DE102022205744A1 - Ultraschallsystem und Verfahren zum Rekonfigurieren eines in einem Fahrzeug verwendeten Maschinenlernmodells - Google Patents

Ultraschallsystem und Verfahren zum Rekonfigurieren eines in einem Fahrzeug verwendeten Maschinenlernmodells Download PDF

Info

Publication number
DE102022205744A1
DE102022205744A1 DE102022205744.9A DE102022205744A DE102022205744A1 DE 102022205744 A1 DE102022205744 A1 DE 102022205744A1 DE 102022205744 A DE102022205744 A DE 102022205744A DE 102022205744 A1 DE102022205744 A1 DE 102022205744A1
Authority
DE
Germany
Prior art keywords
parameter model
machine learning
fixed
model
vehicle
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
DE102022205744.9A
Other languages
English (en)
Inventor
Ravi Kumar Satzoda
Michael Schumann
Juergen Schmidt
Fabio Cecchi
Timo Pfrommer
Lisa Marion Garcia
Mark Wilson
Naveen Ramakrishnan
Jayanta Kumar Dutta
Abinaya Kumar
Michael Tchorzewski
Tobias Wingert
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of DE102022205744A1 publication Critical patent/DE102022205744A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/06—Systems determining the position data of a target
    • G01S15/08—Systems for measuring distance only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/168—Driving aids for parking, e.g. acoustic or visual feedback on parking space
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2015/932—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles for parking operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Acoustics & Sound (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

Es werden ein Verfahren und ein System zum Erstellen eines rekonfigurierbaren Maschinenlernmodells vorgestellt. Es wird ein Modell mit festen Parametern erstellt, das feste Merkmalswerte enthält, die während eines Trainingsprozesses für das Maschinenlernmodell erhalten wurden. Das Modell mit festen Parametern kann einen Klassifizierer mit fester Basis beinhalten, der von dem Maschinenlernmodell verwendet wird, um Objekte zu klassifizieren, die von einem Ultraschallsystem in der Nähe eines Fahrzeugs erkannt werden. Es kann ein Modell mit konfigurierbaren Parametern erstellt werden, das Merkmalswerte enthält, die sich von den festen Merkmalswerten unterscheiden, wobei das Modell mit konfigurierbaren Parametern einen Klassifizierer mit modifizierter Basis enthält. Eine Fahrzeugsteuerung kann das Modell mit festen Parametern empfangen und mit dem Modell mit konfigurierbaren Parametern aktualisieren. Das Maschinenlernmodell kann aktualisiert werden, um das Modell mit konfigurierbaren Parametern zur Klassifizierung der vom Ultraschallsystem erkannten Objekte zu verwenden.

Description

  • Technisches Gebiet
  • Die folgenden Ausführungen betreffen allgemein ein System und ein Verfahren zum Rekonfigurieren eines Maschinenlernmodells, das zur Klassifizierung von Objekten auf Grundlage von Daten verwendet wird, die von einem Ultraschallsensorsystem empfangen werden.
  • Hintergrund
  • Fahrzeuge können Systeme und Sensoren beinhalten, um stationäre oder mobile Hindernisse zu erkennen. Fahrzeugsysteme sind jedoch unter Umständen nicht in der Lage, zwischen den verschiedenen stationären Fahrzeugen zu unterscheiden. Beispielsweise können Ultraschallsensoren in einem Fahrzeugsystem verwendet werden, um Hindernisse in der Nähe eines Fahrzeugs beim Einparken, bei der Erkennung im toten Winkel oder beim Manövrieren zu erkennen. Aktuelle Fahrzeugsysteme, die Ultraschallsensoren einsetzen, können regelbasierte empirische Klassifizierer verwenden, die teilweise auf geometrischen Beziehungen der erkannten Hindernisechos beruhen. Regelbasierte Klassifizierer können jedoch (1) eine schwache Leistung in Bezug auf wahr-positiv und falsch-positiv aufweisen, (2) schwer an spezifische Fahrzeugvarianten anzupassen sein oder (3) eine hohe Abhängigkeit von der Anzahl und Art der Objektklassen aufweisen.
  • Kurzfassung
  • Es werden ein Verfahren und ein System zum Erstellen eines rekonfigurierbaren Maschinenlernmodells vorgestellt. Es wird ein Modell mit festen Parametern erstellt, das feste Merkmalswerte enthält, die während eines Trainingsprozesses für das Maschinenlernmodell erhalten wurden. Das Modell mit festen Parametern kann einen Klassifizierer mit fester Basis beinhalten, der von dem Maschinenlernmodell verwendet wird, um Objekte zu klassifizieren, die von einem Ultraschallsystem in der Nähe eines Fahrzeugs erkannt werden. Es kann ein Modell mit konfigurierbaren Parametern erstellt werden, das Merkmalswerte enthält, die sich von den festen Merkmalswerten unterscheiden, wobei das Modell mit konfigurierbaren Parametern einen Klassifizierer mit modifizierter Basis enthält. Eine Fahrzeugsteuerung kann das Modell mit festen Parametern empfangen und mit dem Modell mit konfigurierbaren Parametern aktualisieren. Das Maschinenlernmodell kann aktualisiert werden, um das Modell mit konfigurierbaren Parametern zur Klassifizierung der vom Ultraschallsystem erkannten Objekte zu verwenden.
  • Es ist denkbar, dass das Modell mit festen Parametern und das Modell mit konfigurierbaren Parametern unter Verwendung einer Entscheidungsbaumanordnung konzipiert werden, die feste Merkmalswerte, Aufteilungsschwellenwerte zwischen verschiedenen Datenklassen, Zuweisungen ungültiger Werte und Zuweisungen fehlender Werte beinhaltet.
  • Die Steuerung kann das Modell mit konfigurierbaren Parametern über ein drahtloses Kommunikationsprotokoll (z.B. Wi-Fi, Bluetooth oder Mobilfunk) oder über ein drahtgebundenes Kommunikationsprotokoll (z.B. Controller Area Network (CAN) oder Local Interconnect Network (LIN)) empfangen. Das Modell mit konfigurierbaren Parametern kann durch das Maschinenlernmodell getestet werden, bevor das Modell mit festen Parametern mit dem Modell mit konfigurierbaren Parametern aktualisiert wird. Schließlich kann das Modell mit festen Parametern so konzipiert sein, dass es statische Werte enthält, die durch die im Modell mit konfigurierbaren Parametern bereitgestellten Werte aktualisiert werden.
  • Figurenliste
    • 1 veranschaulicht ein Fahrzeug mit einem Ultraschallsensorsystem beim parallelen Einparken.
    • 2A veranschaulicht ein Fahrzeug mit einem Ultraschallsensorsystem während der Fahrt.
    • 2B zeigt ein optisches Warnsystem in einem Fahrzeugseitenspiegel.
    • 3 veranschaulicht ein beispielhaftes Ultraschallsensorsystem, das in einem Fahrzeug betreibbar ist.
    • 4 zeigt ein beispielhaftes Ultraschallsensorsystem zum Klassifizieren von Hindernissen mittels eines Maschinenlernalgorithmus.
    • 5 zeigt einen beispielhaften Maschinenlernalgorithmus, um von dem Maschinenlernalgorithmus verwendete Klassifizierer abzustimmen.
    • 6 ist ein beispielhaftes Flussdiagramm für die in einem Ultraschallsensorsystem betreibbare Maschinenlernalgorithmus-Höhenklassifizierung.
    • 7 ist ein beispielhaftes Flussdiagramm zum Anpassen der in einem Ultraschallsensorsystem betreibbaren Maschinenlernalgorithmus-Höhenklassifizierung.
    • 8 ist ein beispielhaftes Blockdiagramm für das Rekonfigurieren der in einem Ultraschallsensorsystem betreibbaren Maschinenlernalgorithmus-Höhenklassifizierung.
  • Ausführliche Beschreibung
  • Wie erforderlich, werden vorliegend detaillierte Ausführungsformen offenbart; es versteht sich jedoch, dass die offenbarten Ausführungsformen lediglich beispielhaft sind und in verschiedenen und alternativen Formen vorliegen können. Die Figuren sind nicht notwendigerweise maßstabsgetreu, und einige Merkmale können übertrieben oder verkleinert sein, um Einzelheiten bestimmter Komponenten zu zeigen. Daher sind konkrete strukturelle und funktionelle Einzelheiten, die vorliegend offenbart werden, nicht als einschränkend zu verstehen, sondern lediglich als repräsentative Grundlage, um einem Fachmann zu zeigen, wie er die vorliegenden Ausführungsformen in unterschiedlicher Weise einsetzen kann.
  • Derzeit können Ultraschallsensorsysteme, die in mobilen Anwendungen eingesetzt werden, die Entfernung von Hindernissen in der Nähe eines Fahrzeugs beim Einparken, bei Erkennung im toten Winkel oder beim Manövrieren erkennen. 1 veranschaulicht beispielsweise ein Ultraschallsystem 100, bei dem eine Mehrzahl von Ultraschallsensoren 102, 104 eingesetzt werden kann, um einem Fahrer eines Fahrzeugs 106 beim Einparken zu helfen. Das Ultraschallsystem 100 kann den Fahrer akustisch oder optisch warnen, während er versucht, das Fahrzeug 106 in einer Parklücke zu parken. Die Warnungen können den Fahrer über den Abstand zwischen dem Fahrzeug 106 und einem bestimmten Hindernis (z.B. dem Fahrzeug 108, dem Fahrzeug 110 oder dem Bordstein 112) informieren. Das Ultraschallsystem 100 kann zudem ein Bremssystem anwenden, wenn sich das Fahrzeug 106 innerhalb eines vorbestimmten Abstands zu einem bestimmten Hindernis befindet. Somit kann das Ultraschallsystem 100 ein bequemes und sicheres Einparken eines Fahrzeugs ermöglichen und kostspielige Reparaturen und Schäden vermeiden.
  • Alternativ kann das Ultraschallsystem 100 auch als Einparkhilfe für den Fahrer eingesetzt werden. So kann das Ultraschallsystem 100 beispielsweise eine Einparkhilfe bieten, bei der das Fahrzeug 106 das Fahrzeug automatisch einparkt, ohne dass der Fahrer die Lenkung übernehmen muss. Stattdessen muss der Fahrer gegebenenfalls während des Einparkvorgangs lediglich beschleunigen und bremsen.
  • In 2A und 2B ist ein beispielhaftes Ultraschallsystem 200 dargestellt, das zur Erkennung im toten Winkel eingesetzt werden kann. Wie dargestellt, kann das Ultraschallsystem 200 Ultraschallsensoren 202, 204 beinhalten, die auf jeder Seite eines Fahrzeugs 206 in der Nähe oder innerhalb des rechten und linken Rückspiegels angebracht sind. Die Ultraschallsensoren 202, 204 können so betreibbar sein, dass sie den Raum in einer angrenzenden Fahrspur um das Fahrzeug 206 überwachen. Das Ultraschallsystem 200 kann Daten von den Ultraschallsensoren 202, 204 empfangen, um Hindernisse in einem toten Winkel des Fahrers zu erkennen. Befindet sich beispielsweise ein zweites Fahrzeug 208 innerhalb eines vorbestimmten Abstands oder Bereichs vom Fahrzeug 206, kann das Ultraschallsystem 200 eine akustische oder optische Warnung aktivieren. 2B veranschaulicht ein optisches Warnzeichen 210, das im Rückspiegel aufleuchten kann, wenn das Ultraschallsystem 200 ein Hindernis, z.B. das Fahrzeug 208, innerhalb eines bestimmten Abstands zum Fahrzeug 206 erkennt. Wenn der Fahrer die Warnung nicht bemerkt und den Blinker betätigt, um die Spur in Richtung des Fahrzeugs 208 zu wechseln, kann das Ultraschallsystem 200 zudem so betreibbar sein, dass es eine zusätzliche akustische oder optische Warnung aktiviert. Oder das Ultraschallsystem 200 kann einen Spurwechsel in Richtung des erkannten Hindernisses (d.h. des Fahrzeugs 208) verhindern oder abwenden. Das System 200 kann zudem betreibbar sein, um stationäre Objekte auf oder neben der Straße (z.B. Leitplanken oder geparkte Fahrzeuge) zu erfassen und/oder zu erkennen und Warnungen zu aktivieren oder das Fahrzeug 206 davon abzuhalten, sich den stationären Objekten zu nähern.
  • Beim Einparken, bei der Erkennung im toten Winkel oder beim Manövrieren verwenden herkömmliche Ultraschallsensorsysteme in der Regel regelbasierte empirische Klassifizierer, die teilweise auf geometrischen Beziehungen der erkannten Hindernisechos beruhen. Regelbasierte Klassifizierer können jedoch (1) eine schwache Leistung in Bezug auf wahr-positiv und falsch-positiv aufweisen, (2) schwer an spezifische Fahrzeugvarianten anzupassen sein oder (3) eine hohe Abhängigkeit von der Anzahl und Art der Objektklassen aufweisen.
  • Daher kann es wünschenswert sein, ein Ultraschallsensorsystem und ein Verfahren bereitzustellen, das die Passierbarkeit von Hindernissen unter Verwendung von Maschinenlernverfahren anhand von Ultraschall-Objektdaten klassifizieren kann. In Bezug auf die Klassifizierung könnte eine falsche Klassifizierung des Ultraschallsystems jedoch zu falschen Warnungen oder einem falschen Bremsen des Fahrzeugs führen. Wenn das System 100 beispielsweise den vorgegebenen Abstand des Bordsteins 112 falsch einschätzt oder einen Stein auf der Straße als Bordstein 112 klassifiziert, kann das Fahrzeug 106 die Bremse betätigen, bevor das Parken abgeschlossen ist. Eine solche falsche Klassifizierung kann dazu führen, dass das Fahrzeug 106 nicht in der Parklücke geparkt werden kann, oder dass das Fahrzeug 106 nicht korrekt in der Parklücke geparkt wird.
