DE102018217533A1

DE102018217533A1 - Verfahren zur Klassifikation eines Objekts

Info

Publication number: DE102018217533A1
Application number: DE102018217533.0A
Authority: DE
Inventors: Fabian Diewald; Stefan Sauer
Original assignee: Conti Temic Microelectronic GmbH
Current assignee: Continental Autonomous Mobility Germany GmbH
Priority date: 2018-10-12
Filing date: 2018-10-12
Publication date: 2020-04-16

Abstract

Verfahren zur Klassifikation eines Objekts mittels eines Radarsensors (1), bei dem der Radarsensor (1) ein Radarsignal aussendet, das Radarsignal von dem Objekt reflektiert wird und anhand des reflektierten Radarsignals Radardaten erzeugt werden, aus den Radardaten ein Radarquerschnitt (RCS1, RCS2) abgeleitet wird, für den Radarquerschnitt (RCS1, RCS2) eine Regression bestimmt wird, wobei die Klassifikation des Objekts anhand eines Parameters erfolgt, der von der Regression abgeleitet wird.

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Klassifikation eines mittels Radarsensors verfolgten Objekts sowie eine Vorrichtung zur Durchführung des Verfahrens.
Technologischer Hintergrund
Fortbewegungsmittel wie Kraftfahrzeuge oder Motorräder werden zunehmend mit Fahrerassistenzsystemen ausgerüstet, welche mit Hilfe von Sensorsystemen die Umgebung erfassen, Verkehrssituation erkennen und den Fahrer unterstützen, z. B. durch einen Brems- oder Lenkeingriff oder durch die Ausgabe einer optischen oder akustischen Warnung. Als Sensorsysteme zur Umgebungserfassung werden regelmäßig Radarsensoren, Lidarsensoren, Kamerasensoren oder dergleichen eingesetzt. Aus den durch die Sensoren ermittelten Sensordaten können anschließend Rückschlüsse auf die Umgebung gezogen werden.
Die Umgebungserfassung mittels Radarsensoren basiert auf der Aussendung von gebündelten elektromagnetischen Wellen und deren Reflexion z. B. durch andere Verkehrsteilnehmer, Hindernissen auf der Fahrbahn oder die Randbebauung der Fahrbahn. Die Radarsensorik besitzt hierbei zwar eine gute Performance bei Nacht und bei schlechten Witterungsverhältnissen, jedoch besitzt die Radarsensorik nur eine im Vergleich zu anderen Sensortechnologien geringe laterale und vertikale Auflösung. Dadurch ergeben sich Nachteile in der Objekterkennung, wie z. B. dass grundsätzlich überfahrbare Bodenobjekte oder Bodenziele, wie z. B. Gullydeckel oder Eisenbahnübergänge, von nicht überfahrbaren Hindernissen, wie z. B. andere Fahrzeuge, nur schwer unterscheidbar sind. Dementsprechend ist die Unterscheidung derartiger Hindernisse bzw. Objekte von großer Bedeutung, um zu ermitteln, wann z. B. ein Brems- oder Lenkeingriff eingeleitet werden soll. Von besonderer Bedeutung ist dabei die korrekte Klassifizierung der Objekte, damit Fehleingriffe verhindert werden können.
Druckschriftlicher Stand der Technik
Aus der DE 10 2009 018 453 A1 ist ein Verfahren zur Klassifizierung eines Objekts als Hindernis für ein Fahrzeug bekannt, bei dem mittels eines Umgebungserfassungssensors stationäre und bewegte Objekte vor einem Fahrzeug erfasst werden und der Bewegungsverlauf der Objekte verfolgt wird. Zudem ist ein Beobachter vorgesehen, der die Objekte anhand der Sensordaten nach vorgegebenen Merkmalen in Hindernisse und Nicht-Hindernisse klassifiziert.
Aufgabe der vorliegenden Erfindung
Die Aufgabe der vorliegenden Erfindung besteht darin, ein Verfahren zur Klassifikation eines Objekts zur Verfügung zu stellen, durch das die Fehlersicherheit bei der Objektklassifizierung verbessert wird.
Lösung der Aufgabe
Die vorstehende Aufgabe wird durch die gesamte Lehre des Anspruchs 1 sowie des nebengeordneten Anspruchs gelöst. Zweckmäßige Ausgestaltungen der Erfindung sind in den Unteransprüchen beansprucht.
Bei dem erfindungsgemäßen Verfahren zur Klassifikation eines Objekts mittels eines Radarsensors, sendet der Radarsensor ein Radarsignal aus (Primärsignal), welches von dem zu klassifizierenden Objekt reflektiert wird (Sekundärsignal). Insbesondere handelt es sich bei dem Radarsignal um elektromagnetische Wellen bzw. Funkwellen. Anhand des reflektierten Radarsignals werden anschließend Radardaten erzeugt, aus denen ein Radarquerschnitt (RCS; Radar Cross Section) abgeleitet wird. Für den Radarquerschnitt wird zudem eine Regression bestimmt. Anschließend wird mindestens ein Parameter der Regression abgeleitet und zur Klassifikation des Objekts herangezogen. Als Parameter ist dabei ein für die Klassifikation ausschlaggebender bzw. charakteristischer Parameter vorgesehen, anhand dessen Wert Rückschlüsse auf das zu bestimmende Objekt gezogen werden können, d. h. eine Aussage, ob es sich z. B. um ein Bodenobjekt