Las cookies nos ayudan a ofrecer nuestros servicios. Al utilizar nuestros servicios, aceptas el uso de cookies.

Editorial Cuvillier

Publicaciones, tesis doctorales, capacitaciónes para acceder a una cátedra de universidad & prospectos.
Su editorial internacional especializado en ciencias y economia

Editorial Cuvillier

De En Es
Deep Learning Methods for Automotive Radar Signal Processing

Impresion
EUR 39,90

E-Book
EUR 28,90

Deep Learning Methods for Automotive Radar Signal Processing (Tienda española)

Rodrigo Pérez González (Autor)

Previo

Lectura de prueba, PDF (160 KB)
Indice, PDF (35 KB)

ISBN-13 (Impresion) 9783736974623
ISBN-13 (E-Book) 9783736964624
Idioma Inglés
Numero de paginas 136
Laminacion de la cubierta mate
Edicion 1.
Lugar de publicacion Göttingen
Lugar de la disertacion München
Fecha de publicacion 28.06.2021
Clasificacion simple Tesis doctoral
Area Informática
Ingeniería eléctrica
Telecomunicaciones e ingeniería de comunicaciones
Palabras claves 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
Descripcion

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.