National and Kapodistrian University of Athens
Wireless sensing-based target detection and classification
Abstract
dc:descriptionΗ ραγδαία εξέλιξη των τεχνολογιών ασύρματης επικοινωνίας έχει υπερβεί τα παραδοσιακά όρια της μετάδοσης δεδομένων, καθιστώντας δυνατή την προηγμένη περιβαλλοντική αντίληψη μέσω της ασύρματης ανίχνευσης (wireless sensing). Σε αστικά περιβάλλοντα, όπου η αξιοπιστία είναι κρίσιμη για τις υποδομές "Έξυπνων Πόλεων" (Smart Cities) και τα συστήματα Αυτόνομων Οχημάτων (AV), το ραντάρ χιλιοστομετρικού κύματος (mmWave radar) έχει αναδειχθεί ως κύρια μέθοδος ανίχνευσης, λόγω της ανθεκτικότητάς του σε αντίξοες συνθήκες, όπως ο χαμηλός φωτισμός ή η έλλειψη οπτικής επαφής. Ωστόσο, η επίτευξη ακριβούς Αναγνώρισης Ανθρώπινης Δραστηριότητας (HAR) και ταξινόμησης στόχων σε πυκνά, πραγματικά μητροπολιτικά περιβάλλοντα παραμένει μια σημαντική πρόκληση, κυρίως λόγω των παρεμβολών υψηλής ανακλαστικότητας από κινούμενα οχήματα, οι οποίες συχνά επισκιάζουν τις ασθενέστερες υπογραφές μικρο-Doppler των Ευάλωτων Χρηστών του Οδικού Δικτύου (VRUs), όπως πεζών και ποδηλατών. Η παρούσα διπλωματική εργασία διερευνά την αποτελεσματικότητα εποπτευόμενων αλγορίθμων μηχανικής μάθησης για την ταξινόμηση VRUs με χρήση υπογραφών μικρο-Doppler. Μέσω ενός ολοκληρωμένου συνόλου συνθετικών δεδομένων που δημιουργήθηκε μέσω προσομοιώσεων στο MATLAB, αξιολογήθηκε η απόδοση τεσσάρων κλασικών ταξινομητών μηχανικής μάθησης Naive Bayes, k-Nearest Neighbors (k-NN), Support Vector Machines (SVM) και Random Forest υπό ποικίλες περιβαλλοντικές συνθήκες, από καθαρά σενάρια έως περιβάλλοντα με έντονο θόρυβο από οχήματα. Για την αντιμετώπιση της υψηλής διαστατικότητας των πρωτογενών δεδομένων ραντάρ, υλοποιήθηκε μια στιβαρή διαδικασία προ-επεξεργασίας με τη χρήση της μεθόδου Global Temporal Statistical Pooling, επιτυγχάνοντας μείωση διαστάσεων κατά 99,98% με ταυτόχρονη διατήρηση των ουσιωδών κινηματικών χαρακτηριστικών. Η συγκριτική ανάλυση καταδεικνύει ότι τα παραδοσιακά μοντέλα συνόλου και διακριτικής μάθησης, ιδιαίτερα οι ταξινομητές Random Forest και SVM, επιδεικνύουν εξαιρετικές προγνωστικές ικανότητες σε περιβάλλοντα χαμηλών έως μέτριων παρεμβολών, επιτυγχάνοντας ακρίβεια άνω του 95%. Ωστόσο, η έρευνα αναδεικνύει επίσης ένα "χάσμα στιβαρότητας" υπό συνθήκες έντονου θορύβου από οχήματα, όπου οι στατικοί στατιστικοί περιγραφείς παρουσιάζουν περιορισμούς στη διατήρηση της απόδοσης. Επιπλέον, αξιολογήθηκε η υπολογιστική αποδοτικότητα των μοντέλων, επιδεικνύοντας καθυστερήσεις συμπερασμού (inference latencies) πολύ κάτω από το όριο του 1 χιλιοστοδευτερολέπτου, επιβεβαιώνοντας τη σκοπιμότητά τους για εφαρμογές πραγματικού χρόνου σε συστήματα αυτόνομης οδήγησης. Η παρούσα έρευνα καθιερώνει μια ισχυρή βάση για την ταξινόμηση στόχων μέσω ραντάρ και υπογραμμίζει τις κρίσιμες συμβιβαστικές σχέσεις (trade-offs) μεταξύ υπολογιστικής απλότητας και ευρωστίας του μοντέλου σε σύνθετα αστικά περιβάλλοντα.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- ΣΙΔΕΡΑΣ ΙΩΑΝΝΗΣ
- SIDERAS IOANNIS
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:5432709