CN112990251A - 用于来自多个域的测量数据的评估系统 - Google Patents

用于来自多个域的测量数据的评估系统 Download PDF

Info

Publication number
CN112990251A
CN112990251A CN202011471246.9A CN202011471246A CN112990251A CN 112990251 A CN112990251 A CN 112990251A CN 202011471246 A CN202011471246 A CN 202011471246A CN 112990251 A CN112990251 A CN 112990251A
Authority
CN
China
Prior art keywords
measurement data
evaluation system
evaluation
results
processing
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
Application number
CN202011471246.9A
Other languages
English (en)
Inventor
高见昌渡
U·布勒施
D·巴里亚米斯
E·施赖伯
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN112990251A publication Critical patent/CN112990251A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/862—Combination of radar systems with sonar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/865—Combination of radar systems with lidar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of 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
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Neurology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Traffic Control Systems (AREA)

Abstract

用于将测量数据处理为一个或多个评估结果的评估系统，所述测量数据包括利用一个或多个传感器检测的物理测量数据和/或一个或多个传感器的切合实际的合成测量数据，评估系统包括：至少两个相互独立的输入级，所述输入级被构造为接受测量数据并将所述测量数据处理为初步成果，至少一个处理级，所述至少一个处理级获得所有输入级的初步成果作为输入，并且被构造为将所输入的一个或多个初步成果处理为共同的中间成果，以及至少一个输出级，所述至少一个输出级被构造为将所述中间成果处理为评估系统的一个或多个评估结果。用于训练评估系统的方法。用于运行评估系统的方法。

