Classificazione di Target tramite Reti Neurali con Radar Micro-Doppler

I sistemi radar a onde millimetriche rappresentano una tecnologia promettente per il monitoraggio intelligente dell'ambiente e la classificazione di utenti vulnerabili della strada. In questo contesto, il presente lavoro di tesi propone un sistema per classificare pedoni e ciclisti utilizzando radar a onde millimetriche e Reti Neurali Convoluzionali. Il riconoscimento avviene mediante l'analisi delle firme micro-Doppler generate dai movimenti del target. Per evitare i costi e i tempi necessari a raccogliere enormi quantità di dati tramite campagne di misura sul campo, si è scelto un approccio basato sul Transfer Learning. Il modello è stato prima addestrato al computer con dati sintetici simulati in MATLAB, e poi testato su misurazioni reali acquisite sul campo con il radar. Il trasferimento dal dominio simulato a quello reale ha evidenziato un degrado delle prestazioni dovuto al fenomeno del Reality Gap. Per mitigare tale effetto è stata eseguita una fase di Fine-Tuning utilizzando esclusivamente dati reali. I risultati ottenuti mostrano che l'approccio proposto è in grado di compensare efficacemente le differenze tra simulazione e realtà, raggiungendo un'accuratezza di classificazione pari al 97% e confermando l'efficacia dell'integrazione tra simulazione e misure sperimentali nello sviluppo di sistemi radar intelligenti.