Die vorliegende Erfindung betrifft ein auf maschinellem Lernen beruhendes Verfahren und ein zur Ausführung des Verfahrens konfiguriertes System, jeweils zum automatisierten Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz. Des Weiteren betrifft die Erfindung ein Verfahren zum Trainieren eines Systems zur Sitzbelegungserkennung, insbesondere für ein Kraftfahrzeug, mit einem Maschinenlernmodell (nachfolgend im Einklang mit einer gängigen Bezeichnung aus der Fachsprache als „Machine-Learning-Modell oder „ML- Modell“ bezeichnet) zum Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz. Das Machine-Learning-Modell ist insbesondere im Rahmen des vorgenannten Verfahrens zum Erkennen eines Sitzbelegungszustands verwendbar.

In verschiedenen Situationen kann es erforderlich sein, automatisiert einen aktuellen Sitzbelegungszustand einer Sitzplatzanordnung mit zumindest einem Sitzplatz festzustellen. Eine solche Situation kann insbesondere in Fahrzeugen auftreten, beispielsweise in Kraftfahrzeugen, wo eine Konfiguration des Fahrzeugs oder ein Aktivieren, Deaktivieren oder Steuern einer oder mehrere Fahrzeugfunktionalitäten in Abhängigkeit von einem aktuellen Sitzbelegungszustand erfolgen sollen. Beispielsweise ist es bei Kraftfahrzeugen bekannt, in Abhängigkeit von einem erkannten Sitzbelegungszustand einen akustischen oder optischen Hinweis an Fahrzeuginsassen zum Anlegen von Sitzgurten auszugeben oder ein Aktivieren bzw. Deaktivieren von Airbags zu steuern.

Zum automatisierten Detektieren eines aktuellen Sitzbelegungszustands eines oder mehrerer Sitze, insbesondere einer Anordnung von Fahrzeugsitzen in einen Fahrzeug, sind dazu insbesondere sogenannte Sitzbelegungsmatten bekannt, die in die Sitze integriert sind (meist jeweils eine je Sitz) und druckempfindliche Sensoren zum Detektieren einer Belegung des jeweiligen Sitzes verwenden. Ein Sitzbelegungszustand des Sitzes wird dabei in Abhängigkeit von den Sensorsignalen bzw. Sensordaten dieser Sensoren bestimmt, in der Regel mittels einer Schwellwertprüfung.

Diese bekannten Lösungen setzen somit eine Ausstattung der Sitze mittels einer darin eingebauten Sensorik voraus und sind zudem meist nicht in der Lage, verschiedene Sitzbelegungszustände jenseits von „besetzt“ und „nicht besetzt“ zu unterscheiden. Des Weiteren müssen die Sensoren typischerweise ab Werk bereits in die Sitze integriert werden, sodass ein Nachrüsten schwierig oder unmöglich ist und das Erfassen eines Sitzbelegungszustands von nicht derart ausgerüsteten Sitzen entfällt.

Es ist eine Aufgabe der vorliegenden Erfindung, eine verbesserte Lösung zum automatisierten Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz anzugeben.

Die Lösung dieser Aufgabe wird gemäß der Lehre der unabhängigen Ansprüche erreicht. Verschiedene Ausführungsformen und Weiterbildungen der Erfindung sind Gegenstand der Unteransprüche.

Ein erster Aspekt der hier vorgestellten Lösung betrifft ein, insbesondere computerimplementiertes, Verfahren zum Trainieren eines Systems zur Sitzbelegungserkennung für ein Kraftfahrzeug mit einem Machine-Learning-Modell zum Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz, insbesondere mit zumindest einem Fahrzeugsitz in einem bzw. für ein Fahrzeug. Das Verfahren weist auf: Trainieren des Machine-Learning-Modells anhand von Trainingsdaten, um ein trainiertes Machine-Learning-Modell zu erhalten, das konfiguriert ist, auf Basis von jeweiligen Werten verschiedener Merkmale einer mittels einer tatsächlichen oder simulierten Radarabtastung eines die Sitzplatzanordnung umgebenden Raumbereichs gewonnenen Radarpunktwolke einen Sitzbelegungszustand der Sitzplatzanordnung kennzeichnendes Ergebnis zu erhalten. Dabei weisen die Trainingsdaten zu verschiedenen möglichen vordefinierten Sitzbelegungszuständen der Sitzplatzanordnung jeweils zumindest einen Trainingsdatensatz auf, der zu dem jeweiligen Sitzbelegungszustand jeweilige Werte von N verschiedenen Merkmalen einer Gesamtmenge G repräsentiert, die jeweils einzeln oder kumulativ eine zu dem jeweiligen Sitzbelegungszustand korrespondierende Radarpunktwolke charakterisieren.

Unter dem Begriff „Maschinenlern-Modell“ bzw. „Machine-Learning-Modell“ bzw. „ML- Modell“, wie hierin verwendet, ist insbesondere ein mittels zumindest eines Algorithmus des maschinellen Lernens auf der Grundlage von Beispieldaten, die als Trainingsdaten bezeichnet werden, erstelltes mathematisches, insbesondere statistisches, Modell zum Treffen von Vorhersagen oder Entscheidungen zu verstehen, ohne dass der bzw. die Algorithmen explizit für das Treffen solcher Vorhersagen oder Entscheidungen programmiert werden.. Insbesondere sind Entscheidungsbaum-basierte Modelle zum maschinellen Lernen („engl. decision trees“) Machine-Learning-Modelle im Sinne der Erfindung. Unter dem Begriff „Merkmal“ (engl. „feature“), wie hierin verwendet, ist insbesondere ein in Bezug auf eine Radarpunktwolke bestimmbares Attribut zu verstehen, das geeignet ist die Radarpunktwolke bezüglich zumindest einer ihrer Eigenschaften, insbesondere ihrer räumlichen Lage oder Ausdehnung, zu charakterisieren. Konkrete Beispiele für solche Merkmale werden im Weiteren genannt werden.

Unter dem Begriff „Sitzbelegungszustand“ einer Sitzplatzanordnung mit zumindest einem Sitz, wie hierin verwendet, ist insbesondere eine Information zu verstehen, die angibt, ob oder inwieweit die Sitzplatzanordnung bzw. zumindest einer ihrer Sitze mit einem Objekt, insbesondere einer Sache oder einer Person belegt bzw. besetzt ist. Der Sitzbelegungszustand kann in einem einfachen Beispiel nur das Vorhandensein bzw. die Abwesenheit eines Objekts angeben, oder aber in einem weiterentwickelten Beispiel für den Fall des Vorhandenseins zumindest eines Objekts auf der Sitzplatzanordnung bzw. einem oder mehreren ihrer Sitze, eine Aussage zur Art oder einer anderen Eigenschaft, wie etwa einer räumlichen Ausdehnung, des Objekts angeben.

Unter dem Begriff „Radarpunktwolke“, wie hierin verwendet, ist insbesondere eine mittels Radar- Abtastung zumindest einer Objektoberfläche gewonnenen Menge von Punkten eines Vektorraums zu verstehen, die eine unorganisierte räumliche Struktur („Wolke“) aufweist. Im Falle einer Radarpunktwolke können die Punkte der Radarpunktwolke als „Radarpunkte“ bezeichnet werden. Eine (Radar-)Punktwolke kann insbesondere durch die in ihr enthaltenen (Radar-)Punkte beschrieben werden, die jeweils insbesondere durch ihre Raumkoordinaten erfasst sind, die je Radarpunkt einen bei der Radarabtastung gemessenen Ort der Reflexion eines ausgestrahlten Radarsignals an einer Objektoberfläche angeben. Zu den Radarpunkten können zusätzlich Attribute, wie z. B. gemessene Dopplergeschwindigkeit oder ein Signal-zu- Rausch-Verhältnis (SNR) erfasst sein.

Die hierein gegebenenfalls verwendeten Begriffe "umfasst", "beinhaltet", "schließt ein", "weist auf", "hat", "mit", oder jede andere Variante davon sollen eine nicht ausschließliche Einbeziehung abdecken. So ist beispielsweise ein Verfahren oder eine Vorrichtung, die eine Liste von Elementen umfasst oder aufweist, nicht notwendigerweise auf diese Elemente beschränkt, sondern kann andere Elemente einschließen, die nicht ausdrücklich aufgeführt sind oder die einem solchen Verfahren oder einer solchen Vorrichtung inhärent sind.

Ferner bezieht sich "oder", sofern nicht ausdrücklich das Gegenteil angegeben ist, auf ein inklusives oder und nicht auf ein exklusives „oder“. Zum Beispiel wird eine Bedingung A oder B durch eine der folgenden Bedingungen erfüllt: A ist wahr (oder vorhanden) und B ist falsch (oder nicht vorhanden), A ist falsch (oder nicht vorhanden) und B ist wahr (oder vorhanden), und sowohl A als auch B sind wahr (oder vorhanden).

Die Begriffe "ein" oder "eine", wie sie hier verwendet werden, sind im Sinne von „ein/eine oder mehrere“ definiert. Die Begriffe "ein anderer" und „ein weiterer“ sowie jede andere Variante davon sind im Sinne von „zumindest ein Weiterer“ zu verstehen.

Der Begriff "Mehrzahl", wie er hier verwendet wird, ist im Sinne von „zwei oder mehr“ zu verstehen.

Unter dem Begriff „konfiguriert“ oder „eingerichtet“ eine bestimmte Funktion zu erfüllen, (und jeweiligen Abwandlungen davon) ist im Sinne der Erfindung zu verstehen, dass die entsprechende Vorrichtung bereits in einer Ausgestaltung oder Einstellung vorliegt, in der sie die Funktion ausführen kann oder sie zumindest so einstellbar - d.h. konfigurierbar - ist, dass sie nach entsprechender Einstellung die Funktion ausführen kann. Die Konfiguration kann dabei beispielsweise über eine entsprechende Einstellung von Parametern eines Prozessablaufs oder von Schaltern oder ähnlichem zur Aktivierung bzw. Deaktivierung von Funktionalitäten bzw. Einstellungen erfolgen. Insbesondere kann die Vorrichtung mehrere vorbestimmte Konfigurationen oder Betriebsmodi aufweisen, so dass das konfigurieren mittels einer Auswahl einer dieser Konfigurationen bzw. Betriebsmodi erfolgen kann.

Mithilfe des Verfahrens zum Trainieren nach dem ersten Aspekt lässt sich ein System, insbesondere Datenverarbeitungssystem, genauer dessen Maschine-Learning-Modell, trainieren, so dass dieses nach dem Training in der Lage ist, in Abhängigkeit von Trainingsdaten der vorgenannten Art, auf Basis von jeweiligen Werten verschiedener Merkmale einer mittels einer tatsächlichen oder simulierten Radarabtastung eines die Sitzplatzanordnung umgebenden Raumbereichs gewonnenen Radarpunktwolke einen Sitzbelegungszustand der Sitzplatzanordnung kennzeichnendes Ergebnis (insbesondere im Sinne einer Voraussage oder Klassifikation) zu erhalten. So lassen sich, insbesondere im Fahrzeugkontext (insbesondere für Automobile), radarbasierte Lösungen auf Basis solcher trainierten Machine-Learning-Modelle implementieren, die einen Sitzbelegungszustand (insbesondere ausschließlich) radarbasiert zuverlässig erkennen können und auf Basis davon bestimmte Funktionalitäten oder System, wie etwa einen Gurtwarner oder ein Airbag-System, insgesamt oder selektiv aktivieren, deaktivieren oder steuern/regeln können. Nachfolgend werden verschiedene beispielhafte Ausführungsformen des Verfahrens zum Trainieren beschrieben, die jeweils, soweit dies nicht ausdrücklich ausgeschlossen wird oder technisch unmöglich ist, beliebig miteinander sowie mit den weiteren beschriebenen anderen Aspekten der vorliegenden Lösung kombiniert werden können.

Bei einigen Ausführungsformen weist das Trainieren des Machine-Learning-Modells auf (i) Auswählen einer Teilmenge T von M Merkmalen aus der Gesamtmenge G, wobei M < N gilt und das Auswählen auf Basis der in den Trainingsdaten repräsentierten jeweiligen Werte der N Merkmale der Gesamtmenge G erfolgt; und (ii) Anpassen des Machine-Learning-Modells auf solche Art, dass es im Hinblick auf seine Abhängigkeit von Merkmalen der Gesamtmenge G nach der Anpassung ausschließlich auf den ausgewählten M Merkmalen der Teilmenge T beruht. Je nach Art des verwendeten Machine-Learning-Modells kann dabei die Anzahl M vorab festgelegt sein, oder sich erst im Rahmen des Trainings selbst ergeben, letzteres insbesondere bei Verwendung eines Entscheidungsbaum-basierten Machine-Learning-Modells.

Bei diesen Ausführungsformen erfolgt somit eine Auswahl einer Teilmenge der insgesamt verfügbaren Merkmale, so dass die Anzahl der im Rahmen des sich aus dem Training ergebenden trainierten Machine-Learning-Modells zu berücksichtigenden Merkmale reduziert ist. Dies kann einer Verbesserung der Performanz des Machine- Learning-Modells und somit des im Weiteren beschriebenen Verfahrens zum automatisierten Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung dienen. Dabei kann sich der Performanzgewinn zum einen auf eine Verkürzung einer Ablaufzeit des Verfahrens bzw. einer Reduktion der zu seinem Ablauf erforderlichen Rechenresourcen beziehen und/oder auf die Qualität des Ergebnisses. Letzteres kann insbesondere dadurch bewirkt werden, dass aufgrund der Reduktion bzw. Begrenzung der Anzahl der zu berücksichtigenden Merkmale einer Berücksichtigung von Merkmalen, die ohne großen Beitrag zur Problemlösung vorwiegend zu einer Komplexitätserhöhung und Ablenkung des Machine-Learning-Modells von den tatsächlich besonders entscheidenden Merkmalen führen könnten, entgegengewirkt wird. Insbesondere lässt sich so auch einem sogenannten „Overfitting“, d.h. einer Überanpassung an die verwendeten Trainingsdaten, effektiv begegnen.

Bei einigen Ausführungsformen umfasst das Trainieren des Machine-Learning-Modells des Weiteren ein Trainieren des bereits angepassten Machine-Learning-Modells auf Basis der Trainingsdaten bezüglich der ausgewählten M Merkmale der Teilmenge T umfasst. So kann die Qualität des Machine-Learning-Modells, insbesondere im Hinblick auf die Zuverlässigkeit seiner Ergebnisse, weiter erhöht werden, da das über die vorausgegangene Auswahl von M Merkmalen begrenzte Modell als solches nochmals trainiert und somit optimiert wird.

Bei einigen Ausführungsformen („Gruppe 1“) erfolgt das Auswählen der Teilmenge T von Merkmalen aus der Gesamtmenge G iterativ. Wobei je Iterationsdurchgang: (i) ausgehend von einer Startmenge, die eine vorbestimmte Vorauswahl von K der N Merkmale der Gesamtmenge G mit 0 < K < M enthält, jedes der anderen N-K Merkmale der Gesamtmenge G einzeln jeweils als Kandidatenmerkmal der Startmenge zunächst temporär zugeordnet wird, um so eine Prüfmenge P mit K+1 Merkmalen zu bilden; (ii) ein Trainieren des Machine-Learning-Modells mit durch die Trainingsdaten je Trainingsdatensatz gegebenen Werten für die K+1 Merkmale der Prüfmenge P und den zugehörigen Sitzbelegungszustand erfolgt; (iii) das so trainierte Machine-Learning- Modell auf Basis von ihrer Art nach den T rainingsdaten entsprechenden aber von diesen zumindest teilweise verschiedenen Validierungsdaten validiert und dabei mittels zumindest eines vorbestimmten Scores, z.B. Genauigkeitsscores (engl. accuracy score) oder F-Score (bzw. F1 -Score), bewertet wird. Die Vorauswahl kann für den ersten Iterationsdurchlauf insbesondere eine leere Menge sein, d.h. K = 0.

Des Weiteren wird hier in Abhängigkeit von den jeweiligen Scores der verschiedenen Kandidatenmerkmale der im Rahmen der Iteration aufgetretenen Prüfmengen P eines der Kandidatenmerkmale als Auswahlkandidat bestimmt und für den Auswahlkandidat wird anhand seines Scores geprüft, ob er ein in Bezug darauf definiertes Aufnahmekriterium erfüllt. Wenn dies der Fall ist, wird der Auswahlkandidat als neues Element in die Teilmenge T aufgenommen und eine neue Iteration ohne Berücksichtigung des nunmehr ausgewählten Auswahlkandidats als Kandidatenmerkmal beginnt, während andernfalls die Iteration und damit die Definition der Teilmenge T abgeschlossen wird. Die Startmenge für den ersten Iterationsvorgang wird vorab festgelegt während die jeweilige Startmenge jedes nachfolgenden Iterationsdurchgangs durch die Startmenge des ihm unmittelbar vorausgehenden Iterationsdurchgangs zuzüglich dessen Auswahlkandidat bestimmt wird.

Auf diese Weise werden die M Merkmale der Teilmenge im Rahmen der Iteration nach und nach bestimmt und zwar in Abhängigkeit von ihrer Relevanz für das Machine- Learning-Modell bzw. dessen Qualität, wozu die Scores und das Aufnahmekriterium zur Auswahl der M Merkmale herangezogen werden.

Bei einigen Ausführungsformen der Gruppe 1 umfasst das Machine-Learning-Modell ein Ensemble mit einer Mehrzahl L von untereinander gleichartigen einzelnen Machine- Learning-Modellen, z.B. Ensemble von Entscheidungsbäumen auf Support-Vector- Machine-Basis oder Random-Forest-Basis. Das Trainieren des Machine-Learning- Modells umfasst dabei je Prüfmenge ein entsprechendes Trainieren der L einzelnen Machine-Learning-Modelle, wobei sich das Trainieren der L einzelnen Machine- Learning-Modelle darin unterscheidet, dass für zumindest zwei, insbesondere jedes, der L einzelnen Machine-Learning-Modelle jeweils eine Untermenge der Trainingsdaten eingesetzt wird, wobei sich die Untermengen für die zumindest zwei einzelnen Machine- Learning-Modelle voneinander unterscheiden. Aufgrund der verschiedenen Untermengen unterscheiden sich dann auch, zumindest in der Regel, die daraus resultierenden einzelnen Machine-Learning-Modelle. Jedes der so trainierten L einzelnen Machine-Learning-Modelle wird auf Basis von ihrer Art nach den Trainingsdaten entsprechenden aber von diesen zumindest teilweise verschiedenen Validierungsdaten validiert und dabei mittels zumindest eines individuellen Scores bewertet. Für die resultierende Verteilung der L individuellen Scores der einzelnen Machine-Learning-Modelle wird der jeweilige Wert für zumindest ein die Verteilung kennzeichnendes statistisches Maß bestimmt und unter allen Auswahlkandidaten der Prüfmengen ein wird einzelner Auswahlkandidat in Abhängigkeit von den ihm jeweils zugeordneten ein bzw. mehreren Werten des zumindest eines Maßes als Kandidat für die Teilmenge T ausgewählt. Zusätzlich oder alternativ können die Machine-Learning- Modelle auch mittels des sogenannten Boosting trainiert werden, bei dem die Trainingsdaten unterschiedlich gewichtet werden.

Diese Ausführungsformen sind somit Ensemble-basiert und damit aufgrund der damit einhergehenden größeren Trainingsbasis (Vielfalt der einzelnen Modelle) geeignet, die anhand des Verfahrens zum Trainieren erreichbare Qualität des Machine-Learning- Modells weiter zu erhöhen.

Bei einigen der Ensemble-basierten Ausführungsformen wird als kennzeichnendes statistisches Maß der Verteilung der individuellen Scores ein Mittelwert der Verteilung bestimmt und derjenige Auswahlkandidat als Kandidat für die Teilmenge T ausgewählt, dessen Mittelwert einen gemäß einer Definition des Scores besten, insbesondere je nach Definition des Scores größten oder kleinsten, Wert unter allen Mittelwerten der Auswahlkandidaten darstellt. So kann auf einfache und effektive Weise aus der Menge der durch das Ensemble bestimmten Auswahlkandidaten ein einziger Auswahlkandidat als Kandidat für die Teilmenge T bestimmt werden, der noch dazu einer optimierten Auswahl entspricht. Bei einigen Ausführungsformen der Gruppe 1 ist oder wird das Aufnahmekriterium in Abhängigkeit von einem Konfidenzintervall, insbesondere einem Wald- Konfidenzintervall, definiert. Dies kann insbesondere so erfolgen, dass der potenziell aufzunehmende Kandidat nur dann in die Teilmenge T aufgenommen wird, wenn seine Aufnahme dazu führt, dass eine durch ein Konfidenzintervall definierte Mindestverbesserung erreicht werden kann.

Bei einigen Ausführungsformen, die insbesondere alternativ zu den vorgenannten Ausführungsformen im Rahmen des Verfahrens zur Auswahl bzw. Reduktion von Merkmalen genutzt werden können („Gruppe 2“), weist das Auswählen der Merkmale der Teilmenge T aus der Gesamtmenge G auf: (i) Gruppieren von Merkmalen der Gesamtmenge G in verschiedene Gruppen so, dass die Merkmale jeder Gruppe untereinander in Bezug auf die Trainingsdaten und ein bestimmtes Korrelationsmaß miteinander korreliert sind; und (ii) Auswählen je eines Merkmals je Gruppe als Repräsentant der Gruppe, wobei die Teilmenge T nur aus Repräsentanten gebildet wird. Diese Ausführungsformen können besonders recheneffizient implementiert werden, da insbesondere keine Iteration erforderlich ist.

Bei diesen Ausführungsformen kann das Verfahren des Weiteren aufweisen: (i) Trainieren eines Ensembles verschiedener gleichartiger einzelner Maschine-Learning- Modelle auf Basis von aus den Trainingsdaten extrahierten, nur Repräsentanten als Merkmale aufweisenden Trainingsvektoren; (ii) wobei sich das Trainieren der einzelnen Machine-Learning-Modelle darin unterscheidet, dass für zumindest zwei, insbesondere jedes, der einzelnen Machine-Learning-Modelle jeweils eine Untermenge der Trainingsdaten eingesetzt wird und sich die Untermengen voneinander unterscheiden. Diese Ausführungsformen sind somit Ensemble-basiert und damit aufgrund der damit einhergehenden größeren Trainingsbasis (Vielfalt der einzelnen Modelle) geeignet, die anhand des Verfahrens zum Trainieren erreichbare Qualität des Machine-Learning- Modells weiter zu erhöhen.

Bei einigen dieser Ausführungsformen erfolgt beim Trainieren der einzelnen Maschine- Learning-Modelle im Rahmen des Trainings eine Auswahl dahingehend, welche der Repräsentanten als Merkmal in das jeweilige einzelne Machine-Learning-Modell übernommen werden, und eine Gewichtung dieser aufgenommenen Merkmale erfolgt dahingehend, dass im Rahmen des Trainings der einzelnen Machine-Learning-Modelle insgesamt jede erstmalige Aufnahme eines bislang von keinem der einzelnen Machine- Learning-Modelle aufgenommenen Merkmals in eines dieser Machine-Learning-Modelle mit einer eine solche Aufnahme gegenüber einer Aufnahme eines bereits verwendeten Merkmals erschwerenden Gewichtung verknüpft wird. Es werden dabei nur solche der Repräsentanten in die Teilmenge T aufgenommen, die in mehr als x% der einzelnen Machine-Learning-Modelle als Merkmal aufgenommen wurden, wobei x eine feste oder variabel einstellbarer Parameter mit 30 < x < 70, insbesondere mit x = 50. So wird die Aufnahme neuer Merkmale erschwert bzw. „verteuert“, so dass das aus dem Ensemble resultierende Maschine-Learning-Modell nach dem Training bei einem gegebenen Qualitätsniveau im Hinblick auf eine möglichst geringe Anzahl verschiedener Merkmale optimiert wird, was insbesondere im Hinblick auf eine hohe Verarbeitungseffizienz vorteilhaft ist.

Bei einigen Ausführungsformen (anwendbar insbesondere auch auf beide Gruppen 1 und 2) werden verschiedene T rainingssätze aus den T rainingsdaten in Abhängigkeit von dem ihnen jeweils zugeordneten Sitzbelegungszustand gemäß einer vorbestimmten Gewichtung der Sitzbelegungszustände verschieden stark beim Trainieren des Machine-Learning-Modells berücksichtigt. Insbesondere kann so das Trainieren vorrangig im Hinblick auf ausgewählte Sitzbelegungszustände besonders stark trainiert werden und/oder es können Ungleichheiten bei der Häufigkeit von verschiedenen Trainingssätzen je Sitzbelegungszustand, insbesondere anteilig, ausgeglichen werden.

Ein zweiter Aspekt der vorliegenden Lösung betrifft ein, insbesondere computerimplementiertes, Verfahren zum automatisierten Erkennen eines, insbesondere sitzplatzbezogenen, Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz, insbesondere Sitzplatz in oder für ein Fahrzeug, wie etwa ein Automobil (z.B. LKW, PKW oder Bus). Dabei weist das Verfahren auf: (i) Empfangen oder Erzeugen von Messdaten, die eine auf Basis einer Radarabtastung eines die Sitzplatzanordnung zumindest abschnittsweise umgebenden Raumbereichs gewonnene Radarpunktwolke repräsentieren, die eine Mehrzahl von Radarpunkten aufweist; (ii) für jedes Merkmal aus einer definierten nichtleeren Menge von Merkmalen zur Charakterisierung von Eigenschaften von Radarpunktwolken, Bestimmen eines dem jeweiligen Merkmal zugeordneten, insbesondere numerischen, Werts in Abhängigkeit von der die Messdaten repräsentierte Radarpunktwolke; (iii) Bestimmen, insbesondere Schätzen, eines Sitzbelegungszustands der Sitzplatzanordnung unter Verwendung eines trainierten Machine-Learning-Modells, wobei die bestimmten Werte der Merkmale als Eingangsdaten dem Machine-Learning-Modell zu Verfügung gestellt werden, um als dessen Ausgabe ein einen Sitzbelegungszustand der Sitzplatzanordnung kennzeichnendes Ergebnis, insbesondere Klassifikationsergebnis, zu erhalten; und (iv) Ausgeben einer in Abhängigkeit von dem Ergebnis definierten Information. Die Information kann insbesondere das Ergebnis selbst repräsentieren. Sie kann auch ein, insbesondere mit einem menschlichen Sinn erfassbares, detektierbares Signal sein, wie etwa ein Warnhinweis, oder ein Steuersignal zur Ansteuerung einer Signalquelle oder ein die Information tragendes Datensignal.

Nachfolgend werden verschiedene beispielhafte Ausführungsformen des Verfahrens nach dem zweiten Aspekt beschrieben, die jeweils, soweit dies nicht ausdrücklich ausgeschlossen wird oder technisch unmöglich ist, beliebig miteinander sowie mit den hierin beschriebenen anderen Aspekten der vorliegenden Lösung kombiniert werden können.

Bei einigen Ausführungsformen weist die Sitzplatzanordnung eine Mehrzahl von Sitzplätzen auf, für die individuell oder kumulativ ein Sitzbelegungszustand im Rahmen des Verfahrens zu bestimmen ist. Die Menge der Radarpunkte der Radarpunktwolke wird mittels Cluster-Bildung in Abhängigkeit von der jeweiligen räumlichen Lage der Radarpunkte in Bezug auf die Sitzplätze in mehrere jeweils eine Untermenge der Radarpunkte enthaltende Cluster unterteilt , um jedem der Sitzplätze einen ihm nächstliegenden der Cluster individuell zuzuordnen, insbesondere so, dass jeder Radarpunkt genau einem Cluster zugeordnet wird. Das Bestimmen der jeweiligen Werte der Merkmale für jeden der Sitzplätze erfolgt individuell auf Basis des dem jeweiligen Sitzplatz zugeordneten Clusters von Radarpunkten. Das Bestimmen des Sitzbelegungszustands der Sitzplatzanordnung umfasst ein individuelles Bestimmen eines jeweiligen individuellen Sitzbelegungszustands für jeden der Sitzplätze unter Verwendung des trainierten Machine-Learning-Modells, wobei die für den dem jeweiligen Sitzplatz zugeordneten Cluster bestimmten jeweiligen Werte der Merkmale als Eingangsdaten dem Machine-Learning-Modell zu Verfügung gestellt werden, um als dessen Ausgabe ein einen Sitzbelegungszustand des jeweiligen Sitzplatzes kennzeichnendes Ergebnis, insbesondere Klassifikationsergebnis, zu erhalten. Die auszugebende Information wird in Abhängigkeit von den jeweiligen individuellen Ergebnissen zu den verschiedenen Sitzplätzen definiert. So lassen sich auch bei Sitzplatzanordnungen mit mehreren Sitzen individuelle Aussagen je Sitz bezüglich dessen jeweiligen Sitzbelegungszustand gewinnen.

Bei einigen Ausführungsformen wird die Radarpunktwolke in mehrere Cluster segmentiert, indem jedem der Sitzplätze als Cluster eine Teilmenge der Radarpunkte in Abhängigkeit von deren jeweiliger Position so zugeordnet wird, insbesondere je Radarpunkt eindeutig, dass die Radarpunkte des Clusters in einem definierten geschlossenen, insbesondere quaderförmigen, Raumbereich im Umfeld des Sitzplatzes liegen. Die Zuordnung kann insbesondere so erfolgen, dass jeder Radarpunkt dem Cluster des ihm nächstliegenden Sitzplatzes zugeordnet wird. So lässt sich die Radarpunktwolke in Cluster, d.h. im Umfeld der jeweiligen Sitze lokalisierten, Teilmengen der Radarpunktwolke aufteilen, so dass das Bestimmen von sitzspezifischen Sitzbelegungszuständen gezielt und daher mit hoher Zuverlässigkeit auf Basis des dem jeweiligen Sitz zugeordneten Clusters erfolgen kann.

Bei einigen Ausführungsformen umfasst das Ausgeben der Information ein Ansteuern einer Signalquelle in Abhängigkeit von der Information, um die Signalquelle zu veranlassen, in Abhängigkeit von der Ansteuerung ein definiertes Signal auszugeben. Die Signalquelle kann insbesondere eine Audioquelle, eine optische Signalquelle, insbesondere Anzeigevorrichtung für Bild oder Text, und/oder ein Haptik- Aktuator oder eine Kombination aus zumindest zwei der vorgenannten Signalquellen sein kann. So kann anhand der Signalisierung der erkannte Sitzbelegungszustand einem Benutzer mitgeteilt oder zur Steuerung eines anderen technischen Systems, wie etwa eines Airbag-Systems, genutzt werden.

Bei einigen dieser Ausführungsformen wird die Signalquelle so in Abhängigkeit von der Information angesteuert, dass sie ein, insbesondere durch die Ansteuerung definiertes, Signal ausgibt, wenn die Information aus einem Ergebnis resultiert, demgemäß zumindest ein Sitz der Sitzplatzanordnung belegt ist und/oder ein ausgewählter vorbestimmter Sitzbelegungszustand vorliegt.

Bei einigen Ausführungsformen weist das Verfahren des Weiteren auf: (i) Detektieren eines Sitzgurtanlegezustands zumindest eines Sitzes der Sitzplatzanordnung oder Empfangen einer diesen Sitzgurtanlegezustand kennzeichnenden Sitzgurtinformation; (ii) wobei die Signalquelle so in Abhängigkeit von der Sitzgurtinformation und der Information aus dem Ergebnis angesteuert wird, dass sie ein Gurtanlegehinweissignal ausgibt, wenn gemäß der Information zumindest ein Sitz der Sitzplatzanordnung belegt ist und/oder ein ausgewählter vorbestimmter Sitzbelegungszustand vorliegt und Sitzgurtinformation angibt, dass der zugehörige Sitzgurt des Sitzes nicht angelegt ist. So lässt sich ein, insbesondere im Hinblick auf die Detektion ausschließlich, radarbasiertes Sitzgurtanlegeprüf- und -warnsystem erreichen.

Bei einigen Ausführungsformen werden die einzelnen Radarpunkte der Radarpunktwolke jeweils durch eine oder mehrere der folgenden Daten repräsentiert: (i) eine Position des jeweiligen Radarpunkts im dreidimensionalen Raum; (ii) einen Doppler-Verschiebungswert des Radarsignals zum jeweiligen Radarpunkt; (iii) einen Signal-zu-Rausch-Abstands-Wert des Radarsignals zum jeweiligen Radarpunkt. Insbesondere die Position des jeweiligen Radarpunkte gemäß Option (i) kann dabei zur Bestimmung der Merkmale verwendet werden, während die Optionen (ii) und (iii) insbesondere zur Vorfilterung der Radarpunktwolke im Rahmen einer der Merkmalsbestimmung vorangehenden Vorprozessierung genutzt werden können. Alternativ oder zusätzlich können die Optionen (ii) und (iii) auch zur Merkmalsbestimmung genutzt werden.

Bei einigen Ausführungsformen ist oder wird das Machine-Learning-Modell unter Verwendung des Verfahrens zum Trainieren nach dem ersten Aspekt trainiert. Insbesondere lassen sich die beiden Verfahren nach dem ersten Aspekt und dem zweiten Aspekt auch zu einem einzigen Verfahren verbinden, insbesondere so, dass dieses verbundene Verfahren konfigurierbar ist, um je nach Situation in einem zum Verfahren nach dem ersten Aspekt korrespondierenden Trainingsmodus oder aber in einem zum Verfahren nach dem zweiten Aspekt korrespondierenden Erkennungsmodus zu laufen.

Nachfolgend werden verschiedene beispielhafte Ausführungsformen beschrieben, die jeweils für das Verfahren nach dem ersten Aspekt und/oder für das Verfahren nach dem zweiten Aspekt genutzt werden können, soweit dies nicht ausdrücklich ausgeschlossen wird oder technisch unmöglich ist.

Bei einigen dieser Ausführungsformen enthält die Menge der im Rahmen des Maschine- Learning-Modells verwendeten Merkmale, insbesondere der Gesamtmenge G bzw. der Menge C, zumindest ein Merkmal, das in eine der folgenden Merkmalskategorien fällt:

- Merkmale, die eine räumliche Lage eines Clusters aus Radarpunkten im räumlichen Umfeld eines Sitzes der Sitzplatzanordnung beschreiben;

- Merkmale, die die Anzahl der Radarpunkte der Radarpunktwolke oder eines definierten Ausschnitts davon beschreiben;

- Merkmale, die für eine bestimmten Cluster aus Radarpunkten im räumlichen Umfeld eines Sitzes der Sitzplatzanordnung beschreiben, welchem Sitz der Sitzplatzanordnung der Cluster zugeordnet ist;

- Merkmale, die Doppler-Verschiebungswerte und/oder einen Signal-zu-Rausch- Abstands-Wert des Radarsignals zu einem jeweiligen Radarpunkt der Radarpunktwolke beschreiben;

- Merkmale, die einen quantitativen Vergleich von zwei oder mehr Cluster aus Radarpunkten der Radarpunktwolke beschreiben;

- Merkmale, die eine Orientierung und/oder räumliche Ausdehnung eines Clusters aus Radarpunkten der Radarpunktwolke beschreiben; - Merkmale, welche die Radarpunktwolke insgesamt beschreiben.

Bei einigen Ausführungsformen ist oder wird das Ergebnis für die Sitzplatzanordnung oder einen jeweiligen Sitzplatz davon so definiert, dass es eine Klasse gemäß einer vorbestimmten Klassifikation möglicher Sitzbelegungsmöglichkeiten angibt.

Die Klassifikation kann insbesondere so vorbestimmt sein oder werden, dass sie zumindest zwei der folgenden Klassen enthält:

- Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist unbelegt, insbesondere wenn kein einziger ihrer Sitze belegt ist;

- Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist belegt, insbesondere wenn zumindest ein Sitzplatz belegt ist oder wenn alle belegt sind oder zumindest ein bestimmter Anteil der Sitze;

- Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist mit einer Person belegt;

- Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist mit einer Person mit einer Größe oberhalb einer Größenschwelle belegt;

- Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist mit einer Person mit einer Größe unterhalb einer Größenschwelle belegt;

- Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist mit einer Sache belegt;

- Sitzplatzanordnung bzw. der jeweilige Sitzplatz ist mit einem Kindersitz, insbesondere einer Kindertrageschale, belegt.

Bei einigen Ausführungsformen beruht das Machine-Learning-Modell auf zumindest einen Entscheidungsbaum (decision tree), insbesondere im Hinblick auf die o.g. Ensemble-Ausführungsformen, auf einem Ensemble von Entscheidungsbäumen.

Ein dritter Aspekt der vorliegenden Lösung betrifft ein System zum automatisierten Erkennen eines, insbesondere jeweiligen, Sitzbelegungszustands einer Sitzplatzanordnung mit zumindest einem Sitzplatz, insbesondere mit zumindest einem Fahrzeugsitz in einem bzw. für ein Fahrzeug, wobei das System eine Datenverarbeitungsvorrichtung aufweist, die konfiguriert ist, das Verfahren zum Trainieren nach dem ersten Aspekt und/oder das Verfahren nach dem zweiten Aspekt auszuführen.

Ein vierter Aspekt der vorliegenden Lösung betrifft ein Computerprogramm oder Computerprogrammprodukt, aufweisend Anweisungen, die bei ihrer Ausführung auf der Datenverarbeitungsvorrichtung des Systems nachdem dritten Aspekt, das System veranlassen, zumindest eines der Verfahren nach dem ersten Aspekt und/oder nach dem zweiten Aspekt auszuführen.

Das Computerprogramm kann insbesondere auf einem nichtflüchtigen Datenträger gespeichert sein. Bevorzugt ist dies ein Datenträger in Form eines optischen Datenträgers oder eines Flashspeichermoduls. Dies kann vorteilhaft sein, wenn das Computerprogramm als solches unabhängig von einer Prozessorplattform gehandelt werden soll, auf der das ein bzw. die mehreren Programme auszuführen sind. In einer anderen Implementierung kann das Computerprogramm als eine Datei auf einer Datenverarbeitungseinheit, insbesondere auf einem Server vorliegen, und über eine Datenverbindung, beispielsweise das Internet oder eine dedizierte Datenverbindung, wie etwa ein proprietäres oder lokales Netzwerk, herunterladbar sein. Zudem kann das Computerprogramm eine Mehrzahl von zusammenwirkenden einzelnen Programmodulen aufweisen. Die Module können insbesondere dazu konfiguriert sein oder jedenfalls so einsetzbar sein, dass sie im Sinne von verteiltem Rechnen (engl. „Distributed Computing“ auf verschiedenen Geräten (Computern bzw. Prozessoreinheiten ausgeführt werden, die geografisch voneinander beabstandet und über ein Datennetzwerk miteinander verbunden sind.

Das System nach dem dritten Aspekt kann entsprechend einen Programmspeicher aufweisen, in dem das Computerprogramm abgelegt ist. Alternativ kann das System auch eingerichtet sein, über eine Kommunikationsverbindung auf ein extern, beispielsweise auf einem oder mehreren Servern oder anderen Datenverarbeitungseinheiten verfügbares Computerprogramm zuzugreifen, insbesondere um mit diesem Daten auszutauschen, die während des Ablaufs des Verfahrens bzw. Computerprogramms Verwendung finden oder Ausgaben des Computerprogramms darstellen.

Ein fünfter Aspekt der vorliegenden Lösung betrifft ein Fahrzeug, aufweisend:(i) eine Sitzplatzanordnung mit zumindest einem Sitzplatz; (ii) einen Radarsensor zur zumindest abschnittsweisen Radarabtastung der Sitzplatzanordnung; und (iii) ein System nach dem zweiten Aspekt zum automatisierten Erkennen eines, insbesondere jeweiligen, Sitzbelegungszustands der Sitzplatzanordnung in Abhängigkeit von einer durch den Radarsensor ausgeführten, zumindest abschnittsweisen Radarabtastung der Sitzplatzanordnung.

Die in Bezug auf den ersten Aspekt bzw. den zweiten Aspekt der Erfindung erläuterten Merkmale und Vorteile gelten entsprechend auch für die weiteren Aspekte der Erfindung. Weitere Vorteile, Merkmale und Anwendungsmöglichkeiten der vorliegenden Erfindung ergeben sich aus der nachfolgenden detaillierten Beschreibung im Zusammenhang mit den Figuren.

Dabei zeigt

Fig. 1A schematisch eine beispielhafte Ausführungsform eines Fahrzeugs, das mit einem System zum automatisierten Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung im Fahrzeug ausgerüstet ist;

Fig. 1 B schematisch das Fahrzeug aus Fig. 1 A, wobei hier auf dem Beifahrersitz als zu erkennendes Objekt eine Babyschale mit einem darin liegenden Baby vorhanden ist;

Fig. 2 ein Flussdiagramm zur Veranschaulichung einer beispielhaften Ausführungsform eines kombinierten Verfahrens (i) zum automatisierten Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung sowie (ii) zum Trainieren eines dazu verwendeten Machine-Learning-Modells;

Fig. 3A eine beispielhafte zweidimensionale Darstellung einer durch einen Radarsensor des Fahrzeugs aus Fig. 1 aufgenommenen Radarpunktwolke;

Fig. 3B eine beispielhafte Darstellung einer Clusterung der akkumulierten Radarpunktwolke Ausführung 3B gemäß den Positionen der einzelnen Sitzplätze der Sitzplatzanordnung;

Die Fig. 4 eine Tabelle zur Illustration einer beispielhaften Struktur von Trainingsdaten zum Trainieren eines Maschine-Learning Modells gemäß einem lösungsgemäßen Trainingsverfahren, insbesondere gemäß dem Verfahren zum Trainieren aus Fig. 2;

Die Fig. 5 einen Pseudocode zur Illustration einer ersten beispielhaften Ausführungsform des Verfahrens zum Trainieren aus Fig. 2; und

Die Fig. 6 ein Flussdiagramm zur Veranschaulichung einer zweiten beispielhaften Ausführungsform des Verfahrens zum Trainieren aus Fig. 2.

In den Figuren bezeichnen gleiche Bezugszeichen gleiche, ähnliche oder einander entsprechende Elemente. In den Figuren dargestellte Elemente sind nicht notwendigerweise maßstabsgetreu dargestellt. Vielmehr sind die verschiedenen in den Figuren dargestellten Elemente derart wiedergegeben, dass ihre Funktion und genereller Zweck dem Fachmann verständlich werden. In den Figuren dargestellte Verbindungen und Kopplungen zwischen funktionellen Einheiten und Elementen können, soweit nicht ausdrücklich anders angegeben, auch als indirekte Verbindung oder Kopplung implementiert werden. Funktionale Einheiten können insbesondere als Hardware, Software oder eine Kombination aus Hardware und Software implementiert werden.

Die in Fig. 1 schematisch dargestellte beispielhafte Ausführungsform eines Fahrzeugs 100 weist eine Sitzplatzanordnung 105 mit fünf einzelnen Sitzen bzw. Sitzplätzen 105a bis 105e auf. Jeder der Sitzplätze 105a bis 105e ist geeignet, eine Person als Passagier des Fahrzeugs 100 aufzunehmen. Das Fahrzeug 100 weist des Weiteren einen Radarsensor 110 auf, der innerhalb der Fahrzeugkabine an deren Decke montiert und so konfiguriert ist, dass er die Sitzplatzanordnung 105, zumindest im Wesentlichen, mithilfe von Radarstrahlen abtasten kann. Dementsprechend liegen die Sitzplätze 105a bis 105e, insbesondere deren Sitzflächen, zumindest jeweils überwiegend, innerhalb eines durch den Radarsensor 110 abtastbaren Beobachtungsfelds 110a. Darüber hinaus weist das Fahrzeug 100 ein System 115 zum automatisierten Erkennen eines Sitzbelegungszustands der Sitzplatzanordnung 105 in Abhängigkeit von einer durch den Radarsensor 1 10 ausgeführten, zumindest abschnittsweise bezüglich des Beobachtungsfelds 110a ausgeführten Radarabtastung der Sitzplatzanordnung 105 auf.

Das System 1 15 weist insbesondere eine Datenverarbeitungseinheit 115a mit zumindest einen Mikroprozessor sowie einen damit signalverbundenen Speicher 115b auf, in dem ein zur Durchführung des im Weiteren unter Bezugnahme auf Fig. 4 beschriebenen Verfahrens zum automatisierten Erkennen eines Sitzbelegungszustands der Sitzplatzanordnung 105 konfiguriertes Computerprogramm gespeichert ist. Des Weiteren können in dem Speicher 1 15b die vom Radarsensor 110 bei der Radarabtastung erzeugten Sensordaten oder daraus bereits durch Weiterverarbeitung gewonnene Informationen abgelegt sein oder werden.

Das in Fig. 1 B dargestellte Fahrzeug 100 entspricht dem Fahrzeug aus Fig. 1 , wobei hier jedoch auf dem Beifahrersitz 105b als ein im Sinne einer Sitzbelegungsprüfung zu erkennendes Objekt eine Babyschale B mit einem darin liegenden Baby angeordnet ist. Bei der weiteren folgenden Diskussion der weiteren Figuren wird insbesondere auf die Konstellation aus Fig. 1 B Bezug genommen werden.

Das in Fig. 2 anhand eines Flussdiagramms illustrierte Verfahren 200 betrifft eine beispielhafte kombinierte Ausführungsform sowohl für das Verfahren zum Trainieren nach dem ersten Aspekt als auch für das Verfahren nach dem zweiten Aspekt der vorliegenden Lösung zum automatisierten Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung. Das Verfahren kann insbesondere als computerimplementiertes Verfahren ausgebildet sein. Dazu kann es insbesondere im Speicher 115b des Systems 115 aus Fig. 1 als Computerprogramm abgelegt sein und auf der Datenverarbeitungseinheit 115a ablauffähig sein. Dies gilt insbesondere für diejenigen Anteile des Verfahrens 200, die zum automatisierten Erkennen eines Sitzbelegungszustands benötigt werden. Das in dem Verfahren 200 zugleich dargestellte Verfahren zum Trainieren kann dagegen optional auch an anderer Stelle ausgeführt werden, beispielsweise im Rahmen der Entwicklung eines Systems 115, so dass dieses dann bereits mit einem trainierten Machine-Learning-Modell (abgek. ML- Modell) ausgestattet ausgeliefert bzw. in ein Fahrzeug integriert werden kann.

Im Rahmen des Verfahrens 200 werden in einem Prozess 205 Messdaten PC (für „point cloud“), die von dem Radarsensor 110 bei einer Radarabtastung der Sitzplatzanordnung 105 im Beobachtungsfeld 110a erfasst wurden, empfangen. Die Messdaten repräsentieren dabei eine Radarpunktwolke 300 aus einer Mehrzahl, insbesondere Vielzahl, von Radarpunkten 310, 315, wie in Fig. 3A illustriert (2D-Ansicht der eigentlich dreidimensionalen Radarpunktwolke 300). Jeder der Radarpunkte 310, 315 kann in den Messdaten mit seinen drei räumlichen Koordinaten in einem geeignet gewählten Koordinatensystem repräsentiert werden. Zusätzlich kann jedem Radarpunkt 310, 315 zusätzliche Information zugeordnet werden, insbesondere eine jeweilige gemessene Dopplerverschiebung und/oder eine Distanz vom Radarsensor 1 10 entlang einer Verbindungsgerade zwischen dem Radarsensor 110 und dem jeweiligen Radarpunkt 310, 315.

In einem weiteren Prozess 210 wird die durch die Messdaten PC repräsentierte Radarpunktwolke 300 weiterverarbeitet, um eine Clusterung der Radarpunktwolke 300 durchzuführen, bei der jedem Sitz 105a bis 105e der Sitzplatzanordnung 105 ein jeweils eigenes Cluster als Untermenge aller Punkte der Radarpunktwolke 300 individuell zugeordnet wird. Dies ist genauer in Fig. 3B illustriert. Zur Durchführung der Clusterung wird jedem der Sitze 105a bis 105e ein jeweiliger geschlossener, beispielsweise quaderförmiger, Raumbereich 325a bis 325e zugeordnet und die Cluster werden so definiert, dass alle Radarpunkte 310/315, welche sich innerhalb eines jeweiligen dieser Raumbereiche 325a bis 325e befinden, dem zu dem jeweiligen Raumbereich korrespondierenden Cluster zugeordnet werden. Die Zuordnung der Radarpunkte 310/315 zu ihrem jeweiligen Cluster kann durch entsprechend definierte Clusterdaten CL repräsentiert werden. Es kann auch sein, wie in Fig. 3B illustriert, dass einige der Radarpunkte 310/315 in keinen der Raumbereiche 325a bis 325e fallen und daher keinem der Cluster zugeordnet werden. Sie werden bei der weiteren Auswertung der Radarpunktwolke 300 im Rahmen des Verfahrens 200 nicht mehr berücksichtigt. Auch diese zu keinem Cluster gehörenden Radarpunkte 310/315 können optional in den Clusterdaten CL repräsentiert sein.

Nachfolgend wird nochmals zum Zwecke einer genaueren Erläuterung auf die Figuren 3A und 3B Bezug genommen, die jeweils die Radarpunktwolke 300 darstellen, wobei zum Zwecke der Darstellbarkeit die jeweilige, an sich dreidimensionale Radarpunktwolke 300 durch Projektion der Positionen der Radarpunkte 310/315 der Radarpunktwolke 300 auf eine durch zwei ihrer Dimensionen aufgespannte Ebene auf zwei Dimensionen reduziert wurde.

In Fig. 3A ist eine beispielhafte Radarpunktwolke 300 illustriert, wie sie innerhalb eines einzelnen Messrahmens, d. h. als Ergebnis einer Radarabtastung der Sitzplatzanordnung 105 durch den Radarsensor 110 während eines festgelegten Zeitintervalls (Messzeitraum) erfasst wurde. Die Lage der einzelnen Radarpunkte innerhalb der Radarpunktwolke 300 kann durch Raumkoordinaten dargestellt werden, beispielsweise kann man der Zeichenebene und entsprechend jedem einzelnen Punkte kartesische Koordinaten X und Y zuordnen. Tatsächlich kommt in Wirklichkeit, wenn die Dimensionsreduzierung aufgrund der Zeichnung außer Acht gelassen wird, noch eine dritte Koordinate Z für die dritte Raumdimension zu.

Wenn bei der Radarabtastung nicht nur die räumlichen Positionen der Stellen, an denen der Radarstrahl von den abgetasteten Objekten reflektiert wird, als Koordinaten erfasst werden, sondern auch eine jeweilige Dopplerverschiebung gemessen wird, dann können die einzelnen Radarpunkte in Abhängigkeit vom Betrag dieser Dopplerverschiebung klassifiziert, insbesondere in zwei verschiedene Klassen eingeteilt werden. Letzteres kann etwa dadurch erfolgen, dass die Dopplerverschiebung mit einer vordefinierten Verschiebungsschwelle, die zu einer bestimmten Verschiebungsgeschwindigkeit korrespondiert, verglichen werden. In Abhängigkeit vom Ergebnis des Vergleichs können diejenigen Radarpunkte 310, die gemäß dem Wert ihrer zugeordneten Dopplerverschiebung keine Geschwindigkeit oder eine Geschwindigkeit der Objektoberfläche am Reflexionspunkt aufweisen, die unterhalb der Verschiebungswelle liegt, als „statische“ Radarpunkte klassifiziert werden (in den Figuren 3A und 3B jeweils mit einem gefüllten schwarzen Kreis dargestellt). Umgekehrt können diejenigen Radarpunkte 315, die eine Dopplerverschiebung oberhalb der Verschiebungsschwelle aufweisen, als „dynamische“ Radarpunkte 315 klassifiziert werden (in den Figuren 3A und 3B jeweils mit einem schwarzen Ring dargestellt).

Die Klassifizierung der Radarpunkte 310 und 315 entsprechend ihrer Dopplerverschiebung ist nicht zwingend erforderlich, sie kann jedoch genutzt werden, um die Radarpunktwolke 300, insbesondere im Rahmen einer vor ihrer Auswertung erfolgenden Vorprozessierung zu verarbeiten, insbesondere in Abhängigkeit von der Klassifizierung zu filtern. Beispielsweise könnte eine solche Filterung derart erfolgen, dass nur dynamische Radarpunkte 315 für die Auswertung berücksichtigt werden, um etwa nur bewegte Objekte zu erkennen.

In Fig. 3B ist dieselbe Radarpunktwolke 300 wie in Fig. 3B dargestellt. Zusätzlich sind hier jedoch quaderförmige (3D-Fall) bzw. in der vorliegenden 2D-Darstellung rechteckige, ausgewählte Raumbereiche 325a bis 325e eingezeichnet, die räumlich der jeweiligen Lage der einzelnen Sitzplätze 105a bis 105e zugeordnet sind. Die Definition dieser Raumbereiche 325a bis 325e kann nun wie bereits vorausgehend beschrieben herangezogen werden, um die akkumulierte Radarpunktwolke 300 zu Clustern, wobei jeder Radarpunkt 310 bzw. 315, soweit möglich, demjenigen Raumbereich 325a bis 325e zugeordnet wird, in dem er liegt. Alle nicht in einem der Raumbereiche 325a bis 325e liegenden Radarpunkte können im Weiteren unberücksichtigt bleiben. Man sieht insbesondere, dass im vorliegenden Beispiel die Bereiche 320 mit besonders hoher Radarpunktdichte im Bereich des Beifahrersitzes 105b liegen, auf dem sich gemäß Fig. 1 B die Babyschale mit dem Baby B befindet.

Die Clusterung gemäß dem Prozess 210 stellt einen optionalen Schritt des Verfahrens 200 dar, die insbesondere dann zweckmäßig zur Anwendung kommt, wenn es darum geht, einen sitzplatzspezifischen Sitzbelegungszustand für einen oder mehrere einzelne der Sitze 105a bis 105e zu bestimmen. Wenn es dagegen nur darum geht, für die Sitzplatzanordnung 105 insgesamt einen Sitzbelegungszustand zu bestimmen, beispielsweise um festzustellen, ob überhaupt zumindest einer der Sitzplätze belegt ist, dann ist eine solche Clusterung nicht erforderlich und die Radarpunktwolke 300 kann stattdessen als Ganzes der weiteren Verarbeitung unterzogen werden. In der folgenden weiteren Beschreibung des Verfahrens 200 wird davon ausgegangen, dass die Clusterung gemäß dem Prozess 210 erfolgt ist.

In einem weiteren Prozess 215 werden nun (soweit nicht anders angegeben für jeden der Cluster individuell) verschiedene Merkmale eines definierten Satzes von Merkmalen auf Basis der Clusterdaten CL bestimmt, insbesondere berechnet. Insbesondere können zumindest einige der Merkmale des Satzes jeweils in eine der folgenden Merkmalskategorien fallen: a) Merkmale, die eine räumliche Lage eines Clusters aus Radarpunkten im räumlichen Umfeld eines Sitzes der Sitzplatzanordnung beschreiben; b) Merkmale, die die Anzahl der Radarpunkte der Radarpunktwolke oder eines definierten Ausschnitts davon beschreiben; c) Merkmale, die für eine bestimmten Cluster aus Radarpunkten im räumlichen Umfeld eines Sitzes der Sitzplatzanordnung beschreiben, welchem Sitz der Sitzplatzanordnung der Cluster zugeordnet ist; d) Merkmale, die Doppler-Verschiebungswerte und/oder einen Signal-zu-Rausch- Abstands-Wert des Radarsignals zu einem jeweiligen Radarpunkt der Punktwolke beschreiben; e) Merkmale, die einen quantitativen Vergleich von zwei oder mehr Cluster aus Radarpunkten der Radarpunktwolke beschreiben; f) Merkmale, die eine Orientierung und/oder räumliche Ausdehnung eines Clusters aus Radarpunkten der Radarpunktwolke beschreiben; g) Merkmale, welche die Radarpunktwolke insgesamt beschreiben.

Speziell kommen dazu insbesondere folgende konkreten Merkmale in Frage:

Zu a): Merkmale, die die Lage des Clusters innerhalb des jeweiligen quaderförmigen Raumbereichs 325a-325e beschreiben (die Koordinaten werden relativ zum Raumbereich angegeben):

- Koordinaten x, y und z des Schwerpunkts des Clusters

- Koordinaten x, y und z des gewichteten Mittelpunkts des Clusters, wobei jeder Punkt mit seinem Signal-zu-Rausch-Verhältnis (SNR)-Wert gewichtet ist/wird.

- Abstand des Schwerpunkts zum linken, vorderen und oberen Rand des Raumbereichs

- Abstand des Schwerpunkts und des SNR-gewichteten Zentrums zur Mitte der hinteren und unteren Ebene des Raumbereichs

- Höhe des Clusters

Zu b): Merkmale, die die Anzahl der Radarpunkte beschreiben:

- Anzahl der Radarpunkte - Anzahl der statischen Radarpunkte (Punkte mit einem absoluten Dopplerwert unter 0,005 m/s, Radarpunkte mit einem Doppler Wert von mindestens 0,005 m/s werden als dynamische Punkte bezeichnet)

- Jeweilige Anzahl der Radarpunkte im Messrahmen, welcher vorzugsweise aus einzelnen zeitlich aufeinanderfolgenden, optional verschachtelten, Subframes besteht, insbesondere mit unterschiedlicher Dauer der Radarmessung von beispielsweise 128 ms, 256 ms, 512 ms, 1024ms oder 2048 ms und einer optionalen Anzahl von fünf Subframes.

Zu c): Merkmal, das beschreibt, zu welchem Sitz der Cluster gehört:

- Kennung des jeweiligen Raumbereichs oder Sitzes

Zu d): Merkmale zur Beschreibung der Doppler- und SNR-Werte

- Minimum, Maximum, Mittelwert, Varianz und Mittelwert der absoluten Dopplerwerte für den gesamten Messrahmen und für seine Subframes

- Minimum, Maximum, Mittelwert und Varianz der SNR-Werte

Zu e): Merkmale im Vergleich zum nächstgelegenen Cluster:

- Anzahl der Radarpunkte im Verhältnis zum nächstgelegenen Cluster

- Abstand des Schwerpunkts zum Schwerpunkt des nächstgelegenen Clusters

Zu f): Merkmale, die die Orientierung und Ausdehnung des Clusters beschreiben:

- PCA-Eigenwerte (PCA=engl. „principal component analysis“ bzw. auf Deutsch: Hauptkomponentenanalyse)

- Winkel des ersten PCA-Eigenvektors

- Koordinaten der PCA-Eigenvektoren

- Relation der PCA-Eigenwerte

- Radarpunktdichte

- Anteil der Punkte in diskreten Raumbereichen im Sitzbereich des Sitzes, wobei vorzugsweise dazu der Sitzbereich in gleichgroße Raumbereiche unterteilt wird und die jeweilige Anzahl der Punkte in den Raumbereichen ausgewertet wird.

Zu g): Merkmale, die die gesamte Radarpunktwolke beschreiben (nicht nur das aktuelle Cluster)

- Anzahl aller Radarpunkte in dem aktuellen Messrahmen - Merkmale der dynamischen Punkte: die oben genannten Merkmale werden auch nur für die dynamischen Punkte ausgewertet (alle außer Anzahl der statischen Punkte und Kennung des jeweiligen Raumbereichs oder Sitzes)

Als Ergebnis der Merkmalsbestimmung im Prozess 215 ergibt sich je Cluster ein Merkmalsvektor FV (von engl. „feature vector“), der die jeweiligen bestimmten Werte der Merkmale zusammenfasst. Die Auswahl der Merkmale, für die der Prozess 215 durchgeführt wird, hängt davon ab, ob das Verfahren 200 im jeweiligen Verfahrensdurchlauf als Verfahren zum Trainieren oder bereits operativ als Erkennungsverfahren zum Erkennen eines Sitzbelegungszustands der Sitzplatzanordnung 105 auf Basis eines bereits zuvor trainierten Machine-Learning- Modells genutzt wird.

Im Falle des Verfahrens zum Trainieren , werden typischerweise alle definierten Merkmale im Rahmen des Prozesses 215 behandelt, um ihre jeweiligen Werte für die jeweils aktuell auszuwertende Radarpunktwolke zu bestimmen. Im Falle des Erkennungsverfahrens genügt es dagegen, im Prozess 215 die bereits im Rahmen des Trainierens ausgewählten Merkmale, die zusammen in der Regel eine echte Untermenge der im Rahmen des Trainierens berücksichtigen Menge von Merkmalen bilden, zu berücksichtigen.

Mittels einer Abfrage 220, bei der eine Steuerinformation, insbesondere aus einer Benutzereingabe, dahingehend ausgewertet wird, ob das Verfahren 200 als Verfahren zum Trainieren (220 - ja) oder als Erkennungsverfahren (220 - nein) weitergeführt werden soll, wird der weitere Verlauf des Verfahrens 200 festgelegt.

Zunächst soll hier der Fall des Erkennungsverfahrens (220 - nein) erläutert werden: es folgt hier ein weiterer Prozess 235, in dem ein bereits trainiertes ML-Modell eingesetzt wird, um mit den Merkmalsvektoren FV als Eingangsdaten für jeden der Cluster und somit Sitze 105a bis 105e individuell ein Ergebnis zu bestimmen, welches einen Sitzbelegungszustand des jeweiligen Sitzes 105a bis 105e repräsentiert. Im einfachsten Fall entspricht das Ergebnis je Sitz einer Klasse einer einfachen Klassifikation mit nur zwei Klassen, nämlich der Klasse „Sitz belegt“ und der weiteren Klasse „sitzt nicht belegt“. Es sind jedoch auch komplexere Klassifikationen denkbar. Insbesondere ist es denkbar, unter Verwendung eines oder mehrerer Merkmale, welche eine Dopplerverschiebung angeben und somit eine Unterscheidung von statischen und dynamischen Radarpunktwolken 310 bzw. 315 erlauben, Klassen einzuführen, welche eine Aussage darüber erlauben, ob es sich bei einem gegebenenfalls erkannten Objekt auf einem Sitz um ein bewegtes oder unbewegtes Objekt handelt. Es ist sogar denkbar, anhand bestimmter Bewegungsmuster, beispielsweise auf Basis einer zeitlichen Abfolge von Radarpunktwolken, Atemmuster mittels des ML-Modells zu erkennen somit entsprechende Klassen zu definieren, die angeben, ob es sich bei dem Objekt eine lebende Person oder ein lebendes Tier handelt, oder nicht. Auch andere Klassen sind denkbar, insbesondere auf Basis einer Auswertung mehrerer verschiedener Merkmale.

Das Ergebnis der Sitzplatzbelegung kann auf verschiedenste Art und Weise weiterverwendet werden, um ein oder mehrere Funktionalitäten des Fahrzeugs 100 zu steuern. Im Folgenden soll das Beispiel betrachtet werden, dass als Funktionalität ein Warnsignal ausgegeben werden soll, wenn festgestellt wird, dass ein jeweiliger bestimmter Sitz, beispielsweise der in Fig. 1 mit B dem Baby in der Babyschale belegte Sitz 105b, belegt ist aber der zugehörige Sicherheitsgurt nicht angelegt ist. Letzteres kann sich auf bekannte Weise mittels einer entsprechenden Sensorik in einem Prozess 240 feststellen lassen, der beispielsweise prüft, ob die Gurtschnalle im zugehörigen Gurtschloss korrekt eingesetzt ist (240 - ja) oder nicht (240 - nein). Ist der Gurt korrekt angelegt (240 - ja) so ist es nicht erforderlich ein Gurtwarnsignal auszugeben und das Verfahren verzweigt zurück zum Prozess 205 für einen erneuten Durchlauf. Andernfalls (240 - nein, wird im Prozess 240 ein Gurtwarnsignal ausgegeben, welches insbesondere ein akustisches, optisches und/oder haptisches Signal, insbesondere an einen Fahrer des Fahrzeugs 100, sein kann. Ein haptisches Signal kann insbesondere über das Lenkrad, insbesondere als Rütteln, dem Fahrer mitgeteilt werden. Danach kehrt das Verfahren 200 für einen erneuten Durchlauf zum Prozess 205 zurück.

Ergibt sich dagegen auf Basis der Abfrage 220, dass das Verfahren 200 als Verfahren zum Trainieren weiterzuführen ist (220 - ja), so wird ein Prozess 221 ausgeführt, bei dem alle Merkmalsvektoren für die verschiedenen Cluster bzw. Sitze aus einer Mehrzahl von vorausgehenden Verfahrensdurchläufen der Prozessfolge 205-215 auf Basis verschiedener Radarpunktwolken zusammengefasst werden. Dabei wird jeder der Radarpunktwolken Radarpunktwolke bzw. ihren jeweiligen daraus abgeleiteten Clustern je Sitz ein jeweils korrektes Sitzplatzbelegungsergebnis zugeordnet. So ergibt sich durch entsprechende Aufteilung der so gewonnenen Daten ein Satz aus Trainingsdaten TS und Validierungsdaten VS auf deren Basis in einem weiteren Prozess 222 ein geeignetes Maschine-Learning-Modell trainiert wird. Bei Modell kann es sich insbesondere um ein entscheidungsbaumbasiertes Maschine-Learning-Modell handeln oder um ein künstliches neuronales Netz. Wenn das Modell auf Basis der T rainingsdaten TS trainiert ist, kann es auf Basis der Validierungsdaten VS, die nicht zum Training herangezogen wurden, validiert werden und im Rahmen dieser Validierung kann eine finale Festlegung des Modells MD erfolgen, wozu insbesondere eine Auswahl der für das Modell zu verwendenden Merkmale getroffen wird. Das so festgelegte Modell kann dann im Prozess 235 verwendet werden, um wie bereits vorausgehen beschrieben, einen Sitzbelegungszustand der Sitzplatzanordnung 105, im Falle der Verwendung einer Clusterung auch sitzplatzindividuell, zu bestimmen.

Ein sehr einfaches Beispiel für die Struktur der Trainingsdaten TS und der Validierungsdaten VS ist in der Tabelle aus Fig. 4 illustriert, wobei hier jede Hauptzeile, der ein Sitzbelegungszustand zugeordnet ist, zu einer Radarpunktwolke aus einer Abfolge mehrerer zu verschiedenen Zeitpunkten gemessenen Radarpunktwolken korrespondiert.

Für die Sitzbelegungszustände wird hier eine Klassifizierung mit vier Klassen, d.h. möglichen Ergebnissen, 1 , 2, 3 und 4 verwendet. Zum Zwecke der einfachen Darstellung sind in Fig. 4 nur drei verschiedene Merkmale A, B und C definiert, in der Praxis werden es in der Regel mehr Merkmale sein. Jedem Merkmal ist die Radarpunktwolke der jeweilige im Prozess 215 bestimmte Wert zugeordnet. Beispielsweise wurden für die erste Radarpunktwolke für das Merkmal A der Wert 4,2, für das Merkmal B der Wert 3,2 und für das Merkmal C der Wert 6,1 bestimmt und darauf beruhend der Sitzbelegungszustand der Klasse 1 zugeordnet. Entsprechend wurde auf Basis anderer Werte für die Merkmale A, BC der zweiten Radarpunktwolke der Abfolge der Sitzbelegungszustand der Klasse 3 zugeordnet.

Unter Bezugnahme auf Fig. 5 wird nun anhand eines Pseudocodes 500 eine erste Ausführungsform eines Verfahrens zum Trainieren 222 im Rahmen des Verfahrens 200 zum Trainieren eines ML-Modells für ein Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung 105 mit zumindest einem Sitzplatz erläutert.

Als Eingangsdaten für das Verfahren zum Trainieren dienen insbesondere die Trainingsdaten TS. Das Trainieren dient dazu, ein trainiertes ML-Modell MD zu erhalten, das konfiguriert ist, auf Basis von jeweiligen Werten verschiedener Merkmale einer mittels einer tatsächlichen oder simulierten Radarabtastung eines die Sitzplatzanordnung umgebenden Raumbereichs gewonnenen Radarpunktwolke 300 (Daten PC) einen Sitzbelegungszustand der Sitzplatzanordnung 105 kennzeichnendes Ergebnis zu erhalten.

Bei dem Training geht es insbesondere auch darum, aus einer Gesamtmenge G von verfügbaren Merkmalen, die im Rahmen des Trainings in dem Merkmalsvektor FV repräsentiert werden, eine möglichst optimale Teilmenge T von Merkmalen auszuwählen, sodass bei der Verwendung des trainierten Modells MD im Rahmen des Erkennungsverfahrens im Verfahren 200 aufgrund der reduzierten Merkmalsanzahl ein einerseits sehr effizienter und Rechenresourcen schonender Verfahrensablauf verwendet werden kann, anderseits aber dennoch eine hohe Qualität und Zuverlässigkeit des Ergebnisses erreicht werden kann, weil die Merkmalsauswahl (auch) dahingehend optimiert ist. Das Anpassen des ML-Modells MD erfolgt daher auf solche Art, dass es im Hinblick auf seine Abhängigkeit von Merkmalen der Gesamtmenge G nach der Anpassung ausschließlich auf den ausgewählten M Merkmalen der Teilmenge T beruht.

Das Auswählen der Teilmenge T von M Merkmalen erfolgt aus der Gesamtmenge G, wobei M < N gilt und das Auswählen auf Basis der in den Trainingsdaten TS repräsentierten jeweiligen Werte der N Merkmale der Gesamtmenge G erfolgt. Im Pseudocode 500 in Fig. 5 entspricht G der ursprünglichen Menge aller verfügbaren Merkmale, mit der die Menge Kandidaten anfangs initialisiert wird.

Im Verfahren nach Fig. 5 erfolgt das Auswählen der Teilmenge T von Merkmalen aus der Gesamtmenge G iterativ in mehreren verschachtelten Schleifen. Je Iterationsdurchgang :

(a) wird ausgehend von einer Startmenge, die eine vorbestimmte Vorauswahl von K der N Merkmale der Gesamtmenge G mit 0 < K < M enthält, jedes der anderen N-K Merkmale der Gesamtmenge G einzeln jeweils als Kandidatenmerkmal der Startmenge zunächst temporär zugeordnet, um so eine Prüfmenge P „temporäre_Merkmale“) mit K+1 Merkmalen zu bilden. In Fig. 5 ist K=0 gewählt und die Startmenge somit eine leere Menge (Ausgewählte Merkmale = { });

(b) erfolgt ein Trainieren des ML-Modells MD mit durch die Trainingsdaten TS je T rainingsdatensatz („/“) gegebenen Werten für die K+1 Merkmale der Prüfmenge P und den zugehörigen Sitzbelegungszustand; In Fig. 5 dient der Zähler / als Index für n verschiedene Untermengen aus der Menge der in den T rainingsdaten TS repräsentierten Trainingsdatensätze. So lassen sich verschiedene, mit / indizierte Varianten des ML-Modells Modell i) erzeugen, die sich obwohl ihrerer Art nach gleich (z.B. gleicher Entscheidungsbaum-Algorithmus) unterscheiden können und in der Regel werden, weil sie durch unterschiedliche Gruppen von Trainingsdatensätzen trainiert wurden; Die verschiedenen Varianten bzw. Modelle / bilden somit zusammen ein Ensemble aus verschiedenen Modellen. (c) wird das jeweilige so trainierte ML-Modell zum aktuellen Index / auf Basis von ihrer Art nach den T rainingsdaten TS entsprechenden aber von diesen zumindest teilweise verschiedenen Validierungsdaten VS validiert und dabei mittels zumindest eines vorbestimmten Scores bewertet;

(d) wird in Abhängigkeit von den jeweiligen Scores der verschiedenen Kandidatenmerkmale der im Rahmen der Iteration (d.h. in Fig. 5 im Rahmen der beiden verschachtelten For-Schleifen) aufgetretenen Prüfmengen P („temporäre_Merkmale“) eines der Kandidatenmerkmale als Auswahlkandidat {„ausgewählter Kandidat“) bestimmt. In Fig. 5 ist dies derjenige Kandidat mit dem höchsten, über die Menge der n Modelle ermittelnden Mittelwert p .

(e) wird für den Auswahlkandidat anhand seines Scores geprüft, ob er ein in Bezug darauf definiertes Aufnahmekriterium erfüllt (in Fig. 5: /7-Abfrage); Hier ist das Aufnahmekriterium mittels eines Konfidenzintervalls (zum Wert 95%) definiert.

(f) wird, wenn das Aufnahmekriterium erfüllt wird, der Auswahlkandidat als neues Element in die Teilmenge T („Ausgewählte Merkmale“) aufgenommen und eine neue Iteration beginnt ohne Berücksichtigung des nunmehr ausgewählten Auswahlkandidats als Kandidatenmerkmal. Andernfalls wird die Iteration und damit die Definition der Teilmenge T abgeschlossen;

Die Startmenge für den ersten Iterationsvorgang wird wie schon erwähnt vorab festgelegt (Ausgewählte_Merkmale = { }) während die jeweiligen Startmenge jedes nachfolgenden Iterationsdurchgangs durch die Startmenge des ihm unmittelbar vorausgehenden Iterationsdurchgangs zuzüglich dessen Auswahlkandidat bestimmt wird.

Unter Bezugnahme auf Fig. 6 wird nun anhand eines Flussdiagramms eine zweite Ausführungsform 600 des Verfahrens zum Trainieren 222 im Rahmen des Verfahrens 200 zum Trainieren eines ML-Modells für ein Erkennen eines Sitzbelegungszustands einer Sitzplatzanordnung 105 mit zumindest einem Sitzplatz erläutert.

Dabei weist das Auswählen der Merkmale der Teilmenge T aus der Gesamtmenge G ein Gruppieren 605 von Merkmalen der Gesamtmenge G in verschiedene Gruppen auf, das so erfolgt, dass die Merkmale jeder Gruppe untereinander in Bezug auf die T rainingsdaten TS und ein bestimmtes Korrelationsmaß miteinander korreliert sind. Dies kann insbesondere auf Basis eines auf Dichte-verbundenheit definierte Korrelationsmaßes erfolgen, etwa anhand des DBSCAN (Density-Based Spatial Clustering of Applications with Noise), Algorithmus zur Clusteranalyse. Es wird dann je gebildeter Gruppe in einem Auswahlprozess 610 nur ein Merkmal als Repräsentant der Gruppe ausgewählt, wobei die Teilmenge T nur aus Repräsentanten gebildet wird. So lassen sich insbesondere Redundanzen verringern oder gar vermeiden, also das Auftreten verschiedener Merkmale, die im Wesentlichen die gleiche(n) Eigenschaft(en) der Radarpunktwolke charakterisieren. Beispielsweise könnten auf verschiedene Koordinatensysteme bezogene Koordinaten von Radarpunkten (z.b. Fahrzeug- Koordinatensystem vs. sitzbezogenes Koordinatensystem) als zueinander redundant erkannt werden.

Nun wird in einem weiteren Prozess 615 ein Ensemble verschiedener gleichartiger einzelner ML-Modelle auf Basis von aus den Trainingsdaten extrahierten, nur Repräsentanten als Merkmale aufweisenden Trainingsvektoren trainiert. Dabei unterscheidet sich das Trainieren der einzelnen ML-Modelle darin, dass für zumindest zwei der einzelnen ML-Modelle jeweils eine Untermenge der Trainingsdaten eingesetzt wird und sich die Untermengen voneinander unterscheiden. Die Modelle unterscheiden sich also wieder dadurch, dass sie auf Basis verschiedener Trainingsdaten definiert wurden. Speziell im Fall von Entscheidungsbaum-basierten ML-Modellen sind diese zwar ihrer Art nach gleich (entscheidungsbaumbasiert), aber die konkreten Entscheidungsbäume können sich unterscheiden, weil verschiedene Trainingsdaten zu einem unterschiedlichen „Baumwuchs“ führen können und in der Regel werden.

Das Trainieren der jeweiligen Modelle kann dabei unter Nutzung einer Gewichtung so erfolgen, dass eine Gewichtung im Modell aufgenommenen Merkmale dahingehend erfolgt, dass im Rahmen des Trainings der einzelnen ML-Modelle insgesamt jede erstmalige Aufnahme eines bislang von keinem der einzelnen ML-Modelle aufgenommenen Merkmals in eines dieser ML-Modelle mit einer eine solche Aufnahme gegenüber einer Aufnahme eines bereits verwendeten Merkmals erschwerenden Gewichtung verknüpft wird. So wird eine erstmalige Aufnahme eines neuen, bislang insgesamt noch nicht benutzten Merkmals anhand der Gewichtung „bestraft“, so dass eine Mehrfachnutzung von Merkmalen gegenüber einer Einführung neuer Merkmale und somit eine möglichst geringe Modellkomplexität gefördert wird.

Nach dem Trainieren der einzelnen ML-Modelle im Rahmen im Prozess 615 kann zur Bestimmung eines finalen ML-Modells MD insbesondere eine Merkmalsauswahl 620 dahingehend erfolgen, welche der Repräsentanten als Merkmal in das finale ML-Modells MD übernommen werden. Dies kann insbesondere so erfolgen, dass nur solche der Repräsentanten in die Teilmenge T aufgenommen 625 werden, die in mehr als x% der einzelnen ML-Modelle als Merkmal aufgenommen wurden, wobei x ein fester oder variabel einstellbarer Parameter mit 30 < x < 70 ist, z.B. x = 50. Die Merkmale, die dieses Kriterium nicht erfüllen, werden dagegen nicht in das finale Modell aufgenommen, sondern aufgegeben 630.

Das Trainieren des ML-Modells kann, insbesondere bei jeder der beiden vorgenannten speziellen Ausführungsformen 500 und 600, des Weiteren ein Trainieren des bereits angepassten ML-Modells auf Basis der Trainingsdaten bezüglich der ausgewählten M Merkmale der Teilmenge T umfassen. Das heißt z.B., dass wenn das Modell bereits per Fig. 5 trainiert ist, wobei die Teilmenge T festgelegt wird, ein weiteres Training des Modells dahingehend erfolgt, dass nur noch Trainings- und ggf. Validierungsdaten eingespeist werden, die sich ausschließlich auf die bereits vorausgewählten Merkmale der Teilmenge T beziehen. Damit kann die Qualität des Trainierens noch weiter erhöht werden, weil die inzwischen im Rahmen der Merkmalsauswahl aussortierten Merkmale, die somit für das trainierte und im Erkennungsverfahren nachfolgend zu verwendende ML-Modell MD nicht mehr gebraucht werden, keinen Einfluss mehr haben.

Während vorausgehend wenigstens eine beispielhafte Ausführungsform beschrieben wurde, ist zu bemerken, dass eine große Anzahl von Variationen dazu existiert. Es ist dabei auch zu beachten, dass die beschriebenen beispielhaften Ausführungsformen nur nichtlimitierende Beispiele darstellen, und es nicht beabsichtigt ist, dadurch den Umfang, die Anwendbarkeit oder die Konfiguration der hier beschriebenen Vorrichtungen und Verfahren zu beschränken. Vielmehr wird die vorausgehende Beschreibung dem Fachmann eine Anleitung zur Implementierung mindestens einer beispielhaften Ausführungsform liefern, wobei sich versteht, dass verschiedene Änderungen in der Funktionsweise und der Anordnung der in einer beispielhaften Ausführungsform beschriebenen Elemente vorgenommen werden können, ohne dass dabei von dem in den angehängten Ansprüchen jeweils festgelegten Gegenstand sowie seinen rechtlichen Äquivalenten abgewichen wird. BEZUGSZEICHENLISTE

B Baby in Babyschale

CL Clusterdaten

FV Merkmalsvektor

MD Machine-Learning (ML)-Modell

PC Messdaten, repräsentieren Radarpunktwolke(n)

TS Trainingsdaten

VS Validierungsdaten

100 Fahrzeug

105 Sitzplatzanordnung

105a-e Sitze bzw. Sitzplätze

110 Radarsensor

110a Beobachtungsfeld des Radarsensors 110

115 System zum automatisierten Erkennen eine Sitzbelegungszustands

115a Datenverarbeitungseinheit

115b Speicher

200 Verfahren zum automatisierten Erkennen eines Sitzbelegungszustands

205-240 einzelne Prozesse oder Verfahrensschritte im Rahmen des Verfahrens 200

300 Radarpunktwolke

310 statische Radarpunkte

315 dynamische Radarpunkte

320 Bereiche der Radarpunktwolke 300 mit hoher Radarpunktdichte

325a-e Raumbereiche zur Clusterdefinition

400 Tabelle mit Trainingsdaten

500 Pseudocode für erste Ausführungsform des Verfahrens zum Trainieren

600 zweite Ausführungsform des Verfahrens zum Trainieren

605-630 einzelne Prozesse oder Verfahrensschritte im Rahmen des Verfahrens 600