Clasificación de objetivos utilizando características estadísticas de la FFT de rango de radares FMCW de onda milimétrica
Autores: Bhatia, Jyoti; Dayal, Aveen; Jha, Ajit; Vishvakarma, Santosh Kumar; Joshi, Soumya; Srinivas, M. B.; Yalavarthy, Phaneendra K.; Kumar, Abhinav; Lalitha, V.; Koorapati, Sagar; Cenkeramaddi, Linga Reddy
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Clasificación de objetivos utilizando características estadísticas de la FFT de rango de radares FMCW de onda milimétrica
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Radares
Onda continua modulada en frecuencia de mmWave (FMCW)
Clasificación de objetivos
Aprendizaje automático
Perfil FFT de rango
LightGBM
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 38
Citaciones: Sin citaciones
Los radares con tecnología de onda continua modulada en frecuencia (FMCW) de mmWave estiman con precisión la distancia y la velocidad de los objetivos en su campo de visión (FoV). La estimación del ángulo de llegada (AoA) de los objetivos puede mejorarse aumentando las antenas receptoras o utilizando entrada múltiple salida múltiple (MIMO). Sin embargo, sigue siendo un desafío obtener características del objetivo como el tipo de objetivo. En este documento, presentamos un novedoso método de clasificación de objetivos basado en aprendizaje automático y características extraídas de un perfil de transformada rápida de Fourier (FFT) de rango utilizando radares FMCW de mmWave que operan en el rango de frecuencia de 77-81 GHz. Las medidas se realizan en una variedad de situaciones realistas, incluyendo peatones, vehículos automotores y vehículos aéreos no tripulados (UAV) (también conocidos como drones). Se recopilan picos de perfil FFT de rango, así como picos de ancho, área, varianza y rango, que se introducen en un modelo de aprendizaje automático. Para evaluar el rendimiento, se utilizan varios modelos de aprendizaje automático de clasificación ligeros como regresión logística, Naive Bayes, máquina de vectores de soporte (SVM) y máquina de aumento de gradiente ligero (GBM). Demostramos nuestros hallazgos utilizando medidas al aire libre y logramos una precisión de clasificación del 95.6% utilizando LightGBM. El método propuesto será extremadamente útil en una amplia gama de aplicaciones, incluyendo sistemas de gestión de tráfico de estaciones terrestres rentables y confiables para operaciones autónomas, y sistemas avanzados de asistencia al conductor (ADAS). La técnica de clasificación presentada amplía el potencial de los radares FMCW de mmWave más allá de la detección de rango, velocidad y AoA hacia la clasificación. Los radares FMCW de mmWave serán más robustos en visión por computadora, percepción visual y sistemas ciberfísicos de control terrestre totalmente autónomos y gestión de tráfico como resultado de la nueva característica añadida.
Descripción
Los radares con tecnología de onda continua modulada en frecuencia (FMCW) de mmWave estiman con precisión la distancia y la velocidad de los objetivos en su campo de visión (FoV). La estimación del ángulo de llegada (AoA) de los objetivos puede mejorarse aumentando las antenas receptoras o utilizando entrada múltiple salida múltiple (MIMO). Sin embargo, sigue siendo un desafío obtener características del objetivo como el tipo de objetivo. En este documento, presentamos un novedoso método de clasificación de objetivos basado en aprendizaje automático y características extraídas de un perfil de transformada rápida de Fourier (FFT) de rango utilizando radares FMCW de mmWave que operan en el rango de frecuencia de 77-81 GHz. Las medidas se realizan en una variedad de situaciones realistas, incluyendo peatones, vehículos automotores y vehículos aéreos no tripulados (UAV) (también conocidos como drones). Se recopilan picos de perfil FFT de rango, así como picos de ancho, área, varianza y rango, que se introducen en un modelo de aprendizaje automático. Para evaluar el rendimiento, se utilizan varios modelos de aprendizaje automático de clasificación ligeros como regresión logística, Naive Bayes, máquina de vectores de soporte (SVM) y máquina de aumento de gradiente ligero (GBM). Demostramos nuestros hallazgos utilizando medidas al aire libre y logramos una precisión de clasificación del 95.6% utilizando LightGBM. El método propuesto será extremadamente útil en una amplia gama de aplicaciones, incluyendo sistemas de gestión de tráfico de estaciones terrestres rentables y confiables para operaciones autónomas, y sistemas avanzados de asistencia al conductor (ADAS). La técnica de clasificación presentada amplía el potencial de los radares FMCW de mmWave más allá de la detección de rango, velocidad y AoA hacia la clasificación. Los radares FMCW de mmWave serán más robustos en visión por computadora, percepción visual y sistemas ciberfísicos de control terrestre totalmente autónomos y gestión de tráfico como resultado de la nueva característica añadida.