[發明專利]來自動態場景的雷達數據的更可靠分類

在審

• 申請號: 202011491327.5
• 申請日: 2020-12-17
• 公開（公告）號: CN112990253A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: K·納特羅什維利
• 申請（專利權）人: 羅伯特·博世有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 張濤;劉春元

公開了一種用于對來自動態場景的雷達數據進行分類的方法，所述雷達數據是通過利用至少一個探測器記錄雷達輻射而獲得的，所述雷達輻射由發射機發射并被至少一個對象反射，所述方法具有以下步驟：提供包含在不同時刻記錄的場景的觀察的雷達數據；確定所述雷達數據的在至少一個觀察中與至少一個其他觀察相比旋轉和/或縮放了的至少一部分；確定所述旋轉和/或縮放的固定點；利用所確定的固定點為原點，將所述觀察的至少一部分的至少一個二維代表變換為對數極坐標；通過至少一個分類器將至少一個經過變換的二維代表映射為預給定分類的至少一個類別，所述分類器包括具有至少一個卷積層的神經網絡。還公開了一種訓練分類器的方法。

技術領域

本發明涉及通過查詢特別是動態場景而獲得的雷達數據的分類。

背景技術

為了使車輛能夠在道路交通中至少部分自動地運動，需要檢測所述車輛的環境并在與所述車輛環境中的對象即將碰撞時采取對策。定位和環境代表的創建對于安全的自動駕駛來說也是必要的。

借助于雷達來檢測對象與光照條件無關，并且例如在夜間也可以在較大的距離上進行，而對面而來的交通不會由于遠光而炫目。此外，從雷達數據中直接出現對象的距離和速度。這些信息對于評估是否可能與對象發生碰撞非常重要。但是，不能從雷達信號中直接識別出是什么類型的對象。當前，這種識別是通過從數字信號處理中計算屬性來解決的。

從DE 10 2018 204 494 B3中已知，借助于神經網絡關于雷達信號所指示的對象來對所述雷達信號進行分類。從該文獻中同樣已知一種發生器，利用該發生器可以獲取合成訓練數據，以彌補訓練網絡時訓練數據的不足。

發明內容

在本發明的范圍中開發了一種用于對雷達數據進行分類的方法。所述雷達數據是通過利用至少一個探測器記錄雷達輻射而獲得的。所述雷達輻射由發射機發射并被至少一個對象反射。通過這種途徑所述雷達輻射到達所述探測器。

提供了包含在不同時刻記錄的場景觀察的雷達數據。在此，術語“場景觀察”不應限制性地理解為這些觀察必須彼此完全一致。例如，如果使用雷達傳感器觀察位于行駛車輛前方的交通狀況，則對于每次觀察來說該場景的可觀察區段都不相同，因為該場景的一部分離開了所述傳感器的檢測區域，而所述場景的另一部分新進入了所述檢測區域。但這仍然是同一場景。

確定所述雷達數據的在至少一個觀察中與至少一個其他觀察相比旋轉和/或縮放的至少一部分。確定所述旋轉和/或縮放的固定點。

利用所確定的固定點為原點，將所述觀察的至少一部分的至少一個二維代表變換為對數極坐標。通過至少一個分類器將至少一個經過變換的二維代表映射為預給定分類的至少一個類別。該分類器包括具有至少一個卷積層的神經網絡。

已經認識到，通過這種方式可以改善例如場景中包含的對象的分類的可靠性，并且還可以簡化所述分類器的訓練。這樣做的原因是，通過變換為對數極坐標，可以將僅由于所述雷達傳感器與對象之間的相對空間視角變化引起的雷達數據變化與由于存在不同類型的對象而引起的變化分開。

從而例如對象離所述雷達傳感器越近，該對象在所述雷達數據中就顯現得越大。根據觀察所述對象所處的角度來旋轉所述對象。在分類器的常規訓練時，訓練數據包含每個待識別對象的通過這種方式縮放和/或旋轉的許多實例，并且所述訓練數據分別被注釋（“標記”）為使得正是該對象。因此，所述分類器基于許多示例學習了所述對象（例如車輛或特定交通標志）能夠以哪種形式出現在所述雷達數據中。由于所述分類器的推廣能力，因此這使得所述分類器即使在訓練中未處理的其他觀察狀況下也能夠正確地對所述對象進行分類。

但是，現在如果將觀察的二維代表變換為對數極坐標，則輸入觀察的縮放在所述變換的結果中表現為在一維中的位移。所述輸入觀察的旋轉在所述變換的結果中表現為在另一維中的位移。但是，在分類器的卷積層中使用的卷積運算對于這種位移是不變的。