-
Gebiet der Erfindung
-
Die Erfindung betrifft ein Verfahren und ein System zum Bestimmen eines Umgebungszustands eines Fahrzeugs.
-
Hintergrund der Erfindung
-
Fahrassistenzsysteme verwenden Sensordaten von im Fahrzeug installierten Sensoren, um die Umgebung des Fahrzeugs zu überwachen und daraus Informationen für das Steuern des Fahrzeugs zu gewinnen. Häufig verwenden Fahrerassistenz-Systeme dazu Modell-basierte Verfahren, um eine gute physikalische Nachvollziehbarkeit und somit eine einfache Bewertung aus Sicherheitssicht zu ermöglichen. Fahrerassistenzsysteme werden immer komplexer und stellen immer höhere Anforderungen an die zur Verfügung stehende Rechenleistung. Daher wird versucht, die Modell-basierten Verfahren durch Daten-basierte bzw. Lern-basierte Verfahren zu ersetzen. Ein Beispiel hierfür wäre der Einsatz eines Verfahrens, das auf einem „deep convolution neural network“ basiert.
-
Obgleich solche „deep learning“-Verfahren teilweise exzellente Ergebnisse erzielen, ist die Sicherstellung der beabsichtigten Funktion allerdings nicht immer einfach. Dabei muss die korrekte Einschätzung einer Situation, das korrekte Fahrzeug-Verhalten und die Robustheit der Funktion gegenüber Sensor-Rauschen oder unbekannten Objekten validiert und sichergestellt werden.
-
Eine weitere Herausforderung im Zusammenhang mit auf neuronalen Netzen beruhenden Verfahren kann darauf beruhen, dass die erste Eingabe-Schicht eines neuronalen Netzes in der Regel keine ungültigen Werte erhalten darf. Bei Merkmalen, die aus Radar-Daten berechnet werden, gilt diese Bedingung leider nicht immer. Beispielsweise können gewisse Eigenschaften wie die Elevation nicht für alle Objekt-Winkel zuverlässig berechnet werden.
-
Zusammenfassung der Erfindung
-
Es ist Aufgabe der Erfindung, die Korrektheit der Ausgabe als auch die Robustheit eines Systems zum Bestimmen eines Umgebungszustands eines Fahrzeugs zu verbessern.
-
Diese Aufgabe wird durch den Gegenstand der unabhängigen Ansprüche gelöst. Weitere Ausführungsformen der Erfindung ergeben sich aus den abhängigen Ansprüchen und aus der folgenden Beschreibung.
-
Ein Aspekt der Erfindung betrifft ein Verfahren zum Bestimmen eines Umgebungszustands eines Fahrzeugs. Das Verfahren kann von einem System des Fahrzeugs automatisch ausgeführt werden, das beispielsweise Teil eines Fahrerassistenzsystems des Fahrzeugs ist. Beispielsweise kann das System ein entsprechendes Computerprogramm ausführen. Das Fahrzeug kann ein Straßenfahrzeug sein, wie etwa ein Pkw, Lkw, Motorrad oder Bus.
Das Fahrzeug kann ein Schienenfahrzeug sein, wie etwa eine Straßenbahn.
-
Der Umgebungszustand des Fahrzeugs kann das Vorhandensein von Objekten in der Umgebung, wie etwa anderen Fahrzeugen, Hindernissen, der Straße, usw. und/oder Situationen, wie etwa Kollisionsgefahr, beschreiben. In einem Fall kann der Umgebungszustand eine Situation, wie etwa „Hindernis“, beschreiben und diese mit einer oder mehreren Wahrscheinlichkeiten erfassen. Der Umgebungszustand kann durch das Vorhandensein und/oder Nicht-Vorhandensein einer Objektklasse angegeben werden.
-
Gemäß einer Ausführungsform der Erfindung umfasst das Verfahren: Empfangen von Sensordaten von wenigstens einem Umgebungssensor des Fahrzeugs; Einspeisen wenigstens eines ersten Teils der Sensordaten in wenigstens einen ersten Klassifikator; Erzeugen einer Zwischen-Wahrscheinlichkeit durch den ersten Klassifikator aus dem ersten Teil der Sensordaten; Einspeisen wenigstens eines zweiten Teils der Sensordaten und der wenigstens einen Zwischen-Wahrscheinlichkeit in einen zweiten Klassifikator; und Erzeugen einer End-Wahrscheinlichkeit für den Umgebungszustand durch den zweiten Klassifikator aus dem zweiten Teil der Sensordaten und der wenigstens einen Zwischen-Wahrscheinlichkeit.
-
Zusammengefasst kann das Verfahren von zwei Blöcken ausgeführt werden, wobei der erste Block einen oder mehrere erste Klassifikatoren und der zweite Block einen zweiten Klassifikator umfasst. In beide der Blöcke wird jeweils wenigstens ein Teil der Sensordaten eingespeist. Beide Blöcke berechnen daraus je Klassifikator wenigstens eine Wahrscheinlichkeit. Dabei werden die Ausgaben, d.h. die Wahrscheinlichkeiten, aus dem ersten Block zusätzlich als Eingabe für den zweiten Block verwendet. Dies kann die Korrektheit als auch die Robustheit des Gesamtverfahrens erhöhen.
-
Ein Klassifikator kann dabei ein Modul und/oder eine Softwarekomponente sein, die basierend auf Eingabewerten, wie etwa den betreffenden Teil der Sensordaten, eine oder mehrere Wahrscheinlichkeiten für einen Umgebungszustand bzw. eine Objektklasse berechnet.
-
Der oder die ersten Klassifikatoren aus dem ersten Block können dabei spezifische Klassifikatoren sein, die spezifischere Umgebungszustände als der zweite Klassifikator bestimmen. Der zweite Klassifikator aus dem zweiten Block kann daher als allgemeinerer Klassifikator angesehen werden. Die von den Klassifikatoren aus dem ersten Block erzeugten Wahrscheinlichkeiten können als Zwischen-Wahrscheinlichkeiten oder spezifische Wahrscheinlichkeiten bezeichnet werden. Die von dem Klassifikator aus dem zweiten Block erzeugten Wahrscheinlichkeiten können als End-Wahrscheinlichkeiten oder allgemeine Wahrscheinlichkeiten bezeichnet werden.
-
Beispielsweise kann der erste Block mehrere Klassifikatoren umfassen, die für das Vorhandensein eines „Lkws“, „Pkws“, „Motorrades“, „Fußgängers“ etc. vor dem Fahrzeug eine Zwischen-Wahrscheinlichkeit erzeugen. Der zweite Klassifikator kann hingegen die Wahrscheinlichkeit für ein „Hindernis“ vor dem Fahrzeug als End-Wahrscheinlichkeit ausgeben. Hierbei ist anzumerken, dass das Verfahren auch für die Klassifikation von anderen Situationen oder anderen sicherheitsrelevanten Aufgaben eines Fahrerassistenzsystems verwendet werden kann.
-
Durch dieses Vorgehen, d.h. dem Eingeben der Wahrscheinlichkeiten aus dem ersten Block in den zweiten Block zusätzlich zu den Sensordaten, kann die Robustheit des Verfahrens erhöht werden, da das oder die spezifischeren Ergebnisse aus dem ersten Block konsistent mit der Eingabe der Sensordaten in den zweiten Block sein muss.
-
Weiter können der erste Block und der zweite Block auf unterschiedlichen Prozessoren ausgeführt werden, was die Redundanz bzw. Ausfallsicherheit erhöhen kann. Weiter können die Zwischen-Wahrscheinlichkeiten aus dem ersten Block als Eingaben für andere Funktionen verwendet werden. Die Klassifikatoren aus dem ersten Block können redundant in anderen Funktionen eingesetzt werden.
-
Der Umgebungssensor kann beispielsweise ein Radarsystem, ein Lasersystem, ein Ultraschallsystem und/oder eine Kamera sein. Die Sensordaten können somit Radardaten und/oder Bilddaten und/oder Lidardaten und/oder Ultraschalldaten umfassen.
-
Gemäß einer Ausführungsform der Erfindung umfasst das Verfahren weiter: Einspeisen wenigstens eines Teils der Sensordaten in eine Mehrzahl von ersten Klassifikatoren; Erzeugen einer Zwischen-Wahrscheinlichkeit durch jeden der ersten Klassifikatoren aus dem zweiten Teil der Sensordaten; und Einspeisen der Zwischen-Wahrscheinlichkeiten in den zweiten Klassifikator. Wie bereits erwähnt kann der erste Block mehr als einen Klassifikator umfassen. Die Klassifikatoren aus dem ersten Block können spezifische Umgebungszustände klassifizieren, die jeweils Informationen über den allgemeinen Umgebungszustand enthalten, der von dem Klassifikator aus dem zweiten Block klassifiziert wird.
-
Gemäß einer Ausführungsform der Erfindung bestimmen der erste Klassifikator und der zweite Klassifikator die zugehörige Wahrscheinlichkeit mit unterschiedlichen Klassifikationsverfahren. Auch können mehrere erste Klassifikatoren auf unterschiedlichen Klassifikationsverfahren beruhen. Insgesamt können die Klassifikatoren unterschiedlich sein, sowohl zwischen den Blöcken als auch innerhalb der Blöcke. Unter einem Klassifikationsverfahren kann dabei der Algorithmus verstanden werden, mit dem die Eingabedaten bzw. die Sensordaten ausgewertet werden.
-
Dabei kann sein, dass zwei Klassifikatoren mit unterschiedlichen Trainingsdaten trainiert bzw. mit unterschiedlichen Modelldaten versorgt worden sind, aber mit dem gleichen Algorithmus arbeiten. In diesem Fall arbeiten die Klassifikatoren mit dem gleichen Klassifikationsverfahren.
-
Gemäß einer Ausführungsform der Erfindung beruhen der erste Klassifikator und/oder der zweite Klassifikator auf einem Lern-basierten Klassifikationsverfahren, das mit bereits klassifizierten Trainingsdaten automatisch trainiert wurde. Lern-basierte Klassifikationsverfahren können beispielsweise auf neuronalen Netzwerken beruhende oder auf statistische Auswertungen beruhende Verfahren sein. Ein Beispiel hierfür wäre ein Deep-Learning-Verfahren.
-
Gemäß einer Ausführungsform der Erfindung beruhen der erste Klassifikator und/oder der zweite Klassifikator auf einem Modell-basierten Klassifikationsverfahren, das ein Modell enthält, das basierend auf bereits klassifizierten Trainingsdaten modelliert wurde. Bei einem Modell-basierten Verfahren kann das Modell manuell, d.h. von einem Menschen, modelliert worden sein.
-
Beispielsweise können der oder die ersten Klassifikatoren (oder manche dieser ersten Klassifikatoren) aus dem ersten Block auf einem Modell-basierten Verfahren beruhen. Der zweite Klassifikator aus dem zweiten Block kann auf einem Lern-basierten Verfahren beruhen. Es ist aber auch möglich, dass sowohl der oder die ersten Klassifikatoren als auch der zweite Klassifikator auf dem gleichen Verfahren beruhen, wie etwa einem Lern-basierten Verfahren, beispielsweise einem Deep-Learning-Verfahren.
-
Gemäß einer Ausführungsform der Erfindung umfasst das Verfahren weiter: Bestimmen eines ersten Merkmalsvektors aus den Sensordaten für den ersten Klassifikator, wobei der erste Klassifikator aus dem ersten Merkmalsvektor die Zwischen-Wahrscheinlichkeit bestimmt. Auch für mehrere Klassifikatoren aus dem ersten Block kann jeweils ein Merkmalsvektor bestimmt werden. Der Merkmalsvektor kann als in einer speziellen Weise verdichtete Sensordaten aufgefasst werden. Das Verfahren des Klassifikators muss damit nicht auf allen Sensordaten ausgeführt werden, sondern nur auf dem Merkmalsvektor, der wesentlich kürzer oder länger sein kann als die Sensordaten für den Klassifikator.
-
Gemäß einer Ausführungsform der Erfindung umfasst das Verfahren weiter: Bestimmen eines zweiten Merkmalsvektors aus den Sensordaten für den zweiten Klassifikator, wobei der zweite Klassifikator aus dem zweiten Merkmalsvektor die End-Wahrscheinlichkeit bestimmt. Auch die Sensordaten des zweiten Klassifikators können auf diese Weise verdichtet werden.
-
Beispielsweise kann jeder Klassifikator (ein erster und/oder ein zweiter Klassifikator) ein Eingabemodul aufweisen, das den Merkmalsvektor aus dem betreffenden Teil der Sensordaten erzeugt.
-
Gemäß einer Ausführungsform der Erfindung sind der erste Merkmalsvektor und der zweite Merkmalsvektor unterschiedlich. Es ist möglich, dass ein Merkmalsvektor für einen ersten Klassifikator anders erzeugt wird und/oder aus anderen Sensordaten erzeugt wird als der für den zweiten Klassifikator. Das Verwenden unterschiedlicher Merkmalsvektoren kann die Robustheit und/oder die Leistungsfähigkeit des Verfahrens erhöhen.
-
Gemäß einer Ausführungsform der Erfindung werden für mehrere erste Klassifikatoren jeweils Merkmalsvektoren aus den Sensordaten erzeugt. Dabei kann auch sein, dass die Merkmalsvektoren für mehrere erste Klassifikatoren unterschiedlich sind. Beispielsweise kann ein Klassifikator für „Fußgänger“ einen Merkmalsvektor erhalten, der zusätzlich Informationen über Mikro-Doppler-Eigenschaften von Radardaten enthält (Fußgänger weisen in der Regel hohe Mikro-Doppler-Echos auf, was durch Bewegungen der Gliedmaßen verursacht wird). Ein Klassifikator für ein Fahrzeug, wie etwa „Pkw“, „Lkw“ usw. kann einen Merkmalsvektor erhalten, der diese Mikro-Doppler-Eigenschaften nicht enthält. Bei Fahrzeugen sind solche Eigenschaften schwächer ausgeprägt und weniger relevant und die Klassifikation kann somit ohne diese erfolgen.
-
Gemäß einer Ausführungsform der Erfindung unterscheidet sich der durch den wenigstens einen ersten Klassifikator verwendete erste Teil der Sensordaten von dem zweiten Teil der Sensordaten, der von dem zweiten Klassifikator verwendet wird. Weiter kann die Robustheit des Verfahrens dadurch erhöht werden, dass bestimmte Sensordaten nur einem der Blöcke zur Verfügung gestellt werden.
-
Gemäß einer Ausführungsform der Erfindung sind der erste Teil und der zweite Teil voneinander unabhängige Teile der Sensordaten. Es kann sein, dass die Sensordaten aufgeteilt werden und die Sensordaten, die dem ersten Block bzw. den ersten Klassifikatoren zur Verfügung gestellt werden, nicht in den zweiten Klassifikator eingegeben werden, und umgekehrt. Mit anderen Worten können der erste Teil der Sensordaten und der zweite Teil der Sensordaten unabhängige Datenquellen sein. Beispielsweise können der erste Teil der Sensordaten aus einem ersten Sensor stammen und der zweite Teil der Sensordaten aus einem zweiten Sensor stammen.
-
Weiter ist möglich, dass, wenn der erste oder manche der ersten Klassifikatoren und der zweite Klassifikator auf Lern-basierten Verfahren beruhen, die Lern-basierten Verfahren auf unabhängigen Daten trainiert werden. Dies kann die Korrektheit des Verfahrens verbessern.
-
Gemäß einer Ausführungsform der Erfindung sind der erste Klassifikator und/oder der zweite Klassifikator jeweils aus wenigstens einem ersten Subklassifikator und einem zweiten Subklassifikator aufgebaut, wobei eine von dem wenigstens einen ersten Subklassifikator erzeugte Wahrscheinlichkeit in den zweiten Subklassifikator eingespeist wird. Mit anderen Worten kann einer oder mehrere der Klassifikatoren wie das System aus dem einen oder mehreren ersten Klassifikatoren und dem zweiten Klassifikator aufgebaut sein bzw. einen ersten Block und einen zweiten Block aufweisen, wobei die Ausgaben des ersten Blocks in den zweiten Block eingespeist werden. Ein Subklassifikator kann ein Klassifikator sein, der Bestandteil eines übergeordneten Klassifikators ist.
-
Gemäß einer Ausführungsform der Erfindung erzeugt der wenigstens eine erste Klassifikator mehr als eine Zwischen-Wahrscheinlichkeit. Beispielsweise kann ein erster Klassifikator eine Wahrscheinlichkeit für das Vorhandensein des zu klassifizierenden Umgebungszustands und eine Wahrscheinlichkeit für das Nicht-Vorhandensein des zu klassifizierenden Umgebungszustands ausgeben.
-
Gemäß einer Ausführungsform der Erfindung erzeugt der zweite Klassifikator eine erste End-Wahrscheinlichkeit, ob der Umgebungszustand vorhanden ist. Im Allgemeinen können Wahrscheinlichkeiten mit einem Wert zwischen 0 und 1 angegeben werden.
-
Gemäß einer Ausführungsform der Erfindung erzeugt der zweite Klassifikator eine zweite End-Wahrscheinlichkeit, ob der Umgebungszustand nicht vorhanden ist. Im Allgemeinen kann der zweite Klassifikator ein, zwei drei oder mehr End-Wahrscheinlichkeiten als Ausgangssignale erzeugen.
-
Gemäß einer Ausführungsform der Erfindung erzeugt der zweite Klassifikator eine dritte End-Wahrscheinlichkeit, ob die Sensordaten klassifizierbar sind. Es ist möglich, dass die dritte End-Wahrscheinlichkeit zusammen mit der ersten End-Wahrscheinlichkeit und/oder der zweiten End-Wahrscheinlichkeit erzeugt bzw. ausgegeben wird. Das Erzeugen und/oder die Ausgabe der dritten End-Wahrscheinlichkeit ist insbesondere dadurch möglich, dass die Zwischen-Wahrscheinlichkeiten aus dem ersten Block zusätzlich in den zweiten Klassifikator eingegeben werden.
-
Beispielsweise kann ein zweiter Klassifikator für Hindernisse als Umgebungszustand neben den Klassen „Hindernis“ und „Nicht-Hindernis“ auch die Klasse „Unbekannt“ bzw. Wahrscheinlichkeiten für diese Klassen ausgeben.
-
Durch die dritte End-Wahrscheinlichkeit wird die Robustheit erhöht, denn bei starken Sensordaten-Veränderungen können die berechneten Merkmale stark von den Trainingsdaten abweichen. Dasselbe kann auch für Objekte und/oder Situationen gelten, die im Training nicht enthalten waren.
-
Gemäß einer Ausführungsform der Erfindung umfasst das Verfahren weiter: Ausgabe der End-Wahrscheinlichkeit an ein Steuersystem des Fahrzeugs und Steuern des Fahrzeugs basierend auf der End-Wahrscheinlichkeit. Beispielsweise kann das Fahrzeug autonom zu bremsen beginnen, wenn ein Hindernis vor dem Fahrzeug erkannt wurde.
-
Ein weiterer Aspekt der Erfindung betrifft ein System zum Bestimmen eines Umgebungszustands eines Fahrzeugs. Das System kann das Verfahren, so wie oben stehend und unten stehend beschrieben, ausführen.
