DE102019130096A1 - Verfahren zur Ermittlung einer Radarinformation, Simulationsverfahren, Klassifizierungsverfahren, Computerprogramm und Berechnungssystem - Google Patents

Verfahren zur Ermittlung einer Radarinformation, Simulationsverfahren, Klassifizierungsverfahren, Computerprogramm und Berechnungssystem Download PDF

Info

Publication number
DE102019130096A1
DE102019130096A1 DE102019130096.7A DE102019130096A DE102019130096A1 DE 102019130096 A1 DE102019130096 A1 DE 102019130096A1 DE 102019130096 A DE102019130096 A DE 102019130096A DE 102019130096 A1 DE102019130096 A1 DE 102019130096A1
Authority
DE
Germany
Prior art keywords
radar
reflection
data
simulation
objects
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
DE102019130096.7A
Other languages
English (en)
Inventor
Michael Schwenkert
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.)
Audi AG
Original Assignee
Audi AG
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
Application filed by Audi AG filed Critical Audi AG
Priority to DE102019130096.7A priority Critical patent/DE102019130096A1/de
Publication of DE102019130096A1 publication Critical patent/DE102019130096A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details 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
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO 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
    • G01S13/00—Systems 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO 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
    • G01S13/00—Systems 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G01S7/4052—Means for monitoring or calibrating by simulation of echoes

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (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

Verfahren zur Ermittlung einer das Radar-Erscheinungsbild (5) von Objekten (7) wenigstens einer Objektklasse in Abhängigkeit von wenigstens einem das Objekt (7) und/oder einen Messumstand beschreibenden Parameter beschreibenden Radarinformation (19), umfassend folgende Schritte:- Aufnahme von Basis-Radardaten (12, 16) mehrerer Objekte (7) der Objektklasse bei bekanntem oder ermittelbarem wenigstens einen Parameter mit wenigstens einem bildgebenden Radarsensor und/oder Ermittlung von Basis-Radardaten (12, 16) mehrerer Objekte (7) der Objektklasse aus einer Simulation, insbesondere einer Finite-Elemente-Simulation,- Auswertung der Radardaten zur Ermittlung von räumlich abgrenzbaren Reflexionsbereichen (2, 3, 8) von Objekten (7) der Objektklasse, denen bestimmte Reflexionseigenschaften zuordenbar sind, und- Zusammenstellung der Radarinformation (19) umfassend die Lage der Reflexionsbereiche (2, 3, 8) an Objekten (7) der Objektklasse und jedem Reflexionsbereich (2, 3, 8) zugeordnet eine zur Ermittlung einer Reflexionsverteilung für den gesamten Reflexionsbereich (2, 3, 8) in Abhängigkeit von dem wenigstens einen Parameter geeignete Reflexionsinformation.

