利用生成对抗网络为自动驾驶应用生成逼真合成原始雷达数据
计算机视觉与模式识别
2023-08-09 v2 人工智能
机器学习
摘要
FMCW雷达仿真的主要方法基于光线追踪，其通常计算密集且未考虑背景噪声。本工作提出了一种更快的FMCW雷达仿真方法，能够利用生成对抗网络(GAN)生成合成原始雷达数据。代码与预训练权重为开源，可在GitHub获取。该方法生成16个同步啁啾，使生成的数据可用于雷达数据处理算法(滤波与聚类)的进一步开发。这可提升数据增强的潜力，例如通过在现实不可复现的不存在或安全关键场景中生成数据。本工作中，GAN以摩托车的雷达测量值训练，并用于生成直线行驶摩托车的合成原始雷达数据。为生成该数据，以摩托车距离与高斯噪声作为神经网络输入。利用Frechet Inception Distance (FID)对合成生成的雷达啁啾进行评估。随后，计算两次距离-方位(RA)图：第一次基于该GAN的合成数据，第二次基于真实数据。基于这些RA图，使用带自适应阈值与边缘检测的算法进行目标检测。结果表明，基于啁啾、RA图与目标检测结果的比较，数据在摩托车相干雷达反射与背景噪声方面均具逼真性。因此，本工作所提方法被证明可最小化雷达数据生成的仿真到现实差距。
引用
@article{arxiv.2308.02632,
title = {Generation of Realistic Synthetic Raw Radar Data for Automated Driving Applications using Generative Adversarial Networks},
author = {Eduardo C. Fidelis and Fabio Reway and Herick Y. S. Ribeiro and Pietro L. Campos and Werner Huber and Christian Icking and Lester A. Faria and Torsten Schön},
journal= {arXiv preprint arXiv:2308.02632},
year = {2023}
}