DE102021003215A1 - Method for training a machine learning model - Google Patents

Method for training a machine learning model Download PDF

Info

Publication number
DE102021003215A1
DE102021003215A1 DE102021003215.2A DE102021003215A DE102021003215A1 DE 102021003215 A1 DE102021003215 A1 DE 102021003215A1 DE 102021003215 A DE102021003215 A DE 102021003215A DE 102021003215 A1 DE102021003215 A1 DE 102021003215A1
Authority
DE
Germany
Prior art keywords
geometry
road
map
lane
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102021003215.2A
Other languages
German (de)
Inventor
Daniel Andreas Koch
Florentin Mehlbeer
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mercedes Benz Group AG
Original Assignee
Daimler AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Daimler AG filed Critical Daimler AG
Priority to DE102021003215.2A priority Critical patent/DE102021003215A1/en
Publication of DE102021003215A1 publication Critical patent/DE102021003215A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G01C21/3822—Road feature data, e.g. slope data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

Die Erfindung betrifft ein Verfahren zum Trainieren eines Machine-Learning-Modells anhand einer straßengenauen Karte (2) und einer spurgenauen Trainingskarte (3). Dabei umfassen die straßengenaue Karte (2) eine Straßengeometrie (2a) mit mehreren Attributen und mehreren Geometriepunkten und die spurgenaue Trainingskarte (3) wenigstens eine Trainingsspurgeometrie (3a, 3b). Das Machine-Learning-Modell weist dabei eine mathematische Funktion mit wenigstens einem Parameter auf. In dem Verfahren lernt das Machine-Learning-Modell in einer Trainingsphase wenigstens einen Parameter aus der Straßengeometrie (2a) und der wenigstens einen Trainingsspurgeometrie (3a, 3b). Nach der Trainingsphase erzeugt das Machine-Learning-Modell wenigstens eine Spurgeometrie (4a, 4b), die die wenigstens eine Trainingsspurgeometrie (3a, 3b) approximiert, durch ein Abändern von den Geometriepunkten der Straßengeometrie (2a) basierend auf dem wenigstens einen gelernten Parameter.The invention relates to a method for training a machine learning model using a street-precise map (2) and a track-precise training map (3). The road map (2) includes a road geometry (2a) with several attributes and several geometry points and the lane-accurate training map (3) comprises at least one training lane geometry (3a, 3b). The machine learning model has a mathematical function with at least one parameter. In the method, the machine learning model learns at least one parameter from the road geometry (2a) and the at least one training lane geometry (3a, 3b) in a training phase. After the training phase, the machine learning model generates at least one lane geometry (4a, 4b) which approximates the at least one training lane geometry (3a, 3b) by modifying the geometry points of the road geometry (2a) based on the at least one learned parameter.

Description

Die Erfindung betrifft ein Verfahren zum Trainieren eines Machine-Learning-Modells anhand einer straßengenauen Karte und einer spurgenauen Trainingskarte.The invention relates to a method for training a machine learning model using a street-precise map and a track-precise training map.

Eine Navigationskarte für ein Kraftfahrzeug kann straßengenau oder spurgenau sein. Eine straßengengenaue Karte beinhaltet eine Straßengeometrie, die eine Geometrie der gesamten Straße abbildet. Eine spurgenaue Karte beinhaltet dagegen eine Spurgeometrie, die eine einzelne Fahrspur der Straße abbildet. Die spurgenaue Karte kann dabei je nach der Anzahl von Spuren mehrere Spurgeometrien pro Straße aufweisen. Mit der spurgenauen Karte kann das Kraftfahrzeug genauer navigiert werden. Nachteilig hierbei ist jedoch, dass die spurgenaue Karte einen hohen Speicherplatzbedarf aufweist.A navigation map for a motor vehicle can be precise to the street or to the lane. A street-level map contains street geometry that depicts the geometry of the entire street. A lane-accurate map, on the other hand, contains a lane geometry that depicts a single lane of the road. The lane-accurate map can have several lane geometries per road, depending on the number of lanes. The motor vehicle can be navigated more precisely with the precisely tracked map. The disadvantage here, however, is that the track-accurate map requires a large amount of storage space.

Aus der DE 10 2018 218 043 A1 ist ein Verfahren zum Erstellen von Beobachtungsdaten durch ein Kraftfahrzeug bekannt. Das Kraftfahrzeug ermittelt dabei befahrene Straßenabschnitte und identifiziert die von dem Kraftfahrzeug befahrenen Fahrspuren dieser Stra-ßenabschnitte. Die ermittelten Straßenabschnitte und die befahrenen Fahrspuren werden als Beobachtungsdaten von dem Kraftfahrzeug an eine externe Servereinheit übertragen. Basierend darauf ordnet die externe Servereinheit die Anzahl der befahrbaren Fahrspuren der Straßenabschnitte als Information einer digitalen Karte zu.From the DE 10 2018 218 043 A1 a method for creating observation data by a motor vehicle is known. The motor vehicle determines road sections traveled on and identifies the lanes of these road sections that the motor vehicle uses. The road sections determined and the lanes traveled are transmitted as observation data from the motor vehicle to an external server unit. Based on this, the external server unit assigns the number of trafficable lanes of the road sections as information on a digital map.

Die Aufgabe der Erfindung ist es daher, ein verbessertes oder zumindest ein alternatives Verfahren bereitzustellen, das ein Erzeugen einer spurgenauen Karte aus einer straßengenauen Karte ermöglicht.The object of the invention is therefore to provide an improved or at least an alternative method which enables a map with precise lanes to be generated from a street-precise map.

Diese Aufgabe wird erfindungsgemäß durch den Gegenstand des unabhängigen Anspruchs 1 gelöst. Vorteilhafte Ausführungsformen sind Gegenstand der abhängigen Ansprüche.According to the invention, this object is achieved by the subject matter of independent claim 1. Advantageous embodiments are the subject of the dependent claims.

Ein erfindungsgemäßes Verfahren ist zum Trainieren eines Machine-Learning-Modells anhand einer straßengenauen Karte und einer spurgenauen Trainingskarte vorgesehen. Die straßengenaue Karte umfasst dabei eine Straßengeometrie mit mehreren Attributen und mit mehreren Geometriepunkten und die spurgenaue Trainingskarte umfasst eine Trainingsspurgeometrie. Das Machine-Learning-Modell weist dabei eine mathematische Funktion mit wenigstens einem Parameter auf. In dem Verfahren lernt das Machine-Learning-Modell in einer Trainingsphase den wenigstens einen Parameter aus der Straßengeometrie und aus der wenigstens einen Trainingsspurgeometrie. Nach der Trainingsphase erzeugt das Machine-Learning-Modell für die straßengenaue Karte wenigstens eine Spurgeometrie, die die Trainingsspurgeometrie der spurgenauen Trainingskarte approximiert, durch ein Abändern von den Geometriepunkten der Straßengeometrie basierend auf dem wenigstens einen gelernten bzw. erfassten Parameter.A method according to the invention is provided for training a machine learning model on the basis of a street-precise map and a track-precise training map. The road-accurate map includes a road geometry with several attributes and with several geometry points and the lane-accurate training map includes a training lane geometry. The machine learning model has a mathematical function with at least one parameter. In the method, the machine learning model learns the at least one parameter from the road geometry and from the at least one training lane geometry in a training phase. After the training phase, the machine learning model generates at least one lane geometry for the road-accurate map, which approximates the training lane geometry of the precise-lane training map, by modifying the geometry points of the road geometry based on the at least one learned or detected parameter.

Die der Straßengeometrie zugeordneten Attribute bzw. Eigenschaften und die der Straßengeometrie zugeordneten Geometriepunkte sind dabei straßengenau. Die Attribute können vorteilhafterweise Anzahl der Spuren, Funktionsklasse der Straße - beispielweise Autobahn, Schnellstraße oder Hauptstraße - und gegebenenfalls weitere Eigenschaften sein. Die Geometriepunkte können vorteilhafterweise die geografische Breite (Latitude), die geografische Länge (Longitude) und die geografische Höhe (Height) umfassen.The attributes or properties assigned to the road geometry and the geometry points assigned to the road geometry are precise to the road. The attributes can advantageously be the number of lanes, functional class of the road - for example motorway, expressway or main road - and possibly other properties. The geometry points can advantageously include the geographical latitude (latitude), the geographical longitude (longitude) and the geographical height (height).

Vorteilhafterweise wird die straßengenaue Karte zusammen mit der vorhandenen Trainingskarte - beispielweise einer HD-Karte (HD: High Definition) - zum Trainieren des Machine-Learning-Modells in der Trainingsphase verwendet. Das Machine-Learning-Modell kann beispielweise ein Regressionsmodell oder ein neuronales Netz sein. Anhand der straßengenauen Karte und der spurgenauen Trainingskarte kann das Machine-Learning-Modell in der Trainingsphase den wenigstens einen Parameter lernen. Dazu werden mehrere Iterationen vorgenommen, in denen mehrere Spurgeometrien aus mehreren Stra-ßengeometrien erzeugt und mit den Trainingsspurgeometrien abgeglichen werden. Dadurch kann die mathematische Funktion des Machine-Learning-Modells in der Trainingsphase lernen, die Trainingsspurgeometrie möglichst genau zu approximieren. Die mathematische Funktion weist wenigstens einen Parameter, kann jedoch auch mehrere Parameter aufweisen. Basierend auf dem gelernten Parameter kann nun das Machine-Learning-Modell nach der Trainingsphase die wenigstens eine an die Trainingsspurgeometrie approximierte Spurgeometrie aus einer beliebigen weiteren Straßengeometrie der straßengenauen Karte erzeugen. Dabei können in dem Verfahren die Geometriepunkte der Straßengeometrie geändert werden, so dass die Straßengeometrie in eine Spurgeometrie oder in mehrere Spurgeometrien überführt bzw. transformiert wird. Die erzeugten Spurgeometrien sind dabei den Trainingsspurgeometrien aus der als das Trainingsziel vorgegebenen spurgenauen Trainingskarte möglichst angenähert. Dadurch können auch mit der straßengenauen Karte Funktionen des Kraftfahrzeugs, die die Spurgeometrie benötigen, realisiert werden.The road-specific map is advantageously used together with the existing training map - for example an HD (HD: High Definition) map - for training the machine learning model in the training phase. The machine learning model can be, for example, a regression model or a neural network. The machine learning model can learn the at least one parameter in the training phase on the basis of the road map and the precise training map. For this purpose, several iterations are carried out in which several lane geometries are generated from several road geometries and compared with the training lane geometries. As a result, the mathematical function of the machine learning model can learn in the training phase to approximate the training track geometry as precisely as possible. The mathematical function has at least one parameter, but can also have several parameters. Based on the learned parameter, the machine learning model can now generate, after the training phase, the at least one lane geometry approximated to the training lane geometry from any further road geometry on the road-precise map. In the process, the geometry points of the road geometry can be changed so that the road geometry is transferred or transformed into a lane geometry or into several lane geometries. The track geometries generated are as close as possible to the training track geometries from the track-precise training map specified as the training target. As a result, functions of the motor vehicle that require the lane geometry can also be implemented with the street-precise map.

Vorteilhafterweise kann vorgesehen sein, dass das Machine-Learning-Modell als den wenigstens einen Parameter einen lateralen Versatz der Straßengeometrie zu einem linken Straßenrand und/oder zu einem rechten Straßenrand lernt. Die Begriffe „links“ und „rechts“ können dabei auf die Fahrtrichtung im Rechtsverkehr oder im Linksverkehr bezogen sein. Vorteilhafterweise kann vorgesehen sein, dass das Machine-Learning-Modell als den wenigstens einen Parameter eine Anzahl von Spuren der Straßengeometrie lernt.It can advantageously be provided that the machine learning model learns as the at least one parameter a lateral offset of the road geometry with respect to a left side of the road and / or to a right side of the road. The terms “left” and “right” can refer to the Direction of travel in right-hand traffic or in left-hand traffic. It can advantageously be provided that the machine learning model learns a number of lanes of the road geometry as the at least one parameter.

Vorteilhafterweise kann beim Erzeugen der wenigstens einen Spurgeometrie die Straßengeometrie der straßengenauen Karte repliziert werden. Die Geometriepunkte der replizierten Straßengeometrie können dann basierend auf dem wenigstens einen gelernten Parameter abhängig von dem Versatz und/oder von der Anzahl der Spuren um eine Summe von Spurenbreiten zum linken Straßenrand oder zum rechten Straßenrand verschoben werden. Dadurch kann nun die wenigstens eine Spurgeometrie für die straßengenaue Karte erzeugt werden.The road geometry of the road-precise map can advantageously be replicated when generating the at least one lane geometry. The geometry points of the replicated road geometry can then be shifted based on the at least one learned parameter depending on the offset and / or on the number of lanes by a sum of lane widths to the left side of the road or to the right side of the road. As a result, the at least one lane geometry can now be generated for the street-precise map.

