Onderzoekers van de Technische Universiteit van Graz in Oostenrijk hebben een op kunstmatige intelligentie gebaseerd systeem voor autoradarsensoren gemodelleerd dat storende signalen uitfiltert en de objectdetectie drastisch verbetert.
Voor geavanceerde rijhulpsystemen in moderne auto’s zijn radarsensoren onmisbare onderdelen. Ze voorzien het voertuig van locatie- en snelheidsinformatie van omringende objecten. Storingen van andere (radar)apparatuur en extreme weersomstandigheden zorgen voor ruis die de kwaliteit van de radarmeting negatief beïnvloedt. “Hoe beter de ruisonderdrukking van storende signalen werkt, hoe betrouwbaarder de positie en snelheid van objecten kunnen worden bepaald”, legt onderzoeker Franz Pernkopf uit.
Automatische ruisonderdrukking
Op basis van zogeheten convolutionele neurale netwerken (CNN’s) hebben de onderzoekers modelarchitecturen voor automatische ruisonderdrukking ontworpen. “Deze architecturen zijn gemodelleerd naar de laaghiërarchie van onze visuele cortex en worden al met succes gebruikt in beeld- en signaalverwerking”, zegt Pernkopf. CNN’s filteren de visuele informatie, herkennen verbanden en vullen het beeld aan met bekende patronen. Door hun structuur verbruiken ze aanzienlijk minder geheugen dan andere neurale netwerken, maar overschrijden ze nog steeds de beschikbare capaciteiten van radarsensoren voor autonoom rijden.
Door deze neurale netwerken te trainen met storende signalen en gewenste outputwaarden konden de onderzoekers bijzonder kleine en snelle modelarchitecturen creëren. De meest efficiënte modellen werden vervolgens weer gecomprimeerd, met als resultaat een AI-model met enerzijds hoge filterprestaties en anderzijds een laag energieverbruik. De onderzoekers werken nu de komende drie jaar samen met het Duitse elektronicabedrijf Infineon om deze ontwikkeling te optimaliseren. Pernkopf: “Voor onze succesvolle tests hebben we gegevens (storende signalen) gebruikt die vergelijkbaar zijn met wat we voor de training hebben gebruikt. We willen het model nu verbeteren, zodat het nog steeds werkt als het ingangssignaal significant afwijkt van aangeleerde patronen.”
Bepalende factoren
De onderzoekers willen achterhalen hoe het systeem voorspellingen bepaalt en welke beïnvloedende factoren daarvoor bepalend zijn. Hiertoe wordt de gecompliceerde modelarchitectuur omgezet in een lineair model en vereenvoudigd. In de woorden van Pernkopf: “We willen het gedrag van CNN’s wat meer verklaarbaar maken. We zijn niet alleen geïnteresseerd in het outputresultaat, maar ook in de variatiemogelijkheden. Hoe kleiner de variantie, hoe zekerder het netwerk.”
Pernkopf verwacht dat de technologie zo ver ontwikkeld is dat de eerste radarsensoren er de komende jaren mee kunnen worden uitgerust.
