DE102021003215A1 - Method for training a machine learning model - Google Patents
Method for training a machine learning model Download PDFInfo
- 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
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
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
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
Das erfindungsgemäße Verfahren wird basierend auf der straßengenauen Karte
Die Spurgeometrien
Wie aus
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)
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)
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 |
-
2021
- 2021-06-22 DE DE102021003215.2A patent/DE102021003215A1/en active Pending
Patent Citations (1)
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 |