DE102018108361A1 - Laubwerkerfassungstrainingssysteme und -verfahren - Google Patents
Laubwerkerfassungstrainingssysteme und -verfahren Download PDFInfo
- Publication number
- DE102018108361A1 DE102018108361A1 DE102018108361.0A DE102018108361A DE102018108361A1 DE 102018108361 A1 DE102018108361 A1 DE 102018108361A1 DE 102018108361 A DE102018108361 A DE 102018108361A DE 102018108361 A1 DE102018108361 A1 DE 102018108361A1
- Authority
- DE
- Germany
- Prior art keywords
- data
- vehicle
- foliage
- roi
- vegetation
- 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.)
- Withdrawn
Links
- 238000012549 training Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 239000003550 marker Substances 0.000 claims abstract 6
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 231100001261 hazardous Toxicity 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 230000006378 damage Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- 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
- 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
- G01S17/93—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
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
- G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
-
- 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
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
- B60R2300/30—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing
-
- 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
- G01S2013/9323—Alternative operation using light waves
-
- 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
- G01S2013/9324—Alternative operation using ultrasonic waves
-
- 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
- G01S2013/9327—Sensor installation details
- G01S2013/93271—Sensor installation details in the front of the 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
- G01S13/88—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
- G01S2013/9327—Sensor installation details
- G01S2013/93272—Sensor installation details in the back of the 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
- G01S7/40—Means for monitoring or calibrating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Automation & Control Theory (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Astronomy & Astrophysics (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
Es werden beispielhafte Laubwerkerfassungstrainingssysteme und -verfahren beschrieben. In einer Umsetzung empfängt ein Verfahren Daten, die einer Vielzahl von auf dem Fahrzeug montierten Sensoren zugehörig sind, und definiert mehrere interessierende Bereiche (ROIs) auf Grundlage der empfangenen Daten. Das Verfahren wendet eine Markierung auf jeden ROI an, wobei die Markierung eine Art des Laubwerks, das dem ROI zugehörig ist, klassifiziert. Ein Lauberfassungstrainingssystem trainiert einen Machine-Learning-Algorithmus auf Grundlage der ROIs und zugehörigen Markierungen durch das Laubwerkerfassungstrainingssystem.
Description
- TECHNISCHES GEBIET
- Die vorliegende Offenbarung betrifft Systeme und Verfahren, welche Laubwerkerfassungssysteme trainieren und testen, wie etwa Laubwerkerfassungssysteme, die von einem Fahrzeug verwendet werden.
- ALLGEMEINER STAND DER TECHNIK
- Automobile und andere Fahrzeuge stellen einen erheblichen Teil des Transports für gewerbliche, behördliche und private Einrichtungen bereit. Autonome Fahrzeuge und Fahrassistenzsysteme werden gegenwärtig entwickelt und eingesetzt, um Sicherheitsmerkmale bereitzustellen, eine Menge von erforderlicher Benutzereingabe zu verringern oder eine Benutzerbeteiligung sogar gänzlich zu eliminieren. Zum Beispiel können einige Fahrassistenzsysteme, wie beispielsweise Unfallvermeidungssysteme, die Fahrt, Positionen und eine Geschwindigkeit des Fahrzeugs und anderer Objekte überwachen, während ein Mensch fährt. Wenn das System erfasst, dass ein Unfall oder Zusammenstoß unmittelbar bevorsteht, kann das Unfallvermeidungssystem eingreifen und eine Bremse betätigen, das Fahrzeug lenken oder andere Ausweich- oder Sicherheitsmanöver durchführen. Als ein anderes Beispiel können autonome Fahrzeuge ein Fahrzeug mit wenig oder keiner Benutzereingabe fahren, navigieren und/oder parken. Da Hindernisvermeidung ein wichtiger Teil von automatisiertem oder unterstütztem Fahren ist, ist es wichtig, erfasste Objekte oder Flächen richtig zu erfassen und zu klassifizieren. In einigen Situationen ist es wichtig, falls ein erfasstes Hindernis Laubwerk ist, die Art des Laubwerks zu bestimmen und die Gefahr, die das bestimmte Laubwerk darstellt, vorherzusehen. Zum Beispiel ist ein großer Baumstamm gefährlicher für ein Fahrzeug als eine kleine Pflanze oder Strauch.
- Figurenliste
- Nicht einschränkende und nicht erschöpfende Ausführungsformen der vorliegenden Offenbarung werden in Bezug auf die folgenden Figuren beschrieben, wobei sich in den verschiedenen Figuren gleiche Bezugszeichen auf gleiche Teile beziehen, sofern nicht anderweitig angegeben.
-
1 ist ein Blockdiagramm, das eine Ausführungsform eines Fahrzeugsteuersystems veranschaulicht. -
2 ist ein Blockdiagramm, das eine Ausführungsform eines Laubwerkerfassungstrainingssystems veranschaulicht. -
3 veranschaulicht eine Ausführungsform eines Fahrzeugs mit mehreren an dem Fahrzeug montierten Sensoren. -
4 veranschaulicht eine beispielhafte Ansicht von Laubwerk in der Nähe eines Fahrzeugs. -
5 veranschaulicht eine Ausführungsform eines Verfahrens zum Trainieren und Testen eines Laubwerkerfassungssystems. - DETAILLIERTE BESCHREIBUNG
- In der folgenden Offenbarung wird auf die beigefügten Zeichnungen Bezug genommen, die einen Teil hiervon bilden und in denen spezifische Umsetzungen, in denen die Offenbarung durchgeführt werden kann, zur Veranschaulichung dargestellt werden. Es versteht sich, dass andere Umsetzungen verwendet werden können und strukturelle Änderungen vorgenommen werden können, ohne vom Schutzumfang der vorliegenden Offenbarung abzuweichen. Bezugnahmen in der Beschreibung auf „eine Ausführungsform“, „ein Ausführungsbeispiel“ etc. geben an, dass die beschriebene Ausführungsform ein(e) bestimmte(s) Merkmal, Struktur oder Eigenschaft beinhalten kann, doch es muss nicht notwendigerweise jede Ausführungsform diese(s) bestimmte Merkmal, Struktur oder Eigenschaft beinhalten. Darüber hinaus beziehen sich derartige Formulierungen nicht unbedingt auf dieselbe Ausführungsform. Ferner sei darauf hingewiesen, dass, wenn ein(e) bestimmte(s) Merkmal, Struktur oder Eigenschaft in Verbindung mit einer Ausführungsform beschrieben wird, es im Bereich des Fachwissens des Fachmanns liegt, ein(e) derartige(s) Merkmal, Struktur oder Eigenschaft in Verbindung mit anderen Ausführungsformen zu bewirken, ob dies nun ausdrücklich beschrieben ist oder nicht.
- Umsetzungen der hier offenbarten Systeme, Vorrichtungen und Verfahren können einen Spezial- oder Universalcomputer umfassen oder verwenden, der Computerhardware beinhaltet, wie etwa zum Beispiel einen oder mehrere Prozessoren und einen oder mehrere Systemspeicher, wie hier erörtert. Umsetzungen innerhalb des Umfangs der vorliegenden Offenbarung können zudem physische Datenträger und andere computerlesbare Medien zum Transportieren oder Speichern von computerausführbaren Anweisungen und/oder Datenstrukturen einschließen. Bei derartigen computerlesbaren Medien kann es sich um beliebige verfügbare Medien handeln, auf die durch ein Universal- oder Spezialcomputersystem zugegriffen werden kann. Bei computerlesbaren Medien, auf denen computerausführbare Anweisungen gespeichert werden, handelt es sich um Computerspeichermedien (-vorrichtungen). Bei computerlesbaren Medien, die computerausführbare Anweisungen transportieren, handelt es sich um Übertragungsmedien. Daher können Umsetzungen der Offenbarung beispielsweise und nicht einschränkend mindestens zwei deutlich unterschiedliche Arten von computerlesbaren Medien umfassen: Computerspeichermedien (-vorrichtungen) und Übertragungsmedien.
- Computerspeichermedien (-vorrichtungen) beinhalten RAM, ROM, EEPROM, CD-ROM, Festkörperlaufwerke (solid state drives - SSDs) (z. B. basierend auf RAM), Flash-Speicher, Phasenänderungsspeicher (phase-change memory - PCM), andere Speicherarten, andere optische Plattenspeicher, Magnetplattenspeicher oder andere magnetische Speichervorrichtungen oder ein beliebiges anderes Medium, das verwendet werden kann, um die gewünschten Programmcodemittel in Form von computerausführbaren Anweisungen oder Datenstrukturen zu speichern, und auf das durch einen Universal- oder Spezialcomputer zugegriffen werden kann.
- Eine Umsetzung der hierin offenbarten Vorrichtungen, Systeme und Verfahren kann über ein Computernetzwerk kommunizieren. Ein „Netzwerk“ ist als eine oder mehrere Datenverbindungen definiert, die den Transport elektronischer Daten zwischen Computersystemen und/oder Modulen und/oder anderen elektronischen Vorrichtungen ermöglichen. Wenn Informationen über ein Netzwerk oder eine andere (entweder festverdrahtete, drahtlose oder eine Kombination aus festverdrahteter oder drahtloser) Kommunikationsverbindung an einen Computer übertragen oder diesem bereitgestellt werden, sieht der Computer die Verbindung korrekt als Übertragungsmedium an. Übertragungsmedien können ein Netzwerk und/oder Datenverbindungen beinhalten, die dazu verwendet werden können, gewünschte Programmcodemittel in Form von computerausführbaren Anweisungen oder Datenstrukturen zu transportieren, und auf die durch einen Universal- oder Spezialcomputer zugegriffen werden kann. Kombinationen aus den Vorstehenden sollten ebenfalls im Umfang computerlesbarer Medien beinhaltet sein.
- Computerausführbare Anweisungen umfassen zum Beispiel Anweisungen und Daten, die bei Ausführung an einem Prozessor einen Universalcomputer, Spezialcomputer oder eine Spezialverarbeitungsvorrichtung dazu veranlassen, eine bestimmte Funktion oder Gruppe von Funktionen auszuführen. Die computerausführbaren Anweisungen können zum Beispiel Binärdateien, Zwischenformatanweisungen, wie etwa Assemblersprache, oder auch Quellcode sein. Obwohl der Gegenstand in für Strukturmerkmale und/oder methodische Handlungen spezifischer Sprache beschrieben ist, versteht es sich, dass der in den beigefügten Patentansprüchen definierte Gegenstand nicht notwendigerweise auf die hierin beschriebenen Merkmale oder Handlungen beschränkt ist. Die beschriebenen Merkmale und Handlungen werden vielmehr als beispielhafte Formen der Umsetzung der Patentansprüche offenbart.
- Der Fachmann wird verstehen, dass die Offenbarung in Network-Computing-Umgebungen mit vielen Arten von Computersystemauslegungen angewendet werden kann, einschließlich eines Armaturenbrett-Fahrzeugcomputers, PCs, Desktop-Computern, Laptops, Nachrichtenprozessoren, Handvorrichtungen, Multiprozessorsystemen, Unterhaltungselektronik auf Mikroprozessorbasis oder programmierbarer Unterhaltungselektronik, Netzwerk-PCs, Minicomputern, Mainframe-Computern, Mobiltelefonen, PDAs, Tablets, Pagern, Routern, Switches, verschiedenen Speichervorrichtungen und dergleichen. Die Offenbarung kann zudem in Umgebungen mit verteilten Systemen angewendet werden, in denen sowohl lokale Computersysteme als auch Remotecomputersysteme, die durch ein Netzwerk (entweder durch festverdrahtete Datenverbindungen, drahtlose Datenverbindungen oder durch eine Kombination aus festverdrahteten und drahtlosen Datenverbindungen) verbunden sind, Aufgaben ausführen. In einer Umgebung mit verteilten Systemen können sich Programmmodule sowohl in lokalen Speichervorrichtungen als auch in Fernspeichervorrichtungen befinden.
- Ferner können die hier beschriebenen Funktionen gegebenenfalls in einem oder mehreren der Folgenden ausgeführt werden: Hardware, Software, Firmware, digitalen Komponenten oder analogen Komponenten. Ein oder mehrere anwendungsspezifische integrierte Schaltkreise (ASICs) können zum Beispiel dazu programmiert sein, eines bzw. einen oder mehrere der hier beschriebenen Systeme und Vorgänge ausführen. Bestimmte Ausdrücke werden in der gesamten Beschreibung und den Patentansprüchen verwendet, um auf bestimmte Systemkomponenten Bezug zu nehmen. Der Fachmann wird verstehen, dass auf Komponenten durch unterschiedliche Bezeichnungen Bezug genommen werden kann. In dieser Schrift soll nicht zwischen Komponenten unterschieden werden, die sich dem Namen nach unterscheiden, nicht jedoch von der Funktion her.
- Es ist anzumerken, dass die hierin erörterten Sensorausführungsformen Computerhardware, - software, -firmware oder eine beliebige Kombination davon umfassen können, um zumindest einen Teil ihrer Funktionen durchzuführen. Ein Sensor kann zum Beispiel Computercode beinhalten, der dazu ausgelegt ist, in einem oder mehreren Prozessoren ausgeführt zu werden, und kann eine Hardware-Logikschaltung/elektrische Schaltung beinhalten, die durch den Computercode gesteuert wird. Diese beispielhaften Vorrichtungen sind hierin zum Zwecke der Veranschaulichung bereitgestellt und sollen nicht einschränkend sein. Ausführungsformen der vorliegenden Offenbarung können in weiteren Arten von Vorrichtungen umgesetzt werden, wie es dem einschlägigen Fachmann bekannt ist.
- Zumindest einige Ausführungsformen der Offenbarung werden Computerprogrammprodukten zugeführt, die eine derartige Logik (z. B. in Form von Software) umfassen, die auf einem beliebigen computernutzbaren Medium gespeichert ist. Solche Software veranlasst bei Ausführung in einer oder mehreren Datenverarbeitungsvorrichtungen eine Vorrichtung dazu, wie hier beschrieben zu arbeiten.
-
1 ist ein Blockdiagramm, das eine Ausführungsform eines Fahrzeugsteuersystems100 innerhalb eines Fahrzeugs veranschaulicht, das ein Hinderniserfassungssystem104 beinhaltet. Ein automatisiertes Fahr-/Assistenzsystem102 kann verwendet werden, um den Betrieb eines Fahrzeugs zu automatisieren oder zu steuern oder einen menschlichen Fahrer zu unterstützen. Beispielsweise kann das automatisierte Fahr-/Assistenzsystem102 eines oder mehrere von der Bremsung, der Lenkung, der Spannung des Sicherheitsgurts, der Beschleunigung, den Leuchten, den Warnmeldungen, den Fahrerbenachrichtigungen, dem Radio, den Fahrzeugschlössern oder beliebigen anderen Hilfssystemen des Fahrzeugs steuern. In einem weiteren Beispiel ist das automatisierte Fahr-/Assistenzsystem102 unter Umständen nicht in der Lage, jegliche Steuerung des Fahrens (z. B. der Lenkung, Beschleunigung oder Bremsung) bereitzustellen, kann jedoch Benachrichtigungen und Warnmeldungen bereitstellen, um einen menschlichen Fahrer darin zu unterstützen, sicher zu fahren. - Das Fahrzeugsteuersystem
100 beinhaltet ein Hinderniserfassungssystem104 , das mit verschiedenen Komponenten in dem Fahrzeugsteuersystem interagiert, um potentielle (oder wahrscheinliche) Hindernisse, die sich nahe dem Fahrzeug (z. B. auf dem Weg des Fahrzeugs) befinden, zu erfassen und darauf zu reagieren. In einer Ausführungsform erfasst das Hinderniserfassungssystem104 Laubwerk in der Nähe des Fahrzeugs, wie etwa vor dem Fahrzeug oder hinter dem Fahrzeug. Im hier verwendeten Sinne, bedeutet „Laubwerk“ Blätter, Grass, Pflanzen, Blumen, Büsche, Sträucher, Baumäste und dergleichen. Obwohl das Hinderniserfassungssystem104 in1 als eine separate Komponente gezeigt ist, kann das Hinderniserfassungssystem104 in alternativen Ausführungsformen in das automatisierte Fahr-/Assistenzsystem 102 oder eine beliebige andere Fahrzeugkomponente integriert sein. - Das Fahrzeugsteuersystem
100 beinhaltet außerdem ein/e oder mehrere Sensorsysteme/- vorrichtungen zum Erfassen eines Vorhandenseins nahegelegener Objekte (oder Hindernisse) oder zum Bestimmen eines Standorts eines Stammfahrzeugs (z. B. eines Fahrzeugs, welches das Fahrzeugsteuersystem100 beinhaltet). Das Fahrzeugsteuersystem100 kann zum Beispiel ein oder mehrere Radarsysteme106 , ein oder mehrere LIDAR-Systeme108 , ein oder mehrere Kamerasysteme110 , ein globales Positionsbestimmungssystem (global positioning system - GPS) 112 und/oder Ultraschallsysteme114 beinhalten. Das eine oder die mehreren Kamerasysteme110 können eine nach hinten gerichtete Kamera, die am Fahrzeug (z. B. einem hinteren Abschnitt des Fahrzeugs) angebracht ist, eine nach vorn gerichtete Kamera und eine zur Seite gerichtete Kamera beinhalten. Die Kamerasysteme110 können außerdem eine oder mehrere Innenkameras beinhalten, die Bilder von Fahrgästen und anderen Objekten innerhalb des Fahrzeugs aufnehmen. Das Fahrzeugsteuersystem100 kann einen Datenspeicher116 zum Speichern relevanter oder nützlicher Daten zur Navigation und Sicherheit beinhalten, wie etwa Kartendaten, Fahrverlauf oder sonstige Daten. Das Fahrzeugsteuersystem100 kann zudem einen Sendeempfänger118 zur drahtlosen Kommunikation mit einem mobilen oder drahtlosen Netzwerk, anderen Fahrzeugen, Infrastruktur oder einem beliebigen anderen Kommunikationssystem beinhalten. - Das Fahrzeugsteuersystem
100 kann Fahrzeugsteuerungsbetätigungselemente120 beinhalten, um verschiedene Aspekte des Fahrens des Fahrzeugs zu steuern, wie etwa Elektromotoren, Schalter oder andere Aktoren, um die Bremsung, Beschleunigung, Lenkung, Spannung des Sicherheitsgurts, Türschlösser oder dergleichen. Das Fahrzeugsteuersystem100 kann außerdem eine(n) oder mehrere Anzeigen122 , Lautsprecher124 oder andere Vorrichtungen beinhalten, sodass einem menschlichen Fahrer oder Fahrgast Benachrichtigungen bereitgestellt werden können. Eine Anzeige122 kann eine Frontanzeige, eine Anzeige oder eine Angabe am Armaturenbrett, einen Bildschirm oder eine beliebige andere visuelle Angabe beinhalten, die von einem Fahrer oder einem Fahrgast eines Fahrzeugs gesehen werden kann. Die Lautsprecher124 können einen oder mehrere Lautsprecher eines Soundsystems eines Fahrzeugs beinhalten oder können einen für die Fahrer- oder Fahrgastbenachrichtigung vorgesehenen Lautsprecher beinhalten. - Es versteht sich, dass die Ausführungsform aus
1 lediglich als Beispiel dient. Andere Ausführungsformen können weniger oder zusätzliche Komponenten beinhalten, ohne vom Schutzumfang der Offenbarung abzuweichen. Des Weiteren können veranschaulichte Komponenten ohne Einschränkung kombiniert oder in andere Komponenten eingeschlossen werden. - In einer Ausführungsform ist das automatisierte Fahr-/Assistenzsystem
102 dazu konfiguriert, das Fahren oder Navigieren eines Stammfahrzeugs zu steuern. Beispielsweise kann das automatisierte Fahr-/Assistenzsystem102 die Fahrzeugsteuerungsbetätigungselemente120 steuern, um einen Weg auf einer Straße, einem Parkplatz, einer Einfahrt oder an einem anderen Ort zu fahren. Beispielsweise kann das automatisierte Fahr-/Assistenzsystem102 einen Weg auf Grundlage von durch eine beliebige der Komponenten106 -118 bereitgestellten Informationen oder Wahrnehmungsdaten bestimmen. Ein Weg kann außerdem auf Grundlage einer Route bestimmt werden, die das Fahrzeug manövriert, um eine potentielle Kollision mit einem anderen Fahrzeug oder Objekt zu vermeiden oder abzuschwächen. Die Sensorsysteme/- vorrichtungen 106-110 und 114 können verwendet werden, um Echtzeitsensordaten zu erhalten, sodass das automatisierte Fahr-/Assistenzsystem102 in Echtzeit einen Fahrer unterstützen oder ein Fahrzeug fahren kann. -
2 ist ein Blockdiagramm, das eine Ausführungsform eines Laubwerkerfassungstrainingssystems200 veranschaulicht. Wie in2 gezeigt, beinhaltet das Laubwerkerfassungstrainingssystem200 einen Kommunikationsmanager202 , einen Prozessor204 und einen Speicher206 . Der Kommunikationsmanager202 ermöglicht es dem Laubwerkerfassungstrainingssystem200 , mit anderen Systemen, wie etwa dem automatisierten Fahr-/Assistenzsystem102 und den Datenquellen, die virtuelle Trainingsdaten bereitstellen, zu kommunizieren. Der Prozessor204 führt verschiedene Anweisungen aus, um die Funktionalität umzusetzen, die von dem Laubwerkerfassungstrainingssystem200 wie hierin erörtert bereitgestellt wird. Der Speicher206 speichert diese Anweisungen sowie andere Daten, die von dem Prozessor204 und anderen Modulen und Komponenten verwendet werden, die in dem Laubwerkerfassungstrainingssystem200 enthalten sind. - Zusätzlich beinhaltet das Laubwerkerfassungstrainingssystem
200 einen Fahrzeugsensordatenmanager208 , der Daten, die mehreren Fahrzeugsensoren zugehörig sind empfängt und verwaltet. Wie hierin erörtert können diese empfangenen Daten tatsächliche Sensordaten von einem oder mehreren tatsächlichen Fahrzeugen beinhalten. Zusätzlich können die empfangenen Daten virtuelle Daten beinhalten, die zum Zwecke des Trainings und des Testens der Laubwerkerfassungssysteme erzeugt wurden. In einigen Ausführungsformen beinhalten die virtuellen Daten computergenerierte Bilddaten, computergenerierte Radardaten, computergenerierte LIDAR-Daten oder computergenerierte Ultraschalldaten. Der Fahrzeugsensordatenmanager208 kann ebenfalls Daten auf Objektebene oder Daten auf Ausgangsebene innerhalb der empfangenen Daten identifizieren. Ein Modul für interessierenden Bereich210 identifiziert einen oder mehrere interessierende Bereiche (Regions of Interest - ROIs) aus den empfangenen Daten. Ein Datenmarkierungsmodul212 unterstützt das Markieren von jedem ROI und Speichern von Daten, die der Markierung entsprechen, unter der jedem ROI zugehörigen Markierung. Wie hierin erörtert kann jeder ROI markiert sein, um die Art von Laubwerk (falls zutreffend), die in dem ROI vorhanden ist, zu klassifizieren. Zum Beispiel können Daten als nicht Vegetation, gefährliche Vegetation, nicht gefährliche Vegetation oder unbekannte Vegetation klassifiziert werden. - Das Laubwerkerkennungstrainingssystem
200 beinhaltet ebenfalls ein Benutzerschnittstellenmodul214 , das einem oder mehreren Benutzern ermöglicht, mit dem Laubwerkerfassungstrainingssystem200 zu interagieren. Zum Beispiel können einer oder mehrere Benutzer das Markieren von jedem ROI unterstützen. Ein Trainingsmanager216 unterstützt das Training eines Machine-Learning-Algorithmus218 , wie etwa ein tiefes neuronales Netzwerk, ein neuronales Faltungsnetzwerk, ein tiefes Möglichkeitsnetzwerk, ein periodisches Netzwerk und dergleichen. Ein Testmodul220 führt verschiedene Tests auf dem Machine-Learning-Algorithmus218 aus, um die Genauigkeit und Konsistenz des Machine-Learning-Algorithmus218 beim Erfassen von Laubwerk in den Fahrzeugsensordaten zu bestimmen. -
3 veranschaulicht eine Ausführungsform eines Fahrzeugs302 mit mehreren an dem Fahrzeug montierten Sensoren. Das Fahrzeug302 beinhaltet eine beliebige Anzahl von Sensoren, wie zum Beispiel die verschiedenen hierin erörterten Arten von Sensoren. In dem bestimmten Beispiel aus3 beinhaltet das Fahrzeug302 LIDAR-Sensoren304 und310 , eine nach vorne gerichtete Kamera306 , eine nach hinten gerichtete Kamera312 und Radarsensoren308 und314 . Das Fahrzeug302 kann eine beliebige Anzahl zusätzlicher Sensoren (nicht gezeigt) aufweisen, die an mehreren Fahrzeugstellen angebracht sind. Zum Beispiel können bestimmte Ausführungsformen des Fahrzeugs302 ebenfalls andere Arten von Sensoren beinhalten, wie etwa Ultraschallsensoren. In dem Beispiel aus3 sind die Sensoren304 -314 nahe der Vorderseite und der Hinterseite des Fahrzeugs302 montiert. In anderen Ausführungsformen kann eine beliebige Anzahl von Sensoren an unterschiedlichen Stellen des Fahrzeugs montiert sein, wie etwa auf den Seiten des Fahrzeugs, dem Dach des Fahrzeugs oder einer beliebigen anderen Montagestelle. -
4 veranschaulicht eine beispielhafte Ansicht eines Bereichs400 in der Nähe eines Fahrzeugs, der Laubwerk enthält, das unter Verwendung von einem oder mehreren auf dem Fahrzeug montierten Sensoren der hierin erörterten Art erfasst werden kann. Der Bereich400 beinhaltet sowohl feste Objekte als auch Laubwerk, das durch einen Sensor eines Fahrzeugs erfasst werden kann. Konkret beinhaltet das Laubwerk Büsche402 , Gras404 und andere Sträucher406 . Unter einigen Umständen kann es für ein Fahrzeug unbedenklich sein, das Laubwerk zu berühren oder darüber zu fahren, da Schäden am Fahrzeug oder einer Person weniger wahrscheinlich sind. Die festen Objekte, die in Bereich400 gezeigt sind, beinhalten einen Bordstein408 und eine Stange410 , die zu Schäden oder Verletzungen an einem Fahrzeug, Passagier oder den Objekten selber führen können. Wie hierin erörtert können Sensordaten aufgenommen oder generiert (z. B. virtuelle Daten) werden, die mindestens einen Abschnitt der im Bereich400 gezeigten festen Objekte und/oder Laubwerk zeigen. Diese aufgenommenen oder generierten Sensordaten werden verwendet, um ein Laubwerkerfassungssystem wie ausführlicher nachstehend erörtert zu trainieren und zu testen. In einigen Ausführungsformen beinhalten die generierten Daten zufällige Arten von Laubwerk an zufälligen Stellen in der Nähe des Fahrzeugs. -
5 veranschaulicht eine Ausführungsform eines Verfahrens500 zum Trainieren und Testen eines Laubwerkerfassungssystems. Anfangs empfängt 502 ein Laubwerkerfassungstrainingssystem (z. B. Laubwerkerfassungstrainingssystem200 ) Daten, die mehreren Fahrzeugsensoren, wie etwa einem LIDAR-Sensor, einem Radarsensor, einem Ultraschallsensor oder einer Kamera zugehörig sind. Die empfangenen Daten können tatsächliche Daten sein, die von Sensoren aufgenommen sind, die auf tatsächlichen Fahrzeugen montiert sind. Alternativ können die empfangenen Daten virtuelle Daten sein, die generiert wurden, um Sensorausgabedaten zur Verwendung bei Training und Testen eines Laubwerkerfassungssystems zu simulieren. Die empfangenen Daten können als „Trainingsdaten“ bezeichnet werden, die zum Beispiel verwendet werden, um ein Laubwerkerfassungssystem zu trainieren und zu testen. In einigen Ausführungsformen bearbeitet das Verfahren500 die empfangenen Daten vor, um Lärm zu eliminieren, Daten von unterschiedlichen Sensoren zu registrieren, Georeferenzierung durchzuführen und dergleichen. - Das Laubwerkerfassungstrainingssystem definiert 504 vorverarbeitete Daten, wie etwa Daten, die rauschunterdrückt, georeferenziert wurden und frei sind von Ausreißern. In einigen Ausführungsformen beinhalten die Vorverarbeitungsdaten eine oder mehrere von: Daten von jeder Erfassungsmodalität (z. B. jeder tatsächliche oder simulierte Fahrzeugsensor), Analysieren der Daten, um Lärm zu eliminieren (oder zu reduzieren), Durchführen von Registrierung an den Daten, Georeferenzieren der Daten, Eliminieren der Ausreißer und dergleichen. Diese Daten stellen zum Beispiel mindestens einen Abschnitt der in
4 gezeigten beispielhaften Ansicht dar. Das Verfahren500 fährt weiter während das Laubwerkserfassungstrainingssystem einen oder mehrere interessierende Bereiche (ROIs) aus den vorverarbeiteten Daten identifiziert 506. Der ROI kann einen oder mehrere Laubwerkgegenstände oder andere Objekte beinhalten, die mögliche Hindernisse für das Fahrzeug darstellen. In einigen Ausführungsformen werden bekannte Gruppierungs- und/oder Datensegmentierungstechniken verwendet, um Objekte und zugehörige ROIs zu identifizieren. In einigen Ausführungsformen kann der ROI unter Verwendung eines Gruppierungsverfahrens wie etwa hierarchisch, auf Dichte beruhend, Teilraum und dergleichen erhalten werden. Zusätzlich kann der ROI unter Verwendung eines Segmentierungsverfahrens wie etwa Verfahren auf Grundlage von Histogrammen, Bereichswachstum, Markov-Zufallsfeld und dergleichen erhalten werden. Die Verwendung eines ROI unterstützt das Reduzieren der Rechnungskosten des Analysierens der Daten, da die Berechnung auf den bestimmten ROI beschränkt ist, der wahrscheinlich einen Laubwerkgegenstand oder anderes Objekt enthält. - Das Laubwerkerfassungstrainingssystem markiert 508 dann jeden ROI. Das Markieren von jedem ROI beinhaltet das Klassifizieren jedes Laubwerkgegenstands als: gefährliche Vegetation, nicht gefährliche Vegetation, unbekannte Vegetation oder nicht Vegetation. Die Klassifizierung für gefährliche Vegetation entspricht Situationen in denen das Laubwerk (oder Vegetation) unmittelbare Gefahr für ein Fahrzeug darstellen kann, falls eine Kollision erfolgt. Ein Beispiel gefährlicher Vegetation ist ein großer Baumstamm. Die Klassifizierung für nicht gefährliche Vegetation entspricht Situationen, in denen die Vegetation wahrscheinlich der Integrität des Fahrzeugs keine Schäden zufügt, selbst falls das Fahrzeug mit der Vegetation kollidiert. Beispiele von nicht gefährlicher Vegetation beinhalten Gras und kleine Büsche. Die Klassifizierung für unbekannte Vegetation entspricht Situationen, in denen es schwierig ist, das Ausmaß von Schaden an dem Fahrzeug zu bewerten. Beispiele unbekannter Vegetation beinhalten dichte Baumäste oder hohe und dichte Büsche. Die Klassifizierung für nicht Vegetation entspricht allen Gegenständen oder Objekten, die nicht Vegetation oder Laubwerk sind, wie etwa Fußgänger, Stangen, Wände, Bordsteine und dergleichen. In einigen Ausführungsformen wird das Markieren von jedem ROI von einem menschlichen Benutzer durchgeführt. In anderen Ausführungsformen wird das Markieren von jedem ROI automatisch von einem Computersystem durchgeführt oder durch ein Computersystem mit menschlicher Benutzerverifizierung durchgeführt.
- Das Verfahren
500 fährt fort, wobei das Laubwerkerfassungstrainingssystem einen Machine-Learning-Algorithmus unter Verwendung der Daten von jedem ROI und der entsprechenden Markierung trainiert 510. In einigen Ausführungsformen ist der Machine-Learning-Algorithmus ein tiefes neuronales Netzwerk, ein neuronales Faltnetzwerk, ein tiefes Möglichkeitsnetzwerk, ein periodisches Netzwerk, ein Auto-Encoder oder ein beliebiger anderer Machine-Learning-Algorithmus. Der daraus erfolgende Machine-Learning-Algorithmus ist bei der Klassifizierung von Laubwerksgegenständen wie vorstehend erläutert nützlich. - Der Machine-Learning-Algorithmus wird in einem tatsächlichen Fahrzeug getestet 512, um Laubwerk auf Grundlage von Daten, die von einem oder mehreren Fahrzeugsensoren empfangen wurden, zu identifizieren und zu klassifizieren. In einigen Ausführungsformen beinhaltet das Testen des Machine-Learning-Algorithmus Benutzereingabe um zu bestätigen, ob der Machine-Learning-Algorithmus alle Laubwerksgegenstände richtig identifiziert hat und die Laubwerkgegenstände richtig klassifiziert hat.
- Falls der Test nicht erfolgreich 514 ist, kehrt das Verfahren zu 502 zurück und empfängt weiterhin zusätzliche Daten, die verwendet werden, um den Machine-Learning-Algorithmus ferner zu trainieren. Falls der Test erfolgreich 514 ist, wird der Machine-Learning-Algorithmus in einem oder mehreren Produktionsfahrzeugen umgesetzt 516. Zum Beispiel kann der Machine-Learning-Algorithmus in das Laubwerkserfassungssystem oder ein Hinderniserfassungssystem in einem Fahrzeug integriert werden. Auf Grundlage der identifizierten Laubwerkgegenstände und der zugehörigen Klassifizierungen kann ein automatisiertes Fahr-/Unterstützungssystem die mögliche Gefahr, während des Betriebs des Fahrzeug auf Laubwerkgegenstände zu treffen (oder darüber zu fahren), bestimmen.
- Während hierin verschiedene Ausführungsformen der vorliegenden Offenbarung beschrieben werden, versteht es sich, dass diese lediglich als Beispiele und nicht als Einschränkung dienen. Für den entsprechenden Fachmann ist ersichtlich, dass verschiedene Änderungen in Form und Detail daran vorgenommen werden können, ohne vom Geist und Schutzumfang der Offenbarung abzuweichen. Daher sollen die Breite und der Schutzumfang der vorliegenden Offenbarung nicht durch eines der beschriebenen Ausführungsbeispiele eingeschränkt werden, sondern sollen lediglich gemäß den folgenden Patentansprüchen und ihren Äquivalenten definiert sein. Die Beschreibung wird hierin zu Veranschaulichungs- und Beschreibungszwecken dargelegt. Sie erhebt keinerlei Anspruch auf Vollständigkeit und soll die Offenbarung nicht auf die konkrete offenbarte Form beschränken. Viele Modifikationen und Variationen sind in Anbetracht der offenbarten Lehren möglich. Ferner ist anzumerken, dass eine beliebige oder alle der hierin erörterten alternativen Umsetzungen in einer beliebigen gewünschten Kombination genutzt werden können, um zusätzliche Hybridumsetzungen der Offenbarung zu bilden.
Claims (15)
- Verfahren, das Folgendes umfasst: Empfangen von Daten, die einer Vielzahl von am Fahrzeug montierten Sensoren zugehörig sind; Definieren von mehreren interessierenden Bereichen (ROI) durch ein Laubwerkerfassungstrainingssystem auf Grundlage von empfangenen Daten; Anwenden einer Markierung auf jeden ROI, wobei die Markierung eine Art des Laubwerks, das dem ROI zugehörig ist, klassifiziert; und Trainieren eines Machine-Learning-Algorithmus auf Grundlage der ROIs und zugehörigen Markierungen durch das Laubwerkerfassungstrainingssystem.
- Verfahren nach
Anspruch 1 , das ferner Vorverarbeiten der empfangenen Daten umfasst, wobei das Vorverarbeiten der empfangenen Daten mindestens eines von Eliminieren von Lärm aus den Daten, Durchführen einer Registrierung der Daten, Georeferenzierung der Daten und Eliminieren von Ausreißern beinhaltet. - Verfahren nach
Anspruch 1 , das ferner das Umsetzen des Machine-Learning-Algorithmus in einem Fahrzeug durch ein automatisiertes Fahrsystem umfasst, wobei der Machine-Learning-Algorithmus Laubwerk in der Nähe des Fahrzeugs auf Grundlage von Daten, die von dem mindestens einen auf das Fahrzeug montierten Sensor empfangen wurden, klassifiziert. - Verfahren nach
Anspruch 1 , wobei die empfangenen Daten, die der Vielzahl von auf dem Fahrzeug montierten Sensoren zugehörig sind, mindestens eines von computergenerierten Bilddaten, computergenerierten Radardaten, computergenerierten LIDAR-Daten und computergenerierten Ultraschalldaten beinhaltet. - Verfahren nach
Anspruch 1 , wobei die empfangenen Daten, die der Vielzahl von auf dem Fahrzeug montierten Sensoren zugehörig sind, zufällige Erzeugung unterschiedlicher Arten von Laubwerk an unterschiedlichen Stellen in der Nähe des Fahrzeugs beinhalten. - Verfahren nach
Anspruch 1 , wobei die empfangenen Daten, die der Vielzahl von auf dem Fahrzeug montierten Sensoren zugehörig sind, virtuelle Daten beinhalten. - Verfahren nach
Anspruch 1 , das ferner das Integrieren des Machine-Learning-Algorithmus in ein Laubwerkerfassungssystem in einem Fahrzeug umfasst. - Verfahren, das Folgendes umfasst: Empfangen von Daten, die einer Vielzahl von am Fahrzeug montierten Sensoren zugehörig sind; Vorverarbeiten der empfangenen Daten, wobei das Vorverarbeiten der empfangenen Daten mindestens eines von Eliminieren von Lärm aus den Daten, Durchführen einer Registrierung der Daten, Georeferenzierung der Daten und Eliminieren von Ausreißern beinhaltet; Definieren von mehreren interessierenden Bereichen (ROI) durch ein Laubwerkerfassungstrainingssystem auf Grundlage von vorverarbeiteten Daten; Anwenden einer Markierung auf jeden ROI, wobei die Markierung eine Art des Laubwerks, das dem ROI zugehörig ist, klassifiziert; und Trainieren eines Machine-Learning-Algorithmus auf Grundlage der ROIs und zugehörigen Markierungen durch das Laubwerkerfassungstrainingssystem.
- Verfahren nach
Anspruch 1 oder8 , wobei die Vielzahl von auf dem Fahrzeug montierten Sensoren mindestens eines von einem LIDAR-Sensor, einem Radarsensor und einer Kamera beinhalten. - Verfahren nach
Anspruch 1 oder8 , das ferner das Testen des Machine-Learning-Algorithmus in einem Fahrzeug unter Verwendung der von dem mindestens einen auf dem Fahrzeug montierten Sensor empfangenen Daten umfasst. - Verfahren nach
Anspruch 1 oder8 , wobei die auf jeden ROI angewendete Markierung eines von nicht Vegetation, gefährliche Vegetation, nicht gefährliche Vegetation und unbekannte Vegetation beinhaltet. - Verfahren nach
Anspruch 1 oder8 , wobei der Machine-Learning-Algorithmus ein tiefes neuronales Netzwerk ist. - Vorrichtung, die Folgendes umfasst: einen Kommunikationsmanager, der dazu konfiguriert ist, Daten, die einer Vielzahl von am Fahrzeug montierten Sensoren zugehörig sind, zu empfangen; ein Modul für interessierenden Bereich, das dazu konfiguriert ist, mehrere interessierende Bereiche (ROIs) auf Grundlage der empfangenen Daten zu definieren; ein Datenmarkierungsmodul, das dazu konfiguriert ist, jeden ROI zu markieren, wobei die Markierung eine Art des Laubwerks, das dem ROI zugehörig ist, klassifiziert; und einen Trainingsmanager, der dazu konfiguriert ist, einen Machine-Learning-Algorithmus auf Grundlage der ROIs und zugehörigen Markierungen zu trainieren.
- Vorrichtung nach
Anspruch 13 , die ferner ein Testmodul umfasst, das dazu konfiguriert ist, den Machine-Learning-Algorithmus in einem Fahrzeug unter Verwendung der von dem mindestens einen auf dem Fahrzeug montierten Sensor empfangenen Daten zu testen. - Vorrichtung nach
Anspruch 13 , wobei die auf jeden ROI angewendete Markierung eines von nicht Vegetation, gefährliche Vegetation, nicht gefährliche Vegetation und unbekannte Vegetation beinhaltet.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/486,099 | 2017-04-12 | ||
US15/486,099 US20180300620A1 (en) | 2017-04-12 | 2017-04-12 | Foliage Detection Training Systems And Methods |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102018108361A1 true DE102018108361A1 (de) | 2018-10-18 |
Family
ID=62202764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018108361.0A Withdrawn DE102018108361A1 (de) | 2017-04-12 | 2018-04-09 | Laubwerkerfassungstrainingssysteme und -verfahren |
Country Status (6)
Country | Link |
---|---|
US (1) | US20180300620A1 (de) |
CN (1) | CN108688654A (de) |
DE (1) | DE102018108361A1 (de) |
GB (1) | GB2563137B (de) |
MX (1) | MX2018004244A (de) |
RU (1) | RU2018112646A (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113415270A (zh) * | 2020-03-03 | 2021-09-21 | 伟摩有限责任公司 | 基于多传感器数据的传感器感兴趣区域选择 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10229363B2 (en) * | 2015-10-19 | 2019-03-12 | Ford Global Technologies, Llc | Probabilistic inference using weighted-integrals-and-sums-by-hashing for object tracking |
IT201700058505A1 (it) * | 2017-05-30 | 2018-11-30 | Volta Robots S R L | Metodo di controllo di un mezzo di lavorazione del terreno sulla base di elaborazioni d'immagini e relativo sistema |
US10551838B2 (en) * | 2017-08-08 | 2020-02-04 | Nio Usa, Inc. | Method and system for multiple sensor correlation diagnostic and sensor fusion/DNN monitor for autonomous driving application |
US11091162B2 (en) * | 2018-01-30 | 2021-08-17 | Toyota Motor Engineering & Manufacturing North America, Inc. | Fusion of front vehicle sensor data for detection and ranging of preceding objects |
US11022693B1 (en) * | 2018-08-03 | 2021-06-01 | GM Global Technology Operations LLC | Autonomous vehicle controlled based upon a lidar data segmentation system |
US11927502B2 (en) | 2019-04-29 | 2024-03-12 | Nvidia Corporation | Simulating realistic test data from transformed real-world sensor data for autonomous machine applications |
US11919451B2 (en) * | 2022-02-28 | 2024-03-05 | Nissan North America, Inc. | Vehicle data display system |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016065071A1 (en) * | 2014-10-21 | 2016-04-28 | Tolo, Inc. | Remote detection of insect infestation |
US10150414B2 (en) * | 2016-07-08 | 2018-12-11 | Ford Global Technologies, Llc | Pedestrian detection when a vehicle is reversing |
-
2017
- 2017-04-12 US US15/486,099 patent/US20180300620A1/en not_active Abandoned
-
2018
- 2018-04-06 MX MX2018004244A patent/MX2018004244A/es unknown
- 2018-04-09 CN CN201810311912.9A patent/CN108688654A/zh not_active Withdrawn
- 2018-04-09 GB GB1805890.9A patent/GB2563137B/en not_active Expired - Fee Related
- 2018-04-09 DE DE102018108361.0A patent/DE102018108361A1/de not_active Withdrawn
- 2018-04-10 RU RU2018112646A patent/RU2018112646A/ru not_active Application Discontinuation
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113415270A (zh) * | 2020-03-03 | 2021-09-21 | 伟摩有限责任公司 | 基于多传感器数据的传感器感兴趣区域选择 |
CN113415270B (zh) * | 2020-03-03 | 2024-05-17 | 伟摩有限责任公司 | 基于多传感器数据的传感器感兴趣区域选择的系统、方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
GB2563137A8 (en) | 2018-12-19 |
CN108688654A (zh) | 2018-10-23 |
RU2018112646A (ru) | 2019-10-10 |
GB2563137B (en) | 2021-11-10 |
MX2018004244A (es) | 2018-11-09 |
GB201805890D0 (en) | 2018-05-23 |
GB2563137A (en) | 2018-12-05 |
US20180300620A1 (en) | 2018-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018108361A1 (de) | Laubwerkerfassungstrainingssysteme und -verfahren | |
DE102016120507B4 (de) | Prädizieren von fahrzeugbewegungen anhand von fahrerkörpersprache | |
DE102012207620B4 (de) | System und Verfahren für die Lichtsignaldetektierung | |
DE102018101125A1 (de) | Rekurrentes tiefes neuronales Faltungsnetzwerk zur Detektion von Objekten | |
DE102018107344A1 (de) | Hinderniserfassungssysteme und -verfahren | |
DE102017113572A1 (de) | Spurerkennungssysteme und -verfahren | |
DE112018007287T5 (de) | Fahrzeugsystem und -verfahren zum erfassen von objekten und einer objektentfernung | |
DE102017105903A1 (de) | Fussgängerdetektion und Bewegungsvorhersage mit nach hinten gerichteter Kamera | |
DE102018129295A1 (de) | Systeme und Verfahren zum Abbilden von Fahrbahnstörobjekten in autonomen Fahrzeugen | |
DE102016123887A1 (de) | Virtuelle sensordatenerzeugung zur radanschlagdetektion | |
DE102018105417A1 (de) | Fahrzeugortung unter verwendung von kameras | |
DE102017123180A1 (de) | Rückwertige Hinderniserkennung und Abstandsschätzung | |
DE102017100199A1 (de) | FUßGÄNGERERKENNUNG MIT AUFFÄLLIGKEITSKARTEN | |
DE102018102537A1 (de) | Tornadoerfassungssysteme und -verfahren | |
DE102018103817A1 (de) | Freiraumdetektion unter verwendung einer monokularen kamera und von deep learning | |
DE102016119130A1 (de) | Probabilistische Folgerung unter Verwendung gewichteter Integrale und Summen durch Hashing zur Objektverfolgung | |
DE102017115197A1 (de) | Erzeugung von virtuellen sensordaten für die erfassung von polleraufnahmen | |
DE102018100154A1 (de) | System und verfahren zur vermeidung von interferenz mit einem bus | |
DE102014220681A1 (de) | Verkehrssignalvorhersage | |
DE102019116569A1 (de) | LOKALISIERUNG FÜR AUTONOME FAHRZEUGE UNTER VERWENDUNG VON GAUßSCHEN VERMISCHUNGSMODELLEN | |
DE102019115455A1 (de) | Fokus-basiertes markieren von sensordaten | |
DE112019004554T5 (de) | System und verfahren zur warnung vor vorhergesagten fahrzeugvorfällen und zum ausweichen | |
DE102017127333A1 (de) | Sinklocherfassungssysteme und -verfahren | |
DE102019214628A1 (de) | Validierung von Umfelderfassung mittels Satelitenbildern und SAR-Radardaten | |
EP2562735A1 (de) | Verfahren und Vorrichtung zur Analysierung eines von einem Fahrzeug zu befahrenden Streckenabschnitts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R082 | Change of representative |
Representative=s name: LORENZ SEIDLER GOSSEL RECHTSANWAELTE PATENTANW, DE |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06K0009620000 Ipc: G06V0030190000 |