While radar technology has been around for decades, the size and cost of radar devices has limited its use to niche applications. In recent years, however, radio frequency integrated circuits (RFIC) working at 24 or 77 GHz have become available to the consumer market, empowering engineers to build smaller and cheaper radars. At the same time, a deep interest in autonomous driving vehicles has arisen, pushing integrated circuit (IC) manufacturers to release a vast amount of multiple-input multiple-output (MIMO) radar frontends specifically designed for the automotive industry. The aim of this thesis is to explore the possibilities offered by such devices, as well as those brought by the availability of wider antenna arrays, and to design novel techniques for analyzing the data that these devices produce. First, a novel deterministic algorithm for frequency and complex amplitude estimation is presented and compared against state-of-the-art algorithms; its use in target range, azimuth and elevation estimation is illustrated. Then, machine learning (ML) techniques are applied to radar data in order to perform both human activity recognition and target tracking. Next, human heart rate and breath rate monitoring techniques exploiting MIMO radars are investigated. All the numerical results provided in this thesis are based on both synthetically generated data and various measurements acquired through commercial radars in different scenarios.

Nonostante la tecnologia radar sia presente da decenni, la dimensione e il costo di questi dispositivi ne ha limitato l'impiego ad applicazioni di nicchia. Negli ultimi anni, tuttavia, circuiti integrati a radiofrequenza finzionanti a 24 o 77 GHz sono diventati disponibili per il mercato di massa, consentendo agli ingegneri di costruire radar più piccoli ed economici. Allo stesso tempo è nato un profondo interesse per i veicoli a guida autonoma, che ha spinto i produttori di circuiti integrati a rilasciare un gran numero di frontend radar MIMO progettati appositamente per l'industria automotive. L'obiettivo di questa tesi è di esplorare le possibilità offerte da questi dispositivi, così come quelle offerte dalla disponibilità di array di antenne più larghi, e di trovare nuove tecniche per analizzare i dati che questi dispositivi producono. Innanzitutto viene presentato un nuovo algoritmo deterministico per la stima di frequenza e ampiezza complessa, insieme al suo confronto con lo stato dell'arte; poi vengono applicate tecniche di machine learning ai dati radar con lo scopo di riconoscere attività umana e fare tracciamento di bersagli; in seguito vengono onvestigate tecniche di monitoraggio della frequenza respiratoria e cardiaca di esseri umani sfruttando radar MIMO. Tutti i risultati numerici presentati in questa tesi sono basati sia su dati simulati che su varie misure ottenute con radar commerciali in diversi scenari.

Radar FMCW per applicazioni automotive / Giorgio Guerzoni , 2023 Mar 08. 35. ciclo, Anno Accademico 2021/2022.

Radar FMCW per applicazioni automotive

GUERZONI, GIORGIO
2023

Abstract

While radar technology has been around for decades, the size and cost of radar devices has limited its use to niche applications. In recent years, however, radio frequency integrated circuits (RFIC) working at 24 or 77 GHz have become available to the consumer market, empowering engineers to build smaller and cheaper radars. At the same time, a deep interest in autonomous driving vehicles has arisen, pushing integrated circuit (IC) manufacturers to release a vast amount of multiple-input multiple-output (MIMO) radar frontends specifically designed for the automotive industry. The aim of this thesis is to explore the possibilities offered by such devices, as well as those brought by the availability of wider antenna arrays, and to design novel techniques for analyzing the data that these devices produce. First, a novel deterministic algorithm for frequency and complex amplitude estimation is presented and compared against state-of-the-art algorithms; its use in target range, azimuth and elevation estimation is illustrated. Then, machine learning (ML) techniques are applied to radar data in order to perform both human activity recognition and target tracking. Next, human heart rate and breath rate monitoring techniques exploiting MIMO radars are investigated. All the numerical results provided in this thesis are based on both synthetically generated data and various measurements acquired through commercial radars in different scenarios.
FMCW Radars For Automotive Applications
8-mar-2023
VITETTA, Giorgio Matteo
File in questo prodotto:
File Dimensione Formato  
Tesi definitiva Guerzoni Giorgio.pdf

Open access

Descrizione: Tesi Definitiva Guerzoni Giorgio
Tipologia: Tesi di dottorato
Dimensione 11.2 MB
Formato Adobe PDF
11.2 MB Adobe PDF Visualizza/Apri
Pubblicazioni consigliate

Licenza Creative Commons
I metadati presenti in IRIS UNIMORE sono rilasciati con licenza Creative Commons CC0 1.0 Universal, mentre i file delle pubblicazioni sono rilasciati con licenza Attribuzione 4.0 Internazionale (CC BY 4.0), salvo diversa indicazione.
In caso di violazione di copyright, contattare Supporto Iris

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11380/1300327
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact