Radar: classificatie van puntwolkobjecten

Samenvatting

Radar classificeert puntwolkobjecten met een vijfklassenmodel op basis van één scan.

Radar en puntwolkclassificatie: wat er gebeurt

Een radar signal processing engineer trainde een classifier op RadarScenes-radar-puntwolken. Het model onderscheidt vijf klassen: auto, groot voertuig, tweewieler, voetganger en groep voetgangers.

De invoer bestaat niet uit de volledige puntwolk, maar uit een histogram per scan met 16 bins. Een MLP met drie lagen verwerkt die vector. De training gebruikt gewogen cross-entropie als verliesfunctie. Het project beperkt zich bewust tot één scan; het combineren van meerdere scans staat als volgende stap gepland.

Radar en puntwolkclassificatie: waarom dit belangrijk is

De gekozen opzet maakt duidelijk waar de classificatie op steunt: een compacte samenvatting van één radarmeting. Tijdsinformatie uit eerdere scans speelt nog geen rol. Daardoor blijven de invoer en de modelstructuur overzichtelijk, maar ligt de nadruk volledig op de informatie die het histogram per scan bewaart.

De vijf klassen vragen bovendien om een scherpe afbakening. Een auto, groot voertuig en tweewieler vertegenwoordigen afzonderlijke objecttypen, terwijl voetganger en groep voetgangers een onderscheid maken tussen één persoon en meerdere personen. De gewogen verliesfunctie vormt een expliciet onderdeel van de trainingsaanpak; het artikel meldt geen nauwkeurigheid, foutverdeling of vergelijking met andere modellen.

De geplande uitbreiding naar meerdere scans verandert de analyse-eenheid. Dan moet niet alleen de representatie per scan worden beoordeeld, maar ook de manier waarop opeenvolgende metingen samenkomen. Dat maakt de overgang van een statisch classificatie-experiment naar een temporele opzet controleerbaar.

Radar en puntwolkclassificatie: concrete takeaway

Leg eerst de volledige één-scan-pijplijn vast: de vijf labels, de 16 histogram-bins, de drie MLP-lagen en de gewogen cross-entropie. Rapporteer daarna de resultaten per klasse voordat je meerdere scans toevoegt. Zo blijft zichtbaar welk effect de nieuwe tijdsdimensie heeft, zonder dat veranderingen in invoer, model en evaluatie door elkaar lopen.