Radarsensoren versorgen ein autonom oder assistiert fahrendes Fahrzeug mit Standort- und Geschwindigkeitsinformationen von umliegenden Objekten. Doch es gibt dabei zahlreiche Stör- und Umwelteinflüsse wie Interferenzen mit anderen Radargeräten oder auch extreme Witterungsbedingungen. Diese erzeugen ein Rauschen, das die Qualität der Radarmessung negativ beeinflusst.

«Je besser das Entrauschen von Störsignalen funktioniert, desto zuverlässiger kann die Position und die Geschwindigkeit von Objekten bestimmt werden», erklärte Franz Pernkopf vom Institut für Signalverarbeitung und Sprachkommunikation der TU Graz. Das neue Modell soll nun optimiert werden, damit es auch abseits gelernter Muster funktioniert und Objekte noch zuverlässiger erkennt.

Was ist neu?

Die Forschenden haben zunächst Modellarchitekturen zur automatischen Rauschunterdrückung entwickelt, die auf sogenannten gefalteten neuronalen Netzwerken (CNNs) beruhen. CNNs filtern visuelle Informationen, erkennen Zusammenhänge und vervollständigen das Bild anhand vertrauter Muster. Sie verbrauchen durch ihren Aufbau wesentlich weniger Speicherplatz als andere neuronale Netzwerke, sprengen aber trotzdem die verfügbaren Kapazitäten von Radarsensoren für autonomes Fahren.

Das Ziel lautete also: Mehr Effizienz. Das Team der TU Graz trainierte daher verschiedene dieser neuronalen Netzwerke mit verrauschten Daten und gewünschten Ausgangswerten, suchte die kleinsten und schnellsten Modellarchitekturen heraus und komprimierte diese noch weiter. Das Resultat war ein KI-Modell mit hoher Filterleistung bei gleichzeitig geringem Energieverbrauch. Die Störsignale werden beinahe gänzlich aus dem Messsignal entfernt. Zudem benötigt das Modell 75 Prozent weniger Speicherplatz als vergleichbare Systeme.