  • Es ist auch denkbar, dass eine falsche Klassifizierung von einem Ultraschallsystem (z.B. dem System 100) aus der Sicht eines Benutzers je nach der Entfernung, aus der die Klassifizierung erfolgt, unterschiedlich bewertet wird. Eine falsche Klassifizierung in einem „fernen“ Feld kann toleriert werden, da die Bestimmung oder die Auswirkungen auf das Fahrzeug gering sein können. Falsche Warnungen in einem „nahen“ Feld können jedoch zu unerwünschten Ergebnissen führen, wie beispielsweise einer möglichen Fahrzeugkollision oder einer falschen Bremsung beim Manövrieren. Wenn sich beispielsweise das in 2A dargestellte Fahrzeug 208 zwei bis drei Fahrspuren von Fahrzeug 206 entfernt befände (d.h. möglicherweise 50 Fuß oder mehr von Fahrzeug 206 entfernt), mag eine falsche Klassifizierung (z.B. Nichterkennung des Fahrzeugs 208) keine unerwünschten Folgen haben, wenn das Fahrzeug 206 versucht, die Fahrspur zu wechseln. Befände sich das Fahrzeug 208 jedoch auf der nächsten Fahrspur (d.h. in einem Abstand von weniger als 10 Fuß zum Fahrzeug 206), kann eine falsche Klassifizierung zu einem unerwünschten Ergebnis führen, da das Fahrzeug 206 mit dem Fahrzeug 208 zusammenstoßen kann.
  • Es ist daher denkbar, dass der akzeptable Abstand für eine korrekte Klassifizierung objektabhängig (d.h. hindernisabhängig) ist. Eine korrekte Klassifizierung kann erforderlich sein, weil sich Kontur, Form oder Art eines bestimmten Objekts unterscheiden können. Beispielsweise ist möglicherweise die korrekte Klassifizierung eines Busches oder eines Holzzauns nicht so notwendig wie die korrekte Klassifizierung eines Fahrzeugs (z.B. des Fahrzeugs 208) oder einer Zement-/Ziegelmauer. Wenn das System 200 also einen Busch falsch klassifiziert, wird das Fahrzeug 206 möglicherweise nicht so stark beschädigt wie bei einer falschen Klassifizierung des Fahrzeugs 208. Es ist zudem möglich, dass eine korrekte Klassifizierung von Objekten mit bestimmten Geometrien (z.B. mit kleinem Reflexionsquerschnitt) physikalische Erkennungsgrenzen aufweist und nur in einem begrenzten Nahfeld eine Erkennung möglich ist.
  • Es ist denkbar, dass ein bestimmter Benutzer (z.B. ein Automobil-Erstausrüster oder „OEM“ (original equipment manufacturer) die Bedeutung von Hindernissen und akzeptablen Bereichen unterschiedlich bewerten kann. Zum Beispiel kann ein Benutzer die entsprechende Erkennung des Fahrzeugs 208 vom Fahrzeug 206 aus bestimmen. Trainingsroutinen für maschinelles Lernen berücksichtigen diese Abhängigkeiten jedoch möglicherweise nicht inhärent, so dass die Leistung des Maschinenlern-Klassifizierers möglicherweise nicht bestimmten Benutzeranforderungen entspricht. Daher ist es zudem wünschenswert, ein Ultraschallsensorsystem und ein Verfahren bereitzustellen, mit denen der Maschinenlern-Klassifizierer an spezifische Eingabeanforderungen (z.B. Benutzeranforderungen eines OEM) angepasst werden kann.
  • Sobald die Ultraschalldaten unter Verwendung eines Maschinenlernalgorithmus klassifiziert und auf Grundlage von Benutzereingabeanforderungen klassifiziert wurden, ist es wünschenswert, dass der vorgeschlagene Maschinenlernalgorithmus einen aus mehreren Entscheidungsbäumen bestehenden Klassifizierer ausgibt. Es ist zudem wünschenswert, dass der Maschinenlernalgorithmus auf Grundlage der Entscheidungsbäume eine Klassenwahrscheinlichkeit berechnet. Es ist denkbar, dass diese Aspekte des Maschinenlernalgorithmus fest kodierte Bestandteile der Software sind, die vor der Laufzeit kompiliert und einer Steuereinheit (z.B. einer elektronischen Steuereinheit „ECU“ (electronic control unit) oder einer Steuerung (controller)) innerhalb eines Fahrzeugs bereitgestellt werden.
  • Es ist zudem wünschenswert, dass das Ultraschallsensorsystem eine Validierung der Parksoftware bezüglich der Parkleistung nach einem Software-Freeze („Einfrieren“ der Software) verlangen kann. Jede Anpassung an Fahrzeuge nach dem Einfrieren der Software (d.h. wenn das Fahrzeug in Produktion geht und Softwareänderungen nicht mehr zulässig sind) kann mithilfe von Parametern zur Steuerung der Leistung erfolgen. Es ist jedoch vorgesehen, dass die Validierung die Integrität der Software nicht verändern oder beeinträchtigen sollte. Zudem ist es denkbar, dass zusätzlicher Aufwand für die Verifizierung und Validierung der Software reduziert werden kann. Zudem kann dieselbe Software für ein bestimmtes Bündel oder eine bestimmte Klasse von Fahrzeugen verwendet werden. Dadurch können auch Kosten für die Verwaltung verschiedener Softwareversionen mit unterschiedlichen Teilenummern für einen Benutzer oder OEM gesenkt werden.
  • Schließlich kann der Klassifizierer an neue Fahrzeugvarianten angepasst werden, wenn auch für diese Fahrzeuge Trainingsdaten zur Verfügung stehen.
  • Wenn die Daten vor dem Einfrieren der Software nicht verfügbar sind, kann das Training auch nach dem Einfrieren der Software durchgeführt werden, was eine Änderung eines fest kodierten Teils oder Segments der Software zur Folge hat. Solche Änderungen können jedoch zusätzliche Kosten für das Ultraschallsensorsystem verursachen. Es ist daher wünschenswert, den Maschinenlern-Klassifizierer mit Parametern einzurichten, die nach einem Einfrieren der Software geändert werden können.
  • 3 veranschaulicht ein beispielhaftes Blockdiagramm eines Ultraschallsensorsystems 300, das gemäß der vorliegenden Offenbarung in einem Fahrzeug verwendet werden kann. Das System 300 kann zum Beispiel in die Fahrzeuge 102, 206 integriert sein. Das System 300 kann eine Steuerung 302 wie beispielsweise eine elektronische Steuereinheit (ECU) beinhalten. Die Steuerung 302, vorliegend auch als ECU bezeichnet, kann in einem Prozessor enthalten sein, der so konfiguriert ist, dass er Anweisungen für die vorliegend beschriebenen Verfahren und Systeme ausführt. Die Steuerung 302 kann einen Speicher (in 3 nicht einzeln dargestellt) sowie weitere Komponenten beinhalten, die insbesondere die Verarbeitung im Fahrzeug betreffen. Die Steuerung 302 kann unter Verwendung einer oder mehrerer Datenverarbeitungseinrichtungen konzipiert sein, wie z.B. ein Quad-Core-Prozessor zum Verarbeiten von Befehlen, beispielsweise ein Computerprozessor, Mikroprozessor oder eine beliebige andere Art von Einrichtung, Reihe von Einrichtungen oder andere Mechanismen, die die vorliegend beschriebenen Vorgänge ausführen können. Die Steuerung 302 kann einen Speicher beinhalten (oder mit diesem in Kommunikation stehen), in dem Anweisungen und Befehle gespeichert werden können. Die Anweisungen können in Form von Software, Firmware, Computercode oder einer Kombination aus diesen vorliegen. Der Speicher kann unter Verwendung einer oder mehrerer Datenspeichereinrichtungen konzipiert sein, z.B. flüchtiger Speicher, nichtflüchtiger Speicher, elektronischer Speicher, magnetischer Speicher, optischer Speicher oder eine andere Form von Datenspeichereinrichtung. In einem Beispiel kann der Speicher 2GB-DDR3 sowie andere auswechselbare Speicherkomponenten wie eine 128GB Micro-SD-Karte beinhalten.
  • Die Steuerung 302 kann mit verschiedenen Sensoren, Modulen und Fahrzeugsystemen sowohl innerhalb als auch außerhalb des Fahrzeugs in Kommunikation stehen. Das System 300 kann solche Sensoren enthalten, wie verschiedene Kameras, einen LIDAR- (Light Detection and Ranging, Lichtabstandsmessung) Sensor, einen Radarsensor, einen Ultraschallsensor oder andere Sensoren zum Erfassen von Informationen über die Umgebung des Fahrzeugs, darunter z.B. andere Fahrzeuge, Fahrspurlinien, Leitplanken, Objekte auf der Fahrbahn, Gebäude, Fußgänger usw. In dem in 3 dargestellten Beispiel kann das System 300 einen vorderen Ultraschallsensor 304 (USS), einen hinteren USS 306, einen rechten USS 308 und einen linken USS 310 beinhalten. Jeder offenbarte USS kann aus einem oder mehreren einzelnen Ultraschallsensoren bestehen. Der USS 304 kann beispielsweise eine Mehrzahl einzelner Ultraschallsensoren beinhalten, die über den vorderen Stoßfänger eines Fahrzeugs verteilt sind. Es ist auch denkbar, dass die USS 304-310 jeweils einen Prozessor 312-314 (z.B. eine ECU oder Steuerung) und einen von der ECU 302 getrennten Speicher enthalten.
  • Die Prozessoren 312-314 können der vorstehend beschriebenen ECU 302 entsprechen. Die USS 304-310 können ferner einen Speicher wie vorstehend beschrieben enthalten. Es ist denkbar, dass die ECU 302 oder die Prozessoren 312-314 betreibbar sein können, um den Maschinenlernalgorithmus zum Klassifizieren und Identifizieren von Ultraschall-Objektdaten auszuführen. Durch Betreiben des Maschinenlernalgorithmus auf den Prozessoren 312-314 kann eine Ressourcenbeanspruchung reduziert werden (z.B. auf weniger als 200 DMIPS) und Hardwarebeschleuniger sind möglicherweise nicht erforderlich. Wie nachstehend erläutert, kann die Leistung der Klassifizierung der Passierbarkeit von Hindernissen im Vergleich zu regelbasierten Klassifizierern ohne große Eingriffe auf die verfügbaren Prozessoren 312-314 abgestimmt werden.
  • Es ist denkbar, dass das in 3 dargestellte System 300 nur beispielhaft ist und mehr oder weniger Sensoren und Sensoren unterschiedlicher Art enthalten kann. Auch wenn in 3 bestimmte Sensoren an bestimmten Stellen um das Fahrzeug herum gezeigt werden, kann das System 300 mit zusätzlichen Sensoren an verschiedenen Stellen im oder um das Fahrzeug herum ausgestattet sein, einschließlich zusätzlicher Sensoren desselben oder eines anderen Typs.
  • Es ist zudem denkbar, dass die Sensoren 304-310 so konfiguriert sind, dass sie einen Abstand zu einem Ziel messen, das außerhalb und in der Nähe des Fahrzeugs angeordnet ist. Wie nachstehend beschrieben, können die Sensoren 304-310 betreibbar sein, um ein Ziel als Fahrzeug, Bordstein, Straßensperrung, Gebäude, Fußgänger usw. zu klassifizieren. Es ist zudem denkbar, dass die Sensoren 304-310 mit anderen Fahrzeugkomponenten wie der ECU und anderen Sensoren zusammenarbeiten, um die Klassifizierung verschiedener Ziele außerhalb des Fahrzeugs weiter zu verbessern.
  • Wie bereits erläutert, offenbart 3 einen vorderen USS 304 und einen hinteren USS 306. Der vordere USS 304 kann zur Klassifizierung und Bestimmung von Fahrzeugen oder Objekten in der vorderen Peripherie des Fahrzeugs verwendet werden. Der hintere USS 306 kann verwendet werden, um zu klassifizieren und zu bestimmen, welche Fahrzeuge oder Objekte sich in der hinteren Peripherie des Fahrzeugs befinden. Jeder USS 304-306 kann zudem zur Unterstützung oder Verbesserung verschiedener Fahrzeugsicherheitssysteme eingesetzt werden. Der vordere USS 304 kann am vorderen Stoßfänger des Fahrzeugs montiert oder eingebaut sein, um zu bestimmen, dass sich ein Objekt vor dem Fahrzeug befindet. Der hintere USS 306 kann in der Ecke oder in der Mitte eines hinteren Stoßfängers des Fahrzeugs montiert sein. Es ist jedoch denkbar, dass der vordere USS 304 und der hintere USS 306 an anderen Stellen des Fahrzeugs positioniert oder angeordnet sind, um Objekte vor und hinter dem Fahrzeug erfassen zu können.
  • Der rechte USS 308 und der linke USS 310 können verwendet werden, um Fahrzeuge oder Objekte auf der rechten oder linken Seite zu klassifizieren und zu bestimmen. Jeder USS 308-310 kann zudem zur Unterstützung oder Verbesserung verschiedener Fahrzeugsicherheitssysteme eingesetzt werden. Die USS 308-310 können in eine rechte oder linke Spiegelbaugruppe montiert oder eingebaut sein, um Objekte auf beiden Seiten des Fahrzeugs zu erkennen. Wenngleich es denkbar ist, dass die USS 308-310 in einem rechten/linken Spiegel des Fahrzeugs montiert sein können, können sie auch an anderen Stellen des Fahrzeugs positioniert oder angeordnet sein, um Objekte auf beiden Seiten des Fahrzeugs im Betrieb zu erfassen.
  • Auch hier können die USS 304-310 einzeln oder kombiniert eingesetzt werden, um zu bestimmen, ob sich Objekte im toten Winkel des Fahrers befinden, und um beim Rückwärtsfahren Fahrzeuge oder Objekte zu erkennen, die sich von hinten links und rechts nähern. Solche Funktionen können es einem Fahrer ermöglichen, andere Fahrzeuge zu umfahren, wenn er die Spur wechselt oder rückwärts aus einer Parklücke herausfährt, und sie können ihn bei einer autonomen Notbremsung unterstützen, um eine drohende Kollision zu vermeiden.
  • Das System 300 kann zudem ein globales Positionierungssystem (GPS) 320 enthalten, das eine aktuelle Position des Fahrzeugs erkennt oder bestimmt. Unter bestimmten Umständen kann das GPS 320 zur Bestimmung der Geschwindigkeit des Fahrzeugs verwendet werden. Das System 300 kann zudem einen Fahrzeuggeschwindigkeitssensor (nicht gezeigt) enthalten, der eine aktuelle Geschwindigkeit des Fahrzeugs erkennt oder bestimmt. Das System 300 kann auch einen Kompass oder ein dreidimensionales (3D-) Gyroskop enthalten, das eine aktuelle Richtung des Fahrzeugs erkennt oder bestimmt. Im Speicher können Kartendaten gespeichert werden. Das GPS 320 kann die Kartendaten aktualisieren. Die Kartendaten können Informationen enthalten, die mit einem Fahrerassistenzsystem (ADAS, advanced driver assistance system) genutzt werden können. Solche ADAS-Kartendateninformationen können detaillierte Fahrspurinformationen, Neigungsinformationen, Straßenkrümmungsdaten, Fahrspurmarkierungsmerkmale usw. beinhalten. Solche ADAS-Karteninformationen können zusätzlich zu herkömmlichen Kartendaten wie Straßennamen, Straßenklassifizierung, Geschwindigkeitsbegrenzungsinformationen usw. verwendet werden. Die Steuerung 302 kann Daten des GPS 320 sowie Daten/Informationen des Gyroskops, des Fahrzeuggeschwindigkeitssensors und Kartendaten verwenden, um einen Standort oder eine aktuelle Position des Fahrzeugs zu bestimmen.
  • Das System 100 kann zudem eine Anzeige 322 einer Mensch-Maschine-Schnittstelle (HMI, human-machine interface) enthalten. Die HMI-Anzeige 322 kann jede Art von Anzeige in einer Fahrzeugkabine umfassen. Eine solche HMI-Anzeige kann eine Armaturenbrettanzeige, eine Navigationsanzeige, eine Multimedia-Anzeige, eine Head-up-Anzeige, eine Dünnschichttransistor-Flüssigkristall- (TFT-LCD-) Anzeige, Rückspiegelanzeigen usw. beinhalten. Die HMI-Anzeige 322 kann zudem mit Lautsprechern verbunden sein, um Töne in Bezug auf Befehle oder die Benutzeroberfläche des Fahrzeugs auszugeben. Die HMI-Anzeige 322 kann zur Ausgabe verschiedener Befehle oder Informationen an Insassen (z.B. Fahrer oder Fahrgäste) im Fahrzeug verwendet werden. In einem automatischen Bremsszenario kann die HMI-Anzeige 322 beispielsweise eine Meldung anzeigen, dass das Fahrzeug zum Bremsen bereit ist, und dem Benutzer eine entsprechende Rückmeldung geben. Die HMI-Anzeige 322 kann jede Art von Monitor oder Anzeige verwenden, um den Insassen relevante Informationen zu visualisieren.
  • Zusätzlich zum Bereitstellen optischer Anzeigen kann die HMI-Anzeige 322 zudem so konfiguriert sein, dass sie Benutzereingaben über einen Touchscreen, Tasten der Benutzeroberfläche usw. empfängt. Die HMI-Anzeige 322 kann so konfiguriert sein, dass sie Benutzerbefehle empfängt, die verschiedene Fahrzeugsteuerungen angeben, z.B. audiovisuelle Steuerungen, Steuerungen autonomer Fahrzeugsysteme, bestimmte Fahrzeugfunktionen, Kabinentemperatursteuerung usw. Die Steuerung 302 kann solche Benutzereingaben empfangen und im Gegenzug einem relevanten Fahrzeugsystem der Komponente befehlen, entsprechend der Benutzereingabe zu arbeiten.
  • Die Steuerung 302 kann Informationen und Daten von weiteren verschiedenen Fahrzeugkomponenten (z.B. LIDAR-Sensoren, Radarsensoren, Kameras) empfangen. Die Steuerung 302 kann die von diesen Sensoren empfangenen zusätzlichen Daten nutzen, um Fahrzeugfunktionen bereitzustellen, die Fahrerassistenz oder autonomes Fahren betreffen können. Beispielsweise können von den LIDAR-Sensoren und den Kameras gesammelte Daten im Zusammenhang mit den GPS-Daten und den Kartendaten verwendet werden, um Funktionen im Zusammenhang mit adaptiver Geschwindigkeitsregelung, automatischem Einparken, Einparkhilfe, automatischer Notbremsung (AEB, automatic emergency braking) usw. bereitzustellen oder zu verbessern. Die Steuerung 302 kann mit verschiedenen Systemen des Fahrzeugs kommunizieren (z.B. mit dem Motor, dem Getriebe, den Bremsen, der Lenkung, der Anzeige, den Sensoren, der Benutzerschnittstelleneinrichtung usw.). Die Steuerung 302 kann beispielsweise so konfiguriert sein, dass sie Signale an die Bremsen sendet, um das Fahrzeug (z.B. das Fahrzeug 1000) zu verlangsamen, oder an den Lenkmechanismus, um den Weg des Fahrzeugs zu ändern, oder an den Motor oder das Getriebe, um das Fahrzeug zu beschleunigen oder verlangsamen. Die Steuerung 302 kann so konfiguriert sein, dass sie Eingabesignale von den verschiedenen Fahrzeugsensoren empfängt und Ausgabesignale z.B. an die Anzeigeeinrichtung sendet. Die Steuerung 302 kann zudem mit einer oder mehreren Datenbanken, einem Speicher, dem Internet oder Netzwerken in Kommunikation stehen, um auf zusätzliche Informationen zuzugreifen (z.B. Karten, Straßeninformationen, Wetter, Fahrzeuginformationen).
  • Auch hier ist denkbar, dass jeder USS 304-310 einzeln oder in Kombination arbeiten kann, um Klassifizierung auf Grundlage empfangener Objektdaten durchzuführen. Die USS 304-310 können zwar mit einem einzelnen Ultraschallsensor arbeiten, doch ist es vorzuziehen, dass die USS 304-310 eine Mehrzahl von Ultraschallsensoren beinhalten, um eine Klassifizierung auf Grundlage empfangener Objektebenendaten durchzuführen. Der USS 304 kann beispielsweise 4-6 Ultraschallsensoren enthalten, die über den vorderen Stoßfänger des Fahrzeugs verteilt sind, um eine Klassifizierung auf Grundlage empfangener Objektebenendaten durchzuführen.
  • 4 ist beispielsweise ein beispielhaftes Blockdiagramm der Betriebsebenen 402-408, das zeigt, wie der USS 304 eine Klassifizierung auf Objektebene durchführen kann. Auch wenn 4 eine Darstellung des USS 304 ist, kann jeder USS 306-310 in ähnlicher Weise aufgebaut sein und arbeiten. Wie vorstehend beschrieben, sieht 4 zwar eine Verarbeitung durch den Prozessor 312 vor, die Verarbeitung kann aber auch durch die ECU 302 erfolgen. Die Betriebsebenen 402-408 dienen lediglich der Veranschaulichung, und es können eine oder mehrere Ebenen kombiniert werden, um die Klassifizierung auf Objektebene durchzuführen.
  • Um eine Klassifizierung auf Objektebene vorzunehmen, kann der USS 304 auf der Betriebsebene 402 beginnen, wo die Ultraschallsensoren 410-418 Daten unter verschiedenen Umgebungs-, Betriebs- und Systembedingungen sammeln, indem sie das Ego-Fahrzeug an verschiedene Objekttypen von verschiedenen trainierten Maschinenlernsystemen annähern. Während die Betriebsebene vier Ultraschallsensoren 410-416 zeigt, können je nach Anwendung und Standort im oder um das Fahrzeug herum auch mehr (z.B. der Sensor 418) oder weniger Ultraschallsensoren verwendet werden.
  • Auf der Betriebsebene 404 können Signalverarbeitungsalgorithmen 420-428 auf die von jedem einzelnen Sensor 410-418 gesammelten Daten angewendet werden. Die Signalverarbeitungsalgorithmen 420-428 können beispielsweise Schritte zur Echovorverarbeitung (z.B. Amplitudenfilterung) und die Berechnung von Merkmalen auf der Echoebene beinhalten. Insbesondere können die Algorithmen 420-428 für jeden einzelnen Sensor 410-418 Merkmale wie mittlere Amplitude, Signifikanz, Korrelation der Echos und Anzahl der empfangenen Echos berechnen.
  • Auf der Betriebsebene 406 können ein oder mehrere Signalverarbeitungsalgorithmen 430 an der Ausgabe jedes Signalverarbeitungsalgorithmus 420-428 durchgeführt werden. Die Signalverarbeitungsalgorithmen 430 können die Ausgaben jedes Signalverarbeitungsalgorithmus 420-428 kombinieren. Der Signalverarbeitungsalgorithmus 430 kann beispielsweise Trilateration, Objekterzeugung der Form und Abgleichen der Art eines Objekts beinhalten. Der Signalverarbeitungsalgorithmus 430 kann darüber hinaus Merkmale für mehrere Sensoreingaben berechnen (z.B. die Cross-Echo-Empfangsrate). Schließlich kann der Algorithmus 430 betreibbar sein, um Merkmale auf Grundlage geometrischer Beziehungen aus dem Objektabgleich zu berechnen.
  • Zum Beispiel können die Signalverarbeitungsalgorithmen 430 einen Empfang von Echos aus einem oder mehreren der von den Sensoren 410-418 gelieferten Daten berechnen. Der von den Signalverarbeitungsalgorithmen 430 bestimmte Empfang von Echos kann die Anzahl der Sensoren beinhalten, die zum Hindernis oder der Cross-Echo-Empfangsrate beitragen. Der Algorithmus 430 kann zudem geometrische Beziehungen auf Grundlage von Trilateration (z.B. den mittleren seitlichen Fehler der gemessenen Trilateration) berechnen. Der Algorithmus 430 kann auch geometrische Beziehungen auf Grundlage von punkt- oder linienförmigen Reflexionseigenschaften berechnen.
  • Auf der Betriebsebene 408 können ein oder mehrere Signalverarbeitungsalgorithmen 432 an der Ausgabe der kombinierten Signalverarbeitungsalgorithmen 430 durchgeführt werden, die auf der Betriebsebene 406 berechnet wurde. Der Algorithmus 432 kann die berechneten Merkmale auf Objektebene statistisch aggregieren. Der Algorithmus 432 kann zudem zur Klassifizierung einer Passierbarkeit auf Grundlage aggregierter Merkmale eingesetzt werden.
  • Für Maschinenlern- (ML-) oder Deep-Learning- (DL-) Algorithmen, die in Fahrerassistenzsystemen (ADAS) eingesetzt werden, die den Fahrer bei Fahr- und Einparkfunktionen unterstützen, können die verwendeten Algorithmen oder Verfahren jedoch auch mit rohen Sensordaten trainiert werden (z.B. zur Klassifizierung von Videoströmen). Die ML-/DL-Klassifizierer, die für solche Anwendungen eingesetzt werden, können ein neuronales Netz (z.B. neuronale Faltungsnetze (CNN, convolutional neural networks), rekurrente neuronale Netze (RNN, recurrent neural networks), künstliche neuronale Netze (ANN, artificial neural networks)) oder ähnliche Berechnungsrahmenwerke verwenden. Solche Rahmenwerke erfordern jedoch in der Regel eine hohe Ressourcenbeanspruchung und sind für die begrenzten Rechenressourcen von Ultraschallsystemen möglicherweise nicht anwendbar.
  • Es wird daher erwogen, ein recheneffizientes baumbasiertes Maschinenlernmodell unter Verwendung eines Extreme-Gradient-Boosting- („XGBoost“-) Algorithmus zu verwenden. Der XGBoost kann ein Ensemble-Lernverfahren sein, das eine Reihe von Boostern umfasst. Der Booster kann ein Entscheidungsbaum sein, der eine Klassifizierungsausgabe liefert. Der XGBoost kann auch mehrere Entscheidungsbäume beinhalten, und es kann eine aggregierte Ausgabe aller Bäume berechnet werden, um das endgültige Klassifizierungsergebnis zu erhalten. Schließlich kann XGBoost ein Standard-Maschinenlernalgorithmus sein, der eine hohe Genauigkeit für strukturierte Daten bietet (d.h. die Merkmale sind konstruiert), aber XGBoost arbeitet möglicherweise nicht mit einer so hohen Genauigkeit, wenn er in nativer Form auf Höhenklassifizierung für Ultraschallsysteme angewendet wird.
  • Für eine verbesserte Höhenklassifizierung bei Verwendung in einem Ultraschallsystem (z.B. dem System 300) kann vor dem Training des ML-/DL-Algorithmus (d.h. des Modells) ein Datenvorverarbeitungsmodell eingesetzt werden. Die Datenvorverarbeitung kann so konzipiert sein, dass verrauschte Signale, die vom Ultraschallsystem erfasst werden, entfernt werden. Zusätzlich zum Entfernen verrauschter Signale können die Daten gefiltert werden, um sicherzustellen, dass nur die Messungen des Ultraschallsystems, die bei der Annäherung an ein Hindernis auftreten, im Trainingsdatensatz berücksichtigt werden können.
  • Nach der Datenvorverarbeitung kann ein Trainingsmodell für das verwendete Maschinenlernmodell (z.B. XGBoost) eingesetzt werden. Es ist auch denkbar, dass das Training des XGBoost-Klassifizierers neben den Daten weitere Komponenten beinhaltet. Zu den zusätzlichen Komponenten können beispielsweise abstimmbare Objektklassengewichtungen gehören. Eine weitere Komponente kann Gewichtungen einzelner Proben der Daten beinhalten. Die einzelnen Gewichtungen können eine Funktion einer Objektwichtigkeit (die von einem Benutzer zugewiesen werden kann), eines Abstandsziels und des Abstands sein, in dem die Eingabeprobe durch das Ultraschallsystem gesammelt werden kann. Zudem kann eine Zielfunktion als Funktion einer vom Benutzer gewählten Objektwichtigkeit und von Abstandszielen konzipiert werden. Zusätzliche Komponenten können zudem automatische Auswahl von Merkmalen oder eine recheneffiziente Sigmoidfunktion für eine endgültige Klassifizierung der Ausgabe beinhalten.
  • 6 veranschaulicht ferner ein beispielhaftes Flussdiagramm 600 für den ML-Algorithmus für Höhenklassifizierung, der in einem Ultraschallsystem verwendet wird. Das Flussdiagramm 600 kann mit Schritt 602 beginnen, wo ein Benutzer verschiedene Anforderungen für unterschiedliche Objektklassen festlegen kann. In Schritt 604 können die Benutzeranforderungen als Eingaben für das Gewichtungsfunktionsmodul verwendet werden. Es ist denkbar, dass das Gewichtungsfunktionsmodell die Benutzeranforderungen in Gewichtungen für jede Eingabeprobe umwandelt (oder diese erzeugt).
  • In Schritt 606 kann ein Maschinenlern-Klassifizierer mit benutzeranforderungsspezifischen Gewichtungen trainiert werden. Mit anderen Worten: Die (nach Benutzeranforderungen gewichteten) Gewichtungseingaben können verwendet werden, um den XGBoost-Klassifizierer mit einer gewichteten binären Kreuzentropie-Verlustfunktion zu trainieren. In Schritt 608 kann der Maschinenlern-Klassifizierer auf Grundlage von Kostenfunktionen mit benutzerspezifischen Gewichtungen optimiert werden. So kann beispielsweise eine Verlustfunktion eingesetzt werden, die flexibel ist und zusätzliche Terme für die Regularisierung (z.B. L2-Regularisierung) enthalten kann. In Schritt 610 kann der Maschinenlern-Klassifizierer anhand neuer Metriken bewertet werden, die Benutzeranforderungen berücksichtigen. Die Komplexität des Modells kann beispielsweise auf Grundlage von Leistungsanforderungen und Rechenbeschränkungen wie der Tiefe der Bäume, der Anzahl der Booster oder der Baumgruppen modifiziert werden. Schließlich kann zusätzlich zu binären Klassifizierern auch ein Mehrklassenklassifizierer zum Klassifizieren mehrerer Objektklassen eingesetzt werden.
  • Wenn die Klassifizierung der Daten des Ultraschallsystems abgeschlossen ist, ist es denkbar, dass der Maschinenlernalgorithmus während des Abstimmungsprozesses eines oder mehrerer Maschinenlern-Klassifizierer anpassbar sein muss. Da der Maschinenlernalgorithmus während des Abstimmungsprozesses anpassbar ist, kann er den Kompromiss zwischen richtigen und falschen Klassifizierungen verbessern. Der Abstimmungsprozess kann auch so konzipiert sein, dass er eine Anpassung des Klassifizierers auf Grundlage spezifischer Benutzeranforderungen (z.B. OEM-Anforderungen) ermöglicht oder an eine bestimmte Anwendung angepasst werden kann. So kann der Abstimmungsprozess beispielsweise Anpassbarkeit für eine bestimmte Fahrzeugvariante (z.B. SUV oder Minivan) gewährleisten. Oder ein bestimmter Erstausrüster (z.B. die Ford Motor Company) verlangt einen bestimmten Abstimmungsprozess für seine gesamte Fahrzeugflotte.
  • Es ist auch denkbar, dass der Maschinenlernalgorithmus die Standard-Klassifizierungsverlustfunktion (z.B. Kreuzentropie) modifizieren kann, um Gewichtungsparameter und Bereichsziele für jede Objektklasse als individuelle Eingaben für die Abstimmungsroutine einzubeziehen. Der Abstimmungsprozess kann daher einen Satz von Hyperparametern liefern, die abstimmbare Gewichtungen darstellen, die mit jeder Objektklasse verbunden sind. Die abstimmbaren Gewichtungen können auf Grundlage der spezifischen bereitgestellten Kundenanforderungen erhalten werden. Die Kundeneingaben können dann in mehreren Phasen des Abstimmungsprozesses in den Maschinenlernalgorithmus eingegeben werden. Darüber hinaus kann eine Abstimmungszielfunktion zudem im Betrieb die Kundeneingaben berücksichtigen. Die Leistung der Datenklassifizierung kann somit verbessert werden, da der beste Kompromiss auf Grundlage der spezifischen Kundenanforderungen bestimmt werden kann. Darüber hinaus kann der Maschinenlernalgorithmus leicht an geänderte Anforderungen angepasst werden, wodurch sich der Zeit- und Kostenaufwand für die Implementierung oder für bestimmte Anwendungen verringert.
  • 5 veranschaulicht einen beispielhaften Algorithmus 500 zum Implementieren der Anpassbarkeit während des Abstimmungsprozesses eines oder mehrerer Maschinenlern-Klassifizierer. Eine Eingabe in den Algorithmus 500 kann Objektklassenwichtigkeit und Bereichsziele für jedes Objekt beinhalten. Zu den Bereichszielen kann auch ein Mindestabstand zum Hindernis gehören, bei dessen Unterschreitung das Ultraschall-Höhenklassifizierungssystem keine falsch-positiven Ergebnisse liefern sollte. Die Objektklassenwichtigkeit kann einen Wichtigkeitswert (z.B. einen gleitenden Wert) enthalten, den ein Benutzer jeder Hindernisklasse (z.B. Pfahl, Busch, Baum, Bordstein usw.) zuordnen kann. Der Wichtigkeitswert kann angeben, wie wichtig das Hindernis für die Gesamtbewertung des Systems ist. Schließlich kann eine Auswahl des Basisklassifizierers in den Algorithmus 500 eingegeben werden.
  • 6 zeigt wiederum ein beispielhaftes Flussdiagramm 600 eines Maschinenlernmodells zur Höhenklassifizierung, das in Ultraschallsensorsystemen (z.B. dem System 300) eingesetzt werden kann. Wie vorstehend beschrieben, können in Schritt 602 Benutzeranforderungen für verschiedene Objektklassen eingegeben (d.h. eingestellt) werden. Die empfangenen Benutzeranforderungen (Kundeneingaben) können Bereichsziele und Objektklassenwichtigkeitswerte oder Objektklassen enthalten, wie sie in Algorithmus 500 dargestellt sind. In Schritt 604 können die Benutzeranforderungen dann unter Verwendung einer Gewichtungsfunktion in Gewichtungswerte umgewandelt werden. In Schritt 606 kann der Maschinenlern-Klassifizierer mit benutzeranforderungsspezifischen Gewichtungen trainiert werden. In Schritt 608 kann der Maschinenlern-Klassifizierer auf Grundlage von Kostenfunktionen mit benutzerspezifischen Gewichtungen optimiert werden. In Schritt 610 kann der Maschinenlern-Klassifizierer anhand neuer Metriken bewertet werden, die die Benutzeranforderungen berücksichtigen.
  • In Schritt 706 können auf Grundlage der Benutzeranforderungen Bereiche für Abstimmungsparameter festgelegt werden. Der Basisklassifizierer kann mit einer Verlustfunktion (z.B. einer gewichteten Verlustfunktion) trainiert werden, wobei die Gewichtungen auf Grundlage empfangener Eingaben (d.h. Kundeneingaben) berechnet werden können. In Schritt 708 kann der Klassifizierer mit Abstimmungsparametern und einer nach Benutzeranforderungen gewichteten Zielfunktion trainiert werden. Die Leistung des abgestimmten (d.h. trainierten) Klassifizierers kann anhand einer geeigneten Zielfunktion (z.B. Fehler im quadratischen Abstand zum Objekt (DTO-Fehler) im vorliegenden Fall) bewertet werden, die speziell auf eine bestimmte Benutzeranforderung und/oder Eingabe zugeschnitten ist. Wenn die Gewichtungen neu abgestimmt werden müssen, kann das Flussdiagramm 700 zu Schritt 712 übergehen, in dem der Klassifizierer unter Verwendung von Parametern mit Benutzeranforderungen auf Grundlage der Zielfunktion neu abgestimmt werden kann.
  • In Schritt 706 können auf Grundlage der Benutzeranforderungen Bereiche für Abstimmungsparameter festgelegt werden. Der Basisklassifizierer kann mit einer Verlustfunktion (z.B. einer gewichteten Verlustfunktion) trainiert werden, wobei die Gewichtungen auf Grundlage empfangener Eingaben (d.h. Kundeneingaben) berechnet werden können. In Schritt 708 kann der Klassifizierer mit Abstimmungsparametern und einer nach Benutzeranforderungen gewichteten Zielfunktion trainiert werden. Die Leistung des abgestimmten (d.h. trainierten) Klassifizierers kann anhand einer geeigneten Zielfunktion (z.B. Fehler im quadratischen Abstand zum Objekt (DTO-Fehler) im vorliegenden Fall) bewertet werden, die speziell auf eine bestimmte Benutzeranforderung und/oder Eingabe zugeschnitten ist. In Schritt 710 wird bestimmt, ob die Gewichtungen neu abgestimmt werden müssen. Wenn ja, kann das Flussdiagramm 700 zu Schritt 706 zurückkehren. Wenn nicht, kann das Flussdiagramm zu Schritt 712 übergehen, in dem der Klassifizierer unter Verwendung von Parametern mit Benutzeranforderungen auf Grundlage der Zielfunktion abgestimmt werden kann.
  • Schließlich kann der trainierte Klassifizierer umstrukturiert werden, um ein vollständig parametrisiertes Maschinenlernmodell zu erhalten, das nach dem Einsatz in einer realen Anwendung rekonfiguriert werden kann. Bei Anwendungen in der Automobilindustrie kann es zum Beispiel einen Punkt geben, an dem keine Änderungen mehr an der Software und gespeicherten Werten vorgenommen werden dürfen (d.h. Software-Freeze). Der Software-Freeze kann trainierte Klassifizierer beinhalten, die in einer ECU eines Fahrzeugs gespeichert sind (oder gespeichert werden sollen). Nach dem Einfrieren der Software (z.B. nach dem Verkauf des Fahrzeugs an einen Kunden) kann es wünschenswert sein, das Fahrzeug mit neuen Klassifiziererwerten umzustrukturieren bzw. zu aktualisieren. Daher ist es auch wünschenswert, einen vollständig anpassbaren Klassifizierer zu haben, der einen Satz von Parametern enthalten kann, mit denen nach einem Einfrieren der Software neue Fahrzeugvarianten oder Objektklassen trainiert werden können. Liegt ein Fehler in einer freigegebenen Software vor, so kann mit dem vorliegenden Verfahren und System die Leistung bei Fehlern durch Ändern der Parameter verändert werden. Solche Änderungen können den Umgang mit Mängeln vereinfachen.
  • Es ist denkbar, dass das offenbarte System und Verfahren ein bestimmtes Maschinenlernmodell verwenden können, das eine feste Struktur enthält. Die feste Struktur kann eine unterschiedliche Anzahl von Bäumen und/oder Tiefen mit vollständig gefüllten Blättern umfassen, wobei alle Knoten der Bäume (z.B. if/else-Ausdruck) aus Parametern bestehen. In einem Beispiel kann ein Knoten, der als „Merkmalswert > Schwellenwert“ ausgedrückt wird, aus 3 Parametern bestehen, die einzeln enthalten: (1) „Merkmalswert“; (2) „>“; und (3) „Parameterwert“. Es ist auch denkbar, dass die Parameter während des Konfigurationsprozesses bestimmt und zugewiesen werden. Jedoch müssen das System und das Verfahren möglicherweise den Umgang mit ungültigen Merkmalswerten und nicht gefüllten Blättern berücksichtigen.
  • 8 veranschaulicht ein beispielhaftes Blockdiagramm 800 für das rekonfigurierbare Maschinenlernmodell, das in einem auf Ultraschallsensoren basierenden Höhenklassifizierungssystem (z.B. dem System 300) eingesetzt werden kann. Zusätzlich zum Erstellen eines rekonfigurierbaren Modells sieht die vorliegende Offenbarung das Erstellen eines Parameterzuweisungsmoduls vor, das verwendet werden kann, um dem rekonfigurierbaren Modell die erforderlichen Parameter zuzuweisen. Sobald die erforderlichen Parameter zugewiesen sind, kann das Maschinenlernmodell getestet werden.
  • In 8 sind zwei Arten von Konfigurationen denkbar. In Block 802 kann nach dem vorstehend beschriebenen Trainingsprozess ein Modell mit festen Parametern erhalten werden. Dieses Modell mit festen Parametern kann Merkmale, Aufteilungsschwellenwerte, ungültige Werte und Zuweisungen fehlender Werte in einer bestimmten Anordnung in Form von Entscheidungsbäumen enthalten.
  • Die verschiedenen Merkmale und die zugehörigen Aufteilungsschwellenwerte können vollständig parametrisiert werden. Beispielsweise kann ein parametrisiertes Modell (Block 806) erstellt werden, das vollständige Entscheidungsbäume enthält, bei denen jeder Knoten aus Variablen sowohl für die Merkmalsnamen als auch für die Aufteilungsschwellenwerte an jedem Knoten besteht. In Block 804 können die Variablen im konfigurierbaren Modell den Merkmalen und den Aufteilungschwellenwerten zugewiesen werden, bei denen es sich um statische Werte aus dem Modell mit festen Parametern handelt.
  • Das rekonfigurierbare Maschinenlernmodell kann mit baumbasierten Modellen arbeiten, die keine einfachen binären Bäume sind. Je nach den zu verwendenden Merkmalen können zusätzliche Parameter wie ungültige Werte und fehlende Werte verwendet werden. Logik kann in jedem Knoten der Datei des konfigurierbaren Modells implementiert werden. Block 812 veranschaulicht, dass die Parameter auf Grundlage der Informationen aus der Datei des festen Modells (Block 802), tatsächlicher Merkmalswerte oder der empfangenen Laufzeitmessungen/- daten (Block 810) zugewiesen werden können. Es ist auch denkbar, dass Block 812 während der Laufzeit ausgeführt wird, um solche Parameter im konfigurierbaren Modell zuzuweisen.
  • Die vorliegend offenbarten Prozesse, Methoden oder Algorithmen können an eine Verarbeitungseinrichtung, eine Steuereinrichtung oder einen Computer geliefert bzw. von diesem implementiert werden, was jede vorhandene programmierbare elektronische Steuereinheit oder dedizierte elektronische Steuereinheit umfassen kann. Ebenso können die Prozesse, Verfahren oder Algorithmen als Daten, Logik und Anweisungen gespeichert werden, die von einer Steuereinrichtung oder einem Computer in vielen Formen ausgeführt werden können, einschließlich, ohne jedoch hierauf eingeschränkt zu sein, Informationen, die dauerhaft auf nicht beschreibbaren Speichermedien wie ROM-Einrichtungen gespeichert sind, und Informationen, die veränderbar auf beschreibbaren Speichermedien wie Disketten, Magnetbändern, CDs, RAM-Einrichtungen und anderen magnetischen und optischen Medien gespeichert sind. Die Prozesse, Verfahren oder Algorithmen können auch in einem ausführbaren Software-Objekt implementiert sein. Alternativ können die Prozesse, Verfahren oder Algorithmen ganz oder teilweise unter Verwendung geeigneter Hardwarekomponenten verkörpert werden, wie beispielsweise anwendungsspezifische integrierte Schaltungen (ASICs), feldprogrammierbare Gate-Arrays (FPGAs), Zustandsautomaten, Steuereinrichtungen oder andere Hardwarekomponenten oder -einrichtungen oder eine Kombination aus Hardware-, Software- und Firmwarekomponenten.
  • Während vorstehend beispielhafte Ausführungsformen beschrieben werden, ist nicht beabsichtigt, dass diese Ausführungsformen alle möglichen Formen der Erfindung beschreiben. Vielmehr sind die in der Beschreibung verwendeten Wörter eher beschreibend als einschränkend, und es versteht sich, dass verschiedene Änderungen vorgenommen werden können, ohne vom Grundgedanken und Umfang der Erfindung abzuweichen. Zusätzlich können die Merkmale verschiedener Ausführungsformen kombiniert werden, um weitere Ausführungsformen der Erfindung zu bilden.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • US S304310 [0020, 0021, 0026, 0031]
    • US S304306 [0024]
    • US S308310 [0025]
    • US S306310 [0032]

Claims (20)

  1. Verfahren zum Erstellen eines Maschinenlernmodells, das rekonfigurierbar ist, umfassend: Erstellen eines Modells mit festen Parametern, das feste Merkmalswerte enthält, die während eines Trainingsprozesses für das Maschinenlernmodell erhalten werden, wobei das Modell mit festen Parametern zudem einen Klassifizierer mit fester Basis enthält, der von dem Maschinenlernmodell verwendet wird, um Objekte zu klassifizieren, die von einem Ultraschallsystem in der Nähe eines Fahrzeugs erkannt werden; Erstellen eines Modells mit konfigurierbaren Parametern, das konfigurierte Merkmalswerte enthält, die sich von den festen Merkmalswerten unterscheiden, wobei das Modell mit konfigurierbaren Parametern einen Klassifizierer mit modifizierter Basis enthält; und Kommunizieren mit einer Steuerung im Fahrzeug, um das Modell mit festen Parametern mit dem Modell mit konfigurierbaren Parametern zu aktualisieren, wobei das Maschinenlernmodell aktualisiert wird, um das Modell mit konfigurierbaren Parametern zu verwenden, um die von dem Ultraschallsystem erkannten Objekte zu klassifizieren.
  2. Verfahren nach Anspruch 1, wobei das Modell mit festen Parametern und das Modell mit konfigurierbaren Parametern unter Verwendung einer Entscheidungsbaumanordnung konzipiert werden.
  3. Verfahren nach Anspruch 2, wobei die Entscheidungsbaumanordnung die festen Merkmalswerte enthält.
  4. Verfahren nach Anspruch 2, wobei die Entscheidungsbaumanordnung einen oder mehrere Aufteilungsschwellenwerte zwischen verschiedenen Datenklassen enthält.
  5. Verfahren nach Anspruch 2, wobei die Entscheidungsbaumanordnung eine oder mehrere Zuweisungen ungültiger Werte enthält.
  6. Verfahren nach Anspruch 2, wobei die Entscheidungsbaumanordnung eine oder mehrere Zuweisungen fehlender Werte enthält.
  7. Verfahren nach Anspruch 1, wobei das Kommunizieren mit der Steuerung unter Verwendung eines drahtlosen Kommunikationsprotokolls erfolgt.
  8. Verfahren nach Anspruch 1, wobei das Kommunizieren mit der Steuerung unter Verwendung eines drahtgebundenen Kommunikationsprotokolls erfolgt.
  9. Verfahren nach Anspruch 1, wobei das Modell mit konfigurierbaren Parametern durch das Maschinenlernmodell getestet wird, bevor das Modell mit festen Parametern mit dem Modell mit konfigurierbaren Parametern aktualisiert wird.
  10. Verfahren nach Anspruch 1, wobei das Modell mit festen Parametern statische Werte enthält und das Modell mit konfigurierbaren Parametern zur Aktualisierung der statischen Werte verwendet wird.
  11. System zum Erstellen eines Maschinenlernmodells, das rekonfigurierbar ist, umfassend: eine Steuerung, die so konfiguriert ist, dass sie: ein Modell mit festen Parametern speichert, das feste Merkmalswerte enthält, die während eines Trainingsprozesses für das Maschinenlernmodell erhalten werden, wobei das Modell mit festen Parametern zudem einen Klassifizierer mit fester Basis enthält, der von dem Maschinenlernmodell verwendet wird, um Objekte zu klassifizieren, die von einem Ultraschallsystem in der Nähe eines Fahrzeugs erkannt werden; und ein Modell mit konfigurierbaren Parametern empfängt, das konfigurierte Merkmalswerte enthält, die sich von den festen Merkmalswerten unterscheiden, wobei das Modell mit konfigurierbaren Parametern einen Klassifizierer mit modifizierter Basis enthält; und das Modell mit festen Parametern mit dem Modell mit konfigurierbaren Parametern aktualisiert, wobei das Maschinenlernmodell aktualisiert wird, um das Modell mit konfigurierbaren Parametern zu verwenden, um die von dem Ultraschallsystem erkannten Objekte zu klassifizieren.
  12. System nach Anspruch 11, wobei das Modell mit festen Parametern und das Modell mit konfigurierbaren Parametern unter Verwendung einer Entscheidungsbaumanordnung konzipiert werden.
  13. System nach Anspruch 12, wobei die Entscheidungsbaumanordnung die festen Merkmalswerte enthält.
  14. System nach Anspruch 12, wobei die Entscheidungsbaumanordnung einen oder mehrere Aufteilungsschwellenwerte zwischen verschiedenen Datenklassen enthält.
  15. System nach Anspruch 12, wobei die Entscheidungsbaumanordnung eine oder mehrere Zuweisungen ungültiger Werte enthält.
  16. System nach Anspruch 12, wobei die Entscheidungsbaumanordnung eine oder mehrere Zuweisungen fehlender Werte enthält.
  17. System nach Anspruch 11, wobei die Kommunikation mit der Steuerung unter Verwendung eines drahtlosen Kommunikationsprotokolls hergestellt wird.
  18. System nach Anspruch 11, wobei das Modell mit konfigurierbaren Parametern durch das Maschinenlernmodell getestet wird, bevor das Modell mit festen Parametern mit dem Modell mit konfigurierbaren Parametern aktualisiert wird.
  19. System nach Anspruch 11, wobei das Modell mit festen Parametern statische Werte enthält und das Modell mit konfigurierbaren Parametern zur Aktualisierung der statischen Werte verwendet wird.
  20. Nicht-transientes, computer-lesbares Medium, das zum Erstellen eines Maschinenlernmodells betreibbar ist, wobei auf dem nicht-transienten, computerlesbaren Medium computer-lesbare Anweisungen gespeichert sind, die ausgeführt werden können, um Folgendes durchzuführen: Speichern eines Modells mit festen Parametern, das feste Merkmalswerte enthält, die während eines Trainingsprozesses für das Maschinenlernmodell erhalten werden, wobei das Modell mit festen Parametern zudem einen Klassifizierer mit fester Basis enthält, der von dem Maschinenlernmodell verwendet wird, um Objekte zu klassifizieren, die von einem Ultraschallsystem in der Nähe eines Fahrzeugs erkannt werden; und Empfangen eines Modells mit konfigurierbaren Parametern, das konfigurierte Merkmalswerte enthält, die sich von den festen Merkmalswerten unterscheiden, wobei das Modell mit konfigurierbaren Parametern einen Klassifizierer mit modifizierter Basis enthält; und Aktualisieren des Modells mit festen Parametern mit dem Modell mit konfigurierbaren Parametern, wobei das Maschinenlernmodell aktualisiert wird, um das Modell mit konfigurierbaren Parametern zu verwenden, um die von dem Ultraschallsystem erkannten Objekte zu klassifizieren.
DE102022205744.9A 2021-06-11 2022-06-07 Ultraschallsystem und Verfahren zum Rekonfigurieren eines in einem Fahrzeug verwendeten Maschinenlernmodells Pending DE102022205744A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/303,990 US20220398463A1 (en) 2021-06-11 2021-06-11 Ultrasonic system and method for reconfiguring a machine learning model used within a vehicle
US17/303,990 2021-06-11

Publications (1)

Publication Number Publication Date
DE102022205744A1 true DE102022205744A1 (de) 2022-12-15

Family

ID=84192457

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022205744.9A Pending DE102022205744A1 (de) 2021-06-11 2022-06-07 Ultraschallsystem und Verfahren zum Rekonfigurieren eines in einem Fahrzeug verwendeten Maschinenlernmodells

Country Status (4)

Country Link
US (1) US20220398463A1 (de)
JP (1) JP2022189809A (de)
CN (1) CN115470836A (de)
DE (1) DE102022205744A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
USD304306S (en) 1986-09-02 1989-10-31 Cat Eye Co., Ltd. Computerized multiple function bicycle meter
USD304310S (en) 1986-04-21 1989-10-31 Aerospatiale Societe Nationale Industrielle Emergency radio signal transmitter
USD306310S (en) 1986-11-04 1990-02-27 Omron Tateisi Electronics Co. Electrornic cash register
USD308310S (en) 1987-03-30 1990-06-05 Chromcraft Furniture Corp. Seating unit

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
USD304310S (en) 1986-04-21 1989-10-31 Aerospatiale Societe Nationale Industrielle Emergency radio signal transmitter
USD304306S (en) 1986-09-02 1989-10-31 Cat Eye Co., Ltd. Computerized multiple function bicycle meter
USD306310S (en) 1986-11-04 1990-02-27 Omron Tateisi Electronics Co. Electrornic cash register
USD308310S (en) 1987-03-30 1990-06-05 Chromcraft Furniture Corp. Seating unit

Also Published As

Publication number Publication date
CN115470836A (zh) 2022-12-13
US20220398463A1 (en) 2022-12-15
JP2022189809A (ja) 2022-12-22

Similar Documents

Publication Publication Date Title
DE102014109936B4 (de) Interaktives automatisiertes Fahrsystem
DE112012006226B4 (de) Fahrassistenzvorrichtung
DE112019004554T5 (de) System und verfahren zur warnung vor vorhergesagten fahrzeugvorfällen und zum ausweichen
DE102015226715A1 (de) Kollisionsverhinderungsunterstützungseinrichtung
DE102016216941A1 (de) Fahrzeuggeschwindigkeitssteuervorrichtung
DE102020119541A1 (de) Detektieren von fahrzeugbetriebsbedingungen
DE102015209373A1 (de) Fahrunterstützungsgerät
DE102017128144A1 (de) Autonomes Fahrsystem
DE102020122357A1 (de) Fahrerbewusstseinserfassungssystem
DE102020124633A1 (de) Kontextsensitive anpassung einer geländeblickzeit
DE102018108361A1 (de) Laubwerkerfassungstrainingssysteme und -verfahren
DE102021128041A1 (de) Verbesserung eines neuronalen fahrzeugnetzwerks
DE102018116684A1 (de) Systeme und verfahren zum bereitstellen einer intelligenten übersteuerung für ein antriebsautomatisierungssystem
DE102019215657A1 (de) Fahrzeugsteuerungsstystem und -verfahren
DE102021104044A1 (de) Neuronales netzwerk zur positionsbestimmung und objektdetektion
DE102022100549A1 (de) Mit einem rang versehene fehlerzustände
DE102022205746A1 (de) Ultraschallsystem und -verfahren zur Abstimmung eines Maschinenlernklassifika-tors mit Verwendung in einem Maschinenlernalgorithmus
DE102020122086A1 (de) Messen von vertrauen in tiefen neuronalen netzwerken
DE102023101951A1 (de) Fahrzeugsteuerung für optimierten betrieb
DE102022205744A1 (de) Ultraschallsystem und Verfahren zum Rekonfigurieren eines in einem Fahrzeug verwendeten Maschinenlernmodells
DE102022205745A1 (de) Ultraschallsystem und -verfahren zur Klassifizierung von Hindernissen mittels eines Maschinenlernalgorithmus
DE112020007559T5 (de) Fahrassistenzregelungsvorrichtung und Fahrassistenzregelungsverfahren
DE102021104763A1 (de) Fahrzeugsteuersystem
DE102017128144B4 (de) Autonomes Fahrsystem
DE102023110637A1 (de) System und verfahren für eine kontextorientierte automatische einparkhilfe

Legal Events

Date Code Title Description
R012 Request for examination validly filed