Titel

Verfahren und Vorrichtung zum Ermitteln einer Reichweite eines Sensors

Stand der Technik

Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zum Ermitteln einer Reichweite eines Sensors, insbesondere eines Lidar-Sensors.

Aus dem Stand der Technik sind Umfelderkennungssysteme bekannt, die beispielsweise in Fortbewegungsmitteln eingesetzt werden, welche auf Basis eines oder mehrerer Sensoren eingerichtet sind, ein aktuelles Umfeld zu erfassen und zu analysieren. Ein Ergebnis dieser Analyse wird beispielsweise in Hinweis- und/oder Warnsystemen solcher Fortbewegungsmittel und/oder in Systemen für einen autonomen und/oder teilautonomen Fährbetrieb usw. verwendet.

Als Sensoren solcher Umfelderkennungssysteme werden beispielsweise Lidar- und/oder Radar- und/oder Ultraschallsensoren und/oder Kameras und/oder Stereokameras eingesetzt. Es ist weiterhin bekannt, aus jeweiligen Messsignalen der Sensoren eine 3D-Punktwolke zu erzeugen, welche Reflexionen von Messsignalen (z. B. Lasersignalen) im Umfeld des Sensors repräsentieren.

Es ist außerdem bekannt, jeweilige Punkte der 3D-Punktwolke mittels geeigneter Verfahren für eine nachgelagerte Verarbeitung in Bodenpunkte und Objektpunkte zu klassifizieren.

US2016154999 A1 offenbart ein Verfahren zum Erhalten einer 3D-Punktwolke bezüglich eines Objektes von Interesse, wobei zunächst mittels eines unüberwachten Segmentierungsverfahrens Bodenpunkte und/oder Objektpunkte aus der 3D-Punktwolke entfernt werden, um anschließend mittels eines überwachten Segmentierungsverfahrens vertikale Objekte zu identifizieren. US9360554 B2 offenbart ein Verfahren und eine Vorrichtung zur Objekterkennung auf Basis eines Lidar-Arrays, welches u. a. eine Information über Reflexionseigenschaften beleuchteter Ziele bereitstellt.

Offenbarung der Erfindung

Gemäß einem ersten Aspekt der vorliegenden Erfindung wird ein Verfahren zum Ermitteln einer Reichweite eines Sensors vorgeschlagen.

In einem ersten Schritt des erfindungsgemäßen Verfahrens wird eine ein Umfeld eines Sensors repräsentierende aktuelle 3D-Punktwolke beispielsweise durch eine erfindungsgemäße Auswerteeinheit verwendet, welche eingerichtet ist, die erfindungsgemäßen Verfahrensschritte (z. B. mittels eines Computerprogramms) auszuführen. Die 3D-Punktwolke wird vorzugsweise durch eine Verarbeitungseinheit des Sensors (z. B. ein ASIC usw.) erzeugt, wobei ein Erzeugen der 3D-Punktwolke alternativ oder zusätzlich durch die erfindungsgemäße Auswerteeinheit und/oder eine davon abweichende Verarbeitungseinheit möglich ist. Der Sensor ist grundsätzlich nicht auf eine bestimmte Sensorgattung bzw. Sensortechnologie beschränkt, solange auf Basis des Sensors eine das Umfeld des Sensors repräsentierende 3D-Punktwolke mit einer erforderlichen örtlichen Auflösung erzeugbar ist. Vorteilhaft ist der Sensor ein Sensor eines Fahrzeugs, insbesondere eines Straßenfahrzeugs wie eines PKW oder eines LKW, ohne dadurch auf ein solches Einsatzgebiet eingeschränkt zu sein.

In einem zweiten Schritt des erfindungsgemäßen Verfahrens wird, vorzugsweise mittels der erfindungsgemäßen Auswerteeinheit, wenigstens ein Merkmalsvektor aus der 3D-Punktwolke extrahiert, wobei das dem Merkmalsvektor jeweils zugrundeliegende Merkmal mit einer aktuellen Reichweite des Sensors im Zusammenhang steht. Es sei darauf hingewiesen, dass eine Anzahl von Elementen, aus welchen sich ein jeweiliger Merkmalsvektor zusammensetzt, nicht auf eine bestimmte Anzahl beschränkt ist. Bei einer Verwendung mehrerer Merkmalsvektoren ist es zudem möglich, dass die Anzahl von Elementen pro Merkmalsvektor voneinander abweicht.

In einem dritten Schritt des erfindungsgemäßen Verfahrens wird eine aktuelle Reichweite des Sensors auf Basis eines Regressionsverfahrens (z. B. ein lineares oder nichtlineares Regressionsverfahren) ermittelt, indem der wenigstens eine Merkmalsvektor als Einflussgröße in ein Regressionsmodell eingegeben wird und die aktuelle Reichweite als Zielgröße aus dem Regressionsmodell entnommen wird, wobei das Regressionsmodell zuvor auf Basis eines Trainingsdatensatzes angepasst bzw. trainiert wurde, welcher eine Vielzahl vordefinierter Trainings-Merkmalsvektoren sowie die jeweils zugehörigen Trainings-Reichweiten aufweist, wobei die Trainings-Merkmalsvektoren zumindest teilweise unterschiedliche Reichweiten repräsentieren.

Die auf Basis des vorstehend beschriebenen Verfahrens gewonnene Information über die aktuelle Reichweite des Sensors wird beispielsweise an ein nachgelagertes Umfelderkennungssystem und/oder an ein Hinweissystem (z. B. eines Fahrzeugs) übertragen, so dass diese in geeigneter Weise reagieren können, falls sich eine aktuelle Reichweite des Sensors verändert. Eine Reaktion wie ein Warnhinweis an einen Benutzer oder ein automatischer Eingriff in ein den Sensor umfassendes System kann beispielsweise dann erfolgen, wenn die aktuelle Reichweite um einen vordefinierten Faktor von einer maximalen Reichweite des Sensors abweicht. Eine solche Reichweitenverschlechterung kann beispielsweise durch Regen und/oder Nebel und/oder Rauch im Umfeld und/oder durch Verschmutzungen an einer Umfeldschnittstelle (z. B. ein Schutzglas) des Sensors usw. hervorgerufen werden.

Die Unteransprüche zeigen bevorzugte Weiterbildungen der Erfindung.

In einer vorteilhaften Ausgestaltung der vorliegenden Erfindung ist der Merkmalsvektor ein erster Merkmalsvektor und es wird wenigstens ein zweiter Merkmalsvektor aus der 3D-Punktwolke extrahiert, wobei der zweite Merkmalsvektor ein vom ersten Merkmalsvektor abweichendes Merkmal repräsentiert. Darüber hinaus erfolgt das Ermitteln der aktuellen Reichweite des Sensors mittels des Regressionsverfahrens wenigstens auf Basis des ersten Merkmalsvektors und des zweiten Merkmalsvektors als jeweilige Einflussgrößen, wobei das Regressionsmodell zuvor auf Basis eines Trainingsdatensatzes angepasst bzw. trainiert wurde, welcher wenigstens eine Vielzahl vordefinierter erster Trainings-Merkmalsvektoren und eine Vielzahl vordefinierter zweiter Trainings-Merkmalsvektoren sowie die jeweils zugehörigen Trainings- Reichweiten aufweist und wobei die ersten Trainings-Merkmalsvektoren und die zweiten Trainings-Merkmalsvektoren jeweils zumindest teilweise unterschiedliche Reichweiten repräsentieren. Vorteilhaft werden darüber hinaus jeweils voneinander abweichende dritte Merkmalsvektoren, ggf. vierte Merkmalsvektoren und ggf. weitere Merkmalsvektoren zum Ermitteln der aktuellen Reichweite auf Basis eines solchermaßen angepassten bzw. trainierten Regressionsmodells verwendet. Eine Verwendung einer größeren Anzahl voneinander abweichender Merkmalsvektoren trägt unter Umständen zu einer zuverlässigeren Ermittlung der aktuellen Reichweite bei, da unterschiedliche Merkmale der 3D-Punktwolke in Abhängigkeit jeweils vorliegender Umweltbedingungen für das Ermitteln der aktuellen Reichweite unterschiedlich gut geeignet sein können.

Vorzugsweise basiert das Regressionsverfahren auf einem maschinellen Lernverfahren, welches insbesondere einen Support-Vector-Machine- Algorithmus und/oder einen Random-Forest-Algorithmus und/oder einen Deep- Learning-Algorithmus und/oder einen davon abweichenden Algorithmus für ein maschinelles Lernverfahren aufweist.

In einerweiteren vorteilhaften Ausgestaltung der vorliegenden Erfindung wird die aktuelle Reichweite des Sensors für das gesamte Sichtfeld des Sensors oder jeweils für unterschiedliche Teilbereiche des Sichtfeldes des Sensors ermittelt.

Mit anderen Worten ist es möglich, einen einzelnen Reichweitenwert für das gesamte Sichtfeld des Sensors zu ermitteln. Alternativ oder zusätzlich ist es möglich, das gesamte Sichtfeld des Sensors beispielsweise zwei, drei, vier oder mehr Teilbereiche zu unterteilen, und anschließend für jeden dieser Teilbereiche eine individuelle Reichweitenermittlung auf Basis des erfindungsgemäßen Verfahrens durchzuführen. D. h., dass beispielsweise jeder dieser Teilbereiche ein bestimmtes Volumen der 3D-Punktwolke repräsentiert oder eine Fläche repräsentiert, auf welche die 3D-Punktwolke projiziert wurde (z. B. eine horizontale Fläche, auf welche die Punkte der 3D-Punktwolke in vertikaler Richtung projiziert werden), wobei die Teilbereiche disjunkt aneinandergrenzende Teilbereiche der 3D-Punktwolke oder überlappende Teilbereiche der 3D-Punktwolke sein können.

In einerweiteren vorteilhaften Ausgestaltung der vorliegenden Erfindung wird eine Anzahl und/oder eine Art jeweils verwendeter Merkmalsvektoren und/oder eine Anzahl und/oder eine Aufteilung jeweiliger Teilbereiche des Sichtfeldes des Sensors und/oder eine Zuordnung einer Art und/oder einer Anzahl jeweils verwendeter Merkmalsvektoren zu jeweiligen Teilbereichen des Sichtfeldes des Sensors in Abhängigkeit aktueller Randbedingungen und/oder jeweiliger Anforderungen an eine nachgelagerte Verwendung der ermittelten aktuellen Reichweite des Sensors festgelegt. Als solche Randbedingungen kommen u. a. unterschiedliche Straßenarten, Höhenprofile, Wetterbedingungen, Verkehrsbedingungen, usw. in Frage. Durch die vorstehend ausgeführten Anpassungsmöglichkeiten lässt sich eine besonders hohe Flexibilität und/oder Zuverlässigkeit beim Ermitteln der aktuellen Reichweite erzielen.

Besonders vorteilhaft wird das Regressionsmodell zusätzlich unter Berücksichtigung eines Konfidenzwertes für jeweilige Reichweitenintervalle angepasst bzw. trainiert. Anschließend ist es auf Basis dieses Regressionsmodells möglich, zusätzlich zur aktuellen Reichweite jeweils einen mit dieser Reichweite korrespondierenden aktuellen Konfidenzwert zu ermitteln, welcher ein Maß für eine Zuverlässigkeit des ermittelten aktuellen Reichweitenwertes repräsentiert. Vorzugsweise erfolgt die Berücksichtigung des Konfidenzwertes derart, dass ein zunächst mittels Trainings-Merkmalsvektoren angepasstes bzw. trainiertes Regressionsmodell in einem nachgelagerten Schritt hinsichtlich korrespondierender Konfidenzwerte angepasst bzw. trainiert wird.

Hierfür werden beispielsweise zunächst mehrere reichweitenbeeinflussende Randbedingungen im Umfeld des Sensors hergestellt, zu welchen jeweils aktuelle Reichweitenermittlungen mittels des bereits angepassten bzw. trainierten Regressionsmodells durchgeführt werden. Eine Zuverlässigkeit bzw. Genauigkeit der jeweils ermittelten aktuellen Reichweite kann nun manuell überprüft und mit jeweiligen korrespondierenden Konfidenzwerten verknüpft werden, die anschließend im nachgelagerten zweiten Trainingsschritt einsetzbar sind. Die Konfidenzwerte werden beispielsweise für vordefinierte Reichweitenintervalle von 5 m, 10 m oder davon abweichenden Intervallen festgelegt.

Besonders vorteilhaft wird jeder Merkmalsvektor auf Basis eines der nachfolgend beschriebenen Merkmale der 3D-Punktwolke ausgebildet, wobei alternativ oder zusätzlich zu den hier beschriebenen Merkmalen abweichende Merkmale für das erfindungsgemäße Verfahren einsetzbar sind. Merkmale, welche im Wesentlichen direkt auf Basis der 3D-Punkwolke bzw. auf Basis eines aktuell zu betrachtenden Teilbereichs der 3D-Punktwolke extrahierbar sind, sind beispielsweise eine Anzahl von Pixeln einer Detektorfläche des Sensors, welche aktuell keine Punkte der 3D-Punktwolke erzeugen und/oder eine Anzahl und/oder eine vordefinierte Ausdehnung von Pixelgruppen (engl „cluster“ genannt), welche aktuell keine Punkte der 3D-Punktwolke erzeugen und/oder eine Anzahl von Pixeln, welche wenigstens einen Punkt der 3D-Punktwolke erzeugen, während deren benachbarte Pixel keine Punkte der 3D-Punktwolke erzeugen (d. h. eine Anzahl isoliert vorliegender Pixel, welche i. d. R. einen Rauschanteil repräsentieren) und/oder eine Anzahl von Punkten der 3D- Punkwolke über die Entfernung. Die Anzahl von Punkten der 3D-Punktwolke über die Entfernung, sowie nachfolgend beschriebene Merkmale, welche sich ebenfalls auf eine Betrachtung von Punkten bzw. Punkteigenschaften über die Entfernung beziehen, werden beispielsweise derart ermittelt, dass das Sichtfeld oder der aktuell zu betrachtende Teilbereich des Sichtfeldes des Sensors in eine Vielzahl von Segmenten unterteilt wird, welche das Sichtfeld oder den Teil des Sichtfeldes ausgehend von der Sensorposition in Erfassungsrichtung des Sensors unterteilt. Eine solche Unterteilung kann vorzugsweise eine einheitliche Unterteilung sein, so dass beispielsweise ausgehend von der Sensorposition alle 10 m oder 20 m ein neues Segment begonnen wird. Die Segmentierung erfolgt beispielsweise auf Basis konzentrischer Kugelsegmente oder Kreissegmente, welche das Sichtfeld oder den zu betrachtenden Teil des Sichtfeldes unterteilen, ohne auf diese Art der Unterteilung eingeschränkt zu sein. Darüber hinaus ist es auch denkbar, dass Abstände zwischen jeweiligen Segmenten (z. B. Abstände zwischen Kugelsegmenten oder Kreissegmenten) uneinheitlich festgelegt werden und/oder in Abhängigkeit aktuell vorliegender Randbedingungen und/oder weiterer Einflussgrößen dynamisch variiert werden. Die oben beschriebene Anzahl von Punkten der 3D-Punktwolke lässt sich nach der Segmentierung beispielsweise derart berechnen, dass für jedes Segment jeweils die Anzahl der in diesem Segment vorhandenen Punkte der 3D-Punktwolke ermittelt wird und die jeweiligen Ergebniswerte in einer Reihenfolge zu einem Merkmalsvektor zusammengefasst werden, welche mit der jeweiligen Entfernung ihrer zugehörigen Segmente von der Position des Sensors korrespondiert. Nachfolgend beschriebene Merkmale beziehen sich auf solche Punkte der 3D- Punktwolke, die im Vorfeld entweder als Bodenpunkte oder als Objektpunkte klassifiziert wurden. Eine solche Klassifizierung erfolgt beispielsweise mittels aus dem Stand der Technik bekannter Vorverarbeitungsverfahren zur Klassifizierung bzw. Segmentierung der 3D-Punktwolke in Bodenpunkte und Objektpunkte. Bodenpunktbezogene Merkmale sind beispielsweise eine Dichte von Bodenpunkten der 3D-Punktwolke über die Entfernung (z. B. ermittelt, indem eine Anzahl von Punkten der 3D-Punktwolke in jedem Segment durch ein Volumen oder eine Fläche des jeweiligen Segmentes dividiert wird) und/oder eine mittlere Lichtintensität von Bodenpunkten der 3D-Punkwolke über die Entfernung und/oder eine Änderungsrate der Anzahl von Bodenpunkten der 3D- Punkwolke über die Entfernung (z. B. ermittelt, indem jeweils ein Quotient aus der Anzahl von Bodenpunkten jeweils benachbarter Segmente gebildet wird) und/oder eine Änderungsrate der Dichte von Bodenpunkten der 3D-Punkwolke über die Entfernung und/oder eine Änderungsrate der mittleren Lichtintensität von Bodenpunkten der 3D-Punkwolke über die Entfernung und/oder eine Entfernung desjenigen Bodenpunkts der 3D-Punktwolke, welcher den größten Abstand zur Sensorposition repräsentiert. Ferner beziehen sich nachfolgende Merkmale auf objektpunktbezogene Merkmale der 3D-Punktwolke und umfassen beispielsweise eine Entfernung derjenigen Gruppierung von Objektpunkten der 3D-Punktwolke, welche den größten (z. B. mittleren) Abstand zur Sensorposition repräsentiert und/oder eine mittlere Lichtintensität derjenigen Gruppierung von Objektpunkten der 3D-Punktwolke, welche den größten Abstand zur Sensorposition aufweist und/oder eine Anzahl von Punkten derjenigen Gruppierung von Objektpunkten der 3D-Punkwolke, welche den größten Abstand zur Sensorposition repräsentiert.

Vorteilhaft ist der Sensor ein Lidar-Sensor und/oder ein Radarsensor und/oder ein davon abweichender Sensor. Besonders vorteilhaft wird das erfindungsgemäße Verfahren auf Basis eines oder mehrerer Lidar-Sensoren eines Fahrzeugs durchgeführt.

Gemäß einem zweiten Aspekt der vorliegenden Erfindung wird eine Vorrichtung zum Ermitteln einer Reichweite eines Sensors vorgeschlagen, wobei die Vorrichtung einen Sensor und eine Auswerteeinheit aufweist. Die Auswerteeinheit ist beispielsweise als ASIC, FPGA, Prozessor, digitaler Signalprozessor, Mikrocontroller, o. ä., ausgestaltet. Vorzugsweise ist die Auswerteeinheit informationstechnisch mit einer Speichereinheit verbunden, in welcher beispielsweise ein Computerprogramm abgelegt ist, das eingerichtet ist, das vorstehend beschriebene erfindungsgemäße Verfahren auszuführen.

Alternativ oder zusätzlich ist die Speichereinheit verwendbar, um durch die Auswerteeinheit empfangene und/oder berechnete Daten abzulegen und bereitzustellen. Die Auswerteeinheit ist eingerichtet, eine ein Umfeld des Sensors repräsentierende aktuelle 3D-Punktwolke, welche durch den Sensor erfasst wurde, zu verwenden und wenigstens einen Merkmalsvektor aus der 3D- Punktwolke zu extrahieren, wobei das den Merkmalsvektor jeweils zugrundeliegende Merkmal mit einer aktuellen Reichweite des Sensors im Zusammenhang steht. Darüber hinaus ist die Auswerteeinheit eingerichtet, eine aktuelle Reichweite des Sensors auf Basis eines Regressionsverfahrens zu ermitteln, indem der wenigstens eine Merkmalsvektor als Einflussgröße in ein Regressionsmodell eingegeben wird und die aktuelle Reichweite als Zielgröße aus dem Regressionsmodell entnommen wird, wobei das Regressionsmodell auf Basis eines Trainingsdatensatzes angepasst ist, weicher eine Vielzahl vordefinierter Trainings-Merkmalsvektoren sowie die jeweils zugehörigen Trainings-Reichweiten aufweist, wobei die Trainings-Merkmalsvektoren zumindest teilweise unterschiedliche Reichweiten repräsentieren.

Die Auswerteeinheit ist allgemein eingerichtet, dass vorstehend beschriebene erfindungsgemäße Verfahren auszuführen. Die Merkmale, Merkmalskombinationen sowie die sich aus diesen ergebenden Vorteile entsprechen den in Verbindung mit dem erstgenannten Erfindungsaspekt ausgeführten derart ersichtlich, dass zur Vermeidung von Wiederholungen auf die obigen Ausführungen verwiesen wird.

Kurze Beschreibung der Zeichnungen

Nachfolgend werden Ausführungsbeispiele der Erfindung unter Bezugnahme auf die begleitende Zeichnung im Detail beschrieben. Dabei zeigen:

Figur 1 ein Flussdiagramm repräsentierend ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens;

Figur 2 eine schematische Übersicht über ein Sichtfeld und jeweilige Teilsichtfelder eines für das erfindungsgemäße Verfahren eingesetzten Sensors; und

Figur 3 eine schematische Übersicht über ein Fahrzeug mit einer erfindungsgemäßen Vorrichtung. Ausführungsformen der Erfindung

Figur 1 zeigt ein Flussdiagramm repräsentierend ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens.

Im Schritt 100 des erfindungsgemäßen Verfahrens wird eine durch einen Lidar- Sensor 10 eines Fahrzeugs 90 erzeugte 3D-Punktwolke durch eine Auswerteeinheit 70 des Fahrzeugs 90 empfangen und in dieser verwendet.

Im Schritt 150 des erfindungsgemäßen Verfahrens wird die 3D-Punktwolke, welche ein gesamtes Sichtfeld 40 des Lidar-Sensors 19 repräsentiert, in mehrere Teilsichtfelder 45 unterteilt, wobei das Unterteilen in Abhängigkeit aktueller Randbedingungen erfolgt, welche hier aktuelle Wetterbedingungen umfassen.

Im Schritt 200 des erfindungsgemäßen Verfahrens werden aus den mit den jeweiligen Teilsichtfeldern 45 korrespondierenden Punkten der 3D-Punktwolke allgemeine Merkmalsvektoren der 3D-Punktwolke, bodenpunktbezogene Merkmalsvektoren und objektpunktbezogene Merkmalsvektoren der 3D- Punktwolke extrahiert, wobei die mit jedem Merkmalsvektor korrespondierenden Merkmale jeweils mit einer Reichweite des Lidar-Sensors 10 im Zusammenhang stehen. Eine Information über eine Klassifizierung jeweiliger Punkte der 3D- Punktwolke als Bodenpunkte oder als Objektpunkte wird der Auswerteeinheit 70 im Zuge der Bereitstellung der 3D-Punktwolke durch den Lidar-Sensor 10 bereitgestellt.

Als allgemeine Merkmalsvektoren werden hier eine Anzahl 60 von Pixeln einer Detektorfläche des Lidar-Sensors 10, welche aktuell keine Punkte der 3D- Punktwolke erzeugen, eine Anzahl 61 von Pixeln, welche wenigstens einen Punkt der 3D-Punktwolke erzeugen, während benachbarte Pixel keine Punkte der 3D-Punktwolke erzeugen und eine Anzahl 62 von Punkten der 3D-Punkwolke über die Entfernung aus der 3D-Punktwolke extrahiert.

Als bodenpunktbezogene Merkmalsvektoren werden hier eine Dichte 63 von Bodenpunkten der 3D-Punktwolke über die Entfernung und eine Änderungsrate 64 der Anzahl von Bodenpunkten der 3D-Punkwolke über die Entfernung extrahiert. Als objektpunktbezogene Merkmalsvektoren werden hier eine Entfernung 65 derjenigen Gruppierung von Objektpunkten der 3D-Punktwolke, welche den größten Abstand zur Lidar-Sensorposition repräsentiert und eine mittlere Lichtintensität 66 derjenigen Gruppierung von Objektpunkten der 3D-Punktwolke, welche den größten Abstand zur Lidar-Sensorposition aufweist, extrahiert.

Im Schritt 300 wird eine aktuelle Reichweite 5 des Lidar-Sensors 10 und ein mit dieser korrespondierender aktueller Konfidenzwert 50 auf Basis eines Support- Vector-Machine-Algorithmus‘, welcher ein Regressionsmodell 20 repräsentiert, in einer Ausführungsphase 85 (oder auch Testphase) des Support-Vector-Machine- Algorithmus' ermittelt, indem die jeweiligen extrahierten Merkmalsvektoren als Einflussgröße in den Support-Vector-Machine-Algorithmus eingegeben werden und die aktuelle Reichweite 5 und der aktuelle Konfidenzwert 50 für die aktuelle Reichweite 5 als Zielgrößen aus dem Support-Vector-Machine-Algorithmus entnommen werden.

In einer zuvor ausgeführten Trainingsphase 80 wurde der Support- Vector- Machine-Algorithmus auf Basis eines Trainingsdatensatzes 30 trainiert, welcher für jedes extrahierte Merkmal eine Vielzahl vordefinierter Trainings- Merkmalsvektoren sowie jeweils zugehörige Trainings-Reichweiten und Trainings-Konfidenzwerte aufweist, wobei die Trainings-Merkmalsvektoren jeweils zumindest teilweise unterschiedliche Reichweiten repräsentieren.

Ferner ist es möglich, dass eine Anzahl und eine Art jeweils verwendeter Merkmalsvektoren zum Ermitteln der aktuellen Reichweite 5 und des aktuellen Konfidenzwertes 50 für die aktuelle Reichweite 5 in Abhängigkeit aktueller Verkehrsbedingungen festgelegt werden.

Figur 2 zeigt eine schematische Übersicht über ein Sichtfeld 40 und jeweilige Teilsichtfelder 45 eines für das erfindungsgemäße Verfahren eingesetzten Sensors 10. Eine Größe der Teilsichtfelder 45 ist hier in Übereinstimmung mit einer bevorzugten Erfassungsrichtung des Sensors 10 festgelegt. Mittels des erfindungsgemäßen Verfahrens werden anschließend für jedes Teilsichtfeld 45 individuelle aktuelle Reichweiten 5 ermittelt und anschließend an ein Umfelderkennungssystem 95 übertragen. Figur 3 zeigt eine schematische Übersicht über ein Fahrzeug 90, welches hier ein PKW ist, mit einer erfindungsgemäßen Vorrichtung. Die Vorrichtung umfasst eine Auswerteeinheit 70, welche hier als ASIC ausgebildet ist und welche informationstechnisch mit einer Speichereinheit 75 verbunden ist. Zudem ist die Auswerteeinheit 70 mit einem Lidar-Sensor 10 des Fahrzeugs 90, welcher ein Sichtfeld 40 und eine maximale Reichweite 30 aufweist, informationstechnisch verbunden, so dass die Auswerteeinheit 70 auf Basis dieser Konfiguration eingerichtet ist, das vorstehend beschriebene erfindungsgemäße Verfahren auszuführen, um eine aktuelle Reichweite 5 und einen aktuellen Konfidenzwert 50 für die aktuelle Reichweite 5 zu ermitteln. Jeweilige Ergebnisse für die aktuelle Reichweite 5 und den aktuellen

Konfidenzwert 50 überträgt die Auswerteeinheit 70 an ein Umfelderkennungssystem 95 des Fahrzeugs 90, welches diese Werte bei der Analyse des Umfeldes des Fahrzeugs 90 gemeinsam mit Messwerten des Lidar-Sensors 10 berücksichtigt.