DE102022103821A1 - METHODS AND DEVICES FOR THE RADAR-ASSISTED DETECTION OF A SEAT OCCUPANCY STATE OF A SEAT ARRANGEMENT - Google Patents
METHODS AND DEVICES FOR THE RADAR-ASSISTED DETECTION OF A SEAT OCCUPANCY STATE OF A SEAT ARRANGEMENT Download PDFInfo
- Publication number
- DE102022103821A1 DE102022103821A1 DE102022103821.1A DE102022103821A DE102022103821A1 DE 102022103821 A1 DE102022103821 A1 DE 102022103821A1 DE 102022103821 A DE102022103821 A DE 102022103821A DE 102022103821 A1 DE102022103821 A1 DE 102022103821A1
- Authority
- DE
- Germany
- Prior art keywords
- seat
- training
- radar
- machine learning
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/04—Systems determining presence of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Seats For Vehicles (AREA)
Abstract
Verfahren zum automatisierten Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz weist auf: Empfangen oder Erzeugen von Messdaten, die eine auf Basis einer Radarabtastung eines die Sitzplatzanordnung zumindest abschnittsweise umgebenden Raumbereichs gewonnene Radarpunktwolke repräsentieren, die eine Mehrzahl von Radarpunkten aufweist; für jedes Merkmal aus einer definierten nichtleeren Menge von Merkmalen zur Charakterisierung von Eigenschaften von Radarpunktwolken, Bestimmen eines dem jeweiligen Merkmal zugeordneten, insbesondere numerischen, Werts in Abhängigkeit von der die Messdaten repräsentierte Radarpunktwolke; Bestimmen, insbesondere Schätzen, eines Sitzbelegungszustands der Sitzplatzanordnung unter Verwendung eines trainierten Machine-Learning-Modells, wobei die bestimmten Werte der Merkmale als Eingangsdaten dem Machine-Learning-Modell zu Verfügung gestellt werden, um als dessen Ausgabe ein einen Sitzbelegungszustand der Sitzplatzanordnung kennzeichnendes Ergebnis, insbesondere Klassifikationsergebnis, zu erhalten; und Ausgeben einer in Abhängigkeit von dem Ergebnis definierten Information. Die Information kann insbesondere das Ergebnis selbst repräsentieren. Sie kann auch ein, insbesondere mit einem menschlichen Sinn erfassbares, detektierbares Signal sein, wie etwa ein Warnhinweis, oder ein Steuersignal zur Ansteuerung einer Signalquelle oder ein die Information tragendes Datensignal. Es wird auch ein System zur Ausführung des Verfahrens beschrieben.A method for automatically detecting a seat occupancy state of a seating arrangement with at least one seat comprises: receiving or generating measurement data which represents a radar point cloud obtained on the basis of a radar scan of a spatial region at least partially surrounding the seating arrangement and which has a plurality of radar points; for each feature from a defined, non-empty set of features for characterizing properties of radar point clouds, determining a value, in particular a numerical value, assigned to the respective feature as a function of the radar point cloud represented by the measurement data; Determining, in particular estimating, a seat occupancy state of the seating arrangement using a trained machine learning model, the determined values of the characteristics being made available to the machine learning model as input data in order to output a result characterizing a seat occupancy state of the seating arrangement, in particular classification result; and outputting information defined depending on the result. In particular, the information can represent the result itself. It can also be a detectable signal, in particular one that can be detected with a human sense, such as a warning, or a control signal for controlling a signal source, or a data signal carrying the information. A system for carrying out the method is also described.
Description
Die vorliegende Erfindung betrifft ein auf maschinellem Lernen beruhendes Verfahren und ein zur Ausführung des Verfahrens konfiguriertes System, jeweils zum automatisierten Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz. Des Weiteren betrifft die Erfindung ein Verfahren zum Trainieren eines Systems zur Sitzbelegungserkennung, insbesondere für ein Kraftfahrzeug, mit einem Maschinenlernmodell (nachfolgend im Einklang mit einer gängigen Bezeichnung aus der Fachsprache als „Machine-Learning-Modell oder „ML-Modell“ bezeichnet) zum Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz. Das Machine-Learning-Modell ist insbesondere im Rahmen des vorgenannten Verfahrens zum Erkennen eines Sitzbelegungszustands verwendbar..The present invention relates to a method based on machine learning and a system configured to carry out the method, in each case for automatically recognizing a seat occupancy state of a seating arrangement with at least one seat. Furthermore, the invention relates to a method for training a system for seat occupancy detection, in particular for a motor vehicle, with a machine learning model (hereinafter referred to as a "machine learning model" or "ML model" in accordance with a common term from the technical jargon) for detection a seat occupancy state of a seat arrangement with at least one seat. The machine learning model can be used in particular within the framework of the aforementioned method for recognizing a seat occupancy status.
In verschiedenen Situationen kann es erforderlich sein, automatisiert einen aktuellen Sitzbelegungszustand einer Sitzplatzanordnung mit zumindest einem Sitzplatz festzustellen. Eine solche Situation kann insbesondere in Fahrzeugen auftreten, beispielsweise in Kraftfahrzeugen, wo eine Konfiguration des Fahrzeugs oder ein Aktivieren, Deaktivieren oder Steuern einer oder mehrere Fahrzeugfunktionalitäten in Abhängigkeit von einem aktuellen Sitzbelegungszustand erfolgen sollen. Beispielsweise ist es bei Kraftfahrzeugen bekannt, in Abhängigkeit von einem erkannten Sitzbelegungszustand einen akustischen oder optischen Hinweis an Fahrzeuginsassen zum Anlegen von Sitzgurten auszugeben oder ein Aktivieren bzw. Deaktivieren von Airbags zu steuern.In various situations, it may be necessary to automatically determine a current seat occupancy status of a seat arrangement with at least one seat. Such a situation can occur in particular in vehicles, for example in motor vehicles, where the vehicle is to be configured or one or more vehicle functionalities are to be activated, deactivated or controlled as a function of a current seat occupancy status. For example, it is known in motor vehicles to output an acoustic or visual indication to vehicle occupants to fasten seat belts or to control the activation or deactivation of airbags as a function of a detected seat occupancy state.
Zum automatisierten Detektieren eines aktuellen Sitzbelegungszustands eines oder mehrerer Sitze, insbesondere einer Anordnung von Fahrzeugsitzen in einen Fahrzeug, sind dazu insbesondere sogenannte Sitzbelegungsmatten bekannt, die in die Sitze integriert sind (meist jeweils eine je Sitz) und druckempfindliche Sensoren zum Detektieren einer Belegung des jeweiligen Sitzes verwenden. Ein Sitzbelegungszustand des Sitzes wird dabei in Abhängigkeit von den Sensorsignalen bzw. Sensordaten dieser Sensoren bestimmt, in der Regel mittels einer Schwellwertprüfung.For the automated detection of a current seat occupancy status of one or more seats, in particular an arrangement of vehicle seats in a vehicle, so-called seat occupancy mats are known, which are integrated into the seats (usually one for each seat) and pressure-sensitive sensors for detecting an occupancy of the respective seat use. A seat occupancy state of the seat is determined as a function of the sensor signals or sensor data from these sensors, generally by means of a threshold value check.
Diese bekannten Lösungen setzen somit eine Ausstattung der Sitze mittels einer darin eingebauten Sensorik voraus und sind zudem meist nicht in der Lage, verschiedene Sitzbelegungszustände jenseits von „besetzt“ und „nicht besetzt“ zu unterscheiden. Des Weiteren müssen die Sensoren typischerweise ab Werk bereits in die Sitze integriert werden, sodass ein Nachrüsten schwierig oder unmöglich ist und das Erfassen eines Sitzbelegungszustands von nicht derart ausgerüsteten Sitzen entfällt.These known solutions therefore require the seats to be equipped with a sensor system built into them and are also usually not able to distinguish between different seat occupancy states beyond “occupied” and “not occupied”. Furthermore, the sensors typically have to be integrated into the seats at the factory, so that retrofitting is difficult or impossible and there is no need to detect a seat occupancy status of seats that are not equipped in this way.
Es ist eine Aufgabe der vorliegenden Erfindung, eine verbesserte Lösung zum automatisierten Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz anzugeben.It is an object of the present invention to specify an improved solution for automatically recognizing a seat occupancy state of a seat arrangement with at least one seat.
Die Lösung dieser Aufgabe wird gemäß der Lehre der unabhängigen Ansprüche erreicht. Verschiedene Ausführungsformen und Weiterbildungen der Erfindung sind Gegenstand der Unteransprüche.The solution to this problem is achieved according to the teaching of the independent claims. Various embodiments and developments of the invention are the subject matter of the dependent claims.
Ein erster Aspekt der hier vorgestellten Lösung betrifft ein, insbesondere computerimplementiertes, Verfahren zum Trainieren eines Systems zur Sitzbelegungserkennung für ein Kraftfahrzeug mit einem Machine-Learning-Modell zum Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz, insbesondere mit zumindest einem Fahrzeugsitz in einem bzw. für ein Fahrzeug. Das Verfahren weist auf: Trainieren des Machine-Learning-Modells anhand von Trainingsdaten, um ein trainiertes Machine-Learning-Modell zu erhalten, das konfiguriert ist, auf Basis von jeweiligen Werten verschiedener Merkmale einer mittels einer tatsächlichen oder simulierten Radarabtastung eines die Sitzplatzanordnung umgebenden Raumbereichs gewonnenen Radarpunktwolke einen Sitzbelegungszustand der Sitzplatzanordnung kennzeichnendes Ergebnis zu erhalten. Dabei weisen die Trainingsdaten zu verschiedenen möglichen vordefinierten Sitzbelegungszuständen der Sitzplatzanordnung jeweils zumindest einen Trainingsdatensatz auf, der zu dem jeweiligen Sitzbelegungszustand jeweilige Werte von N verschiedenen Merkmalen einer Gesamtmenge G repräsentiert, die jeweils einzeln oder kumulativ eine zu dem jeweiligen Sitzbelegungszustand korrespondierende Radarpunktwolke charakterisieren.A first aspect of the solution presented here relates to a method, in particular a computer-implemented method, for training a system for seat occupancy detection for a motor vehicle with a machine learning model for detecting a seat occupancy state of a seat arrangement with at least one seat, in particular with at least one vehicle seat in one or for a vehicle. The method comprises: training the machine learning model using training data to obtain a trained machine learning model configured based on respective values of various features of a spatial area surrounding the seating arrangement by means of an actual or simulated radar scan obtained radar point cloud to obtain a seat occupancy state of the seating arrangement characteristic result. The training data for various possible predefined seat occupancy states of the seat arrangement each have at least one training data set that represents the respective values of N different features of a total set G for the respective seat occupancy state, which individually or cumulatively characterize a radar point cloud corresponding to the respective seat occupancy state.
Unter dem Begriff „Maschinenlern-Modell“ bzw. „Machine-Learning-Modell“ bzw. „ML-Modell“, wie hierin verwendet, ist insbesondere ein mittels zumindest eines Algorithmus des maschinellen Lernens auf der Grundlage von Beispieldaten, die als Trainingsdaten bezeichnet werden, erstelltes mathematisches, insbesondere statistisches, Modell zum Treffen von Vorhersagen oder Entscheidungen zu verstehen, ohne dass der bzw. die Algorithmen explizit für das Treffen solcher Vorhersagen oder Entscheidungen programmiert werden.. Insbesondere sind Entscheidungsbaum-basierte Modelle zum maschinellen Lernen („engl. decision trees“) Machine-Learning-Modelle im Sinne der Erfindung.The term “machine learning model” or “machine learning model” or “ML model” as used herein refers in particular to at least one machine learning algorithm based on sample data referred to as training data , created mathematical, in particular statistical, model for making predictions or decisions without the algorithm(s) being explicitly programmed for making such predictions or decisions. In particular, decision tree-based models for machine learning ("decision trees”) Machine learning models within the meaning of the invention.
Unter dem Begriff „Merkmal“ (engl. „feature“), wie hierin verwendet, ist insbesondere ein in Bezug auf eine Radarpunktwolke bestimmbares Attribut zu verstehen, das geeignet ist die Radarpunktwolke bezüglich zumindest einer ihrer Eigenschaften, insbesondere ihrer räumlichen Lage oder Ausdehnung, zu charakterisieren. Konkrete Beispiele für solche Merkmale werden im Weiteren genannt werden.In particular, the term "feature" as used herein means a reference to understand an attribute that can be determined on a radar point cloud, which is suitable for characterizing the radar point cloud with regard to at least one of its properties, in particular its spatial position or extent. Concrete examples of such features will be given below.
Unter dem Begriff „Sitzbelegungszustand“ einer Sitzplatzanordnung mit zumindest einem Sitz, wie hierin verwendet, ist insbesondere eine Information zu verstehen, die angibt, ob oder inwieweit die Sitzplatzanordnung bzw. zumindest einer ihrer Sitze mit einem Objekt, insbesondere einer Sache oder einer Person belegt bzw. besetzt ist. Der Sitzbelegungszustand kann in einem einfachen Beispiel nur das Vorhandensein bzw. die Abwesenheit eines Objekts angeben, oder aber in einem weiterentwickelten Beispiel für den Fall des Vorhandenseins zumindest eines Objekts auf der Sitzplatzanordnung bzw. einem oder mehreren ihrer Sitze, eine Aussage zur Art oder einer anderen Eigenschaft, wie etwa einer räumlichen Ausdehnung, des Objekts angeben.The term "seat occupancy status" of a seating arrangement with at least one seat, as used herein, is to be understood in particular as information that indicates whether or to what extent the seating arrangement or at least one of its seats is occupied or occupied by an object, in particular an item or a person .is occupied. In a simple example, the seat occupancy status can only indicate the presence or absence of an object, or in a more advanced example, in the case of the presence of at least one object on the seating arrangement or one or more of its seats, a statement on the type or another Specify a property, such as a spatial extent, of the object.
