Compressive Sensing and Its Applications in Automotive Radar Systems

DSpace Repository


Dateien:

URI: http://hdl.handle.net/10900/106871
http://nbn-resolving.de/urn:nbn:de:bsz:21-dspace-1068714
http://dx.doi.org/10.15496/publikation-48249
Dokumentart: PhDThesis
Date: 2019-09-15
Language: English
Faculty: 7 Mathematisch-Naturwissenschaftliche Fakultät
Department: Informatik
Advisor: Bringmann, Oliver (Prof. Dr.)
Day of Oral Examination: 2020-08-18
DDC Classifikation: 004 - Data processing and computer science
500 - Natural sciences and mathematics
510 - Mathematics
600 - Technology
620 - Engineering and allied operations
621.3 - Electric, electronic, magnetic, communications, computer engineering; lighting
Keywords: Komprimierte Abtastung , Radar , Interferenz , Kraftwagen , Signalverarbeitung , Rauschen , Pulsradar , Chirp , Modellierung , Wetter , Maschinelles Sehen , Simulation
Other Keywords: Autonomes Fahren
Rauschradar
Sensor Perception
Interference
Automotive Radar
Phenomenological Sensor model
Noise Radar
semi-virtual model
weather model
adverse weather
FMCW
autonomuous driving
License: http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=de http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=en
Order a printed copy: Print-on-Demand
Show full item record

Inhaltszusammenfassung:

Die Entwicklung in Richtung zu autonomem Fahren verspricht, künftig einen sicheren Verkehr ohne tödliche Unfälle zu ermöglichen, indem menschliche Fahrer vollständig ersetzt werden. Dadurch entfällt der Faktor des menschlichen Fehlers, der aus Müdigkeit, Unachtsamkeit oder Alkoholeinfluss resultiert. Um jedoch eine breite Akzeptanz für autonome Fahrzeuge zu erreichen und es somit eines Tages vollständig umzusetzen, sind noch eine Vielzahl von Herausforderungen zu lösen. Da in einem autonomen Fahrzeug kein menschlicher Fahrer mehr in Notfällen eingreifen kann, müssen sich autonome Fahrzeuge auf leistungsfähige und robuste Sensorsysteme verlassen können, um in kritischen Situationen auch unter widrigen Bedingungen angemessen reagieren zu können. Daher ist die Entwicklung von Sensorsystemen erforderlich, die für Funktionalitäten jenseits der aktuellen advanced driver assistance systems eingesetzt werden können. Dies resultiert in neuen Anforderungen, die erfüllt werden müssen, um sichere und zuverlässige autonome Fahrzeuge zu realisieren, die weder Fahrzeuginsassen noch Passanten gefährden. Radarsysteme gehören zu den Schlüsselkomponenten unter der Vielzahl der verfügbaren Sensorsysteme, da sie im Gegensatz zu visuellen Sensoren von widrigen Wetter- und Umgebungsbedingungen kaum beeinträchtigt werden. Darüber hinaus liefern Radarsysteme zusätzliche Umgebungsinformationen wie Abstand, Winkel und relative Geschwindigkeit zwischen Sensor und reflektierenden Zielen. Die vorliegende Dissertation deckt im Wesentlichen zwei Hauptaspekte der Forschung und Entwicklung auf dem Gebiet der Radarsysteme im Automobilbereich ab. Ein Aspekt ist die Steigerung der Effizienz und Robustheit der Signalerfassung und -verarbeitung für die Radarperzeption. Der andere Aspekt ist die Beschleunigung der Validierung und Verifizierung von automated cyber-physical systems, die parallel zum Automatisierungsgrad auch eine höhere Komplexität aufweisen. Nach der Analyse zahlreicher möglicher Compressive Sensing Methoden, die im Bereich Fahrzeugradarsysteme angewendet werden können, wird ein rauschmoduliertes gepulstes Radarsystem vorgestellt, das kommerzielle Fahrzeugradarsysteme in seiner Robustheit gegenüber Rauschen übertrifft. Die Nachteile anderer gepulster Radarsysteme hinsichtlich des Signalerfassungsaufwands und der Laufzeit werden durch die Verwendung eines Compressive Sensing-Signalerfassungs- und Rekonstruktionsverfahrens in Kombination mit einer Rauschmodulation deutlich verringert. Mit Compressive Sensing konnte der Aufwand für die Signalerfassung um 70% reduziert werden, während gleichzeitig die Robustheit der Radarwahrnehmung auch für signal-to-noise-ratio-Pegel nahe oder unter Null erreicht wird. Mit einem validierten Radarsensormodell wurde das Rauschradarsystem emuliert und mit einem kommerziellen Fahrzeugradarsystem verglichen. Datengetriebene Wettermodelle wurden entwickelt und während der Simulation angewendet, um die Radarleistung unter widrigen Bedingungen zu bewerten. Während eine Besprühung mit Wasser die Radomdämpfung um 10 dB erhöht und Spritzwasser sogar um 20 dB, ergibt sich die eigentliche Begrenzung aus der Rauschzahl und Empfindlichkeit des Empfängers. Es konnte bewiesen werden, dass das vorgeschlagene Compressive Sensing Rauschradarsystem mit einer zusätzlichen Signaldämpfung von bis zu 60 dB umgehen kann und damit eine hohe Robustheit in ungünstigen Umwelt- und Wetterbedingungen aufweist. Neben der Robustheit wird auch die Interferenz berücksichtigt. Zum einen wird die erhöhte Störfestigkeit des Störradarsystems nachgewiesen. Auf der anderen Seite werden die Auswirkungen auf bestehende Fahrzeugradarsysteme bewertet und Strategien zur Minderung der Auswirkungen vorgestellt. Die Struktur der Arbeit ist folgende. Nach der Einführung der Grundlagen und Methoden für Fahrzeugradarsysteme werden die Theorie und Metriken hinter Compressive Sensing gezeigt. Darüber hinaus werden weitere Aspekte wie Umgebungsbedingungen, unterschiedliche Radararchitekturen und Interferenz erläutert. Der Stand der Technik gibt einen Überblick über Compressive Sensing-Ansätze und Implementierungen mit einem Fokus auf Radar. Darüber hinaus werden Aspekte von Fahrzeug- und Rauschradarsystemen behandelt. Der Hauptteil beginnt mit der Vorstellung verschiedener Ansätze zur Nutzung von Compressive Sensing für Fahrzeugradarsysteme, die in der Lage sind, die Erfassung und Wahrnehmung von Radarsignalen zu verbessern oder zu erweitern. Anschließend wird der Fokus auf ein Rauschradarsystem gelegt, das mit Compressive Sensing eine effiziente Signalerfassung und -rekonstruktion ermöglicht. Es wurde mit verschiedenen Compressive Sensing-Metriken analysiert und in einer Proof-of-Concept-Simulation bewertet. Mit einer Emulation des Rauschradarsystems wurde das Potential der Compressive Sensing Signalerfassung und -verarbeitung in einem realistischeren Szenario demonstriert. Die Entwicklung und Validierung des zugrunde liegenden Sensormodells wird ebenso dokumentiert wie die Entwicklung der datengetriebenen Wettermodelle. Nach der Betrachtung von Interferenz und der Koexistenz des Rauschradars mit kommerziellen Radarsystemen schließt ein letztes Kapitel mit Schlussfolgerungen und einem Ausblick die Arbeit ab.

Abstract:

Developments towards autonomous driving promise to lead to safer traffic, where fatal accidents can be avoided after making human drivers obsolete and hence removing the factor of human error. However, to ensure the acceptance of automated driving and make it a reality one day, still a huge amount of challenges need to be solved. With having no human supervisors, automated vehicles have to rely on capable and robust sensor systems to ensure adequate reactions in critical situations, even during adverse conditions. Therefore, the development of sensor systems is required that can be applied for functionalities beyond current advanced driver assistance systems. New requirements need to be met in order to realize safe and reliable automated vehicles that do not harm passersby. Radar systems belong to the key components among the variety of sensor systems. Other than visual sensors, radar is less vulnerable towards adverse weather and environment conditions. In addition, radar provides complementary environment information such as target distance, angular position or relative velocity, too. The thesis ad hand covers basically two main aspects of research and development in the field of automotive radar systems. One aspect is to increase efficiency and robustness in signal acquisition and processing for radar perception. The other aspect is to accelerate validation and verification of automated cyber-physical systems that feature more complexity along with the level of automation. After analyzing a variety of possible Compressive Sensing methods for automotive radar systems, a noise modulated pulsed radar system is suggested in the thesis at hand, which outperforms commercial automotive radar systems in its robustness towards noise. Compared to other pulsed radar systems, their drawbacks regarding signal acquisition effort and computation run time are resolved by using noise modulation for implementing a Compressive Sensing signal acquisition and reconstruction method. Using Compressive Sensing, the effort in signal acquisition was reduced by 70%, while obtaining a radar perception robustness even for signal-to-noise-ratio levels close to or below zero. With a validated radar sensor model the noise radar was emulated and compared to a commercial automotive radar system. Data-driven weather models were developed and applied during simulation to evaluate radar performance in adverse conditions. While water sprinkles increase radome attenuation by 10 dB and splash water even by 20 dB, the actual limitation comes from noise figure and sensitivity of the receiver. The additional signal attenuation that can be handled by the proposed compressive sensing noise radar system proved to be even up to 60 dB, which ensures a high robustness of the receiver during adverse weather and environment conditions. Besides robustness, interference is also considered. On the one hand the increased robustness towards interference of the noise radar system is demonstrated. On the other hand, the impact on existing automotive radar systems is evaluated and strategies to mitigate the impact are presented. The structure of the thesis is the following. After introducing basic principles and methods for automotive radar systems, the theory and metrics of Compressive Sensing is presented. Furthermore some particular aspects are highlighted such as environmental conditions, different radar architectures and interference. The state of the art provides an overview on Compressive Sensing approaches and implementations with focus on radar. In addition, it covers automotive radar and noise radar related aspects. The main part starts with presenting different approaches on making use of Compressive Sensing for automotive radar systems, that are capable of either improving or extending radar signal acquisition and perception. Afterwards the focus is put on a noise radar system that uses Compressive Sensing for an efficient signal acquisition and reconstruction. It was analyzed using different Compressive Sensing metrics and evaluated in a proof-of-concept simulation. With an emulation of the noise radar system the feasibility of the Compressive Sensing signal acquisition and processing was demonstrated in a more realistic scenario. The development and validation of the underlying sensor model is documented as well as the development of the data-driven weather models. After considering interference and co-existence with commercial radar systems, a final chapter with conclusions and an outlook completes the work.

This item appears in the following Collection(s)