DE102022132478A1 - Blendungsminderung durch Bildkontrastanalyse für autonome Systeme und Anwendungen - Google Patents

Blendungsminderung durch Bildkontrastanalyse für autonome Systeme und Anwendungen Download PDF

Info

Publication number
DE102022132478A1
DE102022132478A1 DE102022132478.8A DE102022132478A DE102022132478A1 DE 102022132478 A1 DE102022132478 A1 DE 102022132478A1 DE 102022132478 A DE102022132478 A DE 102022132478A DE 102022132478 A1 DE102022132478 A1 DE 102022132478A1
Authority
DE
Germany
Prior art keywords
vehicle
pixels
objects
contrast
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.)
Pending
Application number
DE102022132478.8A
Other languages
English (en)
Inventor
Igor Tryndin
Abhishek Bajpayee
Yu Wang
Hae-Jong Seo
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.)
Nvidia Corp
Original Assignee
Nvidia Corp
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 Nvidia Corp filed Critical Nvidia Corp
Publication of DE102022132478A1 publication Critical patent/DE102022132478A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q1/00—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor
    • B60Q1/02—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments
    • B60Q1/04—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights
    • B60Q1/14—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights having dimming means
    • B60Q1/1415—Dimming circuits
    • B60Q1/1423—Automatic dimming circuits, i.e. switching between high beam and low beam due to change of ambient light or light level in road traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/141—Control of illumination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
    • H05B47/10—Controlling the light source
    • H05B47/105—Controlling the light source in response to determined parameters
    • H05B47/115—Controlling the light source in response to determined parameters by determining the presence or movement of objects or living beings
    • H05B47/125—Controlling the light source in response to determined parameters by determining the presence or movement of objects or living beings by using cameras
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q1/00—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor
    • B60Q1/02—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments
    • B60Q1/04—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights
    • B60Q1/14—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights having dimming means
    • B60Q1/1415—Dimming circuits
    • B60Q1/1423—Automatic dimming circuits, i.e. switching between high beam and low beam due to change of ambient light or light level in road traffic
    • B60Q1/143—Automatic dimming circuits, i.e. switching between high beam and low beam due to change of ambient light or light level in road traffic combined with another condition, e.g. using vehicle recognition from camera images or activation of wipers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
    • B60Q2300/40—Indexing codes relating to other road users or special conditions
    • B60Q2300/45—Special conditions, e.g. pedestrians, road signs or potential dangers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Lighting Device Outwards From Vehicle And Optical Signal (AREA)

Abstract

In verschiedenen Beispielen können Kontrastwerte, die den Pixeln eines oder mehrerer Bilder entsprechen, die mit einem oder mehreren Sensoren eines Fahrzeugs erzeugt werden, berechnet werden, um Objekte zu erfassen und zu identifizieren, die Blendungsminderungsoperationen auslösen. Die Pixel-Leuchtdichtewerte werden bestimmt und zur Berechnung eines Kontrastwerts verwendet, basierend dem Vergleichen der Pixel-Leuchtdichtewerte mit einem Referenz-Leuchtdichtewert, der auf einem Satz von Pixeln und den entsprechenden Leuchtdichtewerten beruht. Ein Kontrastschwellenwert kann auf die berechneten Kontrastwerte angewandt werden, um eine Blendung in den Bilddaten zu identifizieren und Blendungsminderungsoperationen auszulösen, so dass das Fahrzeug die Konfiguration einer oder mehrerer Beleuchtungsquellen modifizieren kann, um eine Blendung zu reduzieren, die von Insassen und/oder Sensoren des Fahrzeugs erfahren wird.

Description

  • HINTERGRUND
  • Autonome und teilautonome Fahrsysteme sowie fortgeschrittene Fahrerassistenzsysteme (ADAS) können Sensoren, wie z. B. Kameras, verwenden, um - in Echtzeit oder nahezu in Echtzeit - ein Verständnis der Umgebung des Fahrzeugs zu erlangen. Dieses Verständnis kann Informationen über die Position von Objekten, Hindernissen, Verkehrszeichen, Fahrbahnoberflächen und/oder anderen Markierungen umfassen. Verkehrszeichen und Fahrbahnoberflächen sind oft so gestaltet, dass sie für Fahrer und andere Fahrzeuginsassen bei schlechten Lichtverhältnissen durch die Verwendung von Reflektoren, reflektierenden Farben und/oder reflektierenden Beschichtungen gut sichtbar sind. Dies kann jedoch dazu führen, dass die Verkehrszeichen, Blinklichter und/oder Markierungen manchmal ein hohes Maß an reflektiertem Licht erzeugen, wenn sie von den Scheinwerfern eines Fahrzeugs beleuchtet werden. In einigen Fällen kann das reflektierte Licht zu Blendungen im Gesichtsfeld der Fahrzeuginsassen oder im Sichtfeld einer oder mehrerer Kameras und/oder Sensoren des Fahrzeugs führen. Dieses Problem kann sich verschärfen, wenn das von den Scheinwerfern ausgestrahlte Licht besonders stark ist, z. B. wenn sehr weit entfernte Objekte beleuchtet werden und/oder wenn das Licht aus geringer Entfernung reflektiert wird. Erhebliche Blendungsgrade können einer Person visuelle Beschwerden bereiten und die Fähigkeit der Sensoren eines Fahrzeugs beeinträchtigen, Sensordaten zu erfassen und zu analysieren. Versuche, die Auswirkungen von Blendung zu verringern, bestehen darin, das Fernlicht eines Fahrzeugs zu deaktivieren, wenn Blendung festgestellt wird, oder im Falle eines Matrix-Fernlichts eine Stelle aus dem beleuchteten Bereich auszuschließen, indem lichtemittierende Teile des Matrix-Fernlichts deaktiviert werden, die auf die auszuschließende Stelle gerichtet sind.
  • Herkömmlicherweise hat sich das Erfassen von Blendung in Fahrzeugen auf die Verwendung einer absoluten Leuchtdichtemessung verlassen, um die von einer Oberfläche reflektierte Lichtenergie zu messen. Da die absolute Leuchtdichtemessung eine direkte Messung der reflektierten Lichtenergie von einem bestimmten Objekt vornimmt, ist die Kenntnis der Größe des Objekts, das das Licht reflektiert, erforderlich. Die Bestimmung der Größe eines Objekts zum Zweck der absoluten Leuchtdichtemessung erfordert Mess- und Rechenressourcen zur Schätzung der Größe (z. B. der Oberfläche) des Objekts, die über das hinausgehen, was bei herkömmlichen Blendungserkennungslösungen verfügbar ist. Beispielsweise kann die Größe eines in einem Kamerabild dargestellten Objekts durch die Übersetzung der Position des Objekts in eine dreidimensionale (3D) Position bestimmt werden (z. B. zur Schätzung der Fläche). Dies erfordert aufgrund einer Vielzahl möglicher Kameraausrichtungen, optischer Verzerrungen und/oder Entfernungsmessungen in Echtzeit zusätzliche Rechenoperationen. Darüber hinaus erfordert eine genaue Messung der absoluten Leuchtdichte mit diesem Ansatz zusätzliche Kalibrierungsoperationen und zugehörige Hardware zum Speichern von Kalibrierungsparametern, so dass Kameras möglicherweise eine routinemäßige Kalibrierung gegen ein bekanntes Leuchtdichteziel benötigen, um eine genaue Leuchtdichtemessung aufrechtzuerhalten, da sich die Sensorkomponenten mit der Zeit abnutzen und/oder verschlechtern.
  • ZUSAMMENFASSUNG
  • Ausführungsformen der vorliegenden Offenbarung betreffen die Blendungsminderung durch Bildkontrastanalyse für autonome Systeme und Anwendungen. Es werden Systeme und Verfahren offenbart, die den Kontrast aus Sensordaten von einem oder mehreren Sensoren eines Fahrzeugs oder einer anderen Maschine oder eines Systems berechnen, um Bereiche mit erheblichen Blendungswerten zu erkennen, so dass Minderungsoperationen durchgeführt werden können.
  • Im Gegensatz zu herkömmlichen Ansätzen, wie den oben beschriebenen, sieht die vorliegende Offenbarung die Erkennung von Blendung unter Verwendung einer relativen Leuchtdichtemessung vor. Unter Verwendung offenbarter Ansätze können Kontrastwerte für Pixel von Bildern berechnet werden, die zur Erkennung von Blendung (z. B. von Schildern und anderen Objekten reflektiertes Licht) analysiert werden können. In einer oder mehreren Ausführungsformen kann ein System Bilddaten empfangen, die ein oder mehrere Objekte darstellen, die von Scheinwerfern eines Fahrzeugs beleuchtet werden. Die in den Bilddaten repräsentierten Pixel können zur Berechnung von Kontrastwerten in Bezug auf andere Pixel in den Bilddaten verwendet werden. In mindestens einer Ausführungsform können ein oder mehrere lokale Kontrastwerte für die Pixel berechnet werden (z. B. durch Berechnung des Kontrasts im Verhältnis zur Leuchtdichte des gesamten Bildes oder eines Teils davon).
  • In einer oder mehreren Ausführungsformen kann der durchschnittliche Leuchtdichtewert eines Satzes von Pixeln in einem Bild berechnet werden, um eine Referenzleuchtdichte zu bestimmen. Die lokalen Kontrastwerte können durch Berechnung eines Verhältnisses zwischen der Leuchtdichte eines Pixels und der berechneten Referenzleuchtdichte bestimmt werden. Ein Leuchtdichteschwellenwert kann auf die lokalen Kontrastwerte angewandt werden, die mit einem Satz von Pixeln verbunden sind, um eine Anzahl von Pixeln zu bestimmen, deren Kontrastwerte den Leuchtdichteschwellenwert erfüllen. Ein Größenschwellenwert kann angewandt werden, um zu bestimmen, ob Blendungsminderungsoperationen basierend auf den Abmessungen und/oder der Quantität der Pixel, die den Leuchtdichteschwellenwert erfüllen, ausgelöst werden sollten.
  • Figurenliste
  • Die vorliegenden Systeme und Verfahren zur Blendungsminderung mittels Bildkontrastanalyse für autonome Systeme und Anwendungen werden im Folgenden unter Bezugnahme auf die beigefügten Zeichnungsfiguren detailliert beschrieben, wobei:
    • 1 ist ein Beispielsystemdiagramm eines Kontrastanalysesystems zur Erkennung von Blendung unter Verwendung von Sensordaten, gemäß einigen Ausführungsformen der vorliegenden Offenbarung;
    • 2A zeigt ein beispielhaftes Bild aus der Perspektive eines Fahrzeugs gemäß einigen Ausführungsformen der vorliegenden Offenbarung;
    • 2B zeigt ein beispielhaftes Bild aus der Perspektive eines Fahrzeugs nach Blendungsminderung gemäß einigen Ausführungsformen der vorliegenden Offenbarung;
    • 3 ist eine Visualisierung eines beispielhaften Bildes zur Verwendung bei der Bestimmung lokaler Kontrastwerte für Pixel, die mit erkannten Objekten verbunden sind, gemäß einigen Ausführungsformen der vorliegenden Offenbarung;
    • 4A-4C sind Beispiele des Anwendens eines Kontrastanalysators auf Pixel, die einem erkannten Objekt entsprechen, gemäß einigen Ausführungsformen der vorliegenden Offenbarung;
    • 5 ist ein Flussdiagramm, das ein beispielhaftes Verfahren zur Bildkontrastanalyse zur Blendungsminderung gemäß einigen Ausführungsformen der vorliegenden Offenbarung zeigt;
    • 6 ist ein Flussdiagramm, das ein beispielhaftes Verfahren zur Bildkontrastanalyse zur Blendungsminderung basierend auf der Objekterkennung gemäß einigen Ausführungsformen der vorliegenden Offenbarung zeigt;
    • 7A ist eine Darstellung eines Beispiels für ein beispielhaftes autonomes Fahrzeug gemäß einigen Ausführungsformen der vorliegenden Offenbarung;
    • 7B ist ein Beispiel für Kamerapositionen und Sichtfelder für das beispielhafte autonome Fahrzeug der 7A, gemäß einigen Ausführungsformen der vorliegenden Offenbarung;
    • 7C ist ein Blockdiagramm einer beispielhaften Systemarchitektur für das beispielhafte autonome Fahrzeug der 7A, gemäß einigen Ausführungsformen der vorliegenden Offenbarung;
    • 7D ist ein Systemdiagramm für die Kommunikation zwischen Cloudbasierten Server(n) und dem beispielhaften autonomen Fahrzeug der 7A, gemäß einigen Ausführungsformen der vorliegenden Offenbarung;
    • 8 ist ein Blockdiagramm einer beispielhaften Rechenvorrichtung, die zur Verwendung beim Implementieren einiger Ausführungsformen der vorliegenden Offenbarung geeignet ist; und
    • 9 ist ein Blockdiagramm eines beispielhaften Datenzentrums, das sich zur Verwendung beim Implementieren einiger Ausführungsformen der vorliegenden Offenbarung geeignet ist.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Es werden Systeme und Verfahren zur Blendungsminderung durch Bildkontrastanalyse für autonome Systeme und Anwendungen offenbart. Obwohl die vorliegende Offenbarung in Bezug auf ein Beispiel für ein autonomes Fahrzeug 700 (hier alternativ als „Fahrzeug 700“ bezeichnet, von dem ein Beispiel in Bezug auf die 7A-7D beschrieben wird), ist dies nicht als Einschränkung zu verstehen. Beispielsweise können die hier beschriebenen Systeme und Verfahren ohne Einschränkung von nicht-autonomen Fahrzeugen, halbautonomen Fahrzeugen (z. B. in einem oder mehreren adaptiven Fahrerassistenzsystemen (ADAS)), gelenkten und ungelenkten Robotern oder Roboterplattformen, Lagerfahrzeugen, Geländefahrzeugen, Fahrzeugen, die mit einem oder mehreren Anhängern gekoppelt sind, Luftschiffen, Booten, Shuttles, Notarzteinsatzfahrzeugen, Motorrädern, elektrischen oder motorisierten Fahrrädern, Flugzeugen, Baufahrzeugen, Unterwasserfahrzeugen, Drohnen und/oder anderen Fahrzeugtypen verwendet werden. Obwohl die vorliegende Offenbarung in Bezug auf die Blendungsminderung für Fahrzeuge beschrieben wird, soll dies nicht einschränkend sein, und die hierin beschriebenen Systeme und Verfahren können in den Bereichen erweiterter Realität, virtueller Realität, gemischter Realität, Robotik, Sicherheit und Überwachung, autonome oder halbautonome Maschinenanwendungen und/oder in jedem anderen Technologiebereich eingesetzt werden, in dem die Erkennung oder Schätzung von Blendung erwünscht sein kann, wie z. B. zur Minderung oder Reduzierung von Blendung. Offenbarte Ansätze können in einem oder mehreren der folgenden Systeme implementiert werden: einem Steuerungssystem für eine autonome oder halbautonome Maschine, einem Wahrnehmungssystem für eine autonome oder halbautonome Maschine, einem System zur Durchführung von Simulationsoperationen, einem System zur Durchführung von Deep-Learning-Operationen, einem System, das unter Verwendung eines Edge-Geräts implementiert wird, einem System, das unter Verwendung eines Roboters implementiert wird, einem System, das eine oder mehrere virtuelle Maschinen (VMs) enthält, einem System, das zumindest teilweise in einem Datenzentrum implementiert wird, oder einem System, das zumindest teilweise unter Verwendung von Cloud-Computing-Ressourcen implementiert wird.
  • Im Gegensatz zu herkömmlichen Ansätzen, wie den oben beschriebenen, sieht die vorliegende Offenbarung die Erkennung von Blendung unter Verwendung einer relativen Leuchtdichtemessung vor. Bei der Verwendung der offenbarten Ansätze können Kontrastwerte für Bildpixel berechnet werden, und die Kontrastwerte können weiter analysiert werden, um Blendung zu erkennen (z. B. Licht, das zum Fahrer und/oder zu den Fahrzeugsensoren reflektiert wird). In einer oder mehreren Ausführungsformen kann ein System Bilddaten empfangen, die ein oder mehrere Objekte darstellen, die von Scheinwerfern eines Fahrzeugs beleuchtet werden. Die in den Bilddaten dargestellten Pixel können zur Berechnung von Kontrastwerten im Verhältnis zu anderen Pixeln der Bilddaten verwendet werden. In mindestens einer Ausführungsform können ein oder mehrere globale Kontrastwerte für die Pixel berechnet werden (z. B. durch Berechnung des Kontrasts in Bezug auf die Leuchtdichte des gesamten oder im Wesentlichen gesamten Bildes). In mindestens einer Ausführungsform können ein oder mehrere regionale Kontrastwerte für die Pixel berechnet werden (z. B. durch Berechnung des Kontrasts relativ zur Leuchtdichte eines oder mehrerer Bereiche des Bildes, die ein oder mehrere der Pixel enthalten). In mindestens einer Ausführungsform können ein oder mehrere lokale Kontrastwerte für die Pixel berechnet werden (z. B. durch Berechnung des Kontrasts relativ zur Leuchtdichte eines oder mehrerer Bereiche des Bildes basierend auf der Nähe oder dem Abstand zu den Pixeln). Durch die Verwendung der relativen Leuchtdichte kann eine Blendung erkannt werden, ohne dass eine Sensorkalibrierung durchgeführt wird oder die physikalischen Abmessungen eines Objekts im 3D-Raum bestimmt werden müssen, da nur der relative Kontrast berechnet wird.
  • In einigen Beispielen kann das System Bilddaten empfangen, die unter Verwendung einer oder mehrerer Kameras erzeugt werden, die an verschiedenen Positionen in Bezug auf ein Fahrzeug angebracht sein können (z. B. vorne in der Mitte, auf dem Armaturenbrett usw.). Wenn mehrere Kameras verwendet werden, kann jede Kamera ein ähnliches oder unterschiedliches Sichtfeld haben (z. B. Weitwinkel, Teleobjektiv usw.). In verschiedenen Beispielen können die Bilddaten ein oder mehrere Bilder mit derselben Auflösung darstellen, die von einer oder mehreren Kameras aufgenommen wurden, und/oder auf eine oder mehrere unterschiedliche Auflösungen herunter- oder hochgerechnet werden. In mindestens einer Ausführungsform können die Bilddaten RAW-, RAW-ähnliche und/oder andere Sensordaten enthalten, bei denen das Bildpixelsignal in einer linearen Darstellung vorliegt (z. B. unter Beibehaltung der ursprünglichen, vom Bildsensor gelesenen Pixelwerte) und proportional zur Lichtintensität ist. Die Bilddaten können mit einem oder mehreren Kameraobjektiven erzeugt werden, die keine signifikante Vignettierung oder „Linsenabschattung“ (Verdunkelung in den Ecken) verursachen, oder Pixel, die eine Vignettierung aufweisen, können korrigiert werden (z. B. im Bildsignalprozessor (ISP) unter Verwendung der Linsenabschattungskorrektur am RAW).
  • In mindestens einer Ausführungsform können die Kontrastwerte für die Pixel aus den Bilddaten berechnet werden, zumindest basierend auf dem Vergleichen der Pixelleuchtdichte mit der Leuchtdichte eines oder mehrerer anderer Pixel. Beispielsweise können ein oder mehrere statistische Werte aus den Leuchtdichtewerten einer beliebigen Quantität von Pixeln des Bildes berechnet werden, um eine Referenz- oder relative Leuchtdichte festzulegen, die zur Berechnung eines oder mehrerer Kontrastwerte verwendet wird. Als Beispiel und ohne Einschränkung kann dies die Berechnung eines mittleren (durchschnittlichen) Bildleuchtdichtepegels beinhalten. Geeignete Verfahren zur Berechnung der Referenzleuchtdichte umfassen die Berechnung eines Histogramms oder eines Mittelwerts von Pixelkontrastwerten, die Durchführung einer globalen Pixelmittelung und/oder die Berechnung des getrimmten Mittelwerts (z. B. wenn untere und obere Perzentile aus der Betrachtung herausgenommen werden, wodurch Mittelwerte erzeugt werden, die in Szenen mit hohem Kontrast stabiler sind).
  • Die Pixel, die zur Berechnung der Referenzleuchtdichte für die globalen Kontrastwerte verwendet werden, können dem gesamten Bild oder im Wesentlichen dem gesamten Bild entsprechen. In mindestens einer Ausführungsform können ein oder mehrere Pixel verworfen oder von der Berechnung der Referenzleuchtdichte ausgeschlossen werden, z. B. Ausreißer, Pixel, die Bild- oder visuellen Artefakten entsprechen, Pixel außerhalb eines interessierenden Bereichs (z. B. die nicht auf ein CNN oder ein anderes MLM angewendet werden) usw. Pixel, die zur Berechnung der Referenzleuchtdichte für regionale Kontrastwerte verwendet werden, können einer oder mehreren Bereichen des Bildes entsprechen, die eines oder mehrere der Pixel (und/oder mindestens einen Teil eines Objekts, das den Pixeln entspricht) enthalten. Ein Bereich kann beispielsweise 50% oder einen anderen Prozentsatz der Pixel in einem Bild, Pixel in einem zentralen Bereich eines Bildes, Pixel in einem Quadranten eines Bildes usw. umfassen.) In mindestens einer Ausführungsform kann eine Referenzleuchtdichte für einen Bereich verwendet werden, um einen Kontrastwert für ein Pixel zu berechnen, der mindestens auf dem Pixel basiert, das im Bereich enthalten ist (wobei der Bereich ohne Rücksicht auf die Lage des Bereichs definiert wird). Pixel, die zur Berechnung der Referenzleuchtdichte für lokale Kontrastwerte verwendet werden, können mindestens basierend auf einer Nähe und/oder einem Abstand zu einem oder mehreren Pixeln (und/oder mindestens einem Teil eines den Pixeln entsprechenden Objekts) ausgewählt oder bestimmt werden.
  • In mindestens einer Ausführungsform kann das System ein Bild erzeugen, bei dem jedes Pixel einen oder mehrere entsprechende Kontrastwerte aufzeichnet. Der Kontrastwert für ein Pixel kann mindestens basierend auf einem Verhältnis zwischen der Leuchtdichte des Pixelwerts und der Referenzleuchtdichte (z. B. einem Mittelwert) berechnet werden. Je nach Größe (z. B. Radius) eines Bereichs, der zur Berechnung einer Referenzleuchtdichte ausgewählt wurde, kann ein berechneter Kontrastwert unterschiedliche Phänomene darstellen. Ein kleiner Radius (z. B. <0,1% einer Bilddimension) kann die Bildschärfe darstellen, ein kleiner bis mittlerer Radius (z. B. <3-4% einer Bilddimension) kann den Kontrast von Objektdetails darstellen, ein mittlerer Radius kann den Kontrast von Objekten darstellen, und ein großer Radius, der das gesamte Bild umfasst oder im Wesentlichen umfasst, kann den globalen Kontrast darstellen.
  • In mindestens einer Ausführungsform kann ein Objektdetektor wie ein neuronales Faltungsnetz (CNN) und/oder ein anderes maschinelles Lernmodell (MLM) verwendet werden, um ein oder mehrere Objekte (z. B. Verkehrszeichen, Reflektoren, Straßenmarkierungen usw.) in den Bilddaten zu erkennen. Zum Beispiel kann das MLM (oder die MLMs) eine oder mehrere Objektpositionen und/oder Bereiche in einem oder mehreren Bildern vorhersagen, die durch die Bilddaten repräsentiert werden (z. B. eine oder mehrere Begrenzungsformen). Die erkannten Objekte können mit einem oder mehreren Pixeln der Bilddaten unter Verwendung der einen oder mehreren Objektpositionen und/oder Bereiche assoziiert werden (z. B. kann ein Objekt mit einem oder mehreren Pixeln innerhalb einer Begrenzungsform verknüpft werden). Das System kann Kontrastwerte für eines oder mehrere der Pixel des Eingangsbildes berechnen, die mindestens auf einem oder mehreren der erkannten Orte und/oder Begrenzungsformen basieren. Beispielsweise können ein oder mehrere Orte oder Begrenzungsformen verwendet werden, um lokale, globale und/oder regionale Kontrastwerte für ein oder mehrere entsprechende Pixel zu berechnen.
  • Zusätzlich oder alternativ können ein oder mehrere Objekte und/oder Bereiche des Bildes mit anderen Ansätzen erkannt oder ausgewählt werden, die nicht unbedingt maschinelles Lernen beinhalten müssen. Beispielsweise können Pixel im Bild mit einem geeigneten Clustering-Algorithmus gruppiert werden, der Pixel in eine oder mehrere Gruppen gruppieren kann, die mindestens auf Bildmerkmalen wie Leuchtdichte, Farbwerten, Kontrastwerten (z. B. durch erste Bestimmung globaler Kontrastwerte für die Gruppierung und anschließende Bestimmung lokaler Kontrastwerte unter Verwendung der Gruppen), relativer Helligkeit, relativem Farbton, relativem Farbton usw. basieren. In einer oder mehreren Ausführungsformen kann ein Kontrastwert für eine Gruppe (z. B. auf alle Pixel in der Gruppe angewandt) und/oder für ein oder mehrere Pixel in der Gruppe (z. B. jedes Pixel) berechnet werden.
  • Nach der Berechnung der Kontrastwerte kann das System die Kontrastwerte analysieren, um Blendung und/oder andere Beleuchtungsphänomene zu erkennen. In mindestens einer Ausführungsform kann die Analyse der Kontrastwerte den Vergleich der Kontrastwerte mit einem oder mehreren Schwellenwerten umfassen. Ein Schwellenwert kann vorgegeben und/oder dynamisch bestimmt oder berechnet werden. Beispielhaft und ohne Einschränkung kann der Schwellenwert für einen Kontrastwert mindestens basierend auf einem oder mehreren Referenzleuchtdichtewerten berechnet oder ausgewählt werden, die zur Berechnung des Kontrastwertes verwendet werden. In mindestens einer Ausführungsform kann der Schwellenwert ein Vielfaches der Referenzleuchtdichte sein, beispielsweise und ohne Einschränkung das 5-fache, 10-fache oder 100-fache der Referenzleuchtdichte. In mindestens einer Ausführungsform kann der Schwellenwert bzw. können die Schwellenwerte auf das Kontrastbild angewendet werden, um ein Schwellenwert-Kontrastbild zu erzeugen. In mindestens einer Ausführungsform kann das Schwellenwert-Kontrastbild direkt erzeugt werden, indem mindestens der eine oder die mehreren Schwellenwerte auf die berechneten Kontrastwerte angewendet werden (ohne ein Anfangskontrastbild). Beispielsweise kann jedes Pixel mit einem Kontrastwert über dem Schwellenwert (z. B. Pixel mit hohem Kontrast) erhalten oder auf einen bestimmten Wert (z. B. 1) gesetzt werden, während Pixel mit einem Kontrastwert unter dem Schwellenwert (z. B. Pixel mit niedrigem Kontrast) entfernt oder auf einen bestimmten Wert (z. B. 0) gesetzt werden können.
  • In einer oder mehreren Ausführungsformen kann das System basierend auf einer Quantität von Pixeln, die einem Satz von Pixeln entsprechen (die z. B. mit einem erkannten Objekt verbunden sind), deren Kontrastwerte einen Schwellenwert erfüllen, Daten übertragen, um das Fahrzeug zu veranlassen, die Intensität (z. B. Erhöhung der Helligkeit, Verringerung der Helligkeit, Deaktivierung usw.) oder die Konfiguration (z. B. Position, Richtung, Brennweite der Linse usw.) eines oder mehrerer Scheinwerfer und/oder anderer Leuchten des Fahrzeugs zu ändern. Beispielsweise kann die Intensität mindestens basierend auf einer oder mehreren Positionen der Pixelgruppe im Bild und/oder einer oder mehrerer entsprechender Positionen in der realen Welt modifiziert oder geändert werden.
  • In mindestens einer Ausführungsform kann die Quantität der Pixel oberhalb eines Schwellenwerts gezählt oder mit der Anzahl der Pixel in einem bestimmten Bereich verglichen werden. Beispielsweise kann die Quantität der Pixel in einem Begrenzungsrahmen oder einer Form, die einem Objekt entspricht, dessen Kontrastwert über einem Schwellenwert liegt, mit der Quantität der Pixel in dem Begrenzungsrahmen oder der Form verglichen werden, um ein Verhältnis von Pixeln mit hohem Kontrast zu Pixeln mit niedrigem Kontrast zu ermitteln.
  • In mindestens einer Ausführungsform kann das System einen Größenschwellenwert auf die Quantität der Pixel anwenden, die einen entsprechenden Kontrastwert aufweisen, der einen Schwellenwert erfüllt. Ein Größenschwellenwert kann beispielsweise eine Mindestanzahl von Pixeln angeben, die erforderlich ist, um eine Blendungsminderung oder eine andere Beleuchtungsmaßnahme auszulösen. In einigen Beispielen kann der Größenschwellenwert basierend auf der Anzahl der Pixel, der Dimension eines von den Pixeln belegten Bereichs (z. B. des Begrenzungsrahmens oder eines Teilbereichs, der von den Pixeln belegt ist, die den Schwellenwert erfüllen), einer oder mehrerer Dimensionen des einen oder der mehreren Bilder und/oder jedem geeigneten Verfahren zur Bestimmung einer mit Pixeln verbundenen Größe angewendet werden. Beispielsweise kann das Verhältnis von Pixeln mit einem Kontrastwert über einem Schwellenwert innerhalb eines Begrenzungsrahmens mit einer oder mehreren Dimensionen des Begrenzungsrahmens verglichen werden.
  • Wie hier beschrieben, kann das System Daten übermitteln, die ein Fahrzeug oder eine Maschine veranlassen, Operationen zum Mindern der Blendung durchzuführen. Beispielsweise können basierend auf den Pixelkontrastwerten Daten übertragen werden, die ein Fahrzeug veranlassen, eine oder mehrere Beleuchtungsquellen (z. B. Scheinwerfer, Nebelscheinwerfer usw.) zu modifizieren oder zu ändern, um die erkannte Blendung zu mindern. In einigen Beispielen kann die Minderung der Blendung die Änderung der Konfiguration eines oder mehrerer Elemente eines Scheinwerfers beinhalten. Beispielsweise kann ein Matrix-Scheinwerfer, der über mehrere unabhängig voneinander konfigurierbare Beleuchtungselemente verfügt, die einen Teil der Fahrzeugumgebung beleuchten, basierend auf der Blendungserkennung die Intensität eines oder mehrerer Beleuchtungselemente deaktivieren und/oder reduzieren, die mit einem physikalischen Ort verbunden sind, der den kontrastreichen Pixeln der Bilddaten entspricht.
  • Unter Bezugnahme auf 1 ist 1 ein beispielhaftes Systemdiagramm eines Kontrastanalysesystems 100 (auch als „System 100“ bezeichnet) zur Erkennung von Blendung unter Verwendung von Sensordaten gemäß einigen Ausführungsformen der vorliegenden Offenbarung. Es sollte verstanden werden, dass diese und andere hier beschriebene Anordnungen nur als Beispiele dargestellt werden. Andere Anordnungen und Elemente (z. B. Maschinen, Schnittstellen, Funktionen, Anordnungen, Gruppierungen von Funktionen usw.) können zusätzlich zu oder anstelle der gezeigten verwendet werden, und einige Elemente können ganz weggelassen werden. Außerdem sind viele der hier beschriebenen Elemente funktionale Einheiten, die als einzelne oder verteilte Komponenten oder in Verbindung mit anderen Komponenten und in jeder geeigneten Kombination und an jedem geeigneten Ort implementiert werden können. Verschiedene hier beschriebene Funktionen, die von Einheiten ausgeführt werden, können von Hardware, Firmware und/oder Software ausgeführt werden. Beispielsweise können verschiedene Funktionen von einem Prozessor ausgeführt werden, der im Speicher gespeicherte Anweisungen ausführt. In einigen Ausführungsformen können die hierin beschriebenen Systeme, Verfahren und Prozesse unter Verwendung ähnlicher Komponenten, Merkmale und/oder Funktionen wie die des autonomen Beispielfahrzeugs 700 der 7A-7D, dem beispielhaften Rechenvorrichtung 800 der 8 und/oder dem beispielhaften Datenzentrum 900 der 9.
  • Das Kontrastanalysesystem 100 kann unter anderem Sensordaten 102, einen Beleuchtungsanalysator 104, einen Objektdetektor 120, einen Entblendungsmanager 130, einen Positionsrechner 124, eine oder mehrere Steuerkomponente(n) 140 und einen oder mehrere Scheinwerfer 150 (oder allgemeinere Beleuchtungselemente) umfassen. Das Kontrastanalysesystem 100 kann Operationen zur Erzeugung und/oder zum Empfang der Sensordaten 102 von einem oder mehreren Sensoren durchführen. Die Sensordaten 102 können, als nicht einschränkendes Beispiel, von einem oder mehreren Sensoren eines Fahrzeugs (z.B. des Fahrzeugs 700 der 7A-7D und hierin beschrieben) empfangen werden. Die Sensordaten 102 können ohne Einschränkung einen oder mehrere Teile von Sensordaten von einer beliebigen Kombination der Sensoren des Fahrzeugs 700 enthalten, einschließlich, zum Beispiel und mit Bezug auf die 7A-7D, GNSS-Sensor(en) 758 (z.B. Global Positioning System-Sensor(en)), RADAR-Sensor(en) 760, Ultraschallsensor(en) 762, LIDAR-Sensor(en) 764, IMU-Sensor(en) 766 (z.B., Beschleunigungsmesser, Gyroskop(e), Magnetkompass(e), Magnetometer usw.), Mikrofon(e) 796, Stereokamera(s) 768, Weitwinkelkamera(s) 770 (z. B., Fischaugenkameras), Infrarotkamera(s) 772, Surround-Kamera(s) 774 (z. B. 360-Grad-Kameras), Fern- und/oder Mittelbereichskamera(s) 798, Geschwindigkeitssensor(en) 744 (z. B. zur Messung der Geschwindigkeit des Fahrzeugs 700) und/oder andere Sensortypen.
  • Zusätzlich oder alternativ können die Sensordaten 102 virtuelle (z. B. simulierte oder erweiterte) Sensordaten enthalten, die von einer beliebigen Anzahl von Sensoren eines virtuellen Fahrzeugs oder eines anderen virtuellen Objekts in einer virtuellen (z. B. Test-) Umgebung erzeugt werden. In einem solchen Beispiel können die virtuellen Sensoren einem virtuellen Fahrzeug oder einem anderen virtuellen Objekt in einer simulierten Umgebung entsprechen (z. B. zum Testen, Trainieren und/oder Validieren der Leistung eines neuronalen Netzes), und die virtuellen Sensordaten können Sensordaten darstellen, die von den virtuellen Sensoren in der simulierten oder virtuellen Umgebung erfasst wurden. Durch die Verwendung der virtuellen Sensordaten kann das hier beschriebene maschinelle Lernmodell bzw. können die hier beschriebenen maschinellen Lernmodelle 122 unter Verwendung von simulierten Daten aus einer simulierten Umgebung und/oder erweiterten realen Daten getestet, trainiert und/oder validiert werden, was das Testen extremerer Szenarien außerhalb einer realen Umgebung ermöglichen kann, in der solche Tests weniger sicher sein können.
  • In einigen Ausführungsformen können die Sensordaten 102 Bilddaten, die ein oder mehrere Bilder darstellen, Bilddaten, die ein Video darstellen (z. B. Schnappschüsse von Videos), und/oder Sensordaten, die Darstellungen von Sensorfeldern von Sensoren darstellen (z. B. Tiefenkarten für LiDAR-Sensoren, ein Wertediagramm für Ultraschallsensoren usw.), enthalten. Wenn die Sensordaten 102 Bilddaten enthalten, kann jede Art von Bilddatenformat verwendet werden, z. B. und ohne Einschränkung komprimierte Bilder wie in den Formaten Joint Photographic Experts Group (JPEG) oder Luminanz/Chrominanz (YUV), komprimierte Bilder als Frames, die aus einem komprimierten Videoformat wie H.264/Advanced Video Coding (AVC) oder H.265/High Efficiency Video Coding (HEVC), Rohbilder, die beispielsweise von einem Red Clear Blue (RCCB), Red Clear (RCCC), Red Green Blue (RGGB) oder einer anderen Art von Bildsensor stammen, und/oder andere Formate. Darüber hinaus können die Sensordaten 102 in einigen Beispielen innerhalb des Systems 100 ohne jegliche Vorverarbeitung verwendet werden (z. B. in einem rohen oder erfassten Format), während die Sensordaten 102 in anderen Beispielen einer Vorverarbeitung unterzogen werden können (z. B. Rauschausgleich, Demosaicing, Skalierung, Zuschneiden, Vergrößerung, Weißabgleich, Tonkurvenanpassung usw., z. B. unter Verwendung eines Sensordaten-Vorprozessors (nicht dargestellt)). Wie hier verwendet, können sich die Sensordaten 102 auf unverarbeitete Sensordaten, vorverarbeitete Sensordaten oder eine Kombination davon beziehen.
  • In Bezug auf den Beleuchtungsanalysator 104 kann der Beleuchtungsanalysator 104 unter anderem eine oder mehrere Komponenten zur Messung und/oder Berechnung des durch Bilddaten repräsentierten Kontrasts enthalten. Beispielsweise kann der Beleuchtungsanalysator 104 verwendet werden, um Kontrastwerte für Bilddaten wie die Sensordaten 102 bereitzustellen. In einigen Ausführungsformen kann der Beleuchtungsanalysator 104 einen Leuchtdichteanalysator 106, einen Kontrastanalysator 108 und/oder einen Kontrastschwellwertgeber 110 umfassen. Obwohl in 1 nur einige Komponenten und/oder Merkmale des Beleuchtungsanalysators 104 dargestellt sind, ist dies nicht als Einschränkung zu verstehen. Beispielsweise kann der Beleuchtungsanalysator 104 zusätzliche oder alternative Komponenten umfassen, wie die, die unten in Bezug auf das beispielhafte autonome Fahrzeug 700 der 7A-7D beschrieben werden.
  • Der Leuchtdichteanalysator 106 kann eine oder mehrere Komponenten zum Durchführen einer Messung und/oder Extraktion von Leuchtdichtewerten aus einem oder mehreren Pixeln der Bilddaten enthalten. Beispielsweise können Leuchtdichtewerte für ein oder mehrere Pixel bestimmt werden, die in Bilddaten enthalten sind, die für die Sensordaten 102 repräsentativ sind. In mindestens einer Ausführungsform kann der Leuchtdichteanalysator 106 einen Leuchtdichtewert für jedes Pixel eines Bildes bestimmen. Zum Beispiel kann ein Bild, das durch die Sensordaten 102 repräsentiert wird, einen Leuchtdichtewert aufweisen, der mit jedem Pixel in diesem bestimmten Bild verbunden ist. In mindestens einer Ausführungsform kann eine Quantität von Pixeln, die kleiner als alle Pixel in einem Bild ist, ausgewählt werden, und die entsprechenden Leuchtdichtewerte können vom Leuchtdichteanalysator 106 bestimmt werden. Beispielsweise können Leuchtdichtewerte gemäß einem Teil der Sensordaten 102 bestimmt werden, die von dem Objektdetektor 120 und/oder dem/den MLM(s) 122 angezeigt werden. Beispielsweise kann der Objektdetektor 120 Informationen (z. B. Objektstandort, Objektposition, Klassifizierung, Kennzeichnung, Merkmale und/oder andere relevante Informationen über das erkannte Objekt), die mit einem erkannten Objekt verbunden sind, an den Beleuchtungsanalysator 104 weitergeben, der die bereitgestellten Informationen verwenden kann, um eine Auswahl von Pixeln zu bestimmen (z. B. Pixel, die ein Objekt darstellen, Pixel in der Nähe eines Objekts usw.), für die Leuchtdichte- und/oder Kontrastwerte bestimmt werden.
  • Der Kontrastanalysator 108 kann die vom Leuchtdichteanalysator 106 bestimmten Pixelleuchtdichtewerte verwenden, um Kontrastwerte zu berechnen, die Pixeln des Bildes entsprechen (z. B. global, regional und/oder lokal). Zum Beispiel kann der Kontrastanalysator 108 den Leuchtdichtewert eines bestimmten Pixels im Vergleich zum durchschnittlichen Leuchtdichtewert (oder einem anderen hierin beschriebenen statistischen Wert) eines Satzes von Pixeln bewerten, wie dem durchschnittlichen Leuchtdichtewert jedes Pixels in einem Bild. In einigen Ausführungsformen kann der Kontrastanalysator 108 einen durchschnittlichen Leuchtdichtewert für eine Satz von Pixeln als Referenzleuchtdichte berechnen. Obwohl hier ein Mittelwert der Pixel-Leuchtdichtewerte beschrieben wird, soll dies nicht einschränkend sein, und jede geeignete Technik zur Berechnung der Referenzleuchtdichte, einschließlich der Berechnung eines Histogramm-Mittelwerts, der Durchführung einer globalen Pixel-Mittelwertbildung und/oder der Berechnung des beschnittenen Mittelwerts, wird hier in Betracht gezogen. Beispielsweise kann der Kontrastanalysator 108 eine Referenzleuchtdichte bestimmen, indem er ein Histogramm oder einen Mittelwert der Leuchtdichtewerte für einen Satz von Pixeln berechnet, die einem erkannten Objekt und einem Bereich innerhalb eines bestimmten Abstandsradius und/oder einer bestimmten Nähe zu dem erkannten Objekt entsprechen. Die Referenzleuchtdichte kann verwendet werden, um einen Kontrastwert für ein oder mehrere Pixel im Bild zu berechnen. Der Kontrastanalysator 108 kann den Kontrastwert für ein Pixel berechnen, der als Verhältnis - oder eine andere Beziehung - zwischen dem Leuchtdichtewert eines bestimmten Pixels und der Referenzleuchtdichte ausgedrückt wird.
  • Der Kontrastschwellwertgeber 110 kann eine oder mehrere Komponenten zur Anwendung eines Kontrastschwellenwerts enthalten, um eine Satz von Pixeln zu bestimmen, die entsprechende Kontrastwerte aufweisen, die den Kontrastschwellenwert erfüllen. In mindestens einer Ausführungsform ist der Kontrastschwellenwert vorgegeben. Beispielsweise kann der Kontrastschwellenwert als ein Wert (z. B. 5-fach, 10-fach, 100-fach usw. in Bezug auf die Referenzleuchtdichte) bestimmt werden, bei dem Blendung für einen Beobachter unangenehm werden kann und/oder ein Wert, bei dem jegliche Blendung die Fähigkeit der Sensoren zur Erfassung von Sensordaten stören kann. Der Kontrastschwellenwert kann im Voraus festgelegt oder dynamisch basierend auf den vom Leuchtdichteanalysator 106 ermittelten Pixelleuchtdichtewerten bestimmt werden. Der Kontrastschwellwertgeber 110 kann die Kontrastwerte, die einer Satz von Pixeln zugeordnet sind, vom Kontrastanalysator 108 erhalten. Zum Beispiel kann der Kontrastschwellwertgeber 110 die Anzahl der Pixel zählen oder bestimmen, die einen relativen Kontrastwert über dem Schwellenwert haben.
  • Nun auf den Objektdetektor 120 bezugnehmend, kann der Objektdetektor 120 unter anderem eine oder mehrere Komponenten zur Erkennung eines oder mehrerer Objekte (z. B. Verkehrszeichen, Reflektoren, Straßenmarkierungen usw.) in den Bilddaten enthalten. In einigen Ausführungsformen kann der Objektdetektor 120 ein neuronales Faltungsnetzwerk (CNN) und/oder ein anderes maschinelles Lernmodell (MLM) verwenden, um ein oder mehrere Objekte (z. B. Verkehrszeichen, Reflektoren, Straßenmarkierungen usw.) in den Bilddaten zu erkennen. Beispielsweise kann der Objektdetektor 120 ein oder mehrere MLM(s) 122 verwenden, um Objekte in den Sensordaten 102 (z. B. in einem Bild) zu erkennen. In mindestens einer Ausführungsform kann der Objektdetektor 120 ein oder mehrere Objekte unter Verwendung von Ansätzen erkennen, die sich nicht unbedingt auf die MLM(s) 122 stützen. Beispielsweise kann der Objektdetektor 120 Objekte durch Clustern und Analysieren von Merkmalen wie Leuchtdichte, Farbwerte, Kontrastwerte, relative Helligkeit, relativen Farbton, relative Tönung usw. erkennen, die den Pixeln eines durch die Sensordaten 102 dargestellten Bildes entsprechen.
  • Wenn das MLM(s) 122 verwendet werden kann, um ein oder mehrere Objekte in einem Bild zu erkennen, können die Sensordaten 102 und/oder daraus abgeleitete Daten auf das MLM 122 angewendet werden, um eine oder mehrere Objektpositionen und/oder Bereiche in einem oder mehreren Bildern vorherzusagen, die durch die Sensordaten 102 als ein Objekt enthaltend dargestellt werden. Das/die erkannte(n) Objekt(e) kann/können mit einem oder mehreren Pixeln der Bilddaten unter Verwendung der einen oder mehreren Objektpositionen und/oder -bereiche verknüpft werden (z. B. kann ein Objekt mit einem oder mehreren Pixeln innerhalb einer Begrenzungsform oder -Rahmens verknüpft werden). Der Kontrastanalysator 108 kann Kontrastwerte für eines oder mehrere der Pixel des Eingangsbildes basierend auf mindestens einem oder mehreren der erkannten Orte und/oder Begrenzungsformen berechnen. Beispielsweise können ein oder mehrere Orte oder eine oder mehrere Begrenzungsformen verwendet werden, um lokale, globale und/oder regionale Kontrastwerte für ein oder mehrere entsprechende Pixel zu berechnen.
  • Nun auf den Positionsrechner 124 bezugnehmend, kann der Positionsrechner 124 eine oder mehrere Komponenten enthalten, die konfiguriert sind, eine oder mehrere 2D- und/oder 3D-Positionen von erkannten Objekten zu bestimmen. Beispielsweise kann der Positionsrechner 124 Angaben zu einem oder mehreren Objekten empfangen, die vom Objektdetektor 120 erfasst wurden, und die Position und/oder den Abstand zu dem einen oder den mehreren erfassten Objekten bestimmen. In einer oder mehreren Ausführungsformen kann dies die Nachbearbeitung von Vorhersagedaten von einem MLM 122 beinhalten. In einigen Ausführungsformen kann der Positionsrechner 124 die Position eines oder mehrerer erfasster Objekte relativ zu einer autonomen Maschine wie dem autonomen Fahrzeug 700 der 7A-7D bestimmen. Zum Beispiel kann der Positionsrechner 124 den Abstand zwischen einem Fahrzeug und einem erkannten Objekt, wie einem Schild, berechnen und Informationen (z. B. Abstand, Winkel relativ zur Fahrtrichtung des Fahrzeugs, Höhe des Objekts, Größe des Objekts usw.) erzeugen, die mit der berechneten Position des Schilds relativ zum Fahrzeug verbunden sind. In einigen Ausführungsformen kann der Positionsrechner 124 Positionsinformationen, die mit einem oder mehreren erkannten Objekten verbunden sind, dem Entblendungsmanager 130 bereitstellen.
  • Der Entblendungsmanager 130 kann eine oder mehrere Komponenten zur Bestimmung von Blendungsminderungsoperationen enthalten, die mindestens basierend auf den relativen Kontrastwerten durchzuführen sind, die den Pixeln des Bildes bzw. der Bilder entsprechen, die den Sensordaten 102 entsprechen. Beispielsweise kann der Entblendungsmanager 130 basierend auf den vom Beleuchtungsanalysator 104 berechneten Kontrastwerten ein oder mehrere in den Sensordaten 102 dargestellte Objekte als Kandidaten für Blendungsminderungsoperationen bestimmen und somit die Blendungsminderungsoperationen auslösen. In einigen Ausführungsformen kann der Entblendungsmanager 130 Objekte, die in den Sensordaten 102 dargestellt sind, als Kandidaten für Blendungsminderungsoperationen bestimmen, indem er einen Größenschwellenwert auf die mit den Objekten verbundenen Pixel anwendet. Zum Beispiel kann der Entblendungsmanager 130 bestimmen, dass Blendungsminderungsoperationen in Verbindung mit einem erkannten Objekt basierend auf der Größe des Objekts und/oder der Anzahl der Pixel, die einen Kontrastschwellenwert überschreiten (z. B. wie vom Kontrastschwellwertgeber 110 angegeben), durchgeführt werden sollten. Zum Beispiel kann in einer oder mehreren Ausführungsformen eine Blendungsminderungsoperation nur durchgeführt werden, wenn die Anzahl der kontrastreichen Pixel, die einem Objekt zugeordnet sind, eine minimale Quantität erfüllt. In einigen Beispielen werden keine Blendungsminderungsoperationen ausgelöst, wenn der Größenschwellenwert nicht erfüllt ist, selbst wenn alle mit einem erkannten Objekt verbundenen Pixel Kontrastwerte über dem Kontrastschwellenwert aufweisen.
  • In mindestens einer Ausführungsform kann der Entblendungsmanager 130 Positionsinformationen empfangen, die mit einem oder mehreren erkannten Objekten verbunden sind. In mindestens einer Ausführungsform können die Positionsinformationen des Positionsrechners 124 verwendet werden, um zu bestimmen, ob ein erkanntes Objekt den Größenschwellenwert erfüllt. Beispielsweise kann die Größe eines Objekts unter Verwendung des vom Positionsrechner 124 ermittelten Abstands zum Objekt und basierend auf den Sensordaten 102 geschätzt werden. In mindestens einer Ausführungsform kann der Entblendungsmanager 130 Informationen, die einer berechneten 3D-Position eines erkannten Objekts entsprechen, vom Positionsrechner 124 erhalten. Der Entblendungsmanager 130 kann die Positionsinformationen aus dem Positionsrechner 124 verwenden, um die auszuführenden Blendungsminderungsoperationen zu bestimmen. Wenn beispielsweise die Positionsinformationen aus dem Positionsrechner 124 basierend auf den Positionen eines erfassten Objekts, der Insassen eines Fahrzeugs, der Sensoren des Fahrzeugs und/oder eines oder mehrerer Scheinwerfer 150 eine Wahrscheinlichkeit anzeigen, dass das von dem/den Scheinwerfer(n) 150 emittierte Licht von dem reflektierten Objekt in Richtung der Insassen oder der Sensoren des Fahrzeugs reflektiert wird, können Blendungsminderungsoperationen ausgelöst werden (z. B. Reduzierung der Beleuchtungsleistung für ein oder mehrere Elemente der Scheinwerfer). Beispielsweise kann der Entblendungsmanager 130 eine oder mehrere Entfernungen und/oder Winkel zwischen einem erkannten Zeichen und dem/den Scheinwerfer(n) 150 und/oder die Position bestimmter Teile eines Fahrzeugs, wie die Position von Sensoren oder potenziellen Fahrern/Insassen, schätzen.
  • In einigen Ausführungsformen kann der Entblendungsmanager 130 basierend auf der Feststellung, dass Blendungsminderungsoperationen in Verbindung mit einem erfassten Objekt durchgeführt werden sollten, Informationen, die mit dem erfassten Objekt verbunden sind, an die eine oder mehrere Steuerkomponente(n) 140 liefern, die eine Modifikation (z. B. eine Änderung) an einem oder mehreren Scheinwerfer(n) 150 bewirken können. Beispielsweise kann der Entblendungsmanager 130 der einen oder den mehreren Steuerkomponente(n) 140 eine Anzeige der Position eines blendenden Objekts geben, um eine Anpassung an mindestens ein Beleuchtungselement des/der Scheinwerfer(s) 150 zu bewirken.
  • Der (die) Scheinwerfer 150 kann (können) eine oder mehrere Beleuchtungsquellen enthalten, die mit einer autonomen Maschine wie dem autonomen Fahrzeug 700 der 7A-7D. Obwohl hier nach vorne gerichtete Scheinwerfer beschrieben werden, soll dies nicht einschränkend sein, und jede andere Lichtquelle oder Ausrichtung der Lichtquelle ist hier in Betracht zu ziehen. Beispielsweise können die Scheinwerfer 150 Abblendlicht, Fernlicht, Nebelscheinwerfer, Fahrlicht, Warnblinklicht, Signallicht und/oder andere Beleuchtungsquellen umfassen (z. B. solche, die in der Lage sind, Licht in Richtung eines Fahrgastes und/oder eines Sensors des Fahrzeugs 700 zu reflektieren oder anderweitig Blendung zu verursachen oder dazu beizutragen). In einigen Ausführungsformen können der/die Scheinwerfer 150 Licht mit einer Wellenlänge außerhalb des sichtbaren Lichtspektrums (z. B. für das menschliche Auge sichtbar) aussenden. Zum Beispiel kann (können) der (die) Scheinwerfer 150 nicht sichtbare Strahlung oder nicht sichtbares Licht (z. B. für das menschliche Auge) wie Infrarotlicht (IR) emittieren. Der (die) Scheinwerfer 150 kann (können) ein oder mehrere unabhängig voneinander konfigurierbare Beleuchtungselemente enthalten. Zum Beispiel kann der Scheinwerfer (die Scheinwerfer) 150 eine Vielzahl von Lichtelementen enthalten, die in einer Matrixanordnung (z. B. Gitter) angeordnet sind. In einem solchen Beispiel kann jedes Lichtelement einzeln oder in Verbindung mit einem oder mehreren anderen Elementen konfiguriert werden. Beispielsweise kann ein einzelnes Beleuchtungselement durch Aktivieren/Deaktivieren des ausgestrahlten Lichts, durch Erhöhen oder Verringern der Beleuchtungsstärke des Elements, durch Einstellen der Richtung oder des Fokus des projizierten Lichts oder durch eine beliebige Kombination von Konfigurationen konfiguriert werden. Durch die Änderung der Konfiguration eines oder mehrerer Beleuchtungselemente des/der Scheinwerfer(s) 150 kann die von Objekten reflektierte Blendung gemildert werden. Wird beispielsweise eine Blendung durch ein Schild festgestellt, können die Beleuchtungselemente, die das Schild beleuchten, deaktiviert oder vom Schild weg projiziert werden (z. B. unter Beibehaltung der Beleuchtung um das Schild oder ein anderes Objekt).
  • Als nicht einschränkende Beispiele und in Bezug auf die 2A-2B werden die 2A-2B zur Veranschaulichung von Beispielen für die Blendungsminderung gemäß mindestens einigen Ausführungsformen der vorliegenden Offenbarung verwendet. Beispielsweise zeigt 2A ein Beispielbild 200A aus der Perspektive eines Fahrzeugs wie des Fahrzeugs 700 (z. B. aus der Perspektive einer Kamera desselben), und 2B zeigt ein Beispielbild 200B aus der Perspektive des Fahrzeugs 700 nach der Blendungsminderung, gemäß einigen Ausführungsformen der vorliegenden Offenbarung.
  • Beispielsweise kann sich das Fahrzeug 700 auf einer Fahrbahn 204 befinden, die Objekte wie Fahrbahnmarkierungen, Fahrzeuge, Fußgänger, Hindernisse, visuelle Indikatoren und/oder Beschilderungen wie ein Verkehrsschild 206 enthält. Die Fahrbahn 204 kann ganz oder teilweise von einer oder mehreren Beleuchtungsquellen beleuchtet werden, z. B. von einem Scheinwerfer 240, der einem oder mehreren der Scheinwerfer 150 der 1 entsprechen kann. Die Beleuchtungsquellen können in Beleuchtungselemente unterteilt und/oder gruppiert werden, die einzeln und/oder gemeinsam gesteuert werden können. Der Scheinwerfer 240 kann zum Beispiel eine beliebige Anzahl von Beleuchtungselementen, wie die Lichtelemente 242A-242H, enthalten. Obwohl der Scheinwerfer 240 mit 8 Elementen dargestellt ist, ist dies nicht als Einschränkung zu verstehen und jede Anzahl und/oder Anordnung von Beleuchtungselementen ist hier in Betracht zu ziehen.
  • Die Beleuchtungsquellen können bewirken, dass eine Beleuchtungsfläche 210 in Verbindung mit der Fahrbahn 204 geworfen oder projiziert wird, so dass die Fahrbahn 204 zumindest teilweise beleuchtet werden kann. Teile der Beleuchtungsfläche 210 können mindestens einem Lichtelement einer Beleuchtungsquelle entsprechen. Beispielsweise kann jedes Strahlsegment der Strahlsegmente 212 einem Lichtelement wie den Lichtelementen 242A-242H entsprechen. In einigen Beispielen kann die Reduzierung der Leistung und/oder die Deaktivierung eines bestimmten Lichtelements dazu führen, dass die zugehörigen Strahlsegmente eine geringere Beleuchtungswirkung auf der Fahrbahn 204 aufweisen. Wie in 2B dargestellt und durch das Bild 200B wiedergegeben, wurden beispielsweise die Lichtelemente 242A und 242B deaktiviert, so dass ein Teil der Strahlsegmente 212 das Verkehrszeichen 206 nicht mehr beleuchtet. Da in diesem Beispiel die Lichtelemente 242A und 242B, die mit dem Teil der Strahlsegmente 212 verbunden sind, der dem Verkehrszeichen 206 entspricht, deaktiviert wurden, kann die Blendung, die durch den Scheinwerfer 240 auf das Verkehrszeichen 206 verursacht wird, für die Sensoren und/oder Insassen des Fahrzeugs 700 reduziert oder eliminiert werden.
  • Nun auf 3 bezugnehmend, zeigt 3 eine Visualisierung eines Beispielbildes 300 zur Verwendung bei der Bestimmung lokaler Kontrastwerte für Pixel, die mit erkannten Objekten verbunden sind, gemäß einigen Ausführungsformen der vorliegenden Offenbarung. Das Bild 300 enthält ein erkanntes Objekt 310 (z. B. ein Schild), das mit dem Objektdetektor 120 der 1 erkannt werden kann. Wie hierin beschrieben, kann der Objektdetektor 120 eine oder mehrere der Dimensionen und/oder die Position einer Begrenzungsform anzeigen, die mit dem erfassten Objekt 310 verbunden ist, wie z. B. einen Begrenzungsrahmen 330. Der Begrenzungsrahmen 330 kann einen Bereich des Bildes 300 definieren, der ein oder mehrere mit dem Bild 300 verbundene Pixel enthält. Das Bild 300 kann auch einen lokalen Kontrastbereich 320 enthalten, der in Verbindung mit dem Begrenzungsrahmen 330 angeordnet oder definiert sein kann. Der lokale Kontrastbereich 320 kann ein oder mehrere Pixel des Bildes 300 enthalten, die verwendet werden können, um eine Referenzleuchtdichte zu berechnen, die verwendet wird, um einen lokalen Kontrastwert - wie hierin beschrieben - für ein oder mehrere Pixel (z. B. jedes Pixel) innerhalb des Begrenzungsrahmens 330 zu bestimmen.
  • Eine oder mehrere der Abmessungen des Begrenzungsrahmens 330 können mit einem Größenschwellenwert verglichen werden, um zu bestimmen, ob eine Blendungsminderung oder ein anderer Beleuchtungsvorgang ausgelöst werden soll. Zum Beispiel kann der Entblendungsmanager 130 der 1 einen Größenschwellenwert auf die Abmessungen des Begrenzungsrahmens 330 anwenden. Ein Größenschwellenwert (der z. B. eine Mindestgröße oder -abmessung angibt) kann auf horizontale und/oder vertikale Komponenten des Begrenzungsrahmens 330 angewendet werden. Zum Beispiel kann ein horizontaler Größenschwellenwert 350A auf eine horizontale Objektgröße 340A und/oder ein vertikaler Größenschwellenwert 350B auf eine vertikale Objektgröße 340B angewendet werden. In einigen Ausführungsformen kann eine Blendungsminderungsoperation ausgelöst werden, wenn die horizontale Objektgröße 340A den horizontalen Größenschwellenwert 350A und die vertikale Objektgröße 340B den vertikalen Größenschwellenwert 350B überschreitet. In einigen Ausführungsformen kann die Blendungsminderungsoperation ausgelöst werden, wenn entweder die horizontale Objektgröße 340A den horizontalen Größenschwellenwert 350A oder die vertikale Objektgröße 340B den vertikalen Größenschwellenwert 350B überschreitet. In einigen Ausführungsformen können die vertikale Objektgröße 340B und die horizontale Objektgröße 340A verwendet werden, um eine Objektfläche zu bestimmen, die mit einer Schwellenfläche verglichen werden kann (z. B. die Mindestfläche, die zum Auslösen von Blendungsminderungsoperationen erforderlich ist). Beispielsweise können die vertikale Objektgröße 340B und die horizontale Objektgröße 340A multipliziert werden, um eine Objektfläche zu bestimmen, die mit einer Fläche verglichen werden kann, die durch Multiplikation der vertikalen Größenschwelle 350B und der horizontalen Größenschwelle 350A berechnet wird.
  • Nun auf die 4A-4C bezugnehmend, stellen die 4A-4C Beispiele für die Anwendung des Beleuchtungsanalysators 104 der 1 auf Pixel dar, die dem erfassten Objekt 310 entsprechen, gemäß mindestens einigen Ausführungsformen der vorliegenden Offenbarung. 4A stellt einen Bereich 410 des Bildes 200A der 2A dar, der den Sensordaten 102 der 1 entsprechen kann. Der Bereich 410 kann zum Beispiel einen Teil der durch die Sensordaten 102 dargestellten Pixel umfassen. In einigen Ausführungsformen umfasst der Bereich 410 ein oder mehrere Pixel, die mit dem in den Sensordaten 102 erfassten Objekt 310 verbunden sind. Zum Beispiel kann der Objektdetektor 120 die Abmessungen, Positionen und/oder andere Angaben von Pixeln bereitstellen, die mit einem erkannten Objekt verbunden sind. Beispielsweise kann der Objektdetektor 120 eine Begrenzungsform erzeugen, die einem erkannten Objekt (z. B. einem Verkehrszeichen, einem Fahrzeug, einem Fußgänger usw.) entspricht, und einen Satz von Pixeln innerhalb der Begrenzungsform bestimmen. Der Satz von Pixeln kann an den Beleuchtungsanalysator 104 weitergeleitet werden. Mit dem Leuchtdichteanalysator 106 kann ein Leuchtdichtewert bestimmt werden (z. B. für jedes einzelne Pixel). Beispielsweise kann der Bereich 410 in 4A dem Begrenzungsrahmen 330 eines erkannten Zeichens entsprechen, der einen Satz von Pixeln enthält, die jeweils einen entsprechenden Leuchtdichtewert aufweisen, wie durch die Leuchtdichtewerte 420A angegeben (z. B. 10K Candela pro Quadratmeter „cd/m2“). Unter Verwendung der Leuchtdichtewerte 420A des Bereichs 410 kann der Kontrastanalysator 108 jeden Kontrastwert berechnen, indem er den entsprechenden Leuchtdichtewert mit der Referenzleuchtdichte vergleicht.
  • 4B zeigt ein Beispiel für Kontrastwerte 420B, die unter Verwendung der Leuchtdichtewerte 420A berechnet werden können. In mindestens einer Ausführungsform kann ein Kontrastwert der Kontrastwerte 420B für ein bestimmtes Pixel durch Berechnung des Verhältnisses zwischen dem Leuchtdichtewert dieses bestimmten Pixels und einer Referenzleuchtdichte (z. B. einem Mittelwert) einer bestimmten Satz von Pixeln, wie hier beschrieben, bestimmt werden. Beispielsweise kann die Bestimmung der Referenzleuchtdichte auf der Auswahl eines Bereichs des Bildes 200A basieren. Der Bereich des Bildes 200A kann so ausgewählt werden, dass Details des relativen Kontrasts erfasst werden, die mit einem oder mehreren Objekten innerhalb des Bildes 200A verbunden sind. Beispielsweise können Radien verschiedener Größen (z. B. ein kleiner Radius, ein kleiner bis mittlerer Radius, ein mittlerer Radius, ein großer Radius usw.) verwendet werden, um den Satz von Pixeln zu bestimmen, die zur Bestimmung der Referenzleuchtdichte durch Mittelwertbildung und/oder Berechnung einer zentralen Tendenz verwendet werden. Zum Beispiel kann der lokale Kontrastbereich 320 der 3 verwendet werden, um eine Referenzleuchtdichte aus den Pixeln innerhalb des entsprechenden Bereichs zu bestimmen. Wie in 4B dargestellt, kann für jedes Pixel des Bereichs 410 ein Kontrastwert bestimmt werden. In dem in 4B dargestellten Beispiel ist beispielsweise mit jedem Pixel des Satzes der Pixel ein Kontrastwert verbunden, der durch Bestimmung des Verhältnisses der entsprechenden Leuchtdichtewerte 420A zur Referenzleuchtdichte von 75 cd/m2 in diesem nicht einschränkenden Beispiel berechnet wird.
  • 4C zeigt ein Beispiel für Schwellenwerte 420V, die sich aus der Anwendung einer Schwellenwertoperation auf die Kontrastwerte 420C ergeben können. Eine Schwellenwertbildung kann durch den Kontrastschwellwertgeber 110 der 1 durchgeführt werden. In dem in 4C dargestellten, nicht einschränkenden Beispiel wird auf jeden Kontrastwert der Kontrastwerte 420C ein Schwellenwert von 100 angewendet. In einer oder mehreren Ausführungsformen werden nur die Pixel des Bereichs 410, die Kontrastwerte aufweisen, die den Schwellenwert von 100 erfüllen, beibehalten oder anderweitig als den Kontrastschwellenwert erfüllend identifiziert. Beispielsweise kann den Pixeln mit Kontrastwerten 420C, die den Schwellenwert erfüllen, der Wert 1 zugewiesen werden, während den Pixeln mit Kontrastwerten 420C, die den Schwellenwert nicht erfüllen, der Wert 0 zugewiesen oder anderweitig negiert oder angezeigt werden kann. Die Quantität der Pixel in der Bereich 410, die den Schwellenwert erfüllen, kann bestimmt und bei Blendungsminderungsoperationen verwendet werden, z. B. durch den Entblendungsmanager 130, die Steuerkomponente(n) 140 und/oder den/die Scheinwerfer 150 der 1.
  • Nun auf 5 bezugnehmend umfasst jeder Block des hier beschriebenen Verfahrens 500 einen Rechenprozess, der mit einer beliebigen Kombination aus Hardware, Firmware und/oder Software durchgeführt werden kann. Beispielsweise können verschiedene Funktionen von einem Prozessor ausgeführt werden, der im Speicher gespeicherte Anweisungen ausführt. Die Verfahren können auch als computerverwendbare Anweisungen auf Computerspeichermedien gespeichert sein. Die Methoden können durch eine eigenständige Anwendung, einen Dienst oder einen gehosteten Dienst (eigenständig oder in Kombination mit einem anderen gehosteten Dienst) oder ein Plug-in für ein anderes Produkt bereitgestellt werden, um nur einige zu nennen. Darüber hinaus wird die Methode 500 beispielhaft für das Kontrastanalysesystem der 1 beschrieben. Diese Verfahren können jedoch zusätzlich oder alternativ von einem beliebigen System oder einer beliebigen Kombination von Systemen ausgeführt werden, einschließlich, aber nicht beschränkt auf die hier beschriebenen Systeme.
  • 5 ist ein Flussdiagramm, das ein Verfahren 500 zur Bildkontrastanalyse zur Blendungsminderung gemäß einigen Ausführungsformen der vorliegenden Offenbarung zeigt. Das Verfahren 500 umfasst im Block B502 den Empfang von Bilddaten, die für ein oder mehrere Bilder repräsentativ sind, auf denen ein oder mehrere Objekte dargestellt sind. Beispielsweise können die Sensordaten 102 von dem Beleuchtungsanalysator 104 und dem Objektdetektor 120 empfangen werden.
  • Das Verfahren 500 umfasst in Block B504 die Berechnung unter Verwendung der Bilddaten eines oder mehrerer Kontrastwerte eines oder mehrerer Pixel, die dem einen oder den mehreren Objekten entsprechen. Beispielsweise kann der Kontrastanalysator 108 Kontrastwerte für Pixel bestimmen, die unter Verwendung der Sensordaten 102 repräsentiert werden und einem oder mehreren Objekten entsprechen, die von dem Objektdetektor 120 erfasst werden können.
  • Das Verfahren 500 umfasst in Block B506 die Übertragung von Daten, um eine Maschine zu veranlassen, eine oder mehrere Operationen durchzuführen, die mindestens auf der Analyse des Satzes der Kontrastwerte basieren. Beispielsweise können basierend auf den vom Beleuchtungsanalysator 104 ermittelten Kontrastwerten eine oder mehrere Steuerkomponenten 140 Operationen durchführen, wie z. B. das Einstellen, Modifizieren oder Steuern der Scheinwerfer 150.
  • Nun auf 6 bezugnehmend umfasst jeder Block des hier beschriebenen Verfahrens 600 einen Rechenprozess, der mit einer beliebigen Kombination aus Hardware, Firmware und/oder Software durchgeführt werden kann. Beispielsweise können verschiedene Funktionen von einem Prozessor ausgeführt werden, der im Speicher gespeicherte Anweisungen ausführt. Die Verfahren können auch als computerverwendbare Anweisungen auf Computerspeichermedien gespeichert sein. Die Methoden können durch eine eigenständige Anwendung, einen Dienst oder einen gehosteten Dienst (eigenständig oder in Kombination mit einem anderen gehosteten Dienst) oder ein Plug-in für ein anderes Produkt bereitgestellt werden, um nur einige zu nennen. Darüber hinaus wird das Verfahren 600 beispielhaft für das Kontrastanalysesystem der 1 beschrieben. Diese Verfahren können jedoch zusätzlich oder alternativ von einem beliebigen System oder einer beliebigen Kombination von Systemen ausgeführt werden, einschließlich, aber nicht beschränkt auf die hier beschriebenen Systeme.
  • 6 ist ein Flussdiagramm, das ein Verfahren 600 zur Bildkontrastanalyse zur Blendungsminderung basierend auf der Objekterfassung gemäß einigen Ausführungsformen der vorliegenden Offenbarung zeigt. Das Verfahren 600 umfasst im Block B602 den Empfang von Bilddaten, die für ein oder mehrere Bilder repräsentativ sind. Zum Beispiel kann der Beleuchtungsanalysator 104 die Sensordaten 102 empfangen.
  • Das Verfahren 600 umfasst in Block B604 die Erfassung eines oder mehrerer Objekte. Zum Beispiel kann der Objektdetektor 120 unter Verwendung der Sensordaten 102 ein oder mehrere Objekte erkennen, die in den Sensordaten 102 dargestellt sind.
  • Das Verfahren 600 umfasst in Block B606 die Bestimmung eines interessierenden Bereichs in dem einen oder den mehreren Bildern, der dem einen oder den mehreren Objekten entspricht. Beispielsweise kann der Objektdetektor 120 einen interessierenden Bereich bestimmen, der Pixel anzeigt, die einem oder mehreren in den Sensordaten 102 erfassten Objekten entsprechen.
  • Das Verfahren 600 umfasst in Block B608 die Berechnung unter Verwendung der Bilddaten eines oder mehrerer Kontrastwerte eines oder mehrerer Pixel in dem einen oder den mehreren Bildern. Zum Beispiel kann der Kontrastanalysator 108 des Beleuchtungsanalysators 104 Kontrastwerte für Pixel bestimmen, die durch die Sensordaten 102 repräsentiert werden. In einer oder mehreren Ausführungsformen kann die Berechnung der Kontrastwerte auf die interessierenden Bereiche oder die Bereiche der erkannten Objekte von Interesse (z. B. Schilder) beschränkt sein oder auf andere Weise darauf basieren. Beispielsweise kann die Berechnung lokaler Kontrastwerte sehr rechenintensiv sein (da jedes Pixel von allen umliegenden Pixeln abhängen kann), und die Begrenzung der analysierten Pixel kann Rechenressourcen sparen.
  • Das Verfahren 600 umfasst in Block B610 das Analysieren eines Satzes von Kontrastwerten aus dem einen oder den mehreren Kontrastwerten, die dem interessierenden Bereich entsprechen. Zum Beispiel kann der Kontrastschwellwertgeber 110 einen oder mehrere Kontrastwerte für ein oder mehrere Pixel analysieren, die dem vom Objektdetektor 120 ermittelten interessierenden Bereich entsprechen.
  • Das Verfahren 600 umfasst in Block B612 das Übertragen von Daten, um eine Maschine zu veranlassen, eine oder mehrere Operationen durchzuführen, die mindestens auf dem Analysieren des Satzes von Kontrastwerten basieren. Zum Beispiel kann die Steuerkomponente(n) 140 basierend auf den analysierten Kontrastwerten vom Beleuchtungsanalysator 104 Operationen durchführen, wie das Steuern der Konfiguration eines oder mehrerer Elemente der Scheinwerfer 150.
  • Beispielhaftes autonomes Fahrzeug
  • 7A ist eine Darstellung eines beispielhaften autonomen Fahrzeugs 700 gemäß einigen Ausführungsformen der vorliegenden Offenbarung. Das autonome Fahrzeug 700 (hier alternativ als „Fahrzeug 700“ bezeichnet) kann ohne Einschränkung ein Personenfahrzeug sein, wie z. B. ein Pkw, ein Lkw, ein Bus, ein Ersthelferfahrzeug, ein Shuttle, ein elektrisches oder motorisiertes Fahrrad, ein Motorrad, ein Feuerwehrauto, ein Polizeifahrzeug, ein Krankenwagen, ein Boot, ein Baufahrzeug, ein Unterwasserfahrzeug, eine Drohne, ein an einen Anhänger gekoppeltes Fahrzeug und/oder eine andere Art von Fahrzeug (z. B. das unbemannt ist und/oder einen oder mehrere Fahrgäste aufnimmt). Autonome Fahrzeuge werden im Allgemeinen in Form von Automatisierungsstufen beschrieben, die von der National Highway Traffic Safety Administration (NHTSA), einer Abteilung des US-Verkehrsministeriums, und der Society of Automotive Engineers (SAE) „Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles“ (Standard Nr. J3016-201806, veröffentlicht am 15. Juni 2018, Standard Nr. J3016-201609, veröffentlicht am 30. September 2016, sowie frühere und zukünftige Versionen dieses Standards) definiert werden. Das Fahrzeug 700 kann in der Lage sein, Funktionen in Übereinstimmung mit einer oder mehreren der Stufen 3 bis 5 der autonomen Fahrstufen zu erfüllen. Das Fahrzeug 700 kann Funktionen gemäß einem oder mehreren der Level 1 - Level 5 der autonomen Fahrstufen aufweisen. Beispielsweise kann das Fahrzeug 700 je nach Ausführungsform Fahrerassistenz (Stufe 1), Teilautomatisierung (Stufe 2), bedingte Automatisierung (Stufe 3), hohe Automatisierung (Stufe 4) und/oder vollständige Automatisierung (Stufe 5) bieten. Der Begriff „autonom“, wie er hier verwendet wird, kann jede und/oder alle Arten von Autonomie für das Fahrzeug 700 oder eine andere Maschine umfassen, wie z. B. vollständig autonom, hochgradig autonom, bedingt autonom, teilautonom, unterstützende Autonomie, teilautonom, primär autonom oder eine andere Bezeichnung.
  • Das Fahrzeug 700 kann Komponenten wie ein Fahrgestell, eine Fahrzeugkarosserie, Räder (z. B. 2, 4, 6, 8, 18 usw.), Reifen, Achsen und andere Komponenten eines Fahrzeugs umfassen. Das Fahrzeug 700 kann ein Antriebssystem 750 umfassen, wie z. B. einen Verbrennungsmotor, ein Hybrid-Elektrokraftwerk, einen reinen Elektromotor und/oder einen anderen Antriebssystemtyp. Das Antriebssystem 750 kann mit einem Antriebsstrang des Fahrzeugs 700 verbunden sein, der ein Getriebe umfassen kann, um den Antrieb des Fahrzeugs 700 zu ermöglichen. Das Antriebssystem 750 kann in Reaktion auf den Empfang von Signalen von der Drosselklappe/Gaspedal 752 gesteuert werden.
  • Ein Lenksystem 754, das ein Lenkrad umfassen kann, kann verwendet werden, um das Fahrzeug 700 zu lenken (z. B. entlang eines gewünschten Weges oder einer Route), wenn das Antriebssystem 750 in Betrieb ist (z. B. wenn das Fahrzeug in Bewegung ist). Das Lenksystem 754 kann Signale von einem Lenkaktor 756 empfangen. Das Lenkrad kann optional für die vollständige Automatisierung (Stufe 5) eingesetzt werden.
  • Das Bremssensorsystem 746 kann verwendet werden, um die Fahrzeugbremsen in Reaktion auf den Empfang von Signalen von den Bremsaktoren 748 und/oder Bremssensoren zu betätigen.
  • Controller 736, die ein oder mehrere System-on-Chips (SoCs) 704 (7C) und/oder GPU(s) umfassen kann (können), kann (können) Signale (z. B. repräsentativ für Befehle) an eine oder mehrere Komponenten und/oder Systeme des Fahrzeugs 700 senden. Beispielsweise kann/können die Steuereinheit(en) Signale zur Betätigung der Fahrzeugbremsen über einen oder mehrere Bremsaktuatoren 748, zur Betätigung des Lenksystems 754 über einen oder mehrere Lenkaktuatoren 756 und zur Betätigung des Antriebssystems 750 über einen oder mehrere Drossel-/Beschleunigungsregler 752 senden. Der/die Controller 736 kann/können eine oder mehrere eingebaute (z. B. integrierte) Rechenvorrichtungen (z. B. Supercomputer) umfassen, die Sensorsignale verarbeiten und Betriebsbefehle ausgeben (z. B. Signale, die Befehle darstellen), um autonomes Fahren zu ermöglichen und/oder einen menschlichen Fahrer beim Führen des Fahrzeugs 700 zu unterstützen. Der Controller 736 kann einen ersten Controller 736 für autonome Fahrfunktionen, einen zweiten Controller 736 für funktionale Sicherheitsfunktionen, einen dritten Controller 736 für Funktionen der künstlichen Intelligenz (z. B. Computervision), einen vierten Controller 736 für Infotainment-Funktionen, einen fünften Controller 736 für Redundanz unter Notfallbedingungen und/oder andere Controller umfassen. In einigen Beispielen kann ein einziger Controller 736 zwei oder mehr der oben genannten Funktionen übernehmen, zwei oder mehre Controller 736 können eine einzige Funktion übernehmen und/oder eine beliebige Kombination davon.
  • Der/die Controller 736 kann/können die Signale zur Steuerung einer oder mehrerer Komponenten und/oder Systeme des Fahrzeugs 700 als Reaktion auf Sensordaten bereitstellen, die von einem oder mehreren Sensoren (z. B. Sensoreingaben) empfangen werden. Die Sensordaten können beispielsweise und ohne Einschränkung von (einem) Sensor(en) des globalen Navigationssatellitensystems 758 (z. B. Global-Positioning-System-Sensor(en)), RADAR-Sensor(en) 760, Ultraschallsensor(en) 762, LIDAR-Sensor(en) 764, Trägheitsmesseinheit (IMU)-Sensor(en) 766 (z. B., Beschleunigungsmesser, Gyroskop(e), Magnetkompass(e), Magnetometer usw.), Mikrofon(e) 796, Stereokamera(s) 768, Weitwinkelkamera(s) 770 (z. B., Fischaugenkameras), Infrarotkamera(s) 772, Surround-Kamera(s) 774 (z. B. 360-Grad-Kameras), Fern- und/oder Mittelbereichskamera(s) 798, Geschwindigkeitssensor(en) 744 (z. B. zur Messung der Geschwindigkeit des Fahrzeugs 700), Vibrationssensor(en) 742, Lenksensor(en) 740, Bremssensor(en) (z. B. als Teil des Bremssensorsystems 746) und/oder andere Sensortypen.
  • Ein oder mehrere Controller 736 können Eingaben (z. B. in Form von Eingabedaten) von einem Kombiinstrument 732 des Fahrzeugs 700 empfangen und Ausgaben (z. B. in Form von Ausgabedaten, Anzeigedaten usw.) über eine Mensch-Maschine-Schnittstelle (HMI)-Anzeige 734, einen akustischen Melder, einen Lautsprecher und/oder über andere Komponenten des Fahrzeugs 700 bereitstellen. Die Ausgaben können Informationen wie Fahrzeuggeschwindigkeit, Drehzahl, Zeit, Kartendaten (z. B. die HD-Karte 722 der 7C), Standortdaten (z. B. der Standort des Fahrzeugs 700, z. B. auf einer Karte), Richtung, Standort anderer Fahrzeuge (z. B. ein Belegungsraster), Informationen über Objekte und den Status von Objekten, wie von dem/den Controller(n) 736 wahrgenommen, usw. umfassen. Beispielsweise kann die HMI-Anzeige 734 Informationen über das Vorhandensein eines oder mehrerer Objekte (z. B. ein Verkehrszeichen, ein Warnschild, eine sich ändernde Ampel usw.) und/oder Informationen über Fahrmanöver anzeigen, die das Fahrzeug durchgeführt hat, gerade durchführt oder durchführen wird (z. B. Spurwechsel jetzt, Ausfahrt 34B in zwei Meilen usw.).
  • Das Fahrzeug 700 umfasst ferner eine Netzwerkschnittstelle 724, die eine oder mehrere drahtlose Antenne(n) 726 und/oder Modem(e) zur Kommunikation über ein oder mehrere Netzwerke verwenden kann. Zum Beispiel kann die Netzwerkschnittstelle 724 in der Lage sein, über LTE, WCDMA, UMTS, GSM, CDMA2000 usw. zu kommunizieren. Die drahtlose(n) Antenne(n) 726 kann/können auch die Kommunikation zwischen Objekten in der Umgebung (z. B. Fahrzeuge, mobile Geräte usw.) über lokale Netzwerke wie Bluetooth, Bluetooth LE, Z-Wave, ZigBee usw. und/oder Low Power Wide Area Networks (LPWANs) wie LoRaWAN, SigFox usw. ermöglichen.
  • 7B ist ein Beispiel für Kamerapositionen und Sichtfelder für das autonome Fahrzeug 700 der 7A, gemäß einigen Ausführungsformen der vorliegenden Offenbarung. Die Kameras und die jeweiligen Sichtfelder stellen ein Ausführungsbeispiel dar und sind nicht als einschränkend zu betrachten. Beispielsweise können zusätzliche und/oder alternative Kameras enthalten sein und/oder die Kameras können an verschiedenen Stellen des Fahrzeugs 700 angeordnet sein.
  • Die Kameratypen für die Kameras können unter anderem Digitalkameras sein, die für die Verwendung mit den Komponenten und/oder Systemen des Fahrzeugs 700 angepasst werden können. Die Kamera(s) kann/können mit der Sicherheitsstufe B (ASIL) und/oder einer anderen ASIL betrieben werden. Die Kameratypen können je nach Ausführungsform eine beliebige Bildaufnahmerate aufweisen, z. B. 60 Bilder pro Sekunde (fps), 120 fps, 240 fps usw. Die Kameras können einen Rollblendenverschluss, globalen Blendenverschluss, einen anderen Verschlusstyp oder eine Kombination davon verwenden. In einigen Beispielen kann die Farbfilteranordnung eine Rot-Klar-Klar-Klar-Farbfilteranordnung (RCCC), eine Rot-Klar-Klar-Blau-Farbfilteranordnung (RCCB), eine Rot-Blau-Grün-Klar-Farbfilteranordnung (RBGC), eine Foveon X3-Farbfilteranordnung, eine Bayer-Sensor-Farbfilteranordnung (RGGB), eine Monochromsensor-Farbfilteranordnung und/oder eine andere Art von Farbfilteranordnung umfassen. In einigen Ausführungsformen können Kameras mit klaren Pixeln, wie z. B. Kameras mit einer RCCC-, einer RCCB- und/oder einer RBGC-Farbfilteranordnung, verwendet werden, um die Lichtempfindlichkeit zu erhöhen.
  • In einigen Beispielen können eine oder mehrere der Kameras verwendet werden, um erweiterte Fahrerassistenzsysteme (ADAS) auszuführen (z. B. als Teil einer redundanten oder ausfallsicheren Konstruktion). So kann beispielsweise eine Multifunktions-Monokamera installiert werden, um Funktionen wie Spurhalteassistent, Verkehrszeichenassistent und intelligente Scheinwerfersteuerung bereitzustellen. Eine oder mehrere der Kameras (z. B. alle Kameras) können gleichzeitig Bilddaten (z. B. Video) aufzeichnen und liefern.
  • Eine oder mehrere der Kameras können in einer Montagebaugruppe, z. B. einer kundenspezifischen (3-D-gedruckten) Baugruppe, montiert werden, um Streulicht und Reflexionen aus dem Fahrzeuginneren (z. B. Reflexionen vom Armaturenbrett, die sich in den Windschutzscheibenspiegeln spiegeln) auszuschalten, die die Fähigkeit der Kamera zur Bilddatenerfassung beeinträchtigen könnten. Bei der Montage von Außenspiegeln können die Außenspiegel kundenspezifisch dreidimensional gedruckt werden, so dass die Kameramontageplatte der Form des Außenspiegels entspricht. In einigen Beispielen können die Kameras in den Außenspiegel integriert werden. Bei Seitenkameras können die Kameras auch in die vier Säulen an jeder Ecke der Kabine integriert werden.
  • Kameras mit einem Sichtfeld, das Teile der Umgebung vor dem Fahrzeug 700 einschließt (z. B. nach vorne gerichtete Kameras), können für die Umgebungsansicht verwendet werden, um dabei zu helfen, nach vorne gerichtete Pfade und Hindernisse zu identifizieren, sowie mit Hilfe eines oder mehrerer Controller 736 und/oder Steuer-SoCs Informationen bereitzustellen, die für die Erstellung eines Belegungsgitters und/oder die Bestimmung der bevorzugten Fahrzeugpfade entscheidend sind. Nach vorne gerichtete Kameras können verwendet werden, um viele der gleichen ADAS-Funktionen wie LIDAR auszuführen, einschließlich Notbremsung, Fußgängererkennung und Kollisionsvermeidung. Nach vorne gerichtete Kameras können auch für ADAS-Funktionen und -Systeme wie Spurverlassenswarnung (LDW), autonome Geschwindigkeitsregelung (ACC) und/oder andere Funktionen wie Verkehrszeichenerkennung verwendet werden.
  • Eine Vielzahl von Kameras kann in einer nach vorne gerichteten Konfiguration verwendet werden, z. B. eine monokulare Kameraplattform mit einem CMOS-Farbbildgeber (Komplementär-Metalloxid-Halbleiter). Ein weiteres Beispiel sind eine oder mehrere Weitwinkelkameras 770, die verwendet werden können, um Objekte zu erkennen, die von der Peripherie her ins Blickfeld kommen (z. B. Fußgänger, kreuzenden Verkehr oder Fahrräder). Obwohl in 7B nur eine Weitwinkelkamera dargestellt ist, kann das Fahrzeug 700 mit einer beliebigen Anzahl von Weitwinkelkameras 770 ausgestattet sein. Darüber hinaus kann/können die Weitwinkelkamera(s) 798 (z. B. ein Weitwinkel-Stereokamerapaar) zur tiefenbasierten Objekterkennung verwendet werden, insbesondere für Objekte, für die ein neuronales Netz noch nicht trainiert wurde. Die Fernbereichskamera (s) 798 kann/können auch zur Objekterkennung und -klassifizierung sowie zur grundlegenden Objektverfolgung eingesetzt werden.
  • Eine oder mehrere Stereokameras 768 können auch in einer nach vorne gerichteten Konfiguration enthalten sein. Die Stereokamera(s) 768 kann/können eine integrierte Steuereinheit enthalten, die eine skalierbare Verarbeitungseinheit umfasst, die eine programmierbare Logik (FPGA) und einen Multicore-Mikroprozessor mit integrierter CAN- oder Ethernet-Schnittstelle auf einem einzigen Chip bereitstellen kann. Mit einer solchen Einheit kann eine 3-D-Karte der Fahrzeugumgebung erstellt werden, einschließlich einer Entfernungsschätzung für alle Punkte im Bild. Eine alternative Stereokamera(s) 768 kann einen kompakten Stereosicht-Sensor bzw. kompakte Stereosicht-Sensoren umfassen, der bzw. die zwei Kameralinsen (je eine links und rechts) und einen Bildverarbeitungschip enthält bzw. enthalten, der die Entfernung zwischen dem Fahrzeug und dem Zielobjekt messen und die erzeugten Informationen (z. B. Metadaten) zur Aktivierung der autonomen Notbrems- und Spurhaltewarnfunktionen verwenden kann. Zusätzlich oder alternativ zu den hier beschriebenen Stereokameras können auch andere Typen von Stereokameras (768) verwendet werden.
  • Kameras mit einem Sichtfeld, das Teile der Umgebung seitlich des Fahrzeugs 700 einschließt (z. B. Seitenkameras), können für die Umgebungsansicht verwendet werden und Informationen liefern, die zur Erstellung und Aktualisierung des Belegungsrasters sowie zur Erzeugung von Kollisionswarnungen bei Seitenaufprall verwendet werden. Beispielsweise können die Umgebungskamera(s) 774 (z. B. vier Umgebungskameras 774 wie in 7B dargestellt) am Fahrzeug 700 positioniert werden. Die Umgebungskamera(s) 774 kann/können Weitwinkelkamera(s) 770, Fischaugenkamera(s), 360-Grad-Kamera(s) und/oder Ähnliches umfassen. Vier Beispiele: Vier Fischaugenkameras können an der Vorderseite, am Heck und an den Seiten des Fahrzeugs angebracht werden. In einer alternativen Anordnung kann das Fahrzeug drei Umgebungskameras 774 (z. B. links, rechts und hinten) verwenden und eine oder mehrere andere Kamera(s) (z. B. eine nach vorne gerichtete Kamera) als vierte Umgebungskamera nutzen.
  • Kameras mit einem Sichtfeld, das Teile der Umgebung hinter dem Fahrzeug 700 einschließt (z. B. Rückfahrkameras), können für die Einparkhilfe, die Umgebungsansicht, Heckkollisionswarnungen und die Erstellung und Aktualisierung des Belegungsrasters verwendet werden. Es kann eine Vielzahl von Kameras verwendet werden, einschließlich, aber nicht beschränkt auf Kameras, die auch als nach vorne gerichtete Kamera(s) geeignet sind (z. B. Fern- und/oder Mittelbereichskamera(s) 798, Stereokamera(s) 768, Infrarotkamera(s) 772 usw.), wie hier beschrieben.
  • 7C ist ein Blockdiagramm einer beispielhaften Systemarchitektur für das beispielhafte autonome Fahrzeug 700 der 7A, gemäß einigen Ausführungsformen der vorliegenden Offenbarung. Es sollte verstanden werden, dass diese und andere hier beschriebene Anordnungen nur als Beispiele dargestellt werden. Andere Anordnungen und Elemente (z. B. Maschinen, Schnittstellen, Funktionen, Anordnungen, Gruppierungen von Funktionen usw.) können zusätzlich zu oder anstelle der dargestellten verwendet werden, und einige Elemente können ganz weggelassen werden. Außerdem sind viele der hier beschriebenen Elemente funktionale Einheiten, die als einzelne oder verteilte Komponenten oder in Verbindung mit anderen Komponenten und in jeder geeigneten Kombination und an jedem geeigneten Ort implementiert werden können. Verschiedene hier beschriebene Funktionen, die von Einheiten ausgeführt werden, können von Hardware, Firmware und/oder Software ausgeführt werden. Beispielsweise können verschiedene Funktionen von einem Prozessor ausgeführt werden, der im Speicher gespeicherte Anweisungen ausführt.
  • Alle Komponenten, Merkmale und Systeme des Fahrzeugs 700 in 7C sind als über den Bus 702 verbunden dargestellt. Der Bus 702 kann eine Controller Area Network (CAN)-Datenschnittstelle enthalten (hier alternativ als „CAN-Bus“ bezeichnet). Bei einem CAN-Bus kann es sich um ein Netzwerk innerhalb des Fahrzeugs 700 handeln, das zur Steuerung verschiedener Merkmale und Funktionen des Fahrzeugs 700 verwendet wird, z. B. zur Betätigung von Bremsen, Beschleunigung, Bremsen, Lenkung, Scheibenwischern usw. Ein CAN-Bus kann so konfiguriert sein, dass er Dutzende oder sogar Hunderte von Knoten hat, von denen jeder seine eigene eindeutige Kennung hat (z. B. eine CAN-ID). Der CAN-Bus kann ausgelesen werden, um den Lenkradwinkel, die Fahrgeschwindigkeit, die Motordrehzahl (RPM), die Tastenpositionen und/oder andere Fahrzeugstatusanzeigen zu ermitteln. Der CAN-Bus kann ASIL B-konform sein.
  • Obwohl der Bus 702 hier als CAN-Bus beschrieben wird, ist dies nicht als Einschränkung zu verstehen. Beispielsweise können zusätzlich oder alternativ zum CAN-Bus auch FlexRay und/oder Ethernet verwendet werden. Auch wenn der Bus 702 durch eine einzige Leitung dargestellt wird, ist dies nicht als Einschränkung zu verstehen. So kann es beispielsweise eine beliebige Anzahl von Bussen 702 geben, die einen oder mehrere CAN-Busse, einen oder mehrere FlexRay-Busse, einen oder mehrere Ethernet-Busse und/oder einen oder mehrere andere Arten von Bussen mit einem anderen Protokoll umfassen können. In einigen Beispielen können zwei oder mehr Busse 702 verwendet werden, um unterschiedliche Funktionen auszuführen, und/oder sie können zur Redundanz verwendet werden. So kann beispielsweise ein erster Bus 702 für die Kollisionsvermeidungsfunktionalität und ein zweiter Bus 702 für die Betätigungssteuerung verwendet werden. In jedem Beispiel kann jeder Bus 702 mit jeder Komponente des Fahrzeugs 700 kommunizieren, und zwei oder mehr Busse 702 können mit denselben Komponenten kommunizieren. In einigen Beispielen kann jeder SoC 704, jeder Controller 736 und/oder jeder Computer innerhalb des Fahrzeugs Zugriff auf dieselben Eingangsdaten haben (z. B. Eingaben von Sensoren des Fahrzeugs 700) und mit einem gemeinsamen Bus, wie dem CAN-Bus, verbunden sein.
  • Das Fahrzeug 700 kann einen oder mehrere Controller 736 enthalten, wie sie hier in Bezug auf 7A beschrieben sind. Der/die Controller 736 kann/können für eine Vielzahl von Funktionen verwendet werden. Der/die Controller 736 kann (können) mit den verschiedenen anderen Komponenten und Systemen des Fahrzeugs 700 gekoppelt werden und kann (können) für die Steuerung des Fahrzeugs 700, die künstliche Intelligenz des Fahrzeugs 700, das Infotainment für das Fahrzeug 700 und/oder Ähnliches verwendet werden.
  • Das Fahrzeug 700 kann ein oder mehrere System(e) auf einem Chip (SoC) 704 enthalten. Der SoC 704 kann CPU(s) 706, GPU(s) 708, Prozessor(en) 710, Cache(s) 712, Beschleuniger 714, Datenspeicher 716 und/oder andere nicht dargestellte Komponenten und Merkmale umfassen. Der/die SoC(s) 704 kann/können zur Steuerung des Fahrzeugs 700 in einer Vielzahl von Plattformen und Systemen verwendet werden. Beispielsweise können die SoC(s) 704 in einem System (z. B. dem System des Fahrzeugs 700) mit einer HD-Karte 722 kombiniert werden, die Kartenaktualisierungen und/oder -aktualisierungen über eine Netzwerkschnittstelle 724 von einem oder mehreren Servern (z. B. dem/den Server(n) 778 der 7D) erhalten kann.
  • Die CPU(s) 706 kann/können einen CPU-Cluster oder CPU-Komplex (hier auch als „CCPLEX“ bezeichnet) umfassen. Die CPU(s) 706 kann/können mehrere Kerne und/oder L2-Caches enthalten. In einigen Ausführungsformen können die CPU(s) 706 beispielsweise acht Kerne in einer kohärenten Multiprozessorkonfiguration umfassen. In einigen Ausführungsformen kann (können) die CPU(s) 706 vier Dual-Core-Cluster umfassen, wobei jeder Cluster über einen dedizierten L2-Cache verfügt (z. B. einen 2 MB L2-Cache). Die CPU(s) 706 (z. B. der CCPLEX) kann/können so konfiguriert werden, dass sie den gleichzeitigen Betrieb von Clustern unterstützt/unterstützen, so dass eine beliebige Kombination von Clustern der CPU(s) 706 zu einem bestimmten Zeitpunkt aktiv sein kann.
  • Die CPU(s) 706 kann/können Energieverwaltungsfunktionen implementieren, die eines oder mehrere der folgenden Merkmale umfassen: einzelne Hardwareblöcke können im Leerlauf automatisch taktgesteuert werden, um dynamische Energie zu sparen; jeder Kerntakt kann gesteuert werden, wenn der Kern aufgrund der Ausführung von WFI/WFE-Befehlen nicht aktiv Befehle ausführt; jeder Kern kann unabhängig stromgesteuert werden; jeder Kerncluster kann unabhängig taktgesteuert werden, wenn alle Kerne taktgesteuert oder stromgesteuert sind; und/oder jeder Kerncluster kann unabhängig stromgesteuert werden, wenn alle Kerne stromgesteuert sind. Die CPU(s) 706 kann/können darüber hinaus einen erweiterten Algorithmus zur Verwaltung von Energiezuständen implementieren, bei dem zulässige Energiezustände und erwartete Aufwachzeiten festgelegt werden und die Hardware/der Mikrocode den besten Energiezustand für den Kern, den Cluster und CCPLEX bestimmt. Die Prozessorkerne können vereinfachte Sequenzen für den Eintritt in den Energiezustand in Software unterstützen, wobei die Arbeit an den Mikrocode ausgelagert wird.
  • Der/die Grafikprozessor(en) 708 kann/können ein integrierter Grafikprozessor sein (hier alternativ als „iGPU“ bezeichnet). Die GPU(s) 708 kann/können programmierbar und für parallele Arbeitslasten effizient sein. Die GPU(s) 708 kann (können) in einigen Beispielen einen erweiterten Tensor-Befehlssatz verwenden. Die GPU(s) 708 kann/können einen oder mehrere Streaming-Mikroprozessoren enthalten, wobei jeder Streaming-Mikroprozessor einen L1-Cache (z. B. einen L1-Cache mit mindestens 96 KB Speicherkapazität) enthalten kann und zwei oder mehr der Streaming-Mikroprozessoren sich einen L2-Cache (z. B. einen L2-Cache mit 512 KB Speicherkapazität) teilen können. In einigen Ausführungsformen kann die GPU (bzw. können die GPUs) 708 mindestens acht Streaming-Mikroprozessoren umfassen. Die GPU(s) 708 kann (können) eine oder mehrere Programmierschnittstellen (API(s)) für Berechnungen verwenden. Darüber hinaus können die GPU(s) 708 eine oder mehrere parallele
  • Rechenplattformen und/oder Programmiermodelle (z. B. CUDA von NVIDIA) verwenden.
  • Der/die Grafikprozessor(en) 708 kann/können für die beste Leistung in Automobil- und eingebetteten Anwendungsfällen optimiert werden. Die GPU(s) 708 kann/können zum Beispiel auf einem Fin-Feldeffekttransistor (FinFET) hergestellt werden. Dies ist jedoch nicht als Einschränkung zu verstehen, und die GPU(s) 708 können auch mit anderen Halbleiterfertigungsverfahren hergestellt werden. Jeder Streaming-Mikroprozessor kann eine Anzahl von in mehrere Blöcke unterteilten gemischt-präzisen Rechenkernen enthalten. So können beispielsweise 64 PF32-Kerne und 32 PF64-Kerne in vier Verarbeitungsblöcke unterteilt werden, ohne darauf beschränkt zu sein. In einem solchen Beispiel können jedem Verarbeitungsblock 16 FP32-Kerne, 8 FP64-Kerne, 16 INT32-Kerne, zwei NVIDIA TENSOR COREs mit gemischter Präzision für Deep-Learning-Matrixarithmetik, ein L0-Befehlscache, ein Warp-Scheduler, eine Dispatch-Einheit und/oder eine 64-KB-Registerdatei zugewiesen werden. Darüber hinaus können die Streaming-Mikroprozessoren unabhängige parallele Ganzzahl- und Gleitkomma-Datenpfade enthalten, um eine effiziente Ausführung von Arbeitslasten mit einer Mischung aus Berechnungen und Adressierungsberechnungen zu ermöglichen. Die Streaming-Mikroprozessoren können eine unabhängige Thread-Planungsfunktion enthalten, um eine feinere Synchronisierung und Zusammenarbeit zwischen parallelen Threads zu ermöglichen. Die Streaming-Mikroprozessoren können einen kombinierten L1-Datencache und eine gemeinsame Speichereinheit enthalten, um die Leistung zu verbessern und gleichzeitig die Programmierung zu vereinfachen.
  • Der/die Grafikprozessor(en) 708 kann/können einen Speicher mit hoher Bandbreite (HBM) und/oder ein 16-GB-HBM2-Speicher-Subsystem umfassen, um in einigen Beispielen eine Spitzen-Speicherbandbreite von etwa 900 GB/Sekunde bereitzustellen. In einigen Beispielen kann zusätzlich oder alternativ zum HBM-Speicher ein synchroner Grafik-Direktzugriffsspeicher (SGRAM) verwendet werden, beispielsweise ein synchroner Grafik-Doppeldatenraten-Direktzugriffsspeicher vom Typ 5 (GDDR5).
  • Die GPU(s) 708 kann/können eine einheitliche Speichertechnologie mit Zugriffszählern enthalten, um eine genauere Zuweisung von Speicherseiten an den Prozessor zu ermöglichen, der am häufigsten auf sie zugreift, und so die Effizienz der von den Prozessoren gemeinsam genutzten Speicherbereiche zu verbessern. In einigen Beispielen kann die Unterstützung von Adressübersetzungsdiensten (ATS) verwendet werden, damit die GPU(s) 708 direkt auf die Seitentabellen der CPU(s) 706 zugreifen können. In solchen Beispielen kann, wenn die Speicherverwaltungseinheit (MMU) der GPU(s) 708 einen Fehler feststellt, eine Adressübersetzungsanforderung an die CPU(s) 706 übermittelt werden. Als Reaktion darauf kann die CPU(s) 706 in ihren Seitentabellen nach der virtuell-physikalischen Zuordnung für die Adresse suchen und die Übersetzung an die GPU(s) 708 zurückübertragen. So kann die Unified-Memory-Technologie einen einzigen, einheitlichen virtuellen Adressraum für den Speicher sowohl der CPU(s) 706 als auch der GPU(s) 708 ermöglichen und dadurch die Programmierung der GPU(s) 708 und die Portierung von Anwendungen auf die GPU(s) 708 vereinfachen.
  • Darüber hinaus können die GPU(s) 708 einen Zugriffszähler enthalten, der die Häufigkeit des Zugriffs der GPU(s) 708 auf den Speicher anderer Prozessoren verfolgt. Der Zugriffszähler kann dazu beitragen, dass Speicherseiten in den physikalischen Speicher desjenigen Prozessors verschoben werden, der am häufigsten auf die Seiten zugreift.
  • Der/die SoC(s) 704 kann/können eine beliebige Anzahl von Cache(s) 712 enthalten, einschließlich der hier beschriebenen. Der/die Cache(s) 712 kann/können beispielsweise einen L3-Cache enthalten, der sowohl der/den CPU(s) 706 als auch der/den GPU(s) 708 zur Verfügung steht (z. B. der sowohl mit der/den CPU(s) 706 als auch mit der/den GPU(s) 708 verbunden ist). Der/die Cache(s) 712 kann/können einen Write-Back-Cache umfassen, der die Zustände von Zeilen verfolgen kann, z. B. durch Verwendung eines Cache-Kohärenzprotokolls (z. B. MEI, MESI, MSI usw.). Der L3-Cache kann je nach Ausführungsform 4 MB oder mehr umfassen, obwohl auch kleinere Cache-Größen verwendet werden können.
  • Der/die SoC(s) 704 kann/können eine arithmetische Logikeinheit(en) (ALU(s)) enthalten, die bei der Durchführung von Verarbeitungen in Bezug auf eine der verschiedenen Aufgaben oder Operationen des Fahrzeugs 700 - wie der Verarbeitung von DNNs - genutzt werden kann. Darüber hinaus kann/können der/die SoC(s) 704 eine Gleitkommaeinheit(en) (FPU(s)) - oder andere mathematische Coprozessoren oder numerische Coprozessortypen - zur Durchführung mathematischer Operationen innerhalb des Systems enthalten. Beispielsweise können die SoC(s) 104 eine oder mehrere FPUs enthalten, die als Ausführungseinheiten in eine CPU(s) 706 und/oder GPU(s) 708 integriert sind.
  • Der/die SoC(s) 704 kann/können einen oder mehrere Beschleuniger 714 enthalten (z. B. Hardware-Beschleuniger, Software-Beschleuniger oder eine Kombination davon). Beispielsweise können die SoC(s) 704 einen Hardware-Beschleunigungscluster enthalten, der optimierte Hardware-Beschleuniger und/oder einen großen On-Chip-Speicher umfassen kann. Der große On-Chip-Speicher (z. B. 4 MB SRAM) kann den Hardware-Beschleunigungscluster in die Lage versetzen, neuronale Netzwerke und andere Berechnungen zu beschleunigen. Der Hardware-Beschleunigungscluster kann zur Ergänzung der GPU(s) 708 und zur Entlastung einiger Aufgaben der GPU(s) 708 verwendet werden (z. B. um mehr Zyklen der GPU(s) 708 für die Durchführung anderer Aufgaben freizugeben). Der/die Beschleuniger 714 kann/können beispielsweise für gezielte Arbeitslasten (z. B. Wahrnehmung, Faltungsneuronale Netze (CNNs) usw.) verwendet werden, die stabil genug sind, um beschleunigt werden zu können. Der hier verwendete Begriff „CNN“ kann alle Arten von CNNs umfassen, einschließlich regionenbasierter oder regionaler neuronaler Faltungsnetze (RCNNs) und schneller RCNNs (z. B. für die Objekterkennung).
  • Der/die Beschleuniger 714 (z. B. der Hardware-Beschleunigungscluster) kann/können einen Deep-Learning-Beschleuniger (DLA) enthalten. Der/die DLA(s) kann/können eine oder mehrere Tensor Processing Units (TPUs) umfassen, die so konfiguriert sein können, dass sie zusätzliche zehn Billionen Operationen pro Sekunde für Deep-Learning-Anwendungen und Inferenz bereitstellen. Bei den TPUs kann es sich um Beschleuniger handeln, die für die Ausführung von Bildverarbeitungsfunktionen (z. B. für CNNs, RCNNs usw.) konfiguriert und optimiert sind. Die DLA(s) kann/können darüber hinaus für einen bestimmten Satz neuronaler Netzwerktypen und Gleitkommaoperationen sowie für die Inferenz optimiert sein. Das Design der DLA(s) kann mehr Leistung pro Millimeter bieten als eine Allzweck-GPU und übertrifft die Leistung einer CPU bei weitem. Die TPU(s) kann/können mehrere Funktionen ausführen, einschließlich einer Einzelinstanz-Faltungsfunktion, die z. B. INT8-, INT16- und FP16-Datentypen sowohl für Merkmale als auch für Gewichte sowie Postprozessorfunktionen unterstützt.
  • Die DLA(s) können schnell und effizient neuronale Netze, insbesondere CNNs, auf verarbeiteten oder unverarbeiteten Daten für eine Vielzahl von Funktionen ausführen, darunter beispielsweise und ohne Einschränkung: ein CNN für die Identifizierung und Erkennung von Objekten unter Verwendung von Daten von Kamerasensoren; ein CNN für die Abstandsschätzung unter Verwendung von Daten von Kamerasensoren; ein CNN für die Erkennung und Identifizierung von Einsatzfahrzeugen und die Erkennung unter Verwendung von Daten von Mikrofonen; ein CNN für die Gesichtserkennung und die Identifizierung von Fahrzeugbesitzern unter Verwendung von Daten von Kamerasensoren; und/oder ein CNN für sicherheitsrelevante Ereignisse.
  • Die DLA(s) können jede Funktion der GPU(s) 708 ausführen, und durch die Verwendung eines Inferenzbeschleunigers kann ein Entwickler beispielsweise entweder die DLA(s) oder die GPU(s) 708 für eine beliebige Funktion einsetzen. Beispielsweise kann der Entwickler die Verarbeitung von CNNs und Gleitkommaoperationen auf die DLA(s) konzentrieren und andere Funktionen der/den GPU(s) 708 und/oder anderen Beschleuniger(n) 714 überlassen.
  • Der/die Beschleuniger 714 (z. B. der Hardware-Beschleunigungscluster) kann/können einen programmierbaren Bildverarbeitungsbeschleuniger (PVA) umfassen, der hier alternativ auch als Computer-Vision-Beschleuniger bezeichnet werden kann. Der/die PVA(s) kann/können zur Beschleunigung von Computer-Vision-Algorithmen für fortschrittliche Fahrerassistenzsysteme (ADAS), autonomes Fahren und/oder Augmented-Reality- (AR) und/oder Virtual-Reality- (VR) Anwendungen entwickelt und konfiguriert werden. Die PVA(s) können ein Gleichgewicht zwischen Leistung und Flexibilität bieten. So kann jede PVA zum Beispiel und ohne Einschränkung eine beliebige Anzahl von RISC-Kernen (Computer mit reduziertem Befehlssatz), direkten Speicherzugriff (DMA) und/oder eine beliebige Anzahl von Vektorprozessoren umfassen.
  • Die RISC-Kerne können mit Bildsensoren (z. B. den Bildsensoren einer der hier beschriebenen Kameras), Bildsignalprozessoren und/oder dergleichen zusammenwirken. Jeder der RISC-Kerne kann eine beliebige Menge an Speicher enthalten. Die RISC-Kerne können je nach Ausführungsform eine beliebige Anzahl von Protokollen verwenden. In einigen Beispielen können die RISC-Kerne ein Echtzeitbetriebssystem (RTOS) ausführen. Die RISC-Kerne können mit einem oder mehreren integrierten Schaltkreisen, anwendungsspezifischen integrierten Schaltkreisen (ASICs) und/oder Speicherbausteinen implementiert werden. Die RISC-Kerne können beispielsweise einen Befehls-Cache und/oder ein eng gekoppeltes RAM enthalten.
  • Der DMA kann es Komponenten der PVA(s) ermöglichen, unabhängig von der/den CPU(s) 706 auf den Systemspeicher zuzugreifen. Der DMA kann eine beliebige Anzahl von Funktionen unterstützen, die zur Optimierung der PVA verwendet werden, einschließlich, aber nicht beschränkt auf die Unterstützung von mehrdimensionaler Adressierung und/oder zirkulärer Adressierung. In einigen Beispielen kann der DMA bis zu sechs oder mehr Dimensionen der Adressierung unterstützen, die Blockbreite, Blockhöhe, Blocktiefe, horizontale Blockabstufung, vertikale Blockabstufung und/oder Tiefenabstufung umfassen können.
  • Bei den Vektorprozessoren kann es sich um programmierbare Prozessoren handeln, die so konzipiert sein können, dass sie die Programmierung von Computer-Vision-Algorithmen effizient und flexibel ausführen und Signalverarbeitungsfunktionen bereitstellen. In einigen Beispielen kann die PVA einen PVA-Kern und zwei Vektorverarbeitungs-Subsystem-Partitionen umfassen. Der PVA-Kern kann ein Prozessor-Subsystem, DMA-Engine(s) (z.B. zwei DMA-Engines) und/oder andere Peripheriegeräte umfassen. Das Vektorverarbeitungs-Teilsystem kann als primäre Verarbeitungseinheit der PVA fungieren und eine Vektorverarbeitungseinheit (VPU), einen Befehlscache und/oder einen Vektorspeicher (z. B. VMEM) umfassen. Ein VPU-Kern kann einen digitalen Signalprozessor wie beispielsweise einen SIMD-Digitalprozessor (Single Instruction, Multiple Data) mit sehr langen Befehlsworten (VLIW) umfassen. Die Kombination von SIMD und VLIW kann den Durchsatz und die Geschwindigkeit erhöhen.
  • Jeder der Vektorprozessoren kann einen Befehls-Cache enthalten und mit einem dedizierten Speicher verbunden sein. Daher kann in einigen Beispielen jeder der Vektorprozessoren so konfiguriert sein, dass er unabhängig von den anderen Vektorprozessoren arbeitet. In anderen Beispielen können die Vektorprozessoren, die in einer bestimmten PVA enthalten sind, so konfiguriert sein, dass sie Datenparallelität verwenden. In einigen Ausführungsformen kann beispielsweise die Mehrzahl der in einer einzigen PVA enthaltenen Vektorprozessoren denselben Computer-Vision-Algorithmus ausführen, jedoch für unterschiedliche Bereiche eines Bildes. In anderen Beispielen können die in einer bestimmten PVA enthaltenen Vektorprozessoren gleichzeitig verschiedene Computer-Vision-Algorithmen für dasselbe Bild oder sogar verschiedene Algorithmen für aufeinander folgende Bilder oder Teile eines Bildes ausführen. Unter anderem kann eine beliebige Anzahl von PVAs im Hardware-Beschleunigungscluster enthalten sein und eine beliebige Anzahl von Vektorprozessoren in jeder der PVAs. Darüber hinaus können die PVA(s) einen zusätzlichen Fehlerkorrekturcode (ECC)-Speicher enthalten, um die Sicherheit des Gesamtsystems zu erhöhen.
  • Der (die) Beschleuniger 714 (z. B. der Hardware-Beschleunigungscluster) kann (können) ein Computer-Vision-Netzwerk auf dem Chip und SRAM enthalten, um ein SRAM mit hoher Bandbreite und niedriger Latenz für den (die) Beschleuniger 714 bereitzustellen. In einigen Beispielen kann der On-Chip-Speicher mindestens 4 MB SRAM umfassen, der beispielsweise und ohne Einschränkung aus acht feldkonfigurierbaren Speicherblöcken besteht, auf die sowohl die PVA als auch die DLA zugreifen können. Jedes Paar von Speicherblöcken kann eine APB-Schnittstelle (Advanced Peripheral Bus), Konfigurationsschaltungen, einen Controller und einen Multiplexer umfassen. Es kann jeder beliebige Speichertyp verwendet werden. Die PVA und die DLA können auf den Speicher über ein Backbone zugreifen, das der PVA und der DLA einen Hochgeschwindigkeitszugriff auf den Speicher ermöglicht. Das Backbone kann ein Computer-Vision-Netzwerk auf dem Chip umfassen, das die PVA und die DLA mit dem Speicher verbindet (z. B. unter Verwendung des APB).
  • Das Computer-Vision-Netz auf dem Chip kann eine Schnittstelle enthalten, die vor der Übertragung von Steuersignalen/Adressen/Daten feststellt, dass sowohl die PVA als auch die DLA einsatzbereite und gültige Signale liefern. Eine solche Schnittstelle kann getrennte Phasen und getrennte Kanäle für die Übertragung von Steuersignalen/Adressen/Daten sowie eine Burst-Kommunikation für die kontinuierliche Datenübertragung vorsehen. Diese Art von Schnittstelle kann den Normen ISO 26262 oder IEC 61508 entsprechen, obwohl auch andere Normen und Protokolle verwendet werden können.
  • In einigen Beispielen können die SoC(s) 704 einen Echtzeit-Raytracing-Hardwarebeschleuniger enthalten, wie er in der US-Patentanmeldung Nr. 16/101,232, eingereicht am 10. August 2018, beschrieben ist. Der Echtzeit-Raytracing-Hardware-Beschleuniger kann verwendet werden, um schnell und effizient die Positionen und Ausdehnungen von Objekten (z. B. innerhalb eines Weltmodells) zu bestimmen, um Echtzeit-Visualisierungssimulationen zu erzeugen, für die RADAR-Signalinterpretation, für die Schallausbreitungssynthese und/oder -analyse, für die Simulation von SONAR-Systemen, für die allgemeine Wellenausbreitungssimulation, für den Vergleich mit LIDAR-Daten zum Zweck der Lokalisierung und/oder für andere Funktionen und/oder für andere Zwecke. In einigen Ausführungsformen können eine oder mehrere Tree Traversal Units (TTUs) für die Ausführung einer oder mehrerer Operationen im Zusammenhang mit der Strahlenverfolgung verwendet werden.
  • Der/die Beschleuniger 714 (z. B. der Hardware-Beschleuniger-Cluster) kann/können für das autonome Fahren auf vielfältige Weise eingesetzt werden. Der PVA kann ein programmierbarer Bildverarbeitungsbeschleuniger sein, der für wichtige Verarbeitungsschritte in ADAS und autonomen Fahrzeugen verwendet werden kann. Die Fähigkeiten der PVA eignen sich gut für algorithmische Bereiche, die eine vorhersehbare Verarbeitung bei geringem Stromverbrauch und geringer Latenzzeit erfordern. Mit anderen Worten: Die PVA eignet sich gut für halbdichte oder dichte reguläre Berechnungen, selbst bei kleinen Datensätzen, die vorhersehbare Laufzeiten mit geringer Latenz und geringem Stromverbrauch erfordern. Im Zusammenhang mit Plattformen für autonome Fahrzeuge sind die PVAs daher für die Ausführung klassischer Computer-Vision-Algorithmen konzipiert, da sie bei der Objekterkennung und der Verarbeitung ganzzahliger mathematischer Daten effizient sind.
  • Bei einer Ausführungsform der Technologie wird die PVA beispielsweise für die Durchführung von Computer-Stereosicht verwendet. In einigen Beispielen kann ein auf semiglobaler Anpassung basierender Algorithmus verwendet werden, obwohl dies nicht als Einschränkung gedacht ist. Viele Anwendungen für das autonome Fahren der Stufen 3 bis 5 erfordern eine Bewegungsabschätzung/Stereoabgleich während der Fahrt (z. B. Struktur aus Bewegung, Fußgängererkennung, Fahrspurerkennung usw.). Die PVA kann eine Computer-Stereosichtfunktion mit Eingaben von zwei monokularen Kameras durchführen.
  • In einigen Beispielen kann die PVA verwendet werden, um einen dichten optischen Fluss durchzuführen. Entsprechend der Verarbeitung von RADAR-Rohdaten (z. B. unter Verwendung einer 4D-Fast-Fourier-Transformation), um verarbeitete RADAR-Daten zu erhalten. In anderen Beispielen wird die PVA für die Verarbeitung von Flugzeittiefendaten verwendet, z. B. durch Verarbeitung von Flugzeit-Rohdaten, um verarbeitete Flugzeitdaten zu erhalten.
  • Mit dem DLA kann jede Art von Netzwerk betrieben werden, um die Kontrolle und die Fahrsicherheit zu verbessern, z. B. ein neuronales Netzwerk, das für jede Objekterkennung einen Vertrauenswert ausgibt. Ein solcher Konfidenzwert kann als Wahrscheinlichkeit oder als relative „Gewichtung“ der einzelnen Erkennungen im Vergleich zu anderen Erkennungen interpretiert werden. Dieser Konfidenzwert ermöglicht es dem System, weitere Entscheidungen darüber zu treffen, welche Erkennungen als echte positive Erkennungen und welche als falsch-positive Erkennungen betrachtet werden sollten. So kann das System beispielsweise einen Schwellenwert für die Konfidenz festlegen und nur die Erkennungen, die diesen Schwellenwert überschreiten, als echte positive Erkennungen betrachten. Bei einem automatischen Notbremssystem (AEB) würden falsch positive Erkennungen dazu führen, dass das Fahrzeug automatisch eine Notbremsung durchführt, was natürlich unerwünscht ist. Daher sollten nur die sichersten Erkennungen als Auslöser für AEB in Betracht gezogen werden. Die DLA kann ein neuronales Netz zur Regression des Vertrauenswertes einsetzen. Das neuronale Netz kann als Eingabe mindestens eine Teilmenge von Parametern verwenden, wie z. B. die Abmessungen des Begrenzungsrahmens, die (z. B. von einem anderen Teilsystem) erhaltene Schätzung der Bodenebene, die Ausgabe des IMU-Sensors 766, die mit der Ausrichtung des Fahrzeugs 700 korreliert, die Entfernung, die Schätzungen der 3D-Position des Objekts, die vom neuronalen Netz und/oder anderen Sensoren (z. B. LIDAR-Sensor(en) 764 oder RADAR-Sensor(en) 760) erhalten werden, und andere.
  • Der/die SoC(s) 704 kann/können Datenspeicher 716 (z. B. Speicher) enthalten. Bei dem/den Datenspeicher(n) 716 kann es sich um einen On-Chip-Speicher des/der SoC(s) 704 handeln, der neuronale Netze speichern kann, die auf der GPU und/oder der DLA ausgeführt werden sollen. In einigen Beispielen kann die Kapazität des/der Datenspeichers) 716 groß genug sein, um mehrere Instanzen von neuronalen Netzen zur Redundanz und Sicherheit zu speichern. Der/die Datenspeicher 712 kann/können L2 oder L3 Cache(s) 712 umfassen. Der Verweis auf den/die Datenspeicher 716 kann einen Verweis auf den Speicher beinhalten, der mit der PVA, DLA und/oder anderen Beschleunigern 714 verbunden ist, wie hier beschrieben.
  • Der/die SoC(s) 704 kann/können einen oder mehrere Prozessor(en) 710 (z. B. eingebettete Prozessoren) enthalten. Der (die) Prozessor(en) 710 kann (können) einen Boot- und Energieverwaltungsprozessor umfassen, der ein dedizierter Prozessor und ein Subsystem sein kann, um Boot-Energie- und Verwaltungsfunktionen und die damit verbundene Sicherheitsdurchsetzung zu handhaben. Der Boot- und Energieverwaltungsprozessor kann Teil der Bootsequenz des/der SoC(s) 704 sein und kann Laufzeit-Energieverwaltungsdienste bereitstellen. Der Boot-Energieversorgungs- und -Verwaltungsprozessor kann Takt- und Spannungsprogrammierung, Unterstützung bei Systemübergängen in einen Zustand mit niedriger Leistung, Verwaltung von SoC(s) 704-Temperaturen und Temperatursensoren und/oder Verwaltung der SoC(s) 704-Energieversorgungszustände bieten. Jeder Temperatursensor kann als Ringoszillator implementiert sein, dessen Ausgangsfrequenz proportional zur Temperatur ist, und der/die SoC(s) 704 kann/können die Ringoszillatoren verwenden, um die Temperaturen der CPU(s) 706, der GPU(s) 708 und/oder des/der Beschleuniger(s) 714 zu erfassen. Wenn festgestellt wird, dass die Temperaturen einen Schwellenwert überschreiten, kann der Boot- und Energieverwaltungsprozessor in eine Temperaturfehlerroutine eintreten und den/die SoC(s) 704 in einen Zustand mit geringerer Leistung versetzen und/oder das Fahrzeug 700 in einen Chauffeur-zu-sicherem-Halt-Modus versetzen (z. B. das Fahrzeug 700 zu einem sicheren Halt bringen).
  • Der (die) Prozessor(en) 710 kann (können) außerdem eine Reihe eingebetteter Prozessoren enthalten, die als Audioverarbeitungsmodul dienen können. Bei der Audioverarbeitungs-Engine kann es sich um ein Audio-Subsystem handeln, das eine vollständige Hardware-Unterstützung für Mehrkanal-Audio über mehrere Schnittstellen sowie eine breite und flexible Palette von Audio-I/O-Schnittstellen ermöglicht. In einigen Beispielen ist die Audioverarbeitungs-Engine ein dedizierter Prozessorkern mit einem digitalen Signalprozessor mit dediziertem RAM.
  • Der (die) Prozessor(en) 710 kann (können) außerdem eine ständig eingeschaltete Prozessor-Engine enthalten, die die notwendigen Hardware-Funktionen zur Unterstützung der Sensorverwaltung mit geringem Stromverbrauch und des Aufwachens von Anwendungsfällen bereitstellen kann. Die ständig eingeschaltete Prozessor-Engine kann einen Prozessorkern, einen eng gekoppelten Arbeitsspeicher, unterstützende Peripheriegeräte (z. B. Zeitgeber und Interrupt-Controller), verschiedene I/O-Controller-Peripheriegeräte und Routing-Logik umfassen.
  • Der (die) Prozessor(en) 710 kann (können) außerdem eine Sicherheits-Cluster-Engine enthalten, die ein spezielles Prozessor-Subsystem für das Sicherheitsmanagement von Kfz-Anwendungen umfasst. Die Safety-Cluster-Engine kann zwei oder mehr Prozessorkerne, einen eng gekoppelten Arbeitsspeicher, unterstützende Peripheriegeräte (z. B. Zeitgeber, einen Interrupt-Controller usw.) und/oder Routing-Logik umfassen. In einem Sicherheitsmodus können die zwei oder mehr Kerne in einem Lockstep-Modus arbeiten und als ein einziger Kern mit einer Vergleichslogik zur Erkennung von Unterschieden zwischen ihren Operationen fungieren.
  • Der/die Prozessor(en) 710 kann/können außerdem eine Echtzeit-Kamera-Engine enthalten, die ein spezielles Prozessor-Subsystem für die Verwaltung der Echtzeit-Kamera umfassen kann.
  • Der (die) Prozessor(en) 710 kann (können) außerdem einen Signalprozessor mit hohem Dynamikbereich enthalten, der einen Bildsignalprozessor umfassen kann, der eine Hardware-Engine ist, die Teil der Kameraverarbeitungspipeline ist.
  • Der/die Prozessor(en) 710 kann/können einen Videobild-Compositor enthalten, der ein Verarbeitungsblock sein kann (z. B. auf einem Mikroprozessor implementiert), der Videonachbearbeitungsfunktionen implementiert, die von einer Videowiedergabeanwendung benötigt werden, um das endgültige Bild für das Player-Fenster zu erzeugen. Der Videobild-Compositor kann eine Linsenverzerrungskorrektur an der (den) Weitwinkelkamera(s) 770, an der (den) Surround-Kamera(s) 774 und/oder an den Sensoren der Überwachungskamera in der Kabine vornehmen. Der kabineninterne Überwachungskamerasensor wird vorzugsweise von einem neuronalen Netz überwacht, das auf einer anderen Instanz des Advanced SoC läuft und so konfiguriert ist, dass es Ereignisse in der Kabine erkennt und entsprechend reagiert. Ein System in der Kabine kann Lippenlesen durchführen, um den Mobilfunkdienst zu aktivieren und einen Anruf zu tätigen, E-Mails zu diktieren, den Zielort des Fahrzeugs zu ändern, das Infotainmentsystem und die Einstellungen des Fahrzeugs zu aktivieren oder zu ändern oder sprachgesteuertes Surfen im Internet zu ermöglichen. Bestimmte Funktionen stehen dem Fahrer nur zur Verfügung, wenn das Fahrzeug in einem autonomen Modus betrieben wird, und sind ansonsten deaktiviert.
  • Der Videobild-Compositor kann eine verbesserte zeitliche Rauschunterdrückung sowohl zur räumlichen als auch zur zeitlichen Rauschunterdrückung enthalten. Tritt beispielsweise Bewegung in einem Video auf, gewichtet die Rauschunterdrückung die räumlichen Informationen entsprechend und verringert das Gewicht der Informationen, die von benachbarten Bildern stammen. Wenn ein Bild oder ein Teil eines Bildes keine Bewegung enthält, kann die vom Video-Compositor durchgeführte zeitliche Rauschunterdrückung Informationen aus dem vorherigen Bild verwenden, um das Rauschen im aktuellen Bild zu reduzieren.
  • Der Videobild-Compositor kann auch so konfiguriert sein, dass er eine Stereoentzerrung der eingegebenen Stereoobjektivbilder durchführt. Der Videobild-Compositor kann außerdem für die Gestaltung der Benutzeroberfläche verwendet werden, wenn der Desktop des Betriebssystems in Gebrauch ist und die GPU(s) 708 nicht ständig neue Oberflächen rendern muss. Selbst wenn der/die Grafikprozessor(en) 708 eingeschaltet und aktiv mit dem 3D-Rendering beschäftigt ist/sind, kann der Videobild-Compositor verwendet werden, um den/die Grafikprozessor(en) 708 zu entlasten und die Leistung und Reaktionsfähigkeit zu verbessern.
  • Der/die SoC(s) 704 kann/können außerdem eine serielle MIPI-Kameraschnittstelle zum Empfang von Video und Eingaben von Kameras, eine Hochgeschwindigkeitsschnittstelle und/oder einen Videoeingabeblock enthalten, der für Kamera- und verwandte Pixeleingabefunktionen verwendet werden kann. Der/die SoC(s) 704 kann/können außerdem einen Eingangs-/Ausgangs-Controller enthalten, der/die durch Software gesteuert werden kann/können und für den Empfang von I/O-Signalen verwendet werden kann/können, die nicht an eine bestimmte Rolle gebunden sind.
  • Der/die SoC(s) 704 kann/können außerdem eine breite Palette von Peripherieschnittstellen enthalten, um die Kommunikation mit Peripheriegeräten, Audiocodecs, Energieverwaltung und/oder anderen Geräten zu ermöglichen. Der/die SoC(s) 704 kann/können zur Verarbeitung von Daten von Kameras (z. B. verbunden über Gigabit Multimedia Serial Link und Ethernet), Sensoren (z. B. LIDAR-Sensor(en) 764, RADAR-Sensor(en) 760 usw., die über Ethernet verbunden sein können), Daten vom Bus 702 (z. B. Geschwindigkeit des Fahrzeugs 700, Lenkradposition usw.), Daten von GNSS-Sensor(en) 758 (z. B. verbunden über Ethernet oder CAN-Bus) verwendet werden. Der/die SoC(s) 704 kann/können darüber hinaus dedizierte Hochleistungs-Massenspeicher-Controller enthalten, die ihre eigenen DMA-Engines enthalten können und die verwendet werden können, um die CPU(s) 706 von Routineaufgaben der Datenverwaltung zu entlasten.
  • Der/die SoC(s) 704 kann/können eine End-to-End-Plattform mit einer flexiblen Architektur sein, die die Automatisierungsstufen 3 bis 5 abdeckt und dadurch eine umfassende funktionale Sicherheitsarchitektur bietet, die Computer-Vision- und ADAS-Techniken für Diversität und Redundanz nutzt und eine Plattform für einen flexiblen, zuverlässigen Fahrsoftware-Stack zusammen mit Deep-Learning-Tools bereitstellt. Die SoC(s) 704 können schneller, zuverlässiger und sogar energie- und platzsparender sein als herkömmliche Systeme. Beispielsweise kann der/die Beschleuniger 714 in Kombination mit der/den CPU(s) 706, der/den GPU(s) 708 und dem/den Datenspeicher(n) 716 eine schnelle, effiziente Plattform für autonome Fahrzeuge der Stufe 3-5 bilden.
  • Die Technologie bietet somit Fähigkeiten und Funktionen, die mit herkömmlichen Systemen nicht erreicht werden können. Beispielsweise können Computer-Vision-Algorithmen auf CPUs ausgeführt werden, die mit Hilfe von Hochsprachen wie der Programmiersprache C so konfiguriert werden können, dass sie eine Vielzahl von Verarbeitungsalgorithmen für eine Vielzahl von visuellen Daten ausführen können. Allerdings sind CPUs oft nicht in der Lage, die Leistungsanforderungen vieler Bildverarbeitungsanwendungen zu erfüllen, z. B. in Bezug auf die Ausführungszeit und den Stromverbrauch. Insbesondere sind viele CPUs nicht in der Lage, komplexe Objekterkennungsalgorithmen in Echtzeit auszuführen, was eine Voraussetzung für fahrzeuginterne ADAS-Anwendungen und eine Voraussetzung für praktische autonome Fahrzeuge der Stufe 3-5 ist.
  • Im Gegensatz zu herkömmlichen Systemen ermöglicht die hier beschriebene Technologie durch die Bereitstellung eines CPU-Komplexes, eines GPU-Komplexes und eines Hardware-Beschleunigungs-Clusters, dass mehrere neuronale Netze gleichzeitig und/oder nacheinander ausgeführt und die Ergebnisse miteinander kombiniert werden können, um autonome Fahrfunktionen der Stufe 3-5 zu ermöglichen. Beispielsweise kann ein CNN, das auf der DLA oder dGPU (z. B. die GPU(s) 720) ausgeführt wird, eine Text- und Worterkennung umfassen, die es dem Supercomputer ermöglicht, Verkehrsschilder zu lesen und zu verstehen, einschließlich Schildern, für die das neuronale Netz nicht speziell trainiert wurde. Die DLA kann ferner ein neuronales Netz enthalten, das in der Lage ist, das Verkehrszeichen zu identifizieren, zu interpretieren und semantisch zu verstehen und dieses semantische Verständnis an die auf dem CPU-Komplex laufenden Wegplanungsmodule weiterzugeben.
  • Ein weiteres Beispiel ist, dass mehrere neuronale Netze gleichzeitig betrieben werden können, wie es für das Fahren der Stufen 3, 4 oder 5 erforderlich ist. So kann beispielsweise ein Warnschild mit der Aufschrift „Vorsicht: Blinkende Lichter weisen auf Glatteis hin“ zusammen mit einem elektrischen Licht von mehreren neuronalen Netzen unabhängig oder gemeinsam interpretiert werden. Das Schild selbst kann von einem ersten eingesetzten neuronalen Netz (z. B. einem trainierten neuronalen Netz) als Verkehrsschild identifiziert werden, der Text „Blinkende Lichter deuten auf Glatteis hin“ kann von einem zweiten eingesetzten neuronalen Netz interpretiert werden, das die Wegplanungssoftware des Fahrzeugs (die vorzugsweise auf dem CPU-Komplex ausgeführt wird) darüber informiert, dass beim Erkennen blinkender Lichter Glatteis vorliegt. Das Blinklicht kann durch den Betrieb eines dritten neuronalen Netzes über mehrere Frames hinweg identifiziert werden, das die Wegplanungssoftware des Fahrzeugs über das Vorhandensein (oder Fehlen) von Blinklichtern informiert. Alle drei neuronalen Netze können gleichzeitig laufen, z. B. innerhalb der DLA und/oder auf der/den GPU(s) 708.
  • In einigen Beispielen kann ein CNN zur Gesichtserkennung und Identifizierung des Fahrzeugbesitzers Daten von Kamerasensoren verwenden, um die Anwesenheit eines autorisierten Fahrers und/oder Besitzers des Fahrzeugs 700 zu erkennen. Die „always on“-Sensorverarbeitungs-Engine kann verwendet werden, um das Fahrzeug zu entriegeln, wenn der Besitzer sich der Fahrertür nähert und die Lichter einschaltet, und um im Sicherheitsmodus das Fahrzeug zu deaktivieren, wenn der Besitzer das Fahrzeug verlässt. Auf diese Weise sorgen die SoC(s) 704 für Sicherheit gegen Diebstahl und/oder Carjacking.
  • In einem anderen Beispiel kann ein CNN zur Erkennung und Identifizierung von Einsatzfahrzeugen Daten von Mikrofonen 796 verwenden, um Sirenen von Einsatzfahrzeugen zu erkennen und zu identifizieren. Im Gegensatz zu herkömmlichen Systemen, die allgemeine Klassifikatoren zur Erkennung von Sirenen und zur manuellen Extraktion von Merkmalen verwenden, nutzen die SoC(s) 704 das CNN zur Klassifizierung von Umwelt- und Stadtgeräuschen sowie zur Klassifizierung visueller Daten. In einer bevorzugten Ausführungsform wird der CNN, der auf dem DLA läuft, darauf trainiert, die relative Annäherungsgeschwindigkeit des Einsatzfahrzeugs zu erkennen (z. B. durch Verwendung des Dopplereffekts). Das CNN kann auch so trainiert werden, dass es Einsatzfahrzeuge identifiziert, die spezifisch für das lokale Gebiet sind, in dem das Fahrzeug operiert, wie es von GNSS-Sensor(en) 758 identifiziert wird. So wird das CNN beispielsweise versuchen, europäische Sirenen zu erkennen, wenn es in Europa eingesetzt wird, und nur nordamerikanische Sirenen, wenn es in den Vereinigten Staaten eingesetzt wird. Sobald ein Einsatzfahrzeug erkannt wird, kann ein Steuerprogramm verwendet werden, um eine Sicherheitsroutine für Einsatzfahrzeuge auszuführen, das Fahrzeug zu verlangsamen, an den Straßenrand zu fahren, das Fahrzeug zu parken und/oder das Fahrzeug mit Hilfe der Ultraschallsensoren 762 im Leerlauf laufen zu lassen, bis das/die Einsatzfahrzeug(e) vorbeifahren.
  • Das Fahrzeug kann eine oder mehrere CPU(s) 718 (z. B. diskrete CPU(s) oder dCPU(s)) enthalten, die über eine Hochgeschwindigkeitsverbindung (z. B. PCIe) mit dem/den SoC(s) 704 verbunden sein können. Die CPU(s) 718 kann/können beispielsweise einen X86-Prozessor enthalten. Die CPU(s) 718 kann/können verwendet werden, um eine Vielzahl von Funktionen auszuführen, einschließlich der Schlichtung potenziell widersprüchlicher Ergebnisse zwischen ADAS-Sensoren und dem/den SoC(s) 704 und/oder der Überwachung des Status und des Zustands des/der Controller(s) 736 und/oder des Infotainment-SoC 730, zum Beispiel.
  • Das Fahrzeug 700 kann eine oder mehrere GPU(s) 720 (z. B. diskrete GPU(s) oder dGPU(s)) enthalten, die über eine Hochgeschwindigkeitsverbindung (z. B. NVIDIAs NVLINK) mit dem/den SoC(s) 704 gekoppelt sein können. Der/die Grafikprozessor(en) 720 kann/können zusätzliche Funktionen der künstlichen Intelligenz bereitstellen, z. B. durch die Ausführung redundanter und/oder unterschiedlicher neuronaler Netze, und kann/können zum Trainieren und/oder Aktualisieren neuronaler Netze basierend auf Eingaben (z. B. Sensordaten) von Sensoren des Fahrzeugs 700 verwendet werden.
  • Das Fahrzeug 700 kann ferner die Netzwerkschnittstelle 724 enthalten, die eine oder mehrere drahtlose Antennen 726 umfassen kann (z. B. eine oder mehrere drahtlose Antennen für verschiedene Kommunikationsprotokolle, wie eine Mobilfunkantenne, eine Bluetooth-Antenne usw.). Die Netzwerkschnittstelle 724 kann verwendet werden, um eine drahtlose Verbindung über das Internet mit der Cloud (z. B. mit dem/den Server(n) 778 und/oder anderen Netzwerkgeräten), mit anderen Fahrzeugen und/oder mit Rechenvorrichtungen (z. B. Client-Geräten von Fahrgästen) zu ermöglichen. Zur Kommunikation mit anderen Fahrzeugen kann eine direkte Verbindung zwischen den beiden Fahrzeugen und/oder eine indirekte Verbindung hergestellt werden (z. B. über Netzwerke und das Internet). Direkte Verbindungen können über eine Fahrzeug-zu-Fahrzeug-Kommunikationsverbindung hergestellt werden. Die Fahrzeug-zu-Fahrzeug-Kommunikationsverbindung kann dem Fahrzeug 700 Informationen über Fahrzeuge in der Nähe des Fahrzeugs 700 liefern (z. B. Fahrzeuge vor, neben und/oder hinter dem Fahrzeug 700). Diese Funktion kann Teil einer kooperativen adaptiven Geschwindigkeitsregelungsfunktion des Fahrzeugs 700 sein.
  • Die Netzwerkschnittstelle 724 kann einen SoC enthalten, der Modulations- und Demodulationsfunktionen bereitstellt und den/die Controller 736 in die Lage versetzt, über drahtlose Netzwerke zu kommunizieren. Die Netzwerkschnittstelle 724 kann ein Funkfrequenz-Frontend für die Aufwärtskonvertierung von Basisband auf Funkfrequenz und die Abwärtskonvertierung von Funkfrequenz auf Basisband enthalten. Die Frequenzumwandlungen können mit bekannten Verfahren und/oder mit Superheterodyn-Verfahren durchgeführt werden. In einigen Beispielen kann die Funkfrequenz-Front-End-Funktionalität durch einen separaten Chip bereitgestellt werden. Die Netzwerkschnittstelle kann drahtlose Funktionen für die Kommunikation über LTE, WCDMA, UMTS, GSM, CDMA2000, Bluetooth, Bluetooth LE, Wi-Fi, Z-Wave, ZigBee, LoRaWAN und/oder andere drahtlose Protokolle enthalten.
  • Das Fahrzeug 700 kann ferner einen oder mehrere Datenspeicher 728 umfassen, die außerhalb des Chips (z. B. außerhalb der SoC(s) 704) gespeichert werden können. Der/die Datenspeicher 728 kann/können ein oder mehrere Speicherelemente wie RAM, SRAM, DRAM, VRAM, Flash, Festplatten und/oder andere Komponenten und/oder Geräte umfassen, die mindestens ein Datenbit speichern können.
  • Das Fahrzeug 700 kann außerdem GNSS-Sensor(en) 758 enthalten. Der/die GNSS-Sensor(en) 758 (z. B. GPS, unterstützte GPS-Sensoren, Differential-GPS-Sensoren (DGPS) usw.) unterstützen bei der Kartierung, Wahrnehmung, Erstellung von Belegungsrastern und/oder Pfadplanungsfunktionen. Es kann eine beliebige Anzahl von GNSS-Sensoren 758 verwendet werden, z. B. und ohne Einschränkung ein GPS, das einen USB-Anschluss mit einer Ethernet-zu-Seriell (RS-232)-Brücke verwendet.
  • Das Fahrzeug 700 kann außerdem RADAR-Sensor(en) 760 enthalten. Der/die RADAR-Sensor(en) 760 kann/können vom Fahrzeug 700 für die Fahrzeugerkennung über große Entfernungen verwendet werden, selbst bei Dunkelheit und/oder schlechten Wetterbedingungen. Der/die RADAR-Sensor(en) 760 kann/können den CAN-Bus und/oder den Bus 702 (z. B. zur Übertragung von Daten, die von dem/den RADAR-Sensor(en) 760 erzeugt wurden) zur Steuerung und zum Zugriff auf Objektverfolgungsdaten verwenden, wobei in einigen Beispielen der Zugriff auf Rohdaten über Ethernet erfolgt. Es kann eine Vielzahl von RADAR-Sensortypen verwendet werden. Zum Beispiel und ohne Einschränkung können der/die RADAR-Sensor(en) 760 für den Einsatz von Front-, Heck- und Seiten-RADAR geeignet sein. In einigen Beispielen werden Puls-Doppler-RADAR-Sensoren verwendet.
  • Der/die RADAR-Sensor(en) 760 kann/können verschiedene Konfigurationen umfassen, wie z. B. große Reichweite mit engem Sichtfeld, kurze Reichweite mit breitem Sichtfeld, seitliche Abdeckung kurzer Reichweite usw. In einigen Beispielen kann RADAR mit großer Reichweite für die adaptive Geschwindigkeitsregelung verwendet werden. Die RADAR-Systeme mit großer Reichweite können ein breites Sichtfeld bieten, das durch zwei oder mehr unabhängige Abtastungen realisiert wird, z. B. innerhalb einer Reichweite von 250 m. Der/die RADAR-Sensor(en) 760 kann/können helfen, zwischen statischen und sich bewegenden Objekten zu unterscheiden, und kann/können von ADAS-Systemen für Notbremsassistenten und Vorwärtskollisionswarnungen verwendet werden. Zu den RADAR-Langstreckensensoren können monostatische multimodale RADAR mit mehreren (z. B. sechs oder mehr) festen RADAR-Antennen und einer Hochgeschwindigkeits-CAN- und FlexRay-Schnittstelle gehören. In einem Beispiel mit sechs Antennen können die mittleren vier Antennen ein fokussiertes Strahlenmuster erzeugen, das dazu dient, die Umgebung des Fahrzeugs bei höheren Geschwindigkeiten mit minimalen Störungen durch den Verkehr auf den angrenzenden Fahrspuren zu erfassen. Die beiden anderen Antennen können das Sichtfeld erweitern, so dass Fahrzeuge, die in die Fahrspur des Fahrzeugs einfahren oder diese verlassen, schnell erfasst werden können.
  • RADAR-Systeme mit mittlerer Reichweite können beispielsweise eine Reichweite von bis zu 760 m (vorne) oder 80 m (hinten) und ein Sichtfeld von bis zu 42 Grad (vorne) oder 750 Grad (hinten) aufweisen. Zu den RADAR-Systemen mit geringer Reichweite können unter anderem RADAR-Sensoren gehören, die an beiden Enden des hinteren Stoßfängers angebracht werden. Wenn ein solches RADAR-Sensorsystem an beiden Enden des hinteren Stoßfängers angebracht ist, kann es zwei Strahlen erzeugen, die den toten Winkel hinter und neben dem Fahrzeug ständig überwachen.
  • RADAR-Systeme mit geringer Reichweite können in einem ADAS-System zur Erkennung des toten Winkels und/oder zur Unterstützung beim Spurwechsel eingesetzt werden.
  • Das Fahrzeug 700 kann außerdem einen oder mehrere Ultraschallsensoren 762 enthalten. Der/die Ultraschallsensor(en) 762, der/die vorne, hinten und/oder an den Seiten des Fahrzeugs 700 angebracht sein kann/können, kann/können zur Einparkhilfe und/oder zur Erstellung und Aktualisierung eines Belegungsrasters verwendet werden. Es kann eine Vielzahl von Ultraschallsensoren 762 verwendet werden, und unterschiedliche Ultraschallsensoren 762 können für unterschiedliche Erfassungsbereiche (z. B. 2,5 m, 4 m) eingesetzt werden. Der/die Ultraschallsensor(en) 762 kann/können bei funktionalen Sicherheitsstufen von ASIL B arbeiten.
  • Das Fahrzeug 700 kann LIDAR-Sensor(en) 764 enthalten. Der/die LIDAR-Sensor(en) 764 kann/können für Objekt- und Fußgängererkennung, Notbremsung, Kollisionsvermeidung und/oder andere Funktionen verwendet werden. Der/die LIDAR-Sensor(en) 764 kann/können der funktionalen Sicherheitsstufe ASIL B entsprechen. In einigen Beispielen kann das Fahrzeug 700 mehrere LIDAR-Sensoren 764 (z. B. zwei, vier, sechs usw.) enthalten, die Ethernet verwenden können (z. B. zur Bereitstellung von Daten an einen Gigabit-Ethernet-Switch).
  • In einigen Beispielen kann der/die LIDAR-Sensor(en) 764 in der Lage sein, eine Liste von Objekten und deren Entfernungen für ein 360-Grad-Sichtfeld zu liefern. Im Handel erhältliche LIDAR-Sensoren 764 können eine Reichweite von etwa 700 m haben, mit einer Genauigkeit von 2 cm bis 3 cm und mit Unterstützung für eine Ethernet-Verbindung mit 700 Mbit/s, zum Beispiel. In einigen Beispielen können ein oder mehrere nicht vorspringende LIDAR-Sensoren 764 verwendet werden. In solchen Beispielen kann/können der/die LIDAR-Sensor(en) 764 als kleines Gerät implementiert werden, das in die Front, das Heck, die Seiten und/oder die Ecken des Fahrzeugs 700 eingebettet werden kann. Der/die LIDAR-Sensor(en) 764 kann/können in solchen Beispielen ein horizontales Sichtfeld von bis zu 120 Grad und ein vertikales Sichtfeld von 35 Grad bieten, mit einer Reichweite von 200 m, selbst bei Objekten mit geringer Reflexion. Der/die frontmontierte(n) LIDAR-Sensor(en) 764 kann/können für ein horizontales Sichtfeld zwischen 45 Grad und 135 Grad konfiguriert werden.
  • In einigen Beispielen können auch LIDAR-Technologien wie 3D-Blitz-LIDAR eingesetzt werden. 3D-Blitz-LIDAR verwendet einen Laserblitz als Übertragungsquelle, um die Umgebung des Fahrzeugs bis zu einer Entfernung von etwa 200 m zu beleuchten. Eine Flash-LIDAR-Einheit umfasst einen Empfänger, der die Laufzeit des Laserpulses und das reflektierte Licht auf jedem Pixel aufzeichnet, was wiederum der Entfernung zwischen dem Fahrzeug und den Objekten entspricht. Mit Flash-LIDAR lassen sich mit jedem Laserblitz hochpräzise und verzerrungsfreie Bilder der Umgebung erzeugen. In einigen Beispielen können vier Flash-LIDAR-Sensoren eingesetzt werden, einer an jeder Seite des Fahrzeugs 700. Zu den verfügbaren 3D-Blitz-LIDAR-Systemen gehört eine Festkörper-3D-Star-Array-LIDAR-Kamera, die außer einem Lüfter keine beweglichen Teile aufweist (z. B. ein nicht scannendes LIDAR-Gerät). Das Flash-LIDAR-Gerät kann einen 5-Nanosekunden-Laserimpuls der Klasse 1 (augensicher) pro Bild verwenden und das reflektierte Laserlicht in Form von 3D-Entfernungspunktwolken und gemeinsam registrierten Intensitätsdaten erfassen. Durch die Verwendung von Flash-LIDAR und weil Flash-LIDAR ein Festkörpergerät ohne bewegliche Teile ist, kann der/die LIDAR-Sensor(en) 764 weniger anfällig für Bewegungsunschärfe, Vibrationen und/oder Stöße sein.
  • Das Fahrzeug kann außerdem IMU-Sensor(en) 766 enthalten. Der/die IMU-Sensor(en) 766 kann/können in einigen Beispielen in der Mitte der Hinterachse des Fahrzeugs 700 angeordnet sein. Der (die) IMU-Sensor(en) 766 kann (können) beispielsweise und ohne Einschränkung einen (mehrere) Beschleunigungsmesser, einen (mehrere) Magnetometer, ein (mehrere) Gyroskop(e), einen (mehrere) Magnetkompass(e) und/oder andere Sensortypen umfassen. In einigen Beispielen, wie z. B. bei sechsachsigen Anwendungen, kann/können der/die IMU-Sensor(en) 766 Beschleunigungsmesser und Gyroskope umfassen, während bei neunachsigen Anwendungen der/die IMU-Sensor(en) 766 Beschleunigungsmesser, Gyroskope und Magnetometer umfassen können.
  • In einigen Ausführungsformen kann/können der/die IMU-Sensor(en) 766 als ein miniaturisiertes, hochleistungsfähiges GPS-gestütztes Trägheitsnavigationssystem (GPS/INS) implementiert werden, das mikroelektromechanische Trägheitssensoren (MEMS), einen hochempfindlichen GPS-Empfänger und fortschrittliche Kalman-Filteralgorithmen kombiniert, um Schätzungen von Position, Geschwindigkeit und Lage zu liefern. In einigen Beispielen können die IMU-Sensoren 766 das Fahrzeug 700 in die Lage versetzen, den Kurs zu schätzen, ohne dass Eingaben von einem Magnetsensor erforderlich sind, indem die Geschwindigkeitsänderungen von GPS direkt beobachtet und mit den IMU-Sensoren 766 korreliert werden. In einigen Beispielen können der/die IMU-Sensor(en) 766 und der/die GNSS-Sensor(en) 758 in einer einzigen integrierten Einheit kombiniert werden.
  • Das Fahrzeug kann ein oder mehrere Mikrofone 796 enthalten, die im und/oder um das Fahrzeug 700 herum angebracht sind. Das/die Mikrofon(e) 796 kann/können u. a. zur Erkennung und Identifizierung von Einsatzfahrzeugen verwendet werden.
  • Das Fahrzeug kann ferner eine beliebige Anzahl von Kameratypen enthalten, einschließlich Stereokamera(s) 768, Weitwinkelkamera(s) 770, Infrarotkamera(s) 772, Umgebungskamera(s) 774, Fern- und/oder Mittelbereichskamera(s) 798 und/oder andere Kameratypen. Die Kameras können verwendet werden, um Bilddaten rund um den gesamten Umfang des Fahrzeugs 700 zu erfassen. Die verwendeten Kameratypen hängen von den Ausführungsformen und Anforderungen für das Fahrzeug 700 ab, und es kann eine beliebige Kombination von Kameratypen verwendet werden, um die erforderliche Abdeckung um das Fahrzeug 700 herum zu gewährleisten. Darüber hinaus kann die Anzahl der Kameras je nach Ausführungsform unterschiedlich sein. So kann das Fahrzeug beispielsweise sechs Kameras, sieben Kameras, zehn Kameras, zwölf Kameras und/oder eine andere Anzahl von Kameras umfassen. Die Kameras können zum Beispiel und ohne Einschränkung Gigabit Multimedia Serial Link (GMSL) und/oder Gigabit Ethernet unterstützen. Jede der Kameras wird hierin in Bezug auf 7A und 7B ausführlicher beschrieben.
  • Das Fahrzeug 700 kann außerdem einen oder mehrere Schwingungssensoren 742 enthalten. Der/die Schwingungssensor(en) 742 kann/können Schwingungen von Komponenten des Fahrzeugs, wie z. B. der Achse(n), messen. Änderungen der Vibrationen können zum Beispiel auf eine Änderung der Straßenoberfläche hinweisen. In einem anderen Beispiel können bei Verwendung von zwei oder mehr Schwingungssensoren 742 die Unterschiede zwischen den Schwingungen verwendet werden, um die Reibung oder den Schlupf der Straßenoberfläche zu bestimmen (z. B. wenn der Unterschied in der Schwingung zwischen einer angetriebenen Achse und einer frei drehenden Achse besteht).
  • Das Fahrzeug 700 kann ein ADAS-System 738 enthalten. Das ADAS-System 738 kann in einigen Beispielen einen SoC enthalten. Das ADAS-System 738 kann einen autonomen/adaptiven/automatischen Geschwindigkeitsregler (ACC), einen kooperativen adaptiven Geschwindigkeitsregler (CACC), eine Auffahrwarnung (FCW), eine automatische Notbremsung (AEB), eine Spurverlassenswarnung (LDW), einen Spurhalteassistenten (LKA), einen Toter-Winkel-Warner (BSW), einen Querverkehrswarner (RCTW), ein Kollisionswarnsystem (CWS), eine Fahrspurzentrierung (LC) und/oder andere Merkmale und Funktionen umfassen.
  • Die ACC-Systeme können RADAR-Sensor(en) 760, LIDAR-Sensor(en) 764 und/oder eine Kamera(en) verwenden. Die ACC-Systeme können einen ACC in Längsrichtung und/oder einen ACC in Querrichtung umfassen. Der ACC in Längsrichtung überwacht und steuert den Abstand zu dem unmittelbar vor dem Fahrzeug 700 befindlichen Fahrzeug und passt die Fahrzeuggeschwindigkeit automatisch an, um einen sicheren Abstand zu vorausfahrenden Fahrzeugen einzuhalten. Der seitliche ACC sorgt für die Einhaltung des Abstands und rät dem Fahrzeug 700, wenn nötig die Spur zu wechseln. Lateral ACC ist mit anderen ADAS-Anwendungen wie LCA und CWS verwandt.
  • CACC verwendet Informationen von anderen Fahrzeugen, die über die Netzwerkschnittstelle 724 und/oder die Funkantenne(n) 726 von anderen Fahrzeugen über eine drahtlose Verbindung oder indirekt über eine Netzwerkverbindung (z. B. über das Internet) empfangen werden können. Direkte Verbindungen können über eine Fahrzeug-zu-Fahrzeug-Kommunikationsverbindung (V2V) hergestellt werden, während indirekte Verbindungen eine Infrastruktur-zu-Fahrzeug-Kommunikationsverbindung (I2V) sein können. Im Allgemeinen liefert das V2V-Kommunikationskonzept Informationen über die unmittelbar vorausfahrenden Fahrzeuge (z. B. Fahrzeuge, die sich unmittelbar vor dem Fahrzeug 700 und auf derselben Fahrspur wie dieses befinden), während das I2V-Kommunikationskonzept Informationen über den weiter vorausfahrenden Verkehr liefert. CACC-Systeme können eine oder beide I2V- und V2V-Informationsquellen enthalten. Angesichts der Informationen über die Fahrzeuge vor dem Fahrzeug 700 kann CACC zuverlässiger sein und hat das Potenzial, den Verkehrsfluss zu verbessern und Staus auf der Straße zu reduzieren.
  • FCW-Systeme sind so konzipiert, dass sie den Fahrer vor einer Gefahr warnen, so dass er korrigierend eingreifen kann. FCW-Systeme verwenden eine nach vorne gerichtete Kamera und/oder RADAR-Sensor(en) 760, die mit einem speziellen Prozessor, DSP, FPGA und/oder ASIC gekoppelt sind, der elektrisch mit der Rückmeldung an den Fahrer verbunden ist, z. B. über ein Display, einen Lautsprecher und/oder eine vibrierende Komponente. FCW-Systeme können eine Warnung ausgeben, z. B. in Form eines Tons, einer optischen Warnung, einer Vibration und/oder eines schnellen Bremsimpulses.
  • AEB-Systeme erkennen eine drohende Vorwärtskollision mit einem anderen Fahrzeug oder einem anderen Objekt und können automatisch die Bremsen betätigen, wenn der Fahrer nicht innerhalb eines bestimmten Zeit- oder Entfernungsparameters korrigierend eingreift. AEB-Systeme können nach vorne gerichtete Kamera(s) und/oder RADAR-Sensor(en) 760 verwenden, die mit einem speziellen Prozessor, DSP, FPGA und/oder ASIC verbunden sind. Wenn das AEB-System eine Gefahr erkennt, warnt es in der Regel zunächst den Fahrer, damit er korrigierend eingreift, um die Kollision zu vermeiden. Wenn der Fahrer keine korrigierenden Maßnahmen ergreift, kann das AEB-System automatisch die Bremsen betätigen, um die Auswirkungen der vorhergesagten Kollision zu verhindern oder zumindest abzumildern. AEB-Systeme können Techniken wie die dynamische Bremsunterstützung und/oder die Gefahrbremsung vor einer Kollision umfassen.
  • LDW-Systeme warnen den Fahrer durch optische, akustische und/oder taktile Signale, z. B. durch Vibrationen am Lenkrad oder am Sitz, wenn das Fahrzeug 700 die Fahrbahnmarkierungen überfährt. Ein Spurhaltewarnsystem wird nicht aktiviert, wenn der Fahrer durch Betätigen des Blinkers ein absichtliches Verlassen der Fahrspur anzeigt. LDW-Systeme können nach vorne gerichtete Kameras verwenden, die mit einem speziellen Prozessor, DSP, FPGA und/oder ASIC verbunden sind, der elektrisch mit dem Fahrerfeedback gekoppelt ist, z. B. mit einer Anzeige, einem Lautsprecher und/oder einer vibrierenden Komponente.
  • LKA-Systeme sind eine Variante von LDW-Systemen. LKA-Systeme sorgen für einen Lenkeingriff oder eine Bremsung, um das Fahrzeug 700 zu korrigieren, wenn das Fahrzeug 700 beginnt, die Fahrspur zu verlassen.
  • BSW-Systeme erkennen und warnen den Fahrer vor Fahrzeugen im toten Winkel des Fahrzeugs. BSW-Systeme können ein optisches, akustisches und/oder taktiles Warnsignal ausgeben, um darauf hinzuweisen, dass das Zusammenführen oder Wechseln der Fahrspur unsicher ist. Das System kann eine zusätzliche Warnung ausgeben, wenn der Fahrer einen Blinker betätigt. BSW-Systeme können nach hinten gerichtete Kamera(s) und/oder RADAR-Sensor(en) 760 verwenden, die mit einem speziellen Prozessor, DSP, FPGA und/oder ASIC gekoppelt sind, der elektrisch mit dem Fahrerfeedback gekoppelt ist, z. B. mit einem Display, einem Lautsprecher und/oder einer vibrierenden Komponente.
  • RCTW-Systeme können eine optische, akustische und/oder taktile Benachrichtigung ausgeben, wenn beim Rückwärtsfahren des Fahrzeugs 700 ein Objekt außerhalb des Bereichs der Heckkamera erkannt wird. Einige RCTW-Systeme umfassen AEB, um sicherzustellen, dass die Fahrzeugbremsen betätigt werden, um einen Unfall zu vermeiden. RCTW-Systeme können einen oder mehrere nach hinten gerichtete RADAR-Sensoren 760 verwenden, die mit einem dedizierten Prozessor, DSP, FPGA und/oder ASIC gekoppelt sind, der elektrisch mit dem Fahrerfeedback gekoppelt ist, z. B. mit einem Display, einem Lautsprecher und/oder einer vibrierenden Komponente.
  • Bei herkömmlichen ADAS-Systemen kann es zu falsch-positiven Ergebnissen kommen, die für den Fahrer ärgerlich und ablenkend sein können, aber in der Regel nicht katastrophal sind, da die ADAS-Systeme den Fahrer warnen und ihm die Möglichkeit geben, zu entscheiden, ob wirklich ein Sicherheitszustand vorliegt und entsprechend zu handeln. In einem autonomen Fahrzeug 700 muss das Fahrzeug 700 jedoch im Falle widersprüchlicher Ergebnisse selbst entscheiden, ob es das Ergebnis eines primären Computers oder eines sekundären Computers (z. B. eines ersten Controllers 736 oder eines zweiten Controllers 736) beherzigen soll. In einigen Ausführungsformen kann das ADAS-System 738 beispielsweise ein Backup- und/oder Sekundärcomputer sein, der Wahrnehmungsinformationen an ein Rationalitätsmodul des Backup-Computers liefert. Der Rationalitätsmonitor des Backup-Computers kann eine redundante Software auf Hardwarekomponenten ausführen, um Fehler in der Wahrnehmung und bei dynamischen Fahraufgaben zu erkennen. Die Ausgaben des ADAS-Systems 738 können an eine Überwachungs-MCU weitergeleitet werden. Wenn die Ausgaben des Primärrechners und des Sekundärrechners kollidieren, muss die Überwachungs-MCU bestimmen, wie der Konflikt gelöst werden kann, um einen sicheren Betrieb zu gewährleisten.
  • In einigen Beispielen kann der primäre Computer so konfiguriert sein, dass er der Überwachungs-MCU eine Konfidenzbewertung liefert, der die Konfidenz des primären Computers in das gewählte Ergebnis angibt. Übersteigt die Konfidenzbewertung einen Schwellenwert, kann die Überwachungs-MCU der Anweisung des Primärcomputers folgen, unabhängig davon, ob der Sekundärcomputer ein widersprüchliches oder inkonsistentes Ergebnis liefert. Erreicht die Konfidenzbewertung den Schwellenwert nicht und geben der primäre und der sekundäre Computer unterschiedliche Ergebnisse an (z. B. den Konflikt), kann die Überwachungs-MCU zwischen den Computern vermitteln, um das geeignete Ergebnis zu bestimmen.
  • Die Überwachungs-MCU kann so konfiguriert sein, dass sie ein neuronales Netz bzw. neuronale Netze ausführt, das bzw. die so trainiert und konfiguriert ist bzw. sind, dass es bzw. sie basierend auf den Ausgaben des Primärcomputers und des Sekundärcomputers die Bedingungen bestimmt bzw. bestimmen, unter denen der Sekundärcomputer Fehlalarme auslöst. So kann das neuronale Netz bzw. können die neuronalen Netze in der Überwachungs-MCU lernen, wann der Ausgabe des Sekundärcomputers vertraut werden kann und wann nicht. Handelt es sich bei dem sekundären Computer beispielsweise um ein RADAR-basiertes FCW-System, kann ein neuronales Netzwerk in der Überwachungs-MCU lernen, wann das FCW-System metallische Objekte identifiziert, die in Wirklichkeit keine Gefahr darstellen, wie etwa ein Abflussgitter oder ein Schachtdeckel, der einen Alarm auslöst. Wenn der Sekundärcomputer ein kamerabasiertes Spurhaltewarnsystem ist, kann ein neuronales Netz in der Überwachungs-MCU lernen, das Spurhaltewarnsystem zu übersteuern, wenn Radfahrer oder Fußgänger vorhanden sind und ein Verlassen der Fahrspur tatsächlich das sicherste Manöver ist. In Ausführungsformen, in denen ein neuronales Netz bzw. neuronale Netze auf der Überwachungs-MCU laufen, kann die Überwachungs-MCU mindestens einen DLA oder einen Grafikprozessor enthalten, der für den Betrieb des neuronalen Netzes bzw. der neuronalen Netze mit zugehörigem Speicher geeignet ist. In bevorzugten Ausführungsformen kann die Überwachungs-MCU eine Komponente des/der SoC(s) 704 umfassen und/oder darin enthalten sein.
  • In anderen Beispielen kann das ADAS-System 738 einen sekundären Computer enthalten, der die ADAS-Funktionen unter Verwendung herkömmlicher Regeln der Computer Vision ausführt. Der sekundäre Computer kann also klassische Regeln des Computersehens verwenden (wenn-dann), und das Vorhandensein eines neuronalen Netzes bzw. neuronaler Netze in der Überwachungs-MCU kann die Zuverlässigkeit, Sicherheit und Leistung verbessern. Beispielsweise wird das Gesamtsystem durch die unterschiedliche Implementierung und die absichtliche Nichtidentität fehlertoleranter, insbesondere gegenüber Fehlern, die durch Softwarefunktionen (oder Software-Hardware-Schnittstellen) verursacht werden. Wenn beispielsweise ein Softwarefehler in der auf dem Primärcomputer laufenden Software auftritt und der nicht identische Softwarecode auf dem Sekundärcomputer das gleiche Gesamtergebnis liefert, kann die Überwachungs-MCU mit größerer Sicherheit davon ausgehen, dass das Gesamtergebnis korrekt ist und der Fehler in der Software oder Hardware des Primärcomputers keinen wesentlichen Fehler verursacht.
  • In einigen Beispielen kann die Ausgabe des ADAS-Systems 738 in den Wahrnehmungsblock des Primärrechners und/oder in den Block für dynamische Fahraufgaben des Primärrechners eingespeist werden. Wenn das ADAS-System 738 beispielsweise eine Warnung vor einem Aufprall aufgrund eines unmittelbar vorausliegenden Objekts anzeigt, kann der Wahrnehmungsblock diese Information bei der Identifizierung von Objekten verwenden. In anderen Beispielen kann der Sekundärcomputer über ein eigenes neuronales Netz verfügen, das trainiert ist und somit das Risiko von Fehlalarmen verringert, wie hier beschrieben.
  • Das Fahrzeug 700 kann außerdem das Infotainment-SoC 730 (z. B. ein bordeigenes Infotainment-System (IVI)) enthalten. Obwohl das Infotainment-System als SoC dargestellt und beschrieben wird, muss es nicht unbedingt ein SoC sein, sondern kann auch zwei oder mehr diskrete Komponenten umfassen. Das Infotainment-SoC 730 kann eine Kombination aus Hardware und Software enthalten, die zur Bereitstellung von Audio (z. B. Musik, einem persönlichen digitalen Assistenten, Navigationsanweisungen, Nachrichten, Radio usw.), Video (z. B. Fernsehen, Filme, Streaming usw.), Telefon (z. B. Freisprechen), Netzwerkkonnektivität (z. B., LTE, Wi-Fi usw.) und/oder Informationsdienste (z. B. Navigationssysteme, Einparkhilfe hinten, ein Radiodatensystem, fahrzeugbezogene Informationen wie Kraftstoffstand, zurückgelegte Gesamtstrecke, Bremskraftstoffstand, Ölstand, Tür öffnen/schließen, Luftfilterinformationen usw.) an das Fahrzeug 700. Der Infotainment-SoC 730 kann beispielsweise Radios, Plattenspieler, Navigationssysteme, Videoplayer, USB- und Bluetooth-Konnektivität, Carputer, In-Car-Entertainment, Wi-Fi, Audiobedienelemente am Lenkrad, Freisprecheinrichtung, ein Heads-up-Display (HUD), ein HMI-Display 734, ein Telematikgerät, ein Bedienfeld (z. B. zur Steuerung und/oder Interaktion mit verschiedenen Komponenten, Funktionen und/oder Systemen) und/oder andere Komponenten umfassen. Der Infotainment-SoC 730 kann ferner verwendet werden, um einem oder mehreren Nutzern des Fahrzeugs Informationen (z. B. visuell und/oder akustisch) zur Verfügung zu stellen, z. B. Informationen aus dem ADAS-System 738, Informationen zum autonomen Fahren wie geplante Fahrzeugmanöver, Trajektorien, Umgebungsinformationen (z. B. Kreuzungsinformationen, Fahrzeuginformationen, Straßeninformationen usw.) und/oder andere Informationen.
  • Der Infotainment-SoC 730 kann GPU-Funktionen enthalten. Der Infotainment-SoC 730 kann über den Bus 702 (z. B. CAN-Bus, Ethernet usw.) mit anderen Geräten, Systemen und/oder Komponenten des Fahrzeugs 700 kommunizieren. In einigen Beispielen kann der Infotainment-SoC 730 mit einer Überwachungs-MCU gekoppelt sein, so dass die GPU des Infotainment-Systems einige Selbstfahrfunktionen ausführen kann, falls der/die primäre(n) Controller 736 (z. B. die primären und/oder Backup-Computer des Fahrzeugs 700) ausfallen. In einem solchen Beispiel kann der Infotainment-SoC 730 das Fahrzeug 700, wie hier beschrieben, in einen Chauffeurmodus bis zum sicheren Anhalten versetzen.
  • Das Fahrzeug 700 kann ferner ein Kombiinstrument 732 (z. B. ein digitales Armaturenbrett, ein elektronisches Kombiinstrument, eine digitale Instrumententafel usw.) enthalten. Das Kombiinstrument 732 kann ein Steuergerät und/oder einen Supercomputer (z. B. ein diskretes Steuergerät oder einen Supercomputer) enthalten. Das Kombiinstrument 732 kann eine Reihe von Instrumenten enthalten, z. B. Tachometer, Kraftstoffstand, Öldruck, Drehzahlmesser, Kilometerzähler, Blinker, Schaltstellungsanzeige, Sicherheitsgurt-Warnleuchte(n), Parkbrems-Warnleuchte(n), Motor-Fehlfunktionsleuchte(n), Informationen über das Airbag-System (SRS), Beleuchtungssteuerungen, Sicherheitssystemsteuerungen, Navigationsinformationen usw. In einigen Beispielen können die Informationen vom Infotainment-SoC 730 und dem Kombiinstrument 732 angezeigt und/oder gemeinsam genutzt werden. Mit anderen Worten: Das Kombiinstrument 732 kann Teil des Infotainment-SoC 730 sein oder umgekehrt.
  • 7D ist ein Systemdiagramm für die Kommunikation zwischen einem oder mehreren cloudbasierten Servern und dem autonomen Beispielfahrzeug 700 der 7A, gemäß einigen Ausführungsformen der vorliegenden Offenbarung. Das System 776 kann den/die Server 778, das/die Netzwerk(e) 790 und die Fahrzeuge, einschließlich des Fahrzeugs 700, umfassen. Der (die) Server 778 kann (können) eine Vielzahl von GPUs 784(A)-784(H) (hier zusammenfassend als GPUs 784 bezeichnet), PCIe-Switches 782(A)-782(H) (hier zusammenfassend als PCIe-Switches 782 bezeichnet) und/oder CPUs 780(A)-780(B) (hier zusammenfassend als CPUs 780 bezeichnet) umfassen. Die GPUs 784, die CPUs 780 und die PCIe-Switches können mit Hochgeschwindigkeitsverbindungen, wie z. B. den von NVIDIA entwickelten NVLink-Schnittstellen 788 und/oder PCIe-Verbindungen 786, miteinander verbunden sein. In einigen Beispielen sind die GPUs 784 über NVLink und/oder NVSwitch SoC und die GPUs 784 und die PCIe-Switches 782 über PCIe-Interconnects verbunden. Obwohl acht GPUs 784, zwei CPUs 780 und zwei PCIe-Switches abgebildet sind, ist dies nicht als Einschränkung zu verstehen. Je nach Ausführungsform kann jeder der Server 778 eine beliebige Anzahl von GPUs 784, CPUs 780 und/oder PCIe-Switches umfassen. Beispielsweise kann jeder der Server 778 acht, sechzehn, zweiunddreißig und/oder mehr GPUs 784 enthalten.
  • Der (die) Server 778 kann (können) über das (die) Netzwerk(e) 790 und von den Fahrzeugen Bilddaten empfangen, die für Bilder repräsentativ sind, die unerwartete oder veränderte Straßenbedingungen zeigen, wie z. B. kürzlich begonnene Straßenarbeiten. Der (die) Server 778 kann (können) über das (die) Netzwerk(e) 790 und an die Fahrzeuge neuronale Netze 792, aktualisierte neuronale Netze 792 und/oder Karteninformationen 794, einschließlich Informationen über Verkehrs- und Straßenbedingungen, übertragen. Die Aktualisierungen der Karteninformationen 794 können Aktualisierungen für die HD-Karte 722 enthalten, z. B. Informationen über Baustellen, Schlaglöcher, Umleitungen, Überschwemmungen und/oder andere Hindernisse. In einigen Beispielen können die neuronalen Netze 792, die aktualisierten neuronalen Netze 792 und/oder die Karteninformationen 794 aus neuem Training und/oder Erfahrungen resultieren, die in Daten dargestellt sind, die von einer beliebigen Anzahl von Fahrzeugen in der Umgebung empfangen wurden, und/oder auf einem Training basieren, das in einem Datenzentrum durchgeführt wurde (z. B. unter Verwendung des/der Server(s) 778 und/oder anderer Server).
  • Der/die Server 778 kann/können verwendet werden, um Modelle für maschinelles Lernen (z. B. neuronale Netze) basierend auf Trainingsdaten zu trainieren. Die Trainingsdaten können von den Fahrzeugen und/oder in einer Simulation (z. B. mit einer Spiel-Engine) erzeugt werden. In einigen Beispielen werden die Trainingsdaten mit Tags versehen (z. B. wenn das neuronale Netz von überwachtem Lernen profitiert) und/oder einer anderen Vorverarbeitung unterzogen, während in anderen Beispielen die Trainingsdaten nicht mit Tags versehen und/oder vorverarbeitet werden (z. B. wenn das neuronale Netz kein überwachtes Lernen benötigt). Das Training kann nach einer oder mehreren Klassen von maschinellen Lerntechniken durchgeführt werden, einschließlich, aber nicht beschränkt auf Klassen wie: überwachtes Training, halbüberwachtes Training, unüberwachtes Training, selbstlernendes Lernen, Verstärkungslernen, föderiertes Lernen, Transferlernen, Merkmalslemen (einschließlich Hauptkomponenten- und Clusteranalysen), multilineares Unterraumlemen, vielfältiges Lernen, Repräsentationslernen (einschließlich Lernen mit Ersatzwörterbüchern), regelbasiertes maschinelles Lernen, Anomalieerkennung und alle Varianten oder Kombinationen davon. Sobald die maschinellen Lernmodelle trainiert sind, können die maschinellen Lernmodelle von den Fahrzeugen verwendet werden (z. B. durch Übertragung an die Fahrzeuge über das/die Netzwerk(e) 790 und/oder die maschinellen Lernmodelle können von dem/den Server(n) 778 zur Fernüberwachung der Fahrzeuge verwendet werden.
  • In einigen Beispielen können die Server 778 Daten von den Fahrzeugen empfangen und die Daten auf aktuelle neuronale Netze in Echtzeit für intelligente Schlussfolgerungen in Echtzeit anwenden. Der/die Server 778 kann/können Deep-Learning-Supercomputer und/oder dedizierte KI-Computer umfassen, die von GPUs 784 angetrieben werden, wie z. B. die von NVIDIA entwickelten DGX- und DGX Station-Maschinen. In einigen Beispielen können die Server 778 jedoch auch Deep-Learning-Infrastrukturen enthalten, die nur CPU-betriebene Rechenzentren verwenden.
  • Die Deep-Learning-Infrastruktur des/der Server(s) 778 kann zu schnellem Inferenz in Echtzeit fähig sein und kann diese Fähigkeit nutzen, um den Zustand der Prozessoren, der Software und/oder der zugehörigen Hardware im Fahrzeug 700 zu bewerten und zu überprüfen. Beispielsweise kann die Deep-Learning-Infrastruktur regelmäßige Aktualisierungen vom Fahrzeug 700 erhalten, wie etwa eine Abfolge von Bildern und/oder Objekten, die das Fahrzeug 700 in dieser Abfolge von Bildern lokalisiert hat (z. B. über Computer Vision und/oder andere maschinelle Objektklassifizierungstechniken). Die Deep-Learning-Infrastruktur kann ihr eigenes neuronales Netz laufen lassen, um die Objekte zu identifizieren und sie mit den vom Fahrzeug 700 identifizierten Objekten zu vergleichen. Wenn die Ergebnisse nicht übereinstimmen und die Infrastruktur zu dem Schluss kommt, dass die KI im Fahrzeug 700 nicht richtig funktioniert, kann der Server (oder die Server) 778 ein Signal an das Fahrzeug 700 senden, das einen ausfallsicheren Computer des Fahrzeugs 700 anweist, die Kontrolle zu übernehmen, die Fahrgäste zu benachrichtigen und ein sicheres Parkmanöver durchzuführen.
  • Zur Inferenz kann der/die Server 778 die GPU(s) 784 und einen oder mehrere programmierbare Inferenzbeschleuniger (z. B. TensorRT von NVIDIA) enthalten. Die Kombination von GPU-gesteuerten Servern und Inferenzbeschleunigung kann eine Reaktionsfähigkeit in Echtzeit ermöglichen. In anderen Beispielen, in denen die Leistung weniger kritisch ist, können Server mit CPUs, FPGAs und anderen Prozessoren für die Inferenzbildung verwendet werden.
  • Beispielhafte Rechenvorrichtung
  • 8 ist ein Blockdiagramm einer beispielhaften Rechenvorrichtung(en) 800, die zur Verwendung bei der Implementierung einiger Ausführungsformen der vorliegenden Offenbarung geeignet ist. Die Rechenvorrichtung 800 kann ein Interconnect-System 802 enthalten, das direkt oder indirekt die folgenden Vorrichtungen verbindet: Speicher 804, eine oder mehrere Zentraleinheiten (CPUs) 806, eine oder mehrere Grafikverarbeitungseinheiten (GPUs) 808, eine Kommunikationsschnittstelle 810, Ein-/Ausgangs- (I/O) Ports 812, Ein-/Ausgabekomponenten 814, eine Stromversorgung 816, eine oder mehrere Präsentationskomponenten 818 (z. B. Anzeige(n)) und eine oder mehrere Logikeinheiten 820. In mindestens einer Ausführungsform kann die Rechenvorrichtung(en) 800 eine oder mehrere virtuelle Maschinen (VMs) umfassen und/oder jede ihrer Komponenten kann virtuelle Komponenten (z. B. virtuelle Hardwarekomponenten) umfassen. Als nicht einschränkende Beispiele können eine oder mehrere der GPUs 808 eine oder mehrere vGPUs umfassen, eine oder mehrere der CPUs 806 können eine oder mehrere vCPUs umfassen, und/oder eine oder mehrere der Logikeinheiten 820 können eine oder mehrere virtuelle Logikeinheiten umfassen. Als solche kann (können) ein (mehrere) Rechengerät(e) 800 diskrete Komponenten (z. B. eine vollständige GPU, die der Rechenvorrichtung 800 gewidmet ist), virtuelle Komponenten (z. B. einen Teil einer GPU, die der Rechenvorrichtung 800 gewidmet ist) oder eine Kombination davon umfassen.
  • Obwohl die verschiedenen Blöcke in 8 als über das Interconnect-System 802 mit Leitungen verbunden dargestellt sind, ist dies nicht als Einschränkung zu verstehen und dient nur der Klarheit. In einigen Ausführungsformen kann beispielsweise eine Präsentationskomponente 818, wie z. B. ein Anzeigegerät, als I/O-Komponente 814 betrachtet werden (z. B. wenn die Anzeige ein Touchscreen ist). Ein weiteres Beispiel ist, dass die CPUs 806 und/oder GPUs 808 Speicher enthalten können (z. B. kann der Speicher 804 zusätzlich zum Speicher der GPUs 808, der CPUs 806 und/oder anderer Komponenten ein Speichergerät darstellen). Mit anderen Worten, die Rechnereinrichtung der 8 ist lediglich illustrativ. Es wird nicht zwischen Kategorien wie „Workstation", „Server", „Laptop", „Desktop", „Tablet", „Client-Gerät", „mobiles Gerät", „Handheld-Gerät“, „Spielkonsole“, „elektronische Steuereinheit (ECU)“, „Virtual-Reality-System“ und/oder anderen Geräte- oder Systemtypen unterschieden, da sie alle in den Anwendungsbereich der Rechenvorrichtung der 8 fallen.
  • Das Interconnect-System 802 kann eine oder mehrere Verbindungen oder Busse darstellen, wie z. B. einen Adressbus, einen Datenbus, einen Steuerbus oder eine Kombination davon. Das Interconnect-System 802 kann einen oder mehrere Bus- oder Verbindungstypen umfassen, z. B. einen ISA-Bus (Industry Standard Architecture), einen EISA-Bus (Extended Industry Standard Architecture), einen VESA-Bus (Video Electronics Standards Association), einen PCI-Bus (Peripheral Component Interconnect), einen PCIe-Bus (Peripheral Component Interconnect Express) und/oder eine andere Art von Bus oder Verbindung. In einigen Ausführungsformen gibt es direkte Verbindungen zwischen den Komponenten. So kann beispielsweise die CPU 806 direkt mit dem Speicher 804 verbunden sein. Außerdem kann die CPU 806 direkt mit der GPU 808 verbunden sein. Bei direkten oder Punkt-zu-Punkt-Verbindungen zwischen Komponenten kann das Interconnect-System 802 eine PCIe-Verbindung enthalten, um die Verbindung herzustellen. In diesen Beispielen muss ein PCI-Bus nicht in der Rechenvorrichtung 800 enthalten sein.
  • Der Speicher 804 kann aus einer Vielzahl von computerlesbaren Medien bestehen. Bei den computerlesbaren Medien kann es sich um alle verfügbaren Medien handeln, auf die die Rechenvorrichtung 800 zugreifen kann. Die computerlesbaren Medien können sowohl flüchtige als auch nicht-flüchtige Medien sowie austauschbare und nicht-entfernbare Medien umfassen. Als Beispiel und ohne Einschränkung können die computerlesbaren Medien Computerspeichermedien und Kommunikationsmedien umfassen.
  • Die Computerspeichermedien können sowohl flüchtige als auch nichtflüchtige Medien und/oder entfernbare und nicht entfernbare Medien umfassen, die in einem beliebigen Verfahren oder einer beliebigen Technologie zur Speicherung von Informationen wie computerlesbaren Anweisungen, Datenstrukturen, Programmmodulen und/oder anderen Datentypen implementiert sind. Beispielsweise kann der Speicher 804 computerlesbare Anweisungen speichern (z. B. solche, die ein Programm bzw. Programme und/oder ein Programmelement bzw. Programmelemente darstellen, wie z. B. ein Betriebssystem. Zu den Computerspeichermedien können unter anderem RAM, ROM, EEPROM, Flash-Speicher oder andere Speichertechnologien, CD-ROM, Digital Versatile Disks (DVD) oder andere optische Plattenspeicher, Magnetkassetten, Magnetbänder, Magnetplattenspeicher oder andere magnetische Speichervorrichtungen oder jedes andere Medium gehören, das zur Speicherung der gewünschten Informationen verwendet werden kann und auf das die Rechenvorrichtung 800 zugreifen kann. Der hier verwendete Begriff „Computerspeichermedium“ umfasst nicht per se Signale.
  • Die Computerspeichermedien können computerlesbare Befehle, Datenstrukturen, Programmmodule und/oder andere Datentypen in einem modulierten Datensignal, wie z. B. einer Trägerwelle oder einem anderen Transportmechanismus, verkörpern und umfassen beliebige Informationsübertragungsmedien. Der Begriff „moduliertes Datensignal“ kann sich auf ein Signal beziehen, bei dem eine oder mehrere seiner Eigenschaften so eingestellt oder verändert sind, dass Informationen in dem Signal kodiert werden. Die Computerspeichermedien können beispielsweise verdrahtete Medien, wie ein verdrahtetes Netzwerk oder eine direkte Kabelverbindung, und drahtlose Medien, wie akustische, RF-, Infrarot- und andere drahtlose Medien, umfassen. Kombinationen der oben genannten Medien sollten ebenfalls in den Bereich der computerlesbaren Medien fallen.
  • Die CPU(s) 806 kann/können so konfiguriert sein, dass sie mindestens einige der computerlesbaren Anweisungen ausführen, um eine oder mehrere Komponenten der Rechenvorrichtung 800 zu steuern und eines oder mehrere der hierin beschriebenen Verfahren und/oder Prozesse durchzuführen. Die CPU(s) 806 kann/können jeweils einen oder mehrere Kerne (z. B. einen, zwei, vier, acht, achtundzwanzig, zweiundsiebzig usw.) umfassen, die in der Lage sind, eine Vielzahl von Software-Threads gleichzeitig zu verarbeiten. Die CPU(s) 806 kann/können jeden Prozessortyp umfassen und je nach Art der implementierten Rechenvorrichtung 800 unterschiedliche Prozessortypen umfassen (z. B. Prozessoren mit weniger Kernen für mobile Geräte und Prozessoren mit mehr Kernen für Server). Je nach Art des Rechengeräts 800 kann der Prozessor beispielsweise ein Advanced RISC Machines (ARM)-Prozessor sein, der mit Reduced Instruction Set Computing (RISC) arbeitet, oder ein x86-Prozessor, der mit Complex Instruction Set Computing (CISC) arbeitet. Die Recheneinheit 800 kann eine oder mehrere CPUs 806 zusätzlich zu einem oder mehreren Mikroprozessoren oder zusätzlichen Co-Prozessoren, wie z. B. mathematischen Co-Prozessoren, enthalten.
  • Zusätzlich zu oder alternativ zu der/den CPU(s) 806 kann/können die GPU(s) 808 so konfiguriert sein, dass sie mindestens einige der computerlesbaren Anweisungen ausführen, um eine oder mehrere Komponenten der Rechenvorrichtung 800 zu steuern, um eines oder mehrere der hier beschriebenen Verfahren und/oder Prozesse durchzuführen. Eine oder mehrere der GPU(s) 808 können eine integrierte GPU sein (z.B. mit einer oder mehreren der CPU(s) 806 und/oder eine oder mehrere der GPU(s) 808 können eine diskrete GPU sein. In Ausführungsformen kann eine oder mehrere der GPU(s) 808 ein Coprozessor einer oder mehrerer der CPU(s) 806 sein. Die GPU(s) 808 kann/können von der Rechenvorrichtung 800 verwendet werden, um Grafiken (z. B. 3D-Grafiken) zu rendern oder allgemeine Berechnungen durchzuführen. Die GPU(s) 808 kann/können zum Beispiel für General-Purpose Computing on GPUs (GPGPU) verwendet werden. Die GPU(s) 808 kann/können Hunderte oder Tausende von Kernen umfassen, die in der Lage sind, Hunderte oder Tausende von Software-Threads gleichzeitig zu verarbeiten. Die GPU(s) 808 kann/können als Reaktion auf Rendering-Befehle (z. B. Rendering-Befehle von der/den CPU(s) 806, die über eine Host-Schnittstelle empfangen werden) Pixeldaten für Ausgabebilder erzeugen. Die GPU(s) 808 kann/können einen Grafikspeicher, z. B. einen Anzeigespeicher, zum Speichern von Pixeldaten oder anderen geeigneten Daten, z. B. GPGPU-Daten, enthalten. Der Anzeigespeicher kann als Teil des Speichers 804 enthalten sein. Die GPU(s) 808 kann/können zwei oder mehr GPUs umfassen, die parallel arbeiten (z. B. über eine Verbindung). Die Verbindung kann die GPUs direkt verbinden (z. B. mit NVLINK) oder die GPUs über einen Switch verbinden (z. B. mit NVSwitch). Wenn sie miteinander kombiniert werden, kann jede GPU 808 Pixeldaten oder GPGPU-Daten für verschiedene Teile einer Ausgabe oder für verschiedene Ausgaben erzeugen (z. B. eine erste GPU für ein erstes Bild und eine zweite GPU für ein zweites Bild). Jede GPU kann ihren eigenen Speicher haben oder sich den Speicher mit anderen GPUs teilen.
  • Zusätzlich zu oder alternativ zu der (den) CPU(s) 806 und/oder der (den) GPU(s) 808 kann (können) die Logikeinheit(en) 820 so konfiguriert sein, dass sie mindestens einige der computerlesbaren Anweisungen ausführt (ausführen), um eine oder mehrere Komponenten der Rechenvorrichtung 800 zu steuern, um eines oder mehrere der hier beschriebenen Verfahren und/oder Prozesse durchzuführen. In Ausführungsformen können die CPU(s) 806, die GPU(s) 808 und/oder die Logikeinheit(en) 820 diskret oder gemeinsam eine beliebige Kombination der Methoden, Prozesse und/oder Teile davon ausführen. Eine oder mehrere der Logikeinheiten 820 können Teil einer oder mehrerer der CPU(s) 806 und/oder der GPU(s) 808 sein und/oder eine oder mehrere der Logikeinheiten 820 können diskrete Komponenten oder anderweitig außerhalb der CPU(s) 806 und/oder der GPU(s) 808 sein. In Ausführungsformen kann eine oder mehrere der Logikeinheiten 820 ein Coprozessor einer oder mehrerer der CPU(s) 806 und/oder einer oder mehrerer der GPU(s) 808 sein.
  • Beispiele für die Logikeinheit(en) 820 umfassen einen oder mehrere Verarbeitungskerne und/oder Komponenten davon, wie Datenverarbeitungseinheiten (DPUs), Tensorkerne (TCs), Tensorverarbeitungseinheiten (TPUs), Pixel Visual Cores (PVCs), Bildverarbeitungseinheiten (VPUs), Grafikverarbeitungscluster (GPCs), Texturverarbeitungscluster (TPCs), Streaming-Multiprozessoren (SMs), Tree Traversal Units (TTUs), Artificial Intelligence Accelerators (AIAs), Deep Learning Accelerators (DLAs), Arithmetic-Logic Units (ALUs), Application-Specific Integrated Circuits (ASICs), Floating Point Units (FPUs), Input/Output (I/O)-Elemente, Peripheral Component Interconnect (PCI) oder Peripheral Component Interconnect Express (PCIe)-Elemente und/oder dergleichen.
  • Die Kommunikationsschnittstelle 810 kann einen oder mehrere Empfänger, Sender und/oder Transceiver enthalten, die es der Rechenvorrichtung 800 ermöglichen, mit anderen Rechenvorrichtungen über ein elektronisches Kommunikationsnetzwerk zu kommunizieren, einschließlich drahtgebundener und/oder drahtloser Kommunikation. Die Kommunikationsschnittstelle 810 kann Komponenten und Funktionen enthalten, die die Kommunikation über eine Reihe verschiedener Netzwerke ermöglichen, wie z. B. drahtlose Netzwerke (z. B. Wi-Fi, Z-Wave, Bluetooth, Bluetooth LE, ZigBee usw.), drahtgebundene Netzwerke (z. B. Kommunikation über Ethernet oder InfiniBand), Weitverkehrsnetzwerke mit geringer Leistung (z. B. LoRaWAN, SigFox usw.) und/oder das Internet. In einer oder mehreren Ausführungsformen können die Logikeinheit(en) 820 und/oder die Kommunikationsschnittstelle 810 eine oder mehrere Datenverarbeitungseinheiten (DPUs) enthalten, um über ein Netzwerk und/oder über das Interconnect-System 802 empfangene Daten direkt an (z. B. einen Speicher) eine oder mehrere GPU(s) 808 zu übertragen.
  • Über die I/O-Ports kann die Rechenvorrichtung 800 logisch mit anderen Geräten gekoppelt werden, darunter die I/O-Komponenten 814, die Präsentationskomponente(n) 818 und/oder andere Komponenten, von denen einige in die Rechenvorrichtung 800 eingebaut (z. B. integriert) sein können. Illustrative I/O-Komponenten 814 umfassen ein Mikrofon, eine Maus, eine Tastatur, einen Joystick, ein Gamepad, einen Gamecontroller, eine Satellitenschüssel, einen Scanner, einen Drucker, ein drahtloses Gerät usw. Die I/O-Komponenten 814 können eine natürliche Benutzerschnittstelle (NUI) bereitstellen, die Luftgesten, Sprache oder andere physiologische Eingaben eines Benutzers verarbeitet. In einigen Fällen können die Eingaben zur weiteren Verarbeitung an ein geeignetes Netzwerkelement übertragen werden. Eine NUI kann eine beliebige Kombination aus Spracherkennung, Stifterkennung, Gesichtserkennung, biometrischer Erkennung, Gestenerkennung sowohl auf dem Bildschirm als auch in der Nähe des Bildschirms, Luftgesten, Kopf- und Augenverfolgung und Berührungserkennung (wie unten ausführlicher beschrieben) in Verbindung mit einer Anzeige der Rechenvorrichtung 800 implementieren. Die Rechenvorrichtung 800 kann Tiefenkameras, wie stereoskopische Kamerasysteme, Infrarotkamerasysteme, RGB-Kamerasysteme, Touchscreen-Technologie und Kombinationen davon, zur Gestenerkennung und -erfassung enthalten. Darüber hinaus kann die Rechenvorrichtung 800 Beschleunigungsmesser oder Gyroskope (z. B. als Teil einer Trägheitsmesseinheit (IMU)) enthalten, die die Erkennung von Bewegungen ermöglichen. In einigen Beispielen kann die Ausgabe der Beschleunigungsmesser oder Gyroskope von der Rechenvorrichtung 800 verwendet werden, um immersive Augmented Reality oder Virtual Reality darzustellen.
  • Die Stromversorgung 816 kann eine festverdrahtete Stromversorgung, eine Batteriestromversorgung oder eine Kombination davon sein. Die Stromversorgung 816 kann die Rechenvorrichtung 800 mit Strom versorgen, um den Betrieb der Komponenten der Rechenvorrichtung 800 zu ermöglichen.
  • Die Präsentationskomponente(n) 818 kann/können eine Anzeige (z. B. einen Monitor, einen Touchscreen, einen Fernsehbildschirm, ein Heads-up-Display (HUD), andere Anzeigetypen oder eine Kombination davon), Lautsprecher und/oder andere Präsentationskomponenten umfassen. Die Präsentationskomponente(n) 818 kann/können Daten von anderen Komponenten (z. B. der/den GPU(s) 808, der/den CPU(s) 806, DPUs usw.) empfangen und die Daten ausgeben (z. B. als Bild, Video, Ton usw.).
  • Beispielhaftes Datenzentrum
  • 9 zeigt ein Beispiel für ein Datenzentrum 900, das in mindestens einer Ausführungsform der vorliegenden Offenbarung verwendet werden kann. Das Datenzentrum 900 kann eine Datenzentrumsinfrastrukturschicht 910, eine Framework-Schicht 920, eine Softwareschicht 930 und/oder eine Anwendungsschicht 940 umfassen.
  • Wie in 9 dargestellt, kann die Infrastrukturschicht 910 des Datenzentrums einen Ressourcen-Orchestrator 912, gruppierte Rechenressourcen 914 und Knotenrechenressourcen („Knoten-C.R.s") 916(1)-916(N) umfassen, wobei „N“ eine beliebige ganze, positive Zahl darstellt. In mindestens einer Ausführungsform können die Knoten C.R.s 916(1)-916(N) eine beliebige Anzahl von Zentraleinheiten (CPUs) oder anderen Prozessoren (einschließlich DPUs, Beschleunigern, Field Programmable Gate Arrays (FPGAs), Grafikprozessoren oder Grafikverarbeitungseinheiten (GPUs) usw.), Speichervorrichtungen (z. B., dynamischer Festwertspeicher), Speichergeräte (z. B. Festkörper- oder Plattenlaufwerke), Netzwerk-Eingabe-/Ausgabegeräte (NW I/O), Netzwerk-Switches, virtuelle Maschinen (VMs), Stromversorgungsmodule und/oder Kühlmodule usw. In einigen Ausführungsformen können ein oder mehrere Knoten-CRs unter den Knoten-CRs 916(1)-916(N) einem Server entsprechen, der über eine oder mehrere der oben erwähnten Rechenressourcen verfügt. Darüber hinaus können in einigen Ausführungsformen die Knoten C.R.s 916(1)-9161(N) eine oder mehrere virtuelle Komponenten enthalten, wie z. B. vGPUs, vCPUs und/oder dergleichen, und/oder einer oder mehrere der Knoten C.R.s 916(1)-916(N) können einer virtuellen Maschine (VM) entsprechen.
  • In mindestens einer Ausführungsform können die gruppierten Rechenressourcen 914 separate Gruppierungen von Knoten-CRs 916 umfassen, die in einem oder mehreren Racks (nicht dargestellt) oder in vielen Racks in Datenzentren an verschiedenen geografischen Standorten (ebenfalls nicht dargestellt) untergebracht sind. Separate Gruppierungen von Knoten-C.R.s 916 innerhalb der gruppierten Rechenressourcen 914 können gruppierte Rechen-, Netzwerk-, Speicher- oder Speicherressourcen umfassen, die zur Unterstützung einer oder mehrerer Arbeitslasten konfiguriert oder zugewiesen werden können. In mindestens einer Ausführungsform können mehrere Knoten-CRs 916 mit CPUs, GPUs, DPUs und/oder anderen Prozessoren in einem oder mehreren Racks gruppiert werden, um Rechenressourcen zur Unterstützung einer oder mehrerer Arbeitslasten bereitzustellen. Das eine oder die mehreren Racks können auch eine beliebige Anzahl von Stromversorgungsmodulen, Kühlmodulen und/oder Netzwerk-Switches in beliebiger Kombination enthalten.
  • Der Ressourcen-Orchestrator 912 kann einen oder mehrere Knoten-CRs 916(1)-916(N) und/oder gruppierte Rechenressourcen 914 konfigurieren oder anderweitig steuern. In mindestens einer Ausführungsform kann der Ressourcen-Orchestrator 912 eine Software-Design-Infrastruktur (SDI)-Verwaltungseinheit für das Datenzentrum 900 umfassen. Der Ressourcen-Orchestrator 912 kann Hardware, Software oder eine Kombination davon umfassen.
  • In mindestens einer Ausführungsform, wie in 9 gezeigt, kann die Framework-Schicht 920 einen Job-Scheduler 932, einen Konfigurationsmanager 934, einen Ressourcenmanager 936 und/oder ein verteiltes Dateisystem 938 enthalten. Die Framework-Schicht 920 kann einen Rahmen zur Unterstützung der Software 932 der Softwareschicht 930 und/oder einer oder mehrerer Anwendungen 942 der Anwendungsschicht 940 enthalten. Die Software 932 oder die Anwendung(en) 942 können jeweils webbasierte Dienstsoftware oder Anwendungen umfassen, wie sie von Amazon Web Services, Google Cloud und Microsoft Azure bereitgestellt werden. Bei der Framework-Schicht 920 kann es sich um eine Art freies und quelloffenes Software-Webanwendungs-Framework wie Apache Spark™ (im Folgenden „Spark“) handeln, das ein verteiltes Dateisystem 938 für die Verarbeitung großer Datenmengen (z. B. „Big Data“) nutzen kann, ohne darauf beschränkt zu sein. In mindestens einer Ausführungsform kann der Job-Scheduler 932 einen Spark-Treiber enthalten, um die Planung von Arbeitslasten zu erleichtern, die von verschiedenen Schichten des Datenzentrums 900 unterstützt werden. Der Konfigurationsmanager 934 kann in der Lage sein, verschiedene Schichten zu konfigurieren, z. B. die Softwareschicht 930 und die Framework-Schicht 920 einschließlich Spark und das verteilte Dateisystem 938 zur Unterstützung der Verarbeitung großer Datenmengen. Der Ressourcenmanager 936 kann in der Lage sein, geclusterte oder gruppierte Computerressourcen zu verwalten, die zur Unterstützung des verteilten Dateisystems 938 und des Job-Schedulers 932 zugeordnet sind. In mindestens einer Ausführungsform können geclusterte oder gruppierte Rechenressourcen gruppierte Rechenressourcen 914 auf der Infrastrukturschicht 910 des Datenzentrums umfassen. Der Ressourcenmanager 936 kann sich mit dem Ressourcen-Orchestrator 912 abstimmen, um diese zugeordneten oder zugewiesenen Computerressourcen zu verwalten.
  • In mindestens einer Ausführungsform kann die in der Softwareschicht 930 enthaltene Software 932 Software enthalten, die von mindestens Teilen der Knoten C.R.s 916(1)-916(N), den gruppierten Computerressourcen 914 und/oder dem verteilten Dateisystem 938 der Framework-Schicht 920 verwendet wird. Eine oder mehrere Arten von Software können u. a. Internet-Suchsoftware, E-Mail-Virenscan-Software, Datenbanksoftware und Software für Streaming-Videoinhalte umfassen.
  • In mindestens einer Ausführungsform kann (können) die in der Anwendungsschicht 940 enthaltene(n) Anwendung(en) 942 eine oder mehrere Arten von Anwendungen umfassen, die von mindestens Teilen der Knoten C.R.s 916(1)-916(N), den gruppierten Rechenressourcen 914 und/oder dem verteilten Dateisystem 938 der Framework-Schicht 920 verwendet werden. Eine oder mehrere Arten von Anwendungen können eine beliebige Anzahl von Genomanwendungen, kognitiven Berechnungen und Anwendungen für maschinelles Lernen umfassen, einschließlich Trainings- oder Inferenzsoftware, Framework-Software für maschinelles Lernen (z. B. PyTorch, TensorFlow, Caffe usw.) und/oder andere Anwendungen für maschinelles Lernen, die in Verbindung mit einer oder mehreren Ausführungsformen verwendet werden, sind aber nicht darauf beschränkt.
  • In mindestens einer Ausführungsform können der Konfigurationsmanager 934, der Ressourcenmanager 936 und der Ressourcen-Orchestrator 912 eine beliebige Anzahl und Art von selbstmodifizierenden Aktionen implementieren, die auf einer beliebigen Menge und Art von Daten basieren, die auf jede technisch mögliche Weise erfasst wurden. Selbstmodifizierende Aktionen können einen Datenzentrumsbetreiber des Datenzentrums 900 davon entlasten, möglicherweise schlechte Konfigurationsentscheidungen zu treffen und möglicherweise nicht ausgelastete und/oder schlecht funktionierende Teile eines Datenzentrums zu vermeiden.
  • Das Datenzentrum 900 kann Werkzeuge, Dienste, Software oder andere Ressourcen enthalten, um ein oder mehrere maschinelle Lernmodelle zu trainieren oder Informationen unter Verwendung eines oder mehrerer maschineller Lernmodelle gemäß einer oder mehrerer hier beschriebener Ausführungsformen vorherzusagen oder abzuleiten. Beispielsweise kann ein maschinelles Lernmodell bzw. können maschinelle Lernmodelle trainiert werden, indem Gewichtsparameter gemäß einer neuronalen Netzwerkarchitektur unter Verwendung von Software und/oder Computerressourcen berechnet werden, die oben in Bezug auf das Datenzentrum 900 beschrieben wurden. In mindestens einer Ausführungsform können trainierte oder eingesetzte maschinelle Lernmodelle, die einem oder mehreren neuronalen Netzen entsprechen, verwendet werden, um Informationen abzuleiten oder vorherzusagen, wobei die oben beschriebenen Ressourcen in Bezug auf das Datenzentrum 900 verwendet werden, indem Gewichtungsparameter verwendet werden, die durch eine oder mehrere Trainingstechniken berechnet werden, wie z. B., aber nicht nur, die hier beschriebenen.
  • In mindestens einer Ausführungsform kann das Datenzentrum 900 CPUs, anwendungsspezifische integrierte Schaltkreise (ASICs), GPUs, FPGAs und/oder andere Hardware (oder entsprechende virtuelle Rechenressourcen) verwenden, um das Training und/oder die Inferenz unter Verwendung der oben beschriebenen Ressourcen durchzuführen. Darüber hinaus können eine oder mehrere der oben beschriebenen Software- und/oder Hardwareressourcen als Dienst konfiguriert werden, um Benutzern das Training oder die Inferenz von Informationen zu ermöglichen, wie z. B. Bilderkennung, Spracherkennung oder andere Dienste der künstlichen Intelligenz.
  • Beispielhafte Netzwerkumgebungen
  • Netzwerkumgebungen, die zur Verwendung bei der Implementierung von Ausführungsformen der Offenbarung geeignet sind, können ein oder mehrere Client-Geräte, Server, Network Attached Storage (NAS), andere Backend-Geräte und/oder andere Gerätetypen umfassen. Die Client-Geräte, Server und/oder anderen Gerätetypen (z. B. jedes Gerät) können auf einer oder mehreren Instanzen der Rechenvorrichtung(en) 800 der 8 implementiert werden - z. B. kann jedes Gerät ähnliche Komponenten, Merkmale und/oder Funktionalität der Rechenvorrichtung(en) 800 enthalten. Wenn Backend-Geräte (z. B. Server, NAS usw.) implementiert sind, können die Backend-Geräte außerdem Teil eines Datenzentrums 900 sein, dessen Beispiel hier in Bezug auf 9 näher beschrieben wird.
  • Die Komponenten einer Netzwerkumgebung können über ein oder mehrere Netzwerke miteinander kommunizieren, die drahtgebunden, drahtlos oder beides sein können. Das Netz kann mehrere Netze oder ein Netz von Netzen umfassen. Beispielsweise kann das Netzwerk ein oder mehrere Wide Area Networks (WANs), ein oder mehrere Local Area Networks (LANs), ein oder mehrere öffentliche Netzwerke wie das Internet und/oder ein öffentliches Telefonnetz (PSTN) und/oder ein oder mehrere private Netzwerke umfassen. Wenn das Netz ein drahtloses Telekommunikationsnetz umfasst, können Komponenten wie eine Basisstation, ein Kommunikationsturm oder sogar Zugangspunkte (sowie andere Komponenten) eine drahtlose Verbindung ermöglichen.
  • Zu den kompatiblen Netzwerkumgebungen gehören eine oder mehrere Peer-to-Peer-Netzwerkumgebungen - in diesem Fall kann ein Server nicht in eine Netzwerkumgebung eingebunden sein - und eine oder mehrere Client-Server-Netzwerkumgebungen - in diesem Fall können ein oder mehrere Server in eine Netzwerkumgebung eingebunden sein. In Peer-to-Peer-Netzwerkumgebungen kann die hier beschriebene Funktionalität in Bezug auf einen oder mehrere Server auf einer beliebigen Anzahl von Client-Geräten implementiert werden.
  • In mindestens einer Ausführungsform kann eine Netzumgebung eine oder mehrere Cloud-basierte Netzumgebungen, eine verteilte Rechenumgebung, eine Kombination davon usw. umfassen. Eine Cloud-basierte Netzwerkumgebung kann eine Framework-Schicht, einen Job-Scheduler, einen Ressourcenmanager und ein verteiltes Dateisystem umfassen, die auf einem oder mehreren Servern implementiert sind, die einen oder mehrere Kernnetzwerkserver und/oder Edge-Server umfassen können. Eine Framework-Schicht kann ein Framework zur Unterstützung von Software einer Softwareschicht und/oder einer oder mehrerer Anwendungen einer Anwendungsschicht umfassen. Die Software oder die Anwendung(en) können jeweils webbasierte Dienstsoftware oder Anwendungen umfassen. In Ausführungsformen können ein oder mehrere Client-Geräte die webbasierte Dienstsoftware oder Anwendungen nutzen (z. B. durch Zugriff auf die Dienstsoftware und/oder Anwendungen über eine oder mehrere Anwendungsprogrammierschnittstellen (APIs)). Bei der Framework-Schicht kann es sich um eine Art von freiem und quelloffenem Software-Webanwendungs-Framework handeln, das z. B. ein verteiltes Dateisystem für die Verarbeitung großer Datenmengen (z. B. „Big Data“) verwendet, ohne darauf beschränkt zu sein.
  • Eine Cloud-basierte Netzwerkumgebung kann Cloud-Computing und/oder Cloud-Speicher bereitstellen, die eine beliebige Kombination der hier beschriebenen Rechen- und/oder Datenspeicherfunktionen (oder einen oder mehrere Teile davon) ausführen. Jede dieser verschiedenen Funktionen kann über mehrere Standorte von zentralen oder Kernservern (z. B. von einem oder mehreren Datenzentren, die über einen Staat, eine Region, ein Land, den Globus usw. verteilt sein können) verteilt sein. Befindet sich eine Verbindung zu einem Benutzer (z. B. einem Client-Gerät) relativ nahe an einem oder mehreren Edge-Servern, kann ein Kernserver mindestens einen Teil der Funktionalität dem oder den Edge-Servern zuweisen. Eine Cloud-basierte Netzwerkumgebung kann privat (z. B. auf eine einzelne Organisation beschränkt), öffentlich (z. B. für viele Organisationen verfügbar) und/oder eine Kombination davon (z. B. eine hybride Cloud-Umgebung) sein.
  • Das (die) Client-Gerät(e) kann (können) mindestens einige der Komponenten, Merkmale und Funktionen der hier in Bezug auf 8 beschriebenen beispielhaften Rechenvorrichtung(en) 800 enthalten. Beispielhaft und ohne Einschränkung kann ein Client-Gerät ein Personal Computer (PC), ein Laptop, ein mobiles Gerät, ein Smartphone, ein Tablet-Computer, eine Smartwatch, ein tragbarer Computer, ein Personal Digital Assistant (PDA), ein MP3-Player, ein Virtual-Reality-Headset, ein Global Positioning System (GPS) oder ein Gerät, ein Videoplayer, eine Videokamera, ein Überwachungsgerät oder -system, ein Fahrzeug, ein Boot, ein fliegendes Schiff, eine virtuelle Maschine, ein Computer, der in der Lage ist, die Daten zu verarbeiten und zu speichern, ein Boot, ein fliegendes Schiff, eine virtuelle Maschine, eine Drohne, ein Roboter, ein tragbares Kommunikationsgerät, ein Krankenhausgerät, ein Spielgerät oder -system, ein Unterhaltungssystem, ein Fahrzeugcomputersystem, ein eingebettetes Systemsteuergerät, eine Fernbedienung, ein Gerät, ein Unterhaltungselektronikgerät, eine Workstation, ein Edge-Gerät, eine beliebige Kombination dieser beschriebenen Geräte oder jedes andere geeignete Gerät.
  • Die Offenbarung kann im allgemeinen Kontext von Computercode oder maschinell verwendbaren Anweisungen, einschließlich von computerausführbaren Anweisungen wie Programmmodulen, beschrieben werden, die von einem Computer oder einer anderen Maschine, z. B. einem persönlichen Datenassistenten oder einem anderen Handheld-Gerät, ausgeführt werden. Im Allgemeinen beziehen sich Programmmodule, einschließlich Routinen, Programme, Objekte, Komponenten, Datenstrukturen usw., auf Code, der bestimmte Aufgaben ausführt oder bestimmte abstrakte Datentypen implementiert. Die Offenbarung kann in einer Vielzahl von Systemkonfigurationen angewendet werden, einschließlich Handheld-Geräten, Unterhaltungselektronik, Allzweckcomputern, spezielleren Datenverarbeitungsgeräten usw. Die Offenbarung kann auch in verteilten Computerumgebungen angewendet werden, in denen Aufgaben von ferngesteuerten Geräten ausgeführt werden, die über ein Kommunikationsnetz verbunden sind.
  • Wenn hier von „und/oder“ in Bezug auf zwei oder mehr Elemente die Rede ist, sollte dies so verstanden werden, dass nur ein Element oder eine Kombination von Elementen gemeint ist. So kann beispielsweise „Element A, Element B und/oder Element C“ nur Element A, nur Element B, nur Element C, Element A und Element B, Element A und Element C, Element B und Element C oder die Elemente A, B und C umfassen. Darüber hinaus kann „mindestens eines der Elemente A oder B“ mindestens eines der Elemente A, mindestens eines der Elemente B oder mindestens eines der Elemente A und mindestens eines der Elemente B einschließen.
  • Der Gegenstand der vorliegenden Offenbarung wird hier mit einer Genauigkeit beschrieben, die den gesetzlichen Anforderungen entspricht. Die Beschreibung selbst soll jedoch den Umfang dieser Offenbarung nicht einschränken. Vielmehr haben die Erfinder in Betracht gezogen, dass der beanspruchte Gegenstand auch auf andere Weise verkörpert werden könnte, um verschiedene Schritte oder Kombinationen von Schritten, die den in diesem Dokument beschriebenen ähnlich sind, in Verbindung mit anderen gegenwärtigen oder zukünftigen Technologien zu umfassen. Obwohl die Begriffe „Schritt“ und/oder „Block“ hier verwendet werden können, um verschiedene Elemente der angewandten Methoden zu bezeichnen, sollten die Begriffe nicht so ausgelegt werden, dass sie eine bestimmte Reihenfolge unter oder zwischen den verschiedenen hier offenbarten Schritten implizieren, es sei denn, die Reihenfolge der einzelnen Schritte wird ausdrücklich beschrieben.
  • 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 Nicht-Patentliteratur
    • Workstation“, „Server“, „Laptop“, „Desktop“, „Tablet“, „Client-Gerät“, „mobiles Gerät" [0163]
    • Input/Output (I/O)-Elemente, Peripheral Component Interconnect (PCI) [0171]
    • Knoten-C.R.s“) 916(1)- [0177]
    • mindestens Teilen der Knoten C.R.s 916(1)-916 [0181]
    • Teilen der Knoten C.R.s 916(1)-916(N [0182]

Claims (20)

  1. System, das aufweist: eine oder mehrere Verarbeitungseinheiten, um Operationen auszuführen, die aufweisen: Empfangen von Bilddaten, die unter Verwendung einer oder mehrerer Kameras erzeugt werden, wobei die Bilddaten für ein oder mehrere Bilder repräsentativ sind, die ein oder mehrere Objekte darstellen, die von einem oder mehreren Scheinwerfern eines Fahrzeugs beleuchtet werden; Berechnen, unter Verwendung der Bilddaten, eines oder mehrerer Kontrastwerte von einem oder mehreren Pixeln, die dem einen oder den mehreren Objekten entsprechen, die in dem einen oder den mehreren Bildern dargestellt sind; und Übertragen von Daten, um das Fahrzeug zu veranlassen, einen oder mehrere Parameter des einen oder der mehreren Scheinwerfer mindestens basierend auf den Kontrastwerten der Pixel einzustellen, die dem einen oder den mehreren Objekten entsprechen.
  2. System nach Anspruch 1, wobei ein Scheinwerfer des einen oder der mehreren Scheinwerfer mehrere Leuchtelemente aufweist und wobei das Übertragen der Daten eine Einstellung mindestens eines Leuchtelements der mehreren Leuchtelemente bewirkt.
  3. System nach Anspruch 1 oder 2, wobei der eine oder die mehreren Kontrastwerte des einen oder der mehreren Pixel, die dem einen oder den mehreren Objekten entsprechen, relativ zu einem globalen Referenzleuchtdichtewert berechnet werden.
  4. System nach einem der vorhergehenden Ansprüche, wobei der eine oder die mehreren Kontrastwerte des einen oder der mehreren Pixel, die dem einen oder den mehreren Objekten entsprechen, relativ zu einem Satz von Pixeln berechnet werden, die mindestens basierend auf einer Nähe zu dem einen oder den mehreren Pixeln ausgewählt werden, die dem einen oder den mehreren Objekten entsprechen.
  5. System nach einem der vorhergehenden Ansprüche, wobei der eine oder die mehreren Kontrastwerte des einen oder der mehreren Pixel, die dem einen oder den mehreren Objekten entsprechen, in einem oder mehreren Kanälen von mindestens einem Bild gespeichert werden.
  6. System nach einem der vorhergehenden Ansprüche, das ferner das Bestimmen einer Quantität des einen oder der mehreren Pixel aufweist, die dem einen oder den mehreren Objekten entsprechen, die einen Kontrastwert aufweisen, der einen Schwellenwert erfüllt, wobei das Übertragen von Daten, die das Fahrzeug veranlassen, den einen oder die mehreren Parameter des einen oder der mehreren Scheinwerfer einzustellen, mindestens auf der Quantität der Pixel basiert.
  7. System nach einem der vorhergehenden Ansprüche, wobei das Übertragen von Daten, die das Fahrzeug veranlassen, den einen oder die mehreren Parameter des einen oder der mehreren Scheinwerfer einzustellen, mindestens auf dem Vergleichen des einen oder der mehreren Kontrastwerte mit einem Schwellenwert basiert, der einem Referenzleuchtdichtewert entspricht, der zur Berechnung der Kontrastwerte verwendet wird.
  8. System nach einem der vorhergehenden Ansprüche, das ferner das Vergleichen des einen oder der mehreren Pixel mit einem Mindestgrößenschwellenwert aufweist, wobei das Übertragen von Daten, um das Fahrzeug zu veranlassen, den einen oder die mehreren Parameter des einen oder der mehreren Scheinwerfer einzustellen, mindestens auf den Pixeln basiert, die die Mindestgrößenschwellenwert überschreiten.
  9. System nach einem der vorhergehenden Ansprüche, das ferner das Bestimmen von einer oder mehrere Dimensionen eines Bereichs eines Bildes aufweist, der von dem einen oder den mehreren Pixeln eingenommen wird, die einen Mindestgrößenschwellenwert überschreiten, wobei das Übertragen von Daten, die das Fahrzeug veranlassen, den einen oder die mehreren Parameter des einen oder der mehreren Scheinwerfer einzustellen, mindestens auf der einen oder den mehreren Dimensionen basiert, die den Mindestgrößenschwellenwert überschreiten, wobei der Mindestgrößenschwellenwert als ein Prozentsatz einer oder mehrerer Dimensionen des Bildes berechnet wird.
  10. Verfahren, das aufweist: Empfangen von Bilddaten, die unter Verwendung einer oder mehrerer Kameras erzeugt werden, wobei die Bilddaten für ein oder mehrere Bilder repräsentativ sind, die ein oder mehrere Sichtfelder darstellen, die mit einer Maschine in einer Umgebung verbunden sind; Erfassen eines oder mehrerer Objekte in dem einen oder den mehreren Sichtfeldern; Bestimmen, in dem einen oder den mehreren Bildern, einer interessierenden Bereichs, die dem einen oder den mehreren Objekten entspricht, basierend mindestens auf dem Erfassen des einen oder der mehreren Objekte; Berechnen, unter Verwendung der Bilddaten, eines oder mehrerer Kontrastwerte eines oder mehrerer Pixel in dem einen oder den mehreren Bildern; Analysieren eines Satzes von Kontrastwerten aus dem einen oder den mehreren Kontrastwerten, der dem interessierenden Bereich entspricht; und Übertragen von Daten, um die Maschine zu veranlassen, mindestens basierend auf dem Analysieren des Satzes von Kontrastwerten eine oder mehrere Operationen durchzuführen.
  11. Verfahren nach Anspruch 10, wobei das Erfassen des einen oder der mehreren Objekte in dem einen oder den mehreren Sichtfeldern das Identifizieren des interessierenden Bereichs in dem einen oder den mehreren Bildern aufweist.
  12. Verfahren nach Anspruch 10 oder 11, wobei das Erfassen des einen oder der mehreren Objekte in dem einen oder den mehreren Sichtfeldern das Anwenden des einen oder der mehreren Bilder auf ein maschinelles Lernmodell aufweist, das trainiert ist, einen oder mehrere Orte des einen oder der mehreren Objekte zu inferieren, und der Bereich dem einen oder den mehreren Orten entspricht.
  13. Verfahren nach einem der Ansprüche 10 bis 12, wobei das Übertragen der Daten eine Modifikation an einem Beleuchtungselement von mehreren Beleuchtungselementen bewirkt, die unter Verwendung der Maschine betrieben werden.
  14. Verfahren nach einem der Ansprüche 10 bis 13, wobei das Analysieren des Satzes der Kontrastwerte das Bestimmen einer Quantität der Pixel in dem interessierenden Bereich aufweist, die einen Kontrastwert aufweisen, der einen Schwellenwert erfüllt.
  15. Prozessor, der aufweist: eine oder mehrere Schaltungen, um Bilddaten zu empfangen, die unter Verwendung einer oder mehrerer Kameras einer Maschine erzeugt werden, Kontrastwerte von Pixeln in einem oder mehreren Bildern zu berechnen, die durch die Bilddaten repräsentiert werden, und Daten zu übertragen, um die Maschine zu veranlassen, eine oder mehrere Operationen durchzuführen, mindestens basierend auf dem Analysieren eines Satzes von Kontrastwerten, die einem oder mehreren Objekten entsprechen, die in dem einen oder den mehreren Bildern erfasst werden.
  16. Prozessor nach Anspruch 15, wobei der Satz der Kontrastwerte einer oder mehreren Begrenzungsformen des einen oder der mehreren Objekte in dem einen oder den mehreren Bildern entspricht.
  17. Prozessor nach Anspruch 15 oder 16, wobei die eine oder die mehreren Operationen das Modifizieren eines Beleuchtungselements von mehreren Beleuchtungselementen eines oder mehrerer Scheinwerfer der Maschine aufweisen.
  18. Prozessor nach einem der Ansprüche 15 bis 17, wobei das Analysieren das Bestimmen einer Quantität des Satzes der Kontrastwerte aufweist, die einen Schwellenwert erfüllen, wobei das Veranlassen der Maschine, die eine oder mehrere Operationen durchzuführen, mindestens auf der Quantität basiert.
  19. Prozessor nach einem der Ansprüche 15 bis 18, wobei die Kontrastwerte im Satz der Kontrastwerte relativ zu einem Satz der Pixel berechnet werden, die mindestens basierend auf einer Nähe zu einem oder mehreren der Pixel ausgewählt werden, die dem Satz der Kontrastwerte entsprechen.
  20. Prozessor nach einem der Ansprüche 15 bis 19, wobei der Prozessor in mindestens einem enthalten ist von: einem Steuerungssystem für eine autonome oder halbautonome Maschine; einem Wahrnehmungssystem für eine autonome oder halbautonome Maschine; einem System zum Durchführen von Simulationsoperationen; einem System zum Durchführen von Deep-Learning-Operationen; einem System, das unter Verwendung einer Edge-Vorrichtung implementiert ist; einem System, das unter Verwendung eines Roboters implementiert ist; einem System, das eine oder mehrere virtuelle Maschinen (VMs) enthält; einem System, das zumindest teilweise in einem Datenzentrum implementiert ist; oder einem System, das zumindest teilweise unter Verwendung von Cloud-Computing-Ressourcen implementiert ist.
DE102022132478.8A 2021-12-13 2022-12-07 Blendungsminderung durch Bildkontrastanalyse für autonome Systeme und Anwendungen Pending DE102022132478A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/549,418 2021-12-13
US17/549,418 US20230186593A1 (en) 2021-12-13 2021-12-13 Glare mitigation using image contrast analysis for autonomous systems and applications

Publications (1)

Publication Number Publication Date
DE102022132478A1 true DE102022132478A1 (de) 2023-06-15

Family

ID=86498848

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022132478.8A Pending DE102022132478A1 (de) 2021-12-13 2022-12-07 Blendungsminderung durch Bildkontrastanalyse für autonome Systeme und Anwendungen

Country Status (4)

Country Link
US (1) US20230186593A1 (de)
JP (1) JP2023087616A (de)
CN (1) CN116263944A (de)
DE (1) DE102022132478A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102584501B1 (ko) * 2018-10-05 2023-10-04 삼성전자주식회사 자율 주행 장치의 객체 인식 방법 및 자율 주행 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107110648A (zh) * 2014-11-06 2017-08-29 金泰克斯公司 用于可视范围检测的系统和方法
JP6552979B2 (ja) * 2016-02-16 2019-07-31 株式会社日立製作所 画像処理装置、警告装置、画像処理システム、画像処理方法
TWI647828B (zh) * 2017-07-10 2019-01-11 海華科技股份有限公司 可攜式電子裝置及其影像擷取模組與影像感測組件
EP3998767B1 (de) * 2019-07-12 2023-10-11 Koito Manufacturing Co., Ltd. Bildgebungsvorrichtung, beleuchtungsvorrichtung dafür, fahrzeug und lampenfassung für fahrzeug

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Input/Output (I/O)-Elemente, Peripheral Component Interconnect (PCI)
Knoten-C.R.s") 916(1)-
mindestens Teilen der Knoten C.R.s 916(1)-916
Teilen der Knoten C.R.s 916(1)-916(N
Workstation", „Server", „Laptop", „Desktop", „Tablet", „Client-Gerät", „mobiles Gerät"

Also Published As

Publication number Publication date
CN116263944A (zh) 2023-06-16
US20230186593A1 (en) 2023-06-15
JP2023087616A (ja) 2023-06-23

Similar Documents

Publication Publication Date Title
DE112020002602T5 (de) Multi-objektverfolgung mit hilfe von korrelationsfiltern in videoanalyseanwendungen
DE112020003043T5 (de) Erkennung und klassifizierung von kreuzungsregionen für autonome maschinenanwendungen
DE112021000135T5 (de) Sensorfusion für anwendungen autonomer maschinen durch maschinelles lernen
DE112020006410T5 (de) Dreidimensionale kreuzungsstrukturvorhersage für anwendungen zum autonomen fahren
DE112020002166T5 (de) Simulation realistischer testdaten aus transformierten sensordaten der realen welt für autonome maschinenanwendungen
DE112020002126T5 (de) Erkennung von kreuzungsposen in autonomen maschinenanwendungen
DE112019006484T5 (de) Detektion von abständen zu hindernissen in autonomen maschinenanwendungen
DE102020117792A1 (de) Wirksames einsetzen von hindernis- und spurerkennungen, um spurzuweisungen für objekte in einer umgebung zu bestimmen
DE102021123159A1 (de) Adaptiver objektverfolgungsalgorithmus für autonome maschinenanwendungen
DE102021100065A1 (de) Verwendung neuronaler netze zur fehlererkennung bei anwendungen für autonomes fahren
DE102021125234A1 (de) Datenerweiterung einschliesslich hintergrundmodifikation für robuste vorhersage mit neuronalen netzwerken
DE112020006181T5 (de) Blickbestimmung mit blendung als eingabe
DE112021000104T5 (de) Projizieren von mit fischaugenobjektiven aufgenommenen bildern zur merkmalserkennung in autonomen maschinenanwendungen
DE102022121121A1 (de) Objektverfolgung unter Verwendung von LiDAR-Daten für autonome Maschinenanwendungen
DE102020130749A1 (de) System zum maschinellen lernen zur blickbestimmung mit adaptiver gewichtung von eingaben
DE102021105245A1 (de) Verwenden von bildaugmentation mit simulierten objekten zum trainieren von maschinenlernmodellen in autonomen fahranwendungen
DE102020131353A1 (de) Auf einem neuronalen netz basierende gesichtsanalyse mittels gesichtslandmarken und zugehörigen vertrauenswerten
DE102022124361A1 (de) Sichtweiteabschätzung unter verwendung von deep learning in autonomen maschinenanwendungen
DE102022118649A1 (de) Belief Propagation für das Abstandsbild-Mapping in autonomen Maschinenanwendungen
DE102022111322A1 (de) Engine für adaptive maschinelle lernmodelle zur augenverfolgung
DE102022107848A1 (de) System und verfahren zur aktualisierung von karten mit hoher auflösung
DE102022132478A1 (de) Blendungsminderung durch Bildkontrastanalyse für autonome Systeme und Anwendungen
DE102023105837A1 (de) Gefahrenerkennung unter verwendung von belegungsrastern für autonome systeme und anwendungen
DE102022129438A1 (de) Partikelbasierte Gefahrenerfassung für autonome Maschinenanwendungen
DE102022132671A1 (de) Einzelne und sensorübergreifende Objektverfolgung unter Verwendung von Merkmalsdeskriptor-Abbildung in autonomen Systemen und Anwendungen

Legal Events

Date Code Title Description
R012 Request for examination validly filed