DE102018217535A1 - Verfahren zum Verarbeiten von Daten - Google Patents

Abstract

Verfahren zum Verarbeiten von Daten, insbesondere Sensordaten, bei dem die Daten anhand von mindestens zwei Variablen (x, y) gesammelt werden, wobei mindestens eine unabhängige Variable (x) und eine abhängige Variable (y) vorgesehen sind, jeweils eine Summe von den Variablen, ihrer Kreuzprodukte und ihrer Nebenprodukte gebildet wird, wobei eine Quantisierung der Summen der Variablen sowie der Summen ihrer Nebenprodukte und Kreuzprodukte erfolgt.

Description

• Verfahren zum Verarbeiten von Daten
• Die vorliegende Erfindung betrifft ein Verfahren zur Quantisierung von Daten, insbesondere zur Quantisierung von Sensordaten, sowie eine Vorrichtung zur Durchführung des erfindungsgemäßen 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, Hindernisse auf der Fahrbahn oder die Randbebauung der Fahrbahn. Die Radarsensorik besitzt hierbei zwar eine gute Performance bei Nacht und bei schlechten Witterungsverhältnissen, jedoch kann der Höhenwinkel (Elevation) nicht direkt gemessen werden. Zudem besitzt die Radarsensorik eine im Vergleich zu anderen Sensortechnologien nur geringe laterale Auflösung. Dadurch ergeben sich Nachteile in der Objekterkennung, wie z. B. dass grundsätzlich überfahrbare Bodenhindernisse, 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 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.
• Ferner ist aus der DE 695 17 752 T2 ein Verfahren zur Quantisierung bei der Komprimierung von Bildern bekannt. Dieses Verfahren soll insbesondere bei der Übertragung von Daten und komprimierten Bildern mit geringer Datenrate angewendet werden. Bei dem Verfahren wird jedes Bild in Gruppen von Blöcken aufgeteilt. Hierbei wird zu Beginn eines laufenden Bildes ein Quantifikator ermittelt, welcher durch einen Koeffizienten in Abhängigkeit von der Differenz zwischen der Anzahl der Bits, die für die Gruppen von Blöcken des vorher kodierten laufenden Bildes erzeugt werden, und einer geschätzten Anzahl der Bits korrigiert wird. Durch die Aufteilung in einzelne Blöcke und die Ermittlung eines Quantifikators sowie die anschließende Korrektur wird in besonderem Maße Rechen- und Speicherkapazität benötigt.
• Aufgabe der vorliegenden Erfindung
• Die Aufgabe der vorliegenden Erfindung besteht darin, ein Verfahren zum Verarbeiten von Daten zur Verfügung zu stellen, durch das die Verarbeitung vereinfacht und der Speicherbedarf verringert wird.
• Lösung der Aufgabe
• Die vorstehende Aufgabe wird durch die gesamte Lehre des Anspruchs 1 sowie des Vorrichtungsanspruchs gelöst. Zweckmäßige Ausgestaltungen der Erfindung sind in den Unteransprüchen beansprucht.
• Bei dem erfindungsgemäßen Verfahren zum Verarbeiten von Daten, insbesondere Sensordaten, werden die Daten zunächst gesammelt. Dies erfolgt anhand von mindestens zwei Variablen, wobei mindestens eine unabhängige Variable und eine abhängige Variable vorgesehen sind. Anschließend wird jeweils eine Summe der Variablen, ihrer Kreuzprodukte und ihrer Nebenprodukte gebildet. Ferner erfolgt eine Quantisierung aller Summen, d. h. der Summe der jeweiligen Variablen sowie jeweils der Summen ihrer Nebenprodukte und Kreuzprodukte. Das erfindungsgemäße Verfahren ist dadurch in einfacher Weise und kostengünstig z. B. als einfacher Algorithmus umsetzbar. Ferner kann es in praktischer und einfacher Weise in neue Systeme implementiert und nachgerüstet werden. Insbesondere eignet sich das Verfahren sehr gut zur Anwendung bei eingebetteten Systemen mit geringem Speicheraufwand und geringer Rechenzeit. Darüber hinaus wird die Quantisierung in besonderem Maße vereinfacht bei gleichzeitig verringertem Speicherbedarf.
• Vorzugsweise ist eine Regression der Daten vorgesehen, wobei die Regression insbesondere anhand der Quantisierung der Daten erstellt wird.
• Gemäß einer bevorzugten Ausgestaltung der vorliegenden Erfindung ist als Regression eine, insbesondere einfache, lineare Regression und/oder eine lineare Anpassung nach der Methode der kleinsten Quadrate vorgesehen. Diese ist einfach zu erstellen und zu berechnen. Der Speicherverbrauch für die Berechnung kann dadurch erheblich reduziert werden. Ferner können dadurch Kosten eingespart werden, indem aufwendige Speicheroperationen sowie der Speicherbedarf vermindert wird.
• Zweckmäßigerweise kann eine Klassifizierung eines detektierten Objekts vorgesehen sein, wobei die Quantisierung der Regression zu der Klassifikation des Objekts herangezogen wird. 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. Ferner kann eine Klassifikation des jeweiligen Objektes in einfacher Weise z. B. mittels eines Algorithmus, z. B. eines Verfahrens des maschinellen Lernens, vorgenommen werden.
• Vorzugsweise sind als Daten Radardaten vorgesehen, welche von einem Radarsensor erzeugt werden, indem ein Radarsignal ausgesendet wird, das Radarsignal von einem Objekt reflektiert wird und anhand des reflektierten Radarsignals die Radardaten erzeugt werden. Die abhängige Variable kann dabei der Radarquerschnitt (RCS; Radar Cross Section) und die unabhängige Variable die Entfernung zum Objekt sein. In einfacher Weise können somit Datenpunkte abgeleitet werden, wobei jeder Datenpunkt einem RCS-Wert entspricht, z. B. gemessen in Dezibel (dB), der in Abhängigkeit von der Entfernung zum jeweiligen Objekt einen bestimmten Betrag annimmt.
• Dadurch, dass die Quantisierung bzw. die Codierung/Decodierung mit einer festlegbaren Bitlänge erfolgt, wird der Speicherbedarf noch weiter reduziert bzw. wird z. B. eine Objektklassifikation noch weiter vereinfacht.
• Ferner kann die Bitlänge der Quantisierung auch anhand der erforderlichen Genauigkeit der Quantisierung ausgewählt werden. Dadurch kann der Speicherbedarf in besonderem Maße verringert werden, indem eine Quantisierung bzw. Codierung nur in der jeweils erforderlichen Bitlänge erfolgt. Somit kann verhindert werden, dass unnötig lange und speicherintensive Bitlängen verwendet werden.
• Als besonders vorteilhaft hat es sich erwiesen, wenn die Quantisierung der Datenpunkte der Regression vorzugsweise mit mehr als 8 Bits erfolgt, vorzugsweise mit mehr als 16 Bits, besonders vorzugsweise mit mehr als 32 Bits.
• Zweckmäßigerweise kann der Wertebereich der Variablen festlegbar sein. Dabei kann anhand des Wertebereichs die Genauigkeit der Quantisierung bestimmt werden. Unwesentliche und fiktive Rechenoperationen können dadurch ausgeschlossen werden, wodurch sich der Speicherbedarf noch weiter optimieren lässt.
• Vorzugsweise wird ein Parameter von der Regression und/oder der quantisierten 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, wie z. B. einem Gullydeckel, eine Bodenplatte aus Metall, eine Getränkedose oder einem Eisenbahnübergang, handelt oder nicht. Daraus resultiert der Vorteil, dass eine Klassifikation des jeweiligen Objektes in einfacher Weise z. B. mittels eines Algorithmus 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.
