Driven by the demand of autonomous vehicles to perceive and understand the surrounding environment, this thesis develops a machine learning-based model to classify sensor de-tections. Currently this task is subject to camera or lidar-based systems. However, the op-erational capabilities of both sensor types are negatively affected by severe weather condi-tions. To fulfill this task based on a different sensor modality – less affected by environmen-tal conditions – the presented work focusses on the semantic segmentation of radar point cloud data. Therefore, different feedforward and recurrent neural network architectures are reviewed to outline the current state of the art on point cloud segmentation. Building upon the kernel point convolution (KPConv) operation, a feedforward neural network architecture for automotive radar data is derived from the current state of the art. The same KPConv operation is integrated into a modified long short-term memory (LSTM) cell to build a recur-rent neural network and utilize the temporal information of unordered radar data with a vari-able number of points. Several variants of these network architectures are trained on differ-ent compositions of the publicly available nuScenes dataset and benchmarked against the current state of the art. It can be shown that the segmentation works best for the distinction of dynamic objects while a generalization across multiple static classes leads to a lower segmentation quality. Furthermore, the results suggest that the performance of the models is highly dependent on the underlying dataset. The vulnerabilities of the nuScenes dataset as well as the model architectures are discussed in the thesis. Finally, the necessity for a more suitable dataset for radar point cloud segmentation is raised and an outlook on en-hanced network architectures is given.     «

Driven by the demand of autonomous vehicles to perceive and understand the surrounding environment, this thesis develops a machine learning-based model to classify sensor de-tections. Currently this task is subject to camera or lidar-based systems. However, the op-erational capabilities of both sensor types are negatively affected by severe weather condi-tions. To fulfill this task based on a different sensor modality – less affected by environmen-tal conditions – the presented work focusses on...     »

Motiviert durch den Bedarf autonomer Fahrzeuge deren Umgebung wahrzunehmen und zu verstehen, entwickelt diese Arbeit maschinelle Lernverfahren zur Klassifizierung von Sens-ordaten. Derzeit wird diese Aufgabe hauptsächlich von Kamera- oder Lidarbasierten Ver-fahren realisiert, deren Abbildungsfähigkeit jedoch von schlechten Wetterbedingungen ne-gativ beeinflusst wird. Aufgrund dessen fokussiert sich die vorliegende Arbeit auf die se-mantische Segmentierung von Radarpunktwolken, da die Funktionsweise dieser Sensor-technologie nur geringfügig von den herrschenden Umweltbedingungen beeinflusst wird. Es werden verschiedene Feedforward und rekurrente neuronale Netze bewertet, um den aktuellen Stand der Technik zur Segmentierung von Punktwolkendaten abzubilden. Aus-gehend davon wird ein Feedforward-Netzwerk auf Basis der Kernel Point Convolution (KPConv) Operation entwickelt. Ebendiese Operation wird in eine modifizierte long short-term memory (LSTM) Zelle integriert, um die Zeitinformation ungeordneter Radardaten mit variabler Detektionsanzahl nutzbar zu machen. Verschiedene Varianten dieser Netzwerk-architekturen werden auf dem öffentlich verfügbaren nuScenes Datensatz trainiert und mit dem aktuellen Stand der Technik verglichen. Es kann gezeigt werden, dass die Segmentie-rung am besten für die Unterscheidung dynamischer Objekte funktioniert, wohingegen eine Generalisierung hinzu mehreren statischen Objekten zu einer niedrigeren Segmentie-rungsgüte führt. Darüber hinaus weisen die Ergebnisse auf eine starke Abhängigkeit zwi-schen der Modellgüte und den zugrundeliegenden Daten hin. Aufgrund dessen werden nicht nur die Modelarchitekturen an sich, sondern auch der verwendete nuScenes Daten-satzes diskutiert und schlussendlich der Bedarf nach einem geeigneten Datensatz zur Segmentierung von Radarpunktwolken deutlich gemacht. Ein Ausblick zur weiteren Ver-besserung der Netzwerkarchitekturen wird gegeben.     «

Motiviert durch den Bedarf autonomer Fahrzeuge deren Umgebung wahrzunehmen und zu verstehen, entwickelt diese Arbeit maschinelle Lernverfahren zur Klassifizierung von Sens-ordaten. Derzeit wird diese Aufgabe hauptsächlich von Kamera- oder Lidarbasierten Ver-fahren realisiert, deren Abbildungsfähigkeit jedoch von schlechten Wetterbedingungen ne-gativ beeinflusst wird. Aufgrund dessen fokussiert sich die vorliegende Arbeit auf die se-mantische Segmentierung von Radarpunktwolken, da die Funktionswe...     »