Optimización de procesadores CFAR 2D para la mitigación de clutter en mapas rango-doppler mediante entornos de simulación

Abstract

Los sistemas avanzados de asistencia al conductor (ADAS) requieren mecanismos confiables para clasificar objetivos ante condiciones climáticas adversas, donde los sensores ópticos tradicionales, como cámaras, disminuyen notablemente su precisión. Este proyecto desarrolla un sistema automatizado para clasificar con precisión tres tipos de objetivos viales (peatones, bicicletas y vehículos) mediante el análisis espectral de señales capturadas con un radar de onda continua modulada en frecuencia (FMCW) operando a 24 GHz. Las firmas micro-doppler características de cada clase se obtuvieron transformando las series temporales en espectrogramas mediante la Transformada de Fourier de Tiempo Corto (STFT), permitiendo capturar el movimiento dinámico intrínseco de cada blanco. Para mitigar el desbalance, evitar el sobreajuste y robustecer el entrenamiento, se amplió el conjunto de datos aplicando aumento artificial con Ruido Blanco Gaussiano Aditivo (AWGN) bajo tres niveles controlados de relación señal a ruido (SNR). Posteriormente, se entrenaron y evaluaron tres redes neuronales convolucionales preentrenadas (AlexNet, SqueezeNet y ResNet-18) empleando técnicas de aprendizaje por transferencia y un esquema riguroso de validación cruzada para medir su capacidad de generalización. Finalmente, se aplicaron pruebas estadísticas no paramétricas, específicamente los tests de Friedman y Wilcoxon con corrección de Holm para validar con significancia estadística el modelo con el mejor desempeño global. Esta metodología propone una solución robusta y eficiente para fortalecer los sistemas de percepción en futuras tecnologías de conducción asistida.