Title:
Verfahren zur Überwachung eines induktiven Ladevorgangs
Kind Code:
A1


Abstract:

Es wird ein Verfahren (410) zur Überwachung eines induktiven Ladevorgangs beschrieben, bei dem elektrische Energie zum Laden eines elektrischen Energiespeichers (103) eines Fahrzeugs (100) von einer Primärspule (111) über einen Überbrückungsraum an eine Sekundärspule (121) des Fahrzeugs (100) übertragen wird. Das Verfahren (410) umfasst das Erfassen (411) einer Vielzahl von aktuellen Messwerten durch mehrere Sensorelemente (201) eines Sensorsystems (200), das zwischen der Primärspule (111) und der Sekundärspule (121) angeordnet ist, wobei die Vielzahl von aktuellen Messwerten einer aktuellen Ausprägung eines Messvektors entspricht. Außerdem umfasst das Verfahren (410) das Zuordnen (412) der aktuellen Ausprägung des Messvektors zu einer Klasse aus einer Mehrzahl von unterschiedlichen Klassen mittels eines Klassifikators; wobei der Klassifikator eingerichtet ist, einen Raum von möglichen Ausprägungen des Messvektors auf die Mehrzahl von unterschiedlichen Klassen aufzuteilen. Die unterschiedlichen Klassen sind dabei mit unterschiedlichen Auswirkungen auf den induktiven Ladevorgang verknüpft.




Inventors:
Krammer, Josef, Dr. (83607, Holzkirchen, DE)
Application Number:
DE102016217704A
Publication Date:
03/15/2018
Filing Date:
09/15/2016
Assignee:
Bayerische Motoren Werke Aktiengesellschaft, 80809 (DE)
International Classes:
Domestic Patent References:
DE102009033237A1N/A2011-01-20



Foreign References:
201300694412013-03-21
201602825002016-09-29
Other References:
Campell, Ying: Learning with Support Vector Machines. Williston : Morgen and Claypool, 2011. - ISBN 9781608456161
Claims:
1. Verfahren (410) zur Überwachung eines induktiven Ladevorgangs, bei dem elektrische Energie zum Laden eines elektrischen Energiespeichers (103) eines Fahrzeugs (100) von einer Primärspule (111) über einen Überbrückungsraum an eine Sekundärspule (121) des Fahrzeugs (100) übertragen wird; wobei das Verfahren (410) umfasst,
– Erfassen (411) einer Vielzahl von aktuellen Messwerten durch mehrere Sensorelemente (201) eines Sensorsystems (200), das zwischen der Primärspule (111) und der Sekundärspule (121) angeordnet ist; wobei die Vielzahl von aktuellen Messwerten einer aktuellen Ausprägung eines Messvektors entspricht; und
– Zuordnen (412) der aktuellen Ausprägung des Messvektors zu einer Klasse aus einer Mehrzahl von unterschiedlichen Klassen mittels eines Klassifikators; wobei der Klassifikator eingerichtet ist, einen Raum von möglichen Ausprägungen des Messvektors auf die Mehrzahl von unterschiedlichen Klassen aufzuteilen; wobei der Klassifikator einen Maschinen-erlernten Klassifikator umfasst; und wobei die unterschiedlichen Klassen mit unterschiedlichen Auswirkungen auf den induktiven Ladevorgang verknüpft sind.

2. Verfahren (410) gemäß Anspruch 1, wobei
– die Mehrzahl von unterschiedlichen Klassen eine erste Klasse und eine zweite Klasse umfasst; und
– die erste Klasse anzeigt, dass sich zwischen der Primärspule (111) und der Sekundärspule (121) ein für den Ladevorgang relevantes ferromagnetisches und/oder elektrisch leitendes Objekt befindet, und die zweite Klasse anzeigt, dass sich zwischen der Primärspule (111) und der Sekundärspule (121) kein für den Ladevorgang relevantes ferromagnetisches und/oder elektrisch leitendes Objekt befindet; oder
– die erste Klasse anzeigt, dass der induktive Ladevorgang abgebrochen werden muss, und die zweite Klasse anzeigt, dass der induktive Ladevorgang fortgeführt werden kann.

3. Verfahren (410) gemäß einem der vorhergehenden Ansprüche, wobei
– die Sensorelemente (201) Sensorspulen umfassen, die an unterschiedlichen Stellen auf einer Fläche, insbesondere auf einer Ebene, zwischen der Primärspule (111) und der Sekundärspule (121) angeordnet sind;
– die Sensorspulen insbesondere unterschiedliche räumliche Dimensionen aufweisen; und
– sich die Sensorspulen insbesondere zumindest teilweise überlappen.

4. Verfahren (410) gemäß einem der vorhergehenden Ansprüche, wobei
– die Vielzahl von aktuellen Messwerten einer entsprechenden Vielzahl von Messgrößen entspricht, die durch die Sensorelemente (201) erfasst werden können;
– der Messvektor die Vielzahl von Messgrößen als Vektordimensionen umfasst;
– die Vielzahl von Messgrößen M Messgrößen umfasst, die jeweils einen möglichen Wertebereich aufweisen;
– der Messvektor einen M-dimensionalen Raum aufspannt, der durch die möglichen Wertebereiche der M Messgrößen begrenzt ist;
– Werte der Vielzahl von Messgrößen von ein oder mehreren ferromagnetischen und/oder elektrischen Eigenschaften des Überbrückungsraums zwischen der Primärspule (111) und der Sekundärspule (121) abhängt; und
– die Vielzahl von Messgrößen ein oder mehrere anzeigt:
– Information in Bezug auf ein Abklingverhalten eines von einem Sensorelement (201) generierten Magnetfelds;
– Information in Bezug auf eine bzw. einen in einem Sensorelement (201) durch ein Magnetfeld induzierte Spannung bzw. induzierten Strom;
– Information in Bezug auf eine Phasenverschiebung zwischen Spannungen bzw. Strömen in unterschiedlichen Sensorelementen (201);
– Information in Bezug auf eine Resonanzfrequenz eines Sensorelements (201); und/oder
– Information in Bezug auf eine magnetische Kopplung zwischen zwei unterschiedlichen Sensorelementen (201).

5. Verfahren (410) gemäß einem der vorhergehenden Ansprüche, wobei
– der Klassifikator eine Support Vector Machine und/oder ein neuronales Netzwerk umfasst; und/oder
– der Klassifikator auf Basis von real gemessenen Trainingsdaten angelernt wurde.

6. Verfahren (400) zur Ermittlung eines Klassifikators für die Überwachung eines induktiven Ladevorgangs, bei dem elektrische Energie zum Laden eines elektrischen Energiespeichers (103) eines Fahrzeugs (100) von einer Primärspule (111) über einen Überbrückungsraum an eine Sekundärspule (121) des Fahrzeugs (100) übertragen wird; wobei das Verfahren (400) umfasst,
– Ermitteln (401) von Trainingsdaten mit einer Vielzahl von Trainings-Datensätzen; wobei ein Trainings-Datensatz eine tatsächliche Ausprägung eines Messvektors und eine tatsächliche Klasse aus einer Mehrzahl von möglichen Klassen anzeigt; wobei die tatsächliche Ausprägung des Messvektors einer Vielzahl von tatsächlichen Messwerten mehrerer Sensorelemente (201) eines Sensorsystems (200) entspricht, das zwischen der Primärspule (111) und der Sekundärspule (121) angeordnet ist; wobei die unterschiedlichen möglichen Klassen mit unterschiedlichen Auswirkungen auf einen induktiven Ladevorgang verknüpft sind; und
– Anlernen (402) eines Klassifikators anhand der Trainingsdaten, so dass der Klassifikator einen Raum von möglichen Ausprägungen des Messvektors auf die Mehrzahl von möglichen Klassen aufteilt.

7. Verfahren (400) gemäß Anspruch 6, wobei der Klassifikator derart angelernt wird, dass
– ein Anteil an korrekten Zuordnungen der tatsächlichen Ausprägungen des Messvektors zu Klassen vergrößert, insbesondere maximiert, wird; und/oder
– ein Abstand der tatsächlichen Ausprägungen des Messvektors zu Grenzen zwischen den unterschiedlichen möglichen Klassen vergrößert, insbesondere maximiert, wird.

8. Verfahren (400) gemäß einem der Ansprüche 6 bis 7, wobei das Ermitteln eines Trainings-Datensatzes umfasst,
– Platzieren eines Objektes in dem Überbrückungsraum zwischen der Primärspule (111) und der Sekundärspule (121) eines Testfahrzeugs (100) während eines induktiven Ladevorgangs;
– Erfassen der Vielzahl von tatsächlichen Messwerten durch die Sensorelemente (201) des Sensorsystems (200) des Testfahrzeugs (100); und
– Bestimmen der tatsächlichen Klasse in Abhängigkeit von einer ferromagnetischen und/oder elektrischen Eigenschaft des Objekts und/oder in Abhängigkeit von einer Stelle bzw. einer Orientierung, an bzw. in der das Objekt in dem Überbrückungsraum platziert wurde.

9. Verfahren (400) gemäß Anspruch 8, wobei
– das Bestimmen der tatsächlichen Klasse umfasst, Erfassen von Information in Bezug auf eine Änderung einer Temperatur des Objekts während des induktiven Ladevorgangs; und
– die tatsächliche Klasse in Abhängigkeit von der Information in Bezug auf die Änderung der Temperatur bestimmt wird.

10. Verfahren (400) gemäß einem der Ansprüche 8 bis 9, wobei
– das Objekt an unterschiedlichen Stellen und/oder in unterschiedlichen Orientierungen in dem Überbrückungsraum platziert wird; und
– die Trainingsdaten unterschiedliche Trainings-Datensätze für die unterschiedlichen Stellen und/oder die unterschiedlichen Orientierungen umfasst.

11. Verfahren (400) gemäß einem der Ansprüche 8 bis 10, wobei das Objekt automatisch durch einen Roboter in dem Überbrückungsraum platziert wird.

12. Verfahren (400) gemäß einem der Ansprüche 6 bis 11, wobei das Ermitteln einer Vielzahl von Trainings-Datensätzen umfasst,
– Positionieren der Primärspule (111) und der Sekundärspule (121) in unterschiedlichen Relativpositionen zueinander; und
– Bestimmen der tatsächlichen Klasse von unterschiedlichen Trainings-Datensätzen in Abhängigkeit von der jeweiligen Relativposition der Primär- und Sekundärspule (111, 121) zueinander.

Description:

Die Erfindung betrifft ein Verfahren zur Überwachung eines induktiven Ladevorgangs, insbesondere zur Erkennung von ferromagnetischen und/oder elektrisch leitenden Störobjekten bei einem induktiven Ladevorgang eines Fahrzeugs.

Fahrzeuge mit Elektroantrieb verfügen typischerweise über eine Batterie (d. h. über einen elektrischen Energiespeicher), in der elektrische Energie zum Betrieb einer Elektromaschine des Fahrzeugs gespeichert werden kann. Die Batterie des Fahrzeugs kann mit elektrischer Energie aus einem Stromversorgungsnetz aufgeladen werden. Zu diesem Zweck wird die Batterie mit dem Stromversorgungsnetz gekoppelt, um die elektrische Energie aus dem Stromversorgungsnetz in die Batterie des Fahrzeugs zu übertragen. Die Kopplung kann drahtgebunden (über ein Ladekabel) und/oder drahtlos (anhand einer induktiven Kopplung zwischen einer Ladestation und dem Fahrzeug) erfolgen.

Ein Ansatz zum automatischen, kabellosen, induktiven Laden der Batterie des Fahrzeugs besteht darin, dass vom Boden zum Unterboden des Fahrzeugs über magnetische Induktion über die Unterbodenfreiheit elektrische Energie zu der Batterie übertragen wird. Dies ist beispielhaft in 1 dargestellt. Insbesondere zeigt 1 ein Fahrzeug 100 mit einem Energiespeicher 103 für elektrische Energie (z. B. mit einer aufladbaren Batterie 103). Das Fahrzeug 100 umfasst eine Sekundärspule 121 im Fahrzeug-Unterboden, wobei die Sekundärspule 121 über eine nicht gezeigte Impedanzanpassung und einen Gleichrichter 101 mit dem Speicher 103 für elektrische Energie verbunden ist. Die Sekundärspule 121 ist typischerweise Teil einer sogenannten „Wireless Power Transfer” (WPT) Fahrzeugeinheit 120 bzw. Sekundäreinheit 120.

Die Sekundärspule 121 der WPT-Fahrzeugeinheit 120 kann über einer Primärspule 111 positioniert werden, wobei die Primärspule 111 z. B. auf dem Boden einer Garage angebracht ist. Die Primärspule 111 ist typischerweise Teil einer sogenannten WPT-Bodeneinheit 110 bzw. Primäreinheit 110. Die Primärspule 111 ist mit einer Stromversorgung 113 verbunden.

Die Stromversorgung 113 kann einen Radio-Frequenz-Generator bzw. Wechselrichter umfassen, der einen AC (Alternating Current) Strom in der Primärspule der WPT-Bodeneinheit 110 erzeugt (der in diesem Dokument auch als Primärstrom bezeichnet wird), wodurch ein magnetisches Feld (insbesondere ein magnetisches Ladefeld) induziert wird. Das magnetische Ladefeld kann eine Frequenz aus einem vordefinierten Ladefeld-Frequenzbereich aufweisen. Die Ladefeld-Frequenz des elektromagnetischen Ladefelds kann im Bereich von 80–90 kHz (insbesondere bei 85 kHz) liegen.

Bei ausreichender magnetischer Kopplung zwischen Primärspule 111 der WPT-Bodeneinheit 110 und Sekundärspule 121 der WPT-Fahrzeugeinheit 120 über die Unterbodenfreiheit 130 wird durch das magnetische Feld eine entsprechende Spannung und damit auch ein Strom in der Sekundärspule 121 induziert (der in diesem Dokument auch als Sekundärstrom bezeichnet wird). Der induzierte Strom in der Sekundärspule 121 der WPT-Fahrzeugeinheit 120 wird durch den Gleichrichter 101 gleichgerichtet und im Speicher 103 gespeichert. So kann elektrische Energie kabellos von der Stromversorgung 113 zum Energiespeicher 103 des Fahrzeugs 100 übertragen werden. Der Ladevorgang kann im Fahrzeug 100 durch ein Lade-Steuergerät 105 gesteuert werden. Das Lade-Steuergerät 105 kann zu diesem Zweck eingerichtet sein, z. B. drahtlos (etwa über WLAN), mit der WPT-Bodeneinheit 110 zu kommunizieren.

Während eines Ladevorgangs können metallische Objekte in dem Luftspalt zwischen der WPT-Bodeneinheit 110 und der WPT-Fahrzeugeinheit 120 angeordnet sein, die durch das magnetische Feld erwärmt werden. Beispielsweise kann während eines Ladevorgangs ein metallisches Objekt unter das zu ladende Fahrzeug 100 rollen. Um ein übermäßiges Erhitzen von derartigen Objekten zu verhindern, kann der Luftspalt zwischen der WPT-Bodeneinheit 110 und der WPT-Fahrzeugeinheit 120 mit einer Metallerkennung (auf Englisch, Foreign Object Detection: FOD) überwacht werden. Dazu können Sensorspulen-Arrays verwendet werden. Die Güte der Erkennung von Objekten kann dabei jedoch unzureichend sein.

Das vorliegende Dokument befasst sich mit der technischen Aufgabe, in präziser und zuverlässiger Weise Objekte in dem Luftspalt zwischen der WPT-Bodeneinheit und der WPT-Fahrzeugeinheit eines induktiven Ladesystems zu detektieren, um einen Ladevorgang in Abhängigkeit von einem detektierten Objekt anpassen (insbesondere abschalten) zu können.

Die Aufgabe wird durch die unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u. a. in den abhängigen Ansprüchen beschrieben.

Gemäß einem Aspekt wird ein Verfahren zur Überwachung eines induktiven Ladevorgangs beschrieben. Bei dem induktiven Ladevorgang wird elektrische Energie zum Laden eines elektrischen Energiespeichers eines Fahrzeugs von einer Primärspule (in einer Bodeneinheit) über einen Überbrückungsraum an eine Sekundärspule (in einer Fahrzeugeinheit) des Fahrzeugs übertragen. Dabei wird ein magnetisches Wechselfeld generiert, das zu einer Erwärmung eines ferromagnetischen und/oder elektrisch leitenden Störobjekts in dem Überbrückungsraum führen kann. Ein solches Objekt wird in diesem Dokument auch als Fremdobjekt oder als Störobjekt bezeichnet. Das Verfahren kann dazu verwendet werden, die Präsenz eines Störobjekts im Überbrückungsraum zu detektieren. In Reaktion darauf kann der induktive Ladevorgang ggf. abgebrochen und/oder zumindest in der Übertragungsleistung reduziert werden. Des Weiteren kann ein Hinweis an einen Nutzer des Fahrzeugs ausgegeben werden, um den Nutzer zu veranlassen, das Störobjekt zu entfernen. Das Verfahren kann z. B. von der Steuereinheit eines Fahrzeugs und/oder von der Steuereinheit einer Ladestation ausgeführt werden.

Das Verfahren umfasst das Erfassen einer Vielzahl von aktuellen Messwerten durch mehrere Sensorelemente eines Sensorsystems. Das Sensorsystem ist dabei zwischen der Primärspule und der Sekundärspule angeordnet. Insbesondere kann das Sensorsystem in der Bodeneinheit oberhalb der Primärspule und/oder in der Fahrzeugeinheit unterhalb der Sekundärspule angeordnet sein. Die einzelnen Sensorelemente können jeweils ein oder mehrere Sensorspulen umfassen. Jedes Sensorelement kann eingerichtet sein, Werte für ein oder mehrere Messgrößen zu erfassen. Die aktuellen Werte für die ein oder mehreren Messgrößen stellen die aktuellen Messwerte der jeweiligen Sensorelemente dar. Die Werte der Messgrößen können von ein oder mehreren ferromagnetischen Eigenschaften und/oder elektrischen Eigenschaften des Überbrückungsraums zwischen der Primärspule und der Sekundärspule abhängen. Folglich können die aktuellen Messwerte aktuelle ferromagnetische und/oder elektrische Eigenschaften des Überbrückungsraums beschreiben.

Die Messgrößen können anzeigen: Information in Bezug auf ein Abklingverhalten eines von einem Sensorelement generierten Magnetfelds (z. B. eine Zeitkonstante); Information in Bezug auf eine bzw. einen in einem Sensorelement durch ein Magnetfeld induzierte Spannung bzw. induzierten Strom (z. B. eine Amplitude und/oder eine Phase); Information in Bezug auf eine Phasenverschiebung zwischen Spannungen bzw. Strömen in unterschiedlichen Sensorelementen; Information in Bezug auf eine Resonanzfrequenz eines Sensorelements und/oder Information in Bezug auf eine magnetische Kopplung zwischen zwei unterschiedlichen Sensorelementen.

Die Sensorelemente des Sensorsystems können insbesondere Sensorspulen umfassen, die an unterschiedlichen Stellen auf einer Fläche, insbesondere auf einer Ebene, zwischen der Primärspule und der Sekundärspule angeordnet sind. Dabei können die Sensorspulen unterschiedliche räumliche Dimensionen aufweisen. Des Weiteren können sich die Sensorspulen zumindest teilweise überlappen. So können aussagekräftige Messwerte in Bezug auf Objekte unterschiedlicher Größe und in unterschiedlichen Lagen innerhalb des Überbrückungsraums erfasst werden.

Die Vielzahl von aktuellen Messwerten entspricht einer aktuellen Ausprägung eines Messvektors. Mit anderen Worten, die Vielzahl von aktuellen Messwerten können als eine aktuelle Ausprägung eines Messvektors betrachtet werden. Der Messvektor kann insbesondere die Vielzahl von Messgrößen, die von den Sensorelementen des Sensorsystems erfasst wird, als unterschiedliche Vektordimensionen umfassen. Die Vielzahl von Messgrößen können M Messgrößen umfassen (typischerweise M > 10, 100, 1000), die jeweils einen möglichen Wertebereich aufweisen. Der Messvektor kann dann einen M-dimensionalen Raum aufspannen, der durch die möglichen Wertebereiche der M Messgrößen begrenzt ist.

Das Verfahren umfasst weiter das Zuordnen der aktuellen Ausprägung des Messvektors zu einer Klasse aus einer Mehrzahl von unterschiedlichen Klassen mittels eines Klassifikators. Dabei kann der Klassifikator einen Maschinen-erlernten Klassifikator umfassen. Insbesondere kann der Klassifikator eine Support Vector Machine und/oder ein neuronales Netzwerk umfassen. Des Weiteren kann der Klassifikator auf Basis von real gemessenen Trainingsdaten angelernt worden sein.

Der Klassifikator ist eingerichtet, den Raum von möglichen Ausprägungen des Messvektors auf die Mehrzahl von unterschiedlichen Klassen aufzuteilen. Dabei können die unterschiedlichen Klassen mit unterschiedlichen Auswirkungen auf den induktiven Ladevorgang verknüpft sein. Insbesondere kann die Mehrzahl von unterschiedlichen Klassen eine erste Klasse und eine zweite Klasse umfassen, so dass der Klassifikator den Raum von möglichen Ausprägungen des Messvektors in (genau) zwei Teilräume für die beiden Klassen aufteilt (z. B. durch eine Hyperebene bzw. durch eine Hyperfläche).

Die erste Klasse kann dabei z. B. anzeigen, dass sich zwischen der Primärspule und der Sekundärspule ein für den Ladevorgang relevantes ferromagnetisches und/oder elektrisch leitendes Objekt befindet. Im Falle eines ferromagnetischen Objekts wird das Magnetfeld gebündelt und über Sättigungs- und Hysterese-Verluste erfolgt eine Erhitzung des Objekts. Im Falle eines elektrisch leitenden Objekts führen Wirbelströme und deren ohmsche Verluste zu einer Erwärmung des Objekts. Ein derartiges ferromagnetisches und/oder elektrisch leitendes Objekt wird in diesem Dokument auch als Fremdobjekt bezeichnet. Andererseits kann die zweite Klasse anzeigen, dass sich zwischen der Primärspule und der Sekundärspule kein für den Ladevorgang relevantes ferromagnetisches und/oder elektrisch leitendes Objekt befindet.

Alternativ kann die erste Klasse anzeigen, dass der induktive Ladevorgang abgebrochen werden muss, und die zweite Klasse kann anzeigen, dass der induktive Ladevorgang fortgeführt werden kann.

Das Verfahren ermöglicht es, in effizienter und robuster Weise die Messwerte von (ggf. komplexen) Sensorsystemen auszuwerten. So können Störobjekte für einen induktiven Ladevorgang zuverlässig detektiert werden.

Gemäß einem weiteren Aspekt wird ein Verfahren zur Ermittlung eines Klassifikators für die Überwachung eines induktiven Ladevorgangs beschrieben. Das Verfahren kann z. B. durch einen Computer oder Server ausgeführt werden. Der ermittelte Klassifikator kann dann im Rahmen des o. g. Verfahrens dazu verwendet werden, Ladevorgänge zu überwachen.

Das Verfahren umfasst das Ermitteln von Trainingsdaten mit einer Vielzahl von Trainings-Datensätzen. Dabei zeigt ein Trainings-Datensatz eine tatsächliche Ausprägung des Messvektors und eine tatsächliche Klasse aus der Mehrzahl von möglichen Klassen an. Die tatsächliche Ausprägung des Messvektors kann durch das Erfassen einer Vielzahl von tatsächlichen Messwerten der Sensorelemente eines Sensorsystems eines Testfahrzeugs ermittelt werden. Die unterschiedlichen möglichen Klassen sind typischerweise mit unterschiedlichen Auswirkungen auf einen induktiven Ladevorgang verknüpft. Dabei kann die Klasse eines Trainings-Datensatzes z. B. durch einen Nutzer festgelegt werden.

Insbesondere kann das Ermitteln eines Trainings-Datensatzes umfassen, das Platzieren eines Objektes in dem Überbrückungsraum zwischen der Primärspule und der Sekundärspule eines Testfahrzeugs während eines induktiven Ladevorgangs. Das Objekt kann dabei vorteilhaft automatisch durch einen Roboterarm in dem Überbrückungsraum platziert werden. So können in effizienter Weise große Mengen von Trainingsdaten erfasst werden.

Es kann dann für das platzierte Objekt eine Vielzahl von tatsächlichen Messwerten durch die Sensorelemente des Sensorsystems des Testfahrzeugs erfasst werden, um die tatsächliche Ausprägung des Merkmalsvektors des Trainings-Datensatzes zu bestimmen. Des Weiteren kann die tatsächliche Klasse des Trainings-Datensatzes in Abhängigkeit von einer ferromagnetischen und/oder elektrischen Eigenschaft des Objekts und/oder in Abhängigkeit von einer Stelle bzw. einer Orientierung, bestimmt werden, an bzw. in der das Objekt in dem Überbrückungsraum platziert wurde.

Durch die Platzierung eines Objekts an unterschiedlichen Stellen und/oder in unterschiedlichen Orientierungen in dem Überbrückungsraum und/oder durch die Verwendung von unterschiedlichen Objekten kann eine Vielzahl von unterschiedlichen Trainings-Datensätzen für die unterschiedlichen Stellen und/oder die unterschiedlichen Orientierungen und/oder die unterschiedlichen Objekte erfasst werden. So können große Mengen von Trainingsdaten bereitgestellt werden. Durch die Bereitstellung einer relativ großen Menge von Trainingsdaten kann ein robuster Klassifikator ermittelt werden.

Das Ermitteln von Trainings-Datensätzen kann umfassen, das Positionieren der Primärspule und der Sekundärspule in unterschiedlichen Relativpositionen zueinander. Dabei können für die unterschiedlichen Relativpositionen unterschiedliche Trainings-Datensätze ermittelt werden. So können in effizienter Weise große Mengen von Trainingsdaten für einen robusten Klassifikator bereitgestellt werden. Die tatsächlichen Klassen der einzelnen Trainings-Datensätze können dann in Abhängigkeit von der Relativposition der Primär- und Sekundärspule zueinander bestimmt werden.

Das Bestimmen der tatsächlichen Klasse kann umfassen, das Erfassen von Information in Bezug auf eine Änderung der Temperatur des Objekts im Überbrückungsraum während des induktiven Ladevorgangs. Die tatsächliche Klasse kann dann in Abhängigkeit von der Information in Bezug auf die Änderung der Temperatur bestimmt werden. So können Objekte, die einen störenden Einfluss auf einen induktiven Ladevorgang aufweisen (bzw. die durch das Ladefeld erwärmt werden), in zuverlässiger Weise ermittelt werden (und entsprechend klassifiziert werden).

Das Verfahren umfasst weiter das Anlernen eines Klassifikators anhand der Trainingsdaten, so dass der Klassifikator den Raum von möglichen Ausprägungen des Messvektors auf die Mehrzahl von möglichen Klassen aufteilt. Dabei kann der Klassifikator derart angelernt werden, dass ein Anteil an korrekten Zuordnungen der tatsächlichen Ausprägungen des Messvektors zu bestimmten Klassen vergrößert, insbesondere maximiert, wird. Des Weiteren kann der Klassifikator derart angelernt werden, dass ein Abstand der tatsächlichen Ausprägungen des Messvektors zu Grenzen zwischen den unterschiedlichen möglichen Klassen vergrößert, insbesondere maximiert, wird (im Mittel).

Gemäß einem weiteren Aspekt wird eine Auswerteeinheit bzw. eine Steuereinheit (z. B. mit einem Prozessor) beschrieben, die eingerichtet ist, eines der in diesem Dokument beschriebenen Verfahren auszuführen.

Gemäß einem weiteren Aspekt wird ein Fahrzeug (insbesondere ein Straßenkraftfahrzeug z. B. ein Personenkraftwagen, ein Lastkraftwagen oder ein Motorrad) beschrieben, das die in diesem Dokument beschriebene Auswerteeinheit bzw. Steuereinheit umfasst.

Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor ausgeführt zu werden, und um dadurch eines der in diesem Dokument beschriebenen Verfahren auszuführen.

Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch eines der in diesem Dokument beschriebenen Verfahren auszuführen.

Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden.

Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen

1 beispielhafte Komponenten eines induktiven Ladesystems;

2 ein beispielhaftes Sensorsystem mit einer Vielzahl von Sensorelementen;

3 unterschiedliche Messprinzipien der Sensorelemente eines Sensorsystems;

4a ein Ablaufdiagramm eines beispielhaften Verfahrens zur Ermittlung eines Objekt-Klassifikators; und

4b ein Ablaufdiagramm eines beispielhaften Verfahrens zur Überwachung eines induktiven Ladevorgangs.

Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der zuverlässigen und robusten Erkennung eines Objektes in einem Luftspalt zwischen der WPT-Bodeneinheit 110 und der WPT-Fahrzeugeinheit 120 eines induktiven Ladesystems. Zur Überwachung des Luftspaltes zwischen der WPT-Bodeneinheit 110 und der WPT-Fahrzeugeinheit 120 kann ein Sensorsystem 200 mit einer Vielzahl von Sensorelementen 201 (insbesondere Sensorspulen) verwendet werden, die ggf. unterschiedliche Größen aufweisen und die ggf. teilweise überlappend angeordnet sind (siehe 2). Die Erkennung von Objekten lässt sich dabei typischerweise nur bei gleichzeitiger Auswertung der Sensorsignale mehrerer Sensorelemente 201 sicher bestimmen. Des Weiteren ist die Erkennung von Objekten dabei typischerweise abhängig von der Lage bzw. Orientierung der Objekte im Raum.

Mit einem komplex gestalteten Sensorsystem 200 (z. B. einer Matrix oder einem Array aus Sensorelementen 201) können im Prinzip zahlreiche unterschiedliche Objekte mit unterschiedlichen Eigenschaften (Größe, Form, Material, etc.) und in unterschiedlichen Lagen detektiert werden. Dabei ist jedoch die Auswertung der Sensorsignale der einzelnen Sensorelemente 201 eines Sensorsystems 200 typischerweise aufwendig. Insbesondere ist aus den Sensorsignalen meist nicht ohne Weiteres ersichtlich, ob sich ein ferromagnetisches und/oder elektrisch leitendes Objekt (d. h. ein Fremdobjekt) in dem Luftspalt zwischen der WPT-Bodeneinheit 110 und der WPT-Fahrzeugeinheit 120 befindet, und ob das Objekt ein Abschalten eines Ladevorgangs oder ein Drosseln der Ladeleistung des Ladevorgangs erfordert.

3 veranschaulicht unterschiedliche beispielhafte Messprinzipien zur Detektion von ferromagnetischen und/oder metallischen Objekten anhand von ein oder mehreren Sensorelementen 201. Das Sensorelement 201, 311 umfasst eine Spule über die mittels eines Strompulses 313 ein magnetisches Feld generiert wird. Es kann dann das Abklingverhalten (insbesondere eine Zeitkonstante) des abklingenden Magnetfelds ermittelt werden, um festzustellen, ob sich in der Umgebung des Sensorelements 201, 311 ein ferromagnetisches und/oder elektrisch leitendes Objekt befindet oder nicht. Das Sensorelement 201, 311 kann in einem elektrischen Ersatzschaltbild als eine Spule 312 betrachtet werden.

Das Sensorelement 201, 321 umfasst zwei Spulen (eine erste Spule und eine zweite Spule), die magnetisch miteinander gekoppelt sind (repräsentiert durch einen Transformator 322). Es kann mittels des Sensorelements 201, 321 der (Wechsel-)Strom in der zweiten Spule erfasst werden, der durch einen (Wechsel-)Strom in der ersten Spule induziert wird. Der induzierte Strom ändert sich dabei in Abhängigkeit von den ferromagnetischen und/oder elektrischen Eigenschaften der Umgebung des Sensorelements 201, 321.

Das Sensorelement 201, 331 stellt einen elektrischen Schwingkreis 332 dar, wobei eine Resonanzfrequenz des Schwingkreises 332 von den ferromagnetischen und/oder elektrischen Eigenschaften der Umgebung des Sensorelements 201, 331 abhängt. Auf Basis des Schwingungsverhaltens des Sensorelements 201, 331 kann somit die Präsenz eines ferromagnetischen und/oder elektrisch leitenden Objekts in der Umgebung des Sensorelements 201, 331 detektiert werden.

Das Sensorelement 201, 341 nutzt das Magnetfeld der Primärspule 111 (und/oder die Sekundärspule 121) eines induktiven Ladesystems, um die Präsenz eines ferromagnetischen und/oder elektrisch leitenden Objekts zu detektieren. Insbesondere kann der Strom ausgewertet werden, der in einer Spule des Sensorelements 201, 341 durch das von der Primärspule 111 generierte Magnetfeld induziert wird.

Ein Sensorelement n 201 stellt zu einem bestimmten Abtastzeitpunkt t Sensordaten bzw. Messdaten bzw. aktuelle Messwerte xn für ein oder mehrere Messgrößen zur Verfügung. Im Falle eines Sensorelements 201, 311 können die Messwerte xn z. B. den Wert einer Abklingzeitkonstante (als Messgröße) anzeigen. Im Falle eines Sensorelements 201, 321 bzw. eines Sensorelements 201, 341 können die Sensordaten xn z. B. die Amplitude und/oder die Phase der in der zweiten Spule induzierte Spannung (als Messgröße) anzeigen. Im Falle eines Sensorelements 201, 331 können die Sensordaten xn z. B. den Wert einer Resonanzfrequenz (als Messgröße) anzeigen.

Des Weiteren können bei der Verwendung von mehreren Sensorelementen 201 Kopplungsfaktoren zwischen den unterschiedlichen Sensorelementen 201 erfasst bzw. ermittelt werden. Beispielsweise kann der Wert der Spannung erfasst werden, die in einem zweiten Sensorelement 201 durch das von einem ersten Sensorelement 201 generierte Magnetfeld induziert wird. Bei der Verwendung von N Sensorelementen 201 ergeben sich durch die Kopplung somit N(N – 1)/2 weitere Messwerte. Davon können typischerweise Messwerte von Paaren von Sensorelementen 201, die relativ weit voneinander entfernt sind, vernachlässigt werden.

In Summe können somit für ein Sensorsystem 200 mit N Sensorelementen 201 zu einem bestimmten Zeitpunkt t aktuelle Messwerte xm, mit m = 1, ..., M, bereitgestellt werden, wobei N > 1 und typischerweise M > N (z. B. aufgrund von Kopplungen zwischen zumindest einigen der Sensorelemente 201). Die Messwerte xm für die unterschiedlichen Messgrößen können zu einem Wert bzw. zu einer Ausprägung x eines M-dimensionalen Messvektors zusammengefasst werden.

Der Wert x eines Messvektors repräsentiert bzw. beschreibt die ferromagnetischen und/oder elektrischen Eigenschaften der Umgebung des Sensorsystems 200. Insbesondere kann der Wert x eines Messvektors dazu verwendet werden, zu entscheiden, ob sich in der Umgebung des Sensorsystems 200 ein störendes ferromagnetisches und/oder elektrisch leitendes Objekt befindet und/oder ob ein induktiver Ladevorgang abgeschaltet bzw. zumindest in der Leitung gedrosselt werden muss. Zu diesem Zweck kann ein Klassifikator angelernt und verwendet werden, der eingerichtet ist, den Werte x eines Messvektors einer bestimmten Klasse ki, mit i = 1, ..., Q zuzuordnen. Beispielsweise kann der Wert x eines Messvektors einer Klasse ki aus Q = 2 unterschiedliche Klassen ki zugewiesen werden. Dabei können die unterschiedlichen Klassen z. B. anzeigen, ob ein ferromagnetisches und/oder ein elektrisch leitendes Objekt (d. h. ein Fremdobjekt) vorliegt oder nicht. Alternativ können die unterschiedlichen Klassen z. B. anzeigen, ob der induktive Ladevorgang abgebrochen werden muss oder nicht.

Der Klassifikator kann z. B. eine Support Vector Machine (SVM) oder ein neuronales Netzwerk umfassen. Eine SVM umfasst typischerweise Hyperebenen als Grenzen zwischen unterschiedlichen Klassen. Im Falle einer SVM für Q = 2 unterschiedliche Klassen ki kann der Klassifikator einen Grenzvektor w umfassen, der eine Entscheidungsgrenze (Hyperebene) zwischen den beiden Klassen ki beschreibt (im M-dimensionalen Raum). Es kann dann über die Gleichung wTx + b > 0 geprüft werden, welcher Klasse der Wert bzw. die konkrete Ausprägung x eines Messvektors zuzuweisen ist. Dabei ist b ein Skalierungsfaktor (z. B. b = 1). Ergibt sich wTx + b ≥ 0, so kann die Ausprägung x des Messvektors der Klasse k1 (z. B. Objekt vorhanden) zugewiesen werden. Sonst kann die Ausprägung x des Messvektors der Klasse k2 (z. B. kein Objekt vorhanden) zugewiesen werden. Ggf. können im Rahmen von SVM nichtlineare Entscheidungsschwellen (d. h. z. B. Hyperflächen) gebildet werden (durch Verwendung von sogenannten Kernels). Dabei ist die Ermittlung des Grenzvektors w typischerweise mit eine relativ hohen Rechen- und Datenaufwand verbunden. Andererseits ist die Klassifikation mittels des Grenzvektors w recheneffizient (M Multiplikationen und Additionen) und kann somit durch die Steuereinheit eines Fahrzeugs 100 und/oder einer Ladeeinheit 110 in Echtzeit erfolgen.

Zur Ermittlung des Klassifikators können Trainingsdaten mit einer Vielzahl von Trainings-Datensätzen bereitgestellt werden. Dabei umfasst ein Trainings-Datensatz eine tatsächliche Ausprägung x(j) des Messvektors einerseits und eine tatsächliche Klasse x(j) für diese tatsächliche Ausprägung x(j) des Messvektors, d. h. Wertepaare 〈x(j), k(j)〉, mit j = 1, ..., R. Typischerweise ist die Anzahl R von Trainings-Datensätzen relativ groß (z. B. R > 103, 104,105, 106), um einen möglichst robusten Klassifikator bereitzustellen. Zur Ermittlung der Trainingsdaten können unterschiedliche Objekte (ggf. durch einen Roboterarm) in den Luftspalt zwischen einer WPT-Bodeneinheit 110 und einer WPT-Fahrzeugeinheit 120 gehalten werden. Es können dann durch das Sensorsystem 200 für ein Objekt tatsächliche Ausprägungen x(j) des Messvektors erfasst werden.

Des Weiteren kann bestimmt werden, welcher tatsächlichen Klasse k(j) dieses Objekt zuzuordnen ist (z. B. ferromagnetisches und/oder elektrisch leitendes Objekt (das erkannt werden sollte) vs. magnetisch bzw. elektrisch nicht-relevantes Objekt (das nicht erkannt werden muss); oder induktives Laden abschalten vs. induktives Laden kann fortgeführt werden). Beispielsweise kann anhand eines Temperatursensors an dem Objekt erkannt werden, ob sich das Objekt aufgrund des Ladefelds zwischen der WPT-Bodeneinheit 110 und der WPT-Fahrzeugeinheit 120 erwärmt oder nicht. Im Falle einer Erwärmung (die über einem Erwärmungs-Schwellenwert liegt) kann das Objekt einer ersten Klasse und andererseits einer zweiten Klasse zugewiesen werden. Im Rahmen der Ermittlung der Trainingsdaten können für unterschiedliche Lagen (z. B. unterschiedliche Orientierungen und/oder unterschiedliche Positionen im Magnetfeld) unterschiedliche Trainings-Datensätze ermittelt werden.

Beispielsweise können bestimmte Normobjekte (die von dem Klassifikator erkannt werden müssen) automatisch der ersten Klasse (Objekt vorhanden) zugeordnet werden. Andere Objekte (z. B. Objekte mittlerer Größe, die sich je nach Lage erwärmen können) können in Abhängigkeit von der gemessenen Erwärmung der ersten Klasse (Objekt vorhanden) oder der zweiten Klasse (kein Objekt vorhanden) zugeordnet werden. Kleinere Objekte oder Objekte aus Materialien mit einer relativ niedrigen Permeabilitätszahl können pauschal der zweiten Klasse (kein Objekt vorhanden) zugewiesen werden.

Die Trainingsdaten können dann dazu verwendet werden, den Klassifikator anzulernen. Beispielsweise kann im Falle einer SVM auf Basis der Trainingsdaten der Wert w des Grenzvektors als Klassengrenze (d. h. als Hyperebene im M-dimensionalen Raum) und der Werte des Skalierungsfaktors ermittelt werden. Insbesondere kann ermittelt werden, welcher Wert w des Grenzvektors die tatsächlichen Ausprägungen x(j) des Messvektors möglichst gut (z. B. im quadratischen Mittel) in zwei Klassen unterteilt.

Im Betrieb kann dann periodisch durch das Sensorsystem 200 eine aktuelle Ausprägung x des Messvektors ermittelt werden. Die aktuelle Ausprägung x des Messvektors kann dann anhand des angelernten Klassifikators einer aktuellen Klasse k zugewiesen werden. Im Falle einer SVM kann dies z. B. recheneffizient durch die Berechnung der Formel wTx + b > 0 erfolgen (durch M Multiplikationen und M Additionen). So kann in effizienter und robuster Weise ermittelt werden, ob sich ein ferromagnetisches und/oder elektrisch leitendes Objekt in dem Luftspalt zwischen einer WPT-Bodeneinheit 110 und einer WPT-Fahrzeugeinheit 120 befindet und/oder ob ein induktiver Ladevorgang abgebrochen werden muss oder nicht.

4a zeigt ein Ablaufdiagramm eines beispielhaften Verfahrens 400 zur Ermittlung eines Klassifikators für die Überwachung eines induktiven Ladevorgangs. Bei dem induktiven Ladevorgang wird elektrische Energie zum Laden eines elektrischen Energiespeichers 103 eines Fahrzeugs 100 von einer Primärspule 111 über einen Überbrückungsraum (insbesondere über einen Luftspalt) an eine Sekundärspule 121 des Fahrzeugs 100 übertragen.

Das Verfahren 400 umfasst das Ermitteln 401 von Trainingsdaten mit einer Vielzahl von Trainings-Datensätzen. Dabei umfasst ein (insbesondere jeder) Trainings-Datensatz eine tatsächliche Ausprägung eines Messvektors und eine tatsächliche Klasse aus einer Mehrzahl von unterschiedlichen möglichen Klassen. Die tatsächliche Ausprägung des Messvektors entspricht dabei einer Vielzahl von tatsächlichen Messwerten, die durch die Sensorelemente 201 eines Sensorsystems 100 erfasst wurden, wobei das Sensorsystem 200 zwischen der Primärspule 111 und der Sekundärspule 121 angeordnet ist. Das Sensorsystem 200 kann dabei oberhalb der Primärspule 111 (als Teil der WPT-Bodeneinheit 110) und/oder unterhalb der Sekundärspule 121 (als Teil der WPT-Fahrzeugeinheit 120) angeordnet sein. Die aktuellen Messwerte der Sensorelemente 201 können somit zu einer aktuellen Ausprägung des Messvektors zusammengefasst werden.

Die unterschiedlichen möglichen Klassen sind mit unterschiedlichen Auswirkungen auf einen induktiven Ladevorgang verknüpft. Mit anderen Worten, die unterschiedlichen möglichen Klassen können unterschiedliche Auswirkungen auf einen induktiven Ladevorgang anzeigen. Beispielsweise können die unterschiedlichen möglichen Klassen anzeigen, ob ein ferromagnetisches und/oder elektrisch leitendes Objekt (d. h. ein Fremdobjekt) im Überbrückungsraum vorhanden ist oder nicht.

Typischerweise können in effizienter Weise umfangreiche Trainingsdaten für den Fall ermittelt werden, dass sich kein Fremdobjekt zwischen der Primärspule 111 und der Sekundärspule 121 befindet. Beispielsweise können Trainings-Datensätze für zahlreiche unterschiedliche Versatzsituationen zwischen der Sekundär- und Primärspule (ohne Fremdobjekt im Übertragungsraum) erfasst werden. Durch derartige (zahlreiche) Datensätze kann bewirkt werden, dass ein Klassifikator bereitgestellt werden kann, der eine Ladesituation ohne Fremdkörper in zuverlässiger und robuster Weise erkennt.

Das Verfahren 400 umfasst weiter das Anlernen 402 eines Klassifikators anhand der Trainingsdaten, so dass der Klassifikator einen Raum von möglichen Ausprägungen des Messvektors auf die Mehrzahl von möglichen Klassen aufteilt. Der Raum von möglichen Ausprägungen des Messvektors kann durch die möglichen Wertebereiche der einzelnen Messgrößen definiert sein, die durch die Sensorelemente 201 gemessen werden können. Der Klassifikator kann dann diesen Raum in unterschiedliche Teilräume unterteilen, wobei jeder Teilraum einer bestimmten Klasse der unterschiedlichen möglichen Klassen zugeordnet ist. Somit kann der Klassifikator in robuster Weise für die Überwachung von Ladevorgängen verwendet werden.

4b zeigt ein Ablaufdiagramm eines beispielhaften Verfahrens 410 zur Überwachung eines induktiven Ladevorgangs, bei dem elektrische Energie zum Laden eines elektrischen Energiespeichers 103 eines Fahrzeugs 100 von einer Primärspule 111 über einen Überbrückungsraum an eine Sekundärspule 121 des Fahrzeugs 100 übertragen wird. Das Verfahren 410 umfasst das Erfassen 411 einer Vielzahl von aktuellen Messwerten durch die Sensorelemente 201 eines Sensorsystems 200, das zwischen der Primärspule 111 und der Sekundärspule 121 angeordnet ist. Dabei entspricht die Vielzahl von aktuellen Messwerten einer aktuellen Ausprägung eines Messvektors.

Außerdem umfasst das Verfahren 410 das Zuordnen 412 der aktuellen Ausprägung des Messvektors zu einer Klasse aus einer Mehrzahl von unterschiedlichen Klassen mittels eines Klassifikators. Dabei ist der Klassifikator eingerichtet, einen Raum von möglichen Ausprägungen des Messvektors auf die Mehrzahl von unterschiedlichen Klassen aufzuteilen. Des Klassifikator kann z. B. mittels des Verfahrens 400 ermittelt worden sein. Der Klassifikator kann somit einen Maschinen-erlernten Klassifikator umfassen. Die unterschiedlichen Klassen können dabei mit unterschiedlichen Auswirkungen auf bzw. unterschiedlichen Konsequenzen für den induktiven Ladevorgang verknüpft sein.

Es können somit mittels eines automatischen Tests Trainings-Datensätze für relativ große Objekte, relativ kleine Objekte, sich relativ stark erwärmende Objekte und/oder sich relativ wenig erwärmende Objekte ermittelt werden. Anhand von Maschinen Lern-Verfahren (z. B. dem SVM-Algorithmus oder anderen Machine-Learning-Methoden) können Entscheidungsschwellen für die Objekterkennung automatisiert ermittelt werden. Insbesondere kann ein Klassifikator zur Objekterkennung ermittelt werden.

Die beschriebenen Verfahren 400, 410 ermöglichen es, eine relativ einfache und insbesondere zuverlässige Entscheidungsfunktionen für (ggf. komplexe) Sensorsysteme 200 zu ermitteln. Dabei können die Sensorsysteme 200 Sensorelemente 201 mit unterschiedlichen Größen und/oder unterschiedlichen Orientierungen und/oder unterschiedlichen Positionen umfassen. Zur Ermittlung von Trainings-Datensätzen für den Lernalgorithmus können automatisierte Messungen vorgenommen werden (z. B. mittels eines Roboterarms, der unterschiedliche Objekt in den Überbrückungsraum zwischen den Spulen 111, 121 positioniert), um möglichst umfangreiche Trainingsdaten zu ermitteln. Dabei können insbesondere Objekte verwendet werden, die zu Ausprägungen des Messvektors führen, die relativ nahe an einer Klassengrenze bzw. relativ nahe an einer Entscheidungsschwelle liegen. So kann ein Klassifikator angelernt werden, der eine präzise und robuste Klassifikation ermöglicht werden.

Es können somit auch für komplex gestaltete Sensorsysteme 200 zuverlässige Klassifikatoren ermittelt werden. Dies ermöglicht die Verwendung von komplexen Sensorsystemen 200 für eine verbesserte Erkennung von Störobjekten. Durch Einbeziehung der Verkopplung einzelner Sensoreinheiten 201 kann die Erkennung weiter verbessert werden (insbesondere hinsichtlich der Lage von Objekten und hinsichtlich des Abstands der Objekte zu dem Sensorsystem 200). Durch einen automatisierten Prozess zur Erfassung von Trainingsdaten können zahlreiche unterschiedliche Störobjekte getestet werden, so dass auf Basis der Trainingsdaten Klassifikatoren mit einer erhöhten Erkennungsrate angelernt werden können.

Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.