CN114332595A - 在测量系统的不同配置之间变换测量数据 - Google Patents

在测量系统的不同配置之间变换测量数据 Download PDF

Info

Publication number
CN114332595A
CN114332595A CN202111149938.6A CN202111149938A CN114332595A CN 114332595 A CN114332595 A CN 114332595A CN 202111149938 A CN202111149938 A CN 202111149938A CN 114332595 A CN114332595 A CN 114332595A
Authority
CN
China
Prior art keywords
measurement data
source
target
data
filtering operation
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
CN202111149938.6A
Other languages
English (en)
Inventor
A·荣金格尔
T·斯特劳斯
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 CN114332595A publication Critical patent/CN114332595A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/42—Simultaneous measurement of distance and other co-ordinates
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

用于确定将已在场景利用测量系统的源配置所记录的源测量数据F转换成测量系统的目标配置在相同场景将会记录的目标测量数据F'的变换的方法，包括：提供已在学习场景以测量系统的源配置所记录的学习源测量数据
Figure 848461DEST_PATH_IMAGE002
；预给定方案，根据其通过将至少一个预给定的过滤操作
Figure 100004_DEST_PATH_IMAGE003
应用于源测量数据F从源测量数据F得出目标测量数据F'，预给定的过滤操作
Figure 234443DEST_PATH_IMAGE003
又经由可训练模型而取决于过滤操作应被应用于的源测量数据F
Figure 14180DEST_PATH_IMAGE004
；分别通过应用过滤操作
Figure 100004_DEST_PATH_IMAGE005
将学习源测量数据
Figure 829296DEST_PATH_IMAGE006
映射到目标测量数据F'；以如下目标训练该可训练模型：由此得出的过滤操作
Figure 643669DEST_PATH_IMAGE003
和/或借此生成的目标测量数据F'与预给定的附加信息和/或条件协调一致；提供以经训练的模型补充的方案作为所寻求的变换。

Description

在测量系统的不同配置之间变换测量数据
技术领域
本发明涉及将场景（Szenerie）的测量数据转换成所使用的测量系统的另一配置在相同场景将会记录的测量数据。
背景技术
为了能够使车辆在道路交通中至少部分地自动移动，需要检测车辆的环境，并且如果与车辆的环境中的对象即将发生碰撞，则采取应对措施。创建环境表示以及定位对于安全的自动驾驶也是必要的。例如，可以使用摄像机或雷达传感器用于以测量数据的形式检测环境。
经训练的机器学习模型、例如神经网络在这里尤其是可以为对象识别作出重要贡献。为了训练这些模型，需要训练数据，所述训练数据通常基于试驾而被记录并且随后用在分别观测的场景中对实际包含的对象进行注释（“加标签（gelabelt）”）。加标签需要很多手动工作，并且与此相应地是耗费的。标签受到测量系统的所使用的配置的约束（bindenan。。）。
DE 10 2018 204 494 B3公开一种发生器，利用该发生器能够以合成雷达数据对训练数据的给定储备进行扩展。
发明内容
在本发明的范围中，开发了一种用于确定如下变换的方法，所述变换将已经在场景利用测量系统的源配置（Quell-Konfiguration）所记录的源测量数据F转换成该测量系统的目标配置在相同的场景将会记录的目标测量数据F'。
测量数据尤其是例如可以以图像数据的形式存在。图像数据通常给二维或多维栅格中的每个位置（Ort）分配一个或多个测量值（例如强度）。在此，栅格还定义位置之间的邻近（Nachbarschaft）。然而，测量数据也可以例如作为点云存在。点云同样给二维或多维空间中的位置分配一个或多个测量值。但是，这些位置并非以栅格而布置。因此，点云是在空间中分别配备有测量值的位置的无序列表（ungeordnete Liste）。
尤其是，雷达数据和激光雷达数据通常可以有选择性地被表达为图像数据或点云。
测量数据尤其是可以例如是摄像机图像、视频图像、雷达数据、激光雷达数据和/或超声图像。在此，测量数据可以通过任意预处理从由相应传感器提供的原始数据而得出。因此，例如在空间和时间上波动（fluktuieren）的雷达数据可以被转换成由特定位置反射雷达辐射的概率的空间离散分布。然后，该分布例如也可以与例如信号强度的、与对象的距离的、对象速度的以及反射角的其他与位置有关的分布被组合成数据张量（Daten-Tensor）。
测量数据可以分别通过物理测量过程而获得，但也可以例如通过物理测量过程的模拟而获得。此外，可以根据通过对利用测量系统的一种配置所获得的测量数据进行物理测量而鉴于如下方面训练例如生成对抗网络GAN的发生器：产生来自相同域的真实测量数据。
测量系统的源配置和目标配置例如可以在传感器针对观测场景而被安置于的位置方面不同。例如，在雷达传感器以被遮蔽的方式安置的情况下，安置在传感器和场景之间的屏蔽材料的配置也可能发生变化。也可以例如以新型号的传感器替换传感器本身。
该方法是基于数据的。也就是说，提供已经在学习场景利用测量系统的源配置所记录的学习源测量数据
Figure 100002_DEST_PATH_IMAGE001
。
预先给定如下方案（Ansatz），根据该方案通过将至少一个预先给定的过滤操作
Figure 100002_DEST_PATH_IMAGE003
（Filteroperation）应用于源测量数据F来从源测量数据F得出目标测量数据F'。该预先给定的过滤操作
Figure DEST_PATH_IMAGE004A
又经由可训练的模型而取决于所述过滤操作应该被应用到的源测量数据F。
在此隐含了以下考虑：目标测量数据F'仍然表现出与源测量数据F相同的场景。由此得出，目标测量数据F'应该有意义地是源测量数据F的如下变换（Abwandlung），在该变换中仍应识别出源测量数据F的主要内容。如果对象例如在源测量数据F中被标识，则这在目标测量数据F'中也仍应被表现出来。如果例如源测量数据F以被编码的方式也为被标识的对象的速度，则在过渡（Übergang）到测量系统的新配置时，该速度同样不应该太强烈地变化，因为利用经改变的测量系统观测该对象对其运动学在物理上没有影响。
因此，从一开始所寻求的就是如下目标测量数据F'，所述目标测量数据相对于源测量数据F而言的变化是“小的”。因此，类似于点（Stelle）的环境中的函数的级数展开（Reihenentwicklung），目标测量数据F'可以被写为
