CN110222813A - 运行至少部分自动化的车辆的方法、设备和计算机程序 - Google Patents
运行至少部分自动化的车辆的方法、设备和计算机程序 Download PDFInfo
- Publication number
- CN110222813A CN110222813A CN201910154846.3A CN201910154846A CN110222813A CN 110222813 A CN110222813 A CN 110222813A CN 201910154846 A CN201910154846 A CN 201910154846A CN 110222813 A CN110222813 A CN 110222813A
- Authority
- CN
- China
- Prior art keywords
- codomain
- specified value
- value
- depth
- neuroid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004590 computer program Methods 0.000 title claims abstract description 15
- 230000004913 activation Effects 0.000 claims abstract description 27
- 238000012512 characterization method Methods 0.000 claims abstract description 3
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/402—Type
- B60W2554/4029—Pedestrians
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及运行至少部分自动化的车辆的方法、设备和计算机程序。本发明涉及一种用于运行至少部分自动化的车辆(10)的方法(30),该方法包括如下步骤:确定深度神经元网络的输出参量。深度神经元网络的输出参量根据所检测到的输入参量和多个表征深度神经元网络的参量以及至少一个激活函数(20)来确定。激活函数(20)将第一值域(21)的如下值线性地映射到第二值域(22)上,所述值在第一值域(21)的第一规定值(e)与第一值域(21)的第二规定值(a)之间。根据深度神经元网络的所确定的输出参量来操控车辆(10)。本发明还涉及一种用于实施该方法(30)的计算机程序和设备以及一种机器可读存储元件(12),在其上存储有该计算机程序。
Description
技术领域
本发明涉及一种用于运行至少部分自动化的车辆的方法和设备。本发明同样涉及一种计算机程序和一种机器可读存储元件。
背景技术
DE 10 2016 212 700 A1公开了一种用于控制车辆的方法。该方法包括如下步骤:如果有车辆接近一个位置,则提供位置相关的模型,该模型描绘了在该位置处受伤的交通成员的典型行为。确定该受伤的交通成员当前所处的上下文。该上下文可以由关于该受伤的交通成员方面的周围环境监测的测量值构成。在使用所确定的上下文的情况下利用该位置相关的模型来确定对该受伤的交通成员的行为的预测,而且确定车辆的控制单元对所确定的预测的反应。
发明内容
本发明的优点
在神经元网络运行期间,在神经元网络之内可能出现信号干扰,所述信号干扰可能导致错误分类或错误预测。在安全关键的应用中,这可能有严重后果。例如如果受伤的交通成员的行为借助于由于有信号干扰而被损害的神经元网络错误地被预测,则这可能有严重后果。与此相应地,具有独立权利要求1的特征的方法具有如下优点:神经元网络具有激活函数,该激活函数可以减少在该神经元网络运行期间信号干扰的影响。
有利的扩展方案是从属权利要求的主题。
在第一方面,本发明涉及一种具有独立权利要求1的特征的用于运行至少部分自动化的车辆的方法。该权利要求尤其说明:激活函数将第一值域的如下值映射、尤其是线性地映射到第二值域上,这些值在第一值域的第一规定值与第一值域的第二规定值之间。此外,该激活函数将小于第一值域的第一规定值的值映射到第二值域的第一规定值上而将大于第一值域的第二规定值的值映射到第二值域的第二规定值上。
第一值域可以是该激活函数的定义范围。将第一值域的值线性地映射到第二值域上可以被理解为:第一值域中的值借助于线性升高的函数被映射到第二值域上,尤其是,第一值域的值被映射到第二值域的与第一值域的所述值成比例的值上。
激活率低的路径受到干扰的概率比激活率高的路径受到干扰的概率高,因为通常在深度神经元网络中路径中有多个路径的激活率低。此外,在这些激活率低的路径之一中,干扰对深度神经元网络有更大的影响,因为由于干扰而对激活率的改变可能导致更高的激活率。借此,该路径可能对深度神经元网络的结果有更多影响并且歪曲深度神经元网络的结果,因为该路径最初由于激活率低而对确定深度神经元网络的输出参量的影响小。因而,该实施方式的有利的效果是:借助于该激活函数可以使导致激活率提高的干扰减弱。借此,干扰在深度神经元网络之内的影响可以被限制或修正或补偿而且不对确定深度神经元网络的输出参量造成消极影响。因此,该激活函数导致深度神经元网络相对于干扰的鲁棒性的提高。线性映射的优点是:在深度神经元网络学习时可以更简单地确定梯度而且干扰并不能由于该线性映射而受到增强。
干扰尤其可以被理解为对深度神经元网络的系统性或随机性干预,该系统性或随机性干预可能导致对深度神经元网络的不符合期望的损害或者导致深度神经元网络的有错误的行为、尤其是确定有错误的输出参量。
