[发明专利]来自动态场景的雷达数据的更可靠分类

说明书

公开了一种用于对来自动态场景的雷达数据进行分类的方法，所述雷达数据是通过利用至少一个探测器记录雷达辐射而获得的，所述雷达辐射由发射机发射并被至少一个对象反射，所述方法具有以下步骤：提供包含在不同时刻记录的场景的观察的雷达数据；确定所述雷达数据的在至少一个观察中与至少一个其他观察相比旋转和/或缩放了的至少一部分；确定所述旋转和/或缩放的固定点；利用所确定的固定点为原点，将所述观察的至少一部分的至少一个二维代表变换为对数极坐标；通过至少一个分类器将至少一个经过变换的二维代表映射为预给定分类的至少一个类别，所述分类器包括具有至少一个卷积层的神经网络。还公开了一种训练分类器的方法。

技术领域

本发明涉及通过查询特别是动态场景而获得的雷达数据的分类。

背景技术

为了使车辆能够在道路交通中至少部分自动地运动，需要检测所述车辆的环境并在与所述车辆环境中的对象即将碰撞时采取对策。定位和环境代表的创建对于安全的自动驾驶来说也是必要的。

借助于雷达来检测对象与光照条件无关，并且例如在夜间也可以在较大的距离上进行，而对面而来的交通不会由于远光而炫目。此外，从雷达数据中直接出现对象的距离和速度。这些信息对于评估是否可能与对象发生碰撞非常重要。但是，不能从雷达信号中直接识别出是什么类型的对象。当前，这种识别是通过从数字信号处理中计算属性来解决的。

从DE 10 2018 204 494 B3中已知，借助于神经网络关于雷达信号所指示的对象来对所述雷达信号进行分类。从该文献中同样已知一种发生器，利用该发生器可以获取合成训练数据，以弥补训练网络时训练数据的不足。

发明内容

在本发明的范围中开发了一种用于对雷达数据进行分类的方法。所述雷达数据是通过利用至少一个探测器记录雷达辐射而获得的。所述雷达辐射由发射机发射并被至少一个对象反射。通过这种途径所述雷达辐射到达所述探测器。

提供了包含在不同时刻记录的场景观察的雷达数据。在此，术语“场景观察”不应限制性地理解为这些观察必须彼此完全一致。例如，如果使用雷达传感器观察位于行驶车辆前方的交通状况，则对于每次观察来说该场景的可观察区段都不相同，因为该场景的一部分离开了所述传感器的检测区域，而所述场景的另一部分新进入了所述检测区域。但这仍然是同一场景。

确定所述雷达数据的在至少一个观察中与至少一个其他观察相比旋转和/或缩放的至少一部分。确定所述旋转和/或缩放的固定点。

利用所确定的固定点为原点，将所述观察的至少一部分的至少一个二维代表变换为对数极坐标。通过至少一个分类器将至少一个经过变换的二维代表映射为预给定分类的至少一个类别。该分类器包括具有至少一个卷积层的神经网络。

已经认识到，通过这种方式可以改善例如场景中包含的对象的分类的可靠性，并且还可以简化所述分类器的训练。这样做的原因是，通过变换为对数极坐标，可以将仅由于所述雷达传感器与对象之间的相对空间视角变化引起的雷达数据变化与由于存在不同类型的对象而引起的变化分开。

从而例如对象离所述雷达传感器越近，该对象在所述雷达数据中就显现得越大。根据观察所述对象所处的角度来旋转所述对象。在分类器的常规训练时，训练数据包含每个待识别对象的通过这种方式缩放和/或旋转的许多实例，并且所述训练数据分别被注释（“标记”）为使得正是该对象。因此，所述分类器基于许多示例学习了所述对象（例如车辆或特定交通标志）能够以哪种形式出现在所述雷达数据中。由于所述分类器的推广能力，因此这使得所述分类器即使在训练中未处理的其他观察状况下也能够正确地对所述对象进行分类。

但是，现在如果将观察的二维代表变换为对数极坐标，则输入观察的缩放在所述变换的结果中表现为在一维中的位移。所述输入观察的旋转在所述变换的结果中表现为在另一维中的位移。但是，在分类器的卷积层中使用的卷积运算对于这种位移是不变的。