Description

  • Die Erfindung betrifft ein Verfahren zur Ermittlung einer das Radar-Erscheinungsbild von Objekten wenigstens einer Objektklasse in Abhängigkeit von wenigstens einem das Objekt und/oder einen Messumstand beschreibenden Parameter beschreibenden Radarinformation. Daneben betrifft die Erfindung ein Simulationsverfahren, ein Klassifizierungsverfahren, ein Computerprogramm und ein Berechnungssystem.
  • In modernen Kraftfahrzeugen werden häufig Radarsensoren zur Umfelderfassung eingesetzt, insbesondere gemeinsam mit weiteren Umgebungssensoren wie Kameras und dergleichen. Die von dem Radarsensor aufgenommenen Radardaten werden in unterschiedlichen Fahrzeugsystemen für unterschiedliche Fahrzeugfunktionen genutzt, beispielsweise von Fahrerassistenzsystemen wie ACC-Systemen und/oder Spurwechselassistenzsystemen und/oder Sicherheitssystemen. Ein besonderes Augenmerk wird derzeit auf Fahrzeugsysteme gerichtet, die zur vollständig automatischen Führung des Kraftfahrzeugs ausgebildet sein sollen (autonomes Fahren). Hierzu ist eine hohe Verlässlichkeit der Sensordaten, insbesondere auch der Radardaten erforderlich, während zudem in der Entwicklung solcher Fahrzeugsysteme wie auch bei der Weiterentwicklung bereits in Serie vorhandener Fahrerassistenzsysteme und/oder bei deren Prüfung Simulationen, die möglichst realitätsgetreu sein sollen, eine wesentliche Rolle spielen.
  • Bei moderner Sensorik werden dabei häufig sogenannte bildgebende Radarsensoren eingesetzt, die eine besonders hohe Ortsauflösung aufweisen und letztlich eine Art Radarbild über ihren Erfassungsbereich ausgeben, in dem jedem Pixel beispielsweise Intensität, Abstand und Geschwindigkeitswerte zugeordnet sein können. Diese verbesserte Messleistung stellt auch erhöhte Anforderungen an Simulationen von Radarsensoren.
  • Bekannte Simulationsumgebungen für den automotiven Bereich liefern üblicherweise möglichst wirklichkeitsgetreue Eingangsdaten für die zu testende Algorithmik und Elektronik, wobei insbesondere für Umgebungssensoren Rohdaten des jeweiligen Sensors durch entsprechende Komponenten geliefert werden können oder sogar der Bildgebungsprozess innerhalb des entsprechenden Umgebungssensors selbst simuliert wird. Bei Radarsensoren kann dies dadurch geschehen, dass eine reflektierte elektromagnetische Feldverteilung an den Empfangs-Antennenelementen bereitgestellt wird, um dann den Messprozess sowie den Auswertungsprozess für die entstehenden Radardaten simulieren bzw. wenigstens teilweise praktisch durchführen zu können.
  • Gerade beim Einsatz von Radarsensoren im automotiven Bereich sind äußerst komplexe Verkehrssituationen, insbesondere auch in ihrem zeitlichen Ablauf, nachzustellen, die neben statischen relevanten Objekten auch dynamische Objekte in der die Verkehrssituation wiedergebenden Szene verwenden. Gerade im Hinblick auf die Simulation einer Radarmessung, bei der Radarstrahlung von dem Radarsensor ausgesendet wird, sich, gegebenenfalls unter Dämpfung, ausbreitet und je nach Reflexionseigenschaften von Objekten reflektiert wird und zum Radarsensor zurückkehrt, wo die Radardaten erzeugt werden, bestehen besondere Herausforderung. In diesem Zusammenhang wurde vorgeschlagen, verschiedene Simulationsansätze der Elektrodynamik heranzuziehen, beispielsweise Finite-Elemente-Methoden zu verwenden. Dabei tritt allerdings das Problem auf, dass für derartige physikalisch genaue Simulationen eine äußerst hohe Rechenzeit selbst bei bereitgestellter hoher Rechenleistung (Großrechner) erforderlich wird. Gewünscht ist jedoch, derartige Simulationen, insbesondere, wenn sie sich über viele Zeitschritte erstrecken sollen, mit weniger Aufwand und in Echtzeit durchführen zu können, beispielsweise mit herkömmlichen Personalcomputern (PCs). Auf der anderen Seite bleibt für die Entwicklung von insbesondere sicherheitskritischen Systemen mit einem Radarsensor ein hoher Realitätsgrad auch eine wichtige Anforderung an Simulationsumgebungen. Ferner wird von derartigen Simulationsumgebungen häufig verlangt, auch Grenzfälle abzudecken, beispielsweise besonders schwer detektierbare andere Verkehrsteilnehmer bei automotiver Anwendung, um die Funktionsfähigkeit einer Fahrzeugfunktion überprüfen und/oder bewerten zu können.
  • GB 2 451 615 A offenbart einen Radarreflexionssimulator zur Erzeugung synthetischer Radarreflexionen. Dort wird vorgeschlagen, ein Modell eines dreidimensionalen Objekts in eine Mehrzahl von Schichten zu zerlegen, für die Oberflächen erzeugt werden, die die Reflexion eines Radarpulses repräsentieren. Die kumulierten Reflexionen eines Pulses an jeder Schicht werden durch eine diskrete Reflexion von einer Oberfläche repräsentiert, so dass die Reflexion von einem Objekt durch eine Mehrzahl von Reflexionen an entsprechenden Oberflächen repräsentiert wird. Die synthetischen Reflexionen können genutzt werden, um Radarausrüstung zu prüfen und Trainingshilfen bereitzustellen, so dass keine echten Objekte mehr benötigt werden.
  • DE 11 2016 000 274 T5 betrifft ein System zum Generieren virtueller Radarsignaturen. Damit soll ein System zum Prüfen und Evaluieren einer Reaktion eines Kraftfahrzeug-Radarsystems für ein spezifisches Kraftfahrzeug-Sicherheitsszenario geschaffen werden. Eine simulierte Radarsignatur, die zumindest einem virtuellen Ziel entspricht, soll generiert werden aus einer zuvor aufgezeichneten realen reflektierten Radarsignatur von zumindest einem realen Ziel in einem spezifischen realen Szenario und/oder einer analytischen Repräsentation einer Radarzielsignatur von zumindest einem virtuellen Ziel in einem spezifischen virtuellen Szenario. Es werden mithin zwei Ansätze vorgesehen. Beim ersten Ansatz wird ein virtuelles Ziel auf Grundlage einer analytischen Funktion simuliert, wobei Parameter und Annahmen des gewünschten Ziels berücksichtigt werden, wobei der zweite Ansatz in der Aufzeichnung wirklicher Ziele in beliebigen Szenarien und im Abspielen derselben für den Prüfradar basiert.
  • DE 10 2017 119 538 A1 betrifft eine physikalische Modellierung für Radar- und Ultraschallsensoren. Ein maschinelles Lernmodul kann eine Wahrscheinlichkeitsverteilung aus Trainingsdaten erzeugen, die markierte Modellierungsdaten, die mit Reflexionsdaten korreliert sind, umfassen. Die Modellierungsdaten können dabei gemeinsam mit den Reflexionsdaten von einem Lidar-System, einer Kamera und/oder einem GPS für eine Zielumgebung/ ein Zielobjekt ermittelt werden. Durch Anwendung eines einer virtuellen Umgebung entsprechenden zweiten Satzes von Modellierungsdaten auf die Wahrscheinlichkeitsverteilung sollen simulierte Reflexionsdaten von einem virtuellen Sensor erzeugt werden, womit beispielsweise Steuersignale an ein autonomes Fahrzeug ermittelt werden können.
  • Der Erfindung liegt die Aufgabe zugrunde, eine Radarinformation bereitzustellen, aus der mit geringem Rechenaufwand möglichst naturgetreu ein Radar-Erscheinungsbild eines Objektes ermittelt werden kann.
  • Zur Lösung dieser Aufgabe sind bei einem Verfahren der eingangs genannten Art erfindungsgemäß folgende Schritte vorgesehen:
    • - Aufnahme von Basis-Radardaten mehrerer Objekte der Objektklasse bei bekanntem oder ermittelbarem wenigstens einen Parameter mit wenigstens einem bildgebenden Radarsensor und/oder Ermittlung von Basis-Radardaten mehrerer Objekte der Objektklasse aus einer Simulation, insbesondere einer Finite-Elemente-Simulation,
    • - Auswertung der Basis-Radardaten zur Ermittlung von räumlich abgrenzbaren Reflexionsbereichen von Objekten der Objektklasse, denen bestimmte Reflexionseigenschaften zuordenbar sind, und
    • - Zusammenstellung der Radarinformation umfassend die Lage der Reflexionsbereiche an Objekten der Objektklasse und jedem Reflexionsbereich zugeordnet eine zur Ermittlung einer Reflexionsverteilung für den gesamten Reflexionsbereich in Abhängigkeit von dem wenigstens einen Parameter geeignete Reflexionsinformation.
  • Der Erfindung liegt der grundlegende Gedanke zugrunde, dass Objekte einer bestimmten Objektklasse, beispielsweise „Personenkraftwagen“, bezüglich ihrer Radarvermessung Eigenschaften aufweisen, die es erlauben, relevante Reflexionsbereiche zu identifizieren und jeweils gesamtheitlich zu behandeln. Auf diese Weise ist es nicht länger notwendig, Berechnungen bei bildgebenden Radarsensoren für jedes Pixel einzeln im Rahmen einer Simulation durchzuführen, sondern die jeweiligen Reflexionsbereiche können insgesamt betrachtet werden. Mit besonderem Vorteil kann mithin das zu simulierende Objekt der Objektklasse auf die Reflexionsbereiche reduziert werden, welche im Übrigen nicht zwangsläufig die gesamte Oberfläche des Objekts abdecken müssen. Das bedeutet, es findet eine physikalische Reduzierung der Modellierung von Objekten statt, welche die bei Objekten einer Objektklasse gleichen Radareigenschaften hervorhebt und für die Reflexionsbereiche zusammenfassend beschreibt. Für die einzelnen Reflexionsbereiche werden jeweils Reflexionsinformationen bestimmt, die die Ermittlung einer Reflexionsverteilung für den gesamten Reflexionsbereich erlauben. Eine Reflexionsverteilung gibt dabei die Dichte, Amplitude und Verteilung der Reflexionen in dem Reflexionsbereich wieder.
  • Mit besonderem Vorteil kann als Reflexionsinformation konkret ein mathematischer, insbesondere funktionaler, Zusammenhang zwischen wenigstens einem des wenigstens einen Parameters und der Reflexionsverteilung ermittelt werden. Auf diese Weise ist eine besonders einfache Ermittlung von Reflexionsverteilungen und, durch Zusammenfassung aller Reflexionsverteilungen für ein zu simulierendes Objekt, eines Radar-Erscheinungsbilds aus der Radarinformation möglich, wenn die entsprechenden Parameter vorliegen.
  • Mit besonderem Vorteil decken die in der Radarinformation gespeicherten Reflexionsbereiche, wie bereits erwähnt, die Objekte der Objektklasse nicht gänzlich ab, sondern es werden nur die relevanten, mithin besonders stark bzw. deutlich reflektierenden Reflexionsbereiche weiter betrachtet, um eine entsprechende Vereinfachung zu erzielen, ohne dass Realitätstreue in relevanter Weise verloren geht. Mithin kann vorgesehen sein, dass in der Radarinformation nur Reflexionsbereiche gespeichert werden, bei denen ein Relevanzkriterium erfüllt ist. Besonders vorteilhaft ist es dabei, wenn in der Radarinformation nur Reflexionsbereiche gespeichert werden, bei denen eine Mindestreflexionsstärke vorliegt. Die Mindestreflexionsstärke kann, gegebenenfalls auch kumulativ, auf unterschiedliche Art und Weise definiert werden, beispielsweise als eine integrierte Reflexionsamplitude für den gesamten Reflexionsbereich, als Maximum der Reflexionsamplitude in einem Teilbereich des Reflexionsbereichs und dergleichen. Wesentlich ist, dass die Radarinformation die Reflexionsbereiche enthält, von denen von einem Radarsensor relevante und insbesondere auch das Objekt kennzeichnende Reflexionen empfangen werden. Diese Auswahl bzw. die Überprüfung des Relevanzkriteriums kann auch wenigstens teilweise manuell erfolgen bzw. die Auswahl kann eine manuelle Grundlage haben, insbesondere eine Annotation, worauf im Folgenden noch näher eingegangen werden wird.
  • Mit anderen Worten werden Reflexionsbereiche, also bestimmte Oberflächenzonen der Objekte der Objektklasse, die auch als Reflexionszonen bezeichnen werden können, aufgrund von bevorzugt gemessenen, gegebenenfalls aber auch simulierten Basis-Radardaten identifiziert und lokalisiert, die typisch für verdichtete bzw. zusammengeballte Reflexionen und/oder Reflexionen hoher Reflexionsamplitude sind. Dabei ist eine Grundlage von gemessenen Basis-Radardaten besonders bevorzugt, wobei diese jedoch auch ergänzt und/oder zumindest teilweise ersetzt werden können durch simulierte Basis-Radardaten, die beispielsweise auf Basis von CAD-Szenarien mittels Finite-Elemente-Simulationen bestimmt werden können. Aus bevorzugt funktionalen, einfachen Beziehungen zwischen ein Objekt der Objektklasse und/oder Messumstände beschreibenden Parametern können Reflexionen für einen messenden, insbesondere automotiven Radarsensor generiert werden.
  • Messungen an realen Objekten der Objektklasse zeigen charakteristische Reflexionsmuster im Hinblick auf Dichte, Amplitude und Verteilung der Reflexionen, die erfindungsgemäß in einem Auswertungsvorgang derart analysiert werden, dass die (relevanten) Reflexionsbereiche definiert werden können. Während in diesem Zusammenhang bekannte Statistik- und Ähnlichkeitsalgorithmen eingesetzt werden können, ist es im Übrigen auch denkbar, Methoden der künstlichen Intelligenz, beispielsweise Deep Learning, einzusetzen, und/oder, zumindest grundlegend, wenigstens teilweise manuelle Interaktion einzusetzen.
  • Es werden im Rahmen der vorliegenden Erfindung bevorzugt Radarinformationen für eine Mehrzahl von Objektklassen erzeugt, so dass es mittels der entsprechenden Radarinformationen möglich ist, für jedes kategorisierbare, also einer Objektklasse zuordenbare Objekt, aus den entsprechenden Radarinformationen Radar-Erscheinungsbilder zu synthetisieren. Die Reflexionsbereiche der Oberfläche der Objekte der Objektklasse werden dabei jeweils über, gegebenenfalls mit Deep-Learning-Methoden unterstützte, Ground-Truth-Datenerhebungen identifiziert und lokalisiert, wobei die über die Radardaten beschriebene Varianz der Reflexionsverteilungen innerhalb der Reflexionsbereiche dafür genutzt wird, eine Reflexionsinformation zu ermitteln, die beispielsweise genutzt werden kann, um in einer Simulation definierte Objekte der Objektklassen mit geringem Rechenaufwand möglichst naturgetreu zu simulieren.
  • Um eine weitere Vereinfachung der Modellierung zu erlauben, kann vorgesehen sein, dass die Lage der Reflexionsbereiche auf einer Objekte der Objektklasse umfassenden Bounding-Box beschrieben wird. Die Bounding-Box kann dabei einfach gehalten werden, beispielsweise als ein Objekte der Objektklasse vollständig beinhaltender Quader. Derartiges bietet sich insbesondere für Objekte an, die bereits eine ähnliche Grundform aufweisen, beispielsweise Personenkraftwagen, Lastkraftwagen, Leitplanken und dergleichen.
  • Die Verwendung von Parametern im Rahmen der vorliegenden Erfindung erlaubt es, aus den Radarinformationen Radar-Erscheinungsbilder zu generieren, die zum einen unterschiedlichste Objekte der Objektklasse simulieren können, zum anderen aber auch verschiedene Messumstände, was sowohl den beispielsweise in einer Simulation virtuell messenden Radarsensor betrifft, aber gegebenenfalls auch Umgebungsbedingungen, beispielsweise Wetterbedingungen, betreffen kann. Konkret kann vorgesehen sein, dass als auf die Messumstände bezogene Parameter wenigstens ein Abstand eines messenden Radarsensors zu dem Objekt und/oder ein Winkel des messenden Radarsensors zu dem Objekt und/oder ein Dämpfungsverhalten auf dem Strahlenweg zu und von dem Objekt, insbesondere Wetterverhältnisse, und/oder wenigstens eine Eigenschaft von dem messenden Radarsensor gesendeter Radarstrahlung verwendet werden. Als auf das Objekt bezogene Parameter können beispielsweise eine Größe des Objekts und/oder ein Verschmutzungsgrad des Objekts und/oder eine mittlere Reflexionsstärke des Objekts verwendet werden.
  • Soll beispielsweise die Messung durch einen bestimmten messenden Radarsensor simuliert werden und soll hierfür ein Radar-Erscheinungsbild aus Radarinformationen erzeugt werden, können als auf die Messumstände bezogene Parameter bevorzugt der Abstand des messenden Radarsensors zu dem Objekt, der Betrachtungswinkel und reale Felddaten des messenden Radarsensors betrachtet werden, wonach entsprechende Reflexionsverteilungen und somit ein Radar-Erscheinungsbild des Objekts in Abhängigkeit dieser Messumstände aus den Radarinformationen, konkret den Reflexionsinformationen für die einzelnen Reflexionsbereiche, bestimmt werden. Reale Felddaten können hierbei die komplexen Parameter (Amplitude, Phase) des elektromagnetischen Feldes umfassen, das von dem simuliert messenden Radarsensor gemäß der physischen Anordnung der Sende- und Empfangsantennenelemente gesendet bzw. empfangen wird. Es sei darauf hingewiesen, dass in den Fällen, in denen der bei der Ermittlung der die „Ground-Truth“ wiedergebenden bzw. weiteren Basis-Radardaten herangezogene Radarsensor dem simuliert messenden Radarsensor entspricht oder zumindest im Wesentlichen entspricht, mit deutlich weniger Parametern hinsichtlich der radarsensorbezogenen Messumstände gearbeitet werden kann, insbesondere eine Reduzierung auf Abstand und Betrachtungswinkel denkbar ist. Ansonsten kann auch über Abweichungen von den bei der Erzeugung der Basis-Radardaten angenommenen bzw. verwendenden Radarsensor gearbeitet werden, beispielsweise bei einer abweichenden Sendeleistung oder dergleichen.
  • Messumstände können dabei auch Aspekte der zu simulierenden Szene an sich betreffen, beispielsweise Wetterbedingungen, oder allgemein die Dämpfung auf dem Weg zu dem simulierten Objekt, welche beispielsweise bei starkem Regen stärker ist als bei klarem Wetter und dergleichen.
  • Auch Objekte innerhalb der Objektklasse können sich unterscheiden, wobei entsprechende relevante Unterschiede ebenso über Parameter abgebildet werden können. Solche Parameter können beispielsweise die Größe betreffen, so dass in einer Objektklasse beispielsweise größere und kleinere Personenkraftwagen zusammengefasst werden können. Auch weitere radarrelevante Eigenschaften der Objekte können berücksichtigt werden, beispielsweise der Verschmutzungsgrad und/oder verwendete Materialien, die sich insbesondere auch in einer insgesamten Variation der Reflexionsstärke von dem Objekt äußern können, oder aber auch auf bestimmte Reflexionsbereiche bezogen sein können, gegebenenfalls sogar auf deren Fehlen. Die Verwendung entsprechender Parameter, die auf das Objekt bezogen sind, ermöglicht bei Simulationen insbesondere auch das Abdecken von Grenzfällen, beispielsweise schlecht und/oder eher untypisch reflektierende Objekte der Objektklasse.
  • In einer besonders vorteilhaften Weiterbildung der vorliegenden Erfindung kann vorgesehen sein, dass zusätzlich zu den Basis-Radardaten Kameradaten der Objekte aufgenommen werden, wobei die Kameradaten bei der Ermittlung der Reflexionsbereiche, insbesondere von deren Begrenzungen, und/oder wenigstens eines des wenigstens einen Parameters berücksichtigt werden, und/oder die Reflexionsbereiche aufgrund der Kameradaten und/oder manuell als bestimmte Bereiche des Objekts identifiziert werden, was als Teil der Radarinformation abgelegt wird. Mit anderen Worten werden mit den gemessenen Basis-Radardaten auch Kameradaten derselben Objekte der Objektklasse erfasst, was es erlaubt, Reflexionsbereiche bestimmten Merkmalen/Komponenten der Objekte auch tatsächlich zuzuordnen, beispielsweise bei Personenkraftwagen Felgen und Nummernschilder als besonders stark reflektierende Reflexionsbereiche zu identifizieren. Dies ermöglicht es auch verbessert, Begrenzungen der Reflexionsbereiche der Oberfläche des Objekts festzustellen. Dabei kann hinsichtlich der Identifikation alternativ oder zusätzlich auch ein manuelles Vorgehen herangezogen werden. Eine auf diese Art und Weise annotierte Radarinformation erlaubt auch eine erweiterte Nutzung von objektbezogenen Parametern, nachdem beispielsweise bestimmten Komponenten, beispielsweise einem Nummernschild, unabhängig Reflexionsstärken zugewiesen werden können und/oder gar Komponenten der Objekte, beispielsweise für Simulationen, auch weggelassen werden können. Kameradaten erweisen sich zudem nützlich bei der Bestimmung von Basis-Radardaten zuzuordnenden Parametern, wenn die Basis-Radardaten automatisiert gemessen werden, beispielsweise durch Platzierung eines Radarsensors und einer Kamera an einer sich verändernden Verkehrssituation.
  • Während es im Rahmen der vorliegenden Erfindung grundsätzlich möglich ist, Radarinformationen für verschiedenste Arten von Radarsensoren und verschiedenste zu detektierende Objekte bzw. Objektklassen zu ermitteln, beispielsweise hinsichtlich von Flugüberwachungsradaren und dergleichen, lässt sich die vorliegende Erfindung besonders vorteilhaft auf den Bereich von Kraftfahrzeugen anwenden. Mithin kann im Rahmen der vorliegenden Erfindung vorgesehen sein, dass die Objektklassen bezüglich beim Betrieb eines Kraftfahrzeugs auftretender (und relevanter) Objekte gewählt werden.
  • Konkret können als die wenigstens eine Objektklasse wenigstens eine Personenkraftwagenklasse und/oder wenigstens eine Lastkraftwagenklasse und/oder eine Fußgängerklasse und/oder eine Brückenklasse und/oder eine Leitplankenklasse verwendet werden. Dabei ist es durchaus denkbar, auch mehrere Personenkraftwagenklassen und/oder Lastkraftwagenklassen zu verwenden, beispielsweise eine Personenkraftwagenklasse für kleine Personenkraftwagen und eine Personenkraftwagenklasse für große Personenkraftwagen und/oder eine Personenkraftwagenklasse für SUVs. Bezüglich Lastkraftwagen kann beispielsweise unterschieden werden zwischen Lastkraftwagen mit oder ohne Anhänger und dergleichen. Über die hier genannten beispielhaften Objektklassen können selbstverständlich auch weitere Objektklassen verwendet werden, beispielsweise Objektklassen für Zweiradfahrer.
  • In konkreter Ausgestaltung der Erfindung können bei einer Personenkraftwagenklasse und/oder einer Lastkraftwagenklasse einem Nummernschild und/oder einem Radhaus und/oder einer Felge und/oder einer Karosseriekante und/oder einem Rand und/oder einer Leuchte entsprechende Reflexionsbereiche ermittelt werden. Es hat sich gezeigt, dass bei Personenkraftwagen/Lastkraftwagen besonders starke Reflexionen von Nummernschildern, Radhäusern, Leuchten, Ecken, Kanten und Felgen erhalten werden können. Dies kann sich in entsprechenden Reflexionsbereichen niederschlagen. Entsprechende typische Reflexionsmuster lassen sich auch für andere Objektklassen identifizieren. Dabei sei darauf hingewiesen, dass sich spezielle Reflexionsbereiche auch durch starke Mikrodopplereffekte in den Radardaten auszeichnen können, beispielsweise bei einer auf Fußgänger bezogenen Fußgängerklasse durch die sich häufig bewegenden Arme der Fußgänger.
  • Zweckmäßigerweise können die Basis-Radardaten wenigstens teilweise durch einen Radarsensor eines betriebenen Kraftfahrzeugs und/oder einen an einer Straße fest installierten Radarsensor gemessen werden. Das bedeutet, es können Radardaten aus tatsächlich existierenden, praktischen Verkehrssituationen als Basis-Radardaten herangezogen werden, wobei besonders zweckmäßig diesen Radardaten zugeordnet auch Kameradaten existieren, um Objekte zu verifizieren und/oder Parameter zu der entsprechenden Verkehrssituation und dem Objekt bestimmen zu können. Beispielsweise können durch an einer Straße fest installierte Radarsensoren eine Vielzahl unterschiedlichster relevanter Objekte, beispielsweise Personenkraftwagen und/oder Lastkraftwagen und/oder Fußgänger und/oder Zweiradfahrer, vermessen werden und die entsprechenden Radardaten als Basis-Radardaten bereitgestellt werden. Radardaten im Betrieb befindlicher Kraftfahrzeuge geben ebenso eine Vielzahl von Objekten der Objektklassen unter unterschiedlichen Betrachtungswinkeln in realistischen Szenarien wieder.
  • In einer vorteilhaften Ausführungsform können zusätzlich zu den Basis-Radardaten und/oder bevorzugt als ein erster Teil der Basis-Radardaten für wenigstens ein Objekt der wenigstens einen Objektklasse in einem vordefinierten Messvorgang für unterschiedliche Parameter, insbesondere unterschiedliche Winkel und Abstände, Vermessungsdaten mit wenigstens einem Radarsensor aufgenommen werden. Beispielsweise kann vorgesehen sein, dass Betrachtungswinkel in einem 5°-Raster durch den vordefinierten Messvorgang sozusagen abgetastet werden, um für zumindest ein Objekt der wenigstens einen Objektklasse einen möglichst vollständigen Satz gemessener Reflexionsverteilungen vorliegen zu haben. Dies ermöglicht bezüglich zumindest eines Teils der Parameter eine vereinfachte Feststellung von Zusammenhängen, insbesondere mathematischen Zusammenhängen, oder dergleichen, die sich häufig auch auf andere Objekte der Objektklasse übertragen lassen.
  • Insbesondere jedoch eignen sich derartige erste, insbesondere unter definierten Laborbedingungen erzeugte Basis-Radardaten zur Bereitstellungen von grundlegenden Informationen, die die Auswertung von unter weniger kontrollierten Bedingungen aufgenommenen zweiten Basis-Radardaten, beispielsweise durch eine an einer Straße platzierte Kombination von Radarsensor und Kamera, deutlich vereinfachen kann bzw. robust und verlässlich gestalten kann, insbesondere bei Verwendung eines Algorithmus der künstlichen Intelligenz bzw. Maschinenlernen im Allgemeinen. So können die ersten Basis-Radardaten insbesondere genutzt werden, um eine Grundwahrheit für ein Maschinenlernen aufgrund zweiter Radardaten bereitzustellen.
  • In anderen Worten kann also in besonders vorteilhafter Weiterbildung der vorliegenden Erfindung vorgesehen sein, dass in den als erste Basis-Radardaten verwendeten Vermessungsdaten wenigstens teilweise manuell und/oder wenigstens teilweise automatisch als eine Grundwahrheit insbesondere das Relevanzkriterium erfüllende Reflexionsbereiche bestimmt werden, wobei zur Identifikation und Lokalisierung der Reflexionsbereiche in weiteren, zweiten Radar-Basisdaten Maschinenlernen, insbesondere unter Verwendung eines Algorithmus der künstlichen Intelligenz, verwendet wird.
  • Durch Sichtung und/oder automatische Auswertung der kontrolliert, insbesondere unter Laborbedingungen ermittelten Vermessungsdaten können Reflexionsbereiche besonders einfach identifiziert und, insbesondere auch bei ausgedehnten Reflexionsbereichen, in denen Reflexionen wandern, in ihrer Lage auf dem Objekt bestimmt werden. Die Identifikation umfasst dabei bevorzugt auch die Annotation, beispielsweise als Nummernschild, welches bei anderen Objekten in zweiten Radardaten dann wiederum aufgefunden und annotiert werden kann, bevorzugt bei zusätzlicher Nutzung von Kameradaten.
  • Es kann in Ausführungsbeispielen auch vorgesehen sein, dass die Vermessungsdaten wenigstens teilweise zur Erweiterung der Basis-Radardaten anderer Objekte, insbesondere für weitere Werte wenigstens eines des wenigstens einen auch für die Vermessungsdaten variierten Parameters, verwendet werden. Dies kann sich, wie bereits angedeutet, insbesondere auf den Betrachtungswinkel ausgehend vom Radarsensor beziehen, nachdem sich meist die Reflexionsverteilungen innerhalb der Reflexionsbereiche auf typische Art und Weise mit dem Betrachtungswinkel verändern, der beispielsweise bei Radarsensoren in Kraftfahrzeugen hinsichtlich des Vorbeifahrens und dergleichen auch als äußerst relevant angesehen werden kann. Hierunter fällt insbesondere auch der Effekt sich bewegender Reflexionsschwerpunkte und dergleichen. So wurde beispielsweise beobachtet, dass für einen einer Kante entsprechenden Reflexionsbereich sich der Reflexionsschwerpunkt, also die Stelle höchster Amplitude, bei sich veränderndem Betrachtungswinkel entlang der Kante bewegt. Es sind auch komplexere Veränderungen der Reflexionsverteilungen denkbar, beispielsweise sprunghafte Verlagerungen dieser Teilbereiche stärkster Reflexion. Nachdem sich derartige Verhalten zumindest teilweise auch übertragen lassen, lassen sich Schlussfolgerungen auch auf Objekte ziehen, die aus weniger Betrachtungswinkeln aufgenommen wurden.
  • Wie bereits erwähnt, kann eine Ausgestaltung der vorliegenden Erfindung auch vorsehen, dass die Auswertung und/oder die Ermittlung der Reflexionsinformation unter Verwendung eines Algorithmus der künstlichen Intelligenz, insbesondere von Deep Learning, erfolgt. Werkzeuge der künstlichen Intelligenz, beispielsweise neuronale Netze, tiefe neuronale Netze und dergleichen, sind besonders geeignet, Zusammenhänge in einer großen Datenmenge, hier den Basis-Radardaten, festzustellen und insbesondere auch verfügbar zu machen. Bevorzugt gehen dabei in das vorzunehmende Maschinenlernen auch Zusatzinformationen, insbesondere die (gegebenenfalls annotierten) Kameradaten ein, da dann ein entsprechender Lernalgorithmus auch Zuordnungen treffen kann, die beispielsweise die Begrenzungen eines Reflexionsbereichs betreffen, beispielsweise hinsichtlich einer Kante, an der sich ein Hauptreflexionszentrum entlang bewegt. Gegebenenfalls kann ein trainierter Algorithmus der künstlichen Intelligenz, beispielsweise ein neuronales Netz, bzw. ein diesen parametrierender Parametersatz auch einen Teil der Reflexionsinformation bilden.
  • Ein hauptsächliches Anwendungsgebiet der Radarinformationen, insbesondere im automotiven Bereich, ist die Simulation von Objekten einer beispielsweise einer Verkehrssituation entsprechenden Szene, beispielsweise im Rahmen der Entwicklung und/oder des Überprüfens von Fahrzeugfunktionen, insbesondere Fahrzeugfunktionen der vollständig automatischen Fahrzeugführung. Hier wie auch in anderen Anwendungsgebieten, bei denen es auf eine möglichst realistische, aber wenig aufwändige, insbesondere in Echtzeit durchführbare Erzeugung von Radar-Erscheinungsbildern geht, kann ein entsprechender „Input“ bzw. eine entsprechende Simulation mithilfe der Radarinformationen vorteilhaft eingesetzt werden. Dabei sei an dieser Stelle noch angemerkt, dass die Reflexionsinformationen bevorzugt so gestaltet sind, dass damit Radar-Erscheinungsbilder im Sinne einer Kombination von Reflexionsverteilungen für die einzelnen Reflexionsbereiche in unterschiedlichen Ausgabeformaten erzeugt werden können, beispielsweise als elektromagnetische Feldverteilung an einer Antennenanordnung eines simuliert messenden Radarsensors genauso wie als empfangene Radar-Rohdaten, analog und/oder digital, die sie von Antennenelementen einer Antennenanordnung des Radarsensors empfangen würden.
  • Neben dem Ermittlungsverfahren betrifft die vorliegende Erfindung auch ein Verfahren zur Simulation eines Messvorgangs eines bildgebenden messenden Radarsensors, umfassend folgende Schritte:
    • - Bereitstellen von gemäß einem erfindungsgemäßen Ermittlungsverfahren ermittelten Radarinformationen,
    • - Zusammenstellen einer wenigstens ein Objekt einer Objektklasse, für die Radarinformationen vorliegen, beinhaltenden Szene in einem simulierten Erfassungsbereich des Radarsensors und von zu simulierenden des wenigstens einen Parameters,
    • - Durchführen der Simulation unter Ermittlung von Reflexionsverteilungen für die Reflexionszonen des wenigstens einen Objekts unter Verwendung der Radarinformationen und des wenigstens einen zu simulierenden Parameters.
  • Bezüglich der Radarinformation lassen sich alle Ausführungen zum Ermittlungsverfahren selbstverständlich analog auf das Simulationsverfahren übertragen. Das Simulationsverfahren kann bevorzugt in eine Simulationsumgebung/Gesamtsimulation eingebettet sein, die beispielsweise die Simulation anderer Sensorwahrnehmungen der Szene und/oder eine weitere Verarbeitung der im Rahmen der Simulation entstehenden Radardaten, insbesondere im Hinblick auf eine durchzuführende Funktion einer Gesamtvorrichtung, umfassen kann. Dabei wird eine bevorzugt bereits vorhandene Echtzeitfähigkeit der Simulationsumgebung bevorzugt beibehalten, was analog für eine hohe Realitätstreue gilt. Je nachdem, inwieweit die Funktionen des Radarsensors selbst, insbesondere bezogen auf Hardware und/oder Softwarebestandteile, vorhanden sind, können aus den Radarinformationen geeignete Eingangsdaten für diese gegebenenfalls zu testenden und/oder zu überprüfenden Bestandteile des Radarsensors erzeugt werden. Dabei sind im Übrigen auch Ausgestaltungen denkbar, in denen der Radarsensor vollständig simuliert wird, mithin im Rahmen der Simulation aus den Reflexionsverteilungen für die Reflexionsbereiche, also das Radar-Erscheinungsbild, Radardaten erzeugt werden, die auch von einem real existierenden Radarsensor ausgegeben würden.
  • Die Radarinformationen werden bei der bevorzugt in Echtzeit durchführbaren Radarsimulation also dazu genutzt, naturgetreue Reflexionen auf Objekten der Objektklassen, für die Radarinformationen zur Verfügung stehen und die Teil der Szene bilden sollen, zu generieren. Bevorzugt können diese naturgetreuen Reflexionen, also das Radar-Erscheinungsbild, der Simulation ortsgenau zur Verfügung gestellt werden, wozu beispielsweise Raytracing-Algorithmen eingesetzt werden können. Bevorzugt können, wie dargelegt, die Reflexionsverteilungen in den relevanten Reflexionsbereichen, und somit das Radar-Erscheinungsbild, nach einfachen Regeln und einfachen mathematischen Beziehungen über die im Rahmen der Simulation gegebenen Parameter, insbesondere umfassend den Abstand vom simuliert messenden Radarsensor zum virtuellen Objekt und den Betrachtungswinkel, berechnet werden, insbesondere bezüglich Dichte, Amplitude und Verteilung der Reflexionen in den Reflexionszonen. Somit wird zusammenfassend ein hinreichend naturgetreues Radarsimulationsmodell in gesamtheitliche Simulationsumgebungen (Simulationstools) integriert, das in der Lage ist, in Echtzeit relevante Reflexionsmuster auf vorher klassifizierten Objekten zu generieren.
  • Dabei ist es bei Simulationen zur Überprüfung und/oder Entwicklung von Funktionen für Gesamtvorrichtungen, insbesondere Fahrzeugfunktionen, besonders vorteilhaft, wenn bei Verwendung von wenigstens einem das Objekt beschreibenden Parameter bevorzugt wenigstens ein Extremfall, insbesondere bezüglich schwerer Detektierbarkeit, abgegriffen wird. Derartige Extremfälle, die auch als „Boundary Samples“ bezeichnet werden können, stellen die die entstehenden simulierten Radardaten auswertenden Funktionen vor besonders große Herausforderungen, stellen mithin hochrelevante Prüfungsfälle für die Beurteilung der Leistungsfähigkeit der Funktion dar. Die Möglichkeit zur Parametrierung der Objekte der Objektklasse selbst stellt entsprechende Hilfsmittel mithin zur Verfügung.
  • Wie bereits angedeutet, kann mit besonderem Vorteil ein Raytracing-Algorithmus zur Ermittlung des Strahlverlaufs von dem messenden Radarsensor zu dem wenigstens einen Objekt verwendet werden. Dabei erlaubt die Ausgestaltung der Radarinformationen, welche ja gesamte Reflexionsverteilungen für die einzelnen Reflexionsbereiche liefern, die besonders vorteilsbehaftete Ausgestaltung, wonach nur jeweils ein Strahl für jede vermessbare Reflexionszone, insbesondere zu deren Zentrum, berechnet wird, wobei die Reflexionsverteilungen passgenau zu den jeweiligen Strahlen bestimmt werden. Insbesondere können mithin aus derartigen reflexionsbereichsspezifischen Strahlen auch Parameter folgen, um die Reflexionsverteilungen korrekt zu berechnen, beispielsweise Betrachtungswinkel für die Reflexionszonen selbst und dergleichen. Existieren also beispielsweise für ein Objekt nur vier bis acht (aus dem Betrachtungswinkel des virtuell messenden Radarsensors sichtbare) Reflexionsbereiche, ist es für den Raytracing-Algorithmus vollkommen ausreichend, vier bis acht Reflexionsverläufe, also für jeden Reflexionsbereich einen, zu berechnen, was eine weitere deutliche Vereinfachung in der Simulationsumgebung darstellt.
  • In vorteilhafter Weiterbildung der vorliegenden Erfindung kann vorgesehen sein, dass die Reflexionsverteilungen als ein reflektiertes Radarstrahlenfeld ermittelt werden und der Mess- und Verarbeitungsprozess in den Radarsensor, insbesondere umfassend eine schnelle Fourier-Transformation, wenigstens teilweise ebenso simuliert wird. Beispielsweise können also schnelle Fourier-Transformationen (FFT), wie sie in Radarsensoren üblicherweise eingesetzt werden, auf der Basis generierter elektromagnetischer Radarstrahlenfelddaten durchgeführt werden, was eine weitere Realitätstreue der Simulation mit sich bringt. Insbesondere werden hierdurch auch Effekte wie ein möglicherweise auftretendes Springen („Flicker“) der einzelnen Reflexionen naturgetreu abgebildet. Dabei sei jedoch darauf hingewiesen, dass es durchaus auch denkbar ist, Hardware- und/oder Softwarebestandteile des simuliert messenden Radarsensors zumindest teilweise vorzusehen und direkt zu nutzen, so dass hier keine Simulation stattfinden muss. Beispielsweise können als Teil eines Simulationssystems Signalgeneratoren eingesetzt werden, welche den Reflexionsverteilungen mit der bekannten Antennenanordnung des simuliert messenden Radarsensors entsprechende Analog- und/oder Digitalsignale erzeugen können.
  • Vorzugsweise kann die Simulation für mehrere Zeitschritte bei sich bewegendem Radarsensor und/oder sich bewegendem wenigstens einen des wenigstens einen Objekts durchgeführt werden. Radarsensoren werden häufig eingesetzt, um dynamische Vorgänge zu vermessen, bei denen entweder eine Bewegung des Radarsensors oder aber der Objekte in der Umgebung, in der Simulation abgebildet durch die Szene, vorliegen. Hierbei spielen Aspekte wie die Nachverfolgung von Reflexionszentren, Objekten als Ganzes und auch das Verhalten einzelner Reflexionshäufungen bzw. Reflexionspunkte bei Betrachtung unter unterschiedlichen Betrachtungswinkeln eine Rolle. Auch Derartiges lässt sich natürlich in eine die Radarinformationen nutzende Simulation einfließen, indem sich entsprechende, die Relativbewegung zwischen dem Radarsensor und wenigstens einem des wenigstens einen simulierten Objekts beschreibende Parameter über Zeitschritte hinweg ändern.
  • In diesem Fall werden mithin auch Effekte berücksichtigt, in denen Reflexionspunkte entlang von Kanten wandern oder dergleichen. Nachdem die Generierung von Radar-Erscheinungsbildern für simulierte Objekte mit geringem Rechenaufwand durchführbar ist, ist gerade bezüglich der Betrachtung solcher Zeitabläufe bei Bewegung auch eine Echtzeitfähigkeit der Simulation denkbar, bei der beispielsweise auch Darstellungen der sich verändernden Szene entsprechend erzeugt werden können. Es wird im Übrigen darauf hingewiesen, dass die Simulation selbst, beispielsweise wenn eine die Fahrzeugführung betreffende Fahrzeugfunktion entwickelt und/oder getestet werden soll, Vorgaben für Bewegungen und somit sich verändernde Parameter zur Erzeugung der Reflexionsverteilungen liefern kann, mithin Simulationsergebnisse in die Simulation bzw. deren zukünftige Zeitschritte rückgespeist werden können. Auch hier steht die Verwendung der Radarinformationen der Echtzeitfähigkeit nicht entgegen.
  • Bevorzugt kann der Messvorgang eines Radarsensors eines Kraftfahrzeugs simuliert werden, wobei als Szene eine Verkehrssituation zusammengestellt wird. Gerade im automotiven Bereich können, was Kraftfahrzeuge angeht, äußerst komplexe Verkehrssituationen als Szenen zusammengestellt und somit simuliert werden, um die Leistungsfähigkeit von Fahrzeugfunktionen feststellen zu können. Dabei ist es in diesem Zusammenhang zweckmäßig, wenn die Simulation des Messvorgangs in eine Gesamtsimulation (Simulationsumgebung) betreffend wenigstens einen weiteren Sensor des Kraftfahrzeugs und/oder wenigstens einen Aktor des Kraftfahrzeugs und/oder wenigstens ein Fahrzeugsystem des Kraftfahrzeugs eingebettet ist. Idealerweise ist die Simulationsumgebung dabei so realisiert, dass alle relevanten Komponenten des Kraftfahrzeugs, beispielsweise bei einer autonomes Fahren betreffenden Simulation, entweder simuliert werden oder sogar zumindest wenigstens teilweise als Hardware- und/oder Softwarekomponenten in ein entsprechendes Simulationssystem eingebunden werden. Dies ermöglicht äußerst realitätsgetreue Simulationen, die mit besonderem Vorteil, wie dargelegt, auch Grenzfälle überprüfen und abdecken können.
  • Die Reflexionsverteilungen können für wenigstens eine Eigenschaft des Radarsensors, insbesondere bezüglich dessen Auflösung, angepasst werden. Stimmen die für die Erzeugung der Basis-Radardaten verwendeten und simuliert messenden Radarsensoren, insbesondere bezüglich ihrer Antennenanordnung und/oder deren Nutzung, nicht überein, kann eine entsprechende Anpassung der Reflexionsverteilungen erfolgen, beispielsweise weniger bevorzugt ein Upgrading oder aber auch ein Downgrading. Ein solcher Fall ist insbesondere dann zweckmäßig, wenn auf einer Simulation basierende Basis-Radardaten und/oder unter perfekten Laborbedingungen bestimmte Basis-Radardaten verwendet werden, aber auch, wenn die Auswertung der Basis-Radardaten anderweitig genauere Informationen lieferte. Mit anderen Worten kann beispielsweise aufgrund der Tatsache, dass die erzeugten Reflexionsverteilungen in den Reflexionsbereichen auf Grundwahrheiten („ground truth“) basieren, eine Notwendigkeit vorliegen, die Auflösung, Amplitude und Reflexionsdichte entsprechend der Leistungsfähigkeit des Radarsensors, dessen Messvorgang simuliert wird, anzupassen. Dabei wird die Leistungsfähigkeit des simuliert messenden Radarsensors üblicherweise niedriger sein als die der Grundwahrheits-Simulation, so dass ein entsprechendes Downgrading vorgenommen werden kann. Entsprechend zu den Leistungsfähigkeitsparametern des simuliert messenden Radarsensors werden die Reflexionsverteilungen und somit das gesamte Radar-Erscheinungsbild gegebenenfalls entsprechend transformiert.
  • Neben der Nutzung der Radarinformationen für ein Simulationssystem ist es auch denkbar, diese beispielsweise im Hinblick auf eine Klassifizierung von Objekten im Messbetrieb von Radarsensoren, insbesondere im automotiven Einsatz, anzuwenden. Mithin betrifft die vorliegende Erfindung auch ein Klassifizierungsverfahren, nämlich konkret ein Verfahren zur Klassifizierung eines Objekts in gemessenen Radardaten eines Radarsensors in eine Objektklasse einer Gruppe mit wenigstens einer Objektklasse umfassend folgende Schritte:
    • - Bereitstellen von gemäß einem erfindungsgemäßen Ermittlungsverfahren ermittelten Radarinformationen für die Gruppe von Objektklassen,
    • - Auswertung der Radardaten zur Klassifizierung des Objekts umfassend einen Vergleich der gemessenen Radardaten mit aus den Reflexionsinformationen, insbesondere für bestimmbare des wenigstens einen Parameters für den Messprozess, hergeleiteten Vergleichsdaten.
  • Das erfindungsgemäße Klassifizierungsverfahren, für das selbstverständlich die anwendbaren Ausführungen bezüglich des Ermittlungsverfahrens und des Simulationsverfahrens entsprechend fortgelten, erlaubt mithin, das bei der Ermittlung der Radarinformation gesammelte Wissen auch in der Praxis auf tatsächliche Messergebnisse anzuwenden, wobei dieser Ausprägung der Erfindung der Gedanke zugrunde liegt, dass sich zumindest ein Teil der Parameter auch bei praktischen Messergebnissen bestimmen lässt, mithin aus den Radarinformationen grundsätzlich bekannt ist, wie ein Objekt einer bestimmten Objektklasse auszusehen hätte. Beispielsweise können aus den gemessenen Radardaten und/oder weiteren Sensordaten anderer Umgebungssensoren, insbesondere eines Kraftfahrzeugs, verschiedenste Parameter bekannt sein, beispielsweise auch hinsichtlich einer Einschränkung der möglichen Objektklassen. Bekannt bzw. ermittelbar sein können beispielsweise Parameter wie Abstand und Betrachtungswinkel zum zu klassifizierenden Objekt, Wetterverhältnisse und/oder zumindest grobe Eigenschaften des Objekts, beispielsweise bezüglich dessen Ausdehnung. Für verbleibende mögliche Objektklassen und/oder auch Parameter, die das Objekt beschreiben, können mithin Vergleichs-Radar-Erscheinungsbilder, allgemein gesagt Vergleichsdaten, ermittelt werden, wobei beispielsweise die Objektklasse und/oder Objektparameterwerte mit der höchsten Korrelation als Objektklasse und/oder Objektparameter des Objekts angenommen werden können und/oder Optimierungsansätze verwendet werden können. Prinzipiell handelt es sich auch im Rahmen des Klassifizierungsverfahrens um eine in Echtzeit durchgeführte Simulation basierend auf einer Annahme über Eigenschaften des zu klassifizierenden Objekts, die bei einer Übereinstimmung mit den tatsächlich gemessenen Radardaten die angenommenen Eigenschaften bestätigen kann.
  • Die Erfindung betrifft ferner ein Computerprogramm, welches die Schritte eines erfindungsgemäßen Verfahrens durchführt, wenn es auf einer Recheneinrichtung ausgeführt wird. Dabei kann es sich entsprechend um ein Ermittlungsprogramm, ein Simulationsprogramm und/oder ein Klassifizierungsprogramm handeln. Das Computerprogramm kann auf einem insbesondere nichttransienten, elektronisch lesbaren Datenträger, beispielsweise einer CD-ROM, gespeichert sein, welcher mithin elektronisch lesbare Steuerinformationen umfasst, die wenigstens ein erfindungsgemäßes Computerprogramm enthalten und bei Verwendung des Datenträgers in einer Recheneinrichtung ermöglichen, dass die Recheneinrichtung die Schritte des erfindungsgemäßen Verfahrens durchführt.
  • Schließlich betrifft die vorliegende Erfindung auch ein Berechnungssystem mit wenigstens einer Recheneinrichtung, welches zur Durchführung eines erfindungsgemäßen Verfahrens ausgebildet ist. Insbesondere handelt es sich dabei um ein Simulationssystem zur Durchführung eines erfindungsgemäßen Simulationsverfahrens, wobei bevorzugt das erfindungsgemäße Simulationsverfahren, wie bereits beschrieben, in eine Gesamtsimulation, mithin eine Simulationsumgebung, eingebettet ist. Das Simulationssystem kann Schnittstellen für insbesondere zu entwickelnde und/oder zu prüfende Hardware- und/oder Softwarekomponenten aufweisen, insbesondere Hardware- und/oder Softwarekomponenten des simuliert messenden Radarsensors, eines Fahrzeugsystems und dergleichen. Die Radarinformationen können dabei in einem Speichermittel des Simulationssystems abgespeichert sein. Im Allgemeinen kann ein erfindungsgemäßes Berechnungssystem verschiedene Funktionseinheiten aufweisen, um verschiedene Schritte des erfindungsgemäßen Verfahrens, ja nach konkreter Ausgestaltung, durchzuführen.
  • Konkret bezogen auf Anwendungen in einem Kraftfahrzeug kann ein Ausführungsbeispiel der vorliegenden Erfindung beispielsweise folgende Schritte zur Planung, Radarinformationsermittlung und Simulation aufweisen. Zunächst werden in einem ersten Schritt Objekte zusammengestellt, die für Verkehrssituationen als Szenen benötigt werden können, und diese Objekte werden in Objektklassen sortiert. So können beispielsweise Objektklassen für kleine Personenkraftwagen, große Personenkraftwagen, Lastkraftwagen mit und ohne Anhänger, Zweiradfahrer, gegebenenfalls aufgeteilt nach Kraftradfahrern und Fahrradfahrern, Fußgänger, Straßenbegrenzungsobjekte, Verkehrsschilder, Brücken, Tunnel und dergleichen entstehen. Für diese Objektklassen werden dann die Basis-Radardaten ermittelt und die Reflexionsbereiche definiert. Dabei sei angemerkt, dass auch im Allgemeinen, also unabhängig von der Anwendung für Kraftfahrzeuge, Kandidaten für Reflexionsbereiche auch aus Vorwissen über das Objekt gegebenenfalls vorher festgelegt werden können, beispielsweise auch aus parallel ermittelten Kameradaten des Objekts. Beispielsweise sind bezüglich eines Personenkraftwagens als Objekt bereits vorher abgrenzbare Unterbereiche der Oberfläche, beispielsweise Nummernschilder, Felgen, Radhäuser und dergleichen, feststellbar und als Kandidaten für Reflexionsbereiche verwendbar, um die Auswertung der (ggf. zweiten) Basis-Radardaten zur Identifikation und Lokalisierung der Reflexionsbereiche zu vereinfachen und zu unterstützen.
  • Die Basis-Radardaten zu den das Relevanzkriterium erfüllenden Reflexionsbereichen und die bekannten Parameter bei der Ermittlung der Basis-Radardaten können dann genutzt werden, um die Reflexionsinformationen zu ermitteln, insbesondere die mathematischen Zusammenhänge zwischen den Parametern und den entstehenden Reflexionsverteilungen für die einzelnen Reflexionsbereiche. Insbesondere kann in diesem Zusammenhang auch Deep Learning eingesetzt werden. Dabei sei angemerkt, dass die Basis-Radardaten letztlich als eine Datenbank aufgefasst werden können, die insbesondere bei Messung reale physikalische Objekte enthält, denen Parameter und Radar-Messergebnisse zugeordnet sind, sowie gegebenenfalls weitere Informationen. Gemäß der weiteren Informationen kann bereits in dieser Datenbank von Basis-Radardaten eine Definition von insbesondere das Relevanzkriterium erfüllenden Reflexionsbereichen mit entsprechenden Reflexionsverteilungen zugeordnet werden.
  • Die Auswertung von Basis-Radardaten hinsichtlich der Reflexionsbereiche kann bevorzugt schrittweise erfolgen, so dass beispielsweise zunächst für einen Teil der auf bestimmte Objekte bezogenen Basis-Radardatensätze eine, wenigstens teilweise manuelle, Aufteilung bzw. Identifikation und Lokalisierung der Reflexionsbereiche erfolgt, wonach für weitere Objekte Maschinenlernen eingesetzt werden kann, um gemäß der durch die in den ersten Basis-Radardaten, insbesondere den Vermessungsdaten, vorliegende Markierung gegebenen Grundwahrheit die Reflexionsbereiche auch in Basis-Radardatensätzen weiterer Objekte auffinden zu können. Letztendlich entsteht durch ein Vorgehen dieser Art eine Objektbibliothek bzw. Objektdatenbank, in der die Objekte, zugeordnete Parameter, die gelernten Reflexionsbereiche und die zugeordneten Reflexionsverteilungen gespeichert sind, was eine hervorragende Grundlage für die dann folgende Ermittlung der Reflexionsinformation, insbesondere konkreter mathematischer Zusammenhänge, darstellt.
  • Die insbesondere wenigstens teilweise manuelle Identifikation und Lokalisierung von Reflexionsbereichen, die insbesondere das Reflexionskriterium erfüllen, kann dabei besonders zweckmäßig in den bereits diskutierten Vermessungsdaten erfolgen. Es sei angemerkt, dass es durchaus auch denkbar ist, die Reflexionsbereiche, beispielsweise für die Vermessungsdaten, automatisch, beispielsweise in Abhängigkeit des Relevanzkriteriums, zu ermitteln und gegebenenfalls nochmals durch einen menschlichen Nutzer überprüfen zu lassen, bevor diese dem Maschinenlernen, insbesondere Deep Learning, zugrunde gelegt werden.
  • Weitere Vorteile und Einzelheiten der vorliegenden Erfindung ergeben sich aus den im Folgenden beschriebenen Ausführungsbeispielen sowie anhand der Zeichnungen. Dabei zeigen:
    • 1 einen Ablaufplan eines Ausführungsbeispiels eines erfindungsgemä-ßen Ermittlungsverfahrens,
    • 2 eine Skizze zur möglichen Definition der Lage von Reflexionsbereichen auf einer Bounding-Box,
    • 3 einen Ablaufplan eines Ausführungsbeispiels eines erfindungsgemä-ßen Simulationsverfahrens,
    • 4 eine Skizze zur Ermittlung eines Radar-Erscheinungsbildes unter Nutzung von Radarinformationen,
    • 5 eine die Prinzipien der vorgenannten Ausführungsbeispiele zusammenfassende Prinzipdarstellung, und
    • 6 eine Prinzipskizze eines erfindungsgemäßen Simulationssystems.
  • 1 zeigt einen Ablaufplan eines Ausführungsbeispiels eines erfindungsgemäßen Ermittlungsverfahrens, in dem also für wenigstens eine Objektklasse, hier mehrere auf Verkehrssituationen bezogene Objektklassen, zur Berechnung von Radar-Erscheinungsbildern von Objekten der Objektklassen geeigneten Radarinformationen ermittelt werden. Derartige Objektklassen, die zur simulatorischen Darstellung von Verkehrssituationen benötigt werden, können beispielsweise verschiedene Klassen für Kraftfahrzeuge (kleine Personenkraftwagen, große Personenkraftwagen, Lastkraftwagen, Transporter, ...), Objektklassen für Umgebungsobjekte (Brücken, Verkehrsschilder, Leitplanken, ...), weitere Verkehrsteilnehmer (Zweiradfahrer, Fußgänger, ...) und dergleichen umfassen. Im Folgenden soll als konkretes Beispiel eine Vorgehensweise bei einer Objektklasse für Personenkraftwagen diskutiert werden.
  • Dazu werden in einem Schritt S1 zunächst Vermessungsdaten als erste Basis-Radardaten aufgenommen. Die Vermessungsdaten beziehen sich auf wenigstens einen konkreten Personenkraftwagen als Objekt der Objektklasse, wobei auch mehrere Personenkraftwagen herangezogen werden können, die als Objekt durch unterschiedliche Parameter, beispielsweise Größe, Reflexionsstärke und dergleichen, beschrieben werden können. Diese Personenkraftwagen werden nun im Schritt S1 gezielt unter Laborbedingungen durch einen Radarsensor, für den später auch die Radarinformationen bei einer Simulation bzw. Klassifizierung geeignet sein sollen, vermessen, wobei die Messumstände beschreibende Parameter, hier konkret wenigstens der Abstand zwischen dem Radarsensor und dem Objekt und der Betrachtungswinkel, variiert werden, wobei auch weitere Parameter, die die Messumstände beschreiben, variiert werden können, beispielsweise das Dämpfungsverhalten auf dem Weg, die Sendestärke des Radarsensors und dergleichen. Konkret kann vorgesehen werden, den Radarsensor beispielsweise in 5°-Schritten des Betrachtungswinkels, zumindest in einer horizontalen Ebene, teilweise gegebenenfalls auch in wenigstens einer vertikalen Ebene, um das aktuelle Objekt, also einen bestimmten Personenkraftwagen, zu bewegen. Die Vermessungsdaten werden dabei selbstverständlich mit den zugeordneten Parametern, sowohl den objektbezogenen als auch den messumstandsbezogenen Parametern, gespeichert. Die Vermessungsdaten werden als erste Basis-Radardaten gespeichert.
  • In einem Schritt S2 werden die Vermessungsdaten manuell und/oder automatisch analysiert, mithin ausgewertet, um Reflexionsbereiche auf dem Objekt, hier also einem Personenkraftwagen, aufzufinden, die ein Relevanzkriterium erfüllen, beispielsweise mindestens eine Mindestreflexionsstärke aufweisen. Hierzu kann eine manuelle Sichtung der Vermessungsdaten vorgenommen werden, wobei die entsprechenden Reflexionsbereiche manuell markiert werden können; es ist jedoch auch die Verwendung eines Algorithmus denkbar, wobei die algorithmischen Ergebnisse dann dennoch durch einen menschlichen Nutzer nochmals überprüft und gegebenenfalls angepasst werden können. Durch diese Vorgehensweise wird letztlich das Objekt physikalisch auf die für die Radarbildgebung relevanten Reflexionsbereiche reduziert.
  • Bei einem Personenkraftwagen hat es sich beispielsweise gezeigt, dass Felgen, Radhäuser, Nummernschilder, Leuchten, Ecken und Kanten relevante Reflexionsbereiche, von denen starke Radarreflexionen empfangen werden, darstellen können, während die Radarreflexionen von dem restlichen Kraftfahrzeug deutlich weniger relevant sind. Für jeden der so identifizierten relevanten Reflexionsbereiche liegt durch die Vermessung mit dem Radarsensor nun auch eine Reflexionsverteilung bzw. ein Reflexionsmuster vor, so dass mithin jedem auf ein Objekt bezogenen Basis-Radardatensatz der Vermessungsdaten eine Grundwahrheit nebst entsprechenden Parametern zugeordnet werden kann, wobei die Grundwahrheit vorliegend die Lage der relevanten Reflexionsbereiche und deren Reflexionsverteilungen umfasst. Den Reflexionsbereichen sind bevorzugt auch insbesondere manuelle Annotationen zugeordnet, beispielsweise während Identifikation als „Nummernschild“, „Felge“ und dergleichen.
  • In einem Schritt S3, der selbstverständlich auch bereits vor und/oder während der Schritte S1 und S2 durchgeführt werden kann, werden in großer Menge zweite Basis-Radardaten von Objekten der Objektklasse, hier Personenkraftwagen, aufgenommen. Dies kann beispielsweise und bevorzugt dadurch geschehen, dass Radardaten von gemeinsam mit einer Kamera an einer Straße verbauten Radarsensoren, insbesondere bau- und betriebsgleich mit dem zur Aufnahme der Vermessungsdaten verwendeten Radarsensor, genutzt werden, um über die Zeit zweite Basis-Radardaten von Objekten in verschiedenen Verkehrssituationen aufzunehmen, wobei selbstverständlich unterschiedlichste Betrachtungswinkel, Abstände und Objekte auftreten. Nachdem parallel auch Kameradaten mit der Kamera aufgenommen werden, ist es möglich, nicht nur Parameter der Objekte und/oder auf die Messumstände bezogene Parameter zu bestimmen und den zweiten Basis-Radardaten entsprechend zuzuordnen, sondern auch bereits Kandidatenbereiche für die relevanten Reflexionsbereiche zu bestimmen, nachdem beispielsweise Nummernschilder und dergleichen auch in Kameradaten bereits erkennbar sein können.
  • In einem Schritt S4 wird die im Schritt S2 ermittelte Grundwahrheit (Reflexionsbereiche für bestimmte Objekte) genutzt, um die relevanten Reflexionsbereiche auch für die durch die zweiten Basis-Radardaten beschriebenen Objekte aufzufinden. Dabei kann mit besonderem Vorteil Maschinenlernen, insbesondere Deep Learning, eingesetzt werden. Als Ergebnis entsteht eine Bibliothek von Basis-Radardatensätzen für unterschiedliche Objekte und Parameter, denen jeweils die Lage der relevanten Reflexionsbereiche zugeordnet ist, für die aus den entsprechenden Radardaten dann auch Reflexionsverteilungen vorliegen; Radardaten, die von Oberflächenanteilen außerhalb der relevanten Reflexionsbereiche stammen, müssen hierbei nicht unbedingt gespeichert werden.
  • Diese Bibliothek bzw. Datenbank von Basis-Radardatensätzen wird in einem schritt S5 nun genutzt, um eine Radarinformation zu ermitteln, die geeignet ist, Radar-Erscheinungsbilder für allgemeine, durch Parameter beschriebene Objekte der Objektklasse zu ermitteln. Die Radarinformation enthält dabei zum einen die Lage der Reflexionsbereiche, gegebenenfalls abhängig von auf das Objekt bezogenen Parametern, und Reflexionsinformationen für jeden dieser Reflexionsbereiche, wobei aus den Reflexionsinformationen die Reflexionsverteilung in dem Reflexionsbereich insgesamt, abhängig von den die Messumstände und das Objekt beschreibenden Parametern, hergeleitet werden können. Letztlich wird dabei, wobei gegebenenfalls wiederum Maschinenlernen eingesetzt werden kann, Statistik betrieben, indem aus den Reflexionsbereichen und ihren zugeordneten Reflexionsverteilungen für die unterschiedlichen Parameter, wie sie in den Basis-Radardatensätzen enthalten sind, mathematische Zusammenhänge gesucht werden, die insbesondere die Parameter in Zusammenhang zu den entstehenden Reflexionsverteilungen setzen. Dabei werden bevorzugt funktionale Zusammenhänge bestimmt, wobei es auch denkbar ist, beispielsweise trainierte neuronale Netze oder dergleichen bereitzustellen.
  • Mit anderen Worten ermöglicht es die im Schritt S5 entstehende und zur weiteren Verwendung zu speichernde Radarinformation, nach Vorgabe von auf die Messumstände bezogenen Parametern und idealerweise auch ein zu simulierendes Objekt beschreibenden Parametern ein realitätsgetreues Radar-Erscheinungsbild mit geringem Rechenaufwand herzuleiten.
  • 2 erläutert eine im Verfahren der 1 einsetzbare Möglichkeit, um die Lage der relevanten Reflexionsbereiche zu codieren. In dieser speziellen Ausgestaltung wird eine Bounding-Box 1 verwendet, beispielsweise eine rechteckige Bounding-Box 1, die das gedachte Objekt, hier einen Personenkraftwagen, umfassen könnnte, auf deren Oberfläche die Lage der relevanten Reflexionsbereiche 2, 3 beschrieben werden kann, wobei vorliegend beispielhaft relevante Reflexionsbereiche 2 für Nummernschilder und relevante Reflexionsbereiche 3 für Felgen gezeigt sind. In der Praxis können relevante Reflexionsbereiche beispielsweise so ausgewählt werden, dass von einem bestimmten Betrachtungswinkel her vier bis acht relevante Reflexionsbereiche für das Objekt existieren, für die aufgrund der Reflexionsinformation Reflexionsverteilungen ermittelt werden müssen, um eine möglichst naturgetreue Simulation eines Messvorgangs mit einem simuliert messenden Radarsensor zu ermöglichen.
  • 3 erläutert diesbezüglich ein Ausführungsbeispiel eines erfindungsgemäßen Simulationsverfahrens. Dort werden in einem Schritt S6 die in dem Ermittlungsverfahren gemäß 1 ermittelten Radarinformationen bereitgestellt. In einem Schritt S7 wird eine eine Verkehrssituation wiedergebende Szene aus Objekten zusammengestellt, die Objektklassen angehören, für die eine Radarinformation vorliegt. Ein gedachtes Kraftfahrzeug mit seinem simuliert messenden Radarsensor und insbesondere auch weiteren Umgebungssensoren/Fahrzeugsystemen wird relativ zu der Szene platziert, woraus diverse auf die Messumstände bezogene Parameter folgen. Um nun zu ermitteln, was der simuliert messende Radarsensor misst, werden in einem Schritt S8 die Radarinformationen für die Parameter der entsprechenden Objekte der Szene sowie die die Messumstände beschreibende Parameter genutzt, um Reflexionsverteilungen für alle Reflexionsbereiche der Objekte, die aufgrund der Betrachtungsrichtung wahrgenommen werden können, mithin ein Radarerscheinungsbild des jeweiligen Objekts, zu ermitteln, wozu entsprechend die mathematischen, insbesondere funktionalen Zusammenhänge genutzt werden.
  • Der Radarsensor selbst kann dabei ebenso, insbesondere umfassend die Durchführung einer schnellen Fourier-Transformation, wenigstens teilweise simuliert werden, wobei das Radar-Erscheinungsbild der jeweiligen Objekte idealerweise als reflektiertes Strahlenfeld an der Antennenanordnung des simuliert messenden Radarsensors aus den Radarinformationen ermittelt wird. Denkbar ist es selbstverständlich auch, wenigstens teilweise Hardware- und/oder Softwarekomponenten an ein Simulationssystem, das die Simulation durchführt, anzuschließen, dem das entsprechend erzeugte Radar-Erscheinungsbild zugeführt wird, beispielsweise durch analoge und/oder digitale Signalerzeuger.
  • Das hier dargestellte Ausführungsbeispiel nutzt einen Raytracing-Algorithmus, wobei vorliegend nur eine Zahl an Strahlen berechnet werden muss, die der Zahl der Reflexionsbereiche, die aus dem Betrachtungswinkel sichtbar sind, entspricht. Das bedeutet, für jeden der Reflexionsbereiche an dem wenigstens einen Objekt der Szene wird ein einziger Strahl berechnet, beispielsweise bezogen auf das Zentrum des entsprechenden Reflexionsbereichs, was den Aufwand deutlich reduziert.
  • Bei solchen Simulationen werden im Übrigen zweckmäßigerweise wenigstens für einen Teil der Szenen bzw. Objekte Grenzfälle verwendet, die aufgrund der das Objekt beschreibenden Parameter möglich sind. Grenzfälle betreffen dabei insbesondere schwer detektierbare Sonderfälle, beispielsweise Objekte, deren Reflektivität insgesamt oder in bestimmten Reflexionsbereichen äußerst niedrig ist. Dies kann in der konkreten Ausgestaltung des Objektes, aber auch im Verschmutzungsgrad begründet sein.
  • Das Simulationssystem, das das bezüglich 3 beschriebene Ausführungsbeispiel des erfindungsgemäßen Simulationsverfahrens verwendet, simuliert dabei vorzugsweise ganze zeitliche Abläufe, in denen eine Relativbewegung zwischen dem (gedacht von einem Kraftfahrzeug getragenen) simuliert messenden Radarsensor und wenigstens einem des wenigstens einen simulierten Objekts der Szene auftritt. So kann ein simuliertes Objekt beispielsweise ein auf einer Straße entgegenkommender Verkehrsteilnehmer sein, wobei der gesamte Passiervorgang simuliert wird. Nachdem die hergeleiteten einfachen und auf ganze Reflexionsbereiche bezogenen mathematischen Zusammenhänge echtzeitfähig sind, ist diesbezüglich keine Echtzeitbegrenzung gegeben.
  • Wie bereits erwähnt, kann die durch die Verfahrensschritte S6 bis S8 gegebene Simulation in eine Gesamtsimulation 4, die in 3 ebenso angedeutet ist, eingebunden sein. In der Gesamtsimulation werden dann insbesondere auch weitere Umgebungssensoren des Kraftfahrzeugs bezüglich der Szene simuliert, wobei zudem Fahrzeugsysteme simuliert und/oder genutzt werden, die insbesondere zu entwickeln und/oder zu testen/zu überprüfen sind. Beispielsweise kann sich die Gesamtsimulation 4 auf eine Fahrzeugfunktion zur vollständig automatischen Führung des Kraftfahrzeugs beziehen. Hierbei kann zweckmäßigerweise eine Schnittstelle von dem Simulationssystem zu einem entsprechenden Fahrzeugsystem bzw. Teilkomponenten desselben bestehen, so dass beispielsweise komplett ausgestaltete Steuergeräte mit Hardware- und/oder Softwarekomponenten, die getestet und/oder überprüft und/oder entwickelt werden sollen, in das Simulationssystem eingebunden werden können. Dabei ist es möglich und bevorzugt, Simulationsergebnisse, insbesondere also Steuerdaten der Fahrzeugfunktion, in die Simulation rückzukoppeln und somit komplette Verkehrssituationen unter Berücksichtigung der entsprechenden Reaktionen des Kraftfahrzeugs durchzusimulieren, um beispielsweise die Fahrzeugfunktion bewerten zu können.
  • 4 illustriert die Ermittlung eines Radar-Erscheinungsbilds 5 an dem simuliert messenden Radarsensors 6 nochmals schematisch. Als Objekt 7 wird dabei ein Personenkraftwagen betrachtet, wobei als relevante Reflexionsbereiche 8 vorliegend beispielhaft die obere Kante 9, die Scheinwerfer 10 und das Nummernschild 11 gezeigt sind. Für jeden dieser Reflexionsbereiche 8 wird mithilfe der Reflexionsinformationen eine Reflexionsverteilung entsprechend den die Messbedingungen und das Objekt 7 beschreibenden Parametern ermittelt, welche dann, wie gezeigt, am Ort des simuliert messenden Radarsensors 6 zu dem Radar-Erscheinungsbild 5 zusammengesetzt werden.
  • 5 zeigt schematisch zusammengefasst nochmals Prinzipien der vorliegenden Erfindung. Dabei wird ausgehend von erste Basis-Radardaten 12 bildenden Vermessungsdaten 13, wie beschrieben, durch wenigstens teilweise manuelle und/oder wenigstens teilweise automatische Vorgänge für die dort entsprechenden Labor-Objekte gemäß dem Pfeil 14 ein „ground truth“-Datensatz, also eine Grundwahrheit 15, erzeugt. Die Vermessungsdaten 13 gemeinsam mit der Grundwahrheit 15 und zweiten Basis-Radardaten 16 gehen dann in einen Algorithmus 17 der künstlichen Intelligenz ein, der Maschinenlernen, hier Deep Learning, betreibt, um die relevanten Reflexionsbereiche in allen Basis-Radardatensätzen und somit allen Objekten aufzufinden. Hieraus kann gemäß dem Pfeil 18 dann, wie beschrieben, die Radarinformation 19 bestimmt werden, welche auch als ein Radarsimulationsmodell aufgefasst werden kann, wobei auch hierzu wenigstens teilweise Maschinenlernen eingesetzt werden kann, um beispielsweise die insbesondere funktionalen Zusammenhänge oder auch trainierte neuronale Netze herzuleiten.
  • Aus diesem Radarsimulationsmodell können zur Verwendung in einer Gesamtsimulation 4 geeignete Radar-Erscheinungsbilder 5 abgeleitet werden.
  • 6 zeigt schließlich schematisch die Grundstruktur eines erfindungsgemäßen Berechnungssystems 20. Das Berechnungssystem 20 enthält vorliegend wenigstens zwei Recheneinrichtungen 21, 22, wobei die Recheneinrichtung 21 zur Durchführung der Ermittlung der Radarinformation aus Basis-Radardaten ausgebildet ist, mithin Teil eines Ermittlungssystems 23 bildet. Die ermittelte Radarinformation kann in einer Speichereinrichtung 24 gespeichert werden und somit der zweiten Recheneinrichtung 22 bereitgestellt werden, mit der ein erfindungsgemäßes Simulationsverfahren und in diesem Fall sogar eine Gesamtsimulation 4 durchgeführt werden kann.
  • Das Speichermittel 24 und die Recheneinrichtung 22 bilden somit Teil eines Simulationssystems 25, welches auch Schnittstellen 26 zum Anschluss tatsächlicher Hardware- und/oder Softwarekomponenten des simulierten Radarsensors 6, von weiteren Umgebungssensoren und/oder von Fahrzeugsystemen aufweisen kann. Insbesondere können dabei Steuergeräte von Fahrzeugsystemen angeschlossen werden.
  • Dabei sei darauf hingewiesen, dass es in konkreten Ausführungsbeispielen auch denkbar ist, dass wenigstens eine der Schnittstellen 26 zu einem Bussystem eines real existierenden Kraftfahrzeugs führen kann, wo mithin simulierte Radardaten und/oder Sensordaten anderer Umgebungssensoren als natürliche Nachrichten auf den Bus gegeben werden können und entsprechenden Steuergeräten/sonstigen Komponenten der Fahrzeugsysteme zugänglich gemacht werden können.
  • Es sei abschließend noch angemerkt, dass die Radarinformation 19 im Übrigen auch im Rahmen eines Klassifizierungsalgorithmus für Objekte in real gemessenen Radardaten genutzt werden kann, wie oben bereits beschrieben.
  • 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
    • GB 2451615 A [0006]
    • DE 112016000274 T5 [0007]
    • DE 102017119538 A1 [0008]

Claims (20)

  1. Verfahren zur Ermittlung einer das Radar-Erscheinungsbild (5) von Objekten (7) wenigstens einer Objektklasse in Abhängigkeit von wenigstens einem das Objekt (7) und/oder einen Messumstand beschreibenden Parameter beschreibenden Radarinformation (19), umfassend folgende Schritte: -Aufnahme von Basis-Radardaten (12, 16) mehrerer Objekte (7) der Objektklasse bei bekanntem oder ermittelbarem wenigstens einen Parameter mit wenigstens einem bildgebenden Radarsensor und/oder Ermittlung von Basis-Radardaten (12, 16) mehrerer Objekte (7) der Objektklasse aus einer Simulation, insbesondere einer Finite-Elemente-Simulation, - Auswertung der Radardaten zur Ermittlung von räumlich abgrenzbaren Reflexionsbereichen (2, 3, 8) von Objekten (7) der Objektklasse, denen bestimmte Reflexionseigenschaften zuordenbar sind, und - Zusammenstellung der Radarinformation (19) umfassend die Lage der Reflexionsbereiche (2, 3, 8) an Objekten (7) der Objektklasse und jedem Reflexionsbereich (2, 3, 8) zugeordnet eine zur Ermittlung einer Reflexionsverteilung für den gesamten Reflexionsbereich (2, 3, 8) in Abhängigkeit von dem wenigstens einen Parameter geeignete Reflexionsinformation.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in der Radarinformation (19) nur Reflexionsbereiche (2, 3, 8) gespeichert werden, bei denen ein insbesondere das Vorliegen einer Mindestreflexionsstärke überprüfendes Relevanzkriterium erfüllt ist.
  3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass als auf die Messumstände bezogene Parameter wenigstens ein Abstand eines messenden Radarsensors zu dem Objekt (7) und/oder ein Winkel des messenden Radarsensors zu dem Objekt (7) und/oder ein Dämpfungsverhalten auf dem Strahlenweg zu und von dem Objekt (7), insbesondere Wetterverhältnisse, und/oder wenigstens eine Eigenschaft von dem messenden Radarsensor gesendeter Radarstrahlung verwendet werden und/oder als auf das Objekt (7) bezogene Parameter eine Größe des Objekts (7) und/oder ein Verschmutzungsgrad des Objekts (7) und/oder eine mittlere Reflexionsstärke des Objekts (7) verwendet werden.
  4. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass zusätzlich zu den Basis-Radardaten (12, 16) Kameradaten der Objekte (7) aufgenommen werden, wobei die Kameradaten bei der Ermittlung der Reflexionsbereiche (2, 3, 8), insbesondere von deren Begrenzungen, und/oder wenigstens eines des wenigstens einen Parameters berücksichtigt werden, und/oder die Reflexionsbereiche (2, 3, 8) aufgrund der Kameradaten und/oder manuell als bestimmte Bereiche des Objekts (7) identifiziert werden, was als Teil der Radarinformation (19) abgelegt wird.
  5. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Objektklassen bezüglich beim Betrieb eines Kraftfahrzeugs auftretender Objekte (7) gewählt werden.
  6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass als die wenigstens eine Objektklasse wenigstens eine Personenkraftwagenklasse und/oder wenigstens eine Lastkraftwagenklasse und/oder eine Fußgängerklasse und/oder eine Brückenklasse und/oder eine Leitplankenklasse verwendet werden.
  7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass bei einer Personenkraftwagenklasse und/oder einer Lastkraftwagenklasse einem Nummernschild (11) und/oder einem Radhaus und/oder einer Felge und/oder einer Karosseriekante (9) und/oder einem Rand entsprechende Reflexionsbereiche (2, 3, 8) ermittelt werden.
  8. Verfahren nach einem der Ansprüche 6 bis 8, dadurch gekennzeichnet, dass die Basis-Radardaten (12, 16) durch wenigstens einen Radarsensor eines betriebenen Kraftfahrzeugs und/oder einen an einer Stra-ße fest installierten Radarsensor gemessen werden.
  9. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass zusätzlich zu den Basis-Radardaten (12, 16) und/oder als Teil der Basis-Radardaten (12, 16) für wenigstens ein Objekt (7) der wenigstens einen Objektklasse in einem vordefinierten Messvorgang für unterschiedliche Parameter, insbesondere unterschiedliche Winkel und Abstände, Vermessungsdaten (13) mit wenigstens einem Radarsensor aufgenommen werden.
  10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass in den als erste Basis-Radardaten (12) verwendeten Vermessungsdaten (13) wenigstens teilweise manuell und/oder wenigstens teilweise automatisch als eine Grundwahrheit (15) insbesondere das Relevanzkriterium erfüllende Reflexionsbereiche (2, 3, 8) bestimmt werden, wobei zur Identifikation und Lokalisierung der Reflexionsbereiche (2, 3, 8) in weiteren, zweiten Radar-Basisdaten (16) Maschinenlernen, insbesondere unter Verwendung eines Algorithmus (17) der künstlichen Intelligenz, verwendet wird.
  11. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass als Reflexionsinformation ein mathematischer, insbesondere funktionaler, Zusammenhang zwischen wenigstens einem des wenigstens einen Parameters und der Reflexionsverteilung ermittelt wird.
  12. Verfahren zur Simulation eines Messvorgangs eines bildgebenden, messenden Radarsensors (6), umfassend folgende Schritte: - Bereitstellen von gemäß einem Verfahren nach einem der Ansprüche 1 bis 11 ermittelten Radarinformationen (19), - Zusammenstellen einer wenigstens ein Objekt (7) einer Objektklasse, für die Radarinformationen (19) vorliegen, beinhaltenden Szene in einem simulierten Erfassungsbereich des Radarsensors (6) und von zu simulierenden des wenigstens einen Parameters, - Durchführen der Simulation unter Ermittlung von Reflexionsverteilungen für die Reflexionsbereiche (2, 3, 8) des wenigstens einen Objekts (7) unter Verwendung der Radarinformationen (19) und des wenigstens einen zu simulierenden Parameters.
  13. Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass ein Raytracing-Algorithmus zur Ermittlung des Strahlverlaufs von dem simuliert messenden Radarsensor (6) zu dem wenigstens einen Objekt (7) verwendet wird, wobei nur jeweils ein Strahl für jeden vermessbaren Reflexionsbereich (2, 3, 8), insbesondere zu deren Zentrum, berechnet wird, wobei die Reflexionsverteilungen passgenau zu den jeweiligen Strahlen bestimmt werden.
  14. Verfahren nach Anspruch 12 oder 13, dadurch gekennzeichnet, dass die Reflexionsverteilungen als ein reflektiertes Radarstrahlenfeld ermittelt werden und der Mess- und Verarbeitungsprozess in dem simuliert messenden Radarsensor (6), insbesondere umfassend eine schnelle Fouriertransformation, wenigstens teilweise ebenso simuliert wird.
  15. Verfahren nach einem der Ansprüche 12 bis 14, dadurch gekennzeichnet, dass die Simulation für mehrere Zeitschritte bei sich bewegendem simuliert messenden Radarsensor (6) und/oder sich bewegendem wenigstens einen des wenigstens einen simulierten Objekts (7) durchgeführt wird.
  16. Verfahren nach einem der Ansprüche 12 bis 15, dadurch gekennzeichnet, dass der Messvorgang eines simuliert messenden Radarsensors (6) eines Kraftfahrzeugs simuliert wird, wobei als Szene eine Verkehrssituation zusammengestellt wird.
  17. Verfahren nach Anspruch 16, dadurch gekennzeichnet, dass die Simulation des Messvorgangs in eine Gesamtsimulation (4) betreffend wenigstens einen weiteren Sensor des Kraftfahrzeugs und/oder wenigstens einen Aktor des Kraftfahrzeugs und/oder wenigstens ein Fahrzeugsystem des Kraftfahrzeugs eingebettet ist.
  18. Verfahren zur Klassifizierung eines Objekts (7) in gemessenen Radardaten eines Radarsensors in eine Objektklasse einer Gruppe mit wenigstens einer Objektklasse, umfassend folgende Schritte: - Bereitstellen von gemäß einem Verfahren nach einem der Ansprüche 1 bis 11 ermittelten Radarinformationen (19) für die Gruppe von Objektklassen, - Auswertung der Radardaten zur Klassifizierung des Objekts (7) umfassend einen Vergleich der gemessenen Radardaten mit aus den Reflexionsinformationen, insbesondere für bestimmbare des wenigstens einen Parameters für den Messprozess, hergeleiteten Vergleichsdaten.
  19. Computerprogramm, welches die Schritte eines Verfahrens nach einem der vorangehenden Ansprüche durchführt, wenn es auf einer Recheneinrichtung (21, 22) ausgeführt wird.
  20. Berechnungssystem (20) mit wenigstens einer Recheneinrichtung (21, 22), ausgebildet zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 18, insbesondere Simulationssystem (25) zur Durchführung eines Verfahrens nach einem der Ansprüche 12 bis 17.
DE102019130096.7A 2019-11-07 2019-11-07 Verfahren zur Ermittlung einer Radarinformation, Simulationsverfahren, Klassifizierungsverfahren, Computerprogramm und Berechnungssystem Pending DE102019130096A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102019130096.7A DE102019130096A1 (de) 2019-11-07 2019-11-07 Verfahren zur Ermittlung einer Radarinformation, Simulationsverfahren, Klassifizierungsverfahren, Computerprogramm und Berechnungssystem

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102019130096.7A DE102019130096A1 (de) 2019-11-07 2019-11-07 Verfahren zur Ermittlung einer Radarinformation, Simulationsverfahren, Klassifizierungsverfahren, Computerprogramm und Berechnungssystem

Publications (1)

Publication Number Publication Date
DE102019130096A1 true DE102019130096A1 (de) 2021-05-12

Family

ID=75583745

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019130096.7A Pending DE102019130096A1 (de) 2019-11-07 2019-11-07 Verfahren zur Ermittlung einer Radarinformation, Simulationsverfahren, Klassifizierungsverfahren, Computerprogramm und Berechnungssystem

Country Status (1)

Country Link
DE (1) DE102019130096A1 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021210464A1 (de) 2021-09-21 2023-03-23 Continental Autonomous Mobility Germany GmbH Verfahren und System zur Simulation von Eigenschaften eines Radarsensors
CN116520270A (zh) * 2023-07-04 2023-08-01 四川天中星航空科技有限公司 一种基于评估模型的雷达电子战测试方法
DE102022204013A1 (de) 2022-04-26 2023-10-26 Continental Autonomous Mobility Germany GmbH Verfahren zur Erzeugung künstlicher Daten

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112016000274T5 (de) * 2015-10-22 2017-10-12 Uniquesec Ab System zum Generieren virtueller Radarsignaturen
DE102017210964A1 (de) * 2017-06-28 2019-01-03 Astyx Gmbh Verfahren zur Objektklassifikation mit polarimetrischen Radardaten und geeignete Vorrichtung hierfür

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112016000274T5 (de) * 2015-10-22 2017-10-12 Uniquesec Ab System zum Generieren virtueller Radarsignaturen
DE102017210964A1 (de) * 2017-06-28 2019-01-03 Astyx Gmbh Verfahren zur Objektklassifikation mit polarimetrischen Radardaten und geeignete Vorrichtung hierfür

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021210464A1 (de) 2021-09-21 2023-03-23 Continental Autonomous Mobility Germany GmbH Verfahren und System zur Simulation von Eigenschaften eines Radarsensors
DE102022204013A1 (de) 2022-04-26 2023-10-26 Continental Autonomous Mobility Germany GmbH Verfahren zur Erzeugung künstlicher Daten
CN116520270A (zh) * 2023-07-04 2023-08-01 四川天中星航空科技有限公司 一种基于评估模型的雷达电子战测试方法
CN116520270B (zh) * 2023-07-04 2023-09-05 四川天中星航空科技有限公司 一种基于评估模型的雷达电子战测试方法

Similar Documents

Publication Publication Date Title
DE102014223363B4 (de) Verfahren und Vorrichtung zur Lokalisation eines Kraftfahrzeugs in einer ortsfesten Referenzkarte
EP3438901A1 (de) Testfahrtszenario-datenbanksystem für realitätsnahe virtuelle testfahrtszenarien
DE102019102205A1 (de) System und verfahren zur end-to-end-validierung von autonomen fahrzeugen
DE102018121019A1 (de) Erweitern von realen sensoraufzeichnungen mit simulierten sensordaten
DE102014208009A1 (de) Erfassen von statischen und dynamischen Objekten
DE112016000274T5 (de) System zum Generieren virtueller Radarsignaturen
DE102019130096A1 (de) Verfahren zur Ermittlung einer Radarinformation, Simulationsverfahren, Klassifizierungsverfahren, Computerprogramm und Berechnungssystem
DE102011117585A1 (de) Systeme und Verfahren zum Verfolgen von Objekten
DE102012004396A1 (de) Verfahren und Vorrichtung zum Erfassen von Objekten in einer Umgebung eines Fahrzeugs
DE102021128704A1 (de) Verfahren und System zur Augmentierung von LIDAR-Daten
DE102021002798A1 (de) Verfahren zur kamerabasierten Umgebungserfassung
DE102019215903A1 (de) Verfahren und Vorrichtung zum Erzeugen von Trainingsdaten für ein Erkennungsmodell zum Erkennen von Objekten in Sensordaten eines Sensors insbesondere eines Fahrzeugs, Verfahren zum Trainieren und Verfahren zum Ansteuern
DE102019124504A1 (de) Verfahren und Vorrichtung zur Simulation und Bewertung eines Sensorsystems für ein Fahrzeug sowie Verfahren und Vorrichtung zum Entwurf eines Sensorsystems zur Umfelddetektion für ein Fahrzeug
DE102021104044A1 (de) Neuronales netzwerk zur positionsbestimmung und objektdetektion
DE102020128978A1 (de) Trainieren von tiefen neuronalen netzwerken mit synthetischen bildern
DE102020214596A1 (de) Verfahren zum Erzeugen von Trainingsdaten für ein Erkennungsmodell zum Erkennen von Objekten in Sensordaten einer Umfeldsensorik eines Fahrzeugs, Verfahren zum Erzeugen eines solchen Erkennungsmodells und Verfahren zum Ansteuern einer Aktorik eines Fahrzeugs
WO2020126167A1 (de) Verfahren zur erkennung von mindestens einem muster in einer umgebung eines fahrzeugs, steuergerät zum ausführen eines solchen verfahrens, sowie fahrzeug mit einem solchen steuergerät
WO2019162317A1 (de) Verfahren zur erzeugung von sensordaten für sicherheitskritische automobil-steuergeräte
DE102017122440A1 (de) Verfahren zum Lokalisieren und Weiterbilden einer digitalen Karte durch ein Kraftfahrzeug; Lokalisierungseinrichtung
DE102019220069A1 (de) Verlässlichere Klassifikation von Radardaten aus dynamischen Szenerien
WO2023099066A1 (de) Simulation zur validierung einer automatisierenden fahrfunktion für ein fahrzeug
DE102020200876B4 (de) Verfahren zum Verarbeiten von Sensordaten einer Sensorik eines Fahrzeugs
DE102018217268A1 (de) Vorrichtung und Verfahren zum Ermitteln von Höheninformationen eines Objekts in einer Umgebung eines Fahrzeugs
WO2022251890A1 (de) Verfahren und system zum testen eines fahrerassistenzsystems für ein fahrzeug
DE102008055932A1 (de) Verfahren zur modellbasierten Simulation eines Verhaltens eines Sensors

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication