DE102021000794A1

DE102021000794A1 - Method for securing data transmission between a sensor and an evaluation unit of a vehicle

Info

Publication number: DE102021000794A1
Application number: DE102021000794.8A
Authority: DE
Inventors: Alexander Hanuschkin
Original assignee: Daimler AG
Current assignee: Mercedes Benz Group AG
Priority date: 2021-02-16
Filing date: 2021-02-16
Publication date: 2021-04-08

Abstract

Die Erfindung betrifft ein Verfahren zur Absicherung einer Datenübertragung (D) zwischen einem visuellen Sensor (1) und einer elektronischen Auswerteeinheit (2) eines Fahrzeuges (3) zur Auswertung erfasster Bildsignale (B) des visuellen Sensors (1). Erfindungsgemäß ist vorgesehen, dass- semantische Informationen (I) erfasster roher Bildsignalen (B) des visuellen Sensors (1) anhand eines Modells (M) maschinellen Lernens ermittelt werden,- das Modell (M) durch Modifikation fahrzeugspezifisch individualisiert wird,- das fahrzeugspezifisch individualisierte Modell (M) jeweils sowohl in Bezug auf den visuellen Sensor (1) als auch in Bezug auf die Auswerteeinheit (2) fahrzeugseitig implementiert wird und- die Datenübertragung (D) zwischen dem visuellen Sensor (1) und der Auswerteeinheit (2) durch einen Abgleich der ermittelten semantischen Informationen (I) verifiziert wird.The invention relates to a method for securing data transmission (D) between a visual sensor (1) and an electronic evaluation unit (2) of a vehicle (3) for evaluating captured image signals (B) from the visual sensor (1). According to the invention it is provided that semantic information (I) of captured raw image signals (B) of the visual sensor (1) are determined using a model (M) of machine learning, - the model (M) is individualized by modification in a vehicle-specific manner, - the vehicle-specifically individualized Model (M) is implemented on the vehicle side both in relation to the visual sensor (1) and in relation to the evaluation unit (2) and the data transmission (D) between the visual sensor (1) and the evaluation unit (2) by a Comparison of the determined semantic information (I) is verified.

Description

Die Erfindung betrifft ein Verfahren zur Absicherung einer Datenübertragung zwischen einem visuellen Sensor und einer elektronischen Auswerteeinheit eines Fahrzeuges zur Auswertung erfasster Bildsignale des visuellen Sensors.The invention relates to a method for securing data transmission between a visual sensor and an electronic evaluation unit of a vehicle for evaluating captured image signals from the visual sensor.

Aus der US 10,203,210 B1 sind ein System und ein Verfahren zur Detektion einer Szenenänderung an einem Ort mittels semantischer Segmentierung bekannt. Das Verfahren als Reaktion auf ein Empfangen aktueller Sensordaten über den Ort umfasst ein Extrahieren einer semantischen Merkmalsverteilung aus aktuellen Sensordaten gemäß einem Semantikänderungsmodell, das erfasste integrale Merkmale und erfasste transiente Merkmale aus den aktuellen Sensordaten identifiziert. Das Verfahren umfasst ein Identifizieren einer Szenenänderung an dem Ort durch Bestimmen, ob sich die erfassten integralen Merkmale von gelernten integralen Merkmalen einer Normalverteilung unterscheiden, die sowohl gelernte integrale Merkmale als auch gelernte Übergangsmerkmale des Ortes anzeigt. Das Verfahren umfasst zudem ein Aktualisieren einer Karte des Ortes als Reaktion auf ein Identifizieren, dass sich eines oder mehrere der erfassten integralen Merkmale von den gelernten integralen Merkmalen der Normalverteilung unterscheiden. Weiterhin umfasst das Verfahren ein Steuern eines oder mehrerer Fahrzeugsysteme eines Fahrzeuges gemäß der Karte.From the US 10,203,210 B1 a system and a method for detecting a scene change at a location by means of semantic segmentation are known. The method in response to receiving current sensor data about the location includes extracting a semantic feature distribution from current sensor data according to a semantic change model that identifies captured integral features and captured transient features from the current sensor data. The method includes identifying a scene change at the location by determining whether the sensed integral features differ from learned integral features of a normal distribution indicating both learned integral features and learned transition features of the location. The method also includes updating a map of the location in response to identifying that one or more of the detected integral features differ from the learned integral features of the normal distribution. Furthermore, the method includes controlling one or more vehicle systems of a vehicle in accordance with the map.

Darüber hinaus beschreibt die US 9,953,236 B1 ein System und ein Verfahren zur semantischen Segmentierung unter Verwendung eines mittels eines auf dichter Übertastung beruhenden Faltungsverfahrens. Das Verfahren umfasst: Empfangen eines Eingabebildes; Erzeugen einer Merkmalskarte aus dem Eingabebild; Durchführung einer Faltungsoperation an der Merkmalskarte und Umformen der Merkmalskarte, um eine Beschriftungskarte zu erzeugen. Weiterhin sieht das Verfahren ein Aufteilen der Beschriftungskarte in gleiche Unterabschnitte, welche dieselben Höhen und Breiten wie die Merkmalskarte aufweisen, ein Stapeln der Unterabschnitte der Beschriftungskarte, um eine vollständige Beschriftungskarte zu erzeugen; und ein Anwenden der Faltungsoperation direkt zwischen der Merkmalskarte und der gesamten Beschriftungskarte, ohne zusätzliche Werte in Entfaltungsschichten einzufügen, um eine semantische Beschriftungskarte zu erzeugen, vor.In addition, the US 9,953,236 B1 a system and method for semantic segmentation using a convolution technique based on dense oversampling. The method includes: receiving an input image; Generating a feature map from the input image; Performing a convolution operation on the feature map and reshaping the feature map to produce an inscription map. Furthermore, the method provides for dividing the marking card into equal subsections which have the same heights and widths as the feature map, stacking the subsections of the marking card in order to produce a complete marking card; and applying the convolution operation directly between the feature map and the entire label, without inserting additional values in deconvolution layers, to generate a semantic label.

Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur Absicherung einer Datenübertragung zwischen einem visuellen Sensor und einer elektronischen Auswerteeinheit eines Fahrzeuges zur Auswertung erfasster Bildsignale anzugeben.The invention is based on the object of specifying a method for securing data transmission between a visual sensor and an electronic evaluation unit of a vehicle for evaluating captured image signals.

Die Aufgabe wird erfindungsgemäß durch ein Verfahren gelöst, welches die in Anspruch 1 angegebenen Merkmale aufweist.The object is achieved according to the invention by a method which has the features specified in claim 1.

Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.Advantageous refinements of the invention are the subject matter of the subclaims.

Ein Verfahren zur Absicherung einer Datenübertragung zwischen einem visuellen Sensor und einer elektronischen Auswerteeinheit eines Fahrzeuges zur Auswertung erfasster Bildsignale des visuellen Sensors sieht erfindungsgemäß vor, dass semantische Informationen erfasster roher Bildsignale des visuellen Sensors anhand eines Modells maschinellen Lernens ermittelt werden und das Modell durch Modifikation fahrzeugspezifisch individualisiert wird. Das fahrzeugspezifisch individualisierte Modell wird jeweils sowohl in Bezug auf den visuellen Sensor als auch in Bezug auf die Auswerteeinheit fahrzeugseitig implementiert und die Datenübertragung zwischen dem visuellen Sensor und der Auswerteeinheit wird durch einen Abgleich der ermittelten semantischen Informationen verifiziert.A method for securing data transmission between a visual sensor and an electronic evaluation unit of a vehicle for evaluating captured image signals from the visual sensor provides, according to the invention, that semantic information of captured raw image signals of the visual sensor is determined using a machine learning model and that the model is individualized by modification in a vehicle-specific manner becomes. The vehicle-specific individualized model is implemented on the vehicle side both in relation to the visual sensor and in relation to the evaluation unit and the data transmission between the visual sensor and the evaluation unit is verified by comparing the semantic information determined.

Durch Anwendung des Verfahrens kann eine Verkehrssicherheit für ein teilautomatisiert oder ein automatisiert fahrendes Fahrzeug erhöht werden, da erfasste Bildsignale des visuellen Sensors, insbesondere einer Kamera, mittels einer semantischen Absicherung einer visuellen Perzeption geschützt werden können.By using the method, traffic safety for a partially automated or automated vehicle can be increased, since captured image signals of the visual sensor, in particular a camera, can be protected by means of a semantic safeguarding of a visual perception.

Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.Embodiments of the invention are explained in more detail below with reference to drawings.

Dabei zeigen:

1 schematisch eine Übersicht zur Durchführung eines Verfahrens zur Absicherung einer Datenübertragung zwischen einem visuellen Sensor und einer elektronischen Auswerteeinheit zur Auswertung erfasster Bildsignale des visuellen Sensors für ein Fahrzeug,
2 schematisch ein Funktionsprinzip des Verfahrens,
3 schematisch das Funktionsprinzip des Verfahrens bei einer beabsichtigten Manipulation der erfassten Bildsignale und
4 schematisch das Funktionsprinzip des Verfahrens bei einer weiteren beabsichtigten Manipulation der erfassten Bildsignale des visuellen Sensors sowie einer beabsichtigten Vortäuschung einer zum manipulierten Bildsignal passenden semantischen Information.

Show:

1 schematically an overview for the implementation of a method for securing data transmission between a visual sensor and an electronic evaluation unit for evaluating captured image signals of the visual sensor for a vehicle,
2 schematically a functional principle of the process,
3 schematically the functional principle of the method in the case of an intended manipulation of the captured image signals and
4th schematically the functional principle of the method in the case of a further intended manipulation of the captured image signals of the visual sensor and an intended pretense of semantic information that matches the manipulated image signal.

Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.Corresponding parts are provided with the same reference symbols in all figures.

1 zeigt eine Übersicht zur Durchführung eines Verfahrens zur Absicherung einer Datenübertragung D zwischen einem visuellen Sensor 1, insbesondere in Form einer Kamera, und einer elektronischen Auswerteeinheit 2 zur Auswertung erfasster Bildsignale B des visuellen Sensors 1 für ein Fahrzeug 3. 1 shows an overview of the implementation of a method for securing a data transmission D. between a visual sensor 1 , in particular in the form of a camera and an electronic evaluation unit 2 for evaluating captured image signals B. of the visual sensor 1 for a vehicle 3 .

Methoden eines maschinellen Lernens mit tiefen neuronalen Netzwerken, z. B. sogenannte Generative Adversarial Networks (GAN), ermöglichen es, Bildsignale B dahingehend zu modifizieren, dass ein Objekt in übertragenen und wiedergegebenen Videodaten automatisch gelöscht und durch einen realistischen Hintergrund ersetzt werden können.Machine learning methods with deep neural networks, e.g. B. . so-called Generative Adversarial Networks (GAN) make it possible to transmit image signals B. to be modified in such a way that an object in transmitted and played back video data can be automatically deleted and replaced with a realistic background.

Dieser Umstand stellt eine enorme Problematik, insbesondere für teilautomatisiert oder automatisiert fahrende Fahrzeuge 3, dar, da eine beispielhaft in 3 gezeigte unbefugte Person 4 auf ein derartiges Fahrzeug 3 zugreifen kann. Insbesondere kann dieser Umstand einen Angriff, eine sogenannte adversarial attack, auf das Fahrzeug 3 ermöglichen, bei dem Bildsignale B, beispielsweise Kamerabilder, zur visuellen Perzeption verwendet werden. Insbesondere werden die Bildsignale B dabei zum Erkennen sowie einer Klassifikation von Objekten, zum Bestimmen einer Position des jeweiligen Objektes, also zur Lokalisierung, sowie zum Verfolgen einer Trajektorie des jeweiligen Objektes über die Zeit verwendet.This fact poses an enormous problem, especially for partially automated or automated vehicles 3 , as an example in 3 shown unauthorized person 4th on such a vehicle 3 can access. In particular, this circumstance can lead to an attack, a so-called adversarial attack, on the vehicle 3 allow at the image signals B. , for example camera images, can be used for visual perception. In particular, the image signals B. used for recognizing and classifying objects, for determining a position of the respective object, that is to say for localization, and for following a trajectory of the respective object over time.

Um eine Plausibilität von fahrzeugseitig erfassten Bildsignalen B zu überwachen, so dass ein möglicher Angriff auf die Bildsignale B detektiert werden kann und das Fahrzeug 3 gegebenenfalls in einem sicheren Zustand gehalten oder versetzt wird, ist das im Folgende beschriebene Verfahren vorgesehen.To ensure the plausibility of image signals captured by the vehicle B. monitor so that a possible attack on the image signals B. can be detected and the vehicle 3 is held in a safe state or relocated, if necessary, the procedure described below is provided.

Die Datenübertragung D, d. h. eine Kommunikation, zwischen dem visuellen Sensor 1 und der elektronischen Auswerteeinheit 2, bei welcher es sich um ein Steuergerät oder eine zentrale Recheneinheit des Fahrzeuges 3 handeln kann, kann durch das auf semantischer Auswertung basierende Verfahren gegenüber Manipulationen roher Bildsignale B abgesichert werden.The data transfer D. , that is, a communication, between the visual sensor 1 and the electronic evaluation unit 2 , which is a control unit or a central processing unit of the vehicle 3 can act against manipulation of raw image signals through the method based on semantic evaluation B. be secured.

Hierzu wird auf Basis von Verfahren des maschinellen Lernens, z. B. anhand eines neuronalen Netzwerkes und/oder eines gefalteten neuronalen Netzwerkes, eine semantische Information I in den rohen Bildsignalen B des visuellen Sensors 1 in Echtzeit bestimmt. Dazu werden beispielsweise eine Objekterkennung und -lokalisierung sowie ein Verfolgen einer Trajektorie des jeweiligen Objektes über die Zeit durchgeführt.For this purpose, on the basis of machine learning methods, e.g. B. . using a neural network and / or a folded neural network, semantic information I. in the raw image signals B. of the visual sensor 1 determined in real time. For this purpose, for example, object recognition and localization as well as tracking of a trajectory of the respective object over time are carried out.

Ein Modell M des maschinellen Lernens wird geräteseitig in den visuellen Sensor 1 integriert. Hierbei kann das Modell M, z. B. durch Einschränken von Hyperparametern eines erzeugenden Algorithmus des maschinellen Lernens, derart erzeugt werden, dass das Modell M einfach auf in dem visuellen Sensor 1 implementiert wird und mit vergleichsweise geringen Anforderungen an den visuellen Sensor 1 arbeiten kann. Eine Güte des Modells M ist dabei nicht ausschlaggebend für die Absicherung der Datenübertragung, solange zumindest alle wesentlichen Objekte in den Bildsignalen erkannt werden. Dabei kann beispielsweise eine Lokalisierung eines Objektes, d. h. eine Positionsbestimmung des Objektes, eines gewisse Unschärfe zulassen.A model M. machine learning is implemented on the device side in the visual sensor 1 integrated. Here the model M. , e.g. B. . by restricting hyperparameters of a generating machine learning algorithm such that the model M. just click in the visual sensor 1 is implemented and with comparatively low demands on the visual sensor 1 can work. A goodness of the model M. is not decisive for the protection of the data transmission as long as at least all essential objects are recognized in the image signals. In this case, for example, localization of an object, ie a determination of the position of the object, can permit a certain amount of blurring.

Das Modell M des maschinellen Lernens wird fahrzeugspezifisch individualisiert, so dass jedes Fahrzeug 3 ein anderes, also ein eigenes, individuelles Modell M zur semantischen Absicherung der Bildsignale nutzt.The model M. machine learning is vehicle-specific and individualized so that every vehicle 3 another, that is, its own, individual model M. for the semantic protection of the image signals.

Beispielhaft können Parameter, z. B. Gewichte und Bias, von neuronalen Netzwerken zufällig variiert werden, bei denen ein Startwert eines Zufallsgenerators eine Funktion einer Fahrzeug-Identifikationsnummer ist.For example, parameters such. B. . Weights and bias can be varied randomly by neural networks in which a starting value of a random generator is a function of a vehicle identification number.

Des Weiteren kann auch ein privater Schlüssel eines asymmetrischen Kryptosystems des Fahrzeuges 3 zur Erzeugung individueller Modellvariationen genutzt werden.Furthermore, a private key of an asymmetrical cryptosystem of the vehicle can also be used 3 can be used to generate individual model variations.

Durch eine Individualisierung des Modells M ist einer unbefugten Person 4, also einem Angreifer oder Hacker, von außen nur möglich, das Modell M zu reproduzieren, wenn er im Besitz eines Ausgangsmodells sowie dessen individueller Variation ist, welche durch eine Verknüpfung von zusätzlichen Informationen über das Fahrzeug 3, z. B. seine Fahrzeug-Identifikationsnummer, oder ein kryptisches Verfahren abgesichert ist.By customizing the model M. is an unauthorized person 4th , so an attacker or hacker, from the outside only possible the model M. to be reproduced if he is in possession of an original model and its individual variation, which can be achieved by linking additional information about the vehicle 3 , e.g. B. . his vehicle identification number or a cryptic process is secured.

Anhand der Variation des Modells M wird eine Vorhersagegenauigkeit der semantischen Informationen I gegebenenfalls leicht reduziert, beeinträchtigt hierdurch aber nicht eine Anwendbarkeit des Verfahrens. Allerdings erzeugen diese individuellen Modelle M eine semantische Vorhersage, die wie ein Fingerabdruck/Wasserzeichen F für jedes Fahrzeug 3 individuell ist und ohne Kenntnis des Modells M nicht erzeugt werden kann. Der Fingerabdruck/das Wasserzeichen F stellt dabei eine fahrzeugspezifische Signatur einer Modellvorhersage dar.Based on the variation of the model M. becomes a prediction accuracy of the semantic information I. possibly slightly reduced, but this does not affect the applicability of the method. However, these generate individual models M. a semantic prediction that is like a fingerprint / watermark F. for every vehicle 3 is individual and without knowledge of the model M. cannot be generated. The fingerprint / watermark F. represents a vehicle-specific signature of a model prediction.

Das gleiche Modell M, welches zur Codierung semantischer Informationen im oder alternativ gerätenah bei dem visuellen Sensor 1 verwendet wird, wird auch in die elektronische Auswerteeinheit 2 des Fahrzeuges 3 implementiert.Same model M. , which is used to encode semantic information in or, alternatively, near the device with the visual sensor 1 is also used in the electronic evaluation unit 2 of the vehicle 3 implemented.

Ein Abgleich zwischen Inferenzen/Vorhersagen der beiden Modelle M, also des visuellen Sensors 1 und der Auswerteeinheit, ermöglicht eine Verifikation der Datenübertragung auf semantischer Ebene, wie in 2 näher dargestellt ist. Insbesondere wird in dem Sensor 1 aus den rohen Bildsignalen B mittels des Modells M semantische Informationen I gewonnen. Diese rohen Bildsignale B und die semantischen Informationen I werden auf zwei getrennten oder einem gemeinsamen Kanal K zur Datenübertragung D an die Auswerteeinheit 2 im Fahrzeug 3 übermittelt. Dort wird mit dem gleichen Modell M die semantische Information I ermittelt und mit den semantischen Informationen I des Sensors 1 verglichen. Da die semantischen Informationen I des Sensors 1 und der Auswerteeinheit 2 übereinstimmen, wurden die Bildsignale B während der Datenübertragung D nicht manipuliert.A comparison between inferences / predictions of the two models M. , i.e. the visual sensor 1 and the evaluation unit, enables the data transmission to be verified on a semantic level, as in FIG 2 is shown in more detail. In particular, in the sensor 1 from the raw image signals B. by means of the model M. semantic information I. won. These raw image signals B. and the semantic information I. are on two separate or one common channel K for data transfer D. to the evaluation unit 2 in the vehicle 3 transmitted. There is using the same model M. the semantic information I. determined and with the semantic information I. of the sensor 1 compared. As the semantic information I. of the sensor 1 and the evaluation unit 2 match, the image signals were B. during data transfer D. not manipulated.

Insbesondere weichen die Inferenzen/Vorhersagen, also die semantischen Informationen I voneinander ab, wenn die Semantik der Bildsignale B, also eines Bildes, während der Datenübertragung von dem Sensor 1 zu der Auswerteeinheit 2 manipuliert werden, wie in 3 näher gezeigt ist.In particular, the inferences / predictions, i.e. the semantic information, give way I. from each other when the semantics of the image signals B. , i.e. an image, during the data transfer from the sensor 1 to the evaluation unit 2 manipulated as in 3 is shown in more detail.

In einem solchen Fall kann eine visuelle und/oder akustische Warnung an einen Fahrzeugnutzer des Fahrzeuges 3 ausgegeben und die Bildsignale B des visuellen Sensors 1 als manipuliert markiert werden und zur weiteren Entscheidungsfindung von teil- und automatisierten Fahrfunktionen des Fahrzeuges 3 verwendet werden.In such a case, a visual and / or acoustic warning can be issued to a vehicle user of the vehicle 3 output and the image signals B. of the visual sensor 1 Marked as manipulated and for further decision-making of partially and automated driving functions of the vehicle 3 be used.

