Otomotiv radar nokta bulutundan nesne sınıflandırma: Yapay zeka destekli geleneksel hibrit yaklaşım
Automotive radar point cloud object classification with AI driven traditional hybrid approach
- Tez No: 1019195
- Danışmanlar: PROF. DR. LEVENT SEYFİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, otomotiv radarları (77-81 Ghz) yansımalarından edinilen radar nokta bulutu verileri ile otoyollarda bulunan veya bulunması muhtemel bazı nesnelerin yapay zekâ yöntemleri kullanılarak sınıflandırılması gerçekleştirilmektedir. Önerilen yöntemle birlikte otoyollarda bulunan yaya, bisikletli, otomobil, kamyon gibi otoyol kullanıcısı nesneleri ve benzeri bazı durağan nesneleri sınıflandırmak amaçlanmıştır. Günümüzde radarlar, Otomotiv sektörü için vazgeçilemez bir sensör olmuştur. Bu sebeple radarlar üzerinde çalışmalar hızla devam etmektedir. Ancak radar verilerinin yüksek hassasiyetle edinilmesi, etiketlenmesi ve anlamlandırılması zorlu bir süreçtir. Uzun bir süre boyunca ticari sebeplerle ilişkili olarak gerçek ve açık kaynaklı bir radar nokta bulutu veri kümesi bulunmamaktaydı. Bu sebeple sadece radar nokta bulutundan otoyol kullanıcılarının tespiti aşılması gereken zor bir problem olarak ortaya çıkmıştır. Nihayetinde, bu ihtiyacı karşılamak amacıyla sentetik veya gerçek radar sinyalleri verileri içeren çeşitli veri kümeleri yayımlanmaya başlamıştır. Bu gelişme, radar sensöründen elde edilen radar nokta bulutu verileri ile nesne sınıflandırma ve takip problemlerini çözmeye yönelik çalışmaları hızlandırmıştır. Otomotiv radarı tarafından alınan yansıyan sinyaller, bir liste hâlinde çıkarılır. Daha sonra, bazı dijital sinyal işleme yöntemleriyle yansıyan sinyallerden yansıma noktaları bilgisi türetilir. Yansıyan sinyallerin geliş yönü hesaplanarak tahmin edilir ve hangi hedefe ait oldukları belirlenir. Geleneksel yöntemler, önerilen birçok derin öğrenme yaklaşımına kıyasla sinyal işleme seviyesinde daha kararlı ve hızlı sonuçlar vermektedir. Ancak nihayetinde edinilen radar yansımalarından oluşturulan nokta bulutu verimsiz, tutarsız, gürültülü ve birçok hatalı veriler/noktalar barındırmaktadır. Bu nedenle, sınıflandırma sonuçlarını yansımanın alındığı an içerisinde sayısal olarak filtrelemek, sınıflandırma performansını iyileştirmenin düşünülen en iyi yoludur. Bu çalışmada, karmaşık, verimsiz, hatalı ve gürültülü radar nokta bulutu verileri, dijital CFAR ve MTI gibi geleneksel yöntemler kullanılarak temizlenmiştir. Bu sayede, hibrit algoritmik yaklaşımlarla derin öğrenme yöntemlerinin sınıflandırma çıktılarının düzenlenmesi hedeflenmiştir.
Özet (Çeviri)
This study discusses the application of classifying radar (77-81 GHz) point cloud objects present or potentially present on highways using radar point cloud data obtained from automotive radar reflections support of traditional algorithms with artificial intelligence methods. The proposed method aims to classify highway user objects, such as pedestrians, cyclists, cars, trucks, and other similar static objects. Today, automotive radars have become indispensable sensors for the automotive industry. Accordingly, research on radar technology is progressing rapidly. However, acquiring, labelling, and classifying radar point cloud data with high precision is a challenging process. For a long time, no real and open-source radar point cloud dataset was available due to commercial constraints. Consequently, detecting highway users solely based on radar point clouds emerged as a significant challenge. Eventually, various datasets containing synthetic or real radar signals began to be published to address this need. This development has accelerated research aimed at solving object classification and tracking problems using radar point cloud data obtained from automotive mmwave radar sensors. Reflected signals captured by automotive mmwave radars are extracted into a list. Subsequently, reflection point information is derived from these reflected signals using digital signal processing methods. The direction of the reflected signals is calculated and estimated to determine which target they belong to. Compared to many of the proposed deep learning approaches, traditional methods deliver more stable and faster results at the signal processing level. However, point cloud data generated from radar reflections are often inefficient, inconsistent, noisy and contain numerous erroneous data/points. Therefore, numerically filtering classification results now the reflection is received is the best way to improve classification performance. In this study, complex, inefficient, erroneous, and noisy radar point cloud data were refined using traditional methods such as digital CFAR and MTI. This approach aims to enhance the classification truth of deep learning methods through hybrid algorithmic techniques.
Benzer Tezler
- Alaşımsız dual fazlı çeliklerin mekanik ve nokta kaynağı özellikleri
Başlık çevirisi yok
A.İRFAN YÜKLER
- Üretim işletmelerinde spesifikasyon ve tolerans analizi -bir otomotiv işletmesinde uygulama-
Başlık çevirisi yok
A.SERMET ANAGÜN
- Effect of ethanol and gasoline blends on exhaust gas emissions in S.I. engines
Başlık çevirisi yok
FAROOQ AHMED
- Dört zamanlı buji ile ateşlemeli bir motor performansının bilgisayar yardımı ile simulasyonu
Computer aided simulation of a four-stroke spark ignition engine performance
SELİM ÇETİNKAYA