特别有利的是:小于第一值域的第二规定值的值借助于修正线性单元(Rectified-Linear-Unit,ReLu)激活函数被映射到第二值域上。
在该实施方式方面有利的是:借助于ReLu激活函数将大的负值映射到值0,由此在负的值域内的干扰被阻断并且在确定深度神经元网络的输出参量时不被考虑。
在该方法的一个有利的扩展方案中,大于第一值域的第三规定值的值被映射到第二值域的第三规定值上,该第二值域的第三规定值小于第二值域的第二规定值。第一值域的第三规定值大于第一值域的第二规定值。
该扩展方案的优点是:非常大的值可以被映射到小的值、尤其是0上。借此,可以提供相对于干扰的更高的鲁棒性,因为严重的干扰借此强烈地被抑制并且其对输出参量的影响最小化。借此,还提供了另一机制,以便防止干扰可能在深度神经元网络中传播开。
在另一方面,本发明涉及:一种计算机程序,该计算机程序被设立为实施之前提到的方法之一,即该计算机程序包括如下指令,当该计算机程序在计算机上运行时,所述指令促使该计算机以这些被提到的方法之一的所有步骤来实施这些被提到的方法之一;一种机器可读存储模块,在其上存储有该计算机程序;以及一种设备、尤其是计算机,该设备被设立为实施所提到的方法之一。
附图说明
本发明的实施例在随附的附图中示出并且在随后的描述中进一步予以阐述。在此:
图1示出了至少部分自动化的车辆的示意图;
图2示出了激活函数的示意图;
图3示出了按照本发明的方法的实施方式的示意图。
具体实施方式
图1示出了至少部分自动化的机器人的示意图,该至少部分自动化的机器人在该实施例中通过至少部分自动化的车辆(10)来给出。在其它实施例中,该至少部分自动化的机器人可以是服务机器人、安装机器人或静止的生产机器人。该至少部分自动化的车辆(10)可包括检测单元(11)。检测单元(11)例如可以是摄像机,该摄像机检测车辆(10)的周围环境。检测单元(11)可以与机器学习系统(12)连接。机器学习系统(12)根据所提供的输入参量、例如借助于检测单元(11)并且根据多个表征机器学习系统的参量来确定输出参量。
该输出参量可以被转发给执行器控制单元(13)。执行器控制单元(13)可以根据机器学习系统(12)的输出参量来操控执行器。该执行器例如可以是车辆(10)的发动机。
在另一实施例中,执行器控制单元(13)包括开启系统。该开启系统根据机器学习系统(12)的输出参量来判断是否有对象、例如所检测到的机器人或所检测到的人员进入到一个区域。优选地,可以根据该开启系统的判断来操控执行器。
车辆(10)还包括计算单元(14)和机器可读存储元件(15)。
在存储元件(15)上可存储计算机程序,该计算机程序包括如下指令,在计算单元(14)上实施所述指令时,所述指令导致计算单元(14)可以实施按照本发明的方法。也可设想的是:分别可包括该计算机程序的下载产品或人工生成的信号在车辆(10)的接收器上接收到之后可以促使计算单元(14)实施按照本发明的方法。
机器学习系统(12)可包括深度神经元网络。该深度神经元网络根据多个表征该深度神经元网络的参量和至少一个规定的激活函数来确定机器学习系统(12)的输出参量。
图2示出了激活函数(20)的示意图。该激活函数(20)将第一值域(21)映射到第二值域(22)上。第一值域(21)可以被分成4个不同的区段(B1、B2、B3、B4)。
第一值域(21)的第一区段(B1)的值线性地被映射到第二值域(22)的值上。第一区段(B1)可以在第一值域(21)的两个规定值(e、a)之间。例如,第一值域(21)的第一规定值(e)可以被选为e=0而第一值域(21)的第二规定值(a)可以被选为a=6。
将第一值域(21)的第二区段(B2)的小于第一值域(21)的第一规定值(e)的值映射到第二值域(22)的第一规定值(ê)上。
将第一值域(21)的第三区段(B3)的大于第一值域(21)的第二规定值(a)的值映射到规定的第二值域(22)的第二规定值(â)上。
附加地,可以将第四区段(B4)的如下值映射到第二值域(22)的另一规定值上、优选地映射到值0上,所述值包括大于第一值域(21)的第三规定值的值。由此,通过激活函数(20)的第四区段(B4)的该映射特性可以有针对性地减小或除去由于干扰而概率高地形成的非常大的激活率。
图3示出了用于根据深度神经元网络的输出参量来运行至少部分自动化的车辆(10)的方法(30)的示意图。
该方法(30)开始于步骤31。在步骤31中,使深度神经元网络进行学习,使得深度神经元网络解决规定的任务。该规定的任务例如可以是:深度神经元网络对输入参量、尤其是摄像机图像进行分类或分级、分段或预测。深度神经元网络的学习优选地借助于梯度下降法和所提供的训练数据来执行。所提供的训练数据可以是被标注的摄像机图像。在使用图2的激活函数(20)的情况下可以使深度神经元网络学习。替选地,在学习期间可以使用其它激活函数、例如ReLu激活函数,在学习之后,所述其它激活函数被图2的激活函数(20)替代。
在步骤31已经结束之后,接下来是步骤32。在步骤32中,将输入参量、尤其是借助于检测单元(11)检测到的输入参量提供给深度神经元网络。紧接着,在步骤33中,深度神经元网络根据所提供的输入参量来确定输出参量。在确定输出参量时,在深度神经元网络中使用至少一个根据图2的激活函数(20)。由此,在深度神经元网络之内的干扰可以借助于该激活函数(20)来阻断,使得干扰没有通过深度神经元网络传播开。
在步骤33已经结束之后,接下来是步骤34。在步骤34中,根据深度神经元网络的所确定的输出参量,借助于执行器控制单元(13)来操控执行器、尤其是车辆(10)的发动机。
借此,该方法(30)结束。在一个附加的或替选的实施方式中,该方法(30)可以以步骤31、32、33或34重新来执行,可选地,这些步骤可以多次相继被重复,直至满足规定的中断标准。
易于理解的是:该方法不仅可以如所描述的那样完全以软件来实现,而且可以以硬件或者以软件和硬件的混合形式来实现。
应注意:该方法不仅能被用于仅仅具有正值或仅仅具有负值的值域,而且能被用于正值和负值都有的值域。此外,该方法也能被用于离散的值域。在这种情况下,第一值域(21)的离散值借助于该激活函数(20)被映射到第二值域(22)的离散值上。
Claims (6)
1.一种用于运行至少部分自动化的车辆(10)的方法,所述方法包括如下步骤:
- 确定深度神经元网络的输出参量,
其中所述深度神经元网络的输出参量根据所检测到的输入参量和多个表征所述深度神经元网络的参量以及至少一个激活函数(20)来确定,
其中所述激活函数(20)将第一值域(21)的如下值线性地映射到第二值域(22)上,所述值在所述第一值域(21)的第一规定值(e)与所述第一值域(21)的第二规定值(a)之间,
其中所述激活函数(20)将小于所述第一值域(21)的第一规定值(e)的值映射到所述第二值域(22)的第一规定值(ê)上,而所述激活函数(20)将大于所述第一值域(21)的第二规定值(a)的值映射到所述第二值域(22)的第二规定值(â)上,
其中所述第一值域(21)的第一规定值(e)小于所述第一值域(21)的第二规定值(a),而所述第二值域(22)的第一规定值(ê)小于所述第二值域(22)的第二规定值(â);
- 根据所述深度神经元网络的所确定的输出参量来操控车辆(10)。
2.根据权利要求1所述的方法,其中小于所述第一值域的第二规定值(a)的值借助于修正线性单元(ReLu)激活函数被映射到所述第二值域(22)上。
3.根据上述权利要求中任一项所述的方法,其中大于所述第一值域(21)的第三规定值的值被映射到所述第二值域(22)的第三规定值上,所述第二值域的第三规定值小于所述第二值域(22)的第二规定值(â),而且
其中所述第一值域(21)的第三规定值大于所述第一值域(21)的第二规定值(a)。
4.一种计算机程序,所述计算机程序包括如下指令,所述指令在计算机上实施时促使所述计算机实施根据权利要求1至3中任一项所述的方法。
5.一种机器可读存储元件(15),在其上存储有根据权利要求4所述的计算机程序。
6.一种设备(14),所述设备被设立为实施根据权利要求1至3中任一项所述的方法之一。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018203137.1 | 2018-03-02 | ||
DE102018203137.1A DE102018203137A1 (de) | 2018-03-02 | 2018-03-02 | Verfahren, Vorrichtung und Computerprogramm zum Betreiben eines zumindest teilautonomen Fahrzeugs |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222813A true CN110222813A (zh) | 2019-09-10 |
Family
ID=67622594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910154846.3A Pending CN110222813A (zh) | 2018-03-02 | 2019-03-01 | 运行至少部分自动化的车辆的方法、设备和计算机程序 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110222813A (zh) |
DE (1) | DE102018203137A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7336425B2 (ja) * | 2020-10-14 | 2023-08-31 | 株式会社豊田中央研究所 | モデル学習装置、制御装置、モデル学習方法、および、コンピュータプログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5784304A (en) * | 1995-02-01 | 1998-07-21 | Nec Corporation | Adaptively controlled filter |
CN103454915A (zh) * | 2012-06-04 | 2013-12-18 | 罗伯特·博世有限公司 | 用于执行位置发送器的调整装置的自适应位置调节的方法和装置 |
CN103513618A (zh) * | 2012-06-18 | 2014-01-15 | 新奥科技发展有限公司 | 工业过程的控制方法和设备 |
CN105035085A (zh) * | 2015-07-31 | 2015-11-11 | 奇瑞汽车股份有限公司 | 自动跟车方法及装置 |
CN106777527A (zh) * | 2016-11-24 | 2017-05-31 | 上海市特种设备监督检验技术研究院 | 基于神经网络模型的起重机小车运行能耗分析方法 |
CN107330845A (zh) * | 2017-06-26 | 2017-11-07 | 中山大学 | 一种基于卷积神经网络的数字图像隐写分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016212700A1 (de) | 2016-07-13 | 2018-01-18 | Robert Bosch Gmbh | Verfahren und System zur Steuerung eines Fahrzeugs |
-
2018
- 2018-03-02 DE DE102018203137.1A patent/DE102018203137A1/de active Pending
-
2019
- 2019-03-01 CN CN201910154846.3A patent/CN110222813A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5784304A (en) * | 1995-02-01 | 1998-07-21 | Nec Corporation | Adaptively controlled filter |
CN103454915A (zh) * | 2012-06-04 | 2013-12-18 | 罗伯特·博世有限公司 | 用于执行位置发送器的调整装置的自适应位置调节的方法和装置 |
CN103513618A (zh) * | 2012-06-18 | 2014-01-15 | 新奥科技发展有限公司 | 工业过程的控制方法和设备 |
CN105035085A (zh) * | 2015-07-31 | 2015-11-11 | 奇瑞汽车股份有限公司 | 自动跟车方法及装置 |
CN106777527A (zh) * | 2016-11-24 | 2017-05-31 | 上海市特种设备监督检验技术研究院 | 基于神经网络模型的起重机小车运行能耗分析方法 |
CN107330845A (zh) * | 2017-06-26 | 2017-11-07 | 中山大学 | 一种基于卷积神经网络的数字图像隐写分析方法 |
Also Published As
Publication number | Publication date |
---|---|
DE102018203137A1 (de) | 2019-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190243317A1 (en) | Method and device for improving the robustness with respect to "adversarial examples" | |
CN108961238A (zh) | 显示屏质量检测方法、装置、电子设备及存储介质 | |
DE102017128694A1 (de) | Mehrfachmodus-Grenzauswahl zur Bedrohungserkennung in einem industriellen Anlagensteuersystem | |
CN109064446A (zh) | 显示屏质量检测方法、装置、电子设备及存储介质 | |
CN106991072A (zh) | 在线自学习事件检测模型更新方法及装置 | |
JP7124743B2 (ja) | 線状体の異常検出装置及び異常検出方法 | |
DE102018115266A1 (de) | Malware-detektionssystem zur angriffsverhinderung | |
CN109190379A (zh) | 一种深度学习系统的漏洞检测方法和装置 | |
US20200234184A1 (en) | Adversarial treatment to machine learning model adversary | |
CN111862228A (zh) | 遮挡检测的方法、系统、计算机设备和可读存储介质 | |
CN113537374B (zh) | 一种对抗样本生成方法 | |
CN111684367B (zh) | 控制装置、控制系统、控制方法以及计算机可读存储介质 | |
US20200389478A1 (en) | Self-certified security for assured cyber-physical systems | |
CN111753868A (zh) | 对黑盒对象检测算法的对抗攻击 | |
DE102015220884A1 (de) | Bildverarbeitungsvorrichtung | |
CN107527074B (zh) | 用于车辆的图像处理方法和装置 | |
CN110222813A (zh) | 运行至少部分自动化的车辆的方法、设备和计算机程序 | |
CN106843189A (zh) | 振荡故障检测方法和装置、电子飞行控制系统和飞行器 | |
CN111583159B (zh) | 一种图像补全方法、装置及电子设备 | |
US10839268B1 (en) | Artificial intelligence adversarial vulnerability audit tool | |
EP4148581B1 (en) | Verification of updated analytical procedures in monitoring systems | |
CN108762826A (zh) | 进程隐藏方法及计算机可读存储介质 | |
CN111640076B (zh) | 一种图像补全方法、装置及电子设备 | |
CN109446016B (zh) | 一种增强现实技术ar功能测试方法、装置及系统 | |
CN105512691A (zh) | 一种目标分类器自适应更新方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |