CN111527500A - 用于增强人工神经网络的分布式架构中的自学习 - Google Patents

用于增强人工神经网络的分布式架构中的自学习 Download PDF

Info

Publication number
CN111527500A
CN111527500A CN201880083679.1A CN201880083679A CN111527500A CN 111527500 A CN111527500 A CN 111527500A CN 201880083679 A CN201880083679 A CN 201880083679A CN 111527500 A CN111527500 A CN 111527500A
Authority
CN
China
Prior art keywords
vehicle
input
artificial neural
neural network
network model
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.)
Granted
Application number
CN201880083679.1A
Other languages
English (en)
Other versions
CN111527500B (zh
Inventor
A·蒙代洛
A·特罗亚
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.)
Micron Technology Inc
Original Assignee
Micron Technology Inc
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 Micron Technology Inc filed Critical Micron Technology Inc
Publication of CN111527500A publication Critical patent/CN111527500A/zh
Application granted granted Critical
Publication of CN111527500B publication Critical patent/CN111527500B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
    • 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
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种运载工具，其具有最初安装于其中以从由所述运载工具的一或多个传感器产生的输入产生输出的第一ANN模型。所述运载工具基于使用所述第一ANN模型从所述输入产生的输出选择输入。所述运载工具具有用以通过无监督机器学习从包含由所述运载工具选择的所述输入的传感器数据渐进地训练所述第一ANN模型的模块。任选地，用于所述无监督学习的所述传感器数据可进一步包含由群体中的其它运载工具选择的输入。将由运载工具选择的传感器输入传输到集中式计算机服务器，所述集中式计算机服务器通过监督机器学习从来自所述群体中的所述运载工具的传感器所接收输入训练所述第一ANN模型并产生第二ANN模型，作为所述群体中经由无监督机器学习先前渐进地改进的所述第一ANN模型的替代。

Description

用于增强人工神经网络的分布式架构中的自学习
相关申请案
本申请案主张于2017年12月29日提出申请且标题为“分布式架构中的自学习以增强人工神经网络(Self-Learning in Distributed Architecture for EnhancingArtificial Neural Network)”的美国专利申请案序号15/858,505的优先权，所述申请案的全部揭示内容特此以引用方式并入本文中。
本申请案与于2017年12月29日提出申请且标题为“用于增强人工神经网络的分布式架构(Distributed Architecture for Enhancing Artificial Neural Network)”的美国专利申请案序号15/858,143相关，所述美国专利申请案的全部揭示内容特此以引用方式并入本文中。
技术领域
本文中所揭示的至少一些实施例一般来说涉及人工神经网络，且更特定来说涉及但不限于用于运载工具控件的人工神经网络。
背景技术
自主驾驶技术领域的最近发展允许计算系统至少在一些条件下在不具有来自运载工具的人类操作者的辅助的情况下操作运载工具的控制元件。
举例来说，传感器(例如，相机及雷达)可安装在运载工具上以检测道路上的运载工具的环境的条件。安装在运载工具上的计算系统分析传感器输入以识别条件并产生用于在不具有来自运载工具的人类操作者的任何输入的情况下自主调整运载工具的方向及/或速度的控制信号或命令。
自主驾驶及/或高级驾驶员辅助系统(ADAS)通常涉及用于识别在传感器输入中捕获的事件及/或对象的人工神经网络(ANN)。
一般来说，人工神经网络(ANN)使用神经元的网络来处理到网络的输入并从网络产生输出。
网络中的每一神经元m接收一组输入pk，其中k＝1、2…n。一般来说，到神经元的输入中的一些输入可为网络中的某些神经元的输出；且到神经元的输入中的一些输入可整体上为到网络的输入。网络中的神经元当中的输入/输出关系表示网络中的神经元连接性。
每一神经元m分别具有针对其输入pk的偏置bm、激活函数fm及一组突触权重wmk，其中k＝1、2…n。激活函数可呈阶梯函数、线性函数、log-sigmoid函数等的形式。网络中的不同神经元可具有不同激活函数。
每一神经元m产生其输入与其偏置的加权和，其中sm＝bm+wm1×p1+wm2×p2+…+wmn×pn。神经元m的输出am是加权和的激活函数，其中am＝fm(sm)。
一般来说，ANN的输入与输出之间的关系由ANN模型定义，所述ANN模型包含表示网络中的神经元的连接性，以及每一神经元m的偏置bm、激活函数fm及突触权重wmk的数据。使用给定ANN模型，计算装置从到网络的给定组输入计算网络的输出。
举例来说，到ANN网络的输入可基于相机输入产生；且来自ANN网络的输出可为例如事件或对象的项目的识别。
举例来说，标题为“使用深度学习的基于视觉的下雨检测(Vision-Based RainDetection using Deep Learning)”的美国专利公开案第2017/0293808号揭示使用安装在运载工具上的摄像机经由ANN模型来确定运载工具是在下雨天气还是不下雨天气的方法。
举例来说，标题为“道路构造检测系统及方法(Road Construction DetectionSystems and Methods)”的美国专利公开案第2017/0242436号揭示使用ANN模型检测道路构造的方法。
举例来说，美国专利第9,672,734号及第9,245,188号论述用于人类驾驶员及/或自主运载工具驾驶系统的车道检测技术。
一般来说，可使用其中突触权重经调整以最小化或减少因相应输入而引起的已知输出与从将输入应用于ANN产生的经计算输出之间的误差的监督方法来训练ANN。监督学习/训练的实例方法包含强化学习及使用误差校正的学习。
或者或以组合方式，可使用其中因给定组输入而引起的确切输出在完成训练之前并不被先验地知晓的无监督方法来训练ANN。ANN可经训练以将项目分类成多个类别，或将数据点分类成群集。
通常将多个训练算法用于复杂机器学习/训练范例。
上文所论述的专利文件的揭示内容特此以引用方式并入本文中。
附图说明
在附图的各图中以实例而非限制方式图解说明实施例，其中相似参考指示类似元件。
图1图解说明根据一个实施例用以改进人工神经网络(ANN)模型的系统。
图2展示根据一个实施例在图1的系统中配置以改进人工神经网络(ANN)模型的运载工具的实例。
图3展示根据一个实施例用以更新人工神经网络(ANN)模型的操作。
图4展示根据一个实施例用以更新人工神经网络(ANN)模型的方法。
图5展示根据一个实施例用以选择用于训练人工神经网络(ANN)模型的数据的详细方法。
图6展示根据一个实施例在图1的系统中配置以改进人工神经网络(ANN)模型的运载工具的另一实例。
图7展示根据一个实施例在更新人工神经网络(ANN)模型中使用自学习的操作。
图8展示根据一个实施例在更新人工神经网络(ANN)模型中使用自学习的方法。
图9展示根据一个实施例用以增强人工神经网络(ANN)模型的详细方法。
具体实施方式
本文中所揭示的至少一些实施例提供一种用于更新安装在运载工具中的人工神经网络(ANN)模型的分布式系统，其中训练数据集基于从由运载工具在其现实世界服务期间收集的传感器数据产生的ANN模型的输出来构造。基于输出的特性，将用于产生输出的对应传感器输入选择性地存储在运载工具中及/或从运载工具传输到集中式服务器，所述集中式服务器使用监督方法及所选择传感器数据执行进一步机器学习/训练以产生可随后加载到运载工具中以替代其先前安装的ANN模型并增强运载工具在处理其它传感器数据中的能力的经更新ANN模型。
任选地，运载工具可进一步经配置以包含实施无监督机器学习技术的模块。存储在个别运载工具处的所选择传感器输入可由模块用于自学习以在由集中式服务器使用监督机器学习技术产生的经更新ANN模型可用之前改进当前安装在相应运载工具中的ANN模型。典型运载工具可存储使用其传感器产生的传感器数据及/或接收由其它运载工具选择的传感器数据(例如，经由集中式服务器)。可在无监督机器学习/训练中使用在具有无监督学习/训练模型的相应运载工具中可用的，包含来自其自身传感器的传感器输入及/或来自群体中的其它运载工具的传感器的传感器输入的传感器数据的全部集合体，以在监督机器学习/训练结果在集中式服务器处变得可用之前，改进当前安装在相应运载工具中的本地ANN模型。
举例来说，当ANN模型由运载工具用于从服务的例子处的运载工具的一组传感器数据产生输出时，所述输出可经检查以确定输出是否表示及/或指示ANN模型在处理所述组传感器数据中的不准确性及/或无能力。如果是，那么将所述组传感器数据存储在运载工具中及/或从运载工具传输到集中式服务器以促进进一步机器学习/训练以产生经更新ANN模型，使得当使用经更新ANN模型时运载工具可准确地处理所述组传感器数据及/或类似数据。
举例来说，可将ANN模型应用于捕获由道路上的运载工具遇到的事件或对象的一组传感器数据以辨识所述事件或对象。如果先前尚未经由机器学习训练或充分训练ANN模型以辨识此特定类型的事件或对象，那么ANN模型可无法将事件或对象明确地标注为已知事件或对象中的一者。在此情形中，ANN模型可产生将事件或对象识别为未知的，或识别为数个可能的事件或对象中的一者的输出。当ANN模型将事件或对象辨识为可能是两个或更多个已知事件或对象中的任一者时，ANN模型无法产生唯一输出且无法产生准确辨识结果。在此情形中，ANN模型将(例如)经由监督机器学习技术经进一步训练以正确地及/或准确地处理传感器数据，以从在现实世界服务中产生的传感器数据辨识事件或对象及/或类似事件或对象。
一般来说，当ANN模型正被用于例如具有用于自主驾驶及/或高级驾驶员辅助系统(ADAS)的功能的运载工具中，具有人工智能(AI)功能的经连接家庭装置中，具有用于制造中的自动化及数据交换的AI功能的工业4.0装置中等许多装置中的一者时，经训练以在辨识或分类在输入数据(例如，与事件或对象相关联的数据)中捕获的项目中处理输入数据的ANN模型可在其服务时间期间遇到非预期项目。因此，本文中结合运载工具所论述的技术也可与其它智能装置一起使用，例如用于经连接家庭、机器人、制造等的那些智能装置。
图1图解说明根据一个实施例用以改进人工神经网络(ANN)模型的系统。
图1的系统包含经由通信网络102与一组运载工具111、…、113通信的集中式服务器101
服务器101包含用以训练、产生及更新人工神经网络(ANN)模型119的监督训练模块117，所述人工神经网络(ANN)模型包含在网络中用于处理在运载工具111、…、113中产生的传感器数据的神经元的神经元偏置121、突触权重123及激活函数125。
一旦(例如)针对自主驾驶及/或高级驾驶员辅助系统设计、训练及实施了ANN模型119，便可在运载工具111、…、113的群体上部署ANN模型119用于在其相应环境中的现实世界用途。
通常，运载工具111、…、113具有传感器，例如，可见光摄像机、红外摄像机、激光雷达、雷达、声呐，及/或一组外围传感器。运载工具111、…、113的传感器产生使自主驾驶及/或高级驾驶员辅助系统中的ANN模型119产生例如转向、制动、加速度、驾驶、提醒、紧急响应等操作指令的传感器输入。
在运载工具111、…、113在其相应服务环境中进行操作期间，运载工具111、…、113遇到在传感器数据中捕获的例如事件或对象的项目。ANN模型119由运载工具111、…、113用于提供项目的识别，以促进产生用于运载工具111、…、113的操作(例如，用于自主驾驶及/或用于高级驾驶员辅助)的命令。
所遇到的项目中的一些项目可为非预期的且因此并未在ANN模型119的设计、训练及/或实施中予以充分考虑。因此，ANN模型119可将非预期项目识别为未知的，或无法将项目分类成单个已知类别。
运载工具111、…、113的用于自主驾驶及/或高级驾驶员辅助的功能可根据预编程策略来处理此类未知项目。举例来说，作为对检测到未知事件或对象的响应，运载工具111可经编程以规避所述项目、起始安全模式响应、提醒人类操作者进行控制、向人类操作者请求辅助、通过保持距离使运载工具处于较安全态势中及/或减速停车等。
当通过使用ANN模型119从特定传感器输入产生的输出识别未知项目(或以不充分精确性或置信水平分类项目)时，运载工具(例如，111)经配置以存储负责输出的特定传感器输入及/或将传感器输入传输到集中式服务器101。所选择及被传输回到服务器101的传感器输入丰富用于通过在训练模型117中实施的监督机器学习技术训练及更新ANN模型119的传感器数据103。
举例来说，运载工具111可经由到存取点(或基站)105的无线连接115与服务器101通信以提交传感器输入，从而丰富作为用于使用监督训练模块117实施的机器学习的额外数据集的传感器数据103。无线连接115可经由无线局域网、蜂窝式通信网络及/或到卫星109的通信链路107或通信气球进行。
任选地，可将存储在运载工具111中的传感器输入传送到另一计算机以上传到集中式服务器101。举例来说，传感器输入可经由例如通用串行总线(USB)驱动器的存储器装置及/或经由有线计算机连接、蓝牙或WiFi连接、诊断工具等传送到另一计算机。
任选地，可将由运载工具111在其现实世界服务期间遇到的非预期项目的不同例子的传感器输入存储在运载工具111中并捆扎在一起，以在例如定期维护服务的时间，或当运载工具111停放在可接入因特网的位置处时的时间的适合时间以批量模式传输到服务器101。
任选地，可在操作运载工具期间及/或在处理遇到非预期项目的例子期间实时地传输(例如，使用蜂窝式通信网络)传感器输入。
任选地，运载工具111也可基于自主驾驶及/或高级驾驶员辅助系统的处理来选择其它传感器输入。举例来说，当确定运载工具111在不安全或不期望条件中时，运载工具111可向服务器101提供经记录用于导致所述条件的时间周期的传感器输入。
任选地，运载工具111也可随机选择一些传感器输入来丰富用于训练及更新ANN模型119的传感器数据103。
周期性地，服务器101运行监督训练模块117来更新ANN模型119。服务器101可使用通过来自运载工具111及/或来自在同一地理区域中或具有类似交通条件的地理区域中操作的类似运载工具(例如，113)的传感器输入增强的传感器数据103来产生用于运载工具111的ANN模型119的客制化版本。
任选地，服务器101使用通过来自运载工具(例如，111、113)的普通群体的传感器输入增强的传感器数据103来产生用于普通群体的ANN模型119的经更新版本。
由于经由机器学习使用与先前非预期或未经辨识项目相关联的传感器输入来训练ANN模型119的经更新版本以确定且准确地辨识及/或分类这些项目及/或类似项目。因此，增强了ANN模型119的能力。
经更新ANN模型119可经由通信网络102、存取点(或基站)105、通信链路(115及/或117)下载到运载工具(例如，111)作为运载工具(例如，111)的固件/软件的空中更新。或者，可在汽车特许经销店或经授权汽车维修店处执行更新。
任选地，运载工具111具有自学习能力。在道路上一延长周期之后，运载工具111可使用其收集并存储在运载工具111中的传感器输入(例如，捕获非预期、未知及/或未经辨识事件或对象的传感器输入)产生用于安装在运载工具111中的ANN模型119的一组新突触权重123、神经元偏置121、激活函数125及/或神经元连接性。
作为实例，可由运载工具111、…、113的工厂、生产者或制造者或运载工具111、…、113的自主驾驶及/或高级驾驶员辅助系统的供应商来操作集中式服务器101。
图2展示根据一个实施例在图1的系统中配置以改进人工神经网络(ANN)模型的运载工具的实例。
图2的运载工具111包含信息娱乐系统149、通信装置139、一或多个传感器137，及连接到运载工具111的一些控件(例如，针对运载工具111的方向的转向控件141、针对运载工具111的停止的制动控件143、针对运载工具111的速度的加速度控件145等)的计算机131。
运载工具111的计算机131包含一或多个处理器133、存储固件(或软件)127的存储器135、ANN模型119(例如，如在图1中所图解说明)及其它数据129。
一或多个传感器137可包含经配置以将传感器输入提供到计算机131的可见光摄像机、红外摄像机、激光雷达、雷达或声呐系统及/或外围传感器。在处理器133中执行的固件(或软件)127的模块将传感器输入应用于由模型119定义的ANN，以产生识别或分类在传感器输入中捕获的例如图像或视频剪辑的事件或对象的输出。
由ANN模型119产生的事件或对象的识别或分类可由固件(或软件)127的自主驾驶模块或高级驾驶员辅助系统用于产生响应。响应可为用以激活及/或调整运载工具控件(141、143及145)中的一者的命令。
任选地，事件或对象的识别或分类经由信息娱乐系统149呈交到运载工具111的占有者。
当将改进当前事件或对象的识别或分类时(例如，当事件或对象被识别为未知的，或识别为多个可能的事件或对象中的一者，或识别为具有低于阈值的置信水平的事件或对象时)，计算机131选择用于存储在存储器135中的传感器输入(例如，图像或视频剪辑，或从图像或视频剪辑导出用于ANN的数据)。随后或实时地，计算机131使用通信装置139将所选择传感器输入传输到图1中所图解说明的服务器101。
服务器101存储所接收传感器输入作为传感器数据103的部分，用于随后使用监督训练模块117进一步训练或更新ANN模型119。
当ANN模型119的经更新版本在服务器101中可用时，运载工具111可使用通信装置139下载经更新ANN模型119以安装在存储器135中及/或替代先前安装的ANN模型119。
图3展示根据一个实施例用以更新人工神经网络(ANN)模型的操作。举例来说，图3的操作可在具有图2的运载工具111的图1的系统中执行。
在图3中，从例如安装在图2的运载工具111中的传感器137的一或多个传感器获得传感器输入151。举例来说，传感器输入151基于使用感测可见光及/或红外光的相机或激光雷达、雷达或声呐系统捕获的图像或视频。举例来说，图像或视频展示道路上的图2的运载工具111的环境中的事件或对象。
将传感器输入151应用于安装在例如图2的运载工具111的计算机131的计算装置中的ANN模型119，以产生可为经辨识输出157或未经辨识输出153的输出。基于致使ANN模型产生未经辨识输出153的传感器输入151，执行对应传感器输入151的选择157，使得负责产生未经辨识输出153的传感器输入151选择为传感器数据103的部分
将所选择传感器输入151添加到传感器数据103以形成用于经更新ANN模型163的监督训练161的训练数据集。
任选地，传感器数据103可包含来自其它数据源的贡献，例如来自其它运载工具(例如，113)的所选择传感器输入。
优选地，在执行监督训练以产生经更新ANN模型163(例如，使用在图1中所图解说明的监督训练模块117中实施的监督机器学习技术)的集中式服务器(例如，图1中所图解说明的101)处收集传感器数据103。
经更新ANN模型163将替代165在例如图2的运载工具111的计算机131的对应计算装置中的先前安装的ANN模型119。举例来说，当运载工具111的计算机131使用先前安装的ANN模型119时，计算机131从传感器输入151(或类似输入)产生未经辨识输出153。当运载工具111的计算机131使用经更新ANN模型163时，计算机131能够从传感器输入151(或类似输入)产生经辨识输出157。因此，通过在运载工具111的计算机131的存储器135中存储并使用经更新ANN模型163来改进运载工具111的能力。
图3的操作也可在于各种服务位置处的计算装置的群体中使用ANN模型来处理传感器数据的其它智能系统中执行，例如，具有由ANN模型供电的智能装置及传感器的经连接家庭系统或具有由ANN模型供电的装置及传感器的工业4.0系统。
图4展示根据一个实施例用以更新人工神经网络(ANN)模型的方法。举例来说，图4的方法可至少部分地在图1的系统中图2的运载工具111中执行。图4的方法也可在类似于图1中所图解说明的分布式系统的分布式系统中，在例如经连接家庭装置或工业4.0装置的另一ANN供电的装置中执行。
图4的方法包含：接收171在计算装置(例如，131)的服务位置处产生的传感器输入151；将传感器输入151应用173于安装在计算装置(例如，131)中的人工神经网络(ANN)模型119以产生结果(例如，153或157)；确定175所述结果是经辨识结果(例如，157)还是未经辨识结果(例如，153)。
如果确定175结果是经辨识结果(例如，157)，那么图4的方法进一步包含：根据结果产生177控制命令(而不将传感器输入传输到集中式服务器(例如，101)；否则，计算装置(例如，131)将传感器输入151传输179到集中式服务器(例如，101)以致使集中式服务器181使用在集中式服务器(例如，101)处的传感器输入151产生181经更新ANN模型163。将经更新ANN模型163从服务器传输183到计算装置(例如131)以更新其ANN能力。
图5展示根据一个实施例用以选择用于训练人工神经网络(ANN)模型的数据的详细方法。举例来说，图5的方法可使用图3及/或图4的技术在用于图2中所图解说明的运载工具的图1的系统中执行。
图5的方法包含：在集中式计算机服务器101处针对运载工具111、…、113的群体产生191人工神经网络(ANN)模型119；将ANN模型119安装193在运载工具111、…、113上；使用经安装ANN模型119，基于运载工具111、…、113在其服务操作期间的传感器输入151产生195控制命令；由运载工具111、…、113基于从传感器输入(例如，151)的部分产生的经安装ANN模型119的输出(例如，153)选择197传感器输入(例如，151)的部分；将传感器输入(例如，151)的所选择部分从运载工具111、…、113传输199到集中式计算机服务器101作为用于通过监督机器学习进行进一步训练的传感器数据103；通过使用监督训练/学习技术及使用包含传感器输入151的所选择部分的传感器数据103进行的额外训练161产生201经更新ANN模型163；将经更新ANN模型163从集中式计算机服务器101传输203到运载工具111、…、113；及在运载工具111、…、113中使用经更新ANN模型163替代205先前安装的ANN模型119。
举例来说，在图5的方法中，ANN模型(119或163)的输出可在自主驾驶或提供高级驾驶员辅助期间用于控制(例如，141、143、145)运载工具(例如，111)的加速度、运载工具111的速度及/或运载工具111的方向。
通常，当产生经更新ANN模型153时，更新网络中的神经元中的一些神经元的突触权重123的至少一部分。更新也可调整一些神经元偏置121及/或改变一些神经元的激活函数125。在一些例子中，可将额外神经元添加到网络中。在其他例子中，可从网络移除一些神经元。
在图5的方法中，可基于致使选择产生对应输出的对应传感器输入(例如，151)的输出的一或多个特性来选择197传感器输入(例如，151)的部分。
举例来说，传感器输入151可为使用以下各项捕获事件及/或对象的图像或视频：使用对人类眼睛可见的光成像的相机或使用红外光成像的相机，或声呐、雷达或激光雷达系统。可响应于从相应所选择传感器输入151产生，识别未知项目，识别在初始人工神经网络模型119的开发中不期望的项目，及/或将在输入151中捕获的例如事件或对象的项目识别为两个或更多个可能的候选中的一者的输出(例如，153)来选择(157、197)传感器输入151。
举例来说，传感器输入151可经选择197以产生具有如下特性的输出153：缺乏关于在传感器输入151中捕获的项目的知识，缺乏在多个已知类别中的项目的确切分类，缺乏项目的预定识别，具有低于阈值的项目的识别或分类中的准确性及/或具有低于阈值的项目的辨识中的置信水平等。
在一些例子中，基于由特定运载工具111选择的传感器输入151为特定运载工具111客制化经更新ANN模型163。在其他例子中，经更新ANN模型163对于使用由服务中的运载工具111、…、113的群体选择的传感器输入(例如，151)是通用的。
可由相应运载工具在其处理来自当前安装的ANN模型119的输出期间实时地执行所选择部分的传输199。或者，每一运载工具(例如，111)可保存一组所选择传感器输入(例如，151)并在方便时间安排其传输，例如在特许经销店处的维护或维修服务期间、在被停放在可接入因特网的位置处时的夜间等。
运载工具111、…、113可任选地配置有使用由相应运载工具111、…、113识别的至少传感器输入151并使用无监督机器学习/训练技术渐进地训练其相应ANN模型的自学习模块。任选地，在可使用新传感器输入使用监督机器学习/训练方法获得经更新ANN模型之前，运载工具111、…、113可进一步从群体中的其它运载工具111、…、113收集传感器输入151用于无监督本地学习/训练。
举例来说，除了选择在运载工具113上产生未经辨识输出153(及/或其它输出(例如，157))的传感器输入151之外，运载工具113可接收由附近运载工具111经由同级间通信连接，或经由从集中式服务器101选择性地检索由其它运载工具(例如，111)先前上传到集中式服务器101的感器数据103的一部分所选择的传感器输入(例如，151)。一般来说，不同运载工具111、…、113具有不同自学习路径，此取决于在不同运载工具111、…、113中的不同自学习时间例子处可用的不同传感器输入及/或使用其相应数据集进行训练/学习的无监督本地学习/训练的应用序列。因此，在给定时间例子处，群体中的不同运载工具111、…、113可由于由运载工具111、…、113执行的自学习而已经具有不同地训练/更新的ANN模型119版本。当经更新ANN模型163经由监督训练161产生并分布到群体中的运载工具111、…、113时，运载工具111、…、113在其经由ANN辨识项目的能力中变得同步。后续自学习可接着进一步引入其在经由ANN辨识项目中的能力的差异，此取决于其在道路上的后续用途。可经由监督机器学习/训练，通过来自集中式服务器的全局更新的循环来重复所述过程，且在循环职之间，由个别运载工具经由无监督机器学习/训练来执行本地更新。
图6展示根据一个实施例在图1的系统中配置以改进人工神经网络(ANN)模型的运载工具的另一实例。举例来说，图6的运载工具113可通过将额外功能添加到图2的运载工具111来实施。
图6中的运载工具113包含允许运载工具113的计算机131在不具有关于在训练中使用的针对输入的输出的先验知识的情况下使用在运载工具113的存储器135中可用的传感器数据102进一步训练其ANN模型119的无监督训练模块118。
在运载工具113的存储器135中可用的传感器数据102通常不同于同时存储在服务器101中的传感器数据103。
在一些例子中，在运载工具113中用于无监督训练模块118的传感器数据102不限于由同一运载工具113的传感器137产生的传感器输入。
在运载工具113中用于无监督训练模块118的传感器数据102通常包含由同一运载工具113的传感器137产生的传感器输入(例如，151)。可根据来自ANN模型119(或在先前版本的服务的时间例子期间先前安装在运载工具113中的ANN模型119的先前版本)的先前输出的特性选择传感器数据102。用于做出选择的输出的特性可为指示所选择传感器数据151包含未知或未经辨识项目，或以低于阈值的置信水平或准确性辨识的项目的那些特性。
在运载工具113中用于无监督训练模块118的传感器数据102可任选地包含由同一运载工具113的传感器137产生的使用其它准则选择的传感器输入，例如，随机或基于在使用无监督训练模块118之前的时间周期选择的传感器输入。
在运载工具113中用于无监督训练模块118的传感器数据102可任选地包含由另一运载工具111的传感器137产生的传感器输入。举例来说，在附近运载工具111将其所选择传感器输入151上传到集中式服务器101之后，具有无监督训练模块118的运载工具113及/或集中式服务器101可做出确定以载入由附近运载工具111选择的用于运载工具113中的无监督学习模块118的传感器输入151。可基于运载工具111遇到由附近运载工具111上传到集中式服务器101的传感器输入151中的相同或类似项目的可能性做出所述确定。
举例来说，当运载工具(111及113)在相同地理区域及/或相同街区中操作时，运载工具(111及113)遇到相同或类似未知项目的可能性高。因此，在集中式服务器101经由监督训练161产生经训练以处理含有此些未经辨识项目的传感器输入151的经更新ANN模型163之前，可将展示由所述地理区域或街区中的一个运载工具111报告的未经辨识项目的传感器输入151传输到另一运载工具113用于自学习。
举例来说，当已在同一时间周期(例如，日、周、月)期间在同一道路上操作运载工具(111及113)时，由道路上的一个运载工具111遇到的未经辨识项目的传感器输入151可与另一运载工具113的后续服务有关。由于运载工具113可能在道路上在后续时间周期中遇到此些未经辨识项目，因此可将由运载工具111报告的传感器输入151提供到运载工具113用于自学习。
在一些例子中，集中式服务器101基于在由相应运载工具(例如，111及113)提交的传感器数据103中捕获的已知项目中的相关性将运载工具(例如，111及113)相关。当运载工具(例如，111及113)具有在其相应传感器输入中捕获的类似频谱的已知项目时，运载工具(例如，111及113)可能遇到类似未知项目。此外，具有类似轮廓的所遇到的已知项目的经相关运载工具可经处理以产生具有遇到类似已知或未知项目的高可能性的运载工具的预测模型。因此，预测模型可从运载工具113的属性识别可能已遇到运载工具113可能遇到的项目的一组运载工具(例如，111)。来自经识别组运载工具(例如，111)的传感器数据可经选择并被传输到运载工具113作为传感器数据102的部分以应用无监督训练模型118。在预测模型中使用的属性的实例可包含何时、何地及/或如何操作运载工具，及/或运载工具(例如，111及113)的用户的属性。可使用ANN及/或统计工具构造预测模型。
考虑到隐私问题及/或用户偏好，可限制传感器输入151从一个运载工具111传达到另一运载工具113。
举例来说，当在公共环境上(例如，在公共道路上)操作运载工具111时获得传感器输入151时，可允许传感器输入151提供到另一运载工具113。
举例来说，当在可导致隐私问题的环境上(例如，在私有道路上)操作运载工具111时获得传感器输入151时，可防止传感器输入151传输到另一运载工具113。
在一些例子中，运载工具111的拥有者或用户可选择加入与其它运载工具(例如，113)分享传感器输入151以在某些条件下进行无监督训练，但在其它条件下选择退出。
在图6中，传感器数据102包含捕获不被当前安装的ANN模型119辨识的项目的传感器输入151。当根据传感器输入151将无监督训练模块118应用于调整ANN模型119时，在处理传感器输入151中改进了经调整ANN模型119。
举例来说，经调整ANN模型119可将项目辨识为某一耐受水平内的一组已知项目中的一者。
在一些例子中，经调整ANN模型119可增加在将在传感器输入151中捕获的项目识别为项目的已知类别或分类中的一者中的准确性或置信水平。
在一些例子中，经调整ANN模型119可减小在识别、分类、辨识在传感器输入151中展示的项目中的不明确性。
在未先验地知晓在传感器数据102中捕获的项目的确切识别的情况下，无监督训练模块118通常大体上相对于彼此调整在传感器数据(例如，102)中捕获的项目的组织。举例来说，根据训练之后的ANN模型119可发现，根据训练之前的ANN模型119确定的，不在多个已知群集中的任一者内的项目充分接近已知群集中的一者且因此被分类到对应群集；且因此，在训练之后，可以充分置信水平将项目识别为已知群集的成员。在将项目识别为在已知群集中之后，运载工具113可根据预编程策略产生控制命令以响应已知群集中的项目。
在一些例子中，一组项目对于ANN模型119中的已知群集可为全新的且因此不接近已知群集中的任一者。因此，经由传感器数据102进行的无监督学习及无监督训练模型118可不能够明确地识别、分类或辨识此些项目。然而，当在所述组未知项目内存在结构时，可从无监督机器学习识别所述结构。
举例来说，可将未知项目分类成可在集中式服务器101处随后命名的一或多个相异群集(例如，用于监督训练161。运载工具113可任选地学习以不同地(例如，基于来自运载工具113的用户的输入)响应不同的未知群集及/或运载工具113与相应群集中的项目之间的运动关系的结果。
举例来说，运载工具113可使用未知群集的分类来组织将传感器输入(例如，151)存储及报告到集中式服务器101。
图7展示根据一个实施例在更新人工神经网络(ANN)模型中使用自学习的操作。举例来说，图7的操作可在具有图6的运载工具113的图1的系统中，或用于经连接家庭的装置的群体中，或用于智慧制造的工业4.0装置的群体中执行。
在图7中，从本地计算装置的一或多个服务位置处的一或多个传感器获得本地传感器输入151。
举例来说，用于图6的运载工具113的计算机131的本地传感器输入151由在沿着道路的一或多个服务位置处本地安装在运载工具113中的传感器137产生。举例来说，配置在具有不同装置的群体的分布式系统中的经连接家庭装置或工业4.0装置从其相应本地传感器获得本地传感器输入151。
举例来说，可使用感测可见光及/或红外光的摄像机，或激光雷达、雷达或声呐系统以捕获例如事件或对象的项目的图像或视频的形式产生本地传感器输入151。本地传感器输入151可包含表示图像或视频的数据，及/或从图像或视频撷取或导出的输入数据。
当将传感器输入151应用于由ANN模型119定义的人工神经网络(ANN)时，由相应计算装置(例如，图6的运载工具113的计算机131)计算输出(例如，153及157)。
当ANN模型119产生未经辨识输出153时，以类似于结合图3论述的选择157及/或结合图5论述的选择197的方式选择导致产生未经辨识输出153的对应传感器输入151。
在图6中，将用于未经辨识输出153的传感器输入151选择157及/或存储为本地传感器数据102的部分。本地计算装置(例如，图6的运载工具113、经连接家庭装置或工业4.0装置)可将其所选择传感器输入传输到集中式服务器(例如，101)以有助于集中式传感器数据103存储在集中式服务器(例如，101)中。
集中式传感器数据103通常包含由多个本地计算装置以类似于本地使用ANN模型119的例子的特定本地计算装置选择157本地传感器数据102的方式选择的本地传感器数据，例如，由图2的运载工具111选择的本地传感器数据151及由图6的运载工具113(或一组经连接家庭装置或一组工业4.0装置)选择的本地传感器数据151。
任选地，集中式服务器(例如，101)将由其它本地计算装置(例如，图2的运载工具111)对集中式传感器数据103做出的贡献传达到本地计算装置(例如，图6的运载工具113)，以扩充由本地计算装置(例如，图6的运载工具113)在本地ANN模型119的无监督训练162中使用的所述组本地传感器数据102以产生本地经更新ANN模型164。本地经更新ANN模型164可包含经更新神经元偏置121、经更新突触权重123、经更新激活函数125及/或经更新神经元连接性。
任选地，本地计算装置(例如，图6的运载工具113的计算机131、经连接家庭装置或工业4.0装置)也可使用在本地ANN模型119的无监督训练162中负责经辨识输出157的本地传感器输入151来产生本地经更新ANN模型164。
本地经更新ANN模型164替代165本地ANN模型164的先前版本以动态地更新本地计算装置(例如，图6的运载工具113的计算机131、经连接家庭装置或工业4.0装置)的能力。
当所述组本地传感器数据102中的数据及/或经辨识输出157变得可用时，可基本上实时地或周期性地执行无监督训练162及/或模型替代165。举例来说，运载工具113可在当本地装置不在主动驾驶操作中及/或当运载工具113在停车模式中时的计划自维护时间执行无监督训练162及/或模型替代165。
在图7中，将集中式传感器数据103用于监督训练161中以以类似于产生201在图3及/或图5中所论述的经更新ANN模型163的方式产生全局经更新ANN模型163。周期性地，或在适合时间处，将经由监督训练161从集中式传感器数据103产生的经更新ANN模型163下载(例如，从集中式服务器101)到本地计算装置(例如，图6的运载工具113的计算机131及/或图2的运载工具111或经连接家庭装置或工业4.0装置)，以替代可已或尚未经由无监督训练162更新的本地ANN模型119。可分别在本地计算装置(例如，图6的运载工具113的计算机131)处及在集中式计算机服务器101处重复产生经更新ANN模型(164及163)。在一些例子中，也将无监督训练162的结果提供到集中式服务器(例如，101)以减少监督训练161的计算工作负载。
图8展示根据一个实施例在更新人工神经网络(ANN)模型中使用自学习的方法。举例来说，图8的方法可至少部分地在图1的系统中图6的运载工具113中执行。图8的方法也可在类似于图1中所图解说明的分布式系统的分布式系统中，在例如经连接家庭装置或工业4.0装置的另一ANN供电的装置中执行。
图8的方法包含：接收221经产生以促进距服务器(例如，101)遥远的计算装置(例如，运载工具113的计算机131、经连接家庭装置或工业4.0装置)的服务的传感器输入151；由计算装置将传感器输入151应用223于安装在计算装置中的人工神经网络(ANN)模型119以产生输出(例如，153及157)；使用输出(例如，153及157)提供225服务；由计算装置至少部分地基于从传感器输入151的所选择部分产生的输出(例如，153及157)的对应部分153选择227传感器输入151的部分；由计算装置使用无监督方法(例如，162)对传感器输入151的所选择部分执行229机器学习以更新安装在计算装置上的ANN模型119；将传感器输入151的所选择部分从计算装置传输231到服务器；由服务器使用监督方法(例如，161)对包含传感器输入103的所选择部分的数据集(例如，103)执行233机器学习以产生经更新ANN模型163；及将经更新ANN模型163安装235在计算装置上。
图9展示根据一个实施例用以增强人工神经网络(ANN)模型的详细方法。举例来说，图9的方法可使用图7及/或图8的技术在用于在图1及2中图解说明的运载工具的图1的系统中执行。
图9的方法包含：在集中式计算机服务器101处针对运载工具111、…、113的群体产生241人工神经网络(ANN)模型119；将ANN模型119安装243在运载工具111、…、113中；由群体中的运载工具111、…、113个别地选择245捕获未被安装在相应运载工具111、…、113中的ANN模型119辨识(例如，如在未经辨识输出153中所指示)的项目的传感器输入151；将未经辨识项目(例如，如在未经辨识输出153中所指示)的所选择传感器输入151传输247到集中式计算机服务器101；经由集中式计算机服务器101，任选地在群体中的运载工具(例如，113)中，接收249由群体中的其它运载工具(例如，111)选择的未经辨识项目(例如，如在未经辨识输出153中所指示)的传感器输入；由群体中的相应运载工具(例如，113)个别地从其至少未经辨识项目的传感器输入的相应集合体(例如，102)执行251无监督机器学习162以更新(164及165)安装在相应运载工具上的本地ANN模型；由集中式计算机服务器101从在服务器处收集的未经辨识项目(例如，如在未经辨识输出153中所指示)的至少传感器输入103执行253监督机器学习161以产生经更新ANN模型163；及使用经更新ANN模型163更新255群体中的运载工具111、…、113。
本发明包含方法及执行这些方法的设备，所述设备包含执行这些方法的数据处理系统及含有当在数据处理系统上执行时致使系统执行这些方法的指令的计算机可读媒体。
服务器101及运载工具111、…或113的计算机131中的每一者可实施为一或多个数据处理系统。
典型数据处理系统可包含将微处理器与存储器互连的互连件(例如，总线及系统核心逻辑)。微处理器通常耦合到高速缓冲存储器。
互连件将微处理器与存储器互连在一起，且还经由I/O控制器将其互连到输入/输出(I/O)装置。I/O装置可包含：显示装置及/或外围装置，例如，本技术领域中已知的鼠标、键盘、调制解调器、网络接口、打印机、扫描器、摄影机及其它装置。在一个实施例中，当数据处理系统为服务器系统时，I/O装置中的例如打印机、扫描器、鼠标及/或键盘的一些装置是任选的。
互连件可包含通过各种桥接器、控制器及/或适配器彼此连接的一或多个总线。在一个实施例中，I/O控制器包含用于控制USB外围装置的USB(通用串行总线)适配器，及/或用于控制IEEE-1394外围装置的IEEE-1394总线适配器。
存储器可包含以下各项中的一或多者：ROM(只读存储器)、易失性RAM(随机存取存储器)，及非易失性存储器，例如硬驱动器、快闪存储器等。
易失性RAM通常实施为不断需要电力来刷新或维持存储器中的数据的动态RAM(DRAM)。非易失性存储器通常为甚至在从系统移除电力之后仍维持数据的磁性硬驱动器、磁性光学驱动器、光学驱动器(例如，DVD RAM)或其它类型的存储器系统。非易失性存储器也可为随机存取存储器。
非易失性存储器可为直接耦合到数据处理系统中的组件的其余部分的本地装置。也可使用距系统遥远的非易失性存储器，例如，通过例如调制解调器或以太网接口的网络接口耦合到数据处理系统的网络存储装置。
在本发明中，为了简化说明，将一些功能及操作描述为由软件代码执行或引起。然而，此些表达也用于规定所述功能因由例如微处理器的处理器执行代码/指令而引起。
或者，或以组合方式，如此处所描述的功能及操作可在具有或不具有软件指令的情况下使用特殊用途电路来实施，例如，使用特殊应用集成电路(ASIC)或现场可编程门阵列(FPGA)。实施例可在不具有软件指令的情况下，或结合软件指令使用硬件接线的电路来实施。因此，技术既不限于硬件电路与软件的任何特定组合，也不限于用于由数据处理系统执行的指令任何特定源。
虽然一个实施例可在功能全面的计算机及计算机系统中实施，但各种实施例能够以各种形式作为计算产品分布且能够被应用，而不管用于实际影响分布的机器或计算机可读媒体的特定类型。
所揭示的至少一些方面可至少部分地体现在软件中。也就是说，可在计算机系统或其它数据处理系统中响应于其处理器(例如微处理器)执行包含在存储器(例如ROM、易失性RAM、非易失性存储器、高速缓冲存储器或远程存储装置)中的指令序列而执行所述技术。
经执行以实施实施例的例程可实施为被称为“计算机程序”的操作系统或特定应用、组件、程序、对象、模块或指令序列的部分。计算机程序通常包含在计算机中的各种存储器及存储装置中在各种时间处设定的，当由计算机中的一或多个处理器读取及执行时致使计算机执行用以执行涉及各种方面的元件所需的操作的一或多个指令。
机器可读媒体可用于存储当由数据处理系统执行时致使所述系统执行各种方法的软件及数据。可将可执行软件及数据存储在包含(举例来说)ROM、易失性RAM、非易失性存储器及/或高速缓冲存储器的各种地方中。可将此软件及/或数据的部分存储在这些存储装置中的任一者中。此外，可从集中式服务器或同级间网络获得数据及指令。可从不同集中式服务器及/或同级间网络在不同时间处及在不同通信会话或相同通信会话中获得数据及指令的不同部分。可在执行应用之前，整体上获得数据及指令。或者，数据及指令的部分可在为执行而需要时被动态地(例如，刚好实时地)获得。因此，不需要数据及指令在特定时间的例子处整体上位于机器可读媒体上。
计算机可读媒体的实例包含但不限于：非暂时性、可记录及不可记录类型媒体，例如，易失性及非易失性存储器装置、只读存储器(ROM)、随机存取存储器(RAM)、快闪存储器装置，软磁盘及其它可移除盘、磁盘存储媒体、光学存储媒体(例如，光盘只读存储器(CDROM)、数字多功能光盘(DVD)等)以及其它媒体。计算机可读媒体可存储指令。
指令也可体现在用于电、光学、声学或其它形式的传播信号(例如载波、红外信号、数字信号等)的数字及模拟通信链路中。然而，例如载波、红外信号、数字信号等的传播信号并非有形机器可读媒体且不经配置以存储指令。
一般来说，机器可读媒体包含提供(即，存储及/传输)呈可由机器(例如，计算机、网络装置、个人数字助理、制造工具、具有一组一或多个处理器的任何装置等)存取的形式的信息的任何机构。
在各种实施例中，可结合软件指令使用硬件接线的电路以实施所述技术。因此，所述技术既不限于硬件电路与软件的任何特定组合，也不限于用于由数据处理系统执行的指令的任何特定源。
以上说明及图式是说明性的且不解释为限制性的。描述众多特定细节以提供透彻理解。然而，在某些例子中，不描述众所周知或常规细节以便避免使说明模糊。本发明中对一个或一实施例的提及未必是对相同实施例的提及；且此些提及意指至少一个。
在前述说明书中，已参考本发明的特定例示性实施例描述了本发明。将显而易见，在不违背如以下权利要求书中所陈述的较宽广精神及范围的情况下，可对本发明做出各种修改。因此，应将本说明书及图式视为具有说明性意义而非限制性意义。

Claims (15)

1.一种运载工具群体中的运载工具，所述运载工具包括：
一组运载工具控件；
至少一个传感器，其经配置以在所述运载工具的操作期间产生输入；及
计算装置，其具有：
存储器，其存储具有识别以下各项的数据的第一人工神经网络模型：
神经元的网络中的所述神经元的偏置；
所述神经元的突触权重；及
所述神经元的激活函数；及
至少一个处理器，其耦合到所述存储器且经由指令配置以：
根据所述第一人工神经网络模型处理所述输入以产生输出；
基于所述输出调整所述运载工具控件；
基于从所述输入产生的所述第一人工神经网络模型的输出选择输入；
通过无监督机器学习从所述输入调整所述第一人工神经网络模型；
将所述输入传输到集中式计算机服务器，所述集中式计算机服务器通过监督机器学习从包含由所述运载工具选择的所述输入的传感器数据产生第二人工神经网络模型；及
使用由所述集中式计算机服务器产生的所述第二人工神经网络模型替代经由所述无监督机器学习调整的所述第一人工神经网络模型。
2.根据权利要求1所述的运载工具，其中所述输入是由包含以下各项中的至少一者的所述至少一个传感器产生的图像或视频剪辑：
相机，其使用对人类眼睛可见的光成像；
相机，其使用红外光成像；
声呐；
雷达；及
激光雷达。
3.根据权利要求2所述的运载工具，其中所述输入捕获由所述运载工具在操作期间遇到的项目；所述项目是以下各项中的一者：事件及对象；且所述计算装置基于所述输出识别以下各项中的一者选择所述输入：
缺乏关于所述项目的知识；
缺乏所述项目成为多个已知类别的分类；
缺乏所述项目的识别；
具有低于阈值的所述项目的识别中的准确性；及
具有低于阈值的所述项目的辨识中的置信水平。
4.根据权利要求3所述的运载工具，其中所述无监督机器学习将所述项目分类成：
所述第一人工神经网络模型中的多个已知类别中的一者；或
所述第一人工神经网络模型的经调整版本中的多个未知但单独类别中的一者。
5.根据权利要求1所述的运载工具，其中用于所述监督机器学习的所述传感器数据包含由所述群体中的多个运载工具选择且从其传输的输入。
6.根据权利要求1所述的运载工具，其中所述计算装置经由所述指令进一步经配置以：
接收在所述群体中的单独运载工具中产生的进一步输入；及
通过所述无监督机器学习从所述进一步输入调整所述第一人工神经网络模型。
7.根据权利要求6所述的运载工具，其中所述进一步输入经由所述集中式计算机服务器接收。
8.根据权利要求6所述的运载工具，其中基于所述运载工具与所述单独运载工具之间的使用类似性选择所述进一步输入用于所述运载工具中的所述无监督机器学习。
9.根据权利要求1所述的运载工具，其中所述计算装置经由所述指令进一步经配置以：
将所述无监督机器学习的结果传输到所述集中式计算机服务器；
其中所述第二人工神经网络模型使用所述结果产生。
10.根据权利要求1所述的运载工具，其中所述计算装置经由所述指令进一步经配置以：
至少部分地基于所述无监督机器学习的结果选择用于传输到所述集中式计算机服务器的所述输入。
11.根据权利要求1所述的运载工具，其中所述运载工具控件调整以下各项中的至少一者：
所述运载工具的加速度；
所述运载工具的速度；及
所述运载工具的方向。
12.根据权利要求1所述的运载工具，其中所述第二人工神经网络模型包含识别所述神经元的至少一部分的经更新突触权重的数据；且其中所述计算装置响应于以下各项中的一者选择所述输入：
所述输出识别未知项目；
所述输出识别在所述第一人工神经网络模型的开发中非预期的项目；及
所述输出将在所述输入中捕获的项目识别为两个或更多个候选中的一者。
13.一种方法，其包括：
将具有识别以下各项的数据的第一人工神经网络模型存储在距集中式计算机服务器遥远的服务位置处的计算装置中：
神经元的网络中的所述神经元的偏置；
所述神经元的突触权重；及
所述神经元的激活函数；及
从耦合到所述服务位置处的所述计算装置的至少一个传感器接收输入；
由所述计算装置根据所述第一人工神经网络模型处理所述输入以产生输出；
由所述计算装置基于从所述输入产生的所述第一人工神经网络模型的输出选择输入；
由所述计算装置对所述输入使用无监督技术调整所述第一人工神经网络模型；
将所述输入传输到集中式计算机服务器，所述集中式计算机服务器对包含由所述运载工具选择的所述输入的传感器数据使用监督技术产生第二人工神经网络模型；及
在所述计算装置中使用由所述集中式计算机服务器使用所述监督技术产生的所述第二人工神经网络模型替代经由所述无监督技术调整的所述第一人工神经网络模型。
14.根据权利要求13所述的方法，其进一步包括：
由所述计算装置基于所述输出产生命令以控制以下各项中的至少一者：
运载工具的加速度；
所述运载工具的速度；及
所述运载工具的方向。
15.根据权利要求14所述的方法，其中将所述至少一个传感器及所述计算装置安装在所述运载工具上；且所述输入的所述传输在所述服务位置处所述输出的处理期间实时地进行。
CN201880083679.1A 2017-12-29 2018-12-03 用于增强人工神经网络的分布式架构中的自学习 Active CN111527500B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/858,505 2017-12-29
US15/858,505 US11328210B2 (en) 2017-12-29 2017-12-29 Self-learning in distributed architecture for enhancing artificial neural network
PCT/US2018/063669 WO2019133194A1 (en) 2017-12-29 2018-12-03 Self-learning in distributed architecture for enhancing artificial neural network

Publications (2)

Publication Number Publication Date
CN111527500A true CN111527500A (zh) 2020-08-11
CN111527500B CN111527500B (zh) 2023-10-31

Family

ID=67058341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880083679.1A Active CN111527500B (zh) 2017-12-29 2018-12-03 用于增强人工神经网络的分布式架构中的自学习

Country Status (4)

Country Link
US (2) US11328210B2 (zh)
CN (1) CN111527500B (zh)
DE (1) DE112018006663T5 (zh)
WO (1) WO2019133194A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111284501A (zh) * 2018-12-07 2020-06-16 现代自动车株式会社 基于对象识别来管理行驶模型的装置和方法、使用该装置的车辆行驶控制装置

