{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5432709"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5432709","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Wireless sensing-based target detection and classification","abstract":"Η 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.","abstract_html":"Η 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 &quot;Έξυπνων Πόλεων&quot; (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 &quot;χάσμα στιβαρότητας&quot; 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.","abstract_has_math":false,"creators":["ΣΙΔΕΡΑΣ ΙΩΑΝΝΗΣ","SIDERAS IOANNIS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:33Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5432709"],"render_values":[{"text":"uoadl:5432709","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5432709","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5432709","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5432709","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΣΙΔΕΡΑΣ ΙΩΑΝΝΗΣ","SIDERAS IOANNIS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5432709","https://pergamos.lib.uoa.gr/uoa/dl/object/5432709"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η 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.","The quick development of wireless communication technology has allowed for increased environmental awareness through wireless sensing, surpassing the conventional limits of data transfer. Because mmWave radar is resilient in difficult settings like low-light or non-line-of-sight scenarios, it has become a main sensing modality in urban contexts where reliability is crucial for Smart City infrastructure and Autonomous Vehicle (AV) systems. The high-reflectivity interference from moving cars, which frequently masks the weaker micro-Doppler signatures of Vulnerable Road Users (VRUs), like pedestrians and bicyclists, makes it difficult to achieve accurate Human Activity Recognition (HAR) and target classification in dense, real-world metropolitan environments. The efficiency of supervised machine learning pipelines for VRU classification utilising radar micro-Doppler signatures is examined in this research. The effectiveness of four traditional machine learning classifiers Naive Bayes, k-Nearest Neighbours (k-NN), Support Vector Machines (SVM), and Random Forest are assessed across a range of environmental conditions, from clean scenarios to highly cluttered automotive noise, using an extensive synthetic dataset generated via MATLAB radar simulations. Global Temporal Statistical Pooling is used in a robust pre-processing pipeline to reduce the high dimensionality of raw radar data by 99.98% while preserving important kinematic properties. In low-to-moderate interference situations, the comparison analysis shows that traditional ensemble and discriminative models in particular, the Random Forest and SVM classifiers have high predictive performance, attaining accuracy above 95%. Nevertheless, the study also identifies a \"robustness gap\" where static statistical descriptors are unable to sustain performance in the face of extreme vehicle cacophony. Additionally, these models' computational efficiency is evaluated, showing inference latencies far below the 1-millisecond barrier, validating their viability for real-time, edge-computing deployments in autonomous systems that are safety-critical. The proposed framework highlights the crucial trade-offs between computing simplicity and model resilience in intricate urban sensing contexts and sets a strong baseline for radar-based classification."]},{"key":"dc:title","label":"Title","values":["Wireless sensing-based target detection and classification"]}]}],"canonical_facts":{"dc:creator":["ΣΙΔΕΡΑΣ ΙΩΑΝΝΗΣ","SIDERAS IOANNIS"],"dc:date":["2026"],"dc:description":["Η 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.","The quick development of wireless communication technology has allowed for increased environmental awareness through wireless sensing, surpassing the conventional limits of data transfer. Because mmWave radar is resilient in difficult settings like low-light or non-line-of-sight scenarios, it has become a main sensing modality in urban contexts where reliability is crucial for Smart City infrastructure and Autonomous Vehicle (AV) systems. The high-reflectivity interference from moving cars, which frequently masks the weaker micro-Doppler signatures of Vulnerable Road Users (VRUs), like pedestrians and bicyclists, makes it difficult to achieve accurate Human Activity Recognition (HAR) and target classification in dense, real-world metropolitan environments. The efficiency of supervised machine learning pipelines for VRU classification utilising radar micro-Doppler signatures is examined in this research. The effectiveness of four traditional machine learning classifiers Naive Bayes, k-Nearest Neighbours (k-NN), Support Vector Machines (SVM), and Random Forest are assessed across a range of environmental conditions, from clean scenarios to highly cluttered automotive noise, using an extensive synthetic dataset generated via MATLAB radar simulations. Global Temporal Statistical Pooling is used in a robust pre-processing pipeline to reduce the high dimensionality of raw radar data by 99.98% while preserving important kinematic properties. In low-to-moderate interference situations, the comparison analysis shows that traditional ensemble and discriminative models in particular, the Random Forest and SVM classifiers have high predictive performance, attaining accuracy above 95%. Nevertheless, the study also identifies a \"robustness gap\" where static statistical descriptors are unable to sustain performance in the face of extreme vehicle cacophony. Additionally, these models' computational efficiency is evaluated, showing inference latencies far below the 1-millisecond barrier, validating their viability for real-time, edge-computing deployments in autonomous systems that are safety-critical. The proposed framework highlights the crucial trade-offs between computing simplicity and model resilience in intricate urban sensing contexts and sets a strong baseline for radar-based classification."],"dc:identifier":["uoadl:5432709","https://pergamos.lib.uoa.gr/uoa/dl/object/5432709"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Wireless sensing-based target detection and classification"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:33Z"}