DE102019125389A1

DE102019125389A1 - Vorrichtung und verfahren zum kompensieren einer route eines autonomen fahrzeugs

Info

Publication number: DE102019125389A1
Application number: DE102019125389.6A
Authority: DE
Inventors: Dong Hoon Kang
Original assignee: Hyundai Motor Co; Kia Motors Corp
Current assignee: Hyundai Motor Co; Kia Corp
Priority date: 2019-05-21
Filing date: 2019-09-20
Publication date: 2020-11-26
Also published as: US20200370893A1; KR20200133919A

Abstract

Eine Vorrichtung und ein Verfahren zum Kompensieren einer Route eines autonomen Fahrzeugs sind bereitgestellt, bei welchen ein normales Routenmuster für jeden Abschnitt und abnorme Routenmuster für jeden Abschnitt basierend auf einem tiefen neuronalen Netzwerk (DNN) gelernt werden. Ein kompensiertes Routenmuster, welches erlangt wird durch Verändern eines gewichteten Werts eines jeden von einer Mehrzahl von Sensoren (100) für die abnormen Routenmuster für jeden Abschnitt, wird gelernt, und die Route des autonomen Fahrzeugs wird basierend auf dem Lernergebnis kompensiert, um zu ermitteln, welcher Sensor einen Fehler aufweist, wenn die Route des autonomen Fahrzeugs abnorm ist.

Description

Querverweis auf verwandte Anmeldung
Diese Anmeldung beansprucht den Prioritätsvorteil der am 21. Mai 2019 eingereichten koreanischen Patentanmeldung Anmelde-Nr. 10-2019-0059206 , deren gesamter Inhalt durch Bezugnahme für alle Zwecke hierin einbezogen ist.
Technisches Gebiet
Die vorliegende Erfindung betrifft eine Technologie zum Kompensieren einer Route, welche bei Vorhandensein eines Fehlers in einem Sensor eines autonomen Fahrzeugs erzeugt wird, basierend auf einem tiefen Lernen (Englisch „Deep Learning“) und insbesondere eine Vorrichtung und ein Verfahren zum Kompensieren einer Route eines autonomen Fahrzeugs, wobei basieren auf einem tiefen neuronalen Netzwerk (Englisch „Deep Neural Network“) ein normales Routenmuster für jeden Abschnitt und abnorme Routenmuster für jeden Abschnitt gelernt werden.
Hintergrund
Im Allgemeinen ist ein tiefes Lernen oder ein tiefes neuronales Netzwerk (kurz DNN - abgeleitet vom Englischen „Deep Neural Network“) eine Art des maschinellen Lernens. Das tiefe neuronale Netzwerk umfasst ein künstliches neuronales Netzwerk (kurz KNN oder auch ANN - abgeleitet vom Englischen „Artificial Neural Network“) mit mehreren Schichten zwischen einer Eingabeschicht und einer Ausgabeschicht. Solch ein künstliches neuronales Netzwerk kann ein faltendes neuronales Netzwerk (kurz CNN - abgeleitet vom Englischen „Convolution Neural Network“) oder ein rekurrentes neuronales Netzwerk (kurz RNN - abgeleitet vom Englischen „Recurrent Neural Network“) basierend auf einer Struktur und einem zu lösenden Problem, einem Zweck oder dergleichen umfassen.
Das tiefe Lernen wird verwendet, um diverse Probleme zu lösen, wie zum Beispiel eine Klassifizierung, Regression, Lokalisierung, Detektion, Segmentierung, oder dergleichen. Insbesondere in einem Autonomes-Fahren-System werden semantische Segmentierung und Objekterkennung, welche Positionen und Arten von dynamischen und statischen Hindernissen identifizieren können, auf signifikante Weise genutzt. Die semantische Segmentierung bezieht sich auf die Segmentierung eines Bilds in Pixel mit derselben Bedeutung, indem eine Klassifikationsvorhersage auf eine Pixelbasis angewendet wird, um ein Objekt in dem Bild zu erkennen. Folglich können ein Objekt, welches in dem Bild vorhanden ist, und auch Pixelpositionen mit derselben Bedeutung (gleiches Objekt) präziser identifiziert werden.
Die Objekterkennung bezieht sich auf das Klassifizieren und Vorhersagen von Arten von Objekten in dem Bild und das Durchführen einer Regressvorhersage auf einen Hüllkörper bzw. Begrenzungsrahmen (sog. „Bounding Box“), um Positionsinformationen der Objekte zu erfassen. Folglich können, anders als die simple Klassifizierung, die Arten der Objekte in dem Bild und auch die Positionsinformationen der Objekte identifiziert werden. Da bei einer konventionellen Technologie zum Kompensieren einer Route eines autonomen Fahrzeugs die Route basierend auf kombinierten diversen Sensordaten erzeugt wird, konnte ermittelt werden, ob die Route so erzeugte Route normal ist oder abnorm ist. Jedoch war es in Reaktion auf das Ermitteln, dass die Route abnorm ist, schwierig zu erfassen, welcher Sensor einen Fehler aufweist.
Wenn bei der konventionellen Technologie zum Kompensieren einer Route eines autonomen Fahrzeugs ferner der Sensor mit dem Fehler erfasst wird, werden Daten von dem Sensor mit dem Fehler in einem Routenerzeugungsvorgang nicht ausgeschlossen oder wird ein fester gewichteter Wert an die Daten von dem Sensor mit dem Fehler vergeben. Daher konnte eine Route, welche für diverse Fahrumgebungen, wie zum Beispiel eine Kurvenstraße, ein Wenden, einen Kreisverkehr oder dergleichen, optimiert ist, nicht bereitgestellt werden.
Erläuterung der Erfindung
Die vorliegende Offenbarung schafft eine Vorrichtung und ein Verfahren zum Kompensieren einer Route eines autonomen Fahrzeugs, wobei ein normales Routenmuster für jeden Abschnitt und abnorme Routenmuster für jeden Abschnitt basierend auf einem tiefen neuronalen Netzwerk (DNN) gelernt werden, ein kompensiertes Routenmuster, welches durch Verändern eines gewichteten Werts jedes Sensors für die abnormen Routenmuster für jeden Abschnitt erlangt wird, gelernt wird und die Route des autonomen Fahrzeugs basierend auf dem Lernergebnis kompensiert wird, um zu ermitteln, welcher Sensor einen Fehler aufweist, wenn die Route des autonomen Fahrzeugs abnorm ist, und wobei für diverse Fahrumgebungen optimierte Routen bereitgestellt werden können.
Die durch das vorliegende erfinderische Konzept zu lösenden technischen Probleme sind nicht auf die in vorstehend genannten Probleme beschränkt, und jegliche weiteren technischen Probleme, die hierin nicht genannt sind, werden durch die Fachleute in der Technik, zu der die vorliegende Offenbarung gehört, klar und deutlich aus der folgenden Beschreibung verstanden. Ferner ist es einfach zu verstehen, dass die Ziele und Vorteile der vorliegenden Offenbarung durch die in den Ansprüchen und deren Kombinationen dargelegten Mittel realisiert werden können.
Gemäß einem Aspekt der vorliegenden Offenbarung kann eine Vorrichtung zum Kompensieren bzw. Ausgleichen (nachfolgend kurz: Kompensieren - z.B. Korrigieren) einer Route eines autonomen Fahrzeugs (z.B. eines autonomen Kraftfahrzeugs, insbesondere eines autonom fahrenden Personenkraftfahrzeugs) aufweisen: eine Lerneinrichtung, welche dazu eingerichtet ist, ein erstes Routenmuster und zweite Routenmuster basierend auf einem Zustand jedes Sensors an einem beliebigen Abschnitt und (fehler-)kompensierte Routenmuster für jeden gewichteten Wert jedes Sensors für jedes der zweiten Routenmuster zu lernen, und eine Kompensationseinrichtung (z.B. Ausgleichseinrichtung), welche dazu eingerichtet ist, ein drittes Routenmuster basierend auf einer Ähnlichkeit zwischen den zweiten Routenmustern und einer Route, die durch eine Routenerzeugungseinrichtung erzeugt wird, auf Basis eines Lernergebnisses der Lerneinrichtung zu ermitteln bzw. detektieren (nachfolgend kurz: ermitteln), ein finales kompensiertes Routenmuster basierend auf einer Ähnlichkeit zwischen kompensierten Routenmustern, welche mit dem dritten Routenmuster und dem ersten Routenmuster korrespondieren, zu ermitteln und einen auf das finale kompensierte Routenmuster angewendeten gewichteten Wert jedes Sensors an die Routenerzeugungseinrichtung zu übermitteln.
Das erste Routenmuster kann ein Routenmuster sein, welches erzeugt wird, wenn kein Fehler in allen Sensoren auftritt. Wenn ein Fehler oder eine Fehlfunktion in dem mindestens einen der Sensoren auftritt, können die zweiten Routenmuster für jeden Fehlerauftritt erzeugt werden. Die Kompensationseinrichtung kann dazu eingerichtet sein, das dritte Routenmuster basierend auf der Ähnlichkeit zwischen den zweiten Routenmustern und der durch die Routenerzeugungseinrichtung erzeugten Route zu ermitteln, in Reaktion auf ein Ermitteln, dass die durch die Routenerzeugungseinrichtung erzeugte Route abnorm ist. Die Routenerzeugungseinrichtung kann dazu eingerichtet sein, eine Route basierend auf dem gewichteten Wert jedes Sensors, welcher von der Kompensationseinrichtung übermittelt wird, zu erzeugen. Das erste Routenmuster, die zweiten Routenmuster und die kompensierten Routenmuster können basierend auf einem tiefen neuronalen Netzwerk (DNN) extrahiert sein.
Gemäß einem Aspekt der vorliegenden Offenbarung kann ein Verfahren zum Kompensieren einer Route eines autonomen Fahrzeugs aufweisen: Lernen eines ersten Routenmusters und zweiter Routenmuster basierend auf einem Zustand jedes Sensors an einem beliebigen Abschnitt und eines (fehler-)kompensierten Routenmusters für jeden gewichteten Wert jedes Sensors für jedes der zweiten Routenmuster, Ermitteln eines dritten Routenmusters basierend auf einer Ähnlichkeit zwischen den zweiten Routenmustern und einer Route, die durch eine Routenerzeugungseinrichtung erzeugt wird, Ermitteln eines finalen kompensierten Routenmusters basierend auf einer Ähnlichkeit zwischen kompensierten Routenmustern, welches mit dem dritten Routenmuster und dem ersten Routenmuster korrespondiert, und Übermitteln eines auf das finale kompensierte Routenmuster angewendeten gewichteten Wert jedes Sensors an die Routenerzeugungseinrichtung.
Das erste Routenmuster kann ein Routenmuster sein, welches erzeugt wird, wenn kein Fehler in allen Sensoren auftritt. Wenn ein Fehler oder eine Fehlfunktion in dem mindestens einen der Sensoren auftritt, können die zweiten Routenmuster für jeden Fehlerauftritt erzeugt werden. Das Ermitteln des dritten Routenmusters kann in Reaktion auf ein Ermitteln, dass die durch die Routenerzeugungseinrichtung erzeugte Route abnorm ist, durchgeführt werden. Das Verfahren kann ferner aufweisen: Erzeugen, mittels der Routenerzeugungseinrichtung, einer Route basierend auf dem gewichteten Wert jedes Sensors, welcher von der Kompensationseinrichtung übermittelt wir. Das erste Routenmuster, die zweiten Routenmuster und die kompensierten Routenmuster können basierend auf einem tiefen neuronalen Netzwerk (DNN) extrahiert sein.
Gemäß einem Aspekt der vorliegenden Offenbarung kann ein System zum Kompensieren einer Route eines autonomen Fahrzeugs aufweisen: eine Mehrzahl von Sensoren, welche dazu eingerichtet sind, diverse Sensordaten zu sammeln, eine Routenerzeugungseinrichtung, welche dazu eingerichtet ist, eine Route des autonomen Fahrzeugs auf Basis der durch die Mehrzahl von Sensoren gesammelten Sensordaten zu erzeugen, und eine Routenkompensationseinrichtung, welche dazu eingerichtet ist, ein erstes Routenmuster und zweite Routenmuster basierend auf einem tiefen neuronalen Netzwerk (DNN) zu lernen, (fehler-)kompensierte Routenmuster für jeden gewichteten Wert jedes Sensors für jedes der zweiten Routenmuster zu lernen, und die Route des autonomen Fahrzeugs basierend auf dem Lernergebnis zu kompensieren (z.B. auszugleichen, insbesondere bspw. einen Fehler in der Route zu kompensieren bzw. auszugleichen). Die Routenerzeugungseinrichtung kann gewichtete Werte, die durch die Routenkompensationseinrichtung gesetzt werden, bei den von der Mehrzahl von Sensoren erlangten Sensordaten berücksichtigen, um die Route zu erzeugen.
Zudem kann die Routenkompensationseinrichtung aufweisen eine Lerneinrichtung, welche dazu eingerichtet ist, ein erstes Routenmuster und zweite Routenmuster basierend auf einem Zustand jedes Sensors an einem beliebigen Abschnitt und (fehler-)kompensierte Routenmuster für jeden gewichteten Wert jedes Sensors für jedes der zweiten Routenmuster zu lernen, und eine Kompensationseinrichtung, welche dazu eingerichtet ist, ein drittes Routenmuster basierend auf einer Ähnlichkeit zwischen den zweiten Routenmustern und einer Route, die durch eine Routenerzeugungseinrichtung erzeugt wird, auf Basis eines Lernergebnisses der Lerneinrichtung zu ermitteln, ein finales kompensiertes Routenmuster basierend auf einer Ähnlichkeit zwischen kompensierten Routenmustern, welches mit dem dritten Routenmuster und dem ersten Routenmuster korrespondiert, zu ermitteln und einen auf das finale kompensierte Routenmuster angewendeten gewichteten Wert jedes Sensors an die Routenerzeugungseinrichtung zu übermitteln.
Figurenliste
Die obigen und weitere Ziele, Eigenschaften und Vorteile der vorliegenden Offenbarung werden aus der folgenden detaillierten Beschreibung in Verbindung mit den beigefügten Zeichnungen ersichtlicher:

1 stellt ein Blockdiagramm eines Systems zum Kompensieren einer Route eines autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung dar,
2 ist ein erläuterndes Diagramm eines ein DNN ausführenden Moduls in einer Steuereinrichtung, die in einer Vorrichtung zum Kompensieren einer Route eines autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung enthalten ist,
3 stellt ein Blockdiagramm einer Vorrichtung zum Kompensieren einer Route eines autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung dar,
4 ist ein Flussdiagramm eines Verfahrens zum Kompensieren einer Route eines autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung, und
5 ist ein Blockdiagramm eines Datenverarbeitungssystems zum Implementieren eines Verfahrens zum Kompensieren einer Route eines autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung.

Detaillierte Beschreibung
Es versteht sich, dass der Begriff „Fahrzeug“ oder „Fahrzeug-...“ oder irgendein ähnlicher Begriff, welcher hier verwendet wird, Kraftfahrzeuge im Allgemeinen, wie z.B. Personenkraftfahrzeuge, einschließlich sogenannter Sportnutzfahrzeuge (SUV), Busse, Lastwagen, zahlreiche kommerzielle Fahrzeuge, Wasserfahrzeuge, einschließlich einer Vielzahl an Booten und Schiffen, Flugzeuge und dergleichen einschließt und Hybridfahrzeuge, elektrische Fahrzeuge, Plug-in-Hybridelektrofahrzeuge, wasserstoffbetriebene Fahrzeuge und andere Fahrzeuge für alternative Treibstoffe (z.B. Treibstoffe, welche aus anderen Ressourcen als Erdöl hergestellt werden) einschließt. Ein Hybridfahrzeug, auf welches hier Bezug genommen wird, ist ein Fahrzeug, das zwei oder mehr Energiequellen hat, z.B. Fahrzeuge, welche sowohl mit Benzin als auch elektrisch betrieben werden.
Obwohl beispielhafte Ausführungsformen als eine Mehrzahl von Einheiten zum Durchführen der beispielhaften Vorgänge nutzend beschrieben werden, ist es zu verstehen, dass die beispielhaften Vorgänge auch durch ein einziges Modul oder eine Mehrzahl von Modulen durchgeführt werden können. Es ist zusätzlich zu verstehen, dass sich der Begriff Steuereinrichtung / Steuereinheit auf eine Hardware-Vorrichtung bezieht, welche einen Speicher und einen Prozessor aufweist. Der Speicher ist dazu eingerichtet, die Module zu speichern, und der Prozessor ist speziell dazu eingerichtet, die Module auszuführen, um einen oder mehrere Vorgänge, welche weiter unten beschrieben werden, durchzuführen.
Ferner kann eine Steuerlogik der vorliegenden Erfindung als nichtflüchtige, computerlesbare Medien auf einem computerlesbaren Medium (z.B. Datenträger) ausgeführt sein, welches ausführbare Programminstruktionen enthält, die mittels eines Prozessors, einer Steuereinrichtung / Steuereinheit oder dergleichen ausgeführt werden. Beispiele des computerlesbaren Mediums weisen auf, sind aber nicht beschränkt auf, Nur-Lese-Speicher (Englisch „Read Only Memory“, kurz: ROM), Speicher mit wahlfreiem Zugriff (Englisch „Random Access Memory“, kurz: RAM), Compact-Disk-(CD)-ROMs, Magnetbänder, Disketten, Flash-Speicher, Chipkarten (z.B. Smartcards, Speicherkarten) und optische Datenspeichervorrichtungen. Das computerlesbare Aufzeichnungsmedium kann auch in netzwerkverbundenen Computersystemen verteilt werden, so dass die computerlesbaren Medien auf eine verteilte Art gespeichert und ausgeführt werden, z.B. mittels eines Telematikservers oder eines Steuereinrichtungsbereich-Netzwerks (auch Steuergerätenetzwerk oder „Controller Area Network“ genannt, kurz CAN).
Die hierin verwendete Terminologie dient lediglich dem Zweck des Beschreibens von bestimmten Ausführungsformen und ist nicht dazu gedacht, die Erfindung zu beschränken. Die wie hierin verwendeten Singular-Formen „ein“, „eine“, „eines“ und „der“, „die“, „das“ sind dazu gedacht, auch die Mehrzahlformen einzuschließen, außer der Kontext weist eindeutig auf etwas Anderes hin. Ferner ist zu verstehen, dass die Begriffe „aufweisen“ und/oder „aufweisend“ bei Verwendung in dieser Beschreibung das Vorliegen von genannten Merkmalen, ganzen Zahlen, Schritten, Vorgängen, Elementen und/oder Bauteilen spezifizieren, jedoch nicht die Anwesenheit oder das Hinzufügen von einem oder mehreren weiteren Merkmalen, ganzen Zahlen, Schritten, Vorgängen, Elementen, Bauteilen und/oder Gruppen davon ausschließen. Wie hierin verwendet, weist der Begriff „und/oder“ jede sowie alle Kombinationen von einem oder mehreren der dazugehörig aufgezählten Gegenstände auf.
Wenn nicht besonders erwähnt oder aus dem Kontext naheliegend (z.B. nichts Gegenteiliges besonders erwähnt oder aus dem Kontext naheliegend ist), ist der hierin verwendete Begriff „etwa“ (bzw. „ungefähr“) als innerhalb einer normalen Toleranz in der Technik, z.B. innerhalb 2 Standardabweichungen vom Mittelwert, zu verstehen. „Etwa“ (bzw. „ungefähr“) kann als innerhalb von 10%, 9%, 8%, 7%, 6%, 5%, 4%, 3%, 2%, 1%, 0,5%, 0,1%, 0,05% oder 0,01 % vom genannten Wert verstanden werden. Wenn nichts Gegenteiliges aus dem Kontext deutlich ist, sind alle hierin bereitgestellten Zahlenwerte durch den Begriff „etwa“ modifiziert.
Nachstehend werden einige beispielhafte Ausführungsformen der vorliegenden Offenbarung unter Bezugnahme auf die beispielhaften Zeichnungen im Detail beschrieben. Beim Hinzufügen der Bezugszeichen zu Komponenten jeder Zeichnung ist anzumerken, dass die identische oder gleichwertige Komponente durch das identische Bezugszeichen gekennzeichnet wird, sogar wenn diese in weiteren Zeichnungen dargestellt ist/sind. Außerdem wird beim Beschreiben der beispielhaften Ausführungsformen der vorliegenden Offenbarung eine detaillierte Beschreibung von wohlbekannten Strukturen oder Funktionen weggelassen, wenn festgestellt wird, dass dies das Verständnis der beispielhaften Ausführungsform der vorliegenden Offenbarung stört.
Beim Beschreiben von Elementen von beispielhaften Ausführungsformen der vorliegenden Erfindung können die Ausdrücke, wie zum Beispiel erstes, zweites, A, B, (a), (b) und dergleichen, verwendet werden. Diese Ausdrücke werden lediglich dazu verwendet, um Komponenten von anderen Komponenten zu unterscheiden, und diese Ausdrücke schränken jedoch die Art, Rangfolge oder Reihenfolge der Komponenten nicht ein. Wenn nicht andersartig definiert, haben alle hierin verwendeten Begriffe, einschließlich technische und wissenschaftliche Begriffe, die gleiche Bedeutung wie diejenige, welche von einem Fachmann in der Technik, zu welcher diese Erfindung/Offenbarung gehört, im Allgemeinen verstanden wird. Es versteht sich, dass solche Begriffe wie diejenige, welche in einem allgemein verwendeten Wörterbuch definiert sind, als eine Bedeutung, welche konsistent mit deren Bedeutung im Kontext der relevanten Technik ist, aufweisend zu interpretieren sind und nicht auf eine idealisierte oder übermäßig formale Weise interpretiert werden, soweit es nicht hierin ausdrücklich so definiert ist.
In einer beispielhaften Ausführungsform der vorliegenden Offenbarung werden ein Sensor-Gewichtungswert und ein Sensordaten-Gewichtungswert in dem gleichen Konzept verwendet. 1 stellt ein Blockdiagramm eines Systems zum Kompensieren einer Route eines autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung dar. Wie in 1 gezeigt, kann das System zum Kompensieren der Route des autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung aufweisen einen Sensor 100, eine Routenerzeugungseinrichtung 200 und eine Routenkompensationseinrichtung 300. Die diversen Komponenten des Systems können durch eine Gesamtsteuereinrichtung betrieben werden.
Die jeweiligen Komponenten werden im Detail beschrieben. Zunächst kann der Sensor 100 in dem autonomen Fahrzeug verbaut sein, um diverse Sensordaten, die zum Erzeugen einer Route für das autonome Fahren erforderlich sind, zu sammeln. In einem Beispiel kann der Sensor 100 einen LiDAR-Sensor, einen Kamerasensor, einen Ultraschallsensor, einen Lasersensor, einen Infrarotsensor und dergleichen aufweisen. Beispielweise ist der LiDAR-Sensor (wobei LiDAR abgeleitet ist vom Englischen „Light Detection And Ranging“ - zu Deutsch „optische Erfassung und Abstandsmessung“) ein Typ eines Umgebungserkennungssensors sein. Der LiDAR-Sensor kann dazu eingerichtet sein, eine Positionskoordinate und dergleichen eines Reflektors in einem Datenformat, das eine Punktwolke genannt wird, basierend auf einer Zeit zu messen, wobei der LiDAR-Sensor einen Laserstrahl in alle Richtungen aussendet, während er rotiert, und dann der Laserstrahl reflektiert und zurückgeworfen wird. Solch ein LiDAR kann an einem Flugzeug oder einem Satelliten angebracht sein, um bei einer topographischen Vermessung genutzt zu werden, und kann ebenso in einem mobilen Roboter und dem autonomen Fahrzeug genutzt werden, um Hindernisse zu erkennen.
Die Routenerzeugungseinrichtung 200 kann dazu eingerichtet sein, eine Route des autonomen Fahrzeugs auf einer Straße basierend auf von jedem Sensor 100 erlangten Daten, Präzisionskartendaten, Daten eines globalen Positionsbestimmungssystems (GPS-Daten) und dergleichen zu erzeugen. Mit anderen Worten kann die Routenerzeugungseinrichtung 200 dazu eingerichtet sein, die Route zu erzeugen nach dem Zuweisen von gewichteten Werten, die durch die Routenkompensationseinrichtung 300 gesetzt werden, an die von jedem Sensor 100 erlangten Daten. Wenn beispielsweise ein gewichteter Wert für erste Sensordaten ungefähr 50% beträgt, ein gewichteter Wert für zweite Sensordaten ungefähr 30% beträgt und ein gewichteter Wert für dritte Sensordaten ungefähr 20% beträgt, berücksichtigt die Routenerzeugungseinrichtung 200 die ersten Sensordaten in einem höchsten Maß und berücksichtigt dann nacheinander die zweiten Sensordaten und die dritten Sensordaten bei einem Routenerzeugungsvorgang. Dementsprechend variiert die Route des autonomen Fahrzeugs auf der Straße in Abhängigkeit davon, welche Sensordaten den höchsten Anteil aufweisen.
Zum Beispiel ist eine Technologie zum Erzeugen der Route basierend auf den jeweiligen Sensordaten durch die Routenerzeugungseinrichtung 200 eine generell wohlbekannte Technologie, und eine detaillierte Beschreibung wird daher weggelassen. Die Routenerzeugungseinrichtung 200 kann dazu eingerichtet sein, ein normales Routenmuster für jeden Abschnitt und abnorme Routenmuster für jeden Abschnitt basierend auf einem tiefen neuronalen Netzwerk (DNN) zu lernen, (fehler)kompensierte Routenmuster, welche durch Verändern des gewichteten Werts für jeden Sensor für die abnormen Routenmuster für jeden Abschnitt erlangt werden, zu lernen und die Route des autonomen Fahrzeugs basierend auf dem Lernergebnis zu kompensieren bzw. auszugleichen.
Eine Kompensationseinrichtung 20 der Routenkompensationseinrichtung 300 kann ein ein DNN ausführendes Modul (z.B. DNN-Ausführungsmodul) 210 aufweisen, wie in 2 gezeigt. 2 ist ein erläuterndes Diagramm eines ein DNN ausführendes Moduls in einer Kompensationseinrichtung , welches in einer Vorrichtung zum Kompensieren einer Route eines autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung enthalten ist. Wie in 2 gezeigt, lernt das das DNN ausführende Modul 210 in der Kompensationseinrichtung 20, welches in der Vorrichtung zum Kompensieren der Route des autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung enthalten ist, Routendaten für jeden Abschnitt basierend auf einem Zustand eines jeden der Sensoren, welche in diversen Fahrumgebungen erzeugt werden, und extrahiert das Modul 210 das normale Routenmuster für jeden Abschnitt und die abnormen Routenmuster für jeden Abschnitt.
Außerdem kann das das DNN ausführende Modul 210 dazu eingerichtet sein, die Routendaten, welche durch Verändern des gewichteten Werts eines jeden der Sensoren hinsichtlich der abnormen Routenmuster für jeden Abschnitt erlangt werden, zu lernen, um eine Mehrzahl von kompensierten Routenmustern, welche mit den abnormen Routenmustern für jeden Abschnitt korrespondieren (z.B. jeweilig den abnormen Routenmustern für jeden Abschnitt zugeordnet sind), zu erzeugen. In einer beispielhaften Ausführungsform der vorliegenden Offenbarung ist beschrieben, dass das das DNN ausführende Modul 210 in der Kompensationseinrichtung 20 der Routenkompensationseinrichtung 300 des autonomen Fahrzeugs vorgesehen sein kann, jedoch kann das das DNN ausführende Modul 210 ebenso als eine separate Komponente umgesetzt sein.
Nachstehend werden ein Vorgang des Lernens des normalen Routenmusters für jeden Abschnitt und der abnormen Routenmuster für jeden Abschnitt basierend auf dem DNN durch die Routenkompensationseinrichtung 300 und ein Vorgang des Lernens des kompensierten Routenmusters, welches durch Verändern des gewichteten Werts eines jeden der Sensoren bezüglich der abnormen Routenmuster für jeden Abschnitt durch die Routenkompensationseinrichtung 300 erlangt wird, im Detail beschrieben.
Zunächst kann, als ein Vorgang des Lernens des normalen Routenmusters für jeden Abschnitt, die Routenkompensationseinrichtung 300 dazu eingerichtet sein, das DNN auf eine Route, welche durch die Routenerzeugungseinrichtung 200 für jeden Abschnitt erzeugt wird, anzuwenden, um das normale Routenmuster für jeden Abschnitt zu extrahieren, wenn alle Sensoren in einem Normalzustand (d.h. kein Fehler, Ausfall oder Fehlfunktion) sind. In diesem Zusammenhang ist der DNN-Vorgang eine wohlbekannte Technologie und wird daher eine detaillierte Beschreibung weggelassen. Wenn ein Fehler in mindestens einem von der Mehrzahl von Sensoren auftritt, kann ferner, als ein Vorgang des Lernens der abnormen Routenmuster für jeden Abschnitt, die Routenkompensationseinrichtung 300 dazu eingerichtet sein, das DNN auf die Route, welche durch die Routenerzeugungseinrichtung 200 für jeden Abschnitt erzeugt wird, anzuwenden, um die abnormen Routenmuster für jeden Abschnitt zu extrahieren
Unter der Annahme eines ersten Sensors, eines zweiten Sensors und eines dritten Sensors kann beispielsweise eine Route (z.B. fiktive Route) für jeden von einem Fall, in welchem ein Fehler in dem ersten Sensor aufgetreten ist, einem Fall, in welchem ein Fehler in dem zweiten Sensor aufgetreten ist, einem Fall, in welchem ein Fehler in dem dritten Sensor aufgetreten ist, einem Fall, in welchem Fehler in dem ersten Sensor und dem zweiten Sensor aufgetreten sind, einem Fall, in welchem Fehler in dem ersten Sensor und dem dritten Sensor aufgetreten sind, und einem Fall, in welchem Fehler in dem zweiten Sensor und dem dritten Sensor aufgetreten sind, erzeugt werden. Das DNN kann basierend auf der für jeden Fall erzeugten Route ausgeführt werden, um abnorme Routenmuster für jeden Abschnitt zu extrahieren (z.B. kann das DNN auf jede der für die einzelnen Fälle erzeugten Routen ausführt werden, um abnorme Routenmuster für die einzelnen fiktiven Fehlerfälle der Sensoren zu erzeugen). In diesem Zusammen kann der Vorgang des Erzeugens der Route zum Ausführen des DNN mindestens einmal in diversen Fahrumgebungen durchgeführt werden.
Als Nächstes kann die Routenkompensationseinrichtung 300 dazu eingerichtet sein, eine Mehrzahl von kompensierten Routenmustern zu erlangen, während der gewichteten Wert eines jeden der Sensoren bezüglich der abnormen Routenmuster für jeden Abschnitt verändert wird. In diesem Zusammenhang können kompensierte Routenmuster durch die Routenerzeugungseinrichtung 200 basierend auf den gewichteten Werten, welche durch die Routenkompensationseinrichtung 300 gesetzt (z.B. eingestellt, festgelegt) sind, erzeugt werden. Die Routenkompensationseinrichtung 300 kann beispielsweise dazu eingerichtet sein, ein kompensiertes Routenmuster zu erzeugen, während, wenn der Fehler in dem ersten Sensor von dem ersten, dem zweiten und dem dritten Sensor auftrat, die gewichteten Werte für den ersten, den zweiten und den dritten Sensor jeweilig verändert werden. Ferner kann die Routenkompensationseinrichtung 300 dazu eingerichtet sein, ein kompensiertes Routenmuster zu erzeugen, während, wenn der Fehler in dem zweiten Sensor auftrat, die gewichteten Werte für den ersten, den zweiten und den dritten Sensor jeweilig verändert werden. Weiter kann die Routenkompensationseinrichtung 300 dazu eingerichtet sein, ein kompensiertes Routenmuster zu erlangen, während, wenn der Fehler in dem dritten Sensor auftrat, die gewichteten Werte für den ersten, den zweiten und den dritten Sensor jeweilig verändert werden.
Als ein weiteres Beispiel kann die Routenkompensationseinrichtung 300 dazu eingerichtet sein, ein kompensiertes Routenmuster zu erzeugen, während, wenn die Fehler in dem ersten Sensor und dem zweiten Sensor von dem ersten, dem zweiten und dem dritten Sensor auftraten, die gewichteten Werte für den ersten, den zweiten und den dritten Sensor jeweilig verändert werden. Ferner kann die Routenkompensationseinrichtung 300 dazu eingerichtet sein, ein kompensiertes Routenmuster zu erzeugen, während, wenn die Fehler in dem zweiten Sensor und dem dritten Sensor auftraten, die gewichteten Werte für den ersten, den zweiten und den dritten Sensor jeweilig verändert werden. Weiter kann die Routenkompensationseinrichtung 300 dazu eingerichtet sein, ein kompensiertes Routenmuster zu erlangen, während, wenn die Fehler in dem ersten Sensor und dem dritten Sensor auftraten, die gewichteten Werte für den ersten, den zweiten und den dritten Sensor jeweilig verändert werden.
Die Routenkompensationseinrichtung 300 kann als ein Ergebnis dazu eingerichtet sein, die kompensierten Routenmuster zu erlangen, indem der gewichtete Wert eines jeden der Sensoren bezüglich der abnormen Routenmuster für jeden Abschnitt basierend auf einem Fehlerzustand jedes Sensors verändert wird. In diesem Zusammenhang kann die Routenkompensationseinrichtung 300 dazu eingerichtet sein, den Fehlerzustand jedes Sensors, welcher mit jedem kompensierten Routenmuster im Zusammenhang steht, und den gewichteten Wert eines jeden der Sensoren zu lernen. Die Routenkompensationseinrichtung 300 kann außerdem dazu eingerichtet sein, zu ermitteln, ob die durch die Routenerzeugungseinrichtung 200 erzeugte Route abnorm ist, basierend auf dem normalen Routenmuster und den abnormen Routenmustern.
In diesem Zusammenhang kann bei einem Vorgang des Vergleichens der durch die Routenerzeugungseinrichtung 200 erzeugten Route mit dem normalen Routenmuster und den abnormen Routenmustern eine im Allgemeinen wohlbekannte Ähnlichkeitsermittlungstechnologie angewendet werden. Wenn die Ähnlichkeitsermittlungstechnologie darauf angewendet wird, kann die Routenkompensationseinrichtung 300 dazu eingerichtet sein, zu ermitteln, dass die durch die Routenerzeugungseinrichtung 200 erzeugte Route normal ist, wenn die Route mit einer höchsten Ähnlichkeit das normale Routenmuster ist, und zu ermitteln, dass die durch die Routenerzeugungseinrichtung 200 erzeugte Route abnorm ist, wenn die Route mit einer höchsten Ähnlichkeit das abnorme Routenmuster ist.
In Reaktion auf das Ermitteln, dass die durch die Routenerzeugungseinrichtung 200 erzeugte Route abnorm ist, kann die Routenkompensationseinrichtung 300 dazu eingerichtet sein, ein abnormes Routenmuster mit einer höchsten Ähnlichkeit mit der durch die Routenerzeugungseinrichtung 200 erzeugten Route zu ermitteln. Die Routenkompensationseinrichtung 300 kann dazu eingerichtet sein, ein kompensiertes Routenmuster mit einer höchsten Ähnlichkeit mit dem normalen Routenmuster unter den kompensierten Routenmustern, welche mit den ermittelten abnormen Routenmustern korrespondieren, zu ermitteln und die gewichteten Werte für jeweilige Sensoren, welche auf das ermittelte kompensierte Routenmuster angewendet werden, zu ermitteln.
Die Routenkompensationseinrichtung 200 kann dann dazu eingerichtet sein, den ermittelten gewichteten Wert eines jeden der Sensoren an die Routenerzeugungseinrichtung 200 zu übermitteln. Ferner kann die Routenerzeugungseinrichtung 200 den korrespondierenden gewichteten Wert eines jeden der Sensoren anwenden, um eine Route zu erzeugen. Die derart erzeugte Route wird ein normales Routenmuster aufweisen. Als ein Ergebnis kann die Routenerzeugungseinrichtung 200 dazu eingerichtet sein, aufgrund des gewichteten Werts eines jeden der Sensoren, welcher durch die Routenkompensationseinrichtung 300 gesetzt wird, eine normale Route zu erzeugen, wenn ein Fehler in dem Sensor 100 aufgetreten ist.
3 stellt ein Blockdiagramm einer Vorrichtung zum Kompensieren einer Route eines autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung dar. Wie in 3 gezeigt, kann die Routenkompensationseinrichtung 300 des autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung eine Lerneinrichtung 10 und eine Kompensationseinrichtung 20 aufweisen. In diesem Zusammenhang können, basierend auf einer Art zum Umsetzen der Routenkompensationseinrichtung 300 des autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung, die jeweiligen Komponente miteinander kombiniert werden, um als eine einzige Komponente umgesetzt zu werden, oder können einige Komponenten weggelassen werden. Mit anderen Worten können die Lerneinrichtung 10 und die Kompensationseinrichtung 20 als eine Steuereinrichtung und als ein einziges Bauteil umgesetzt werden.
In diesem Zusammenhang kann die Steuereinrichtung als Hardware oder Software oder als eine Kombination daraus umgesetzt werden. Bevorzugterweise kann die Steuereinrichtung in einem Mikroprozessor umgesetzt werden, ist jedoch nicht hierauf beschränkt. Die Steuereinrichtung kann dazu eingerichtet sein, das normale Routenmuster für jeden Abschnitt und die abnormen Routenmuster für jeden Abschnitt auf Grundlage des DNN zu lernen, die kompensierten Routenmuster, welche durch Verändern des gewichteten Werts eines jeden der Sensoren bezüglich der abnormen Routenmuster für jeden Abschnitt erlangt werden, zu lernen und diverse Steuerungen, welche beim Vorgang des Kompensierens der Route des autonomen Fahrzeugs basierend auf dem Lernergebnis notwendige sind, durchzuführen.
Die jeweiligen Komponentenwerden im Detail beschrieben. Zunächst kann die Lerneinrichtung 10 dazu eingerichtet sein, das normale Routenmuster (z.B. ein erstes Routenmuster) für jeden Abschnitt und die abnormen Routenmuster (z.B. ein oder mehrere zweite Routenmuster) für jeden Abschnitt basierend auf dem DNN (Tiefes neuronales Netz) zu lernen und die kompensierten Routenmuster, welche durch Verändern der gewichteten Werte eines jeden der Sensoren für die abnormen Routenmuster für jeden Abschnitt erlangt werden, zu lernen.
Das normale Routenmuster für jeden Abschnitt und die abnormen Routenmuster für jeden Abschnitt auf Grundlage des Zustands eines jeden Sensors und die mittels des vorstehend erläuterten Lernvorgangs extrahierten, kompensierten Routenmuster, welche mit den vorstehend genannten abnormen Routenmustern für jeden Abschnitt korrespondieren, können im Speicher (nicht gezeigt) gespeichert werden. Der Speicher kann ferner dazu eingerichtet sein, zugehörig zu jedem kompensierten Routenmuster Gewichteter-Wert-Informationen (einen Wert) jedes Sensors zu speichern.
Der Speicher kann insbesondere dazu eingerichtet sein, diverse Logik, Algorithmen und Programme, welche bei dem vorstehend erläuterten Lernvorgang erforderlich sind, zu speichern. Der Speicher kann mindestens eine Art eines Speichermediums von mindestens einer Art von Speicher, wie zum Beispiel einen Speicher vom Flash-Typ, einem Festplatten-Typ, einem Micro-Typ und einem Karten-Typ (z.B. einem SD-Karte (SD = Secure Digital) oder einer XD-Karte (XD = eXtreme Digital)) und dergleichen sowie einen RAM (Schreib-Lese-Speicher), einen SRAM (statischer RAM), einen ROM (Nur-Lese-Speicher), einen PROM (programmierbarer Nur-Lese-Speicher), einen EEPROM (elektronisch löschbarer PROM), einen MRAM (Magnet-RAM), einen Speicher vom Magnetische-Scheibe-Typ und einen Speicher vom Optische-Platte-Typ, aufweisen.
Die Kompensationseinrichtung 20 kann dann dazu eingerichtet sein, basierend auf dem Lernergebnis (in einem Beispiel dem normalen Routenmuster und den abnormen Routenmustern) der Lerneinrichtung 10 zu ermitteln, ob die durch die Routenerzeugungseinrichtung 200 erzeugte Route normal oder abnorm ist. Mit anderen Worten kann die Kompensationseinrichtung 20 dazu eingerichtet sein, die durch die Routenerzeugungseinrichtung 200 erzeugte Route mit dem normalen Routenmuster und den abnormen Routenmustern zu vergleichen. Die Kompensationseinrichtung 20 kann dazu eingerichtet sein, zu ermitteln, dass die durch die Routenerzeugungseinrichtung 200 erzeugte Route normal ist, wenn das Routenmuster mit einer höchsten Ähnlichkeit das normale Routenmuster ist. Die Kompensationseinrichtung 20 kann dazu eingerichtet sein, zu ermitteln, dass die durch die Routenerzeugungseinrichtung 200 erzeugte Route abnorm ist, wenn das Routenmuster mit einer höchsten Ähnlichkeit das abnorme Routenmuster ist.
Nach dem primären Vergleichen der durch die Routenerzeugungseinrichtung 200 erzeugten Route mit dem normalen Routenmuster kann dann, wenn die Ähnlichkeit zwischen diesen einen Schwellenwert (z.B. 80%) nicht überschreitet, die Kompensationseinrichtung 20 dazu eingerichtet sein, zu ermitteln, dass die durch die Routenerzeugungseinrichtung 200 erzeugte Route abnorm ist, und dazu eingerichtet sein, sekundär die durch die Routenerzeugungseinrichtung 200 erzeugte Route mit abnormen Routenmuster, welche im Speicher gespeichert sind, zu vergleichen. Die Kompensationseinrichtung kann dazu eingerichtet sein, in Reaktion auf ein Ermitteln, dass die durch die Routenerzeugungseinrichtung 200 erzeugte Route abnorm ist, das abnorme Routenmuster (z.B. ein drittes Routenmuster) mit einer höchsten Ähnlichkeit mit der durch die Routenerzeugungseinrichtung 200 erzeugten Route unter den abnormen Routenmustern zu ermitteln.
Die Kompensationseinrichtung 20 kann dazu eingerichtet sein, ein finales kompensiertes Routenmuster mit einer höchsten Ähnlichkeit mit dem normalen Routenmuster (dem ersten Routenmuster) unter den kompensierten Routenmustern, welche mit dem ermittelten abnormen Routenmuster (dem dritten Routenmuster) korrespondieren, zu ermitteln und den gewichteten Wert jedes Sensors, welcher auf das ermittelte finale kompensierte Routenmuster angewendet wird, zu ermitteln. Die Kompensationseinrichtung 20 kann dann dazu eingerichtet sein, den ermittelten gewichteten Wert jedes Sensors an die Routenerzeugungseinrichtung 200 zu übermitteln. Dementsprechend kann die Routenerzeugungseinrichtung 200 dazu eingerichtet sein, die Route basierend auf den Gewichteter-Wert-Informationen jedes Sensors, welche von der Kompensationseinrichtung 20 übermittelt werden, zu erzeugen, und die derart erzeugte Route wird das normale Routenmuster aufweisen.
4 ist ein Flussdiagramm eines Verfahrens zum Kompensieren einer Route eines autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung. Zunächst kann die Lerneinrichtung 10 dazu eingerichtet sein, das normale Routenmuster für jeden Abschnitt und die abnormen Routenmuster für jeden Abschnitt basierend auf dem Zustand jedes Sensors und die kompensierten Routenmuster für jeden gewichteten Wert jedes Sensors bezüglich der abnormen Routenmuster für jeden Abschnitt zu lernen (401). Mit anderen Worten kann die Lerneinrichtung 10 dazu eingerichtet sein, an einem beliebigen Abschnitt das erste Routenmuster und die zweiten Routenmuster basierend auf dem Zustand jedes Sensors an jedem Abschnitt und die kompensierten Routenmuster für jeden gewichteten Wert jedes Sensors für jedes der zweiten Routenmuster zu lernen.
Die Kompensationseinrichtung 20 kann dazu eingerichtet sein, danach das abnorme Routenmuster mit einer höchsten Ähnlichkeit mit der durch die Routenerzeugungseinrichtung 200 erzeugten Route basierend auf dem Lernergebnis der Lerneinrichtung 10 zu ermitteln (402). Mit andere Worten kann die Kompensationseinrichtung 20 dazu eingerichtet sein, das dritte Routenmuster mit einer höchsten Ähnlichkeit mit der durch die Routenerzeugungseinrichtung 200 erzeugten Route zu ermitteln.
Die Kompensationseinrichtung 20 kann dazu eingerichtet sein, danach das finale kompensierte Routenmuster mit einer höchsten Ähnlichkeit mit dem normalen Routenmuster unter den kompensierten Routenmustern, welche mit dem ermittelten abnormen Routenmuster korrespondieren, zu ermitteln (403). Mit anderen Worten kann die Kompensationseinrichtung 20 dazu eingerichtet sein, das finale kompensierte Routenmuster mit einer höchsten Ähnlichkeit mit dem ersten Routenmuster unter den kompensierten Routenmustern, welche mit dem ermittelten dritten Routenmuster korrespondieren, zu ermitteln. Die Kompensationseinrichtung 20 kann dazu eingerichtet sein, danach den gewichteten Wert jedes Sensors, welcher auf das ermittelte finale kompensierte Routenmuster angewendet wird, an die Routenerzeugungseinrichtung 200 zu übermitteln (404).
5 ist ein Blockdiagramm eines Datenverarbeitungssystems zum Implementieren eines Verfahrens zum Kompensieren einer Route eines autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung. Unter Bezugnahme auf 5 kann das vorstehend beschriebene Verfahren zum Kompensieren der Route des autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform auch mittels eines Datenverarbeitungssystems umgesetzt werden. Ein Datenverarbeitungssystem (z.B. Rechensystem) 1000 kann mindestens einen Prozessor 1100, einen Speicher 1300, eine Nutzerschnittstelle-Eingabevorrichtung 1400, eine Nutzerschnittstelle-Ausgabevorrichtung 1500, eine (Daten-)Speichereinrichtung 1600 und eine Netzwerkschnittstelle 1700, welche über einen Bus 1200 verbunden sind, aufweisen.
Der Prozessor 1100 kann eine zentrale Prozessoreinheit (CPU) oder eine Halbleitervorrichtung, welche zum Verarbeiten von Befehlen, die in dem Speicher 1300 und/oder der Speichereinrichtung 1600 gespeichert sind, eingerichtet ist, sein. Der Speicher 1300 und die Speichereinrichtung 1600 können jeweils zahlreiche Arten von flüchtigen oder nichtflüchtigen Speichermedien aufweisen. Beispielsweise kann der Speicher 1300 einen Nur-Lese-Speicher (ROM) und einen Direktzugriffsspeicher (RAM) aufweisen. Die Vorgänge/Prozesse des Verfahrens oder des Algorithmus, das/der im Zusammenhang mit den offenbarten Ausführungsformen beschrieben ist, können folglich direkt mittels einer Hardware oder eines Softwaremoduls, das durch den Prozessor 1100 ausgeführt wird, oder durch eine Kombination daraus realisiert sein. Das Softwaremodul kann sich in einem Speichermedium (d.h. dem Speicher 1300 und/oder der Speichereinrichtung 1600), wie z.B. einem RAM, einem Flash-Speicher, einem ROM, einem löschbaren und programmierbaren Speicher (EPROM), einem elektrisch löschbaren und programmierbaren Speicher (EEPROM), einem Register, einem Festplatte, einem SSD-Laufwerk (Solid State Drive), einem entfernbaren Platte, einem Kompakt-Disk-ROM (CD-ROM) und dergleichen, befinden.
Das beispielhafte Speichermedium ist mit dem Prozessor 1100 verbunden, welcher Informationen von dem Speichermedium auslesen und Informationen in das Speichermedium schreiben kann. Bei einem anderen Verfahren kann das Speichermedium mit dem Prozessor 1100 integriert sein. Der Prozessor und das Speichermedium können sich in einer anwendungsspezifischen integrierten Schaltung (ASIC) befinden. Die ASIC kann sich in einem Nutzerterminal befinden. Bei einem anderen Verfahren können sich der Prozessor und das Speichermedium als separate Bestandteile innerhalb des Nutzerterminals befinden.
In der Vorrichtung und dem Verfahren zum Kompensieren der Route des autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung werden das normale Routenmuster für jeden Abschnitt und die abnormen Routenmuster für jeden Abschnitt auf Grundlage des DNN (Tiefes neuronales Netz) erlernt, kann ein kompensiertes Routenmuster, welches durch Verändern eines gewichteten Werts jedes Sensors für die abnormen Routenmuster für jeden Abschnitt erlangt wird, erlernt werden und kann die Route des autonomen Fahrzeugs (z.B. ein durch einen fehlerhaften Sensor in die Route des autonomen Fahrzeugs eingebrachter Fehler) basierend auf dem Lernergebnis kompensiert werden, um zu ermitteln, welcher Sensor einen Fehler aufweist, wenn die Route des autonomen Fahrzeugs abnorm ist.
Ferner kann in der Vorrichtung und dem Verfahren zum Kompensieren der Route des autonomen Fahrzeugs gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung werden das normale Routenmuster für jeden Abschnitt und die abnormen Routenmuster für jeden Abschnitt auf Grundlage des DNN (Tiefes neuronales Netz) erlernt werden, kann ein kompensiertes Routenmuster, welches durch Verändern eines gewichteten Werts jedes Sensors für die abnormen Routenmuster für jeden Abschnitt erlangt wird, erlernt werden und wird die Route des autonomen Fahrzeugs (z.B. ein durch einen fehlerhaften Sensor in die Route des autonomen Fahrzeugs eingebrachter Fehler) basierend auf dem Lernergebnis kompensiert, und folglich können Routen, welche für diverse Fahrumgebunden optimiert sind, bereitgestellt werden.
Die obige Beschreibung ist lediglich veranschaulichend für die technische Idee der vorliegenden Offenbarung, und diverse Modifikationen und Abwandlungen können durch die Fachleute in der Technik vorgenommen werden, ohne dabei von den wesentlichen Eigenschaften der vorliegenden Offenbarung abzuweichen. Daher sind die in der vorliegenden Offenbarung offenbarten beispielhaften Ausführungsformen nicht dazu gedacht, die technische Idee der vorliegenden Offenbarung einzuschränken, sondern dazu gedacht, die vorliegende Offenbarung zu veranschaulichen, und der Umfang der technischen Idee der vorliegenden Offenbarung ist nicht durch die beispielhaften Ausführungsformen beschränkt. Der Umfang der vorliegenden Offenbarung ist dahingehend zu interpretieren, dass er durch den Umfang der beigefügten Ansprüche abgedeckt ist, und alle technische Ideen, welche in den Umfang der Ansprüche fallen, sind als im Umfang der vorliegenden Offenbarung enthalten zu interpretieren.
Obwohl vorstehend die vorliegende Offenbarung unter Bezugnahme auf beispielhafte Ausführungsformen und die beigefügten Zeichnungen beschrieben wurde, ist die vorliegende Offenbarung nicht hierauf beschränkt, sondern kann durch die Fachleute in der Technik, zu welcher die vorliegende Offenbarung gehört, divers modifiziert und abgewandelt, ohne dabei vom Sinn und Umfang der vorliegenden Offenbarung, welcher in den folgenden Ansprüchen beansprucht wird, abzuweichen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

KR 1020190059206 [0001]

Claims

Vorrichtung (300) zum Kompensieren einer Route eines autonomen Fahrzeugs, aufweisend: eine Lerneinrichtung (10), welche dazu eingerichtet ist, ein erstes Routenmuster und zweite Routenmuster basierend auf einem Zustand eines jeden einer Mehrzahl von Sensoren (100) an einem beliebigen Abschnitt und kompensierte Routenmuster für jeden gewichteten Wert eines jeden von der Mehrzahl von Sensoren (100) für jedes der zweiten Routenmuster zu lernen, und eine Kompensationseinrichtung (20), welche dazu eingerichtet ist: ein drittes Routenmuster basierend auf einer Ähnlichkeit zwischen den zweiten Routenmustern und einer Route, die durch eine Routenerzeugungseinrichtung (200) erzeugt wird, auf Basis eines Lernergebnisses der Lerneinrichtung (10) zu ermitteln, ein finales kompensiertes Routenmuster basierend auf einer Ähnlichkeit zwischen kompensierten Routenmustern, welche mit dem dritten Routenmuster und dem ersten Routenmuster korrespondieren, zu ermitteln, und einen auf das finale kompensierte Routenmuster angewendeten gewichteten Wert jedes Sensors an die Routenerzeugungseinrichtung (200) zu übermitteln.
Vorrichtung (300) nach Anspruch 1, wobei das erste Routenmuster ein Routenmuster ist, welches erzeugt wird, wenn kein Fehler in allen Sensoren (100) auftritt.
Vorrichtung (300) nach Anspruch 1 oder 2, wobei, wenn ein Fehler in dem mindestens einen der Sensoren (100) auftritt, die zweiten Routenmuster für jeden Fehlerauftritt erzeugt werden.
Vorrichtung (300) nach irgendeinem der Ansprüche 1 bis 3, wobei die Kompensationseinrichtung (20) dazu eingerichtet ist, das dritte Routenmuster basierend auf der Ähnlichkeit zwischen den zweiten Routenmustern und der durch die Routenerzeugungseinrichtung (200) erzeugten Route zu ermitteln, in Reaktion auf ein Ermitteln, dass die durch die Routenerzeugungseinrichtung (200) erzeugte Route abnorm ist.
Vorrichtung (300) nach irgendeinem der Ansprüche 1 bis 4, wobei die Routenerzeugungseinrichtung (200) dazu eingerichtet ist, eine Route basierend auf dem gewichteten Wert eines jeden von der Mehrzahl von Sensoren (100), welcher von der Kompensationseinrichtung (20) übermittelt wird, zu erzeugen.
Vorrichtung (300) nach irgendeinem der Ansprüche 1 bis 5, wobei das erste Routenmuster, die zweiten Routenmuster und die kompensierten Routenmuster basierend auf einem tiefen neuronalen Netzwerk (DNN) extrahiert werden.
Verfahren zum Kompensieren einer Route eines autonomen Fahrzeugs, das Verfahren aufweisend: Lernen (401), mittels eines Prozessors, eines ersten Routenmusters und zweiter Routenmuster basierend auf einem Zustand eines jeden von einer Mehrzahl von Sensoren (100) an einem beliebigen Abschnitt und eines kompensierten Routenmusters für jeden gewichteten Wert eines jeden von der Mehrzahl von Sensoren (100) für jedes der zweiten Routenmuster, Ermitteln (402), mittels des Prozessors, eines dritten Routenmusters basierend auf einer Ähnlichkeit zwischen den zweiten Routenmustern und einer Route, die durch eine Routenerzeugungseinrichtung (200) erzeugt wird, Ermitteln (403), mittels des Prozessors, eines finalen kompensierten Routenmusters basierend auf einer Ähnlichkeit zwischen kompensierten Routenmustern, welche mit dem dritten Routenmuster und dem ersten Routenmuster korrespondieren, und Übermitteln (404), mittels des Prozessors, eines auf das finale kompensierte Routenmuster angewendeten gewichteten Wert eines jeden von der Mehrzahl von Sensoren (100) an die Routenerzeugungseinrichtung.
Verfahren nach Anspruch 7, wobei das erste Routenmuster ein Routenmuster ist, welches erzeugt wird, wenn kein Fehler in allen Sensoren (100) auftritt.
Verfahren nach Anspruch 7 oder 8, wobei, wenn ein Fehler in dem mindestens einen der Sensoren (100) auftritt, die zweiten Routenmuster für jeden Fehlerauftritt erzeugt werden.
Verfahren nach irgendeinem der Ansprüche 7 bis 9, wobei das Ermitteln des dritten Routenmusters in Reaktion auf ein Ermitteln, dass die durch die Routenerzeugungseinrichtung (200) erzeugte Route abnorm ist, durchgeführt wird.
Verfahren nach irgendeinem der Ansprüche 7 bis 10, ferner aufweisend: Erzeugen, mittels der Routenerzeugungseinrichtung (200), einer Route basierend auf dem gewichteten Wert eines jeden von der Mehrzahl von Sensoren (100), welcher von der Kompensationseinrichtung (20) übermittelt wird.
Verfahren nach irgendeinem der Ansprüche 7 bis 11, wobei das erste Routenmuster, die zweiten Routenmuster und die kompensierten Routenmuster basierend auf einem tiefen neuronalen Netzwerk (DNN) extrahiert werden.
System zum Kompensieren einer Route eines autonomen Fahrzeugs, das System aufweisend: eine Mehrzahl von Sensoren (100), welche dazu eingerichtet sind, diverse Sensordaten zu sammeln, eine Routenerzeugungseinrichtung (200), welche dazu eingerichtet ist, eine Route des autonomen Fahrzeugs auf Basis der durch die Mehrzahl von Sensoren (100) gesammelten Sensordaten zu erzeugen, und eine Routenkompensationseinrichtung (300), welche dazu eingerichtet ist: ein erstes Routenmuster und zweite Routenmuster basierend auf einem tiefen neuronalen Netzwerk (DNN) zu lernen, kompensierte Routenmuster für jeden gewichteten Wert eines jeden von der Mehrzahl von Sensoren (100) für jedes der zweiten Routenmuster zu lernen, und die Route des autonomen Fahrzeugs basierend auf dem Lernergebnis zu kompensieren.
System nach Anspruch 13, wobei die Routenerzeugungseinrichtung (200) gewichtete Werte, die durch die Routenkompensationseinrichtung (300) gesetzt werden, bei den von der Mehrzahl von Sensoren (100) erlangten Sensordaten berücksichtigen, um die Route zu erzeugen.
System nach Anspruch 13 oder 14, wobei die Routenkompensationseinrichtung (300) aufweist: eine Lerneinrichtung (10), welche dazu eingerichtet ist, ein erstes Routenmuster und zweite Routenmuster basierend auf einem Zustand eines jeden von der Mehrzahl von Sensoren (100) an einem beliebigen Abschnitt und kompensierte Routenmuster für jeden gewichteten Wert eines jeden von der Mehrzahl von Sensoren (100) für jedes der zweiten Routenmuster zu lernen, und eine Kompensationseinrichtung (20), welche dazu eingerichtet ist: ein drittes Routenmuster basierend auf einer Ähnlichkeit zwischen den zweiten Routenmustern und einer Route, die durch eine Routenerzeugungseinrichtung (200) erzeugt wird, auf Basis des Lernergebnisses der Lerneinrichtung (10) zu ermitteln, ein finales kompensiertes Routenmuster basierend auf einer Ähnlichkeit zwischen kompensierten Routenmustern, welche mit dem dritten Routenmuster und dem ersten Routenmuster korrespondieren, zu ermitteln, und einen auf das finale kompensierte Routenmuster angewendeten gewichteten Wert eines jeden von der Mehrzahl von Sensoren (100) an die Routenerzeugungseinrichtung (200) zu übermitteln.
System nach Anspruch 15, wobei das erste Routenmuster ein Routenmuster ist, welches erzeugt wird, wenn kein Fehler in allen Sensoren (100) auftritt.
System nach Anspruch 15 oder 16, wobei die zweiten Routenmuster ein Routenmuster sind, welches erzeugt wird, wenn ein Fehler in dem mindestens einen der Sensoren (100) aufgetreten ist.
System nach irgendeinem der Ansprüche 15 bis 17, wobei die Kompensationseinrichtung (20) das dritte Routenmuster basierend auf der Ähnlichkeit zwischen den zweiten Routenmustern und der durch die Routenerzeugungseinrichtung (200) erzeugten Route detektiert, in Reaktion auf ein Ermitteln, dass die durch die Routenerzeugungseinrichtung (200) erzeugte Route abnorm ist.