针对用于对机动车的认证单元定位的接收器的方法和装置与流程

1.本发明的实施例涉及针对用于对机动车的认证单元进行定位—特别是借助机动车的认证单元的周围环境信息和间距信息进行定位—的接收器的一种方法、一种装置、一种机动车和一种计算机程序，


背景技术：

2.对于使用所谓的无钥匙进入(英文为keyless-entry)系统(也称为被动进入/被动启动系统(英文为passive entry/passive gosystem))的前提在于，研发一种安全的和同时鲁棒的方法使授权用户相对于机动车得到认证。
3.属于此的也还有足够准确地估计用户或认证单元的方位，(机动车从何时起需要解锁或者应当闭锁)，并且估计认证单元(例如智能手机或智能钥匙)是处在机动车内还是机动车外，以便授权马达启动许可或拒绝马达启动许可。
4.在传统的智能钥匙中，以极低的无线电频率执行这种估计。目前，大多数被动进入系统基于lf带内(低频带，英文为low frequencyband，也称为长波带)的窄带的无线电技术。一旦智能钥匙和机动车之间的距离足够小，智能钥匙就建立起与机动车的连接。在建立连接之后，在其它lf频带中执行定位。在此，由智能钥匙发出定义的信号并且一个或多个接收天线视相对机动车的位置而定接收到具有不同的信号强度的信号。对此的原因是电磁波在不同材料内的衰减。可以视在不同的接收节点处的信号的接收功率判定，智能钥匙是否足够接近机动车或者是否处在机动车内。
5.在使用lf频率时，智能钥匙的准确定位，特别是确定智能钥匙是处在机动车内还是机动车外，可能成为问题。


技术实现要素：

6.需要提供一种用于使用作为机动车钥匙的智能钥匙的经改进的方案。
7.本公开的实施例考虑到了这个需要。
8.本公开的实施例基于这样的认识，即，可以用更高的频率改进智能钥匙的定位。
9.因为机动车呈现了复杂的几何形状，其电磁特性无法简单地计算，所以人们在此使用机器学习过程，这就是说，例如在机动车处测量训练数据，这些训练数据被传到机器学习模型(ml模型，即机器学习模型)中，因而机动车在之后就可以承担分类，即认证单元是处在机动车内还是机动车外。理想情况下涵盖了整个解决方案空间，因而所述分类在任何部位处都不会错误(错误的分类或盲点、死区)。在此，所述过程是，在一些情况中，人在限定的地点处，在机动车中、在机动车旁和/或机动车周围握着一把智能钥匙。在此，正在测量的人知道智能钥匙当前是处在内部、在外部还是在行李舱中。然后将不同的接收节点的功率值与这一认知(在内部、在外部(包含在行李舱中))相互关联。在一些情况下，是在一个没有非常详尽说明的环境中发生了对这些训练数据组的记录。这对在低频范围中的测量而言足够了，因为为此所使用的无线电频率的特性足够与环境无关，因而这种方法就够用了。紧接着
形成了ml模型并且检查该模型是否正常工作。
10.一些更为新型的智能钥匙使用不同于lf无线电的技术，即超宽带(英文为ultra wide band，简写为uwb)。这种无线电技术与lf无线电的区别基本在于，取代功率强的窄带信号(这就是说，低频信息被调制到较高的载波频率)地在shf带(英文为super high frequency，即超高频，厘米波段，3-30ghz)中传输极为宽带的、但功率弱的信号。
11.通过使用极宽的频谱(例如至少500mhz)，可以执行精确的渡越时间(tof，即time-of-flight)测量。然后可以通过tof测量通过光速的常数计算发射器和接收器之间的距离。除了tof外，同样可以将所接收到的功率(rxp，英文为receive power)用作用于距离计算的第二特征。原则上可以将数据处理的过程和ml模型的训练也应用于这种无线电技术。
12.由于电磁波的高频和因此电磁波的低波长(约3至7cm)，在发射器和接收器的周围环境中的金属物体的干扰影响远比在lf带中的干扰影响大得多。在以波长量级的导电几何形状处，电磁波的相互作用非常强烈，这就是说，波被反射、散射和衍射。lf无线电具有在个位数的公里范围内的波长量级，因此在lf无线电中关于波长与小型金属物体存在很少的相互作用。然而，在厘米范围内的波长下，车身马达机组、其它机动车、钢筋混凝土制的墙壁、栅栏等都极为有干扰性。这主要也是因为波穿入导体内的穿透深度。电磁波的频率越高，穿入导体的穿透深度就越小或者也穿透这种导体的可能性就越小。在lf无线电中，这种穿透深度约为100μm，而在shf中约为1μm。这就是说，高频率要比低频率更易于屏蔽。此外，自由空间衰减与频率成比例，这又意味着，uwb波仅由于它的频率更高而已经更为强烈地衰减。除此之外，高频波在非透明的物体，如水或空气湿气中，要比低频波衰减得更为强烈。
13.通过uwb的低波长，特别是在较高信道中出现了高的周围环境相关性。这就是说，根据用户处于哪个环境而定，例如处在自己的车库中或超市停车场或停车楼的两辆机动车之间，机动车处从认证单元接收到的信号极为不同(尽管认证单元相对机动车处于同一位置)。特别是在强烈反射的周围环境中，ml模型会失效，因为附加的反射路径和较高的接收功率与来自其它类的其它数据相交叠并且由此无法加以区分。智能钥匙的定位、特别是确定智能钥匙是处在机动车内还是机动车外，因此可能是有问题。
14.本公开的实施例涉及用于对认证单元分类、特别是对认证单元定位的算法进行改进。通过分类可以判定，认证单元(例如智能钥匙(英文为key fob)或智能手机)是处在机动车的内部空间还是外部空间中。本公开的实施例在此基于这样的认识，即，通过将认证单元的周围环境信息与认证单元到机动车的距离信息组合起来可以改进对认证单元的定位。确定认证单元的距离信息例如可能受到反射uwb波的区域、例如钢筋混凝土墙的影响并且失真，因而可能无法可靠地对认证单元定位。通过考虑到认证单元的周围环境信息，可以在对认证单元定位时考虑到反射的区域，由此可以改进定位。
15.按本发明的针对用于对机动车的认证单元定位的接收器的方法包括：确定接收器的周围环境信息；从发射器接收接收信号；和基于周围环境信息和接收信号确定发射器相对接收器的相对位置。通过确定周围环境信息，可以就在周围环境结构处的反射对接收信号进行分析。因此可以例如在确定所述相对位置时考虑到由发射器发出的发射信号在反射uwb波的周围环境结构处的反射引起的接收信号增强。由此可以更好地确定相对位置。
16.可以用不同的可能性、例如通过测量来确定周围环境信息。一种实施方式例如可以包括从另外的发射器或反射器接收另外的接收信号并且基于该另外的接收信号确定周
围环境信息。因此可以为相应的使用情形有针对性地查明周围环境信息，由此可以改进对认证单元的定位。
17.备选或附加地，确定周围环境信息可以包括就渡越时间和/或信号强度和/或信号形状对另外的接收信号进行信号分析。通过信号分析，可以基于另外的接收信号的更大的信息深度改进认证单元的定位。另一种实施方式可以包括发出发射信号以在反射器处反射，从而接收另外的接收信号。通过在反射器处的反射可以更好地确定周围环境信息。
18.此外，可以仅在特定的状况下确定周围环境信息。一种实施方式可以例如包括在确定周围环境信息之前从发射器接收启动信号。由此可以通过有针对性地、例如仅进行一次的对周围环境信息的确定来改进机动车的能量管理。
19.备选或附加地可以借助多个另外的接收信号来确定周围环境信息。由此可以在对认证单元定位时改进内插。在一种实施方式中，确定相对位置尤其可以包括借助机器学习算法的确定。
20.本公开的实施例还包括一种针对用于对机动车的认证单元定位的接收器的装置。所述装置包括用于与一个或多个发射器通信的至少一个接口和控制模块。控制模块构造用于执行对机动车的认证单元的定位。所述装置可以包括一个或多个处理器和/或一个或多个存储设备。一些实施例还提出了一种带有计算模块的机动车，其中，计算模块构造用于，在借助周围环境信息和接收信号的情况下确定发射器相对接收器的相对位置。
21.备选或附加地，在一种实施方式中，机动车可以包括一种针对用于对机动车的认证单元定位的接收器的装置。此外，在一种实施方式中，机动车还包括另外的发射器，该另外的发射器构造用于产生发射信号。此外，控制模块还构造用于从另外的发射器或反射器接收另外的接收信号并且基于该另外的接收信号确定周围环境信息。
22.本公开的实施例还包括一种带有程序代码的计算机程序，当程序代码在计算机、处理器、控制模块或可编程的硬件部件上运行时，该计算机程序执行所述方法中的至少一种方法。
附图说明
23.接下来参考附图仅示例性地更为详细地阐释装置和/或方法的一些示例。图中：
24.图1示出了按本发明的方法的一个实施例的方块图；
25.图2示出了按本发明的方法的另一个实施例的方块图；
26.图3示出了按本发明的装置的一个实施例的方块图；并且
27.图4示出了按本发明的方法的消息序列图。
具体实施方式
28.现在更为详细地参考示出了一些示例的附图来说明不同的示例。在附图中，为清晰起见，可以夸张线条、层和/或区域的尺寸。
29.当然，一个元件与另一个元件“连接”或“联接”时，这些元件可以直接地或者通过一个或多个中间元件连接或联接。当两个元件a和b在使用“或”的情况下组合时，这指的是，公开了所有可能的组合，这就是说，仅a、仅b以及a和b，除非另有明确或隐晦地定义。相同组合的备选的表述是“a和b中的至少一个”或“a和/或b”。相同的说明在作必要的修改之后适
用于多于两个元件的组合。
30.倘若没有另外定义，所有的术语(包含技术和科技术语在内)在此以它们在示例所属领域中的通常含义进行使用。
31.本公开的一些实施例一般地涉及到机动车的认证单元、例如智能钥匙在机动车的内部空间或外部空间中的定位。因此，一些实施例尤其涉及到机动车的用于无钥匙进入系统和无钥匙启动系统的认证单元。
32.图1示出了按本发明的方法的实施例的方块图。所述方法100包括：确定110接收器的周围环境信息、从发射器接收120接收信号；和基于周围环境信息和接收信号来确定130发射器相对接收器的相对位置。
33.按照本公开，一方面可以将有关机动车外的结构、即例如车库的墙壁/天花板或其它机动车的信息视作周围环境信息。此外，周围环境信息还可以包括有关机动车内的结构，即有关装载物或乘客的信息。对于确定周围环境信息而言，在此可能令人感兴趣的仅是与uwb波相互作用的结构。
34.可以例如通过查明机动车的地点来确定110周围环境信息，其中，可以周围环境信息与所查明的地点相关联。在此，可以例如借助gps定位、gsm定位、基于wlan的定位，通过由用户输入的路径信息和/或机动车的用于确定机动车的周围环境信息的传感器、如相机来查明机动车的地点。当机动车马达被手动地关断，机动车到达日常所使用的地点、例如住址或工作地址和/或相机识别到了已知的周围环境信息、例如车库时，尤其可以查明所述地点。
35.可以通过多种可行方案来为所查明的地点分配周围环境信息。所述周围环境信息可以例如包括数据组，该数据组在一个地点处确定和/或分配给一个地点。例如可以通过测量为机动车确定在停车场或停车楼中一个地点处的数据组，因而该数据组可以用于停车场或停车楼中的正好这个地点。借助测量来确定周围环境信息的数据组可以例如包括用于确定认证单元在机动车周围环境中例如在机动车内和机动车外的多个预定的位置处的不同的相对位置的测量。所述数据组可以备选或附加地分配给这个停车场或停车楼中的多个地点，例如因为停车场或停车楼中的多个地点由于低天花板高度低矮或几乎一致而相似，例如没有相邻的墙或柱的相邻的停车面。此外，可以由建筑信息已知不同的停车场或停车楼的结构相似度，因而所述数据组可以用于多个停车场或停车楼。例如可以借助地图信息已知一块开放的、平坦的场地，也称为露天场地，例如一块未耕种的农用场地，因而通过测量确定的数据组可以用于多个所述露天场地中的多个地点或任意地点。由此，可以通过确定针对一个地点的数据组并将这个数据组关联于带有与所述地点处相似的或一致的结构的其它地点来减少用于确定周围环境信息的耗费。
36.备选或附加地，地点的周围环境信息的数据组可以通过仿真、特别是物理仿真产生。换句话说，周围环境信息可以包括至少一个数据组，该至少一个数据组基于第一地点的物理仿真。因此可以例如在没有测量的情况下查明针对一个地点、例如露天场地的数据组，由此可以减少用于创建周围环境信息的数据组的测量耗费。物理仿真例如可以相应于现场仿真。为此，可以在仿真的地点处创建机动车的模型。在机动车内和外可以确定多个空间点，在所述空间点处，基于物理的参数，如自由空间衰减、通过传播介质的衰减、在机动车处和所述地点的结构处的反射、发射信号在机动车的一些部分处和所述地点的一些结构处的
阻断、渡越时间的提高和通过非视线传播的衰减等，来计算综合性的测量。在此，可以为了对机动车的地点进行仿真而不考虑机动车外的反射，因而可以产生针对露天场地的仿真。为了对另一个地点进行仿真，可以将车辆外的和可选在车辆内的多个附加的反射性表面引入到模型中。地点的周围环境信息的数据组可以备选或附加地通过ml算法确定(参看图2)。
37.可以通过机动车的锚点(anker)接收120接收信号。发射器可以例如是认证单元。换句话说，接收信号可以由认证单元发出。由认证单元发出的接收信号可以涉及uwb波。uwb波可以对应狄拉克函数或狄拉克置换函数，例如高斯曲线或洛伦兹曲线。接收信号可以仅在“视线(los，英文为line-of-sight)”路径上到达接收器，这可能例如在一个露天场地周围环境中出现。换句话说，在接收信号中可能不包含uwb波在周围环境结构处的反射。这又导致：可用性、即在接收到的数据包和所发送的数据包之间的比很低。接收信号备选可以包括被反射的部分，即“非los”路径的一些部分，也称为回波，这可能例如在有低矮的钢筋混凝土天花板的停车场或停车楼中出现。这又导致可用性提高。与此对应，对认证单元相对机动车的一致的相对位置而言，接收信号可能取决于地点而明显不同，例如在信号强度方面或所出现的回波方面明显不同。由于接收信号与地点相关，借助渡越时间-距离测量来确定相对位置尤其可能特别困难。
38.因此在确定130发射器相对接收器的相对位置时，调用了周围环境信息和接收信号。通过周围环境信息与接收信号的信息的组合，可以更为准确地确定相对位置，由此可以改进对认证单元的定位。一个地点处的接收信号可以关联于对应的相对位置。在此，认证单元相对机动车的相对位置可以例如按照两个或三个类别中的其中一个类别进行分类，例如“在机动车内部空间内”、“在机动车外”和可选“在行李舱中”。备选地，认证单元相对车辆的相对位置可以在相对车辆的基于扇形的系统中说明。例如可以通过比如在认证单元相对机动车的多个预定的相对位置处和/或有不同的结构的地点处的测量，将对应的位置分配给不同的接收信号。因此针对有不同的结构的多个地点，可以改进对认证单元的定位。
39.另一种按照方法的实施方式包括从另外的发射器或反射器接收另外的接收信号和基于所述另外的接收信号确定周围环境信息。通过接收另外的接收信号可以确定在一个地点处的周围环境信息。因此可以取消为一个地点事先生成数据组。由此可以通过确定地点的周围环境改进认证单元原则上在每个地点处的定位并且可以减少用于产生周围环境信息的所需时间。周围环境信息可以借助电磁波、例如uwb波或光波查明。另外的发射器可以是机动车的锚点。由另外的发射器发射的另外的接收信号可以针对uwb波或光波对应狄拉克函数或狄拉克置换函数、例如高斯曲线或洛伦兹曲线。从另外的发射器、例如机动车的锚点所接收到的另外的接收信号，可以仅包括非los路径。换句话说，来自另外的发射器的另外的接收信号仅包括有关在周围环境中的反射性结构的信息。该另外的发射器可以在一定的时间间隔内发射另外的接收信号，该另外的接收信号取决于周围环境地被不一样程度地反射、折射和/或散射。来自另外的发射器的另外的接收信号给出了关于周围环境的推论。这些来自另外的发射器的另外的接收信号然后可以用作ml算法中的另外的特征。时间间隔可以发生改变，另外的发射器可以例如交替地在时间x内发射多个另外的接收信号以确定周围环境信息并且然后在时间y内不发射另外的接收信号以减少能耗。由此可以定期地并且伴随能耗减少地更新周围环境信息。另外的发射器可以集成到接收器中或者另外的发射器和接收器可以由一个构件形成，例如另外的发射器和接收器可以由机动车的锚点形
成。按本发明的方法由此可以只使用在机动车中存在的基础设施执行。
40.反射器可以是所述地点的周围环境中的与电磁波、例如uwb波或光波或声波相互作用的结构。反射器的所接收到的另外的接收信号可以既包括los路径也包括非los路径。反射器可以反射外部来源的、例如太阳或无线电网络的信号，因而通过使用反射器可以降低用于发出信号的能量需求。例如可以通过相机拍摄识别诸如停车场或停车楼中的停车位之类的结构并且确定它的尺寸大小。在这个基础上，可以创建针对所述地点的周围环境信息，例如通过将数据组分配给其它地点的相似的周围环境。这种做法是光波应用的示例，但也可以用于任意形式的电磁波、例如uwb波，或者其它的波形，例如声波。
41.在另一种按方法的实施方式中，确定周围环境信息包括就渡越时间和/或信号强度和/或信号形状对另外的接收信号进行信号分析。通过查明渡越时间和/或信号强度和/或信号形状可以例如通过分配数据组来改进对周围环境信息的确定。通过额外查明的参数，即渡越时间、信号强度和/或信号形状，可以更好地彼此区分有相似的周围环境的不同的地点。由此可以在将数据组分配给地点时作出更好的选择，因而可以改进认证装置的定位。此外，可以将附加的参数用作ml模型的特征。所述方法备选或附加地也可以包括发射发射信号以在反射器处反射，以便接收另外的接收信号。通过发射发射信号以在反射器处反射，可以在发射信号和所述另外的接收信号之间进行比较。例如可以通过发射信号的或所述另外的接收信号的渡越时间分析(tof)执行tof距离测量。由此可以改进对周围环境的规模大小的确定。此外，可以通过确切已知的发射信号改进对通过周围环境的结构的回波的评估。也可以借助在发射信号和所述另外的接收信号之间的信号强度的改变推断出周围环境的结构的特性、例如材料。由此可以在将数据组分配给地点时作出更好的选择，因而可以改进对认证装置的定位。此外，可以将有效的数据库供应给ml算法。
42.另一种按方法的实施方式包括在确定周围环境信息之前从发射器接收启动信号。通过从发射器接收启动信号可以在发射器处于有效距离内时才确定周围环境信息。地点的周围环境例如可以通过其它车辆进入停车和/或退出停车而改变。通过例如经由蓝牙接收启动信号，可以降低用于确定周围环境信息的能量需求，因为可以避免持续运行并且仅在需要时才确定周围环境信息。
43.另一种按方法的实施方式包括借助多个另外的接收信号确定周围环境信息。通过使用多个另外的接收信号可以改进对周围环境信息的确定，例如通过分配数据组。通过附加的另外的接收信号可以更好地彼此区分有相似的周围环境的不同的地点。由此可以在将数据组分配给地点时作出更好的选择，从而可以改进认证单元的定位。此外，可以将附加的另外的接收信号用于针对ml算法的应用。所述多个另外的接收信号可以通过多个另外的发射器发射。所述多个另外的接收信号可以通过多个接收器接收。所述另外的发射器的数量可以与接收器的数量一致。各一个另外的发射器可以例如集成到各一个接收器中。所述多个另外的发射器和所述多个接收器可以例如由机动车的多个锚点形成。按本发明的方法因此可以单独用机动车中存在的基础设施执行。所述多个锚点中的锚点可以同时和/或交替地发射发射信号。由锚点发射的发射信号、例如uwb发射信号，可以被同一个锚点接收并加以分析。由锚点发射的发射信号、例如uwb发射信号，可以由机动车的所有其它的锚点接收并加以分析。由此可以提高针对数据组的分配和/或ml算法的信息深度。所述多个另外的发射器例如交替地发射发射信号，发射信号取决于周围环境地被不一样程度地反射、折射和/
或散射。被所述多个接收器接收的另外的接收信号给出了周围环境的推论。这些接收到的信号然后可以用作ml算法中的另外的特征。
44.所述方法和所述装置的更多的细节和方面结合之前或之后(图2-4)说明的方案或示例提到。所述方法和所述装置可以包括一个或多个附加的可选的特征，它们对应所建议的方案的或所说明的示例的一个或多个方面，如之前或之后所说明的那样。
45.图2示出了按本发明的方法的实施例的方块图。在方法100a中，确定相对位置包括借助机器学习模型进行确定130a。此外，还包括训练105机器学习模型、确定110接收器的周围环境信息、将周围环境信息作为训练数据组传送115给机器学习算法、从发射器接收120接收信号以及基于周围环境信息和接收信号借助机器学习模型确定130a相对位置。
46.为了改进用于对认证单元分类的ml算法，人们可以借助机动车的已经安装的可以用作另外的发射器和接收器的收发器来执行周围环境分析，以便因此可以利用另外的特征来改进分类。
47.ml算法通常基于ml模型。换句话说，术语“ml算法”可以指的是一组指令，它们可以用于创建、训练或使用ml模型。术语“ml模型”可以指的是代表所学知识的数据结构和/或一组规则(例如基于由机器学习算法实施的训练)。在一些实施例中，使用ml算法可以暗含使用一个基础的ml模型(或多个基础的ml模型)。使用ml模型可以暗示，通过ml算法来训练ml模型和/或是ml模型的数据结构和/或一组规则。
48.ml模型可以例如是人工神经网络(英文为artificial neural network，缩写成ann)。ann是受如在视网膜或大脑中发现的那些生物神经网络启发的系统。ann包括多个中间连接的节点和节点之间的多个连接，即所谓的边(edge)。通常存在三种节点类型，即：输入节点，其接收输入值；隐藏节点，其(仅)与其它节点连接；和输出节点，其提供输出值。每个节点可以代表人工神经元。每条边可以从一个节点到另一个节点地发送信息。节点的输出可以定义为输入的(非线性的)函数(例如其输入的总和)。节点的输入可以在函数中基于边的或提供输入的节点的“权重”使用。节点的和/或边的权重可以在学习过程中进行调整。换句话说，训练aan可以包括调整aan的节点的和/或边的权重，这就是说，以便达到针对特定的输入的期望的输出。
49.ml模型备选可以是支持向量机、随机森林模型或梯度提升模型。支持向量机(这就是说，支持向量网络)是带有所分配的学习算法的监督学习模型，其可以用于分析数据(例如在分类分析或回归分析中)。支持向量机可以通过提供带有多个属于两个类别中的其中一个类别的训练输入值的输入进行训练。支持向量机可以被训练用于将一个新的输入值指派给两个类别中的其中一个类别。ml模型备选可以是贝叶斯网络，其是概率性的有向无环图模型。贝叶斯网络可以在使用有向无环图的情况下代表一组随机变量和它们的有条件的相关性。ml模型备选可以基于遗传算法，遗传算法是一种搜索算法和启发式技术，其模仿自然选择的过程。
50.ml算法可以涉及到统计学模型，统计学模型可以使用计算机系统，以便在不使用明确的指令的情况下实施特定的任务，而不是依赖模型和推理。在机器学习时，可以例如取代数据的基于规则的转换，使用可以从历史数据的和/或训练数据的分析推导出的数据的转换。机器学习用于多个应用，例如用于图像数据中的物体识别、预测时间序列、模式分析等。在此，通常充分利用的是，为了训练应当实施特定的任务的ml模型，即所谓的模型的“训
练”，所谓的训练数据，即代表预期从相应的ml模型转换的示例的数据，在许多情况下足以作为基础。
51.例如可以在使用ml模型的情况下或者在使用ml算法的情况下分析图像的内容。为了使ml模型可以分析图像的内容，可以在将训练图像用作输入并且训练内容信息用作输出的情况下来训练ml模型。通过用大量训练图像和/或训练序列(例如词或句)和相关联的训练内容信息(例如标记或标注)来训练ml模型，ml模型“学会了”识别图像的内容，从而在使用ml模型的情况下可以识别没有包含在训练数据中的图像的内容。相同的原理可以同样适用于其它类型的传感器数据：通过在使用训练传感器数据和期望的输出的情况下训练ml模型，ml模型“学会了”在传感器数据和输出之间的转化，这可以用于，基于提供给ml模型的非训练传感器数据提供输出。所提供的数据(例如传感器数据、元数据和/或图像数据)可以被预处理，以便获得用作ml模型的输入端的特征向量。
52.认证单元可以是智能钥匙(英文为key fob)或移动设备，如可编程的移动电话(智能手机)或所谓的可穿戴设备(可以穿戴在身体上的移动设备)。在认证单元和机动车之间的距离的tof距离测量和所述另外的接收信号可以基于超宽带(uwb)信号传输的一个或多个信号。但其它的高频的(hf，也称为射频，rf)或低频(lf)的信号传输也可以用于认证单元和机动车之间的距离的tof距离测量并且用于所述另外的接收信号。
53.在认证单元和机动车之间的距离的tof距离测量和所述另外的接收信号可以用作ml模型的输入值，并且有关认证单元相对机动车的相应的相对位置的信息可以由ml算法作为输出值提供。备选地，所述另外的接收信号可以用作ml模型的输入值，并且ml算法的周围环境信息可以作为输出值提供。在此，输入值也称为所谓的特征(英文为feature)。为了训练ml模型(在使用所谓的监督学习(supervised-learning)方法的情况下)，将对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ml算法被训练成提供转换，所述转换针对所有的训练数据组从训练输入数据产生了对应的输出数据。
54.ml模型可以在使用训练输入数据的情况下被训练。上面提到的示例使用称为“监督学习”的训练方法。在监督学习时，ml算法在使用大量训练数据单元的情况下进行训练，其中，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的输出值，这就是说，将期望的输出值分配给一个或多个训练输入数据的组合。ml算法通过既给出训练输入数据也给出期望的输出值“学习到”，可以基于与在训练期间提供的训练输入数据类似的输入数据提供哪种输出值。在所提出的方法中，对在认证单元和机动车之间的距离的tof距离测量的数据和所述另外的接收信号，因此也代表了训练输入数据，并且认证单元相对机动车的相对位置代表了输出数据，即也代表了训练输出数据。换句话说，就此来训练ml模型，即，当在认证单元和机动车之间的距离的tof距离测量的数据和所述另外的接收信号施加在或者施加到ml模型的输入端上时，输出认证单元相对机动车的位置。
55.在当前情况下，ml模型被训练成，基于所述另外的接收信号执行对周围环境信息的确定。为此，可以将所述另外的接收信号的渡越时间和/或信号强度和/或信号形状用作输入数据和/或用作针对ml模型的训练输入数据。换句话说，ml模型被训练成，基于所述另外的接收信号的数据执行对周围环境信息的确定。备选或附加地，ml模型可以被训练成，基于接收信号和所述另外的接收信号执行对认证单元相对机动车的相对位置的确定。换句话说，ml模型被训练成，基于接收信号的和所述另外的接收信号的数据执行对周围环境信息
的确定。
56.一旦车辆对环境进行了分析，就进行训练数据记录。训练数据然后与周围环境分析的特征相关联并且在此基础上形成了ml模型，这在现在提供了更好的内部空间/外部空间识别。一旦机动车获得了正在接近的认证单元的信号，机动车就分析周围环境并且除了其来自接收信号的数据外还将其来自另外的接收信号的数据馈送到ml算法中，用接收信号可以执行认证单元相对机动车的tof距离测量。在此，所接收的信号的渡越时间、信号强度和信号形状与发射信号的已发送的信号形状是相关的。直接的路径，即los路径，可以从所述另外的接收信号过滤出，因为其内没有发现任何周围环境信息。原理与uwb雷达类似。换句话说，所述另外的接收信号的和发射信号的信息可以用作ml模型的特征。由此可以在机动车运行期间对ml模型进行训练。ml模型的训练可以通过针对一个地点的周围环境的ml算法的输出数据与分配给这个地点的数据组的比较得到改进。地点例如可以具有刚性的周围环境结构、例如低矮的钢筋混凝土天花板，和可以运动的结构，例如正在停车的汽车。ml算法的输出数据然后可以在确定刚性的周围环境结构方面与地点的所分配的数据组相比较并且查明偏差。换句话说，分配给地点的数据组可以用作训练输出数据。备选或附加地，用于训练ml模型的训练输入数据和训练输出数据可以在一个能创建明确定义的周围环境的地点处、例如实验室中产生。在这个地点处，可以借助网格将周围环境分解成一些分区，因而训练输出数据，即期望的输出值，对小的分区而言是已知的，并且可以传送给ml模型。然后可以用由所述另外的接收信号给定的训练输入数据组来训练ml模型。
57.因此在另外的按本发明的方法100a中，借助训练数据来训练ml模型。训练数据在此可以仅包括有关周围环境的信息，所述信息可以借助另外的接收信号确定。训练数据然后可以用于训练ml模型，因而ml算法以另外的接收信号为出发点提供周围环境信息，即，换句话说，提供针对地点的数据组作为输出。用这种输出和发射信号然后可以改进对机动车的认证单元的相对位置的确定。备选或附加地，用于训练ml模型的训练数据可以包含发射信号的信息、例如认证单元相对机动车的tof距离测量。ml算法的输出然后可以是机动车的认证单元的相对位置，因此可以改进机动车的认证单元的相对位置的确定。
58.当然，上述示例并不局限于一个另外的接收信号和/或一个周围环境，而是适用于多个另外的接收信号和/或多个周围环境。例如可以在实验室中生成带有多个另外的接收信号和/或多个明确定义的周围环境的多个训练数据组。
59.所述方法的和所述装置的更多的细节和方面结合之前(图1)或之后(图3-4)说明的方案或示例提到。所述方法和所述装置可以包括一个或多个附加的可选的特征，它们对应所建议的方案或所说明的示例的一个或多个方面，如之前或之后所说明的那样。
60.图3示出了按本发明的装置的实施例的方块图。装置10包括用于对机动车的认证单元定位的接收器，带有用于与一个或多个另外的发射器通信的至少一个接口14和构造用于执行按本发明的方法的控制模块16。所述装置可选可以具有一个或多个另外的发射器24和一个或多个存储器18。所述装置的功能性通常——在借助可选的另外的发射器24和/或可选的存储器18的情况下——由控制模块16和接口14提供。
61.接口14可以例如对应用于，例如以数字的比特值、基于代码，在模块内、在模块之间或者在不同的实体的模块之间接收和/或传输信息的一个或多个输入端和/或一个或多个输出端。
62.在一些实施例中，控制模块16可以对应任意的控制器或处理器或可编程的硬件部件。控制模块16例如也可以实现为软件，其对相应的硬件部件编程。就此而言，控制模块16可以被实现为有相应匹配的软件的可编程的硬件。在此，可以使用任意的处理器，如数字信号处理器(dsp)。实施例在此并不局限于特定类型的处理器。可以想到任意的处理器或者多个处理器以用于实现。
63.一个或多个存储设备18可以例如包括由计算机可读的存储介质、磁性的存储介质、光学的存储介质、硬盘、闪存、软盘、随机存取存储器(英文也称为random access memory)、可编程只读存储器(prom)、可擦除可编程只读存储器(eprom)、电子可擦除可编程只读存储器(eeprom)和网络存储器构成的组中的至少一个元件。
64.此外，图3还示出了可选的机动车100，该机动车包括装置10。附加地，机动车100还可以包括另外的发射器24，该另外的发射器构造用于产生发射信号，并且控制模块还构造用于从另外的发射器或反射器接收另外的接收信号并且基于所述另外的接收信号确定周围环境信息。
65.所述方法的和所述装置的更多的细节和方面结合之前(图1-2)或之后(图4)说明的方案或示例提到。所述方法和所述装置可以包括一个或多个附加的可选的特征，它们对应所建议的方案或所说明的示例的一个或多个方面，如之前或之后所说明的那样。
66.图4示出了按本发明的方法的消息序列图。方法100b包括用于发射/接收信号的发射器12、用于接收信号的接收器22、用于发射信号的另外的发射器24、用于反射信号的反射器26和用于输出输出值的带有ml算法的ml模型28。通过由发射器12、例如认证单元发射启动信号、例如蓝牙信号，可以通知接收器22发射器12的存在。接收器22然后促使另外的发射器24将识别信号发送给发射器12。发射器12作为对识别信号的应答将接收信号发送给接收器。由接收信号然后可以执行发射器12相对接收器22的tof距离测量。此外，接收器22可以促使所述另外的发射器24发射一个发射信号。该发射信号然后可以在反射器26处被反射，由此产生了另外的接收信号，该另外的接收信号可以由接收器22接收。基于发射信号和所述另外的接收信号，可以确定所述地点的周围环境并且结合tof距离测量可以确定认证单元相对机动车的相对位置。备选或附加地，可以借助ml模型确定所述地点的周围环境。为此可以将来自发射信号和所述另外的接收信号的数据作为特征传送给ml模型28。ml算法然后可以提供周围环境信息作为输出值。用这个周围环境信息和tof距离测量然后可以确定认证单元相对机动车的相对位置。此外，接收信号可以附加地作为特征传送给ml模型28。ml算法然后可以提供认证单元相对机动车的相对位置作为输出值。可选地，在到达地点时、例如在到达导航设备所说明的行驶目的地时并且可选地在机动车马达停止时，可以通过另外的发射器24发出训练信号。训练信号可以用于在反射器26处反射，由此可以由接收器22从反射器26接收“接收训练信号”。接收训练信号可以以训练数据的形式传送给ml模型。当然，所述至少一个接口和控制模块以及可选存储器被这样设置，以执行所说明的方法。
67.所述方法的和所述装置的更多的细节和方面结合之前(图1-3)说明的方案或示例提到。所述方法和所述装置可以包括一个或多个附加的可选的特征，它们对应所建议的方案或所说明的示例的一个或多个方面，如之前或之后所说明的那样。
68.和之前详细说明的示例和附图中的一个或多个一起说明的方面和特征，也可以与其它示例中的一个或多个示例组合，以便替代其它示例的相同的特征或者将所述特征额外
引入到其它示例中。
69.示例还可以是或者涉及到带有程序代码的计算机程序，当计算机程序在计算机上或处理器上运行时，实施上述方法中的一种或多种方法。上述不同的方法的步骤、运算或过程可以通过经编程的计算机或处理器运行。示例也可以覆盖程序存储装置、如数字数据存储介质，它们是能机读的、能处理器读取的或能计算机读取的并且编译指令的能用机器运行的、能用处理器运行的或能用计算机运行的程序。所述指令实施上述方法中的一些或全部的步骤或者引发了它们的实施。程序存储装置可以例如包括或者是数字存储器、诸如磁盘和磁带之类的磁性存储介质、硬盘驱动器或光学可读的数字数据存储介质。另外的示例也可以涵盖为实施上述方法的步骤而编程的计算机、处理器或控制单元，或为实施上述方法的步骤而编程的(现场)可编程逻辑阵列((f)pla＝(field)progammable logic array)或(现场)可编程门阵列((f)pga＝(field)progammable gate array)。
70.通过说明书和附图仅示出了公开文本的基本原理。此外，所有在此列举的示例原则上应当明确地仅用于说明的目的，在理解本公开的基本原理和发明人提出的用于继续研发技术方案时支持读者。所有在此就公开文本的基本原理、方面和示例所作的陈述以及同一公开文本的具体的示例包括其对应内容。
71.在附图中示出的不同的元件的功能，包括任意称为“器件”、“用于提供信号的器件”、“用于产生信号的器件”等的功能块在内，可以以专用硬件的形式，例如“信号提供者”、“信号处理单元”、“处理器是”、“控制机构”等的形式实现，以及实现为能够结合相关软件来运行软件的硬件。在通过处理器提供时，所述功能可以通过单个专用的处理器、通过单独的公用的处理器或者通过多个单独的处理器提供，这些处理器中的一些处理器或这些处理器中的所有处理器都可以公用。然而术语“处理器”或“控制机构”远不局限于仅能用于运行软件，而是可以包括数字信号处理器硬件(dsp硬件；dsp＝digital signal processor)、网络处理器、专用集成电路(asic＝application specific integrated circuit)、现场可编程门阵列(fpga＝field programmable gate array)、用于存储软件的只读存储器(rom＝read only memory)、随机存取存储器(ram＝random access memory)和非易失的存储装置(storage)。也可以包括其它常规的和/或客户定制的硬件。
72.方块图可以例如代表实现本公开的基本原理的粗略的电路图。程序框图、流程图、状态转换图、伪代码和类似物可以以相似的方式代表不同的过程、运算或步骤，它们例如基本上在计算机可读的介质中示出并且因此由计算机或处理器实施，无论这种计算机或处理器是否被明确示出。在说明书中或权利要求中公开的方法可以通过一种结构元件实现，该结构元件具有用于实施这种方法的任意相应的步骤的器件。
73.当然，除非明确或隐晦地另行说明，例如出于技术原因，在说明书或权利要求中公开的多个步骤、过程、运算或功能的公开不应设计成按特定顺序存在。因此，这些步骤或功能通过多个步骤或功能的公开并不限于特定的顺序，除非这些步骤或功能因技术原因不能更换。此外，在一些示例中，一个单独的步骤、功能、过程或运算可以包括和/或被分解成多个分步骤、分功能、分过程或分运算。除非没有明确排除，否则这些分步骤可以包括在内，并构成这个单一步骤的公开的一部分。
74.此外，随后的权利要求在此被采纳到详细的说明书中，在说明书中，每个权利要求可以作为单独的示例独立存在。虽然每项权利要求可以作为单独的示例独立存在，但要注
意的是，尽管从属权利要求在权利要求中可能涉及到与一项或多项其它权利要求的特定组合，但其它示例也可能包括从属权利要求与任意其它从属的或独立的权利要求的主题的组合。在此明确建议了这些组合，倘若没有说明特定的组合不是有意为之的话。此外，一项权利要求的特征也应当被任意其它独立权利要求包含在内，即使这项权利要求没有直接从属于该独立权利要求。