Generation of Realistic Synthetic Raw Radar Data for Automated Driving Applications using Generative Adversarial Networks

要約

FMCW レーダーをシミュレートする主なアプローチはレイ トレーシングに基づいていますが、これは通常、大量の計算を必要とし、バックグラウンド ノイズを考慮していません。
この研究では、敵対的生成ネットワーク (GAN) を使用して合成生レーダー データを生成できる、FMCW レーダー シミュレーションのより高速な方法を提案します。
コードと事前トレーニングされた重みはオープンソースであり、GitHub で入手できます。
この方法では 16 個のチャープが同時に生成され、生成されたデータをレーダー データ処理 (フィルタリングとクラスタリング) のアルゴリズムのさらなる開発に使用できるようになります。
これにより、たとえば、現実には再現できない、存在しないシナリオや安全性が重要なシナリオでデータを生成することにより、データ拡張の可能性が高まる可能性があります。
この研究では、GAN はオートバイのレーダー測定でトレーニングされ、直線を走行するオートバイの合成生レーダー データを生成するために使用されました。
このデータを生成するには、バイクの距離とガウス ノイズがニューラル ネットワークへの入力として使用されます。
合成生成されたレーダー チャープは、Frechet Inception Distance (FID) を使用して評価されました。
次に、距離方位角 (RA) マップが 2 回計算されます。1 回目はこの GAN を使用した合成データに基づいて、2 回目は実際のデータに基づいて計算されます。
これらの RA マップに基づいて、適応しきい値とエッジ検出を備えたアルゴリズムが物体検出に使用されます。
結果は、チャープ、RA マップ、および物体検出結果の比較に基づいて、オートバイのコヒーレントなレーダー反射とバックグラウンド ノイズの点でデータが現実的であることを示しています。
したがって、この研究で提案された方法は、レーダー データの生成におけるシミュレーションと現実のギャップを最小限に抑えることが示されました。

要約(オリジナル)

The main approaches for simulating FMCW radar are based on ray tracing, which is usually computationally intensive and do not account for background noise. This work proposes a faster method for FMCW radar simulation capable of generating synthetic raw radar data using generative adversarial networks (GAN). The code and pre-trained weights are open-source and available on GitHub. This method generates 16 simultaneous chirps, which allows the generated data to be used for the further development of algorithms for processing radar data (filtering and clustering). This can increase the potential for data augmentation, e.g., by generating data in non-existent or safety-critical scenarios that are not reproducible in real life. In this work, the GAN was trained with radar measurements of a motorcycle and used to generate synthetic raw radar data of a motorcycle traveling in a straight line. For generating this data, the distance of the motorcycle and Gaussian noise are used as input to the neural network. The synthetic generated radar chirps were evaluated using the Frechet Inception Distance (FID). Then, the Range-Azimuth (RA) map is calculated twice: first, based on synthetic data using this GAN and, second, based on real data. Based on these RA maps, an algorithm with adaptive threshold and edge detection is used for object detection. The results have shown that the data is realistic in terms of coherent radar reflections of the motorcycle and background noise based on the comparison of chirps, the RA maps and the object detection results. Thus, the proposed method in this work has shown to minimize the simulation-to-reality gap for the generation of radar data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google