[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

WO2006128766A1 - Verfahren und vorrichtung zur erkennung und klassifizierung von objekten - Google Patents

Verfahren und vorrichtung zur erkennung und klassifizierung von objekten Download PDF

Info

Publication number
WO2006128766A1
WO2006128766A1 PCT/EP2006/061929 EP2006061929W WO2006128766A1 WO 2006128766 A1 WO2006128766 A1 WO 2006128766A1 EP 2006061929 W EP2006061929 W EP 2006061929W WO 2006128766 A1 WO2006128766 A1 WO 2006128766A1
Authority
WO
WIPO (PCT)
Prior art keywords
patterns
objects
evaluation
characteristic
received signals
Prior art date
Application number
PCT/EP2006/061929
Other languages
English (en)
French (fr)
Inventor
Joerg Hilsebecher
Martin Randler
Paco Haffmans
Ruediger Jordan
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Priority to CN200680019233XA priority Critical patent/CN101189533B/zh
Priority to EP06763068A priority patent/EP1891460A1/de
Priority to JP2008514049A priority patent/JP2008542732A/ja
Priority to US11/919,622 priority patent/US8542106B2/en
Publication of WO2006128766A1 publication Critical patent/WO2006128766A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/93185—Controlling the brakes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9321—Velocity regulation, e.g. cruise control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9325—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles for inter-vehicle distance regulation, e.g. navigating in platoons
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9327—Sensor installation details
    • G01S2013/93271—Sensor installation details in the front of the vehicles

Definitions

  • the present invention relates to a method and an apparatus for detecting and classifying objects, wherein electromagnetic radiation is emitted by means of a sensor and the partial radiations reflected on objects are received by the sensor and the received signals are evaluated by a comparison with stored, characteristic patterns and due the evaluation is closed to the class of the reflecting object.
  • an evaluation means for evaluating the received signals is provided, a memory for storing characteristic patterns is provided, whose stored pattern is compared with the evaluated signals and can therefore be concluded on the basis of the comparison to the class of reflective objects.
  • Triggering a deceleration of a vehicle to prevent a collision with another object or reducing the consequences of an imminent collision with another object wherein by means of signals of a device for transmitting and receiving radar or lidar signals or a device for receiving video signals objects in the course area of the vehicle are detected.
  • a hazard potential is determined and depending on the hazard potential, the delay means are controlled in at least three states, of which at least one state puts the deceleration means of the vehicle in a brake preparatory state.
  • the core of the present invention is to provide a method and a device by means of which sensor signals, which by emitting electromagnetic radiation and reflection of this transmission radiation to objects within the
  • the evaluation of the received signals in the frequency domain is carried out by the received signals are transformed by means of a Fourier transform and compared with characteristic frequency patterns. Due to the transformation in the frequency domain, which can be carried out by means of a Fourier transformation or a discrete Fourier transformation, the individual reflection signals can be spectrally analyzed in the frequency domain, whereby a comparison with characteristic
  • the evaluation takes place in the orthogonal space, in which the relative positions of the object reflections to the own vehicle are determined and compared with characteristic spatial patterns.
  • an evaluation is provided depending on the spatial directions, which is advantageously provided as a coordinate system that may be defined with respect to the sensor device.
  • the orientation of the spatial axes can in this case be such that they are aligned parallel to the vehicle longitudinal axis, the vehicle vertical axis and the vehicle transverse axis.
  • the spatial evaluation of the received signals is effected in such a way that the distances and azimuth angles of the reflection points with respect to the sensor are converted into Cartesian coordinates and thus the reflection points are present in the orthogonal space of the Cartesian coordinate system of the sensor. Due to the spatial distribution of the reflection points in this case a spatial pattern of the reflection points are generated, which are compared with characteristic spatial patterns.
  • Frequency width of the power reflected by the reflection point, the phase of the reflected power from the reflection point, the relative speed of the reflection points or a combination thereof, takes place.
  • reflection points are processed as only one reflection point.
  • merging of reflection points lying close to each other it is possible to reduce the computational complexity of the classification algorithm, since certain object areas such as wheel arches of vehicles or large levels of vehicles usually provide a plurality of reflection points which, however, have no additional significance in terms of their significance with respect to the object class
  • Evaluations of earlier measuring cycles are generated. This makes it possible to update the originally deposited characteristic patterns by further refining the characteristic patterns through successful object classifications during operation.
  • the stored characteristic patterns consist of a first table with fixed predetermined patterns and a second table with deviations, the deviations being difference patterns between the fixed predetermined patterns and the patterns detected in earlier measuring cycles.
  • the second table with the difference patterns can be reset, so that starting from the factory settings, a new refinement of the characteristic pattern can be done.
  • the recognized objects by the evaluation of one of the object classes passenger cars, trucks, two-wheeled, guardrail, manhole cover, road bridge, gantry, beverage can, street sign or other objects, for example in the form of trees on the roadside or bridge piers assigned. Furthermore, it is advantageous to divide the objects into classes, it being provided as a property of these classes that the objects are passable (for example, overflowable manhole cover, drive-over beverage can, road bridge) or are not passable and can not be run over
  • the equipped vehicle in the absence of a preceding object in the sense of a constant speed control, is speed-controlled to a setpoint speed specified by the driver and, in the case of a detected preceding vehicle object, speed-regulated in the sense of a constant distance control to the previously moving detected object.
  • a truck performs a full braking, so this performs a vehicle deceleration with a lower absolute deceleration, as happens for example during the emergency braking of a passenger car, so that in case of emergency braking behind a truck other evasion or braking strategies can be used as in an emergency braking behind a preceding car or two-wheeler.
  • the evaluation means to carry out a transformation of the received signals into the frequency space and / or into the orthogonal space and to carry out a spectral evaluation of the received signals and / or a spatial evaluation of the received signals.
  • the evaluation means to carry out a transformation of the received signals into the frequency space and / or into the orthogonal space and to carry out a spectral evaluation of the received signals and / or a spatial evaluation of the received signals.
  • the method according to the invention in the form of a control element which is provided for a control unit of an adaptive distance or speed control or an emergency brake release of a motor vehicle.
  • a program is stored on the control, which is executable on a computing device, in particular on a microprocessor or signal processor, and suitable for carrying out the method according to the invention.
  • the invention is realized by a program stored on the control, so that this m, it provides the program control in the same way as the invention, as the method to its execution the
  • an electrical storage medium can be used as the control, for example a read-only memory.
  • Figure 1 is a schematic block diagram of an embodiment of the device according to the invention
  • Figure 2 is a flow chart of a first embodiment of the invention
  • FIG. 5 shows a first traffic situation in which the individual reflection points of the reflected electromagnetic radiation are drawn
  • FIG. 6 shows a further traffic situation in which the reflection points were partially merged
  • FIG. 7 a further traffic situation in which the detected objects were classified
  • FIG. 8 an overview of some representative, predetermined, characteristic patterns which are generated for comparison with patterns which originate from the received signals were, serve.
  • FIG. 1 shows a schematic block diagram of an embodiment of the device according to the invention.
  • a classification device which has an input circuit 2.
  • input signals can be fed to the classification device 1, which signals can be supplied, for example, by an object detection sensor 3 and an optionally foreseeable one Control 4 come.
  • the object detection sensor 3 is embodied as a sensor which radiates electromagnetic radiation into the surroundings in front of the vehicle and, in the presence of objects 40, 41, 42, 43, 44, receives reflected partial waves in the sensor detection area 39 which were reflected at the objects.
  • the object detection sensor 3 can be designed as a radar sensor or lidar sensor, wherein by means of this sensor, the distance, the azimuth angle of the reflecting object 40, 41, 42, 43, 44 with respect to the sensor central axis and optionally the relative speed of the detected object with respect to the own vehicle 37 can be determined.
  • the received signals of the object detection device 3 are supplied to the input circuit 2 of the classifier 1.
  • Classification device 1 is additionally designed as an adaptive distance and speed control device or as a control device for triggering emergency braking of a vehicle, it may be provided to provide an operating device 4, by means of which the adaptive distance and speed controller can be activated, deactivated or adjusted in its control parameters.
  • the input signals supplied to the input circuit 2 are supplied by means of a data exchange device 5 to a computing device 6, which may be embodied for example as a microprocessor.
  • the received signals of the object detection sensor 3 are evaluated, classified the detected objects and calculated control signals.
  • Classifying device 1 is used for adaptive distance and speed control of a vehicle 37, set in response to the received signals of the object detection sensor 3 and the object classes determined therefrom actuating signals for driving the drive train and the delay devices. These control signals are sent by means of the data exchange 5 to an output circuit
  • control signals are generated by means of the
  • the computing device 6 the type of object is known.
  • the memory device 7 by means of another data exchange device 8 with the
  • the memory 7 can also be connected to the computing device 6 via the data exchange device 5.
  • FIG. 2 shows an embodiment of the method according to the invention.
  • the process starts in step S 12, which is started, for example, when starting the vehicle 37.
  • receive signals of the object detection sensor 3 are read into the calculation device 6, in which the method according to the invention runs.
  • the input signals which arrive, for example, as time-varying signals, are transformed into an orthogonal space. For this purpose, the distance and the azimuth angle of the detected
  • Reflection points converted into Cartesian coordinates can be, for example, a sensor-sensitive coordinate system.
  • the radar return so that they separate radar reflections are detected.
  • the reflection points are evaluated with regard to specific criteria.
  • Step S17 a characteristic pattern of the detected object, so that in the following Step S17 a comparison with stored, characteristic patterns is performed.
  • the stored characteristic pattern that best matches the characteristic pattern generated from the object reflection is thereby selected, and based on the selected characteristic stored pattern, the object type can be concluded, which is performed in step S18.
  • Comparison according to step S17 can be carried out by means of computation, for example by means of correlation.
  • step S18 the class of the object to which the respective reflection point has been reflected is fixed, and the object can be assigned to one of the classes trucks, passenger cars, two-wheelers, manhole covers, guard rails or other objects.
  • step S 19 it is possible to provide an optional step S 19, in which the stored characteristic pattern is updated.
  • the method jumps back to step S13, so that in a new measuring cycle again receive signals of the object detection sensor 3 are read and a loop is formed.
  • FIG. 3 shows a further exemplary embodiment of the method according to the invention.
  • this method again starts in step S20, for example, when the vehicle is started.
  • the received signals of the object detection sensor 3 are read in and fed to the evaluation.
  • the received signals are transformed into a frequency domain, for example by means of a Fourier transformation technique which can be implemented as a fast Fourier transformation or as a discrete Fourier transformation.
  • characteristic frequency profiles arise from the received signals of the object detection sensor 3, which are evaluated in step S23 with respect to predetermined criteria.
  • step S23 the power of the received signals of each reflection point is determined, the frequency-dependent spectral shape of the frequency pattern, the power density and the phase determined and compared in the following step S24 with stored characteristic patterns which are stored in the memory 7.
  • the comparison can be done by way of example by means of correlation.
  • the stored characteristic Frequency pattern most likely to coincide with the characteristic pattern evaluated from the received signals of the object detection sensor 3 is assumed to be coincident, whereupon an object classification can be performed in step S25 by matching the detected object of one of the object classes of lorries, passenger cars, etc., by the best possible match.
  • step S26 in which the stored characteristic patterns can be updated in a successfully performed object classification, for example, by processing the characteristic patterns of the detected object by means of weighting factors stored in the memory 7, stored characteristic patterns, so that the stored characteristic patterns can be further refined by successful object classifications in the course of operation.
  • step S25 or step S26 optionally provided, the method jumps back to step S21, so that in a new measuring cycle, in turn, receive signals of the
  • Object detection sensor 3 are read and a loop is formed.
  • FIG. 4 shows a further embodiment of the method according to the invention, in which the evaluation takes place by means of characteristic patterns both in the orthogonal space and in the frequency space.
  • the procedure begins in step
  • step S27 for example, by activating it when the vehicle is started.
  • step S28 in turn, the reception signals of the object detection sensor 3 are supplied to the calculation device 6.
  • step S29 the input signals of the object detection sensor 3, which are present as time-varying signals are transformed into the orthogonal space, so that the spatial positions of the reflection points are present.
  • reflection points lying close to each other are fused, so that the computational effort for the evaluation can be reduced, since reflection points close to each other, for example as a result of strongly reflecting structures on vehicles or due to the multi-beam nature of the object detection sensor 3, are detected.
  • step S30 The output data of step S30, in which closely adjacent reflection points have been merged, are then evaluated in step S31 with respect to characteristic spatial patterns in the orthogonal space and possibly existing characteristic patterns are determined.
  • step S31 the output data of step S30 is supplied to step S32 in which the reflection point data be transformed into the frequency domain.
  • the reflection point data which are now in the frequency domain, will now be examined in the following step S33 with respect to characteristic patterns in the frequency domain and matches with stored, characteristic patterns determined.
  • step S34 the spatial characteristic patterns in the orthogonal space determined in step S31 as well as the characteristic patterns of the reflection points determined in the frequency domain in step S33 are compared with stored characteristic patterns, which are stored in the memory device 7, for example. In this case, it is determined, for example by means of correlation, which stored, characteristic patterns have the greatest similarity with the characteristic values determined in step S31 or in step S33
  • the object classification is carried out in step S35 by inferring the corresponding object class on the basis of the stored characteristic pattern such that the reflection points of a
  • step S35 is followed by an optionally foreseeable step S36, in which the stored characteristic patterns can be updated by an update, since the stored characteristic patterns can be further refined by a successful object classification with an independent characteristic pattern, so that the object classification with continuous operation can always be refined.
  • step S36 the method is continued again in step S28 by receiving signals of the object detection sensor 3 being read again in a new measurement cycle.
  • the update of the stored characteristic patterns according to the steps S 19, S26 and S36 can also be configured such that the characteristic patterns are not stored in a single table, but two separate tables are provided, wherein in a first table, fixed , characteristic patterns have already been stored in the factory and are stored by successful object classifications, which, however, have small differences in the characteristic patterns with respect to the given, factory-characteristic patterns, and these differences are stored in a second difference table depending on the object classes.
  • the fixed in the first table characteristic patterns are further refined by determining additional data in a difference table on the basis of the already successful object classifications. This makes it possible, for example, to automatically delete the difference table in the event of an accumulation of misclassifications and to continue working by means of a factory-set, predetermined characteristic pattern by one
  • FIG. 5 shows a typical traffic situation which is processed by the method according to the invention.
  • a separate vehicle 37 which moves on a multi-lane road 38.
  • the own vehicle 37 is with a
  • Object detection sensor 3 is equipped, which detects the vehicle environment in front of the vehicle and detects objects within the limits of the detection area 39.
  • the object detection sensor 3 emits electromagnetic radiation, which is partially reflected at objects within the detection area 39 and returned to the object detection sensor 3, which receives and evaluates them.
  • a passenger vehicle 40 travels on the left lane and a lorry 41 on the right lane.
  • a manhole cover 42 is shown on the roadway, which is a good reflector due to its metallic surface for electromagnetic radiation.
  • a guardrail 43 is shown on the left lane edge and shown other objects 44, which are present in this drawing as regularly positioned objects, for example in the form of trees on the roadside.
  • the electromagnetic radiation emitted by the object detection sensor 3, in particular in the form of microwave radiation, is hereby reflected by the described objects, it being possible for the radiation emitted by the object detection sensor 3 to be reflected multiple times at an object.
  • the points at which the electromagnetic power radiated by the object detection sensor 3 is reflected on the objects 40, 41, 42, 43, 44 are identified by means of small crosses.
  • the passenger car 40 has a reflection point at the rear left corner, two reflection points at the rear right corner, and one at each of the front right and rear right wheels
  • the lorry 41 traveling on the adjacent lane has a reflection point at the rear right corner, a total of three reflection points at the rear left corner, two reflection points at the rear left wheel of the trailer and a reflection point at the rear left wheel of the tractor.
  • the manhole cover 42 also has three reflection points, the again marked with small crosses.
  • the guardrail 43 has three reflection points, which are arranged along the right side of the guardrail 43.
  • the other objects 44 which in this illustration, for example, embody trees on the roadway edge, also have partial reflection points, provided that they are within the detection area 39, which also means of small
  • Reflection points had, according to Figure 6, only a single reflection point, since the two reflection points shown in Figure 5 were fused to a single point of reflection. Also, with respect to the truck 41, the three closely spaced right reflection points at the rear left corner were merged into a single reflection point, and the two reflection points at the rear left wheel of the trailer were also fused into a single reflection point. With respect to the manhole cover 42, the three individual reflection points, which were very close to each other, were merged into a single reflection point, which was represented in Figure 6 by means of a single cross. By contrast, the three reflection points, which are marked in FIG.
  • reflection points are now evaluated in the orthogonal space and / or in the frequency space, wherein for the evaluation in the frequency space, the reflection points of Figure 6 must be converted, for example by means of a Fourier transform technique in the frequency domain.
  • the fusion of closely spaced reflection points, as well as any necessary transformation into the frequency domain, has been carried out here in the calculation means 6 of FIG.
  • the reflection point data present in the orthogonal range or in the frequency range are now evaluated with respect to characteristic patterns, for example by analyzing the reflected power of each reflection point.
  • the large rear surface of a box truck lorry 41 reflects significantly more power than could be done by the rear end of a passenger car 40 or through the rough surface of the manhole cover 42.
  • a truck 41 in the area of the landing gear has stronger fractures, so that the probability of multiple radar reflections in a truck 41 is more likely than in a passenger vehicle 40 having a substantially closed body outer shape.
  • Reflection point can be made to an object of a predetermined class of objects with the greatest possible probability. For example, it is also possible to assign reflection points with the same relative speed, which are within a certain range, to a single object and thus also close the size of the object, whereby, for example, a truck 41 is distinguished from a passenger car 40, a bicycle or a manhole cover 42 can be. By evaluating the relative speed, it is also possible to detect crash barriers or other objects on the edge of the road as stationary objects, since these have approximately the same relative speed to the sensor as the speed with which the vehicle moves.
  • Characteristic pattern of the reflection points which is, for example, based on the relative velocity, the power reflected by the reflection point power, the spectral width of the reflected radiation of the reflection point and the phase of the reflected power of the reflection point is a comparison of these patterns by means of stored in a memory 7, characteristic pattern possible, this one
  • Comparison can be done by way of example by means of correlation.
  • the pattern deposited in the memory 7 as a characteristic predetermined pattern is recognized as the most similar to the pattern determined from the reflection points, which has the largest positive correlation. This makes it possible to deduce the object type, because for each
  • Object class one or more characteristic patterns have been deposited in memory 7.
  • the reflection points of the passenger car 40 were recognized as belonging to an object, and due to the reflected power of the reflection points, their spectral frequency pattern and the phase of the received signals these reflection signals could be assigned to an object of the class passenger cars.
  • FIG. 8 shows an overview of a plurality of characteristic frequency profiles of object reflections.
  • a characteristic pattern of a truck is shown, in which along a frequency axis f, a spectrum of an object reflection of a truck is recorded.
  • the envelope 45 which is designed approximately symmetrically to a center frequency f 0 .
  • the envelope 45 in this case has a relatively high amplitude of the individual spectral components, since the rear of a truck is usually highly reflective.
  • the envelope of the truck has a large width over the frequency f, which is also an important criterion for the characteristic pattern.
  • a phase diagram of the truck reflection point is plotted, showing the real part on the abscissa and the imaginary part on the ordinate.
  • a phase indicator 49 is registered, which has a certain phase 50 for the reflection on the truck.
  • a characteristic diagram is plotted for passenger cars, which has an envelope 46, on the one hand has a smaller frequency width than the envelope 45 for the truck as well as lower in amplitude than the envelope for the truck.
  • the phase information for the characteristic pattern of the passenger car it should be noted that this usually has a greater phase for passenger cars than for trucks.
  • the characteristic pattern for a manhole cover is shown here by the envelope 47, which has a very small frequency width, but nevertheless in the amplitude is relatively high, which can explain the good reflection properties of a manhole cover.
  • the characteristic pattern of a guardrail is applied which usually has several reflection points.
  • envelope 48 a curve is shown which has a plurality of peaks and has a very large phase according to the adjacent phase diagram. For each of the provided object classes such a characteristic frequency pattern, such a characteristic phase pattern and other characteristic values are stored, with which the characteristic patterns obtained from the received signals of the object detection sensor 3 are compared.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

Verfahren und Vorrichtung zur Erkennung und Klassifizierung von Objekten, wobei mittels eines Sensors elektromagnetische Strahlung ausgesandt wird und die an Objekten reflektierten Teilstrahlungen vom Sensor empfangen werden und die empfangenen Signale durch einen Vergleich mit hinterlegten charakteristischen Werten ausgewertet werden und Aufgrund der Auswertung auf die Klasse des reflektierenden Objekts geschlossen wird. Hierzu ist ein Auswertemittel zur Auswertung der empfangenen Signale vorgesehen, ein Speicher zur Hinterlegung charakteristischer Muster vorgesehen, dessen hinterlegte Muster mit den ausgewerteten Signalen verglichen werden und aufgrund des Vergleichs somit auf die Klasse der reflektierenden Objekte geschlossen werden kann.

Description

Verfahren und Vorrichtung zur Erkennung und Klassifizierung von Objekten
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zur Erkennung und Klassifizierung von Objekten, wobei mittels eines Sensors elektromagnetische Strahlung ausgesandt wird und die an Objekten reflektierten Teilstrahlungen vom Sensor empfangen werden und die empfangenen Signale durch einen Vergleich mit hinterlegten, charakteristischen Mustern ausgewertet werden und aufgrund der Auswertung auf die Klasse des reflektierenden Objekts geschlossen wird. Hierzu ist ein Auswertemittel zur Auswertung der empfangenen Signale vorgesehen, ein Speicher zur Hinterlegung charakteristischer Muster vorgesehen, dessen hinterlegte Muster mit den ausgewerteten Signalen verglichen werden und aufgrund des Vergleichs somit auf die Klasse der reflektierenden Objekte geschlossen werden kann.
Stand der Technik
Aus der DE 102 31 558 Al ist ein Verfahren und eine Vorrichtung zum automatischen
Auslösen einer Verzögerung eines Fahrzeugs zur Verhinderung einer Kollision mit einem weiteren Objekt oder Verminderung der Folgen einer bevorstehenden Kollision mit einem weiteren Objekt bekannt, wobei mittels Signalen einer Einrichtung zum Aussenden und Empfangen von Radar- oder Lidarsignalen oder einer Einrichtung zum Empfangen von Videosignalen Objekte im Kursbereich des Fahrzeugs detektiert werden. In
Abhängigkeit der erkannten Objekte wird ein Gefährdungspotenzial bestimmt und in Abhängigkeit des Gefährdungspotenzials die Verzögerungsmittel in mindestens drei Zuständen angesteuert, von dem mindestens ein Zustand die Verzögerungsmittel des Fahrzeugs in einen bremsvorbereitenden Zustand versetzt. Kern und Vorteile der Erfindung
Der Kern der vorliegenden Erfindung ist es, ein Verfahren und eine Vorrichtung anzugeben, mittels denen Sensorsignale, die durch Aussendung elektromagnetischer Strahlung und Reflexion dieser Sendestrahlung an Objekten innerhalb des
Objektdetektionsbereichs reflektiert werden, vom Sensor wieder empfangen werden und bezüglich vorbestimmter charakteristischer Muster untersucht werden, um durch einen Vergleich mit hinterlegten, charakteristischen Mustern auf die Art des Objektes schließen zu können und das detektierte Objekt einer Objektklasse zuordnen zu können.
Erfϊndungsgemäß wird dieses durch die Merkmale der unabhängigen Ansprüche gelöst. Vorteilhafte Weiterbildungen und Ausgestaltungen ergeben sich aus den Unteransprüchen.
Vorteilhafter Weise erfolgt die Auswertung der Empfangssignale im Frequenzbereich, indem die Empfangssignale mittels einer Fouriertransformation transformiert werden und mit charakteristischen Frequenzmustern verglichen werden. Durch die Transformation im Frequenzbereich, die mittels einer Fouriertransformation oder einer diskreten Fouriertransformation durchführbar ist, können die einzelnen Reflexionssignale spektral im Frequenzbereich analysiert werden, wodurch ein Vergleich mit charakteristischen
Frequenzmustern ermöglicht wird.
Weiterhin ist es vorteilhaft, dass die Auswertung im Orthogonalraum erfolgt, in dem die relativen Positionen der Objektreflexionen zum eigenen Fahrzeug bestimmt werden und mit charakteristischen räumlichen Mustern verglichen werden. Als Orthogonalraum ist eine Auswertung in Abhängigkeit der Raumrichtungen vorgesehen, wobei in vorteilhafter Weise als Koordinatensystem vorgesehen ist, das bezüglich der Sensorvorrichtung definiert sein kann. Die Ausrichtung der Raumachsen kann hierbei derart erfolgen, dass diese parallel zu der Fahrzeuglängsachse, der Fahrzeughochachse sowie der Fahrzeugquerachse ausgerichtet sind. Die räumliche Auswertung der Empfangssignale geschieht dabei derart, dass die Abstände und Azimutwinkel der Reflexionspunkte bezüglich des Sensors in kartesische Koordinaten umgerechnet wird und somit die Reflexionspunkte im Orthogonalraum des kartesischen Koordinatensystems des Sensors vorliegen. Durch die räumliche Verteilung der Reflexionspunkte kann hierbei ein räumliches Muster der Reflexionspunkte erzeugt werden, dass mit charakteristischen räumlichen Mustern verglichen werden.
Weiterhin ist es vorteilhaft, dass der Vergleich mit charakteristischen Mustern durch Auswertung der reflektierten Leistung des Reflexionspunktes, der spektralen
Frequenzbreite der vom Reflexionspunkt reflektierten Leistung, der Phase der vom Reflexionspunkt reflektierten Leistung, die Relativgeschwindigkeit der Reflexionspunkte oder einer Kombination hieraus, erfolgt. Durch eine Untersuchung der Empfangssignale hinsichtlich der beschriebenen Kriterien kann eine Art Fingerabdruck des reflektierenden Objekts erzeugt werden, wobei anhand der Kriterien und ein Vergleich mit hinterlegten charakteristischen Werten anhand dieses so genannten Fingerabdrucks des Objekts auf die Objektklasse geschlossen werden kann.
Weiterhin ist es vorteilhaft, dass vor dem Vergleich mit charakteristischen Mustern räumlich nah beieinander liegende Reflexionspunkte als nur ein Reflexionspunkt verarbeitet werden. Durch dieses so genannte Verschmelzen nah beieinander liegender Reflexionspunkte ist es möglich, den Rechenaufwand den Klassifizierungsalgorithmusses zu verringern, da bestimmte Objektbereiche wie beispielsweise Radkästen von Fahrzeugen oder große Ebenen an Fahrzeugen meist mehrere Reflexionspunkte liefern, die jedoch hinsichtlich ihrer Aussagekraft bezüglich der Objektklasse keine zusätzliche
Information liefern, sodass die Berücksichtigung dieser nah beieinander liegenden Reflexionspunkte durch Verarbeitung nur eines verschmolzenen Reflexionspunktes vorteilhaft ist.
Weiterhin ist es vorteilhaft, dass die hinterlegten, charakteristischen Muster durch
Auswertungen früherer Messzyklen erzeugt werden. Hierdurch ist es möglich, die ursprünglich hinterlegten charakteristischen Muster zu aktualisieren, indem die charakteristischen Muster durch erfolgreiche Objektklassifikationen während dem Betrieb immer stärker verfeinert werden.
Besonders vorteilhaft ist es, dass die hinterlegten charakteristischen Muster aus einer ersten Tabelle mit fest vorbestimmten Mustern und einer zweiten Tabelle mit Abweichungen bestehen, wobei die Abweichungen Differenzmuster zwischen den fest vorbestimmten Mustern und den in früheren Messzyklen erkannten Mustern sind. Vor der ersten Inbetriebnahme der Vorrichtung und des Verfahrens werden in der ersten Tabelle - A -
mit fest vorbestimmten Mustern feste Werte vorgegeben und durch erfolgreiche Objektklassifikationen mit leicht unterschiedlichen, charakteristischen Mustern Differenzen zu den vorbestimmten, werkseitig eingestellten Mustern erzeugt, wobei diese Differenzen in der zweiten Tabelle abgelegt werden, um die ersten, werkseitig vorbestimmten Muster nicht zu überschreiben und im Fall von häufigen
Klassifizierungsfehlern die zweite Tabelle mit den Differenzmustern zurückgesetzt werden kann, sodass ausgehend von den werkseitigen Einstellungen eine neue Verfeinerung der charakteristischen Muster erfolgen kann. Durch diese Ausgestaltung ist es möglich, jederzeit auf werkseitig vorbestimmte charakteristische Muster zugreifen zu können, diese während dem Betrieb weiter verfeinern zu können, jedoch im Falle von
Fehlfunktionen jederzeit auf die werkseitigen Einstellungen zurückkehren zu können.
Vorteilhafter Weise werden die erkannten Objekte durch die Auswertung einer der Objektklassen Personenkraftwagen, Lastkraftwagen, Zweirad, Leitplanke, Kanaldeckel, Straßenbrücke, Schilderbrücke, Getränkedose, Straßenschild oder sonstige Objekte, beispielsweise in Form von Bäumen am Fahrbahnrand oder Brückenpfeilern, zugeordnet. Weiterhin ist es vorteilhaft, die Objekte in Klassen einzuteilen, wobei als Eigenschaft dieser Klassen vorgesehen ist, dass die Objekte passierbar sind (beispielsweise überfahrbarer Kanaldeckel, überfahrbare Getränkedose, unterfahrbare Straßenbrücke) beziehungsweise nicht passierbar sind und nicht überfahren werden können
(beispielsweise Personen kraftwagen, Lastkraftwagen, Zweiräder, Leitplanken, Straßenschilder).
Vorteilhafter Weise wird das Verfahren zur adaptiven Abstands- und Geschwindigkeitsreglung eines Kraftfahrzeugs und/oder zur Auslösung einer
Notbremsung verwendet. Bei einer adaptiven Abstands- und Geschwindigkeitsregelung wird das ausgerüstete Fahrzeug, bei nicht Vorhandensein eines vorherfahrenden Objekts im Sinne einer Geschwindigkeitskonstantregelung auf eine vom Fahrer vorgegebene Sollgeschwindigkeit geschwindigkeitsgeregelt und im Falle eines erkannten vorherfahrenden Objekts im Sinne einer Abstandskonstantregelung auf das vorher fahrende erkannte Objekt geschwindigkeitsgeregelt. Zur Verfeinerung von Regelalgorithmen ist es hierbei vorteilhaft, bei einem erkannten Objekt die Information über die Objektart zu ermitteln, so dass bei einer Folgefahrt hinter einem Lastkraftwagen anders reagiert werden kann als bei einer Folgefahrt auf einen Personenkraftwagen, oder dass stark reflektierende Objekte wie beispielsweise Kanaldeckel in der Fahrbahndecke nicht als relevante Objekte zur Geschwindigkeitsregelung berücksichtigt werden. Bei einer Anwendung des erfindungsgemäßen Verfahrens zur Auslösung einer Notbremsung oder zur Vorbereitung einer Auslösung einer Notbremsung ist es ebenfalls von entscheidender Wichtigkeit, die Objektklassen der erkannten Objekte zu kennen, um auf kritische Situationen, die auf eine bevorstehende Kollision schließen lassen, besser reagieren zu könne. Vollzieht beispielsweise ein Lastkraftwagen eine Vollbremsung, so führt dieser eine Fahrzeugverzögerung mit einer geringeren Absolutverzögerung durch, als dies beispielsweise bei der Vollbremsung eines Personenkraftwagens geschieht, sodass im Falle einer Notbremsung hinter einem Lastkraftwagen andere Ausweich- oder Bremsstrategien eingesetzt werden können als bei einer Notbremsung hinter einem vorherfahrenden Personenkraftwagen oder Zweirad.
Weiterhin ist es vorteilhaft, dass die Auswertemittel eine Transformation der empfangenen Signale in den Frequenzraum und/ oder in den Orthogonal-Raum durchführen und eine spektrale Auswertung der empfangenen Signale und/oder eine räumliche Auswertung der empfangenen Signale durchführen. Insbesondere durch das Vorsehen beider Transformationen und Auswertungen sowohl im Orthogonal-Raum als auch im Frequenzraum ist es möglich eine große Anzahl an Mustern zu erzeugen, mittels denen durch Vergleich mit hinterlegten Mustern eine sichere Objektklassifikation durchgeführt werden kann.
Von besonderer Bedeutung ist die Realisierung des erfindungsgemäßen Verfahrens in der Form eines Steuerelements, das für ein Steuergerät einer adaptiven Abstands- bzw. Geschwindigkeitsregelung bzw. einer Notbremsauslösung eines Kraftfahrzeugs vorgesehen ist. Dabei ist auf dem Steuerelement eine Programm gespeichert, das auf einem Rechengerät, insbesondere auf einem Mikroprozessor oder Signalprozessor, ablauffähig und zur Ausführung des erfindungsgemäßen Verfahrens geeignet ist. In diesem Fall wird also die Erfindung durch ein auf dem Steuerelement abgespeichertes Programm realisiert, so dass dieses m,it dem Programm versehene Steuerelement in gleicher Weise die Erfindung darstellt wie das Verfahren, zu dessen Ausführung das
Programm geeignet ist. Als Steuerelement kann insbesondere ein elektrisches Speichermedium zur Anwendung kommen, beispielsweise ein Read-Only-Memory.
Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen der Erfindung, die in den Figuren der Zeichnung dargestellt sind. Dabei bilden alle beschriebenen oder dargestellten Merkmale für sich oder in beliebiger Kombination den Gegenstand der Erfindung, unabhängig von ihrer Zusammenfassung in den Patentansprüchen oder deren Rückbeziehung sowie unabhängig ihrer Formulierung bzw. Darstellung in der Beschreibung bzw. in den Zeichnungen.
Zeichnungen
Nachfolgend werden Ausführungsbeispiele der Erfindung anhand von Zeichnungen erläutert. Es zeigen
Figur 1 ein schematisches Blockschaltbild einer Ausführungsform der erfindungsgemäßen Vorrichtung, Figur 2 ein Ablaufdiagramm einer ersten Ausführungsform des erfindungsgemäßen
Verfahrens, Figur 3 ein Ablaufdiagramm einer weiteren Ausführungsform des erfindungsgemäßen
Verfahrens, Figur 4 ein Ablaufdiagramm einer weiteren Ausführungsform des erfindungsgemäßen
Verfahrens,
Figur 5 eine erste Verkehrssituation, in der die einzelnen Reflexionspunkte der reflektierten elektromagnetischen Strahlung eingezeichnet sind,
Figur 6 eine weitere Verkehrssituation, in der die Reflexionspunkte teilweise verschmolzen wurden, Figur 7 eine weitere Verkehrssituation in der die erkannten Objekte klassifiziert wurden und Figur 8 eine Übersicht einiger repräsentativer, vorbestimmter, charakteristischer Muster, die zum Vergleich mit Mustern, die aus den Empfangssignalen erzeugt wurden, dienen.
Beschreibung von Ausführungsbeispielen
In Figur 1 ist ein schematisches Blockschaltbild eine Ausführungsform der erfindungsgemäßen Vorrichtung dargestellt. Zu erkennen ist eine Klassifizierungseinrichtung 1, die über eine Eingangsschaltung 2 verfügt. Mittels der Eingangsschaltung 2 sind der Klassifizierungseinrichtung 1 Eingangssignale zuführbar, die beispielsweise von einem Objektdetektionssensor 3 und einem optional vorsehbaren Bedienelement 4 stammen. Der Objektdetektionssensor 3 ist als Sensor ausgestaltet, der elektromagnetische Strahlung in das vor dem Fahrzeug gelegene Umfeld abstrahlt und bei Vorhandensein von Objekten 40, 41, 42, 43, 44 im Sensorerfassungsbereich 39 reflektierte Teilwellen empfängt die an den Objekten reflektiert wurden. Vorteilhafter Weise kann der Objektdetektionssensor 3 als Radarsensor oder Lidarsensor ausgestaltet sein, wobei mittels dieses Sensors, der Abstand, der Azimutwinkel des reflektierenden Objekts 40, 41, 42, 43, 44 bezüglich der Sensorzentralachse sowie optional die Relativgeschwindigkeit des detektierten Objekts bezüglich des eigenen Fahrzeugs 37 ermittelbar sind. Die Empfangssignale der Objektdetektionseinrichtung 3 werden der Eingangsschaltung 2 der Klassifizierungseinrichtung 1 zugeführt. Im Fall, dass die
Klassifizierungseinrichtung 1 zusätzlich als adaptive Abstands- und Geschwindigkeitsregeleinrichtung oder als Steuereinrichtung zur Auslösung einer Notbremsung eines Fahrzeugs ausgestaltet ist, kann es vorgesehen sein, eine Bedieneinrichtung 4 vorzusehen, mittels der der adaptive Abstands- und Geschwindigkeitsregler aktivierbar, deaktivierbar oder in seinen Regelparametern verstellbar ist. Die der Eingangsschaltung 2 zugeführten Eingangssignale werden mittels einer Datenaustauscheinrichtung 5 einer Berechnungseinrichtung 6 zugeführt, die beispielsweise als Mikroprozessor ausgeführt sein kann. In der Berechnungseinrichtung 6 werden die Empfangssignale des Objektdetektionssensors 3 ausgewertet, die erkannten Objekte klassifiziert und Stellsignale berechnet. Im Fall, dass die
Klassifizierungsvorrichtung 1 zur adaptiven Abstands- und Geschwindigkeitsregelung eines Fahrzeugs 37 verwendet wird, werden in Abhängigkeit der Empfangssignale des Objektdetektionssensor 3 sowie der hieraus ermittelten Objektklassen Stellsignale zur Ansteuerung des Triebstrangs und der Verzögerungseinrichtungen eingestellt. Diese Stellsignale werden mittels der Datenaustauscheinrichtung 5 an eine Ausgangsschaltung
9 ausgegeben, die im Fall eines Beschleunigungswunsches ein leistungsbestimmendes Stellelement einer Brennkraftmaschine ansteuert oder im Fall einer Verzögerungsanforderung die Verzögerungseinrichtungen 11 des Fahrzeugs 37 ansteuert. Im Fall, dass die Klassifizierungsvorrichtung 1 eine automatische Notbremsung des Fahrzeugs 37 auslösen und durchführen kann, werden Stellsignale mittels der
Datenaustauscheinrichtung 5 von der Berechnungseinrichtung 6 über die Ausgangsschaltung 9 an die Verzögerungseinrichtung 11 geleitet, die eine Notbremsung des Fahrzeugs einleiten und durchführen kann. Zur Berechnung der Beschleunigungsbzw. Verzögerungsanforderungen ist es vorteilhaft, wenn der Berechnungseinrichtung 6 die Art des Objektes bekannt ist. Hierzu wird eine Objektklassifizierung gemäß der nachfolgenden Verfahren durchgeführt, wobei in der Berechnungseinrichtung 6 die Empfangssignale des Objektdetektionssensors 3 ausgewertet werden und mit charakteristischen Mustern, die in einem Speicher 7 hinterlegt sind, verglichen werden und durch den Vergleich auf die Art des Objekts geschlossen werden kann. Hierzu ist die Speichereinrichtung 7 mittels einer weiteren Datenaustauscheinrichtung 8 mit der
Berechnungseinrichtung 6 verbunden. Alternativ kann der Speicher 7 auch über die Datenaustauscheinrichtung 5 an die Berechnungseinrichtung 6 angeschlossen werden.
In Figur 2 ist eine Ausführungsform des erfindungsgemäßen Verfahrens dargestellt. Das Verfahren startet in Schritt S 12, das beispielsweise beim Starten des Fahrzeugs 37 begonnen wird. Im darauffolgenden Schritt S13 werden Empfangssignale des Objektdetektionssensors 3 in die Berechnungseinrichtung 6, in der das erfindungsgemäße Verfahren abläuft, eingelesen. Im nachfolgenden Schritt S 14 werden die Eingangssignale, die beispielsweise als zeitlich veränderliche Signale ankommen, in einen Orthogonalraum transformiert. Hierzu wird der Abstand und der Azimutwinkel der erkannten
Reflexionspunkte in kartesische Koordinaten umgerechnet, wobei das Koordinatensystem beispielsweise ein sensorfestes Koordinatensystem sein kann. Im darauffolgenden Schritt Sl 5 werden erkannte Reflexionspunkte, die sehr nah beieinander liegen zu einem einzelnen Reflexionspunkt verschmolzen, da an Fahrzeugen beispielsweise im Bereich der Radkästen Strukturen bestehen, die ausgesandte Radarstrahlung mehrfach reflektieren oder im Fall eines mehrstrahligen Radarsensors die Radarstrahlen so zurücksenden, dass diese als getrennte Radarreflexionen erkannt werden. Durch das Verschmelzen der Refelxionspunkte wird die notwendige Rechenleistung reduziert, da weniger Punkte ausgewertet werden müssen, jedoch die Eigenart des charakteristischen Musters nicht wesentlich verändert wird. Im darauffolgenden Schritt S16 werden die Reflexionspunkte hinsichtlich bestimmter Kriterien ausgewertet. So ist es möglich, beispielsweise die Leistung der einzelnen Reflexionspunkte zu bestimmen, die spektrale Frequenzbreite der Empfangssignale der einzelnen Reflexionspunkte zu bestimmen indem sowohl die Bandbreite des Reflexionssignals als auch die frequenzabhängige Amplitude der Reflexionen bestimmt werden. Weiterhin ist es möglich die Phase des Reflexionssignals zu bestimmen sowie weitere charakteristische physikalische Werte der Empfangssignale auszuwerten. Durch die Bestimmung dieser vorbestimmten Kriterien und Muster, beispielsweise der frequenzabhängigen Leistung über dem Frequenzspektrum sowie durch die räumliche Verteilung der Reflexionspunkte, die je nach Objekt unterschiedlich sind, entsteht ein charakteristisches Muster des detektierten Objekts, so dass im folgenden Schritt S17 ein Vergleich mit abgespeicherten, charakteristischen Mustern durchgeführt wird. Das abgespeicherte charakteristische Muster, dass am besten mit dem aus der Objektreflexion generierten charakteristischen Muster übereinstimmt, wird hierbei ausgewählt und anhand des ausgewählten charakteristischen abgespeicherten Musters kann auf die Objektart geschlossen werden, was in Schritt S18 durchgeführt wird. Der
Vergleich gemäß Schritt S17 kann beispielsweise mittels Korrelation rechnerisch durchgeführt werden. Nach Schritt S18 steht die Klasse des Objekts, an dem der jeweilige Reflexionspunkt reflektiert wurde, fest und das Objekt kann einer der Klassen Lastkraftwagen, Personenkraftwagen, Zweiräder, Kanaldeckel, Leitplanke oder sonstigen Objekten zugeordnet werden. Anschließend ist es möglich, einen optionalen Schritt S 19 vorzusehen, bei dem das abgespeicherte charakteristische Muster upgedatet wird. So kann es vorgesehen sein zur schrittweisen Verbesserung der Erkennung der jeweiligen Objektklassen bei einer durchgeführten erfolgreichen Objektklassifikation die jeweiligen charakteristischen Muster beispielsweise mittels Wichtungsfaktoren mit den abgespeicherten charakteristischen Mustern zu verarbeiten, so dass schrittweise die charakteristischen, abgespeicherten Muster verfeinert werden können. Nach Abarbeitung des Schritts Sl 8 oder des optional vorsehbaren Schritts S19 springt das Verfahren wieder zu Schritt S13 zurück, so dass in einem neuen Messzyklus wiederum Empfangssignale des Objektdetektionssensor 3 eingelesen werden und eine Schleife entsteht.
In Figur 3 ist ein weiteres Ausführungsbeispiel des erfindungsgemäßen Verfahrens dargestellt. So startet auch dieses Verfahren wiederum bei Schritt S20 beispielsweise wenn das Fahrzeug gestartet wird. Im folgenden Schritt S21 werden wiederum die Empfangssignale des Objektdetektionssensor 3 eingelesen und der Auswertung zugeführt. Im folgenden Schritt S22 werden die Empfangssignale beispielsweise mittels einer Fouriertransformationstechnik die als Fast-Fourier-Transformation oder als Diskrete Fourier-Transformation ausgeführt sein kann, in einen Frequenzraum transformiert. Im Frequenzraum entstehen aus den Empfangssignalen des Objektdetektionssensor 3 charakteristische Frequenzverläufe, die in Schritt S23 hinsichtlich vorbestimmter Kriterien ausgewertet werden. Im Rahmen der Auswertung des Schritts S23 wird beispielsweise die Leistung der Empfangssignale eines jeden Reflexionspunkts bestimmt, der frequenzabhängige spektrale Verlauf der Frequenzmuster, die Leistungsdichte sowie die Phase bestimmt und im folgenden Schritt S24 mit abgespeicherten charakteristischen Mustern die im Speicher 7 hinterlegt sind, verglichen. Der Vergleich kann beispielsweise mittels Korrelation rechnerisch erfolgen. Das abgespeicherte charakteristische Frequenzmuster, das am ehesten mit dem aus den Empfangssignalen des Objektdetektionssensor 3 ausgewerteten, charakteristischen Muster übereinstimmt, wird als übereinstimmend angenommen, worauf in Schritt S25 eine Objektklassifϊzierung durchgeführt werden kann, indem durch die bestmöglichste Übereinstimmung das detektierte Objekt einer der Objektklassen Lastkraftwagen, Personenkraftwagen,
Zweiräder, Leitplanken, Kanaldeckel oder sonstige Objekte zugeordnet werden kann. Daran schließt sich der optionale Schritt S26 an, bei dem die abgespeicherten charakteristischen Muster bei einer erfolgreich durchgeführten Objektklassifikation aktualisiert werden können, indem beispielsweise die charakteristischen Muster des detektierten Objekts beispielsweise mittels Wichtungsfaktoren den im Speicher 7 hinterlegten, abgespeicherten charakteristischen Mustern verarbeitet wird, sodass die abgespeicherten charakteristischen Muster durch erfolgreiche Objektklassifikationen im Laufe des Betriebs immer weiter verfeinert werden können. Nach Abarbeitung des Schritts S25 oder des optional vorsehbaren Schritts S26 springt das Verfahren wieder zu Schritt S21 zurück, so dass in einem neuen Messzyklus wiederum Empfangssignale des
Objektdetektionssensor 3 eingelesen werden und eine Schleife entsteht.
In Figur 4 ist eine weitere Ausführungsform des erfindungsgemäßen Verfahrens dargestellt, bei dem die Auswertung mittels charakteristischer Muster sowohl im Orthogonalraum als auch im Frequenzraum erfolgt. Das Verfahren beginnt im Schritt
S27, indem dieses beispielsweise mit Starten des Fahrzeugs aktiviert wird. Im darauffolgenden Schritt S28 werden wiederum die Empfangsignale des Objektdetektionssensors 3 der Berechnungseinrichtung 6 zugeführt. Im folgenden Schritt S29 werden die Eingangssignale des Objektdetektionssensors 3, die als zeitlich veränderliche Signale vorliegen in den Orthogonalraum transformiert, sodass die räumlichen Positionen der Reflexionspunkte vorliegen. Im folgenden Schritt S30 werden nah beieinander liegende Reflexionspunkte verschmolzen, so dass der Rechenaufwand zur Auswertung verringert werden kann, da nah beieinander liegende Reflexionspunkt, beispielsweise in Folge von stark reflektierenden Strukturen an Fahrzeugen oder infolge der Mehrstrahligkeit des Objektdetektionssensors 3 mehrere Reflexionspunkte erkannt werden. Die Ausgangsdaten des Schritts S30, bei denen nah beieinander liegende Reflexionspunkte verschmolzen wurden, werden danach in Schritt S31 bezüglich charakteristischer räumlicher Muster im Orthogonalraum ausgewertet und eventuell vorhandene charakteristische Muster ermittelt. Parallel zu Schritt S31 werden die Ausgangsdaten des Schrittes S30 Schritt S32 zugeführt, in dem die Reflexionspunktdaten in den Frequenzraum transformiert werden. Die Reflexionspunktdaten, die nun im Frequenzbereich vorliegen, werden nun im folgenden Schritt S33 hinsichtlich charakteristischer Muster im Frequenzbereich untersucht und Übereinstimmungen mit abgespeicherten, charakteristischen Mustern ermittelt. Im folgenden Schritt S34 werden die in Schritt S31 ermittelten räumlichen charakteristischen Muster im Orthogonalraum sowie die in Schritt S33 im Frequenzraum ermittelten charakteristischen Muster der Reflexionspunkte mit abgespeicherten charakteristischen Mustern verglichen, die beispielsweise in der Speichereinrichtung 7 hinterlegt sind. Hierbei wird beispielsweise mittels Korrelation festgestellt, welches hinterlegte, charakteristische Muster die größte Ähnlichkeit mit den in Schritt S31 bzw. in Schritt S33 ermittelten charakteristischen
Mustern im Orthogonalraum bzw. im Frequenzraum haben. Aufgrund der Auswahl der abgespeicherten charakteristischen Muster, die die größte Ähnlichkeit mit den ermittelten charakteristischen Mustern aufweisen, wird in Schritt S35 die Objektklassifϊkation durchgeführt indem anhand des abgespeicherten charakteristischen Musters auf die entsprechende Objektklasse gefolgert werden kann, sodass die Reflexionspunkte eines
Objektes einem Personenkraftwagen, einem Lastkraftwagen, einem Zweirad, einer Leitplanke, einem Kanaldeckel oder sonstigen Objekten zugeordnet werden kann. An Schritt S35 schließt sich ein optional vorsehbarer Schritt S36 an, in dem die abgespeicherten charakteristischen Muster durch ein Update aktualisiert werden können, da durch eine erfolgreiche Objektklassifikation mit einem eigenständigen charakteristischen Muster die hinterlegten charakteristischen Muster weiter verfeinert werden können, sodass mit fortlaufendem Betrieb die Objektklassifikation immer weiter verfeinert werden kann. Nach dem optionalen Schritt S36 wird das Verfahren wieder in Schritt S28 fortgeführt indem in einem neuen Messzyklus wiederum Empfangssignale des Objektdetektionssensor 3 eingelesen werden.
Wahlweise kann das Update der gespeicherten charakteristischen Muster gemäß der Schritte S 19, S26 und S36 auch derart ausgestaltet sein, dass die charakteristischen Muster nicht in einer einzigen Tabelle gespeichert sind, sondern das zwei getrennte Tabellen vorgesehen sind, wobei in einer ersten Tabelle, fest vorgegebene, charakteristische Muster bereits werkseitig gespeichert wurden und durch erfolgreiche Objektklassifϊkationen, die jedoch geringe Differenzen in den charakteristischen Mustern bezüglich der vorgegebenen, werksseitigen charakteristischen Muster aufweisen, und diese Differenzen in Abhängigkeit der Objektklassen in einer zweiten Differenztabelle abgespeichert werden. Durch die Updates kann das in der ersten Tabelle fest vorgegebene charakteristische Muster weiter verfeinert werden, indem in einer Differenztabelle Zusatzdaten aufgrund der bereits erfolgten erfolgreichen Objektklassifikationen ermittelt wurden. Hierdurch ist es möglich, bei einer Häufung von Fehlklassifikationen die Differenztabelle beispielsweise automatisch zu löschen und mittels werksseitig vorgegebener, vorbestimmter charakteristischer Muster weiterzuarbeiten um eine
Degradation des Objektklassifizierungsverfahrens zu vermeiden.
In Figur 5 ist eine typische Verkehrssituation dargestellt, die mit dem erfindungsgemäßen Verfahren verarbeitet wird. Zu erkennen ist ein eigenes Fahrzeug 37, das sich auf einer mehrspurigen Straße 38 bewegt. Das eigene Fahrzeug 37 ist mit einem
Objektdetektionssensor 3 ausgestattet, der das Fahrzeugumfeld vor dem Fahrzeug erfasst und Objekte innerhalb der Grenzen des Detektionsbereichs 39 erkennt. Hierzu sendet der Objektdetektionssensor 3 elektromagnetische Strahlung aus, die teilweise an Objekten innerhalb des Detektionsbereichs 39 reflektiert werden und zum Objektdetektionssensor 3 zurückgestrahlt werden, der diese empfängt und auswertet. Vor dem eigenen Fahrzeug 37 fährt auf der linken Fahrspur ein Personenkraftwagen 40 sowie auf der rechten Fahrspur ein Lastkraftwagen 41. Weiterhin ist auf der Fahrbahn ein Kanaldeckel 42 dargestellt, der aufgrund seiner metallischen Oberfläche für elektromagnetische Strahlung einen guten Reflektor darstellt. Weiterhin ist am linken Fahrbahnrand eine Leitplanke 43 dargestellt sowie sonstige Objekte 44 dargestellt, die in dieser Zeichnung als regelmäßig positionierte Objekte, beispielsweise in Form von Bäumen am Fahrbahnrand vorhanden sind. Die vom Objektdetektionssensor 3 ausgestrahlte elektromagnetische Strahlung, insbesondere in Form von Mikrowellenstrahlung, wird hierbei von den beschriebenen Objekten reflektiert, wobei es möglich ist, dass an einem Objekt die vom Objektdetektionssensor 3 abgestrahlte Strahlung mehrfach reflektiert wird. In Figur 5 sind die Punkte, an denen die vom Objektdetektionssensor 3 abgestrahlte elektromagnetische Leistung an den Objekten 40, 41, 42, 43, 44 reflektiert wird mittels kleinen Kreuzen gekennzeichnet. So weist beispielsweise der Personenkraftwagen 40 an der hinteren linken Ecke einen Reflexionspunkt auf, an der hinteren rechten Ecke zwei Reflexionspunkte sowie am vorderen rechten und am hinteren rechten Rad jeweils einen
Reflexionspunkt auf. Der auf der benachbarten Fahrspur fahrende Lastkraftwagen 41 weist an der hinteren rechten Ecke einen Reflexionspunkt auf, an der hinteren linken Ecke insgesamt drei Reflexionspunkte, am hinteren linken Rad des Aufliegers zwei Reflexionspunkte sowie am hinteren linken Rad der Zugmaschine ebenfalls einen Reflexionspunkt auf. Der Kanaldeckel 42 weist ebenfalls drei Reflexionspunkte auf, die wiederum mit kleinen Kreuzen markiert sind. Die Leitplanke 43 weist drei Reflexionspunkte auf, die entlang der rechten Seite der Leitplanke 43 angeordnet sind. Auch die sonstigen Objekte 44, die in dieser Darstellung beispielsweise Bäume am Fahrbahnrand verkörpern, weisen ebenfalls teilweise Reflexionspunkte auf, sofern sich diese innerhalb des Detektionsbereichs 39 befinden, wobei diese ebenfalls mittels kleinen
Kreuzen skizziert sind. Die vom Objektdetektionssensor 3 empfangenen Eingangssignale werden nun über die Eingangsschaltung 2 und die Datenaustauscheinrichtung 5 an die Berechnungseinrichtung 6 weitergeleitet, in der diese in räumliche Relativpositionen bezüglich eines sensorfesten Koordinatensystems umgerechnet werden und damit im Orthogonalraum ausgewertet werden können. Zur Auswertung wird in einem optionalen ersten Schritt eine Verschmelzung nah beieinanderliegender Reflexionspunkte durchgeführt. Hierzu werden die ermittelten Positionen der in Figur 5 mittels Kreuzen dargestellten Reflexionspunkte dahingehend untersucht, ob diese sehr nah beieinander liegen. Nah beieinanderliegende Reflexionspunkte werden zur Verringerung der Rechenleistung in einen einzigen Reflexionspunkt verschmolzen. Zur Veranschaulichung der danach vorliegenden Reflexionspunkte ist in Figur 6 die gleiche Verkehrssituation dargestellt, wobei jedoch die Kreuze der Reflexionspunkte nicht eingetragen wurden, stattdessen jedoch die Reflexionspunkte nach Verschmelzung nah beieinander liegender Reflexionspunkte wiederum mittels Kreuzen dargestellt wurde. So weist in Figur 6 der Personenkraftwagen 40 an der hinteren rechten Ecke, die in Figur 5 zwei
Reflexionspunkte aufwies, gemäß Figur 6 nur noch einen einzigen Reflexionspunkt auf, da die beiden in Figur 5 dargestellten Reflexionspunkte zu einem einzigen Reflexionspunkt verschmolzen wurden. Ebenfalls wurden bezüglich des Lastkraftwagens 41 die drei nah beieinander liegenden rechten Reflexionspunkte an der hinteren linken Ecke in einen einzigen Reflexionspunkt verschmolzen sowie die beiden Reflexionspunkte am hinteren linken Rad des Aufliegers ebenfalls in einen einzigen Reflexionspunkt verschmolzen. Bezüglich des Kanaldeckels 42 wurden die drei einzelnen Reflexionspunkte, die sehr nah beieinander lagen, in einen einzelnen Reflexionspunkt verschmolzen, der in Figur 6 mittels eines einzigen Kreuzes dargestellt wurde. Die drei Reflexionspunkte, die in Figur 5 mittels Kreuzen an der rechten Grenze der Leitplanke 43 eingezeichnet sind blieben dagegen als drei einzelne Reflexionspunkte erhalten, da deren Abstand ausreichend groß war, so dass diese nicht zu einem einzelnen Punkt verschmolzen wurden. Die sonstigen Objekte 44 am linken Fahrbahnrand, die ebenfalls Reflexionspunkte gemäß Figur 5 aufweisen blieben ebenfalls als eigene Reflexionspunkte erhalten, da diese aufgrund ihrer räumlichen Entfernung nicht verschmolzen werden konnten. Hierdurch hat man gemäß Figur 6 eine Verringerung der auszuwertenden Reflexionspunkte gegenüber der in Figur 5 dargestellten Reflexionspunkte erhalten, sodass hierdurch eine Verringerung der Rechenleistung erzielt wurde. Diese Reflexionspunkte werden nun im Orthogonalraum und/oder im Frequenzraum ausgewertet, wobei zur Auswertung im Frequenzraum die Reflexionspunkte der Figur 6 beispielsweise mittels einer Fouriertransformationstechnik in den Frequenzraum umgerechnet werden müssen. Die Verschmelzung nah beieinanderliegender Reflexionspunkte, sowie die eventuell notwendige Transformation in den Frequenzbereich wurde hierbei im Berechnungsmittel 6 der Figur 1 durchgeführt. Die im Orthogonalbereich oder im Frequenzbereich vorliegenden Reflexionspunktdaten werden nun hinsichtlich charakteristischer Muster ausgewertet, indem beispielsweise die reflektierte Leistung eines jeden Reflexionspunktes analysiert wird. Beispielsweise reflektiert die große Rückfläche eines Lastkraftwagens 41 mit Kastenaufbau wesentlich mehr Leistung, als dies durch die Heckpartie eines Personenkraftwagens 40 oder durch die rauhe Oberfläche des Kanaldeckels 42 geschehen könnte. Weiterhin weist beispielsweise ein Lastkraftwagen 41 im Bereich des Fahrwerks stärkere Zerklüftungen auf, so dass die Wahrscheinlichkeit für mehrere Radarreflexionen bei einem Lastkraftwagen 41 wahrscheinlicher ist, als bei einem Personenkraftwagen 40, der eine im Wesentlichen geschlossene Karosserieaußenform aufweist. Durch die Auswertung beispielsweise der spektralen Frequenzbreite der Reflexionspunkte ist es weiterhin möglich, charakteristische Frequenzgänge festzustellen, die ebenfalls auf die Objektklasse des detektierten Objekts schließen lassen. Hierbei ist zu erwähnen, dass möglichst viele unterschiedliche physikalische Eigenschaften der Reflexionspunkte ausgewertet werden sollten, da durch die Auswertung der einzelnen Kriterien eine Art Fingerabdruck des Reflexionspunkts entsteht, und somit eine Zuordnung des
Reflexionspunktes zu einem Objekt einer vorbestimmten Objektklasse mit möglichst großer Wahrscheinlichkeit vorgenommen werden kann. Beispielsweise ist es auch möglich, Reflexionspunkte mit der gleichen Relativgeschwindigkeit, die innerhalb eines gewissen Bereichs auseinander liegen, einem einzigen Objekt zuzuordnen und somit auch die Größe des Objekts schließen, wodurch beispielsweise ein Lastkraftwagen 41 von einem Personenkraftwagen 40, einem Zweirad oder einem Kanaldeckel 42 unterschieden werden kann. Durch die Auswertung der Relativgeschwindigkeit ist es ebenso möglich, Leitplanken oder sonstige Objekte am Fahrbahnrand als stehende Objekte zu detektieren, da diese in etwa die gleiche Relativgeschwindigkeit zum Sensor aufweisen, wie die Geschwindigkeit, mit der sich das Fahrzeug bewegt. Durch die Ermittlung charakteristischer Muster der Reflexionspunkte, die beispielsweise aufgrund der Relativgeschwindigkeit, der Leistung der vom Reflexionspunkt reflektierten Leistung, der spektralen Breite der reflektierten Strahlung des Reflexionspunktes sowie der Phase der reflektierten Leistung des Reflexionspunktes ist ein Vergleich dieser Muster mittels der in einem Speicher 7 hinterlegten, charakteristischen Muster möglich, wobei dieser
Vergleich beispielsweise mittels Korrelation rechnerisch erfolgen kann. Im Zuge der Objektklassifikation wird das Muster, das im Speicher 7 als charakteristisches vorbestimmtes Muster hinterlegt ist, als das ähnlichste mit dem aus den Reflexionspunkten ermittelten Muster erkannt, das die größte positive Korrelation aufweist. Hierdurch ist es möglich, auf die Objektart zu schließen, da für jede
Objektklasse ein oder mehrere charakteristische Muster im Speicher 7 hinterlegt wurden. So wurden in Figur 4 die Reflexionspunkte des Personenkraftwagens 40 als zu einem Objekt gehörig erkannt, und aufgrund der reflektierten Leistung der Reflexionspunkte, deren spektraler Frequenzmuster und der Phase der Empfangssignale konnten diese Reflexionssignale einem Objekt der Klasse Personenkraftwagen zugeordnet werden.
Durch die Objektklassifikation ist es möglich, gemäß Figur 7 auf die räumliche Ausdehnung des Kraftfahrzeugs zu schließen, was hier durch eine Strichlierung des Objekts 40 dargestellt ist. Ebenfalls konnten die Reflexionspunkte des Lastkraftwagens 41 als zu einem Objekt zugehörig ausgewertet werden und aufgrund derer charakteristischer Muster auf ein Objekt der Klasse Lastkraftwagen geschlossen werden.
Aufgrund der räumlichen Verteilung dieser Reflexionspunkte kann auch auf die räumliche Größe und Ausrichtung des Lastkraftwagens 41 geschlossen werden, was durch eine Schattierung in Figur 7 angedeutet ist. Durch die Reflexionen des Kanaldeckels 42 und deren charakteristische Muster konnte auf ein Objekt der Klasse Kanaldeckel geschlossen werden, so dass der Kanaldeckel 42 als unrelevantes Objekt bezüglich einer adaptiven Abstands- und Geschwindigkeitsregelung oder bezüglich einer Notbremsung erkannt wird und beispielsweise vom Fahrzeug 37 gefahrlos überfahren werden kann. Die stehenden Objekte am Fahrbahnrand, beispielsweise die Leitplanke 43 konnte aufgrund der räumlichen Anordnung der Reflexionspunkte, der spektralen Charakteristik der Reflexionspunkte sowie durch die Relativgeschwindigkeit dieser
Objekte als eine Leitplanke klassifiziert werden, so dass beispielsweise diese zur Plausibilisierung des zukünftigen Fahrkorridors herangezogen werden kann, da die Leitplanke als ein unmittelbar am Fahrbahnrand der mehrspurigen Straße 38 befindliches Objekt erkannt wurde. In Figur 8 ist eine Übersicht über mehrere, charakteristische Frequenzverläufe von Objektreflexionen dargestellt. Zuoberst ist ein charakteristisches Muster eines Lastkraftwagens dargestellt, bei dem entlang einer Frequenzachse f ein Spektrum einer Objektreflexion eines Lastkraftwagens aufgezeichnet ist. Zu erkennen ist die Hüllkurve 45, die in etwa symmetrisch zu einer Mittenfrequenz f0 gestaltet ist. Die Hüllkurve 45 weist hierbei eine relativ hohe Amplitude der einzelnen spektralen Komponenten auf, da das Heck eines Lastkraftwagens üblicherweise stark reflektierend ist. Weiterhin weist die Hüllkurve des Lastkraftwagens eine große Breite über der Frequenz f auf, was ebenfalls ein wichtiges Kriterium für das charakteristische Muster ist. Rechts neben dem spektralen Muster ist ein Phasendiagramm des Lastkraftwagenreflexionspunktes aufgezeichnet, das auf der Abszisse den Realteil und auf der Ordinate den Imaginärteil aufweist. Zur Veranschaulichung ist ein Phasenzeiger 49 eingetragen, der für die Reflexion am Lastkraftwagen eine gewisse Phase 50 aufweist. Unterhalb des Diagramms für den Lastkraftwagen ist ein charakteristisches Diagramm für Personenkraftwagen aufgetragen, dass eine Hüllkurve 46 aufweist, die einerseits eine geringere Frequenzbreite aufweist als die Hüllkurve 45 für den Lastkraftwagen sowie in der Amplitude geringer ausfällt als die Hüllkurve für den Lastkraftwagen. Bezüglich der Phaseninformation für das charakteristische Muster des Personenkraftwagens ist zu bemerken, dass dieses üblicherweise für Objekte der Klasse Personenkraftwagen eine größere Phase aufweist als für Lastkraftwagen. Das charakteristische Muster für einen Kanaldeckel ist hierbei durch die Hüllkurve 47 aufgezeigt, die eine sehr geringe Frequenzbreite aufweist, jedoch in der Amplitude dennoch relativ hoch ist, wodurch sich die guten Reflexionseigenschaften eines Kanaldeckels erklären lassen. Zuunterst ist das charakteristische Muster einer Leitplanke aufgetragen die meistens mehrere Reflexionspunkte aufweist. So ist in Hüllkurve 48 auch ein Kurvenverlauf dargestellt, der mehrere Spitzen aufweist und eine sehr große Phase gemäß dem nebenstehenden Phasendiagramm aufweist. Für jede der vorgesehenen Objektklassen ist ein derartiges charakteristisches Frequenzmuster, ein derartiges charakteristisches Phasenmuster sowie weitere charakteristische Werte gespeichert, mit denen die aus den Empfangssignalen des Objektdetektionssensors 3 gewonnenen charakteristischen Muster verglichen werden.

Claims

Ansprüche
1. Verfahren zur Erkennung und Klassifizierung von Objekten, wobei mittels eines Sensors (3) elektromagnetische Strahlung ausgesandt wird und die an Objekten (40,41,42,43,44) reflektierten Teilstrahlungen vom Sensor (3) empfangen werden und die empfangenen Signale durch einen Vergleich mit hinterlegten charakteristischen Mustern
(45,46,47,48,49,50) ausgewertet werden und aufgrund der Auswertung auf die Klasse des reflektierenden Objekts (40,41,42,43,44) geschlossen wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Auswertung der Empfangssignale im Frequenzbereich (S23) erfolgt, indem die Empfangssignale mittels einer Fouriertransformation transformiert werden (S22) und mit charakteristischen Frequenzmustern (45,46,47,48,49,50) verglichen werden (S24).
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Auswertung im Orthogonalraum (S 16) erfolgt, indem die relativen Positionen der Objektreflexionen zum eigenen Fahrzeug (37) bestimmt werden und mit charakteristischen räumlichen Mustern (S 17) verglichen werden.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Vergleich mit charakteristischen Mustern (45,46,47,48,49,50) durch Auswertung der
- reflektierten Leistung des Reflexionspunktes,
- der spektralen Frequenzbreite der vom Reflexionspunkt reflektierten Leistung,
- der Phase der vom Reflexionspunkt reflektierten Strahlung, - Relativgeschwindigkeit der Reflexionspunkte, - oder einer Kombination hieraus erfolgt.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass vor dem Vergleich mit charakteristischen Mustern (45,46,47,48,49,50) räumlich nah beieinander liegende Reflexionspunkte als nur ein Reflexionspunkt (S15,S30) verarbeitet werden.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die hinterlegten, charakteristischen Muster (45,46,47,48,49,50) durch Auswertungen früherer Messzyklen erzeugt werden.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die hinterlegten, charakteristischen Muster (45,46,47,48,49,50) nach jeder erneuten Klassifizierung (S18,S25,S35) eines Objekts aktualisiert wird.
8. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass die hinterlegten charakteristischen Muster (45,46,47,48,49,50) aus einer ersten Tabelle mit fest vorbestimmten Mustern und einer zweiten Tabelle mit Abweichungen bestehen, wobei die Abweichungen Differenzmuster zwischen den fest vorbestimmten Mustern und den in früheren Messzyklen erkannten Mustern sind.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die erkannten Objekte durch die Auswertung einer der Klassen - überfahrbare Objekte (42),
- nicht überfahrbare Objekte (40,41 ,42) zugeordnet werden.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die erkannten Objekte durch die Auswertung einer der
Objektklassen
- Personenkraftwagen (40),
- Lastkraftwagen (41),
- Zweirad, - Leitplanke (43), - Kanaldeckel (42),
- Straßenbrücke,
- Schilderbrücke,
- Getränkedose, - Schilder oder
- sonstige Objekte (44) zugeordnet werden.
11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Verfahren zur adaptiven Abstands- und Geschwindigkeitsregelung und/oder zur
Auslösung einer Notbremsung verwendet wird.
12. Vorrichtung zur Erkennung und Klassifizierung von Objekten, wobei mittels eines Sensors (3) elektromagnetische Strahlung ausgesandt wird und die an Objekten (40,41,42,43,44) reflektierten Teilstrahlungen vom Sensor (3) empfangen werden, dadurch gekennzeichnet, dass ein Auswertemittel (6) zur Auswertung der empfangenen Signale vorgesehen ist, dass ein Speicher (7) zur Hinterlegung charakteristischer Muster (45,46,47,48,49,50) vorgesehen ist, dessen hinterlegte Muster mit den ausgewerteten Signalen verglichen werden (S17,S24,S34) und aufgrund des Vergleichs auf die Klasse des reflektierenden Objekts (40,41,42,43,44) geschlossen wird.
13. Vorrichtung nach Anspruch 12, dadurch gekennzeichnet, dass die Auswertemittel (6) eine Transformation der empfangenen Signale in den Frequenzraum durchführen und eine spektrale Auswertung der empfangenen Signale durchführen.
14. Vorrichtung nach Anspruch 12 oder 13, dadurch gekennzeichnet, dass die Auswertemittel (6) eine Transformation der empfangenen Signale in den Orthogonalraum durchführen und eine räumliche Auswertung der empfangenen Signale durchführen.
PCT/EP2006/061929 2005-05-30 2006-04-26 Verfahren und vorrichtung zur erkennung und klassifizierung von objekten WO2006128766A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN200680019233XA CN101189533B (zh) 2005-05-30 2006-04-26 目标识别和分类的方法及装置
EP06763068A EP1891460A1 (de) 2005-05-30 2006-04-26 Verfahren und vorrichtung zur erkennung und klassifizierung von objekten
JP2008514049A JP2008542732A (ja) 2005-05-30 2006-04-26 対象を認識して分類する方法および装置
US11/919,622 US8542106B2 (en) 2005-05-30 2006-04-26 Method and device for identifying and classifying objects

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102005024716.4 2005-05-30
DE102005024716.4A DE102005024716B4 (de) 2005-05-30 2005-05-30 Verfahren und Vorrichtung zur Erkennung und Klassifizierung von Objekten

Publications (1)

Publication Number Publication Date
WO2006128766A1 true WO2006128766A1 (de) 2006-12-07

Family

ID=36922779

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2006/061929 WO2006128766A1 (de) 2005-05-30 2006-04-26 Verfahren und vorrichtung zur erkennung und klassifizierung von objekten

Country Status (6)

Country Link
US (1) US8542106B2 (de)
EP (1) EP1891460A1 (de)
JP (1) JP2008542732A (de)
CN (1) CN101189533B (de)
DE (1) DE102005024716B4 (de)
WO (1) WO2006128766A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007024391A1 (de) 2007-05-25 2008-11-27 Robert Bosch Gmbh Kollisionswarngerät mit Leitplankenerkennung
US20100057293A1 (en) * 2006-12-11 2010-03-04 Dieter Hoetzer Method for recognizing a vertical misalignment of a radar sensor

Families Citing this family (73)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007042395B4 (de) * 2007-09-05 2017-08-24 Ihp Gmbh - Innovations For High Performance Microelectronics / Leibniz-Institut Für Innovative Mikroelektronik Radar-basiertes, tragbares Orientierungssystem
DE102008009597A1 (de) * 2008-02-15 2009-08-20 Adc Automotive Distance Control Systems Gmbh Verfahren zur Erkennung von Brücken und Unterdrückung von Fehlwarnungen durch Brückenziele
DE102009018453A1 (de) 2009-04-22 2010-10-28 Conti Temic Microelectronic Gmbh Verfahren zur Klassifizierung eines Objekts als Hindernis
CN102449448B (zh) * 2009-05-29 2014-05-21 丰田自动车株式会社 移动体用光谱测定装置
CN102449450B (zh) * 2009-05-29 2015-01-28 丰田自动车株式会社 移动体用光谱测定装置
DE112009004828B4 (de) 2009-05-29 2016-02-18 Toyota Jidosha Kabushiki Kaisha Spektrum-messvorrichtung
US10880035B2 (en) * 2009-07-28 2020-12-29 The United States Of America, As Represented By The Secretary Of The Navy Unauthorized electro-optics (EO) device detection and response system
DE102009057032A1 (de) * 2009-12-04 2011-06-09 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur radargestützten Steuerung einer Funktion eines Fahrzeugs
JP5321735B2 (ja) * 2010-07-30 2013-10-23 トヨタ自動車株式会社 移動体用スペクトル測定装置および移動体用スペクトル測定方法
JP5611725B2 (ja) * 2010-08-27 2014-10-22 本田技研工業株式会社 物体検知装置
CN103069297A (zh) * 2011-01-18 2013-04-24 松下电器产业株式会社 车辆方向确定装置、车辆方向确定方法及其程序
JP5503578B2 (ja) * 2011-03-10 2014-05-28 パナソニック株式会社 物体検出装置及び物体検出方法
JP5729106B2 (ja) * 2011-04-19 2015-06-03 マツダ株式会社 車両用障害物検出装置
JP5775352B2 (ja) * 2011-04-26 2015-09-09 古野電気株式会社 ターゲット長計測装置、ターゲット長計測方法、およびターゲット長計測プログラム
CN103503046B (zh) * 2011-04-28 2016-03-02 本田技研工业株式会社 车用物体探测装置及方法
DE102011081425A1 (de) * 2011-08-23 2013-02-28 Robert Bosch Gmbh Verfahren und Vorrichtung zur Klassifizierung eines sich in einem Vorfeld eines Fahrzeugs befindlichen Lichtobjekts
DE102011081398B4 (de) * 2011-08-23 2018-09-13 Robert Bosch Gmbh Verfahren und Vorrichtung zum Unterscheiden eines selbstleuchtenden Objekts von einem reflektierenden Objekt
KR101776703B1 (ko) * 2011-10-14 2017-09-08 한화테크윈 주식회사 레이다 센서 및 이를 이용한 물체 검출 방법
JP5861396B2 (ja) * 2011-11-02 2016-02-16 トヨタ自動車株式会社 車両用歩行者検知装置、車両用歩行者保護システム
US9381916B1 (en) 2012-02-06 2016-07-05 Google Inc. System and method for predicting behaviors of detected objects through environment representation
JP6009775B2 (ja) * 2012-02-13 2016-10-19 株式会社デンソー レーダ装置
DE102012004396A1 (de) 2012-03-03 2013-09-05 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zum Erfassen von Objekten in einer Umgebung eines Fahrzeugs
US9495874B1 (en) * 2012-04-13 2016-11-15 Google Inc. Automated system and method for modeling the behavior of vehicles and other agents
DE102012103669A1 (de) 2012-04-26 2013-10-31 Continental Teves Ag & Co. Ohg Verfahren zur Darstellung einer Fahrzeugumgebung
US8781721B2 (en) * 2012-06-06 2014-07-15 Google Inc. Obstacle evaluation technique
JP5605395B2 (ja) * 2012-06-08 2014-10-15 株式会社デンソー 車両判定装置、及び、プログラム
DE102012209870A1 (de) 2012-06-13 2013-12-19 Robert Bosch Gmbh Ermittelung eines überfahrbarkeitsindikators für ein objekt
DE102012106932A1 (de) * 2012-07-30 2014-05-15 Continental Teves Ag & Co. Ohg Verfahren zur Darstellung einer Fahrzeugumgebung mit Positionspunkten
KR101405583B1 (ko) * 2012-10-30 2014-06-10 현대자동차주식회사 차량 속도 추정 장치 및 방법
US9384679B2 (en) * 2012-11-14 2016-07-05 Ishraq ALALAWI System, method and computer program product to assist the visually impaired in navigation
US9342986B2 (en) 2013-02-25 2016-05-17 Honda Motor Co., Ltd. Vehicle state prediction in real time risk assessments
US9050980B2 (en) * 2013-02-25 2015-06-09 Honda Motor Co., Ltd. Real time risk assessment for advanced driver assist system
JP6020321B2 (ja) * 2013-04-11 2016-11-02 株式会社デンソー 物標検出装置及び車両制御システム
US9085236B2 (en) * 2013-05-09 2015-07-21 Robert Bosch Gmbh Adaptive cruise control with stationary object recognition
DE102013215408A1 (de) 2013-08-06 2015-03-05 Bayerische Motoren Werke Aktiengesellschaft Anzeigesystem für ein Fahrzeug und Verfahren für die Anzeige einer Fahrzeugumgebung
DE102013017347A1 (de) 2013-10-18 2015-04-23 Knorr-Bremse Systeme für Nutzfahrzeuge GmbH Verfahren zum Klassifizieren von Hindernissen
EP3164860A4 (de) 2014-07-03 2018-01-17 GM Global Technology Operations LLC Kognitive radarverfahren und systeme für fahrzeuge
CN107209262A (zh) * 2014-07-03 2017-09-26 通用汽车环球科技运作有限责任公司 车辆雷达方法和系统
US10495732B2 (en) * 2014-07-03 2019-12-03 GM Global Technology Operations LLC Vehicle radar methods and systems
JP6375744B2 (ja) * 2014-07-16 2018-08-22 株式会社デンソー 車載レーダ装置および報知システム
WO2016080156A1 (ja) * 2014-11-19 2016-05-26 三菱電機株式会社 レーダ装置
US10466349B2 (en) * 2015-01-02 2019-11-05 Reservoir Labs, Inc. Systems and methods for efficient targeting
US9910151B2 (en) * 2015-03-19 2018-03-06 Delphi Technologies, Inc. Radar object detection system
DE102015003584A1 (de) 2015-03-19 2016-09-22 Alexander Rudoy Verfahren und Vorrichtung zur 3D-Positionsbestimmung
EP3306340B1 (de) * 2015-05-29 2021-06-23 Mitsubishi Electric Corporation Radarsignalverarbeitungsvorrichtung
US10686487B2 (en) * 2015-06-23 2020-06-16 Eridan Communications, Inc. Universal transmit/receive module for radar and communications
JP6565615B2 (ja) * 2015-11-06 2019-08-28 株式会社デンソー 車両制御装置
DE102016200642A1 (de) * 2016-01-19 2017-07-20 Conti Temic Microelectronic Gmbh Verfahren und vorrichtung zum klassifizieren von fahrbahnbegrenzungen und fahrzeug
DE102016002208A1 (de) * 2016-02-25 2017-08-31 Audi Ag Verfahren zur Auswertung von Radardaten wenigstens eines Radarsensors in einem Kraftfahrzeug und Kraftfahrzeug
US10353053B2 (en) 2016-04-22 2019-07-16 Huawei Technologies Co., Ltd. Object detection using radar and machine learning
DE102016007630A1 (de) 2016-06-23 2017-12-28 Wabco Gmbh Verfahren zum Ermitteln einer Notbremssituation eines Fahrzeuges sowie Vorrichtung zur Durchführung des Verfahrens
JP6547785B2 (ja) * 2016-07-29 2019-07-24 株式会社デンソー 物標検出装置
US11092689B2 (en) * 2016-09-20 2021-08-17 Apple Inc. Enabling lidar detection
FR3056532B1 (fr) 2016-09-28 2018-11-30 Valeo Schalter Und Sensoren Gmbh Assistance a la conduite sur voie rapide a chaussees separees par un rail de securite
US10891548B2 (en) 2016-10-07 2021-01-12 International Business Machines Corporation Electromagnetic noise signal based predictive analytics
US10338208B2 (en) * 2016-10-27 2019-07-02 GM Global Technology Operations LLC Object detection in multiple radars
CN106646411A (zh) * 2016-10-31 2017-05-10 北京市人工影响天气办公室 一种地物检测方法及装置
US10338216B2 (en) * 2016-11-04 2019-07-02 GM Global Technology Operations LLC Object detection in multiple radars
DE112018001825B3 (de) 2017-05-16 2020-09-24 Elmos Semiconductor Se Verfahren zur Übertragung von Daten über einen Fahrzeugdatenbus von einem Ultraschallsystem zu einer Datenverarbeitungsvorrichtung
US10705532B2 (en) * 2017-12-26 2020-07-07 X Development Llc Standing test device for mobile robots
JP7133926B2 (ja) * 2018-01-15 2022-09-09 キヤノン株式会社 情報処理装置、システム、情報処理方法
CN108845321A (zh) * 2018-04-19 2018-11-20 北京三快在线科技有限公司 目标对象的识别方法、装置及无人驾驶智能设备
US10802133B2 (en) * 2018-05-17 2020-10-13 Infineon Technologies Ag Diverse sensing using different types of sensors
EP3579020B1 (de) * 2018-06-05 2021-03-31 Elmos Semiconductor SE Verfahren zur erkennung eines hindernisses mit hilfe von reflektierten ultraschallwellen
DE102018210814A1 (de) * 2018-06-30 2020-01-02 Robert Bosch Gmbh Verfahren zur Erkennung statischer Radarziele mit einem Radarsensor für Kraftfahrzeuge
US10953830B1 (en) * 2018-07-13 2021-03-23 State Farm Mutual Automobile Insurance Company Adjusting interior configuration of a vehicle based on vehicle contents
US11782158B2 (en) 2018-12-21 2023-10-10 Waymo Llc Multi-stage object heading estimation
JP7560397B2 (ja) * 2021-03-25 2024-10-02 パナソニックオートモーティブシステムズ株式会社 物体識別装置、車両および物体識別方法
CN113203990A (zh) * 2021-04-30 2021-08-03 北京理工大学 一种基于相噪特性的干扰源个体识别方法
CN113219431A (zh) * 2021-04-30 2021-08-06 北京理工大学 一种基于波形指纹的干扰源个体识别方法
CN113219415A (zh) * 2021-04-30 2021-08-06 北京理工大学 一种基于包络指纹特征的干扰源个体识别方法
DE102022120258A1 (de) 2022-08-11 2024-02-22 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Radareinrichtung zur radarbasierten Größeneinstufung von Objekten und entsprechend eingerichtetes Kraftfahrzeug
CN118155359B (zh) * 2024-05-10 2024-07-30 山西太重数智科技股份有限公司 基于双通道自学习的电铲作业安全警戒方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1094336A2 (de) * 1999-10-19 2001-04-25 Honda Giken Kogyo Kabushiki Kaisha Objekterkennungsgerät
US20040019426A1 (en) * 2001-07-11 2004-01-29 Michael Knoop Method and device for automatically triggering a deceleration in a motor vehicle
EP1557694A1 (de) * 2004-01-26 2005-07-27 IBEO Automobile Sensor GmbH Verfahren zur Klassifizierung von Objekten

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0583344A (ja) 1991-09-24 1993-04-02 Kyocera Corp 電話装置
JPH11271441A (ja) * 1998-03-23 1999-10-08 Hino Motors Ltd 車載用レーダ装置
DE19823135A1 (de) 1998-05-23 1999-11-25 Bosch Gmbh Robert Verfahren und Anordnung zur Verkehrsdatenerfasung für die verkehrsabhängige Steuerung von Lichtsignalanlagen
DE50206672D1 (de) 2001-07-11 2006-06-08 Bosch Gmbh Robert Verfahren und vorrichtung zum auslösen und durchführen einer verzögerung eines fahrzeugs
JP2003167054A (ja) 2001-12-04 2003-06-13 Denso Corp 距離測定方法及び距離測定装置
JP2004125636A (ja) * 2002-10-03 2004-04-22 Omron Corp 車載用レーザレーダ装置
DE10258794A1 (de) * 2002-12-16 2004-06-24 Ibeo Automobile Sensor Gmbh Verfahren zur Erkennung und Verfolgung von Objekten
JP2004260527A (ja) * 2003-02-26 2004-09-16 Mitsubishi Heavy Ind Ltd 対象物検知装置及び方法
JP3779280B2 (ja) * 2003-03-28 2006-05-24 富士通株式会社 衝突予測装置
DE10336638A1 (de) * 2003-07-25 2005-02-10 Robert Bosch Gmbh Vorrichtung zur Klassifizierung wengistens eines Objekts in einem Fahrzeugumfeld
DE10335601B4 (de) 2003-08-04 2016-01-14 Robert Bosch Gmbh Verfahren zur Objektklassifizierung unter Verwendung einer 3D-Modelldatenbank
JP2005087359A (ja) * 2003-09-16 2005-04-07 Matsushita Electric Ind Co Ltd 作業機器およびそのプログラム
US7103213B2 (en) * 2004-03-02 2006-09-05 Sarnoff Corporation Method and apparatus for classifying an object
CN1332220C (zh) * 2004-06-17 2007-08-15 上海交通大学 基于信息融合的超宽带探地雷达自动目标识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1094336A2 (de) * 1999-10-19 2001-04-25 Honda Giken Kogyo Kabushiki Kaisha Objekterkennungsgerät
US20040019426A1 (en) * 2001-07-11 2004-01-29 Michael Knoop Method and device for automatically triggering a deceleration in a motor vehicle
EP1557694A1 (de) * 2004-01-26 2005-07-27 IBEO Automobile Sensor GmbH Verfahren zur Klassifizierung von Objekten

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FERNANDEZ M ET AL: "Algorithm for sonar-based signal identification", OCEANS '93. ENGINEERING IN HARMONY WITH OCEAN. PROCEEDINGS VICTORIA, BC, CANADA 18-21 OCT. 1993, NEW YORK, NY, USA,IEEE, 18 October 1993 (1993-10-18), pages III438 - III443, XP010117635, ISBN: 0-7803-1385-2 *
GIANFRANCO DE GRANDI ET AL: "The ERS-1 Central Africa Mosaic: A New Perspective in Radar Remote Sensing for the Global Monitoring of Vegetation", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, IEEE SERVICE CENTER, PISCATAWAY, NJ, US, vol. 37, no. 3, May 1999 (1999-05-01), XP011021272, ISSN: 0196-2892 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100057293A1 (en) * 2006-12-11 2010-03-04 Dieter Hoetzer Method for recognizing a vertical misalignment of a radar sensor
DE102007024391A1 (de) 2007-05-25 2008-11-27 Robert Bosch Gmbh Kollisionswarngerät mit Leitplankenerkennung
US8412416B2 (en) 2007-05-25 2013-04-02 Robert Bosch Gmbh Collision warning device having guardrail detection

Also Published As

Publication number Publication date
CN101189533B (zh) 2011-07-27
CN101189533A (zh) 2008-05-28
DE102005024716A1 (de) 2006-12-07
JP2008542732A (ja) 2008-11-27
US20100097200A1 (en) 2010-04-22
US8542106B2 (en) 2013-09-24
EP1891460A1 (de) 2008-02-27
DE102005024716B4 (de) 2023-09-21

Similar Documents

Publication Publication Date Title
DE102005024716B4 (de) Verfahren und Vorrichtung zur Erkennung und Klassifizierung von Objekten
EP1932016B1 (de) Verfahren und vorrichtung zur steuerung mindestens eines objektdetektionssensors
DE102013201865B4 (de) Fahrzeug-radarvorrichtung
DE69429010T2 (de) Autonome fahrgeschwindigkeitsregelung
EP1625979B1 (de) Verfahren und Vorrichtung zur Auslösung einer Notbremsung
EP2991874B1 (de) Bereitstellen einer effizienten umfeldkarte für ein fahrzeug
DE10233163A1 (de) Anordnung und Verfahren zur Vorhersage einer Kollision mit integriertem Radar und aktivem Transponder
DE102009018311A1 (de) Verfahren und Vorrichtung zum Betrieb eines radargestützten Umfelderkennungssystems
EP1797450B1 (de) Radarsensor und verfahren zur abstands- und geschwindigkeitsregelung
DE102010030289A1 (de) Radarsensor und Verfahren zum Betreiben eines Radarsensors
DE102004037704B4 (de) Kraftfahrzeug mit einem präventiv wirkenden Schutzsystem
EP1789814B1 (de) Verfahren und vorrichtung zur objektdetektion bei einem fahrzeug
DE102016007630A1 (de) Verfahren zum Ermitteln einer Notbremssituation eines Fahrzeuges sowie Vorrichtung zur Durchführung des Verfahrens
WO2017080787A1 (de) Seitliche leitplankenerkennung über einen abstandssensor im kfz
WO2021083464A1 (de) Verfahren zum verfolgen eines entfernten zielfahrzeugs in einem umgebungsbereich eines kraftfahrzeugs mittels einer kollisionserkennungsvorrichtung
DE102019129886A1 (de) Fahrzeug und Verfahren zum Steuern desselben
DE10335601B4 (de) Verfahren zur Objektklassifizierung unter Verwendung einer 3D-Modelldatenbank
DE102018222195A1 (de) Ortung und/oder KIassifikation von Objekten aus Radardaten mit maschinellem Lernen
EP1529719B1 (de) Fahrzeugführungsvorrichtung mit Querführung und Objekterkennung sowie entsprechendes Verfahren
WO2021078335A1 (de) Verfahren zur erfassung eines zielobjekts
DE102006051091B4 (de) Verfahren zur Objekterkennung von Fahrzeugen mittels Nahbereichsdetektion
DE10251039A1 (de) Verfahren zur Zielobjektauswahl bei einem Fahrzeugführungssystem
DE102020001532A1 (de) Verfahren zum Reduzieren von Fehldetektionen von Objekten in der Umgebung eines Fahrzeugs, Vorrichtung zum Durchführen eines solchen Verfahrens, und Fahrzeug mit einer solchen Vorrichtung
DE102011075824A1 (de) Bestimmung eines indikatorwertes für eine objektausdehnung mittels fmcw-radar
DE102024110541A1 (de) Phantomobjekte in sensordaten

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2006763068

Country of ref document: EP

121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 2008514049

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 200680019233.X

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: RU

WWW Wipo information: withdrawn in national office

Country of ref document: RU

WWP Wipo information: published in national office

Ref document number: 2006763068

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 11919622

Country of ref document: US