Bibliographic Metadata
Bibliographic Metadata
- TitleKreuzmodale Supervision für automotive Radar- und Kamerasensoren : / von M.Sc. Christopher Grimm ; Erster Gutachter: Prof. Dr.-Ing. Reinhold Häb-Umbach, Zweiter Gutachter: Prof. Dr.-Ing. Markus Gardill
- Translated titleCrossmodal supervision for automotive radar- and camera sensors
- Author
- Participants
- Published
- Description1 Online-Ressource (219 Seiten) : Illustrationen, Diagramme
- Institutional NoteUniversität Paderborn, Dissertation, 2024
- AnnotationTag der Verteidigung: 12.09.2024
- Defended on2024-09-12
- LanguageGerman ; English
- Document TypesDissertation (PhD)
- URN
- DOI
Links
- Social MediaShare
- Reference
- IIIF
Files
Classification
Zusammenfassung
Die automatische Signalverarbeitung von Sensorsignalen ist ein integraler Bestandteil von automotiven Radarsensoren. Erst die Signalverarbeitung extrahiert die relevanten Informationen aus den abgetasteten Sensorsignalen und ermöglicht dem Fahrerassistenzsystem, gezielt Warnhinweise auszugeben oder automatisiert Veränderungen von Stellgrößen durchzuführen. Die Güte der zur Signalverarbeitung eingesetzten Algorithmen wird mitunter durch Faktoren wie Laufzeitbedingungen, Robustheit gegenüber Rauschen bzw. parasitären Signalanteilen sowie Robustheit der Modellannahmen der genutzten Algorithmen definiert. Um diese Güte zu verbessern, werden fortlaufend neue Algorithmen entwickelt. Ein möglicher Entwicklungspfad ergibt sich dabei durch die Klasse der Algorithmen zum maschinellen Lernen. Die damit verbundenen Algorithmen erkennen Muster anhand zuvor präsentierter Datensätze. Eine wichtige Unterklasse sind dabei die überwachten Lernverfahren, bei welchen die Datensätze aus den Eingangsdaten der Algorithmen und gelabelten Zielwerten zu den Eingangsdaten bestehen. Während einer Trainingsprozedur werden die Algorithmen dann automatisch optimiert und versuchen die Zielwerte anhand der Eingangsdaten zu schätzen. Diese Arbeit befasst sich mit der automatischen Assoziation von Bildinhalten aus Kamera und Radarsensoren. Mit Hilfe dieser Assoziation lassen sich etwaige Daten der Kamera als Zielwert für das Training von maschinellen Lernverfahren auf Radardaten und umgekehrt verwenden. Der Benefit dieser Assoziation wird demonstriert an den Beispielen von trainierten Winkelschätzern, Zieldetektoren, semantischer Segmentierung von Radar-Spektren sowie einer Radar-Leistungsschätzung aus Kamerabildern.
Abstract
Automatic signal processing of sensor signals is an integral part of automotive radar sensors. Only the signal processing extracts the relevant information from the sampled sensor signals and enables the driver-assistance system to issue warnings or make automated changes to the control-loop. Due to parasitic effects, signal processing is suboptimal and new algorithms are constantly being developed to improve the quality of processing. One possible development path is the class of machine learning algorithms. The associated algorithms recognize patterns based on previously presented data sets. An important subclass here are the supervised learning procedures, which require labeled datasets. The datasets consist of input data and corresponding target values. During a training procedure, the algorithms are then automatically optimized and attempt to estimate the target values based on the input data. This work deals with the automatic association of image content from camera and radar sensors. With the help of this association, any data from the camera can be used as a target value for training machine learning procedures on radar data and vice versa. The benefit of this association is demonstrated using the examples of trained direction-of-arrival estimators, target detectors, semantic segmentation of radar spectra as well as radar-power prediction from camera-images.
Content
Stats
- The PDF-Document has been downloaded 26 times.
License/Rightsstatement