Families Citing this family (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11130497B2 (en) * 2017-12-18 2021-09-28 Plusai Limited Method and system for ensemble vehicle control prediction in autonomous driving vehicles
US20190185012A1 (en) 2017-12-18 2019-06-20 PlusAI Corp Method and system for personalized motion planning in autonomous driving vehicles
JP6986685B2 (ja) * 2018-03-12 2021-12-22 パナソニックＩｐマネジメント株式会社 情報処理装置
US10997429B2 (en) * 2018-04-11 2021-05-04 Micron Technology, Inc. Determining autonomous vehicle status based on mapping of crowdsourced object data
US10522038B2 (en) 2018-04-19 2019-12-31 Micron Technology, Inc. Systems and methods for automatically warning nearby vehicles of potential hazards
US10788798B2 (en) * 2019-01-28 2020-09-29 Johnson Controls Technology Company Building management system with hybrid edge-cloud processing
US11373466B2 (en) 2019-01-31 2022-06-28 Micron Technology, Inc. Data recorders of autonomous vehicles
US11410475B2 (en) 2019-01-31 2022-08-09 Micron Technology, Inc. Autonomous vehicle data recorders
US11562251B2 (en) * 2019-05-16 2023-01-24 Salesforce.Com, Inc. Learning world graphs to accelerate hierarchical reinforcement learning
US20190318257A1 (en) * 2019-06-28 2019-10-17 Helen Adrienne Frances Gould Assessment and response mechanism for autonomous systems
KR20190087351A (ko) * 2019-07-05 2019-07-24 엘지전자 주식회사 머신 러닝 시스템, 방법 및 장치
US11586194B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network models of automotive predictive maintenance
US11586943B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network inputs in automotive predictive maintenance
US11635893B2 (en) * 2019-08-12 2023-04-25 Micron Technology, Inc. Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks
US11853863B2 (en) 2019-08-12 2023-12-26 Micron Technology, Inc. Predictive maintenance of automotive tires
US20210049480A1 (en) * 2019-08-12 2021-02-18 Micron Technology, Inc. Predictive maintenance of automotive battery
US11748626B2 (en) 2019-08-12 2023-09-05 Micron Technology, Inc. Storage devices with neural network accelerators for automotive predictive maintenance
US11775816B2 (en) 2019-08-12 2023-10-03 Micron Technology, Inc. Storage and access of neural network outputs in automotive predictive maintenance
US11392796B2 (en) 2019-08-20 2022-07-19 Micron Technology, Inc. Feature dictionary for bandwidth enhancement
US11755884B2 (en) 2019-08-20 2023-09-12 Micron Technology, Inc. Distributed machine learning with privacy protection
US11636334B2 (en) 2019-08-20 2023-04-25 Micron Technology, Inc. Machine learning with feature obfuscation
US11702086B2 (en) 2019-08-21 2023-07-18 Micron Technology, Inc. Intelligent recording of errant vehicle behaviors
US11498388B2 (en) 2019-08-21 2022-11-15 Micron Technology, Inc. Intelligent climate control in vehicles
EP3783525A1 (en) * 2019-08-22 2021-02-24 Argo AI GmbH Method for detecting an object in surroundings of a vehicle, corresponding system and vehicle
US11436076B2 (en) 2019-09-05 2022-09-06 Micron Technology, Inc. Predictive management of failing portions in a data storage device
US11693562B2 (en) 2019-09-05 2023-07-04 Micron Technology, Inc. Bandwidth optimization for different types of operations scheduled in a data storage device
US11650746B2 (en) 2019-09-05 2023-05-16 Micron Technology, Inc. Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles
US11409654B2 (en) 2019-09-05 2022-08-09 Micron Technology, Inc. Intelligent optimization of caching operations in a data storage device
US20210073066A1 (en) * 2019-09-05 2021-03-11 Micron Technology, Inc. Temperature based Optimization of Data Storage Operations
WO2021105736A1 (en) * 2019-11-29 2021-06-03 Commissariat A L'energie Atomique Et Aux Energies Alternatives Method for maintenance of a fleet of a plurality of vehicles
US11250648B2 (en) 2019-12-18 2022-02-15 Micron Technology, Inc. Predictive maintenance of automotive transmission
US20210200595A1 (en) * 2019-12-31 2021-07-01 Randori Inc. Autonomous Determination of Characteristic(s) and/or Configuration(s) of a Remote Computing Resource to Inform Operation of an Autonomous System Used to Evaluate Preparedness of an Organization to Attacks or Reconnaissance Effort by Antagonistic Third Parties
US11249861B2 (en) 2020-02-06 2022-02-15 Bank Of America Corporation Multi-layered disaster recovery manager
US11709625B2 (en) 2020-02-14 2023-07-25 Micron Technology, Inc. Optimization of power usage of data storage devices
US11531339B2 (en) 2020-02-14 2022-12-20 Micron Technology, Inc. Monitoring of drive by wire sensors in vehicles
DE102020203817A1 (de) 2020-03-24 2021-09-30 Volkswagen Aktiengesellschaft Verfahren und System zum Bereitstellen mindestens eines komprimierten und spezialisierten Neuronalen Netzes für ein Fahrzeug
JP7429143B2 (ja) * 2020-03-30 2024-02-07 本田技研工業株式会社 移動体制御装置、移動体制御方法、およびプログラム
US11636339B2 (en) * 2020-04-03 2023-04-25 Micron Technology, Inc. In-memory content classification and control
US11588735B2 (en) * 2020-07-29 2023-02-21 Micron Technology, Inc. Edge processing of sensor data using a neural network to reduce data traffic on a communication network
JP6935837B1 (ja) * 2020-08-20 2021-09-15 トヨタ自動車株式会社 機械学習装置及び機械学習システム
JP7010343B1 (ja) * 2020-08-20 2022-01-26 トヨタ自動車株式会社 機械学習装置
US11798321B2 (en) * 2020-08-28 2023-10-24 ANI Technologies Private Limited Driver score determination for vehicle drivers
US11760376B2 (en) * 2020-12-29 2023-09-19 Ford Global Technologies, Llc Machine learning updating with sensor data
DE102021206299A1 (de) 2021-06-18 2022-12-22 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Fahrzeugerkennung eines Fahrzeugs in einem automatischen Valet-Parking-System
US20230286539A1 (en) * 2022-03-09 2023-09-14 Gm Cruise Holdings Llc Multi-objective bayesian optimization of machine learning model for autonomous vehicle operation

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150254555A1 (en) * 2014-03-04 2015-09-10 SignalSense, Inc. Classifying data with deep learning neural records incrementally refined through expert input
CN105051693A (zh) * 2013-03-15 2015-11-11 思杰系统有限公司 管理计算机服务器能力
CN107368076A (zh) * 2017-07-31 2017-11-21 中南大学 一种智能环境下机器人运动路径深度学习控制规划方法

Family Cites Families (150)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7421321B2 (en) 1995-06-07 2008-09-02 Automotive Technologies International, Inc. System for obtaining vehicular information
US8965677B2 (en) 1998-10-22 2015-02-24 Intelligent Technologies International, Inc. Intra-vehicle information conveyance system and method
JP3831171B2 (ja) 1999-05-06 2006-10-11 日産自動車株式会社 車両用報知装置
JP2002293271A (ja) 2001-04-02 2002-10-09 Niles Parts Co Ltd 車両用事故情報記憶システム
JP3866532B2 (ja) 2001-06-13 2007-01-10 富士通株式会社 移動体安全運行支援装置およびコンピュータプログラム
JP3984523B2 (ja) 2002-09-27 2007-10-03 アルパイン株式会社 車車間通信方法
US7248159B2 (en) 2003-03-01 2007-07-24 User-Centric Ip, Lp User-centric event reporting
KR100498965B1 (ko) 2003-04-22 2005-07-01 삼성전자주식회사 차량간 임시 무선 네트워크를 이용한 차량 운행정보 교환방법 및 시스템
US7821421B2 (en) 2003-07-07 2010-10-26 Sensomatix Ltd. Traffic information system
KR100710000B1 (ko) 2004-06-09 2007-04-20 주식회사 오토웍스 지피에스를 이용한 안전운행안내 시스템
AU2006304589B2 (en) 2005-10-14 2011-03-10 Blackberry Corporation System and method for identifying road features
WO2008007878A1 (en) 2006-07-10 2008-01-17 Ubtechnology Co., Ltd Black box system for vehicle
US8346691B1 (en) 2007-02-20 2013-01-01 Sas Institute Inc. Computer-implemented semi-supervised learning systems and methods
US8260543B2 (en) 2007-03-29 2012-09-04 Alpine Electronics, Inc. Hidden point detection and warning method and apparatus for navigation system
US10157422B2 (en) 2007-05-10 2018-12-18 Allstate Insurance Company Road segment safety rating
KR100913672B1 (ko) 2007-05-16 2009-08-26 팅크웨어(주) 가상 맵매칭 방법 및 그 시스템
KR20090040622A (ko) 2007-10-22 2009-04-27 한국전자통신연구원 차량 사고 정보 제공 방법 및 장치
US8134478B2 (en) 2008-05-30 2012-03-13 Navteq B.V. Data mining in a digital map database to identify community reported driving hazards along roads and enabling precautionary actions in a vehicle
US8688369B2 (en) 2008-05-30 2014-04-01 Navteq B.V. Data mining in a digital map database to identify blind intersections along roads and enabling precautionary actions in a vehicle
US9134133B2 (en) 2008-05-30 2015-09-15 Here Global B.V. Data mining to identify locations of potentially hazardous conditions for vehicle operation and use thereof
US8466810B2 (en) 2008-05-30 2013-06-18 Navteq B.V. Data mining in a digital map database to identify intersections located at hill bottoms and enabling precautionary actions in a vehicle
US8775073B2 (en) 2008-05-30 2014-07-08 Navteq B.V. Data mining in a digital map database to identify insufficient merge lanes along roads and enabling precautionary actions in a vehicle
US9121716B2 (en) 2008-05-30 2015-09-01 Here Global B.V. Data mining in a digital map database to identify insufficient superelevation along roads and enabling precautionary actions in a vehicle
US8169338B2 (en) 2008-07-25 2012-05-01 GM Global Technology Operations LLC Inter-vehicle communication feature awareness and diagnosis system
KR20100057253A (ko) 2008-11-21 2010-05-31 현대자동차일본기술연구소 차량 주위의 이미지를 기록하는 장치 및 방법
US20110190972A1 (en) 2010-02-02 2011-08-04 Gm Global Technology Operations, Inc. Grid unlock
JP2012003408A (ja) 2010-06-15 2012-01-05 Rohm Co Ltd ドライブレコーダ
US9047178B2 (en) 2010-12-13 2015-06-02 SanDisk Technologies, Inc. Auto-commit memory synchronization
US20120166229A1 (en) 2010-12-26 2012-06-28 The Travelers Indemnity Company Systems and methods for client-related risk zones
EP2484573B1 (en) 2011-02-08 2017-12-13 Volvo Car Corporation Method for reducing the risk of a collision between a vehicle and a first external object
US9916538B2 (en) 2012-09-15 2018-03-13 Z Advanced Computing, Inc. Method and system for feature detection
US20130278441A1 (en) 2012-04-24 2013-10-24 Zetta Research and Development, LLC - ForC Series Vehicle proxying
US8731768B2 (en) 2012-05-22 2014-05-20 Hartford Fire Insurance Company System and method to provide telematics data on a map display
US9365162B2 (en) 2012-08-20 2016-06-14 Magna Electronics Inc. Method of obtaining data relating to a driver assistance system of a vehicle
US8953436B2 (en) 2012-09-20 2015-02-10 Broadcom Corporation Automotive neural network
JP5820830B2 (ja) 2013-01-31 2015-11-24 京セラドキュメントソリューションズ株式会社 記憶制御装置、電子機器、記憶制御プログラム、および記憶制御方法
US9959687B2 (en) 2013-03-15 2018-05-01 John Lindsay Driver behavior monitoring
US9751534B2 (en) 2013-03-15 2017-09-05 Honda Motor Co., Ltd. System and method for responding to driver state
US9501934B2 (en) 2013-03-28 2016-11-22 Honda Motor Co., Ltd. Notification system, electronic device, notification method, and program
JP6123443B2 (ja) 2013-04-09 2017-05-10 株式会社デンソー 危険車両通知装置、危険車両通知プログラム、危険車両通知プログラムを記録した記録媒体
US9679258B2 (en) 2013-10-08 2017-06-13 Google Inc. Methods and apparatus for reinforcement learning
KR101906951B1 (ko) 2013-12-11 2018-10-11 한화지상방산 주식회사 차선 검출 시스템 및 차선 검출 방법
US9792817B2 (en) 2013-12-24 2017-10-17 Intel Corporation Road hazard communication
US9870537B2 (en) 2014-01-06 2018-01-16 Cisco Technology, Inc. Distributed learning in a computer network
US9450978B2 (en) 2014-01-06 2016-09-20 Cisco Technology, Inc. Hierarchical event detection in a computer network
US9563854B2 (en) 2014-01-06 2017-02-07 Cisco Technology, Inc. Distributed model training
US10121203B2 (en) 2014-05-08 2018-11-06 State Farm Mutual Automobile Insurance Company Systems and methods for identifying and assessing location-based risks for vehicles
US20150324686A1 (en) * 2014-05-12 2015-11-12 Qualcomm Incorporated Distributed model learning
US10185999B1 (en) 2014-05-20 2019-01-22 State Farm Mutual Automobile Insurance Company Autonomous feature use monitoring and telematics
US9656606B1 (en) 2014-05-30 2017-05-23 State Farm Mutual Automobile Insurance Company Systems and methods for alerting a driver to vehicle collision risks
US9015439B1 (en) 2014-05-30 2015-04-21 SanDisk Technologies, Inc. Event lock storage device
CN106463063A (zh) 2014-06-12 2017-02-22 日立汽车系统株式会社 车辆的行驶控制装置
JP6612855B2 (ja) 2014-09-12 2019-11-27 マイクロソフト テクノロジー ライセンシング，エルエルシー 出力分布による生徒ｄｎｎの学習
US10001760B1 (en) 2014-09-30 2018-06-19 Hrl Laboratories, Llc Adaptive control system capable of recovering from unexpected situations
US10024684B2 (en) 2014-12-02 2018-07-17 Operr Technologies, Inc. Method and system for avoidance of accidents
US9506763B2 (en) 2015-01-30 2016-11-29 Here Global B.V. Method and apparatus for providing aggregated notifications for travel segments
CA3067177A1 (en) 2015-02-10 2016-08-18 Mobileye Vision Technologies Ltd. Sparse map for autonomous vehicle navigation
US20180215344A1 (en) 2015-02-10 2018-08-02 Mobile Intelligent Alerts, Llc Information processing system, method, apparatus, computer readable medium, and computer readable program for information exchange in vehicles
US20160363935A1 (en) 2015-06-15 2016-12-15 Gary Shuster Situational and predictive awareness system
US10343279B2 (en) 2015-07-10 2019-07-09 Board Of Trustees Of Michigan State University Navigational control of robotic systems and other computer-implemented processes using developmental network with turing machine learning
US10553112B2 (en) 2015-08-19 2020-02-04 Qualcomm Incorporated Safety event message transmission timing in dedicated short-range communication (DSRC)
US11107365B1 (en) 2015-08-28 2021-08-31 State Farm Mutual Automobile Insurance Company Vehicular driver evaluation
JP6350468B2 (ja) 2015-09-18 2018-07-04 トヨタ自動車株式会社 運転支援装置
US20170101054A1 (en) 2015-10-08 2017-04-13 Harman International Industries, Incorporated Inter-vehicle communication for roadside assistance
US9718468B2 (en) 2015-10-13 2017-08-01 Verizon Patent And Licensing Inc. Collision prediction system
EP3159853B1 (en) 2015-10-23 2019-03-27 Harman International Industries, Incorporated Systems and methods for advanced driver assistance analytics
KR102459677B1 (ko) 2015-11-05 2022-10-28 삼성전자주식회사 알고리즘 학습 방법 및 장치
JP6432490B2 (ja) 2015-11-20 2018-12-05 トヨタ自動車株式会社 車載制御装置、及び、車載記録システム
US10073965B2 (en) 2015-12-15 2018-09-11 Nagravision S.A. Methods and systems for validating an autonomous system that includes a dynamic-code module and a static-code module
KR102502451B1 (ko) 2016-01-07 2023-02-22 삼성전자주식회사 깊이 추정 방법 및 장치, 및 거리 추정기 학습 방법 및 장치
US10424203B2 (en) 2016-01-29 2019-09-24 Toyota Motor Engineering & Manufacturing North America, Inc. System and method for driving hazard estimation using vehicle-to-vehicle communication
US9916522B2 (en) 2016-03-11 2018-03-13 Kabushiki Kaisha Toshiba Training constrained deconvolutional networks for road scene semantic segmentation
DE102016205142A1 (de) 2016-03-29 2017-10-05 Volkswagen Aktiengesellschaft Verfahren, Vorrichtungen und Computerprogramm zum Initiieren oder Durchführen eines kooperativen Fahrmanövers
US9672734B1 (en) 2016-04-08 2017-06-06 Sivalogeswaran Ratnasingam Traffic aware lane determination for human driver and autonomous vehicle driving system
US10049284B2 (en) 2016-04-11 2018-08-14 Ford Global Technologies Vision-based rain detection using deep learning
US10127477B2 (en) 2016-04-21 2018-11-13 Sas Institute Inc. Distributed event prediction and machine learning object recognition system
US10407078B2 (en) 2016-04-26 2019-09-10 Sivalogeswaran Ratnasingam Dynamic learning driving system and method
EP3452340B1 (en) 2016-05-05 2020-09-30 Harman International Industries, Incorporated Systems and methods for driver assistance
US9947145B2 (en) 2016-06-01 2018-04-17 Baidu Usa Llc System and method for providing inter-vehicle communications amongst autonomous vehicles
US10282849B2 (en) 2016-06-17 2019-05-07 Brain Corporation Systems and methods for predictive/reconstructive visual object tracker
US20180025268A1 (en) 2016-07-21 2018-01-25 Tessera Advanced Technologies, Inc. Configurable machine learning assemblies for autonomous operation in personal devices
US10611379B2 (en) 2016-08-16 2020-04-07 Toyota Jidosha Kabushiki Kaisha Integrative cognition of driver behavior
US11120353B2 (en) 2016-08-16 2021-09-14 Toyota Jidosha Kabushiki Kaisha Efficient driver action prediction system based on temporal fusion of sensor data using deep (bidirectional) recurrent neural network
US10740658B2 (en) 2016-09-08 2020-08-11 Mentor Graphics Corporation Object recognition and classification using multiple sensor modalities
US11188821B1 (en) 2016-09-15 2021-11-30 X Development Llc Control policies for collective robot learning
DE102016117438A1 (de) 2016-09-16 2018-03-22 Knorr-Bremse Systeme für Nutzfahrzeuge GmbH Verfahren und Vorrichtung zum Steuern einer Bewegung eines Fahrzeugs und Fahrzeugbewegungssteuersystem
US10495753B2 (en) 2016-09-19 2019-12-03 Nec Corporation Video to radar
US10386792B2 (en) 2016-10-19 2019-08-20 Ants Technology (Hk) Limited Sensory systems for autonomous devices
KR102313773B1 (ko) 2016-11-07 2021-10-19 삼성전자주식회사 신경망 학습에 기반한 입력 처리 방법 및 이를 위한 장치
CN106707293B (zh) 2016-12-01 2019-10-29 百度在线网络技术（北京）有限公司 用于车辆的障碍物识别方法和装置
US10366502B1 (en) 2016-12-09 2019-07-30 Waymo Llc Vehicle heading prediction neural network
US10012993B1 (en) 2016-12-09 2018-07-03 Zendrive, Inc. Method and system for risk modeling in autonomous vehicles
KR102452682B1 (ko) 2016-12-14 2022-10-11 현대자동차주식회사 전방충돌회피성능 향상을 위한 통합제어방법 및 차량
US10733506B1 (en) 2016-12-14 2020-08-04 Waymo Llc Object detection neural network
US10192171B2 (en) 2016-12-16 2019-01-29 Autonomous Fusion, Inc. Method and system using machine learning to determine an automotive driver's emotional state
US10318827B2 (en) * 2016-12-19 2019-06-11 Waymo Llc Object detection neural networks
US10846590B2 (en) 2016-12-20 2020-11-24 Intel Corporation Autonomous navigation using spiking neuromorphic computers
EP3566201A4 (en) 2016-12-22 2020-11-25 Xevo Inc. PROCESS AND SYSTEM FOR PROVIDING SERVICES OF ANALYSIS OF ARTIFICIAL INTELLIGENCE (AIA) FOR PERFORMANCE PREDICTION
US11157014B2 (en) 2016-12-29 2021-10-26 Tesla, Inc. Multi-channel sensor simulation for autonomous control systems
US10062277B2 (en) 2017-01-24 2018-08-28 International Business Machines Corporation Information sharing among mobile apparatus
US10293818B2 (en) 2017-03-07 2019-05-21 Uber Technologies, Inc. Teleassistance data prioritization for self-driving vehicles
US10282999B2 (en) 2017-03-17 2019-05-07 GM Global Technology Operations LLC Road construction detection systems and methods
WO2018175441A1 (en) 2017-03-20 2018-09-27 Mobileye Vision Technologies Ltd. Navigation by augmented path prediction
WO2018176000A1 (en) 2017-03-23 2018-09-27 DeepScale, Inc. Data synthesis for autonomous control systems
US10387298B2 (en) 2017-04-04 2019-08-20 Hailo Technologies Ltd Artificial neural network incorporating emphasis and focus techniques
US10705525B2 (en) 2017-04-07 2020-07-07 Nvidia Corporation Performing autonomous path navigation using deep neural networks
US10332320B2 (en) * 2017-04-17 2019-06-25 Intel Corporation Autonomous vehicle advanced sensing and response
WO2018201120A1 (en) 2017-04-28 2018-11-01 Bazhenov Maksim Neural networks for occupiable space automation
US10423358B1 (en) 2017-05-31 2019-09-24 FMAD Engineering GK High-speed data packet capture and storage with playback capabilities
EP3619689A1 (de) 2017-06-02 2020-03-11 Audi AG Verfahren und vorrichtung zum situationsabhängigen speichern von daten eines systems
US10296004B2 (en) 2017-06-21 2019-05-21 Toyota Motor Engineering & Manufacturing North America, Inc. Autonomous operation for an autonomous vehicle objective in a multi-vehicle environment
US10007269B1 (en) 2017-06-23 2018-06-26 Uber Technologies, Inc. Collision-avoidance system for autonomous-capable vehicle
US10019654B1 (en) 2017-06-28 2018-07-10 Accenture Global Solutions Limited Image object recognition
US20190019082A1 (en) 2017-07-12 2019-01-17 International Business Machines Corporation Cooperative neural network reinforcement learning
DE102017115991A1 (de) 2017-07-17 2019-01-17 Connaught Electronics Ltd. Verfahren zum Betreiben eines Fahrerassistenzsystems für ein Kraftfahrzeug mit erneutem Speichern von Trainingsdaten, Fahrerassistenzsystem sowie Kraftfahrzeug
KR102263395B1 (ko) 2017-07-25 2021-06-11 삼성전자주식회사 외부 이동 수단의 움직임과 관련된 데이터에 기반하여, 식별 정보가 변경된 외부 이동 수단을 확인하는 전자 장치 및 그 동작 방법
DE102017212695A1 (de) 2017-07-25 2019-01-31 Robert Bosch Gmbh Verfahren und Vorrichtung in einem Fahrzeug zum Auswerten und Speichern von Daten
JP6729516B2 (ja) 2017-07-27 2020-07-22 トヨタ自動車株式会社 識別装置
US20190035113A1 (en) 2017-07-27 2019-01-31 Nvidia Corporation Temporally stable data reconstruction with an external recurrent neural network
US10518729B2 (en) 2017-08-02 2019-12-31 Allstate Insurance Company Event-based connected vehicle control and response systems
US10496881B2 (en) 2017-08-09 2019-12-03 Mapbox, Inc. PU classifier for detection of travel mode associated with computing devices
US10217028B1 (en) 2017-08-22 2019-02-26 Northrop Grumman Systems Corporation System and method for distributive training and weight distribution in a neural network
GB2570433A (en) 2017-09-25 2019-07-31 Nissan Motor Mfg Uk Ltd Machine vision system
US10692244B2 (en) 2017-10-06 2020-06-23 Nvidia Corporation Learning based camera pose estimation from images of an environment
US20190113919A1 (en) 2017-10-18 2019-04-18 Luminar Technologies, Inc. Controlling an autonomous vehicle using smart control architecture selection
US11373091B2 (en) 2017-10-19 2022-06-28 Syntiant Systems and methods for customizing neural networks
US10559196B2 (en) 2017-10-20 2020-02-11 Zendrive, Inc. Method and system for vehicular-related communications
US10599546B1 (en) 2017-10-25 2020-03-24 Uatc, Llc Autonomous vehicle testing systems and methods
US10459444B1 (en) 2017-11-03 2019-10-29 Zoox, Inc. Autonomous vehicle fleet model training and testing
US10776688B2 (en) 2017-11-06 2020-09-15 Nvidia Corporation Multi-frame video interpolation using optical flow
EP3707572B1 (en) 2017-11-10 2023-08-23 Nvidia Corporation Systems and methods for safe and reliable autonomous vehicles
US11537868B2 (en) * 2017-11-13 2022-12-27 Lyft, Inc. Generation and update of HD maps using data from heterogeneous sources
US11080537B2 (en) 2017-11-15 2021-08-03 Uatc, Llc Autonomous vehicle lane boundary detection systems and methods
US11130497B2 (en) 2017-12-18 2021-09-28 Plusai Limited Method and system for ensemble vehicle control prediction in autonomous driving vehicles
US11273836B2 (en) 2017-12-18 2022-03-15 Plusai, Inc. Method and system for human-like driving lane planning in autonomous driving vehicles
US10417911B2 (en) 2017-12-18 2019-09-17 Ford Global Technologies, Llc Inter-vehicle cooperation for physical exterior damage detection
CN109987093A (zh) 2017-12-28 2019-07-09 北京百度网讯科技有限公司 合作式变道控制方法、装置及设备
US20190205744A1 (en) 2017-12-29 2019-07-04 Micron Technology, Inc. Distributed Architecture for Enhancing Artificial Neural Network
US10551199B2 (en) 2017-12-29 2020-02-04 Lyft, Inc. Utilizing artificial neural networks to evaluate routes based on generated route tiles
US10324467B1 (en) 2017-12-29 2019-06-18 Apex Artificial Intelligence Industries, Inc. Controller systems and methods of limiting the operation of neural networks to be within one or more conditions
JP6981270B2 (ja) 2018-01-18 2021-12-15 トヨタ自動車株式会社 運転支援装置及び方法
US10623908B2 (en) 2018-02-28 2020-04-14 Qualcomm Incorporated Pedestrian positioning via vehicle collaboration
US20190302766A1 (en) 2018-03-28 2019-10-03 Micron Technology, Inc. Black Box Data Recorder with Artificial Intelligence Processor in Autonomous Driving Vehicle
US10522038B2 (en) 2018-04-19 2019-12-31 Micron Technology, Inc. Systems and methods for automatically warning nearby vehicles of potential hazards
US10856038B2 (en) 2018-08-23 2020-12-01 Sling Media Pvt. Ltd. Predictive time-shift buffering for live television
US10853199B2 (en) 2018-09-19 2020-12-01 Apple Inc. Techniques for managing context information for a storage device while maintaining responsiveness
US20200130685A1 (en) 2018-10-30 2020-04-30 Denso International America, Inc. Apparatus and method for identifying sensor occlusion in autonomous vehicles
US11373466B2 (en) 2019-01-31 2022-06-28 Micron Technology, Inc. Data recorders of autonomous vehicles
US11410475B2 (en) 2019-01-31 2022-08-09 Micron Technology, Inc. Autonomous vehicle data recorders
US11460847B2 (en) 2020-03-27 2022-10-04 Intel Corporation Controller for an autonomous vehicle, and network component

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105051693A (zh) * 2013-03-15 2015-11-11 思杰系统有限公司 管理计算机服务器能力
US20150254555A1 (en) * 2014-03-04 2015-09-10 SignalSense, Inc. Classifying data with deep learning neural records incrementally refined through expert input
CN107368076A (zh) * 2017-07-31 2017-11-21 中南大学 一种智能环境下机器人运动路径深度学习控制规划方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111284501A (zh) * 2018-12-07 2020-06-16 现代自动车株式会社 基于对象识别来管理行驶模型的装置和方法、使用该装置的车辆行驶控制装置

Also Published As

Publication number Publication date
CN111527500B (zh) 2023-10-31
DE112018006663T5 (de) 2020-10-01
US20190205765A1 (en) 2019-07-04
US20220237469A1 (en) 2022-07-28
WO2019133194A1 (en) 2019-07-04
US11328210B2 (en) 2022-05-10

Similar Documents

Publication Publication Date Title
CN111527500B (zh) 用于增强人工神经网络的分布式架构中的自学习
US20190205744A1 (en) Distributed Architecture for Enhancing Artificial Neural Network
JP7140840B2 (ja) センサーデータにおけるエラーの検出
US20210129852A1 (en) Configuration of a Vehicle Based on Collected User Data
US10845815B2 (en) Systems, methods and controllers for an autonomous vehicle that implement autonomous driver agents and driving policy learners for generating and improving policies based on collective driving experiences of the autonomous driver agents
CN111252061B (zh) 用于自动驾驶车辆的实时决策制定
CN111936947B (zh) 基于众包对象数据映射确定自主车辆状态
US20200033869A1 (en) Systems, methods and controllers that implement autonomous driver agents and a policy server for serving policies to autonomous driver agents for controlling an autonomous vehicle
US20220024446A1 (en) Personalization of a Vehicle Based on User Settings
US20210049839A1 (en) Automotive predictive maintenance
KR20210077651A (ko) 운전 지원 시스템 및 방법
JP2021536072A (ja) トレーニングデータを取得するためのシステム及び方法
KR20210075594A (ko) 전기차의 배터리 소모량 추정 방법 및 장치
US20200003568A1 (en) Apparatus and method for invitation using autonomous vehicle
WO2021090897A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
KR102607390B1 (ko) 차량의 주변 상황 확인 방법
US11604959B2 (en) Artificial intelligence-based apparatus and method for providing wake-up time and bed time information
WO2021193103A1 (ja) 情報処理装置、情報処理方法、及びプログラム
EP4062333A2 (en) Ensemble of narrow ai agents
US20230128941A1 (en) Method for controlling an agent
CN117993438A (zh) 公平神经网络
Yazdizadeh Connected and Autonomous Vehicles for Intelligent Transportation Systems
CN117789502A (zh) 用于模块化自主车辆控制的分布感知目标预测的系统和方法
CN115496177A (zh) 分布式系统的校准

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
GR01 Patent grant
GR01 Patent grant