Inhaltszusammenfassung:
Die Entwicklung in Richtung zu autonomem Fahren verspricht, künftig einen sicheren
Verkehr ohne tödliche Unfälle zu ermöglichen, indem menschliche Fahrer vollständig
ersetzt werden. Dadurch entfällt der Faktor des menschlichen Fehlers, der aus
Müdigkeit, Unachtsamkeit oder Alkoholeinfluss resultiert. Um jedoch eine breite
Akzeptanz für autonome Fahrzeuge zu erreichen und es somit eines Tages vollständig
umzusetzen, sind noch eine Vielzahl von Herausforderungen zu lösen. Da in einem
autonomen Fahrzeug kein menschlicher Fahrer mehr in Notfällen eingreifen kann,
müssen sich autonome Fahrzeuge auf leistungsfähige und robuste Sensorsysteme
verlassen können, um in kritischen Situationen auch unter widrigen Bedingungen
angemessen reagieren zu können. Daher ist die Entwicklung von Sensorsystemen
erforderlich, die für Funktionalitäten jenseits der aktuellen advanced driver assistance
systems eingesetzt werden können. Dies resultiert in neuen Anforderungen, die erfüllt
werden müssen, um sichere und zuverlässige autonome Fahrzeuge zu realisieren, die
weder Fahrzeuginsassen noch Passanten gefährden. Radarsysteme gehören zu den
Schlüsselkomponenten unter der Vielzahl der verfügbaren Sensorsysteme, da sie im
Gegensatz zu visuellen Sensoren von widrigen Wetter- und Umgebungsbedingungen
kaum beeinträchtigt werden. Darüber hinaus liefern Radarsysteme zusätzliche
Umgebungsinformationen wie Abstand, Winkel und relative Geschwindigkeit zwischen
Sensor und reflektierenden Zielen. Die vorliegende Dissertation deckt im Wesentlichen
zwei Hauptaspekte der Forschung und Entwicklung auf dem Gebiet der Radarsysteme
im Automobilbereich ab. Ein Aspekt ist die Steigerung der Effizienz und Robustheit
der Signalerfassung und -verarbeitung für die Radarperzeption. Der andere Aspekt ist
die Beschleunigung der Validierung und Verifizierung von automated cyber-physical
systems, die parallel zum Automatisierungsgrad auch eine höhere Komplexität
aufweisen.
Nach der Analyse zahlreicher möglicher Compressive Sensing Methoden, die im
Bereich Fahrzeugradarsysteme angewendet werden können, wird ein rauschmoduliertes
gepulstes Radarsystem vorgestellt, das kommerzielle Fahrzeugradarsysteme in
seiner Robustheit gegenüber Rauschen übertrifft. Die Nachteile anderer gepulster
Radarsysteme hinsichtlich des Signalerfassungsaufwands und der Laufzeit werden
durch die Verwendung eines Compressive Sensing-Signalerfassungs- und Rekonstruktionsverfahrens
in Kombination mit einer Rauschmodulation deutlich verringert.
Mit Compressive Sensing konnte der Aufwand für die Signalerfassung um 70% reduziert
werden, während gleichzeitig die Robustheit der Radarwahrnehmung auch für signal-to-noise-ratio-Pegel nahe oder unter Null erreicht wird. Mit einem validierten
Radarsensormodell wurde das Rauschradarsystem emuliert und mit einem
kommerziellen Fahrzeugradarsystem verglichen. Datengetriebene Wettermodelle
wurden entwickelt und während der Simulation angewendet, um die Radarleistung
unter widrigen Bedingungen zu bewerten. Während eine Besprühung mit Wasser die
Radomdämpfung um 10 dB erhöht und Spritzwasser sogar um 20 dB, ergibt sich die
eigentliche Begrenzung aus der Rauschzahl und Empfindlichkeit des Empfängers. Es
konnte bewiesen werden, dass das vorgeschlagene Compressive Sensing Rauschradarsystem
mit einer zusätzlichen Signaldämpfung von bis zu 60 dB umgehen kann
und damit eine hohe Robustheit in ungünstigen Umwelt- und Wetterbedingungen
aufweist.
Neben der Robustheit wird auch die Interferenz berücksichtigt. Zum einen wird
die erhöhte Störfestigkeit des Störradarsystems nachgewiesen. Auf der anderen
Seite werden die Auswirkungen auf bestehende Fahrzeugradarsysteme bewertet und
Strategien zur Minderung der Auswirkungen vorgestellt.
Die Struktur der Arbeit ist folgende. Nach der Einführung der Grundlagen
und Methoden für Fahrzeugradarsysteme werden die Theorie und Metriken hinter
Compressive Sensing gezeigt. Darüber hinaus werden weitere Aspekte wie Umgebungsbedingungen,
unterschiedliche Radararchitekturen und Interferenz erläutert.
Der Stand der Technik gibt einen Überblick über Compressive Sensing-Ansätze und
Implementierungen mit einem Fokus auf Radar. Darüber hinaus werden Aspekte
von Fahrzeug- und Rauschradarsystemen behandelt. Der Hauptteil beginnt mit
der Vorstellung verschiedener Ansätze zur Nutzung von Compressive Sensing für
Fahrzeugradarsysteme, die in der Lage sind, die Erfassung und Wahrnehmung von
Radarsignalen zu verbessern oder zu erweitern. Anschließend wird der Fokus auf
ein Rauschradarsystem gelegt, das mit Compressive Sensing eine effiziente Signalerfassung
und -rekonstruktion ermöglicht. Es wurde mit verschiedenen Compressive
Sensing-Metriken analysiert und in einer Proof-of-Concept-Simulation bewertet. Mit
einer Emulation des Rauschradarsystems wurde das Potential der Compressive Sensing
Signalerfassung und -verarbeitung in einem realistischeren Szenario demonstriert.
Die Entwicklung und Validierung des zugrunde liegenden Sensormodells wird ebenso
dokumentiert wie die Entwicklung der datengetriebenen Wettermodelle. Nach der
Betrachtung von Interferenz und der Koexistenz des Rauschradars mit kommerziellen
Radarsystemen schließt ein letztes Kapitel mit Schlussfolgerungen und einem
Ausblick die Arbeit ab.
Abstract:
Developments towards autonomous driving promise to lead to safer traffic, where fatal
accidents can be avoided after making human drivers obsolete and hence removing
the factor of human error. However, to ensure the acceptance of automated driving
and make it a reality one day, still a huge amount of challenges need to be solved.
With having no human supervisors, automated vehicles have to rely on capable and
robust sensor systems to ensure adequate reactions in critical situations, even during
adverse conditions. Therefore, the development of sensor systems is required that
can be applied for functionalities beyond current advanced driver assistance systems.
New requirements need to be met in order to realize safe and reliable automated
vehicles that do not harm passersby.
Radar systems belong to the key components among the variety of sensor systems.
Other than visual sensors, radar is less vulnerable towards adverse weather and
environment conditions. In addition, radar provides complementary environment
information such as target distance, angular position or relative velocity, too. The
thesis ad hand covers basically two main aspects of research and development in the
field of automotive radar systems. One aspect is to increase efficiency and robustness
in signal acquisition and processing for radar perception. The other aspect is to
accelerate validation and verification of automated cyber-physical systems that
feature more complexity along with the level of automation.
After analyzing a variety of possible Compressive Sensing methods for automotive
radar systems, a noise modulated pulsed radar system is suggested in the thesis at
hand, which outperforms commercial automotive radar systems in its robustness
towards noise. Compared to other pulsed radar systems, their drawbacks regarding
signal acquisition effort and computation run time are resolved by using noise modulation
for implementing a Compressive Sensing signal acquisition and reconstruction
method. Using Compressive Sensing, the effort in signal acquisition was reduced by
70%, while obtaining a radar perception robustness even for signal-to-noise-ratio
levels close to or below zero. With a validated radar sensor model the noise radar
was emulated and compared to a commercial automotive radar system. Data-driven
weather models were developed and applied during simulation to evaluate radar performance
in adverse conditions. While water sprinkles increase radome attenuation
by 10 dB and splash water even by 20 dB, the actual limitation comes from noise
figure and sensitivity of the receiver. The additional signal attenuation that can be
handled by the proposed compressive sensing noise radar system proved to be even up to 60 dB, which ensures a high robustness of the receiver during adverse weather
and environment conditions.
Besides robustness, interference is also considered. On the one hand the increased
robustness towards interference of the noise radar system is demonstrated. On
the other hand, the impact on existing automotive radar systems is evaluated and
strategies to mitigate the impact are presented.
The structure of the thesis is the following. After introducing basic principles
and methods for automotive radar systems, the theory and metrics of Compressive
Sensing is presented. Furthermore some particular aspects are highlighted such as
environmental conditions, different radar architectures and interference. The state of
the art provides an overview on Compressive Sensing approaches and implementations
with focus on radar. In addition, it covers automotive radar and noise radar related
aspects. The main part starts with presenting different approaches on making use
of Compressive Sensing for automotive radar systems, that are capable of either
improving or extending radar signal acquisition and perception. Afterwards the focus
is put on a noise radar system that uses Compressive Sensing for an efficient signal
acquisition and reconstruction. It was analyzed using different Compressive Sensing
metrics and evaluated in a proof-of-concept simulation. With an emulation of the
noise radar system the feasibility of the Compressive Sensing signal acquisition and
processing was demonstrated in a more realistic scenario. The development and
validation of the underlying sensor model is documented as well as the development
of the data-driven weather models. After considering interference and co-existence
with commercial radar systems, a final chapter with conclusions and an outlook
completes the work.
Sensor Perception
Print-on-Demand