DE102018216172A1 - Method for automatically generating a label for training a self-learning system and motor vehicle - Google Patents
Method for automatically generating a label for training a self-learning system and motor vehicle Download PDFInfo
- Publication number
- DE102018216172A1 DE102018216172A1 DE102018216172.0A DE102018216172A DE102018216172A1 DE 102018216172 A1 DE102018216172 A1 DE 102018216172A1 DE 102018216172 A DE102018216172 A DE 102018216172A DE 102018216172 A1 DE102018216172 A1 DE 102018216172A1
- Authority
- DE
- Germany
- Prior art keywords
- label
- sensor
- self
- module
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
Es wird ein Verfahren zum automatischen Erzeugen eines Labels (10) zum Trainieren eines selbstlernenden Systems (12) angegeben, bei dem jeweils ein Sensorsignals (S,S) mit Hilfe von zumindest zwei Sensoreinheiten (6a,6b) zu einer gleichen realen Situation erzeugt wird und für das erzeugte Label (10) unterschiedlichen Informationen aus den zwei Sensoreinheiten (6a,6b) herangezogen werden.The invention relates to a method for automatically generating a label (10) for training a self-learning system (12), in which a sensor signal (S, S) is generated with the help of at least two sensor units (6a, 6b) for the same real situation and different information from the two sensor units (6a, 6b) is used for the label (10) generated.
Description
Die Erfindung betrifft ein Verfahren zum automatischen Erzeugen eines Labels zum Trainieren eines selbstlernenden Systems sowie ein Kraftfahrzeug.The invention relates to a method for automatically generating a label for training a self-learning system and a motor vehicle.
Um selbstlernende Systeme, insbesondere auf künstlicher Intelligenz basierende selbstlernende Systeme zu trainieren, werden sogenannte Labels herangezogen. Unter den Labels werden vorzugsweise Datenpaare verstanden, die zum einen ein bekanntes Inputsignal und weiterhin ein bekanntes Outputsignal enthalten. Unter Label ist daher eine Zuordnung einer Eingangsinformation zu einer Ausgangsinformation zu verstehen. Um das selbstlernende System zu trainieren wird diesem beispielsweise das bekannte Inputsignal sowie das bekannte Outputsignal vorgegeben, sodass sich das selbstlernende System beispielsweise hinsichtlich einer Signalverarbeitung derart anlernt, dass bei einer Eingabe des Inputsignals aufgrund der Signalverarbeitung das Outputsignal generiert wird.So-called labels are used to train self-learning systems, in particular self-learning systems based on artificial intelligence. The labels are preferably understood to mean data pairs which contain a known input signal and a known output signal. Label is therefore to be understood as an assignment of input information to output information. In order to train the self-learning system, the known input signal and the known output signal are predefined for it, for example, so that the self-learning system learns, for example with regard to signal processing, in such a way that when the input signal is input, the output signal is generated due to the signal processing.
Insbesondere vor dem Hintergrund, einen Nutzer des selbstlernenden Systems zufriedenzustellen, werden heutzutage immer größere Anforderungen an selbstlernende Systeme und somit auch an Labels gestellt. Die Erzeugung der Labels, insbesondere hochqualitativer Labels, ist somit kosten- und zeitintensiv.Especially against the background of satisfying a user of the self-learning system, ever increasing demands are placed on self-learning systems and therefore also on labels. The creation of the labels, especially high-quality labels, is therefore costly and time-consuming.
Es gibt bei der Erzeugung der Labels die Methode, diese mittels einer Simulation zu generieren. Hierbei ist der Nachteil, dass hierbei eine sogenannte Simulations-Realitäts-Lücke entsteht. Unter der Simulations-Realitäts-Lücke wird hierbei verstanden, dass die simulierten Labels mitunter nicht immer in der Realität anwendbar sind und/oder nicht immer die Realität widerspiegeln, sodass sich das selbstlernende System realitätsnah trainieren lassen würde.When creating the labels, there is the method of generating them using a simulation. The disadvantage here is that this creates a so-called simulation-reality gap. The simulation-reality gap is understood here to mean that the simulated labels are sometimes not always applicable in reality and / or do not always reflect reality, so that the self-learning system could be trained in a realistic manner.
Eine zweite bekannte Methode ist eine manuelle Erzeugung der Labels. Unter der manuellen Erzeugung wird hierbei verstanden, dass, beispielsweise durch Personen manuell diese Labels erzeugt werden. Diese zweite Methode hat jedoch ebenso den Nachteil, dass sie kosten- und zeitintensiv ist.A second known method is the manual creation of the labels. Manual generation is understood to mean that these labels are generated manually, for example by people. However, this second method also has the disadvantage that it is costly and time-consuming.
Üblicherweise erfolgt eine Labelerzeugung gemäß einer dritten Methode durch Unternehmen, die auf die Erzeugung von Labels spezialisiert ist. Hierbei werden von dem Auftraggeber bereits vorhandene Daten zu dem Unternehmen transferiert, die dann zu Labels „weiterverarbeitet“ werden. Die Übermittlung der Daten an das Unternehmen ist jedoch teilweise komplex und mit einem erheblichen Zeit- und Kostenaufwand verbunden.Usually, a third method is used to generate labels by companies that specialize in the creation of labels. Existing data is transferred from the client to the company, which is then "processed" into labels. However, the transmission of the data to the company is sometimes complex and involves a considerable amount of time and money.
Ausgehend hiervon liegt der Erfindung die Aufgabe zugrunde, die Erzeugung von Labels zum Trainieren eines selbstlernenden Systems einfach und kostengünstig zu realisieren.Proceeding from this, the object of the invention is to implement the generation of labels for training a self-learning system simply and inexpensively.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zum automatischen erzeugen eines Labels mit den Merkmalen des Anspruchs 1. Das erzeugte Label dient herbei zum Trainieren eines selbstlernenden Systems. Vorteilhafte Ausgestaltungen, Weiterbildungen und Varianten sind Gegenstand der Unteransprüche.The object is achieved according to the invention by a method for automatically generating a label with the features of claim 1. The label generated is used for training a self-learning system. Advantageous refinements, developments and variants are the subject of the dependent claims.
Bei dem selbstlernenden System handelt es sich vorzugsweise um ein auf einer künstlichen Intelligenz (K I) basierendes SystemThe self-learning system is preferably a system based on an artificial intelligence (K I)
In einem ersten Schritt des Verfahrens wird mithilfe von zumindest zwei Sensoreinheiten jeweils ein Sensorsignal zu einer gleichen realen Situation erzeugt. Unter der realen Situation wird hierbei z.B. eine Alltagssituation verstanden, in der das selbstlernende System aktiv ist und Informationen sammelt. Unter „gleich“ wird hierbei verstanden, dass die beiden Sensoreinheiten das jeweilige Sensorsignal zu ein und derselben realen Situation, beispielsweise zu einem gleichen Zeitpunkt erzeugen. Mit anderen Worten liegen somit zu der einen gleichen realen Situation zwei verschiedene Sensorsignale vor.In a first step of the method, at least two sensor units are used to generate a sensor signal relating to the same real situation. Under the real situation, e.g. understood an everyday situation in which the self-learning system is active and collects information. “Equal” here means that the two sensor units generate the respective sensor signal at one and the same real situation, for example at the same time. In other words, there are two different sensor signals for the same real situation.
Weiterhin werden mehrere Module zur Bearbeitung der Sensorsignale bereitgestellt, wobei zumindest eines der Module als ein selbstlernendes System ausgebildet ist. Vorzugsweise sind alle Module als selbstlernende Systeme ausgebildet. Weiterhin handelt es sich bei den selbstlernenden Systemen bevorzugt um die zu trainierenden selbstlernenden Systeme.Furthermore, several modules are provided for processing the sensor signals, at least one of the modules being designed as a self-learning system. All modules are preferably designed as self-learning systems. Furthermore, the self-learning systems are preferably the self-learning systems to be trained.
In einem zweiten Verfahrensschritt wird anschließend zumindest eines der Sensorsignale als ein Inputsignal an ein Modul übermittelt.In a second method step, at least one of the sensor signals is then transmitted to an module as an input signal.
Anschließend werden durch das zumindest eine Modul Ausgangssignale erzeugt. Die Ausgangssignale enthalten hierbei aufbereitete Informationen zu der realen Situation und werden auf Basis des jeweils übermittelten Sensorsignals erzeugt. Unter den aufbereiteten Informationen werden hierbei speziell Informationen zu der realen Situation verstanden, die aus den in den Sensorsignalen enthaltenen Informationen extrahiert wurden. Hierbei handelt es sich beispielsweise um physikalische Größen von Objekten, wie beispielsweise Abmessungen, welche von den Sensoreinheiten erfasst werden, oder z.B. Umgebungsbedingungen, wie beispielsweise eine Temperatur oder Helligkeit.Output signals are then generated by the at least one module. The output signals contain processed information on the real situation and are generated on the basis of the sensor signal transmitted in each case. The processed information is understood to mean specifically information about the real situation that has been extracted from the information contained in the sensor signals. These are, for example, physical quantities of objects, such as dimensions, which are detected by the sensor units, or e.g. Ambient conditions, such as temperature or brightness.
Anschließend wird in einem nächsten Verfahrensschritt ein Label erzeugt. Hierzu sind zwei mögliche Fälle vorgesehen:
- Im Fall a) erfolgt die Labelerzeugung derart, dass die Sensorsignale von zumindest zwei Sensoreinheiten an ein Modul übermittelt werden und auf Basis des Ausgangssignals dieses Moduls das Label erzeugt wird.
- Im Fall b) erfolgt die Erzeugung des Labels derart, dass die aufbereiteten Informationen von zumindest zwei Modulen, die jeweils Sensorsignale von zwei unterschiedlichen Sensoreinheiten erhalten haben, zusammengeführt werden..Auf Basis der zusammengeführten Informationen wird anschließend das Label erzeugt. Unter den zusammengeführten Informationen werden hierbei die aufbereiteten Informationen von zumindest zwei Modulen verstanden, die zusammen für die Erzeugung des Labels herangezogen werden. Unter unterschiedliche Sensoreinheiten werden Sensoreinheiten verstanden, welche auf unterschiedlichen Messprinzipien beruhen und somit bei einer identischen realen Situation einen unterschiedlichen Informationsgehalt aufweisen, also beispielsweise unterschiedliche Arten von Informationen.
- In case a), the label is generated in such a way that the sensor signals are transmitted from at least two sensor units to a module and the label is generated on the basis of the output signal of this module.
- In case b) the label is generated in such a way that the processed information from at least two modules, each of which has received sensor signals from two different sensor units, is combined. The label is then generated on the basis of the combined information. The merged information here means the processed information from at least two modules, which are used together to generate the label. Different sensor units are understood to mean sensor units which are based on different measurement principles and thus have a different information content in an identical real situation, for example different types of information.
Für das - insbesondere nach Fall b) erzeugte - Label werden somit unterschiedliche Informationen aus zwei Sensoreinheiten zur Erzeugung des Labels herangezogen.
Die aufbereiteten Informationen werden hierbei als Ausgangssignale der Module bevorzugt an einen Label-Generator übermittelt, welcher dann aus diesen das Label erzeugt. Der Label-Generator verknüpft somit die zusammengeführten Informationen zu einem bekannten Inputsignal und einem bekannten Outputsignal.Different information from two sensor units is thus used to generate the label for the label generated in particular according to case b).
The processed information is preferably transmitted as output signals from the modules to a label generator, which then generates the label from these. The label generator thus combines the merged information into a known input signal and a known output signal.
In einem letzten Verfahrensschritt werden die erzeugten Labels zum Trainieren des selbstlernenden Systems bereitgestellt. Hierzu werden diese beispielsweise auf einem internen Speicher des selbstlernenden Systems hinterlegt. Alternativ hierzu sind die Labels auf einem netzwerkbasierenden Speicher, beispielsweise einer Cloud, hinterlegt.In a last process step, the labels generated are provided for training the self-learning system. For this purpose, these are stored, for example, on an internal memory of the self-learning system. As an alternative to this, the labels are stored on a network-based storage, for example a cloud.
Durch die Erzeugung der Labels auf Basis der seitens der Module generierten Ausgangssignale ist eine insbesondere einfache und kostengünstige Erzeugung von Labels zum Trainieren des selbstlernenden Systems erreicht. D. h. es kann auf eine Hinzuziehung eines (externen) Unternehmens zur Generierung der Labels verzichtet werden. Weiterhin ist hierdurch erreicht, dass das selbstlernende System „seine“ Labels selbst generiert, wodurch weiterhin ein Kosten- und Zeitfaktor vorteilhaft optimiert ist. Mit anderen Worten wird hierbei der eigentliche Betrieb des selbstlernenden Systems genutzt, um aus diesem Daten für die Erzeugung der Label zu sammeln und diese dann auch für die Generierung der Labels heranzuziehen. D.h. das selbstlernende System trainiert sich aufgrund selbstgenerierter Labels selbst.By generating the labels on the basis of the output signals generated by the modules, a particularly simple and inexpensive generation of labels for training the self-learning system is achieved. That is, there is no need to involve an (external) company to generate the labels. This also means that the self-learning system generates “its” labels itself, which means that a cost and time factor is advantageously optimized. In other words, the actual operation of the self-learning system is used to collect data from this for the generation of the labels and then to use this for the generation of the labels. I.e. the self-learning system trains itself based on self-generated labels.
Gemäß einer bevorzugten Ausgestaltung ist im Fall a) der Labelerzeugung das Modul zur Erzeugung der aufbereiteten Informationen als ein herkömmliches Datenverarbeitungsprogramm ausgebildet. Der Vorteil hierbei ist, dass auf Standardprogramme bei der Erzeugung der aufbereiteten Informationen zurückgegriffen werden kann. Speziell handelt es sich bei dem herkömmlichen Datenverarbeitungsprogramm nicht um ein selbstlernendes System. Alternativ oder ergänzend ist ebenfalls im Fall b) der Erzeugung der Labels ein herkömmliches Datenverarbeitungsprogramm verwendbar.According to a preferred embodiment, in the case of a) label generation, the module for generating the processed information is designed as a conventional data processing program. The advantage here is that standard programs can be used to generate the processed information. In particular, the conventional data processing program is not a self-learning system. Alternatively or additionally, a conventional data processing program can also be used in case b) of the generation of the labels.
Das erfindungsgemäße Verfahren ist ein computerimplementiertes Verfahren, bei dem sämtliche Verfahrensschritte bis auf die Erzeugung der Sensorsignale und die Übermittlung dieser an die jeweiligen Module auf einer Datenverarbeitungseinheit ablaufen.The method according to the invention is a computer-implemented method in which all method steps except for the generation of the sensor signals and the transmission of these to the respective modules run on a data processing unit.
Gemäß einer besonders bevorzugten Weiterbildung, handelt es sich bei dem selbstlernenden System um ein neuronales Netz. D. h. somit ist auch zumindest eines der Module als ein neuronales Netz ausgebildet. Insbesondere sind alle Module als ein derartiges selbstlernendes System, insbesondere als ein neuronales Netz ausgebildet. Unter dem neuronalen Netz wird hierbei allgemein ein künstliches neuronales Netz (KNN) zur Daten- und Informationsverarbeitung z.B. verstanden.According to a particularly preferred development, the self-learning system is a neural network. That is, thus at least one of the modules is also designed as a neural network. In particular, all modules are designed as such a self-learning system, in particular as a neural network. In general, an artificial neural network (KNN) for data and information processing, e.g. Understood.
Das erzeugte Label wird hierbei als eine Trainingsdatei für die Module und somit die neuronalen Netze herangezogen. Der Vorteil hierbei ist, wie bereits erwähnt, dass die neuronalen Netze somit im eigentlichen Betrieb die Label erzeugen und auf aufwändige Methoden zur Labelerzeugung verzichtet werden kann. Unter der Trainingsdatei wird hierbei eine Datei (insbeondere das Label) verstanden, die dem selbstlernenden System beispielsweise während eines Trainingsmodus zugespielt wird und das selbstlernende System seinen Datenverarbeitungsalgorithmus anhand der Trainingsdatei selbst anpasst und somit lernt.The generated label is used as a training file for the modules and thus the neural networks. The advantage here, as already mentioned, is that the neural networks thus generate the labels in actual operation and there is no need for complex methods for generating labels. The training file is understood here to mean a file (in particular the label) which is fed to the self-learning system, for example during a training mode, and which the self-learning system adapts its data processing algorithm based on the training file and thus learns.
Zweckdienlicherweise handelt es sich bei den zumindest zwei Sensoreinheiten um unterschiedliche Sensoren zur Erzeugung von Umgebungsdaten. Beispielsweise ist eine der zumindest zwei Sensoreinheiten als eine Kamera zur Erzeugung von Bilddaten ausgebildet. Bei der anderen der zumindest zwei Sensoreinheiten handelt es sich beispielsweise um eine Radar-Sensoreinheit oder umeinen LiDAR-Sensor (Light Detection And Ranging-Sensor). Alternativ handelt es sich bei einer der zumindest zwei Sensoreinheiten um einen Ultraschall-Sensor.The at least two sensor units are expediently different sensors for generating environmental data. For example, one of the at least two sensor units is designed as a camera for generating image data. The other of the at least two sensor units is, for example, a radar sensor unit or a LiDAR sensor (Light Detection And Ranging Sensor). Alternatively one of the at least two sensor units is an ultrasonic sensor.
Der Vorteil hierbei ist, dass mittels der als Sensoren zur Erzeugung von Umgebungsdaten ausgebildeten Sensoreinheiten jeweils unterschiedliche Sensorsignale, vorliegend beispielsweise jeweils unterschiedliche Bildsignale (speziell bezüglich geometrischer Strukturen) zu der einen realen Situation erzeugt werden können. Derartige Umgebungsdaten sind mittels der bereits zuvor erwähnten Module, insbesondere mittels der selbstlernenden Systeme besonders einfach auszuwerten.The advantage here is that by means of the sensor units designed as sensors for generating environmental data, different sensor signals, in the present case, for example, different image signals (specifically with regard to geometric structures) can be generated for the one real situation. Such environmental data are particularly easy to evaluate using the modules already mentioned, in particular using the self-learning systems.
Gemäß einer bevorzugten Ausgestaltung wird im Fall a) das Label derart erzeugt, dass in einem ersten Schritt zunächst von dem Modul ein erstes Sensorsignal der einen Sensoreinheit, welche beispielsweise als Kamera zur Erzeugung eines 2D-Bildes ausgebildet, ist hinsichtlich einer ersten Information ausgewertet wird. Bei der ersten Information handelt es sich hierbei insbesondere um eine der bereits erwähnten aufbereiteten Informationen. Speziell handelt es sich bei der ersten Information, beispielsweise um eine Breite und/oder eine Höhe eines sich innerhalb des von der Kamera erzeugten Bildsignals befindlichen Objekts. Unter dem Objekt wird hierbei beispielsweise ein Mensch oder ein Fahrzeug verstanden.According to a preferred embodiment, in case a) the label is generated in such a way that, in a first step, a first sensor signal from the one sensor unit, which is designed, for example, as a camera for generating a 2D image, is first evaluated by the module with regard to first information. The first piece of information is in particular one of the previously prepared information. The first piece of information is, in particular, a width and / or a height of an object located within the image signal generated by the camera. In this context, the object is understood to mean, for example, a person or a vehicle.
In einem zweiten Schritt wird von dem Modul ein zweites Sensorsignal der zweiten Sensoreinheit hinsichtlich einer zweiten Information ausgewertet. Bei der zweiten Sensoreinheit handelt es sich hierbei um eine als Bildsensor zur Erzeugung von 3D-Bilddaten ausgebildeten Sensoreinheit. Eine derartige Sensoreinheit ist beispielsweise der bereits erwähnte LiDAR-Sensor. Die zweite Information ist ebenfalls Teil der bereits erwähnten aufbereiteten Informationen und beispielsweise eine Tiefe des bereits von der einen Sensoreinheit erfassten Objekts. Mit anderen Worten wird hierbei in zwei Schritten beispielsweise zunächst von der einen Sensoreinheit, welche als Kamera ausgebildet ist ein Kraftfahrzeug erfasst und die Breite sowie Höhe als erste Information bestimmt und ausgewertet. Von der zweiten Sensoreinheit, welche als Bildsensor ausgebildet ist wird anschließend eine Tiefe (geometrisch betrachtet die Länge des Kraftfahrzeugs) des Objektes bestimmt und ausgewertet.In a second step, the module evaluates a second sensor signal from the second sensor unit with regard to second information. The second sensor unit is a sensor unit designed as an image sensor for generating 3D image data. Such a sensor unit is, for example, the already mentioned LiDAR sensor. The second piece of information is also part of the previously prepared information and, for example, a depth of the object already detected by the one sensor unit. In other words, in two steps, for example, a motor unit is initially detected by the one sensor unit, which is designed as a camera, and the width and height are determined and evaluated as first information. A depth (geometrically, the length of the motor vehicle) of the object is then determined and evaluated by the second sensor unit, which is designed as an image sensor.
Die beiden ausgewerteten Informationen (zum einen Breite und Höhe als eine Information und zum anderen die Tiefe des Objektes) werden anschließend zur Erzeugung des Labels zusammengeführt. Das Label weist somit nach Art eines Datenpaares diese beiden Informationen auf, sodass das selbstlernende System anhand dieser Informationen trainiert werden kann. Anhand der Label kann somit das selbstlernende System erkennen, welche (üblicherweise) Ausmaße ein derartiges Objekt, speziell das Kraftfahrzeug aufweist und nachfolgend derartige Objekte als Kraftfahrzeuge identifizieren.The two evaluated information (on the one hand width and height as information and on the other hand the depth of the object) are then combined to create the label. The label thus has these two pieces of information in the manner of a pair of data, so that the self-learning system can be trained on the basis of this information. On the basis of the labels, the self-learning system can thus recognize the (usually) dimensions of such an object, especially the motor vehicle, and subsequently identify such objects as motor vehicles.
Durch diese Methode ist insbesondere die Erzeugung von Labeln mit mehreren Informationen, und somit mehreren Sachverhalten erreicht. Mit anderen Worten kann eine neue Informationen (beispielsweise die Tiefen-Information der zweiten Sensoreinheit) der ersten Information (Höhe und Breite des Objektes) hinzugefügt werden, sodass das Label insgesamt mehr Informationen enthält und somit zu einem besseren Training des selbstlernenden Systems führt.With this method, in particular the creation of labels with multiple information and thus multiple issues is achieved. In other words, new information (for example the depth information of the second sensor unit) can be added to the first information (height and width of the object) so that the label contains more information overall and thus leads to better training of the self-learning system.
Beispiele für neuronale Netze, die derartige Label erzeugen sind Mask R-CNN oder Faster R-CNN.Examples of neural networks that generate such labels are Mask R-CNN or Faster R-CNN.
Alternativ oder ergänzend werden die Label wie folgt erzeugt und für ein Training des selbstlernenden Systems herangezogen:
- Zunächst werden zwei unterschiedliche Sensoreinheiten bereitgestellt, wobei jeder Sensoreinheit ein Modul zugeordnet ist, welches als ein selbstlernendes System ausgebildet ist.
- First, two different sensor units are provided, with each sensor unit being assigned a module which is designed as a self-learning system.
In einem ersten Verfahrensschritt wird mittels der zwei Sensoreinheiten jeweils ein Sensorsignal zu einer gleichen realen Situation erzeugt. Unter der gleichen realen Situation wird hierbei beispielsweise die bereits vorstehend erwähnte reale Situation verstanden.In a first method step, the two sensor units each generate a sensor signal relating to the same real situation. The same real situation is understood here to mean, for example, the real situation already mentioned above.
In einem weiteren Verfahrensschritt wird zumindest eines der Sensorsignale an ein Modul übermittelt. Das Modul bzw. die bereits erwähnten Module sind hierbei zur Bearbeitung der Sensorsignale ausgebildet.In a further method step, at least one of the sensor signals is transmitted to a module. The module or the modules already mentioned are designed to process the sensor signals.
Anschließend wird durch die Module ein jeweiliges Ausgangssignal erzeugt, wobei die Ausgangssignale aufbereitete Informationen zu der realen Situation enthalten. Unter den aufbereiteten Informationen wird hierbei beispielsweise eine Länge und oder eine Breite eines Objektes, zum Beispiel eines Fahrzeuges verstanden.A respective output signal is then generated by the modules, the output signals containing processed information about the real situation. The processed information is understood here to mean, for example, a length and or a width of an object, for example a vehicle.
Auf Basis der von den Modulen erzeugten Ausgangsignalen werden anschließend zumindest zwei Labels erzeugt, wobei das eine Label Informationen der ersten Sensoreinheit und das andere Leben Informationen der zweiten Sensoreinheit enthält. Das jeweils von dem einen Modul erzeugte Label wird dann als Trainingsdatei für das jeweils andere Modul herangezogen. Mit anderen Worten trainieren sich die beiden Module gegenseitig, insbesondere mittels der von ihnen erzeugten Labels. So wird beispielsweise ein auf Basis eines von einer Kamera aufgenommenen 2D-Bildes erstelltes Labels als eine Trainingsdatei für ein Modul eines LiDAR-Sensors verwendet und umgekehrt. Diese Art des Trainierens wird auch als „Tandem Learning“ bezeichnet. Die jeweilige Erzeugung der Labels und dass sich daran anschließende gegenseitige Trainieren der jeweiligen Module erfolgt gemäß einer bevorzugten Weiterbildung jeweils nach einem Fahrtabschnitt oder nach einer definierten Fahrtdauer.On the basis of the output signals generated by the modules, at least two labels are then generated, one label containing information from the first sensor unit and the other life containing information from the second sensor unit. The label generated by one module is then used as a training file for the other module. In other words, the two modules train each other, particularly using the labels they create. For example, a label created on the basis of a 2D image recorded by a camera is used as a training file for a module of a LiDAR sensor used and vice versa. This type of training is also known as "tandem learning". The respective generation of the labels and that subsequent mutual training of the respective modules takes place according to a preferred further development in each case after a journey section or after a defined journey time.
Hierzu wird bevorzugt das selbstlernende System, welches trainiert werden soll, in einem Kraftfahrzeug verwendet. Unter dem Fahrtabschnitt wird hierbei beispielsweise eine Fahrt ausgehend von einem Stillstand (mit ausgeschaltetem Motor) bis zu einem erneuten Ausschalten des Motors und somit Stillstand des Fahrzeuges verstanden. Beispielsweise eine Fahrt von einer Wohnung bis auf eine Arbeitsstätte. Unter der definierten Fahrtdauer wird hierbei verstanden, dass eine Zeitdauer, beispielsweise 2 Stunden vorgegeben wird, in der die Labels erzeugt werden und anschließend das Trainieren mittels der erzeugten Labels erfolgt.For this purpose, the self-learning system that is to be trained is preferably used in a motor vehicle. The travel section is understood here to mean, for example, a journey from a standstill (with the engine switched off) to a renewed switch-off of the engine and thus a standstill of the vehicle. For example, a trip from an apartment to a place of work. The defined journey time is understood here to mean that a period of time, for example 2 hours, is specified in which the labels are generated and then the training takes place using the generated labels.
Diese alternative oder ergänzende Ausgestaltung hat den Vorteil, dass ein kontinuierlicher Verbesserungsprozess gewährleistet ist. D. h. während des bereits beschriebenen Fahrtabschnitts oder der definierten Fahrtdauer werden Daten zur Erzeugung der Labels gesammelt und die Labels erzeugt. Anschließend an den definierten Fahrtabschnitt oder die definierte Fahrtdauer erfolgt ein Trainieren des selbstlernenden Systems, d. h. der jeweiligen Module untereinander. Somit steht vor Antritt eines neuen Fahrtabschnitts oder einer definierten Fahrtdauer ein „verbessertes“ selbstlernendes System zur Verfügung, da dieses mit den zuvor generierten Labels trainiert und damit „upgedatet“ wurde.This alternative or additional configuration has the advantage that a continuous improvement process is guaranteed. That is, During the travel section already described or the defined travel duration, data for generating the labels is collected and the labels are generated. Subsequent to the defined journey section or the defined journey duration, the self-learning system is trained, i. H. of the respective modules with each other. This means that an "improved" self-learning system is available before the start of a new journey section or a defined journey duration, since this has been trained with the previously generated labels and thus "updated".
Bevorzugt ist das selbstlernende System Teil eines Assistenzsystems eines Kraftfahrzeuges. Hierbei handelt es sich bei dem Assistenzsystem beispielsweise um eine Einheit, zur kamerabasierten Gegenstandserkennung in einem zumindest teilautonom und vorzugsweise (voll-)autonom fahrenden Kraftfahrzeug. Durch das zuvor beschriebene Verfahren und die Verwendung des selbstlernenden Systems als Teil des Assistenzsystems ist eine deutliche und kontinuierliche Verbesserung dieses Assistenzsystems erreicht, wodurch eine Fahrsicherheit des zumindest teilautonom fahrenden Kraftfahrzeuges erhöht wird. Es werden beispielsweise Gegenstände, wie andere Kraftfahrzeuge oder Personen im Umfeld des Kraftfahrzeuges durch das selbstlernende System (kontinuierlich) verbessern erkannt.The self-learning system is preferably part of an assistance system of a motor vehicle. The assistance system is, for example, a unit for camera-based object recognition in an at least partially autonomous and preferably (fully) autonomous motor vehicle. The method described above and the use of the self-learning system as part of the assistance system achieve a significant and continuous improvement in this assistance system, thereby increasing driving safety of the at least partially autonomous motor vehicle. For example, objects such as other motor vehicles or people in the vicinity of the motor vehicle are (continuously) improved by the self-learning system.
Zudem kann, wie bereits erwähnt auf eine manuelle und somit kosten- und zeitintensive Generierung der Labels verzichtet werden, da diese nun durch das selbstlernende System selbst generiert werden und für das Training bereitgestellt werden.In addition, as already mentioned, manual and thus costly and time-consuming generation of the labels can be dispensed with, since these are now generated by the self-learning system itself and are made available for the training.
Die Aufgabe wird weiterhin erfindungsgemäß gelöst durch ein Kraftfahrzeug mit einer Steuerungseinheit mit den Merkmalen des Anspruchs 9. Das Kraftfahrzeug mit der Steuerungseinheit ist hierbei insbesondere zur Durchführung des vorstehend beschriebenen Verfahrens ausgebildet. Die im Hinblick auf das Verfahren aufgeführten Vorteile und bevorzugten Ausgestaltungen sind sinngemäß auf das Kraftfahrzeug zu übertragen und umgekehrt.The object is further achieved according to the invention by a motor vehicle with a control unit having the features of claim 9. The motor vehicle with the control unit is in this case in particular designed to carry out the method described above. The advantages and preferred configurations listed with regard to the method are to be applied analogously to the motor vehicle and vice versa.
Grundsätzlich ist das beschriebene Verfahren nicht auf eine Verwendung in einem Assistenzsystems eines Kraftfahrzeuges beschränkt. Vielmehr erstreckt sich eine Verwendbarkeit auf nahezu alle Vorrichtungen, die selbstlernende Systeme aufweisen und/oder nutzen, die auf Basis von Labeln trainiert werden (sollen).Basically, the method described is not limited to use in an assistance system of a motor vehicle. Rather, a usability extends to almost all devices that have and / or use self-learning systems that are (should) be trained on the basis of labels.
Ausführungsbeispiele der Erfindung werden nachfolgend anhand der Figuren näher erläutert. Diese zeigen in teilweise stark vereinfachter Darstellung:
-
1 ein schematisiertes Kraftfahrzeug mit einer Steuerungseinheit, die zur Durchführung eines Verfahrens zum automatischen Erzeugen eines Labels ausgebildet ist, -
2 ein skizziertes Blockschaltbild des Verfahrens zur Erzeugung des Labels gemäß Fall a), -
3 ein skizziertes Blockschaltbild des Verfahrens zur Erzeugung des Labels gemäß Fall b) sowie -
4 ein skizziertes Blockschaltbild des Verfahrens zur Erzeugung des Labels und des Trainings eines selbstlernenden Systems.
-
1 a schematic motor vehicle with a control unit which is designed to carry out a method for automatically generating a label, -
2nd a sketched block diagram of the method for generating the label according to case a), -
3rd a sketched block diagram of the method for generating the label according to case b) and -
4th a sketched block diagram of the method for generating the label and training a self-learning system.
In den Figuren sind gleichwirkende Teile stets mit den gleichen Bezugszeichen dargestellt.Parts with the same effect are always shown in the figures with the same reference symbols.
In
Die Steuerungseinheit
Durch das Modul
Das Ausgangssignal Sout wird anschließend von dem Modul
Eine derartige Trainingsmethode wird auch als „Supervised Learning“ bezeichnet. Alternativ oder ergänzend ist auch eine Trainingsmethode nach Art eines Reinforcement Learnings denkbar, bei dem das selbstlernende System
In
In
Die von den Sensoreinheiten
Die erzeugten Labels
Die Erzeugung der Sensorsignale
Die Erfindung ist nicht auf die vorstehend beschriebenen Ausführungsbeispiele beschränkt. Vielmehr können auch andere Varianten der Erfindung von dem Fachmann hieraus abgeleitet werden, ohne den Gegenstand der Erfindung zu verlassen. Insbesondere sind ferner alle im Zusammenhang mit den Ausführungsbeispielen beschriebenen Einzelmerkmale auch auf andere Weise miteinander kombinierbar, ohne den Gegenstand der Erfindung zu verlassen.The invention is not restricted to the exemplary embodiments described above. Rather, other variants of the invention can also be derived from this by the person skilled in the art without departing from the subject matter of the invention. In particular, all of the individual features described in connection with the exemplary embodiments can also be combined with one another in other ways without departing from the subject matter of the invention.
BezugszeichenlisteReference list
- 22nd
- KraftfahrzeugMotor vehicle
- 44th
- SteuerungseinheitControl unit
- 6a,b6a, b
- SensoreinheitSensor unit
- 88th
- AssistenzsystemAssistance system
- 10a,b10a, b
- LabelLabel
- 12a,b12a, b
- selbstlernendes Systemself-learning system
- 14a,b14a, b
- Modulmodule
- 16a,b16a, b
- Label-GeneratorLabel generator
- II.
- aufbereitete Informationprepared information
- Sa,Sb S a , S b
- SensorsignalSensor signal
- Sout,a,Sout,b S out, a , S out, b
- AusgangssignalOutput signal
Claims (10)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018216172.0A DE102018216172A1 (en) | 2018-09-21 | 2018-09-21 | Method for automatically generating a label for training a self-learning system and motor vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018216172.0A DE102018216172A1 (en) | 2018-09-21 | 2018-09-21 | Method for automatically generating a label for training a self-learning system and motor vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102018216172A1 true DE102018216172A1 (en) | 2020-03-26 |
Family
ID=69725575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018216172.0A Pending DE102018216172A1 (en) | 2018-09-21 | 2018-09-21 | Method for automatically generating a label for training a self-learning system and motor vehicle |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102018216172A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020211636A1 (en) | 2020-09-17 | 2022-03-17 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for providing data for creating a digital map |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017006155A1 (en) * | 2017-06-29 | 2017-12-21 | Daimler Ag | Method for operating a sensor system of a vehicle |
DE102016008218A1 (en) * | 2016-07-06 | 2018-01-11 | Audi Ag | Method for improved recognition of objects by a driver assistance system |
-
2018
- 2018-09-21 DE DE102018216172.0A patent/DE102018216172A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016008218A1 (en) * | 2016-07-06 | 2018-01-11 | Audi Ag | Method for improved recognition of objects by a driver assistance system |
DE102017006155A1 (en) * | 2017-06-29 | 2017-12-21 | Daimler Ag | Method for operating a sensor system of a vehicle |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020211636A1 (en) | 2020-09-17 | 2022-03-17 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for providing data for creating a digital map |
US11941892B2 (en) | 2020-09-17 | 2024-03-26 | Robert Bosch Gmbh | Method and device for providing data for creating a digital map |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018128289B4 (en) | METHOD AND DEVICE FOR AUTONOMOUS SYSTEM PERFORMANCE AND CLASSIFICATION | |
DE102014218050A1 (en) | Transition from autonomous vehicle control to driver control | |
DE102018206805B3 (en) | A method, apparatus and computer program for predicting a future movement of an object | |
DE102019203712B4 (en) | Method for training at least one algorithm for a control unit of a motor vehicle, computer program product, motor vehicle and system | |
DE102019131385A1 (en) | SAFETY AND PERFORMANCE STABILITY OF AUTOMATION THROUGH UNSECURITY-LEARNED LEARNING AND CONTROL | |
DE102018208763A1 (en) | Method, apparatus and computer program for operating a machine learning system | |
DE102019204139A1 (en) | Training for artificial neural networks with better utilization of the learning data sets | |
WO2020051618A1 (en) | Analysis of dynamic spatial scenarios | |
EP3782081B1 (en) | Method for generating a test data set, method for testing, method for operating a system, device, control system, computer program product, computer readable medium, generation and use | |
DE102021004426A1 (en) | Method for training an autonomous driving function | |
DE102018216172A1 (en) | Method for automatically generating a label for training a self-learning system and motor vehicle | |
EP3968213A1 (en) | Method for determining a track-bound railway track in a track system and device for carrying out this method | |
EP3748453A1 (en) | Method and device for automatically executing a control function of a vehicle | |
DE102020201931A1 (en) | Method for training at least one algorithm for a control unit of a motor vehicle, method for optimizing a traffic flow in a region, computer program product and motor vehicle | |
DE102019214931A1 (en) | Control of a vehicle | |
DE102018125712A1 (en) | Driving support method for a vehicle | |
WO2021245151A1 (en) | Unmonitored learning of a common presentation of data from sensors of different modality | |
DE102020203836A1 (en) | Method for determining a value of a controller variable | |
DE102019130484A1 (en) | Method and device for training an ensemble of neural networks | |
DE102021104077B3 (en) | Method, system and computer program product for the automated generation of traffic data | |
DE102013200932A1 (en) | Method for monitoring control function of engine control device of engine system of motor vehicle, involves determining comparison value by using mathematical numerical parametric model, particularly Gaussian model | |
DE102023105062A1 (en) | METHOD OR SYSTEM FOR USING HUMAN DRIVING CHARACTERISTICS IN AN AUTONOMOUS OR SEMI-AUTOMATIC DRIVING METHOD OR SYSTEM | |
DE102022202071A1 (en) | Method for providing data in a vehicle | |
DE102020201544A1 (en) | Processing of measurement data | |
DE102022000473A1 (en) | Method for training neural networks set up to control a vehicle function and a vehicle and system for carrying out the method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06K0009660000 Ipc: G06V0030194000 |