-
TECHNISCHES GEBIET
-
Die vorliegende Erfindung betrifft das Gebiet der intelligenten Fahrtechnik und insbesondere ein System zum Realisieren einer automatischen Iteration vom Vorhersagemodell auf der Grundlage eines Datenbetriebs.
-
STAND DER TECHNIK
-
In autonomen Fahrszenario werden die Bewegungstrajektorien von Verkehrsteilnehmern im Voraus vorausschauend vorhergesagt, um das eigene sichere Fahren zu erleichtern. Beispielsweise im unbemannten autonomen Fahrszenario, erfolgt eine Vorhersage der zukünftigen Bewegungstrajektorie eines Verkehrsteilnehmers durch das am unbemannten Fahrzeug aufgestellte Vorhersagemodell. Mit zunehmender Komplexität von Straßenszenen muss das Vorhersagemodell ständig aktualisiert werden.
-
Die aktuelle Aktualisierungsmethode des Vorhersagemodells ist: der Entwickler führt eine Offline-Kennzeichnung an den Verhaltensdaten einer großen Anzahl von Verkehrsteilnehmern durch, um die Kennzeichnungsinformationen zu erhalten, und dann führt der Entwickler auf Basis der Verhaltensdaten der Verkehrsteilnehmer und der entsprechenden Kennzeichnungsinformationen ein Modell-Training durch und wertet ein neues erhaltenes Vorhersagemodell aus, und der Entwickler aktualisiert dann das neue Vorhersagemodell durch Übertragung über ein Netzwerk oder die Verbindung über eine Festplatte zu dem unbemannten Fahrzeug.
-
Es ist ersichtlich, dass die Aktualisierungsmethode des obigen Vorhersagemodells eine menschliche Datenannotation und ein menschliches Auslösen des Modelltrainings und der Modellaktualisierung erfordert, was stark von Personen abhängt, was zu hohen menschlichen Kosten und einem geringen Automatisierungsgrad führt.
-
INHALT DER VORLIEGENDEN ERFINDUNG
-
Die vorliegende Erfindung bietet ein System zum Realisieren einer automatischen Iteration vom Vorhersagemodell auf der Grundlage eines Datenbetriebs, wobei kein menschliches Eingreifen erforderlich ist, was die Kosten für die menschliche Arbeit erheblich verringert und einen hohen Grad an Automatisierung mit sich bringt. Die spezifischen technischen Lösungen sind wie folgt.
-
In einem ersten Aspekt stellt die vorliegende Erfindung ein System zum Realisieren einer automatischen Iteration vom Vorhersagemodell auf der Grundlage eines Datenbetriebs bereit, wobei das System einen Prozessor und eine Cloud umfasst, wobei der Prozessor mit einem Vorhersagemodell versehen ist, wobei das Vorhersagemodell dazu dient, eine zukünftige Bewegungstrajektorie des Verkehrsteilnehmers vorherzusagen;
wobei der Prozessor die Verhaltensdaten jedes Verkehrsteilnehmers erhalten wird, wobei die Verhaltensdaten statische Umgebungskarteninformationen zu einem aktuellen Zeitpunkt und eine historische Bewegungstrajektorie eines Verkehrsteilnehmer vor dem aktuellen Zeitpunkt, der von einer eigenen Erfassungsvorrichtung erfasst wurde, umfassen, wobei die Verhaltensdaten jedes Verkehrsteilnehmer auf der Grundlage einer durch den eigenen Sensor beobachteten Bewegungstrajektorie jedes Verkehrsteilnehmers gekennzeichnet werden, um die entsprechenden Kennzeichnungsinformationen zu erhalten, wobei aus den Verhaltensdaten jedes Verkehrsteilnehmers die ersten Verhaltensdaten herausgefiltert werden, die die voreingestellten Filtrierung-Anforderungen erfüllen, wobei die ersten Verhaltensdaten und die entsprechenden Kennzeichnungsinformationen an die Cloud gesendet werden,
wobei die Cloud die empfangenen ersten Verhaltensdaten und die entsprechenden Kennzeichnungsinformationen in einer ursprünglichen Datenbank speichern kann, wobei die Merkmale der Verhaltensdaten gemäß dem voreingestellten Merkmalsextraktionsverfahren extrahiert werden, um die Merkmalsextraktionsgröße zu erhalten, wobei die Merkmalsextraktionsgröße und die entsprechende Kennzeichnungsinformationen als Trainingsproben in einer Bibliothek von Trainingsproben gespeichert werden, wobei die Trainingsproben, die in der Bibliothek von Trainingsproben nach dem letzten Extrahieren der Trainingsproben gespeichert sind, wenn eine voreingestellte automatische Triggerbedingung erfüllt ist, extrahiert werden, um ein Anfangsnetzwerkmodell zu trainieren, um ein Zielnetzwerkmodell zu erhalten, wobei das Zielnetzwerkmodell dazu dient, Verhaltensdaten eines Verkehrsteilnehmer mit einer entsprechenden zukünftigen Bewegungstrajektorie zu verknüpfen, wobei das Zielnetzwerkmodell gemäß einer voreingestellten Bewertungsmethode bewertet wird, um ein Bewertungsergebnis zu erhalten, wobei das Zielnetzwerkmodell an den Prozessor gesendet wird, wenn das Bewertungsergebnis die Anforderung für eine Modellaktualisierung erfüllt;
der Prozessor empfängt das Zielnetzwerkmodell und aktualisiert das Vorhersagemodell als das Zielnetzwerkmodell.
-
Wahlweise ist es vorgesehen, dass der Prozessor die durch den eigenen Sensor beobachtete Bewegungstrajektorie jedes Verkehrsteilnehmers als die den Verhaltensdaten jedes Verkehrsteilnehmers entsprechende Kennzeichnungsinformationen nimmt.
