DE102020130829A1

DE102020130829A1 - Online-radarphasenkalibrierung durch messungen der statischen umgebung

Info

Publication number: DE102020130829A1
Application number: DE102020130829.9A
Authority: DE
Inventors: Nir Dvorecki; Leor Banin; Yuval Amizur; Yaniv Frishman
Original assignee: Intel Corp
Current assignee: Intel Corp
Priority date: 2019-12-27
Filing date: 2020-11-22
Publication date: 2021-07-01
Also published as: US11609305B2; CN113050049A; US20200132812A1

Abstract

Eine Vorrichtung, umfassend eine Gruppenantenne, umfassend eine Mehrzahl von Antennen zum Empfangen einer Mehrzahl von Radarsignalen, die durch eine Mehrzahl von Objekten ansprechend auf ein übertragenes Radarsignal reflektiert wird; ein Doppler-Messmodul zum Bestimmen, für ein erstes reflektiertes Radarsignal der Mehrzahl von reflektierten Radarsignalen, einer ersten Doppler-Messung, die eine Geschwindigkeitskomponente basierend auf einem Vergleich des ersten reflektierten Radarsignals mit dem übertragenen Radarsignal anzeigt; ein Phasenversatz-Messmodul zum Bestimmen eines ersten Phasenversatzes des ersten reflektierten Radarsignals, das an einer ersten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu einer Phase des ersten reflektierten Radarsignals, das an einer Referenzantenne der Mehrzahl von Antennen empfangen wird; und ein Phasenversatz-Kalibrierungsmodul zum Bestimmen, für die erste Antenne, eines ersten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem ersten Phasenversatz.

Description

TECHNISCHES GEBIET
Diese Offenbarung bezieht sich im Allgemeinen auf den Bereich der Erfassungssysteme und genauer auf die Online-Radarphasenkalibrierung durch Messungen der statischen Umgebung.
HINTERGRUND
Ein Radarsystem kann ein Übertragungssystem, das elektromagnetische Wellen (z. B. Funkwellen) über eine oder mehrere Antennen überträgt, und ein Detektionssystem, umfassend eine Gruppe (array) von Antennen, (die die gleichen Antennen, die zur Übertragung der elektromagnetischen Wellen verwendet werden, sein können oder nicht), die von verschiedenen Objekten in der erfassten Umgebung reflektierte Wellen detektiert, umfassen.
Figurenliste

1 stellt eine Umgebung, umfassend ein Fahrzeug, umfassend ein Radarsystem, gemäß bestimmen Ausführungsbeispielen dar.
2 stellt den erwarteten Doppler von stationären Zielen als eine Funktion des Winkels des Ziels gemäß bestimmten Ausführungsbeispielen dar.
3 stellt ein Radarsystem zum Ausführen von Online-Radarphasenkalibrierung gemäß bestimmten Ausführungsbeispielen dar.
4 stellt einen Ablauf zur Kalibrierung von Phasenversätzen in einem Radarsystem gemäß bestimmten Ausführungsbeispielen dar.
5 ist eine vereinfachte Darstellung, die eine beispielhafte Autonomes-Fahren-Umgebung zeigt, gemäß bestimmten Ausführungsbeispielen.
6 ist ein vereinfachtes Blockdiagramm, das eine beispielhafte Implementierung eines Fahrzeugs (und eines entsprechenden bordeigenen Rechensystems) darstellt, das mit einer Autonomes-Fahren-Funktionalität ausgestattet ist, gemäß bestimmten Ausführungsbeispielen.
7 ist ein vereinfachtes Blockdiagramm, das beispielhafte Ebenen des autonomen Fahrens darstellt, die in verschiedenen Fahrzeugen (z. B. durch ihre entsprechenden bordeigenen Rechensysteme) unterstützt werden können, gemäß bestimmten Ausführungsbeispielen.
8 ist ein vereinfachtes Blockdiagramm, das einen beispielhaften Autonomes-Fahren-Ablauf darstellt, der in einigen Autonomes-Fahren-Systemen implementiert sein kann, gemäß bestimmten Ausführungsbeispielen.
9 ist eine beispielhafte Darstellung eines Prozessors gemäß bestimmten Ausführungsbeispielen.
10 stellt ein Rechensystem, das in einer Punkt-zu-Punkt- (PtP-; point-to-point) Konfiguration angeordnet ist, gemäß bestimmten Ausführungsbeispielen dar.

Gleiche Bezugszeichen und Bezeichnungen in den verschiedenen Zeichnungen zeigen gleiche Elemente an.
BESCHREIBUNG DER BEISPIELHAFTEN AUSFÜHRUNGSBEISPIELE
1 stellt eine Umgebung 100, umfassend ein Fahrzeug 102, umfassend ein Radarsystem 104, gemäß bestimmen Ausführungsbeispielen dar. Das Radarsystem 104 kann bei Operationen des Fahrzeugs helfen, indem es die Trennungswinkel zwischen dem Radarsystem 104 und verschiedenen Zielobjekten (z. B. 108, 110, 112, 114) innerhalb der Umgebung 100 des Fahrzeugs 102 bestimmt.
Die Umgebung 100 kann irgendeine Anzahl von stationären oder beweglichen Objekten umfassen. Bei dem dargestellten Beispiel umfasst die Umgebung 100 ein Objekt 108 (einen ersten Baum), ein Objekt 110 (einen zweiten Baum), ein Stoppschild 112 und ein anderes Fahrzeug 114. Bei diesem Beispiel sind die Objekte 108, 110 und 112 möglicherweise stationär, während sich das Objekt 114 möglicherweise bewegt. Eine Umgebung kann irgendeine Anzahl von stationären Objekten umfassen, beispielsweise Abschnitte einer Straße, auf der das Fahrzeug 102 sich bewegt, Laternenmasten, Straßenlaternen, Schilder, Büsche, Bäume, Gebäude, geparkte Fahrzeuge oder andere geeignete Objekte. Die Umgebung kann auch irgendeine Anzahl von sich bewegenden Objekten umfassen, wie beispielsweise andere Fahrzeuge, Fußgänger, Radfahrer, Motorradfahrer oder andere sich bewegende Objekte.
Wie dargestellt kann die Gruppenantenne des Radarsystems 104 eine Reihe von Antennen 106 umfassen, die in einer Linie mit gleicher Beabstandung zwischen den Antennen angeordnet sind (eine „gleichmäßige lineare Gruppe“). Bei dem dargestellten Ausführungsbeispiel ist eine lineare Gruppe von fünf Antennen 106 dargestellt, obwohl andere Ausführungsbeispiele irgendeine Anzahl von Antennen umfassen können, die in irgendwelchen geeigneten Distanzen voneinander beabstandet sind. Bei alternativen Ausführungsbeispielen können die Antennen 106 in einer Reihe angeordnet sein, mit ungleicher Beabstandung zwischen den Antennen (z. B. kann zumindest ein Paar benachbarter Antennen durch eine Distanz getrennt sein, der sich von einer Distanz unterscheidet, der ein unterschiedliches Paar benachbarter Antennen trennt). Bei einigen Ausführungsbeispielen kann die Gruppenantenne ein zweidimensionales Gitter von Antennen (z. B. mehrere lineare Gruppen), eine kreisförmige oder halbkreisförmige Anordnung von Antennen oder Antennen, die in irgendeiner anderen geeigneten Konfiguration angeordnet sind, umfassen.
Die Antennen können direktionale oder omnidirektionale Antennen sein, umfassend zum Beispiel Dipol-Antennen, Monopol-Antennen, Patch-Antennen, Schleifenantennen, Mikrostreifenantennen oder andere Arten von Antennen, die zur Übertragung von Radarsignalen geeignet sind (z. B. im Funk- oder Mikrowellen-Frequenzbereich).
Bei dem dargestellten Ausführungsbeispiel umfasst das Fahrzeug 102 eine vorwärtsgerichtete Gruppenantenne (z. B. eine Gruppenantenne, die an oder in der Nähe der Vorderseite eines Fahrzeugs positioniert ist, wobei die Vorderseite die normale Bewegungsrichtung des Fahrzeugs 102 bezeichnet). Bei anderen Ausführungsbeispielen kann eine Gruppenantenne an einer oder mehreren von der Vorderseite des Fahrzeugs, einer rechten Seite des Fahrzeugs, einer linken Seite des Fahrzeugs, der Rückseite des Fahrzeugs oder einer anderen geeigneten Stelle des Fahrzeugs platziert sein.
Jede Gruppenantenne kann ihre eigene Referenzantenne aufweisen, wobei die Referenzantenne irgendeine beliebige Antenne der Gruppe sein kann und wobei bestimmte Messungen, die durch die Antennen ausgeführt werden, im Hinblick auf eine ähnliche Messung durch die Referenzantenne bestimmt werden können (wie nachfolgend detaillierter beschrieben wird).
Im Betrieb kann das Radarsystem 104 ein Radarsignal (z. B. eine elektromagnetische Welle im Funk- oder Mikrowellenspektrum) übertragen und die Antennen 106 des Radarsystems 104 können jeweils das Radarsignal detektieren, das durch ein Zielobjekt ansprechend auf das übertragene Radarsignal reflektiert wird. Jede der Antennen empfängt eine unterschiedliche Phase des reflektierten Signals. Der Trennungswinkel zwischen dem Radarsystem 104 und dem Zielobjekt kann basierend darauf berechnet werden, wie die Phase über die Gruppenantenne fortschreitet (z. B. durch Messen der an jeder Antenne empfangenen Phasen). Um den Trennungswinkel auf diese Weise präzise zu bestimmen, ist eine genaue Messung der Phasen der an jeder Antenne empfangenen Signale wichtig. Einige Radarsysteme, die zur Verwendung in autonomen Fahrzeugen entworfen sind, arbeiten im 76-81 GHz-Band mit großen Gruppenantennen. Die kleine Wellenlänge und die zahlreichen eingesetzten Antennen bieten eine deutliche Steigerung der räumlichen Auflösung. Diese machen jedoch auch den Kalibrierungsprozess zwischen den Antennenphasen sehr schwierig.
Ungenaue Phasenmessungen können sich aus einer Anzahl von Faktoren ergeben, wie z. B. variierenden Längen der Antennen 106 in der Gruppe, Effekten aufgrund von Temperaturänderungen, Änderungen der Position der Antennen über die Zeit (z. B. könnte eine Delle im Fahrzeug die Phasenmessungen beeinträchtigen), anderen Entwurfsfaktoren oder anderen Umgebungsfaktoren. Die Phasenmessfehler, die sich aus solchen Faktoren ergeben, können das Bestimmen genauer Winkelauflösungen erschweren und/oder können bei solchen Messungen Verzerrungen verursachen.
Um einige dieser Faktoren zu berücksichtigen, kann eine Werkskalibrierung zu dem oder um den Zeitpunkt der Herstellung des Fahrzeugs 102 ausgeführt werden. Ein Beispiel einer solchen Kalibrierung kann eine Verwendung eines Ziels (z. B. eines Winkelreflektors) und ein Anpassen der Position des Ziels (wobei jede Position dem Kalibrierungssystem bekannt ist) und ein Beobachten der an jeder Position erhaltenen Phasen umfassen, um Anpassungen zu bestimmen, die ausgebildet sind, um an in Zukunft ausgeführten Phasenmessungen vorgenommen zu werden, um die Trennungswinkel genau zu berechnen. Eine Werkskalibrierung kann jedoch nicht alle potenziellen Fehlerquellen berücksichtigen (z. B. Temperaturveränderungen, Änderungen der Antennenposition oder Änderungen aufgrund von Antennenalterung). Loop-Back-Kalibrierungsansätze sind teuer, komplex und erfordern üblicherweise, dass das Radarsystem während des Kalibrierungsprozesses deaktiviert wird. Zusätzlich können solche Kalibrierungstechniken nicht alle Beeinträchtigungen, wie beispielsweise sich verändernde Phasenversätze, die in der Gruppenantenne selbst verursacht werden, vollständig berücksichtigen.
Einer der Hauptunterschiede zwischen den typischen Anwendungsszenarien von Autonomes-Fahrzeug- (AV, autonomous vehicle) Radaren und luftgestützten Radaren ist die Einbeziehung der statischen Umgebung. Stationäre Objekte wie beispielsweise stationäre Fahrzeuge, Schilder, Laternenmasten und sogar die Straße selbst können als beeinträchtigende Messungen betrachtet werden, die die erforderlichen Ziele (z. B. sich bewegende Fahrzeuge oder Fußgänger) zur Detektion durcheinanderbringen. Ein gängiger Ansatz ist, die statische Umgebung so weit wie möglich herauszufiltern, bevor die Detektion von sich bewegenden Zielobjekten ausgeführt wird.
Verschiedene Ausführungsbeispiele der vorliegenden Offenbarung können eine Online-Korrektur von Phasenversätzen zwischen den Antennen des Radarsystems für AV-Anwendungen bereitstellen. Anstatt die statische Umgebung herauszufiltern, können die statischen Objekte innerhalb der Umgebung 100 genutzt werden, um das Radar zu kalibrieren, während sich das Fahrzeug 102 bewegt. Beispielsweise können die statischen Objekte (z. B. 108, 110, 112) als Messquelle für die Phasenversätze zwischen den Antennen der Gruppe verwendet werden. Der von einem statischen Objekt gemessene Doppler ist proportional zu dem Sinus eines Winkels θ zwischen einer Achse senkrecht zu der Richtung des Fahrzeugs 102 und der Sichtlinie zu dem Objekt und der Phasenversatz zwischen den Antennen ist proportional zu dem Kosinus des gleichen Winkels θ, wird aber auch durch den unbekannten Kalibrierungsfehler verfälscht. Somit können zwei unterschiedliche Messungsarten verwendet werden, um den Winkel θ zu bestimmen: die direkte Winkelmessung basierend auf den Phasenversätzen zwischen Antennen (z. B. die Standard-Radarmessung) oder eine Winkelmessung basierend auf den durch die Antennen gemessenen Dopplern. Durch Vergleichen der Doppler-Messungen mit den Phasenmessungen können die Phasenversatz-Kalibrierungsfehler für die Antennen geschätzt werden. Üblicherweise weisen die Winkelmessungen, die basierend auf den Doppler-Messungen ausgeführt werden, ein relativ hohes Rauschen auf und sind nicht so genau wie die Winkelmessung unter Verwendung der Phasenversätze zwischen Antennen. Dementsprechend können bei einigen Ausführungsbeispielen die über eine Vielzahl von statischen Objekten in der Umgebung 100 durch das Radarsystem 104 gemessenen Doppler bei der Bestimmung von Kalibrierungsfehlern der Antennen 106 verwendet werden. Im Allgemeinen kann, wenn die Doppler-Messungen über eine breite Vielzahl von Zielobjekten ausgeführt werden, das Rauschen herausgefiltert werden, was zu geschätzten Kalibrierungsfehlern führt, die genauer sind, als wenn Doppler-Messungen für ein einzelnes Zielobjekt oder eine kleine Teilmenge von Zielobjekten ausgeführt werden. Auf diese Weise kann ein Kalibrierungsfehler für jede Antenne 106 in der Gruppe bestimmt werden, um Trennungswinkel-Messungen zu kalibrieren, die durch das Radarsystem 104 basierend auf über die Gruppe von Antennen 106 gemessenen Phasenversätzen ausgeführt werden.
Verschiedene Ausführungsbeispiele können einen oder mehrere technische Vorteile bereitstellen, wie beispielsweise eine Verbesserung der Genauigkeit und Zuverlässigkeit des Radarsystems 104 und die Fähigkeit, eine Kalibrierung auszuführen, ohne dass eine Werkskalibrierung erforderlich ist, was potenziell Zeit und Ausrüstung während der Herstellung und Installation spart.
Wie vorangehend beschrieben wurde, kann das Radarsystem 104 den Doppler des Signals messen, das durch Zielobjekte in der Umgebung 100 reflektiert wird. Wenn das Radarsignal übertragen wird und von einem Zielobjekt reflektiert wird, wird das reflektierte Signal an einer Antenne 106 bei einer leicht unterschiedlichen Frequenz zurück empfangen, wobei die Änderung der Frequenz des übertragenen Signals und des empfangenen Signals eine Funktion der Funkgeschwindigkeit ist. Wenn das Fahrzeug 102 gerade auf das Zielobjekt zu fährt, ist die Größe der Änderung der Frequenz direkt mit der Schnelligkeit des Fahrzeugs korreliert. Wenn sich das Fahrzeug 102 jedoch in einem Winkel zu dem Objekt bewegt, ist die Größe der Änderung der Frequenz eine Funktion des Winkels zwischen der Richtung, in die sich das Fahrzeugs 102 bewegt, und dem Sichtlinienvektor zu dem Zielobjekt.
2 stellt einen Graphen dar, der einen erwarteten Doppler von stationären Zielobjekten als eine Funktion des Winkels des Ziels gemäß bestimmten Ausführungsbeispielen darstellt. Der Graph geht davon aus, dass sich das Fahrzeug 102 (auch als Ego bezeichnet) mit einer Schnelligkeit von 15 m/s entlang der y-Achse bewegt. Wie in 1 dargestellt, ist die y-Achse definiert als die Achse, die sich durch die Bewegungsrichtung des Fahrzeugs 102 erstreckt. Die x-Achse ist definiert als die Achse, die sich senkrecht zu der y-Achse in gleicher Höhe wie die y-Achse erstreckt, z. B. kann die x-Achse die Achse links und rechts von dem Fahrzeug 102 sein. Der Winkel θ zwischen dem Radarsystem 104 und einem Zielobjekt ist definiert als der Winkel zwischen der x-Achse und der Sichtlinie von dem Radarsystem 104 (z. B. am Schnittpunkt der y-Achse und der x-Achse) zu dem Zielobjekt. Beispielsweise wird der Winkel θ für das Objekt 108 (den ersten Baum) durch Winkel 116 dargestellt und der Winkel für das Objekt 110 (den zweiten Baum) wird durch Winkel 118 dargestellt.
Wiederum Bezug nehmend auf 2 ist die Größe des erwarteten Dopplers von einem stationären Zielobjekt null für Objekte, die auf der x-Achse positioniert sind (d. h. einen θ von 0 oder 180 aufweisen). Der erwartete Doppler steigt, wenn θ von 0 auf ein Maximum (gleich der Geschwindigkeit des Fahrzeugs 102) bei 90 Grad steigt, und fällt dann, wenn θ von 90 Grad auf 180 Grad steigt. Der Wert des erwarteten Dopplers ist D_exp = S_r sin(θ_obj), wobei D_exp der erwartete Doppler ist, S_r die wahre Schnelligkeit des Radarsystems 104 entlang der y-Achse ist und θ_obj der Winkel zwischen der x-Achse und der Sichtlinie zum Zielobjekt ist.
Der gemessene Doppler von dem Ziel i ist gegeben durch: D_i = S_rsin(θ_i) + n_i, wobei D_i der gemessene Doppler ist, S_r die wahre Schnelligkeit des Radarsystems 104 entlang der y-Achse ist, θ_i der Winkel zwischen der Sichtlinie zu dem stationären Ziel i und der x-Achse ist und n_i ein Restrauschen-Term ist (der eine Größe basierend auf der Genauigkeit des Radars aufweist), dessen Verteilung üblicherweise als bekannt angesehen wird. Somit ist der gemessene Doppler gleich dem erwarteten Doppler plus einer Rauschkomponente.
Bei der Messung des an den Antennen 106 der Gruppe beobachteten Dopplers wird für alle Antennen der gleiche θ angenommen. Während der tatsächliche θ aufgrund der unterschiedlichen Positionen der Antennen leicht unterschiedlich sein kann, ist die Differenz im tatsächlichen Winkel vernachlässigbar und kann ignoriert werden. Bei einigen Ausführungsbeispielen kann der durch das Radarsystem 104 gemessene Winkel θ der Winkel im Hinblick auf irgendeinen geeigneten Punkt auf dem Radarsystem sein, wie z. B. die Mitte der Gruppe von Antennen, die Referenzantenne oder einen anderen geeigneten Punkt. Für ein bestimmtes Zielobjekt wird davon ausgegangen, dass der gemessene Doppler auf die gesamte Gruppe angewendet wird (d. h., jede Antenne beobachtet denselben Doppler). Die Doppler-Messung kann eine Geschwindigkeitskomponente basierend auf einem Vergleich des reflektierten Radarsignals mit dem übertragenen Radarsignal anzeigen. Um beispielsweise den Doppler für ein Zielobjekt zu bestimmen, kann das Radarsystem 104 eine Änderung der übertragenen Frequenz und der reflektierten Frequenz messen und kann dann diese Änderung der Frequenz in eine Änderung der Geschwindigkeit umwandeln (z. B. durch Multiplizieren der Änderung der Frequenz mit der Ausbreitungsschnelligkeit von Wellen in dem Medium (im Allgemeinen Luft für eine AV-Anwendung) und Dividieren durch die übertragene Frequenz). Die Änderung der Geschwindigkeit kann gleich der Radialgeschwindigkeit der Quelle minus der Radialgeschwindigkeit des Empfängers (die null ist, wenn das Zielobjekt stationär ist) sein und kann somit die Geschwindigkeit des Fahrzeugs in Richtung des Objekts sein.
Die Schnelligkeitsschätzung S_r des Radars entlang der y-Achse kann im Allgemeinen durch das Fahrzeug 102 mit einem hohen Grad an Genauigkeit (z. B. innerhalb einiger cm/s) bestimmt werden. Das Fahrzeug 102 kann irgendeinen geeigneten Sensor oder andere Informationen verwenden, um die Schnelligkeit zu bestimmen. Beispielsweise können Messungen von dem Radarsystem 104, einer oder mehreren Kameras, Lasersensoren, inertialen Messeinheiten, Globalen Positionierungssystemen (GPS; Global Positioning Systems) oder andere Messungen durch das Fahrzeug 102 zur Berechnung seiner Schnelligkeit verwendet werden.
Wenn die Gruppenantenne eine lineare gleichmäßige Gruppe entlang der x-Achse umfasst, wird die gemessene Phasendifferenz zwischen der Antenne Nummer k und der Referenzantenne (wo die Referenzantenne positioniert sein kann, z. B. am Schnittpunkt der x- und y-Achse) berechnet als: $δ ϕ_{i, k} = \frac{2 π d k}{λ} cos (θ_{i}) + β_{k},$
wobei d die Distanz zwischen jedem Paar benachbarter Antennen ist, λ die Trägerwellenlänge ist und β_k der Kalibrierungsphasenfehler zwischen den zwei Antennen ist. Somit ist $\frac{2 π d k}{λ} cos (θ_{i})$
der erwartete theoretische Phasenversatz zwischen der Referenzantenne und der betrachteten Antenne in der gleichmäßigen linearen Gruppe, ist aber nicht gleich dem tatsächlichen Phasenversatz, es sei denn, der Kalibrierungsphasenfehler ist gleich 0.
Wenn die Gruppenantenne eine lineare gleichmäßige Gruppe ist und die Referenzantenne in der Mitte der Gruppe ist, wird angenommen, dass der Wert von k an der Referenzantenne 0 ist, dass der Wert von k für eine Antenne, die in einer ersten Richtung benachbart zu der Referenzantenne ist, 1 ist, dass der Wert von k für die nächste Antenne in der ersten Richtung 2 ist und so weiter. Der Wert von k für die Antenne, die in der Richtung benachbart zu der Referenzantenne ist, die der ersten Richtung entgegengesetzt ist, ist -1, der Wert von k für die nächste Antenne in der der ersten Richtung entgegengesetzten Richtung ist -2, und so weiter. Alternativ kann die Referenzantenne (mit k = 0) als eine Antenne am Rand der Gruppenantenne gewählt werden, und der Wert von k kann für die Antennen in einer bestimmten Richtung monoton ansteigen (z. B. k = 1 für die Antenne benachbart zu der Referenzantenne, k = 2 für die nächste Antenne und so weiter).
Wenn die Gruppenantenne linear ist, aber die Distanzen zwischen Antennenpaaren ungleichmäßig sind, kann der dk-Term aus der obigen Gleichung durch die tatsächliche Distanz zwischen der Referenzantenne und der bestimmten Antenne, für die die Phasendifferenz gemessen wird, ersetzt werden. Wenn die Gruppe nicht linear ist (z. B. eine kreisförmige Gruppe), ist die Berechnung der Phasendifferenz zwischen einer bestimmten Antenne und einer Referenzantenne komplexer, kann aber durch einen Durchschnittsfachmann berechnet werden.
Für einen typischen AV-Anwendungsfall ist der erwartete Fehler in S_r in der Größenordnung von einigen cm/s und kann daher vernachlässigt werden. Somit können die Operationen, die verwendet werden, um θ in den oben aufgeführten Gleichungen für die gemessene Phasendifferenz und den gemessenen Doppler zu erhalten, einander gleichgesetzt werden und der Kalibrierungsversatzfehler kann isoliert werden und es kann nach diesem aufgelöst werden. Da die Doppler-Messung einen Rausch-Term umfasst, der die Doppler-Messung verzerren kann, können bei verschiedenen Ausführungsbeispielen die Doppler-Messungen über eine Mehrzahl von statischen Objekten ausgeführt werden, um den Effekt des Rausch-Terms n_i zu beseitigen oder zumindest drastisch zu begrenzen. Anders ausgedrückt kann der Winkel θ unter Verwendung von Doppler-Messungen über eine Mehrzahl von statischen Zielobjekten geschätzt werden, und dann kann dieser geschätzte θ verwendet werden, um den Phasenversatz-Kalibrierungsfehler zu schätzen, denn wenn der erwartete θ bekannt ist, dann ist der erwartete Phasenversatz bekannt und kann mit der gemessenen Phase verglichen werden, um den Phasenversatz-Kalibrierungsfehler zu bestimmen.
Bei einem Ausführungsbeispiel, bei dem die Gruppenantenne eine gleichmäßige lineare Gruppe ist, ist eine Schätzung des Phasenversatz-Kalibrierungsfehlers für eine bestimmte Antenne k durch die Plug-in-Schätzung gegeben: ${\hat{β}}_{k} = \frac{1}{N} Σ_{i} δ ϕ_{i . k} - \frac{2 π d k}{λ} cos (a r c s i n (\frac{D_{i}}{S_{r}})),$
wobei N die Anzahl der gemessenen Zielobjekte ist, δϕ_i,k die tatsächliche gemessene Phasendifferenz (relativ zu der Referenzantenne) an der Antenne k für Objekt i ist und D_i der tatsächliche gemessene Doppler für Objekt i ist. Wenn die Gruppenantenne eine nichtlineare Gruppe ist, kann der dk-Term durch die tatsächliche Distanz zwischen der Referenzantenne und der Antenne k ersetzt werden. Wenn die Gruppenantenne eine unterschiedliche Form aufweist, kann die Gleichung für den Phasenkalibrierungsfehler dementsprechend modifiziert werden.
In der Tat kann ein Radarsystem 104, das einen Phasenversatz-Kalibrierungsfehler gemäß dieser Gleichung bestimmt, Phasenversatz- und Doppler-Messungen über alle der detektierten Objekte in der Umgebung für eine bestimmte Antenne k ausführen, den Phasenversatz-Kalibrierungsfehler für jedes Paar von Messungen für ein Objekt berechnen und dann den Durchschnitt der berechneten Phasenversatz-Kalibrierungsfehler ermitteln, um den Phasenversatzkalibrierungsfehler für eine bestimmte Antenne zu bestimmen. Bei anderen Ausführungsbeispielen kann der Phasenversatz-Kalibrierungsfehler basierend auf berechneten Phasenversatz-Kalibrierungsfehlern irgendeiner Anzahl von Paaren von Messungen für die Antenne k bestimmt werden. Beispielsweise kann die Schätzung des Kalibrierungsfehlers einen getrimmten Mittelwert verwenden, wobei ein oder mehrere Ausreißer-Kalibrierungsfehler (z. B. die minimalen 10 % und die maximalen 10 %), die für bestimmte Objekte in der Umgebung berechnet werden, verworfen werden und die verbleibenden Kalibrierungsfehler miteinander gemittelt werden, um den finalen Phasenversatz-Kalibrierungsfehler zu bestimmen. Als ein anderes Beispiel kann der Medianwert der Phasenversatz-Kalibrierungsfehler für die verschiedenen Objekte als der finale Phasenversatz-Kalibrierungsfehler ausgewählt werden.
Bei einem Ausführungsbeispiel können Objekte, die detektiert und als sich bewegende Objekte bestimmt werden, herausgefiltert und bei der Berechnung des Phasenversatz-Kalibrierungsfehlers gemäß dem Vorangehenden nicht berücksichtigt werden. Im Allgemeinen kann die Anzahl statischer Objekte in einer Umgebung jedoch eine oder mehrere Größenordnungen größer sein als die Anzahl sich bewegender Objekte. Dies liegt im Allgemeinen daran, dass die statischen Messungen in allen möglichen Bereichen (z. B. vom Boden) auftreten, während die sich bewegenden Ziele in der Entfernungs-/Doppler-Karte spärlich sind. Selbst wenn die aus sich bewegenden Objekten berechneten Phasenversatz-Kalibrierungsfehler in dem Satz von Messungen umfasst sind, der während der Bestimmung des finalen Phasenversatz-Kalibrierungsfehlers berücksichtigt wird, sind einfache robuste Filter der Phasenversatz-Kalibrierungsfehlermessungen wie beispielsweise diejenigen, die vorangehend beschrieben wurden, ausreichend, um mit diesem Verfahren eine gute Performance zu erreichen. Da es viel mehr Messungen von statischen Zielen gibt, können die vorangehend beschriebenen Verfahren den erforderlichen Phasenversatz-Kalibrierungsfehler sogar bei Vorhandensein von anderen sich bewegenden Objekten robust schätzen.
Obwohl die obigen Beispiele Operationen für eine vorwärtsgerichtete Gruppenantenne berücksichtigen, können die Operationen für eine seitwärtsgerichtete oder rückwärtsgerichtete Gruppenantenne angepasst werden. Wenn die Gruppenantenne nicht an der Vorderseite des Fahrzeugs ist, dann kann der θ-Term in der obigen Gleichung für die gemessene Phasendifferenz dementsprechend modifiziert werden. Wenn die Gruppenantenne z. B. an der rechten Seite des Fahrzeugs ist (z. B. in Richtung der positiven Seite der x-Achse gerichtet), dann wird der θ-Term in der gemessenen Phasendifferenzgleichung zu π/2+θ, wenn die Gruppenantenne nach links gerichtet ist, wird der θ-Tenn zu θ-π/2, und wenn die Gruppenantenne an der Rückseite ist, wird der θ-Term zu π + θ.
3 stellt ein Radarsystem 104 zum Ausführen von Online-Radarphasenkalibrierung gemäß bestimmten Ausführungsbeispielen dar. Das Radarsystem 104 umfasst ein Übertragungsmodul 302 zum Erzeugen und Übertragen eines Radarsignals über eine Umgebung, z. B. eines Fahrzeugs, wie z. B. eines autonomen Fahrzeugs. Das Radarsystem 104 umfasst ferner eine Gruppenantenne 304, die eine Mehrzahl von Antennen (z. B. Antennen 106) umfassen kann. Eine oder mehrere dieser Antennen können verwendet werden, um das Radarsignal über die Umgebung zu übertragen. Alternativ können eine oder mehrere unterschiedliche Antennen zur Übertragung des Radarsignals verwendet werden.
Das Empfängermodul 306 kann eine Schaltungsanordnung umfassen, die bei dem Empfang durch die Antennen der Gruppenantenne 304 von Radarsignalen, die durch Objekte der Umgebung reflektiert werden, helfen kann. Beispielsweise kann das Empfängermodul 306 die empfangenen Signale zur weiteren Verarbeitung verstärken. Der Speicher 308 kann irgendeinen geeigneten flüchtigen oder nichtflüchtigen Speicher zum Speichern von Daten umfassen, die durch irgendwelche der Module des Radarsystems 104 verwendet werden, wie z. B. Zwischen- oder Endergebnisse.
Das Doppler-Messmodul 310 kann eine Doppler-Messung für jedes reflektierte Signal von einem Objekt der Umgebung bestimmen. Das Phasenversatz-Messmodul 312 kann für jedes reflektierte Signal und für jede Antenne der Gruppe 304, abgesehen von einer Referenzantenne, einen Phasenversatz des reflektierten Signals relativ zu einer Phase des reflektierten Signals, das an der Referenzantenne empfangen wird, bestimmen.
Das Schnelligkeits-Identifikationsmodul 314 ist wirksam zum Bestimmen einer Schnelligkeit des Fahrzeugs 102. Das Schnelligkeits-Identifikationsmodul 314 kann die Schnelligkeit aus den empfangenen Radarsignalen detektieren oder kann mit anderen Sensoren oder Modulen des Fahrzeugs kommunizieren, um die Schnelligkeit des Fahrzeugs zu bestimmen.
Das Phasenversatz-Kalibrierungsmodul 316 ist wirksam, um Phasenversatz-Kalibrierungsfehler für die Antennen der Gruppenantenne 304 basierend auf den Doppler- und Phasenversatz-Messungen zu bestimmen. Die Phasenversatz-Kalibrierungsfehler können auch auf der Schnelligkeit des Fahrzeugs basieren.
Das Winkelbestimmungsmodul 318 ist wirksam, um Winkel der reflektierten Signale (und somit die Winkel der zugeordneten Objekte) basierend auf den Phasenversatz-Messungen und den bestimmten Phasenversatz-Kalibrierungsfehlern zu bestimmen. Beispielsweise kann der Phasenversatz-Kalibrierungsfehler für eine bestimmte Antenne von dem Phasenversatz subtrahiert werden, der an der bestimmten Antenne für ein reflektiertes Signal von einem bestimmten Objekt gemessen wird, um einen kalibrierten Phasenversatz zu bestimmen. Dieser kalibrierte Phasenversatz kann zusammen mit anderen ähnlichen kalibrierten Phasenversätzen für die anderen Antennen der Gruppe 304 berücksichtigt werden, um den Winkel des Objekts zu bestimmen. Ähnliche Operationen können für irgendwelche geeigneten Objekte wiederholt werden, für die gemessene Winkel gewünscht sind.
4 stellt einen Ablauf 400 zur Kalibrierung von Phasenversätzen in einem Radarsystem gemäß bestimmten Ausführungsbeispielen dar. Einige oder alle der Operationen des Ablaufs können beispielsweise durch ein Radarsystem 104, eine andere geeignete Logik eines autonomen Fahrzeugs oder eine andere geeignete Logik ausgeführt werden. Bei 402 wird ein Radarsignal übertragen. Bei 404 werden reflektierte Radarsignale empfangen. Die Radarsignale können durch eine Mehrzahl von Objekten innerhalb eines Bereichs des übertragenen Radarsignals reflektiert werden.
Bei 406 werden Doppler-Messungen auf den reflektierten Radarsignalen ausgeführt. Bei 408 werden Phasenversätze der reflektierten Radarsignale gemessen. Bei 410 wird eine Schnelligkeit der Gruppenantenne (die z. B. die gleiche wie die Schnelligkeit eines Fahrzeugs, das die Gruppenantenne umfasst, sein kann) bestimmt.
Bei 412 werden Phasenversatz-Kalibrierungsfehler für die Antennen der Gruppe basierend auf den gemessenen Dopplern, den gemessenen Phasenversätzen und der identifizierten Schnelligkeit bestimmt. Bei 414 können die gemessenen Phasenversätze gemäß den bestimmten Phasenversatz-Kalibrierungsfehlern angepasst werden. Bei 416 werden Winkel eines oder mehrerer Objekte basierend auf den angepassten Phasenversätzen bestimmt.
Der in 4 beschriebene Ablauf stellt lediglich Operationen oder Kommunikationen dar, die bei einigen Ausführungsbeispielen auftreten können. Bei anderen Ausführungsbeispielen können zusätzliche Operationen oder Kommunikationen in dem Ablauf ausgeführt werden. Verschiedene Ausführungsbeispiele der vorliegenden Offenbarung betrachten irgendwelche geeigneten Signalgebungsmechanismen zur Erfüllung der hierin beschriebenen Funktionen. Einige der in 4 dargestellten Operationen können gegebenenfalls wiederholt, kombiniert, modifiziert oder gelöscht werden. Zusätzlich können Operationen in irgendeiner geeigneten Reihenfolge ausgeführt werden, ohne vom Schutzbereich verschiedener Ausführungsbeispiele abzuweichen.
5-10 stellen beispielhafte Umgebungen dar, in denen verschiedene Aspekte der vorliegenden Offenbarung arbeiten können, oder verschiedene Komponenten, die zur Ausführung der hierin beschriebenen Operationen verwendet werden können. Zum Beispiel irgendeines der Module (z. B. kann 302, 304, 306, 308, 310, 312, 314, 316 oder 318 durch einen Prozessor implementiert sein, wie beispielsweise Straßenrand-Rechenvorrichtungen (z. B. 540), Fog- oder Cloud-basierte Rechensysteme (z. B. 550), Prozessor 602, 900, 1070 oder 1080, System 610, Rechensystem 1000 oder eine andere geeignete Kombination von Schaltungsanordnungen (was in einigen Fällen ein computerlesbares Medium umfassen kann, mit Anweisungen für eine Ausführung von verschiedenen hierin beschriebenen Operationen). Als ein anderes Beispiel können irgendwelche der nachfolgend beschriebenen Sensoren verwendet werden, um die hierin angedeuteten Sensordaten zu sammeln. Als ein anderes Beispiel kann das Radarsystem 104 in Verbindung mit irgendeinem hierin beschriebenen Fahrzeug integriert oder verwendet werden.
Bei verschiedenen Ausführungsbeispielen kann irgendeine oder können mehrere der hierin beschriebenen Operationen bordeigen oder durch einen oder mehrere, mit einem Fahrzeug gekoppelte Server ausgeführt werden (verschiedene Verarbeitungsumgebungen werden nachfolgend detaillierter beschrieben).
5 ist eine vereinfachte Darstellung 500, die eine beispielhafte autonome Fahrumgebung zeigt. Fahrzeugen (z. B. 505, 510, 515 etc.) können variierende Ebenen von Autonomes-Fahren-Fähigkeiten bereitgestellt sein, die durch bordeigene Rechensysteme mit in Hardware, Firmware und/oder Software implementierter Logik ermöglicht werden, um jeweilige Autonomes-Fahren-Stacks zu ermöglichen. Solche Autonomes-Fahren-Stacks können es Fahrzeugen erlauben, sich selbst zu steuern oder eine Fahrerassistenz bereitzustellen, um Fahrbahnen zu detektieren, von einem Punkt zum anderen zu navigieren, andere Fahrzeuge und Verkehrsteilnehmer (z. B. Fußgänger (z. B. 535), Radfahrer etc.) zu detektieren, Hindernisse und Gefahren (z. B. 520) und Straßenzustände (z. B. Verkehr, Straßenzustände, Wetterbedingungen etc.) zu detektieren und die Steuerung und Führung des Fahrzeugs entsprechend anzupassen.
Bei einigen Implementierungen können Fahrzeuge (z. B. 505, 510, 515) innerhalb der Umgebung „verbunden“ sein, dadurch, dass die bordeigenen Rechensysteme Kommunikationsmodule zur Unterstützung der drahtlosen Kommunikation umfassen, unter Verwendung einer oder mehrerer Technologien (z.B. Institute of Electrical and Electronics Engineers (IEEE) 802.11-Kommunikationen (z. B. WiFi), zelluläre Datennetzwerke (z. B. 3GPP- (3rd Generation Partnership Project; Partnerschaftsprojekt der 3. Generation) Netzwerke, Global System for Mobile Communication (GSM), General Packet Radio Service, Codemultiplexzugriff (CDMA; Code Division Multiple Access) etc.), Bluetooth, Millimeterwellen (mmWave), ZigBee, Z-Wave etc.), die es den bordeigenen Rechensystemen erlauben, sich mit anderen Rechensystemen zu verbinden und mit ihnen zu kommunizieren, z. B. den bordeigenen Rechensystemen anderer Fahrzeuge oder der unterstützenden Infrastruktur. Beispielsweise können bei einigen Implementierungen Fahrzeuge (z. B. 505, 510, 515) mit Rechensystemen kommunizieren, die Sensoren, Daten und Dienste zur Unterstützung der Autonomes-Fahren-Fähigkeiten der Fahrzeuge bereitstellen. Zum Beispiel, wie in dem veranschaulichenden Beispiel von 5 gezeigt, können unterstützende Drohnen 580 (z. B. boden- und/oder luftgestützt), Straßenrand-Rechenvorrichtungen (z. B. 540), verschiedene externe (zu dem Fahrzeug, oder „fremde“) Sensorvorrichtungen (z. B. 560, 565, 570, 575 etc.) und andere Vorrichtungen als Autonomes-Fahren-Infrastruktur bereitgestellt werden, getrennt von den auf den Fahrzeugen (z. B. 505, 510, 515) implementierten Rechensystemen, Sensoren und Logiken, um u.a. die durch die Fahrzeuge bereitgestellten Autonomes-Fahren-Ergebnisse zu unterstützen und zu verbessern. Fahrzeuge können auch mit anderen verbundenen Fahrzeugen über drahtlose Kommunikationskanäle kommunizieren, um Daten gemeinschaftlich zu verwenden und Bewegungen innerhalb einer Autonomes-Fahren-Umgebung zu koordinieren, neben anderen beispielhaften Kommunikationen.
Wie bei dem Beispiel von 5 dargestellt, kann eine Autonomes-Fahren-Infrastruktur eine Vielzahl unterschiedlicher Systeme einbeziehen. Solche Systeme können je nach Standort variieren, wobei besser ausgebaute Straßen (z. B. Straßen, die durch bestimmte Gemeinden oder Mautbehörden gesteuert werden, Straßen in städtischen Gebieten, Straßenabschnitte, die bekanntermaßen für autonome Fahrzeuge problematisch sind, etc.) eine größere Anzahl oder fortschrittlichere unterstützende Infrastrukturvorrichtungen aufweisen als andere Straßenabschnitte etc. Beispielsweise können zusätzliche Sensorvorrichtungen (z. B. 560, 565, 570, 575) bereitgestellt sein, die Sensoren zur Beobachtung von Straßenabschnitten und Fahrzeugen umfassen, die sich innerhalb der Umgebung bewegen und entsprechende Daten erzeugen, die die Beobachtungen der Sensoren beschreiben oder verkörpern. Als Beispiele können Sensorvorrichtungen u.a. in die Fahrbahn selbst (z. B. Sensor 560), auf straßenseitiger oder Überkopf-Beschilderung (z. B. Sensor 565 auf dem Schild 525), in Sensoren (z. B. 570, 575), die an elektronischen Vorrichtungen oder Einrichtungen am Straßenrand (z. B. Ampeln (z. B. 530), elektronischen Verkehrsschildern, elektronischen Reklametafeln etc.) angebracht sind, in dedizierte Einheiten am Straßenrand (z. B. 540) eingebettet sein. Sensorvorrichtungen können auch Kommunikationsfähigkeiten umfassen, um ihre gesammelten Sensordaten direkt an verbundene Fahrzeuge in der Nähe oder an Fog- oder Cloud-basierte Rechensysteme (z. B. 540, 550) zu kommunizieren. Fahrzeuge können Sensordaten erhalten, die durch externe Sensorvorrichtungen (z. B. 560, 565, 570, 575, 580) gesammelt wurden, oder Daten, die Beobachtungen oder Empfehlungen umfassen, die durch andere Systeme (z. B. 540, 550) basierend auf Sensordaten von diesen Sensorvorrichtungen (z. B. 560, 565, 570, 575, 580) erzeugt wurden, und diese Daten bei der Sensorfusion, Inferenz, Pfadplanung und anderen Aufgaben, die durch das bordeigene Autonomes-Fahren-System ausgeführt werden, verwenden. In einigen Fällen können solche fremden Sensoren und Sensordaten tatsächlich innerhalb des Fahrzeugs sein, wie beispielsweise in Form eines an dem Fahrzeug angebrachten Nachrüstmarkt-Sensors, einer persönlichen Rechenvorrichtung (z. B. Smartphone, tragbare Vorrichtung etc.), das von den Fahrzeuginsassen mitgeführt oder getragen wird, etc. Anderen Verkehrsteilnehmern, umfassend Fußgänger, Fahrräder, Drohnen, elektronische Roller etc., können ebenfalls Sensoren bereitgestellt sein oder sie können Sensoren tragen, um Sensordaten zu erzeugen, die eine Autonomes-Fahren-Umgebung beschreiben, die durch autonome Fahrzeuge, Cloud- oder Fog-basierte Unterstützungssysteme (z. B. 540, 550), andere Sensorvorrichtungen (z. B. 560, 565, 570, 575, 580), unter anderen Beispielen, verwendet und verbraucht werden können.
Da autonome Fahrzeugsysteme variierende Ebenen der Funktionalität und Ausgereiftheit aufweisen können, kann eine unterstützende Infrastruktur herangezogen werden, um nicht nur die Erfassungsfähigkeiten einiger Fahrzeuge, sondern auch die Computer- und Maschinelles-Lernen-Funktionalität, die die autonome Fahrfunktionalität einiger Fahrzeuge ermöglicht, zu ergänzen. Beispielsweise können Rechenressourcen und Autonomes-Fahren-Logik, die verwendet werden, um Maschinelles-Lernen-Modelle-Training und die Verwendung solcher Maschinelles-Lernen-Modelle zu ermöglichen, ganz auf den bordeigenen Rechensystemen oder teilweise auf sowohl den bordeigenen Systemen als auch einigen externen Systemen (z. B. 540, 550) bereitgestellt sein. Beispielsweise kann ein verbundenes Fahrzeug mit Straßenrandeinheiten, Randsystemen oder Cloud-basierten Vorrichtungen (z. B. 540) kommunizieren, die sich lokal auf einem bestimmten Fahrbahnsegment befinden, wobei solche Vorrichtungen (z. B. 540) in der Lage sind, Daten bereitzustellen (z. B. von lokalen Sensoren (z. B. 560, 565, 570, 575, 580) aggregierte Sensordaten oder Daten, die von Sensoren anderer Fahrzeuge gemeldet werden), Berechnungen (als Dienst) zu Daten auszuführen, die durch ein Fahrzeug bereitgestellt werden, um die fahrzeugeigenen Fähigkeiten zu ergänzen und/oder Informationen an vorbeifahrende oder sich nähernde Fahrzeuge weiterzugeben (z. B. basierend auf Sensordaten, die an der Vorrichtung 540 oder von Sensorvorrichtungen in der Nähe gesammelt wurden etc.). Ein verbundenes Fahrzeug (z. B. 505, 510, 515) kann auch oder stattdessen mit Cloud-basierten Rechensystemen (z. B. 550) kommunizieren, die ähnliche Speicher-, Erfassungs- und Rechen-Ressourcen bereitstellen können, um die an dem Fahrzeug verfügbaren zu verbessern. Beispielsweise kann ein Cloud-basiertes System (z. B. 550) Sensordaten von einer Vielzahl von Vorrichtungen an einem oder mehreren Orten sammeln und diese Daten nutzen, um Maschinelles-Lernen-Modelle zu erstellen und/oder zu trainieren, die an dem Cloud-basierten System verwendet werden können (um Ergebnisse an verschiedene Fahrzeuge (z. B. 505, 510, 515) in Kommunikation mit dem Cloud-basierten System 550 bereitzustellen, oder um sie an Fahrzeuge zur Verwendung durch ihre bordeigenen Systeme weiterzugeben, neben anderen beispielhaften Implementierungen. Zugangspunkte (z. B. 545), wie z. B. Mobilfunkmasten, straßenseitige Einheiten, Netzzugangspunkte, die an verschiedenen Fahrbahninfrastrukturen angebracht sind, Zugangspunkte, die durch benachbarte Fahrzeuge oder Gebäude bereitgestellt werden, und andere Zugangspunkte können innerhalb einer Umgebung bereitgestellt werden und verwendet werden, um die Kommunikation über ein oder mehrere lokale oder Weitbereich-Netzwerke (z. B. 555) zwischen Cloud-basierten Systemen (z. B. 550) und verschiedenen Fahrzeugen (z. B. 505, 510, 515) zu ermöglichen. Durch solche Infrastruktur- und Rechensysteme wird darauf hingewiesen, dass die hierin erörterten Beispiele, Merkmale und Lösungen vollständig durch ein oder mehrere solche bordeigenen Rechensysteme, Fog-basierte oder Edge-Rechenvorrichtungen oder Cloud-basierte Rechensysteme oder durch Kombinationen des vorangehend Genannten durch Kommunikation und Kooperation zwischen den Systemen ausgeführt werden können.
Im Allgemeinen können „Server“, „Clients“, „Rechenvorrichtungen“, „Netzwerkelemente“, „Hosts“, „Plattformen“, „Sensorvorrichtungen“, „Edge-Vorrichtung“, „Autonomes-Fahren-Systeme“, „autonome Fahrzeuge“, „Fog-basiertes System“, „Cloud-basiertes System“ und „Systeme“ im Allgemeinen etc., die hierin erörtert werden, elektronische Rechenvorrichtungen umfassen, die wirksam sind, um einer Autonomes-Fahren-Umgebung zugeordnete Daten und Informationen zu empfangen, zu senden, zu verarbeiten, zu speichern oder zu verwalten. Gemäß Verwendung in diesem Dokument soll der Begriff „Computer“, „Prozessor“, „Prozessorvorrichtung“ oder „Verarbeitungsvorrichtung“ irgendeine geeignete Verarbeitungsvorrichtung umfassen, umfassend u. a. zentrale Verarbeitungseinheiten (CPUs; central processing units), graphische Verarbeitungseinheiten (GPUs; graphical processing units), anwendungsspezifische integrierte Schaltungen (ASICs; application specific integrated circuits), feldprogrammierbare Gate-Arrays (FPGAs; field programmable gate arrays), digitale Signalprozessoren (DSPs; digital signal processors), Tensor-Prozessoren und andere Matrix-Arithmetikprozessoren. Beispielsweise können Elemente, die als einzelne Vorrichtungen innerhalb der Umgebung gezeigt werden, unter Verwendung einer Mehrzahl von Rechenvorrichtungen und Prozessoren implementiert werden, wie z. B. Server-Pools, die mehrere Server-Computer umfassen. Ferner können irgendwelche, alle oder einige der Rechenvorrichtungen angepasst werden, um irgendein Betriebssystem ausführen zu können, umfassend Linux, UNIX, Microsoft Windows, Apple OS, Apple iOS, Google Android, Windows Server etc., sowie virtuelle Maschinen, die angepasst sind, um die Ausführung eines bestimmten Betriebssystems zu virtualisieren, umfassend angepasste und proprietäre Betriebssysteme.
Irgendwelche von den Abläufen, Verfahren, Prozessen (oder Abschnitten davon) oder Funktionalität von irgendwelchen der verschiedenen Komponenten, die hierin beschrieben oder in den FIGs. dargestellt sind, können durch irgendeine geeignete Rechenlogik, wie z. B. ein oder mehrere Module, Maschinen, Blöcke, Einheiten, Modelle, Systeme oder andere geeignete Rechenlogik, ausgeführt werden. Der Verweis hierin auf ein „Modul“, eine „Maschine“, einen „Block“, eine „Einheit“, ein „Modell“, ein „System“ oder eine „Logik“ kann sich auf Hardware, Firmware, Software und/oder Kombinationen von jedem beziehen, um eine oder mehrere Funktionen auszuführen. Als ein Beispiel kann ein Modul, eine Maschine, ein Block, eine Einheit, ein Modell, ein System oder eine Logik eine oder mehrere Hardwarekomponenten umfassen, wie beispielsweise einen Mikrocontroller oder Prozessor, zugeordnet zu einem nichtflüchtigen Medium, um Code zu speichern, der angepasst ist, um durch den Mikrocontroller oder Prozessor ausgeführt zu werden. Daher kann sich der Bezug auf ein Modul, eine Maschine, einen Block, eine Einheit, ein Modell, ein System oder eine Logik bei einem Ausführungsbeispiel auf Hardware beziehen, die spezifisch ausgebildet ist, um den Code, der auf einem nichtflüchtigen Medium zu halten ist, zu erkennen und/oder auszuführen. Ferner bezieht sich bei einem anderen Ausführungsbeispiel die Verwendung von Modul, Maschine, Block, Einheit, Modell, System oder Logik auf das nichtflüchtige Medium, umfassend den Code, der spezifisch angepasst ist, um durch den Mikrocontroller oder Prozessor ausgeführt zu werden, um vorbestimmte Operationen auszuführen. Und wie abgeleitet werden kann, kann sich bei einem wiederum anderen Ausführungsbeispiel ein Modul, eine Maschine, ein Block, eine Einheit, ein Modell, ein System oder eine Logik auf die Kombination der Hardware und des nichtflüchtigen Mediums beziehen. Bei verschiedenen Ausführungsbeispielen kann ein Modul, eine Maschine, ein Block, eine Einheit, ein Modell, ein System oder eine Logik einen Mikroprozessor oder ein anderes Verarbeitungselement, das zur Ausführung von Softwareanweisungen wirksam ist, diskrete Logik, wie beispielsweise eine anwendungsspezifische integrierte Schaltung (ASIC), eine programmierte Logikvorrichtung, wie beispielsweise ein feldprogrammierbares Gate-Array (FPGA), ein Speicherbauelement, das Anweisungen umfasst, Kombinationen von Logikvorrichtungen (z. B. wie sie auf einer gedruckten Schaltungsplatine zu finden wären) oder andere geeignete Hardware und/oder Software umfassen. Ein Modul, eine Maschine, ein Block, eine Einheit, ein Modell, ein System oder eine Logik kann ein oder mehrere Gates oder andere Schaltungskomponenten umfassen, die z. B. durch Transistoren implementiert sein können. Bei einigen Ausführungsbeispielen kann ein Modul, eine Maschine, ein Block, eine Einheit, ein Modell, ein System oder eine Logik vollständig als Software verkörpert sein. Software kann als ein Software-Package, Code, Anweisungen, Anweisungssätze und/oder Daten, aufgezeichnet auf einem nichtflüchtigen computerlesbaren Speichermedium, verkörpert sein. Firmware kann als Code, Anweisungen oder Anweisungssätze und/oder Daten, die in Speicherbauelementen hartcodiert (z. B. nichtflüchtig) sind, verkörpert sein. Ferner variieren Logikgrenzen, die als getrennt dargestellt sind, gewöhnlich und überlappen potenziell. Zum Beispiel können ein erstes und ein zweites Modul (oder mehrere Maschinen, Blöcke, Einheiten, Modelle, Systeme oder Logiken) Hardware, Software, Firmware oder eine Kombination davon gemeinschaftlich verwenden, während potenziell eine gewisse unabhängige Hardware, Software oder Firmware beibehalten wird.
Bezug nehmend nun auf 6 ist ein vereinfachtes Blockdiagramm 600 gezeigt, das eine beispielhafte Implementierung eines Fahrzeugs (und eines entsprechenden bordeigenen Rechensystems) 505 darstellt, das mit einer Autonomes-Fahren-Funktionalität ausgestattet ist. Bei einem Beispiel kann ein Fahrzeug 505 mit einem oder mehreren Prozessoren 602 ausgestattet sein, wie beispielsweise zentralen Verarbeitungseinheiten (CPUs), graphischen Verarbeitungseinheiten (GPUs), anwendungsspezifischen integrierten Schaltungen (ASICs), feldprogrammierbaren Gate-Arrays (FPGAs), digitalen Signalprozessoren (DSPs), Tensor-Prozessoren und anderen Matrix-Arithmetikprozessoren, unter anderen Beispielen. Solche Prozessoren 602 können mit integrierten Hardware-Beschleuniger-Vorrichtungen (z. B. 604) gekoppelt sein oder dieselben aufweisen, die mit Hardware bereitgestellt sein können, um bestimmte Verarbeitungs- und Speicherzugriffsfunktionen zu beschleunigen, wie beispielsweise u. a. Funktionen im Zusammenhang mit Maschinelles-Lernen-Inferenz oder -Training, Verarbeitung bestimmter Sensordaten (z. B. Kamerabilddaten, LIDAR-Punktwolken etc.), Ausführung bestimmter arithmetischer Funktionen betreffend das autonome Fahren (z. B. Matrixarithmetik, Konvolutionsarithmetik etc.). Ein oder mehrere Speicherelemente (z. B. 606) können bereitgestellt sein, um maschinenausführbare Anweisungen zu speichern, die alle oder einen Abschnitt von irgendeinem der Module oder Teilmodule eines auf dem Fahrzeug implementierten Autonomes-Fahren-Stacks implementieren, sowie um Maschinelles-Lernen-Modelle (z. B. 656), Sensordaten (z. B. 658) und andere Daten zu speichern, die in Verbindung mit der durch das Fahrzeug auszuführenden autonomen Fahrfunktionalität empfangen, erzeugt oder verwendet werden (oder in Verbindung mit den hierin erörterten Beispielen und Lösungen verwendet werden). Es können auch verschiedene Kommunikationsmodule (z. B. 612) bereitgestellt werden, die in einer Hardware-Schaltungsanordnung und/oder Software implementiert sind, um Kommunikationsfähigkeiten zu implementieren, die durch das Fahrzeugsystem verwendet werden, um mit anderen fremden Rechensystemen über einen oder mehrere Netzwerkkanäle, die eine oder mehrere Netzwerkkommunikationstechnologien einsetzen, zu kommunizieren. Diese verschiedenen Prozessoren 602, Beschleuniger 604, Speichervorrichtungen 606 und Netzwerkkommunikationsmodule 612 können auf dem Fahrzeugsystem durch eine oder mehrere Verbindungsstrukturen oder -verknüpfungen (z. B. 608) verbunden werden, wie z. B. Strukturen, die Technologien wie z. B. u. a. Peripheral Component Interconnect Express (PCIe), Ethernet, OpenCAPI™, Gen-Z™, UPI, Universal Serial Bus, (USB), Cache Coherent Interconnect for Accelerators (CCIX™), Advanced Micro Device™'s (AMD™) Infinity™, Common Communication Interface (CCI), oder Qualcomm™'s Centriq™ Verbindung nutzen.
Um mit dem Beispiel von 6 fortzufahren, kann ein beispielhaftes Fahrzeug (und ein entsprechendes bordeigenes Rechensystem) 505 ein bordeigenes Verarbeitungssystem 610, Fahrsteuerungen (z. B. 620), Sensoren (z. B. 625) und Benutzer-/Insassen-Schnittstelle(n) (z. B. 630) umfassen, neben anderen beispielhaften Modulen, die die Funktionalität des autonomen Fahrzeugs in Hardware und/oder Software implementieren. Beispielsweise kann ein bordeigenes Verarbeitungssystem 610 bei einigen Implementierungen den gesamten oder einen Abschnitt eines Autonomes-Fahren-Stacks und Prozessablaufs implementieren (z. B. wie bei dem Beispiel von 5 gezeigt und erörtert). Eine Maschinelles-Lernen-Maschine 632 kann bereitgestellt sein, um verschiedene an dem Fahrzeug 505 bereitgestellte Maschinelles-Lernen-Modelle (z. B. 656) in Verbindung mit einer oder mehreren autonomen Funktionen und Merkmalen zu nutzen, die an dem oder für das Fahrzeug bereitgestellt und implementiert werden, wie in den Beispielen hierin erörtert wird. Solche Maschinelles-Lernen-Modelle 656 können Künstliches-neuronales-Netzwerk-Modelle, Konvolutions-neuronale-Netzwerke, Entscheidungsbaum-basierte Modelle, Support Vector Machines (SVMs), Bayes'sche Modelle, Deep-Learning- (tiefes Lernen) Modelle und andere Beispielmodelle umfassen. Bei einigen Implementierungen kann eine beispielhafte Maschinelles-Lernen-Maschine 632 eine oder mehrere Modell-Trainer-Maschinen 652 umfassen, um an dem Training (z. B. ursprüngliches Training, kontinuierliches Training etc.) eines oder mehrerer der Maschinelles-Lernen-Modelle 656 teilzunehmen. Eine oder mehrere Inferenz-Maschinen 654 können auch bereitgestellt sein, um die trainierten Maschinelles-Lernen-Modelle 656 zu nutzen, um verschiedene Rückschlüsse, Vorhersagen, Klassifizierungen und andere Ergebnisse herzuleiten.
Die an dem Fahrzeug bereitgestellte(n) Maschinelles-Lernen-Maschine(n) 632 kann/können verwendet werden, um Ergebnisse für die Verwendung durch andere logische Komponenten und Module des bordeigenen Verarbeitungssystems 610 zu unterstützen und bereitzustellen, die einen Autonomes-Fahren-Stack und andere mit dem autonomen Fahren zusammenhängende Merkmale implementieren. So kann z. B. ein Datensammlungsmodul 634 mit einer Logik bereitgestellt sein, um Quellen zu bestimmen, aus denen Daten gesammelt werden sollen (z. B. für Eingaben in das Training oder die Nutzung von verschiedenen durch das Fahrzeug verwendeten Maschinelles-Lernen-Modellen 656). Zum Beispiel kann die bestimmte Quelle (z. B. interne Sensoren (z. B. 625) oder fremde Quellen (z. B. 515, 540, 550, 580, 615 etc.) ausgewählt werden, ebenso wie die Frequenz und Genauigkeit, mit der die Daten abgetastet werden, ausgewählt werden. In einigen Fällen können solche Selektionen und Konfigurationen zumindest teilweise autonom durch das Datensammlungsmodul 634 unter Verwendung eines oder mehrerer entsprechender Maschinelles-Lernen-Modelle vorgenommen werden (z. B. um Daten je nach Eignung bei einem bestimmten detektierten Szenario zu sammeln).
Ein Sensorfusionsmodul 636 kann auch verwendet werden, um die Verwendung und Verarbeitung der verschiedenen Sensoreingaben zu regeln, die durch die Maschinelles-Lernen-Maschine 632 und andere Module (z. B. 638, 640, 642, 644, 646 etc.) des bordeigenen Verarbeitungssystems genutzt werden. Es können ein oder mehrere Sensorfusionsmodule (z. B. 636) bereitgestellt werden, die eine Ausgabe von mehreren Sensordatenquellen (z. B. am Fahrzeug oder fahrzeugextern) herleiten können. Die Quellen können homogene oder heterogene Arten von Quellen sein (z. B. mehrere Eingaben von mehreren Instanzen einer gemeinsamen Sensorart oder von Instanzen mehrerer unterschiedlicher Sensorarten). Ein beispielhaftes Sensorfusionsmodul 636 kann direkte Fusion, indirekte Fusion, neben anderen beispielhaften Sensorfusionstechniken, anwenden. Die Ausgabe der Sensorfusion kann in einigen Fällen als Eingabe (zusammen mit potenziell zusätzlichen Eingaben) einem anderen Modul des bordeigenen Verarbeitungssystems und/oder einem oder mehreren Maschinelles-Lernen-Modellen in Verbindung mit der Bereitstellung einer autonomen Fahrfunktionalität oder einer anderen Funktionalität, wie beispielsweise bei den hierin erörterten beispielhaften Lösungen beschrieben, zugeführt werden.
Bei einigen Beispielen kann eine Wahrnehmungsmaschine 638 bereitgestellt sein, die als Eingaben verschiedene Sensordaten (z. B. 658) nehmen kann, umfassend Daten, in einigen Fällen, von Fremdquellen und/oder Sensorfusionsmodul 636, um eine Objekterkennung und/oder eine Verfolgung von detektierten Objekten auszuführen, unter anderen Beispielfunktionen, die der autonomen Wahrnehmung der durch das Fahrzeug 505 angetroffenen (oder anzutreffenden) Umgebung entsprechen. Die Wahrnehmungsmaschine 638 kann Objekterkennung von Sensordateneingaben unter Verwendung von Deep Learning ausführen, z. B. durch ein oder mehrere faltende neuronale Netze und andere Maschinelles-Lernen-Modelle 656. Die Objektverfolgung kann auch ausgeführt werden, um anhand von Sensordateneingaben autonom zu schätzen, ob sich ein Objekt bewegt und, wenn ja, entlang welcher Trajektorie. Zum Beispiel kann eine Wahrnehmungsmaschine 638, nachdem ein gegebenes Objekt erkannt wurde, detektieren, wie sich das gegebene Objekt im Verhältnis zu dem Fahrzeug bewegt. Eine solche Funktionalität kann z. B. verwendet werden, um Objekte, wie beispielsweise andere Fahrzeuge, Fußgänger, Wildtiere, Radfahrer etc., zu detektieren, die sich innerhalb einer Umgebung bewegen, die neben anderen beispielhaften Verwendungen den Pfad des Fahrzeugs auf einer Fahrbahn beeinflussen können.
Eine Lokalisierungsmaschine 640 kann bei einigen Implementierungen auch innerhalb eines bordeigenen Verarbeitungssystems 610 umfasst sein. In einigen Fällen kann die Lokalisierungsmaschine 640 als eine Teilkomponente einer Wahrnehmungsmaschine 638 implementiert sein. Die Lokalisierungsmaschine 640 kann auch ein oder mehrere Maschinelles-Lernen-Modelle 656 und die Sensorfusion (z. B. von LIDAR- und GPS-Daten etc.) nutzen, um einen hochzuverlässigen Standort des Fahrzeugs und den Raum, den es in einem gegebenen physischen Raum (oder „Umgebung“) einnimmt, zu bestimmen.
Ein Fahrzeug 505 kann ferner einen Pfadplaner 642 umfassen, der die Ergebnisse verschiedener anderer Module wie beispielsweise u. a. Datensammlung (z. B. 634), Sensorfusion (z. B. 636), Wahrnehmungsmaschine (z. B. 638) und Lokalisierungsmaschine (z. B. 640) nutzen kann, (z. B. Empfehlungsmaschine 644), um einen Pfadplan und/oder Aktionsplan für das Fahrzeug zu bestimmen, der durch Fahrsteuerungen (z. B. 620) verwendet werden kann, um das Fahren des Fahrzeugs 505 innerhalb einer Umgebung zu steuern. Zum Beispiel kann ein Pfadplaner 642 diese Eingaben und ein oder mehrere Maschinelles-Lernen-Modelle nutzen, um Wahrscheinlichkeiten verschiedener Ereignisse innerhalb einer Fahrumgebung zu bestimmen, um effektive Echtzeitpläne für das Handeln innerhalb der Umgebung zu bestimmen.
Bei einigen Implementierungen kann das Fahrzeug 505 eine oder mehrere Empfehlungsmaschinen 644 umfassen, um verschiedene Empfehlungen aus Sensordaten, die durch die eigenen Sensoren (z. B. 625) des Fahrzeugs 505 erzeugt werden, sowie aus Sensordaten von Fremdsensoren (z. B. Sensorvorrichtungen 515, 580, 615 etc.) zu erzeugen. Einige Empfehlungen können durch die Empfehlungsmaschine 644 bestimmt werden, die als Eingaben an andere Komponenten des Autonomes-Fahren-Stacks des Fahrzeugs bereitgestellt werden können, um durch diese Komponenten vorgenommene Bestimmungen zu beeinflussen. Zum Beispiel kann eine Empfehlung bestimmt werden, die, wenn sie durch einen Pfadplaner 642 berücksichtigt wird, den Pfadplaner 642 dazu veranlasst, von Entscheidungen oder Plänen abzuweichen, die er ansonsten normalerweise bestimmen würde, wäre nicht die Empfehlung. Empfehlungen können auch durch Empfehlungsmaschinen (z. B. 644) basierend auf Überlegungen zu Insassenkomfort und -erfahrung erzeugt werden. In einigen Fällen können Innenraummerkmale innerhalb des Fahrzeugs basierend auf diesen Empfehlungen (die aus Sensordaten (z. B. 658) bestimmt werden, die durch die Sensoren des Fahrzeugs und/oder Fremdsensoren etc. erfasst werden) vorausschauend und autonom manipuliert werden.
Wie vorstehend eingeführt, können einige Fahrzeugimplementierungen Benutzer-/Insassen-Erfahrungs-Maschinen (z. B. 646) umfassen, die Sensordaten und Ausgaben anderer Module innerhalb des Autonomes-Fahren-Stacks des Fahrzeugs nutzen können, um Fahrmanöver und Änderungen der Kabinenumgebung des Fahrzeugs zu veranlassen, um die Erfahrung der Insassen innerhalb des Fahrzeugs basierend auf den durch die Sensordaten (z. B. 658) erfassten Beobachtungen zu verbessern. In einigen Fällen können Aspekte der Benutzerschnittstellen (z. B. 630), die auf dem Fahrzeug bereitgestellt werden, um den Benutzern die Interaktion mit dem Fahrzeug und seinem autonomen Fahrsystem zu ermöglichen, verbessert werden. In einigen Fällen können Informationspräsentationen erzeugt und durch Benutzeranzeigen (z. B. Audio-, visuelle und/oder taktile Präsentationen) bereitgestellt werden, um zu helfen, die Insassenerfahrungen innerhalb eines Fahrzeugs (z. B. 505) neben anderen beispielhaften Verwendungen zu beeinflussen und zu verbessern.
In einigen Fällen kann auch ein Systemmanager 650 bereitgestellt sein, der die durch verschiedene Sensoren an dem Fahrzeug gesammelten Informationen überwacht, um Probleme betreffend die Performance des Autonomes-Fahren-Systems eines Fahrzeugs zu detektieren. So können z. B. Rechenfehler, Sensorausfälle und -probleme, Verfügbarkeit und Qualität der Kommunikationskanäle (die z. B. durch die Kommunikationsmodule 612 bereitgestellt werden), Fahrzeugsystemüberprüfungen (z. B. Probleme betreffend den Motor, das Getriebe, die Batterie, das Kühlsystem, das elektrische System, die Reifen etc.) oder andere Betriebsereignisse durch den Systemmanager 650 detektiert werden. Solche Probleme können in den durch den Systemmanager 650 erzeugten Systemberichtdaten identifiziert werden, die in einigen Fällen als Eingaben für die Maschinelles-Lernen-Modelle 656 und zugehörige Autonomes-Fahren-Module (z. B. 632, 634, 636, 638, 640, 642, 644, 646 etc.) verwendet werden können, um zu ermöglichen, dass die Fahrzeugsystem-Gesundheit und -Probleme zusammen mit anderen Informationen, die in den Sensordaten 658 in der Autonomes-Fahren-Funktionalität des Fahrzeugs 505 gesammelt werden, ebenfalls berücksichtigt werden können.
Bei einigen Implementierungen kann ein Autonomes-Fahren-Stack eines Fahrzeugs 505 mit den Fahrsteuerungen 620 gekoppelt sein, um die Fahrweise des Fahrzeugs zu beeinflussen, umfassend u. a. Lenkungssteuerungen (z. B. 660), Gaspedal-/Drosselklappen-Steuerungen (z. B. 662), Bremssteuerungen (z. B. 664), Signalisierungssteuerungen (z. B. 666). In einigen Fällen kann ein Fahrzeug auch ganz oder teilweise basierend auf Benutzereingaben gesteuert werden. Benutzerschnittstellen (z. B. 630) können beispielsweise Fahrsteuerungen umfassen (z. B. ein physisches oder virtuelles Lenkrad, Gaspedal, Bremsen, Kupplung etc.), die es einem menschlichen Fahrer ermöglichen, die Kontrolle über das autonome Fahrsystem zu übernehmen (z. B. bei einer Übergabe oder nach einer Fahrerassistenz-Aktion). Andere Sensoren können verwendet werden, um Benutzer/Insassen-Eingaben zu akzeptieren, wie beispielsweise Sprachdetektion 692, Gestendetektionskameras 694 und andere Beispiele. Benutzerschnittstellen (z. B. 630) können die Wünsche und Absichten der Insassen-Benutzer erfassen, und der Autonomes-Fahren-Stack des Fahrzeugs 505 kann diese als zusätzliche Eingaben bei der Steuerung des Fahrens des Fahrzeugs (z. B. Fahrsteuerungen 620) berücksichtigen. Bei einigen Implementierungen können die Fahrsteuerungen durch externe Rechensysteme gesteuert werden, z. B. in Fällen, in denen ein Insasse eine externe Vorrichtung (z. B. ein Smartphone oder Tablet) verwendet, um die Fahrtrichtung oder die Steuerung bereitzustellen, oder in Fällen eines ferngesteuerten Valet-Service, in denen ein externer Fahrer oder ein externes System die Steuerung des Fahrzeugs übernimmt (z. B. basierend auf einem Notfallereignis), neben anderen beispielhaften Implementierungen.
Wie vorstehend erörtert, kann der Autonomes-Fahren-Stack eines Fahrzeugs eine Vielzahl von Sensordaten (z. B. 658) nutzen, die durch verschiedene, an dem und außerhalb des Fahrzeugs bereitgestellte Sensoren erzeugt werden. Beispielsweise kann ein Fahrzeug 505 über ein Array von Sensoren 625 verfügen, um verschiedene Informationen über das Äußere des Fahrzeugs und die umgebende Umgebung, den Fahrzeugsystemzustand, die Bedingungen innerhalb des Fahrzeugs und andere Informationen zu sammeln, die durch die Module des Verarbeitungssystems 610 des Fahrzeugs verwendet werden können. Solche Sensoren 625 können neben anderen Beispielsensoren z. B. GPS- (global positioning) Sensoren 668, Licht- und Abstandsmessungs- (LiDAR-; Light Detection and Ranging) Sensoren 670, zweidimensionale (2D-) Kameras 672, dreidimensionale (3D-) oder Stereo-Kameras 674, akustische Sensoren 676, Inertiale-Messeinheiten-(IMU-; Inertial Measurement Unit) Sensoren 678, thermische Sensoren 680, UltraschallSensoren 682, Bio-Sensoren 684 (z. B. Gesichtserkennung, Spracherkennung, Herzfrequenzsensoren, Körpertemperatursensoren, Emotionsdetektionssensoren etc.), Radarsensoren 686, Wettersensoren (nicht gezeigt) umfassen. Die Sensordaten 658 können auch (oder stattdessen) durch Sensoren erzeugt werden, die nicht integral mit dem Fahrzeug gekoppelt sind, umfassend Sensoren an anderen Fahrzeugen (z. B. 515) (die über Fahrzeug-zu-Fahrzeug-Kommunikationen oder andere Techniken an das Fahrzeug 505 kommuniziert werden können), Sensoren an bodengestützten oder Flug-Drohnen 580, Sensoren von Benutzervorrichtungen 615 (z. B. einem Smartphone oder einer tragbaren Vorrichtung), die durch menschliche Benutzer innerhalb oder außerhalb des Fahrzeugs 505 getragen werden, und Sensoren, die an anderen straßenseitigen Elementen befestigt oder mit diesen versehen sind, wie z. B. einer straßenseitigen Einheit (z. B. 540), einem Straßenschild, einer Ampel, einer Straßenbeleuchtung etc. Sensordaten von solchen fremden Sensorvorrichtungen können direkt von den Sensorvorrichtungen an das Fahrzeug bereitgestellt werden, oder sie können durch Datenaggregationsvorrichtungen oder als Ergebnisse, die basierend auf diesen Sensoren durch andere Rechensysteme (z. B. 540, 550) erzeugt werden, bereitgestellt werden, neben anderen beispielhaften Implementierungen.
Bei einigen Implementierungen kann ein autonomes Fahrzeug 505 mit Informationen und Diensten, die durch andere Rechensysteme bereitgestellt werden, eine Schnittstelle bilden und diese nutzen, um die Autonomes-Fahren-Funktionalität des Fahrzeugs 505 zu verbessern, zu ermöglichen oder anderweitig zu unterstützen. In einigen Fällen können einige Autonomes-Fahren-Merkmale (umfassend einige der hierin erörterten beispielhaften Lösungen) durch Dienste, Rechenlogik, Maschinelles-Lernen-Modelle, Daten oder andere Ressourcen von Rechensystemen außerhalb eines Fahrzeugs ermöglicht werden. Wenn solche externen Systeme für ein Fahrzeug nicht verfügbar sind, kann es sein, dass diese Merkmale zumindest vorübergehend deaktiviert sind. Beispielsweise können externe Rechensysteme bereitgestellt und genutzt werden, die in straßenseitigen Einheiten oder Fog-basierten Edge-Vorrichtungen (z. B. 540), anderen (z. B. übergeordneten) Fahrzeugen (z. B. 515) und Cloud-basierten Systemen 550 (z. B. über verschiedene Netzwerkzugangspunkte (z. B. 545) zugänglich) untergebracht sind. Eine Straßenrandeinheit 540 oder ein Cloud-basiertes System 550 (oder ein anderes kooperierendes System, mit dem ein Fahrzeug (z. B. 505) interagiert, kann die gesamte oder einen Abschnitt der Logik umfassen, die als zu einem beispielhaften bordeigenen Verarbeitungssystem (z. B. 610) gehörend dargestellt ist, zusammen mit potenzieller zusätzlicher Funktionalität und Logik. Zum Beispiel kann ein Cloud-basiertes Rechensystem, eine Straßenrandeinheit 540 oder ein anderes Rechensystem eine Maschinelles-Lernen-Maschine umfassen, die entweder die Modell-Training- oder die Inferenz-Maschine-Logik, oder beides, unterstützt. Beispielsweise können solche externen Systeme über höherwertige Rechenressourcen und weiterentwickelte oder aktuelle Maschinelles-Lernen-Modelle verfügen, sodass diese Dienste bessere Ergebnisse bereitstellen können als das, was nativ auf dem Verarbeitungssystem 610 eines Fahrzeugs erzeugt würde. Beispielsweise kann sich ein bordeigenes Verarbeitungssystem 610 für bestimmte Aufgaben und die Handhabung bestimmter Szenarien auf das Maschinelles-Lernen-Training, die Maschinelles-Lernen-Inferenz und/oder die Maschinelles-Lernen-Modelle verlassen, die über einen Cloud-basierten Dienst bereitgestellt sind. Es sollte tatsächlich darauf hingewiesen werden, dass eines oder mehrere der erörterten und als zum Fahrzeug 505 gehörend dargestellten Module bei einigen Implementierungen alternativ oder redundant innerhalb eines Cloud-basierten, Fog-basierten oder eines anderen Rechensystems, das eine Autonomes-Fahren-Umgebung unterstützt, bereitgestellt sein können.
Verschiedene Ausführungsbeispiele hierin können ein oder mehrere Maschinelles-Lernen-Modelle nutzen, um Funktionen des AV-Stacks (oder andere hierin beschriebene Funktionen) auszuführen. Ein Maschinelles-Lernen-Modell kann durch ein Rechensystem ausgeführt werden, um die Performance einer bestimmten Aufgabe schrittweise zu verbessern. Bei einigen Ausführungsbeispielen können die Parameter eines Maschinelles-Lernen-Modells während einer Trainingsphase basierend auf Trainingsdaten angepasst werden. Ein trainiertes Maschinelles-Lernen-Modell kann dann während einer Inferenzphase verwendet werden, um Vorhersagen oder Entscheidungen basierend auf Eingabedaten zu treffen.
Die hierin beschriebenen Maschinelles-Lernen-Modelle können irgendeine geeignete Form annehmen oder irgendwelche geeigneten Techniken verwenden. Beispielsweise kann irgendeines der Maschinelles-Lernen-Modelle Techniken des Überwachten Lernens (supervised learning), des Teilüberwachten Lernens (semi-supervised learning), des Unüberwachten Lernens (unsupervised learning) oder des Bestärkenden Lernens (reinforcement learning) verwenden.
Bei Überwachtem Lernen kann das Modell unter Verwendung eines Trainingsdatensatzes aufgebaut werden, der sowohl die Eingaben als auch die entsprechenden erwünschten Ausgaben umfasst. Jeder Trainingsfall kann eine oder mehrere Eingaben und eine erwünschte Ausgabe umfassen. Das Training kann eine Iteration durch Trainingsfälle und eine Verwendung einer objektiven Funktion umfassen, um dem Modell beizubringen, die Ausgabe für neue Eingaben vorherzusagen. Bei Teilüberwachtem Lernen fehlen möglicherweise einem Abschnitt der Eingaben in dem Trainingssatz die erwünschten Ausgaben.
Bei Unüberwachtem Lernen kann das Modell aus einem Satz von Daten aufgebaut werden, der nur Eingaben und keine erwünschten Ausgaben umfasst. Das Unüberwachte Modell kann verwendet werden, um Struktur in den Daten zu finden (z. B. Gruppieren oder Clustern von Datenpunkten), indem Muster in den Daten entdeckt werden. Techniken, die in einem Unüberwachtes-Lernen-Modell implementiert sein können, umfassen z. B. selbstorganisierende Karten (selforganizing maps), Nächste-Nachbarn- (nearest-neighbor-) Abbildung, k-Means-Clustering und Singulärwertzerlegung.
Bestärkendes-Lernen-Modelle können positive oder negative Rückmeldung erhalten, um die Genauigkeit zu verbessern. Ein Bestärkendes-Lernen-Modell kann versuchen, ein oder mehrere Ziele/Belohnungen zu maximieren. Techniken, die in einem Bestärkendes-Lernen-Modell implementiert werden können, umfassen z. B. Q-Learning, Temporal Difference (TD) und Deep Adversarial Networks.
Verschiedene hierin beschriebene Ausführungsbeispiele können ein oder mehrere Klassifizierungsmodelle verwenden. In einem Klassifizierungsmodell können die Ausgaben auf einen begrenzten Satz von Werten beschränkt werden. Das Klassifizierungsmodell kann eine Klasse für einen Eingabesatz von einem oder mehreren Eingabewerten ausgeben. Hiesige Verweise auf Klassifizierungsmodelle können ein Modell betrachten, das z. B. irgendeine oder mehrere der folgenden Techniken implementiert: lineare Klassifizierer (z. B. logistische Regression oder naiver Bayes-Klassifizierer), Unterstützungs-Vektormaschinen, Entscheidungsbäume, geboostete Bäume (boosted trees), Random Forest, neuronale Netze oder Nächster-Nachbar.
Verschiedene hierin beschriebene Ausführungsbeispiele können ein oder mehrere Regressionsmodelle verwenden. Ein Regressionsmodell kann einen numerischen Wert aus einem durchgehenden Bereich basierend auf einem Eingabesatz von einem oder mehreren Werten ausgeben. Hiesige Verweise auf Regressionsmodelle können ein Modell betrachten, das z. B. irgendeine oder mehrere der folgenden Techniken (oder andere geeignete Techniken) implementiert: lineare Regression, Entscheidungsbäume, Random Forest oder neuronale Netze.
Bezug nehmend auf 7 ist ein vereinfachtes Blockdiagramm 700 gezeigt, das beispielhafte Ebenen des autonomen Fahrens veranschaulicht, die in verschiedenen Fahrzeugen (z. B. durch ihre entsprechenden bordeigenen Rechensysteme) unterstützt werden können. Beispielsweise kann ein Bereich von Ebenen definiert sein (z. B. L0-L5 (705-735)), wobei Ebene 5 (L5) Fahrzeugen mit der höchsten Ebene autonomer Fahrfunktionalität (z. B. Vollautomatisierung) entspricht und Ebene 0 (L0) der niedrigsten Ebene autonomer Fahrfunktionalität (z. B. keine Automatisierung) entspricht. Beispielsweise kann ein L5-Fahrzeug (z. B. 735) über ein vollständig autonomes Rechensystem verfügen, das in der Lage ist, in jedem Fahrszenario eine Autonomes-Fahren-Performance bereitzustellen, die gleich oder besser ist als die eines menschlichen Fahrers, umfassend bei extremen Straßenbedingungen und Wetter. Ein L4-Fahrzeug (z. B. 730) kann auch als vollständig autonom und in der Lage, sicherheitskritische Fahrfunktionen auszuführen und Fahrbahnzustände während einer gesamten Fahrt von einem Startort bis zu einem Zielort effektiv zu überwachen, betrachtet werden. L4-Fahrzeuge können sich von L5-Fahrzeugen dadurch unterscheiden, dass die autonomen Fähigkeiten eines L4 innerhalb der Grenzen des „operationellen Entwurfsbereichs“ des Fahrzeugs definiert sind, der möglicherweise nicht alle Fahrszenarien umfasst. L3-Fahrzeuge (z. B. 720) stellen eine autonome Fahrfunktionalität bereit, um sicherheitskritische Funktionen in einem Satz von spezifischen Verkehrs- und Umgebungsbedingungen vollständig auf das Fahrzeug zu verlagern, die aber dennoch die Beteiligung und Verfügbarkeit menschlicher Fahrer erwarten, um das Fahren in allen anderen Szenarien zu handhaben. Dementsprechend können L3-Fahrzeuge Übergabeprotokolle bereitstellen, um die Übertragung der Steuerung von einem menschlichen Fahrer auf den Autonomes-Fahren-Stack und zurück zu orchestrieren. L2-Fahrzeuge (z. B. 715) stellen eine Fahrerassistenzfunktionalität bereit, die es dem Fahrer erlaubt, sich gelegentlich von der physischen Bedienung des Fahrzeugs zu lösen, derart, dass sowohl die Hände als auch die Füße des Fahrers periodisch von den physischen Steuerungselementen des Fahrzeugs gelöst werden können. L1-Fahrzeuge (z. B. 710) stellen eine Fahrerassistenz einer oder mehrerer spezifischer Funktionen (z. B. Lenkung, Bremsen etc.) bereit, erfordern aber dennoch eine ständige Steuerung seitens des Fahrers der meisten Funktionen des Fahrzeugs. L0-Fahrzeuge können als nicht autonom angesehen werden - der menschliche Fahrer steuert die gesamte Fahrfunktionalität des Fahrzeugs (obwohl solche Fahrzeuge dennoch passiv innerhalb autonomer Fahrumgebungen teilnehmen können, z. B. durch die Bereitstellung von Sensordaten an Fahrzeuge höherer Ebenen, unter Verwendung von Sensordaten zur Verbesserung von GPS- und Infotainment-Diensten innerhalb des Fahrzeugs etc.). Bei einigen Implementierungen kann ein einzelnes Fahrzeug den Betrieb auf mehreren Autonomes-Fahren-Ebenen unterstützen. Beispielsweise kann ein Fahrer steuern und auswählen, welche unterstützte Autonomieebene während einer bestimmten Fahrt verwendet wird (z. B. L4 oder eine niedrigere Ebene). In anderen Fällen kann ein Fahrzeug autonom zwischen den Ebenen umschalten, z. B. basierend auf Bedingungen, die die Fahrbahn oder das autonome Fahrsystem des Fahrzeugs beeinflussen. Zum Beispiel kann ein L5- oder L4-Fahrzeug ansprechend auf das Detektieren, dass ein oder mehrere Sensoren beeinträchtigt wurden, in einen niedrigeren Modus (z. B. L2 oder niedriger) schalten, um angesichts des Sensorproblems einen menschlichen Insassen einzubeziehen, neben anderen Beispielen.
8 ist ein vereinfachtes Blockdiagramm 800, das einen beispielhaften Autonomes-Fahren-Ablauf veranschaulicht, der in einigen autonomen Fahrsystemen implementiert sein kann. So kann beispielsweise ein Autonomes-Fahren-Ablauf, der in einem autonomen (oder halbautonomen) Fahrzeug implementiert wird, eine Erfassungs- und Wahrnehmungsstufe 805, eine Planungs- und Entscheidungsstufe 810 und eine Steuerungs- und Handlungsphase 815 umfassen. Während einer Erfassungs- und Wahrnehmungsstufe 805 werden Daten durch verschiedene Sensoren erzeugt und zur Verwendung durch das autonome Fahrsystem gesammelt. Die Datensammlung kann in einigen Fällen einen Datenfilterungs- und Empfangssensor aus externen Quellen umfassen. Diese Stufe kann auch Sensorfusionsoperationen und Objekterkennung und andere Wahrnehmungsaufgaben, wie beispielsweise Lokalisierung, umfassen, die unter Verwendung eines oder mehrerer Maschinelles-Lernen-Modelle ausgeführt werden. Eine Planungs- und Entscheidungsstufe 810 kann die Sensordaten und Ergebnisse verschiedener Wahrnehmungsoperationen nutzen, um probabilistische Vorhersagen über die vorausliegende(n) Fahrbahn(en) zu treffen und basierend auf diesen Vorhersagen einen Echtzeit-Pfadplan zu bestimmen. Eine Planungs- und Entscheidungsstufe 810 kann zusätzlich das Treffen von Entscheidungen in Bezug auf den Pfadplan ansprechend auf die Detektion von Hindernissen und anderen Ereignissen umfassen, um zu entscheiden, ob und welche Maßnahmen zu ergreifen sind, um den bestimmten Pfad angesichts dieser Ereignisse sicher zu befahren. Basierend auf dem Pfadplan und den Entscheidungen der Planungs- und Entscheidungsstufe 810 kann eine Steuerungs- und Handlungsstufe 815 diese Bestimmungen in Handlungen umwandeln, durch Aktuatoren zur Manipulation der Fahrsteuerungen, umfassend Lenkung, Beschleunigung und Bremsen, sowie sekundärer Steuerungen wie beispielsweise Blinker, Sensorreiniger, Scheibenwischer, Scheinwerfer etc.
9-10 sind Blockdiagramme beispielhafter Computerarchitekturen, die gemäß hierin offenbarten Ausführungsbeispielen verwendet werden können. Andere im Stand der Technik für Prozessoren und Rechensysteme bekannte Computerarchitekturentwürfe können auch verwendet werden. Im Allgemeinen können geeignete Computerarchitekturen für hierin offenbarte Ausführungsbeispiele Konfigurationen umfassen, die in den 9-10 dargestellt sind, sind aber nicht darauf beschränkt.
9 ist eine beispielhafte Darstellung eines Prozessors gemäß einem Ausführungsbeispiel. Der Prozessor 900 ist ein Beispiel einer Art von Hardware-Vorrichtung, die in Verbindung mit den vorangehenden Implementierungen verwendet werden kann. Der Prozessor 900 kann irgendeine Art von Prozessor sein, z. B. ein Mikroprozessor, ein eingebetteter Prozessor, ein digitaler Signalprozessor (DSP), ein Netzwerkprozessor, ein Mehrkernprozessor, ein Einkernprozessor oder eine andere Vorrichtung zum Ausführen eines Codes. Obgleich nur ein Prozessor 900 in 9 dargestellt ist, kann ein Verarbeitungselement alternativ mehr als einen des in 9 dargestellten Prozessors 900 umfassen. Der Prozessor 900 kann ein Einzel-Thread-Kern sein oder bei zumindest einem Ausführungsbeispiel kann der Prozessor 900 dahingehend multi-threaded sein, dass er mehr als einen Hardware-Thread-Kontext (oder „logischen Prozessor“) pro Kern umfassen kann.
9 veranschaulicht gemäß einem Ausführungsbeispiel auch einen Speicher 902, der mit dem Prozessor 900 gekoppelt ist. Der Speicher 902 kann irgendeiner einer breiten Vielzahl von Speichern (umfassend verschiedene Schichten von Speicherhierarchie) sein, wie sie Fachleuten auf dem Gebiet bekannt oder anderweitig für sie verfügbar sind. Solche Speicherelemente können umfassen, sind aber nicht beschränkt auf, Direktzugriffsspeicher (RAM; Random Access Memory), Nur-Lese-Speicher (ROM; Read Only Memory), logische Blöcke eines feldprogrammierbaren Gate-Arrays (FPGA; Field Programmable Gate Array), löschbaren programmierbaren Nur-Lese-Speicher (EPROM; Erasable Programmable Read Only Memory) und elektrisch löschbaren, programmierbaren ROM (EEPROM; electrically erasable programmable ROM).
Der Prozessor 900 kann irgendeine Art von Anweisungen ausführen, die hierin detaillierten Prozessen, Prozessen oder Operationen zugeordnet sind. Im Allgemeinen kann der Prozessor 900 ein Element oder einen Artikel (z. B. Daten) von einem Zustand oder einer Sache in einen anderen Zustand oder eine andere Sache transformieren.
Ein Code 904, der eine oder mehrere durch den Prozessor 900 auszuführende Anweisungen sein kann, kann in dem Speicher 902 gespeichert sein, oder er kann in Software, Hardware, Firmware oder irgendeiner geeigneten Kombination davon oder in irgendeiner anderen internen oder externen Komponente, Vorrichtung, Element oder Objekt gespeichert sein, wo dies angemessen ist und basierend auf bestimmten Bedürfnissen. Bei einem Beispiel kann der Prozessor 900 einer Programmsequenz von Anweisungen folgen, die durch den Code 904 angezeigt wird. Jede Anweisung geht in eine Frontend-Logik 906 und wird durch einen oder mehrere Decodierer 908 verarbeitet. Der Decodierer kann als seine Ausgabe eine Mikrooperation wie z. B. eine Feste-Breite-Mikrooperation in einem vordefinierten Format erzeugen, oder kann andere Anweisungen, Mikroanweisungen oder Steuersignale erzeugen, die die ursprüngliche Codeanweisung widerspiegeln. Die Frontend-Logik 906 umfasst auch die Register-Umbenennungslogik 910 und die Zeitplanungs-Logik 912, die im Allgemeinen Ressourcen zuweisen, und die Operation, die der Anweisung zur Ausführung entspricht, in eine Warteschlange stellen.
Der Prozessor 900 kann auch eine Ausführungslogik 914 umfassen, die einen Satz von Ausführungseinheiten 916a, 916b, 916n etc. aufweist. Einige Ausführungsbeispiele können eine Anzahl von Ausführungseinheiten umfassen, die für spezifische Funktionen oder Sätze von Funktionen zweckgebunden sind. Andere Ausführungsbeispiele können nur eine Ausführungseinheit oder eine Ausführungseinheit, die eine bestimmte Funktion ausführen kann, umfassen. Die Ausführungslogik 914 führt die durch Code-Anweisungen spezifizierten Operationen aus.
Nach Abschluss der Ausführung der durch die Code-Anweisungen spezifizierten Operationen kann die Backend-Logik 918 die Anweisungen von Code 904 zurückziehen. Bei einem Ausführungsbeispiel erlaubt der Prozessor 900 die Ausführung außerhalb der Reihenfolge, fordert aber ein Zurückziehen von Anweisungen der Reihenfolge nach. Die Zurückziehen-Logik 920 kann eine Vielzahl bekannter Formen annehmen (z. B. Neuanordnungs- (re-order) Puffer oder Ähnliches). Auf diese Weise wird der Prozessor 900 während der Ausführung von Code 904 transformiert, zumindest hinsichtlich der Ausgabe, die durch den Decodierer, die Hardware-Register und Tabellen, die durch die Registerumbenennungslogik 910 verwendet werden, und irgendwelchen Registern (nicht gezeigt), die durch die Ausführungslogik 914 modifiziert werden, erzeugt wird.
Obwohl es in 9 nicht gezeigt ist, kann ein Verarbeitungselement andere Elemente auf einem Chip mit Prozessor 900 umfassen. Zum Beispiel kann ein Verarbeitungselement zusammen mit dem Prozessor 900 eine Speichersteuerungslogik umfassen. Das Verarbeitungselement kann eine I/O- Steuerungslogik umfassen und/oder kann eine mit der Speichersteuerungslogik integrierte I/O-Steuerungslogik umfassen. Das Verarbeitungselement kann auch einen oder mehrere Caches umfassen. Bei einigen Ausführungsbeispielen kann auch ein nichtflüchtiger Speicher (wie beispielsweise Flash-Speicher oder Sicherungen) auf dem Chip mit Prozessor 900 umfasst sein.
10 stellt ein Rechensystem 100 dar, das in einer Punkt-zu-Punkt- (PtP; point-to-point) Konfiguration angeordnet ist, gemäß einem Ausführungsbeispiel. Genauer gesagt zeigt 10 ein System, wo Prozessoren, Speicher und Eingabe-/Ausgabe-Vorrichtungen durch eine Anzahl von Punkt-zu-Punkt-Schnittstellen verbunden sind. Im Allgemeinen können ein oder mehrere der hierin beschriebenen Rechensysteme auf die gleiche oder ähnliche Weise wie das Rechensystem 900 ausgebildet sein.
Die Prozessoren 1070 und 1080 können auch jeweils die integrierte Speichersteuerungslogik (MC; memory controller) 1072 und 1082 umfassen, um mit den Speicherelementen 1032 und 1034 zu kommunizieren. Bei alternativen Ausführungsbeispielen kann die Speichersteuerlogik 1072 und 1082 eine von den Prozessoren 1070 und 1080 getrennte diskrete Logik sein. Die Speicherelemente 1032 und/oder 1034 können verschiedene Daten speichern, die durch die Prozessoren 1070 und 1080 verwendet werden sollen, um die hierin dargestellten Operationen und Funktionalität zu erreichen.
Die Prozessoren 1070 und 1080 können irgendeine Art von Prozessor sein, wie sie beispielsweise in Verbindung mit anderen Figuren erörtert werden. Die Prozessoren 1070 und 1080 können Daten über eine Punkt-zu-Punkt- (PtP) Schnittstelle 1050 jeweils unter Verwendung von Punkt-zu-Punkt-Schnittstellenschaltungen 1078 und 1088 austauschen. Die Prozessoren 1070 und 1080 können jeweils Daten mit einem Chipsatz 1090 über individuelle Punkt-zu-Punkt-Schnittstellen 1052 und 1054 unter Verwendung der Punkt-zu-Punkt-Schnittstellenschaltungen 1076, 1086, 1094 und 1098 austauschen. Der Chipsatz 1090 kann über eine Schnittstelle 1039, die eine PtP-Schnittstellenschaltung sein könnte, auch Daten mit einem Co-Prozessor 1038 austauschen, z. B. einer Hochperformance-Grafikschaltung, einem Maschinelles-Lernen-Beschleuniger oder einem anderen Co-Prozessor 1038. Bei alternativen Ausführungsbeispielen könnten irgendwelche oder alle der in 10 dargestellten PtP-Links als Multidrop-Bus statt als PtP-Link implementiert sein.
Der Chipsatz 1090 kann über eine Schnittstellenschaltung 1096 mit einem Bus 1020 kommunizieren. Der Bus 1020 kann eine oder mehrere Vorrichtungen aufweisen, die über ihn kommunizieren, wie beispielsweise eine Busbrücke 1018 und I/O-Vorrichtungen 1016. Über einen Bus 1010 kann die Busbrücke 1018 mit anderen Vorrichtungen kommunizieren, wie beispielsweise einer Benutzerschnittstelle 1012 (wie beispielsweise Tastatur, Maus, Touchscreen oder anderen Eingabevorrichtungen), Kommunikationsvorrichtungen 1026 (wie beispielsweise Modems, Netzwerkschnittstellenvorrichtungen oder anderen Arten von Kommunikationsvorrichtungen, die durch ein Computernetzwerk 1060 kommunizieren können), Audio-I/O-Vorrichtungen 1014 und/oder einer Datenspeicherungsvorrichtung 1028. Die Datenspeicherungsvorrichtung 1028 kann den Code 1030 speichern, der durch die Prozessoren 1070 und/oder 1080 ausgeführt werden kann. Bei alternativen Ausführungsbeispielen können irgendwelche Abschnitte der Busarchitekturen mit einem oder mehreren PtP-Links implementiert sein.
Das in 10 dargestellte Computersystem ist eine schematische Darstellung eines Ausführungsbeispiels eines Rechensystems, das verwendet werden kann, um verschiedene hierin erörterte Ausführungsbeispiele zu implementieren. Es wird darauf hingewiesen, dass verschiedene Komponenten des in 10 dargestellten Systems in einer System-auf-einem-Chip- (SoC; system-on-a-chip) Architektur oder in irgendeiner anderen geeigneten Konfiguration kombiniert werden können, die in der Lage ist, die Funktionalität und Merkmale der hierin bereitgestellten Beispiele und Implementierungen zu erreichen.
Während einige der hierin beschriebenen und dargestellten Systeme und Lösungen als eine Mehrzahl von Elementen umfassend oder dieser zugeordnet beschrieben wurden, werden möglicherweise nicht alle explizit dargestellten oder beschriebenen Elemente bei jeder alternativen Implementierung der vorliegenden Offenbarung verwendet. Zusätzlich können sich eines oder mehrere der hierin beschriebenen Elemente außerhalb eines Systems befinden, während in anderen Fällen bestimmte Elemente innerhalb eines oder als ein Abschnitt eines oder mehrerer der anderen beschriebenen Elemente umfasst sein können, ebenso wie andere Elemente, die in der dargestellten Implementierung nicht beschrieben sind. Ferner können bestimmte Elemente mit anderen Komponenten kombiniert werden, sowie für alternative oder zusätzliche Zwecke neben den hierin beschriebenen Zwecken verwendet werden.
Die folgenden Beispiele beziehen sich auf Ausführungsbeispiele gemäß dieser Beschreibung. Beispiel 1 ist eine Vorrichtung, umfassend eine Gruppenantenne, umfassend eine Mehrzahl von Antennen zum Empfangen einer Mehrzahl von Radarsignalen, die durch eine Mehrzahl von Objekten ansprechend auf ein übertragenes Radarsignal reflektiert wird; ein Doppler-Messmodul zum Bestimmen, für ein erstes reflektiertes Radarsignal der Mehrzahl von reflektierten Radarsignalen, einer ersten Doppler-Messung, die eine Geschwindigkeitskomponente basierend auf einem Vergleich des ersten reflektierten Radarsignals mit dem übertragenen Radarsignal anzeigt; ein Phasenversatz-Messmodul zum Bestimmen eines ersten Phasenversatzes des ersten reflektierten Radarsignals, das an einer ersten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu einer Phase des ersten reflektierten Radarsignals, das an einer Referenzantenne der Mehrzahl von Antennen empfangen wird; und ein Phasenversatz-Kalibrierungsmodul zum Bestimmen, für die erste Antenne, eines ersten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem ersten Phasenversatz.
Beispiel 2 kann den Gegenstand von Beispiel 1 umfassen, wobei das Phasenversatz-Kalibrierungsmodul ausgebildet ist zum Bestimmen, für jedes Objekt der Mehrzahl von Objekten, eines Phasenversatz-Kalibrierungsfehlers basierend auf einer Doppler-Messung und einer dem jeweiligen Objekt zugeordneten Phasenversatz-Messung.
Beispiel 3 kann den Gegenstand von Beispiel 2 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler für die erste Antenne ein Mittel der Phasenversatz-Kalibrierungsfehler ist, die für jedes Objekt der Mehrzahl von Objekten bestimmt werden.
Beispiel 4 kann den Gegenstand von Beispiel 2 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler für die erste Antenne ein getrimmtes Mittel der Phasenversatz-Kalibrierungsfehler ist, die für jedes Objekt der Mehrzahl von Objekten bestimmt werden.
Beispiel 5 kann den Gegenstand von Beispiel 2 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler für die erste Antenne ein Medianwert der Phasenversatz-Kalibrierungsfehler ist, die für jedes Objekt der Mehrzahl von Objekten bestimmt werden.
Beispiel 6 kann den Gegenstand von Beispiel 2 umfassen, wobei die Mehrzahl von Objekten stationäre Objekte und sich bewegende Objekte umfasst.
Beispiel 7 kann den Gegenstand eines der Beispiele 1-6 umfassen, wobei das Phasenversatz-Messmodul ausgebildet ist zum Bestimmen eines zweiten Phasenversatzes des ersten reflektierten Radarsignals, das an einer zweiten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu der Phase des ersten reflektierten Radarsignals, das an der Referenzantenne der Mehrzahl von Antennen empfangen wird; und das Phasenversatz-Kalibrierungsmodul ausgebildet ist zum Bestimmen, für die zweite Antenne, eines zweiten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem zweiten Phasenversatz.
Beispiel 8 kann den Gegenstand von einem der Beispiele 1-7 umfassen, ferner umfassend ein Winkelbestimmungsmodul zum Berechnen eines Winkels, der eine Position eines ersten Objekts anzeigt, das das erste reflektierte Radarsignal reflektierte, wobei die Winkelberechnung teilweise auf einem korrigierten Phasenversatz basiert, der durch Subtrahieren des ersten Phasenversatz-Kalibrierungsfehlers von dem ersten Phasenversatz berechnet wird.
Beispiel 9 kann den Gegenstand von einem der Beispiele 1-8 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler ferner auf einer Schnelligkeit eines Fahrzeugs basiert, das die Gruppenantenne umfasst.
Beispiel 10 kann den Gegenstand von einem der Beispiele 1-9 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler ferner auf einer Distanz zwischen der ersten Antenne und der Referenzantenne basiert.
Beispiel 11 ist ein Verfahren, umfassend ein Empfangen, durch eine Mehrzahl von Antennen, einer Mehrzahl von Radarsignalen, die ansprechend auf ein übertragenes Radarsignal durch eine Mehrzahl von Objekten reflektiert wird; ein Bestimmen, für ein erstes reflektiertes Radarsignal der Mehrzahl von reflektierten Radarsignalen, einer ersten Doppler-Messung, die eine Geschwindigkeitskomponente basierend auf einem Vergleich des ersten reflektierten Radarsignals mit dem übertragenen Radarsignal anzeigt; ein Bestimmen eines ersten Phasenversatzes des ersten reflektierten Radarsignals, das an einer ersten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu einer Phase des ersten reflektierten Radarsignals, das an einer Referenzantenne der Mehrzahl von Antennen empfangen wird; und ein Bestimmen, für die erste Antenne, eines ersten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem ersten Phasenversatz.
Beispiel 12 kann den Gegenstand von Beispiel 11 umfassen, ferner umfassend ein Bestimmen, für jedes Objekt der Mehrzahl von Objekten, eines Phasenversatz-Kalibrierungsfehlers basierend auf einer Doppler-Messung und einer dem jeweiligen Objekt zugeordneten Phasenversatz-Messung.
Beispiel 13 kann den Gegenstand von Beispiel 12 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler für die erste Antenne ein Mittel der Phasenversatz-Kalibrierungsfehler ist, die für jedes Objekt der Mehrzahl von Objekten bestimmt werden.
Beispiel 14 kann den Gegenstand von Beispiel 12 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler für die erste Antenne ein getrimmtes Mittel der Phasenversatz-Kalibrierungsfehler ist, die für jedes Objekt der Mehrzahl von Objekten bestimmt werden.
Beispiel 15 kann den Gegenstand von Beispiel 12 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler für die erste Antenne ein Medianwert der Phasenversatz-Kalibrierungsfehler ist, die für jedes Objekt der Mehrzahl von Objekten bestimmt werden.
Beispiel 16 kann den Gegenstand von Beispiel 12 umfassen, wobei die Mehrzahl von Objekten stationäre Objekte und sich bewegende Objekte umfasst.
Beispiel 17 kann den Gegenstand von einem der Beispiele 11-16 umfassen, der einen zweiten Phasenversatz des ersten reflektierten Radarsignals, das an einer zweiten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu der Phase des ersten reflektierten Radarsignals, das an der Referenzantenne der Mehrzahl von Antennen empfangen wird, bestimmt; und, für die zweite Antenne, einen zweiten Phasenversatz-Kalibrierungsfehler basierend auf der ersten Doppler-Messung und dem zweiten Phasenversatz bestimmt.
Beispiel 18 kann den Gegenstand von einem der Beispiele 11-17 umfassen, ferner umfassend ein Berechnen eines Winkels, der eine Position eines ersten Objekts anzeigt, das das erste reflektierte Radarsignal reflektierte, wobei die Winkelberechnung teilweise auf einem korrigierten Phasenversatz basiert, der durch Subtrahieren des ersten Phasenversatz-Kalibrierungsfehlers von dem ersten Phasenversatz berechnet wird.
Beispiel 19 kann den Gegenstand von einem der Ansprüche 11-18 umfassen, ferner umfassend ein Berechnen einer Schnelligkeit eines Fahrzeugs, umfassend die Mehrzahl von Antennen, und ein Bestimmen des ersten Phasenversatz-Kalibrierungsfehlers basierend auf der Schnelligkeit des Fahrzeugs.
Beispiel 20 kann den Gegenstand von einem der Beispiele 11-19 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler ferner auf einer Distanz zwischen der ersten Antenne und der Referenzantenne basiert.
Beispiel 21 ist ein Fahrzeug, umfassend einen Prozessor; Fahrsteuerungen, umfassend einen Beschleuniger und ein Lenkungssystem; und ein Radarsystem zum Empfangen, durch eine Mehrzahl von Antennen, einer Mehrzahl von Radarsignalen, die ansprechend auf ein übertragenes Radarsignal durch eine Mehrzahl von Objekten reflektiert wird; Bestimmen, für ein erstes reflektiertes Radarsignal der Mehrzahl von reflektierten Radarsignalen, einer ersten Doppler-Messung, die eine Geschwindigkeitskomponente basierend auf einem Vergleich des ersten reflektierten Radarsignals mit dem übertragenen Radarsignal anzeigt; Bestimmen eines ersten Phasenversatzes des ersten reflektierten Radarsignals, das an einer ersten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu einer Phase des ersten reflektierten Radarsignals, das an einer Referenzantenne der Mehrzahl von Antennen empfangen wird; und Bestimmen, für die erste Antenne, eines ersten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem ersten Phasenversatz.
Beispiel 22 kann den Gegenstand von Beispiel 21 umfassen, wobei das Radarsystem ausgebildet ist zum Bestimmen, für jedes Objekt der Mehrzahl von Objekten, eines Phasenversatz-Kalibrierungsfehlers basierend auf einer Doppler-Messung und einer dem jeweiligen Objekt zugeordneten Phasenversatz-Messung.
Beispiel 23 kann den Gegenstand von Beispiel 22 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler für die erste Antenne ein Mittel der Phasenversatz-Kalibrierungsfehler ist, die für jedes Objekt der Mehrzahl von Objekten bestimmt werden.
Beispiel 24 kann den Gegenstand von Beispiel 22 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler für die erste Antenne ein getrimmtes Mittel der Phasenversatz-Kalibrierungsfehler ist, die für jedes Objekt der Mehrzahl von Objekten bestimmt werden.
Beispiel 25 kann den Gegenstand von Beispiel 22 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler für die erste Antenne ein Medianwert der Phasenversatz-Kalibrierungsfehler ist, die für jedes Objekt der Mehrzahl von Objekten bestimmt werden.
Beispiel 26 kann den Gegenstand von Beispiel 22 umfassen, wobei die Mehrzahl von Objekten stationäre Objekte und sich bewegende Objekte umfasst.
Beispiel 27 kann den Gegenstand von einem der Beispiele 21-26 umfassen, wobei das Radarsystem ausgebildet ist zum Bestimmen eines zweiten Phasenversatzes des ersten reflektierten Radarsignals, das an einer zweiten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu der Phase des ersten reflektierten Radarsignals, das an der Referenzantenne der Mehrzahl von Antennen empfangen wird; und Bestimmen, für die zweite Antenne, eines zweiten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem zweiten Phasenversatz.
Beispiel 28 kann den Gegenstand von einem der Beispiele 21-27 umfassen, wobei das Radarsystem ausgebildet ist zum Berechnen eines Winkels, der eine Position eines ersten Objekts anzeigt, das das erste reflektierte Radarsignal reflektierte, wobei die Winkelberechnung teilweise auf einem korrigierten Phasenversatz basiert, der durch Subtrahieren des ersten Phasenversatz-Kalibrierungsfehlers von dem ersten Phasenversatz berechnet wird.
Beispiel 29 kann den Gegenstand von einem der Beispiele 21-28 umfassen, wobei das Radarsystem ausgebildet ist zum Bestimmen des ersten Phasenversatz-Kalibrierungsfehlers basierend auf einer Schnelligkeit des Fahrzeugs.
Beispiel 30 kann den Gegenstand von einem der Beispiele 21-29 umfassen, wobei der erste Phasenversatz-Kalibrierungsfehler ferner auf einer Distanz zwischen der ersten Antenne und der Referenzantenne basiert.
Es wird darauf hingewiesen, dass die vorstehend gezeigten Beispiele nicht einschränkende Beispiele sind, die lediglich bereitgestellt sind, um bestimmte Grundsätze und Merkmale darzustellen und nicht zwingend die möglichen Ausführungsbeispiele der hierin beschriebenen Konzepte beschränken oder einschränken. Beispielsweise kann eine Mehrzahl unterschiedlicher Ausführungsbeispiele unter Verwendung verschiedener Kombinationen der hierin beschriebenen Merkmale und Komponenten realisiert werden, umfassend Kombinationen, die durch die verschiedenen Implementierungen der hierin beschriebenen Komponenten realisiert werden. Andere Implementierungen, Merkmale und Details sollten dem Inhalt dieser Beschreibung entnommen werden.
Obwohl diese Offenbarung in Bezug auf bestimmte Implementierungen und allgemein zugeordnete Verfahren beschrieben wurde, sind Abänderungen und Permutationen dieser Implementierungen und Verfahren für den Fachmann offensichtlich. Beispielsweise können die hierin beschriebenen Handlungen in einer anderen Reihenfolge als beschrieben durchgeführt werden und dennoch die erwünschten Ergebnisse erzielen. Als Beispiel erfordern die in den beiliegenden Figuren dargestellten Prozesse nicht notwendigerweise die bestimmte gezeigte Reihenfolge oder sequenzielle Reihenfolge, um die erwünschten Ergebnisse zu erzielen. Bei bestimmten Implementierungen können Multitasking und parallele Verarbeitung vorteilhaft sein. Zusätzlich können andere Benutzerschnittstellen-Layouts und Funktionalität unterstützt werden. Andere Variationen sind innerhalb des Schutzbereichs der folgenden Ansprüche.
Obwohl diese Beschreibung viele spezifische Implementierungsdetails umfasst, sollten diese nicht als Einschränkungen im Hinblick auf den Schutzbereich irgendwelcher Erfindungen oder dessen, was beansprucht werden kann, ausgelegt werden, sondern vielmehr als Beschreibungen von Merkmalen, die für einige Ausführungsbeispiele spezifisch sind. Bestimmte Merkmale, die in dieser Beschreibung in dem Kontext separater Ausführungsbeispiele beschrieben sind, können auch in Kombination in einem einzelnen Ausführungsbeispiel implementiert werden. Umgekehrt können verschiedene Merkmale, die im Kontext eines einzelnen Ausführungsbeispiels beschrieben werden, auch in mehreren Ausführungsbeispielen getrennt oder in irgendeiner geeigneten Teilkombination implementiert werden. Ferner, obwohl Merkmale vorstehend als in bestimmten Kombinationen wirkend beschrieben und sogar ursprünglich als solche beansprucht werden können, können in einigen Fällen ein oder mehrere Merkmale einer beanspruchten Kombination aus der Kombination herausgeschnitten werden, und die beanspruchte Kombination kann auf eine Teilkombination oder Variation einer Teilkombination gerichtet sein.
Ähnlich sollte, auch wenn die Operationen in den Zeichnungen in einer bestimmten Reihenfolge dargestellt sind, dies nicht so verstanden werden, dass es erforderlich ist, dass solche Operationen in der gezeigten bestimmten Reihenfolge oder in sequenzieller Reihenfolge ausgeführt werden oder dass alle dargestellten Operationen ausgeführt werden, um die erwünschten Ergebnisse zu erzielen. Unter bestimmten Umständen können Multitasking und parallele Verarbeitung vorteilhaft sein. Ferner sollte die Trennung verschiedener Systemkomponenten bei den vorangehend beschriebenen Ausführungsbeispielen nicht so verstanden werden, dass eine solche Trennung bei allen Ausführungsbeispielen erforderlich ist, und es versteht sich, dass die beschriebenen Programmkomponenten und Systeme im Allgemeinen zusammen in ein einzelnes Softwareprodukt integriert oder in mehrere Softwareprodukte gepackaged werden können.

Claims

Eine Vorrichtung, umfassend: eine Gruppenantenne, umfassend eine Mehrzahl von Antennen zum Empfangen einer Mehrzahl von Radarsignalen, die durch eine Mehrzahl von Objekten ansprechend auf ein übertragenes Radarsignal reflektiert wird; ein Doppler-Messmodul zum Bestimmen, für ein erstes reflektiertes Radarsignal der Mehrzahl von reflektierten Radarsignalen, einer ersten Doppler-Messung, die eine Geschwindigkeitskomponente basierend auf einem Vergleich des ersten reflektierten Radarsignals mit dem übertragenen Radarsignal anzeigt; ein Phasenversatz-Messmodul zum Bestimmen eines ersten Phasenversatzes des ersten reflektierten Radarsignals, das an einer ersten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu einer Phase des ersten reflektierten Radarsignals, das an einer Referenzantenne der Mehrzahl von Antennen empfangen wird; und ein Phasenversatz-Kalibrierungsmodul zum Bestimmen, für die erste Antenne, eines ersten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem ersten Phasenversatz.
Die Vorrichtung gemäß Anspruch 1, wobei das Phasenversatz-Kalibrierungsmodul ausgebildet ist, um für jedes Objekt der Mehrzahl von Objekten einen Phasenversatz-Kalibrierungsfehler basierend auf einer Doppler-Messung und einer dem jeweiligen Objekt zugeordneten Phasenversatz-Messung zu bestimmen.
Die Vorrichtung gemäß Anspruch 2, wobei der erste Phasenversatz-Kalibrierungsfehler für die erste Antenne ein Mittel der Phasenversatz-Kalibrierungsfehler ist, die für jedes Objekt der Mehrzahl von Objekten bestimmt werden.
Die Vorrichtung gemäß Anspruch 2 oder 3, wobei der erste Phasenversatz-Kalibrierungsfehler für die erste Antenne ein getrimmtes Mittel der Phasenversatz-Kalibrierungsfehler ist, die für jedes Objekt der Mehrzahl von Objekten bestimmt werden.
Die Vorrichtung gemäß Anspruch 2, 3 oder 4, wobei der erste Phasenversatz-Kalibrierungsfehler für die erste Antenne ein Medianwert der Phasenversatz-Kalibrierungsfehler ist, die für jedes Objekt der Mehrzahl von Objekten bestimmt werden.
Die Vorrichtung gemäß Anspruch 2, 3, 4 oder 5, wobei die Mehrzahl von Objekten stationäre Objekte und sich bewegende Objekte umfasst.
Die Vorrichtung gemäß einem der Ansprüche 1-6, wobei: das Phasenversatz-Messmodul ausgebildet ist zum Bestimmen eines zweiten Phasenversatzes des ersten reflektierten Radarsignals, das an einer zweiten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu der Phase des ersten reflektierten Radarsignals, das an der Referenzantenne der Mehrzahl von Antennen empfangen wird; und das Phasenversatz-Kalibrierungsmodul ausgebildet ist zum Bestimmen, für die zweite Antenne, eines zweiten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem zweiten Phasenversatz.
Die Vorrichtung gemäß einem der Ansprüche 1-7, ferner umfassend ein Winkelbestimmungsmodul zum Berechnen eines Winkels, der eine Position eines ersten Objekts anzeigt, das das erste reflektierte Radarsignal reflektierte, wobei die Winkelberechnung teilweise auf einem korrigierten Phasenversatz basiert, der durch Subtrahieren des ersten Phasenversatz-Kalibrierungsfehlers von dem ersten Phasenversatz berechnet wird.
Die Vorrichtung gemäß einem der Ansprüche 1-8, wobei der erste Phasenversatz-Kalibrierungsfehler ferner auf einer Schnelligkeit eines Fahrzeugs basiert, das die Gruppenantenne umfasst.
Die Vorrichtung gemäß einem der Ansprüche 1-9, wobei der erste Phasenversatz-Kalibrierungsfehler ferner auf einer Distanz zwischen der ersten Antenne und der Referenzantenne basiert.
Ein Verfahren, umfassend: Empfangen, durch eine Mehrzahl von Antennen, einer Mehrzahl von Radarsignalen, die ansprechend auf ein übertragenes Radarsignal durch eine Mehrzahl von Objekten reflektiert wird; Bestimmen, für ein erstes reflektiertes Radarsignal der Mehrzahl von reflektierten Radarsignalen, einer ersten Doppler-Messung, die eine Geschwindigkeitskomponente basierend auf einem Vergleich des ersten reflektierten Radarsignals mit dem übertragenen Radarsignal anzeigt; Bestimmen eines ersten Phasenversatzes des ersten reflektierten Radarsignals, das an einer ersten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu einer Phase des ersten reflektierten Radarsignals, das an einer Referenzantenne der Mehrzahl von Antennen empfangen wird; und Bestimmen, für die erste Antenne, eines ersten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem ersten Phasenversatz.
Das Verfahren gemäß Anspruch 11, ferner umfassend ein Bestimmen, für jedes Objekt der Mehrzahl von Objekten, eines Phasenversatz-Kalibrierungsfehlers basierend auf einer Doppler-Messung und einer dem jeweiligen Objekt zugeordneten Phasenversatz-Messung.
Das Verfahren gemäß einem der Ansprüche 11-12, ferner umfassend: Bestimmen eines zweiten Phasenversatzes des ersten reflektierten Radarsignals, das an einer zweiten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu der Phase des ersten reflektierten Radarsignals, das an der Referenzantenne der Mehrzahl von Antennen empfangen wird; und Bestimmen, für die zweite Antenne, eines zweiten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem zweiten Phasenversatz.
Das Verfahren gemäß einem der Ansprüche 11-13, ferner umfassend ein Berechnen eines Winkels, der eine Position eines ersten Objekts anzeigt, das das erste reflektierte Radarsignal reflektierte, wobei die Winkelberechnung teilweise auf einem korrigierten Phasenversatz basiert, der durch Subtrahieren des ersten Phasenversatz-Kalibrierungsfehlers von dem ersten Phasenversatz berechnet wird.
Das Verfahren gemäß einem der Ansprüche 11-14, ferner umfassend ein Berechnen einer Schnelligkeit eines Fahrzeugs, umfassend die Mehrzahl von Antennen, und ein Bestimmen des ersten Phasenversatz-Kalibrierungsfehlers basierend auf der Schnelligkeit des Fahrzeugs.
Ein Fahrzeug, umfassend: einen Prozessor; Fahrsteuerungen, umfassend einen Beschleuniger und ein Lenkungssystem; und ein Radarsystem zum: Empfangen, durch eine Mehrzahl von Antennen, einer Mehrzahl von Radarsignalen, die ansprechend auf ein übertragenes Radarsignal durch eine Mehrzahl von Objekten reflektiert wird; Bestimmen, für ein erstes reflektiertes Radarsignal der Mehrzahl von reflektierten Radarsignalen, einer ersten Doppler-Messung, die eine Geschwindigkeitskomponente basierend auf einem Vergleich des ersten reflektierten Radarsignals mit dem übertragenen Radarsignal anzeigt; Bestimmen eines ersten Phasenversatzes des ersten reflektierten Radarsignals, das an einer ersten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu einer Phase des ersten reflektierten Radarsignals, das an einer Referenzantenne der Mehrzahl von Antennen empfangen wird; und Bestimmen, für die erste Antenne, eines ersten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem ersten Phasenversatz.
Das Fahrzeug gemäß Anspruch 16, wobei das Radarsystem ausgebildet ist zum Bestimmen, für jedes Objekt der Mehrzahl von Objekten, eines Phasenversatz-Kalibrierungsfehlers basierend auf einer Doppler-Messung und einer dem jeweiligen Objekt zugeordneten Phasenversatz-Messung.
Das Fahrzeug gemäß einem der Ansprüche 16-17, wobei das Radarsystem ausgebildet ist zum: Bestimmen eines zweiten Phasenversatzes des ersten reflektierten Radarsignals, das an einer zweiten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu der Phase des ersten reflektierten Radarsignals, das an der Referenzantenne der Mehrzahl von Antennen empfangen wird; und Bestimmen, für die zweite Antenne, eines zweiten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem zweiten Phasenversatz.
Das Fahrzeug gemäß einem der Ansprüche 16-18, wobei das Radarsystem ausgebildet ist zum Berechnen eines Winkels, der eine Position eines ersten Objekts anzeigt, das das erste reflektierte Radarsignal reflektierte, wobei die Winkelberechnung teilweise auf einem korrigierten Phasenversatz basiert, der durch Subtrahieren des ersten Phasenversatz-Kalibrierungsfehlers von dem ersten Phasenversatz berechnet wird.
Das Fahrzeug gemäß einem der Ansprüche 16-19, wobei das Radarsystem ausgebildet ist zum Bestimmen des ersten Phasenversatz-Kalibrierungsfehlers basierend auf einer Schnelligkeit des Fahrzeugs.
Ein System, umfassend: eine Mehrzahl von Antennen zum Empfangen einer Mehrzahl von Radarsignalen, die ansprechend auf ein übertragenes Radarsignal durch eine Mehrzahl von Objekten reflektiert wird; Mittel zum Bestimmen, für ein erstes reflektiertes Radarsignal der Mehrzahl von reflektierten Radarsignalen, einer ersten Doppler-Messung, die eine Geschwindigkeitskomponente basierend auf einem Vergleich des ersten reflektierten Radarsignals mit dem übertragenen Radarsignal anzeigt; Mittel zum Bestimmen eines ersten Phasenversatzes des ersten reflektierten Radarsignals, das an einer ersten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu einer Phase des ersten reflektierten Radarsignals, das an einer Referenzantenne der Mehrzahl von Antennen empfangen wird; und Mittel zum Bestimmen, für die erste Antenne, eines ersten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem ersten Phasenversatz.
Das System gemäß Anspruch 21, ferner umfassend Mittel zum Bestimmen, für jedes Objekt der Mehrzahl von Objekten, eines Phasenversatz-Kalibrierungsfehlers basierend auf einer Doppler-Messung und einer dem jeweiligen Objekt zugeordneten Phasenversatz-Messung.
Das System gemäß einem der Ansprüche 21-22, ferner umfassend: Mittel zum Bestimmen eines zweiten Phasenversatzes des ersten reflektierten Radarsignals, das an einer zweiten Antenne der Mehrzahl von Antennen empfangen wird, relativ zu der Phase des ersten reflektierten Radarsignals, das an der Referenzantenne der Mehrzahl von Antennen empfangen wird; und Mittel zum Bestimmen, für die zweite Antenne, eines zweiten Phasenversatz-Kalibrierungsfehlers basierend auf der ersten Doppler-Messung und dem zweiten Phasenversatz.
Das System gemäß einem der Ansprüche 21-23, ferner umfassend Mittel zum Berechnen eines Winkels, der eine Position eines ersten Objekts anzeigt, das das erste reflektierte Radarsignal reflektierte, wobei die Winkelberechnung teilweise auf einem korrigierten Phasenversatz basiert, der durch Subtrahieren des ersten Phasenversatz-Kalibrierungsfehlers von dem ersten Phasenversatz berechnet wird.
Das System gemäß einem der Ansprüche 21-24, ferner umfassend ein Berechnen einer Schnelligkeit eines Fahrzeugs, umfassend die Mehrzahl von Antennen, und ein Bestimmen des ersten Phasenversatz-Kalibrierungsfehlers basierend auf der Schnelligkeit des Fahrzeugs.