-Schätzungen aus der Menge der geschätzten Frequenzen extrahiert werden (S14) und in der zweiten Stufe die am meisten relevanten Frequenz-Schätzungen zum Ermitteln von Streuzentren mittels des RELAX-basierten Algorithmus ausgewertet werden.
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass der in der zweiten Stufe verwendete RELAX-basierte Algorithmus einen RELAX-Algorithmus ist, der ausschließlich Frequenzbereichsdaten verarbeitet, die durch eine Fouriertransformation für zeitdiskrete Signale der vom Radarsensor erzeugten digitalen Daten erzeugt werden.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass Frequenzbereichsmodelldaten für einen bestimmten Amplituden- und Frequenzwert vorberechnet und in einer Lookup-Tabelle gespeichert werden, und die vorberechneten Frequenzbereichsmodelldaten bei Ausführung des RELAX-basierten Algorithmus bei Bedarf aus der Lookup-Tabelle gelesen und verwendet werden.
Verfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, dass der in der zweiten Stufe verwendete RELAX-basierte Algorithmus einen RELAX-Algorithmus aufweist, der den Frequenzbereich der zu verarbeitenden Frequenzbereichsdaten beschränkt, indem die Frequenzbereichsdaten durch Verarbeitung der vom Radarsensor erzeugten digitalen Daten durch einen Chirp Fouriertransformations-Algorithmus erzeugt werden.
Verfahren nach einem der Ansprüche 3 bis 6, dadurch gekennzeichnet, dass in der zweiten Stufe als Parameter von Streuzentren des Objekts zweite Frequenzen der digitalen Daten geschätzt werden (S18) und die ersten basierend auf einem Periodogramm geschätzten Frequenzen mit den zweiten mittels des RELAX-basierten Algorithmus geschätzten Frequenzen zu einem finalen Satz von Frequenzschätzungen kombiniert werden (S20), wobei die Frequenzschätzungen des finalen Satzes jeweils Schätzungen der relativen radialen Geschwindigkeit und Winkel von Streuzentren entsprechen.
Verfahren nach einem der vorhergehenden Ansprüche dadurch gekennzeichnet, dass ein die Radarwellen zum Erfassen des Objekts erzeugendes Radarsystem Pulskompression, Puls-Dopplerverarbeitung und mehrere Empfangsantennen einsetzt.
Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass das Radarsystem die Pulse empfangener und vom Objekt reflektierter Radarwellen an jeder Empfangsantenne in einen niedrigeren Frequenzbereich konvertiert und abtastet.
Vorrichtung zur Objektdetektion mittels eines Radars, das mehrere Empfangsantennen (10) aufweist und Pulskompression (16) sowie Puls-Doppler-Verarbeitung (18) anwendet, wobei die Vorrichtung folgendes aufweist: – Prozessormittel (26) zum Ausführen eines Programms, das ein Verfahren nach einem der vorhergehenden Ansprüche implementiert, und – Speichermittel (28) für das Programm.
Fahrerassistenzsystem basierend auf einer Objektdetektion, dadurch gekennzeichnet, dass es eine Vorrichtung nach Anspruch 10 aufweist und ausgebildet ist, von der Vorrichtung ermittelte Streuzentren von mittels Radar erfassten Objekten für die Objektdetektion auszuwerten.