DE102022000238A1 - Verfahren zum Trainieren und Testen eines Algorithmus zur Prädiktion von Agenten in einer Fahrzeugumgebung - Google Patents
Verfahren zum Trainieren und Testen eines Algorithmus zur Prädiktion von Agenten in einer Fahrzeugumgebung Download PDFInfo
- Publication number
- DE102022000238A1 DE102022000238A1 DE102022000238.8A DE102022000238A DE102022000238A1 DE 102022000238 A1 DE102022000238 A1 DE 102022000238A1 DE 102022000238 A DE102022000238 A DE 102022000238A DE 102022000238 A1 DE102022000238 A1 DE 102022000238A1
- Authority
- DE
- Germany
- Prior art keywords
- trajectory
- autoencoder
- scenes
- scene
- searched
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Trainieren und Testen eines Algorithmus zur Prädiktion von Agenten in einer Fahrzeugumgebung, welches mittels eines maschinell trainierten Trajektorienautoencoders (1) durchgeführt wird. Dabei werden nach dem Training des Trajektorienautoencoders (1) zu einem Auffinden ähnlicher Szenen (S1 bis Sn) mittels des Trajektorienautoencoders (1) für einen gesamten nach ähnlichen Szenen (S1 bis Sm) zu durchsuchenden Datensatz (D) bestehend aus allen Szenen (S1 bis Sn), latente Repräsentationen (R1 bis Rn) erzeugt. Weiterhin wird eine zu suchende Szene (S), für welche ähnliche Szenen (S1 bis Sm) im Datensatz (D) gefunden werden sollen, codiert und für die zu suchende Szene (S) wird eine latente Repräsentation (R) gebildet. Mittels einer Ähnlichkeitsmetrik (3) wird die latente Repräsentation (R) der zu suchenden Szene (S) mit allen anderen latenten Repräsentationen (R1 bis Rn) im Datensatz (D) verglichen und ähnliche Szenen (S1 bis Sm) werden gesucht. Mittels des trainierten Trajektorienautoencoders (1) und gefundenen ähnlichen Szenen (S1 bis Sm) wird ein bestehender Trajektorienprädiktionsalgorithmus trainiert, nachtrainiert und/oder getestet.
Description
- Die Erfindung betrifft ein Verfahren zum Trainieren und Testen eines Algorithmus zur Prädiktion von Agenten in einer Fahrzeugumgebung gemäß dem Oberbegriff des Anspruchs 1.
- Aus der
EP 3 663 965 A1 ist ein computerimplementiertes Verfahren bekannt, umfassend eine Betriebsphase und umfassend die Schritte: - - Empfangen eines oder mehrerer multimodaler Videoframes von mehreren Modalitäten einer Fahrzeugumgebung, die gegenwärtigen und vergangenen Zeitstempeln entsprechen;
- - Kodieren in eine latente Darstellung, wobei die Multimodalitäts-Videoframes durch ein räumlich-zeitliches Codierungs-Faltungs-Neuralnetzwerk codiert werden;
- - Kombinieren zu einer zusammengesetzten Darstellung, wobei die latente Darstellung mit codierten Konditionierungsparametern entsprechend Zeitstempeln am gewünschten zukünftigen Zeithorizont entspricht; und
- - Vorhersagen mehrerer zukünftiger multimodaler Videoframes entsprechend mehreren zukünftigen Modi eines multimodalen zukünftigen Lösungsraums mit zugeordneten Likelihood-Koeffizienten mittels eines generativen neuronalen Faltungsnetzwerks, welches zuvor in einem mittels eines generativen faltenden neuronalen Netzwerks durchgeführten Trainings trainiert wurde.
- Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zur Prädiktion von Agenten in einer Fahrzeugumgebung anzugeben.
- Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren welches die im Anspruch 1 angegebenen Merkmale aufweist.
- Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
- In einem Verfahren zum Trainieren und Testen eines Algorithmus zur Prädiktion von Agenten in einer Fahrzeugumgebung wird die Prädiktion mittels eines maschinell trainierten Trajektorienautoencoders durchgeführt.
- Erfindungsgemäß lernt der Trajektorienautoencoder in dem Training, bei einer gegebenen Szene, deren unstrukturierte Datenmenge eine Trajektorie eines relevanten Agenten, Trajektorien umliegender Agenten, Interaktionen zwischen diesen Agenten und semantische Informationen umfasst, die Trajektorie des relevanten Agenten zu rekonstruieren. Dabei wird der Trajektorienautoencoder auf allen verfügbaren Daten trainiert. Weiterhin lernt der Trajektorienautoencoder, die unstrukturierte Datenmenge der Szene in eine informationshaltige strukturierte und latente Repräsentation zu codieren. Nach dem Training des Trajektorienautoencoders werden zu einem Auffinden ähnlicher Szenen mittels des Trajektorienautoencoders für einen gesamten nach ähnlichen Szenen zu durchsuchenden Datensatz, bestehend aus allen Szenen, latente Repräsentationen erzeugt. Weiterhin wird eine zu suchende Szene, für welche ähnliche Szenen im Datensatz gefunden werden sollen, codiert und für die zu suchende Szene wird latente Repräsentation gebildet. Mittels einer Ähnlichkeitsmetrik wird die latente Repräsentation der zu suchenden Szene mit allen anderen latenten Repräsentationen im Datensatz verglichen und es werden ähnliche Szenen gesucht. Wie folgend beschrieben kann das Auffinden ähnlicher Szenen in einem Datensatz vorteilhaft zum Trainieren, Nachtrainieren und Testen eines Trajektorienprädiktionsalgorithmus eingesetzt werden.
- Eine Prädiktion von am Verkehr teilnehmenden, umliegenden Agenten ist eine essenzielle Voraussetzung zur Durchführung eines automatisierten, insbesondere hochautomatisierten oder autonomen Fahrbetriebs von Fahrzeugen. Besonders Algorithmen, welche auf Methoden des maschinellen Lernens basieren, haben sich für diese, als Trajektorienprädiktion bezeichnete Aufgabe als performant herausgestellt.
- Eine Herausforderung lernbasierter Trajektorienprädiktionsalgorithmen ist eine Abdeckung so genannter Corner-Cases, also Szenen, die einen bestimmten und raren Zusammenhang besitzen, beispielsweise wenn ein Fahrzeug entgegen einer vorgeschriebenen Fahrtrichtung in einer Einbahnstraße fährt. Sind diese Corner-Cases nicht in ausreichender Menge im Datensatz vorhanden, besteht die Gefahr, dass ein gelerntes Modell auf den restlichen Datensatz generalisiert und die Corner-Cases nicht zufriedenstellend abdeckt.
- Bei einer beliebigen Szene, zum Beispiel einem speziellen Corner-Case, kann es demnach nützlich sein, in seinem Datensatz ähnliche Szenen zu finden, um beliebige Trajektorienprädiktionsalgorithmen auf diesen ähnlichen Szenen gewichtet zu trainieren oder umfangreich testen.
- Das zuvor Genannte trifft jedoch auch für allgemeine Szenen, wie beispielsweise Rechtsabbiegevorgänge, zu.
- Szenen sind dabei hochgradig unstrukturierte Daten, bestehend aus einer Trajektorie eines relevanten Agenten, also des Agenten, der beispielsweise den Corner-Case auslöst oder rechts abbiegt, Trajektorien umliegender weiterer Agenten, mit welchen der relevante Agent in einer Szene interagiert, und unterliegenden semantischen Informationen, wie beispielsweise eine Anordnung von Straßentopologien oder eine Position von Fußgängerüberwegen und Verkehrsampeln.
- Eine Ähnlichkeit von Szenen hängt dabei allerdings nicht von einer Ähnlichkeit von Koordinaten des relevanten Agenten, beispielsweise einem Auffinden gleicher Kreuzung mit gleichen Koordinaten, ab, sondern von einer gesamten Datenmenge der Szene. Hierzu gehören die Trajektorie des relevanten Agenten, die Trajektorien umliegender Agenten, Interaktionen zwischen diesen Agenten und die semantischen Informationen, welche beispielsweise durch eine hochauflösende Karte gegeben sind.
- Mittels des vorliegenden Verfahrens ist es in besonders vorteilhafter Weise möglich, ähnliche Szenen unter Berücksichtigung der zuvor genannten unstrukturierten Informationen aufzufinden. Dabei bezieht das Verfahren eine gesamte Szene mit ihren hochgradig unstrukturierten Daten ganzheitlich in eine Auswahl ähnlicher Szenen mit ein. Dadurch können auch besonders große Datensätze für das Training von Trajektorienprädiktionsalgorithmen nach ähnlichen Szenen durchsucht werden. Auch ermöglicht das Verfahren ein Nachtrainieren und ein ausführliches Testen von Trajektorienprädiktionsalgorithmen mit ähnlichen und eventuell kritischen Szenen.
- Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.
- Dabei zeigen:
-
1 schematisch einen Ablauf eines Verfahrens zur Prädiktion von Agenten in einer Fahrzeugumgebung, -
2 schematisch ein Training eines Trajektorienautoencoders und -
3 schematisch ein Auffinden ähnlicher Szenen. - Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
- In
1 ist ein Ablauf eines möglichen Ausführungsbeispiels eines Verfahrens zur Prädiktion von Agenten in einer Fahrzeugumgebung dargestellt. - In einem ersten Verfahrensschritt V1 wird ein Training eines in den
1 und2 näher dargestellten Trajektorienautoencoders 1 durchgeführt. - In einem zweiten Verfahrensschritt V2 wird in Abhängigkeit einer gegebenen zu suchenden Szene°S mittels des trainierten Trajektorienautoencoders 1 zumindest ein ebenfalls in
3 näher dargestellter Datensatz D nach ähnlichen Szenen S1 bis Sn durchsucht. Die Szenen S1 bis Sn sind in3 näher dargestellt. Über eine Ähnlichkeitsmektrik in einem latenten Repräsentationsraum werden ähnliche Szenen°S1 bis°Sm identifiziert - In einem dritten Verfahrensschritt V3 wird mittels der identifizierten Szenen°S1 bis°Sm ein Trajektorienprädiktionsalgorithmus trainiert, nachtrainiert oder getestet.
-
2 zeigt ein mögliches Ausführungsbeispiel eines Trainings des Trajektorienautoencoders 1. - In diesem Training lernt der Trajektorienautoencoder 1, bei einer gegebenen Szene S, aus der Menge aller Szenen S1 bis Sn im Datensatz D, deren unstrukturierte Datenmenge eine Trajektorie T1 eines relevanten Agenten, beispielsweise eines Fahrzeugs, Trajektorien T2 bis Tx umliegender Agenten, beispielsweise weiterer Fahrzeuge, Interaktionen zwischen diesen Agenten und semantische Informationen umfasst, die Trajektorie T1 des relevanten Agenten zu rekonstruieren. Die semantischen Informationen sind dabei durch eine hochauflösende Karte 2 gegeben. Der Trajektorienautoencoder 1 wird dabei auf allen verfügbaren Daten trainiert. Dabei lernt der Trajektorienautoencoder 1, die unstrukturierte Datenmenge der Szene S, S1 bis Sn in eine informationshaltige strukturierte und latente, und somit nicht interpretierbare Repräsentation R, R1 bis Rn zu codieren.
- Dabei werden die Daten einem Encoder 1.1 des Trajektorienautoencoders 1 zugeführt, welcher aus den Daten die latente Repräsentation R, R1 bis Rn der Szene S, S1 bis Sn für eine Rekonstruktion der Trajektorie T des relevanten Agenten erzeugt. Diese Repräsentation R, R1 bis Rn wird einem Decoder 1.2 des Trajektorienautoencoders 1 zugeführt, welcher aus der Repräsentation R, R1 bis Rn eine rekonstruierte Trajektorie T1' des relevanten Agenten erzeugt.
