Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen

Zwei grundlegende Herausforderungen für das Automobilradar betreffen die Robustheit gegenüber Interferenzen im gleichen Frequenzband, sowie die Verbesserung der Winkelauflösung zur präzisen Lokalisierung von Objekten und Personen. In der vorliegenden Forschungsarbeit werden neue Ansätze der modernen Signalverarbeitung für Automobilradarsensoren basierend auf Deep Learning (DL) erforscht um die Leistungsfähigkeit und die Robustheit von konventionellen Verfahren zur Interferenzunterdrückung sowie zur Winkelschätzung zu übertreffen. Für das Training von datenbasierten DL Verfahren werden spezielle Datensätze benötigt, welche mittels neuartigen hybriden Verfahren erzeugt werden. Anschließend wird sowohl die Effektivität dieser hybriden Verfahren als auch die Robustheit der trainierten Modelle gegenüber Modellabweichungen und Nichtidealitäten demonstriert. Am Beispiel der Interferenzunterdrückung werden die Vorteile von DL in der Automobilradarsignalverarbeitung aufgezeigt. Die erfolgreiche Validierung der Konzepte erfolgt anhand von Messungen von Interferenzen im 77 GHz-Frequenzband. Des Weiteren wird gezeigt, dass die vorgestellten Verfahren wirkungsvoll eingesetzt werden können, um eine präzise Lokalisierung von Zielen zu realisieren. Mit hybriden Datensätzen werden drei verschiedene Konzepte untersucht um eine hochauflösende Winkelschätzung zu realisieren. Hierbei wird eine Leistungsfähigkeit erzielt die den Stand der Technik übertrifft, ohne dass eine sensorspezifische Kalibrierung erforderlich ist.