WO2023041305A1 - Verfahren zur auflösung von winkelmehrdeutigkeiten in einem radarnetzwerk - Google Patents

Verfahren zur auflösung von winkelmehrdeutigkeiten in einem radarnetzwerk Download PDF

Info

Publication number
WO2023041305A1
WO2023041305A1 PCT/EP2022/073701 EP2022073701W WO2023041305A1 WO 2023041305 A1 WO2023041305 A1 WO 2023041305A1 EP 2022073701 W EP2022073701 W EP 2022073701W WO 2023041305 A1 WO2023041305 A1 WO 2023041305A1
Authority
WO
WIPO (PCT)
Prior art keywords
tracks
track
radar
ambiguities
plausibility
Prior art date
Application number
PCT/EP2022/073701
Other languages
English (en)
French (fr)
Inventor
Robert DR. KOHLLEPPEL
Philipp Ferdinand DR. RAPP
Original Assignee
Mercedes-Benz Group AG
Robert Bosch Gmbh
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 Mercedes-Benz Group AG, Robert Bosch Gmbh filed Critical Mercedes-Benz Group AG
Priority to EP22769227.4A priority Critical patent/EP4402510A1/de
Priority to KR1020247011231A priority patent/KR20240049643A/ko
Priority to CN202280061969.2A priority patent/CN117940800A/zh
Publication of WO2023041305A1 publication Critical patent/WO2023041305A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
    • G01S13/878—Combination of several spaced transmitters or receivers of known location for determining the position of a transponder or a reflector
    • 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
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar

Definitions

  • the invention relates to a method for resolving angle ambiguities in a spatially incoherent radar network.
  • Radar sensors make it possible, for example during automated, in particular highly automated or autonomous ferry operation of a vehicle, to generate an environment model by detecting backscattering from stationary and moving objects.
  • angle ambiguities can mean that a direction of incidence of a signal and thus positions of detected objects cannot be determined unambiguously.
  • a method and a device for resolving radar angle ambiguities are known from US 2019/0187268 A1.
  • an angular position of a target is determined from a spatial response which has a plurality of amplitude peaks.
  • one or more frequency subspectra are selected that highlight amplitude or phase differences in the spatial response and analyze an irregular shape of the response over a wide field of view to determine the angular position of the target.
  • the angular position of the target has a unique signature that the radar system can determine and use to resolve the radar angle ambiguities.
  • antenna elements of the radar arranged in an array have a spacing which is greater than half the center wavelength of a reflected radar signal which is used to detect the target.
  • the invention is based on the object of specifying a novel method for resolving angle ambiguities in a spatially incoherent radar network.
  • the object is achieved according to the invention by a method which has the features specified in claim 1.
  • a number of radar sensors are used according to the invention to detect an environment, with tracks of detected objects being created in a state space for each radar sensor individually and independently of the other radar sensors.
  • the state space is designed, for example, in such a way that angle ambiguities do not have to be resolved in it.
  • tracks from different radar sensors are assigned to one another under the condition that they plausibly originate from the same object.
  • the tracks assigned to one another are merged for different variants to resolve the angular ambiguities, with each variant being assigned a plausibility measure. The variant with the greatest plausibility is then selected to resolve the angle ambiguities.
  • Angular ambiguities in object positions can be reliably resolved by means of the present method by means of a plausibility check using a number of radar sensors in a radar network.
  • a number of objects incorrectly positioned due to angle ambiguities also referred to as ghost objects, can be reduced.
  • This enables a significant improvement in an environment model generated with the radar sensors.
  • driving behavior can be significantly improved as a result. For example, braking maneuvers for objects that are not actually present at a position can be avoided.
  • the present method is not dependent on a frequency sub-spectrum, so that it can also be used with radar sensors that are not capable of resolving the angle ambiguities themselves.
  • FIG. 1 shows a schematic block diagram of a device for resolving angle ambiguities in a spatially incoherent radar network
  • FIG. 2 schematically shows a conversion of a track detected by means of a radar sensor into a number of hypothetically derived Cartesian tracks and a representation of hypothetically derived Cartesian tracks from a number of sensors and a resulting, most plausible combined track
  • Fig. 4 shows a schematic segmentation, which in a refinement of the
  • FIG. 5 shows a schematic representation of data structures for generating a merged track from tracks detected by means of a large number of radar sensors
  • FIG. 6 shows a schematic representation of a merged track with low plausibility
  • FIG. 7 shows a schematic representation of a merged track with high plausibility.
  • FIG. 1 shows a block diagram of a possible exemplary embodiment of a device 1 for resolving angle ambiguities in a spatially incoherent radar network 2 with a plurality of radar sensors 2.1 to 2.n.
  • Radar sensors 2.1 to 2.n for vehicle applications can be adversely affected by angular ambiguities.
  • such radar sensors 2.1 to 2.n cannot unambiguously determine an angle of incidence of a target signal.
  • the radar sensor 2.1 to 2.n can only determine that a signal from any angle p 0 . . . , p -- out where N is a total number of ambiguities. It is by means of a radar sensor 2.1 to 2.n possible, for example based on an illuminated field of view or internal target tracking, to determine which angle ambiguity is most likely. For further processing, the radar sensor 2.1 to 2.n may only output this most probable angle or also other possible angles.
  • the most likely angle measurements correspond to the correct target position.
  • tracking and fusion algorithms that neglect the ambiguity of the radar measurements can provide good results.
  • the radar sensor 2.1 to 2.n incorrectly resolves the angle ambiguity, such algorithms will probably deliver strongly erroneous results.
  • they can emit ghost objects, i. H. Show objects in positions where there aren't any. Since the effects that cause the radar sensor 2.1 to 2.n to resolve the angle ambiguities incorrectly can exist over a long period of time, these ghost objects can also be long-lived.
  • such ghost objects can have a major impact on driving behavior, for example leading to emergency braking for no real reason.
  • angle ambiguities of tracking and fusion algorithms must not be neglected, even if they only occur with a relatively low frequency.
  • angle ambiguities must be recognized and taken into account in the so-called spawn phase, i.e. an initialization of tracks of the objects, since once a track is established, further ambiguous measurement updates tend to be resolved in such a way that they correspond to the previous resolution of angular ambiguities agree.
  • reliable initialization of the tracks is required in order to be able to deal with emergency situations, for example pedestrians appearing in the roadway who enter the field of view of radar sensors 2.1 to 2.n late, in particular when the vehicle having radar sensors 2.1 to 2.n is already at a short distance from the pedestrian.
  • Emergency situations can also arise from obstacles located a short distance from the vehicle, such as lost cargo, in the roadway, which due to their backscatter properties, can only be detected at a short distance by radar sensors 2.1 to 2.n or other sensors.
  • a method for resolving angle ambiguities in the spatially incoherent radar network 2 is carried out by means of the device 1 .
  • the method is designed for processing and determining angle ambiguities in radar measurements when objects are spawned and is based on the use of multiple radar sensors 2.1 to 2.n, which detect an environment of a vehicle on which they are arranged (hereinafter referred to as ego vehicle ), with overlapping and/or adjacent detection areas or fields of view.
  • a structure of the device 1 depends on the objective of avoiding the use of a full “multiple hypothesis tracking algorithm", which is more difficult to implement and very computationally intensive.
  • the surroundings are detected by means of the radar sensors 2.1 to 2.n, with sensor tracking modules 2.1.1 to 2.n.1 using data tracks T1.1 to T1.m . . . Tn .1 to Tn. x detected objects determined and an association module 3 are supplied.
  • sensor tracking modules 2.1.1 to 2.n.1 create and manage the tracks T1.1 to T1.m . . . Tn.1 to Tn.x independently for each radar sensor 2.1 to 2.n.
  • the tracks T1.1 to T1.m . . . Tn.1 to Tn.x use a state space of measured variables, in particular a distance r, shown in more detail in FIG Radial velocity v rad and a direction cosine u.
  • the direction cosine u designates the cosine or sine of the angle of incidence depending on the definition of the angle. Due to the use of this special state space, the sensor tracking modules 2.1.1 to 2.n.1 do not have to resolve the angle ambiguities since the direction cosine u, which relates to an angle of incidence, the distance r to the radar sensor 2.1 to 2.n and the radial velocity v ra d of the state in the prediction step is not affected.
  • tracks T1.1 to T1.m . . . Tn.1 to Tn.x are combined by an allocation submodule 4 of a multisensor tracking module to form multisensor track groups TG1 to TGz.
  • a combined track S1 to Sy is generated from each of these multisensor track groups TG1 to TGz by means of a combining module 5 .
  • the angular ambiguity must be taken into account when converting a detected sensor track T1 into a derived hypothetical Cartesian track T1.1 to T1.3.
  • a detected sensor track T1 is shown in the left part of FIG is converted into a plurality of hypothetical derived Cartesian tracks T1.1 to T1.3 shown in the middle of FIG. where u tr is the direction cosine u of the track in sensor coordinates for which the ambiguity was not resolved. nAu is the distance between possible resolutions of the ambiguities and u n is the nth possible resolution.
  • T racks T1.1 to T1.3, T2.1 to T2.3, T3.1 to T.3.3 and a resulting, most plausible merged track S1 are shown.
  • the derived Cartesian tracks T1.1 to T1.3 are located in a Cartesian reference system with the coordinates x, y, for example what is known as an integrated driving state coordinate system, also known as an integrated driving state frame, or IDS for short.
  • the derived Cartesian tracks T1.1 to T1.3 only consist of a position state.
  • Tracks T1.1 to T1.3 a number of these tracks T1.1 to T1.3 corresponding to a number of ambiguities in the angle measurement.
  • each derived Cartesian track T1.1 to T1.3 is only one of several hypotheses as to how a sensor track T1 is converted into a Cartesian track T1.1 to T1.3.
  • a variant of the derived Cartesian track T1.1 to T1.3 is a so-called timestamp-adapted derived Cartesian track. "Timestamp-adapted" here refers to the fact that for this type of track the timestamps are specified to match the sensor tracking modules 2.1.1 to 2.n.1.
  • sensor tracks T1 , T2 are converted to timestamp-adapted-derived Cartesian tracks T1.1 to Tl.m ... Tn.1 to Tn.x with common timestamps to create a merge of these tracks T1.1 to Tl.m . .. to enable Tn.1 to Tn.x.
  • t p update times be one
  • Tracks T1.1 to T1.m ... Tn.1 to Tn.x with an index p and ti the timestamps of a common time axis. Then, a state of the track T1, T2 at ti is determined by
  • the track T1.1 to Tl.m ... Tn.1 to Tn.x contains an indicator variable ⁇ D P which is equal to 1 if the tracked target was recognized in journal t k . Otherwise it is 0.
  • a merged track S1 to Sy is formed, for example, by calculating a merged state as a weighted average of the states of the timestamp-adjusted-derived Cartesian tracks T1.1 to Tl.m...Tn.1 to Tn.x. That is, for timestamp-adjusted-derived Cartesian
  • P st is a number of tracks T1 .1 to T1 .m ... Tn.1 to T nx contributing to the merged track S1 to Sy, and is the covariance matrix of the merged track S1 to Sy at time l.
  • FIG. 3 shows an example of a provisional association graph AG.
  • Nodes of the association graph AG are tracks T1.1 to T1.m ... Tn.1 to Tn.x and (weighted) connections represent preliminary associations.
  • FIG. 4 shows an example of segmentations (a) to (d) which are taken into account when the association graph AG is refined.
  • the segmentation (a) corresponds to an original provisional association from a provisional association graph AG.
  • segmentations (b), (c), and (d) one or both of the tentative associations are removed.
  • a multi-sensor tracking module forms multi-sensor track groups TG1 to TGz by assigning tracks T1.1 to Tl.m . . . Tn.1 to Tn.x detected by means of radar sensors 2.1 to 2.n, which are probably the same represent target object.
  • Track T1.1 to T1.m...Tn.1 to Tn.x can include tracks T1.1 to T1.m...Tn.1 to Tn.x of only one radar sensor 2.1 to 2.n, but also by several radar sensors 2.1 to 2.n.
  • Tracks T1.1 to Tl.m . . . Tn.1 to Tn.x between adjacent radar sensors 2.1 to 2.n with overlapping detection areas are assigned using a cost matrix and a so-called Munkres algorithm.
  • the cost matrix relates to the plausibility that two tracks T1.1 to Tl.m ... Tn.1 to Tn.x originate from the same target object.
  • This first step results in an association graph AG, in which the nodes represent the tracks T1.1 to Tl.m...Tn.1 to Tn.x and (weighted) connections preliminary associations, as FIG. 3 shows.
  • the connections of the association graph AG can be removed.
  • track "A” is plausibly from the same target as track “B”
  • track “B” is plausibly from the same target as track “C”
  • tracks "A”, "B” and “C” all together represent the same target object.
  • a multisensor track group TG1 to TGz with tracks T1.1 to Tl.m...Tn.1 to Tn.x of several radar sensors 2.1 to 2.n supplies hypotheses for combined
  • the multi-sensor track group module forms derived Cartesian time stamps from a plurality of time stamps, in particular one per sensor track T1, T2
  • Track T1.1 to Tl.m ... Tn.1 to Tn.x a merged track S1 to Sy, each merged track S1 to Sy being provided with a scalar plausibility value.
  • a most plausible combined track S p is selected from this.
  • a heuristic segmentation algorithm takes on the task of forming multisensor track groups TG1 to TGz from the provisional associations: this algorithm first finds all possible segmentations of the provisionally assigned tracks.
  • tentatively associated tracks A, B and C can be divided into the multi-sensor track groups ⁇ A,B ⁇ and ⁇ C ⁇ , the multi-sensor track groups ⁇ A ⁇ , ⁇ B,C ⁇ , the multi-sensor track Groups ⁇ A ⁇ , ⁇ B ⁇ , ⁇ 0 ⁇ or the common multisensor track group ⁇ A, B, C ⁇ .
  • the segmentation algorithm calculates the plausibility of each segmentation to select the segmentation with the highest plausibility. Given a segmentation and each segment with index m of that segmentation, the segmentation algorithm constructs a merged track S1 through Sy, determined whose plausibility W m tange has a length L m t, m and an average
  • M is the total number of segments within the segmentation.
  • FIG. 6 schematically shows a combined track S1 with low plausibility.
  • the two originally derived Cartesian tracks T1.1, T1.2 show very little agreement.
  • the merged track S1 does not match the derived Cartesian tracks T1.1, T1.2, causing the algorithm to calculate a low plausibility value.
  • FIG. 7 shows a highly plausible representation of a combined track S1.
  • the two originally derived Cartesian tracks T1.1, T1.2 have a high level of agreement, so that the combined track S1 also agrees with the derived Cartesian tracks T1.1, T1.2, as a result of which the algorithm calculates a high plausibility value.
  • the plausibility depends on how well each timestamp-adjusted-derived Cartesian track T1.1 to Tl.m...Tn.1 to Tn.x matches the resulting merged track S1 to Sy.
  • a probability that a tracked target object should have been detected by the contributing radar sensors 2.1 to 2.n is determined based on the merged track S1 to Sy and a sensor model. If actual recognition or non-recognition events agree well with a recognition probability, this leads to a higher plausibility of the merged track S1 to Sy.
  • the combined track Sp with the highest plausibility value is selected from among the plurality of hypothetical tracks S1 to Sy.
  • the goal of resolving the angular ambiguities is achieved by calculating the various hypotheses of the combined tracks S1 to Sy and their plausibility ranking.
  • the plausibility of a merged track is determined, for example, in a heuristic process:
  • a weighting variable is calculated for each derived Cartesian track p and each timestamp l.
  • the weight is according to where p(x;y,P) is the Gaussian probability density function with mean y and covariance matrix P.
  • K is a configurable parameter.
  • p is an index of the missed track T1.1 to T1.m ... Tn.1 to Tn.x
  • v p is an index of the radar sensor 2.1 to 2.n that tracks the track T1.1 to T1.m .. .Tn.1 to Tn.x missed.
  • Track TI .1 to Tl .m ... Tn.1 to Tn.x are treated consistently when calculating the merged track plausibility.
  • the plausibility of the merged track is S1 to Sy where L mt is a number of time steps of the merged track S1 to Sy and Psensors is the number of radar sensors 2.1 to 2.n. This value corresponds to the combined number of tracks T1.1 to T1.m...Tn.1 to Tn.x and missing tracks T1.1 to T1.m...Tn.1 to Tn.x.
  • the algorithm described above is suitable for continuous tracking. However, it is intended to track data only in a short time interval to get merged tracks S1 to Sy, which serve as track initialization or spawning candidate for a main tracking algorithm.
  • This usage restriction allows for a simplification with regard to the plausibility calculation and track merging. This means that a situation in which sensor tracks T1, T2 represent the same target object for a specific time interval and—due to a track identity change—not for another time interval is not dealt with.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk (2). Erfindungsgemäß wird mittels mehrerer Radarsensoren (2.1 bis 2.n) eine Umgebung erfasst. Für jeden Radarsensor (2.1 bis 2.n) werden individuell und unabhängig von den jeweils anderen Radarsensoren (2.1 bis 2.n) Tracks (T1.1 bis T1.m … Tn.1 bis Tn.x) detektierter Objekte in einem Zustandsraum erstellt. Tracks (T1.1 bis T1.m … Tn.1 bis Tn.x) unterschiedlicher Radarsensoren (2.1 bis 2.n) werden unter der Maßgabe, dass diese plausibel von dem gleichen Objekt stammen, einander zugeordnet. Die einander zugeordneten Tracks (T1.1 bis T1.m … Tn.1 bis Tn.x) werden für unterschiedliche Varianten zur Auflösung der Winkelmehrdeutigkeiten fusioniert, wobei den Varianten jeweils ein Plausibilitätsmaß zugeordnet wird und zur Auflösung der Winkelmehrdeutigkeiten die Variante mit der größten Plausibilität ausgewählt wird.

Description

Mercedes-Benz Group AG Böpple
Robert Bosch GmbH 25.08.2022
Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem Radarnetzwerk
Die Erfindung betrifft ein Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk.
Radarsensoren ermöglichen, beispielsweise während eines automatisierten, insbesondere hochautomatisierten oder autonomen Fährbetriebs eines Fahrzeugs, eine Erzeugung eines Umgebungsmodells durch Detektion von Rückstreuungen von stationären und bewegten Objekten. Winkelmehrdeutigkeiten können jedoch dazu führen, dass eine Einfallsrichtung eines Signals und somit Positionen von erfassten Objekten nicht eindeutig bestimmt werden können.
Aus der US 2019/0187268 A1 sind ein Verfahren und eine Vorrichtung zur Auflösung von Radarwinkelmehrdeutigkeiten bekannt. Hierbei wird eine Winkelposition eines Ziels aus einer räumlichen Rückantwort bestimmt, welche mehrere Amplitudenspitzen aufweist. Hierbei wird bzw. werden zur Auflösung der Radarwinkelmehrdeutigkeit ein Frequenz- Unterspektrum oder mehrere Frequenz- Unterspektren ausgewählt, welche Amplitudenoder Phasenunterschiede in der räumlichen Rückantwort hervorheben und eine unregelmäßige Form der Rückantwort über ein breites Sichtfeld analysieren, um die Winkelposition des Ziels zu bestimmen. Dabei weist die Winkelposition des Ziels eine eindeutige Signatur auf, welche das Radarsystem bestimmen und verwenden kann, um die Radarwinkelmehrdeutigkeiten aufzulösen. In einem Array angeordnete Antennenelemente des Radars weisen hierbei einen Abstand auf, der größer als eine halbe Mittenwellenlänge eines reflektierten Radarsignals ist, welches verwendet wird, um das Ziel zu detektieren.
Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk anzugeben. Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren, welches die im Anspruch 1 angegebenen Merkmale aufweist.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
In dem Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk wird erfindungsgemäß mittels mehrerer Radarsensoren eine Umgebung erfasst, wobei für jeden Radarsensor individuell und unabhängig von den jeweils anderen Radarsensoren Tracks detektierter Objekte in einem Zustandsraum erstellt werden. Der Zustandsraum ist beispielsweise derart ausgebildet, dass Winkelmehrdeutigkeiten in diesen nicht aufgelöst werden müssen. Weiterhin werden Tracks unterschiedlicher Radarsensoren unter der Maßgabe, dass diese plausibel von dem gleichen Objekt stammen, einander zugeordnet. Die einander zugeordneten Tracks werden für unterschiedliche Varianten zur Auflösung der Winkelmehrdeutigkeiten fusioniert, wobei den Varianten jeweils ein Plausibilitätsmaß zugeordnet wird. Zur Auflösung der Winkelmehrdeutigkeiten wird dann die Variante mit der größten Plausibilität ausgewählt.
Mittels des vorliegenden Verfahrens können Winkelmehrdeutigkeiten von Objektpositionen durch die Plausibilisierung durch mehrere Radarsensoren eines Radarnetzwerks zuverlässig aufgelöst werden. Somit kann eine Anzahl von aufgrund von Winkelmehrdeutigkeiten falsch positionierten Objekten, auch als Geisterobjekte bezeichnet, reduziert werden. Dies ermöglicht eine signifikante Verbesserung eines mit den Radarsensoren erzeugten Umgebungsmodells. Im Kontext eines Systems zum automatisierten Fahren eines Fahrzeugs kann dadurch ein Fahrverhalten signifikant verbessert werden. Beispielsweise können Bremsmanöver für in Wirklichkeit an einer Position nicht vorhandene Objekte vermieden werden.
Im Gegensatz zum Stand der Technik ist das vorliegende Verfahren dabei nicht auf ein Frequenzunterspektrum angewiesen, so dass es auch mit Radarsensoren, welche eine Auflösung der Winkelmehrdeutigkeiten selbst nicht beherrschen, anwendbar ist.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.
Dabei zeigen: Fig. 1 schematisch ein Blockschaltbild einer Vorrichtung zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk,
Fig. 2 schematisch eine Überführung eines mittels eines Radarsensors erfassten Tracks in mehrere hypothetisch abgeleitete kartesische Tracks sowie eine Darstellung von hypothetisch abgeleiteten kartesischen Tracks von mehreren Sensoren und einem resultierenden, plausibelsten zusammengeführten Track,
Fig. 3 schematisch einen vorläufigen Assoziationsgraphen mehrerer Radarsensoren,
Fig. 4 schematisch Segmentierungen, welche bei einer Verfeinerung des
Assoziationsgraphen gemäß Figur 3 berücksichtigt werden,
Fig. 5 schematisch eine Darstellung von Datenstrukturen zur Erzeugung eines zusammengeführten Tracks aus mittels einer Vielzahl von Radarsensoren erfassten Tracks,
Fig. 6 schematisch eine Darstellung eines zusammengeführten Tracks mit geringer Plausibilität und
Fig. 7 schematisch eine Darstellung eines zusammengeführten Tracks mit hoher Plausibilität.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
In Figur 1 ist ein Blockschaltbild eines möglichen Ausführungsbeispiels einer Vorrichtung 1 zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk 2 mit mehreren Radarsensoren 2.1 bis 2.n dargestellt.
Radarsensoren 2.1 bis 2.n für Fahrzeuganwendungen können durch Winkelmehrdeutigkeiten beeinträchtigt werden. Solche Radarsensoren 2.1 bis 2.n können zusätzlich zu normalen Messunsicherheiten einen Einfallswinkel eines Zielsignals nicht eindeutig bestimmen. Das heißt, der Radarsensor 2.1 bis 2.n kann nur feststellen, dass ihn ein Signal von einem beliebigen Winkel p0, . . . , p -- aus erreicht, wobei N eine Gesamtzahl der Mehrdeutigkeiten ist. Mittels eines Radarsensors 2.1 bis 2.n ist es möglich, beispielsweise basierend auf einem beleuchteten Sichtfeld oder einer internen Zielverfolgung, festzustellen, welche Winkelmehrdeutigkeit am wahrscheinlichsten ist. Zu einer Weiterverarbeitung darf der Radarsensor 2.1 bis 2.n nur diesen wahrscheinlichsten Winkel oder zusätzlich auch weitere mögliche Winkel ausgeben.
In vielen Fällen entsprechen die wahrscheinlichsten Winkelmessungen der korrekten Zielposition. In diesen Fällen können Tracking- und Fusionsalgorithmen, die die Mehrdeutigkeit der Radarmessungen vernachlässigen, gute Ergebnisse liefern. In Fällen, in denen der Radarsensor 2.1 bis 2.n die Winkelmehrdeutigkeit falsch auflöst, werden solche Algorithmen wahrscheinlich stark fehlerhafte Ergebnisse liefern. Insbesondere können sie Geisterobjekte ausgeben, d. h. Objekte an Positionen anzeigen, an denen es eigentlich keine gibt. Da die Effekte, die den Radarsensor 2.1 bis 2.n zu einer fehlerhaften Auflösung der Winkelmehrdeutigkeiten führen, über einen langen Zeitraum bestehen können, können auch diese Geisterobjekte langlebig sein. Im automatisierten, insbesondere hochautomatisierten oder autonomen Fährbetrieb eines Fahrzeugs können solche Geisterobjekte das Fahrverhalten stark beeinflussen, beispielsweise zu einer Notbremsung ohne wirklichen Grund führen.
Um die Erkennung solcher Geisterobjekte zu vermeiden, ist es möglich, Schwellwerte für die Erstellung von Objekten basierend auf Radardaten zu erhöhen. Hieraus resultiert jedoch eine Verringerung eines Vertrauens in den Radarsensor 2.1 bis 2.n und damit seine Nützlichkeit. Auch können hieraus weitere Probleme resultieren, beispielsweise eine späte Erkennung oder sogar verfehlte Objekte.
Somit dürfen, auch wenn diese nur mit einer relativ geringen Häufigkeit auftreten, Winkelmehrdeutigkeiten von Tracking- und Fusionsalgorithmen nicht vernachlässigt werden. Insbesondere müssen Winkelmehrdeutigkeiten in der so genannten Spawn- Phase, das heißt einer Initialisierung von Tracks der Objekte, erkannt und berücksichtigt werden, da, sobald ein Track erstellt ist, weitere mehrdeutige Messaktualisierungen dazu neigen, so aufgelöst zu werden, dass sie mit der vorherigen Auflösung von Winkelmehrdeutigkeiten übereinstimmen. Darüber hinaus ist eine zuverlässige Initialisierung der Tracks erforderlich, um Notfallsituationen bewältigen zu können, beispielsweise ein Auftreten von Fußgängern im Fahrweg, welche spät in ein Sichtfeld des Radarsensors 2.1 bis 2.n eintreten, insbesondere wenn das den Radarsensor 2.1 bis 2.n aufweisende Fahrzeug bereits in geringem Abstand zu dem Fußgänger ist. Auch können Notfallsituationen aus in geringem Abstand zum Fahrzeug befindlichen Hindernissen, wie beispielsweise verlorener Ladung, im Fahrweg, welche aufgrund ihrer Rückstreueigenschaften erst bei kurzer Distanz durch Radarsensoren 2.1 bis 2.n oder anderen Sensoren erkannt werden können, resultieren.
Um diese Probleme zu lösen, wird mittels der Vorrichtung 1 ein Verfahren zur Auflösung von Winkelmehrdeutigkeiten in dem räumlich inkohärenten Radarnetzwerk 2 ausgeführt.
Das Verfahren ist dabei für eine Verarbeitung und Ermittlung von Winkelmehrdeutigkeiten bei Radarmessungen beim Spawnen von Objekten ausgebildet und beruht auf der Verwendung mehreren Radarsensoren 2.1 bis 2.n, welche eine Umgebung eines Fahrzeugs, an welchem diese angeordnet sind (im Folgenden als Ego-Fahrzeug bezeichnet), mit sich überlappenden und/oder benachbarten Erfassungsbereichen bzw. Sichtfeldern erfassen. Ein Aufbau der Vorrichtung 1 ist abhängig von der Zielsetzung, den Einsatz eines vollständigen "Multiple-Hypothesen-Tracking-Algorithmus" zu vermeiden, welcher schwieriger zu implementieren und sehr rechenintensiv ist.
Mittels der Radarsensoren 2.1 bis 2.n erfolgt eine Umgebungserfassung, wobei mittels Sensortracking-Modulen 2.1.1 bis 2.n.1 aus mittels der Radarsensoren 2.1 bis 2.n erfassten Daten T racks T1.1 bis T1.m ... Tn.1 bis Tn. x detektierter Objekte ermittelt und einem Assoziations-Modul 3 zugeführt werden. Dabei erstellen und verwalten Sensortracking-Module 2.1.1 bis 2.n.1 die Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x unabhängig für jeden Radarsensor 2.1 bis 2.n. Die Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x verwenden einen Zustandsraum von Messgrößen, insbesondere eine in Figur 2 näher dargestellte Entfernung r eines detektierten und/oder verfolgten Objekts zum Radarsensor 2.1 bis 2.n, eine Radialgeschwindigkeit vrad und einen Richtungskosinus u. Der Richtungskosinus u bezeichnet dabei den Kosinus oder Sinus des Einfallswinkels je nach Definition des Winkels. Aufgrund der Verwendung dieses speziellen Zustandsraums müssen die Sensortracking-Module 2.1.1 bis 2.n.1 die Winkelmehrdeutigkeiten nicht auflösen, da der Richtungskosinus u, der sich auf einen Einfallswinkel bezieht, die Entfernung r zum Radarsensor 2.1 bis 2.n und die Radialgeschwindigkeit vrad des Zustands im Vorhersageschritt nicht beeinflusst.
Weiterhin werden die T racks T1.1 bis T1.m ... Tn.1 bis Tn.x durch ein Zuordnungs- Submodul 4 eines Multisensor-Tracking-Moduls zu Multisensor-Track- Gruppen TG1 bis TGz zusammengefasst.
Aus jeder dieser Multisensor-Track-Gruppen TG1 bis TGz wird mittels eines Zusammenführungsmoduls 5 ein zusammengeführter Track S1 bis Sy generiert. Jedoch muss, wie in Figur 2 näher dargestellt, bei einer Umwandlung eines erfassten Sensortracks T1 in einen abgeleiteten hypothetischen kartesischen Track T1.1 bis T1.3 die Winkelmehrdeutigkeit berücksichtigt werden.
Dabei ist im linken Teil von Figur 2 ein erfasster Sensortrack T1 dargestellt, welcher beispielsweise gemäß
Figure imgf000008_0001
in mehrere in der Mitte der Figur 2 dargestellte hypothetische abgeleitete kartesische Tracks T1.1 bis T1.3 umgewandelt wird. Dabei ist utrder Richtungskosinus u des Tracks in Sensorkoordinaten, bei welchem die Mehrdeutigkeit nicht aufgelöst wurde. nAu ist der Abstand zwischen möglichen Auflösungen der Mehrdeutigkeiten und un ist die n-te mögliche Auflösung.
Jede Hypothese, vorliegend drei, entspricht einer Möglichkeit, die Winkelmehrdeutigkeit aufzulösen.
Im rechten Teil der Figur 2 sind aus von mehreren Radarsensoren 2.1 bis 2.n erfassten Tracks hypothetische abgeleitete kartesische
T racks T1.1 bis T1.3, T2.1 bis T2.3, T3.1 bis T.3.3 und ein resultierender, plausibelster zusammengeführter Track S1 dargestellt.
Die abgeleiteten kartesischen Tracks T1.1 bis T1.3 befinden sich in einem kartesischen Bezugssystem mit den Koordinaten x, y, beispielsweise einem so genannten integrierten Fahrzustandskoordinatensystem, auch als Integrated Driving State Frame, kurz: IDS, bezeichnet. Die abgeleiteten kartesischen Tracks T1.1 bis T1.3 bestehen dabei nur aus einem Positionszustand.
Aufgrund der Winkelmehrdeutigkeit existieren mehrere abgeleitete kartesische
Tracks T1.1 bis T1.3, wobei eine Anzahl dieser Tracks T1.1 bis T1.3 einer Anzahl von Mehrdeutigkeiten bei der Winkelmessung entspricht. Somit ist jeder abgeleitete kartesische Track T1.1 bis T1.3 nur eine von mehreren Hypothesen, wie ein Sensortrack T1 in einen kartesischen Track T1.1 bis T1.3 umgewandelt wird. Eine Variante des abgeleiteten kartesischen Tracks T1.1 bis T1.3 ist ein so genannter Zeitstempel-angepasster-abgeleiteter kartesischer Track. "Zeitstempel-angepasst" bezieht sich hier auf die Tatsache, dass für diese Art von Track die Zeitstempel so vorgegeben werden, dass sie mit den Sensortracking-Module 2.1.1 bis 2.n.1 übereinstimmen.
Beispielsweise werden Sensortracks T1 , T2 in Zeitstempel-angepasste-abgeleitete kartesische Tracks T1.1 bis Tl .m ... Tn.1 bis Tn. x mit gemeinsamen Zeitstempeln, umgewandelt, um eine Zusammenführung dieser Tracks T1.1 bis Tl .m ... Tn.1 bis Tn.x zu ermöglichen. Dabei seien tp, Aktualisierungszeiten eines
Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x mit einem Index p und ti die Zeitstempel einer gemeinsamen Zeitachse. Dann wird ein Zustand des Tracks T1 , T2 bei ti bestimmt durch
Umwandlung des T racks T1 , T2 in einen kartesischen
Track T1.1 bis T1.m ... Tn.1 bis Tn.x mit einem Zustand ~xpJi und einer Kovarianzmatrix ~PP,k, anschließend Vorhersage des Zustands zum Zeitstempel ti, um den Zustand xp,i mit der Kovarianzmatrix PP i zu erhalten.
Der Track T1.1 bis Tl .m ... Tn.1 bis Tn.x enthält eine Indikatorvariable ~DP„ die gleich 1 ist, wenn das verfolgte Zielobjekt im Zeitschrift tk erkannt wurde. Andernfalls ist sie 0. Für die Zeitstempel-angepassten-abgeleiteten kartesischen
Tracks T1.1 bis Tl .m ... Tn.1 bis Tn.x wird bei ZeitstempeU die entsprechende Variable Dp auf den Wert von ~DP des Zeitstempels tk gesetzt, der vorausgeht. Somit wird immer angezeigt, ob das verfolgte Zielobjekt bei der vorherigen Gelegenheit erkannt wurde.
Ein zusammengeführter Track S1 bis Sy wird beispielsweise durch Berechnen eines zusammengeführten Zustands als gewichteter Durchschnitt aus den Zuständen der Zeitstempel-angepassten-abgeleiteten kartesischen Tracks T1 .1 bis Tl .m ... Tn.1 bis Tn.x gebildet. Das heißt, für Zeitstempel-angepasste-abgeleitete kartesische
Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x mit einem Zustand xp und der Kovarianzmatrix Pp ist der zusammengeführte Trackzustand
Figure imgf000009_0001
Dabei ist Pst eine Anzahl der T racks T1 .1 bis T1 .m ... Tn.1 bis T n.x, die zum zusammengeführten Track S1 bis Sy beitragen, und
Figure imgf000010_0001
ist die Kovarianzmatrix des zusammengeführten Tracks S1 bis Sy zum Zeitpunkt l.
In Figur 3 ist ein Beispiel für einen vorläufigen Assoziationsgraphen AG dargestellt. Knoten des Assoziationsgraphen AG sind T racks T1.1 bis T1.m ... Tn.1 bis Tn. x und (gewichtete) Verbindungen repräsentieren vorläufige Assoziationen. Figur 4 zeigt ein Beispiel für Segmentierungen (a) bis (d), welche bei einer Verfeinerung des Assoziationsgraphen AG berücksichtigt werden. Die Segmentierung (a) entspricht dabei einer ursprünglichen vorläufigen Assoziation aus einem vorläufigen Assoziationsgraphen AG. Bei den Segmentierungen (b), (c) und (d) werden eine oder beide der vorläufigen Assoziationen entfernt.
Ein Multisensor-Tracking-Modul bildet Multisensor-Track-Gruppen TG1 bis TGz, indem es mittels der Radarsensoren 2.1 bis 2. n erfasste Tracks T1.1 bis Tl.m ... Tn.1 bis Tn. x zuordnet, die wahrscheinlich dasselbe Zielobjekt darstellen. Ein
Track T1.1 bis T1.m ... Tn.1 bis Tn. x kann dabei Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x von nur einem Radarsensor 2.1 bis 2.n umfassen, aber auch von mehreren Radarsensoren 2.1 bis 2.n.
Eine Zuordnung erfolgt dabei in zwei Schritten: In einem ersten Schritt werden
Tracks T1.1 bis Tl .m ... Tn.1 bis Tn.x zwischen benachbarten Radarsensoren 2.1 bis 2.n mit überlappenden Erfassungsbereichen mit Hilfe einer Kostenmatrix und einem so genannten Munkres-Algorithmus zugeordnet. Die Kostenmatrix bezieht sich auf die Plausibilität, dass zwei Tracks T1.1 bis Tl.m ... Tn.1 bis Tn.x vom gleichen Zielobjekt stammen. Dieser erste Schritt ergibt einen Assoziationsgraphen AG, bei welchem die Knoten die Tracks T1.1 bis Tl .m ... Tn.1 bis Tn.x und (gewichtete) Verbindungen vorläufige Assoziationen repräsentieren, wie Figur 3 zeigt.
In einem zweiten Schritt können die Verbindungen des Assoziationsgraphen AG entfernt werden. In einem beispielhaften Fall für eine solche Entfernung stammt Track "A" plausibel von demselben Zielobjekt wie Track "B", Track "B" stammt plausibel von demselben Zielobjekt wie Track "C", aber es ist unplausibel, dass die Tracks "A", "B" und "C" alle zusammen das gleiche Zielobjekt repräsentieren. Obwohl dieser Fall kontraintuitiv erscheint, kann er aufgrund der mehrdeutigen Winkelmessungen auftreten. Eine Multisensor-Track-Gruppe TG1 bis TGz mit Tracks T1.1 bis Tl .m ... Tn.1 bis Tn.x mehrerer Radarsensoren 2.1 bis 2.n liefert Hypothesen für zusammengeführte
Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x mit mehreren Radarsensoren 2.1 bis 2.n. Aufgrund der Kombination von Hypothesen bezüglich einer Umwandlung von Sensortracks T1 , T2 in abgeleitete kartesische Tracks T1.1 bis Tl.m ... Tn.1 bis Tn.x gibt es mehrere Hypothesen. Beispielsweise gibt es für eine Multisensor-Track-Gruppe TG1 bis TGz, die aus zwei Sensortracks T1 , T2 besteht, wobei jeder T rack T1 , T2 drei hypothetische Umwandlungen in abgeleitete kartesische Tracks T1.1 bis Tl .m ... Tn.1 bis Tn.x enthält, insgesamt 3 x 3 = 9 hypothetische zusammengeführte
Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x. Dies ist in Figur 5 näher dargestellt.
Das Multi-Sensor-Track-Gruppenmodul bildet aus mehreren, insbesondere einem pro Sensortrack T1 , T2, Zeitstempel-angepassten-abgeleiteten kartesischen
Track T1.1 bis Tl .m ... Tn.1 bis Tn.x einen zusammengeführten Track S1 bis Sy, wobei jeder zusammengeführte Track S1 bis Sy mit einem skalaren Plausibilitätswert versehen ist. Daraus wird ein plausibelster zusammengeführter Track Sp gewählt.
Beispielsweise führt ein anfänglicher Schritt zur Zuordnung von
Tracks T1.1 bis Tl .m ... Tn.1 bis Tn.x zu Multisensor-Track-Gruppen TG1 bis TGz zu vorläufig zugeordneten Tracks. In manchen Fällen ist es zwar angebracht, diese vorläufigen Assoziationen beizubehalten, in anderen Fällen kann es jedoch sinnvoll sein, diese aufzuteilen. Die Aufgabe, Multisensor-Track-Gruppen TG1 bis TGz aus den vorläufigen Assoziationen zu bilden, übernimmt ein heuristischer Segmentierungsalgorithmus: Dieser Algorithmus findet zunächst alle möglichen Segmentierungen der vorläufig zugeordneten Tracks. Dabei können vorläufig assoziierte Tracks A, B und C aufgeteilt werden in die Multisensor-Track-Gruppen {A,B} und {C}, die Multisensor-Track-Gruppen {A}, {B,C}, die Multisensor-Track-Gruppen {A}, {B}, {0} oder die gemeinsame Multisensor-Track-Gruppe {A, B, C}.
Dann berechnet der Segmentierungsalgorithmus die Plausibilität jeder Segmentierung, um die Segmentierung mit der höchsten Plausibilität auszuwählen. Für eine gegebene Segmentierung und jedes Segment mit dem Index m dieser Segmentierung konstruiert der Segmentierungsalgorithmus einen zusammengeführten Track S1 bis Sy, bestimmt dessen Plausibilität Wmt„ eine Länge Lmt,m und eine durchschnittliche
Plausibilität ~Wmt,m = Wmt, Lmt,m- Die Plausibilität der Segmentierung ist dann gegeben durch
Figure imgf000012_0001
Dabei ist M die Gesamtzahl der Segmente innerhalb der Segmentierung. Schließlich wird die Segmentierung mit der höchsten Plausibilität ausgewählt.
Figur 6 zeigt schematisch eine Darstellung eines zusammengeführten Tracks S1 mit geringer Plausibilität. Die beiden ursprünglich abgeleiteten kartesischen Tracks T1.1, T1.2 weisen eine sehr geringe Übereinstimmung auf. Somit stimmt der zusammengeführte T rack S1 nicht mit den abgeleiteten kartesischen T racks T1.1 , T1.2 überein, wodurch der Algorithmus einen niedrigen Plausibilitätswert berechnet.
In Figur 7 ist eine Darstellung eines zusammengeführten Tracks S1 mit hoher Plausibilität dargestellt. Dabei weisen die beiden ursprünglich abgeleiteten kartesischen Tracks T1.1 , T1.2 eine hohe Übereinstimmung auf, so dass auch der zusammengeführte Track S1 mit den abgeleiteten kartesischen Tracks T1.1, T1.2 übereinstimmt, wodurch der Algorithmus einen hohen Plausibilitätswert berechnet.
Die Plausibilität hängt davon ab, wie gut jeder Zeitstempel-angepasste-abgeleitete kartesische Track T1.1 bis Tl.m ... Tn.1 bis Tn.x mit dem resultierenden zusammengeführten Track S1 bis Sy übereinstimmt. Außerdem wird eine Wahrscheinlichkeit, dass ein verfolgtes Zielobjekt von den beitragenden Radarsensoren 2.1 bis 2.n hätte erfasst werden sollen, basierend auf dem zusammengeführten Track S1 bis Sy und einem Sensormodell, bestimmt. Stimmen tatsächliche Erkennungs- oder Nichterkennungsereignisse gut mit einer Erkennungswahrscheinlichkeit überein, führt dies zu einer höheren Plausibilität des zusammengeführten Tracks S1 bis Sy. Schließlich wird unter den mehreren hypothetischen Tracks S1 bis Sy der zusammengeführte Track Sp mit dem höchsten Plausibilitätswert ausgewählt. Durch die Berechnung der verschiedenen Hypothesen der zusammengeführten Tracks S1 bis Sy und deren Plausibilitätsrangfolge wird das Ziel erreicht, die Winkelmehrdeutigkeiten aufzulösen. Die Plausibilität eines zusammengeführten Tracks wird beispielsweise in einem heuristischen Verfahren bestimmt:
Überlappen sich die Zeitstempel-angepassten-abgeleiteten kartesischen Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x zeitlich nicht, dann hat der zusammengeführte Track S1 bis Sy die Länge 0. Somit wird in diesem Fall die Plausibilität auf Wmt = 0 gesetzt.
- Ansonsten wird für jeden abgeleiteten kartesischen Track p und jeden Zeitstempel l eine Gewichtungsvariable berechnet. Für Zeitstempel mit Dp = 0 (keine Erkennung) ist ein Gewicht wp = 1 - PD(x;; vp), wobei vp eine ID des Radarsensors 2.1 bis 2.n ist, von dem der Track p erhalten wurde und wobei PD(x; v) die Wahrscheinlichkeit ist, ein Zielobjekt mit einen Zustand x durch einen Radarsensor 2.1 bis 2.n mit der ID v zu erkennen. Für Zeitstempel mit Dp,i = 1 (Ziel erkannt) wird das Gewicht gemäß
Figure imgf000013_0001
ermittelt, wobei p(x; y, P) die Gaußsche Wahrscheinlichkeitsdichtefunktion mit dem Mittelwert y und der Kovarianzmatrix P ist. Außerdem ist K ein konfigurierbarer Parameter.
Wenn das Zielobjekt nicht von einem Radarsensor 2.1 bis 2.n verfolgt wird, das heißt, es gibt keinen Track T1.1 bis T1.m ... Tn.1 bis Tn.x von diesem Radarsensor 2.1 bis 2.n in der Multisensor-Track-Gruppe TG1 bis TGz, werden alle Zeitindizes als Zeitindizes für verpasste Erkennungen behandelt und die Gewichte werden auf wp,i = 1 - PD(X;; vp) gesetzt. Dabei ist p ein Index des verpassten Track T1.1 bis T1.m ... Tn.1 bis Tn.x und vp ein Index des Radarsensors 2.1 bis 2.n, der den Track T1.1 bis T1.m ... Tn.1 bis Tn.x verpasst hat. Mit diesen Definitionen kann der verpasste
Track TI .1 bis Tl .m ... Tn.1 bis Tn.x bei der Berechnung der zusammengeführten Track-Plausibilität konsistent behandelt werden.
Schließlich ist die Plausibilität des zusammengeführten Tracks S1 bis Sy
Figure imgf000013_0002
wobei Lmt eine Anzahl von Zeitschritten des zusammengeführten Tracks S1 bis Sy und Psensors die Anzahl der Radarsensoren 2.1 bis 2.n ist. Dieser Wert entspricht der kombinierten Anzahl von T racks T1 .1 bis T1 .m ... Tn.1 bis Tn. x und fehlenden Tracks T1.1 bis T1.m ... Tn.1 bis Tn.x.
Der zuvor beschriebene Algorithmus ist prinzipiell für ein kontinuierliches Tracking geeignet. Es ist jedoch beabsichtigt, Daten lediglich in einem kurzen Zeitintervall zu verfolgen, um zusammengeführte Tracks S1 bis Sy zu erhalten, die als Trackinitialisierung oder Spawning-Kandidat für einen Hauptverfolgungsalgorithmus dienen. Diese Nutzungseinschränkung ermöglicht eine Vereinfachung hinsichtlich der Plausibilitätsberechnung und einer Trackzusammenführung. Das heißt, eine Situation, dass Sensortracks T1 , T2 für ein bestimmtes Zeitintervall dasselbe Zielobjekt darstellen und - aufgrund eines Trackidentitätswechsels - für ein anderes Zeitintervall nicht, wird nicht behandelt.
Bezugszeichenliste
1 Vorrichtung
2 Radarnetzwerk
2.1 bis 2.n Radarsensor
2.1.1 bis 2.n.1 Sensortracking-Modul
3 Assoziations-Modul
4 Zuordnungs-Submodul
5 Zusammenführungsmodul
(a) bis (d) Segmentierungen
AG Assoziationsgraph r Entfernung
S1 bis Sy Track
SP Track
T1 Sensortrack
T2 Sensortrack
TG1 bis TGz Multisensor-T rack-Gruppe
T1.1 bis Tl .m ... Tn.1 bis Tn.x Track u Richtungskosinus
Vrad Radialgeschwindigkeit
X Koordinate y Koordinate

Claims

Patentansprüche Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem räumlich inkohärenten Radarnetzwerk (2), dadurch gekennzeichnet, dass mittels mehrerer Radarsensoren (2.1 bis 2.n) eine Umgebung erfasst wird, für jeden Radarsensor (2.1 bis 2.n) individuell und unabhängig von den jeweils anderen Radarsensoren (2.1 bis 2.n) Tracks (T1.1 bis Tlm ... Tn.1 bis Tn.x) detektierter Objekte in einem Zustandsraum erstellt werden,
Tracks (T1.1 bis T1.m ... Tn.1 bis Tn. x) unterschiedlicher
Radarsensoren (2.1 bis 2.n) unter der Maßgabe, dass diese plausibel von dem gleichen Objekt stammen, einander zugeordnet werden, die einander zugeordneten T racks (T1.1 bis T1.m ... Tn.1 bis T n.x) für unterschiedliche Varianten zur Auflösung der Winkelmehrdeutigkeiten fusioniert werden, den Varianten jeweils ein Plausibilitätsmaß zugeordnet wird und zur Auflösung der Winkelmehrdeutigkeiten die Variante mit der größten Plausibilität ausgewählt wird.
PCT/EP2022/073701 2021-09-14 2022-08-25 Verfahren zur auflösung von winkelmehrdeutigkeiten in einem radarnetzwerk WO2023041305A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP22769227.4A EP4402510A1 (de) 2021-09-14 2022-08-25 Verfahren zur auflösung von winkelmehrdeutigkeiten in einem radarnetzwerk
KR1020247011231A KR20240049643A (ko) 2021-09-14 2022-08-25 레이더 네트워크에서 각도 모호성들을 해결하기 위한 방법
CN202280061969.2A CN117940800A (zh) 2021-09-14 2022-08-25 用于解决雷达网络中的角度多义性的方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021210143.7 2021-09-14
DE102021210143.7A DE102021210143A1 (de) 2021-09-14 2021-09-14 Verfahren zur Auflösung von Winkelmehrdeutigkeiten in einem Radarnetzwerk

Publications (1)

Publication Number Publication Date
WO2023041305A1 true WO2023041305A1 (de) 2023-03-23

Family

ID=83283108

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/073701 WO2023041305A1 (de) 2021-09-14 2022-08-25 Verfahren zur auflösung von winkelmehrdeutigkeiten in einem radarnetzwerk

Country Status (5)

Country Link
EP (1) EP4402510A1 (de)
KR (1) KR20240049643A (de)
CN (1) CN117940800A (de)
DE (1) DE102021210143A1 (de)
WO (1) WO2023041305A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022205584B4 (de) 2022-06-01 2024-02-29 Mercedes-Benz Group AG Verfahren zum Unterdrücken von auf Winkelmehrdeutigkeiten beruhenden Fehlortungen eines winkelauflösenden Radarsystems

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140218228A1 (en) * 2013-02-07 2014-08-07 Denso Corporation Target recognition apparatus
US20190187268A1 (en) 2017-12-15 2019-06-20 Google Llc Radar Angular Ambiguity Resolution
US10338216B2 (en) * 2016-11-04 2019-07-02 GM Global Technology Operations LLC Object detection in multiple radars
CN112014835A (zh) * 2020-09-01 2020-12-01 中国电子科技集团公司信息科学研究院 分布式稀疏阵列雷达在栅瓣模糊下的目标跟踪方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140218228A1 (en) * 2013-02-07 2014-08-07 Denso Corporation Target recognition apparatus
US10338216B2 (en) * 2016-11-04 2019-07-02 GM Global Technology Operations LLC Object detection in multiple radars
US20190187268A1 (en) 2017-12-15 2019-06-20 Google Llc Radar Angular Ambiguity Resolution
CN112014835A (zh) * 2020-09-01 2020-12-01 中国电子科技集团公司信息科学研究院 分布式稀疏阵列雷达在栅瓣模糊下的目标跟踪方法和装置

Also Published As

Publication number Publication date
KR20240049643A (ko) 2024-04-16
EP4402510A1 (de) 2024-07-24
DE102021210143A1 (de) 2023-03-16
CN117940800A (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
EP2793045B1 (de) Verfahren zur Überprüfung eines Umfelderfassungssystems eines Fahrzeugs
EP2800982B1 (de) Verfahren und vorrichtung zur radunabhängigen geschwindigkeitsmessung bei einem fahrzeug
EP1531343B1 (de) Verfahren zur Verfolgung von Objekten
EP1502165B1 (de) Verfahren und vorrichtung zur kurspraediktion bei kraftfahrzeugen
DE102013104443A1 (de) Verkehrsüberwachungssystem zur Geschwindigkeitsmessung und Zuordnung von bewegten Fahrzeugen bei einem Mehrziel-Aufnahmemodul
DE102014202752B4 (de) Erkennung dynamischer Objekte mittels Ultraschall
WO2019162794A1 (de) Verfahren und system zur erkennung von für ein fahrzeug geeigneten parklücken
WO2009049976A1 (de) Verfahren zur schätzung der relativbewegung von video-objekten und fahrerassistenzsystem für kraftfahrzeuge
DE102020105192B4 (de) Verfahren zum Detektieren bewegter Objekte in einer Fahrzeugumgebung und Kraftfahrzeug
EP3814795A1 (de) Verfahren zur erkennung statischer radarziele mit einem radarsensor für kraftfahrzeuge
WO2023041305A1 (de) Verfahren zur auflösung von winkelmehrdeutigkeiten in einem radarnetzwerk
DE112021004200T5 (de) Objekterkennungsvorrichtung
DE102018217533A1 (de) Verfahren zur Klassifikation eines Objekts
DE102009033853A1 (de) Verfahren zum Betrieb eines Fahrerassistenzsystems und Vorrichtung zur Durchführung des Verfahrens
EP2149055B1 (de) Verfahren zum generieren von zielmarkierenden peiltracks
DE102005038314A1 (de) Verfahren zum Schätzen des Verlaufs einer Fahrspur
DE102017005671A1 (de) Verfahren zur Bestimmung von Fehldetektionen eines Sensorsystems eines Kraftfahrzeugs
EP1522873A1 (de) Multisensor-Ortungsgerät
WO2022033980A1 (de) Verfahren zum erkennen von verkehrsteilnehmern in einer umgebung eines fahrzeugs anhand von messungen eines radarsensors durch identifizieren von stördetektionen sowie recheneinrichtung
DE102019128686A1 (de) Verfahren und Vorrichtung zur Ermittlung von Bewegungsinformation in Bezug auf ein Objekt
DE102019216152A1 (de) Adaptiver Hochpunkt-Nachbarschaftsbereich
DE102019219750B4 (de) Fahrerassistenzsystem und Verfahren zum Detektieren von Objektbarrieren in 3D-Punktewolken
DE102006051091B4 (de) Verfahren zur Objekterkennung von Fahrzeugen mittels Nahbereichsdetektion
DE102022205584B4 (de) Verfahren zum Unterdrücken von auf Winkelmehrdeutigkeiten beruhenden Fehlortungen eines winkelauflösenden Radarsystems
DE102018007323A1 (de) Kontrolleinrichtung für eine Ein- und Ausfahrt

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: 22769227

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2024515868

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 202280061969.2

Country of ref document: CN

ENP Entry into the national phase

Ref document number: 20247011231

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2022769227

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022769227

Country of ref document: EP

Effective date: 20240415