Vorteilhafterweise kann vorgesehen sein, dass die wenigstens eine Spurgeometrie von dem Machine-Learning-Modell offline erzeugt und die straßengenaue Karte mit der wenigstens einen erzeugten Spurgeometrie offline ergänzt wird. Vorteilhafterweise kann die wenigstens eine Spurgeometrie beim Erstellen der straßengenauen Karte erzeugt werden und in die straßengenaue Karte integriert werden. Dadurch ist nun die straßengenaue Karte an die spurgenaue Trainingskarte approximiert bzw. angenähert. Die straßengenaue Karte, die mit der wenigstens einen Spurgeometrie ergänzt ist, entspricht einer spurgenauen Karte.It can advantageously be provided that the at least one lane geometry is generated offline by the machine learning model and the street-precise map is supplemented offline with the at least one generated lane geometry. Advantageously, the at least one lane geometry can be generated when creating the street-precise map and can be integrated into the street-precise map. As a result, the street-accurate map is now approximated or approximated to the lane-accurate training map. The street-precise map, which is supplemented with the at least one lane geometry, corresponds to a precise-lane map.

Alternativ kann die straßengenaue Karte mit dem wenigstens einen gelernten Parameter ergänzt werden und die wenigstens eine Spurgeometrie für die straßengenaue Karte von dem Machine-Learning-Modell während der Fahrt erzeugt werden. Dadurch wird nun die straßengenaue Karte an die spurgenaue Trainingskarte während der Fahrt approximiert bzw. angenähert. Mit anderen Worten kann aus der straßengenauen Karte eine spurgenaue Karte während der Fahrt erzeugt werden. Hier kann der Speicherbedarf vorteilhafterweise reduziert werden, da in der straßengenauen Karte nur der wenigstens eine gelernte Parameter und nicht die wenigstens eine Spurgeometrie gespeichert wird. Es versteht sich, dass zum Berechnen der wenigstens einen Spurgeometrie während der Fahrt eine Rechenkapazität benötigt wird.Alternatively, the street-precise map can be supplemented with the at least one learned parameter and the at least one lane geometry for the street-precise map can be generated by the machine learning model while driving. As a result, the street-accurate map is now approximated or approximated to the lane-accurate training map while driving. In other words, a road-accurate map can be generated from the street-precise map while driving. The memory requirement can advantageously be reduced here, since only the at least one learned parameter and not the at least one lane geometry is stored in the street-precise map. It goes without saying that computing capacity is required to calculate the at least one lane geometry while driving.

Vorteilhafterweise kann vorgesehen sein, dass das Machine-Learning-Modell mit wenigstens einem handkodierten Vorbearbeitungsschritt und/oder mit wenigstens einem handkodierten Nachbearbeitungsschritt kombiniert wird. Der handkodierte Vorbearbeitungsschritt und/oder der handkodierte Nachbearbeitungsschritt können in dem Verfahren bei Bedarf ergänzt werden, um möglicherweise vorhandenen Schwachstellen des Machine-Learning-Modells zu eliminieren.It can advantageously be provided that the machine learning model is combined with at least one hand-coded preprocessing step and / or with at least one hand-coded post-processing step. The hand-coded preprocessing step and / or the hand-coded post-processing step can be added to the method if necessary in order to eliminate any weaknesses that may be present in the machine learning model.

Im Folgenden werden beispielhaft zwei mögliche Ansätze zum Ausführen des Verfahrens beschrieben. Es sind jedoch auch weitere Ansätze möglich. Ein Link bzw. die Straßengeometrie repräsentiert dabei in der straßengenauen Karte einen Straßenabschnitt mit einer variablen Länge. Der Link bzw. die Straßengeometrie umfasst dabei mit dem Straßenabschnitt assoziierte Geometriepunkte zum Modellieren des Straßenverlaufs und Attribute wie die Anzahl der Spuren in dem Straßenabschnitt, den Vorgänger-Link und den Nachfolger-Link. Der Link bzw. die Straßengeometrie kann dabei als Sequenz der Geometriepunkte modelliert werden, wobei die Geometriepunkte die geografische Breite (Latitude), die geografische Länge (Longitude) und die geografische Höhe (Height) umfassen können.Two possible approaches for carrying out the method are described below by way of example. However, other approaches are also possible. A link or the road geometry represents a road section with a variable length in the road map. The link or the road geometry includes geometry points associated with the road section for modeling the course of the road and attributes such as the number of lanes in the road section, the predecessor link and the successor link. The link or the road geometry can be modeled as a sequence of the geometry points, the geometry points being able to include the geographical latitude, the geographical longitude and the geographical height.

Vorteilhafterweise kann das Verfahren auf einer Link-Ebene bzw. auf einer Straßengeometrie-Ebene durchgeführt werden. Bei diesem Ansatz lernt das Machine Learning-Modell aus dem Link bzw. der Straßengeometrie für jede Spur den lateralen Versatz der Spur gegenüber dem eingangs vorgegeben Straßenverlauf. Basierend darauf können die Geometriepunkte des Links bzw. der Straßengeometrie verschoben und daraus die wenigstens eine Spurgeometrie erzeugt werden. Alternativ kann das Verfahren auf einer Geometriepunkt-Ebene durchgeführt werden. Bei diesem Ansatz lernt das Machine Learning-Modell für jeden Geometriepunkt des Links bzw. der Straßengeometrie einen zugehörigen Geometriepunkt für die wenigstens eine Spurgeometrie für jede zu dem Link bzw. zu der Straßengeometrie zugeordneten Spur.The method can advantageously be carried out on a link level or on a road geometry level. With this approach, the machine learning model learns from the link or the road geometry for each lane the lateral offset of the lane with respect to the course of the road specified at the beginning. Based on this, the geometry points of the link or the road geometry can be shifted and the at least one lane geometry can be generated therefrom. Alternatively, the method can be carried out on a geometry point level. With this approach, the machine learning model learns for each geometry point of the link or the road geometry an associated geometry point for the at least one lane geometry for each lane assigned to the link or to the road geometry.

Weitere wichtige Merkmale und Vorteile der Erfindung ergeben sich aus den Unteransprüchen, aus der Zeichnung und aus der zugehörigen Figurenbeschreibung anhand der Zeichnung.Further important features and advantages of the invention emerge from the subclaims, from the drawing and from the associated description of the figures based on the drawing.

Es versteht sich, dass die vorstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.It goes without saying that the features mentioned above and those yet to be explained below can be used not only in the respectively specified combination, but also in other combinations or on their own, without departing from the scope of the present invention.

Ein bevorzugtes Ausführungsbeispiel der Erfindung ist in der Zeichnung dargestellt und wird in der nachfolgenden Beschreibung näher erläutert.A preferred embodiment of the invention is shown in the drawing and is explained in more detail in the following description.

Die einzige 1 zeigt eine Draufsicht auf eine Straße 1. In 1 sind auf die Straße 1 zu Vergleichszwecken eine straßengenaue Karte 2, eine spurgenaue Trainingskarte 3 und eine in einem erfindungsgemäßen Verfahren erzeugte spurgenaue Karte 4 projiziert. Die straßengenaue Karte 2 ist mit einer dünnen gepunkteten Linie dargestellt. Die spurgenaue Trainingskarte 3 ist mit einer dünnen unterbrochenen Linie dargestellt. Die in dem erfindungsgemäßen Verfahren erzeugte spurgenaue Karte 4 ist mit einer dicken gepunkteten Linie gekennzeichnet. Die straßengenaue Karte 2 und die spurgenaue Trainingskarte 3 sind mit aus dem Stand der Technik bekannten Verfahren erzeugt. Die straßengenaue Karte 2 beinhaltet dabei eine Straßengeometrie 2a mit mehreren der Straßengeometrie 2a zugeordneten Attributen und mehreren der Straßengeometrie 2a zugeordneten Geometriepunkten. Die spurgenaue Trainingskarte 3 beinhaltet dabei Trainingsspurgeometrien 3a und 3b.The only 1 shows a plan view of a road 1 . In 1 are on the street 1 a street-precise map for comparison purposes 2 , a track-accurate training map 3 and one in one Method according to the invention generated track-accurate map 4th projected. The street-precise map 2 is shown with a thin dotted line. The track-accurate training card 3 is shown with a thin broken line. The track-accurate map generated in the method according to the invention 4th is marked with a thick dotted line. The street-precise map 2 and the track-accurate training map 3 are produced using methods known from the prior art. The street-precise map 2 includes a road geometry 2a with several of the road geometry 2a assigned attributes and several of the road geometry 2a assigned geometry points. The track-accurate training card 3 includes training track geometries 3a and 3b .

Das erfindungsgemäße Verfahren wird basierend auf der straßengenauen Karte 2 und der spurgenauen Trainingskarte 3 durchgeführt. Dabei lernt ein Machine-Learning-Modell in einer Trainingsphase für wenigstens einen Parameter aus der Straßengeometrie 2a und den Trainingsspurgeometrien 3a und 3b einen lateralen Versatz zu einem linken Straßenrand 5a und zu einem rechten Straßenrand 5b. Nach der Trainingsphase werden die Straßengeometrie 2a repliziert und aus der replizierten Straßengeometrie die Spurgeometrien 4a und 4b erzeugt. Dazu werden die Geometriepunkte der Straßengeometrie 2a abhängig von dem Versatz um eine Summe von Spurenbreiten zum linken Straßenrand 5a und zum rechten Straßenrand 5b verschoben. Das Verfahren wird also auf einer Link-Ebene bzw. auf einer Straßengeometrie-Ebene durchgeführt. Alternativ kann das Verfahren auf einer Geometriepunkt-Ebene durchgeführt werden. Hier erzeugt das Machine Learning-Modell für jeden Geometriepunkt der Straßengeometrie 2a einen zugehörigen Geometriepunkt für die Spurgeometrien 4a und 4b.The method according to the invention is based on the street-precise map 2 and the precise training map 3 carried out. A machine learning model learns in a training phase for at least one parameter from the road geometry 2a and the training track geometries 3a and 3b a lateral offset to a left roadside 5a and to a right side of the road 5b . After the training phase, the road geometry will be 2a replicated and the lane geometries from the replicated road geometry 4a and 4b generated. For this purpose, the geometry points of the road geometry 2a depending on the offset by a sum of lane widths to the left side of the road 5a and to the right side of the road 5b postponed. The method is therefore carried out on a link level or on a road geometry level. Alternatively, the method can be carried out on a geometry point level. Here the machine learning model generates for each geometry point of the road geometry 2a an associated geometry point for the track geometries 4a and 4b .

Die Spurgeometrien 4a und 4b können dabei nach der Trainingsphase offline erzeugt werden und die straßengenaue Karte 2 kann mit den erzeugten Spurgeometrien 4a und 4b zu der in dem Verfahren erzeugten spurgenauen Karte 4 ergänzt werden. Alternativ kann die straßengenaue Karte 2 mit dem gelernten Parameter ergänzt und die Spurgeometrien 4a und 4b und die spurgenaue Karte 4 während der Fahrt erzeugt werden.The track geometries 4a and 4b can be generated offline after the training phase and the street-specific map 2 can with the generated track geometries 4a and 4b to the track-precise map generated in the process 4th can be added. Alternatively, the street-specific map 2 supplemented with the learned parameter and the track geometries 4a and 4b and the precise map 4th generated while driving.

Wie aus 1 ersichtlich, unterscheidet sich die in dem erfindungsgemäßen Verfahren erzeugte spurgenaue Karte 4 nur unwesentlich von der spurgenauen Trainingskarte 3 aus dem Stand der Technik.How out 1 As can be seen, the track-accurate map generated in the method according to the invention differs 4th only insignificantly from the precise training map 3 from the state of the art.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

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.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent literature cited

  • DE 102018218043 A1 [0003]DE 102018218043 A1 [0003]

Claims (5)

Verfahren zum Trainieren eines Machine-Learning-Modells anhand einer straßengenauen Karte (2) und einer spurgenauen Trainingskarte (3), - wobei die straßengenaue Karte (2) eine Straßengeometrie (2a) mit mehreren Attributen und mit mehreren Geometriepunkten und die spurgenaue Trainingskarte (3) wenigstens eine Trainingsspurgeometrie (3a, 3b) umfasst, - wobei das Machine-Learning-Modell eine mathematische Funktion mit wenigstens einem Parameter aufweist, - wobei das Machine-Learning-Modell in einer Trainingsphase den wenigstens einen Parameter aus der Straßengeometrie (2a) und aus der Trainingsspurgeometrie (3a, 3b) lernt, und - wobei das Machine-Learning-Modell nach der Trainingsphase basierend auf dem wenigstens einen gelernten Parameter durch ein Abändern von den Geometriepunkten der Straßengeometrie (2a) wenigstens eine Spurgeometrie (4a, 4b), die die Trainingsspurgeometrie (3a, 3b) der spurgenauen Karte (3) approximiert, für die straßengenaue Karte (2) erzeugt.Method for training a machine learning model using a street-precise map (2) and a precise training map (3), - wherein the road-specific map (2) comprises a road geometry (2a) with several attributes and with several geometry points and the lane-precise training map (3) comprises at least one training lane geometry (3a, 3b), - wherein the machine learning model has a mathematical function with at least one parameter, - the machine learning model learning the at least one parameter from the road geometry (2a) and from the training lane geometry (3a, 3b) in a training phase, and - wherein the machine learning model after the training phase based on the at least one learned parameter by changing the geometry points of the road geometry (2a) at least one lane geometry (4a, 4b), which the training lane geometry (3a, 3b) of the lane-accurate map ( 3) approximated, generated for the street-precise map (2). Verfahren nach Anspruch 1, dadurch gekennzeichnet, - dass das Machine-Learning-Modell als den wenigstens einen Parameter einen lateralen Versatz der Straßengeometrie (2a) zu einem linken Straßenrand (5a) und/oder zu einem rechten Straßenrand (5b) lernt, und/oder - dass das Machine-Learning-Modell als den wenigstens einen Parameter eine Anzahl von Spuren der Straßengeometrie (2a) lernt.Procedure according to Claim 1 , characterized in - that the machine learning model learns as the at least one parameter a lateral offset of the road geometry (2a) to a left roadside (5a) and / or to a right roadside (5b), and / or - that the Machine learning model learns a number of lanes of the road geometry (2a) as the at least one parameter. Verfahren nach Anspruch 2, dadurch gekennzeichnet, - dass beim Erzeugen der wenigstens einen Spurgeometrie (4a, 4b) die Straßengeometrie (2a) der straßengenauen Karte (2) repliziert wird, und - dass die Geometriepunkte der replizierten Straßengeometrie (2a) basierend auf dem wenigstens einen gelernten Parameter abhängig von dem Versatz und/oder von der Anzahl der Spuren um eine Summe von Spurbreiten zum linken Straßenrand (5a) oder zum rechten Straßenrand (5b) verschoben und so die wenigstens eine Spurgeometrie (4a, 4b) für die straßengenaue Karte (2) erzeugt wird.Procedure according to Claim 2 , characterized in that, when generating the at least one lane geometry (4a, 4b), the road geometry (2a) of the road-specific map (2) is replicated, and - that the geometry points depend on the replicated road geometry (2a) based on the at least one learned parameter shifted from the offset and / or from the number of lanes by a sum of lane widths to the left roadside (5a) or to the right roadside (5b) and thus the at least one lane geometry (4a, 4b) is generated for the road map (2) . Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, - dass die wenigstens eine Spurgeometrie (4a, 4b) für die straßengenaue Karte (2) von dem Machine-Learning-Modell offline erzeugt und die straßengenaue Karte (2) mit der wenigstens einen erzeugten Spurgeometrie (4a, 4b) offline ergänzt wird, oder - dass die straßengenaue Karte (2) mit dem wenigstens einen gelernten Parameter ergänzt wird und die wenigstens eine Spurgeometrie (4a, 4b) basierend auf dem wenigstens einen gelernten Parameter von dem Machine-Learning-Modell während der Fahrt erzeugt wird.Method according to one of the preceding claims, characterized in that the at least one lane geometry (4a, 4b) for the street-precise map (2) is generated offline from the machine learning model and the street-precise map (2) with the at least one generated lane geometry (4a, 4b) is supplemented offline, or - that the road-specific map (2) is supplemented with the at least one learned parameter and the at least one lane geometry (4a, 4b) based on the at least one learned parameter from the machine learning model generated while driving. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass das Machine-Learning-Modell mit wenigstens einem handkodierten Vorbearbeitungsschritt und/oder mit wenigstens einem handkodierten Nachbearbeitungsschritt kombiniert wird.Method according to one of the preceding claims, characterized in that the machine learning model is combined with at least one hand-coded preprocessing step and / or with at least one hand-coded post-processing step.
DE102021003215.2A 2021-06-22 2021-06-22 Method for training a machine learning model Pending DE102021003215A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102021003215.2A DE102021003215A1 (en) 2021-06-22 2021-06-22 Method for training a machine learning model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021003215.2A DE102021003215A1 (en) 2021-06-22 2021-06-22 Method for training a machine learning model

Publications (1)

Publication Number Publication Date
DE102021003215A1 true DE102021003215A1 (en) 2021-09-09

Family

ID=77389014

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021003215.2A Pending DE102021003215A1 (en) 2021-06-22 2021-06-22 Method for training a machine learning model

Country Status (1)

Country Link
DE (1) DE102021003215A1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018218043A1 (en) 2018-10-22 2020-04-23 Robert Bosch Gmbh Determination of a number of lanes and lane markings on road sections

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018218043A1 (en) 2018-10-22 2020-04-23 Robert Bosch Gmbh Determination of a number of lanes and lane markings on road sections

Similar Documents

Publication Publication Date Title
DE102019211009B4 (en) Method and computer program for simulating an autonomous vehicle in a plurality of test cases
DE102018203583B4 (en) Method, driver assistance system and motor vehicle for the prediction of a position or a trajectory by means of a graph-based environment model
DE102015001247A1 (en) Method for providing information about at least one object in a surrounding area of a motor vehicle and system
DE102018117290A1 (en) Method for calibration and / or adjustment of at least one sensor unit of a vehicle
DE102020103906B4 (en) Method and processor circuit for updating a digital road map
DE102010001700A1 (en) Method for determination utilization of e.g. roads, for driver of vehicle, has repeating detection of utilization of route section and increase of degree of utilization of route section, where degree of utilization is increased again
DE102018218043A1 (en) Determination of a number of lanes and lane markings on road sections
DE102021003215A1 (en) Method for training a machine learning model
DE102016225631A1 (en) Method and device for removing at least one landmark position of a landmark in a radar map
DE102021006166A1 (en) Procedure for data transfer between two digital road maps
DE102021207528A1 (en) Detection of connection patterns based on trajectory data
DE102020213831B4 (en) Method for determining an existence probability of a possible element in an environment of a motor vehicle, driver assistance system and motor vehicle
DE102019215656B4 (en) Method for evaluating a selected route, route evaluation system and computer program
DE102017011982A1 (en) Method for route forecasting
DE112020006532T5 (en) COMPUTER SYSTEM AND METHOD WITH END-TO-END MODELING FOR A SIMULATED TRAFFIC AGENT IN A SIMULATION ENVIRONMENT
DE112020007765T5 (en) COMPUTER SYSTEM AND METHOD FOR TRAJECTORY PLANNING IN A SIMULATED ROAD DRIVING ENVIRONMENT
EP2087316A1 (en) Storage medium on which geographical data for a geographical area are stored in combined form as map units, method for generating a map from the geographical data, and navigation apparatus
DE102019216607A1 (en) Method and device for providing radar data
DE102021205896A1 (en) Computer-implemented method for determining at least one segment of a route, such a computer program product, such computer-readable data carrier and hardware module for determining at least one segment of a route
DE102017116351A1 (en) DYNAMIC LAYERS FOR NAVIGATION DATA BASKET SYSTEMS
DE102022207771A1 (en) Method and system for dynamically reducing the complexity of a 3D map
DE102016204912B3 (en) Method of processing geographic intersection data
DE102024000515A1 (en) Method for predicting agents participating in road traffic in an environment of an automated driving vehicle
DE102022113744A1 (en) Method for creating a data set
DE102021208830A1 (en) Method for predicting an ego lane for a vehicle

Legal Events

Date Code Title Description
R230 Request for early publication
R081 Change of applicant/patentee

Owner name: MERCEDES-BENZ GROUP AG, DE

Free format text: FORMER OWNER: DAIMLER AG, STUTTGART, DE