用于对机动车的至少一个传感器进行失调识别的方法与流程

本发明涉及一种用于对机动车的至少一个传感器进行失调识别的方法。

背景技术：

从de102011084264a1中已知一种用于环境传感器的校准方法。环境传感器产生传感器数据，所述传感器数据尤其是包括图像和/或视频。将传感器数据与数据库的参考传感器数据进行比较。基于该比较进行传感器的校准。

在de102016223581a1中描述一种用于检验传感器的功能能力的方法。在此情况下，首先通过传感器提供传感器数据。随后将存储在存储器中的预先确定的检验数据与传感器数据关联，用以获得被操纵的数据。然后利用处理准则处理被操纵的数据并且将经处理的数据与预先确定的参考数据进行比较，用以检验传感器的功能能力。

从ep2604478a1中得知一种用于识别多传感器装置的功能差错的方法。在此，多传感器装置包括至少两个传感器，所述传感器监控位于当前车辆周围环境中的同一对象。在此，融合多传感器装置的数据并且从中确定当前功率参量。将当前功率参量与对于无差错多传感器装置所预期的相应的功率参量进行比较。从比较中可以作出以下判定：是否存在多传感器装置的所述一个或多个所涉及的传感器的功能差错。所述所预期的功率参量借助离线学习的方法来确定。

从de102016223290a1中应获悉一种用于车辆的传感器的校准方法，其中将待校准传感器的传感器数据与另一传感器的所检测的环境数据进行比较。从所述比较中产生用于待校准传感器的校准数据。

从de102016221440a1应获悉一种用于车辆中的环境传感器系统的诊断方法。在此，将参考对象的参考数据储存在外部服务器中。参考数据经由所谓的its系统（intelligenttransportationsystem（智能交通系统））被发送给机动车，所述its系统将参与交通事件的车辆和负责交通基础设施的机构相互联网。在那里将参考数据与从参考对象的实际检测的数据进行比较。

最后，从de102016219455a1中还已知一种用于对机动车的环境检测进行检验的方法。具体而言，在此借助于至少一个传感器检测的传感器数据被传送给基础设施的装置。该装置将传感器数据与参考数据进行比较，所述参考数据与特定的测试场景有相关性。测试场景是局部有限的检验区的组成部分，所述检验区位于预先确定的位置。只有当车辆处于检验区中时，由车辆当前检测的传感器数据才被传输送给装置。

技术实现要素：

从所提到的现有技术出发，本发明的任务是提供一种用于对机动车的至少一个传感器进行失调识别的方法，所述方法利用唯一的传感器就能实现并且其中可以放弃用于待检测对象的参考数据。

本任务通过具有专利权利要求1和11的特征的方法来解决。可以从从属权利要求中得知该方法的有利实施方案或构造方案。

根据本发明的一个方面，提出一种用于对机动车的至少一个传感器进行失调识别的方法，其中所述传感器用于检测机动车的环境中的对象。根据本发明的方法至少具有以下方法步骤：

•首先检验机动车处于哪种当前初始或行驶状况。尤其是，检验机动车是否移动。也即已经表明，仅特定的行驶状况特别适用于确定失调或有错误的测量值。之后仍将对此进行探讨。

•在存在与所存储的被确定为合适的初始状况一致的初始状况时，对由传感器在行驶期间在特定的时间间隔中通过检测对象所产生和存储的测量值进行评估。因此，仅在存在合适的初始状况时，尤其是当机动车移动并且因此在不同时间点检测测量值时，才为了失调识别目的而对不断生成的测量值进行评估，其中在所述不同的时间点机动车位于不同的位置处。例如，可以将直线驶出或转弯行驶确定为合适的，其中尤其是这些行驶状况尤其是被评估为合适的，而静态的行驶状况、尤其是是当车辆停止时的静态的行驶状况则可以被评价为不合适的。尤其是其中机动车移动的这样的行驶状况是合适的；在这种情况下，机动车在相继的时间点时的位置发生变化。对象优选地是在机动车环境中的静止对象，也即例如停放的机动车、固定的障碍物等。也就是说，当机动车移动时，所述机动车相对于所述对象的位置发生变化。

•将所检测的测量值中的每一个测量值与其检测的时间点联系起来。此外，将所检测的测量值中的每一个测量值与在该时间点时机动车相对于引起所述测量值的测量地点的相对位置（间距、定向）联系起来。

换句话说，确定机动车在特定的测量时间点相对于所检测的对象或测量地点处于哪个相对位置。在此尤其是此外考虑机动车的绝对位置在其移动时如何改变。为此，例如可以借助于车辆里程计确定机动车的位置和取向在行驶期间如何改变。车辆里程计表示估计移动系统的方位、即位置和取向的方法。在此，例如考虑系统的速度的方向和数值以及必要时考虑加速度，用以确定方位的变化。尤其是，车辆里程计使得能够在特定的时间点确定机动车的位置、定向和行驶状态。例如，车轮传感器、偏航率传感器以及还有转向传感器（转向角）的测量参量可以被用作输入参量。补充地，还可以使用车辆导航数据（gps数据）。由此可以确定：在车辆的不同位置处以及在不同的时间点所检测的测量值彼此处于哪种空间上的关系。因此，例如可以确定：对象相对于车辆的方位的哪种位移或旋转源自于机动车的自身运动。因此通过合适的补偿，可以对在不同时间点检测的测量值进行相互比较，变换到共同的坐标系中或录入到地图中。

•至少将第一时间点的测量值与较晚的第二时间点的测量值进行比较。

•从测量值的比较中判定：是否存在传感器的失调。失调尤其是被理解为传感器与其正确位置的角度偏移。

因此，通过上面提到的方法步骤提供一种方法，通过所述方法即使在不使用多个传感器或传感器集群的情况下并且在不查阅参考数据的情况下也可以确定出传感器的失调。

根据本发明的另一方面，提出一种方法，其中在机动车行驶期间以时间间隔检测并且存储测量值，所述测量值涉及机动车的环境中的对象。在此，给所检测的测量值分别分配其检测的时间点，并且对于所检测的测量值分别确定车辆相对于引起测量值的测量地点的相对位置。尤其是，引起测量值的测量地点布置在对象的表面上。检验机动车是否处于运动中，并且在这种情况下，根据第一时间点的测量值和较晚的第二时间点的测量值来确定：是否存在传感器失调。尤其是，确定失调的类型，例如相对于经校准的方位移位和/或旋转的位置或传感器相对于经设置的或经校准的状态的其他变化。

可以将以下特征与本发明的不同方面自由组合。

传感器的失调可以以不同的方式表现。例如，传感器检测测量值，给所述测量值分别分配测量地点，并且使测量值与信息相关联，所述信息涉及测量地点的位置，尤其是相对于传感器的位置和定向的位置。例如，传感器测量从特定方向射到的光的强度，其中检测关于光入射的方向的信息；以这种方式例如摄像机传感器的不同像素探测从不同方向入射的光。以类似的方式，激光扫描仪可以根据相对于激光扫描仪的角度检测在周围环境中的表面的反射特性。为了评估通过机动车所检测的测量值，由传感器提供的、尤其是关于测量地点的相对位置的信息被评估并且将其与机动车联系起来。这尤其是借助于校准进行，其中例如确定：由传感器检测的、关于测量地点的位置的信息可以如何被变换到车辆坐标系中。例如，确定传感器相对于机动车的方位和/或定向。

例如当传感器相对于初始方位移位和/或旋转时，失调现在可能涉及传感器的方位和/或定向相对于校准的偏差。例如当摄像机的光学系统相对于经校准的状态被改变，或者激光雷达或雷达扫描仪的功能方式被改变为使得例如在所检测的测量值的已扭曲的映射情况下对关于测量地点的位置的信息的检测也改变时，则失调还可能涉及传感器的映射特性的变化。

根据该方法的第一构造方案提出，基于事先学习和存储的判定逻辑来判定是否存在失调。一方面，这有助于不再需要特定对象的预制参考数据，并且另一方面提供“智能”，所述智能使得能够非常灵活地适配于各种不同的测量状况。尤其是在此应用机器学习方法。在此，判定逻辑可以包括例如用于根据经训练的分类器对所检测的测量值进行分类的指令。

在本发明构思的另一构造方案中可设想的是，通过测量图像事先学习所存储的判定逻辑，所述测量图像一方面通过具有故意失调的传感器的机动车的测量行驶并且另一方面通过具有按规定的调准的传感器的机动车的测量行驶被生成。用于学习判定逻辑的测量行驶可以优选地利用同一机动车来实施。尤其是，传感器的在一个时间点或一个位置处检测的全部测量值被称为“测量图像”。在该构造方案情况下，因此在测量行驶期间利用失调的传感器生成测量图像，所述测量图像被确定或归类为不良测量，也就是说，其作为不良测量的分类在检测期间已经是已知的。在利用按规定调准的传感器的测量行驶情况下生成测量图像，所述测量图像被确定或归类为良好测量并且相应地被分类。由此可以以简单的方式学习或通过机器学习方法训练支持该方法的判定逻辑。

在该方法的另一构造方案情况下，可替代地或附加地，可以使用测量图像来学习借助于模拟产生的判定逻辑。为此尤其是使用本身已知的方法，例如应该用于执行该方法的传感器的物理模型或统计学方法。尤其是，因此有针对性地生成被分类为良好测量或不良测量的测量图像，其方式是模拟用于正确或不正确调准的传感器的测量值。

尤其是，曾学习过的判定逻辑在没有参考数据的情况下也够用。不再需要存储和提供参考数据、例如特定对象的数据。

根据该方法的一种改进方案，通过在行驶期间存储的测量值生成测量图像，所述测量图像针对每个所检测的对象示出在不同时间点所述对象的轮廓的至少部分。具有至少一个对象的空间上分解开的轮廓的测量图像（其中因此在至少一个对象情况下不仅仅基本上一个轮廓是可分配的）被归类为不良测量并且因此被归类为失调。具有空间上上下叠置的轮廓的测量图像（其中从针对每个对象的测量图像中因此仅得出一个明确可见的轮廓）被评定为良好测量。也就是说，对如下测量图像进行比较，在这些测量图像情况下在不同的时间点检测对象。

尤其是定义阈值或容差范围，并且如果对象的所检测的轮廓比阈值更彼此远离，则所述轮廓被确定为分解开的。

在此尤其是考虑具有传感器的机动车的自身运动，因为车辆在不同的时间点处于不同的位置。在确定所检测的对象是否在不同的时间点以空间上上下叠置或分解开的轮廓被检测时，机动车的自身运动被补偿，所述自身运动例如借助于里程计来确定。

对所检测的对象的轮廓的替代地或附加地，该方法可以被应用于任意图样，所述图样可以根据检测的测量值被确定并且例如可以通过训练机器学习系统被学习。在此尤其是确定图样是否是在不同的时间点在不同的位置处被检测的，并且相应地类似于上面的描述而判定是存在失调还是存在良好测量。在此无关于：所涉及的是哪种类型的对象以及是否例如能够检测对象的轮廓或其他特征。以这种方式提供一种非常灵活和通用的操作方式。

如开头所提及的，在该方法情况下首先检验究竟是否存在针对所述评估的合适的初始状况。已经表明，如果行驶通过笔直道路和/或转弯行驶被认为是合适的初始状况，这是非常有利的并且借助于里程计能够在测量间隔期间特别可靠地确定机动车相对于测量对象的相对位置。

该方法可以被构型为使得确定具体的失调值，并且在所确定的失调值超过阈值的情况下，执行传感器的自动校准或自动校正。失调值尤其由于传感器相对于其正确安装位置的角度误差或角度偏移而存在。由此使得能够在一定的极限内消除传感器的失调，例如在传感器的“自愈”意义上，而机动车的功能限制或车间停留变得不必要。

可以优选地通过以下方式确定失调值：将第一测量时间点的测量值逆变换到第二测量时间点的测量值，例如将较晚测量时间点的测量值逆变换到较早测量时间点的测量值。在此情况下，尤其是也考虑在测量值检测的所观察的时间点之间的机动车的自我运动并且对其进行补偿。例如，较晚的测量图像（所检测的对象的较晚轮廓）被移回/映射到较早的测量图像（所检测的对象的较早轮廓）上。在此尤其是可以确定：哪些平移和/或旋转变换步骤是必要的，以便将较晚的测量点映射到较早的测量点上。

在其他构造方案中，可替代地或附加地可以使用其他变换，例如非线性变换或扭曲，以便补偿特定失调对测量图像的影响并且能够将在不同的时间点检测的测量图像映射到彼此上。

一般而言，在该方法情况下可以确定映射准则的参数，借助于所述映射准则在不同时间点检测的测量图像可以映射到彼此上。于是可以根据映射准则和/或其参数确定失调值，例如以便执行传感器的经改善的校准。

然而，如果在确定失调值时确定出超过上限值，则输出差错讯息。基于失调传感器的功能被去激活或至少在其范围上被减小。以这种方式可以确保，驾驶员仅当绝对必要时才被告知并且使基于传感器的数据的机动车功能被限制。

为了能够在机动车处节省计算机容量，可选地提出将时间间隔期间生成的测量值传送给外部计算机，并且计算机借助于判定逻辑根据这些测量值而确定失调值并且将其传送回机动车。此外，本发明方法的各个步骤可以由外部计算机执行。尤其是可以通过外部计算机执行机器学习，例如用于训练判定逻辑，而测量数据的实际评估则在机动车中进行。

最后，例如为了识别例如由于外部干扰场而使对测量数据的正确检测是不可能的困难环境状况而提出对在同一区域中检测的多个机动车的测量值进行比较。在确定出所有这些机动车的被检验传感器都失调时，于是应该至少暂时忽略在该区域中由其他机动车进行的失调确定。为此，机动车尤其是例如借助于车到车（car2car）或车到基础设施（car2infrastructure）连接或借助于上级计算机而联网。

附图说明

本发明的优选实施例在图中示出并且在以下的描述中根据图更详细地被阐述。由此使得本发明的还有的其他优点变得清楚。相同的附图标记（也在不同的图中）涉及相同的、可比的或功能上相同的构件。在此，即使不重复地描述或对其参考也可以实现相应的或可比的特性和优点。所述图并非或至少并非总是完全符合比例的。在一些图中，比例或间距可以被夸大地示出，以便能够更清楚地强调实施例的特征。

分别示意性地：

图1示出该方法的优选构造方案的流程图，

图2示出通过笔直道路行驶的机动车的测量状况的图示，

图3示出在按规定调准的传感器情况下的所产生的测量图像，

图4示出在失调传感器情况下的所产生的测量图像，

图5示出适用于执行该方法的机动车，

图6示出用于在为此专门构造的机动车中学习判定逻辑的方法步骤，

图7示出将事先学习的判定逻辑传输到机动车的评估和控制装置中，

图8示出使用外部计算机用以减轻机动车的负载，

图9示出将在较晚时间点检测的对象测量值逆变换成在较早时间点检测的对象测量值，用以确定具体失调值，以及

图10示出使用所谓的群数据用于识别困难的环境状况的图示。

具体实施方式

首先参照图1。在该图中示出根据本发明的方法方式的可能表现形式。因此，在开始方法流程之后并且从初始状态v0出发，首先在方法步骤v1中检验：针对具有待检验的传感器的机动车是否存在适用于进一步继续该方法的初始状况或行驶状况。在检验时可能得出：存在不适用于继续该方法的初始状况s1。但是，也可能存在初始状况s2，在所述初始状况s2情况下机动车行驶通过笔直的道路。可能通过机动车的转弯行驶而存在另一初始状况s3。

初始状况s2和s3表示已经证明适用于进一步实施该方法的初始状况。应该用sx表示其他合适的行驶状况，所述其他合适的行驶状况例如适用于在其他传感器或传感器类型的情况下进行失调识别，所述其他传感器或传感器类型例如使用不同的物理探测原理用于检测测量值，并且对于所述其他传感器或传感器类型而言失调可能以其他方式对测量值产生影响。

如果初始状况被归类为合适的，则在方法步骤v2中，在特定的时间间隔内在失调识别方面对通过对象检测获得的测量值实施评估。

除了简单地对失调的存在进行肯定或否定之外，所述评估在方法步骤v3中还可以包含确定具体的失调值。

稍后还要更详细地阐述可以在方法步骤v2和v3中如何进行评估测量值和确定失调值。

在确定具体的失调值时，在询问a1中询问：失调值是否大于阈值s，所述失调值可以优选地对应于相对于待检验的传感器的正常位置的具体角度误差α。在这里，该实施例假定，可能存在以传感器2相对于经校准方位而旋转的形式的失调，例如以角度误差α而旋转的值。在其他实施例情况下，可替代地或附加地可以检验其他类型的失调，例如移位、方位变化或与初始状态的其他偏差。

如果这不是该情况，则该方法再次返回到方法步骤v1，其中必要时以所确定的或可确定的时间延迟重新检验用于机动车的初始状况。

然而，如果询问a1得出角度误差α、也即失调值大于阈值s，则该方法到达询问a2，在询问a2中询问角度误差α是否大于特定的极限值g。

如果这不是该情况，则在方法步骤v4中进行已失调传感器的自动校准或自动校正或由传感器产生的数据的适配。

然而，如果角度误差α如此大使得该角度误差超过极限值g，则不再能实施自动校准，并且必须在方法步骤v5中以控制技术的方式确立错误，这导致：将警告消息输出给驾驶员，并且去激活或至少限制基于已失调传感器的数据的功能。

在其他实施例情况下，借助于判定逻辑el、尤其是是借助于机器学习方法来确定：是否存在失调。下面更详细地阐述相应的方法。

根据图2至4应该阐述可以在方法步骤v2中如何对以时间间隔检测的传感器数据进行评估。因此，在时间点t1确定出：存在用于进一步实施该方法的针对机动车k1的合适的初始状况。机动车k1处于以速度v行驶通过笔直的道路或车道f。

在车道f的边缘处，仅示例性地示出停放的机动车k2形式的待检测的对象。

对存在合适状况的确定还一并受到速度v的配准的影响。所述速度在该实施例中被选择为使得机动车k1在所示的时间间隔zi中如此经过许多测量时间点t1至tn，使得可以通过传感器2产生有说服力的测量值。用于进行对象检测的传感器2优选地是摄像机、雷达传感器、激光雷达传感器或超声波传感器。在该实施例情况下，仅示例性地示出一个传感器2，然而也可以设置多个传感器2，必要时设置不同类型的传感器。

此外，借助于车辆自身的传感器系统来评价：机动车k1是否处于合适的初始状况中，其中所述传感器系统例如包括车轮转速传感器、偏航率传感器和转向角传感器（未更详细示出）。

在时间间隔zi期间，由传感器2在时间点t1实施测量m(t1)。在时间点tn，即临近时间间隔zi结束，由相同的传感器2实施测量m(tn)。在这些测量之间存在特定数量的其他测量，其中仅示例性地明确地强调在时间点t2的测量m(t2)。在此，机动车k1连续地移动，也就是说，在测量m(t1)、m(t2)、m(tn)中的每一个的情况下所述机动车相对于停放的机动车k2都处于不同的位置。

通过测量中的每一个测量都产生特定的测量值。仅仅示例性地示出机动车k2的车辆轮廓的除了车辆轮廓的许多其他测量地点之外也对于产生测量值而作出贡献的一个测量点或测量地点mo。

因此，在机动车k1相对于机动车k2或测量地点mo处于第一相对位置的时间点t1，对测量地点mo相对于机动车k1的位置进行第一测量m(t1)，其中尤其是测量机动车k1至机动车k2或至测量地点mo的间距。在机动车k1相对于测量地点mo处于另一相对位置的时间点t2，进行第二测量m(t2)。最后，临近时间间隔zi结束时，在时间点tn进行最后的测量m(tn)，其中机动车k1再次处于已经明显远离测量地点mo的相对位置。

在此，将每个所检测的测量值与其检测的时间点联系起来并且与在该时间点时机动车k1所位于的相对于引起测量值的测量地点mo的相对位置联系起来。可以优选地借助于已经提到的车辆里程计来确定机动车在时间点t1至tn中的一个时间点相对于停放的机动车k2的精确相对位置。尤其是，在此根据测量m(t1)、m(t2)、m(tn)以本身已知的方式测量的位置被录入到地图中、例如根据测量m(t1)、m(tn)产生的机动车k1的环境地图中。

由于通过机动车k2形成的多个测量地点或测量点，在每个时间点t1至tn均产生多个测量值mw(t1)、mw(t2)、mw(tn)，所述测量值最终针对时间点而产生测量图像这一结果，根据所述测量图像，例如可以确定机动车k2或所检测的对象的轮廓或轮廓的至少一部分。测量图像尤其是包括所谓的“点云”、也即针对时间步t1、t2、tn检测的多个测量值mw(t1)、mw(t2)、mw(tn)。

在此尤其是无关于，例如通过完全行驶经过机动车k2或其他对象来检测完整的轮廓。相反地，如此进行测量m(t1)、m(tn)，使得具有测量值mw(t1)、mw(t2)和mw(tn)的测量图像以彼此足够大的空间间距被检测；在此，间距必须怎样大可以取决于不同的参数，例如取决于所使用的测量方法、传感器类型、所探测的周围环境特征和对象、行驶状况和/或当前的失调的具体类型。

在图3中示出测量图像mb1，所述测量图像是通过在时间点t1、t2和tn产生的测量值mw(t1)、mw(t2)和mw(tn)所产生的。

换句话说，对于每个时间点t1至tn，对所检测的对象、在这种情况下机动车k2的轮廓进行映射。在此，根据借助于里程计检测的数据对机动车k1的自我运动进行了补偿，使得将测量值mw(t1)、mw(t2)、mw(tn)录入到共同的地图中。

图3中所示的测量图像mb1表示通过按规定调准的传感器2引起的测量图像。也就是说，所有产生的轮廓kt1)、k(t2)直至轮廓k(tn)在测量图像mb1中彼此叠置或至少如此紧密地并排放置，使得对于评估测量图像mb1的逻辑而言，产生唯一的所定义的轮廓的印象。所提到的轮廓由在时间点t1时所产生的测量值mw(t1)、在时间点t2时所产生的测量值mw(t2)和在时间点tn时所产生的测量值mw(tn)形成。

如果机动车k1的传感器2失调，例如由于相对于所设置的安装位置偏移地布置传感器2而失调，则情况不同，正如根据图4所示的那样。在这种情况下，生成测量图像mb2，其中对于每个时间点t1至tn生成的轮廓、即示例性地k(t1)、k(t2)以及k(tn)不再彼此上下重叠，而是分解开。总体上仅产生一个“模糊”的点云，其至多使得猜测出轮廓。在其他实施例中，传感器2的布置相对于其所设置的方位旋转、可能与偏移相结合地旋转。在这里可以类似地应用该方法。

图5稍微更详细地示出为实施根据本发明的方法而准备的机动车k1。机动车k1因此具有多个用于检测机动车k1的环境中的对象的传感器2。传感器2优选地被构造为摄像机、雷达传感器、激光雷达传感器或超声波传感器，其中可以设置多个传感器2和必要时对不同类型的传感器的组合。

机动车k1装备有评估和控制装置1，所述评估和控制装置具有存储单元10、计时器11和逻辑单元12。

经由例如可以构造为can总线的数据总线6，评估和控制装置1与传感器2、与多个驾驶员辅助系统3（例如紧急制动辅助系统、停车辅助装置、具有gps装置的导航系统等）、与显示和操作装置5以及与声学信号装置4连接。

如果通过机动车k1的传感器系统如所描述的那样检测合适的初始状态，则通过评估和控制装置1的逻辑单元12以所描述的方式评估由传感器2检测的对象数据，其中所述传感器系统除了所示的传感器2之外还包含其他合适的传感器，例如车轮传感器、偏航率传感器和转向角传感器（未示出）。经由所提及的计时器11可以将每个所产生的测量值与其检测时间点联系起来。

在这一点上应该提及的是，判定逻辑el存放在逻辑单元12中，所述判定逻辑判定是否存在失调。然而，优选地存储在存储单元10的程序存储器中的判定逻辑el已经事先被学习或训练。在该实施例情况下，使用机器学习方法，其中首先以下述方式训练分类器用以根据所检测的测量图像m识别失调，其中已知的是：这些测量图像是利用正确调准的传感器检测的还是利用失调的传感器2所检测的。逻辑单元12然后尤其是使用如此训练的分类器，用以根据是否存在失调来对如下测量图像进行分类，其中所述测量图像是利用未知调准状态的传感器2所检测的。判定逻辑el尤其是包括用于实施分类的指令。

根据图6阐述训练的实施例。图6示出为开发目的而准备的机动车k3，所述机动车装备有正确安装的传感器2和故意失调的传感器2'。机动车k3同样装备有评估和控制装置100以及如那样机动车k1装备有可比的传感器系统。失调的传感器2'具有特定的、所确定的角度误差α。

在机动车k3的特定次数的测量行驶中，现在利用正确安装的传感器2实施车辆周围环境的测量。由此产生测量图像m+，所述测量图像m+从一开始就被评价为良好测量。

随后进行特定次数的测量行驶，其中利用故意失调的传感器2'检测机动车k3的车辆周围环境。在此情况下产生测量图像m-，所述测量图像m-从一开始就被分配给不良测量。尤其是，对于传感器2'已知的角度误差α也可以被分配给测量图像m-。

不仅测量图像m+而且测量图像m-被集合起来，使得在评估和控制装置100中产生并且存储判定逻辑el。

为了训练判定逻辑el，可以使用测量图像m+和m-，所述测量图像借助于一个或多个机动车k3以及不同的传感器s2、s2'被检测。尤其是，为此可以使用相同或不同传感器类型的传感器s2、s2'，所述传感器例如使用相同或不同的物理测量原理。可替代地或附加地，可以借助模拟人工地生成所使用的测量图像m+和m-。如此学习的判定逻辑el从机动车k3的评估和控制装置100中被读取，必要时被中间存储并且被读入到机动车k1的评估和控制装置1中或其存储单元10中（参见图7）。因此，判定逻辑el在机动车k1的正常日常行驶时可供所述机动车1使用。不需要存储参考数据等。图6和图7中所示的方法步骤被汇总在方法步骤v0（参见图1）之下。

在该实施例情况下，典型地计算密集地训练机器学习方法或在机动车1外部、例如在外部服务器处生成判定逻辑el，使得所述机动车1仅须根据判定逻辑el而实施典型较不计算密集的分类。在另一实施例情况下，为了能够在机动车k1中额外地节省计算能力，判定逻辑el也可以可选地被转移到外部计算机7中，正如图8中所示的那样。

在此情况下，在时间间隔zi中所实施的在时间点t1至tn时的测量被传送给外部计算机7，所述测量例如涉及对以停放在车道f旁的机动车kx形式的对象进行的检测。外部计算机7基于现在起存储在所述外部计算机中的判定逻辑el对失调的存在和大小进行判定。

在该实施例情况下，可以在机动车k1的评估和控制装置1中或在外部计算机7中实现对具体失调值或角度误差α的计算，使得借助于变换将第一测量时间点的测量值映射到第二测量时间点的测量值。例如在此可以将较晚测量时间点的测量值逆变换成较早测量时间点的测量值。在图9中示例性地示出：在较晚的时间点tn的测量值mw(tn)被逆变换成在较早时间点t1的测量值mw(t1)。在该实施例情况下，因此进行变换t，其中计算测量值mw(tn)或轮廓k(tn)的测量点必须如何平移和/或旋转地被移回，以便可以将所述测量值或测量点映射在轮廓k(t1)上。该方式可能要求大量计算机容量，使得转移出到外部计算机7可能是有利的。

在其他实施例情况下，可替代地或附加地，进行其他映射或变换步骤，例如用以均衡对所检测的测量值mw(t1)、mw(t2)、mw(tn)的由失调引起的其他线性或非线性影响。例如，检测光学系统的失调可能导致扭曲并且相应的变换可以被确定。例如可以使用配准方法，例如迭代近似方法、尤其是统计学方法，用以确定变换。这种方法尤其是被用于将在不同时间点检测的点云映射到彼此上，其中以多个时间步检测的所有单独的点不一定彼此对应。例如，如此确定最佳变换，使得这些点云在所得出的布置中最佳地重叠。

在另一实施例情况下，可以使用分析方法，用以确定映射准则的参数，利用所述映射准则可以将第一测量时间点的测量值映射成或逆变换到第二测量时间点的测量值。如果在多个时间点的测量值彼此精确对应，则尤其是使用这样的分析方法。例如当相同对象在多个时间点被检测并且在不同时间点检测的测量值可以被映射到彼此上时就是这种情况。

在另一实施例情况下，为了训练判定逻辑el，以特定的失调、例如以已知的角度误差α检测用于待训练的不良测量的测量图像m-。在这种情况下训练判定逻辑el，用以识别具有该角度误差α的失调。此外，可以使用不同的角度误差α或其他特定的失调方式如此用于训练，例如用以训练判定逻辑el，使得识别出和/或区分不同的失调方式。

在该实施例情况下，可以借助于判定逻辑el使用机器学习方法，以便识别具体的失调值。在此尤其是，所检测的测量图像m(t1)、m(tn)被分类并且被分配给特定的角度误差α。在此尤其涉及这样的角度误差α，对于所述的角度误差α，事先检测用于不良测量的测量图像m-并且将其用于训练。

最后，图10示出以下状况，其中多个机动车k4、k5和k6行驶通过被评定为关键的区域15。机动车k4至k6与机动车k1可比地被装备。所述机动车也拥有经学习的判定逻辑el、尤其是经训练的分类器。

区域15就以下方面评定为关键的：所有机动车k4、k5和k6均在特定时间间隔zi4、zi5和zi6向外部计算机8报告自身传感器2失调，其中在所述特定时间间隔k4、k5和k6中按照根据本发明的方法实施评估。机动车k4至k6分别拥有gps装置和通信装置14。gps装置13与gps卫星9相结合地工作。经由通信装置14，与外部计算机8进行无线数据交换是可能的。

通过所示的结构可能的是，计算机8不仅接收机动车k4至k6的传感器数据，而且接收所述机动车k4至k6的位置。

由于所述区域15中的所有机动车k4至k6现在报告自身传感器2失调，而这应被评价为几乎不可能的，因此计算机8的逻辑得出结论：区域15应被评定为关键的。在另一实施例情况下确定：在区域15中有多少机动车k4至k6或机动车k4至k6其中多大比例一致地报告失调，并且如果干扰的绝对或相对数量超过阈值，则假定有干扰源。

因此假定在区域15中存在未更详细示出的干扰源，该干扰源至少暂时导致通过传感器2未按规定地检测数据。因此，计算机8向同样可以与计算机8通信并且（尚）不位于区域15中的其他机动车传送相应的信号，使得在在关键区域15中的测量时基于这些测量而被识别为失调的传感器不被评价为失调的。

对特定区域15替代或补充地，可以检测行驶状况并且可以识别干扰源。例如，类似于该实施例，可以认识到：可以针对特定的车道走向、在特定的时间或在特定的设备附近而假定有干扰源。由此，例如可以避免传感器2在特定行驶状况下的系统性功能故障而造成对失调的错误识别。

附图标记列表

1评估和控制装置

2传感器、超声波传感器

2'失调的传感器

3驾驶员辅助系统

4声学信号装置

5显示和操作装置

6数据总线

7外部计算机

8外部计算机

9gps卫星

10存储单元

11计时器

12逻辑单元（包含判定逻辑）

13gps装置

14通信装置

15关键区域

100评估和控制装置

a1-a3询问

el判定逻辑

f车道

g极限值

k(t1)在时间点t1的所检测的对象的轮廓

k(t2)在时间点t2的所检测的对象的轮廓

k(tn)在时间点tn的所检测的对象的轮廓

k1行驶的机动车

k1(t1)在时间点t1的行驶的机动车

k1(t2)在时间点t2的行驶的机动车

k1(tn)在时间点tn的行驶的机动车

k2停放的机动车

k3用于开发目的的机动车

mb1、mb2测量图像

mo产生测量值的测量地点

mw(t1)测量时间点t1的测量值

mw(t2)测量时间点t2的测量值

mw(tn)测量时间点tn的测量值

m(t1)在时间点t1的测量

m(tn)在时间点tn的测量

m+良好测量的测量图像

m-不良测量的测量图像

s阈值

s1初始状况不合适

s2初始状况“行驶通过笔直的道路”

s3初始状况“转弯行驶”

sx其他合适的初始状况

t变换

t1-tn时间点

v0-v5方法步骤

v速度

zi时间间隔

zi4-zi6不同车辆的测量的时间间隔

α失调值、角度误差。