DE102019126447A1 - Automobil-Radar-Szenensimulator - Google Patents

Automobil-Radar-Szenensimulator Download PDF

Info

Publication number
DE102019126447A1
DE102019126447A1 DE102019126447.2A DE102019126447A DE102019126447A1 DE 102019126447 A1 DE102019126447 A1 DE 102019126447A1 DE 102019126447 A DE102019126447 A DE 102019126447A DE 102019126447 A1 DE102019126447 A1 DE 102019126447A1
Authority
DE
Germany
Prior art keywords
radar
values
given target
target
distribution function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102019126447.2A
Other languages
English (en)
Inventor
Kamal Sarabandi
Xiuzhang Cai
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Michigan
Original Assignee
University of Michigan
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from US16/579,959 external-priority patent/US11875708B2/en
Application filed by University of Michigan filed Critical University of Michigan
Publication of DE102019126447A1 publication Critical patent/DE102019126447A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88Radar or analogous systems specially adapted for specific applications
    • G01S13/93Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40Means for monitoring or calibrating
    • G01S7/4052Means for monitoring or calibrating by simulation of echoes
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

Ein Echtzeit-Automobilradarsimulationstool wird auf der Grundlage reduzierter statistischer Modelle entwickelt, die aus physikalisch basierten asymptotischen und Vollwellensimulationen zusammengefasst werden. Einige Modelle wurden mit Messungen verifiziert. Das Simulationstool kann der Automobilindustrie helfen, Kosten und Zeit zu sparen, insbesondere bei autonomen Fahrzeugen. Das Simulationstool kann auch helfen, neue Funktionalitäten wie eine Zielerkennung oder -klassifizierung zu entwickeln und Fehlalarme zu vermeiden.

