+7 (812) 494-9090
Обратная связьEnglish
Главная → Статьи → Радиолокация → Распознавание пешеходов с помощью автомобильных радиолокационных датчиков Часть 1. Начало исследования
Полезный совет
Нужно ли отражать выплаты пособий по беременности и родам и по уходу за ребенком в расчете 6-НДФЛ?Подробнее
Версия для печати

Распознавание пешеходов с помощью автомобильных радиолокационных датчиков Часть 1. Начало исследования

5 сентября 2016

Продолжаем серию публикаций о применении радиолокации в гражданской сфере. На этот раз поговорим о том, какие параметры желательно применить к датчику автомобиля для корректного распознавания пешеходов в режиме реального времени.

Представляем Вашему вниманию перевод статьи о результатах исследования группы испытателей немецкого автогиганта BMW, которые, кажется, приоткрыли для нас эту тайну.

Статья будет опубликована по частям. В сегодняшней первой части рассмотрим «что было» (исходные данные).

А.Барч, Ф. Фитзек, Р.Х. Рассофа
Группа исследований и технологий BMW, Мюнхен, Германия.
Адрес для корреспонденции: А.Барч (armin.bartsch@bmw.de)
Ссылка на оригинал статьи на английском языке


Аннотация. Применение современных серийных радиолокационных (РЛ) датчиков для распознавания пешеходов является одной из важных тем исследований, посвященных развитию систем содействия водителю. Цель данной работы ‒ определить потенциал и ограничения, связанные с применением таких датчиков для распознавания пешеходов. Полученные результаты могут быть использованы для разработки РЛ датчиков нового поколения, способных лучше распознавать пешеходов. В статье предложен новый алгоритм обработки исходных радиолокационных данных, позволяющий глубже понять процесс классификации объектов. Отказ от использования машинного обучения и сопровождения целей позволяет непосредственно оценивать влияние свойств исходных радиолокационных данных на каждом уровне системы классификации. Это, в свою очередь, дает необходимую информацию об ограничивающих факторах, накладываемых исходными радиолокационными данными на принятие решений о классификации. Для решения крайне сложной задачи различения пешеходов и статичных предметов были найдены пять значимых и устойчивых характеристик объектов, основанных на пространственном распределении и доплеровской информации. Экспериментальные результаты, полученные с помощью 77ГГц автомобильного радиолокационного датчика, показали, что при оптимальных условиях более 95% пешеходов могут быть классифицированы правильно. Это сравнимо с результатами систем с машинным обучением. В статье рассматривается и обсуждается влияние таких факторов, как: направление движения пешеходов, преграды, угол наклона луча антенны, линейное движение транспортных средств и т.п. Результаты показывают, что в реальных условиях распознавание пешеходов, основанное исключительно на радиолокации ограничено из-за недостаточного пространственного разрешения и разрешения по доплеровским частотам, а также эффектов, накладываемых боковыми лепестками антенны.

1. Введение
Использование РЛ датчиков в автомобильных системах распознавания пешеходов представляет особой интерес, поскольку данный тип датчиков менее подвержен влиянию окружающей среды (например, туману, дождю и т.д.), в отличии от других систем, таких как видеокамеры (Wenger, 2007). Более того, радиолокационные датчики с высокой разрешающей способностью доступны во многих современных автомобилях, как составная часть систем адаптивного круиз-контроля (АКК). Если АКК и системы распознавания пешеходов могли бы использовать один и тот же РЛ датчик, то затраты на создание обеих систем были бы минимизированы. В данной работе исследован потенциал современных серийных автомобильных РЛ датчиков, предназначенных для систем АКК, для задач распознавания пешеходов. В частности, исследованы слабые стороны РЛ датчиков, влияющие на принятие решений о классификации пешеходов, которые необходимо учитывать при разработке новых датчиков для улучшения системы распознавания пешеходов.

Система распознавания пешеходов с использованием радаров состоит из 2 основных компонентов: РЛ датчика и модуля обработки сигналов, то есть системы предварительной обработки исходных РЛ данных, совмещенной с алгоритмом классификации. В данной работе описан блок обработки РЛ сигнала, позволяющий исследовать сильные и слабые стороны РЛ датчика в действующей системе. Таким образом, в случае возникновения ошибки классификации, можно будет определить её причину. Это может быть неполноценность исходных данных для выбора верного класса объекта или неспособность алгоритма классификации выжать необходимую информацию из данных из-за его несовершенства. Неверные исходные данные объекта могут быть статистически неотличимы от данных объекта, принадлежащего к другому классу. Например, это могут быть данные от медленно движущегося пешехода, которые из-за погрешностей квантования почти неотличимы от исходных данных от небольшого неподвижного объекта, такого как дорожный знак.


Обычная система распознавания без возможности использования обратного отслеживания (слева) и новый метод распознавания с возможностью обратного отслеживания ошибок классификации (справа)

Рис. 1. Обычная система распознавания без возможности использования обратного отслеживания (слева) и новый метод распознавания с возможностью обратного отслеживания ошибок классификации (справа).

Предыдущие подходы к распознаванию пешеходов с помощью РЛ датчиков (например, Benitez, 2011; Rohling, 2007; Freund, 2007; Buchele, 2008; Kouemou, 2008; He, 2010) в основном использовали сложные характеристики сигналов, машинное обучение для классификации и, часто, модели походки человека для интерпретации микро-доплеровских сигнатур.

Но классификационные решения, сделанные с помощью алгоритмов машинного обучения, непрозрачны. Следовательно, невозможно определить точную причину принятия алгоритмом того или иного классификационного решения в каждом из случаев. Значимость различных характеристик объекта, определенных из исходных данных, изучалась при обработке обучающего набора данных. Эта ключевая информация спрятана в недрах алгоритма и является труднодоступной. Следовательно, при использовании алгоритмов машинного обучения невозможно отследить обратный путь от принятого классификационного решения до исходных РЛ данных (см. Рис. 1). Модели походки человека (например, Nanzer, 2009, Kim, 2008, Ritter,2007, Hornsteiner, 2008), которые объясняют микро-доплеровские сигнатуры, применимы только с датчиками, имеющими очень высокое разрешение по доплеровской частоте, и вместо отдельных кадров требуют радиолокационные данные за более длительный, непрерывный временной период.

Поэтому необходим другой подход к распознаванию пешеходов без использования машинного обучения и сложных характеристик объекта. В данной работе представлена интеллектуальная система распознавания пешеходов, состоящая из простейших компонентов, и предоставляющая прозрачную систему принятия классификационных решений. Набор характеристик объекта, их критерии значимости и весовые коэффициенты, как и детали алгоритма классификации, были определены эмпирическим путем. Основной акцент будет сделан на граничные и внешние условия, и их влияние на исходные РЛ данные. Будут рассмотрены направление движения пешеходов, преграды, угол наклона антенны и прочие факторы, с целью сравнения результатов распознавания в оптимальных условиях и условиях, приближенных к реальным.

2. Исходные данные РЛ датчика
В данной работе использован сканирующий автомобильный РЛ датчик, работающий на частоте 77 ГГц. Данный датчик разработан для серийных систем АКК. Основные технические характеристики датчика представлены в Таблице 1. Каждые 66 мс датчик измеряет мощность принимаемого сигнала и доплеровские сдвиги частот для каждого элемента пространственного разрешения. Элемент разрешения составляет 1˚ на 0,25 м.


Диапазон частот 76-77 ГГц
Разрешение по доплеровской частоте / относительной радиальной скорости 390/0.77 Гц/мс -1
Размер элемента разрешения по азимуту 1 ◦(градусы)
Размер элемента разрешения по радиальному расстоянию 0.25 м
Максимальное расстояние до объектов 50 м
Диапазон отклонения луча (по азимуту) 17 ◦(градусы)
Ширина луча (3 дБ, по азимуту) 2.5 ◦(градусы)
Время обзора 66 мс
Метод модуляции сигнала ЛЧМ
последовательность
-

Доплеровский сдвиг частоты пропорционален радиальной составляющей относительной скорости между датчиком и отражающим объектом. Как следствие, датчик может с легкостью преобразовать информацию о доплеровском сдвиге в значения радиальной скорости. Важно иметь в виду, что движение объекта без изменения расстояния между ним и датчиком не вызывает доплеровских сдвигов в отраженном сигнале. Доплеровская информация, выдаваемая датчиком, не ограничена разрешением измерения частот, потому что она дополнительно интерполируется с целью минимизации ошибок квантования.

На каждом цикле измерений создается один информационный кадр, состоящий из двух матриц. Так называемое «яркостное изображение» содержит значения мощности принятого сигнала для всех элементов пространственного разрешения, в то время как «частотное изображение» содержит относительные радиальные скорости отражающих центров в каждом элементе разрешения.

На Рисунке 2 представлены примеры радиолокационных данных, полученных от пешехода. Эти матрицы представляют собой низкоуровневые исходные радиолокационные данные, используемые для распознавания пешехода.

Пример исходных радиолокационных данных пешехода

Рис. 2. Пример исходных радиолокационных данных пешехода. Принцип деления пространственного диапазона, измеряемого датчиком, на элементы разрешения изображен слева. Датчик измеряет отраженную мощность и доплеровский сдвиг в отраженном сигнале для каждого элемента разрешения, создавая две матрицы данных: яркостное и частотное изображения (по центру). Значения пикселей на яркостном изображении соответствуют отраженной мощности, в то время как значения пикселей на частотном изображении соответствуют измеренному доплеровскому сдвигу. Значение равное 128 указывает на доплеровский сдвиг 0 Гц.


Источник: http://www.adv-radio-sci.net/10/45/2012/ars-10-45-2012.pdf


Теги: датчики автомобиля, радиолокационные датчики, радиолокация, рлс