WO2021104816A1 - Verfahren zur störungserkennung bei einem radarsystem - Google Patents

Verfahren zur störungserkennung bei einem radarsystem Download PDF

Info

Publication number
WO2021104816A1
WO2021104816A1 PCT/EP2020/080944 EP2020080944W WO2021104816A1 WO 2021104816 A1 WO2021104816 A1 WO 2021104816A1 EP 2020080944 W EP2020080944 W EP 2020080944W WO 2021104816 A1 WO2021104816 A1 WO 2021104816A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
evaluation
detection information
information
radar system
Prior art date
Application number
PCT/EP2020/080944
Other languages
English (en)
French (fr)
Inventor
Tai Fei
Christopher Grimm
Frank GRÜNHAUPT
Ernst Warsitz
Original Assignee
HELLA GmbH & 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 & Co. KGaA filed Critical HELLA GmbH & Co. KGaA
Priority to CN202080081462.4A priority Critical patent/CN114761821A/zh
Publication of WO2021104816A1 publication Critical patent/WO2021104816A1/de
Priority to US17/827,153 priority patent/US20220291329A1/en

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
    • 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
    • G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • the present invention relates to a method for fault detection in a radar system.
  • the invention also relates to a corresponding radar system and a computer program.
  • radar systems are used in vehicles in order to detect the surroundings of the vehicle. It is also known that further parameters of detected objects can be determined by means of signal processing in the radar system, such as e.g. B the distance, the relative speed or the angle of the target in relation to the vehicle, such radar systems are already used today in very many vehicles. Furthermore, it is also possible for individual vehicles to have more than one radar system.
  • the object is achieved in particular by a method for fault detection, in particular interference detection and / or reduction in a radar system of a vehicle.
  • At least one (in particular electromagnetic) received signal from the radar system preferably by a radar sensor and / or by at least one antenna (or alternatively in digitized form by an analog-to-digital converter) of the radar system,
  • Determination of - in particular digital - detection information from the (received) received signal preferably by a demodulator and / or by a down mixer and / or by an analog-digital converter of the radar system, preferably the (possibly previously demodulated and / or down-mixed) Acquisition information is provided by analog-to-digital conversion in digital form for the following steps, in particular by a processing device of the radar system, carrying out an evaluation of the (determined) acquisition information, preferably by at least one neural network and / or by taking into account evaluations that have already been carried out - at previous steps of the method - detection information already determined from received signals (hereinafter referred to as: consideration of previous evaluations),
  • the evaluation can be carried out in such a way that a recurring course and / or a recurring pattern and / or a temporal correlation of the disturbance in the detection information is recognized on the basis of the preceding evaluations.
  • the neural network can thus be able to do this if neurons are linked over time in the sense of feedback loops (as in a recurrent neural network). In this way, time-coded information can be determined in the detection information which is specific for the disturbance and therefore also enables a prognosis of the disturbance.
  • the method according to the invention can be implemented at least partially as a computer-implemented method so that the evaluation and / or the use of the result and / or the determination of the detection information and / or the reception of the received signal are carried out as part of a digital signal processing of the radar system.
  • a processing device of the radar system can be used for this purpose.
  • B. comprises a processor and a memory. It may also be advantageous if only some of the steps are computer implemented or performed by the processing device, and other steps like that “Receiving the received signal” and also partially determining the detection information can be carried out by further dedicated components of the radar system. In this way, if necessary, a significant increase in performance for carrying out the method can be achieved.
  • the disturbance can in particular as an interference and / or as one of another radar system z.
  • the fault detection is used to detect interferences that affect the received signal.
  • Such interference can be caused, for example, by the fact that the radar signals from different radar systems mutually influence and / or interfere with one another.
  • a method according to the invention can accordingly use the result of the evaluation to detect and / or assign interference, in particular interference from other radar systems, in the detection information (e.g. in the form of a time signal and / or radar spectrum and / or spatial distribution of target objects) forecast. This enables a significantly improved evaluation of the detection information.
  • Another advantage within the scope of the invention can be achieved if, as a further step of the method according to the invention, after the acquisition information has been determined, a Fourier transformation of the acquisition information is carried out in order to obtain information about a relative speed and / or a distance from targets in the vicinity of the vehicle (ie Target objects) from the provided detection information.
  • This information can then e.g. B. can be used for object detection.
  • the goals can be z. B. be reflections and / or objects in the environment.
  • provision can be made for the provision of the acquisition information to include demodulation and / or down-conversion and / or an analog-digital conversion of the received signal in order to convert the received signal Obtain detection information as a time signal. This enables reliable detection of the received signal.
  • the at least one neural network or at least one neural network comprises at least one recurrent neural network (RNN), which preferably takes into account the evaluations of previously recorded information.
  • RNN recurrent neural network
  • an output of the neural network can be used as the result of the evaluation. It is possible that this output is determined on the basis of an output of the RNN, e.g. B. after the output of the RNN has been processed by a decoder.
  • the taking into account of evaluations which preceded it in this way makes it possible to determine time-coded information in the detection information in order to provide a prognosis of the malfunction. For this purpose, z.
  • each hidden layer of the RNN which processes the output of a neuron and outputs it again in the subsequent journal.
  • the RNN can be trained to carry out the prognosis of the fault, so that in the current iteration of the method steps the output of the RNN indicates the likely occurrence of the fault in the subsequent or one of the subsequent iterations.
  • the RNN is taught in using training data that will be described in more detail. The learning can take place, for example, by means of backpropagation through time (BPTT).
  • BPTT backpropagation through time
  • a possible variant for learning the prognosis for the neural network or specifically for the RNN can be that the network is learned with training data which is composed of input data (input) and the associated output data (output).
  • the output data can contain the correct output that is expected for the associated input data.
  • the correct output can e.g. B. be the prognosis of a fault in the detection information determined only subsequently, z. B. in the form of an identification and / or segmentation in the current acquisition information.
  • the detection information can be, for example, two-dimensional Image present in which a corresponding segmentation mask can be overlaid by the output.
  • z. B. used as input data is a sequence of information ascertained consecutively in time (e.g. the acquisition information or a sequence of information resulting from further processing of this acquisition information) Et- 2 , En, Et, Et + i .
  • This information is accordingly specific for chronologically successive, ascertained acquisition information.
  • a sequence of identifications (marking or segmentation) A t-2 , An, A t , A t + i of the disturbance in the input data can be used as output data, for example manually created.
  • the identification A t-2 of the acquisition cycle t-2 thus identifies the disturbance in the information E t-2
  • the identification An of the acquisition cycle t-1 identifies the disturbance in the information En, etc.
  • the sequence of the sequences for teaching can be changed. Specifically, the (acquisition) information Et- 2 , En, Et, Et + i used for the input data can be shifted forwards in terms of the sequence in the sequence or the labels At- 2 , An, At, At + i can be shifted backwards.
  • the identification At-x- + i used therein as output data does not correspond to the disturbance in the information E t -x of the current iteration, but already corresponds to the information Et- x + i of the subsequent iteration. Since this identification At-x- + i corresponds to the desired output of the network, the network is trained for the output of a prognosis of the identification At-x- + i from the information Et-x. In this way, the evaluation of previously recorded information can also be made possible.
  • the at least one neural network comprises at least one convolutional neural network (CNN), which preferably receives the detection information as input, and whose output is used as input for the recurrent neural network. This enables z. B.
  • CNN convolutional neural network
  • the CNN z. B. learned with training data, which is composed of input data (input) and the associated output data (output).
  • the output data can contain the correct output that is expected for the associated input data.
  • the input data are e.g. B. the unchanged acquisition information and the output data a reduced (scaled) version of the acquisition information or an identification of the fault. In this way the CNN is trained to provide an optimized input for the RNN as an output.
  • carrying out the evaluation of the acquisition information comprises the following steps: preprocessing the acquisition information of a acquisition cycle, preferably by means of max pooling, in particular in order to reduce the data size of the acquisition information,
  • the use of the result of the evaluation, in particular an output of the neural network includes the following step:
  • Provision of the prognosis by outputting the frequency range in which the disturbance will be present in the future.
  • output data can be used for the training data in which the frequency range for a disturbance was manually entered in the input data.
  • the use of the result of the evaluation, in particular an output from the neural network includes the following step:
  • the result of the evaluation includes a segmentation of the detection information, which indicates the predicted disruption.
  • output data for example, can be used as training data for the network, in which this (predicted) segmentation was carried out manually for the associated input data.
  • the at least one neural network is learned in that the following training steps are provided (and in particular are carried out beforehand): Storage of several acquisition information items ascertained one after the other, in particular a sequence of acquisition information items ascertained one after the other,
  • Training data which are formed from the acquisition information and the output data, in particular ground truth data.
  • the input data can thus be formed from the sequence of the acquisition information.
  • the ground truth data then represent the desired output, which the network should output when the input data is entered.
  • the desired output can therefore specifically include the prognosis of the fault.
  • the provision of the ground truth data comprises the following step:
  • the transmission signal as at least one chirp with a frequency that changes over time within the frequency range is executed. It can be possible that further frequency ranges are provided in which the transmission signal can also be transmitted. Furthermore, it can be provided within the scope of the invention that the determination of the acquisition information is carried out (iteratively) per acquisition cycle, and preferably comprises the following steps in each case:
  • the result of the evaluation includes an indication of a disturbance frequency range in which the disturbance is predicted in a subsequent detection cycle, the use of the result of the evaluation preferably including an automatic and at least partial adaptation of the frequency range.
  • the transmission signals can be transmitted in the frequency range which is at least partially outside the predicted interference frequency range.
  • the at least one frequency range can thus be designed as an at least partially variable frequency range. This enables the interference to be reliably reduced since the interference frequency range is bypassed.
  • the invention also relates to a radar system for the detection of target objects in the surroundings of a vehicle, having a processing device which is adapted so that the processing device carries out the following steps:
  • Providing detection information from a received signal of the radar system e.g. B. by digital reception and / or analog-to-digital conversion of the detection information
  • the radar system according to the invention thus has the same advantages as have been described in detail with reference to a method according to the invention.
  • the radar system can be suitable for carrying out the steps of a method according to the invention.
  • the steps “Receiving at least one received signal from the radar system” and / or “Determining a piece of detection information” can, for. B. be carried out at least partially by a radar sensor of the radar system in order to provide the detection information for the evaluation digitally.
  • These steps carried out by the radar sensor can optionally also include demodulation and / or downward mixing.
  • the further steps - but possibly also demodulation and / or downmixing - can be carried out by the processing device.
  • the processing device can only carry out some of the steps - but optionally also all of the steps - of a method according to the invention.
  • a processing means is provided which, when executed by the processing device, causes the processing device to carry out steps of a method according to the invention.
  • This processing agent is e.g. B. executed as a computer program according to the invention.
  • the processing device has, for example, a processor and / or a memory in which the processing means is stored and can be read out by the processor.
  • the processing device is designed, for example, as a computer and / or control unit of the vehicle and / or the like.
  • the radar system is designed, for example, as a 24 GHz or a 77 GHz radar system.
  • the radar system is designed as a continuous wave radar, in particular as an FMCW (frequency modulated continuous wave radar), which can carry out a distance and / or speed measurement.
  • the vehicle can be a motor vehicle and / or passenger vehicle and / or autonomous vehicle and / or electric vehicle and / or the like.
  • the detection information is used, for example, by a vehicle component, such as an assistance system and / or a control unit of the vehicle, which advantageously provides at least partially autonomous driving and / or automatic parking of the vehicle.
  • the invention also relates to a computer program, preferably a computer program product. It is provided here that the computer program has commands which, when the computer program is executed by a processing device, cause the processing device to at least partially carry out the steps of a method according to the invention and / or specifically carry out the following steps:
  • Providing detection information from a received signal of the radar system e.g. B. by digital reception and / or analog-to-digital conversion of the detection information
  • the computer program according to the invention thus has the same advantages as have been described in detail with reference to a method according to the invention and / or a radar system according to the invention.
  • Figure 1 is a schematic view of a vehicle with a radar system according to the invention and a further vehicle traveling ahead, each in a side view,
  • Figure 2 is a schematic representation of a transmission signal of a radar system according to the invention
  • FIG. 3 shows a schematic representation for the visualization of an interference in a detection signal and in the resulting baseband signal
  • FIG. 4 shows a schematic representation for visualizing an effect of an interference on a baseband signal in the time and frequency domains
  • Figure 5-7 are schematic representations for visualizing a method according to the invention.
  • a vehicle 1 with a radar system 10 according to the invention is shown schematically in FIG.
  • An arrow symbolizes the direction of movement of the vehicle 1.
  • a target object 230 in the form of a further vehicle traveling ahead is shown in an area 2 of the vehicle 1.
  • the radar system 10 can receive reflections from the target object 230 and use these reflections to detect the target object 230 and / or reconstruct the environment 2.
  • a received signal 202 is detected and signal processing of the received signal 202 - at least partially - is carried out by a processing device 15.
  • the described detection of the radar system 10 is shown below with further details.
  • the radar system 10 can generate a transmission signal 201 which is emitted into the surroundings 2 of the vehicle 1.
  • Such a transmission signal 201 is shown by way of example in FIG.
  • the radar system 10 is advantageously a continuous wave radar and / or an FMCW radar (frequency modulated continuous wave radar), which in particular provides a distance and / or speed measurement, preferably by means of the Doppler effect. It can be a 24 GFIz or 77 GFIz radar system, for example. Specifically, z.
  • the specific frequency range used for the transmission signal 201 can be determined variably by the radar system 10 from the possible frequency ranges 251, 252, 253, and thus vary for different detection cycles 260.
  • the transmission signal 201 z. B. be modulated with respect to the frequency f.
  • N frequency chirps with a varying frequency f can be output sequentially as a transmission signal 201 within the time period T1 for detection.
  • the frequency f can change over time in the range of the bandwidth B.
  • 128 chirps are transmitted.
  • the center frequency of the chirp can optionally be set variably, ie set differently for different acquisition cycles 260, and thus lie in one of the possible frequency ranges 251, 252, 253.
  • the duration of a respective chirp can be T1 / N, as is also shown schematically in FIG. 2 by a double arrow.
  • a linear frequency modulation can be used in which the frequency f changes linearly within the bandwidth B for a respective chirp.
  • a received signal 202 (for example with 256 samples per chirp) can be detected within the period T2-T1 and a Evaluation by the processing device 15 take place.
  • the entire acquisition cycle 260 thus has a time duration T2.
  • the received signal 202 is shown in FIG. 3, which there, like the transmitted signal 201, is in the HF (high frequency) band.
  • the transmitted transmission signal 201 can be reflected and / or backscattered by the target object 230 and thus received by the radar system 10.
  • the received signal 202 received in this way can then be demodulated and / or mixed down.
  • This representation then corresponds to the time-frequency space.
  • a non-volatile memory unit of the processing device can be used for storing.
  • a spectrum can then be determined by a Fourier transformation of the matrix (in particular the detection information 210) which is specific for a relative speed and / or a distance of the target objects 230 in the environment 2.
  • This is in particular a two-dimensional spectrum (corresponding to the two-dimensional matrix according to the detection information 210), so that the different coordinates represent the different parameters (such as the distance and the relative speed).
  • the detection information 210 or information resulting therefrom can be used as input for the evaluation according to FIG. 7.
  • Disturbances and specifically interference can occur in particular when two radar systems are transmitting in close proximity to one another at the same time in the same frequency range.
  • Examples of such interferers 240 are shown in FIG. 3 with regard to their interference frequency range in addition to the corresponding transmit and receive signals 201, 202 or baseband signal 203 over time t.
  • the result of these interferers 204 is visualized in FIG.
  • the disturbance 220 can occur in the form of a peak in the time domain and thus raise the spectrum in the frequency domain. This is problematic since, for example, ghost targets can be detected and the detection of real target objects 230 can be made more difficult.
  • a method according to the invention is schematically visualized in FIG. The method is used to detect such disturbances 220 in a radar system 10 of a vehicle 1. Initially, at least one received signal 202 of the radar system 10 is received 101. Subsequently, detection information 210 is determined 102 from the received signal 202. An evaluation 103 is then carried out of the detection information 210 by at least one neural network 401, 402. Finally, according to step 104, the result of the evaluation 103 can be used as a prognosis of a disturbance 220 of the received signal 202. These steps can be repeated for different acquisition cycles 260.
  • preprocessing of the acquisition information 210 can first be carried out, e.g. B. a max pooling.
  • the detection information 210 corresponds to e.g. B. the raw data of the radar system with 128x256 pixels. To reduce the amount of data, these can then be, for example,
  • the disturbances 220 can also be recognized in these reduced data. Then, according to FIG. 7, this data can be used as an input for a CNN 401.
  • the CNN 401 can extract the information about the fault 220, wherein the output of the CNN 401 can serve as input for the RNN 402.
  • Horizontal dashed arrows represent the property of RNN 402 that previous evaluations can be taken into account. So that can Transmission behavior of the interferers 240 over a longer period of time can be taken into account.
  • the output of the RNN 402 can then serve as a prognosis for a disturbed frequency-time range in the next acquisition cycle 260.
  • This can be a segmentation 404, which can be learned from corresponding ground truth data 410.
  • a decoding 403 of the output is optionally provided as a further intermediate step in order to obtain the segmentation 404.
  • the CNN 401 can e.g. B. have an architecture in which the input of the CNN 401 is initially processed by alternately performing convolution and max-pooling functions. In other words, initially (for example 3) convolutional layers can be provided, each of which is followed by a pooling layer. Kernel sizes 3x3x1 and / or 3x3x2 of the filter kernel can be used here.
  • the output of the CNN 401 can then be passed on to the RNN 402. This includes e.g. B. an LSTM (long short-term memory) layer. Finally, the output of the RNN 402 can be transferred to a decoder, which z. B. comprises a fully connected layer and a deconvolution layer.
  • the transmit signal 201 can be transmitted in the next detection cycle 260 in an - at least partially - different frequency range 251, 252, 253, and thus identify the disturbance frequency range.
  • Such an adaptation of the frequency range 251, 252, 253 is visualized in FIG.
  • the effect of disturbance 220 is thus at least reduced in the next acquisition cycle 260.
  • information about the fault 220 can continue to flow into the detection information 210 in a time-coded manner, so that this can continue to be predicted by the evaluation 103.
  • a received signal 202 in the interference frequency range to continue to be recorded at the same time for the acquisition of this time-coded information about the interferences 220.
  • the above explanation of the embodiments describes the present invention exclusively in the context of examples. Of course, individual features of the embodiments can be freely combined with one another, provided that they are technically sensible, without leaving the scope of the present invention.
  • segmentation 410 ground truth data f frequency N number of frequency chirps T1 duration B bandwidth T2 duration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

Verfahren zur Störungserkennung bei einem Radarsystem (10) eines Fahrzeuges (1), wobei die nachfolgenden Schritte durchgeführt werden: - Empfangen (101) wenigstens eines Empfangssignals (202) des Radarsystems (10), - Ermitteln (102) einer Erfassungsinformation (210) aus dem Empfangssignal (202), - Durchführen einer Auswertung (103) der Erfassungsinformation (210) durch wenigstens ein neuronales Netz (401, 402), - Verwenden (104) eines Ergebnisses der Auswertung (103) als Prognose einer Störung (220) des Empfangssignals (202).

Description

Verfahren zur Störungserkennung bei einem Radarsystem
Beschreibung
Die vorliegende Erfindung betrifft ein Verfahren zur Störungserkennung bei einem Radarsystem. Ferner bezieht sich die Erfindung auf ein entsprechendes Radarsystem sowie Computerprogramm.
Aus dem Stand der Technik ist es bekannt, dass Radarsysteme bei Fahrzeugen eingesetzt werden, um eine Umgebung des Fahrzeuges zu erfassen. Ebenfalls ist es bekannt, dass mittels einer Signalverarbeitung bei dem Radarsystem auch weitere Parameter von erfassten Objekten ermittelt werden können, wie z. B der Abstand, die Relativgeschwindigkeit oder Winkel des Ziels in Bezug auf das Fahrzeug heutzutage werden bereits bei sehr vielen Fahrzeugen solche Radarsysteme eingesetzt. Ferner ist es auch möglich, dass einzelne Fahrzeuge mehr als ein Radarsystem aufweisen.
Die zunehmende Verbreitung von Radarsystemen bringt jedoch auch den Nachteil mit sich, dass verschiedene Radarsysteme sich gegenseitig negativ beeinflussen können. Solche Störungen durch sich gegenseitig beeinflussende Radarsysteme werden auch als Interferenzen bezeichnet.
Es ist dabei häufig noch ein Problem, dass sich die Interferenzen nicht zuverlässig bei einem Radarsystem detektieren oder beseitigen lassen.
Daher ist es eine Aufgabe der vorliegenden Erfindung, die voranstehend beschriebenen Nachteile zumindest teilweise zu reduzieren. Insbesondere ist es eine Aufgabe, eine zuverlässigere Detektion von Störungen durch Interferenzen bei einem Radarsystem bereitzustellen.
Die voranstehende Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1, ein Radarsystem mit den Merkmalen des Anspruchs 13 sowie durch ein Computerprogramm mit den Merkmalen des Anspruchs 15. Weitere Merkmale und Details der Erfindung ergeben sich aus den jeweiligen Unteransprüchen, der Beschreibung und den Zeichnungen. Dabei gelten Merkmale und Details, die im Zusammenhang mit dem erfindungsgemäßen Verfahren beschrieben sind, selbstverständlich auch im Zusammenhang mit dem erfindungsgemäßen Radarsystem sowie dem erfindungsgemäßen Computerprogramm, und jeweils umgekehrt, so dass bezüglich der Offenbarung zu den einzelnen Erfindungsaspekten stets wechselseitig Bezug genommen wird bzw. werden kann.
Die Aufgabe wird insbesondere gelöst durch ein Verfahren zur Störungserkennung, insbesondere Interferenzerkennung und/oder -reduzierung bei einem Radarsystem eines Fahrzeuges.
Hierbei ist insbesondere vorgesehen, dass die nachfolgenden Schritte durchgeführt werden, vorzugsweise nacheinander in der angegebenen oder in beliebiger Reihenfolge, wobei einzelne und/oder sämtliche Schritte auch wiederholt durchgeführt werden können:
Empfangen wenigstens eines (insbesondere elektromagnetischen) Empfangssignals des Radarsystems, vorzugsweise durch einen Radarsensor und/oder durch wenigstens eine Antenne (oder alternativ in digitalisierter Form durch einen Analog-Digital-Wandler) des Radarsystems,
Ermitteln einer - insbesondere digitalen - Erfassungsinformation aus dem (empfangenen) Empfangssignal, vorzugsweise durch einen Demodulator und/oder durch einen Abwärtsmischer und/oder durch einen Analog-Digital- Wandler des Radarsystems, wobei bevorzugt die (ggf. zuvor demodulierte und/oder abwärtsgemischte) Erfassungsinformation durch eine Analog-Digital- Wandlung in digitaler Form für die nachfolgenden Schritte bereitgestellt wird, insbesondere durch eine Verarbeitungsvorrichtung des Radarsystems, Durchführen einer Auswertung der (ermittelten) Erfassungsinformation, vorzugsweise durch wenigstens ein neuronales Netz und/oder durch eine Berücksichtigung bereits durchgeführter Auswertungen von - bei vorangegangenen Schritten des Verfahrens bereits aus Empfangssignalen ermittelter - Erfassungsinformationen (nachfolgend kurz: Berücksichtigung vorangegangener Auswertungen),
Verwenden eines Ergebnisses der Auswertung, insbesondere Ausgabe des neuronalen Netzes, als Prognose (insbesondere Prädiktion) einer Störung, insbesondere Interferenz, des Empfangssignals.
Hierbei kann der Vorteil erzielt werden, dass durch die Auswertung - konkret z. B. durch die Verwendung eines neuronalen Netzes und/oder die Berücksichtigung vorangegangener Auswertungen - eine zuverlässigere und ggf. schnellere Erkennung der Störung ermöglicht ist. Dies kann dadurch bedingt sein, dass nicht (nur) eine gerade vorliegende Störung erkannt wird, sondern sogar die Prognose der Störung durch die Auswertung ermöglicht wird. Die Auswertung kann hierzu derart ausgeführt sein, dass anhand der vorangegangenen Auswertungen ein wiederkehrender Verlauf und/oder ein wiederkehrendes Muster und/oder eine zeitliche Korrelation der Störung in den Erfassungsinformationen erkannt wird. So kann das neuronale Netz hierzu in der Lage sein, wenn eine zeitliche Verknüpfung von Neuronen im Sinne von Rückkopplungsschleifen (wie bei einem rekurrenten neuronalen Netz) erfolgt. Auf diese Weise können zeitlich kodierte Informationen bei den Erfassungsinformationen ermittelt werden, welche für die Störung spezifisch sind, und daher auch eine Prognose der Störung ermöglichen.
Das erfindungsgemäße Verfahren kann zumindest teilweise als ein computerimplementiertes Verfahren ausgeführt sein, sodass das Durchführen der Auswertung und/oder das Verwenden des Ergebnisses und/oder das Ermitteln der Erfassungsinformation und/oder das Empfangen des Empfangssignals im Rahmen einer digitalen Signalverarbeitung des Radarsystems durchgeführt werden. Konkret kann hierzu eine Verarbeitungsvorrichtung des Radarsystems zum Einsatz kommen, welches hierfür z. B. einen Prozessor und einen Speicher umfasst. Es kann ebenfalls vorteilhafthaft sein, wenn nur einige der Schritte computerimplementiert sind oder durch die Verarbeitungsvorrichtung durchgeführt werden, und andere Schritte wie das „Empfangen des Empfangssignals“ und auch teilweise das Ermitteln der Erfassungsinformation durch weitere dedizierte Komponenten des Radarsystems durchgeführt werden. Damit kann ggf. eine deutliche Leistungssteigerung für die Durchführung des Verfahrens erzielt werden.
Die Störung kann insbesondere als eine Interferenz und/oder als eine von einem anderen Radarsystem z. B. eines anderen Fahrzeuges verursachte Interferenz ausgeführt sein. Damit dient die Störungserkennung zur Detektion von Interferenzen, welche das Empfangssignal beeinträchtigen. Solche Interferenzen können beispielsweise dadurch verursacht werden, dass die Radarsignale verschiedener Radarsysteme sich gegenseitig beeinflussen und/oder stören. Ein erfindungsgemäßes Verfahren kann entsprechend das Ergebnis der Auswertung dazu verwenden, um Störungen, insbesondere Interferenzen durch andere Radarsysteme, in der Erfassungsinformation (bspw. in der Form eines Zeitsignals und/oder Radarspektrums und/oder räumliche Verteilung von Zielobjekten) zu erkennen und/oder zu prognostizieren. Damit ist eine deutlich verbesserte Auswertung der Erfassungsinformation möglich.
Ein weiterer Vorteil im Rahmen der Erfindung ist erzielbar, wenn als weiterer Schritt des erfindungsgemäßen Verfahrens nach dem Ermitteln der Erfassungsinformation eine Fourier-Transformation der Erfassungsinformation durchgeführt wird, um Informationen über eine Relativgeschwindigkeit und/oder einen Abstand von Zielen in einer Umgebung des Fahrzeuges (d. h. Zielobjekten) aus der bereitgestellten Erfassungsinformation zu erhalten. Diese Informationen können dann z. B. für eine Objektdetektion genutzt werden. Bei den Zielen kann es sich z. B. um Reflexionen und/oder Objekte in der Umgebung handeln.
Optional kann es vorgesehen sein, dass das Bereitstellen der Erfassungsinformation eine Demodulation und/oder Abwärtsmischung und/oder eine Analog-Digital- Umwandlung des Empfangssignals umfasst, um die bereitgestellte Erfassungsinformation als ein Zeitsignal zu erhalten. Dies ermöglicht eine zuverlässige Erfassung des Empfangssignals.
Beispielsweise kann es vorgesehen sein, dass das wenigstens eine neuronale Netz bzw. wenigstens ein neuronales Netz zumindest ein rekurrentes neuronales Netz (RNN) umfasst, welches vorzugsweise die Auswertungen zeitlich vorangegangener Erfassungsinformationen berücksichtigt. Hierbei kann eine Ausgabe des neuronalen Netzes als das Ergebnis der Auswertung verwendet werden. Dabei ist es möglich, dass diese Ausgabe anhand einer Ausgabe des RNN bestimmt wird, z. B. nachdem die Ausgabe des RNN durch einen Dekoder weiterverarbeitet wurde. Die hierdurch erfolgte Berücksichtigung zeitlich vorangegangener Auswertungen ermöglicht es, eine zeitlich kodierte Information in den Erfassungsinformationen zu ermitteln, um darüber eine Prognose der Störung bereitzustellen. Hierzu kann z. B. für jede Hiddenschicht des RNN eine Kontexteinheit existieren, welche eine Ausgabe eines Neurons verarbeitet und im nachfolgenden Zeitschrift wieder ausgibt. Weiter kann das RNN dazu angelernt sein, die Prognose der Störung durchzuführen, sodass bereits in der aktuellen Iteration der Verfahrensschritte die Ausgabe des RNN das voraussichtliche Auftreten der Störung in der nachfolgenden oder einer der nachfolgenden Iterationen indiziert. Hierzu wird bspw. ein Anlernen des RNN durch noch näher beschriebene Trainingsdaten genutzt. Das Anlernen kann bspw. mittels Backpropagation through time (BPTT) erfolgen.
Eine mögliche Variante zum Anlernen der Prognose für das neuronale Netz bzw. konkret für das RNN kann darin bestehen, dass das Netz mit Trainingsdaten angelernt wird, welche sich aus Eingangsdaten (Eingabe) und den zugehörigen Ausgangsdaten (Ausgabe) zusammensetzen. Im Rahmen eines „überwachten Lernens“ können die Ausgangsdaten die korrekte Ausgabe enthalten, welche bei den zugehörigen Eingangsdaten erwartet wird. Die korrekte Ausgabe kann z. B. die Prognose einer Störung in der erst nachfolgend ermittelten Erfassungsinformation sein, z. B. in der Form einer Kennzeichnung und/oder Segmentierung in der aktuellen Erfassungsinformation. Die Erfassungsinformation kann bspw. als zweidimensionales Bild vorliegen, in welchem eine entsprechende Segmentierungsmaske durch die Ausgabe überlagert werden kann.
Für das Anlernen (Training) werden z. B. als Eingangsdaten eine Folge zeitlich aufeinanderfolgend ermittelter Informationen (z. B. die Erfassungsinformationen oder eine aus einer weiteren Verarbeitung dieser Erfassungsinformationen resultierende Folge von Informationen) Et-2, En, Et, Et+i genutzt. Diese Informationen sind entsprechend für zeitlich aufeinanderfolgende, ermittelte Erfassungsinformationen spezifisch. Als Ausgangsdaten kann eine - bspw. manuell erstellte - Folge von Kennzeichnungen (Markierung oder Segmentierung) At-2, An, At, At+i der Störung in den Eingangsdaten genutzt werden. Die Kennzeichnung At-2 des Erfassungszyklus t-2 kennzeichnet somit die Störung in der Information Et-2, Die Kennzeichnung An des Erfassungszyklus t-1 kennzeichnet die Störung in der Information En usw.
Ein Anlernen mit den genannten Trainingsdaten würde ausreichen, um das Netz dazu anzulernen, in einem aktuellen Erfassungszyklus in den Eingangsdaten die Störung zu erkennen. Um zusätzlich noch die Prognose durchzuführen, kann die Reihenfolge der Folgen für das Anlernen verändert werden. Konkret können die für die Eingangsdaten genutzten (Erfassungs-) Informationen Et-2, En, Et, Et+i hinsichtlich der Reihenfolge in der Folge nach vorne oder die Kennzeichnungen At-2, An, At, At+i nach hinten verschoben werden. In anderen Worten kann als neue Ausgangsdaten A‘ somit eine neue Folge definiert werden gemäß der Zuordnung: A‘t-x = At-x-+i. Damit wird der Vorteil erzielt, dass bei dem Anlernen in einer Iteration (also einem Erfassungszyklus) die darin als Ausgangsdaten genutzte Kennzeichnung At-x-+i nicht zur Störung in der Information Et-xder aktuellen Iteration korrespondiert, sondern bereits zur Information Et-x+i der nachfolgenden Iteration. Da diese Kennzeichnung At-x-+i der gewünschten Ausgabe des Netzes entspricht, wird das Netz für die Ausgabe einer Prognose der Kennzeichnung At-x-+i aus der Information Et-x antrainiert. Auf diese Weise kann auch die Auswertung zeitlich vorangegangener Erfassungsinformationen ermöglicht werden. Des Weiteren ist es optional möglich, dass das wenigstens eine neuronale Netz zumindest ein Convolutional Neural Network (CNN) umfasst, welches vorzugsweise die Erfassungsinformation als Eingabe erhält, und dessen Ausgabe als Eingabe für das rekurrente neuronale Netz verwendet wird. Dies ermöglicht es z. B., die Datenmenge der Erfassungsinformation für die Verarbeitung durch das RNN zu reduzieren und/oder zur Extraktion einer Information über die Störung vorauszuwerten. Damit kann die Leistungsfähigkeit der Verarbeitung durch das RNN verbessert werden. Hierzu wird das CNN z. B. mit Trainingsdaten angelernt, welche sich aus Eingangsdaten (Eingabe) und den zugehörigen Ausgangsdaten (Ausgabe) zusammensetzen. Im Rahmen eines „überwachten Lernens“ können die Ausgangsdaten die korrekte Ausgabe enthalten, welche bei den zugehörigen Eingangsdaten erwartet wird. Die Eingangsdaten sind z. B. die unveränderten Erfassungsinformationen und die Ausgangsdaten eine verkleinerte (skalierte) Version der Erfassungsinformationen oder eine Kennzeichnung der Störung. Auf diese Weise wird das CNN trainiert, eine optimierte Eingabe für das RNN als Ausgabe zu liefern.
In einer weiteren Möglichkeit kann vorgesehen sein, dass das Durchführen der Auswertung der Erfassungsinformation die nachfolgenden Schritte umfasst: Vorverarbeiten der Erfassungsinformation eines Erfassungszyklus, vorzugsweise durch ein Max-Pooling, insbesondere um die Datengröße der Erfassungsinformation zu reduzieren,
Extrahieren einer Information über die Störung in der Form wenigstens einer Interferenz beim Empfangssignal aus der vorverarbeiteten Erfassungsinformation, insbesondere durch ein Convolutional Neural Network, Durchführen einer Prognose der wenigstens einen Interferenz für einen zeitlich nachfolgenden Erfassungszyklus anhand der extrahierten Information, und insbesondere anhand der Auswertungen zeitlich vorangegangener Erfassungsinformationen, vorzugsweise durch ein RNN.
Dies hat den Vorteil, dass besonders zuverlässig und schnell eine Störung erfasst werden kann, noch bevor diese die Erfassungsinformation beeinträchtigt. Ferner ist es optional vorgesehen, dass das Verwenden des Ergebnisses der Auswertung, insbesondere einer Ausgabe des neuronalen Netzes, den nachfolgenden Schritt umfasst:
Bereitstellen der Prognose durch eine Ausgabe des Frequenzbereiches, in welchem die Störung zukünftig vorliegen wird.
Hierbei wird es sich zunutze gemacht, dass die Störung - insbesondere in der Form einer Interferenz - nur einen beschränkten Frequenzbereich beeinträchtigt. Somit lässt sich die Störung anhand des Frequenzbereiches zuverlässig charakterisieren und ggf. sogar reduzieren. Um das Netz für diese Funktionsweise anzulernen, können Ausgangsdaten für die Trainingsdaten genutzt werden, in denen manuell der Frequenzbereich zu einer Störung in den Eingangsdaten eingegeben wurden.
Vorzugsweise kann vorgesehen sein, dass das Verwenden des Ergebnisses der Auswertung, insbesondere einer Ausgabe des neuronalen Netzes, den nachfolgenden Schritt umfasst:
Elektronische Ausgabe des Ergebnisses an eine Elektronik des Fahrzeuges, vorzugsweise für ein Steuergerät des Fahrzeuges.
Damit ist es möglich, dass beim Auftreten der Störung das Steuergerät in Kenntnis gesetzt wird, und darauf reagieren kann. Beispielsweise werden die gestörten Erfassungsinformationen verworfen.
Auch ist es optional denkbar, dass das Ergebnis der Auswertung eine Segmentierung der Erfassungsinformation umfasst, welche die prognostizierte Störung indiziert.
Flierzu können als Trainingsdaten für das Netz bspw. Ausgangsdaten genutzt werden, in denen manuell diese (prognostizierte) Segmentierung für die zugehörigen Eingangsdaten durchgeführt wurde.
Nach einer weiteren Möglichkeit kann vorgesehen sein, dass das wenigstens eine neuronale Netz dadurch angelernt ist, dass die nachfolgenden Trainingsschritte vorgesehen sind (und insbesondere zuvor durchgeführt werden): Speichern mehrerer zeitlich nacheinander ermittelter Erfassungsinformationen, insbesondere einer Folge aufeinanderfolgend ermittelter Erfassungsinformationen,
Bereitstellen von Ausgangsdaten, insbesondere Ground-Truth Daten, durch eine - insbesondere manuelle - Kennzeichnung von Störungen, insbesondere Interferenzen, in den Erfassungsinformationen,
Anlernen des neuronalen Netzes mittels Trainingsdaten, welche aus den Erfassungsinformationen und den Ausgangsdaten, insbesondere Ground- Truth Daten, gebildet werden.
Aus der Folge der Erfassungsinformationen können somit die Eingangsdaten gebildet werden. Die Ground-Truth Daten stellen dann die gewünschte Ausgabe dar, welche das Netz bei Eingabe der Eingangsdaten ausgeben soll. Die gewünschte Ausgabe kann konkret also die Prognose der Störung umfassen.
Flierzu kann es bspw. vorgesehen sein, dass das Bereitstellen der Ground- Truth Daten den nachfolgenden Schritt umfasst:
Manuelles Kennzeichnen der (insbesondere prognostizierten) Interferenzen, um durch das Anlernen das wenigstens eine neuronale Netz dazu auszubilden, die Interferenzen als die Störung des Empfangssignals zu prognostizieren.
Gemäß einem weiteren Vorteil kann vorgesehen sein, dass für einen Erfassungszyklus aufeinanderfolgend mehrere Sendesignale des Radarsystems jeweils in wenigstens einem Frequenzbereich ausgesendet werden, um jeweils ein zugehöriges Empfangssignal zu empfangen, wobei das Sendesignal jeweils als wenigstens ein Chirp mit einer zeitlich sich ändernden Frequenz innerhalb des Frequenzbereiches ausgeführt ist. Dabei kann es möglich sein, dass weitere Frequenzbereiche vorgesehen sind, in denen das Sendesignal ebenfalls ausgesendet werden kann. Ferner kann im Rahmen der Erfindung vorgesehen sein, dass das Ermitteln der Erfassungsinformation pro Erfassungszyklus (iterativ) durchgeführt wird, und vorzugsweise jeweils die nachfolgenden Schritte umfasst:
Durchführen einer Mischung des jeweiligen Sendesignals und des zugehörigen Empfangssignals, um jeweils ein Basisbandsignal zu erhalten,
Bestimmen der Erfassungsinformation aus den erhaltenen Basisbandsignalen, wobei die Erfassungsinformation für eine Objektdetektion in einer Umgebung des Fahrzeuges spezifisch ist.
Damit kann zuverlässig die Umgebung des Fahrzeuges durch das Radarsystem erfasst werden.
Es ist ferner denkbar, dass das Ergebnis der Auswertung eine Angabe eines Störungsfrequenzbereiches aufweist, in welchem in einem zeitlich nachfolgenden Erfassungszyklus die Störung prognostiziert wird, wobei vorzugsweise das Verwenden des Ergebnisses der Auswertung eine automatische und zumindest teilweise Anpassung des Frequenzbereichs umfasst. Auf diese Weise können die Sendesignale in dem Frequenzbereich ausgesendet werden, welcher zumindest teilweise außerhalb des prognostizierten Störungsfrequenzbereiches liegt. Damit kann der wenigstens eine Frequenzbereich als ein zumindest teilweise variabler Frequenzbereich ausgeführt sein. Dies ermöglicht die zuverlässige Reduzierung der Störung, da der Störungsfrequenzbereich umgangen wird.
Ebenfalls Gegenstand der Erfindung ist ein Radarsystem zur Detektion von Zielobjekten in einer Umgebung eines Fahrzeuges, aufweisend eine Verarbeitungsvorrichtung, welche so angepasst ist, dass die Verarbeitungsvorrichtung die nachfolgenden Schritte ausführt:
Bereitstellen einer Erfassungsinformation aus einem Empfangssignal des Radarsystems, z. B. durch ein digitales Empfangen und/oder einer Analog- Digital-Wandlung der Erfassungsinformation,
Durchführen einer Auswertung der Erfassungsinformation, insbesondere durch wenigstens ein neuronales Netz, Verwenden eines Ergebnisses der Auswertung als Prognose einer Störung des Empfangssignals.
Damit bringt das erfindungsgemäße Radarsystem die gleichen Vorteile mit sich, wie sie ausführlich mit Bezug auf ein erfindungsgemäßes Verfahren beschrieben worden sind. Zudem kann das Radarsystem geeignet sein, die Schritte eines erfindungsgemäßen Verfahrens durchzuführen. Die Schritte „Empfangen wenigstens eines Empfangssignals des Radarsystems“ und/oder „Ermitteln einer Erfassungsinformation“ können z. B. durch einen Radarsensor des Radarsystems zumindest teilweise durchgeführt werden, um die Erfassungsinformation für die Auswertung digital bereitzustellen. Diese durch den Radarsensor durchgeführten Schritte können ggf. auch eine Demodulation und/oder eine Abwärtsmischung umfassen. Die weiteren Schritte - ggf. aber auch die Demodulation und/oder die Abwärtsmischung - können durch die Verarbeitungsvorrichtung durchgeführt werden. In anderen Worten kann die Verarbeitungsvorrichtung nur einen Teil der Schritte - optional aber auch sämtliche der Schritte - eines erfindungsgemäßen Verfahrens durchführen. Es kann dabei möglich sein, dass ein Verarbeitungsmittel vorgesehen ist, welches bei Ausführung durch die Verarbeitungsvorrichtung diese zur Durchführung von Schritten eines erfindungsgemäßen Verfahrens veranlasst. Dieses Verarbeitungsmittel ist z. B. als ein erfindungsgemäßes Computerprogramm ausgeführt. Die Verarbeitungsvorrichtung weist bspw. einen Prozessor und/oder einen Speicher auf, in dem das Verarbeitungsmittel gespeichert ist, und vom Prozessor ausgelesen werden kann. Die Verarbeitungsvorrichtung ist bspw. als ein Computer und/oder Steuergerät des Fahrzeuges und/oder dergleichen ausgebildet.
Das Radarsystem ist bspw. als ein 24 GHz- oder als ein 77 GHz-Radarsystem ausgeführt. Alternativ oder zusätzlich ist das Radarsystem als ein Dauerstrichradar, insbesondere als ein FMCW (englisch: frequency modulated continous wave radar) ausgebildet, welches eine Abstands- und/oder Geschwindigkeitsmessung durchführen kann. Ferner kann es sich bei dem Fahrzeug um ein Kraftfahrzeug und/oder Personenkraftfahrzeug und/oder autonomes Fahrzeug und/oder Elektrofahrzeug und/oder dergleichen handeln. Die Erfassungsinformation wird bspw. durch eine fahrzeugseitige Komponente, wie ein Assistenzsystem und/oder ein Steuergerät des Fahrzeuges, genutzt, welches vorteilhafterweise ein zumindest teilweise autonomes Fahren und/oder automatisches Einparken des Fahrzeuges bereitstellt.
Ebenfalls Gegenstand der Erfindung ist ein Computerprogramm, vorzugsweise Computerprogrammprodukt. Hierbei ist vorgesehen, dass das Computerprogramm Befehle aufweist, die bei einer Ausführung des Computerprogramms durch eine Verarbeitungsvorrichtung diese veranlassen, die Schritte eines erfindungsgemäßen Verfahrens zumindest teilweise durchzuführen, und/oder konkret die nachfolgenden Schritte durchzuführen:
Bereitstellen einer Erfassungsinformation aus einem Empfangssignal des Radarsystems, z. B. durch ein digitales Empfangen und/oder einer Analog- Digital-Wandlung der Erfassungsinformation,
Durchführen einer Auswertung der (bereitgestellten) Erfassungsinformation, insbesondere durch wenigstens ein neuronales Netz,
Verwenden eines Ergebnisses der Auswertung als Prognose einer Störung des Empfangssignals.
Damit bringt das erfindungsgemäße Computerprogramm die gleichen Vorteile mit sich, wie sie ausführlich mit Bezug auf ein erfindungsgemäßes Verfahren und/oder erfindungsgemäßes Radarsystem beschrieben worden sind.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung, in der unter Bezugnahme auf die Zeichnungen Ausführungsbeispiele der Erfindung im Einzelnen beschrieben sind. Dabei können die in den Ansprüchen und in der Beschreibung erwähnten Merkmale jeweils einzeln für sich oder in beliebiger Kombination erfindungswesentlich sein. Es zeigen: Figur 1 eine schematische Ansicht eines Fahrzeugs mit einem erfindungsgemäßen Radarsystem sowie eines weiteren vorausfahrenden Fahrzeuges jeweils in einer Seitenansicht,
Figur 2 eine schematische Darstellung eines Sendesignals eines erfindungsgemäßen Radarsystems,
Figur 3 eine schematische Darstellung zur Visualisierung einer Interferenz bei einem Erfassungssignal und bei dem resultierenden Basisbandsignal,
Figur 4 eine schematische Darstellung zur Visualisierung einer Auswirkung einer Interferenz bei einem Basisbandsignal im Zeit- und Frequenzbereich
Figur 5-7 schematische Darstellungen zur Visualisierung eines erfindungsgemäßen Verfahrens.
In den nachfolgenden Figuren werden für die gleichen technischen Merkmale auch von unterschiedlichen Ausführungsbeispielen die identischen Bezugszeichen verwendet.
In Figur 1 ist schematisch ein Fahrzeug 1 mit einem erfindungsgemäßen Radarsystem 10 gezeigt. Ein Pfeil symbolisiert dabei die Bewegungsrichtung des Fahrzeuges 1. Darüber hinaus ist ein Zielobjekt 230 in der Form eines weiteren vorausfahrenden Fahrzeuges in einer Umgebung 2 des Fahrzeuges 1 gezeigt. Das Radarsystem 10 kann dabei Reflexionen von dem Zielobjekt 230 empfangen und anhand dieser Reflexionen das Zielobjekt 230 detektieren und/oder die Umgebung 2 rekonstruieren. Flierzu wird ein Empfangssignal 202 erfasst und eine Signalverarbeitung des Empfangssignals 202 - zumindest teilweise - durch eine Verarbeitungsvorrichtung 15 durchgeführt. Nachfolgend ist die beschriebene Detektion des Radarsystems 10 mit weiteren Einzelheiten dargestellt. Zunächst kann durch das Radarsystem 10 ein Sendesignal 201 generiert werden, welches in die Umgebung 2 des Fahrzeuges 1 abgestrahlt wird. Ein solches Sendesignal 201 ist beispielhaft in Figur 2 dargestellt.
Bei dem Radarsystem 10 handelt es sich vorteilhafterweise um ein Dauerstrichradar und/oder um ein FMCW-Radar (englisch: frequency modulated continous wave radar), welches insbesondere eine Abstands- und/oder Geschwindigkeitsmessung, vorzugsweise mittels des Doppler-Effekts, bereitstellt. Es kann sich dabei beispielsweise um ein 24 GFIz- oder 77 GFIz-Radarsystem handeln. Konkret kann z.
B. das 77 GFIz Radarsystem im 77 GFIz Band betrieben werden, und stellt somit verschiedene in Figur 5 gezeigte Frequenzbereiche 251, 252, 253 für das Sendesignal 201 zwischen f= 76 GFIz und 77 GFIz bereit. Der konkret für das Sendesignal 201 genutzte Frequenzbereich kann durch das Radarsystem 10 variabel aus den möglichen Frequenzbereichen 251, 252, 253 festgelegt werden, und somit für unterschiedliche Erfassungszyklen 260 variieren.
Um Parameter des Zielobjekts 230 in der Umgebung 2 des Fahrzeuges 1, wie z. B. Abstand oder Geschwindigkeit oder den Winkel, zu erfassen, kann das Sendesignal 201 z. B. hinsichtlich der Frequenz f moduliert werden. Wie ebenfalls in Figur 2 gezeigt ist, können zur Erfassung sequenziell N Frequenz-Chirps innerhalb der Zeitdauer T1 mit einer variierenden Frequenz f als Sendesignal 201 ausgegeben werden. Bei einem solchen Chirp kann sich die Frequenz f zeitlich im Bereich der Bandbreite B verändern. Bspw. werden 128 Chirps ausgesendet. Die Mittenfrequenz des Chirps kann ggf. variabel festgelegt werden, d. h. für unterschiedliche Erfassungszyklen 260 unterschiedlich festgelegt werden, und damit in einem der möglichen Frequenzbereiche 251, 252, 253 liegen. Die Zeitdauer eines jeweiligen Chirps kann T1/N sein, wie in Figur 2 auch durch einen Doppelpfeil schematisch dargestellt ist. Es kann beispielsweise eine lineare Frequenzmodulation genutzt werden, bei welcher bei einem jeweiligen Chirp die Frequenz f sich linear innerhalb der Bandbreite B verändert. Nach der Zeitdauer T1 kann innerhalb der Periode T2-T1 ein Empfangssignal 202 (z. B. mit 256 Samples pro Chirp) erfasst und eine Auswertung durch die Verarbeitungsvorrichtung 15 erfolgen. Der gesamte Erfassungszyklus 260 hat somit eine Zeitdauer T2. Das Empfangssignal 202 ist in Figur 3 dargestellt, welches sich dort wie das Sendesignal 201 im HF (Hoch Frequenz)-Band befindet.
Durch das Zielobjekt 230 kann das ausgesendete Sendesignal 201 reflektiert und/oder zurückgestreut werden, und somit durch das Radarsystem 10 empfangen werden. Das auf diese Weise empfangene Empfangssignal 202 kann anschließend demoduliert und/oder abwärtsgemischt werden. Insbesondere resultiert daraus das in Figur 3 gezeigte Basisbandsignal 203, wobei die Frequenz fb des Basisbandsignals abhängig ist von der Signallaufzeit des reflektierten Sendesignals 201 und damit von der Entfernung des Zielobjekts 230. Anschließend kann das aus dem Empfangssignal 202 resultierende Signal (bspw. durch einen Analog-Digital-Wandlung und ggf. einer weiteren Verarbeitung) in eine digitale Erfassungsinformation 210 umgewandelt werden. Bis zum Ende der Zeitdauer T1 können die hierdurch ermittelten Daten in einer MxN-Matrix mit M Samples pro Chirp und N Chirps eingespeichert werden. Beispielhaft wird nachfolgend von M = 256 und N = 128 ausgegangen. Damit kann ein Radarframe mit den Rohdaten (mit 128x256 Pixel) erhalten werden. Diese Darstellung entspricht dann dem Zeit-Frequenz-Raum. Zum Einspeichern kann eine nicht-flüchtige Speichereinheit der Verarbeitungsvorrichtung dienen. Anhand dieser Matrix kann anschließend durch eine Fouriertransformation der Matrix (insbesondere der Erfassungsinformation 210) ein Spektrum ermittelt werden, welches für eine Relativgeschwindigkeit und/oder eine Distanz der Zielobjekte 230 in der Umgebung 2 spezifisch ist. Es handelt sich dabei insbesondere um ein zweidimensionales Spektrum (entsprechend der zweidimensionalen Matrix gemäß der Erfassungsinformation 210), sodass die unterschiedlichen Koordinaten die unterschiedlichen Parameter (wie die Distanz und die Relativgeschwindigkeit) repräsentieren. Die Erfassungsinformation 210 oder auch daraus resultierende Informationen können gemäß Figur 7 als Eingabe für die Auswertung genutzt werden. Störungen und konkret Interferenzen können insbesondere dann auftreten, wenn zwei Radarsysteme in räumlicher Nähe zueinander zum gleichen Zeitpunkt im gleichen Frequenzbereich senden. Beispielhafte derartige Störer 240 sind in Figur 3 hinsichtlich ihres Störungsfrequenzbereiches neben den entsprechenden Sende- und Empfangssignalen 201 , 202 bzw. Basisbandsignal 203 über die Zeit t dargestellt. In Figur 4 ist das Resultat dieser Störer 204 visualisiert. Dabei kann die Störung 220 in der Form eines Peaks im Zeitbereich auftreten, und somit im Frequenzbereich das Spektrum anheben. Dies ist problematisch, da bspw. Geisterziele detektiert werden können, und die Detektion echter Zielobjekt 230 erschwert werden kann.
In Figur 6 ist ein erfindungsgemäßes Verfahren schematisch visualisiert. Das Verfahren dient zur Erkennung derartiger Störungen 220 bei einem Radarsystem 10 eines Fahrzeuges 1. Zunächst erfolgt dabei ein Empfangen 101 wenigstens eines Empfangssignals 202 des Radarsystems 10. Anschließend erfolgt ein Ermitteln 102 einer Erfassungsinformation 210 aus dem Empfangssignal 202. Dann erfolgt ein Durchführen einer Auswertung 103 der Erfassungsinformation 210 durch wenigstens ein neuronales Netz 401, 402. Abschließend kann gemäß dem Schritt 104 das Ergebnis der Auswertung 103 als Prognose einer Störung 220 des Empfangssignals 202 verwendet werden. Diese Schritte können für unterschiedliche Erfassungszyklen 260 wiederholt werden.
Bei der Auswertung 103 kann zunächst eine Vorverarbeitung der Erfassungsinformation 210 durchgeführt werden, z. B. ein Max-Pooling. Die Erfassungsinformation 210 entspricht z. B. den Rohdaten des Radarsystems mit 128x256 Pixel. Zur Reduzierung der Datenmenge können diese dann auf bspw.
32x32 Pixel verringert werden. Auch in diesen reduzierten Daten sind die Störungen 220 erkennbar. Anschließend können gemäß Figur 7 diese Daten als Eingabe für ein CNN 401 genutzt werden. Das CNN 401 kann die Informationen über die Störung 220 extrahieren, wobei die Ausgabe des CNN 401 als Eingabe für das RNN 402 dienen kann. Florizontale gestrichelte Pfeile repräsentieren die Eigenschaft der RNN 402, dass vorangegangene Auswertungen berücksichtigt werden können. Damit kann das Sendeverhalten der Störer 240 über einen längeren Zeitraum berücksichtigt werden. Anschließend kann die Ausgabe des RNN 402 als Prognose für einen gestörten Frequenz-Zeitbereich im nächsten Erfassungszyklus 260 dienen. Es kann sich hierbei um eine Segmentierung 404 handeln, welche durch entsprechende Ground-Truth Daten 410 angelernt werden kann. Als weiterer Zwischenschritt ist optional noch eine Dekodierung 403 der Ausgabe vorgesehen, um die Segmentierung 404 zu erhalten.
Das CNN 401 kann z. B. eine Architektur aufweisen, bei welcher die Eingabe des CNN 401 zunächst durch eine abwechselnde Durchführung von Faltungen und Max- Pooling-Funktionen verarbeitet wird. In anderen Worten können zunächst (z. B. 3) Convolutional Layer vorgesehen sein, denen sich jeweils ein Pooling Layer anschließt. Es können hierbei Kernelgrößen 3x3x1 und/oder 3x3x2 der Filterkernel Verwendung finden. Anschließend kann die Ausgabe des CNN 401 an das RNN 402 weitergegeben werden. Dieses umfasst z. B. ein LSTM (Long short-term memory) Layer. Abschließend kann die Ausgabe des RNN 402 einem Decoder übergeben werden, welcher z. B. ein Fully-Connected Layser und ein Deconvolution Layer umfasst.
Als Reaktion auf die Ausgabe der prognostizierten Störung 220 kann das Sendesignal 201 im nächsten Erfassungszyklus 260 in einem - zumindest teilweise - anderen Frequenzbereich 251, 252, 253 ausgesendet werden, und somit dem Störungsfrequenzbereich ausweisen. Eine derartige Anpassung des Frequenzbereichs 251, 252, 253 ist in Figur 5 visualisiert. Damit wird im nächsten Erfassungszyklus 260 die Einwirkung der Störung 220 zumindest reduziert. Dennoch können weiterhin Informationen über die Störung 220 in die Erfassungsinformationen 210 zeitlich kodiert einfließen, sodass diese weiterhin durch die Auswertung 103 prognostiziert werden kann. Auch ist es denkbar, dass für die Erfassung dieser zeitlich kodierten Informationen über die Störungen 220 zeitgleich weiterhin ein Empfangssignal 202 im Störungsfrequenzbereich erfasst wird. Die voranstehende Erläuterung der Ausführungsformen beschreibt die vorliegende Erfindung ausschließlich im Rahmen von Beispielen. Selbstverständlich können einzelne Merkmale der Ausführungsformen, sofern technisch sinnvoll, frei miteinander kombiniert werden, ohne den Rahmen der vorliegenden Erfindung zu verlassen.
Bezugszeichenliste
1 Fahrzeug
2 Umgebung
10 Radarsystem 15 Verarbeitungsvorrichtung
101 erster Verfahrensschritt, Empfangen
102 zweiter Verfahrensschritt, Ermitteln
103 dritter Verfahrensschritt, Auswertung
104 vierter Verfahrensschritt, Verwenden
201 Sendesignal
202 Empfangssignal
203 Basisbandsignal, im Zeitbereich
204 Basisbandsignal im Frequenzbereich 210 Erfassungsinformation
220 Interferenz, Störung 230 Zielobjekt
240 Störer
251 erster Frequenzbereich
252 zweiter Frequenzbereich
253 dritter Frequenzbereich
260 Erfassungszyklus
401 CNN, Convolutional Neural Network
402 RNN, rekurrentes neuronales Netz 403 Dekodierung
404 Segmentierung 410 Ground-Truth Daten f Frequenz N Anzahl Frequenz- Chirps T1 Zeitdauer B Bandbreite T2 Zeitdauer

Claims

Patentansprüche
1. Verfahren zur Störungserkennung bei einem Radarsystem (10) eines Fahrzeuges (1), wobei die nachfolgenden Schritte durchgeführt werden:
- Empfangen (101) wenigstens eines Empfangssignals (202) des Radarsystems (10),
- Ermitteln (102) einer Erfassungsinformation (210) aus dem Empfangssignal (202),
- Durchführen einer Auswertung (103) der Erfassungsinformation (210) durch wenigstens ein neuronales Netz (401 , 402),
- Verwenden (104) eines Ergebnisses der Auswertung (103) als Prognose einer Störung (220) des Empfangssignals (202).
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass das wenigstens eine neuronale Netz (401 , 402) zumindest ein rekurrentes neuronales Netz (402) umfasst, welches die Auswertungen (103) zeitlich vorangegangener Erfassungsinformationen (210) berücksichtigt, wobei eine Ausgabe des neuronalen Netzes (401 , 402) als das Ergebnis der Auswertung (103) verwendet wird.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das wenigstens eine neuronale Netz (401 , 402) zumindest ein Convolutional Neural Network (401) umfasst, welches die Erfassungsinformation (210) als Eingabe erhält, und dessen Ausgabe als Eingabe für das rekurrente neuronale Netz (402) verwendet wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Durchführen der Auswertung (103) der Erfassungsinformation (210) die nachfolgenden Schritte umfasst:
- Vorverarbeiten der Erfassungsinformation (210) eines Erfassungszyklus (260), vorzugsweise durch ein Max-Pooling, um die Datengröße der Erfassungsinformation (210) zu reduzieren,
- Extrahieren einer Information über die Störung (220) in der Form wenigstens einer Interferenz beim Empfangssignal (202) aus der vorverarbeiteten Erfassungsinformation (210), insbesondere durch ein Convolutional Neural Network (401),
- Durchführen einer Prognose der wenigstens einen Interferenz für einen zeitlich nachfolgenden Erfassungszyklus (260) anhand der extrahierten Information, und insbesondere anhand der Auswertungen (103) zeitlich vorangegangener Erfassungsinformationen (210).
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Verwenden (104) des Ergebnisses der Auswertung (103), insbesondere einer Ausgabe des neuronalen Netzes (401 , 402), den nachfolgenden Schritt umfasst:
- Bereitstellen der Prognose durch eine Ausgabe des Frequenzbereiches, in welchem die Störung zukünftig vorliegen wird.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Verwenden (104) des Ergebnisses der Auswertung (103), insbesondere einer Ausgabe des neuronalen Netzes (401, 402), den nachfolgenden Schritt umfasst:
- Elektronische Ausgabe des Ergebnisses an eine Elektronik des Fahrzeuges (1), vorzugsweise für ein Steuergerät des Fahrzeuges (1).
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Ergebnis der Auswertung (103) eine Segmentierung der Erfassungsinformation (210) umfasst, welche die prognostizierte Störung (220) indiziert.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das wenigstens eine neuronales Netz (401 , 402) dadurch angelernt ist, dass die nachfolgenden Trainingsschritte vorgesehen sind:
- Speichern mehrerer zeitlich nacheinander ermittelter Erfassungsinformationen (210),
- Bereitstellen von Ground-Truth Daten (410) durch eine Kennzeichnung von Interferenzen in den Erfassungsinformationen (210),
- Anlernen des neuronalen Netzes (401 , 402) mittels Trainingsdaten, welche aus den Erfassungsinformationen (210) und den Ground- Truth Daten (410) gebildet werden.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass das Bereitstellen der Ground-Truth Daten (410) den nachfolgenden
Schritt umfasst:
- Manuelles Kennzeichnen der Interferenzen, um durch das Anlernen das wenigstens eine neuronale Netz (401 , 402) dazu auszubilden, die Interferenzen als die Störung (220) des Empfangssignals (202) zu prognostizieren.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für einen Erfassungszyklus (260) aufeinanderfolgend mehrere Sendesignale (201) des Radarsystems (10) jeweils in wenigstens einem Frequenzbereich (251 , 252, 253) ausgesendet werden, um jeweils ein zugehöriges Empfangssignal (202) zu empfangen, wobei das Sendesignal (201 ) jeweils als wenigstens ein Chirp mit einer zeitlich sich ändernden Frequenz innerhalb des Frequenzbereiches (251, 252, 253) ausgeführt ist.
11. Verfahren nach Anspruch 10, dadurch gekennzeichnet, dass das Ermitteln (102) der Erfassungsinformation (210) pro Erfassungszyklus (260) durchgeführt wird, und jeweils die nachfolgenden Schritte umfasst:
- Durchführen einer Mischung des jeweiligen Sendesignals (201 ) und des zugehörigen Empfangssignals (202), um jeweils ein Basisbandsignal (203) zu erhalten,
- Bestimmen der Erfassungsinformation (210) aus den erhaltenen Basisbandsignalen (203), wobei die Erfassungsinformation (210) für eine Objektdetektion in einer Umgebung (2) des Fahrzeuges (1) spezifisch ist.
12. Verfahren nach Anspruch 10 oder 11 , dadurch gekennzeichnet, dass das Ergebnis der Auswertung (103) eine Angabe eines Störungsfrequenzbereiches aufweist, in welchem in einem zeitlich nachfolgenden Erfassungszyklus (260) die Störung (220) prognostiziert wird, wobei das Verwenden (104) des Ergebnisses der Auswertung (103) eine automatische zumindest teilweise Anpassung des Frequenzbereichs (251 , 252, 253) umfasst, bei welcher die Sendesignale (201) in dem Frequenzbereich (251, 252, 253) ausgesendet werden, welcher zumindest teilweise außerhalb des prognostizierten Störungsfrequenzbereiches liegt, sodass der wenigstens eine Frequenzbereich (251, 252, 253) als ein zumindest teilweise variabler Frequenzbereich ausgeführt ist.
13. Radarsystem (10) zur Detektion von Zielobjekten (230) in einer Umgebung (2) eines Fahrzeuges (1), aufweisend eine Verarbeitungsvorrichtung (15), welche dazu ausgeführt ist, die nachfolgenden Schritte auszuführen:
- Bereitstellen einer Erfassungsinformation (210) aus einem Empfangssignal (202) des Radarsystems (10),
- Durchführen einer Auswertung (103) der Erfassungsinformation (210) durch wenigstens ein neuronales Netz (401 , 402),
- Verwenden (104) eines Ergebnisses der Auswertung (103) als Prognose einer Störung (220) des Empfangssignals (202).
14. Radarsystem (10) nach Anspruch 13, dadurch gekennzeichnet, dass ein Verarbeitungsmittel vorgesehen ist, welches bei Ausführung durch die Verarbeitungsvorrichtung (15) diese zur Durchführung der Schritte eines Verfahrens nach einem der Ansprüche 1 bis 13 veranlasst.
15. Computerprogramm, aufweisend Befehle, die bei einer Ausführung des Computerprogramms durch eine Verarbeitungsvorrichtung (15) diese veranlassen, die nachfolgenden Schritte durchzuführen:
- Bereitstellen einer Erfassungsinformation (210) aus einem Empfangssignal (202) des Radarsystems (10),
- Durchführen einer Auswertung (103) der Erfassungsinformation (210) durch wenigstens ein neuronales Netz (401 , 402),
- Verwenden (104) eines Ergebnisses der Auswertung (103) als Prognose einer Störung (220) des Empfangssignals (202).
PCT/EP2020/080944 2019-11-28 2020-11-04 Verfahren zur störungserkennung bei einem radarsystem WO2021104816A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202080081462.4A CN114761821A (zh) 2019-11-28 2020-11-04 用于在雷达系统中识别干扰的方法
US17/827,153 US20220291329A1 (en) 2019-11-28 2022-05-27 Method for identifying interference in a radar system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019132268.5A DE102019132268A1 (de) 2019-11-28 2019-11-28 Verfahren zur Störungserkennung bei einem Radarsystem
DE102019132268.5 2019-11-28

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/827,153 Continuation US20220291329A1 (en) 2019-11-28 2022-05-27 Method for identifying interference in a radar system

Publications (1)

Publication Number Publication Date
WO2021104816A1 true WO2021104816A1 (de) 2021-06-03

Family

ID=73131762

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/080944 WO2021104816A1 (de) 2019-11-28 2020-11-04 Verfahren zur störungserkennung bei einem radarsystem

Country Status (4)

Country Link
US (1) US20220291329A1 (de)
CN (1) CN114761821A (de)
DE (1) DE102019132268A1 (de)
WO (1) WO2021104816A1 (de)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022127989A1 (de) * 2022-10-24 2024-04-25 Valeo Schalter Und Sensoren Gmbh Verfahren zum Betreiben einer Detektionsvorrichtung mit Störungsbehandlung unter Verwendung eines künstlichen neuronalen Netzwerks
CN115840875A (zh) * 2022-11-10 2023-03-24 北京擎天信安科技有限公司 一种基于Anomaly Transformer的毫米波雷达异常信号检测方法及系统
CN116299219B (zh) * 2023-05-18 2023-08-01 西安电子科技大学 一种干扰深度特征距离度量联合检测与抑制方法
CN116299408B (zh) * 2023-05-25 2023-08-04 中国电子科技集团公司信息科学研究院 一种多雷达自主协同探测系统及探测方法
CN116338598B (zh) * 2023-05-31 2023-08-29 西安电子科技大学 一种基于回溯dqn的雷达抗干扰智能决策方法
CN116400311B (zh) * 2023-06-07 2023-09-19 清华大学 基于生成对抗网络的雷达干扰仿真方法、装置及电子设备
CN116540190A (zh) * 2023-07-06 2023-08-04 西安电子科技大学 一种端到端的自监督智能干扰抑制方法、装置及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017007961A1 (de) * 2017-08-23 2018-01-25 Daimler Ag Verfahren und Vorrichtung zum Erkennen eines Störzustands eines Radarsensors

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180149730A1 (en) * 2016-11-26 2018-05-31 Wenhua Li Cognitive MIMO Radar with Multi-dimensional Hopping Spread Spectrum and Interference-Free Windows for Autonomous Vehicles
DE102017216435B4 (de) * 2017-09-15 2023-12-21 Audi Ag Verfahren zum Betrieb von Radarsensoren und Kraftfahrzeug
DE102018000880B3 (de) * 2018-01-12 2019-02-21 Zf Friedrichshafen Ag Radarbasierte Längs- und Querregelung
US10451712B1 (en) * 2019-03-11 2019-10-22 Plato Systems, Inc. Radar data collection and labeling for machine learning

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017007961A1 (de) * 2017-08-23 2018-01-25 Daimler Ag Verfahren und Vorrichtung zum Erkennen eines Störzustands eines Radarsensors

Also Published As

Publication number Publication date
DE102019132268A1 (de) 2021-06-02
US20220291329A1 (en) 2022-09-15
CN114761821A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
WO2021104816A1 (de) Verfahren zur störungserkennung bei einem radarsystem
EP3175256B1 (de) Verfahren zum klassifizieren eines objektes in einem umgebungsbereich eines kraftfahrzeugs, fahrerassistenzsystem und kraftfahrzeug
DE102006009121B4 (de) Verfahren zur Verarbeitung und Darstellung von mittels Synthetik-Apertur-Radarsystemen (SAR) gewonnen Bodenbildern
DE102020100286A1 (de) Deep learning für superauflösung in einem radarsystem
DE19706576A1 (de) Vorrichtung und Verfahren zur umgebungsadaptiven Klassifikation von Objekten
DE102016225494B4 (de) Verfahren und vorrichtung zum erfassen eines zielobjekts
DE102020100287A1 (de) Deep learning zum de-aliasieren und konfiguration eines radarsystems
WO2021185566A1 (de) Verfahren zum betreiben eines radarsystems
EP4196818A1 (de) Verfahren und vorrichtung zum bestimmen von frequenzstörungen in einem empfangssignal eines aktiven mehrkanal-sar-systems
DE102019200141A1 (de) Verfahren zum Erfassen von Teilbereichen eines Objekts
DE102020105314A1 (de) Verfahren zur Bereitstellung von wenigstens einer Zielinformation
EP3018490B1 (de) Verfahren zur detektion einer interferenz in einem empfangssignal eines radarsensors eines kraftfahrzeugs, recheneinrichtung, fahrerassistenzsystem, kraftfahrzeug sowie computerprogrammprodukt
EP3042156B1 (de) Detektionsverfahren zum lokalisieren eines partikels und vorrichtung zum durchführen eines solchen verfahrens
DE102020132159A1 (de) Verfahren für ein Training eines Autoencoders zur Reduzierung von Störungen bei einem Radarsystem
DE102019220223A1 (de) Verfahren zum Betreiben eines Sensors eines Kraftfahrzeugs
DE102018124688A1 (de) Verfahren zur Unterdrückung von Störungen bei einem Radarsystem
DE102019135372A1 (de) Verfahren zur Überprüfung eines Radarsensors eines Fahrzeuges
WO2020069922A1 (de) Verfahren zur bereitstellung von objektinformationen von statischen objekten in einer umgebung eines fahrzeuges
DE102011016337B4 (de) Verfahren und Vorrichtung zur Abbildung von mit Clutter überlagerten bewegten Objekten mit Radar oder Sonar
DE102021114763B4 (de) Radardetektion und Parameterschätzung beschleunigender Objekte
WO2019042740A1 (de) Verfahren zum betrieb eines radarsystems eines fahrzeuges
WO2020064459A1 (de) Verfahren zur störungserkennung bei einem radarsystem eines fahrzeuges
DE102023110315A1 (de) Simulation eines hochauflösenden radars zum trainieren eines neuronalen netzes eines fahrzeugradarsystems
WO2020069923A1 (de) Verfahren zur erfassung bei einem radarsystem
DE102020215252A1 (de) Verfahren zur radarbasierten Gestenklassifikation und Radarsensor

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20801255

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20801255

Country of ref document: EP

Kind code of ref document: A1