DE102013209736A1

DE102013209736A1 - Verfahren zur Bewertung von Hindernissen in einem Fahrerassistenzsystem für Kraftfahrzeuge

Info

Publication number: DE102013209736A1
Application number: DE201310209736
Authority: DE
Inventors: Stefan Heilmann; Benedikt Loesch; Volker Gross; Goetz Kuehnle; Michael Schoor
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2013-05-24
Filing date: 2013-05-24
Publication date: 2014-11-27
Also published as: CN104181516A; US20140347208A1; CN104181516B; FR3006058A1; US9664788B2; FR3006058B1

Abstract

Verfahren zur Bewertung von Hindernissen anhand von Ortungsdaten eines Radarsensors (10) in einem Fahrerassistenzsystem für Kraftfahrzeuge, bei dem mindestens eine Bewertungsfunktion (R1, R2) berechnet wird, die abhängig von einem Satz von Messgrößen (Xi), die sich auf ein potentielles Hindernis beziehen, angibt, ob das potentielle Hindernis als echtes Hindernis zu bewerten ist, dadurch gekennzeichnet, dass anhand der Ortungsdaten ein Komplexitätsindikator (k) gebildet wird, der die Komplexität einer aktuellen Messsituation angibt, und dass für denselben Satz von Messgrößen mindestens zwei verschiedene Bewertungsfunktionen (R1, R2) definiert sind und in Abhängigkeit von dem Komplexitätsindikator (k) entschieden wird, welche der Bewertungsfunktionen in der aktuellen Messsituation angewandt wird.

Description

Die Erfindung betrifft ein Verfahren zur Bewertung von Hindernissen anhand von Ortungsdaten eines Radarsensors in einem Fahrerassistenzsystem für Kraftfahrzeuge, bei dem mindestens eine Bewertungsfunktion berechnet wird, die abhängig von einem Satz von Messgrößen, die sich auf ein potenzielles Hindernis beziehen, angibt, ob das potenzielle Hindernis als echtes Hindernis zu bewerten ist.
In Fahrerassistenzsystemen, beispielsweise in Kollisionswarnsystemen, wird zur Ortung von Objekten im Umfeld, insbesondere im Vorfeld des eigenen Fahrzeugs häufig ein Radarsensor eingesetzt, der, beispielsweise nach dem FMCW-Prinzip (Frequency Modulated Continuous Wave) in der Lage ist, Abstände und Relativgeschwindigkeiten der georteten Objekte zu messen. Vorausfahrende Fahrzeuge, die eine der Geschwindigkeit des eigenen Fahrzeugs vergleichbare Absolutgeschwindigkeit haben und deshalb kein relevantes Hindernis darstellen, sind daran zu erkennen, dass die vom Radarsensor gemessene Relativgeschwindigkeit dem Betrage nach deutlich kleiner ist als die Eigengeschwindigkeit des eigenen Fahrzeugs. Wenn dagegen die gemessene Relativgeschwindigkeit eines Objekts negativ ist (Annäherung) und dem Betrage nach gleich der Eigengeschwindigkeit ist, so handelt es sich um ein stehendes Objekt, das ein potentielles Hindernis darstellt. Aufgrund eines gewissen Winkelauflösungsvermögens ist der Radarsensor auch in der Lage festzustellen, ob sich das Objekt auf der Fahrbahn oder am Fahrbahnrand befindet. Jedoch muss ein stehendes Objekt, auch dann, wenn es auf der Fahrbahn geortet wird, nicht zwingend ein echtes Hindernis darstellen. Beispielsweise rufen auch relativ kleine Objekte wie auf der Fahrbahn liegende Blechdosen oder in die Fahrbahndecke eingelassene Kanaldeckel ein Radarecho hervor, das nur schwer von dem Radarecho eines ausgedehnteren, ein echtes Hindernis darstellenden Objektes zu unterscheiden ist.
Um dennoch eine Unterscheidung zwischen echten Hindernissen und Scheinhindernissen zu ermöglichen, werden in bekannten Fahrerassistenzsystemen ein oder mehrere Bewertungsfunktionen eingesetzt, deren Argumente durch Messgrößen gebildet werden, die typischerweise bei echten Hindernissen andere Werte haben als bei Scheinhindernissen.
Ein Bespiel einer solchen Messgröße ist etwa die Signalstärke eines einzelnen georteten Objekts. Dahinter steht die Überlegung, dass ein ausgedehntes Objekt, das eher als echtes Hindernis zu bewerten ist, im allgemeinen ein stärkeres Radarecho erzeugen wird als ein kleinräumiges Objekt, wie etwa ein kleiner auf der Fahrbahn liegender Gegenstand, der problemlos überfahren werden kann. Die Bewertungsfunktion kann dann abhängig von der Signalstärke des Objekts entweder den Wert 1 annehmen, was bedeutet, dass das Objekt als echtes Hindernis betrachtet wird, oder den Wert 0, was bedeutet, dass das Objekt als Scheinhindernis bewertet wird. Je nach Ausführungsform kann die Bewertungsfunktion jedoch auch Zwischenwerte zwischen 0 und 1 annehmen, die unterschiedliche Wahrscheinlichkeiten dafür angeben, dass es sich bei dem Objekt um ein echtes Hindernis handelt. Um letztlich zu einer eindeutigen Entscheidung zu kommen, werden im allgemeinen mehrere Bewertungsfunktionen, die auf unterschiedlichen Kriterien beruhen, miteinander verknüpft.
Andere Beispiele für Messgrößen, die etwas über die Relevanz eines Objekts als Hindernis aussagen, sind der Elevationswinkel, unter dem das Objekt vom Radarsensor gesehen wird sowie zeitliche Änderungen dieses Elevationswinkels. Ein echtes Hindernis wird sich im allgemeinen mindestens auf gleicher Höhe mit dem Radarsensor befinden, so dass der Elevationswinkel null oder positiv ist, während ein kleines auf der Straße liegendes Objekt im allgemeinen einen negativen Elevationswinkel haben wird, der sich darüber hinaus bei zunehmender Annäherung an das Objekt noch weiter zur negativen Seite verschiebt. Andererseits wird es bei einem relativ ausgedehnten echten Hindernis häufig vorkommen, dass das Radarecho aufgrund von Mehrwegeausbreitung über den Boden aus unterschiedlichen Elevationswinkeln empfangen wird. Desweiteren führen Nick- und Lenkbewegungen des eigenen Fahrzeugs dazu, dass das Signal von unterschiedlichen Reflexionszielen empfangen wird, die auch unterschiedliche Elevationswinkel haben. Ein stark fluktuierender Elevationswinkel deutet deshalb eher auf ein echtes Hindernis hin.
Auch wenn mehrere Kriterien, d.h. mehrere Bewertungsfunktionen, miteinander kombiniert werden, wird es in der Praxis nicht möglich sein, alle auftretenden Objekte zutreffend zu bewerten. Die Bewertungsfunktionen müssen deshalb so definiert werden, dass ein sinnvoller Kompromiss gefunden wird zwischen einer hohen Trefferquote, d.h., einem hohen Anteil von echten Hindernissen, die auch wirklich als Hindernisse erkannt werden, und einer geringen Fehlwarnungsquote, d.h., einem möglichst geringen Anteil an Scheinobjekten, die fälschlich als echte Hindernisse bewertet werden. Dazu müssen Parameter, die die Eigenschaften der Bewertungsfunktion bestimmen, geeignet gewählt werden. Im einfachsten Fall ist die Bewertungsfunktion eine Schwellenwertfunktion, die bei Überschreitung eines bestimmten Schwellenwertes von 0 auf 1 springt. In dem Fall stellt der Schwellenwert einen Parameter dar, der geeignet gewählt werden muss. Bei komplizierteren Bewertungsfunktionen kann es sich bei den Parametern um Sätze von mehreren Schwellenwerten handeln oder um Polynomkoeffizienten oder dergleichen.
Bei der Festlegung dieser Parameter wird im allgemeinen die Vermeidung von Fehlwarnungen die höchste Priorität haben, da häufige Fehlwarnungen die Akzeptanz des Systems deutlich herabsetzen und bei Fahrerassistenzsystemen, die bei akuter Kollisionsgefahr aktiv in das Bremssystem des Fahrzeugs eingreifen, sogar eine Gefahrenquelle darstellen können. Wenn jedoch, um solche Fehlwarnungen zu vermeiden, die Parameter zu "konservativ" gewählt werden, so wird unvermeidlich auch ein höherer Anteil von echten Hindernissen nicht erkannt werden, so dass der Nutzen des Systems abnimmt.
Aufgabe der Erfindung ist es, ein Verfahren anzugeben, das bei geringer Fehlwarnungshäufigkeit eine Steigerung des Nutzens des Fahrerassistenzsystems ermöglicht.
Diese Aufgabe wird erfindungsgemäß dadurch gelöst, dass anhand der Ortungsdaten ein Komplexitätsindikator gebildet wird, der die Komplexität einer aktuellen Messsituation angibt, und dass für denselben Satz von Messgrößen mindestens zwei verschiedene Bewertungsfunktionen definiert sind und in Abhängigkeit von dem Komplexitätsindikator entschieden wird, welche dieser Bewertungsfunktionen in der aktuellen Messsituation angewandt wird.
Die Erfindung beruht auf der Überlegung, dass die Gesamtheit der Signale, die ein Radarsensor zu einem gegebenen Zeitpunkt empfängt, sich von Situation zu Situation erheblich in ihrer Komplexität unterscheiden kann. In den einfachsten Fällen wird nur ein einziges Radarecho von einem annähernd punktförmigen Objekt empfangen, das Signal ist wenig verrauscht und entspricht scharf definierten Werten nicht nur für den Abstand und die Relativgeschwindigkeit sondern auch für den Azimutwinkel und den Elevationswinkel. In dem Fall ist eine relativ verlässliche Unterscheidung zwischen echten Hindernissen und Scheinhindernissen möglich, so dass die Gefahr von Fehlwarnungen gering ist und es sinnvoll wäre, die Bewertungsfunktionen im Hinblick auf einen möglichst hohen Nutzen zu parametrieren. In komplexeren Situationen, beispielsweise wenn gleichzeitig mehrere Objekte geortet werden, deren Radarechos sich teilweise überlagern oder gegenseitig stören, ist die Fehlerwahrscheinlichkeit bei der Bewertung hingegen deutlich größer, so dass es sinnvoll wäre, die Parameter im Hinblick auf die Vermeidung von Fehlwarnungen zu konfigurieren und dafür größere Nutzeneinbußen in Kauf zu nehmen. Erfindungsgemäß wird nun die Parametrierung nicht unveränderlich für alle in Betracht kommenden Messsituationen festgelegt, sondern situationsabhängig, speziell in Abhängigkeit von der Komplexität variiert. Dadurch ist es möglich, zumindest in Situationen mit geringer Komplexität einen höheren Nutzen zu erreichen, wodurch dann statistisch auch der Gesamtnutzen bei einer Mittelung über eine Vielzahl unterschiedlich komplexer Situationen verbessert wird.
Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung sind in den Unteransprüchen angegeben.
Im folgenden werden Ausführungsbeispiele anhand der Zeichnung näher erläutert.
Es zeigen:
1 ein Blockdiagramm eines Fahrerassistenzsystems, in dem das erfindungsgemäße Verfahren implementiert ist;
2 und 3 Beispiels für unterschiedliche Parametrierungen einer Bewertungsfunktion;
4 ein ROC-Diagramm (Receiver Operating Characteristic) für die Bewertungsfunktionen nach 2 und 3;
5 und 6 ROC-Diagramme für Messsituationen mit unterschiedlicher Komplexität;
7 einen Vergleich von ROC-Diagrammen für situationsunabhängige und situationsabhängige Parametrierungen einer Bewertungsfunktion;
8 ein Beispiel für ein Spektrum eines Zwischenfrequenzsignals in einem FMCW-Radar;
9 ein Diagramm zur Erläuterung der Winkelmessung in einem winkelauflösenden Radarsensor;
10 ein Diagramm zur Illustration einer Prozedur zur Hindernisbewertung mit Hilfe mehrerer Bewertungsfunktionen; und
11 ein Diagramm zur Illustration einer Prozedur zur Erzeugung einer Hierarchie von Komplexitätsindikatoren.
Bei dem in 1 als Blockdiagramm dargestellten Fahrerassistenzsystem handelt es sich beispielsweise um ein Kollisionswarnsystem. Wesentliche Komponenten dieses Systems sind ein Radarsensor 10 (FMCW-Radar), eine Vorverarbeitungsstufe 12 und ein Bewertungsmodul 14. In der Vorverarbeitungsstufe 12 werden die vom Radarsensor 10 gelieferten Signale ausgewertet, und es wird eine Anzahl von Messgrößen Xi gebildet, die eine aktuelle Messsituation des Radarsensors 10 charakterisieren. Typischerweise umfassen die Messgrößen Xi auch Ortungsdaten eines oder mehrerer Objekte, die aktuell vom Radarsensor 10 geortet wurden.
