DE112022000498T5 - TRAINING PERCEPTION MODELS USING SYNTHETIC DATA FOR AUTONOMOUS SYSTEMS AND APPLICATIONS - Google Patents
TRAINING PERCEPTION MODELS USING SYNTHETIC DATA FOR AUTONOMOUS SYSTEMS AND APPLICATIONS Download PDFInfo
- Publication number
- DE112022000498T5 DE112022000498T5 DE112022000498.3T DE112022000498T DE112022000498T5 DE 112022000498 T5 DE112022000498 T5 DE 112022000498T5 DE 112022000498 T DE112022000498 T DE 112022000498T DE 112022000498 T5 DE112022000498 T5 DE 112022000498T5
- Authority
- DE
- Germany
- Prior art keywords
- data
- vehicle
- machine
- synthetic data
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 60
- 230000008447 perception Effects 0.000 title claims description 13
- 238000000034 method Methods 0.000 claims abstract description 85
- 238000010801 machine learning Methods 0.000 claims abstract description 65
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 58
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 45
- 238000004088 simulation Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 2
- 239000003086 colorant Substances 0.000 claims 2
- 238000013459 approach Methods 0.000 abstract description 19
- 230000006978 adaptation Effects 0.000 abstract description 6
- 230000015654 memory Effects 0.000 description 57
- 230000008569 process Effects 0.000 description 35
- 238000001514 detection method Methods 0.000 description 33
- 238000004422 calculation algorithm Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 25
- 238000013527 convolutional neural network Methods 0.000 description 21
- 238000003860 storage Methods 0.000 description 19
- 238000007726 management method Methods 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 16
- 238000012800 visualization Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000002093 peripheral effect Effects 0.000 description 12
- 230000001133 acceleration Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 10
- 238000013500 data storage Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 8
- 230000000670 limiting effect Effects 0.000 description 7
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 6
- 230000009471 action Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 241000269400 Sirenidae Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000007667 floating Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 240000004050 Pentaglottis sempervirens Species 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 125000000914 phenoxymethylpenicillanyl group Chemical group CC1(S[C@H]2N([C@H]1C(=O)*)C([C@H]2NC(COC2=CC=CC=C2)=O)=O)C 0.000 description 3
- 229920002451 polyvinyl alcohol Polymers 0.000 description 3
- 235000019422 polyvinyl alcohol Nutrition 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000005669 field effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 101100248200 Arabidopsis thaliana RGGB gene Proteins 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 240000006927 Foeniculum vulgare Species 0.000 description 1
- 235000004204 Foeniculum vulgare Nutrition 0.000 description 1
- 102100030148 Integrator complex subunit 8 Human genes 0.000 description 1
- 101710092891 Integrator complex subunit 8 Proteins 0.000 description 1
- 206010034960 Photophobia Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 208000013469 light sensitivity Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000001693 membrane extraction with a sorbent interface Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 229920002994 synthetic fiber Polymers 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
In verschiedenen Beispielen werden Systeme und Verfahren offenbart, die eine Domänenanpassungstheorie verwenden, um die Realitätslücke zwischen simulierten und echten Domänen für das Training von Modellen für maschinelles Lernen zu minimieren. Zum Beispiel kann das Sampling von räumlichen Prioritäten verwendet werden, um synthetische Daten zu erzeugen, die der Vielfalt der Daten aus der echten Welt besser entsprechen. Um mit diesen synthetischen Daten Modelle zu trainieren, die auch in der echten Welt gut durchführen, können die Systeme und Verfahren der vorliegenden Offenbarung einen Diskriminator verwenden, der es einem Modell ermöglicht, domäneninvariante Darstellungen zu lernen, um die Divergenz zwischen der virtuellen Welt und der echten Welt in einem latenten Raum zu minimieren. So ermöglichen die hier beschriebenen Techniken einen prinzipiellen Ansatz zum Erlernen neuronal-invarianter Repräsentationen und einen theoretisch inspirierten Ansatz für Proben aus einem Simulator, die in Kombination das Training von maschinellen Lernmodellen mit synthetischen Daten ermöglichen.Various examples disclose systems and methods that use domain adaptation theory to minimize the reality gap between simulated and real domains for training machine learning models. For example, spatial priority sampling can be used to produce synthetic data that more closely matches the diversity of real-world data. To use this synthetic data to train models that perform well in the real world, the systems and methods of the present disclosure may use a discriminator that allows a model to learn domain-invariant representations to measure the divergence between the virtual world and the to minimize the real world in a latent space. The techniques described here enable a principled approach to learning neural-invariant representations and a theoretically inspired approach for samples from a simulator, which in combination enable the training of machine learning models with synthetic data.
Description
STAND DER TECHNIKSTATE OF THE ART
Autonome und teilautonome Fahrsysteme, einschließlich fortgeschrittener Fahrerassistenzsysteme (ADAS), können Sensoren - wie beispielsweise Kameras, LiDAR-Sensoren und RADAR-Sensoren - verwenden, um ein Verständnis für die Umgebung des Fahrzeugs zu bilden. Dieses Verständnis kann Informationen über den Standort von Objekten, Hindernissen, Verkehrsschildern, Fahrbahnoberflächen und/oder anderen Markierungen beinhalten. Autonome Fahrsysteme stützen sich auf maschinelle Lernmodelle und/oder neuronale Netze, um die Prozesse des Aufnehmens von Informationen und der Entscheidungsfindung zu unterstützen. Ein effektives maschinelles Lernmodell oder neuronales Netz erfordert ein Training mit Sammlungen echter und/oder synthetischer Trainingsdaten.Autonomous and semi-autonomous driving systems, including advanced driver assistance systems (ADAS), can use sensors - such as cameras, LiDAR sensors and RADAR sensors - to form an understanding of the vehicle's surroundings. This understanding may include information about the location of objects, obstacles, traffic signs, road surfaces and/or other markings. Autonomous driving systems rely on machine learning models and/or neural networks to support the processes of information gathering and decision making. An effective machine learning model or neural network requires training with collections of real and/or synthetic training data.
Eine gängige Strategie für das Training von Wahrnehmungsmodellen ist der Einsatz von Datensammelfahrzeugen, die riesige Mengen echter Daten aufheben, eine große Anzahl von Kommentatoren anheuern, um die Daten zu beschriften, und dann die Modelle anhand dieser Daten mit Hilfe von überwachtem Lernen trainieren. Obwohl dieser Ansatz wahrscheinlich asymptotisch erfolgreich sein wird, steigen die finanziellen und zeitlichen Kosten mit der Menge der aufzunehmenden und zu beschriftenden Daten. Des Weiteren kann eine Veränderung der Sensoren dazu führen, dass der Aufwand in großem Umfang neu gemacht werden muss. Einige Aufgaben wie beispielsweise die Kennzeichnung mehrdeutiger, weit entfernter oder verdeckter Objekte können für Menschen schwierig oder sogar unmöglich sein.A common strategy for training perceptual models is to use data collection vehicles that take massive amounts of real data, hire large numbers of annotators to label the data, and then train the models on that data using supervised learning. Although this approach is likely to be asymptotically successful, the financial and time costs increase with the amount of data to be recorded and labeled. Furthermore, changing the sensors can result in the effort having to be redone on a large scale. Some tasks, such as labeling ambiguous, distant, or obscured objects, may be difficult or even impossible for humans.
Im Vergleich dazu hat das Sammeln von Daten aus Selbstfahrsimulatoren mehrere Vorteile. Erstens weist ein Benutzer die Kontrolle über den Inhalt eines Simulators auf, wodurch sich alle Selbstfahrszenarien effizient erzeugen lassen, unabhängig davon, wie selten das Ereignis in der realen Welt sein mag. Zweitens sind im Simulator alle Informationen über den Zustand der Welt bekannt, so dass nahezu perfekte Beschriftungen für Informationen erstellt werden können, die der Mensch möglicherweise nicht richtig zuordnen kann, sowie Beschriftungen für vollständig verdeckte Objekte, die außerhalb der Simulation nur schwer oder gar nicht zu beschriften wären. Schließlich lassen sich extrinsische und intrinsische Sensoren in einem Simulator leichter kontrollieren, so dass Daten für ein festes Szenario mit einer beliebigen Sensorausrüstung aufgenommen werden können. In Anbetracht dieser Eigenschaften der Simulation wäre es wertvoll, einsatzfähige Wahrnehmungsmodelle anhand von Daten zu trainieren, die man bei einer Simulation des selbstfahrenden Autos erhält.In comparison, collecting data from self-driving simulators has several advantages. First, a user has control over the content of a simulator, allowing all self-driving scenarios to be efficiently generated, regardless of how rare the event may be in the real world. Second, all information about the state of the world is known in the simulator, allowing near-perfect labels to be created for information that humans may not be able to correctly assign, as well as labels for completely occluded objects that are difficult or impossible to identify outside of the simulation would be labeled. Finally, extrinsic and intrinsic sensors are easier to control in a simulator, allowing data to be recorded for a fixed scenario using any sensor equipment. Given these properties of the simulation, it would be valuable to train operational perception models using data obtained from a simulation of the self-driving car.
Es gibt jedoch zwei kritische Herausforderungen bei der Verwendung eines Fahrsimulators. Erstens bilden die Sensormodelle in der Simulation die Sensoren der realen Welt nicht perfekt ab. Selbst bei exakter Kalibrierung der Extrinsics und Intrinsics ist es äußerst schwierig, alle Materialien der Szene perfekt zu kennzeichnen und komplizierte Interaktionen zwischen Sensoren und Objekten zu modellieren. Zweitens ist es schwierig, Inhalte aus der realen Welt in die Simulation zu integrieren. Das Layout der Welt kann unterschiedlich sein, die Objekte sind möglicherweise nicht vielfältig genug, und synthetische Materialien, Texturen und Wetterbedingungen sind möglicherweise nicht gut auf ihre echten Gegenstücke ausgerichtet. Ferner reagieren Modelle des maschinellen Lernens - und insbesondere neuronale Netze - sehr empfindlich auf diese Diskrepanzen und sind dafür bekannt, dass sie sich nur schlecht von einer virtuellen Domäne auf eine echte Domäne verallgemeinern lassen.However, there are two critical challenges when using a driving simulator. First, the sensor models in the simulation do not perfectly represent the sensors in the real world. Even with accurate calibration of the extrinsics and intrinsics, it is extremely difficult to perfectly label all the materials in the scene and to model complicated interactions between sensors and objects. Second, it is difficult to integrate real-world content into the simulation. The layout of the world may be different, the objects may not be diverse enough, and synthetic materials, textures, and weather conditions may not be well aligned with their real-world counterparts. Furthermore, machine learning models - and neural networks in particular - are very sensitive to these discrepancies and are known to generalize poorly from a virtual domain to a real domain.
KURZDARSTELLUNG DER ERFINDUNGSUMMARY OF THE INVENTION
Ausführungsformen der vorliegenden Offenbarung beziehen sich auf das Training von Wahrnehmungsmodellen unter Verwendung synthetischer Daten für autonome Systeme und Anwendungen. Es werden Systeme und Verfahren offenbart, die die Theorie der Domänenanpassung nutzen, um die Realitätslücke zwischen simulierten und echten Domänen zu minimieren. Zum Beispiel verwenden das System und die Verfahren der vorliegenden Offenbarung Stichproben von räumlichen Prioritäten - z. B. unabhängig von der Struktur der Straße -, um synthetische Daten zu erzeugen, die der Vielfalt der Daten aus der realen Welt besser entsprechen, um die Nachteile früherer Lösungen zu berücksichtigen. Um Modelle mit synthetischen Daten zu trainieren, die auch in der echten Welt gut durchgeführt werden können, verwenden die Systeme und Verfahren der vorliegenden Offenbarung einen Diskriminator, der es einem Modell ermöglicht, domäneninvariante Darstellungen zu lernen, um die Divergenz zwischen der virtuellen Welt und der echten Welt in einem latenten Raum zu minimieren. Durch die Minimierung der Divergenz in einem Darstellungsraum kann der Algorithmus zur Anpassung der Domäne unabhängig von verschiedenen Sensoren und Architekturen sein. Um das Training ferner zu verbessern, können Pseudo-Kennzeichnungen mit Hilfe von Konfidenz-Levels in den Vorhersagen des Modells erzeugt werden, um das Modell während des Trainings mit echten Daten zu konfrontieren. So ermöglichen die hier beschriebenen Techniken einen prinzipiellen Ansatz zum Erlernen neuronalinvarianter Repräsentationen und einen theoretisch inspirierten Ansatz für Proben aus einem Simulator, die in Kombination das Training von maschinellen Lernmodellen - und insbesondere von neuronalen Netzen - unter Verwendung simulierter Daten ermöglichen. Auf diese Weise wird der Umfang der Rechen- und Zeitressourcen, die für das Training eines genauen und präzisen Modells für den Einsatz in der realen Welt erforderlich sind, in Bezug auf herkömmliche Trainingsansätze erheblich verringert.Embodiments of the present disclosure relate to training perceptual models using synthetic data for autonomous systems and applications. Systems and methods are disclosed that utilize domain adaptation theory to minimize the reality gap between simulated and real domains. For example, the system and methods of the present disclosure use sampling spatial priorities - e.g. B. independent of the structure of the road - to produce synthetic data that more closely matches the diversity of real-world data, to take into account the disadvantages of previous solutions. To train models on synthetic data that perform well in the real world, the systems and methods of the present disclosure use a discriminator that allows a model to learn domain-invariant representations to determine the divergence between the virtual world and the to minimize the real world in a latent space. By minimizing divergence in a representation space, the domain adaptation algorithm can be independent of different sensors and architectures. To further improve training, pseudo labels can be created using confidence Levels in the model's predictions are created to confront the model with real data during training. Thus, the techniques described here enable a principled approach to learning neural-invariant representations and a theoretically inspired approach to samples from a simulator, which in combination enable the training of machine learning models - and in particular neural networks - using simulated data. In this way, the amount of computational and time resources required to train an accurate and precise model for use in the real world is significantly reduced with respect to traditional training approaches.
KURZE BESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF THE DRAWINGS
Die vorliegenden Systeme und Verfahren zum Training von Wahrnehmungsmodellen unter Verwendung synthetischer Daten für autonome Systeme und Anwendungen werden im Folgenden unter Bezugnahme auf die im Anhang befindlichen Figuren ausführlich beschrieben, wobei Folgendes gilt:
-
1 ist eine Veranschaulichung eines beispielhaften Datenflussdiagramms für einen Prozess des Trainings eines maschinellen Lernmodells unter Verwendung synthetischer Daten gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
2 beinhaltet gemäß einigen Ausführungsformen der vorliegenden Offenbarung Veranschaulichungen von beispielhaften induzierten Randbedingungen für verschiedene Stichprobenstrategien; -
3A beinhaltet gemäß einigen Ausführungsformen der vorliegenden Offenbarung Beispielvisualisierungen für die Verwendung verschiedener Stichprobenstrategien in einem Simulator; -
3B veranschaulicht Diagramme, die gemäß einigen Ausführungsformen der vorliegenden Offenbarung verschiedenen Parametern zur Erzeugung von Szenen in einem Simulator entsprechen; -
4 veranschaulicht das Training eines maschinellen Lernmodells unter Verwendung synthetischer Daten gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
5 ist ein Flussdiagramm, das ein Verfahren zum Trainieren eines maschinellen Lernmodells unter Verwendung synthetischer Daten gemäß einigen Ausführungsformen der vorliegenden Offenbarung zeigt; -
6A ist eine Veranschaulichung eines beispielhaften autonomen Fahrzeugs gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
6B ist ein Beispiel für Kamerapositionen und Sichtfelder des beispielhaften autonomen Fahrzeugs aus6A gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
6C ist ein Blockdiagramm einer beispielhaften Systemarchitektur für das beispielhafte autonome Fahrzeug aus6A gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
6D ist ein Systemdiagramm für die Kommunikation zwischen (einem) cloudbasierten Server(n) und dem beispielhaften autonomen Fahrzeug aus6A gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
7 ist ein Blockdiagramm einer beispielhaften Rechenvorrichtung, die zur Verwendung bei der Implementierung einiger Ausführungsformen der vorliegenden Offenbarung geeignet ist; und -
8 ist ein Blockdiagramm eines beispielhaften Rechenzentrums, das zur Verwendung bei der Implementierung einiger Ausführungsformen der vorliegenden Offenbarung geeignet ist.
-
1 is an illustration of an example data flow diagram for a process of training a machine learning model using synthetic data, according to some embodiments of the present disclosure; -
2 includes illustrations of example induced constraints for various sampling strategies, according to some embodiments of the present disclosure; -
3A includes example visualizations for using various sampling strategies in a simulator, according to some embodiments of the present disclosure; -
3B illustrates diagrams corresponding to various parameters for generating scenes in a simulator, according to some embodiments of the present disclosure; -
4 illustrates training a machine learning model using synthetic data in accordance with some embodiments of the present disclosure; -
5 is a flowchart depicting a method for training a machine learning model using synthetic data in accordance with some embodiments of the present disclosure; -
6A is an illustration of an example autonomous vehicle in accordance with some embodiments of the present disclosure; -
6B is an example of camera positions and fields of view of the exemplary autonomous vehicle6A according to some embodiments of the present disclosure; -
6C is a block diagram of an example system architecture for the example autonomous vehicle6A according to some embodiments of the present disclosure; -
6D is a system diagram for communication between cloud-based server(s) and the example autonomous vehicle6A according to some embodiments of the present disclosure; -
7 is a block diagram of an example computing device suitable for use in implementing some embodiments of the present disclosure; and -
8th is a block diagram of an example data center suitable for use in implementing some embodiments of the present disclosure.
DETAILLIERTE BESCHREIBUNG DER ERFINDUNGDETAILED DESCRIPTION OF THE INVENTION
Es werden Systeme und Verfahren offenbart, die sich relativ zu dem Training von Wahrnehmungsmodellen für autonome Systeme und Anwendungen unter Verwendung synthetischer Daten beziehen. Obwohl die vorliegende Offenbarung in Bezug auf ein Beispiel für ein autonomes Fahrzeug 600 (hier alternativ als „Fahrzeug 600“ oder „Ego-Maschine 600“ bezeichnet) beschrieben werden kann, wird ein Beispiel davon auf
Die hier beschriebenen Systeme und Verfahren können ohne Einschränkung von nicht-autonomen Fahrzeugen, halbautonomen Fahrzeugen (z. B. in einem oder mehreren adaptiven Fahrerassistenzsystemen (ADAS)), gelenkten und ungelenkten Robotern oder Roboterplattformen, Lagerfahrzeugen, Geländefahrzeugen, Fahrzeugen, die mit einem oder mehreren Anhängern gekoppelt sind, fliegenden Gefäßen, Booten, Shuttles, Rettungsfahrzeugen, Motorrädern, elektrischen oder motorisierten Fahrrädern, Flugzeugen, Baufahrzeugen, Unterwasserfahrzeugen, Drohnen und/oder anderen Fahrzeugtypen verwendet werden. Ferner können die hierin beschriebenen Systeme und Verfahren für eine Vielzahl von Zwecken verwendet werden, z. B. und ohne Einschränkung für die Steuerung von Maschinen, die Fortbewegung von Maschinen, das Fahren von Maschinen, die Erzeugung synthetischer Daten, das Training von Modellen, die Wahrnehmung, die erweiterte Realität, die virtuelle Realität, die gemischte Realität, die Robotik, die Sicherheit und Überwachung, die Simulation und das digitale Twinning, autonome oder halbautonome Anwendungen von Maschinen, Deep Learning, die Simulation von Umgebungen, die Simulation von Objekten oder Akteuren und/oder das digitale Twinning, die Verarbeitung von Rechenzentren, die Konversations-Kl, die Simulation des Leichtverkehrs (z. B, Ray-Tracing, Path-Tracing usw.), kollaborative Inhaltserstellung für 3D-Assets, Cloud Computing und/oder jegliche andere geeignete Anwendung.The systems and methods described herein may be used, without limitation, by non-autonomous vehicles, semi-autonomous vehicles (e.g. in one or more adaptive driver assistance systems (ADAS)), guided and unguided robots or robotic platforms, warehouse vehicles, off-road vehicles, vehicles equipped with a or coupled to multiple trailers, flying vessels, boats, shuttles, rescue vehicles, motorcycles, electric or motorized bicycles, aircraft, construction vehicles, underwater vehicles, drones and/or other types of vehicles. Furthermore, the systems and methods described herein can be used for a variety of purposes, e.g. B. and without limitation for the control of machines, the locomotion of machines, the driving of machines, the generation of synthetic data, the training of models, perception, augmented reality, virtual reality, mixed reality, robotics, the Security and surveillance, simulation and digital twinning, autonomous or semi-autonomous applications of machines, deep learning, simulation of environments, simulation of objects or actors and/or digital twinning, data center processing, conversational computing, the Light traffic simulation (e.g., ray tracing, path tracing, etc.), collaborative content creation for 3D assets, cloud computing and/or any other suitable application.
Die offenbarten Ausführungsformen können eine Vielzahl unterschiedlicher Systeme umfassen, wie beispielsweise automobile Systeme (z. B., ein Steuerungssystem für eine autonome oder halbautonome Maschine, ein Wahrnehmungssystem für eine autonome oder halbautonome Maschine), Systeme, die unter Verwendung eines Roboters implementiert werden, Luftfahrtsysteme, mediale Systeme, Bootssysteme, Systeme zur Überwachung intelligenter Bereiche, Systeme zum Durchführen von Deep Learning-Operationen, Systeme zum Durchführen von Simulationsoperationen, Systeme zum Durchführen von digitalen Zwillingsoperationen, Systeme, die unter Verwendung einer Edge-Vorrichtung implementiert werden, Systeme, die eine oder mehrere virtuelle Maschinen (VMs) enthalten, Systeme zum Durchführen von Operationen zur Erzeugung synthetischer Daten, Systeme, die zumindest teilweise in einem Rechenzentrum implementiert sind, Systeme zum Durchführen von Konversations-Kt-Operationen, Systeme zum Durchführen von Lichttransport-Simulationen, Systeme zum Durchführen von kollaborativer Inhaltserstellung für 3D-Assets, Systeme, die zumindest teilweise unter Verwendung von Cloud-Rechenressourcen implementiert sind, und/oder andere Arten von Systemen.The disclosed embodiments may include a variety of different systems, such as automotive systems (e.g., a control system for an autonomous or semi-autonomous machine, a perception system for an autonomous or semi-autonomous machine), systems implemented using a robot, aviation systems , media systems, boat systems, systems for monitoring intelligent areas, systems for performing deep learning operations, systems for performing simulation operations, systems for performing digital twin operations, systems implemented using an edge device, systems that are a or multiple virtual machines (VMs), systems for performing synthetic data generation operations, systems that are at least partially implemented in a data center, systems for performing conversational Kt operations, systems for performing light transport simulations, systems for Perform collaborative content creation for 3D assets, systems implemented at least in part using cloud computing resources, and/or other types of systems.
Auch wenn die Ausgaben der hier beschriebenen maschinellen Lernmodelle in erster Linie als Segmentierungskarten aus der Vogelperspektive beschrieben werden, ist dies nicht als Einschränkung zu verstehen. Zum Beispiel können die Ausgaben des/der maschinellen Lernmodelle(s) aus jeder beliebigen Perspektive erfolgen (z. B. aus der Vogelperspektive, aus der Perspektive (z. B. aus der Perspektive des Sensors), projiziert usw.), ohne den Rahmen der vorliegenden Offenbarung zu sprengen. Darüber hinaus können die Ausgaben des/der maschinellen Lernmodelle(s) eine andere Art von Maske, eine Klassifizierung, eine Konfidenz, eine Wahrscheinlichkeit, eine binäre Ausgabe und/oder eine andere Ausgabeart beinhalten, auch wenn sie in erster Linie als Segmentierungskarte für Objekte beschrieben werden.Although the outputs of the machine learning models described here are described primarily as bird's-eye segmentation maps, this should not be construed as a limitation. For example, the outputs of the machine learning model(s) may be from any perspective (e.g., bird's-eye view, perspective (e.g., sensor's perspective), projected, etc.), excluding the frame of the present revelation. In addition, the outputs of the machine learning model(s) may include another type of mask, classification, confidence, probability, binary output and/or another type of output, even if described primarily as a segmentation map for objects become.
