Оптимизация обработки данных автомобильного радара миллиметрового диапазона с помощью модифицированной нейронной сети MFNN
- Авторы: Панокин Н.В.1, Костин И.А.1, Карловский А.В.1
-
Учреждения:
- Московский политехнический университет
- Выпуск: Том 91, № 3 (2024)
- Страницы: 281-289
- Раздел: Новые машины и оборудование
- Статья получена: 28.12.2023
- Статья одобрена: 13.04.2024
- Статья опубликована: 06.09.2024
- URL: https://journals.eco-vector.com/0321-4443/article/view/624873
- DOI: https://doi.org/10.17816/0321-4443-624873
- ID: 624873
Цитировать
Полный текст



Аннотация
Обоснование. Распознавание и представление дорожной сцены является актуальной задачей в сфере автономного управления транспортом. Одним из способов улучшения характеристик существующих аппаратных средств сенсорики представляется применение нейронных сетей для обработки сигналов.
Цель работы — проведение экспериментального исследования возможностей применения модифицированной нейронной сети MFNN для повышения разрешающей способности радара с небольшим числом каналов; сравнение с классическим алгоритмом, построенным на базе быстрого преобразования Фурье (БПФ), а также сравнение результатов с данными, полученными с других типов сенсоров (лидаров).
Методы. Используется алгоритм представления дорожной сцены, в частности, обнаружения пешеходов и автомобилей, с использованием автомобильного радара миллиметрового диапазона и метода определения компонентов данных применительно к задаче DOA, построенного на основе нейронной сети MFNN, модифицированной для случая представление сигналов, принимающих комплексные значения, в виде коэффициентов избыточного базиса, минимизирующего эти коэффициенты по норме L1. Для сравнительного анализа используется алгоритм на базе быстрого преобразования Фурье (БПФ).
Результаты. В результате проведенных исследований получено подтверждение практической реализуемости разработанной модификации метода MFNN, а также продемонстрировано преимущество применения нейронной сети, заключающееся в увеличении степени детализации объектов, точности определения их формы и положения с использованием радара с небольшим числом каналов.
Заключение. Полученные результаты могут быть использованы при создании решений для повышения эффективности обнаружения препятствий на пути следования транспорта, автоматического управления транспортным средством, непрерывного мониторинга окружающей среды и прочее, что позволит улучшить безопасность и эффективность функционирования высокоавтоматизированных и автономных систем.
Полный текст

Об авторах
Николай Викторович Панокин
Московский политехнический университет
Автор, ответственный за переписку.
Email: pan.itl.np@gmail.com
ORCID iD: 0000-0003-0380-3733
SPIN-код: 1055-5884
канд. техн. наук, начальник центра перспективных разработок автономных систем
Россия, МоскваИван Александрович Костин
Московский политехнический университет
Email: kostin.ivan.a@gmail.com
ORCID iD: 0000-0002-9069-9198
SPIN-код: 6948-1058
инженер-исследователь центра перспективных разработок автономных систем
Россия, МоскваАлександр Васильевич Карловский
Московский политехнический университет
Email: a.karlovskiy@yandex.ru
ORCID iD: 0000-0001-7660-3375
SPIN-код: 6948-1864
научный сотрудник центра перспективных разработок автономных систем
Россия, МоскваСписок литературы
- Denisov V.P., Dubinin D.V., Erofeev D.V. Using the Maximum-Likelihood Method for the Angular Resolution of the Signal Sources in Multibase Phase Direction Finders // Radiophys Quantum Electronics. 2021. Vol. 64, N. 7. P. 511–519. doi: 10.1007/s11141-022-10152-9
- Krim H., Viberg M. Two decades of array signal processing research-The parametric approach // IEEE Signal Process. Mag. 1996. Vol. 13. P. 67–94. doi: 10.1109/79.526899
- Lee E.K., Lee J. Performance analysis of conventional beamforming algorithm for angle-of-arrival estimation under measurement uncertainty // Int. J. Antennas Propag. 2020. Vol. 2020. P. 1–24. doi: 10.1155/2020/7515139
- Capon J. High resolution frequency-wavenumber spectrum analysis // Proc. IEEE. 1969. Vol. 57. P. 1408–1418. doi: 10.1109/PROC.1969.7278
- Cho S., Lee J. Efficient Implementation of the Capon beamforming using the Levenberg–Marquardt scheme for two-dimensional AOA estimation // Prog. Electromagn. Res. 2013. Vol. 137. P. 19–34. doi: 10.2528/PIER12122711
- Schmidt R.O. Multiple emitter location and signal parameter estimation // Proc. Radc Spectr. Est. Work. Shop. 1979. Vol. 34. P. 243–258.
- Furletov Y.M., Ivanov A.M., Shadrin S.S., Toporkov M.A. Sound Source Direction of Arrival Estimation for Autonomous Driving Applications. In: 2022 Intelligent Technologies and Electronic Devices in Vehicle and Road Transport Complex (TIRVED), Moscow. 2022. P. 1–5. doi: 10.1109/TIRVED56496.2022.9965523
- Cichocki A., Unbehauen R. Neural Networks for Solving Systems of Linear Equations and Related Problems. // IEEE Transactions on Circuits and Systems I Fundamental Theory and Applications. 1992. Vol. 39, N. 2. P. 619–633. doi: 10.1109/81.167018
- Zala C.A., Barrodale I., Kennedy J.S. High- resolution signal and noise field estimation using the L1 (least absolute values) norm // IEEE J. Oceanic Eng. 1987. Vol. OE-12. P. 253–264.
- Bandler J.W., Kellerman W., Madsen K. A nonlinear L1 optimization algorithm for design, modeling, and diagnosis of networks // IEEE Trans. Circuits Syst. 1987. Vol. 34. P. 174–189.
- Abdelmalek N.N. Solutions of minimum time problem and minimum fuel problem for discrete linear admissible control systems // Int. J. Syst. Sci. 1978. Vol. 8. P. 849–859.
- Levy S., Walker C., Ulrych T.J., Fullagar P.K. A linear programming approach to the estimation of the power spectra of harmonic processes // IEEE Trans. Acoust. Speech. Signal Processing. 1992. Vol. 30. P. 675–679.
- Gribonval R., Morten N. Sparse decompositions in “incoherent” dictionaries. In: Proceedings 2003 International Conference on Image Processing. Barcelona, 2003. Vol. 1. P. 1–33.
- la Cour-Harbo A. Fast Estimation of Optimal Sparseness of Music Signals. In: Proceedings of SPRRA 2006. The Third IASTED International Conference on Signal Processing, Pattern Recognition, and Applications. Innsbruck: ACTA Press, 2006.
- Donoho D.L., Elad M. Optimally sparse representation in general (nonorthogonal) dictionaries via l1 minimization. In: Proceedings of the National Academy of Sciences of the United States of America. 2003. Vol. 100, N. 5. P. 2197–2202. doi: 10.1073/pnas.0437847100
- Fuchs J.-J. On sparse representations in arbitrary redundant bases // IEEE Transactions on Information Theory. 2004. Vol. 50. P. 1341–1344. doi: 10.1109/TIT.2004.828141
- Dantas C., Gribonval R. Stable safe screening and structured dictionaries for faster L1 regularization // IEEE Transactions on Signal Processing. 2019. doi: 10.1109/TSP.2019.2919404
- Traonmilin Y., Vaiter S., Gribonval R. Is the 1-norm the best convex sparse regularization? In: iTWIST’18 — international Traveling Workshop on Interactions between low-complexity data models and Sensing Techniques, Nov 2018, Marseille, France. Marseille, 2018. P. 1–11.
- Bertin N., Daudet L., Emiya V., Gribonval R. Compressive Sensing in Acoustic Imaging. In: Boche, H., Calderbank, R., Kutyniok, G., Vybíral, J. (eds) Compressed Sensing and its Applications. Applied and Numerical Harmonic Analysis. Birkhäuser, Cham: Springer, 2015. doi: 10.1007/978-3-319-16042-9_6
- Foucart S., Gribonval R. Real versus complex null space properties for sparse vector recovery // Comptes Rendus Mathematique. 2010. Vol. 348, N. 15–16. P. 863–865. doi: 10.1016/j.crma.2010.07.024
- Stanković L., Sejdić E., Stanković S., et al. A Tutorial on Sparse Signal Reconstruction and Its Applications in Signal Processing // Circuits Syst Signal Process. 2019. Vol. 38. P. 1206–1263. doi: 10.1007/s00034-018-0909-2
- Zhishun W., Cheung J.Y., Xia Y.S., Chen J. Minimum Fuel Neural Networks and Their Applications to Overcomplete Signal Representations // IEEE Transactions on Circuits and Systems I Fundamental Theory and Applications. 2000. Vol. 47, N. 8. P. 1146–1159. doi: 10.1109/81.873870
- Panokin N.V., Averin A.V., Kostin I.A., et al. Method for Sparse Representation of Complex Data Based on Overcomplete Basis, l1 Norm, and Neural MFNN-like Network // Applied Sciences. 2024. Vol. 14, N. 5. doi: 10.3390/app14051959
Дополнительные файлы
