DE102019105651B4

DE102019105651B4 - Klassifikation von Signalobjekten innerhalb von Ultraschallempfangssignalen und komprimierte Übertragung von Symbolen als Repräsentanten dieser Signalobjekte an eine Rechnereinheit zur Objekterkennung

Info

Publication number: DE102019105651B4
Application number: DE102019105651.9A
Authority: DE
Inventors: Dennis Kreiß
Original assignee: Elmos Semiconductor SE
Current assignee: Elmos Semiconductor SE
Priority date: 2018-03-16
Filing date: 2019-03-06
Publication date: 2023-03-23
Anticipated expiration: 2039-03-07
Also published as: DE102019105651A1

Abstract

Verfahren zur Übertragung von Sensordaten, insbesondere eines Ultraschallsensors, von einem Sensor zu einem Rechnersystem, insbesondere in einem Fahrzeug, aufweisend oder umfassend die Schritte- Aussenden eines Ultraschall-Bursts;- Empfangen eines Ultraschallsignals und bilden eines Ultraschallempfangssignals;- Bilden eines Feature-Vektor-Signals (124) aus dem Ultraschallempfangssignal (1);- Erkennen von Signalobjekten und Klassifizieren dieser Signalobjekte in zuerkannte Signalobjektklassen innerhalb des Ultraschallempfangssignals (1),• wobei eine Signalobjektklasse auch nur ein Signalobjekt umfassen kann und• wobei jedem somit erkannten und klassifizierten Signalobjekt (122) zumindest ein zugeordneter Signalobjektparameter und ein Symbol entsprechend der diesem Signalobjekt zuerkannten Signalobjektklasse zugeordnet werden oder• wobei jedem somit erkannten und klassifizierten Signalobjekt (122) zumindest ein zugeordneter Signalobjektparameter und ein Symbol für dieses Signalobjekt bestimmt werden;- Übertragen zumindest des Symbols eines erkannten Signalobjektklasse (122) und zumindest des einen zugeordneten Signalobjektparameters dieser erkannten Signalobjektklasse (122),- wobei das Übertragen zumindest des Symbols einer erkannten Signalobjektklasse und zumindest des einen zugeordneten Signalobjektparameters dieser erkannten Signalobjektklasse zeitlich priorisiert bezogen auf die zeitliche Versendereihenfolge durch diesen Sensor der Symbole der innerhalb dieses Sensors erkannten Signalobjektklassen und zumindest des der diesen jeweils zugeordneten Signalobjektparameter von diesem Sensor zu dem Rechnersystem in einer Punkt-zu-Punktverbindung erfolgt.

Description

Oberbegriff
Die Erfindung richtet sich auf ein Verfahren zur Übertragung von Daten eines Ultraschallsensorsystems für Einparkhilfen in Fahrzeugen an ein Rechnersystem und eine entsprechende Vorrichtung. Grundgedanke ist die Erkennung von potenziell relevanten Strukturen im Messsignal und die Kompression dieses Messsignals durch Übertragung nur dieser erkannten, potenziell relevanten Strukturen anstelle des Messsignals selbst. Die eigentliche Erkennung von Objekten, z.B. Hindernissen für den Einparkvorgang, findet erst nach Rekonstruktion des Messsignals als rekonstruiertes Messsignal im Rechnersystem statt, wo typischerweise mehrere solcher dekomprimierten Messsignale mehrerer Ultraschallsensorsysteme zusammenkommen. Hier wird die Kompression der Daten durch Strukturerkennung im Messsignal beansprucht.
Allgemeine Einleitung
Ultraschallsensorsysteme für Einparkhilfen in Fahrzeugen erfreuen sich zunehmender Beliebtheit. Hierbei besteht der Wunsch immer mehr Daten des eigentlichen Messsignals des Ultraschallsensors an ein zentrales Rechnersystem zu übertragen, wo diese mit Daten anderer Ultraschallsensorsysteme und auch andersartiger Sensorsysteme, z.B. Radarsystemen, durch Sensor-Fusion zu sogenannten Umgebungs- oder Umweltkarten umgearbeitet werden. Es besteht daher der Wunsch, eine Objekterkennung nicht im Ultraschallsensorsystem selbst, sondern erst durch eben diese Sensorfusion erst im Rechnersystem vorzunehmen, um Datenverluste zu vermeiden und so die Wahrscheinlichkeit für Fehlinformationen und damit Fehlentscheidungen und somit Unfällen abzusenken. Gleichzeitig ist aber die Übertragungsbandbreite der verfügbaren Sensordatenbusse begrenzt. Deren Austausch soll vermieden werden, da sie sich im Feld bewährt haben. Es besteht daher gleichzeitig der Wunsch, die Menge der zu übertragenden Daten nicht ansteigen zu lassen. Kurzum: Der Informationsgehalt der Daten und deren Relevanz für die spätere im Rechnersystem ablaufende Hinderniserkennung (Objekterkennung) muss gesteigert werden, ohne die Datenrate zu sehr anheben zu müssen - besser: Ohne die Datenrate überhaupt vergrößern zu müssen. Ganz im Gegenteil: Bevorzugt sollte der Datenratenbedarf sogar gesenkt werden, um Datenratenkapazitäten für die Übermittlung von Statusdaten und Selbsttestinformationen des Ultraschallsensorsystems an das Rechnersystem zuzulassen, was im Rahmen der Funktionalen Sicherheit (FuSi) zwingend erforderlich ist. Diesem Problem widmet sich die hier vorgelegte Offenlegung.
Im Stand der Technik sind bereits verschiedene Methoden der Bearbeitung eines Ultraschallsensorsignals bekannt.
Aus der WO 2012 / 016 834 A1 ist beispielsweise solch ein Verfahren zur Auswertung eines Echosignals zur Fahrzeugumfelderfassung bekannt. Es wird dort vorgeschlagen, ein Messsignal mit einer vorgebbaren Codierung und Form auszusenden und in dem Empfangssignal mittels einer Korrelation mit dem Messsignal nach den Anteilen des Messsignals im Empfangssignal zu suchen und diese zu bestimmen. Der Pegel der Korrelation und nicht der Pegel der Hüllkurve des Echosignals wird dann mit einem Schwellwert bewertet.
Aus der DE 4 433 957 A1 ist bekannt, zur Hinderniserkennung Ultraschallimpulse periodisch auszustrahlen und aus der Laufzeit auf die Position von Hindernissen zu schließen, wobei bei der Bewertung zeitlich über mehrere Messzyklen korreliert bleibende Echos verstärkt werden, währen unkorreliert bleibende Echos unterdrückt werden.
Aus der DE 10 2012 015 967 A1 ist ein Verfahren zum Dekodieren eines von einem Ultraschallsensor eines Kraftfahrzeugs empfangenen Empfangssignals bekannt, bei welchem ein Sendesignal des Ultraschallsensors kodiert ausgesendet wird und zur Dekodierung das Empfangssignal mit einem Referenzsignal korreliert wird, wobei vor dem Korrelieren des Empfangssignals mit dem Referenzsignal eine Frequenzverschiebung des Empfangssignals gegenüber dem Sendesignal bestimmt wird und das Empfangssignal mit dem um die ermittelte Frequenzverschiebung in seiner Frequenz verschobenen Sendesignal als Referenzsignal korreliert wird, wobei zur Bestimmung der Frequenzverschiebung des Empfangssignals selbiges Empfangssignal einer Fourier-Transformation unterzogen wird und die Frequenzverschiebung anhand eines Ergebnisses der Fourier-Transformation bestimmt wird.
Aus der DE 10 2011 085 286 A1 ist ein Verfahren zur Erfassung der Umgebung eines Fahrzeugs mittels Ultraschall, wobei Ultraschallpulse ausgesendet und die an Objekten reflektierten Ultraschallechos detektiert werden, dadurch gekennzeichnet, dass der Erfassungsbereich in mindestens zwei Entfernungsbereiche unterteilt ist, wobei die für die Erfassung im jeweiligen Entfernungsbereich verwendeten Ultraschallpulse voneinander unabhängig ausgesendet werden und durch verschiedene Frequenzen kodiert sind.
Aus der WO 2014 108 300 A1 sind Vorrichtung und ein Verfahren zur Umfeldsensorik mittels eines Signalwandlers und einer Auswerteeinheit bekannt, wobei aus dem Umfeld empfangener Signale mit einer ersten Impulsantwortlänge zu einem ersten Zeitpunkt während eines Messzyklus und mit einer zweiten längeren Impulsantwortlänge zu einem zweiten späteren Zeitpunkt innerhalb desselben Messzyklus Signale laufzeitabhängig gefiltert werden.
Aus der DE 10 2015 104 934 A1 ist ein Verfahren zum Bereitstellen von einem in einem Umgebungsbereich eines Kraftfahrzeugs erfassten Objekt abhängigen Informationen bekannt. Bei dem Verfahren der DE 10 2015 104 934 A1 wird der Umgebungsbereich des Kraftfahrzeugs mit einer Sensoreinrichtung des Kraftfahrzeugs erfasst und eine Information an einer Kommunikationsschnittstelle im Kraftfahrzeug bereitgestellt. Dabei werden Sensor-Rohdaten als Information über einen zwischen der Sensoreinrichtung und einem im Umgebungsbereich erfassten Objekt erkannter Freiraum in einer sensoreinrichtungsseitigen Steuereinheit abgelegt. Diese Sensor-Rohdaten werden gemäß der technischen Lehre der DE 10 2015 104 934 A an einer mit der sensoreinrichtungsseitigen Steuereinheit verbundenen Kommunikationsschnittstelle zur Übertragung an und zur Weiterverarbeitung mit einer weiteren Steuereinheit einer die beiden Steuereinheiten umfassenden und zur Erstellung einer Umgebungsbereichskarte ausgebildeten Verarbeitungseinrichtung bereitgestellt.
Die technischen Lehren der obigen Schutzrechte sind allesamt von dem Gedanken geleitet, die Erkennung eines Objekts vor dem Fahrzeug mit Hilfe des Ultraschallsensors bereits im Ultraschallsensor durchzuführen und dann erst die Objektdaten nach Erkennung der Objekte zu übertragen. Hierbei gehen jedoch Synergieeffekte bei der Verwendung mehrerer Ultraschallsender verloren.
Aus der DE 10 2010 041 424 A1 ist ein Verfahren zum Erfassen eines Umfelds eines Fahrzeugs mit einer Anzahl Sensoren bekannt, bei dem von mindestens einem Sensor während zumindest eines Echo-Zyklus mindestens eine Echo-Information zu dem Umfeld erfasst und mit einem Algorithmus komprimiert wird, und bei dem die mindestens eine komprimierte Echo-Information an mindestens eine Verarbeitungseinheit übertragen wird. Zwar fokussiert sich die DE 10 2010 041424 A1 auch auf die komprimierte Übertragung von erkannten Objektdaten, es wird aber bereits erkannt, dass es ganz allgemein sinnvoll ist, Daten, die aus dem empfangenen Echo-Signal extrahiert werden (Echo-Informationen) komprimiert an das Steuergerät zu übertragen, ohne dass eine Kompressionsmethode angegeben wird.
Aus der US 2006 / 0 250 297 A1 ist ein System zur Sensorfusion bekannt.
Aus der DE 10 2013 226 376 A1 ist ein Verfahren zum Betreiben eines Sensorsystems, insbesondere eines Ultraschallsensorsystems, mit einem Ultraschallsensor und mit einem Steuergerät bekannt. Gemäß der technischen Lehre der DE 10 2013 226 376 A1 werden in einer Vorrichtung der DE 10 2013 226 376 A1 Daten von einem Ultraschallsensor an ein Steuergerät strommoduliert übertragen. Gemäß der technischen Lehre der DE 10 2013 226 376 A1 werden Daten von dem Steuergerät an den mindestens einen Ultraschallsensor spannungsmoduliert übertragen.
Aus der WO 2018 / 210 966 A1 ist ein Verfahren zum Konfigurieren eines Sensorsystems für ein Kraftfahrzeug bekannt. Gemäß der technischen Lehre der WO 2018 / 210 966 A1 weist das Sensorsystem der WO 2018 / 210 966 A1 zumindest einen Sensor auf. Das Verfahren der WO 2018 / 210 966 A1 umfasst a) das Emittieren eines Sensorsignals in eine Umgebung des Kraftfahrzeugs durch das Sensorsystem der WO 2018 / 210 966 A1 und b) das Detektieren eines in der Umgebung reflektierten Echos des Sensorsignals durch den Sensor der WO 2018 / 210 966 A1 als analoges Datensignal und c) das Umwandeln des analogen Datensignals in ein digitales Datensignal durch eine dem Sensor der WO 2018 / 210 966 A1 entsprechend der technischen Lehre der WO 2018 / 210 966 A1 zugeordnete Analog-Digital-Wandlereinrichtung mit einer vorgebbaren Wandler-Parametereinstellung und d) das Bereitstellen des digitalen Datensignals an ein Steuergerät einer Vorrichtung gemäß der technischen Lehre der WO 2018 / 210 966 A1 und e) das Auswerten des digitalen Datensignals in dem Steuergerät der Vorrichtung der WO 2018 / 210 966 A1 durch ein neuronales Netzwerk und f) das Verändern der Wandler-Parametereinstellung in Abhängigkeit eines Ergebnisses des Auswertens des digitalen Datensignals, falls das Ergebnis des Auswertens von einem Referenzergebnis abweicht, um die Effizienz des Sensorsystems der WO 2018 / 210 966 A1 zu erhöhen.
Aus der Schrift DE 10 2017 108 348 B3 ist ein Verfahren zum Konfigurieren eines Sensorsystems für ein Kraftfahrzeug bekannt, wobei das Sensorsystem zumindest einen Sensor aufweist. Das Verfahren der DE 10 2017 108 348 B3 umfasst a) das Emittieren eines Sensorsignals in eine Umgebung des Kraftfahrzeugs durch das Sensorsystem der DE 10 2017 108 348 B3 und b) das Detektieren eines in der Umgebung reflektierten Echos des Sensorsignals durch den Sensor der DE 10 2017 108 348 B3 als analoges Datensignal und c) das Umwandeln des analogen Datensignals in ein digitales Datensignal durch eine dem Sensor der DE 10 2017 108 348 B3 zugeordnete Analog-Digital-Wandlereinrichtung der DE 10 2017 108 348 B3 mit einer vorgebbaren Wandler-Parametereinstellung und d) das Bereitstellen des digitalen Datensignals an ein Steuergerät der Vorrichtung der DE 10 2017 108 348 B3 und e) das Auswerten des digitalen Datensignals in dem Steuergerät der DE 10 2017 108 348 B3 durch ein neuronales Netzwerk und f) das Verändern der Wandler-Parametereinstellung in Abhängigkeit eines Ergebnisses des Auswertens des digitalen Datensignals, falls das Ergebnis des Auswertens von einem Referenzergebnis abweicht, um die Effizienz des Sensorsystems zu erhöhen.
Aufgabe
Der Erfindung liegt daher die Aufgabe zugrunde, eine Lösung zu schaffen die die obige Aufgabe der Senkung des Bedarfs an Busbandbreite für die Übertragung von Messdaten vom Ultraschallsensorsystem zum Rechnersystem löst und ggf. weitere Vorteile aufweist.
Diese Aufgabe wird durch ein Verfahren nach Anspruch 1 gelöst.
Lösung
Wie oben erläutert sind die die technischen Lehren aus dem Stand der Technik allesamt von dem Gedanken geleitet, die Erkennung eines Objekts vor dem Fahrzeug mit Hilfe des Ultraschallsensors bereits im Ultraschallsensor durchzuführen und dann erst die Objektdaten nach Erkennung der Objekte zu übertragen. Da hierbei jedoch Synergieeffekte bei der Verwendung mehrerer Ultraschallsender verloren gehen wurde im Rahmen der Ausarbeitung der hier vorgelegten Offenlegung erkannt, dass es nicht sinnvoll ist, nur die Echo-Daten des Ultraschallsensors selbst, sondern alle Daten zu übertragen und erst in einem zentralen Rechnersystem die Daten mehrerer Sensoren auszuwerten. Hierfür muss die Kompression der Daten für die Übertragung über einen Datenbus mit geringerer Busbandbreite aber anders erfolgen als im Stand der Technik. Hierdurch können dann Synergieeffekte erschlossen werden. So ist es beispielsweise, denkbar, dass ein Fahrzeug mehr als einen Ultraschallsensor aufweist. Um die beiden Sensoren unterscheiden zu können ist es sinnvoll, wenn diese beiden Sensoren mit unterschiedlicher Codierung senden. Im Gegensatz zum Stand der Technik sollen beide Sensoren aber nun die Ultraschallechos beider Abstrahlungen beider Ultraschallsensoren erfassen und geeignet komprimiert an das zentrale Rechnersystem übertragen, wo die Ultraschallempfangssignale rekonstruiert werden. Erst nach der Rekonstruktion (Dekompression) erfolgt die Erkennung der Objekte. Dies ermöglicht zudem die Fusion der Ultraschallsensordaten mit weiteren Sensorsystemen wie Radar etc.
Es wird ein Verfahren zur Übertragung von Sensordaten von einem Sensor zu einem Rechnersystem vorgeschlagen. Besonders geeignet ist das Verfahren für die Verwendung zur Übertragung von Daten eines Ultraschallempfangssignals von einem Ultraschallsensor an ein Steuergerät als Rechnersystem in einem Fahrzeug. Das Verfahren wird anhand der 1 erläutert. Gemäß dem vorgeschlagenen Verfahren wird zunächst ein Ultraschall-Burst erzeugt und in einen Freiraum, typischerweise im Umfeld des Fahrzeugs ausgesendet (Schritt α der 1). Ein Ultraschall-Burst besteht dabei aus mehreren mit Ultraschallfrequenz aufeinander folgenden Schallpulsen. Dieser Ultraschall-Burst entsteht dadurch, dass ein mechanischer Schwinger in einem Ultraschallsender oder Ultraschall-Transducer langsam anschwingt und wieder ausschwingt. Der so von dem beispielhaften Ultraschall-Transducer ausgesendete Ultraschall-Burst wird dann an Objekten im Umfeld des Fahrzeugs reflektiert und durch einen Ultraschallempfänger oder den Ultraschall-Transducer selbst als Ultraschallsignal empfangen und in ein elektrisches Empfangssignal umgewandelt (Schritt β der 1). Besonders bevorzugt ist der Ultraschallsender identisch mit dem Ultraschallempfänger und wird im Folgenden dann als Transducer bezeichnet. Das im Folgenden erläuterte Prinzip lässt sich aber auch für getrennte Empfänger und Sender anwenden. In dem vorgeschlagenen Ultraschallsensor befindet sich eine Signalverarbeitungseinheit, die nun das so empfangene elektrische Empfangssignal analysiert und komprimiert (Schritt y der 1), um die notwendige Datenübertragung zu minimieren und Freiraum für die besagten Statusmeldungen und weitere Steuerbefehle des Steuerrechners an die Signalverarbeitungseinheit bzw. das Ultraschallsensorsystem zu schaffen. Anschließend wird das komprimierte elektrische Empfangssignal an das Rechnersystem übertragen (Schritt δ der 1).
Das zugehörige Verfahren dient somit zur Übertragung von Sensordaten, insbesondere eines Ultraschallsensors, von einem Sensor zu einem Rechnersystem, insbesondere in einem Fahrzeug. Es beginnt mit dem Aussenden eines Ultraschall-Bursts (Schritt α der 1). Es folgt das Empfangen eines Ultraschallsignals und das Bilden eines elektrischen Empfangssignals (Schritt β der 1) sowie die Durchführen einer Datenkompression des Empfangssignals (Schritt y der 1)zur Erzeugung komprimierter Daten (Schritt y der 1) und die Erfassung mindestens zwei oder drei oder mehr vorbestimmter Eigenschaften. Bevorzugt wird das elektrische Empfangssignal durch Abtastung (Schritt ya der 2) in ein abgetastetes Empfangssignal verwandelt, das aus einem zeitdiskreten Strom von Abtastwerten besteht. Jedem Abtastwert kann dabei typischerweise ein Abtastzeitpunkt als Zeitstempel dieses Abtastwertes zugeordnet werden. Die Kompression kann beispielsweise durch eine Wavelet-Transformation (Schritt yb der 2) erfolgen. Hierfür kann das empfangene Ultraschallsignal in Form des abgetasteten Empfangssignals mit vorbestimmten Signal-Grundformen, die beispielsweise in einer Bibliothek abgelegt sind, durch Bildung eines Korrelationsintegrals (siehe auch Wikipedia zu diesem Begriff) zwischen den vorbestimmten Signal-Grundformen und dem abgetasteten Empfangssignal verglichen werden. Die vorbestimmten Signal-Grundformen werden im Folgenden auch Signalobjektklassen genannt. Durch die Bildung des Korrelationsintegrals werden für jeden dieser prototypischen Signalobjektklassen jeweils zugehörige Spektralwerte dieser prototypischen Signalobjektklasse ermittelt. Da dies fortlaufend geschieht, stellen die Spektralwerte selbst einen Strom von zeitdiskreten momentanen Spektralwerten dar, wobei jedem Spektralwert wieder ein Zeitstempel zugeordnet werden kann. Eine alternative, aber mathematisch äquivalente Methode ist die Verwendung von Optimalfiltern (englisch matched-filter) je vorbestimmter Signalobjektklasse (Signal-Grundform). Da in der Regel mehrere prototypische Signalobjektklassen verwendet werden, die zudem noch unterschiedlichen zeitlichen Spreizungen unterworfen werden können (siehe auch „Wavelet-Analyse“), ergibt sich auf diese Weise typischerweise ein zeitdiskreter Strom multidimensionaler Vektoren von Spektralwerten unterschiedlicher prototypischer Signalobjektklassen und deren unterschiedlicher jeweiligen zeitlicher Spreizungen. Wobei jedem dieser multidimensionalen Vektoren wieder ein Zeitstempel zugeordnet wird. Jeder dieser multidimensionalen Vektoren ist ein sogenannter Feature-Vektor. Es handelt sich somit um einen zeitdiskreten Strom von Feature-Vektoren. Jedem dieser Feature-Vektoren ist bevorzugt wieder ein Zeitstempel zugeordnet. (Schritt yb der 2)
Durch die fortlaufende zeitliche Verschiebung ergibt sich somit auch eine zeitliche Dimension. Hierdurch kann der Feature-Vektor der Spektralwerte auch um Werte der Vergangenheit oder Werte, die von diesen abhängen, beispielsweise zeitliche Integrale oder Ableitungen oder Filterwerte von einem oder mehreren dieser Werte etc. ergänzt werden. Dies kann die Dimensionalität dieser Feature-Vektoren innerhalb des Feature-Vektor-Datenstroms weiter erhöhen. Um den Aufwand im Folgenden klein zu halten, ist daher die Beschränkung auf wenige prototypische Signalobjektklassen während der Extraktion der Feature-Vektoren aus dem abgetasteten Eingangssignal des Ultraschallsensors sinnvoll. Somit können dann beispielsweise Optimalfilter (englisch matched filter) verwendet werden, um fortlaufend das Auftreten dieser prototypischen Signalobjektklassen im Empfangssignal zu überwachen.
Als besonders einfache prototypische Signalobjektklassen können hier beispielsweise das gleichschenklige Dreieck und die Doppelspitze besonders benannt werden. Eine prototypische Signalobjektklasse besteht dabei in der Regel aus einem vorgegebenen Spektralkoeffizientenvektor, also einem vorgegebenen prototypischen Feature-Vektor-Wert.
Für die Bestimmung der Relevanz der Spektralkoeffizienten eines Feature-Vektors eines Ultraschall-Echo-Signals erfolgt die Bestimmung des Betrags eines Abstands dieser Eigenschaften, der Elemente des Vektors der momentanen Spektralkoeffizienten (Feature-Vektor), zu zumindest einer prototypischen Kombination dieser Eigenschaften (Prototyp) in Form einer prototypischen Signalobjektklasse, die durch einen vorgegebenen prototypischen Feature-Vektor (Prototyp oder Prototypenvektor) aus einer Bibliothek von vorgegebenen prototypischen Signalobjektklassen-Vektoren symbolisiert wird (Schritt yd der 2). Bevorzugt werden die Spektralkoeffizienten des Feature-Vektors vor der Korrelation mit den Prototypen normiert (Schritt yc der 2). Der in dieser Abstandsbestimmung ermittelte Abstand kann z.B. aus der Summe aller Differenzen zwischen jeweils einem Spektralkoeffizienten des vorgegebenen prototypischen Feature-Vektors (Prototypen oder Prototypenvektors) des jeweiligen Prototyps und dem entsprechenden normeierten Spektralkoeffizienten des aktuellen Feature-Vektors des Ultraschall-Echo-Signals bestehen. Ein euklidischer Abstand würde durch die Wurzel aus der Summe der Quadrate aller Differenzen zwischen jeweils einem Spektralkoeffizienten des vorgegebenen prototypischen Feature-Vektors (Prototypen oder Prototypenvektors) des Prototyps und dem entsprechenden normierten Spektralkoeffizienten des aktuellen Feature-Vektors des Ultraschall-Echo-Signals gebildet werden. Diese Abstandsbildung ist aber in der Regel zu aufwändig. Andere Methoden der Abstandsbildung sind denkbar. Jedem vorgegebenen prototypischen Feature-Vektor (Prototyp oder Prototypenvektor) kann dann ein Symbol und ggf. auch ein Parameter, z.B. der Abstandswert und/oder die Amplitude vor der Normierung zugeordnet werden. Unterschreitet der so ermittelte Abstand einen ersten Schwellwert und ist es der kleinste Abstand des aktuellen Feature-Vektor-Werts zu einem der vorgegebenen prototypischen Feature-Vektorwerte (Prototypen oder Werte der Prototypenvektoren), so wird dessen Symbol als erkannter Prototyp weiterverwendet. Es entsteht somit eine Paarung aus erkanntem Prototypen und Zeitstempel des aktuellen Feature-Vektors. Es erfolgt dann bevorzugt die Übertragen der Daten (Schritt δ der 2), hier des ermittelten Symbols, das den erkannten Prototypen am besten symbolisiert, und beispielsweise des Abstands sowie der Zeitpunkt des Auftretens (Zeitstempels) an das Rechnersystem nur dann, wenn der Betrag dieses Abstands unter dem ersten Schwellwert liegt und der erkannte Prototyp ein zu übertragender Prototyp ist. Es kann nämlich sein, dass auch nicht zu erkennende Prototypen beispielsweise für Rauschen, also z.B. das nicht Vorhandensein von Reflexionen etc. hinterlegt werden. Diese Daten sind für die Hinderniserkennung irrelevant und sollen daher ggf. auch nicht übertragen werden. Ein Prototyp wird also erkannt, wenn der Betrag des ermittelten Abstands zwischen aktuellem Feature-Vektor-Wert und vorgegebenen prototypischen Feature-Vektor-Wert (Prototyp oder Wert des Prototypenvektors) unter diesem ersten Schwellwert liegt (Schritt ye der 2). Es wird also nicht mehr das Ultraschallechosignal selbst übertragen, sondern nur eine Folge von Symbolen für erkannte typischen zeitliche Signalverläufe und diesen Signalverläufen zugehörige Zeitstempel in einem bestimmten Zeitabschnitt (Schritt δ der 2). Es wird dann bevorzugt jeweils je erkanntem Signalobjekt nur ein Symbol für den erkannten Signalformprototypen, dessen Parameter (z.B. Amplitude der Hüllkurve und/oder zeitliche Streckung) und ein zeitlicher Referenzpunkt des Auftretend dieses Signalformprototypen (der Zeitstempel) als erkanntest Signalobjekt übertragen. Die Übertragung der einzelnen Abtastwerte oder von Zeitpunkten, zu denen Schwellwerte durch die Hüllkurve des abgetasteten Empfangssignals überschritten werden etc. entfällt. Auf diese Weise führt diese Selektion der relevanten Prototypen zu einer massiven Datenkompression und zu einer Reduktion der benötigten Busbandbreite.
Es erfolgt also eine quantitative Erfassung des Vorliegens einer Kombination von Eigenschaften unter Bildung eines Schätzwertes - hier z.B. des inversen Abstands zwischen dem Repräsentanten der prototypischen Signalobjektklasse in Form des vorgegebenen prototypischen Feature-Vektors (Prototyp oder Prototypenvektor) - und das anschließende Übertragen der komprimierten Daten an das Rechnersystem, wenn der Betrag dieses Schätzwertes (z.B. inverser Abstand) über einem zweiten Schwellwert bzw. der inverse Schätzwert unter einem ersten Schwellwert liegt. Die Signalverarbeitungseinheit des Ultraschallsensors führt somit eine Datenkompression des Empfangssignals zur Erzeugung komprimierter Daten aus.
Zur besseren Klarheit soll die Abstandermittlung hier nochmals erläutert werden.
Diese Abstandsermittlung ist auch als Klassifikation aus der Signalverarbeitung statistischer Signale bekannt. Als Klassifikatorbeispiele seien hier die logistische Regression, der Quader-Klassifikator, der Abstandsklassifikator, der Nächste-Nachbarn-Klassifikator, der Polynomklassifikator, das Clusterverfahren, künstliches neuronale Netze, latente Klassenanalyse genannt.
Ein Klassifikator-Beispiel ist in 7 dargestellt.
Eine beispielhafte physikalische Schnittstelle (101) steuert einen beispielhaften Ultraschallwandler (100) an und veranlasst diesen zum Aussenden eines beispielhaften Ultraschallsendepulses oder Ultraschallsendebursts. Der Ultraschallwandler (100) empfängt den von einem nicht in 7 eingezeichneten Objekt reflektierten beispielhaften Ultraschallsendepuls oder Ultraschallsendeburst mit einer Amplitudenänderung, einer Verzögerung und typischerweise mit einer Verzerrung, die durch die Natur des reflektierenden Objekts hervorgerufen wird. Außerdem befinden sich typischerweise mehrere Objekte im Umfeld des Fahrzeugt, die zu der reflektierten Ultraschallwelle modifizierend beitragen. Der Ultraschallwandler (100) wandelt die empfangene reflektierte Ultraschallwelle in ein Ultraschallwandlersignal (102) um. Die physikalische Schnittstelle wandelt dieses Ultraschallwandlersignal, typischerweise durch Filterung und/oder Verstärkung in ein Ultraschall-Echo-Signal (1) um. Der Feature-Vektor-Extraktor (111) extrahiert aus diesem Ultraschall-Echo-Signal (1). Bevorzugt übermittelt die physikalische Schnittstelle (101) an den Feature-Vektor-Extraktor das Ultraschall-Echo-Signal (1) als ein zeitdiskretes Empfangssignal bestehend aus einer Folge von Abtastwerten beginnt. Jedem Abtastwert ist dabei bevorzugt ein zeitliches Datum (Zeitstempel) zugeordnet. Der Feature-Vektor-Extraktor weist in dem Beispiel der 7 eine Mehrzahl von m (mit m als ganzer positiver Zahl) Optimalfiltern (Optimalfilter 1 bis Optimalfilter m) auf. Diese dienen der Bestimmung von m Zwischenparametersignalen (123) jeweils betreffend das Vorliegen jeweils eines dem jeweiligen Zwischenparametersignal bevorzugt zugeordneten Signalgrundobjekts bevorzugt mit Hilfe eines geeigneten Filters (z.B. eines Optimalfilters) aus der Folge von Abtastwerten des Empfangssignals (1). Die sich ergebenden Zwischenparametersignale (123) sind ebenfalls als zeitdiskrete Folge von jeweiligen Zwischenparametersignalwerten ausgebildet, die bevorzugt jeweils mit einem Datum (Zeitstempel) korreliert sind. Somit ist bevorzugt jedem Zwischenparametersignalwert genau ein zeitliches Datum (Zeitstempel) zugeordnet.
Ein nachfolgender Signifikanzsteigerer (125) führt eine Matrixmultiplikation des Vektors der Zwischenparametersignalwerte des Zwischenparametersignals (123) mit einer sogenannten LDA-Matrix (126) durch. Diese wird typischerweise zum Konstruktionszeitpunkt mittels statistischer Methoden der statistischen Signalverarbeitung und der Mustererkennung ermittelt. Der Signifikanzsteigerer erzeugt auf diese Weise das Feature-Vektor-Signal (138). Hierbei bildet er die m Zwischenparametersignalwerte auf n (mit n als ganzer Zahl) Parametersignalwerte des Feature-Vektor-Signals (138) ab. Typischerweise umfasst also das Feature-Vektor-Signal (138) aus n Parametersignalen. Bevorzugt ist n<m. An dieser Stelle sei nur angemerkt, dass der Begriff „Feature-Vektor“ in der statistischen Signaltheorie und in der Mustererkennung auch oft als Merkmalsvektor bezeichnet wird. Das Feature-Vektor-Signal (138) ist somit u.a. als zeitdiskrete Folge von Feature-Vektor-Signalwerten mit jeweils n Parametersignalwerten der bevorzugt n Parametersignale des Feature-Vektorsignals (138) ausgebildet, die die Parametersignalwerte und weitere Parametersignalwerte mit jeweils gleichem zeitlichem Datum (Zeitstempel) umfassten. Hierbei ist n die Dimensionalität der einzelnen Feature-Vektor-Signalwerte, die bevorzugt von einem Feature-Vektorwert zum nächsten Feature-Vektorwert gleich sind. Ein Feature-Vektor-Signalwert ist in diesem Sinne ein Vektor mit einem Zeitstempel, der mehrere, bevorzugt n, Parametersignalwerte umfasst. Jedem so gebildeten Feature-Vektor-Signalwert wird dieses jeweilige zeitliche Datum (Zeitstempel) zugeordnet.
Es folgt nun die Auswertung des zeitlichen Verlaufs des Feature-Vektor-Signals (138) in dem sich ergebenden n-dimensionalen Phasenraum sowie das Schließen auf ein erkanntes Signalgrundobjekt unter Ermittlung eines Bewertungswerts (z.B. des Abstands).
Hierzu vergleicht ein Abstandsermittler (oder Klassifikator) (112) den aktuellen Feature-Vektor-Signalwert des Feature-Vektor-Signals (138) mit einer Mehrzahl von prototypischen, zuvor in einer Prototypendatenbank (115) abgespeicherten Feature-Vektor-Signalwert-Prototypen. Dies wird im Folgenden noch tetailierter erläutert. Der Abstandsermittler (oder Klassifikator) (112) ermittelt dabei einen Bewertungswert für jeden der untersuchten Feature-Vektor-Signalwert-Prototypen der Prototypendatenbank (115), der angibt, inwieweit der jeweilige Feature-Vektor-Signalwert-Prototyp der Prototypendatenbank (115) dem aktuellen Feature-Vektor-Signalwert gleicht. Dieser Bewertungswert wird im Folgenden als Abstand bezeichnet. Bevorzugt sind die Feature-Vektor-Signalwert-Prototypen jeweils bevorzugt genau einem Signalgrundobjekt zugeordnet. Der Feature-Vektor-Signalwert-Prototyp der Prototypendatenbank (115) mit dem kleinsten Abstand zu dem aktuellen Feature-Vektor-Signalwert gleicht diesen dann am Besten. Ist der Abstand kleiner als ein vorgegebener Schwellwert, so repräsentiert dieser Feature-Vektor-Signalwert-Prototyp der Prototypendatenbank (115) das mit höchster Wahrscheinlichkeit erkannte Signalgrundobjekt (121).
Dieser Erkennungsprozess wird mehrmals hintereinander ausgeführt, sodass sich eine ermittelte Signalgrundobjektfolge aus der zeitlichen Folge der erkannten Signalgrundobjekte (121) ergibt.
Dann folgt die Ermittlung des wahrscheinlich vorliegenden Signalobjekts (122) durch Ermittlung derjenigen Folge vorgegebener Signalgrundobjektfolgen einer Signalobjektdatenbank (116), die der ermittelten Signalgrundobjektfolge am ähnlichsten ist. Wie zuvor erläutert, besteht dabei ein Signalobjekt, aus einer zeitlichen Abfolge von Signalgrundobjekten. Dem Signalobjekt ist dabei typischerweise vordefiniert ein Symbol in der Signalobjektdatenbank (116) zugeordnet.
Beispielsweise kann diese Schätzung der Signalgrundobjektabfolge durch einen Viterbi-Schätzer (113) erfolgen. Im einfachsten Fall wird die Anzahl der innerhalb eines vorgegebenen Zeitraums erkannten Signalgrundobjekte, die entsprechend ihrer Position in der Folge der erkannten Signalgrundobjekte mit der Position eines erwarteten Signalgrundobjekts in einer in der Signalobjektdatenbank (116) als vorgegebenes Signalobjekt vorgegebenen erwarteten Folge von Signalgrundobjekten übereinstimmen minus der Anzahl der innerhalb des vorgegebenen Zeitraums erkannten Signalgrundobjekte, die entsprechend ihrer Position in der Folge der erkannten Signalgrundobjekte mit der Position eines erwarteten Signalgrundobjekts in einer in der Signalobjektdatenbank (116) als vorgegebenes Signalobjekt vorgegebenen erwarteten Folge von Signalgrundobjekten NICHT übereinstimmen, als Bewertungswert für die Übereinstimmung genommen. Auf diese Weise ermittelt der Viterbi-Schätzer für jedes der vorgegebenen Signalobjekte der Signalobjektdatenbank (116) einen Bewertungswert, wobei die Signalobjekte der Signalobjektdatenbank (116) aus vorgegebenen Folgen von erwarteten Signalgrundobjekten bestehen und mit einem jeweiligen Symbol korreliert sind.
Bildlich gesprochen wird hier geprüft, ob der Punkt, auf den das n-dimensionale Feature-Vektor-Signal (138) im n-dimensionalen Phasenraum zeigt, bei seinem Wege durch den n-dimensionalen Phasenraum in vorbestimmter zeitlicher Abfolge sich vorbestimmten Punkten in diesem n-dimensionalen Phasenraum näher als ein vorgegebener Maximalabstand nähert. Das Feature-Vektor-Signal (138) hat also einen einem zeitlichen Verlauf. Es wird dann ein Bewertungswert (z.B. ein Abstand) berechnet, der beispielsweise der Wahrscheinlichkeit für das Vorliegen einer bestimmten Abfolge wiedergeben kann. Es erfolgt dann bevorzugt innerhalb des Viterbi-Schätzers (113) der Vergleich dieses Bewertungswerts, dem wieder ein zeitlichen Datum (Zeitstempel) zugeordnet ist, mit einem Schwellwertvektor unter Bildung eines booleschen Resultats, dass einen ersten und einen zweiten Wert haben kann. Wenn dieses boolesche Resultat für dieses zeitliche Datum (Zeitstempel) den ersten Wert hat, erfolgt ein Übertragen des Symbols des Signalobjekts und des diesem Symbol zugeordneten zeitlichen Datums (Zeitstempel) von dem Sensor zu dem Rechnersystem. Hierdurch wird das erkanntes Signalobjekt (122) bevorzugt mit seinen Parametern übertragen. Ggf. können je nach erkanntem Signalobjekt weitere Parameter übertragen werden.
An dieser Stelle wollen wir zu besseren Klarheit nochmals auf die Verarbeitung des Feature-Vektors-Signals (138) eingehen. Bevorzugt ist das Ultraschall-Echo-Signal (1) eine Folge von Quantisierungsvektoren - den Ultraschall-Echo-Signalwerten -, deren Komponenten, die gemessenen Parameter, im Allgemeinen aber nicht vollkommen unabhängig voneinander sein werden. Jeder Ultraschall-Echo-Signalwert eines Ultraschall-Echo-Signal (1) für sich weist in der Regel eine zu geringe Selektivität für die genaue Signalobjektermittlung in komplexen Zusammenhängen auf. Genau dies ist der Mangel im Stand der Technik. Durch die Erstellung eines oder mehrerer solcher Quantisierungsvektoren aus dem kontinuierlichen Strom analoger physikalischer Werte des Ultraschall-Echo-Signals (1) in typischerweise regelmäßigen oder regulären Zeitabständen durch das physikalische Interface (101) (siehe 7) entsteht der zeitlich und wertemäßig quantisierter mehrdimensionaler Ultraschall-Echo-Signalwertdatenstrom (1).
Dieses so gewonnene mehrdimensionale Ultraschall-Echo-Signal (1) in Form eines oder mehrerer Ströme von Quantisierungsvektoren wird in einem ersten beispielhaften Bearbeitungsschritt zunächst in einzelne Frames definierter Länge unterteilt, gefiltert, normiert, dann orthogonalisiert und ggf. durch eine nichtlineare Abbildung - z.B. Logarithmierung und Cepstrum-Analyse - geeignet verzerrt. Dies ist durch den Block der Optimalfilter in der Feature-Vektor-Extraktor (111) der 7 angedeutet. Statt des Blocks der Block der Optimalfilter kann man sich hier also auch andere Signalaufbereitungsstrukturen zur Erzeugung der Parameterzwischensignale (123) vorstellen. Beispielsweise können hier auch Ableitungen der so generierten Ultraschall-Echo-Signalwerte gebildet werden. Schließlich findet eine Signifikanzsteigerung des ermittelten Zwischenparametersignals (123) in einer Signifikanzsteigerungseinheit (125) zum eigentlichen Feature-Vektorsignal (138) statt. Dies kann, wie beschrieben, beispielsweise durch Multiplikation des mehrdimensionalen Quantifizierungssektors mit einer so genannten, vorgegebenen LDA-Matrix (126) erfolgen.
Der nun folgende Schritt der Erkennung in dem Abstandsermittler (bzw. Klassifikator) (112), kann beispielsweise auf zwei unterschiedliche Methoden durchgeführt werden:

a) durch ein Neuronales Netz oder
b) durch einen HMM-Erkenner
c) durch ein Petri-Netz

Hier wird wieder beispielhaft der HMM-Erkenner (7) beschrieben:

Mit Hilfe der besagten vordefinierten LDA-Matrix (126) wird der Zwischenparameterdatenstrom (123) so vom mehrdimensionalen Eingangsparameterraum auf einen neuen Parameterraum durch den Signifikanzsteigerer (125) abgebildet, wodurch seine Selektivität maximal wird. Die Komponenten der dabei gewonnenen neuen transformierten Merkmalsvektoren werden hierbei nicht nach realen physikalischen oder sonstigen Parametern, sondern nach maximaler Signifikanz ausgewählt, was besagte maximale Selektivität zur Folge hat.

Die LDA-Matrix (126) wird in der Regel zuvor zum Konstruktionszeitpunkt aufgrund von Beispieldatenströmen mit bekannten Signalobjektdatensätzen, also Datensätzen, die mit vorgegeben Strukturen des Signalverlaufs gewonnen wurden, zuvor durch einen Trainingsschritt offline berechnet.
Wenn Sorge getragen wird, dass alle Elemente der des vom Abstandsermittler (bzw. dem Klassifikator) (112) durchgeführten Verfahren zumindest lokal umkehrbare Funktionen ausführen, so können Abweichungen des Signalverlaufs in Form einer annähernd linearen Transformationsfunktion berücksichtigt werden.
Die Prototypen aus Beispieldatenströmen für die vorgegebenen prototypischen Signalverläufe (prototypische Signalgrundobjekte) in den Koordinaten des neuen Parameterraumes werden in der Konstruktionsphase berechnet und in einer Prototypendatenbank (115) für die spätere Wiedererkennung hinterlegt. Diese kann neben diesen statistischen Daten auch Anweisungen für ein Rechnersystem enthalten, was bei einer erfolgreichen bzw. fehlgeschlagenen Erkennung des jeweiligen Signalgrundobjektprototyps geschehen soll. In der Regel wird es sich bei dem Rechnersystem um das Rechnersystem des Sensorsystems handeln.
Die so Feature-Vektor-Signalwerte (124), die von der Feature-Extraktion (111) für diese prototypischen Signalverläufe der vorgegebenen Signalgrundobjekte des Ultraschall-Echo-Signals (1) im Labor ausgegeben werden, werden also in dieser Prototypendatenbank (115) als Signalgrundobjektprototypen gesichert.
Im späteren Betrieb werden die Feature-Vektor-Signalwerte des Feature-Vektor-Signals (124) nun mit diesen vorab eingespeicherten, d.h. erlernten Signalgrundobjektprototypen (115) beispielsweise durch Berechnung des euklidischen Abstands zwischen einem Quantisierungsvektor in den Koordinaten des neuen Parameterraumes und allen diesen zuvor abgespeicherten Signalgrundobjektprototypen (115) in dem Abstandsermittler (112) verglichen. Hierbei werden mindestens zwei Erkennungen geleistet:

1. Entspricht der erkannte Feature-Vektor-Wert (124) einem der vorgespeicherten Signalgrundobjektprototypen der Prototypendatenbank (115) oder nicht und mit welcher Wahrscheinlichkeit und Zuverlässigkeit?
2. Wenn es einer der bereits gespeicherten Signalgrundobjektprototypen der Prototypendatenbank (115) ist, welcher ist es und mit welcher Wahrscheinlichkeit und Zuverlässigkeit?

Um die erste Erkennung zu leisten, werden in der Regel auch Dummy-Prototypen in der Prototypendatenbank (115) der Signalgrundobjektprototypen abgespeichert, die alle im Betrieb vorkommenden parasitären Parameterkombinationen weitestgehend abdecken sollten. Die Abspeicherung besagter Signalgrundobjektprototypen geschieht in der Prototypendatenbank (115).
Für die Signalgrundobjektprototypen der Prototypendatenbank (115) kann zum Konstruktionszeitpunkt der Abstand entsprechend dem im Abstandsermittler (112) angewandten Verfahren für jede Paarung aus zwei verschiedenen Signalgrundobjektprototypen der Prototypendatenbank (115) ermittelt werden. Es ergibt sich dann ein minimaler Prototypenabstand. Dieser wird in der Prototypendatenbank (115) oder im Abstandsermittler bevorzugt ebenfalls halbiert als halber minimaler Prototypenabstand abgelegt.
Wird beispielsweise dieser minimale halbe Prototypenabstand durch den von der Abstandsermittlung (112) ermittelten Abstand zwischen dem aktuellen Feature-Vektor-Signalwert des Feature-Vektorsignals (124) und einem Signalgrundobjektprototypen der Prototypendatenbank (115) unterschritten, so wird dieser Signalgrundobjektprototyp als erkannt gewertet. Es kann ab diesem Zeitpunkt ausgeschlossen werden, dass weitere im Verlauf einer weiter fortgesetzten Suche berechnete Abstände zu anderen Signalgrundobjektprototypen der Prototypendatenbank (115) noch kleinere Abstände liefern können. Die Suche kann dann abgebrochen werden, was die Zeit im Mittel halbiert und somit die Ressourcen des Sensors schont.
Die Berechnung des minimalen euklidischen Abstands kann dabei beispielsweise nach der folgenden Formel: $D i s t_{F V_C b e} = {M i n}_{C b_c n t = C b_a n z}^{1} [\sum_{dim_c n t = dim}^{1} {(F V_{dim_c n t} - C b_{C b_c n t, d i n_c n t})}^{2}]$
Dabei steht dim_cnt für den Dimensions-Index der bis zur maximalen Dimension des Feature-Vektors (124) dim durchläuft.
FV_{dim_cnt} steht für die den Parameterwert des Feature-Vektors-Signalwerts des Feature-Vektors (124) entsprechend des Index dim_cnt.
Cb_cnt steht für die Nummer des Signalgrundobjektprototypen in der Prototypendatenbank (115).
Cb_{CB_cnt},_{dim_cnt} steht dementsprechend für den dim_cnt entsprechenden Parameterwert des Eintrags des Signalgrundobjektprototypen in der Prototypendatenbank (115), der dem Cb_cnt entsprechenden Signalgrundobjektprototypen zugeordnet ist.
Dist_{FV_CbE} steht für die erhaltene hier beispielhafte minimale euklidische Distanz. Bei der Suche nach der kleinsten euklidischen Distanz wird die Nummer Cb_cnt gemerkt, die den kleinsten Abstand produziert.

Zur Verdeutlichung wird ein beispielhafter Assembler-Code angeführt:

Anfang des Codes
Mov Cb_cnt,#Cb_anz		initialisiere Prototypendatenbank-Vector-Counter
Mov C, #0		initialisiere Register C mit 0
Mov dist, maxvalue		initialisiere die Distanz mit Maximalwert
Mov num, not_valid_num		initialisiere die Nummer des nächsten Nachbarn mit nicht gültigem Wert
Mov Cb_adr, Cb_badr		intialisiere Prototypendatenbankadresse mit der Basisadresse der Prototypendatenbank
Label_A: // next vector
	Mov SP, #0	initialisiere Zwischenspeicher
	Mov dim_cnt, #dim	initialisiere Dimensionszähler mit Feature-Vektordimension
	Label B: // next dimension
	MovA, $Cb_adr	lade Wert absolut von Prototypendatenbank - Adresse
	SubA, $FV_adr, dim_cnt	subtrahiere Wert absolut relativ von Feature Vektor Wert
	Mov B A	lade B Register mit Ergebnis
	MulA B	multipliziere A und B (=A²)
	AddA, SP	addiere Ergebnis zum Zwischenergebnis
	Mov SP, A	und merken
	Dec dim_cnt	nächste Vektorkomponente
	Inc Cb_adr	erhöhe Prototypendatenbankpointer um eins
	jnz dim_cnt, Label B	aber nur, wenn es nicht die letzte war
	Cmp SP, dist	bewerte Prototypendatenbank-Eintrag (Signalgrundobjektprototypen)
jmpgt Label C
	Mov dist, SP	falls besserer Eintrag als bisheriges Optimum
	Mov num, Cb_cnt	Eintragsnummer und Abstand merken
Label C:
	dec_Cb_cnt	nächster Prototypendatenbank-Eintrag
jnz Cb_cnt,Label A		aber nur wenn es nicht der letzte war
Ende des Codes

Das Vertrauensmaß für eine richtige Erkennung leitet sich aus der Streuung der zugrunde gelegten Basisdatenströme für einen Signalgrundobjektprototypen und dem Abstand des aktuellen Feature-Vektor-Werts des Feature-Vektorsignals (124) von deren Schwerpunkt her.
8 demonstriert verschiedene Erkennungsfälle. Zur Vereinfachung ist die Darstellung für ein zweidimensionales Feature-Vektorsignal gewählt bei dem jeder Feature-Vektorsignalwert einen ersten Parameterwert und einen zweiten Parameterwert umfasst. Dies dient hier nur dazu, die Methodik auf einem zweidimensionalen Blatt Papier besser darstellen zu können In der Realität sind die Feature-Vektorsignalwerte des Feature-Vektorsignals (124) typischerweise immer multidimensional.
Es sind Schwerpunkte verschiedener Prototypen (141, 142, 143, 144) eingezeichnet. In der Prototypendatenbank (115) kann nun wie oben beschrieben, der halbe minimale Abstand dieser Signalgrundobjektprototypen in der Prototypendatenbank (115) eingespeichert sein. Dies wäre dann ein globaler Parameter, der für alle Signalgrundobjektprototypen der Prototypendatenbank (115) gleichermaßen gültig wäre. Diese Entscheidung mit Hilfe dieses minimalen Abstands durchgeführt. Sie setzt aber voraus, dass die Streuungen der Signalgrundobjektprototypen, die durch ihre Schwerpunktslagen (141, 142, 143, 144) markiert sind, mehr oder weniger identisch sind. Ist die Abstandsermittlung (oder sonstige Bewertung) durch den Abstandsermittler (112) (oder Klassifikator) optimal, so ist dies auch der Fall. Dies entspräche einem Kreis um den Schwerpunkt (141, 142, 142, 144) jedes der Signalgrundobjektprototypen der Prototypendatenbank (115).
Das lässt sich in der Realität aber nur selten erzielen. Eine Verbesserung der Erkennungsleistung lässt sich daher erzielen, wenn die Streubreite für den Signalgrundobjektprototypen der Prototypendatenbank (115) jeweils mitabgespeichert würde. Dies entspräche einem Kreis um jeden der Signalgrundobjektprototypen der Prototypendatenbank (115) mit einem für den Signalgrundobjektprototypen spezifischen Radius. Der Nachteil ist ein Anstieg der Rechenleistung.
Eine weitere Verbesserung der Erkennungsleistung lässt sich erzielen, wenn die Streubreite für den Signalgrundobjektprototypen der Prototypendatenbank (115) durch eine Ellipse modelliert wird. Hierzu müssen statt des Radius wie zuvor nun die Hauptachsendurchmesser der Streu-Ellipse und deren Verkippung gegen das Koordinatensystem in der Prototypendatenbank (115) für bevorzugt jeden der Signalgrundobjektprototypen der Prototypendatenbank (115) abgespeichert werden. Der Nachteil ist ein weiterer, massiver Anstieg der Rechenleistung und des Speicherbedarfes.
Natürlich lässt sich die Berechnung noch weiter verkomplizieren, was aber in der Regel den Aufwand nur massiv steigert und die Erkennerleistung für die Signalgrundobjektprototypen der Prototypendatenbank (115) nicht mehr wesentlich anhebt.
Es wird daher hier empfohlen, auf die einfachste der beschriebenen Möglichkeiten zurückgreifen.
Die Lage der durch die Abstandsermittlung (112) in dem beispielhaft zweidimensionalen Parameterraum der 8 ermittelten aktueller Feature-Vektor-Signalwerte des Feature-Vektor-Signals (124) kann nun höchst unterschiedlich sein. So ist es denkbar, dass ein solcher erster solcher beispielhafter Feature-Vektor-Signalwert (146) zu weit von den Schwerpunktskoordinaten (141, 142, 143, 144) des Schwerpunkts irgendeines Signalgrundobjektprototypen der Prototypendatenbank (115) entfernt liegt. Dieser Abstandsschwellwert kann beispielsweise der besagte minimale halbe Prototypenabstand sein. Auch kann es sein, dass sich die Streubereiche der Signalgrundobjektprototypen um ihre jeweiligen Schwerpunkte (143, 142) überlappen und ein zweiter beispielhafter ermittelter aktueller Feature-Vektor-Signalwert (145) des Feature-Vektor-Signals (124) in dem Überlappungsbereich liegt. In diesem Fall kann eine Hypothesenliste beide Signalgrundobjektprototypen mit unterschiedlichen Wahrscheinlichkeiten als beigefügtem Parameter, da unterschiedlichen Abständen enthalten. Es wird dann also nicht ein Signalgrundobjekt als das wahrscheinlichste an den Viterbi-Schätzer (113) übergeben, sondern ein Vektor aus möglicherweise vorliegenden Signalgrundobjekten an den Viterbi-Schätzer (113) übergeben. Aus der zeitlichen Abfolge dieser Hypothesenlisten sucht dann der Viterbi-Schätzer die mögliche Abfolge heraus, die die größte Wahrscheinlichkeit zu einer der vorgegebenen Signalgrundobjektfolgen in seiner Signalobjektdatenbank gegen über allen möglichen Pfaden durch die als möglich erkannten Signalgrundobjekte (121) der vom Abstandsermittler (112) durch den Viterbi-Schätzer (113) empfangenen Hypothesenlisten. Dabei muss in einem solchen Pfad je Hypothesenliste genau ein erkannter Signalgrundobjektprototyp dieser Hypothesenliste durch diesen Pfad durchlaufen werden.
Im besten Fall liegt der aktuelle Feature-Vektor-Signalwert (148) im Streubereich (Schwellwertellipsoid) (147) um den Schwerpunkt (141) eines einzigen Signalgrundobjektprototyps (141) der damit sicher durch den Abstandsermittler (112) erkannt und als erkanntes Signalgrundobjekt (121) an den Viterbi-Schätzer (113) weitergegeben wird.
Es ist denkbar, zur verbesserten Modellierung des Streubereichs eines einzelnen Signalgrundobjektprototyps, diesen durch mehrere hier kreisförmige Signalgrundobjektprototypen mit zugehörigen Streubereichen zu modellieren. Es können also mehrere Signalgrundobjektprototypen der Prototypendatenbank (115) denselben Signalgrundobjektprototypen im Verständnis einer Signalgrundobjektklasse darstellen. Die Gefahr dabei ist, dass sich Aufgrund der Aufteilung der Wahrscheinlichkeit eines Signalgrundobjektprototypens auf mehrere solcher Subsignalgrundobjektprototypen die Wahrscheinlichkeit des einzelnen Subsignalgrundobjektprototyps kleiner werden kann als die eines anderen Signalgrundobjektprototyp, deren Wahrscheinlichkeit kleiner war als die des Ursprungssignalgrundobjektprototyps. Somit kann sich dieser andere Signalgrundobjektprototyp möglicherweise fälschlich durchsetzen.
Ein wesentliches Problem stellt des Weiteren die Rechenleistung dar, die zur Verfügung gestellt werden muss, um die Signalgrundobjektprototypen der Prototypendatenbank (115) sicher zu erkennen. Dies soll noch ein wenig diskutiert werden:

Ein entscheidender Punkt ist, dass der Rechenaufwand mit Cb_anz * dim steigt.

Bei einem nicht optimierten HMM-Erkenner beträgt die Anzahl der Assemblerbefehle, die ausgeführt werden müssen, um eine Vektorkomponente zu berechnen, ca. 8 Schritte.
Die Anzahl A_Abst der notwendigen Assembler-Schritte zur Berechnung des Abstands eines einzelnen Signalgrundobjektprototyps (CbE) der Prototypendatenbank zu einem einzelnen Feature-Vektorsignalwert (FV) wird in etwa wie folgt berechnet: $A_Abst = FV_Dimension*8 + 8$
Dies führt zur Anzahl A_CB der Assembler-Schritte für die Ermittlung des Signalgrundobjektprototyps der Prototypendatenbank (115) mit dem geringsten Abstand: $A_CB = CB_anz* (A_Abst) + 4 = Cb_anz* (FV_Dimension*8 + 8) + 4$
Am Beispiel eines mittlerer HMM-Erkenners mit 50000 Signalgrundobjektprototypen (Anzahl der Signalgrundobjektprototyp-Einträge in der Prototypendatenbank=CB_anz) und 24 FV_Dimensionen (Anzahl der Parameterwerte in einem Feature-Vektor-Signalwert=Feature-Vektor-Dimension= FV_Dimension) beträgt die Anzahl der Schritte: $\begin{array}{l} 5000 * (24 * 8 + 8) + 4^{\sim} 10 Millionen Operationen Feature - Vektorsignalwert des Feature - \\ Vektorsignals (124) \end{array}$
Bei einer relativ niedrigen Abtastrate von 8kHz = 8000 FV pro Sekunde (Feature-Vektorsignalwerte des Feature-Vektorsignals (124) pro Sekunde) benötigt man schon eine Rechenleistung von 8GlpS (8 Milliarden Instruktionen pro Sekunde).
In Anbetracht der Herausforderungen zur Energieeinsparung in der Elektromobilität und/oder zur Reduktion des CO2-Fotprints ist dies nicht akzeptabel.
Im Falle der Durchführung eines optimierten HMM-Erkennungsverfahrens durch den Abstandsermittler (112) bzw. den Klassifikator (112) wird daher, wie bereits erwähnt, der kleinste Abstand zwischen zwei Signalgrundobjektprototypen der Prototypendatenbank (115) vorberechnet und in der Prototypendatenbank (115) oder in der Abstandsberechnung (112) abgelegt. Dies hat den Vorteil, dass die Suche dann durch den Abstandsermittler (112) abgebrochen werden kann, wenn ein Abstand zwischen einem aktuellen Feature-Vektor-Signalwert des Feature-Vektor-Signals (124) und einem Signalgrundobjektprototypen der Prototypendatenbank (115) durch den Abstandsermittler (115) gefunden wurde, der kleiner als die Hälfte dieses kleinsten Abstands ist. Damit halbiert sich die mittlere Suchzeit für den Abstandsermittler (112). Weitere Optimierungen können vorgenommen werden, wenn die Prototypendatenbank (115) nach dem statistischen Vorkommen der Signalgrundobjektprototypen in realen Ultraschall-Echo-Signalen (1) sortiert wird. Hierdurch kann sichergestellt werden, dass die häufigsten Signalgrundobjektprototypen wesentlich schneller gefunden werden, was die Rechenzeit des Abstandsermittlers (112) bzw. Klassifikators (112) weiter verkürzt und den Stromverbrauch weiter senkt.
Für einen Abstandsermittler, der einen dermaßen optimierten HMM-Erkennungsprozess ausführt, stellt sich der Rechenleistungsbedarf nun wie folgt dar:

Wieder sind es 8 Schritte zur Berechnung des Abstands einer Vektor-Komponente. Die Schritte zur Berechnung des Abstands A_Abst eines Signalgrundobjektprototyp-Eintrags (CbE) in der Prototypendatenbank (115) zum aktuellen Feature-Vektorsignalwert (FV) des Feature-Vektorsignals (124) sind wieder:

A_Abst = FV_Dimension*8 + 8

Die Anzahl der Schritte für die Ermittlung des Signalgrundobjektprototypen-Eintrags der Prototypendatenbank (115) mit dem geringsten Abstand A_CB mit Optimierung ist ein wenig höher: $A_CB = Cb_anz* (A_Abst) + 4 = Cb_anz* (FV_Dimension*8 + 10) + 4$
Die zwei zusätzlichen Assembler-Befehle sind notwendig, um zu prüfen, ob sich der ermittelte Abstand zwischen dem aktuellen Feature-Vektorsignalwert und dem gerade untersuchten Signalgrundobjektprototypen der Prototypendatenbank (115) unterhalb des halben kleinsten Abstands zwischen den Signalgrundobjektprototypen der Prototypendatenbank (115) befindet.
Des Weiteren wird die Anzahl CB_Anz der Signalgrundobjektprototyp-Einträge der Prototypendatenbank (115) für mobile und energieautarke Applikationen auf 4000 Prototypendatenbank-Einträge von Signalgrundobjektprototypen in der Prototypendatenbank (115) oder noch geringer beschränkt.
Außerdem wird die Anzahl der Feature-Vektorsignalwerte pro Sekunde innerhalb des Feature-Vektor-Signals (124) durch die Filterung in dem Feature-Vektor-Extraktor (111) und Absenkung der Abtastrate in dem Feature-Vektor-Extraktor (111) abgesenkt.
Dies wird an einem einfachen Beispiel erläutert:

Der besagte Abstandsermittler (112) oder Klassifikator (112), der ein mittleres HMM-Erkennungsverfahren ausführt, wird nun mit einer Prototypendatenbank (115) mit nur noch einem knappen Zehntel der Einträge z.B. mit 4000 Einträgen (CbE) und weiterhin mit 24 Feature-Vektor-Signal-Dimensionen (also 24 Parametersignalen) betrieben.

Die Anzahl der Schritte beträgt nun $\begin{array}{l} 4000 * (24 * 8 + 8) + 4^{\sim} \underline{808004} Operationen pro Feature - Vektorsignalwert des Feature - Vektorsignals \\ (124) \end{array}$
Bei einer Absenkung der Feature-Vektorsignalwert-Rate auf 100 Feature-Vektorsignalwerte pro Sekunde extrahiert aus einem 10ms Zeitfenstern in dem Feature-Vektor-Extraktor (111) über beispielsweise je 80 Abtastwerte und Abbruch der Suche wenn der Abstand des aktuellen Feature-Vektor-Signalwerts zur dem bearbeiteten Signalgrundobjektprototypen der Prototypendatenbank (115) unterhalb des halben kleinsten Prototypendatenbank-Eintrag-Abstands liegt, ergibt sich mindestens eine Halbierung des Aufwands bei geeigneter Sortierung der Prototypendatenbank (115).
Die erforderliche Rechenleistung sinkt dann auf <33DSP-Mips (33 Millionen Operationen pro Sekunde). In der Realität führt die Prototypendatenbank-Sortierung zu noch geringeren Rechenleistungsbedarfen von beispielsweise 30Mips. Damit wird das System real-time fähig und in ein einzelnes IC und damit in einen Sensor überhaupt erst integrierbar.
Durch Vorselektion kann der Suchraum eingeschränkt werden. Eine Voraussetzung ist dabei eine Gleichverteilung der Daten = Schwerpunkte der Quadranten im geometrischen Quadrantenzentrum.
Die notwendige Verringerung des Umfangs der Prototypendatenbank (115) hat Vor- und Nachteile:

Eine Verringerung der Eintragsanzahl der Prototypendatenbank (115) erhöht sowohl die False-Acceptance-Rate (FAR), also die falschen Signalgrundobjektprototypen, die als Signalgrundobjektprototypen akzeptiert werden, als auch die False-Rejection-Rate (FRR), also die tatsächlich vorhandenen Signalgrundobjektprototypen, die nicht erkannt werden.

Auf der anderen Seite verringert sich hierdurch der Ressourcenbedarf (Rechenleistung, Chip-Flächen, Speicher, Stromverbrauch etc.).
Darüber hinaus kann die Vorgeschichte, d.h. die zuvor erkannten Signalgrundobjektprototypen, bei der Hypothesenbildung durch den Abstandsermittler (112) herangezogen werden. Ein geeignetes Modell hierfür ist das so genannte Hidden-Markov-Model (HMM).
Für jeden Signalgrundobjektprototypen lässt sich somit ein Vertrauensmaß und ein Abstand zum gemessenen aktuellen Feature-Vektor-Signalwert des Feature-Vektor-Signals (124) herleiten, die vom Viterbi-Schätzer (113) auch weiterverarbeitet werden können. Auch ist es sinnvoll, jeweils eine Hypothesenliste für die erkannten Signalgrundobjektprototypen (121) auszugeben, die beispielsweise die zehn wahrscheinlichsten Signalgrundobjektprototypen mit der jeweiligen Wahrscheinlichkeit und Zuverlässigkeit der Erkennung enthält.
Da nicht jede zeitliche wie räumliche Signalgrundobjektsequenz einem Signalobjekt zugeordnet werden kann und somit sinnvoll ist, ist es möglich, die zeitliche Aufeinanderfolge der Hypothesenlisten der aufeinanderfolgenden Frames durch einen Viterbi-Schätzer (113) auszuwerten.
Hierbei ist der Signalgrundobjektprototypen-Sequenzpfad durch die aufeinanderfolgenden Hypothesenlisten zu finden, der die höchste Wahrscheinlichkeit hat und in der Signalobjektdatenbank (116) des Viterbi-Schätzers (113) vorhanden ist.
Auch hierbei werden wiederum mindestens zwei Erkennungen geleistet:

1. Ist die wahrscheinlichste Folge von Signalgrundobjektprototypen eine der bereits eingespeicherten Folge von Signalgrundobjektprototypen oder nicht und mit welcher Wahrscheinlichkeit und Zuverlässigkeit?
2. Wenn sie eine der bereits gespeicherten Folge von Signalgrundobjektprototypen ist, welche ist es und mit welcher Wahrscheinlichkeit und Zuverlässigkeit?

Hierzu kann zum einen durch ein Anlernprogramm ein solcher Prototype in Form eines Eintrags bestehend aus einer vorgegeben Folge von Signalgrundobjektprototypen eine Signalobjektdatenbank (116) eingegeben werden, zum anderen kann dies auch manuell über ein Type-In-Tool erfolgen, das die Eingabe dieser Folgen von Signalgrundobjektprototypen über eine Tastatur ermöglicht.
Mittels des Viterbi-Schätzers (113), kann aus der Abfolge der Hypothesenlisten des Abstandsermittlers (112) bzw. des Klassifikators (112) die wahrscheinlichste der vordefinierten Folgen von Signalgrundobjektprototypen für eine Folge von erkannten Signalgrundobjektprototypen (121) ermittelt werden. Die gilt insbesondere auch dann, wenn einzelne Signalgrundobjektprototypen aufgrund von Messfehlern durch den Abstandsermittler (112) bzw. den Klassifikator (112) falsch erkannt wurden. Insofern ist eine Übernahme von Folgen von Signalgrundobjektprototypenhypothesenlisten vom Abstandsermittler (112) bzw. Klassifikator (112), wie oben beschrieben, durch den Viterbi-Schätzer (113) sehr sinnvoll. Das Ergebnis ist das als wahrscheinlichst erkannte Signalobjekt (122) oder analog zur zuvor beschriebenen Emissionsberechnung des Abstandsschätzers (112) bzw. Klassifikators (112) eine Signalobjekthypothesenliste.
Als letztes betrachten wir die funktionalen Komponenten der Signalobjekt-Erkennungs-Maschine. Diese ist im in 7 als Viterbi-Schätzer (113) eingetragen. Diese Suche des Viterbi-Schätzers (113) greift auf die Signalobjektdatenbank (116) zu. Das Signalobjektdatenbank (116) wird zum einen durch ein an Anlerntool und zum anderen durch ein Werkzeug gespeist, bei denen diese Folgen von Signalgrundobjektprototypen durch textuelle der Eingabe festgelegt werden können Die Möglichkeit eines Downloads in der Produktion sei hier nur der Vollständigkeit halber erwähnt.
Basis der Sequenzerkennung für die zeitliche Folge der Signalgrundobjektprototypen im Viterbi-Schätzer (119) ist beispielhaft ein Hidden-Markov-Modell. Das Modell baut sich aus verschiedenen Zuständen auf. In dem in 9 angegebenen Beispiel werden diese Zustände durch nummerierte Kreise symbolisiert. In dem besagten Beispiel in 9 sind die Kreise von Z1 bis Z6 nummeriert. Zwischen den Zuständen bestehen Übergänge. Diese Übergänge werden in der 9 mit dem Buchstaben a und zwei Indizes i, j bezeichnet. Der erste Index i bezeichnet die Nummer des Ausgangsknotens der zweite Index j die Nummer des Zielknotens. Neben den Übergängen zwischen zwei verschiedenen Knoten bestehen auch Übergänge a_ii oder a_jj die wieder auf den Startknoten zurückführen. Darüber hinaus gibt es Übergänge, die es ermöglichen, Knoten zu überspringen aus der Sequenz ergibt sich somit jeweils eine Wahrscheinlichkeit, eine k-te Observable b_k tatsächlich zu beobachten. Somit ergeben sich Folgen von Observablen, die mit vorberechenbaren Wahrscheinlichkeiten b_k zu beobachten sind.
Wichtig ist dabei, dass ein jedes Hidden-Markov-Modell aus nicht beobachtbaren Zuständen qⁱ besteht. Zwischen zwei Zuständen qⁱ und q^j besteht die Übergangswahrscheinlichkeit a_ij.
Somit lässt sich die Wahrscheinlichkeit p für den Übergang von qⁱ auf q^j schreiben als: $p (q_{n}^{i} | q_{n - 1}^{i}) \equiv a_{i j}$
Dabei steht n für einen diskreten Zeitpunkt. Der Übergang findet also zwischen dem Schritt n mit Zustand q' und dem Schritt n+1 mit dem Zustand q^j statt.
Die Emissionsverteilung b_i(Ge) hängt vom Zustand qⁱ ab. Wie bereits erläutert ist dies die Wahrscheinlichkeit, die Elementargeste Ge (die Observable) zu beobachten, wenn sich das System (Hidden-Markov-Modell) im Zustand qⁱ befindet: $p (G e | q^{i}) \equiv b_{i} (G e)$
Um das System starten zu können, müssen die Anfangszustände festgelegt sein. Dies geschieht durch einen Wahrscheinlichkeitsvektor π_i. Danach lässt sich angeben, dass ein Zustand q' mit der Wahrscheinlichkeit π_i ein Anfangszustand ist: $p (q^{i}_{1}) \equiv π_{i}$
Wichtig ist, dass für jede Folge von Signalgrundobjektprototypen ein neues Modell erstellt werden muss. In einem Modell M soll die Beobachtungswahrscheinlichkeit für eine zeitliche Beobachtungsfolge von Signalgrundobjektprototypen $G \vec{e} = (G e_{1}, G e_{2}, \dots G e_{N})$
bestimmt werden
Dies entspricht einer nicht unmittelbar beobachtbaren zeitlichen Zustandsfolge, die der folgenden Folge entspricht: $\vec{Q} = (q_{1}, q_{2}, \dots q_{N})$
Die von dem Modell M, der zeitlichen Zustandsfolge Q und der zeitlichen Beobachtungsfolge Ge abhängige Wahrscheinlichkeit p, diese Zustandsfolge Q zu beobachten, ist: $\begin{array}{l} p (G \vec{e} | \vec{Q}, M) = p (G e_{1}, G e_{2}, \dots G e_{N} | q_{1}, q_{2}, \dots q_{N}) \\ = p (G \vec{e} | q_{1}) \cdot p (G e_{2} | q_{2}) \cdot \dots \dots p (G e_{N} | q_{N}) \\ = \prod_{n = 1}^{N} p (G e_{n} | q_{n}) \\ = \prod_{n = 1}^{N} b_{n} (G e_{n}) \end{array}$
Damit ergibt sich als Wahrscheinlichkeit einer Zustandsfolge $\vec{Q} = (q_{1}, q_{2}, \dots q_{N})$
im Modell M: $\begin{array}{l} p (\vec{Q} | M) = p (q_{1}, q_{2}, \dots q_{N} | M) \\ = p (q_{1}) \cdot p (q_{2} | q_{2}) \cdot p (q_{3} | q_{1}, q_{2}) \cdot \dots p (q_{N} | q_{1}, q_{2}, \dots q_{N - 1}) \\ = p (q_{1}) \prod_{n = 2}^{N} p (q_{n} | q_{n - 1}) \\ = π_{1} \prod_{n = 2}^{N} a_{(n - 1) n} \end{array}$
Somit ergibt sich als Wahrscheinlichkeit für die Erkennung eines Signalobjekts gleich einer Folge von Signalgrundobjektprototypen: $\begin{array}{l} p (G \vec{e} | M_{j}) = \sum_{a l l Q_{k}} p (G \vec{e} | Q_{k}, M_{j}) p ({\vec{Q}}_{k} | M_{j}) \\ = \sum_{a l l Q_{k}} (\prod_{n = 1}^{N} b_{n} (G e_{n})) (π_{1} \prod_{n = 1}^{N} a_{(n - 1) n}) \end{array}$
Dabei erfolgt die Bestimmung des wahrscheinlichsten Signalobjekt-Modells (Signalobjekt) für die beobachtete Emission Ge durch diese Summation der Einzelwahrscheinlichkeiten über alle möglichen Pfade Q_k, die zu diesem beobachtete Folge von Signalgrundobjektprototypen Ge führen. $\begin{array}{l} p (G \vec{e} | M_{j}) = \sum_{a l l Q_{k}} p (G \vec{e} | Q_{k}, M_{j}) p ({\vec{Q}}_{k} | M_{j}) \\ = \sum_{a l l Q_{k}} (\prod_{n = 1}^{N} b_{n} (G e_{n})) (π_{1} \prod_{n = 1}^{N} a_{(n - 1) n}) \end{array}$
Die Summierung über alle möglichen Pfade Q ist aufgrund des möglichen Rechenaufwands nicht unproblematisch. In der Regel wird daher sehr frühzeitig abgebrochen. Es wird daher vorgeschlagen, nur den wahrscheinlichsten Pfad Q_k zu nutzen. Dies wird im Folgenden diskutiert.
Die Berechnung erfolgt durch rekursive Berechnung. Die Wahrscheinlichkeit a_n(i) zum Zeitpunkt n das System im Zustand qⁱ zu beobachten lässt sich wie folgt berechnen: $\begin{array}{l} a_{n} (i) = p (G e_{1}, G e_{2}, \dots G e_{n}; q_{n} = q^{i}) \equiv p (G e_{i}^{n}, q_{n}^{i}) \\ a_{n + 1} (j) = [\sum_{i = 1}^{S} a_{n} (i) \cdot a_{i j}] b_{j} (G e_{n + 1}) \end{array}$
Hierbei wird über alle S möglichen Pfade summiert, die in den Zustand qⁱ⁺¹ hineinführen
Es wird dabei angenommen, dass die Gesamtwahrscheinlichkeit in den Zustand qⁱ _n+i zu gelangen vom besten Pfad dominiert wird. Dann kann die Summe mit geringem Fehler vereinfacht werden. $a_{n + 1} * (j) = [max_{i} (a_{n} * (i) \cdot a_{i j})] b_{j} (c_{n + 1})$
Durch Rückverfolgung vom letzten Zustand aus erhält man nun den besten Pfad.
Die Wahrscheinlichkeit dieses Pfades ist ein Produkt. Daher reduziert eine logarithmische Berechnung das Problem auf ein reines Summationsproblem. Dabei entspricht die Wahrscheinlichkeit für die Erkennung eines Signalobjekts, was der Erkennung eines Modells M_j entspricht, der Bestimmung des wahrscheinlichsten Signalobjekt-Modells für die beobachtete Emission X. Diese erfolgt nun ausschließlich über den besten möglichen Pfad Q_best $p (G \vec{e} | M_{j}) = \sum_{a l l Q_{k}} (\prod_{n = 1}^{N} b_{n} (G e_{n})) (π_{1} \prod_{n = 2}^{N} a_{(n - 1) n})$
Diese wird damit zu $\begin{array}{l} p (G \vec{e} | M_{j}) = p (G \vec{e} | Q_{b e s t}, M_{j}) p ({\vec{Q}}_{b e s t} | M_{j}) \\ = exp (ln (π_{1}) + ln (b_{1} (G e_{1})) + \sum_{n = 2}^{N} ln (b_{n} (G e_{n})) + ln (a_{(n - 1) n})) \end{array}$
Es ist nun von besonderer Bedeutung, dass die Prototypendatenbank (115) nur Signalgrundobjektprototypen enthält.
Die erkannten Signalobjekte werden mit den erkannten Parametern anstelle der Abtastwerte übertragen. Dies führt zu einer Kompression der Daten ohne den Signalcharakter zu verlassen.
ES IST VON BESONDERER WICHTIGKEIT, DASS HIER KEINE ERKENNUNG VON OBJEKTEN STATTFINDET; DIE SICH IM UMFELD DES FAHRZEUGS BEFINDEN. VIELMEHR WERDEN STRUKTUREN INNERHALB DES ULRASCHALL-ECHO-SIGNALS (1) ERKANNT UND ZUR KOMPRIMIERUNG GENUTZT.
Erst dies ermöglicht die bewertungsfreie Rekonstruktion des Signals im Steuergerät nach dem Empfang der Daten.
Im Gegensatz zum Stand der Technik ist es also nicht das Ziel des vorliegenden Vorschlags, Objekte, die sich im Umfeld des Fahrzeugs befinden zu detektieren und zu Klassifizieren und dadurch eine Datenkompression herbeizuführen, sondern das Ultraschall-Echos-Signal selbst möglichst verlustfrei durch Beschränkung auf Anwendungsrelevante Signalformbestanteile zu komprimieren und zu übertragen.
Der Ultraschallsensor überträgt dann die so komprimierten Daten, bevorzugt nur die Kodierungen (Symbole) der so erkannten Prototypen, deren Amplitude und/oder zeitliche Streckung und den Auftretenszeitpunkt (Zeitstempel), an das Rechnersystem. Hierdurch wird die EMV Belastung durch die Datenübertragung über den Datenbus zwischen Ultraschallsensor und Rechnersystem minimiert und es können Statusdaten des Ultraschallsensors zur Systemfehlererkennung in den zeitlichen Zwischenräumen an das Rechnersystem über den Datenbus zwischen Ultraschallsensor und Rechnersystem übertragen werden, was die Latenzzeit verbessert. Bei der Ausarbeitung des Vorschlags wurde erkannt, dass die Übertragung der Daten über den Datenbus priorisiert erfolgen muss. Diese Priorisierung betrifft aber nicht, wie aus dem Stand der Technik bekannt, die Priorisierung gegenüber anderen Busteilnehmern. Vielmehr ist es so, dass es sich bei der Datenverbindung zwischen dem Sensor und dem Steuerrechner des Fahrzeugs in der Regel um Punkt-zu-Punkt-Verbindungen handelt. Hier ist daher vielmehr die Priorisierung dahingehend zu verstehen, welches Datum der vom Sensorsystem ermittelten Daten zeitlich als erstes um Steuergerät übertragen werden muss. Meldungen sicherheitskritischer Fehler des Sensors, also hier beispielhaft des Ultraschallsensors, an das Rechnersystem haben dabei die höchste Priorität, da diese die Gültigkeit der Messdaten des Ultraschallsensors mit hoher Wahrscheinlichkeit beeinträchtigen. Diese Daten werden vom Sensor an das Rechnersystem gesendet. Die zweithöchste Priorität haben Anfragen des Rechnersystems zur Durchführung sicherheitsrelevanter Selbsttests. Solche Befehle werden vom Rechnersystem an den Sensor gesendet. Die dritthöchste Priorität haben die Daten des Ultraschallsensors selbst, da die Latenzzeit nicht erhöht werden darf. Alle anderen Daten haben niedrigere Priorität für die Übertragung über den Datenbus.
Es ist besonders vorteilhaft, wenn das Verfahren zur Übertragung von Sensordaten, insbesondere eines Ultraschallsensors, von einem Sensor zu einem Rechnersystem, insbesondere in einem Fahrzeug, umfassend das Aussenden eines Ultraschall-Bursts mit einem Anfang (57) und Ende (56) des Aussendens des Ultraschall-Bursts und umfassend das Empfangen eines Ultraschallsignals und Bilden eines Empfangssignals für eine Empfangszeit (T_E) zumindest ab dem Ende (56) des Aussendens des Ultraschall-Bursts sowie umfassend das Übertragen der komprimierten Daten über einen Datenbus, insbesondere einen Eindrahtdatenbus, an das Rechnersystem so gestaltet wird, dass die Übertragung (54) der Daten vom Sensor an das Rechnersystem mit einem Startbefehl (53) von dem Rechnersystem an den Ultraschallsensor über den Datenbus und vor dem Ende (56) des Aussendens des Ultraschall-Bursts beginnt oder nach einem Startbefehl (53) von dem Rechnersystem an den Sensor über den Datenbus und vor dem Anfang (57) des Aussendens des Ultraschall-Bursts beginnt. Die Übertragung (54) erfolgt dann nach dem Startbefehl (53) periodisch fortlaufend bis zu einem Ende der Datenübertragung (58). Dieses Ende der Datenübertragung (58) liegt dann zeitlich nach dem Ende der Empfangszeit (T_E).
Eine weitere Variante des vorgeschlagenen Verfahrens sieht somit als ersten Schritt der Datenkompression das Bilden eines Feature-Vektor-Signals (Strom von Feature-Vektoren mit n Feature-Vektorwerten und n als Dimension des Feature-Vektors) aus dem Empfangssignal vor. Ein solches Feature-Vektor-Signal kann mehrere analoge und digitale Datensignale umfassen. Es stellt also eine zeitliche Folge von mehr oder weniger komplexen Daten/Signal-Strukturen dar. Im einfachsten Fall kann es als vektorielles Signal bestehend aus mehreren Teilsignalen aufgefasst werden.
Beispielsweise kann es sinnvoll sein, eine erste und/oder höhere zeitliche Ableitung des Empfangssignals oder das einfache oder mehrfache Integral des Empfangssignals zu bilden, die dann Teilsignale innerhalb des Feature-Vektor-Signals sind.
Es kann auch ein Hüllkurvensignal des Empfangssignals gebildet werden, das dann ein Teilsignal innerhalb des Feature-Vektor-Signals ist.
Des Weiteren kann es sinnvoll sein, das Empfangssignal mit dem ausgesendeten Ultraschallsignal zu falten und so ein Korrelationssignal zu bilden, das dann ein Teilsignal innerhalb des Feature-Vektor-Signals sein kann. Dabei kann zum einen das Signal als ausgesendetes Ultraschallsignal verwendet werden, das zur Ansteuerung des Treibers für den Sender verwendet wurde oder zum anderen beispielsweise ein Signal, dass am Sender gemessen wurde und so der tatsächlich abgestrahlten Schallwelle besser entspricht.
Schließlich kann es sinnvoll sein, durch Optimalfilter (englisch matched filter) das Auftreten vorbestimmter Signalobjekte zu detektieren und ein Optimalfiltersignal für das jeweilige Signalobjekt einiger der vorbestimmten Signalobjekte zu bilden. Unter Optimalfilter (engl. matched filter) versteht man hierbei ein Filter, welches das Signal-Rausch-Verhältnis (engl. signal to noise ratio, SNR) optimiert. In dem gestörten Ultraschallempfangssignal sollen die vordefinierten Signalobjekte erkannt werden. In der Literatur findet man auch häufig die Bezeichnungen Korrelationsfilter, Signalangepasstes Filter (SAF) oder nur angepasstes Filter. Das Optimalfilter dient zur optimalen Bestimmung des Vorhandenseins (Detektion) der Amplitude und/oder der Lage einer bekannten Signalform, des vorbestimmten Signalobjekts, in Gegenwart von Störungen (Parameterschätzung). Diese Störungen können beispielsweise Signale anderer Ultraschallsender und/oder Bodenechos sein.
Die Optimalfilter-Ausgangssignale sind dann bevorzugt Teilsignale innerhalb des Feature-Vektor-Signals.
Bestimmte Ereignisse können in gesonderten Teilsignalen des Feature-Vektor-Signals signalisiert werden. Diese Ereignisse sind Signalgrundobjekte im Sinne dieser Offenbarung. Signalgrundobjekte umfassen also nicht Signalformen, wie beispielsweise Rechteck-Pulse oder Wavelets oder Wellenzüge, sondern markante Punkte im Verlauf des Empfangssignals und/oder im Verlauf von daraus abgeleiteten Signalen, wie beispielsweise einem Hüllkurvensignal, das beispielsweise durch Filterung aus dem Empfangssignal gewonnen werden kann.
Ein anderes Signal, das ein Teilsignal des Feature-Vektor-Signals sein kann, kann beispielsweise detektieren, ob die Hüllkurve des Empfangssignals, das Hüllkurvensignal, einen vorgegeben dritten Schwellwert kreuzt. Es handelt sich also um ein Signal, dass das Vorliegen eines Signalgrundobjekts innerhalb des Empfangssignal und damit des Feature-Vektorsignals signalisiert.
Ein anderes Signal, das ein Teilsignal des Feature-Vektor-Signals sein kann, kann beispielsweise detektieren, ob die Hüllkurve des Empfangssignals, das Hüllkurvensignal, einen vorgegeben vierten Schwellwert, der mit dem dritten Schwellwert identisch sein kann aufsteigend kreuzt. Es handelt sich also um ein Signal, dass das Vorliegen eines Signalgrundobjekts innerhalb des Empfangssignal und damit des Feature-Vektorsignals signalisiert.
Ein anderes Signal, das ein Teilsignal des Feature-Vektor-Signals sein kann, kann beispielsweise detektieren, ob die Hüllkurve des Empfangssignals, das Hüllkurvensignal, einen vorgegeben fünften Schwellwert, der mit dem dritten oder vierten Schwellwert identisch sein kann abfallend kreuzt. Es handelt sich also um ein Signal, dass das Vorliegen eines Signalgrundobjekts innerhalb des Empfangssignal und damit des Feature-Vektorsignals signalisiert.
Ein anderes Signal, das ein Teilsignal des Feature-Vektor-Signals sein kann, kann beispielsweise detektieren, ob die Hüllkurve des Empfangssignals, das Hüllkurvensignal, ein Maximum oberhalb eines sechsten Schwellwerts, der mit den vorgenannten dritten bis fünften Schwellwerten identisch sein kann, aufweist. Es handelt sich also um ein Signal, dass das Vorliegen eines Signalgrundobjekts innerhalb des Empfangssignal und damit des Feature-Vektorsignals signalisiert.
Ein anderes Signal, das ein Teilsignal des Feature-Vektor-Signals sein kann, kann beispielsweise detektieren, ob die Hüllkurve des Empfangssignals, das Hüllkurvensignal, ein Minimum oberhalb eines siebten Schwellwerts, der mit den vorgenannten dritten bis sechsten Schwellwerten identisch sein kann, aufweist. Es handelt sich also um ein Signal, dass das Vorliegen eines Signalgrundobjekts innerhalb des Empfangssignal und damit des Feature-Vektorsignals signalisiert.
Dabei wird bevorzugt ausgewertet, ob das zumindest eine, vorausgehende Maximum der Hüllkurve einen Mindestabstand zu dem Minimum hat, um eine Detektion von Rauschen zu vermeiden. Andere Filterungen sind an dieser Stelle denkbar. Auch kann geprüft werden, ob der zeitliche Abstand zwischen diesem Minimum und einem vorausgehenden Maximum größer ist, als ein erster zeitlicher Mindestabstand. Die Erfüllung dieser Bedingungen setzt jeweils ein Flag oder Signal, das selbst wieder bevorzugt ein Teilsignal des Feature-Vektor-Signals ist.
Ebenso sollte in analoger Weise überprüft werden, ob die zeitlichen und amplitudenmäßigen Abstände der anderen Signalobjekte gewissen Plausibilitätsanforderungen, wie zeitliche Mindestabstände und/oder Mindestabstände in der Amplitude genügen. Auch aus diesen Prüfungen können sich weitere, auch analoge, binäre oder digitale Teilsignale abgeleitet werden, die somit das Feature-Vektor-Signal in seiner Dimensionalität weiter vergrößern.
Ggf. kann in einer Signifikanzsteigerungsstufe das Feature-Vektor-Signal zu einem signifikanten Feature-Vektor-Signal z.B. durch eine lineare Abbildung oder ein Matrix-Polynom höherer Ordnung noch transformiert werden. In der Praxis hat sich aber gezeigt, dass dies zumindest für die heutigen Anforderungen noch nicht nötig ist.
Gemäß dem vorgeschlagenen Verfahren folgt das Erkennen und das Klassifizieren von Signalobjekten in erkannte Signalobjektklassen innerhalb des Empfangssignals auf Basis des Feature-Vektor-Signals oder des signifikanten Feature-Vektor-Signals.
Liegt beispielsweise die Amplitude des Ausgangssignals eines Optimalfilters, und damit eines Teilsignals des Feature-Vektor-Signals oberhalb eines ggf. optimalfilterspezifischen achten Schwellwerts, so kann das Signalobjekt, für dessen Detektion der Optimalfilter ausgelegt ist, als erkannt gelten. Dabei werden vorzugsweise auch andere Parameter berücksichtigt. Wurde beispielsweise ein Ultraschall-Burst mit ansteigender Frequenz während des Bursts gesendet (genannt Chirp-Up), so wird auch ein Echo erwartet, dass diese Modulationseigenschaft aufweist. Stimmt die Signalform der Hüllkurve, beispielsweise eine dreieckige Signalform der Hüllkurve, zeitlich lokal mit einer erwarteten Signalform überein, aber nicht jedoch die Modulationseigenschaft, so handelt es sich eben nicht um ein Echo des Senders, sondern um ein Störsignal, das von anderen Ultraschallsendern herrühren kann oder aus Überreichweiten. Insofern kann das System dann zwischen Eigenechos und Fremdechos unterscheiden, wodurch ein und dieselbe Signalform zwei unterschiedlichen Signalobjekten, nämlich Eigenechos und Fremdechos, zugeordnet wird. Die Übertragung der Eigenechos über den Datenbus vom Sensor zum Rechnersystem erfolgt dabei vorzugsweise priorisiert gegenüber der Übertragung der Fremdechos, da erstere in der Regel sicherheitsrelevant sind und zweite in der Regel nicht sicherheitsrelevant sind.
Typischerweise wird bei der Erkennung jedem erkannten Signalobjekt zumindest ein zugeordneter Signalobjektparameter zugeordnet oder für dieses Signalobjekt bestimmt. Hierbei handelt es sich bevorzugt um einen Zeitstempel, der angibt, wann das Objekt empfangen wurde. Dabei kann der Zeitstempel sich beispielsweise auf den zeitlichen Beginn des Signalobjekts im Empfangssignal oder das zeitliche Ende oder die zeitliche Lage des zeitlichen Schwerpunkts des Signalobjekts etc. beziehen. Auch sind andere Signalobjektparameter, wie Amplitude, Streckung etc. denkbar. In einer Variante des vorgeschlagenen Verfahrens wird somit zumindest einer der zugeordneten Signalobjektparameter mit einem Symbol für die zumindest eine erkannte Signalobjektklasse übertragen. Der Signalobjektparameter ist bevorzugt ein Zeitwert als Zeitstempel und gibt eine zeitliche Position an, die geeignet ist, daraus auf die Zeit seit Aussendung eines vorausgegangenen Ultraschall-Bursts schließen zu können. Vorzugsweise erfolgt daraus später die Ermittlung eines ermittelten Abstands eines Objekts in Abhängigkeit von einem dermaßen ermittelten und übertragenen Zeitwert.
Es folgt schließlich das priorisierte Übertragen der erkannten Signalobjektklassen in Form zugeordneter Symbole mit Zeitstempeln vorzugsweise jeweils zusammen mit den zugeordneten Signalobjektparametern. Die Übertragung kann auch in komplexeren Datenstrukturen (englisch: Records) erfolgen. Beispielsweise ist es denkbar, zuerst die Zeitpunkte der erkannten sicherheitsrelevanten Signalobjekte (z.B. identifizierte Hindernisse) zu übertragen und dann die erkannten Signalobjektklassen der sicherheitsrelevanten Signalobjekte. Hierdurch wird die Latenzzeit weiter verringert.
Das vorgeschlagene Verfahren umfasst zumindest in einer Variante das Ermitteln eines Chirp-Werts als zugeordneten Signalobjektparameter, der angibt, ob es sich bei dem erkannten Signalobjekt um ein Echo eines Ultraschall-Sende-Bursts mit Chirp-Up oder ein Chirp-Down oder ein No-Chirp-Eigenschaften handelt. Chirp-Up bedeutet, dass die Frequenz innerhalb des empfangenen Signalobjekts im Empfangssignal ansteigt. Chirp-Down bedeutet, dass die Frequenz innerhalb des empfangenen Signalobjekts im Empfangssignal abfällt. No-Chirp bedeutet, dass die Frequenz innerhalb des empfangenen Signalobjekts im Empfangssignal im Wesentlichen gleichbleibt.
In einer Variante des Verfahrens wird somit auch ein Confidence-Signal durch Bildung der Korrelation, z.B. durch Bildung eines zeitkontinuierlichen oder zeitdiskreten Korrelationsintegrals, zwischen dem Empfangssignal oder statt des Empfangssignals mit einem aus dem Empfangssignal abgeleiteten Signal einerseits und einem Referenzsignal, beispielsweise dem Ultraschallsendesignal oder einem anderen erwarteten Wavelet, andererseits gebildet. Das Confidence-Signal ist dann typischerweise ein Teilsignal des Feature-Vektor-Signals, also eine Komponente des Feature-Vektors, der aus einer Folge vektorieller Abtastwerte (Feature-Vektor-Werte) besteht.
In einer Variante des Verfahrens wird auf dieser Basis auch ein Phasen-Signal gebildet, dass die Phasenverschiebung beispielsweise des Empfangssignals oder eines daraus gebildeten Signals (z.B. des Confidence-Signals) gegenüber einem Referenzsignal, beispielsweise dem Ultraschallsendesignal und/oder einem anderen Referenzsignal angibt. Das Phasen-Signal ist dann typischerweise ebenfalls ein Teilsignal des Feature-Vektor-Signals, also eine Komponente des Feature-Vektors, der aus einer Folge vektorieller Abtastwerte besteht.
In ähnlicher Weise kann in einer weiteren Variante des vorgeschlagenen Verfahrens ein Phasen-Confidence-Signal durch Bildung der Korrelation zwischen dem Phasen-Signal oder einem daraus abgeleiteten Signal einerseits und einem Referenzsignal gebildet werden und als Teilsignal des Feature-Vektor-Signals verwendet werden. Das Phasen-Confidence-Signal ist dann typischerweise ebenfalls ein Teilsignal des Feature-Vektor-Signals, also eine Komponente des Feature-Vektors, der aus einer Folge vektorieller Abtastwerte besteht.
Bei der Auswertung des Feature-Vektor-Signals ist es dann sinnvoll, einen Vergleich des Phasen-Confidence-Signals mit einem oder mehreren Schwellwerten zur Erzeugung eines diskretisierten Phasen-Confidence-Signals durchzuführen, das selbst wieder ein Teilsignal des Feature-Vektor-Signals werden kann.
Die Auswertung des Feature-Vektor-Signals und/oder des signifikanten Feature-Vektor-Signals kann in einer Variante des vorgeschlagenen Verfahrens so erfolgen, dass ein oder mehrere Abstandswerte zwischen dem Feature-Vektor-Signal und einem oder mehreren Signalobjektprototypenwerten für erkennbare Signalobjektklassen gebildet werden. Ein solcher Abstandswert kann boolesch, binär, diskret, digital oder analog sein. Vorzugsweise werden alle Abstandswerte in einer nichtlinearen Funktion miteinander verknüpft. So kann bei einem erwarteten Chirp-Up-Echo in Dreiecksform ein empfangenes Chirp-Down-Echo in Dreiecksform verworfen werden. Dieses Verwerfen ist im Sinne dieser Offenlegung ein nichtlinearer Vorgang.
Umgekehrt kann das Dreieck im Empfangssignal unterschiedlich ausgeprägt sein. Dies betrifft zuallererst die Amplitude des Dreiecks im Empfangssignal. Ist die Amplitude im Empfangssignal hinreichend, so liefert beispielsweise das diesem Dreieckssignal zugeordnete Optimalfilter ein Signal oberhalb eines vorgegeben neunten Schwellwerts. In dem Fall kann dann beispielsweise dieser Signalobjektklasse (Dreieckssignal) ein erkanntes Signalobjekt zu diesem Zeitpunkt des Überschreitens zugeordnet werden. In dem Fall unterschreitet der Abstandswert zwischen dem Feature-Vektor-Signal und den Prototypen (hier der neunte Schwellwert) einen oder mehrere vorbestimmte, binäre, digitale oder analoge Abstandswerte (hier 0= Kreuzung).
Bei einer weiteren Variante des Verfahrens handelt es sich bei mindestens einer Signalobjektklasse um Wavelets, die durch Schätzvorrichtungen (z.B. Optimalfilter) und/oder Schätzverfahren (z.B. Schätzprogramme, die in einem digitalen Signalprozessor ablaufen) geschätzt und damit detektiert werden. Mit dem Begriff Wavelet werden Funktionen bezeichnet, die einer kontinuierlichen oder diskreten Wavelet-Transformation zugrunde gelegt werden können. Das Wort „Wavelet“ ist eine Neuschöpfung aus dem französischen „ondelette“, das „kleine Welle“ bedeutet und teils wörtlich („onde“→„wave"), teils phonetisch („-lette"→„-let") ins Englische übertragen wurde. Der Ausdruck „Wavelet“ wurde in den 1980er Jahren in der Geophysik (Jean Morlet, Alex Grossmann) für Funktionen geprägt, welche die Kurzzeit-Fourier-Transformation verallgemeinern, wird jedoch seit Ende der 1980er Jahre ausschließlich in der heute üblichen Bedeutung verwendet. In den 1990er Jahren entstand ein regelrechter Wavelet-Boom, ausgelöst durch die Entdeckung von kompakten, stetigen (bis hin zu beliebiger Ordnung der Differenzierbarkeit) und orthogonalen Wavelets durch Ingrid Daubechies (1988) und die Entwicklung des Algorithmus der schnellen Wavelet-Transformation (FWT) mit Hilfe der Multiskalenanalyse (MultiResolution Analysis - MRA) durch Stephane Mallat und Yves Meyer (1989).
Im Gegensatz zu den Sinus- und Kosinus-Funktionen der Fourier-Transformation besitzen die meistverwendeten Wavelets nicht nur Lokalität im Frequenzspektrum, sondern auch im Zeitbereich. Dabei ist „Lokalität“ im Sinne kleiner Streuung zu verstehen. Die Wahrscheinlichkeitsdichte ist das normierte Betragsquadrat der betrachteten Funktion bzw. von deren Fourier-Transformierten. Dabei ist das Produkt beider Varianzen immer größer als eine Konstante, analog zur Heisenbergschen Unschärferelation. Aus dieser Einschränkung heraus entstanden in der Funktionalanalysis die Paley-Wiener-Theorie (Raymond Paley, Norbert Wiener), ein Vorläufer der diskreten Wavelet-Transformation, und die Calderön-Zygmund-Theorie (Alberto Calderön, Antoni Zygmund), die der kontinuierlichen Wavelet-Transformation entspricht.
Das Integral einer Wavelet-Funktion ist im Fachgebrauch zwar immer 0, daher nimmt in der Regel die Wavelet-Funktion die Form von nach außen hin auslaufenden (kleiner werdenden) Wellen (also „Wellchen“ = Ondelettes = Wavelets) an. Im Sinne dieser Offenbarung sollen aber auch Wavelets zulässig sein, die ein von 0 verschiedenes Integral besitzen. Hier sei beispielhaft die im Folgenden beschriebenen Rechteck und Dreiecks-Wavelets genannt. Diese weitere Interpretation des Begriffs „Wavelet“ ist im amerikanischen Sprachraum verbreitet und von daher bekannt. Diese weitere Interpretation soll auch hier gelten.
Wichtige Beispiele für Wavelets mit 0-Integral sind das Haar-Wavelet (Alfred Haar 1909), die nach Ingrid Daubechies benannten Daubechies-Wavelets (um 1990), die ebenfalls von ihr konstruierten Coiflet-Wavelets und das eher theoretisch bedeutsame Meyer-Wavelet (Yves Meyer, um 1988).
Wavelets gibt es für Räume beliebiger Dimension, meist wird ein Tensorprodukt einer eindimensionalen Wavelet-Basis verwendet. Aufgrund der fraktalen Natur der Zwei-Skalen-Gleichung in der MRA haben die meisten Wavelets eine komplizierte Gestalt, die meisten haben keine geschlossene Form. Dies ist deswegen von besonderer Bedeutung, da das zuvor erwähnte Feature-Vektor-Signal ja mehrdimensional ist und daher die Verwendung multidimensionaler Wavelets zur Signalobjekterkennung zulässt.
Eine besondere Variante des vorgeschlagenen Verfahrens ist daher die Verwendung multidimensionaler Wavelets mit mehr als zwei Dimensionen zur Signalobjekterkennung. Insbesondere wird die Verwendung entsprechender Optimalfilter zur Erkennung solcher Wavelets mit mehr als zwei Dimensionen vorgeschlagen, um das Feature-Vektor-Signal um weitere zur Erkennung geeignete Teilsignale ggf. zu ergänzen.
Ein besonders geeignetes Wavelet ist beispielsweise ein Dreiecks-Wavelet. Dieses zeichnet sich durch einen Startzeitpunkt des Dreiecks-Wavelets, einen dem Startzeitpunkt des Dreiecks-Wavelets zeitlich nachfolgenden, zeitlich im Wesentlichen linearen Anstieg der Wavelet-Amplitude bis zu einem Maximum der Amplitude des Dreiecks-Wavelets und einen dem Maximum des Dreiecks-Wavelets und einem zeitlich nachfolgenden, zeitlich im Wesentlichen linearen Abfall der Wavelet-Amplitude bis zu einem Ende des Dreiecks-Wavelets aus.
Ein weiteres besonders geeignetes Wavelet ist ein Rechteckwavelet, das im Sinne dieser Offenbarung auch trapezförmige Wavelets miteinschließt. Ein Rechteck-Wavelet zeichnet sich durch einen Startzeitpunkt des Rechteck-Wavelets aus, dem ein Anstieg der Wavelet-Amplitude des Rechteck-Wavelets mit einer ersten zeitlichen Steilheit des Rechteck-Wavelets bis zu einem ersten Plateau-Zeitpunkt des Rechteck-Wavelets folgt. Dem ersten Plateau-Zeitpunkt des Rechteck-Wavelets folgt ein Verharren der Wavelet-Amplitude mit einer zweiten Steilheit der Wavelet-Amplitude bis zu einem zweiten Plateau-Zeitpunkt des Rechteck-Wavelets. Dem zweiten Plateau-Zeitpunkt des Rechteck-Wavelets folgt ein Abfall mit einer dritten zeitlichen Steilheit bis zum zeitlichen Ende des Rechteck-Wavelets. Dabei beträgt der Betrag der zweiten zeitlichen Steilheit weniger als 10% des Betrags der ersten zeitlichen Steilheit und weniger als 10% des Betrags der dritten zeitlichen Steilheit.
Statt der zuvor beschriebenen Wavelets ist auch die Verwendung anderer zweidimensionaler Wavelets, wie beispielsweise eines Sinushalbwellen-Wavelets möglich, das ebenfalls ein Integral ungleich 0 aufweist.
Es wird vorgeschlagen, dass bei Verwendung von Wavelets die zeitliche Verschiebung des betreffenden Wavelets des erkannten Signalobjekts als ein Signalobjektparameter verwendet wird. Beispielsweise kann durch Korrelation diese Verschiebung ermittelt werden. Es wird weiter vorgeschlagen, da bei Verwendung von Wavelets der Zeitpunkt der Überschreitung des Pegels des Ausgangs eines zur Detektion des betreffenden Wavelets geeigneten Optimalfilters über einen vordefinierten zehnten Schwellwert für dieses Signalobjekt bzw. dieses Wavelet bevorzugt verwendet wird. Vorzugsweise wird die Hüllkurve des Empfangssignals und/oder ein Phasensignal und/oder ein Confidence-Signal etc. ausgewertet.
Ein weiterer möglicher Signalobjektparameter, der ermittelt werden kann, ist eine zeitliche Kompression oder Dehnung des betreffenden Wavelet des erkannten Signalobjekts. Ebenso kann eine Amplitude des Wavelet des erkannten Signalobjekts ermittelt werden.
Es wurde bei der Ausarbeitung des Vorschlags für das hier offenbarte Verfahren erkannt, dass es vorteilhaft ist, die Daten der erkannten Signalobjekte der sehr schnell eintreffenden Echos zuerst vom Sensor zum Rechnersystem zu übertragen und dann erst die nachfolgenden Daten der später erkannten Signalobjekte. Vorzugsweise wird dabei immer zumindest die erkannte Signalobjektklasse und ein Zeitstempel übertragen, der vorzugsweise angeben sollte, wann das Signalobjekt beim Sensor wieder eingetroffen ist. Im Rahmen des Erkennungsprozesses können den verschiedenen Signalobjekten, die für einen Abschnitt des Empfangssignals in Frage kommen, Scores zugeordnet werden, die angeben, welche Wahrscheinlichkeit entsprechend dem verwendeten Schätzalgorithmus dem vorliegen dieses Signalobjekts zugeordnet wird. Ein solcher Score ist im einfachsten Fall binär. Vorzugsweise handelt es sich jedoch um eine komplexe, reelle oder Integer-Zahl. Es kann sich beispielsweise um den ermittelten Abstand handeln. Sofern mehrere Signalobjekte einen hohen Score-Wert haben, ist es sinnvoll, in manchen Fällen auch die Daten erkannter Signalobjekte mit niedrigeren Score-Werten zu übertragen. Um dem Rechnersystem die richtige Handhabung zu ermöglichen, sollten für diesen Fall nicht nur das Datum (Symbol) des erkannten Signalobjekts und der Zeitstempel für das jeweilige Signalobjekt übertragen werden, sondern auch der ermittelte Score-Wert. Statt nur Datum (Symbol) des erkannten Signalobjekts und der Zeitstempel für das diesem Symbol entsprechende Signalobjekt zu übertragen kann zusätzlich auch das Datum (Symbol) des Signalobjekts mit dem zweit kleinsten Abstand und dessen Zeitstempel für das diesem zweitwahrscheinlichsten Symbol entsprechende Signalobjekt mit übertragen werden. Somit wird in diesem Fall eine Hypothesenliste aus zwei erkannten Signalobjekten und deren zeitlichen Positionen sowie zusätzlich zugeordneten Score-Werten an das Rechnersystem übertragen. Natürlich ist auch die Übertragung einer Hypothesenliste bestehend aus mehr als zwei Symbolen für mehr als zwei erkannte Signalobjekte und deren zeitlichen Positionen sowie zusätzlich zugeordneten Score-Werte an das Rechnersystem erfolgen.
Vorzugsweise erfolgt die Übertragung der Daten der erkannten Signalobjektklasse und der zugeordneten Daten wie beispielsweise Zeitstemple und Score-Werte der jeweiligen erkannten Signalobjektklassen, also der zugeordneten Signalobjektparameter, nach dem FIFO-Prinzip. Dies stellt sicher, dass stets die Daten der Reflektionen der am nächsten liegenden Objekte zuerst übertragen werden und so der sicherheitskritische Fall des Zusammenstoßes des Fahrzeugs mit einem Hindernis priorisiert nach Wahrscheinlichkeit bearbeitet wird.
Neben der Übertragung von Messdaten kann auch die Übertragung von Fehlerzuständen des Sensors erfolgen. Dies kann auch während einer Empfangszeit (T_E) geschehen, wenn der Sensor durch Selbsttestvorrichtungen feststellt, dass ein Defekt vorliegt und die zuvor übertragenen Daten potenziell fehlerhaft sein könnten. Somit wird sichergestellt, dass das Rechnersystem zum frühesten möglichen Zeitpunkt über eine Änderung der Bewertung der Messdaten Kenntnis erlangen kann und diese verwerfen oder anders behandeln kann. Dies ist von besonderer Bedeutung für Notbremssysteme, da eine Notbremsung ein sicherheitskritischer Eingriff ist, der nur dann eingeleitet werden darf, wenn die zugrundeliegenden Daten einen entsprechenden Vertrauenswert besitzen. Dem gegenüber wird daher die Übertragung der Messdaten, also beispielsweise des Datums der erkannten Signalobjektklasse und/oder die Übertragung des einen zugeordneten Signalobjektparameters zurückgestellt und damit niedriger priorisiert. Natürlich ist ein Abbruch der Übertragung bei Auftreten eines Fehlers im Sensor denkbar. In manchen Fällen kann es aber vorkommen, dass ein Fehler möglich erscheint, aber nicht sicher vorliegt. Insofern ist in solchen Fällen unter Umständen die Fortsetzung einer Übertragung angezeigt. Die Übertragung sicherheitskritischer Fehler des Sensors erfolgt somit vorzugsweise höher priorisiert.
Neben den bereits beschriebenen Wavelets mit einem Integrationswert von 0 und den zusätzlich hier als Wavelet bezeichneten Signalabschnitten mit einem Integrationswert verschieden von 0 können auch bestimmte Zeitpunkt im Verlauf des Empfangssignals als Signalgrundobjekt im Sinne dieser Offenlegung aufgefasst werden, die zu einer Datenkompression verwendet werden können und anstelle von Abtastwerten des Empfangssignals übertragen werden können. Diese Untermenge in der Menge möglicher Signalgrundobjekte bezeichnen wir im Folgenden als Signalzeitpunkte. Die Signalzeitpunkte sind also im Sinne dieser Offenlegung eine spezielle Form der Signalgrundobjekte.
Ein erster möglicher Signalzeitpunkt und damit ein Signalgrundobjekt ist ein Kreuzen der Amplitude des Hüllkurvensignals (1) mit der Amplitude eines elften Schwellwertsignals (SW) in aufsteigender Richtung.
Ein zweiter möglicher Signalzeitpunkt und damit ein Signalgrundobjekt ist ein Kreuzen der Amplitude des Hüllkurvensignals (1) mit der Amplitude eines zwölften Schwellwertsignals (SW) in absteigender Richtung.
Ein dritter möglicher Signalzeitpunkt und damit ein Signalgrundobjekt ist ein Maximum der Amplitude des Hüllkurvensignals (1) oberhalb der Amplitude eines dreizehnten Schwellwertsignals (SW).
Ein vierter möglicher Signalzeitpunkt und damit ein Signalgrundobjekt ist ein Minimum der Amplitude des Hüllkurvensignals (1) oberhalb der Amplitude eines vierzehnten Schwellwertsignals (SW).
Ggf. kann es sinnvoll sein, für diese vier beispielhaften Typen von Signalzeitpunkten und weitere Typen von Signalzeitpunkten signalzeitpunkttyp-spezifische Schwellwertsignale (SW) zu verwenden.
Die zeitliche Abfolge von Signalgrundobjekten ist typischerweise nicht beliebig. Dies wird in dieser Offenlegung ausgenutzt, da bevorzugt nicht die Signalgrundobjekte, die einfacherer Natur sind, übertragen werden sollen, sondern erkannte Muster von Abfolgen dieser Signalgrundobjekte, die dann die eigentlichen Signalobjekte darstellen. Wird beispielsweise ein Dreiecks-Wavelet im Hüllkurvensignal (1) ausreichender Amplitude erwartet, so kann zusätzlich zu einem entsprechenden Mindestpegel am Ausgang eines für die Detektion eines solchen Dreiecks-Wavelets geeigneten Optimal-Filters

1. das Auftreten eines ersten möglichen Signalzeitpunkts mit einem Kreuzen der Amplitude des Hüllkurvensignals (1) mit der Amplitude eines Schwellwertsignals (SW) in aufsteigender Richtung und daran zeitlich anschließend
2. das Auftreten eines dritten möglichen Signalzeitpunkts mit einem Maximum der Amplitude des Hüllkurvensignals (1) oberhalb der Amplitude eines Schwellwertsignals (SW) und daran zeitlich anschließend
3. das Auftreten eines zweiten möglichen Signalzeitpunkts mit einem Kreuzen der Amplitude des Hüllkurvensignals (1) mit der Amplitude eines Schwellwertsignals (SW) in absteigender Richtung

Die sich somit ergebende Gruppierung und zeitliche Abfolge von erkannten Signalgrundobjekten kann selbst, beispielsweise durch einen Viterbi-Decoder, als eine vordefinierte, erwartete Gruppierung oder zeitliche Abfolge von Signalgrundobjekten erkannt werden und kann somit selbst wieder ein Signalgrundobjekt darstellen. Somit ist ein sechster möglicher Signalzeitpunkt und damit ein Signalgrundobjekt das Auftreten einer solchen vordefinierten Gruppierung und/oder zeitliche Abfolge von anderen Signalgrundobjekten.
Wird eine solche Gruppierung von Signalgrundobjekten oder zeitliche Abfolge solcher Signalobjektklassen in Form eines Signalobjekts erkannt, so folgt das Übertragen des Symbols dieser erkannten zusammenfassenden Signalobjektklasse und zumindest des einen zugeordneten Signalobjektparameters vorzugsweise an Stelle der Übertragung der einzelnen Signalgrundobjekte, da hierdurch erhebliche Datenbuskapazität gespart wird. Es mag jedoch auch Fälle geben, in denen beides übertragen wird. Hierbei wird das Datum (Symbol) der Signalobjektklasse eines Signalobjekts übertragen, das eine vordefinierte zeitliche Abfolge und/oder Gruppierung von anderen Signalgrundobjekten ist. Um eine Kompression zu erreichen, ist es vorteilhaft, wenn zumindest eine Signalobjektklasse (Symbol) zumindest eines dieser anderen Signalgrundobjekte nicht übertragen wird.
Eine zeitliche Gruppierung von Signalgrundobjekten liegt insbesondere dann vor, wenn der zeitliche Abstand dieser Signalgrundobjekte einen vordefinierten Abstand nicht überschreitet. Im zuvor erwähnten Beispiel sollte die Laufzeit des Signals im Optimalfilter bedacht werden. Typischerweise dürfte das Optimalfilter langsamer als die Komparatoren sein. Daher sollte der Wechsel im Ausgangssignal des Optimalfilters in einem festen zeitlichen Zusammenhang zu dem zeitlichen Auftreten der relevanten Signalzeitpunkte stehen.
Es wird hier also ein Verfahren zur Übertragung von Sensordaten, insbesondere eines Ultraschallsensors, von einem Sensor zu einem Rechnersystem, insbesondere in einem Fahrzeug, vorgeschlagen, das mit dem Aussenden eines Ultraschall-Bursts und dem Empfangen eines Ultraschallsignals und dem Bilden eines zeitdiskreten Empfangssignals bestehend aus einer Folge von Abtastwerten beginnt. Jedem Abtastwert ist dabei ein zeitliches Datum (Zeitstempel) zugeordnet. Es folgt die Bestimmung von mindestens zwei Parametersignalen jeweils betreffend das Vorliegen jeweils eines dem jeweiligen Parametersignal zugeordneten Signalgrundobjekts mit Hilfe mindestens eines geeigneten Filters (z.B. eines Optimalfilters) aus der Folge von Abtastwerten des Empfangssignals. Die sich ergebenden Parametersignale (Feature-Vektor-Signale) sind ebenfalls als zeitdiskrete Folge von jeweiligen Parametersignalwerten (Feature-Vektor-Werte) ausgebildet, die jeweils mit einem Datum (Zeitstempel) korreliert sind. Somit ist bevorzugt jedem Parametersignalwert (Feature-Vektor-Wert) genau ein zeitliches Datum (Zeitstempel) zugeordnet. Diese Parametersignale zusammen werden im Folgenden als Feature-Vektor-Signal bezeichnet. Das Feature-Vektor-Signal ist somit als zeitdiskrete Folge von Feature-Vektor-Signalwerten mit jeweils n Parametersignalwerten ausgebildet ist, die aus den Parametersignalwerten und weiteren Parametersignalwerten mit jeweils gleichem zeitlichem Datum (Zeitstempel) bestehen. Hierbei ist n die Dimensionalität der einzelnen Feature-Vektor-Signalwerte, die bevorzugt von einem Feature-Vektorwert zum nächsten Feature-Vektorwert gleich sind. Jedem so gebildeten Feature-Vektor-Signalwert wird dieses jeweilige zeitliche Datum (Zeitstempel) zugeordnet. Es folgt die Auswertung des zeitlichen Verlaufs des Feature-Vektor-Signals in dem sich ergebenden n-dimensionalen Phasenraum sowie das Schließen auf ein erkanntes Signalobjekt unter Ermittlung eines Bewertungswerts (z.B. des Abstands). Wie zuvor erläutert, besteht dabei ein Signalobjekt, aus einer zeitlichen Abfolge von Signalgrundobjekten. Dem Signalobjekt ist dabei typischerweise vordefiniert ein Symbol zugeordnet. Bildlich gesprochen wird hier geprüft, ob der Punkt, auf den das n-dimensionale Feature-Vektor-Signal im n-dimensionalen Phasenraum zeigt, bei seinem Wege durch den n-dimensionalen Phasenraum in vorbestimmter zeitlicher Abfolge sich vorbestimmten Punkten in diesem n-dimensionalen Phasenraum näher als ein vorgegebener Maximalabstand nähert. Das Feature-Vektor-Signal hat also einen einem zeitlichen Verlauf. Es wird dann ein Bewertungswert (z.B. ein Abstand) berechnet, der beispielsweise der Wahrscheinlichkeit für das Vorliegen einer bestimmten Abfolge wiedergeben kann. Es erfolgt dann der Vergleich dieses Bewertungswerts, dem wieder ein zeitliches Datum (Zeitstempel) zugeordnet ist, mit einem Schwellwertvektor unter Bildung eines booleschen Resultats, dass einen ersten und einen zweiten Wert haben kann. Wenn dieses boolesche Resultat für dieses zeitliche Datum (Zeitstemple) den ersten Wert hat, erfolgt ein Übertragen des Symbols des Signalobjekts und des diesem Symbol zugeordneten zeitlichen Datums (Zeitstempel) von dem Sensor zu dem Rechnersystem. Ggf. können je nach erkanntem Signalobjekt weitere Parameter übertragen werden.
Besonders bevorzugt erfolgt die Datenübertragung im Fahrzeug über einen seriellen bidirektionalen Eindraht-Datenbus. Die elektrische Rückleitung wird hierbei bevorzugt durch die Karosserie des Fahrzeugs sichergestellt. Vorzugsweise werden die Sensordaten strommoduliert an das Rechnersystem gesendet. Die Daten zur Steuerung des Sensors werden durch das Rechnersystem vorzugsweise spannungsmoduliert an den Sensor gesendet. Erfindungsgemäß wurde erkannt, dass die Verwendung eines PSI5-Datenbusses und/oder eines DSI3-Datenbusses für die Datenübertragung besonders geeignet ist. Des Weiteren wurde erkannt, dass es besonders vorteilhaft ist, die Übertragung der Daten an das Rechnersystem mit einer Übertragungsrate von > 200 kBit/s und vom Rechnersystem zu dem mindestens einen Sensor mit einer Übertragungsrate > 10 kBit/s, vorzugsweise 20 kBit/s vorzunehmen. Des Weiteren wurde erkannt, dass die Übertragung von Daten von dem Sensor an das Rechnersystem mit einem Sendestrom auf den Datenbus moduliert werden sollte, dessen Stromstärke weniger als 50 mA, bevorzugt weniger als 5 mA, bevorzugt weniger als 2,5mA betragen sollte. Für diese Betriebswerte müssen diese Busse entsprechend angepasst werden. Das Grundprinzip bleibt aber bestehen.
Für die Durchführung der zuvor beschriebenen Verfahren wird ein Rechnersystem mit einer Datenschnittstelle zu dem besagten Datenbus, vorzugsweise dem besagten Eindrahtdatenbus, benötigt, das die Dekompression der dermaßen komprimierten Daten unterstützt. In der Regel wird das Rechnersystem jedoch keine vollständige Dekompression vornehmen, sondern beispielsweise lediglich den Zeitstempel und den erkannten Signalobjekttyp auswerten. Der Sensor, der zur Durchführung eines der zuvor beschrieben Verfahren benötigt wird, weist mindestens einen Sender und mindestens einen Empfänger zur Erzeugung eines Empfangssignals auf, die auch als ein oder mehrere Transducer kombiniert vorliegen können. Des Weiteren weist er zumindest Vorrichtungen zur Verarbeitung und Kompression des Empfangssignals auf sowie eine Datenschnittstelle zur Übertragung der Daten über den Datenbus, vorzugsweise den besagten Eindrahtdatenbus, an das Rechnersystem auf. Für die Kompression weist die Vorrichtung zur Kompression vorzugsweise zumindest eine der folgenden Teilvorrichtungen auf:

• Optimalfilter,
• Komparatoren,
• Schwellwertsignalerzeugungsvorrichtungen zur Erzeugung eines oder mehrerer Schwellwertsignale (SW),
• Differenzierer zur Bildung von Ableitungen,
• Integrierer zur Bildung integrierter Signale,
• sonstige Filter,
• Hüllkurvenformer zur Erzeugung eines Hüllkurvensignals aus dem Empfangssignal,
• Korrelationsfilter zum Vergleich des Empfangssignals oder von daraus abgeleiteten Signalen mit Referenzsignalen.

In einer besonders einfachen Form wird das vorgeschlagene Verfahren zur Übertragung von Sensordaten, insbesondere eines Ultraschallsensors, von einem Sensor zu einem Rechnersystem, insbesondere in einem Fahrzeug, wie folgt ausgeführt:

Es beginnt mit dem Aussenden eines Ultraschall-Bursts. Es folgt das Empfangen eines Ultraschallsignals, also typischerweise eine Reflektion und das Bilden eines zeitdiskreten Empfangssignals bestehend aus einer zeitlichen Folge von Abtastwerten. Dabei ist jedem Abtastwert ein zeitliches Datum (Zeitstemple) zugeordnet. Dieses gibt den Zeitpunkt der Abtastung typischerweise wieder. Auf Basis dieses Datenstroms erfolgt die Bestimmung eines ersten Parametersignals einer ersten Eigenschaft mit Hilfe eines ersten Filters aus der Folge von Abtastwerten des Empfangssignals. Bevorzugt wird dabei das Parametersignal wieder als zeitdiskrete Folge von Parametersignalwerten ausgebildet. Jedem Parametersignalwert wird wieder genau ein zeitliches Datum (Zeitstempel) zugeordnet. Bevorzugt entspricht dieses Datum dem jüngsten zeitlichen Datum eines Abtastwertes, der zur Bildung dieses jeweiligen Parametersignalwertes benutzt wurde. Zeitlich parallel dazu erfolgt bevorzugt die Bestimmung mindestens eines weiteren Parametersignals einer diesem weiteren Parametersignal zugeordneten Eigenschaft mit Hilfe eines diesem weiteren Parametersignal zugeordneten weiteren Filters aus der Folge von Abtastwerten des Empfangssignals, wobei die weiteren Parametersignale jeweils wieder als zeitdiskrete Folgen von weiteren Parametersignalwerten ausgebildet sind. Auch hier wird jedem weiteren Parametersignalwert jeweils das gleiche zeitliche Datum (Zeitstempel) wie dem entsprechenden Parametersignalwert zugeordnet.

Das erste Parametersignal und die weiteren Parametersignale werden zusammen im Folgenden als Feature-Vektor-Signal bezeichnet. Dieses Feature-Vektor-Signal (oder auch Parametervektorsignal) stellt somit eine zeitdiskrete Folge von Feature-Vektor-Signalwerten dar, die aus den Parametersignalwerten und weiteren Parametersignalwerten mit jeweils gleichem zeitlichen Datum (Zeitstempel) bestehen. Somit kann jedem so gebildeten Feature-Vektor-Signalwert (=Parametersignalwert) dieses jeweilige zeitliche Datum (Zeitstempel) zugeordnet werden.
Es erfolgt bevorzugt dann quasikontinuierlich der Vergleich der Feature-Vektor-Signalwerte eines zeitlichen Datums (Zeitstempels) mit einem Schwellwertvektor, der bevorzugt ein Prototypenvektor ist, unter Bildung eines booleschen Resultats, dass einen ersten und einen zweiten Wert haben kann, Beispielsweise ist es denkbar, den Betrag des aktuellen Feature-Vektor-Signalwerts, der beispielsweise eine erste Komponente eines Feature-Vektor-Signalwerts darstellt, mit einem fünfzehnten Schwellwert, der eine erste Komponente des Schwellwertvektors darstellt, zu vergleichen und das boolesche Resultat auf einen ersten Wert zusetzen, wenn der Betrag des Feature-Vektor-Signalwerts kleiner ist als dieser fünfzehnte Schwellwert, und auf einen zweiten Wert, wenn das nicht der Fall ist. Hat das boolesche Resultat einen ersten Wert, so ist es dann weiter denkbar, den Betrag des weiteren Feature-Vektor-Signalwerts, der beispielsweise eine weitere Komponente dieses Feature-Vektor-Signals darstellt, mit einem weiteren Schwellwert, der eine weitere Komponente des Schwellwertvektors darstellt, zu vergleichen und das boolesche Resultat auf dem ersten Wert zu belassen, wenn der Betrag des weiteren Feature-Vektor-Signalwerts kleiner ist als dieser weitere Schwellwert, und das boolesche Resultat auf den zweiten Wert zu setzen, wenn dies nicht der Fall ist. Auf diese Weise können alle weiteren Feature-Vektor-Signalwerte überprüft werden. Natürlich sind auch andere Klassifikatoren denkbar. Auch ist der Vergleich mit mehreren verschiedenen Schwellwertvektoren möglich. Diese Schwellwertvektoren stellen also die Prototypen vorgegebener Signalformen dar. Sie entstammen der besagten Bibliothek. Jedem Schwellwertvektor ist wieder bevorzugt ein Symbol zugeordnet.
Als letzter Schritt folgt dann in diesem Fall das Übertragen des Symbols und ggf. auch der Feature-Vektor-Signalwerte und des diesem Symbol bzw. Feature-Vektor-Signalwert zugeordneten zeitlichen Datums (Zeitstempels) von dem Sensor zu dem Rechnersystem, wenn das boolesche Resultat für dieses zeitliche Datum (Zeitstempel) den ersten Wert hat.
Somit werden alle anderen Daten nicht mehr übertragen. Des Weiteren werden durch die mehrdimensionale Auswertung Störungen vermieden.
Auf dieser Basis wird somit ein Sensorsystem vorgeschlagen, mit mindestens einem Rechnersystem, das zur Durchführung eines der zuvor vorgestellten Verfahren in der Lage ist und mit mindestens zwei Sensoren die ebenfalls zur Durchführung eines der zuvor vorgestellten Verfahren in der Lage sind, sodass diese mindestens zwei Sensoren mit dem Rechnersystem durch Signalobjekterkennung kommunizieren können und auch in die Lage versetzt sind, Fremdechos kompaktiert zu übertragen und diese Informationen zusätzliche dem Rechnersystem zur Verfügung zu stellen. Das Sensorsystem ist dementsprechend dazu typischerweise vorgesehen, dass die Datenübertragung zwischen den mindestens zwei Sensoren und dem Rechnersystem entsprechend den zuvor beschriebenen Verfahren abläuft oder ablaufen kann. Innerhalb der mindestens zwei Sensoren des Sensorsystems wird also typischerweise jeweils ein Ultraschallempfangssignal, also mindestens zwei Ultraschallempfangssignale, mittels eines der zuvor vorgeschlagenen Verfahren komprimiert und an das Rechnersystem übertragen. Dabei werden innerhalb des Rechnersystems die mindestens zwei Ultraschallempfangssignale zu rekonstruierten Ultraschallempfangssignalen rekonstruiert. Das Rechnersystem führt dann mit Hilfe von rekonstruierten Ultraschallempfangssignalen eine Objekterkennung von Objekten im Umfeld der Sensoren durch. Die Sensoren führen diese Objekterkennung im Gegensatz zum Stand der Technik also nicht durch.
Das Rechnersystem führt bevorzugt zusätzlich mit Hilfe der rekonstruierten Ultraschallempfangssignale und zusätzlicher Signalen weiterer Sensoren, insbesondere der Signale von Radar-Sensoren, eine Objekterkennung von Objekten im Umfeld der Sensoren durch.
Als letzten Schritt erstellt bevorzugt das Rechnersystem aus Basis der erkannten Objekte eine Umfeldkarte für die Sensoren oder eine Vorrichtung, deren Teil die Sensoren sind.
Das vorgeschlagene Ultraschallsensorsystem, wie es beispielhaft in den 7 und 12 dargestellt ist, umfasst somit bevorzugt einen Ultraschallwandler (100), einen Feature-Extraktor (111) und mit einem Schätzer (150, 151) oder Klassifikator und eine physikalische Schnittstelle (101). Der Ultraschallwandler (100) ist bevorzugt dazu vorgesehen und/oder eingerichtet, ein akustisches Ultraschallwellensignal zu empfangen und davon abhängig ein Ultraschallwandlersignal (102) zu bilden. Der Feature-Vektor-Extraktor (111) dazu vorgesehen und/oder eingerichtet ist, aus dem Ultraschallwandlersignal (102) ein Feature-Vektor-Signal (124) zu bilden. Das Ultraschallsensorsystem ist bevorzugt dazu eingerichtet und vorgesehen, mittels des Schätzers (151, 150) Signalobjekte in dem Ultraschallempfangssignal (1) zu erkennen und in Signalobjektklassen zu klassifizieren, wobei eine Signalobjektklasse auch nur ein Signalobjekt umfassen kann. Bevorzugt werden dabei jedem somit erkannten und klassifizierten Signalobjekt (122) zumindest ein zugeordneter Signalobjektparameter und ein Symbol entsprechend der diesem Signalobjekt zuerkannten Signalobjektklasse zugeordnet oder für jedes somit erkannte und klassifizierte Signalobjekt (122) zumindest ein zugeordneter Signalobjektparameter und ein Symbol für dieses Signalobjekt bestimmt. Zumindest das Symbols einer erkannten Signalobjektklasse (122) und zumindest des einen zugeordneten Signalobjektparameters dieser erkannten Signalobjektklasse (122) werden an ein übergeordnetes Rechnersystem über einen Datenbus übertragen.
Bevorzugt weist der Schätzer (150) einen Abstandsermittler (112) und eine Prototypendatenbank (115) auf. Ebenso weist bevorzugt der Schätzer (150) einen Viterbi-Schätzer und eine Signalobjektdatenbank auf. Auch kann der Schätzer (151) ein neuronales Netzwerkmodell verwenden.
Ein vorgeschlagenes Verfahren zum Betreiben eines Ultraschallsensors umfasst daher die Schritte entsprechend 11:

• Warten auf ein Ultraschallempfangssignal, das vom Grundrauschen verschieden ist,
• Wechsel in einen Zustand „kein Signalobjektgrundprototyp“ falls das Ultraschallempfangssignal von Grundrauschen verschieden ist, und Durchführung eines Verfahrens zum Erkennen und zum Klassifizieren von Signalgrundprototypen;
• Wechsel in eine Folge von Zuständen, die den Signalgrundprototypen einer vorgegebenen Folge von Signalgrundprototypen zugeordnet sind, wenn der erste Signalgrundprototyp dieser Folge erkannt wird;
• Folgen der Folge der Signalgrundprototypen bis das Ende der Folge von Signalgrundprototypen erreicht ist;
• Schließen auf das Vorliegen eines dieser Folge von Signalgrundprototypen und auf ein dieser Folge zugeordnetes Signalobjekt, wenn das Ende dieser Folge von Signalgrundprototypen erreicht ist und Signalisierung dieses Signalobjekts;
• Abbruch (nicht in 11 eingezeichnet) dieser Folge bei Zeitüberschreitung und/oder bei einfache oder mehrfacher Detektion eines Signalgrundprototypen an einer Position dieser Folge, an der dieser Signalgrundprototyp nicht erwartet wird oder an der in der folgenden Position dieser Signalgrundprototyp nicht erwartet wird.
• Rücksprung in den Zustand „kein Signalobjektgrundprototyp“.

Vorteil der Erfindung
Eine solche komprimierte Übertragung von Daten über den Datenbus zwischen Sensor und Rechnersystem senkt zum einen die Datenbuslast und damit die Kritizität gegenüber EMV-Anforderungen und schafft zum anderen freie Datenbuskapazitäten während der Empfangszeit für die Übertragung von Steuerbefehlen vom Rechnersystem zum Sensor und zur Übertragung von Statusinformationen und sonstigen Daten vom Sensor zum Rechnersystem. Die vorgeschlagene Priorisierung stellt dabei sicher, dass sicherheitsrelevante Daten zuerst übertragen werden und so keine unnötigen Totzeiten des Sensors entstehen.
Figurenliste

1 zeigt den prinzipiellen Ablauf der Signalkompression und der Übertragung (Beschreibung siehe oben);
2 zeigt detaillierter den prinzipiellen Ablauf der Signalkompression und der Übertragung (Beschreibung siehe oben.);
3 a zeigt ein herkömmliches Ultraschall-Echo-Signal (1) und dessen konventionelle Auswertung.
3 b zeigt ein herkömmliches Ultraschall-Echo-Signal (1) und dessen Auswertung, wobei die Amplitude mitübertragen wird.
3c zeigt ein Ultraschall-Echo-Signal, wobei die Chirp-Richtung enthalten ist.
3d zeigt erkannte Signalobjekte (Dreieckssignale) in dem Signal der 1c unter Verwurf nicht erkannter Signalanteile.
4e zeigt die nicht beanspruchte konventionelle Übertragung
4f zeigt die nicht beanspruchte Übertragung analysierter Daten nach vollständigem Empfang des Ultraschallechos
4g zeigt die beanspruchte Übertragung komprimierter Daten, wobei in diesem Beispiel Symbole für Signalgrundobjekte weitestgehend ohne Kompression entsprechend dem Stand der Technik.
5h zeigt die beanspruchte Übertragung komprimierter Daten, wobei in diesem Beispiel Symbole für Signalgrundobjekte zu Symbolen für Signalobjekte komprimiert werden.
6 zeigt die beanspruchte Übertragung komprimierter Daten, wobei in diesem Beispiel Symbole für Signalgrundobjekte zu Symbolen für Signalobjekte komprimiert werden. Dabei wird nicht nur das Hüllkurvensignal, sondern auch das Confidenz-Signal ausgewertet.
7 zeigt eine beispielhafte Vorrichtung in Form eines Ultraschallsensors mit Erkennung von Signalobjekten die Datenschnittstelle, der Datenbus und das Steuergerät sind zur Vereinfachung nicht eingetragen.
8 dient der Erläuterung der Selektion der Signalgrundobjektprototypen der Prototypendatenbank (115) durch den Abstandsermittler (112).9 dient der Erläuterung des HMM-verfahrens, das durch den Viterbi-Schätzer (113) angewandt wird, um das Signalobjekt als wahrscheinlichste Folge von Signalgrundobjektprototypen aufgrund einer Folge von erkannten Signalgrundobjektprototypen (121) als erkanntes Signalobjekt (122) zu identifizieren.
10 zeigt eine beispielhafte Zustandsabfolge im Viterbi-Schätzer (113) für die Erkennung eines einzelnen Signalobjekts.
11 zeigt eine beispielhafte, bevorzugte Zustandsabfolge im Viterbi-Schätzer (113) für die kontinuierliche Erkennung eines von Signalobjekte, wie sie typischerweise für die Erkennung bei Aufgaben des autonomen Fahrens notwendig ist.
12 zeigt eine alternative Ausgestaltung mit einem Schätzer (151), der ein neuronales Netzwerkmodell ausführt.

Beschreibung der weiteren Figuren
Die 1 und 2 wurden bereits oben beschrieben.
Figur 3a
3a zeigt den nicht beanspruchten zeitlichen Verlauf eines herkömmliches Ultraschall-Echo-Signal (1) und dessen nicht beanspruchte konventionelle Auswertung in frei gewählten Einheiten. Beginnend mit dem Aussenden des Sende-Bursts (SB) wird ein Schwellwertsignal (SW) mitgeführt. Immer dann, wenn das Hüllkurvensignal des Ultraschall-Echo-Signals (1) das Schwellwertsignal (SW) übersteigt, wird der Ausgang (2) auf logisch 1 gesetzt. Es handelt sich um eine zeitlich analoge Schnittstelle mit einem digitalen Ausgangspegel. Die weitere Auswertung wird dann im Steuergerät des Sensors übernommen. Eine Signalisierung von Fehlern oder eine Steuerung des Sensors ist über diese dem Stand der Technik entsprechende analoge Schnittstelle nicht möglich.
Figur 3 b
3b zeigt den nicht beanspruchten zeitlichen Verlauf eines herkömmliches Ultraschall-Echo-Signal (1) und dessen nicht beanspruchte konventionelle Auswertung in frei gewählten Einheiten.
Beginnend mit dem Aussenden des Sende-Bursts (SB) wird ein Schwellwertsignal (SW) mitgeführt. Immer dann, wenn das Hüllkurvensignal des Ultraschall-Echo-Signals (1) das Schwellwertsignal (SW) übersteigt, wird der Ausgang (2) nun jedoch auf einen Pegel entsprechend der Amplitude der erfassten Reflektion gesetzt. Es handelt sich um eine zeitlich analoge Schnittstelle mit einem analogen Ausgangspegel. Die weitere Auswertung wird dann im Steuergerät des Sensors übernommen. Eine Signalisierung von Fehlern oder eine Steuerung des Sensors ist über diese dem Stand der Technik entsprechende analoge Schnittstelle nicht möglich.
Figur 3c
zeigt zur Erläuterung das Ultraschall-Echo-Signal, wobei die Chirp-Richtung (z.B. A=Chirp-Up; B=Chirp down) markiert ist.
Figur 3d
In 3d wird das Prinzip der symbolischen Signalübertragung erläutert. Statt des Signals aus 3c werden hier beispielhaft nur zwei Typen von Dreiecksobjekten übertragen. Konkret sind das ein erstes Dreiecksobjekt (A) für den Chirp-Up-Fall und ein zweites Dreiecksobjekt (B) für den Chirp-Down-Fall. Gleichzeitig werden der Zeitpunkt und die Amplitude des Dreiecksobjekts übertragen. Erfolgt nun auf Basis dieser Daten eine Rekonstruktion des Signals, so erhält man ein Signal entsprechend 3d. Aus diesem Signal wurden die Signalanteile entfernt, die nicht den Dreieckssignalen entsprachen. Es erfolgen somit ein Verwurf nicht erkannter Signalanteile und eine massive Datenkompression.
Figur 4e
zeigt die nicht beanspruchte konventionelle analoge Übertragung der Schnittpunkte des Hüllkurvensignals (1) des Ultraschall-Echo-Signals mit dem Schwellwertsignal (SW).
Figur 4f
zeigt die nicht beanspruchte Übertragung analysierter Daten nach vollständigem Empfang des Ultraschallechos.
Figur 4g
zeigt die beanspruchte Übertragung komprimierter Daten, wobei in diesem Beispiel Symbole für Signalgrundobjekte weitestgehend ohne Kompression übertragen werden.
Figur 5h
zeigt die beanspruchte Übertragung komprimierter Daten, wobei in diesem Beispiel Symbole für Signalgrundobjekte zu Symbolen für Signalobjekte komprimiert werden. Zuerst wird ein erstes Dreiecksobjekt (59) gekennzeichnet durch die kennzeichnende zeitliche Abfolge einer Schwellwertüberschreitung gefolgt von einem Maximum und einer Schwellwertunterschreitung erkannt und übertragen. Dann wird eine Doppelspitze mit Sattelpunkt (60) über dem Schwellwertsignal erkannt. Kennzeichnend ist hier die Abfolge einer Überschreitung des Schwellwertsignals (SW) durch das Hüllkurvensignals (1) gefolgt von einem Maximum des Hüllkurvensignals (1) gefolgt von einem Minimum oberhalb des Schwellwertsignals (SW) gefolgt von einem Maximum oberhalb des Schwellwertsignals (SW) gefolgt von einer Unterschreitung des Schwellwertsignals (SW). Nach der Erkennung wird das Symbol für diese Doppelspitze mit Sattelpunkt übertragen. Dabei wird ein Zeitstempel mitübertragen. Bevorzugt werden auch weitere Parameter der Doppelspitze mit Sattelpunkt mitübertragen wie z.B. die Positionen der Maxima und des Minimums oder ein Skalierungsfaktor. Es folgt dann wieder die Erkennung eines Dreiecksignals als Signalgrundobjekt als Überschreitung des Schwellwertsignals (SW) durch das Hüllkurvensignal gefolgt von einem Maximum des Hüllkurvensignals gefolgt von einem Unterschreiten des Schwellwertsignals (SW) durch das Hüllkurvensignal. Es folgt dann wieder die Erkennung einer Doppelspitze wobei nun aber das Minimum des Hüllkurvensignals unter dem Schwellwertsignal (SW) liegt. Diese Doppelspitze kann also beispielsweise ggf. als separates Signalobjekt behandelt werden. Wie leicht erkennbar, führt diese Behandlung des Signals zu einer massiven Datenreduktion.
Figur 6
zeigt die beanspruchte Übertragung komprimierter Daten entsprechend 3, wobei in diesem Beispiel nicht nur das Hüllkurvensignal, sondern auch das Confidenz-Signal ausgewertet wird.
Bezugszeichenliste

α: Aussenden des Ultraschall-Bursts;
β: Empfangen des an einem Objekt reflektierten Ultraschall-Bursts und Umwandlung in ein elektrisches Empfangssignal;
γ: Kompression des elektrischen Empfangssignals;
γa: Abtastung des elektrischen Eingangssignals und Bildung eines abgetasteten elektrischen Eingangssignals, wobei bevorzugt jedem Abtastwert des elektrischen Eingangssignals ein Zeitstemple zugeordnet werden kann.
γb: Ermittlung von mehreren Spektralwerten z.B. durch Optimalfilter (englisch Matched Filter) für prototypische Signalobjektklassen. Diese mehreren Spektralwerte bilden zusammen einen Feature-Vektor. Diese Bildung findet bevorzugt fortlaufend statt, sodass sich ein Strom von Feature-Vektor-Werten ergibt. Jedem Feature-Vektor-Wert kann bevorzugt wieder ein Zeitstempelwert zugeordnet werden;
γc: optionale, aber bevorzugt durchgeführte Normierung der Feature-Vektor Spektralkoeffizienten des jeweiligen Feature-Vektors eines Zeitstempelwerts vor der Korrelation mit den prototypischen Signalobjektklassen in Form von vorgegebenen prototypischen Feature-Vektor-Werten einer Prototypen-Bibliothek;
γd: Abstandsbestimmung zwischen dem aktuellen Feature-Vektor-Wert und den Werten der prototypischen Signalobjektklassen in Form von vorgegebenen prototypischen Feature-Vektor-Werten einer Prototypen-Bibliothek;
γe: Selektion der ähnlichsten prototypischen Signalobjektklasse in Form eines vorgegebenen prototypischen Feature-Vektor-Wertes einer Prototypen-Bibliothek mit bevorzugt minimalem Abstand zum aktuellen Feature-Vektor und Übernahme des Symbols dieser Signalobjektklasse als erkanntes Signalobjekt zusammen mit dem Zeitstempelwert als komprimierte Daten. Ggf. können weitere Daten, insbesondere Signalobjektparameter, wie z.B. dessen Amplitude mit als komprimierte Daten übernommen werden. Diese komprimierten Daten bilden dann das komprimierte Empfangssignal;
δ: Übertragung des komprimierten elektrischen Empfangssignals an das Rechnersystem:
1: Hüllkurve des empfangenen Ultraschallsignals;
2: Ausgangssignal (übermittelte Information) einer IO-Schnittstelle gemäß dem Stand der Technik;
3: übermittelte Information einer LIN-Schnittstelle gemäß dem Stand der Technik;
4: beispielhafter, erster Schnittpunkt der Hüllkurve (1) des Empfangssignals mit dem Schwellwertsignal (SW) in Abwärtsrichtung.;
5: beispielhafter, erster Schnittpunkt der Hüllkurve (1) mit des Schwellwertsignals (SW) in Aufwärtsrichtung;
6: beispielhaftes erstes Maximum der Hüllkurve (1) oberhalb des Schwellwertsignals (SW);
7: beispielhafter, zweiter Schnittpunkt der Hüllkurve (1) mit dem Schwellwertsignals (SW) in Abwärtsrichtung;
8: beispielhafter, zweiter Schnittpunkt der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Aufwärtsrichtung;
9: beispielhaftes zweites Maximum der Hüllkurve (1) oberhalb des Schwellwertsignals (SW);
10: beispielhaftes erstes Minimum der Hüllkurve (1) oberhalb des Schwellwertsignals (SW);
11: beispielhaftes drittes Maximum der Hüllkurve (1) oberhalb des Schwellwertsignals (SW);
12: beispielhafter, dritter Schnittpunkt der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Abwärtsrichtung;
13: beispielhafter, dritter Schnittpunkt der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Aufwärtsrichtung;
14: beispielhaftes viertes Maximum der Hüllkurve (1) oberhalb des Schwellwertsignals (SW);
15: beispielhafter, vierter Schnittpunkt der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Abwärtsrichtung;
16: beispielhafter, vierter Schnittpunkt der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Aufwärtsrichtung;
17: beispielhaftes fünftes Maximum der Hüllkurve (1) oberhalb des Schwellwertsignals (SW);
18: beispielhafter, fünfter Schnittpunkt der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Abwärtsrichtung;
19: beispielhafter, fünfter Schnittpunkt der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Aufwärtsrichtung;
20: beispielhaftes sechstes Maximum der Hüllkurve (1) oberhalb des Schwellwertsignals (SW);
21: beispielhafter, sechster Schnittpunkt der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Abwärtsrichtung;
22: beispielhafter, sechster Schnittpunkt der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Aufwärtsrichtung;
23: beispielhaftes siebtes Maximum der Hüllkurve (1) oberhalb des Schwellwertsignals (SW);
24: beispielhafter, siebter Schnittpunkt der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Abwärtsrichtung;
25: Hüllkurve während des Ultraschall-Bursts
26: Übertragung der Daten des beispielhaften, ersten Schnittpunkts (4) der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Abwärtsrichtung über den vorzugsweise bidirektionalen Datenbus;
27: Übertragung der Daten des beispielhaften, ersten Schnittpunkts (5) der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Aufwärtsrichtung über den vorzugsweise bidirektionalen Datenbus;
28: Übertragung der Daten des beispielhaften ersten Maximums (6) der Hüllkurve (1) oberhalb des Schwellwertsignals (SW) über den vorzugsweise bidirektionalen Datenbus;
29: Übertragung der Daten des beispielhaften, zweiten Schnittpunkts (7) der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Abwärtsrichtung über den vorzugsweise bidirektionalen Datenbus;
30: Übertragung der Daten des beispielhaften, zweiten Schnittpunkts (8) der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Aufwärtsrichtung über den vorzugsweise bidirektionalen Datenbus;
31: Übertragung der Daten des beispielhaften zweiten Maximums (9) der Hüllkurve (1) oberhalb des Schwellwertsignals (SW) und der Daten des beispielhaften ersten Minimums (10) der Hüllkurve (1) oberhalb der Schwellwertsignal (SW) über den vorzugsweise bidirektionalen Datenbus;
32: Übertragung der Daten des beispielhaften dritten Maximums (11) der Hüllkurve (1) oberhalb des Schwellwertsignals (SW) über den vorzugsweise bidirektionalen Datenbus;
34: Übertragung der Daten des beispielhaften, dritten Schnittpunkts (12) der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Abwärtsrichtung über den vorzugsweise bidirektionalen Datenbus;
35: Übertragung der Daten des beispielhaften, dritten Schnittpunkts (13) der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Aufwärtsrichtung über den vorzugsweise bidirektionalen Datenbus;
36: Übertragung der Daten des beispielhaften vierten Maximums (14) der Hüllkurve (1) oberhalb des Schwellwertsignals (SW) über den vorzugsweise bidirektionalen Datenbus;
37: Übertragung der Daten des beispielhaften, vierten Schnittpunkts (15) der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Abwärtsrichtung über den vorzugsweise bidirektionalen Datenbus;
38: Übertragung der Daten des beispielhaften, vierten Schnittpunkts (16) der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Aufwärtsrichtung über den vorzugsweise bidirektionalen Datenbus;
39: Übertragung der Daten des beispielhaften, fünften Maximums (17) der Hüllkurve (1) oberhalb des Schwellwertsignals (SW) über den vorzugsweise bidirektionalen Datenbus;
40: Übertragung der Daten des beispielhaften, fünften Schnittpunkts (18) der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Abwärtsrichtung über den vorzugsweise bidirektionalen Datenbus;
41: Übertragung der Daten des beispielhaften, fünften Schnittpunkts (19) der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Aufwärtsrichtung über den vorzugsweise bidirektionalen Datenbus;
42: Übertragung der Daten des beispielhaften, sechsten Schnittpunkts (21) der Hüllkurve (1) mit dem Schwellwertsignal (SW) in Abwärtsrichtung über den vorzugsweise bidirektionalen Datenbus;
43: Übertragung der Daten der empfangenen Echos auf dem LIN-Bus nach dem Stand der Technik nach Ende des Empfangs;
44: Übertragung von Daten auf dem LIN-Bus nach dem Stand der Technik vor Aussendung des Ultraschall-Bursts;
45: Übertragung von Daten über die IO-Schnittstelle nach dem Stand der Technik vor Aussendung des Ultraschall-Bursts;
46: Wirkung des Ultraschall-Sende-bursts auf das Ausgangssignal der IO-Schnittstelle nach dem Stand der Technik;
47: Signal des ersten Echos (5, 6, 7) auf der IO-Schnittstelle gem. dem Stand der Technik;
48: Signal des zweiten Echos (8, 9, 10, 11, 12) auf der IO-Schnittstelle gem. dem Stand der Technik;
49: Signal des dritten und vierten Echos (13, 14, 15) auf der IO-Schnittstelle gem. dem Stand der Technik;
50: Signal des fünften Echos (16, 17, 18) auf der IO-Schnittstelle gem. dem Stand der Technik;
51: Signal des sechsten Echos (19, 20, 21) auf der IO-Schnittstelle gem. dem Stand der Technik;
52: Signal des siebten Echos (22, 23, 24) auf der IO-Schnittstelle gem. dem Stand der Technik;
53: Startbefehl von dem Rechnersystem an den Sensor über den Datenbus;
54: periodische automatische Datenübertragung zwischen Sensor und Rechnersystem vorzugsweise nach DSI3-Standard;
55: Diagnose-Bits nach dem Messzyklus;
56: Ende des Aussendens des Ultraschall-Bursts (Ende des Sende-Bursts). Bevorzugt fällt das Ende des Ultraschall-Bursts mit dem Punkt 4 zusammen.
57: Anfang des Aussendens des Ultraschall-Bursts (Anfang des Sende-Bursts).
58: Ende der Datenübertragung
100: Ultraschallwandler, der beispielsweise auch einen separaten Ultraschallsender und einen separaten Ultraschallempfänger umfassen kann;
101: physikalische Schnittstelle zum Antreiben des Ultraschallwandlers (100) und zum Aufbereiten des vom Ultraschallwandler (100) empfangenen Ultraschallwandlersignals (102) zum Ultraschall-Echo-Signal (1) für die anschließende Signalobjektklassifikation;
102: Ultraschallwandlersignal;
112: Abstandsermittler (oder Klassifikator);
113: Viterbi-Schätzer.
116: Signalobjektdatenbank;
122: erkannte Signalobjekte mit Signalobjektparametern;
123: Zwischenparametersignale;
124: Feature-Vektor-Signal;
125: Signifikanzsteigerer;
126: LDA-Matrix;
138: Feature-Vektor-Signal oder Merkmalsvektorsignal;
141
142
143
144
150: Schätzer mit einem HMM-Modell;
151: Schätzer mit einem neuronalen Netzwerkmodell;
a: Übertragene Informationen für die Übertragung der empfangenen Ultraschallechos mittels einer IO-Schnittstelle aus dem Stand der Technik;
A: Beispielhaftes erkanntes Objekt mit Chirp-Down; a.u. „arbritrary units“ = frei gewählte Einheiten
B: Beispielhaftes erkanntes Objekt mir Chip-Up;
b: Übertragene Informationen für die Übertragung der empfangenen Ultraschallechos mittels einer LIN-Schnittstelle aus dem Stand der Technik;
c: Übertragene Informationen für die Übertragung der empfangenen Ultraschallechos mittels des vorgeschlagenen Verfahrens und der vorgeschlagenen Vorrichtung mit Hüllkurve zum Vergleich;
d: Übertragene Informationen für die Übertragung der empfangenen Ultraschallechos mittels des vorgeschlagenen Verfahrens und der vorgeschlagenen Vorrichtung ohne Hüllkurve;
e: schematische Signalformen bei der Übertragung der empfangenen Echo-Informationen mittels einer IO-Schnittstelle aus dem Stand der Technik;
En: Amplitude der Hüllkurve des empfangenen Ultraschallsignals;
f: schematische Signalformen bei der Übertragung der empfangenen Echo-Informationen mittels einer LIN-Schnittstelle aus dem Stand der Technik;
g: schematische Signalformen bei der Übertragung der empfangenen Echo-Informationen mittels einer bidirektionalen Datenschnittstelle;
SB: Sende-Burst
SW: Schwelle
t: Zeit;
TE: Empfangszeit. Die Empfangszeit beginnt typischerweise mit dem Ende (56) des Aussendens des ultraschall-Bursts. Es ist möglich, mit dem Empfang bereits zuvor zu beginnen. Dies kann aber zu Problemen führen die ggf. zusätzliche Maßnahmen erfordern.

Claims

Verfahren zur Übertragung von Sensordaten, insbesondere eines Ultraschallsensors, von einem Sensor zu einem Rechnersystem, insbesondere in einem Fahrzeug, aufweisend oder umfassend die Schritte - Aussenden eines Ultraschall-Bursts; - Empfangen eines Ultraschallsignals und bilden eines Ultraschallempfangssignals; - Bilden eines Feature-Vektor-Signals (124) aus dem Ultraschallempfangssignal (1); - Erkennen von Signalobjekten und Klassifizieren dieser Signalobjekte in zuerkannte Signalobjektklassen innerhalb des Ultraschallempfangssignals (1), • wobei eine Signalobjektklasse auch nur ein Signalobjekt umfassen kann und • wobei jedem somit erkannten und klassifizierten Signalobjekt (122) zumindest ein zugeordneter Signalobjektparameter und ein Symbol entsprechend der diesem Signalobjekt zuerkannten Signalobjektklasse zugeordnet werden oder • wobei jedem somit erkannten und klassifizierten Signalobjekt (122) zumindest ein zugeordneter Signalobjektparameter und ein Symbol für dieses Signalobjekt bestimmt werden; - Übertragen zumindest des Symbols eines erkannten Signalobjektklasse (122) und zumindest des einen zugeordneten Signalobjektparameters dieser erkannten Signalobjektklasse (122), - wobei das Übertragen zumindest des Symbols einer erkannten Signalobjektklasse und zumindest des einen zugeordneten Signalobjektparameters dieser erkannten Signalobjektklasse zeitlich priorisiert bezogen auf die zeitliche Versendereihenfolge durch diesen Sensor der Symbole der innerhalb dieses Sensors erkannten Signalobjektklassen und zumindest des der diesen jeweils zugeordneten Signalobjektparameter von diesem Sensor zu dem Rechnersystem in einer Punkt-zu-Punktverbindung erfolgt.
Verfahren nach Anspruch 1 umfassend den zusätzlichen Schritt - Ermitteln eines Chirp-Werts als zugeordneten Signalobjektparameter, der angibt, ob es sich bei dem erkannten Signalobjekt um ein Echo eines Ultraschall-Sende-Bursts mit Chirp-Up oder ein Chirp-Down oder ein No-Chirp-Eigenschaften handelt.
Verfahren nach einem oder mehreren der Ansprüche 1 bis 2 - wobei die Klassifizierung mit Hilfe eines neuronalen Netzwerkmodells erfolgt.
Verfahren nach einem oder mehreren der Ansprüche 1 bis 3 - wobei die Klassifizierung mit Hilfe eines HMM-Modells erfolgt.
Verfahren nach einem oder mehreren der Ansprüche 1 bis 4 umfassend den zusätzlichen Schritt - Erzeugen eines Confidence-Signals durch Bildung einer Korrelation zwischen dem Empfangssignal oder einem daraus abgeleiteten Signal einerseits und einem Referenzsignal andererseits.
Verfahren nach einem oder mehreren der Ansprüche 1 bis 5 umfassend den zusätzlichen Schritt - Erzeugen eines Phasen-Signals.
Verfahren nach Anspruch 6 umfassend den zusätzlichen Schritt - Erzeugen eines Phasen-Confidence-Signals durch Bildung der Korrelation zwischen dem Phasen-Signal oder einem daraus abgeleiteten Signal einerseits und einem Referenzsignal.
Verfahren nach Anspruch 7 umfassend den zusätzlichen Schritt - Vergleich des Phasen-Confidence-Signals mit einem oder mehreren Schwellwerten zur Erzeugung eines diskretisierten Phasen-Confidence-Signals.
Verfahren nach einem oder mehreren der Ansprüche 1 bis 8 - wobei es sich bei mindestens einer Signalobjektklasse um ein Wavelet handelt.
Verfahren nach Anspruch 9 - wobei das zumindest eine Wavelet ein Dreiecks-Wavelet ist.
Verfahren nach einem oder mehreren der Ansprüche 9 bis 10 - wobei das zumindest eine Wavelet ein Rechteck-Wavelet ist.
Verfahren nach einem oder mehreren der Ansprüche 9 bis 11 - wobei das zumindest eine Wavelet ein Sinushalbwellen-Wavelet ist.
Verfahren nach einem oder mehreren der Ansprüche 9 bis 12 - wobei einer der Signalobjektparameter • eine zeitliche Verschiebung des Wavelet des erkannten Signalobjekts ist oder • eine zeitliche Kompression oder Dehnung des Wavelet des erkannten Signalobjekts ist oder • eine Amplitude des Wavelet des erkannten Signalobjekts ist.
Verfahren nach einem oder mehreren der Ansprüche 1 bis 13 - wobei die Übertragung von Fehlerzuständen des Sensors • gegenüber der Übertragung der zumindest einen erkannten Signalobjektklasse und/oder • gegenüber der Übertragung des einen zugeordneten Signalobjektparameters höher priorisiert erfolgt.
Verfahren nach einem oder mehreren der Ansprüche 1 bis 14 - wobei ein Signalobjekt die Kombination von zwei oder drei oder vier oder mehr Signalgrundobjekten umfasst.
Verfahren nach Anspruch 15 - wobei ein Signalgrundobjekt das Kreuzen des Betrags der Amplitude des Hüllkurvensignals (1) mit dem Betrag eines Schwellwertsignals (SW) zu einem Kreuzungszeitpunkt ist.
Verfahren nach einem oder mehreren der Ansprüche 15 bis 16 - wobei ein Signalgrundobjekt das Kreuzen des Betrags der Amplitude des Hüllkurvensignals (1) mit dem Betrag eines Schwellwertsignals (SW) zu einem Kreuzungszeitpunkt in aufsteigender Richtung ist.
Verfahren nach einem oder mehreren der Ansprüche 15 bis 17 - wobei ein Signalgrundobjekt das Kreuzen des Betrags der Amplitude des Hüllkurvensignals (1) mit dem Betrag eines Schwellwertsignals (SW) zu einem Kreuzungszeitpunkt in absteigender Richtung ist.
Verfahren nach einem oder mehreren der Ansprüche 15 bis 18 - wobei ein Signalgrundobjekt ein Maximum des Betrags der Amplitude des Hüllkurvensignals (1) oberhalb des Betrags eines Schwellwertsignals (SW) zu einem Maximalzeitpunkt ist.
Verfahren nach einem oder mehreren der Ansprüche 15 bis 19 - wobei ein Signalgrundobjekt ein Minimum des Betrags der Amplitude des Hüllkurvensignals (1) oberhalb des Betrags eines Schwellwertsignals (SW) zu einem Minimalzeitpunkt ist.
Verfahren nach einem oder mehreren der Ansprüche 15 bis 20 - wobei ein Signalgrundobjekt eine vordefinierte zeitliche Abfolge und/oder zeitliche Gruppierung von anderen Signalgrundobjekten ist.
Verfahren nach einem oder mehreren der Ansprüche 1 bis 21 - wobei das Übertragen zumindest des Symbols einer erkannten Signalobjektklasse und zumindest des einen zugeordneten Signalobjektparameters dieser erkannten Signalobjektklasse die Übertragung der Signalobjektklasse eines Signalobjekts ist, das eine vordefinierte zeitliche Abfolge von anderen Signalobjekten ist, und wobei zumindest eine Signalobjektklasse zumindest eines dieser anderen Signalobjekte nicht übertragen wird.
Sensor, insbesondere Ultraschallsensor, der zur Durchführung eines Verfahrens gemäß einem oder mehreren der Ansprüche 1 bis 22 geeignet oder vorgesehen ist.
Rechnersystem, das zur Durchführung eines Verfahrens gemäß einem oder mehreren der Ansprüche 1 bis 22 geeignet oder vorgesehen ist.
Sensorsystem - mit mindestens einem Rechnersystem nach Anspruch 24 und - mit mindestens zwei Sensoren nach Anspruch 23, - wobei das Sensorsystem dazu vorgesehen ist, dass die Datenübertragung zwischen den Sensoren und dem Rechnersystem entsprechend einem Verfahren gemäß einem oder mehreren der Ansprüche 1 bis 22 abläuft oder ablaufen kann.
Sensorsystem nach Anspruch 25 - wobei innerhalb der Sensoren jeweils ein Ultraschallempfangssignal, also mindestens zwei Ultraschallempfangssignale, mittels eines Verfahrens entsprechend einem Verfahren gemäß einem oder mehreren der Ansprüche 1 bis 22 komprimiert und an das Rechnersystem übertragen wird und - wobei innerhalb des Rechnersystems die mindestens zwei Ultraschallempfangssignale durch Dekompression von vom Sensor empfangenen Daten zu rekonstruierten Ultraschallempfangssignalen rekonstruiert werden.
Sensorsystem nach Anspruch 25 - wobei das Rechnersystem mit Hilfe von rekonstruierten Ultraschallempfangssignalen eine Objekterkennung von Objekten im Umfeld der Sensoren durchführt.
Sensorsystem nach Anspruch 27 - wobei das Rechnersystem mit Hilfe von rekonstruierten Ultraschallempfangssignalen und zusätzlichen Signalen weiterer Sensoren, insbesondere Signalen von Radar-Sensoren, eine Objekterkennung von Objekten im Umfeld der Sensoren durchführt.
Sensorsystem nach einem oder mehreren der Ansprüche 27 oder 28 - wobei das Rechnersystem aus Basis der erkannten Objekte eine Umfeldkarte für die Sensoren oder eine Vorrichtung, deren Teil die Sensoren sind, erstellt.