202107831 1 Beschreibung Verfahren zum Ermitteln einer Parklücke mithilfe eines faltenden neuronalen Netzes Die Erfindung betrifft ein Verfahren zum Ermitteln einer wenigstens eine Parklücke beschreibenden Parkinformation mit einer Sensoreinrichtung eines Fahrzeugs, wobei die Sensoreinrichtung wenigstens einen Umfeldsensor und eine Recheneinrichtung aufweist. Weiterhin betrifft die Erfindung ein Verfahren zum Trainieren eines faltenden neuronalen Netzes, eine Sensoreinrichtung, ein Fahrzeug, ein Computerprogrammprodukt und ein computerlesbares Speichermedium. Moderne Fahrzeuge können mittels Umfeldsensoren Informationen über verschiedene Objekte im Umfeld des Fahrzeugs gewinnen. Diese Objekte können zum Beispiel andere Verkehrsteilnehmer wie sich bewegende oder stationäre Fremdfahrzeuge oder unbewegliche Strukturen wie Bordsteine, Mauern, Markierungen oder dergleichen sein. Die auf diese Weise gewonnenen Information können zur Bereitstellung unterschiedlicher Fahrerassistenzfunktionen herangezogen werden. Beispielsweise können aus einer auf solchen Objektinformationen basierenden Umfeldbeschreibung weitere Informationen hinsichtlich zur Verfügung stehender Parklücken im Umfeld des Fahrzeugs abgeleitet werden. Dazu werden in der Regel Algorithmen verwendet, welche aus den im Umfeld erkannten Objekten und/oder ihrer Anordnung gemäß festgelegter Regeln und Abhängigkeiten freie Parklücken ermitteln. Die Regeln werden dabei beispielsweise durch Suchtabellen und/oder durch einzelne Fallabfragen bzw. if-Bedingungen festgelegt. Dieses Vorgehen hat den Nachteil, dass das Erstellen und Überprüfen dieser vergleichsweise komplexen und umfangreichen Regeln zeitaufwändig ist und dass grundsätzlich die Parklückenerkennung auf die durch die Regeln abgefragten Szenarien beschränkt ist. Weiterhin sind auch eine Weiterentwicklung der Regeln sowie deren Anpassung an unterschiedliche Fahrzeuge und/oder unterschiedliche Anforderungen an die Parklückenermittlung nur mit großem Aufwand umzusetzen. 202107831 2 Aus anderen Bereichen der Technik sind zur maschinellen Auswertung von Bilddaten bzw. zum computerbasierten Sehen sogenannte Deep-Learning- Methoden, welche eine Auswertung der Bilddaten mittels künstlicher Intelligenz vorsehen, bekannt. Ein Beispiel für eine solche Methode ist die im Artikel von Redmon, Joseph, et al. "You only look once: Unified, real-time object detection." Proceedings of the IEEE conference on computer vision and pattern recognition (2016) beschriebene „You- Only-Look-Once-Methode“ (auch als YOLO-Methode bezeichnet), welche durch Verwendung eines Rasters in einem einzelnen neuronalen Netz die simultane Klassifizierung und Lokalisierung von Objekten in Bildern ermöglicht. Das neuronale Netz ermittelt dabei den Objekten zugeordnete Klassenwahrscheinlichkeiten sowie die Objekte in dem Bild einfassende, das Objekt lokalisierende Rahmen. Die Rahmen umgeben dabei jeweils ein einzelnes klassifiziertes Objekt, wobei die Kanten der Rahmen jeweils parallel zu den Kanten des rechteckigen, ausgewerteten Bildes verlaufen. Der Erfindung liegt die Aufgabe zugrunde, ein verbessertes Verfahren zum Ermitteln einer Parklücke anzugeben, welches insbesondere eine verbesserte Anpassbarkeit der Parklückenerkennung an unterschiedliche Anforderungen sowie eine verbesserte Präzision bei der Parklückenerkennung ermöglicht. Diese Aufgabe wird erfindungsgemäß durch ein Verfahren der eingangs genannten Art gelöst, wobei das Verfahren die folgenden Schritte umfasst: ^ Erfassen von ein Umfeld des Fahrzeugs beschreibenden Messdaten mit dem wenigstens einen Umfeldsensor, wobei die Messdaten einem oder mehreren Objekten im Umfeld des Fahrzeugs zugeordnet sind, ^ Erstellen wenigstens einer das Umfeld des Fahrzeugs beschreibenden Umfeldkarte aus den Messdaten, wobei die Messdaten in der Umfeldkarte räumlich in Bezug zu dem Fahrzeug angegeben sind, ^ Auswerten der wenigstens einen Umfeldkarte durch die Recheneinrichtung, wobei die Umfeldkarte einem faltenden neuronalen Netzwerk zugeführt wird, wobei das neuronale Netzwerk aus der Umfeldkarte im Umfeld des Fahrzeugs vorhandene Parklücken klassifiziert und lokalisiert, wobei das 202107831 3 neuronale Netz mittels Regression jeweils die relative Anordnung der Parklücken zu dem Fahrzeug ermittelt, und ^ Erzeugen der Parkinformation aus den klassifizierten und lokalisierten Parklücken sowie ihrer relativen Anordnung. Das erfindungsgemäße Verfahren geht aus von Messdaten, welche mit einem oder mehreren Umfeldsensoren eines Fahrzeugs ermittelt werden. Die Messdaten beschreiben dabei Objekte im Umfeld des Fahrzeugs. Bei den Objekten kann es sich insbesondere um Fremdfahrzeuge, Infrastrukturobjekte, Gebäude oder Bauwerke sowie um Fahrbahn- und/oder Parkplatzmarkierungen handeln. Insbesondere beschreiben die Messdaten Objekte, welche im Allgemeinen Parklücken begrenzen können. Die Messdaten können mittels einem oder mehrerer unterschiedlicher Typen von Umfeldsensoren erfasst werden. Die Messdaten können abhängig vom Typ des Umfeldsensors zum Beispiel Messpunkte sein, welchen eine Entfernung zum Fahrzeug zugeordnet ist. Derartige Messpunkte können beispielsweise mittels Ultraschallsensoren, Radarsensoren oder Lidar-Sensoren erzeugt werden. Bei einem als Kamera ausgebildeten Sensor können die Messdaten als Objekt zum Beispiel eine Fahrbahn- oder Parkplatzmarkierung sowie deren Abstand bzw. Anordnung relativ zum Fahrzeug beschreiben. Aus den erfassten Messdaten, welche insbesondere das aktuelle Umfeld des Fahrzeugs beschreiben, wird anschließend eine Umfeldkarte erstellt. Dazu werden die Messdaten räumlich in Bezug zu dem Fahrzeug angegeben, beispielsweise in einer rechteckigen Karte, in der das Fahrzeug im Zentrum liegt. Die Messdaten können dabei zum Beispiel in einer zweidimensionalen Karte, welche die sich entlang der Fahrzeuglängsrichtung und der Fahrzeugquerrichtung erstreckende Ebene abbildet, eingetragen werden. Die Umfeldkarte kann zum Beispiel als eine Belegungskarte (engl. occupancy map) erzeugt werden. Die Umfeldkarte kann dabei bevorzugt ein räumliches Raster aufweisen, in welches die Messdaten eingetragen werden bzw. welchem die Messdaten zugeordnet werden. 202107831 4 Auf diese Weise kann das durch die Messdaten beschriebene Umfeld des Fahrzeugs in der Umfeldkarte abgebildet werden. Die Erfindung beruht auf der Erkenntnis, dass eine solche Umfeldkarte als ein Bild aufgefasst werden kann bzw. dass für die Bildauswertung verwendete Deep- Learning-Methoden auch auf eine derartige Umfeldkarte anwendbar sein können. Entsprechend wird erfindungsgemäß zur Auswertung der Umfeldkarte ein faltendes neuronales Netz (convolutional neural network, CNN) verwendet. Dieses ist bevorzugt in der Recheneinrichtung der Sensoreinrichtung hinterlegt, sodass ihm die Umfeldkarte als Eingangsdaten zugeführt werden kann. Mithilfe des neuronalen Netzes erfolgt eine Auswertung der Umfeldkarte hinsichtlich in der Umgebung des Fahrzeugs vorhandener Parklücken bzw. in der Umgebung des Fahrzeugs vorhandener, freier Parkplätze. Dazu klassifiziert und lokalisiert das neuronale Netzwerk auf Grundlage der Umfeldkarte Parklücken in der Umgebung des Fahrzeugs. Insbesondere wird zur Auswertung nur ein einzelnes faltendes neuronales Netz verwendet, welches sowohl die Klassifizierung als auch die Lokalisierung der Parklücken durchführt. Mit anderen Worten wird durch das neuronale Netzwerk ein an die YOLO-Methode angelehntes Bildauswerteverfahren an der Umfeldkarte durchgeführt. Es ist möglich, dass dem faltenden neuronalen Netz ein weiteres neuronales Netz zur Auswertung der von dem faltenden neuronalen Netz ermittelten Ausgangsdaten nachgeschaltet ist. Zusätzlich dazu ermittelt das neuronale Netz mittels Regression jeweils auch die relative Anordnung der Parklücken zu dem Fahrzeug. Mit anderen Worten wird im Vergleich zu der eingangs beschriebenen, klassischen YOLO-Methode die Lokalisierung einer erkannten Parklücke nicht nur durch das Einfügen eines die Parklücke einfassenden, stets entlang der Bildkanten ausgerichteten rechteckigen Rahmens angegeben, sondern es erfolgt stattdessen eine genaue Ermittlung der relativen Position bzw. der relativen Lage sowie der relativen Orientierung der Parklücke zu dem Fahrzeug. Bei einer beispielsweise rechteckigen Parklücke kann somit zum Beispiel ein Winkel ermittelt werden, um den die Parklücke 202107831 5 gegenüber dem Fahrzeug gedreht ist. Vorteilhaft kann die Lokalisierung der Parklücke somit unter Berücksichtigung für einen insbesondere assistierten oder zumindest teilautomatisierten Einparkvorgang erforderlicher Informationen erfolgen. Die Klassifizierung der Parklücken kann insbesondere unter Zuordnung einer Klassifizierungswahrscheinlichkeit zu unterschiedlichen Teilabschnitten der Umfeldkarte erfolgen. In anderen Worten kann die Klassifizierung durch Angabe jeweils einer Klassifizierungswahrscheinlichkeit zu unterschiedlichen Teilbereichen der Umfeldkarte erfolgen, wobei die Klassifizierungswahrscheinlichkeit angibt, mit welcher Wahrscheinlichkeit es sich bei dem Teilabschnitt um eine Parklücke, d.h. einen freien Parkplatz für das Fahrzeug, handelt. Aus den von dem neuronalen Netz klassifizierten Parklücken und ihrer relativen Anordnung wird anschließend eine Parkinformation gebildet. Beispielsweise kann die Parkinformation dabei wenigstens die Parklücken enthalten, deren Klassifizierungswahrscheinlichkeit über einem vorgegebenen Grenzwert liegt, wobei zu diesen Parklücken jeweils auch die relative Anordnung zum Fahrzeug angegeben wird. Die Parkinformation kann anschließend dazu verwendet werden, um einen Aktor des Fahrzeugs und/oder eine Anzeigevorrichtung des Fahrzeugs anzusteuern. Bei dem Aktor des Fahrzeugs kann es sich zum Beispiel um einen zur Querführung und/oder zur Längsführung ausgebildeten Aktor des Fahrzeugs handeln. Der wenigstens eine Aktor kann beispielsweise ein Antriebsmotor des Fahrzeugs und/oder ein Lenkantrieb des Fahrzeugs sein. In Abhängigkeit der Parkinformation kann beispielsweise eine automatisierte oder teilautomatisierte Steuerung eines Einparkvorgangs des Fahrzeugs erfolgen, insbesondere durch Ansteuerung wenigstens eines Aktors des Fahrzeugs. Das Fahrzeug kann sich bei dem Einparkvorgang vorwärts und/oder rückwärts bewegen, zwischen und/oder während diesen Bewegungen Lenkwinkeländerungen eines eingestellten Lenkwinkels vornehmen und 202107831 6 insbesondere auch mehrere Bewegungen bzw. Züge in unterschiedliche Richtungen ausführen. Der Einparkvorgang kann dabei insbesondere derart ausgeführt werden, dass das Fahrzeug in wenigstens einer durch die Parkinformation beschriebenen Parklücke positioniert wird. Zusätzlich oder alternativ zu dem Aktor kann auch wenigstens eine Anzeigevorrichtung des Fahrzeugs angesteuert werden, sodass beispielsweise einem Fahrer des Fahrzeugs die im Umfeld des Fahrzeugs ermittelten Parklücken, beispielsweise durch eine entsprechende bildliche Darstellung, kenntlich gemacht werden können. Die Anzeigevorrichtung kann dabei beispielsweise ein in einem Innenraum des Fahrzeugs angeordnetes Display, ein Heads-Up-Display, ein virtueller Seitenspiegel und/oder Ähnliches sein. Die Darstellung auf der Anzeigevorrichtung kann beispielsweise dazu verwendet werden, um dem Fahrer die Auswahl einer von mehreren ermittelten Parklücken als Zielort eines Einparkvorgangs zu ermöglichen. Zusätzlich oder alternativ dazu können Hilfsmittel wie virtuelle Linien und Markierungen für eine Bewegung des Fahrzeugs in eine ermittelte und/oder ausgewählte Parklücke auf der Anzeigevorrichtung angezeigt werden, die es dem Fahrer ermöglichen, eine Bewegung des Fahrzeugs in diese Parklücke zu steuern. Bei dem Fahrzeug kann es sich beispielsweise um ein Kraftfahrzeug wie einen Personenkraftwagen oder einen Lastkraftwagen handeln. Weiterhin kann das Fahrzeug auch ein Fahrzeuggespann sein, welches beispielsweise ein Zugfahrzeug sowie einen oder mehrere Anhänger aufweist. Alternativ kann das Verfahren auch bei weiteren Typen von Fahrzeugen eingesetzt werden. Die Sensoreinrichtung des Fahrzeugs kann eine oder mehrere Umfeldsensoren aufweisen. Die Umfeldsensoren sind dabei am Fahrzeug angeordnet, sodass sie die unmittelbare Umgebung des Fahrzeugs erfassen können. Die Sensoreinrichtung umfasst weiterhin eine Recheneinrichtung, welche Teil des Fahrzeugs sein kann. Alternativ ist es möglich, dass die Rechenrichtung eine fahrzeugexterne Rechenrichtung ist, welche beispielsweise mit dem wenigstens einen Umfeldsensor über eine insbesondere drahtlose 202107831 7 Kommunikationsverbindung kommuniziert. Eine von einer fahrzeugexternen Recheneinrichtung ermittelte Parkinformation kann über die Kommunikationsverbindung auch wieder an das Fahrzeug übermittelt werden, sodass die vorangehend beschriebene Ansteuerung des Aktors und/oder der Anzeigevorrichtung des Fahrzeugs in Abhängigkeit der Parkinformation erfolgen kann. Das Erstellen der Umfeldkarte aus den Messdaten des wenigstens einen Umfeldsensors kann ebenfalls durch die Recheneinrichtung erfolgen. Alternativ kann dieser Schritt auch von einer weiteren Recheneinrichtung des Fahrzeugs und/oder einer weiteren, fahrzeugexternen Recheneinrichtung vorgenommen werden, wobei die weitere Recheneinrichtung die Umfeldkarte an die Recheneinrichtung übermittelt. Das zur Auswertung der Umfeldkarte verwendete neuronale Netz ist ein faltendes neuronales Netz (convolutional neural network, CNN), welches in der Recheneinrichtung bzw. einer Speichereinheit der Recheneinrichtung hinterlegt ist. Die Auswertung der Umfeldkarte erfolgt also mittels künstlicher Intelligenz bzw. mittels einer Deep-Learning-Methode. Das faltende neuronale Netz ist dazu eingerichtet bzw. dazu trainiert, aus der Umfeldkarte im Umfeld des Fahrzeugs vorhandene Parklücken zu klassifizieren und zu lokalisieren und mittels Regression jeweils die relative Anordnung der Parklücken zu dem Fahrzeug zu ermitteln. Auf diese Weise kann die Parklückenermittlung auf Grundlage der Umfeldkarte mittels einem durch maschinelles Lernen anpassbaren und verbesserbaren Vorgang erfolgen. Dies ermöglicht es, die Parklückenermittlung durch entsprechendes Trainieren des neuronalen Netzes flexibel an unterschiedliche Szenarien anzupassen. Vorteilhaft wird so eine einfach umsetzbare Anpassungsmöglichkeit der Parklückenermittlung erreicht. Im Sinne der Erfindung bezeichnet der Begriff "maschinelles Lernen" (ML) die Verwendung von Algorithmen zur Analyse von Trainingsdaten, zum Lernen aus diesen Trainingsdaten und zur anschließenden Bestimmung oder Vorhersage einer zunächst unbekannten Eigenschaft von auszuwertenden Eingangsdaten. In 202107831 8 diesem Zusammenhang können sowohl kontrolliertes Lernen als auch unkontrolliertes Lernen eingesetzt werden. Unter anderem kann die Kennzeichnungsstrategie oder die Kennzeichnung von Trainingsdaten für deren Analyse von entscheidender Bedeutung sein. Der Begriff "deep learning" (DL) im Sinne der Erfindung umfasst eine Kaskade aus mehreren Schichten nichtlinearer Verarbeitungseinheiten (meist künstliche neuronale Netze) zur Extraktion und Transformation von Merkmalen (oder zur Extraktion und Transformation von Parametern). Der Begriff "künstliches neuronales Netz" (ANN) oder "faltendes neuronales Netz" (CNN) umfasst Netze künstlicher Neuronen, die abstrakt wie in einem Nervensystem eines Lebewesens in Bezug auf die Informationsverarbeitung miteinander verbunden sind. Die Neuronen können als Knoten und deren Verbindungen als Kanten in einem Diagramm dargestellt werden. Die hinterste (Knoten-)Ebene des Netzwerks wird als Ausgabeschicht bezeichnet und die "unsichtbaren" (Knoten-)Ebenen, die sich vorne befinden, werden als versteckte Ebenen bezeichnet. Derartige künstliche neuronale Netze können vom Aufbau einschichtig (eine Ausgabeschicht), zweischichtig (eine Ausgabeschicht und eine verdeckte Schicht zur Verbesserung der Abstraktion) oder mehr-schichtig (mindestens eine Ausgabeschicht sowie mehrere verdeckte Schichten zur Verbesserung der Abstraktion) sein. Zudem können diese in Hinblick auf ihre Datenübertragung vorwärtsgerichtet (feedforward) und/oder mit rückwärtsgerichteten Kanten (rekurrente Verbindungen) ausgestaltet sein (Rückkopplung; Feedbacknetz). Im Sinne der Erfindung bezeichnet der Begriff "computerimplementiertes Verfahren" einen Ablaufplan, der auf der Grundlage eines Datenprozessors realisiert und durchgeführt werden kann. Der Datenprozessor, z.B. ein Computer, ein Computernetzwerk oder ein anderes programmierbares Gerät, kann Daten mittels programmierbarer Berechnungsregeln verarbeiten. In Bezug auf die Methode können wesentliche Eigenschaften realisiert werden, z.B. durch ein neues Programm, neue Programme, Algorithmen oder Ähnliches. 202107831 9 Erfindungsgemäß kann vorgesehen sein, dass die Umfeldkarte ein Kartenraster enthält und die Messdaten den Zellen des Kartenrasters zugeordnet werden, wobei für jede Zelle die Anzahl von der Zelle zugeordneten Messpunkten der Messdaten, die Höhe eines von den der Zelle zugeordneten Messdaten beschriebenen Objekts, der Typ eines von den der Zelle zugeordneten Messdaten beschriebenen Objekts und/oder wenigstens eine Signaleigenschaft von der Zelle zugeordneten Messdaten angegeben wird. Beispielsweise können bei Messdaten, welche von einem Sensortyp stammen, der reflektierte Echos von ausgesendeten Signalen auswertet, als Signaleigenschaften jeweils die Anzahl der von einem Objekt aus der Zelle reflektierten Echos gespeichert werden. Bei einem Sensor dieses Typs kann es sich zum Beispiel um einen Ultraschallsensor, einen Radarsensor oder einen Lidarsensor handeln. Die Echos können dabei insbesondere jeweils einen Messpunkt darstellen. Ferner ist es möglich, dass aus den Echos bzw. Messpunkten von derartigen Sensoren auch eine Information über die Höhe des Objekts, an dem das Echo reflektiert wurde, bestimmbar ist. Eine diese Höhe des Objekts beschriebene Höheninformation kann für jeden Messpunkt oder über mehrere Messpunkte gemittelt ebenfalls den einzelnen Zellen des Kartenrasters der Umfeldkarte zugeordnet werden. Als Signaleigenschaft kann beispielsweise die Intensität von der Zelle zugeordneten Echos bzw. Messpunkten in der Umfeldkarte hinterlegt werden. Die Intensität kann dabei für die einzelnen Messpunkte oder gemittelt angegeben werden. Je nach Sensortyp können auch weitere Eigenschaften der Messdaten, insbesondere Eigenschaften, welche Rückschlüsse auf einen Objekttyp und/oder eine Detektionsgüte ermöglichen, in der Umfeldkarte eingetragen werden. Weiterhin kann auch der Typ eines durch die Messdaten für die jeweilige Zelle beschriebenen Objekts in der Umfeldkarte angegeben bzw. den einzelnen Zellen zugeordnet werden. Der Typ eines Objekts kann aus den Messdaten, beispielsweise aus über eine Umfeldkamera gewonnenen Messdaten, ermittelt werden. Auf diese Weise können auch Objekte, welche über Ultraschall-, Radar- 202107831 10 oder Lidarsensoren nicht oder nur schlecht erfassbar sind, wie zum Beispiel Fahrbahn- oder Parkplatzmarkierungen, in der Umfeldkarte eingetragen werden. Diese Informationen werden dabei insbesondere denjenigen Zellen zugeordnet, deren Position mit der über die Sensoreinrichtung ermittelten Objektposition entspricht. Insbesondere können Zellen der Umfeldkarte, welche einem nicht von einem Objekt blockiertem Raumabschnitt im Umfeld des Fahrzeugs entsprechen, keine Messdaten zugeordnet werden, sodass diese frei bleiben. Erfindungsgemäß kann vorgesehen sein, dass das neuronale Netz dazu eingerichtet ist, die Umfeldkarte mit einem mehrere Zellen umfassenden Auswertungsraster zu überlagern, wobei jeder Zelle wenigstens ein Rahmen zugewiesen ist, wobei in der Parkinformation für jeden der Rahmen eine Klassifizierung als Parklücke und/oder eine Orientierung einer durch die Messdaten beschriebenen und dem Rahmen zugeordneten Parklücke relativ zu dem Fahrzeug angegeben wird. Der Rahmen, welcher auch als Box bezeichnet werden kann, weist dabei insbesondere eine rechteckige Form auf. Es ist möglich, dass die Rahmen mehrerer Zellen des Auswertungsrasters jeweils bezüglich der Zellen gleich positioniert und/oder ausgerichtet sind. Die Rahmen stellen jeweils Initialannahmen für mögliche Parklücken dar, welchen durch das neuronale Netz jeweils eine Klassifizierungsangabe, zum Beispiel eine Klassifizierungswahrscheinlichkeit, für eine Klassifizierung als Parklücke zugeordnet werden kann. Dies ermöglicht ebenfalls eine zumindest grundlegende Lokalisierung möglicher Parklücken in der Umfeldkarte. Ferner können zumindest für als Parklücken klassifizierte Rahmen weiterhin zusätzliche Eigenschaften, welche die genaue Positionierung und Orientierung der Parklücke und/oder deren jeweilige Breite und Länge beschrieben, mittels Regression durch das neuronale Netzwerk ermittelt werden. In einer bevorzugten Ausgestaltung der Erfindung kann vorgesehen sein, dass ein Auswertungsraster verwendet wird, in dem jeder Zelle mehrere unterschiedlich 202107831 11 positionierte und/oder unterschiedlich orientierte Rahmen zugeordnet sind. Die Rahmen können dabei beispielsweise zwei um 90° gegeneinander verdreht angeordnete, rechteckige Rahmen sein. Dies vereinfacht die Ermittlung der relativen Ausrichtung der Parklücke zum Fahrzeug, da initial von dem Rahmen ausgegangen werden kann, welcher bereits die größere Übereinstimmung mit einer durch die Umfeldkarte beschriebenen Parklücke bzw. die höhere Klassifizierungswahrscheinlichkeit aufweist. Es ist auch möglich, dass jede Zelle des Auswertungsraters mehr als zwei Rahmen enthält und/oder dass diese in einer anderen Weise zueinander orientiert sind. Durch die Rahmen kann die Orientierung der Parklücke ermittelt werden bzw. es können durch mehrere unterschiedlich positionierte und/oder unterschiedlich orientierte Rahmen Lokalisierungs- und/oder Orientierungsparameter ermittelt werden. Je mehr Rahmen dabei herangezogen werden, desto genauer können die Lokalisierung und die Ermittlung der relativen Anordnung der Parklücke in Bezug zu dem Fahrzeug erfolgen. Erfindungsgemäß kann vorgesehen sein, dass die Parkinformation für zumindest einen Teil der klassifizierten Parklücken zusätzlich eine Positionsinformation enthält, wobei die Positionsinformation eine der jeweiligen Parklücke zugeordnete und innerhalb der Parklücke liegende Zielposition für das Fahrzeug beschreibt. Durch die Positionsinformation kann berücksichtigt werden, dass die Parklücke in der Regel größer ist, d.h. mehr Parkfläche bietet, als von dem Fahrzeug nach dem Einparken eingenommen wird. Die Zielposition kann daher insbesondere vollständig innerhalb der Parklücke liegen und dabei beispielsweise zu den Rändern bzw. Kanten der Parklücke einen vorgegebenen Sicherheitsabstand einhalten. Die Zielposition kann zum Beispiel ebenfalls durch ein Rechteck beschrieben werden, welches eine geringere Kantenlänge als die Parklücke aufweist und/oder gegenüber der Parklücke um einen Winkel verdreht ist. Vorteilhaft kann die Positionsinformation ebenfalls mithilfe des faltenden neuronalen Netzes, insbesondere ebenfalls mittels Regression, ermittelt werden. In einer bevorzugten Ausgestaltung der Erfindung kann vorgesehen sein, dass die Klassifizierung der Parklücke eine Klassifizierung als Querparklücke und als 202107831 12 Längsparklücke umfasst. Neben der Auswertung der Umfeldkarte kann auch die Ermittlung der relativen Anordnung einer Parklücke zum Fahrzeug vorteilhaft dazu verwendet werden, um eine Parklücke als Querparklücke und/oder als Längsparklücke zu klassifizieren. Dabei beschreibt eine Längsparklücke eine Parklücke, in die längs zu Fahrtrichtung einer Straße, auf der sich das Fahrzeug befindet, geparkt werden kann. Entsprechend bezeichnet eine Querparklücke, eine Parklücke, in welcher das Fahrzeug quer zu Fahrtrichtung einer Straße, auf der sich das Fahrzeug befindet, geparkt werden kann. Eine Unterscheidung zwischen einer Querparklücke und einer Längsparklücke kann zum Beispiel durch das Bereitstellen zweier rechteckiger und gegeneinander um 90° verdrehter Rahmen im Auswerteraster erfolgen. In einer bevorzugten Ausgestaltung der Erfindung kann vorgesehen sein, dass eine Sensoreinrichtung verwendet wird, welche als wenigstens einen Umfeldsensor wenigstens einen Ultraschallsensor, wenigstens einen Lidarsensor, wenigstens einen Radarsensor und/oder wenigstens eine Umfeldkamera umfasst. Die Sensoreirichtung kann insbesondere mehrere der vorgenannten Sensortypen und/oder Kombinationen der vorgenannten Sensortypen umfassen. Die jeweiligen Messdaten von verschiedenen Sensoren können insbesondere in derselben Umfeldkarte eingetragen bzw. zusammengeführt werden. Weiterhin betrifft die Erfindung ein Verfahren zum Trainieren eines faltenden neuronalen Netzes, umfassend die Schritte: - Bereitstellen wenigstens eines Trainingsdatensatzes umfassend mehrere jeweils das Umfeld des Fahrzeugs beschreibende Trainings-Umfeldkarten aus Trainings-Messdaten, wobei die Trainings-Messdaten in der Trainings- Umfeldkarte räumlich in Bezug zu einem Fahrzeug angegeben sind, - Zuweisen einer wenigstens eine Parklücke in dem Umfeld des Fahrzeugs beschreibenden Grundwahrheit jeder der Trainings-Umfeldkarten, wobei die Grundwahrheit zumindest einen Abschnitt der Trainings-Umfeldkarte als eine Parklücke klassifiziert und lokalisiert, wobei die Grundwahrheit die relative Orientierung der Parklücke zu dem Fahrzeug angibt, 202107831 13 - Überlagern der Trainings-Umfeldkarten jeweils mit einem mehrere Zellen umfassenden Auswertungsraster, wobei jeder Zelle des Auswertungsrasters wenigstens ein Rahmen zugewiesen ist, - Ermitteln des jeweiligen Rahmens mit dem größten Überlapp zu der wenigstens einen, durch die Grundwahrheit beschriebenen Parklücke, und - Optimieren des neuronalen Netzes hinsichtlich einer Übereinstimmung in der relativen Anordnung zwischen dem jeweiligen Rahmen mit dem größten Überlapp und der durch die Grundwahrheit beschriebenen Parklücke. Das erfindungsgemäße Verfahren zum Trainieren eines faltenden neuronalen Netzes kann insbesondere zum Trainieren eines in einem erfindungsgemäßen Verfahren zum Ermitteln einer wenigstens eine Parklücke beschreibenden Parkinformation eingesetzten neuronalen Netz verwendet werden. Durch das Training können die internen Parameter des neuronalen Netzes angepasst werden, sodass dieses für die Auswertung der aus den Messdaten erstellten Umfeldkarten gemäß dem erfindungsgemäßen Verfahren zum Ermitteln einer wenigstens eine Parklücke beschreibenden Parkinformation eingerichtet bzw. ausgebildet werden kann. Das Erstellen der Trainings-Umfeldkarten aus den Trainings-Messdaten erfolgt insbesondere analog zu dem Erstellen der Umfeldkarten aus den Messdaten, so wie es vorangehend beschrieben wurde. Die Trainings-Messdaten sind in den Trainings-Umfeldkarte jeweils in Bezug zu der Position eines Fahrzeugs angegeben. Die Trainings-Messdaten können beispielsweise mittels einer wenigstens einen Umfeldsensor umfassenden Sensoreinrichtung eines Fahrzeugs zu einem früheren Zeitpunkt ermittelt worden sein und anschließend für das Training herangezogen werden. Alternativ können auch auf andere Weise erstellte und/oder berechnete Trainings-Messdaten verwendet werden. Den Trainings-Umfeldkarten wird anschließend jeweils eine Grundwahrheit zugewiesen, wobei die Grundwahrheit eine oder mehrere Parklücken in der Umfeldkarte beschreibt. Zusätzlich gibt die Grundwahrheit auch den Ort für die Lokalisierung der Parklücke sowie die relative Orientierung der Parklücke zu dem 202107831 14 in der Umfeldkarte beschriebenen Fahrzeug an. Die Grundwahrheit stellt dabei das Ergebnis dar, auf das die Auswertung des neuronalen Netzes beim Training hin optimiert wird. Die Trainings-Umfeldkarten werden anschließend während des Trainings jeweils mit einem mehrere Zellen umfassenden Auswerteraster, welches in Bezug zu dem Training des neuronalen Netzes auch als Trainings-Auswerteraster bezeichnet werden kann, überlagert. Den Zellen des Auswerterasters ist dabei wenigstens ein Rahmen bzw. wenigstens eine Box zugewiesen. Diese stellen Initial-Annahmen für mögliche Parklücken dar. Danach wird aus der Mehrzahl an Rahmen im Auswerteraster derjenige Rahmen ausgewählt, der jeweils den größten Überlapp mit einer durch die Grundwahrheit beschriebenen Parklücke hat. Dabei wird insbesondere für jede in der Grundwahrheit beschriebene Parklücke der Rahmen mit dem jeweils größten Überlapp bestimmt. Der Überlapp bzw. die Überlappung kann auch als Intersection Over Union (IoU) bezeichnet werden und gibt an, zu welchem Anteil jeder der Rahmen im Auswerteraster mit einer der durch die Grundwahrheit beschriebenen Parklücken überlappt. Nach dem Ermitteln der ein oder mehr Rahmen mit dem jeweils größten Überlapp zu einer oder mehrerer durch die Grundwahrheit beschriebener Parklücken erfolgt eine Optimierung des neuronalen Netzes hinsichtlich einer Übereinstimmung in der relativen Anordnung zwischen dem jeweiligen Rahmen mit dem größten Überlapp und der durch die Grundwahrheit beschriebenen, dem Rahmen zugeordneten Parklücke. Auf diese Weise kann das neuronale Netz effizient für die Erkennung von Parklücken in Umfeldkarten trainiert werden, insbesondere für einen Einsatz in einem erfindungsgemäßen Verfahren zur Ermittlung einer wenigstens eine Parklücke beschreibenden Parkinformation. Erfindungsgemäß kann vorgesehen sein, dass für das Ermitteln des Überlapps bestimmt wird, in welcher Zelle jeweils der Mittelpunkt der wenigstens einen durch die Grundwahrheit beschriebenen Parklücke liegt, wobei derjenige Rahmen dieser 202107831 15 Zelle als Rahmen mit dem größten Überlapp gewählt wird, dessen flächenbezogene Überschneidung mit der durch die Grundwahrheit beschriebenen Parklücke am größten ist. Wenn zunächst ermittelt wird, in welcher Zelle des Auswerterasters der Mittelpunkt der oder einer durch die Grundwahrheit beschriebenen Parklücke liegt, kann die Anzahl der Rahmen, zu der jeweils der Überlapp ermittelt wird, reduziert werden, sodass weniger Berechnungsschritte erforderlich sind und somit ein effizienteres Training möglich ist. In einer bevorzugten Ausgestaltung der Erfindung kann vorgesehen sein, dass ein Auswertungsraster verwendet wird, in dem jeder Zelle mehrere unterschiedlich positionierte und/oder unterschiedlich orientierte Rahmen zugeordnet sind und/oder dass die Klassifizierung der Parklücke eine Klassifizierung als Querparklücke und als Längsparklücke umfasst. Analog zu der Ermittlung der wenigstens eine Parklücke beschreibenden Parkinformation können auch beim Training mehrere Rahmen pro Zelle des Auswerterasters verwendet werden. Diese Rahmen können jeweils insbesondere rechteckig sein und an unterschiedlichen Positionen und/oder mit unterschiedlichen Orientierungen zu den Karten einer rechteckigen Zelle des Auswerterasters angeordnet sein. Diese Rahmen können zum Beispiel dafür verwendet werden, eine Unterscheidung zwischen einer Querparklücke und einer Längsparklücke vorzunehmen und somit das neuronale Netz auch hinsichtlich einer entsprechenden Klassifizierung bzw. Unterscheidung zu trainieren. Erfindungsgemäß kann vorgesehen sein, dass die Grundwahrheit für die wenigstens eine durch die Grundwahrheit beschriebene Parklücke zusätzlich eine Positionsinformation enthält, wobei die Positionsinformation eine der jeweiligen Parklücke zugeordnete und innerhalb der Parklücke liegende Zielposition für das Fahrzeug beschreibt, wobei die Optimierung des neuronalen Netzes auch hinsichtlich der Positionsinformationen erfolgt. Auf diese Weise kann erreicht werden, dass ein Training des neuronalen Netzes auch hinsichtlich einer innerhalb der Parklücke liegenden Positionsinformation erfolgt, sodass diese ebenfalls durch das neuronale Netz bestimmt werden kann. 202107831 16 Die Erfindung betrifft weiterhin eine Sensoreinrichtung umfassend wenigstens einen Umfeldsensor und eine Recheneinrichtung, wobei die Recheneinrichtung zur Durchführung eines erfindungsgemäßen Verfahrens zum Ermitteln einer wenigstens eine Parklücke beschreibenden Parkinformation eingerichtet ist. Ferner betrifft die Erfindung ein Fahrzeug umfassend wenigstens eine erfindungsgemäße Sensoreinrichtung. Die Erfindung betrifft außerdem ein Computerprogrammprodukt umfassend Instruktionen, welche eine Recheneinrichtung dazu veranlassen, ein erfindungsgemäßes Verfahren zum Ermitteln einer wenigstens eine Parklücke beschreibenden Parkinformation auszuführen. Darüber hinaus betrifft die Erfindung ein computerlesbares Speichermedium umfassend ein erfindungsgemäßes Computerprogrammprodukt. Bei dem computerlesbaren Speichermedium kann es sich zum Beispiel um einen nichttransienten Datenträger, beispielsweise eine CD, eine DVD, eine Diskette, einen Flash-Speicher oder Ähnliches handeln. Sämtliche vorangehend für das erfindungsgemäße Verfahren zum Ermitteln einer wenigstens eine Parklücke beschreibenden Parkinformation beschriebenen Vorteile und Ausgestaltungen gelten entsprechend auch für das erfindungsgemäße Verfahren zum Trainieren eines faltenden neuronalen Netzes und umgekehrt. Ferner gelten sämtliche in Bezug zu einem der erfindungsgemäßen Verfahren beschriebenen Vorteile und Ausgestaltungen auch entsprechend für die erfindungsgemäße Sensoreinrichtung, das erfindungsgemäße Fahrzeug, das erfindungsgemäße Computerprogrammprodukt sowie das erfindungsgemäße computerlesbare Speichermedium und umgekehrt. 202107831 17 Weitere Vorteile und Einzelheiten der Erfindung ergeben sich aus den im Folgenden beschriebenen Ausführungsbeispielen sowie anhand der Zeichnungen. Diese sind schematische Darstellungen und zeigen: Fig.1 ein Ausführungsbeispiel eines erfindungsgemäßen Fahrzeugs umfassend ein Ausführungsbeispiel einer erfindungsgemäßen Sensoreinrichtung, Fig.2 eine Darstellung einer Umfeldkarte zur Erläuterung eines Ausführungsbeispiels eines erfindungsgemäßen Verfahrens zur Ermittlung einer wenigstens eine Parklücke beschreibenden Parkinformation und Fig.3 eine Darstellung einer mit einem Auswerteraster überlagerten Umfeldkarte zur Erläuterung des Ausführungsbeispiels eines erfindungsgemäßen Verfahrens zur Ermittlung einer wenigstens eine Parklücke beschreibenden Parkinformation sowie eines Ausführungsbeispiels zum Trainieren eines neuronalen Netzes. In Figur 1 ist ein Ausführungsbeispiel eines erfindungsgemäßen Fahrzeugs 1 gezeigt. Bei dem Fahrzeug 1 kann es sich beispielsweise um ein Kraftfahrzeug wie einen Personenkraftwagen oder einen Lastkraftwagen handeln. Weiterhin kann das Fahrzeug 1 auch ein Fahrzeuggespann sein, welches beispielsweise ein Zugfahrzeug sowie einen oder mehrere Anhänger aufweist. Alternativ kann das Verfahren auch bei weiteren Typen von Fahrzeugen eingesetzt werden. Das Fahrzeug 1 umfasst eine Sensoreinrichtung 2, welche mehrere Umfeldsensoren 3 sowie eine Recheneinrichtung 4 aufweist. Die Umfeldsensoren 3 der Sensoreinrichtung 2 sind beispielsweise als Ultraschallsensoren ausgeführt. Zusätzlich oder alternativ dazu kann zumindest ein Teil der Umfeldsensoren 3 auch als Umfeldkamera, als Radarsensor und/oder als Lidarsensor ausgebildet sein. Die Rechnereinrichtung 4 der Sensoreinrichtung 2 ist im vorliegenden Ausführungsbeispiel als ein Teil des Fahrzeugs 1 dargestellt. Es ist möglich, dass die Recheneinrichtung 4 in einen der Umfeldsensoren 3 integriert ist oder dass es 202107831 18 sich um eine fahrzeugexterne Recheneinrichtung handelt. Eine fahrzeugexterne Recheneinrichtung kann dabei über eine insbesondere drahtlose Kommunikationsverbindung mit den Umfeldsensoren 3 und/oder weiteren Einrichtungen des Fahrzeugs 1 kommunizieren. Mittels der Umfeldsensoren 3 können Messdaten aus dem Umfeld des Fahrzeugs 1 ermittelt werden. Die Messdaten beschreiben Objekte, welche sich im Umfeld des Fahrzeugs 1 befinden. Bei den Objekten kann es sich beispielsweise um andere Verkehrsteilnehmer wie weitere Fahrzeuge o. ä. handeln. Weiterhin können als Objekte auch unbewegliche Objekte, beispielsweise Infrastrukturobjekte, Teile von Gebäuden o. ä. erfasst werden. Die Recheneinrichtung 4 der Sensoreinrichtung 2 ist dazu ausgebildet, ein Verfahren zum Ermitteln einer wenigstens eine Parklücke im Umfeld des Fahrzeugs 1 beschreibenden Parkinformation durchzuführen. In Abhängigkeit der Parkinformation kann beispielsweise eine automatisierte oder teilautomatisierte Steuerung eines Einparkvorgangs des Fahrzeugs 1 erfolgen, insbesondere durch Ansteuerung wenigstens eines Aktors (nicht dargestellt) des Fahrzeugs 1. Das Fahrzeug 1 kann sich bei dem Einparkvorgang vorwärts und/oder rückwärts bewegen, Lenkbewegungen ausführen und insbesondere auch mehrere Teilbewegungen bzw. Züge ausführen. Der Einparkvorgang kann dabei insbesondere derart ausgeführt werden, dass das Fahrzeug in wenigstens einer durch die Parkinformation beschriebenen Parklücke positioniert wird. Zusätzlich oder alternativ zu dem Aktor kann auch eine Anzeigevorrichtung (nicht dargestellt) des Fahrzeugs 1 angesteuert werden, sodass beispielsweise einem Fahrer des Fahrzeugs 1 die im Umfeld des Fahrzeugs ermittelten Parklücken, beispielsweise durch eine entsprechende bildliche Darstellung, kenntlich gemacht werden können. Die Anzeigevorrichtung kann dabei beispielsweise ein in einem Innenraum des Fahrzeugs 1 angeordnetes Display, ein Heads-Up-Display, ein virtueller Seitenspiegel oder Ähnliches sein. Die Darstellung auf der Anzeigevorrichtung kann beispielsweise dazu verwendet werden, um dem Fahrer die Auswahl einer von mehreren ermittelten Parklücken als Zielort eines Einparkvorgangs zu ermöglichen. Zusätzlich oder alternativ dazu 202107831 19 können Hilfsmittel für eine Bewegung des Fahrzeugs 1 in eine ermittelte und/oder ausgewählte Parklücke auf der Anzeigevorrichtung angezeigt werden, die es dem Fahrer ermöglichen, das Fahrzeug 1 in diese Parklücke zu bewegen. Zum Ermitteln der Parkinformation mit der Recheneinrichtung 4 bzw. zum Ermitteln der Parkinformation in einem computerimplementierten Verfahren werden zunächst das Umfeld bzw. die Umgebung des Fahrzeugs 1 beschreibende Messdaten mit einem oder mehreren der Umfeldsensoren 3 ermittelt, wobei die Messdaten einem oder mehreren Objekten im Umfeld des Fahrzeugs 1 zugeordnet sind. Anschließend erfolgt das Erstellen wenigstens einer das Umfeld des Fahrzeugs 1 beschreibenden Umfeldkarte 5 aus den Messdaten, wobei die Messdaten in der Umfeldkarte 5 räumlich in Bezug zu dem Fahrzeug 1 angegeben sind. In Fig.2 ist ein Ausführungsbeispiel einer solchen Umfeldkarte 5 dargestellt. Die Umfeldkarte 5 ist eine rechteckige Karte, bei der das Fahrzeug 1 in der Mitte angeordnet ist. In der Umfeldkarte 5 sind die Messdaten räumlich in Bezug zu dem Fahrzeug 1 angegeben. Die Messdaten sind vorliegend als Messpunkte 6 dargestellt, welche zum Beispiel durch als Ultraschallsensoren ausgebildete Umfeldsensoren 3 ermittelt werden können. Die Messpunkte 6 der Messdaten beschreiben dabei jeweils ein Signalecho, welches von einem Objekt im Umfeld des Fahrzeugs 1 reflektiert wurde. Die einzelnen Messpunkte 6 umfassen jeweils eine Entfernungsmessung in Bezug zu dem Fahrzeug 1, welche beispielsweise aus einer Laufzeitmessung erfolgen kann. Zusätzlich kann für jeden der Messpunkte 6 auch eine Richtung bestimmt werden, sodass die den Messpunkte 6 zugeordneten Reflexionsorte bzw. die Objekte in räumlichen Bezug zu dem Fahrzeug 1 gesetzt werden können. Die Umfeldkarte 5 umfasst weiterhin ein Kartenraster 7, wobei die Messdaten den einzelnen Zellen 8 des Kartenrasters 7 zugeordnet sind. Für jede der Zellen 8 kann beispielsweise die Anzahl von der Zelle 8 zugeordneten Messpunkten 6 der Messdaten ermittelt und in der Umfeldkarte 5 hinterlegt werden. Weiterhin können zu den einzelnen Zellen 8 auch jeweils die Höhe eines von den der Zelle 8 zugeordneten Messdaten beschriebenen Objekts, der Typ eines solchen Objekts 202107831 20 und/oder wenigstens eine weitere Signaleigenschaft der der Zelle zugeordneten Messdaten angegeben werden. Bei der Signaleigenschaft kann es sich zum Beispiel um die Intensität der einzelnen Messpunkte 6 handeln. Dabei ist es möglich, dass eine Signaleigenschaft wie die Intensität zum Beispiel gemittelt für alle Messpunkte einer der Zellen 8 angegeben wird. Dies kann entsprechend auch bei Informationen bezüglich der Höhe eines Objekts und/oder des Typs eines Objekts erfolgen.. Neben den Messpunkten 6 von als Ultraschallsensoren ausgebildeten Umfeldsensoren 2 können auch Messpunkte 6 von als Radarsensoren und/oder Lidarsensoren ausgebildeten Umfeldsensoren 3 entsprechend in die Umfeldkarte 5 eingetragen werden. Weiterhin können auch über andere Typen von Sensoren, beispielsweise als Umfeldkameras ausgebildete Umfeldsensoren 3, ermittelte Objekte in der Umfeldkarte 5 eingetragen werden. Auf diese Weise können auch Objekte wie beispielsweise Fahrbahnmarkierungen, Parkplatzmarkierungen oder ähnliches in der Umfeldkarte 5 eingetragen werden. Anschließend erfolgt das Auswerten der wenigstens einen Umfeldkarte 5 durch die Recheneinrichtung 4, wobei die Umfeldkarte 5 einem durch die Recheneinrichtung 4 realisierten faltenden neuronalen Netzwerk zugeführt wird, wobei das neuronale Netzwerk aus der Umfeldkarte 5 im Umfeld des Fahrzeugs 1 vorhandene Parklücken 9 klassifiziert und lokalisiert, wobei das neuronale Netz mittels Regression jeweils die relative Anordnung der Parklücken 9 zu dem Fahrzeug 1 ermittelt. Aus den klassifizierten Parklücken 9 und ihrer relativen Anordnung zu dem Fahrzeug 1 erzeugt die Recheneinrichtung 4 oder eine weitere Recheneinrichtung (nicht dargestellt) anschließend die wenigstens eine Parklücke 9 im Umfeld des Fahrzeugs 1 beschreibende Parkinformation. Vorteilhaft kann dabei die Umfeldkarte 5 wie eine zweidimensionale Bilddatei durch das neuronale Netz verarbeitet werden. Das neuronale Netz ist dazu eingerichtet ist, die Umfeldkarte 5 mit einem mehrere Zellen 10 umfassenden Auswerteraster 11 zu überlagern, wobei jeder Zelle 10 202107831 21 wenigstens ein Rahmen 12 zugewiesen ist. Eine mit einem Auswerteraster 11 überlagerte Umfeldkarte 5 ist in Fig.3 dargestellt. Vorliegend umfasst jede Zelle 10 zwei jeweils rechteckige Rahmen 12, 13, welche um 90° verdreht angeordnet sind. Die Rahmen 12, 13 sind bezüglich der Zelle 10 somit unterschiedlich orientiert. Es ist möglich, dass den Zellen 10 jeweils auch noch weitere Rahmen (nicht dargestellt) zugeordnet werden, welche beispielsweise die gleiche Orientierung wie einer der Rahmen 12, 13 aufweisen, jedoch entlang einer der Kanten der Zelle 10 in x-Richtung und/oder in y-Richtung versetzt angeordnet sind. In der Parkinformation wird für jeden der Rahmen 12, 13 aller Zellen 10 des Auswerterasters 11 eine Klassifizierung als Parklücke und/oder eine Orientierung einer durch die Messdaten beschriebenen und dem Rahmen 12, 13 zugeordneten Parklücke 9 relativ zu dem Fahrzeug 1 angegeben. Dies ermöglicht es, dass die Klassifizierung der Parklücke 9 eine Klassifizierung als Querparklücke und als Längsparklücke umfasst. Eine Parklücke 9 kann als solche klassifiziert werden, wenn eine von dem neuronalen Netz ermittelte Klassifizierungswahrscheinlichkeit über einem vorgegebenen Grenzwert liegt. Entsprechend kann eine Parklücke als Längsparklücke oder als Querparklücke klassifiziert werden, wenn die entsprechende, einem der Rahmen 12, 13 zugeordnete Klassifizierungswahrscheinlichkeit über einem vorgegebenen Grenzwert liegt. Das neuronale Netz ermittelt zumindest für die als Parklücke 9 klassifizierten Rahmen 12, 13 zusätzlich mittels Regression jeweils die relative Anordnung der Parklücke 9 zu dem Fahrzeug 1. Auf diese Weise wird eine genaue Lokalisierung der Parklücke 9 in Bezug zu dem Fahrzeug 1 ermittelt. Ferner können auf diese Weise unterschiedliche Ausrichtungen der Parklücken bzw. unterschiedliche relative Anordnungen zwischen Fahrzeug 1 und einer ermittelten Parklücke 9 berücksichtigt werden. Die aus der Ausgabe des neuronalen Netzes abgeleitete Parkinformation kann für zumindest einen Teil der erkannten Parklücken 9 zusätzlich eine 202107831 22 Positionsinformation enthalten, wobei die Positionsinformation eine der jeweiligen Parklücke 9 zugeordnete und innerhalb der Parklücke 9 liegende Zielposition für das Fahrzeug 1 beschreibt. Die erzeugte Parkinformation kann zum Beispiel ein Tensor sein, welcher für jeden der Rahmen 12, 13 angibt, ob es sich um eine Parklücke 9 handelt oder nicht bzw. ob es sich um eine Querparklücke oder eine Längsparklücke handelt. Für jeden als Parklücke 9 klassifizierten Rahmen 12, 13 können weitere Informationen angegeben werden. Für jede Zelle 10 des Auswerterasters 11 kann die Parkinformation dabei beispielsweise einen Vektor ^ _^^^^ enthalten, welcher als ausgedrückt werden kann. Dabei sind die dem Rahmen 12 zugeordneten Werte beispielsweise mit dem Index „1“ und die dem Rahmen 13 zugeordneten, größtenteils aus Übersichtsgründen nicht dargestellten Werte mit dem Index „2“ gekennzeichnet. Bei den einzelnen Werten bzw. Komponenten des Vektors beschreiben: P: einen Indikator (z.B.0 oder 1), ob es sich bei dem entsprechenden Rahmen 12, 13 um eine Parklücke 9 handelt, bx, by: die Koordinaten in x-Richtung und y-Richtung eines Mittelpunkts der ermittelten Parklücke 9, zum Beispiel als Prozentangabe bezogen auf die Größe der Zelle 10 ausgehend von der jeweils unteren linken Ecke, bw, bh: die Breite und die Höhe der ermittelten Parklücke 9, angegeben beispielsweise als Prozentangabe in Bezug zu der Breite und der Höhe der Zelle 10 des Auswerterasters 11, bθ: Winkel bzw. Verdrehung der Parklücke 9 in Bezug zu der Zelle 10, tx, ty: Koordinaten eines Mittelpunkts einer Zielposition innerhalb der ermittelten Parklücke 9, angegeben zum Beispiel als Prozentangabe in Bezug zu der Zelle 10 und relativ zu deren Mittelpunkt, 202107831 23 tθ: Winkel der Zielposition, angegeben zum Beispiel in Bezug zu der ermittelten Parklücke 9. Cpar, Cperp, Cvoid: Die Klassenwahrscheinlichkeiten für das Vorliegen einer Längsparklücke (Cpar), für das Vorliegen einer Querparklücke (Cperp) und für das Vorliegen keiner Parklücke (Cvoid). Der Indikator P kann zum Beispiel auf eins gesetzt werden, wenn eine der Wahrscheinlichkeiten Cpar oder Cperp oberhalb eines vorgegebenen Grenzwerts liegt, bzw. auf null gesetzt werden, wenn die Wahrscheinlichkeit Cvoid oberhalb eines vorgegebenen Grenzwerts liegt. Die Angaben tx, ty und tθ bilden eine Positionsinformation, welche die der jeweiligen Parklücke zugeordnete und innerhalb der Parklücke liegende Zielposition für das Fahrzeug 1 beschreibt. Die beispielsweise in Form eines Tensors ausgegebene Parkinformation weist dabei eine Dimensionalität von ^ × ^ × (^ _^^^^ ) bzw. von ^ × ^ × (" ∗ $) auf, wobei A und B die Anzahl der Zeilen und Spalten des Auswerterasters darstellen und ihr Produkt somit die Anzahl der Zellen im Auswerteraster angibt und ^ _^^^^ der jeweils einer Zelle zugeordnete Vektor ist, welcher allgemein " ∗ $ Komponenten aufweist, wobei " die Anzahl der Rahmen pro Zelle und $ die Anzahl der pro Rahmen in der Zelle ermittelten Informationen beschreibt. Im obigen Beispiel für ^ _^^^^ ist " = 2 und $ = 12. In einem Ausführungsbeispiel für ein Verfahren zum Trainieren des faltenden neuronalen Netzes wird zunächst wenigstens ein Trainingsdatensatz umfassend mehrere jeweils das Umfeld des Fahrzeugs 1 beschreibenden Trainings- Umfeldkarten aus Trainings-Messdaten bereitgestellt. Dabei sind die Messdaten in der Trainings-Umfeldkarte räumlich in Bezug zu einem Fahrzeug 1 angegeben. Das Trainingsverfahren dient insbesondere dazu, das in der Recheneinrichtung 4 realisierte faltende neuronale Netz zur Durchführung des vorangehend beschriebenen Ausführungsbeispiels zu trainieren. 202107831 24 Jeder der Trainings-Umfeldkarten wird eine wenigstens eine Parklücke 14 in dem Umfeld des Fahrzeugs 1 beschreibende Grundwahrheit zugewiesen, wobei die Grundwahrheit zumindest einen Abschnitt der Trainings-Umfeldkarte als eine Parklücke 14 klassifiziert und lokalisiert. Außerdem gibt die Grundwahrheit die relative Orientierung der Parklücke 14 zu dem Fahrzeug an. In Fig.3 ist eine durch die Grundwahrheit vorgegebene Parklücke 14 dargestellt. Die Trainings- Umfeldkarten entsprechen grundsätzlich den Umfeldkarten 5, so wie sie vorangehend beschrieben wurden. Auch beim Training werden die Trainings-Umfeldkarten, wie vorangehend beschrieben wurde und wie in Fig.3 gezeigt ist, jeweils mit einem mehrere Zellen 10 umfassenden Auswerteraster 11 überlagert, wobei jeder der Zellen 10 des Auswerterasters 11 entsprechend wenigstens ein Rahmen 12, 13 zugewiesen ist. Anschließend erfolgt das Ermitteln des jeweiligen Rahmens 12, 13 mit dem größten Überlapp zu der wenigstens einen, durch die Grundwahrheit beschriebenen Parklücke 14. Dann wird das neuronale Netz hinsichtlich einer Übereinstimmung in der relativen Anordnung zwischen dem jeweiligen Rahmen 12, 13 mit dem größten Überlapp und der durch die Grundwahrheit beschriebenen Parklücke 14 optimiert. Für das Ermitteln des Überlapps wird bestimmt, in welcher der Zellen 10 des Auswerterasters 11 jeweils der Mittelpunkt 15 der wenigstens einen durch die Grundwahrheit beschriebenen Parklücke 14 liegt. Dies ist in dem in Fig.3 dargestellten Beispiel die Zelle 10, welche in der zweiten Zeile und der fünften Spalte liegt. Anschließend wird derjenige Rahmen 12, 13 in dieser Zelle als Rahmen mit dem größten Überlapp gewählt wird, dessen Überschneidung mit der durch die Grundwahrheit beschriebenen Parklücke 14 am größten ist. Zum Ermitteln des jeweiligen Überlapps wird für jeden der Rahmen 12, 13 in der Zelle, in der der Mittelpunkt 15 liegt, jeweils ein Wert für dessen flächenbezogenen Überlapp bzw. dessen Intersection Over Union (IoU) ermittelt. 202107831 25 In dem in Fig.3 dargestellten Beispiel ist der Überlapp mit dem vertikal orientierten Rahmen 12 größer, sodass dieser als Ziel der Optimierung des neuronalen Netzwerks gewählt wird. Basierend auf der Wahl des Rahmens 12, 13 und der Anordnung des Fahrzeugs 1 in der Umfeldkarte kann entsprechend ermittelt bzw. trainiert werden, ob es sich um eine Längsparklücke oder, wie vorliegend, um eine Querparklücke handelt. Es ist möglich, dass ein Auswerteraster 11 verwendet wird, in dem jeder Zelle 10 mehr als zwei Rahmen 12, 13 zugeordnet sind. Die mehreren Rahmen 12, 13 können dabei unterschiedlich positioniert und/oder unterschiedlich orientiert sein. Unterschiedliche Abmessungen, wie eine unterschiedliche Breite, eine unterschiedliche Länge, eine unterschiedliche Lage des Mittelpunkts des Rahmens 12 und der Parklücke 14 bezogen auf die Zelle 10 sowie die relative Orientierung (Winkel θ) zwischen Rahmen 12 und der Parklücke 14, welche durch das neuronale Netz ebenfalls mittels Regression ermittelt werden, werden dabei ebenfalls trainiert. Durch die Rahmen 12, 13 kann die Orientierung der Parklücke 14 angenähert werden bzw. es können durch die Verwendung von zwei oder mehreren Rahmen 12, 13 pro Zelle 10 unterschiedlich positionierte und/oder unterschiedlich orientierte Lokalisierungs- und/oder Orientierungsparameter initial vorgegeben werden. Je mehr Rahmen 12, 13 dabei herangezogen werden, desto genauer können die Lokalisierung und die Ermittlung der relativen Anordnung der Parklücke 14 in Bezug zu dem Fahrzeug durch das neuronale Netzwerk erfolgen. Weiterhin kann die Grundwahrheit für die wenigstens eine Parklücke 14 zusätzlich eine Positionsinformation enthalten, wobei die Positionsinformation eine der jeweiligen Parklücke 14 zugeordnete und innerhalb der Parklücke liegende Zielposition für das Fahrzeug 1 beschreibt, wobei die Optimierung des neuronalen Netzes auch hinsichtlich der Positionsinformationen erfolgt. Dies kann entsprechend durch ein Trainieren der Ermittlung der Parameter ^', ^^ und ^( erfolgen. 202107831 26 Das Optimieren des neuronalen Netzes kann mithilfe einer Verlustfunktion erfolgen. Die Verlustfunktion kann dabei für alle Variablen des Vektors ^ _^^^^ bzw. für alle Variablen $, welche in Bezug zu einem der Rahmen 12, 13 ermittelbar sein sollen, Fehlerquadrate minimieren. Zusätzlich oder alternativ dazu kann auch eine Softmax-Funktion verwendet werden oder es können nur die Fehler der Klassenwahrscheinlichkeiten ^)*+, ^),+) und ^-.$/ und/oder der Klassifizierungswahrscheinlichkeit ^ ₀ minimiert werden. Ein Beispiel für eine Verlustfunktion ℓ(^2, ^) ist ℓ(^2, ^) = (^2 _^ − ^ _^ ) ^{^} + (^2 _^ − ^ _^ ) ^{^} + ⋯ + (^2 ₀ − ^ ₀ ) ^{^} , 8,"" ^ _^ = 1 ℓ(^2, ^) = (^2 _^ − ^ _^ ) ^{^} , 8,"" ^ _^ = 0. Wenn ^ _^ = 1 ist, bedeutet dies, dass der dem Index „1“ zugewiesene Rahmen 12 als eine Parklücke klassifiziert wurde. In diesem Fall wird mittels der Verlustfunktion der quadrierte Fehler jeder Variable $ d.h. jeder Komponente ^ ₀ des Vektors ^ _^^^^ berechnet. Wenn ^ _^ = 0 ist, bedeutet dies, dass der dem Index „1“ zugewiesene Rahmen 12 als „keine Parklücke“ klassifiziert wurde, wobei in diesem Fall nur der quadrierte Fehler in dem Indikator bzw. der Klassifizierungswahrscheinlichkeit ^ ₀ , also der Komponente ^ _^ des Vektors ^ _^^^^ , minimiert wird.