-
Technisches Gebiet
-
Die Erfindung bezieht sich auf ein Verfahren zur Verbesserung der Schätzung von Existenzwahrscheinlichkeiten von Objekten, die mittels einer Anzahl von Sensoren erfasst werden, wobei die Anzahl von Sensoren in einem Fahrzeug und/oder in Infrastrukturkomponenten verbaut ist. Des Weiteren bezieht sich die Erfindung auf die Verwendung des Verfahrens zur Verbesserung der Modellierung von Existenzwahrscheinlichkeiten von durch Sensoren und/oder Sensorgruppen erfassten Objekten.
-
Stand der Technik
-
DE 10 2019 209 154 A1 bezieht sich auf eine infrastrukturseitige Umfelderfassung beim autonomen Fahren, bei dem Sensordaten durch eine Mehrzahl von infrastrukturseitigen Sensoren in einem Umgebungsbereich des Fahrzeugs erfasst werden. Es werden fusionierte Sensordaten auf Basis der erfassten Sensordaten erzeugt. Weiterhin werden Umfeldmodelldaten durch infrastrukturseitiges Auswerten der Sensordaten stationär erzeugt. Sich in dem Umgebungsbereich befindliche Objekte werden lokalisiert und identifiziert. Schließlich werden die Umfeldmodelldaten an das Fahrzeug übermittelt.
-
DE 10 2019 218 559 A1 bezieht sich auf ein Verfahren zur Informationsbereitstellung über Infrastrukturzustände für Fahrzeuge und/oder Infrastrukturinformationssysteme. Fahrzeuge einer Fahrzeugflotte stellen Verkehrsdaten, Infrastrukturdaten und Sensordaten in von einem Benutzer definiert festlegbaren geographischen Raum bereit. Diese werden von jeweils zumindest einem Sensorelement eines jeweiligen Fahrzeugs der Fahrzeugflotte ermittelt. Eine Recheneinheit mit Auswerteprogramm nimmt diese Daten entgegen und führt deren Auswertung durch. Die zusammengefassten Informationen werden mittels der Recheneinheit bereitgestellt und/oder werden jeweils an wenigstens ein Unterstützungssystem in den jeweiligen Fahrzeugen der Fahrzeugflotte mittels der Recheneinheit übermittelt.
-
DE 10 2019 207 365 A1 bezieht sich auf ein Verfahren und eine Vorrichtung zum Bereitstellen eines Betriebszustands eines Sensors eines Fahrzeugs. Hier erfolgt innerhalb eines ersten Schritts das Erfassen von ersten Umgebungsdatenwerten mittels eines Sensors, wobei die ersten Umgebungsdatenwerte eine Umgebung des Fahrzeugs repräsentieren. In einem weiteren Schritt werden zweite Umgebungsdatenwerte empfangen, welche die Umgebung des Fahrzeugs repräsentieren, wobei die zweiten Umgebungsdatenwerte mittels einer Infrastruktursensorik erfasst werden. Daran schließt sich der Schritt des Bestimmens des Betriebszustands des Sensors an, abhängig von den ersten und den zweiten Umgebungsdatenwerten, sowie ein weiterer Schritt des Bereitstellens des Betriebszustands des Sensors.
-
Für die Berechnung von Existenzwahrscheinlichkeiten von Bewegungsverläufen benötigt ein Wahrnehmungssystem Detektions- und Clutter-Wahrscheinlichkeiten für jede Bewegung. Die Clutter-Wahrscheinlichkeit gibt die Wahrscheinlichkeit einer Fehlmessung eines Sensors an einer räumlichen Stelle an. Es existieren verschiedene Ansätze, die Detektions- und die Clutter-Wahrscheinlichkeit in einem Verfolgungssystem zu modellieren. Gängige Verfahren nutzen ein a-priori-Wissen, während andere von den Verfolgungen einzelner Objekte abhängig sind. Wahrnehmungssysteme, welche die Informationen verschiedener Sensorquellen benutzen und daraus Existenzwahrscheinlichkeitsmodellierungen online über die Zeit erzeugen, sind nicht bekannt. Detektions- und Clutter-Wahrscheinlichkeiten sind abhängig von Umweltbedingungen, die sich beispielsweise aufgrund des Wetters, saisonaler Vegetation oder des Lichts bei einbrechender Dunkelheit ändern. Wenn mehr als zwei Sensoren einen Bereich beobachten, ist häufig zu konstatieren, dass False-Negative-Fälle und False-Positive-Fälle eines einzelnen Sensors durch Vergleich mit dem fusionierten Resultat aller Sensoren erkannt werden können. Wird die Information über False-Negative-Fälle und False-Positive-Fälle über die Zeit addiert, können Detektions- und Clutter-Wahrscheinlichkeiten angepasst beziehungsweise verbessert werden, was wiederum zu einer verbesserten Genauigkeit der Existenzwahrscheinlichkeitsschätzung führt und demzufolge eine Verringerung von False-Negative-Fällen und False-Positive-Fällen nach sich zieht.
-
Derartige lernende Modelle erleichtern das Auffinden korrekter und möglicherweise falscher Annahmen und a-priori-Definitionen in Erfassungs- und Clutter-Modellierungen. Durch derartige Lernmodelle können Wahrnehmungssysteme besser angepasst werden, insbesondere besser an sich ändernde Umweltbedingungen angepasst werden.
-
Darstellung der Erfindung
-
Erfindungsgemäß wird ein Verfahren zur Verbesserung der Schätzung einer Existenzwahrscheinlichkeit von Objekten vorgeschlagen, die mittels einer Anzahl von Sensoren erfasst werden, wobei die Anzahl von Sensoren in einem Fahrzeug oder in Infrastrukturkomponenten verbaut ist. Beim erfindungsgemäß vorgeschlagenen Verfahren werden zumindest die nachfolgenden Verfahrensschritte durchlaufen:
- a) Jeder Tracker eines Sensors und/oder einer Sensorgruppe schätzt einen Status eines Objekts und dessen Existenzwahrscheinlichkeit mittels eines Erfassungswahrscheinlichkeitsmodells,
- b) die Objekte werden in einer Fusionsliste zusammengeführt, wobei jedem Objekt ein Zustand und eine Existenzwahrscheinlichkeit zugeordnet ist,
- c) jedem Objekt der Fusionsliste werden sensorspezifische oder sensorgruppenspezifische Existenzwahrscheinlichkeiten zugeordnet, die der Sensor und/oder die Sensorgruppe jeweils aufweist,
- d) jedem Objekt der Fusionsliste wird eine zusätzliche Information dahingehend zugeordnet, welcher Sensor und/oder welche Sensorgruppe das jeweilige Objekt im letzten Messzyklus erfasst hat,
- e) zumindest sensorspezifische und/oder sensorgruppenspezifische Existenzwahrscheinlichkeiten, fusionierte Existenzwahrscheinlichkeiten und der Sensorerfassungswahrscheinlichkeit werden innerhalb einer Überkreuzprüfung geprüft und für jeden Sensor und jede Sensorgruppe werden False-Negative-Fälle sowie False-Positive-Fälle ermittelt,
- f) die gemäß e) ermittelten False-Negative-Fälle und False-Positive-Fälle des Sensors werden entsprechend einer Position des Sensors in der Fusionsliste gemäß b) auf einer Karte sensorspezifisch oder sensorgruppenspezifisch gespeichert und
- g) mithilfe der in f) gespeicherten False-Negative-Fälle und False-Positive-Fälle aus der Vergangenheit werden die Modellierungen der Detektions- und Clutter-Wahrscheinlichkeit über einen Rückführungszweig angepasst.
-
Durch das erfindungsgemäß vorgeschlagene Verfahren wird in vorteilhafter Weise eine Rückeinspeisung von False-Negative-Fällen und/oder False-Positive-Fällen der jeweiligen Sensoren in die Modellierungsbausteine, d. h. die Detektionswahrscheinlichkeitsmodellierung/ Clutter-Wahrscheinlichkeitsmodellierung erreicht. Dadurch wird die durch die Modellierungen erhaltene Schätzung wesentlich genauer, d. h. die Übereinstimmung mit dem tatsächlichen Vorhandensein von Objekten in der Umgebung kann signifikant gesteigert werden. Dadurch lässt sich die Aussagefähigkeit der Schätzung der Existenzwahrscheinlichkeit wesentlich verbessern.
