BA/MA: Maschinelles Lernen für Automotive Radar
Thema: Ghost Target Classification with Semi-Supervised Learning
Beim autonomen Fahren bietet das Radar im Vergleich zu anderen Sensoren einige Vorteile hinsichtlich Geschwindigkeitsauflösung und der Robustheit bei schlechten Wetterbedingungen. Allerdings sind die Radardaten stark rauschbehaftet. Davon können bewegte Geisterziele (Ghost Detections) entstehen. Ein großer Forschungsschwerpunkt ist es deshalb, diese zu erkennen. Laut einigen jüngsten Publikationen scheinen Ansätze des maschinellen Lernens besonders gut dafür geeignet zu sein. Beim klassischen Supervised-Ansatz sind dafür zahlreiche etikettierte Messungen notwendig. Allerdings ist die manuelle Etikettierung der Radarmessung sehr anspruchsvoll und zeitintensiv. Hinsichtlich dieser Situation ist das Semi-Supervised Learning eine wesentlich geeignetere Alternative, da der Algorithmus neben ganz wenigen etikettierten Messungen auch zahlreiche nicht etikettierte nutzen kann.
Im Rahmen dieser Arbeit sollen einige Verfahren des Semi-Supervised Learnings mittels Python implementiert, und die entsprechenden Ergebnisse evaluiert werden.
Aufgabenstellung:
- Recherche und Einarbeitung in Semi-Supervised Learning
- Erstellung der Datenbasis für Ghost Detection
- Implementierung der Algorithmen
- Evaluierung der Ergebnisse
Betreuer: Yi Jin und Ingrid Ullmann