Оптимизация обработки данных автомобильного радара миллиметрового диапазона с помощью модифицированной нейронной сети MFNN

Обложка


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

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

Доступ закрыт

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, Москва

Иван 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, Москва

Александр 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, Москва

Список литературы

  1. 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
  2. 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
  3. 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
  4. Capon J. High resolution frequency-wavenumber spectrum analysis // Proc. IEEE. 1969. Vol. 57. P. 1408–1418. doi: 10.1109/PROC.1969.7278
  5. 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
  6. Schmidt R.O. Multiple emitter location and signal parameter estimation // Proc. Radc Spectr. Est. Work. Shop. 1979. Vol. 34. P. 243–258.
  7. 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
  8. 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
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. Gribonval R., Morten N. Sparse decompositions in “incoherent” dictionaries. In: Proceedings 2003 International Conference on Image Processing. Barcelona, 2003. Vol. 1. P. 1–33.
  14. 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.
  15. 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
  16. 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
  17. 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
  18. 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.
  19. 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
  20. 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
  21. 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
  22. 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
  23. 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

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Архитектура модифицированной нейронной сети MFNN.

Скачать (53KB)
3. Рис. 2. Функциональная схема стенда.

Скачать (29KB)
4. Рис. 3. Экспериментальная дорожная сцена с двумя близко расположенными пешеходами на одной дальности и удалённым уголковым отражателем: а — кадр видеоизображения; b — результат алгоритма БПФ; c — результат работы алгоритма ИБ.

Скачать (95KB)
5. Рис. 4. Экспериментальная дорожная сцена с двумя идущими рядом пешеходами на близких дальностях и удаленным уголковым отражателем: а — кадр видеоизображения; b — результат алгоритма БПФ; c — результат работы алгоритма ИБ.

Скачать (97KB)
6. Рис. 5. Экспериментальная дорожная сцена с автомобилем RAV4: а — кадр видеоизображения; b — результат алгоритма БПФ; c — результат работы алгоритма ИБ.

Скачать (94KB)
7. Рис. 6. Визуализация облака точек, сформированных для экспериментальной дорожной сцены с автомобилем RAV4: а — результаты, полученные с лидара; b — результат обработки данных радара.

Скачать (134KB)

© Эко-Вектор, 2024



 СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: ПИ № ФС 77 - 81900 выдано 05.10.2021.