L’utilizzo dei Radar Automotive FMCW come sensori per il monitoraggio senza contatto di persone in ambienti indoor si sta diffondendo sempre di più in diversi ambiti.
Il funzionamento di un sensore Radar FMCW si basa sulla correlazione tra segnale trasmesso e quello ricevuto e, a fronte di una opportuna elaborazione, si possono ottenere informazioni relative a posizione e velocità dei target presenti nell’area di visione.
Tra le diverse tecniche esistenti per il processamento dei segnali Radar, il lavoro che vi proponiamo questa settimana si concentra su quelle basate su Deep Learning, per applicare le quali i segnali Radar vengono trasformati in immagini o, meglio, in mappe di intensità. Sfruttando le informazioni sulla velocità e l’effetto micro-Doppler siamo riusciti ad applicare tecniche di object detection basate sulla rete neurale YOLOv3 e quindi a rilevare la presenza e la posizione di una persona all’interno di una stanza.
Tutto questo senza utilizzare il processamento tradizionale e limitante già noto per questi sistemi.
I risultati mostrano che lo schema di risoluzione della ridondanza proposto è in grado di soddisfare complessi vincoli di disuguaglianza laddove altri metodi noti falliscono.
L’articolo è disponibile qui: https://ieeexplore.ieee.org/abstract/document/10452256