Das Konzept des UWB-Radarsensors - TheBlue.ai

Blog. Tauchen Sie ein in die AI-Welt

Marianna_Blog_Photo_fin

Marianna Parzych,
Image Processing Engineer
02. Juni 2020

Das Konzept von UWB-Radarsensor

Das Schlüsselkonzept der Radarsensoren besteht darin, Signale auszusenden und dann von Objekten reflektierte Signale zu empfangen. Der IR-UWB-Sensor (Impulsradar-Ultrabreitband) – wie wir ihn verwenden – sendet kurzzeitige Impulse, wobei die Dauer eines einzelnen Impulses in der Regel in der Größenordnung von wenigen Nanosekunden bis zu einigen hundert Pikosekunden[1] liegt. Ein solches Signal hat eine Reihe erwünschter Eigenschaften wie feine Auflösung, gute Durchdringung, Mehrweg-Immunität. IR-UWB-Radarsensoren sind extrem präzise und verbrauchen nur wenig Strom.

Belegungserkennung - Wie haben wir das gemacht?

Wir beschlossen, einen Proof of Concept (PoC) zu realisieren – einen einfachen Präsenzmelder, um die Fähigkeiten des IR-UWB-Radarsensors zu demonstrieren.  Wir wählten den X4-Sensor von Novelda[2], um die Anwesenheit einer Person zu erkennen und die Entfernung zu ihr zu berechnen.

Unser Belegungserkennungsalgorithmus wurde in der Programmiersprache Python implementiert. Wir verwendeten die Pymoduleconnector-Bibliothek, um Daten vom X4-Sensor zu erhalten. Die Bibliothek ermöglicht das Herunterladen verschiedener Signaltypen: Rohdaten, Basisbanddaten, Doppler-Frames. Wir entschieden, dass für diese Anwendung Rohdaten (RF-Daten) die beste Wahl waren.

Im empfangenen Signal sind neben dem gewünschten Signal einer Person auch die Informationen über statische Objekte in der Umgebung wie Möbel, Wand, Stuhl oder Schreibtisch enthalten. Es war notwendig, das Störsignal zu unterdrücken. Zur Erzeugung der Clutter-Map wurde ein einfaches laufendes Mittelungsfilter[3] verwendet. Nach Subtraktion der Clutter Map wurden alle Reflexionen im Signal mit sich bewegenden Zielen in Verbindung gebracht. Das Signal war jedoch immer noch ziemlich verrauscht. Für eine einfache Anwendung, nämlich die Belegungserkennung, war dies kein Problem. Dennoch würde es z.B. im Falle von Personenzählgeräuschen sehr schwierig sein, jede Person zu erkennen. Einfache Filtermethoden wie Gauß- oder Medianfilter konnten uns nicht helfen – sie entfernten die Reflexionen bewegter Ziele zusammen mit dem Rauschen. Wir entschieden uns für eine anspruchsvollere Wavelet-Filterung [4]. Dann suchten wir nach der größten Reflexion im Bild. Wenn sie einen Wert hatte, der größer als ein gewählter Schwellenwert war, akzeptierten wir sie als ein sich tatsächlich bewegendes Objekt – eine Person – innerhalb des Radarrahmens. Die Position der Reflexion wurde dann zur Berechnung der Entfernung zur erfassten Person verwendet, wobei angenommen wurde, dass die Auflösung des empfangenen Signals 5,14 cm[5] beträgt.

Wie implementiert man ein radarbasiertes System mit KI?

Vom Sensor erhaltene HF-Daten sind ein Satz von aufeinanderfolgenden 1-dimensionalen Signalrahmen. Jedes Frame entspricht Reflexionen in einem diskreten Moment, während Ereignisse wie Fallen oder Ohnmachtsanfälle länger andauern. Als Lösung schlagen wir vor, die Sequenz aufeinanderfolgender Frames in eine 2-dimensionale Matrix zu stapeln, die Informationen über einen ausgewählten Zeitraum enthält. Der Vorteil dieses Ansatzes besteht darin, dass die resultierende Matrix wie ein Bild behandelt werden kann, so dass wir die Vorteile der Convolutional Neural Networks (CNNs)[6] nutzen können.

Bei Edge AI-Geräten wie NVIDIA Jetson können wir unser Fachwissen im Bereich der Entwicklung neuronaler Netze und der Schulung nutzen, um eine auf Ihre Bedürfnisse zugeschnittene Lösung zu implementieren. Durch den Einsatz der kleinen Edge-Geräte können Berechnungen überall durchgeführt werden. So können Sie radarbasierte KI-Lösungen für intelligente Gebäude, Sicherheit, Gesundheitswesen oder Einzelhandel einsetzen, ohne Daten übertragen zu müssen. Dies bedeutet volle Achtung der Privatsphäre der Benutzer und vollständige Einhaltung der DSGVO.

1 Xuba Wang, Anh Dinh and Daniel Teng, Radar Sensing Using Ultra Wideband – Design and Implementation, 2012, http://dx.doi.org/10.5772/48587

2 X4 – Datasheet , Xethru Datasheet by Novelda, 2020

3 Piccardi M., Background subtraction techniques: a review in Systems, Man and Cybernetics, 2004

4 Burrus, C. S. and R. A. Gopinath, H. Guo. INTRODUCTION TO WAVELETS AND WAVELET TRANSFORMS, A PRIMER. Upper Saddle River, NJ (USA): Prentice Hall, 1998

5 X4M300 Datasheet, Xethru Datasheet by Novelda, 2017

6 Xiuzhu Yang, Wenfeng Yin, Lin Zhang, People Counting Based on CNN Using IR-UWB Radar, 2017

Sie haben eine Idee, wie KI Sie in Ihrem Unternehmen unterstützen kann oder Sie haben eine Frage zum UWB-Radarsensor? – kontaktieren Sie uns.

Wir freuen uns auf Ihren Kontakt.