ABONAMENTE VIDEO REDACȚIA
RO
EN
NOU
Numărul 147
Numărul 146 Numărul 145 Numărul 144 Numărul 143 Numărul 142 Numărul 141 Numărul 140 Numărul 139 Numărul 138 Numărul 137 Numărul 136 Numărul 135 Numărul 134 Numărul 133 Numărul 132 Numărul 131 Numărul 130 Numărul 129 Numărul 128 Numărul 127 Numărul 126 Numărul 125 Numărul 124 Numărul 123 Numărul 122 Numărul 121 Numărul 120 Numărul 119 Numărul 118 Numărul 117 Numărul 116 Numărul 115 Numărul 114 Numărul 113 Numărul 112 Numărul 111 Numărul 110 Numărul 109 Numărul 108 Numărul 107 Numărul 106 Numărul 105 Numărul 104 Numărul 103 Numărul 102 Numărul 101 Numărul 100 Numărul 99 Numărul 98 Numărul 97 Numărul 96 Numărul 95 Numărul 94 Numărul 93 Numărul 92 Numărul 91 Numărul 90 Numărul 89 Numărul 88 Numărul 87 Numărul 86 Numărul 85 Numărul 84 Numărul 83 Numărul 82 Numărul 81 Numărul 80 Numărul 79 Numărul 78 Numărul 77 Numărul 76 Numărul 75 Numărul 74 Numărul 73 Numărul 72 Numărul 71 Numărul 70 Numărul 69 Numărul 68 Numărul 67 Numărul 66 Numărul 65 Numărul 64 Numărul 63 Numărul 62 Numărul 61 Numărul 60 Numărul 59 Numărul 58 Numărul 57 Numărul 56 Numărul 55 Numărul 54 Numărul 53 Numărul 52 Numărul 51 Numărul 50 Numărul 49 Numărul 48 Numărul 47 Numărul 46 Numărul 45 Numărul 44 Numărul 43 Numărul 42 Numărul 41 Numărul 40 Numărul 39 Numărul 38 Numărul 37 Numărul 36 Numărul 35 Numărul 34 Numărul 33 Numărul 32 Numărul 31 Numărul 30 Numărul 29 Numărul 28 Numărul 27 Numărul 26 Numărul 25 Numărul 24 Numărul 23 Numărul 22 Numărul 21 Numărul 20 Numărul 19 Numărul 18 Numărul 17 Numărul 16 Numărul 15 Numărul 14 Numărul 13 Numărul 12 Numărul 11 Numărul 10 Numărul 9 Numărul 8 Numărul 7 Numărul 6 Numărul 5 Numărul 4 Numărul 3 Numărul 2 Numărul 1
×
▼ LISTĂ EDIȚII ▼
Numărul 147
Abonament PDF

Drumul pe care îl urmăm: Percepție augumentată cu senzori radar

Paul Cristian Bucătaru
Software engineer @ Centrul de Inginerie Bosch



Bogdan Bud
Software Developer @ Centrul de Inginerie Bosch



Andrei Chira
Software Engineer @ Centrul de Inginerie Bosch



PROGRAMARE


În ultimii ani, am fost martorii unei evoluții formidabile a industriei Automotive. Mașinile noastre au devenit vehicule inteligente, autonome care se pot deplasa pe drum, în mod surprinzător de abil. În spatele magiei, se află o flotă de senzori tehnologizați — radar, LiDAR, camere și nu numai — care ajută mașinile să "vadă" și să "gândească" cum nu au făcut-o până acum. Acești senzori avansați, capabili să "vadă" prin întuneric, ceață sau vreme rea, joacă un rol primordial în detectarea obstacolelor, în menținerea distanței de siguranță și în facilitarea luării deciziilor în timp real. Senzorii sunt elementul cheie în construcția de mașini autonome. Este un vis pe care dorim să îl transformăm într-o experiență zilnică normală.

Setul de senzori este ales printr-o analiză a punctelor forte și a punctelor slabe. Obiectivul nostru este de a ajunge la un sistem robust ce poate opera într-o varietate de condiții. Un astfel de senzor, întâlnit în multe vehicule disponibile comercial este RADAR (acronim pentru Radio Detection and Ranging/Detecție Radio și Randare Zonă). Deși fiecare senzor contribuie cu date valoroase, capabilitățile avansate ale radarului pentru monitorizarea la distanță și măsurarea precisă a distanței, indiferent de iluminat îl transformă într- o componentă esențială pentru un sistem de conducere autonomă.

Pe măsură ce se dezvoltă funcționalități de conducere din ce în ce mai sofisticate, este important ca senzorii să furnizeze o reprezentare fiabilă a mediului înconjurător. Percepția radar este o componentă tehnologică care gestionează detecția și interpretarea obiectelor din mediul înconjurător, folosind reflexia undelor electromagnetice. Componenta radar este responsabilă de crearea obiectelor pe baza acestor reflexii și de calcularea atributelor lor pe baza diverșilor algoritmi.

RADAR este un sistem ce folosește astfel de unde electromagnetice din domeniul radio sau microunde pentru a determina distanța, unghiul și viteza obiectelor. Aceste unde care se propagă cu viteza luminii sunt reflectate înapoi de suprafețe, fiind primite sub formă atenuată și distorsionată temporal de radar. Procesul determină o listă de puncte de reflexie care reprezintă datele de intrare pentru Percepție.

Pentru a detecta mediul înconjurător, percepția RADAR urmează câțiva pași: preprocesarea reflexiei, gruparea datelor (clustering), (re)crearea de obiecte, monitorizarea și clasificarea.

Preprocesarea

Preprocesarea reflexiei rafinează datele brute și oferă acuratețe mai mare pentru detectarea și clasificarea obiectelor. Undele radar nu urmează mereu o linie dreaptă, uneori undele ricoșează între vehicule sau între elemente de pe drum (garduri de protecție, pământ, clădiri sau alte obiecte statice). Două dintre cele mai frecvente consecințe sunt reflexia pe căi multiple și oglindirea.

Reflexia pe căi multiple este generată când semnalele radar ricoșează de la vehiculul nostru la cel din față și înapoi, înainte de a fi detectate de senzor. Acest fenomen face ca obiectul să fie creat la distanță dublă sau triplă față de distanța sa reală. Se va crea astfel un obiect ce va apărea în spatele vehiculului real.

Efectul de oglindire are loc când avem o a treia suprafață ce funcționează ca o oglindă. În multe cazuri, undele radar se reflectă de pe un gard de protecție și se întorc la senzor, creând o falsă detecție ce face ca un obiect să apară ca și cum ar fi poziționat pe partea opusă a gardului de protecție.

În conducerea autonomă, aceste efecte conduc la estimarea eronată a mediului înconjurător, ceea ce afectează performanța sistemului. Din acest motiv, este vital să se asigure acuratețea și fiabilitatea datelor detectate prin filtrare.

Monitorizarea obiectelor

Având o vedere sintetică a locațiilor radar, Percepția este responsabilă cu linearizarea și cu gruparea acestora pe baza trăsăturilor similare (clustering), creându-se mai multe obiecte ce trebuie monitorizate și generându-se totodată proprietățile acestor obiecte. Obiectele sunt stocate în memorie și vor funcționa ca date de intrare de următorii pași de monitorizare.

De la acest punct, combinăm două metode pentru a obține o estimare a stării obiectelor: poziție, viteză și orientare pe coordonate carteziene. Primul pas este predicția care se bazează pe un model teoretic linear care anticipează mișcarea obiectelor, folosindu-se de proprietățile și de istoria obiectelor. RADAR-ul actualizează predicțiile, în mod constant, cu măsurători în timp real pentru a corecta orice discrepanțe între poziția reală și cea prezisă. Gradul de încredere acordat pentru măsurătoare vs. predicție este determinat de o cantitate aferentă de incertitudine. Dacă trece ceva timp fără ca un obiect să fie măsurat, acel obiect este scos din lista de obiecte, din moment ce nu îl mai putem estima fără date actualizate de la senzor.

Urmând acești pași, putem reprezenta cu acuratețe mediul înconjurător, monitorizând poziția, viteza și orientarea obiectelor din vecinătatea vehiculului nostru.

Clasificarea

Pentru a aduce mai multă valoare mediului înconjurător deja estimat, folosim mai mulți algoritmi de clasificare ce folosesc proprietăți diferite ale reflexiilor (RCS, viteză, distribuție etc.). Acest fapt ne ajută să diferențiem între diverși participanți la trafic, cum ar fi vehiculele sau pietonii. Unul din aceste modele de clasificare funcționează prin metoda statistică prin care încercăm să potrivim proprietățile cu cea mai apropiată clasă, având un grad de probabilitate ce devine din ce în ce mai fiabil în timp.

Concluzii

Per total, percepția RADAR joacă un rol important în sistemele avansate de asistență a șoferilor, facilitând funcții vitale precum Automatic Emergency Braking (AEB) sau Adaptive Cruise Control (ACC). Totuși, peisajul detecției obiectelor prin RADAR evoluează rapid. Metodele clasice de detecție sunt înlocuite de metode AI, ceea ce oferă acuratețe și adaptabilitate în medii complexe. Siguranța și fiabilitatea acestor sisteme bazate pe AI sunt încă evaluate, deoarece nu există standarde complet definite în acest sens.

În plus, deși tehnologia radar rămâne o tehnologie fundamentală pentru aceste aplicații, aceasta se folosește rar, în mod independent, în vehicule. Soluțiile moderne ADAS se bazează pe fuziunea mai multor senzori, combinând tehnologia RADAR cu camerele, LiDAR și alți senzori pentru a crea o percepție mai completă și mai corectă a mediului în care se conduce.

Referințe:

  1. Bar-Shalom, Yakov and Rongli Xiao, Multitarget-Multisensor Tracking: Principles and Techniques. (1995). Multitarget-Multisensor Tracking: Principles and Techniques | Semantic Scholar

  2. Pearce, A.; Zhang, J.A.; Xu, R.; Wu, K. Multi-Object Tracking with mmWave Radar: A Review.Electronics 202312, 308. https://doi.org/10.3390/electronics12020308

Conferință TSM

NUMĂRUL 147 - Automotive

Sponsori

  • Accenture
  • BT Code Crafters
  • Accesa
  • Bosch
  • Betfair
  • MHP
  • BoatyardX
  • .msg systems
  • P3 group
  • Ing Hubs
  • Cognizant Softvision
  • Colors in projects