Полный текст

ВВЕДЕНИЕ

В современных автономных и беспилотных транспортных средствах сенсоры, ответственные за обнаружение объектов в окружающем пространстве, играют ключевую роль. Надежность данных, получаемых от этих сенсоров, напрямую влияет на эффективность и безопасность работы систем. Однако данные с сенсоров часто содержат различные виды шумов, что снижает качество детекции объектов. Согласно классификации, разработанной международной Ассоциацией автомобильных инженеров (SAE International), автономные системы автомобилей классифицируются по пяти уровням автоматизации, от помощи водителю до полной автоматизации. Примеры таких систем включают адаптивный круиз-контроль, автоматическое торможение/смену полосы и парковочные автопилоты [7, 6].

Одним из основных компонентов автономных систем на различных уровнях автоматизации является радар. Радар использует радиоволны для определения скорости и положения объектов, основываясь на их отражениях в пространстве и времени, за которое отраженные волны возвращаются обратно к радару. Однако эти радиоволны могут быть искажены различными факторами, такими как электромагнитные помехи, погодные условия или отражения от других объектов, что ведет к возможной неверной интерпретации обстановки на дороге автономными системами автомобилей [9]. В радарах существует разнообразие методов обработки данных. Встроенные методы, предоставляемые производителями радаров, а также алгоритмы, используемые в системах беспилотного вождения для обработки полученных данных, хорошо известны. Они демонстрируют относительно хорошую работоспособность, однако не всегда способны решить все задачи, связанные с обработкой радарных данных в условиях повышенного шума и сложных дорожных ситуаций [7].

В представленной работе решается задача повышения эффективности фильтрации данных путем уменьшения ошибок детекции на основе данных радара за счет разработки алгоритма фильтрации данных с радара, работающего в кластерном режиме, включающего фильтрацию по эффективной площади рассеяния (RCS), кластеризацию данных и определение их положения. В данном контексте разрабатывается новый алгоритм, который направлен на решение указанных проблем и является более универсальным и адаптивным по сравнению с существующими методами [8].

Целевой задачей алгоритма фильтрации является обеспечение надежной интерпретации данных радара, что позволяет системе автономного вождения принимать правильные решения в различных дорожных условиях. Алгоритм должен быть универсальным и применимым к любым типам радаров, выдающим данные о положении объектов, их скорости, сигнатуре и эффективной площади рассеяния (RCS) [11].

Актуальность проблемы состоит в том, что к "сырым" данным с радаров зачастую имеют доступ только сами производители радаров, что ограничивает возможности обработки этих данных напрямую. Существующие методы фильтрации готовых данных с радаров не всегда эффективны и основаны на нейронных сетях, что может быть ненадежным решением. Таким образом, существует потребность в разработке алгоритма для уменьшения ошибок обнаружения и повышения качества данных, полученных с радара, независимо от производителя [12].

Целью разработки алгоритма обработки данных с радара является получение хороших результатов, не уступающим существующими методами.

 

Разработка алгоритма обработки данных с радара

Разработка алгоритма по обработке радарных данных для фильтрации шумов проводилась на фрагменте лога данных, полученных с радара ARS 408, производства компании Continental Engineering Services. Данный радар обладает широким углом обзора и высокой чувствительностью, работая на частоте 77 ГГц. Согласно документации, радар ARS использует радиолокационное излучение для анализа окружающей среды [11, 14]. Полученные отраженные сигналы после нескольких этапов обработки алгоритмами самого радара становились доступными в виде кластеров и объектов.

Кластеры представляют собой отраженные радиолокационные волны с информацией о положении, скорости и уровне сигнала, оцениваемые заново каждый цикл. Объекты, в свою очередь, представляют собой группы кластеров, объединенные на основе пространственной близости и других характеристик [8]. В отличие от кластеров, объекты имеют историю и размерность, что делает их предпочтительными для анализа объектов и дорожной ситуации.

Тем не менее, как и у любого датчика, у радара ARS 408 возникают проблемы с корректным обнаружением объектов, как показано на рисунке Рисунок 1.

Для решения данных проблем в радаре реализованы различные механизмы фильтрации сигналов. Таблица Таблица 1 содержит описание некоторых режимов фильтрации.

 

Рисунок 1 –Пример детекции объектов в кластерном и объектовом режиме

 

Таблица 1 – Перечень режимов фильтрации в ARS 408

Критерий фильтрации	Кластер	Объект	Описание
NofObj	x	x	Ограничивает максимальное количество рассылаемых кластеров или объектов (минимальное значение игнорируется).
Расстояние	x	x	Радиальное расстояние в м $\left[r=\sqrt{x^2+y^2}\right]$
Азимут	x	x	Угол в градусах $[a=arc\tan (y/x\left)\right]$
VrelOncome	x	x	Радиальная скорость в зоне прямой видимости датчика в м/с приближающихся скоплений или объектов (все удаляющиеся скопления и объекты в порядке)
VrelDepart	x	x	Радиальная скорость в зоне прямой видимости датчика в м/с удаляющихся скоплений или объектов (все встречные скопления и объекты в порядке)
RCS	x	x	Значение RCS (поперечное сечение радара) в дБм²
Lifetime		x	Время жизни (с момента первого обнаружения) в секундах
Size		x	Размер объекта как площадь в м²
ProbExists		x	Вероятность существования, т.е. вероятность того, что это реальная цель, а не артефакт датчика.

 

Наиболее значимыми способами фильтрации для разрабатываемого алгоритма являются фильтрация по RCS и по времени жизни объекта (параметр Lifetime). Фильтрация по RCS, согласно таблице Таблица 1, доступна как кластерам, так и объектам. Параметр Lifetime доступен только для объектов и означает, что объект считается существующим, если он подтвержден в течение установленного количества времени [15]. Оптимальное значение времени жизни объекта по документации ARS 408 составляет одна секунда, что минимизирует количество ложных объектов. Однако это время может быть критически важным в случае быстро движущихся или маневрирующих объектов, где даже небольшая задержка может иметь серьезные последствия для безопасности. Кроме того, загрузка шины данных CAN, по которой происходит взаимодействие между радаром ARS 408 и системой управления автомобилем, также играет важную роль. Чем больше информации передается и получается с радара, тем меньше доступного пространства на шине данных, что также влияет на общую эффективность и безопасность системы автономного вождения.

 

Алгоритм обработки радарных данных

Алгоритм обработки данных разработан для повышения качества обнаружения объектов и оптимизации времени работы системы на основе данных радара ARS 408. Выбор кластерного режима обработки данных обоснован его способностью обеспечивать детализированное отслеживание каждой радиолокационной точки.

Разработанный алгоритм функционирует следующим образом: радар периодически передает данные в виде кластеров с интервалом около 75 миллисекунд, в соответствии с характеристиками, указанными в документации производителя. Каждая радиолокационная точка в кластере подвергается фильтрации на основе эквивалентной площади рассеивания (RCS), что позволяет выделить сигналы с высокой и низкой интенсивностью. Сигналы с высокой RCS формируют начальные кластеры. На каждом временном шаге новые кластеры объединяются с уже существующими с предыдущего шага. Кластер считается захваченным, если его существование подтверждается в течение N последовательных обновлений данных радара. На следующем (N+1) обновлении данных для каждого захваченного кластера происходит поиск и добавление слабых сигналов, обнаруженных в его окрестности. Для захваченных кластеров вычисляются параметры направления движения, что позволяет окончательно идентифицировать объекты.

На рисунке Рисунок 2 представлена блок-схема разработанного алгоритма фильтрации кластерных данных с радара ARS 408 и преобразования их в объекты.

 

Формат данных

Для разработки алгоритма фильтрации радарных данных, функционирующего эффективно, необходимо детально описать данные, поступающие в кластерном режиме, которые используются в процессе обработки. Кластерный режим предоставляет информацию о точках, обнаруженных радаром, в виде кластеров, что позволяет проводить детальный анализ окружающей среды и объектов в ней.

Для тестирования алгоритма был получен набор данных в формате CSV, содержащий точки с радара. На рисунке Рисунок 3 представлен пример данных, полученных в кластерном режиме.

 

Рисунок 2 – Блок-схема алгоритма фильтрации кластерных данных с радара и их преобразования в объекты

 

Рисунок 3 – Пример входных данных

 

Каждая точка данных включает следующие параметры:

1. $TimeStamp$ – временная метка сканирования радара в наносекундах;
2. $X$ и $Y$ – координаты объекта в метрах;
3. $Vx$ и $Vy$– скорости объекта по осям $X$ и $Y$ в м/с;
4. $RCS$ (Radar Cross Section) – радиолокационное сечение объекта, характеризующее его способность отражать радиосигналы;
5. $DynProp$ – динамическое свойство объекта, указывающее на его текущее состояние и тип движения. Доступные значения включают:
   
   • 0 (moving) – движущиеся объекты;
   • 1 (stationary) – неподвижные объекты;
   • 2 (oncoming) – объекты, движущиеся навстречу;
   • 3 (stationary candidate) – потенциально неподвижные объекты;
   • 4 (unknown) – объекты с неопределенным состоянием;
   • 5 (crossing stationary) – неподвижные объекты, находящиеся на пути движения;
   • 6 (crossing moving) – движущиеся объекты, находящиеся на пути движения;
   • 7 (stopped): объекты, которые были в движении, но остановились.
6. $time series$ – идентификатор временного шага, к которому относится объект;
7. $Velocity$ – скорость движения радара в м/с.

Описанные данные являются важной основой для анализа движения и классификации объектов в реальном времени. Использование динамического свойства значительно улучшает интерпретацию данных, позволяя более точно определять состояние и тип движения каждого объекта.

Пример логов, содержащих радарные данные, представленный на рисунке Рисунок 4, визуализирует радарные данные, а динамическое свойство объектов демонстрирует разнообразие состояний объектов по их сигнатуре.

 

1-местоположения радара относительно осей координат; 2-динамические объекты, декретированные радаром; 3-статические объекты, декретированные радаром

Рисунок 4 – Кластерные данные с радара за одно сканирование

 

Фильтрация данных по эффективной площади рассеяния

Для обеспечения качественной детекции объектов был разработан алгоритм фильтрации точек по значениям радиолокационного сечения (RCS) и динамическому свойству (DynProp). RCS является важным показателем отражающей способности объектов и измеряется в децибелах на квадратный метр (дБм²). Чем выше значение RCS, тем сильнее объект отражает радиосигналы и легче его обнаружить радаром.

Фильтрация данных по RCS осуществляется с использованием порогового метода, основанного на экспериментальных данных и анализе характеристик радара. Исследования показывают, что радар ARS 408 обладает высокой чувствительностью и может реагировать на различные объекты, включая капли дождя. Однако настолько незначительные объекты имеют низкое значение RCS, что делает их детекцию несущественно важным для автономного транспорта. Согласно документации ARS 408, динамические объекты имеют следующие характеристики, приведенные в таблице Таблица 2.

 

Таблица 2 – Дальности обнаружения радиолокационного датчика ARS 408

Угол	Автомобиль	Мотоцикл	Мопед	Пешеход
	10 дБ см (10 м2)	5 дБ см (3 м2)	0 дБ см (1 м2)	-7 дБ см (0,2 м2)
0°	170м	150м	110м	75м
±9°	140м	110м	80м	55м
±20°	70м	60м	45м	30м
±45°	55м	40м	30м	20м

 

Статические объекты, представляющие интерес для обработки, обычно имеют высокие значения RCS, так как они часто содержат металлические части. Поэтому объекты с RCS менее 10 дБм² обычно игнорируются в процессе обработки данных. Блок-схема алгоритма фильтрации представлена на рисунке Рисунок 5.

Рисунок 5 – Блок-схема алгоритма фильтрации по RCS

 

В процессе фильтрации основное внимание уделяется выявлению и отслеживанию динамических объектов, которые представляют наибольший интерес для автономных транспортных систем. Автомобили, мотоциклы и другие движущиеся объекты обычно имеют значения RCS в диапазоне от 1 до 10 дБм² в зависимости от их размера и характеристик.

Для определения порогового значения RCS для фильтрации данных использовались значения из таблицы 1, отображающей максимальные расстояния обнаружения различных объектов при сканировании радаром под различными углами. Было установлено, что объекты с RCS менее 10 дБм², если они не движутся, не представляют интереса для детекции. Результаты фильтрации представлены на рисунке Рисунок 6.

 

Рисунок 6 – Графики распределения сигналов на основе радарных данных до и после фильтрации по RCS

Результаты анализа RCS и оценки динамического свойства интегрируются для принятия решения о том, какие цели следует отслеживать или обнаруживать, а какие могут быть проигнорированы.

 

Кластеризация данных и описание алгоритма

Анализ информации, получаемой от радарной системы, включает важный этап кластеризации, позволяющий выделить группы сигналов с похожими характеристиками и сформировать из них объекты [4]. Кластеризация помогает идентифицировать отдельные сигналы среди общего потока и упростить последующий анализ данных. Кластер — это группа объектов, имеющих похожие характеристики, такие как пространственное положение, скорость движения, и сигнатуры сигналов.

Алгоритм кластеризации данных основывается на выявлении групп объектов с похожими характеристиками. Входными параметрами алгоритма являются множество точек со скана радара и пороговые значения для оценки схожести объектов [4]. На выходе алгоритм формирует группы объектов, объединенные на основе заданных пороговых значений.

 

Математическая формализация

Для алгоритма кластеризации потребуется следующий набор параметров:

1. Множество точек со скана радара $P = \{p_1, p_2, ..., p_n\}$. Для алгоритма необходимо, чтобы каждая из точек содержала такие характеристики, как $p_i=\{x, y, v, dy{n}_{prob}\}$, где x и y – координаты в пространстве, v – скорость, dyn_prob – сигнатура сигнала;
2. Параметры const1 и const2 – пороговые значения расстояния и разницы скоростей, используемые для оценки схожести объектов [4].

На выходе алгоритм формирует группы объектов, имеющих схожие характеристики, объединенные на основе заданных пороговых значений.

Алгоритм кластеризации начинается с инициализации кластеров и присвоения каждому сигналу метки кластера. Затем происходит обход всех сигналов, и для каждого сигнала проверяется ее схожесть с остальными сигналами.

Если расстояние между текущим и рассматриваемым сигналом не превышает заданный порог const1 и разница в скоростях не превышает порог const2, то сигналы считаются схожими и объединяются в один кластер.

Расстояние между двумя точками p_i и p_j определяется как:

                                    $dist\left(p_i,p_j\right)=\sqrt{{\left(x_i - x_j\right)}^2+ {\left(y_i - y_j\right)}^2}$      (1)

Кроме того, для каждой пары точек вычисляется разница в скорости:

                                          $spee{d}_{diff}(p_i, p_j) = |v_i - v_j|$            (2)

Этот процесс продолжается, пока не будет пройден весь набор данных. В результате работы алгоритма формируются кластеры объектов, которые имеют схожие характеристики и могут быть выделены из общего потока данных.

Блок схема алгоритма представлена на рисунке Рисунок 7.

 

Рисунок 7 – Блок-схема алгоритма кластеризации

 

Основным преимуществом разработанного алгоритма кластеризации является его способность учитывать, как пространственное, так и временное распределение объектов. Метод позволяет эффективно группировать объекты на основе их расположения и скорости движения. Результат кластеризации представлен на рисунке

Рисунок 8, отображающий объекты, ставшие более выраженными и организованными в группы.

Визуально стало заметно, что объекты на изображении стали более выраженными и организованными в группы.

 

 

Рисунок 8 – Графики распределения сигналов на основе радарных данных до и после кластеризации

 

 

Алгоритм верификации устойчивости кластеров и описание алгоритма

Анализ данных в динамических системах, где объекты непрерывно перемещаются и изменяют свои свойства, представляет собой сложную задачу. Для эффективной обработки таких данных требуется разработка алгоритмов, способных выявлять устойчивые структуры и отфильтровывать нестабильные объекты [4, 3].

 Алгоритм верификации устойчивости кластеров основан на принципе наблюдения и подтверждения постоянства объектов в течение нескольких временных интервалов [4].

Он включает следующие этапы:

1. Мониторинг кластера: Кластер отслеживается по мере поступления данных на протяжении нескольких последовательных временных интервалов. На каждом интервале анализируется, продолжается ли существование кластера и соответствует ли он установленным критериям.
2. Подтверждение устойчивости: Кластер считается подтвержденным, если он обнаруживается в данных на протяжении N последовательных интервалов. Значение N выбирается с учетом требуемого уровня надежности и особенностей системы.
3. Поддержание существования: После подтверждения кластер сохраняется в системе, пока в его составе присутствует хотя бы одна точка. Если все точки кластера исчезают, он удаляется из системы.
4. Обновление состояния: Каждый раз, когда новые данные поступают, состояние кластера обновляется.

На рисунке Рисунок 9 представлен алгоритм объединения.

 

Математическая формализация

Алгоритм принимает на вход набор кластеров $C=\{c_1,c_2, ..., c_n\}$, где каждый кластер $c_i$ состоит из набора точек $P=\{p_1, p_2, ..., p_n\}$ и центра масс $m_i$.

На выходе алгоритм формирует список объединённых кластеров.

 

Принцип работы алгоритма:

1. Сдвиг точек: Каждая точка p_k из кластера c_i сдвигается в соответствии с ее скоростью и разницей времени между текущим и предыдущим временными шагами. Каждый скан с радара имеет время в наносекундах, в котором он был получен. Для сдвига точек необходимо вычислить $∆t$ в секундах.

                                     $∆t=\frac{|timeStam{p}_n- timeStam{p}_{n+1}|}{1·{10}^9}$       (3)

Где - время в наносекундах, в котором были получены данные со скана с радара,  – номер скана с радара.

Новые координаты точек вычисляются с учетом изменения их положения.

                                                $x_{predicted}=x_i+v_i·∆t$                  (4)

2. Сравнение точек:

• Для каждой точки p_k из кластера c_i  сравниваются все точки p`<sub>j</sub> из кластера <sub>c`j.</sub>
• Рассчитывается расстояние между точками и скорость изменения расстояния по формулам 1 и 2.

3. Определение существования кластера:

Если найдены точки, расстояние и скорость изменения которых не превышают пороговые значения, то считается, что кластер  существует на следующем временном шаге.

Объекты объединяются в новый кластер, представляющий собой совокупность объектов из предыдущего и текущего временных шагов.

 

 

Рисунок 9 – Алгоритм верификации устойчивости кластеров

 

Результат работы и схема алгоритма представлена на рисунках

Рисунок 10 и Рисунок 11.

 

 

 

Рисунок 10 – Графики распределения сигналов на основе радарных данных до и после алгоритма с верификации устойчивости кластеров

 

 

 

Рисунок 11 – Блог-схема алгоритма объединения кластеров

 

Алгоритм аппроксимации кластеров и описание алгоритма

Алгоритм аппроксимации кластеров аппроксимирует нейроны - движение кластера квадратичной функцией и вычисляет ориентацию на основе аппроксимации. Он необходим для вычисления ориентации кластера в динамических системах, где объекты непрерывно перемещаются и изменяют свои свойства [1, 13].

Алгоритм аппроксимации кластеров основан на принципе нахождения квадратичной функции, которая лучше всего описывает движение кластера. Он включает следующие этапы:

1. Мониторинг кластера: Кластер отслеживается по мере поступления данных на протяжении нескольких последовательных временных интервалов.
2. Аппроксимация кластера: Движение кластера аппроксимируется квадратичной функцией, чтобы определить коэффициенты квадратичного члена, линейного члена и постоянного члена.
3. Вычисление ориентации: Ориентация кластера вычисляется на основе аппроксимации, чтобы определить направление движения кластера.

На рисунке Рисунок 12 представлен алгоритм вычисления ориентации кластеров.

 

Математическая формализация

Алгоритм принимает на вход набор точек $P = \{p_1, p_2, ..., p_n\}$, где каждая точка p_i состоит из координат X и Y , описывающих центр кластера. Набор точек описывает движение кластера.

На выходе алгоритм формирует линейную или квадратичную функцию, которая лучше всего описывает движение кластера, и вычисляет ориентацию кластера.

 

Принцип работы алгоритма:

1. Аппроксимация кластера: Движение кластера аппроксимируется линейной функцией $y=ax+b$ и квадратичной функцией $y=a{x}^2+bx+c$.

Для нахождения коэффициентов a, b и c используется метод наименьших квадратов:

 

• Для линейной аппроксимации:

                                            $\sum _{i=1}^n{\left(y_i-a{x}_i-b\right)}^2\to min$              (5)

                                             $a=\frac{n\sum x_i{y}_i-\sum x_i\sum y_i}{n\sum {x_i}^2-{(\sum x_i)}^2}$               (6)

                                                   $b=\frac{\sum y_i-\alpha \sum x_i}{n}$                     (7)

 

• Для квадратичной аппроксимации:

 

                                        $\sum _{i=1}^n{\left(y_i-a{x}_i^2-b{x}_i-c\right)}^2\to min$          (8)

                                             $a=\frac{n\sum {x^2}_i{y}_i-\sum x_i\sum y_i}{n\sum {x_i}^4-{(\sum x_i^2)}^2}$               (9)

                                                 $b=\frac{\sum x_i{y}_i-\alpha \sum x_i^3}{\sum x_i^2}$                 (10)

                                            $c=\frac{\sum y_i-\alpha \sum x_i^2-b\sum x_i}{n}$            (11)

где n – количество точек;

x_i и y_i – координаты -й точки;

a, b, c – коэффициенты квадратичной функции.

 

2. Выбор аппроксимации:
   
   • Проверка положения минимума квадратичной функции:

                      $x_{min}\in \left[min\right(x), max(x\left)\right] \wedge y_{min} \in \left[min\right(y), max(y\left)\right]$                                                                           (12)

                                                         $x_{min}=\frac{-b}{2a}$                         (13)

                                               $y_{min}=a{x}_{min}^2+b{x}_{min}+c$               (14)

где x_min – координата X точки минимума квадратичной функции;

y_min – координата Y точки минимума квадратичной функции;

min(x), max(x) – минимальное и максимальное значения координаты  в наборе данных;

min(y), max(y) – минимальное и максимальное значения координаты  в наборе данных.

Данное условие используется для проверки, находится ли точка минимума квадратичной аппроксимации внутри диапазона данных. Если точка минимума квадратичной аппроксимации находится вне диапазона данных, то это означает, что квадратичная аппроксимация не может точно описать зависимости между данными в этом диапазоне. В этом случае выбирается линейная аппроксимация, которая является более простой и быстрой.

 

• Сравнение ошибок аппроксимаций:

Если ошибка линейная больше ошибка квадратичная, то выбирается квадратичная аппроксимация. Иначе выбирается линейная аппроксимация.

                          $f\left(x\right)=\left\{\begin{array}{ll}a{x}^2+bx+c,& если E_{линейная} < E_{квадратичная}\\ ax+b,& иначе\end{array}\right.$                                                                           (15)

• Для линейной аппроксимации:

                                       $E_{линейная} = \frac{1}{n}\sum _{i=1}^n(y_i-{(a{x}_i+b))}^2$       (16)

• Для квадратичной аппроксимации:

                                $E_{квадратичная} = \frac{1}{n}\sum _{i=1}^n(y_i-{(a{x}_{{}_i}^2+b{x}_i+c))}^2$       (17)

 

Линейная аппроксимация является более простой и быстрой, но она может не точно описывать сложные зависимости между данными. Квадратичная аппроксимация, с другой стороны, является более сложной и дает больше информации, но она может быть более чувствительной к шуму в данных. Если ошибка линейной аппроксимации больше ошибки квадратичной аппроксимации, то это означает, что линейная аппроксимация не может надежно описать зависимости между данными, и поэтому выбирается квадратичная аппроксимация.

 

3. Вычисление ориентации:

Ориентация кластера вычисляется на основе выбранной аппроксимации. Известно, где начало и конец цепочки точек кластера, и там мы рисуем касательную и вычисляем по ней угол.

Ориентация кластера вычисляется на основе выбранной аппроксимации.

• Для линейной аппроксимации:

                                                      $\phi ={\tan }^{-1}\left(\alpha \right)$                      (18)

• Для квадратичной аппроксимации:

                                                 $\phi ={\tan }^{-1}(\alpha x_0+b)$                 (19)

где $\phi$ – угол ориентации;

$\alpha$ – наклон линейной функции;

a и b – коэффициенты квадратичной функции;

x₀ – координата x начальной точки цепочки точек.

 

Рисунок 12 – Блог-схема вычисления ориентации кластеров

 

На рисунке Рисунок 13 представлен визуализированный пример результата работы алгоритма вычисления ориентации кластера.

Рисунок 13 – Графики линейная и квадратичная аппроксимация нейронов кластера

 

Преобразование данных в объекты

Для дальнейшей работы беспилотной системы Autoware с данными, нужно преобразовать их в объекты. В этом случае используется алгоритм преобразования кластеров в объекты. В процессе преобразования вычисляются параметры объекта на основе кластера точек. Скорость объекта позволяет классифицировать объект как динамический или статический.

Алгоритм принимает на вход кластер $C = \{c_1, c_2, ..., c_n\}$ где c_i – точка кластера, а также velocity – скорость в м/с и $\theta$ – угол в градусах.

На выходе алгоритм формирует объект , где w и h - длина и ширина объекта.

Сначала алгоритм вычисляет центр кластера, используя средние значения координат x и y всех точек в кластере. Затем, если скорость объекта больше единицы, определяется ширина и высота объекта, вычисляя разницу между максимальными и минимальными значениями координат x и y соответственно. Если скорость объекта меньше единицы (т.е. объект статический), алгоритм использует алгоритм Грэхема для вычисления точек, составляющих выпуклую оболочку кластера точек, что позволяет определить форму объекта на основе его контурных точек [10].

 

 

Рисунок 14 – Результат преобразования кластеров в объекты

 

Таким образом, алгоритм позволяет вычислить параметры объекта на основе его кластера точек и определить его тип, что является важным этапом в обработке сигналов в задачах компьютерного зрения.

 

Анализ результатов работы алгоритма

Результаты работы разработанного алгоритма осуществляющий фильтрацию шумов с радарных данных прошли обработку для оценки эффективности алгоритма в обнаружении объектов с использованием расчета Precision, Recall и F1-score.

• Precision: Доля верно обнаруженных объектов среди всех объектов, обнаруженных алгоритмом.
• Recall: Доля действительно существующих объектов, обнаруженных алгоритмом, среди всех эталонных объектов.
• F1-score: Гармоническое среднее между Precision и Recall, позволяющее оценить баланс между ними.

Анализ проводился на основе сопоставления результатов алгоритма с эталонными данными, а также путем расчета меры перекрытия IoU (Intersection over Union) для оценки степени пересечения объектов на изображениях. Результаты работы алгоритма представлены на рисунке Рисунок 15 в таблице Таблица 3:

 

Рисунок 15 – Результат преобразования кластеров в объекты

 

Таблица 3 – Матрица ошибок для разработанного алгоритма

	Объект обнаружен	Объект не обнаружен
Объект существует	TP = 2201	FP =899
Объект не существует	FN = 591	TN = -

Значения метрик:

• Precision: 0.79
• Recall: 0.71
• F1-score: 0.75

Разработанный алгоритм демонстрирует удовлетворительную эффективность в обнаружении объектов на радарных данных. Результаты анализа, представленные в виде метрик Precision, Recall и F1-score, показывают, что алгоритм верно обнаруживает 79% объектов из всех, найденных им, и 71% действительно существующих объектов. Гармоническое среднее этих метрик (F1-score) составляет 0.75, что свидетельствует о сбалансированной работе алгоритма.

 

ЗАКЛЮЧЕНИЕ

В рамках данной работы был разработан и реализован алгоритм обработки данных с радара. Основной целью алгоритма являлась корректная детекция объектов на основе кластерных данных. Выбор кластерного режима радара для обработки данных обусловлен его преимуществами перед объектным режимом, так как кластерный режим позволяет более гибко работать с данными и рассматривать каждый полученный сигнал как отдельный объект.

Алгоритм обработки данных включает несколько ключевых этапов: фильтрацию данных по эффективной площади рассеяния (RCS) и динамическим свойствам объектов, кластеризацию данных для выделения схожих групп объектов и преобразование кластеров в объекты. Результаты работы алгоритма были проанализированы с использованием метрик Precision, Recall и F1-score, которые показали высокую производительность алгоритма в детекции объектов на основе радарных данных. Сравнение текущих результатов с предыдущими данными продемонстрировало значительное улучшение производительности алгоритма.

Разработанный алгоритм представляет собой эффективный инструмент для обнаружения объектов и может быть успешно применен в системах автономного управления и беспилотных транспортных средствах. Полученные результаты служат основой для дальнейшего совершенствования и оптимизации алгоритма с целью повышения точности детекции объектов.

Перспективы применения данной работы включают системы автономного управления автомобилями и беспилотными транспортными средствами, автоматизированные системы мониторинга и управления дорожным движением, роботизированные системы, военные и оборонные приложения, а также системы безопасности и наблюдения, использующие радары для детекции и классификации движущихся объектов.

Об авторах

Антон Дмитриевич Кузин

Центральный научно-исследовательский автомобильный и автомоторный институт (НАМИ)

Автор, ответственный за переписку.
Email: ak17961@gmail.com

Инженер сектора архитектуры и логики мультимедийных систем

Россия, 125438, г. Москва, ул. Автомоторная, 2.

Владимир Валентинович Дебелов

ГНЦ РФ ФГУП "НАМИ"

Email: vladimir.debelov@nami.ru
SPIN-код: 8701-7410

канд. техн. наук, доцент, начальник отдела технологии программного обеспечения

Россия, 125438, г. Москва, ул. Автомоторная, 2.

Денис Владимирович Ендачев

ГНЦ РФ ФГУП "НАМИ"

Email: denis.endachev@nami.ru

канд. техн. наук, исполнительный директор по информационным и интеллектуальным системам

Россия, 125438, г. Москва, ул. Автомоторная, 2.

Список литературы

Дополнительные файлы