-
Wahlweise ist es vorgesehen, dass der Prozessor die zukünftige Bewegungstrajektorie, der den Verhaltensdaten jedes Verkehrsteilnehmers entspricht, auf der Grundlage des Vorhersagemodells vorhersagt, wobei für jeden Verkehrsteilnehmer ein Unterschied zwischen der zukünftigen Bewegungstrajektorie entsprechend den Verhaltensdaten des Verkehrsteilnehmers und der von seinem eigenen Sensor beobachteten Bewegungstrajektorie des Verkehrsteilnehmers berechnet wird, wobei als die ersten Verhaltensdaten die Verhaltensdaten von Verkehrsteilnehmern, deren Differenz größer als die voreingestellten Differenz ist, gelten; oder
wobei der Prozessor eine Verhaltensklasse jedes der Verkehrsteilnehmer entsprechend den Verhaltensdaten des jeweiligen Verkehrsteilnehmers auf der Grundlage der Kennzeichnungsinformationen bestimmt, die den Verhaltensdaten des jeweiligen Verkehrsteilnehmers entsprechen, wobei als die ersten Verhaltensdaten die Verhaltensdaten von jenem Verkehrsteilnehmer verwendet werden, deren Verhaltensklasse die voreingestellte Klasse ist; oder
der Prozessor bestimmt den Typ jedes Verkehrsteilnehmers, wobei als die ersten Verhaltensdaten die Verhaltensdaten von jenem Verkehrsteilnehmer verwendet werden, deren Typ der voreingestellte Typ ist.
-
Wahlweise ist es vorgesehen, dass die vorgegebene Klasse das Spurwechselverhalten oder das Überholverhalten ist.
-
Wahlweise ist es vorgesehen, dass der voreingestellte Typ ein großes Fahrzeug, ein Fußgänger oder ein Zweirad ist.
-
Wahlweise ist es vorgesehen, dass der Prozessor die ersten Verhaltensdaten und die entsprechenden Kennzeichnungsinformationen speichert, bevor er die ersten Verhaltensdaten und die entsprechenden Kennzeichnungsinformationen an die Cloud sendet.
-
Wahlweise ist es vorgesehen, dass die Cloud, wenn die Anzahl der Trainingsproben, die in der Bibliothek von Trainingsproben nach der letzten Extraktion der Trainingsproben gespeichert wurden, den vorbestimmten Anzahlschwellenwert erreicht, die Trainingsproben, die in der Bibliothek von Trainingsproben nach dem letzten Extrahieren der Trainingsproben gespeichert sind, extrahieren kann, um ein Anfangsnetzmodell zu trainieren, um ein Zielnetzwerkmodell zu erhalten; oder
die Cloud extrahiert, wenn die Zeitspanne zwischen der Zeit der letzten Extraktion der Trainingsproben und der aktuellen Zeit eine vorgegebene Zeitspanne erreicht, die Trainingsproben, die in der Bibliothek von Trainingsproben nach dem letzten Extrahieren der Trainingsproben gespeichert sind, um ein Anfangsnetzmodell zu trainieren, um ein Zielnetzwerkmodell zu erhalten.
-
Wahlweise ist es vorgesehen, dass die Cloud die Verhaltensdaten jedes vorherzusagenden Verkehrsteilnehmers in dem vorherzusagenden Datensatz basierend auf dem Zielnetzwerkmodell voraussagt, um die entsprechende zukünftige Bewegungstrajektorie zu erhalten;
wobei die Größe des Bewertungsindex des Zielnetzwerkmodells auf der Grundlage der zukünftigen Bewegungstrajektorie, die den Verhaltensdaten jedes der vorherzusagenden Verkehrsteilnehmer entspricht, und der Bewegungstrajektorie jedes der vorherzusagenden Verkehrsteilnehmer, die durch den eigenen Sensor beobachtet werden, berechnet wird;
wobei der Erhöhungsbetrag des Bewertungsindex des Zielnetzwerkmodells relativ zum Bewertungsindex des Vorhersagemodells berechnet wird;
wobei das Zielnetzwerkmodell an den Prozessor gesendet wird, wenn der Erhöhungsbetrag die vorgegebene Erhöhungsanforderung erfüllt.
-
Wahlweise ist es vorgesehen, dass die Verkehrsteilnehmer Fahrzeuge und/oder Fußgänger umfassen.
-
Wie aus dem Obigen ersichtlich, wird der Prozessor in Ausführungsbeispielen der vorliegenden Erfindung basierend auf der durch seinen eigenen Sensor beobachteten Bewegungstrajektorie jedes Verkehrsteilnehmers die Verhaltensdaten jedes Verkehrsteilnehmers kennzeichnen, um die entsprechenden Kennzeichnungsinformationen zu erhalten, und eine automatische Kennzeichnung zum Erhalt von Kennzeichnungsinformationen anstelle einer menschlichen Offline-Kennzeichnung wird realisiert, dann werden die gefilterten ersten Verhaltensdaten und die entsprechenden Kennzeichnungsinformationen an die Cloud gesendet, wobei die Cloud die Trainingsproben, die in der Bibliothek von Trainingsproben nach dem letzten Extrahieren der Trainingsproben gespeichert sind, wenn eine voreingestellte automatische Triggerbedingung erfüllt ist, extrahieren kann, um ein Anfangsnetzwerkmodell zu trainieren, um ein Zielnetzwerkmodell zu erhalten, wobei das Modelltraining automatisch ausgelöst werden kann, wenn die voreingestellten automatischen Triggerbedingungen erfüllt sind, wobei dann, wenn das Zielnetzwerkmodell erhalten wurde, automatisch eine Bewertung ausgelöst wird, und wobei das Zielnetzwerkmodell an den Prozessor gesendet wird, wenn das Bewertungsergebnis die Anforderung für eine Modellaktualisierung erfüllt, um die automatisierte Disposition des Zielnetzwerkmodells zu erreichen, schließlich kann der Prozessor nach dem Empfang des Zielnetzwerkmodells das Vorhersagemodell automatisch auf das Zielnetzwerkmodell aktualisieren. Zusammenfassend ist es ersichtlich, dass für die Datenkennzeichnung, das Modelltraining, die Modellbewertung oder die Modellaktualisierung keine menschliche Teilnahme erforderlich ist, was die Personalkosten stark reduziert und einen hohen Automatisierungsgrad aufweist. Natürlich ist es nicht notwendig, dass die Implementierung eines Produkts oder Verfahrens der vorliegenden Erfindung alle der oben genannten Vorteile gleichzeitig erzielt.
-
Die Innovationspunkte der Ausführungsbeispiele der vorliegenden Erfindung umfassen:
- 1. Der Prozessor wird basierend auf der durch seinen eigenen Sensor beobachteten Bewegungstrajektorie jedes Verkehrsteilnehmers die Verhaltensdaten jedes Verkehrsteilnehmers kennzeichnen, um die entsprechenden Kennzeichnungsinformationen zu erhalten, und eine automatische Kennzeichnung zum Erhalt von Kennzeichnungsinformationen anstelle einer menschlichen Offline-Kennzeichnung wird realisiert.
- 2. Wenn eine vorbestimmte automatische Triggerbedingung erfüllt ist, können die Trainingsproben, die in der Bibliothek von Trainingsproben nach dem letzten Extrahieren der Trainingsproben gespeichert sind, extrahiert werden, um das Anfangsnetzwerkmodell zu trainieren, um das Zielnetzwerkmodell zu erhalten, wobei in den Ausführungsbeispielen der vorliegenden Erfindung das Modelltraining automatisch ausgelöst werden kann, wenn die voreingestellten automatischen Triggerbedingungen erfüllt sind, wobei kein menschliches Eingreifen erforderlich ist, was die Kosten für die menschliche Arbeit erheblich verringert und einen hohen Grad an Automatisierung mit sich bringt.
- 3. Dann, wenn das Zielnetzwerkmodell erhalten wurde, wird automatisch eine Bewertung ausgelöst, und wobei das Zielnetzwerkmodell an den Prozessor gesendet wird, wenn der Erhöhungsbetrag des Bewertungsindex des Zielnetzwerkmodells relativ zum Bewertungsindex des Vorhersagemodells die voreingestellte Erhöhungsanforderung erfüllt, d.h. wenn die Leistung des Zielnetzwerkmodells besser ist als die des zu aktualisierenden Vorhersagemodells, um, um die automatisierte Disposition des Zielnetzwerkmodells zu erreichen, wobei kein menschliches Eingreifen erforderlich ist, was die Kosten für die menschliche Arbeit erheblich verringert und einen hohen Grad an Automatisierung mit sich bringt.
- 4. Der Prozessor kann nach dem Empfang des Zielnetzwerkmodells das Vorhersagemodell automatisch auf das Zielnetzwerkmodell aktualisieren, wobei kein menschliches Eingreifen erforderlich ist, was die Kosten für die menschliche Arbeit erheblich verringert und einen hohen Grad an Automatisierung mit sich bringt.
- 5. Ausführungsbeispiele der vorliegenden Erfindung stellen ein System zum Realisieren einer automatischen Iteration vom Vorhersagemodell auf der Grundlage eines Datenbetriebs bereit, wobei automatische Aktualisierung vom Vorhersagemodell mit nur einem Entwickler möglich ist, wobei die Leistungsfähigkeit der Entwickler erheblich verbessert wird, was die Entwicklungskosten reduziert.
- 6. Dann, wenn das Zielnetzwerkmodell erhalten wurde, wird automatisch eine Bewertung ausgelöst, und wobei das Zielnetzwerkmodell an den Prozessor gesendet wird, wenn der Erhöhungsbetrag des Bewertungsindex des Zielnetzwerkmodells relativ zum Bewertungsindex des Vorhersagemodells die voreingestellte Erhöhungsanforderung erfüllt, d.h. wenn die Leistung des Zielnetzwerkmodells besser ist als die des zu aktualisierenden Vorhersagemodells, um die automatisierte Disposition des Zielnetzwerkmodells zu erreichen, wobei kein menschliches Eingreifen erforderlich ist, was die Kosten für die menschliche Arbeit erheblich verringert und einen hohen Grad an Automatisierung mit sich bringt.
-
Figurenliste
-
Um die technischen Lösungen in den Ausführungsbeispielen der vorliegenden Erfindung oder im Stand der Technik deutlicher zu beschreiben, werden im Folgenden die beigefügten Zeichnungen, die zum Beschreiben der Ausführungsbeispielen oder des Standes der Technik erforderlich sind, kurz vorgestellt. Offensichtlich sind die beigefügten Figuren in der folgenden Beschreibung nur einige Ausführungsbeispiele der vorliegenden Erfindung. Für den normalen Fachmann können auch andere Ausführungsbeispiele gemäß diesen beigefügten Figuren ohne schöpferische Arbeit erhalten werden.
- 1 ist eine schematische Darstellung der Struktur eines Systems zum Realisieren einer automatischen Iteration vom Vorhersagemodell auf der Grundlage eines Datenbetriebs, das in einem Ausführungsbeispiel der vorliegenden Erfindung bereitgestellt wird.
-
In 1 ist gezeigt, 10 Prozessor, 20 Cloud.
-
AUSFÜHRLICHE BESCHREIBUNG
-
Die technischen Lösungen in den Ausführungsbeispielen bei der Erfindung werden nachfolgend mit den beigefügten Figuren in den Ausführungsbeispielen bei der Erfindung übersichtlich und vollständig beschrieben. Es ist offensichtlich, dass die beschriebenen Ausführungsbeispiele nur ein Teil der Ausführungsbeispiele der Erfindung und nicht alle Ausführungsbeispiele sind. Alle anderen Ausführungsbeispiele, die von einem Fachmann auf diesem Gebiet basierend auf den Ausführungsbeispielen der vorliegenden Erfindung ohne kreative Anstrengungen erhalten werden, sollen in den Schutzumfang der vorliegenden Erfindung fallen.
-
Es ist zu beachten, dass die Begriffe „umfassen“ und „aufweisen“ und jegliche Variationen davon, wie sie in den Ausführungsbeispielen und den Figuren der vorliegenden Erfindung verwendet werden, eine nicht ausschließende Inklusion abdecken sollen. Ein Prozess, Verfahren, System, Produkt oder Gerät, das zum Beispiel eine Reihe von Schritten oder Einheiten umfasst, ist nicht auf die aufgelisteten Schritte oder Einheiten beschränkt, sondern umfasst optional auch nicht aufgelistete Schritte oder Einheiten oder optional weitere Schritte oder Einheiten, die solch einem Prozess, Verfahren, Produkt oder Gerät inhärent sind.
-
Ausführungsbeispiele der vorliegenden Erfindung offenbaren ein System zum Realisieren einer automatischen Iteration vom Vorhersagemodell auf der Grundlage eines Datenbetriebs, und Aktualisierungen vom Vorhersagemodell können automatisiert werden, wobei kein menschliches Eingreifen erforderlich ist, was die Personalkosten erheblich verringert und einen hohen Automatisierungsgrad mit sich bringt. Die Ausführungsbeispiele der vorliegenden Erfindung werden nachstehend im Detail beschrieben.
-
1 ist eine schematische Darstellung der Struktur eines Systems zum Realisieren einer automatischen Iteration vom Vorhersagemodell auf der Grundlage eines Datenbetriebs, das in einem Ausführungsbeispiel der vorliegenden Erfindung bereitgestellt wird. Unter Bezugnahme auf 1 umfasst ein Systems zum Realisieren einer automatischen Iteration vom Vorhersagemodell auf der Grundlage eines Datenbetriebs einen Prozessor 10 und eine Cloud 20, wobei der Prozessor 10 und Cloud 20 kommunikativ verbunden sind, wobei der Prozessor 10 mit einem Vorhersagemodell versehen ist, wobei das Vorhersagemodell dazu dient, eine zukünftige Bewegungstrajektorie des Verkehrsteilnehmers vorherzusagen, wobei die Verkehrsteilnehmer Fahrzeuge und/oder Fußgänger umfassen.
-
Zur Erhöhung des Automatisierungsgrades werden Verhaltensdaten jedes Verkehrsteilnehmers in Ausführungsbeispielen der vorliegenden Erfindung durch den Prozessor 10 automatisch erfasst und online markiert, wobei die Verhaltensdaten statische Umgebungskarteninformationen zu einem aktuellen Zeitpunkt und eine historische Bewegungstrajektorie eines Verkehrsteilnehmers vor dem aktuellen Zeitpunkt, der von einer eigenen Erfassungsvorrichtung erfasst wurde, umfassen.
-
In einer Implementierung kann die Art und Weise, in der der Prozessor 10 die Verhaltensdaten jedes Verkehrsteilnehmers erhält, sein: es ist mit einem Erfassungsvorrichtung und einem Positioniersystem wie Kameras und globalen Positionierungssystemen ausgestattet. Daher kann es den Erfassungsbereich in Echtzeit erfassen und seine eigene Position während des Fahrvorgangs lokalisieren. Auf Basis der aktuell erfassten Bilder sowie der eigenen aktuellen Positionsinformationen können sowohl die statische Umgebungskarteninformationen zum aktuellen Zeitpunkt als auch die Bewegungstrajektorie jedes Verkehrsteilnehmers erhalten werden, wobei die statische Umgebungskarteninformation Straßenmarkierungsinformationen und Straßenschildinformationen, wie beispielsweise Zebrastreifen- und Straßenlaterneninformationen, umfassen kann.
-
In einer weiteren Implementierung kann der Prozessor 10 die Verhaltensdaten jedes Verkehrsteilnehmers auf die folgende Weise beschaffen: es ist mit einer Erfassungsvorrichtung, einem Positioniersystem und hochpräziser Karte, wie Kameras, globalen Positionierungssystemen und hochpräzisen Karten, ausgestattet. Daher kann es den Erfassungsbereich in Echtzeit erfassen und seine eigene Position während des Fahrvorgangs lokalisieren. Auf Basis der aktuell erfassten Bilder, der eigenen Echtzeit-Positionsinformationen und der hochgenauen Karte sind sowohl die statischen Umgebungskarteninformationen zu dem aktuellen Zeitpunkt als auch die Bewegungstrajektorien jedes Verkehrsteilnehmers ermittelbar.
-
Die Kennzeichnung der Verhaltensdaten eines Verkehrsteilnehmer erfolgt durch eine Kennzeichnung unter Verwendung der beobachteten realen Bewegungstrajektorie, und im Laufe der Zeit kann der eigene Sensor aber natürlich die tatsächliche Bewegungstrajektorie jedes Verkehrsteilnehmers beobachten, das heißt, das Vorhersageergebnis, das das Vorhersagemodell zum aktuellen Zeitpunkt ausgibt, kann direkt Wahrheitswerte zu einem zukünftigen Zeitpunkt beobachten, das heißt, es kann mit sehr geringem Aufwand beobachtet werden, ob das Vorhersageergebnis seiner Vorhersage tatsächlich eintritt, ob es richtig ist und inwieweit es richtig ist. Zum Beispiel: es ist ein unbemanntes Fahrzeug, sein eigener Sensor ist ein Fahrzeugsensor, wobei, basierend auf den bekannten statischen Umgebungskarteninformationen zum aktuellen Zeitpunkt t0 und den historischen Bewegungstrajektorien von Verkehrsteilnehmern, die vor t0 akkumuliert und beobachtet wurden, das Vorhersagemodell voraussagt, dass sich ein Fahrzeug auf einer benachbarten Fahrspur in Zukunft zum Zeitpunkt tl auf 5 Meter direkt vor dem eigenen Fahrzeug bewegen wird, wobei über die Zeit der Fahrzeugsensor zu einem realen Zeitpunkt tl direkt die reale Bewegungstrajektorie eines Fahrzeuges auf der benachbarten Fahrspur beobachten kann. Zu diesem Zeitpunkt können die Verhaltensdaten jedes Verkehrsteilnehmers auf der Grundlage einer durch den eigenen Sensor beobachteten Bewegungstrajektorie jedes Verkehrsteilnehmers gekennzeichnet werden, um die entsprechenden Kennzeichnungsinformationen zu erhalten, wobei beispielhaft der Prozessor 10 die durch den eigenen Sensor beobachtete Bewegungstrajektorie jedes Verkehrsteilnehmers als die den Verhaltensdaten jedes Verkehrsteilnehmers entsprechende Kennzeichnungsinformationen nimmt.
-
Es sei angemerkt, dass ein System zum Realisieren einer automatischen Iteration vom Vorhersagemodell auf der Grundlage eines Datenbetriebs, das durch Ausführungsbeispiele der vorliegenden Erfindung bereitgestellt wird, auf den Bereich von unbemannten Fahrzeugen, den Bereich von Robotern und andere Bereiche angewendet werden kann, in denen ein automatisches Fahren möglich ist, wobei der Prozessor 10 ein Bordprozessor sein kann, wenn er auf den Bereich der unbemannten Fahrzeuge angewendet wird, wobei die an sich montierte Erfassungsvorrichtung eine fahrzeugeigene Erfassungsvorrichtung sein kann, und der eigene Sensor kann ein fahrzeugeigener Fahrzeugsensor sein.
-
Der Prozessor 10 hat eine begrenzte Rechenkapazität und muss nach der Kennzeichnung der Verhaltensdaten von Verkehrsteilnehmern die Verhaltensdaten und die entsprechenden Kennzeichnungsinformationen an die Cloud zur Verarbeitung senden. Zudem sind nicht die Verhaltensdaten jedes Verkehrsteilnehmer für eine Modelltrainierung wertvoll, wodurch die für das Modelltraining wertvollen Daten aus den Verhaltensdaten der Verkehrsteilnehmer ausgewählt werden können, das heißt aus den Verhaltensdaten jedes Verkehrsteilnehmers werden die ersten Verhaltensdaten herausgefiltert, die die voreingestellten Filtrierung-Anforderungen erfüllen, dann werden die ersten Verhaltensdaten und die entsprechenden Kennzeichnungsinformationen an die Cloud 20 gesendet. Beispielsweise können die ersten Verhaltensdaten durch einen Datenfilter ausgesiebt werden.
-
Um Datenverlust zu vermeiden, kann der Prozessor 10 außerdem die ersten Verhaltensdaten und die entsprechenden Kennzeichnungsinformationen speichern, bevor er die ersten Verhaltensdaten und die entsprechenden Kennzeichnungsinformationen an die Cloud 20 sendet.
-
Es gibt verschiedene Weisen, die ersten Verhaltensdaten zu filtern, einschließlich, aber nicht beschränkt auf die folgenden:
- erste Weise:
- der Prozessor 10 sagt die zukünftige Bewegungstrajektorie, der den Verhaltensdaten jedes Verkehrsteilnehmers entspricht, auf der Grundlage des Vorhersagemodells vorher, wobei für jeden Verkehrsteilnehmer ein Unterschied zwischen der zukünftigen Bewegungstrajektorie entsprechend den Verhaltensdaten des Verkehrsteilnehmers und der von seinem eigenen Sensor beobachteten Bewegungstrajektorie des Verkehrsteilnehmers berechnet wird, wobei als die ersten Verhaltensdaten die Verhaltensdaten von Verkehrsteilnehmern, deren Differenz größer als die voreingestellten Differenz ist, gelten.
Wenn die vom Vorhersagemodell vorhergesagte zukünftige Bewegungstrajektorie eines bestimmten Verkehrsteilnehmers stark von der beobachteten Bewegungstrajektorie des Verkehrsteilnehmers abweicht, bedeutet dies, dass das Vorhersagemodell noch nicht in der Lage ist, die zukünftige Bewegungstrajektorie des Verkehrsteilnehmers genau zu bestimmen. Die Verhaltensdaten dieser stark differenzierenden Verkehrsteilnehmer sind daher wertvolle Daten für das Modelltraining, wobei ein neues Vorhersagemodell durch die Verhaltensdaten dieser stark differenzierenden Verkehrsteilnehmer trainiert werden kann, wobei das neue Vorhersagemodell nach Abschluss des Trainings die zukünftigen Bewegungstrajektorien dieser stark differenzierenden Verkehrsteilnehmer genau vorhersagen kann.
Bei der Filterung der ersten Verhaltensdaten durch den Prozessor 10 kann somit eine zukünftige Bewegungstrajektorie entsprechend den Verhaltensdaten jedes Verkehrsteilnehmers auf der Grundlage des Vorhersagemodells vorhergesagt und anschließend mit der beobachteten Bewegungstrajektorie verglichen werden, wobei Verhaltensdaten mit großen Unterschieden als die ersten Verhaltensdaten gelten, das heißt für jeden Verkehrsteilnehmer wird ein Unterschied zwischen der zukünftigen Bewegungstrajektorie entsprechend den Verhaltensdaten des Verkehrsteilnehmers und der von seinem eigenen Sensor beobachteten Bewegungstrajektorie des Verkehrsteilnehmers berechnet, wobei als die ersten Verhaltensdaten die Verhaltensdaten von Verkehrsteilnehmern, deren Differenz größer als die voreingestellten Differenz ist, gelten. Damit wird für jeden Verkehrsteilnehmer ein Unterschied zwischen der zukünftigen Bewegungstrajektorie entsprechend den Verhaltensdaten des Verkehrsteilnehmers und der von seinem eigenen Sensor beobachteten Bewegungstrajektorie des Verkehrsteilnehmers berechnet, und wobei als die ersten Verhaltensdaten die Verhaltensdaten von Verkehrsteilnehmern, deren Differenz größer als die voreingestellten Differenz ist, gelten, wodurch es erreicht wird, dass aus den Verhaltensdaten der Verkehrsteilnehmer wertvolle Daten für das Modelltraining herausgefiltert werden. - Zweite Weise:
- der Prozessor 10 bestimmt eine Verhaltensklasse jedes der Verkehrsteilnehmer entsprechend den Verhaltensdaten des jeweiligen Verkehrsteilnehmers auf der Grundlage der Kennzeichnungsinformationen, die den Verhaltensdaten des jeweiligen Verkehrsteilnehmers entsprechen, wobei als die ersten Verhaltensdaten die Verhaltensdaten von jenem Verkehrsteilnehmer verwendet werden, deren Verhaltensklasse die voreingestellte Klasse ist.
Es gibt verschiedene Klassen von Verhalten des Verkehrsteilnehmers, wobei einige Verhaltensklassen wichtiger sind, und wenn die durch das Vorhersagemodell vorhergesagte zukünftige Bewegungstrajektorie eines bestimmten Verkehrsteilnehmers ungenau ist, worüber hinaus es unmöglich ist, genau zu ermitteln, ob die Verhaltensklasse des Verkehrsteilnehmers eine wichtige Verhaltensklasse ist, kann dies einen Verkehrsunfall verursachen. Mit anderen Worten, die Verhaltensdaten von Verkehrsteilnehmern, die wichtigen Verhaltensklassen entsprechen, sind wertvolle Daten für das Modelltraining.
Bei der Filterung der ersten Verhaltensdaten durch den Prozessor 10 können somit Verhaltensdaten eines Verkehrsteilnehmer einer wichtigen Verhaltensklasse als erste Verhaltensdaten verwendet werden, das heißt, eine Verhaltensklasse jedes der Verkehrsteilnehmer entsprechend den Verhaltensdaten des jeweiligen Verkehrsteilnehmers wird auf der Grundlage der Kennzeichnungsinformationen bestimmt, die den Verhaltensdaten des jeweiligen Verkehrsteilnehmers entsprechen, wobei als die ersten Verhaltensdaten die Verhaltensdaten von jenem Verkehrsteilnehmer verwendet werden, deren Verhaltensklasse die voreingestellte Klasse ist, nachdem die Verhaltenskategorie bestimmt wurde. Beispielhaft ist die vorgegebene Klasse das Spurwechselverhalten oder das Überholverhalten.
Somit wird eine Verhaltensklasse jedes der Verkehrsteilnehmer entsprechend den Verhaltensdaten des jeweiligen Verkehrsteilnehmers auf der Grundlage der Kennzeichnungsinformationen bestimmt, die den Verhaltensdaten des jeweiligen Verkehrsteilnehmers entsprechen, wobei als die ersten Verhaltensdaten die Verhaltensdaten von jenem Verkehrsteilnehmer verwendet werden, deren Verhaltensklasse die voreingestellte Klasse ist, wodurch es erreicht wird, dass aus den Verhaltensdaten der Verkehrsteilnehmer wertvolle Daten für das Modelltraining herausgefiltert werden. - Dritte Weise:
- der Prozessor 10 bestimmt den Typ jedes Verkehrsteilnehmers, wobei als die ersten Verhaltensdaten die Verhaltensdaten von jenem Verkehrsteilnehmer verwendet werden, deren Typ der voreingestellte Typ ist.
-
Es gibt verschiedene Typen von Verkehrsteilnehmern, wobei die Bewegungstrajektorie mancher Typen von Verkehrsteilnehmern die Bewegungstrajektorie anderer Verkehrsteilnehmer beeinflussen kann, beispielsweise, dass sich die meisten Fahrzeuge während der Fahrt weit entfernt von großen Fahrzeugen befinden, wodurch die Bewegungstrajektorie großer Fahrzeuge die Bewegungstrajektorie anderer Fahrzeuge beeinflussen kann; oder der Fußgänger und das Zweirad wirken als eine schwache Gruppe, wobei die meisten Fahrzeuge dem Fußgänger und dem Zweirad ausweichen, um die Bewegungstrajektorie zu ändern. Als Folge davon sind Verhaltensdaten bestimmter Typen von Verkehrsteilnehmer, die sich auf die Bewegungstrajektorie anderer Verkehrsteilnehmer auswirken, wertvolle Daten für die Modelltrainierung.
-
Bei der Filterung der ersten Verhaltensdaten durch den Prozessor 10 kann somit der Typ jedes Verkehrsteilnehmers bestimmt werden, wobei als die ersten Verhaltensdaten die Verhaltensdaten von jenem Verkehrsteilnehmer verwendet werden, deren Typ der voreingestellte Typ ist, wobei beispielhaft der voreingestellte Typ ein großes Fahrzeug, ein Fußgänger oder ein Zweirad ist.
-
Somit wird der Typ jedes Verkehrsteilnehmers bestimmt, wobei als die ersten Verhaltensdaten die Verhaltensdaten von jenem Verkehrsteilnehmer verwendet werden, deren Typ der voreingestellte Typ ist, wodurch es erreicht wird, dass aus den Verhaltensdaten der Verkehrsteilnehmer wertvolle Daten für das Modelltraining herausgefiltert werden.
-
Die Cloud 20 empfängt die vom Prozessor 10 übertragenen ersten Verhaltensdaten und die entsprechenden Kennzeichnungsinformationen und wobei die empfangenen ersten Verhaltensdaten und die entsprechenden Kennzeichnungsinformationen in einer ursprünglichen Datenbank gespeichert werden kann. Um das Vorhersagemodell zu aktualisieren, muss ein neues Vorhersagemodell erzeugt werden. Um ein neues Vorhersagemodell zu erzeugen, werden Trainingsproben, die zum Trainieren des Modells verwendet werden, benötigt, wodurch die Merkmale der Verhaltensdaten gemäß dem voreingestellten Merkmalsextraktionsverfahren extrahiert werden kann, um die Merkmalsextraktionsgröße zu erhalten, wobei die Merkmalsextraktionsgröße und die entsprechende Kennzeichnungsinformationen als Trainingsproben in einer Bibliothek von Trainingsproben gespeichert werden. Dabei kann der Entwickler das Merkmalsextraktionsverfahren je nach Bedarf jederzeit ändern.
-
Die Anzahl der ersten Verhaltensdaten und der entsprechenden Kennzeichnungsinformationen, die jedes Mal vom Prozessor 10 übertragen werden, ist begrenzt. Wie gut bekannt ist, erfordert das Modelltraining eine große Anzahl an Trainingsproben. Wenn ein Modelltraining mit nur einer oder mehreren Trainingsproben durchgeführt wird, die in einer Bibliothek von Trainingsproben gespeichert sind, wird kein gutes Trainingsergebnis erhalten, wodurch automatische Triggerbedingungen vorgegeben werden können, wobei die Trainingsproben, die in der Bibliothek von Trainingsproben nach dem letzten Extrahieren der Trainingsproben gespeichert sind, wenn eine voreingestellte automatische Triggerbedingung erfüllt ist, extrahiert werden, um ein Anfangsnetzwerkmodell zu trainieren, um ein Zielnetzwerkmodell zu erhalten, wobei ein Zielnetzwerkmodell verwendet wird, um die als Trainingsproben verwendeten Merkmalsextraktionsgröße mit den entsprechenden Kennzeichnungsinformationen zu korrelieren, wobei die Merkmalsextraktionsgröße eine charakteristische Größe der Verhaltensdaten eines Verkehrsteilnehmers ist, wobei die Kennzeichnungsinformationen die Kennzeichnungsgröße für die zukünftige Bewegungstrajektorie sind, wodurch das Zielnetzwerkmodell dazu dient, Verhaltensdaten eines Verkehrsteilnehmer mit einer entsprechenden zukünftigen Bewegungstrajektorie zu verknüpfen.
-
Wenn eine vorbestimmte automatische Triggerbedingung erfüllt ist, können somit die Trainingsproben, die in der Bibliothek von Trainingsproben nach dem letzten Extrahieren der Trainingsproben gespeichert sind, extrahiert werden, um das Anfangsnetzwerkmodell zu trainieren, um das Zielnetzwerkmodell zu erhalten, wobei in den Ausführungsbeispielen der vorliegenden Erfindung das Modelltraining automatisch ausgelöst werden kann, wenn die voreingestellten automatischen Triggerbedingungen erfüllt sind, wobei kein menschliches Eingreifen erforderlich ist, was die Kosten für die menschliche Arbeit erheblich verringert und einen hohen Grad an Automatisierung mit sich bringt.
-
Die vorbestimmte automatische Triggerbedingung kann beispielsweise sein: die Anzahl der Trainingsproben, die in der Bibliothek von Trainingsproben nach der letzten Extraktion der Trainingsproben gespeichert wurden, einen vorbestimmten Anzahlschwellenwert erreicht, oder die Zeitspanne zwischen der Zeit, zu der die Trainingsproben das letzte Mal extrahiert wurden, und der aktuellen Zeit erreicht eine vorgegebene Zeitspanne.
-
Die Situation, dass die Anzahl der Trainingsproben, die in der Bibliothek von Trainingsproben nach der letzten Extraktion der Trainingsproben gespeichert wurden, einen vorbestimmten Anzahlschwellenwert erreicht, bedeutet, dass die Anzahl der Trainingsproben eine Datenmenge erreicht hat, bei der Modelltraining möglich ist. Zu diesem Zeitpunkt extrahiert die Cloud 20 die Trainingsproben, die in der Bibliothek von Trainingsproben nach dem letzten Extrahieren gespeichert sind, um das Anfangsnetzwerkmodell zu trainieren, um das Zielnetzwerkmodell zu erhalten.
-
Die Situation, dass die Zeitspanne zwischen dem Zeitpunkt, zu dem die Trainingsproben zuletzt extrahiert wurden, und dem gegenwärtigen Zeitpunkt eine vorgegebene Zeitspanne erreicht, angibt, dass die Anzahl der Trainingsproben mit der Zeit immer mehr zunimmt, wobei die Datenmenge, bei der ein Modelltraining möglich ist, erreicht wurde. Zu diesem Zeitpunkt extrahiert die Cloud 20 die Trainingsproben, die in der Bibliothek von Trainingsproben nach dem letzten Extrahieren gespeichert sind, um das Anfangsnetzwerkmodell zu trainieren, um das Zielnetzwerkmodell zu erhalten.
-
Wenn ein Vorhersagemodell aktualisiert werden soll, muss das neue Vorhersagemodell Vorteile gegenüber dem zu aktualisierenden Vorhersagemodell haben. Daher ist es notwendig, das Zielnetzwerkmodell gemäß einer voreingestellten Bewertungsmethode zu bewerten, um ein Bewertungsergebnis zu erhalten, nachdem das Zielnetzwerkmodell erhalten worden ist, wobei das Zielnetzwerkmodell an den Prozessor 10 gesendet wird, wenn das Bewertungsergebnis die Anforderung für eine Modellaktualisierung erfüllt.
-
Die Cloud 20 führt dabei eine Bewertung am Zielnetzwerkmodell gemäß einer voreingestellten Bewertungsmethode durch, um ein Bewertungsergebnis zu erhalten, wobei die Weise, dass das Zielnetzwerkmodell an den Prozessor 10 gesendet wird, wenn das Bewertungsergebnis die Anforderung für eine Modellaktualisierung erfüllt, das Folgende sein kann:
- die Cloud 20 sagt die Verhaltensdaten jedes vorherzusagenden Verkehrsteilnehmers in dem vorherzusagenden Datensatz basierend auf dem Zielnetzwerkmodell voraus, um die entsprechende zukünftige Bewegungstrajektorie zu erhalten;
- wobei die Größe des Bewertungsindex des Zielnetzwerkmodells auf der Grundlage der zukünftigen Bewegungstrajektorie, die den Verhaltensdaten jedes der vorherzusagenden Verkehrsteilnehmer entspricht, und der Bewegungstrajektorie jedes der vorherzusagenden Verkehrsteilnehmer, die durch den eigenen Sensor beobachtet werden, berechnet wird;
- wobei der Erhöhungsbetrag des Bewertungsindex des Zielnetzwerkmodells relativ zum Bewertungsindex des Vorhersagemodells berechnet wird;
- wobei das Zielnetzwerkmodell an den Prozessor 10 gesendet wird, wenn der Erhöhungsbetrag die vorgegebene Erhöhungsanforderung erfüllt.
-
Das Bewerten, ob die Leistung eines Zielnetzwerkmodells besser als ein zu aktualisierendes Vorhersagemodell ist, erfolgt üblicherweise durch den Erhöhungsbetrag des Bewertungsindex, wodurch es notwendig ist, die Größe des Bewertungsindex des Zielnetzwerkmodells zu berechnen, das heißt, die Cloud 20 sagt die Verhaltensdaten jedes vorherzusagenden Verkehrsteilnehmers in dem vorherzusagenden Datensatz basierend auf dem Zielnetzwerkmodell voraus, um die entsprechende zukünftige Bewegungstrajektorie zu erhalten, dann wird die Größe des Bewertungsindex des Zielnetzwerkmodells auf der Grundlage der zukünftigen Bewegungstrajektorie, die den Verhaltensdaten jedes der vorherzusagenden Verkehrsteilnehmer entspricht, und der Bewegungstrajektorie jedes der vorherzusagenden Verkehrsteilnehmer, die durch den eigenen Sensor beobachtet werden, berechnet.
-
Beispielsweise kann es sich bei dem vorherzusagenden Datensatz um einen Satz aller Trainingsproben in der Bibliothek von Trainingsproben handeln, oder um einen anderen Satz von Trainingsproben, die für die Bewertung spezifisch sind, ohne Beschränkung auf die Ausführungsbeispiele der vorliegenden Erfindung. Die Bewertungsindex kann eine Vorhersagegenauigkeit des Modells und/oder einen absoluten Vorhersagefehler des Modells umfassen.
wobei der Erhöhungsbetrag des Bewertungsindex des Zielnetzwerkmodells relativ zum Bewertungsindex des Vorhersagemodells berechnet wird, nach dem Berechnen der Größe des Bewertungsindex des Zielnetzwerkmodells, wobei es, wenn der Erhöhungsbetrag die vorgegebene Erhöhungsanforderung erfüllt, angegeben wird, dass das Zielnetzwerkmodell eine bessere Leistung aufweist als das zu aktualisierende Vorhersagemodell, wobei zu diesem Zeitpunkt das Zielnetzwerkmodell an den Prozessor 10 gesendet werden kann.
-
Damit, wenn das Zielnetzwerkmodell erhalten wurde, wird automatisch eine Bewertung ausgelöst, und wobei das Zielnetzwerkmodell an den Prozessor 10 gesendet wird, wenn der Erhöhungsbetrag des Bewertungsindex des Zielnetzwerkmodells relativ zum Bewertungsindex des Vorhersagemodells die voreingestellte Erhöhungsanforderung erfüllt, d.h. wenn die Leistung des Zielnetzwerkmodells besser ist als die des zu aktualisierenden Vorhersagemodells, um die automatisierte Disposition des Zielnetzwerkmodells zu erreichen, wobei kein menschliches Eingreifen erforderlich ist, was die Kosten für die menschliche Arbeit erheblich verringert und einen hohen Grad an Automatisierung mit sich bringt.
-
Die Cloud 20 sendet das Zielnetzwerkmodell an den Prozessor 10, wenn die Leistung des Zielnetzwerkmodells besser als das zu aktualisierende Vorhersagemodell ist, wodurch der Prozessor 10 das Vorhersagemodell immer dann, wenn das Zielnetzwerkmodell empfangen wird, aktualisieren kann, d.h. das Vorhersagemodell wird auf das Zielnetzwerkmodell aktualisiert. Damit kann der Prozessor 10 nach dem Empfang des Zielnetzwerkmodells das Vorhersagemodell automatisch auf das Zielnetzwerkmodell aktualisieren, wobei kein menschliches Eingreifen erforderlich ist, was die Kosten für die menschliche Arbeit erheblich verringert und einen hohen Grad an Automatisierung mit sich bringt.
-
Wie aus dem Obigen ersichtlich, wird der Prozessor 10 in Ausführungsbeispielen der vorliegenden Erfindung basierend auf der durch seinen eigenen Sensor beobachteten Bewegungstrajektorie jedes Verkehrsteilnehmers die Verhaltensdaten jedes Verkehrsteilnehmers kennzeichnen, um die entsprechenden Kennzeichnungsinformationen zu erhalten, und eine automatische Kennzeichnung zum Erhalt von Kennzeichnungsinformationen anstelle einer menschlichen Offline-Kennzeichnung wird realisiert, dann werden die gefilterten ersten Verhaltensdaten und die entsprechenden Kennzeichnungsinformationen an die Cloud 20 gesendet. Wenn eine vorbestimmte automatische Triggerbedingung erfüllt ist, kann die Cloud 20 die Trainingsproben, die in der Bibliothek von Trainingsproben nach dem letzten Extrahieren der Trainingsproben gespeichert sind, extrahieren, um das Anfangsnetzwerkmodell zu trainieren, um das Zielnetzwerkmodell zu erhalten, wodurch es erreicht wird, dass das Modelltraining automatisch ausgelöst werden kann, wenn die voreingestellten automatischen Triggerbedingungen erfüllt sind, wobei dann, wenn das Zielnetzwerkmodell erhalten wurde, automatisch eine Bewertung ausgelöst wird, und wobei das Zielnetzwerkmodell an den Prozessor 10 gesendet wird, wenn das Bewertungsergebnis die Anforderung für eine Modellaktualisierung erfüllt, um die automatisierte Disposition des Zielnetzwerkmodells zu erreichen, schließlich kann der Prozessor 10 nach dem Empfang des Zielnetzwerkmodells das Vorhersagemodell automatisch als Zielnetzwerkmodell aktualisieren. Zusammenfassend ist es ersichtlich, dass für die Datenkennzeichnung, das Modelltraining, die Modellbewertung oder die Modellaktualisierung keine menschliche Teilnahme erforderlich ist, was die Personalkosten stark reduziert und einen hohen Automatisierungsgrad aufweist.
-
Ausführungsbeispiele der vorliegenden Erfindung stellen auch ein System zum Realisieren einer automatischen Iteration vom Vorhersagemodell auf der Grundlage eines Datenbetriebs bereit, wobei automatische Aktualisierung vom Vorhersagemodell mit nur einem Entwickler möglich ist, wobei die Leistungsfähigkeit der Entwickler erheblich verbessert wird, was die Entwicklungskosten reduziert.
-
Es ist für den Durchschnittsfachmann in diesem Gebiet verständlich, dass die Figuren nur schematische Diagramme eines Ausführungsbeispiels sind und die Module oder Prozesse in den Figuren nicht unbedingt notwendig sind, um die vorliegende Erfindung zu implementieren.
-
Ein Durchschnittsfachmann in diesem Gebiet kann verstehen, dass die Module in den Vorrichtungen in dem Ausführungsbeispiel auf Vorrichtungen des Ausführungsbeispiels wie in dem Ausführungsbeispiel beschrieben verteilt sein können, und die entsprechenden Variationen können in einer oder mehreren Vorrichtungen durchgeführt werden, die sich von dem vorliegenden Ausführungsbeispiel unterscheiden. Die Module der oben beschriebenen Ausführungsbeispiele können zu einem Modul kombiniert werden oder weiter in mehrere Untermodule aufgeteilt werden.
-
Es sei abschließend angemerkt, dass die vorstehenden Ausführungsbeispiele lediglich zur Erläuterung der technischen Lösungen des vorliegenden Gebrauchsmusters und nicht als Einschränkungen gedacht sind; wobei obwohl die detaillierte Beschreibung der vorliegenden Erfindung unter Bezugnahme auf die vorhergehenden Ausführungsbeispiele erfolgt ist, ist es für den Durchschnittsfachmann auf diesem Gebiet verständlich, dass die in den vorstehenden Ausführungsbeispielen beschriebenen technischen Lösungen noch modifiziert werden können, oder einige der technischen Merkmale äquivalent ersetzt werden können; diese Modifikationen und Änderungen sind jedoch nicht dazu gedacht, die Essenz der entsprechenden technischen Lösungen vom Geist und Umfang der technische Lösungen der Ausführungsbeispiele der vorliegenden Erfindung abzuweichen.