• 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 der Regression oder der quantisierten Regression berechnet werden und ist bestens zur Klassifizierung geeignet. Dabei können die Messwerte anhand der Methode der kleinsten Quadrate (Least Squares) optimiert werden, indem eine Ausgleichsgerade bzw. eine lineare 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 von der Regression). Alternativ oder zusätzlich können als Parameter in gleicher vorteilhafter Weise auch der Anstieg der Regression und/oder der Achsenabschnitt und/oder der (Pearson)-Korrelationskoeffizient vorgesehen sein.
• Ferner kann eine Bodenzielwahrscheinlichkeit des Objektes anhand der Regression und/oder der quantisierten Regression berechnet werden. Die Bodenzielwahrscheinlichkeit des Objektes kann anschließend zur Klassifizierung herangezogen werden. Die Fehlersicherheit wird dadurch noch zusätzlich verbessert.
• Gemäß einer besonderen Ausgestaltung der vorliegenden Erfindung ist eine dritte Variable vorgesehen, wobei jeweils eine Summe von allen Variablen, ihrer jeweiligen Kreuzprodukte und ihrer Nebenprodukte gebildet wird, und die Quantisierung anhand der Summen der Variablen sowie der Summen ihrer Nebenprodukte und Kreuzprodukte erfolgt. Dadurch wird in einfacher Weise eine dritte Dimension in die Berechnung eingeführt. Besonders vorteilhaft ist diese Ausgestaltung, um beispielsweise Positionen von Objekten in 3D-Form zu beschreiben. Ausdrücklich umfasst die Erfindung natürlich auch weitere Variablen, die z. B. zur Beschreibung oder Klassifikation von Objekten herangezogen werden können. Das Einsatzgebiet der Erfindung wird dadurch in besonderem Maße erweitert.
• Ferner kann eine Distanz zwischen Radarsensor und Objekt anhand der Radardaten bestimmt werden. Insbesondere kann die Bestimmung der Distanz zwischen Radarsensor und Objekt kontinuierlich erfolgen.
• Die vorliegende Erfindung beansprucht zudem eine Vorrichtung zur Verarbeitung von Daten, die mindestens eine Einheit zum Erzeugen, Aufnehmen, Speichern und/oder Erfassen von Daten umfasst. Die Vorrichtung ist dabei derart ausgelegt bzw. konfiguriert oder konfektioniert, dass eine Quantisierung der Daten anhand des erfindungsgemäßen Verfahrens erfolgt. Bei der Vorrichtung kann es sich beispielsweise um ein Fahrerassistenzsystem, einen Rechner, ein Speichermedium, einen Sensor oder dergleichen handeln.
• Vorzugsweise ist als Einheit zum Erzeugen von Daten ein Sensor, insbesondere ein Radarsensor, ein Lidarsensor und/oder ein Kamerasensor vorgesehen. Ferner können auch andere aus dem Stand der Technik bekannte Sensoren vorgesehen sein.
• 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 schematische Darstellung eines Ausführungsbeispiels eines LSF, wobei als unabhängige Variable der Abstand zu einem Objekt und als abhängige Variable der RCS (Radarquerschnitt) des Objekts dient.
• 3 eine vereinfachte schematische Darstellung eines RCS-Musters und der dazugehörigen LSF für Datenpunkte ohne lineare Modellannahme, bei der sich die LSF in unquantisierter Form und quantisierter Form überlagern, sowie
• 4 eine vereinfachte schematische Darstellung eines RCS-Musters und der dazugehörigen LSF für Datenpunkte mit linearer Modellannahme, bei der sich die LSF in unquantisierter Form und quantisierter Form überlagern.
• 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. Das Objekt wird mit dem Radarsensor 2 beleuchtet, indem der Radarsensor 2 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 Sensordaten bzw. Radardaten wird anschließend ein Radarquerschnitt bzw. ein lineares RCS-Muster gebildet. Dieses RCS-Muster erreicht in einer bestimmten Entfernung zum Objekt ein Maximum M (Verbreitungsfaktor), welches durch Formel $$M=16{\text{sin}}^4\left(\frac{2\pi }{\lambda }\cdot h_s\cdot h_t\cdot \frac{1}{R}\right)$$

  

  definiert ist, wobei Ä die Radarwellenlänge, h_s die Sensorhöhe, 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.
• Bei dem erfindungsgemäßen Verfahren erfolgt eine Klassifikation des Objekts anhand einer für den Radarquerschnitt bestimmten Regression, insbesondere einer einfachen linearen Regression oder einer linearen Anpassung anhand der Methode der kleinsten Quadrate (Least Squares). Eine derartige lineare Regression bzw. lineare Anpassung ist ein lineares Regressionsmodell mit einer unabhängigen Variablen und einer abhängigen Variablen. Das Ziel besteht darin, für zweidimensionale Abtastpunkte eine z. B. lineare Funktion bzw. Regression zu finden, die den z. B. anhand des Radarsensors aufgenommenen Datenpunkten so genau wie möglich entspricht. Ein Beispiel für eine derartige lineare Regression LSF ist in 2 exemplarisch dargestellt, wobei die unabhängige Variable den Abstand zu dem jeweiligen Objekt und die abhängige Variable den Radarquerschnitt RCS des Objekts darstellt. Ein Beispiel der LSF für Datenpunkte, die die lineare Modellannahme nicht respektieren, ist in 3 in unquantisierter (LSF O) und quantisierter Form (LSF Q) unter Verwendung einer beispielhaften Quantisierung von 16 Bits für jede Variable gezeigt. LSF O und LSF Q verlaufen hierbei im Wesentlichen gleich, sodass diese als überlagertes LSF OQ dargestellt ist. Zusätzlich werden einige Merkmale, die von der Regression erzeugt werden, in unquantisierter und quantisierter Form dargestellt, wie z. B. die Abweichung des quadratischen Mittels (RMSE), die Steigung und der Achsenabschnitt. Wie in den unteren vier Diagrammen in 3 gezeigt, stimmen dabei die Ergebnisse der quantisierten LSF Q und nicht quantisierten LSF O im Wesentlichen überein, sodass das der Verlauf von O und Q jeweils überlagert als OQ dargestellt ist. Demzufolge können die quantisierten Daten in einfacher Weise verwendet werden, um die gewünschten Rechenoperationen besonders speichersparend durchzuführen.
• Ergänzend zeigt 4 weitere Messungen mit ähnlichen Ergebnissen wie in 3, die zusätzlich die lineare Modellannahme berücksichtigen. In dem vorgeschlagenen Anwendungsszenario wird der LSF-Algorithmus als ein Online- (oder inkrementeller) Lernalgorithmus verwendet, da die Daten sequentiell durch den Sensor über mehrere Zyklen erzeugt werden. Die herkömmliche Datenstruktur zum Speichern der Informationen bzw. der linearen (Online)-Regression besteht aus fünf Gleitkommawerten und einem vorzeichenlosen Ganzzahlwert als Zählervariable. Die Gleitkommavariablen speichern die Summe der X-Werte, die Summe der Y-Werte sowie die Summe der Produkte XX, XY und/oder YY: $${\text{sumX}}_{\text{D}}={\displaystyle \sum _{i=1}^N{x}_i}$$

  

  $${\text{sumY}}_{\text{D}}={\displaystyle \sum _{i=1}^N{y}_i}$$

  

  $${\text{sumXX}}_{\text{D}}={\displaystyle \sum _{i=1}^N{x}_i^2}$$

  

  $${\text{sumXY}}_{\text{D}}={\displaystyle \sum _{i=1}^N{x}_i{y}_i}$$

  

  $${\text{sumYY}}_{\text{D}}={\displaystyle \sum _{i=1}^N{y}_i^2}$$

  
• Hierbei ist N die aktuelle Anzahl von gesammelten Abtastwerten, x_i und y_i sind jeweils der Datenpunkt zum Zeitpunkt i. Der Index D repräsentiert die decodierte (oder nicht quantisierte) Variable. Beispielsweise kann dadurch erreicht werden, dass der gesamte Speicherverbrauch einer linearen Regression nur 24 Bytes beträgt, wenn z. B. die Gleitkommavariablen und der vorzeichenlose Ganzzahlzähler als 32-Bit-Variablen gespeichert sind. Wenn dann eine große Anzahl von linearen Regressionen auf Systemen mit begrenzter Speichermenge (RAM), wie z. B. in eingebetteten Systemen, ausgeführt wird, kann es notwendig sein, den Speicherverbrauch zu reduzieren. In einfacher Weise kann hierzu die Information der Summen auf eine adaptive Weise quantisiert werden.
• Vorzugsweise werden derartige Erkenntnisse im Wertebereich von Variablen genutzt, um quantisierte Variablen zur Speicherung der Information der Summenvariablen zu verwenden. In dem vorliegenden Ausführungsbeispiel repräsentiert die x-Variable die Entfernung zu einem Objekt. Somit erreicht die x-Variable nur nicht-negative Werte und ihr Maximalwert ist durch die maximale Reichweite des Sensors begrenzt. Da die y-Variable die RCS des Objekts darstellt, ist ihr Wertebereich ebenfalls auf bekannte Werte beschränkt. Beispielsweise kann, wenn die Summenvariablen z. B. als 16 Bits Integer-Werte codiert werden, der Speicherverbrauch der linearen Regression auf 12 Byte reduziert (und ggf. auch zusätzliche Hilfslimitierungsvariablen, falls erforderlich).
• Im Folgenden werden beispielhaft die Codier- und Decodierschemata für das Szenario gezeigt. Dabei kann die x-Variable nur positive Werte annehmen und die y-Variable sowohl positive als auch negative Werte, die insbesondere um Null herum zentriert sind. In einfacher Weise, können die Schemata jedoch auch auf Szenarien ausgeweitet werden, in denen der Variablenbereich nicht um Null herum zentriert ist, indem die Variable zuerst auf den Mittelwert um einen bestimmten Betrag verschoben wird. Je nach Anwendung kann dieser Verschiebungsbetrag bekannt sein oder zusätzliche Hilfsgrößen erforderlich machen.
• Die Codierung bzw. Verschlüsselung der Variablen kann dabei durch einen Algorithmus angegeben werden, beispielsweise indem $${\text{sumX}}_{\text{E}}={\text{sumX}}_D\frac{1}{N}\frac{2^{n_{\text{BITx}}}-1}{\underset{i}{\text{max}}\left(x_i\right)}$$

  

  $${\text{sumY}}_{\text{E}}={\text{sumY}}_D\frac{1}{N}\frac{2^{n_{\text{BITy}}-1}-1}{\underset{i}{\text{max}}\left(\text{abs}\left(y_i\right)\right)}$$

  

  $${\text{sumXX}}_{\text{E}}={\text{sumXX}}_D\frac{1}{N}\frac{2^{n_{\text{BITxx}}}-1}{{\left(\underset{i}{\text{max}}\left(x_i\right)\right)}^2}$$

  

  $${\text{sumXY}}_E={\text{sumXY}}_D\frac{1}{N}\frac{2^{n_{\text{BITxy}}-1}-1}{\underset{i}{\text{max}}\left(x_i\right)\underset{i}{\text{max}}\left(\text{abs}\left(y_i\right)\right)}$$

  

  $${\text{sumYY}}_E={\text{sumYY}}_D\frac{1}{N}\frac{2^{n_{{\text{BIT}}_{\text{yy}}}}-1}{{\left(\underset{i}{\text{max}}\left(\text{abs}\left(y_i\right)\right)\right)}^2}$$

  

  wobei der Index E eine codierte oder quantisierte Variable ist. Ferner ist n_BIT die für die Quantisierung benötigte Anzahl von Bits pro entsprechender Variable, d. h. die Bitlänge. Aufgrund dessen, dass die abhängige Variable y sowohl positive als auch negative Werte erreichen kann, muss die Bitlänge sowohl für die Quantisierung der Variablen y als auch des Kreuzprodukts xy z. B. um den Betrag Eins verringert werden. In einfacher Weise kann dadurch die Bitlänge jeder Größe bzw. Variable an die erforderliche Genauigkeit angepasst werden.
• Bei dem vorliegenden Quantisierungsschema handelt es sich ausdrücklich um ein allgemeines Quantisierungsschema, da es auf zwei Arten adaptiv ist: Erstens kann die Bitlänge jeder Größe, d. h. die Summen der Variablen und die Summe ihrer Nebenprodukte und Kreuzprodukte, anhand der erforderlichen Genauigkeit individuell ausgewählt werden. Zweitens ist der Wertebereich der Variablen x und y adaptiv, wodurch die erforderliche Genauigkeit der Quantisierung erzielt werden kann. Der Wertebereich der Variablen kann der Anwendung dabei von vornherein bekannt sein. Anderenfalls könnte es notwendig sein, die Maximalwerte in Hilfsvariablen zu speichern, die natürlich auch bitadaptiv durchgeführt werden können. In einfacher Weise kann die Decodierung bzw. Entschlüsselung der Größen durch den inversen Prozess angegeben werden, mit $${\text{sumX}}_D={\text{sumX}}_E\frac{\underset{i}{\text{max}}\left(x_i\right)}{2^{n_{\text{BITx}}}-1}N$$

  

  $${\text{sumY}}_D={\text{sumY}}_E\frac{\underset{i}{\text{max}}\left(\text{abs}\left(y_i\right)\right)}{2^{n_{\text{BIT}}-1}-1}N$$

  

  $${\text{sumXX}}_D={\text{sumXX}}_E\frac{{\left(\underset{i}{\text{max}}\left(x_i\right)\right)}^2}{2^{n_{\text{BITxx}}}-1}N$$

  

  $${\text{sumXY}}_D={\text{sumXY}}_E\frac{\underset{i}{\text{max}}\left(x_i\right)\underset{i}{\text{max}}\left(\text{abs}\left(y_i\right)\right)}{2^{n_{\text{BITxy}}-1}-1}N$$

  

  $${\text{sumYY}}_D={\text{sumYY}}_E\frac{{\left(\underset{i}{\text{max}}\left(\text{abs}\left(y_i\right)\right)\right)}^2}{2^{n_{\text{BITyy}}}-1}N$$

  

  Zusammenfassend wird durch das vorliegende Verfahren ein spezifisches Quantisierungskonzept für die Datenstruktur der linearen Kleinste-Quadrate-Anpassung geschaffen, welches es erlaubt, den Speicherverbrauch der einfachen linearen Regression vollständig adaptiv zu reduzieren: Zum einen kann die Bitlänge jeder Größe, d. h. die Summen der Variablen und die Summe ihrer Co-Produkte und Cross-Produkte, individuell basierend auf der notwendigen Präzision ausgewählt werden. Zum anderen muss der Wertebereich der Variablen x und y berücksichtigt werden und adaptiv sein, was zu der erforderlichen Genauigkeit führt, um die Genauigkeit der Quantisierung zu erhöhen. Der Wertebereich der Variablen kann der Anwendung von vornherein bekannt sein. Andererseits könnte es notwendig sein, die Maximalwerte in Hilfsvariablen zu speichern, die natürlich auch bitadaptiv durchgeführt werden können. Ein wesentlicher Gedanke dieses Quantisierungskonzepts liegt dabei in der vollständig adaptiven Quantisierung der Summen von zwei Variablen und der Summen ihrer Nebenprodukte und Kreuzprodukte, während gleichzeitig die für Hilfsvariablen benötigte Speichermenge minimiert wird.
• Bezugszeichenliste

1

Radarsensor

2

Bodenobjekt

3

Fahrzeug

RCS

Radarquerschnitt

LSF

Lineare Regression

LSF O

Lineare Regression (unquantisiert)

LSF Q

Lineare Regression (quantisiert)

LSF OQ

überlagerte lineare Regression (quantisiert und unquantisiert)

OQ

Verlauf der Parameterkurve (quantisiert und unquantisiert)

• 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]
• DE 69517752 T2 [0005]

Claims (16)

1. Verfahren zum Verarbeiten von Daten, insbesondere Sensordaten, bei dem die Daten anhand von mindestens zwei Variablen (x, y) gesammelt werden, wobei mindestens eine unabhängige Variable (x) und eine abhängige Variable (y) vorgesehen sind, jeweils eine Summe von den Variablen, ihrer Kreuzprodukte und ihrer Nebenprodukte gebildet wird, wobei eine Quantisierung der Summen der Variablen sowie der Summen ihrer Nebenprodukte und Kreuzprodukte erfolgt.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass eine Regression der Daten vorgesehen ist und die Regression anhand der Quantisierung der Daten erstellt wird.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass es sich bei der Regression um eine lineare Regression und/oder um eine lineare Anpassung nach der Methode der kleinsten Quadrate handelt.
4. Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass als Daten Radardaten vorgesehen sind, welche von einem Radarsensor (1) erzeugt werden, indem ein Radarsignal ausgesendet wird, das Radarsignal von einem Objekt reflektiert wird und anhand des reflektierten Radarsignals die Radardaten erzeugt werden.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass eine Klassifizierung des Objekts vorgesehen ist, wobei die Quantisierung der Regression zu der Klassifikation des Objekts herangezogen wird.
6. Verfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, dass als abhängige Variable (x) ein Radarquerschnitt (RCS) und als unabhängige Variable (y) eine Entfernung zu einem Objekt vorgesehen sind.
7. Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Quantisierung mit einer festlegbaren Bitlänge erfolgt.
8. Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Bitlänge der Quantisierung anhand der erforderlichen Genauigkeit der Quantisierung ausgewählt wird.
9. Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Quantisierung der Datenpunkte mit mehr als 8 Bits, vorzugsweise mit mehr als 16 Bits, besonders vorzugsweise mit mehr als 32 Bits erfolgt.
10. Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Wertebereich der Variablen (x, y) festlegbar ist und anhand des Wertebereichs die Genauigkeit der Quantisierung bestimmt wird.
11. Verfahren nach mindestens einem der Ansprüche 5-10, dadurch gekennzeichnet, dass ein Parameter von der Regression und/oder der quantisierten Regression abgeleitet wird und der Parameter zur Klassifikation des Objekts herangezogen wird.
12. Verfahren nach Anspruch 11, 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/sind.
13. Verfahren nach Anspruch 11 oder 12, dadurch gekennzeichnet, dass eine Bodenzielwahrscheinlichkeit des Objekts anhand der Regression bestimmt und die Bodenzielwahrscheinlichkeit zur Klassifikation des Objekts herangezogen wird.
14. Verfahren nach mindestens einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass neben den Variablen (x, y) eine dritte Variable (z) vorgesehen ist, und jeweils eine Summe von den Variablen, ihrer Kreuzprodukte und ihrer Nebenprodukte gebildet wird, und eine Quantisierung der Summen der Variablen (x, y, z) sowie der Summen ihrer Nebenprodukte und Kreuzprodukte erfolgt.
15. Vorrichtung zur Verarbeitung von Daten, insbesondere Daten eines Sensors, umfassend eine Einheit zum Erzeugen und/oder Aufnehmen von Daten, dadurch gekennzeichnet, dass die Vorrichtung derart ausgelegt ist, dass eine Verarbeitung der Daten anhand eines Verfahrens nach mindestens einem der vorhergehenden Ansprüche erfolgt.
16. Vorrichtung nach Anspruch 15, dadurch gekennzeichnet, dass als Einheit zum Erzeugen von Daten ein Sensor, insbesondere ein Radarsensor (1), ein Lidarsensor und/oder ein Kamerasensor vorgesehen ist.

Images