BESCHREIBUNG:

Die Erfindung betrifft ein Verfahren zum Betrieb eines, insbesondere bildgebenden, Radarsensors, wobei der Radarsensor eine Antennenanordnung mit wenigstens einem Sende-Antennenelement und/oder Empfangs-Antennenelement und eine Steuereinrichtung mit einer Hochfrequenzeinheit zur analogen Verarbeitung empfangener Radarsignale und einem Analog-Digital- Wandler zur Digitalisierung der Radarsignale aufweist, wobei die digitalisierten Radarsignale in einer Auswerteeinheit der Steuereinrichtung zu Ausgangsdaten, insbesondere zur Beschreibung von detektierten Objekten, ausgewertet werden. Daneben betrifft die Erfindung ein Verfahren zum Bereitstellen eines Auswertungsalgorithmus der künstlichen Intelligenz für ein derartiges Betriebsverfahren, einen Radarsensor, ein Kraftfahrzeug, ein Computerprogramm und ein elektronisch lesbaren Datenträger.

Der Einsatz von Radarsensoren in Kraftfahrzeugen ist bereits seit längerer Zeit bekannt. Dabei liefern Radarsensoren insbesondere relevante Daten über die Umgebung des Kraftfahrzeugs, welche durch verschiedene Funktionen innerhalb des Kraftfahrzeugs ausgewertet werden können, beispielsweise für längsführende Assistenzsysteme, Spurwechselassistenten und dergleichen. Radarsensoren sind insbesondere zur Objektdetektion sowie Abstands- und Geschwindigkeitsmessung bezüglich der detektierten Objekte ausgebildet. Moderne Sende- und Empfangstechnik und insbesondere auch Antennentechnologie erlaubt auch die Schaffung sogenannter bildgebender Radarsensoren, deren Winkelauflösung hinreichend gut ist, um sozusagen ein „Bild“ im Erfassungsbereich zu schaffen, in dem jedem durch Winkel in Azimut und Elevation definierten Pixel beispielsweise Abstands- und Geschwindigkeitswerte zugeordnet werden können. Hierfür werden Antennenanordnungen eingesetzt, die insbesondere Empfangs-Antennenelemente aufweisen, die mat- rixartig in zwei Richtungen aufeinanderfolgen, um so auch Winkel in zwei Richtungen, insbesondere Azimut und Elevation, vermessen zu können.

Das Funktionsprinzip von Radarsensoren ist, über wenigstens ein Sende-An- tennenelement der Antennenanordnung ein Radarsignal in den Erfassungsbereich auszusenden, welches über das wenigstens eine, üblicherweise die mehreren, Empfangs-Antennenelemente der Antennenanordnung wieder empfangen werden, so dass analoge, empfangene Radarsignale entstehen. Üblicherweise werden die Radarsignale dabei in sogenannten „Chirps“ ausgesendet, das bedeutet, die Frequenz des ausgesendeten Radarsignals steigt während eines solchen Chirps, üblicherweise linear, an und/oder fällt ab. Bei FMCW-Radaren können auch frequenzmodulierte Radarsignale eingesetzt werden.

Um aus den empfangenen, analogen Radarsignalen Ausgangsdaten, die die detektierten Objekte beschreiben, zu erhalten, werden die empfangenen analogen Radarsignale üblicherweise zunächst durch einen Analog-Digital-Wand- ler (ADC) digitalisiert. Die digitalisierten Radarsignale werden einer Auswertungskette zugeführt, in welcher beispielsweise zunächst eine schnelle Fou- riertransformation durchgeführt werden kann, wonach wenigstens ein Ankunftsrichtungsalgorithmus (Direction-of-Arrival-Algorithmus = DoA-Algorith- mus) eingesetzt wird. Beispiele für derartige Ankunftsrichtungsalgorithmen umfassen MUSIC (Multiple Signal Classification) und ESPRIT (Estimation of Signal Parameters via Rotational Invariant Techniques). Die resultierenden Daten, die nach Abstand, Geschwindigkeit, Azimutwinkel und Elevationswinkel aufgelöst sind, können ferner zur Objektgenerierung und Klassifizierung ausgewertet werden, wobei üblicherweise Zuordnungs- und/oder Clustering- Algorithmen eingesetzt werden. Auf den so generierten Objekten kann eine Objektnachverfolgung beispielsweise mittels Kalman-Filtern erfolgen. Beispielsweise können als Ausgangsdaten der Auswerteeinheit eines Radar- sensors Objektlisten ausgegeben werden, welche insbesondere eine Klassifikation und/oder Identifikation des Objekts im Rahmen der Nachverfolgung enthalten können, oder aber ein Radarbild, wie oben diskutiert.

Ein wichtiges Forschungsgebiet, in dem die Umfelderfassung besondere Relevanz aufweist, ist die vollständig automatische Führung von Kraftfahrzeugen. Hierbei kann beispielsweise zur Durchführung der vollständig automatischen Fahrzeugführungsfunktion ein Fahrzeugsystem vorgesehen werden, wobei die Fahrzeugführungsfunktion Sensordaten und/oder weitere Informationen einer Vielzahl von Sensoren und anderer Informationsquellen auswertet, um hieraus Steuersignale, die den zukünftigen Betrieb des Kraftfahrzeugs betreffen, zu generieren. Dabei wurden verschiedene Stufen vollständig automatischer Führung eines Kraftfahrzeugs vorgeschlagen, wobei mit zunehmender Stufe eine zunehmende Unabhängigkeit vom Fahrer/einer Aufsichtsperson gegeben sein soll. Daraus folgt aber auch, dass die Sicherheit mit zunehmender Automatisierung des Fahrzeugbetriebs immer wichtiger wird. Bei Kraftfahrzeugen, die sich mit höheren Geschwindigkeiten über Straßen bewegen, und dabei anderen Verkehrsteilnehmern begegnen, ist es in dieser Hinsicht besonders wichtig, die Auswertung von Sensordaten und weiteren Informationen möglichst schnell vorzunehmen, das bedeutet, beispielsweise Kamerabilder von Kameras als Umgebungssensoren sollen möglichst schnell interpretiert werden, genau wie empfangene Radarsignale von Radarsensoren. Mit anderen Worten ist eine möglichst niedrige Latenz zwischen der Messung und dem Vorliegen interpretierbarer und verarbeitbarer Daten gewünscht.

Für Kameras als Umgebungssensoren in Kraftfahrzeugen und auch in anderen Anwendungsgebieten wurde in diesem Zusammenhang vorgeschlagen, künstliche Intelligenz zur Auswertung der Bilder heranzuziehen. Beispielsweise können in diesem Zusammenhang neuronale Netze eingesetzt werden, die dann die Bildverarbeitung übernehmen und entsprechende Ergebnisse liefern, beispielsweise Objekte, die in den Kamerabildern sichtbar sind, und deren Klassifizierung. Ein derartiges Vorgehen lässt sich nicht ohne weiteres auf die Auswertung von empfangenen Radarsignalen anwenden. Dies liegt darin begründet, dass unterschiedlich ausgestattete beziehungsweise im Frontend, insbesondere also im analogen Anteil, unterschiedlich betriebene Radarsensoren auch vollständig unterschiedliche Arten von empfangenen, digitalisierten Radarsignalen liefern, welche kaum vergleichbar sind. Auf der anderen Seite liegt eine große Vielzahl von Aspekten vor, in denen sich Radarsensoren und damit auch empfangene Radarsignale unterscheiden können. Dies kann sich beispielsweise auf genutzte Frequenzbänder, Abtastraten, die Ausgestaltung der Antennenanordnung, verwendete MMICs und dergleichen beziehen. Mithin müsste, um ein neuronales Netz zu trainieren, dies getrennt für jede unterschiedliche Hardwareausstattung und Betriebsvariante von Radarsensoren erfolgen, was zu einer unüberschaubaren Vielzahl von Varianten führen würde, für die zudem Trainingsdaten schwierig in hinreichender Menge zu erhalten sind.

US 5 263 097 A offenbart die Nutzung von parameternormalisierten Features für Klassifikationsprozesse, die Rauschen von tatsächlichen Objekten unterscheiden. Dabei wird zunächst von Daten ausgegangen, beispielsweise digitalisierte Infrarotbilder, digitalisierte Fernsehbilder, Sprach-Samples oder Radar-Samples, aus denen durch deren Auswertung Feature-Information erhalten wird. Ferner werden aus den Daten Parameterinformationen extrahiert, beispielsweise was die Ausleuchtung, die Tageszeit, die Umgebungstemperatur, den Szenenkontrast und Sensorcharakteristiken angeht, wonach die Feature-Information mit der Parameter-Information normiert wird, um parameternormierte Feature-Informationen zu erhalten, die durch die Klassifizierungsprozedur, welche beispielsweise durch modulare neuronale Netzwerke implementiert sein kann, weiterverarbeitet wird.

WO 2019/118542 A2 betrifft die Steuerung von Fahrzeugsensoren basierend auf dynamischen Objekten. Dabei kann nach einer Auswertung von Sensordaten in einem Kraftfahrzeug beispielsweise ein Fokus eines ersten Sensors oder einer räumlichen Verteilung von Scanlinien des ersten Sensors angepasst werden. Dabei ist erwähnt, dass neuronale Netzwerke eines Segmentierungsmoduls, eines Klassifizierungsmoduls oder einer Kombination eines Segmentierungs- und Klassifizierungsmoduls, trainiert werden können, um unterschiedliche Einstellungen von Sensorparametern oder unterschiedliche Einstellungen einer Kombination von Sensorparametern zu berücksichtigen.

Der Erfindung liegt daher die Aufgabe zugrunde, eine Möglichkeit zur schnelleren Auswertung von empfangenen Radarsignalen bereitzustellen, die für eine Vielzahl unterschiedlicher Radarsensoren und Betriebsweisen geeignet ist.

Zur Lösung dieser Aufgabe sind erfindungsgemäß Verfahren, ein Radarsensor, ein Kraftfahrzeug, ein Computerprogramm und ein elektronisch lesbarer Datenträger gemäß den unabhängigen Ansprüchen vorgesehen. Vorteilhafte Ausgestaltungen ergeben sich aus den Unteransprüchen.

In einem Verfahren der eingangs genannten Art, mithin einem Betriebsverfahren für einen Radarsensor, ist gemäß der vorliegenden Erfindung vorgesehen, dass in einer Abstrahierungsschicht, die als wenigstens einen Abstrahierungsparameter wenigstens einen für den Radarsensor spezifischen Betriebs- und/oder Ausstattungsparameter erhält, der Auswerteeinheit die digitalisierten Radarsignale zur Ermittlung von Eingangsdaten für einen radarsensorunabhängig trainierten Auswertungsalgorithmus der künstlichen Intelligenz unter Verwendung des wenigstens einen Abstrahierungsparameters normiert werden und die Eingangsdaten zum Erhalt der Ausgangsdaten durch den Auswertungsalgorithmus in der Auswerteeinheit ausgewertet werden.

Der Auswertungsalgorithmus der künstlichen Intelligenz kann dabei auch als eine trainierte Auswertungsfunktion bezeichnet werden. Allgemein kann gesagt werden, dass Algorithmen der künstlichen Intelligenz kognitive Funktionen nachbilden sollen, die mit dem menschlichen Geist assoziiert werden. Durch Trainieren des Algorithmus der künstlichen Intelligenz (Maschinenlernen) basierend auf Trainingsdaten ist der Algorithmus der künstlichen Intelligenz in der Lage, sich auf neue Umstände anzupassen und Muster zu defekteren und zu extrapolieren. In diesem Zusammenhang können beispielsweise nicht überwachtes Training, halb überwachtes Training, überwachtes Training, Reinforcement Learning, aktives Lernen und/oder Repräsentationsiemen („Feature Learning“) eingesetzt werden. Dabei können im Trainingsvorgang die Parameter durch Algorithmus der künstlichen Intelligenz iterativ durch mehrere Trainingsschritte angepasst werden.

Ein Algorithmus der künstlichen Intelligenz kann ein neuronales Netz, eine Support Vector Machine (SVM), ein Entscheidungsbaum und/oder ein Bayes- Netzwerk sein. Algorithmen der künstlichen Intelligenz können auf Q-Lernen, genetischen Algorithmen, Zuordnungsregeln und/oder k-Means-Clustering basieren.

Im Rahmen der vorliegenden Erfindung umfasst der Auswertungsalgorithmus der künstlichen Intelligenz vorzugsweise ein neuronales Netzwerk, insbesondere ein tiefes neuronales Netzwerk. Beispielsweise kann das neuronale Netzwerk ein Convolutional Neural Network (CNN) sein. Tiefe neuronale Netze, insbesondere CNNs haben sich hinsichtlich der Robustheit und der Bearbeitungszeit als eine optimale Lösung erwiesen.

Eine grundlegende Idee der vorliegenden Erfindung ist es, eine Abstrahierungsschicht zu definieren, die einen Vorverarbeitungsschritt in der auf künstlicher Intelligenz basierenden Signalverarbeitungskette darstellt. Durch die Abstrahierungsschicht wird der Einfluss der Abstrahierungsparameter aufgehoben, so dass die entsprechende Ausgabe der Abstrahierungsschicht in den Auswertungsalgorithmus der künstlichen Intelligenz, insbesondere das neuronale Netzwerk, eingegeben werden kann. Auf diese Weise wird es durch die Normierung der empfangenen Radarsignale am Ausgang des Analog-Digital- Wandlers ermöglicht, empfangene Radarsignale und Ausgangsdaten, die von unterschiedlichen Arten von Radarsensoren gesammelt wurden, zu verwenden, um den Auswertungsalgorithmus zu trainieren, zu validieren und/oder zu testen, wobei der Auswertungsalgorithmus zudem für eine Vielzahl unterschiedlicher Ausstattungs- und Betriebsvarianten von Radarsensoren eingesetzt werden kann. Dies stellt eine Grundlage zur Ermöglichung des Einsatzes künstlicher Intelligenz, insbesondere neuronaler Netzwerke, zur Verarbeitung von empfangenen Radarsignalen von Radarsensoren in Kraftfahrzeugen dar, deren Ausgangsdaten insbesondere im Rahmen einer vollständig automatischen Fahrzeugführungsfunktion eingesetzt werden sollen.

Die Abstrahierungsparameter können dabei auch als Radar-Metadaten, die den empfangenen, digitalisierten Radarsignalen zugeordnet sind und die Art ihrer Aufnahme beschreiben, verstanden werden. Dabei beziehen sich die Abstrahierungsparameter insbesondere wenigstens teilweise auf das Radar- frontend, also den eigentlichen, konkret genutzten Messvorgang, und/oder die Digitalisierung Die Abstrahierungsparameter beziehungsweise Radar-Metadaten können dabei zum einen statische Abstrahierungsparameter, mithin feste Eigenschaften der Radarmessung, beispielsweise die Hardware-Ausstattung des Radarsensors, zum anderen aber auch dynamische Abstrahierungsparameter umfassen, die beispielsweise Software-Eigenschaften des Radarsensors und/oder einstellbare Eigenschaften der Messtechnik betreffen können, beispielsweise, wie viele Sende- und/oder Empfangs-Antennenelemente tatsächlich genutzt werden sollen, wie viele Chirps eingesetzt werden sollen und dergleichen.

Dabei kann die vorliegende Erfindung leicht umgesetzt werden, indem die traditionelle, herkömmliche Auswertungskette automotiver Radarsensoren, insbesondere also deren herkömmliche Signalverarbeitungsblöcke, durch die Abstrahierungsschicht und den Auswertungsalgorithmus ersetzt werden. Die Eingangsdaten zu dem Auswertungsalgorithmus der künstlichen Intelligenz werden durch die Ausgabe der vorverarbeitenden Abstrahierungsschicht gegeben, welche die empfangenen, digitalisierten Radarsignale wie auch die Abstrahierungsparameter, insbesondere also Radar-Hardware-/Frontend-Pa- rameter als Radar-Metadaten, als Eingabe entgegennimmt. Der Zweck der Abstrahierungsschicht ist die Unterdrückung der Effekte der Abstrahierungsparameter.

Anders ausgedrückt geht es bei der vorliegenden Erfindung um die Variationen bzw. Varianten der Messeigenschaften zur Laufzeit. Die vorliegende Erfindung setzt unmittelbar am Ausgang des Analog-Digital-Wandlers an und bereitet in der Abstrahierungsschicht im Sinne einer Normierung/ Standardisierung die empfangenen, digitalisierten Radarsignale so auf, dass sie insbesondere und bevorzugt solchen empfangenen, digitalisierten Radarsignalen entsprechen, die mit einem bestimmten Satz von Vorgabe-Abstrahierungspa- rametern aufgenommen wurden. Durch den holistischen Ansatz der vorliegenden Erfindung werden die individuellen Messeigenschaften des Radarsensors, die zur Aufnahme der empfangenen Radarsignale geführt haben, berücksichtigt und herausgerechnet und erlauben so den Einsatz von auf einer großen Trainingsdatenbasis basierender, für unterschiedlichste Messeigenschaften geeigneter künstlicher Intelligenz. Diese künstliche Intelligenz wiederum erlaubt gegenüber herkömmlichen Auswertungsketten eine deutlich schnellere Verarbeitung der empfangenen, digitalisierten Radarsignale und einen deutlich schnelleren Erhalt der Ausgangsdaten, so dass beispielsweise vollständig automatisierte Fahrzeugführungsfunktionen schneller auf insbesondere auch sicherheitskritische Situationen reagieren können.

Dies stellt im Übrigen auch einen deutlichen Unterschied zu Ansätzen künstlicher Intelligenz dar, die erst auf den Ausgangsdaten ansetzen und somit das hier angesprochene und gelöste Problem nicht betreffen.

Als Ausgangsdaten können dabei Datenstrukturen bereitgestellt werden, wie sie auch bereits von herkömmlichen Auswertungsketten ausgegeben wurden. Beispielsweise kann als Ausgangsdaten eine insbesondere Objekte mit jeweils zugeordnetem Abstands-, Geschwindigkeits-, Azimut- und Elevationswerten beschreibende Objektliste ermittelt werden, wobei zusätzlich oder alternativ auch vorgesehen sein kann, dass der Auswertungsalgorithmus detek- tierte, durch die digitalisierten Radarsignale beschreibende Objekte wenigstens teilweise klassifiziert. Bei Nutzung einer Objektliste kann eine derartige Klassifizierung auch in der Objektliste dem entsprechenden Objekt zugeordnet sein. Eine andere Möglichkeit der Ausgabe ist auch ein Radarbild, in dem beispielsweise die einzelnen Bildpunkte beziehungsweise Zellen durch Winkelbereiche in Azimut und Elevation definiert sind, denen neben Abstands- und Geschwindigkeitswerten auch Zugehörigkeiten zu bestimmten Objekten, deren Klassifizierung und dergleichen zugeordnet sein können. Zweckmäßigerweise kann der Auswertungsalgorithmus mittels Trainingsdatensätzen, die aus digitalen Trainingsradarsignalen einer Vielzahl unterschiedlicher Radarsensoren ermittelt wurden, trainiert werden, wobei die Trainingsradarsignale unter Verwendung des wenigstens einen dem Radarsensor, der sie aufgenommen hat, zugeordneten Abstrahierungsparameters zum Erhalt der Trainingseingangsdaten normiert werden. Mit anderen Worten bedeutet dies, dass auch Trainingsdatensätze von Radarsensoren mit unterschiedlicher Hardware-Ausstattung und/oder unterschiedlichem Messbetrieb, also unterschiedlichen Messeigenschaften, zum Training des Auswertungsalgorithmus der künstlichen Intelligenz herangezogen werden können, nachdem auch hier eine Normierung, insbesondere ebenfalls unter Einsatz der Abstrahierungsschicht, problemlos möglich ist. Nachdem beim Gewinn von Trainingsdatensätzen Zeitkritikalität noch nicht gegeben ist, sieht eine zweckmäßige Weiterbildung in diesem Zusammenhang vor, dass die Trainingsausgangsdaten wenigstens eines Teils der Trainingsdatensätze unter Verwendung einer Auswertungskette ohne künstliche Intelligenz ermittelt werden, wobei die Auswertungskette insbesondere eine schnelle Fouriertransformation und/oder einen Ankunftsrichtungsalgorithmus und/oder einen Zuordnungs- und/oder Clus- teringalgorithmus und/oder einen Trackingalgorithmus, insbesondere mit wenigstens einem Kalman-Filter, umfasst. Beispielsweise können Trainingsdatensätze insgesamt also aus dem Betrieb von im Einsatz befindlichen oder für gezielte Trainingsmessungen genutzten, herkömmlich ausgestatteten Radarsensoren abgeleitet werden, welche mithin eine herkömmliche Auswertungskette ohne künstliche Intelligenz einsetzen. In einer alternativen Ausgestaltung wäre es auch denkbar, für definierte, vorbestimmte Abstrahierungsparameter trainierte künstliche Intelligenz einzusetzen, um Trainingsausgangsdaten zu ermitteln, was jedoch weniger bevorzugt ist, da eine derartige künstliche Intelligenz wiederum von einem Training mit anderweitig ermittelten Trainingsausgangsdaten ausgehen müsste.

Zweckmäßigerweise können in der Abstrahierungsschicht mehrere Teilschritte, in denen jeweils die Normierung für wenigstens einen zugeordneten Abstrahierungsparameter erfolgt, durchgeführt werden. Das bedeutet, der durch die Abstraktionsschicht bereitgestellte Vorverarbeitungsschritt kann in mehrere Teilschritte aufgeteilt werden, wobei jeder Teilschritt die Effekte wenigstens eines ihm zugeordneten Abstrahierungsparameters in den empfangenen, digitalisierten Radarsignalen unterdrückt, insbesondere also auf einen bestimmten Vorgabewert für den Abstrahierungsparameter (Vorgabe-Abstra- hierungsparameter) anpasst, mithin normiert.

Wie bereits erläutert wurde, existieren im Rahmen der vorliegenden Erfindung eine Vielzahl denkbarer Abstrahierungsparameter, die den konkreten Messvorgang am individuellen Radarsensor beschreiben können. Wie bereits erwähnt, kann die Abstrahierungsschicht insbesondere und vorzugsweise so ausgestaltet sein, dass sie empfangene digitalisierte und normierte Radarsignale ausgibt, wie sie unmittelbar erhalten worden wären, wenn bestimmte Vorgabewerte für die verwendeten Abstrahierungsparameter bei der Messung genutzt worden wären. Mit anderen Worten rechnet die Abstrahierungsschicht bevorzugt von dem Wert des Abstrahierungsparameters bei der Aufnahme der empfangenen, digitalisierten Radarsignale auf den Vorgabewert des Abstrahierungsparameters um. Diese Umrechnung kann, wie dargelegt werden wird, für manche Parameter relativ unmittelbar ersichtlich sein, beispielsweise bei der Vergröberung oder Verfeinerung einer Auflösung, kann jedoch auch empirisch und/oder theoretisch und/oder durch Simulationen abgeleitete Zusammenhänge nutzen. Beispielsweise kann eine Kalibrierungsmessung vorgesehen werden, bei der in definierter Umgebung und bei definierter Messanordnung im Erfassungsbereich mit unterschiedlichen Radarsensoren gemessen wird, wobei insbesondere gezielt einzelne oder zusammengehörige Gruppen der Abstrahierungsparameter variiert werden, um Zusammenhänge schluss- zufolgern, die dann insbesondere in auf den Abstrahierungsparameter beziehungsweise die Gruppe von Abstrahierungsparameter bezogenen Teilschritten in der Abstrahierungsschicht angewendet werden können.

So kann in einer konkreten Ausgestaltung der vorliegenden Erfindung vorgesehen sein, dass als wenigstens einer des wenigstens einen Abstrahierungsparameters ein auf die Zeitauflösung und/oder Ortsauflösung und/oder Amplitudenauflösung bezogener Auflösungsparameter, insbesondere eine Sendekanalzahl und/oder eine Empfangskanalzahl und/oder eine Abtastfrequenz und/oder eine Abtastauflösung und/oder eine Abtastanzahl, verwendet wird, wobei zur Normierung in der Abstrahierungsschicht dem jeweiligen Abstrahierungsparameter ein Vorgabewert zugeordnet ist, wobei, insbesondere durch Verwendung von Interpolation und/oder Extrapolation, von dem Wert des Abstrahierungsparameters auf den jeweiligen Vorgabewert umgerechnet wird. Ist beispielsweise die Abtastung gemäß dem Vorgabewert genauer, können durch Extrapolation und/oder Interpolation zwischenliegende Abtaststellen hinzugefügt werden. Bei einer gröberen Auflösung gemäß Vorgabewert können beispielsweise Mittelungs- und/oder Zusammenfassungsvorgänge stattfinden. Für einen konkreten Parameter, beispielsweise die Zahl der virtuellen Kanäle (Sendekanäle und Empfangskanäle kombiniert) bzw. der Sende- und Empfangskanäle einzeln, kann die Normierung durch Interpolation oder Extrapolation der räumlichen Information erfolgen. Gleichermaßen können die Abtastfrequenz, die Abtastgenauigkeit und die Zahl der Abtastungen abstrahiert werden, um gleichförmige Radarcharakteristiken an der Ausgabe der Abstrahierungsschicht zu erhalten.

Ferner kann auch vorgesehen sein, dass als einer des wenigstens einen Abstrahierungsparameters wenigstens eine Eigenschaft eines MMIC und/oder einer Kombination von MMICs der Steuereinrichtung des Radarsensors und/oder eine Eigenschaft der Antennenanordnung und/oder des Analog-Digital- Wandlers verwendet wird. Bezüglich des wenigstens einen MMICs kann der Abstrahierungsparameter beispielsweise ein Phasenrauschen und/oder eine Rauschzahl und/oder eine maximale Ausgangsleistung und/oder eine Chirpli- nearität und/oder eine Art einer kaskadierten Anordnung mehrerer MMICs beschreiben. Bezüglich der Antennenanordnung kann der Abstrahierungsparameter einen Antennentyp und/oder eine Radarstrahleigenschaft (Radarkegeleigenschaft) und/oder einen Antennenelementabstand beschreiben. Bezüglich des Analog-Digital-Wandlers kann der Abstrahierungsparameter eine maximale Auflösung und/oder eine maximale Genauigkeit und/oder ein Wandlertyp und/oder ein ADC-Modus und/oder eine Ausgangsleistung sein. Bekannte Wandlertypen sind beispielsweise Sigma-Delta-ADC und SAR-ADC, die Einfluss auf die Datensammlung haben können. Denkbare weitere Abstrahierungsparameter, insbesondere zur Beschreibung des ADC-Modus, im Hinblick auf den Analog-Digital-Wandler sind die Abtastrate des ADC (entspricht der Samplezeit/Zahl der Samples pro Chirp), AD-Koeffizienten und Bitlänge.

In weiterer konkreter Ausgestaltung kann als wenigstens einer des wenigstens einen Abstrahierungsparameters eine Eigenschaft der verwendeten Chirps verwendet werden, wobei in der Abstraktionsschicht auf eine Standardchirp- konfiguration umgerechnet wird, welche insbesondere durch Vorgabewerte beschrieben sein kann. Die Umrechnung kann insbesondere durch Skalierung und/oder Stauchung und/oder Dehnung und/oder Mittelung und/oder Wiederholung erfolgen. Beispielhafte Abstrahierungsparameter bezüglich der Chirps können eine Bandbreite und/oder eine Startfrequenz und/oder eine Endfrequenz und/oder eine Chirpsteigung und/oder eine Chirpdauer und/oder eine Anzahl von Chirps umfassen. Bekannt ist auch der Begriff der Samples, der letztlich beschreibt, wie oft pro Chirp abgetastet wird. Entsprechend kann wenigstens einer des wenigstens einen Abstrahierungsparameters auch eine Samplezeit (entspricht der ADC-Abtastrate) und/oder eine Zahl der Samples pro Chirp sein. Bei dynamischen Chirps kann wenigstens einer des wenigstens einen Abstrahierungsparameters auch die Dynamik beschreiben. Während bei statischen Chirps Start- und Endfrequenz gleich bleiben, können sich diese bei dynamischen Chirps, insbesondere linear und/oder gemäß einem funktionalen Zusammenhang, gemeinsam unter Aufrechterhaltung der Bandbreite veschieben.

Schließlich kann als wenigstens einer des wenigstens einen Abstrahierungsparameters eine in dem Radarsensor verwendete Modulationseigenschaft und/oder wenigstens ein RX-Koeffizient verwendet werden. Modulationseigenschaften können beispielsweise ein Beamsteering und/oder eine MIMO- Konfiguration und/oder ein Code-Multiplexing und/oder eine Quadraturamplitudenmodulation sein. Auf diese Weise kann beispielsweise ein, ja eine Sende-Steuerungsmethode darstellendes, Beamsteering berücksichtigt werden. Dabei ist es möglich, den Erfassungsbereich in Azimut und Elevation, beispielsweise gitterartig, in Teilbereich aufzuteilen, wobei in einer Abstrahierungsschicht definiert werden kann, welche Teilbereiche wann ausgeleuchtet werden. Diese Aufteilung und Aktivität kann durch wenigstens einen des wenigstens einen Abstrahierungsparameters berücksichtigt werden.

In besonders vorteilhafter Ausgestaltung der Erfindung kann vorgesehen sein, dass der Radarsensor in einem Kraftfahrzeug betrieben wird, wobei die Ausgangsdaten des Auswertungsalgorithmus einer Funktion zur vollständig automatischen Führung (vollständig automatische Fahrzeugführungsfunktion) des Kraftfahrzeugs zugeführt werden. Durch die Nutzung des Auswertungsalgorithmus der künstlichen Intelligenz können Ausgangsdaten deutlich schneller verfügbar sein als bei herkömmlichen Auswerteketten, so dass sich Vorteile insbesondere für die Anwendung der vollständig automatischen Fahrzeugführung ergeben, da dort die Sicherheit deutlich erhöhbar ist. Selbstverständlich sind jedoch auch anderer Anwendungen denkbar, insbesondere jedoch im au- tomotiven Bereich.

Neben dem Betriebsverfahren für den Radarsensor betrifft die vorliegende Erfindung auch ein Trainingsverfahren zum Bereitstellen eines Auswertungsalgorithmus der künstlichen Intelligenz für ein erfindungsgemäßes Betriebsverfahren, welches sich dadurch auszeichnet, dass der Auswertungsalgorithmus mittels Trainingsdatensätzen, die aus digitalen Trainingsradarsignalen einer Vielzahl unterschiedlicher Radarsensoren ermittelt wurden, trainiert wird, wobei die Trainingsradarsignale unter Verwendung wenigstens eines dem Radarsensor, der sie aufgenommen hat, zugeordneten Abstrahierungsparameters zum Erhalt der Trainingseingangsdaten normiert werden. Dabei gelten die Ausführungen bezüglich des Betriebsverfahrens entsprechend für das Trainingsverfahren weiter.

Die Erfindung betrifft ferner einen Radarsensor, aufweisend eine Antennenanordnung mit wenigstens einem Sende-Antennenelement und/oder Empfangs-Antennenelement und einer Steuereinrichtung mit einer Hochfrequenzeinheit zur analogen Verarbeitung empfangener Radarsignale, einem Analog- Digital-Wandler zur Digitalisierung der Radarsignale und einer Auswerteeinheit zum Auswerten der digitalisierten Radarsignale, welcher sich dadurch auszeichnet, dass die Auswerteeinheit zur Durchführung des erfindungsgemäßen Betriebsverfahrens ausgebildet ist. Wenigstens ein erfindungsgemäßer Radarsensor kann in einem erfindungsgemäßen Kraftfahrzeug verbaut sein. Für den Radarsensor und das Kraftfahrzeug gelten ebenso die bereits genannten Ausführungen fort, so dass auch mit diesen die bereits genannten Vorteile erhalten werden können.

Ein erfindungsgemäßes Computerprogramm ist beispielsweise direkt in ein Speichermittel einer Auswerteeinheit eines Radarsensors ladbar und weist Instruktionen auf, um die Schritte eines erfindungsgemäßen Betriebsverfahrens durchzuführen, wenn es auf der Auswerteeinheit des Radarsensors ausgeführt wird. Ein Computerprogramm bezüglich des Trainingsverfahrens kann beispielsweise auf einer Recheneinrichtung eines Trainingssystems entsprechend ausführbar sein, um die Schritte eines Trainingsverfahrens gemäß der vorliegenden Erfindung auszuführen. Beide Arten von Computerprogramm können auf einem erfindungsgemäßen elektronisch lesbaren Datenträger gespeichert sein, auf dem mithin Steuerinformationen gespeichert sind, die wenigstens ein erfindungsgemäßes Computerprogramm umfassen, und bei Verwendung des Datenträgers in einer entsprechenden Recheneinrichtung, insbesondere einer Auswerteeinheit eines Radarsensors, diese veranlassen, die Schritte eines erfindungsgemäßen Verfahrens durchzuführen.

Weitere Vorteile und Einzelheiten der vorliegenden Erfindung ergeben sich aus den im Folgenden beschriebenen Ausführungsbeispielen sowie anhand der Zeichnung. Dabei zeigen:

Fig. 1 eine Prinzipskizze zum Ablauf des erfindungsgemäßen Betriebsverfahrens,

Fig. 2 einen erfindungsgemäßen Radarsensor, und

Fig. 3 eine Prinzipskizze eines erfindungsgemäßen Kraftfahrzeugs. Fig. 1 ist eine Skizze zur Erläuterung des erfindungsgemäßen Verfahrens. Das erfindungsgemäße Verfahren dient dazu, durch Anwendung eines Auswertungsalgorithmus der künstlichen Intelligenz, der für eine Vielzahl unterschiedlich ausgestatteter und im Messprozess, insbesondere also im Frontend, unterschiedlich betriebener Radarsensoren geeignet ist. Mit anderen Worten geht es darum, aus den am Analog-Digital-Wandler (ADC) unmittelbar abgegriffenen empfangenen, digitalisierten Radarsignalen Ausgangsdaten zu bestimmen, welche insbesondere detektierte Objekte beschreiben, beispielsweise als eine Objektliste, in der jedem Objekt Abstand, Geschwindigkeit sowie Winkel in Azimut und Elevation zugeordnet sind. Die Objekte können auch klassifiziert sein. Alternativ kann als Ausgangsdaten auch ein Radarbild erzeugt werden.

Der in Fig. 1 mit dem Bezugszeichen 1 gekennzeichnete Auswertungsalgorithmus der künstlichen Intelligenz, welcher beispielsweise ein neuronales Netz, insbesondere ein Convolutional Neural Network (CNN), umfassen kann, ist aufgrund von von den konkreten Messumständen hinsichtlich der Hardware und des Betriebs abstrahierten, also normierten, Eingangsdaten trainiert worden, nachdem sich empfangene, digitalisierte Radarsignale, für den konkreten Fall mit dem Bezugszeichen 2 gekennzeichnet, je nach Ausstattung und Betrieb des Radarsensors, insbesondere seines Frontends, unterscheiden können. Unterschiede können aus einer unterschiedlichen Hardware-Ausstattung resultieren, beispielsweise unterschiedlichen Kanalzahlen der verwendeten Antennenanordnung, unterschiedlichen Betriebsmodi verschiedener Komponenten, unterschiedlicher Ausgestaltung und Anzahl der Chirps und dergleichen. Diese Unterschiede zu einer Normvorgabe werden erfindungsgemäß durch Abstrahierungsparameter 3 beschrieben, die auch als Radar-Metadaten bezeichnet werden können. Die Abstrahierungsparameter 3 enthalten für den Radarsensor spezifische Betriebs- und/oder Ausstattungsparameter, welche sich von den Vorgabewerten der dem Training des Auswertungsalgorithmus 1 zugrundeliegenden digitalisierten empfangenen Radarsignale 2 unterscheiden können. Um diese Unterschiede auszugleichen und Eingangsdaten 4 für den Auswertungsalgorithmus 1 bereitstellen zu können, die dieser interpretieren kann, werden in dem durch Fig. 1 illustrierten Verfahren die empfangenen, digitalisierten Radarsignale 2 zunächst durch einen Abstrahierungsschicht 5 vorverarbeitet.

In der Abstrahierungsschicht 5 werden die empfangenen, digitalisierten Radarsignale 2 mithin für jeden vom die Norm definierenden Vorgabewert abweichenden Abstrahierungsparameter 3 so umgerechnet, dass sie dem Vorgabewert entsprechen, wobei einzelne Abstrahierungsparameter 3 und/oder Gruppen von Abstrahierungsparametern 3 in jeweiligen Teilschritten der Abstrahierungsschicht 5 bearbeitet werden können. Beispielsweise kann zur Umrechnung verschiedener auf die Auflösung bezogener Abstrahierungsparameter 3 in entsprechenden Teilschritten, beispielsweise jeweils zusammenfassend bezüglich räumlicher Auflösung und zeitlicher Auflösung, eine Interpolation und/oder Extrapolation zur Umrechnung erfolgen. Auflösungsparameter 3 können beispielsweise eine Sendekanalzahl und/oder eine Empfangskanalzahl und/oder eine Abtastfrequenz und/oder eine Abtrastauflösung und/oder eine Abtastanzahl sein. In weiteren Teilschritten kann beispielsweise vorgesehen sein, dass eine Normierung bezüglich Eigenschaften der verwendeten Chirps beschreibender Abstrahierungsparameter 3 erfolgt, wo beispielsweise durch Skalierung und/oder Stauchung und/oder Dehnung und/oder Mittelung und/oder Wiederholung eine Umrechnung erfolgen kann. Beispielsweise umfassen solche Abstrahierungsparameter 3 eine Bandbreite und/oder eine Startfrequenz und/oder eine Endfrequenz und/oder eine Chirpsteigung und/oder eine Chirpdauer und/oder eine Anzahl von Chirps und/oder Parameter bezüglich des Chirp-Sampling. Über diese genannten Beispiele hinaus sind selbstverständlich auch weitere Abstrahierungsparameter 3 denkbar, beispielsweise Eigenschaften verwendeter MMICs, der Antennenanordnung, des Analog-Digital-Wandlers und/oder der Modulation beschreibende Abstrahierungsparameter 3 und/oder RX-Koeffizienten.

Die Abstrahierungsparameter 3 können beispielsweise in einem Speichermittel des Radarsensors (RAM und/oder ROM) entsprechend vorliegen und für die Abstrahierungsschicht mit ihrem statischen beziehungsweise bei dynamischen Abstrahierungsparametern 3 aktuellen Wert abrufbar sein.

Die so aufbereiteten, auf die durch die Vorgabewerte beschriebene Norm umgerechneten empfangenen digitalisierten Radarsignale werden dann als Eingangsdaten 4 dem Auswertungsalgorithmus 1 der künstlichen Intelligenz zugeführt, um die Ausgangsdaten 6 zu erhalten.

Dabei sei an dieser Stelle darauf hingewiesen, dass der Auswertungsalgorithmus 1 ebenso mit den Radardaten unterschiedlicher Radarsensoren trainiert sein kann, nachdem diese beim Maschinenlernen unter Verwendung einer entsprechenden Abstrahierungsschicht 5 ebenso geeignet normiert werden können, um Trainingseingangsdaten zu bilden. Trainingsausgangsdaten können bevorzugt mit einer herkömmlichen Auswertungskette ermittelt sein, welche eine schnelle Fouriertransformation (FFT), Ankunftsrichtungsalgorithmen (DoA-Algorithmen) wie ESPRIT oder MUSIC, Zuordnungs- und/oder Clus- teringalgorithmen und Trackingalgorithmen, insbesondere mit wenigstens einem Kalman-Filter, umfassen kann. Auch Klassifizierungsalgorithmen können Teil einer solchen Auswertungskette sein und durch den Auswertungsalgorithmus 1 mit abgebildet werden.

Nachdem die Ausgangsdaten 6 durch Verwendung der Abstrahierungsschicht 5 und des Auswertungsalgorithmus 1 der künstlichen Intelligenz besonders schnell ermittelt werden können, eignet sich diese Art der Bereitstellung von Ausgangsdaten 6 insbesondere bezüglich einer vollständig automatischen Fahrzeugführungsfunktion, die durch ein Fahrzeugsystem eines Kraftfahrzeugs bereitgestellt werden kann.

Fig. 2 zeigt eine Funktionsskizze eines erfindungsgemäßen Radarsensors 7. Dieser umfasst ein Radarfrontend 8 mit einer Antennenanordnung 9, die mehrere hier nur angedeutete Antennenelemente 10 aufweisen kann, die als Sende- und/oder Empfangsantennenelemente genutzt werden können. Ebenfalls zum Frontend 8 gehörig ist als Teil der Steuereinrichtung 11 des Radarsensors 7 die Hochfrequenzeinheit 12, welche nicht nur die Signalerzeugung und -Verarbeitung beim Aussenden der Radarsignale über die Antennenanordnung 9 bereitstellt, sondern auch die Hochfrequenzverarbeitung empfangener Radarsignale der Antennenanordnung 9 übernimmt, ehe diese zur Digitalisierung einem Analog-Digital-Wandler 13 (ADC) zugeführt werden. Die Hochfrequenzeinheit 12 kann hierzu insbesondere einen oder mehrere MMICs 18 aufweisen.

In einem digitalen Anteil 15 der Steuereinrichtung 11 sind nicht nur die hier nicht näher gezeigten, den Sendevorgang betreffenden Komponenten verortet, sondern auch die Auswerteeinheit 14, welche die Abstrahierungsschicht 5 und den Auswertungsalgorithmus 1 der künstlichen Intelligenz umsetzt. Die Ausgangsdaten 6 können dann an einer hier nicht näher gezeigten Schnittstelle des Radarsensors 7 bereitgestellt werden.

Mit anderen Worten kann gesagt werden, dass die Auswerteeinheit 14 zur Durchführung des Verfahrens gemäß Fig. 1 ausgebildet ist, indem mittels der Abstrahierungsschicht 5 die empfangenen, digitalisierten Radarsignale 2 unter Verwendung der Abstrahierungsparameter 3 zu normierten Eingangsdaten 4 umgerechnet werden können, welche dann dem Auswertungsalgorithmus 1 der künstlichen Intelligenz eingegeben werden können, um die Ausgangsdaten 6 zu erhalten.

Wie bereits erwähnt, wird der Radarsensor 7 besonders vorteilhaft im automo- tiven Bereich, insbesondere in Kraftfahrzeugen, eingesetzt. Fig. 3 zeigt beispielhaft ein erfindungsgemäßes Kraftfahrzeug 16, welches vorliegend ein Fahrzeugsystem 17, das zur vollständig automatischen Führung des Kraftfahrzeugs 16 mittels einer entsprechenden vollständig automatischen Fahrzeugführungsfunktion ausgebildet ist. Das Kraftfahrzeug 16 umfasst eine Vielzahl von erfindungsgemäßen Radarsensoren 7, beispielsweise drei Radarsensoren 7 an Front und Heck und zwei Radarsensoren 7 an den Seiten. Die vollständig automatische Fahrzeugführungsfunktion des Fahrzeugsystems 17 nimmt die Ausgangsdaten 6 der verschiedenen Radarsensoren 7 entgegen und kann diese unmittelbar weiterverarbeiten, um entsprechende Steuerbefehle für die Fahrzeugführung zu erzeugen.