Radaranvändning för identifiering och lokalisering …1449661/...Radaranvändning för identifiering och lokalisering av olika material Marcus Eliasson Abstract 2020-06-26 iv Abstract

Radaranvändning för identifiering och

lokalisering av olika material

En undersökande studie med en pulskoherent radarsensor

Marcus Eliasson

Dokumenttyp – Examensarbete för kandidat

Huvudområde: Elektronik.

Högskolepoäng: 15 HP.

Termin/år: VT, 2020.

Handledare: Sebastian Bader, [email protected]

Examinator: Börje Norlin, [email protected]

Kurskod/registreringsnummer: ET107G

Utbildningsprogram: Civilingenjör Elektroteknik, 300 HP

mailto:[email protected]

mailto:[email protected]

Radaranvändning för identifiering

och lokalisering av olika material

Marcus Eliasson

Sammanfattning

2020-06-26

iii

Sammanfattning Transportens och logistikens framtid kräver exakta och tillförlitliga men

även kostnadseffektiva sensorer. I den här rapporten testas därför några

attribut för en Pulse Coherent Radar för att avgöra om det är möjligt att

urskilja en person från metall. I rapporten kommer en metod att användas

för att skilja de två materialen, detta helt enkelt genom att mäta

amplituden av energiinnehållet hos den reflekterade radarstrålen på

olika avstånd för de olika materialen. Experimentets resultat visar att

metall lätt kan identifieras från en person, men detta endast för att

skillnaden i den relativa permittiviteten hos dessa material är väldigt stor.

Material med mer likvärdig relativ permittivitet har inte undersökts men

mätvärden från dessa material antas vara för likvärdig och därför svårt

att identifiera. Metoden anses därför kunna användas då det endast är få

material med stor skillnad i relativ permittivitet som ska urskiljas.

Nyckelord: Radar, Acconeer, A111, PCR, Distance Detection, Detection

Area, Material Detection



Marcus Eliasson

Abstract

2020-06-26

iv

Abstract The future of transportation and logistics demand accurate and reliable

but also cost and energy effective sensors. In this paper, some attribute of

a Pulse Coherent Radar will be tested to determine if it is possible to

distinguish a person from metal. In the paper one method will be used to

distinguish the two materials, this just by simply measure the amplitude

of energy of the received radar beam at different distances. Experiment

results shows that metal can easily by distinguished from a person, but

this only because of the great difference in the relative permittivity of

these materials. Experiments for materials with more equivalent relative

permittivity have not been investigated. The method is therefore

considered to be usable as only a few materials with a large difference in

relative permittivity are to be distinguished.

Keywords: Radar, Acconeer, A111, PCR, Distance Detection, Detection

Area, Material Detection



Marcus Eliasson

Innehållsförteckning

2020-06-26

v

Innehållsförteckning Sammanfattning ............................................................................................. iii

Abstract ............................................................................................................ iv

Terminologi .................................................................................................... vii

Introduktion ...................................................................................................... 8

1.1 Bakgrund och motivering .......................................................... 8

1.2 Problemformulering ................................................................... 9

1.3 Avgränsningar ........................................................................... 10

1.4 Konkreta och verifierbara mål ................................................. 10

1.5 Disposition ................................................................................. 11

Teoretisk bakgrund ....................................................................................... 12

1.6 Radarsystem ............................................................................... 12

1.6.1 Pulse Coherent Radar .................................................... 13

1.6.2 Distans och Detektionsområde ..................................... 14

1.6.3 Reflektion ......................................................................... 15

1.7 Acconeers Exploration Tool ..................................................... 17

1.7.1 Envelope .......................................................................... 18

Metod................................................................................................................ 19

1.8 Verktyg ....................................................................................... 19

1.9 Mätningar ................................................................................... 19

1.9.1 Distansmätning ............................................................... 19

1.9.2 Undersökning av E-fältets och H-fältets vinklar ....... 20

1.9.3 Beräkning av Detektionsområdet ................................ 21

1.9.4 Identifiering av Objekt ................................................... 23

Resultat och Analys ....................................................................................... 24

1.10 Resultat distansmätning ........................................................... 24

1.11 Resultat detektionsområdet ..................................................... 26

1.12 Resultat Identifiering av material ........................................... 27

Slutsats och Diskussion ................................................................................ 31

1.13 Etiska och samhälleliga aspekter ............................................ 32

1.14 Framtida studier ........................................................................ 33

Referenser ........................................................................................................ 34

Bilaga Programkod ........................................................................................ 36



Marcus Eliasson

Innehållsförteckning

2020-06-26

vi

Bilaga A ............................................................................................................ 37

Person: ...................................................................................................... 37

Plåt: ...................................................................................................... 38

Bilaga B ............................................................................................................ 39

Detektionsområdet för E-fältet mot person ................................................ 39

Detektionsområdet för E-fältet mot plåt ...................................................... 39

Detektionsområdet för H-fältet mot person................................................ 39

Detektionsområdet för H-fältet mot plåt ..................................................... 39

Bilaga C ............................................................................................................ 40

1.15 Person1 ........................................................................................ 40

1.16 Person2 ........................................................................................ 42

1.17 Plåt ............................................................................................... 44



Marcus Eliasson

Terminologi

2020-06-26

vii

Terminologi

Akronymer/Förkortningar

Radar Radio detection and ranging

RF Radiofrekvensradar

GUI Graphical User Interface

Lidar Light detection and ranging

PCR Pulse Coherent Radar

E-fält Elektriskt fält

H-fält Magnetiskt fält

HPBW Half Power Beam Width

SNR Signal-brusförhållande

A111 Radarsensor

XR111 Radarsensorkort



Marcus Eliasson

Introduktion

2020-06-26

8

Introduktion Radio detection and ranging (Radar) har många olika användbara

egenskaper, de är vanligtvis oberoende av ljusförhållanden, de är mycket

snabba och har hög precision. Det finns även radars som är

implementerade med millimetervåglängder dessa kan tillverkas med låg

effekt utan rörliga delar [1]. Radarteknologin har funnits sedan början av

1900-talet [2] och har sedan dess snabbt utvecklats till ett väletablerat

teknikområde. Trots att den typiska radiofrekvensradarn (RF) används

för att upptäcka och spåra stora föremål på långt avstånd, vilket används

inom luft- och marinövervakning, har många nya användningsområden

dykt upp de senaste åren, detta har inneburit att radarteknologin har fått

många nya möjligheter att lösa tekniska utmaningar. Några av dessa kan

vara där radar används för övervakning av vitala tecken [3] eller

gestigenkänning [4], för att nämna två. Användningen utav

millimetervågsradar har ökat markant inom fordonsindustrin på senare

tid vilket har lett till att priset på sensorerna har sjunkit. Detta leder till

att sådana enheter blivit ett bra alternativ för lågkostnadsapplikationer

[1]. Denna avhandling kommer därför studera precisionen, både för

distans och detektionsområde, samt ifall det är möjligt att urskilja

material från varandra. Arbetet kommer fokusera på att urskilja plåt från

människa, detta genom att en radar belyser ett område och med hjälp av

ett Graphical User Interface (GUI) samla information från radarns

återkommande eko för att avgöra längd och materialtyp.

1.1 Bakgrund och motivering

Självkörande fordon kommer vara en grundsten för framtidens hållbara

transportsystem. Denna teknik spås kunna reducera den miljöpåverkan

som transportsektorn står för [5], vilket i dagsläget motsvarar drygt 40%

av Sveriges totala utsläpp av växthusgaser [6]. Det spås även att denna

teknik ska kunna förhindra olyckor och därmed minska skador och

dödfall i trafiken. Detta är något som trafikverket jobbar hårt med genom

”Nollvisionen” vilket är ett etiskt ställningstagande att ingen ska dödas

eller allvarligt skadas i trafiken [5] [7]. Framtidens lastbilar kommer inte

bara vara självkörande utan de kommer även ha automatiserad lastning



Marcus Eliasson

Introduktion

2020-06-26

9

och lossning. För att möjliggöra detta forskas det idag på att med hjälp av

bildbehandling tillsammans med inbyggda Radar, Light detection and

ranging (Lidar) och ultraljudssensorer identifiera och lokalisera objekt,

detta för att framställa en exakt bild utav verkligheten [8]. Detta medför

vissa problem såsom identifiering och lokalisering utav objekt.

Forskning för att identifiera material med hjälp av radar har tidigare

gjorts då med avseende att öka den allmänna säkerheten på flygplatser,

där har man jobbat med att identifiera metallobjekt, vatten och bensin.

Detta för att öka säkerheten och förhindra de hot som ökat på grund av

terrorism. Detta övervakningssystem har även presenterats för andra

allmänna platser som köpcenter och campus [9].

En annan studie som utförts handlade om ytklassificering av olika

material, detta skulle sedan implementeras i en robotgräsklippare för att

kunna avgöra vilket underlaget som klipptes. Ytor som undersöktes då

var gräs, sten och asfalt, det vill säga ytor som vanligtvis finns i

anslutning till en gräsmatta, detta för att förhindra klipparen att klippa

sten eller asfalt [1].

Den här rapporten kommer undersöka träffsäkerheten med avseende på

avstånd och detektionsområde, samt huruvida det är möjligt att urskilja

en person från metall, detta med en kostnadseffektiv pulserande koherent

radar (PCR). En undersökning av dessa problem är angelägen för att

självkörande transporter med automatiserad lastning och lossning ska

kunna utföras på ett säkert sätt. Men även för att kunna få en billig och

energieffektiv lösning vilket kan leda till ökad konkurrenskraft och

lönsamhet.

1.2 Problemformulering

Detta arbete kommer undersöka precisionen för distans och

detektionsområdet samt hur det varierar mellan olika material, arbetet

kommer även undersöka hur vida det är möjligt att med hjälp av

radarsignalens eko, erhållen från en millimetervågsradar kunna

identifiera olika material. Klassificeringsuppgiften är att urskilja

människa från metall, då det är vanligt förekommande objekt som

förekommer på lastningsplatser.



Marcus Eliasson

Introduktion

2020-06-26

10

Följande frågor kommer undersökas i rapporten:

- Hur är precisionen för avståndsmätning och hur varierar den

beroende på material? Hur exakt mäter PCR-sensorn avståndet till

målobjektet och beror det på dess material?

- Hur är precisionen för detektionsområdet? hur vid

detektionsområdets vinkel är och beror det på vilket material som

är målytan består av?

- Är det möjligt att identifiera eller i alla fall skilja på metall från

människa?

1.3 Avgränsningar

Undersökningen är avgränsad till att data hämtas från en pulserande 60

GHz koherent radarsensor, Acconeer A111. Tester kommer inriktas mot

att kunna skilja på metall från person. Metallobjektet kommer vara en plåt

med plan yta och denna kommer mätas rakt framifrån. Personerna

kommer vara vuxna och mätas ståendes rakt framför radarn.

Distansmätningen av person och plåt begränsas till intervallet 0,2 – 7

meter då det är maxintervallet som utrustningen tillåter. Det är

distansmätningen som kommer bestämma intervallet för distans för

mätning av detektionsområdet samt identifiering av material. Detta

eftersom intervallet som fås från distansmätningen är det intervall där det

är möjligt att mäta båda testobjekten, människa och plåt.

1.4 Konkreta och verifierbara mål

Det förväntade målet med denna undersökning är för det första att

verifiera distansen som Acconeers PCR-sensor klarar av att mäta, där

målobjekten är människa och metall. För det andra att verifiera den

vertikala samt horisontella vinkeln för PCR-sensorns detektionsområde.

Resultaten från distansmätningen och detektionsområdesmätningen

kommer sedan att jämföras med vad som står i produktbeskrivningen för

PCR-sensorn. Det sista förväntade resultatet i denna undersökning är att

identifiera ett samband mellan den reflekterade radarsignalens

energiinnehåll och avståndet till målobjektet, samt att detta samband

kommer bero på målobjektets material.



Marcus Eliasson

Introduktion

2020-06-26

11

1.5 Disposition

Rapporten är distribuerad med en teoretisk bakgrund där radarsystem

beskrivs och delas upp i tre delar som sammanfattar hur en PCR-sensor

fungerar. Även hur distansmätning, detektionsområdet och reflektion

fungerar. Sedan avslutas den teoretiska bakgrunden med att kort

beskriva hur Acconeers Exploration Tool fungerar. Detta blir bakgrunden

för fortsättningen av arbetet. Efter det beskrivs metoderna som används

för att få fram de mätvärden som sedan presenteras i resultatdelen. I

resultatdelen kommer mätvärdena även att analyseras och bearbetas till

de resultat som anges. Sedan kommer de slutsatser som kunnat antagas

allt eftersom arbetet fortgått. Avslutningsvis diskuteras de etiska och

sociala aspekter som kan väntas komma från en implementering av

denna undersökning.



Marcus Eliasson

Teoretisk bakgrund

2020-06-26

12

Teoretisk bakgrund För att kunna förstå och tillgodogöra sig informationen i denna studie är

det viktigt att känna till teorin bakom hur ett radarsystem och hur

verktygen som använts fungerar. Då arbetet är inriktat på en

pulskoherent radarsensor är det även viktigt att få en djupare förståelse

hur den typen av radar fungerar.

1.6 Radarsystem

Radarns primära funktion är att utstråla RF-elektromagnetisk energi och

lyssna ifall den överförda energin genererar ett eko, se Figur 1. Genom att

analysera egenskaperna hos den reflekterade signalen är det möjligt att

få information angående objektets spridningsförmåga, avståndet och

vinkeln från objektet där signalen reflekterats samt med vilken hastighet

objektet färdas i. Har man tillräcklig hög vinkel- och

räckviddsupplösning går det till och med avgöra storleken på objektet

[1].

Figur 1: Illustration av det pulserade sammanhängande radarsignalen där flygtiden

mäts för att bestämma avståndet till objektet [10].

Radar är en förkortning för radio detection and ranging och är ett sätt att

bestämma räckvidd till ett objekt genom att sända och upptäcka

radiovågor. Radiovågor är den form utav elektromagnetiskstrålning som

har lägst frekvens, vilket motsvarar frekvenser från 600GHz (Gigahertz)

ner till kHz (kilohertz) detta ger en våglängd mellan 1 millimeter och 100

kilometer [11]. Elektromagnetiska vågor är transversella vågrörelser av

ett elektriskt fält (E-fält) och ett magnetiskt fält (H-fält). Dessa fält är



Marcus Eliasson

Teoretisk bakgrund

2020-06-26

13

vinkelräta mot varandra och mot utbredningsriktningen, både E-fältet

och H-fältet varierar med samma frekvens och är i fas med varandra detta

illustreras i Figur 2. Utbredningshastigheten är den samma som ljusets

hastighet [12].

Figur 2: Elektromagnetiska vågor har ett elektriskt och ett magnetiskt fält. Dessa

svänger i riktningar som är vinkelräta mot varandra. [12]

Radarsystem kan utvecklas på många olika sett men i denna rapport

kommer ett PCR-system användas.

1.6.1 Pulse Coherent Radar

Det finns olika typer av radarsystem, var och en med sina egna för- och

nackdelar som vanligtvis resulterar i en avvägning mellan noggrannhet

och strömförbrukning. Pulse Coherent Radar är en kombination av två

radar-funktioner till ett och samma radarsystem. Första funktionen är

pulsradar, vilket innebär att utstrålningen av radarsignalen pausas

mellan överföringen av signalen. I detta fall kommer radarn vara aktiv

mindre än 1% av tiden då signalen sänds. På detta sett kan

energiförbrukningen hållas relativt låg [10].

Den andra funktionen är ett koherent radarsystem, vilket innebär att varje

överförd signal har en stabil tids- och fasreferens, detta möjliggör

mätningar med hög noggrannhet. Koherenta radarsystem förlitar sig

vanligtvis på en kontinuerlig generering av radiosignalen, detta

förbrukar mycket ström oberoende av uppdateringsfrekvens, men i PCR-

systemet blir det möjligt att utföra mätningar med hög noggrannhet

samtidigt som den förbrukar mindre energi. Den snabba pulseringen gör

det även möjligt att spåra snabba rörelser. En annan fördel med PCR-



Marcus Eliasson

Teoretisk bakgrund

2020-06-26

14

system är att amplituden, tiden och fasen för den mottagna signalen kan

hanteras separat och möjliggöra klassificering av olika material som

signalen har reflekterats på. Dessa är alla fördelar jämfört med sensorer

som infraröd och ultraljud [10].

1.6.2 Distans och Detektionsområde

Radarsystem kan identifiera avstånd till objekt genom att beräkna tiden

mellan det att radiosignalen skickas ut till dess den reflekteras mot ett

objekt och ekot upptas radarsensorns antenn. Tiden som går mellan

överföring och mottagning av den reflekterade signalen (𝒕𝒅𝒆𝒍𝒂𝒚) används

för att beräkna avståndet till objektet, detta görs med hjälp av Ekvation 1

och Ekvation 2 nedan:

𝒗 = 𝒄𝟎

√𝜺𝒓

(1)

𝒅 = 𝒕𝒅𝒆𝒍𝒂𝒚 ∗ 𝒗

𝟐(2)

Där 𝑣 är hastigheten signalen fördas, 𝒄𝟎 är ljusets hastighet i vakuum, 𝜺𝒓

är mediets relativa permittiviteten. 𝒅 är distansen till objektet och 𝟐 i

nämnaren till (2) beror på det faktum att 𝒕𝒅𝒆𝒍𝒂𝒚 är tiden det tar för signalen

att resa till objektet och tillbaka, för att få avståndet till objektet behövs

därför en division med 2 [13].

Radarns detektionsområde avgörs från radarstrålens E-plan och H-plan.

Detta illustreras i figur 4 för E-planet och figur 5 för H-planet med resultat

baserat på 100 svepningar, testat med 20 XR111-enheter, (A111 sensor)

vilket gett det normaliserade strålningsmönstret. Half Power Beam

Width (HPBW) för E-planet kan man utläsa ± 20 grader och för H-planet

± 40 grader [10].



Marcus Eliasson

Teoretisk bakgrund

2020-06-26

15

Figur 3: Normaliserat strålningsmönster från E-planet [12].

Figur 4: Normaliserat strålningsmönster från H-planet [12].

1.6.3 Reflektion

Mängden energi som tas emot tillbaka till radar-antennen beror på

reflektionsförmågan hos objektet (𝜸), radarens tvärsnitt (RCS) för objektet

(𝝈) och avståndet till objektet (d). En reflektion uppstår när det finns en

skillnad i den relativa primitiviteten mellan två medier som signalen

sprider igenom. (𝜸) ges nedan genom Ekvation 3:

𝜸 = (√𝜺𝟏 − √𝜺𝟐

√𝜺𝟏 + √𝜺𝟐

)

𝟐

(3)

Där 𝜀1 och 𝜀2 är den relativa permittiviteten, det är viktigt att komma ihåg

att den relativa permittiviteten beror på frekvensen. I Tabell 1 nedan visas

några vanliga material vid 60 GHz [13].

Tabell 1: Relativa permittiviteten för vanliga material [13].

Material 𝜺𝒓 vid 60 GHz 𝛾 gränsande till luft

ABS plast 2,48 0,049

Skärm

(Mobiltelefon)

6,9 0,02

Betong 2,7 0,059

Trä 4 0,11



Marcus Eliasson

Teoretisk bakgrund

2020-06-26

16

Textiler 2,4 0,046

Metall - 1

Hud 8 0,22

Vatten 11,1 0,28

Luft 1 0

I detta arbete syftas det specifikt att urskilja metall (plåt) från människa

(textil). Den relativa permeabiliteten hos dessa material är nära 1 medan

den relativa permittiviteten är olika: 𝜺𝒎𝒆𝒕𝒂𝒍𝒍 ≫ 𝜺𝑻𝒆𝒙𝒕𝒊𝒍𝒆𝒓 Detta leder till

skillnad i reflektionskoefficienten 𝜸 från ekvation (3) vilket medför

skillnad i amplitud av energiinnehållet av den reflekterade signalen. Med

denna amplitudsskillnad kan man då identifiera material [9].

Radartvärsnittet är det effektiva området för objektet som signalen

reflekteras mot, där storleken är större än signalens våglängd (~ 5 mm)

och ligger inom fjärrfältets avstånd, kan den uttryckas analytiskt som i

Figur 5. Fjärrfältet beror på objektets storlek och dess avstånd till

radarkällan. Generellt gäller långtgående fält när de vågor som

reflekteras av objektet kan betraktas som planvågor. Representativa

spridningsmönster för en sfär, platt platta och pyramidformad

hörnreflektor visas i Figur 5. Man ser att föremålen kan ha olika maximala

RCS, men också olika strålningsmönster, en platt platta är till exempel

direkt riktad och om den lutas bort från radarn kommer den mottagna

energin att minska, medan hörnet har mindre vinkelberoende och är en

mer robust reflektor när det gäller vinkel med avseende på radar [13].



Marcus Eliasson

Teoretisk bakgrund

2020-06-26

17

Figur 5: Strålningsmönster och analytiska uttryck för enkla geometriska former [13].

1.7 Acconeers Exploration Tool

Acconeers Exploration Tool är ett av Acconeers evaluation kits som

tillsammans med Python-exempel gör det enkelt att utforska Acconeers

radarsensorteknologi. Python script och Graphical User Interface (GUI)

gör det möjligt att streama data från radarsensorn till sin egen dator [14].

Acconeer A111-sensorn kan användas i olika sammanhang beroende på

vilket syfte man har. I Acconeers Exploration Tool får man först välja

vilken tjänst man vill använda sig utav. Idag finns fyra olika tjänster som

är optimerade för olika ändamål: Power Bins – Implementeringar med

låg komplexitet, exempelvis parkeringssensorer. Envelope –

Avståndsmätning till statiska mål. IQ – Detektion av hinder, övervakning

av vitala tecken. Sparce – Närvarodetektering, igenkänning av handgest.

Efter man valt tjänst får man ange sensorinställningar där man väljer

intervall för det avstånd man avser att mäta inom, vilken

pulslängdsprofil man vill använda för att optimera olika egenskaper hos

radarsensorn, där profil 1 har störst upplösning och profil 5 har mer

Signal-brusförhållande (SNR), Då högre profiler har högre SNR

försämras upplösningen [15].

Men i denna rapport kommer endast Envelope-tjänsten användas detta

eftersom det är avstånd och energiinnehåll som ska undersökas.

Tillsammans med Envelope-tjänsten kommer profil 2 att användas, detta



Marcus Eliasson

Teoretisk bakgrund

2020-06-26

18

för att fortfarande kunna identifiera flera objekt samtidigt och fortfarande

kunna mäta inom det förbestämda intervallet.

1.7.1 Envelope

Envelope-tjänsten tillhandahåller data från den mottagna energin på

olika avstånd från radarsensorn. En mätning med Envelope-tjänsten

utförs genom att en radarpuls sänds ut och sedan mäta energiinnehållet i

det återkommande ekot under en uppskattad tidsfördröjning från

pulsöverföringen [16].



Marcus Eliasson

Metod

2020-06-26

19

Metod Då projektet blev begränsad av Covid-19-pandemin samt en begränsad

budget kan inte dyra mätinstrument och optimala testförhållanden

användas. Istället var lågkostnadsalternativ tvungna att användas i

största möjliga grad.

1.8 Verktyg

För att undersöka de frågor som ställts i problemformuleringen med

hänsyn till de begränsningar som finns kommer endast enkla metoder

och verktyg användas. De verktyg som används vid mätningarna är en

pulserande 60 GHz PCR-sensor från Acconeer, ett måttband (tre

värdesiffror), samt Acconeers Exploration Tool. Alla beräkningar är

gjorda i MatLab.

Mätobjekten består av två personer och en plåt, Person 1 var ungefär 175

cm lång och 60 cm bred, person 2 var ungefär 195 cm lång och 60 cm bred

båda klädd i jeans och huvtröja. Plåten som användes hade måtten 39cm

× 90cm.

1.9 Mätningar

Mätningarna är uppdelad i tre separata delar och kommer undersöka

några attribut hos en Acconeer A111. Första delen i avsnitt 3.2.1 kommer

undersöka radarsensorns räckvidd beroende av material och med vilken

noggrannhet den mäter avstånd. Den andra delen i avsnitt 3.2.2 kommer

precisionen hos radarsensorn undersökas, det vill säga i hur stor

utbredning radiosignalen från radarsensorn sprids och vart signalen blir

detekterbar. I den sista delen, avsnitt 3.2.3 undersöks ifall det är möjligt

att urskilja plåt ifrån människa med en Acconeer A111.

1.9.1 Distansmätning

Avståndet som presenteras i produktbeskrivningen för A111 ligger

mellan 0,5 och 10 meter, då dessa avstånd är framtagna i gynnsamma

förhållanden hos företaget kommer det verkliga avståndet beroende på

material vara okänt. Distansmätningen genomfördes genom att sätta upp

radarsensorn på ett stativ, sedan mäta ut en sträcka från radarn till 7



Marcus Eliasson

Metod

2020-06-26

20

meter framåt med ett måttband då det är sträckan om satts i

avgränsningar.

Avståndet för människa och plåt mättes var tjugonde centimeter till dess

att energin från den utsända signalens eko inte längre kunde utläsas. Se

Figur 6, värdena från radarn jämfördes sedan med det avstånd som gavs

från måttbandet.

Figur 6: Uppställning av radar och målobjekt som mättes

1.9.2 Undersökning av E-fältets och H-fältets vinklar

Detektionsområden som presenteras i produktbeskrivningen för A111

har en vinkel på 20 grader i E-fältet och 40 grader i H-fältet, se Figur 7 och

Figur 8.

Figur 7: Detektionsområde H-fält där α = 40˚



Marcus Eliasson

Metod

2020-06-26

21

Figur 8: Detektionsområde E-fält där β = 20˚

Vinkeln för E-fältet undersöktes genom att vid fyra olika avstånd 𝒅 från

radarsensorn; 0,5 meter, 1 meter, 1,5 meter och 2 meter identifiera när

radarn gav utslag. Detta gjordes genom att vid varje avstånd föra in ett

objekt, människa och plåt, från vartdera hållet och markera vid utslaget.

Sedan mättes avståndet mellan dessa två markeringar. Halva avståndet

ger då sträckan 𝒂, detta användes sedan för att räkna ut vinkeln enligt

Ekvation 4.

𝜶 = 𝒔𝒊𝒏−𝟏 (𝒂

𝒅) (4)

Vinkeln för H-fältet undersöktes på samma sätt med skillnad att radarn

roterades 90 grader innan den monterades, på så sett kan man mäta H-

fältets vinkel på samma sätt som den horisontella vinkeln mättes, när man

då mäter sträckan mellan markeringarna och halverar värdet får man

sträckan 𝒃. Och enligt Ekvation 5.

𝜷 = 𝒔𝒊𝒏−𝟏 (𝒃

𝒅) (5)

1.9.3 Beräkning av Detektionsområdet

Med resultaten som tillhandahålls från avsnitt 3.2.2 kan

detektionsområdet beräknas och kommer då se ut enligt Figur 9.



Marcus Eliasson

Metod

2020-06-26

22

Figur 9: Detektionsområdet för radarsensorn beroende på distansen.

I figuren illustreras hur detektionsområden kommer se ut för radarn. Där

α är vinkeln i horisontell riktning och β är vinkeln i vertikal riktning. 𝒅 Är

den sträcka radarn har till målobjektet. Med hjälp av ekvationen för en

ellips enligt Ekvation 6 kan man sedan sätta in radarsensorn i ett

koordinatsystem och avgöra hur stort detektionsområdet är beroende på

distansen 𝒅 och vart radarsensorn är placerad:

(𝒙 − 𝒉)𝟐

𝒂+

(𝒚 − 𝒌)𝟐

𝒃= 𝒓𝟐 (6)

Där 𝒉 är vart i x-led sensorn är placerad och 𝒌 är vart i y-led sensorn är

placerad. 𝐚 och 𝒃 är okända variabler, men eftersom vi vet vinklarna 𝛂

och 𝛃 samt sträckan 𝒅 som fås från radarsensorn kan man skriva om

Ekvation 4 och Ekvation 5 tillsammans med Ekvation 6 till Ekvation 7:

(𝒙 − 𝒉)𝟐

𝒅𝒔𝒊𝒏(𝜶)+

(𝒚 − 𝒌)𝟐

𝒅𝒔𝒊𝒏(𝜷)= 𝒓𝟐 (7)



Marcus Eliasson

Metod

2020-06-26

23

Arean av en ellips beräknas sedan med Ekvation 8:

𝑨 = 𝒅𝟐 𝒔𝒊𝒏(𝜶) 𝒔𝒊𝒏(𝜷)𝝅 (8)

1.9.4 Identifiering av Objekt

För att undersöka möjligheten att identifiera material användes

Envelope-tjänsten eftersom denna tjänst tillhandahåller data för

energiinnehållet i ekot från den utsända radarstrålen. För plåten mättes

energiinnehållet 5 gånger vid 23 olika avstånd mellan 0,321 meter och

2,124 meter. För människa mättes energiinnehållet hos de två personerna

5 gånger vid 11 respektive 14 olika avstånd mellan 0,380 meter och 1,406

meter för första personen och mellan 0,349 meter och 1,467 meter för

andra personen. Värdena lades in i MatLab för att ta fram grafer för varje

mätning samt en graf för alla mätningar med ett medelvärde.



Marcus Eliasson

Resultat och Analys

2020-06-26

24

Resultat och Analys Resultatet är uppdelad i tre delar där resultaten analyseras allteftersom. I

avsnitt 4.1 redovisas resultaten från distansmätningen. I 4.2 redovisas

resultaten från mätningarna angående detektionsområdet. I sista delen

redovisas resultaten angående identifieringen av material.

1.10 Resultat distansmätning

Vid mätning av A111-radarsensorns räckvidd gjordes totalt 32

mätningar, 24 med en plåt som mätobjekt och 8 med en person som

mätobjekt, se Figur 10, där finns även en referenslinje för hur ett perfekt

mätresultat illustrerats. Rådata hittas i bilaga A.

Figur 10 Avstånd man kan mäta "person" och "plåt" innan signalen försvagas så pass

att den inte kan avläsas.

I figur 10 visas distansen som presenteras i Acconeers Exploration Tool

Envelope-tjänst jämfört med vilket avstånd som uppmätts med måttband

och vid vilket avstånd signalen har försvagats så pass att den inte längre

kan urskilja ekot från bruset. I grafen visas även att vid ungefär 1,6 meter



Marcus Eliasson

Resultat och Analys

2020-06-26

25

kan den inte längre känna av en person och vid 4,8 meter går det inte

längre känna av den plåt som användes i försöket. Med detta anses att

radarn identifierar avståndet med bra precision då signalen har

tillräckligt med energi, men direkt när energin hamnar under

gränsvärdet som är satt i Envelope-tjänsten går det inte längre identifiera

avståndet. Detta betyder att en plåt reflekterar tillbaka energin betydligt

bättre än en person. I grafen kan ses att kurvorna är linjära men att det

fluktuera något. I Figur 11 visas tydligare hur felmätningen varierar.

Figur 11 Felmätning för ”plåt” och ”person” beroende på avståndet.

Här kan man se hur felmätningen varierar beroende på avståndet. Det

som syns här är att det uppmätta avståndet varierar med mindre än ±4

centimeter från det faktiska avståndet.



Marcus Eliasson

Resultat och Analys

2020-06-26

26

1.11 Resultat detektionsområdet

Det gjordes totalt 16 mätningar för att få fram radarsensorns

detektionsområde, 8 för människa och 8 för plåten, rådata återfinns i

Bilaga B. Resultaten för beräkningarna av vinklarna α och β som utfördes

med Ekvation 4 och Ekvation 5 finns nedan i Tabell 2.

Tabell 2: beräknade värden för vinkeln α i horisontell riktning och vinkeln β i

vertikal riktning.

Vinkel

H-fält (vinkeln α) E-fält (vinkeln β)

Distans [𝑚] Person Plåt Person Plåt

0,5 ±44° ±64° ±53° ±53°

1,0 ±12° ±53° ±17° ±64°

1,5 ±5.7° ±68° ±5.7° ±53°

2,0 -- ±68° -- ±49°

I tabellen kan man se att för ”Plåt” är vinkeln för H-fältet och E-fältet lite

högre än vad som specificeras i produktbeskrivningen se figur 3 och figur

4, men då det värdet som redovisas i produktbeskrivningen är vid HPBW

och det som undersökts är vid vilken vinkel radarsignalen inte längre kan

urskiljas från bakgrundsbruset. I figur 3 och 4 ser man att även vid vidare

vinklar känner radarn av den reflekterade radarsignalen. För ”Person”

kan man se att vinkeln är lägre än för ”Plåt” och att den minskas när

avståndet ökar och att vid två meter är det inte längre möjligt att urskilja

”Person” från bakgrundsbruset.



Marcus Eliasson

Resultat och Analys

2020-06-26

27

Baserat på resultaten i tabell 2 kan man också beräkna arean för

detektionsområdet med avseende på avståndet. Resultat för dessa

beräkningar hittas nedan i Tabell 3.

Tabell 3: Detektionsarean för "Person" och "Plåt" beroende på distansen

Area [𝑚2]

Distans [𝑚] Person Plåt

0,5 0,44 0.56

1,0 0,19 2,26

1,5 0,07 5,23

2,0 -- 8,79

Utifrån resultatet i Tabell 3 ser man att för det intervall som undersöktes

att detektionsarean för ”Person” minskar då avståndet från radarsensorn

ökar medan detektionsarean för ”Plåt” ökar då avståndet ökar.

1.12 Resultat Identifiering av material

Totalt gjordes 240 mätningar, resultatet från dessa mätningar presenteras

i de fyra kommande Figurerna. I Figur 12 visas variationen för ”Person1”,

Figur 13 som visar variationen för ”Person2”. Figur 14 visar variationen

för ”Plåt”, den röda linjen motsvarar medelvärdet i samtliga figurer,

Figur 15 visar ”Plåt” tillsammans med ”Person1” och ”Person2”. Rådata

återfinns i Bilaga C.



Marcus Eliasson

Resultat och Analys

2020-06-26

28

Figur 12: Amplitudvariation beroende på distans för "Person1"

Figur 13: Amplitudvariation beroende på distans för "Person2"



Marcus Eliasson

Resultat och Analys

2020-06-26

29

Figur 14: Amplitudvariation beroende på distans för "Plåt"

Figur 15: Amplitudsvariation för ”Plåt” (Grön) och ”Person1” och ”Person2” (Blå)



Marcus Eliasson

Resultat och Analys

2020-06-26

30

För ”Person1” ser man att det varierar ganska mycket i amplitud vid varje

avstånd. Lika så för ”Person2” där man ser att det varierar ganska kraftigt

i amplitud vid varje avstånd. För ”Plåt” ser man att det inte är lika kraftig

variation i amplitud som för ”Person1” och ”Person2” för varje distans.

När dessa läggs in i en och samma graf ser man tydligt i Figur 15 att

skillnaden mellan ”Person” (Blå) och ”Plåt” (Grön) är stor. Amplituden

för reflekterat energiinnehåll är alltså betydligt större för metall än för

människa.



Marcus Eliasson

Slutsats och Diskussion

2020-06-26

31

Slutsats och Diskussion Precisionen för radarsensorns distansmätning anses vara tillräckligt

noggrann för att implementeras inom distansmätning. Detta eftersom de

första två värdesiffrorna för måttbandet och radarn redovisade samma

värde, där måttbandet mätte med en noggrannhet på tre värde siffror och

radarn fyra värdesiffror. Det man kan se från resultaten av

distansmätningen är att kurvorna fluktuerar något men detta anses

främst bero på att det var svårt att mäta exakt vart radarstrålen träffar

mätobjektet. Från kurvorna kan man även se en tydlig skillnad mellan det

avstånd som är möjligt att mäta beroende på material, där metall kunde

mätas på ett betydligt längre avstånd än vad en människa kunde mätas.

Detta betyder att radarsensorns kapacitet att mäta avstånd till

metallobjekt kan tänkas vara tillräcklig, då kapaciteten för att mäta

avstånd till människor är begränsad till 2 meter kan det vara på gränsen

för implementering inom lastplatser. En radarsensor med starkare signal

skulle därför kunna rekommenderas för att säkerställa en bättre möjlighet

att detektera människor.

Precisionen för detektionsområdet var svårare att identifiera, detta

eftersom det var svårt att verifiera exakt vart radarsensorn började känna

av närvaron av mätobjektet. Produktbeskrivningen gav ±40˚ för H-fältet

och ±20˚ för E-fältet, det man även kunde se i produktbeskrivningen att

efter 40˚ respektive 20˚ kunde objekt fortfarande identifieras vilket

illustreras i Figur 7 och Figur 8. Detta kan förklara det resultat som

anhölls för metallen där vinkeln för H-fältet och E-fältet var lite större än

det som stod i produktbeskrivningen. För människa var vinkeln för H-

fältet och E-fältet även där lite större på låga avstånd men då avståndet

ökar krymper vinkeln för både H-fältet och E-fältet snabbt. Man kan

därför implementera de specificerade värdena för detektionsområdet i de

tillämpningar man är ute efter, man bör dock ha i åtanke att möjligheten

att detektera människor minskar snabbt efter cirka 0,5 meter. Ju fler

radarsensorer som monteras desto mindre ”död vinkel” fås. Man får

därför avgöra hur stor ”död vinkel” man kan tolerera, detta blir en

kostnadsfråga i slutändan.



Marcus Eliasson


2020-06-26

32

Enligt Figur 15 kan man tydligt se ett samband mellan amplitud och

material. Mätningarna är dock utförda med två testobjekt där skillnaden

i den relativa permittiviteten hos vartdera materialet är väldigt stor.

Slutsatsen man kan dra av detta är att det alltså går skilja på två material

genom att endast kolla på amplituden av den reflekterade signalen. En

annan slutsats man kan dra är att det endast kommer fungera då

materialens relativa permittiviteten ligger tillräckligt långt ifrån

varandra. Ju närmare den relativa permittiviteten för objektens material

ligger varandra, och ju mer olika material som används desto närmare

kommer kurvorna komma varandra till dess att det inte längre går

urskilja materialen från varandra. Det man även kan nämna utifrån

resultatet är att energiinnehållet kommer ändras med avseende på

vinkeln till objektet vilken kan göra det svårt att separera objekten från

varandra.

Eftersom man kan se en tydlig skillnad mellan metall och person anses

projektets mål blivit uppfyllda, efter att ha läst på lite bakgrundsmaterial

blev även resultaten som förväntat.

1.13 Etiska och samhälleliga aspekter

De etiska aspekter som måste beaktas med denna radar blir främst inom

de tillämpningar där man kan implementera radartekniken. Det kan

göras inom de flesta områden där detektion av något slag ska utföras.

Inom transport- och logistiksektorn blir de etiska aspekterna främst vem

som bär ansvaret då mer och mer transporter skulle börja automatiseras,

eller vad som ska prioriteras ifall en olycka inträffar, där ett datorsystem

måste välja mellan två scenarion med negativa utfall. Samt hur träffsäkert

ett system måste vara för att det ska vara etiskt försvarbart ifall en olycka

skulle inträffa.

De positiva samhälleliga aspekterna som en implementation av en sådan

radarteknik är väldigt stora. Främst inom transport- och logistiksektorn

där både trafikolyckor och arbetsolyckor förväntas minska. Även

transportkostnader och den miljöpåverkan som transportsektorn står för

förväntas kunna minska.



Marcus Eliasson


2020-06-26

33

De negativa samhälleliga aspekter som en implementation av denna

radarteknik skulle kunna vara att då stora delar av transport- och

logistikarbeten kommer försvinna då den istället blir automatiserad.

Detta skulle leda till att många måste byta yrkesinriktning, men eftersom

det troligtvis inte kommer ske över en natt så tror jag man kommer kunna

minska den arbetsgruppen allteftersom folk pensioneras och då ta in mer

och mer automatiserade fordon.

1.14 Framtida studier

Fortsatta studier man skulle kunna göra är att undersöka flera material,

samt göra mätningar från olika vinklar och mot olika formade ytor, samt

undersöka flera sammankopplade radarsensorer.

Andra undersökningar skulle kunna vara ifall det är möjligt att känna

igen olika material med hjälp av maskininlärning istället för att kolla på

relationen mellan amplitud och distans. Det skulle vara intressant att se

om det då kanske är möjligt att identifiera flera olika material och kanske

till och med kunna klassificera olika objekt. Man skulle då kunna

undersöka ifall det är möjligt genom att spara ett spektrogram för varje

objekt och sedan märka det med form och material. Sedan upprepar man

detta för flera olika objekt med olika material och olika former. Detta

skulle vara intressant att se eftersom en radar inte är beroende av ljus

vilket en kamera skulle vara för att förbättra möjligheten och kanske även

säkerheten då man ska lasta eller lossa från självkörande fordon.

Man skulle även kunna undersöka andra tekniker som till exempel Lidar,

eller se om man kan kombinera olika tekniker för att på så sätt detektera

olika objekt.



Marcus Eliasson

Referenser

2020-06-26

34

Referenser

[1] G. H. David Montgomery, ”Surface Classification with Millimeter-

Wave Radar For Constant Velocity Devices using Temporal

Features and Machine Learning,” Lund University, Lund, 2018.

[2] Uppslagsverket, ”Radar,” [Online]. Available:

https://www.ne.se/uppslagsverk/encyklopedi/l%C3%A5ng/radar/hi

storik. [Använd 25 06 2020].

[3] R. M. N. I. B. a. R. C. Huiyuan Zhou, Radar for Disease Detection

and Monitoring, Boca Raton, FL: CRC Press, 2017.

[4] Acconeer AB, ”Overview of the deep learning interface,” Acconeer

AB Revision, [Online]. Available: https://acconeer-python-

exploration.readthedocs.io/en/latest/deep_learning/introduction.ht

ml. [Använd 20 05 2020].

[5] Scania, ”SCANIA TAR TÄTEN,” 01 2017. [Online]. Available:

https://www.scania.com/se/sv/home/experience-scania/news-and-

events/News/archive/2017/01/svenska-laengdskidlandslaget-aker-

hallbart-med-scania1.html.

[6] Trafikverket, ”Transportsektorns utsläpp,” 13 02 2019. [Online].

Available: https://www.trafikverket.se/for-dig-i-branschen/miljo---

for-dig-i-branschen/energi-och-klimat/Transportsektorns-utslapp/.

[Använd 09 05 2020].

[7] Trafikverket, ”Det här är Nollvisionen,” 15 01 2020. [Online].

Available: https://www.trafikverket.se/resa-och-

trafik/Trafiksakerhet/det-har-ar-nollvisionen/. [Använd 09 05 2020].

[8] HIAB, ”UltraSonic Sensor for Obstacle Detection,” HIAB,

Hudiksvall, 2020.

[9] X. D. C. A. J. T. Zhaoyu Zhang, ”Material Identification of multiple

Objects with a 24-Ghz Band Radar Module,” 2018 3rd International

Conference for Convergence in Technology (I2CT), pp. 1-5, 06-08 04

2018.

[10] Acconeer, ”A111 – Pulsed Coherent Radar (PCR),” 15 01 2020.

[Online]. Available:

https://developer.acconeer.com/download/a111-datasheet-pdf/.

[Använd 16 05 2020].

[11] B. B. R. Boström, ”Radiovågor,” Nationalencyklopedin, 14 05 2020.


https://www.ne.se/uppslagsverk/encyklopedi/l%C3%A5ng/radiov

%C3%A5gor. [Använd 14 05 2020].



Marcus Eliasson

Referenser

2020-06-26

35

[12] Nationalencyklopedin, ”elektromagnetiska vågor,” 14 05 2020.


http://www.ne.se/uppslagsverk/encyklopedi/lång/elektromagnetisk

a-vågor. [Använd 14 05 2020].

[13] Acconner, ”Radar sensor introduction,” 14 05 2020. [Online].

Available: https://acconeer-python-

exploration.readthedocs.io/en/latest/sensor_introduction.html#syst

em-overview. [Använd 14 05 2020].

[14] erikmansson, ”GitHub - Acconeer Python Exploration Tool,”

[Online]. Available: https://github.com/acconeer/acconeer-python-

exploration. [Använd 21 05 2020].

[15] Acconeer, ”Services,” Acconeer AB Revision, [Online]. Available:

https://acconeer-python-

exploration.readthedocs.io/en/latest/services/index.html. [Använd

21 05 2020].

[16] Acconeer, ”Envelope,” 2020. [Online]. Available: https://acconeer-

python-

exploration.readthedocs.io/en/latest/services/envelope.html.

[Använd 24 05 2020].



Marcus Eliasson

Bilaga Programkod

2020-06-26

36

Bilaga Programkod All programkod till projektet och instruktioner för Acconeer Exploration

Tool hittas under:

https://github.com/acconeer/acconeer-python-exploration

https://github.com/acconeer/acconeer-python-exploration



Marcus Eliasson

Bilaga A

2020-06-26

37

Bilaga A Rådata från kontrollmätning av distans för ”Person” och ”Plåt” gjord

med Radar och måttband.

Person:

Avstånd uppmätt med

Måttband [m]:


Radar [m] 0,20 0,211

0,40 0,369

0,60 0,612

0,80 0,789

1,00 0,989

1,20 1,198

1,40 1,398

1,60 1,585

1,80 -----

2,00 -----



Marcus Eliasson

Bilaga A

2020-06-26

38

Plåt:


Måttband [m]:


Radar [m] 0,20 0,232

0,40 0,402

0,60 0,608

0,80 0,815

1,00 1,021

1,20 1,210

1,40 1,417

1,60 1,600

1,80 1,802

2,00 2,001

2,20 2,207

2,40 2,408

2,60 2,609

2,80 2,820

3,00 3,026

3,20 3,236

3,40 3,433

3,60 3,623

3,80 3,822

4,00 4,021

4,20 4,223

4,40 4,420

4,60 4,624

4,80 4,818

5,00 ------

5,20 ------



Marcus Eliasson

Bilaga B

2020-06-26

39

Bilaga B Resultat från mätning av detektionsområde

Detektionsområdet för E-fältet mot person

Distans från radar

[m]

Sträcka mellan

mätpunkter [m] 0,5 0,7

1,0 0,4

1,5 0,3

2,0 ----

Detektionsområdet för E-fältet mot plåt

Distans från radar

[m] Sträcka mellan


1,0 1,9

1,5 2,8

2,0 3,7

Detektionsområdet för H-fältet mot person

Distans från radar

[m] Sträcka mellan


1,0 0,6

1,5 0,4

2,0 ----

Detektionsområdet för H-fältet mot plåt

Distans från radar

[m] Sträcka mellan


1,0 1,8

1,5 2,4

2,0 3,0



Marcus Eliasson

Bilaga C

2020-06-26

40

Bilaga C Rådata från mätning av amplitud hos den reflekterade radarsignalen med

avseende på avståndet för “Person1” ”Person2” och ”Plåt”

1.15 Person1

Distans [m] Amplitud 1,406 306

1,406 250

1,406 196

1,406 214

1,406 270

1,358 352

1,358 214

1,358 214

1,358 158

1,358 220

1,257 296

1,257 258

1,257 228

1,257 254

1,257 284

1,173 284

1,173 276

1,173 290

1,173 276

1,173 218

0,996 330

0,996 304

0,996 294

0,996 384

0,996 304

0,928 386

0,928 612

0,928 444

0,928 412

0,928 356

0,750 444

0,750 502

0,750 398



Marcus Eliasson

Bilaga C

2020-06-26

41

0,750 702

0,750 374

0,656 610

0,656 586

0,650 662

0,656 770

0,656 646

0,512 1154

0,512 516

0,512 1482

0,512 1158

0,512 880

0,431 888

0,431 1472

0,431 1042

0,431 1850

0,431 1030

0,380 1118

0,380 1244

0,380 1536

0,380 1470

0,380 1184



Marcus Eliasson

Bilaga C

2020-06-26

42

1.16 Person2

Distans [m] Amplitud

1,467 296

1,467 160

1,467 224

1,467 236

1,467 206

1,357 202

1,357 216

1,357 252

1,357 274

1,357 214

1,243 272

1,243 258

1,423 260

1,423 234

1,423 198

1,166 402

1,166 280

1,166 206

1,166 318

1,166 388

1,122 246

1,122 286

1,122 202

1,122 434

1,122 290

1,029 468

1,029 286

1,029 330

1,029 412

1,029 528

0,939 318

0,939 226

0,939 328

0,939 728

0,939 350

0,876 450

0,876 430

0,876 314



Marcus Eliasson

Bilaga C

2020-06-26

43

0,876 414

0,876 404

0,762 302

0,762 596

0,762 332

0,762 532

0,762 754

0,640 758

0,640 558

0,640 808

0,640 598

0,640 508

0,539 510

0,539 664

0,539 730

0,539 860

0,539 980

0,503 522

0,503 618

0,503 782

0,503 1052

0,503 728

0,418 1042

0,418 930

0,418 1156

0,418 610

0,418 930

0,349 1300

0,349 1222

0,349 1028

0,349 1042

0,349 1092



Marcus Eliasson

Bilaga C

2020-06-26

44

1.17 Plåt

Distans [m] Amplitud 2,124 916

2,124 892

2,124 938

2,124 874

2,124 868

2,050 1106

2,050 1084

2,050 1118

2,050 990

2,050 1128

1,990 1106

1,990 1056

1,990 1114

1,990 1148

1,990 1076

1,902 1192

1,902 1090

1,902 1096

1,902 1148

1,902 1064

1,856 1120

1,856 1164

1,856 1256

1,856 1140

1,856 1150

1,713 1362

1,713 1324

1,713 1334

1,713 1242

1,713 1412

1,569 1108

1,569 1190

1,569 1214

1,569 1214

1,569 1204

1,488 1316

1,488 1222

1,488 1306



Marcus Eliasson

Bilaga C

2020-06-26

45

1,488 1236

1,488 1216

1,429 1398

1,429 1406

1,429 1346

1,429 1530

1,429 1288

1,342 1436

1,342 1404

1,342 1406

1,342 1384

1,342 1240

1,227 1668

1,227 1800

1,227 1970

1,227 1928

1,227 1780

1,140 1856

1,140 1726

1,140 2018

1,140 2058

1,140 1880

1,079 1842

1,079 1768

1,079 2056

1,079 2100

1,079 1770

1,015 1932

1,015 2014

1,015 1892

1,015 2148

1,015 1956

0,944 2128

0,944 2180

0,944 2120

0,944 1972

0,944 2422

0,898 2286

0,898 2488

0,898 2386

0,898 2416



Marcus Eliasson

Bilaga C

2020-06-26

46

0,898 2232

0,809 2906

0,809 2564

0,809 2520

0,809 2748

0,809 2584

0,702 2988

0,702 2732

0,702 2640

0,702 2766

0,702 2948

0,622 3396

0,622 3714

0,622 3496

0,622 3614

0,622 3736

0,531 3906

0,531 4180

0,531 4384

0,531 4370

0,531 4328

0,451 4572

0,451 4574

0,451 4644

0,451 4564

0,451 4802

0,370 5354

0,370 4852

0,370 5070

0,370 5372

0,370 5156

0,321 6384

0,321 6010

0,321 5552

0,321 5852

0,321 5432

Documents

Radaranvändning för identifiering och lokalisering …1449661/...Radaranvändning för identifiering och lokalisering av olika material Marcus Eliasson Abstract 2020-06-26 iv Abstract