Unter dem Begriff „Radarpunktwolke“, wie hierin verwendet, ist insbesondere eine mittels Radar-Abtastung zumindest einer Objektoberfläche gewonnenen Menge von Punkten eines Vektorraums zu verstehen, die eine unorganisierte räumliche Struktur („Wolke“) aufweist. Im Falle einer Radarpunktwolke können die Punkte der Radarpunktwolke als „Radarpunkte“ bezeichnet werden. Eine (Radar-)Punktwolke kann insbesondere durch die in ihr enthaltenen (Radar-)Punkte beschrieben werden, die jeweils insbesondere durch ihre Raumkoordinaten erfasst sind, die je Radarpunkt einen bei der Radarabtastung gemessenen Ort der Reflexion eines ausgestrahlten Radarsignals an einer Objektoberfläche angeben. Zu den Radarpunkten können zusätzlich Attribute, wie z. B. gemessene Dopplergeschwindigkeit oder ein Signal-zu-Rausch-Verhältnis (SNR) erfasst sein.The term “radar point cloud” as used herein is to be understood in particular as meaning a set of points in a vector space obtained by means of radar scanning of at least one object surface, which has an unorganized spatial structure (“cloud”). In the case of a radar point cloud, the points of the radar point cloud can be referred to as "radar points". A (radar) point cloud can be described in particular by the (radar) points it contains, which are each recorded in particular by their spatial coordinates, which indicate for each radar point a location of the reflection of a radiated radar signal on an object surface measured during radar scanning. In addition to the radar points, attributes such as e.g. B. measured Doppler velocity or a signal-to-noise ratio (SNR) can be detected.
Die hierein gegebenenfalls verwendeten Begriffe „umfasst“, „beinhaltet“, „schließt ein“, „weist auf“, „hat“, „mit“, oder jede andere Variante davon sollen eine nicht ausschließliche Einbeziehung abdecken. So ist beispielsweise ein Verfahren oder eine Vorrichtung, die eine Liste von Elementen umfasst oder aufweist, nicht notwendigerweise auf diese Elemente beschränkt, sondern kann andere Elemente einschließen, die nicht ausdrücklich aufgeführt sind oder die einem solchen Verfahren oder einer solchen Vorrichtung inhärent sind.As used herein, the terms “comprises,” “includes,” “includes,” “has,” “has,” “having,” or any other variation thereof, as appropriate, are intended to cover non-exclusive inclusion. For example, a method or apparatus that includes or has a list of elements is not necessarily limited to those elements, but may include other elements that are not expressly listed or that are inherent in such method or apparatus.
Ferner bezieht sich „oder“, sofern nicht ausdrücklich das Gegenteil angegeben ist, auf ein inklusives oder und nicht auf ein exklusives „oder“. Zum Beispiel wird eine Bedingung A oder B durch eine der folgenden Bedingungen erfüllt: A ist wahr (oder vorhanden) und B ist falsch (oder nicht vorhanden), A ist falsch (oder nicht vorhanden) und B ist wahr (oder vorhanden), und sowohl A als auch B sind wahr (oder vorhanden).Further, unless expressly stated to the contrary, "or" refers to an inclusive or and not to an exclusive "or". For example, a condition A or B is satisfied by one of the following conditions: A is true (or present) and B is false (or absent), A is false (or absent) and B is true (or present), and both A and B are true (or present).
Die Begriffe „ein“ oder „eine“, wie sie hier verwendet werden, sind im Sinne von „ein/eine oder mehrere“ definiert. Die Begriffe „ein anderer“ und „ein weiterer“ sowie jede andere Variante davon sind im Sinne von „zumindest ein Weiterer“ zu verstehen.As used herein, the terms "a" or "an" are defined to mean "one or more". The terms "another" and "another" and any other variant thereof shall be construed to mean "at least one other".
Der Begriff „Mehrzahl“, wie er hier verwendet wird, ist im Sinne von „zwei oder mehr“ zu verstehen.The term "plurality" as used herein means "two or more".
Unter dem Begriff „konfiguriert“ oder „eingerichtet“ eine bestimmte Funktion zu erfüllen, (und jeweiligen Abwandlungen davon) ist im Sinne der Erfindung zu verstehen, dass die entsprechende Vorrichtung bereits in einer Ausgestaltung oder Einstellung vorliegt, in der sie die Funktion ausführen kann oder sie zumindest so einstellbar - d.h. konfigurierbar - ist, dass sie nach entsprechender Einstellung die Funktion ausführen kann. Die Konfiguration kann dabei beispielsweise über eine entsprechende Einstellung von Parametern eines Prozessablaufs oder von Schaltern oder ähnlichem zur Aktivierung bzw. Deaktivierung von Funktionalitäten bzw. Einstellungen erfolgen. Insbesondere kann die Vorrichtung mehrere vorbestimmte Konfigurationen oder Betriebsmodi aufweisen, so dass das konfigurieren mittels einer Auswahl einer dieser Konfigurationen bzw. Betriebsmodi erfolgen kann.The term "configured" or "set up" to perform a specific function (and respective modifications thereof) is to be understood within the meaning of the invention that the corresponding device is already in a configuration or setting in which it can or can perform the function it is at least adjustable - i.e. configurable - so that it can carry out the function after the appropriate setting. The configuration can take place, for example, via a corresponding setting of parameters of a process flow or of switches or the like for activating or deactivating functionalities or settings. In particular, the device can have a plurality of predetermined configurations or operating modes, so that the configuration can take place by selecting one of these configurations or operating modes.
Mithilfe des Verfahrens zum Trainieren nach dem ersten Aspekt lässt sich ein System, insbesondere Datenverarbeitungssystem, genauer dessen Maschine-Learning-Modell, trainieren, so dass dieses nach dem Training in der Lage ist, in Abhängigkeit von Trainingsdaten der vorgenannten Art, auf Basis von jeweiligen Werten verschiedener Merkmale einer mittels einer tatsächlichen oder simulierten Radarabtastung eines die Sitzplatzanordnung umgebenden Raumbereichs gewonnenen Radarpunktwolke einen Sitzbelegungszustand der Sitzplatzanordnung kennzeichnendes Ergebnis (insbesondere im Sinne einer Voraussage oder Klassifikation) zu erhalten. So lassen sich, insbesondere im Fahrzeugkontext (insbesondere für Automobile), radarbasierte Lösungen auf Basis solcher trainierten Machine-Learning-Modelle implementieren, die einen Sitzbelegungszustand (insbesondere ausschließlich) radarbasiert zuverlässig erkennen können und auf Basis davon bestimmte Funktionalitäten oder System, wie etwa einen Gurtwarner oder ein Airbag-System, insgesamt oder selektiv aktivieren, deaktivieren oder steuern/regeln können.Using the method for training according to the first aspect, a system, in particular a data processing system, more precisely its machine learning model, can be trained so that after training it is able, depending on training data of the aforementioned type, on the basis of respective Values of various features of a radar point cloud obtained by means of an actual or simulated radar scan of a spatial area surrounding the seating arrangement to obtain a result characterizing a seat occupancy state of the seating arrangement (in particular in the sense of a prediction or classification). In particular in the vehicle context (especially for automobiles), radar-based solutions can be implemented on the basis of such trained machine learning models that can reliably detect a seat occupancy status (in particular exclusively) based on radar and on the basis of this certain functionalities or systems, such as a seat belt reminder or activate, deactivate, or control an airbag system, all or selectively.
Nachfolgend werden verschiedene beispielhafte Ausführungsformen des Verfahrens zum Trainieren beschrieben, die jeweils, soweit dies nicht ausdrücklich ausgeschlossen wird oder technisch unmöglich ist, beliebig miteinander sowie mit den weiteren beschriebenen anderen Aspekten der vorliegenden Lösung kombiniert werden können.Various exemplary embodiments of the method for Trai Kidneys described, each of which, unless this is expressly excluded or technically impossible, can be combined with each other and with the other described other aspects of the present solution.
Bei einigen Ausführungsformen weist das Trainieren des Machine-Learning-Modells auf (i) Auswählen einer Teilmenge T von M Merkmalen aus der Gesamtmenge G, wobei M < N gilt und das Auswählen auf Basis der in den Trainingsdaten repräsentierten jeweiligen Werte der N Merkmale der Gesamtmenge G erfolgt; und (ii) Anpassen des Machine-Learning-Modells auf solche Art, dass es im Hinblick auf seine Abhängigkeit von Merkmalen der Gesamtmenge G nach der Anpassung ausschließlich auf den ausgewählten M Merkmalen der Teilmenge T beruht. Je nach Art des verwendeten Machine-Learning-Modells kann dabei die Anzahl M vorab festgelegt sein, oder sich erst im Rahmen des Trainings selbst ergeben, letzteres insbesondere bei Verwendung eines Entscheidungsbaum-basierten Machine-Learning-Modells.In some embodiments, training the machine learning model comprises (i) selecting a subset T of M features from the total set G, where M<N, and selecting based on the respective values of the N features of the total set represented in the training data G occurs; and (ii) adjusting the machine learning model in such a way that it relies solely on the selected M features of the subset T for its dependency on features of the total set G after the adjustment. Depending on the type of machine learning model used, the number M can be specified in advance, or only result during the training itself, the latter in particular when using a decision tree-based machine learning model.
Bei diesen Ausführungsformen erfolgt somit eine Auswahl einer Teilmenge der insgesamt verfügbaren Merkmale, so dass die Anzahl der im Rahmen des sich aus dem Training ergebenden trainierten Machine-Learning-Modells zu berücksichtigenden Merkmale reduziert ist. Dies kann einer Verbesserung der Performanz des Machine-Learning-Modells und somit des im Weiteren beschriebenen Verfahrens zum automatisierten Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung dienen. Dabei kann sich der Performanzgewinn zum einen auf eine Verkürzung einer Ablaufzeit des Verfahrens bzw. einer Reduktion der zu seinem Ablauf erforderlichen Rechenresourcen beziehen und/oder auf die Qualität des Ergebnisses. Letzteres kann insbesondere dadurch bewirkt werden, dass aufgrund der Reduktion bzw. Begrenzung der Anzahl der zu berücksichtigenden Merkmale einer Berücksichtigung von Merkmalen, die ohne großen Beitrag zur Problemlösung vorwiegend zu einer Komplexitätserhöhung und Ablenkung des Machine-Learning-Modells von den tatsächlich besonders entscheidenden Merkmalen führen könnten, entgegengewirkt wird. Insbesondere lässt sich so auch einem sogenannten „Overfitting“, d.h. einer Überanpassung an die verwendeten Trainingsdaten, effektiv begegnen.In these embodiments, therefore, a subset of the overall available features is selected, so that the number of features to be taken into account in the trained machine learning model resulting from the training is reduced. This can serve to improve the performance of the machine learning model and thus of the method described below for automatically recognizing a seat occupancy state of a seating arrangement. The gain in performance can relate to a reduction in the execution time of the method or a reduction in the computing resources required for its execution and/or to the quality of the result. The latter can be caused in particular by the fact that, due to the reduction or limitation of the number of features to be taken into account, a consideration of features that lead to an increase in complexity and distraction of the machine learning model from the actually particularly decisive features without making a major contribution to solving the problem could be counteracted. In particular, so-called "overfitting", i.e. over-adaptation to the training data used, can be counteracted effectively.
Bei einigen Ausführungsformen umfasst das Trainieren des Machine-Learning-Modells des Weiteren ein Trainieren des bereits angepassten Machine-Learning-Modells auf Basis der Trainingsdaten bezüglich der ausgewählten M Merkmale der Teilmenge T umfasst. So kann die Qualität des Machine-Learning-Modells, insbesondere im Hinblick auf die Zuverlässigkeit seiner Ergebnisse, weiter erhöht werden, da das über die vorausgegangene Auswahl von M Merkmalen begrenzte Modell als solches nochmals trainiert und somit optimiert wird.In some embodiments, training the machine learning model further comprises training the already adjusted machine learning model based on the training data regarding the selected M features of the subset T. In this way, the quality of the machine learning model, in particular with regard to the reliability of its results, can be further increased, since the model, which was limited by the previous selection of M features, is trained again as such and is thus optimized.
Bei einigen Ausführungsformen („Gruppe 1“) erfolgt das Auswählen der Teilmenge T von Merkmalen aus der Gesamtmenge G iterativ. Wobei je Iterationsdurchgang: (i) ausgehend von einer Startmenge, die eine vorbestimmte Vorauswahl von K der N Merkmale der Gesamtmenge G mit 0 ≤ K ≤ M enthält, jedes der anderen N-K Merkmale der Gesamtmenge G einzeln jeweils als Kandidatenmerkmal der Startmenge zunächst temporär zugeordnet wird, um so eine Prüfmenge P mit K+1 Merkmalen zu bilden; (ii) ein Trainieren des Machine-Learning-Modells mit durch die Trainingsdaten je Trainingsdatensatz gegebenen Werten für die K+1 Merkmale der Prüfmenge P und den zugehörigen Sitzbelegungszustand erfolgt; (iii) das so trainierte Machine-Learning-Modell auf Basis von ihrer Art nach den Trainingsdaten entsprechenden aber von diesen zumindest teilweise verschiedenen Validierungsdaten validiert und dabei mittels zumindest eines vorbestimmten Scores, z.B. Genauigkeitsscores (engl. accuracy score) oder F-Score (bzw. F1-Score), bewertet wird. Die Vorauswahl kann für den ersten Iterationsdurchlauf insbesondere eine leere Menge sein, d.h. K = 0.In some embodiments (“
Des Weiteren wird hier in Abhängigkeit von den jeweiligen Scores der verschiedenen Kandidatenmerkmale der im Rahmen der Iteration aufgetretenen Prüfmengen P eines der Kandidatenmerkmale als Auswahlkandidat bestimmt und für den Auswahlkandidat wird anhand seines Scores geprüft, ob er ein in Bezug darauf definiertes Aufnahmekriterium erfüllt. Wenn dies der Fall ist, wird der Auswahlkandidat als neues Element in die Teilmenge T aufgenommen und eine neue Iteration ohne Berücksichtigung des nunmehr ausgewählten Auswahlkandidats als Kandidatenmerkmal beginnt, während andernfalls die Iteration und damit die Definition der Teilmenge T abgeschlossen wird. Die Startmenge für den ersten Iterationsvorgang wird vorab festgelegt während die jeweilige Startmenge jedes nachfolgenden Iterationsdurchgangs durch die Startmenge des ihm unmittelbar vorausgehenden Iterationsdurchgangs zuzüglich dessen Auswahlkandidat bestimmt wird.Furthermore, depending on the respective scores of the various candidate characteristics of the test sets P that occurred during the iteration, one of the candidate characteristics is determined as a selection candidate and the selection candidate is checked based on its score to determine whether it meets a defined inclusion criterion. If this is the case, the selection candidate is included as a new element in the subset T and a new iteration begins without considering the now selected selection candidate as a candidate feature, while otherwise the iteration and thus the definition of the subset T is completed. The starting set for the first iteration is predetermined, while the starting set of each subsequent iteration is determined by the starting set of the iteration immediately preceding it plus its candidate choice.
Auf diese Weise werden die M Merkmale der Teilmenge im Rahmen der Iteration nach und nach bestimmt und zwar in Abhängigkeit von ihrer Relevanz für das Machine-Learning-Modell bzw. dessen Qualität, wozu die Scores und das Aufnahmekriterium zur Auswahl der M Merkmale herangezogen werden.In this way, the M features of the subset are gradually determined as part of the iteration, depending on their relevance for the machine learning model or its quality, for which purpose the scores and the inclusion criterion for selecting the M features are used.
Bei einigen Ausführungsformen der Gruppe 1 umfasst das Machine-Learning-Modell ein Ensemble mit einer Mehrzahl L von untereinander gleichartigen einzelnen Machine-Learning-Modellen, z.B. Ensemble von Entscheidungsbäumen auf Support-Vector-Machine-Basis oder Random-Forest-Basis. Das Trainieren des Machine-Learning-Modells umfasst dabei je Prüfmenge ein entsprechendes Trainieren der L einzelnen Machine-Learning-Modelle, wobei sich das Trainieren der L einzelnen Machine-Learning-Modelle darin unterscheidet, dass für zumindest zwei, insbesondere jedes, der L einzelnen Machine-Learning-Modelle jeweils eine Untermenge der Trainingsdaten eingesetzt wird, wobei sich die Untermengen für die zumindest zwei einzelnen Machine-Learning-Modelle voneinander unterscheiden. Aufgrund der verschiedenen Untermengen unterscheiden sich dann auch, zumindest in der Regel, die daraus resultierenden einzelnen Machine-Learning-Modelle. Jedes der so trainierten L einzelnen Machine-Learning-Modelle wird auf Basis von ihrer Art nach den Trainingsdaten entsprechenden aber von diesen zumindest teilweise verschiedenen Validierungsdaten validiert und dabei mittels zumindest eines individuellen Scores bewertet. Für die resultierende Verteilung der L individuellen Scores der einzelnen Machine-Learning-Modelle wird der jeweilige Wert für zumindest ein die Verteilung kennzeichnendes statistisches Maß bestimmt und unter allen Auswahlkandidaten der Prüfmengen ein wird einzelner Auswahlkandidat in Abhängigkeit von den ihm jeweils zugeordneten ein bzw. mehreren Werten des zumindest eines Maßes als Kandidat für die Teilmenge T ausgewählt. Zusätzlich oder alternativ können die Machine-Learning-Modelle auch mittels des sogenannten Boosting trainiert werden, bei dem die Trainingsdaten unterschiedlich gewichtet werden.In some embodiments of
Diese Ausführungsformen sind somit Ensemble-basiert und damit aufgrund der damit einhergehenden größeren Trainingsbasis (Vielfalt der einzelnen Modelle) geeignet, die anhand des Verfahrens zum Trainieren erreichbare Qualität des Machine-Learning-Modells weiter zu erhöhen.These embodiments are therefore ensemble-based and are therefore suitable, due to the associated larger training basis (diversity of the individual models), for further increasing the quality of the machine learning model that can be achieved using the method for training.
Bei einigen der Ensemble-basierten Ausführungsformen wird als kennzeichnendes statistisches Maß der Verteilung der individuellen Scores ein Mittelwert der Verteilung bestimmt und derjenige Auswahlkandidat als Kandidat für die Teilmenge T ausgewählt, dessen Mittelwert einen gemäß einer Definition des Scores besten, insbesondere je nach Definition des Scores größten oder kleinsten, Wert unter allen Mittelwerten der Auswahlkandidaten darstellt. So kann auf einfache und effektive Weise aus der Menge der durch das Ensemble bestimmten Auswahlkandidaten ein einziger Auswahlkandidat als Kandidat für die Teilmenge T bestimmt werden, der noch dazu einer optimierten Auswahl entspricht.In some of the ensemble-based embodiments, a mean value of the distribution is determined as a characteristic statistical measure of the distribution of the individual scores and that selection candidate is selected as a candidate for the subset T whose mean value is the best according to a definition of the score, in particular the largest depending on the definition of the score or smallest, value among all means of the selection candidates. In this way, from the set of selection candidates determined by the ensemble, a single selection candidate can be determined in a simple and effective manner as a candidate for the subset T, which also corresponds to an optimized selection.
Bei einigen Ausführungsformen der Gruppe 1 ist oder wird das Aufnahmekriterium in Abhängigkeit von einem Konfidenzintervall, insbesondere einem Wald-Konfidenzintervall, definiert. Dies kann insbesondere so erfolgen, dass der potenziell aufzunehmende Kandidat nur dann in die Teilmenge T aufgenommen wird, wenn seine Aufnahme dazu führt, dass eine durch ein Konfidenzintervall definierte Mindestverbesserung erreicht werden kann.In some embodiments of
Bei einigen Ausführungsformen, die insbesondere alternativ zu den vorgenannten Ausführungsformen im Rahmen des Verfahrens zur Auswahl bzw. Reduktion von Merkmalen genutzt werden können („Gruppe 2“), weist das Auswählen der Merkmale der Teilmenge T aus der Gesamtmenge G auf: (i) Gruppieren von Merkmalen der Gesamtmenge G in verschiedene Gruppen so, dass die Merkmale jeder Gruppe untereinander in Bezug auf die Trainingsdaten und ein bestimmtes Korrelationsmaß miteinander korreliert sind; und (ii) Auswählen je eines Merkmals je Gruppe als Repräsentant der Gruppe, wobei die Teilmenge T nur aus Repräsentanten gebildet wird. Diese Ausführungsformen können besonders recheneffizient implementiert werden, da insbesondere keine Iteration erforderlich ist.In some embodiments, which can be used in particular as an alternative to the aforementioned embodiments as part of the method for selecting or reducing features (“
Bei diesen Ausführungsformen kann das Verfahren des Weiteren aufweisen: (i) Trainieren eines Ensembles verschiedener gleichartiger einzelner Maschine-Learning-Modelle auf Basis von aus den Trainingsdaten extrahierten, nur Repräsentanten als Merkmale aufweisenden Trainingsvektoren; (ii) wobei sich das Trainieren der einzelnen Machine-Learning-Modelle darin unterscheidet, dass für zumindest zwei, insbesondere jedes, der einzelnen Machine-Learning-Modelle jeweils eine Untermenge der Trainingsdaten eingesetzt wird und sich die Untermengen voneinander unterscheiden. Diese Ausführungsformen sind somit Ensemble-basiert und damit aufgrund der damit einhergehenden größeren Trainingsbasis (Vielfalt der einzelnen Modelle) geeignet, die anhand des Verfahrens zum Trainieren erreichbare Qualität des Machine-Learning-Modells weiter zu erhöhen.In these embodiments, the method may further include: (i) training an ensemble of different individual machine learning models of the same type based on training vectors extracted from the training data and having only representatives as features; (ii) the training of the individual machine learning models differs in that a subset of the training data is used for at least two, in particular each, of the individual machine learning models and the subsets differ from one another. These embodiments are therefore ensemble-based and are therefore suitable, due to the associated larger training basis (diversity of the individual models), for further increasing the quality of the machine learning model that can be achieved using the method for training.
Bei einigen dieser Ausführungsformen erfolgt beim Trainieren der einzelnen Maschine-Learning-Modelle im Rahmen des Trainings eine Auswahl dahingehend, welche der Repräsentanten als Merkmal in das jeweilige einzelne Machine-Learning-Modell übernommen werden, und eine Gewichtung dieser aufgenommenen Merkmale erfolgt dahingehend, dass im Rahmen des Trainings der einzelnen Machine-Learning-Modelle insgesamt jede erstmalige Aufnahme eines bislang von keinem der einzelnen Machine-Learning-Modelle aufgenommenen Merkmals in eines dieser Machine-Learning-Modelle mit einer eine solche Aufnahme gegenüber einer Aufnahme eines bereits verwendeten Merkmals erschwerenden Gewichtung verknüpft wird. Es werden dabei nur solche der Repräsentanten in die Teilmenge T aufgenommen, die in mehr als x% der einzelnen Machine-Learning-Modelle als Merkmal aufgenommen wurden, wobei x eine feste oder variabel einstellbarer Parameter mit 30 ≤ x ≤ 70, insbesondere mit x = 50. So wird die Aufnahme neuer Merkmale erschwert bzw. „verteuert“, so dass das aus dem Ensemble resultierende Maschine-Learning-Modell nach dem Training bei einem gegebenen Qualitätsniveau im Hinblick auf eine möglichst geringe Anzahl verschiedener Merkmale optimiert wird, was insbesondere im Hinblick auf eine hohe Verarbeitungseffizienz vorteilhaft ist.In some of these embodiments, when training the individual machine learning models as part of the training, a selection is made as to which of the representatives are to be included as a feature in the respective individual machine learning model, and these recorded features are weighted such that in As part of the training of the individual machine learning models, each initial inclusion of a feature in one of these machine learning models that has not yet been included by any of the individual machine learning models is linked to a weighting that makes such an inclusion more difficult than an inclusion of a feature already used becomes. Only those of the representatives in the part quantity T, which was included as a feature in more than x% of the individual machine learning models, where x is a fixed or variably adjustable parameter with 30 ≤ x ≤ 70, in particular with x = 50. This makes it difficult to add new features or "expensive", so that the machine learning model resulting from the ensemble is optimized after training at a given quality level with regard to the smallest possible number of different features, which is particularly advantageous with regard to high processing efficiency.
Bei einigen Ausführungsformen (anwendbar insbesondere auch auf beide Gruppen 1 und 2) werden verschiedene Trainingssätze aus den Trainingsdaten in Abhängigkeit von dem ihnen jeweils zugeordneten Sitzbelegungszustand gemäß einer vorbestimmten Gewichtung der Sitzbelegungszustände verschieden stark beim Trainieren des Machine-Learning-Modells berücksichtigt. Insbesondere kann so das Trainieren vorrangig im Hinblick auf ausgewählte Sitzbelegungszustände besonders stark trainiert werden und/oder es können Ungleichheiten bei der Häufigkeit von verschiedenen Trainingssätzen je Sitzbelegungszustand, insbesondere anteilig, ausgeglichen werden.In some embodiments (applicable in particular to both
Ein zweiter Aspekt der vorliegenden Lösung betrifft ein, insbesondere computerimplementiertes, Verfahren zum automatisierten Erkennen eines, insbesondere sitzplatzbezogenen, Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz, insbesondere Sitzplatz in oder für ein Fahrzeug, wie etwa ein Automobil (z.B. LKW, PKW oder Bus). Dabei weist das Verfahren auf: (i) Empfangen oder Erzeugen von Messdaten, die eine auf Basis einer Radarabtastung eines die Sitzplatzanordnung zumindest abschnittsweise umgebenden Raumbereichs gewonnene Radarpunktwolke repräsentieren, die eine Mehrzahl von Radarpunkten aufweist; (ii) für jedes Merkmal aus einer definierten nichtleeren Menge von Merkmalen zur Charakterisierung von Eigenschaften von Radarpunktwolken, Bestimmen eines dem jeweiligen Merkmal zugeordneten, insbesondere numerischen, Werts in Abhängigkeit von der die Messdaten repräsentierte Radarpunktwolke; (iii) Bestimmen, insbesondere Schätzen, eines Sitzbelegungszustands der Sitzplatzanordnung unter Verwendung eines trainierten Machine-Learning-Modells, wobei die bestimmten Werte der Merkmale als Eingangsdaten dem Machine-Learning-Modell zu Verfügung gestellt werden, um als dessen Ausgabe ein einen Sitzbelegungszustand der Sitzplatzanordnung kennzeichnendes Ergebnis, insbesondere Klassifikationsergebnis, zu erhalten; und (iv) Ausgeben einer in Abhängigkeit von dem Ergebnis definierten Information. Die Information kann insbesondere das Ergebnis selbst repräsentieren. Sie kann auch ein, insbesondere mit einem menschlichen Sinn erfassbares, detektierbares Signal sein, wie etwa ein Warnhinweis, oder ein Steuersignal zur Ansteuerung einer Signalquelle oder ein die Information tragendes Datensignal.A second aspect of the present solution relates to a method, in particular a computer-implemented one, for the automated detection of a seat-occupancy status, in particular a seat-related one, in a seat arrangement with at least one seat, in particular a seat in or for a vehicle, such as an automobile (e.g. truck, car or bus). The method has: (i) receiving or generating measurement data which represent a radar point cloud obtained on the basis of a radar scan of a spatial region which at least partially surrounds the seating arrangement and which has a plurality of radar points; (ii) for each feature from a defined, non-empty set of features for characterizing properties of radar point clouds, determining a value, in particular a numerical value, assigned to the respective feature as a function of the radar point cloud represented by the measurement data; (iii) Determining, in particular estimating, a seat occupancy state of the seating arrangement using a trained machine learning model, the determined values of the characteristics being made available to the machine learning model as input data in order to output a seat occupancy state of the seating arrangement obtain characteristic result, in particular classification result; and (iv) outputting information defined depending on the result. In particular, the information can represent the result itself. It can also be a detectable signal, in particular one that can be detected with a human sense, such as a warning, or a control signal for controlling a signal source, or a data signal carrying the information.
Nachfolgend werden verschiedene beispielhafte Ausführungsformen des Verfahrens nach dem zweiten Aspekt beschrieben, die jeweils, soweit dies nicht ausdrücklich ausgeschlossen wird oder technisch unmöglich ist, beliebig miteinander sowie mit den hierin beschriebenen anderen Aspekten der vorliegenden Lösung kombiniert werden können.Various exemplary embodiments of the method according to the second aspect are described below, each of which can be combined with one another and with the other aspects of the present solution described herein, unless expressly excluded or technically impossible.
Bei einigen Ausführungsformen weist die Sitzplatzanordnung eine Mehrzahl von Sitzplätzen auf, für die individuell oder kumulativ ein Sitzbelegungszustand im Rahmen des Verfahrens zu bestimmen ist. Die Menge der Radarpunkte der Radarpunktwolke wird mittels Cluster-Bildung in Abhängigkeit von der jeweiligen räumlichen Lage der Radarpunkte in Bezug auf die Sitzplätze in mehrere jeweils eine Untermenge der Radarpunkte enthaltende Cluster unterteilt , um jedem der Sitzplätze einen ihm nächstliegenden der Cluster individuell zuzuordnen, insbesondere so, dass jeder Radarpunkt genau einem Cluster zugeordnet wird. Das Bestimmen der jeweiligen Werte der Merkmale für jeden der Sitzplätze erfolgt individuell auf Basis des dem jeweiligen Sitzplatz zugeordneten Clusters von Radarpunkten. Das Bestimmen des Sitzbelegungszustands der Sitzplatzanordnung umfasst ein individuelles Bestimmen eines jeweiligen individuellen Sitzbelegungszustands für jeden der Sitzplätze unter Verwendung des trainierten Machine-Learning-Modells, wobei die für den dem jeweiligen Sitzplatz zugeordneten Cluster bestimmten jeweiligen Werte der Merkmale als Eingangsdaten dem Machine-Learning-Modell zu Verfügung gestellt werden, um als dessen Ausgabe ein einen Sitzbelegungszustand des jeweiligen Sitzplatzes kennzeichnendes Ergebnis, insbesondere Klassifikationsergebnis, zu erhalten. Die auszugebende Information wird in Abhängigkeit von den jeweiligen individuellen Ergebnissen zu den verschiedenen Sitzplätzen definiert. So lassen sich auch bei Sitzplatzanordnungen mit mehreren Sitzen individuelle Aussagen je Sitz bezüglich dessen jeweiligen Sitzbelegungszustand gewinnen.In some embodiments, the seat arrangement has a plurality of seats for which a seat occupancy state is to be determined individually or cumulatively as part of the method. The set of radar points in the radar point cloud is divided into several clusters, each containing a subset of the radar points, by means of cluster formation depending on the respective spatial position of the radar points in relation to the seats, in order to individually assign one of the clusters closest to it to each of the seats, in particular this way , that each radar point is assigned to exactly one cluster. The respective values of the features for each of the seats are determined individually on the basis of the cluster of radar points assigned to the respective seat. Determining the seat occupancy status of the seating arrangement includes individually determining a respective individual seat occupancy status for each of the seats using the trained machine learning model, with the respective values of the features determined for the cluster assigned to the respective seat as input data for the machine learning model be made available in order to obtain as its output a result characterizing a seat occupancy state of the respective seat, in particular a classification result. The information to be output is defined depending on the respective individual results for the different seats. In this way, even in the case of seating arrangements with several seats, individual statements can be obtained for each seat with regard to its respective seat occupancy status.
Bei einigen Ausführungsformen wird die Radarpunktwolke in mehrere Cluster segmentiert, indem jedem der Sitzplätze als Cluster eine Teilmenge der Radarpunkte in Abhängigkeit von deren jeweiliger Position so zugeordnet wird, insbesondere je Radarpunkt eindeutig, dass die Radarpunkte des Clusters in einem definierten geschlossenen, insbesondere quaderförmigen, Raumbereich im Umfeld des Sitzplatzes liegen. Die Zuordnung kann insbesondere so erfolgen, dass jeder Radarpunkt dem Cluster des ihm nächstliegenden Sitzplatzes zugeordnet wird. So lässt sich die Radarpunktwolke in Cluster, d.h. im Umfeld der jeweiligen Sitze lokalisierten, Teilmengen der Radarpunktwolke aufteilen, so dass das Bestimmen von sitzspezifischen Sitzbelegungszuständen gezielt und daher mit hoher Zuverlässigkeit auf Basis des dem jeweiligen Sitz zugeordneten Clusters erfolgen kann.In some embodiments, the radar point cloud is segmented into several clusters by assigning a subset of the radar points to each of the seats as a cluster depending on their respective position, in particular clearly for each radar point, so that the radar points of the cluster are in a defined, closed, in particular cuboid, spatial area in the vicinity of the seat. The assignment can be done in particular so that each radar point cluster of the seat closest to it is assigned. The radar point cloud can be divided into clusters, ie subsets of the radar point cloud located in the vicinity of the respective seats, so that seat-specific seat occupancy states can be determined in a targeted manner and therefore with high reliability on the basis of the cluster assigned to the respective seat.
Bei einigen Ausführungsformen umfasst das Ausgeben der Information ein Ansteuern einer Signalquelle in Abhängigkeit von der Information, um die Signalquelle zu veranlassen, in Abhängigkeit von der Ansteuerung ein definiertes Signal auszugeben. Die Signalquelle kann insbesondere eine Audioquelle, eine optische Signalquelle, insbesondere Anzeigevorrichtung für Bild oder Text, und/oder ein Haptik-Aktuator oder eine Kombination aus zumindest zwei der vorgenannten Signalquellen sein kann. So kann anhand der Signalisierung der erkannte Sitzbelegungszustand einem Benutzer mitgeteilt oder zur Steuerung eines anderen technischen Systems, wie etwa eines Airbag-Systems, genutzt werden.In some embodiments, the outputting of the information includes driving a signal source depending on the information in order to cause the signal source to output a defined signal depending on the driving. The signal source can in particular be an audio source, an optical signal source, in particular a display device for image or text, and/or a haptic actuator or a combination of at least two of the aforementioned signal sources. Based on the signaling, the recognized seat occupancy status can be communicated to a user or used to control another technical system, such as an airbag system.
Bei einigen dieser Ausführungsformen wird die Signalquelle so in Abhängigkeit von der Information angesteuert, dass sie ein, insbesondere durch die Ansteuerung definiertes, Signal ausgibt, wenn die Information aus einem Ergebnis resultiert, demgemäß zumindest ein Sitz der Sitzplatzanordnung belegt ist und/oder ein ausgewählter vorbestimmter Sitzbelegungszustand vorliegt.In some of these embodiments, the signal source is controlled as a function of the information in such a way that it emits a signal, defined in particular by the control, if the information results from a result according to which at least one seat in the seating arrangement is occupied and/or a selected predetermined one Seat occupancy status is present.
Bei einigen Ausführungsformen weist das Verfahren des Weiteren auf: (i) Detektieren eines Sitzgurtanlegezustands zumindest eines Sitzes der Sitzplatzanordnung oder Empfangen einer diesen Sitzgurtanlegezustand kennzeichnenden Sitzgurtinformation; (ii) wobei die Signalquelle so in Abhängigkeit von der Sitzgurtinformation und der Information aus dem Ergebnis angesteuert wird, dass sie ein Gurtanlegehinweissignal ausgibt, wenn gemäß der Information zumindest ein Sitz der Sitzplatzanordnung belegt ist und/oder ein ausgewählter vorbestimmter Sitzbelegungszustand vorliegt und Sitzgurtinformation angibt, dass der zugehörige Sitzgurt des Sitzes nicht angelegt ist. So lässt sich ein, insbesondere im Hinblick auf die Detektion ausschließlich, radarbasiertes Sitzgurtanlegeprüf- und -warnsystem erreichen.In some embodiments, the method further comprises: (i) detecting a seat belt fastening state of at least one seat of the seating arrangement or receiving seat belt information characterizing this seat belt fastening state; (ii) the signal source being controlled as a function of the seat belt information and the information from the result in such a way that it emits a seat belt notice signal if, according to the information, at least one seat in the seating arrangement is occupied and/or a selected predetermined seat occupancy state is present and seat belt information is given, that the associated seat belt of the seat is not fastened. In this way, a radar-based seat belt check and warning system can be achieved, particularly with regard to detection.
Bei einigen Ausführungsformen werden die einzelnen Radarpunkte der Radarpunktwolke jeweils durch eine oder mehrere der folgenden Daten repräsentiert: (i) eine Position des jeweiligen Radarpunkts im dreidimensionalen Raum; (ii) einen Doppler-Verschiebungswert des Radarsignals zum jeweiligen Radarpunkt; (iii) einen Signal-zu-Rausch-Abstands-Wert des Radarsignals zum jeweiligen Radarpunkt. In some embodiments, the individual radar points of the radar point cloud are each represented by one or more of the following data: (i) a position of the respective radar point in three-dimensional space; (ii) a Doppler shift value of the radar signal at the respective radar point; (iii) a signal-to-noise ratio value of the radar signal to the respective radar point.
Insbesondere die Position des jeweiligen Radarpunkte gemäß Option (i) kann dabei zur Bestimmung der Merkmale verwendet werden, während die Optionen (ii) und (iii) insbesondere zur Vorfilterung der Radarpunktwolke im Rahmen einer der Merkmalsbestimmung vorangehenden Vorprozessierung genutzt werden können. Alternativ oder zusätzlich können die Optionen (ii) und (iii) auch zur Merkmalsbestimmung genutzt werden.In particular, the position of the respective radar point according to option (i) can be used to determine the features, while options (ii) and (iii) can be used in particular to pre-filter the radar point cloud as part of a pre-processing preceding the feature determination. Alternatively or additionally, options (ii) and (iii) can also be used to determine features.
Bei einigen Ausführungsformen ist oder wird das Machine-Learning-Modell unter Verwendung des Verfahrens zum Trainieren nach dem ersten Aspekt trainiert. Insbesondere lassen sich die beiden Verfahren nach dem ersten Aspekt und dem zweiten Aspekt auch zu einem einzigen Verfahren verbinden, insbesondere so, dass dieses verbundene Verfahren konfigurierbar ist, um je nach Situation in einem zum Verfahren nach dem ersten Aspekt korrespondierenden Trainingsmodus oder aber in einem zum Verfahren nach dem zweiten Aspekt korrespondierenden Erkennungsmodus zu laufen.In some embodiments, the machine learning model is or will be trained using the method of training according to the first aspect. In particular, the two methods according to the first aspect and the second aspect can also be combined into a single method, in particular in such a way that this combined method can be configured, depending on the situation, in a training mode corresponding to the method according to the first aspect or in a Method according to the second aspect to run corresponding detection mode.
Nachfolgend werden verschiedene beispielhafte Ausführungsformen beschrieben, die jeweils für das Verfahren nach dem ersten Aspekt und/oder für das Verfahren nach dem zweiten Aspekt genutzt werden können, soweit dies nicht ausdrücklich ausgeschlossen wird oder technisch unmöglich ist.Various exemplary embodiments are described below, which can each be used for the method according to the first aspect and/or for the method according to the second aspect, unless this is expressly excluded or is technically impossible.
Bei einigen dieser Ausführungsformen enthält die Menge der im Rahmen des Maschine-Learning-Modells verwendeten Merkmale, insbesondere der Gesamtmenge G bzw. der Menge C, zumindest ein Merkmal, das in eine der folgenden Merkmalskategorien fällt:
- - Merkmale, die eine räumliche Lage eines Clusters aus Radarpunkten im räumlichen Umfeld eines Sitzes der Sitzplatzanordnung beschreiben;
- - Merkmale, die die Anzahl der Radarpunkte der Radarpunktwolke oder eines definierten Ausschnitts davon beschreiben;
- - Merkmale, die für eine bestimmten Cluster aus Radarpunkten im räumlichen Umfeld eines Sitzes der Sitzplatzanordnung beschreiben, welchem Sitz der Sitzplatzanordnung der Cluster zugeordnet ist;
- - Merkmale, die Doppler-Verschiebungswerte und/oder einen Signal-zu-Rausch-Abstands-Wert des Radarsignals zu einem jeweiligen Radarpunkt der Radarpunktwolke beschreiben;
- - Merkmale, die einen quantitativen Vergleich von zwei oder mehr Cluster aus Radarpunkten der Radarpunktwolke beschreiben;
- - Merkmale, die eine Orientierung und/oder räumliche Ausdehnung eines Clusters aus Radarpunkten der Radarpunktwolke beschreiben;
- - Merkmale, welche die Radarpunktwolke insgesamt beschreiben.
- - Features that describe a spatial position of a cluster of radar points in the spatial environment of a seat of the seating arrangement;
- - Characteristics that describe the number of radar points in the radar point cloud or a defined section thereof;
- - Characteristics that describe, for a specific cluster of radar points in the spatial environment of a seat of the seating arrangement, which seat of the seating arrangement is assigned to the cluster;
- - features that describe Doppler shift values and/or a signal-to-noise ratio value of the radar signal to a respective radar point of the radar point cloud;
- - features describing a quantitative comparison of two or more clusters of radar points of the radar point cloud;
- - Features that indicate an orientation and/or spatial extent of a cluster describe radar points of the radar point cloud;
- - Features that describe the radar point cloud as a whole.
Bei einigen Ausführungsformen ist oder wird das Ergebnis für die Sitzplatzanordnung oder einen jeweiligen Sitzplatz davon so definiert, dass es eine Klasse gemäß einer vorbestimmten Klassifikation möglicher Sitzbelegungsmöglichkeiten angibt.In some embodiments, the result for the seating arrangement or a respective seating position thereof is or will be defined as indicating a class according to a predetermined classification of possible seat occupancy possibilities.
Die Klassifikation kann insbesondere so vorbestimmt sein oder werden, dass sie zumindest zwei der folgenden Klassen enthält:
- - Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist unbelegt, insbesondere wenn kein einziger ihrer Sitze belegt ist;
- - Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist belegt, insbesondere wenn zumindest ein Sitzplatz belegt ist oder wenn alle belegt sind oder zumindest ein bestimmter Anteil der Sitze;
- - Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist mit einer Person belegt;
- - Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist mit einer Person mit einer Größe oberhalb einer Größenschwelle belegt;
- - Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist mit einer Person mit einer Größe unterhalb einer Größenschwelle belegt;
- - Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist mit einer Sache belegt;
- - Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist mit einem Kindersitz, insbesondere einer Kindertrageschale, belegt.
- - Seating arrangement or the respective seat is unoccupied, especially if not a single one of their seats is occupied;
- - Seating arrangement or the respective seat is occupied, in particular if at least one seat is occupied or if all are occupied or at least a certain proportion of the seats;
- - Seating arrangement or the respective seat is occupied by one person;
- - Seating arrangement or the respective seat is occupied by a person with a size above a size threshold;
- - Seating arrangement or the respective seat is occupied by a person below a height threshold;
- - Seating arrangement or the respective seat is occupied by one thing;
- - Seat arrangement or the respective seat is occupied by a child seat, in particular a child carrier.
Bei einigen Ausführungsformen beruht das Machine-Learning-Modell auf zumindest einen Entscheidungsbaum (decision tree), insbesondere im Hinblick auf die o.g. Ensemble-Ausführungsformen, auf einem Ensemble von Entscheidungsbäumen.In some embodiments, the machine learning model is based on at least one decision tree, in particular with regard to the ensemble embodiments mentioned above, on an ensemble of decision trees.
Ein dritter Aspekt der vorliegenden Lösung betrifft ein System zum automatisierten Erkennen eines, insbesondere jeweiligen, Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz, insbesondere mit zumindest einem Fahrzeugsitz in einem bzw. für ein Fahrzeug, wobei das System eine Datenverarbeitungsvorrichtung aufweist, die konfiguriert ist, das Verfahren zum Trainieren nach dem ersten Aspekt und/oder das Verfahren nach dem zweiten Aspekt auszuführen.A third aspect of the present solution relates to a system for automatically detecting a, in particular respective, seat occupancy state of a seating arrangement with at least one seat, in particular with at least one vehicle seat in or for a vehicle, the system having a data processing device that is configured to Carrying out the method for training according to the first aspect and/or the method according to the second aspect.
Ein vierter Aspekt der vorliegenden Lösung betrifft ein Computerprogramm oder Computerprogrammprodukt, aufweisend Anweisungen, die bei ihrer Ausführung auf der Datenverarbeitungsvorrichtung des Systems nachdem dritten Aspekt, das System veranlassen, zumindest eines der Verfahren nach dem ersten Aspekt und/oder nach dem zweiten Aspekt auszuführen.A fourth aspect of the present solution relates to a computer program or computer program product having instructions which, when executed on the data processing device of the system according to the third aspect, cause the system to carry out at least one of the methods according to the first aspect and/or according to the second aspect.
Das Computerprogramm kann insbesondere auf einem nichtflüchtigen Datenträger gespeichert sein. Bevorzugt ist dies ein Datenträger in Form eines optischen Datenträgers oder eines Flashspeichermoduls. Dies kann vorteilhaft sein, wenn das Computerprogramm als solches unabhängig von einer Prozessorplattform gehandelt werden soll, auf der das ein bzw. die mehreren Programme auszuführen sind. In einer anderen Implementierung kann das Computerprogramm als eine Datei auf einer Datenverarbeitungseinheit, insbesondere auf einem Server vorliegen, und über eine Datenverbindung, beispielsweise das Internet oder eine dedizierte Datenverbindung, wie etwa ein proprietäres oder lokales Netzwerk, herunterladbar sein. Zudem kann das Computerprogramm eine Mehrzahl von zusammenwirkenden einzelnen Programmodulen aufweisen. Die Module können insbesondere dazu konfiguriert sein oder jedenfalls so einsetzbar sein, dass sie im Sinne von verteiltem Rechnen (engl. „Distributed Computing“ auf verschiedenen Geräten (Computern bzw. Prozessoreinheiten ausgeführt werden, die geografisch voneinander beabstandet und über ein Datennetzwerk miteinander verbunden sind.The computer program can in particular be stored on a non-volatile data medium. This is preferably a data carrier in the form of an optical data carrier or a flash memory module. This can be advantageous if the computer program as such is to be traded independently of a processor platform on which the one or more programs are to be executed. In another implementation, the computer program can be present as a file on a data processing unit, in particular on a server, and can be downloaded via a data connection, for example the Internet or a dedicated data connection, such as a proprietary or local network. In addition, the computer program can have a plurality of interacting individual program modules. In particular, the modules can be configured or at least used in such a way that they are executed in the sense of distributed computing on different devices (computers or processor units that are geographically spaced apart and connected to each other via a data network.
Das System nach dem dritten Aspekt kann entsprechend einen Programmspeicher aufweisen, in dem das Computerprogramm abgelegt ist. Alternativ kann das System auch eingerichtet sein, über eine Kommunikationsverbindung auf ein extern, beispielsweise auf einem oder mehreren Servern oder anderen Datenverarbeitungseinheiten verfügbares Computerprogramm zuzugreifen, insbesondere um mit diesem Daten auszutauschen, die während des Ablaufs des Verfahrens bzw. Computerprogramms Verwendung finden oder Ausgaben des Computerprogramms darstellen.The system according to the third aspect can accordingly have a program memory in which the computer program is stored. Alternatively, the system can also be set up to access a computer program available externally, for example on one or more servers or other data processing units, via a communication connection, in particular in order to exchange data with it that are used during the course of the method or computer program or outputs of the computer program represent.
Ein fünfter Aspekt der vorliegenden Lösung betrifft ein Fahrzeug, aufweisend:(i) eine Sitzplatzanordnung mit zumindest einem Sitzplatz; (ii) einen Radarsensor zur zumindest abschnittsweisen Radarabtastung der Sitzplatzanordnung; und (iii) ein System nach dem zweiten Aspekt zum automatisierten Erkennen eines, insbesondere jeweiligen, Sitzbelegungszustands der Sitzplatzanordnung in Abhängigkeit von einer durch den Radarsensor ausgeführten, zumindest abschnittsweisen Radarabtastung der Sitzplatzanordnung.A fifth aspect of the present solution relates to a vehicle, comprising: (i) a seating arrangement with at least one seating space; (ii) a radar sensor for at least partial radar scanning of the seating arrangement; and (iii) a system according to the second aspect for the automated detection of an, in particular respective, seat occupancy state of the seating arrangement as a function of at least partial radar scanning of the seating arrangement carried out by the radar sensor.
Die in Bezug auf den ersten Aspekt bzw. den zweiten Aspekt der Erfindung erläuterten Merkmale und Vorteile gelten entsprechend auch für die weiteren Aspekte der Erfindung. The features and advantages explained in relation to the first aspect and the second aspect of the invention also apply correspondingly to the further aspects of the invention.
Weitere Vorteile, Merkmale und Anwendungsmöglichkeiten der vorliegenden Erfindung ergeben sich aus der nachfolgenden detaillierten Beschreibung im Zusammenhang mit den Figuren.Further advantages, features and application possibilities of the present invention result from the following detailed description in connection with the figures.
Dabei zeigt
-
1A schematisch eine beispielhafte Ausführungsform eines Fahrzeugs, das mit einem System zum automatisierten Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung im Fahrzeug ausgerüstet ist; -
1 B schematisch das Fahrzeug aus1A , wobei hier auf dem Beifahrersitz als zu erkennendes Objekt eine Babyschale mit einem darin liegenden Baby vorhanden ist; -
2 ein Flussdiagramm zur Veranschaulichung einer beispielhaften Ausführungsform eines kombinierten Verfahrens (i) zum automatisierten Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung sowie (ii) zum Trainieren eines dazu verwendeten Machine-Learning-Modells; -
3A eine beispielhafte zweidimensionale Darstellung einer durch einen Radarsensor des Fahrzeugs aus1 aufgenommenen Radarpunktwolke; -
3B eine beispielhafte Darstellung einer Clusterung der akkumulierten Radarpunktwolke Ausführung 3B gemäß den Positionen der einzelnen Sitzplätze der Sitzplatzanordnung; Die 4 eine Tabelle zur Illustration einer beispielhaften Struktur von Trainingsdaten zum Trainieren eines Maschine-Learning Modells gemäß einem lösungsgemäßen Trainingsverfahren, insbesondere gemäß dem Verfahrenzum Trainieren aus 2 ;- Die
5 einen Pseudocode zur Illustration einer ersten beispielhaften Ausführungsform des Verfahrens zum Trainieren aus2 ; und - Die
6 ein Flussdiagramm zur Veranschaulichung einer zweiten beispielhaften Ausführungsform des Verfahrens zum Trainieren aus2 .
-
1A schematically shows an exemplary embodiment of a vehicle that is equipped with a system for automatically recognizing a seat occupancy state of a seating arrangement in the vehicle; -
1 B schematic of the vehicle1A , with a baby seat with a baby lying in it being present on the front passenger seat as an object to be recognized; -
2 a flowchart to illustrate an exemplary embodiment of a combined method (i) for automated detection of a seat occupancy state of a seating arrangement and (ii) for training a machine learning model used for this purpose; -
3A an exemplary two-dimensional representation of a radar sensor of thevehicle 1 recorded radar point cloud; -
3B an exemplary representation of a clustering of the accumulated radar point cloud embodiment 3B according to the positions of the individual seats of the seating arrangement; - The
4 a table to illustrate an exemplary structure of training data for training a machine learning model according to a solution-based training method, in particular according to the method fortraining 2 ; - The
5 a pseudo code for illustrating a first exemplary embodiment of the method fortraining 2 ; and - The
6 a flowchart to illustrate a second exemplary embodiment of the method fortraining 2 .
In den Figuren bezeichnen gleiche Bezugszeichen gleiche, ähnliche oder einander entsprechende Elemente. In den Figuren dargestellte Elemente sind nicht notwendigerweise maßstabsgetreu dargestellt. Vielmehr sind die verschiedenen in den Figuren dargestellten Elemente derart wiedergegeben, dass ihre Funktion und genereller Zweck dem Fachmann verständlich werden. In den Figuren dargestellte Verbindungen und Kopplungen zwischen funktionellen Einheiten und Elementen können, soweit nicht ausdrücklich anders angegeben, auch als indirekte Verbindung oder Kopplung implementiert werden. Funktionale Einheiten können insbesondere als Hardware, Software oder eine Kombination aus Hardware und Software implementiert werden.In the figures, the same reference numbers denote the same, similar or corresponding elements. Elements depicted in the figures are not necessarily drawn to scale. Rather, the various elements shown in the figures are presented in such a way that their function and general purpose can be understood by those skilled in the art. Unless expressly stated otherwise, connections and couplings between functional units and elements illustrated in the figures can also be implemented as indirect connections or couplings. In particular, functional units can be implemented as hardware, software or a combination of hardware and software.
Die in
Das System 115 weist insbesondere eine Datenverarbeitungseinheit 115a mit zumindest einen Mikroprozessor sowie einen damit signalverbundenen Speicher 115b auf, in dem ein zur Durchführung des im Weiteren unter Bezugnahme auf
Das in
Das in
Im Rahmen des Verfahrens 200 werden in einem Prozess 205 Messdaten PC (für „point cloud“), die von dem Radarsensor 110 bei einer Radarabtastung der Sitzplatzanordnung 105 im Beobachtungsfeld 110a erfasst wurden, empfangen. Die Messdaten repräsentieren dabei eine Radarpunktwolke 300 aus einer Mehrzahl, insbesondere Vielzahl, von Radarpunkten 310, 315, wie in
In einem weiteren Prozess 210 wird die durch die Messdaten PC repräsentierte Radarpunktwolke 300 weiterverarbeitet, um eine Clusterung der Radarpunktwolke 300 durchzuführen, bei der jedem Sitz 105a bis 105e der Sitzplatzanordnung 105 ein jeweils eigenes Cluster als Untermenge aller Punkte der Radarpunktwolke 300 individuell zugeordnet wird. Dies ist genauer in
Nachfolgend wird nochmals zum Zwecke einer genaueren Erläuterung auf die
In
Wenn bei der Radarabtastung nicht nur die räumlichen Positionen der Stellen, an denen der Radarstrahl von den abgetasteten Objekten reflektiert wird, als Koordinaten erfasst werden, sondern auch eine jeweilige Dopplerverschiebung gemessen wird, dann können die einzelnen Radarpunkte in Abhängigkeit vom Betrag dieser Dopplerverschiebung klassifiziert, insbesondere in zwei verschiedene Klassen eingeteilt werden. Letzteres kann etwa dadurch erfolgen, dass die Dopplerverschiebung mit einer vordefinierten Verschiebungsschwelle, die zu einer bestimmten Verschiebungsgeschwindigkeit korrespondiert, verglichen werden. In Abhängigkeit vom Ergebnis des Vergleichs können diejenigen Radarpunkte 310, die gemäß dem Wert ihrer zugeordneten Dopplerverschiebung keine Geschwindigkeit oder eine Geschwindigkeit der Objektoberfläche am Reflexionspunkt aufweisen, die unterhalb der Verschiebungswelle liegt, als „statische“ Radarpunkte klassifiziert werden (in den
Die Klassifizierung der Radarpunkte 310 und 315 entsprechend ihrer Dopplerverschiebung ist nicht zwingend erforderlich, sie kann jedoch genutzt werden, um die Radarpunktwolke 300, insbesondere im Rahmen einer vor ihrer Auswertung erfolgenden Vorprozessierung zu verarbeiten, insbesondere in Abhängigkeit von der Klassifizierung zu filtern. Beispielsweise könnte eine solche Filterung derart erfolgen, dass nur dynamische Radarpunkte 315 für die Auswertung berücksichtigt werden, um etwa nur bewegte Objekte zu erkennen.The classification of the radar points 310 and 315 according to their Doppler shift is not absolutely necessary, but it can be used to process the
In
Die Clusterung gemäß dem Prozess 210 stellt einen optionalen Schritt des Verfahrens 200 dar, die insbesondere dann zweckmäßig zur Anwendung kommt, wenn es darum geht, einen sitzplatzspezifischen Sitzbelegungszustand für einen oder mehrere einzelne der Sitze 105a bis 105e zu bestimmen. Wenn es dagegen nur darum geht, für die Sitzplatzanordnung 105 insgesamt einen Sitzbelegungszustand zu bestimmen, beispielsweise um festzustellen, ob überhaupt zumindest einer der Sitzplätze belegt ist, dann ist eine solche Clusterung nicht erforderlich und die Radarpunktwolke 300 kann stattdessen als Ganzes der weiteren Verarbeitung unterzogen werden. In der folgenden weiteren Beschreibung des Verfahrens 200 wird davon ausgegangen, dass die Clusterung gemäß dem Prozess 210 erfolgt ist.The clustering according to the
In einem weiteren Prozess 215 werden nun (soweit nicht anders angegeben für jeden der Cluster individuell) verschiedene Merkmale eines definierten Satzes von Merkmalen auf Basis der Clusterdaten CL bestimmt, insbesondere berechnet. Insbesondere können zumindest einige der Merkmale des Satzes jeweils in eine der folgenden Merkmalskategorien fallen:
- a) Merkmale, die eine räumliche Lage eines Clusters aus Radarpunkten im räumlichen Umfeld eines Sitzes der Sitzplatzanordnung beschreiben;
- b) Merkmale, die die Anzahl der Radarpunkte der Radarpunktwolke oder eines definierten Ausschnitts davon beschreiben;
- c) Merkmale, die für eine bestimmten Cluster aus Radarpunkten im räumlichen Umfeld eines Sitzes der Sitzplatzanordnung beschreiben, welchem Sitz der Sitzplatzanordnung der Cluster zugeordnet ist;
- d) Merkmale, die Doppler-Verschiebungswerte und/oder einen Signal-zu-Rausch-Abstands-Wert des Radarsignals zu einem jeweiligen Radarpunkt der Punktwolke beschreiben;
- e) Merkmale, die einen quantitativen Vergleich von zwei oder mehr Cluster aus Radarpunkten der Radarpunktwolke beschreiben;
- f) Merkmale, die eine Orientierung und/oder räumliche Ausdehnung eines Clusters aus Radarpunkten der Radarpunktwolke beschreiben;
- g) Merkmale, welche die Radarpunktwolke insgesamt beschreiben.
- a) features that describe a spatial position of a cluster of radar points in the spatial environment of a seat in the seating arrangement;
- b) features that describe the number of radar points in the radar point cloud or a defined section thereof;
- c) Characteristics which, for a specific cluster of radar points in the spatial vicinity of a seat in the seating arrangement, describe which seat in the seating arrangement the cluster is assigned to;
- d) features that describe Doppler shift values and/or a signal-to-noise ratio value of the radar signal to a respective radar point of the point cloud;
- (e) characteristics describing a quantitative comparison of two or more clusters of radar points of the radar point cloud;
- f) features that describe an orientation and/or spatial extent of a cluster of radar points of the radar point cloud;
- g) Features that describe the radar point cloud as a whole.
Speziell kommen dazu insbesondere folgende konkreten Merkmale in Frage:
- Zu a): Merkmale, die die Lage des Clusters innerhalb des jeweiligen quaderförmigen Raumbereichs 325a-325e beschreiben (die Koordinaten werden relativ zum Raumbereich angegeben):
- - Koordinaten x, y und z des Schwerpunkts des Clusters
- - Koordinaten x, y und z des gewichteten Mittelpunkts des Clusters, wobei jeder Punkt mit seinem Signal-zu-Rausch-Verhältnis (SNR)-Wert gewichtet ist/wird.
- - Abstand des Schwerpunkts zum linken, vorderen und oberen Rand des Raumbereichs
- - Abstand des Schwerpunkts und des SNR-gewichteten Zentrums zur Mitte der hinteren und unteren Ebene des Raumbereichs
- - Höhe des Clusters
- Zu b): Merkmale, die die Anzahl der Radarpunkte beschreiben:
- - Anzahl der Radarpunkte
- - Anzahl der statischen Radarpunkte (Punkte mit einem absoluten Dopplerwert unter 0,005 m/s, Radarpunkte mit einem Doppler Wert von mindestens 0,005 m/s werden als dynamische Punkte bezeichnet)
- - Jeweilige Anzahl der Radarpunkte im Messrahmen, welcher vorzugsweise aus einzelnen zeitlich aufeinanderfolgenden, optional verschachtelten, Subframes besteht, insbesondere mit unterschiedlicher Dauer der Radarmessung von beispielsweise 128 ms, 256 ms, 512 ms, 1024ms oder 2048 ms und einer optionalen Anzahl von fünf Subframes.
- Zu c): Merkmal, das beschreibt, zu welchem Sitz der Cluster gehört:
- - Kennung des jeweiligen Raumbereichs oder Sitzes
- Zu d): Merkmale zur Beschreibung der Doppler- und SNR-Werte
- - Minimum, Maximum, Mittelwert, Varianz und Mittelwert der absoluten Dopplerwerte für den gesamten Messrahmen und für seine Subframes
- - Minimum, Maximum, Mittelwert und Varianz der SNR-Werte
- Zu e): Merkmale im Vergleich zum nächstgelegenen Cluster:
- - Anzahl der Radarpunkte im Verhältnis zum nächstgelegenen Cluster
- - Abstand des Schwerpunkts zum Schwerpunkt des nächstgelegenen Clusters
- Zu f): Merkmale, die die Orientierung und Ausdehnung des Clusters beschreiben:
- - PCA-Eigenwerte (PCA=engl. „principal component analysis“ bzw. auf Deutsch: Hauptkomponentenanalyse)
- - Winkel des ersten PCA-Eigenvektors
- - Koordinaten der PCA-Eigenvektoren
- - Relation der PCA-Eigenwerte
- - Radarpunktdichte
- - Anteil der Punkte in diskreten Raumbereichen im Sitzbereich des Sitzes, wobei vorzugsweise dazu der Sitzbereich in gleichgroße Raumbereiche unterteilt wird und die jeweilige Anzahl der Punkte in den Raumbereichen ausgewertet wird.
- Zu g): Merkmale, die die gesamte Radarpunktwolke beschreiben (nicht nur das aktuelle Cluster)
- - Anzahl aller Radarpunkte in dem aktuellen Messrahmen
- - Merkmale der dynamischen Punkte: die oben genannten Merkmale werden auch nur für die dynamischen Punkte ausgewertet (alle außer Anzahl der statischen Punkte und Kennung des jeweiligen Raumbereichs oder Sitzes)
- Regarding a): Features that describe the position of the cluster within the respective cuboidal
spatial area 325a-325e (the coordinates are given relative to the spatial area):- - x, y and z coordinates of the center of gravity of the cluster
- - Coordinates x, y and z of the weighted center of the cluster, where each point is weighted with its signal-to-noise ratio (SNR) value.
- - Distance of the center of gravity to the left, front and top edge of the space area
- - Distance of the center of gravity and the SNR-weighted center to the middle of the back and bottom plane of the spatial area
- - Cluster height
- Re b): Characteristics that describe the number of radar points:
- - Number of radar points
- - Number of static radar points (points with an absolute Doppler value below 0.005 m/s, radar points with a Doppler value of at least 0.005 m/s are called dynamic points)
- - The respective number of radar points in the measurement frame, which preferably consists of individual, optionally interleaved, subframes that follow one another in time, in particular with different durations of the radar measurement of, for example, 128 ms, 256 ms, 512 ms, 1024ms or 2048 ms and an optional number of five subframes.
- Regarding c): characteristic that describes the seat to which the cluster belongs:
- - Identification of the respective room area or seat
- Re d): Characteristics for describing the Doppler and SNR values
- - Minimum, maximum, mean, variance and mean of the absolute Doppler values for the entire measurement frame and for its subframes
- - Minimum, maximum, mean and variance of the SNR values
- Regarding e): Characteristics compared to the nearest cluster:
- - Number of radar points in relation to the nearest cluster
- - Distance of the centroid to the centroid of the nearest cluster
- To f): Characteristics that describe the orientation and extent of the cluster:
- - PCA eigenvalues (PCA = "principal component analysis" or in German: main component analysis)
- - Angle of the first PCA eigenvector
- - Coordinates of the PCA eigenvectors
- - Relation of the PCA eigenvalues
- - Radar point density
- - Percentage of points in discrete spatial areas in the seating area of the seat, with the seating area preferably being divided into spatial areas of equal size for this purpose and the respective number of points in the spatial areas being evaluated.
- To g): features that describe the entire radar point cloud (not just the current cluster)
- - Number of all radar points in the current measuring frame
- - Characteristics of the dynamic points: the above characteristics are also only evaluated for the dynamic points (all except number of static points and identifier of the respective room area or seat)
Als Ergebnis der Merkmalsbestimmung im Prozess 215 ergibt sich je Cluster ein Merkmalsvektor FV (von engl. „feature vector“), der die jeweiligen bestimmten Werte der Merkmale zusammenfasst. Die Auswahl der Merkmale, für die der Prozess 215 durchgeführt wird, hängt davon ab, ob das Verfahren 200 im jeweiligen Verfahrensdurchlauf als Verfahren zum Trainieren oder bereits operativ als Erkennungsverfahren zum Erkennen eines Sitzbelegungszustands der Sitzplatzanordnung 105 auf Basis eines bereits zuvor trainierten Machine-Learning-Modells genutzt wird.The result of the feature determination in the
Im Falle des Verfahrens zum Trainieren , werden typischerweise alle definierten Merkmale im Rahmen des Prozesses 215 behandelt, um ihre jeweiligen Werte für die jeweils aktuell auszuwertende Radarpunktwolke zu bestimmen. Im Falle des Erkennungsverfahrens genügt es dagegen, im Prozess 215 die bereits im Rahmen des Trainierens ausgewählten Merkmale, die zusammen in der Regel eine echte Untermenge der im Rahmen des Trainierens berücksichtigen Menge von Merkmalen bilden, zu berücksichtigen.In the case of the method for training, all defined features are typically treated as part of
Mittels einer Abfrage 220, bei der eine Steuerinformation, insbesondere aus einer Benutzereingabe, dahingehend ausgewertet wird, ob das Verfahren 200 als Verfahren zum Trainieren (220 - ja) oder als Erkennungsverfahren (220 - nein) weitergeführt werden soll, wird der weitere Verlauf des Verfahrens 200 festgelegt.By means of a
Zunächst soll hier der Fall des Erkennungsverfahrens (220 - nein) erläutert werden: es folgt hier ein weiterer Prozess 235, in dem ein bereits trainiertes ML-Modell eingesetzt wird, um mit den Merkmalsvektoren FV als Eingangsdaten für jeden der Cluster und somit Sitze 105a bis 105e individuell ein Ergebnis zu bestimmen, welches einen Sitzbelegungszustand des jeweiligen Sitzes 105a bis 105e repräsentiert. Im einfachsten Fall entspricht das Ergebnis je Sitz einer Klasse einer einfachen Klassifikation mit nur zwei Klassen, nämlich der Klasse „Sitz belegt“ und der weiteren Klasse „sitzt nicht belegt“. Es sind jedoch auch komplexere Klassifikationen denkbar. Insbesondere ist es denkbar, unter Verwendung eines oder mehrerer Merkmale, welche eine Dopplerverschiebung angeben und somit eine Unterscheidung von statischen und dynamischen Radarpunktwolken 310 bzw. 315 erlauben, Klassen einzuführen, welche eine Aussage darüber erlauben, ob es sich bei einem gegebenenfalls erkannten Objekt auf einem Sitz um ein bewegtes oder unbewegtes Objekt handelt. Es ist sogar denkbar, anhand bestimmter Bewegungsmuster, beispielsweise auf Basis einer zeitlichen Abfolge von Radarpunktwolken, Atemmuster mittels des ML-Modells zu erkennen somit entsprechende Klassen zu definieren, die angeben, ob es sich bei dem Objekt eine lebende Person oder ein lebendes Tier handelt, oder nicht. Auch andere Klassen sind denkbar, insbesondere auf Basis einer Auswertung mehrerer verschiedener Merkmale.First, the case of the recognition method (220 - no) is to be explained here: a
Das Ergebnis der Sitzplatzbelegung kann auf verschiedenste Art und Weise weiterverwendet werden, um ein oder mehrere Funktionalitäten des Fahrzeugs 100 zu steuern. Im Folgenden soll das Beispiel betrachtet werden, dass als Funktionalität ein Warnsignal ausgegeben werden soll, wenn festgestellt wird, dass ein jeweiliger bestimmter Sitz, beispielsweise der in
Ergibt sich dagegen auf Basis der Abfrage 220, dass das Verfahren 200 als Verfahren zum Trainieren weiterzuführen ist (220 - ja), so wird ein Prozess 221 ausgeführt, bei dem alle Merkmalsvektoren für die verschiedenen Cluster bzw. Sitze aus einer Mehrzahl von vorausgehenden Verfahrensdurchläufen der Prozessfolge 205-215 auf Basis verschiedener Radarpunktwolken zusammengefasst werden. Dabei wird jeder der Radarpunktwolken Radarpunktwolke bzw. ihren jeweiligen daraus abgeleiteten Clustern je Sitz ein jeweils korrektes Sitzplatzbelegungsergebnis zugeordnet. So ergibt sich durch entsprechende Aufteilung der so gewonnenen Daten ein Satz aus Trainingsdaten TS und Validierungsdaten VS auf deren Basis in einem weiteren Prozess 222 ein geeignetes Maschine-Learning-Modell trainiert wird. Bei Modell kann es sich insbesondere um ein entscheidungsbaumbasiertes Maschine-Learning-Modell handeln oder um ein künstliches neuronales Netz. Wenn das Modell auf Basis der Trainingsdaten TS trainiert ist, kann es auf Basis der Validierungsdaten VS, die nicht zum Training herangezogen wurden, validiert werden und im Rahmen dieser Validierung kann eine finale Festlegung des Modells MD erfolgen, wozu insbesondere eine Auswahl der für das Modell zu verwendenden Merkmale getroffen wird. Das so festgelegte Modell kann dann im Prozess 235 verwendet werden, um wie bereits vorausgehen beschrieben, einen Sitzbelegungszustand der Sitzplatzanordnung 105, im Falle der Verwendung einer Clusterung auch sitzplatzindividuell, zu bestimmen.If, on the other hand, the
Ein sehr einfaches Beispiel für die Struktur der Trainingsdaten TS und der Validierungsdaten VS ist in der Tabelle aus
Für die Sitzbelegungszustände wird hier eine Klassifizierung mit vier Klassen, d.h. möglichen Ergebnissen, 1, 2, 3 und 4 verwendet. Zum Zwecke der einfachen Darstellung sind in
Unter Bezugnahme auf
Als Eingangsdaten für das Verfahren zum Trainieren dienen insbesondere die Trainingsdaten TS. Das Trainieren dient dazu, ein trainiertes ML-Modell MD zu erhalten, das konfiguriert ist, auf Basis von jeweiligen Werten verschiedener Merkmale einer mittels einer tatsächlichen oder simulierten Radarabtastung eines die Sitzplatzanordnung umgebenden Raumbereichs gewonnenen Radarpunktwolke 300 (Daten PC) einen Sitzbelegungszustand der Sitzplatzanordnung 105 kennzeichnendes Ergebnis zu erhalten.In particular, the training data TS serve as input data for the method for training. The purpose of the training is to obtain a trained ML model MD, which is configured to indicate a seat occupancy state of the seating arrangement 105 based on respective values of various features of a radar point cloud 300 (data PC) obtained by means of an actual or simulated radar scan of a spatial area surrounding the seating arrangement to get result.
Bei dem Training geht es insbesondere auch darum, aus einer Gesamtmenge G von verfügbaren Merkmalen, die im Rahmen des Trainings in dem Merkmalsvektor FV repräsentiert werden, eine möglichst optimale Teilmenge T von Merkmalen auszuwählen, sodass bei der Verwendung des trainierten Modells MD im Rahmen des Erkennungsverfahrens im Verfahren 200 aufgrund der reduzierten Merkmalsanzahl ein einerseits sehr effizienter und Rechenresourcen schonender Verfahrensablauf verwendet werden kann, anderseits aber dennoch eine hohe Qualität und Zuverlässigkeit des Ergebnisses erreicht werden kann, weil die Merkmalsauswahl (auch) dahingehend optimiert ist. Das Anpassen des ML-Modells MD erfolgt daher auf solche Art, dass es im Hinblick auf seine Abhängigkeit von Merkmalen der Gesamtmenge G nach der Anpassung ausschließlich auf den ausgewählten M Merkmalen der Teilmenge T beruht.The training also involves, in particular, selecting a subset T of features that is as optimal as possible from a total set G of available features that are represented in the feature vector FV within the scope of the training select, so that when using the trained model MD as part of the recognition method in the
Das Auswählen der Teilmenge T von M Merkmalen erfolgt aus der Gesamtmenge G, wobei M < N gilt und das Auswählen auf Basis der in den Trainingsdaten TS repräsentierten jeweiligen Werte der N Merkmale der Gesamtmenge G erfolgt. Im Pseudocode 500 in
Im Verfahren nach
- (a) wird ausgehend von einer Startmenge, die eine vorbestimmte Vorauswahl von K der N Merkmale der
Gesamtmenge G mit 0 ≤ K ≤ M enthält, jedes der anderen N-K Merkmale der Gesamtmenge G einzeln jeweils als Kandidatenmerkmal der Startmenge zunächst temporär zugeordnet, um so eine Prüfmenge P („temporäre_Merkmale“) mit K+1 Merkmalen zu bilden. In5 ist K=0 gewählt und die Startmenge somit eine leere Menge (Ausgewählte_Merkmale = { }); - (b) erfolgt ein Trainieren des ML-Modells MD mit durch die Trainingsdaten TS je Trainingsdatensatz („i“) gegebenen Werten für die K+1 Merkmale der Prüfmenge P und den zugehörigen Sitzbelegungszustand; In
5 dient der Zähler i als Index für n verschiedene Untermengen aus der Menge der in den Trainingsdaten TS repräsentierten Trainingsdatensätze. So lassen sich verschiedene, mit i indizierte Varianten des ML-Modells (Modell i) erzeugen, die sich obwohl ihrerer Art nach gleich (z.B. gleicher Entscheidungsbaum-Algorithmus) unterscheiden können und in der Regel werden, weil sie durch unterschiedliche Gruppen von Trainingsdatensätzen trainiert wurden; Die verschiedenen Varianten bzw. Modelle i bilden somit zusammen ein Ensemble aus verschiedenen Modellen. - (c) wird das jeweilige so trainierte ML-Modell zum aktuellen Index i auf Basis von ihrer Art nach den Trainingsdaten TS entsprechenden aber von diesen zumindest teilweise verschiedenen Validierungsdaten VS validiert und dabei mittels zumindest eines vorbestimmten Scores bewertet;
- (d) wird in Abhängigkeit von den jeweiligen Scores der verschiedenen Kandidatenmerkmale der im Rahmen der Iteration (d.h. in
5 im Rahmen der beiden verschachtelten For-Schleifen) aufgetretenen Prüfmengen P („temporäre_Merkmale“) eines der Kandidatenmerkmale als Auswahlkandidat („ausgewählter Kandidat“) bestimmt. In5 ist dies derjenige Kandidat mit dem höchsten, über die Menge der n Modelle ermittelnden Mittelwert µ. - (e) wird für den Auswahlkandidat anhand seines Scores geprüft, ob er ein in Bezug darauf definiertes Aufnahmekriterium erfüllt (in
5 : if-Abfrage); Hier ist das Aufnahmekriterium mittels eines Konfidenzintervalls (zum Wert 95%) definiert. - (f) wird, wenn das Aufnahmekriterium erfüllt wird, der Auswahlkandidat als neues Element in die Teilmenge T („Ausgewählte Merkmale”) aufgenommen und eine neue Iteration beginnt ohne Berücksichtigung des nunmehr ausgewählten Auswahlkandidats als Kandidatenmerkmal. Andernfalls wird die Iteration und damit die Definition der Teilmenge T abgeschlossen;
- (a) Starting from a starting set that contains a predetermined preselection of K of the N features of the total set G with 0 ≤ K ≤ M, each of the other NK features of the total set G is initially assigned temporarily as a candidate feature of the starting set, in order to create a To form test set P (“temporary_characteristics”) with K+1 characteristics. In
5 K=0 is chosen and the starting set is therefore an empty set (selected_features = { }); - (b) the ML model MD is trained with values given by the training data TS for each training data record (“i”) for the K+1 characteristics of the test set P and the associated seat occupancy state; In
5 the counter i serves as an index for n different subsets from the set of training data sets represented in the training data TS. In this way, different variants of the ML model (model i), indexed with i, can be generated which, although they are of the same type (e.g. same decision tree algorithm), can differ and usually do so because they were trained using different groups of training data sets ; The different variants or models i thus together form an ensemble of different models. - (c) the respective ML model trained in this way is validated for the current index i on the basis of the type of validation data VS that corresponds to the training data TS but is at least partially different from these and is evaluated using at least one predetermined score;
- (d) depending on the respective scores of the different candidate characteristics, the value used in the iteration (i.e. in
5 within the framework of the two nested For-loops), one of the candidate characteristics is determined as a selection candidate (“selected candidate”). In5 this is the candidate with the highest mean µ determined over the set of n models. - (e) the selection candidate is checked on the basis of his score as to whether he fulfills an admission criterion defined in relation thereto (in
5 : if query); Here the inclusion criterion is defined by means of a confidence interval (95% value). - (f) if the inclusion criterion is met, the selection candidate is included as a new element in the subset T (“Selected Features”) and a new iteration begins without considering the now selected selection candidate as a candidate feature. Otherwise the iteration and thus the definition of the subset T is completed;
Die Startmenge für den ersten Iterationsvorgang wird wie schon erwähnt vorab festgelegt (Ausgewählte_Merkmale = { }) während die jeweiligen Startmenge jedes nachfolgenden Iterationsdurchgangs durch die Startmenge des ihm unmittelbar vorausgehenden Iterationsdurchgangs zuzüglich dessen Auswahlkandidat bestimmt wird.As already mentioned, the starting set for the first iteration process is predetermined (selected_features={ }), while the respective starting set of each subsequent iteration run is determined by the starting set of the iteration run immediately preceding it plus its selection candidate.
Unter Bezugnahme auf
Dabei weist das Auswählen der Merkmale der Teilmenge T aus der Gesamtmenge G ein Gruppieren 605 von Merkmalen der Gesamtmenge G in verschiedene Gruppen auf, das so erfolgt, dass die Merkmale jeder Gruppe untereinander in Bezug auf die Trainingsdaten TS und ein bestimmtes Korrelationsmaß miteinander korreliert sind. Dies kann insbesondere auf Basis eines auf Dichte-verbundenheit definierte Korrelationsmaßes erfolgen, etwa anhand des DBSCAN (Density-Based Spatial Clustering of Applications with Noise), Algorithmus zur Clusteranalyse. Es wird dann je gebildeter Gruppe in einem Auswahlprozess 610 nur ein Merkmal als Repräsentant der Gruppe ausgewählt, wobei die Teilmenge T nur aus Repräsentanten gebildet wird. So lassen sich insbesondere Redundanzen verringern oder gar vermeiden, also das Auftreten verschiedener Merkmale, die im Wesentlichen die gleiche(n) Eigenschaft(en) der Radarpunktwolke charakterisieren. Beispielsweise könnten auf verschiedene Koordinatensysteme bezogene Koordinaten von Radarpunkten (z.b. Fahrzeug-Koordinatensystem vs. sitzbezogenes Koordinatensystem) als zueinander redundant erkannt werden.The selection of the features of the subset T from the total set G includes a
Nun wird in einem weiteren Prozess 615 ein Ensemble verschiedener gleichartiger einzelner ML-Modelle auf Basis von aus den Trainingsdaten extrahierten, nur Repräsentanten als Merkmale aufweisenden Trainingsvektoren trainiert. Dabei unterscheidet sich das Trainieren der einzelnen ML-Modelle darin, dass für zumindest zwei der einzelnen ML-Modelle jeweils eine Untermenge der Trainingsdaten eingesetzt wird und sich die Untermengen voneinander unterscheiden. Die Modelle unterscheiden sich also wieder dadurch, dass sie auf Basis verschiedener Trainingsdaten definiert wurden. Speziell im Fall von Entscheidungsbaum-basierten ML-Modellen sind diese zwar ihrer Art nach gleich (entscheidungsbaumbasiert), aber die konkreten Entscheidungsbäume können sich unterscheiden, weil verschiedene Trainingsdaten zu einem unterschiedlichen „Baumwuchs“ führen können und in der Regel werden.In a
Das Trainieren der jeweiligen Modelle kann dabei unter Nutzung einer Gewichtung so erfolgen, dass eine Gewichtung im Modell aufgenommenen Merkmale dahingehend erfolgt, dass im Rahmen des Trainings der einzelnen ML-Modelle insgesamt jede erstmalige Aufnahme eines bislang von keinem der einzelnen ML-Modelle aufgenommenen Merkmals in eines dieser ML-Modelle mit einer eine solche Aufnahme gegenüber einer Aufnahme eines bereits verwendeten Merkmals erschwerenden Gewichtung verknüpft wird. So wird eine erstmalige Aufnahme eines neuen, bislang insgesamt noch nicht benutzten Merkmals anhand der Gewichtung „bestraft“, so dass eine Mehrfachnutzung von Merkmalen gegenüber einer Einführung neuer Merkmale und somit eine möglichst geringe Modellkomplexität gefördert wird.The respective models can be trained using a weighting in such a way that features recorded in the model are weighted in such a way that, during the training of the individual ML models, each initial recording of a feature that has not yet been recorded by any of the individual ML models in one of these ML models is linked with a weighting that makes such a recording more difficult than recording a feature that has already been used. For example, the first inclusion of a new feature that has not yet been used is "punished" based on the weighting, so that multiple use of features is promoted compared to the introduction of new features and thus the lowest possible model complexity.
Nach dem Trainieren der einzelnen ML-Modelle im Rahmen im Prozess 615 kann zur Bestimmung eines finalen ML-Modells MD insbesondere eine Merkmalsauswahl 620 dahingehend erfolgen, welche der Repräsentanten als Merkmal in das finale ML-Modells MD übernommen werden. Dies kann insbesondere so erfolgen, dass nur solche der Repräsentanten in die Teilmenge T aufgenommen 625 werden, die in mehr als x% der einzelnen ML-Modelle als Merkmal aufgenommen wurden, wobei x ein fester oder variabel einstellbarer Parameter mit 30 ≤ x ≤ 70 ist, z.B. x = 50. Die Merkmale, die dieses Kriterium nicht erfüllen, werden dagegen nicht in das finale Modell aufgenommen, sondern aufgegeben 630.After the individual ML models have been trained within the scope of the
Das Trainieren des ML-Modells kann, insbesondere bei jeder der beiden vorgenannten speziellen Ausführungsformen 500 und 600, des Weiteren ein Trainieren des bereits angepassten ML-Modells auf Basis der Trainingsdaten bezüglich der ausgewählten M Merkmale der Teilmenge T umfassen. Das heißt z.B., dass wenn das Modell bereits per
Während vorausgehend wenigstens eine beispielhafte Ausführungsform beschrieben wurde, ist zu bemerken, dass eine große Anzahl von Variationen dazu existiert. Es ist dabei auch zu beachten, dass die beschriebenen beispielhaften Ausführungsformen nur nichtlimitierende Beispiele darstellen, und es nicht beabsichtigt ist, dadurch den Umfang, die Anwendbarkeit oder die Konfiguration der hier beschriebenen Vorrichtungen und Verfahren zu beschränken. Vielmehr wird die vorausgehende Beschreibung dem Fachmann eine Anleitung zur Implementierung mindestens einer beispielhaften Ausführungsform liefern, wobei sich versteht, dass verschiedene Änderungen in der Funktionsweise und der Anordnung der in einer beispielhaften Ausführungsform beschriebenen Elemente vorgenommen werden können, ohne dass dabei von dem in den angehängten Ansprüchen jeweils festgelegten Gegenstand sowie seinen rechtlichen Äquivalenten abgewichen wird.While at least one exemplary embodiment has been described above, it should be appreciated that a large number of variations thereon exist. It should also be noted that the example embodiments described are intended to be non-limiting examples only, and are not intended to limit the scope, applicability, or configuration of the devices and methods described herein. Rather, the foregoing description will provide those skilled in the art with guidance for implementing at least one example embodiment, while understanding that various changes in the operation and arrangement of elements described in an example embodiment may be made without departing from the scope of the appended claims the specified object and its legal equivalents are deviated from.
BezugszeichenlisteReference List
- BB
- Baby in BabyschaleBaby in baby seat
- CLCL
- Clusterdatencluster data
- FVFV
- Merkmalsvektorfeature vector
- MDmd
- Machine-Learning (ML)-ModellMachine Learning (ML) model
- PCpersonal computer
- Messdaten, repräsentieren Radarpunktwolke(n)Measurement data representing radar point cloud(s)
- TSTS
- Trainingsdatentraining data
- VSvs
- Validierungsdaten validation data
- 100100
- Fahrzeugvehicle
- 105105
- Sitzplatzanordnungseating arrangement
- 105a-e105a-e
- Sitze bzw. Sitzplätzeseats
- 110110
- Radarsensorradar sensor
- 110a110a
-
Beobachtungsfeld des Radarsensors 110Field of view of the
radar sensor 110 - 115115
- System zum automatisierten Erkennen eine SitzbelegungszustandsSystem for the automated detection of a seat occupancy status
- 115a115a
- Datenverarbeitungseinheitdata processing unit
- 115b115b
- SpeicherStorage
- 200200
- Verfahren zum automatisierten Erkennen eines SitzbelegungszustandsMethod for the automated detection of a seat occupancy status
- 205-240205-240
- einzelne Prozesse oder Verfahrensschritte im Rahmen des Verfahrens 200individual processes or procedural steps as part of the 200 procedure
- 300300
- Radarpunktwolkeradar point cloud
- 310310
- statische Radarpunktestatic radar points
- 315315
- dynamische Radarpunktedynamic radar points
- 320320
-
Bereiche der Radarpunktwolke 300 mit hoher RadarpunktdichteRegions of the
radar point cloud 300 with high radar point density - 325a-e325a-e
- Raumbereiche zur ClusterdefinitionSpatial areas for cluster definition
- 400400
- Tabelle mit TrainingsdatenTable with training data
- 500500
- Pseudocode für erste Ausführungsform des Verfahrens zum TrainierenPseudocode for the first embodiment of the method for training
- 600600
- zweite Ausführungsform des Verfahrens zum Trainierensecond embodiment of the method for training
- 605-630605-630
- einzelne Prozesse oder Verfahrensschritte im Rahmen des Verfahrens 600individual processes or procedural steps as part of the 600 procedure
Claims (26)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022103821.1A DE102022103821A1 (en) | 2022-02-17 | 2022-02-17 | METHODS AND DEVICES FOR THE RADAR-ASSISTED DETECTION OF A SEAT OCCUPANCY STATE OF A SEAT ARRANGEMENT |
PCT/EP2023/053426 WO2023156318A1 (en) | 2022-02-17 | 2023-02-13 | Method and devices for radar-assisted identification of a seat occupancy state of a seating arrangement |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022103821.1A DE102022103821A1 (en) | 2022-02-17 | 2022-02-17 | METHODS AND DEVICES FOR THE RADAR-ASSISTED DETECTION OF A SEAT OCCUPANCY STATE OF A SEAT ARRANGEMENT |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022103821A1 true DE102022103821A1 (en) | 2023-08-17 |
Family
ID=85227380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022103821.1A Pending DE102022103821A1 (en) | 2022-02-17 | 2022-02-17 | METHODS AND DEVICES FOR THE RADAR-ASSISTED DETECTION OF A SEAT OCCUPANCY STATE OF A SEAT ARRANGEMENT |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102022103821A1 (en) |
WO (1) | WO2023156318A1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109774641B (en) | 2019-03-25 | 2020-06-30 | 森思泰克河北科技有限公司 | Method for detecting people in vehicle, radar and vehicle |
WO2020202159A1 (en) | 2019-04-02 | 2020-10-08 | Neteera Technologies Ltd. | System for determining object status and method thereof |
US20210146867A1 (en) | 2017-07-13 | 2021-05-20 | Iee International Electronics & Engineering S.A. | System and method for radar-based determination of a number of passengers inside a vehicle passenger compartment |
CN114212045A (en) | 2021-12-13 | 2022-03-22 | 上海航盛实业有限公司 | Method and system for detecting passengers in vehicle |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7830246B2 (en) * | 2005-10-12 | 2010-11-09 | Elesys North America, Inc. | Occupant sensor and method for seat belt or other monitoring |
US9547085B2 (en) * | 2014-05-16 | 2017-01-17 | Palo Alto Research Center Incorporated | Computer-implemented system and method for detecting vehicle occupancy |
US11925446B2 (en) * | 2018-02-22 | 2024-03-12 | Vayyar Imaging Ltd. | Radar-based classification of vehicle occupants |
US11543511B2 (en) * | 2019-03-11 | 2023-01-03 | Panasonic Intellectual Property Management Co., Ltd. | Radar apparatus and vehicle |
US11565653B2 (en) * | 2020-01-03 | 2023-01-31 | Aptiv Technologies Limited | Vehicle occupancy-monitoring system |
WO2021220190A1 (en) * | 2020-04-28 | 2021-11-04 | Vayyar Imaging Ltd. | Systems and methods for monitoring a vehicle cabin |
CN113945913A (en) * | 2021-10-12 | 2022-01-18 | 南昌智能新能源汽车研究院 | Method for detecting personnel in vehicle based on millimeter wave radar point cloud |
-
2022
- 2022-02-17 DE DE102022103821.1A patent/DE102022103821A1/en active Pending
-
2023
- 2023-02-13 WO PCT/EP2023/053426 patent/WO2023156318A1/en unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210146867A1 (en) | 2017-07-13 | 2021-05-20 | Iee International Electronics & Engineering S.A. | System and method for radar-based determination of a number of passengers inside a vehicle passenger compartment |
CN109774641B (en) | 2019-03-25 | 2020-06-30 | 森思泰克河北科技有限公司 | Method for detecting people in vehicle, radar and vehicle |
WO2020202159A1 (en) | 2019-04-02 | 2020-10-08 | Neteera Technologies Ltd. | System for determining object status and method thereof |
CN114212045A (en) | 2021-12-13 | 2022-03-22 | 上海航盛实业有限公司 | Method and system for detecting passengers in vehicle |
Non-Patent Citations (1)
Title |
---|
ABEDI, Hajar [u.a.]: AI-powered in-vehicle passenger monitoring using low-cost mm-wave radar. In: IEEE Access, Bd. 10, 2022, S. 18998 - 19012. - ISSN 2169-3536 (E). DOI: https://doi.org/10.1109/ACCESS.2021.3138051 |
Also Published As
Publication number | Publication date |
---|---|
WO2023156318A1 (en) | 2023-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018204494B3 (en) | Generation of synthetic radar signals | |
DE102015109832A1 (en) | Object classification for vehicle radar systems | |
DE102016121768A9 (en) | METHOD AND DEVICE FOR DISTINCTING DRIVERS BASED ON DRIVING BEHAVIOR | |
DE102020210352A1 (en) | Method and device for transfer learning between modified tasks | |
EP4200801A1 (en) | Computer-implemented method for analysing the interior of a vehicle | |
DE102018130004B3 (en) | INTELLIGENT DRIVING BASED ON A SUPPORT VECTOR MACHINE FOR PASSING CROSSROADS AND INTELLIGENT DRIVING SYSTEM THEREFOR | |
DE102020108127A1 (en) | INTERPRETING DATA FROM A REINFORCEMENT LEARNING AGENT CONTROL | |
DE102021207613A1 (en) | Process for quality assurance of a system | |
DE102019209457A1 (en) | Method for training an artificial neural network, artificial neural network, use of an artificial neural network and a corresponding computer program, machine-readable storage medium and corresponding device | |
DE102018222195A1 (en) | Location and / or classification of objects from radar data with machine learning | |
DE102020215729A1 (en) | SYSTEM AND METHOD FOR DETECTING ABNORMAL PASSENGER BEHAVIOR IN AUTONOMOUS VEHICLES | |
DE102022103821A1 (en) | METHODS AND DEVICES FOR THE RADAR-ASSISTED DETECTION OF A SEAT OCCUPANCY STATE OF A SEAT ARRANGEMENT | |
DE102020117555A1 (en) | METHOD AND DEVICE FOR INTRIBUTOR CLASSIFICATION | |
DE102019218349A1 (en) | Method for classifying at least one ultrasonic echo from echo signals | |
WO2022129266A1 (en) | Method for detecting at least one object in surroundings by means of reflection signals of a radar sensor system | |
EP4289661A1 (en) | Method and system for detecting a seat occupancy state of a seat assembly based on radar point clouds | |
DE102022123465A1 (en) | METHOD AND SYSTEM FOR TRAINING AN EVALUATION MODEL FOR DETECTING A SEAT OCCUPANCY STATE OF A SEAT ARRANGEMENT BASED ON RADAR POINT CLOUDS | |
DE102022103818A1 (en) | METHOD AND SYSTEM FOR DETECTING A SEAT OCCUPANCY STATE OF A SEAT ARRANGEMENT BASED ON RADAR POINT CLOUDS | |
DE102021204943A1 (en) | META-SCHOOLED EVOLUTIONAL STRATEGY BLACKBOX OPTIMIZATION CLASSIFIER | |
DE102020213527A1 (en) | Method for optimizing a strategy for a robot | |
DE102021204040A1 (en) | Method, device and computer program for creating training data in the vehicle | |
DE102021202813A1 (en) | Method, device and computer program for an uncertainty assessment of an image classification | |
DE102018216078A1 (en) | Method and device for operating a control system | |
DE102022111331A1 (en) | MULTIMODAL OCCUPANT MAPPING FOR SECURITY AND PERSONALIZATION APPLICATIONS | |
DE102022205574A1 (en) | Method and device for providing training data sets for a classification model for object identification for an ultrasonic sensor system in a mobile device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |