Intelligente Oberflächenklassifizierung für radarbasierte mobile Robotik

Datensammlung

Erfassen Sie genaue Radardaten mit IWRL6432-Bausteinen, um eine vollständige KI-Verarbeitung auf höchstem Niveau durch den integrierten M4F-MCU und HWA zu ermöglichen.

Bewertung der Datenqualität

Die Radarsensoren von TI unterstützen eine Vielzahl von Ausgabeformaten, darunter Entfernungsprofile, Entfernungs-Doppler-Heatmaps, Punktwolken und andere. Für die Oberflächenklassifizierung nutzt das Modell Entfernungsprofildaten, um eine hohe Genauigkeit zu erzielen.

Wenn Sie mehr über die verschiedenen Arten von Radardaten und Ausgabeformaten erfahren möchten, können Sie mit unserer Radar Academy noch heute einsteigen.

Kunden können sofort mit dem Musterdatensatz in CCStudio™ Edge AI Studio beginnen, wo Sie auch Tools finden, mit denen Benutzer ungefilterte Entfernungsprofildaten hochladen und mit verschiedenen Entfernungsfenstern experimentieren können, um die Leistung zu optimieren, wie im Benutzerhandbuch zur Oberflächenklassifizierung beschrieben.

Die Radarerweiterung in CCStudio™ Edge AI Studio basiert auf zwei Schlüsselkomponenten:

• Eine Frontend-GUI, verfügbar auf einem lokalen System oder einem Cloud-Server.
• Eine Backend-PyTorch-Engine, die API-Aufrufe und Modellausführung verarbeitet.

Anfänger können mit unserem CCStudio™ Edge AI Studio einsteigen, um das Beispielprojekt zur Oberflächenklassifizierung mittels Radar zu entdecken. Diese geführte Erfahrung umfasst eine aus Radar vorgeladene Datensatzevaluierung, Modelldefinition, Kompilierung und andere wichtige Schritte im Workflow.

Fortgeschrittene Benutzer, die in der Radarsensorik und im maschinellen Lernen bereits Erfahrung haben, können direkt mit der Backend-Engine interagieren.

Training, Kompilierung und Evaluierung sind vollständig anpassbar, sodass Benutzer bei Bedarf einzelne Schritte durch eigene Methoden ersetzen können.

Diese flexible Architektur stellt sicher, dass das Tool Benutzern auf allen Ebenen Vorteile bietet, von Neulingen im Bereich Radar und maschinelles Lernen bis hin zu erfahrenen Entwicklern, die Unterstützung bei der Automatisierung und Integration für die Implementierung von Modellen in unsere Radar-Firmware-Projekte suchen.

Folgen Sie unserem Schritt-für-Schritt-Videoleitfaden, um zu erfahren, wie Sie mit dem Beispielmodell für Oberflächenklassifizierung von TI beginnen und wie Sie Ihre Daten schnell erfassen, trainieren und bereitstellen können.