Klassifikation leicht verwundbarer Verkehrsteilnehmer mit hochauflösendem Automobilradar

Abstract

Der Schutz von Fußgängern und Fahrrad­fahrern rückt verstärkt in den Fokus zukünftiger voraus­schauender Fahrer­assistenz- und Fahr­sicherheits­systeme. Insbesondere Situationen in denen Fußgänger eine Sonder­stellung im Straßenverkehr einnehmen, wie beispiels­weise beim Ausfahren aus Kreis­verkehren, an Fußgänger­über­wegen oder in verkehrs­beruhigten Bereichen, erfordern die Erkennung objekt­spezi­fischer Informationen und eine darauf basierende robuste Objekt­klassi­fikation.

Im Hinblick auf zukünftige Heraus­forderungen wird in der vorliegenden Arbeit ein innovativer Ansatz zur Klassifikation von Fußgängern, Fahrrad­fahrern und Personen­kraftwagen vorgestellt, welcher auf der Extraktion objekt­spezifischer Merk­male aus mehr­dimensionalen Detektions­clustern eines hoch­auflösenden automobilen Radar­sensors basiert.

Zur Bildung geeigneter Detektions­cluster wurden durch Integration eines Fußgänger­bewegungs­modells in eine Radar­system­simulation Auflösungs­anforder­ungen abgeleitet, anhand welcher ein proto­typischer hoch­auflösender Radar­sensor spezifiziert und aufgebaut werden konnte. Die durch eine weiterhin entwickelte Signal­verarbeitungs­kette gebildeten Detektions­cluster ermöglichen die Extraktion objekt­spezifischer Merkmale wie der Form oder der Ausdehnung von Objekten sowie der Schritt­frequenz von Fußgängern. Unter Verwendung dieser Merkmale wird im Mittel eine korrekte Zuordnung zu den Klassen Fußgänger, Fahrrad­fahrer und PKW von 97 % aller nicht als unbekannt klassifizierten Detektions­cluster erreicht.

In addition to numerous established fields of application, RADAR technology is also finding its way into driver assistance and driving safety systems. The robustness against poor visibility, the possibility of a concealed mounting position as well as the possibility to measure distance and speed simultaneously are convincing properties. A growing role is played by the protection of pedestrians and cyclists - the vulnerable road users. Further enhancements of proactive safety systems, ranging from the reduction of the accident severity to the avoidance of accidents, requires individually tailored warning and intervention strategies, adapted to possible dangerous situations and therefore comprehensive object specific information together with a robust classification of detected objects. Also, the special status of pedestrians in road traffic, requires object classification to implement automated driving functions for situations in which pedestrians are granted certain rights in road traffic, such as turning, at roundabouts, pedestrian crossings and traffic calmed areas. In order to meet future requirements, this thesis presents and evaluates an innovative approach to the radar-based classification of pedestrians, cyclists and passenger cars. This approach bases on object-specific features extracted from multidimensional radar detection clusters. Based on an analysis of the radar cross section and the human gait cycle, a pedestrian model is developed. Resolution requirements are then derived by integration of the model into a radar system simulation. These are used for the specification and construction of a prototype high-resolution radar sensor to perform real world measurements. In addition, the used signal processing chain from spectral analysis to the formation of detection clusters is presented. Furthermore, resolution-enhancing methods to improve the trade-off between resolution and the measurement cycle rate are investigated. Subsequently, the class assignments made by a Support Vector Machine are evaluated and discussed. In addition, a feature reduction approach is presented and the final selected classification method is extended to reduce the misclassification rate. A correct assignment to the object classes pedestrians, cyclists and passenger cars is achieved for 97 % of all detection clusters not classified as unknown. This successfully validates the implemented novel approach of object classification with high resolution automotive radar. In addition, it is demonstrated that object-specific features such as shape, extent, limb movement or stride frequency can be detected with high-resolution automotive radar sensors.