用于训练机器学习模型并生成训练数据的方法、装置和计算机程序与流程

1.本发明的实施例涉及一种用于训练机器学习模型和用于生成用于这种训练的训练数据的方法、装置和计算机程序，尤其是涉及机器学习模型的训练以确定钥匙设备相对于车辆的位置。


背景技术：

2.使用所谓的无钥匙进入(无钥匙访问)系统(也称为被动进入/被动启动系统)的先决条件是开发安全且同时稳健的方法以使授权用户向车辆认证自己的身份。
3.这还包括对用户或身份认证设备的位置(从何时开始车辆允许被解锁或应被锁定)以及车辆钥匙(智能手机或传统钥匙)是在车内还是车外的足够准确的估计，以便授予或拒绝马达启动许可。
4.在传统钥匙的情况下，这是用非常低的无线电频率来完成的。目前，大多数被动进入系统基于lf频段(低频段，也是长波段)中的窄带无线电技术。一旦钥匙和车辆之间的距离足够小，车辆钥匙就会建立与车辆的连接。在连接建立后，在另一个lf频段中进行定位。在此由钥匙发出一个定义的信号并且一个或多个接收天线根据相对于车辆的位置接收具有不同的信号强度的信号。对于此的原因是电磁波在不同材料中的衰减。根据不同接收节点处信号的接收功率，可以决定钥匙是否离车辆足够近或者它是否在车内。
5.当这个功能在智能手机(可编程移动电话)中实现时，可以使用高频无线电频率进行定位，高频无线电频率使定位十分困难。


技术实现要素：

6.需要提供一种将智能手机用作车辆钥匙的改进方法。
7.本公开的实施例满足了该需求。
8.本公开的实施例基于以下认识：智能手机或其它现代钥匙设备使用的高频中的测量值比低频中的测量值更加与环境相关联。
9.由于车辆具有复杂的几何形状，其电磁特性不能被简单计算，因此在此使用机器学习过程，即例如在车辆处测量训练数据并将所述训练数据转化为机器学习模型(ml模型)，使得车辆可以接管认证设备是位于车内还是车外的分类。理想的是，覆盖整个解决方案空间，使得分类在任何时候都不会失效(错误分类或盲点、死区)。在某些情况下，该过程是一个人在车辆中、车辆处和车辆周围的定义位置处持有钥匙。测量人员知道钥匙当前是在车内、车外还是在后备箱中。然后将不同接收节点的功率值与该知识(车内、车外或后备箱中(以下仅还描述为“内部”和“外部”))相互关联起来。在某些情况下，这种训练数据集的记录并非在严格指定的环境中进行。这对于低频范围内的测量是足够的，因为为此使用的无线电频率的特性足够独立于环境，因而这种方法是足够的。然后形成ml模型并检查模型是否能正常工作。
10.在一些智能手机和其它用作钥匙设备的移动设备中使用一种新技术——超宽带(uwb)。这种类型的无线电技术与lf无线电的根本区别在于：在shf频段(超高频，厘米波段，3-30ghz)中传输的不是大功率的窄带信号(即低频信息被调制到较高的载波频率上)，而是非常宽带但低功率的信号。
11.通过使用非常宽的频谱(例如至少500mhz)可以进行精确的渡越时间(tof)测量。通过测量tof(渡越时间)随后可以通过光速常数计算发射器和接收器之间的距离。除了tof，接收功率(rxp)也可以用作距离计算的第二特征。原则上，可以将数据处理和训练机器学习模型的过程应用于这种无线电技术。
12.由于电磁波的高频和因此低的波长(约3-7厘米)，发射器和接收器的环境中的金属物体的干扰影响要比低频段中的干扰影响大得多。电磁波在波长数量级的导电几何体上相互作用非常强，即波被反射、散射和衍射。lf无线电的波长数量级在几千米范围内，因此在这种无线电中在与波长相比较小的金属物体之间相互作用很少。但对于厘米范围内的波长，车身-马达组、其它车辆、由钢筋混凝土制成的墙壁、格栅等都具有非常大的干扰作用。另一原因是波在导体中的穿透深度。电磁波的频率越高，进入该导体的穿透深度或穿透该导体的可能性就越低。在lf中该穿透深度约为100μm，而在shf中则约为1μm。也就是说，高频比低频更容易屏蔽。此外，自由空间衰减与频率成正比，这又意味着uwb波仅仅因为其较高的频率而被更强地衰减。此外，在不透明的物体、如水或湿气中，高频波比低频波被更强地衰减。
13.所有这些导致uwb信号受环境影响如此之大，以至于在一般的、非严格指定的环境中记录训练数据集并不一定足以确保模型在其它环境中也能正常工作。原则上，这将导致必须在所有可能的环境中记录训练数据，以便能够覆盖所有环境中的解决方案空间，这在最佳情况下非常复杂并且在现实情况下无法实现，因为不可能到达所有可想到的车辆环境并在那里记录训练数据。
14.本公开的实施例涉及可以如何减少训练工作量，以便能够生成可靠的ml模型。由此能够对认证设备(如钥匙(也称为遥控钥匙)或智能手机)是位于车辆内部空间还是外部空间进行分类。本公开的实施例基于以下认识：可以通过基于两种不同车辆环境训练机器学习模型来减少用于生成训练数据的工作量，这两种不同的车辆环境在可能的反射方面尽可能不同。例如可以选择一种尽可能没有反射的车辆环境以及另一种可预期会有大量反射的车辆环境(例如在密集停放的地下停车场中的车辆环境)。在反射方面位于这两个极端之间的车辆环境可以通过机器学习模型从这两种车辆环境中推导出，也可以附加地扩充数据，以便将机器学习模型的训练扩展到超出这两种车辆环境以外。
15.本公开的实施例提供一种用于训练机器学习模型的计算机实现的方法。该方法包括基于代表至少两种不同车辆环境的数据来训练机器学习模型。所述机器学习模型被训练为基于在钥匙设备和车辆之间的距离的渡越时间距离测量的数据来确定钥匙设备相对于车辆的位置。通过使用代表两种不同车辆环境的数据，在可能的反射方面位于这两种被研究的车辆环境之间的其它车辆环境的特性可以通过机器学习模型进行建模，而无需在其它车辆环境中进行额外的测量。
16.例如所述至少两种不同车辆环境在相应车辆环境中的表面上的可能的反射方面不同。在此例如可以选择在反射方面尽可能不同的车辆环境，以便也能够覆盖在反射方面
位于极端之间的其它车辆环境。
17.原则上有多种可能性生成针对不同的车辆环境的数据。一方面，可以测量数据。例如代表至少两种不同车辆环境的数据可以包括在第一车辆环境中测量的至少一个第一数据集和在第二车辆环境中测量的至少一个第二数据集。因此例如可以使用可用于测量数据的车辆环境来进行训练。
18.替代或附加地，可以通过物理模拟生成数据。换言之，代表至少两种不同车辆环境的数据可以包括基于第一车辆环境的物理模拟的至少一个第一数据集和基于第二车辆环境的物理模拟或在第二车辆环境中测量的至少一个第二数据集。因此例如可以使用在其中无法通过测量生成数据的车辆环境来训练机器学习模型。
19.此外，可以扩充测量数据或模拟数据。例如该方法可以用多个附加的计算数据单元来补充至少一个数据集，以获得代表所述至少两种不同车辆环境的数据。换言之，可以用以物理模拟数据或测量数据的变型为基础的其它数据来补充测量或模拟数据。或者说，测量数据或模拟数据可以补充基于物理模拟数据或测量数据的变型的其他数据。所述附加的数据单元例如可以通过添加基于相应数据集的人工噪声来计算。替代或附加地，所述附加的数据单元可以依据基于相应数据集的与位置有关的误差模型来计算。替代或附加地，所述附加的数据单元可以通过基于相应数据集的两个位置的数据之间的内插来计算。这些方法可用于自动生成附加的训练数据。
20.例如所述渡越时间距离测量和/或接收信号强度可以基于超宽带信号传输的一个或多个信号，在uwb信号的情况下，基于使用的波长，在不同的车辆环境中训练机器学习模型可以是特别有利的。
21.在一些实施例中，机器学习模型被训练为基于在钥匙设备和车辆之间的距离的渡越时间距离测量的数据以及基于在钥匙设备和车辆之间的信号传输的信号强度来确定钥匙设备相对于车辆的位置。这使得能够更可靠地确定钥匙设备的相对位置。
22.本公开的实施例还包括一种用于训练机器学习模型的计算机实现的装置。该装置包括一个或多个处理器和一个或多个存储设备。该装置构造用于执行用于训练机器学习模型的方法。实施例还提供一种具有计算模块的车辆，该计算模块构造用于借助机器学习模型确定钥匙设备相对于车辆的位置。
23.本公开的实施例还提供一种用于生成用于训练机器学习模型的数据集的方法。所述数据集分别包括多个数据单元，所述数据单元包含钥匙设备相对于车辆的位置、钥匙设备与车辆之间的渡越时间距离测量、和/或钥匙设备与车辆之间的信号传输的信号强度。该方法包括在第一车辆环境中生成第一数据集。该方法还包括在第二车辆环境中生成第二数据集。这两种车辆环境在相应车辆环境中的表面上的可能的反射方面不同。由此例如可以生成用于先前提出的方法的训练数据。
24.本公开的实施例还包括一种用于生成用于训练机器学习模型的数据集的计算机实现的装置。该装置包括一个或多个处理器和一个或多个存储设备。该装置构造用于执行用于生成用于训练机器学习模型的数据集的方法。
25.本公开的实施例还包括一种具有程序代码的程序，用于当所述程序代码在计算机、处理器、控制模块或可编程硬件组件上执行时执行所述方法中的至少一种。
附图说明
26.下面参考附图仅示例性地更详细阐述装置和/或方法的一些示例。附图如下：
27.图1a示出用于训练机器学习模型的计算机实现的方法的实施例的流程图；
28.图1b示出用于训练机器学习模型的计算机实现的装置的实施例的框图；
29.图2a示出用于生成用于训练机器学习模型的数据集的方法的实施例的流程图；和
30.图2b示出用于生成用于训练机器学习模型的数据集的装置的实施例的框图。
具体实施方式
31.现在参考附图更详细地说明不同示例，在附图中示出一些示例。为了清楚起见，在附图中线、层和/或区域的厚度可能被夸大。
32.可以理解的是，当一个元件被称为与另一个元件“连接”或“耦合”时，这些元件可以直接或通过一个或多个中间元件连接或耦合。当使用“或”组合两个元件a和b时，这可以理解为公开了所有可能的组合，即仅a、仅b以及a和b，除非另有明确或隐含定义。相同组合的替代表述是“a和b中的至少一个”或“a和/或b”。这在经过必要修改后适用于两个以上元件的组合。
33.除非另有定义，否则所有术语(包括技术和科学术语)在此均按其在示例所属领域中的通常含义使用。
34.概括来说，本公开的实施例涉及对认证设备、如钥匙设备在车辆内部或外部空间中的定位。因此，本公开的实施例尤其是涉及用于车辆的无钥匙进入系统和无钥匙行驶系统的认证设备或钥匙设备。
35.图1a示出用于训练机器学习模型的计算机实现的方法的一种实施例的流程图。该方法包括基于代表至少两种不同车辆环境的数据来训练120机器学习模型。机器学习模型被训练为，基于钥匙设备与车辆之间的距离的渡越时间距离测量的数据来确定钥匙设备相对于车辆的位置。
36.图1b示出用于训练机器学习模型的相应计算机实现的装置10的一种实施例的框图。该装置包括一个或多个处理器14和一个或多个存储设备16。可选地，该装置还包括接口12，例如用于接收训练数据或用于提供训练好的机器学习模型。所述一个或多个处理器与可选的接口和所述一个或多个存储设备耦联。一般来说，所述装置的功能由所述一个或多个处理器在所述一个或多个存储设备和/或可选接口的辅助下提供。该装置构造用于执行图1a的方法。
37.下述说明既涉及图1a的方法又涉及图1b的相应装置。
38.本公开的至少一些方面涉及用于训练机器学习模型的方法、装置和计算机程序。机器学习涉及算法和统计模型，计算机系统可以在不使用明确指令的情况下使用所述算法和统计模型来执行特定任务，而不是依赖于模型和推理。在机器学习中，例如代替基于规则的数据转换，可以使用如下数据转换，其可从过程数据(verlaufsdaten)和/或训练数据的分析中导出。机器学习被用于大量应用中，例如用于图像数据中的对象识别、用于时间序列的预测、用于模式分析等。在此总的来说利用以下事实：在许多情况下，所谓的训练数据，即表示相应机器学习模型预期转换示例的数据足以作为基础来训练应执行特定任务的机器学习模型(所谓的模型“训练”)。
39.例如可以使用机器学习模型或使用机器学习算法来分析图像的内容。为了使机器学习模型能够分析图像的内容，可以使用训练图像作为输入以及训练内容信息作为输出来训练机器学习模型。通过使用大量训练图像和/或训练序列(例如单词或句子)和相关的训练内容信息(例如标记或注释)来训练机器学习模型，机器学习模型“学习”识别图像的内容，从而可以使用机器学习模型识别未包括在训练数据中的图像内容。相同的原理也同样可以用于其它类型的传感器数据：通过使用训练传感器数据和期望的输出来训练机器学习模型，机器学习模型“学习”传感器数据和输出之间的转换，这可以用于基于提供给机器学习模型的非训练传感器数据来提供输出。这可以是用于根据提供给机器学习模型的非训练传感器数据提供输出。可以对提供的数据(例如传感器数据、元数据和/或图像数据)进行预处理以获得特征向量，该特征向量用作用于机器学习模型的输入。
40.在当前情况下，机器学习模型被训练为基于在钥匙设备和车辆之间的距离的渡越时间距离测量(英语也称为time-of-flight-ranging)的数据来确定钥匙设备相对于车辆的位置。除了渡越时间距离测量，钥匙设备与车辆之间的信号(例如渡越时间测量的信号)传输的信号强度也可以用作机器学习模型的输入值。换言之，机器学习模型可以被训练为基于钥匙设备与车辆之间的距离的渡越时间距离测量的数据并且基于在钥匙设备和车辆之间的信号传输的信号强度来确定钥匙设备相对于车辆的位置。在此钥匙设备例如可以是无线电钥匙(也称为遥控钥匙)或移动设备，如可编程移动电话(智能手机)或所谓的可穿戴设备(可穿戴在身上的移动设备)。渡越时间距离测量和/或接收信号强度可以基于超宽带(uwb)信号传输的一个或多个信号。但其它高频(hf，也称为射频，rf)或低频(lf)信号传输也可以用于渡越时间测量和接收信号强度测量。
41.渡越时间距离测量以及可选的接收信号强度在此可以用作机器学习模型的输入值并且关于钥匙设备相对于车辆的相应位置的信息可以由机器学习模型作为输出值提供。在此输入值也被称为所谓的“特征”。现在为了训练机器学习模型(使用所谓的监督学习(supervised learning)方法)，将相应的输入数据和输出数据用作训练输入数据和训练输出数据并且机器学习模型被训练为提供转换，该转换为所有训练数据集从训练输入数据生成相应的输出数据。
42.可以使用训练输入数据来训练机器学习模型。上述示例使用一种被称为监督学习的训练方法。在监督学习中，使用多个训练数据单元训练机器学习模型，每个数据单元包括一个或多个训练输入数据和一个或多个期望输出值，即为所述一个或多个训练输入数据的组合分配一个期望输出值。通过指定训练输入数据和期望输出值，机器学习模型“学习”基于类似于训练期间提供的训练输入数据的输入数据提供哪个输出值。在所提出的方法中，钥匙设备与车辆之间的距离的渡越时间距离测量的数据以及可选的钥匙设备与车辆之间的信号传输的信号强度构成输入数据，即训练输入数据，并且钥匙设备相对于车辆的位置构成输出数据，即训练输出数据。换言之，机器学习模型被训练为当钥匙设备与车辆之间的距离的渡越时间距离测量的数据以及可选的信号传输的信号强度被施加于机器学习模型的一个或多个输入端时输出钥匙设备相对于车辆的位置。在此钥匙设备相对于车辆的位置例如可以根据两个或三个类别之一进行分类，如“车内”、“车外”和可选的“行李舱”。作为替代方案，钥匙设备相对于车辆的位置可以以相对于车辆的基于分区或者说扇区的系统表示。
43.基于代表至少两种(或正好两种)不同车辆环境的数据来训练机器学习模型。换言之，用于训练机器学习模型的训练数据单元代表至少两种(或正好两种)不同的车辆环境。所述至少两种不同的车辆环境可以在相应车辆环境中的表面上的可能反射方面不同。例如第一车辆环境可以是所谓的“露天场”车辆环境、即在其中信号在车外的物体上的反射、散射或衍射减少或最小化的车辆环境。相反，第二车辆环境可以是在其中相应信号可以发生许多反射的车辆环境。为此例如可以选择具有低天花板和狭窄侧墙的停车场中的车辆环境。车辆环境一方面涉及车外的车辆环境，即车外的对象、表面等。此外，车辆环境可以指车内的对象，如运载的货物或乘客。
44.原则上，相应的训练数据有两个来源：一方面，相应的训练数据可以在“真实”的车辆环境中测量。另一方面，相应的训练数据可以通过物理模拟生成。此外，如将在下面要进一步详细解释的，测量数据或模拟数据通过还由附加数据单元进行所谓的扩充来补充。例如代表至少两种不同车辆环境的数据可以包括在第一车辆环境中测量的至少一个第一数据集。此外，代表至少两种不同车辆环境的数据可以包括在第二车辆环境中测量的至少一个第二数据集。为此例如钥匙设备可以在真实的车辆环境中在相对于车辆的多个位置处进行渡越时间测量以及可选的接收信号强度测量，它们可以用作训练数据单元的训练输入数据。相对于车辆的相应位置可以用作期望输出。
45.替代或附加地，可以使用模拟数据。换言之，代表至少两种不同车辆环境的数据可以包括基于第一车辆环境的物理模拟的至少一个第一数据集。该数据集可以与另一模拟数据集或与测量数据集一起使用。换言之，代表至少两种不同车辆环境的数据可以包括基于第二车辆环境的物理模拟或在第二车辆环境中测量的至少一个第二数据集。例如物理模拟可以相应于现场模拟(feldsimulation)。为此可以在模拟环境中创建车辆模型。在车内和车外可以确定多个空间点，在这些空间点处基于物理参数如距离有关的衰减、穿透材料时的衰减、车辆和环境处的反射、车辆部件和环境对信号的遮挡、由非视线传输引起的渡越时间和衰减的增加等来计算合成测量。在此，为了模拟一种车辆环境，可以不考虑车外的反射(露天场模拟)。而为了模拟另一车辆环境，可以将车外以及可选地车内的多个附加的反射表面引入模型中。
46.除了测量数据或模拟数据之外，还可以生成其它数据单元，所述其它数据单元表示与测量数据或模拟数据的(合理或可信)偏差。换言之，该方法可以用多个附加的经计算的数据单元补充110(所述至少两个数据集中的)至少一个数据集，以便获得代表所述至少两种不同车辆环境的数据。换言之，用于训练机器学习模型的数据集可以通过合成生成的数据单元进行扩充。例如可以通过添加基于相应数据集的人工噪声来计算附加数据单元或至少一些附加数据单元。换言之，可以通过向模拟或测量的数据单元添加附加的随机或确定性噪声(即伪随机偏差)来生成附加数据单元。替代或附加地，可以通过基于相应数据集的两个位置的数据之间的内插来计算附加数据单元或至少一些附加数据单元。换言之，可以从为相对于车辆的两个位置计算的两个数据单元为这两种位置之间的一个位置计算第三数据单元，第三数据单元的值位于所述两个数据单元的值之间。
47.在一些实施例中，可以基于依据相应数据集的与位置有关的误差模型来计算附加数据单元或至少一些附加数据单元。这种与位置有关的误差模型基于在露天场中的相对于车辆的某些位置处没有接收到信号，而在反射环境中却接收到信号。该特性可以被建模为
误差模型并且用于生成此类通过环境因素产生的误差。在与位置有关的误差模型中，车辆周围的区域例如可以被划分为更小的区域。可以为每个区域确定在不同环境中出现了特征的哪些特征性变化。从其中可以生成区域特定的环境干扰模型，即专门为每个区域对不同环境的干扰影响建模的模型。它的应用是一种扩充，其使用一个环境的记录的训练数据来生成描述其它环境的另外的训练数据。然后可以使用这些另外的训练数据来训练机器学习模型。
48.接口12例如可以相应于一个或多个输入端和/或一个或多个输出端，以用于例如在一个模块内、在模块之间或在不同实体的模块之间基于代码以数字比特值的形式接收和/或发送信息。
49.在实施例中，所述一个或多个处理器14可以相应于任何控制器或处理器或可编程硬件组件。例如所述一个或多个处理器14也可以实现为针对相应硬件组件编程的软件。就此而言，所述一个或多个处理器14可以实现为具有相应适配的软件的可编程硬件。在此可以使用任何处理器，如数字信号处理器(dsp)。实施例不限于特定类型的处理器。可以想到任何处理器亦或多个处理器用于实现。
50.所述一个或多个存储设备16例如可以是包括计算机可读存储介质、磁存储介质、光存储介质、硬盘驱动器、闪存、软盘、随机存取存储器、可编程只读存储器(prom)、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)和网络存储器的组中的至少一个元件。
51.机器学习算法通常基于机器学习模型。换言之，术语“机器学习算法”可以指可用于创建、训练或使用机器学习模型的指令集。术语“机器学习模型”可以指表示所学知识(例如基于机器学习算法执行的训练)的数据结构和/或规则集。在实施例中，使用机器学习算法可以隐含表示使用一个基础机器学习模型(或多个基础机器学习模型)。使用机器学习模型可以隐含表示通过机器学习算法训练机器学习模型和/或作为机器学习模型的数据结构/规则集。
52.例如机器学习模型可以是人工神经网络(ann)。人工神经网络是受生物神经网络(例如在视网膜或大脑中可以看到的神经网络)启发的系统。人工神经网络包括多个互连的节点和节点之间的多个连接，即所谓的边。通常有三种节点类型，即接收输入值的输入节点、(仅)与其它节点连接的隐藏节点以及提供输出值的输出节点。每个节点可以构成一个人工神经元。每条边都可以将信息从一个节点发送到另一个节点。节点的输出可以定义为输入(如其输入的总和)的(非线性)函数。可以基于提供输入的边或节点的“权重”在函数中使用一个节点的输入。节点和/或边的权重可以在学习过程中进行调整。换言之，训练人工神经网络可以包括调整人工神经网络的节点和/或边的权重，即以便为特定的输入实现期望的输出。
53.作为替代方案，机器学习模型可以是支持向量机、随机森林模型或梯度提升模型。支持向量机(即支持向量网格)是具有相配学习算法的监督学习模型，以便分析数据(例如在分类或回归分析中)。支持向量机可以通过提供具有属于两个类别之一的多个训练输入值的输入来训练。可以训练支持向量机将新的输入值分配给这两个类别之一。作为替代方案，机器学习模型可以是贝叶斯网络，其是概率有向非循环图形模型。贝叶斯网络可以使用有向非循环图形来表示一组随机变量及其条件依赖关系。作为替代方案，机器学习模型可
以基于遗传算法，这是一种模拟自然选择过程的搜索算法和启发式技术。
54.结合之前或之后(如图2a和2b)描述的方案或示例给出该方法和装置的更多细节和方面。该方法和装置可以包括一个或多个附加的可选特征，其相应于如之前或之后描述的所提出方案或所描述示例的一个或多个方面。
55.图2a示出用于生成用于训练机器学习模型的数据集的方法(如计算机实现的方法)的一种实施例的流程图。这些数据集分别包括多个数据单元，所述数据单元包含钥匙设备相对于车辆的位置、钥匙设备与车辆之间的渡越时间距离测量和/或钥匙设备与车辆之间的信号传输的信号强度。该方法包括在第一车辆环境中生成210第一数据集。该方法还包括在第二车辆环境中生成220第二数据集。这两种车辆环境在相应车辆环境中的表面上的可能反射方面不同(如已经结合图1a和/或1b解释的那样)。
56.图2b示出用于生成用于训练机器学习模型的数据集的相应计算机实现的装置20的一种实施例的框图。该装置包括一个或多个处理器24和一个或多个存储设备26。可选地，该装置还包括接口22，例如用于接收训练数据或用于提供训练好的机器学习模型。所述一个或多个处理器与可选接口和所述一个或多个存储设备耦联。一般来说，该装置的功能由所述一个或多个处理器在所述一个或多个存储设备和/或可选接口的辅助下提供。该装置构造用于执行图2a的方法。
57.下述说明既涉及图2a的方法又涉及图2b的相应装置。
58.本公开的一些实施例涉及用于训练机器学习模型(如图1a和/或1b的机器学习模型)的训练数据的生成。该方法适用于生成用于训练机器学习模型的数据集。这些数据集分别包括多个数据单元，所述数据单元包含钥匙设备相对于车辆的位置(作为期望输出值)、钥匙设备与车辆之间的渡越时间距离测量(作为训练输入数据)和/或钥匙设备与车辆之间的信号传输的信号强度(作为训练输入数据)。
59.如已经结合图1a和/或1b所述的，训练数据原则上可以通过两种方法生成，即通过测量和物理模拟。
60.例如在第一车辆环境中生成210第一数据集可以包括例如在车内和车外的多个预定位置处执行多次测量以便在第一车辆环境中为钥匙设备相对于车辆的多个位置确定渡越时间距离测量和/或信号传输的信号强度。类似地，在第二车辆环境中生成220第二数据集可以包括例如在车内和车外的多个预定位置处执行多次测量以便在第二车辆环境中为钥匙设备相对于车辆的多个位置确定渡越时间距离测量和/或信号传输的信号强度。
61.替代或附加地，可以使用模拟数据。例如在第一车辆环境中生成210第一数据集可以包括例如在模型中的车内和车外的多个预定位置处执行物理模拟以便在第一车辆环境的模型中为钥匙设备相对于车辆的多个位置确定渡越时间距离测量和/或信号传输的信号强度。类似地，在第二车辆环境中生成220第二数据集可以包括例如在模型中的车内和车外的多个预定位置处执行物理模拟以便在第二车辆环境的模型中为钥匙设备相对于车辆的多个位置确定渡越时间距离测量和/或信号传输的信号强度。
62.这两种方法和两种车辆环境(它们在相应车辆环境中的表面上的可能反射方面不同)的细节已经结合图1a和1b的说明提到。下面将更详细地讨论它们。
63.在一些实施例中，该方法还包括基于生成的数据集来训练230机器学习模型，例如类似于训练120图1a中的机器学习模型。这例如可以包括数据集的补充110。
64.接口22例如可以相应于一个或多个输入端和/或一个或多个输出端以用于例如在一个模块内、在模块之间或在不同实体的模块之间基于代码以数字比特值的形式接收和/或发送信息。
65.在实施例中，所述一个或多个处理器24可以相应于任何控制器或处理器或可编程硬件组件。例如所述一个或多个处理器24也可以实现为针对相应硬件组件编程的软件。就此而言，所述一个或多个处理器24可以实现为具有相应适配的软件的可编程硬件。在此可以使用任何处理器，如数字信号处理器(dsp)。实施例不限于特定类型的处理器。可以想到任何处理器亦或多个处理器用于实现。
66.所述一个或多个存储设备26例如可以是包括计算机可读存储介质、磁存储介质、光存储介质、硬盘驱动器、闪存、软盘、随机存取存储器、可编程只读存储器(prom)、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)和网络存储器的组的至少一个元件。
67.结合之前(如图1a和1b)或之后描述的方案或示例给出该方法和装置的更多细节和方面。该方法和装置可以包括一个或多个附加的可选特征，其相应于如之前或之后描述的所提出方案或所描述示例的一个或多个方面。
68.本发明的实施例基于两种环境(例如两种车辆环境)作为训练机器学习模型的基础。因此，在一些实施例中，在正好两种环境中记录训练数据，而不是在所有可能的环境中。这两种环境就其特征而言代表一般在环境中可能出现的两种极端情况。第一种环境应该是没有任何反射的环境。该环境在下文中称为“露天场”。在此应注意在至少5米的半径范围内没有金属/反光物体。由此可以确保接收到的uwb包只能在“视线”(los)路径上到达相应锚点(anker)。这又导致锚点的可用性相当低。在这方面，“可用性”表示接收到的包和发送的包之间的比值。
69.作为第二种环境建议采用反射非常强的环境，例如具有低天花板高度的地下停车场。此外，所选停车位可以被两堵钢筋混凝土墙围住，从而在车辆上方和车辆侧面都会发生反射。在这种环境中，锚点可用性显着提高，因为包也可以在“非los”路径上交换。
70.借助来自这两种环境的训练数据可以覆盖完整解决方案空间的很大一部分(例如超市停车场或路边停车)。
71.多种环境中的训练可以通过其它方法来改进。因此，在一些实施例中，使用附加的数据处理算法和数据扩充来在不同的环境中训练机器学习模型。
72.一些实施例基于借助现场模拟(扩充/扩充)生成合成的训练数据。为了进一步减少训练数据获得的工作量，代替测量数据可以在训练算法中使用基于物理模型的合成生成数据。所谓的现场模拟生成在车辆中和周围的空间点。基于物理模型现在可以计算相应点的值。在此挑战在于对车辆和环境的建模。车辆的哪些部件会导致信号的完全遮挡？车辆的哪些部件会导致信号的更大衰减？车辆的哪些区域使信号经过多次反射以增加的渡越时间传输？在一种示例性实现中如下建造模型。
73.借助以下参数生成车外的空间点：
74.mindistcar(表示与车辆的最小距离，从该最小距离起生成点)
75.maxdistcar(表示与车辆的最大距离，直到该最大距离生成点)
76.griddist(表示点之间的距离)
77.zpoints(表示在z方向上的在其中生成点的平面数)
78.根据所述参数围绕车辆轮廓生成空间点。在简化计算中，车辆的轮廓被假定为具有车辆最大尺寸的方体。为了计算特征、接收信号强度(rxp)和距离，还应该知道锚点的位置。
79.首先，可以设置从每个锚点到每个生成的空间点的向量。这些向量的长度给出用于计算距离和接收信号强度这两个特征的第一近似值。然后可以确定这些向量在哪个位置离开车辆的轮廓并计算通过车辆的路径有多长。根据车辆轮廓内这些向量的长度可以估计附加的衰减。
80.该模拟此时仅包括露天场条件下的数据(无反射，仅los连接)。为了也模拟其它环境的数据，该模型还可以配备不同的反射面，从而也可以实现nlos路径(非视线路径)。此外，也可以具体化车辆模型。由于仅建立了有限数量的连接并且不存在无限多的接收节点，因此在一些实施例中不需要对所有波束进行完全模拟。
81.在一些实施例中追求借助随机噪声(扩充)生成合成的训练数据。作为第二个处理步骤，可以使用这样的过程，该过程通过用干扰过程改变现有训练数据来生成附加训练数据。因此，可以将附加数据单元添加到训练数据中。这种干扰过程可以是随机或确定性的。所施加的这种扰动(perturbation)例如模拟连接路径上的干扰，例如由身体部位或装有物品的袋子引起的干扰。在此已证明有利的是接收信号数据的直至10db极限的均匀分布噪声。
82.在一些实施例中追求借助误差模型(扩充)生成合成的训练数据。数据分析表明，在某些区域内，某些锚点在露天场中不提供信号，但在反射环境中却接收到信号。该特性可以被建模为误差模型并且用于生成此类通过环境因素产生的误差。
83.至少一些实施例因此提供区域特定的环境模型的确定。为此，车辆周围的区域例如被划分为更小的区域。可以为每个区域确定在不同环境中特征出现哪些特征性变化。从其中可以生成区域特定的环境干扰模型，即专门地为每个区域对不同环境的干扰影响建模的模型。它的应用是一种扩充，其使用记录的一个环境的训练数据来生成描述其它环境的另外的训练数据。然后可以使用这些另外的训练数据来训练机器学习模型。
84.因此，实施例提供一种在不同环境中记录测量数据的方法。在此例如可以在两种不同的指定环境(露天场、地下停车场)中记录训练数据。实施例还提供一种用于生成附加训练数据(扩充)的方法，以提高ml模型的性能。在此，基于测量训练数据的附加训练数据可以被纳入ml模型的形成中。例如现有的训练数据可以添加与位置无关的干扰过程作为附加训练数据。例如可以将空间上属于同一类别的两个点之间的附加点添加到训练中以进行扩充。例如现有的训练数据可以添加与位置有关的干扰过程作为附加训练数据。替代或附加地，附加的合成生成训练数据可以被纳入ml模型的形成中。在一些实施例中，可以在车外生成空间点并且基于物理模型计算特征值。
85.结合一个或多个先前的详细示例和附图描述的方面和特征也可以与一个或多个其它示例组合，以替换另一示例中的相同特征或将该特征额外引入另一示例。
86.示例还可以是具有程序代码的计算机程序，该程序代码用于执行一个或多个上述方法或当该计算机程序在计算机或处理器上执行时与之相关。上述方法的步骤、操作或过程可由编程的计算机或处理器来执行。示例还可涵盖程序存储装置、如数字数据存储介质，
它是机器、处理器或计算机可读的并编码机器可执行、处理器可执行或计算机可执行的指令程序。这些指令执行上述方法的一些或全部步骤或导致其执行。程序存储装置例如可以包括或可以是数字存储器、磁性存储介质、如磁盘和磁带、硬盘驱动器，或光可读数字数据存储介质。其它示例也可以包括为执行上述方法的步骤而编程的计算机、处理器或控制单元，或为执行上述方法的步骤而编程的(现场)可编程逻辑阵列((f)pla)或(现场)可编程门阵列((f)pga)。
87.说明和附图仅表示本公开的原理。此外，本文列出的所有示例原则上明确仅用于说明目的，以帮助读者理解本公开的原理和发明人为改进技术而贡献的设计方案。在此关于本公开的原理、方面和示例及其具体示例的所有陈述包括它们的等效物。
88.附图中所示的不同元件的功能，包括被称为“装置”、“用于提供信号的装置”、“用于产生信号的装置”等的每个功能块的功能可以专用硬件的形式实现、如“信号提供者”、“信号处理单元”、“处理器”、“控制装置”等以及被实现为能够结合相关软件执行软件的硬件。当由处理器提供时，功能可以由单个专用处理器、单个共享处理器或多个独立处理器提供，它们中的一些或全部可以共享。但术语“处理器”或“控制装置”绝不限于只能执行软件的硬件，而是可以包括数字信号处理器硬件(dsp硬件)、网络处理器、特定应用集成电路(asic)、现场可编程门阵列(fpga)、用于存储软件的只读存储器(rom)、随机存取存储器(ram)和非易失性存储设备。其它硬件，常规的和/或客户特定的也可包括在内。
89.框图例如可表示实现本公开的原理的粗略电路图。类似地，流程图、顺序图、状态转换图、伪代码等可表示各种过程、操作或步骤，它们例如基本上在计算机可读介质中显示并因此由计算机或处理器执行，无论是否明确示出这种计算机或处理器。在说明书或权利要求中公开的方法可由一个组件实现，该组件包括用于执行这些方法的每个步骤的装置。
90.不言而喻，除非明确或隐含地另行说明，例如出于技术原因，否则说明书或权利要求中公开的多个步骤、过程、操作或功能不应解释为按特定顺序进行。因此，多个步骤或功能的公开并不将它们限制为特定顺序，除非这些步骤或功能因技术原因不能互换。此外，在一些示例中，单个步骤、功能、过程或操作可包括和/或被分解成多个子步骤、功能、过程或操作。除非明确排除，否则这些子步骤可包括在内并构成该单个步骤公开的一部分。
91.此外，下述权利要求由此纳入详细说明书中，每项权利要求可独立作为单独的示例。虽然每项权利要求都可独立作为单独的示例，但应注意，虽然权利要求中的从属权利要求可涉及与一个或多个其它权利要求的特定组合，但其它示例也可包括从属权利要求与任何其他从属或独立权利要求的技术方案的组合。除非指出不考虑特定的组合，否则在此明确提出这些组合。此外，一项权利要求的特征也应包括在任何其它独立权利要求中，即使该权利要求没有直接引用该独立权利要求。