Figure 100002_DEST_PATH_IMAGE005
其中
Figure 777523DEST_PATH_IMAGE006
。这种变化因此可以选择性地被表达为加法（additiv）修正
Figure 100002_DEST_PATH_IMAGE007
或乘法（multiplikativ）修正
Figure 412773DEST_PATH_IMAGE008
。这还可以进一步地被概括化为
Figure DEST_PATH_IMAGE009
，
其中
Figure 395772DEST_PATH_IMAGE010
是与源测量数据F有关的过滤函数，并且
Figure 100002_DEST_PATH_IMAGE011
是该过滤函数
Figure 994244DEST_PATH_IMAGE010
对F的应用。过滤函数尤其是例如可以被理解为如下函数，所述函数基于在一个或多个位置处的源测量数据F而将张量函数值分配给目标测量数据F所涉及的多维空间中的位置。
为了以基于数据的方式学习过滤操作
Figure 28190DEST_PATH_IMAGE012
，分别通过应用过滤操作
Figure DEST_PATH_IMAGE014_5A
将学习源测量数据
Figure 100002_DEST_PATH_IMAGE015
映射到目标测量数据F'。以如下目标对可训练的模型进行训练：使由此得出的过滤操作
Figure DEST_PATH_IMAGE004AA
和/或借此生成的目标测量数据F'与预先给定的附加信息和/或条件协调一致（in Einklang mit…）。在该训练之后，以经训练的模型而补充的方案作为所寻求的变换而被提供。
过滤操作
Figure 739401DEST_PATH_IMAGE016
可以在最宽泛的意义上例如被理解为如下“区段（Feld）”，所述区段给源测量数据F中的每个位置分配唯一的值，其中在变换时应根据该值而将源测量数据F变换成目标测量数据F'。
已经认识到，针对性地寻求如下可训练的模型要比完全无条件地（vorbehaltlos）和开放式地寻求通向目标测量数据F'的变换明显更加高效，其中所述可训练的模型最终仅会引起源测量数据F的较小变化。因此，例如在神经网络中机器学习方法的每个实现方案都具有以可优化参数的数量和复杂性形式的特定基数（Mächtigkeit），其例如可以通过在具体应用中可用的硬件资源（尤其是GPU存储器）来规定。在对导致（hinauslaufen）完全重新生成目标测量数据F'的变换进行开放式寻求的情况下，必须已经很多地使用所述基数来来模仿从源测量数据F中已知的基本特性。这意味着不使用已经存在的信息，而是费事地重新计算。相反，如果有针对性地寻求小的修正，则可以将神经网络的总体基数用于寻求这种修正。此外，该训练更好地收敛，这是因为每结构（Konstruktion）而言要学会的特性是“小”的。
在这里描述的将源测量数据F转换成目标测量数据F'的有用应用尤其是例如在于，在从测量系统的源配置切换到目标配置之后，可以继续使用进一步评估测量数据的系统的现有学习图像。例如，图像分类器或用于图像语义分割的系统通常“以受监控的方式”被训练。也就是说，对如下学习图像进行处理，对于所述学习图像而言标签以如下方式可用：这些图像示出哪些对象或哪些图像像素属于哪种对象类型，并且学习过程根据这些标签而被监察（kontrollieren）。如开头所提及的那样，这些标签受到用于检测学习图像的测量系统的配置的约束。为了在改变配置之后重新训练或再训练下游评估，需要新标记的学习图像。以经改变的配置记录全新的学习图像并且标记这些新的学习图像格外需要巨大的耗费，所述巨大的耗费在极端情况下甚至可能导致在经济上不能执行对配置的有意改变。然而如果现在已经标记的源图像数据F可以变换成目标图像数据F'，则不仅免去了用于检测新的学习图像的耗费，而且至少在很大部分上可以继续使用已经存在的标签。因此，标签所受到的测量系统的具体配置的迄今为止的约束不再是继续发展该配置的障碍。
可训练的模型尤其是例如可以被实现为神经网络。这种神经网络尤其是例如可以包括多个卷积层，这些卷积层分别将一个或多个过滤器核应用于其相应的输入。例如，神经网络可以具有编码器解码器结构，在所述编码器解码器结构中，编码器产生输入的压缩表示并且解码器由所述压缩表示而产生输出。在此，也可以设置在编码器的卷积层和解码器的卷积层之间的直接连接，由此该编码器解码器结构变成所谓的“U-Net”。
所描述的近似、即目标测量数据F'相对于源测量数据F而言变化“小”，尤其是适用于对于配置的较小变换。这种较小变换的一个示例是：车辆上传感器的横向偏移，从而使所述传感器从略微改变的视角检测场景。较小变换的另一示例是：雷达传感器以被遮蔽的方式安置在制造商厂标后面，这出于审美原因和出于空间原因而被实际应用。不同制造商的厂标具有不同的厚度和材料组成，使得由雷达传感器发射和接收的信号以不同的程度被减弱。例如也可能在用另一传感器替换了传感器之后使得探测灵敏度的角度相关性变得不同。
恰好在开发用于检测车环境的测量系统时，通常希望：为了鉴于特定方面优化检测而使传感器横向偏移或用传感器替换该传感器。此外，同一测量系统可以例如被销售给不同的车辆制造商并且在那里可以与不同的制造商厂标组合。
在一种有利的设计方案中满足“小”变换的近似，其中源测量数据F以及目标测量数据F'是张量（Tensor）并且其中过滤操作
Figure DEST_PATH_IMAGE004AAA
使目标测量数据F'的元素与源测量数据F相比在数值上改变至多10%。
过滤操作
Figure DEST_PATH_IMAGE004AAAA
尤其是例如可以被预先给定为参数化函数，并且该函数的参数可以从可训练的模型中被提取（beziehen）。通过这种方式，可训练的模型的输出可以被转变成如下动作，应该利用这些动作而改变源测量数据F，其中所述可训练的模型的输出尤其是在神经网络中实现时通常以数字的形式存在。
可以单独地或以组合的方式使用各种各样的附加信息或条件，以便获得针对可训练的模型的训练的反馈（Rückkopplung）。
因此，例如能够以如下目标对可训练的模型进行训练：过滤操作
Figure 350642DEST_PATH_IMAGE018
与至少针对特定控制点（Stützstellen）
Figure DEST_PATH_IMAGE019
而预先给定的过滤操作
Figure 752804DEST_PATH_IMAGE020
相对应。如果已经从任意来源、例如从利用另一测量方法进行的测量中已知过滤操作
Figure DEST_PATH_IMAGE021
，则这可以例如是有意义的。此外，例如预先给定的过滤操作
Figure DEST_PATH_IMAGE022A
可以至少定性地（qualitativ）以如下方式被规定：所述过滤操作对源测量数据F的应用
Figure DEST_PATH_IMAGE023
是可逆的（invertierbar）。对于任意源测量数据F，于是可以通过
Figure 546317DEST_PATH_IMAGE024
来计算
Figure DEST_PATH_IMAGE025
，其中
Figure 8522DEST_PATH_IMAGE026
是逆过滤应用。
Figure DEST_PATH_IMAGE027
与
Figure 713917DEST_PATH_IMAGE028
的一致性可以例如通过对训练的成本函数（损失函数）的贡献
Figure DEST_PATH_IMAGE029
来被测量。其中
Figure 919770DEST_PATH_IMAGE030
是适当的范数或其他可微函数。
可替代地或还与此组合地，例如能够以如下目标对可训练的模型进行训练：目标测量数据F'与源测量数据F的相关性尽可能好地对应于预先给定的方案。
即使过滤操作
Figure DEST_PATH_IMAGE004_5A
不是可逆的，也可以以这种方式自相一致地（selbstkonsistent）监控：可训练的模型以何种程度而学习F'和F之间的正确关联。例如，这可以通过对训练的成本函数的贡献
Figure DEST_PATH_IMAGE031
来被测量。
可替代地或还与此组合地，例如能够以如下目标对可训练的模型进行训练：目标测量数据F'尽可能好地对应于预先给定的学习目标测量数据
Figure 990625DEST_PATH_IMAGE032
。因此如果例如从其他测量中“基准真相（Ground truth）”以如下方式可用：目标测量数据F看起来应该如何，则该信息同样可以被考虑用于监控学习过程。如果例如另一传感器从与测量系统在目标配置中相同的视角观测场景，则该另一传感器应该例如近似地在与测量系统相同的位置处识别对象。因此，有利地选择如下学习目标测量数据
Figure DEST_PATH_IMAGE033
，所述学习目标测量数据分别已在与学习源测量数据
Figure 92574DEST_PATH_IMAGE034
相同的学习场景利用测量系统的目标配置被记录。
在一种特别有利的设计方案中，选择如下过滤操作
Figure DEST_PATH_IMAGE004_6A
，所述过滤操作以包含在源测量数据F 中的对象的相同汇编（Zusammenstellung）产生目标测量数据F'。在其中反映：最终以测量系统的两种配置而观测相同的物理场景。此外，测量系统的目标配置相对于源配置并非如此剧烈地变换，使得特定对象根本不应该在这些配置之一中显示出反差。相反地，主要针对如下较小的变换而设想该变换，目标测量数据F'相对于源测量数据F的“小”变化的在开头提及的近似也适用于所述较小的变换。
根据先前的描述，有利地尤其是选择如下源测量数据F，所述源测量数据已利用至少一个雷达传感器被记录并且至少说明已经将雷达辐射反射到雷达传感器的对象的位置和速度。在这里，尽管相同的对象一如既往地被检测，但是所记录的信号强度可例如由于传感器的灵敏度或者也由于所发射和/或接收的雷达信号减弱而明显发生变化，其中所述传感器的灵敏度必要时也与角度相关地改变。
在该设计方案中，过滤操作
Figure DEST_PATH_IMAGE004_7A
例如可以更进一步以如下方式被限制：所述过滤操作使对象的速度在数值方面不变。而这些速度的方向可能例如由于在目标配置中经改变的空间视角而发生变化。
根据先前的描述，本发明还涉及一种用于将已经在场景利用测量系统的源配置所记录的源测量数据F转变成测量系统的目标配置在相同的场景将会记录的目标测量数据F'的方法。在该方法中，利用前述方法确定：从利用源配置所记录的源测量数据F到利用目标配置所记录的目标测量数据F'的变换。源测量数据F被输送给该变换，使得获得目标测量数据F'。
在此情况下，尤其是例如源测量数据F的数据组可以分别配备有如下标签，可训练的分类器、诸如图像分类器或用于语义分割的系统应该分别将这些源测量数据F映射到所述标签上。目标测量数据F'的每个数据组于是可以分别与源测量数据F的产生它的那个数据组的一个或多个标签L相关联。分类器或用于语义分割的系统然后可以利用目标测量数据F'和与之相关联的标签L以受监控的方式被训练。
例如，本发明能够以软件的形式得以体现（verkörpern）。因此，本发明还涉及一种具有机器可读指令的计算机程序，当所述机器可读指令在一个或多个计算机上被执行时，所述机器可读指令促使所述一个或多个计算机执行所描述的方法之一。在该意义上，同样能够执行机器可读指令的用于车辆的控制设备和用于技术设备的嵌入式系统应被视为计算机。
本发明还涉及具有计算机程序的下载产品和/或机器可读数据载体。下载产品是能够经由数据网络传输、即能够由数据网络的用户下载的数字产品，所述数字产品例如可以在在线商店中被供应用于立即下载。
此外，计算机可以装备有计算机程序、机器可读数据载体或下载产品。
在下面与根据附图对本发明的优选实施例的描述一起更详细地示出改善本发明的其他措施。
附图说明
图1示出用于确定从源测量数据F到目标测量数据F'的变换6的方法100的实施例；
图2示出用于将源测量数据F转变成目标测量数据F'的方法200的实施例；
图3示出方法200对雷达数据的示例性应用。
具体实施方式
图1是方法100的一种实施例的示意流程图。利用方法100，确定变换6。然后，又可以使用该变换6来将已经利用测量系统2的源配置2a在场景1记录的源测量数据F转换成该测量系统2的目标配置2b将会在相同的场景1记录的目标测量数据F'。
在步骤110中，提供学习源测量数据
Figure DEST_PATH_IMAGE035
，所述学习源测量数据已经在学习场景1a利用该测量系统2的源配置2a被记录。
在步骤120中，预先给定方案3，根据该方案，通过将至少一个预先给定的过滤操作
Figure DEST_PATH_IMAGE004_8A
应用于源测量数据F而从源测量数据F得出目标测量数据F'。该预先给定的过滤操作
Figure DEST_PATH_IMAGE004_9A
又经由可训练的模型4而取决于该过滤操作应该被应用到的源测量数据F。因此过滤操作
Figure DEST_PATH_IMAGE004_10A
可以被写为
Figure DEST_PATH_IMAGE004_11A
（F）。
根据块121，过滤操作
Figure DEST_PATH_IMAGE004_12A
可以例如被预先给定为参数化函数。根据块122，然后可以从可训练的模型4中提取该函数的参数。
根据块123，可以选择例如如下过滤操作
Figure DEST_PATH_IMAGE004_13A
，所述过滤操作以包含在源测量数据F中的对象的相同汇编（Zusammenstellung）产生目标测量数据F'。
根据块124，源测量数据F以及目标测量数据F'可以例如是张量。然后可以选择例如如下过滤操作
Figure DEST_PATH_IMAGE004_14A
，该过滤操作使目标测量数据F'的元素与源测量数据F相比在数值上改变至多10%。
根据块105，可以选择已经利用至少一个雷达传感器所记录的源测量数据F。根据块125，然后例如可以选择例如如下过滤操作
Figure DEST_PATH_IMAGE004_15A
，该过滤操作使对象的速度在数值上不变。
在步骤130中，通过应用过滤操作
Figure 314958DEST_PATH_IMAGE036
，将学习源测量数据
Figure DEST_PATH_IMAGE037
分别映射到目标测量数据F'上。这些目标测量数据F'分别说明：测量系统2的目标配置2b应如何看待相应的如下学习场景1a，在该学习场景1a利用测量系统2的源配置2a记录了源测量数据F。
在步骤140中，以如下目标对可训练的模型4进行训练：使由此得出的过滤操作
Figure DEST_PATH_IMAGE038A
和/或借此生成的目标测量数据F'与预先给定的附加信息和/或条件5协调一致。可训练的模型4的完成训练的状态用附图标记4*表示。
对于附加信息和/或条件5的不同示例在框140内给出。
根据块141，例如能够以如下目标对可训练的模型4进行训练：过滤操作
Figure 714715DEST_PATH_IMAGE018
与至少针对特定控制点
Figure 358186DEST_PATH_IMAGE019
而预先给定的过滤操作
Figure 912926DEST_PATH_IMAGE020
相对应。
根据块142，例如能够以如下目标对可训练的模型4进行训练：目标测量数据F'与源测量数据F的相关性尽可能好地对应于预先给定的方案3。
根据块143，例如能够以如下目标对可训练的模型4进行训练：目标测量数据F'尽可能好地对应于预先给定的学习目标测量数据
Figure DEST_PATH_IMAGE039
。尤其是，例如根据块143a，可以选择如下学习目标测量数据
Figure 845110DEST_PATH_IMAGE040
，所述学习目标测量数据已分别在与学习源测量数据
Figure DEST_PATH_IMAGE041
相同的学习场景1a利用测量系统2的目标配置2b被记录。
在步骤150中，利用完成训练的模型4*而补充的方案3作为所寻求的变换6而被提供。
图2是用于将源测量数据F转变成目标测量数据F'的方法200的一种实施例的示意流程图。在步骤210中，利用前述方法100确定：从以源配置2a所记录的源测量数据F到以目标配置2b所记录的目标测量数据F'的变换6。在步骤220中，源测量数据F被输送给该变换6，使得获得目标测量数据F'。
在此情况下，源测量数据F的数据组、也即例如各个图像或图像张量可以分别配备有标签L，可训练的图像分类器或用于语义分割的系统应该分别将所述源测量数据F映射到所述标签L上。根据块221，于是例如可以将目标测量数据F'的每个数据组分别与源测量数据F的产生它的那个数据组的一个或多个标签L相关联。然后在步骤230中，可以以受监控的方式利用目标测量数据F'和与之相关联的标签L对图像分类器或用于语义分割的系统进行训练。
图3示出：将方法200示例性地应用到作为源测量数据F的雷达数据上。为了阐明，已经将图3中的雷达数据组合成雷达横截面（Radar Cross Section，RCS）的特定值的频率P的分布。
源测量数据F已经利用第一雷达传感器被记录。利用所述方法200已将这些源测量数据F变换成第二雷达传感器在相同的场景将会检测到的目标测量数据F'。在图3所示的实验中，该第二雷达传感器实际上可供使用并且已被用于记录如下额定目标测量数据
Figure DEST_PATH_IMAGE043
，方法200应该会将源测量数据F映射到所述额定目标测量数据
Figure 845296DEST_PATH_IMAGE043
上。在大部分上得出良好的一致性。

Claims (16)

1.一种用于确定如下变换（6）的方法（100），所述变换将已经在场景（1）利用测量系统（2）的源配置（2a）所记录的源测量数据F转换成所述测量系统（2）的目标配置（2b）在相同的场景（1）将会记录的目标测量数据F'，所述方法具有步骤：
•提供（110）学习源测量数据
Figure DEST_PATH_IMAGE001
，所述学习源测量数据已经在学习场景（1a）利用所述测量系统（2）的源配置（2a）被记录；
•预先给定（120）方案（3），根据所述方案通过将至少一个预先给定的过滤操作
Figure 491604DEST_PATH_IMAGE002
应用于所述源测量数据F而从所述源测量数据F得出所述目标测量数据F'，其中所述预先给定的过滤操作
Figure 408744DEST_PATH_IMAGE002
又经由可训练的模型（4）而取决于所述过滤操作应该被应用于的所述源测量数据F，
Figure DEST_PATH_IMAGE003
；
•分别通过应用所述过滤操作
Figure 391744DEST_PATH_IMAGE004
将所述学习源测量数据
Figure DEST_PATH_IMAGE005
映射（130）到目标测量数据F'；
•以如下目标对所述可训练的模型（4）进行训练（140）：使由此得出的过滤操作
Figure 255795DEST_PATH_IMAGE002
和/或借此生成的目标测量数据F'与预先给定的附加信息和/或条件（5）协调一致；
•提供（150）以经训练的模型（4*）而补充的方案（3），作为所寻求的变换（6）。
2.根据权利要求1所述的方法（100），其中所述过滤操作
Figure 522697DEST_PATH_IMAGE002
被预先给定（121）为参数化函数并且其中所述函数的参数从所述可训练的模型（4）中被提取（122）。
3.根据权利要求1至2中任一项所述的方法（100），其中选择神经网络作为用于所述过滤操作
Figure 345159DEST_PATH_IMAGE002
与所述源测量数据F的相关性
Figure DEST_PATH_IMAGE007
的可训练的模型（4）。
4.根据权利要求1至3中任一项所述的方法（100），其中能够以如下目标对所述可训练的模型（4）进行训练（141）：所述过滤操作
Figure 284297DEST_PATH_IMAGE007
与至少针对特定控制点
Figure 483197DEST_PATH_IMAGE008
而预先给定的过滤操作
Figure DEST_PATH_IMAGE010A
相对应。
5.根据权利要求1至4中任一项所述的方法（100），其中能够以如下目标对所述可训练的模型（4）进行训练（142）：所述目标测量数据F'与所述源测量数据F的相关性尽可能好地对应于所述预先给定的方案（3）。
6.根据权利要求1至5中任一项所述的方法（100），其中能够以如下目标对所述可训练的模型（4）进行训练（143）：所述目标测量数据F'尽可能好地对应于预先给定的学习目标测量数据
Figure DEST_PATH_IMAGE011
。
7.根据权利要求6所述的方法（100），其中选择（143a）如下学习目标测量数据
Figure 778174DEST_PATH_IMAGE012
，所述学习目标测量数据已分别在与所述学习源测量数据
Figure 240379DEST_PATH_IMAGE014
相同的学习场景（1a）利用所述测量系统（2）的所述目标配置（2b）被记录。
8.根据权利要求1至7中任一项所述的方法（100），其中选择（123）如下过滤操作
Figure DEST_PATH_IMAGE015
，所述过滤操作以包含在源测量数据F 中的对象的相同汇编产生目标测量数据F'。
9.根据权利要求1至8中任一项所述的方法（100），其中选择（105）已利用至少一个雷达传感器所记录的源测量数据F，并且其中所述源测量数据F至少说明已经将雷达辐射反射到雷达传感器的对象的位置和速度。
10.根据权利要求9所述的方法（100），其中选择（125）如下过滤操作
Figure 447239DEST_PATH_IMAGE015
，所述过滤操作使对象的速度在数值上不变。
11.根据权利要求1至10中任一项所述的方法（100），其中所述源测量数据F以及所述目标测量数据F'是张量并且其中选择（124）如下过滤操作
Figure 387513DEST_PATH_IMAGE015
，所述过滤操作使所述目标测量的元素与所述源测量数据F相比在数值上改变至多10%。
12.一种用于将已经在场景（1）利用测量系统（2）的源配置（2a）所记录的源测量数据F转变成所述测量系统（2）的目标配置（2b）在相同的场景将会记录的目标测量数据F'的方法（200），所述方法具有步骤：
•利用所述方法（100）确定（210）从利用所述源配置（2a）所记录的源测量数据F到利用所述目标配置（2b）所记录的目标测量数据F'的变换（6）；
•将所述源测量数据F输送（220）给所述变换（6），使得获得目标测量数据F'。
13.根据权利要求12所述的方法（200），其中
•所述源测量数据F的数据组分别配备有如下标签L，可训练的分类器或用于语义分割的系统应该分别将所述源测量数据F映射到所述标签L上；
•将所述目标测量数据F'的每个数据组分别与所述源测量数据F的产生它的那个数据组的一个或多个标签L相关联（221）；和
•利用所述目标测量数据F'和与之相关联的标签L以受监控的方式对分类器或用于语义分割的系统进行训练（230）。
14.一种包含机器可读指令的计算机程序，当所述机器可读指令在一个或多个计算机上被执行时，所述机器可读指令促使所述一个计算机或多个计算机执行根据权利要求1至13中任一项所述的方法（100、200）。
15.一种具有根据权利要求13所述的计算机程序的下载产品和/或机器可读数据载体。
16.一种计算机，所述计算机装备有根据权利要求14所述的计算机程序和/或根据权利要求15所述的机器可读数据载体和/或下载产品。
CN202111149938.6A 2020-09-30 2021-09-29 在测量系统的不同配置之间变换测量数据 Pending CN114332595A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020212366.7A DE102020212366A1 (de) 2020-09-30 2020-09-30 Transformieren von Messdaten zwischen verschiedenen Konfigurationen von Messsystemen
DE102020212366.7 2020-09-30

Publications (1)

Publication Number Publication Date
CN114332595A true CN114332595A (zh) 2022-04-12

Family

ID=80624253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111149938.6A Pending CN114332595A (zh) 2020-09-30 2021-09-29 在测量系统的不同配置之间变换测量数据

Country Status (3)

Country Link
US (1) US20220099799A1 (zh)
CN (1) CN114332595A (zh)
DE (1) DE102020212366A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022205574A1 (de) 2022-06-01 2023-12-07 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Bereitstellen von Trainingsdatensätzen für ein Klassifikationsmodell zur Objektidentifikation für ein Ultraschall-Sensorsystem in einer mobilen Einrichtung

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018204494B3 (de) 2018-03-23 2019-08-14 Robert Bosch Gmbh Erzeugung synthetischer Radarsignale
DE102019214200A1 (de) 2019-09-18 2021-03-18 Robert Bosch Gmbh Übersetzung von Trainingsdaten zwischen Beobachtungsmodalitäten

Also Published As

Publication number Publication date
US20220099799A1 (en) 2022-03-31
DE102020212366A1 (de) 2022-03-31

Similar Documents

Publication Publication Date Title
Xu et al. V2x-vit: Vehicle-to-everything cooperative perception with vision transformer
JP7393512B2 (ja) ニューラルネットワークの分散学習および重み分配のためのシステム、および方法
CN111868803B (zh) 产生合成雷达信号
CN110879959B (zh) 生成数据集的方法及装置、利用其的测试方法及测试装置
WO2019154541A1 (en) Methods and apparatuses for object detection in a scene represented by depth data of a range detection sensor and image data of a camera
US20220048536A1 (en) Method and device for testing a driver assistance system
US11797858B2 (en) Translation of training data between observation modalities
US20210042627A1 (en) Method for recognizing an adversarial disturbance in input data of a neural network
CN114332595A (zh) 在测量系统的不同配置之间变换测量数据
CN113361312A (zh) 检测对象的电子装置和方法
KR20230043742A (ko) 산업 이미지들의 이미지-대-이미지 번역의 합성 이미지 생성을 개선하는 디바이스 및 방법
Zhang et al. A quality index metric and method for online self-assessment of autonomous vehicles sensory perception
Zhao et al. Road friction estimation based on vision for safe autonomous driving
CN112444787A (zh) 在抑制运动伪影的情况下对雷达信号的处理
CN113095351A (zh) 借助于初始标记的改善生成经标记的数据的方法
CN115982573A (zh) 多功能送料机及其控制方法
WO2022097371A1 (ja) 認識システム、認識方法、プログラム、学習方法、学習済みモデル、蒸留モデル、及び、学習用データセット生成方法
CN112133100B (zh) 一种基于r-cnn的车辆检测方法
Nilsson et al. Using augmentation techniques for performance evaluation in automotive safety
Udendhran et al. Enhancing representational learning for cloud robotic vision through explainable fuzzy convolutional autoencoder framework
US20230195977A1 (en) Method and system for classifying scenarios of a virtual test, and training method
Nikhil et al. Automatic on-road object detection in LiDAR-point cloud data using modified VoxelNet architecture
US20220101496A1 (en) Multiplicative Filter Network
Shyam Robust holistic scene understanding via multi-task learning and sensor fusion
Guo et al. Multi-vehicle detection and tracking based on Kalman filter and data association

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