DE102019220206A1 - Training method for an artificial neural network - Google Patents

Training method for an artificial neural network Download PDF

Info

Publication number
DE102019220206A1
DE102019220206A1 DE102019220206.3A DE102019220206A DE102019220206A1 DE 102019220206 A1 DE102019220206 A1 DE 102019220206A1 DE 102019220206 A DE102019220206 A DE 102019220206A DE 102019220206 A1 DE102019220206 A1 DE 102019220206A1
Authority
DE
Germany
Prior art keywords
data
sensor
sensor data
objects
classified
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.)
Withdrawn
Application number
DE102019220206.3A
Other languages
German (de)
Inventor
Jannik Metzner
Daniel Fafula
Florian Maile
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZF Friedrichshafen AG
Original Assignee
ZF Friedrichshafen AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZF Friedrichshafen AG filed Critical ZF Friedrichshafen AG
Priority to DE102019220206.3A priority Critical patent/DE102019220206A1/en
Publication of DE102019220206A1 publication Critical patent/DE102019220206A1/en
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

Trainingsverfahren für ein künstliches neuronales Netzwerk, welches eingerichtet ist, Objekte in Sensordaten zu klassifizieren.Training method for an artificial neural network which is set up to classify objects in sensor data.

Description

GEBIET DER ERFINDUNGFIELD OF THE INVENTION

Die vorliegende Erfindung betrifft ein Trainingsverfahren für ein künstliches neuronales Netzwerk, welches eingerichtet ist, Objekte in Sensordaten zu klassifizieren.The present invention relates to a training method for an artificial neural network which is set up to classify objects in sensor data.

ZUSAMMENFASSUNG DER ERFINDUNGSUMMARY OF THE INVENTION

Demgemäß ist vorgesehen:

  • - ein Trainingsverfahren für ein künstliches neuronales Netzwerk, welches eingerichtet ist, Objekte in Sensordaten zu klassifizieren, mit den folgenden Schritten: Erfassen von ersten Sensordaten mittels eines ersten Sensors; Klassifizieren von Objekten in den ersten Sensordaten mittels eines ersten künstlichen neuronalen Netzwerks; Erfassen von zweiten Sensordaten mittels eines zweiten Sensors, wobei sich die Erfassungsbereiche des ersten Sensors und des zweiten Sensors überlappen; Klassifizieren von Objekten in den zweiten Sensordaten mittels eines zweiten künstlichen neuronalen Netzwerks, wobei die Objekte in den zweiten Sensordaten mit einer höheren Zuverlässigkeit klassifiziert sind, als Objekte in den ersten Sensordaten; Zuordnen von klassifizierten Objekten der ersten Sensordaten zu klassifizierten Objekten der zweiten Sensordaten für Sensordaten, die sich auf den überlappenden Erfassungsbereich beziehen; Speichern von klassifizierten Objekten der ersten Sensordaten, von, klassifizierten Objekten der zweiten Sensordaten, eines Zuordnungsergebnisses sowie der zugehörigen ersten Sensordaten und der zugehörigen zweiten Sensordaten in einer Datenstruktur, wobei die Datenstruktur ein geringeres Datenvolumen als die ersten und zweiten Sensordaten aufweist; Berichtigen der klassifizierten Objekte der ersten Sensordaten und/oder der zweiten Sensordaten für zugeordnete Objekte, die anhand der ersten Sensordaten anders klassifiziert worden sind als anhand der zweiten Sensordaten; Trainieren des ersten künstlichen neuronalen Netzwerks und/oder des zweiten künstlichen neuronalen Netzwerks aufgrund der berichtigten klassifizierten Objekte mittels Trainingsdaten.
Accordingly, it is provided:
  • a training method for an artificial neural network, which is set up to classify objects in sensor data, with the following steps: acquisition of first sensor data by means of a first sensor; Classifying objects in the first sensor data using a first artificial neural network; Acquisition of second sensor data by means of a second sensor, wherein the acquisition areas of the first sensor and the second sensor overlap; Classifying objects in the second sensor data by means of a second artificial neural network, the objects in the second sensor data being classified with a higher reliability than objects in the first sensor data; Assigning classified objects of the first sensor data to classified objects of the second sensor data for sensor data that relate to the overlapping detection area; Storing classified objects of the first sensor data, classified objects of the second sensor data, an assignment result and the associated first sensor data and the associated second sensor data in a data structure, the data structure having a smaller data volume than the first and second sensor data; Correcting the classified objects of the first sensor data and / or the second sensor data for assigned objects that have been classified differently on the basis of the first sensor data than on the basis of the second sensor data; Training the first artificial neural network and / or the second artificial neural network on the basis of the corrected classified objects by means of training data.

Ein Sensor, auch als Detektor, (Messgrößen- oder Mess-)Aufnehmer oder (Mess-)Fühler bezeichnet, ist ein technisches Bauteil, das bestimmte physikalische, chemische Eigenschaften oder Zustände, z. B. Temperatur, Feuchtigkeit, Druck, Geschwindigkeit, Helligkeit, Beschleunigung, pH-Wert, Ionenstärke, elektrochemisches Potential und/oder die stoffliche Beschaffenheit seiner Umgebung qualitativ oder als Messgröße quantitativ erfassen kann. Diese Größen werden mittels physikalischer oder chemischer Effekte erfasst und als Sensordaten in ein weiterverarbeitbares elektrisches Signal umgeformt. Fahrzeugsensoren sind an einem Fahrzeug montiert, um eine Fahrzeugumgebung zu erfassen. Sensordaten, die von Fahrzeugsensoren erfasst werden, sind fahrzeugumgebungsbezogene Sensordaten.A sensor, also known as a detector, (measured variable or measuring) pick-up or (measuring) sensor, is a technical component that has certain physical, chemical properties or states, e.g. B. temperature, humidity, pressure, speed, brightness, acceleration, pH value, ionic strength, electrochemical potential and / or the material nature of its environment qualitatively or quantitatively as a measured variable. These variables are recorded using physical or chemical effects and converted as sensor data into an electrical signal that can be processed further. Vehicle sensors are mounted on a vehicle in order to detect a vehicle environment. Sensor data that are recorded by vehicle sensors are sensor data related to the vehicle environment.

Ein Erfassungsbereich eines Sensors ist jener Bereich, zu dem Sensordaten erfasst werden. Bei optischen Sensoren ist der Erfassungsbereich also jener Bereich, der in Bilddaten abgebildet ist. Überschneiden sich die Erfassungsbereiche mehrerer Sensoren, spricht man von überlappenden Erfassungsbereichen.A detection area of a sensor is the area for which sensor data is recorded. In the case of optical sensors, the detection area is the area that is mapped in image data. If the detection areas of several sensors overlap, one speaks of overlapping detection areas.

In dieser Anmeldung wird unter einem Zuordnungsergebnis die Zuordnung verschiedener Sensordaten, also beispielsweise Radar- und Lidardaten, verstanden. Dementsprechend werden Radardaten oder Objekte in Radardaten Lidardaten oder Objekten in Lidardaten, die sich auf den gleichen Erfassungsbereich beziehen, zugeordnet. Das Zuordnungsergebnis kann z.B. gespeichert werden, indem Objekte der ersten Sensordaten mit zugeordneten Objekten der zweiten Sensordaten verknüpft werden oder indem Objekten der ersten (zweiten) Sensordaten eine Referenz zu zugehörigen Objekten der zweiten (ersten) Sensordaten hinzugefügt wird. Die Formulierung „zugeordnete Objekte“ ist in dieser Patentanmeldung eine Kurzschreibweise für Objekte mit einem Zuordnungsergebnis.In this application, an assignment result is understood to mean the assignment of various sensor data, for example radar and lidar data. Correspondingly, radar data or objects in radar data are assigned to lidar data or objects in lidar data that relate to the same detection area. The assignment result can be saved, for example, by linking objects of the first sensor data with assigned objects of the second sensor data or by adding a reference to associated objects of the second (first) sensor data to objects of the first (second) sensor data. In this patent application, the phrase “assigned objects” is an abbreviation for objects with an assignment result.

Eine Datenstruktur ist ein Objekt zur Speicherung und Organisation von Daten. Es handelt sich um eine Struktur, weil die Daten in einer bestimmten Art und Weise angeordnet und verknüpft werden, um den Zugriff auf sie und ihre Verwaltung effizient zu ermöglichen. Datenstrukturen sind nicht nur durch die enthaltenen Daten charakterisiert, sondern auch durch die Struktur der Daten. In dieser Patentanmeldung umfasst der Begriff Datenstruktur sowohl die Struktur einer Datei als auch deren enthaltene Daten.A data structure is an object for storing and organizing data. It is a structure because the data is arranged and linked in a certain way to enable efficient access to it and its management. Data structures are not only characterized by the data they contain, but also by the structure of the data. In this patent application, the term data structure includes both the structure of a file and the data it contains.

Ein künstliches neuronales Netzwerk (KNN, englisch artificial neural network - ANN) ist insbesondere ein in einem Rechenprogramm nachgebildetes Netzwerk aus vernetzten künstlichen Neuronen. Die künstlichen Neuronen sind dabei typischerweise auf verschiedenen Schichten (layers) angeordnet. Üblicherweise umfasst das künstliche neuronale Netzwerk eine Eingangsschicht und eine Ausgabeschicht (output layer), deren Neuronenausgabe als einzige des künstlichen neuronalen Netzwerks sichtbar wird. Zwischen der Eingangsschicht und der Ausgabeschicht liegende Schichten werden typischerweise als verdeckte Schichten (hidden layer) bezeichnet. Typischerweise wird zunächst eine Architektur bzw. Topologie eines künstlichen neuronalen Netzwerks initiiert und dann in einer Trainingsphase für eine spezielle Aufgabe oder für mehrere Aufgaben in einer Trainingsphase trainiert.An artificial neural network (ANN) is, in particular, a network of networked artificial neurons that is simulated in a computer program. The artificial neurons are typically arranged on different layers. The artificial neural network usually comprises an input layer and an output layer, the neuron output of which is the only one of the artificial neural network that is visible. Layers between the input layer and the output layer are typically referred to as hidden layers. Typically, an architecture or topology of an artificial neural network is first initiated and then in a training phase for trained for a specific task or for several tasks in one training phase.

Der Begriff „Topologie eines KNN“ umfasst sämtliche Aspekte bezüglich des Aufbaus eines KNN. Hierunter fallen beispielsweise die Anzahl der Neuronen des KNN, die Aufteilung der Neuronen auf die einzelnen Schichten des KNN, die Anzahl der Schichten eines KNN, die Vernetzung der Neuronen und die Gewichtung der Vernetzung.The term “topology of an ANN” encompasses all aspects relating to the structure of an ANN. This includes, for example, the number of neurons of the ANN, the division of the neurons into the individual layers of the ANN, the number of layers of an ANN, the networking of the neurons and the weighting of the networking.

Das Training des künstlichen neuronalen Netzwerks umfasst dabei typischerweise eine Veränderung eines Gewichts einer Verbindung zwischen zwei künstlichen Neuronen des künstlichen neuronalen Netzwerks. Das Gewicht enthält Information zur Stärke der Berücksichtigung eines Eingangs eines Neurons. Das Training des künstlichen neuronalen Netzwerks kann auch eine Entwicklung von neuen Verbindungen zwischen künstlichen Neuronen, ein Löschen von bestehenden Verbindungen zwischen künstlichen Neuronen, ein Anpassen von Schwellwerten der künstlichen Neuronen und/oder ein Hinzufügen oder ein Löschen von künstlichen Neuronen umfassen.The training of the artificial neural network typically includes a change in the weight of a connection between two artificial neurons of the artificial neural network. The weight contains information on the strength of the consideration of an input of a neuron. The training of the artificial neural network can also include developing new connections between artificial neurons, deleting existing connections between artificial neurons, adapting threshold values of the artificial neurons and / or adding or deleting artificial neurons.

Ein Beispiel für ein künstliches neuronales Netzwerk ist ein flaches künstliches neuronales Netzwerkwerk (shallow neural network), welches oft nur eine einzelne verdeckte Schicht zwischen der Eingabeschicht und der Ausgabeschicht enthält und damit relativ einfach zu trainieren ist. Ein weiteres Beispiel ist ein tiefes künstliches neuronales Netzwerkwerk (deep neural network), welches zwischen der Eingangsschicht und der Ausgabeschicht mehrere verschachtelte verdeckte Schichten von künstlichen Neuronen enthält. Das tiefe künstliche neuronale Netzwerk ermöglicht dabei eine verbesserte Erkennung von Mustern und komplexen Zusammenhängen.An example of an artificial neural network is a flat artificial neural network (shallow neural network), which often only contains a single hidden layer between the input layer and the output layer and is therefore relatively easy to train. Another example is a deep artificial neural network, which contains several nested hidden layers of artificial neurons between the input layer and the output layer. The deep artificial neural network enables an improved recognition of patterns and complex relationships.

Beispielsweise kann das künstliche neuronale Netzwerk ein ein- bzw. mehrschichtiges feedforward-Netzwerk oder ein rekurrentes Netzwerk sein. Feedforward-Netzwerke weisen Neuronen auf, die ausschließlich vorwärtsgespeist werden, d.h. ein Neuron wird ausschließlich von höher liegenden Schichten gespeist.For example, the artificial neural network can be a single-layer or multi-layer feed-forward network or a recurrent network. Feedforward networks have neurons that are exclusively fed forward, i.e. a neuron is only fed from higher layers.

Ein rekurrentes Netzwerk weist bidirektional verbundene Neuronen auf, d.h. ein Neuron wird zudem von tiefer liegenden Schichten lässt gespeist. Somit sich bei einem späteren Durchlauf des KNN Information aus einem früheren Durchlauf berücksichtigen, wodurch ein Erinnerungsvermögen geschaffen wird.A recurrent network has bidirectionally connected neurons, i.e. a neuron is also fed by lower layers. In a later run of the ANN, information from an earlier run is thus taken into account, whereby a memory capacity is created.

Ein Trainingssystem ist eine Recheneinheit, auf welcher ein KNN trainiert wird.A training system is a computing unit on which an ANN is trained.

Trainingsdaten sind in dieser Anmeldung Datenpaare aus Eingangsdaten, die von dem KNN zu verarbeiten sind, sowie Soll-Ergebnisdaten, die von dem KNN zu ermitteln sind. Während des Trainings wird das KNN aufgrund eines Vergleichs von Soll-Ergebnisdaten mit dem von dem KNN ermittelten Ist-Ergebnisdaten angepasst, wodurch sich ein Trainingseffekt einstellt.In this application, training data are data pairs of input data that are to be processed by the ANN, as well as target result data that are to be determined by the ANN. During the training, the ANN is adapted on the basis of a comparison of target result data with the actual result data determined by the ANN, which results in a training effect.

Die Eingangsdaten, mit welchen das KNN in dieser Anmeldung gespeist wird, sind optische Sensordaten, aus welchen sich Objekte extrahieren lassen.The input data with which the ANN is fed in this application are optical sensor data from which objects can be extracted.

Aus Ist-Ergebnisdaten lässt sich ein Ist-Reaktionssignal ableiten. Aus Soll-Ergebnisdaten lässt sich ein Soll-Reaktionssignal ableiten.An actual response signal can be derived from actual result data. A target reaction signal can be derived from target result data.

Eine Möglichkeit künstliche neuronale Netze zu trainieren, ist die Fehlerrückführung. In der frühen Trainingsphase macht ein Netz Fehler. Zur Korrektur des Fehlers werden die Auslöser der Abweichungen (Fehler) zwischen erzeugter Zuordnung (Ist-Ausgangsdaten) und Lösungszuordnung (Soll-Ausgangsdaten) zurückverfolgt und wiederholt steuernde Faktoren (Gewichte) in den Schichten des Netzes jeweils so verändert, dass die Zuordnungsfehler kleiner werden.One possibility to train artificial neural networks is error feedback. A network makes mistakes in the early training phase. To correct the error, the causes of the deviations (errors) between the generated assignment (actual output data) and solution assignment (target output data) are tracked and repeatedly controlling factors (weights) in the layers of the network are changed so that the assignment errors become smaller.

Das Klassifizieren von Objekten beschreibt Verfahren zum Identifizieren bekannter Objekte innerhalb eines Objektraums mittels optischer, akustischer oder anderer physikalischer Erkennungs- und Klassifizierungsverfahren. So wird z. B. das Vorhandensein eines Objektes in einem digitalen Bild oder Videostream und dessen Position und Lage bestimmt. Die Zuverlässigkeit, mit der ein Objekt klassifiziert werden kann, ist ein Maß für die Wahrscheinlichkeit, dass eine Klassifizierung korrekt ist. Beispielsweise ist ein Klassifizierungsalgorithmus, der Fußgängerobjekte häufig mit Bäumen verwechselt, eher unzuverlässig.The classification of objects describes methods for identifying known objects within an object space by means of optical, acoustic or other physical recognition and classification methods. So z. B. determines the presence of an object in a digital image or video stream and its position and location. The reliability with which an object can be classified is a measure of the probability that a classification is correct. For example, a classification algorithm that often confuses pedestrian objects with trees is rather unreliable.

Das Datenvolumen ist ein Maß für die Menge von Daten. Die Grundeinheit des Datenvolumens ist Bit. Daten dienen dem Speichern und Übertragen von Information, wobei zu beachten ist, dass der Informationsgehalt einer Nachricht nicht gleich der Datenmenge ist.The data volume is a measure of the amount of data. The basic unit of data volume is bit. Data are used to store and transmit information, whereby it should be noted that the information content of a message is not the same as the amount of data.

Ein Datenspeicher oder Speichermedium dient zur Speicherung von Daten. Ein lokaler Datenspeicher ist Teil einer Funktionseinheit und kann über eine Datenverbindung auch für andere Teilnehmer lesbar oder beschreibbar sein.A data memory or storage medium is used to store data. A local data memory is part of a functional unit and can also be read or written to by other participants via a data connection.

Ein zentraler Datenspeicher ist beispielsweise eine Cloud, das heißt ein Speicherplatz, der als Dienstleistung über das Internet bereitgestellt wird. Zentralsysteme umfassen zentrale Elemente, wie beispielsweise zentrale Datenspeicher oder zentrale Auswerteeinheiten, die im Internet bereitgestellt werden.A central data storage device is, for example, a cloud, i.e. a storage space that is provided as a service via the Internet. Central systems include central elements such as for example, central data storage or central evaluation units that are made available on the Internet.

Radar (engl. für „radio detection and ranging) ist die Bezeichnung für verschiedene Erkennungs- und Ortungsverfahren und -geräte auf der Basis elektromagnetischer Wellen im Radiofrequenzbereich (Funkwellen). Ein Radargerät ist ein Gerät, das elektromagnetische Wellen gebündelt aussendet, die von Objekten reflektierten Echos empfängt und auswertet. So können Informationen über die Objekte, dem Radarziel, gewonnen werden. Meist handelt es sich um eine Ortung (Bestimmung von Entfernung und Winkel). Aus den empfangenen, vom Objekt reflektierten Wellen können u. a. folgende Informationen gewonnen werden: der Winkel und die Entfernung zum Objekt, die Relativbewegung zwischen Sender und Objekt, die Wegstrecke und die Absolutgeschwindigkeit des Objektes, Konturen oder Bilder des Objektes.Radar (English for "radio detection and ranging") is the name for various detection and location methods and devices based on electromagnetic waves in the radio frequency range (radio waves). A radar device is a device that emits bundled electromagnetic waves that receive and evaluate echoes reflected from objects. In this way information about the objects, the radar target, can be obtained. Mostly it is a question of a location (determination of distance and angle). From the received waves reflected by the object, inter alia The following information can be obtained: the angle and the distance to the object, the relative movement between the transmitter and the object, the distance and the absolute speed of the object, contours or images of the object.

Lidar (engl. light detection and ranging), auch Ladar (laser detection and ranging), ist eine dem Radar verwandte Methode zur optischen Abstands- und Geschwindigkeitsmessung sowie zur Fernmessung atmosphärischer Parameter. Statt der Radiowellen wie beim Radar werden Laserstrahlen verwendet. Dabei werden Laser-strahlen emittiert, die von einem Objekt, dem Lidarziel reflektiert werden.Lidar (light detection and ranging), also Ladar (laser detection and ranging), is a radar-related method for optical distance and speed measurement as well as for remote measurement of atmospheric parameters. Instead of radio waves as in radar, laser beams are used. Laser beams are emitted, which are reflected by an object, the lidar target.

Denkbare Störfaktoren eines Sensors sind vielfältiger Natur. Beispielsweise ist die Verschmutzung einer Linse ein Störfaktor einer Kamera bzw. eines optischen Sensors. Störungen der Datenübertragung von Sensordaten sind auch Störfaktoren. Schlechte Sichtverhältnisse wie Nebel sind auch Störfaktoren von Kameras.Conceivable disruptive factors of a sensor are of various kinds. For example, the contamination of a lens is a disruptive factor in a camera or an optical sensor. Faults in the data transmission of sensor data are also disruptive factors. Poor visibility such as fog are also disruptive factors for cameras.

Fahrzeuge sind Land-, Wasser-, oder Luftfahrzeuge mit oder ohne Antrieb.Vehicles are land, water or air vehicles with or without propulsion.

Computerprogrammprodukte umfassen in der Regel eine Folge von Befehlen, durch die die Hardware bei geladenem Programm veranlasst wird, ein bestimmtes Verfahren durchzuführen, das zu einem bestimmten Ergebnis führt.Computer program products generally comprise a sequence of instructions which, when the program is loaded, cause the hardware to carry out a specific method that leads to a specific result.

Die grundlegende Idee der Erfindung beruht darauf, dass künstliche Intelligenz eines Sensors von künstlicher Intelligenz eines anderen Sensors lernt. Hierfür sieht die Erfindung vor, dass erste Sensordaten mittels eines ersten Sensors und zweite Sensordaten mittels eines zweiten Sensors erfasst werden, wobei sich die Erfassungsbereiche der beiden Sensoren überlappen. Die Erfindung geht davon aus, dass die zweiten Sensordaten mit einer höheren Zuverlässigkeit klassifiziert werden können als die ersten Sensordaten. Um die Klassifizierung der ersten bzw. zweiten Sensordaten zu überprüfen, werden die klassifizierten Objekte der ersten Sensordaten zu klassifizierten Objekten der zweiten Sensordaten zugeordnet, sofern die ersten bzw. zweiten Sensordaten sich auf den überlappenden Erfassungsbereich beziehen.The basic idea of the invention is based on the fact that the artificial intelligence of one sensor learns from the artificial intelligence of another sensor. For this purpose, the invention provides that first sensor data are recorded by means of a first sensor and second sensor data are recorded by means of a second sensor, the detection ranges of the two sensors overlapping. The invention assumes that the second sensor data can be classified with a higher degree of reliability than the first sensor data. In order to check the classification of the first and second sensor data, the classified objects of the first sensor data are assigned to classified objects of the second sensor data, provided that the first and second sensor data relate to the overlapping detection area.

Im Folgenden werden die zugeordneten klassifizierten Objekte der ersten Sensordaten, die zugeordneten klassifizierten Objekte der zweiten Sensordaten, ein Zuordnungsergebnis, also eine Information darüber, welchen klassifizierten Objekten der ersten Sensordaten, welche klassifizierten Objekte der zweiten Sensordaten zugeordnet werden, sowie die zugehörigen ersten Sensordaten und die zugehörigen zweiten Sensordaten in einer geeigneten Datenstruktur gespeichert. Die Datenstruktur ist derart beschaffen, dass diese ein geringeres Datenvolumen als die ersten und zweiten Sensordaten, aufweist.In the following, the assigned classified objects of the first sensor data, the assigned classified objects of the second sensor data, an assignment result, i.e. information about which classified objects of the first sensor data, which classified objects of the second sensor data are assigned, as well as the associated first sensor data and the associated second sensor data is stored in a suitable data structure. The data structure is such that it has a smaller data volume than the first and second sensor data.

Sofern zugeordnete Objekte in den ersten Sensordaten anders klassifiziert werden als in den zweiten Sensordaten, geht die Erfindung davon aus, dass die unterschiedliche Klassifizierung auf einem zu berichtigenden Fehler beruht. Dementsprechend ist vorgesehen, Klassifizierungen von Objekten, die anhand der ersten Sensordaten anders klassifiziert worden sind als anhand der zweiten Sensordaten, zu berichtigen.If assigned objects are classified differently in the first sensor data than in the second sensor data, the invention assumes that the different classification is based on an error to be corrected. Accordingly, it is provided that classifications of objects that have been classified differently on the basis of the first sensor data than on the basis of the second sensor data are corrected.

Die Erfindung sieht vor, dass die Sensoren aufgrund der berichtigten Klassifizierungen voneinander lernen, indem das erste künstliche neuronale Netzwerk und/oder das zweite künstliche neuronale Netzwerk aufgrund der berichtigten klassifizierten Objekte mittels Trainingsdaten trainiert werden.The invention provides that the sensors learn from one another on the basis of the corrected classifications by training the first artificial neural network and / or the second artificial neural network on the basis of the corrected classified objects using training data.

Vorteilhafte Ausgestaltungen und Weiterbildungen ergeben sich aus den weiteren Unteransprüchen sowie aus der Beschreibung unter Bezugnahme auf die Figuren der Zeichnung.Advantageous refinements and developments emerge from the further subclaims and from the description with reference to the figures of the drawing.

Gemäß einer bevorzugten Weiterbildung der Erfindung werden ausschließlich zugeordnete Objekte der ersten Sensordaten bzw. der zweiten Sensordaten, zugehörige erste und zweite Sensordaten in der Datenstruktur gespeichert, die anhand der ersten Sensordaten anders klassifiziert worden sind als anhand der zweiten Sensordaten.According to a preferred development of the invention, exclusively assigned objects of the first sensor data or the second sensor data, associated first and second sensor data, which have been classified differently on the basis of the first sensor data than on the basis of the second sensor data, are stored in the data structure.

Somit lässt sich das Datenvolumen einer entsprechenden Datenstruktur zu großen Teilen reduzieren. Dies reduziert die Übermittlungsdauer einer entsprechenden Datenstruktur.In this way, the data volume of a corresponding data structure can be reduced to a large extent. This reduces the transmission time of a corresponding data structure.

Gemäß einer bevorzugten Weiterbildung der Erfindung wird die Datenstruktur an einen zentralen Datenspeicher, der über das Internet abrufbar ist, übermittelt. Dementsprechend kann vorgesehen sein, dass Schritte, die vor dem Übermitteln der Datenstruktur durchgeführt werden, in einer lokalen Umgebung ausgeführt werden, wohingegen das Berichtigen der Klassifizierung von Objekten auf dem zentralen Datenspeicher ausgeführt wird.According to a preferred development of the invention, the data structure is transmitted to a central data memory that can be called up via the Internet. Accordingly, it can be provided that steps that are carried out before the data structure is transmitted in a local Environment, whereas correcting the classification of objects is done on the central data store.

Gemäß einer bevorzugten Weiterbildung der Erfindung ist der erste Sensor und der zweite Sensor als Fahrzeugsensor ausgebildet und die ersten Sensordaten und die zweiten Sensordaten sind als fahrzeugumgebungsbezogene Sensordaten ausgebildet.According to a preferred development of the invention, the first sensor and the second sensor are designed as vehicle sensors and the first sensor data and the second sensor data are designed as sensor data relating to the vehicle environment.

Dabei ist es auch zweckmäßig, wenn die Datenstruktur während einer Fahrt eines Fahrzeugs an den zentralen Datenspeicher übermittelt wird und die Trainingsdaten während oder nach der Fahrt von dem zentralen Datenspeicher an das erste künstliche neuronale Netzwerk und/oder an das zweite künstliche neuronale Netzwerk übermittelt werden. Somit lassen sich Trainingsdaten schnell bereitstellen.It is also useful if the data structure is transmitted to the central data memory while a vehicle is being driven and the training data is transmitted from the central data memory to the first artificial neural network and / or to the second artificial neural network during or after the journey. This means that training data can be made available quickly.

Dabei ist es auch zweckmäßig, wenn der erste Sensor als Radarsensor und der zweite Sensor als Lidarsensor oder als Kamera ausgebildet ist.It is also useful if the first sensor is designed as a radar sensor and the second sensor is designed as a lidar sensor or as a camera.

Typischerweise lassen sich Objekte in Lidardaten oder Kameradaten mit einer höheren Zuverlässigkeit klassifizieren als Objekte in Radardaten.Typically, objects in lidar data or camera data can be classified with a higher degree of reliability than objects in radar data.

Alternativ ist es auch denkbar, dass der zweite Sensor als Kamera ausgebildet ist und der erste Sensor als Lidarsensor ausgebildet ist. Typischerweise lassen sich Objekte in Kameradaten mit einer höheren Zuverlässigkeit klassifizieren als Objekte in Lidardaten.Alternatively, it is also conceivable that the second sensor is designed as a camera and the first sensor is designed as a lidar sensor. Typically, objects in camera data can be classified with a higher degree of reliability than objects in lidar data.

Gemäß einer bevorzugten Weiterbildung der Erfindung wird überprüft, ob der zweite Sensor von Störfaktoren, die die Zuverlässigkeit der Klassifizierung der zweiten Sensordaten reduzieren, gestört wird und der Störfaktor gegebenenfalls in der Datenstruktur gespeichert wird.According to a preferred development of the invention, it is checked whether the second sensor is disturbed by interference factors which reduce the reliability of the classification of the second sensor data and whether the interference factor is possibly stored in the data structure.

Somit lässt sich beispielsweise auf eine Verschmutzung eines optischen Sensors reagieren. In diesem Fall kann beispielsweise vorgesehen sein, die Klassifizierungen der ersten Sensordaten nicht aufgrund der Klassifizierungen der zweiten Sensordaten zu berichtigen.In this way, it is possible, for example, to react to contamination of an optical sensor. In this case it can be provided, for example, not to correct the classifications of the first sensor data on the basis of the classifications of the second sensor data.

Gemäß einer bevorzugten Weiterbildung der Erfindung ist das Trainingsverfahren von einem reduzierten Berichtigungsaufwand, indem die Klassifizierungen der Objekte der ersten Sensordaten an die Klassifizierungen der zugeordneten Objekte der zweiten Sensordaten angepasst werden, insbesondere wenn der zweite Sensor nicht von Störfaktoren gestört wird. Somit lässt sich der Berichtigungsaufwand reduzieren, indem eine Anpassung der Klassifizierungen der ersten Sensordaten an die Klassifizierungen der zweiten Sensordaten auch automatisiert erfolgen kann. Selbst wenn die Klassifizierungen der Objekte der zweiten Sensordaten nicht fehlerfrei sein sollte, lässt sich somit ein Klassifizierungsalgorithmus für die ersten Sensordaten soweit trainieren, dass dieser die Zuverlässigkeit des Klassifizierungsalgorithmus der zweiten Sensordaten erreicht.According to a preferred development of the invention, the training method has a reduced correction effort in that the classifications of the objects of the first sensor data are adapted to the classifications of the assigned objects of the second sensor data, in particular if the second sensor is not disturbed by interfering factors. The correction effort can thus be reduced in that an adaptation of the classifications of the first sensor data to the classifications of the second sensor data can also take place in an automated manner. Even if the classifications of the objects in the second sensor data should not be error-free, a classification algorithm for the first sensor data can thus be trained to such an extent that it achieves the reliability of the classification algorithm for the second sensor data.

Es versteht sich, dass ein Zentralsystem mit einer Fahrzeugflotte aus mehreren Fahrzeugen, die jeweils einen ersten Sensor, einen zweiten Sensor und einen lokalen Datenspeicher aufweisen, sowie mit einem zentralen Datenspeicher, der mit den lokalen Datenspeichern der Fahrzeuge verbindbar ist, vorteilhaft ist, wenn das Zentralsystem eingerichtet ist, das Verfahren wie es vorstehend beschrieben wurde, durchzuführen, indem die Datenstrukturen auf den lokalen Datenspeichern gespeichert werden und von den lokalen Datenspeichern an den zentralen Datenspeicher übermittelt werden und Trainingsdaten von dem zentralen Datenspeicher an die lokalen Datenspeicher übermittelt werden.It goes without saying that a central system with a vehicle fleet of several vehicles, each having a first sensor, a second sensor and a local data memory, as well as a central data memory that can be connected to the local data memories of the vehicles, is advantageous if that Central system is set up to carry out the method as described above, in that the data structures are stored on the local data storage device and are transmitted from the local data storage device to the central data storage device and training data are transmitted from the central data storage device to the local data storage device.

Ein Computerprogrammprodukt gemäß einem Verfahren einer Ausführungsform der Erfindung führt die Schritte eines Verfahrens gemäß der vorangehenden Beschreibung aus, wenn das Computerprogrammprodukt auf einem Computer, insbesondere einem fahrzeuginternen Computer, läuft. Wenn das betreffende Programm auf einem Computer zum Einsatz kommt, ruft das Computerprogrammprodukt einen Effekt hervor, nämlich eine Verbesserte Zuverlässigkeit eines Klassifizierungsalgorithmus für Sensordaten.A computer program product according to a method of an embodiment of the invention carries out the steps of a method according to the preceding description when the computer program product runs on a computer, in particular a computer internal to the vehicle. When the program in question is used on a computer, the computer program product produces an effect, namely an improved reliability of a classification algorithm for sensor data.

FigurenlisteFigure list

Die vorliegende Erfindung wird nachfolgend anhand der in den schematischen Figuren der Zeichnungen angegebenen Ausführungsbeispiele näher erläutert. Es zeigen dabei:

  • 1 eine schematisches Blockdiagramm einer Ausführungsform der Erfindung.
The present invention is explained in more detail below with reference to the exemplary embodiments specified in the schematic figures of the drawings. It shows:
  • 1 Figure 3 is a schematic block diagram of an embodiment of the invention.

Die beiliegenden Zeichnungen sollen ein weiteres Verständnis der Ausführungsformen der Erfindung vermitteln. Sie veranschaulichen Ausführungsformen und dienen im Zusammenhang mit der Beschreibung der Erklärung von Prinzipien und Konzepten der Erfindung. Andere Ausführungsformen und viele der genannten Vorteile ergeben sich im Hinblick auf die Zeichnungen. Die Elemente der Zeichnungen sind nicht notwendigerweise maßstabsgetreu zueinander gezeigt.The accompanying drawings are intended to provide a further understanding of the embodiments of the invention. They illustrate embodiments and, in conjunction with the description, serve to explain principles and concepts of the invention. Other embodiments and many of the advantages mentioned emerge with a view to the drawings. The elements of the drawings are not necessarily shown to scale with one another.

In den Figuren der Zeichnungen sind gleiche, funktionsgleiche und gleichwirkende Elemente, Merkmale und Komponenten - sofern nicht anders ausgeführt ist - jeweils mit denselben Bezugszeichen versehen.In the figures of the drawings, elements, features and components that are the same, functionally identical and have the same effect - unless stated otherwise - are each provided with the same reference symbols.

BESCHREIBUNG VON AUSFÜHRUNGSBEISPIELENDESCRIPTION OF EXEMPLARY EMBODIMENTS

1 zeigt ein Blockdiagramm zu einem Trainingsverfahren für ein künstliches neuronales Netzwerk, welches eingerichtet ist, Objekte in Sensordaten zu klassifizieren. In dem Schritt S1 werden erste Sensordaten mittels eines ersten Sensors erfasst. In dem Schritt S2 werden Objekte in den ersten Sensordaten mittels eines ersten künstlichen neuronalen Netzwerks klassifiziert. In dem Schritt S3 werden zweite Sensordaten mittels eines zweiten Sensors erfasst. In dem Schritt S4 werden Objekte in den zweiten Sensordaten mittels eines zweiten künstlichen neuronalen Netzwerks klassifiziert. Dabei überlappen sich die Erfassungsbereiche des ersten Sensors und des zweiten Sensors. Es wird davon ausgegangen, dass Objekte in den zweiten Sensordaten mit einer höheren Zuverlässigkeit klassifizierbar sind als Objekte in den ersten Sensordaten. In dem Schritt S5 werden die klassifizierten Objekte der ersten Sensordaten zu klassifizierten Objekten der zweiten Sensordaten zu geordnet, sofern sich die Sensordaten auf den überlappenden Erfassungsbereich beziehen. In dem Schritt S6 werden die zugeordneten klassifizierten Objekte der ersten Sensordaten, die zugeordneten klassifizierten Objekte der zweiten Sensordaten, ein Zuordnungsergebnis, sowie die zugehörigen ersten Sensordaten und die zugehörigen zweiten Sensordaten in einer Datenstruktur gespeichert. In dem Schritt S7 wird die Klassifizierung von Objekten der ersten Sensordaten und/oder die Klassifizierung von Objekten der zweiten Sensordaten für zugeordnete Objekte, die anhand der ersten Sensordaten anders klassifiziert worden sind als anhand der zweiten Sensordaten, berichtigt. In dem Schritt S8 wird das erste künstliche neuronale Netzwerk und/oder das zweite künstliche neuronale Netzwerk anhand der berichtigten Klassifizierungen der Objekte mittels Trainingsdaten trainiert. 1 shows a block diagram of a training method for an artificial neural network which is set up to classify objects in sensor data. In the step S1 first sensor data are recorded by means of a first sensor. In the step S2 objects in the first sensor data are classified by means of a first artificial neural network. In the step S3 second sensor data are recorded by means of a second sensor. In the step S4 objects in the second sensor data are classified by means of a second artificial neural network. The detection areas of the first sensor and the second sensor overlap. It is assumed that objects in the second sensor data can be classified with a higher degree of reliability than objects in the first sensor data. In the step S5 the classified objects of the first sensor data are assigned to classified objects of the second sensor data, provided that the sensor data relate to the overlapping detection area. In step S6, the assigned classified objects of the first sensor data, the assigned classified objects of the second sensor data, an assignment result and the associated first sensor data and the associated second sensor data are stored in a data structure. In the step S7 the classification of objects of the first sensor data and / or the classification of objects of the second sensor data is corrected for assigned objects that have been classified differently on the basis of the first sensor data than on the basis of the second sensor data. In the step S8 the first artificial neural network and / or the second artificial neural network is trained on the basis of the corrected classifications of the objects using training data.

BezugszeichenlisteList of reference symbols

S1-S8S1-S8
VerfahrensschritteProcedural steps

Claims (10)

Trainingsverfahren für ein künstliches neuronales Netzwerk, welches eingerichtet ist, Objekte in Sensordaten zu klassifizieren, mit den folgenden Schritten: - Erfassen (S1) von ersten Sensordaten mittels eines ersten Sensors; - Klassifizieren (S2) von Objekten in den ersten Sensordaten mittels eines ersten künstlichen neuronalen Netzwerks; - Erfassen (S3) von zweiten Sensordaten mittels eines zweiten Sensors, wobei sich die Erfassungsbereiche des ersten Sensors und des zweiten Sensors überlappen; - Klassifizieren (S4) von Objekten in den zweiten Sensordaten mittels eines zweiten künstlichen neuronalen Netzwerks, wobei die Objekte in den zweiten Sensordaten mit einer höheren Zuverlässigkeit klassifiziert sind, als Objekte in den ersten Sensordaten; - Zuordnen (S5) von klassifizierten Objekten der ersten Sensordaten zu klassifizierten Objekten der zweiten Sensordaten für Sensordaten, die sich auf den überlappenden Erfassungsbereich beziehen; - Speichern (S6) von klassifizierten Objekten der ersten Sensordaten, von klassifizierten Objekten der zweiten Sensordaten, eines Zuordnungsergebnisses sowie der zugehörigen ersten Sensordaten und der zugehörigen zweiten Sensordaten in einer Datenstruktur, wobei die Datenstruktur ein geringeres Datenvolumen als die ersten und zweiten Sensordaten aufweist; - Berichtigen (S7) der klassifizierten Objekte der ersten Sensordaten und/oder der zweiten Sensordaten für zugeordnete Objekte, die anhand der ersten Sensordaten anders klassifiziert worden sind als anhand der zweiten Sensordaten; - Trainieren (S8) des ersten künstlichen neuronalen Netzwerks und/oder des zweiten künstlichen neuronalen Netzwerks aufgrund der berichtigten klassifizierten Objekte mittels Trainingsdaten.Training method for an artificial neural network, which is set up to classify objects in sensor data, with the following steps: - Acquisition (S1) of first sensor data by means of a first sensor; - Classifying (S2) objects in the first sensor data by means of a first artificial neural network; - Acquisition (S3) of second sensor data by means of a second sensor, wherein the acquisition areas of the first sensor and the second sensor overlap; - Classification (S4) of objects in the second sensor data by means of a second artificial neural network, the objects in the second sensor data being classified with a higher degree of reliability than objects in the first sensor data; - Assigning (S5) classified objects of the first sensor data to classified objects of the second sensor data for sensor data that relate to the overlapping detection area; - Storing (S6) classified objects of the first sensor data, classified objects of the second sensor data, an assignment result and the associated first sensor data and the associated second sensor data in a data structure, the data structure having a smaller data volume than the first and second sensor data; - Correcting (S7) the classified objects of the first sensor data and / or the second sensor data for assigned objects that have been classified differently on the basis of the first sensor data than on the basis of the second sensor data; - Training (S8) the first artificial neural network and / or the second artificial neural network on the basis of the corrected classified objects by means of training data. Trainingsverfahren nach Anspruch 1, wobei ausschließlich Objekte der ersten Sensordaten bzw. der zweiten Sensordaten, deren Zuordnungsergebnis sowie zugehörige erste und zweite Sensordaten in der Datenstruktur gespeichert werden, die anhand der ersten Sensordaten anders klassifiziert worden sind als anhand der zweiten Sensordaten.Training method according to Claim 1 , wherein only objects of the first sensor data or the second sensor data, their assignment result and associated first and second sensor data are stored in the data structure that have been classified differently on the basis of the first sensor data than on the basis of the second sensor data. Trainingsverfahren nach einem der vorstehenden Ansprüche, wobei die gespeicherte Datenstruktur an einen zentralen Datenspeicher, der über das Internet abrufbar ist, übermittelt wird.Training method according to one of the preceding claims, wherein the stored data structure is transmitted to a central data memory which can be called up via the Internet. Trainingsverfahren nach einem der vorstehenden Ansprüche, wobei der erste Sensor und der zweite Sensor als Fahrzeugsensor ausgebildet ist und die ersten und zweiten Sensordaten als fahrzeugumgebungsbezogene Sensordaten ausgebildet sind.Training method according to one of the preceding claims, wherein the first sensor and the second sensor are designed as vehicle sensors and the first and second sensor data are designed as sensor data relating to the vehicle environment. Trainingsverfahren nach Anspruch 4, wobei die Datenstruktur während einer Fahrt eines Fahrzeugs an den zentralen Datenspeicher übermittelt wird und die Trainingsdaten während oder nach der Fahrt von dem zentralen Datenspeicher an das erste und/oder an das zweite künstliche neuronale Netzwerk übermittelt werden.Training method according to Claim 4 , the data structure being transmitted to the central data memory while a vehicle is being driven and the training data being transmitted from the central data memory to the first and / or to the second artificial neural network during or after the journey. Trainingsverfahren nach Anspruch 4 oder Anspruch 5, wobei der erste Sensor als Radarsensor und der zweite Sensor als Lidarsensor oder als Kamera ausgebildet ist.Training method according to Claim 4 or Claim 5 , wherein the first sensor is designed as a radar sensor and the second sensor as a lidar sensor or as a camera. Trainingsverfahren nach Anspruch 4 oder Anspruch 5, wobei der zweite Sensor als Kamera ausgebildet ist und der erste Sensor als Lidarsensor ausgebildet ist.Training method according to Claim 4 or Claim 5 , wherein the second sensor is designed as a camera and the first sensor is designed as a lidar sensor. Trainingsverfahren nach einem der vorstehenden Ansprüche, wobei überprüft wird, ob der zweite Sensor von Störfaktoren, die die Zuverlässigkeit der Klassifizierung von Objekten in den zweiten Sensordaten reduzieren, gestört wird und der Störfaktor in der Datenstruktur gespeichert wird.Training method according to one of the preceding claims, wherein it is checked whether the second sensor is disturbed by interference factors which reduce the reliability of the classification of objects in the second sensor data, and the interference factor is stored in the data structure. Trainingsverfahren nach einem der vorstehenden Ansprüche, wobei die Klassifizierungen der Objekte der ersten Sensordaten an die Klassifizierungen der zugeordneten Objekte der zweiten Sensordaten angepasst werden, insbesondere wenn der zweite Sensor nicht von Störfaktoren gestört wird.Training method according to one of the preceding claims, wherein the classifications of the objects of the first sensor data are adapted to the classifications of the assigned objects of the second sensor data, in particular if the second sensor is not disturbed by interfering factors. Zentralsystem mit mehreren Fahrzeugen, die jeweils einen ersten Sensor und einen zweiten Sensor, sowie einen lokalen Datenspeicher aufweisen, sowie mit einem zentralen Datenspeicher, der mit lokalen Datenspeichern verbindbar ist, wobei das Zentralsystem eingerichtet ist, das Verfahren nach einem der vorstehenden Ansprüche durchzuführen, indem die Datenstrukturen auf den lokalen Datenspeichern gespeichert werden und von den lokalen Datenspeichern an den zentralen Datenspeicher übermittelt werden und Trainingsdaten von dem zentralen Datenspeicher an die lokalen Datenspeicher übermittelt werden.Central system with several vehicles, each having a first sensor and a second sensor, as well as a local data memory, and with a central data memory that can be connected to local data memories, wherein the central system is set up to carry out the method according to one of the preceding claims by the data structures are stored on the local data storage and are transmitted from the local data storage to the central data storage and training data are transmitted from the central data storage to the local data storage.
DE102019220206.3A 2019-12-19 2019-12-19 Training method for an artificial neural network Withdrawn DE102019220206A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102019220206.3A DE102019220206A1 (en) 2019-12-19 2019-12-19 Training method for an artificial neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102019220206.3A DE102019220206A1 (en) 2019-12-19 2019-12-19 Training method for an artificial neural network

Publications (1)

Publication Number Publication Date
DE102019220206A1 true DE102019220206A1 (en) 2021-06-24

Family

ID=76206539

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019220206.3A Withdrawn DE102019220206A1 (en) 2019-12-19 2019-12-19 Training method for an artificial neural network

Country Status (1)

Country Link
DE (1) DE102019220206A1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190087712A1 (en) * 2017-09-18 2019-03-21 Qualcomm Incorporated Neural Network Co-Processing
US20190311298A1 (en) * 2018-04-09 2019-10-10 Here Global B.V. Asynchronous parameter aggregation for machine learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190087712A1 (en) * 2017-09-18 2019-03-21 Qualcomm Incorporated Neural Network Co-Processing
US20190311298A1 (en) * 2018-04-09 2019-10-10 Here Global B.V. Asynchronous parameter aggregation for machine learning

Similar Documents

Publication Publication Date Title
DE102019209462A1 (en) Method for determining a confidence value of a detected object
DE102018215753A1 (en) Device and method for determining a trajectory of a vehicle
DE102019215903A1 (en) Method and device for generating training data for a recognition model for recognizing objects in sensor data of a sensor, in particular of a vehicle, method for training and method for actuation
DE102019114371A1 (en) ONLINE DIAGNOSTICS AND PROGNOSTICS FOR A VEHICLE PERCEPTION SYSTEM
DE102020118629B4 (en) Computer-implemented method for determining the validity of an estimated position of a vehicle
DE102020200911B3 (en) Method for recognizing objects in the surroundings of a vehicle
DE102018222663A1 (en) Method for adaptively determining an integrity area of a parameter estimate
DE102018217164A1 (en) Device, method and system for data analysis
DE102019210767A1 (en) Method and device for fusing a plurality of signals from an ultrasonic sensor system of a means of locomotion
DE102017217844A1 (en) Method and a machine learning system for classifying objects
DE102014003152A1 (en) Method and device for determining at least one object parameter of a means of transport
DE102019220206A1 (en) Training method for an artificial neural network
DE102020214596A1 (en) Method for generating training data for a recognition model for recognizing objects in sensor data of an environment sensor system of a vehicle, method for generating such a recognition model and method for controlling an actuator system of a vehicle
DE102020119954A1 (en) Method for generating an occupancy grid map for at least one static object, computer program product, computer-readable storage medium and assistance system
WO2024012928A1 (en) Method for training a neural network
DE102020201743A1 (en) Training an artificial neural network
DE102019218349A1 (en) Method for classifying at least one ultrasonic echo from echo signals
DE102019209463A1 (en) Method for determining the trust value of an object of a class
DE102015209470A1 (en) Method and device for forecasting a position of a watercraft
WO2022129266A1 (en) Method for detecting at least one object in surroundings by means of reflection signals of a radar sensor system
DE102020205470A1 (en) Method for processing optical sensor data
DE102020202305A1 (en) Method for recognizing the surroundings of a vehicle and method for training a fusion algorithm for a vehicle system
DE102017220506A1 (en) Method and device for estimating a maritime traffic condition
DE102021129070A1 (en) Recording of the content of an environment of a vehicle with a priori confidences
WO2022152683A1 (en) Ascertaining a confidence of an artificial neural network

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R082 Change of representative

Representative=s name: SCHMIDT, DANIEL, DR., DE

R016 Response to examination communication
R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: G06K0009620000

Ipc: G06V0030190000

R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee