DE102020215885A1 - PROCEDURE AND SYSTEM FOR DETECTING AND MITIGATION OF INTERFERENCE - Google Patents
PROCEDURE AND SYSTEM FOR DETECTING AND MITIGATION OF INTERFERENCE Download PDFInfo
- Publication number
- DE102020215885A1 DE102020215885A1 DE102020215885.1A DE102020215885A DE102020215885A1 DE 102020215885 A1 DE102020215885 A1 DE 102020215885A1 DE 102020215885 A DE102020215885 A DE 102020215885A DE 102020215885 A1 DE102020215885 A1 DE 102020215885A1
- Authority
- DE
- Germany
- Prior art keywords
- machine learning
- learning system
- data
- environment
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/556—Detecting local intrusion or implementing counter-measures involving covert channels, i.e. data leakage between processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
Ein Aspekt der vorliegenden Offenbarung betrifft ein Computer-basiertes Verfahren zur Erkennung einer Störung eines Maschinen-Lernsystems zur Umfeldkontrolle. Das Verfahren umfasst Empfangen von Daten aus dem Maschinen-Lernsystem zur Umfeldkontrolle und/oder Daten aus einem Umfeldmodell des Maschinen-Lernsystems zur Umfeldkontrolle, Empfangen von Kontextinformationen von einer oder mehreren externen Datenquellen, wobei die Kontextinformationen das Umfeld, das das Maschinen-Lernsystem zur Umfeldkontrolle überwacht, beschreiben und Entscheiden, ob eine Störung vorliegt anhand der Daten aus dem Maschinen-Lernsystem zur Umfeldkontrolle und/oder der Daten aus dem Umfeldmodell sowie der Kontextinformationen. Falls eine Störung vorliegt, umfasst das Verfahren Auslösen einer Reaktion auf die Störung.One aspect of the present disclosure relates to a computer-based method for detecting a malfunction in a machine learning system for environmental control. The method includes receiving data from the machine learning system for environment control and/or data from an environment model of the machine learning system for environment control, receiving context information from one or more external data sources, the context information being the environment that the machine learning system for environment control monitors, describe and decide whether there is a fault based on the data from the machine learning system for environment control and/or the data from the environment model and the context information. If there is a fault, the method includes triggering a response to the fault.
Description
Technisches Gebiettechnical field
Die vorliegende Offenbarung betrifft Verfahren und Systeme zur Erkennung und Mitigation von Störungen eines Maschinen-Lernsystems zur Umfeldkontrolle, insbesondere von Maschinen-Lernsystemen zur Umfeldkontrolle von zumindest teilautonom operierenden Fahrzeugen.The present disclosure relates to methods and systems for detecting and mitigating faults in a machine learning system for checking the surroundings, in particular of machine learning systems for checking the surroundings of at least partially autonomously operating vehicles.
Hintergrundbackground
Maschinen-Lernsysteme zur Umfeldkontrolle werden im immer stärkeren Maße in verschiedenen Anwendungsgebieten eingesetzt. Zum Beispiel kommen solche Systeme (wie Systeme zum maschinellen Sehen) in autonomen Fahrzeugen zum Einsatz. Dabei wird ein Umfeld eines Fahrzeugs mittels des Maschinen-Lernsystems zur Umfeldkontrolle überwacht. Wie leicht ersichtlich ist, kann eine Fehleinschätzung des Maschinen-Lernsystems erhebliche Konsequenzen haben. Ähnliches gilt in anderen Einsatzgebieten von Maschinen-Lernsystemen zur Umfeldkontrolle, insbesondere, wenn diese in hoch-automatisierte Systemumgebungen eingebettet sind. Eine Ursache von Fehleinschätzungen können Störungen wie beispielsweise sogenannte Adversarial Attacks (zu Deutsch „feindliche Angriffe“, in der Folge wird der gebräuchliche Englische Begriff verwendet werden) sein. Im Rahmen einer Adversarial Attack versucht ein Angreifer, das Maschinen-Lernsystem zur Umfeldkontrolle durch bewusste Veränderung seiner Eingangsdaten zu Täuschen. Zum Beispiel kann dies durch Manipulation des Umfelds, das das Maschinen-Lernsystem zur Umfeldkontrolle überwacht (wie das Überkleben eines Straßenschilds oder das Anbringen falscher Fahrbahnmarkierungen), geschehen. In einigen Verfahren des Stands der Technik wird das Maschinen-Lernsystem zur Umfeldkontrolle darauf ausgelegt, die Störung selbst zu erkennen (z.B. als solche zu klassifizieren). Das kann in manchen Fällen aufwändige Hardware benötigen, den Spielraum bezüglich der Auslegung der Abwehr reduzieren und/oder nur eingeschränkt wirksam sein. Daher ist es erstrebenswert, die Verfahren zur Erkennung einer Störung eines Maschinen-Lernsystems zur Umfeldkontrolle zu verbessern.Machine learning systems for environment control are being used to an increasing extent in various application areas. For example, such systems (such as machine vision systems) are used in autonomous vehicles. In this case, an environment of a vehicle is monitored by means of the machine learning system for environment control. As can easily be seen, a misjudgment of the machine learning system can have significant consequences. The same applies in other areas of application of machine learning systems for environment control, especially when they are embedded in highly automated system environments. One cause of misjudgments can be disturbances such as so-called adversarial attacks (in German "enemy attacks", the common English term will be used below). As part of an adversarial attack, an attacker tries to deceive the machine learning system for environment control by deliberately changing its input data. For example, this can be done by manipulating the environment that the environmental control machine learning system monitors (such as pasting over a street sign or applying false lane markings). In some prior art methods, the machine learning system for environment control is designed to recognize the disturbance itself (e.g. to classify it as such). In some cases, this can require complex hardware, reduce the scope for designing the defense and/or only be effective to a limited extent. It is therefore desirable to improve the methods for detecting a malfunction in a machine learning system for environmental control.
Zusammenfassung der ErfindungSummary of the Invention
Ein erster allgemeiner Aspekt der vorliegenden Offenbarung betrifft ein Computer-basiertes Verfahren zur Erkennung einer Störung eines Maschinen-Lernsystems zur Umfeldkontrolle. Das Verfahren umfasst Empfangen von Daten aus dem Maschinen-Lernsystem zur Umfeldkontrolle und/oder Daten aus einem Umfeldmodell des Maschinen-Lernsystems zur Umfeldkontrolle, Empfangen von Kontextinformationen von einer oder mehreren externen Datenquellen, wobei die Kontextinformationen das Umfeld, das das Maschinen-Lernsystem zur Umfeldkontrolle überwacht, beschreiben und Entscheiden, ob eine Störung vorliegt anhand der Daten aus dem Maschinen-Lernsystem zur Umfeldkontrolle und/oder der Daten aus dem Umfeldmodell sowie der Kontextinformationen. Falls eine Störung vorliegt, umfasst das Verfahren Auslösen einer Reaktion auf die Störung.A first general aspect of the present disclosure relates to a computer-based method for detecting a malfunction of a machine learning system for environment control. The method includes receiving data from the machine learning system for environment control and/or data from an environment model of the machine learning system for environment control, receiving context information from one or more external data sources, the context information being the environment that the machine learning system for environment control monitors, describe and decide whether there is a fault based on the data from the machine learning system for environment control and/or the data from the environment model and the context information. If there is a fault, the method includes triggering a response to the fault.
Ein zweiter allgemeiner Aspekt der vorliegenden Offenbarung betrifft ein System zur Erkennung einer Störung eines Maschinen-Lernsystems zur Umfeldkontrolle, das dazu ausgelegt ist, die Verfahren gemäß dem ersten allgemeinen Aspekt auszuführen.A second general aspect of the present disclosure relates to a system for detecting a malfunction of a machine learning system for environmental control, which is configured to carry out the methods according to the first general aspect.
Die Techniken gemäß dem ersten und zweiten allgemeinen Aspekt der vorliegenden Offenbarung können einen oder mehrere Vorteile haben.The techniques according to the first and second general aspects of the present disclosure may have one or more advantages.
Erstens kann durch die Verwendung von Daten aus dem Maschinen-Lernsystem zur Umfeldkontrolle und/oder Daten aus einem Umfeldmodell des Maschinen-Lernsystems zur Umfeldkontrolle sowie von Kontextinformationen die Erkennung von Störungen (insbesondere Adversarial Attacks) zuverlässiger sein als in manchen Verfahren des Stands der Technik. So können mit manchen Verfahren des Stands der Technik, die innerhalb eines Maschinen-Lernsystem zur Umfeldkontrolle (z.B. in einem neuronalen Netz eines Bildklassifikators) stattfinden, bestimmte Störungen wie Adversarial Attacks nur schwer erkannt werden (die schließlich gerade dafür ausgelegt sind, das Maschinen-Lernsystem zu täuschen). Die Techniken der vorliegenden Offenbarung nutzen innerhalb eines Maschinen-Lernsystem zur Umfeldkontrolle nicht zur Verfügung stehende Datenquellen, was das Erkennen von Störungen erleichtern kann.First, by using data from the machine learning system for environment control and/or data from an environment model of the machine learning system for environment control, as well as context information, the detection of disruptions (especially adversarial attacks) can be more reliable than in some prior art methods. With some state-of-the-art methods, which take place within a machine learning system for environment control (e.g. in a neural network of an image classifier), certain disorders such as adversarial attacks can only be recognized with difficulty (which are ultimately designed precisely for the machine learning system to deceive). The techniques of the present disclosure utilize data sources that are not available within a machine learning system for environmental control, which may facilitate fault detection.
Zweitens und als Folge dessen kann durch das Einbeziehen einer Vielzahl von externen Quellen die Wahrscheinlichkeit einer fehlerhaften Erkennung einer Störung („falschpositives Ergebnis“) reduziert werden. Bei der internen Erkennung in einigen Maschinen-Lernsystemen zur Umfeldkontrolle kann eine konservative Auslegung zur sicheren Erkennung von Störungen zu einer höheren Anzahl von falschpositiven Ergebnissen führen.Second, and as a consequence, by including a variety of external sources, the likelihood of misdetecting a disorder (“false positive result”) can be reduced. With the internal detection in some machine learning systems for environment control, a conservative design for reliable detection of disturbances can lead to a higher number of false positive results.
Drittens kann durch die Verwendung eines externen Systems zur Erkennung von Störungen eine Komplexität und damit eine Fehleranfälligkeit und ein Preis eines Maschinen-Lernsystems zur Umfeldkontrolle (einschließlich des externen Systems zur Erkennung von Störungen) niedriger sein als in Lösungen, in denen die Störungen in dem Maschinen-Lernsystem zur Umfeldkontrolle selbst detektiert werden sollen. So kann ein einzelnes System zur Erkennung einer Störung in einer Vorrichtung (z.B. einem Fahrzeug) mehrere Maschinen-Lernsysteme zur Umfeldkontrolle bedienen.Third, by using an external system to detect faults, a complexity, and thus error susceptibility, and a price of a machine learning system for environmental control (including the external system to detect faults) can be lower than in solutions in which the faults are in the machines -Learning system for environment control itself should be detected. A single Sys tem to detect a malfunction in a device (e.g. a vehicle) operate several machine learning systems for environment control.
Figurenlistecharacter list
-
1 zeigt schematisch eine Störung in Form einer Adversarial Attack auf ein zumindest teilautonomes Fahrzeug;1 shows schematically a disruption in the form of an adversarial attack on an at least partially autonomous vehicle; -
2 ist ein Flussdiagramm, dass Schritte der Verfahren der vorliegenden Offenbarung zeigt;2 Fig. 12 is a flow chart showing steps of the methods of the present disclosure; -
3 illustriert ein beispielhaftes System zur Erkennung einer Störung der vorliegenden Offenbarung.3 illustrates an exemplary fault detection system of the present disclosure.
Ausführliche BeschreibungDetailed description
In
Das zumindest teilautonomes Fahrzeug 100 enthält ein Maschinen-Lernsystem zur Umfeldkontrolle 200 (z.B. ein Maschinen-Lernsystem zum maschinellen Sehen). Das Maschinen-Lernsystem zur Umfeldkontrolle 200 kann mir ein oder mehreren Sensoren 300 gekoppelt sein und von diesen mit Eingangsdaten gespeist werden. Die Sensoren 300 können Sensordaten bezüglich des Umfelds, das das Maschinen-Lernsystem zur Umfeldkontrolle 200 überwacht, liefern. Die Sensoren können insbesondere Kamera-basierte Sensoren (für den sichtbaren und/oder infraroten Wellenlängenbereich, z.B. eine Wärmebildkamera), Radar-Sensoren, Lidar-Sensoren oder Ultraschallsensoren sein. Zusätzlich oder alternativ können die Eingangsdaten Bilddaten (z.B. Video-Bilddaten oder Einzelbild-Daten) sein. Das Maschinen-Lernsystem zur Umfeldkontrolle 200 kann einen oder mehrere Klassifikatoren zur Beurteilung des Umfeldes umfassen (z.B. einen Klassifikator basierend auf einem oder mehreren neuronalen Netzen). Das Maschinen-Lernsystem zur Umfeldkontrolle 200 kann einen Bildklassifikator zur Verarbeitung von Bilddaten umfassen. Allerdings können auch nicht Bilddaten-basierte Maschinen-Lernsystem zur Umfeldkontrolle 200 eingesetzt werden.The at least partially
Im Beispiel der
Die Verfahren oder Systeme dieser Offenbarung können zum Erkennen verschiedener Arten on Störungen eingesetzt werden. Eine Störung kann eine zufällige Veränderung eines Umfelds, das das Maschinen-Lernsystem zur Umfeldkontrolle 200 überwacht und/oder eines Eingangssignals des Maschinen-Lernsystems zur Umfeldkontrolle 200 umfassen (eine Veränderung des Umfelds wird sich natürlich auch auf ein Eingangssignal auswirken). Die Störung des Maschinen-Lernsystems zur Umfeldkontrolle 200 kann beispielweise eine Adversarial Attack sein. Wie erwähnt basiert eine Adversarial Attack auf dem Einspeisen eines speziell erzeugten Eingangs-Signals (auch als „Adversarial Example“ bezeichnet) in das Maschinen-Lernsystem zur Umfeldkontrolle (z.B. ein künstliches neuronales Netzwerk), welches dieses täuschen und z.B. eine Fehlklassifikation erzeugen soll. Die Manipulation kann so vorgenommen werden, dass ein menschlicher Beobachter diese nicht bemerkt oder nicht als solche erkennt. Beispiele für Adversarial Attacks sind das Verändern des Umfelds, das das Maschinen-Lernsystem zur Umfeldkontrolle überwacht (z.B. mittels Anbringens, Veränderns, Entfernens und/oder Verdeckens von für die Umfeldkontrolle relevanten Elementen wie den Markierungen in
In dem Beispiel in
Gemäß einem Beispiel der Techniken der vorliegenden Offenbarung ist in dem zumindest teilautonomen Fahrzeug 100 ein System zur Erkennung einer Störung 600 angeordnet. Das System zur Erkennung einer Störung 600 ist dazu ausgelegt, Daten aus dem Maschinen-Lernsystem zur Umfeldkontrolle 200 und/oder Daten aus einem Umfeldmodell (nicht dargestellt) zu empfangen. Zusätzlich ist das System zur Erkennung einer Störung 600 dazu ausgelegt, Kontextinformationen von einer oder mehreren externen Datenquellen 700a,b zu empfangen.According to an example of the techniques of the present disclosure, a
„Kontextinformationen“ beschreiben ein aktuelles Umfeld, das das Maschinen-Lernsystem zur Umfeldkontrolle überwacht. Der Begriff „Kontextinformationen“ wird in der vorliegenden Offenbarung in Abgrenzung von den Eingangsdaten des Maschinen-Lernsystems zur Umfeldkontrolle benutzt (d.h., Eingangsdaten des Maschinen-Lernsystems zur Umfeldkontrolle sind keine Kontextinformationen). In manchen Beispielen können die Kontextinformationen eine Eigenschaft des Umfelds oder bestimmte Aspekte des Umfelds beschreiben. Zusätzlich oder alternativ können die Kontextinformationen Angaben zu Elementen und/oder Ereignissen enthalten, die sich im Umfeld befinden oder darin stattfinden. Kontextinformationen können das Ergebnis eines Verarbeitungs- und/oder Interpretationsprozesses sein (z.B. ein Klassifikationsergebnis eines anderen Maschinen-Lernsystems oder eines menschlichen Klassifikators)."Context information" describes a current environment that the machine learning system monitors for environmental control. The term “context information” is used in the present disclosure in distinction from machine learning system input data for environmental control (i.e., machine learning system input data for environmental control is not context information). In some examples, the context information may describe a property of the environment or particular aspects of the environment. In addition or as an alternative, the context information can contain information about elements and/or events that are located in or take place in the environment. Context information can be the result of a processing and/or interpretation process (e.g. a classification result of another machine learning system or a human classifier).
In manchen Beispielen enthalten die Kontextinformationen Kartendaten des Umfelds. „Kartendaten“ sind in der vorliegenden Offenbarung alle Daten, in denen bestimmte Informationen mit einer Ortsinformation (z.B. Weltkoordinaten) verbunden sind. Es ist möglich, aber nicht notwendig, dass die Kartendaten auch als Karte darstellbar gespeichert sind. So können Kartendaten ein oder mehrere Tupel von Koordinaten sein, an denen sich ein bestimmtes Element (z.B. ein Verkehrsweg, eine Markierung oder ein Verkehrsleitelement wie ein Schild). befindet oder ein bestimmtes Ereignis stattgefunden hat (z.B. eine Adversarial Attack).In some examples, the context information includes environmental map data. In the present disclosure, “map data” means any data in which certain information is associated with location information (e.g., world coordinates). It is possible, but not necessary, for the map data to also be stored so that it can be displayed as a map. For example, map data can be one or more tuples of coordinates at which a certain element (e.g. a traffic route, a marking or a traffic control element such as a sign) is located. or a specific event has taken place (e.g. an adversarial attack).
Die Kartendaten können lokal auf einer Vorrichtung abgelegt sein, in der das Maschinen-Lernsystem zur Umfeldkontrolle 200 eingesetzt wird (dessen Umfeld das Maschinen-Lernsystem zur Umfeldkontrolle 200 überwacht). In anderen Beispielen können die Kartendaten auf einer entfernten Vorrichtung, die mit der Vorrichtung, in der das Maschinen-Lernsystem zur Umfeldkontrolle eingesetzt wird, über ein Netzwerk verbunden ist, abgelegt sein.The map data may be stored locally on a device in which the environmental control
Zusätzlich oder alternativ können die Kontextinformationen Informationen zu bekannten oder vermuteten Störungen (z.B. Adversarial Attacks) im Umfeld, das das Maschinen-Lernsystem zur Umfeldkontrolle überwacht, umfassen. In manchen Beispielen kann zusätzlich eine Konfidenzbewertung für die bekannten oder vermuteten Störungen (z.B. Adversarial Attacks) vorhanden sein. Zum Beispiel können die Informationen zu bekannten oder vermuteten Störungen an einer zentralen Stelle (z.B. in einer Datenbank) gesammelt sein (in manchen Beispielen in der Form von Kartendaten oder in Verbindung mit Kartendaten). Die Informationen können dann von der zentralen Stelle abgefragt werden und beispielsweise in eine lokale Karte der Vorrichtung (z.B. des teilautonomen Fahrzeugs 100) integriert werden.Additionally or alternatively, the context information may include information about known or suspected disruptions (e.g., adversarial attacks) in the environment that the environmental control machine learning system is monitoring. In some examples, there may also be a confidence rating for the known or suspected disruptions (e.g., adversarial attacks). For example, information about known or suspected faults may be collected (in some examples in the form of, or associated with, map data) in a central location (e.g., in a database). The information can then be queried from the central location and, for example, integrated into a local map of the device (e.g. the semi-autonomous vehicle 100).
Zusätzlich oder alternativ können die Kontextinformationen Sensordaten eines Sensors umfassen, der das Umfeld überwacht. Das kann insbesondere ein Sensor sein, der nicht von dem Maschinen-Lernsystem zur Umfeldkontrolle verwendet wird. In Beispielen kann der Sensor in einer anderen Vorrichtung als der Vorrichtung, in der das Maschinen-Lernsystem zur Umfeldkontrolle eingesetzt wird, enthalten sein (z.B. in einem weiteren Fahrzeug oder einem Teil der Infrastruktur, durch die sich das Fahrzeug 100 bewegt).Additionally or alternatively, the context information can include sensor data from a sensor that monitors the surroundings. In particular, this can be a sensor that is not used by the machine learning system for monitoring the environment. In examples, the sensor may be included in a device other than the device in which the machine learning system is deployed for environmental control (e.g., in another vehicle or piece of infrastructure through which the
Die externen Datenquellen können externe Datenquellen bezüglich des Maschinen-Lernsystems zur Umfeldkontrolle 200 sein. In anderen Worten, eine externe Datenquelle kann jede Datenquelle sein außer das Maschinen-Lernsystem zur Umfeldkontrolle 200 selbst (einschließlich seiner Eingangsdaten). Es ist nicht notwendig, dass die externen Datenquellen 700a,b auch außerhalb einer Vorrichtung (in
In manchen Beispielen können externe Datenquellen weitere Vorrichtungen sein, die Kontextinformationen zum Umfeld, das das Maschinen-Lernsystem zur Umfeldkontrolle überwacht, erheben und/oder sammeln. Zum Beispiel kann eine externe Datenquelle ein weiteres zumindest teilautonomes Fahrzeug oder eine Infrastrukturkomponente oder eine beliebige andere Vorrichtung sein, die sich im Umfeld, das das Maschinen-Lernsystem zur Umfeldkontrolle überwacht, befindet oder bewegt oder auf dieses Zugriff hat (z.B. ein Smartphone eines Verkehrsteilnehmers) In manchen Beispielen kann eine externe Datenquelle ein weiteres Maschinen-Lernsystem zur Umfeldkontrolle umfassen (z.B. in einem weiteren zumindest teilautonomen Fahrzeug oder in einer Infrastrukturkomponente).In some examples, external data sources may be other devices that collect and/or collect contextual information about the environment that the environmental control machine learning system is monitoring. For example, an external data source can be another at least semi-autonomous vehicle or an infrastructure component or any other device that is located, moves in or has access to the environment that the machine learning system for environmental control monitors (e.g. a smartphone of a road user) In some examples, an external data source can include another machine learning system for environment control (e.g. in another at least semi-autonomous vehicle or in an infrastructure component).
In
Das Verfahren umfasst das Empfangen 202 von Daten aus dem Maschinen-Lernsystem 200 zur Umfeldkontrolle und/oder Daten aus einem Umfeldmodell des Maschinen-Lernsystem zur Umfeldkontrolle 200. Zudem umfasst das Verfahren das Empfangen 204 von Kontextinformationen von einer oder mehreren externen Datenquellen 700a,b und das Entscheiden 206, ob eine Störung vorliegt anhand der Daten aus dem Maschinen-Lernsystem zur Umfeldkontrolle und/oder Daten aus dem Umfeldmodell sowie der Kontextinformationen, und, falls eine Störung vorliegt, Auslösen 208 einer Reaktion auf die Störung.The method includes receiving 202 data from the
Jeder dieser Schritte und mögliche Ausgestaltungen werden in der Folge genauer erläutert.
Das Entscheiden 206 kann Abgleichen der Daten aus dem Maschinen-Lernsystem zur Umfeldkontrolle und/oder Daten aus dem Umfeldmodell und der Kontextinformationen umfassen. Zum Beispiel kann ein Klassifikationsergebnis des Maschinen-Lernsystems zur Umfeldkontrolle mit einer entsprechenden Kontextinformation abgeglichen werden. Im Beispiel von
The
In anderen Beispielen (oder zusätzlich) kann der Schritt des Entscheidens Auslesen von Informationen zu bekannten oder vermuteten Störungen im Umfeld, das das Maschinen-Lernsystem zur Umfeldkontrolle überwacht, umfassen (die beispielsweise in einer Karte abgelegt sein können). Zusätzlich kann eine Konfidenzbewertung für die bekannten oder vermuteten Störungen ausgelesen werden. Die Information und die optionale Konfidenzbewertung kann in den Entscheidungsprozess einfließen (z.B. je höher eine Konfidenzbewertung ist, desto eher wird das Vorliegen einer Störung bestätigt).In other examples (or in addition), the step of deciding may include reading information about known or suspected disturbances in the environment that the machine learning system monitors for environmental control (which may be stored in a map, for example). In addition, a confidence rating for the known or suspected interference can be read out. The information and the optional confidence score can feed into the decision-making process (e.g. the higher a confidence score, the more likely it is to confirm the presence of a fault).
In wiederum anderen Beispielen kann das Entscheiden die Verwendung eines weiteren Maschinen-Lernmoduls zur Analyse der Daten aus dem Maschinen-Lernsystem zur Umfeldkontrolle und/oder der Daten aus dem Umfeldmodell und/oder eine regelbasierte Prüfung der Daten aus dem Maschinen-Lernsystem zur Umfeldkontrolle und/oder der Daten aus dem Umfeldmodell umfassen.In yet other examples, the decision may include using another machine learning module to analyze the data from the machine learning system for environment control and/or the data from the environment model and/or a rule-based check of the data from the machine learning system for environment control and/or or the data from the environment model.
Zum Beispiel kann das weitere Maschinen-Lernmodul (z.B. ein oder mehrere neuronale Netzwerke) auf das Erkennen bekannter Muster von Störungen trainiert sein (z.B. ein dediziertes Maschinen-Lernmodul zum Erkennen der Störungen).For example, the further machine learning module (e.g. one or more neural networks) can be trained to recognize known patterns of disturbances (e.g. a dedicated machine learning module for recognizing the disturbances).
In einem Beispiel kann das weitere Maschinen-Lernmodul Eingangsdaten des Maschinen-Lernsystems zur Umfeldkontrolle 200 als Eingangsdaten empfangen (z.B. Sensordaten oder Bilddaten wie weiter oben diskutiert) und entscheiden, ob eine Störung vorliegt (z.B., das Anbringen, Entfernen und/oder Verdecken von für die Umfeldkontrolle relevanten Elementen). Alternativ oder zusätzlich kann das weitere Maschinen-Lernmodul Daten aus Verarbeitungsstufen des Maschinen-Lernsystems zur Umfeldkontrolle 200 empfangen. Zum Beispiel kann das Maschinen-Lernsystem zur Umfeldkontrolle 200 verschiedene Sensormodalitäten (z.B. zwei oder mehr von einem Kamera-basierten Sensor, einem Lidar-Sensor und/oder einem Radar-Sensor) aufweisen. Eingangsdaten jedes der verschiedenen Sensormodalitäten können in dem Maschinen-Lernsystems zur Umfeldkontrolle 200 zunächst separat verarbeitet (in einer ersten Verarbeitungsstufe) und danach fusioniert werden (in einer zweiten Verarbeitungsstufe). Das weitere Maschinen-Lernmodul kann die separat verarbeiteten Daten eines oder mehrerer der Sensormodalitäten empfangen und entscheiden, ob eine Störung vorliegt. Z.B. kann das weitere Maschinen-Lernmodul Zusammenhänge zwischen den verarbeiteten Signalen verschiedener Sensor-Modalitäten erkennen, die auf eine Störung hinweisen (beispielsweise zur Unterscheidung der Reflexionseigenschaften eines echten Elements im Umfeld von denen eines gefälschten und/oder manipulierten Elements). Weiter zusätzlich oder alternativ kann das weitere Maschinen-Lernmodul Ausgangsdaten des Maschinen-Lernsystems zur Umfeldkontrolle 200 und/oder Daten aus dem Umfeldmodell des Maschinen-Lernsystems zur Umfeldkontrolle 200 empfangen und entscheiden, ob eine Störung vorliegt. Z.B. kann ein nicht plausibles Klassifikationsergebnis erkannt werden (beispielsweise ein Element in dem Umfeld mit nicht plausiblen Charakteristika oder nicht plausiblen Verhalten, wie ein Element mit einer nicht verwendeten Beschriftung oder unphysikalischen Verhalten bei Aufnahme aus verschiedenen Richtungen und/oder unter verschiedenen Winkeln).In one example, the further machine learning module can receive input data from the machine learning system for
Neben oder anstatt eines weiteren Maschinen-Lernmoduls kann auch ein regelbasiertes Modul die oben beschriebenen Daten empfangen und basierend auf einem Satz von Regeln entscheiden, ob eine Störung vorliegt. Beispielsweise kann eine regelbasierte Plausibilitätsprüfung durchgeführt werden.In addition to or instead of another machine learning module, a rule-based module can also receive the data described above and decide whether there is a fault based on a set of rules. For example, a rule-based plausibility check can be carried out.
Das Entscheiden 206, ob eine Störung vorliegt, kann verschiedene Ergebnisse zeitigen. In manchen Beispielen kann das System zur Erkennung einer Störung 600 dafür ausgelegt sein, eine binäre Entscheidung zu treffen, ob eine Störung (z.B. eine Adversarial Attack) vorliegt. Das kann für eine oder eine Mehrzahl von Typen von Störungen separat erfolgen. In anderen Beispielen kann eine Wahrscheinlichkeit, dass eine Störung vorliegt, ermittelt werden. Das kann wiederum für eine oder eine Mehrzahl von Typen von Störungen separat erfolgen. In beiden Fällen können nach der Durchführung eines der oben beschriebenen Schritte eine Wahrscheinlichkeit oder ein anderer Bewertungsparameter erhöht oder erniedrigt werden, je nachdem ob Anzeichen einer Störung erkennt wird, oder nicht. Im Fall einer binären Entscheidung kann das Vorliegen einer Störung festgestellt werden, wenn ein Bewertungsparameter einen gewissen Schwellwert übersteigt (oder unterschreitet).Deciding 206 whether a fault is present can produce a variety of outcomes. In some examples, the
Die oben beschriebenen Schritte zum Entscheiden, ob eine Störung vorliegt, können auch in beliebiger Weise kombiniert werden. In dieser Art kann das Entscheiden in mehreren Stufen erfolgen. Zum Beispiel können in einem oder mehreren ersten Schritten die Daten und Kontextinformationen verarbeitet werden, die innerhalb einer Vorrichtung (z.B. einem Fahrzeug) vorliegen (z.B. Kartendaten und/oder Daten aus dem Maschinen-Lernsystem zur Umfeldkontrolle und/oder Daten aus dem Umfeldmodell des Maschinen-Lernsystems zur Umfeldkontrolle). Dann können in weiteren Schritten Kontextinformationen von externen Quellen außerhalb der Vorrichtung (z.B. anderen Fahrzeugen oder Verkehrsteilnehmern, Infrastruktur-Elementen oder entfernten Datenbanken) empfangen und verarbeitet werden. Der erste Schritt kann zur Einschätzung der Wahrscheinlichkeit einer Störung dienen, während der zweite Schritt zur Plausibilisierung nur durchgeführt werden kann, wenn eine Wahrscheinlichkeit einer Störung über einer bestimmten Wahrscheinlichkeit liegt (ist die Wahrscheinlichkeit nach dem ersten Schritt zu niedrig, kann das System entscheiden, dass keine Störung vorliegt).The steps described above for deciding whether there is a fault can also be combined in any way. In this way, the decision can be made in several stages. For example, in one or more first steps, the data and context information that is present within a device (e.g. a vehicle) can be processed (e.g. map data and/or data from the machine learning system for environment control and/or data from the environment model of the machine learning system for environmental control). Then, in further steps, context information from external sources outside the device (e.g. other vehicles or road users, infrastructure elements or remote databases) can be received and processed. The first step can be used to estimate the probability of an error, while the second step for plausibility checking can only be carried out if the probability of an error is above a certain probability (if the probability after the first step is too low, the system can decide that there is no fault).
Wenn das Vorliegen einer Störung festgestellt wurde, kann eine Bewertung der Situation erfolgen.If the existence of a fault has been determined, an assessment of the situation can be made.
Dieser Schritt kann zum Beispiel eine Kritikalitätsbewertung der Störung umfassen (z.B., ob die Störung kritisch für den Betrieb des zumindest teilautonomen Fahrzeugs und/oder für die Sicherheit seiner Insassen ist). In anderen Beispielen kann der Schritt eine Konfidenzbewertung der Wahrscheinlichkeit einer Störung umfassen. Eine Reaktion auf das Vorliegen einer Störung kann unter Berücksichtigung der Kritikalitätsbewertung und/oder Konfidenzbewertung ausgewählt werden. Zum Beispiel kann zwischen einer Störung, die die Betriebssicherheit des Fahrzeugs gefährdet (und z.B. einen Unfall provozieren könnte) und einer Störung, die die Sicherheit der Insassen oder der Fracht gefährdet (und z.B. das Fahrzeug zwecks Ausraubens der Insassen zum Stehen bringt) unterschieden werden und entsprechende Mitigationsverfahren (die im nächsten Abschnitt genauer beschrieben werden) ausgewählt werden.This step can include, for example, a criticality assessment of the fault (e.g. whether the fault is critical for the operation of the at least semi-autonomous vehicle and/or for the safety of its occupants). In other examples, the step may include a confidence assessment of the likelihood of interference. A response to the presence of a disturbance may be selected taking into account the criticality score and/or the confidence score. For example, a fault that endangers the operational safety of the vehicle (e.g. could provoke an accident) and a fault that endangers the safety of the occupants or the cargo (e.g. brings the vehicle to a standstill in order to rob the occupants) can be distinguished and corresponding mitigation methods (described in more detail in the next section) can be selected.
In Reaktion auf das Vorliegen einer Störung können eines oder mehrere Mitigationsverfahren zur Abwehr der Störung durchgeführt werden.In response to the presence of a failure, one or more mitigation methods to mitigate the failure may be performed.
In manchen Beispielen kann ein Mitigationsverfahren zur Abwehr der Störung Anpassen einer Auswahl und/oder Gewichtung von mit dem Maschinen-Lernsystem zur Umfeldkontrolle gekoppelten Sensoren umfassen. Zum Beispiel kann ein bestimmter Sensor, der von der Störung (besonders) betroffen ist, zeitweise deaktiviert werden oder seine Eingangsdaten nicht durch das Maschinen-Lernsystem zur Umfeldkontrolle 200 berücksichtigt werden. Alternativ oder zusätzlich kann eine Konfiguration eines besonders betroffenen Sensors geändert werden, um die Störung abzuwehren. In wieder anderen Beispielen kann von einer ersten Gruppe von Sensoren (z.B. ein oder mehreren Kamera-basierten Sensoren) auf eine zweite Gruppe von Sensoren (z.B. ein Lidar- und/oder Radar-Sensor) umgeschaltet werden, um die Störung abzuwehren.In some examples, a mitigation method to mitigate the interference may include adjusting a selection and/or weighting of sensors coupled to the environmental control machine learning system. For example, a particular sensor that is (particularly) affected by the fault may be temporarily disabled or its input data may not be considered by the environmental control
In anderen Beispielen oder zusätzlich kann eine Anpassung des Umfeldmodells des Maschinen-Lernsystems zur Umfeldkontrolle erfolgen. Beispielsweise kann ein fehlerhaft erkanntes oder manipuliertes Element des Umfelds nicht in dieses übernommen werden oder durch ein anderes Element ersetzt werden (z.B. eine fehlerhaft erkannte Geschwindigkeitsbegrenzung durch eine korrekte Geschwindigkeitsbegrenzung).In other examples or additionally, the environment model of the machine learning system can be adapted for environment control. For example, an incorrectly recognized or manipulated element of the environment cannot be adopted or replaced by another element (e.g. an incorrectly recognized speed limit with a correct speed limit).
In anderen Beispielen oder zusätzlich können ein oder mehrere Betriebsparameter des Maschinen-Lernsystems zur Umfeldkontrolle oder einer Vorrichtung, zu deren Steuerung und/oder Überwachung das Maschinen-Lernsystem zur Umfeldkontrolle eingesetzt wird, angepasst werden. Das kann zum Beispiel eine Verhaltensanpassung des Maschinen-Lernsystems zur Umfeldkontrolle oder einer Vorrichtung, zu dessen Steuerung und/oder Überwachung das Maschinen-Lernsystem zur Umfeldkontrolle eingesetzt wird, sein. Im Beispiel eines zumindest teilautonomen Fahrzeugs kann eine Verhaltensanpassung eine Geschwindigkeitsanpassung (z.B. eine Bremsung) oder das Durchführen eines bestimmten Fahrmanövers umfassen. In weiteren Beispielen kann die Verhaltensanpassung eine Routenanpassung (z.B. in einer zufälligen Weise) umfassen. Letzteres kann passieren, wenn ein die Sicherheit der Insassen des Fahrzeugs betreffender Angriff erkannt wird.In other examples or additionally, one or more operating parameters of the environmental control machine learning system or a device that the environmental control machine learning system is used to control and/or monitor may be adjusted. This can be, for example, a behavioral adaptation of the machine learning system for controlling the environment or a device for the control and/or monitoring of which the machine learning system for controlling the environment is used. In the example of an at least partially autonomous vehicle, a behavioral adjustment of a speed adaptation (e.g. braking) or carrying out a specific driving maneuver. In other examples, behavior adjustment may include route adjustment (eg, in a random fashion). The latter can happen when an attack affecting the safety of the occupants of the vehicle is detected.
In wieder anderen Beispielen können ein oder mehrere empfohlene Mitigationsmaßnahmen einer externen Instanz („Notfallplan“) ausgeführt werden.In yet other examples, one or more recommended mitigation actions may be performed by an external entity (“contingency plan”).
Alternativ oder zusätzlich können in Reaktion auf das Vorliegen einer Störung Erzeugen einer Warnung vor der Störung erfolgen.Alternatively or additionally, in response to the presence of a fault, a warning of the fault can be generated.
In manchen Beispielen kann die Warnung das Alarmieren einer externen Instanz bezüglich des Vorliegens einer Störung umfassen (zum Beispiel das Alarmieren eines Sicherheitsdienstleisters oder von behördlichen Sicherheitsorganen). Dieses Alarmieren kann mittels eines geeigneten Kommunikationskanals erfolgen (z.B. eines Mobilfunkkanals oder eines anderen drahtlosen Netzwerks).In some examples, the warning may include alerting an external entity to the existence of a disruption (e.g., alerting a security service provider or official security bodies). This alerting can be done using any suitable communication channel (e.g., a cellular channel or other wireless network).
Zusätzlich oder alternativ kann eine Warnung der Umwelt des Maschinen-Lernsystems zur Umfeldkontrolle erfolgen. Im Falle, dass das Maschinen-Lernsystem zur Umfeldkontrolle in einem Fahrzeug eingesetzt wird, kann die Warnung an andere Fahrzeuge, Verkehrsteilnehmer und/oder Infrastruktur-Komponenten übermittelt werden. Wieder kann diese Warnung mittels eines geeigneten Kommunikationskanals erfolgen (z.B. eines Mobilfunkkanals oder eines anderen drahtlosen Netzwerks). In einem Beispiel können Fahrzeuge in der Umgebung des Fahrzeugs, das die Störung erkannt hat, gewarnt werden (z.B. entgegenkommende Fahrzeuge). Wie oben beschrieben stellt eine Warnung vor einer Störung eine Kontextinformation dar, die von einem System zur Erkennung einer Störung empfangen (z.B. von anderen Fahrzeugen, Verkehrsteilnehmern, Infrastruktur-Komponenten und/oder zentralen Stellen) werden kann und gemäß den Techniken der vorliegenden Offenbarung (wiederum) zum Erkennen von Störungen eingesetzt werden kann.Additionally or alternatively, the environment of the machine learning system can be warned for environment control. If the machine learning system is used to monitor the surroundings in a vehicle, the warning can be transmitted to other vehicles, road users and/or infrastructure components. Again, this alert may be via any suitable communication channel (e.g., a cellular channel or other wireless network). In one example, vehicles in the vicinity of the vehicle that detected the disruption may be alerted (e.g., oncoming vehicles). As described above, an incident warning represents contextual information that may be received by an incident detection system (e.g., other vehicles, road users, infrastructure components, and/or central offices) and used according to the techniques of the present disclosure (again ) can be used to detect faults.
Zusätzlich oder alternativ kann eine Warnung eines Benutzers einer Vorrichtung, deren Umfeld das Maschinen-Lernsystem zur Umfeldkontrolle überwacht, erfolgen. Beispielsweise kann ein Bediener, Fahrer und/oder Passagier der Vorrichtung gewarnt werden. In teilautonomen Fahrzeugen kann der Fahrer und/oder Passagier aufgefordert werden, die Steuerung zu übernehmen und/oder andere Sicherheitsroutinen durchzuführen.Additionally or alternatively, a user of a device whose environment is monitored by the machine learning system for environment control can be warned. For example, an operator, driver and/or passenger of the device can be warned. In semi-autonomous vehicles, the driver and/or passenger may be prompted to take control and/or perform other safety routines.
Zusätzlich oder alternativ können Informationen zum Vorliegen einer Störung an eine zentrale Stelle übermittelt werden (optional mit weiteren Informationen wie Position, Informationen zum Typ der Störung, und/oder Konfidenzinformation zu dem Erkennen der Störung). Die Informationen können der zentralen Stelle mittels eines geeigneten Kommunikationskanals übermittelt werden (z.B. eines Mobilfunkkanals oder eines anderen drahtlosen Netzwerks). Die Informationen können dann wiederum anderen Vorrichtungen (z.B. anderen Fahrzeugen) zum Zwecke des Entscheidens über das Vorliegen einer Störung zur Verfügung gestellt werden.Additionally or alternatively, information on the presence of a fault can be transmitted to a central location (optionally with further information such as position, information on the type of fault and/or confidence information on detecting the fault). The information may be communicated to the central location using any suitable communications channel (e.g., a cellular channel or other wireless network). The information can then in turn be made available to other devices (e.g. other vehicles) for the purpose of deciding on the existence of a fault.
Weiter alternativ oder zusätzlich kann in Reaktion auf das Vorliegen einer Störung Plausibilisieren (bzw. Verwerfen) des Vorliegens der Störung erfolgen Wie bereits weiter oben beschrieben, können dazu die erläuterten Schritte zum Entscheiden, ob eine Störung vorliegt, ebenfalls eingesetzt werden.Further alternatively or additionally, in response to the presence of a fault, the presence of the fault can be checked for plausibility (or discarded). As already described above, the explained steps for deciding whether a fault is present can also be used for this purpose.
In manchen Beispielen umfasst das Plausibilisieren des Vorliegens der Störung das Plausibilisieren mittels einer externen Datenquelle (z.B., einer Datenquelle, die mit der Vorrichtung, in der das Maschinen-Lernsystem zur Umfeldkontrolle 200 eingesetzt wird, über einen Kommunikationskanal verbunden ist).In some examples, validating the presence of the disturbance includes validating using an external data source (e.g., a data source connected to the device in which the machine learning system for
In manchen Fällen kann das Plausibilisieren eine Anfrage einer Aktualisierung von Kontextinfomation, insbesondere Kartendaten umfassen. Die aktualisierten Kontextinformationen, insbesondere Kartendaten können dann von einem externen Anbieter zur Verfügung gestellt werden (z.B., ein OEM, eine Behörde oder ein Kartenanbieter). In manchen Beispielen kann die Aktualisierung aktualisierte Informationen zu bekannten oder vermuteten Störungen im Umfeld, das das Maschinen-Lernsystem zur Umfeldkontrolle überwacht, umfassen. Die aktualisierten Kontextinfomation, insbesondere Kartendaten, können mit einem der hierin beschriebenen Techniken zum Plausibilisieren (oder Verwerfen) des Vorliegens der Störungen verwendet werden.In some cases, the plausibility check can include a request for an update of context information, in particular map data. The updated context information, in particular map data, can then be made available by an external provider (e.g. an OEM, an authority or a map provider). In some examples, the update may include updated information about known or suspected disturbances in the environment that the environmental control machine learning system is monitoring. The updated context information, in particular map data, can be used with one of the techniques described herein for checking (or rejecting) the presence of the disturbances.
Alternativ oder zusätzlich kann das Plausibilisieren die Kommunikation mit einer außerhalb einer Vorrichtung, in der das Maschinen-Lernsystem zur Umfeldkontrolle eingesetzt ist, liegenden weiteren Vorrichtung umfassen. Diese weitere Vorrichtung kann eine Infrastruktur-Komponente sein (z.B. ein Teil eines intelligenten Verkehrsleitsystems oder anderer Infrastruktur-Komponenten). Das Plausibilisieren kann das Empfangen von weiteren Kontextinformtionen von der Infrastruktur-Komponente (die dann wie hierin beschrieben verarbeitet werden kann zur Plausibilisierung des Vorliegens einer Störung) oder eine direkte Bestätigung der Störung durch die Infrastruktur-Komponente umfassen. In gleicher Weise können andere Vorrichtung als Infrastruktur-Komponente in den Prozess eingebunden werden (z.B. andere Fahrzeuge, andere Verkehrsteilnehmer, und/oder entfernte Datenbanken).Alternatively or additionally, the plausibility check can include communication with a further device located outside of a device in which the machine learning system is used for environment control. This further device can be an infrastructure component (eg part of an intelligent traffic control system or other infrastructure components). The plausibility check can include receiving further context information from the infrastructure component (which can then be processed as described herein to plausibility check the existence of a fault) or a direct confirmation of the fault by the infrastructure component. In the same way, other devices can be integrated into the process as infrastructure components (e.g. other vehicles, other road users, and/or remote databases).
Neben den Vorgängen in der Vorrichtung, in der das Maschinen-Lernsystem zur Umfeldkontrolle eingesetzt ist (dessen Umfeld das Maschinen-Lernsystem zur Umfeldkontrolle also überwacht), sind in
Im Allgemeinen kann das System zur Erkennung einer Störung eines Maschinen-Lernsystems zur Umfeldkontrolle dazu ausgelegt sein, die hierin beschriebenen Verfahren auszuführen. Jede dazu geeignete Hardware, Software oder Kombination aus beiden kann zu diesem Zweck eingesetzt werden. In manchen Beispielen enthält das System zur Erkennung einer Störung einen Speicher, der entsprechende Instruktionen zur Ausführung der hierin beschriebenen Verfahren enthält und einen oder mehrere Prozessoren, die die Instruktionen ausführen. Das System zur Erkennung einer Störung kann lokal in einer Vorrichtung, in der das Maschinen-Lernsystem zur Umfeldkontrolle 200 eingesetzt wird, angeordnet sein (z.B. in einem zumindest teilautonomen Fahrzeug). In anderen Beispielen kann das System zur Erkennung einer Störung entfernt von einer Vorrichtung, in der das Maschinen-Lernsystem zur Umfeldkontrolle 200 eingesetzt wird, angeordnet sein (und gegebenenfalls über ein Netzwerk mit der Vorrichtung und/oder dem Maschinen-Lernsystem zur Umfeldkontrolle 200 kommunizieren). Das System zur Erkennung einer Störung kann über dedizierte Hardware verfügen, in ein übergeordnetes System integriert sein oder über mehrere Orte verteilt sein.In general, the system for detecting a failure of a machine learning system for environmental control can be configured to carry out the methods described herein. Any suitable hardware, software or combination of both can be used for this purpose. In some examples, the fault detection system includes a memory that contains appropriate instructions for performing the methods described herein and one or more processors that execute the instructions. The system for detecting a fault can be arranged locally in a device in which the machine learning system for
Im Allgemeinen richtet sich die vorliegende Offenbarung auch auf eine Vorrichtung (z.B. ein zumindest teilautonomes Fahrzeug), dass ein Maschinen-Lernsystem zur Umfeldkontrolle; und ein System zur Erkennung einer Störung (wie hierin beschrieben) enthält. Das System zur Erkennung einer Störung dazu ausgelegt ist, eine Störung auf das Maschinen-Lernsystem zur Umfeldkontrolle zu detektieren.In general, the present disclosure is also directed to an apparatus (e.g., an at least semi-autonomous vehicle) that includes a machine learning system for environment control; and a fault detection system (as described herein). The fault detection system is designed to detect a fault on the environmental control machine learning system.
Im Allgemeinen richtet sich die vorliegende Offenbarung auch auf ein Computerprogramm, welches eingerichtet ist, alle Schritte der Verfahren der vorliegenden Offenbarung auszuführen. Im Allgemeinen richtet sich die vorliegende Offenbarung auch auf ein maschinenlesbares Speichermedium (z.B. einen FLASH-Speicher oder ein anderes tragbares Speichermedium), auf dem das Computerprogramm gespeichert ist, oder eine Signalfolge, die das Computerprogramm codiert.In general, the present disclosure is also directed to a computer program configured to perform all steps of the methods of the present disclosure. In general, the present disclosure is also directed to a machine-readable storage medium (e.g., a FLASH memory or other portable storage medium) on which the computer program is stored, or a signal sequence encoding the computer program.
Zurückkommend auf
Im Allgemeinen können die Datenquellen der vorliegenden Offenbarung regelmäßig (d.h. kontinuierlich) auf den neusten Stand gebracht werden. Das trifft insbesondere für Datenquellen, die in der Vorrichtung (z.B. einem Fahrzeug) angeordnet sind, in der das Maschinen-Lernsystem zur Umfeldkontrolle 200 eingesetzt wird (z.B. Kartendaten). Der Vorgang des auf den neusten Stand Bringens kann ein Update über einen geeigneten Kommunikationskanal umfassen (z.B. einen drahtlosen Kommunikationskanal, ggf. im Betrieb des Fahrzeugs).In general, the data sources of the present disclosure may be updated periodically (i.e., continuously). This is particularly true for data sources located in the device (e.g., a vehicle) in which the environmental control
In der vorhergehenden Diskussion wurde häufig das Beispiel eines zumindest teilautonomen Fahrzeugs (insbesondere eines autonomen Fahrzeugs) zur Erläuterung der Techniken der vorliegenden Offenbarung herangezogen. Das Fahrzeug kann zum Beispiel ein Automobil, ein Bus, ein Lastkraftwagen, ein Schiff oder Boot, ein Flugzeug (inklusive Hubschrauber und Weltraumfahrzeuge), ein Zug, eine Straßenbahn oder ein Motorrad sein.In the foregoing discussion, the example of an at least semi-autonomous vehicle (particularly an autonomous vehicle) has often been used to explain the techniques of the present disclosure. The vehicle may be, for example, an automobile, bus, truck, ship or boat, airplane (including helicopters and spacecraft), train, tram, or motorcycle.
Die Techniken der vorliegenden Offenbarung sind jedoch nicht auf diese Anwendungsfälle beschränkt, sondern können für sämtliche Vorrichtungen, in denen Maschinen-Lernsystem zur Umfeldkontrolle zu finden sind, zum Einsatz kommen (es sei denn, ein entsprechender Aspekt der Offenbarung ist dediziert nur für zumindest teilautonome Fahrzeuge anwendbar).However, the techniques of the present disclosure are not limited to these use cases, but can be used for all devices in which machine learning systems for environmental control can be found (unless a corresponding aspect of the disclosure is dedicated only to at least semi-autonomous vehicles applicable).
Neben zumindest teilautonomen Fahrzeugen können Techniken der vorliegenden Offenbarung zum Beispiel zur Erkennung von Störungen eines Maschinen-Lernsystems zur Umfeldkontrolle in anderen Transportmitteln (für Passagiere und/oder Fracht) eingesetzt werden.In addition to at least partially autonomous vehicles, techniques of the present disclosure can be used, for example, to detect faults in a machine learning system for environment control in other means of transport (for passengers and/or freight).
In anderen Beispielen können die Techniken der vorliegenden Offenbarung zum Beispiel zur Erkennung von Störungen eines Maschinen-Lernsystems zur Umfeldkontrolle in Robotik-Vorrichtungen eingesetzt werden (beispielsweise in Industrierobotern, Erkundungsrobotern, Haushalts- und/oder Werkzeugrobotern).In other examples, the techniques of the present disclosure may be used, for example, to detect failures of a machine learning system for environmental control in robotic devices (e.g., in industrial robots, scouting robots, household and/or tool robots).
In anderen Fällen können die Techniken der vorliegenden Offenbarung zum Beispiel zur Erkennung von Störungen eines Maschinen-Lernsystems zur Umfeldkontrolle in Vorrichtungen zur Überwachung eingesetzt werden. Diese Vorrichtungen zur Überwachung können zum Beispiel zur Überwachung von Verkehrssituationen, Anlagen oder Maschinen (z.B. Vorrichtungen zur Inspektion, Prozessüberwachung, und/oder zur Bereitstellung von Sicherheitsfunktionen) und für Sicherheitsanwendungen (z.B. zur Überwachung von Objekten oder öffentlichen oder privaten Räumen) eingesetzt werden.In other cases, the techniques of the present disclosure may be used in devices for monitoring, for example, to detect failures of a machine learning system for environmental control. These monitoring devices can be used, for example, to monitor traffic situations, systems or machines (e.g. devices for inspection, process monitoring, and/or to provide security functions) and for security applications (e.g. to monitor objects or public or private spaces).
Zum Beispiel können die Techniken der vorliegenden Offenbarung zum Beispiel zur Erkennung von Störungen von Maschinen-Lernsystemen zur Umfeldkontrolle in Vorrichtungen zur Überwachung und/oder Leiten von Verkehrsströmen (z.B. Infrastrukturkomponenten). Das können beispielsweise kamera-basierte Maschinen-Lernsystem zur Umfeldkontrolle sein.For example, the techniques of the present disclosure can be used, for example, to detect failures of environmental control machine learning systems in devices for monitoring and/or directing traffic flows (e.g., infrastructure components). This can be, for example, camera-based machine learning systems for environment control.
Claims (12)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020215885.1A DE102020215885A1 (en) | 2020-12-15 | 2020-12-15 | PROCEDURE AND SYSTEM FOR DETECTING AND MITIGATION OF INTERFERENCE |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020215885.1A DE102020215885A1 (en) | 2020-12-15 | 2020-12-15 | PROCEDURE AND SYSTEM FOR DETECTING AND MITIGATION OF INTERFERENCE |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020215885A1 true DE102020215885A1 (en) | 2022-06-15 |
Family
ID=81750134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020215885.1A Pending DE102020215885A1 (en) | 2020-12-15 | 2020-12-15 | PROCEDURE AND SYSTEM FOR DETECTING AND MITIGATION OF INTERFERENCE |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020215885A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116429406A (en) * | 2023-06-14 | 2023-07-14 | 山东能源数智云科技有限公司 | Construction method and device of fault diagnosis model of large-scale mechanical equipment |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190135300A1 (en) | 2018-12-28 | 2019-05-09 | Intel Corporation | Methods and apparatus for unsupervised multimodal anomaly detection for autonomous vehicles |
DE102020103512A1 (en) | 2019-03-27 | 2020-10-01 | Intel Corporation | COLLABORATIVE 3-D ENVIRONMENT MAP FOR COMPUTER-AIDED OR AUTONOMOUS VEHICLES |
DE102020104363A1 (en) | 2019-03-29 | 2020-10-01 | Intel Corporation | DETECTION OF AN ABNORMAL IMAGE IN CONNECTION WITH IMAGE DATA FROM ONE OR MORE CAMERAS OF A COMPUTER-AIDED OR AUTONOMOUS VEHICLE |
-
2020
- 2020-12-15 DE DE102020215885.1A patent/DE102020215885A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190135300A1 (en) | 2018-12-28 | 2019-05-09 | Intel Corporation | Methods and apparatus for unsupervised multimodal anomaly detection for autonomous vehicles |
DE102020103512A1 (en) | 2019-03-27 | 2020-10-01 | Intel Corporation | COLLABORATIVE 3-D ENVIRONMENT MAP FOR COMPUTER-AIDED OR AUTONOMOUS VEHICLES |
DE102020104363A1 (en) | 2019-03-29 | 2020-10-01 | Intel Corporation | DETECTION OF AN ABNORMAL IMAGE IN CONNECTION WITH IMAGE DATA FROM ONE OR MORE CAMERAS OF A COMPUTER-AIDED OR AUTONOMOUS VEHICLE |
Non-Patent Citations (2)
Title |
---|
Adversarial Attack. In: Wikipedia, Die freie Enzyklopädie. Bearbeitungsstand: 7. Oktober 2020. URL: https://de.wikipedia.org/w/index.php?title=Adversarial_Attack&oldid=204353307 [abgerufen am 31. Mai 2021] |
ETZOLD, Daniel: Sicherheitsschwächen von maschinellen Lernverfahren. Informatik Aktuell, 2019. URL: https://www.informatik-aktuell.de/betrieb/kuenstliche-intelligenz/sicherheitsschwaechen-von-maschinellen-lernverfahren.html [abgerufen am 31. Mai 2021] |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116429406A (en) * | 2023-06-14 | 2023-07-14 | 山东能源数智云科技有限公司 | Construction method and device of fault diagnosis model of large-scale mechanical equipment |
CN116429406B (en) * | 2023-06-14 | 2023-09-26 | 山东能源数智云科技有限公司 | Construction method and device of fault diagnosis model of large-scale mechanical equipment |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112019004554T5 (en) | SYSTEM AND PROCEDURE FOR WARNING OF PREDICTED VEHICLE INCIDENTS AND AVOIDING EVIDENCE | |
DE102017129076A1 (en) | AUTONOMOUS SCHOOLBUS | |
EP3688742A1 (en) | System for producing and/or updating a digital model of a digital map | |
DE102014106506A1 (en) | Method for carrying out a diagnosis of a camera system of a motor vehicle, camera system and motor vehicle | |
DE102020209680B3 (en) | Signal processing path, device for environment recognition and method for validating a driving system that can be operated automatically | |
DE102020206755A1 (en) | REDUNDANCY INFORMATION FOR OBJECT INTERFACE FOR HIGHLY AND FULLY AUTOMATED DRIVING | |
EP3877231A1 (en) | Prediction of an anticipated driving behavior | |
DE102017214531A1 (en) | Method and device for operating a motor vehicle in an automated driving operation and motor vehicle | |
DE102019216989A1 (en) | INTERMEDIATE VEHICLE SENSOR VALIDATION USING A SENSOR FUSION NETWORK | |
DE102017208728A1 (en) | Method for determining a driving instruction | |
EP3904833A1 (en) | Device and method for evaluating signals from sensors for trajectory control and / or control of an automated vehicle | |
EP4088224A1 (en) | Method for combining a plurality of data sets for generating a current lane model of a road and device for data processing | |
DE102020100496A1 (en) | SYSTEMS AND METHODS FOR DETECTING VEHICLE DAMAGE EVENTS AND REPORTING ON THESE | |
DE102020215885A1 (en) | PROCEDURE AND SYSTEM FOR DETECTING AND MITIGATION OF INTERFERENCE | |
DE102019215973A1 (en) | U-TURN CONTROL SYSTEM FOR AUTONOMOUS VEHICLE AND PROCEDURE FOR THE SAME | |
DE102018222683A1 (en) | Method for creating an environment representation map for monitoring a vehicle and / or a vehicle trailer using a camera system | |
WO2019211293A1 (en) | Method for operating a driver assistance system of an ego vehicle having at least one surroundings sensor for detecting the surroundings of the ego vehicle, computer readable medium, system and vehicle | |
DE112018006674T5 (en) | Driver assistance device, driver assistance system, driver assistance method and recording medium in which a driver assistance program is stored | |
DE102017206396A1 (en) | Control method, control unit, environment detection system and mobile and / or stationary equipment | |
DE102021201978A1 (en) | COLLECTING SENSOR DATA FROM VEHICLES | |
DE102019118607A1 (en) | ANOMALY DETECTOR FOR VEHICLE CONTROL SIGNALS | |
DE102019000403A1 (en) | Method at least for issuing a warning of a danger point | |
DE102019127322A1 (en) | Method for detecting objects in a vehicle environment, device for data processing, computer program product and computer-readable data carrier | |
DE102019004075A1 (en) | Method for determining a relevance of an object in an environment of a motor vehicle by means of a driver assistance system and driver assistance system | |
DE102022205084B3 (en) | Method, computer program and device for perceiving the environment in the vehicle and corresponding vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |