自學道路基礎設施

每兩分鐘，德國道路上會發生由野生動物引起的事故。為了解決這個問題，烏爾姆應用科技大學和海爾布隆應用科技大學與工業合作伙伴共同創建了“ SALUS”。結合雷達，光學攝像頭和紅外傳感器以及神經網絡，設計了一種機器學習系統，可以區分行人，汽車，自行車，摩托車，鹿，狐貍，野豬等，預測這些行為對象。該系統會向汽車司機和其他道路使用者發送警告，以防止發生事故。微型多普勒雷達的數據由虹科的PCIe數字化儀M2p.5926-x4采集，該板卡提供所需的通道數和位寬。

PROJECT SALUS - 路邊警告通知裝置

圖 1：Project SALUS - 用于野生動物檢測的路邊雷達

烏爾姆應用科技大學的Hubert Mant教授是該項目的負責人之一。他表示：“汽車制造商正在從高端車型開始安裝駕駛員輔助系統，但這需要很長時間才能轉變到其他車型。同樣，高端摩托車已開始添加這種功能，但安裝空間有限意味著很難實現與基于汽車的警報系統相媲美的功能。我們項目的目的是在路邊安裝小型設備，以檢測危險并給臨近的車輛傳遞信號。另外，對于沒有安裝警報系統的道路使用者，可以打開路燈照亮危險區域或警告提示。SALUS項目可以檢測那些較難發現的危險并發出警告，這會大大改善道路安全。”

雷達和相機測量

技術演示系統將能夠同時測量來自三個來源的數據：雷達、光學攝像頭和紅外攝像頭。還可以集成其他傳感器來測量污染程度。

該項目設想將這些獨立單元作為德國道路旁的哨所進行大規模部署，這意味著它們必須價格低廉且由太陽能供電。后者對于農村地區尤其重要，因為那里的電力供應不足，并且路燈稀少，因此對這種警報系統的需求最大。

這也意味著，智能交通基礎設施的單元之間的通信系統必須是低功耗的，所以使用遠程廣域網（LoRaWAN），可以在農村地區達到40公里的距離。該標準的特點是能耗低且基于非授權頻段，因此成本低。

機器學習

圖 3：使用的虹科Spectrum數字化儀 M2p.5926-x4，具有 4 個差分通道，20 MS/s

“我們正在使用神經網絡來開發機器學習，使系統能夠區分例如騎自行車的人，汽車或鹿。這遠遠超出了單純的運動檢測?！?Mantz教授補充說，“我們正處于項目的關鍵部分，即對檢測到的對象進行分類，這是以前從未嘗試過的。借此功能，系統將能夠預測物體的運動，從而為系統增加了非常有用的實時智能，使其可以預測危險情況如何發展。我們選擇了具有16位，4個差分通道和10 MHz帶寬的數字化儀M2p.5926-x4。利用該設備采集信息來指導系統，使我們可以實時處理所需的數據。而且使用非常簡單直觀，這意味著我們可以專注于項目而不需要對其進行編程。最重要的是，產品提供五年保修，因此不必擔心任何維護和維修問題，這與其他公司僅提供一年的標準產品不同，如果他們的設備出現故障，這可能意味著額外費用。

總結

以上是生活随笔為你收集整理的【虹科案例】虹科数字化仪在智能道路雷达检测野生动物中的应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。