使用多普勒雷达签名和卷积神经网络识别交通参与者的新方法

科学领域:

• 汽车安全 汽车安全
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 涉及行人和骑自行车的道路交通事故正在增加.
• 目前的车辆安全系统需要加强,特别是自动驾驶汽车.
• 先进的传感器技术和人工智能对于改善情境意识至关重要.

研究的目的:

• 开发和评估一种使用雷达信号识别和区分多个物体 (行人,骑自行车者,汽车) 的新方法.
• 通过提高车辆,特别是自动驾驶车辆的检测能力来提高道路安全.
• 为雷达数据分析引入专门的卷积神经网络 (CNN) 架构.

主要方法:

• 使用频率调制连续波 (FMCW) 雷达进行物体检测.
• 开发了用于时间频域信号分析和雷达成像的算法.
• 在Matlab环境中创建了用于行人,骑自行车和汽车模型的自定义雷达签名数据库.
• 采用专门的深度神经网络,特别是卷积神经网络 (CNN),用于对象识别.

主要成果:

• 成功演示了一种基于雷达信号识别和区分物体组的方法.
• 拟议的CNN架构在模拟和测试中显示出积极的结果.
• 该方法可以在单个雷达签名中区分多个对象.

结论:

• 开发的系统显示了提高车辆安全,特别是自动驾驶的巨大潜力.
• 创新的方法来生成定制输入数据库和专门的CNN架构是关键贡献.
• 这些发现支持这种技术在需要先进物体检测的各种经济部门的应用.