Description

用于来自多个域的测量数据的评估系统
技术领域
本发明涉及评估系统，所述评估系统可以例如用于评估从车辆检测的测量数据。
背景技术
为了使车辆能够在道路交通中至少部分自动化地移动，必须检测所述车辆的环境并在与所述车辆的环境中的对象即将发生碰撞的情况下采取应对措施。环境表示（Repräsentation）的创建和定位对于安全的自动化驾驶来说也是必要的。
为了能够从对车辆环境的物理观察中推导出关于自身车辆的其他行为的决策，使用可多次训练的评估系统。类似于在直至获得驾驶许可之前典型地驾驶不到100小时且行驶了不到1000km的人类驾驶员，这些系统可将从有限的训练数据储备中获取的（geschöpft）知识也概括套用到并非训练对象的许多其他状况。
在这种情况下，这种评估系统的训练在以后的有效运行中典型地只能用于评估以与训练数据相同的方式物理检测的测量数据。将传感器升级到以物理上略微不同的方式工作的后续模型就可能已经使得迄今为止完成的训练废弃。
为了让事后的改变变得容易，在DE 10 2017 212 835 A1中建议对评估系统的负责不同驾驶机动动作的模块彼此分开地进行训练。
发明内容
在本发明的范畴内开发了可训练的评估系统。该评估系统被构造为将测量数据处理为一个或多个评估结果。使用一个或多个传感器检测所述测量数据，和/或所述测量数据包括所述一个或多个传感器的切合实际的（realistisch）合成测量数据。切合实际的合成测量数据可以例如代替实际物理上记录的测量数据或者与实际物理上记录的测量数据结合地被使用，以便训练所述评估系统。典型地，具有传感器的切合实际的合成测量数据的数据集与使用该传感器实际物理上记录的测量数据难以区分开。
作为传感器特别适合的是光学相机或热像仪、超声传感器、雷达传感器和激光雷达传感器。因此，所述测量数据特别是可以包括例如一种或多种成像模式（Abbildungsmodalität）的图像数据或视频数据。
所述评估系统特别是可以体现为：利用可适配参数被参数化的理想地具有大的概括力的功能。在所述评估系统的训练时，特别是可以如此适配所述参数，使得在将学习测量数据输入到所述评估系统中时，尽可能良好地再现所属的学习评估结果。所述评估系统特别是可以包含人工神经网络KNN，和/或所述评估系统可以被构造为KNN。
所述评估系统包括至少两个相互独立的输入级，这些输入级被构造为接受测量数据并将所述测量数据处理为初步成果（Vorprodukt）。可以例如由物理传感器、诸如相机供应所述测量数据给这些输入级。在此，在这些传感器和这些输入级之间不必存在1：1的分配。
因此，可以在共同的输入级中合并（zusammenführen）例如来自多个彼此相似的传感器的测量数据。例如，多个构造相同的相机可以观察车辆环境的不同子区域。
但是相反，也可以例如将来自一个或多个传感器的相同测量数据同时输送到具有不同架构的多个输入级。通过这种方式，在训练所述评估系统时可以立即得知哪种架构更有利于正好对所述测量数据进行处理。
处理级获得所有输入级的所述初步成果作为输入。所述处理级被构造为将一个或多个初步成果处理为共同的中间成果（Zwischenprodukt）。最后，设置至少一个输出级，所述至少一个输出级被构造为将所述中间成果处理为所述评估系统的一个或多个评估结果。
输入级是“独立的”特别是例如可以包括：一个输入级对测量数据的处理结果无关于输送到其他输入级的测量数据。
已经认识到，所述评估系统的这种新型结构出乎意料地使得更容易将利用来自第一物理域的训练数据完成的（absolvieren）训练至少部分地再次用于在第二物理域中以测量技术检测的测量数据。
例如，如果在训练所述评估系统时在不同输入级上提交（vorlegen）涉及相同状况但利用不同传感器以测量技术的方式所检测的测量数据，那么就形成（herausbilden）一种趋势：所述输入级学习的是针对相应测量技术检测而言特定的知识。同时，所述处理级学习了对于所使用的所有类型的测量技术检测而言都同样有效的知识。
例如，所述测量数据可以包括用不同相机记录的图像，并且所述评估结果可以涉及鉴于在图像中所包含的其他交通参与者、交通标志或其他与交通有关的对象方面在图像内容上的评估。在这种状况下，在训练时会如此地出现分工（Arbeitsteilung），使得所述处理级主要学习图像的内容上的评估，而每个输入级则主要学习针对所述评估最佳地预处理由相应相机所记录的图像。
现在由于不同原因而可能会出现以下状况：在车辆之后的批量生产中，必须安装与用于训练所述评估系统的相机不同的相机。
因此，通常优先使用特别高品质的相机用于检测训练数据，因为物理检测仅占成本的比较小的部分。成本的绝大部分则分配给：利用针对相应应用而言相关的含义、例如利用关于图像中实际可见的与交通相关的对象的说明来注释（“标记（Labeln）”）所述训练数据。该标记典型地需要人工。因此，经标记的训练数据稀缺且昂贵，从而看起来有意义的是：以尽可能最好的质量在物理上检测所述训练数据。
通过从一开始就使用与设置用于以后批量生产的相机相同的相机来检测所述训练数据，只能部分回避该问题。在车辆的原型开发期间的训练与以后的批量生产之间可能过去了数年时间。因此，在训练时间点不能保证所设置的相机在批量生产时间点还可以持续地在市面上可用。相机和其他传感器的创新周期比车辆的创新周期明显要短得多。因此，所述相机在批量生产时间点可能已经又被新型号所代替。更不用说在车辆长达20年的使用寿命期间要保证用正好这种相机来供应备件有多困难了。
但是，如果现在通过训练而使得内容上的评估集中在所述处理级中并且对于所有相机都是相同的，则充其量只需要进行短暂的再培训以使所述评估系统也能够对由新相机所提供的图像进行内容上的评估。理想地，所述评估系统由于其强大的概括力甚至可以在训练的范畴内完全抽象地学会评估来自任意相机的图像。
于是这种状况在某种程度上类似于人类驾驶员对新车辆类型的习惯。从新车辆中的驾驶员座位上，驾驶员可能会从不同的角度观察所述车辆的环境。驾驶员还必须熟悉例如车灯开关安置在哪里以及用于倒档的插入锁定件（Einlegesperre）如何工作。但是驾驶员不必完全重新学习驾驶。
特别有利地，所述评估系统的至少两个输入级可以被构造为作为测量数据处理利用不同传感器检测的物理测量数据和/或这些传感器的切合实际的合成测量数据。然后，所述评估系统特别好地适合于融合虽然利用不同物理模式（例如，不同的相机类型、雷达或激光雷达）获取但涉及相同的被检查对象或涉及相同场景的测量数据。
在一种特别有利的设计中，每个输入级包括KNN的神经元和/或其他处理单元的分层布置。通过这种方式，可以对由不同输入级处理的测量数据进行统一化和抽象化，使得这些测量数据可以通过所述处理级以相同的方式进行处理。这特别是在每个输入级中将至少一层构造为卷积层的情况下成立。所述输入级中的布置特别是可以例如分为至少两层。
输出级中的处理又可以至少部分地针对相应类型的测量技术上的检测而言是特定的。因此，例如由不同相机检测的图像可能输出具有不同像素分辨率的图像。如果现在例如根据哪个图像像素属于哪个对象来查找图像的语义分割，那么同一个对象在具有不同像素分辨率的图像中将位于不同的位置。
但是，不需要一方面在输出级与另一方面在相机或其他传感器之间进行1：1分配。与输入级和传感器之间的分配类似，这里存在完全的灵活性。因此，例如可以将同一个输出级用于形成如下评估结果，其中这些评估结果是从由不同传感器所提供的测量数据中获得的。如果例如由多个相机来观察车辆的环境，其中所述相机分别覆盖该环境的空间上的子区域，那么就可以从同一个输出级中调用相应图像中包含的对象的类别。
反之，也可以将根据来自一个或多个传感器的测量数据所得出的同一个中间成果输送到具有不同架构的多个输出级。通过这种方式，在训练所述评估系统时可以一起学习：哪个输出级正好可以将该中间成果处理为最佳的最终结果。
在另一特别有利的设计中，所述处理级包括KNN的神经元和/或其他处理单元的分层布置。于是所述处理级具有足够的容量来学习测量数据的绝大部分的内容上的评估。为了加强所述内容上的评估集中在所述处理级中的趋势，所述处理级特别是例如可以具有比所述输入级划分成更多层的布置。在所述处理级中的布置特别是例如可以划分成至少三层。
此外，有利地在所述处理级中将至少一层构造为卷积层，并且将至少一层构造为池化层（Pooling-Schicht）或全连接层（vollvernetzte Schicht）。这是针对测量数据的内容上的评估而言主要需要的层类型。因此，它们在所述处理级中的存在加强了将所述内容上的评估集中在所述处理级中的所期望的趋势。
在另一有利的设计中，至少一个输出级包括由KNN的神经元和/或其他处理单元组成的布置，所述布置提供KNN的卷积层的功能性和/或KNN的全连接层的功能性。这些层典型地用于在处理链的最末端形成评估结果。特别地，可以在这些层中体现：为了形成用于特定具体目的的评估结果所需要的知识。
如上文所阐述的，所描述的评估系统的重要优点是，可以按照以下方式训练所述评估系统，该方式使得在更换用于记录数据的传感器系统时能够尽量再次使用一次性完成的训练。因此，本发明还涉及一种用于训练该评估系统的方法。
在所述方法的范畴中，向所述评估系统输送学习测量数据。表征所述评估系统的行为的参数以如下目标来被优化：由所述评估系统提供的评估结果根据至少一个成本函数尽可能好地与属于所述学习评估结果的学习评估结果一致。在此，输送给所述评估系统的至少两个不同输入级的学习测量数据包括用不同传感器检测的物理测量数据。
替代地或与此组合地，所述学习测量数据还可以包括这些传感器的切合实际的合成测量数据。这种合成测量数据通常用于缓解训练数据的短缺。在观察时，所述切合实际的合成测量数据通常很难与利用相应传感器实际检测的“真正的”测量数据区分开。
如上文所阐述的，每当向输入级输送测量数据时就对相应的输入级进行训练。但是同时也总是一起训练处理级。也就是说，经所有输入级传达的学习经验将集中在所述处理级中并在那里累积。
这又是进一步有助于以下状况，在这些状况中关于特定的传感器，即关于特定的域专门标记的训练数据是特别短缺的。利用较少的训练数据就足以完成对分配给该传感器的输入级的特殊训练。相反，为了所述内容上的评估可以动用到已经基于其他训练数据预先训练过的处理级。
可以交替地、先后地或也可以同时地训练不同的输入级。也就是说，在训练时目前可以总是向仅一个输入级施加测量数据，但是也可以同时向多个或所有输入级施加测量数据。有利地，应当同时训练所述输入级。这意味着：对于通过成本函数的评估和随后的误差反向传播所界定的每个训练步骤，将相同数量的具有学习测量数据的数据集输送到每个输入级。通过这种方式，可以抵消如下趋势：所述评估系统过大程度地适配于对来自所使用的物理域之一的测量数据的处理。
在另一特别有利的设计中，附加地鉴于标准化度量来优化参数。由不同输入级产生的涉及相同状况的初步成果彼此之间的一致性越好，该标准化度量提供的值就越好。通过这种方式，进一步加强了以下趋势：在分别分配给这些传感器的输入级中处理不同传感器的规范（Spezifika）并且与此分开地基本上统一地进行实际的内容上的评估。所述标准化度量可以例如对针对训练所使用的成本函数做出贡献，从而与所述内容上的评估同时地训练所述标准化。但是，例如也可以在实际的训练之后保留（festhalten）所述处理级的参数，并且可以鉴于尽可能好的标准化度量来进一步优化一个或多个输入级的参数。
在另一特别有利的设计中，输送到所述评估系统的至少两个不同输入级的学习测量数据也被输送到其他通用输入级，并由所述通用输入级处理为初步成果。于是，例如第一输入级获得第一传感器的测量数据，第二输入级获得第二传感器的测量数据，而第三输入级作为通用输入级获得这两个传感器的测量数据。由所述通用输入级提供的初步成果被包括到（einbeziehen）通过所述标准化度量进行的评价（Beurteilung）中。通过这种方式鉴于如下方面训练所述通用输入级：将训练时使用的所有传感器的测量数据以及理想地也非常普遍地将其他传感器的测量数据处理为与由其他输入级所提供的初步成果基本上类似的初步成果。因此理想地，所述通用输入级通过所述评估系统固有的概括力来学习：也处理来自新的未知传感器的测量数据，而无需为此重新进行训练。
为此目的，特别有利的是在优化所述标准化度量期间可以仅改变所述评估系统的以下参数，这些参数表征所述通用输入级的行为。也就是说，表征其他输入级的行为、所述处理级的行为和所述输出级的行为的那些参数保持不变。通过这种方式，所述通用输入级的训练就变成了纯粹的扩展（Add-on），并且不会影响其余输入级、所述处理级以及所述输出级之前进行的训练。
如果已经以所述方式对所述通用输入级进行了训练，则这在所述评估系统使用以传感器方式实际检测的测量数据的运行中创建了如下选择可能性：使用通过其训练而专门用于处理特定传感器的测量数据的输入级、使用所述通用输入级或形成由这些替选方案组成的有意义的组合。
因此，本发明还涉及一种用于运行已经在使用通用输入级的情况下进行了训练的评估系统的方法。
在该方法中，将一组测量数据输送到评估系统的第一输入级，并由所述评估系统处理为第一组评估结果。将同一组测量数据也输送到所述评估系统的通用输入级，并由所述评估系统处理为第二组评估结果。
确定第一组评估结果的不确定性和第二组评估结果的不确定性。根据这两组评估结果确定所述处理的最终结果，即为了进一步使用而更决定性地合并的（maßgeblicherkonsolidierter）一组评估结果。
根据哪种类型的不确定性对于所设置的应用特别不利而定，可以按照任意标准和度量来确定所述不确定性。许多常见的评估方法、例如分类和回归也同样与其相应的结果一起提供了置信度和/或不确定性。
用于确定评估结果的具体规定（Vorschrift）取决于如下应用的需求，在所述应用中应当使用这些评估结果。例如，这两组评估结果可以以加权的方式被共同计算（miteinander verrechnen），其中可以基于所述不确定性来确定权重。
在另一特别有利的设计中，将具有较好的不确定性的那组评估结果确定（festlegen）为所述处理的最终结果。由此可以实现以下原则（Maxime）：针对于具体的一组测量数据的处理而言，专门用于处理特定类型传感器的数据的输入级只可能要么以特定程度是适合的要么恰恰是并不适合的。如果没有专门的输入级被证明为特别适合的，则物理上最有动机的是：使用所述通用输入级。
例如，输入级之一可以专门用于预处理由具有鱼眼光学装置的相机记录的图像。于是如果由新的未知相机记录的图像与使用鱼眼光学装置记录的图像非常相似，则分配给具有鱼眼光学装置的相机的输入级也最适合处理该新相机的图像。
在另一有利的设计中，从所述处理的最终结果中确定操控信号。利用该操控信号来操控车辆、用于监控区域的系统、分类系统、用于对批量生产的产品进行质量监察的系统和/或用于医学成像的系统。
物理测量数据或切合实际的合成测量数据可以是：光学相机或热学相机的测量数据和/或借助于雷达、激光雷达和/或超声对空间区域的询问（Abfrage）的测量数据。这些是在监控车辆环境时使用的、特别是用于驾驶员辅助系统或用于至少部分自动化驾驶的目的的最重要的测量模式。
所述评估结果特别是可以例如包括：
•作为分类结果由所述测量数据所确定的至少一个类别，
•作为回归结果由所述测量数据所确定的至少一个回归值，和/或
•所述测量数据的至少一个语义分割，和/或
•由所述测量数据重建的至少一个图像，和/或
•合成测量数据，例如合成图像。
例如，图像或其他测量数据可以根据这些测量数据指示出什么样的其他交通参与者、车道边界、交通标志和其他与交通有关的对象来被分类。回归值可以例如说明对象移动的方向和/或对象移动的速度。语义分割可以将测量数据的每个像素、体素或柱状像素（Stixel）或每个可比的基本组成部分分配给对象或对象类型（例如“车道边界”、“载客汽车”、“载重汽车”、“行人”、“交通标志”）。因此，这样的语义分割是以传感器方式观察到的场景的一种表示，该表示例如可以由驾驶员辅助系统或用于至少部分自动化驾驶的系统以机器的方式进行解释。
如上文所阐述的，上述训练专门使得所述评估系统能够以总体上较少的训练耗费将来自更多物理域的测量数据处理为针对相应状况而言在内容上相关的评估结果。这意味着使用这些评估结果来工作的技术系统会以高概率执行对于相应状况而言适当的反应。所述训练的结果体现在表征所述评估系统的行为的参数中。谁拥有这些参数，谁就可以直接使用所述评估系统，而无需事先进行训练或者甚至不必拥有训练数据。因此，本发明还涉及一种具有参数的参数集，所述参数表征可训练的评估系统的行为并且是利用上述训练方法获得的。
特别地，例如可以基于已购买的参数集仅训练新的输入级并且可选地还训练新的输出级，以使得所述评估系统能够处理来自新型传感器（例如新相机）的测量数据。在此可以保留处理级的参数。这对于在驾驶员辅助系统、至少部分自动化驾驶的系统或其他安全关键系统中的应用特别有利。例如，可以将一般性的运行许可（ABE）或其他官方批准与所述处理级的由TÜV或其他监控组织验收的具体状态绑定。
所述方法特别是可以全部或部分地由计算机实现。因此，本发明还涉及一种具有机器可读指令的计算机程序，所述机器可读指令当在一个或多个计算机上执行时促使所述一个或多个计算机执行所描述的方法之一。在这个意义上，同样能够执行机器可读指令的用于车辆的控制设备和同样能够执行机器可读指令的用于技术设备的嵌入式系统也应被视为计算机。
同样，本发明还涉及一种机器可读数据载体和/或一种具有所述参数集和/或具有所述计算机程序的下载产品。下载产品是一种可经由数据网络传输、也即可由所述数据网络的用户下载的数字产品，该数字产品例如可以在线上商店中出售以用于立即下载。
此外，计算机可以配备有所述计算机程序、所述机器可读数据载体或所述下载产品。
附图说明
下面与基于附图对本发明的优选实施例的描述共同地进一步示出其他改进本发明的措施。
图1示出了评估系统1的实施例；
图2示出了用于训练评估系统1的方法100的实施例；
图3示出了用于运行评估系统1的方法200的实施例。
具体实施方式
图1示出了评估系统1的实施例。评估系统1包括三个输入级11a-11c，这些输入级被构造为接受测量数据2a-2c并将它们处理为初步成果12a-12c。附加地，评估系统1还包括通用输入级11d，该通用输入级11d同样获得所有那些被引入到其余输入级11a-11c中的测量数据作为输入并将其处理为初步成果11d。
测量数据2a-2c特别地可以是利用不同传感器4a-4c检测的物理测量数据5a-5c。替代地或与之组合地，测量数据2a-2c还可以包括这些传感器4a-4c的切合实际的合成测量数据5a'-5c'。
每个输入级11a-11d包含KNN的神经元和/或其他处理单元，所述神经元和/或其他处理单元在该示例中布置在两个层中、即a和b中。在图1中所示的示例中，这两个层、即a和b都被构造为卷积层。
将所有初步成果11a-11d共同引入到处理级13中，并由处理级13处理为中间成果14。处理级13还包含KNN的神经元和/或其他处理单元，所述神经元和/或其他处理单元布置在层a-k中。在图1中所示的示例中，层a-i被构造为卷积层。在该示例中，层j和层k被构造为池化层，但是例如也可以被构造为其他卷积层。
中间成果14被引入到三个输出级15a-15c中。在图1中所示的示例中，输出级15a-15c分别包括KNN的全连接层，并提供评估系统1的评估结果3a-3c。
如通过图1中的虚线所示，对表征通用输入级11d的行为的参数16这样进行优化，使得根据标准化度量18，由通用输入级11d针对一种状况提供的初步成果12d与其余输入级11a-11c针对相同状况的初步成果12a-12c尽可能好地一致。
图2是用于训练评估系统1的方法100的实施例的示意性流程图。在方法100的步骤110a中，向评估系统1输送学习测量数据2a'-2c'。这些学习测量数据2a'-2c'可以是利用不同传感器4a-4c检测的物理测量数据5a-5c与传感器4a-4c的合成测量数据5a'-5c'的任意混合。将学习测量数据2a'-2c'输送到评估系统1的不同输入级11a-11c。在步骤110b中，通过评估系统1将学习测量数据2a'-2c'处理为评估结果3a-3c。
在步骤120中，表征评估系统1的行为的参数16以如下目标被优化：使评估结果3a-3c根据成本函数17与学习评估结果3a'-3c'尽可能好地一致，其中利用学习评估结果3a'-3c'对学习测量数据2a'-2c'标记。为此，一再地适配参数16，并且重新执行：将学习测量数据2a'-2c'处理为评估结果3a-3c，以便随后测试与学习评估结果3a'-3c'的一致性是否已变得更好。当满足预给定的中断标准时，所述优化结束。所述中断标准可以例如涉及一致性的准确性和/或涉及最大迭代次数。然后获得的参数16的状态是经训练的状态16*。
在步骤130中附加地鉴于标准化度量18来优化参数16、16*。如图2所示，这可以在利用成本函数17对评估系统1实际训练之后进行。但是，它也可以与所述训练同时进行，其方式是例如将标准化度量18集成到成本函数17中。由不同输入级11a-11d产生的涉及相同状况的初步成果12a-12d彼此一致性越好，标准化度量18提供的值就越好。
为此目的，特别是根据框131，将输送到评估系统1的至少两个不同输入级11a-11c的学习测量数据2a'-2c'也输送到通用输入级11d，从而将学习测量数据2a'-2c'处理为初步成果12d。根据框132，由通用输入级11d提供的初步成果12d被包括到通过标准化度量18进行的评价中。因此，测量这些初步成果12d以何种程度与由其他输入级11a-11c产生的初步成果12a-12c统一。一直变化（variieren）参数16，直到满足预给定的中断标准，例如鉴于初步成果12a-12d的所期望的一致性和/或鉴于最大迭代次数的中断标准。
在此，根据框133特别是例如在标准化度量18的优化130期间可以仅改变评估系统1的表征通用输入级11d的行为的那些参数16。因此保留其余输入级11a-11c、处理级13和输出级15a-15c的迄今为止已经完成的训练。
用附图标记16**表示现在也鉴于所述标准化度量经优化的参数16。
图3是用于在评估系统1完成训练的状态下运行评估系统1的方法200的实施例的示意性流程图。在步骤210a中将一组测量数据2e输送到评估系统1的第一输入级11a-11c，并在步骤210b中处理为第一组评估结果3a-3c。在步骤220a中，将相同组的测量数据2e输送到评估系统1的通用输入级11d，并在步骤220b中处理为第二组评估结果3a*-3c*。虽然仅使用其中一个提供唯一初步成果12d的通用输入级11d，但是在通过处理级13将初步成果12d处理为中间成果14之后，三个输出级15a-15c与以前一样仍可以提供不同的评估结果3a*-3c*。
在步骤230中，确定第一组评估结果3a-3c的不确定性6a-6c和第二组评估结果3a*-3c*的不确定性6a'-6c'。
在步骤240中，由两组评估结果3a-3c，3a*3c*和所属的不确定性6a-6c，6a'-6c'确定所述处理的最终结果7a-7c。为此，特别是例如根据框241，可以将具有较低不确定性6a-6c，6a'-6c'的那组评估结果3a-3c，3a'-3c'确定为所述处理的最终结果7a-7c。
在步骤250中，附加地从所述处理的最终结果7a-7c中确定操控信号8。在步骤260中，利用操控信号8操控车辆50、用于监控区域的系统60、分类系统70、用于对批量生产的产品进行质量监察的系统80和/或用于医学成像的系统90。

Claims (17)

1.用于将测量数据（2a-2c）处理为一个或多个评估结果（3a-3c）的评估系统（1），所述测量数据包括利用一个或多个传感器（4a-4c）检测的物理测量数据（5a-5c）和/或所述一个或多个传感器（4a-4c）的切合实际的合成测量数据（5a'-5c'），所述评估系统包括：
•至少两个相互独立的输入级（11a-11d），所述输入级被构造为接受测量数据（2a-2c）并将所述测量数据（2a-2c）处理为初步成果（12a-12d），
•至少一个处理级（13），所述至少一个处理级获得所有输入级（11a-11d）的初步成果（12a-12d）作为输入，并且被构造为将输入的一个或多个初步成果（12a-12d）处理为共同的中间成果（14），以及
•至少一个输出级（15a-15c），所述至少一个输出级被构造为将所述中间成果（14）处理为所述评估系统（1）的一个或多个评估结果（3a-3c）。
2.根据权利要求1所述的评估系统（1），所述评估系统包括人工神经网络KNN和/或被构造为KNN。
3.根据权利要求2所述的评估系统（1），其中，所述处理级（13）包括所述KNN的神经元和/或其他处理单元的被划分为至少三层（a-k）的布置。
4.根据权利要求2至3中任一项所述的评估系统（1），其中，至少一个输出级（15a-15c）包括所述KNN的神经元和/或其他处理单元的布置，所述布置提供所述KNN的卷积层的功能性和/或所述KNN的全连接层的功能性。
5.用于训练根据权利要求1至4中任一项所述的评估系统（1）的方法（100），其中向所述评估系统（1）输送（110a）学习测量数据（2a'-2c'）并由所述评估系统（1）处理（110b）为评估结果（3a-3c），其中表征所述评估系统（1）的行为的参数（16）以如下目标被优化（120）：所述评估结果（3a-3c）根据至少一个成本函数（17）与属于所述学习测量数据（2a'-2c'）的学习评估结果（3a'-3c'）尽可能好地一致，其中输送给所述评估系统（1）的至少两个不同输入级（11a-11c）的学习测量数据（2a'-2c'）包括用不同传感器（4a-4c）检测的物理测量数据（5a-5c）和/或所述传感器（4a-4c）的切合实际的合成测量数据（5a'-5c'）。
6.根据权利要求5所述的方法（100），其中，附加地鉴于标准化度量（18）来优化（130）所述参数（16），其中由不同输入级（11a-11d）产生的涉及相同状况的初步成果（12a-12d）彼此之间的一致性越好，所述标准化度量提供的值就越好。
7.根据权利要求6所述的方法（100），其中，附加地
•输送到所述评估系统（1）的至少两个不同输入级（11a-11c）的所述学习测量数据（2a'-2c'）也被输送（131）到其他通用输入级（11d），以及
•由所述通用输入级（11d）提供的初步成果（12d）被包括（132）到通过所述标准化度量（18）进行的评价中。
8.根据权利要求7所述的方法（100），其中，在优化（130）所述标准化度量（18）期间仅改变（133）所述评估系统（1）的表征所述通用输入级（11d）的行为的参数（16）。
9.用于运行评估系统（1）的方法（200），其中，已利用根据权利要求5至8中任一项所述的方法（100）训练了所述评估系统，所述方法具有以下步骤：
·将一组测量数据（2e）输送（210a）到所述评估系统（1）的第一输入级（11a-11c），并由所述评估系统（1）处理（210b）为第一组评估结果（3a-3c）；
·将同一组测量数据（2e）输送（220a）到所述评估系统（1）的通用输入级（11d），并由所述评估系统（1）处理（220b）为第二组评估结果（3a*-3c*）；
·确定（230）所述第一组评估结果（3a-3c）的不确定性（6a-6c）和所述第二组评估结果（3a*-3c*）的不确定性（6a'-6c'）；
·根据这两组评估结果（3a-3c，3a*-3c*）和所属的不确定性（6a-6c，6a'-6c'）确定（240）所述处理的最终结果（7a-7c）。
10.根据权利要求9所述的方法（200），其中，将具有较低不确定性（6a-6c，6a'-6c'）的那组评估结果（3a-3c，3a'-3c'）确定（241）为所述处理的最终结果（7a-7c）。
11.根据权利要求9至10中任一项所述的方法（200），其中，附加地
•从所述处理的最终结果（7a-7c）中确定（250）操控信号（8），以及
•利用所述操控信号（8）来操控（260）车辆（50）、用于监控区域的系统（60）、分类系统（70）、用于对批量生产的产品进行质量监察的系统（80）和/或用于医学成像的系统（90）。
12.根据权利要求5至11中任一项所述的方法（100、200），其中，所述物理测量数据（5a-5c）或所述切合实际的合成测量数据（5a'-5c'）是光学相机或热学相机的测量数据和/或借助于雷达、激光雷达和/或超声对空间区域的询问的测量数据。
13.根据权利要求5至12中任一项所述的方法（100、200），其中，所述评估结果（3a-3c）包括：
•作为分类结果由所述测量数据确定的至少一个类别，
•作为回归结果由所述测量数据确定的至少一个回归值，和/或
•所述测量数据的至少一个语义分割，和/或
•由所述测量数据重建的至少一个图像，和/或
•合成测量数据。
14.具有参数的参数集，所述参数表征评估系统（1）的行为，所述参数集是利用根据权利要求5至8中任一项所述的方法（100）获得的。
15.包含机器可读指令的计算机程序，所述机器可读指令在一个或多个计算机上执行时促使所述一个或多个计算机执行根据权利要求8至16中任一项所述的方法（100、200）。
16.机器可读数据载体，所述机器可读数据载体具有根据权利要求14所述的参数集和/或根据权利要求15所述的计算机程序。
17.计算机，所述计算机配备有根据权利要求15所述的计算机程序和/或根据权利要求16所述的机器可读数据载体和/或下载产品。
CN202011471246.9A 2019-12-16 2020-12-15 用于来自多个域的测量数据的评估系统 Pending CN112990251A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019219734.5A DE102019219734A1 (de) 2019-12-16 2019-12-16 Auswertungssystem für Messdaten aus mehreren Domänen
DE102019219734.5 2019-12-16

Publications (1)

Publication Number Publication Date
CN112990251A true CN112990251A (zh) 2021-06-18

Family

ID=76085330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011471246.9A Pending CN112990251A (zh) 2019-12-16 2020-12-15 用于来自多个域的测量数据的评估系统

Country Status (3)

Country Link
US (1) US11610096B2 (zh)
CN (1) CN112990251A (zh)
DE (1) DE102019219734A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL270540A (en) * 2018-12-26 2020-06-30 Yandex Taxi Llc Method and system for training a machine learning algorithm to recognize objects from a distance
DE102021209727A1 (de) 2021-09-03 2023-03-09 Robert Bosch Gesellschaft mit beschränkter Haftung Schätzvorrichtung zum Ermitteln eines fusionierten Schätzwerts für einen Bewegungsparameter zur Verwendung in einem Fahrassistenzsystem für ein Fahrzeug, Trainingsvorrichtung zum Training einer Konfidenzschätzeinheit, Fahrassistenzsystem, Verfahren zum Ermitteln eines fusionierten Schätzwerts und Verfahren zum Training einer Konfidenzschätzeinheit

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19527323A1 (de) * 1995-07-26 1997-01-30 Siemens Ag Schaltungsanordnung zum Steuern einer Einrichtung in einem Kraftfahrzeug
US10089204B2 (en) * 2015-04-15 2018-10-02 Hamilton Sundstrand Corporation System level fault diagnosis for the air management system of an aircraft
US10055675B2 (en) * 2016-06-15 2018-08-21 Ford Global Technologies, Llc Training algorithm for collision avoidance using auditory data
US10678244B2 (en) * 2017-03-23 2020-06-09 Tesla, Inc. Data synthesis for autonomous control systems
DE102017212835A1 (de) * 2017-07-26 2019-01-31 Robert Bosch Gmbh Steuerungssystem für ein autonomes Fahrzeug
DE102019113114A1 (de) * 2018-06-19 2019-12-19 Nvidia Corporation Verhaltensgesteuerte wegplanung in autonomen maschinenanwendungen
DE102019213009A1 (de) * 2019-08-29 2021-03-04 Robert Bosch Gmbh Aufbereitung von Radarsignalen mit Unterdrückung von Bewegungsartefakten

Also Published As

Publication number Publication date
US11610096B2 (en) 2023-03-21
DE102019219734A1 (de) 2021-06-17
US20210182652A1 (en) 2021-06-17

Similar Documents

Publication Publication Date Title
US10049284B2 (en) Vision-based rain detection using deep learning
US11468319B2 (en) Method and system for predicting sensor signals from a vehicle
CN112990251A (zh) 用于来自多个域的测量数据的评估系统
Wang et al. End-to-end self-driving using deep neural networks with multi-auxiliary tasks
CN112241204A (zh) 一种车载ar-hud的手势交互方法和系统
CN106458126B (zh) 驾驶辅助装置
CN111008973A (zh) 用于对图像数据的语义分割的方法、人工神经网络和设备
US20210081762A1 (en) Translation of training data between observation modalities
Tran et al. Vision for driver assistance: Looking at people in a vehicle
KR20230069940A (ko) 운전자 보조 시스템을 테스트하기 위한 방법 및 시스템
CN112204418A (zh) 用于自动地确定道路状态的方法
CN114655227A (zh) 驾驶风格识别方法、辅助驾驶方法及装置
CN115393818A (zh) 驾驶场景识别方法、装置、计算机设备和存储介质
del Egio et al. Self-driving a car in simulation through a CNN
EP3495993A1 (en) Road marking determining apparatus for automated driving
CN113095350A (zh) 用于生成尤其用于训练神经网络的加标签的数据的方法
US11836987B2 (en) Fusion system for fusing environment information for a motor vehicle
DE102020110730A1 (de) Verfahren und Vorrichtung zur Erhöhung der Verfügbarkeit einer automatisierten Fahrfunktion oder eines Fahrerassistenzsystems
Vikas et al. Camera Blockage Detection in Autonomous Driving using Deep Neural Networks
CN111210411A (zh) 图像中灭点的检测方法、检测模型训练方法和电子设备
US20220099799A1 (en) Transforming measured data between various configurations of measuring systems
US20220262103A1 (en) Computer-implemented method for testing conformance between real and synthetic images for machine learning
US20230237323A1 (en) Regularised Training of Neural Networks
CN115131399A (zh) 通过多个神经网络的协作对多个对象的跟踪
CN113869100A (zh) 在相对于对象大小的等变性或不变性下在图像中识别对象

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