Identifikace objektů v signálovém zpracování FMCW radaru pro pokročilé asistenční systémy řidiče

Abstract

Cílem této práce je navrhnout metodu, založenou na neuronových sítích, pro zpracování signálu v radarových systémech použitých pro pokročilé asistenční systémy řidiče (ADAS), zejména detekce slepého úhlu a varování zezadu blížícího se vozidla. Protože vozidla v dnešní době obsahují čím dál více počítačů, je zde dostatečně výpočetního výkonu pro ostatní systémy, díky tomu ADAS jsou mnohem více důležité. Všechny systémy ADAS spolehají na vstup z jednoho či více senzorů (laserové radary, radary, camery a ostatní). Zpracování dat z jakéhokoliv senzoru musí být rychlé a spolehlivé. Na zpracování dat jsou zatím používány většinou standardní expertní metody, díky čemuž je zde hodně místa na vylepšení. Aktuální metody zpracování signálů je náročné vylepšovat, jelikož samotné porozumění radarovým datům je obtížné. Z tohoto důvodu jsem navrhl metodu založenou na konvolučních neuronových sítích, které jsou dnes používány jako nejvhodnější metody v mnoha reálných aplikacích (zejména zpracování obrazu). Konvoluční neuronové sítě se používají na extrahování příznaků z dat, čímž se především docílí redukce dimenzionality a daný problém se dá řešit běžnými klasifikátory. Já jsem navrhl dvě klasifikační metody. Pro zjednodušení problému jsem začal klasifikací jednotlivách radarovách snímků, pro tento účel jsem navrhl klasickou neuronovou síť (MLP), ale jelikož výstup z radaru je spíš podobný videu (kontinuální stream snímků), navrhl jsem druhou metodu používající LSTM sítě.The aim of this work is to propose a Artificial Neural Networks (ANNs)-based approach for signal processing of radar data used for Advanced Driver Assistance System (ADAS), including Blind Spot Detection (BSD) assist and Closing Vehicle Warning (CVW). Because vehicles now contain more and more computers, there is enough power for other systems, therefore, ADASs are becoming more important in automotive industry. All ADASs rely on inputs from single or multiple data sources, including Light Detection And Ranging (LiDAR), radars, cameras and others. Processing of data from any of those data sources needs to be done fast and reliably. So far the conventional methods of data processing are used, therefore, there is plenty of room for improvement. It is not easy to improve current engineered methods of signal processing, as it is difficult to understand the radar data. Convolutional Neural Networks (CNNs), which are currently used in state-of-the-art methods in many real-world applications (especially image processing), live at the core of my proposed alternative method. CNNs are used for feature extraction, which reducing data dimensionality and allowing to use standard classifiers on top of CNN. I have proposed two classification methods. To simplify the task, I have started with classification of a single frame, for that purpose, I have designed simple Multi-Layer Perceptron (MLP), however, the radar outputs stream of frames, for that, I have designed Long-Short Term Memory (LSTM) network.