NAOMI4Radar - Neuromorphe Algorithmen zur Optimierung der Radar-Sensorik in autonomen Fahrzeugen

Abstract

Ziel des Projekts NAOMI4Radar war die Entwicklung und Demonstration neuromorpher Algorithmen für die energieeffiziente Radardatenverarbeitung im Fahrzeug. Ausgangspunkt war der hohe Rechenaufwand konventioneller KI-Verfahren, der deren Einsatz auf Automotive-ECUs limitiert. Durch neuromorphe Ansätze wie Sparse Coding und Resonate-and-Fire-Neuronen konnten zeitlich konsistente, artefaktarme Radarabbildungen bei deutlich reduziertem Energieverbrauch erzielt werden. Die entwickelten Modelle wurden erfolgreich auf neuromorpher Hardware und im Fahrzeugdemonstrator umgesetzt. Die Ergebnisse schaffen die Grundlage für eine künftige Serienintegration und stärken die technologische Souveränität im Bereich energieeffizienter Fahrerassistenzsysteme. The project NAOMI4Radar developed and demonstrated neuromorphic algorithms for energy-efficient radar data processing in vehicles. Conventional AI-based radar perception methods are computationally demanding and difficult to deploy on embedded automotive hardware. By introducing neuromorphic approaches such as Sparse Coding and Resonate-and-Fire neurons, the project achieved temporally consistent, low-noise radar representations with significantly reduced energy consumption. The algorithms were successfully implemented on neuromorphic hardware and validated in a vehicle demonstrator. The results lay the foundation for future series integration and contribute to Germany’s technological sovereignty in energy-efficient driver assistance systems.