CN118155159A - 对象检测的准确性 - Google Patents

Abstract

本发明涉及一种计算机实施的且用于对象检测的准确性的方法，所述方法包含：(i)从位于载具外部的信息源接收内容；(ii)获得关于位于所述载具的环境内的一个或多个对象的对象信息；以及(iii)通过应用一个或多个机器学习模型生成一个或多个对象相关估计以供在检测所述一个或多个对象时使用；其中所述获得和所述生成中的至少一个受所述内容影响。

Description

对象检测的准确性

交叉引用

本申请要求申请日为2022年9月16日的美国临时专利63/376,057的优先权，所述美国临时专利以引用的方式并入本文中。

技术领域

本申请涉及一种计算机实施的且用于对象检测的准确性的方法。

背景技术

自主载具(AV)和使用自动驾驶辅助系统(ADAS)系统的载具基于其环境作出多个决策。载具传感器感测载具的环境，且对象检测单元搜索位于环境内的一个或多个对象。

对象检测会消耗资源，且载具计算资源是有限的并且还分配给其它任务。

对于提供一种用于对象检测的有效的方法的需求不断增长。

发明内容

本申请一种计算机实施的且用于对象检测的准确性的方法，所述方法包含：(i)从位于载具外部的信息源接收内容；(ii)获得关于位于所述载具的环境内的一个或多个对象的对象信息；以及(iii)通过应用一个或多个机器学习模型生成一个或多个对象相关估计以供在检测所述一个或多个对象时使用；其中所述获得和所述生成中的至少一个受所述内容影响。

附图说明

从以下结合图式进行的详细描述中，将更充分地理解和了解本公开的实施例，在图式中：

图1-2示出系统的实例；

图3示出模型的实例；

图4示出载具的实例；

图5示出情境的实例；以及

图6示出方法的实例。

发明内容

用于对象检测的准确性的方法、非暂时性计算机可读介质和系统。

具体实施方式

在以下详细描述中，阐述许多具体细节以便彻底理解本发明。然而，所属领域的技术人员应理解，可在没有这些具体细节的情况下实践本发明。在其它情况下，未详细描述众所周知的方法、程序和组件以免使本发明模糊不清。

视为本发明的主题被特别地指出并且在本说明书的结论部分中清楚地要求。然而，当结合附图阅读时，通过参考以下详细描述，可以最佳地理解本发明的组织和操作方法以及其目标、特征和优点。

应了解，为了简单和清楚地说明，图式中所示的元件不一定按比例绘制。举例来说，为清楚起见，可相对于其它元件夸示一些元件的尺寸。另外，在认为适当时可在图式中重复参考标号以指示对应或相似元件。

因为示出的本发明实施例可在很大程度上使用所属领域的技术人员已知的电子组件和电路实施，所以为了理解和了解本发明的基本概念且为了不使本发明的教示模糊不清或为了不脱离本发明的教示，将不以比上文所说明的视为必要的程度更大的任何程度来解释细节。

本说明书中对方法的任何提及应加以必要的修改适用于能够执行所述方法的装置或系统，和/或存储用于执行所述方法的指令的非暂时性计算机可读介质。本说明书中对系统或装置的任何提及应加以必要的修改适用于可由所述系统执行的方法，和/或可加以必要的修改适用于存储可由所述系统执行的指令的非暂时性计算机可读介质。本说明书中对非暂时性计算机可读介质的任何提及应加以必要的修改适用于能够执行存储在非暂时性计算机可读介质中的指令的装置或系统，和/或可加以必要的修改适用于用于执行所述指令的方法。

可提供图中的任一个、本说明书的任何部分和/或任何权利要求中列出的任何模块或单元的任何组合。

申请中说明的单元和/或模块中的任一个可实施于硬件和/或代码中，存储在非暂时性计算机可读介质中的指令和/或命令可包含在载具中、载具外、移动装置中、服务器中，等等。

载具可以是任何类型的载具，例如地面载具、空中载具，或船舶。

说明书和/或图式可提及图像。图像是媒体单元的实例。对图像的任何提及可加以必要的修改适用于媒体单元。媒体单元可以是所感测信息单元(SIU)的实例。对媒体单元的任何提及可加以必要的修改适用于任何类型的天然信号，例如(但不限于)由自然生成的信号、表示人类行为的信号、表示与股市相关的操作的信号、医学信号、金融系列、地球物理学、化学、分子、文本和数值信号、时间系列等。对媒体单元的任何提及可加以必要的修改适用于所感测信息单元(SIU)。SIU可具有任何种类且可由任何类型的传感器感测到-例如可视光相机、音频传感器、可感测红外光的传感器、雷达图像、超声、电光件、射线照相术、LIDAR(光检测与测距)、热传感器、无源传感器、有源传感器等。感测可包含生成表示经传输或以其它方式到达传感器的信号的样本(例如像素、音频信号)。SIU可以是一个或多个图像、一个或多个视频剪辑、关于所述一个或多个图像的文本信息、描述关于对象的运动学信息的文本等。

对象信息可包含关于对象的任何类型的信息，例如(但不限于)对象的位置、对象的行为、对象的速率、对象的加速度、对象的传播方向、对象的类型、对象的一个或多个尺寸等。对象信息可以是原始SIU、经处理SIU、文本信息、从SIU导出的信息等。

对象信息的获得可包含接收对象信息、生成对象信息，参与对象信息的处理、仅处理对象信息的一部分，和/或仅接收对象信息的另一部分。对象信息的获得可包含对象检测，或可在不执行对象检测的情况下执行。对象信息的处理可包含对象检测、噪声减少、信噪比的改进、限定限界框等这些中的至少一个。对象信息可从一个或多个源接收，所述一个或多个源例如一个或多个传感器、一个或多个通信单元、一个或多个存储器单元、一个或多个图像处理器等。对象信息可以一个或多个方式提供-例如以绝对方式(例如-提供对象的位置的坐标)，或以相对方式-例如相对于载具(例如，对象相对于载具位于特定距离及特定角度)。

载具也称为自我载具(ego-vehicle)。

本说明书和/或图式可提及处理器或处理电路系统。所述处理器可以是处理电路系统。处理电路系统可被实施为中央处理单元(CPU)，和/或一个或多个其它集成电路，例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、全定制集成电路等，或此些集成电路的组合。

可提供本说明书和/或图式中示出的任何方法的任何步骤的任何组合。可提供根据权利要求中任一项所述的任何主题的任何组合。可提供本说明书和/或图式中示出的系统、单元、组件、处理器、传感器的任何组合。对对象的任何提及可适用于型式。相应地-对对象检测的任何提及加以必要的修改可适用于型式检测。

根据一实施例，对象检测受益于使用从位于载具外部的信息源接收的内容。

根据一实施例，所述内容可能以各种方式影响与场相关驾驶相关的一个或多个步骤。

根据一实施例，使用所述内容有助于节省资源-通过能够使用较简单的模型和/或需要较少计算和/或存储器资源的模型。较小或较简单的模型需要存储较少系数。因此，由所述方法使用的一个或多个机器学习模型比在不存在内容的情况下使用的一个或多个机器学习模型更具成本效益。

图1示出系统11，其包含感知单元60、决策单元70、控制器80、V2X通信单元91、一个或多个存储器单元40和处理电路15(1)-15(K)。

内容99在载具到万物(V2X)通信信道上递送。根据一实施例，V2X通信通道可以是载具到载具通信信道和/或载具到基础架构通信信道和/或载具到行人通信信道和/或载具到网络通信信道。

图1和/或图2的每一单元和/或电路可与另一单元和/或另一电路通信。

内容99可以一个或多个方式影响对象检测过程。

处理电路15(1)-15(K)被配置成实施感知单元60和/或决策单元70和/或控制器80。控制器80被配置成控制系统11的操作。相应地-系统11可包含处理电路15(1)-15(K)、所述一个或多个存储器单元和V2X通信单元91。

感知单元60被配置成提供关于环境的信息-特别是提供关于位于载具的环境内的一个或多个对象的对象信息。

决策单元70被配置成响应于对象信息-例如生成驾驶相关决策、触发驾驶相关决策的生成、控制驾驶相关决策的生成，等等。

感知单元60包含用于在对象检测过程期间应用一个或多个机器学习处理的机器学习单元61。机器学习单元61可包含一个或多个神经网络和/或可实施一个或多个模块。图1示出机器学习单元61与K个神经网络(第一神经网络一直到第K神经网络21(1)-21(K))相关联，和/或与L个模型(具有存储在所述一个或多个存储器单元40中的例如系数等其元数据)相关联，所述模型表示为第一模型84(1)一直到第L模型84(L)。

感知单元还包含对象检测决策单元68，其被配置成基于(至少)馈送到感知单元的(或由感知单元生成的)一个或多个感测到的信息单元(SIU)检测载具的环境内的所述一个或多个对象。

感知单元60可包含感测单元或可不包含感测单元。为阐释的简单起见，感测单元未在图1中展示-但在图2中展示。

根据一实施例，对象检测包含通过应用一个或多个机器学习模型(例如通过机器学习单元)生成以提供一个或多个对象相关估计以供在检测所述一个或多个对象时使用。使用(例如由对象检测决策单元68)所述一个或多个对象相关估计来检测载具的环境内的所述一个或多个对象。

感知单元60和/或决策单元70或者感知单元的一个或多个单元或部分和/或决策单元70的一个或多个单元或部分可使用一个或多个狭义AI代理实施。例如-任何模型和/或NN可由狭义AI代理实施。AI代理为狭义是指，此可适于管理由系统11管理的总体对象和/或场景和/或情境的仅小部分(例如小于1、2、3、4、5％)。

根据一实施例，所述一个或多个机器学习模型包含在一个或多个狭义AI代理中。

图2示出用于基于签名的对象检测的系统12-且展示感知单元60、决策单元90、控制器80、V2X通信单元91、一个或多个存储器单元40、处理电路15(1)-15(K)和感测单元70。

图2不同于图1之处在于：(a)包含感测单元70，(b)将感知单元示出为进一步包含读出单元61、一个或多个签名生成器63和搜索单元64，以及(c)使所述一个或多个存储器单元存储参考集群80(1)-80(J)及存储参考集群签名82(1)-82(K)。应注意，感知单元可包含读出单元61、所述一个或多个签名生成器63和搜索单元64中的仅一个或两个。

根据一实施例，对象检测过程包含：(i)应用一个或多个机器学习模型(例如由机器学习单元)以提供一个或多个对象相关估计，(ii)由读出单元62读取所述一个或多个对象相关估计，(ii)由一个或多个签名生成器63基于由读出单元64提供的读出信息生成一个或多个签名，以及(iii)通过将集群签名与由所述一个或多个签名生成器生成的所述一个或多个签名进行比较来检测一个或多个匹配集群，(iv)基于与一个或多个匹配集群相关联的上下文检测所述一个或多个对象(由对象检测决策单元68)。例如-如果由签名生成器生成的签名与识别行人的集群的集群签名匹配，则对象检测的结果可以是行人位于载具的环境内。还确定行人的位置。

图3示出来自图1和2中示出的模型的各种模型的实例。

所述模块包含基于预测的模型84(1)、另一模型(非基于预测)84(2)、具有分配给分类的较多资源的模型84(3)、具有分配给分类的较少资源的模型84(4)、具有分配给检测的较多资源的模型84(5)、具有分配给检测的较少资源的模型84(6)、具有分配给分类和检测的较多资源的模型84(7)、具有分配给分类和检测的较少资源的模型84(8)。术语“较少”和“较多”指代模型84(1)-84(8)中的一个模型与默认模型84(17)或与模型84(1)-84(8)中的另一模型之间的关系。

模型还包含与R个不同对象84(8,1)-84(8,R)相关联的R个模型、与S个不同场景84(9,1)-84(10,S)相关联的S个模型、与T个不同对象84(10,1)-84(10,T)相关联的T个模型，以及与U个不同场景84(11,1)-84(11,U)相关联的U个模型。

所有这些实体可基于内容而选择，和/或基于内容进行调整和/或调谐。

图4示出载具100的实例。载具100包含载具发送单元70，其可包含例如载具传感器70(1)和70(2)等一个或多个传感器。载具100还包含一个或多个处理电路处理电路15(1)-15(K)、一个或多个存储器单元40、包含V2X通信单元91(且还可包含非V2X通信单元)的通信单元90、可包含一个或多个载具计算机的一个或多个载具单元(共同地表示为110)，和/或由所述一个或多个载具单元控制的单元，和/或马达单元，和/或底盘，和/或轮子，等等。处理电路15(1)-15(K)(也称为处理电路系统)被配置成执行本申请中说明的方法中的任一种。

图5示出载具1031、在载具1031的相反方向上行驶的另一载具1039、行人1022、另一行人1023和内容1029的实例。

另一行人1023通过另一载具1039而相对于载具1031隐藏。

图5还示出三个情境：

a.第一情境，其中V2X通信信道为载具到载具(V2V)通信信道1028，且内容1029(指示另一行人1023)从另一载具1039发送到载具1031。

b.第二情境，其中V2X通信信道是载具到行人装置(V2PD)通信信道1028a，且内容1029(指示另一行人1023)从行人的装置发送到载具1031。

c.第三情境，其中V2X通信信道为另一载具到行人装置(V2PD)通信信道1028b，且内容1029(指示另一行人1023)从与另一行人的装置通信的网络1025发送到载具1031。

图6示出用于对象检测的准确性的方法300的实例。

方法300可由图1和/或图2中示出的单元和/或电路执行。

根据一实施例，方法300包含从位于载具外部的信息源接收内容的步骤310。

根据一实施例，所述内容指示对象。所述对象可以是道路用户、行人或任何其它对象。所述内容可提供与对象的位置相关的位置信息。所述内容可包含例如载具待面对的状况等上下文信息。所述内容可指示尚未由载具感测到的对象(也称为隐藏对象或未感测到的对象)。

根据一实施例，步骤310后面跟着步骤320：获得关于位于载具的环境内的一个或多个对象的对象信息。

根据一实施例，步骤320后面跟着步骤330：通过应用一个或多个机器学习模型生成一个或多个对象相关估计以供在检测所述一个或多个对象时使用。

根据一实施例，所述估计是由一个或多个神经网络生成的特征。

如由图6的虚线所指示-所述获得和所述生成中的至少一个受内容影响。

根据一实施例，步骤330后面跟着步骤340：基于所述一个或多个对象相关估计检测所述一个或多个对象。

根据一实施例，所述估计由读出单元读取且馈送到一个或多个签名生成器。

根据一实施例，步骤340后面跟着步骤350：响应于所述一个或多个对象的检测。

响应的非限制性实例包含：

a.触发基于所述一个或多个对象的检测确定驾驶相关操作。

b.触发基于所述一个或多个对象的检测执行驾驶相关操作。

c.请求或指示执行驾驶相关操作。

d.触发基于所述一个或多个对象的检测计算驾驶相关操作。

e.将关于所述一个或多个对象的信息发送到载具的控制单元。

f.控制载具-将控制从驾驶者传递到自动驾驶单元。

根据一实施例，步骤330、340和350中的至少一个步骤受内容影响。

根据一实施例，步骤330、340和350中的至少一个步骤是基于所述内容选择性地执行。选择性地执行可以意味着，基于所述内容确定与步骤的执行相关的一个或多个参数的值-例如从多个模型中选择待应用的模型、改变一个或多个SIU获取参数、确定将多少资源分配给分类和/或检测。资源的分配和/或模块的选择可包含(例如)确定模型的大小，和/或确定每特征映射的特征向量的数目、确定神经网络的节点之间的连接性(较多连接性可意味着较多资源)，等等。

根据一实施例，执行模型涉及从存储器检索表示节点的系数，以及将所述系数乘以输入到节点的内容并执行基于节点的求和。分配较少资源可涉及较少存储器和/或较少乘法和/或基于节点的加法。

根据一实施例，所述内容可促进预测当前隐藏的对象，且可提供对对象的存在的较长响应周期-例如应用紧急制动的较长时间、确定载具的进程的较长时间(与施加于载具上的虚拟力相关)。此可使得能够通过避免当突然检测到位于载具附近的对象时所需的紧急最后时刻高峰或峰值处理而使用较少资源。

根据一实施例，获得关于位于载具的环境内的一个或多个对象的对象信息的步骤320受内容影响。对象信息可包含所述内容，或可不包含所述内容。对象信息可由载具的一个或多个传感器生成。

根据一实施例，步骤320根据所述内容。

根据一实施例，步骤320包含从信息源接收对象信息的至少一部分。

根据一实施例，对步骤320的影响包含确定获取和/或处理对象信息的方式。

根据一实施例，对步骤320的影响包含以下中的至少一个：(a)确定获取和/或处理对象信息的方式，(b)根据获取和/或处理对象信息的方式获取和/或处理所述对象信息，(c)触发根据获取和/或处理对象信息的方式获取和/或处理所述对象信息。

根据一实施例，可提供一种感测单元，所述感测单元包含至少一个传感器和/或用于处理来自所述一个或多个传感器的检测信号的至少一个或多个处理电路。可根据所述内容修改感测单元的任何参数。

根据一实施例，获取和/或处理对象信息的方式包含以下中的至少一个：

a.一个或多个传感器的视场(FOV)。

i.在对象应位于的区上会聚。

ii.增加FOV。

iii.减小FOV。

iv.设定FOV的形状。

b.传感器的焦距。

c.SIU的获取的频率。

d.传感器的放大率。

e.传感器的暴露时间。

f.传感器的偏振。

g.传感器的敏感度。

h.读取传感器的频率。

i.生成检测信号的频率。

j.与在传感器之前的光学件相关的任何参数。

k.与处理从传感器生成的检测信号相关的任何参数。

i.噪声减少处理。

ii.过滤。

iii.与一个或多个对象相关的限界形状的确定。

根据一实施例，包含步骤330和/或步骤340的对象检测处理阶段受所述内容影响。

根据一实施例，对象检测处理阶段受影响的方式包含以下中的至少一个：

a.应用基于预测的模型(预测为所述内容)，而非另一不基于预测(其为所述内容)的模型。基于预测的模型被配置成基于如下假设确定所述一个或多个虚拟场：即使当对象当前未由载具感测到时，也存在所述对象(由内容识别)。

b.应用分配较少资源给分类的模型-此时所述内容提供关于待由载具感测到(或已经由载具感测到)的对象的提示。

c.应用分配较少资源(例如，较少计算资源和/或存储资源)给分类和检测的模型-此时内容提供关于待由载具感测到(或已经由载具感测到)的对象(和对象的位置)的提示。

d.当内容可用于确定对象将在其中出现的SIU的区时-应用相比于一个或多个其它区分配更多或更多专用资源用于处理所述区的模型。

e.以较低确定性阈值(或较低置信度阈值)执行对象检测-此时所述提示已经提供关于待由载具感测到(或已经由载具感测到)的对象的指示。

f.考虑以特定大小在SIU内出现的对象-即使在内容不存在的情况下应忽略所述对象(基于大小考虑因素-例如不处理特定大小阈值以下的SIU中出现的对象)。

根据一实施例，对象检测处理阶段和/或步骤720取决于信息源、指定对象和载具之间的所确定的空间关系。方法300可包含获得关于信息源的位置的位置信息，以及确定信息源、指定对象和载具之间的空间关系，使得以准确的方式确定虚拟力。

信息源具有与载具的视点不同的指定对象的视点(即使当载具感测到指定对象时也如此)。相应地，信息源和载具可使用坐标系-其彼此不对准-且为了确定对象在载具的坐标系中的位置，需要确定信息源、指定对象和载具之间的空间关系。

根据一实施例，指定对象可在由信息源捕获的SIU的一个部分(或区)中出现，且可在由载具捕获的SIU的另一部分(或区)中出现。方法300可包含确定一个或多个SIU(可为当前获取的SIU或将来待获取的SIU)内的指定对象的位置以便适当地处理SIU-例如以便以受SIU的其中对象出现的部分(或区)中对象的存在影响的方式处理所述部分(或区)。

举例来说，从信息源识别的内容主要涉及当前隐藏的儿童。所述方法可包含分配资源用于通过载具感测所述儿童(例如在特定SIU部分处)，且一旦感测到，则计算表示儿童对载具的影响的至少一虚拟场。

根据一实施例，方法300包含基于所述内容从一组NN中选择NN。选定的NN可经较好训练或较好拟合以检测由内容指示的对象。例如-如果内容指示行人，则可选择经训练以检测行人的NN，而不是经训练以检测载具的NN。这还适用于模型的选择。

根据一实施例，基于内容和由内容识别的对象在SIU中出现的大小作出所述选择。

根据一实施例，响应于所述一个或多个对象的检测的步骤350受内容影响。即使在对象由载具感测到之前，所述响应也可考虑由所述对象识别的对象的存在。例如-载具可在到达当前隐藏的对象附近时生成音频警报。例如-假定内容指示位于校车后方的行人的存在-则载具可在接近校车时生成指示载具的存在的音频警报。

但针对另一实例-所述响应可包含当前隐藏的对象和/或与被隐藏对象相关的虚拟场的视觉显示。

根据一实施例，所述内容可与不同信任等级相关联。例如-在载具将确定与所述对象相关联的虚拟场之前，内容可与将需要与内容相关联的对象由载具感测到的较低信任等级相关联。但针对另一实例，在较低置信度下和/或当分配较少资源给对象的检测时，内容可与将允许载具检测对象的较高信任等级相关联。但针对另一实例-可与对象关联计算虚拟力-甚至在感测到对象之前。

根据一实施例，方法300(例如步骤350)包含在V2X信道上传送关于所述一个或多个对象的信息。

根据一实施例，内容与位于环境内的区处的指定对象相关，且所述影响与所述区相关。因此-与区相关的SIU部分可以与SIU的其它部分不同的方式处理-例如，较低置信度阈值可用于检测对象，与所述区相关的SIU部分可比其它部分更频繁地处理，传感器的FOV可经设定以获取所述区，等等。

根据一实施例，任何模型可适于执行整个对象检测过程、仅感知单元相关操作(由感知单元执行的任何操作-例如签名生成、生成与所述一个或多个对象相关的估计)、仅决策单元相关操作(由决策单元执行的任何操作-包含响应于所述一个或多个对象的检测)-或方法300的步骤的任何组合。

在前述说明书中，已参考本发明的实施例的特定实例描述了本发明。但是，明显可以在不脱离如所附权利要求书中阐述的本发明的更广泛精神和范围的情况下在其中进行各种修改和改变。此外，在说明书和权利要求书中的术语“正面”、“背面”、“顶部”、“底部”、“在……上”、“在……下”等等(如果存在的话)用于描述性目的且未必用于描述永久性的相对位置。应理解，如此使用的术语在适当情况下可互换，使得本文中所描述的本发明的实施例(例如)能够以不是本文中所说明或以其它方式描述的那些定向的其它定向进行操作。

此外，本文中在参考使信号、状态位或类似设备分别呈现为其逻辑真或逻辑假状态时使用术语“断言”或“设定”和“求反”(或“撤销断言”或“清除”)。如果逻辑真状态为逻辑电平一，则逻辑假状态为逻辑电平零。并且如果逻辑真状态为逻辑电平零，则逻辑假状态为逻辑电平一。所属领域的技术人员应认识到，逻辑块之间的边界仅为说明性的，且替代实施例可合并逻辑块或电路元件，或在各种逻辑块或电路元件上强加功能性的替代分解。因此，应理解，本文中描绘的架构仅仅是示例性的，并且实际上可以实施实现相同功能性的许多其它架构。

用于实现相同功能性的组件的任何布置有效地“关联”，使得所要功能性得以实现。因此，本文中组合以实现特定功能性的任何两个组件都可以被视为彼此“关联”，使得实现所要功能性，而不论架构或中间组件如何。同样，如此相关联的任何两个组件还可以被视为彼此“可操作地连接”或“可操作地耦合”以实现所要功能性。此外，所属领域的技术人员应认识到，上述操作之间的界限仅仅是说明性的。多个操作可组合成单个操作，单个操作可分散在额外的操作中，并且操作的执行可至少部分地在时间上重合。

此外，替代实施例可包含特定操作的多个例项，且操作的次序可在各种其它实施例中更改。而且举例来说，在一个实施例中，所说明的实例可被实施为位于单个集成电路上或同一装置内的电路系统。或者，实例可被实施为彼此以合适的方式互连的任何数目的单独的集成电路或单独的装置。

然而，其它修改、变化和替代方案也是可能的。因此，说明书和图式应在说明性意义上而非限制性意义上看待。在权利要求书中，放置在圆括号之间的任何参考标号不应被解释为限制该权利要求。词语‘包括’不排除除了权利要求中所列的那些元件或步骤之外的其它元件或步骤的存在。

此外，如本文中所使用，术语“一”被定义为一个或一个以上。而且，权利要求书中例如“至少一个”和“一个或多个”等介绍性短语的使用不应解释为暗示由不定冠词“一”引出另一权利要求要素会将含有此引出的权利要求要素的任何特定权利要求限制为仅含有一个此要素的发明，即使在同一权利要求包含介绍性短语“一个或多个”或“至少一个”和例如“一”等不定冠词时也如此。这同样适用于定冠词的使用。除非另外说明，否则例如“第一”和“第二”等术语用于任意地区分此些术语所描述的要素。因此，这些术语未必意图指示此类元件的时间或其它优先级排序。

单凭某些措施在彼此不同的权利要求中叙述的这一实情，并不表示不能使用这些措施的组合来获得优势。虽然已经在本文中说明和描述了本发明的某些特征，但所属领域的一般技术人员现在将想到许多修改、取代、改变和等效物。因此，应了解，所附权利要求书旨在涵盖属于本发明真实精神内的所有此类修改和改变。

应了解，为了清晰起见在单独实施例的上下文中描述的本公开的实施例的各种特征还可组合地提供在单个实施例中。相反，为简洁起见在单个实施例的上下文中描述的本公开的实施例的各种特征也可单独地或以任何合适的子组合的形式提供。所属领域的技术人员应了解，本公开的实施例不受上文已经具体地展示和描述的内容限制。实际上，本公开的实施例的范围由所附权利要求书及其等效物限定。

Claims (20)

1.一种计算机实施的且用于对象检测的准确性的方法，所述方法包括：

从位于载具外部的信息源接收内容；

获得关于位于所述载具的环境内的一个或多个对象的对象信息；以及

通过应用一个或多个机器学习模型生成一个或多个对象相关估计以供在检测所述一个或多个对象时使用；其中所述获得和所述生成中的至少一个受所述内容影响。

2.根据权利要求1所述的方法，其中所述一个或多个机器学习模型比在不存在所述内容的情况下使用的一个或多个机器学习模型更具成本效益。

3.根据权利要求1所述的方法，其中所述一个或多个机器学习模型包含在一个或多个狭义AI代理中。

4.根据权利要求1所述的方法，其进一步包括基于所述一个或多个对象相关估计检测所述一个或多个对象。

5.根据权利要求1所述的方法，其中所述内容在载具到万物(V2X)通信信道上递送。

6.根据权利要求5所述的方法，其中所述V2X通信信道是载具到载具通信信道、载具到基础架构通信信道、载具到行人通信信道以及载具到网络通信信道中的至少一个。

7.根据权利要求1所述的方法，其中所述内容与位于所述环境内的区处的指定对象相关，其中所述影响与所述区相关。

8.根据权利要求1所述的方法，其中所述对象信息的所述获得是根据所述内容。

9.根据权利要求1所述的方法，其中所述内容与未由所述载具感测到的未感测到的对象相关。

10.根据权利要求1所述的方法，其中所述获得对象信息包括由感测单元根据所述内容生成一个或多个感测到的信息单元。

11.根据权利要求1所述的方法，其中所述信息的所述获得包括从所述信息源接收所述对象信息的至少一部分。

12.根据权利要求1所述的方法，其中所述一个或多个估计是由一个或多个神经网络生成的特征，且由读出单元读取并馈送到一个或多个签名生成器。

13.一种存储指令的非暂时性计算机可读介质，所述指令在由至少一个处理器执行时致使所述至少一个处理器执行用于对象检测的准确性的操作，包括：

从位于载具外部的信息源接收内容；

获得关于位于所述载具的环境内的一个或多个对象的对象信息；以及

通过应用一个或多个机器学习模型生成一个或多个对象相关估计以供在检测所述一个或多个对象时使用；其中所述获得和所述生成中的至少一个受所述内容影响。

14.根据权利要求13所述的非暂时性计算机可读介质，其中所述一个或多个机器学习模型比在不存在所述内容的情况下使用的一个或多个机器学习模型更具成本效益。

15.根据权利要求13所述的非暂时性计算机可读介质，其中所述一个或多个机器学习模型包含在一个或多个狭义AI代理中。

16.根据权利要求13所述的非暂时性计算机可读介质，其进一步存储用于基于所述一个或多个对象相关估计检测所述一个或多个对象的指令。

17.根据权利要求13所述的非暂时性计算机可读介质，其中所述内容在载具到万物(V2X)通信信道上递送。

18.根据权利要求13所述的非暂时性计算机可读介质，其中所述获得对象信息包括由感测单元根据所述内容生成一个或多个感测到的信息单元。

19.根据权利要求13所述的非暂时性计算机可读介质，其中所述信息的所述获得包括从所述信息源接收所述对象信息的至少一部分。

20.根据权利要求13所述的非暂时性计算机可读介质，其中所述一个或多个估计是由一个或多个神经网络生成的特征，且由读出单元读取并馈送到一个或多个签名生成器。