Unter Bezugnahme auf
Der Prozess 100 beinhaltet eine effektive Technik für Proben von Daten, z. B. von einem Selbstfahrsimulator, die simulatorunabhängig und in der Praxis einfach zu implementieren ist. Der Prozess 100 kann auf dem Prinzip der Verringerung des Abstands zwischen den Rändern der Kennzeichnungen aufbauen, wodurch die Domänenlücke verringert wird und es adversen Frameworks ermöglicht wird, in einem Repräsentationsraum (z. B. einem latenten Raum) sinnvoll zu lernen. Der Prozess 100 kann Verfahren zur Minimierung von Diskrepanzen, die z. B. Pearson x2 verwenden, auf Aufgaben der dichten Vorhersage verallgemeinern. In einigen Ausführungsformen kann der Prozess 100 das Kombinieren von Domänen-Adversarial-Verfahren mit Pseudo-Kennzeichnungen 116 beinhalten. Obwohl Ausführungsformen beschrieben werden, bei denen in der Zieldomäne (z. B. der realen Welt) keine Kennzeichnungen verfügbar sind, können in einigen Ausführungsformen Kennzeichnungen in der Zieldomäne verfügbar sein, um die Leistung des Prozesses 100 beim Training eines oder mehrerer maschineller Lernmodelle 112 ferner zu steigern.The
Die Verallgemeinerungsfähigkeiten eines oder mehrerer maschineller Lernmodelle 112 unter Verteilungsänderungen können durch die Analyse eines entsprechenden binären Klassifikators des oder der maschinellen Lernmodelle 112 erlernt werden. Als solches kann der Prozess 100 die Theorie der Domänenanpassung implementieren und davon ausgehen, dass die Domäne der Ausgabe y = {0, 1} ist, und die mathematische Analyse auf die Einstellung der binären Klassifizierung beschränken. Ein Simulator 106 kann automatisch Beschriftungen für eine Aufgabe erzeugen, und diese vom Simulator 106 erhaltenen Datenproben können als synthetischer (oder simulierter) Datensatz (S) (z. B. synthetische Daten 108) mit beschrifteten Datenpunkten
Die synthetischen Daten 108 können auf jeglichem Wege erzeugt werden - z. B. durch Domänen-Randomisierung, Stilübertragung usw. Basierend auf den Leistungsergebnissen während des Experiments können die synthetischen Daten 108 (z. B. entsprechend dem Datensatz S) im Prozess 100 jedoch aus einer Domänenanpassungsperspektive erzeugt werden, mit dem Ziel, den Mangel an beschrifteten Daten in der Ziel-Domäne (z. B. in der realen Welt 110, wie durch den Datensatz T dargestellt) durch Überführen von Wissen aus einer beschrifteten Quell-Domäne (z. B. einer virtuellen oder simulierten Welt) zu bewältigen.The
In einigen Ausführungsformen können zum Ausführen des Prozesses 100 verschiedene Annahmen getroffen werden. Zum Beispiel können die Quelleneingaben
Die Hypothesen h (z. B. das/die maschinelle(n) Lernmodell(e) 112) können als die Zusammensetzung von h = ĥ◦g mit g : X→Z und ĥ:Z → Y interpretiert werden, wobei Z ein Repräsentationsraum (z. B. ein latenter Raum) ist. So kann die Hypothesenklasse als H := {ĥ◦h:ĥ ∈ Ĥ, g ∈ G} definiert werden, wie beispielsweise h ∈ H. Eine Generalisierungsgrenze kann dann verwendet werden, um die Generalisierungsleistung eines Modells h zu messen.The hypotheses h (e.g. the machine learning model(s) 112) can be interpreted as the composition of h = ĥ◦g with g : X→Z and ĥ:Z → Y, where Z is a representation space (e.g. a latent space). So the hypothesis class can be defined as H := {ĥ◦h:ĥ ∈ Ĥ, g ∈ G}, such as h ∈ H. A generalization limit can then be used to measure the generalization performance of a model h.
In einigen Ausführungsformen kann das folgende Theorem (1) verwendet werden, um zu bestimmen, wie gut ein oder mehrere Modelle des maschinellen Lernens 112 von der virtuellen zur echten Welt verallgemeinert werden können. Angenommen, dass I: YxY → [0,1] an und
Der zweite Begriff des Theorems entspricht der Diskrepanz zwischen den Randverteilungen Ps(x) und Pt(x) - z. B. wie unähnlich die virtuelle und die echte Welt aus der Sicht eines Beobachters sind. Der dritte Begriff misst die ideale gemeinsame Hypothese (λ*), die den Begriff der Anpassungsfähigkeit beinhaltet und auf die Unähnlichkeit zwischen den Kennzeichnungsfunktionen zurückgeführt werden kann.The second term of the theorem corresponds to the discrepancy between the marginal distributions P s (x) and Pt(x) - z. E.g. how dissimilar the virtual and real worlds are from the perspective of an observer. The third term measures the ideal common hypothesis (λ*), which includes the notion of adaptability and can be attributed to the dissimilarity between the label functions.
Bei der traditionellen Anpassung von Domänen sind zwei Ansätze am gebräuchlichsten, die davon abhängen, welche Annahmen an λ* gestellt werden. Der erste Ansatz geht davon aus, dass der letzte Begriff in Theorem (1) vernachlässigbar ist, und das Lernen wird adversarisch durchgeführt, indem das Risiko in der Domäne der Quelle und die Domänendiskrepanz in Z minimiert werden. Der zweite Ansatz bringt Neugewichtungsschemata ein, um die Unähnlichkeit zwischen den Kennzeichnungs-Marginals Ps(y) und Pt(y) zu berücksichtigen, die entweder implizit oder explizit sein kann. In dem Prozess 100 besteht jedoch eine Kontrolle über die synthetischen Daten 108, da die synthetischen Daten 108 vom Simulator 106 abgerufen werden. So ermöglicht der Prozess 100 die Kontrolle z. B. der Klassen von Objekten, der Häufigkeit des Auftretens von Objekten, der Variationen im Aussehen oder der Klasse von Objekten und/oder der Standorte, an denen die Objekte angeordnet sind. Infolgedessen zeigt Theorem (1) an, dass der Prozess der Datenerzeugung so durchgeführt werden sollte, dass λ* vernachlässigbar ist. Wenn dies der Fall ist, liegt der Schwerpunkt auf dem Lernen invarianter Darstellungen. Um dies zu erreichen, beinhaltet der Prozess 100 eine Datengenerierungsprozedur unter Verwendung eines Prior-Generators 102 (z. B. zur Erzeugung eines räumlichen Priors) und einen Trainingsalgorithmus, der von einer Trainingsmaschine 114 ausgeführt wird. Die Trainingsstrategie wurde basierend auf der Wichtigkeit der Kontrolle der Unähnlichkeit zwischen den Etikettenrandwerten Ps(y) und Pt(y) bestimmt. Dies wird veranschaulicht, indem man eine untere Grenze befolgt, wie sie mit Bezug auf Theorem (2) beschrieben ist. Zum Beispiel, angenommen, dass DJS(Ps(y)||Pt(Y)) ≥ DJS(Ps(z)||Pt(z)) und DJS der Jensen-Shannon-Divergenz entspricht, dann kann Theorem (2) wie folgt definiert werden:
Theorem (2) ist wichtig, um eine untere Schranke für das gemeinsame Risiko anzuordnen, und ist nützlich für Algorithmen, die darauf abzielen, domäneninvariante Repräsentationen zu lernen. In dem Prozess 100 veranschaulicht Theorem (2) die Bedeutung des Verfahrens zur Erzeugung von Daten im Simulator 106. Wenn die synthetischen Daten 108 absichtlich aus dem Simulator 106 entnommen werden und Objekte so positioniert werden, dass es zu Abweichungen zwischen der echten und der virtuellen Welt kommt, hilft es möglicherweise nicht, einfach nur das Risiko in der Domäne der Quelle und die Diskrepanz zwischen der Domäne der Quelle und der des Ziels im Repräsentationsraum zu minimieren. So kann das Versäumnis, die Marginalien auszurichten, den Prozess 100 daran hindern, SoTA Algorithmen für adversariales Lernen zu verwenden.Theorem (2) is important for imposing a lower bound on the joint risk and is useful for algorithms that aim to learn domain-invariant representations. In the
Um dem Rechnung zu tragen, sind die Datenstichprobentechniken im Prozess 100 wirksam, um synthetische Daten 108 zu erzeugen, die die Wahrscheinlichkeit einer Nichtübereinstimmung zwischen den Etikettenmarginalen in der Ziel- und Quellendomäne verringern. Zum Beispiel können in einigen Ausführungsformen räumliche Prioritäten mit dem Prioritätsgenerator 102 erzeugt werden, der auf ein System ausgerichtet ist, in dem es keine echten beschrifteten Daten gibt. Als weiteres Beispiel können in Ausführungsformen, in denen einige wenige Datenpunkte in der Ziel-Domäne (z. B. in der realen Welt) beschriftet sind, diese Beschriftungen verwendet werden, um einen Prior für die Positionen der Objekte in der Szene zu schätzen.To accommodate this, the data sampling techniques in the
Zum Beispiel wurden in früheren Ansätzen die Positionen von Objekten basierend auf der Struktur oder dem Layout einer Straße oder eines Weges und/oder basierend auf dem befahrbaren Bereich einer Karte ermittelt. Wie in
Wenn keine Beschriftungen in der Ziel-Domäne verfügbar sind, kann die Divergenz zwischen den Beschriftungsrandwerten P(y) zwischen den erzeugten und den echten Daten nicht gemessen werden. Wenn jedoch z. B. eine Segmentierungskarte aus der Vogelperspektive vorliegt, kann ein empirisch ausgewählter räumlicher Prior erzeugt werden, der Positionen mit einer hohen Wahrscheinlichkeit für das Auffinden eines Objekts darstellt. Zum Beispiel kann, wie in der Visualisierung 206 in
Diese Werte von Gleichung (3) können einer linearen Interpolation zwischen einer Wahrscheinlichkeit proportional zu 0,0 für |x2| = 50 Meter, 0,5 für |x2| = 12,5 Meter und 0,6 für |x2| = 0 Meter entsprechen. So modelliert der räumliche Prior Präumlich die Beobachtung, dass sich andere Objekte im Allgemeinen entlang der Längsachse (z. B. von vorne nach hinten) der Ego-Maschine befinden. Die Dichte ist unabhängig von x1, das den Präumlich auf einer geraden Straße modelliert. Demzufolge ist es für jedes x gleich wahrscheinlich, dass sich ein Objekt x̂1 Meter vor oder hinter der Ego-Maschine x̂1 ∈ ℝ befindet.These values of equation (3) can be a linear interpolation between a probability proportional to 0.0 for |x 2 | = 50 meters, 0.5 for |x 2 | = 12.5 meters and 0.6 for |x 2 | = correspond to 0 meters. Thus, the spatial prior P spatially models the observation that other objects are generally located along the long axis (e.g., front to back) of the ego machine. The density is independent of x 1 , which spatially models the P on a straight road. Therefore, for each x, it is equally likely that an object x̂ 1 meter is in front of or behind the ego machine x̂ 1 ∈ ℝ.
Zum Beispiel veranschaulicht
In einigen Ausführungsformen kann zusätzlich oder alternativ zur Verwendung der räumlichen Priorität eine Zielpriorität basierend auf einem Datensatz in einer Zieldomäne erzeugt werden, der Beschriftungen beinhaltet. Zum Beispiel gibt es in der praktischen Anwendung oft nur einen kleinen Anteil an Daten, die in der Ziel-Domäne verfügbar sind. In solchen Szenarien bestünde ein natürlicher Prior für Stichproben darin, Pt(y) zu berechnen und darauf basierend die synthetischen Daten zu erzeugen. Je nachdem, wie groß die Datenmenge in der Zieldomäne ist, kann der Prior eine Mischung aus dem räumlichen Prior und dem Zielprior (z. B. αPspatial + (1 - α)Pt). beinhalten. In einem solchen Beispiel können die Standorte der Objekte aus dem Zielprior, dem räumlichen Prior oder einer Kombination davon für jegliches α ∈ [0,1].In some embodiments, in addition or alternatively to using spatial priority, a target priority may be generated based on a data set in a target domain that includes labels. For example, in practical applications there is often only a small proportion of data available in the target domain. In such scenarios, a natural sampling prior would be to calculate P t (y) and generate the synthetic data based on that. Depending on how large the amount of data is in the target domain, the prior can be a mixture of the spatial prior and the target prior (e.g. αPspatial + (1 - α)Pt). include. In such an example, the locations of the objects can be chosen from the target prior, the spatial prior, or a combination thereof for any α ∈ [0,1].
Neben der Auswahl der Standorte von Objekten aus den Raum- und/oder Zielprioritäten können auch andere Szeneninformationen 104 verwendet werden, um einen synthetischen Datensatz 108 zu erzeugen, der vielfältig ist und die Divergenz zwischen der Ziel- und der Quellendomäne minimiert. Zum Beispiel können die Szeneninformationen die Anzahl der Objekte, die Position der Objekte, die Farbe der Objekte, die Art der Objekte, die intrinsischen Sensorparameter, die extrinsischen Kameraparameter, das Wetter und/oder andere Szeneninformationen 104 beinhalten. In einigen Ausführungsformen können die Szeneninformationen 104 nach dem Zufallsprinzip, basierend auf einem bestehenden Datensatz und/oder unter Verwendung einer anderen Technik abgetastet werden. Zum Beispiel veranschaulicht
In einigen Ausführungsformen können diese Statistiken abgeglichen werden, wenn Daten (z. B. Szeneninformationen 104) aus dem Simulator 106 abgerufen werden.In some embodiments, these statistics may be reconciled when data (e.g., scene information 104) is retrieved from the
Bezogen auf das Wetter kann es je nach Simulator 106 unterschiedliche Wettereinstellungen geben. Zum Beispiel kann es Kontrollen für Bewölkung, Niederschlag, Niederschlagsablagerungen (z. B. Pfützen), Windstärke, Nässe, Nebeldichte, Sonnenstandswinkel usw. geben. In Ausführungsformen kann das Wetter zufällig aus x ~ Unif(0,v) für v ∈ {0,2,0,4,0,6,0,8,1,0} und/oder kategorisch aus den je vorliegenden Wettereinstellungen des Simulators 106 entnommen werden. Auf der Grundlage von Experimenten wurde bestimmt, dass die Verwendung einer „sonnigen“ Wettereinstellung für alle Daten und das Sampling der Objektpositionen unter Verwendung eines räumlichen Priors einen Großteil des Verlustes an Wettervielfalt kompensieren kann, insbesondere im Vergleich zum Sampling nur aus der „sonnigen“ Wettereinstellung und dem Sampling von Objektpositionen basierend auf früheren Ansätzen.Regarding the weather, there can be 106 different weather settings depending on the simulator. For example, there may be controls for cloud cover, precipitation, precipitation deposits (e.g. puddles), wind strength, wetness, fog density, sun angle, etc. In embodiments, the weather can be randomly selected from x ~ Unif(0,v) for v ∈ {0,2,0,4,0,6,0,8,1,0} and/or categorically from the simulator's
In einigen Ausführungsformen können die erzeugten synthetischen Daten 108 nachbearbeitet werden, bevor sie für das Training des/der maschinellen Lernmodelle(s) 112 verwendet werden. Zum Beispiel können die synthetischen Daten 108 bearbeitet oder erweitert werden, um einen realistischeren Eindruck bereitzustellen, wie beispielsweise durch das Aufbringen von Vignetten-, Kornflimmern-, Aufhellungs-, Belichtungsautomatik-, Linsenreflexions- und/oder Schärfentiefe-Effekten in der Nachbearbeitung.In some embodiments, the generated
Unter Verwendung der vom Simulator 106 erzeugten synthetischen Daten 108 in Kombination mit den realen Daten 110 können in Ausführungsformen das/die maschinelle(n) Lernmodell(e) 112 trainiert werden (z. B. können ein oder mehrere Parameter - wie Gewichte und Vorspannen - des/der maschinellen Lernmodell(e) 112 unter Verwendung der Daten 108 und 110 als Eingang aktualisiert oder angepasst werden), wobei eine Trainingsmaschine 114 verwendet wird. Zum Beispiel können die Parameter des/der maschinellen Lernmodelle(s) 112 aktualisiert werden, bis ein akzeptables Level an Genauigkeit oder Präzision erreicht ist (z. B. bis Konvergenz erreicht ist). Da die synthetischen Daten 108 mit Hilfe einer simulatorunabhängigen Stichprobenstrategie erzeugt werden, kann jeder beliebige Simulator 106 verwendet werden, um die synthetischen Daten 108 mit einer ausreichenden Vielfalt zu erzeugen, um den Abstand zwischen den Etikettenrändern zu minimieren. Wie basierend auf dem obigen Theorem (1) festgestellt wurde, sollte der Abstand zwischen den Verteilungen der Eingaben Ps(x) und Pt(x) minimiert werden, um die Leistung in der echten Welt zu verbessern. Der Trainingsalgorithmus der vorliegenden Offenbarung erreicht dies durch das Erlernen domäneninvarianter Repräsentationen und die Minimierung der Divergenz zwischen der virtuellen und der echten Welt in einem latenten Raum Z. Die Minimierung der Divergenz in einem latenten Raum ermöglicht es den Algorithmen zur Anpassung der Domäne, sensor- und architekturunabhängig zu sein. Ohne die Sampling-Strategie der vorliegenden Offenbarung wäre das effektive Erlernen invarianter Repräsentationen durch adversariales Lernen weniger effektiv. Daher ermöglicht die Kombination aus dem adversen Trainingsalgorithmus und der Sampling-Strategie zum Erzeugen der synthetischen Daten 108 das Erlernen der invarianten Darstellungen der Domäne. Darüber hinaus können in Ausführungsformen Pseudo-Labels 116 verwendet werden, um die Trainingsalgorithmen ferner zu verbessern und die Genauigkeit und Präzision des/der maschinellen Lernmodelle(s) 112 zu erhöhen.Using the
Der Trainingsalgorithmus kann gleichzeitig den Fehler der Domäne der Quelle minimieren und die beiden Verteilungen (z. B. virtuelle und echte) in einem Repräsentationsraum Z ausrichten. Ein Ziel des Trainings ist es, eine Hypothese h zu finden, die gemeinsam die ersten beiden Begriffe von Theorem (1) minimiert. Angenommen h:X→Y mit Y ⊆ ℝh·v , was einer pixelweisen binären Segmentierungskarte der Dimensionen h bzw. w entspricht, wobei X einer ungeordneten Menge von Multiview-Bildern für die Kamera-Vogelperspektive (BEV)-Segmentierung X ⊆ ℝN·3·H·W und einer Punkt-Cloud für die LiDAR-basierte BEV-Segmentierung X ⊆ ℝ3·N entspricht. Die Zielfunktion kann dann auf eine kontradiktorische Weise formuliert werden, indem zum Beispiel das Ziel der Gleichung (4) minimiert wird:
Wie in
In einigen Ausführungsformen kann zusätzlich zu dem Ziel aus Gleichung (4) ein Pseudo-Verlust verwendet werden, wie beispielsweise in Gleichung (6) unten:
Das (die) maschinelle(n) Lernmodell(e) 112 kann (können) jede Art von maschinellem Lernmodell oder -algorithmus beinhalten, wie beispielsweise ein maschinelles Lernmodell (maschinelle Lernmodelle), das (die) lineare Regression, logistische Regression, Entscheidungsbäume, Support Vector Machines (SVM), Naive Bayes, k-nearest neighbor (Knn), K means clustering, random forest, Algorithmen zur Dimensionalitätsreduktion, Gradient-Boosting-Algorithmen, neuronale Netze (z. B., Auto-Encoder, Faltungsalgorithmen, rekurrente Algorithmen, Perceptrons, Lang-/Kurzzeitspeicher/LSTM, Hopfield, Boltzmann, Deep Belief, Dekonvolution, generative adversarische Algorithmen, Liquid State Machine usw.), Algorithmen zur Detektion von Interessensgebieten, Algorithmen für das maschinelle Sehen und/oder andere Arten von Algorithmen oder maschinelle Lernmodelle.The machine learning model(s) 112 may include any type of machine learning model or algorithm, such as a machine learning model(s) that supports linear regression, logistic regression, decision trees, etc Vector Machines (SVM), Naive Bayes, k-nearest neighbor (Knn), K means clustering, random forest, dimensionality reduction algorithms, gradient boosting algorithms, neural networks (e.g., auto-encoders, convolution algorithms, recurrent algorithms , Perceptrons, Long/Short Term Memory/LSTM, Hopfield, Boltzmann, Deep Belief, Deconvolution, Generative Adversary Algorithms, Liquid State Machine, etc.), interest detection algorithms, computer vision algorithms and/or other types of algorithms or machine Learning models.
Wie in
NetzDas Verfahren 500 beinhaltet in Block B504 das Erzeugen von synthetischen Daten, die zumindest teilweise auf den Positionen eines oder mehrerer Objekte basieren und ein oder mehrere Objekte an den Positionen eines oder mehrerer Objekte enthalten. Zum Beispiel kann unter Verwendung der abgetasteten Standorte der Objekte und/oder anderer Szeneninformationen 104 eine Szene in einem Simulator 106 erzeugt werden und die synthetischen Daten 108 können aus der Szene erzeugt werden.
Das Verfahren 500 beinhaltet im Block B506 die Aktualisierung eines oder mehrerer Parameter eines maschinellen Lernmodells unter Verwendung eines Diskriminators, zumindest teilweise basierend auf den synthetischen Daten und den Daten der echten Welt. Zum Beispiel können mit Hilfe eines Diskriminators h' ein oder mehrere maschinelle Lernmodelle 112 für den Einsatz in der realen Welt unter Verwendung der synthetischen Daten 108 und der echten Daten 110 trainiert werden. In Ausführungsformen können Pseudo-Kennzeichnungen für Datenpunkte erzeugt werden, bei denen die Konfidenz der Ausgabe des/der maschinellen Lernmodelle(s) 112 über einer Konfidenzschwelle liegt (z. B. 0,85, 0,9 usw.). In einer weiteren Trainingsepoche können die Pseudo-Kennzeichnungen dann als Grundlage für das weitere Training des/der maschinellen Lernmodelle(s) 112 verwendet werden.The
BEISPIELHAFTES AUTONOMES FAHRZEUGEXEMPLARY AUTONOMOUS VEHICLE
Das Fahrzeug 600 kann Komponenten wie Chassis, Karosserie, Räder (z. B. 2, 4, 6, 8, 18 usw.), Reifen, Achsen und andere Komponenten eines Fahrzeugs beinhalten. Das Fahrzeug 600 kann ein Antriebssystem 650 enthalten, wie z. B. einen Verbrennungsmotor, ein Hybrid-Elektro-Antriebsmaschine, einen vollelektrischen Motor und/oder einen anderen Antriebstyp. Das Antriebssystem 650 kann an einen Antriebsstrang des Fahrzeugs 600 angeschlossen werden, der ein Getriebe enthalten kann, um den Antrieb des Fahrzeugs 600 zu ermöglichen. Das Antriebssystem 650 kann als Reaktion auf den Empfang von Signalen des Gaspedals/Gashebel 652 gesteuert werden.The
Ein Lenksystem 654, das möglicherweise ein Lenkrad enthält, kann verwendet werden, um das Fahrzeug 600 zu lenken (z. B. entlang eines gewünschten Wegs oder Route), wenn das Antriebssystem 650 in Betrieb ist (z. B. wenn das Fahrzeug in Bewegung ist). Das Lenksystem 654 kann Signale von einem Lenkaktuator 656 empfangen. Für die vollständige Automatisierungsfunktionalität (Stufe 5) kann das Lenkrad optional sein.A
Das Bremssensorsystem 646 kann zur Betätigung der Fahrzeugbremsen verwendet werden, wenn Signale von den Bremsaktuatoren 648 und/oder Bremssensoren empfangen werden.The
Controller 636, die ein oder mehrere System-on-Chips (SoCs) 604 (
Der/die Controller 636 kann/können die Signale zur Steuerung einer oder mehrerer Komponenten und/oder Systeme des Fahrzeugs 600 als Reaktion auf Sensordaten bereitstellen, die von einem oder mehreren Sensoren (z. B. Sensoreingaben) empfangen werden. Die Sensordaten können beispielsweise und ohne Einschränkung von globalen Satellitennavigationssystem(„GNSS“)-Sensoren 658 (z. B. Global Positioning System Sensor(en)), RADAR-Sensor(en) 660, Ultraschallsensor(en) 662, LIDAR-Sensor(en) 664, Trägheitsmesseinheits-Sensor(en) (IMU) 666 (z. B. Beschleunigungsmesser, Gyroskop(e), Magnetkompass(e), Magnetometer usw.), Mikrofon(en) 696, Stereokameras 668, Weitwinkelkameras 670 (z. B. Fischaugenkameras), Infrarotkameras 672, Umgebungskameras 674 (z. B. 360-Grad-Kameras), Langstreckenkameras und/oder Mittelstreckenkameras 698, Geschwindigkeitssensor(en) 644 (z. B. zur Messung der Fahrzeuggeschwindigkeit 600), Vibrationssensor(en) 642, Lenksensor(en) 640, Bremssensor(en) (z. B. als Teil des Bremssensorsystems 646) und/oder anderen Sensortypen empfangen werden.The controller(s) 636 may provide the signals to control one or more components and/or systems of the
Eine oder mehrere der Controller 636 können Eingaben (z. B. dargestellt durch Eingabedaten) von einem Kombiinstrument 632 des Fahrzeugs 600 empfangen und Ausgaben (z. B. dargestellt durch Ausgabedaten, Anzeigedaten usw.) über eine Mensch-Maschine-Schnittstelle (human-machine interface - HMI)-Anzeige 634, einen akustischen Signalgeber, einen Lautsprecher und/oder über andere Komponenten des Fahrzeugs 600 empfangen. Die Ausgaben können Informationen wie etwa Fahrzeuggeschwindigkeit, Drehzahl, Zeit, Abbildungsdaten (z. B. die hochauflösende („HD“) Karte 622 aus
Das Fahrzeug 600 beinhaltet ferner eine NetzNetzeschnittstelle 624, die eine oder mehrere drahtlose Antennen 626 und/oder Modems zur Kommunikation über ein oder mehrere Netze verwenden kann. Zum Beispiel kann die NetzNetzeschnittstelle 624 in der Lage sein, über LTE, WCDMA, UMTS, GSM, CDMA2000 usw. zu kommunizieren. Die drahtlose(n) Antenne(n) 626 kann/können auch eine Kommunikation zwischen Objekten in der Umgebung (z. B. Fahrzeugen, mobilen Vorrichtungen usw.) unter Verwendung von (einem) lokalen Netz(en), wie etwa Bluetooth, Bluetooth LE, Z-Wave, ZigBee usw., und/oder (einem) Weitverkehrsnetz(en) mit geringer Leistung (low power wide-area networks - „LPWANs“), wie etwa LoRaWAN, SigFox usw., ermöglichen.The
Die Kameratypen für die Kameras können, sind aber nicht darauf beschränkt, unter anderem Digitalkameras umfassen, die für die Verwendung mit den Komponenten und/oder Systemen des Fahrzeugs 600 angepasst werden können. Die Kamera(s) kann/können mit dem Automobilsicherheitsintegritätslevel (automotive safety integrity level - ASIL) B und/oder mit einem anderen ASIL betrieben werden. Die Kameraarten können in Abhängigkeit von der Ausführungsform zu einer beliebigen Bildaufnahmerate in der Lage sein, wie etwa 60 Bilder pro Sekunde (frames per second - fps), 120 fps, 240 fps usw. Die Kameras können dazu in der Lage sein, Rollblendenverschlüsse, globale Blendenverschlüsse, einen anderen Typ von Blendenverschluss oder eine Kombination davon zu verwenden. In einigen Beispielen kann die Farbfilteranordnung eine Rot-Klar-Klar-Klar (red clear - RCCC)-Farbfilteranordnung, eine Rot-Klar-Klar-Blau (red clear blue - RCCB)-Farbfilteranordnung, eine Rot-Blau-Grün-Klar (red blue green clear - RBGC)-Farbfilteranordnung, eine Foveon-X3-Farbfilteranordnung, eine Bayer-Sensoren (RGGB)-Farbfilteranordnung, eine Monochrom-Sensor-Farbfilteranordnung und/oder eine andere Art von Farbfilteranordnung beinhalten. In einigen Ausführungsformen können Klarpixelkameras, wie zum Beispiel Kameras mit einer RCCC-, einer RCCB- und/oder einer RBGC-Farbfilteranordnung, in einem Bestreben zur Erhöhung der Lichtempfindlichkeit verwendet werden.Camera types for the cameras may include, but are not limited to, digital cameras that may be adapted for use with the components and/or systems of the
In einigen Beispielen können eine oder mehrere der Kamera(s) verwendet werden, um Funktionen der weiterentwickelten Fahrerassistenzsysteme (advanced driver assistance systems - ADAS) durchzuführen (z. B. als Teil einer redundanten oder ausfallsicheren Ausgestaltung). Zum Beispiel kann eine Multifunktions-Monokamera installiert sein, die Funktionen wie Spurverlassenswarnung, Verkehrszeichenassistent und intelligente Scheinwerfersteuerung bereitstellt. Eine oder mehrere der Kamera(s) (z. B. alle Kameras) können simultan Bilddaten (z. B. ein Video) aufnehmen und bereitstellen.In some examples, one or more of the cameras may be used to perform functions of the advanced driver assistance systems (ADAS) (e.g., as part of a redundant or fail-safe design). For example, a multi-function mono camera can be installed, providing functions such as lane departure warning, traffic sign assistant and intelligent headlight control. One or more of the camera(s) (e.g. all cameras) can simultaneously record and provide image data (e.g. a video).
Eine oder mehrere der Kameras können in einer Montagebaugruppe, wie etwa einer kundenspezifisch entworfenen (3D-gedruckten) Baugruppe, montiert sein, um Streulicht und Reflexionen aus dem Inneren des Autos (z. B. Reflexionen vom Armaturenbrett, die sich in den Windschutzscheibenspiegeln spiegeln) auszuschließen, welche die Bilddatenerfassungsfähigkeiten der Kamera beeinträchtigen können. Unter Bezugnahme auf Seitenspiegelmontagebaugruppen können die Seitenspiegelbaugruppen kundenspezifisch 3D-gedruckt werden, sodass die Kameramontageplatte mit der Form des Seitenspiegels übereinstimmt. In einigen Beispielen kann/können die Kamera(s) in den Seitenspiegel integriert sein. Bei Seitensichtkameras kann/können die Kamera(s) auch in den vier Säulen an jeder Ecke des Fahrerhauses integriert sein.One or more of the cameras may be mounted in a mounting assembly, such as a custom-designed (3D printed) assembly, to capture stray light and reflections from inside the car (e.g., reflections from the dashboard reflected in the windshield mirrors). to exclude those that could affect the image data capture capabilities of the camera. Referring to side mirror mounting assemblies, the side mirror assemblies can be custom 3D printed so that the camera mounting plate matches the shape of the side mirror. In some examples, the camera(s) may be integrated into the side mirror. With side view cameras, the camera(s) can also be integrated into the four pillars at each corner of the driver's cab.
Kameras mit einem Sichtfeld, das Abschnitte der Umgebung vor dem Fahrzeug 600 beinhaltet (z. B. nach vorn gerichtete Kameras), können für die Rundumsicht verwendet werden, um dabei zu helfen, nach vorne gerichtete Wege und Hindernisse zu identifizieren, und dabei zu helfen, mithilfe eines oder mehrerer Controller 636 und/oder Steuer-SoCs, wichtige Informationen zur Erzeugung eines Belegungsraster und/oder zur Bestimmung der bevorzugten Fahrzeugwege bereitzustellen. Nach vorn gerichtete Kameras können verwendet werden, um viele der gleichen ADAS-Funktionen wie LIDAR auszuführen, einschließlich Notbremsung, Fußgängererkennung und Kollisionsvermeidung. Nach vorn gerichtete Kameras können auch für ADAS-Funktionen und -Systeme verwendet werden, einschließlich Spurverlassenswarnungen (LDW), autonome Geschwindigkeitssteuerung (ACC) und/oder andere Funktionen wie etwa Verkehrszeichenerkennung.Cameras with a field of view that includes portions of the environment in front of the vehicle 600 (e.g., forward-facing cameras) may be used for surround vision to help identify and assist in forward-facing paths and obstacles , using one or
Eine Vielfalt an Kameras kann in einer nach vorn gerichteten Konfiguration verwendet werden, einschließlich zum Beispiel einer monokularen Kameraplattform, die einen CMOS (complementary metal oxide semiconductor - komplementärer Metalloxid-Halbleiter)-Farbbildgeber beinhaltet. Ein weiteres Beispiel ist/sind (eine) Weitwinkelkamera(s) 670, die verwendet werden kann/können, um Objekte wahrzunehmen, die aus der Peripherie in den Blick kommen (z. B. Fußgänger, Kreuzungsverkehr oder Fahrräder). Obwohl in
Eine oder mehrere Stereokameras 668 können auch in einer nach vorne gerichteten Konfiguration beinhaltet sein. Die eine oder mehrere der Stereokamera(s) 668 eine integrierte Steuereinheit beinhalten, die eine skalierbare Verarbeitungseinheit umfasst, die eine programmierbare Logik (FPGA) und einen Mehrkern-Mikroprozessor mit einer integrierten CAN- oder Ethernet-Schnittstelle auf einem einzigen Chip bereitstellen kann. Eine solche Einheit kann verwendet werden, um eine 3D-Karte der Umgebung des Fahrzeugs zu erzeugen, die eine Abstandsschätzung für alle Punkte im Bild beinhaltet. (Eine) alternative Stereokamera(s) 668 kann/können einen/mehrere kompakte Stereo-Vision-Sensor(en) beinhalten, der/die zwei Kameraobjektive (jeweils eines links und rechts) und einen Bildverarbeitungs-Chip beinhalten kann/können, der den Abstand vom Fahrzeug zum Zielobjekt messen und die erzeugten Informationen (z. B. Metadaten) verwenden kann, um die autonomen Notbrems- und Spurverlassenswarnungsfunktionen zu aktivieren. Andere Stereokameratypen 668 können zusätzlich oder alternativ zu den hier beschriebenen verwendet werden.One or more
Kameras mit einem Sichtfeld, das Teile der Umgebung an der Seite des Fahrzeugs 600 umfasst (z. B. Seitenansicht-Kameras), können für die Rundumsicht verwendet werden und Informationen liefern, um das Belegungsraster zu erzeugen und zu aktualisieren sowie Seitenkollisionswarnungen zu erzeugen. Zum Beispiel kann/können Umgebungskamera(s) 674 (z. B. vier Umgebungskameras 674, wie in
Kameras mit einem Sichtfeld, das Teile der Umgebung im Heck des Fahrzeugs 600 umfasst (z. B. Rückfahrkameras), können zur Parkhilfe, zur Rundumsicht, zur Warnung vor Heckkollisionen sowie zur Erstellung und Aktualisierung des Belegungsrasters verwendet werden. Es kann eine Vielzahl von Kameras verwendet werden, einschließlich, aber nicht beschränkt auf, Kameras, die auch als Frontkameras geeignet sind (z. B. Langstrecken- und/oder Mittelstreckenkameras 698, Stereokameras 668, Infrarotkameras 672 usw.), wie hier beschrieben.Cameras with a field of view that includes portions of the environment at the rear of the vehicle 600 (e.g., rearview cameras) may be used for parking assistance, surround visibility, rear collision warning, and occupancy grid creation and updating. A variety of cameras may be used, including, but not limited to, cameras that are also suitable as front-facing cameras (e.g., long-range and/or medium-
Alle Komponenten, Merkmale und Systeme des Fahrzeugs 600 in
Obwohl der Bus 602 hier als CAN-Bus beschrieben wird, soll dies nicht einschränkend sein. Zum Beispiel können zusätzlich oder alternativ zum CAN-Bus auch FlexRay und/oder Ethernet verwendet werden. Auch dies soll, obwohl eine einzelne Leitung verwendet wird, um den Bus 602 darzustellen, nicht einschränkend sein. Beispielsweise kann es eine beliebige Anzahl von Bussen 602 geben, die einen oder mehrere CAN-Busse, einen oder mehrere FlexRay-Busse, einen oder mehrere Ethernet-Busse und/oder einen oder mehrere andere Bustypen mit einem anderen Protokoll umfassen können. In einigen Beispielen können zwei oder mehr Busse 602 verwendet werden, um verschiedene Funktionen auszuführen und/oder um Redundanz zu gewährleisten. Beispielsweise kann ein erster Bus 602 zur Kollisionsvermeidung und ein zweiter Bus 602 zur Ansteuerung verwendet werden. In jedem Beispiel kann jeder Bus 602 mit einer beliebigen Komponente des Fahrzeugs 600 kommunizieren, und zwei oder mehr Busse 602 können mit denselben Komponenten kommunizieren. In einigen Beispielen kann jedes SoC 604, jeder Controller 636 und/oder jeder Computer im Fahrzeug auf dieselben Eingabedaten zugreifen (z. B. Eingaben von Sensoren des Fahrzeugs 600) und an einen gemeinsamen Bus, wie den CAN-Bus, angeschlossen werden.Although
Das Fahrzeug 600 kann einen oder mehrere Controller 636 umfassen, wie hier in Bezug auf
Das Fahrzeug 600 kann ein Ein-Chip-System (system on a chip - SoC) 604 umfassen. Das SoC 604 kann CPUs 606, GPUs 608, Prozessor(en) 610, Caches 612, Beschleuniger 614, Datenspeicher 616 und/oder andere Komponenten und Funktionen, die nicht abgebildet sind, umfassen. Das SoC 604 kann zur Steuerung des Fahrzeugs 600 in einer Vielzahl von Plattformen und Systemen verwendet werden. Beispielsweise kann das SoC 604 in einem System (z. B. dem System des Fahrzeugs 600) mit einer HD-Karte 622 kombiniert werden, die Kartenaktualisierungen und/oder Aktualisierungen über eine NetzNetzeschnittstelle 624 von einem oder mehreren Servern (z. B. Server(n) 678 aus
Die CPUs 606 kann/können einen CPU-Cluster oder einen CPU-Komplex enthalten (hier alternativ auch als „CCPLEX“ bezeichnet). Die CPUs 606 kann/können mehrere Kerne und/oder L2-Caches enthalten. In einigen Ausführungsformen kann/können die CPUs 606 beispielsweise acht Kerne in einer kohärenten Multi-Prozessor-Konfiguration enthalten. In einigen Ausführungsformen kann/können die CPUs 606 vier Dual-Core-Cluster umfassen, wobei jeder Cluster über einen dedizierten L2-Cache verfügt (z. B. einen 2 MB L2-Cache). Die CPUs 606 (z. B. CCPLEX) kann/können konfiguriert sein, um den gleichzeitigen Clusterbetrieb zu unterstützen, so dass eine beliebige Kombination des/der CPUs 606-Cluster zu einem bestimmten Zeitpunkt aktiv sein kann/können.The
Die CPUs 606 kann/können Energieverwaltungsfunktionen implementieren, die eine oder mehrere der folgenden Merkmale umfassen: einzelne Hardwareblöcke können automatisch im Leerlauf taktgesteuert werden, um dynamische Energie zu sparen; jeder Kerntakt kann gesteuert werden, wenn der Kern aufgrund der Ausführung von WFI/WFE-Befehlen keine aktiven Anweisungen ausführt; jeder Kern kann unabhängig leistungsgesteuert werden; jeder Kern-Cluster kann unabhängig taktgesteuert werden, wenn alle Kerne taktgesteuert oder leistungsgesteuert sind; und/oder jeder Kern-Cluster kann unabhängig leistungsgesteuert werden, wenn alle Kerne leistungsgesteuert sind. Die CPUs 606 kann/können einen erweiterten Algorithmus zur Verwaltung von Energiezuständen implementieren, bei dem zulässige Energiezustände und erwartete Aktivierungszeiten angegeben werden und der Hardware-/Mikrocode den besten Energiezustand für den Kern, Cluster und CCPLEX bestimmt. Die Verarbeitungskerne können vereinfachte Leistungsstatus-Eintragssequenzen in der Software unterstützen, wobei die Arbeit in den Mikrocode ausgelagert wird.The
Die GPUs 608 kann/können eine integrierte GPU enthalten (hier alternativ auch als „iGPU“ bezeichnet). Die GPUs 608 kann/können programmierbar sein und für parallele Workloads effizient sein. Die GPUs 608 kann/können in einigen Beispielen einen erweiterten Tensor-Befehlssatz verwenden. Die GPUs 608 kann/können einen oder mehrere Streaming-Mikroprozessoren enthalten, wobei jeder Streaming-Mikroprozessor einen L1-Cache umfassen kann (z. B. einen L1-Cache mit mindestens 96 KB Speicherkapazität) und zwei oder mehr der Streaming-Mikroprozessoren sich einen L2-Cache teilen können (z. B. einen L2-Cache mit einer Speicherkapazität von 512 KB). In einigen Ausführungsformen kann/können die GPUs 608 mindestens acht Streaming-Mikroprozessoren enthalten. Die GPUs 608 kann/können Programmierschnittstellen für Computeranwendungen (application programming interface - API) verwenden. Außerdem kann/können die GPUs 608 eine oder mehrere parallele Rechnerplattformen und/oder Programmiermodelle (z. B. NVIDIA CUDA) verwenden.The
Die GPUs 608 kann/können für die beste Leistung im Automobil- und Embedded-Anwendungsfall leistungsoptimiert sein. Beispielsweise kann/können die GPUs 608 auf einem Fin-Feldeffekttransistor (Fin field-effect transistor - FinFET) hergestellt werden. Dies soll jedoch nicht einschränkend sein und die GPUs 608 kann/können mithilfe anderer Halbleiterfertigungsprozesse hergestellt werden. Jeder Streaming-Mikroprozessor kann eine Anzahl von Verarbeitungskernen mit gemischter Genauigkeit beinhalten, die in mehrere Blöcke partitioniert sind. Zum Beispiel, und ohne Einschränkung, könnten 64 PF32-Kerne und 32 PF64-Kerne in vier Verarbeitungsblöcke partitioniert sein. In solch einem Beispiel könnten jedem Verarbeitungsblock 16 FP32-Kerne, 8 FP64-Kerne, 16 INT32-Kerne, zwei NVIDIA TENSOR COREs mit gemischter Genauigkeit für Deep-Learning-Matrixarithmetik, ein L0- Anweisungs-Cache, ein Warp--Scheduler, eine Verteilungseinheit und/oder eine Registerdatei mit 64 KB zugewiesen sein. Zusätzlich können Streaming-Mikroprozessoren unabhängige parallele Integer- und Fließkomma-Datenpfade beinhalten, um eine effiziente Ausführung von Arbeitslasten mit einer Mischung aus Berechnung und Adressierungsberechnungen zu ermöglichen. Die Streaming-Mikroprozessoren können eine unabhängige Thread-Planungsfunktion beinhalten, um eine feinkörnigere Synchronisation und Kooperation zwischen parallelen Threads zu ermöglichen. Die Streaming-Mikroprozessoren können eine Einheit aus kombiniertem L1-Daten-Cache und gemeinsam genutztem Speicher beinhalten, um die Performance zu verbessern, während die Programmierung vereinfacht wird.The
Die GPUs 608 kann/können einen Speicher mit hoher Bandbreite (High Bandwidth Memory - HBM) und/oder ein 16 GB HBM2-Speichersubsystem enthalten, um in einigen Beispielen eine Spitzenspeicherbandbreite von etwa 900 GB/s zu bieten. In einigen Beispielen kann zusätzlich oder alternativ zu dem HBM-Speicher ein synchroner Grafik-Direktzugriffsspeicher (synchronous graphics random-access memory - SGRAM) verwendet werden, wie etwa ein synchroner Direktzugriffsspeicher vom Graphics-Double-Data-Rate-Typ fünf (graphics double data rate type five - GDDR5).The
Die GPUs 608 kann/können eine Unified-Memory-Technologie einschließlich Zugriffsprozessoren enthalten, um eine genauere Migration von Speicherseiten auf den Prozessor zu ermöglichen, der am häufigsten auf sie zugreift, wodurch die Effizienz für Speicherbereiche, die zwischen Prozessoren gemeinsam genutzt werden, verbessert wird. In einigen Beispielen kann die Unterstützung von Address Translation Services (ATS) verwendet werden, um der/den GPUs 608 den direkten Zugriff auf die CPUs 606-Seitentabellen zu ermöglichen. In solchen Beispielen kann eine Anfrage zur Adressübersetzung an die CPUs 606 gesendet werden, wenn die Speicherverwaltungseinheit (memory management unit - MMU) der GPUs 608 einen Fehler aufweist. Als Reaktion darauf sucht/suchen die CPUs 606 möglicherweise in ihren Seitentabellen nach dem Virtuellen-zu-Physisch-Mapping für die Adresse und überträgt die Übersetzung zurück an die GPUs 608. Daher kann die Unified-Memory-Technologie einen einzigen einheitlichen virtuellen Adressraum für den Speicher der CPUs 606 und der GPUs 608 ermöglichen, wodurch die GPUs 608-Programmierung und die Portierung von Anwendungen auf die GPUs 608 vereinfacht wird.The
Darüber hinaus kann/können die GPUs 608 einen Zugriffszähler enthalten, der die Zugriffshäufigkeit der GPUs 608 auf den Speicher anderer Prozessoren nachverfolgen kann. Der Zugriffszähler kann dazu beitragen, dass Speicherseiten in den physischen Speicher desjenigen Prozessors verschoben werden, der am häufigsten auf die Seiten zugreift.In addition, the
Das SoC 604 kann eine beliebige Anzahl von Caches 612 enthalten, einschließlich der hier beschriebenen. Der Caches 612 kann beispielsweise einen L3-Cache enthalten, der sowohl der/den CPUs 606 als auch der/den GPUs 608 zur Verfügung steht (z. B. der sowohl an die CPUs 606 als auch die GPUs 608 angeschlossen ist). Der/die Caches 612 kann/können einen Write-Back-Cache enthalten, der den Status von Zeilen nachverfolgen kann, z. B. durch Verwendung eines Cache-Kohärenzprotokolls (z. B. MEI, MESI, MSI usw.). Der L3-Cache kann in Abhängigkeit von der Ausführungsform 4 MB oder mehr beinhalten, obwohl auch kleinere Cache-Größen verwendet werden können.The
Die SoCs 604 können eine arithmetische Logikeinheiten (arithmetic logic units - ALUs) enthalten, die bei der Verarbeitung in Bezug auf eine der verschiedenen Aufgaben oder Operationen des Fahrzeugs 600 genutzt werden kann - z. B. bei der Verarbeitung von DNNs. Darüber hinaus können die SoCs 604 eine Gleitkommaeinheiten (floating point units - FPUs) - oder andere mathematische Coprozessor- oder numerische Coprozessor-Typen - für die Durchführung mathematischer Operationen im System enthalten. Zum Beispiel können die SoCs 104 ein oder mehrere FPUs enthalten, die als Ausführungseinheiten innerhalb einer CPU 606 und/oder GPU 608 integriert sind.The
Das SoC 604 kann einen oder mehrere Beschleuniger 614 enthalten (z. B. Hardware-Beschleuniger, Software-Beschleuniger oder eine Kombination davon). Beispielsweise kann das SoC 604 einen Hardware-Beschleunigungscluster enthalten, der optimierte Hardware-Beschleuniger und/oder einen großen On-Chip-Speicher umfassen kann. Der große chipinterne Speicher (z. B. 4 MB SRAM) kann einen Hardware-Beschleunigungscluster zur Beschleunigung neuronaler Netze und anderer Berechnungen ermöglichen. Der Hardware-Beschleunigungscluster kann verwendet werden, um die GPUs 608 zu ergänzen und einige der Aufgaben der GPUs 608 zu entlasten (z. B. um mehr Zyklen der GPUs 608 für die Durchführung anderer Aufgaben freizumachen). Als Beispiel können die Beschleuniger 614 für gezielte Workloads (z. B. Wahrnehmung, konvolutionale neuronale Netze (CNNs) usw.) verwendet werden, die stabil genug sind, um für eine Beschleunigung geeignet zu sein. Der Begriff „CNN“, wie er hierin verwendet wird, kann alle Typen von CNNs beinhalten, einschließlich regionenbasierter oder regionaler neuronaler Faltungsnetze (RCNNs) und Fast RCNNs (z. B. für die Objekterkennung).The
Der/die Beschleuniger 614 (z. B. der Hardware-Beschleunigungscluster) kann/können einen/mehrere DeepLearning-Beschleuniger (deep learning accelerator - DLA) enthalten. Die DLA(s) können eine oder mehrere Tensor-Verarbeitungseinheiten (TPUs) beinhalten, die so konfiguriert sein können, dass sie zusätzliche zehn Billionen Vorgänge pro Sekunde für Deep-Learning-Anwendungen und -Inferenzierung bereitstellen. Die TPUs können Beschleuniger sein, die zum Durchführen von Bildverarbeitungsfunktionen (z. B. für CNNs, RCNNs usw.) konfiguriert und optimiert sind. Die DLA(s) können ferner für einen spezifischen Satz von Arten von neuronalen Netzen und Fließkommavorgängen sowie für die Ableitung optimiert sein. Das Design der DLA(s) kann mehr Performance pro Millimeter bereitstellen als eine typische Universal-GPU und übertrifft die Performance einer CPU bei weitem. Die TPU(s) können mehrere Funktionen durchführen, einschließlich einer Einzelinstanz-Faltungsfunktion, die z. B. INT8-, INT16- und FP16-Datenarten sowohl für Merkmale als auch für Gewichtungen unterstützt, sowie Postprozessorfunktionen.The accelerator(s) 614 (e.g., the hardware acceleration cluster) may include one or more deep learning accelerators (DLA). The DLA(s) may include one or more Tensor Processing Units (TPUs), which may be configured to provide an additional ten trillion operations per second for deep learning applications and inference. The TPUs may be accelerators configured and optimized to perform image processing functions (e.g. for CNNs, RCNNs, etc.). The DLA(s) may be further optimized for a specific set of types of neural networks and floating point operations as well as inference. The design of the DLA(s) can deliver more performance per millimeter than a typical general purpose GPU and far exceeds the performance of a CPU. The TPU(s) can perform multiple functions, including a single instance convolution function, e.g. B. INT8, INT16 and FP16 data types supported for both features and weights, as well as post-processing functions.
Der/die DLAs können schnell und effizient neuronale Netze, insbesondere CNNs, auf bearbeiteten oder unbearbeiteten Daten für eine Vielzahl von Funktionen ausführen, einschließlich beispielsweise und ohne Einschränkung: Ein CNN zur Objektidentifizierung und -erkennung mithilfe von Daten von Kamerasensoren; ein CNN für die Abstandsabschätzung mit Daten von Kamerasensoren, ein CNN für die Erkennung und Identifizierung von Rettungsfahrzeugen und Erkennung mit Daten von Mikrofonen; ein CNN für die Gesichtserkennung und die Identifizierung von Fahrzeugbesitzern durch Verwendung von Daten von Kamerasensoren und/oder ein CNN für Sicherheits- und/oder sicherheitsrelevante Ereignisse.The DLA(s) can quickly and efficiently run neural networks, particularly CNNs, on processed or raw data for a variety of functions, including, for example, and without limitation: A CNN for object identification and recognition using data from camera sensors; a CNN for distance estimation with data from camera sensors, a CNN for detection and identification of emergency vehicles and detection with data from microphones; a CNN for facial recognition and vehicle owner identification using data from camera sensors and/or a CNN for security and/or safety-related events.
Der/die DLAs kann/können jede Funktion der GPUs 608 ausführen, und durch die Verwendung eines Inferenzbeschleunigers kann ein Entwickler beispielsweise für jede Funktion entweder den/die DLAs oder die GPUs 608 als Ziel verwenden. So kann der Designer beispielsweise die Verarbeitung von CNNs und Gleitkommaoperationen auf den/die DLAs konzentrieren und andere Funktionen der/den GPUs 608 und/oder anderen Beschleunigern 614 überlassen.The DLA(s) may perform any function of the
Der/die Beschleuniger 614 (z. B. der Hardware-Beschleunigungscluster) können einen/mehrere programmierbare(n) Bildverarbeitungsbeschleuniger (programmable vision accelerator - PVA) umfassen, der/die in diesem Dokument alternativ als Bildverarbeitungsbeschleuniger bezeichnet werden kann/können. Die PVA(s) können zur Beschleunigung von Algorithmen des maschinellen Sehens für weiterentwickelte Fahrerassistenzsysteme (ADAS), autonomes Fahren, Augmented-Reality(AR)- und/oder Virtual-Reality(VR)-Anwendungen ausgestaltet und/oder konfiguriert sein. Die PVA(s) können ein Gleichgewicht zwischen Performance und Flexibilität bereitstellen. Beispielswiese und ohne Einschränkung können alle PVA(s) eine beliebige Anzahl von Reduced-Instruction-Set-Computer (RISC)-Kerne, direkten Speicherzugriff (direct memory access - DMA) und/oder eine beliebige Anzahl von Vektorprozessoren beinhalten.The accelerator(s) 614 (e.g., the hardware acceleration cluster) may include a programmable vision accelerator (PVA), which may alternatively be referred to as a vision accelerator in this document. The PVA(s) may be designed and/or configured to accelerate machine vision algorithms for advanced driver assistance systems (ADAS), autonomous driving, augmented reality (AR) and/or virtual reality (VR) applications. The PVA(s) can provide a balance between performance and flexibility. By way of example and without limitation, all PVA(s) may include any number of Reduced Instruction Set Computer (RISC) cores, direct memory access (DMA), and/or any number of vector processors.
RISC-Kerne können mit Bildsensoren (z. B. den Bildsensoren einer beliebigen der hierin beschriebenen Kameras), (einem) Bildsignalprozessor(en) und/oder dergleichen interagieren. Jeder der RISC-Kerne kann eine beliebige Menge an Speicher beinhalten. Die RISC-Kerne können in Abhängigkeit von der Ausführungsform ein beliebiges von einer Anzahl von Protokollen verwenden. In einigen Beispielen können die RISC-Kerne ein Echtzeitbetriebssystem (real-time operating system - RTOS) ausführen. Die RISC-Kerne können unter Verwendung einer oder mehrerer Vorrichtungen für integrierte Schaltungen, anwendungsspezifischer integrierter Schaltungen (ASICs) und/oder Speichervorrichtungen implementiert sein. Die RISC-Kerne können beispielsweise einen Anweisungs-Cache und/oder einen eng gekoppelten RAM beinhalten.RISC cores may interact with image sensors (e.g., the image sensors of any of the cameras described herein), image signal processor(s), and/or the like. Each of the RISC cores can contain any amount of memory. The RISC cores may use any of a number of protocols depending on the embodiment. In some examples, the RISC cores may run a real-time operating system (RTOS). The RISC cores may be implemented using one or more integrated circuit devices, application specific integrated circuits (ASICs), and/or memory devices. For example, the RISC cores may include an instruction cache and/or tightly coupled RAM.
Der DMA kann Komponenten des/der PVAs unabhängig von der/den CPUs 606 den Zugriff auf den Systemspeicher ermöglichen. Der DMA kann eine beliebige Anzahl von Merkmalen unterstützen, die zum Bereitstellen der Optimierung des PVA verwendet werden, einschließlich der Unterstützung von mehrdimensionaler Adressierung und/oder zirkulärer Adressierung, ohne darauf beschränkt zu sein. In einigen Beispielen kann der DMA bis zu sechs oder mehr Dimensionen der Adressierung unterstützen, die Blockbreite, Blockhöhe, Blocktiefe, horizontale Blockabstufung, vertikale Blockabstufung und/oder Tiefenabstufung beinhalten können.The DMA may allow components of the PVA(s) to access system memory independently of the CPU(s) 606. The DMA may support any number of features used to provide optimization of the PVA, including, but not limited to, support for multidimensional addressing and/or circular addressing. In some examples, the DMA may support up to six or more dimensions of addressing, which may include block width, block height, block depth, horizontal block gradation, vertical block gradation, and/or depth gradation.
Die Vektorprozessoren können programmierbare Prozessoren sein, die so ausgestaltet sein können, dass sie die Programmierung für Algorithmen des maschinellen Sehens effizient und flexibel ausführen und Signalverarbeitungsfähigkeiten bereitstellen. In einigen Beispielen kann der PVA einen PVA-Kern und zwei Vektorverarbeitungsteilsystempartitionen beinhalten. Der PVA-Kern kann ein Prozessorteilsystem, DMA-Engine(s) (z. B. zwei DMA-Engines) und/oder andere Peripheriegeräte beinhalten. Das Vektorverarbeitungsteilsystem kann als primäre Verarbeitungs-Engine des PVA arbeiten und kann eine Vektorverarbeitungseinheit (vector processing unit - VPU), einen Anweisungs-Cache und/oder einen Vektorspeicher (z. B. VMEM) beinhalten. Ein VPU-Kern kann einen digitalen Signalprozessor beinhalten, wie zum Beispiel einen digitalen Single-Instruction-Multiple-Data-(SIMD-)Very-Long-Instruction-Word-(VLI W-)Signalprozessor. Die Kombination von SIMD und VLIW kann den Durchsatz und die Geschwindigkeit erhöhen.The vector processors may be programmable processors that may be designed to efficiently and flexibly execute programming for computer vision algorithms and provide signal processing capabilities. In some examples, the PVA may include a PVA core and two vector processing subsystem partitions. The PVA core may include a processor subsystem, DMA engine(s) (e.g., two DMA engines), and/or other peripherals. The vector processing subsystem may operate as the primary processing engine of the PVA and may include a vector processing unit (VPU), an instruction cache, and/or a vector memory (e.g., VMEM). A VPU core may include a digital signal processor, such as a single instruction multiple data (SIMD) very long instruction word (VLI W) digital signal processor. The combination of SIMD and VLIW can increase throughput and speed.
Jeder der Vektorprozessoren kann einen Anweisungs-Cache beinhalten und an dedizierten Speicher gekoppelt sein. Daher kann in einigen Beispielen jeder der Vektorprozessoren so konfiguriert sein, dass er unabhängig von den anderen Vektorprozessoren ausgeführt wird. In anderen Beispielen können Vektorprozessoren, die in einem konkreten PVA enthalten sind, so konfiguriert sein, dass sie Datenparallelität einsetzen. Zum Beispiel kann in einigen Ausführungsformen die Vielzahl von Vektorprozessoren, die in einem einzelnen PVA enthalten ist, denselben Algorithmus des maschinellen Sehens ausführen, jedoch an unterschiedlichen Regionen eines Bildes. In anderen Beispielen können die in einem konkreten PVA enthaltenen Vektorprozessoren simultan unterschiedliche Algorithmen des maschinellen Sehens an demselben Bild ausführen oder sogar unterschiedliche Algorithmen an sequentiellen Bildern oder Abschnitten eines Bildes ausführen. Unter anderem kann eine beliebige Anzahl von PVAs in dem Hardware-Beschleunigungscluster enthalten sein und kann eine beliebige Anzahl von Vektorprozessoren in jedem der PVAs enthalten sein. Zusätzlich können der/die PVA(s) einen zusätzlichen Fehlerkorrekturcode(ECC)-Speicher beinhalten, um die Gesamtsystemsicherheit zu erhöhen.Each of the vector processors may include an instruction cache and be coupled to dedicated memory. Therefore, in some examples, each of the vector processors may be configured to execute independently of the other vector processors. In other examples, vector processors included in a specific PVA may be configured to employ data parallelism. For example, in some embodiments, the plurality of vector processors included in a single PVA may execute the same computer vision algorithm but on different regions of an image. In other examples, the vector processors included in a specific PVA may simultaneously execute different computer vision algorithms on the same image, or even execute different algorithms on sequential images or portions of an image. Among other things, any number of PVAs may be included in the hardware acceleration cluster and any number of vector processors may be included in each of the PVAs. Additionally, the PVA(s) may include additional error correction code (ECC) memory to increase overall system security.
Der/die Beschleuniger 614 (z. B. der Hardware-Beschleunigungscluster) können ein Computervision-Netz auf dem Chip und SRAM enthalten, um einen SRAM mit hoher Bandbreite und niedriger Latenz für den/die Beschleuniger 614 bereitzustellen. In einigen Beispielen kann der chipinterne Speicher mindestens 4 MB SRAM beinhalten, der z. B. und ohne Einschränkung aus acht feldkonfigurierbaren Speicherblöcken besteht, auf die sowohl der PVA als auch der DLA zugreifen können. Jedes Paar von Speicherblöcken kann eine weiterentwickelte Peripheriebus (advanced peripheral bus -APB)-Schnittstelle, eine Konfigurationsschaltung, einen Controller und einen Multiplexer beinhalten. Es kann jede Art von Speicher verwendet werden. Der PVA und DLA können auf den Speicher über einen Backbone zugreifen, der dem PVA und DLA einen Hochgeschwindigkeitszugriff auf den Speicher bereitstellt. Der Backbone kann ein Netz auf dem Chip für maschinelles Sehen beinhalten, das den PVA und DLA mit dem Speicher verbindet (z. B. unter Verwendung von dem APB).The accelerator(s) 614 (e.g., hardware acceleration cluster) may include an on-chip computer vision network and SRAM to provide high-bandwidth, low-latency SRAM for the accelerator(s) 614. In some examples, the on-chip memory may include at least 4 MB of SRAM, e.g. B. and without limitation consists of eight field-configurable memory blocks that can be accessed by both the PVA and the DLA. Any pair of memory blocks can include an advanced peripheral bus (APB) interface, a configuration circuit, a controller and a multiplexer. Any type of storage can be used. The PVA and DLA can access the memory over a backbone that provides the PVA and DLA with high-speed access to the memory. The backbone may include an on-chip computer vision network that connects the PVA and DLA to the memory (e.g., using the APB).
Das chipinterne Netz für maschinelles Sehen kann eine Schnittstelle beinhalten, die vor der Übertragung eines beliebigen Steuersignals/einer beliebigen Adresse/beliebiger Daten bestimmt, dass sowohl ein PVA als auch ein DLA einsatzbereite und gültige Signale bereitstellen. Eine derartige Schnittstelle kann separate Phasen und separate Kanäle für die Übertragung von Steuersignalen/Adressen/Daten sowie eine Burst-artige Kommunikation für eine kontinuierliche Datenübertragung bereitstellen. Diese Art von Schnittstelle kann den Normen ISO 26262 oder IEC 61508 entsprechen, obwohl auch andere Normen und Protokolle verwendet werden können.The on-chip computer vision network may include an interface that determines that both a PVA and a DLA provide operational and valid signals before transmitting any control signal/address/data. Such an interface can provide separate phases and separate channels for control signal/address/data transmission as well as burst-like communication for continuous data transmission. This type of interface can conform to ISO 26262 or IEC 61508 standards, although other standards and protocols can also be used.
In einigen Beispielen kann das SoC 604 einen Echtzeit-Hardware-Beschleuniger für die Raytracing-Überwachung enthalten, wie in der am 10. August 2018 eingereichten
Der/die Beschleuniger 614 (z. B. der Hardware-Beschleunigercluster) haben eine Vielzahl von Einsatzmöglichkeiten für autonomes Fahren. Der PVA kann ein programmierbarer Sichtbeschleuniger sein, der für wichtige Verarbeitungsstufen im ADAS und in autonomen Fahrzeugen verwendet werden kann. Die Fähigkeiten des PVA sind eine gute Ergänzung für algorithmische Domänen, die eine vorhersagbare Verarbeitung bei niedriger Leistung und niedriger Latenz benötigen. Anders ausgedrückt zeigt der PVA eine gute Performance für halbdichte oder dichte reguläre Berechnungen, auch an kleinen Datensätzen, die vorhersagbare Laufzeiten mit niedriger Latenz und niedriger Leistung benötigen. Folglich sind die PVAs im Zusammenhang mit Plattformen für autonome Fahrzeuge für die Ausführung klassischer Algorithmen für maschinelles Sehen konstruiert, da diese effizient bei der Objekterkennung sind und mit Integer-Mathematik arbeiten.The accelerator(s) 614 (e.g. the hardware accelerator cluster) have a variety of possible uses for autonomous driving. The PVA can be a programmable vision accelerator that can be used for key processing stages in ADAS and autonomous vehicles. PVA's capabilities are a good complement for algorithmic domains that require predictable, low-power, low-latency processing. In other words, the PVA shows good performance for semi-dense or dense regular computations, even on small datasets that require predictable runtimes with low latency and low power. Consequently, the PVAs associated with autonomous vehicle platforms are designed to execute classical computer vision algorithms because they are efficient at object detection and operate on integer mathematics.
Zum Beispiel wird gemäß einer Ausführungsform der Technologie der PVA verwendet, um maschinelles Stereo-Sehen durchzuführen. Ein auf semiglobalem Abgleich basierender Algorithmus kann verwendet werden, obwohl dies nicht als Einschränkung auszulegen ist. Viele Anwendungen für das autonome Fahren auf Level 3-5 erfordern Bewegungsschätzung/Stereo-Abgleich spontan (z. B. Struktur aus Bewegung, Fußgängererkennung, Fahrspurerkennung usw.). Der PVA kann eine Funktion des maschinellen Stereo-Sehens an Eingaben von zwei monokularen Kameras durchführen.For example, according to one embodiment of the technology, PVA is used to perform machine stereo vision. An algorithm based on semi-global matching may be used, although this should not be construed as a limitation. Many Level 3-5 autonomous driving applications require motion estimation/stereo matching on the fly (e.g. structure from motion, pedestrian detection, lane detection, etc.). The PVA can perform a machine stereo vision function on inputs from two monocular cameras.
In einigen Beispielen kann der PVA verwendet werden, um einen dichten optischen Fluss durchzuführen. Gemäß der Verarbeitung von RADAR-Rohdaten (z. B. mit einer 4D-Fast-Fourier-Transformation) zur Bereitstellung von verarbeitetem RADAR. In anderen Beispielen wird der PVA für die Laufzeit-Tiefenverarbeitung verwendet, indem z. B. Laufzeit-Rohdaten verarbeitet werden, um verarbeitete Laufzeitdaten bereitzustellen.In some examples, the PVA can be used to perform dense optical flow. Pursuant to processing raw RADAR data (e.g. using a 4D Fast Fourier Transform) to provide processed RADAR. In other examples, the PVA is used for runtime deep processing, e.g. B. Raw runtime data is processed to provide processed runtime data.
Der DLA kann verwendet werden, um eine beliebige Art von Netz auszuführen, um die Steuerung und Fahrsicherheit zu verbessern, einschließlich zum Beispiel ein neuronales Netz, das ein Maß an Konfidenz für jede Objekterkennung ausgibt. Ein derartiger Konfidenzwert kann als eine Wahrscheinlichkeit interpretiert werden oder als Bereitstellung einer relativen „Gewichtung“ jeder Erkennung im Vergleich zu anderen Erkennungen. Der Konfidenzwert ermöglicht es dem System, weitere Entscheidungen darüber zu treffen, welche Erkennungen als richtig positive Erkennungen und nicht als falsch positive Erkennungen betrachtet werden sollten. Zum Beispiel kann das System einen Schwellenwert für die Konfidenz festlegen und nur Erkennungen, die den Schwellenwert überschreiten, als richtig positive Erkennungen betrachten. In einem automatischen Notbrems (automatic emergency braking - AEB)-System würden falsch positive Erkennungen dazu führen, dass das Fahrzeug automatisch eine Notbremsung durchführt, was natürlich unerwünscht ist. Daher sollten nur die sichersten Erkennungen als Auslöser für AEB in Betracht gezogen werden. Der DLA kann ein neuronales Netz zur Regression des Konfidenzwerts ausführen. Das neuronale Netz kann als Eingabe mindestens eine Teilmenge von Parametern verwenden, wie z. B. Abmessungen des Begrenzungsrahmens, Schätzung der Bodenebene (z. B. von einem anderen Subsystem), IMU-Sensor-666-Ausgabe (Inertial Measurement Unit - IMU), die mit der Ausrichtung des Fahrzeugs 600, Abstand, 3D-Positionsabschätzungen des Objekts, das aus dem neuronalen Netz und/oder anderen Sensoren (z. B. LIDAR-Sensor(en) 664 oder RADAR-Sensor(en) 660), unter anderem gewonnen wurden.The DLA can be used to run any type of network to improve control and driving safety, including, for example, a neural network that outputs a level of confidence for each object detection. Such a confidence value can be interpreted as a probability or as providing a relative "weight" of each detection compared to other detections. The confidence value allows the system to make further decisions about which detections should be considered true positive detections rather than false positive detections. For example, the system may set a confidence threshold and only consider detections that exceed the threshold as true positive detections. In an automatic emergency braking (AEB) system, false positive detections would cause the vehicle to automatically perform emergency braking, which is of course undesirable. Therefore, only the safest detections should be considered as triggers for AEB. The DLA can Run a neural network to regression the confidence value. The neural network can use as input at least a subset of parameters, such as: B. Bounding box dimensions, ground plane estimation (e.g. from another subsystem), Inertial Measurement Unit (IMU)
Das SoC 604 kann Datenspeicher 616 (z. B. Speicher) enthalten. Der Datenspeicher 616 kann ein On-Chip-Speicher des SoC 604 sein, das neuronale Netze speichern kann, die auf der GPU und/oder der DLA ausgeführt werden. In einigen Beispielen kann der Datenspeicher 616 groß genug sein, um mehrere Instanzen neuronaler Netze für Redundanz und Sicherheit zu speichern. Der Datenspeicher 612 kann L2- oder L3-Caches 612 umfassen. Der Verweis auf den Datenspeicher 616 kann, wie hier beschrieben, den Bezug zum Speicher des PVA-, DLA- und/oder anderen Beschleunigern 614 enthalten.The
Das SoC 604 kann einen oder mehr Prozessoren 610 (z. B. eingebettete Prozessoren) enthalten. Die Prozessoren 610 können einen Boot- und Energieverwaltungsprozessor enthalten, der ein dedizierter Prozessor und ein Subsystem sein kann, um die Boot-Energie- und Verwaltungsfunktionen sowie die damit verbundene Sicherheitsdurchsetzung zu handhaben. Der Boot- und Energieverwaltungsprozessor kann Teil der SoC 604-Startsequenz sein und kann Laufzeitenergieverwaltungsdienste bereitstellen. Der Bootenergie- und Verwaltungsprozessor kann die Taktfrequenz- und Spannungsprogrammierung, Unterstützung bei Übergängen des Energiesparzustands des Systems, die Verwaltung von SoC 604-Thermik und Temperatursensoren und/oder die Verwaltung der SoC 604-Leistungszustände bereitstellen. Jeder Temperatursensor kann als Ringoszillator implementiert werden, dessen Ausgangsfrequenz proportional zur Temperatur ist, und das SoC 604 kann die Ringoszillatoren verwenden, um Temperaturen von CPUs 606, GPUs 608 und/oder Beschleunigern 614 zu erkennen. Wenn die Temperaturen einen Schwellenwert überschreiten, kann Boot- und Energieverwaltungsprozessor in eine Temperaturfehlerroutine wechseln und das SoC 604 in einen niedrigeren Leistungszustand versetzen und/oder das Fahrzeug 600 in einen Sicheren-Stopp-Modus versetzen (z. B. das Fahrzeug 600 zu einem sicheren Halt führen).The
Die Prozessoren 610 können außerdem einen Satz integrierter Prozessoren enthalten, die als Audioprozessor dienen können. Die Audioverarbeitungs-Engine kann ein Audioteilsystem sein, das eine vollständige Hardware-Unterstützung für Mehrkanal-Audio über mehrere Schnittstellen sowie eine breite und flexible Palette von Audio-E/A-Schnittstellen ermöglicht. In einigen Beispielen ist die Audioverarbeitungs-Engine ein dedizierter Prozessorkern mit einem digitalen Signalprozessor mit dediziertem RAM.The
Der/die Prozessor(en) 610 kann/sind außerdem mit einem „Always-on“-Prozessor ausgestattet, der die erforderlichen Hardwarefunktionen zur Unterstützung der Sensorverwaltung mit niedrigem Energieverbrauch und der Anwendungsfälle für das Einschalten bietet. Die stets eingeschaltete Prozessor-Engine kann einen Prozessorkern, einen eng gekoppelten RAM, unterstützende Peripheriegeräte (z. B. Zeitgeber und Unterbrechungssteuerungen), verschiedene E/A-Controller-Peripheriegeräte und Routing-Logik beinhalten.The processor(s) 610 may also be equipped with an always-on processor that provides the necessary hardware features to support low-power sensor management and power-on use cases. The always-on processing engine may include a processor core, tightly coupled RAM, supporting peripherals (e.g., timers and interrupt controllers), various I/O controller peripherals, and routing logic.
Der/die Prozessor(en) 610 kann/können außerdem eine Sicherheits-Cluster-Engine enthalten, die ein dediziertes Prozessor-Subsystem für das Sicherheitsmanagement für Automobilanwendungen enthält. Die Sicherheitscluster-Engine kann zwei oder mehr Prozessorkerne, einen eng gekoppelten RAM, unterstützende Peripheriegeräte (z. B. Zeitgeber, eine Unterbrechungssteuerung usw.) und/oder Routing-Logik beinhalten. In einem Sicherheitsmodus können die zwei oder mehr Kerne in einem Gleichschrittmodus arbeiten und als ein einzelner Kern mit einer Vergleichslogik funktionieren, um beliebige Unterschiede zwischen ihren Vorgängen zu erkennen.The processor(s) 610 may also include a security cluster engine that includes a dedicated processor subsystem for security management for automotive applications. The security cluster engine may include two or more processor cores, tightly coupled RAM, supporting peripherals (e.g., timers, an interrupt controller, etc.), and/or routing logic. In a safe mode, the two or more cores can operate in lockstep mode, functioning as a single core with comparison logic to detect any differences between their operations.
Der/die Prozessor(en) 610 kann/können außerdem einen Echtzeit-Kamera-Engine enthalten, der ein dediziertes Prozessor-Subsystem für die Echtzeitkameraverwaltung enthalten kann.The processor(s) 610 may also include a real-time camera engine, which may include a dedicated processor subsystem for real-time camera management.
Der/die Prozessor(en) 610 kann/können außerdem einen Signalprozessor mit hohem Dynamikbereich enthalten, der einen Bildsignalprozessor enthält, der als Hardware-Engine Teil der Kameraverarbeitungspipeline ist.The processor(s) 610 may also include a high dynamic range signal processor that includes an image signal processor that is part of the camera processing pipeline as a hardware engine.
Die Prozessoren 610 kann/können einen Videobild-Compositor enthalten, der ein Verarbeitungsblock sein kann (z. B. auf einem Mikroprozessor implementiert), der Video-Nachbearbeitungsfunktionen implementiert, die von einer Videowiedergabeanwendung benötigt werden, um das endgültige Bild für das Playerfenster zu erzeugen. Der Videobild-Compositor kann die Objektivverzerrungskorrektur an Weitwinkelkameras 670, Umgebungskameras 674 und/oder an Sensoren der Fahrgastraum-Überwachungskamera durchführen. Der kabineninterne Überwachungskamerasensor wird vorzugsweise von einem neuronalen Netz überwacht, das auf einer anderen Instanz des Advanced SoC läuft und so konfiguriert ist, dass es Ereignisse in der Kabine erkennt und entsprechend reagiert. Ein kabineninternes System kann Lippenlesen durchführen, um den Mobilfunkdienst zu aktivieren und einen Anruf zu tätigen, E-Mails zu diktieren, ein Ziel des Fahrzeugs zu ändern, ein Infotainmentsystem des Fahrzeugs und dessen Einstellungen zu aktivieren oder zu ändern oder sprachaktiviertes Surfen im Internet bereitzustellen. Dem Fahrer stehen bestimmte Funktionen nur zur Verfügung, wenn das Fahrzeug in einem autonomen Modus betrieben wird, und sind ansonsten deaktiviert.The
Der Videobildkompositor kann eine erweiterte zeitliche Rauschunterdrückung sowohl für die räumliche als auch für die zeitliche Rauschunterdrückung beinhalten. Wenn, zum Beispiel Bewegung in einem Video vorkommt, gewichtet die Rauschunterdrückung die räumlichen Informationen entsprechend, indem sie die Gewichtung der Informationen, die von benachbarten Frames bereitgestellt werden, verringert. Wenn ein Bild oder ein Abschnitt eines Bildes keine Bewegung beinhaltet, kann die durch den Videobildkompositor durchgeführte zeitliche Rauschunterdrückung Informationen aus dem vorherigen Bild verwenden, um das Rauschen in einem derzeitigen Bild zu unterdrücken.The video image compositor may include advanced temporal noise reduction for both spatial and temporal noise reduction. For example, if there is motion in a video, noise reduction will weight the spatial information accordingly by reducing the weight of the information provided by neighboring frames. When an image or portion of an image does not contain motion, temporal noise reduction performed by the video image compositor may use information from the previous image to suppress noise in a current image.
Der Videobild-Compositor kann auch so konfiguriert werden, dass Stereo-Rektifikation auf Stereoeingangs-Linsenframes durchgeführt wird. Der Videobild-Compositor kann auch für die Erstellung der Benutzeroberfläche verwendet werden, wenn der Betriebssystemdesktop verwendet wird und die GPUs 608 nicht erforderlich ist, um kontinuierlich neue Oberflächen zu rendern. Selbst wenn die GPUs 608 eingeschaltet ist und aktiv 3D-Rendering macht, kann der Videobild-Compositor verwendet werden, um die GPUs 608 zu entlasten, um die Leistung und Reaktionsfähigkeit zu verbessern.The video image compositor can also be configured to perform stereo rectification on stereo input lens frames. The video image compositor can also be used for user interface creation when the operating system desktop is used and the
Das SoC 604 kann außerdem eine serielle Schnittstelle für mobile Industrieprozessorschnittstellen (mobile industry processor interface - MIPI) für den Empfang von Video und Input von Kameras, eine Hochgeschwindigkeitsschnittstelle und/oder einen Videoeingangsblock enthalten, der für Kamera- und verwandte Pixeleingabefunktionen verwendet werden kann. Das SoC 604 kann außerdem eine Eingabe-/Ausgabesteuerung umfassen, die von der Software gesteuert werden kann und für den Empfang von E/A-Signalen verwendet werden kann, die nicht einer bestimmten Rolle zugewiesen sind.The
Das SoC 604 kann darüber hinaus eine breite Palette von Peripherieschnittstellen enthalten, um die Kommunikation mit Peripheriegeräten, Audio-Codecs, Energieverwaltung und/oder anderen Vorrichtungen zu ermöglichen. Das SoC 604 kann zur Verarbeitung von Daten von Kameras (z. B. verbunden über Gigabit Multimedia Serial Link und Ethernet), Sensoren (z. B. LIDAR-Sensor(en) 664, RADAR-Sensor(en) 660 usw., die über Ethernet angeschlossen werden können), Daten von Bus 602 (z. B. Geschwindigkeit von Fahrzeug 600, Lenkradposition usw.), Daten von GNSS-Sensor(en) 658 (z. B. über Ethernet oder CAN-Bus angeschlossen), verwendet werden. Das SoC 604 kann außerdem dedizierte Hochleistungs-Massenspeichercontroller enthalten, die ihre eigenen DMA-Engines enthalten können und die dazu verwendet werden können, die CPUs 606 von routinemäßigen Datenverwaltungsaufgaben zu befreien.The
Das SoC 604 kann eine End-to-End-Plattform mit einer flexiblen Architektur sein, die die Automatisierungsstufen 3 bis 5 umfasst und somit eine umfassende funktionale Sicherheitsarchitektur bietet, die Computervision und ADAS-Techniken für Vielfalt und Redundanz effizient nutzt, eine Plattform für einen flexiblen, zuverlässigen Fahrsoftware-Stack bietet, zusammen mit Deep-Learning-Tools. Das SoC 604 kann schneller, zuverlässiger und noch energieeffizienter und platzsparender als herkömmliche Systeme sein. So kann der Beschleuniger 614 in Kombination mit der CPU 606, der GPU 608 und dem Datenspeicher 616 eine schnelle, effiziente Plattform für autonome Fahrzeuge der Stufe 3-5 bereitstellen.The
Die Technologie bietet somit Fähigkeiten und Funktionalität, die mit herkömmlichen Systemen nicht erreicht werden können. Zum Beispiel können Algorithmen des maschinellen Sehens auf CPUs ausgeführt werden, die unter Verwendung einer Programmiersprache auf hohem Level, wie z. B. der Programmiersprache C, konfiguriert werden können, um eine große Vielfalt von Verarbeitungsalgorithmen über eine große Vielfalt von visuellen Daten auszuführen. Die CPUs sind jedoch oft nicht in der Lage, die Performance-Anforderungen vieler Anwendungen des maschinellen Sehens zu erfüllen, wie z. B. in Bezug auf die Ausführungszeit und den Leistungsverbrauch. Insbesondere sind viele CPUs nicht in der Lage, komplexe Objekterkennungsalgorithmen in Echtzeit auszuführen, die in fahrzeuginternen ADAS-Anwendungen und in praktischen autonomen Fahrzeugen der Levels 3-5 erforderlich sind.The technology therefore offers capabilities and functionality that cannot be achieved with conventional systems. For example, computer vision algorithms can be executed on CPUs using a high-level programming language such as B. the C programming language, can be configured to execute a wide variety of processing algorithms over a wide variety of visual data. However, the CPUs are often unable to meet the performance requirements of many computer vision applications, such as: B. in terms of execution time and power consumption. In particular, many CPUs are unable to execute complex, real-time object detection algorithms required in in-vehicle ADAS applications and in practical Level 3-5 autonomous vehicles.
Im Gegensatz zu herkömmlichen Systemen ermöglicht die hier beschriebene Technologie durch Bereitstellung eines CPU-Komplexes, eines GPU-Komplexes und eines Hardware-Beschleunigungsclusters die gleichzeitige und/oder sequenzielle Durchführung mehrerer neuronaler Netze und die Kombination der Ergebnisse, um die Level 3-5-Funktionalität für autonomes Fahren zu ermöglichen. Ein CNN beispielsweise, das auf der DLA oder dGPU ausgeführt wird (z. B. die GPU 620), kann eine Text- und Worterkennung enthalten, die es dem Supercomputer ermöglicht, Verkehrszeichen zu lesen und zu verstehen, einschließlich Zeichen, für die das neuronale Netz nicht speziell ausgebildet wurde. Der DLA kann ferner ein neuronales Netz beinhalten, das in der Lage ist, Zeichen zu identifizieren, zu interpretieren und ein semantisches Verständnis davon bereitzustellen und dieses semantische Verständnis an den Pfadplanungsmodule weiterzugeben, die auf dem CPU-Komplex laufen.Unlike traditional systems, the technology described here, by providing a CPU complex, a GPU complex and a hardware acceleration cluster, allows multiple neural networks to be performed simultaneously and/or sequentially and the combination of the results to achieve Level 3-5 functionality for autonomous driving. For example, a CNN running on the DLA or dGPU (e.g., the GPU 620) may include text and word recognition that allows the supercomputer to read and understand traffic signs, including signs for which the neural Network has not been specially trained. The DLA may further include a neural network capable of identifying, interpreting and providing a semantic understanding of characters and passing this semantic understanding to the path planning modules running on the CPU complex.
Als weiteres Beispiel können mehrere neuronale Netze simultan ausgeführt werden, wie für das Fahren bei Level 3, 4 oder 5 erforderlich ist. Zum Beispiel kann ein Warnschild mit der Aufschrift „Vorsicht: Blinkende Lichter weisen auf Vereisung hin“ zusammen mit einem elektrischen Licht von mehreren neuronalen Netzen unabhängig oder gemeinsam interpretiert werden. Das Schild selbst kann von einem ersten eingesetzten neuronalen Netz (z. B. einem trainierten neuronalen Netz) als Verkehrsschild identifiziert werden und der Text „Blinkende Lichter weisen auf Verweisung hin“ kann von einem zweiten eingesetzten neuronalen Netz interpretiert werden, das die Wegplanungssoftware des Fahrzeugs (die vorzugsweise auf dem CPU-Komplex ausgeführt wird) darüber informiert, dass, wenn blinkende Lichter erkannt werden, Vereisungen vorliegen. Das blinkende Licht kann identifiziert werden, indem ein drittes eingesetztes neuronales Netz über mehrere Frames hinweg betrieben wird und die Wegplanungssoftware des Fahrzeugs über das Vorhandensein (oder Nichtvorhandensein) von blinkenden Lichtern informiert. Alle drei neuronalen Netze können gleichzeitig ausgeführt werden, z. B. innerhalb des DLA und/oder auf der GPU 608.As another example, multiple neural networks may be running simultaneously, as required for driving at Level 3, 4, or 5. For example, a warning sign that reads “Caution: Flashing lights indicate icing” along with an electric light can be interpreted independently or jointly by multiple neural networks. The sign itself can be identified as a traffic sign by a first deployed neural network (e.g. a trained neural network) and the text “Flashing lights indicate referral” can be interpreted by a second deployed neural network, which is the vehicle's path planning software (which preferably runs on the CPU complex) informs you that if blinking lights are detected, there is icing. The flashing light can be identified by operating a third deployed neural network over multiple frames and informing the vehicle's path planning software of the presence (or absence) of flashing lights. All three neural networks can run simultaneously, e.g. B. within the DLA and/or on the
In einigen Beispielen kann ein CNN zur Gesichtserkennung und Fahrzeugidentifikation Daten von Kamerasensoren verwenden, um die Anwesenheit eines autorisierten Fahrers und/oder Fahrzeugbesitzers zu identifizieren 600. Die stets eingeschaltete Sensorverarbeitungs-Engine kann verwendet werden, um das Fahrzeug zu entriegeln, wenn sich der Besitzer der Fahrertür nähert und Lichter einschaltet, und um in dem Sicherheitsmodus das Fahrzeug zu deaktivieren, wenn der Besitzer das Fahrzeug verlässt. Auf diese Weise sorgen die SoCs 604 für Sicherheit gegen Entwendung und/oder Diebstahl.In some examples, a facial recognition and vehicle identification CNN may use data from camera sensors to identify the presence of an authorized driver and/or
In einem anderen Beispiel kann ein CNN zur Erkennung und Identifizierung von Rettungsfahrzeugen Daten von Mikrofonen 696 verwenden, um Sirenen von Notfahrzeugen zu erkennen und zu identifizieren. Im Gegensatz zu herkömmlichen Systemen, die allgemeine Klassifikatoren verwenden, um Sirenen zu erkennen und Funktionen manuell zu extrahieren, verwenden die SoCs 604 CNN zur Klassifizierung von Umwelt- und Stadtgeräuschen sowie zur Klassifizierung von visuellen Daten. In einer bevorzugten Ausführungsform wird das CNN, das auf dem DLA läuft, dafür trainiert, die relative Annäherungsgeschwindigkeit des Einsatzfahrzeugs zu identifizieren (z. B. durch Verwendung des Dopplereffekts). Das CNN kann auch geschult werden, um Einsatzfahrzeuge zu identifizieren, die für den lokalen Einsatzbereich des Fahrzeugs spezifisch sind, wie durch GNSS-Sensor(en) 658 identifiziert. Folglich versucht das CNN zum Beispiel, wenn es in Europa betrieben wird, europäische Sirenen zu erkennen, und in den Vereinigten Staaten versucht das CNN, nur nordamerikanische Sirenen zu identifizieren. Sobald ein Rettungsfahrzeug erkannt wird, kann ein Steuerprogramm verwendet werden, um eine Sicherheitsroutine für Rettungsfahrzeuge auszuführen, das Fahrzeug zu verlangsamen, zur Seite der Straße zu fahren, das Fahrzeug abzustellen und/oder das Fahrzeug mit Hilfe der Ultraschallsensoren 662 im Leerlauf laufen zu lassen, bis das Rettungsfahrzeug vorbeifährt.In another example, an emergency vehicle detection and identification CNN may use data from
Das Fahrzeug kann eine CPU 618 (z. B. diskrete CPU oder dCPU) enthalten, die über eine Hochgeschwindigkeitsverbindung (z. B. PCIe) mit dem SoC 604 gekoppelt werden kann. Die CPU 618 kann z. B. einen X86-Prozessor enthalten. Die CPU 618 kann zur Ausführung einer Vielzahl von Funktionen verwendet werden, einschließlich beispielsweise der Beurteilung potenziell inkonsistenter Ergebnisse zwischen ADAS-Sensoren und dem SoC 604 und/oder Überwachung des Status und Zustands der Controller 636 und/oder des Infotainment-SoC 630.The vehicle may include a CPU 618 (e.g., discrete CPU or dCPU) that may be coupled to the
Das Fahrzeug 600 kann eine GPU 620 (z. B. diskrete GPU oder dGPU) enthalten, die über eine Hochgeschwindigkeitsverbindung (z. B. NVLINK von NVIDIA) mit dem SoC 604 gekoppelt werden kann. Die GPU 620 kann zusätzliche künstliche Intelligenz-Funktionen bereitstellen, z. B. durch die Ausführung redundanter und/oder verschiedener neuronaler Netze, und kann verwendet werden, um neuronale Netze auf der Grundlage von Eingaben (z. B. Sensordaten) von Sensoren des Fahrzeugs 600 auszubilden und/oder zu aktualisieren.The
Das Fahrzeug 600 kann außerdem die NetzNetzeschnittstelle 624 enthalten, die eine oder mehrere Funkantennen 626 enthalten kann (z. B. eine oder mehrere Funkantennen für verschiedene Kommunikationsprotokolle, wie z. B. eine Mobilfunkantenne, eine Bluetooth-Antenne usw.). Die NetzNetzeschnittstelle 624 kann verwendet werden, um drahtlose Verbindungen über das Internet mit der Cloud (z. B. mit dem Server 678 und/oder anderen Netzvorrichtungen), mit anderen Fahrzeugen und/oder mit Rechenvorrichtungen (z. B. Client-Vorrichtungen von Passagieren) zu ermöglichen. Zum Kommunizieren mit anderen Fahrzeugen kann eine direkte Verknüpfung zwischen den zwei Fahrzeugen hergestellt werden und/oder eine indirekte Verknüpfung (z. B. über Netze und über das Internet) hergestellt werden. Direkte Verknüpfungen können unter Verwendung einer Fahrzeug-zu-Fahrzeug-Kommunikationsverknüpfung hergestellt werden. Die Fahrzeug-zu-Fahrzeug-Kommunikationsverbindung kann dem Fahrzeug 600 Informationen über Fahrzeuge in der Nähe des Fahrzeugs 600 liefern (z. B. Fahrzeuge vor, seitlich und/oder hinter dem Fahrzeug 600). Diese Funktion kann Teil einer kooperativen adaptiven Geschwindigkeitsregelfunktion des Fahrzeugs 600 sein.The
Die NetzNetzeschnittstelle 624 kann über einen SoC verfügen, der Modulation und Demodulation bietet und es dem Controller 636 ermöglicht, über drahtlose Netze zu kommunizieren. Die NetzNetzeschnittstelle 624 kann ein Hochfrequenz-Front-End für die Up-Konvertierung von Basisband zu Hochfrequenz und Down-Konvertierung von Hochfrequenz zu Basisband enthalten. Die Frequenzkonvertierungen können durch hinreichend bekannte Prozesse und/oder unter Verwendung von Überlagerungsverfahren durchgeführt werden. In einigen Beispielen kann die Hochfrequenz-Frontend-Funktionalität durch einen separaten Chip bereitgestellt sein. Die NetzNetzeschnittstelle kann eine drahtlose Funktionalität für die Kommunikation über LTE, WCDMA, UMTS, GSM, CDMA2000, Bluetooth, Bluetooth LE, Wi-Fi, Z-Wave, ZigBee, LoRaWAN und/oder andere drahtlose Protokolle beinhalten.The
Das Fahrzeug 600 kann außerdem Datenspeicher 628 enthalten, die auch Off-Chip-Speicher (z. B. Off-the-SoC 604) umfassen können. Die Datenspeicher 628 können ein oder mehrere Speicherelemente einschließlich RAM, SRAM, DRAM, VRAM, Flash, Festplatten und/oder andere Komponenten und/oder Geräte, die mindestens ein Bit von Daten speichern können, umfassen.The
Das Fahrzeug 600 kann außerdem einen oder mehrere GNSS-Sensoren 658 enthalten. Die GNSS-Sensoren 658 (z. B. GPS, unterstützte GPS-Sensoren, differenzielle GPS-Sensoren (differential GPS - DGPS) usw.) unterstützen bei der Kartierung, Wahrnehmung, Generierung von Belegungsrastern und/oder der Wegplanung. Es kann eine beliebige Anzahl von GNSS-Sensoren 658 verwendet werden, einschließlich z. B. eines GPS-Geräts, das einen USB-Anschluss mit einer Ethernet-zu-Seriell-Brücke (RS-232) verwendet.The
Das Fahrzeug 600 kann außerdem einen oder mehrere RADAR-Sensoren 660 enthalten. Der RADAR-Sensor 660 kann vom Fahrzeug 600 für die Fernerkennung von Fahrzeugen verwendet werden, selbst bei Dunkelheit und/oder bei Unwetter. Die funktionalen Sicherheitsstufen des RADAR können ASIL B sein. Der RADAR-Sensor 660 kann den CAN und/oder den Bus 602 (z. B. zur Übertragung der vom RADAR-Sensor 660 generierten Daten) zur Steuerung und zum Zugriff auf Daten zur Objektverfolgung verwenden, wobei in einigen Beispielen auf Ethernet zugegriffen werden kann, um auf Rohdaten zuzugreifen. Eine große Vielfalt von RADAR-Sensortypen kann verwendet werden. Beispielsweise können die RADAR-Sensoren 660 uneingeschränkt als Front-, Heck- und Seiten-RADAR verwendet werden. In einigen Beispielen werden Puls-Doppler-RADAR-Sensoren verwendet.The
Die RADAR-Sensoren 660 können verschiedene Konfigurationen beinhalten, z. B. große Reichweite mit engem Sichtfeld, kurze Reichweite mit großem Sichtfeld, kurze Seitenabdeckung usw. In einigen Beispielen kann ein Langstrecken-RADAR für die adaptive Geschwindigkeitsregelung verwendet werden. Die Langstrecken-RADAR-Systeme können ein breites Sichtfeld bereitstellen, das durch zwei oder mehr unabhängige Scans realisiert wird, z. B. innerhalb einer Reichweite von 250 m. Die RADAR-Sensoren 660 können bei der Unterscheidung zwischen statischen und sich bewegenden Objekten helfen und von ADAS-Systemen zur Notbremsunterstützung und Kollisionswarnung verwendet werden. Langstrecken-RADAR-Sensoren können ein monostatisches multimodales RADAR mit mehreren (z. B. sechs oder mehr) festen RADAR-Antennen und einer Hochgeschwindigkeits-CAN- und FlexRay-Schnittstelle beinhalten. In einem Beispiel mit sechs Antennen können die zentralen vier Antennen ein fokussiertes Strahlmuster erzeugen, das entwickelt wurde, um die Umgebung des Fahrzeugs 600 bei höheren Geschwindigkeiten mit minimaler Beeinträchtigung durch den Verkehr in benachbarten Fahrbahnen aufzuzeichnen. Die anderen beiden Antennen können das Sichtfeld erweitern, wodurch es möglich ist, schnell Fahrzeuge zu erkennen, die in die Fahrbahn des Fahrzeugs 600 fahren oder diese verlassen.The
Mittelstrecken-RADAR-Systeme können beispielsweise eine Reichweite von bis zu 660 m (vorne) oder 80 m (hinten) und ein Sichtfeld von bis zu 42 Grad (vorne) oder 650 Grad (hinten) umfassen. Kurzstrecken-RADAR-Systeme können ohne Einschränkung RADAR-Sensoren beinhalten, die für die Installation an beiden Enden des hinteren Stoßfängers ausgelegt sind. Wenn das Sensorsystem an beiden Enden des hinteren Stoßfängers installiert ist, kann ein derartiges RADAR-Sensorsystem zwei Strahlen erzeugen, die den toten Winkel hinter und neben dem Fahrzeug konstant überwachen.For example, medium-range RADAR systems can include a range of up to 660 m (front) or 80 m (rear) and a field of view of up to 42 degrees (front) or 650 degrees (rear). Short-range RADAR systems may include, without limitation, RADAR sensors designed for installation at either end of the rear bumper. When the sensor system is installed at both ends of the rear bumper, such a RADAR sensor system can produce two beams that constantly monitor the blind spot behind and alongside the vehicle.
Kurzstrecken-RADAR-Systeme können in einem ADAS-System zur Erkennung des toten Winkels und/oder zur Fahrbahnwechselunterstützung verwendet werden.Short-range RADAR systems can be used in an ADAS system for blind spot detection and/or lane change assistance.
Das Fahrzeug 600 kann außerdem Ultraschallsensoren 662 enthalten. Die Ultraschallsensoren 662, die sich vorne, hinten und/oder an den Seiten des Fahrzeugs 600 befinden können, können zum Einparken und/oder zum Erstellen und Aktualisieren eines Belegungsrasters verwendet werden. Es können eine Vielzahl von Ultraschallsensoren 662 und verschiedene Ultraschallsensoren 662 für verschiedene Detektionsbereiche (z. B. 2,5 m, 4 m) verwendet werden. Die Ultraschallsensoren 662 können mit der Funktionssicherheitsstufe ASIL B arbeiten.The
Das Fahrzeug 600 kann LIDAR-Sensoren 664 enthalten. Die LIDAR Sensoren 664 können für die Objekt- und Fußgängererkennung, Notbremsung, Kollisionsvermeidung und/oder andere Funktionen verwendet werden. Die LIDAR-Sensoren 664 können die funktionale Sicherheitsstufe ASIL B sein. In einigen Beispielen kann das Fahrzeug 600 mehrere LIDAR-Sensoren 664 (z. B. zwei, vier, sechs usw.) beinhalten, die Ethernet verwenden können (z. B. zur Bereitstellung von Daten an einen Gigabit-Ethernet-Switch).The
In einigen Beispielen können die LIDAR-Sensoren 664 eine Liste von Objekten und deren Entfernungen für ein 360-Grad-Sichtfeld bereitstellen. Im Handel erhältliche LIDAR-Sensoren 664 können eine angekündigte Reichweite von etwa 600 m, eine Genauigkeit von 2 cm bis 3 cm und beispielsweise eine Unterstützung für eine 600-Mbit/s-Ethernet-Verbindung aufweisen. In einigen Beispielen können ein oder mehrere nicht vorstehende LIDAR-Sensoren 664 verwendet werden. In solchen Beispielen können die LIDAR-Sensoren 664 als kleine Vorrichtung implementiert werden, die in die Front, ins Heck, in die Seiten- und/oder in die Ecken des Fahrzeugs 600 eingebettet werden können. Der/die LIDAR-Sensor(en) 664 können in solchen Beispielen ein horizontales Sichtfeld von bis zu 120 Grad und ein vertikales Sichtfeld von bis zu 35 Grad mit einer Reichweite von 200 m selbst bei Objekten mit niedrigem Reflexionsvermögen bereitstellen. Front-montierte LIDAR-Sensoren 664 können für ein horizontales Sichtfeld zwischen 45 Grad und 135 Grad konfiguriert werden.In some examples, the
In einigen Beispielen können auch LIDAR-Technologien, wie etwa 3D-Flash-LIDAR, verwendet werden. 3D-Flash-LIDAR verwendet einen Laserblitz als Sendequelle, um die Umgebung des Fahrzeugs bis zu einer Entfernung von ca. 200 m auszuleuchten. Eine Flash-LIDAR-Einheit beinhaltet einen Rezeptor, der die Laserpuls-Laufzeit und das reflektierte Licht an jedem Pixel aufzeichnet, was wiederum der Reichweite vom Fahrzeug zu den Objekten entspricht. Flash-LIDAR kann ermöglichen, dass mit jedem Laserblitz hochgenaue und verzerrungsfreie Bilder der Umgebung erzeugt werden. In einigen Beispielen können vier LIDAR-Blitzsensoren eingesetzt werden, einer an jeder Seite des Fahrzeugs 600. Verfügbare 3D-Flash-LIDAR-Systeme beinhalten eine Festkörper-3D-Staring-Array-LIDAR-Kamera ohne bewegliche Teile außer einem Lüfter (z. B. eine nicht scannende LIDAR-Vorrichtung). Die Flash-LIDAR-Vorrichtung kann einen 5-Nanosekunden-Laserpuls der Klasse I (augensicher) pro Bild verwenden und kann das reflektierte Laserlicht in Form von den 3D-Reichweitenpunktwolken und gemeinsam registrierten Intensitätsdaten erfassen. Durch die Verwendung von Flash-LIDAR und weil Flash-LIDAR ein Festkörpergerät ohne bewegliche Teile ist, ist der LIDAR-Sensor 664 möglicherweise weniger anfällig für Bewegungsunschärfen, Vibrationen und/oder Stöße.In some examples, LIDAR technologies, such as 3D flash LIDAR, may also be used. 3D flash LIDAR uses a laser flash as a transmission source to illuminate the vehicle's surroundings up to a distance of approximately 200 m. A flash LIDAR unit includes a receptor that records the laser pulse travel time and reflected light at each pixel, which in turn corresponds to the range from the vehicle to the objects. Flash LIDAR can enable highly accurate and distortion-free images of the environment to be created with each laser flash. In some examples, four LIDAR lightning sensors may be deployed, one on each side of the
Das Fahrzeug kann außerdem IMU-Sensoren 666 enthalten. Die IMU-Sensoren 666 können sich in einigen Beispielen in der Mitte der Hinterachse des Fahrzeugs 600 befinden. Die IMU-Sensoren 666 können z. B. einen oder mehrere Beschleunigungsmesser, Magnetometer, Gyroskope, magnetische Kompasse und/oder andere Sensortypen umfassen. In einigen Beispielen, wie z. B. in sechs-Achsen-Anwendungen, können die IMU-Sensoren 666 Beschleunigungsmesser und Gyroskope enthalten, während in neun-Achsen-Anwendungen die IMU-Sensoren 666 Beschleunigungsmesser, Gyroskope und Magnetometer umfassen können.The vehicle may also include
In einigen Ausführungsformen können die IMU-Sensoren 666 als Miniatur-GPS-Aided Inertial Navigation System (GPS/INS) implementiert werden, das Inertialsensoren mikroelektromechanischer Systeme (micro-electro-mechanical systems - MEMS), einen hochempfindlichen GPS-Empfänger und fortschrittliche Kalman-Filteralgorithmen kombiniert, um Abschätzungen von Position, Geschwindigkeit und Neigung zu liefern. In einigen Beispielen können die IMU-Sensoren 666 es dem Fahrzeug 600 ermöglichen, den Kurs ohne Eingabe eines Magnetsensors zu schätzen, indem die Geschwindigkeitsänderungen vom GPS direkt auf den IMU-Sensoren 666 beobachtet und korreliert werden. In einigen Beispielen können IMU-Sensoren 666 und GNSS-Sensoren 658 in einer einzigen integrierten Einheit kombiniert werden.In some embodiments, the
Das Fahrzeug kann mit Mikrofonen 696 ausgestattet sein, die in und/oder um das Fahrzeug 600 platziert sind. Die Mikrofone 696 können unter anderem zur Erkennung und Identifizierung von Rettungsfahrzeugen verwendet werden.The vehicle may be equipped with
Das Fahrzeug kann außerdem eine beliebige Anzahl von Kameratypen umfassen, einschließlich Stereokameras 668, Weitwinkelkameras 670, Infrarotkameras 672, Umgebungskameras 674, Langstrecken- und/oder Mittelstreckenkameras 698 und/oder andere Kameratypen. Mit den Kameras können Bilddaten rund um eine gesamte Peripherie des Fahrzeugs 600 herum erfasst werden. Die verwendeten Kameratypen hängen von den Ausführungsformen und Anforderungen für das Fahrzeug 600 ab, und jede Kombination von Kameratypen kann verwendet werden, um die erforderliche Abdeckung um das Fahrzeug 600 herum zu gewährleisten. Zusätzlich kann die Anzahl der Kameras in Abhängigkeit von der Ausführungsform unterschiedlich sein. Zum Beispiel kann das Fahrzeug sechs Kameras, sieben Kameras, zehn Kameras, zwölf Kameras und/oder eine andere Anzahl von Kameras beinhalten. Die Kameras können zum Beispiel und ohne Einschränkung Gigabit Multimedia Serial Link (GMSL) und/oder Gigabit Ethernet unterstützen. Jede Kamera wird in diesem Dokument in Bezug auf
Das Fahrzeug 600 kann außerdem Vibrationssensoren 642 enthalten. Die Vibrationssensoren 642 können Vibrationen von Komponenten des Fahrzeugs, z. B. den Achsen, messen. Zum Beispiel können Änderungen der Vibrationen eine Änderung des Straßenbelags angeben. In einem anderen Beispiel können bei Verwendung von zwei oder mehr Vibrationssensoren 642 die Unterschiede zwischen den Vibrationen zur Bestimmung der Reibung oder des Schlupfes der Fahrbahnoberfläche verwendet werden (z. B. wenn der Vibrationsunterschied zwischen einer elektrisch angetriebenen und einer frei drehenden Achse besteht).The
Das Fahrzeug 600 kann ein ADAS-System 638 enthalten. Das ADAS-System 638 kann in einigen Beispielen ein SoC enthalten. Das ADAS-System 638 kann autonome/adaptive/automatische Geschwindigkeitsregelung (autonomous/adaptive/automatic cruise control - ACC), kooperative adaptive Geschwindigkeitsregelung (cooperative adaptive cruise control - CACC), Aufprallwarnung (forward crash warning - FCW), automatische Notbremsung (automatic emergency braking - AEB), Spurerkennungssystem (lane departure warning - LDW), Spurhalteassistent (lane keep assistent - LKA), Totwinkel-Warner (blind spot warning - BSW), Heckbereichswarnung (rear cross-traffic warning - RCTW), Kollisionswarnsysteme (collision warning system - CWS), Fahrbahnzentrierung (lane centering - LC) und/oder andere Merkmale und Funktionalitäten umfassen.The
Die ACC-Systeme können RADAR-Sensoren 660, LIDAR-Sensoren 664 und/oder Kameras verwenden. Die ACC-Systeme können eine ACC in Längsrichtung und/oder eine ACC in Querrichtung beinhalten. Das ACC in Längsrichtung überwacht und steuert den Abstand zum Fahrzeug unmittelbar vor dem Fahrzeug 600 und passt die Fahrzeuggeschwindigkeit automatisch an, um einen sicheren Abstand zu den vorausfahrenden Fahrzeugen einzuhalten. Das laterale ACC führt die Distanzmessung durch und rät dem Fahrzeug 600, bei Bedarf die Fahrbahn zu wechseln. Die ACC in Querrichtung ist mit anderen ADAS-Anwendungen, wie etwa LCA und CWS, verbunden.The ACC systems may use
CACC verwendet Informationen von anderen Fahrzeugen, die über die NetzNetzeschnittstelle 624 und/oder die Wireless-Antenne(n) 626 von anderen Fahrzeugen über eine Wireless-Verbindung oder indirekt über eine Netzverbindung (z. B. über das Internet) empfangen werden können. Direkte Verknüpfungen können durch eine Fahrzeug-zu-Fahrzeug (V2V)-Kommunikationsverknüpfung bereitgestellt werden, während indirekte Verknüpfungen durch eine Infrastruktur-zu-Fahrzeug (l2V)-Kommunikationsverknüpfung bereitgestellt werden können. Das Kommunikationskonzept V2V informiert in der Regel über die unmittelbar vorausfahrenden Fahrzeuge (z. B. Fahrzeuge unmittelbar vor und auf derselben Fahrbahn wie das Fahrzeug 600), während das Kommunikationskonzept I2V Informationen über den weiteren vorausfahrenden Verkehr liefert. CACC-Systeme können entweder eines oder beides von !2V- und V2V-Informationsquellen beinhalten. Angesichts der Informationen über die Fahrzeuge vor dem Fahrzeug 600 könnte CACC zuverlässiger sein und das Potenzial haben, die Verkehrsströme zu verbessern und Staus auf der Straße zu reduzieren.CACC uses information from other vehicles that can be received via
FCW-Systeme wurden entwickelt, um den Fahrer auf eine Gefahr aufmerksam zu machen, damit der Fahrer Korrekturmaßnahmen ergreifen kann. FCW-Systeme verwenden eine nach vorne gerichtete Kamera und/oder RADAR-Sensoren 660 gekoppelt an einen dedizierten Prozessor, DSP, FPGA und/oder ASIC, der elektrisch mit dem Fahrer-Feedback gekoppelt ist, z. B. einem Display, Lautsprecher und/oder einer vibrierenden Komponente. FCW-Systeme können eine Warnung bereitstellen, z. B. in Form eines Tons, einer optischen Warnung, einer Vibration und/oder eines schnellen Bremsimpulses.FCW systems are designed to alert the driver to a hazard so the driver can take corrective action. FCW systems use a forward-facing camera and/or
AEB-Systeme erkennen einen drohenden Aufprall mit einem anderen Fahrzeug oder einem anderen Objekt und können die Bremsen automatisch betätigen, wenn der Fahrer innerhalb eines bestimmten Zeit- oder Entfernungsparameters keine Korrekturmaßnahmen ergreift. AEB-Systeme können nach vorne gerichtete Kameras und/oder RADAR-Sensoren 660 verwenden, die mit einem dedizierten Prozessor, DSP, FPGA und/oder ASIC gekoppelt sind. Wenn das AEB-System eine Gefahr erkannt, warnt es typischerweise zuerst den Fahrer, um eine korrigierende Handlung durchzuführen, um eine Kollision zu vermeiden, und, wenn der Fahrer keine korrigierende Handlung durchführt, kann das AEB-System automatisch die Bremsen in dem Bestreben betätigen, die Auswirkungen der vorhergesagten Kollision zu verhindern oder mindestens abzuschwächen. AEB-Systeme können Techniken, wie zum Beispiel dynamische Bremsunterstützung und/oder Bremsung aufgrund eines bevorstehenden Zusammenstoßes, beinhalten.AEB systems detect an impending collision with another vehicle or object and can automatically apply the brakes if the driver does not take corrective action within a certain time or distance parameter. AEB systems may use forward-facing cameras and/or
LDW-Systeme bieten optische, akustische und/oder taktile Warnungen, wie z. B. Lenkrad- oder Sitzvibrationen, um den Fahrer zu warnen, wenn das Fahrzeug 600 die Fahrbahnmarkierungen überquert. Ein LDW-System wird nicht aktiviert, wenn der Fahrer ein absichtliches Verlassen der Fahrspur anzeigt, indem er den Blinker betätigt. LDW-Systeme können nach vorne gerichtete Kameras verwenden, die mit einem dedizierten Prozessor, DSP, FPGA und/oder ASIC gekoppelt sind, die elektrisch mit einer Rückmeldung des Fahrers gekoppelt sind, wie z. B. einer Anzeige, einem Lautsprecher und/oder einer vibrierenden Komponente.LDW systems provide visual, audible and/or tactile warnings, such as: B. Steering wheel or seat vibrations to alert the driver when the
LKA-Systeme sind eine Variante der LDW-Systeme. LKA-Systeme bieten Lenkeingaben oder Bremsen, um das Fahrzeug 600 zu korrigieren, wenn das Fahrzeug 600 die Fahrbahn verlässt.LKA systems are a variant of the LDW systems. LKA systems provide steering inputs or braking to correct the
BSW-Systeme erkennen und warnen den Fahrer vor Fahrzeugen im toten Winkel eines Automobils. BSW-Systeme können einen optischen, akustischen und/oder taktilen Alarm bereitstellen, um anzugeben, dass Einfädeln in oder Wechseln der Fahrspuren unsicher ist. Das System kann eine zusätzliche Warnung bereitstellen, wenn der Fahrer einen Blinker setzt. BSW-Systeme können (eine) nach hinten und zur Seite gerichtete Kamera(s) und/oder RADAR-Sensor(en) 660 verwenden, die an einen dedizierten Prozessor, DSP, FPGA und/oder ASIC gekoppelt sind, das heißt elektrisch an eine Rückführung des Fahrers gekoppelt, wie etwa eine Anzeige, einen Lautsprecher und/oder eine schwingende Komponente.BSW systems detect and warn the driver of vehicles in an automobile's blind spot. BSW systems can provide a visual, audible and/or tactile alarm to indicate that merging or changing lanes is unsafe. The system can provide an additional warning when the driver uses a turn signal. BSW systems may use rear- and side-facing camera(s) and/or RADAR sensor(s) 660 coupled to a dedicated processor, DSP, FPGA and/or ASIC, i.e. electrically coupled to a Driver feedback coupled, such as a display, a speaker and / or a vibrating component.
RCTW-Systeme können visuelle, akustische und/oder taktile Benachrichtigungen liefern, wenn ein Objekt außerhalb des Bereichs der Rückfahrkamera erkannt wird, wenn das Fahrzeug 600 rückwärtsfährt. Einige RCTW-Systeme beinhalten das AEB-System, um sicherzustellen, dass die Fahrzeugbremsen betätigt werden, um einen Zusammenstoß zu vermeiden. RCTW-Systeme können eine oder mehrere nach hinten gerichtete RADAR-Sensoren 660 verwenden, gekoppelt mit einem dedizierten Prozessor, DSP, FPGA und/oder ASIC, der elektrisch mit dem Fahrer-Feedback gekoppelt ist, z. B. einem Display, einem Lautsprecher und/oder einer vibrierenden Komponente.RCTW systems can provide visual, audible and/or tactile notifications when an object is detected outside the range of the rearview camera when the
Herkömmliche ADAS-Systeme können zu falsch positiven Ergebnissen neigen, die für den Fahrer störend und ablenkend sein können, aber in der Regel nicht katastrophal sind, da die ADAS-Systeme den Fahrer alarmieren und es dem Fahrer ermöglichen, zu entscheiden, ob eine Sicherheitsbedingung tatsächlich vorliegt, und entsprechend zu handeln. Bei einem autonomen Fahrzeug 600 muss das Fahrzeug 600 selbst jedoch bei widersprüchlichen Ergebnissen entscheiden, ob das Ergebnis eines primären oder eines sekundären Computers (z. B. eines ersten Controllers 636 oder eines zweiten Controllers 636) berücksichtigt werden soll. In einigen Ausführungsformen kann das ADAS-System 638 beispielsweise ein Backup- und/oder Sekundärcomputer sein, um Wahrnehmungsinformationen für ein Rationalitätsmodul des Backup-Computers bereitzustellen. Der Rationalitätsmonitor des Backup-Computers kann eine redundante, diverse Software auf Hardware-Komponenten ausführen, um Fehler in der Wahrnehmung und bei dynamischen Fahraufgaben zu erkennen. Ausgaben vom ADAS-System 638 können einer Überwachungs-MCU bereitgestellt werden. Wenn die Ausgaben des primären und des sekundären Computers miteinander in Konflikt geraten, muss die Überwachungs-MCU bestimmen, wie der Konflikt beigelegt werden kann, um einen sicheren Betrieb zu gewährleisten.Traditional ADAS systems can be prone to false positives, which can be disruptive and distracting to the driver, but are usually not catastrophic because the ADAS systems alert the driver and allow the driver to decide whether a safety condition actually exists exists and to act accordingly. However, in an
In einigen Beispielen kann der primäre Computer so konfiguriert sein, dass er der Überwachungs-MCU eine Konfidenzbewertung bereitstellt, die eine Konfidenz des primären Computers für das gewählte Ergebnis angibt. Falls die Konfidenzbewertung einen Schwellenwert überschreitet, kann diese Überwachungs-MCU der Führung des primären Computers folgen, unabhängig davon, ob dieser sekundäre Computer ein widersprüchliches oder inkonsistentes Ergebnis bereitstellt. Wenn die Konfidenzbewertung den Schwellenwert nicht erreicht und der primäre und der sekundäre Computer unterschiedliche Ergebnisse angeben (z. B. den Widerspruch), kann die Überwachungs-MCU zwischen den Computern vermitteln, um das zweckmäßige Resultat zu bestimmen.In some examples, the primary computer may be configured to provide the monitoring MCU with a confidence score that indicates a confidence of the primary computer for the selected result. If the confidence score exceeds a threshold, this monitoring MCU can follow the lead of the primary computer, regardless of whether this secondary computer provides a conflicting or inconsistent result. If the confidence score does not reach the threshold and the primary and secondary computers report different results (e.g., the contradiction), the monitoring MCU can mediate between the computers to determine the appropriate result.
Die Überwachungs-MCU kann so konfiguriert sein, dass sie neuronale(s) Netz(e) ausführt, die dafür trainiert und konfiguriert sind, mindestens auf Grundlage von Ausgaben aus dem primären Computer und dem sekundären Computer die Bedingungen zu bestimmen, unter denen der sekundäre Computer Fehlalarme bereitstellt. Folglich können das/die neuronale Netz(e) in der Überwachungs-MCU lernen, wann der Ausgabe eines sekundären Computers vertraut werden kann und wann nicht. Zum Beispiel können, wenn der sekundäre Computer ein RADARbasiertes FCW-System ist, neuronale Netz(e) in der Überwachungs-MCU lernen, wann das FCW-System metallische Objekte identifiziert, die tatsächlich keine Gefahren sind, wie etwa ein Abflussgitter oder ein Gullydeckel, das/der einen Alarm auslöst. Wenn der sekundäre Computer ein kamerabasiertes LDW-System ist, kann ein neuronales Netz in der Überwachungs-MCU ähnlich lernen, die LDW zu überschreiben, wenn Fahrradfahrer oder Fußgänger vorhanden sind und ein Verlassen der Fahrspur tatsächlich das sicherste Manöver ist. In Ausführungsformen, die ein oder mehrere neuronale Netze beinhalten, die auf der Überwachungs-MCU laufen, kann die Überwachungs-MCU mindestens eine DLA oder GPU beinhalten, die für die Ausführung des oder der neuronalen Netze mit zugeordnetem Speicher geeignet ist. In bevorzugten Ausführungsformen kann die Überwachungs-MCU als Bestandteil des SoCs 604 enthalten und/oder einbezogen werden.The monitoring MCU may be configured to execute neural network(s) trained and configured to determine, based at least on outputs from the primary computer and the secondary computer, the conditions under which the secondary Computer provides false alarms. Consequently, the neural network(s) in the monitoring MCU can learn when the output of a secondary computer can and cannot be trusted. For example, if the secondary computer is a RADAR-based FCW system, neural network(s) in the surveillance MCU can learn when the FCW system identifies metallic objects that are not actually hazards, such as a drain grate or manhole cover, that triggers an alarm. Similarly, if the secondary computer is a camera-based LDW system, a neural network in the surveillance MCU can learn to override the LDW when cyclists or pedestrians are present and lane departure is actually the safest maneuver. In embodiments that include one or more neural networks running on the monitoring MCU, the monitoring MCU may include at least one DLA or GPU capable of executing the neural network(s) with associated memory. In preferred embodiments, the monitoring MCU may be included and/or incorporated as part of the
In anderen Beispielen kann das ADAS-System 638 einen sekundären Computer umfassen, der die ADAS-Funktionalität mithilfe herkömmlicher Regeln der Computervision ausführt. Somit kann der sekundäre Computer klassische Regeln des maschinellen Sehens (wenn-dann) verwenden und kann das Vorhandensein eines neuronalen NetzNetzes/von neuronalen Netzen in der Überwachungs-MCU die Zuverlässigkeit, Sicherheit und Leistung verbessern. Zum Beispiel macht die vielfältige Implementation und absichtliche Nicht-Identität das Gesamtsystem fehlertoleranter, insbesondere gegenüber Fehlern, die durch Software (oder Software-Hardware-Schnittstellen)-Funktionalität verursacht werden. Wenn zum Beispiel ein Software-Bug oder -Fehler in der auf dem primären Computer laufenden Software vorliegt und der nicht identische Software-Code, der auf dem sekundären Computer läuft, dasselbe Gesamtergebnis bereitstellt, kann die Überwachungs-MCU eine größere Konfidenz darin haben, dass das Gesamtergebnis korrekt ist und der Bug in der Software oder Hardware auf dem primären Computer keinen wesentlichen Fehler verursacht.In other examples, the
In einigen Beispielen kann die Ausgabe des ADAS-Systems 638 in den Wahrnehmungs-Block des primären Computers und/oder den dynamischen Fahraufgaben-Block des primären Computers eingespeist werden. Wenn das ADAS-System 638 beispielsweise eine Aufprallwarnung aufgrund eines unmittelbar vorausliegenden Objekts anzeigt, kann der Wahrnehmungs-Block diese Informationen bei der Identifizierung von Objekten verwenden. In anderen Beispielen kann der sekundäre Computer über sein eigenes neuronales Netz verfügen, das trainiert ist und somit das Risiko von falsch positiven Ergebnissen reduziert, wie hierin beschrieben.In some examples, the output of the
Das Fahrzeug 600 kann außerdem das Infotainment-SoC 630 (z. B. ein Fahrzeug-Infotainment-System (in-vehicle infotainment - IVI)) enthalten. Obwohl als ein SoC veranschaulicht und beschrieben, kann das Infotainment-System möglicherweise kein SoC sein und kann zwei oder mehr diskrete Komponenten beinhalten. Das Infotainment-SoC 630 kann eine Kombination aus Hardware und Software umfassen, die verwendet werden kann, um dem Fahrzeug 600 Audio (z. B. Musik, einen persönlichen digitalen Assistenten, Navigationsanweisungen, Nachrichten, Radio usw.), Video (z. B. TV, Filme, Streaming usw.), Telefon (z. B. Freisprechfunktion), Netzkonnektivität (z. B. LTE, Wi-Fi, Usw.) und/oder Informationsdienste (z. B. Navigationssysteme, Einparkhilfe hinten, ein Funkdatensystem, fahrzeugbezogene Informationen wie Kraftstoffstand, zurückgelegte Gesamtstrecke, Bremsflüssigkeitsstand, Ölstand, Tür auf/zu, Luftfilterinformationen usw.) bereitzustellen. Zum Beispiel kann das Infotainment-SoC 630 Radios, CD-Player, Navigationssysteme, Videoplayer, USB- und Bluetooth-Konnektivität, Carputer, In-Car-Entertainment, Wi-Fi, Lenkrad-Audiosteuerungen, freihändige Sprachsteuerung, ein Heads-Up-Display (HUD), ein HMI-Display 634, ein Telematikgerät, ein Bedienfeld (z. B. zur Steuerung und/oder Interaktion mit verschiedenen Komponenten, Funktionen und/oder Systemen) und/oder anderen Komponenten umfassen. Das Infotainment-SoC 630 kann außerdem dazu verwendet werden, Informationen (z. B. visuell und/oder hörbar) für Benutzer des Fahrzeugs bereitzustellen, z. B. Informationen aus dem ADAS-System 638, Informationen zum autonomen Fahren wie geplante Fahrzeugmanöver, Trajektorien, Umgebungsdaten (z. B. Kreuzungsinformationen, Fahrzeuginformationen, Straßeninformationen usw.) und/oder andere Informationen.The
Das Infotainment-SoC 630 kann GPU-Funktionalität enthalten. Das Infotainment-SoC 630 kann über den Bus 602 (z. B. CAN-Bus, Ethernet usw.) mit anderen Vorrichtungen, Systemen und/oder Komponenten des Fahrzeugs 600 kommunizieren. In einigen Beispielen kann das Infotainment-SoC 630 mit einer Überwachungs-MCU gekoppelt werden, sodass die GPU des Infotainment-Systems einige Selbstfahr-Funktionen ausführen kann, falls der primäre Controller 636 (z. B. der primäre und/oder Backup-Computer des Fahrzeugs 600) ausfällt. In einem solchen Beispiel kann das Infotainment-SoC 630 das Fahrzeug 600 in den sicheren Stopp-Modus versetzen, wie hier beschrieben.The
Das Fahrzeug 600 kann außerdem ein Kombiinstrument 632 (z. B. ein digitales Armaturenbrett, ein elektronisches Kombiinstrument, eine digitale Instrumententafel usw.) enthalten. Das Kombiinstrument 632 kann einen Controller und/oder Supercomputer (z. B. einen diskreten Controller oder Supercomputer) beinhalten. Das Kombiinstrument 632 kann einen Satz von Instrumenten wie etwa einen Geschwindigkeitsmesser, Kraftstofffüllstand, Öldruck, Tachometer, Wegstreckenzähler, Blinker, Schaltpositionsanzeige, Sicherheitsgurtwarnleuchte(n), Parkbremswarnleuchte(n), Motorfehlfunktionsleuchte(n), Airbag- (SRS-) Systeminformationen, Beleuchtungssteuerelemente, Sicherheitssystemsteuerelemente, Navigationsinformationen usw. beinhalten. In einigen Beispielen können Informationen angezeigt und/oder zwischen dem Infotainment-SoC 630 und dem Kombiinstrument 632 gemeinsam genutzt werden. Mit anderen Worten kann das Kombiinstrument 632 als Teil des Infotainment-SoC 630 oder umgekehrt beinhaltet sein.The
Die Server 678 können über die Netze 690 und von den Fahrzeugen Bilddaten empfangen, die repräsentativ für Bilder sind, die unerwartete oder veränderte Straßenbedingungen zeigen, wie z. B. kürzlich begonnene Straßenarbeiten. Die Server 678 können, über die Netze 690 und an die Fahrzeuge, neuronale Netze 692, aktualisierte neuronale Netze 692 und/oder Karteninformationen 694 übertragen, einschließlich Informationen über den Verkehr und die Straßenbedingungen. Die Aktualisierungen der Karteninformationen 694 können Aktualisierungen für die HD-Karte 622 enthalten, wie z. B. Informationen zu Baustellen, Schlaglöchern, Umwegen, Überschwemmungen und/oder anderen Hindernissen. In einigen Beispielen können die neuronalen Netze 692, die aktualisierten neuronalen Netze 692 und/oder die Karteninformationen 694 aus neuen Ausbildungen und/oder Erfahrungen resultieren, dargestellt in Daten aus einer beliebigen Anzahl von Fahrzeugen in der Umgebung, und/oder basierend auf Ausbildungen, die in einem Rechenzentrum durchgeführt werden (z. B. unter Verwendung der Server 678 und/oder anderer Server).The
Die Server 678 können verwendet werden, um maschinelle Lernmodelle (z. B. neuronale Netze) basierend auf Ausbildungsdaten auszubilden. Die Trainingsdaten können von Fahrzeugen erzeugt werden und/oder können in einer Simulation (z. B. unter Verwendung einer Spiele-Engine) erzeugt werden. In einigen Beispielen werden die Trainingsdaten mit Tags versehen (z. B. wenn das neuronale Netz von überwachtem Lernen profitiert) und/oder einer anderen Vorverarbeitung unterzogen, während in anderen Beispielen die Trainingsdaten nicht mit Tags versehen und/oder vorverarbeitet werden (z. B. wenn das neuronale Netz kein überwachtes Lernen benötigt). Das Training kann nach einer oder mehreren Klassen von maschinellen Lerntechniken erfolgen, einschließlich, aber nicht beschränkt auf Klassen wie: überwachtes Training, halbüberwachtes Training, unüberwachtes Training, Selbstlernen, Verstärkungslernen, föderiertes Lernen, Transferlernen, Merkmalslernen (einschließlich Hauptkomponenten- und Clusteranalysen), multilineares Unterraumlernen, vielfältiges Lernen, Repräsentationslernen (einschließlich Ersatzwörterbuchlernen), regelbasiertes maschinelles Lernen, Anomalieerkennung und alle Varianten oder Kombinationen davon. Nach dem Trainieren der maschinellen Lernmodelle können die maschinellen Lernmodelle von den Fahrzeugen verwendet werden (z. B. über das Netz 690 an die Fahrzeuge übertragen) und/oder können die maschinellen Lernmodelle von den Servern 678 zur Fernüberwachung der Fahrzeuge verwendet werden.The
In einigen Beispielen kann der Server 678 Daten von den Fahrzeugen empfangen und die Daten auf aktuelle neuronale Echtzeit-Netze anwenden, um intelligente Echtzeit-Inferenzen zu ermöglichen. Die Server 678 können Deep-Learning-Supercomputer und/oder dedizierte KI-Computer mit GPUs 684 umfassen, wie z. B. DGX- und DGX-Stationsmaschinen, die von NVIDIA entwickelt wurden. In einigen Beispielen können die Server 678 jedoch eine Deep-Learning-Infrastruktur enthalten, die nur CPU-betriebene Rechenzentren verwendet.In some examples, the
Die Deep-Learning-Infrastruktur der Server 678 kann eine schnelle Echtzeit-Inferenz ermöglichen und diese Funktion nutzen, um den Zustand der Prozessoren, der Software und/oder der zugehörigen Hardware im Fahrzeug 600 zu bewerten und zu überprüfen. Beispielsweise kann die Deep-Learning-Infrastruktur regelmäßige Aktualisierungen vom Fahrzeug 600 erhalten, wie z. B. eine Abfolge von Bildern und/oder Objekten, die das Fahrzeug 600 in dieser Abfolge von Bildern lokalisiert hat (z. B. durch Computervision und/oder andere Techniken zur Klassifizierung von Machine-Learning-Objekten). Die Deep-Learning-Infrastruktur kann ein eigenes neuronales Netz betreiben, um die Objekte zu identifizieren und sie mit den vom Fahrzeug 600 identifizierten Objekten zu vergleichen. Wenn die Ergebnisse nicht übereinstimmen und die Infrastruktur zu dem Schluss kommt, dass die KI im Fahrzeug 600 defekt ist, kann der Server 678 ein Signal an das Fahrzeug 600 senden, das einen ausfallsicheren Computer des Fahrzeugs 600 anweist, die Kontrolle zu übernehmen, die Passagiere zu benachrichtigen und ein sicheres Einparkmanöver durchzuführen.The deep learning infrastructure of the
Für die Inferenz können die Server 678 die GPUs 684 und einen oder mehrere programmierbare Inferenzbeschleuniger (z. B. NVIDIA TensorRT) enthalten. Die Kombination von GPU-angetriebenen Servern und Inferenzbeschleunigung kann eine Reaktionsfähigkeit in Echtzeit ermöglichen. In anderen Beispielen, wenn z. B. die Performance weniger kritisch ist, können von CPUs, FPGAs und anderen Prozessoren angetriebene Server für die Ableitung verwendet werden.For inference,
BEISPIELHAFTE RECHENVORRICHTUNGEXEMPLARY COMPUTING DEVICE
Obwohl die verschiedenen Blöcke aus
Das Verbindungssystem 702 kann einen oder mehrere Verbindungen oder Busse darstellen, z. B. einen Adressbus, einen Datenbus, einen Steuerbus oder eine Kombination davon. Das Verbindungssystem 702 kann einen oder mehrere Bus- oder Verbindungstypen umfassen, z. B. einen ISA-Bus (Industry Standard Architecture), einen EISA-Bus (Extended Industry Standard Architecture), einen VESA-Bus (Video Electronics Standards Association), einen PCI-Bus (Peripheral Component Interconnect), einen PCle-Bus (Peripheral Component Interconnect Express) und/oder einen anderen Bus- oder Verbindungstyp. In einigen Ausführungsformen gibt es direkte Verbindungen zwischen Komponenten. Als Beispiel kann die CPU 706 direkt an den Speicher 704 angeschlossen werden. Außerdem kann die CPU 706 direkt an die GPU 708 angeschlossen werden. Bei direkter oder Punkt-zu-Punkt-Verbindung zwischen Komponenten kann das Verbindungssystem 702 eine PCIe-Verbindung zur Durchführung der Verbindung enthalten. In diesen Beispielen muss kein PCI-Bus in die Rechenvorrichtung 700 aufgenommen werden.The
Der Speicher 704 kann über eine Vielzahl von computerlesbaren Medien verfügen. Die computerlesbaren Medien können alle verfügbaren Medien sein, auf die die Rechenvorrichtung 700 zugreifen kann. Die computerlesbaren Medien können sowohl flüchtige als auch nichtflüchtige Medien sowie entfernbare und nicht entfernbare Medien beinhalten. Beispielhaft und nicht einschränkend können die computerlesbaren Medien Computerspeichermedien und Kommunikationsmedien umfassen.
Das Computerspeichermedium kann sowohl flüchtige als auch nichtflüchtige Medien und/oder wechselbare und nicht wechselbare Medien enthalten, die in jedem Verfahren oder Technologie zur Speicherung von Informationen wie computerlesbaren Anweisungen, Datenstrukturen, Programmmodulen und/oder andere Datentypen implementiert sind. Im Speicher 704 können beispielsweise computerlesbare Anweisungen gespeichert werden (z. B., die ein oder mehrere Programme und/oder Programmelemente darstellen, z. B. ein Betriebssystem. Zu den Speichermedien für Computer gehören unter anderem RAM, ROM, EEPROM, Flash-Speicher oder andere Speichertechnologien, CD-ROM, Digital Versatile Disks (DVD) oder andere optische Datenträger, Magnetkassetten, Magnetband, Magnetplattenspeicher oder andere magnetische Speichergeräte, oder jedes andere Medium, das zum Speichern der gewünschten Informationen verwendet werden kann und auf das die Rechenvorrichtung 700 zugreifen kann. Im hierin verwendeten Sinne umfassen Computerspeichermedien keine Signale an sich.The computer storage medium may include both volatile and non-volatile media and/or removable and non-removable media implemented in any method or technology for storing information such as computer-readable instructions, data structures, program modules and/or other types of data. For example,
Die Computerspeichermedien können computerlesbare Anweisungen, Datenstrukturen, Programmmodule und/oder andere Datentypen in einem modulierten Datensignal wie etwa einer Trägerwelle oder einem anderen Transportmechanismus verkörpern und beinhalten beliebige Informationsliefermedien. Der Begriff „moduliertes Datensignal“ kann ein Signal betreffen, das eine oder mehrere seiner Eigenschaften auf solch eine Weise verändert aufweist, dass Informationen in dem Signal codiert werden. Zum Beispiel, und nicht als Einschränkung, können Computerspeichermedien verkabelte Medien beinhalten, wie beispielsweise ein verkabeltes Netz oder eine drahtgebundene Verbindung, und drahtlose Medien, wie beispielsweise akustische, RF, infrarote und andere drahtlose Medien. Kombinationen aller Vorstehenden sollen ebenfalls im Umfang computerlesbarer Medien eingeschlossen sein.The computer storage media may embody computer-readable instructions, data structures, program modules, and/or other types of data in a modulated data signal such as a carrier wave or other transport mechanism, and include any information delivery media. The term “modulated data signal” may refer to a signal that has one or more of its properties altered in such a way that information is encoded in the signal. By way of example, and not as a limitation, computer storage media may include wired media, such as a wired network or wired connection, and wireless media, such as acoustic, RF, infrared, and other wireless media. Combinations of all of the foregoing are also intended to be included within the scope of computer-readable media.
Die CPUs 706 können so konfiguriert werden, dass sie mindestens einige der computerlesbaren Anweisungen zur Steuerung einer oder mehrerer Komponenten des Rechners 700 ausführen, um eine oder mehrere der hier beschriebenen Verfahren und/oder Prozesse auszuführen. Die CPUs 706 können jeweils einen oder mehrere Kerne (z. B. einen, zwei, vier, acht, achtundzwanzig, zweiundsiebzig usw.) umfassen, die in der Lage sind, eine Vielzahl von Software-Threads gleichzeitig zu verarbeiten. Die CPUs 706 können jede Art von Prozessor enthalten und je nach Art der implementierten Rechenvorrichtung 700 verschiedene Typen von Prozessoren enthalten (z. B. Prozessoren mit weniger Kernen für Mobilgeräte und Prozessoren mit mehr Kernen für Server). Je nach Rechenvorrichtung 700 kann es sich beispielsweise um einen Advanced RISC Machine (ARM)-Prozessor mit reduziertem Instruction Set Computing (RISC) oder einen x86-Prozessor mit komplexem Instruction Set Computing (CISC) handeln. Die Rechenvorrichtung 700 kann zusätzlich zu einem oder mehreren Mikroprozessoren oder zusätzlichen Coprozessoren, wie z. B. mathematischen Coprozessoren, eine oder mehrere CPUs 706 enthalten.The
Die GPUs 708 können darüber hinaus oder alternativ von den CPUs 706 so konfiguriert werden, dass sie mindestens einige computerlesbaren Anweisungen zur Steuerung einer oder mehrerer Komponenten des Rechners 700 ausführen, um eine oder mehrere der hier beschriebenen Verfahren und/oder Prozesse auszuführen. Eine oder mehrere GPUs 708 können eine integrierte GPU (z. B. mit einer oder mehreren CPUs 706) sein und/oder eine oder mehrere GPUs 708 können eine separate GPU sein. In Ausführungsformen können eine oder mehrere GPUs 708 ein Coprozessor einer oder mehrerer CPUs 706 sein. Die GPUs 708 können von der Rechenvorrichtung 700 zum Rendern von Grafiken (z. B. 3D-Grafiken) oder Durchführen allgemeiner Berechnungen verwendet werden. Beispielsweise können die GPUs 708 zur General-Purpose Computing on GPUs (GPGPU) verwendet werden. Die GPUs 708 können Hunderte oder Tausende von Kernen umfassen, die Hunderte oder Tausende von Software-Threads gleichzeitig verarbeiten können. Die GPUs 708 können als Reaktion auf Rendering-Befehle (z. B. Rendering-Befehle von den CPUs 706, die über eine Host-Schnittstelle empfangen wurde) Pixeldaten für Ausgabebilder generieren. Die GPUs 708 können Grafikspeicher, wie z. B. Displayspeicher, zum Speichern von Pixeldaten oder anderen geeigneten Daten, wie GPGPU-Daten, enthalten. Der Displayspeicher kann als Teil des Speichers 704 enthalten sein. Die GPUs 708 können zwei oder mehr GPUs enthalten, die parallel arbeiten (z. B. über eine Verbindung). Die Verbindung kann die GPUs direkt verbinden (z. B. unter Verwendung von NVLINK) oder kann die GPUs über ein Switch verbinden (z. B. unter Verwendung von NVSwitch). Wenn sie zusammen kombiniert werden, kann jede GPU 708 Pixeldaten oder GPGPU-Daten für verschiedene Teile einer Ausgabe oder für unterschiedliche Ausgaben generieren (z. B. eine erste GPU für ein erstes Bild und eine zweite GPU für ein zweites Bild). Jede GPU kann ihren eigenen Speicher beinhalten oder kann Speicher mit anderen GPUs gemeinsam nutzen.The
Die Logikeinheiten 720 können darüber hinaus oder alternativ von den CPUs 706 und/oder den GPUs 708 so konfiguriert werden, dass sie mindestens einige computerlesbaren Anweisungen zur Steuerung einer oder mehrerer Komponenten des Rechners 700 ausführen, um eine oder mehrere der hier beschriebenen Verfahren und/oder Prozesse auszuführen. In Ausführungsformen können die CPUs 706, die GPUs 708 und/oder die Logikeinheiten 720 diskret oder gemeinsam jede beliebige Kombination der Verfahren, Prozesse und/oder Teile davon durchführen. Eine oder mehrere der Logikeinheiten 720 können Teil einer und/oder mehrerer CPUs 706 und/oder GPUs 708 sein und/oder eine oder mehrere der Logikeinheiten 720 können diskrete Komponenten oder auf andere Weise außerhalb der CPUs 706 und/oder der GPUs 708 sein. In Ausführungsformen können eine oder mehrere der Logikeinheiten 720 ein Coprozessor einer oder mehrerer der CPUs 706 und/oder einer oder mehrerer der GPUs 708 sein.The
Beispiele der Logikeinheit(en) 720 beinhalten einen oder mehrere Verarbeitungskerne und/oder Komponenten davon, wie etwa Datenverarbeitungseinheiten (Data Processing Units - DPUs), Tensorkerne (Tensor Cores - TC), Tensor-Verarbeitungseinheiten (Tensor Processing Unit - TPU), visuelle Pixelkerne (Pixel Visual Cores - PVC), Bildverarbeitungseinheiten (Vision Processing Unit - VPU), Grafikverarbeitungscluster (Graphics Processing Cluster - GPC), Texturverarbeitungscluster (Texture Processing Cluster - TPC), Streaming-Multiprozessoren (SM), Baumdurchquerungseinheiten (Tree Traversal Unit - TTU), Beschleuniger für künstliche Intelligenz (Artificial Intelligence Accelerator - AIA), DeepLearning-Beschleuniger (Deep Learning Accelerator - DLA), arithmetische Logikeinheiten (ALU), anwendungsspezifische integrierte Schaltungen (ASIC), Gleitkommaeinheiten (Floating Point Unit - FPU), Eingabe/Ausgabe(E/A)-Elemente, Elemente für Verschaltung von Periphärkomponenten (PCI) oder Expressverschaltung von Periphärkomponenten (peripheral component interconnect express - PCIe) und/oder dergleichen.Examples of the logic unit(s) 720 include one or more processing cores and/or components thereof, such as data processing units (DPUs), tensor cores (TC), tensor processing units (TPU), visual pixel cores Pixel Visual Cores (PVC), Vision Processing Unit (VPU), Graphics Processing Cluster (GPC), Texture Processing Cluster (TPC), Streaming Multiprocessors (SM), Tree Traversal Unit (TTU) , Artificial Intelligence Accelerator (AIA), Deep Learning Accelerator (DLA), Arithmetic Logic Units (ALU), Application Specific Integrated Circuits (ASIC), Floating Point Unit (FPU), Input/Output ( I/O) elements, elements for interconnecting peripheral components (PCI) or express interconnecting peripheral components (peripheral component interconnect express - PCIe) and/or the like.
Die Kommunikationsschnittstelle 710 kann einen oder mehrere Empfänger, Sender und/oder Transceiver beinhalten, die es der Rechenvorrichtung 700 ermöglichen, über ein elektronisches Kommunikationsnetz, einschließlich drahtgebundener und/oder drahtloser Kommunikation, mit anderen Rechenvorrichtungen zu kommunizieren. Die Kommunikationsschnittstelle 710 kann Komponenten und Funktionen enthalten, die die Kommunikation über eine Reihe verschiedener Netze ermöglichen, z. B. drahtlose Netze (z. B. Wi-Fi, Z-Wave, Bluetooth, Bluetooth LE, ZigBee usw.), kabelgebundene Netze (z. B. Kommunikation über Ethernet oder InfiniBand), Low-Power-Wide-Area-Netze (z. B. LoRaWAN, Sigfox usw.) und/oder das Internet. In einer oder mehreren Ausführungsformen können die Logikeinheit(en) 720 und/oder die Kommunikationsschnittstelle 710 eine oder mehrere Datenverarbeitungseinheiten (DPUs) beinhalten, um über ein Netz und/oder durch das Verschaltungssystem 702 empfangene Daten direkt an eine oder mehrere GPU(s) 708 (z. B. einen Speicher davon) zu übertragen.The
Die E/A-Ports 712 können ermöglichen, dass die Rechenvorrichtung 700 logisch mit anderen Vorrichtungen gekoppelt wird, einschließlich der E/A-Komponenten 714, der Darstellungskomponente(n) 718 und/oder anderen Komponenten, von denen einige in die Rechenvorrichtung 700 eingebaut (z. B. integriert) sein können. Veranschaulichende E/A-Komponenten 714 beinhalten ein Mikrofon, eine Maus, eine Tastatur, einen Joystick, ein Gamepad, einen Gamecontroller, eine Satellitenschüssel, einen Scanner, einen Drucker, eine drahtlose Vorrichtung usw. Die E/A-Komponenten 714 können eine natürliche Benutzerschnittstelle (natural user interface - NUI) bereitstellen, die Luftgesten, Spracheingabe oder andere durch einen Benutzer erzeugte physiologische Eingaben verarbeitet. In einigen Fällen können Eingaben zur weiteren Verarbeitung an ein geeignetes Netzelement übertragen werden. Eine NUI kann eine beliebige Kombination aus Spracherkennung, Tasterkennung, Gesichtserkennung, biometrischer Erkennung, Gestenerkennung sowohl auf dem Bildschirm als auch in der Nähe des Bildschirms, Luftgesten, Kopf- und Augenverfolgung und Touch-Erkennung (wie unten näher beschrieben) implementieren, die mit einem Display der Rechenvorrichtung 700 verbunden ist. Die Rechenvorrichtung 700 kann Tiefenkameras umfassen, wie stereoskopische Kamerasysteme, Infrarotkamerasysteme, RGB-Kamerasysteme, Touchscreen-Technologie und Kombinationen davon, zur Gestendetektion und -erkennung. Darüber hinaus kann die Rechenvorrichtung 700 Beschleunigungsmesser oder Gyroskope (z. B. als Teil einer Trägheitsmesseinheit (IMU)) enthalten, die eine Bewegungserkennung ermöglichen. In einigen Beispielen kann die Ausgabe der Beschleunigungsmesser oder Gyroskope von der Rechenvorrichtung 700 verwendet werden, um immersive Augmented Reality oder Virtual Reality darzustellen.The I/
Das Netzteil 716 kann ein fest verdrahtetes Netzteil, ein Batterienetzteil oder eine Kombination davon umfassen. Das Netzteil 716 kann die Rechenvorrichtung 700 mit Strom versorgen, damit die Komponenten der Rechenvorrichtung 700 funktionieren können.The
Die Darstellungskomponenten 718 können ein Display (z. B. einen Monitor, einen Touchscreen, einen Fernsehbildschirm, ein Heads-Up-Display (HUD), andere Anzeigetypen oder eine Kombination davon), Lautsprecher und/oder andere Darstellungskomponenten beinhalten. Die Darstellungskomponenten 718 können Daten von anderen Komponenten (z. B. GPUs 708, CPUs 706, DPUs usw.) empfangen und die Daten ausgeben (z. B. als Bild, Video, Ton usw.).The display components 718 may include a display (e.g., a monitor, a touch screen, a television screen, a heads-up display (HUD), other display types, or a combination thereof), speakers, and/or other display components. The presentation components 718 may receive data from other components (e.g.,
BEISPIELHAFTES RECHENZENTRUMEXEMPLARY DATA CENTER
Wie in
In mindestens einer Ausführungsform können die gruppierten Rechenressourcen 814 separate Gruppierungen von Knoten-C.R. 816 beinhalten, die innerhalb eines oder mehrerer Racks (nicht gezeigt) oder vieler Racks untergebracht sind, die in Rechenzentren an verschiedenen geografischen Standorten untergebracht sind (ebenfalls nicht gezeigt). Separate Gruppierungen von Knoten-C.R. 816 innerhalb der gruppierten Rechenressourcen 814 können gruppierte Rechen-, Netz-, Arbeitsspeicher- oder Datenspeicherressourcen beinhalten, die zur Unterstützung einer oder mehrerer Arbeitslasten konfiguriert oder zugewiesen sein können. In mindestens einer Ausführungsform können mehrere Knoten-C.R. 816, die CPUs, GPUs, DPUs und/oder Prozessoren beinhalten, in einem oder mehreren Racks gruppiert sein, um Rechenressourcen bereitzustellen, um eine oder mehrere Arbeitslasten zu unterstützen. Das eine oder die mehreren Racks können auch eine beliebige Anzahl von Leistungsmodulen, Kühlmodulen und/oder Netz-Switches in beliebiger Kombination beinhalten.In at least one embodiment, the grouped
Der Ressourcenorchestrator 812 kann einen oder mehrere Knoten-C.R. 816(1)-816(N) und/oder gruppierte Rechenressourcen 814 konfigurieren oder anderweitig steuern. In mindestens einer Ausführungsform kann der Ressourcenorchestrator 812 eine Verwaltungsentität für Softwaregestaltungsinfrastruktur (software design infrastructure - SDI) für das Rechenzentrum 800 beinhalten. Der Ressourcenorchestrator 812 kann aus Hardware, Software oder einer Kombination davon bestehen.The
In mindestens einer Ausführungsform, wie in
In mindestens einer Ausführungsform kann die in der Softwareschicht 830 enthaltene Software 832 Software beinhalten, die mindestens durch Abschnitte der Knoten-C.R. 816(1)-816(N), der gruppierten Rechenressourcen 814 und/oder des verteilten Dateisystems 838 der Framework-Schicht 820 verwendet wird. Eine oder mehrere Arten von Software können Software zum Durchsuchen von Internet-Webseiten, Software zum Scannen von E-Mails auf Viren, Datenbank-Software und Software für Streaming-Videoinhalte beinhalten, ohne darauf beschränkt zu sein.In at least one embodiment, the
In mindestens einer Ausführungsform können die in der Anwendungsschicht 840 enthaltenen Anwendung(en) 842 einen oder mehrere Typen von Anwendungen beinhalten, die mindestens durch Abschnitte der Knoten-C.R. 816(1)-816(N), der gruppierten Rechenressourcen 814 und/oder des verteilten Dateisystems 838 der Framework-Schicht 820 verwendet werden. Eine oder mehrere Arten von Anwendungen können eine beliebige Anzahl einer Genomikanwendung, einer kognitiven Rechenanwendung und einer maschinellen Lernanwendung beinhalten, die Trainings- oder Inferenzierungssoftware beinhaltet, Framework-Software des maschinellen Lernens (z. B. PyTorch, TensorFlow, Caffe usw.) und/oder andere maschinelle Lernanwendungen beinhalten, ohne darauf beschränkt zu sein, die in Verbindung mit einer oder mehreren Ausführungsformen verwendet werden.In at least one embodiment, the application(s) 842 included in the
In mindestens einer Ausführungsform können beliebige des Konfigurationsmanagers 834, des Ressourcenmanagers 836 und des Ressourcenorchestrators 812 eine beliebige Anzahl und einen beliebigen Typ von selbstmodifizierenden Handlungen implementieren, die auf einer beliebigen Menge und einem beliebigen Typ von Daten basieren, die auf eine beliebige technisch machbare Weise erfasst wurden. Selbstmodifizierende Handlungen können einen Rechenzentrumsbetreiber des Rechenzentrums 800 dahingehend entlasten, möglicherweise schlechte Konfigurationsentscheidungen zu treffen und möglicherweise nicht ausgelastete und/oder schlecht funktionierende Abschnitte eines Rechenzentrums zu vermeiden.In at least one embodiment, any of the
Das Rechenzentrum 800 kann Werkzeuge, Dienste, Software oder andere Ressourcen beinhalten, um ein oder mehrere maschinelle Lernmodelle zu trainieren oder Informationen unter Verwendung eines oder mehrerer maschineller Lernmodelle gemäß einer oder mehreren in dieser Schrift beschriebenen Ausführungsformen vorherzusagen oder zu inferenzieren. Zum Beispiel kann/können ein maschinelle Lernmodell(e) trainiert werden, indem Gewichtungsparameter gemäß einer Architektur eines neuronalen NetzNetzes unter Verwendung von Software und/oder Rechenressourcen berechnet werden, die vorstehend in Bezug auf das Rechenzentrum 800 beschrieben sind. In mindestens einer Ausführungsform können trainierte oder eingesetzte maschinelle Lernmodelle, die einem oder mehreren neuronalen Netzen entsprechen, verwendet werden, um Informationen unter Verwendung der vorstehend in Bezug auf das Rechenzentrum 800 beschriebenen Ressourcen zu inferenzieren oder vorherzusagen, indem Gewichtungsparameter verwendet werden, die durch eine oder mehrere Trainingstechniken berechnet werden, wie etwa die hierin beschriebenen, ohne darauf beschränkt zu sein.The
In mindestens einer Ausführungsform kann das Rechenzentrum 800 CPUs, anwendungsspezifische integrierte Schaltungen (ASICs), GPUs, FPGAs und/oder andere Hardware (oder entsprechende virtuelle Rechenressourcen) verwenden, um das Training und/oder die Inferenzierung mit den oben beschriebenen Ressourcen durchzuführen. Darüber hinaus können eine oder mehrere der vorstehend beschriebenen Software- und/oder Hardware-Ressourcen als Dienst konfiguriert sein, um Benutzern das Trainieren oder Durchführen des Inferenzierens von Informationen zu ermöglichen, wie etwa Bilderkennung, Spracherkennung oder andere Dienste der künstlichen Intelligenz.In at least one embodiment, the
BEISPIELHAFTE NETZWERKUMGEBUNGENEXAMPLE NETWORK ENVIRONMENTS
Netzumgebungen, die für die Verwendung beim Implementieren von Ausführungsformen der Offenbarung geeignet sind, können ein oder mehrere Client-Vorrichtungen, Server, netzverbundenen Speicher (network attached storage - NAS), andere Backend-Vorrichtungen und/oder andere Vorrichtungstypen beinhalten. Die Client-Vorrichtungen, Server und/oder andere Vorrichtungstypen (z. B. jede Vorrichtung) können auf einer oder mehreren Instanzen der Rechenvorrichtung 700 in
Komponenten einer Netzumgebung können miteinander über ein oder mehrere Netze kommunizieren, die drahtgebunden, drahtlos oder beides sein können. Das Netz kann mehrere Netze oder ein Netz von Netzen beinhalten. Beispielsweise kann das Netz ein oder mehrere Weitverkehrsnetze (WANs), ein oder mehrere lokale Netze (LANs), ein oder mehrere öffentliche Netze wie das Internet und/oder ein öffentliches Telefonvermittlungsnetz (PSTN) und/oder ein oder mehrere private Netze beinhalten. Wenn das Netz ein drahtloses Telekommunikationsnetz beinhaltet, können Komponenten wie etwa eine Basisstation, ein Kommunikationsturm oder sogar Zugangspunkte (sowie andere Komponenten) eine drahtlose Konnektivität bereitstellen.Components of a network environment may communicate with each other over one or more networks, which may be wired, wireless, or both. The network may include multiple networks or a network of networks. For example, the network may include one or more wide area networks (WANs), one or more local area networks (LANs), one or more public networks such as the Internet and/or a public switched telephone network (PSTN), and/or one or more private networks. If the network includes a wireless telecommunications network, components such as a base station, a communications tower, or even access points (as well as other components) can provide wireless connectivity.
Kompatible Netzumgebungen können eine oder mehrere Peer-to-Peer-Netzumgebungen beinhalten - in diesem Fall kann ein Server nicht in einer Netzumgebung beinhaltet sein - und eine oder mehrere Client-Server-Netzumgebungen - in diesem Fall können ein oder mehrere Server in einer Netzumgebung beinhaltet sein. In Peer-to-Peer-Netzumgebungen kann die hierin in Bezug auf einen oder mehrere Server beschriebene Funktionalität auf einer beliebigen Anzahl von Client-Vorrichtungen implementiert sein.Compatible network environments may include one or more peer-to-peer network environments - in which case a server may not be included in a network environment - and one or more client-server network environments - in which case one or more servers may be included in a network environment be. In peer-to-peer network environments, the functionality described herein with respect to one or more servers may be implemented on any number of client devices.
In mindestens einer Ausführungsform kann eine Netzumgebung eine oder mehrere cloudbasierte Netzumgebungen, eine verteilte Rechenumgebung, eine Kombination davon usw. beinhalten. Eine cloudbasierte Netzumgebung kann eine Framework-Schicht, einen Aufgaben-Scheduler, einen Ressourcenmanager und ein verteiltes Dateisystem beinhalten, die auf einem oder mehreren Servern implementiert sind, die einen oder mehrere Kernnetznetzeserver und/oder Edge-Server beinhalten können. Eine Framework-Schicht kann ein Framework zur Unterstützung von Software einer Software-Schicht und/oder einer oder mehrerer Anwendungen einer Anwendungsschicht beinhalten. Die Software oder Anwendung(en) können jeweils Web-basierte Dienstsoftware oder Anwendungen beinhalten. In Ausführungsformen können eine oder mehrere der Client-Vorrichtungen die Web-basierte Dienstsoftware oder Anwendungen verwenden (z. B. durch Zugreifen auf die Dienstsoftware und/oder Anwendungen über eine oder mehrere Anwendungsprogrammierschnittstellen (API)). Bei der Framework-Schicht kann es sich um eine Art freies und quelloffenes Software-Webanwendungs-Framework handeln, das etwa ein verteiltes Dateisystem für die Verarbeitung großer Datenmengen (z. B. „Big Data“) verwenden kann, ist aber nicht darauf beschränkt.In at least one embodiment, a network environment may include one or more cloud-based network environments, a distributed computing environment, a combination thereof, etc. A cloud-based network environment may include a framework layer, a task scheduler, a resource manager, and a distributed file system implemented on one or more servers, which may include one or more core network servers and/or edge servers. A framework layer may include a framework for supporting software of a software layer and/or one or more applications of an application layer. The software or application(s) may each include web-based service software or applications. In embodiments, one or more of the client devices may use the web-based service software or applications (e.g., by accessing the service software and/or applications via one or more application programming interfaces (API)). The framework layer may be, but is not limited to, a type of free and open source software web application framework, such as using a distributed file system to process large amounts of data (e.g., "big data").
Eine cloudbasierte Netzumgebung kann Cloud-Computing und/oder Cloud-Speicher bereitstellen, die eine beliebige Kombination von hierin beschriebenen Rechen- und/oder Datenspeicherfunktionen (oder einen oder mehrere Abschnitte davon) ausführen. Jede dieser verschiedenen Funktionen kann über mehrere Standorte von zentralen oder Kernservern (z. B. von einem oder mehreren Rechenzentren, die über einen Staat, eine Region, ein Land, den Globus usw. verteilt sein können) verteilt sein. Wenn eine Verbindung zu einem Benutzer (z. B. einer Client-Vorrichtung) relativ nahe bei einem oder mehreren Edge-Servern ist, können ein oder mehrere Core-Server dem oder den Edge-Servern mindestens einen Teil der Funktionalität zuweisen. Eine cloudbasierte Netzumgebung kann privat sein (z. B. auf eine einzelne Organisation beschränkt), kann öffentlich sein (z. B. für viele Organisationen verfügbar) und/oder eine Kombination davon sein (z. B. eine hybride Cloud-Umgebung).A cloud-based network environment may provide cloud computing and/or cloud storage that perform any combination of computing and/or data storage functions described herein (or one or more portions thereof). Each of these different functions may be distributed across multiple locations of central or core servers (e.g., one or more data centers that may be distributed across a state, region, country, globe, etc.). When a connection to a user (e.g., a client device) is relatively close to one or more edge servers, one or more core servers may assign at least some functionality to the edge server(s). A cloud-based network environment may be private (e.g., limited to a single organization), may be public (e.g., available to many organizations), and/or a combination thereof (e.g., a hybrid cloud environment).
Die Client-Vorrichtungen können mindestens einige der Komponenten, Merkmale und Funktionalitäten der hierin beschriebenen beispielhaften Rechenvorrichtung(en) 700 in Bezug auf
Die Offenbarung kann im allgemeinen Kontext von Computercode- oder maschinenverwendbaren Anweisungen, einschließlich computerausführbarer Anweisungen wie Programmmodulen, die von einem Computer oder einem anderen Computer, wie einem Personal Data Assistent oder einer anderen Handheld-Vorrichtung, ausgeführt werden, beschrieben werden. Im Allgemeinen beziehen sich Programmmodule einschließlich Routinen, Programme, Objekte, Komponenten, Datenstrukturen usw. auf Code, der bestimmte Aufgaben ausführt oder bestimmte abstrakte Datentypen implementiert. Die Offenbarung kann in einer Vielfalt von Systemkonfigurationen praktiziert werden, einschließlich Handheld-Vorrichtungen, Unterhaltungselektronik, Universalcomputern, spezielleren Rechenvorrichtungen usw. Die Offenbarung kann auch in verteilten Rechenumgebungen praktiziert werden, in denen Aufgaben von entfernten Verarbeitungsvorrichtungen, die über ein Kommunikationsnetz verbunden sind, durchgeführt werden.The disclosure may be described in the general context of computer code or machine-usable instructions, including computer-executable instructions such as program modules that are executed by a computer or another computer, such as a personal data assistant or other handheld device. In general, program modules including routines, programs, objects, components, data structures, etc. refer to code that performs specific tasks or implements specific abstract data types. The disclosure may be practiced in a variety of system configurations, including handheld devices, consumer electronics, general purpose computers, more specialized computing devices, etc. The disclosure may also be practiced in distributed computing environments in which tasks are performed by remote processing devices connected via a communications network .
Im hier verwendeten Sinne ist der Gebrach von „und/oder“ in Bezug auf zwei oder mehr Elemente als nur ein Element oder eine Kombination von Elementen auszulegen. Zum Beispiel kann „Element A, Element B und/oder Element C“ nur Element A, nur Element B, nur Element C, Element A und Element B, Element A und Element C, Element B und Element C oder Elemente A, B und C enthalten. Außerdem kann „mindestens eines von Element A oder Element B“ mindestens eines von Element A, mindestens eines von Element B oder mindestens eines von Element A und mindestens eines von Element B umfassen. Ferner kann „mindestens eines von Element A und Element B“ mindestens eines von Element A, mindestens eines von Element B oder mindestens eines von Element A und mindestens eines von Element B beinhalten.As used herein, the use of “and/or” in reference to two or more elements is to be construed as just one element or a combination of elements. For example, "Element A, Element B and/or Element C" can only contain Element A, only Element B, only Element C, Element A and Element B, Element A and Element C, Element B and Element C, or Elements A, B and C included. Additionally, “at least one of Element A or Element B” may include at least one of Element A, at least one of Element B, or at least one of Element A and at least one of Element B. Further, “at least one of element A and element B” may include at least one of element A, at least one of element B, or at least one of element A and at least one of element B.
Der Gegenstand der vorliegenden Offenbarung wird hierin genau beschrieben, um gesetzliche Anforderungen zu erfüllen. Die Beschreibung selbst soll jedoch den Schutzumfang dieser Offenbarung nicht einschränken. Vielmehr haben die Erfinder in Erwägung gezogen, dass der beanspruchte Gegenstand auch auf andere Weise verkörpert werden könnte, um andere Schritte oder Kombinationen von Schritten ähnlich den in diesem Dokument beschriebenen in Verbindung mit anderen gegenwärtigen oder zukünftigen Technologien einzuschließen. Auch wenn die Begriffe „Schritt“ und/oder „Block“ in diesem Dokument verwendet werden können, um verschiedene Elemente der verwendeten Methoden zu bezeichnen, sollten die Begriffe nicht als eine bestimmte Reihenfolge unter den oder zwischen den verschiedenen hierin genannten Schritten voraussetzend interpretiert werden, es sei denn, die Reihenfolge der einzelnen Schritte wird ausdrücklich beschrieben.The subject matter of the present disclosure is detailed herein to meet legal requirements. However, the description itself is not intended to limit the scope of this disclosure. Rather, the inventors have contemplated that the claimed subject matter could be embodied in other ways to include other steps or combinations of steps similar to those described in this document in connection with other current or future technologies. Although the terms "step" and/or "block" may be used in this document to refer to different elements of the methods used, the terms should not be interpreted as implying any particular order among or between the various steps mentioned herein. unless the sequence of the individual steps is expressly described.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
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.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- US 16101232 [0082]US 16101232 [0082]
Claims (20)
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163194668P | 2021-05-28 | 2021-05-28 | |
US63/194,668 | 2021-05-28 | ||
PCT/US2022/031426 WO2022251692A1 (en) | 2021-05-28 | 2022-05-27 | Training perception models using synthetic data for autonomous systems and applications |
Publications (1)
Publication Number | Publication Date |
---|---|
DE112022000498T5 true DE112022000498T5 (en) | 2023-11-02 |
Family
ID=88307009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE112022000498.3T Pending DE112022000498T5 (en) | 2021-05-28 | 2022-05-27 | TRAINING PERCEPTION MODELS USING SYNTHETIC DATA FOR AUTONOMOUS SYSTEMS AND APPLICATIONS |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE112022000498T5 (en) |
-
2022
- 2022-05-27 DE DE112022000498.3T patent/DE112022000498T5/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112021000135T5 (en) | SENSOR FUSION FOR AUTONOMOUS MACHINE APPLICATIONS THROUGH MACHINE LEARNING | |
DE112020006410T5 (en) | THREE-DIMENSIONAL INTERSECTION STRUCTURE PREDICTION FOR AUTONOMOUS DRIVING APPLICATIONS | |
DE112020003043T5 (en) | DETECTION AND CLASSIFICATION OF CROSSROADS REGIONS FOR AUTONOMOUS MACHINE APPLICATIONS | |
DE112020002602T5 (en) | MULTI-OBJECT TRACKING USING CORRELATION FILTERS IN VIDEO ANALYSIS APPLICATIONS | |
DE112020002126T5 (en) | DETECTION OF CROSSING POSES IN AUTONOMOUS MACHINE APPLICATIONS | |
DE112020000413T5 (en) | DETECTION OF ORIENTATION POINTS USING CURVE FITTING FOR APPLICATIONS FOR AUTONOMOUS DRIVING | |
DE112020001897T5 (en) | Training of neural networks using basic truth data supplemented with map information for autonomous machine applications | |
DE112019006484T5 (en) | DETECTION OF DISTANCE TO OBSTACLES IN AUTONOMOUS MACHINE APPLICATIONS | |
DE112020002166T5 (en) | SIMULATION OF REALISTIC TEST DATA FROM TRANSFORMED REAL WORLD SENSOR DATA FOR AUTONOMOUS MACHINE APPLICATIONS | |
DE112019000279T5 (en) | CONTROLLING AUTONOMOUS VEHICLES USING SAFE ARRIVAL TIMES | |
DE112020006404T5 (en) | PLANNING AND CONTROL OF LANE CHANGES IN AUTONOMOUS MACHINE APPLICATIONS | |
DE102021123159A1 (en) | ADAPTIVE OBJECT TRACKING ALGORITHM FOR AUTONOMOUS MACHINE APPLICATIONS | |
DE102021100065A1 (en) | USE OF NEURONAL NETWORKS FOR ERROR DETECTION IN APPLICATIONS FOR AUTONOMOUS DRIVING | |
DE112020001400T5 (en) | ITERATIVE GENERATION OF SPATIAL GRAPHS | |
DE112021001994T5 (en) | MODEL-BASED REINFORCEMENT LEARNING FOR BEHAVIOR PREDICTION IN AUTONOMOUS SYSTEMS AND APPLICATIONS | |
DE102019113114A1 (en) | BEHAVIOR-CONTROLLED ROUTE PLANNING IN AUTONOMOUS MACHINE APPLICATIONS | |
DE102021129528A1 (en) | Detection of emergency vehicles for autonomous driving applications | |
DE112020006181T5 (en) | EYE DETERMINATION WITH GLARE AS INPUT | |
DE102022121121A1 (en) | Object tracking using LiDAR data for autonomous machine applications | |
DE112021000104T5 (en) | PROJECTING IMAGES TAKEN WITH FISHEYE LENSES FOR FEATURE RECOGNITION IN AUTONOMOUS MACHINE APPLICATIONS | |
DE102022104026A1 (en) | GENERATION OF GROUND TRUTH DATA FOR PERCEPTION BY DEEP NEURAL NETWORKS IN AUTONOMOUS DRIVING APPLICATIONS | |
DE102020130749A1 (en) | SYSTEM FOR MACHINE LEARNING FOR EYE DETERMINATION WITH ADAPTIVE WEIGHTING OF INPUTS | |
DE102022124361A1 (en) | VISIBILITY ASSESSMENT USING DEEP LEARNING IN AUTONOMOUS MACHINE APPLICATIONS | |
DE102022107848A1 (en) | SYSTEM AND PROCEDURE FOR UPDATING HIGH RESOLUTION MAPS | |
DE102021128559A1 (en) | SECURITY DECOMPOSITION FOR PATH DETERMINATION IN AUTONOMOUS SYSTEMS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed |