WO2025256830A1 - Sensorbasiertes umfelderfassungssystem - Google Patents

Sensorbasiertes umfelderfassungssystem

Info

Publication number
WO2025256830A1
WO2025256830A1 PCT/EP2025/062601 EP2025062601W WO2025256830A1 WO 2025256830 A1 WO2025256830 A1 WO 2025256830A1 EP 2025062601 W EP2025062601 W EP 2025062601W WO 2025256830 A1 WO2025256830 A1 WO 2025256830A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
location data
sub
detection system
predefined
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/EP2025/062601
Other languages
English (en)
French (fr)
Inventor
Nick DIENEMANN
Ruediger Jordan
Michael Ulrich
Holger Wunsch
Christian Fritz
Elizabeth De Benedictis
Daniel Niederloehner
Jiaying LIN
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of WO2025256830A1 publication Critical patent/WO2025256830A1/de
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Definitions

  • the invention relates to an environment detection system, comprising at least one sensor for providing location data about objects, wherein the location data includes velocity data, and comprising a computational means for converting the location data into an environment model that represents kinematic object data of the objects.
  • the environmental sensing system can, in particular, be an environmental sensing system for motor vehicles.
  • State of the art is an environmental sensing system for motor vehicles.
  • Driver assistance systems for motor vehicles and automated driving systems require detailed information about objects in the vehicle's environment. These include, for example, other road users, obstacles, or the road's course.
  • Sensors such as radar or lidar scan the environment and provide the necessary measurement data about objects in the vehicle's vicinity, including their speed.
  • Conventional systems use a tracking and fusion algorithm (e.g., Kalman filter) to aggregate or filter the measurement data over time and supplement it with additional attributes. These attributes are For example, a derived velocity, acceleration, or yaw rate.
  • An environment model is constructed from all tracked objects, upon which the driver assistance function or the automated driving function can be based.
  • the environment model is represented by a set of data, referred to here as the kinematic object data of the objects, which also includes object classes of the objects.
  • the kinematic object data consists of spatial coordinates of specified points of the objects, for example, the corner points of boundary boxes for each object, as well as temporal derivatives of these spatial coordinates.
  • Radar-based environmental sensing currently relies on mathematical methods such as Bayesian filters. This requires modeling both the object model and its motion using physical equations. These filters operate optimally when certain boundary conditions are met, such as white Gaussian noise, meaning they generate the best possible estimate of the object's state. Unfortunately, these boundary conditions are often not met in practice, so the environmental model does not accurately reflect reality. Furthermore, not all problems in object tracking can be solved with an optimal mathematical approach. Many sub-algorithms, such as generating new object tracks, associating measurement data, or deleting implausible tracks, are frequently solved using heuristic methods developed by experts through experience. Optimizing these methods is often very time-consuming because many parameters must be manually set and tested.
  • a radar-based environment detection system of the type mentioned above in which a computational tool in the form of a neural network is conditioned to primarily output environment models in which at least one predefined physical relationship exists between- The conditions for the network are met by the location data and the object data.
  • the network is conditioned by using a loss function during training to determine the weights of the neural connections. This loss function contains a physical term that minimizes the deviation from at least one predefined physical relationship.
  • the measured velocities of individual measurement points can deviate significantly from the modeled velocity of the object (or the boundary box). This applies, for example, to rotating vehicle wheels.
  • Other objects in the environment, such as pedestrians, can also include body parts whose measured velocities can differ considerably.
  • the object of the invention is to improve the quality of the environmental perception of an environmental perception system with a computational tool for converting location data into an environmental model.
  • an environment sensing system with at least one sensor for providing location data about objects, wherein the location data includes velocity data, and with a computational means for converting the location data into an environment model that represents kinematic object data of the objects and assigns an object to a respective object class, wherein the computational means is conditioned to primarily output environment models in which, for an object that corresponds to at least one predefined object class, at least one predefined physical relationship of the object data to location data is defined. The requirement is better met for those location data assigned to the object that correspond to a predetermined association criterion than for the totality of location data assigned to the object.
  • the at least one predefined physical relationship represents a connection, based on physical laws, between the location data measured by the at least one sensor and the object data to be generated by the computational tool, and/or a relationship between the object data itself.
  • the respective relationship or relationships constitute a priori knowledge of physical laws that are fed into the computational tool in addition to the training data, or are used during the training of the computational tool, and that lead to the suppression of results that contradict the physical laws.
  • the term "physical relationships" is to be understood here in a comprehensive sense and is intended to also include geometric relationships.
  • the calculation tool is conditioned such that, in the priority output of the environment models for an object corresponding to at least one predefined object class, at least one predefined physical relationship is better fulfilled for location data that corresponds to a predetermined association criterion than for all location data assigned to the object.
  • those location data that correspond to the predetermined association criterion may be assigned to a part of the object that is decisive for the actual kinematic behavior of the object.
  • the kinematic object data- therefore, they can be determined with better accuracy if the conditioning of the computational tool ensures that at least one predefined physical relationship between the object data and the location data assigned to the object is particularly, or better, achieved for those
  • the necessary conditioning of the computational tool can consist of a specific training method and/or a specific architecture that enforces adherence to physical laws. In either case, the conditioning ensures that the computational tool primarily outputs environment models that comply with physical laws. These physical laws are particularly well fulfilled for those location data associated with the object that meet a predetermined association criterion. "Primarily" in this context means that when noisy input data is fed into the computational tool, there is an increased probability that the environment model generated by the computational tool will at least approximately satisfy the predefined physical relationships, while results that contradict these laws occur statistically less frequently. By utilizing this prior physical knowledge, it is possible to obtain reliable results despite a limited supply of training data and limited computing capacity and time.
  • the association criterion allows for the assignment of an object's location data to a category corresponding to the association criterion, or for the subdivision of an object's location data into different categories.
  • the environmental sensing system can, for example, be an environmental sensing system for capturing a traffic environment, in particular an environmental sensing system for motor vehicles or a (e.g., stationary) traffic detection system.
  • the at least one sensor can be a sensor for providing location data via
  • the at least one sensor can, for example, include at least one radar sensor and/or at least one lidar sensor.
  • the location data provided by the at least one sensor can, for example, include velocity data in the form of radial velocities, i.e., velocities in a radial direction relative to the sensor.
  • the kinematic object data of the objects can include, in particular, positions, velocities, and/or accelerations of the objects, especially velocities with a direction relative to a coordinate system.
  • Advantageous embodiments of the invention are specified below and in the dependent claims.
  • the computational tool is conditioned by using a loss function during the training of the computational tool, which contains a physical term that minimizes the deviation from the at least one predefined physical relationship of the object data to location data associated with the object, and, for an object corresponding to the at least one predefined object class, weights the deviation for those location data associated with the object more heavily. which correspond to the predetermined association criterion, than for the other location data assigned to the object.
  • the computational tool By giving greater weight to the location data that meets the predefined association criterion, the computational tool primarily outputs environment models for which the predefined physical relationship is better fulfilled for the location data that meet the predefined association criterion for an object of at least one predefined object class than when considering all location data assigned to the object.
  • the loss function used during training can be determined not only by target/actual deviations, but also by the extent to which the physical laws are fulfilled or violated, with the deviation being weighted more heavily for those location data that meet the predefined association criterion.
  • a weighting factor can be determined depending on the specified object class.
  • a weighting factor can be a number in the range of 0 to 1.
  • the predetermined association criterion is determined depending on the specified object class.
  • the calculation method can be configured to assign an object to a specific object class from at least two object classes, with different association criteria defined for each of these at least two object classes.
  • an association criterion can be defined for a specific object class, and for an object class other than the at least one specified object class, the deviation is weighted equally for all location data assigned to the object. The predetermined association criterion can therefore be assigned to at least one predefined object class.
  • the predetermined association criterion can define an association to a predetermined object component (or to a predetermined category of location data) of an object, for example, to a rigid vehicle body as a component of an object.
  • the object component can correspond to a category.
  • the association criterion is a speed profile.
  • the association criterion can be a speed profile that depends on the object class.
  • the association criterion is a speed profile that corresponds to a rigid body.
  • the predetermined speed profile can specify a frequency distribution or a distribution of centroids of the speed data from the location data, or of specific characteristics of the speed data from the location data, or at least a characteristic of such a distribution, such as a variance or a width of the distribution.
  • at least one (typical) speed profile can be expected for each object class, whereby, depending on the object class, the object may comprise components that cannot all be assigned to the same speed profile.
  • an object component that is a rigid body, such as a motor vehicle excluding the wheels may have a speed profile that is described by a largely (and ideally completely) agreement of the measured speeds of the individual location points or location data. This can be achieved by measuring the speed of a vehicle's wheels.
  • the wheels of a vehicle have a completely different speed profile, characterized by the radial movement of the individual detected points of each wheel around the wheel axis.
  • a characteristic of a speed profile can be the width of the speed data distribution. For example, road users such as pedestrians have a significantly wider or noisier speed profile than a rigid body that exhibits a constant speed.
  • the specified physical relationship is better fulfilled for the location data corresponding to a predetermined speed profile in the priority output environment models than for all location data associated with the object (i.e., regardless of its speed profile).
  • the specified physical relationship is better fulfilled for the location data corresponding to the predetermined speed profile.
  • the specified physical relationship is primarily fulfilled for the location data attributable to the rigid vehicle body.
  • association criterion can be used, for example a criterion where the association depends on positions (specified by the location data).
  • location data can be associated with more than two categories, with association criteria used for at least two categories. For example, for an object class "vehicle”, the categories rigid vehicle body, wheels, and noise can be used.
  • Location data can be assigned to an object based on a boundary box defined by the object data.
  • the at least one predefined physical relationship between the object data and the positioning data comprises a correspondence between kinematic object data projected onto a radial object direction and radial velocity data of the positioning data.
  • the radial object direction means an object direction radial from or relative to the sensor.
  • the kinematic object data output by the computational tool cannot usually be measured directly by a sensor.
  • positioning data from a radar sensor for example, instead includes a distance, a radial relative velocity, and an angle of an object relative to a reference direction of the sensor.
  • a computational tool such as a neural network
  • the measured radial velocities are not directly related to the actual velocity of the object in Cartesian coordinates for all types of objects.
  • the estimation result can therefore be significantly improved, especially with relatively noisy positioning data, by additionally considering the physical relationships between the kinematic object data projected onto a radial object direction.
  • object data and the radial velocity data of the location data in particular for those location data that correspond to a predetermined association criterion, for example, to an object part with a uniform velocity profile.
  • the calculation tool can be configured to output the uncertainty of a given object velocity as part of the object data.
  • the kinematic object data of an object can include a velocity and its uncertainty. This allows the quality of the prediction to be specified.
  • the computational tool is machine learning-based.
  • a machine learning method is thus employed. No physical model is used as a basis, and expert physical knowledge plays only a minor role. Instead, the computational tool is trained to derive the environmental model from the location data. The more extensive the training data and the more storage space and computing power are available, the more realistic the result.
  • the computational tool can, for example, comprise or be a neural network.
  • the computational tool can also be, for example, a selective support vector machine detector.
  • Fig 1 shows a block diagram of an environment detection system according to the invention
  • Fig. 2 is a diagram illustrating location data of different parts of an object located by the environmental detection system according to Fig. 1;
  • Fig. 3 is a diagram to illustrate an association criterion in the form of a velocity profile
  • Fig. 4 is a diagram illustrating location data of an object located by the environmental sensing system according to Fig. 1, which is not a vehicle;
  • Fig. 5 is a diagram to illustrate a possible operating mode of the environmental detection system according to Fig. 1.
  • the environmental sensing system shown in Fig. 1 has a radar sensor 10 installed in a motor vehicle in such a way that it can locate objects in a specific part of the vehicle's environment, for example, in the area in front of the vehicle, and output corresponding location data 12.
  • the location data 12 then include, for each reflection center i, the distance n, the radial velocity Vn (i.e., the relative velocity of the reflection center along the line of sight from the radar sensor to the reflection center), and the azimuth angle ai of the reflection center relative to the forward direction of the vehicle.
  • the radar sensor can also perform some preprocessing of the location data, for example, by deriving the Cartesian coordinates Xi and yi from the distance n and the azimuth angle ai of each object.
  • the longitudinal axis of the vehicle is calculated in the direction x parallel to the direction y and the direction y perpendicular to it.
  • the location data 12 are fed into a neural network 14, which is trained to derive an environment model 16 from this location data.
  • This model specifies the location and, where possible, also the shape and orientation of each object in the Cartesian coordinate system x, y.
  • the radar sensor 10 has detected only a single object 18, for example, a car, whose rough outline is represented by a boundary box 20 with width b and length I. Of the four corners of the object 18, three are visible from the radar sensor 10, i.e., from the origin of the coordinate system.
  • the location data 12 includes, among other things, the coordinates (xi, yi), (X2, y2), and (X3, ys) of the three visible corners of the vehicle.
  • the location data 12 includes, among other things, the coordinates (xi, yi), (X2, y2), and (X3, ys) of the three visible corners of the vehicle.
  • the positioning data 12 also include the azimuth angles oci of the three visible corners and the radial components v r of the relative velocities of these three corners. For clarity, the azimuth angles and relative velocities are shown in Fig. 1 only for corner (xi , yi).
  • the neural network 14 can assign all three visible corners to the same object 18 and, based on the size ratios, conclude that this object is likely a car. It can then add the corresponding boundary box 20 and determine a suitable object class K. Using the longer edges of the boundary box 20, the neural network can also determine the yaw angle cp of the object.
  • the relative velocity v of object 18 and the components v ⁇ sub>x ⁇ /sub> and v ⁇ sub> y ⁇ /sub> of this relative velocity are also shown as vectors. However, these quantities cannot be measured directly using the radar sensor 10, but must be derived from the available positioning data 12.
  • Fig. 2 schematically shows that, in the case of an object 18 in the form of a vehicle, reflection centers (measuring points) are detected on the rigid vehicle body (object component) 22, which have approximately the same measurable radial velocity v r , while reflection centers are detected on the rotating wheels 23, whose measurable radial velocities v r deviate significantly from this, since the speed of the wheels 23 is proportional to the radius on the wheel and to the current object velocity.
  • Fig. 3 schematically shows a velocity profile corresponding to a rigid body of a moving vehicle, characterized by a peak.
  • the neural network 14 is conditioned to consider, when estimating the object data v ⁇ sub>x ⁇ /sub> , v ⁇ sub> y ⁇ /sub> , and v, that the relationship given by formula (1) must be satisfied for all those measurement points of object 18, including each of the three visible vertices of object 18, that correspond to the velocity profile of the rigid vehicle body 22 and are therefore to be associated with the rigid vehicle body 22, specifically for all associated points with the same angular velocity o, which must also coincide with the time derivative of the yaw angle c ⁇ sub>p ⁇ /sub>.
  • the neural network 14 is conditioned that the relationship given by formula (1) must be better satisfied for the points of object 18 associated with the velocity profile of the rigid vehicle body 22 than for all measurement points attributable to object 18.
  • the object data can also include an uncertainty in the object velocity, which, for example, in the case of a vehicle, can correspond to the standard deviation (Avx, rigid, Avy , rigid) of the object velocity ( vx , rigid, vy , rigid) corresponding to the rigid vehicle body.
  • the neural network 14 can output an uncertainty of the object velocity that corresponds to the standard deviation (Av x , noise, AVy , noise ).
  • Figure 5 illustrates the operation of the neural network 14 using a simplified example, where it is assumed that the angular velocity o of object 18 is negligible and that object 18 is to be classified as a vehicle with rotating wheels.
  • the input data for the neural network 14 are the measured distances n, radial velocities v ⁇ sub>r ⁇ /sub> , i, and azimuth angles o ⁇ sub>ci ⁇ /sub> of a point cloud 25 of measurement points 26.
  • the working hypothesis is that all the mixing points 26 belong to the same object 18 and that it is an object 18 of object class K "vehicle with rigid body and wheels".
  • the network is trained to provide estimates for v x and v y for which the relationship according to formula (2) is better satisfied for those measurement points 26' that are to be associated with a rigid vehicle body 22 of the object 18 due to their similar radial velocities v r ,i than for all measurement points 26 associated with the object 18.
  • the network has an input layer 28, to which the input data is fed, and two hidden layers 30 and an output layer 32, in which the input data is gradually converted into output data (including estimators).
  • the values for v ⁇ sub>x ⁇ /sub> and v ⁇ sub> y ⁇ /sub> are converted, ultimately representing the environment model 16.
  • the object data output by the output layer 32 also includes the object class K, the width b and the length I of the boundary box 20, as well as the coordinates (d ⁇ sub>x ⁇ /sub> , d ⁇ sub> y ⁇ /sub> ) of the geometric center 34 of the boundary box 20.
  • This loss function L represents the mean squared deviation of the network's estimated values from the true values of the object data.
  • the loss function is modified by adding a physical term L ⁇ sub> p ⁇ /sub> to the usual loss function L.
  • the set of measurement points 26 (or their location data) to be assigned to an object 18 is determined based on the position of the measurement points 26 relative to the boundary box 20, in particular based on the criterion that the positions of the measurement points 26 lie within the boundary box 20.
  • the set of measurement points 26 thus determined, assigned to the object 18, is grouped (clustered) into a first cluster, which corresponds to the rigid vehicle body 22 and includes the measurement points 26' assigned to the rigid vehicle body 22, and a second cluster, which corresponds to the remaining measurement points 26" and in particular includes the measurement points 26" that correspond to the wheels 23.
  • a first cluster which corresponds to the rigid vehicle body 22 and includes the measurement points 26' assigned to the rigid vehicle body 22
  • a second cluster which corresponds to the remaining measurement points 26" and in particular includes the measurement points 26" that correspond to the wheels 23.
  • the k-means clustering algorithm or, for example, the RANSAC (random sample consensus) method can be used for clustering.
  • the k-means clustering algorithm divides N points into two classes (or categories) based on their velocities.
  • the RANSAC method distinguishes outlier points among the N points by assuming that the points to be associated with the rigid vehicle body 22 fit a motion profile, depending on the object class.
  • v ⁇ sub>r ⁇ /sub> rigid is the mean of the actually measured radial velocities of all Nrigid measurement points 26' associated with the rigid vehicle body 22 of object 18;
  • v ⁇ sub>r ⁇ /sub> noise is the mean of the actually measured radial velocities of all other Nnoise measurement points 26" of object 18;
  • V ⁇ sub>pred ⁇ /sub> is the predicted value of the radial velocity, which results from the network-predicted values and v ⁇ sub>x ⁇ /sub>, Pred and v ⁇ sub> y ⁇ /sub>, Pred of the velocity components;
  • W ⁇ sub>rigid ⁇ /sub> and w ⁇ sub>nO ⁇ /sub> are respective weighting factors that depend on the object class K, whereby W ⁇ sub>rigid ⁇ /sub> receives a significantly higher value than W ⁇ sub>noise ⁇ /sub> for the object class "vehicle with rigid vehicle body and wheels".
  • w ⁇ sub>nO ⁇ /sub> is chosen to be significantly higher than W ⁇ sub>rigid ⁇ /sub>, since a much more diverse and broader velocity profile can exist for such an object.
  • ⁇ sub>r a norm or a loss function suitable for training with a distribution.
  • Suitable loss functions include, for example, L1 loss, L2 loss, negative log likelihood loss, and KL divergence loss.
  • the measured radial velocity for the predicted objects 18 is thus divided into two terms, v ⁇ sub>r ,rigid ⁇ /sub> and v ⁇ sub>r ,noise ⁇ /sub>. These each have the standard deviations ⁇ V ⁇ sub>r,rigid ⁇ /sub> and ⁇ V ⁇ sub> r ,noise ⁇ /sub>, respectively.
  • the physical term L ⁇ sub> p ⁇ /sub> causes the weights to be set to values at which the network predicts velocities v ⁇ sub>x ⁇ /sub> , v ⁇ sub> y ⁇ /sub> which, with the described weighting of the measurement points 26' belonging to the rigid vehicle body 22 and the lower weighting of the remaining measurement points 26" of the object 18, give the function
  • A(v r , a) v r - v y sina - v x cosa.
  • A( v r , a) 0 would mean that the condition according to formula (2) is exactly satisfied. In this way, the network learns to preferentially deliver results that are consistent with this condition.
  • the described environmental sensing system allows for a precise estimation of object data for different classes of objects, including vehicles and non-vehicles such as pedestrians or animals.
  • object data for different classes of objects, including vehicles and non-vehicles such as pedestrians or animals.
  • an association criterion can be used to achieve a better match between the estimated object data and the location data associated with a specific object component.
  • the system allows for a more precise estimation of object data for different classes, including vehicles and non-vehicles such as pedestrians or animals. ...

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

Umfelderfassungssystem, mit mindestens einem Sensor (10) zur Bereitstellung von Ortungsdaten (12) über Objekte (18), wobei die Ortungsdaten (12) Geschwindigkeitsdaten umfassen, und mit einem Berechnungsmittel (14) zur Umwandlung der Ortungsdaten (12) in ein Umfeldmodell (16), das kinematische Objektdaten der Objekte (18) repräsentiert und ein Objekt (18) einer jeweiligen Objektklasse (K) zuordnet, wobei das Berechnungsmittel (14) dazu konditioniert ist, vorrangig Umfeldmodelle (16) auszugeben, in denen für ein Objekt (18), das mindestens einer vorgegebenen Objektklasse (K) entspricht, mindestens eine vorgegebene physikalische Beziehung der Objektdaten zu Ortungsdaten (12), die dem Objekt (18) zugeordnet sind, für diejenigen der dem Objekt (18) zugeordneten Ortungsdaten (12) besser erfüllt ist, die einem vorbestimmten Assoziierungskriterium entsprechen, als für die Gesamtheit der dem Objekt (18) zugeordneten Ortungsdaten (12).

Description

Beschreibung
Titel
Sensorbasiertes Umfelderfassunossystem
Die Erfindung betrifft ein Umfelderfassungssystem, mit mindestens einem Sensor zur Bereitstellung von Ortungsdaten über Objekte, wobei die Ortungsdaten Geschwindigkeitsdaten umfassen, und mit einem Berechnungsmittel zur Umwandlung der Ortungsdaten in ein Umfeldmodell, das kinematische Objektdaten der Objekte repräsentiert.
Das Umfelderfassungssystem kann insbesondere ein Umfelderfassungssystem für Kraftfahrzeuge sein. Stand der Technik
Fahrerassistenzsysteme für Kraftfahrzeuge und Systeme für automatisiertes Fahren benötigen detaillierte Informationen über Objekte im Umfeld des Fahrzeugs. Dies sind z.B. andere Verkehrsteilnehmer, Hindernisse oder der Verlauf der Fahrbahn.
Sensoren wie Radar oder Lidar tasten die Umgebung ab und liefern die nötigen Messdaten über Objekte im Fahrzeugumfeld und messen auch Geschwindigkeitsdaten der Objekte. Bei herkömmlichen Systemen werden mithilfe eines Tracking- und Fusionsalgorithmus (z.B. Kalman-Filter) die Messdaten zeitlich aggregiert bzw. gefiltert und mit Zusatzattributen ergänzt. Diese Attribute sind z.B. eine abgeleitete Geschwindigkeit, Beschleunigung oder Dreh-Rate. Aus allen getrackten Objekten wird ein Umfeldmodell aufgebaut, auf das die Fahrerassistenzfunktion bzw. die automatisierte Fahrfunktion aufsetzen kann. Das Umfeldmodell wird durch einen Satz von Daten repräsentiert, die hier als kine- matische Objektdaten der Objekte bezeichnet werden und zusätzlich Objektklassen der Objekte umfassen. Bei den kinematischen Objektdaten handelt es sich um Ortskoordinaten spezifizierter Punkte der Objekte, beispielsweise der Eckpunkte von Begrenzungsboxen für jedes Objekt, sowie zeitliche Ableitungen dieser Ortskoordinaten.
Bei der radarbasierten Umfelderfassung kommen bisher mathematische Verfahren wie z.B. Bayes-Filter zum Einsatz. Dafür müssen sowohl das Objektmodell als auch die Objektbewegung über physikalische Gleichungen modelliert werden. Wenn bestimmte Randbedingungen erfüllt sind, z.B. weißes, Gauß’sches Mess-Rauschen, arbeiten diese Filter optimal, das heißt, der Filter erzeugt die bestmögliche Schätzung eines Objektzustands. Leider sind diese Randbedingungen in der Praxis oft nicht erfüllt, so dass das Umfeldmodell die Realität nicht exakt wiederspiegelt. Des Weiteren lassen sich beim Objekt- Tracking nicht alle Problemstellungen durch einen optimalen mathematischen Ansatz lösen. Viele Teilalgorithmen, wie z.B. das Erzeugen neuer Objekt- Tracks, die Messdaten-Assoziation oder das Löschen von unplausiblen Trecks werden häufig mittels heuristischer Verfahren gelöst, die von Experten durch Erfahrung gefunden worden sind. Die Optimierung dieser Verfahren ist häufig sehr zeitaufwändig, weil viele Parameter von Hand eingestellt und getestet werden müssen.
Aus DE 10 2022 210 119 A1 ist ein radarbasiertes Umfelderfassungssystem der eingangs genannten Art bekannt, bei dem ein Berechnungsmittel in Form eines neuronalen Netzes dazu konditioniert ist, vorrangig Umfeldmodelle aus- zugeben, in denen mindestens eine vorgegebene physikalische Beziehung zwi- sehen den Ortungsdaten und den Objektdaten erfüllt ist. In einem Beispiel ist das Netz dadurch konditioniert, dass beim Training des Netzes für die Bestimmung der Gewichte der neuronalen Verbindungen eine Verlustfunktion verwendet wurde, die einen physikalischen Term enthält, der die Abweichung von der mindestens einen vorgegebenen physikalischen Beziehung minimiert.
Offenbarung der Erfindung
Bei einem Objektmodell, das z.B. mit Begrenzungsboxen für jedes Objekt arbeitet und der jeweiligen Begrenzungsbox eine Geschwindigkeit und ggf. Beschleunigung zuordnet, können die gemessenen Geschwindigkeiten einzelner Messpunkte (Ortungsdaten) erheblich von der modellierten Geschwindigkeit des Objekts (oder der Begrenzungsbox) abweichen. Dies betrifft beispielsweise sich drehende Räder von Fahrzeugen. Auch andere Objekte im Umfeld, wie beispielsweise Fußgänger, können Körperteile umfassen, deren gemessene Geschwindigkeiten stark voneinander abweichen können.
Aufgabe der Erfindung ist es, die Qualität der Umfelderfassung eines Umfelderfassungssystems mit einem Berechnungsmittel zur Umwandlung von Ortungs- daten in ein Umfeldmodell zu verbessern.
Diese Aufgabe wird erfindungsgemäß durch ein Umfelderfassungssystem gelöst mit mindestens einem Sensor zur Bereitstellung von Ortungsdaten über Objekte, wobei die Ortungsdaten Geschwindigkeitsdaten umfassen, und mit einem Berechnungsmittel zur Umwandlung der Ortungsdaten in ein Umfeldmodell, das kinematische Objektdaten der Objekte repräsentiert und ein Objekt einer jeweiligen Objektklasse zuordnet, wobei das Berechnungsmittel dazu konditioniert ist, vorrangig Umfeldmodelle auszugeben, in denen für ein Objekt, das mindestens einer vorgegebenen Objektklasse entspricht, mindestens eine vorgegebene physikalische Beziehung der Objektdaten zu Ortungsdaten, die dem Objekt zugeordnet sind, für diejenigen der dem Objekt zugeordneten Ortungsdaten besser erfüllt ist, die einem vorbestimmten Assoziierungskriterium entsprechen, als für die Gesamtheit der dem Objekt zugeordneten Ortungsdaten.
Die mindestens eine vorgegebene physikalische Beziehung repräsentiert einen auf physikalischen Gesetzmäßigkeiten beruhenden Zusammenhang zwischen den von dem mindestens einen Sensor gemessenen Ortungsdaten und den vom Berechnungsmittel zu generierenden Objektdaten und/oder einen Zusammenhang zwischen den Objektdaten untereinander. Bei der jeweiligen Beziehung oder den physikalischen Beziehungen handelt es sich um a-priori-Wissen über physikalische Gesetzmäßigkeiten, die zusätzlich zu den Trainingsdaten in das Berechnungsmittel eingespeist werden bzw. beim Training des Berechnungsmittels herangezogen werden und die dazu führen, dass Resultate unterdrückt werden, die den physikalischen Gesetzmäßigkeiten widersprechen. Der Begriff „physikalische Beziehungen“ ist hier in einem umfassenden Sinne zu verstehen und soll auch geometrische Beziehungen einschließen.
Das Berechnungsmittel ist dazu konditioniert, dass bei den vorrangig auszuge- benen Umfeldmodellen für ein Objekt, das mindestens einer vorgegebenen Objektklasse entspricht, die mindestens eine vorgegebene physikalische Beziehung für solche Ortungsdaten, die einem vorbestimmten Assoziierungskriterium entsprechen, besser erfüllt ist als für Gesamtheit der dem Objekt zugeordneten Ortungsdaten. Dadurch wird dem Rechnung getragen, dass nicht alle einem Objekt zugeordneten Ortungsdaten gleichermaßen eine vorgegebene physikalische Beziehung zu den Objektdaten erfüllen müssen. So kann berücksichtigt werden, dass von den einem Objekt zugeordneten Ortungsdaten diejenigen Ortungsdaten, die dem vorbestimmten Assoziierungskriterium entsprechen, einem Teil des Objekts zugeordnet sein können, der für das tatsächliche kine- matische Verhalten des Objekts bestimmend ist. Die kinematischen Objektda- ten können daher mit besserer Genauigkeit bestimmt werden, wenn durch die Konditionierung des Berechnungsmittels erreicht wird, dass die mindestens eine vorgegebene physikalische Beziehung der Objektdaten zu dem Objekt zugeordneten Ortungsdaten in besonderem Maße, oder besser, für diejenigen
5 Ortungsdaten erfüllt ist, die dem vorbestimmten Assoziierungskriterium entsprechen.
Die dazu notwendige Konditionierung des Berechnungsmittels kann in einer speziellen Art und Weise bestehen, in der Berechnungsmittel trainiert wird, und/oder in einer speziellen Architektur des Berechnungsmittel, die es erzwingt, dass die physikalischen Gesetzmäßigkeiten respektiert werden. In jedem Fall führt die Konditionierung dazu, dass das Berechnungsmittel vorrangig Umfeldmodelle ausgibt, die mit den physikalischen Gesetzmäßigkeiten vereinbar sind, wobei die physikalischen Gesetzmäßigkeiten besonders gut für diejenigen der dem Objekt zugeordneten Ortungsdaten erfüllt sind, die einem vorbestimmten Assoziierungskriterium entsprechen. Mit „vorrangig“ ist in diesem Zusammenhang gemeint, dass, wenn verrauschte Eingangsdaten in das Berechnungsmittel eingespeist werden, eine erhöhte Wahrscheinlichkeit dafür besteht, dass bei dem vom Berechnungsmittel erzeugten Umfeldmodell die vorgegebenen physi-0 kalischen Beziehungen zumindest näherungsweise erfüllt sind, während Resultate, die diesen Gesetzmäßigkeiten widersprechen, statistisch seltener auftreten. Durch die Nutzung des physikalischen Vorwissens gelingt es, trotz eines begrenzten Vorrats an Trainingsdaten und trotz begrenzter Rechenkapazität und begrenzter Rechenzeit verlässliche Ergebnisse zu erhalten. ^
Durch das Assoziierungskriterium kann eine Zuordnung von Ortungsdaten eines Objekts zu einer dem Assoziierungskriterium entsprechenden Kategorie erfolgen, oder eine Unterteilung der Ortungsdaten eines Objekts in verschiedene Kategorien. Das Umfelderfassungssystem kann beispielsweise ein Umfelderfassungssystem zur Erfassung eines Verkehrsumfelds sein, insbesondere ein Umfelderfassungssystem für Kraftfahrzeuge oder ein (z.B. stationäres) Verkehrserfassungssystem. Bei einem Umfelderfassungssystem für Kraftfahrzeuge kann der mindestens eine Sensor ein Sensor zur Bereitstellung von Ortungsdaten über
Objekte im Umfeld des Kraftfahrzeugs sein.
Der mindestens eine Sensor kann beispielsweise mindestens einen Radarsensor und/oder einen mindestens einen Lidarsensor umfassen.
Die vom mindestens einen Sensor bereitgestellten Ortungsdaten können beispielsweise Geschwindigkeitsdaten in Form von radialen Geschwindigkeiten, d.h. Geschwindigkeiten in radialer Richtung relativ zum Sensor, umfassen.
Die kinematischen Objektdaten der Objekte können insbesondere Positionen, Geschwindigkeiten und/oder Beschleunigungen der Objekte umfassen, insbesondere Geschwindigkeiten mit einer Richtung bezogen auf ein Koordinatensystem. Vorteilhafte Ausgestaltungen der Erfindung sind nachfolgend und in den Unteransprüchen angegeben.
In Ausführungsformen ist das Berechnungsmittel dadurch konditioniert, dass beim Training des Berechnungsmittels eine Verlustfunktion verwendet wurde, die einen physikalischen Term enthält, der die Abweichung von der mindestens einen vorgegebenen physikalischen Beziehung der Objektdaten zu Ortungsdaten, die dem Objekt zugeordnet sind, minimiert und dabei für ein Objekt, das der mindestens einen vorgegebenen Objektklasse entspricht, die Abweichung für diejenigen der dem Objekt zugeordneten Ortungsdaten stärker gewichtet, die dem vorbestimmten Assoziierungskriterium entsprechen, als für die übrigen der dem Objekt zugeordneten Ortungsdaten.
Durch die stärkere Gewichtung derjenigen Ortungsdaten, die dem vorbestimm- ten Assoziierungskriterium entsprechen, wird erreicht, dass das Berechnungsmittel vorrangig Umfeldmodelle ausgibt, denen für ein Objekt der mindestens einen vorgegebenen Objektklasse die vorgegebene physikalische Beziehung für diejenigen Ortungsdaten besser erfüllt ist, die dem vorbestimmten Assoziierungskriterium entsprechen, als bei Betrachtung der Gesamtheit der dem Objekt zugeordneten Ortungsdaten. Beispielsweise kann die beim Training verwendete Verlustfunktion nicht allein durch Soll/Ist-Abweichungen bestimmt werden, sondern auch durch das Ausmaß, in dem die physikalischen Gesetzmäßigkeiten erfüllt oder verletzt sind, wobei die Abweichung stärker gewichtet wird für diejenigen Ortungsdaten, die dem vorbestimmten Assoziierungskriterium entsprechen.
Ein Gewichtungsfaktor der Gewichtung kann in Abhängigkeit von der vorgegebenen Objektklasse bestimmt sein. Ein Gewichtungsfaktor kann eine Zahl im Bereich von 0 bis 1 sein.
In Ausführungsformen ist das vorbestimmte Assoziierungskriterium in der Abhängigkeit von der vorgegebenen Objektklasse bestimmt. Beispielsweise kann das Berechnungsmittel eingerichtet sein, ein Objekt einer jeweiligen Objektklasse von wenigstens zwei Objektklassen zuzuordnen, wobei für die wenigstens zwei Objektklassen jeweils unterschiedliche Assoziierungskriterien bestimmt sind. Es kann auch für eine vorgegebene Objektklasse ein Assoziierungskriterium bestimmt sein, und für eine andere Objektklasse als die mindestens eine vorgegebene Objektklasse wird die Abweichung für alle dem Objekt zugeordneten Ortungsdaten gleich gewichtet. Das vorbestimmte Assoziierungskriterium kann somit der mindestens einen vorgegebenen Objektklasse zugeordnet sein.
Das vorbestimmte Assoziierungskriterium kann eine Assoziierung zu einem vorbestimmten Objektbestandteil (oder zu einer vorbestimmten Kategorie von Ortungsdaten) eines Objekts definieren, beispielsweise zu einem starren Fahrzeugkörper als Bestandteil eines Objekts. Der Objektbestandteil kann einer Kategorie entsprechen.
In Ausführungsformen ist das Assoziierungskriterium ein Geschwindigkeitsprofil. Das Assoziierungskriterium kann beispielsweise ein von der Objektklasse abhängiges Geschwindigkeitsprofil sein. In Ausführungsformen ist für ein Objekt, das mindestens einer vorgegebenen Objektklasse eines Fahrzeugs mit einem starren Fahrzeugkörper und mit Rädern entspricht, das Assoziierungskriterium ein Geschwindigkeitsprofil, welches einem starren Fahrzeugkörper entspricht.
Das vorbestimmte Geschwindigkeitsprofil kann eine Häufigkeitsverteilung oder eine Verteilung von Schwerpunkten der Geschwindigkeitsdaten der Ortungsda- ten oder von bestimmten Merkmalen der Geschwindigkeitsdaten der Ortungsdaten angeben, oder wenigstens ein Charakteristikum einer solchen Verteilung, wie beispielsweise eine Varianz oder eine Breite der Verteilung. Für unterschiedliche Objektklassen kann für eine jeweilige Objektklasse wenigstens ein (typisches) Geschwindigkeitsprofil erwartet werden, wobei je nach Objektklasse das Objekt Bestandteile umfassen kann, die nicht alle dem gleichen Geschwindigkeitsprofil zuzuordnen sind. So kann beispielsweise ein Objektbestandteil, bei dem es sich um einen starren Körper handelt, wie etwa ein Kraftfahrzeug mit Ausnahme der Räder, ein Geschwindigkeitsprofil aufweisen, das durch weitgehend (und idealerweise vollständige) Übereinstimmung der gemessenen Geschwindigkeiten der einzelnen Ortungspunkte oder Ortungsdaten beschrie- ben werden kann. Räder eines Fahrzeugs haben demgegenüber ein ganz anderes Geschwindigkeitsprofil, das durch die radiale Bewegung der einzelnen detektierten Punkte des jeweiligen Rades um die Radachse gekennzeichnet ist. Ein Kennzeichen eines Geschwindigkeitsprofils kann die Breite der Verteilung der Geschwindigkeitsdaten sein. So haben beispielsweise Verkehrsteilnehmer wie Fußgänger ein wesentlich breiteres oder verrauschtes Geschwindigkeitsprofil als ein starrer Körper, der einen konstanten Geschwindigkeitswert aufweist.
Indem das Berechnungsmittel dazu konditioniert ist, dass bei den vorrangig ausgegebenen Umfeldmodellen bei Objekten, die einer vorgegebenen Objektklasse entsprechen, die Einhaltung der vorgegebenen physikalischen Beziehung besser für diejenigen Ortungsdaten erfüllt ist, die einem vorbestimmten Geschwindigkeitsprofil entsprechen, als für die Gesamtheit der dem Objekt zugeordneten Ortungsdaten (d.h. unabhängig von ihrem Geschwindigkeitsprofil), wird erreicht, dass die vorgegebene physikalische Beziehung besser für diejenigen Ortungsdaten erfüllt ist, die dem vorbestimmten Geschwindigkeitsprofil entsprechen. Dadurch kann beispielsweise für eine Objektklasse entsprechend einem „Fahrzeug mit Rädern“, für die unterschiedliche Geschwindigkeitsprofile für einen starren Fahrzeugkörper und für die Räder erwartet werden, erreicht werden, dass die vorgegebene physikalische Beziehung hauptsächlich für diejenigen Ortungsdaten erfüllt ist, die dem starren Fahrzeugkörper zuzuordnen sind. Es kann somit eine genauere Erfüllung der vorgegebenen physikalischen Beziehung für die dem starren Fahrzeugkörper zuzuordnenden Objektdaten erreicht werden.
Anstelle eines Geschwindigkeitsprofils kann auch ein anderes Assoziierungskriterium verwendet werden, beispielsweise ein Kriterium, bei dem die Assoziierung in Abhängigkeit von (durch die Ortungsdaten angegebenen) Positionen erfolgt. Je Objektklasse können die Ortungsdaten auch zu mehr als zwei Kategorien assoziiert werden, wobei für wenigstens zwei Kategorien jeweilige Assoziie- rungskriterien verwendet werden. Beispielsweise können für eine Objektklasse „Fahrzeug“ die Kategorien starrer Fahrzeugkörper, Räder und Rauschen (noise) verwendet werden.
Die Ortungsdaten können einem Objekt anhand einer durch die Objektdaten definierten Begrenzungsbox zugeordnet sein.
In bevorzugten Ausführungsformen umfasst die mindestens eine vorgegebene physikalische Beziehung der Objektdaten zu Ortungsdaten eine Übereinstimmung von auf eine radiale Objektrichtung projizierten kinematischen Objektdaten mit radialen Geschwindigkeitsdaten der Ortungsdaten. Die radiale Objektrichtung bedeutet hier eine Objektrichtung radial vom Sensor aus oder bezogen auf den Sensor.
Die beispielsweise in einem kartesischen Koordinatensystem von dem Berechnungsmittel ausgegebenen kinematischen Objektdaten lassen sich gewöhnlich mit einem Sensor nicht direkt messen. Insbesondere umfassen Ortungsdaten beispielsweise von einem Radarsensor stattdessen einen Abstand, eine radiale Relativgeschwindigkeit sowie einen Winkel eines Objekts relativ zu einer Refe- renzrichtung des Sensors. Zwar kann ein Berechnungsmittel, wie z.B. ein neuronales Netz, darauf trainiert werden, die nicht direkt messbaren Objektdaten zu schätzen, doch stehen nicht bei allen Objektarten die gemessenen radialen Geschwindigkeiten in einer direkten Beziehung zu der tatsächlichen Geschwindigkeit des Objekts in kartesischen Koordinaten. Das Schätzergebnis lässt sich daher wesentlich verbessern, insbesondere bei relativ verrauschten Ortungsdaten, wenn man zusätzlich berücksichtigt, welche physikalischen Beziehungen zwischen den auf eine radiale Objektrichtung projizierten kinematischen Ob- jektdaten und den radialen Geschwindigkeitsdaten der Ortungsdaten insbesondere für diejenigen Ortungsdaten bestehen, die einem vorbestimmten Assoziierungskriterium entsprechen, beispielsweise einem Objektteil mit einheitlichem Geschwindigkeitsprofil zuzuordnen sind.
Das Berechnungsmittel kann eingerichtet sein, als Teil der Objektdaten eine Unsicherheit einer ausgegebenen Objektgeschwindigkeit auszugeben. Mit anderen Worten können die kinematischen Objektdaten eines Objekts eine Geschwindigkeit und eine Unsicherheit einer Geschwindigkeit umfassen. Dadurch kann die Qualität der Prädiktion angegeben werden.
In bevorzugten Ausführungsformen ist das Berechnungsmittel ein auf maschinellem Lernen basierendes Berechnungsmittel. Es kommt somit ein Machine- Learning Verfahren zum Einsatz. Dabei wird kein physikalisches Modell zugrunde gelegt, und auch physikalisches Expertenwissen spielt nur eine untergeordnete Rolle. Stattdessen wird das Berechnungsmittel darauf trainiert, das Umfeldmodell aus den Ortungsdaten abzuleiten. Je umfangreicher die Trainingsdaten sind und je mehr Speicherplatz und Rechenleistung zur Verfügung stehen, desto realitätsnäher ist das Ergebnis. Das Berechnungsmittel kann bei- spielsweise ein neuronales Netz umfassen oder sein. Das Berechnungsmittel kann auch beispielsweise ein selective vector machine Detektor (selective support vector machine Detektor) sein.
Im folgenden werden Ausführungsbeispiele anhand der Zeichnung näher erläu- tert.
Es zeigen:
Fig 1 ein Blockdiagramm eines Umfelderfassungssystems gemäß der Erfindung; Fig. 2 ein Diagramm zur Erläuterung von Ortungsdaten unterschiedlicher Objektteile eines von dem Umfelderfassungssystem nach Fig. 1 georteten Objekts;
Fig. 3 ein Diagramm zur Erläuterung eines Assoziierungskriteriums in Form eines Geschwindigkeitsprofils;
Fig. 4 ein Diagramm zur Erläuterung von Ortungsdaten eines von dem Umfelderfassungssystem nach Fig. 1 georteten Objekts, bei dem es sich nicht um ein Fahrzeug handelt; und
Fig. 5 ein Diagramm zur Erläuterung einer möglichen Arbeitsweise des Umfelderfassungssystems nach Fig. 1 .
Das in Fig. 1 gezeigte Umfelderfassungssystem weist einen Radarsensor 10 auf, der so in ein Kraftfahrzeug eingebaut ist, dass er Objekte in einen bestimmten Teil des Umfelds des Fahrzeugs, beispielsweise in dem Raum vor dem eigenen Fahrzeug, orten kann und entsprechende Ortungsdaten 12 ausgibt. Im allgemeinen wird ein einzelnes Objekt mehrere Reflexionszentren aufweisen, von denen Radarechos empfangen werden. Die Ortungsdaten 12 umfassen dann für jedes Reflexionszentrum i den Abstand n, die Radialgeschwindigkeit Vn, d.h., die Relativgeschwindigkeit des Reflexionszentrums in der Richtung längs des Sehstrahls vom Radarsensor zum Reflexionszentrum, und den Azi- mutwinkel ai des Reflexionszentrums relativ zur Vorwärtsrichtung des eigenen
Fahrzeugs.
Im Radarsensor kann auch bereits eine gewisse Vorverarbeitung der Ortungsdaten stattfinden, beispielsweise in der Form, dass aus den Abstand n und dem Azimutwinkel ai jedes Objekts die kartesischen Koordinaten Xi und yi in der zur Längsachse des eigenen Fahrzeugs parallelen Richtung x und der dazu senkrechten (horizontalen) Richtung y berechnet werden.
Die Ortungsdaten 12 werden in ein neuronales Netz 14 eingespeist, das darauf trainiert ist, aus diesen Ortungsdaten ein Umfeldmodell 16 abzuleiten, das den Ort und soweit möglich auch die Form und Orientierung jedes Objekts in dem kartesischen Koordinatensystem x, y angibt. Im gezeigten Beispiel hat der Radarsensor 10 nur ein einzelnes Objekt 18 erfasst, beispielsweise einen Pkw, dessen grobe Umrissform durch eine Begrenzungsbox 20 mit Breite b und Länge I repräsentiert wird. Von den vier Ecken des Objekts 18 sind vom Radarsensor 10 aus, also vom Ursprung des Koordinatensystems aus, drei Ecken sichtbar. Es kann angenommen werden, dass sich in der Nähe jeder dieser drei Ecken ein Reflexionszentrum befindet, so dass die Ortungsdaten 12 unter anderem die Koordinaten (xi , yi), (X2, y2) und (X3, ys) der drei sichtbaren Fahrzeugecken umfassen. Darüber hinaus wird es im allgemeinen weitere Reflexionszentren an der Rückfront des Fahrzeugs und an der sichtbaren Seitenfläche geben.
Die Ortungsdaten 12 umfassen darüber hinaus auch die Azimutwinkel oci der drei sichtbaren Ecken sowie die Radialkomponenten vr der Relativgeschwindigkeiten dieser drei Ecken. Aus Gründen der Übersichtlichkeit sind die Azimutwinkel und Relativgeschwindigkeiten in Fig. 1 nur für die Ecke (xi , yi) gezeigt.
Anhand der Ortskoordinaten und der Bewegungsdaten kann das neuronale Netz 14 alle drei sichtbaren Ecken demselben Objekt 18 zuordnen und anhand der Größenverhältnisse schließen, dass es sich bei diesem Objekt um einen Pkw handeln dürfte, und dann die zugehörige Begrenzungsbox 20 ergänzen und eine entsprechende Objektklasse K bestimmen. Anhand der längeren Kanten der Begrenzungsbox 20 kann das neuronale Netz auch den Gierwinkel cp des Objekts bestimmen. In Fig. 1 sind außerdem als Vektoren die Relativgeschwindigkeit v des Objekts 18 sowie die Komponenten vx, vy dieser Relativgeschwindigkeit dargestellt. Diese Größen lassen sich jedoch mit Hilfe des Radarsensors 10 nicht direkt mes- sen, sondern müssen aus den verfügbaren Ortungsdaten 12 abgeleitet werden.
Zum Beispiel besteht für jedes Reflexionszentrum mit dem Azimutwinkel a und dem Abstand r eine durch die nachstehende Formel (1 ) angegebene Beziehung zwischen der messbaren Radialgeschwindigkeit vr und den Komponenten vx und vy der Geschwindigkeit v des Objekts 18.
Vr = (Vy- O XR) sin(a) + (vx + O YR) cos(a) (1 )
Diese Beziehung beruht auf der Überlegung, dass die gemessene Radialgeschwindigkeit vrauch von der Winkelgeschwindigkeit o abhängig ist, mit der sich das Objekt 18 um ein Drehzentrum 21 dreht, das bei einem Pkw typischerweise in der Nähe der Mitte der Hinterachse liegt. In der Gleichung (1 ) bezeichnen XR und yR die Abstände zwischen dem Drehzentrum 21 und dem betrachteten Reflexionszentrum in den Koordinatenrichtungen x und y. In Fig. 1 sind diese Abstände für den Eckpunkt (xi, yi) eingezeichnet.
Fig. 2 zeigt schematisch, dass bei einem Objekt 18 in Form eines Fahrzeugs an dem starren Fahrzeugkörper (Objektbestandteil) 22 Reflexionszentren (Messpunkte) detektiert werden, die näherungsweise eine gleiche messbare Radial- geschwindigkeit vr haben, während an den sich drehenden Rädern 23 Reflexionszentren detektiert werden, deren messbare Radialgeschwindigkeiten vr davon stark abweichen, da die Geschwindigkeit der Räder 23 proportional zum Radius am Rad und zur aktuellen Objektgeschwindigkeit sind. Fig. 3 zeigt schematisch ein Geschwindigkeitsprofil, welches einem starren Fahrzeugkörper eines fahrenden Fahrzeugs entspricht und durch eine Spitze charakterisiert ist. Gemäß dem Geschwindigkeitsprofil haben die damit assoziierbaren Ortungsdaten einen Mittelwert vr, rigid der messbaren Radialgeschwin- digkeit vr und eine (relativ geringe) Standardabweichung Avr, rigid. Die übrigen Ortungsdaten haben einen Mittelwert vr, noise der messbaren Radialgeschwindigkeit vr und eine (deutlich größere) Standardabweichung Avr, noise (nicht dargestellt).
Das neuronale Netz 14 ist darauf konditioniert, bei der Schätzung der Objektdaten vx, vy und v zu berücksichtigen, das die durch die Formel (1 ) angegebene Beziehung für alle diejenigen Messpunkte des Objekts 18 einschließlich jedem der drei sichtbaren Eckpunkte des Objekts 18 erfüllt sein muss, die dem Geschwindigkeitsprofil des starren Fahrzeugkörpers 22 entsprechen und daher mit dem starren Fahrzeugkörper 22 zu assoziieren sind, und zwar für alle assoziierten Punkte mit derselben Winkelgeschwindigkeit o, die überdies auch mit der zeitlichen Ableitung des Gierwinkels cp übereinstimmen muss. Insbesondere ist das neuronale Netz 14 ist darauf konditioniert, dass dabei die durch die Formel (1 ) angegebene Beziehung für die mit dem Geschwindigkeitsprofil des starren Fahrzeugkörpers 22 assoziierten Punkte des Objekts 18 besser erfüllt sein muss als für die Gesamtheit der dem Objekt 18 zuzuordnenden Messpunkte.
Die Objektdaten können außerdem eine Unsicherheit der Objektgeschwindigkeit umfassen, die beispielsweise bei einem Fahrzeug der Standardabweichung (Avx, rigid, Avy, rigid) der dem starren Fahrzeugkörper entsprechenden Objektgeschwindigkeit (vx, rigid, vy, rigid) entsprechen kann. Es können alternativ auch andere statische Beschreibungen der Geschwindigkeitsverteilung verwendet werden. Fig. 4 zeigt demgegenüber schematisch, dass bei einem Objekt 24 in Form eines Fußgängers Reflexionszentren detektiert werden, die ganz unterschiedliche messbare Radialgeschwindigkeiten vr haben und nicht ein Geschwindigkeitsprofil wie in Fig. 3 aufweisen. Hier kann das neuronale Netz 14 eine Unsicher- heit der Objektgeschwindigkeit ausgeben, die der Standardabweichung (Avx , noise, AVy , noise ) entspricht.
In Fig. 5 wird die Arbeitsweise des neuronalen Netzes 14 an einem vereinfachten Beispiel illustriert, bei dem angenommen wird, dass die Winkelgeschwindigkeit o des Objekts 18 vernachlässigbar ist, und dass das Objekt 18 als Fahrzeug mit sich drehenden Rädern zu klassifizieren ist. Die Eingangsdaten für das neuronale Netz 14 sind die gemessenen Abstände n, Radialgeschwindigkeiten vr,i, und Azimutwinkel oci einer Punktwolke 25 von Messpunkten 26. Als Arbeitshypothese wird angenommen, dass sämtliche Mischpunkte 26 zu demselben Objekt 18 gehören, und das es sich um ein Objekt 18 einer Objektklasse K „Fahrzeug mit starrem Fahrzeugkörper und Rädern“ handelt.
Unter der Annahme o = 0 vereinfacht sich die Formel (1 ) zu der Formel vr = vy sin(a) + vx cos(a) (2)
Das Netz ist darauf trainiert, Schätzwerte für vx und vy zu liefern, für welche die Beziehung gemäß Formel (2) für diejenigen Messpunkte 26‘, die aufgrund ihrer ähnlichen Radialgeschwindigkeiten vr,i, mit einem starren Fahrzeugkörper 22 des Objekts 18 zu assoziieren sind, besser erfüllt ist als für alle dem Objekt 18 zugeordneten Messpunkte 26.
Im gezeigten Beispiel hat das Netz ein Eingangslayer 28, dem die Eingangsdaten zugeführt werden, und zwei verborgene Layer 30 und ein Ausgangslayer 32, in denen die Eingangsdaten schrittweise in Ausgangsdaten (u.a. Schätzwer- te für vx und vy) umgewandelt werden, die letztlich das Umfeldmodell 16 repräsentieren. In diesem Beispiel umfassen die vom Ausgangslayer 32 ausgegebenen Objektdaten außerdem die Objektklasse K, die Breite b und die Länge I der Begrenzungsbox 20 sowie die Koordinaten (dx, dy) des geometrischen Zent- rums 34 der Begrenzungsbox 20.
Wenn ein neuronales Netz anhand von Trainingsdaten trainiert wird, so werden üblicherweise die Gewichte der neuronalen Verbindungen so verändert, dass die so genannte Verlustfunktion L (Loss) minimiert wird. Diese Verlustfunktion L gibt die mittlere quadratische Abweichung der vom Netz ausgegebenen Schätzwerte von den wahren Werten der Objektdaten an.
Um das neuronale Netz 14 für die oben erläuterte Beziehung der assoziierten Punkte gemäß Formel (2) zu konditionieren, wird die Verlustfunktion jedoch modifiziert, indem zu der üblichen Verlustfunktion L ein physikalischer Term Lp addiert wird. Dazu wird zunächst die Menge der einem Objekt 18 zuzuordnenden Messpunkte 26 (bzw. deren Ortungsdaten) bestimmt anhand der Lage der Messpunkte 26 relativ zur Begrenzungsbox 20, insbesondere anhand des Kriteriums, dass die Positionen der Messpunkte 26 innerhalb der Begrenzungsbox 20 liegen. Weiter wird die so bestimmte Menge der dem Objekt 18 zugeordneten Messpunkte 26 gruppiert (geclustert) in einen ersten Cluster, der dem starren Fahrzeugkörper 22 entspricht und die dem starren Fahrzeugkörper 22 zugeordneten Messpunkte 26' umfasst, und einen zweiten Cluster, der den übrigen Messpunkten 26“ entspricht und insbesondere die Messpunkte 26“ um- fasst, die den Rädern 23 entsprechen. Für die Anzahl Nrigid der Messpunkte 26‘, die mit dem starren Fahrzeugkörper 22 des Objekts 18 assoziiert werden, und für die Anzahl Nnoise aller übrigen Messpunkte 26“ des Objekts 18 gilt dann: N = Nrigid + Nnoise, wobei N die Gesamtzahl der dem Objekt 28 zugeordneten Messpunkte 26 ist. Die Assoziierung von Messpunkten 26' zum starren Fahrzeugkörper 22 wird anhand des Geschwindigkeitsprofils vorgenommen. Als Verfahren zum Clustern kann der k-means Clusteralgorithmus verwendet werden oder z.B. das RANSAC-(random sample consensus)-Verfahren. Der k-means Clusteralgorithmus unterteilt N Punkte in zwei Klassen (oder Kategorien) basierend auf ihren Geschwindigkeiten. Das RANSAC-Verfahren unterscheidet Ausreißerpunk- te unter den N Punkten durch die Annahme, das die mit dem starren Fahrzeugkörper 22 zu assoziierenden Punkte zu einem Bewegungsprofil passen, in Abhängigkeit von der Objektklasse.
Der physikalische Term Lp ist dann wie folgt definiert:
Lp — Wrigid |Vr, rigid - Vpred| + Wnoise |Vr, noise - Vpred| (3)
Darin sind vr, rigid der Mittelwert der tatsächlich gemessenen Radialgeschwindigkeiten aller Nrigid Messpunkte 26‘, die mit dem starren Fahrzeugkörper 22 des Objekts 18 assoziiert werden, vr, noise der Mittelwert der tatsächlich gemessenen Radialgeschwindigkeiten aller übrigen Nnoise Messpunkte 26“ des Objekts 18, Vpred ist der prädizierte Wert der Radialgeschwindigkeit, der sich aus den vom Netz prädizierten Werten und vx,Pred und vy,Pred der Geschwindigkeitskomponenten ergibt, und Wrigid und wnOise sind jeweilige Gewichtungsfaktoren, die von der Objektklasse K abhängig sind, wobei für die Objektklasse „Fahrzeug mit starrem Fahrzeugkörper und Rädern“ Wrigid einen wesentlich höheren Wert erhält als Wnoise. Umgekehrt wird z.B. für eine Objektklasse eines beweglichen „nicht- Fahrzeugs“ wnOise wesentlich höher gewählt als Wrigid, da für ein solches Objekt ein wesentlich vielfältigeres, breiteres Geschwindigkeitsprofil vorliegen kann.
|... | bezeichnet hier eine Norm oder eine Verlustfunktion, die für ein Training mit Verteilung geeignet ist. Geeignete Verlustfunktionen sind z.B. L1 loss, L2 loss, negative log likelihood loss, und KL-divergence loss. Die gemessene Radialgeschwindigkeit für die prädizierten Objekte 18 wird somit in zwei Terme aufgeteilt, vr, rigid und vr, noise. Diese haben jeweils die Standardabweichungen ÄVr, rigid Und ÄVr, noise. Wenn in der Trainingsphase die Gewichte der neuronalen Verbindungen so eingestellt werden, dass die Gesamt-Verlustfunktion L + Lp minimiert wird, so bewirkt der physikalische Term Lp eine Einstellung der Gewichte auf solche Werte, bei denen das Netz Geschwindigkeiten vx, vy prädiziert, die mit der beschriebenen Gewichtung der zum starren Fahrzeugkörper 22 gehörenden Messpunkte 26' und der geringeren Gewichtung der übrigen Messpunkte 26“ des Objekts 18 die Funktion
A(vr , a) = vr - vy sina - vx cosa minimieren. Dabei würde A( vr, a) gleich 0 bedeuten, dass die Bedingung gemäß Formel (2) exakt erfüllt ist. Auf diese Weise lernt das Netz, bevorzugt Ergebnisse zu liefern, die mit dieser Bedingung vereinbar sind.
Während vorstehend eine Assoziierung von Ortungsdaten zu einem Objektbe- standteil anhand eines Geschwindigkeitsprofils beschrieben wurde, sind auch andere Assoziierungskriterien denkbar.
Das beschriebene Umfelderfassungssystem erlaubt eine präzise Schätzung von Objektdaten für unterschiedliche Klassen von Objekten, darunter Fahrzeu- ge und nicht-Fahrzeuge wie z.B. Fußgänger oder Tiere, wobei je nach Objektklasse durch ein jeweiliges Assoziierungskriterium eine bessere Übereinstimmung der geschätzten Objektdaten mit denjenigen Ortungsdaten erreicht werden kann, die mit einem bestimmten Objektbestandteil assoziiert sind.

Claims

Patentansprüche
1 . Umfelderfassungssystem, mit mindestens einem Sensor (10) zur Bereitstellung von Ortungsdaten (12) über Objekte (18), wobei die Ortungsdaten (12) Geschwindigkeitsdaten umfassen, und mit einem Berechnungsmittel (14) zur Umwandlung der Ortungsdaten (12) in ein Umfeldmodell (16), das kinematische Objektdaten der Objekte (18) repräsentiert und ein Objekt (18) einer jeweiligen Objektklasse (K) zuordnet, wobei das Berechnungsmittel (14) dazu konditioniert ist, vorrangig Umfeldmodelle (16) auszugeben, in denen für ein Objekt (18), das mindestens einer vorgegebenen Objektklasse (K) entspricht, mindestens eine vorgegebene physikalische Beziehung der Objektdaten zu Ortungsdaten (12), die dem Objekt (18) zugeordnet sind, für diejenigen der dem Objekt (18) zugeordneten Ortungsdaten (12) besser erfüllt ist, die einem vorbestimmten Assoziierungskriterium entsprechen, als für die Gesamtheit der dem Objekt (18) zugeordneten Ortungsdaten (12).
2. Umfelderfassungssystem nach Anspruch 1 , bei dem das Berechnungsmittel (14) dadurch konditioniert ist, dass beim Training des Berechnungsmittels (14) eine Verlustfunktion verwendet wurde, die einen physikalischen Term (Lp) enthält, der die Abweichung von der mindestens einen vorgegebenen physikalischen Beziehung der Objektdaten zu Ortungsdaten (12), die dem Objekt (18) zugeordnet sind, minimiert und dabei für ein Objekt (18), das der mindestens einen vorgegebenen Objektklasse (K) entspricht, die Abweichung für diejenigen der dem Objekt (18) zugeordneten Ortungsdaten (12) stärker gewichtet, die dem vorbestimmten Assoziierungskriterium entsprechen, als für die übrigen der dem Objekt (18) zugeordneten Ortungsdaten (12).
3. Umfelderfassungssystem nach Anspruch 2, bei dem ein Gewichtungsfaktor der Gewichtung in Abhängigkeit von der vorgegebenen Objektklasse (K) bestimmt ist.
4. Umfelderfassungssystem nach einem der vorstehenden Ansprüche, bei dem das vorbestimmte Assoziierungskriterium in Abhängigkeit von der vorgegebenen Objektklasse (K) bestimmt ist.
5. Umfelderfassungssystem nach einem der vorstehenden Ansprüche, bei dem das Assoziierungskriterium eine Assoziierung zu einem vorbestimmten Objektbestandteil eines Objekts (18) definiert.
6. Umfelderfassungssystem nach einem der vorstehenden Ansprüche, bei dem das Assoziierungskriterium ein Geschwindigkeitsprofil ist.
7. Umfelderfassungssystem nach Anspruch 6, bei dem für ein Objekt (18), das mindestens einer vorgegebenen Objektklasse (K) eines Fahrzeugs mit einem starren Fahrzeugkörper (22) und mit Rädern (23) entspricht, das Assoziierungskriterium ein Geschwindigkeitsprofil ist, welches einem starren Fahrzeugkörper (22) entspricht.
8. Umfelderfassungssystem nach einem der vorstehenden Ansprüche, bei dem die mindestens eine vorgegebene physikalische Beziehung der Objektdaten zu Ortungsdaten (12) eine Übereinstimmung von auf eine radiale Objektrichtung projizierten kinematischen Objektdaten mit radialen Geschwindigkeitsdaten der Ortungsdaten (12) umfasst.
9. Umfelderfassungssystem nach einem der vorstehenden Ansprüche, bei dem das Berechnungsmittel (14) ein auf maschinellem Lernen basierendes Berechnungsmittel (14) ist.
10. Umfelderfassungssystem nach Anspruch 9, bei dem das Berechnungs- mittel (14) ein neuronales Netz umfasst.
PCT/EP2025/062601 2024-06-14 2025-05-08 Sensorbasiertes umfelderfassungssystem Pending WO2025256830A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102024205513.1 2024-06-14
DE102024205513.1A DE102024205513A1 (de) 2024-06-14 2024-06-14 Sensorbasiertes Umfelderfassungssystem

Publications (1)

Publication Number Publication Date
WO2025256830A1 true WO2025256830A1 (de) 2025-12-18

Family

ID=95699167

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2025/062601 Pending WO2025256830A1 (de) 2024-06-14 2025-05-08 Sensorbasiertes umfelderfassungssystem

Country Status (2)

Country Link
DE (1) DE102024205513A1 (de)
WO (1) WO2025256830A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210156960A1 (en) * 2019-11-21 2021-05-27 Nvidia Corporation Deep neural network for detecting obstacle instances using radar sensors in autonomous machine applications
US20210255304A1 (en) * 2018-11-30 2021-08-19 Qualcomm Incorporated Radar deep learning
DE102020105192A1 (de) * 2020-02-27 2021-09-02 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Detektieren bewegter Objekte in einer Fahrzeugumgebung und Kraftfahrzeug
DE102022210119A1 (de) 2022-09-26 2024-03-28 Robert Bosch Gesellschaft mit beschränkter Haftung Radarbasiertes Umfelderfassungssystem für Kraftfahrzeuge

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210255304A1 (en) * 2018-11-30 2021-08-19 Qualcomm Incorporated Radar deep learning
US20210156960A1 (en) * 2019-11-21 2021-05-27 Nvidia Corporation Deep neural network for detecting obstacle instances using radar sensors in autonomous machine applications
DE102020105192A1 (de) * 2020-02-27 2021-09-02 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Detektieren bewegter Objekte in einer Fahrzeugumgebung und Kraftfahrzeug
DE102022210119A1 (de) 2022-09-26 2024-03-28 Robert Bosch Gesellschaft mit beschränkter Haftung Radarbasiertes Umfelderfassungssystem für Kraftfahrzeuge

Also Published As

Publication number Publication date
DE102024205513A1 (de) 2025-12-18

Similar Documents

Publication Publication Date Title
DE102016106298B4 (de) Fusionsverfahren für eine Querverkehr-Applikation unter Verwenden von Radargeräten und einer Kamera
DE102016106299B4 (de) Raderfassung und ihre Applikation bei Objektverfolgung und Sensorregistrierung
AT507035B1 (de) System und verfahren zur kollisionsvermeidung
DE102019205008B3 (de) System zur Rückwärtigen Kollisionsvermeidung
DE102018008624A1 (de) Steuerungssystem und Steuerungsverfahren zum samplingbasierten Planen möglicher Trajektorien für Kraftfahrzeuge
DE112020002753T5 (de) Fahrzeugsteuerverfahren, fahrzeugsteuervorrichtung und fahrzeugsteuersystem diese enthaltend
DE102014114827A9 (de) Wegplanung für Ausweichlenkmanöver bei Vorhandensein eines Zielfahrzeugs und umgebenden Objekten
DE102020102962A1 (de) Fahrzeugzielverfolgung
DE102014114608A1 (de) Wegplanung für Ausweichlenkmanöver mithilfe einer virtuellen Potentialfeldtechnik
WO2021170321A1 (de) Verfahren zum detektieren bewegter objekte in einer fahrzeugumgebung und kraftfahrzeug
DE102018200683A1 (de) Verfahren zur Detektion eines Objektes
DE102022102443A1 (de) Verbesserter sensorbetrieb
DE102019216805A1 (de) Verfahren zum Verfolgen eines entfernten Zielfahrzeugs in einem Umgebungsbereich eines Kraftfahrzeugs mittels einer Kollisionserkennungsvorrichtung
DE102021104324A1 (de) Verbesserte objekterkennung und -reaktion
WO2022122933A1 (de) Verfahren und vorrichtung zum detektieren von objekten in einer umgebung eines fahrzeugs
DE112021005806T5 (de) Systeme und Verfahren zu einer kamerabasierten Verringerung falsch erkannter Radarspuren
WO2022028840A1 (de) Kritikalitätsbestimmung für autonomes fahren
DE102022123176A1 (de) Filtern und aggregieren von detektionspunkten einer radarpunktwolke für ein autonomes fahrzeug
DE102022109113A1 (de) Objektidentifizierung mit neuronalem netz
WO2020193273A1 (de) Verfahren und vorrichtung zum betrieb eines roboters mit verbesserter objektdetektion
DE102019219750B4 (de) Fahrerassistenzsystem und Verfahren zum Detektieren von Objektbarrieren in 3D-Punktewolken
WO2022129266A1 (de) Verfahren zur detektion zumindest eines objektes einer umgebung mittels reflexionssignalen eines radar-sensorsystems
DE102018216999A1 (de) Verfahren, Computerprogramm und Messsystem für die Auswertung von Bewegungsinformationen
DE102018217000A1 (de) Verfahren, Computerprogramm und Messsystem für die Auswertung von Bewegungsinformationen
DE112017008095T5 (de) Objekterkennungsvorrichtung und Objekterkennungsverfahren

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: 25724515

Country of ref document: EP

Kind code of ref document: A1