增加人工神经网络训练和生成的数据,模拟实际系统的行为。
人工智能和机器学习(AI /毫升)正在推动下一代雷达知觉的发展。然而,这些AI / ML-based感知模型需要足够的数据来学习新模式和关系进行准确的预测,看不见的数据和场景。
在雷达领域的应用程序中,使用的数据来训练这些模型往往是来自真实的测量,从而限制了质量、数量和覆盖的数据。合成数据提供了可能克服这些限制通过增加或替换真实数据与人工生成的数据,模拟实际系统的行为。
仿真是最强的一个工具收集合成数据。除了能力几乎复制无数条件和测试,模拟可以生成大量的合成数据涵盖范围广泛的场景,包括罕见的实例,困难或危险的观察在现实世界中。这可以帮助提高AI / ML-based雷达性能和普遍性的认知模型通过通知数据更具体和独特的环境。
Ansys已经开发了一种高效实时模拟工作流模型复杂的雷达场景使用电磁仿真技术基于射击和弹跳射线法(SBR)。这个解算器是基于相同的SBR解算器中找到Ansys基于,图形处理单元(GPU)加速执行实时仿真。这种雷达传感器仿真功能是可用的Ansys AVxcelerate传感器附加组件。让我们深入了解合成数据的雷达应用的重要性。
为了训练和测试AI /毫升模型,合成数据在物理数据有很多潜在的好处。首先,你需要标签和净化实际数据之前使用,但这是固有的合成数据和仿真。建立一个仿真模型选择哪些组件包括移动到哪里。这意味着你在控制环境,本质上,你选择和创建地面真理研究的。因此,通过使用模拟,AI /毫升培训所需的标签是高度准确的。类似地,您可以使用合成数据有效地训练学习过程和神经网络(NN)。
图1:合成数据可以用来训练人工智能/机器学习(AI /毫升)模型,包括深学习过程和神经网络(NN)。
此外,角落中极端水平测试——测试多个参数配置空间的角落——是非常困难的,如果不是不可能,在现实世界中。从历史上看,AI / ML算法不配备足够的实际测试数据准确的火车模型等问题和失败的后果。然而,随着模拟可以很容易地创建危险或很少发生的情况下以填补空白的物理测试。通过这种方式,合成数据补充和增强现实的测试通过增加样本容量和提供独特的培训机会,独自与真实的数据是不可能的。
速度和效率是两个使用合成数据的其他好处。现有的解决方案通常依赖于真实的测量数据。这可以昂贵,效率低下,浪费时间,甚至无法收集,因为训练和测试所需的一系列场景甚至不存在。
考虑的时间,距离,并努力将需要物理验证自动车辆的安全性和可靠性。从道路驾驶条件变量的数量几乎是无限的。模拟提供了一个主要的优势,不仅使几乎测试无数的条件,但是通过生成足够的合成数据补充和最大化物理数据。
图2:这个视频演示了如何machine-learning-based雷达感知和仿真评估场景用于自主车辆。仿真结果显示在顶部的画中画图像的视频。
这是特别有用,当评估危险和复杂的情况,可能过于困难或无法获得真实世界测量。
合成数据已经被证明是一种有效的工具在不同的应用程序。这样一个例子使用合成数据探测、分类、定位目标利用Range-Doppler地图1,如图2所示。这展示了ML的集成和基于物理模拟如何增强自主车辆的安全。
图3:合成数据和基于物理模拟可以用来训练卷积神经网络(CNN)。
另一个应用程序示例中,如图3所示,演示了如何使用基于物理模拟训练卷积神经网络(CNN)来确定是否一个目标是一个人,汽车,自行车,或狗,通过分析微多普勒效应在多普勒谱图中捕获2。
最后一个例子,如图4所示,强调使用合成数据应用于强化学习。Ansys的网络研讨会系列:强化学习与基于物理实时雷达车辆纵向控制演示了一个车辆的实时训练和进步,学会控制它的速度和刹车在现实的场景。
图4:这个视频演示了使用基于物理的模拟车辆控制强化学习。
行业外的汽车市场也在开发各种雷达的应用程序,包括:
合成数据丰富有助于AI /毫升培训和AVxcelerate GPU-accelerated SBR解算器使合成数据生成简单,更可靠,准确。此外,Ansys的模拟使大规模合成数据生成,需要彻底火车AI / ML模式广泛的环境。
它是同样重要的快速创建真实的数据集。Ansys的雷达传感器仿真功能实现这一结合SBR技术,结合几何和物理光学与电磁波。
|
|
|
|
|
|
|
|
|
|
留下一个回复