Description

  • QUERVERWEIS AUF VERWANDTE ANWENDUNGEN
  • Diese Anmeldung beansprucht den Vorteil der am 4. Oktober 2018 eingereichten U.S. Provisional-Anmeldung mit der No. 62/741,232 . Die gesamte Offenlegung der oben genannten Anwendung ist hierin durch Verweis enthalten.
  • GEBIET
  • Die vorliegende Offenbarung bezieht sich auf einen Automobil-Radarszenensimulator und eine Technik zum Konstruieren reduzierter statistischer Modelle für ein vom Radar erfasstes Ziel.
  • HINTERGRUND
  • Sicherheit ist immer eines der wichtigsten Themen auf der Straße. Um einen beliebigen Sensor für Fahrzeuge einzusetzen, erfordern Sicherheit und Zuverlässigkeit Millionen von Meilen an Fahrversuchen unter verschiedenen Bedingungen. Sensoren für autonome Fahrzeuge müssen auch die Leistungsanforderungen für Fahrversuche und Zuverlässigkeit erfüllen. Sensoren wie Radar, Lidar und Kameras sind für fahrerlose Autos vorgesehen. Es wird erwartet, dass eine Reihe bzw. ein Array solcher Sensoren, die harmonisch zusammenarbeiten, benötigt werden, um die Fähigkeit der anderen zu ergänzen, die Umgebung zu erfassen und gefährliche Objekte zu erkennen. Eine Schwierigkeit bei Fahrversuchen besteht darin, während der Sensormessungen die Informationen über die Umgebung zu erfassen. Dies ist notwendig, um die Ereignisse zu korrelieren, die mit falschen oder verpassten Erkennungen verbunden sind. Im Vergleich zum Straßenversuch kann eine High-Fidelity-Simulation wesentlich zuverlässigere Sensordaten mit genauer Bodenwahrheit („ground truth“) liefern. Ein weiterer wichtiger Vorteil der Sensorbewertung im Bereich der Simulation sind die deutlich geringeren Kosten und die Einsparung exorbitanter Zeit für die Datenerfassung in der Fahrumgebung. In dem Bereich der Simulation ist es auch möglich, einige extreme Verkehrsbedingungen, die selten in der Realität sind, einfach zu konstruieren. Unter den drei oben genannten Hauptsensoren ist die Simulation der Verkehrsumgebung für Radarsensoren am schwierigsten und das Gegenteil von intuitiv. Die offenbarte Erfindung beschreibt einen Ansatz zur Durchführung einer echtzeit- und physikbasierten Radarsimulation der dynamischen Verkehrsumgebung. Dieses Automobil- bzw. Automotive-Radarsimulationstool soll Rückstreusimulationen für verschiedene bewegliche und stationäre Ziele liefern, die typischerweise in städtischen, ländlichen und Autobahnumgebungen anzutreffen sind.
  • Dieser Abschnitt enthält Hintergrundinformationen im Zusammenhang mit der vorliegenden Offenbarung, die nicht unbedingt dem Stand der Technik entsprechen.
  • ÜBERBLICK
  • Dieser Abschnitt bietet eine allgemeine Zusammenfassung der Offenbarung und ist keine umfassende Offenbarung des gesamten Umfangs oder aller seiner Merkmale.
  • Ein computerimplementiertes Verfahren wird vorgestellt, um reduzierte statistische Modelle für ein gegebenes Ziel zu konstruieren, das von einem Fahrzeugradar bzw. Automotive-Radar erfasst wird. Das Verfahren beinhaltet: Identifizieren eines oder mehrerer Attribute für das gegebene Ziel; Auswählen eines anfänglichen Wertesatzes für einen oder mehrere Radarparameter; Bestimmen einer Vielzahl von Radar-Querschnittswerten für das gegebene Ziel durch einen elektromagnetischen Field Solver unter Verwendung des anfänglichen Wertesatzes, während die Werte für das eine oder die mehreren Zielattribute zufällig variiert werden; und Konstruieren eines parametrischen statistischen Modells für das gegebene Ziel aus der Vielzahl von Radar-Querschnittswerten. Das Verfahren kann ferner das Auswählen eines anderen Wertesatzes für die einen oder mehreren Radarparameter und das Bestimmen zusätzlicher Radar-Querschnittswerte für das gegebene Ziel unter Verwendung des anderen Wertesatzes beinhalten, während die Werte für das eine oder die mehreren Zielattribute zufällig variiert werden.
  • Werte für das eine oder die mehreren Zielattribute können beispielsweise unter Verwendung eines Monte-Carlo-Verfahrens variiert werden; und die Vielzahl von Radar-Querschnittswerten kann beispielsweise unter Verwendung eines physikalischen optischen Verfahrens bestimmt werden.
  • In einem Beispiel wird das gegebene Ziel weiter als eine Person definiert und die Zielattribute beinhalten Pose, Geschlecht, Gewicht und Größe. Beispiele für Radarparameter sind unter anderem der Einfallswinkel in Bezug auf das gegebene Ziel und die Reichweite zum gegebenen Ziel.
  • In einer exemplarischen Ausführungsform wird das parametrische statistische Modell weiter durch Parameter einer der Funktionen von Exponentialverteilungsfunktion, Lognormalverteilungsfunktion oder Weibullverteilungsfunktion definiert. Zusätzlich werden die Parameter einer der Funktionen aus Exponentialverteilungsfunktion, Lognormalverteilungsfunktion oder Weibullverteilungsfunktion in Abhängigkeit vom Einfallswinkel in Bezug auf das gegebene Ziel und die Reichweite zum gegebenen Ziel abgeleitet.
  • In einer weiteren exemplarischen Ausführungsform wird das parametrische statistische Modell ferner durch ein Mittel bzw. einen Mittelwert aus einer exponentiellen Verteilungsfunktion der Vielzahl von Radar-Querschnittswerten und durch eine Standardabweichung der exponentiellen Verteilungsfunktion der Vielzahl von Radar-Querschnittswerten definiert. In anderen Ausführungsformen können die statistischen Modelle für ein gegebenes Ziel mit verschiedenen Radartypen variieren. So kann beispielsweise ein Single-Input-Single-Output-Radar nur einen Radar-Querschnittswert benötigen, um das Ziel darzustellen, während ein Multiple-Input-Multiple-Output-Radar eine oder mehrere Streuungen („scatters“) mit zufälligen Radar-Querschnittswerten erfordert, die durch ein statistisches Modell erzeugt werden.
  • Zusätzlich beinhaltet das Verfahren ferner das Erzeugen einer Szene auf einer Anzeigevorrichtung, wobei die Szene das gegebene Ziel beinhaltet und das gegebene Ziel aus dem parametrischen statistischen Modell für das gegebene Ziel abgeleitet wird.
  • In einem weiteren Aspekt besteht das computerimplementierte Verfahren zum Konstruieren eines reduzierten statistischen Modells für ein gegebenes Ziel aus bzw. beinhaltet: Identifizieren eines oder mehrerer Attribute für das gegebene Ziel; Auswählen eines Wertesatzes für einen oder mehrere Radarparameter; Bestimmen einer Vielzahl von Radar-Querschnittswerten für das gegebene Ziel unter Verwendung des Wertesatzes; und Konstruieren eines parametrischen statistischen Modells für das gegebene Ziel aus der Vielzahl von Radar-Querschnittswerten.
  • In einer Ausführungsform beinhaltet das Bestimmen einer Vielzahl von Radar-Querschnittswerten das Erfassen eines ersten Satzes von Radar-Querschnittswerten mit einem Radar, das Definieren einer Funktion unter Verwendung des ersten Satzes von Radar-Querschnittswerten und einer Strahlungstransporttheorie („radiative transfer theory“), das Erzeugen zusätzlicher Sätze von Radar-Querschnittswerten mit der Funktion.
  • In einer weiteren Ausführungsform beinhaltet das Bestimmen einer Vielzahl von Radar-Querschnittswerten das Erzeugen der Vielzahl von Radar-Querschnittswerten für das gegebene Ziel mit einem elektromagnetischen Field Solver unter Verwendung des anfänglichen Wertesatzes, während die Werte für das eine oder die mehreren Zielattribute zufällig variiert werden.
  • In einem Beispiel wird das gegebene Ziel weiter als Fahrbahnoberfläche definiert und die Zielattribute beinhalten Straßentyp und Straßenzustand. Beispielhafte Radarparameter beinhalten, sind jedoch nicht beschränkt auf, Polarisation und Einfallswinkel in Bezug auf das gegebene Ziel.
  • In einem weiteren Beispiel wird das gegebene Ziel weiter als Person definiert und die Zielattribute beinhalten Pose, Geschlecht, Gewicht und Größe.
  • Weitere Anwendungsbereiche ergeben sich aus der hierin enthaltenen Beschreibung. Die Beschreibung und die konkreten Beispiele in diesem Überblick dienen nur der Veranschaulichung und sollen den Schutzbereich der vorliegenden Offenbarung nicht einschränken.
  • Figurenliste
  • Die hierin beschriebenen Zeichnungen dienen nur zur Veranschaulichung ausgewählter Ausführungsformen und nicht aller möglichen Implementierungen und sollen den Schutzbereich der vorliegenden Offenbarung nicht einschränken.
    • 1 ist ein Blockdiagramm einer exemplarischen Ausführungsform eines Radarsimulators für Kraftfahrzeuge;
    • 2 ist ein Flussdiagramm, das eine exemplarische Ausführungsform eines Verfahrens zum Konstruieren eines statistischen Modells für ein Ziel in einer Szene darstellt;
    • 3 ist ein Diagramm, das verschiedene Posen für eine Person darstellt;
    • 4A und 4B sind Diagramme, die Menschenmodelle mit unterschiedlichen Höhen für eine Person beim Gehen bzw. Joggen darstellen;
    • 4C ist ein Diagramm, das menschliche Modelle mit unterschiedlichen Gewichten für eine gehende Person zeigt;
    • 5A und 5B sind Diagramme, die Fourier-Koeffizienten als eine Funktion eines Bereichs bzw. einer Reichweitefür verschiedene Parameter eines exemplarischen statistischen Modells darstellen;
    • 6 ist ein Flussdiagramm, das eine exemplarische Ausführungsform eines anderen Verfahrens zum Aufbau eines statistischen Modells für verteilte Ziele darstellt;
    • 7A und 7B sind Diagramme, die einen Vergleich der gemessenen Rückstreuungskoeffizienten und der mit der Strahlungstransporttheorie berechneten Rückstreuungskoeffizienten zeigen;
    • 8 ist eine exemplarische Simulation einer Szene, die von demm Szenensimulator erzeugt wird;
    • 9 ist ein Diagramm, das eine exemplarische Struktur eines künstlichen neuronalen Netzwerks darstellt;
    • 10A und 10B sind Radarbilder, die durch numerische Simulation mit strahlsteuerndem Radar in Azimutrichtung bzw. in sowohl Elevations- und Azimutrichtung erzeugt werden;
    • 10C ist ein Flussdiagramm, das ein Beispiel für ein neuronales Faltungsnetzwerk („convolutional neural network“) zur Radarbild-Identifikation durch einen Objektbezeichner („object identifier“) veranschaulicht;
    • 11A ist eine Draufsicht auf eine typische Limousine;
    • 11 B und 11C sind Diagramme, die zufällig erzeugte Radar-Querschnittswerte für Streuungen darstellen, die im zweidimensionalen bzw. dreidimensionalen Raum einer Limousine verteilt sind, und zwar bei einer Ausleuchtung von hinten.
  • In sämtlichen der verschiedenen Ansichten der Zeichnungen geben entsprechende Referenznummern die entsprechenden Teile an.
  • DETAILLIERTE BESCHREIBUNG
  • Beispielhafte Ausführungsformen werden nun anhand der beigefügten Zeichnungen ausführlicher beschrieben.
  • 1 zeigt eine exemplarische Ausführungsform für einen Radarsimulator 10. Die Haupt-Herausforderung der Radarsimulation besteht darin, die Lösung für die komplexe elektromagnetische (EM) Streuung von verschiedenen unregelmäßigen Objekten, wie Verkehrszeichen, Fußgängern und Fahrzeugen (sogenannte Punktziele), sowie zufälligen rauen Oberflächen und zufälligen Volumina (sogenannte verteilte Ziele) zu berechnen. Die Maxwell-Gleichungen für Randwertprobleme sind nicht nur schwer zu formulieren, sondern auch rechenintensiv. Die Radarstreuungslösung ist eine Funktion der Zielparameter (wie Geometrie und Materialeigenschaften) sowie der Radarattribute (wie Frequenz, Polarisation und Einfallswinkel). Abhängig von der Größe des Ziels, der Antennenstrahlbreite und der Reichweite kann das Ziel teilweise vom Radar beleuchtet werden. In diesem Fall ist der Radar-Querschnitt des Ziels auch eine Funktion der Radardistanz zum Ziel. Da die meisten Ziele in Verkehrsszenen im Vergleich zur Wellenlänge sehr groß sind, sind Variationen des Radar-Querschnitts in Bezug auf den Aspektwinkel sehr schnell und die Schwankungsbreite ist hoch. Der Grund dafür ist, dass es viele Streupunkte auf einem typischen Ziel gibt, deren Streuungsbeiträge sich je nach Radaraspektwinkel konstruktiv oder destruktiv beitragen bzw. addieren können. Eine weitere Komplexitätsstufe sind die statistischen Variationen der erreichten Ziele. So gibt es beispielsweise viele verschiedene Formen und Größen von Fahrzeugen, Fußgängern, Verkehrszeichen, Straßenbelägen usw.
  • Um einen realistischen und echtzeitfähigen Radarsimulator zu entwickeln, muss das Rückstreuverhalten der Ziele vorab berechnet werden. Ein elektromagnetischer Field Solver 13 arbeitet zusammen mit Radarmessungen kooperativ mit einem Model Builder (Modellbauer) 14, um statistische Modelle für potenzielle Ziele in einer Szene zu erstellen. Unter Berücksichtigung des statistischen Charakters der Ziele werden die Ziele vorzugsweise in verschiedene Gruppen eingeteilt und für jede Gruppe werden wichtige Attribute des Ziels (mit seinen statistischen Parametern) identifiziert. Obwohl durch die vorliegende Offenbarung mehr oder weniger Gruppen betrachtet werden, können Ziele auf einer Straße in drei Kategorien eingeteilt werden: Fußgänger, Fahrzeuge und stationäre Objekte. Innerhalb jeder Kategorie kann es mehrere Untergruppen geben. So können beispielsweise Fußgänger in Untergruppen für Gehen und für Laufen/Joggen eingeteilt werden. Zu den Fahrzeugen können Untergruppen für Fahrräder, Motorräder, Limousinen, Lastkraftwagen, Busse usw. gehören, sind aber nicht darauf beschränkt. Ebenso können stationäre Objekte Untergruppen für Schilder, Bäume, Sträucher, Straßenbeläge usw. beinhalten, sind aber nicht darauf beschränkt.
  • 2 veranschaulicht ein exemplarisches Verfahren zum Aufbau bzw. Konstruieren eines statistischen Modells für ein gegebenes Ziel, das durch den Szenensimulator 10 implementiert werden kann. Für jede Untergruppe werden die Attribute für die Ziele in der Untergruppe mit 21 identifiziert. Beispielattribute für eine Person/Fußgänger sind unter anderem Geschlecht, Gewicht, Größe und Pose. Diese Attribute sind lediglich veranschaulichend und verschiedene Attribute für Personen sind leicht vorstellbar. Ebenso werden für die Objekte in anderen Untergruppen unterschiedliche Attribute vorgesehen. In der exemplarischen Ausführungsform können die Attribute für die Ziele in einer Untergruppe über ein Benutzeroberflächenmodul 12 des Szenensimulators 10 spezifiziert und/oder eingegeben werden.
  • Radar-Querschnittswerte werden dann für ein gegebenes Ziel erzeugt, zum Beispiel mit einem elektromagnetischen Field Solver 13. Die Radar-Querschnittswerte für das gegebene Ziel werden durch Variation der Werte der Zielattribute und Variation der Werte der Radarparameter erzeugt. So wird beispielsweise ein anfänglicher Wertesatz bei 22 für den einen oder mehrere Radarparameter ausgewählt. In einer exemplarischen Ausführungsform werden Werte für einen Einfallswinkel des Radars in Bezug auf das gegebene Ziel und eine Reichweite („ränge“) vom Radar bis zum gegebenen Ziel ausgewählt. Andere Arten von Radarparametern werden erwogen, einschließlich, aber nicht beschränkt auf die Frequenz und/oder Polarisation der vom Radar emittierten Strahlung.
  • Eine Vielzahl von Radar-Querschnittswerten für das gegebene Ziel wird dann bei 23 unter Verwendung des anfänglichen Wertesatzes für die Radarparameter durch Variation der Werte für das eine oder die mehreren Zielattribute bestimmt. In einem Beispiel werden die Werte für die Zielattribute mit einer Monte-Carlo-Methode variiert, obwohl auch andere Methoden in Betracht gezogen werden.
  • In den letzten Jahrzehnten wurden viele verschiedene elektromagnetische numerische Methoden entwickelt, die die EM-Streuung von endlichen Objekten genau charakterisieren können. Einige dieser Methoden beinhalten (sind aber nicht beschränkt auf) die Finite-Elemente-Methode (FEM), die leicht mit inhomogenen Objekten umgehen kann, die Methode des Moments (MoM), die für metallische Objekte rechnerisch schneller ist als die FEM, und die Finite-Difference-Time-Domain-Methode (FDTD), die inhomogene Objekte über eine große Bandbreite verarbeiten kann. Diese sind als Vollwellenlösungen bekannt und können die genaueste Lösung für ein beliebiges Objekt bieten, solange die Abmessungen des Objekts im Vergleich zur Wellenlänge nicht sehr groß sind. Es gibt kommerziell verfügbare Simulationswerkzeuge wie AnsysEM (HFSS), EmCube, FEKO und CST, die auf den oben genannten Vollwellenverfahren basieren. Die Anwendung dieser Softwaretools auf Ziele bzw. Targets, deren typische Dimensionen im Vergleich zur Wellenlänge groß sind, ist sehr zeitaufwendig und erfordert erhebliche Rechenressourcen.
  • Im Millimeterwellenbereich, in dem die meisten Automobilradars arbeiten (77 GHz), beträgt die Wellenlänge 3,9 mm und die typischen Abmessungen eines Fahrzeugs liegen in der Größenordnung von wenigen Metern. Für solche Ziele liegen die Zieldimensionen in der Größenordnung von 1000 Wellenlängen und die erforderlichen Rechenressourcen und Rechenzeiten für die Vollwellenanalyse sind groß. Als Beispiel für eine zufällige raue Oberfläche mit Abmessungen von etwa 4 cm x 4 cm, was etwa 10 Wellenlängen x 10 Wellenlängen bei der Radarfrequenz im Automobilbereich entspricht, benötigt eine Rückstreusimulation mit einem einzigen Einfallswinkel mehr als 20 CPU-Stunden und 200 GB Speicher. Daher können für große Ziele analytische Näherungslösungen verwendet werden. Da die Abmessungen der meisten auf der Straße anzutreffenden Ziele größer als die Wellenlänge sind, ist das Streuverhalten der Millimeterwellen von solchen Objekten ähnlich dem des Lichts. In der exemplarischen Ausführungsform wird ein asymptotisches Verfahren, das als physikalisch-optische Methode (PO) bekannt ist, auf das Streuproblem für Ziele wie Fahrzeuge, Fußgänger, Verkehrszeichen, Lichtmasten usw. angewendet. Die physikalisch-optische Methode basiert auf der Annäherung an die Tangentenebene, d.h. es wird angenommen, dass die prinzipiellen bzw. Haupt-Krümmungsradien auf der beleuchteten Fläche des Objekts größer sind als die Wellenlänge. Nach dieser Annäherung werden Fresnel-Transmissions- und Reflexionsgleichungen verwendet, um die äquivalenten Oberflächenströme zu berechnen, aus denen das Streufeld unter Anwendung des Huygens-Prinzips berechnet werden kann. Da die meisten Teile der interessierenden Ziele konkav sind, dominiert die PO-Lösung erster Ordnung (Mehrfachreflexionen innerhalb eines Ziels ignorierend) die Rückstreuungsantwort. Für zufällige Oberflächen und Volumen, wie Straßenoberflächen und mit Schnee, Eis oder Wasser bedeckte Straßenoberflächen, bei denen die Zielmerkmale vergleichbar oder kleiner als die Wellenlänge sind, können mit dem elektromagnetischen Field Solver 13 Vollwellenmethoden oder ungefähre Analysen („approximate analytical“) angewendet werden, um genaue Ergebnisse zu erzielen.
  • Unter fortgesetzter Bezugnahme auf 2 werden Radar-Querschnittswerte erzeugt, bis eine Stoppbedingung erfüllt ist, wie bei 24 angegeben. Wenn die Stoppbedingung nicht erfüllt ist, wird ein weiterer Satz von Werten für die Radarparameter bei 25 ausgewählt und die Radar-Querschnittswerte für das gegebene Ziel werden bei 23 bestimmt, wobei der neu gewählte Satz von Werten für die Radarparameter verwendet wird und die Werte für das eine oder mehrere Zielattribute erneut variiert werden. In der exemplarischen Ausführungsform sind die Radarparameter Einfallswinkel und Reichweite, wobei der Einfallswinkel in einem Bereich von 0 - 360 Grad und die Reichweite in einem Bereich von 5 - 300 Metern variiert werden. Für den anfänglichen Satz von Radarparametern wird der Einfallswinkel auf Null und die Reichweite auf fünf Meter eingestellt. In einem Beispiel wird der Einfallswinkel um ein Grad und die Reichweite um fünf Meter variiert. Für jeden neu gewählten Radarparametersatz wird einer der beiden Parameter abwechselnd erhöht. Das heißt, für einen ersten Satz von Radarparametern wird der Einfallswinkel um ein Grad erhöht, während die Reichweite gleich bleibt, für den zweiten Satz von Radarparametern wird die Reichweite um fünf Meter erhöht, während der Einfallswinkel gleich bleibt, und so weiter, bis die Stoppbedingung erfüllt ist. In diesem Beispiel tritt die Stoppbedingung auf, wenn der gesamte Bereich beider Bereiche ausgeschöpft ist. Diese Bereiche werden als veranschaulichend verstanden und die Werte für die Bereiche und Inkremente können variieren. Ebenso können auch Verfahren zur Variation der Radarparameter variieren.
  • Aus der Vielzahl von Radar-Querschnittswerten für das gegebene Ziel wird vom Model Builder 14 ein parametrisches statistisches Modell bei 26 konstruiert. In einer Ausführungsform wird ein parametrisches statistisches Modell für das gegebene Ziel konstruiert. Das parametrische statistische Modell kann durch Parameter einer Verteilungsfunktion definiert werden, wie beispielsweise eine Exponentialverteilungsfunktion, eine Lognormalverteilungsfunktion oder eine Weibull-Verteilungsfunktion. So kann beispielsweise das parametrische statistische Modell durch einen Mittelwert und die Standardabweichung der Lognormalverteilungsfunktion definiert werden. In einem weiteren Beispiel kann das parametrische statistische Modell durch einen Mittelwert, die Standardabweichung und eine Kovarianzmatrix einer n-dimensionalen Verteilungsfunktion definiert werden, wobei die Verteilungsfunktion eine von einer exponentiellen Verteilungsfunktion, einer Lognormalverteilungsfunktion oder einer Weibull-Verteilungsfunktion ist. In noch einer weiteren Ausführungsform kann ein mehrfaches parametrisches statistisches Modell für das gegebene Ziel konstruiert werden, wobei die verschiedenen Modelle eine Funktion verschiedener Kameraparameter sind. So können beispielsweise die parametrischen statistischen Modelle durch einen Mittelwert und eine Standardabweichung der exponentiellen Verteilungsfunktion definiert werden, wobei jedes Modell eine Funktion des Einfallswinkels und der Reichweite zum gegebenen Ziel ist. Diese Beispiele veranschaulichen lediglich die Arten von parametrischen statistischen Modellen, die für ein Ziel erstellt werden können.
  • Für verteilte Ziele (wie Straßenoberflächen, Bordsteinseiten, Gehwege und Vegetation) werden analytische oder hybride empirische/numerische Verfahren verwendet, um den Rückstreukoeffizienten (Radar-Querschnitt pro Flächeneinheit der beleuchteten Fläche) des Ziels in Bezug auf seine physikalischen Parameter zu modellieren. Für Ziele, die der Gauß‘schen Statistik folgen, genügt das zweite Moment des gestreuten Feldes, um die Wahrscheinlichkeitsverteilungsfunktion (probability distribution function, pdf) des gestreuten Feldes zu schätzen. Das Bodenreflexionsvermögen in Spiegelrichtung in der Nähe des Glanz- bzw. Streifeinfalls („grazing incidence“) ist relativ hoch (>80%). Die Bodenreflexionsfähigkeit wird für verschiedene Oberflächen modelliert und im Simulationstool verwendet, um die Reflexion des Radarsignals vom Boden zu berücksichtigen, der mit dem Objekt auf der Straße interagiert. Grundsätzlich werden neben der direkten Rückstreuung von dem Fahrzeug drei weitere streuende Komponenten hinzugefügt. Dazu gehören: 1) Radarreflexion vom Boden, die vom Object und zurück zu dem Radar streut, 2) direkte Streuung vom Objekt, Reflexion vom Boden und zurück zum Radar, und 3) Reflexion vom Boden, Streuung vom Objekt zum Boden und hiervon Reflexion vom Boden und zurück zum Radar.
  • Zum besseren Verständnis wird die Konstruktion eines Modells für einen Fußgänger näher beschrieben. Da verschiedene Posen des Menschen zu unterschiedlichen Radar-Querschnittswerten führen können, wird das Radar-Rückstreumodell für Fußgänger zunächst in zwei gängige Aktionen gruppiert: Gehen und Laufen/Joggen. Für jede Aktion werden mehr als zehn Posen während einer Periode des Gehens oder Joggens erfasst, wie in 3 dargestellt. Für jede Pose wird das menschliche CAD-Modell durch den elektromagnetischen Field Solver 13 für verschiedene Werte von Azimut-Einfallswinkeln und Radarabstand zum Ziel (Reichweite) simuliert. Statistische Merkmale von Radar-Querschnitten, wie z.B. die Wahrscheinlichkeitsverteilungsfunktion und deren Parameter wie Mittelwert, Standardabweichung oder andere Schlüsselparameter der Wahrscheinlichkeitsdichtefunktion (PDF) können durch Monte-Carlo-Simulationen ermittelt werden. In diesem Beispiel wird das statistische Modell für den Menschen in Bezug auf Größe, Gewicht, Geschlecht und Alter entwickelt.
  • Es wird erwartet, dass die Radarantwort von menschlichen Subjekten eine Funktion der geometrischen Parameter des Menschen ist. Um ein umfassendes Radar-Rückstreumodell zu entwickeln, müssen die Beziehungen zwischen Zielparametern und den statistischen Parametern hergestellt werden. Aus diesem Grund wird eine massive Simulation der menschlichen CAD-Modelle mit unterschiedlichen Höhen, Gewichten und Geschlechtern durchgeführt. Wie in den 4A-4C dargestellt, werden menschliche CAD-Modelle mit unterschiedlichen Höhen und Gewichten erzeugt und mehr als 10 Posen für den Menschen mit jeder Größe, jedem Gewicht und jedem Geschlecht simuliert.
  • Offensichtlich ist das eigene Gewicht stark mit der Größe korreliert, und um die Anzahl der freien Parameter zu reduzieren, werden Beziehungen hergestellt, die zwischen verschiedenen Zielparametern bestehen. Um dies zu erreichen, bezeichnen wir das Standardgewicht (w0 ) als das Gewicht für einen Menschen mit normaler Form, zum Beispiel definiert durch eine Software zur Generierung von menschlichen Modellen: MakeHuman. Das Standardgewicht ist eine Funktion der menschlichen Körpergröße, die sich wie folgt zeigt: w 0 ( h ) = 64.38 h 2 112.1 h + 65.78 ( k g )  für den Mann
    Figure DE102019126447A1_0001
    w 0 ( h ) = 0.714 h 2 + 91.73 h 95.02 ( k g )  für die Frau
    Figure DE102019126447A1_0002
  • Als nächstes kann eine Größe namens Formfaktor (sf), definiert als das Gewicht eines Menschen über dem Standardgewicht in seiner/ihrer Größe (sf = w/w0), verwendet werden, um Über- oder Untergewicht zu quantifizieren. Für eine Person mit spezifischem Gewicht, Größe und spezifischer Bewegung werden die RCS (Radarquerschnitte) in Abhängigkeit von Einfallswinkel und Reichweite (Entfernung vom Radar zum Menschen) simuliert. Die RCS-Daten, die einer bestimmten Reichweite und einem bestimmten Einfallswinkel entsprechen, passen am besten zur Weibull-Verteilung, deren Wahrscheinlichkeitsdichtefunktion wie folgt ist f ( x | A , B ) = B A ( x A ) B 1  exp { ( x A ) B }
    Figure DE102019126447A1_0003
  • Der Wert von A und B kann durch Anpassung der RCS-Daten an die Weibull-Verteilung ermittelt werden. Aufgrund der Winkelsymmetrie dermenschlichen Körper werden die Parameter A und B als Fourierreihen von Azimut-Einfallswinkeln modelliert. A ( ϕ , r ) = β 1 ( r ) s i n ( ϕ ) + α 2 ( r ) c o s ( 2 ϕ ) + β 3 ( r ) s i n ( 3 ϕ ) + α 4 ( r ) c o s ( 4 ϕ ) + γ 0 ( r ) ( m 2 )
    Figure DE102019126447A1_0004
    B ( ϕ , r ) = β 1 ( r ) s i n ( ϕ ) + α 2 ( r ) c o s ( 2 ϕ ) + β 3 ( r ) s i n ( 3 ϕ ) + α 4 ( r ) c o s ( 4 ϕ ) + β 5 ( r ) s i n ( 5 ϕ ) + α 6 ( r ) c o s ( 6 ϕ ) + γ 0 ( r )
    Figure DE102019126447A1_0005
  • Da Automobilradargeräte in der Regel eine schmale Antennenstrahlbreite haben, um eine höhere azimutale Auflösung zu erreichen, kann es vorkommen, dass das Ausleuchtgebiet (der „Footprint“) des Hauptstrahls des Radars die menschlichen Körper nicht vollständig abdeckt und die beleuchtete Fläche eine Funktion der Reichweite wird, weshalb der geschätzte RCS mit dem Abstand zwischen Radar und Zielen variiert. Es wird festgestellt, dass, wenn das gesamte Ziel in das Ausleuchtgebiet des Radars fällt, der mit der Reichweite variierende RCS klein ist, und diese Reichweite wird als „Referenzreichweite“ (Rref = h/HPBW) bezeichnet. Die Fourierkoeffizienten für die Parameter A und B sind an Polynomfunktionen der Reichweite relativ zur Referenzreichweite angepasst, wie in den 5A und 5B dargestellt.
  • Für Fahrzeuge und stationäre Objekte werden Breitbandsimulationen (z.B. von 76 GHz bis 80 GHz) der physikalischen Optik durchgeführt und die RCS-Daten bei bestimmten Reichweiten und Einfallswinkeln an Weibull- oder Lognormalverteilungen angepasst. Aufgrund ihrer zufälligen unregelmäßigen Radarantwort werden ihre statistischen Merkmale in Nachschlagetabellen für verschiedene Reichweiten und Einfallswinkel eingeteilt. Aufgrund der verfügbaren Fahrzeugtypen wird erwartet, dass die Radarantwort für den gleichen Fahrzeugtyp trotz geringer Geometrieunterschiede eine ähnliche statistische Radarantwort aufweist. Zu den Fahrzeugmodellen, die in die exemplarische Ausführungsform des Radarsimulationstools 10 integriert sind, gehören Limousine, SUV, Fließhecklimosine bzw. Kombi, Pickup, Bus, Motorrad, Fahrrad und schwerer Lkw. Die stationären Objektmodelle beinhalten viele häufig gesehene Ziele auf der Straße, z.B. Verkehrszeichen, Ampeln, Laternenmast, Baumstamm, Bushaltestelle und Tiere, wie Hund und Rotwild. Einige Modelle wurden mit Messdaten verglichen und es wurden gute Übereinstimmungen erzielt.
  • Neben den oben genannten Punktzielen werden auch die verteilten Ziele (wie die Fahrbahnoberflächen) modelliert. Straßenoberflächen sind zufällig raue Oberflächen und das kleinste Merkmal kann kleiner als die Wellenlänge bei Millimeterwellenfrequenz sein, daher ist eine PO-Approximation nicht anwendbar und eine Vollwellenanalyse ist für genaue Ergebnisse erforderlich. In der exemplarischen Ausführungsform wurden die kommerziellen FEM-basierten Vollwellensimulationswerkzeuge AnsysEM verwendet, um eine solche Simulation durchzuführen, die zufälligen rauen Oberflächen werden mit unterschiedlichen Rauheiten (quadratischer Mittelwert (Root Mean Square (RMS)) von Höhe und Korrelationslänge), Abmessungen, Elevations-Einfallswinkeln und Dielektrizitätskonstanten der Straße simuliert. Es wurden umfangreiche Simulationen durchgeführt und für jeden Fall werden etwa 50 Realisierungen simuliert, um zuverlässige Daten zu erhalten. Es wurden Messungen an Straßenbelägen zur Berechnung der volumetrischen Streuung und zur Erfüllung des Bodenstreuungsmodells durchgeführt. Die Rückstreukoeffizienten, definiert als RCS pro Flächeneinheit, werden in Abhängigkeit von Einfallswinkeln, Rauheit (RMS von Höhe und Korrelationslänge der Oberfläche) und der Dielektrizitätskonstante modelliert.
  • Ein exemplarisches Verfahren zum Aufbau eines statistischen Modells für ein gegebenes verteiltes Ziel wird in Bezug auf 6 näher beschrieben. Die Attribute für die Ziele werden bei 36 identifiziert. Zu den exemplarischen Attributen einer Fahrbahnoberfläche gehören (sind aber nicht beschränkt auf) die Straßenart (Asphalt, Beton, Schotter usw.) und der Straßenzustand (trocken, nass, schneebedeckt usw.). In der exemplarischen Ausführungsform können, ähnlich wie bei Punktzielen, die Attribute für die verteilten Ziele über ein Benutzeroberflächenmodul 12 des Szenensimulators 10 festgelegt und/oder eingegeben werden.
  • Bei verteilten Zielen ist deren Radarantwort durch einen Rückstreufaktor bzw. -koeffizienzen gekennzeichnet, der als Radar-Querschnitt pro Flächeneinheit definiert ist. Die Radarparameter können Polarisationen und Elevations- bzw. Höheneinfallswinkel von der Normalrichtung zur Oberfläche beinhalten, sind aber nicht darauf beschränkt. In einer exemplarischen Ausführungsform sind die Polarisationen VV (Senden einer vertikal polarisierten Welle und Empfangen einer vertikal polarisierten Welle), HH (Senden einer horizontal polarisierten Welle und Empfangen einer horizontal polarisierten Welle) und HV (Senden einer horizontal polarisierten Welle und Empfangen einer vertikal polarisierten Welle) und die Einfallsrichtungen sind nahe am Glanz („grazing“) mit Werten von 70 Grad bis 85 Grad.
  • Eine Vielzahl von Rückstreukoeffizienten für ein gegebenes Ziel und gegebene Radarparameter und Zielattribute werden bei 63 gemessen, indem das Ausleuchtgebiet des Radars auf dem Ziel verändert wird. Für jeden Satz von Radarparametern ist herausgefunden, dass die Daten einer exponentiellen Verteilung folgen, so dass nur der Mittelwert der Daten alle statistischen Eigenschaften einer solchen Zufallsvariablen beschreiben kann. Obwohl Rückstreukoeffizienten für viele Einfallsrichtungen und Polarisationen gemessen werden können, reichen nur eine Einfallsrichtung und eine Polarisation (entweder VV oder HH) aus, um das theoretische Rückstreuungsmodell basierend auf der Strahlungstransporttheorie für die Polarisation von W und HH zu konstruieren. Das heißt, ein Satz Radarparameter wird wie bei 63 angegeben eingestellt und dann zum Konstruieren der Modelle bei 64 verwendet, wie im Folgenden näher erläutert. Gemessene Rückstreuungskoeffizienten für andere Einfallsrichtungen und Polarisationen können als Validierung für dieses Modell verwendet werden.
  • Die Strahlungstransporttheorie ist eine elektromagnetische Streutheorie, die auf Energieerhalt basiert. Sie wird hauptsächlich zur Beschreibung der volumetrischen Streuung verwendet, die die Rückstreuung von vielen verteilten Zielen wie Beton- oder Asphaltstraßen dominiert. Für ein einlagiges Medium (z.B. nur Asphaltstraße) werden die Rückstreukoeffizienten ermittelt durch: σ v v 0 = 4 π c o s θ 0 | t v 10 | 2 | t v 01 | 2 p 1 2 κ
    Figure DE102019126447A1_0006
    σ h h 0 = 4 π c o s θ 0 | t h 10 | 2 | t h 01 | 2 p 1 2 κ
    Figure DE102019126447A1_0007
    wobei tqij der Fresnel-Übertragungskoeffizient für eine q-Polarisationswelle (q=v oder h) von Schicht i zu Schicht j ist, wobei hier Schicht 0 Luft und Schicht 1 die Straße ist, und wobei p 1 2 κ
    Figure DE102019126447A1_0008
    ein Parameter unabhängig vom Einfallswinkel θ0 und der Polarisation ist. Dieser Parameter ergibt sich aus der Radarmessung, wie nachfolgend beschrieben.
  • Das Trockenasphalt-Rückstreuungskoeffizientenmodell wird als Beispiel für ein besseres Verständnis des Prozesses der Modellierung und Simulation des verteilten Ziels genommen. In diesem Beispiel werden die Rückstreuungskoeffizienten für Trockenasphalt sowohl mit VV- als auch mit HH-Polarisationen und Einfallswinkeln von 70 bis 85 Grad mit 3-Grad-Schritten gemessen. Der Wert von p 1 2 κ
    Figure DE102019126447A1_0009
    wird aus dem Rückstreuungskoeffizienten für 76 Grad Einfall mit VV-Polarisation berechnet und ist gleich 0,0063. Der Vergleich der gemessenen Rückstreukoeffizienten anderer Einfallswinkel und Polarisationen mit den aus der Strahlungstransporttheorie berechneten Rückstreukoeffizienten ist in den 7A und 7B dargestellt.
  • Der Fehler zwischen Messungen und vorhergesagten Werten ist angemessen. Da das Radar 16 im Szenensimulator 10 den Wert des Rückstreuungskoeffizienten nicht direkt misst und stattdessen die vom Radar empfangene Signalleistung proportional zum Radar-Querschnitt ist, kann dieser als durchschnittlicher Rückstreuungskoeffizient multipliziert mit der Fläche des Ausleuchtgebiets des Hauptstrahls des Radars approximiert werden. Da der Rückstreuungskoeffizient der Exponentialverteilung folgt, kann der äquivalente Radar-Querschnitt durch die Gamma-Verteilung beschrieben werden, mit der Wahrscheinlichkeitsdichtefunktion als P ( x ) = 1 Γ ( α ) β α x α 1 e x β
    Figure DE102019126447A1_0010
    wobei α die Fläche über 1 m2 ist, und β der Mittelwert von RCS aus 1 m2 Fläche des verteilten Ziels ist (derselbe Wert wie der Rückstreukoeffizient). Im Szenensimulator 10 erzeugt das Radar 16 ein Radarsignal für ein verteiltes Ziel durch die oben beschriebene Gamma-Verteilung.
  • Um auf 1 zurückzukommen, können die statistischen Modelle für die verschiedenen Ziele in Echtzeit-Simulation einer Szene verwendet werden, die vom Szenengenerator 18 erzeugt wird, zum Beispiel wie aufgenommen von einem Radar 16, das an einem Fahrzeug ausgestattet ist. Während des Betriebs empfängt das Radar 16 die von Objekten in der Szene reflektierte Strahlung und gibt die Daten in ein Objektkennungsmodul 17 ein. Das Objektkennungsmodul 17 befindet sich in Datenkommunikation mit einem nichtflüchtigen Datenspeicher 15, wobei der Datenspeicher 15 eine Vielzahl von statistischen Modellen für Ziele speichert, die dem Fahrzeug begegnen können. Es versteht sich, dass die statistischen Modelle in der oben beschriebenen Weise erstellt werden. Wie hierin verwendet, kann der Begriff Modul sich beziehen auf, Teil sein von oder beinhalten eine anwendungsspezifische integrierte Schaltung (ASIC), eine elektronische Schaltung, einen Prozessor (gemeinsam, dediziert oder Gruppe) und/oder (gemeinsam, dediziert oder Gruppe), die ein oder mehrere Software- oder Firmwareprogramme ausführen, eine kombinatorische Logikschaltung und/oder andere geeignete Komponenten, die die beschriebene Funktionalität bereitstellen.
  • Genauer gesagt, empfängt das Objektkennungsmodul 17 Radar-Querschnittswerte vom Radar für verschiedene Objekte in der Szene. Die Radarsignale werden typischerweise einer Signalverarbeitung und Zielisolierung unterzogen, bevor sie vom Objektkennungsmodul 17 empfangen werden. In einer Ausführungsform werden der Radaraspektwinkel und die Reichweite auch verwendet, um statistische Modelle aus dem Datenspeicher 15 abzurufen. Das Objektkennungsmodul 17 wiederum vergleicht die Radar-Querschnittswerte für jedes Objekt mit den statistischen Modellen und identifiziert die Objekte in der Szene. Nehmen wir zum Beispiel an, dass zwei Ziele, ein männlicher Fußgänger und eine Limousine, in der Verkehrsszene sind. Wenn sie sich in einer anderen Reichweite zu dem Radar befinden oder sich mit unterschiedlichen Geschwindigkeiten bewegen, können ihre Radarantwortsignale getrennt werden. Die Radarantworten verhalten sich wie Zufallsvariablen, und für jedes Ziel sammelt das Objektkennungsmodul 17 in kurzer Zeit große Datenmengen vom Radar 16 und dessen statistische Merkmale können zusammengefasst werden. Durch den Vergleich der Radar-Querschnittsdaten für jedes Objekt mit den statistischen Modellen 15 kann das Objektkennungsmodul 17 das Ziel als Fußgänger oder Fahrzeug kategorisieren.
  • In anderen Ausführungsformen wird ein Radarzielklassifikationsalgorithmus verwendet, um die durch Messung oder Simulation erhaltene Radarantwort zu klassifizieren. So wird beispielsweise der Algorithmus der Radarzielklassifizierung mit Maschinen-Lernmethoden wie einem künstlichen neuronalen Netz und einem neuronalen Faltungsnetz (CNN) implementiert. Die statistischen Modelle für alle Arten von Zielen werden verwendet, um künstliche neuronale Netze oder neuronale Faltungsnetze mit Maschinen-Lerntechniken im Objektkennungsmodul 17 zu trainieren. Das Objektkennungsmodul 17 behandelt die Radar-Querschnittswerte für jedes Objekt als Eingaben der trainierten Modelle oder Offline befindlichen - Neuronalen Netzmodelle und identifiziert die Objekte in der Szene. Durch das Einbringen der Radar-Querschnittsdaten für jedes Objekt in die neuronalen Netzmodelle kann das Objektkennungsmodul 17 das Ziel als Fußgänger oder Fahrzeug kategorisieren.
  • Ein Beispiel für ein neuronales Netzwerkmodell im Objektkennungsmodul 17 ist in 9 dargestellt. Die Eingangswerte des künstlichen neuronalen Netzes x̂1 und x̂2 sind normierte Werte für zwei statistische Merkmale eines Ziels. Die Normierung bedeutet, dass die Eingangsdaten im Trainingssatz mit einigen Koeffizienten multipliziert und/oder addiert werden, so dass ihre Bereiche zwischen 0 und 1 liegen. In einem Beispiel können die beiden statistischen Merkmale A- und B-Werte in der Weibull-Wahrscheinlichkeitsdichtefunktion sein. Die drei Ausgangswerte des neuronalen Netzwerks ŷ1, ŷ2 und ŷ3 sind die Wahrscheinlichkeit, dass das Ziel als Fußgänger, Fahrzeug bzw. andere stationäre Objekte identifiziert wird. Die Bereiche für die drei Ausgangswerte liegen zwischen 0 und 1, und das Objektkennungsmodul 17 identifiziert das Ziel für die Kategorie mit dem höchsten Ausgangswert.
  • Für fortgeschrittene Radargeräte mit Strahlführungsfähigkeit in Azimut- und/oder Elevationsrichtung kann ein Ziel je nach Seitenwinkel („aspect angle“) des Radars durch mehr als einen Radar-Querschnittswert dargestellt werden, wobei diese Radar-Querschnittswerte Radarbilder bilden, wie in 10A und 10B dargestellt. Die visualisierten Radar-Querschnittswerte sind in einer dBsm-Skala angegeben. Ein Beispiel für die Identifizierung des Objekts durch Radarbilder ist das neuronale Faltungsnetzmodell. Die Eingabe des Modells des neuronalen Faltungsnetzwerks ist die Vielzahl der Radar-Querschnittswerte von Radarbildern, und die Ausgabe gibt drei Kategorien an: Fußgänger, Fahrzeug und andere stationäre Objekte. Das neuronale Faltungsnetzwerk wird mit zufällig ausgewählten 70% aller Daten aus der numerischen Simulation für alle Arten von Zielen mit Strahlführungsradar trainiert. Die Struktur des neuronalen Faltungsnetzwerks beinhaltet die Vielzahl von Faltungsschichten, rektifizierten Lineareinheitenschichten, Poolschichten und vollständig verbundenen Schichten, wie in 10C beschrieben.
  • Das Szenengeneratormodul 18 erzeugt visuell eine Szene auf einer Anzeigevorrichtung. In der exemplarischen Ausführungsform erzeugt das Szenengeneratormodul 18 für jedes Objekt eine Zufallszahl und weist dem entsprechenden Objekt mit Hilfe des anwendungsstatistischen Modells („application statistical model“) einen Radar-Querschnittswert zu. In einem Beispiel wird das Szenengeneratormodul 18 von der Unreal Engine 4 implementiert, einer Plattform, die über viele integrierte Tools für 3D-Simulationen und Visualisierungen verfügt, obwohl andere Szenengeneratoren in Betracht gezogen werden.
  • 8 zeigt ein Beispiel für eine Echtzeit-Szenensimulation eines Fahrzeugradars mit dem Szenensimulator 10. Die in der oberen rechten Ecke dargestellte Sektorkarte stellt das Radarbild der empfangenen Leistung in Bezug auf die vom Fahrzeugradar gesendete Leistung dar. Dabei wird davon ausgegangen, dass die Antenne des Radars eine Strahlbreite von 3° aufweist und von 60° bis 120° mit einem Schritt von 1,5° scannen kann, und die Entfernungs- bzw. Reichweitenauflösung auf 1 m eingestellt ist. Die Radarantwort von Bäumen, Fahrzeugen und Ampeln kann anhand der Radarkarte identifiziert werden. Die beiden kleinen Sektoren unten zeigen die Radarantwort des Bodens. In diesem Beispiel ist eine QA-Standardasphaltstraße dargestellt. Alle Radarantworten, die im Bild zu sehen sind, werden mit den statistischen Modellen und einem Zufallszahlengenerator mit einer spezifischen statistischen Verteilung und Parametern aus den reduzierten statistischen Radarmodellen erzeugt. Die vorgestellte Simulation ist eine nahezu echtzeitnahe Simulation, die Bildaktualisierungsrate beträgt etwa 20-30 Bilder pro Sekunde (frames per second, FPS). Alle Parameter über das Radar, einschließlich der Reichweite und Winkelauflösung des Radars, der Antennenstrahlbreite, der maximalen Reichweite und des Winkelbereichs, können benutzerdefiniert werden.
  • Mehrdimensionale statistische Modelle für verschiedene Ziele werden ebenfalls entwickelt, um die Verfolgung von Zielen in der Szene zu ermöglichen. Grundsätzlich korrelierte Zufallsvektoren, die einen korrelierten Radar-Querschnitt von Verkehrszielen in einer dynamischen Umgebung liefern können. Dieses Modell ermöglicht die Simulation der Rückstreuung der Ziele in kontinuierlicher Weise, da diese Ziele die Position in Bezug auf das Radar graduell ändern. Auf diese Weise wird die Tatsache, dass die Rückstreuwerte von Impuls zu Impuls nicht statistisch unabhängig sind, korrekt modelliert.
  • Für Radar mit mehreren Eingängen und mehreren Ausgängen können Ziele mit mehrdimensionalen statistischen Modellen dargestellt werden. Genauer gesagt, wird ein Radarziel durch mehr als einen Streuungserzeuger („scatterer“) repräsentiert, der im zwei- oder dreidimensionalen Raum verteilt ist. Jede Streuung auf dem Ziel besitzt ihre eigenen statistischen Merkmale, einschließlich Positionen und winkelabhängiger statistischer Parameter des Radar-Querschnitts. In einer Ausführungsform wird das zufällige Verhalten der Radar-Querschnittswerte für jede Streuung durch eine Gamma-Verteilung beschrieben. Die statistischen Parameter jeder Streuung werden als Funktionen des Einfallswinkels weiter modelliert. Das Verfahren zur Erzeugung solcher mehrdimensionaler statistischer Modelle ist das gleiche wie in 2 dargestellt. 11A zeigt eine typische Limousine. Die 11 B und 11C veranschaulichen ein Beispiel für Streuungen, die zufällig im zwei- und dreidimensionalen Raum für die in 11A dargestellte Limousine verteilt sind. Im Beispiel beträgt der Abstand zwischen zwei am nächsten liegenden Streuungserzeugern 0,1 m. Die Positionen und Radar-Querschnittswerte werden durch das multidimensionale statistische Modell bestimmt.
  • Die hierin beschriebenen Techniken können durch ein oder mehrere Computerprogramme implementiert werden, die von einem oder mehreren Prozessoren ausgeführt werden. Die Computerprogramme beinhalten prozessorausführbare Anweisungen, die auf einem nicht temporären, materiellen, computerlesbaren Medium gespeichert sind. Die Computerprogramme können auch gespeicherte Daten enthalten. Nicht einschränkende Beispiele für das nichtflüchtige materielle computerlesbare Medium sind nichtflüchtige Speicher, magnetische Speicher und optische Speicher.
  • Einige Teile der obigen Beschreibung stellen die hierin beschriebenen Techniken in Form von Algorithmen und symbolischen Darstellungen von Operationen an Informationen dar. Diese algorithmischen Beschreibungen und Darstellungen sind das Mittel, mit dem Fachleute der Datenverarbeitungsbranche die Substanz ihrer Arbeit am effektivsten an andere Fachleute weitergeben können. Diese Operationen, obwohl funktional oder logisch beschrieben, werden als von Computerprogrammen implementiert verstanden. Darüber hinaus hat es sich auch als zweckmäßig erwiesen, diese Betriebsvereinbarungen ohne Verlust der Allgemeingültigkeit als Module oder durch Funktionsnamen zu bezeichnen.
  • Sofern aus der obigen Diskussion nicht ausdrücklich etwas anderes hervorgeht, wird bemerkt, dass in der gesamten Beschreibung sich Diskussionen, die Begriffe wie „Verarbeitung“ oder „Computing“ oder „Berechnen“ oder „Bestimmen“ oder „Anzeigen“ oder dergleichen verwenden, in auf solche Handlungen und Prozesse eines Computersystems oder einer ähnlichen elektronischen Rechenvorrichtung beziehen, die Daten manipulieren und transformieren, die als physische (elektronische) Größen innerhalb der Speicher oder Register des Computersystems oder anderer solcher Informationsspeicher-, Übertragungs- oder Anzeigevorrichtungen dargestellt werden.
  • Bestimmte Aspekte der beschriebenen Techniken beinhalten Prozessschritte und Anweisungen, die hierin in Form eines Algorithmus beschrieben werden. Es ist zu beachten, dass die beschriebenen Prozessschritte und Anweisungen in Software, Firmware oder Hardware verkörpert sein könnten und, wenn sie in Software verkörpert sind, heruntergeladen werden könnten, um auf verschiedenen Plattformen zu residieren und von verschiedenen Plattformen aus betrieben zu werden, die von Echtzeit-Netzwerk-Betriebssystemen verwendet werden.
  • Die vorliegende Offenbarung bezieht sich auch auf eine Vorrichtung zur Durchführung der hierin beschriebenen Vorgänge. Diese Vorrichtung kann speziell für die erforderlichen Zwecke konstruiert sein, oder sie kann einen Computer umfassen, der selektiv durch ein Computerprogramm aktiviert oder neu konfiguriert wird, das auf einem computerlesbaren Medium gespeichert ist, auf das der Computer zugreifen kann. Ein solches Computerprogramm kann auf einem materiellen, computerlesbaren Speichermedium gespeichert werden, wie beispielsweise, ist aber nicht darauf beschränkt, jede Art von Platte, einschließlich Disketten, optische Platten, CD-ROMs, magnetisch-optische Platten, Nur-Lese-Speicher (ROMs), Direktzugriffsspeicher (RAMs), EPROMs, EEPROMs, magnetische oder optische Karten, anwendungsspezifische integrierte Schaltungen (ASICs) oder jede Art von Medien, die zur Speicherung elektronischer Anweisungen geeignet sind, und jedes mit einem Computersystembus gekoppelt. Darüber hinaus können die in der Spezifikation genannten Computer einen einzelnen Prozessor beinhalten oder Architekturen sein, die zur Erhöhung der Rechenleistung mehrere Prozessoren verwenden.
  • Die hierin vorgestellten Algorithmen und Operationen sind nicht von Natur aus mit einem bestimmten Computer oder einer anderen Vorrichtung verbunden. Verschiedene Systeme können auch mit Programmen in Übereinstimmung mit den hierin enthaltenen Lehren verwendet werden, oder es kann sich als zweckmäßig erweisen, spezialisiertere Geräte zu konstruieren, um die erforderlichen Verfahrensschritte durchzuführen. Die erforderliche Struktur für eine Vielzahl dieser Systeme wird für Fachleute erkennbar sein, zusammen mit äquivalenten Variationen. Darüber hinaus wird die vorliegende Offenbarung nicht mit Bezug auf eine bestimmte Programmiersprache beschrieben. Es wird anerkannt, dass eine Vielzahl von Programmiersprachen verwendet werden können, um die Lehren der vorliegenden Offenbarung, wie hierin beschrieben, umzusetzen.
    Preferred embodiments are defined in the following clauses:
    • Klausel 1 Computerimplementiertes Verfahren zum Konstruieren eines reduzierten statistischen Modells für ein gegebenes Ziel, das von einem Fahrzeugradar erfasst wird, umfassend:
      • Identifizieren eines oder mehrerer Attribute für das gegebene Ziel;
      • Auswählen eines anfänglichen Wertesatzes für einen oder mehrere Radarparameter;
      • Bestimmen einer Vielzahl von Radar-Querschnittswerten für das gegebene Ziel unter Verwendung des anfänglichen Wertesatzes, und zwar durch einen elektromagnetischen Field Solver, während die Werte für das eine oder die mehreren Zielattribute zufällig variiert werden; und
      • Konstruieren eines parametrischen statistischen Modells für eine oder mehrere Streuungen, die im zwei- oder dreidimensionalen Raum verteilt sind, und zwar aus der Vielzahl von Radar-Querschnittswerten, wobei das parametrische statistische Modell das gegebene Ziel darstellt.
    • Klausel 2 Verfahren von Klausel 1, wobei das gegebene Ziel weiter als eine Person definiert ist und die Zielattribute Pose, Geschlecht, Gewicht und Größe beinhalten.
    • Klausel 3 Verfahren von Klausel 1 oder 2, wobei der eine oder die mehreren Radarparameter einen Einfallswinkel in Bezug auf das gegebene Ziel und eine Reichweite zu dem gegebenen Ziel beinhalten. Klausel 4 Verfahren einer der Klauseln 1 bis 3, wobei das Verfahren ferner aufweist: Auswählen eines anderen Wertesatzes für den einen oder die mehreren Radarparameter und das Bestimmen zusätzlicher Radar-Querschnittswerte für das gegebene Ziel unter Verwendung des unterschiedlichen Wertesatzes unter zufälliger Variation der Werte für das eine oder die mehreren Zielattribute.
    • Klausel 5 Verfahren einer der Klauseln 1 bis 4, wobei das Verfahren ferner aufweist: Werte für das eine oder die mehreren Zielattribute unter Verwendung einer Monte-Carlo-Methode zufällig zu variieren.
    • Klausel 6 Verfahren eines der Klauseln 1 bis 5, wobei das Verfahren ferner aufweist: Bestimmen der Vielzahl von Radar-Querschnittswerten unter Verwendung eines physikalischen optischen Verfahrens.
    • Klausel 7 Verfahren eines der Klauseln 1 bis 6, wobei der eine oder die mehreren Radarparameter den Einfallswinkel in Bezug auf das gegebene Ziel und die Reichweite zu dem gegebenen Ziel beinhalten.
    • Klausel 8 Verfahren von Klausel 7, wobei das parametrische statistische Modell ferner durch Parameter einer Exponentialverteilungsfunktion, einer Lognormalverteilungsfunktion oder einer Weibull-Verteilungsfunktion definiert ist.
    • Klausel 9 Verfahren von Klausel 8, wobei die Parameter von einer aus einer Exponentialverteilungsfunktion, einer Gamma-Verteilungsfunktion, einer Lognormalverteilungsfunktion oder einer Weibull-Verteilungsfunktion als Funktion des Einfallswinkels in Bezug auf das gegebene Ziel und die Reichweite zum gegebenen Ziel abgeleitet werden.
    • Klausel 10 Verfahren einer der Klauseln 1 bis 9, wobei das parametrische statistische Modell für eine Streuung ferner durch einen Mittelwert aus einer exponentiellen Verteilungsfunktion der Vielzahl von Radar-Querschnittswerten und eine Standardabweichung der exponentiellen Verteilungsfunktion der Vielzahl von Radar-Querschnittswerten definiert ist.
    • Klausel 11 Verfahren einer der Klauseln 1 bis 10, wobei für mehr als eine Streuung das parametrische statistische Modell ferner durch Form- und Skalenparameter einer Gamma-Verteilungsfunktion der Vielzahl von Radar-Querschnittswerten definiert ist.
    • Klausel 12 Verfahren von Klausel 11, wobei das parametrische statistische Modell aus einer Vielzahl von Gamma-Verteilungsfunktionen besteht, so dass jede Gamma-Verteilungsfunktion einem anderen Teil des gegebenen Ziels entspricht.
    • Klausel 13 Verfahren zur Konstruktion reduzierter statistischer Modelle, ferner mit den Schritten des Kategorisierungs potenzieller Ziele in Gruppen und, für jede Gruppe, des Konstruierens eines parametrischen statistischen Modells gemäß den Schritten einer der Klauseln 1 bis 12.
    • Klausel 14 Verfahren eines der Klauseln 1 bis 13 , wobei das Verfahren ferner aufweist: Erzeugen einer Szene auf einer Anzeigevorrichtung, wobei die Szene das gegebene Ziel beinhaltet und das gegebene Ziel aus dem parametrischen statistischen Modell für das gegebene Ziel abgeleitet ist.
    • Klausel 15 Computerimplementiertes Verfahren zum Konstruieren eines reduzierten statistischen Modells für ein gegebenes Ziel, das von einem Fahrzeugradar erfasst wird, umfassend:
      • Identifizieren eines oder mehrerer Attribute für das gegebene Ziel;
      • Auswählen eines Wertesatzes für einen oder mehrere Radarparameter;
      • Bestimmen einer Vielzahl von Radar-Querschnittswerten für das gegebene Ziel unter Verwendung des Wertesatzes; und
      • Konstruieren eines parametrischen statistischen Modells für das gegebene Ziel aus der Vielzahl von Radar-Querschnittswerten.
    • Klausel 16 Verfahren von Klausel 15, wobei das Bestimmen einer Vielzahl von Radar-Querschnittswerten das Erfassen eines ersten Satzes von Radar-Querschnittswerten mit einem Radar, das Definieren einer Funktion unter Verwendung des ersten Satzes von Radar-Querschnittswerten und der Strahlungstransporttheorie, und das Erzeugen zusätzlicher Sätze von Radar-Querschnittswerten mit der Funktion beinhaltet.
    • Klausel 17 Verfahren von Klausel 16, wobei das gegebene Ziel weiter als eine Straßenoberfläche definiert ist und die Zielattribute Straßentyp und Straßenzustand beinhalten.
    • Klausel 18 Verfahren von Klausel 17, wobei die einen oder mehreren Radarparameter Polarisation und Einfallswinkel in Bezug auf das gegebene Ziel beinhalten.
    • Klausel 19 Verfahren einer der Klauseln 15 bis 18, wobei das Bestimmen einer Vielzahl von Radar-Querschnittswerten das Erzeugen der Vielzahl von Radar-Querschnittswerten für das gegebene Ziel mit einem elektromagnetischen Field Solver unter Verwendung des anfänglichen Wertesatzes unter zufälliger Veränderung der Werte für das eine oder die mehreren Zielattribute beinhaltet.
    • Klausel 20 Verfahren von Klausel 19, wobei das gegebene Ziel weiter als Person definiert ist und die Zielattribute Pose, Geschlecht, Gewicht und Größe beinhalten.
    • Klausel 21 Verfahren von Klausel 20, wobei der eine oder die mehreren Radarparameter den Einfallswinkel in Bezug auf das gegebene Ziel und die Reichweite zu dem gegebenen Ziel beinhalten.
    • Klausel 22 Verfahren einer der Klauseln 15 bis 21, wobei das parametrische statistische Modell ferner durch Parameter einer der Funktionen einer Exponentialverteilungsfunktion, einer Lognormalverteilungsfunktion oder einer Weibull-Verteilungsfunktion definiert ist.
  • Die vorstehende Beschreibung der Ausführungsformen wurde zur Veranschaulichung und Beschreibung bereitgestellt. Sie ist nicht beabsichtigt, vollständig zu sein oder die Offenbarung einzuschränken. Einzelne Elemente oder Merkmale einer bestimmten Ausführungsform sind im Allgemeinen nicht auf diese bestimmte Ausführungsform beschränkt, sondern sind gegebenenfalls austauschbar und können in einer ausgewählten Ausführungsform verwendet werden, auch wenn sie nicht ausdrücklich dargestellt oder beschrieben sind. Das Gleiche kann auch in vielerlei Hinsicht variiert werden. Solche Abweichungen sind nicht als Abweichung von der Offenbarung zu betrachten, und alle diese Änderungen sollen in den Umfang der Offenbarung einbezogen werden.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • US 62/741232 [0001]

Claims (14)

  1. Computerimplementiertes Verfahren zum Konstruieren eines reduzierten statistischen Modells für ein gegebenes Ziel, das von einem Fahrzeugradar erfasst wird, umfassend: Identifizieren eines oder mehrerer Attribute für das gegebene Ziel; Auswählen eines anfänglichen Wertesatzes für einen oder mehrere Radarparameter; Bestimmen einer Vielzahl von Radar-Querschnittswerten für das gegebene Ziel unter Verwendung des anfänglichen Wertesatzes, und zwar durch einen elektromagnetischen Field Solver, während die Werte für das eine oder die mehreren Zielattribute zufällig variiert werden; und Konstruieren eines parametrischen statistischen Modells für eine oder mehrere Streuungen, die im zwei- oder dreidimensionalen Raum verteilt sind, und zwar aus der Vielzahl von Radar-Querschnittswerten, wobei das parametrische statistische Modell das gegebene Ziel darstellt.
  2. Verfahren nach Anspruch 1, wobei das gegebene Ziel weiter als eine Person definiert ist und die Zielattribute Pose, Geschlecht, Gewicht und Größe beinhalten.
  3. Verfahren nach Anspruch 1 oder 2, wobei der eine oder die mehreren Radarparameter einen Einfallswinkel in Bezug auf das gegebene Ziel und eine Reichweite zu dem gegebenen Ziel beinhalten.
  4. Verfahren nach einem der Ansprüche 1 bis 3, wobei das Verfahren ferner aufweist: Auswählen eines anderen Wertesatzes für den einen oder die mehreren Radarparameter; und das Bestimmen zusätzlicher Radar-Querschnittswerte für das gegebene Ziel unter Verwendung des anderen Wertesatzes unter zufälliger Variation der Werte für das eine oder die mehreren Zielattribute.:
  5. Verfahren nach einem der Ansprüche 1 bis 4, wobei das Verfahren ferner aufweist, Werte für das eine oder die mehreren Zielattribute unter Verwendung eines Monte-Carlo-Verfahrens zufällig zu variieren.
  6. Verfahren nach einem der Ansprüche 1 bis 5, wobei das Verfahren ferner aufweist: Bestimmen der Vielzahl von Radar-Querschnittswerten unter Verwendung eines physikalischen optischen Verfahrens.
  7. Verfahren nach einem der Ansprüche 1 bis 6, wobei der eine oder die mehreren Radarparameter einen Einfallswinkel in Bezug auf das gegebene Ziel und eine Reichweite zu dem gegebenen Ziel beinhalten.
  8. Verfahren nach Anspruch 7, wobei das parametrische statistische Modell ferner durch Parameter von einer aus einer Exponentialverteilungsfunktion, einer Lognormalverteilungsfunktion oder einer Weibull-Verteilungsfunktion definiert ist.
  9. Verfahren nach Anspruch 8, wobei die Parameter von einer aus einer Exponentialverteilungsfunktion, einer Gamma-Verteilungsfunktion, einer Lognormalverteilungsfunktion oder einer Weibull-Verteilungsfunktion als eine Funktion des Einfallswinkels in Bezug auf das gegebene Ziel und die Reichweite zu dem gegebenen Ziel abgeleitet werden.
  10. Verfahren nach einem der Ansprüche 1 bis 9, wobei für eine Streuung das parametrische statistische Modell ferner durch einen Mittelwert einer exponentiellen Verteilungsfunktion der Vielzahl von Radar-Querschnittswerten und durch eine Standardabweichung der exponentiellen Verteilungsfunktion der Vielzahl von Radar-Querschnittswerten definiert ist.
  11. Verfahren nach einem der Ansprüche 1 bis 10, wobei für mehr als eine Streuung das parametrische statistische Modell ferner durch Form- und Skalenparameter einer Gamma-Verteilungsfunktion der Vielzahl von Radar-Querschnittswerten definiert ist.
  12. Verfahren nach Anspruch 11, wobei das parametrische statistische Modell aus einer Vielzahl von Gamma-Verteilungsfunktionen besteht, so dass jede Gamma-Verteilungsfunktion einem anderen Teil des gegebenen Ziels entspricht.
  13. Verfahren zum Konstruieren reduzierter statistischer Modelle, ferner mit den Schritten des Kategorisierens potenzieller Ziele in Gruppen und, für jede Gruppe, des Konstruierens eines parametrischen statistischen Modells gemäß den Schritten eines der Ansprüche 1 bis 12.
  14. Verfahren nach einem der Ansprüche 1 bis 13, wobei das Verfahren ferner aufweist: Erzeugen einer Szene auf einer Anzeigevorrichtung, wobei die Szene das gegebene Ziel beinhaltet und das gegebene Ziel aus dem parametrischen statistischen Modell für das gegebene Ziel abgeleitet ist.
DE102019126447.2A 2018-10-04 2019-10-01 Automobil-Radar-Szenensimulator Pending DE102019126447A1 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862741232P 2018-10-04 2018-10-04
US62/741,232 2018-10-04
US16/579,959 US11875708B2 (en) 2018-10-04 2019-09-24 Automotive radar scene simulator
US16/579,959 2019-09-24