- Als Trajektorienautoencoder 1 kann dabei ein beliebiger, bereits vorhandener Trajektorienprädiktionsalgorithmus verwendet werden. Dieser wird so angepasst, dass er die Rekonstruktionsaufgabe und nicht mehr die Prädiktionsaufgabe des relevanten Agenten übernimmt. Ein solcher als LaneCGN bezeichneter Trajektorienprädiktionsalgorithmus ist beispielsweise aus „Ming Liang, et. al: Learning Lane Graph Representations for Motion Forecasting; https://arxiv.org/abs/2007.13732“ bekannt. Ein weiterer, als Trajectron++ bezeichneter Trajektorienprädiktionsalgorithmus ist beispielsweise aus „Tim Salzmann, et. al: Trajectron++: Dynamically-Feasible Trajectory Forecasting With Heterogeneous Data; https://arxiv.org/abs/2001.03093“ bekannt. Ein weiterer, als MTP bezeichneter Trajektorienprädiktionsalgorithmus ist beispielsweise aus „Henggang Cui, et. al: Multimodal Trajectory Predictions for Autonomous Driving using Deep Convolutional Networks; https://arxiv.org/abs/1809.10732“ bekannt.
- In
3 ist ein mögliches Ausführungsbeispiel eines Auffindens ähnlicher Szenen S1 bis Sm mittels des gemäß2 trainierten Trajektorienautoencoders 1 dargestellt. - Nach dem Training des Trajektorienautoencoders 1 werden zu einem Auffinden ähnlicher Szenen S1 bis Sm zu einer zu suchenden Szene S mittels des Trajektorienautoencoders 1 für den gesamten nach ähnlichen Szenen S1 bis Sm zu durchsuchenden Datensatz D, bestehend aus der Gesamtheit aller Szenen°S1°bis°Sn, latente Repräsentationen R1 bis Rn erzeugt. Der Decoder 1.2 ist hierfür nicht mehr erforderlich.
- Weiterhin wird die zu suchende Szene S, für welche die ähnlichen Szenen S1 bis Sm im Datensatz D gefunden werden sollen, codiert und es wird für die zu suchende Szene S eine latente Repräsentation R gebildet. Der Decoder 1.2 ist hierfür nicht mehr erforderlich.
- Mittels einer Ähnlichkeitsmetrik 3 wird die latente Repräsentation R der zu suchenden Szene S mit allen anderen latenten Repräsentationen R1 bis Rn im Datensatz D verglichen und ähnliche Szenen S1 bis°Sm werden gesucht. Der Vergleich kann dabei beispielsweise über eine so genannte Kosinus-Ähnlichkeit erfolgen. Auf Basis der Ähnlichkeitsmetrik 3 können hierdurch ähnliche Szenen S1 bis Sm im latenten Raum gefunden werden.
- Im Folgenden wird an einem Beispiel erläutert, welche Vorteile die Einbeziehung der aus der durch die hochauflösende Karte 2 gegebenen semantischen Informationen bei dem Training und bei der Anwendung des Trajektorienautoencoders 1 bewirkt.
- Beispielsweise zeichnet sich eine kritische Szene S mit einem Fußgängerüberweg dadurch aus, dass der relevante Agent, in diesem Fall ein Fahrzeug, rechts abbiegt. Mittels einer solchen Szene S wurde der Trajektorienautoencoder 1 trainiert. Zu dieser Szene S sollen ähnliche Szenen S1 bis Sm gefunden werden. Bekannte Ansätze würden eine Ähnlichkeit lediglich an der Trajektorie T1 des relevanten Agenten festmachen und somit ähnliche Rechtsabbiegevorgänge als Ergebnis liefern. Das vorliegende Verfahren berücksichtigt jedoch auch die semantischen Informationen der hochauflösenden Karte 2, so dass in vorteilhafter Weise Szenen S1 bis Sn mit Rechtsabbiegevorgängen und einem Fußgängerüberweg als ähnliche Ergebnisse geliefert werden. Es können somit deutlich detailliertere und passendere ähnliche Sznearien aufgefunden werden und für das anschließende Trainieren, Nachtrainieren oder Testen eines Trajektorienprädiktionsalgorithmus verwendet werden.
- ZITATE ENTHALTEN IN DER BESCHREIBUNG
- Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
- Zitierte Patentliteratur
-
- EP 3663965 A1 [0002]
Claims (1)
- Verfahren zum Trainieren und Testen eines Algorithmus zur Prädiktion von Agenten in einer Fahrzeugumgebung, welche mittels eines maschinell trainierten Trajektorienautoencoders (1) durchgeführt wird, dadurch gekennzeichnet, dass in dem Training des Trajektorienautoencoders (1) der Trajektorienautoencoder (1) - lernt, bei einer gegebenen Szene (S, S1 bis Sn), deren unstrukturierte Datenmenge eine Trajektorie (T1) eines relevanten Agenten, Trajektorien (T2 bis x) umliegender Agenten, Interaktionen zwischen diesen Agenten und semantische Informationen umfasst, die Trajektorie (T1) des relevanten Agenten zu rekonstruieren, - auf allen verfügbaren Daten trainiert wird und - lernt, die unstrukturierte Datenmenge der Szene in eine informationshaltige strukturierte und latente Repräsentation (R, R1 bis Rn) zu codieren, und nach dem Training des Trajektorienautoencoders (1) zu einem Auffinden ähnlicher Szenen (S1 bis Sm) - mittels des Trajektorienautoencoders (1) für einen gesamten nach ähnlichen Szenen (S1 bis Sm) zu durchsuchenden Datensatz (D) bestehend aus allen Szenen (S1 bis Sn), latente Repräsentationen (R1 bis Rn) erzeugt werden, - eine zu suchende Szene (S), für welche ähnliche Szenen (S1 bis Sm) im Datensatz (D) gefunden werden sollen, codiert wird und für die zu suchende Szene (S) eine latente Repräsentation (R) gebildet wird, und - mittels einer Ähnlichkeitsmetrik (3) die latente Repräsentation (R) der zu suchenden Szene (S) mit allen anderen latenten Repräsentationen (R1 bis Rn) im Datensatz (D) verglichen wird und ähnliche Szenen (S1 bis Sm) gesucht werden, und mittels des trainierten Trajektorienautoencoders (1) und gefundenen ähnlichen Szenen (S1 bis Sm) ein Trajektorienprädiktionsalgorithmus traininert, nachtrainiert und/oder getestet wird.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022000238.8A DE102022000238A1 (de) | 2022-01-24 | 2022-01-24 | Verfahren zum Trainieren und Testen eines Algorithmus zur Prädiktion von Agenten in einer Fahrzeugumgebung |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022000238.8A DE102022000238A1 (de) | 2022-01-24 | 2022-01-24 | Verfahren zum Trainieren und Testen eines Algorithmus zur Prädiktion von Agenten in einer Fahrzeugumgebung |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102022000238A1 true DE102022000238A1 (de) | 2022-03-10 |
DE102022000238A8 DE102022000238A8 (de) | 2022-05-12 |
Family
ID=80266966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022000238.8A Pending DE102022000238A1 (de) | 2022-01-24 | 2022-01-24 | Verfahren zum Trainieren und Testen eines Algorithmus zur Prädiktion von Agenten in einer Fahrzeugumgebung |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022000238A1 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022214233B3 (de) | 2022-12-21 | 2024-02-08 | Continental Automotive Technologies GmbH | Bestimmen einer Ähnlichkeit von Verkehrsszenen zur Verbesserung maschineller Lernsysteme bzw. Algorithmen zur Trajektorienprädiktion oder Manöverplanung für automatisierte Fahrzeuge |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3663965A1 (de) | 2018-12-05 | 2020-06-10 | IMRA Europe S.A.S. | Verfahren zur vorhersage mehrerer futures |
-
2022
- 2022-01-24 DE DE102022000238.8A patent/DE102022000238A1/de active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3663965A1 (de) | 2018-12-05 | 2020-06-10 | IMRA Europe S.A.S. | Verfahren zur vorhersage mehrerer futures |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022214233B3 (de) | 2022-12-21 | 2024-02-08 | Continental Automotive Technologies GmbH | Bestimmen einer Ähnlichkeit von Verkehrsszenen zur Verbesserung maschineller Lernsysteme bzw. Algorithmen zur Trajektorienprädiktion oder Manöverplanung für automatisierte Fahrzeuge |
Also Published As
Publication number | Publication date |
---|---|
DE102022000238A8 (de) | 2022-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE202017007520U1 (de) | Bewegungskompensation durch maschinelles Lernen | |
EP3948688A1 (de) | Training für künstliche neuronale netzwerke mit besserer ausnutzung der lern-datensätze | |
DE102022000238A1 (de) | Verfahren zum Trainieren und Testen eines Algorithmus zur Prädiktion von Agenten in einer Fahrzeugumgebung | |
EP3782081B1 (de) | Verfahren zur erzeugung eines testdatensatzes, verfahren zum testen, verfahren zum betreiben eines systems, vorrichtung, steuerungssystem, computerprogrammprodukt, computerlesbares medium, erzeugung und verwendung | |
DE102022003079A1 (de) | Verfahren zu einer automatisierten Generierung von Daten für rasterkartenbasierte Prädiktionsansätze | |
DE102017208994A1 (de) | Verfahren zur Ermittlung von Ergebnisbilddaten | |
DE102023001698A1 (de) | Verfahren zu einer automatisierten Generierung von Daten für rasterkartenbasierte Prädiktionsansätze | |
DE102021005625B3 (de) | Verfahren zur Trajektorienprädiktion und Verfahren zum automatisierten Betrieb eines Fahrzeugs | |
DE102021200643B3 (de) | Verfahren zur Umfelderkennung für teilautonome oder autonome Fahrfunktionen eines Kraftfahrzeugs mittels eines neuronalen Netzes | |
EP3576013A1 (de) | Abschätzen eines verlaufs eines schienenpfads | |
EP4115337A1 (de) | Verfahren und vorrichtung zum komprimieren eines neuronalen netzes | |
DE102020005474A1 (de) | Verfahren zur Datenverarbeitung von Daten in einem Fahrzeug mittels eines Kontext-Management-Systems, sowie Datenverarbeitungssystem | |
EP0802678A2 (de) | Verfahren zur fraktalen Bildkodierung | |
DE102020208620A1 (de) | Verfahren und Vorrichtung zum Betreiben eines streckengebundenen Transportsystems mithilfe von Methoden künstlicher Intelligenz | |
EP0677835A2 (de) | Verfahren zum Ermitteln einer Folge von Wörtern | |
DE102023001646A1 (de) | Verfahren zu einer szenenkonsistenten Belegungsprädiktion mittels Rasterkarten | |
EP0346751B1 (de) | Anordnung zur DPCM-Codierung von Fernsehsignalen | |
DE102022001208A1 (de) | Verfahren zur Prädiktion von Trajektorien von Objekten | |
DE102022001207A1 (de) | Verfahren zur Prädiktion von Trajektorien von Objekten | |
DE102022212154A1 (de) | Trainieren eines maschinell lernenden Systems zur Bildsynthese auf Objektebene mit Konditionierung mit gelabelten Schlitzen | |
DE102018219996A1 (de) | Trainingsverfahren für ein neuronales Netzwerk mit reduzierter Laufzeit | |
DE102022002324A1 (de) | Computer-implementiertes Verfahren zum semantischen Segmentieren und computer-implementiertes Verfahren zum Trainieren eines computer-implementierten Algorithmus zur Bestimmung einer Szenensegmentierung | |
DE102020203196A1 (de) | Computerimplementiertes Verfahren zur Ermittlung eines Datensatzes zum Trainieren und/oder zur Überprüfung der Performanz eines Klassifikators | |
DE102021110083A1 (de) | Trainieren eines künstlichen neuronalen Netzwerks zum Testen einer automatischen Fahrfunktion eines Fahrzeugs | |
DE102022110782A1 (de) | Konvertierungsvorrichtung und Verfahren und Computerprogramm zum Konvertieren von Modellen des Maschinellen Lernens sowie System zum Trainieren und Betreiben der Modelle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R230 | Request for early publication | ||
R083 | Amendment of/additions to inventor(s) | ||
R081 | Change of applicant/patentee |
Owner name: MERCEDES-BENZ GROUP AG, DE Free format text: FORMER OWNER: DAIMLER AG, STUTTGART, DE |