Im Bewertungsmodul 14 werden die Messgrößen Xi weiter ausgewertet, um die georteten Objekte (zumindest die stehenden Objekte) hinsichtlich ihrer Relevanz als Hindernis zu bewerten, so dass entschieden werden kann, ob ein gegebenes Objekt ein echtes Hindernis darstellt oder nicht.
Weitere Komponenten des Kollisionswarnsystems, die hier nicht dargestellt sind, dienen dann dazu, anhand der Ortungsdaten für die als echt bewerteten Hindernisse und anhand der dynamischen Daten des eigenen Fahrzeugs die Kollisionswahrscheinlichkeit zu berechnen und gegebenenfalls eine akustische oder haptische Kollisionswarnung an den Fahrer auszugeben und/oder aktiv in das Bremssystem des Fahrzeugs einzugreifen und eine Notbremsung auszulösen.
Der Radarsensor 10 weist im gezeigten Beispiel zwei Sendeantennen 16, 18 und vier Empfangsantennen 20 auf. Die Empfangsantennen sind in bestimmten Abständen auf einer horizontalen Linie angeordnet, so dass durch Vergleich der Amplituden und Phasen der von den verschiedenen Antennen empfangenen Signale der Azimutwinkel eines georteten Radarziels bestimmt werden kann. Die Sendeantennen 16, 18 weisen eine Elevationsabhängigkeit auf und sind über ein Schaltnetzwerk 22 mit einem lokalen Oszillator 24 verbunden, so dass durch Umschalten zwischen den Sendeantennen 16 und 18 und Vergleich der für die unterschiedlichen Schaltzustände empfangenen Signale auch der Elevationswinkel des georteten Objekts zumindest grob bestimmt werden kann. Die Sende- und Empfangsantennen 16, 18, 20 können annähernd in der Brennebene einer strahlformenden Radarlinse angeordnet sein, so dass eine gewisse Richtungsselektivität durch den mehr oder minder großen Versatz der Antennen gegenüber der optischen Achse der Radarlinse erreicht wird. Es sind jedoch auch Ausführungsformen denkbar, bei denen die Sende- und Empfangsantennen als planare Gruppenantennen ausgeführt sind. Ebenso sind auch Ausführungsformen mit monostatischen Antennenkonzepten denkbar.
Entsprechend dem Funktionsprinzip eines FMCW-Radars wird die Frequenz des vom lokalen Oszillator 24 gelieferten Hochfrequenzsignals rampenförmig moduliert. Die von den vier Empfangsantennen 20 empfangenen Radarechos werden in vier parallelen Kanälen in Mischern 26 mit dem vom Oszillator 24 gelieferten Sendesignal gemischt, so dass man vier Zwischenfrequenzsignale S_1-4 erhält, der Frequenz gleich der Differenz zwischen der Frequenz des empfangenen Radarechos und der Frequenz des zum Empfangszeitpunkt gesendeten Radarsignals ist. Die Frequenz des Zwischenfrequenzsignals ist somit einerseits von der Signallaufzeit von der Sendeantenne zum Objekt und zurück zu den Empfangsantennen und von der Steigung der Modulationsrampe abhängig und zum anderen – aufgrund des Dopplereffektes – auch von der Relativgeschwindigkeit des georteten Objekts.
Aufgrund der unterschiedlichen Weglängen vom Objekt zu den einzelnen Empfangsantennen 20 und gegebenenfalls der Richtungsselektivität der Empfangsantennen weisen die in den vier Kanälen empfangenen Zwischenfrequenzsignale außerdem auch charakteristische Unterschiede in ihrer (komplexen) Amplitude auf, die vom Azimutwinkel des Objekts abhängig sind.
In der Vorverarbeitungsstufe 12 werden die Zwischenfrequenzsignale S_1-4 zunächst in einer Analog/Digital-Wandlerstufe 28 digitalisiert und kanalweise jeweils über die Dauer einer Frequenzmodulationsrampe aufgezeichnet. Die so erhaltenen Zeitsignale werden dann in einer Transformationsstufe 30 durch Schnelle Fouriertransformation in entsprechende Spektren umgewandelt. In jedem dieser Spektren zeichnet sich ein geortetes Objekt in der Form eines Peaks bei einer Frequenz ab, die vom Abstand und der Relativgeschwindigkeit dieses Objekts abhängig ist. Aus den Frequenzen zweier Peaks, die zu demselben Objekt gehören, jedoch auf Frequenzrampen mit unterschiedlicher Steigung gewonnen wurden, beispielsweise einer steigenden Rampe und einer fallenden Rampe, wird dann in einem nachgeschalteten Auswertungsmodul 32 der Abstand D und die Relativgeschwindigkeit V des Objekts bestimmt.
Sofern mehr als zwei Objekte gleichzeitig geortet werden, verbleibt allerdings eine gewisse Mehrdeutigkeit, da dann nicht ohne weiteres klar ist, welcher Peak zu welchem Objekt gehört. Diese Mehrdeutigkeit lässt sich jedoch beseitigen, indem mindestens ein weiteres Spektrum betrachtet wird, das auf einer weiteren Modulationsrampe mit einer anderen Rampensteigung gewonnen wurde. Die Frequenzlage jedes einzelnen Peaks kennzeichnet eine lineare Beziehung zwischen dem Abstand und der Relativgeschwindigkeit des betreffenden Objekts. Diese Beziehung lässt sich in einen D-V-Raum als Gerade darstellen. Für die mehreren Peaks in den mehreren Spektren erhält man so Scharen von Geraden, wobei sich die mindestens drei Geraden, die zu demselben Objekt gehören aber aus unterschiedlichen Modulationsrampen stammen, alle in einem Punkt schneiden, der dann den wahren Abstand und die wahre Relativgeschwindigkeit dieses Objekts angibt.
In einem Winkelschätzmodul 34 werden die Amplituden (Beträge und Phasen) der in den vier Kanälen empfangenen Zwischenfrequenzsignale objektweise (also getrennt für jeden Peak) miteinander verglichen, um die Azimutwinkel φ der georteten Objekte zu bestimmen.
In die Vorverarbeitungsstufe 12 integriert ist außerdem ein Steuermodul 36, das zum einen den Oszillator 24 ansteuert und die Frequenzmodulation bestimmt, und zum anderen das Schaltnetzwerk 22 ansteuert, um zwischen den Sendeantennen 16 und 18 umzuschalten. Beispielsweise wird eine Frequenzmodulationsrampe mit der Sendeantenne 16 gesendet und danach die gleiche Rampe noch einmal mit der Sendeantenne 18. Im Winkelschätzmodul 34 werden auch die auf diese Weise erhaltenen Amplituden miteinander verglichen, um die Elevationswinkel θ der Objekte zu bestimmen.
Die auf diese Weise für jedes geortete Objekt erhaltenen Größen D, V, φ, θ bilden einen Teil der Messgrößen Xi. Darüber hinaus werden in der Vorverarbeitungsstufe 12 noch einige weitere Messgrößen gebildet, die die georteten Objekte sowie die gesamte Messsituation noch näher kennzeichnen. Beispiele für solche Messgrößen werden später näher erläutert werden.
Das Bewertungsmodul 14 enthält ein Komplexitätsmodul 38, in dem anhand der Messgrößen Xi mindestens ein Komplexitätsindikator k gebildet wird, der die Komplexität der aktuellen Messsituation kennzeichnet.
Weiterhin enthält das Bewertungsmodul 14 einen Funktionsblock 40, in dem mindestens zwei Bewertungsfunktionen R1, R2 gespeichert sind, die beide von derselben Auswahl von Messgrößen Xi abhängig sind und unterschiedliche Werte für die Relevanz R eines Objekts als Hindernis liefern. Dabei bestimmt der Komplexitätsindikator k, welche der beiden Funktionen R1, R2 auf die Messgrößen angewandt wird, was in 1 durch einen Schalter symbolisiert wird, der zwischen den Funktionen R1 und R2 umschaltet. Bei geringer Komplexität wird die Funktion R1 gewählt, bei höherer Komplexität die dagegen Funktion R2. Diese Funktionen sind so definiert, dass bei statistisch verteilten Werten der Messgrößen Xi die Funktion R1 häufiger das Ergebnis liefert, dass das Hindernis relevant (echt) ist, als die Funktion R2.
In 2 und 3 sind zwei einfache Beispiele für Bewertungsfunktionen R1 und R2 gezeigt. Diese beiden Bewertungsfunktionen gehören zu einer gemeinsamen Klasse in dem Sinne, dass sie von derselben unabhängigen Variablen abhängig sind. Diese unabhängige Variable ist hier z.B. eine Messgröße X1, die ein Maß für die von einem georteten Objekt empfangene Gesamtleistung ist. Diese Messgröße kann in der Vorverarbeitungsstufe 12 beispielsweise auf die nachfolgend beschriebene Weise berechnet werden.
8 zeigt ein Beispiel für ein auf einer Modulationsrampe aufgenommenes Spektrum, d.h., eine Funktion, die die (komplexe) Amplitude A (gezeigt ist hier nur der Betrag der Amplitude) in Abhängigkeit von der Frequenz f angibt. Das Spektrum enthält mehrere Peaks 42, 44, 46, 48, von denen angenommen werden kann, dass sie jeweils zu einem georteten Objekt gehören. Als Beispiel soll hier der Peak 42 betrachtet werden. Die von dem entsprechenden Objekt empfangene Gesamtleistung ist dann das Integral des Amplitudenquadrats A² über den Peak. Als Integrationsgrenzen können beispielsweise die Frequenzen f– und f+ genommen werden, bei denen die Amplitude A auf die Hälfte des Scheitelwertes (bei f0) abgenommen hat. Die Messgröße X1 entspricht dann der in 8 schraffiert dargestellten Fläche.
Da die empfangene Leistung umgekehrt proportional zur vierten Potenz D⁴ des Objekts ist, wird es im allgemeinen zweckmäßig sein, die Messgröße X1 auf einen Standardabstand zu normieren, indem der Wert des Integrals mit einem Faktor multipliziert wird, der zur vierten Potenz D des für dieses Objekt gemessenen Abstands D⁴ proportional ist.
Ein stehendes Objekt, das ein echtes Hindernis darstellt, beispielsweise ein auf der Fahrbahn stehendes Fahrzeug, wird zu einem relativ ausgeprägten Peak führen, so dass die Messgröße X1 entsprechend groß ist. Ein nicht relevantes Scheinhindernis, etwa ein Kanaldeckel in der Fahrbahn, wird dagegen zu einem nur schwach ausgebildeten Peak führen, wie beispielsweise dem Peak 48 in 8, mit einem entsprechend niedrigen Wert der Messgröße X1. Ein Entscheidungskriterium, ob das Objekt ein echtes Hindernis ist, kann deshalb darin bestehen, dass geprüft wird, ob die Gesamtleistung für dieses Objekt oberhalb oder unterhalb eines bestimmten Schwellenwertes liegt.
Dementsprechend ist die Bewertungsfunktion R1 in 2 eine stufenförmige Funktion, die für niedrige Werte von X1 den Wert 0 hat und bei einem Schwellenwert T1 = 0,4 sprunghaft auf den Wert 1 steigt. Der Funktionswert R1 = 1 bedeutet dann, dass das zugehörige Objekt als echtes Hindernis betrachtet wird.
Die in 3 gezeigte Bewertungsfunktion R2 unterscheidet sich von der Bewertungsfunktion R1 nur dadurch, dass ein anderer Schwellenwert T2 = 0,8 benutzt wird.
Wenn auf die Messgröße X1 die Bewertungsfunktion R1 angewandt wird, so wird statistisch gesehen ein relativ großer Anteil der insgesamt georteten stehenden Objekte als echtes Hindernis bewertet werden, nämlich alle, für die die Messgröße X1 mindestens 0,4 beträgt. Das schließt jedoch die Gefahr ein, dass häufig Fehlwarnungen auftreten, weil auch ein in Wahrheit irrelevantes Objekt fälschlich als echtes Hindernis bewertet wird.
Wenn dagegen die Bewertungsfunktion R2 angewandt wird, ist diese Gefahr geringer, da nur die Objekte als echte Hindernisse gewertet werden, für die X1 mindestens 0,8 beträgt. In diesem Fall besteht jedoch eine erhöhte Gefahr, dass auch echte Hindernisse nicht als echt (R2 = 1) bewertet werden, weil ihre Gesamtleistung noch unter 0,8 liegt. In diesem Fall würde also eine eigentlich angebrachte Kollisionswarnung an den Fahrer unterbleiben, so dass der Nutzen des Systems beeinträchtigt wäre.
Für eine Klasse von Funktionen, die von den gleichen unabhängigen Variablen abhängig sind und die gleiche Funktionsvorschrift haben, nur mit unterschiedlichen Parametern (in diesem Beispiel den Schwellenwerten T1, T2), zeigt 4 eine sogenannte ROC-Kurve 50 (Receiver Operating Characteristic). Diese Kurve stellt für unterschiedliche Werte des Parameters eine Beziehung her zwischen der relativen Häufigkeit Nf der Fehlwarnungen und der relativen Häufigkeit Nw der richtigen Treffer, d.h., der Anzahl der Fälle, in denen ein Objekt zutreffend als echtes Hindernis erkannt wird. Diese Kurve kann für einen gegebenen Radarsensor und eine gegebene Klasse von Bewertungsfunktionen R1, R2 empirisch bestimmt werden, indem die Bewertungsfunktionen für eine Vielzahl von Messsituationen berechnet werden, die die gesamte Bandbreite der im täglichen Straßenverkehr vorkommenden Messsituationen abdecken, und zwar mit einer der Realität möglichst ähnlichen Häufigkeitsverteilung. Beispielsweise können zu diesem Zweck Messfahrten durchgeführt werden, bei denen das Fahrzeug eine gewisse Zeit auf einer Autobahn fährt, eine gewisse Zeit auf einer Landstraße, eine gewisse im Stadtverkehr, gelegentlich auch in einem Tunnel, etc., wobei die Längen der entsprechenden Zeiten sich etwa so verhalten wie in einer typischen "Lebensgeschichte" eines Kraftfahrzeugs. Je nach Wahl des Parameters, hier des Schwellenwertes T1 oder T2, erhält man dann ein anderes Wertepaar (Nf, Nw). In 4 sind die Parameter (die Schwellenwerte 0,8; 0,6; ...) längs der Kurve angegeben. Je höher der Schwellenwert ist, desto kleiner ist die Häufigkeit Nf der Fehlwarnungen, desto kleiner ist jedoch auch die Häufigkeit Nw der echten Treffer. Mit abnehmenden Schwellenwerten nimmt die Häufigkeit Nf der Fehlwarnungen zu, während sich die Häufigkeit Nw der echten Treffer dem Maximalwert von 100% nähert.
Wenn die ROC-Kurve für eine gegebene Klasse von Bewertungsfunktionen für die Gesamtheit aller in Frage kommenden Messsituationen aufgenommen wird, so besteht bei der Auslegung des Systems der einzige Gestaltungsspielraum noch darin, dass ein sinnvoller Wert für den bestimmenden Parameter der Funktionsklasse, in diesem Beispiel also für den Schwellenwert gewählt wird, wobei zwischen den Zielen "Nf möglichst klein" und "Nw möglichst groß" ein Kompromiss gefunden werden muss.
5 und 6 zeigen Beispiele für ROC-Kurven 52, 54, die für unterschiedliche Auswahlen von Messsituationen aufgenommen wurden. In 5 wurden nur Messsituationen berücksichtigt, in denen das Verkehrsumfeld relativ übersichtlich und klar strukturiert ist, d.h., die Anzahl der gleichzeitig georteten Objekte ist gering und die von jedem Objekt empfangenen Signale sind wenig verrauscht und relativ eindeutig, so dass ein eindeutige Bestimmung der entsprechenden Ortungsdaten (Abstand, Relativgeschwindigkeit, Azimutwinkel, Elevationswinkel) mit relativ engen Fehlertoleranzen möglich ist. In diesem Fall ist die Anzahl Nf der Fehlwarnungen gering, auch wenn verhältnismäßig niedrige Schwellenwerte gewählt werden, so dass für eine noch als akzeptabel angesehene Häufigkeit Nfmax von Fehlwarnungen eine relativ große Häufigkeit Nw1 richtiger Treffer und damit ein entsprechend hoher Nutzen erreicht wird.
In 6 wurden dagegen nur Messsituationen berücksichtigt, in denen das Verkehrsumfeld relativ unübersichtlich war (viele Objekte gleichzeitig geortet, Signale stark verrauscht und gestört). In diesen Situationen ist naturgemäß die Fehlerhäufigkeit größer, so dass die ROC-Kurve 54 flacher verläuft und bei dem Schwellenwert 0,8, der die gleiche Häufigkeit Nfmax von Fehlwarnungen liefert, nur eine deutlich geringere Häufigkeit Nw2 an echten Treffern erzielt wird.
Der Grundgedanke der Erfindung besteht nun darin, dass man auch im tatsächlichen Einsatz des Fahrerassistenzsystems zwischen Messsituationen mit niedriger Komplexität und solchen mit hoher Komplexität unterscheidet und je nach Komplexität unterschiedliche Schwellenwerte oder – im allgemeinen Fall – unterschiedliche Sätze von bestimmenden Parametern für die Bewertungsfunktionen wählt.
In 7 ist eine ROC-Kurve 56 gezeigt, die man erhält, wenn man bei der Wahl des Schwellenwertes zwischen verschiedenen Komplexitätsgraden unterscheidet, indem man beispielsweise für die Messsituationen, die in 5 berücksichtigt wurden, den niedrigen Schwellenwert 0,4 wählt, für die Messsituationen, die in 6 berücksichtigt wurden, hingegen den höheren Schwellenwert 0,8. Zum Vergleich zeigt 7 außerdem eine ROC-Kurve 58 für den Fall, dass man nicht zwischen den Komplexitätsgraden unterscheidet und für alle Messsituationen einen einheitlichen Schwellenwert wählt, der gemittelt über alle Messsituationen die gleiche relative Häufigkeit Nfmax an Fehlwarnungen ergibt. Man sieht, dass in diesem Fall nur eine geringere relative Häufigkeit an richtigen Treffern erreicht wird und somit durch die Erfindung (ROC-Kurve 56) der Nutzen des Systems gesteigert wird.
In der Praxis wird man zumeist für die Bewertung der stehenden Objekte nicht nur eine einzige Klasse von Bewertungsfunktionen heranziehen, sondern mehrere Klassen, die von unterschiedlichen Sätzen unabhängiger Variablen abhängig sind, und dann die Ergebnisse der einzelnen Bewertungsfunktionen logisch oder arithmetisch miteinander verknüpfen.
Beispielsweise kann eine Klasse von Bewertungsfunktionen definiert werden, bei denen der Satz unabhängiger Variablen nur eine einzige Messgröße X2 umfasst, die den für das betreffende Objekt gemessene Elevationswinkel angibt. Die Bewertungsfunktionen können dann ähnlich wie in 2 und 3 in einem Schwellenwertvergleich bestehen, jeweils mit anderen Schwellenwerten. Objekte, deren Elevationswinkel positiv oder nur leicht negativ ist, werden dann als echte Hindernisse bewertet werden, während Objekte, deren Elevationswinkel negativ und dem Betrage nach groß ist, als Scheinhindernisse qualifiziert werden, da diese Objekte die Fahrbahnoberfläche nicht hoch überragen und deshalb von dem eigenen Fahrzeug überfahren werden können.
Weitere Beispiele für Bewertungsfunktionen wären Funktionen, die zeitliche Änderungen, beispielsweise Fluktuationen, des Elevationswinkels bewerten und/oder bestimmte Tendenzen in der Änderung des Elevationswinkels als Funktion der Zeit oder des Objektabstands.
Die Bewertungsfunktionen können in all diesen Fällen auch mehrwertige Funktionen sein, die nicht nur zwischen 0 und 1 variieren, sondern auch Zwischenwerte annehmen können. Wenn mit mehreren Klassen von Bewertungsfunktionen gearbeitet wird, kann dann die endgültige Entscheidung, ob das Objekt relevant ist oder nicht, anhand einer gewichteten Summe oder anhand irgendeiner anderen Funktion der Ergebnisse der einzelnen Bewertungsfunktionen getroffen werden. Die einzelnen Bewertungsfunktionen können beispielsweise mehrwertige Funktionen mit mehreren Stufen und entsprechend mehreren Schwellenwerten als Parametern sein. In einer anderen Ausführungsform können die Bewertungsfunktionen auch stetige Funktionen einer oder mehrerer Messgrößen sein, beispielsweise Polynome, wobei dann die Polynomkoeffizienten Parameter sind, die die einzelnen Bewertungsfunktionen derselben Klasse voneinander unterscheiden und in Abhängigkeit von der Komplexität variiert werden. Generell werden dabei die Parameter in Abhängigkeit von der Komplexität so gewählt werden, dass statistisch gesehen die Anzahl der Fälle, in denen ein Objekt als echtes Hindernis bewertet wird, bei niedriger Komplexität größer ist als bei hoher Komplexität.
Im folgenden sollen einige Beispiele für geeignete Definitionen von Komplexitätsindikatoren vorgestellt werden. Dabei lässt sich grundsätzlich unterscheiden zwischen globalen Komplexitätsindikatoren, die sich auf die Messsituation als Ganzes beziehen, und lokalen Komplexitätsindikatoren, die sich auf ein einzelnes geortetes Objekt oder eine Gruppe von georteten Objekten beziehen.
Ein Beispiel für einen globalen Komplexitätsindikator ist die Gesamtzahl der zum gegebenen Zeitpunkt georteten Objekte. Beispielsweise sind in dem in 8 gezeigten Spektrum vier Peaks 42, 44, 46, 48 erkennbar, so dass die Gesamtzahl der georteten Objekte vier betrüge. Da in der Praxis in jedem Messzyklus mehrere Modulationsrampen durchfahren werden, erhält man in jedem Zyklus mehrere Spektren, in denen aufgrund von Störungen die Anzahl der georteten Objekte unterschiedlich sein kann. Es ist daher zweckmäßig die Peaks aller in einem Messzyklus aufgenommenen Spektren zu addieren und im Verhältnis zu einem hinreichend hohen gesetzten Maximalwert zu normieren, so dass man einen Komplexitätsindikator k erhält, der zwischen 0 und 1 variiert.
Ein anderes Beispiel für einen globalen Komplexitätsindikator ist die über alle georteten Objekte gemittelte Winkelgüte. In diesem Zusammenhang ist in 9 das Prinzip der Schätzung des Azimutwinkels illustriert. Gezeigt sind vier Kurven 60, 62, 64, 66, je eine für jede der vier Empfangsantennen 20, die für ein Standardobjekt, das mit einer Standard-Signalstärke unter einem Azimutwinkel φ geortet wird, die Abhängigkeit der Amplitude A (gezeigt ist wieder nur der Betrag der Amplitude, es ist aber auch ein phasenbasiertes Winkelschätzverfahren möglich) vom Azimutwinkel angeben. Aufgrund der unterschiedlichen Richtungsselektivität der Empfangsantennen haben die Kurven ihr Maximum jeweils bei einem anderen Azimutwinkel. Die in den vier Empfangskanälen für ein gegebenes Objekt (Frequenz am Scheitel des Peaks) gemessenen Amplituden sind in 9 durch Kreise 70, 72, 74, 76 symbolisiert, wobei der Kreis 70 zu dem gleichen Empfangskanal gehört wie die Kurve 60, der Kreis 72 zu dem gleichen Kanal wie die Kurve 62, etc.. Die Kreise 70–76 sind auf einer vertikalen Geraden an der Winkelposition dargestellt, bei der die beste Übereinstimmung zwischen den gemessenen Amplituden (symbolisiert durch die Kreise) und den aufgrund der Kurven 60–66 zu erwartenden Amplituden besteht. Im gezeigten Beispiel besteht die beste Übereinstimmung bei Azimutwinkel φ = 7,5°, der somit den Winkelschätzwert für das betreffende Objekt darstellt. Aufgrund unvermeidlicher Störungen ist die Übereinstimmung zwischen den gemessenen Werten und den theoretischen Werten jedoch nicht exakt. Die Abweichung zwischen den gemessenen Werten und den durch die Kurven angegebenen Werten (beispielsweise die mittlere quadratische Abweichung) ist ein Maß für die Winkelgüte, also für die Qualität der Winkelmessung. Je höher die Winkelgüte für ein gegebenes Objekt ist, desto verlässlicher ist die Winkelschätzung. Zugleich ist die Winkelgüte jedoch auch ein Maß dafür, wie stark das Radarecho von dem betreffenden Objekt verrauscht oder gestört ist.
Wenn man nun die Winkelgüten über alle georteten Objekte mittelt, so erhält man einen globalen Indikator, der als Maß für die allgemeine Qualität und Verlässlichkeit der Ortungsdaten zu dem gegebenen Zeitpunkt angesehen werden kann.
Es ist zweckmäßig, einen globalen Komplexitätsindikator zu bilden, der eine gewichtete Summe aus einem von der Objektanzahl abhängigen Komplexitätsindikator k_a und einem von der globalen Winkelgüte abhängigen Komplexitätsindikator k_w ist. k = a·k_a + b·k_w wobei k_a und k_w jeweils im Intervall [0, 1] variieren können und die positiven Koeffizienten a und b so gewählt sind, dass auch die Summe im Intervall [0, 1] variiert.
Im Gegensatz zu globalen Komplexitätsindikatoren beziehen sich lokale Komplexitätsindikatoren nur auf ein einzelnes Objekt oder eine Gruppe nahe benachbarter Objekte. Ein Beispiel für einen lokalen Komplexitätsindikator ist etwa die Breite des zu dem betreffenden Objekt gehörenden Peaks im Spektrum bzw. der Peaks in den mehreren Spektren, die auf unterschiedlichen Rampen in dem selben Messzyklus erhalten wurden. Als Maß für die Breite des Peaks könnte etwa der Abstand zwischen f– und f+ in 8 genommen werden, vorzugsweise normiert auf die Gesamtleistung des Peaks. Während ein schmaler Peak auf ein unverrauschtes Objekt mit gut definiertem Abstand und gut definierter Relativgeschwindigkeit hindeutet, kann ein breiterer Peak darauf zurückzuführen sein, dass das Signal stärker verrauscht oder gestört ist oder dass sich Peaks von mehreren Reflexionszentren überlagern. Einem breiteren Peak wird deshalb ein höherer Komplexitätsindikator zugeordnet.
Es sind auch Verfahren bekannt, die speziell darauf abzielen, Peaküberlagerungen im Spektrum zu erkennen. Beispiele werden in EP 2 182 380 B1 beschrieben. Wenn für den Peak, der zu dem betrachteten Objekt gehört, eine solche Peaküberlagerung erkannt wird, so wird dem Objekt ein hoher lokaler Komplexitätsindikator zugeordnet.
Ein anderes Beispiel für einen lokalen Komplexitätsindikator ist die Peakdichte im Spektrum, d.h., die Anzahl der Peaks, die in einem bestimmten Frequenzintervall in der Umgebung des zu dem betreffenden Objekt gehörenden Peaks gefunden werden. In diesem Fall bedeutet eine höhere Peakdichte auch eine größere Komplexität. Ein verwandter Komplexitätsindikator ist die Ortungsdichte im D-V-Raum, beispielsweise die Anzahl der georteten Objekte, deren Abstand D um weniger als beispielsweise 5 m von dem für das betrachtete Objekt gemessenen Abstand abweicht und deren Relativgeschwindigkeit V um weniger als beispielsweise 1 m/s von der Relativgeschwindigkeit des betrachteten Objekts abweicht. Im Unterschied zu der oben diskutierten Peakdichte werden hier nur Ortungen berücksichtigt, die eindeutig einem realen Objekt zugeordnet werden können, also Ortungen, bei denen sich die Geraden im DV-Diagramm im wesentlichen in einem Punkt schneiden.
Eine andere Gruppe von lokalen Komplexitätsindikatoren bezieht sich auf die Qualität der Winkelmessung im Azimut und/oder in Elevation. Dabei besteht eine gewisse Korrelation zwischen Peaküberlagerungen und der Qualität der Winkelmessung in dem Sinne, dass bei festgestellten Peaküberlagerungen die Winkelmessungen in der Regel unbrauchbar sind. Die Komplexitätsindikatoren, die sich auf die Winkelmessung beziehen, sollten deshalb vorzugsweise nur angewandt werden, wenn keine Peaküberlagerung festgestellt wurde.
Wenn für das betreffende Objekt bei der Bestimmung des Azimutwinkels nach dem in 9 illustrierten Verfahren eine hohe Winkelgüte festgestellt wird, so wird dem Objekt ein niedriger Komplexitätsindikator zugeordnet, und bei zunehmend schlechterer Winkelgüte wird der Komplexitätsindikator größer. Entsprechend kann auch ein Komplexitätsindikator gebildet werden, der von der Qualität der Messung des Elevationswinkels abhängig ist.
Da zur Messung des Elevationswinkels zwei Rampen benutzt werden, in denen einmal mit der Sendeantenne 16 und einmal mit der Sendeantenne 18 (1) gesendet wird, besteht zudem die Möglichkeit, die Messung des Azimutwinkels auf beiden Rampen auszuführen, so dass man für dasselbe Objekt zwei Azimutwinkelmessungen erhält, jeweils mit ihrer eigenen Winkelgüte. In dem Fall kann man zur Bildung des Komplexitätsindikators zum einen die beiden Winkelgüten für den Azimut miteinander kombinieren und diese zusätzlich mit der Qualität der Messung des Elevationswinkels kombinieren. Außerdem kann die Diskrepanz zwischen den beiden Messungen des Azimutwinkels (mit der Antenne 16 und der Antenne 18) zu einer zusätzlichen Erhöhung des Komplexitätsindikators führen.
Die globalen und lokalen Komplexitätsindikatoren können schließlich zu einem Gesamt-Komplexitätsindikator kombiniert werden, der dann die Auswahl der Parameter für die Bewertungsfunktionen bestimmt. Es ist jedoch auch möglich, für jede Klasse von Bewertungsfunktionen einen eigenen Komplexitätsindikator zu definieren, der dann vor allem von den Größen abhängig ist, die auch die unabhängigen Variablen in den Bewertungsfunktionen Klassen.
In 10 sind drei Gruppen von Bewertungsfunktionen R_k1(X1), R_k2(X2) und R_k3(X3) dargestellt, die jeweils eine andere Messgröße X1, X2 bzw. X3 als unabhängige Variable haben (wobei die Symbole X1, X2 und X3 ggf. auch jeweils für einen Satz aus mehreren Messgrößen stehen können). Jede Klasse von Bewertungsfunktionen umfasst mehrere Funktionen, die sich in der Wahl der Parameter unterscheiden. Diese Wahl der Parameter ist von dem jeweiligen Komplexitätsindikator k1, k2 bzw. k3 abhängig, wobei für jede Klasse von Bewertungsfunktionen ein anders definierter Komplexitätsindikator benutzt werden kann. So steht beispielsweise das Symbol R_k1 in 10 für unterschiedliche Bewertungsfunktionen, die für jeden Wert des Komplexitätsindikators k1 durch einen anderen Satz von Parametern definiert sind.
In diesem Beispiel erhält man somit zunächst drei verschiedene Ergebnisse, die angeben, sei es in der Form einer Ja/Nein-Aussage oder in der Form einer Wahrscheinlichkeit, ob das betreffende Objekt ein echtes Hindernis ist oder nicht. Um eine endgültige Entscheidung zu treffen, wird dann eine Funktion R (R_k1, R_k2, R_k3) berechnet, die von den werten der Funktionen R_k1(X1), R_k2(X2) und R_k3(X3) abhängig ist und entweder den Wert 1 (relevantes Hindernis) oder den Wert 0 (kein relevantes Hindernis) hat.