Publications (1)

Publication Number Publication Date
DE102019126447A1 true DE102019126447A1 (de) 2020-04-09

Family

ID=69886581

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019126447.2A Pending DE102019126447A1 (de) 2018-10-04 2019-10-01 Automobil-Radar-Szenensimulator

Country Status (1)

Country Link
DE (1) DE102019126447A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112711874A (zh) * 2020-12-17 2021-04-27 北京环境特性研究所 等离子体涂覆目标宽频段雷达吸波参数选取方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112711874A (zh) * 2020-12-17 2021-04-27 北京环境特性研究所 等离子体涂覆目标宽频段雷达吸波参数选取方法和装置
CN112711874B (zh) * 2020-12-17 2023-05-12 北京环境特性研究所 等离子体涂覆目标宽频段雷达吸波参数选取方法和装置

Similar Documents

Publication Publication Date Title
Wang et al. A comparative study of state-of-the-art deep learning algorithms for vehicle detection
US11875708B2 (en) Automotive radar scene simulator
DE102015122825B4 (de) Techniken zum Gruppieren von Zielelementen für eine Objektfusion
DE112014004990B4 (de) Verfahren zum Erzeugen exakter Fahrspurebenen-Karten
DE102017119538A1 (de) Physikalische Modellierung für Radar- und Ultraschallsensoren
DE102018100469A1 (de) Generierten von simulierten sensordaten zum trainieren und überprüfen von erkennungsmodellen
EP2823331B1 (de) Verfahren und vorrichtung zum erfassen von objekten in einer umgebung eines fahrzeugs
EP3121620A1 (de) Verfahren zur segmentierung der daten eines 3d-sensors, erzeugt in gegenwart von aerosol-wolken, zur erhöhung des situationsbewusstseins und der lageerkennung von hindernissen
DE102013102153A1 (de) Verfahren zur Registrierung von Entfernungsbildern von mehreren LiDAR-Sensoren
DE102013113570A1 (de) Bayes-Netz zum Nachführen von Objekten unter Verwendung von Absuchpunkten unter Verwendung mehrerer LiDAR-Sensoren
DE102013113571A1 (de) Verfahren und Vorrichtungen zum Vereinigen von Radar/Kamera-Objektdaten und LiDAR-Absuchpunkten
DE102014208009A1 (de) Erfassen von statischen und dynamischen Objekten
DE102021100351A1 (de) Adaptive untersuchung für lidar-basiertes gruppieren
DE102011100927A1 (de) Objekt- und Fahrzeugdetektion und -verfolgung unter Verwendung von 3-D-Laserentfernungsmesser
DE102013208521A1 (de) Kollektives Erlernen eines hochgenauen Straßenmodells
DE102011117585A1 (de) Systeme und Verfahren zum Verfolgen von Objekten
DE102018129251A1 (de) Adaptive Verarbeitung räumlicher Bilderfassungsdaten
DE102011111440A1 (de) Verfahren zur Umgebungsrepräsentation
EP2288937B1 (de) Verfahren und vorrichtung zur rechnergestützten segmentierung einer umgebung in einzelne objekte
DE102018132805A1 (de) Verfahren für eine verbesserte Objekterfassung
DE112021001971T5 (de) Automatisierte geländebezogene detektion von bohrplattformen und deren umgebung
Sun An investigation in the use of inductive loop signatures for vehicle classification
DE102019126447A1 (de) Automobil-Radar-Szenensimulator
DE102021200348A1 (de) Computerimplementiertes verfahren zum trainieren eines computervisionsmodells
DE102021200345A1 (de) Überprüfung von computervisionsmodellen