handelt oder nicht. Daraus resultiert der Vorteil, dass eine Klassifikation des jeweiligen Objektes in einfacher Weise z. B. mittels eines Algorithmus, z. B. eines Verfahrens des maschinellen Lernens, vorgenommen werden kann. Dadurch, dass es sich hierbei um charakteristische Werte des jeweiligen Parameters handelt, können mögliche Fehlklassifizierungen in besonderem Maße vermindert werden. Die Fehlersicherheit wird hierdurch wesentlich verbessert. Zudem lässt sich das Verfahren kostengünstig und in einfacher Weise in neue Systeme implementieren und in bestehenden Systemen nachrüsten. Insbesondere eignet sich das Verfahren sehr gut zur Anwendung bei eingebetteten Systemen mit geringem Speicheraufwand und geringer Rechenzeit.
Die gemessenen Werte des Radarquerschnittes können über die Entfernung (=Zeit) mittels einer linearen oder nicht-linearen Regression analysiert werden. In bevorzugter Weise kann dies durch eine einfache lineare Regression der Werte des Radarquerschnitts erfolgen. Daraus resultiert der Vorteil, dass sich diese sehr einfach und mit wenig Speicher- und Rechenintensität bestimmen bzw. berechnen lässt.
Als besonders vorteilhaft hat es sich erwiesen, wenn als Parameter die Abweichung des quadratischen Mittels (RMSE; Root Mean Square Error) vorgesehen ist. Diese kann in einfacher Weise anhand des linearen Modells bzw. der linearen Regression berechnet werden und ist bestens zur Klassifizierung geeignet. Dabei können die Messwerte anhand der Methode der kleinsten Quadrate (Least Squares) analysiert werden, indem eine Ausgleichsgerade bzw. eine Regression durch die Messpunkte gelegt wird (LSF; Linear Least Squares Fit), wobei der RMSE anhand dieser Regression abgeleitet wird (d. h. die Abweichung der RCS-Werte zur Regression). Alternativ oder zusätzlich können als Parameter in gleicher vorteilhafter Weise auch der Anstieg der Regression und/oder der Achsenabschnitt und/oder und/oder der (Pearson)-Korrelationskoeffizient und/oder weitere aus der Regression abgeleitete Merkmale vorgesehen sein.
Vorzugsweise ist eine Höhenschätzung des Objekts vorgesehen, um eine Klassifizierung des Objekts vorzunehmen. Dadurch kann in einfacher Weise ermittelt werden, ob es sich um ein Objekt handelt, welches eine geringe Höhe aufweist, d. h. eine gewisse Bodenhöhe nicht überschreitet, um etwa als überfahrbares Bodenobjekt klassifiziert werden zu können.
Besonders vorteilhaft ist es, wenn die Höhenschätzung anhand einer oberen Grenze der Höhe des Objekts und/oder einer unteren Grenze der Höhe des Objekts bestimmt wird. Die obere Grenze lässt sich dabei anhand der Radarwellenlänge, der Sensorhöhe und der aktuellen Distanz zum Objekt bestimmen. Die untere Grenze lässt sich anhand der Radarwellenlänge, der Sensorhöhe und der Distanz zum Objekt bestimmen, bei der ein (erstes) Maximum erreicht wird.
Ferner kann eine Bodenzielwahrscheinlichkeit des Objektes anhand der (linearen) Regression und der Höhenschätzung berechnet werden. Die Bodenzielwahrscheinlichkeit des Objektes kann anschließend zur Klassifizierung herangezogen werden. Die Fehlersicherheit wird dadurch noch zusätzlich verbessert.
Zweckmäßigerweise kann der Parameter kontinuierlich abgeleitet und der Verlauf gegen die Zeit oder die Distanz zum Objekt bestimmt werden. Dadurch wird gewährleistet, dass eine kontinuierliche Objektklassifizierung vorgenommen wird. Beispielsweise können dadurch anfängliche Fehlklassifikationen mit der Annäherung an das Objekt korrigiert werden. Die Fehlersicherheit wird dadurch noch zusätzlich erhöht.
Nach einer besonderen Ausgestaltung des Verfahrens kann der Radarquerschnitt in einen Nahbereich und einen Fernbereich unterteilt werden.
Zweckmäßigerweise kann jeweils eine Regression für jeden Bereich, d. h. für den Nahbereich und für den Fernbereich bestimmt werden. Ausdrücklich umfasst die Erfindung auch eine Einteilung des Radarquerschnitts in mehr als zwei Bereiche. Ferner können auch mehr als zwei Regressionen vorgesehen sein. Beispielsweise können auch für einen Bereich mehrere Regressionen und/oder für eine Mehrzahl von Bereichen jeweils eine Regression bestimmt werden. Die Fehleranfälligkeit kann dadurch weiter verringert werden.
Besonders vorteilhaft ist es, wenn das Objekt als Hindernis oder als Nicht-Hindernis klassifiziert wird. Dadurch wird in einfacher Weise erreicht, dass detektierte überfahrbare Objekte z. B. nicht weiter beachtet werden oder bei nicht-überfahrbaren Objekten Gegenmaßnahmen eingeleitet werden, falls z. B. Kollision bevorsteht.
Neben- oder untergeordnet beansprucht, kann das Verfahren auch folgende Verfahrensschritte umfassen:

