DE102022003079A1 - Method for an automated generation of data for raster map-based prediction approaches - Google Patents
Method for an automated generation of data for raster map-based prediction approaches Download PDFInfo
- Publication number
- DE102022003079A1 DE102022003079A1 DE102022003079.9A DE102022003079A DE102022003079A1 DE 102022003079 A1 DE102022003079 A1 DE 102022003079A1 DE 102022003079 A DE102022003079 A DE 102022003079A DE 102022003079 A1 DE102022003079 A1 DE 102022003079A1
- Authority
- DE
- Germany
- Prior art keywords
- text
- raster
- raster map
- map
- data
- 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.)
- Ceased
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013459 approach Methods 0.000 title claims abstract description 13
- 238000002372 labelling Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 description 4
- 244000025272 Persea americana Species 0.000 description 2
- 235000008673 Persea americana Nutrition 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zu einer automatisierten Generierung von Daten für rasterkartenbasierte Prädiktionsansätze. Erfindungsgemäß wird ein Text-Rasterkarten-Paare aufweisender gelabelter Datensatz erstellt, wobei hierbei Szenarien eines bestehenden Datensatzes, welche historische Eingabedaten und zukunftsbezogene Ausgabedaten aufweisen, in zumindest eine Rasterkarte überführt werden und für jede Rasterkarte eine das entsprechende Szenario beschreibende Textbeschreibung erstellt wird. Weiterhin wird mittels zumindest eines Text-zu-Bild-Modells ein Text-zu-Raster-Modell erstellt. Das Text-zu-Raster-Modell wird auf den Text-Rasterkarten-Paaren des Datensatzes trainiert, wobei mittels des trainierten Text-zu-Raster-Modells durch Texteingaben Szenarien in Form von Rasterkarten generiert werden.The invention relates to a method for automated generation of data for raster map-based prediction approaches. According to the invention, a labeled data set containing pairs of text and raster maps is created, whereby scenarios of an existing data set, which have historical input data and future-related output data, are transferred to at least one raster map and a text description describing the corresponding scenario is created for each raster map. Furthermore, a text-to-raster model is created using at least one text-to-image model. The text-to-raster model is trained on the text-raster map pairs of the dataset, with the trained text-to-raster model generating scenarios in the form of raster maps through text input.
Description
Die Erfindung betrifft ein Verfahren zu einer automatisierten Generierung von Daten für rasterkartenbasierte Prädiktionsansätze.The invention relates to a method for automated generation of data for raster map-based prediction approaches.
Eine Prädiktion von Verkehrsteilnehmern, beispielsweise Fahrzeugen, bildet einen essenziellen Bestandteil zum Betrieb automatisiert, insbesondere hochautomatisiert oder autonom fahrender Fahrzeuge. Eine zuverlässige und sichere Bewegungsplanung ist nur dann möglich, wenn auch diese Prädiktion von hoher Qualität ist.A prediction of road users, for example vehicles, forms an essential component for the operation of automated, in particular highly automated or autonomously driving vehicles. Reliable and secure movement planning is only possible if this prediction is also of high quality.
In diesem Zusammenhang sind lernbasierte Methoden zu einer Trajektorienprädiktion bekannt, bei denen eine Qualität der Ergebnisse stark vom jeweils zugrundeliegenden Datensatz abhängt. Ein maßgeblicher Einflussfaktor des Datensatzes auf eine Güte der jeweiligen Prädiktion ist die Diversität oder Szenarienverteilung des Datensatzes. Besteht dieser beispielsweise nur aus Szenarien, in denen ein Spurfolgemanöver prädiziert werden soll, kann keine hohe Prädiktionsgüte für Abbiegevorgänge erreicht werden. Zusätzlich fehlen in realen Datensätzen häufig kritische Szenarien, wie beispielsweise Beinaheunfälle oder Unfälle.In this context, learning-based methods for trajectory prediction are known, in which the quality of the results depends heavily on the respective underlying data set. A significant influencing factor of the data set on the quality of the respective prediction is the diversity or scenario distribution of the data set. For example, if this only consists of scenarios in which a lane following maneuver is to be predicted, a high prediction quality for turning maneuvers cannot be achieved. In addition, critical scenarios such as near misses or accidents are often missing from real data sets.
Aus diesem Grund existieren Verfahren, mit welchen automatisiert und gezielt bestimmte Szenarien generiert werden können. Diese Szenarien können beispielsweise dazu genutzt werden, um bestehende Datensätze zu erweitern, beispielsweise um Verteilungen der Szenarien besser auszugleichen oder kritische Szenarien hinzuzufügen. Auch ist es bekannt, rein automatisiert Datensätze zu erstellen.For this reason, there are methods with which certain scenarios can be generated automatically and in a targeted manner. These scenarios can be used, for example, to expand existing data sets, for example to better balance the distributions of the scenarios or to add critical scenarios. It is also known to create data sets in a purely automated manner.
Aus dem Stand der Technik sind rasterkartenbasierte Prädiktionsansätze bekannt, bei welchen eine Umgebung in einer Rasterkarte aus einer Vogelperspektive dargestellt wird. Raster map-based prediction approaches are known from the prior art, in which an environment is represented in a raster map from a bird's eye view.
Teil der Umgebung können sowohl der zu prädizierende Verkehrsteilnehmer, umliegende von der Perzeption erkannte Verkehrsteilnehmer, rohe Sensordaten und Karteninformationen, beispielsweise einer HD-Karte, wie zum Beispiel Straßengeometrien, sein. Eingabedaten für rasterkartenbasierte Prädiktionsansätze bilden somit eine Rasterkarte der Umgebung.Part of the environment can be both the road user to be predicted, surrounding road users recognized by the perception, raw sensor data and map information, for example an HD map, such as road geometries. Input data for raster map-based prediction approaches thus form a raster map of the environment.
In „Kamenev, A. et al. PredictionNet: Real-Time Joint Probabilistic Traffic Prediction for Planning, Control, and Simulation; arXiv:2109.11094“ ist ein Verfahren zur Vorhersage einer zukünftigen Bewegung von Verkehrsteilnehmern, auch als Agenten bezeichnet, in einer Fahrzeugumgebung beschrieben. Hierbei wird ein tiefes künstliches neuronales Netzwerk verwendet, welches eine Bewegung aller umliegenden Verkehrsteilnehmer zusammen mit einer Bewegung eines Ego-Fahrzeugs vorhersagt. Alle Vorhersagen sind probabilistisch und werden in einer einfachen Top-Down-Rasterung dargestellt, die eine beliebige Anzahl von Agenten zulässt. Aufbereitet auf einer mehrschichtigen Karte mit Fahrspurinformationen gibt das Netzwerk zukünftige Positionen, Geschwindigkeiten und Rückverfolgungsvektoren gemeinsam für alle Agenten einschließlich des Ego-Fahrzeugs in einem einzigen Durchgang aus. Trajektorien werden dann aus dieser Ausgabe extrahiert. Weiterhin werden durch eine Erweiterung des Netzwerks mit einem so genannten Reinforcement Learning Ereignisse, wie aggressive Manöver und Unfälle, gehandhabt.In “Kamenev, A. et al. PredictionNet: Real-Time Joint Probabilistic Traffic Prediction for Planning, Control, and Simulation; arXiv:2109.11094" describes a method for predicting a future movement of road users, also referred to as agents, in a vehicle environment. A deep artificial neural network is used here, which predicts a movement of all surrounding road users together with a movement of an ego vehicle. All predictions are probabilistic and presented in a simple top-down grid that allows for any number of agents. Rendered on a multi-layered map with lane information, the network outputs future positions, velocities and tracking vectors together for all agents including the ego vehicle in a single pass. Trajectories are then extracted from this output. Furthermore, by expanding the network with so-called reinforcement learning, events such as aggressive maneuvers and accidents are handled.
Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zu einer automatisierten Generierung von Daten für rasterkartenbasierte Prädiktionsansätze anzugeben.The invention is based on the object of specifying a novel method for automated generation of data for raster map-based prediction approaches.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren, welches die im Anspruch 1 angegebenen Merkmale aufweist.The object is achieved according to the invention by a method which has the features specified in claim 1.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.Advantageous configurations of the invention are the subject matter of the dependent claims.
In dem Verfahren zu einer automatisierten Generierung von Daten für rasterkartenbasierte Prädiktionsansätze wird erfindungsgemäß ein Text-Rasterkarten-Paare aufweisender gelabelter Datensatz erstellt, wobei hierbei Szenarien eines bestehenden Datensatzes, welche historische Eingabedaten und zukunftsbezogene Ausgabedaten aufweisen, in zumindest eine Rasterkarte überführt werden und für jede Rasterkarte eine das entsprechende Szenario beschreibende Textbeschreibung erstellt wird. Weiterhin wird mittels zumindest eines Text-zu-Bild-Modells ein Text-zu-Raster-Modell erstellt. Insbesondere bedeutet dies, dass das Text-zu-Raster-Modell zum Beispiel die gleiche Modellarchitektur hat bzw. das Prinzip darauf basiert. Das Text-zu-Raster-Modell wird auf den Text-Rasterkarten-Paaren des Datensatzes trainiert, wobei mittels des trainierten Text-zu-Raster-Modells durch Texteingaben Szenarien in Form von Rasterkarten generiert werden.In the method for an automated generation of data for raster map-based prediction approaches, a labeled data set containing text-raster map pairs is created according to the invention, whereby scenarios of an existing data set, which have historical input data and future-related output data, are transferred to at least one raster map and for each raster map a text description describing the corresponding scenario is created. Furthermore, a text-to-raster model is created using at least one text-to-image model. In particular, this means that the text-to-raster model, for example, has the same model architecture or the principle is based on it. The text-to-raster model is trained on the text-raster map pairs of the dataset, with the trained text-to-raster model generating scenarios in the form of raster maps through text input.
Beispielsweise kann eine Rasterkarte dabei als eine Verallgemeinerung eines Bilds gesehen werden. In verschiedenen Layern der Rasterkarte, englisch Channels, können verschiedene Informationen dargestellt werden. Ein typisches Bild hat beispielsweise drei Layer (RGB), wobei eine Rasterkarte, abhängig von gegebenen Informationen, auch deutlich mehr Layer beinhalten kann. Beispielsweise kann mittels so genannter Convolutional Neural Networks während des Trainingsprozesses gelernt werden, aus gegebenen Eingabedaten der Rasterkarte Prädiktionen zu tätigen. Ein mögliches Ausgabeformat solcher Prädiktionsansätze ist dann eine Rasterkarte der Zukunft, also eine zukünftige Position des prädizierten Verkehrsteilnehmers in der Umgebung.For example, a raster map can be seen as a generalization of an image. Different information can be displayed in different layers of the raster map, English channels. A typical image has, for example, three layers (RGB), whereby a raster map can also contain significantly more layers, depending on the information given. For example, so-called convolutional neural networks can be used during the training process to learn how to make predictions from given input data of the raster map. A possible output format of such prediction approaches is then a raster Map of the future, i.e. a future position of the predicted road user in the area.
Mittels des vorliegenden Verfahrens können für rasterkartenbasierte Prädiktionsansätze verwendete Datensätze beliebig erweitert oder automatisiert generiert werden. Dies kann dazu genutzt werden, unterpräsentierte Szenarien besser abzudecken oder kritische Szenarien abzudecken. Insbesondere die Generierung kritischer Szenarien wird erst durch die einzigartige Fähigkeit, dass solche Modelle auch bisher nicht gesehene Szenarien generieren können, möglich.Using the present method, data sets used for raster map-based prediction approaches can be arbitrarily expanded or automatically generated. This can be used to better cover under-presented scenarios or to cover critical scenarios. In particular, the generation of critical scenarios is only possible due to the unique ability that such models can also generate previously unseen scenarios.
Die Beschreibung solcher Szenarien ist durch die einfache Textform für den Menschen in einfacher Weise interpretierbar. Dieser kann demnach aus einfachen textuellen Beschreibungen diverse und komplexe Szenarien generieren. Müsste ein Mensch händisch Rasterkarten ähnlich komplexer Szenarien erstellen, wäre ein enormer Mehraufwand notwendig.The description of such scenarios can be easily interpreted by humans due to the simple text form. This can therefore generate diverse and complex scenarios from simple textual descriptions. If a person had to create raster maps of similarly complex scenarios by hand, an enormous amount of additional work would be required.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand einer Zeichnung näher erläutert.Exemplary embodiments of the invention are explained in more detail below with reference to a drawing.
Dabei zeigt:
-
1 schematisch eine Draufsicht einer Verkehrssituation mit mehreren Verkehrsteilnehmern.
-
1 schematically shows a top view of a traffic situation with several road users.
In der einzigen
Zum Training eines solchen rasterkartenbasierten Prädiktionsmodells sind Rasterkarten erforderlich. Zur Erzeugung dieser Rasterkarten werden in einem Verfahren automatisiert Daten generiert.Raster maps are required to train such a raster map-based prediction model. To generate these grid maps, data is automatically generated in a process.
Dieses Verfahren basiert auf bekannten Text-zu-Bild-Modellen, auch als Text-to-Image-Model bezeichnet. Solche Text-zu-Bild-Modelle sind dafür trainiert, aus einer Texteingabe eine Bildausgabe zu erstellen. Derartige Text-zu-Bild-Modelle sind beispielsweise aus
- - Ramesh, A. et al.: Zero-Shot Text-to-Image Generation; arXiv:2102.12092
- - Ramesh, A. et al.: Hierarchical Text-Conditional Image Generation with CLIP Latents; arXiv:2204.06125 und
- - Saharia, S. et al.: Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding; arXiv:2205.11487
- - Ramesh, A. et al.: Zero-Shot Text-to-Image Generation; arXiv:2102.12092
- - Ramesh, A. et al.: Hierarchical Text-Conditional Image Generation with CLIP Latents; arXiv:2204.06125 and
- - Saharia, S. et al.: Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding; arXiv:2205.11487
Nach erfolgreichem Training sind solche Text-zu-Bild-Modelle in der Lage, aus einer Texteingabe mehrere unterschiedliche Bilder zu generieren. Aufgrund des lernbasierten Ansatzes sind die Text-zu-Bild-Modelle auch in der Lage, Bilder zu generieren, die aus bisher noch nie gesehenen Kombinationen bestehen. Beispielsweise resultieren aus einer Texteingabe „Avocado Sessel“ Bilder mit mehreren aus Avocados gebildeten Sesseln, wie dies beispielsweise unter https://www.heise.de/hintergrund/Ein-Avocado-Sessel-als-Zukunft-der-KI-5018147.html beschrieben ist.After successful training, such text-to-image models are able to generate several different images from a text input. Due to the learning-based approach, the text-to-image models are also able to generate images consisting of combinations never seen before. For example, a text input “Avocado armchair” results in images with several armchairs made of avocados, as can be seen, for example, at https://www.heise.de/background/Ein-Avocado-Sessel-als-Zukunft-der-KI-5018147.html is described.
Dieses grundlegende Prinzip wird auch in dem vorliegenden Verfahren zur automatisierten Generierung von Daten bzw. Szenarien für rasterkartenbasierte Prädiktionsansätze verwendet.This basic principle is also used in the present method for the automated generation of data or scenarios for raster map-based prediction approaches.
Hierbei wird zunächst ein Text-Rasterkarten-Paare aufweisender gelabelter Datensatz erstellt, wobei Szenarien eines bestehenden Datensatzes, welche historische Eingabedaten und zukunftsbezogene Ausgabedaten aufweisen, in zumindest eine Rasterkarte bzw. Rasterkartenrepräsentation überführt werden. Der Datensatz ist beispielsweise für eine Trajektorienprädiktion der Verkehrsteilnehmer V1 bis Vn gemäß „Chang, Ming-Fang et al.: Argoverse: 3D Tracking and Forecasting with Rich Maps; arXiv: 1911.02620“ vorgesehen.First, a labeled data set containing text-raster map pairs is created, with scenarios of an existing data set containing historical input data and future-related output data being transferred to at least one raster map or raster map representation. The data set is, for example, for a trajectory prediction of road users V1 to Vn according to "Chang, Ming-Fang et al.: Argoverse: 3D Tracking and Forecasting with Rich Maps; arXiv: 1911.02620”.
Bestandteil der Rasterkarte können dabei historische Positionen des zu prädizierenden Verkehrsteilnehmers V1 und/oder historische Positionen von umliegenden, von einer Perzeption erkannten Verkehrsteilnehmern V2 bis Vn und/oder historische rohe Sensordaten und/oder Karteninformationen, beispielsweise einer HD-Karte, wie zum Beispiel Straßengeometrien, sein. Diese Bestandteile sind dabei in mindestens einem Layer der Rasterkarte abgelegt. Zu den umliegenden Verkehrsteilnehmern V2 bis Vn können, neben oder alternativ zu den oben bereits erwähnten Fahrzeugen, beispielsweise auch Fußgänger und/oder Radfahrer und/oder andere Verkehrsteilnehmer gehören. In
In zumindest einem weiteren Layer der Rasterkarte wird zumindest eine zukünftige Position des zu prädizierenden Verkehrsteilnehmers V1 abgebildet.In at least one further layer of the raster map, at least one future position of the mapped to be predicted road user V1.
Insbesondere gleichzeitig wird für jede Rasterkarte eine das entsprechende Szenario beschreibende Textbeschreibung erstellt. Die Textbeschreibung kann dabei mittels eines manuellen Labelings durch einen oder mehrere Anwender und/oder mittels eines automatisierten Labelings erstellt werden. Für das automatisierte Labeling können bereits bekannte Methoden, beispielsweise eine in „Schmidt, J. et al.: MEAT: Maneuver Extraction from Agent Trajectories; arXiv:2206.05158“ beschriebene Methode, verwendet werden.In particular, at the same time, a text description describing the corresponding scenario is created for each raster map. The text description can be created by one or more users by means of manual labeling and/or by means of automated labeling. Methods that are already known can be used for automated labeling, for example one described in “Schmidt, J. et al.: MEAT: Maneuver Extraction from Agent Trajectories; arXiv:2206.05158” method can be used.
Das heißt, mittels zumindest eines Text-zu-Bild-Modells wird ein Text-zu-Raster-Modell erstellt. Ein Beispiel für ein solches Text-Rasterkarten-Paar ist gemäß
Der Unterschied zwischen einem Text-zu-Bild-Modell und dem erzeugten Text-zu-Raster-Modell ist, dass die Anzahl der Layer der Rasterkarte deutlich größer sein kann, als die Anzahl der Layer von typischen Bildern.The difference between a text-to-image model and the generated text-to-raster model is that the number of layers in the raster map can be significantly larger than the number of layers in typical images.
Anschließend wird das Text-zu-Raster Modell auf Text-Rasterkarten-Paaren des zuvor erstellten Datensatzes trainiert.The text-to-raster model is then trained on text-raster map pairs from the previously created dataset.
Mittels des so trainierten Text-zu-Raster-Modells können durch Texteingaben beliebig diverse Szenarien in Form von Rasterkarten generiert werden. Dabei können entweder manuell durch Anwender oder automatisiert Texteingaben vorgegeben werden.Using the text-to-raster model trained in this way, any number of scenarios can be generated in the form of raster maps by entering text. Text input can be specified either manually by the user or automatically.
Beispielsweise kann manuell als Texteingabe vorgegeben werden: „Linksabbiegevorgang mit Beinaheunfall“.For example, the following text can be entered manually: “Left turn with near-accident”.
Die Texteingabe kann dazu verwendet werden, Rasterkarten für kritische Szenarien oder für im Datensatz unterrepräsentierte Szenarien zu generieren.Text input can be used to generate raster maps for critical scenarios or for scenarios underrepresented in the data set.
Wird ein rasterkartenbasiertesTrajektorienprädiktionsmodell im Anschluss trainiert, so kann eine vom Text-zu-Raster-Modell erstellte Rasterkarte in Eingabedaten und Ausgabedaten aufgeteilt werden. Dies ist möglich, da bei der Generierung der Rasterkarten des Datensatzes die historischen und zukunftsbezogenen Daten in verschiedene Layer aufgeteilt werden. Als Eingabedaten dienen dabei die Layer, die lediglich historische Informationen beinhalten und als Trainingsziel können die Layer verwendet werden, die die zukünftige Position des zu prädizierenden Verkehrsteilnehmers V1 widerspiegeln.When subsequently training a raster map-based trajectory prediction model, a raster map created from the text-to-raster model can be split into input data and output data. This is possible because when generating the raster maps of the data set, the historical and future data are split into different layers. The layers that only contain historical information serve as input data, and the layers that reflect the future position of the road user V1 to be predicted can be used as the training target.
Somit ist es mittels des Verfahrens möglich, Szenarien eines Datensatzes zur Trajektorienprädiktion in Rasterkarten umzuwandeln und manuell oder automatisiert Textbeschreibungen der einzelnen Szenarien zu generieren. Mittels zumindest eines Text-zu-Raster-Modells, welches beispielsweise als Verallgemeinerung aktueller Text-zu-Bild-Modelle gesehen werden kann, wird auf den Text-Rasterkarten-Paaren des Datensatzes trainiert, wobei das trainierte Text-zu-Raster-Modell dazu verwendet werden kann, beliebige und vom Menschen interpretierbare Textbeschreibungen in Rasterkarten umzuwandeln. Diese Rasterkarten können für das Training von rasterkartenbasierten Prädiktionsmodellen verwendet werden.It is thus possible using the method to convert scenarios of a data set for trajectory prediction into raster maps and to generate text descriptions of the individual scenarios manually or automatically. Using at least one text-to-raster model, which can be seen, for example, as a generalization of current text-to-image models, training is carried out on the text-raster map pairs of the dataset, with the trained text-to-raster model also being used can be used to convert arbitrary and human-interpretable textual descriptions into raster maps. These raster maps can be used to train raster map-based prediction models.
Claims (6)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022003079.9A DE102022003079A1 (en) | 2022-08-23 | 2022-08-23 | Method for an automated generation of data for raster map-based prediction approaches |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022003079.9A DE102022003079A1 (en) | 2022-08-23 | 2022-08-23 | Method for an automated generation of data for raster map-based prediction approaches |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022003079A1 true DE102022003079A1 (en) | 2022-12-08 |
Family
ID=84102098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022003079.9A Ceased DE102022003079A1 (en) | 2022-08-23 | 2022-08-23 | Method for an automated generation of data for raster map-based prediction approaches |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022003079A1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102023001689A1 (en) | 2023-04-27 | 2023-06-15 | Mercedes-Benz Group AG | Method for an automated generation of data for raster map-based prediction approaches |
DE102023001698A1 (en) | 2023-04-27 | 2023-07-06 | Mercedes-Benz Group AG | Method for an automated generation of data for raster map-based prediction approaches |
-
2022
- 2022-08-23 DE DE102022003079.9A patent/DE102022003079A1/en not_active Ceased
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102023001689A1 (en) | 2023-04-27 | 2023-06-15 | Mercedes-Benz Group AG | Method for an automated generation of data for raster map-based prediction approaches |
DE102023001698A1 (en) | 2023-04-27 | 2023-07-06 | Mercedes-Benz Group AG | Method for an automated generation of data for raster map-based prediction approaches |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018128290A1 (en) | METHOD AND DEVICE FOR PRODUCING SCENARIOS AND PARAMETRIC SWEEPS FOR THE DEVELOPMENT AND EVALUATION OF AUTONOMOUS DRIVE SYSTEMS | |
DE102022003079A1 (en) | Method for an automated generation of data for raster map-based prediction approaches | |
DE102018128289B4 (en) | METHOD AND DEVICE FOR AUTONOMOUS SYSTEM PERFORMANCE AND CLASSIFICATION | |
EP3765927B1 (en) | Method for generating a training data record for training an artificial intelligence module for a control device of a vehicle | |
DE102016007899B4 (en) | Method for operating a device for traffic situation analysis, motor vehicle and data processing device | |
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 | |
DE102020210379A1 (en) | Computer-implemented method and computer program product for obtaining a representation of surrounding scenes for an automated driving system, computer-implemented method for learning a prediction of surrounding scenes for an automated driving system and control unit for an automated driving system | |
DE102021203440A1 (en) | Computer-implemented method, computer program and arrangement for predicting and planning trajectories | |
DE102018008685A1 (en) | Method for training an artificial neural network, artificial neural network, use of an artificial neural network and corresponding computer program, machine-readable storage medium and corresponding device | |
WO2020051618A1 (en) | Analysis of dynamic spatial scenarios | |
DE102023001698A1 (en) | Method for an automated generation of data for raster map-based prediction approaches | |
DE60114379T2 (en) | SYSTEM, VEHICLE AND METHOD FOR THE CONDUCT OF A VEHICLE | |
DE102021004426A1 (en) | Method for training an autonomous driving function | |
WO2021130302A2 (en) | Method for controlling smart glasses while a motor vehicle is travelling and display apparatus, motor vehicle, analysis circuit and vr system | |
DE112020006532T5 (en) | COMPUTER SYSTEM AND METHOD WITH END-TO-END MODELING FOR A SIMULATED TRAFFIC AGENT IN A SIMULATION ENVIRONMENT | |
DE102023001689A1 (en) | Method for an automated generation of data for raster map-based prediction approaches | |
DE102022002769B3 (en) | Method for predicting a movement of a road user | |
DE102024000515A1 (en) | Method for predicting agents participating in road traffic in an environment of an automated driving vehicle | |
DE102021110083A1 (en) | Training an artificial neural network to test an automatic driving function of a vehicle | |
DE102023001646A1 (en) | Process for a scene-consistent occupancy prediction using raster maps | |
DE102021207997A1 (en) | Method for checking completeness of a model of traffic dynamics at a traffic junction | |
DE102022214341A1 (en) | Method for detecting at least one lane line and/or road marking in at least one digital image representation | |
DE102022113744A1 (en) | Method for creating a data set | |
WO2022043200A1 (en) | Generating realistic images from specified semantic maps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R230 | Request for early publication | ||
R016 | Response to examination communication | ||
R002 | Refusal decision in examination/registration proceedings | ||
R003 | Refusal decision now final |