FMCW radar sinyalleri ile LSTM tabanlı hedef sınıflandırması

Dünya Sağlık Örgütü’ne (WHO) göre, her yıl trafik kazalarından kaynaklı yaklaşık 20-50 milyon yaralanma olmaktadır. Yaralanmaların çoğu savunmasız yayalar, bisikletliler ve motosikletliler arasındadır. Otonom araçlar (OA) bu soruna mükemmel bir çözüm gibi görünmektedir. OA’lardaki radar sensörleri, hem hız ve menzili ölçtüğü, hem de kötü hava koşullarında çalışabildiği için etkili bir sensördür. Bu çalışmada ilk olarak, 24GHz FMCW radar sinyallerini simüle ederek 300 spektrogram içeren bir veri seti oluşturulmuştur. Bir 2 boyutlu simülasyon ortamında, orijine tek bir radar yerleştirildi ve bu dikdörtgen alana farklı parametrelerde diğer nesneler (örneğin yükseklik, yön, hız) yerleştirildi. Ardından, spektrogram görüntüleri üzerindeki Mikro-Doppler model özellikleri çıkarıldı ve Uzun Kısa Süreli Bellek Ağları (LSTM’ler) ile eğitildi. Önerilen yaklaşımın etkinliği test edildi, test setinde %95 ortalama doğruluk ve F1 skoru elde edildi, sonuçta diğer bazı yöntemlerden daha iyi performans gösterdi.

According to the World Health Organization(WHO), every year around 20-50 million people are injured from road traffic accidents. Most of the injuries are among vulnerable pedestrians, cyclists, and motorcyclists. Autonomous vehicles (AVs) seem to be the perfect solution to this problem. Radar sensors in AVs is an effective sensor since it simultaneously measures speed and range while being robust in bad weather conditions. In this work first, a dataset which contains 300 spectrograms are created by simulating a 24GHz FMCW radar signals. In a 2D simulation environment, a single radar is placed to the origin, and other objects of varying parameters ( e.g height, heading, speed) are placed in this rectangular area. Then, the features are extracted from the Micro-Doppler patterns on the spectrogram images and trained on Long Short Term Memory Networks(LSTMs). The average accuracy and F1 score of the proposed method on the test set is 95% which outperforms some existing methods.