Geri Dön

Automotive radar interference mitigation with next generation sequence models

Yeni nesil dizi modelleri ile otomotiv radarlarında girişim giderme

PDF İndir

  1. Tez No: 1000097
  2. Yazar: ELİF ÖZTÜRK KOÇ
  3. Danışmanlar: PROF. DR. IŞIN ERER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Otomotiv endüstrisinde tam otonom sürüş (Seviye 4 ve 5) hedefine ulaşılabilmesi, araçların çevresel algılama sistemlerinin her türlü koşulda hatasız ve kesintisiz çalışmasına bağlıdır. Bu algılama sistemleri arasında Frekans Modülasyonlu Sürekli Dalga (FMCW) radarı; sis, yoğun yağmur, kar ve zayıf ışık gibi optik sensörlerin (kamera, LiDAR) yetersiz kaldığı olumsuz çevresel koşullarda dahi güvenilir çalışabilmesi nedeniyle vazgeçilmez bir rol oynamaktadır. Ayrıca, hedeflerin hem menzilini hem de bağıl hızını anlık ve hassas bir şekilde ölçebilmesi, radarın modern Gelişmiş Sürücü Destek Sistemleri'nin (ADAS) omurgası olmasını sağlamıştır. Ancak, trafikte radar donanımlı araçların sayısının hızla artması, ciddi bir operasyonel zorluk olan“karşılıklı girişim”(mutual interference) problemini beraberinde getirmiştir. Otomotiv radarları genellikle 76-81 GHz bandında, düzenlenmemiş ve koordine olmamış bir şekilde çalışır. Aynı frekans bandını kullanan birden fazla radarın sinyallerinin uzayda ve zamanda çakışması sonucu, alıcı radarın anteni kendi gönderdiği sinyalin yansıması yerine başka bir radarın güçlü verici sinyalini yakalar. Bu durum, alıcı radarın zaman bölgesi sinyalinde (beat signal) durağan olmayan, yüksek enerjili ve kısa süreli bozulmalar olarak kendini gösterir. Bu girişim sinyalleri, radarın gürültü tabanını yükselterek sistemin duyarlılığını azaltır. Sonuç olarak, yayalar veya bisikletliler gibi düşük radar kesit alanına sahip zayıf hedefler gürültü altında kalarak maskelenir. Daha kötü senaryolarda, girişim sinyalleri tespit algoritmalarını yanıltarak“hayalet hedefler”oluşturabilir ve aracın gereksiz yere fren yapmasına neden olabilir. Bu nedenle, sürüş güvenliğini sağlamak için girişim sinyallerinin ham veri seviyesinde temizlenmesi kritik bir gerekliliktir. Girişim giderme problemi için literatürde önerilen çözümler, klasik sinyal işleme tekniklerinden modern derin öğrenme yaklaşımlarına doğru evrilmiştir. Klasik yöntemler arasında en yaygın olanı zaman bölgesinde“sıfırlama”(zeroing) tekniğidir. Bu yöntem, sinyaldeki ani genlik sıçramalarını tespit ederek bu örnekleri siler. Ancak, verinin silinmesi sinyalde süreksizliklere yol açar, bu da frekans bölgesinde yüksek yan loblar (sidelobes) oluşmasına ve hedeflerin maskelenmesine neden olur. Yinelemeli (iterative) veya seyrek (sparse) sinyal işleme tabanlı daha gelişmiş yöntemler ise yüksek hesaplama maliyetleri gerektirir ve yoğun trafik senaryolarında yetersiz kalabilir. Son yıllarda derin öğrenme tabanlı yaklaşımlar bu alanda güçlü çözümler olarak öne çıkmıştır; ancak mevcut literatürde temel bir“performans-verimlilik ödünleşimi”(trade-off) söz konusudur. Evrişimli Sinir Ağları (CNN), genellikle zaman-frekans görüntüleri (spektrogramlar) üzerinde çalıştığından, radarın açı kestirimi (AoA) için hayati önem taşıyan faz bilgisini hassas bir şekilde korumakta zorlanmaktadır. Tekrarlayan Sinir Ağları (RNN) ise ardışık işleme yapıları nedeniyle, radar sinyalleri gibi uzun dizilerde geçmiş bilgiyi“unutma”eğilimi göstermekte ve uzun vadeli zamansal bağımlılıkları modellemede yetersiz kalabilmektedir. Öte yandan, Transformer tabanlı mimariler (örneğin RIMformer), sinyalin tamamını bir bütün olarak analiz ederek yüksek başarım gösterse de, kullandıkları öz-dikkat (self-attention) mekanizması sinyal uzunluğu ile karesel artan bir hesaplama karmaşıklığına (O(L^2)) sahiptir. Radar sinyallerinde menzil çözünürlüğünün artması, örnek sayısının (L) artması anlamına gelir; bu da karesel karmaşıklığa sahip modellerin hesaplama yükünü aşırı derecede artırır. Bu durum, milisaniyeler mertebesinde karar vermesi gereken ve sınırlı güç/işlem kaynağına sahip otomotiv gömülü sistemleri için ciddi bir darboğaz oluşturmaktadır. Bu tez, söz konusu performans-verimlilik problemini çözmek amacıyla, Transformer modellerinin küresel modelleme yeteneklerine sahip ancak doğrusal (O(L)) hesaplama karmaşıklığı sunan“yeni nesil dizi modellerini”araştırmıştır. Bu kapsamda, dikkat mekanizması yerine“Seçici Durum Uzayı”(Selective State Space) ve“Tutucu”(Retention) mekanizmalarını temel alan iki özgün mimari önerilmiş, uygulanmış ve kapsamlı bir şekilde değerlendirilmiştir. Tezin ilk katkısı olarak, RetNet-ED (Retentive Network Encoder-Decoder) mimarisi önerilmiştir. Bu model, Doğal Dil İşleme (NLP) alanında Transformer'a alternatif olarak geliştirilen RetNet mimarisini radar sinyal işleme problemine ilk kez uyarlayan çalışmalardan biridir. RetNet, klasik dikkat mekanizması yerine, bilgiyi zaman içinde üstel olarak sönümleyen bir“Retention”mekanizması kullanır. Bu yapı, modelin çıkarım (inference) aşamasında bir RNN gibi çalışarak önceki durumları özetlemesine ve böylece çok daha hızlı çalışmasına olanak tanır. Tezin önerdiği RetNet-ED modeli, uzun radar sinyallerini işlemek için parçalı bir işleme hattı (segmented pipeline) kullanır ve derin ağların eğitimini stabilize etmek amacıyla“kapılı artık bağlantılar”(gated residual connections) adı verilen yenilikçi bir teknik içerir. Ayrıca model, sinyalin kaybolan ince detaylarını geri kazanmak için kodlayıcı katmanlarından gelen öznitelikleri doğrudan karşılık gelen kod çözücü katmanlarına aktaran U-Net benzeri atlama bağlantıları (skip connections) ile güçlendirilmiştir. Tezin ikinci ve en kapsamlı katkısı olarak, MambARIM modeli geliştirilmiştir. Bu model, uzun radar sinyallerini işlemek için kodlayıcı-kod çözücü (encoder-decoder) yapısında tasarlanmış ve sinyali küçük parçalara ayıran bölütleme (segmentation) tabanlı bir işleme hattı üzerine kurulmuştur. Mimari, son dönemde ortaya çıkan ve lineer karmaşıklıkla küresel bağlamı modelleyebilen Mamba bloklarını temel alır. MambARIM'in merkezinde, içerik-duyarlı“Seçici Durum Uzayı”(Selective State Space - S6) mekanizması yer alır. Klasik RNN'ler veya filtreler her girdiye aynı şekilde tepki verirken (Doğrusal Zamanla Değişmeyen - LTI), Mamba mimarisi giriş sinyalinin içeriğine göre parametrelerini dinamik olarak değiştirir. Bu mekanizma, durum uzayı parametrelerini giriş verisinin bir fonksiyonu haline getirerek, modelin hangi bilginin saklanıp hangisinin filtreleneceğine her zaman adımında aktif olarak karar vermesini sağlar. Bu, radar girişimi problemi için teorik olarak mükemmel bir çözümdür: Model, yüksek enerjili bir girişim patlamasıyla karşılaştığında durumunu“sıfırlayarak”girişimi filtreleyebilirken, temiz sinyal kısımlarında bağlamı“hatırlamaya”devam eder. Temel Mamba blokları, bölütlenmiş çerçeveler (frames) içerisindeki zamansal ilişkileri (intra-frame) başarıyla modellemektedir. Ancak, saf ardışık işlemenin getirdiği sınırlamaları aşmak ve sinyalin bütününe yayılan çerçeveler arası (inter-frame) ilişkilere de hakim olabilmek için, MambARIM-Hybrid adı verilen hibrit bir varyant önerilmiştir. Bu model, Mamba bloklarını hafif MLP-Mixer modülleri ile güçlendirerek çerçeveler arası iletişimi mümkün kılar. MLP-Mixer, veriyi transpoze ederek zaman ekseni boyunca bir karıştırma işlemi yapar. Bu işlem, modelin en baştaki ve en sondaki sinyal çerçeveleri arasındaki ilişkileri kurabilmesini sağlayan küresel bir alıcı alan yaratır. Böylece model, sinyalin genel yapısını analiz edebilirken, hesaplama karmaşıklığını doğrusal seviyede tutmayı başarır. Önerilen mimariler, farklı senaryoları (1-4 hedef, 1-3 girişim kaynağı, farklı SNR ve SIR seviyeleri) kapsayan ve gerçekçi faz gürültüsü içeren ARIM-v2 veri seti üzerinde titizlikle test edilmiştir. Çalışmada, önerilen modellerin başarımı; CNN (FCN, DFCN), RNN (GRU+Attention), Autoencoder ve Transformer (RIMformer) tabanlı geniş bir referans model kümesiyle karşılaştırılmıştır. Öncelikle, RetNet-ED modeli ortalama 22.52 dB Sinyal-Bozulma Oranı (SDR) ile mevcut Transformer tabanlı RIMformer modelini (20.67 dB) geride bırakmıştır. Bu sonuç, tam dikkat matrisi hesaplamadan da radar sinyallerindeki karmaşık zamansal bağımlılıkların modellenebileceğini kanıtlamıştır. Devamında ise, elde edilen deneysel sonuçlar, MambARIM-Hybrid modelinin bu alanda yeni bir“state-of-the-art”(en iyi durum) performansı belirlediğini göstermektedir. Model, ortalama 25.86 dB SDR değerine ulaşarak, en güçlü rakibi olan RIMformer'a kıyasla 5.1 dB'den fazla iyileşme sağlamıştır. Ayrıca, frekans bölgesindeki hassasiyet ölçümlerinde de üstün başarı göstermiş; Genlik (Amplitude) hatasını 0.10 dB'ye, Faz (Phase) hatasını ise 0.61 dereceye kadar düşürmüştür. Faz bilgisinin bu derece yüksek hassasiyetle korunması, radarın Açı (Angle of Arrival - AoA) kestirimi gibi sonraki aşamaları için kritik öneme sahiptir, çünkü fazdaki bozulmalar hedefin konumu hakkında ciddi hatalara yol açmaktadır. En önemlisi, bu yüksek başarım değerleri, hesaplama verimliliğinden ödün verilmeden elde edilmiştir. MambARIM-Hybrid modeli, NVIDIA A100 GPU üzerinde yapılan testlerde 31.17 ms çıkarım (inference) süresi ile çalışmaktadır. Bu süre, benzer boyuttaki Transformer tabanlı RIMformer modelinin gerektirdiği sürenin (69.80 ms) yarısından daha azdır. Ek olarak, bu bulguları sentetik alanın ötesinde doğrulamak için tüm modeller gerçek dünya ölçüm veri kümesi üzerinde değerlendirilmiştir. Mamba tabanlı modeller, şiddetli parazit içeren senaryolarda hareketli bir hedef için en yüksek Sinyal-Gürültü Oranını (SINR) elde etmiş, hedef kalitesini ideal, parazitsiz bir referans seviyesine düşük çıkarım gecikmesiyle etkili bir şekilde geri kazandırmıştır. Önemli bir sonuç ise Mamba tabanlı modellerin toplu işleme etkisi nedeniyle Transformer'dan yaklaşık 4,5 kat daha hızlı olduğu, RetNet tabanlı modelin ise 3 kat daha hızlı olduğu görülmüştür. Transformer tabanlı modellerin karesel hesaplama darboğazını çözmek için, doğrusal zaman karmaşıklığı ve uyarlanabilir yapısıyla Mamba mimarisinin, yüksek doğrulukta sinyal yeniden yapılandırması için yüksek performanslı ve daha verimli bir alternatif olduğu görülmektedir. Nihai olarak, bu tez sadece mevcut bir problemi çözmekle kalmamış, aynı zamanda radar sinyal işleme alanında derin öğrenme mimarilerinin evrimine dair teorik ve pratik bir çerçeve sunmuştur. Otomotiv radar girişim giderme probleminde hesaplama yükü yüksek dikkat tabanlı modellerden, verimli ve içerik duyarlı seçici durum uzay modellerine (SSM) geçişin geçerliliğini doğrulamaktadır. Geliştirilen MambARIM-Hybrid mimarisi, gerçek zamanlı çalışması gereken otonom araç algılama sistemleri için yüksek doğruluklu, gürültüye dayanıklı ve hesaplama açısından verimli bir çözüm sunmaktadır.

Özet (Çeviri)

An autonomous driving system requires robust and reliable environmental perception to make sure passengers are safe, especially as cars progress towards higher levels of autonomy, such as Level 4/5. Among the sensor suite being used in modern cars, FMCW radar plays an indispensable role due to its capability of providing accurate range, velocity, and angle measurements under adverse weather conditions like dense fog, snow, and heavy rain, where optical sensors like cameras and LiDAR fail. However, the rapid increase of radar-equipped vehicles has resulted in a operational challenge that is mutual interference. In other words, multiple uncoordinated radars transmit signals that are inevitably intercepted by other receivers operating in the same frequency band. This mutual interference manifests as non-stationary, high-energy corruption in the received beat signal. This interference increases the noise floor of the signal while doing that it masks the weak targets that could be pedestrians, and creates ghost detections. If this interference left unmitigated, it can lead to critical safety issues such as phantom braking events or failure to detect crossing obstacles. Therefore, mitigating this interference is a crucial safety requirement for next-generation ADAS. While classical processing methods (e.g., time-domain zeroing or iterative reconstruction) have been widely used, these methods rely on rigid interference structure assumptions. They often cannot separate the complex, overlapping interference pattern from the valid target signal pattern in crowded scenarios, resulting in serious data loss or introducing high spectral sidelobes. Recently, deep learning approaches have come up as a powerful alternative, casting interference mitigation as a data-driven denoising task. However, current deep learning solutions have a fundamental“performance-efficiency”trade-off. CNNs performing on spectrograms treat radar signals as images, mostly failing to preserve the delicate phase information crucial for AoA estimation tasks. Transformer-based architectures, the current state-of-the-art RIMFormer, achieve excellent reconstruction quality by modeling global dependencies via self-attention. However, they have quadratic computational complexity O(L^2), with reference to the signal length (L). Giving that range resolution in radar depends on sample size, this computational complexity becomes a severe bottleneck, prohibiting Transformers from being deployed on resource-constrained automotive embedded hardware, which requires low-latency and real-time processing. In this thesis, we identify this critical gap and investigate and propose next-generation sequence models offering the global modeling capabilities of Transformers while operating with linear computational complexity (O(L)). The contributions in this work present a systematic evolution from architectures based on an attention mechanism towards a Retentive Network (RetNet) and finally to Selective State Space Models (SSMs). First major contribution: RetNet-ED is an architecture that adapts a Retentive Network, originally developed for language modeling, to radar signal reconstruction. Unlike Transformers computing a full attention matrix, RetNet uses a multi-scale retention mechanism with fixed exponential decay rates, which allows it to capture temporal dependencies using a recurrent formulation efficient at inference time. The proposed architecture implements segmented processing pipeline for long radar chirps and utilizes gated residual connections to regularize the training of deep layers. On the large-scale ARIM-v2 synthetic benchmark, RetNet-ED yielded an average SDR of 22.52 dB, outperforming a Transformer-based RIMformer baseline by almost 2 dB. Thus, this serves as a proof-of-concept that explicit decay mechanisms in recurrent architectures are a strong and effective inductive bias for radar signals. Building further on these observations, this thesis proposes the MambARIM framework, which exploits the new Mamba architecture. Mamba develops a Content-Aware Selective State Space (S6) mechanism, enabling the model to dynamically change its inner parameters depending on what it receives at a given moment. This selectivity empowers the model to effectively“forget”the hidden state when high-energy, transient interference bursts come up and“persist”the context of the clean signal across the gap. This dynamic gating capability is theoretically superior compared to classic Linear Time-Invariant (LTI) models or standard RNNs. In order to overcome the disadvantage of purely sequential processing, a hybrid variant, MambARIM-Hybrid, is introduced. This architecture improves the Mamba blocks by adding lightweight MLP-Mixer modules that can process along the frame dimension, which allows for extra inter-frame communication. This design enables the model to get global context similar to self-attention, but enjoys strictly linear complexity. The proposed architectures were put through a robust evaluation using the ARIM-v2 dataset, whose experiments modeled difficult automotive scenarios with multiple targets, interferers, and variable signal-to-noise ratios. These experimental results demonstrate that MambARIM-Hybrid model establishes a new state-of-the-art in this task by achieving an average SDR of 25.86 dB, up by over 5.1 dB from the RIMformer baseline. In terms of the reconstruction quality of the signal, new benchmarks were set in achieving the lowest RMSE on Amplitude, 0.10 dB, and Phase, 0.61°. More importantly, exact reconstruction of the phase ensures that interference mitigation did not destroy the spatial integrity of the signal, so accurate direction-of-arrival estimation can be carried out further downstream. Most importantly, all these performance gains were realized with a dramatic amelioration of computational efficiency. The inference latency of MambARIM-Hybrid was 31.17 ms, less than half that of the Transformer baseline, which had an inference latency of 69.80 ms. Additionally, to validate these findings beyond the synthetic domain, all models were evaluated on a real-world measurement dataset. Mamba-based models achieved the highest Signal-to-Noise Ratio (SINR) for a moving target in scenarios with severe interference, effectively restoring target quality to an ideal, interference-free reference level with low inference latency. A significant finding is that Mamba-based models are approximately 4.5 times faster than Transformer due to the batch processing effect, and also the RetNet-based model is 3 times faster than Transformer. To overcome the quadratic computational bottleneck of Transformer-based models, the Mamba architecture, with its linear time complexity and adaptive structure, appears to be a high-performance and more efficient alternative for high-accuracy signal reconstruction. This thesis not only solves an existing problem but also provides a theoretical and practical framework for the evolution of deep learning architectures in the field of radar signal processing. It validates the transition from computationally intensive attention based models to efficient and context-aware selective state-space models (SSM) in the automotive radar interference mitigation problem. The developed MambARIM-Hybrid architecture offers a high-accuracy, noise-tolerant, and computationally efficient solution for autonomous vehicle detection systems that need to operate in real-time.

Benzer Tezler

  1. Tez No

    900048

    Machine learning-based interference mitigation and ghost target reduction for one-bit quantized Simo FMCW automotive radars

    Makine öğrenmesi temelli bir-bit örneklenmiş Simo FMCW otomotiv radarlar için girişim temizleme ve hyalet hedef azaltma

    MUSA BURAK BAYTOK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ ÖZGÜR YILMAZ

  2. Tez No

    821537

    Investigation of automotive radar with electronic warfare perspective

    Otomotiv radarlarının elektronik harp bakış açısıyla incelenmesi

    ALPER CEMİL

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiAnkara Yıldırım Beyazıt Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET ÜNLÜ

  3. Tez No

    975877

    Frekans modülasyonlu sürekli dalga otomotiv radarı ve evrişimsel sinir ağı ile kentsel ormanlık alanlarda yaya tespiti ve hedef sınıflandırması

    Pedestrian detection and target classification in urban forestry environment with FMCW automotive radar and CNN

    SERDAR SARIGÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiTobb Ekonomi ve Teknoloji Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İMAM ŞAMİL YETİK

    DOÇ. DR. HARUN TAHA HAYVACI

  4. Tez No

    779481

    Orta menzilli otomotiv radarları için çift eğik polarizasyonlu mikroşerit yama anten dizisi tasarımı

    Dual slant polarization microstrip patch antenna design for medium range automotive radars

    FURKAN MUHAMMED TAYDAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. SELÇUK PAKER

  5. Tez No

    783032

    Input emi filter design according to electromagnetic compatibility standards for automotive electronics

    Otomotiv elektroniği için elektromanyetik uyumluluk standartlarına uygun giriş filtresi tasarımı

    ALPEREN YAZAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ METİN HÜNER

Geri Dön