Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen

Więcej o książce

Zwei grundlegende Herausforderungen für das Automobilradar sind die Robustheit gegenüber Interferenzen im gleichen Frequenzband und die Verbesserung der Winkelauflösung zur präzisen Lokalisierung von Objekten und Personen. Diese Forschungsarbeit untersucht neue Ansätze der modernen Signalverarbeitung für Automobilradarsensoren, die auf Deep Learning (DL) basieren, um die Leistung und Robustheit konventioneller Verfahren zur Interferenzunterdrückung und Winkelschätzung zu übertreffen. Für das Training der datenbasierten DL-Verfahren werden spezielle Datensätze benötigt, die durch neuartige hybride Verfahren erzeugt werden. Die Effektivität dieser hybriden Verfahren sowie die Robustheit der trainierten Modelle gegenüber Modellabweichungen und Nichtidealitäten werden demonstriert. Am Beispiel der Interferenzunterdrückung werden die Vorteile von DL in der Automobilradarsignalverarbeitung aufgezeigt. Die Konzepte werden erfolgreich anhand von Messungen im 77 GHz-Frequenzband validiert. Zudem wird gezeigt, dass die vorgestellten Verfahren effektiv zur präzisen Lokalisierung von Zielen eingesetzt werden können. Mit hybriden Datensätzen werden drei verschiedene Konzepte zur hochauflösenden Winkelschätzung untersucht, die eine überlegene Leistungsfähigkeit ohne sensorspezifische Kalibrierung erreichen.