MA 1733: Klassifizierung von Radarszenarien mit Hilfe von Maschinellen Lernen
Smart Home Anwendungen finden immer mehr Einzug in den Alltag vieler Menschen. Durch Audio- und Kamerasystemen sind Sprach- und Gestensteuerrungen bereits in einigen Haushalten etabliert. Jedoch greifen sie durch die audiovisuelle Sensorik relativ stark in die Privatsphäre der Menschen ein. Radarsensoren bieten dabei einen entscheidenden Vorteil, da die Daten keinen unmittelbar erkennbaren Personenbezug besitzen. Für private aber auch öffentliche Gebäude stellen sie daher viele attraktive Möglichkeiten dar, Aufgaben mit Personenbezug auch mit gehobenen datenschutzrechtlichen Ansprüchen zu übernehmen. Sie können beispielsweise zur Detektion von Personen im Gebäude, zur Messung der Vitalparameter sowie deren generellen Bewegungen verwendet werden.
In dieser Masterarbeit soll eine am Lehrstuhl vorhandene Radarplattform verwendet werden, um Radardaten im häuslichen Umfeld zu generieren. Die Radardaten anschließend mit Hilfe von Algorithmen des Maschinellen Lernens (ML) interpretiert werden. Ziel der Klassifikation ist die zuverlässige Erkennung und Unterscheidung einer oder mehrerer Personen im Raum. Dabei soll auch die Robustheit der Algorithmen auf dynamische Objekte im Raum (bspw. Ventilatoren) untersucht werden.
Zunächst soll eine ausführliche Literaturrecherche erfolgen, um den aktuellen Forschungsstand im Bereich der Klassifikation von Objekten in Radardaten möglichst umfassend zu berücksichtigen. Weiterhin soll erörtert werden, welche Algorithmen für die vorliegende Anwendung möglichst sinnvoll erscheinen. Darauf aufbauend soll eine Mess-Studie durchgeführt werden, um einen entsprechenden Datensatz für das ML zu generieren und anschließend ein geeigneter Algorithmus implementiert werden. Weiterhin wird mit Hilfe der gewonnenen Radardaten der Algorithmus trainiert und abschließend anhand von ML-Metriken evaluiert.
Bearbeitet von Sebastian Czekalla.