对基于雷达的对象识别在自动驾驶和辅助驾驶中的集群算法的评估
Daniel Carvalho de Ramos1, Lucas Reksua Ferreira1, Max Mauro Dias Santos1
1Department of Electronic, Federal Technological University of Paraná, Ponta Grossa 84017-220, PR, Brazil.
Sensors (Basel, Switzerland)
|November 27, 2024
概括
本研究评估了用于汽车雷达对象识别的集群算法. 基于密度的应用与噪音的空间聚类 (DBSCAN) 证明了可靠的车辆感知系统的卓越性能.
科学领域:
- 汽车工程 汽车工程
- 计算机视觉 计算机视觉
- 传感器融合式传感器
背景情况:
- 感知系统对于辅助驾驶和自动驾驶汽车至关重要.
- 像雷达,摄像头和激光雷达等传感器为导航提供环境数据.
- 雷达技术提供了强大的物体检测,特别是在恶劣的天气条件下,使用点云数据.
研究的目的:
- 评估各种集群算法的适用于汽车雷达系统的适用性.
- 确定哪些算法是最有效的对象识别,调查和跟踪.
- 在基于雷达的感知背景下,比较不同聚类方法的性能.
主要方法:
- 进行了对当前集群算法的全面审查.
- 分析了每个算法的数学基础.
- 使用性能指标来评估雷达应用的适用性和效率.
主要成果:
- 发现K-Means,Mean Shift和基于密度的噪声应用空间聚类 (DBSCAN) 适用于汽车雷达.
- 与其他评估算法相比,DBSCAN表现出更高的性能.
- 雷达传感器的类型显著影响物体识别方法的有效性.
结论:
- DBSCAN是汽车雷达系统中对象识别的高效算法.
- 选择适当的集群算法对于强大的自动驾驶感知至关重要.
- 未来的研究应该考虑雷达硬件和软件算法之间的相互作用.