-
Das System umfasst wenigstens einen ersten Klassifikator zum Empfangen wenigstens eines ersten Teils von Sensordaten des Fahrzeugs und zum Erzeugen einer Zwischen-Wahrscheinlichkeit aus den empfangenen Sensordaten, und wenigstens einen zweiten Klassifikator zum Empfangen wenigstens eines zweiten Teils von Sensordaten des Fahrzeugs und zum Erzeugen einer End-Wahrscheinlichkeit über den Umgebungszustand aus den empfangenen Sensordaten und der wenigstens einen Zwischen-Wahrscheinlichkeit.
-
Weiter kann das System einen oder mehrere Sensoren umfassen, die die Sensordaten erzeugen. Auch kann das System ein Steuersystem umfassen, in das die End-Wahrscheinlichkeit(en) eingebeben werden und das das Fahrzeug basierend auf dieser oder diesen Wahrscheinlichkeiten steuert.
-
Es ist zu verstehen, dass Merkmale des Verfahrens, so wie oben stehend und unten stehend beschrieben, auch Merkmale des Systems sein können und umgekehrt.
-
Figurenliste
-
Im Folgenden werden Ausführungsbeispiele der Erfindung mit Bezug auf die beiliegenden Figuren detailliert beschrieben.
- 1 zeigt schematisch ein Fahrzeug mit einem Klassifikationssystem gemäß einer Ausführungsform der Erfindung.
- 2 zeigt schematisch ein Klassifikationssystem gemäß einer Ausführungsform der Erfindung.
- 3 zeigt schematisch einen Ausschnitt aus einem Klassifikationssystem gemäß einer Ausführungsform der Erfindung.
-
Grundsätzlich sind identische oder ähnliche Teile mit den gleichen Bezugszeichen versehen.
-
Detaillierte Beschreibung von Ausführungsbeispielen
-
1 zeigt ein Fahrzeug 10 mit einem System 12, das einen oder mehrere Sensoren 14, ein Fahrassistenzsystem 16 und ein Bremssystem 18 umfasst. Der oder die Sensoren 14 können einen Radarsensor und/oder eine Kamera und/oder einen Lidarsensor und/oder einen Ultraschallsensor umfassen. Das Fahrassistenzsystem 16 erhält von dem oder den Sensoren 14 Sensordaten 20, wertet diese aus und leitet mittels des Bremssystems 18 automatisch eine Bremsung ein, wenn die Sensordaten 20 beispielsweise auf ein Hindernis vor dem Fahrzeug 10 hindeuten.
-
2 zeigt das System 12 und insbesondere die für das hierein beschriebene Verfahren relevanten Komponenten des Fahrassistenzsystems 16 detaillierter.
-
Das System 16 umfasst einen ersten Block 22 mit einer Mehrzahl von ersten Klassifikatoren 24 und einen zweiten Block 26 mit einem zweiten Klassifikator 28. Es ist möglich, dass der Block 22 lediglich einen ersten Klassifikator 24 und der zweite Block 26 mehrere zweite Klassifikatoren 28 umfasst. Die Klassifikatoren 24, 28 können auf Lern-basierten und/oder Modell-basierten Verfahren beruhen, wie weiter oben beschrieben.
-
Ein erster Teil 20a der Sensordaten 20 wird in den ersten Block 22 eingespeist. Ein zweiter Teil 20b der Sensordaten 20 wird in den zweiten Block 26 eingespeist. Die Teile 20a, 20b der Sensordaten 20 können sich zumindest teilweise voneinander unterscheiden. Es ist auch möglich, dass die Teile 20a, 20b unabhängig voneinander sind, d.h. sich nicht überlappen. Beispielsweise können die Teile 20a und 20b aus unterschiedlichen Sensoren 4 stammen. Für eine erhöhte Robustheit und konsistente Klassifikations-Ergebnisse können die Klassifikatoren aus dem ersten Block 22 und die Klassifikatoren 28 aus dem zweiten Block 26 auch auf teilweise unabhängigen oder vollständig unabhängigen Daten trainiert werden.
-
Für jeden der Klassifikatoren 24, 28 werden aus den jeweiligen Teilen 20a, 20b der Sensordaten 20 Merkmalsvektoren 30, 31 berechnet. Dies kann durch die jeweiligen Klassifikatoren 24, 28 erfolgen oder durch ein gesondertes Modul, das beispielsweise auch einen Merkmalsvektor 30, 31 für mehrere Klassifikatoren 24, 28 erzeugen kann. Ein Merkmalsvektor 30, 31 kann Objekteigenschaften kodieren, die aus den Sensordaten 20 abgeleitet werden können.
-
Die Merkmalsvektoren 30, 31 von verschiedenen Klassifikatoren 24, 28 können unterschiedlich sein. Beispielsweise kann der Merkmalsvektor 31 für die Klassifikatoren 28 unterschiedlich zu dem Merkmalsvektor 30 eines Klassifikators 24 sein. Es ist auch möglich, dass sich zwei Merkmalsvektoren 30 für zwei oder mehrere Klassifikatoren 24 unterscheiden. Beispielsweise können für eine Radar-basierte Klassifikation von Fußgängern oder Radfahrern insbesondere die Mikro-Doppler-Eigenschaften relevant sein. Für die Klassifikation von Pkws können diese Eigenschaften dagegen eher störend bzw. irrelevant sein. Daher kann ein Merkmalsvektor 30 für einen Klassifikator 24 Mikro-Doppler-Eigenschaften enthalten und ein anderer nicht.
-
Aus den Merkmalsvektoren 30 wird von jedem der Klassifikatoren 24 eine oder mehrere Zwischen-Wahrscheinlichkeiten 32 berechnet. Jede der Zwischen-Wahrscheinlichkeiten 32 kann ein Wert zwischen 0 und 1 sein.
-
Der Block 22 kann wie hier gezeigt mehrere Klassifikatoren 24 umfassen, die jeweils eine Einzel-Klassifikation für einen bestimmten Objekttypen bzw. eine bestimmte Situation durchführen. Beispielsweise kann einer der Klassifikatoren 24 die Daten aus dem zugehörigen Merkmalsvektor 30 in die Klassen „Pkw“ oder „Nicht-Pkw“ klassifizieren. In der Tabelle weiter unten sind weitere Beispiele für derartige Klassifikatoren 24 aufgelistet.
-
Die Wahrscheinlichkeiten 32 und der Merkmalsvektor 31 des zweiten Blocks 26 werden in den Klassifikator 28 eingespeist. Der Klassifikator 28 kann eine oder mehrere Oberklassen für die Einzel-Klassifikation der Klassifikatoren 24 klassifizieren. Der Klassifikator 28 kann drei End-Wahrscheinlichkeiten 34a, 34b, 34c berechnen, die jeweils das Vorhandensein einer ersten Oberklasse, einer zweiten Oberklasse und das Nicht-Vorhandensein beider Oberklassen angeben.
-
Beispielsweise kann der Klassifikator 28 Hindernisse und Nicht-Hindernisse klassifizieren und End-Wahrscheinlichkeiten 34a, 34b, 34c für die Klassen „Hindernis“, „Nicht-Hindernis“ und „Unbekannt“ angeben.
-
Folgende Tabelle zeigt Beispiele für die Klassifikatoren
28 und für mögliche Zwischen-Wahrscheinlichkeiten
32 und End-Wahrscheinlichkeiten
34a,
34b,
34c.
Klassifikator 24 | Bsp. 1 | Bsp. 2 | Bsp. 3 |
für Lkw | 0.40 | 0.10 | 0.80 |
für Pkw | 0.90 | 0.25 | 0.70 |
für Motorrad | 0.20 | 0.01 | 0.90 |
für Fußgänger | 0.10 | 0.15 | 0.60 |
für Radfahrer | 0.15 | 0.25 | 0.50 |
für überfahrbares Objekt | 0.20 | 0.10 | 0.80 |
für unterfahrbares Objekt | 0.01 | 0.05 | 0.90 |
| | | |
Klassifikator 28 | | | |
Hindernis | 0.85 | 0.20 | 0.15 |
Nicht-Hindernis | 0.12 | 0.10 | 0.05 |
Unbekannt | 0.03 | 0.75 | 0.80 |
-
Beispiel 1 ist eine Beispiel-Klassifikation eines Pkws. Dabei liefert der Pkw-Klassifikator 24 eine hohe Wahrscheinlichkeit 32 und die anderen Einzel-Klassifikatoren 24 aus dem ersten Block 22 jeweils niedrige Wahrscheinlichkeiten 32. Auf Basis dieser Vor-Klassifikation und des Merkmalsvektors 30 für den zweiten Block 26 berechnet der Hindernis-Klassifikator 28 eine hohe Wahrscheinlichkeit 34a für ein Hindernis. Eine autonome Aktivierung des Bremssystems 18 kann erlaubt werden und auch erfolgen.
-
Analog dazu können im Falle eines Vans die beiden Einzel-Klassifikatoren 24 für Pkw und Lkw beide jeweils hohe Wahrscheinlichkeiten 32 und die anderen Einzel-Klassifikatoren 24 jeweils niedrige Wahrscheinlichkeiten 32. Der Hindernis-Klassifikator 28 kann auf Basis dieser beiden hohen Einzel-Werte und der Verwendung seines Merkmalsvektors 30 eine hohe End-Wahrscheinlichkeit 34a berechnen. Dies kann somit dennoch zu einer Aktivierung des Bremssystems 18 führen, obwohl der exakte Objekt-Typ nicht eindeutig klassifiziert wurde.
-
Beispiel 2 aus der Tabelle ist eine Beispiel-Klassifikation eines Objektes einer bisher unbekannten Klasse, beispielsweise einer Klasse, die nicht in den Trainingsdaten enthalten war. Die Einzel-Klassifikatoren 24 liefern jeweils niedrige Wahrscheinlichkeiten 32 und der Hindernis-Klassifikator 28 berechnet eine hohe End-Wahrscheinlichkeit 34c für die Klasse „Unbekannt“.
-
Beispiel 3 aus der Tabelle ist ein Beispiel für das Ergebnis der Klassifikation im Falle einer unbekannten Sensorstörung. Dabei liefert die Mehrheit der Einzel-Klassifikatoren 24 eine hohe Wahrscheinlichkeit 32 und der Hindernis-Klassifikator 28 berechnet auch hier eine hohe End-Wahrscheinlichkeit 34c für die Klasse „Unbekannt“.
-
3 zeigt, dass das Aufspalten eines Klassifikationssystems 16 in zwei Blöcke 22, 28 auch kaskadiert werden kann, um eine noch spezifischere und robustere Klassifikation zu ermöglichen. Einer, manche oder alle der ersten Klassifikatoren 24 und/oder der zweite Klassifikator 28 können jeweils aus einem ersten Block 22' und einem zweiten Block 26' aufgebaut sein. Der erste Block umfasst dabei wenigstens einen ersten Subklassifikator 24', der eine Zwischen-Wahrscheinlichkeit 32' berechnet, die in einen zweiten Subklassifikator 28' eingespeist wird. In jeden der ersten Subklassifikatoren 24'und in den zweiten Subklassifikator 28' kann analog der 2 ein Merkmalsvektor 30, 31 eingespeist werden. Der zweite Subklassifikator 28' berechnet aus dem Merkmalsvektor 31 und der Zwischen-Wahrscheinlichkeit 32' die Wahrscheinlichkeit 32, 34 der höheren Ebene.
-
Ergänzend ist darauf hinzuweisen, dass „umfassend“ keine anderen Elemente oder Schritte ausschließt und „eine“ oder „ein“ keine Vielzahl ausschließt. Ferner sei darauf hingewiesen, dass Merkmale oder Schritte, die mit Verweis auf eines der obigen Ausführungsbeispiele beschrieben worden sind, auch in Kombination mit anderen Merkmalen oder Schritten anderer oben beschriebener Ausführungsbeispiele verwendet werden können. Bezugszeichen in den Ansprüchen sind nicht als Einschränkung anzusehen.