Simulation of Automotive Radar Point Clouds in Standardized Frameworks
Seiten
2021
Cuvillier Verlag
978-3-7369-7536-1 (ISBN)
Cuvillier Verlag
978-3-7369-7536-1 (ISBN)
The simulation of the vehicle’s environmental sensors, the so-called sensor simulation, is crucial for testing and validating autonomous driving. Automobile manufacturers are increasingly focusing on a standardized architecture with a high level of abstraction. In order to simulate the sensors, such as radar sensors, most realistically on a point cloud level, data-based methods are used in many cases. In general, and specifically in case of radar sensors, there are still challenges to be faced. Therefore, four research questions are addressed:
Is it possible to generate synthetic training data for data-based models? Which statistical approaches are suitable to simulate radar point clouds and how shall their learning capacities be evaluated? Is there a modeling approach to circumvent the disadvantages of statistical modeling? How to tackle the statistical nature of radar sensors during validation? Die Simulation der Umfeldsensoren des Fahrzeugs, die sogenannte Sensorsimulation, ist für Test und Absicherung des autonomen Fahrens entscheidend. Die Automobilhersteller setzen dabei zunehmend auf eine standardisierte Architektur mit hohem Abstraktionsgrad. Um die Sensoren, wie z.B. Radarsensoren, möglichst realitätsnah auf Punktwolkenebene zu simulieren, werden in vielen Fällen datenbasierte Methoden eingesetzt. Im Allgemeinen und speziell im Fall von Radarsensoren gilt es noch immer zahlreiche Herausforderungen zu meistern. Daher werden in dieser Arbeit vier Forschungsfragen behandelt:
Können synthetische Trainingsdaten für datenbasierte Modelle generiert werden? Welche statistischen Ansätze sind geeignet, um Radar-Punktwolken zu simulieren und wie können die Ansätze bewertet werden? Gibt es einen Modellierungsansatz, um Nachteile der statistischen Modellierung zu umgehen? Wie kann die statistische Natur bei der Validierung berücksichtigt werden?
Is it possible to generate synthetic training data for data-based models? Which statistical approaches are suitable to simulate radar point clouds and how shall their learning capacities be evaluated? Is there a modeling approach to circumvent the disadvantages of statistical modeling? How to tackle the statistical nature of radar sensors during validation? Die Simulation der Umfeldsensoren des Fahrzeugs, die sogenannte Sensorsimulation, ist für Test und Absicherung des autonomen Fahrens entscheidend. Die Automobilhersteller setzen dabei zunehmend auf eine standardisierte Architektur mit hohem Abstraktionsgrad. Um die Sensoren, wie z.B. Radarsensoren, möglichst realitätsnah auf Punktwolkenebene zu simulieren, werden in vielen Fällen datenbasierte Methoden eingesetzt. Im Allgemeinen und speziell im Fall von Radarsensoren gilt es noch immer zahlreiche Herausforderungen zu meistern. Daher werden in dieser Arbeit vier Forschungsfragen behandelt:
Können synthetische Trainingsdaten für datenbasierte Modelle generiert werden? Welche statistischen Ansätze sind geeignet, um Radar-Punktwolken zu simulieren und wie können die Ansätze bewertet werden? Gibt es einen Modellierungsansatz, um Nachteile der statistischen Modellierung zu umgehen? Wie kann die statistische Natur bei der Validierung berücksichtigt werden?
| Erscheinungsdatum | 02.12.2021 |
|---|---|
| Verlagsort | Göttingen |
| Sprache | englisch |
| Maße | 148 x 210 mm |
| Themenwelt | Technik ► Elektrotechnik / Energietechnik |
| Schlagworte | Abtastfrequenz • Automated Driving • Automatisiertes Fahren • Autonomes Fahren • Autonomous Driving • beam expansion • consistency • data based modeling • Datenbasierte Modellierung • Doppler-effect • Doppler-Effekt • Driver Assistance Systems • Error Analysis • error propagation • Fahrerassistenzsysteme • Fehleranalyse • Fehlerfortpflanzung • generative adversarial networks • generative neural networks • generative neuronale Netze • Geschwindigkeitsverteilung • hybrides Radarsensormodell • hybrid radar sensor model • hypothesentestbasierte Validierung • hypothesis test based validation • Kerndichteschätzung • Kernel Density Estimation • Konsistenz • Künstliche Neuronale Netze • Lichtgeschwindigkeit • Mehrfachreflexionen • micro-Doppler effect • micro-Doppler signature of rims • Mikro-Doppler-Effekt • Mikro-Doppler-Signatur von Felgen • Modellvalidierung • model validation • multiple reflections • Open Simulation Interface • point cloud distribution • point cloud simulation • position based validation • positionsbasierte Validierung • Punktwolkensimulation • Punktwolkenverteilung • radar point cloud • Radarpunktewolke • radar simulation • Radarsimulation • ray casting based sensor model • Raycasting-basiertes Sensormodell • ray tracing based radar simulation • Raytracing-basierte Radarsimulation • reflections on curved surfaces • rtificial neural networks • scenario based validation • sensor simulation • Sensorsimulation • Simulation • simulation based testing • simulation based validation • simulationsbasierte Absicherung • simulationsbasiertes Testen • Speed of Light • standardisierte Simulationsumgebung • standardized simulation framework • statistical modeling • statistical validation • statistische Modellierung • statistische Validierung • Strahlaufweitung • szenarienbasierte Validierung • test and validation • Test und Absicherung • Validation • Validierung • Variational Autoencoder • velocity distribution |
| ISBN-10 | 3-7369-7536-8 / 3736975368 |
| ISBN-13 | 978-3-7369-7536-1 / 9783736975361 |
| Zustand | Neuware |
| Haben Sie eine Frage zum Produkt? |
Mehr entdecken
aus dem Bereich
aus dem Bereich
DIN-Normen und Technische Regeln für die Elektroinstallation
Buch | Softcover (2023)
Beuth (Verlag)
CHF 119,95
Kolbenmaschinen - Strömungsmaschinen - Kraftwerke
Buch | Hardcover (2023)
Hanser (Verlag)
CHF 69,95
