dc.date.accessioned | 2024-06-18T16:05:49Z | |
dc.date.available | 2024-06-18T16:05:49Z | |
dc.date.issued | 2024 | |
dc.identifier | doi:10.17170/kobra-2024052110164 | |
dc.identifier.uri | http://hdl.handle.net/123456789/15858 | |
dc.description | Author ORCID id: 0000-0002-5176-6159 | eng |
dc.description | In 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.iso | eng | |
dc.rights | Namensnennung 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | * |
dc.subject | radar | eng |
dc.subject | autonomous driving | eng |
dc.subject | environmental perception | eng |
dc.subject | object detection | eng |
dc.subject | classification | eng |
dc.subject | clustering | eng |
dc.subject | NLOS imaging | eng |
dc.subject | machine learning | eng |
dc.subject.ddc | 004 | |
dc.subject.ddc | 380 | |
dc.subject.ddc | 600 | |
dc.subject.ddc | 620 | |
dc.title | Object Detection for Automotive Radar Perception | eng |
dc.type | Dissertation | |
dcterms.abstract | Automated 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.abstract | Automatisierte 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.accessRights | open access | |
dcterms.creator | Scheiner, Nicolas Simon | |
dcterms.dateAccepted | 2024-05-13 | |
dcterms.extent | x, 225 Seiten | |
dc.contributor.corporatename | Kassel, Universität Kassel, Fachbereich Elektrotechnik / Informatik | |
dc.contributor.referee | Sick, Bernhard (Prof. Dr.) | |
dc.contributor.referee | Doll, Konrad (Prof. Dr.) | |
dc.subject.swd | Radar | ger |
dc.subject.swd | Autonomes Fahrzeug | ger |
dc.subject.swd | Umweltwahrnehmung | ger |
dc.subject.swd | Objekterkennung | ger |
dc.subject.swd | Verkehrsteilnehmer | ger |
dc.subject.swd | Klassifikation | ger |
dc.subject.swd | Cluster <Datenanalyse> | ger |
dc.subject.swd | Nicht-Sichtverbindung | ger |
dc.subject.swd | Maschinelles Lernen | ger |
dc.title.subtitle | Machine Learning Approaches for Identifying Moving Road Users in Urban Scenarios | eng |
dc.type.version | publishedVersion | |
kup.iskup | false | |
ubks.epflicht | true | |