MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016934726
■00520240214101646
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380333689
■035    ▼a(MiAaPQ)AAI30633715
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aGao,  Xiangyu.
■24510▼aEfficient  and  Enhanced  Radar  Perception  for  Autonomous  Driving  Systems▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Washington.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(136  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Roy,  Sumit.
■5021  ▼aThesis  (Ph.D.)--University  of  Washington,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aMillimeter-wave  radars  are  increasingly  integrated  into  commercial  vehicles  to  support  advanced  driver-assistance  systems,  enabling  robust  object  detection,  localization,  and  recognition  as  a  crucial  component  of  environmental  perception  in  autonomous  driving  systems.  This  thesis  focuses  on  radar  perception  algorithm  design,  incorporating  fundamental  signal  processing,  and  novel  deep  learning  applications  to  address  open  challenges  observed  in  autonomous  driving.To  tackle  challenging  conditions  for  autonomous  driving,  where  optical  sensing  may  be  limited,  we  propose  a  novel  radar  multiple  perspectives  convolutional  neural  network  (RAMP-CNN).  This  model  extracts  object  location  and  class  information  from  range-velocity-angle  heatmap  sequences.  To  reduce  complexity,  we  combine  lower-dimension  network  models  within  our  RAMP-CNN,  achieving  significant  performance  enhancement.  Experimental  results  demonstrate  superior  average  recall  and  average  precision  compared  to  prior  works  in  all  testing  scenarios.  Notably,  the  RAMP-CNN  model  exhibits  robust  performance  during  nighttime,  showcasing  potential  for  low-cost  radars  as  substitutes  for  optical  sensing  under  adverse  conditions.Current  vehicular  radar  imaging  suffers  from  poor  azimuth  resolution  for  side-looking  operation  due  to  antenna  size  constraints.  To  address  this  limitation,  we  propose  a  multiple-input  and  multiple-output  synthetic  aperture  radar  (MIMO-SAR)  imaging  technique.  By  applying  coherent  SAR  principles  to  vehicular  MIMO  radar,  we  enhance  the  side-view  angular  resolution.  The  proposed  MIMO-SAR  algorithm  employs  a  2-stage  hierarchical  workflow,  significantly  reducing  computation  load  while  preserving  image  resolution.  Coherent  processing  over  the  synthetic  aperture  is  enabled  by  integrating  a  radar  odometry  algorithm  to  estimate  the  trajectory  of  the  ego  radar.  Validation  of  the  MIMO-SAR  algorithm  is  conducted  through  simulations  and  real  experiment  data  collected  from  a  vehicle-mounted  radar  platform.Anti-collision  assistance  (as  part  of  the  current  push  towards  increasing  vehicular  autonomy)  critically  depends  on  accurate  detection/localization  of  moving  targets  in  vicinity.  An  effective  solution  pathway  involves  removing  background  or  static  objects  from  the  scene,  so  as  to  enhance  the  detection/localization  of  moving  targets  as  a  key  component  for  improving  overall  system  performance.  We  present  an  efficient  algorithm  for  background  removal  for  automotive  scenarios,  applicable  to  commodity  frequency-modulated  continuous  wave  (FMCW)-based  radars.  Our  proposed  algorithm  follows  a  three-step  approach:  a)  preprocessing  of  back-scattered  received  radar  signal  for  4-dimensional  (4D)  point  clouds  generation,  b)  3-dimensional  (3D)  radar  ego-motion  estimation,  and  c)  notch  filter-based  background  removal  in  the  azimuth-elevation-Doppler  domain.  The  performance  of  our  algorithm  is  evaluated  using  both  simulated  data  and  experiments  with  real-world  data.  By  offering  a  fast  and  computationally  efficient  solution,  our  approach  contributes  to  a  potential  pathway  for  challenges  posed  by  non-homogeneous  environments  and  real-time  processing  requirements.Overall,  this  thesis  contributes  to  the  advancement  of  autonomous  driving  systems  by  introducing  efficient  and  enhanced  radar  perception  techniques.  The  proposed  algorithms  address  critical  challenges,  paving  the  way  for  safer  and  more  reliable  autonomous  vehicles  in  diverse  and  complex  driving  environments.
■590    ▼aSchool  code:  0250.
■650  4▼aElectrical  engineering.
■650  4▼aCivil  engineering.
■650  4▼aComputer  engineering.
■653    ▼aAutonomous  driving  systems
■653    ▼aMachine  learning
■653    ▼aMillimeter-wave  radar
■653    ▼aRadar  perception
■653    ▼aSignal  processing
■690    ▼a0544
■690    ▼a0800
■690    ▼a0543
■690    ▼a0464
■71020▼aUniversity  of  Washington▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0250
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934726▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서