The algorithm for processing and transforming clustered radar data into object data using mathematical and statistical methods

封面


如何引用文章

全文:

详细

BACKGROUND: In modern autonomous transportation systems, such as unmanned vehicles, radars are crucial in detecting and classifying objects in the surrounding environment. However, radar data often contain noise and errors, which reduces detection accuracy. To enhance the effectiveness of autonomous systems, development of the algorithms capable of filtering and transforming clustered radar data into object data is needed in order to improve the interpretation of road situations.

AIM: Development of the radar data processing algorithm that ensures high-quality results by minimizing the number of detection errors compared to existing approaches.

METHODS: The study involved an analysis of data obtained from the ARS 408 automotive radar manufactured by Continental Engineering Services, operating at a frequency of 77 GHz. The developed algorithm included stages of filtering based on RCS (Radar Cross Section), clustering, and objects motion approximation. To evaluate the algorithm’s effectiveness, metrics such as Precision, Recall, and F1-score were used, along with the analysis of Intersection over Union (IoU). The research was conducted based on experimental data collected under real traffic conditions.

RESULTS: The work resulted in the development of the algorithm that reduces object detection errors. Evaluation of Type I and Type II errors demonstrated that the proposed method provides more reliable decision-making for autonomous systems in various road conditions.

CONCLUSION: The results support the conclusion that the developed radar data processing algorithm can be successfully implemented in autonomous vehicle control systems, providing improved data quality irrespective of the radar manufacturer. The practical significance lies in the ability to adapt the algorithm to various types of radar, making it a universal tool for enhancing the safety and efficiency of autonomous transportation systems.

作者简介

Anton Kuzin

Moscow Polytechnic University; Central Research Automobile and Automotive Engines Institute NAMI; Moscow University of Finance and Law

编辑信件的主要联系方式.
Email: anton.kuzin@nami.ru
ORCID iD: 0009-0005-3342-8526
SPIN 代码: 6493-7201

Engineer of the Electronic Devices Center

俄罗斯联邦, Moscow; Moscow; Moscow

Vladimir Debelov

Moscow Polytechnic University; Central Research Automobile and Automotive Engines Institute NAMI

Email: vladimir.debelov@nami.ru
ORCID iD: 0000-0001-6050-0419
SPIN 代码: 8701-7410

Head of the Software Technology Department of the Software Center

俄罗斯联邦, Moscow; Moscow

Denis Endachev

Moscow Polytechnic University; Central Research Automobile and Automotive Engines Institute NAMI

Email: denis.endachev@nami.ru
ORCID iD: 0000-0003-3547-7928
SPIN 代码: 6514-7752

Executive director for information and intelligent systems

俄罗斯联邦, Moscow; Moscow

参考

  1. Vertkova MS. Linear and Quadratic Approximations. Proceedings of the 63rd Student Scientific and Practical Conference of the Engineering Faculty of Samara State Agricultural Academy. 2018:244–248. (In Russ.) EDN: VMLGYK
  2. Debelov VV, Ivanov VV, Kozlovsky VN, et al. Modeling of an Electronic Speed Control System of a Passenger Car in Speed Maintenance and Limitation Modes. Electronics and Electrical Equipment of Transport. 2013;(6):2–7. (In Russ.) EDN: RTPZML
  3. Debelov VV, Endachev DV, Evgrafov VV, et al. Implementation Ways of Control Systems for Vehicle Motion Modes Based on Autonomous Driving Technology Development. Safety of Wheeled Vehicles under Operating Conditions. 2017. P. 504–512. (In Russ.) EDN: ZFNVAZ
  4. Debelov VV, Ivanov VV, Kozlovsky VN, et al. Electronic Speed Control System of a Vehicle in Speed Maintenance and Limitation Modes. Truck. 2013;(12):19–23. (In Russ.) EDN: RUINER
  5. Deev OI, Debelov VV, Endachev DV. Development of a Machine Vision System Using the Principle of Analysis of Changing Geometry and Spectrum of Incident Light. Intelligent Transport Systems. 2017. P. 239–256. (In Russ.) EDN: YUFRTB
  6. Endachyov DV, Bakhmutov SV, Evgrafov VV, et al. Electronic Systems of Intelligent Transport Vehicles. Mechanics of Machines, Mechanisms and Materials. 2020;(4):5–10. doi: 10.46864/1995-0470-2020-4-53-5-10 (In Russ.) EDN: IGEFKA
  7. Ershov KS, Romanova TN. Analysis and Classification of Clustering Algorithms. New Information Technologies in Automated Systems. 2016;(19):274–279. (In Russ.) EDN: VTZOPF
  8. Kozlovsky VN, Debelov VV, Deev OI, et al. Prospective Diagnostic Systems for Autonomous Transport Object Control. Truck. 2017;(6):21–28. (In Russ.) EDN: ZQPXKZ
  9. Kuznetsov DYu, Troshina TL. Cluster Analysis and Its Application. Yaroslavl Pedagogical Bulletin. 2006;(4):103–107. (In Russ.) EDN: HWDSNJ
  10. Kuznetsova AA. Statistical Precision-Recall Curves for Object Detection Quality Analysis. Applied Informatics. 2020;15(6):42–57. doi: 10.37791/2687-0649-2020-15-6-42-57 (In Russ.) EDN: VEPVNN
  11. Saikin AM, Endachyov DV, Evgrafov VV, et al. Fundamentals of Evaluation Criteria for Unmanned Vehicles. Proceedings of NAMI. 2017;(2):48–54. (In Russ.) EDN: ZCSPAJ
  12. Standardized Interface ARS Technical Documentation [Electronic resource] // GitHub. 2017. URL: https://github.com/lf2653/myrepository/blob/master/documentation/Short-Description_2017_07_09-06_ARS404-21%2BARS408-21_en_V1.06.pdf (accessed 28.07.2024). (In Russ.)
  13. Chadnov RV, Skvortsov AV, Mirza NS. Review of Algorithms for Constructing Convex Hulls on the Plane. Bulletin of Tomsk State University. 2004(S9-2):116–121. (In Russ.) EDN: ZJFGSB
  14. Benigno P, Woodford M. Linear-Quadratic Approximation of Optimal Policy Problems. Journal of Economic Theory. 2012;147(1):1–42. doi: 10.3386/w12672
  15. Deev OI, Debelov VV, Endachev DV, et al. Technological Vision Systems Using Principle of Analysis of Changing Geometry and Spectrum of the Light. IOP Conference Series: Earth and Environmental Science. 2021;666(3):032075. doi: 10.1088/1755-1315/666/3/032075 EDN: MPQTJH

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Example of object detection by a vehicle radar in cluster and object modes: a, example of the radar data in the cluster mode; b, example of the radar data in the object mode: 1, false objects in the cluster mode; 2, true objects in the cluster mode; 3, false objects in the object mode; 4, true objects in the object mode. True objects: objects detected by the radar that correspond to those that the user expects or wishes to record; false objects: radar registered objects that are not of interest to the user or false detecting of noises.

下载 (308KB)
索引源数据
3. Fig. 2. Block diagram of the algorithm for filtering radar cluster data and transforming it into objects.

下载 (257KB)
索引源数据
4. Fig. 3. Radar cluster data obtained during a single scan: a, radar position relative to the reference frame: b, dynamic objects detected by the radar; c, static objects detected by the radar: 0, moving; 1, stationary; 2, oncoming; 3, stationary candidate; 4, unknown.

下载 (100KB)
索引源数据
5. Fig. 4. Block diagram of the RCS filtering algorithm.

下载 (159KB)
索引源数据
6. Fig. 5. Signal distribution plots based on the radar data before and after the RCS filtering: a, Signal distribution from the radar data before the RCS filtering; b, Signal distribution from the radar data after the RCS filtering: 0, moving; 1, stationary; 2, oncoming; 3, stationary candidate; 4, unknown.

下载 (130KB)
索引源数据
7. Fig. 6. Block diagram of the clustering algorithm.

下载 (183KB)
索引源数据
8. Fig. 7. Signal distribution plots based on the radar data before and after clustering: a, data before clustering; b, data after clustering.

下载 (117KB)
索引源数据
9. Fig. 8. Operation of the clustered data merging algorithm: a, first cycle: three scans accumulated from different time steps; b, removal of the first element from the buffer and addition of a new one; c, second cycle: 1, radar data where N is the scan number; 2, cluster consisting of points; 3, cluster confirmed; 4, cluster not confirmed; 5, clusters merged.

下载 (154KB)
索引源数据
10. Fig. 9. Signal distribution plots based on the radar data before and after the cluster stability verification algorithm: a, data before object tracking; b, data after object tracking.

下载 (120KB)
索引源数据
11. Fig. 10. Block diagram of the cluster merging algorithm.

下载 (169KB)
索引源数据
12. Fig. 11. Block diagram for calculating clustering orientation.

下载 (296KB)
索引源数据
13. Fig. 12. Plots of linear and quadratic approximation of cluster neurons: а, cluster with a non-linear trajectory: 1, tangent to the quadratic approximation, defining the cluster’s primary direction of motion; 2, quadratic approximation of cluster motion; 3, radar points of the approximated cluster; 4, linear approximation, used for comparison or as a fallback for direction determination; 5, extremum point of the quadratic function; b, cluster with a predominantly linear trajectory: 1, tangent to the linear approximation, defining the cluster’s orientation; 2, radar points of the approximated cluster; 3, selected linear approximation of cluster motion; 4, extremum point of the quadratic function.

下载 (156KB)
索引源数据
14. Fig. 13. Results of converting clusters into objects: a, data after object tracking; b, data after object formation.

下载 (113KB)
索引源数据
15. Fig. 14. Plot of Precision and Recall evaluation metrics versus time step.

下载 (125KB)
索引源数据

版权所有 © Eco-Vector, 2025

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».