Radarbild in kartesischen Koordinaten mit zwei ZielenZeitsignal mit InterferenzAuto als Radarziel mit einer Vielzahl an Reflexpunkten und zugehöriges Box-Modell

Radarsignalverarbeitung, Modulation und Interferenz

Im Zuge der Forschung an Radaren für KfZ-, UAV- und Industrieanwendungen beschäftigt sich das Institut mit der Verbesserung und Erweiterung der zugrundeliegenden Signalverarbeitungsmethoden sowie der Entwicklung neuer Konzepte und Methoden für aktuelle und zukünftige Radare.

Zusammen mit Industriepartnern forscht das Institut an adaptiven Modulationsverfahren, die sich den stetig ändernden Anforderungen im Straßenverkehr anpassen. Die Kombination mehrerer Messungen oder die Variation der Rampensteigung ermöglichen es beispielsweise, die etablierte Chirp-Sequence-Modulation flexibler zu betreiben und so die Auflösung zu verbessern und der aktuellen Verkehrssituation anzupassen. Des Weiteren werden neue Methoden zur Signalgenerierung und -verarbeitung für zukünftige volladaptive digitale Radarverfahren wie OFDM und PN (Pseudo Noise) am Institut erforscht und entwickelt.

Ein weitereres Themengebiet sind die durch die steigende Verbreitung von KfZ-Radarsensensoren vermehrt auftretenden Interferenzen, die die Funktionalität der Radarsensoren bis zum Totalausfall einschränken. Auswirkungen und Eigenschaften dieser Effekte werden untersucht und entsprechende Gegenmaßnahmen entwickelt, die Verfahren wie beispielsweise das Frequenz-Hopping oder das digitale Beamforming nutzen. Die Arbeiten am Institut umfassen die Untersuchung der Störungen zwischen FMCW-, Chirp-Sequence-, PN- und OFDM-modulierten Radaren.

Neben der Hardware-nahen Signalverarbeitung sind auch höhere Ebenen der Radarsignalverarbeitung Gegenstand der Forschung am Institut. Die Kombination hochauflösender Radare der nächsten Generation im 77-GHz-Band mit neuartigen Algorithmen, die beide am Institut und zusammen mit Kooperationspartnern entwickelt werden, erlaubt es, ausgedehnte Radarziele wie Fahrzeuge zu unterscheiden und anhand ihrer geschätzten Länge, Breite und Orientierung zu klassifizieren, um so Verkehrsszenarien zu analysieren. Maschinelle Lernverfahren ermöglichen die Erkennung von Bewegungen und Gesten von Personen im Straßenverkehr. Mit Hilfe dieser neuartigen Prozessierungen werden zukünftige Fahrerassistenzsysteme und autonome Fahrzeuge in die Lage versetzt, die momentane Verkehrslage genauer und robuster zu erfassen und Gefahrenstellen frühzeitig und zuverlässig zu detektieren.

Zusätzlich forscht das Institut an Synthentic-Aperture-Radar-Prozessierungsmethoden, die in der Lage sind, während der Vorbeifahrt ultrahochaufgelöste Radarbilder der Umgebung zu generieren. Hierbei werden Kompensationsalgorithmen für die bei der Eigenbewegung auftretenden Doppler- und Range-Migrationen und andere Nichtidealitäten untersucht und entwickelt.

Kompetenzen

  • Adaptive Radare und Modulation
    • OFDM-Radare
    • PN-Radare
    • Chirp-Sequence-Radare
  • Interferenzvermeidung und Minderung
  • Objekterkennung und Klassifikation
  • Gestenerkennung mithilfe Machine-Learning
  • SAR-Prozessierung

Förderprojekte
Neben einer Vielzahl bilateraler Industrieprojekte werden folgende Forschungsprojekte bearbeitet:

  • „TC a-drive“: Adaptive Kfz-Radarsensorik
  • „KoRRund“: Radarsensornetzwerke für Kraftfahrzeuge
  • „Radar4FAD“: Code-modulierte Kfz-Radarsensoren
  • „RobustSense“: Polarimetrische Kfz-Radarsensoren