戴姆勒和德国卡塞尔卡塞尔大学的科学家：AI仅使用雷达测量值对道路上的物体​​进行分类

 
是否真的可以单独区分雷达数据来区分汽车，卡车和行人?绝对，这都归功于人工智能。在最新发表的关于预印本服务器Arxiv.org的论文(“基于雷达的道路用户分类和带有递归神经网络集合的新颖性检测”)中，戴姆勒和德国卡塞尔卡塞尔大学的科学家描述了一种新颖的机器学习框架。可以单独从雷达数据中对单个“交通参与者”进行分类 – 包括以前不知道的隐藏对象类别。他们声称这对无人驾驶汽车行业特别有用，因为物体检测仍然是一个敏感的领域。
“与以前的方法相比，整体分类性能可以提高，另外，可以更准确地识别出新的类别，”共同作者写道。他们进一步解释说，雷达是能够直接从视野内的多个物体获得速度测量的少数传感器之一，并且他们注意到与其他传感器相比，它对于恶劣天气条件(如雾，雪或大雨)更加稳健。他们还指出，它并不完美：与其他传感器相比，雷达的角分辨率相对较低，导致数据表示稀疏。
该团队的解决方案是一系列分类器，包括80个长短期记忆(LSTM)细胞，或特殊的复发神经网络(模拟生物神经元的分层数学函数)，能够学习长期依赖性。独特的是，它们仅使用98个总功能的动态子集 – 特别是范围，角度，幅度和多普勒的统计推导;几何特征;和关于多普勒值分布的特征 – 识别对象之间的关键差异，赋予模型训练和推理期间低计算开销的优点。
为了训练他们，该团队为3,800个移动道路使用者实例提供了一个包含300多万个数据点的数据集。通过安装在测试车辆前半部分上的四个雷达传感器(范围大约为100米)采集样本，并且训练有素的分类器将检测到的物体插入六个桶中的一个：行人，行人组，自行车，汽车，卡车和垃圾。标签“行人组”归因于多个行人在数据中无法清楚地分开，而“垃圾”和“其他”类别由错误检测到的文物和道路使用者组成，不符合上述任何规定。团体(如摩托车手，踏板车，轮椅使用者，缆车和狗)。
那么分类器的整体怎么样呢?根据研究人员的说法，它们在分类对象中的平均准确率为91.46%，在共享相同的特征集时甚至更准确。大多数分类错误发生在行人和行人小组之间，显然是混淆 – 研究人员认为轮椅使用者和踏板车驾驶员的体积存在于语料库中。
“他提出的结构允许对识别各个类的特征的重要性提供新的见解，这对于新算法和传感器要求的开发至关重要，”共同作者写道。 “除了在训练数据中看到的类别之外，识别物体的能力是自动驾驶的重要部分。”
他们通过应用可能提高雷达在距离，角度和多普勒中的分辨率的高分辨率信号处理技术，留待未来的工作来增强当前的结果。