Query-Centric Radar Perception via Structured Axes of Reasoning
Die Dissertation von Dr.-Ing. Loveneet Saini befasst sich mit der Frage, wie sich die besonderen Eigenschaften von Radardaten gezielt für eine zuverlässige Fahrzeugwahrnehmung nutzen lassen. Hierzu entwickelt er einen Query-zentrierten Ansatz, der räumliche, zeitliche und graphbasierte Strukturen in den häufig spärlichen und verrauschten Radardaten berücksichtigt und in einer gemeinsamen Architektur zusammenführt. Die entwickelten Verfahren verbessern unter anderem die Objekterkennung, Geschwindigkeitsschätzung und Segmentierung auf öffentlichen und industriellen Datensätzen.
Wir haben Saini zu seiner Dissertation befragt:
In welchem Kontext ist deine Dissertation entstanden? Welche Projekte oder anderen Faktoren haben deine Dissertation besonders beeinflusst?
Meine Dissertation entstand im Rahmen einer Industriepromotion in Kooperation mit Aptiv, wo ich an der radarbasierten Umfelderfassung für das automatisierte Fahren arbeitete. Die tägliche Arbeit mit realen Sensordaten und Anforderungen aus der Serienentwicklung prägte die Arbeit von Beginn an. Die zentrale Frage war, wie sich Transformer-Architekturen, die die kamerabasierte Wahrnehmung grundlegend verändert haben, auf Radardaten übertragen lassen. Diese sind zwar spärlich und verrauscht, liefern jedoch zugleich wertvolle Informationen über die Geschwindigkeit von Objekten. Aus diesem Spannungsfeld zwischen Forschung und praktischer Anwendung entstand die zentrale Idee einer Query-zentrierten Betrachtung der Radarwahrnehmung.
Welchen Beitrag leistet deine Arbeit zum Forschungsfeld?
Die radarbasierte Wahrnehmung stand lange im Schatten der kamera- und lidarbasierten Forschung, obwohl Radar aufgrund seiner Robustheit und Kosteneffizienz für die Automobilindustrie von zentraler Bedeutung ist. Meine Arbeit zeigt, dass Query-basierte Transformer-Architekturen, die entlang räumlicher, zeitlicher und relationaler Denkachsen strukturiert sind, die radarbasierte Objekterkennung aus der Vogelperspektive deutlich verbessern können. Der Ansatz wurde auf dem nuScenes-Benchmark evaluiert und im Rahmen von WACV- und CVPR-Workshops veröffentlicht.
Wie geht es nun für dich und das Thema weiter?
Vor Kurzem habe ich eine Position als Senior Engineer for Autonomy & AI bei ARX Robotics in München angetreten. Dort arbeite ich an Wahrnehmungs- und Autonomielösungen für unbemannte Bodenfahrzeuge. Viele Fragestellungen aus meiner Dissertation lassen sich unmittelbar auf diese Tätigkeit übertragen, beispielsweise die robuste Wahrnehmung unter schwierigen Bedingungen sowie die Entwicklung effizienter Architekturen für eingebettete Hardware. Die KI-basierte Wahrnehmung bleibt ein offenes und spannendes Forschungsfeld, und ich freue mich darauf, auch künftig die Verbindung zwischen Forschung und real eingesetzten autonomen Systemen herzustellen.
