Original title: Klasifikace vozidel s použitím radaru
Translated title: Vehicle Classification Using Radar
Authors: Valenta, Václav ; Reich, Bořek (referee) ; Maršík, Lukáš (advisor)
Document type: Bachelor's theses
Year: 2026
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [cze] [eng]
Tato práce navrhuje a implementuje pipeline pro klasifikaci objektů z automobilových radarových mračen bodů. Data z pěti radarů Continental ARS 408 v datasetu nuScenes jsou transformována do společného souřadnicového systému, seskupena s tolerancí 50 ms a propojena s anotacemi pomocí interpolace ohraničujících kvádrů z 2 Hz na 13 Hz. Z radarových shluků je extrahován vektor 19 příznaků, který je klasifikován jednovrstvou sítí LSTM do pěti tříd. Klasifikátor dosahuje celkové přesnosti 83,6 % na testovací sadě. This thesis designs and implements a pipeline for object classification from automotive radar point clouds. Data from five Continental ARS 408 radars in the nuScenes dataset are transformed into a common coordinate frame, grouped with a 50 ms tolerance, and linked with annotations through bounding box interpolation from 2 Hz to 13 Hz. A vector of 19 features is extracted from radar clusters and classified by a single-layer LSTM network into five classes. The classifier achieves an overall accuracy of 83.6 % on the test set.
Keywords: autonomous driving; feature extraction; FMCW radar; LSTM; nuScenes; object classification; point cloud; sensor fusion; autonomní řízení; extrakce příznaků; FMCW radar; klasifikace objektů; LSTM; mračno bodů; nuScenes; senzorová fúze

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/258714

Permalink: http://www.nusl.cz/ntk/nusl-777060


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses