Im Forschungsprojekt Automotive Robust Radar Sensing werden Simulationsverfahren entwickelt, um Radarsysteme effizienter zu machen. (Bild: DFKI)
Astyx, BIT Technology Solutions und das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) entwickeln in dem Forschungsvorhaben Automotive Robust Radar Sensing (Au Ro Ra S) neue Simulationsverfahren und Methoden der künstlichen Intelligenz, um Radarsysteme effizienter und das autonome Fahren sicherer zu machen. Im Rahmen des Förderprogramms KMU-innovativ des Bundesministeriums für Bildung und Forschung wollen sie die Messqualität von hochauflösenden Radarsensoren verbessern.
Die Partner aus Forschung und Technologie wollen in den nächsten beiden Jahren ein Automotive-Radarsystem für den Einsatz beim hochautomatisierten Fahren (Level 4) und autonomen Fahren (Level 5) auf die Beine stellen. Das Konsortium will dafür die Qualität der Messdaten des Dauerstrichradars signifikant erhöhen. Bei dieser Radartechnologie werden während der Messung ununterbrochen Radarsignale ausgestrahlt und die Reflektionen werden gemessen.
Der Vorteil von Radarsensoren gegenüber kamerabasierten Verfahren oder Laser-Sensoren (Lidar) ist die direkte Messung der Objektgeschwindigkeit und die Robustheit gegenüber Wettereinflüssen wie Nebel oder Schnee. Nachteile sind mögliche Fehler bei der Signalverarbeitung. Diese können durch Geschwindigkeitsmehrdeutigkeiten oder die Mehrwegausbreitung, beispielsweise aufgrund der reflektierenden Straßenoberfläche, entstehen. In dem Projekt sollen nun die physikalisch bedingten Nachteile von Radar-Sensoren durch Methoden der künstlichen Intelligenz erkannt und beseitigt werden.
Das Know-how von Astyx in den Bereichen 3D-Objekterkennung aus Radarpunktwolken und Deep-Learning-basierter Objekterkennung wollen die Partner nutzen, um die KI-basierte Punktwolkenextraktion aus den Radar-Rohdaten zu verbessern. Astyx ist ein Partner von Analog Devices.
BIT Technology Solutions entwickelt eine synthetische auf der Physik basierende Simulation der Radarsensordaten sowie die benötigten Referenzdaten.
Und der Forschungsbereich Erweiterte Realität am DFKI übernimmt einen Großteil der Verbesserung der Datenqualität durch neu zu erforschende Signalverarbeitungsschritte mittels tiefer neuronaler Netze. Den Effekt der Mehrwegeausbreitung bei der Radarmessung wollen die Forscher durch maschinelle Lernverfahren erkennen und kompensieren. Dabei analysieren sie die Messdaten des Radar-Sensors mithilfe von neuronalen Netzen und entfernen anschließend falsche Werte.
(gk)
