News

KI Data Tooling

Die Verwendung von synthetischen Daten mit unterschiedlichen Radarantennenkonfigurationen für ML-Aufgaben

Der Weg zu einer umfassenden Datenlösung für KI-Training und -Validierung, den das Projekt KI Data Tooling anstrebt, beinhaltet auch die Verwendung synthetischer Radardaten. In diesem Zusammenhang untersucht eine neue Publikation die verschiedenen Radarantennenkonfigurationen und eine Simulations-Toolchain zur Generierung von Imaginär- und Quadraturkanal-Rohdaten des Radars.

Ein wichtiges Thema, mit dem sich KI Data Tooling beschäftigt, ist die Verwendung synthetischer Simulationsdaten, um die Kosten und Effizienz von Datensätzen zu verbessern. In diesem Zusammenhang fokussiert sich die neue Publikation "Automotive Radar Antenna Configurations and their Impact on Machine Learning Approaches: A Case Study" auf synthetische Radardaten, die in einem so genannten Radardatenwürfel verarbeitet wurden. Drei Forschungsfragen wurden in dem Papier aufgeworfen:

  • Wie kann eine Simulations-Toolchain abgebildet werden, um rohe Imaginär- und Quadratur-(I/Q)-Kanaldaten zu erzeugen?
  • Können maschinelle Lernalgorithmen mit verschiedenen Antennenkonfigurationen trainiert werden?
  • Beeinflusst die Anzahl der Radarkanäle das Training und Testen von ML-Algorithmen?

Zunächst wurde eine Toolchain mit einer Szenariovariation und einer Sensorsimulation erstellt. Mit Hilfe der Szenariovariation war es möglich, verschiedene Datensätze zu erstellen. Die Ansys-Echtzeit-Radarsimulation, die für diese Arbeit verwendet wurde, nutzt den „shooting and bouncing ray”-Ansatz. Darüber hinaus wurden für diese Arbeit zwei verschiedene Ansätze des maschinellen Lernens untersucht: der Variational Autoencoder (VAE) und ein Recurrent Neural Network (RNN).

Die Ergebnisse mit diesen Ansätzen zeigten, dass beide mit verschiedenen Radarwürfeln umgehen können, aber eine VAE ist nicht leicht skalierbar, während ein RNN es ist. Darüber hinaus stellt eine VAE alle verschiedenen Arten von Würfeln nahezu gleich dar, so dass eine Änderung der Antenne keine großen Auswirkungen hat. Im Gegensatz dazu zeigt ein RNN, das auf eine bestimmte Aufgabe trainiert wurde (in diesem Fall wurde die Vorhersage von Entfernungen untersucht), eine höhere Genauigkeit bei steigender Anzahl von Antennen.

In den nächsten Schritten sollen diese Ergebnisse nun mit realen Daten verglichen werden. Darüber hinaus wird dieses Verhalten mit komplexeren Szenarien und maschinellen Lernansätzen analysiert werden.

Aus Sicht von KI Data Tooling bietet das Verständnis der verschiedenen Einflüsse von Sensoreigenschaften auf ML-Ansätze die Möglichkeit, Sensormodelle für spezifische Aufgaben simulativ zu verbessern.

Bild: KI Data Tooling