用于产生反演传感器模型的方法和设备以及用于识别障碍物的方法与流程

本发明涉及用于产生用于雷达传感器设备的反演传感器模型(inversesensormodell)的一种方法和一种设备。本发明还涉及一种用于借助雷达传感器设备来识别车辆的周围环境中的障碍物的方法。

背景技术：

实现部分自主行驶或自主行驶的驾驶员辅助系统必须能够具有关于车辆的周围环境的准确信息。尤其必须将在车辆周围环境中的可行驶区域或空闲区域与不可行驶区域区分开。

目前主要使用视频传感器、立体视频传感器和激光雷达传感器来确定空闲区域。尤其可以考虑将由这些传感器产生的传感器数据用于产生占用栅格(occupancygrid)。为此，将车辆的周围环境表示为通常二维的栅格结构，其中，将占用值分配给该栅格结构的每个单元。占用值可以是具有值“空闲”和“占用”的二进制值。也可以使用三进制值，其中，可以附加地将值“未知”分配给单元。

这种根据传感器数据的三进制值的分配例如由文献de102009007395b4已知。

现代车辆通常也具有多个用于识别障碍物的雷达传感器。但是，直接使用雷达传感器产生占用栅格由于以下原因而变得困难：雷达反射经常以间接的方式产生——例如通过护栏反射或地板反射。在沿视线使用视频传感器或激光雷达传感器直至第一次反射的情况下可以假设有空闲空间，而这对于雷达传感器来说通常不成立。

技术实现要素：

本发明提供一种具有权利要求1的特征的用于产生用于雷达传感器设备的反演传感器模型的方法。本发明还提供一种具有权利要求9的特征的用于借助雷达传感器设备来识别车辆的周围环境中的障碍物的方法。最后，本发明提供一种具有权利要求10的特征的用于产生用于雷达传感器设备的反演传感器模型的设备。

优选实施方式是相应的从属权利要求的主题。

因此，根据第一方面，本发明提供一种用于产生用于雷达传感器设备的反演传感器模型的方法。将具有预给定的尺寸和空间位置的障碍物布置在雷达传感器设备的周围环境中。通过雷达传感器设备产生雷达测量数据。在使用所产生的雷达测量数据和障碍物的预给定的尺寸和空间位置的情况下生成反演传感器模型。在此，该反演传感器模型根据预给定的雷达测量数据将占用概率分配给占用栅格的单元。

因此，根据第二方面，本发明涉及一种用于借助雷达传感器设备来识别车辆的周围环境中的障碍物的方法，其中，产生雷达传感器设备的反演传感器模型。此外，借助雷达传感器设备产生关于车辆的周围环境的雷达测量数据。此外，生成占用栅格，其中，根据反演传感器模型并且在使用雷达测量数据的情况下求取占用栅格的单元的占用值。在使用占用栅格的情况下识别障碍物。

根据本发明的第三方面，提供一种用于产生用于雷达传感器设备的反演传感器模型的设备。该设备具有接口，该接口接收由雷达传感器设备产生的雷达测量数据。该接口还接收关于在雷达传感器设备的周围环境中的障碍物的预给定的尺寸和空间位置的信息。该设备还包括计算装置，该计算装置在使用所接收的雷达测量数据和关于障碍物的预给定的尺寸和空间位置的信息的情况下生成用于雷达传感器设备的反演传感器模型。该反演传感器模型根据预给定的雷达测量数据将占用概率分配给占用栅格的单元。

根据明确定义的训练数据(即根据在测试场景中在使用已知且可控的条件下检测的雷达测量数据)生成反演传感器模型。在训练阶段期间，已知障碍物相对于雷达传感器设备的准确位置和障碍物的准确尺寸。因此可以将所产生的雷达测量数据唯一明确地分配给车辆的已知的周围环境。根据这些已知的值，如此教授(eingelernt)反演传感器模型，使得根据反演传感器模型可以分析处理任何预给定的雷达测量数据。

因此，本发明使得能够生成用于雷达传感器设备的反演传感器模型。在生成反演传感器模型时也考虑通常难以计算在内的间接反射，因为所述间接反射已经包含在在训练场景中检测的雷达数据中。由此，本发明允许将用于产生衍射栅格的雷达传感器设备考虑在内。

根据该方法的一种优选扩展方案，在产生雷达测量数据时改变障碍物相对于雷达传感器设备的相对位置，并且针对相应的相对位置产生雷达测量数据。由此，可以考虑用于教授反演传感器模型的不同场景。根据一种实施方式，使雷达传感器设备运动通过具有安放的障碍物的测试路段，其中，基本上连续地或在确定时间段内产生雷达测量数据。然而，也可以相对于雷达传感器设备(要么在障碍物关于雷达传感器设备的定向方面，要么在障碍物关于雷达传感器设备的距离或位置方面)改变障碍物。可以改变障碍物相对于彼此的位置和定向。考虑越多的不同场景(所述场景在角位置、障碍物的距离和障碍物的形状或材料方面不同)，则通常反演传感器模型越准确。尤其考虑用于生成反演传感器模型的训练数据越多，则用于未知场景的占用概率的准确度越高。

根据该方法的一种优选扩展方案，根据障碍物的预给定的尺寸和空间位置来将占用值概率分配给单元，并且使该占用值概率与所产生的雷达测量数据相关联。预给定的尺寸和空间位置可以用于计算在雷达传感器设备的周围环境中的精确占用。替代地或附加地，可以借助其他的传感器设备(例如借助摄像机或激光雷达设备)来确定并且由此预给定所述尺寸和空间位置。无论如何，障碍物的尺寸和空间位置都独立于雷达测量而已知——即在不使用雷达测量数据的情况下求取。由于已知该尺寸和空间位置，因此可以精确地说明测试场景的占用概率——即例如每个单元的占用概率是0或1。

因此虽然精确地已知测试场景的占用概率，但是未知场景的占用概率(即未知的雷达测量数据)通过反演传感器模型来计算。根据一种实施方式，借助机器学习来产生反演传感器模型。特别优选地，在使用神经网络的情况下产生该反演传感器模型，其中，将雷达测量数据和与所产生的雷达测量数据相关联的占用概率(即针对测试场景所求取的值)用作神经网络的输入数据。特别优选地，使用卷积神经网络(cnn或convnet)来生成反演传感器模型。尤其可以以栅格或网格的形式来表示雷达测量数据，其中，根据反射值产生第一栅格，根据所属的径向速度产生第二栅格，并且根据所求取的雷达横截面产生第三栅格。将第一栅格至第三栅格用作cnn的输入数据。可以根据雷达测量的其他特性预给定其他栅格。借助神经网络将栅格用于确定反演传感器模型——即用于将占用概率分配给预给定的雷达测量数据。

根据该方法的一种优选扩展方案，借助其他的传感器设备来求取占用概率，将该占用概率用作神经网络的附加输入数据。传感器设备可以优选包括激光雷达传感器或车辆摄像机。对于这些其他的传感器设备可以考虑使用已知的方法来求取占用概率。尤其可以对于激光雷达传感器和车辆摄像机考虑以下情况：通常不会出现间接反射。此外，可以通过图像处理和对象识别根据附加传感器设备的传感器数据来确定占用概率。因此，例如可以根据视频数据来识别路面并且将其分类为可行驶。也可以通过以下方式来间接地求取占用概率：由在传感器的视距内未识别到反射的事实推断出，以确定的概率也不存在对象。在使用激光雷达设备的情况下，可以以角度的方式产生占用概率。在考虑目前的测量历史的情况下，可以考虑将占用概率用于产生占用栅格。在使用多个传感器设备的情况下，可以在计算占用概率之前或在计算相应的占用概率之后将传感器数据融合。

根据一种优选扩展方案，除测试场景之外，也考虑实际行驶的测量值。可以根据其他传感器数据提供障碍物的相应的尺寸和空间位置。

根据该方法的一种优选扩展方案，在生成反演传感器模型时考虑雷达传感器设备的作用距离，根据所产生的雷达测量数据和障碍物的预给定的尺寸和空间位置来求取该作用距离。如果在测试场景中，确定大小的障碍物处于确定的距离中，但是没有求取到相应的雷达反射，则可以推断出：该障碍物位于雷达传感器设备的作用距离之外。一般地，雷达传感器设备的作用距离不是固定值，而是连续的过渡范围，在所述连续的过渡范围内雷达传感器设备的识别准确度降低并且基本上趋于零。例如可以通过以下方式来考虑该作用距离：将占用概率“1/2”分配给占用栅格的如下单元：所述单元相应于处于雷达传感器设备的作用距离之外的区域。

根据该方法的一种优选扩展方案，为了生成反演传感器模型而分析处理的雷达测量数据包括雷达横截面和角概率。

附图说明

附图示出：

图1示出用于产生反演传感器模型的设备的示意性方框图；

图2示出测试场景的示意性俯视图；

图3示出测试场景的占用概率的示例性的距离相关性；

图4示出任意预给定的周围环境场景的占用概率的示例性的距离相关性；

图5示出在没有雷达反射情况下的占用概率的示例性的距离相关性；

图6示出示例性的占用栅格；

图7示出用于产生反演传感器模型或用于识别障碍物的方法的流程图。

在所有附图中，相同的或功能相同的元件和设备设有相同的附图标记。

具体实施方式

在图1中示出用于产生用于雷达传感器设备21的反演传感器模型的设备1的示意性方框图。雷达传感器设备21可以具有多个单个的发送接收设备，该发送接收设备构造用于发射雷达波并且接收所反射的雷达波。

雷达传感器设备21优选集成在车辆2中。雷达传感器设备21执行雷达测量并且产生相应的雷达测量数据，该雷达测量数据通过信号连接被传输给设备1的接口11。设备1的接口11还与外部计算设备3耦合，该外部计算设备将雷达传感器设备21的周围环境中的障碍物的准确的空间位置和尺寸传输给接口11。该空间位置可以包括二维的或三维的位置坐标，所述位置坐标尤其可以相对于雷达传感器设备21的位置来说明。所述尺寸可以包括障碍物的准确的空间尺寸以及精确的形状。此外，可以由计算设备3将关于障碍物的材料特性的信息传输给接口11。

障碍物可以涉及反射雷达波的任何对象——例如车辆、人员、护栏、建筑物部分、树木或灌木。关于障碍物的信息(即尤其空间位置、尺寸以及必要时材料特性)可以通过用户界面由用户输入并且存储在计算设备3的存储器中。附加地或替代地，计算设备3可以与其他的传感器相关联，所述其他的传感器求取关于障碍物的信息。例如，附加的传感器可以包括摄像机或激光雷达传感器。

将通过接口11所接收的关于障碍物的信息以及所接收的雷达测量数据传输给计算装置12，该计算装置构造用于进一步处理这些数据。

计算装置12以及计算设备3可以包括一个或多个微处理器，所述微处理器用于处理数据并且用于执行计算操作。

计算装置12根据所接收的雷达测量数据并且根据关于障碍物的预给定的尺寸和空间位置的信息来计算用于雷达传感器设备21的反演传感器模型。

反演传感器模型理解为能够用于产生占用栅格的模块。根据预给定的当前的雷达测量数据，将占用概率分配给占用栅格的每个单元。占用概率相应于在存在当前的雷达测量数据的情况下相应的单元被占用的概率。根据占用概率可以求取单元的占用值。占用值可以优选采用具有值“占用”或1和“空闲”或0的二进制值。占用值也可以是三进制值，其可以附加地采用值“未知”，并且例如可以由值1/2来表示。根据其他的实施方式，占用值可以采用0与1之间的连续值。

占用栅格自身优选可以是对称栅格，其中，将所计算的占用值分配给每个单元。通常，占用栅格对车辆的周围环境建模——即占用栅格相对于车辆周围环境中的位置固定元素是固定的。这意味着，车辆自身和其他的动态对象运动通过占用栅格。在车辆2的运动期间产生新的传感器数据，这些新的传感器数据用于更新占用栅格——即用于动态地匹配占用栅格的单元的占用值。尤其可以基于根据当前的雷达测量数据所生成的反演传感器模型来确定占用栅格的单元的相应的占用概率。可以考虑将该占用概率用于动态地匹配单元的占用值。尤其可以借助被称作二进制贝叶斯滤波器(bayes-filter)的递归更新方程来计算每个单元的后验概率(即在考虑整个测量历史的情况下)。根据一种实施方式，为此可以假设各个单元彼此有条件地独立。

占用栅格实现周围环境的平面描述，其中，不仅可以识别在车辆的周围环境中的障碍物，而且可以识别可行驶区域。因此，占用栅格实现空闲空间建模或空闲区域建模。

可以将所生成的反演传感器模型传输给驾驶辅助系统22，该驾驶辅助系统借助所检测的雷达测量值根据反演传感器模型来识别障碍物并且部分自主地或自主地控制车辆2。

以下更详细地说明通过计算装置12生成反演传感器模型。

在图2中示出示例性的测试场景——即雷达传感器设备21定位在具有预给定的障碍物41至44的周围环境中。雷达传感器设备21优选沿着预给定的路径7运动，其中，在任意时刻由计算设备3求取障碍物41至44相对于雷达传感器设备21的准确位置并且将其传输给设备1。雷达传感器设备21求取在近程区域51中的雷达测量数据和在远程区域52中的雷达测量数据，其中，所检测的区域的特征在于相应的检测角度α1、α2和作用距离61、62。将关于障碍物41至44的相应的信息分配给相应的雷达测量数据。雷达测量数据包括所有雷达反射(locations：位置)及其特性(尤其相应的角概率和雷达横截面)的整体。

在使用障碍物的尺寸和空间位置的情况下，计算装置12可以将占用栅格的单元的相应的占用概率分配给相应的雷达测量数据。

这在图3中针对沿视线8的占用栅格的单元示例性地示出。对于小于至第一障碍物41的距离x1的距离x，占用概率等于0。对于沿视线8处于距雷达传感器设备21的距离x1处的单元，占用概率是1，因为障碍物41肯定处于该位置。由于更远的区域被障碍物41遮挡，因此无法得出关于这些区域的结论。相应地，可以将值1/2分配给占用概率。

对于所接收的雷达测量数据中的每个，类似于该示例，计算装置12在使用关于障碍物41至44的信息的情况下计算占用栅格的全部单元的占用概率。这些所求取的占用概率构成神经网络的输入数据，计算装置12借助该神经网络计算反演传感器模型。该神经网络的其他输入数据可以是车辆摄像机或激光雷达传感器的附加的传感器数据。借助反演传感器模型，可以分析处理任何雷达测量数据，并且可以分别将相应的占用概率分配给占用栅格的单元。

这在图4中针对沿确定视线的示例性场景示出。对于一般的场景，占用概率不仅采取值0、1/2和1，而且一般性地采取0与1之间的任何值。因此，由于可能的测量不准确性并且由于噪声，所以即使在没有反射的情况下，该概率一般也不等于0，并且即使在接收到反射的情况下，一般也不知道准确的位置x2，而是该占用概率一般会连续上升到接近1的值。对于更大的距离，该值基本上下降到1/2，因为再次无法得出关于占用的结论。

在图5中示出借助反演传感器模型所确定的占用概率的另一示例性的距离相关性。在这种情况下，沿着所检查的视线基本上没有接收到或只接收到很少的雷达反射。因此，对于较小的距离，占用概率基本上为零。然而，占用概率随着距离的增大而增加，并且在超出雷达传感器设备21的作用距离x3时，占用概率将再次采取值1/2，因为对于该距离范围无法得出结论。

在生成反演传感器模型时，可以考虑雷达传感器设备21的作用距离x3。因此，例如，没有识别出在图2中所示的障碍物44，因为其位于雷达传感器设备21的作用距离之外。仅在沿着路径7接近雷达传感器设备21时，障碍物44才运动进入雷达传感器设备21的检测范围中。在通过机器学习(例如通过使用深度神经网络)来生成反演传感器模型时，同样也会学习这种场景。

在图6中示出示例性的占用栅格9，该占用栅格可以借助所生成的反演传感器模型产生。通过以下方式来动态地更新该占用栅格：借助反演传感器模型来分析处理新产生的雷达测量数据以确定占用概率，并且根据所求取的占用概率来更新占用值。借助贝叶斯滤波器例如可以求取新的占用值。将占用值0(空闲)或1(占用，通过叉标记)相应地分配给占用栅格9的各个单元9-11至9-mn(其中，m和n是自然数)。如果新的测量得出相应的单元9-ij的高占用概率，则尤其改变单元9-ij的占用值。

可以将所述占用概率与根据其他传感器数据所检测的其他占用概率融合。例如，可以根据车辆摄像机或激光雷达传感器产生其他的传感器数据，从而可以更准确地求取占用概率。

在图7中示出用于产生用于雷达传感器设备21的反演传感器模型的方法以及用于识别障碍物的方法的流程图。用于产生反演传感器模型的方法s0包括方法步骤s1至s5，其中，用于识别障碍物的方法具有附加的方法步骤s6至s9。

在第一方法步骤s1中，将障碍物41至44定位在雷达传感器设备21的周围环境中。求取关于障碍物41至44的尺寸、空间位置以及必要时所使用的材料或反射特性的信息。可以借助附加的传感器设备来生成这些信息。替代地，可以如此定位障碍物41至44，使得其空间位置被已知。可以由用户手动地将相应的信息传输给用于生成周围环境模型的设备1。

在方法步骤s2中，雷达传感器设备21产生雷达测量数据。优选地，雷达传感器设备21为此相对于障碍物41至44运动，其中，在每个检测时刻已知障碍物41至44与雷达传感器设备21之间的相应的相对定向。替代地或附加地，也可以使障碍物41至44相对于雷达传感器设备21运动。

在方法步骤s3中，在使用所产生的雷达测量数据和预给定的信息(即尤其障碍物41至44的尺寸和空间位置)的情况下产生反演传感器模型。该反演传感器模型尤其可以由上述计算装置12根据上述方法中的一种来产生。

因此，尤其可以根据关于障碍物41至44的信息将占用概率分配给占用栅格9的单元9-ij，并且可以使所述占用概率与相应的雷达测量数据相关联。将这些相关联的数据用作神经网络的输入数据。附加地，可以将其他传感器数据用作神经网络的输入数据。借助神经网络来产生反演传感器模型，该反演传感器模型根据任意预给定的雷达测量数据将相应的占用概率分配给占用栅格9的单元9-ij。

在方法步骤s4中，检查是否应当考虑用于生成和匹配反演传感器模型的其他雷达测量数据。必要时，产生新的雷达测量数据，s2，并且相应地匹配反演传感器模型，s3。尤其可以借助神经网络，在使用新的数据的情况下匹配反演传感器模型的参数。

如果不应再考虑其他雷达测量数据，则在方法步骤s5中输出所生成的反演传感器模型。

在其他的可选步骤s6至s9中，可以使用所生成的反演传感器模型来识别在车辆2的周围环境中的障碍物41至44。

为此，在方法步骤s6中，借助雷达传感器设备21产生雷达测量数据，该雷达传感器设备与在步骤s1至s5中所使用的雷达传感器设备21相同或结构相同。

在方法步骤s7中生成或更新占用栅格，其中，根据反演传感器模型，在使用雷达测量数据作为输入数据的情况下求取占用栅格9的单元9-ij的占用概率。将占用概率进一步用于产生占用栅格9的单元9-ij的占用值，或者如果该占用值已经存在，对其进行更新。

在方法步骤s8中，在使用占用栅格9的情况下识别障碍物41至44。障碍物41至44相应于那些被占用的区域，即，占用栅格9的相应的单元9-ij具有占用值1。

此外，在可选的方法步骤s9中，可以根据所识别的障碍物41至44来执行车辆2的驾驶功能的控制。尤其可以使车辆2加速或制动，或者可以匹配车辆的行驶方向。