EP4602740A1

EP4602740A1 - Verfahren zum bereitstellen von kalibrierungsdaten für antennendiagramme

Info

Publication number: EP4602740A1
Application number: EP23748473.8A
Authority: EP
Inventors: Daniel LOPEZ CUENCA; Juliane BUDDE; Johannes LOEHR; Johannes Meyer; Thomas ANKER; Andreas Doerr
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-10-13
Filing date: 2023-07-25
Publication date: 2025-08-20
Also published as: CN120077587A; JP2025533211A; WO2024078759A1; KR20250084186A; DE102022210783A1

Abstract

Verfahren zum Bereitstellen von Kalibrierungsdaten zum Kalibrieren von Antennendiagrammen von Einrichtungen, die zum Senden und/oder zum Empfang von elektromagnetischer Strahlung konfiguriert sind und einer gemeinsamen Baureihe angehören, gekennzeichnet durch die folgenden Schritte: a) auswählen eines Satzes von Einrichtungen aus der Baureihe für die Erstellung einer Trainingsdatei, b) für jede ausgewählte Einrichtung: messen eines Zieldiagramms (34) mit einer ersten Anzahl von Messpunkten (24, 26) und erstellen eines zugehörigen Quelldiagramms (28) mit einer zweiten Anzahl von Messpunkten (24), die kleiner ist als die erste Anzahl, und speichern der Ziel- und Quelldiagramme (34, 28) in der Trainingsdatei, c) verwenden der Trainingsdatei dazu, ein neuronales Netz (30) darauf zu trainieren, anhand der Quelldiagramme (28) die jeweils zugehörigen Zieldiagramme (34) zu bestimmen, d) messen der Quelldiagramme (28) der übrigen Einrichtungen aus der Baureihe, e) erstellen der zugehörigen Zieldiagramme (34) mit Hilfe des neuronalen Netzes (30) und20 f) verwenden dieser Zieldiagramme (34) als Kalibrierungsdaten für übrigen Einrichtungen.

Description

Beschreibung

Titel

Verfahren zum Bereitstellen von Kalibrierungsdaten für Antennendiagramme

Die Erfindung betrifft ein Verfahren zum Bereitstellen von Kalibrierungsdaten zum Kalibrieren von Antennendiagrammen von Einrichtungen, die zum Senden und/oder zum Empfang von elektromagnetischer Strahlung konfiguriert sind und einer gemeinsamen Baureihe angehören.

Insbesondere befasst sich die Erfindung mit der Kalibrierung von Antennendiagrammen von Radarsensoren, die beispielsweise in Kraftfahrzeugen zur Erfassung des Verkehrsumfelds eingesetzt werden.

Stand der Technik

Ein winkelauflösender Radarsensor für Kraftfahrzeuge weist typischerweise eine Sende- und Empfangsantenne mit mehreren gegeneinander versetzt an- geordneten Antennenelementen auf. Die Winkelinformation von georteten Radarzielen ist in den Amplituden- und Phasenbeziehungen zwischen den von verschiedenen Antennenelementen empfangenen Signale kodiert und lässt sich aus den Empfangsdaten extrahieren, indem die Amplituden und Phasen der empfangene Signale mit einem Antennendiagramm abgeglichen werden, dass die Winkelabhängigkeit der Amplituden und Phasen beschreibt. Ebenso lässt sich durch Abgleichen mit dem Antennendiagramm der Radarquerschnitt eines georteten Ziels und damit ein Maß für die Ausdehnung des georteten Objekts bestimmen.

Radarsensoren, die zu derselben Baureihe gehören und deshalb untereinander baugleich sind, sollten im Idealfall alle dasselbe Antennendiagram haben. Aufgrund von unvermeidlichen Fertigungstoleranzen und anderen Störeinflüssen weichen die tatsächlichen Antennendiagramme der Radarsensoren jedoch etwas voneinander ab. Um exakte Ortungsdaten zu erhalten, ist es deshalb erforderlich, diese Abweichungen dadurch auszugleichen, dass die Antennendiagramme individuell für jeden Radarsensor kalibriert werden. Dazu werden Kalibrierungsdaten benötigt, die dadurch gewonnen werden, dass die Amplituden und Phasen der Empfangssignale unter standardisierten Bedingungen gemessen werden. Dazu werden Radarechos von standardisierten Reflektoren ausgewertet, die unter bekannten Winkeln relativ zum Radarsensor angeordnet sind. Jede Position eines Reflektors repräsentiert einen Messpunkt, für den eine Einzelmessung durchgeführt werden muss. Um Kalibrierungsdaten zu erhalten, die die Winkelabhängigkeit der Amplituden und Phasen für den betreffenden Sensor mit hoher Winkelauflösung angeben, sollten die Winkelabstände zwischen den einzelnen Messpunkten möglichst klein sein. Das bedeutet jedoch, dass für jeden einzelnen Sensor eine relativ große Anzahl von Messungen durchgeführt werden muss. Die Anzahl der Messungen ist umso größer, je größer der Winkelbereich ist, der durch die Kalibrierungsdaten abgedeckt werden soll, und vervielfacht sich bei Radarsensoren, die in zwei Dimensionen (im Azimut und in Elevation) winkelauflösend sind. Da die nötigen Kalibrierungsmessungen zeit- und arbeitsaufwendig sind, entstehen für eine genaue Kalibrierung der Sensoren hohe Kosten.

Offenbarung der Erfindung Aufgabe der Erfindung ist es, die Anzahl der erforderlichen Kalibrierungsmessungen bei gegebener Qualität der Kalibrierungsdaten zu minimieren.

Diese Aufgabe wird erfindungsgemäß durch ein Verfahren gelöst, das gekenn- zeichnet durch die folgenden Schritte: a) auswählen eines Satzes von Einrichtungen aus der Baureihe für die Erstellung einer Trainingsdatei, b) für jede ausgewählte Einrichtung: messen eines Zieldiagramms mit einer ersten Anzahl von Messpunkten und erstellen eines zugehörigen Quelldiagramms mit einer zweiten Anzahl von Messpunkten, die kleiner ist als die erste Anzahl, und speichern der Ziel- und Quelldiagramme in der Trainingsdatei, c) verwenden der Trainingsdatei dazu, ein neuronales Netz darauf zu trainieren, anhand der Quelldiagramme die jeweils zughörigen Zieldiagramme zu bestimmen, d) messen der Quelldiagramme der übrigen Einrichtungen aus der Baureihe, e) erstellen der zugehörigen Zieldiagramme mit Hilfe des neuronale Netzes, und f) verwenden der dieser Zieldiagramme als Kalibrierungsdaten für die übri- gen Einrichtungen.

Bei den oben genannten „Einrichtungen“ kann es sich um Radarsensoren oder um andere Systeme handeln, mit denen elektromagnetische Strahlung gesendet und/oder empfangen werden kann. Unter „Zieldiagrammen“ sollen Anten- nendiagramme verstanden werden, die Winkelabhängigkeit der Amplituden und Phasen der empfangenen Signale mit der erforderlichen Winkelauflösung wiedergeben. Unter „Quelldiagrammen“ sollen Antennendiagramme verstanden werden, die auf einer im Vergleich zu den Zieldiagrammen reduzierten Anzahl an Messpunkten basieren. Die Erfindung beruht auf der Erkenntnis, dass es bei Sensoren (Einrichtungen) derselben Baureihe charakteristische Korrelationen zwischen verschiedenen Teilen des Antennendiagramms gibt, so dass sich anhand von Messresultaten, die für Messpunkte in einem Teil des Diagramms gewonnen wurden, Rück-

5 schlösse auf das Aussehen von anderen Teilen des Diagramms ziehen lassen, ohne das diese anderen Teile des Diagramms tatsächlich vermessen werden müssen. Erfindungsgemäß wird ein neuronales Netz darauf trainiert, diese Korrelationen anhand von geeigneten Trainingsdaten zu erkennen. Wenn das neuronale Netz einmal trainiert ist, genügt es dann, für einen einzelnen Sensor nur das Quelldiagramm mit einer relativ kleinen Anzahl von Messpunkten zu messen und diese Daten in das neuronale Netz einzugeben, das dann das vollständige Zieldiagramm generiert, das dann zur Kalibrierung des Sensors verwendet werden kann.

Auf diese Weise lassen sich die Kosten für die Kalibrierung der Sensoren beträchtlich reduzieren.

Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung sind in den Unteransprüchen angegeben. 0

Bei den Quelldiagrammen kann es sich um Diagramme handeln, die den gleichen Winkelbereich abdecken, wie die jeweils zugehörigen Zieldiagramme, jedoch aufgrund der geringeren Anzahl der Messpunkte mit verringerter Winkelauflösung. ^

Andererseits können die Quelldiagramme auch einen Winkelbereich abdecken, der kleiner ist als der Winkelbereich der Zieldiagramme. In dem Fall werden mit Hilfe des neuronale Netzes die Kalibrierungsdaten für den größeren Winkelbereich extrapoliert. Bei Sensoren, die in zwei Dimensionen winkelauflösend sind, kann das Quelldiagramm einen eindimensionalen Schnitt durch das zweidimensionale Messfeld (z.B. im Azimut) repräsentieren, während das durch das neuronale Netz bestimmte Zieldiagramm zusätzlich Kalibrierungsdaten für mindestens einen Schnitt in der zweiten Dimension (in Elevation) umfasst.

Bei den Sensoren (Einrichtungen), die zum Erstellen der Trainingsdatei ausgewählt wurden, werden die kompletten Zieldiagramme gemessen. Die zugehörigen Quelldiagramme lassen sich dann auch ohne zusätzliche Messungen einfach dadurch erzeugen, dass das Zieldiagramm auf einen kleineren Satz von Messpunkten reduziert wird. Beim Training des Netzes bilden dann die Quelldiagramme die Eingangsdaten, und die zugehörigen Zieldiagramme liefern das Feedback, anhand dessen die Gewichte der neuronalen Verbindungen im Netz beispielsweise mittels Backpropagation angepasst werden.

In einer Ausführungsform werden für jeden Sensor Kalibrierungsdaten gespeichert, die sowohl das Quelldiagramm als auch das Zieldiagramm enthalten, wobei, wenn das Quelldiagramm durch Reduktion der Messpunkte gewonnen wird, das Quelldiagramm ohnehin im Zieldiagramm enthalten ist.

In einer anderen Ausführungsform wird in jedem zu kalibrierenden Sensor das gemessene Quelldiagramm gespeichert, aber anstelle des Zieldiagramms wird im Sensor das trainierte neuronale Netz gespeichert, das dann während des Betriebs des Sensors die nötigen Kalibrierungsdaten liefert. Diese Ausführungs- form ist in den Fällen vorteilhaft, in denen der Datenumfang der Parameter des trainierten neuronalen Netzes kleiner ist als der Datenumfang des kompletten Zieldiagramms.

Gegenstand der Erfindung ist auch ein neuronales Netz, das für die Erzeugung der Kalibrierungsdaten nach dem oben beschriebenen Verfahren trainiert wurde, ebenso ein Radarsensor, in dem ein solches neuronales Netz zur Erzeugung des Kalibrierungsdaten gespeichert ist.

Im folgenden werden Ausführungsbeispiele anhand der Zeichnungen näher er- läutert.

Es zeigen:

Fig. 1 ein Beispiel eines Messfeldes eines Radarsensors;

Fig. 2 Beispiele für vier Amplituden-Antennendiagramme für einen

Schnitt durch das Messfeld längs der Linie II - II in Fig. 1 ;

Fig. 3 Beispiele für Amplituden-Antennendiagramme der gleichen vier Radarsensoren wie in Fig. 2 entsprechend einem Schnitt durch das Messfeld längs der Linie III - III in Fig. 1 ;

Fig. 4 ein Messfeld mit anders verlaufenden Schnittlinien; Fig. 5 ein Beispiel für ein Amplituden- und Phasen-Antennendia- gramm entsprechend einem Schnitt durch das Messfeld längs der Linie V - V in Fig. 4 ;

Fig. 6 ein Amplituden- und Phasen-Antennendiagramm entspre- chend einem Schnitt durch das Messfeld längs der Linie VI -

VI in Fig. 4 ;

Fig. 7 ein Diagramm zur Erläuterung eines Verfahrens gemäß einem

Ausführungsbeispiel der Erfindung; Fig. 8 ein Flussdiagramm für ein Verfahren zum Trainieren eines neuronalen Netzes;

Fig. 9 ein Flussdiagramm für ein erstes Ausführungsbeispiel des er- findungsgemäßen Verfahrens zum Bereitstellen von Kalibrierungsdaten;

Fig. 10 ein Flussdiagramm für ein Verfahren gemäß einem zweiten Ausführungsbeispiel der Erfindung; und

Fig. 11 und 12 Diagramme analog zu Fig. 7 für Verfahren gemäß abgewandelten Ausführungsbeispielen der Erfindung.

Fig. 1 zeigt ein Messfeld 10 eines Radarsensors, der in zwei Dimensionen, also sowohl im Azimut (horizontale Achse im Diagramm) als auch in Elevation (vertikale Achse) winkelauflösend ist. Die Amplituden (Beträge der komplexen Amplituden) der aus verschiedenen Richtungen empfangenen Signale sind durch Höhenlinien 12 dargestellt. Bei einem herkömmlichen Verfahren zum Bereitstellen von Kalibrierungsdaten für einen Radarsensor werden ein horizontaler Schnitt, beispielsweise entsprechend der Linie II in Fig. 1 , und ein vertikaler Schnitt, beispielsweise entsprechend der Linie III in Fig. 1 , durch das Messfeld 10 gelegt, und auf jeder Schnittlinie werden die Amplituden der empfangenen Signale und die Pha- sendifferenzen zwischen den verschiedenen Antennenelementen des Radarsensors mit möglichst hoher Winkelauflösung gemessen.

Fig. 2 zeigt die Ergebnisse von Amplitudenmessungen auf der Linie II in Fig. 1 für vier baugleiche Radarsensoren. Die vier in Fig. 2 sichtbaren Kurven 14a, 16a, 18a, und 20a geben für die vier Sensoren jeweils die Amplitude als Funktion des Azimutwinkels an. Jede Kurve ist Teil eines Antennendiagramms für den betreffenden Radarsensor. Man erkennt, dass alle vier Kurven einen ähnlichen Verlauf haben, jedoch gibt es aufgrund von Fertigungstoleranzen, Materialeigenschaften und dergleichen gewisse Abweichungen der Kurven von- 5 einander und von einem idealen Antennendiagramm, das für Sensoren dieser

Baureihe theoretisch zu erwarten wäre.

Fig. 3 zeigt entsprechende Kurven 14b, 16b, 18b und 20b, die längs der Linie III in Fig. 1 gemessen wurden.

Das in Figuren 2 und 3 gezeigte Beispiel illustriert ein Phänomen, das die hier beschriebene Erfindung sich zunutze macht. Dieses Phänomen besteht darin, dass Abweichungen von Sensor zu Sensor in einem Teil des Antennendiagramms stark mit Abweichungen in anderen Teilen des Antennendiagramms korrelieren. Beispielsweise zeigt Fig. 2, dass die Kurven 14a und 16a einen sehr ähnlichen Verlauf haben und nur wenig voneinander abweichen. Diese geringe Abweichung zwischen den Kurven korreliert mit einer ebenfalls nur geringen Abweichung zwischen den entsprechenden Kurven 14b und 16b in Fig. 3, also in dem Teil des Antennendiagramms, das dem Schnitt in Elevationsrich-0 tung entspricht. Insbesondere weist in diesem Beispiel die Kurve 14b im Elevationswinkelbereich zwischen 12 und 15° eine auffällige Anomalie auf, die in Fig. 3 durch einen Pfeil markiert ist. Diese Anomalie besteht darin, dass die Kurve in diesem Bereich flacher verläuft als in den angrenzenden Winkelbereichen. Die gleiche Anomalie zeigt sich auch bei der Kurve 16b. ^

Beobachtungen dieser Art deuten darauf hin, dass Sensoren, die in einem Teil des Antennendiagramms (hier in dem Schnitt längs der Linie II) ein sehr ähnliches Verhalten zeigen, auch in anderen Teilen des Diagrammes (hier in dem Schnitt längs der Linie III) ein ähnliches Verhalten zeigen. Erfindungsgemäß wird deshalb ein neuronales Netz dazu eingesetzt, solche Gesetzmäßigkeiten oder Muster in den Antennendiagrammen verschiedener Sensoren zu erkennen und dann anhand dieser Gesetzmäßigkeiten die Form des Antennendiagramms in Bereichen zu prädizieren, in denen keine Messun- gen ausgeführt wurden.

Anhand der Figuren 4 bis 6 soll zunächst ein herkömmliches Verfahren zum Bereitstellen von Kalibrierungsdaten durch Vermessung von Antennendiagrammen illustriert werden. Fig. 4 zeigt ein Messfeld 22 eines Radarsensors mit durch das Zentrum des Messfeldes verlaufenden Schnittlinien V, VI, auf denen das Antennendiagramm ausgemessen werden soll. Fig. 5 zeigt das Amplituden- und Phasen-Antennendiagramm, das längs der Schnittlinie V aufgenommen wurde. Dazu wurden zahlreiche Messungen an auf der Schnittlinie V verteilten Messpunkten 24 ausgeführt. Jeder Messpunkt 24 repräsentiert eine Messung, bei der ein Reflektor, dessen Radarecho gemessen wurde, so auf der Schnittlinie V positioniert war, dass sein Azimutwinkel der Position des Messpunktes auf der waagerechten Achse in Fig. 5 entspricht. Im oberen Teil der Fig. 5 ist das Amplituden-Antennendiagramm für einen einzelnen Radarsensor angegeben, also die gemessene Amplitude (in dB) als Funktion des Azimutwinkels (in °). Im unteren Teil in Fig. 5 ist das Phasen-Antennendiagramm angegeben, also die Phasendifferenz zwischen benachbarten Antennenelementen als Funktion des Azimutwinkels. Diese Phasendifferenz variiert im Bereich von -% bis +%, wobei die Werte -% und +% gleichzusetzen sind, da sie beide einem Phasenwinkel von 180° entsprechen. Es versteht sich, dass die Phasendifferenzen jeweils an den gleichen Messpunkten 24 gemessen wurden wie die Amplituden.

Fig. 6 zeigt das entsprechende Amplituden- und Phasen-Antennendiagramm, das auf der Schnittlinie IV aufgenommen wurde. Auch hier wurden die Amplituden- und Phasenmessungen an einer Vielzahl von gleichmäßig auf der Schnitt- linie IV verteilten Messpunkten 26 ausgeführt. Selbst wenn man sich auf die Vermessung des Antennendiagramms auf den Schnittlinien V und VI beschränkt, ist bei diesem Verfahren für jeden Sensor eine große Anzahl von Einzelmessungen (entsprechend der Summe der Mess- punkte 24 und 26) auszuführen.

Fig. 7 illustriert ein Verfahren, mit dem sich die Anzahl der nötigen Einzelmessungen beträchtlich reduzieren lässt. Bei diesem Verfahren werden für jeden zu kalibrierenden Sensor tatsächliche Messungen nur an einer reduzierten Anzahl von Messpunkten ausgeführt, so dass man ein Quelldiagramm 28 erhält, das nur einen Teil des vollständigen Antennendiagramms repräsentiert.

In dem in Fig. 7 gezeigten Beispiel handelt es sich bei dem Quelldiagramm 28 um das Amplituden- und Phasen-Antennendiagramm für die Schnittlinie V in Fig. 4. Das Quelldiagramm 28 repräsentiert somit nur den azimutalen Schnitt durch das Messfeld, so dass auf der in Elevation verlaufenden Schnittlinie VI keine Messungen durchgeführt zu werden brauchen. Demgemäß entspricht die Anzahl der nötigen Einzelmessungen nur der Anzahl der Messpunkte 24 auf der Schnittlinie V.

Mit Hilfe eines speziell für diesen Anwendungsfall trainierten neuronalen Netzes 30 wird dann ein synthetisches Diagramm 32 generiert, das die Amplituden und Phasendifferenzen auf der Schnittlinie VI in Fig. 4 angibt und so das Antennendiagramm vervollständigt. Das Quelldiagramm 28 und das synthetische Dia- gramm 32 zusammen bilden ein sogenanntes Zieldiagramm 34, das die Kalibrierungsdaten für die Kalibrierung des Radarsensors bereitstellt.

Das neuronale Netz 30 weist eine Eingangsstufe IN auf, das die Real- und Imaginärteile der komplexen Amplituden für jeden Messpunkt 24 des Quelldiagramms 28 in Neuronen 38 eines ersten Layers 40 des neuronalen Netzes einspeist. In verborgenen Layern 42 wird die Information der Neuronen 38 des ersten Layers 40 dann schrittweise weiterverarbeitet, bis man schließlich in einem Ausgangslayer 44 in jedem Neuron einen prädizierten Wert der Real- oder Imaginärteile der komplexen Amplitude erhält, der einem Messpunkt 26 auf der Schnittlinie VI in Fig. 4 entspricht. Über eine Ausgangsstufe OUT des neuronalen Netzes werden dann die Amplituden- und Phasenwerte ausgegeben, die zusammen das synthetische Antennendiagramm 32 bilden.

Das neuronale Netz 30 kann irgendeine für neuronale Netze bekannte Architektur aufweisen. Im gezeigten Beispiel bilden zumindest die unteren Layer 40, 42 ein vollvernetztes Netz, bei dem jedes Neuron des ersten Layers 40 den Zustand jedes Neurons im nachfolgenden Layer 42 beeinflusst. Wahlweise kann es sich bei dem neuronalen Netzwerk 30 auch um ein gefaltetes Netzwerk (Convolutional Neural Network) handeln, wie es auch bei Algorithmen zur Mustererkennung häufig eingesetzt wird.

Bevor das neuronale Netzwerk jedoch die in Fig. 7 dargestellte Funktion erfüllen kann, muss es anhand geeigneter Trainingsdaten trainiert werden. Die wesentlichen Schritte eines Verfahrens zum Trainieren des Netzes sind in Fig. 8 als Flussdiagramm dargestellt.

In Schritt S1 wird aus der Baureihe von Radarsensoren, für welche die Kalibrierungsdaten bereitgestellt werden sollen, eine gewisse Anzahl N von Sensoren ausgewählt, und für jeden dieser Sensoren wird ein Quelldiagramm 28 und ein Zieldiagramm 34 auf herkömmliche Weise nach dem in Figuren 4 bis 6 dargestellten Verfahren gemessen. Allerdings brauchen die Daten für die Quelldiagramme 28 nicht gesondert gemessen werden, da die Messergebnisse ohnehin bei der Messung des kompletten Zieldiagramms 34 anfallen. Die Gesamtheit der auf diese Weise in Schritt S1 erhaltenen Quelldiagramme 28 und Zieldiagramme 34 für alle N Sensoren bildet eine Trainingsdatei 36, die die Trainingsdaten für das neuronale Netz 30 bereitstellt.

In Schritt S2 findet dann das eigentliche Training des neuronalen Netzes 30

5 statt. Vor dem Training befindet sich das Netz 30 in einer Anfangskonfiguration, in der jede neuronale Verbindung zwischen einem Neuron 38 eines Layers und einem Neuron des nachgeschalteten Layers ein bestimmtes Gewicht hat, das bestimmt, wie stark und in welcher Richtung der Zustand des vorgeschalteten Neurons dem Zustand des nachgeschalteten Neurons verändert. In einem ersten Trainingsschritt wird dann ein erstes Quelldiagramm 28 über die Eingangsstufe IN in das Netz eingegeben. Das von der Ausgangsstufe OUT erhaltene Ergebnis wird mit dem zugehörigen Zieldiagramm 34 aus der Trainingsdatei 36 verglichen. Anhand der Abweichung des Ergebnisses vom Zieldiagramm 34 werden die Gewichte der neuronalen Verbindungen so verändert, dass, wenn erneut der gleiche Input eingegeben wird, das Ergebnis näher bei dem gewünschten Zieldiagramm 34 liegt. Im nächsten Trainingsschritt wird dann ein Quelldiagramm 28 für einen anderen Sensor in das Netz eingegeben, und anhand des Ergebnisses werden die Gewichte erneut verändert. Wenn die Anzahl N der Paare von Quell- und Zieldateien in der Trainingsdatei 36 groß genug ist,0 konvergieren nach und nach die Gewichte zu einer Konfiguration, in der das Netz zu jedem Quelldiagramm 28 das zugehörige Zieldiagramm 34 relativ präzise Vorhersagen kann. Die Gesamtheit der Gewichte definiert dann eine Transferfunktion 38, die jedem Quelldiagramm das zugehörige Zieldiagramm zuordnet. ^

In der Praxis wird sich zumeist eine Validierungsphase anschließen, in der eine weitere Anzahl von Sensoren aus der Baureihe ausgewählt wird, um die Leistungsfähigkeit des neuronalen Netzes 30 zu testen. Wenn der Test positiv ausfällt, ist das Netz einsatzbereit, so dass mit Hilfe des in Fig. 7 gezeigten Verfahrens Kalibrierungsdaten (d. h. Zieldateien 34) für jeden Sensor der Baureihe geniert werden können.

Fig. 9 ist ein Flussdiagramm für ein mögliches Verfahren zum Kalibrieren eines Sensors. Bei diesem Verfahren wird in einem ersten Schritt S11 ein Quelldiagramm 28 für den zu kalibrierenden Sensor gemessen. In Schritt S12 wird diese Quelldatei in das neuronale Netz 30 eingegeben, und mit Hilfe des neuronalen Netzes bzw. mit Hilfe der dadurch definierten Transferfunktion 38 wird das Zieldiagramm 34 generiert. In Schritt S13 wird dann das Zieldiagramm 34, in dem als Teil-Datensatz auch das ursprüngliche Quelldiagramm 28 enthalten ist, gespeichert. Dieses Zieldiagramm 34 liefert dann die Kalibrierungsdaten, mit denen der Sensor kalibriert vor Inbetriebnahme wird.

Ein alternatives Verfahren ist in Fig. 10 dargestellt. Bei diesem Verfahren ist der erste Schritt S11 mit dem Schritt S11 in Fig. 9 identisch, d. h., es wird ein Quelldiagramm für den zu kalibrierenden Sensor gemessen. In einem nachfolgenden Schritt 12' werden das Quelldiagramm 28 und das neuronale Netz 30 in einem digitalen Speicher des Sensors gespeichert. Unter Speicherung des neuronalen Netzes ist dabei zu verstehen, dass das Vernetzungsmuster der Neuronen (das Konnektom) sowie die Gewichte aller neuronalen Verbindungen gespeichert werden.

Nach dem Schritt S12' ist der Sensor bereits einsatzbereit. Erst wenn der Sensor in Betrieb genommen wird, lässt man in einem weiteren Schritt S13' das neuronale Netz 30 in der Elektronik des Senors laufen, um mit Hilfe der Transferfunktion 38 das Zieldiagramm 34 und damit die Kalibrierungsdaten zu generieren. Dabei kann die Kalibrierung jeweils auf diejenigen Teile des Antennendiagramms beschränkt werden, für die aktuelle Ortungsdaten vorliegen. In Fig. 11 ist in einem Diagramm analog zu Fig. 7 ein alternatives Verfahren zum Bereitstellen von Kalibrierungsdaten illustriert. Der Einfachheit halber soll hier angenommen werden, dass der zu kalibrierende Sensor nur im Azimut winkelauflösend ist.

Ein Quelldiagramm 28' umfasst in diesem Fall nur Messpunkte 24' , die in einem eingeschränkten Azimutwinkelbereich liegen. Das neuronale Netz 30 extrapoliert auf der Basis des Quelldiagramms 28 die Amplituden und die Phasendifferenzen auf den kompletten Winkelbereich und liefert so ein synthetisches Diagramm 32‘, das sich über den kompletten Erfassungs-Winkelbereich des Radarsensors erstreckt und das Quelldiagramm 28' als Teil-Datensatz enthält. Der Amplitudenverlauf außerhalb des Winkelbereichs des Quelldiagramms 28 kann beispielsweise durch Wertepaare für diskrete „Messpunkte“ (oder besser: Stützpunkte) repräsentiert werden. Die Anzahl der Stützpunkte kann dabei größer sein als die Anzahl der Messpunkte 24' im ursprünglichen Quelldiagramm 28‘. In dem Fall hat das neuronale Netz 30' im Ausgangslayer eine größere Anzahl von Neuronen als im ersten Layer.

Eine weitere Verfahrensvariante ist in Fig. 12 illustriert.

Ein Quelldiagramm 28“ weist Messpunkte 24“ auf, die gleichmäßig über den gesamten Azimutwinkelbereich verteilt sind. Die Anzahl dieser Messpunkte ist jedoch relativ gering, so dass das Diagramm nur eine geringe Winkelauflösung hat. Ein neuronales Netz 30“ ist in diesem Fall darauf trainiert, Zwischenwerte zwischen den Messpunkten 24“ zu interpolieren, so dass man ein synthetisches Diagramm 32“ mit höherer Winkelauflösung erhält.

Es versteht sich, dass die oben im Zusammenhang mit Fign. 7, 11 und 12 dargestellten Verfahren je nach Bedarf miteinander kombiniert werden können.

Claims

Ansprüche

1 . Verfahren zum Bereitstellen von Kalibrierungsdaten zum Kalibrieren von Antennendiagrammen von Einrichtungen, die zum Senden und/oder zum Empfang von elektromagnetischer Strahlung konfiguriert sind und einer gemeinsamen Baureihe angehören, gekennzeichnet durch die folgenden Schritte: a) auswählen eines Satzes von Einrichtungen aus der Baureihe für die Erstellung einer Trainingsdatei (36), b) für jede ausgewählte Einrichtung: messen eines Zieldiagramms (34) mit einer ersten Anzahl von Messpunkten (24, 26; 24'; 24") und erstellen eines zugehörigen Quelldiagramms (28; 28'; 28") mit einer zweiten Anzahl von Messpunkten (24; 24'; 24"), die kleiner ist als die erste Anzahl, und speichern der Ziel- und Quelldiagramme (34, 28; 28'; 28") in der Trainingsdatei (36), c) verwenden der Trainingsdatei (36) dazu, ein neuronales Netz (30; 30‘;

30“) darauf zu trainieren, anhand der Quelldiagramme (28; 28‘; 28“) die jeweils zugehörigen Zieldiagramme (34) zu bestimmen, d) messen der Quelldiagramme (28; 28‘; 28“) der übrigen Einrichtungen aus der Baureihe, e) erstellen der zugehörigen Zieldiagramme (34) mit Hilfe des neuronalen Netzes (30; 30‘; 30“), und f) verwenden dieser Zieldiagramme (34) als Kalibrierungsdaten für übrigen Einrichtungen.

2. Verfahren nach Anspruch 1 , bei dem das neuronale Netz (30; 30‘; 30“) darauf trainiert wird, ein synthetisches Diagramm (32; 32‘; 32“) zu generieren, das zusammen mit dem Quelldiagramm (28; 28‘; 28“) das Zieldiagramm (34) bildet.

3. Verfahren nach Anspruch 1 oder 2, bei dem die Quelldiagramme (28‘) einen kleineren Wertebereich haben als die Zieldiagramme (34) und das neuronale Netz (30‘) darauf trainiert wird, das Zieldiagramm (34) durch Extrapolation der Werte aus dem Quelldiagramm (28‘) zu bestimmen.

4. Verfahren nach einem der vorstehenden Ansprüche, bei dem das neuronale Netz (30“) darauf trainiert wird, bei der Erstellung des Zieldiagramms (34) zwischen Messpunkten (24“) des Quelldiagramms (28“) zu interpolieren.

5. Verfahren nach einem der vorstehenden Ansprüche, für Einrichtungen, die für zweidimensionale Winkelmessungen konfiguriert sind, wobei die Quelldiagramme (28) nur Daten für eine Dimension enthalten und das neuronale Netz (30) darauf trainiert wird, aus den Daten des Quelldiagramms (28) Daten für die zweite Dimension zu generieren.

6. Verfahren zum Kalibrieren von Antennendiagrammen von Einrichtungen, die zum Senden und/oder zum Empfang von elektromagnetischer Strahlung konfiguriert sind und einer gemeinsamen Baureihe angehören, mit einem Verfahren zur Bereitstellung von Kalibrierungsdaten nach einem der vorstehenden Ansprüche, dadurch gekennzeichnet, dass die Zieldiagramme (34) dazu verwendet werden, die Einrichtungen vor Inbetriebnahme zu kalibrieren.

7. Verfahren zum Kalibrieren von Antennendiagrammen von Einrichtungen, die zum Senden und/oder zum Empfang von elektromagnetischer Strahlung konfiguriert sind und einer gemeinsamen Baureihe angehören, mit einem Verfahren zum Bereitstellen von Kalibrierungsdaten nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass für jede zu kalibrierende Einrichtung das gemessene Quelldiagramm (28; 28‘; 28“) zusammen mit Parametern des neuronalen Netzes (30; 30‘; 30“) in der Einrichtung gespeichert und während des

Betriebs der Einrichtung dazu genutzt werden, die Kalibrierungsdaten bereitzustellen und das Antennendiagramm zu kalibrieren.

9. Neuronales Netz, das darauf trainiert ist, den Schritt e) des Verfahrens nach Anspruch 1 auszuführen.

10. Radarsensor für Kraftfahrzeuge, mit einem Speicher für ein Quelldiagramm (28), das in Schritt d) eines Verfahrens nach Anspruch 1 gemessen wurde, und mit einer Elektronik, in der ein neuronales Netz (30; 30‘; 30“) nach Anspruch 9 implementiert ist.