Modeling Backscattering Behavior of Vulnerable Road Users Based on High-Resolution Radar Measurements

Bei der Weiterentwicklung der Technologie des autonomen Fahrens (AD) ist die Beschaffung zuverlässiger dreidimensionaler Umgebungsinformationen eine unverzichtbare Aufgabe, um ein sicheres Fahren zu ermöglichen. Diese Herausforderung kann durch den Einsatz von Fahrzeugradaren zusammen mit optischen Sensoren, z. B. Kameras oder Lidars, bewältigt werden, sei es in der Simulation oder in konventionellen Tests auf der Straße. Das Betriebsverhalten von Fahrzeugradaren kann in einer Over-the-Air (OTA) Vehicle-in-the-Loop (ViL) Umgebung genau bewertet werden. Für eine umfassende experimentelle Verifizierung der Fahrzeugradare muss jedoch die Umgebung, insbesondere die gefährdeten Verkehrsteilnehmer (VRUs), möglichst realistisch modelliert werden. ... mehrModerne Radarsensoren sind in der Lage, hochaufgelöste Erkennungsinformationen von komplexen Verkehrszielen zu liefern, um diese zu verfolgen. Diese hochauflösenden Erkennungsdaten, die die reflektierten Signale von den Streupunkten (SPs) der VRUs enthalten, können zur Erzeugung von Rückstreumodelle genutzt werden.

Darüber hinaus kann ein realistischeres Rückstreumodell der VRUs, insbesondere von Menschen als Fußgänger oder Radfahrer, durch die Modellierung der Bewegung ihrer Extremitäten in Verkehrsszenarien erreicht werden. Die Voraussetzung für die Erstellung eines solchen detaillierten Modells in verschiedenen Situationen sind der Radarquerschnitt (RCS) und die Doppler-Signaturen, die sich aus den menschlichen Extremitäten in einer bewegten Situation ergeben. Diese Daten können durch die gesammelten Radardaten aus hochauflösenden RCS-Messungen im Radial- und Winkelbereich gewonnen werden, was durch die Analyse der Range-Doppler-Spezifikation der menschlichen Extremitäten in verschiedenen Bewegungen möglich ist. Die entwickelten realistischen Radarmodelle können bei der Wellenausbreitung im Radarkanal, bei der Zielerkennung und -klassifizierung sowie bei Datentrainingsalgorithmen zur Validierung und Verifizierung der Kfz-Radarfunktionen eingesetzt werden. Anschließend kann mit dieser Bewertung die Sicherheit von fortschrittlichen Fahrerassistenzsystemen (ADAS) beurteilt werden.

Daher wird in dieser Arbeit ein hochauflösendes RCS-Messverfahren vorgeschlagen, um die relevanten SPs verschiedener VRUs mit hoher radialer und winkelmäßiger Auflösung zu bestimmen. Eine Gruppe unterschiedliche VRUs wird in statischen Situationen gemessen, und die notwendigen Signalverarbeitungsschritte, um die relevanten SPs mit den entsprechenden RCS-Werten zu extrahieren, werden im Detail beschrieben. Während der Analyse der gemessenen Daten wird ein Algorithmus entwickelt, um die physischen Größen der gemessenen Testpersonen aus dem extrahierten Rückstreumodell zu schätzen und sie anhand ihrer Größe und Statur zu klassifizieren. Zusätzlich wird ein Dummy-Mensch vermessen, der eine vergleichbare Größe wie die vermessenen Probanden hat. Das extrahierte Rückstreuverhalten einer beispielhaften VRU-Gruppe wird für ihre verschiedenen Typen ausgewertet, um die Übereinstimmung zwischen virtuellen Validierungen und der Realität aufzuzeigen und den Genauigkeitsgrad der Modelle sicherzustellen. In einem weiteren Schritt wird diese hochauflösende RCS-Messtechnik mit der Motion Capture Technologie kombiniert, um die Reflektivität der SPs von den menschlichen Körperregionen in verschiedenen Bewegungen zu erfassen und die Radarsignaturen der menschlichen Extremitäten genau zu schätzen. Spezielle Signalverarbeitungsschritte werden eingesetzt, um die Radarsignaturen aus den Messergebnissen des sich bewegenden Menschen zu extrahieren. Diese nachbearbeiteten Daten ermöglichen es der Technik, die zeitlich variierenden SPs an den Extremitäten des menschlichen Körpers mit den entsprechenden RCS-Werten und Dopplersignaturen einzuführen. Das extrahierte Rückstreumodell der VRUs enthält eine Vielzahl von SPs. Daher wird ein Clustering-Algorithmus entwickelt, um die Berechnungskomplexität bei Radarkanalsimulationen durch die Einführung einiger virtueller Streuzentren (SCs) zu minimieren. Jedes entwickelte virtuelle SCs hat seine eigene spezifische Streueigenschaft.

During the evolvement of autonomous driving technology, obtaining reliable three-dimensional environmental information is an indispensable task in approaching safe driving. This challenge can be confronted by utilizing automotive radars together with optical sensors, e.g., cameras or lidars, either in simulation or conventional real-road testing. The operational behavior of automotive radars can be precisely evaluated in an over-the-air vehicle-in-the-loop environment. However, a comprehensive experimental verification of the automotive radars requires modeling its surrounding, specifically vulnerable road users (VRUs), as realistic as the real test environment. ... mehrAdvanced radar sensors are able to deliver highly resolved detection and recognition information from complex traffic targets to track them. These high-resolution detection data, containing the reflected signals from the scattering points of VRUs, can generate their backscattering models.

Furthermore, a more realistic backscattering model of the VRUs, especially humans as pedestrians or bikers, can be achieved by modeling the movement of their extremities in traffic scenarios. The prerequisite for generating such a detailed model in different situations is the radar cross section (RCS) and Doppler signatures of a human in motion. This information can be retrieved by the collected radar data from high-resolution RCS measurements in the radial and angular domains, which is attainable after analyzing the range-Doppler specification of human extremities in various motions. The developed realistic radar models can be employed in radar channel wave propagation, target recognition and classification, and data training algorithms for the validation and verification of automotive radar functionality. Subsequently, this evaluation can assess the safety of advanced driver assistance systems.

This thesis proposes a high-resolution RCS measurement technique to determine the relevant scattering points of different VRUs with high radial and angular resolution. A diverse group of VRUs is measured in static situations, and necessary signal processing steps are described in details to extract the relevant scattering points with corresponding RCS values. During this analysis of the measured data, an algorithm is developed to estimate the physical sizes of the measured test persons from the extracted backscattering model and classify them based on their size and stature. Additionally, a dummy human is measured, which has a comparable size to one of the measured test persons. The extracted backscattering behavior of an exemplary VRU group is evaluated for its different types to indicate the consistency between virtual validations and reality and ensure the accuracy level of the models. In a later step, this high-resolution RCS measurement technique is combined with motion capture technology to collect the reflectivity of the scattering points from the human body regions in different motions and accurately estimate radar signatures of human extremities. Dedicated signal processing steps are utilized to extract the radar signatures from the measurement results of the human in motion. This post-processed data enables the technique to introduce the time-varying scattering points on the human body's extremities with the corresponding RCS values and Doppler signatures. The extracted backscattering model of VRUs contains a plurality of scattering points. Thus, a clustering algorithm is developed to minimize computational complexity in radar channel simulations by introducing some virtual scattering centers. Each developed virtual scattering center has its own specific scattering characteristic. Finally, the key achievements of this thesis are summarized.