EP4677393A1 - Verfahren zur erkennung eines lebewesens, auswerteeinheit und fahrzeug - Google Patents

Verfahren zur erkennung eines lebewesens, auswerteeinheit und fahrzeug

Info

Publication number
EP4677393A1
EP4677393A1 EP24709041.8A EP24709041A EP4677393A1 EP 4677393 A1 EP4677393 A1 EP 4677393A1 EP 24709041 A EP24709041 A EP 24709041A EP 4677393 A1 EP4677393 A1 EP 4677393A1
Authority
EP
European Patent Office
Prior art keywords
living
vector
mean value
evaluation unit
obj
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
Application number
EP24709041.8A
Other languages
English (en)
French (fr)
Inventor
Orlando CIRICOSTA
Etienne Costa-Patry
Esakki Ponraj Esakkimuthu
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hella GmbH and Co KGaA
Original Assignee
Hella GmbH and Co KGaA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hella GmbH and Co KGaA filed Critical Hella GmbH and Co KGaA
Publication of EP4677393A1 publication Critical patent/EP4677393A1/de
Pending legal-status Critical Current

Links

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
    • 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
    • G01S13/0209—Systems with very large relative bandwidth, i.e. larger than 10 %, e.g. baseband, pulse, carrier-free, ultrawideband
    • 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
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
    • G01S13/56—Discriminating between fixed and moving objects or between objects moving at different speeds for presence detection
    • 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
    • G01S7/28—Details of pulse systems
    • G01S7/2806—Employing storage or delay devices which preserve the pulse form of the echo signal, e.g. for comparing and combining echoes received during different periods
    • 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
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/292—Extracting wanted echo-signals
    • 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
    • G01S7/415—Identification of targets based on measurements of movement associated with the 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
    • 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

Definitions

  • the invention relates to a method for detecting a living being and to an evaluation unit for this purpose.
  • the invention further relates to an application of the method for detecting a small child in a vehicle and to a vehicle.
  • Methods for detecting small children are generally known, for example using optical cameras.
  • the object is achieved by a method according to claim 1, an evaluation unit according to claim 9 and by a vehicle with such an evaluation unit.
  • the method is used to detect a living being in an area, in particular to detect an adult or a small child in an area.
  • measured values from at least one sensor are provided to an evaluation unit, whereby the evaluation unit carries out at least the following steps:
  • the number of mean value runs and/or the number of measured values which essentially correspond to the respective mean value serves to determine the species of the organism.
  • the invention is based on the knowledge that the signal provided by the respective sensor depicts a movement in the area monitored by the sensor.
  • the signal is therefore slightly different from one measurement cycle to the next.
  • a fluctuating, particularly a periodic, movement such as the breathing of a living being in the area leads to a more or less periodic change in the signal from one measurement cycle to the next.
  • recognizing a living being means both recognizing a living being and assigning the type of living being. It is advantageous to assign a living being as a small child, as an adult or as a pet.
  • An area can be understood as the interior of a vehicle. In particular, the area can be a rear seat of a vehicle. The area is advantageously defined by the position and/or orientation of at least one sensor. The area is advantageously a passenger compartment of a vehicle.
  • a fluctuating function is in particular a function of a plurality of measured values that are arranged in chronological succession.
  • the function has a mean value, whereby the measured values "fluctuate” around the mean value (of the totality of the measured values).
  • the function is advantageously designed as a representation of the respective measured value as a function of time. Function values (measurement values) are alternately greater than the mean value in one sub-range of the function and smaller than the mean value in a subsequent sub-range of the function.
  • the mean value crossings i.e. the areas in which at least one measured value essentially corresponds to the mean value, can be arranged equidistantly in time or not. If the mean value crossings are arranged equidistantly, the function fluctuates periodically around the mean value.
  • the vector advantageously includes the measured values of the individual measuring cycles arranged one after the other.
  • a measuring cycle includes 100 measured values, each of which was recorded one after the other every millisecond.
  • the amounts can be arranged in a first range of the vector and the phases can be arranged in a second range of the vector.
  • the respective amounts of the respective measured value and the respective phase can be arranged alternately in the vector.
  • the measured values are recorded as a recurring function. For example, 100 measured values are recorded within 100 microseconds and the recording is repeated 100 times.
  • the nth measured value is stored in a reduced vector. For example, every 30th measured value can form an entry in a reduced vector. This means that a vector of 10,000 entries is "reduced" to a vector with 100 entries.
  • Such a reduced vector can be the basis for the fluctuating function.
  • the number of mean value passes of the function is advantageously determined from the fluctuating function.
  • One possibility is that those measured values that correspond to the mean value correspond to a mean value pass.
  • the number of averaging runs can be determined by how many neighboring measured values have a lower value and a higher value than the mean.
  • the number of mean value runs can also be the number of measured values which at least substantially correspond to the mean value.
  • the number of average passes indicates how often the fluctuating function changes direction. With a fast movement or a higher breathing rate of the living being, it can be concluded that it is a younger living being, e.g. a small child.
  • the time interval between the mean value passages of the fluctuating function can also be used to determine the type of living being. The shorter the time interval, the younger the living being. A short distance therefore indicates a small child and a long distance indicates an adult.
  • a small amplitude of the respective fluctuating function can also be inferred from a smaller or younger organism.
  • the fluctuating function can be interpreted as a representation of the fluctuating movement, especially periodic movement, of a living being.
  • an object that moves fluctuatingly - e.g. through breathing - can be closed.
  • the period of movement can also be determined based on the number of average value passes. For example, the breathing or heart rate of a small child is higher than the breathing or heart rate of an adult. Thus, by determining the number of average value passes (per unit of time), it is possible to distinguish whether the living being is an adult or a small child.
  • the vector, the reduced vector and/or the number of mean value passes can be provided to a further evaluation algorithm, in particular a neural network.
  • the invention described above enables improved recognition of a living being.
  • the amplitude of the fluctuating function is determined by determining the difference between the respective function value of the fluctuating function and the mean value halfway between two mean value passes or in the middle between two values which essentially correspond to the mean value.
  • the amplitude of the fluctuating function is advantageously a measure of the expression of the movement of a living being, in particular the amplitude of the respective movement, e.g. breathing as an increase in the diameter of the thorax.
  • the breathing movement of a small child is not as pronounced as in an adult. Therefore, if the amplitude of the fluctuating function is high, it is advantageous to assume that an adult is in the area.
  • the reduced vector can be made available to a neural network, whereby the neural network can be made smaller by incorporating the reduced vector than a neural network which can “incorporate” the (entire) vector.
  • the fluctuating function advantageously contains fewer measured values than the vector from which the fluctuating function is determined. Therefore, the reduced vector can be stored in a smaller memory area than the vector.
  • the respective measured value comprises an amount and a phase
  • the respective amounts of the measured value are arranged in a first section of the vector and the respective phases are arranged in a second section of the vector.
  • Some sensors provide complex measured values, whereby the respective measured value comprises an amount and a phase.
  • the amounts and/or the phases can advantageously be evaluated together or separately.
  • the vector advantageously comprises a first section with amounts and a subsequent section with phases.
  • V (B1 , ... BN,q>1 , ... ,cpN) where B is the respective amount and cp is the respective phase of the measured value.
  • a living being in a first step the recognition of a living being takes place with the aid of the magnitudes of the vector and/or the reduced vector and in a second step the recognition of the living being takes place with the aid of the phases.
  • the living being is recognized as a small child if:
  • a predeterminable number of amplitudes remains below a predeterminable amplitude and/or - the number of mean value passes is higher than a predefined number (of mean value passes).
  • the evaluation unit is advantageously designed as a software module.
  • the evaluation unit is advantageously integrated into a control system for a vehicle.
  • the method is advantageously designed as an executable computer program product and can advantageously be executed on a computing unit.
  • the evaluation unit has at least one interface for at least one sensor.
  • the interface can be designed as a software interface.
  • the evaluation unit also has a process unit, wherein the process unit is designed and provided for carrying out the method described here.
  • the evaluation unit comprises a neural network, wherein the neural network is designed to evaluate the fluctuating function, wherein the neural network is intended to decide whether a living being is recognized and/or to decide whether the living being is a small child, an adult or a pet.
  • the at least one sensor is designed as an ultra-wide-band (UWB) sensor.
  • UWB ultra-wide-band
  • the vehicle comprises an evaluation unit as described above and at least one sensor for monitoring the area.
  • the area is advantageously the interior of a passenger compartment or a trunk of the vehicle.
  • Another learning algorithm can also be used to assist in the recognition and classification of the living being.
  • Fig. 1 a vehicle with an exemplary evaluation unit
  • Fig. 2 shows an exemplary process diagram
  • Fig. 3 shows another exemplary process diagram and Fig. 4 shows an example of a fluctuating function.
  • Fig. 1 shows a vehicle 10 with an exemplary evaluation unit 7.
  • the vehicle 10 comprises an area 1.
  • the area 1 can be the passenger compartment or the trunk of the vehicle 10.
  • Sensors 3 are used to monitor the area 1. Only one sensor 3 is necessary for the invention. Therefore, the The other two sensors 3 are shown in dashed lines.
  • the respective sensor 3 is advantageously designed as an ultra-wide-band sensor.
  • the respective sensor 3 provides measured values at respective times t, advantageous to each of the N
  • a living being Obj is shown in area 1.
  • the sensors 3 are used to detect the living being Obj in area 1.
  • a characteristic of a living being Obj is movement, for example through breathing. This movement is symbolized by the dashed curve on the living being Obj.
  • the sensors 3 are intended and designed to provide measured values M1,...,MN to the evaluation unit 7.
  • the evaluation unit 7 comprises a processing unit 7a and optionally a neural network.
  • the evaluation unit 7 can provide a signal to a signal generator 9 when a living being Obj, in particular a small child KK, is detected (without an adult Erw being present at the same time).
  • the signal generator 9 is used to emit a warning signal if a small child KK has been forgotten in area 1 of the vehicle 10.
  • the signal generator 9 can also be designed by a communication unit to provide a warning signal for a mobile phone.
  • Fig. 2 shows an example process diagram.
  • measured values M are shown as a function of time t.
  • the measured values M for three measuring cycles M1 , MP and MN are shown.
  • the measuring points Mx are highlighted as M(tx).
  • the measuring points Mx form the fluctuating function F when arranged one after the other in time.
  • the fluctuating function F is a function of the respective measuring point Mx from the respective measuring cycle P.
  • the fluctuating function F has a mean value ⁇ Mx>, whereby measuring points Mx fluctuate back and forth around the mean value ⁇ Mx>.
  • the fluctuating function F is shown in the figure below.
  • the measuring points that correspond to the center ⁇ Mx> in the west are referred to as so-called mean value passages ND.
  • the fluctuating function has a minimum or maximum.
  • the difference between the respective minimum/maximum and the mean value ⁇ Mx> is referred to as the amplitude.
  • the function fluctuates more or less. If the measured values deviate greatly from measuring cycle P to measuring cycle P, the number #ND of mean value passages ND of the fluctuating function increases.
  • the distance d between the respective mean value passages ND decreases as the number #ND increases.
  • Any noise in the measured values can be advantageously eliminated by averaging.
  • Fig. 3 shows another exemplary process diagram.
  • the upper part of the figure shows the steps of the process unit 7a.
  • the conversion of the vector V into the reduced vector is shown, whereby the mean value, the number #ND of the mean value passes ND and the respective amplitude A are provided.
  • the fluctuating function can be provided as a reduced vector Vr.
  • the neural network NN is provided with the vector V (comprising the measured values of the measurement cycles P), the reduced vector V (comprising the fluctuating function F).
  • the neural network is also provided with the mean value ⁇ Mx>, the respective amplitude A and the number #ND of the mean value passes ND are provided.
  • the recognized creature Obj can be recognized as a toddler KK, as a pet HT or as an adult Erw.
  • Fig. 4 shows an example of a fluctuating function F.
  • the measured values M provided by the respective sensor 3 are provided in complex form (as complex numbers).
  • the fluctuating function F can have a first section S1 and a second section S2.
  • the first section S1 comprises the amounts B of the respective measuring points Mx.
  • the second section S2 comprises the phases cp of the respective measuring points Mx (each in a temporal arrangement).
  • the evaluation of the fluctuating function F takes place as shown here once using the phases cp and once using the amounts B. In other words, once with the first section S1 of the (reduced) vector and once with the second section S2 of the (reduced) vector.
  • Such a fluctuating function F can advantageously be determined by a vector V, where the vector V has a section with amounts B (of the respective measured value M) and a section with phases cp (of the respective measured value M)
  • Vr reduced vector d distance (between every two mean value passes)
  • the invention relates to a method for detecting a living being Obj, an evaluation unit 7 for this purpose, and a vehicle 10 with such an evaluation unit 7.
  • the vector V comprises the recorded measured values M in temporal succession.
  • a measuring point Mx is determined from the measured values M.
  • the measuring points form a fluctuating function F.
  • the fluctuating function is averaged and a mean value ⁇ Mx> is provided. In other words, a mean value ⁇ Mx> of the respective n-th measured values Mx is calculated.
  • the respective measuring point Mx is chosen such that the respective measuring points result in a more or less periodic, i.e. fluctuating function F with an amplitude A and a number #ND of mean value passes ND. Based on the amplitude A and the number #ND, a living being Obj is recognized, in particular whether the living being Obj is an adult Erw, a pet HT or a small child KK.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Erkennung eines Lebewesens (Obj), eine Auswerteeinheit (7) für diesen Zweck sowie ein Fahrzeug (10) mit einer solchen Auswerteeinheit (7). Hierzu nimmt ein zumindest ein Sensor (3) in mehreren Messzyklen (P) Messwerte (M1,...,MN) auf, die aufeinanderfolgend in einem Vektor (V) anordnenbar sind, wobei der Vektor (V) einer Auswerteeinheit (7) bereitgestellt wird. Der Vektor (V) umfasst die aufgenommenen Messwerte (M) zeitlich aufeinanderfolgend. Zu einem festlegbaren Zeitpunkt (tx) wird aus den Messwerten (M) jeweils ein Messpunkt (Mx) ermittelt. Die Messpunkte (Mx) bilden eine fluktuierende Funktion (F). Die fluktuierende Funktion wird gemittelt und ein Mittelwert (<Mx>) wird bereitgestellt. Vorteilhaft wird der jeweilige Messpunkt (Mx) derart gewählt, dass die jeweiligen Messpunkte (Mx) eine mehr oder weniger periodische, also fluktuierende Funktion (F) mit einer Amplitude (A) und einer Anzahl (#ND) von Mittelwertdurchgängen (ND) ergibt. Anhand der Amplitude (A) und der Anzahl (#ND) erfolgt eine Erkennung eines Lebewesens (Obj), insbesondere ob das Lebewesen (Obj) ein Erwachsener (Erw), ein Haustier (HT) oder ein Kleinkind (KK) ist.

Description

Verfahren zur Erkennung eines Lebewesens, Auswerteeinheit und Fahrzeug
Beschreibung
Die Erfindung betrifft ein Verfahren zur Erkennung eines Lebewesens und einer Auswerteeinheit für diesen Zweck. Weiter betrifft die Erfindung eine Anwendung des Verfahrens zur Erkennung eines Kleinkindes in einem Fahrzeug sowie ein Fahrzeug.
In modernen Fahrzeugen ist es heute vorteilhaft, zu erkennen, ob ein Kleinkind im Wagen zurückgelassen worden ist, da dies insbesondere in Gegenden mit warmem Klima für das Kleinkind eine erhebliche Gefahr darstellen kann.
Methoden zur Erkennung von Kleinkindern sind grundsätzlich bekannt, beispielhaft mit Hilfe von optischen Kameras.
Vorteilhaft wäre es, wenn eine solche Kamera zur Überwachung des Innenraums nicht mehr notwendig ist und durch andere Sensoren wie Radarsensoren oder UWB- Sensoren ersetzt werden kann, wobei vorteilhaft solche Sensoren genutzt werden, die sowieso bereits in dem Fahrzeug vorhanden sind.
Nachteilhaft an der Nutzung solcher Sensoren ist die komplexe und Speicherintensive Nutzung bei der Auswertung der von den Sensoren bereitgestellten Signale.
Daher ist es Aufgabe der Erfindung, die Auswertung von Sensoren zu vereinfachen, insbesondere mit weniger Speicher zu ermöglichen.
Die Aufgabe wird durch ein Verfahren gemäß Anspruch 1 , einer Auswerteeinheit gemäß Anspruch 9 sowie durch ein Fahrzeug mit einer solchen Auswerteeinheit gelöst. Das Verfahren dient zur Erkennung eines Lebewesens in einem Bereich, insbesondere zur Erkennung von einem Erwachsenen oder einem Kleinkind in einem Bereich. Bei dem Verfahren werden Messwerte von zumindest einem Sensor an eine Auswerteeinheit bereitgestellt, wobei die Auswerteeinheit zumindest folgende Schritte ausführt:
- Bildung eines eindimensionalen Vektors, wobei der Vektor zeitlich angeordnete Messwerte des zumindest eines Sensors umfasst;
- Bildung einer fluktuierenden Funktion (F)
- Bildung eines Mittelwertes der fluktuierenden Funktion (F) , insbesondere durch Mittelwertbildung zeitlich wiederkehrenden Messwerte (M);
- Bestimmung der Anzahl der Messwerte, welche im Wesentlichen dem jeweiligen Mittelwert entsprechen oder;
- Bestimmung der Anzahl der Mittelwertdurchgänge einer Differenz der Messwerte und des jeweiligen Mittelwertes der Messwerte,
- Wobei der Anzahl der Mittelwertdurchgänge und/oder der Anzahl der Messwerte, die im Wesentlichen dem jeweiligen Mittelwert entsprechen zur Feststellung der Art des Lebewesens dient.
Die Erfindung gründet auf der Erkenntnis, dass das Signal, welches von dem jeweiligen Sensor bereitgestellt wird, eine Bewegung in dem durch den Sensor überwachten Bereich abbildet. Das Signal ist somit von Messzyklus zu Messzyklus leicht unterschiedlich. Eine fluktuierende, insbesondere eine periodische, Bewegung wie eine Atmung eines Lebewesens in dem Bereich führt entsprechend ein eine mehr oder weniger periodische Veränderung des Signals von Messzyklus zu Messzyklus.
Vorteilhaft wird hier mit Erkennen eines Lebewesens sowohl das Erkennen eines Lebewesens als auch die Zuordnung der Art des Lebewesens verstanden. Eine Zuordnung ist vorteilhaft Lebewesen als Kleinkind, als Erwachsener oder als Haustier. Unter einem Bereich kann der Innenraum eines Fahrzeugs verstanden sein. Insbesondere kann der Bereich eine Rücksitzbank eines Fahrzeugs sein. Vorteilhaft wird der Bereich durch die Position und/oder die Ausrichtung des zumindest eines Sensors definiert. Mit Vorteil ist der Bereich eine Fahrgastzelle eines Fahrzeugs.
Zu einem festlegbaren Zeitpunkt innerhalb des jeweiligen Messzyklus kann zu einem fluktuierenden Verlauf der Messwerte an dem festlegbaren Zeitpunkt führen.
Eine fluktuierende Funktion ist insbesondere eine Funktion aus einer Mehrzahl von Messwerten, die zeitlich aufeinanderfolgend angeordnet sind. Die Funktion weist einen Mittelwert auf, wobei die Messwerte um den Mittelwert (der Gesamtheit der Messwerte) „schwanken“. Die Funktion ist vorteilhaft eine Abbildung des jeweiligen Messwertes als eine Funktion der Zeit ausgebildet. Abwechselnd sind Funktionswerte (Messerwerte) in einem Teilbereich der Funktion größer als der Mittelwert und in einem darauffolgenden Teilbereich der Funktion kleiner als der Mittelwert.
Die Mittelwertdurchgänge, also die Bereiche, in denen zumindest ein Messwert im Wesentlichen dem Mittelwert entspricht, können zeitlich äquidistant angeordnet sein, oder nicht. Bei einer äquidistanten Anordnung der Mittelwertdurchgänge schwankt die Funktion periodisch um den Mittelwert.
Der Vektor umfasst vorteilhaft die Messwerte der einzelnen Messzyklen nacheinander angeordnet. Beispielhaft umfasst ein Messzyklus 100 Messwerte, welche jeweils nacheinander zu jeder Millisekunde aufgenommen worden sind.
Insofern die Messwerte als komplexe Werte, jeweils umfassend einen Betrag und eine Phase umfassend, von dem jeweiligen Sensor bereitgestellt werden, können die Beträge in einem ersten Bereich des Vektors angeordnet sein und die Phasen in einem zweiten Bereich des Vektors angeordnet sein. Alternativ können die jeweiligen Beträge des jeweiligen Messwertes und die jeweilige Phase alternierend in dem Vektor angeordnet sein.
Mit Vorteil werden die Messwerte als Funktion wiederkehrend aufgezeichnet. Beispielhaft werden 100 Messwerte innerhalb von 100 Mikrosekunden aufgezeichnet und die Aufzeichnung 100-mal widerholt.
Um eine vereinfachte Auswertung zu ermöglichen, wird beispielhaft jeweils der n-te Messwert in einem reduzierten Vektor hinterlegt. Beispiel kann jeder 30. Messwert jeweils ein Eintrag in einen reduzierten Vektor ausbilden. Dies bedeutet, dass ein Vektor von 10.000 Einträgen auf einen Vektor mit 100 Einträgen „reduziert“ wird.
Ein solcher reduzierte Vektor kann Grundlage für die fluktuierende Funktion sein.
Aus der fluktuierenden Funktion wird vorteilhaft die Anzahl der Mittelwertdurchgänge der Funktion ermittelt. Eine Möglichkeit ist, dass diejenigen Messwerte einem Mittelwertdurchgang entsprechen, die jeweils dem Mittelwert entsprechen.
Alternativ oder zusätzlich kann die Anzahl der Mittelwertdurchgänge dadurch bestimmt werden, wie viele benachbarte Messwerte einmal einen geringeren Betrag und einmal einen höheren Betrag als der Mittelwert haben.
Alternativ oder zusätzlich kann die Anzahl der Mittelwertdurchgänge auch die Anzahl derjenigen Messwerte sein, welche zumindest im Wesentlichen dem Mittelwert entsprechen.
Die Anzahl der Mittelwertdurchgänge gibt an, wie häufig die fluktuierende Funktion die Richtung wechselt. Bei einer schnellen Bewegung, bzw. einer höheren Atemfrequenz des Lebewesens, kann auf ein jüngeres Lebewesen, z.B. ein Kleinkind, geschlossen werden.
Alternativ oder zusätzlich kann auch die zeitliche Distanz zwischen den Mittelwertdurchgängen der fluktuierenden Funktion zur Bestimmung der Art des Lebewesens herangezogen werden. Je kürzer die zeitliche Distanz, desto jünger ist das Lebewesen. Eine geringe Distanz deutet also auch ein Kleinkind hin und eine große Distanz eher auf einen Erwachsenen.
Darüber hinaus kann auch eine geringe Amplitude der jeweilig fluktuierenden Funktion auf ein kleineres oder jüngeres Lebewesen geschlossen werden.
Mit Vorteil erfolgt eine Detektion der Bewegung der Atmung des Lebewesens. Die Atmung (Atmungsamplitude, Atemfrequenz) findet sich vorteilhaft in der Form der fluktuierenden Funktion wieder.
Die fluktuierende Funktion kann als Abbildung der fluktuierenden Bewegung, insbesondere periodische Bewegung, eines Lebewesens interpretiert werden.
Bei Vorliegen einer fluktuierenden Funktion kann ein Objekt geschlossen werden, welches sich fluktuierend bewegt - z.B. durch Atmung.
Auf Grundlage der Anzahl der Mittelwertdurchgänge kann darüber hinaus die Periode der Bewegung geschlossen werden. Beispielhaft ist die Atem- oder Herzfrequenz eines Kleinkindes höher als die Atem- oder Herzfrequenz eines Erwachsenen. Somit kann durch eine Bestimmung der Mittelwertdurchgänge (pro Zeiteinheit) unterschieden werden, ob es sich bei dem Lebewesen um einen Erwachsenen oder um ein Kleinkind handelt. Mit Vorteil kann der Vektor, der reduzierte Vektor und/oder die Anzahl der Mittelwertdurchgänge einem weiteren Auswerte-Algorithmus, insbesondere einem neuronalen Netz, bereitgestellt werden.
Durch die vorstehend erläuterte Erfindung kann eine verbesserte Erkennung eines Lebewesens erfolgen.
Bei einer vorteilhaften Ausgestaltung der Erfindung wird eine Amplitude der fluktuierenden Funktion zwischen den jeweiligen Mittelwertdurchgängen bestimmt, wobei die Amplitude zur Feststellung der Art des Lebewesens (Erwachsener, Haustier oder Kleinkind) dient. Die Amplitude kann jeweils als eine größte Differenz zwischen dem jeweiligen Messwert und dem Mittelwert definiert sein.
Mit Vorteil wird die Amplitude der fluktuierenden Funktion dadurch bestimmt, dass im halben Abstand zwischen jeweils zwei Mittelwertdurchgängen oder in der Mitte zwischen zwei Werten, welche im Wesentlichen dem Mittelwert entsprechen, die Differenz des jeweiligen Funktionswertes der fluktuierenden Funktion und dem Mittelwert bestimmt wird.
Die Amplitude der fluktuierenden Funktion ist vorteilhaft ein Maß für eine Ausprägung der Bewegung eines Lebewesens, insbesondere der Amplitude der jeweiligen Bewegung, z.B. der Atmung als Zunahme des Durchmessers des Brustkorbes.
Beispielhaft ist die Bewegung beim Atmen eines Kleinkindes nicht so ausgeprägt wie bei einem Erwachsenen. Daher ist vorteilhaft bei einer hohen Amplitude der fluktuierenden Funktion davon auszugehen, dass sich ein Erwachsener in dem Bereich ist.
Durch die Berücksichtigung der Amplitude der fluktuierenden Funktion ist eine verbesserte Feststellung eines Lebewesens und insbesondere die Feststellung, ob es sich um einen Erwachsenen oder ein Kleinkind handelt, mit höherer Wahrscheinlichkeit bestimmbar, als würde lediglich der Abstand bzw. der Anzahl der Mittelwertdurchgänge betrachtet.
Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung ist die fluktuierende Funktion als reduzierter Vektor hinterlegbar. Der reduzierte Vektor kann beispielsweise in einem Speicher einer Auswerteeinheit hinterlegt werden.
Mit Vorteil ist der reduzierte Vektor einem neuronalen Netz bereitstellbar, wobei das neuronale Netz durch die Aufnahme des reduzierten Vektors kleiner ausgestaltet sein kann als ein Neuronales Netz, welches den (gesamten) Vektor „aufnehmen“ kann.
Mit Vorteil umfasst die fluktuierende Funktion weniger Messwerte als der Vektor, aus dem die fluktuierende Funktion ermittelt wird. Daher ist der reduzierte Vektor in einem kleineren Speicherbereich hinterlegbar als der Vektor.
Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung ist erfolgt eine Entscheidung über die Art des Lebewesens anhand der jeweiligen Anzahl und/oder der Amplitude erfolgt, wobei das Lebewesen als Kleinkind bestimmt wird, sofern die Anzahl der der Mittelwertdurchgänge über eine vorgebbare Anzahl beträgt, und insofern die Anzahl geringer als die vorgebbare Anzahl ist, das Lebewesen als Erwachsener bestimmt wird
Eine Bestimmung der Art des Lebewesens anhand der Anzahl von Mittelwertdurchgängen und der jeweiligen Amplitude dient vorteilhaft zur Erhöhung der Sicherheit bei der Feststellung der Art des Lebewesens.
Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung umfasst der jeweilige Messwert jeweils einen Betrag und eine jeweils eine Phase, wobei die jeweiligen Beträge des Messwertes in einer ersten Sektion des Vektors angeordnet sind und die jeweiligen Phasen in einer zweiten Sektion des Vektors angeordnet sind. Einige Sensoren stellen komplexe Messwerte bereit, wobei der jeweilige Messwert jeweils einen Betrag und eine Phase umfasst. Mit Vorteil können die Beträge und/oder die Phasen gemeinsam oder separat ausgewertet werden. Mit Vorteil umfasst der Vektor einen ersten Abschnitt mit Beträgen und einen nachfolgenden Abschnitt mit Phasen. V = (B1 , ... BN,q>1 , ... ,cpN) wobei B der jeweilige Betrag und cp die jeweilige Phase des Messwertes ist.
Die Aufteilung des Vektors erfolgt vorteilhaft auch für den reduzierten Vektor entsprechend.
Das Verfahren erfolgt vorteilhaft sowohl für die Phasen als auch für die Beträge der Messwerte gleich. Vorteilhaft erfolgen die hier beschriebenen Verfahrensschritte für die Beträge der jeweiligen Messwerte und für die jeweils
Durch die getrennte Auswertung von Beträgen und Phasen kann eine besonders hohe Genauigkeit bei der Erkennung von Lebewesen erreicht werden.
Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung erfolgt in einem ersten Schritt die Erkennung eines Lebewesens mit Hilfe der Beträge des Vektors und/oder des reduzierten Vektors und in einem zweiten Schritt erfolgt die Erkennung des Lebewesens mit Hilfe der Phasen.
Durch die getrennte Auswertung von Beträgen und Phasen kann eine besonders hohe Genauigkeit bei der Erkennung von Lebewesen erreicht werden.
Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung wird das Lebewesen als Kleinkindes erkannt wird, falls:
- eine vorgebbare Anzahl von Amplituden unterhalb einer vorgebbaren Amplitude bleibt und/oder - die Anzahl der Mittelwertdurchgänge höher als eine vorgebbare Anzahl (der Mittelwertdurchgänge) ist.
Die vorgebbare Anzahl der der Amplituden und die vorgebbare Anzahl der Mittelwertdurchgänge werden vorteilhaft experimental ermittelt.
Durch die Nutzung von zwei experimentell bestimmbaren Größen kann eine besonders genaue Erkennung eines Kleinkindes gewährleistet sein.
Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung werden der Vektor sowie die fluktuierende Funktion einem neuronalen Netz bereitgestellt, wobei das neuronale Netz auf Grundlage der fluktuierenden Funktion und optional auf Grundlage des Vektors das Lebewesen erkennt und eine Entscheidung trifft, ob das Lebewesen ein Kleinkind, ein Erwachsener oder ein Haustier ist.
Mit Vorteil wird dem neuronalen Netz lediglich die fluktuierende Funktion oder der reduzierte Vektor bereitgestellt, so dass das neuronale Netz nur eine geringe Größe und Komplexität aufweisen muss. So kann der notwendige Speicher in der Auswerteeinheit eingespart werden.
Die Auswerteeinheit ist vorteilhaft als Software-Modul ausgebildet. Die Auswerteeinheit ist vorteilhaft in einer Steuerung für ein Fahrzeug integriert.
Das Verfahren ist vorteilhaft als ablauffähiges Computerprogrammprodukt ausgebildet und mit Vorteil auf einer Recheneinheit ablaufbar.
Die Auswerteeinheit weist zumindest eine Schnittstelle für zumindest einen Sensor auf. Die Schnittstelle kann als Software-Schnittstelle ausgebildet sein. Weiter weist die Auswerteeinheit eine Verfahrenseinheit auf, wobei die Verfahrenseinheit zur Ausführung des hier beschriebenen Verfahrens ausgebildet und vorgesehen ist. Optional umfasst die Auswerteeinheit ein neuronales Netz, wobei das neuronale Netz zur Auswertung der fluktuierenden Funktion ausgebildet ist, wobei das neuronale Netz zur Entscheidung vorgesehen ist, ob ein Lebewesen erkannt wird und/oder zur Entscheidung, ob das Lebewesen ein Kleinkind, ein Erwachsener oder ein Haustier ist.
Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung ist der zumindest einen Sensor jeweils als Ultra-Wide-Band (UWB) Sensor ausgebildet.
Das Fahrzeug umfasst eine Auswerteeinheit gemäß vorstehender Beschreibung sowie zumindest einen Sensor zur Überwachung des Bereiches. Der Bereich ist vorteilhaft der Innenraum einer Fahrgastzelle oder ein Kofferraum des Fahrzeugs.
Anstelle eines neuronalen Netzwerkes kann auch ein anderer lernfähige Algorithmus zur Unterstützung bei der Erkennung und Zuordnung des Lebewesens unterstützen.
Im Folgenden wir die Erfindung anhand von Figuren näher erläutert und erklärt. Die in den Figuren gezeigten Ausführungsformen sind lediglich beispielhaft und können nicht zur Einschränkung der Erfindung herangezogen werden.
Es zeigen:
Fig. 1 ein Fahrzeug mit einer beispielhaften Auswerteeinheit,
Fig. 2 ein beispielhaftes Verfahrensschema,
Fig. 3 ein weiteres beispielhaftes Verfahrensschema sowie Fig. 4 ein Beispiel für eine fluktuierende Funktion.
Fig. 1 zeigt ein Fahrzeug 10 mit einer beispielhaften Auswerteeinheit 7. Das Fahrzeug 10 umfasst einen Bereich 1 . Der Bereich 1 kann die Fahrgastzelle oder der Kofferraum des Fahrzeugs 10 sein. Zur Überwachung des Bereiches 1 dienen Sensoren 3. Für die Erfindung ist lediglich ein Sensor 3 notwendig. Daher sind die weiteren beiden Sensoren 3 gestrichelt dargestellt. Der jeweilige Sensor 3 ist vorteilhaft als Ultra- Wide-Band Sensor ausgebildet. Der jeweilige Sensor 3 stellt Messwerte zu jeweiligen Zeitpunkten t, vorteilhaft zu jedem der N
Zeitpunkte jeweils einen Messwert M1 ,... ,MN.
In dem Bereich 1 ist ein Lebewesen Obj gezeigt. Die Sensoren 3 dienen zur Erfassung des Lebewesens Obj in dem Bereich 1. Kennzeichnend für ein Lebewesen Obj ist eine Bewegung, beispielhaft durch Atmung. Diese Bewegung ist durch die gestrichelte Kurve an dem Lebewesen Obj symbolisiert. Die Sensoren 3 sind zur Bereitstellung von Messwerten M1 ,... ,MN an die Auswerteeinheit 7 vorgesehen und ausgebildet. Die Auswerteeinheit 7 umfasst eine Verfahrenseinheit 7a, und optional ein Neuronales Netz. Die Auswerteeinheit 7 kann bei einer Feststellung eines Lebewesens Obj, insbesondere eines Kleinkindes KK (ohne gleichzeitiges Beisein eines Erwachsenen Erw) ein Signal an einen Signalgeber 9 bereitstellen. Der Signalgeber 9 dient zur Abgabe eines Warnsignals, falls ein Kleinkind KK in dem Bereich 1 des Fahrzeugs 10 vergessen worden ist. Der Signalgeber 9 kann auch durch eine Kommunikationseinheit zur Bereitstellung eines Warnsignals für ein Mobiltelefon ausgebildet sein.
Fig. 2 zeigt ein beispielhaftes Verfahrensschema. Oben sind Messwerte M als Funktion der Zeit t gezeigt. Gezeigt ist sind die Messwerte M für drei Messzyklen M1 , MP und MN . An jeweils vorgebbaren Zeitpunkten tx sind die Messpukte Mx als M(tx) hervorgehoben. Die Messwerte für mehrere Messzyklen P sind in einem Vektor V = (M1 (t1 ),... M1(tN),... ,MP(t1 ),... ,MP(tN),...., MN(t1 ),... (MN(tN)) hinterlegbar.
Die Messpunkte Mx können ebenfalls in einem reduzierten Vektor Vr = (Mx(P=1 ),... , Mx(P=N)) von dem jeweiligen Messzyklus P hinterlegbar sein. P läuft hierbei von P=1 bis P=N. Die Messpunkte Mx bilden zeitlich nacheinander angeordnet die fluktuierende Funktion F. Die fluktuierende Funktion F ist eine Funktion des jeweilen Messpunktes Mx von dem jeweiligen Messzyklus P. Die fluktuierende Funktion F besitzt einen Mittelwert <Mx>, wobei Messpukte Mx um den Mittelwert <Mx> hin- und her fluktuieren. Die fluktuierende Funktion F unten in der Figur abgebildet.
Die Messpunkte, die im westlichen dem Mittelpunkt <Mx> entsprechen, werden als sogenannten Mittelwertdurchgänge ND bezeichnet. Zwischen den Mittelwertdurchgängen ND weist die fluktuierende Funktion jeweils ein Minimum oder Maximum auf. Die Differenz des jeweiligen Minimums / Maximums und dem Mittelwert <Mx> wird als Amplitude bezeichnet. Je nach Abweichung der Messwerte M von Messzyklus P an dem jeweiligen Zeitpunkt tx, fluktuiert die Funktion stärker oder schwächer. Bei einer starken Abweichung der Messwerte von Messzyklus P zu Messzyklus P steigt die Anzahl #ND der Mittelwertdurchgänge ND der fluktuierenden Funktion an. Überdies wird die Distanz d zwischen den jeweiligen Mittelwertdurchgängen ND bei steigender Anzahl #ND geringer.
Ein eventuelles Rauschen der Messwerte kann durch die Mittelwertbildung vorteilhaft eliminiert werden.
Fig. 3 zeigt ein weiteres beispielhaftes Verfahrensschema. Im oberen Teil der Figur sind die Schritte der Verfahrenseinheit 7a darstellt. Gezeigt ist die Umwandlung des Vektors V in den reduzierten Vektor, wobei der Mittelwert, die Anzahl #ND der Mittelwertdurchgänge ND sowie die jeweilige Amplitude A bereitgestellt wird. Die fluktuierende Funktion kann als reduzierter Vektor Vr bereitgestellt werden.
Unten ist gezeigt, dass dem neuronalen Netz NN der Vektor V (umfassend die Messwerte der Messzyklen P), der reduzierte Vektor V (umfassend die fluktuierende Funktion F) bereitgestellt werden. Weiter werden dem neuronalen Netz der Mittelwert <Mx>, die jeweilige Amplitude A sowie die Anzahl #ND der Mittelwertdurchgänge ND bereitgestellt.
Mit Hilfe des neuronalen Netzes kann das erkannte Lebewesen Obj als Kleinkind KK, als Haustier HT oder als Erwachsenen Erw erkannt werden.
Fig. 4 zeigt ein Beispiel für eine fluktuierende Funktion F. Bei diesem Beispiel sind die Messwerte M, die von dem jeweiligen Sensor 3 bereitgestellt worden sind, in komplexer Form (als komplexe Zahlen) bereitgestellt. Die fluktuierende Funktion F kann eine erste Sektion S1 und eine zweite Sektion S2 aufweisen. Die erste Sektion S1 umfasst die Beträge B der jeweiligen Messpunkte Mx. Die zweite Sektion S2 umfasst die Phasen cp der jeweiligen Messpunkte Mx (jeweils in zeitlicher Anordnung). Die Auswertung der fluktuierenden Funktion F erfolgt wie vorliegend dargestellt einmal unter Verwendung der Phasen cp und einmal unter Verwendung der Beträge B. Mit anderen Worten einmal wird mit der ersten Sektion S1 des (reduzierten) Vektors und einmal mit der zweiten Sektion S2 des (reduzierten) Vektors.
Sichtbar ist, dass die fluktuierende Funktion F für die Beträge B und die Phasen cp einen unterschiedlichen Verlauf aufweisen kann.
Eine solche fluktuierende Funktion F ist vorteilhaft durch einen Vektor V ermittelbar, wobei der Vektor V einen Abschnitt mit Beträgen B (des jeweiligen Messwertes M) und einen Abschnitt mit Phasen cp (des jeweiligen Messwertes M) aufweist
Anstelle der fluktuierenden Funktion F können auch die jeweiligen Messwerte M entsprechend dargestellt werden. Bezugszeichenliste
1 Bereich
3 Sensor (insbesondere ein UWB-Sensor)
Obj Lebewesen
7 Auswerteeinheit
7a Verfahrenseinheit
10 Fahrzeug
NN Neuronales Netz
V Vektor
M1 ,MN Messwerte (vom Sensor bereitgestellt)
F Fluktuierende Funktion
Mx Messpunkt
ND Mittelwertsdurchgang
A Amplitude (von F) t Zeit tx Zeitpunkt
Vr reduzierter Vektor d Distanz (Zwischen jeweils zwei Mittelwertsdurchgängen)
S1 , S2 Erste, zweite Sektion
<Mx> Mittelwert (der Messpunkte) oder der fluktuierenden Funktion
B Betrag (des Messpunktes oder des Messwertes) cp Phase
1 , ... m Nr. des Messzyklus
KK Kleinkind
Erw Erwachsener
HT Haustier
P Messzyklus
#ND Anzahl (der Mittelwertdurchgänge) Zusammenfassend betrifft die Erfindung ein Verfahren zur Erkennung eines Lebewesens Obj, eine Auswerteeinheit 7 für diesen Zweck sowie ein Fahrzeug 10 mit einer solchen Auswerteeinheit 7. Hierzu nimmt ein zumindest ein Sensor 3 in mehreren Messzyklen P Messwerte M1 ,... ,MN (P=1 , ... N) auf, die aufeinanderfolgend in einem Vektor V angordnebar sind, wobei der Vektor V einer Auswerteeinheit 7 bereitgestellt wird. Der Vektor V umfasst die aufgenommenen Messwerte M zeitlich aufeinanderfolgend. Zu einem festlegbaren Zeitpunkt tx wird aus den Messwerten M jeweils ein Messpunkt Mx ermittelt. Die Messpunkte bilden eine fluktuierende Funktion F. Die fluktuierende Funktion wird gemittelt und ein Mittelwert <Mx> wird bereitgestellt. Mit anderen Worten wird ein Mittelwert <Mx> der jeweiligen n-ten Messwerten Mx berechnet.
Vorteilhaft wird der jeweilige Messpunkt Mx derart gewählt, dass die jeweiligen Messpunkte eine mehr oder weniger periodische, also fluktuierende Funktion F mit einer Amplitude A und einer Anzahl #ND von Mittelwertdurchgängen ND ergeben. Anhand der Amplitude A und der Anzahl #ND erfolgt eine Erkennung eines Lebewesens Obj, insbesondere ob das Lebewesen Obj ein Erwachsener Erw, ein Haustier HT oder ein Kleinkind KK ist.

Claims

Verfahren zur Erkennung eines Lebewesens, Auswerteeinheit und Fahrzeug Patentansprüche
1. Verfahren zur Erkennung eines Lebewesens (Obj) in einem Bereich (1 ), insbesondere einen Erwachsenen (Erw) oder ein Kleinkind (KK) in einem Bereich (1 ), insbesondere in einem Fahrzeug (10), wobei Messwerte (M1 ,... ,MN) von zumindest einem Sensor (3) während eines Messzyklus (m) an eine Auswerteeinheit (7) bereitgestellt werden, wobei die Auswerteeinheit (7) zumindest folgende Schritte ausführt:
- Bildung eines Vektors (V), wobei der Vektor (V) zeitlich angeordnete Messwerte (M1 ,... MN) des zumindest einen Sensors (3) umfasst;
- Bildung einer fluktuierenden Funktion (F) aus Messpunkten (MX), wobei der jeweilig Messpunkt (Mx) ein Messwert (M1 ,... ,MN) zu einer vorgebbaren Zeit (tx) ist,
- Bildung eines Mittelwertes (<Mx>) der fluktuierenden Funktion (F), insbesondere durch Mittelwertbildung der Messpunkte (Mx);
- Bestimmung der Anzahl der Messpunkte (Mx), welche im Wesentlichen dem jeweiligen Mittelwert (<Mx>) entsprechen oder;
- Bestimmung einer Anzahl (#ND) von Mittelwertdurchgänge (ND) einer Differenz der Messpunkte (Mx) und des jeweiligen Mittelwertes (<Mx>) der Messpunkte (Mx);
- Wobei der Anzahl (#ND) der Mittelwertdurchgänge (ND) und/oder der Anzahl der Messpunkte (Mx), die im Wesentlichen dem jeweiligen Mittelwert (<Mx>) entsprechen, zur Feststellung der Art des Lebewesens (Obj) dient.
2. Verfahren nach Anspruch 1 , wobei eine Amplitude (A) der fluktuierenden Funktion (F) zwischen den jeweiligen Mittelwertdurchgängen (ND) bestimmt wird, wobei die Amplitude (A) zur Feststellung der Art des Lebewesens (5) dient.
3. Verfahren nach einem der vorangehenden Ansprüche, wobei die fluktuierende Funktion (F) in einem reduzierten Vektor (Vr) hinterlegbar ist.
4. Verfahren nach einem der vorangehenden Ansprüche, wobei eine Entscheidung über die Art der Lebewesens (Obj) anhand der jeweiligen Anzahl (#ND) der Mittelwertdurchgänge und/oder der Amplitude (A) erfolgt, wobei das Lebewesen (Obj) als Kleinkind (KK) bestimmt wird, sofern die Anzahl der (#ND) der Mittelwertdurchgänge (ND) über eine vorgebbare Anzahl (#ND) beträgt, und insofern die Anzahl (#ND) geringer als die vorgebbare Anzahl (#ND) ist, das Lebewesen als Erwachsener (Erw) bestimmt wird.
5. Verfahren nach einem der vorangehenden Ansprüche, wobei der jeweilige Messwert (M1 ,... , MN) jeweils einen Betrag (B) und jeweils eine Phase (cp) umfasst, wobei der jeweilige Betrag (B) des Messwertes (M1 ,... ,MN) in einer ersten Sektion (S1 ) des Vektors (V) angeordnet sind und die jeweiligen Phasen (cp) in einer zweiten Sektion (S2) des Vektors (V) angeordnet sind.
6. Verfahren nach dem vorangehenden Anspruch, wobei in einem ersten Schritt die Erkennung des Lebewesens (Obj) mit Hilfe der Beträge (B) eines Vektors (V) erfolgt und in einem zweiten Schritt die Erkennung mit Hilfe der Phasen (cp) erfolgt.
7. Verfahren gemäß einem der vorangehenden Ansprüche, wobei das Lebewesen (Obj) als Kleinkindes (KK) erkannt wird, falls:
- eine vorgebbare Anzahl von Amplituden (A) unterhalb einer vorgebbaren Amplitude (A*) bleibt und/oder - die Anzahl (#ND) der Mittelwertdurchgänge (ND) höher als eine vorgebbare Anzahl ist.
8. Verfahren nach einem der vorangehenden Ansprüche, wobei der Vektor (V) sowie die fluktuierende Funktion (F) einem neuronalen Netz (NN) bereitgestellt werden, wobei das neuronale Netz (NN) auf Grundlage der fluktuierenden Funktion (F) und dem Vektor (V) das Lebewesen (5) erkennt und eine Entscheidung trifft, ob das Lebewesen (Obj) ein Kleinkind (KK), ein Haustier (HT) oder ein Erwachsener (Erw) ist.
9. Auswerteeinheit (7), aufweisend zumindest eine Schnittstelle für zumindest einen Sensor (3), wobei die Auswerteeinheit (7) eine Verfahrenseinheit (7a) sowie optional ein neuronales Netz (NN) umfasst, wobei die Auswerteeinheit (7) zur Durchführung eines Verfahrens nach einem der vorangehenden Ansprüche ausgebildet ist.
10. Auswerteeinheit mach dem vorangehenden Anspruch, wobei der Sensor (3) ein Ultra-Wide-Band-Sensor ist.
11 . Fahrzeug (10), umfassend eine Auswerteeinheit (7) nach einem der Ansprüche 9 oder 10, sowie zumindest einen Sensor (3) zur Überwachung des Bereiches (1 ).
EP24709041.8A 2023-03-06 2024-03-01 Verfahren zur erkennung eines lebewesens, auswerteeinheit und fahrzeug Pending EP4677393A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023105451 2023-03-06
PCT/EP2024/055469 WO2024184262A1 (de) 2023-03-06 2024-03-01 Verfahren zur erkennung eines lebewesens, auswerteeinheit und fahrzeug

Publications (1)

Publication Number Publication Date
EP4677393A1 true EP4677393A1 (de) 2026-01-14

Family

ID=90361458

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24709041.8A Pending EP4677393A1 (de) 2023-03-06 2024-03-01 Verfahren zur erkennung eines lebewesens, auswerteeinheit und fahrzeug

Country Status (4)

Country Link
US (1) US20250383437A1 (de)
EP (1) EP4677393A1 (de)
CN (1) CN120826625A (de)
WO (1) WO2024184262A1 (de)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6828813B2 (ja) * 2017-05-30 2021-02-10 株式会社ソシオネクスト 情報処理装置、及び検出装置
EP3821271B1 (de) * 2018-07-13 2024-08-28 Carrier Corporation System und verfahren zur anwesenheitsdetektion unter verwendung eines fmcw-radars
KR102692323B1 (ko) * 2019-05-10 2024-08-08 현대자동차주식회사 차량 및 이의 생명 보호 조치 방법

Also Published As

Publication number Publication date
WO2024184262A1 (de) 2024-09-12
CN120826625A (zh) 2025-10-21
US20250383437A1 (en) 2025-12-18

Similar Documents

Publication Publication Date Title
EP1475764B1 (de) Verfahren und Vorrichtung zur Ermittlung der Wahrscheinlichkeit für eine Kollision eines Fahrzeugs mit einem Gegenstand
EP1531342B1 (de) Verfahren zur Erkennung von Fussgängern
DE10252227A1 (de) Verfahren zur Ansteuerung von Rückhaltemitteln
EP1298454A2 (de) Verfahren zur Erkennung und Verfolgung von Objekten
DE102008042342A1 (de) Verfahren und Steuergerät zur Beurteilung der Aufmerksamkeit eines Fahrers
EP3393875B1 (de) Verfahren zum verbesserten erkennen von objekten durch ein fahrerassistenzsystem
EP4479768A1 (de) Verfahren und system zum erkennen eines sitzbelegungszustands einer sitzanordnung auf basis von radarpunktwolken
DE102019216017A1 (de) Verfahren und Vorrichtung zur Verarbeitung einer Doppler-Range-Matrix und Radarsystem
DE102008046488A1 (de) Probabilistische Auslösestrategie
DE102017220910A1 (de) Verfahren und Vorrichtung zum Erkennen einer Kollision eines Fahrzeugs
DE102018220941A1 (de) Auswertung von Messgrößen mit KI-Modulen unter Berücksichtigung von Messunsicherheiten
EP4289661B1 (de) Verfahren und system zum erkennen eines sitzbelegungszustands einer sitzanordnung auf basis von radarpunktwolken
DE102022200729A1 (de) Verfahren zum Ermitteln eines aktuellen Steuermodus eines Lenkrades
EP2996907B1 (de) Vorrichtung zur ansteuerung von personenschutzmitteln in einem fahrzeug
DE102023104927A1 (de) Verfahren und Vorrichtung zur Erkennung einer Anomalie im Verhalten eines dynamischen Systems
WO2020038535A1 (de) Verfahren zur bestimmung von unfallrelevanten parametern mittels eines radarsystems eines fahrzeugs
DE102008062273A1 (de) Verfahren zum Bereitstellen von Informationen über Objekte in einer Umgebung eines Kraftfahrzeugs, Verfahren zum Steuern sicherheitsrelevanter Fahrzeugssysteme und Steuerungsvorrichtung
EP4677393A1 (de) Verfahren zur erkennung eines lebewesens, auswerteeinheit und fahrzeug
DE102021103903B3 (de) Verfahren zum Betrieb eines Radarsensorsystems
DE102020107293A1 (de) Verfahren zum Überwachen eines Schwenkbereichs einer Tür während eines Schwenkvorgangs, Computerprogrammprodukt, computerlesbares Speichermedium sowie Schwenkbereichsüberwachungssystem
DE102019123827A1 (de) Verfahren zum Klassifizieren des Bodenbelags durch ein Fahrunterstützungssystem
DE102019218050A1 (de) Vorrichtung zur Ermittlung einer Bewusstlosigkeit eines Fahrzeuginsassen in einem Fahrzeug
EP2093093A2 (de) Verfahren und Vorrichtung zur Erkennung fehlender Fahreraktivität am Lenkrad
DE102019128023A1 (de) Verfahren zum Klassifizieren der Höhe eines Objekts durch ein Fahrunterstützungssystem
DE102022210990A1 (de) Verfahren und Vorrichtung zum Bereitstellen von Trainingsdaten zum Trainieren eines datenbasierten Objektklassifikationsmodells für ein Ultraschallsensorsystem

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250916

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR