DE102023107806A1

DE102023107806A1 - Radarsystem und verfahren zum durchführen einer ankunftsrichtungs-schätzung

Info

Publication number: DE102023107806A1
Application number: DE102023107806.2A
Authority: DE
Inventors: Simon Achatz; Maximilian Eschbaumer
Original assignee: Infineon Technologies AG
Current assignee: Infineon Technologies AG
Priority date: 2022-04-19
Filing date: 2023-03-28
Publication date: 2023-10-19
Also published as: US20230333233A1; US12099110B2

Abstract

Gemäß verschiedenen Ausführungsformen ist ein Radarsystem (1900) beschrieben, aufweisend: einen Radarempfänger (1901), der eingerichtet ist, Funksignale zu empfangen, wobei jedes Funksignal einem Kanal einer Vielzahl von Kanälen zugeordnet ist, einen Peak-Detektor (1902), der eingerichtet ist, eine Peak-Detektion unter Verwendung der empfangenen Funksignale durchzuführen, wobei jeder detektierte Peak einem detektierten Objekt zugeordnet ist und einen Ankunftsrichtungs-Schätzer (1903), der eingerichtet ist, für einen detektierten Peak, einen Vektor zu erzeugen, der für jeden der Kanäle einen Eintrag aufweist, der ein Doppler-Fouriertransformations-Ergebnis für den Kanal angibt, den Vektor in ein maschinelles-Lernen-Modell (1904) einzugeben, das trainiert ist, für jeden von einem oder mehreren zusätzlichen Kanälen einen Eintrag auszugeben, der ein dem zusätzlichen Kanal zugeordnetes vorhergesagtes Doppler-Fouriertransformations-Ergebnis angibt und eine Ankunftsrichtungs-Schätzung durchzuführen unter Verwendung einer Ausgabe des maschinelles-Lernen-Modell (1904), welche das maschinelles-Lernen-Modell (1904) in Reaktion auf das Eingeben des Vektors ausgibt.

Description

Technisches Gebiet
Die hierin beschriebenen beispielhaften Implementierungen betreffen im Allgemeinen Radarsysteme und Verfahren zum Durchführen einer Ankunftsrichtungs-Schätzung in einem Radarsystem.
Hintergrund
Ein Radarsystem, das Radarsignale über eine Vielzahl von Empfangsantennen oder Kanälen (die auch virtuelle Kanäle sein können, die durch Paare aus Sendeantenne und Empfangsantenne gebildet werden) empfängt, ermöglicht die Ermittlung der Richtung (DoA) eines detektierten Objekts aus den Radarsignalen, welche über die Kanäle empfangen wurden, indem entsprechende Eingabedaten für die DoA aus den empfangenen Signalen abgeleitet werden. Je höher die Anzahl der Kanäle ist, für die Radarsignale empfangen und Eingabedaten für die DoA erzeugt werden, desto genauer ist die DoA und desto besser kann diese zwei nahegelegene Ziele auflösen. Die Anzahl der Kanäle ist jedoch begrenzt durch die Anzahl der Sende- und Empfangsantennen, die zur Verfügung stehen und von den verfügbaren Schaltkreisen verarbeitet werden können.
Daher sind Ansätze wünschenswert, die es ermöglichen, eine hohe DoA-Leistungsfähigkeit in einem Radarsystem mit einer begrenzten Anzahl von Sende- und Empfangsantennen zu erreichen.
Überblick
Gemäß verschiedenen Ausführungsformen wird ein Radarsystem bereitgestellt, das aufweist: einen Radarempfänger, der eingerichtet ist, Funksignale zu empfangen, wobei jedes Funksignal einem Kanal einer Vielzahl von Kanälen zugeordnet ist, wobei jeder Kanal einem Paar aus Sendeantenne und Empfangsantenne zugeordnet ist, einen Peak-Detektor, der eingerichtet ist, eine Peak-Detektion unter Verwendung der empfangenen Funksignale durchzuführen, wobei jeder detektierte Peak einem detektierten Objekt zugeordnet ist und einen Ankunftsrichtungs-Schätzer, der eingerichtet ist, für einen detektierten Peak, einen Vektor zu erzeugen, der für jeden der Kanäle einen Eintrag aufweist, der ein aus den von der Sendeantenne gesendeten und mittels der Empfangsantenne empfangenen Funksignalen des dem Kanal zugeordneten Paars berechnetes Doppler-Fouriertransformations-Ergebnis für den Kanal angibt, den Vektor in ein maschinelles-Lernen-Modell einzugeben, das trainiert ist, für jeden von einem oder mehreren zusätzlichen Kanälen einen Eintrag auszugeben, der ein dem zusätzlichen Kanal zugeordnetes vorhergesagtes Doppler-Fouriertransformations-Ergebnis angibt und eine Ankunftsrichtungs-Schätzung durchzuführen unter Verwendung einer Ausgabe des maschinelles-Lernen-Modell, welche das maschinelles-Lernen-Modell in Reaktion auf das Eingeben des Vektors ausgibt.
Gemäß einer weiteren Ausführungsform wird ein Verfahren für eine Ankunftsrichtungs-Schätzung gemäß dem obigen Radarsystem bereitgestellt.
Kurzbeschreibung der Figuren
In den Zeichnungen beziehen sich die gleichen Bezugszeichen im Allgemeinen auf dieselben Teile in den verschiedenen Ansichten. Die Zeichnungen sind nicht notwendigerweise maßstabsgetreu, sondern der Schwerpunkt liegt im Allgemeinen auf der Veranschaulichung der Prinzipien der Erfindung. Im Folgenden werden verschiedene Aspekte beschrieben mit Bezug auf die folgenden Zeichnungen, in denen:

1 zeigt eine Radaranordnung.
2 zeigt ein FMCW- (Frequenzmoduliertes Dauerstrich-) Radarsystem.
3 zeigt eine Radarvorrichtung mit einer Vielzahl von Sendeantennen und Empfangsantennen.
4 veranschaulicht die Verarbeitung von Radarsignalen.
5 zeigt einen Datenwürfel.
6 zeigt einen Vergleich eines Winkel-FFT- (Schnelle-Fourier-Transformation-) Spektrums für acht Antennen und 16 Antennen.
7 zeigt Diagramme, die virtuelle Radarkanäle veranschaulichen.
8 veranschaulicht die Einbindung einer KI (künstliche Intelligenz) in die Radarsignal-Verarbeitungskette von 4.
9 zeigt die Extrapolation und Interpolation von DoA-Ermittlungs-Eingabedaten.
10 zeigt ein Beispiel eines neuronalen Netzwerks mit einer MLP-Struktur (mehrschichtigen Perzeptron-Struktur) zur Extrapolation von 12 bis 48 virtuellen Kanälen.
11 zeigt ein Beispiel eines neuronalen Netzwerks mit einer UNet-Struktur.
12 veranschaulicht ein Training für ein neuronales Netzwerk mit einer MLP-Struktur.
13 veranschaulicht eine Inferenz für ein neuronales Netzwerk mit einer wie in 12 veranschaulicht trainierten MLP-Struktur.
14 veranschaulicht ein Training für ein neuronales Netzwerk mit einer Autoencoder-Struktur.
15 veranschaulicht eine Inferenz für ein neuronales Netzwerk mit einer wie in 14 veranschaulicht trainierten Autoencoder-Struktur.
16 veranschaulicht Ergebnisse für eine 12 bis 48 Kanalextrapolation.
17 veranschaulicht Ergebnisse für eine 12 bis 16 Kanalextrapolation.
18 veranschaulicht Ergebnisse für eine 10 bis 16 Kanalextrapolation.
19 zeigt ein Radarsystem gemäß einer Ausführungsform.
20 zeigt ein Flussdiagramm, das ein Verfahren zum Durchführen einer Ankunftsrichtungs-Schätzung in einem Radarsystem veranschaulicht.

Beschreibung beispielhafter Implementierungen
Die folgende ausführliche Beschreibung bezieht sich auf die beigefügten Zeichnungen, welche zur Veranschaulichung spezifische Details und Aspekte dieser Offenbarung, in denen die Erfindung ausgeführt werden kann, zeigen. Andere Aspekte können verwendet werden und strukturelle, logische, und elektrische Änderungen können vorgenommen werden, ohne vom Umfang der Erfindung abzuweichen. Die verschiedenen Aspekte dieser Offenbarung schließen sich nicht zwangsläufig gegenseitig aus, da manche Aspekte dieser Offenbarung mit einem oder mehreren anderen Aspekten dieser Offenbarung kombiniert werden können, um neue Aspekte zu bilden.
1 zeigt eine Radaranordnung 100.
Die Radaranordnung 100 weist eine Radarvorrichtung (die ein Radarsystem implementiert) 101 auf, welche eine Antennenanordnung 102 und eine Radar-Steuervorrichtung 103 aufweist. Es ist darauf hinzuweisen, dass, während das Radarsystem in diesem Beispiel durch eine Radarvorrichtung 101 implementiert wird, das Radarsystem auch durch eine Anordnung von Vorrichtungen implementiert werden kann, z.B. aufweisend eine elektronische Steuereinheit (ECU) oder einer Fahrzeugsteuervorrichtung und/oder einer Vorrichtung (oder Anordnung), die ein fortschrittliches Fahrerassistenzsystem (ADAS) implementiert.
Die Radar-Steuervorrichtung 103 weist einen oder mehrere (Radar-) Sender 104, einen Duplexer 105 (d.h. eine Schaltung zur Trennung von Sende- und Empfangssignalen), einen (Radar-) Empfänger 106 und eine Steuervorrichtung 107 auf. Die Radaranordnung kann mehrere Sendeantennen in Form eines Sendeantennen-Arrays und mehrere Empfangsantennen in Form eines Empfangsantennen-Arrays aufweisen.
Zur Erkennung eines Objekts 108 steuert die Steuervorrichtung 107 den einen oder die mehreren Sender 104, den Duplexer 105 und den Empfänger 106 wie folgt:

1. Die ein oder mehreren Sender 104 senden ein Sendesignal 109 mittels der Antennenanordnung 102.
2. Das Sendesignal 109 wird von einem Ziel (Objekt) 108 reflektiert;
3. Die Radarvorrichtung 101 empfängt das Echo 110 des gesendeten Signals als Empfangssignal.

Aus dem empfangenen Signal errechnet die Radar-Steuervorrichtung 103 (z.B. eine Radarsignal-Verarbeitungs-Schaltung 111) Informationen über Position und Geschwindigkeit des Objekts 108.
Zum Beispiel kann die Radarvorrichtung 101 in einem Fahrzeug zur Erkennung von nahegelegenen Objekten installiert sein, insbesondere für autonomes Fahren.
Das Sendesignal 109 kann eine Vielzahl von Pulsen aufweisen. Die Pulsübertragung weist die Übertragung von kurzen, leistungsstarken Bursts auf in Kombination mit Zeiten, in denen die Radarvorrichtung 101 auf Echos 110 wartet. Dies ist typischerweise nicht optimal für eine hochdynamische Situation wie in einem Automobilszenario.
Daher kann stattdessen eine kontinuierliche Welle (CW) als Sendesignal verwendet werden. Da eine kontinuierliche Welle nur eine Geschwindigkeitsermittlung ermöglicht, aber keine Entfernungsinformationen liefert (aufgrund des Fehlens einer Zeitmarke, die eine Entfernungsberechnung ermöglichen könnte), ist ein Ansatz das frequenzmodulierte Dauerstrich (FMCW) -Radar oder das phasenmodulierte Dauerstrich (PMCW) -Radar.
2 zeigt ein FMCW-Radarsystem 200.
In einem FMCW-Radarsystem wird das Sendesignal nicht mit einer konstanten Frequenz gesendet, sondern die Frequenz des Sendesignals wird periodisch entsprechend einer Sägezahn-(oder alternativ einer Dreieck-) Wellenform 201 hochgefahren und zurückgesetzt. Die Sägezahn-Wellenform 201 kann zum Beispiel von einer Rampenschaltung (oder „Rampe“) erzeugt werden. Die Sägezahn-Wellenform 201 moduliert die Frequenz eines Oszillators 202 und das resultierende Sendesignal wird einer Sendeantenne 203 zugeführt (über ein Funkfrequenz- (RF-) Frontend).
Eine Empfangsantenne 204 empfängt das Echo des Sendesignals (zusätzlich zum Rauschen usw.) als Empfangssignal. Ein Mischer 205 mischt das Sendesignal mit dem Empfangssignal. Das Ergebnis des Mischens wird von einem Tiefpassfilter 206 gefiltert und von einem Spektrumanalysator 207 verarbeitet.
Das Sendesignal hat die Form einer Sequenz von Chirps (oder „Rampen“), die das Ergebnis der Modulation einer Sinuskurve mit der Sägezahn-Wellenform 201 sind. Ein einzelner Chirp 208 ist der Sinuskurve des Oszillatorsignals zugeordnet, die um einen „Zahn“ der Sägezahn-Wellenform 201 von der Minimalfrequenz bis zur Maximalfrequenz frequenzmoduliert wird.
Wie nachstehend im Detail beschrieben wird, führt der Spektrumanalysator 207 (z.B. implementiert durch die Radarsignal-Verarbeitungs-Schaltung 111) zwei FFT- (Schnelle-Fourier-Transformation-) Stufen durch, um aus dem Empfangssignal sowohl Entfernungsinformationen (durch eine erste FFT-Stufe, auch als Entfernungs-FFT bezeichnet) als auch Geschwindigkeitsinformationen (durch eine zweite FFT-Stufe, auch als Doppler-FFT bezeichnet) zu extrahieren. Es ist darauf hinzuweisen, dass der Spektrumanalysator 207 mit digitalen Abtastwerten arbeitet, so dass im Pfad von der Empfangsantenne 204 zum Spektrumanalysator 207 eine A/D-Wandlung (analog zu digital) enthalten ist. Zum Beispiel ist der Filter 206 ein Analogfilter und ein Analog-zu-Digital-Wandler (ADC) ist zwischen dem Filter 206 und dem Spektrumanalysator 207 angeordnet. Zumindest einige der verschiedenen Komponenten des Empfangswegs können demnach Teil eines digitalen oder analogen Frontends sein.
Um ferner eine Ermittlung der Richtung des Objekts 108 in Bezug auf die Radarvorrichtung 101 zu ermöglichen, kann die Antennenanordnung 101 eine Vielzahl von Empfangsantennen, d.h. ein Array von Empfangsantennen, aufweisen. Die Richtung eines Objekts 108 kann dann aus den Phasendifferenzen ermittelt werden, mit denen die Empfangsantennen ein Echo von einem Objekt 110 empfangen, zum Beispiel mit Hilfe einer FFT der dritten Stufe (auch als Winkel-FFT bezeichnet). Dementsprechend kann ein Radarempfänger für jede Empfangsantenne einen Mischer 205, ein analoges Filter 206 und einen ADC aufweisen.
Die von einer Vielzahl von Antennen empfangenen Signale können mit Hilfe einer MMIC (monolithisch integrierten Mikrowellen-Schaltung) verarbeitet werden.
3 zeigt eine Radarvorrichtung 300 mit einer Vielzahl von Sendeantennen und Empfangsantennen.
Die Radarvorrichtung 300 weist eine MMIC 310, die einen (spannungsgesteuerten) Oszillator mit Ramper 301 aufweist, welcher Sendeverstärker 302 (einen für jede Sendeantenne) und Mischer 303 mit einem Sendesignal versorgt, wie mit Bezug auf 2 beschrieben.
In dem Beispiel von 3 werden zwei der Sendeverstärker 302 durch einen Leistungsverstärker 311 bereitgestellt, welchem das Sendesignal über eine Sendesignal-Schnittstelle 312 bereitgestellt wird. Die Sendeverstärker können jedoch auch alle innerhalb der MMIC 310 vorgesehen sein.
Für jede Empfangsantenne gibt es einen Mischer 303 in der MMIC 310. Analogfilter 304 (entsprechend dem Filter 206) filtern die gemischten Signale und Analog-zu-Digital-Wandler (ADCs) 305 erzeugen aus den gefilterten analogen Signalen digitale Signale. Die MMIC 310 überträgt deren Ausgabe über eine digitale Schnittstelle 306 an einen Radarsignal-Prozessor 307.
Der Radarsignal-Prozessor 307 verfügt über eine Radarsignal-Verarbeitungs-Schaltung 308 (z.B. entsprechend der Radarsignal-Verarbeitungs-Schaltung 111), implementiert einen Spektrumanalysator und führt eine Objekterkennung und Ermittlung der Ankunftsrichtung durch, wie im Folgenden unter Bezugnahme auf 4 erläutert.
4 veranschaulicht die Verarbeitung von Radarsignalen, die unter Verwendung einer MMIC 401 empfangen werden.
Die MMIC 401 ist zum Beispiel Teil des Empfängers 106. Die MMIC 401 ist mit einer Vielzahl von Antennen gekoppelt und wird mit empfangenen Signalen von der jeweiligen Vielzahl von Antennen versorgt.
Es ist darauf hinzuweisen, dass die Anzahl der Empfangssignale, die eine MMIC parallel verarbeiten kann, begrenzt ist (und eine MMIC daher nur eine begrenzte Anzahl von Empfangsantennen bedienen kann); es können mehrere MMICs verwendet werden, um eine höhere Anzahl von Empfangsantennen zu nutzen. In diesem Fall gibt es mehrere MMICs anstelle einer einzigen MMIC 401, aber die Verarbeitung ist ähnlich.
Die MMIC 401 führt die Verarbeitung der empfangenen Signale durch, wie z.B. Verstärkung, Frequenzabwärtswandlung (d.h. z.B. die Funktionalität von Mischer 205 und Filter 206) und A/D-Wandlung. Die MMICs können auch den Duplexer 105 implementieren, d.h. sie können eingerichtet sein, die Sendesignale von den Empfangssignalen zu separieren. Die MMIC 401 liefert die resultierenden digitalisierten Empfangssignale an eine Radarsignal-Verarbeitungskette 402 (z.B. implementiert durch den Radarsignal-Prozessor 307).
Die Radarsignal-Verarbeitungskette 402 führt eine Störungserkennung und -minderung 403 an den digitalisierten Empfangssignalen durch, gefolgt von einer ersten FFT (Schnelle-Fourier-Transformation) 404, auch als Entfernungs-FFT bezeichnet, und einer zweiten FFT 405, auch als Doppler-FFT bezeichnet. Basierend auf den Ausgaben der FFTs 404, 405 ermittelt die Radarsignal-Verarbeitungskette 402 in 407 sowohl Entfernungsinformationen als auch Geschwindigkeitsinformationen (z.B. in Form einer R/D- (Entfernungs-Doppler-) Karte) für ein oder mehrere Objekte.
Es ist darauf hinzuweisen, dass die Ausgabe der zweiten FFT 405 ein zweidimensionales FFT-Ergebnis (wobei eine Dimension der Entfernung und die andere der Geschwindigkeit zugeordnet ist) für jede Antenne ist (und zwar basierend auf der Verarbeitung der Abtastwerte des von dieser spezifischen Antenne empfangenen Empfangssignals). Das Ergebnis der ersten FFT 404 weist für jede Empfangsantenne einen komplexen Wert für einen Entfernungsbehälter auf.
Die zweite FFT 405 erfolgt über das Ergebnis der ersten FFT 404 über mehrere Chirps, für jeden Entfernungsbehälter, und erzeugt pro Entfernungsbehälter einen komplexen Wert für jeden Dopplerbehälter. Das Ergebnis der zweiten FFT-Stufe 405 weist also für jede Empfangsantenne einen komplexen Wert für jede Kombination aus Dopplerbehälter und Entfernungsbehälter (d.h. für jeden Doppler-/Entfernungs-Behälter) auf. Daraus ergibt sich eine antennenspezifische R/D-Karte.
In 406 kombiniert die Radar-Verarbeitungskette 402 die MMIC-spezifischen R/D-Karten, z.B. durch Aufsummieren, beispielsweise durch kohärente oder nicht-kohärente Integration, um eine Gesamt-R/D-Karte zu erzeugen. In 407 schätzt diese dann die Geschwindigkeit und Entfernung bestimmter Objekte durch Identifizieren von Peaks in der Gesamt-R/D-Karte, z.B. mit Hilfe eines CFAR-Algorithmus (Konstante-Falschalarmrate-Algorithmus). Es ist darauf hinzuweisen, dass, da eine FFT-Ausgabe im Allgemeinen aus komplexen Werten besteht, eine Peak-Auswahl in einer FFT-Ausgabe (wie beispielsweise der Gesamt-R/D-Karte) als eine Auswahl basierend auf Absolutwerten (d.h. komplexen Größen der komplexen Ausgaben) oder Potenzen (d.h. Quadraten von Absolutwerten) verstanden werden kann.
In 408 kann der Radarsignal-Prozessor 307 ferner die Richtung des einen oder mehreren Objekts ermittelt. Dies kann basierend auf den Phasendifferenzen der Ausgangswerte der zweiten Stufe der FFT zwischen verschiedenen Empfangsantennen erfolgen und kann eine dritte Stufe der FFT (Winkel-FFT) aufweisen.
Basierend auf den Ergebnissen dieser Verarbeitung können in 409, 410 und 411 weitere Verarbeitungen wie eine Objekt-Klassifikation, eine Objekt-Verfolgung, ein Erzeugen einer Objektliste, z.B. inklusive Sensorfusion an einem bestimmten Punkt, und eine Entscheidungsfindung (z.B. Bewegungsplanung beim autonomen Fahren) durchgeführt werden. Dies kann zumindest teilweise von einer weiteren Komponente, wie beispielsweise einer Fahrzeugsteuervorrichtung, durchgeführt werden. Dazu kann der Radarsignal-Prozessor 307 die Verarbeitungsergebnisse über eine Ausgabeschnittstelle 309 ausgeben.
Die von der MMIC 401 bereitgestellten digitalisierten Empfangssignale werden typischerweise in einem Datenwürfel angeordnet.
5 zeigt einen Datenwürfel 500.
Der Datenwürfel 500 weist digitalisierte Abtastwerte der Empfangssignale von M Antennen, die ein Empfangsantennen-Array 503 bilden, auf. Die MMIC 401 führt eine Analog/Digital-Wandlung durch, um die digitalisierten Abtastwerte zu erzeugen.
Zum Beispiel wird für jeden Chirp das empfangene Signal so abgetastet, dass es L Abtastwerte hat (z.B. L = 512).
Die für jeden Chirp gesammelten L Abtastwerte werden von der ersten FFT 404 verarbeitet.
Die erste FFT 404 wird für jeden Chirp und jede Antenne durchgeführt, so dass das Ergebnis der Verarbeitung des Datenwürfels 500 durch die erste FFT 404 wieder drei Dimensionen hat und die Größe des Datenwürfels 500 haben kann, aber nicht mehr Werte für L Abtast-Zeiten, sondern Werte für L/2 Entfernungsbehälter hat (da üblicherweise die zweite Hälfte der Entfernungsbehälter weggelassen wird, da diese eine Wiederholung der ersten Hälfte sind, da die FFT auf reale Eingangswerte angewendet wird).
Das Ergebnis der Verarbeitung des Datenwürfels 500 durch die erste FFT 404 wird dann durch die zweite FFT 405 entlang der Chirps (für jede Antenne und für jeden Entfernungsbehälter) verarbeitet.
Die Richtung der ersten FFT 404 wird als Kurz-Zeit bezeichnet, während die Richtung der zweiten FFT 405 als Lang-Zeit bezeichnet wird.
Das Ergebnis der zweiten FFT 405 ergibt, wenn aggregiert über die Antennen (in 406), eine Entfernungs-Doppler (R/D)-Karte 501, welche FFT-Peaks 502 (d.h. Peaks der FFT-Ausgangswerte) (in Bezug auf die absoluten Werte) für bestimmte Entfernungs-Geschwindigkeits-Kombinationen (d.h. für bestimmte Entfernungs-Doppler-Behälter) aufweist, von denen der Radarsignal-Prozessor 307 erwartet, dass diese erkannten Objekten 108 (einer bestimmten Entfernung und Geschwindigkeit) zugeordnet sind.
Wie voranstehend erläutert, wird in 408 eine DoA- (Ankunftsrichtungs-) Ermittlung unter Verwendung der Ergebnisse der Peak-Detektion durchgeführt, wobei für jeden detektierten Peak die Ergebnisse der Doppler-FFT 405 für diesen Peak (d.h. für den Entfernungs-Doppler-Behälter) von der R/D-Karte jeder Antenne genommen werden. Das bedeutet, dass die Eingabe für die DoA 408 für jeden Peak (d.h. für jedes geschätzte Objekt) ein Vektor ist, der für jede Antenne den Eintrag aufweist, den die R/D-Karte für diese Antenne für den Entfernungs-Doppler-Behälter an der Stelle hat, an der sich dieser Peak in der Gesamt-R/D-Karte befindet.
Das Radarsystem 101 hat eine bestimmte Winkelauflösung bei der DoA-Ermittlung. Die Winkelauflösung kann verbessert werden, indem die Apertur des Radarsystems vergrößert wird. Insbesondere können der Dynamikbereich und die Detektionswahrscheinlichkeit verbessert werden, indem die Nebenkeulen im Winkel-FFT-Spektrum reduziert werden.
6 zeigt einen Vergleich eines Winkel-FFT-Spektrums (als Leistung über Winkel) für acht Antennen (erstes Diagramm 601) und 16 Antennen (zweites Diagramm 602).
Wie dargestellt, wird die Keule (oder der Strahl) eines einzelnen Ziels mit höherer Apertur schmaler und zwei Ziele können nur mit ausreichender Apertur getrennt werden.
Das Prinzip von MIMO (Multiple-Input Multiple-Output) dient dazu, die Apertur der Radarvorrichtung unter Verwendung von Kanälen zu erweitern, die durch die Kombination von Empfangsantennen-Array und Sendeantennen-Array gebildet werden. In dem Beispiel von 3, bei dem es drei Sendeantennen (Tx1 bis Tx3) und vier Empfangsantennen (Rx1 bis Rx4) gibt, ergeben sich 12 Kanäle, wie in 7 dargestellt. Diese Kanäle, die aus Paaren von einem von mehreren Sendeantennen und einem von mehreren Empfangsantennen gebildet werden, werden auch als virtuelle Kanäle bezeichnet. Äquivalent kann dies als ein Array virtueller Empfangsantennen (eine pro Kanal, mit einer einzigen Sendeantenne) betrachtet werden.
7 zeigt ein Diagramm 700, das virtuelle Radarkanäle veranschaulicht.
Das Diagramm 700 zeigt das virtuelle Empfangsantennen-Array der MMIC 310. Jede Sendeantenne erzeugt eine virtuelle Empfangsantenne pro tatsächlicher Empfangsantenne (Rx1 bis Rx4), so dass sich zwölf virtuelle Empfangsantennen ergeben, die als (Rx'1 bis Rx'12) bezeichnet werden. In diesem Beispiel mit idealen Phasendifferenzen zwischen Tx1, Tx2 und Tx3 bilden die virtuellen Empfangsantennen ein Antennen-Array aus gleichmäßig beabstandeten Empfangsantennen.
Gemäß verschiedenen Ausführungsformen wird ein maschinelles-Lernen-Modell verwendet, um die Apertur (künstlich) zu erweitern, indem Informationen für zusätzliche Kanäle berechnet werden. Gemäß verschiedenen Ausführungsformen basiert das maschinelles-Lernen-Modell auf einem neuronalen Netzwerk (d.h. Deep-Learning), das mit (schwach) überwachtem Lernen trainiert werden kann.
8 veranschaulicht die Einbindung einer KI (künstliche Intelligenz) Verarbeitung 812 in die Radarsignal-Verarbeitungskette von 4 vor der DoA-Ermittlung 808.
Bevor also die DoA für die Peaks ermittelt (geschätzt) wird, wird die Eingabe für die DoA (Vektoren der zweiten FFT-Ergebnisse für jeden identifizierten Peak) von einem neuronalen Netzwerk verarbeitet, welches durch Extra- und Interpolation eine verarbeitete Eingabe erzeugt, die einer erhöhten Anzahl von Antennenelementen zugeordnet ist.
9 veranschaulicht diese Extrapolation und Interpolation für ein virtuelles Empfangsantennen-Array mit acht Antennen.
In einem ersten Diagramm 901 wird angenommen, dass die MMIC 801 nur digitalisierte Empfangs-Abtastwerte für die dritte bis sechste (virtuelle) Antenne des virtuellen Empfangsantennen-Arrays (die ein gleichmäßiges Sub-Array bilden) bereitstellt. Das neuronale Netzwerk erzeugt zweite FFT-Ergebnisdaten (für die erkannten Peaks) der ersten, zweiten, siebten und achten Antenne durch Extrapolation eines gleichmäßigen Arrays. Dies ermöglicht eine höhere Auflösung.
In einem zweiten Diagramm 902 wird angenommen, dass die MMIC 801 nur digitalisierte Empfangs-Abtastwerte für die zweite, dritte, fünfte und sechste (virtuelle) Antenne des virtuellen Empfangsantennen-Arrays bereitstellt (die ein spärliches Array bilden, d.h. ein Antennen-Array, bei dem nicht alle Positionen (z.B. höchstens die Hälfte der Positionen) besetzt sind). Das neuronale Netzwerk erzeugt zweite FFT-Ergebnisdaten (für die erkannten Peaks) der ersten und achten Antenne durch Extrapolation eines spärlichen Arrays. Dies ermöglicht eine höhere Auflösung.
In einem dritten Diagramm 903 wird angenommen, dass die MMIC 801 nur digitalisierte Empfangs-Abtastwerte für die zweite, fünfte, sechste und achte (virtuelle) Antenne des virtuellen Empfangsantennen-Arrays (die ein spärliches Array bilden) bereitstellt. Das neuronale Netzwerk erzeugt zweite FFT-Ergebnisdaten (für die erkannten Peaks) der dritten, vierten und siebten Antenne durch Interpolation eines spärlichen Arrays. Dies ermöglicht einen höheren Dynamikbereich.
In einem vierten Diagramm 904 wird angenommen, dass die MMIC 801 nur digitalisierte Empfangs-Abtastwerte für die zweite, fünfte, sechste und achte (virtuelle) Antenne des virtuellen Empfangsantennen-Arrays (die ein spärliches Array bilden) bereitstellt. Das neuronale Netzwerk erzeugt zweite FFT-Ergebnisdaten (für die erkannten Peaks) der ersten, dritten, vierten und siebten Antenne durch Extrapolation und Interpolation eines spärlichen Arrays.
Trainingsdaten für das neuronale Netzwerk können durch Simulation (jeder Grenzfall und jede mögliche Kombination kann erzeugt werden) oder durch reale Messungen oder durch eine Kombination aus beidem erlangt werden. Eine erste Möglichkeit besteht darin, ADC-Daten (d.h. digitalisierte Radarsignalproben) für eine bestimmte Szene (d.h. mit einem oder mehreren Zielobjekten) zu simulieren und die simulierten ADC-Daten zu verarbeiten, um einen entsprechenden DoA-Ermittlung Eingabevektor zu erzeugen. Eine zweite Möglichkeit besteht darin, DoA-Ermittlung Eingabevektoren direkt für eine Szene zu simulieren.

Zum Beispiel werden Trainingsdaten durch Simulationsdurchläufe mit folgenden Parametern aus einer zufälligen, gleichmäßigen Verteilung erzeugt:

Anzahl der Ziele	x0 = [1...n]
Winkel der Ziel	x1 = [-90°, 90°]
RCS (Radarquerschnitt) der Ziele	x2 = [-5dbsm, 20dbsm]
Kanalphasenfehler	x3 = [-10°, 10°]]
SNR der Ziele	x4 = [5dB, 20dB]

Bei der Eingabe in das neuronale Netzwerk kann ein komplexwertiger Vektor, z.B. [c0, c1, c2, c3] im Falle von vier Kanälen (ci ist der R/D-Karten-Eintrag für Kanal i für einen jeweiligen Peak), in einen reellwertigen Vektor umgeordnet werden, z.B. [r0, r1, r2, r3, i0, i1, i2, i3], um das Verhältnis zwischen Real- und Imaginärteil zu bewahren.
Das neuronale Netzwerk kann zum Beispiel ein Autoencoder oder ein MLP (Multi-Layer Perzeptron) oder ein rekurrentes neuronales Netzwerk (RNN), z.B. mit einem langen Kurzeitgedächtnis (LSTM) sein (aufweisen).
Die Anzahl der Knoten der Eingabeschicht ist gleich der Länge des Eingabevektors mal zwei (komplexe Werte werden verkettet). Der Eingabevektor kann für jeden virtuellen Kanal (für den die MMIC 801 Daten bereitstellt) den Eintrag aufweisen, den die R/D-Karte für diese Antenne für den Entfernungs-Doppler-Behälter an der Stelle hat, an der sich dieser Peak in der Gesamt-R/D-Karte befindet (also vier komplexe, d.h. acht reale Werte für die Beispiele von 9). Alternativ kann der Eingabevektor Platzhalter für die virtuellen Kanäle haben, für die das neuronale Netzwerk DoA-Ermittlungs-Eingabedaten erzeugen soll (also z.B. acht komplexe, d.h. 16 reale Werte für das Beispiel von Diagramm 904, da das virtuelle Empfangsantennen-Array vollständig gefüllt sein soll).
Die verborgenen Schichten des neuronalen Netzwerks können vollständig verbundene Schichten mit unterschiedlicher Größe und beliebiger Aktivierungsfunktion, z.B. ReLU, sein.
Die Ausgabeschicht ist eine Regressionsschicht mit einer Anzahl von Knoten gleich der Länge des Ausgabevektors mal zwei (da wiederum komplexe Werte in zwei reale Werte aufgeteilt werden). Ähnlich wie beim Eingabevektor kann der Ausgabevektor Komponenten für alle virtuellen Empfangsantennen haben (da das neuronale Netzwerk auch die Daten für virtuelle Empfangsantennen aktualisieren kann, für die die MMIC 801 Daten bereitstellt) oder nur Komponenten für die virtuellen Empfangsantennen, für die die MMIC 801 keine Eingabedaten bereitstellt und für die DoA-Ermittlungs-Eingabedaten durch die KI-Verarbeitung 812 erzeugt werden sollen.
10 zeigt ein Beispiel eines neuronalen Netzwerks 1000 mit einer MLP-Struktur zur Extrapolation von 12 bis 48 virtuellen Kanälen mit beispielhaften Werten für die Anzahl der Knoten.
11 zeigt ein Beispiel eines neuronalen Netzwerks 1100 mit einer UNet-Struktur.
UNet ist eine beispielhafte neuronale Netzwerkarchitektur mit horizontalen Auslassungslinien (nicht alle Informationen müssen in der Engstelle-Schicht zu repräsentiert sein).
Für das UNet (oder einen Autoencoder) kann die Grundwahrheit aus den idealen Trainingsdaten und den eingegebenen unvollständigen oder verrauschten Trainingsdaten bestehen. Der Autoencoder lernt die Beziehung zwischen idealen und unvollständigen oder verrauschten Daten.
12 veranschaulicht ein Training für ein neuronales Netzwerk 1200 mit einer MLP-Struktur.

Für das Training werden Daten D mit einem vollständigen virtuellen Empfangsantennen-Array (in diesem Beispiel acht virtuelle Kanäle) simuliert oder aufgezeichnet. Dann wird der Extrapolations- oder Interpolationsfaktor eingestellt und die Daten für einige Kanäle (2,5,6 im gezeigten Beispiel) werden auf Null gesetzt (d.h. die Kanaldaten für diese Kanäle werden auf Null gesetzt). Das neuronale Netzwerk 1200 wird dann trainiert mit

Eingabe:	Dlaten mit genullten Kanaldaten und zufälligen Kanalfehlern
Grundwahrheits-Ausgabe:	ursprüngliche Daten (mit oder ohne Kanalfehler, so dass das neuronale Netzwerk 1200 zusätzlich auf Fehlerkorrektur trainiert werden kann).

Das neuronale Netzwerk wird also trainiert, die Beziehung zwischen gelöschten Kanaldaten und Original-Kanaldaten zu lernen.
13 veranschaulicht eine Inferenz für ein neuronales Netzwerk 1300 mit einer wie in 12 veranschaulicht trainierten MLP-Struktur.
In diesem Beispiel sind Daten 1301 für fünf virtuelle Kanäle (d.h. ein DoA-Ermittlung Eingabevektor mit Einträgen für fünf (virtuelle) Empfangsantennen) die Eingabe der KI-Verarbeitung. In der KI-Verarbeitung werden die empfangenen Daten zu einem Eingabevektor 1302 für das neuronale Netzwerk 1300 mit Nullen aufgefüllt.
Das neuronale Netzwerk wird auf diesen Eingabevektor 1302 angewendet (ausgeführt), um einen Ausgabevektor 1303 (Größe = 8, d.h. +60% mehr Elemente) zu erzeugen. Der Ausgabevektor 1303 wird dann der DoA-Ermittlung zugeführt (welche einen gewählten Algorithmus verwendet (z.B. eine FFT der dritten Stufe oder eine Klassifizierung mehrerer Signale (MUSIC))).
Es ist darauf hinzuweisen, dass das neuronale Netzwerk bei Inferenz (da dieses die DoA-Ermittlungs-Eingabedaten für das gesamte virtuelle Channel Array ausgibt) die bestehenden Messwerte (d.h. diejenigen, die für Kanäle abgeleitet wurden, für die die MMIC 801 Abtastwerte bereitstellt) verändern (aktualisieren) kann.
Alternativ kann das neuronale Netzwerk auch nur Daten für die fehlenden Kanäle bereitstellen (d.h. für die die MMIC 801 keine Daten bereitstellt). Die Größe des Netzwerks kann dann kleiner sein (da weniger Eingangsknoten und Ausgangsknoten), aber die vorhandenen Daten (für die Kanäle, für die die MMIC 801 Abtastwerte bereitgestellt hat) werden nicht aktualisiert. Dies ist in den 14 und 15 für ein neuronales Netzwerk mit einer Autoencoder-Struktur dargestellt, kann aber auch auf ein neuronales Netzwerk mit einer MLP-Struktur angewendet werden. (Andererseits kann die Option der 12 und 13 mit dem Nullen und dem Füllen der Ausgabevektoren auch auf ein neuronales Netzwerk mit einer Autoencoder-Struktur angewendet werden).
14 veranschaulicht ein Training für ein neuronales Netzwerk 1400 mit einer Autoencoder-Struktur.
Für das Training werden die Daten D mit einem vollständigen virtuellen Empfangsantennen-Array (in diesem Beispiel acht virtuelle Kanäle) simuliert oder aufgezeichnet. Dann wird der Extrapolations- oder Interpolationsfaktor eingestellt und die Daten für einige Kanäle (2,5,6 im gezeigten Beispiel) werden entfernt. Das neuronale Netzwerk 1400 wird dann trainiert mit

Eingabe: Daten für ausgewählte Kanäle (d.h. ohne diejenigen, die entfernt wurden)

Grundwahrheits-Ausgabe: entfernte Daten.
Das neuronale Netzwerk wird also darauf trainiert, die Beziehung zwischen ausgewählten und entfernten Daten zu lernen.
15 veranschaulicht eine Inferenz für ein neuronales Netzwerk 1500 mit einer wie in 14 dargestellt trainierten Autoencoder-Struktur.
In diesem Beispiel sind Daten 1501 für fünf virtuelle Kanäle (d.h. ein DoA-Ermittlung Eingabevektor mit Einträgen für fünf (virtuelle) Empfangsantennen) die Eingabe der KI-Verarbeitung. Diese eingegebenen Daten 1501 sind auch der Eingabevektor für das neuronale Netzwerk 1500.
Das neuronale Netzwerk wird auf diesen Eingabevektor 1501 angewendet (ausgeführt), um einen Ausgabevektor 1502 mit Daten für drei zusätzliche Kanäle zu erzeugen. Der Ausgabevektor 1502 wird mit dem Eingabevektor 1501 zu einem Eingabevektor 1503 für die DoA-Ermittlung zusammengefügt (welche einen gewählten Algorithmus verwendet (z.B. eine FFT im dritten Zustand oder eine Klassifizierung mehrerer Signale (MUSIC))).
16 veranschaulicht Ergebnisse für eine 12 bis 48 Kanalextrapolation (+400%).
Ein erstes Diagramm 1601 zeigt das Winkel-FFT-Spektrum (als Leistung über Winkel) für Referenzdaten für 48 Antennen, ein zweites Diagramm 1602 zeigt das Winkel-FFT-Spektrum für die Eingabe in das neuronale Netzwerk (d.h. für 12 Antennen), ein drittes Diagramm 1603 zeigt das Winkel-FFT-Spektrum für die Ausgabe aus dem neuronalen Netzwerk.
Es gibt zwei Ziele, eines bei 0° und ein anderes bei 40°.
Ähnlich wie im Beispiel von 901 wird eine Array-Extrapolation durchgeführt: das neuronale Netzwerk erzeugt Kanaldaten für 18 virtuelle Empfangsantennen zur Linken und 18 virtuelle Empfangsantennen zusätzlich zu den vorhandenen Daten für 12 Antennen, für die die MMIC 801 Abtastwerte bereitstellt.
17 veranschaulicht Ergebnisse für eine 12 bis 16 Kanalextrapolation (+25%).
Ein erstes Diagramm 1701 zeigt das Winkel-FFT-Spektrum (als Leistung über Winkel) für Referenzdaten für 16 Antennen, ein zweites Diagramm 1702 zeigt das Winkel-FFT-Spektrum für die Eingabe in das neuronale Netzwerk (d.h. für 12 Antennen), ein drittes Diagramm 1703 zeigt das Winkel-FFT-Spektrum für die Ausgabe aus dem neuronalen Netzwerk.
In diesem Beispiel gibt es drei Ziele.
Ähnlich wie im Beispiel von 901 wird eine Array-Extrapolation durchgeführt: Das neuronale Netzwerk erzeugt Kanaldaten für zwei virtuelle Empfangsantennen zur Linken und zwei virtuelle Empfangsantennen zusätzlich zu den vorhandenen Daten für 12 Antennen, für die die MMIC 801 Abtastwerte bereitstellt.
Es ist zu erkennen, dass bei der Ausgabe des neuronalen Netzwerks die Peak-Werte sehr genau sind. Die Nebenkeulen sind nicht gleich, aber auf dem gleichen Niveau wie bei der Referenz (aufgrund des verbleibenden Fehlers im Netzwerk).
[[18 veranschaulicht Ergebnisse für eine 10 bis 16 Kanalextrapolation (+60%).]] 18 veranschaulicht Ergebnisse für eine 10 bis 16 Kanalextrapolation (+60%).
Ein erstes Diagramm 1801 zeigt das Winkel-FFT-Spektrum (als Leistung über Winkel) für Referenzdaten für 16 Antennen und ein zweites Diagramm 1802 zeigt das Winkel-FFT-Spektrum für die Ausgabe des neuronalen Netzwerks.
In diesem Beispiel gibt es drei Ziele.
Ähnlich wie im Beispiel von 903 wird eine Interpolation eines spärlichen Arrays durchgeführt, z.B. werden die Eingabedaten für die Kanäle 1, 3, 4, 7, 8, 10, 11, 12, 15, 16 und Daten für die Kanäle 2, 5, 6, 9, 13, 14 durch das neuronale Netzwerk erzeugt.
Es ist zu erkennen, dass bei der Ausgabe des neuronalen Netzwerks die Peak-Werte sehr genau sind. Die Nebenkeulen sind nicht gleich, aber auf dem gleichen Niveau wie bei der Referenz (aufgrund des verbleibenden Fehlers im Netzwerk).
Es ist darauf hinzuweisen, dass das Training von einem externen Gerät durchgeführt werden kann. Zum Beispiel kann das maschinelles-Lernen-Modell von einem Computer trainiert und später in einer Vorrichtung gespeichert werden, die die KI-Verarbeitung implementiert. Dennoch kann die Trainingsvorrichtung als Teil des Radarsystems betrachtet werden, auch wenn diese extern ist.
Zusammenfassend wird gemäß verschiedenen Ausführungsformen ein Radarsystem bereitgestellt, wie in 19 dargestellt.
19 zeigt ein Radarsystem 1900 gemäß einer Ausführungsform.
Das Radarsystem 1900 weist einen Radarempfänger 1901 auf, der eingerichtet ist, Funksignale zu empfangen, wobei jedes Funksignal einem Kanal einer Vielzahl von Kanälen zugeordnet ist, wobei jeder Kanal einem Paar aus Sendeantenne und Empfangsantenne zugeordnet ist.
Das Radarsystem 1900 weist ferner einen Peak-Detektor 1902 auf, der eingerichtet ist, eine Peak-Detektion unter Verwendung der empfangenen Funksignale durchzuführen, wobei jeder detektierte Peak einem detektierten Objekt zugeordnet ist.
Ferner weist das Radarsystem 1900 einen Ankunftsrichtungs-Schätzer 1903 auf, der eingerichtet ist, für einen detektierten Peak: einen Vektor zu erzeugen, der für jeden der Kanäle einen Eintrag aufweist, der ein aus den von der Sendeantenne gesendeten und mittels der Empfangsantenne empfangenen Funksignalen des dem Kanal zugeordneten Paars berechnetes Doppler-Fouriertransformations-Ergebnis für den Kanal angibt, den Vektor in ein maschinelles-Lernen-Modell 1904 einzugeben, das trainiert ist, für jeden von einem oder mehreren zusätzlichen Kanälen einen Eintrag auszugeben, der ein dem zusätzlichen Kanal zugeordnetes vorhergesagtes Doppler-Fouriertransformations-Ergebnis angibt und eine Ankunftsrichtungs-Schätzung durchzuführen unter Verwendung einer Ausgabe des maschinelles-Lernen-Modells, die das maschinelles-Lernen-Modell 1904 in Reaktion auf das Eingaben des Vektors ausgibt.
Gemäß verschiedenen Beispielen werden also die DoA-Ermittlungs-Eingabedaten mittels eines (zu diesem Zweck trainierten) neuronalen Netzwerks so ergänzt, dass die Anzahl der Kanäle, für die DoA-Ermittlungs-Eingabedaten zur Verfügung stehen, erhöht wird.
Gemäß verschiedenen Beispielen wird ein Verfahren wie in 20 dargestellt durchgeführt.
20 zeigt ein Flussdiagramm, das ein Verfahren zum Durchführen einer Ankunftsrichtungs-Schätzung in einem Radarsystem veranschaulicht.
In 2001 werden Funksignale empfangen, wobei jedes Funksignal einem Kanal einer Vielzahl von Kanälen zugeordnet ist, wobei jeder Kanal einem Paar aus Sendeantenne und Empfangsantenne zugeordnet ist.
In 2002 wird eine Peak-Detektion unter Verwendung der empfangenen Funksignale durchgeführt, wobei jeder detektierte Peak einem detektierten Objekt zugeordnet ist.
In 2003 wird für einen detektierten Peak: ein Vektor erzeugt, der für jeden der Kanäle einen Eintrag, der ein aus den von der Sendeantenne gesendeten und mittels der Empfangsantenne empfangenen Funksignalen des dem Kanal zugeordneten Paars berechnetes Doppler-Fouriertransformations-Ergebnis für den Kanal angibt, der Vektor in ein maschinelles-Lernen-Modell eingegeben, das trainiert ist, für jeden von einem oder mehreren zusätzlichen Kanälen einen Eintrag auszugeben, der ein dem zusätzlichen Kanal zugeordnetes vorhergesagtes Doppler-Fouriertransformations-Ergebnis angibt, und eine Ankunftsrichtungs-Schätzung unter Verwendung einer Ausgabe des maschinelles-Lernen-Modells, welche das maschinelles-Lernen-Modell in Reaktion auf das Eingeben des Vektors ausgibt, durchgeführt.
Das Verfahren kann von einem oder mehreren Prozessoren durchgeführt werden, und die Komponenten des Radarsystems können von diesen implementiert werden. Ein „Prozessor“ kann als jede Art von Logik implementierender Entität verstanden werden, die eine Schaltung für einen bestimmten Zweck oder ein Prozessor sein kann, die bzw. der in einem Speicher gespeicherte Software, Firmware oder eine Kombination davon ausführt. Ein „Prozessor“ kann also ein festverdrahteter Logikprozessor oder ein programmierbarer Logikprozessor, wie beispielsweise ein programmierbarer Prozessor, z. B. ein Mikroprozessor, sein. Ein „Prozessor“ kann auch ein Prozessor sein, der Software ausführt, z. B. jede Art von Computerprogramm. Als „Prozessor“ kann auch jede andere Art der Implementierung der jeweiligen Funktionen, die hierin ausführlicher beschrieben werden, verstanden werden. Der Radarempfänger, der Peak-Detektor und der Ankunftsrichtungs-Schätzer können jeweils durch eine oder mehrere Schaltungen implementiert sein. Zum Beispiel können der Peak-Detektor und der Ankunftsrichtungs-Schätzer von der Radarsignal-Verarbeitungs-Schaltung 111 implementiert sein. Sie können Teil der Radarsignal-Verarbeitungskette sein, z.B. implementiert durch eine oder mehrere Mikrocontroller.
Die folgenden Beispiele beziehen sich auf weitere beispielhafte Implementierungen.
Beispiel 1 ist ein Radarsystem, wie mit Bezug auf 19 beschrieben.
Beispiel 2 ist das Radarsystem von Beispiel 1, aufweisend einen Radarprozessor, der eingerichtet ist, für jeden Kanal aus den dem Kanal zugeordneten Funksignalen eine Entfernungs-Doppler-Karte zu erzeugen und wobei, für jeden Kanal, der Eintrag ein Doppler-Fouriertransformations-Ergebnis-Wert ist, den die für den Kanal erzeugte Entfernungs-Doppler-Karte für einen Entfernungsbehälter und einen Geschwindigkeitsbehälter des detektierten Peaks enthält.
Beispiel 3 ist das Radarsystem von Beispiel 2, wobei, für jeden der ein oder mehreren zusätzlichen Kanäle, das vorhergesagte Doppler-Fouriertransformations-Ergebnis ein Doppler-Fouriertransformations-Ergebnis-Wert für einen Entfernungsbehälter und einen Geschwindigkeitsbehälter des detektierten Peaks ist für den zusätzlichen Kanal.
Beispiel 4 ist das Radarsystem von Beispiel 2 oder 3, wobei der Peak-Detektor eingerichtet ist, die Peak-Detektion durchzuführen durch Integrieren der für die Kanäle erzeugten Entfernungs-Doppler-Karten zu einer Gesamt Entfernungs-Doppler-Karte und durch Identifizieren der Peaks in der Gesamt Entfernungs-Doppler-Karte.
Beispiel 5 ist das Radarsystem gemäß einem der Beispiele 1 bis 4, wobei jedem Kanal und jedem zusätzlichen Kanal eine jeweilige Position in einem Array von Empfangsantennen zugeordnet ist und wobei das maschinelles-Lernen-Modell eingerichtet ist, das vorhergesagte Doppler-Fouriertransformations-Ergebnis für jeden zusätzlichen Kanal zu erzeugen, als ob das vorhergesagte Doppler-Fouriertransformations-Ergebnis aus mittels einer Empfangsantenne an der dem zusätzlichen Kanal zugeordneten Position empfangenen Empfangssignalen berechnet würde.
Beispiel 6 ist das Radarsystem von Beispiel 5, wobei zumindest manchen der zusätzlichen Kanäle Positionen zugeordnet sind, die zwischen Positionen liegen, die Kanälen der Vielzahl von Kanälen zugeordnet sind.
Beispiel 7 ist das Radarsystem von Beispiel 5 oder 6, wobei zumindest manchen der zusätzlichen Kanäle Positionen zugeordnet sind, die auf einer Seite der den Kanälen der Vielzahl von Kanälen zugeordneten Positionen liegen.
Beispiel 8 ist das Radarsystem gemäß einem der Beispiele 5 bis 7, wobei das Array von Empfangsantennen ein gleichmäßiges Array ist.
Beispiel 9 ist das Radarsystem gemäß einem der Beispiele 5 bis 8, wobei das Radarsystem ein Mehrere-Eingänge-Mehrere-Ausgänge-Radarsystem ist und wobei das Array von Empfangsantennen virtuelle Empfangsantennen aufweist.
Beispiel 10 ist das Radarsystem gemäß einem der Beispiele 1 bis 9, wobei der Vektor Null-Einträge für den einen oder die mehreren zusätzlichen Kanäle aufweist und wobei das maschinelles-Lernen-Modell trainiert ist, die Null-Einträge mit Einträgen zu füllen, die ein Doppler-Fouriertransformations-Ergebnis des als von mittels der zusätzlichen Kanäle übermittelten Funksignalen berechneten vorhergesagten Peaks angeben.
Beispiel 11 ist das Radarsystem gemäß einem der Beispiele 1 bis 10, wobei das maschinelles-Lernen-Modell ein maschinelles-Lernen-Modell ist, das trainiert ist, die Einträge des Vektors für die Vielzahl von Kanälen zu aktualisieren und wobei der Ankunftsrichtungs-Schätzer eingerichtet ist, eine Ankunftsrichtungs-Schätzung durchzuführen unter Verwendung der aktualisierten Einträge.
Beispiel 12 ist das Radarsystem gemäß einem der Beispiele 1 bis 11, aufweisend eine Trainingsvorrichtung, die eingerichtet ist zum Trainieren des maschinelles-Lernen-Modells.
Beispiel 13 ist das Radarsystem von Beispiel 12, wobei die Trainingsvorrichtung eingerichtet ist, das maschinelles-Lernen-Modell mittels überwachten Lernens zu trainieren, wobei die Trainingsvorrichtung eingerichtet ist, jeden einer Vielzahl von Grundwahrheitsvektoren durch Simulation empfangener Funksignale zu erzeugen und zu einem Ankunftsermittlungs-Eingabevektor zu verarbeiten, oder eingerichtet ist, einen Ankunftsermittlungs-Eingabevektor zu simulieren.
Beispiel 14 ist das Radarsystem von Beispiel 13, wobei der Grundwahrheitsvektor für jeden der ein oder mehreren zusätzlichen Kanäle einen Grundwahrheitseintrag aufweist, der ein vorhergesagtes Doppler-Fouriertransformations-Ergebnis für einen dem Grundwahrheitsvektor zugeordneten detektierten Peak angibt.
Beispiel 15 ist das Radarsystem von Beispiel 14, wobei der Grundwahrheitsvektor ferner für jeden der ein oder mehreren Kanäle einen Grundwahrheitseintrag aufweist, der ein vorhergesagtes Doppler-Fouriertransformations-Ergebnis für einen dem Grundwahrheitsvektor zugeordneten detektierten Peak angibt.
Beispiel 16 ist das Radarsystem gemäß einem der Beispiele 13 bis 15, wobei die Trainingsvorrichtung eingerichtet ist, eine Vielzahl von Grundwahrheitsvektoren zu erzeugen durch Variieren zumindest eines von: einer Anzahl an Zielen einer Szene, für welche die Grundwahrheitsvektoren erzeugt werden, Orten der jeweiligen Anzahl an Zielen in der Szene, Radarquerschnitte der Ziele in der Szene, Signal-zu-Rauschen-Verhältnisse der Ziele in der Szene und Kanal-Phasen-Fehler, um das maschinelles-Lernen-Modell unter Verwendung der Vielzahl von Grundwahrheitsvektoren zu trainieren.
Beispiel 17 ist das Radarsystem gemäß einem der Beispiele 1 bis 16, wobei das maschinelles-Lernen-Modell ein neuronales Netzwerk ist.
Beispiel 18 ist das Radarsystem von Beispiel 17, wobei das maschinelles-Lernen-Modell zumindest eines aufweist von: einem mehrschichtigen Perzeptron und einem Autoencoder.
Beispiel 19 ist ein Verfahren zum Durchführen einer Ankunftsrichtungs-Schätzung in einem Radarsystem, wie mit Bezug auf 20 beschrieben.
Beispiel 20 ist das Verfahren von Beispiel 19, ferner aufweisend Trainieren des maschinelles-Lernen-Modells.
Es ist darauf hinzuweisen, dass eines oder mehrere der Merkmale eines der obigen Beispiele mit einem der anderen Beispiele kombiniert werden können.
Obgleich spezifische Aspekte beschrieben wurden, versteht der Fachmann, dass verschiedene Änderungen in Form und Detail vorgenommen werden können, ohne vom Gedanken und Umfang der Aspekte dieser Offenbarung, wie sie durch die beigefügten Ansprüche definiert sind, abzuweichen. Der Umfang wird daher durch die beigefügten Ansprüche angegeben, und alle Änderungen, die in den Sinn und Umfang der Äquivalenz der Ansprüche fallen, sollen daher einbezogen werden.
Bezugszeichen

100: Radaranordnung
101: Radarvorrichtung
102: Antennenanordnung
103: Radar-Steuer-Vorrichtung
104: Sender
105: Duplexer
106: Empfänger
107: Steuervorrichtung
108: Objekt
109: Sendesignal
110: echo
111: Radarsignal-Verarbeitungs-Schaltung
200: FMCW Radarsystem
201: Sägezahn-Wellenform
202: Oszillator
203: Sendeantenne
204: Empfangsantenne
205: Mischer
206: Tiefpassfilter
207: Spektrumanalysator
208: Chirp
300: Radarvorrichtung
301: Oszillator mit Ramper
302: Sendeverstärker
303: Mischers
304: Analogfilter
305: ADCs
306: digital interface
307: Radarsignal-Prozessor
308: Radarsignal-Verarbeitungs-Schaltung
309: Ausgabe-Schnittstelle
310: MMIC
311: Leistungsverstärker
312: Sendesignal interface
401: MMIC
402: Radarsignal-Verarbeitungskette
403-411: Radar-Verarbeitung
500: Datenwürfel
501: Gesamt-Entfernungs-/Doppler-Karte
502: FFT-Peaks
503: Empfangsantennen
601,602: Diagramme
700: Diagramm virtueller Radarkanäle
801: MMIC
808: DoA-Ermittlung
812: KI-Verarbeitung
901-904: Diagramme
1000: Neuronales Netzwerk
1100: Neuronales Netzwerk
1200: Neuronales Netzwerk
1300: Neuronales Netzwerk
1301: Eingabedaten
1302: Eingabevektor
1303: Ausgabevektor
1400: Neuronales Netzwerk
1500: Neuronales Netzwerk
1501: Eingabedaten
1052: Ausgabevektor
1601-1603: Diagramme
1701-1703: Diagramme
1801, 1802: Diagramme
1900: Radarsystem
1901: Radarempfänger
1902: Peak-Detektor
1903: Ankunftsrichtungs-Schätzer
1904: Maschinelles-Lernen-Modell
2000: Flussdiagramm
2001-2003: Verarbeitung

Claims

Ein Radarsystem (1900), aufweisend: einen Radarempfänger (1901), der eingerichtet ist, Funksignale zu empfangen, wobei jedes Funksignal einem Kanal einer Vielzahl von Kanälen zugeordnet ist, wobei jeder Kanal einem Paar aus Sendeantenne und Empfangsantenne zugeordnet ist; einen Peak-Detektor (1902), der eingerichtet ist, eine Peak-Detektion unter Verwendung der empfangenen Funksignale durchzuführen, wobei jeder detektierte Peak einem detektierten Objekt zugeordnet ist; und einen Ankunftsrichtungs-Schätzer (1903), der eingerichtet ist, für einen detektierten Peak, einen Vektor zu erzeugen, der für jeden der Kanäle einen Eintrag aufweist, der ein aus den von der Sendeantenne gesendeten und mittels der Empfangsantenne empfangenen Funksignalen des dem Kanal zugeordneten Paars berechnetes Doppler-Fouriertransformations-Ergebnis für den Kanal angibt; den Vektor in ein maschinelles-Lernen-Modell (1904) einzugeben, das trainiert ist, für jeden von einem oder mehreren zusätzlichen Kanälen einen Eintrag auszugeben, der ein dem zusätzlichen Kanal zugeordnetes vorhergesagtes Doppler-Fouriertransformations-Ergebnis angibt; und eine Ankunftsrichtungs-Schätzung durchzuführen unter Verwendung einer Ausgabe des maschinelles-Lernen-Modell (1904), welche das maschinelles-Lernen-Modell (1904) in Reaktion auf das Eingeben des Vektors ausgibt.
Das Radarsystem (1900) nach Anspruch 1, ferner aufweisend: einen Radarprozessor, der eingerichtet ist, für jeden Kanal aus den dem Kanal zugeordneten Funksignalen eine Entfernungs-Doppler-Karte zu erzeugen und wobei, für jeden Kanal, der Eintrag ein Doppler-Fouriertransformations-Ergebnis-Wert ist, den die für den Kanal erzeugte Entfernungs-Doppler-Karte für einen Entfernungsbehälter und einen Geschwindigkeitsbehälter des detektierten Peaks enthält.
Das Radarsystem (1900) nach Anspruch 2, wobei, für jeden der ein oder mehreren zusätzlichen Kanäle, das vorhergesagte Doppler-Fouriertransformations-Ergebnis ein Doppler-Fouriertransformations-Ergebnis-Wert für einen Entfernungsbehälter und einen Geschwindigkeitsbehälter des detektierten Peaks ist für den zusätzlichen Kanal.
Das Radarsystem (1900) nach einem der Ansprüche 2 oder 3, wobei der Peak-Detektor (1902) eingerichtet ist, die Peak-Detektion durchzuführen durch Integrieren der für die Kanäle erzeugten Entfernungs-Doppler-Karten zu einer Gesamt Entfernungs-Doppler-Karte und durch Identifizieren der Peaks in der Gesamt Entfemungs-Doppler-Karte.
Das Radarsystem (1900) nach einem der Ansprüche 1 bis 4, wobei jedem Kanal und jedem zusätzlichen Kanal eine jeweilige Position in einem Array von Empfangsantennen zugeordnet ist; und wobei das maschinelles-Lernen-Modell (1904) eingerichtet ist, das vorhergesagte Doppler-Fouriertransformations-Ergebnis für jeden zusätzlichen Kanal zu erzeugen, als ob das vorhergesagte Doppler-Fouriertransformations-Ergebnis aus mittels einer Empfangsantenne an der dem zusätzlichen Kanal zugeordneten Position empfangenen Empfangssignalen berechnet würde.
Das Radarsystem (1900) nach Anspruch 5, wobei zumindest manchen der zusätzlichen Kanäle Positionen zugeordnet sind, die zwischen Positionen liegen, die Kanälen der Vielzahl von Kanälen zugeordnet sind.
Das Radarsystem (1900) nach einem der Ansprüche 5 oder 6, wobei zumindest manchen der zusätzlichen Kanäle Positionen zugeordnet sind, die auf einer Seite der den Kanälen der Vielzahl von Kanälen zugeordneten Positionen liegen.
Das Radarsystem (1900) nach einem der Ansprüche 5 bis 7, wobei das Array von Empfangsantennen ein gleichmäßiges Array ist.
Das Radarsystem (1900) nach einem der Ansprüche 5 bis 8, wobei das Radarsystem (1900) ein Mehrere-Eingänge-Mehrere-Ausgänge-Radarsystem ist und wobei das Array von Empfangsantennen virtuelle Empfangsantennen aufweist.
Das Radarsystem (1900) nach einem der Ansprüche 1 bis 9, wobei der Vektor Null-Einträge für den einen oder die mehreren zusätzlichen Kanäle aufweist und wobei das maschinelles-Lernen-Modell (1904) trainiert ist, die Null-Einträge mit Einträgen zu füllen, die ein Doppler-Fouriertransformations-Ergebnis des als von mittels der zusätzlichen Kanäle übermittelten Funksignalen berechneten vorhergesagten Peaks angeben.
Das Radarsystem (1900) nach einem der Ansprüche 1 bis 10, wobei das maschinelles-Lernen-Modell (1904) ein maschinelles-Lernen-Modell (1904) ist, das trainiert ist, die Einträge des Vektors für die Vielzahl von Kanälen zu aktualisieren und wobei der Ankunftsrichtungs-Schätzer (1903) eingerichtet ist, eine Ankunftsrichtungs-Schätzung durchzuführen unter Verwendung der aktualisierten Einträge.
Das Radarsystem (1900) nach einem der Ansprüche 1 bis 11, ferner aufweisend: eine Trainingsvorrichtung, die eingerichtet ist zum Trainieren des maschinelles-Lernen-Modells (1904).
Das Radarsystem (1900) nach Anspruch 12, wobei die Trainingsvorrichtung eingerichtet ist, das maschinelles-Lernen-Modell (1904) mittels überwachten Lernens zu trainieren, wobei die Trainingsvorrichtung eingerichtet ist, jeden einer Vielzahl von Grundwahrheitsvektoren durch Simulation empfangener Funksignale zu erzeugen und zu einem Ankunftsermittlungs-Eingabevektor zu verarbeiten, oder eingerichtet ist, einen Ankunftsermittlungs-Eingabevektor zu simulieren.
Das Radarsystem (1900) nach Anspruch 13, wobei der Grundwahrheitsvektor für jeden der ein oder mehreren zusätzlichen Kanäle einen Grundwahrheitseintrag aufweist, der ein vorhergesagtes Doppler-Fouriertransformations-Ergebnis für einen dem Grundwahrheitsvektor zugeordneten detektierten Peak angibt.
Das Radarsystem (1900) nach Anspruch 14, wobei der Grundwahrheitsvektor ferner für jeden der ein oder mehreren Kanäle einen Grundwahrheitseintrag aufweist, der ein vorhergesagtes Doppler-Fouriertransformations-Ergebnis für einen dem Grundwahrheitsvektor zugeordneten detektierten Peak angibt.
Das Radarsystem (1900) nach einem der Ansprüche 13 bis 15, wobei die Trainingsvorrichtung eingerichtet ist, eine Vielzahl von Grundwahrheitsvektoren zu erzeugen durch Variieren zumindest eines von: einer Anzahl an Zielen einer Szene, für welche die Grundwahrheitsvektoren erzeugt werden, Orten der jeweiligen Anzahl an Zielen in der Szene, Radarquerschnitte der Ziele in der Szene, Signal-zu-Rauschen-Verhältnisse der Ziele in der Szene und Kanal-Phasen-Fehler, um das maschinelles-Lernen-Modell (1904) unter Verwendung der Vielzahl von Grundwahrheitsvektoren zu trainieren.
Das Radarsystem (1900) nach einem der Ansprüche 1 bis 16, wobei das maschinelles-Lernen-Modell (1904) ein neuronales Netzwerk ist.
Das Radarsystem (1900) nach Anspruch 17, wobei das maschinelles-Lernen-Modell (1904) zumindest eines aufweist von: einem mehrschichtigen Perzeptron und einem Autoencoder.
Ein Verfahren (2000) zum Durchführen einer Ankunftsrichtungs-Schätzung in einem Radarsystem (1900), das Verfahren aufweisend: Empfangen (2001) von Funksignalen, wobei jedes Funksignal einem Kanal einer Vielzahl von Kanälen zugeordnet ist, wobei jeder Kanal einem Paar aus Sendeantenne und Empfangsantenne zugeordnet ist; Durchführen (2002) einer Peak-Detektion unter Verwendung der empfangenen Funksignale, wobei jeder detektierte Peak einem detektierten Objekt zugeordnet ist; und für einen detektierten Peak (2003), Erzeugen eines Vektors, der für jeden der Kanäle einen Eintrag aufweist, der ein aus den von der Sendeantenne gesendeten und mittels der Empfangsantenne empfangenen Funksignalen des dem Kanal zugeordneten Paars berechnetes Doppler-Fouriertransformations-Ergebnis für den Kanal angibt; Eingeben des Vektors in ein maschinelles-Lernen-Modell (1904), das trainiert ist, für jeden von einem oder mehreren zusätzlichen Kanälen einen Eintrag auszugeben, der ein dem zusätzlichen Kanal zugeordnetes vorhergesagtes Doppler-Fouriertransformations-Ergebnis angibt; und Durchführen der Ankunftsrichtungs-Schätzung unter Verwendung einer Ausgabe des maschinelles-Lernen-Modell (1904), welche das maschinelles-Lernen-Modell (1904) in Reaktion auf das Eingeben des Vektors ausgibt.
Das Verfahren (2000) nach Anspruch 19, ferner aufweisend: Trainieren des maschinelles-Lernen-Modells (1904).