MA: Personendetektion und -klassifikation aus Radardaten mit Machine Learning
Beschreibung
Im Rahmen eines Campus-Joint Communication and Sensing-Systems sollen Machine-Learning-Methoden zur Personendetektion und -klassifikation anhand von Radardaten entwickelt werden. Die Studierenden recherchieren und wählen geeignete Datensätze aus (z. B. Punktwolken oder Range-Doppler-Daten) und bereiten diese für die Modellierung auf. Ziel ist es, die Leistungsfähigkeit verschiedener ML-Ansätze für Präsenz- und Aktivitätserkennung zu untersuchen.
Ziele der Arbeit
- Recherche und Auswahl geeigneter Radardatensätze
- Entwicklung eines ML-basierten Ansatzes zur Detektion und Klassifikation von Personen
- Untersuchung verschiedener Datenrepräsentationen (z. B. Projektionen, Bird’s-Eye-View, Range-Height-Map, zeitliche Sequenzen)
- Training und Evaluierung unterschiedlicher ML-Modelle (CNN, RNN, PointNet usw.)
- Diskussion der Übertragbarkeit und Grenzen im Kontext eines Campus-JCAS-Systems
Forschungsfragen
- Welche öffentlich verfügbaren Datensätze eignen sich für Personendetektion mit Radar?
- Wie können Radardaten (z. B. Punktwolken oder Range-Doppler-Repräsentationen) in ein ML-gerechtes Format transformiert werden?
- Welche ML-Architekturen (z. B. CNN, RNN) sind besonders geeignet, um Personen und Aktivitäten zuverlässig zu erkennen?
- Wie wirkt sich die Wahl der Datenrepräsentation auf die Generalisierungsfähigkeit der Modelle aus?
Arbeitspakete
- Recherche und Analyse von Radardatensätzen
- Radardatenanalyse und Signalverarbeitung
- Feature-Engineering und Datenrepräsentation für ML
- Klassifikation von Personen und Aktivitäten
Deine Kenntnisse
- Gute Programmierkenntnisse in Python (NumPy, PyTorch/TensorFlow) oder MATLAB
- Grundkenntnisse in Machine Learning/Deep Learning
- Interesse an Sensorsystemen (Radar, JCAS) und Datenverarbeitung
Von Vorteil (aber nicht zwingend):
- Vorkenntnisse in Radar- oder Punktwolkenverarbeitung