用于对机动车辆周围区域中的对象分类的方法、驾驶员辅助系统和机动车辆与流程

本发明涉及用于对机动车辆的周围区域中的对象进行分类的方法。此外，本发明涉及用于机动车辆的驾驶员辅助系统，以及具有驾驶员辅助系统的机动车辆。

背景技术：

用于对机动车辆的周围区域中的对象进行分类的方法在现有技术中是已知的。如此，us2012/0119894a1涉及同时利用雷达传感器和相机捕获周围区域。为了对周围区域中的对象分类，将来自相机的图像与参考图像进行比较，并将来自雷达传感器的数据与参考数据进行比较。

us8314732b2还涉及使用雷达传感器和摄像机。使用来自雷达传感器的雷达数据对周围区域进行预处理，其中，提取具有目标对象的区域。随后，使用图像处理方法和来自相机的图像进一步处理该具有目标对象的区域。

在当前情况下，感兴趣的是可以独立于其它传感器执行分类的雷达传感器。如此，例如us7652617b2涉及一种使用能够跟踪和分类对象的fmcw(调频连续波)雷达传感器。该雷达传感器从所接收雷达信号的在一范围和多普勒方向上计算傅里叶变换，由此获得二维傅立叶变换。这可以用于计算二维功率谱。这些功率谱针对距离对象的不同距离而计算，并且随后用于对对象进行分类。

技术实现要素：

本发明的目的是提供一种方法，驾驶员辅助系统和机动车辆，通过其可以更准确地识别机动车辆周围区域中的对象的类型。

根据本发明，这一目的通过具有根据相应独立权利要求的特征的方法、驾驶员辅助系统以及机动车辆来实现。

在根据本发明的方法的情况下，使用以下步骤对机动车周围区域中的对象进行分类：

a)通过至少一个机动车辆雷达传感器将雷达信号发射到周围区域中并且接收从对象反射的雷达信号，

b)将从雷达信号获得的信息提供为雷达数据，

c)基于雷达数据包含作为信息的至少一个距离值和/或速度值和/或强度值产生功率谱，

d)将功率谱包含的至少一个谱范围(spectrumrange)与强度阈值进行比较，并且如果所述谱范围的强度大于强度阈值，则选择谱范围作为潜在对象，

e)执行具有步骤a)至d)的另一周期，

f)基于在根据步骤a)至d)的第一周期中和至少在根据步骤e)的第二周期中是否都已经选择了潜在对象，来将潜在对象识别为实际对象，

g)将所识别的对象中的至少一个特征与参考对象的参考特征进行比较，

h)基于根据步骤g)的比较将对象分配给来自多个不同类的特定类。

根据本发明的方法允许对象被分类或分配给特定类，特别是基于雷达数据。对特定类的分配取决于将对象的特征与参考对象的参考特征的进行比较。

优选地，在第一周期中，在选择潜在对象之后，执行确定表征谱范围的至少一个参数值，并且在第二周期中，在选择潜在对象之后，执行确定表征所述谱范围的所述至少一个参数值，并且根据步骤f)的将潜在对象识别为实际对象是基于所述参数值是否至少在限定参数值的值范围的、特别是几乎为零的偏差区间以内在两个周期中已经出现而实现的。有利的是，这允许潜在对象被特别精确地识别为实际对象。这也可以减少测量中的噪声。目的可以是例如基于所述至少一个参数值在多个周期上跟踪对象，特别是跟踪移动对象。例如，假设实际对象可以在至少两个周期或更多周期中被检测或识别。因此，如果可以排除通过跟踪的误检测，则潜在对象因此变成实际对象或对象。

在一个实施例中，所考虑的参数值是从雷达传感器到对象的距离值和/或雷达传感器和对象之间的相对速度和/或从雷达传感器到对象的方位角。距离值也被称为范围值，并且指示雷达传感器和对象之间的距离。距离值可以通过雷达信号的传播时间测量来确定。相对速度表示对象相对于雷达传感器的径向速度。相对速度可以基于多普勒频移或雷达信号中的频移来确定。

方位角表示针对机动车辆的道路或针对机动车辆的车道平面中的水平角度。例如，方位角的参考点可以是机动车辆的纵向轴线。因此，可以确定方位角，使得其包围机动车辆的纵向轴线和从雷达传感器到对象的假想线之间的区域。例如，可以使用两个不同的接收通道来确定方位角。由此计算相位差，因此可以使用包含方位角的参考角度的查找表来确定或估计对象的方位角。

特别地，考虑的至少一个特征是对象的绝对速度和/或对象的绝对加速度和/或对象的速度方差和/或对象的加速度方差和/或在周期上累积的对象的强度和/或来自功率谱的对象的强度范围。因此，提供特征以将对象与参考对象进行比较。特定类中的特征越明显，基于该特征越可靠地将对象分配给预定类。因此，对象的绝对速度是对象在地面固定坐标系中行进的速度。对象的绝对速度因此与机动车辆的速度无关。这同样适用于对象的绝对加速度。对象的绝对加速度同样在地面固定坐标系中提供，并且与机动车辆的速度无关。可以根据步骤f)确定速度方差或绝对速度方差，步骤f)提供对象在多个周期上的速度。这同样适用于对象的加速度方差或对象的绝对加速度方差，其同样可以根据步骤f)确定。在周期上累积的对象的强度取决于从物体反射的雷达信号。例如，其可以被描述为谱范围的曲线的高度或功率谱中的频点(bin)。通常，在对象的尺寸和对象在功率谱中的强度之间存在关系。因此，例如重型货车的大对象比例如行人的小对象产生更强烈的反射。从对象反射的雷达信号的强度同样管控来自功率谱的对象的强度范围。为此，规定功率谱的特定强度范围，也就是说，例如，对于对象的强度范围的特征，组合来自功率谱的多个频点或谱范围。这可能有意义，因为对象可以延伸到多个频点或功率谱范围。这首先涉及测量精度，其次，对象可能具有不同的相对速度，例如，移动他的手臂的行人。此外，在一定程度上，对象在功率谱中的不同速度也是可能的。这可以归因于例如多次反射，由此具有更长的传播时间。

在另一实施例中，对于在周期上累积的对象的强度，考虑对周期上的强度求平均的平均滤波器。平均滤波器计算或平均在先前周期的相应谱范围中的对象的强度。现在的优点在于，可以针对强度或反射的雷达信号的高方差采取措施。如此，在未处理或未预处理的状态下的反射雷达信号的强度对于能够被分配的类而言太可变。如此，例如，在很大程度上反射雷达信号或者在相应的谱范围中具有高强度的大对象被另一大对象遮蔽或者被间歇地遮蔽。这将导致大对象在几个周期上具有高强度，然后突然仅具有低强度。这同样适用于小对象，其同样可以由大的或在这种情况下小的对象至少间歇地遮蔽。为了平均这些变化的强度，可以应用平均滤波器。

附加地或可替代地，基于在周期上累积的对象的强度通过在周期上累积的强度的特征空间的至少一个线性划分来执行对类的分配。这样，例如，表示在周期上基于距离累积的对象的强度的特征空间可以以这种线性方式，即使用直线而被划分，从而确定不同的类。

此外，基于来自功率谱的矩形细节考虑来自功率谱的对象的强度范围。例如，功率谱中对象的强度范围包括多个谱范围。来自对象的反射雷达信号通常分布在功率谱的多个谱范围上。因此，这可以在功率谱的距离或范围轴线上解释，例如，通过由于多次反射，对象还反射具有比没有迂回地反射的雷达信号更长的传播时间的雷达信号。这导致对象在功率谱中占据距离值的轴线上的多个谱范围。附加地或可替代地，例如，也可以是来自对象的反射雷达信号在速度值或多普勒轴线的轴线方向上的多个谱范围上延伸。例如，这是行人移动他的手臂的情况。在这种情况下，对象具有不同的速度。为了优选使用来自对象的功率谱的所有强度，可以考虑矩形细节。优选地，来自强度范围的矩形细节在比速度值大的距离值的范围上延伸。谱范围是来自以二维矩阵形式的功率谱的至少一个矩阵元素。

特别地，不同的类表征不同的道路使用者。这是有利的，因为其允许对象被分配给不同的道路使用者。因此，例如可以确定对象是人还是车辆。这对于自动驾驶的情况可能是特别有利的。因此，可能存在例如需要向左或向右的回避动作的情况。例如，如果现在在一侧存在未受保护的人，在另一侧存在受保护的车辆，则这可以作为作出有利于避让动作的相应侧的决定的基础。

优选地，考虑的道路使用者是摩托车或汽车或重型货车或行人或自行车。因此，基于该情况考虑至少一个这样的道路使用者。这些类是在交通中最频繁出现的类，因此是有利的。如果对象不能与任何上述类相关联，则还可以规定对象与“未知”类相关联。因此，其优点在于，其允许在分类或分配中表达一定程度的不确定性。

在另一实施例中，步骤g)被用作考虑描述比较的可靠性的置信度值的基础。例如，置信度值可以通过测量用于比较的相似性来提供。这样做的优点是可以有关于将对象分配给类的可靠性的陈述。置信度值因此说明了作出的分配的准确程度。

在另一实施例中，对至少一个特征进行加权。作为示例，在周期上累积的对象的强度的特征可以比其他特征更可靠。这也可以意味着这些特征之一允许对象到特定类的更加定性的分类或更加高度定性的分配，因为该特征更好或更明确地描述了特定类。如果事先已知，例如借助于经验发现，则相关特征可以相应地被加权。

特别地，对象的绝对速度和对象的绝对加速度的计算分别基于机动车辆的速度和机动车辆的加速度进行。这意味着，先前已知的对象相对于机动车辆的相对速度可以使用已知的机动车辆速度或已知的机动车辆加速度来转换为对象的绝对速度或对象的绝对加速度。对象的绝对速度或对象的绝对加速度是比对象的相对速度或对象的相对加速度更明显的特征，并且因此在将对象分配给特定类时是有利的。

在另一实施例中，基于预测算法，特别是卡尔曼滤波器执行步骤f)。预测算法尝试从先前的周期获取雷达数据，例如，作为递送关于将来的雷达数据的估计的基础。卡尔曼滤波器是实现预测算法的一种方式。换句话说，卡尔曼滤波器是可以用于估计系统的真实状态的一组等式，而不管错误的测量和噪声系统状态。可替代地，可以使用例如颗粒过滤器。预测算法允许在单个周期上特别简单和有利地跟踪潜在对象，并且因此允许特别有利地识别实际对象。此外，卡尔曼滤波器可以是有利的，因为其例如特别简单地提供了对象的速度方差和加速度方差的特征。

根据本发明的用于机动车辆的驾驶员辅助系统包括用于提供来自机动车辆的周围区域的雷达数据的至少一个雷达传感器，其被设计为执行根据本发明的方法。

根据本发明的机动车辆，特别是汽车，包括根据本发明的驾驶员辅助系统。

参考根据本发明的方法提出的优选实施例和所述实施例的优点相应地适用于根据本发明的驾驶员辅助系统和根据本发明的机动车辆。

本发明的进一步特征从权利要求、附图和附图的说明获得。上述说明书中的特征和特征组合以及以下在附图的描述中提及的和/或在附图中单独示出的特征和特征组合可以不仅用在各给出的组合中，但也可以用在其他组合中或单独使用，而不背离本发明的范围。因此，在附图中没有示出和解释的，但是由于特征的单独组合而从所阐述的实施例出现并且可以被产生的本发明的实施例也可以被认为是由本发明覆盖和公开的。

附图说明

以下将参考示意图对本发明的示例性实施例进行更详细地解释，在附图中：

图1示出了根据本发明的机动车辆的示例性实施例的示意性平面图，其具有根据本发明的用于对对象进行分类的驾驶员辅助系统的示例性实施例；

图2示出了作为频率和时间的函数的发射雷达信号和接收雷达信号的曲线图；

图3示出了功率谱，其中接收雷达信号的强度是距离值和速度值的函数；

图4示出了类似于图3的功率谱，其中具有大于强度阈值的强度值；

图5示出了功率谱的平面图，其中纵坐标为速度值，横坐标为范围或距离值；

图6示出了根据本发明的方法的部分流程图；

图7示出了根据本发明的方法的另一流程图；

图8示出了具有权重的所识别对象的特征以及合成特征向量；

图9示出了在周期上累积的对象的强度的特征的曲线图；

图10示出了基于训练数据的“对象的强度范围”特征的曲线图。

具体实施方式

图1示意性地示出了具有根据本发明的实施例的驾驶员辅助系统2的机动车辆1的平面图。在示例性实施例中，驾驶员辅助系统2包括雷达传感器3。根据图1所示的示例性实施例，雷达传感器3布置在机动车辆1的前部1a上。然而，雷达传感器3的布置可以以多种方式实现，但是优选地被布置，以使得可以感测机动车辆1的周围区域4。

雷达传感器3被设计为将雷达信号发射到周围区域4中，并且优选地还接收从对象反射的雷达信号。雷达传感器3优选地被设计为lfmcw雷达(线性频率调制连续波雷达)。这涉及调制到载波信号上的形式为斜波(ramp)的线性调制脉冲(chirp)。可替代地，根据本发明的方法能够使用另一fmcw雷达或调频连续波雷达来执行。

优选地，lfmcw雷达在24千兆赫的载波频率和200兆赫的带宽下运行。在线性调制脉冲上调制需要大约256微秒并且覆盖200兆赫。可替代地，用于使用根据本发明的方法的所有其它可用载波频率和带宽是可能的。

图2示出了发射雷达信号5和接收雷达信号6。两个雷达信号5、6都被描述为频率7和时间8的函数。此外，显示出时间偏移9，其指示在雷达信号的发射5和接收6之间的传播时间；以及频移10或多普勒频移(dopplershift)，其指示由于从移动对象(特别是相对于雷达传感器3在径向上移动的对象)的反射而引起到的发射雷达信号5的频率的变化。

图3现在示出了可以借助基于多个线性调制脉冲的快速傅立叶变换(fft)而产生的功率谱11。优选地，针对每个周期产生功率谱11，每个周期例如持续70毫秒。功率谱11基于距离值13或范围值、以及速度值14或多普勒值来显示由对象反射的雷达信号的强度或力度。功率谱11被划分为谱范围15。因此，谱范围15表示描述功率谱11的矩阵的元素。因此，谱范围15是对于距离值13和速度值14的离散强度值12。

图4示出了功率谱11，其中，每个谱范围15已经与强度阈值进行了比较，并且，具有大于强度阈值的强度12的谱范围15表示潜在的对象16。

图5示出了在二维视图或平面图中的功率谱11。纵坐标是速度值14，而横坐标是距离值13。因此，图3至图5的结合考虑示出了潜在对象16在多个谱范围15上延伸或可以延伸。原因是，对象可以具有不同的速度或相对速度，或者对象不能被明确地分配给一个距离或一个距离值13。例如，如果对象是例如移动他的手臂的行人，则对象可以具有不同的速度。距离值13的确定中的模糊性可以通过例如雷达信号的传播时间的延迟来解释，其例如由于雷达信号的多次反射而出现。此外，距离值13的分辨率可以取决于雷达传感器3。

图6示出了以特定步骤描述根据本发明的方法的流程图。在步骤s1中，线性调制脉冲被调制到雷达信号上，并且雷达信号被发射并且在下一步骤s2中被接收。在步骤s2中，确定频移10分量和时间偏移9分量，功率谱11能够通过牵涉强度12来提供。针对每个周期提供功率谱11。随后，在步骤s3中，针对功率谱11中的每个潜在对象16，确定距离值13、速度值14和方位角17。距离值13、速度值14和方位角17是这种情况下的参数值。参数值13、14、17用于在步骤s4中在多个周期(也就是说多个功率谱11)上跟踪潜在对象16。如果在步骤s4中潜在对象16已经可跟踪，则可以假定它是实际对象18。在另一步骤s5中，实际对象18基于特征vabs、aabs、σ²v、σ²a、y、rc与参考对象的参考特征vabs、aabs、σ²v、σ²a、y、rc进行比较。基于比较，可以将对象分配至预定的分类。最后，该信息然后可以作为用于输出警报信号的基础，例如用于rpc(rearpre-crash，预防追尾)系统。特别地，通过步骤s4，该方法可以确保仅针对实际对象18而不针对潜在对象16执行分类。

图7示出了根据本发明的方法的另一流程图，其中步骤s2、s3、s4类似于图6进行。添加步骤s6以说明分类或关联。如图6所述，所识别对象18的特征vabs、aabs、σ²v、σ²a、y、rc在此处与参考对象的参考特征vabs、aabs、σ²v、σ²a、y、rc进行比较。例如，特征vabs、aabs、σ²v、σ²a、y、rc是对象18的绝对速度vabs，对象18的绝对加速度aabs，对象18的速度方差σ²v，对象18的加速度方差σ²a，对象18在多个周期中的累积强度y以及对象18在功率谱11中的强度范围rc。例如，对象18的绝对速度vabs和对象18的绝对加速度aabs可以使用在步骤s7中提供的机动车辆1的速度和机动车辆1的加速度来确定。例如，速度方差σ²v和加速度方差σ²a可以通过用于步骤s4中的跟踪的预测算法(例如卡尔曼滤波器(kalmanfilter))来提供。随后，使用图形描述其余特征y、rc。在步骤s6之后，图7同样示出步骤s5，其在发生分类之后输出警报信号。警报信号可以被输出至机动车辆的驾驶员，特别是视觉地和/或听觉地和/或触觉地输出至机动车辆的驾驶员，但是，其还可以附加地或替代地作为控制信号输出至机动车辆1。

在步骤s6中执行的分类将对象18分配给多个不同类中的特定类。不同的类优选地表征不同的道路使用者。这些道路使用者例如可以是摩托车和/或汽车和/或重型货车和/或行人和/或自行车。附加地或可替代地，未知对象也可以被提供作为为特定类之一。在类不确定或不清楚的情况下，可以选择未知对象作为类。在一特定实施例中，还可以存在针对道路标志或桥梁进行分类的配置。

对于分类，例如可以使用绝对速度vabs，因为例如重型货车的较大对象18通常不以高速行驶。因此，对象18例如可以使用绝对速度vabs的特征来分配类。绝对速度vabs如下计算：

vabs＝vmotorvehicle-vobject

如果(vabs>极限值),则对象18≠重型货车

vmotorvehicle是机动车辆1的速度，并且vobject是对象18相对于机动车辆1的速度。

类似地aabs可以用作将对象18分配到特定类的特征。绝对加速度aabs如下计算：

aabs＝amotorvehicle-aobject

如果(aabs>极限值),则对象18≠重型货车

相应的极限值可以基于训练过程中的训练数据来确定。

对于速度方差σ²v和加速度方差σ²a的估计，例如假定以下数学关系：

其中vabs是绝对速度vabs。i表示相应的周期，n表示最大周期数。vmean是在所有周期内的所有绝对速度vabs的算术平均值。

其中aabs表示绝对加速度aabs，并且amean表示在所有周期内的平均加速度。对于速度方差σ²v和加速度方差σ²a，也存在相应的极限值。

如果(σ²v>极限值),则对象18≠重型货车

或

如果(σ²a>极限值),则对象18≠重型货车

在这些情况下，总是如此假定对象18是与重型货车不同的类，因为绝对速度vabs和/或绝对加速度aabs和/或速度方差σ²v和/或加速度方差σ²a高于针对重型货车的从训练数据、极限值已知的标准值。

图8示出了如何基于绝对速度vabs、绝对加速度aabs、速度方差σ²v，加速度方差σ²、在周期上累积的对象18的强度y、以及强度范围rc确定特征向量19。这些特征vabs、aabs、σ²v、σ²a、y、rc中的每一个可以附加地使用权重g1至g6来加权。

图9描述了在多个周期上累积的强度y的特征。在纵坐标上绘制对象18或谱范围15的使用平均滤波器计算的累积强度，而在横坐标上绘制相应谱范围15的距离值13。在当前情况下，在对象18所分配到的三个类之间进行区分。例如，这些类可以彼此线性分离，也就是说使用直线分离。具有最高y值的类在这种情况下是重型货车，例如，具有最低y值的类是摩托车，并且其它两个类之间的类是汽车。

在周期中累积的强度y如下计算。另外，该计算包括考虑来自先前周期的强度的平均滤波器。

y(n)＝αx(n)+βy(n-1),

n是相应的周期，x是从对象18反射的雷达信号的强度12或力度。α＝1/m且β＝1-1/m。m是第一周期的周期数。对于y的计算，m设置为1。m然后每增加一个周期增加1。

基于功率谱11产生对象18的强度范围rc的特征。为此，在功率谱11上选择矩形窗口或矩形强度范围。然而，通常，所选择的强度范围可以具有任何其他形状或尺寸。此外，现在对矩形细节20内在预定强度阈值之上的所有谱范围15或频点进行计数。强度阈值可以是例如20db。因此，针对功率谱11中的每个对象18，对象18的强度范围rc的特征是整数或整数值。对于下一周期的功率谱11，确定针对对象18的强度范围rc的特征的新值。对象18的强度范围rc的特征也可以被称为范围计数器。

图10示出了基于多个参考对象的对象18的强度范围rc的特征的图示。因此，其示意性地示出，例如在曲线图的下部区域中的摩托车类25(该类在纵坐标、或对象18的强度范围rc的值上基本上从0延伸到10)如何与在它上面的类(在现有情况中描述汽车)分离。摩托车类25和汽车类23之间的分离通过分离线21绘出。此外，汽车类23和重型货车类24的分离通过第二分离线22描述。图10的横坐标描述了距离值13。

矩形细节20的尺寸可以例如是谱范围15中三个和距离值13中的20。然而，矩形细节20的不同尺寸也是可能的。

另外，特征向量19可以作为用于提供允许关于分类的可靠性的陈述的置信度值的基础。如此，例如，可以基于特征向量19中的相应特征vabs、aabs、σ²v、σ²a、y、rc的最高值来分配类。如果例如特征向量19的特征vabs、aabs、σ²v、σ²a、y、rc明显高于特征向量19的其它特征vabs、aabs、σ²v、σ²a、y、rc，则例如可以推定非常可靠的分类。另一方面，如果对于特征向量19的所有特征vabs、aabs、σ²v、σ²a、y、rc，特征vabs、aabs、σ²v、σ²a、y、rc与参考特征vabs、aabs、σ²v、σ²a、y、rc的比较结果靠近在一起，则例如可以推定分类具有较低的可靠性。

例如，特征向量19可以被实现为阵列，其中，特征向量19的每个指标或每个元素旨在用于特定类。存储在此指标中的值描述了特征vabs、aabs、σ²v、σ²a、y、rc的结果多经常地描述这一类。这意味着每当特征vabs、aabs、σ²v、σ²a、y、rc已经描述了特定类时，计数相应地增加。在一个特定实施例中，基于权重g来增加计数。这样，由特征向量19描述的结果可以具有例如以下表现。

在这一情况中，存在重型货车(即重型货车类24)的票数四次。在另一实施例中，例如可能需要最小数量的周期以便获得对类的可靠分配。因此，例如可以假定需要至少五个周期以便能够对关于特定类的分配做出可靠陈述。如此，另一特征向量19可以例如具有以下表现。

在这种情况下，存在多于五个可用周期，并且，可以推定结果是可靠的。例如，这里可以推定重型货车或重型货车类24的概率为70％，而汽车类23的概率为20％，并且摩托车类25仅具有10％的概率。