Auch die Komplexitätsindikatoren können in einer hierarchischen Struktur miteinander kombiniert werden, um einen Gesamt-Komplexitätsindikator zu bilden, sei es für alle Bewertungsfunktionen gemeinsam oder jeweils nur für eine einzelne Bewertungsfunktion. Als Beispiel illustriert 11 die Bildung eines Gesamt-Komplexitätsindikators k1 für die Bewertungsfunktionen R_k1 in 10. In diesem Beispiel werden zunächst fünf Zwischenindikatoren Z1–Z5 gebildet, die jeweils von bis zu fünf unabhängigen Variablen X_k1, X_k2, X_k3, X_k4, X_k5 abhängig sein können, die von den Ortungsdaten im jeweiligen Messzyklus abgeleitet sind (der Index k symbolisiert hier lediglich, dass die betreffenden Variablen zur Berechnung von Komplexitätsindikatoren dienen und nicht zur Berechnung von Bewertungsfunktionen. Bei diesen Variablen X_k1–X_k5 kann es sich um eine Auswahl der Messgrößen (Xi) handeln, die oben im Zusammenhang mit den verschiedenen Beispielen für Komplexitätsindikatoren benannt wurden, also beispielsweise die Anzahl der Objekte (für einen globalen Komplexitätsindikator), die Gesamt-Winkelgüte gemittelt über alle Objekte, und die Variablen, die in die lokalen Komplexitätsindikatoren einfließen, also beispielsweise die Peakdichte, Peakbreite, Winkelgüte im Azimut, Winkelgüte in Elevation und Diskrepanz zwischen den beiden Azimutwinkelmessungen. Jeder der Zwischenindikatoren Z1–Z5 ist von mindestens einer dieser Variablen abhängig, kann jedoch auch von mehreren dieser Variablen abhängig sein. Jeder der Zwischenindikatoren Z1–Z5 kann dabei eine gewichtete Summe oder ein Polynom der Variablen X_ki (i = 1–5) sein und so definiert sein, dass die Werte des Zwischenindikators jeweils im Intervall [0, 1] liegen. Aus den so erhaltenen Zwischenindikatoren Z1–Z5 wird dann durch eine weitere Funktionsvorschrift, z.B. für eine gewichtete Summe oder für ein Polynom, der endgültige Komplexitätsindikator k1 gebildet. Entsprechend werden auch die Komplexitätsindikatoren k2, k3 für die Bewertungsfunktionen R_k2, R_k3 gebildet, jeweils mit anderen Funktionsvorschriften und anderen Auswahlen von unabhängigen Variablen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

EP 2182380 B1 [0060]

Claims

Verfahren zur Bewertung von Hindernissen anhand von Ortungsdaten eines Radarsensors (10) in einem Fahrerassistenzsystem für Kraftfahrzeuge, bei dem mindestens eine Bewertungsfunktion (R1, R2; R_k1, R_k2, R_k3) berechnet wird, die abhängig von einem Satz von Messgrößen (X1, X2, X3), die sich auf ein potentielles Hindernis beziehen, angibt, ob das potentielle Hindernis als echtes Hindernis zu bewerten ist, dadurch gekennzeichnet, dass anhand der Ortungsdaten ein Komplexitätsindikator (k; k1, k2, k3) gebildet wird, der die Komplexität einer aktuellen Messsituation angibt, und dass für denselben Satz von Messgrößen (X1; X2; X3) mindestens zwei verschiedene Bewertungsfunktionen (R1, R2; R_k1, R_k2, R_k3) definiert sind und in Abhängigkeit von dem Komplexitätsindikator entschieden wird, welche der Bewertungsfunktionen in der aktuellen Messsituation angewandt wird.
Verfahren nach Anspruch 1, bei dem mehrere Klassen von Bewertungsfunktionen (R_k1, R_k2, R_k3) definiert sind, aus denen in jeder Messsituation jeweils eine Bewertungsfunktion in Abhängigkeit vom Wert des Komplexitätsindikators ausgewählt wird, und die Ergebnisse der ausgewählten Bewertungsfunktionen dann zu einem Gesamtergebnis kombiniert werden.
Verfahren nach Anspruch 2, bei dem für jede Klasse von Bewertungsfunktionen ein eigener Komplexitätsindikator (k1, k2, k3) definiert ist.
Verfahren nach einem der vorstehenden Ansprüche, bei dem mehrere Bewertungsfunktionen von einer Messgröße (X1) abhängig sind, die die Signalstärke des von einem georteten Objekt empfangenen Radarechos angibt.
Verfahren nach einem der vorstehenden Ansprüche, bei dem mehrere Bewertungsfunktionen e von einer Messgröße (X2) abhängig sind, die einen Elevationswinkel des georteten Objektes angibt.
Verfahren nach einem der vorstehenden Ansprüche, bei dem mehrere Bewertungsfunktionen von einer Messgröße (X3) abhängig sind, die eine Änderung des für das Objekt gemessenen Elevationswinkels angibt.
Verfahren nach einem der vorstehenden Ansprüche, bei dem ein globaler Komplexitätsindikator (k) gebildet wird, der von der Anzahl der in der aktuellen Messsituation georteten Objekte und/oder von der mittleren Qualität der Winkelmessungen für alle in dieser Messsituation georteten Objekte abhängig ist.
Verfahren nach einem der vorstehenden Ansprüche, bei dem mindestens ein lokaler Komplexitätsindikator gebildet wird, der sich auf ein einzelnes geortetes Objekt bezieht und von einer Objektdichte in der Umgebung dieses Objekts abhängig ist.
Verfahren nach einem der vorstehenden Ansprüche, für einen FMCW-Radarsensor, bei dem mindestens ein lokaler Komplexitätsindikator gebildet wird, der sich auf einzelnes geortetes Objekt bezieht und angibt, ob an der diesem Objekt zugeordneten Stelle im Frequenzspektrum des empfangenen Signals eine Überlagerung von Radarechos feststellbar ist, die von verschiedenen Objekten stammen.
Verfahren nach einem der vorstehenden Ansprüche, für einen winkelauflösenden Radarsensor, bei dem mindestens ein lokaler Komplexitätsindikator gebildet wird, der sich auf ein einzelnes geortetes Objekt bezieht und die Qualität einer Winkelmessung für dieses Objekt angibt.
Verfahren nach einem der vorstehenden Ansprüche, bei dem mindestens ein Komplexitätsindikator (k1) gebildet wird, der von mehreren Zwischenindikatoren (Z1–Z5) abhängig ist, die ihrerseits in unterschiedlicher Weise von jeweils einer Auswahl von aus den Ortungsdaten abgeleiteten Variablen (X_k1, X_k2, X_k3, X_k4, X_k5) abhängig sind.
Fahrerassistenzsystem für Kraftfahrzeuge, in dem ein Verfahren nach einem der vorstehenden Ansprüche implementiert ist.