Klassifikation von Verkehrsteilnehmern in FMCW-RADAR Mikro-Doppler Signaturen mittels CNN, basierend auf simulierten und realen Trainingsdaten

Masterarbeit am ifp - Philipp Schneider

Philipp Schneider

Klassifikation von Verkehrsteilnehmern in FMCW-RADAR Mikro-Doppler Signaturen mittels CNN, basierend auf simulierten und realen Trainingsdaten

Dauer der Arbeit: 6 Monate
Abgabe: Mai 2018
Betreuer: M.Sc. Martin Stolz (Robert Bosch GmbH)
Prüfer: Prof. Dr.-Ing. Norbert Haala


 

Zusammenfassung

Zukünftige Automobile werden über komplexe Sensorik verfügen, welche die Umsetzung immer leistungsfähiger Fahrerassistenzsysteme, bis hin zu autonomen Fahren ermöglichen.

Der in dieser Arbeit verwendete Prototyp eines hochauflösende FMCW RADAR Sensoren ist in Lage auch kleine Objekte wie Fahrradfahrer oder Fußgänger zu erfassen und abzubilden (Abb. 1). Vorhergehende Untersuchungen haben gezeigt, dass eine zuverlässige Klassifikation der detektierten Objekte eine Herausforderung  darstellt.

Daher wurde in dieser Arbeit untersucht ob, sich die charakteristischen Mikro-Doppler Signaturen zu einer Klassifikation verwenden lassen. Im Rahmen dieser Masterarbeit werden verschiedene Detektions- und Klassifikations Ansätze vorgestellt, welche auf den aus der Bildverarbeitung bekannten CNN beruhen.

Es wurde versucht AlexNet  durch transfered learning als Klassifikator einzusetzen. Des Weiteren wurden eigene CNN Architekturen entworfen und mit simulierten und gemessenen Mikro-Doppler Signaturen trainiert (Abb. 2). Außerdem wurde der faster R-CNN Algorithmus als Kombination aus Detektor und Klassifikator auf das Problem adaptiert.

Es konnte gezeigt werden, dass sich vor allem der CNN und faster R-CNN Ansatz eignen, die Mikro-Doppler Signaturen anderer von Fußgängern und Fahrradfahrern in den DV-Spektren zu klassifizieren. Der Nutzen der hier verwendeten Simulationen gegenüber einem Training mit nur gemessenen Daten, konnte nicht bestätigt werden.

 

 

Abstract

In the future, automotive sensors will enable advanced driver assistance systems towards autonomous driving. A new high resolution FMCW RADAR prototype is capable to picture small targets like cyclists and pedestrians. Previous investigations have shown that a reliable classification of these targets is challenging. Therefor this thesis will evaluate if the micro-doppler signatures of these targets can be utilized for classification. Various approaches for detection and classification will be proposed within the scope of this master’s thesis. All of which will rely on the principles of convolutional neuronal networks (CNN), as seen in image processing. Using transferred learning  on  AlexNet to obtain a classification has been attempted. Furthermore, different CNN architectures have been modeled and trained with simulated as well as measured micro-doppler signatures. In addition, the faster R-CNN algorithms has been adopted as a combination of object detector and classifier. The studies have shown that especially the CNN and faster R-CNN approach are able to detect and classify micro-doppler signatures in the DV-spectres. The benefit of using simulated training data over measured data could not be confirmed. The proposed method offers a reliable possibility to generate object list on the RADAR sensor in real-time.

Die verschiedenen radialen Geschwindigkeiten Vr der Reflexionszentren auf einem Fahrradfahrer führen zu einer charakteristischen H-Förmigen Mikro-Doppler Signatur (links).
Abb. 1: Die verschiedenen radialen Geschwindigkeiten Vr der Reflexionszentren auf einem Fahrradfahrer führen zu einer charakteristischen H-Förmigen Mikro-Doppler Signatur (links).
Oben: Simulierte Fußgänger (l.) und Radfahrer (r.) Unten: Gemessene.
Abb. 2: Oben: Simulierte Fußgänger (l.) und Radfahrer (r.) Unten: Gemessene.

Ansprechpartner

Dieses Bild zeigt Norbert Haala
apl. Prof. Dr.-Ing.

Norbert Haala

Stellvertretender Institutsleiter

Zum Seitenanfang