PRYSTINE

Echtzeitsignalverarbeitung verteilter Radarsysteme im Bereich des autonomen Fahrens

(Drittmittelfinanzierte Gruppenförderung – Teilprojekt)

BMBF Logo

Titel des Gesamtprojektes: Programmable Systems for Intelligence in Automobiles

Projektstart: 16. Juni 2018
Akronym: PRYSTINE
Mittelgeber: Bundesministerium für Bildung und Forschung (BMBF)

Kurzbeschreibung

Konzept zur Interferenzreduzierung mit Maschinellem Lernen

Am 1. Mai 2018 startete das Forschungs- und Innovationsprojekt PRYSTINE, unter gemeinsamer Finanzierung der Europäischen Union durch ECSEL und den nationalen Regierungen der ECSEL-Mitgliedstaaten. Der Lehrstuhl für Technische Elektronik repräsentiert im Konsortium von über 50 europäischen Partnern die FAU. Unter den tatsächlichen Trends, die die Gesellschaft in den kommenden Jahren beeinflussen werden, zeichnet sich das autonome Fahren insbesondere durch das Potenzial aus, die Automobilindustrie, wie wir sie heute kennen, zu verändern. In der Folge wird dies auch die Halbleiterindustrie stark beeinflussen und neue Marktchancen eröffnen, da Halbleiter als „Enabler“ für autonome Fahrzeuge eine unverzichtbare Rolle spielen. Autonomes Fahren wurde als eine der wichtigsten Voraussetzungen für die Bewältigung der gesellschaftlichen Herausforderungen einer sicheren, sauberen und effizienten Mobilität identifiziert. Dazu ist ein ausfallsicheres Verhalten unerlässlich, um sicherheitskritische Situationen aus eigener Kraft zu bewältigen. Dies wird mit heutigen Ansätzen auch aufgrund fehlender zuverlässiger Umgebungswahrnehmung und unzureichender Sensorfusion nicht erreicht.

Im Projekt mit dem Titel „Programmable Systems for Intelligence in Automobiles“ (PRYSTINE) geht es im Allgemeinen darum, eine robuste und ausfallsichere rundum Wahrnehmung der Umgebung von Fahrzeugen zu realisieren. Mittels robuster Sensordatenfusion von Radar-, LiDAR- und Kameradaten, sowie ausfallsicheren Steuerungsfunktionen, soll möglichst sicheres autonomes Fahren in städtischer und ländlicher Umgebung ermöglicht werden.

Am Lehrstuhl für Technische Elektronik wurden im Rahmen von PRYSTINE verschiedene Ansätze zur robusten Umwelterfassung und Bildgebung für MIMO Radarsensoren mittels Maschinellem Lernen erforscht. Schrittweise werden Teile der traditionellen Radarsignalverarbeitungskette, von der Interferenzreduktion, bis hin zu Detektion, Winkelschätzung, Klassifikation und Tracking von Verkehrsteilnehmern, durch maschinelles Lernen ersetzt. Vollständige Informationen über dieses Projekt finden Sie auf der offiziellen Website: www.prystine.eu

Video Clip

Publikationen

2022

Dubey A., Santra A., Fuchs J., Lübke M., Weigel R., Lurz F.:
HARadNet: Anchor-free target detection for radar point clouds using hierarchical attention and multi-task learning
In: Machine Learning with Applications (2022), S. 100275
ISSN: 2666-8270
DOI: 10.1016/j.mlwa.2022.100275
BibTeX: Download
Fuchs J., Gardill M., Lübke M., Dubey A., Lurz F.:
A Machine Learning Perspective on Automotive Radar Direction of Arrival Estimation
In: IEEE Access 10 (2022), S. 6775-6797
ISSN: 2169-3536
DOI: 10.1109/ACCESS.2022.3141587
BibTeX: Download
Fuchs J., Kasper A., Lübke M., Dubey A., Lurz F.:
High-Resolution Direction-of-Arrival Estimation using Distributed Radar Sensors
2022 IEEE Radio & Wireless Week (Las Vegas, NV, 16. Januar 2022 - 19. Januar 2022)
In: IEEE (Hrsg.): 2022 IEEE Radio and Wireless Symposium (RWS) 2022
DOI: 10.1109/RWS53089.2022.9719971
BibTeX: Download

2021

Druml N., Ryabokon A., Schorn R., Koszescha J., Ozols K., Levinskis A., Novickis R., Nigussie E., Isoaho J., Solmaz S., Stettinger G., Diaz S., Marcano M., Villagra J., Medina J., Schwarz M., Artuñedo A., Comi M., Beekelaar R., Özçelik O., Taşdelen EA., Gürbüz Y., Saijets J., Kyynäräinen J., Morits D., Debaillie B., Rykunov M., Escamilla J., Vanne J., Korhonen T., Holma K., Matzhold EM., Novara C., Tango F., Burgio P., Calafiore G., Karimshoushtari M., Boulay E., Dhaens M., Praet K., Zwijnenberg H., Palm H., Ortega DA., Kalali E., Pensala T., Kyytinen A., Larsen M., Veledar O., Macher G., Lafer M., Giraudi L., Reckenzaun J., Hammer D., Mohan N., Schmid J., Höß A., Ophir S., Dubey A., Fuchs J., Lübke M., Anghel A., Ristea NC., Törngren M., Musralina A., Harter M., Jose JM., Dimitrakopoulos G.:
Programmable Systems for Intelligence in Automobiles (PRYSTINE): Final results after Year 3
24th Euromicro Conference on Digital System Design (DSD) (Palermo, ITALY, 1. September 2021 - 3. September 2021)
In: 2021 24TH EUROMICRO CONFERENCE ON DIGITAL SYSTEM DESIGN (DSD 2021), LOS ALAMITOS: 2021
DOI: 10.1109/DSD53832.2021.00049
BibTeX: Download
Dubey A., Santra A., Fuchs J., Lübke M., Weigel R., Lurz F.:
Integrated Classification and Localization of Targets using Bayesian Framework in Automotive Radars
2021 IEEE International Conference on Acoustics, Speech and Signal Processing (Toronto, Ontario, 6. Juni 2021 - 11. Juni 2021)
DOI: 10.1109/ICASSP39728.2021.9414131
BibTeX: Download
Dubey A., Santra A., Fuchs J., Lübke M., Weigel R., Lurz F.:
A Bayesian Framework for Integrated Deep Metric Learning and Tracking of Vulnerable Road Users Using Automotive Radars
In: IEEE Access (2021), Art.Nr.: Access-2021-15532
ISSN: 2169-3536
DOI: 10.1109/ACCESS.2021.3077690
BibTeX: Download
Dubey A., Santra A., Fuchs J., Lübke M., Weigel R., Lurz F.:
BayesRadar : Bayesian Metric-Kalman Filter Learning for Improved and Reliable Radar Target Classification
2021 IEEE 31st International Workshop on Machine Learning for Signal Processing (MLSP) (Gold Coast, Queensland, 25. Oktober 2021 - 28. Oktober 2021)
In: 2021 IEEE 31st International Workshop on Machine Learning for Signal Processing (MLSP) 2021
DOI: 10.1109/MLSP52302.2021.9596290
BibTeX: Download
Liu H., Fuchs J., Horn T., Gardill M.:
Effects of Target Displacement on Single-Snapshot DOA Estimation in Automotive Radar
2021 IEEE Topical Conference on Wireless Sensors and Sensor Networks (WiSNeT) (San Diego, CA, 17. Januar 2021 - 20. Januar 2021)
DOI: 10.1109/WiSNeT51848.2021.9414108
BibTeX: Download

2020

Dubey A., Fuchs J., Lübke M., Weigel R., Lurz F.:
Generative Adversial Network based Extended Target Detection for Automotive MIMO Radar
2020 International Conference on Radar (RADAR) (Washington DC, 27. April 2020 - 1. Mai 2020)
DOI: 10.1109/RADAR42522.2020.9114564
BibTeX: Download
Dubey A., Fuchs J., Madhavan V., Lübke M., Weigel R., Lurz F.:
Region based Single-Stage Interference Mitigation and Target Detection
IEEE Radar Conference (Florence, 21. September 2020 - 25. September 2020)
DOI: 10.1109/RadarConf2043947.2020.9266434
BibTeX: Download
Dubey A., Fuchs J., Reißland T., Weigel R., Lurz F.:
Uncertainty analysis of deep neural network for classification of vulnerable road users using micro-doppler
2020 IEEE Topical Conference on Wireless Sensors and Sensor Networks, WiSNeT 2020 (San Antonio, TX, 26. Januar 2020 - 29. Januar 2020)
In: 2020 IEEE Topical Conference on Wireless Sensors and Sensor Networks, WiSNeT 2020 2020
DOI: 10.1109/WiSNeT46826.2020.9037574
BibTeX: Download
Fuchs J., Dubey A., Lübke M., Weigel R., Lurz F.:
Automotive Radar Interference Mitigation using a Convolutional Autoencoder
2020 International Conference on Radar (RADAR) (Washington DC, 27. April 2020 - 1. Mai 2020)
DOI: 10.1109/RADAR42522.2020.9114641
BibTeX: Download

2019

Fuchs J., Weigel R., Gardill M.:
Model Order Estimation using a Multi-Layer Perceptron for Direction-of-Arrival Estimation in Automotive Radar Sensors
2019 IEEE Topical Conference on Wireless Sensors and Sensor Networks (WiSNet) (Orlando, Florida, 20. Januar 2019 - 23. Januar 2019)
DOI: 10.1109/WISNET.2019.8711806
BibTeX: Download
Fuchs J., Weigel R., Gardill M.:
Single-Snapshot Direction-of-Arrival Estimation of Multiple Targets using a Multi-Layer Perceptron
2019 IEEE MTT-S International Conference on Microwaves for Intelligent Mobility (ICMIM) (Detroit, MI, 15. April 2019 - 16. April 2019)
DOI: 10.1109/ICMIM.2019.8726554
BibTeX: Download

PRYSTINE Logo