-
In einer weiteren vorteilhaften Ausgestaltungsmöglichkeit des erfindungsgemäß vorgeschlagenen Verfahrens werden in Abhängigkeit von der Position des Objekts in der Fusionsliste diesem zugeordnete False-Negative-Fälle oder False-Positive-Fälle sensorspezifisch oder sensorgruppenspezifisch in der False-Negative-Liste beziehungsweise der False-Positive-Liste gespeichert.
-
Beim erfindungsgemäß vorgeschlagenen Verfahren werden im Rahmen der Überkreuzprüfung gemäß e)
- - sensor- oder sensorgruppenspezifische Existenzwahrscheinlichkeiten,
- - zusätzliche Informationen des Sensors oder der Sensorgruppe,
- - fusionierte Existenzwahrscheinlichkeiten und
- - Sensorerfassungswahrscheinlichkeiten miteinander verglichen.
-
In einer vorteilhaften Ausgestaltung des erfindungsgemäß vorgeschlagenen Verfahrens wird nach Durchlaufen der Verfahrensschritte a) bis g) die Anzahl der False-Negative-Fälle und die Anzahl der False-Positive-Fälle erheblich reduziert.
-
In weiterer Ausgestaltung des erfindungsgemäß vorgeschlagenen Verfahrens wird durch Berücksichtigung der über die Rückführzweige an das Detektions-/Existenzwahrscheinlichkeitsmodell und/oder das Clutter-Wahrscheinlichkeitsmodell zurückgeführten False-Negative-Fälle sowie der ebenfalls zurückgeführten False-Positive-Fälle eine erste Annahme der Detektions- und Clutter-Wahrscheinlichkeiten in eine verbesserte Annahme überführt.
-
Beim erfindungsgemäß vorgeschlagenen Verfahren wird eine angenommene Detektionswahrscheinlichkeit eines ersten Sensors durch sensorspezifische False-Negative-Fälle oder sensorspezifische False-Positive-Fälle für einen ersten Sensor verbessert.
-
Alternativ dazu kann beim erfindungsgemäß vorgeschlagenen Verfahren eine angenommene Detektionswahrscheinlichkeit einer Sensorgruppe durch sensorgruppenspezifische False-Negative-Fälle oder sensorgruppenspezifische False-Positive-Fälle für die jeweilige Sensorgruppe verbessert werden.
-
Darüber hinaus bezieht sich die Erfindung auf die Verwendung des Verfahrens zur Verbesserung der Modellierung von Existenzwahrscheinlichkeiten von durch den Sensor und/oder die Sensorgruppe erfassten Objekten.
-
Vorteile der Erfindung
-
Durch das erfindungsgemäß vorgeschlagene Verfahren kann in vorteilhafter Weise ein Lerneffekt erreicht werden. Werden die Informationen über die False-Negative-Fälle sowie die False-Positive-Fälle der erfassten Objekte über die Zeit addiert, lässt sich die Modellierungsgenauigkeit für die Detektionswahrscheinlichkeit sowie die Clutter-Wahrscheinlichkeit anpassen beziehungsweise erheblich verbessern. Dadurch wird die Berechnung der Existenzwahrscheinlichkeit wesentlich genauer, wodurch wiederum die Anzahl der False-Negative-Fälle beziehungsweise der False-Positive-Fälle abnimmt. Derartige Lernmodelle erlauben es, korrekte und möglicherweise falsche Annahmen bei a-priori-Definitionen von Detektions und Clutter-Modellierungen zu verbessern. Durch derartige Lernmodelle lassen sich Warnehmungssysteme selbsttätig verbessern, insbesondere können sich ändernde Umfeldeinflüsse zur ständigen Verbesserung herangezogen werden.
-
Durch die erfindungsgemäß vorgeschlagene Lösung kann die Leistung einer Existenzwahrscheinlichkeitsschätzung für Verkehrsteilnehmer erheblich verbessert werden. Durch die erfindungsgemäß vorgeschlagene Lösung wird ein Verfahren bereitgestellt, welches es ermöglicht, die für die Existenzwahrscheinlichkeitsschätzung nötigen Eingangsgrößen aufgrund der Rückführungszweige für False-Negative-Fälle beziehungsweise für False-Positive-Fälle online zu optimieren.
-
Beim erfindungsgemäß vorgeschlagenen Verfahren kann die Anpassung der Modellierungen der Detektions- beziehungsweise Clutter-Wahrscheinlichkeit von der Anwendung der angepassten Modellierungen der Detektionsbeziehungsweise Clutter-Wahrscheinlichkeit getrennt werden. Dies bedeutet, dass nach einer initialen Anpassungsphase, in der die Modellierungen der Detektions- und Clutter-Wahrscheinlichkeit verbessert werden, diese erst angewendet werden. Das erfindungsgemäß vorgeschlagene Verfahren lässt sich beispielsweise als Infrastruktur-basiertes Erfassungssystem einsetzen. Beispielsweise kann ein Schachtdeckel, der regelmäßig fälschlicherweise als Objekt erkannt wird, über eine erhöhte Clutter-Wahrscheinlichkeit an dieser Stelle unterdrückt werden. Des Weiteren können beispielsweise von Bäumen verdeckte, nicht einsehbare Bereiche durch das Verfahren mit einer verringerten Detektionswahrscheinlichkeit versehen werden. Ein False-Negative-Fall am Ausgang der Fusion wird so verhindert. Alternativ besteht die Möglichkeit, das erfindungsgemäß vorgeschlagene Verfahren als fahrzeugbasiertes Detektionssystem einzusetzen. So können Eigenreflexionen am eigenen Anhänger, die fälschlicherweise zur Erstellung eines Objekts führen, über eine erhöhte Clutter-Wahrscheinlichkeit an dieser Stelle unterdrückt werden. Des Weiteren können beispielsweise wetterbedingte Einflüsse durch das erfindungsgemäß vorgeschlagene Verfahren zu einer verringerten Detektionswahrscheinlichkeit in großen Entfernungen führen. Ein False-Negative-Fall am Ausgang der Fusionierung wird somit verhindert.
-
Figurenliste
-
Ausführungsformen der Erfindung werden anhand der Zeichnungen und der nachfolgenden Beschreibung näher erläutert.
-
Es zeigen:
- 1 eine schematische Darstellung eines Rückführkreises für detektierte False-Negative-Fälle und False-Positive-Fälle eines Sensors zur Verbesserung einer Detektionswahrscheinlichkeitsmodellierung und einer Clutter-Modellierung und
- 2 die Darstellung einer verbesserten Detektionswahrscheinlichkeit eines Sensors.
-
Ausführungsformen der Erfindung
-
In der nachfolgenden Beschreibung der Ausführungsformen der Erfindung werden gleiche oder ähnliche Elemente mit gleichen Bezugszeichen bezeichnet, wobei auf eine wiederholte Beschreibung dieser Elemente in Einzelfällen verzichtet wird. Die Figuren stellen den Gegenstand der Erfindung nur schematisch dar.
-
1 zeigt eine Rückführung ermittelter False-Negative-Fälle beziehungsweise False-Positive-Fälle von einem oder mehreren Sensoren zu Modellierungsbausteinen.
-
Der Darstellung gemäß 1 ist zu entnehmen, dass mehrere Sensoren, zum Beispiel ein erster Sensor 10 sowie ein weiterer Sensor 12 beziehungsweise eine Sensorgruppe 14 vorgesehen sind, die entsprechend einer dynamischen Sichtbarkeit 16 Objekte 30 in der Umgebung eines Fahrzeugs erfassen. Je nach dynamischer Sichtbarkeit 16 werden Sichtbarkeitsinformationen 18 an ein Detektionswahrscheinlichkeitsmodell 20 übermittelt.
-
Über den ersten Sensor 10 werden Sensordaten 24 an einen Detektor 22 übermittelt. Über eine Persistenz- und Geburtswahrscheinlichkeitsmodellierung 26 des ersten Sensors 10 werden Modellierungsdaten 32 pB, pP an einen Tracker 36 des ersten Sensors 10 übermittelt. Persistenz- und Geburtswahrscheinlichkeiten sind ähnlich wie Detektions- und Clutter-Wahrscheinlichkeiten Hilfswahrscheinlichkeiten (Parameter für die Berechnung der Existenzwahrscheinlichkeit). Dabei gibt die Persistenzwahrscheinlichkeit die Wahrscheinlichkeit an, ob ein Objekt auch im nächsten Zeitschritt noch existieren wird. Die Geburtswahrscheinlichkeit gibt an, wie wahrscheinlich die Neuerstellung eines Objekts ist. Die Persistenz- und Geburtswahrscheinlichkeit müssen ebenfalls (ebenso wie die Detektions- und Clutter-Wahrscheinlichkeiten) über den möglichen Erfassungsraum (Sichtfeld der Sensoren) modelliert werden.
-
Daneben erfolgt entsprechend einer Clutter-Wahrscheinlichkeitsmodellierung 28 für den ersten Sensor 10 eine Weiterleitung entsprechender Daten 34 (vgl. pC) an den Tracker 36. Darüber hinaus werden Informationen aus dem Detektionswahrscheinlichkeitsmodell 20 als Daten pD33 an den Tracker 36 übermittelt. Die im Tracker 36 aus den genannten Informationen ermittelten Daten werden als vom ersten Sensor 10 erfasste Objekte 38 einer Fusionsliste 44 zugeführt. Das Clutter-Modell beschreibt die Clutter-Wahrscheinlichkeiten eines Sensors an unterschiedlichen räumlichen Orten. pC stellt die Clutter-Wahrscheinlichkeit eines Sensors an einem räumlichen Ort dar (vgl. Pos. 34 in 2). pP, Modellierungsdaten 32 des Persistenz-Geburtswahrscheinlichkeitsmodells 26, bezeichnet die Persistenzwahrscheinlichkeit pD (vgl. Pos. 33 in 1) steht für die Detektionswahrscheinlichkeit, eine Ausgangsgröße des Detektionswahrscheinlichkeitsmodells.
-
Entsprechend der Anzahl von Sensoren sind jedem Sensor 10, 12 beziehungsweise jeder Sensorgruppe 14, die an einem Fahrzeug verbaut sind, entsprechende Bausteine, wie obenstehend im Zusammenhang mit dem ersten Sensor 10 beschrieben, zugeordnet, so dass die Fusionsliste 44 die fusionierten, zusammengeführten Objekte 30, die durch alle Sensoren 10, 12 beziehungsweise alle Sensorgruppen 14 erfasst werden, enthält. Aus der Darstellung gemäß 1 geht hervor, dass die vom Tracker 36 erfassten Objekte als vom ersten Sensor 10 erfasste Objekte 38 der Fusionsliste 44 zur Verfügung gestellt werden. Positionen 40 und 42 bezeichnen von einem weiteren, zweiten Sensor 12 beziehungsweise von einem dritten Sensor erfasste Objekte, die der Fusionsliste 44 zugeführt werden.
-
Im Rahmen einer Überkreuzprüfung 48, der die fusionierten, zusammengeführten Objekte 46 entsprechend ihrer Reihenfolge innerhalb der Fusionsliste 44 zugeführt werden, werden die sensorspezifischen oder sensorgruppenspezifischen Existenzwahrscheinlichkeiten, zusätzliche Informationen der Sensoren 10, 12 oder der Sensorgruppen 14, fusionierte Existenzwahrscheinlichkeiten und/oder Sensorerfassungswahrscheinlichkeiten miteinander verglichen. Aus dem Vergleich gehen False-Negativ-Fälle 50 sowie False-Positive-Fälle 52, die dem ersten Sensor 10 zugeordnet werden, hervor. Die entsprechenden False-Negative-Fälle 50 beziehungsweise die entsprechenden False-Positive-Fälle 52 werden in einer Liste 54 der False-Negative-Fälle des ersten Sensors 10 beziehungsweise in einer Liste 56 der False-Positive-Fälle des ersten Sensors 10 gespeichert.
-
Beim erfindungsgemäß vorgeschlagenen Verfahren werden die in den Listen 54, 56 gespeicherten False-Negative-Fälle 50 für den ersten Sensor 10 beziehungsweise die dem ersten Sensor 10 zugeordneten False-Positive-Fälle 52 über Rückführungszweige 58, 60 sowohl der Detektionswahrscheinlichkeitsmodellierung 20 online als auch der Clutter-Wahrscheinlichtsmodellierung 28 zugeführt. Mithin werden die ermittelten False-Negative-Fälle 50 sowie die False-Positive-Fälle 52 zur Verbesserung der Schätzungen, die im Detektionswahrscheinlichkeitsmodell 20 beziehungsweise im Clutter-Wahrscheinlichkeitsmodell 28 hinterlegt sind, herangezogen. Auf diese Weise entsteht im Laufe der Zeit eine wesentliche Verbesserung der Grundlagen, die der Schätzung von Existenzwahrscheinlichkeiten zugrunde liegen.
-
Der Detektor 22, der dem ersten Sensor 10 zugeordnet ist, liefert seine Erfassungen, d. h. Objekte 30 von Interesse, wie zum Beispiel Verkehrsteilnehmer, Infrastrukturelemente, an den Tracker 36. Die Objekte 30 entsprechen den Sensordaten 24, die dem Detektor 22 durch den ersten Sensor 10 zugeführt werden. Der Tracker 36 nutzt die Erfassungen, d. h. die Objekte 30, zur Schätzung eines Objektstatus hinsichtlich Position und Geschwindigkeit mithilfe einer Kalman-Verarbeitung. Für jedes der Objekte 30 schätzt der Tracker 36 ebenfalls eine Existenzwahrscheinlichkeit basierend auf bestimmten Wahrscheinlichkeitsmodellen, so zum Beispiel des Detektionswahrscheinlichkeitsmodells 20 beziehungsweise der Clutter-Wahrscheinlichkeitsmodellierung 28.
-
Über den Tracker 36 und die geschätzten Zustände des Objekts 30 hinsichtlich Position und Geschwindigkeit sowie die entsprechende Existenzwahrscheinlichkeit werden die vom ersten Sensor 10 erfassten Objekte 38 an die Fusionsliste 44, welche die Informationen aller Sensoren 10, 12 beziehungsweise aller Sensorgruppen 14 in der Fusionsliste 44 zusammenführt, übermittelt.
-
Über den bei der Überkreuzprüfung 48 ablaufenden Vergleich werden False-Negative-Fälle 50 sowie False-Positive-Fälle 52, die dem ersten Sensor 10 zuzuordnen sind, ermittelt. Die Ermittlung dieser False-Negative-Fälle 50 beziehungsweise der False-Positive-Fälle 52 wird für alle in Frage kommenden Sensoren 10, 12 des Fahrzeugs beziehungsweise für alle in Frage kommenden Sensorgruppen 14 durchgeführt. Über die Rückführungszweige 58, 60 werden diese ermittelten False-Negative-Fälle 50 beziehungsweise False-Positive-Fälle 52 zur Verbesserung der Modellierungen 20, 28 eingesetzt.
-
Aus der Darstellung gemäß 2 geht beispielhaft hervor, dass eine Rate der Wahrscheinlichkeit einer Existenz 72 über einen Abstand 70 aufgetragen ist.
-
Der Kurvenzug 74 bezeichnet eine Annahme einer Existenz eines Objekts 30. Im Bereich zwischen 2,5 < x < 5,5 ist jedoch die tatsächliche Existenz des Objekts durch den Kurvenzug 76 gegeben, der sich von der Annahme 74 erheblich unterscheidet. Wird jedoch die ursprünglich getroffene Annahme einer Existenz 74 im Rahmen von False-Negative-Fällen 50 des ersten Sensors 10, die in der Liste 54 für False-Negative-Fälle 50 des ersten Sensors 10 gelistet sind, verbessert, ergibt sich eine Schwankungsbreite 80 und eine durch diese innerhalb des Bereichs 2,5 < x < 5,5 verbesserte Annahme 78 über die Wahrscheinlichkeit der Existenz des vom ersten Sensor 10 aufgenommenen Objekts 38.
-
Mithin lässt sich durch die erfindungsgemäß vorgeschlagene Lösung erreichen, dass die zunächst getroffene a-priori-Annahme einer Existenz 74 durch eine Rückführung von False-Negative-Fällen 50 an die Modellierungsbausteine 20, 28 erheblich verbessert wird. Die verbesserte Annahme 78 innerhalb der Schwankungsbreite 80 weist noch Ausreißer auf, jedoch kommt diese der Realität wesentlich näher als die ursprünglich getroffene a-priori-Annahme einer Existenz 74 der Existenz von Objekten, die durch den ersten Sensor 10 erfasst wurden.
-
Die Erfindung ist nicht auf die hier beschriebenen Ausführungsbeispiele und die darin hervorgehobenen Aspekte beschränkt. Vielmehr ist innerhalb des durch die Ansprüche angegebenen Bereichs eine Vielzahl von Abwandlungen möglich, die im Rahmen fachmännischen Handelns liegen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- DE 102019209154 A1 [0002]
- DE 102019218559 A1 [0003]
- DE 102019207365 A1 [0004]