- Detektion des Objekts durch den Empfang des reflektierten Radarsignals und Erzeugen von Radardaten anhand des Radarsignals
- Erstellen eines Radarquerschnitts und Messen bzw. Bestimmen der RCS-Messwerte (RCS-Wert),
- Hinzufügen der RCS-Messwerte zur Regression im Fernbereich (LSFfar), d. h. der LSF-Fernbereichsdaten,
- Vergleichen der aktuellen RCS-Messwerte mit (bisherigen) maximalen RCS-Messwerten,
- Falls der aktuelle RCS-Messwert gleich oder kleiner als der maximale RCS-Wert ist, hinzufügen der Messwerte zur Regression im Nahbereich (LSFnear), d. h. der LSF-Nahbereichsdaten. Oder falls der aktuelle RCS-Wert größer als der maximale RCS-Wert ist, wird die Regression im Nahbereich (LSFnear) reinitialisiert, d. h. das Reinitialisieren der LSF-Nahbereichsdaten, sowie
- Ermitteln bzw. Berechnen der Bodenzielwahrscheinlichkeit und der Höhenschätzung des Objekts.

Ferner kann anhand des Vergleichs der aktuellen RCS-Werte mit den maximalen RCS-Werten entschieden werden, ob die Messdaten zur Regression für den Nahbereich hinzugefügt werden oder die Regression im Nahbereich reinitialisiert wird. Beispielsweise wird bei einem aktuellen RCS-Wert, der größer ist als der maximale RCS-Wert, d. h. wenn ein neues Maximum detektiert wurde, die Regression für den Nahbereich reinitialisiert. Demgegenüber werden die Messwerte der Regression für den Nahbereich hinzufügt, wenn der aktuelle RCS-Wert kleiner ist als der maximale RCS-Wert.
Besonders vorteilhaft ist es, wenn die Daten als Hilfsdaten vor dem Reinitialisieren der Regression gespeichert werden.
Vorzugsweise ist eine Überprüfung der Höhenschätzung anhand von zwei oder mehr aufeinanderfolgenden konstruktiven und/oder destruktiven Interferenzen vorgesehen. Dadurch kann eine Plausibilitätsprüfung einbezogen werden, durch welche die Fehleranfälligkeit noch zusätzlich verringert wird.
Ferner beansprucht die vorliegende Erfindung eine Vorrichtung zur Klassifikation eines Objekts, welche einen Radarsensor umfasst und derart hergerichtet ist, dass die Klassifikation des Objekts anhand des erfindungsgemäßen Verfahrens erfolgt.
Figurenliste
Im Folgenden wird die Erfindung anhand von zweckmäßigen Ausführungsbeispielen näher erläutert. Es zeigen:

1 eine stark vereinfachte schematische Darstellung eines Fahrzeugs mit Radarsensor, welches sich auf ein Bodenobjekt zubewegt;
2 eine vereinfachte Darstellung eines RCS-Musters über eine bestimmte Distanz für ein Bodenobjekt und ein Fahrzeug;
3a eine vereinfachte Darstellung des RCS-Musters im Fernbereich sowie die dazugehörige lineare Regression für ein Fahrzeug;
3b eine vereinfachte Darstellung der Abweichung des quadratischen Mittels (RMSE) der Regression aus 3a;
4a eine vereinfachte Darstellung des RCS-Musters im Fernbereich sowie die dazugehörige lineare Regression für ein Bodenobjekt;
4b eine vereinfachte Darstellung der Abweichung des quadratischen Mittels (RMSE) der linearen Regression aus 4a;
5a eine vereinfachte Darstellung des RCS-Musters im Nahbereich für ein Fahrzeug;
5b eine vereinfachte Darstellung der Abweichung des quadratischen Mittels (RMSE) der Regression aus 5a;
6a eine vereinfachte Darstellung des RCS-Musters des Nahbereichs sowie die dazugehörige Regression für ein Bodenobjekt;
6b eine vereinfachte Darstellung der Abweichung des quadratischen Mittels (RMSE) der Regression aus 6a;
7 ein vereinfachtes Flussdiagramm einer Verarbeitungskette für die Klassifizierung und Höhenschätzung des Objekts;
8 eine vereinfachte Darstellung eines Ausführungsbeispiels zur Klassifikation und Höhenschätzung des Objekts, sowie
9 eine vereinfachte Darstellung des Ausführungsbeispiels aus 8 mit geringerer Entfernung zum Objekt.

Bezugsziffer 1 in 1 bezeichnet einen Radarsensor, der sich in einem Fortbewegungsmittel bzw. Fahrzeug 2 befindet, welches sich auf ein reales Objekt zubewegt. Bei dem Objekt in 1 handelt es sich um ein überfahrbares Bodenobjekt 3, wie z. B. einem Gullydeckel, eine Bodenplatte aus Metall, eine Getränkedose oder einem Eisenbahnübergang. Das Objekt wird mit dem Radarsensor 1 beleuchtet, indem der Radarsensor 1 ein Radarsignal in Form von elektromagnetischen Wellen in aufeinanderfolgenden Zyklen aussendet. Diese Wellen werden von dem Objekt reflektiert (der Übersichtlichkeit halber in 1 nicht dargestellt). Das zurückgestreute Signal wird anschließend aufgezeichnet und von einem Tracking-Algorithmus, wie z. B. einem Kalman-Filter erfasst. Sobald sich das Fahrzeug dem Objekt nähert, wird dieses somit erfasst. Anhand der Sensor- bzw. Radardaten wird anschließend ein Radarquerschnitt (RCS) gebildet. Die zur Erzeugung des Radarquerschnitts benötigten RCS-Messwerte werden in der Regel in dbm² angegeben. In der Regel erreicht das RCS-Muster in einer bestimmten Entfernung zum Objekt ein Maximum M („Propagation factor“), welches durch die Formel $M = 16 {sin}^{4} (\frac{2 π}{λ} \cdot h_{s} \cdot h_{t} \cdot \frac{1}{R})$
definiert ist, wobei λ die Radarwellenlänge, h_s die Sensor Höhe, ht die Objekthöhe und R der Abstand zwischen dem Sensor und dem Objekt ist. In der Regel sinkt der RCS-Wert nach dem Erreichen dieses Maximums M wieder ab.
In 2 ist der typische Verlauf eines RCS-Musters über die Entfernung zu einem Bodenobjekt RCS1 und zu einem Fahrzeug RCS2 dargestellt. Dabei zeigt der Radarquerschnitt vom Fahrzeug RCS2 ein Interferenzmuster: Im Gegensatz zum Radarquerschnitt eines Bodenziels RCS1 ergibt sich bei der Annäherung an ein nicht am Boden befindliches Objekt, z. B. ein Fahrzeug, ein ausgeprägtes Störmuster, das zu reichweiteabhängigen Schwingungen des RCS-Wertes führt.
Zweckmäßigerweise wird das erfasste Objekt als ein überfahrbares oder nicht-überfahrbares Objekt klassifiziert. In praktischer Weise können anschließend anhand der Klassifikation z. B. Gegenmaßnahmen, wie einen Lenkeingriff eingeleitet werden, wenn das Objekt als nicht überfahrbares Objekt klassifiziert wird. Vorzugsweise kann hierzu eine Höhenabschätzung des Objekts durchgeführt werden, die dann zur Klassifikation herangezogen wird. Eine Klassifizierung und Höhenabschätzung des jeweiligen Objekts erfolgt dabei anhand einer Überwachung des Interferenzmusters mit zwei Regressionen bzw. zwei einfachen linearen Regressionen, einer sogenannten Fernbereichs-LSF (Linear Least Squares Fit) über den Fernbereich (z. B. je nach Einbauhöhe des Sensors bei einer Entfernung zum Objekt von mehr als 20 Metern) und einer Nahbereichs-LSF über den gesamten Erfassungsbereich. In Abgrenzung zum Fernbereichs-LSF soll der Nahbereichs-LSF insbesondere bei Bodenzielen (siehe RCS1) die abfallende Flanke des RCS nach Erreichen des Maximums erfassen. Da die Datenstruktur vom Nahbereichs-LSF jedoch mit angelegt wird, kann er auch im Fernbereich benutzt werden. Dadurch wird die Klassifikation noch robuster. Ferner können die einfachen linearen Regressionen nach folgender Formel bestimmt werden: $γ_{i} = α + β x_{i} + ε_{i}$
In der Formel beschreibt die Eingangsvariable x_i die Entfernung zum Objekt und die Ausgangsvariable y_i den RCS-Wert. Ferner entspricht α dem Achsenabschnitt, β dem Anstieg und ε dem Fehler der linearen Regression. Durch eine derartige lineare Regression können weitere Parameter erzeugt bzw. bestimmt werden, wie z. B. der Anstieg, die Steigung, die Abweichung des quadratischen Mittels RMSE, der Pearson-Korrelationskoeffizient oder dergleichen, die anschließend für die Klassifizierung des Objekts verwendet werden können.
In einem ersten Schritt werden hierbei kontinuierlich Daten im Fernbereich gesammelt, die mit der ersten Detektion des Objekts beginnen. Anhand der Fernbereichsdaten wird die Regression des Fernbereichs LSFfar ermittelt und genutzt, um die Objekte in Boden- und nicht-Bodenobjekte zu klassifizieren, beispielsweise über den RMSE der jeweiligen Regression im Fernbereich LSFfar_RMSE. In 3a sind die RCS-Werte des Fernbereichs von RCS2 sowie das dadurch gebildete lineare Modell LSF2far bei einer Annäherung an ein Fahrzeug und in 3b der dazugehörige RMSE des linearen Models LSF2far_RMSE dargestellt. In gleicher Weise zeigt 4a die RCS-Werte des Fernbereichs von RCS1 sowie die dadurch gebildete Regression LSF1far für eine Annäherung an ein Bodenobjekt sowie 4b den dazugehörigen RMSE der Regression LSF1far_RMSE.
In einem zweiten Schritt werden über den gesamten Lebenszyklus des Objektes Daten gesammelt und die Regression LSFnear ermittelt, wie exemplarisch in den 5a-5b bzw. 6a-6b gezeigt. Ferner sind die Verfahrensschritte im Flussdiagramm in 7 gezeigt: Wenn die aktuellen RCS-Werte (d. h. RCS, die im aktuellen Zyklus gemessen werden) größer sind als die beobachteten RCS-Werte in den vorherigen Zyklen seit der Erstellung des Radarobjekts (Fall 1) werden einige Zusatzinformationen gespeichert, wie z. B. die Position (Abstand) des RCS-Maximums M, dessen Wert und einige relevante Funktionen bzw. Parameter für die Klassifizierung. Die Datenstruktur des linearen Modells LSFnear wird dann neu initialisiert. Anderenfalls (Fall 2) werden weiterhin Daten anhand der Regression LSFnear gesammelt.
In einem dritten Schritt wird die Höhe des Objekts geschätzt und dessen Bodenzielwahrscheinlichkeit anhand der Regression und der geschätzten Höhe berechnet: Die Höhenschätzung des Objekts erfolgt hierbei anhand einer oberen Grenze der Höhe des Objekts und einer unteren Grenze der Höhe des Objekts. Wenn noch kein lokales Maximum M im RCS-Muster gefunden wurde (Fall 1), dann kann die Höhe auch über die obere Grenze geschätzt werden mit: $h_{t} \leq \frac{λ}{4} \frac{1}{h_{s}} x_{c u r r e n t}$
Hierbei ist x_current der Abstand zum Objekt im aktuellen Zyklus. Nachdem das erste lokale Maximum M (konstruktive Interferenz) gefunden wurde, kann auch die untere Grenze der Höhenschätzung angegeben werden durch: $h_{t} \geq \frac{λ}{4} \frac{1}{h_{s}} x_{m a x 1}$
wobei x_max1 der Abstand des ersten lokalen Maximums ist.
In 8 ist die Klassifikation des Objekts anhand der Abweichung des quadratischen Mittels RMSE sowie eines unteren und eines oberen Schwellenwertes uS, oS bzw. Grenzwertes (Threshold) dargestellt. Das logistische Regressionsmodell umfasst dabei zwei Achsen: die Abweichung des quadratischen Mittels für eine Regression im Fernbereich LSFfar_RMSE und den Radarquerschnitt RCS des Objekts (gefilterte Version des gemessenen RCS Farscan und Nearscan). Das Modell ist hierbei abhängig von der Entfernung zum Objekt, welche bevorzugt in 10 m-Schritten gegliedert ist. Die beiden vertikalen Linien zeigen den unteren Schwellenwert uS und den oberen Schwellenwert oS an. Die Wahrscheinlichkeit, ob es sich bei dem jeweiligen Objekt nun um ein Bodenobjekt handelt oder nicht, wird dabei durch die Mittelung der Wahrscheinlichkeiten über die Zeit errechnet bzw. bestimmt. Der untere und der obere Schwellenwert uS, oS sind dabei von der Distanz bzw. Entfernung zum Objekt abhängig und werden z. B. auf Basis eines Trainingsdatensatzes vorberechnet bzw. festgelegt. In 8 beträgt die Entfernung zum Objekt beispielsweise zwischen 70 m und 80 m. Wenn der RMSE kleiner als der untere Schwellenwert uS ist, wird das Objekt als Bodenobjekt bzw. Bodenziel klassifiziert (alle als Punkte dargestellte Objekte links vom unteren Schwellwert uS). Wenn der RMSE größer ist als der obere Schwellenwert oS, wird das Objekt als Nicht-Bodenobjekt bzw. als Hindernis klassifiziert (alle als Punkte dargestellte Objekte rechts vom oberen Schwellwert oS). Zwischen den unteren und oberen Schwellenwert kann die Klassifizierung mit einer 2D logistischen Regression DR erfolgen, sodass alle als Punkte dargestellte Objekte oberhalb der 2D logistischen Regression DR als Nicht-Bodenobjekt klassifiziert werden und die unterhalb als Bodenobjekt. In 9 ist die Klassifikationsweise für Entfernungen zum Objekt zwischen 50 m und 60 m dargestellt. Im Vergleich zu 8 sind der untere und der obere Schwellenwert dabei derart zueinander verschoben, dass die Größe des Zwischenraums zwischen unteren Schwellenwert uS und oberen Schwellenwert oS verringert ist. Ferner verläuft die 2D logistische Regression DR entsprechend steiler als in 8. In gleicher Weise verändert bzw. vergrößert sich der Zwischenraum zwischen unteren und oberen Schwellenwert uS, oS bzw. entfernen sich unterer und oberer Schwellenwert uS, oS, wenn die Entfernung zum Objekt größer ist als im Ausführungsbeispiel gemäß 8.
Ferner könnten auch sekundäre reale Objekte (wie z. B. Leitplanken) zusätzliche Mehrwegeffekte erzeugen, die zu zusätzlichen Keulen innerhalb des Interferenzmusters führen. Dies könnte die genaue Höhenschätzung mit der obigen Logik stören. Da dieser Effekt jedoch bei Bodenobjekten vernachlässigt werden kann, ist die Unterscheidung zwischen Boden- und nicht-Bodenobjekten dennoch möglich.
Im Gegensatz dazu sind bei der Unterscheidung zwischen Hindernissen und Überkopf-Objekten einige Vorsichtsmaßnahmen zu ergreifen. Kriterien für die Entscheidung, ob ein erstes lokales RCS-Maximum gefunden wurde, sind z. B. der Distanzunterschied zwischen dem aktuellen Abstand und dem Abstand des ersten lokalen Maximums, deren RCS-Differenz und die gespeicherten Hilfsparameter der Regression LSFnear, wie z. B. die gespeicherte Abweichung des quadratischen Mittels LSFnear_RMSE.
Alternativ oder zusätzlich kann auch das erste lokale Minimum (destruktive Interferenz) verwendet werden, um die untere Grenze der Höhe des Ziels zu schätzen, durch $h_{t} \geq \frac{λ}{2} \frac{1}{h_{s}} x_{m i n 1}$
Dabei ist x_min1 der Abstand des ersten lokalen Minimums. In gleicher Weise sind hierbei die oben für die erste konstruktive Interferenz genannten Beobachtungen und Bemerkungen gültig.
Ferner kann die Höhenschätzung bestätigt bzw. überprüft werden, indem man den Standort von zwei oder mehr aufeinanderfolgenden konstruktiven und/oder destruktiven Interferenzen betrachtet. So lässt sich beispielsweise die Höhe des Ziels durch die ersten beiden konstruktiven Störpositionen ermitteln, indem $h_{t} = \frac{3}{8} \frac{λ}{h_{s}} (x_{0} - x_{1})$
Wobei x₀ und x₁ die Entfernungen der ersten und zweiten konstruktiven Interferenz repräsentieren. Die Ableitungen anderer Kombinationen sind in gleicher Weise durchführbar.
Zusammenfassend kann die vorliegende Erfindung zur Klassifizierung und gleichzeitigen Höhenabschätzung von (Boden-)Objekten dienen, wobei sie unabhängig von der Polarisierung eingesetzt werden kann. Dabei beträgt der komplexe Fresnel-Reflexions-Koeffizient der spiegelnden Reflexion über die Straße in den meisten Szenarien ungefähr -1 (d. h. für häufig angetroffene Oberflächen) und liegt über den entsprechenden relevanten Bereich des Streifwinkels. Durch die Analyse der Steigung in der Formel des „propagation factors“ (d. h. in der partiellen Ableitung der Formel) kann die gleiche Höhenschätzung auch für am Boden befindliche Objekte abgeleitet werden. Somit werden durch die Analyse der Steigung keine zusätzlichen Informationen zur Höhenschätzung gewonnen. Die vorliegende Erfindung kann dabei für monostatische Radarsysteme im Automobilbereich angewendet werden. Ferner kann sie auch für bistatische Radarsysteme verwendet werden, insbesondere wenn der bistatische Winkel ausreichend klein ist. Zudem können die RCS-Werte aus horizontalen/Azimuth-Reihen unterschiedlicher Höhe verwendet werden, womit auch die leicht verlagerten Orte konstruktiver und destruktiver Interferenzen ausgewertet werden können, um die Objektklassifizierung noch robuster zu machen. Dieses Phänomen kann ausgenutzt werden, indem man das obere und das untere Array in einem MIMO-System verarbeitet, die Differenz des Peaks (bzw. die destruktive Interferenz) von dem RCS-Wert wird dabei berechnet und die Höhe des Objekts anhand des Abstandes der Peak-Differenz abgeschätzt. Dadurch lässt sich die Klassifikation des Objekts wesentlich verbessern, wodurch die Fehlersicherheit erheblich verbessert werden kann.
Bezugszeichenliste

1: Radarsensor
2: Bodenobjekt
3: Fahrzeug
RCS1: RCS für ein Bodenobjekt
RCS2: RCS für ein Fahrzeug
M: RCS-Maximum
LSF1far: Regression im Fernbereich für ein Bodenobjekt
LSF1near: Regression im Nahbereich für ein Bodenobjekt
LSF2far: Regression im Fernbereich für ein Fahrzeug
LSF2near: Regression im Nahbereich für ein Fahrzeug
LSF1far_RMSE: RMSE für eine Regression im Fernbereich für ein Bodenobjekt
LSF1near_RMSE: RMSE für eine Regression im Nahbereich für ein Bodenobjekt
LSF2far_RMSE: RMSE für eine Regression im Fernbereich für ein Fahrzeug
LSF2near_RMSE: RMSE für eine Regression im Nahbereich für ein Fahrzeug
uS: unterer Schwellenwert
oS: oberer Schwellenwert
DR: 2D logistische Regression

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

DE 102009018453 A1 [0004]

Claims

Verfahren zur Klassifikation eines Objekts mittels eines Radarsensors (1), bei dem der Radarsensor (1) ein Radarsignal aussendet, das Radarsignal von dem Objekt reflektiert wird und anhand des reflektierten Radarsignals Radardaten erzeugt werden, aus den Radardaten ein Radarquerschnitt (RCS1, RCS2) abgeleitet wird, für den Radarquerschnitt (RCS1, RCS2) eine Regression bestimmt wird, wobei die Klassifikation des Objekts anhand eines Parameters erfolgt, der von der Regression abgeleitet wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als Regression eine lineare oder nicht-lineare Regression vorgesehen ist.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass als Parameter der Anstieg der Regression und/oder der Achsenabschnitt und/oder die Abweichung des quadratischen Mittels (RMSE) und/oder der (Pearson)-Korrelationskoeffizient vorgesehen ist.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Höhenschätzung des Objekts vorgesehen ist.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die Höhenschätzung des Objekts anhand einer oberen Grenze der Höhe des Objekts und/oder einer unteren Grenze der Höhe des Objekts bestimmt wird.
Verfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, dass eine Bodenzielwahrscheinlichkeit des Objekts anhand der Höhenschätzung und/oder der Regression bestimmt und die Bodenzielwahrscheinlichkeit zur Klassifikation des Objekts herangezogen wird.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Parameter kontinuierlich über die Zeit oder die Distanz zum Objekt abgeleitet wird.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Radarquerschnitt (RCS1, RCS2) in einen Nahbereich und einen Fernbereich unterteilt wird.
Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass jeweils eine Regression für den Nahbereich und für den Fernbereich bestimmt wird.
Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Objekt als Hindernis oder als Nicht-Hindernis klassifiziert wird.
Verfahren, insbesondere nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Verfahren folgende Verfahrensschritte umfasst: - Detektion eines Objekts durch den Empfang des reflektierten Radarsignals und Erzeugen von Radardaten, - Erstellen eines Radarquerschnitts (RCS1, RCS2) mit den RCS-Messwerten, - Hinzufügen der Messwerte zur Regression im Fernbereich (LSFfar), - Vergleichen der aktuellen RCS-Messwerte mit maximalen RCS-Messwerten, - Hinzufügen der Messwerte zur Regression im Nahbereich (LSFnear), oder Reinitialisieren der Regression im Nahbereich (LSFnear), - Ermitteln einer Bodenzielwahrscheinlichkeit und Höhenschätzung des Objekts.
Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass anhand des Vergleichs der aktuellen RCS-Messwerte mit den maximalen RCS-Messwerten entschieden wird, ob die Daten zur Regression für den Nahbereich (LSFnear) hinzugefügt werden oder die Regression für den Nahbereich LSFnear reinitialisiert wird.
Verfahren nach einem der Ansprüche 11 oder 12, dadurch gekennzeichnet, dass die Daten der Regression für den Nahbereich (LSFnear) vor dem Reinitialisieren der Regression für den Nahbereich (LSFnear) als Hilfsdaten gespeichert werden.
Verfahren nach einem der Ansprüche 4-13, dadurch gekennzeichnet, dass eine Überprüfung der Höhenschätzung anhand von zwei oder mehr aufeinanderfolgenden konstruktiven und/oder destruktiven Interferenzen vorgesehen ist.
Vorrichtung zur Klassifikation eines Objekts, umfassend einen Radarsensor (1), dadurch gekennzeichnet, dass die Klassifikation des Objekts anhand eines Verfahrens nach mindestens einem der vorhergehenden Ansprüche erfolgt.