JP2022040099A - 機械学習によるレーダデータの増加及び処理 - Google Patents

Abstract

【課題】ソースコンフィギュレーションのレーダデータをターゲットコンフィギュレーションのレーダデータに変換するための方法【解決手段】グリッドセル３２ａのソースアレイ３２をソース反射位置３１の座標に対して提供するステップ１１０と、総てのソース反射位置３１からグリッドセル３２ａ内にソース反射位置３１が位置する確率／頻度３２ｂを割り当てるステップ１２０と、ソースアレイ３２を含むソーステンソル３３を形成するステップ１３０と、ソーステンソル３３をターゲットテンソル５３に変換するステップ１４０であって、ターゲットアレイ５２は、各グリッドセル５２ａに対してシーンの観察時に得られるターゲット反射位置５１が位置する確率／頻度５２ｂを示すステップ１４０と、ターゲットアレイ５２における確率／頻度５２ｂに基づきターゲット反射位置５１の座標をサンプリングしてターゲットレーダデータ５が発生するステップ１５０とを含む。【選択図】図１

Description

本発明は、既に存在するレーダデータから実際のレーダデータを生成すること、及び、概して、機械学習によるレーダデータの処理に関する。

従来技術
車両を、少なくとも部分的に自動的に、道路交通において走行させることを可能にするために、車両の周辺環境において対象物と衝突する危険がある場合、車両の周辺環境を検出して、対抗措置を講じることが必要である。周辺環境の描写及び位置特定も、安全な自動走行にとって必要である。

レーダによる対象物の検出は、光の状況とは無関係に、例えば夜間に、比較的離隔していても行うことが可能であり、この際に、対向交通がハイビームによって幻惑されることがない。さらに、レーダデータから直接的に、対象物までの距離及び対象物の速度が明らかになる。このような情報は、対象物との衝突が発生し得るか否かを判断するために重要である。しかし、対象物がどのようなタイプのものであるのかは、レーダ信号から直接的には識別されない。このような識別は、今日、デジタル信号処理による属性の算出によって行われる。

独国特許発明第１０２０１８２０４４９４号明細書

トレーニング済みの機械学習モデル、例えばニューラルネットワークは、ここで、特に対象物識別にとって重要な役割を果たす。このようなモデルをトレーニングするために、トレーニングデータが必要である。多くの場合、トレーニングデータは、テスト走行において記録され、その後、トレーニングデータによって、観察された各シーンに実際に含まれる対象物に注釈が付けられる（「ラベル付けがされる」）。このラベル付けは、多くの手作業を必要とし、相応の費用がかかる。独国特許発明第１０２０１８２０４４９４号明細書は、ジェネレータを開示しており、ジェネレータによって、トレーニングデータの所与のストックを拡張して、合成レーダデータを含めることができる。

発明の開示
本発明の範囲において、ソースレーダデータをターゲットレーダデータに変換するための方法が開発された。ソースレーダデータは、レーダシステムのソースコンフィギュレーションによるシーンの観察によって得られたレーダデータである。ターゲットレーダデータは、レーダシステムのターゲットコンフィギュレーションによる同様のシーンの観察時に予期されるレーダデータである。レーダシステムのソースコンフィギュレーションも、ターゲットコンフィギュレーションも、それぞれ、レーダビームの少なくとも１つの送信側と受信側とを含み、付加的に、さらなるパラメータによって、例えば、送信側及び／又は受信側の設定によって、特徴付けられ得る。

この際に、ソースコンフィギュレーションは、ターゲットコンフィギュレーションと同一であるものとしてよい。このような場合には、レーダシステムのコンフィギュレーションに対するレーダデータの所与のストックを拡張して、実際の合成レーダデータを含めることができ、これは、例えば、冒頭において述べたジェネレータによって実行することが可能である。

しかし、本発明に係る方法においては、レーダシステムのソースコンフィギュレーションによって記録されたソースレーダデータを起点として、ターゲットレーダデータを得ることもできる。ターゲットレーダデータは、同等の又は相違するレーダシステムの全く異なるターゲットコンフィギュレーションによる同様のシーンの観察時に実際に予期されるものである。このようにして、既にラベル付けもされている可能性のあるレーダデータの同一の所与のストックが、例えば、対象物識別のためのトレーニングデータとして、レーダシステムの任意の新たなターゲットコンフィギュレーションによって再使用される。これによって、さらなるレーダデータの物理的な記録にかかる多大なコストが節約される。レーダシステムが車両に積載されている場合には、特に、例えば、さらなるテスト走行を実行するための付加的なコストを格段に低減することができる。

例えば、既に極めて多くのテスト走行が、車両の特定の箇所に取り付けられたレーダセンサによって実行される時点においては、このレーダセンサが将来的に車両の他の箇所に取り付けられるべきかを判断することができる。これによって、レーダセンサの記録特徴が変化する。特に、観察可能な視野及び視点が変化する。これまでのところ、先行するテスト走行において記録されたレーダデータを、センサの新たな位置から記録されたレーダデータに基づいて対象物識別又は他の評価をトレーニングするために使用することはできず、トレーニングデータの記録を再び最初から開始しなければならない。

これまでのところ、他の製造業者の車両内にレーダセンサを組み込むことも、事前にトレーニング目的で記録されてきたレーダデータが利用不可能になるという結果をもたらしてしまう。レーダセンサは、総てのエンドカスタマに視覚的に良い印象を与えるわけではないので、多くの場合、車両製造業者のエンブレムの後ろに構築される。このようなエンブレムを通過する際に、レーダビームは影響を受け、製造業者のエンブレムが他の製造業者のエンブレムと交換される場合には、このような影響が変化する。従って、第１のエンブレムの後方において記録されたレーダデータは、第２のエンブレムの後方において記録されたレーダデータと、限定的にしか比較することができなかった。本発明に係る方法によって、このような信号変化を人工的に生成することができ、第１のエンブレムの後方において記録されたトレーニングデータのストックを、第１のエンブレムが第２のエンブレムと交換された後においても再使用することができる。

全般的に、ソースレーダデータ又はターゲットレーダデータは、少なくとも、ソース反射位置又はターゲット反射位置の位置座標を含む。ソース反射位置又はターゲット反射位置から、反射されたレーダビームがレーダシステムに入射する。この方法の範囲においては、最初に、グリッドセルの２次元以上の次元のソースアレイがソース反射位置の位置座標に対して提供される。総てのソース反射位置の位置座標から、各グリッドセルに対して、このグリッドセル内に１つ又は複数のソース反射位置が位置する確率及び／又は頻度が求められ、各グリッドセルに割り当てられる。少なくとも、この確率及び／又は頻度によって占有されたソースアレイを含むソーステンソルが形成される。

このために、例えば、ソース反射位置を中心に所定の半径を有する円又は球に、１の占有確率を割り当てることができる。次に、円の面積又は球の体積が分配されるソースアレイの総てのグリッドセルに、面積の比率又は体積の比率に応じて、このような占有確率を分配することができる。

レーダビームによる観察の特別な物性が、レーダデータの不確実性をもたらすことが判明している。例えば、カメラ又はライダーによる光学的な観察は、結像されるべき構造体と比較して極めて短波のビームを使用するので、極めて鮮明な画像を提供する。これと比較して、レーダビームは、格段に長波であるので、ビームの波動特性が顕著に現れ、測定された反射は、主に確率論的性質を有する。

具体的には、これは、レーダ反射が、
・時間の経過と共に変動する、即ち、連続する個々の測定において現れ、その後、再び消滅し、
・空間的に変動する、即ち、そこからレーダビームが発生するように見える位置の位置座標が変動し、変化する。

従って、周辺環境の実際の画像は、レーダ測定から、ひいては典型的には、多数のレーダ測定を介してのみ、個々の測定の平均値及び／又は重畳として得ることができる。

このような不確実性は、ソーステンソルにおいて大部分が抑制される。なぜなら、このようなソーステンソルは、レーダデータの確率分布を特徴付けるパラメータを含むからである。従って、ソーステンソルは、実質的に、同様に空間的にのみ変化する、時間に関連しない伝達関数による、観察されたシーンからの空間的な情報の処理の結果を含む。

ソーステンソルは、ここで、ターゲット反射位置の位置座標に対して、グリッドセルの少なくとも１つのターゲットアレイを含むターゲットテンソルに変換される。このようなターゲットアレイは、各グリッドセルに対して、この各グリッドセル内に、ターゲットコンフィギュレーションによるシーンの観察時に得られるターゲット反射位置が位置する確率及び／又は頻度を示す。ターゲットアレイにおけるこの確率及び／又は頻度に基づいて、ターゲット反射位置の位置座標がサンプリングされ、ターゲットレーダデータが発生する。

コンフィギュレーションが１つだけ使用され、このコンフィギュレーションに対して存在するレーダデータのストックが拡張される、冒頭に挙げた簡単なケースにおいては、ソースコンフィギュレーションは、ターゲットコンフィギュレーションと同一であり、ソーステンソルは、ターゲットテンソルと同一のものとして引き継がれる。この場合には、厳密に、元来のレーダデータに基づいて求められた確率分布から、新たなサンプルが得られる。

これに対して、ソースコンフィギュレーションとターゲットコンフィギュレーションとが同一でない場合には、求められるターゲット反射位置は、同様に、空間的であり、時間に関連しない伝達関数を介してターゲットテンソルと関連する。ソーステンソルとターゲットテンソルとの間の関係は、この場合には、ソースコンフィギュレーションとターゲットコンフィギュレーションとの間の差によって理由付けされ、同様に時間に関連する。それにもかかわらず、通常、このような関係には、統一された定義付けは、存在しない。しかし、ソーステンソルからターゲットテンソルへの経路は、機械学習に公開される。即ち、ソーステンソルを、トレーニング済みの機械学習モデルによって、ターゲットテンソルへと変換することができる。機械学習モデルは、同様に、ソースコンフィギュレーションに関連するレーダデータ及びターゲットコンフィギュレーションに関連するレーダデータによってトレーニングされる。

ここで、このようなトレーニングに必要なトレーニングデータの量は、特定のアプリケーションにおいて、通常、ターゲットレーダデータに変換すべきソースレーダデータの量に比較して少ない。即ち、このような量のソースレーダデータが提供され、少なくとも同等の量のターゲットレーダデータが必要とされる場合には、トレーニングデータを調達し、かつ、ソーステンソルをターゲットテンソルに変換し、従って、最終的にソースレーダデータからターゲットレーダデータへ導く、その後の機械学習モデルのトレーニングにかかるコストは、求められるターゲットレーダデータの直接的な測定技術による調達にかかるコストよりも格段に少ない。さらに、ソースコンフィギュレーションからターゲットコンフィギュレーションへのさらなるレーダデータの変換にも、機械学習モデルを、何度も使用することができる。

上述したように、ソースコンフィギュレーションとターゲットコンフィギュレーションとは、特に、例えば、少なくとも以下の点に関して異なるものとしてよい。即ち、
・２つのコンフィギュレーションは、異なるレーダセンサを含む、及び／又は、
・これらのレーダセンサは、２つのコンフィギュレーションにおいて、空間的に異なって配置される、及び／又は、
・２つのコンフィギュレーションにおいて、レーダビームは、少なくとも１つのレーダセンサと観察されるシーンとの間に配置される材料によって異なる態様で影響される。

従って、ここで提示された方法は、コンフィギュレーションのこのような交換が、この交換の前に既に取得されていたレーダデータのストックを「無効」にしないという作用を有する。その代わりに、このような交換に対して特別にトレーニングされた機械学習モデルが調達されるものとするとよく、又は、このようなモデルがトレーニングされるものとするとよい。

これは逆に、事前に取得されていたレーダデータの「無効化」が、コンフィギュレーションの目指される交換に対する重要な論拠ではなくなったことを意味する。例えば、車両用の新たなレーダセンサが、これまで使用されていたレーダセンサと比較して格段に良い質のレーダデータを提供することが明らかな場合に、それにもかかわらず、古いレーダセンサを用いて、これまで実行されてきた総てのテスト走行を繰り返すことは、このような切り替えに対する高い代償になる可能性があり、総てを考慮に入れると、切り替えは経済的ではなくなる。このような代償が著しく低減される場合には、これは、切り替えを阻害するものではない。

特に有利な構成においては、機械学習モデルは、エンコーダとデコーダとを備えるエンコーダ・デコーダ装置を含み、エンコーダは、ソーステンソルを、次元が低減された表現に写し取り、デコーダは、このような表現をターゲットテンソルに写し取る。このような装置は、次のようにトレーニングされる。即ち、エンコーダが、この表現へのソーステンソルの圧縮時に、実質的に、ソースコンフィギュレーションの詳細を省略し、明示的に定式化された条件では捉え難い、観察されたシーンに関する極めて重要な情報を得るようにトレーニングされる。デコーダは逆に、圧縮された表現にターゲットコンフィギュレーションの詳細を付加し、このようにしてターゲットテンソルを生成する。

他の特に有利な構成においては、機械学習モデルは、敵対的生成ネットワークＧＡＮのジェネレータを含む。このようなジェネレータは、ソースコンフィギュレーションに関するソーステンソルからターゲットテンソルを生成するようにトレーニングされる。このターゲットテンソルは、実際に測定されたターゲットレーダデータから、ソースレーダデータからソーステンソルが生成されるのと同様に生成されたターゲットテンソルとは区別されず又は区別することが困難である。このようなトレーニングは、弁別器と連携して実行可能であり、この弁別器は、ソーステンソルから生成されたターゲットテンソルを、実際に測定されたターゲットレーダデータから生成されたターゲットテンソルと区別するようにトレーニングされる。ジェネレータと弁別器とは、共にＧＡＮを形成する。これがＣｙｃｌｅＧＡＮである場合には、次のような場合にも、トレーニングが行われる。即ち、ソースコンフィギュレーションによって測定された多くのソースレーダデータ及びターゲットコンフィギュレーションによって測定された多くのターゲットレーダデータが提供されるが、同様のシーンに関するソースレーダデータとターゲットレーダデータとの対が提供されない場合においても、トレーニングが行われる。

上述した、ソースレーダデータからのソーステンソルの形成は、レーダシステムのソースコンフィギュレーション又はターゲットレコンフィギュレーションによって実際に測定されたレーダデータと同様に使用可能な新たなレーダデータを生成するために適するだけではない。むしろ、ソースレーダデータをソーステンソルにおける確率及び／又は頻度の分布として表すことは、一般的に、ソースレーダデータの評価、例えば、対象物識別又はクラスへの他の割当てを、レーダ反射の確率論的変動からシールドするために有利である。

従って、本発明は、レーダシステムのソースコンフィギュレーションによるシーンの観察によって得られたソースレーダデータをニューラルネットワークによって処理するための方法にも関する。ソースレーダデータは、少なくとも、ソース反射位置の位置座標を含み、反射されたレーダビームは、ソース反射位置からレーダシステムへ入射する。

この方法においては、ソース反射位置の位置座標に対するグリッドセルの２次元以上の次元のソースアレイが提供される。総てのソース反射位置の位置座標から、各グリッドセルに対して、このグリッドセル内に１つ又は複数のソース反射位置が位置する確率及び／又は頻度が求められ、各グリッドセルに割り当てられる。少なくとも、この確率及び／又は頻度によって占有されたソースアレイを含むソーステンソルが形成される。このようなソーステンソルが、ニューラルネットワークに供給される。

このようにして、ソースレーダデータに伴う不確実性が、ニューラルネットワークによって提供される結果に影響を与えることがなくなる。従って、全体的なシステムがより確実になる。この全体的なシステムは、最初にソースレーダデータを記録し、このソースレーダデータを処理して結果にし、この結果に基づいて、例えば、車両を駆動制御する。

例えば、ソーステンソルを、ニューラルネットワークによって、所定のクラス分けの１つ又は複数のクラスに写し取ることができる。このようなクラスは、例えば、その存在がソースレーダデータを示す対象物を表す。しかし、これらのクラスが、例えば、交通状況を表すものとしてもよく、このような交通状況には、車両が存在しており、この車両から、ソースレーダデータが検出される。

これによって、特に、例えば、ニューラルネットワークによって供給されたアウトプットから、車両用の駆動制御信号を形成することができ、車両をこのような駆動制御信号によって駆動制御することができる。

ソーステンソルから最終的に、新たな実際のターゲットレーダデータ又は他の処理結果が生成されるか否かに拘わらず、ソーステンソル及び場合によりターゲットテンソルは、それぞれ割当てを含み得、この割当ては、ソースレーダデータ又はターゲットレーダデータから導出可能な少なくとも１つの他の付加的なパラメータの、ソースアレイ又はターゲットアレイのグリッドセルへの割当てである。

これらの付加的なパラメータは、特に、例えば、
・ソースレーダシステムとソース反射位置との間若しくはターゲットレーダシステムとターゲット反射位置との間の間隔、及び／又は、
・レーダビームがソースレーダシステム若しくはターゲットレーダシステムに入射する角度、及び／又は、
・レーダビームが反射された対象物の速度、及び／又は、
・レーダビームが反射された対象物の、所定のクラス分けの１つ又は複数のクラスへの属性、及び／又は、
・反射されたレーダビームの信号強度
を含み得る。

ソーステンソルから直接的に、ニューラルネットワークによって、処理結果が求められる場合には、付加的なパラメータの値を、例えば、対象物の識別時の曖昧さを解消するために使用することができる。例えば、付加的なパラメータの１つが、特定のソースレーダ反射が属する対象物が、自主的に、特定の速度において移動していることを示す場合、このような対象物は、交通標識又は同様の固定的に取り付けられている対象物ではあり得ない。

ソーステンソルからターゲットテンソルが求められ、ターゲットテンソルから同様にターゲットレーダデータが求められる場合には、ターゲットアレイへのソースアレイの変換と共に、グリッドセルへの付加的なパラメータの値の割当てが、ソースコンフィギュレーションからターゲットコンフィギュレーションへの変化時にどのように変化するかも学習され得る。

例えば、ターゲットコンフィギュレーションにおけるレーダセンサが、ソースコンフィギュレーションにおけるのとは異なる視点からシーンを観察する場合、ターゲットレーダデータは、ソースレーダデータとは異なる、対象物の速度成分に対する情報を供給する。例えば、ターゲットコンフィギュレーションにおけるレーダセンサがターゲット反射位置を見る角度も、ソースコンフィギュレーションにおけるレーダセンサがソース反射位置を見る角度に対して変更される。

これは、特に、例えば、次のことによって写し取られる。即ち、特に有利な構成において、具体的なターゲット反射位置のサンプリングに寄与した、ターゲットアレイの１つ又は複数のグリッドセルに対する付加的なパラメータの１つ又は複数の値から、付加的なパラメータの新たな値が形成されて、ターゲットレーダデータにおいてターゲット反射位置に割り当てることによって写し取られる。

全般的に、ソーステンソルにおける付加的なパラメータとのソースアレイの一括化は、もともと画像を処理するために設計された機械学習モデルの再使用を容易にする。いくつかのカラーチャネルを有する画像は、同様に、ソーステンソルに対して極めて類似の設計を有するテンソルとして表される。

この方法は、特に、完全に又は部分的にコンピュータ実装されるものとしてよい。従って、本発明は、機械可読命令を備えるコンピュータプログラムにも関しており、機械可読命令が１つ又は複数のコンピュータ上において実行されるときに、機械可読命令は、１つ又は複数のコンピュータに、記載された方法の１つを実施させる。このような意味においては、同様に機械可読命令を実行し得る車両用の制御装置及び技術的な装置用の組込みシステムも、コンピュータとしてみなされる。

同様に、本発明は、このようなコンピュータプログラムを備える機械可読データ担体及び／又はダウンロード製品にも関する。ダウンロード製品は、データネットワークを介して伝送可能な、即ち、データネットワークのユーザがダウンロードし得るデジタル製品であり、これは、例えば、オンラインショップにおいて直ちにダウンロード可能であるように販売され得るものである。

さらに、コンピュータに、コンピュータプログラム、機械可読データ担体又はダウンロード製品が装備されるものとしてよい。

本発明を改良するための他の措置を、以下において、本発明の有利な実施例の説明と共に、図面に基づいて詳細に示す。

ターゲットレーダデータ５へソースレーダデータ３を変換するための方法１００の実施例である。 車両５０が、レーダシステムの異なるコンフィギュレーション２、４によって観察される例示的な状況である。 ニューラルネットワーク７によってソースレーダデータ３を処理するための方法２００の実施例である。

実施例
図１は、ソースレーダデータ３からターゲットレーダデータ５へ変換するための方法１００の実施例の概略的なフローチャートである。ソースレーダデータ３は、レーダシステムのソースコンフィギュレーション２によるシーン１の観察によって得られたものである。ターゲットレーダデータ５は、レーダシステムのターゲットコンフィギュレーション４による同様のシーン１の観察時に予期されるレーダデータである。

ソースレーダデータ３は、少なくとも、反射されたレーダビームが、そこからレーダシステムに入射するソース反射位置３１の位置座標を含む。ステップ１１０において、このような位置座標に対するグリッドセル３２ａの２次元以上の次元のソースアレイ３２が提供される。ステップ１２０において、総てのソース反射位置３１の位置座標から、各グリッドセル３２ａに対して、このグリッドセル３２ａ内に１つ又は複数のソース反射位置３１が位置する確率及び／又は頻度３２ｂが求められ、各グリッドセル３２ａに割り当てられる。

このために、例えば、ブロック１２１においては、ソース反射位置３１を中心に所定の半径を有する円又は球に、１の占有確率を割り当てることができる。次に、ブロック１２２においては、円の面積又は球の体積が分配されるソースアレイ３２の総てのグリッドセル３２ａに、面積の比率又は体積の比率に応じて、このような占有確率を分配することができる。

ステップ１３０において、少なくとも、確率及び／又は頻度３２ｂによって占有されたソースアレイ３２を含むソーステンソル３３が形成される。ソーステンソル３３は、その他に、例えば、さらに、ソースアレイ３２のグリッドセル３２ａにそれぞれ割り当てられる付加的なパラメータ８の値を含み得る。

ソーステンソル３３は、ステップ１４０において、ターゲットテンソル５３に変換される。ターゲットテンソル５３は、少なくとも、ターゲット反射位置５１の位置座標に対するグリッドセル５２ａのターゲットアレイ５２を含む。このようなターゲットアレイ５２は、各グリッドセル５２ａに対して、この各グリッドセル５２ａ内に、ターゲットコンフィギュレーション４によるシーン１の観察時に得られるターゲット反射位置５１が位置する確率及び／又は頻度５２ｂを示す。

ソースコンフィギュレーション２がターゲットコンフィギュレーション４と同一である場合には、このために、例えば、ブロック１４１において、ソーステンソル３３を、ターゲットテンソル５３と同一のものとして引き継ぐことができる。

これに対して、ターゲットコンフィギュレーション４がソースコンフィギュレーション２と異なる場合には、ソーステンソル３３を、例えば、ブロック１４２において、トレーニング済みの機械学習モデル６によって、ターゲットテンソル５３に変換することができる。

ステップ１５０において、ターゲットアレイ５２における確率及び／又は頻度５２ｂに基づいて、ターゲット反射位置５１の位置座標がサンプリングされ、ターゲットレーダデータ５が発生する。この際に、特に、ブロック１５１において、具体的なターゲット反射位置５１のサンプリングに奇与したターゲットアレイ５２の１つ又は複数のグリッドセル５２ａに対する付加的なパラメータ８の１つ又は複数の値から、付加的なパラメータ８の新たな値８’が形成される。このような新たな値８’は、次に、ブロック１５２において、ターゲット反射位置５１に割り当てられるものとしてよい。

図２は、レーダシステムのソースコンフィギュレーション２によって得られたシーン１のソースレーダデータ３が、同一の又は他のレーダシステムのターゲットコンフィギュレーション４によって同様のシーン１により得られたターゲットレーダデータ５と区別される方法及び理由を概略的に示している。

図２に示された例において、シーン１は、車両５０を示している。送信側２ａ及び受信側２ｂを含むソースコンフィギュレーション２によって、レーダ反射がソース反射位置３１において記録される。見易くするために、これらのうちの３つのみが図２に示されている。これに対して、送信側４ａ及び受信側４ｂを他の空間的な位置に含むターゲットコンフィギュレーション４によって、レーダ反射がターゲット反射位置５１において記録される。見易くするために、これらのうちの３つのみが図２に示されている。

図３は、ソースレーダデータ３を処理するための方法２００の実施例の概略的なフローチャートである。この方法は、最初は、上述した方法１００と同様に開始する。

上述した方法１００におけるように、ソースレーダデータ３は、少なくとも、反射されたレーダビームがそこからレーダシステムに入射するソース反射位置３１の位置座標を含む。ステップ２１０において、このような位置座標に対するグリッドセル３２ａの２次元以上の次元のソースアレイ３２が提供される。ステップ２２０において、総てのソース反射位置３１の位置座標から、各グリッドセル３２ａに対して、このグリッドセル３２ａ内に１つ又は複数のソース反射位置３１が位置する確率及び／又は頻度３２ｂが求められ、各グリッドセル３２ａに割り当てられる。

このために、例えば、ブロック２２１においては、ソース反射位置３１を中心に所定の半径を有する円又は球に、１の占有確率を割り当てることができる。次に、ブロック２２２においては、円の面積又は球の体積が分配されるソースアレイ３２の総てのグリッドセル３２ａに、面積の比率又は体積の比率に応じて、このような占有確率を分配することができる。

ステップ２３０において、少なくとも、確率及び／又は頻度３２ｂによって占有されたソースアレイ３２を含むソーステンソル３３が形成される。ソーステンソル３３は、その他に、例えば、さらに、ソースアレイ３２のグリッドセル３２ａにそれぞれ割り当てられる付加的なパラメータ８の値を含み得る。

ソーステンソル３３は、ステップ２４０において、ニューラルネットワーク７に供給され、このニューラルネットワーク７によってアウトプット２４０ａへと処理される。この際に、ソーステンソル３３を、特に、例えば、所定のクラス分けの１つ又は複数のクラスへ写し取ることができる。

図３に示された例においては、ステップ２５０において、アウトプット２４０ａから、車両５０用の駆動制御信号２５０ａが形成され、ステップ２６０において、車両５０は、この駆動制御信号２５０ａによって駆動制御される。

Claims (16)

1. ソースレーダデータ（３）をターゲットレーダデータ（５）に変換するための方法（１００）であって、前記ソースレーダデータ（３）は、レーダシステムのソースコンフィギュレーション（２）によるシーン（１）の観察によって得られたレーダデータであり、前記ターゲットレーダデータ（５）は、レーダシステムのターゲットコンフィギュレーション（４）による同様の前記シーン（１）の観察時に予期されるレーダデータであり、前記ソースレーダデータ（３）又は前記ターゲットレーダデータ（５）は、少なくとも、ソース反射位置（３１）又はターゲット反射位置（５１）の位置座標を含み、前記ソース反射位置（３１）又は前記ターゲット反射位置（５１）から、反射されたレーダビームが前記レーダシステムに入射する、方法（１００）において、
   ・グリッドセル（３２ａ）の２次元以上の次元のソースアレイ（３２）を前記ソース反射位置（３１）の前記位置座標に対して提供するステップ（１１０）と、
   ・総てのソース反射位置（３１）の前記位置座標から、各グリッドセル（３２ａ）に対して、前記グリッドセル（３２ａ）内に１つ又は複数のソース反射位置（３１）が位置する確率及び／又は頻度（３２ｂ）を求め、前記各グリッドセル（３２ａ）に割り当てるステップ（１２０）と、
   ・少なくとも、確率及び／又は頻度（３２ｂ）によって占有された前記ソースアレイ（３２）を含むソーステンソル（３３）を形成するステップ（１３０）と、
   ・前記ソーステンソル（３３）を、前記ターゲット反射位置（５１）の前記位置座標に対してグリッドセル（５２ａ）の少なくとも１つのターゲットアレイ（５２）を含むターゲットテンソル（５３）に変換するステップ（１４０）であって、前記ターゲットアレイ（５２）は、各グリッドセル（５２ａ）に対して、前記各グリッドセル（５２ａ）内に、前記ターゲットコンフィギュレーション（４）による前記シーン（１）の観察時に得られるターゲット反射位置（５１）が位置する確率及び／又は頻度（５２ｂ）を示す、ステップ（１４０）と、
   ・前記ターゲットアレイ（５２）における前記確率及び／又は頻度（５２ｂ）に基づいて、ターゲット反射位置（５１）の位置座標をサンプリングするステップ（１５０）であって、これによって前記ターゲットレーダデータ（５）が発生する、ステップ（１５０）と、
   を含む方法（１００）。
2. 前記ソースコンフィギュレーション（２）は、前記ターゲットコンフィギュレーション（４）と同一であり、前記ソーステンソル（３３）を前記ターゲットテンソル（５３）と同一のものとして引き継ぐ（１４１）、請求項１に記載の方法（１００）。
3. 前記ソースコンフィギュレーション（２）は、前記ターゲットコンフィギュレーション（４）と異なり、前記ソーステンソル（３３）を、トレーニング済みの機械学習モデル（６）によって、前記ターゲットテンソル（５３）に変換する（１４２）、請求項１に記載の方法（１００）。
4. 前記ソースコンフィギュレーション（２）と前記ターゲットコンフィギュレーション（４）とは、少なくとも、以下の点に関して異なる、即ち、
   ・２つのコンフィギュレーション（２，４）は、異なるレーダセンサを含む、及び／又は、
   ・前記レーダセンサは、２つのコンフィギュレーション（２，４）において、空間的に異なるように配置される、及び／又は、
   ・２つのコンフィギュレーション（２，４）において、前記レーダビームは、少なくとも１つのレーダセンサと観察される前記シーン（１）との間に配置される材料によって異なる態様で影響される、
   請求項３に記載の方法（１００）。
5. 前記機械学習モデル（６）は、エンコーダとデコーダとを備えるエンコーダ・デコーダ装置を含み、前記エンコーダは、前記ソーステンソル（３３）を、次元が低減された表現に写し取り、前記デコーダは、前記表現を前記ターゲットテンソル（５３）に写し取る、請求項３又は４に記載の方法（１００）。
6. 前記機械学習モデルは、敵対的生成ネットワークＧＡＮのジェネレータを含む、請求項３乃至５のいずれか一項に記載の方法（１００）。
7. ソースレーダデータ（３）をニューラルネットワーク（７）によって処理するための方法（２００）であって、前記ソースレーダデータ（３）は、レーダシステムのソースコンフィギュレーション（２）によるシーン（１）の観察によって得られたレーダデータであり、前記ソースレーダデータ（３）は、少なくとも、ソース反射位置（３１）の位置座標を含み、前記ソース反射位置（３１）から、反射されたレーダビームが前記レーダシステムに入射する、方法（２００）において、
   ・グリッドセル（３２ａ）の２次元以上の次元のソースアレイ（３２）を前記ソース反射位置（３１）の前記位置座標に対して提供するステップ（２１０）と、
   ・総てのソース反射位置（３１）の前記位置座標から、各グリッドセル（３２ａ）に対して、前記グリッドセル（３２ａ）内に１つ又は複数のソース反射位置（３１）が位置する確率及び／又は頻度（３２ｂ）を求め、前記各グリッドセル（３２ａ）に割り当てるステップ（２２０）と、
   ・少なくとも、確率及び／又は頻度（３２ｂ）によって占有された前記ソースアレイ（３２）を含むソーステンソル（３３）を形成するステップ（２３０）と、
   ・前記ソーステンソル（３３）を、前記ニューラルネットワーク（７）に供給するステップ（２４０）と、
   を含む方法（２００）。
8. 前記ソーステンソル（３３）を、前記ニューラルネットワーク（７）によって、所定のクラス分けの１つ又は複数のクラスに写し取る（２４１）、請求項７に記載の方法（２００）。
9. 前記ニューラルネットワーク（７）によって供給されたアウトプット（２４０ａ）から、車両（５０）用の駆動制御信号（２５０ａ）を形成し（２５０）、前記車両（５０）を前記駆動制御信号（２５０ａ）によって駆動制御する（２６０）、請求項７又は８に記載の方法（２００）。
10. 前記ソーステンソル（３３）及び場合により前記ターゲットテンソル（５３）は、それぞれ割当てを含み、前記割当ては、前記ソースレーダデータ（３）又は前記ターゲットレーダデータ（５）から導出可能な少なくとも１つの他の付加的なパラメータ（８）の、前記ソースアレイ（３２）又は前記ターゲットアレイ（５２）の前記グリッドセル（３２ａ，５２ａ）への割当てである、請求項１乃至９のいずれか一項に記載の方法（１００，２００）。
11. 具体的なターゲット反射位置（５１）のサンプリングに寄与した、前記ターゲットアレイ（５２）の１つ又は複数のグリッドセル（５２ａ）に対する前記付加的なパラメータ（８）の１つ又は複数の値から、前記付加的なパラメータ（８）の新たな値（８’）を形成し（１５１）、前記ターゲットレーダデータ（５）において前記ターゲット反射位置（５１）に割り当てる（１５２）、請求項１０に記載の方法（２００）。
12. 前記付加的なパラメータ（８）は、
    ・前記ソースレーダシステムと前記ソース反射位置（３１）との間若しくは前記ターゲットレーダシステムと前記ターゲット反射位置（５１）との間の間隔、及び／又は、
    ・前記レーダビームが前記ソースレーダシステム若しくは前記ターゲットレーダシステムに入射する角度、及び／又は、
    ・前記レーダビームが反射された対象物の速度、及び／又は、
    ・前記レーダビームが反射された対象物の、所定のクラス分けの１つ又は複数のクラスへの属性、及び／又は、
    ・反射された前記レーダビームの信号強度
    を含む、請求項１０又は１１に記載の方法（１００，２００）。
13. 前記ソース反射位置（３１）を中心に所定の半径を有する円又は球に、１の占有確率を割り当て（１２１，２２１）、前記円の面積又は前記球の体積が分配される前記ソースアレイ（３２）の総てのグリッドセル（３２ａ）に、面積の比率又は体積の比率に応じて、前記占有確率を分配する（１２２，２２２）、請求項１乃至１２のいずれか一項に記載の方法（１００，２００）。
14. 機械可読命令を含むコンピュータプログラムであって、
    前記機械可読命令が１つ又は複数のコンピュータ上において実行されるときに、前記機械可読命令は、前記１つ又は複数のコンピュータに、請求項１乃至１３のいずれか一項に記載の方法（１００，２００）を実施させる、コンピュータプログラム。
15. 請求項１３に記載のコンピュータプログラムを備える機械可読データ担体及び／又はダウンロード製品。
16. 請求項１４に記載のコンピュータプログラム及び／又は請求項１５に記載の機械可読データ担体及び／又はダウンロード製品が装備されるコンピュータ。

Images