DE102021210143A1 - Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem Radarnetzwerk - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk (2). Erfindungsgemäß wird mittels mehrerer Radarsensoren (2.1 bis 2.n) eine Umgebung erfasst. Für jeden Radarsensor (2.1 bis 2.n) werden individuell und unabhängig von den jeweils anderen Radarsensoren (2.1 bis 2.n) Tracks (T1.1 bis T1.m ... Tn.1 bis Tn.x) detektierter Objekte in einem Zustandsraum erstellt. Tracks (T1.1 bis T1.m ... Tn.1 bis Tn.x) unterschiedlicher Radarsensoren (2.1 bis 2.n) werden unter der Maßgabe, dass diese plausibel von dem gleichen Objekt stammen, einander zugeordnet. Die einander zugeordneten Tracks (T1.1 bis T1.m ... Tn.1 bis Tn.x) werden für unterschiedliche Varianten zur Auflösung der Winkelmehrdeutigkeiten fusioniert, wobei den Varianten jeweils ein Plausibilitätsmaß zugeordnet wird und zur Auflösung der Winkelmehrdeutigkeiten die Variante mit der größten Plausibilität ausgewählt wird.

Description

• Die Erfindung betrifft ein Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk.
• Radarsensoren ermöglichen, beispielsweise während eines automatisierten, insbesondere hochautomatisierten oder autonomen Fahrbetriebs eines Fahrzeugs, eine Erzeugung eines Umgebungsmodells durch Detektion von Rückstreuungen von stationären und bewegten Objekten. Winkelmehrdeutigkeiten können jedoch dazu führen, dass eine Einfallsrichtung eines Signals und somit Positionen von erfassten Objekten nicht eindeutig bestimmt werden können.
• Aus der US 2019/0187268 A1 sind ein Verfahren und eine Vorrichtung zur Auflösung von Radarwinkelmehrdeutigkeiten bekannt. Hierbei wird eine Winkelposition eines Ziels aus einer räumlichen Rückantwort bestimmt, welche mehrere Amplitudenspitzen aufweist. Hierbei wird bzw. werden zur Auflösung der Radarwinkelmehrdeutigkeit ein FrequenzUnterspektrum oder mehrere Frequenz-Unterspektren ausgewählt, welche Amplituden- oder Phasenunterschiede in der räumlichen Rückantwort hervorheben und eine unregelmäßige Form der Rückantwort über ein breites Sichtfeld analysieren, um die Winkelposition des Ziels zu bestimmen. Dabei weist die Winkelposition des Ziels eine eindeutige Signatur auf, welche das Radarsystem bestimmen und verwenden kann, um die Radarwinkelmehrdeutigkeiten aufzulösen. In einem Array angeordnete Antennenelemente des Radars weisen hierbei einen Abstand auf, der größer als eine halbe Mittenwellenlänge eines reflektierten Radarsignals ist, welches verwendet wird, um das Ziel zu detektieren.
• Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk anzugeben.
• Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren, welches die im Anspruch 1 angegebenen Merkmale aufweist.
• Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
• In dem Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk wird erfindungsgemäß mittels mehrerer Radarsensoren eine Umgebung erfasst, wobei für jeden Radarsensor individuell und unabhängig von den jeweils anderen Radarsensoren Tracks detektierter Objekte in einem Zustandsraum erstellt werden. Der Zustandsraum ist beispielsweise derart ausgebildet, dass Winkelmehrdeutigkeiten in diesen nicht aufgelöst werden müssen. Weiterhin werden Tracks unterschiedlicher Radarsensoren unter der Maßgabe, dass diese plausibel von dem gleichen Objekt stammen, einander zugeordnet. Die einander zugeordneten Tracks werden für unterschiedliche Varianten zur Auflösung der Winkelmehrdeutigkeiten fusioniert, wobei den Varianten jeweils ein Plausibilitätsmaß zugeordnet wird. Zur Auflösung der Winkelmehrdeutigkeiten wird dann die Variante mit der größten Plausibilität ausgewählt.
• Mittels des vorliegenden Verfahrens können Winkelmehrdeutigkeiten von Objektpositionen durch die Plausibilisierung durch mehrere Radarsensoren eines Radarnetzwerks zuverlässig aufgelöst werden. Somit kann eine Anzahl von aufgrund von Winkelmehrdeutigkeiten falsch positionierten Objekten, auch als Geisterobjekte bezeichnet, reduziert werden. Dies ermöglicht eine signifikante Verbesserung eines mit den Radarsensoren erzeugten Umgebungsmodells. Im Kontext eines Systems zum automatisierten Fahren eines Fahrzeugs kann dadurch ein Fahrverhalten signifikant verbessert werden. Beispielsweise können Bremsmanöver für in Wirklichkeit an einer Position nicht vorhandene Objekte vermieden werden.
• Im Gegensatz zum Stand der Technik ist das vorliegende Verfahren dabei nicht auf ein Frequenzunterspektrum angewiesen, so dass es auch mit Radarsensoren, welche eine Auflösung der Winkelmehrdeutigkeiten selbst nicht beherrschen, anwendbar ist.
• Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.
• Dabei zeigen:
• 1 schematisch ein Blockschaltbild einer Vorrichtung zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk,
• 2 schematisch eine Überführung eines mittels eines Radarsensors erfassten Tracks in mehrere hypothetisch abgeleitete kartesische Tracks sowie eine Darstellung von hypothetisch abgeleiteten kartesischen Tracks von mehreren Sensoren und einem resultierenden, plausibelsten zusammengeführten Track,
• 3 schematisch einen vorläufigen Assoziationsgraphen mehrerer Radarsensoren,
• 4 schematisch Segmentierungen, welche bei einer Verfeinerung des Assoziationsgraphen gemäß 3 berücksichtigt werden,
• 5 schematisch eine Darstellung von Datenstrukturen zur Erzeugung eines zusammengeführten Tracks aus mittels einer Vielzahl von Radarsensoren erfassten Tracks,
• 6 schematisch eine Darstellung eines zusammengeführten Tracks mit geringer Plausibilität und
• 7 schematisch eine Darstellung eines zusammengeführten Tracks mit hoher Plausibilität.
• Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
• In 1 ist ein Blockschaltbild eines möglichen Ausführungsbeispiels einer Vorrichtung 1 zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk 2 mit mehreren Radarsensoren 2.1 bis 2.n dargestellt.
• Radarsensoren 2.1 bis 2.n für Fahrzeuganwendungen können durch Winkelmehrdeutigkeiten beeinträchtigt werden. Solche Radarsensoren 2.1 bis 2.n können zusätzlich zu normalen Messunsicherheiten einen Einfallswinkel eines Zielsignals nicht eindeutig bestimmen. Das heißt, der Radarsensor 2.1 bis 2.n kann nur feststellen, dass ihn ein Signal von einem beliebigen Winkel φ₀, ... , φ_N-1 aus erreicht, wobei N eine Gesamtzahl der Mehrdeutigkeiten ist. Mittels eines Radarsensors 2.1 bis 2.n ist es möglich, beispielsweise basierend auf einem beleuchteten Sichtfeld oder einer internen Zielverfolgung, festzustellen, welche Winkelmehrdeutigkeit am wahrscheinlichsten ist. Zu einer Weiterverarbeitung darf der Radarsensor 2.1 bis 2.n nur diesen wahrscheinlichsten Winkel oder zusätzlich auch weitere mögliche Winkel ausgeben.
• In vielen Fällen entsprechen die wahrscheinlichsten Winkelmessungen der korrekten Zielposition. In diesen Fällen können Tracking- und Fusionsalgorithmen, die die Mehrdeutigkeit der Radarmessungen vernachlässigen, gute Ergebnisse liefern. In Fällen, in denen der Radarsensor 2.1 bis 2.n die Winkelmehrdeutigkeit falsch auflöst, werden solche Algorithmen wahrscheinlich stark fehlerhafte Ergebnisse liefern. Insbesondere können sie Geisterobjekte ausgeben, d. h. Objekte an Positionen anzeigen, an denen es eigentlich keine gibt. Da die Effekte, die den Radarsensor 2.1 bis 2.n zu einer fehlerhaften Auflösung der Winkelmehrdeutigkeiten führen, über einen langen Zeitraum bestehen können, können auch diese Geisterobjekte langlebig sein. Im automatisierten, insbesondere hochautomatisierten oder autonomen Fahrbetrieb eines Fahrzeugs können solche Geisterobjekte das Fahrverhalten stark beeinflussen, beispielsweise zu einer Notbremsung ohne wirklichen Grund führen.
• Um die Erkennung solcher Geisterobjekte zu vermeiden, ist es möglich, Schwellwerte für die Erstellung von Objekten basierend auf Radardaten zu erhöhen. Hieraus resultiert jedoch eine Verringerung eines Vertrauens in den Radarsensor 2.1 bis 2.n und damit seine Nützlichkeit. Auch können hieraus weitere Probleme resultieren, beispielsweise eine späte Erkennung oder sogar verfehlte Objekte.
• Somit dürfen, auch wenn diese nur mit einer relativ geringen Häufigkeit auftreten, Winkelmehrdeutigkeiten von Tracking- und Fusionsalgorithmen nicht vernachlässigt werden. Insbesondere müssen Winkelmehrdeutigkeiten in der so genannten Spawn-Phase, das heißt einer Initialisierung von Tracks der Objekte, erkannt und berücksichtigt werden, da, sobald ein Track erstellt ist, weitere mehrdeutige Messaktualisierungen dazu neigen, so aufgelöst zu werden, dass sie mit der vorherigen Auflösung von Winkelmehrdeutigkeiten übereinstimmen. Darüber hinaus ist eine zuverlässige Initialisierung der Tracks erforderlich, um Notfallsituationen bewältigen zu können, beispielsweise ein Auftreten von Fußgängern im Fahrweg, welche spät in ein Sichtfeld des Radarsensors 2.1 bis 2.n eintreten, insbesondere wenn das den Radarsensor 2.1 bis 2.n aufweisende Fahrzeug bereits in geringem Abstand zu dem Fußgänger ist. Auch können Notfallsituationen aus in geringem Abstand zum Fahrzeug befindlichen Hindernissen, wie beispielsweise verlorener Ladung, im Fahrweg, welche aufgrund ihrer Rückstreueigenschaften erst bei kurzer Distanz durch Radarsensoren 2.1 bis 2.n oder anderen Sensoren erkannt werden können, resultieren.
• Um diese Probleme zu lösen, wird mittels der Vorrichtung 1 ein Verfahren zur Auflösung von Winkelmehrdeutigkeiten in dem räumlich inkohärenten Radarnetzwerk 2 ausgeführt.
• Das Verfahren ist dabei für eine Verarbeitung und Ermittlung von Winkelmehrdeutigkeiten bei Radarmessungen beim Spawnen von Objekten ausgebildet und beruht auf der Verwendung mehreren Radarsensoren 2.1 bis 2.n, welche eine Umgebung eines Fahrzeugs, an welchem diese angeordnet sind (im Folgenden als Ego-Fahrzeug bezeichnet), mit sich überlappenden und/oder benachbarten Erfassungsbereichen bzw. Sichtfeldern erfassen. Ein Aufbau der Vorrichtung 1 ist abhängig von der Zielsetzung, den Einsatz eines vollständigen „Multiple-Hypothesen-Tracking-Algorithmus“ zu vermeiden, welcher schwieriger zu implementieren und sehr rechenintensiv ist.
• Mittels der Radarsensoren 2.1 bis 2.n erfolgt eine Umgebungserfassung, wobei mittels Sensortracking-Modulen 2.1.1 bis 2.n.1 aus mittels der Radarsensoren 2.1 bis 2.n erfassten Daten Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x detektierter Objekte ermittelt und einem Assoziations-Modul 3 zugeführt werden. Dabei erstellen und verwalten Sensortracking-Module 2.1.1 bis 2.n.1 die Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x unabhängig für jeden Radarsensor 2.1 bis 2.n. Die Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x verwenden einen Zustandsraum von Messgrößen, insbesondere eine in 2 näher dargestellte Entfernung r eines detektierten und/oder verfolgten Objekts zum Radarsensor 2.1 bis 2.n, eine Radialgeschwindigkeit v_rad und einen Richtungskosinus u. Der Richtungskosinus u bezeichnet dabei den Kosinus oder Sinus des Einfallswinkels je nach Definition des Winkels. Aufgrund der Verwendung dieses speziellen Zustandsraums müssen die Sensortracking-Module 2.1.1 bis 2.n.1 die Winkelmehrdeutigkeiten nicht auflösen, da der Richtungskosinus u, der sich auf einen Einfallswinkel bezieht, die Entfernung r zum Radarsensor 2.1 bis 2.n und die Radialgeschwindigkeit v_rad des Zustands im Vorhersageschritt nicht beeinflusst.
• Weiterhin werden die Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x durch ein Zuordnungs-Submodul 4 eines Multisensor-Tracking-Moduls zu Multisensor-Track-Gruppen TG1 bis TGz zusammengefasst.
• Aus jeder dieser Multisensor-Track-Gruppen TG1 bis TGz wird mittels eines Zusammenführungsmoduls 5 ein zusammengeführter Track S1 bis Sy generiert.
• Jedoch muss, wie in 2 näher dargestellt, bei einer Umwandlung eines erfassten Sensortracks T1 in einen abgeleiteten hypothetischen kartesischen Track T1.1 bis T1.3 die Winkelmehrdeutigkeit berücksichtigt werden.
• Dabei ist im linken Teil von 2 ein erfasster Sensortrack T1 dargestellt, welcher beispielsweise gemäß $$u_n=u_{tr}+n\Delta u$$

  

  in mehrere in der Mitte der 2 dargestellte hypothetische abgeleitete kartesische Tracks T1.1 bis T1.3 umgewandelt wird. Dabei ist u_tr der Richtungskosinus u des Tracks in Sensorkoordinaten, bei welchem die Mehrdeutigkeit nicht aufgelöst wurde. nΔu ist der Abstand zwischen möglichen Auflösungen der Mehrdeutigkeiten und u_n ist die n-te mögliche Auflösung.
• Jede Hypothese, vorliegend drei, entspricht einer Möglichkeit, die Winkelmehrdeutigkeit aufzulösen.
• Im rechten Teil der 2 sind aus von mehreren Radarsensoren 2.1 bis 2.n erfassten Tracks hypothetische abgeleitete kartesische
  Tracks T1.1 bis T1.3, T2.1 bis T2.3, T3.1 bis T.3.3 und ein resultierender, plausibelster zusammengeführter Track S1 dargestellt.
• Die abgeleiteten kartesischen Tracks T1.1 bis T1.3 befinden sich in einem kartesischen Bezugssystem mit den Koordinaten x, y, beispielsweise einem so genannten integrierten Fahrzustandskoordinatensystem, auch als Integrated Driving State Frame, kurz: IDS, bezeichnet. Die abgeleiteten kartesischen Tracks T1.1 bis T1.3 bestehen dabei nur aus einem Positionszustand.
• Aufgrund der Winkelmehrdeutigkeit existieren mehrere abgeleitete kartesische Tracks T1.1 bis T1.3, wobei eine Anzahl dieser Tracks T1.1 bis T1.3 einer Anzahl von Mehrdeutigkeiten bei der Winkelmessung entspricht. Somit ist jeder abgeleitete kartesische Track T1.1 bis T1.3 nur eine von mehreren Hypothesen, wie ein Sensortrack T1 in einen kartesischen Track T1.1 bis T1.3 umgewandelt wird.
• Eine Variante des abgeleiteten kartesischen Tracks T1.1 bis T1.3 ist ein so genannter Zeitstempel-angepasster-abgeleiteter kartesischer Track. „Zeitstempel-angepasst“ bezieht sich hier auf die Tatsache, dass für diese Art von Track die Zeitstempel so vorgegeben werden, dass sie mit den Sensortracking-Module 2.1.1 bis 2.n.1 übereinstimmen.
• Beispielsweise werden Sensortracks T1, T2 in Zeitstempel-angepasste-abgeleitete kartesische Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x mit gemeinsamen Zeitstempeln, umgewandelt, um eine Zusammenführung dieser Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x zu ermöglichen. Dabei seien t_p, Aktualisierungszeiten eines
  Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x mit einem Index p und t_l die Zeitstempel einer gemeinsamen Zeitachse. Dann wird ein Zustand des Tracks T1, T2 bei t_l bestimmt durch
• - Umwandlung des Tracks T1, T2 in einen kartesischen Track T1.1 bis T1.m ... Tn.1 bis Tn.x mit einem Zustand ∼x_p,k und einer Kovarianzmatrix ∼P_p,k,
• - anschließend Vorhersage des Zustands zum Zeitstempel t_l, um den Zustand x_p,l mit der Kovarianzmatrix P_p,l zu erhalten.
• Der Track T1.1 bis T1.m ... Tn.1 bis Tn.x enthält eine Indikatorvariable ∼D_p,, die gleich 1 ist, wenn das verfolgte Zielobjekt im Zeitschritt t_k erkannt wurde. Andernfalls ist sie 0. Für die Zeitstempel-angepassten-abgeleiteten kartesischen
• Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x wird bei Zeitstempel l die entsprechende Variable D_p auf den Wert von ~D_p des Zeitstempels t_k gesetzt, der vorausgeht. Somit wird immer angezeigt, ob das verfolgte Zielobjekt bei der vorherigen Gelegenheit erkannt wurde.
• Ein zusammengeführter Track S1 bis Sy wird beispielsweise durch Berechnen eines zusammengeführten Zustands als gewichteter Durchschnitt aus den Zuständen der Zeitstempel-angepassten-abgeleiteten kartesischen Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x gebildet. Das heißt, für Zeitstempel-angepasste-abgeleitete kartesische Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x mit einem Zustand x_p und der Kovarianzmatrix P_p ist der zusammengeführte Trackzustand $$x_l=P_l\left({\displaystyle \sum {}_{p=0}^{P_{st}-1}{\left[P_{p,l}\right]}^{-1}{x}_{pl}}\right)$$

  
• Dabei ist P_st eine Anzahl der Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x, die zum zusammengeführten Track S1 bis Sy beitragen, und $$P_l={\left({\displaystyle \sum {}_{p=0}^{P_{st}-1}{\left[P_{p,l}\right]}^{-1}}\right)}^{-1}$$

  

  ist die Kovarianzmatrix des zusammengeführten Tracks S1 bis Sy zum Zeitpunkt l.
• In 3 ist ein Beispiel für einen vorläufigen Assoziationsgraphen AG dargestellt. Knoten des Assoziationsgraphen AG sind Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x und (gewichtete) Verbindungen repräsentieren vorläufige Assoziationen. 4 zeigt ein Beispiel für Segmentierungen (a) bis (d), welche bei einer Verfeinerung des Assoziationsgraphen AG berücksichtigt werden. Die Segmentierung (a) entspricht dabei einer ursprünglichen vorläufigen Assoziation aus einem vorläufigen Assoziationsgraphen AG. Bei den Segmentierungen (b), (c) und (d) werden eine oder beide der vorläufigen Assoziationen entfernt.
• Ein Multisensor-Tracking-Modul bildet Multisensor-Track-Gruppen TG1 bis TGz, indem es mittels der Radarsensoren 2.1 bis 2.n erfasste Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x zuordnet, die wahrscheinlich dasselbe Zielobjekt darstellen. Ein
  Track T1.1 bis T1.m ... Tn.1 bis Tn.x kann dabei Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x von nur einem Radarsensor 2.1 bis 2.n umfassen, aber auch von mehreren Radarsensoren 2.1 bis 2.n.
• Eine Zuordnung erfolgt dabei in zwei Schritten: In einem ersten Schritt werden
  Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x zwischen benachbarten Radarsensoren 2.1 bis 2.n mit überlappenden Erfassungsbereichen mit Hilfe einer Kostenmatrix und einem so genannten Munkres-Algorithmus zugeordnet. Die Kostenmatrix bezieht sich auf die Plausibilität, dass zwei Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x vom gleichen Zielobjekt stammen. Dieser erste Schritt ergibt einen Assoziationsgraphen AG, bei welchem die Knoten die Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x und (gewichtete) Verbindungen vorläufige Assoziationen repräsentieren, wie 3 zeigt.
• In einem zweiten Schritt können die Verbindungen des Assoziationsgraphen AG entfernt werden. In einem beispielhaften Fall für eine solche Entfernung stammt Track „A“ plausibel von demselben Zielobjekt wie Track „B“, Track „B“ stammt plausibel von demselben Zielobjekt wie Track „C“, aber es ist unplausibel, dass die Tracks „A“, „B“ und „C“ alle zusammen das gleiche Zielobjekt repräsentieren. Obwohl dieser Fall kontraintuitiv erscheint, kann er aufgrund der mehrdeutigen Winkelmessungen auftreten.
• Eine Multisensor-Track-Gruppe TG1 bis TGz mit Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x mehrerer Radarsensoren 2.1 bis 2.n liefert Hypothesen für zusammengeführte Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x mit mehreren Radarsensoren 2.1 bis 2.n. Aufgrund der Kombination von Hypothesen bezüglich einer Umwandlung von Sensortracks T1, T2 in abgeleitete kartesische Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x gibt es mehrere Hypothesen. Beispielsweise gibt es für eine Multisensor-Track-Gruppe TG1 bis TGz, die aus zwei Sensortracks T1, T2 besteht, wobei jeder Track T1, T2 drei hypothetische Umwandlungen in abgeleitete kartesische Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x enthält, insgesamt 3 x 3 = 9 hypothetische zusammengeführte
  Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x. Dies ist in 5 näher dargestellt.
• Das Multi-Sensor-Track-Gruppenmodul bildet aus mehreren, insbesondere einem pro Sensortrack T1, T2, Zeitstempel-angepassten-abgeleiteten kartesischen
  Track T1.1 bis T1.m ... Tn.1 bis Tn.x einen zusammengeführten Track S1 bis Sy, wobei jeder zusammengeführte Track S1 bis Sy mit einem skalaren Plausibilitätswert versehen ist. Daraus wird ein plausibelster zusammengeführter Track S_p gewählt.
• Beispielsweise führt ein anfänglicher Schritt zur Zuordnung von
  Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x zu Multisensor-Track-Gruppen TG1 bis TGz zu vorläufig zugeordneten Tracks. In manchen Fällen ist es zwar angebracht, diese vorläufigen Assoziationen beizubehalten, in anderen Fällen kann es jedoch sinnvoll sein, diese aufzuteilen. Die Aufgabe, Multisensor-Track-Gruppen TG1 bis TGz aus den vorläufigen Assoziationen zu bilden, übernimmt ein heuristischer Segmentierungsalgorithmus: Dieser Algorithmus findet zunächst alle möglichen Segmentierungen der vorläufig zugeordneten Tracks. Dabei können vorläufig assoziierte Tracks A, B und C aufgeteilt werden in
• - die Multisensor-Track-Gruppen {A,B} und {C},
• - die Multisensor-Track-Gruppen {A}, {B,C},
• - die Multisensor-Track-Gruppen {A}, {B}, {C} oder
• - die gemeinsame Multisensor-Track-Gruppe {A, B, C}.
• Dann berechnet der Segmentierungsalgorithmus die Plausibilität jeder Segmentierung, um die Segmentierung mit der höchsten Plausibilität auszuwählen. Für eine gegebene Segmentierung und jedes Segment mit dem Index m dieser Segmentierung konstruiert der Segmentierungsalgorithmus einen zusammengeführten Track S1 bis Sy, bestimmt dessen Plausibilität W_mt,, eine Länge L_mt,m und eine durchschnittliche Plausibilität ∼W_mt,m = W_mt,m/L_mt,m. Die Plausibilität der Segmentierung ist dann gegeben durch $$W_{\text{segmentation}}={\displaystyle \prod {}_{m=0}^{M-1}{\tilde{W}}_{mt,m}\frac{1}{M}{\displaystyle \sum {}_{m=0}^{M-1}{L}_{mt,m}}}$$

  
• Dabei ist M die Gesamtzahl der Segmente innerhalb der Segmentierung. Schließlich wird die Segmentierung mit der höchsten Plausibilität ausgewählt.
• 6 zeigt schematisch eine Darstellung eines zusammengeführten Tracks S1 mit geringer Plausibilität. Die beiden ursprünglich abgeleiteten kartesischen Tracks T1.1, T1.2 weisen eine sehr geringe Übereinstimmung auf. Somit stimmt der zusammengeführte Track S1 nicht mit den abgeleiteten kartesischen Tracks T1.1, T1.2 überein, wodurch der Algorithmus einen niedrigen Plausibilitätswert berechnet.
• In 7 ist eine Darstellung eines zusammengeführten Tracks S1 mit hoher Plausibilität dargestellt. Dabei weisen die beiden ursprünglich abgeleiteten kartesischen Tracks T1.1, T1.2 eine hohe Übereinstimmung auf, so dass auch der zusammengeführte Track S1 mit den abgeleiteten kartesischen Tracks T1.1, T1.2 übereinstimmt, wodurch der Algorithmus einen hohen Plausibilitätswert berechnet.
• Die Plausibilität hängt davon ab, wie gut jeder Zeitstempel-angepasste-abgeleitete kartesische Track T1.1 bis T1.m ... Tn.1 bis Tn.x mit dem resultierenden zusammengeführten Track S1 bis Sy übereinstimmt. Außerdem wird eine Wahrscheinlichkeit, dass ein verfolgtes Zielobjekt von den beitragenden Radarsensoren 2.1 bis 2.n hätte erfasst werden sollen, basierend auf dem zusammengeführten Track S1 bis Sy und einem Sensormodell, bestimmt. Stimmen tatsächliche Erkennungs- oder Nichterkennungsereignisse gut mit einer Erkennungswahrscheinlichkeit überein, führt dies zu einer höheren Plausibilität des zusammengeführten Tracks S1 bis Sy. Schließlich wird unter den mehreren hypothetischen Tracks S1 bis Sy der zusammengeführte Track S_p mit dem höchsten Plausibilitätswert ausgewählt. Durch die Berechnung der verschiedenen Hypothesen der zusammengeführten Tracks S1 bis Sy und deren Plausibilitätsrangfolge wird das Ziel erreicht, die Winkelmehrdeutigkeiten aufzulösen.
• Die Plausibilität eines zusammengeführten Tracks wird beispielsweise in einem heuristischen Verfahren bestimmt:
• - Überlappen sich die Zeitstempel-angepassten-abgeleiteten kartesischen Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x zeitlich nicht, dann hat der zusammengeführte Track S1 bis Sy die Länge 0. Somit wird in diesem Fall die Plausibilität auf W_mt = 0 gesetzt.
• - Ansonsten wird für jeden abgeleiteten kartesischen Track p und jeden Zeitstempel l eine Gewichtungsvariable berechnet. Für Zeitstempel mit D_p = 0 (keine Erkennung) ist ein Gewicht w_p = 1 - P_D(x_l; v_p), wobei v_p eine ID des Radarsensors 2.1 bis 2.n ist, von dem der Track p erhalten wurde und wobei P_D(x; v) die Wahrscheinlichkeit ist, ein Zielobjekt mit einen Zustand x durch einen Radarsensor 2.1 bis 2.n mit der ID v zu erkennen. Für Zeitstempel mit D_p,l = 1 (Ziel erkannt) wird das Gewicht gemäß $$w_{p,l}=\frac{P_D\left(x_l,v_p\right)p\left(x_{p,l};x_l,P_l+P_{p,l}\right)}{P_D\left(x_l,v_p\right)p\left(x_{p,l};x_l,P_l+P_{p,l}\right)+\kappa }$$
  
  ermittelt, wobei p(x; y, P) die Gaußsche Wahrscheinlichkeitsdichtefunktion mit dem Mittelwert y und der Kovarianzmatrix P ist. Außerdem ist κ ein konfigurierbarer Parameter.
• - Wenn das Zielobjekt nicht von einem Radarsensor 2.1 bis 2.n verfolgt wird, das heißt, es gibt keinen Track T1.1 bis T1.m ... Tn.1 bis Tn.x von diesem Radarsensor 2.1 bis 2.n in der Multisensor-Track-Gruppe TG1 bis TGz, werden alle Zeitindizes als Zeitindizes für verpasste Erkennungen behandelt und die Gewichte werden auf w_p,l = 1 - P_D(x_l; vp) gesetzt. Dabei ist p ein Index des verpassten Track T1.1 bis T1.m ... Tn.1 bis Tn.x und v_p ein Index des Radarsensors 2.1 bis 2.n, der den Track T1.1 bis T1.m ... Tn.1 bis Tn.x verpasst hat. Mit diesen Definitionen kann der verpasste Track T1.1 bis T1.m ... Tn.1 bis Tn.x bei der Berechnung der zusammengeführten Track-Plausibilität konsistent behandelt werden.
• - Schließlich ist die Plausibilität des zusammengeführten Tracks S1 bis Sy $$W_{mt}={\displaystyle \sum {}_{p=0}^{L_{mt}-1}{\displaystyle \prod {}_{p=0}^{P_{sensors}-1}{w}_{p,l}}}$$
  
  wobei L_mt eine Anzahl von Zeitschritten des zusammengeführten Tracks S1 bis Sy und P_Sensors die Anzahl der Radarsensoren 2.1 bis 2.n ist. Dieser Wert entspricht der kombinierten Anzahl von Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x und fehlenden Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x.
• Der zuvor beschriebene Algorithmus ist prinzipiell für ein kontinuierliches Tracking geeignet. Es ist jedoch beabsichtigt, Daten lediglich in einem kurzen Zeitintervall zu verfolgen, um zusammengeführte Tracks S1 bis Sy zu erhalten, die als Trackinitialisierung oder Spawning-Kandidat für einen Hauptverfolgungsalgorithmus dienen. Diese Nutzungseinschränkung ermöglicht eine Vereinfachung hinsichtlich der Plausibilitätsberechnung und einer Trackzusammenführung. Das heißt, eine Situation, dass Sensortracks T1, T2 für ein bestimmtes Zeitintervall dasselbe Zielobjekt darstellen und - aufgrund eines Trackidentitätswechsels - für ein anderes Zeitintervall nicht, wird nicht behandelt.
• Bezugszeichenliste

1

Vorrichtung

2

Radarnetzwerk

2.1 bis 2.n

Radarsensor

2.1.1 bis 2.n.1

Sensortracking-Modul

3

Assoziations-Modul

4

Zuordnungs-Submodul

5

Zusammenführungsmodul

(a) bis (d)

Segmentierungen

AG

Assoziationsgraph

r

Entfernung

S1 bis Sy

Track

Sp

Track

T1

Sensortrack

T2

Sensortrack

TG1 bis TGz

Multisensor-Track-Gruppe

T1.1 bis T1.m ... Tn.1 bis Tn.x

Track

u

Richtungskosinus

vrad

Radialgeschwindigkeit

x

Koordinate

y

Koordinate

• ZITATE ENTHALTEN IN DER BESCHREIBUNG
• Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
• Zitierte Patentliteratur
• US 20190187268 A1 [0003]

Claims (1)

1. Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk (2), dadurch gekennzeichnet, dass - mittels mehrerer Radarsensoren (2.1 bis 2.n) eine Umgebung erfasst wird, - für jeden Radarsensor (2.1 bis 2.n) individuell und unabhängig von den jeweils anderen Radarsensoren (2.1 bis 2.n) Tracks (T1.1 bis T1.m ... Tn.1 bis Tn.x) detektierter Objekte in einem Zustandsraum erstellt werden, - Tracks (T1.1 bis T1.m ... Tn.1 bis Tn.x) unterschiedlicher Radarsensoren (2.1 bis 2.n) unter der Maßgabe, dass diese plausibel von dem gleichen Objekt stammen, einander zugeordnet werden, - die einander zugeordneten Tracks (T1.1 bis T1.m ... Tn.1 bis Tn.x) für unterschiedliche Varianten zur Auflösung der Winkelmehrdeutigkeiten fusioniert werden, - den Varianten jeweils ein Plausibilitätsmaß zugeordnet wird und - zur Auflösung der Winkelmehrdeutigkeiten die Variante mit der größten Plausibilität ausgewählt wird.

Images