Zur Kurzanzeige

Object Detection for Automotive Radar Perception

dc.date.accessioned2024-06-18T16:05:49Z
dc.date.available2024-06-18T16:05:49Z
dc.date.issued2024
dc.identifierdoi:10.17170/kobra-2024052110164
dc.identifier.urihttp://hdl.handle.net/123456789/15858
dc.descriptionAuthor ORCID id: 0000-0002-5176-6159eng
dc.descriptionIn reference to IEEE copyrighted material which is used with permission in this thesis, the IEEE does not endorse any of University of Kassel's products or services. Internal or personal use of this material is permitted. If interested in reprinting/republishing IEEE copyrighted material for advertising or promotional purposes or for creating new collective works for resale or redistribution, please go to http://www.ieee.org/publications_standards/publications/rights/rights_link.html to learn how to obtain a License from RightsLink.eng
dc.language.isoeng
dc.rightsNamensnennung 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.subjectradareng
dc.subjectautonomous drivingeng
dc.subjectenvironmental perceptioneng
dc.subjectobject detectioneng
dc.subjectclassificationeng
dc.subjectclusteringeng
dc.subjectNLOS imagingeng
dc.subjectmachine learningeng
dc.subject.ddc004
dc.subject.ddc380
dc.subject.ddc600
dc.subject.ddc620
dc.titleObject Detection for Automotive Radar Perceptioneng
dc.typeDissertation
dcterms.abstractAutomated vehicles are among the biggest trends in the automotive industry. The desired level of automation slowly progresses from advanced driver assistance system functions to fully autonomous driving. Excellent environmental perception is a critical requirement in this development. This thesis focuses on solutions to the challenges that come with the utilization of automotive radar systems for road user recognition. Therefore, several machine learning techniques are applied and compared to detect and classify moving road users in automotive radar point clouds. An overview of radar processing is given to provide information on how to utilize and interpret the data properly. All methods are evaluated on publicly available real-world data sets. To facilitate the creation of such data sets, a system for automating the associated labeling process is introduced. The detection and classification concepts start with classical modularized approaches that use a clustering algorithm, followed by a feature extraction stage and a conventional classifier. Several techniques that improve these traditional methods are proposed and evaluated, e.g., by utilizing recurrent neural network ensembles or advanced multi-stage clustering. Then, a transition is made from modularized concepts to more self-contained models enabled by modern end-to-end deep learning methods that combine the localization, the feature extraction, and the classification stages in a single model. The developed methods are applied in two case studies, which show how automotive radar can detect non-line-of-sight objects around corners and how next-generation radar sensors impact the accuracy of radar detection systems.eng
dcterms.abstractAutomatisierte Fahrzeuge sind einer der größten Trends der Automobilindustrie. Der Grad der gewünschten Automatisierung variiert von fortgeschrittenen Fahrerassistenzsystemen bis hin zu voll autonom fahrenden Fahrzeugen. Eine exzellente Umgebungserfassung nimmt hierbei einen immer wichtigeren Stellenwert ein. Die vorliegende Arbeit beschäftigt sich mit Lösungen für die Herausforderungen, die durch die Verwendung von Radarsystemen zur Erkennung von Verkehrsteilnehmer_innen entstehen. Der Fokus liegt auf der Identifikation bewegter Verkehrsteilnehmer_innen in Radarpunktwolken unter Zuhilfenahme von Techniken aus dem Bereich des maschinellen Lernens. Hierfür wird eine Einführung in die Prozessierung und Interpretation von Radardaten gegeben. Alle Methoden werden auf öffentlich zugänglichen Datensätzen evaluiert. Für die Erstellung solcher Datensätze wird ein System zur Automatisierung des Annotationsprozesses vorgestellt. Zur Objektlokalisation und Klassifikation werden zunächst modulare Clustering-Algorithmen, gefolgt von einem Merkmals-Extraktor und einem konventionellen Klassifikator verwendet. Es werden zahlreiche Techniken zur Verbesserung dieser Einzelkomponenten vorgestellt, beispielsweise durch die Verwendung rekurrenter neuronaler Netze oder mehrstufige Clustering-Verfahren. Zusätzlich wird gezeigt, wie mit komplexen eigenständigen Systemen mehr und mehr dieser Teilkomponenten in einem einzigen Model gebündelt werden, sodass sie in einem einzigen Schritt optimiert werden können. Anhand der entwickelten Methoden werden zwei Fallstudien beschrieben. Diese zeigen, wie man Radarsensoren verwenden kann, um verdeckte Verkehrsteilnehmer_innen hinter Ecken zu detektieren bzw. wie sich moderne Radarsensoren der nächsten Generation auf die Objekterkennung mittels solcher Sensorik auswirken.ger
dcterms.accessRightsopen access
dcterms.creatorScheiner, Nicolas Simon
dcterms.dateAccepted2024-05-13
dcterms.extentx, 225 Seiten
dc.contributor.corporatenameKassel, Universität Kassel, Fachbereich Elektrotechnik / Informatik
dc.contributor.refereeSick, Bernhard (Prof. Dr.)
dc.contributor.refereeDoll, Konrad (Prof. Dr.)
dc.subject.swdRadarger
dc.subject.swdAutonomes Fahrzeugger
dc.subject.swdUmweltwahrnehmungger
dc.subject.swdObjekterkennungger
dc.subject.swdVerkehrsteilnehmerger
dc.subject.swdKlassifikationger
dc.subject.swdCluster <Datenanalyse>ger
dc.subject.swdNicht-Sichtverbindungger
dc.subject.swdMaschinelles Lernenger
dc.title.subtitleMachine Learning Approaches for Identifying Moving Road Users in Urban Scenarioseng
dc.type.versionpublishedVersion
kup.iskupfalse
ubks.epflichttrue


Dateien zu dieser Ressource

Thumbnail
Name:
DissertationNicolasSimonSchein ...
Größe:
6.747Mb
Format:
PDF
Öffnen
Thumbnail
Name:
license_rdf
Größe:
908Bytes
Format:
application/rdf+xml
Öffnen

Das Dokument erscheint in:

Zur Kurzanzeige

Namensnennung 4.0 International
Solange nicht anders angezeigt, wird die Lizenz wie folgt beschrieben: Namensnennung 4.0 International