In dem in den 3 und 4 gezeigten Ausführungsbeispiel ist einer unbefugten Person 4 gelungen, von außen, insbesondere mittels Fernzugriffes, auf eine Fahrzeugkommunikation, d. h. die Datenübertragung D, zwischen dem visuellen Sensor 1 und der Auswerteeinheit 2 zuzugreifen, um die Bildsignale B zu manipulieren, wobei zusätzlich die übertragene semantische Information manipuliert wird.In the in the 3 and 4th The embodiment shown is an unauthorized person 4th succeeded in externally, in particular by means of remote access, to vehicle communication, ie data transmission D. , between the visual sensor 1 and the evaluation unit 2 to access the image signals B. to manipulate, whereby the transmitted semantic information is also manipulated.

Gemäß diesem Ausführungsbeispiel ist es möglich, dass die unbefugte Person 4 die Datenübertragung D und somit einen Informationsfluss zwischen dem Sensor 1 und der Auswerteeinheit 2 zu manipulieren, indem die unbefugte Person 4 semantische Informationen I in Form von Bildsignalen B in Bezug auf ein vorausfahrendes Fahrzeug 5 durch computergenerierte und somit manipulierte Bildsignale B' einer Fahrbahn ersetzt. Die vom Sensor 1 ermittelten semantischen Informationen I entsprechen somit nicht den semantischen Informationen I' der Auswerteeinheit 2.According to this embodiment, it is possible that the unauthorized person 4th the data transfer D. and thus a flow of information between the sensor 1 and the evaluation unit 2 manipulate by the unauthorized person 4th semantic information I. in the form of image signals B. in relation to a vehicle in front 5 through computer-generated and thus manipulated image signals B ' one lane replaced. The one from the sensor 1 determined semantic information I. therefore do not correspond to the semantic information I ' the evaluation unit 2 .

Ein in der elektronischen Auswerteeinheit 2 eingesetztes Verfahren kann in einem solchen Fall kein vorausfahrendes Fahrzeug 5 erkennen. Somit kann die unbefugte Person 4 einen Unfall zwischen dem Fahrzeug 3 und dem vorausfahrenden Fahrzeug 5 verursachen, wenn beispielsweise des Fahrzeug 3 nicht auf ein Anhalten des vorausfahrenden Fahrzeuges 5 reagieren kann, da das Anhalten mittels der Auswerteinheit 2 aufgrund der manipulierten Bildsignale B' nicht registriert werden konnte.One in the electronic evaluation unit 2 In such a case, the method used cannot be used by a vehicle in front 5 detect. Thus, the unauthorized person 4th an accident between the vehicle 3 and the vehicle in front 5 cause if, for example, the vehicle 3 not on a stop of the vehicle in front 5 can react, as the stopping by means of the evaluation unit 2 due to the manipulated image signals B ' could not be registered.

Wird durch Anwendung des Verfahrens die Semantik der mittels des visuellen Sensors 1 erfassten Bildsignale B vor der Manipulation mit der Semantik der der Auswerteeinheit 2 vorliegenden manipulierten Bildsignale B' verglichen, wird die Manipulation der Bildsignale B auf semantischer Ebene umgehend erkannt.By applying the method, the semantics of the visual sensor 1 captured image signals B. before manipulation with the semantics of the evaluation unit 2 present manipulated image signals B ' the manipulation of the image signals is compared B. recognized immediately at the semantic level.

Hierfür ist die Güte des dem Sensor 1 zugehörigen Modells M und des der Auswerteeinheit 2 zugehörigen gleichen Modells M nicht ausschlaggebend, solange die Objekte in den Bildsignalen B erkannt werden und deren jeweilige Positionen soweit präzise bestimmt werden können, so dass eine Manipulation in Bezug auf die Position des vorausfahrenden Fahrzeuges 5 erkannt werden kann. Insbesondere ist dazu eine vergleichsweise einfache Objekterkennung in der Auswerteeinheit 2 nicht ausreichend, um eine Manipulation der Position des vorausfahrenden Fahrzeuges 5, z. B. dessen Spur, zu erkennen.For this, the quality of the sensor 1 associated model M. and that of the evaluation unit 2 associated same model M. not decisive as long as the objects in the image signals B. can be recognized and their respective positions can be precisely determined so that manipulation in relation to the position of the vehicle in front 5 can be recognized. In particular, there is a comparatively simple object recognition in the evaluation unit for this purpose 2 not sufficient to prevent manipulation of the position of the vehicle in front 5 , e.g. B. . its trace to recognize.

Darüber hinaus kann die unbefugte Person 4 eine Vorhersage des Modells M nicht kennen, da das Modell M, wie oben beschrieben, fahrzeugspezifisch individualisiert ist und die Individualisierung des Modells kryptologisch abgesichert ist. Ein Angriff mit abweichenden semantischen Informationen I'_A, bei denen insbesondere der Fingerabdruck/das Wasserzeichen fehlt, ist daher nicht möglich.In addition, the unauthorized person can 4th a prediction of the model M. do not know as the model M. , as described above, is individualized for a specific vehicle and the individualization of the model is cryptologically secured. An attack with different semantic information I. ' _A , for which in particular the fingerprint / watermark is missing, is therefore not possible.

Mittels der Modelle M wird auch ein Manipulationsversuch einer unbefugten Person 4 erkannt, wenn die unbefugte Person 4 die semantischen Informationen I des Sensors 1 während der Datenübertragung D über einen zweiten oder einen gemeinsamen Kanal K zur Datenübertragung D manipuliert.Using the models M. also becomes an attempt at tampering by an unauthorized person 4th detected when the unauthorized person 4th the semantic information I. of the sensor 1 during data transfer D. via a second or a common channel K for data transfer D. manipulated.

Da die unbefugte Person 4 keinen Zugriff auf das fahrzeugspezifisch individualisierte Modell M hat, werden mittels eines generischen Modells M' nicht die gleichen fahrzeugspezifischen semantischen Informationen I ermittelt, d. h. berechnet, sondern nur abweichende semantische Informationen I'_A, wie in 4 gezeigt ist. In diesem Fall wird die Manipulation der Bildsignale B nicht anhand der manipulierten semantischen Informationen I', sondern durch eine fehlende fahrzeugspezifische Signatur, welche mittels des Fingerabdruckes F/Wasserzeichens in den 1 bis 4 dargestellt ist, erkannt.Because the unauthorized person 4th no access to the vehicle-specific, individualized model M. has, are made using a generic model M. 'not the same vehicle-specific semantic information I. determined, ie calculated, but only different semantic information I. ' _A , as in 4th is shown. In this case, the manipulation of the image signals B. not based on the manipulated semantic information I ' , but rather through a missing vehicle-specific signature, which is entered in the. by means of the fingerprint F / watermark 1 to 4th is shown recognized.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent literature cited

US 10203210 B1 [0002]
US 9953236 B1 [0003]

Claims

Method for securing data transmission (D) between a visual sensor (1) and an electronic evaluation unit (2) of a vehicle (3) for evaluating captured image signals (B) of the visual sensor (1), characterized in that - semantic information (I ) captured raw image signals (B) of the visual sensor (1) are determined using a model (M) machine learning, - the model (M) is individualized by modification vehicle-specific, - the vehicle-specific individualized model (M) in each case both with respect to the visual sensor (1) and in relation to the evaluation unit (2) is implemented on the vehicle side and - the data transmission (D) between the visual sensor (1) and the evaluation unit (2) is verified by comparing the determined semantic information (I) .

Procedure according to Claim 1 , characterized in that if a discrepancy is determined between the semantic information (I) determined by means of the model (M) implemented in relation to the visual sensor (1) and the semantic information determined by means of the model (M) implemented in relation to the evaluation unit (2) Information (I) and / or in the absence of a vehicle-specific signature of the semantic information (I) a warning is output visually and / or acoustically in the vehicle (3).

Procedure according to Claim 1 or 2 , characterized in that if a discrepancy is determined between the semantic information (I) determined by means of the model (M) implemented in relation to the visual sensor (1) and the semantic information determined by means of the model (M) implemented in relation to the evaluation unit (2) Information (I) and / or in the absence of a vehicle-specific signature of the semantic information (I) at least one partially automated function of the vehicle (3) is deactivated and / or the vehicle (3) is transferred to a safe state.