Cookies helfen uns bei der Bereitstellung unserer Dienste. Durch die Nutzung unserer Dienste erklären Sie sich damit einverstanden, dass wir Cookies setzen.

Cuvillier Verlag

32 Jahre Kompetenz im wissenschaftlichen Publizieren
Internationaler Fachverlag für Wissenschaft und Wirtschaft

Cuvillier Verlag

De En Es
Deep Learning Methods for Automotive Radar Signal Processing

Printausgabe
EUR 39,90

E-Book
EUR 28,90

Deep Learning Methods for Automotive Radar Signal Processing

Rodrigo Pérez González (Autor)

Vorschau

Leseprobe, PDF (160 KB)
Inhaltsverzeichnis, PDF (35 KB)

ISBN-13 (Printausgabe) 9783736974623
ISBN-13 (E-Book) 9783736964624
Sprache Englisch
Seitenanzahl 136
Umschlagkaschierung matt
Auflage 1.
Erscheinungsort Göttingen
Promotionsort München
Erscheinungsdatum 28.06.2021
Allgemeine Einordnung Dissertation
Fachbereiche Informatik
Elektrotechnik
Nachrichten- und Kommunikationstechnik
Schlagwörter deep learning, radar, autonomous driving, fmcw radar, neural networks, machine learning, sensor systems, supervised learning, artificial neural network, convolutional neural networks, classification, detection, vulnerable road users, micro-Doppler, Doppler, signal processing, CFAR, Verkehrsteilnehmer, Signalverarbeitung, Sensorsystem, Radarsignalverarbeitungskette, Bilderkennungsalgorithm, Automobilindustrie, Fahrzeugsensoren, vehicle’s sensor, automotive industry, Fußgänger, pedestrians, Radfahrer, cyclists, Entfernung-Doppler-Winkel-Spektrum, Objekterkennungssystem, You Only Look Once (YOLO), Bounding Box, Begrenzungsrahmen, Geschwindigkeitsprofil, velocity, CFAR-Detektion, CFAR detection, Schwebungsfrequenz, beat frequency, sampling frequency, Abtastfrequenz, Frequenzsweeps, frequency sweep, Zeitverzögerung, time delay, Empfangsantenne, antenna gain, maschinelles Lernen, Messspur, measurement track, Bayes-Filterung, Bayes filtering, Lidarsensor, lidar sensor, Basisbandsignal, Leistungsspektrum, power spectrum, Fehlalarmwahrscheinlichkeit, false alarm probability, Sendesignal, Autonomes Fahren, Fraunhofer-Abstand, Fraunhofer distance, Radar-Wirkungsquerschnitt, radar cross section, Radialgeschwindigkeit, radial velocity, Antiblockiersystem, anti-lock braking system, Fahrerassistenzsystem, driver-assistance system, Fourier-Transformation, Fourier transform, Spurhaltewarnsystem, departure warning system, autonome Notbremsung, autonomous emergency braking, Roboter-Betriebssystem
Beschreibung

Um autonomes Fahren zu ermöglichen, müssen zukünftige Sensorsysteme nicht nur in der Lage sein, das Fahrumfeld zu erfassen, sondern auch semantische Informationen zu liefern. In dieser Arbeit werden Deep Learning Methoden, die die klassische Radarsignalverarbeitungskette verbessern oder sogar ersetzen sollen, entwickelt und im Hinblick auf das Automobilumfeld evaluiert. Für diesen Zweck werden hochmoderne Bilderkennungsalgorithmen auf die Domäne der Radarsignale angepasst und zur Klassifizierung und Detektion verschiedener Verkehrsteilnehmer angewendet.

For autonomous driving to become a reality, future sensor systems must be able to not only capture the vehicle’s environment, but also to provide semantic information. In this work, deep learning methods, meant to enhance—or even replace—the classical radar signal processing chain, are developed and evaluated in the context of automotive applications. For this purpose, state of the art computer vision approaches are adapted and applied to radar signals in order to detect and classify different road users.