DE202019006019U1

DE202019006019U1 - Techniken zum Analysieren von Fahrzeugdesignabweichungen unter Verwendung von Deep Learning mit neuronalen Netzwerken

Info

Publication number: DE202019006019U1
Application number: DE202019006019.7U
Authority: DE
Original assignee: Autodesk Inc
Current assignee: Autodesk Inc
Priority date: 2018-05-08
Filing date: 2019-05-07
Publication date: 2024-03-25
Anticipated expiration: 2029-05-08
Also published as: US20190347539A1; EP3791294A1; WO2019217460A1; US11468292B2; US20230061993A1; US11842262B2

Abstract

System, umfassend:
einen Speicher, der zum Speichern einer Softwareanwendung konfiguriert ist; und
einen Prozessor, der zum Ausführen der Softwareanwendung konfiguriert ist, um die folgenden Schritte durchzuführen:
Kodieren eines ersten Fahrzeugdesigns in einen ersten Ort innerhalb einer latenten Raumdarstellung von Fahrzeugdesignmerkmalen,
Kodieren eines zweiten Fahrzeugdesigns in einen zweiten Ort innerhalb der latenten Raumdarstellung, und
Erzeugen einer ersten Metrik basierend auf dem ersten Ort und dem zweiten Ort, wobei die erste Metrik einen Grad anzeigt, in dem sich das erste Fahrzeugdesign von einem charakteristischen Stil unterscheidet, der dem zweiten Fahrzeugdesign zugeordnet ist.

Description

QUERVERWEIS AUF VERWANDTE ANMELDUNGEN
Diese Anmeldung beansprucht die Priorität der provisorischen US-Patentanmeldung mit dem Titel „Techniques for Analyzing Vehicle Design Deviations Using Deep Learning with Neural Networks“, eingereicht am 8. Mai 2018, mit der Seriennummer 62/668.731 und beansprucht die Priorität der US-Patentanmeldung mit dem Titel „Techniques for Analyzing Vehicle Design Deviations Using Deep Learning with Neural Networks“, eingereicht am 22. März 2019, mit der Seriennummer 16/362.555 . Der Gegenstand dieser verwandten Anmeldungen wird hiermit durch Bezugnahme in die vorliegende Patentschrift aufgenommen.
HINTERGRUND
Gebiet der verschiedenen Ausführungsformen
Ausführungsformen der vorliegenden Erfindung betreffen im Allgemeinen die Informatik und insbesondere Techniken zur Analyse von Fahrzeugdesignabweichungen unter Verwendung von Deep Learning mit neuronalen Netzwerken.
Beschreibung des Stands der Technik
In einem typischen Arbeitsablauf des Fahrzeugdesigns erstellt ein Designer neue Designs für Fahrzeuge, wenn er die Typen von Fahrzeugen, die in einer bestehenden, einem Fahrzeughersteller zugeordneten Fahrzeugflotte verfügbar sind, erweitert oder modifiziert. Oft wird jedes Fahrzeug, das zu der bestehenden Fahrzeugflotte gehört, basierend auf einem charakteristischen Stil entworfen, der verschiedene ästhetische Qualitäten repräsentiert, die diesen speziellen Fahrzeughersteller von anderen Fahrzeugherstellern unterscheidet. Beim Erstellen eines neuen Fahrzeugdesigns bezieht der Designer in der Regel diese ästhetischen Qualitäten in das neue Design mit ein, um mit den allgemeinen Merkmalen und Stilen, die der bestehenden Fahrzeugflotte zugeordnet sind, konform zu bleiben. Dementsprechend können Fahrzeuge, die basierend auf dem neuen Design hergestellt werden, der bestehenden Fahrzeugflotte hinzugefügt werden, ohne die dieser Fahrzeugflotte zuzuordnenden Merkmale und Stile wesentlich zu stören oder von ihnen abzuweichen.
Ein Nachteil des obigen Ansatzes ist, dass bestimmte Typen von Fahrzeugen spezifische Merkmale einschließen müssen, die möglicherweise ästhetisch nicht mit den Merkmalen und Stilen übereinstimmen, die einer bestehenden Fahrzeugflotte zugeordnet sind. Folglich können Designer in solchen Situationen Schwierigkeiten damit haben, neue Designs für Fahrzeuge zu erstellen, die ohne weiteres in die entsprechende bestehende Fahrzeugflotte eingeführt werden können. Beispielsweise müssen autonome Fahrzeuge in der Regel ein oder mehrere sperrige, externe Sensor-Arrays umfassen, um die Umgebung des autonomen Fahrzeugs beim Durchführen einer autonomen Navigation genau abzubilden. Die sperrigen Sensor-Arrays könnten dazu führen, dass das autonome Fahrzeug einen seltsamen Stil aufweist, der sich deutlich von den Merkmalen und dem Stil unterscheidet, die der jeweiligen bestehenden Fahrzeugflotte zugeordnet sind. Um dieses Problem zu lösen, müssen Designer in der Regel zahlreiche Designs erstellen und dann subjektiv basierend auf Erfahrung und Intuition bewerten, wie genau jedes Design den gewünschten Merkmalen und dem Stil entspricht. Die Bewertung jedes Designs auf diese Weise kann jedoch sehr zeitaufwendig sein und kann nicht objektiv und/oder deterministisch durchgeführt werden.
Wie das Vorstehende veranschaulicht, ist eine effektivere Technik zum Erstellen neuer Fahrzeugdesigns für eine bestehende Fahrzeugflotte notwendig.
KURZE ZUSAMMENFASSUNG
Verschiedene Ausführungsformen umfassen ein computerimplementiertes Verfahren zur Analyse von Fahrzeugdesigns, umfassend Kodieren eines ersten Fahrzeugdesigns an einem ersten Ort innerhalb einer latenten Raumdarstellung von Fahrzeugdesignmerkmalen, Kodieren eines zweiten Fahrzeugdesigns an einem zweiten Ort innerhalb der latenten Raumdarstellung und das Erzeugen einer ersten Metrik basierend auf dem ersten Ort und dem zweiten Ort umfasst, wobei die erste Metrik einen Grad anzeigt, in dem sich das erste Fahrzeugdesign von einem dem zweiten Fahrzeugdesign zugeordneten charakteristischen Stil unterscheidet.
Mindestens ein technologischer Vorteil der offenbarten Techniken gegenüber dem Stand der Technik besteht darin, dass der Grad der Abweichung oder Konvergenz eines Fahrzeugdesigns von einer Reihe bestimmter Merkmale und Stile quantifizierbar bestimmt werden kann. Dementsprechend können neue Fahrzeugdesigns, die neue Designmerkmale einschließen, analysiert werden, um herauszufinden, welche Designs am ehesten mit den Merkmalen und Stilen übereinstimmen, die einer Flotte vorhandener Fahrzeuge zugeordnet sind.
KURZBESCHREIBUNG DER ZEICHNUNGEN
Damit die Art und Weise, in der die oben angeführten Merkmale der verschiedenen Ausführungsformen umsetzbar sind, im Detail ersichtlich wird, wird eine detailliertere Beschreibung der oben kurz zusammengefassten Konzepte, die der Erfindung zugrunde liegen, unter Verweis auf verschiedene Ausführungsformen bereitgestellt, von denen einige in den beigefügten Zeichnungen gezeigt sind. Dabei ist jedoch zu beachten, dass die beigefügten Zeichnungen lediglich typische Ausführungsformen der Konzepte, die der Erfindung zugrunde liegen, zeigen und daher in keiner Weise den Umfang der Erfindung einschränken und dass es andere, gleichermaßen effektive Ausführungsformen gibt.

1 zeigt eine Rechenvorrichtung, die dazu konfiguriert ist, einen oder mehrere Aspekte der vorliegenden Erfindung zu implementieren;
2A zeigt, wie die Design-Anwendung aus 1 gemäß verschiedener Ausführungsformen der vorliegenden Erfindung eine latente Raumdarstellung von Fahrzeugdesignmerkmalen erzeugt;
2B zeigt, wie die Design-Anwendung aus 1 gemäß verschiedener Ausführungsformen der vorliegenden Erfindung durch die latente Raumdarstellung aus 2A navigiert;
3 ist eine detailliertere Darstellung der Trainingsmaschine aus 2A gemäß verschiedener Ausführungsformen der vorliegenden Erfindung; und
4 ist ein Flussdiagramm von Verfahrensschritten zum automatischen Erzeugen von Designs, die ähnliche Merkmale und Stile wie bestehende Designs aufweisen, gemäß verschiedener Ausführungsformen der vorliegenden Erfindung.

DETAILLIERTE BESCHREIBUNG
In der nachfolgenden Beschreibung sind zahlreiche konkrete Details aufgeführt, um ein umfassenderes Verständnis der verschiedenen Ausführungsformen zu schaffen. Einem Fachmann wird jedoch klar sein, dass die erfindungsgemäßen Konzepte auch ohne eines oder mehrere dieser spezifischen Details ausgeführt werden können.
Wie bereits erwähnt, erstellt ein Designer in einem typischen Arbeitsablauf des Fahrzeugentwurfs Fahrzeugdesigns, die einem charakteristischen Stil entsprechen, der aus einer bereits vorhandenen Fahrzeugflotte abgeleitet ist. Einige Typen von Fahrzeugen müssen jedoch konkrete physische Merkmale auf weisen, die dazu führen können, dass das Aussehen dieser Fahrzeuge von diesem charakteristischen Stil abweicht. Autonome Fahrzeuge weisen beispielsweise oft verschiedene Typen von Sensoren auf, die dazu führen können, dass das Erscheinungsbild dieser Fahrzeuge von einem bestimmten charakteristischen Stil abweicht.
Dementsprechend wäre eine Technik zur Bewertung neu erstellter Fahrzeugdesigns nützlich, um zu quantifizieren, wie ähnlich diese Designs aus ästhetischer Sicht einer bereits vorhandenen Fahrzeugflotte sind. Ferner wäre eine Technik zum automatischen Erzeugen von Fahrzeugdesigns, die ästhetisch mit dem einer bereits vorhandenen Fahrzeugflotte zuzuordnenden charakteristischen Stil übereinstimmen, aber auch alle erforderlichen Design-Merkmale einschließen, nützlich.
In Anbetracht dessen umfassen verschiedene Ausführungsformen eine Design-Anwendung, die so konfiguriert ist, dass sie eine latente Raumdarstellung einer bereits vorhandenen Fahrzeugflotte erzeugt. Die Design-Anwendung schließt ein Kodierer-Modell ein, das die Fahrzeugdesigns in die latente Raumdarstellung kodiert. Die Design-Anwendung schließt ferner ein Erzeugermodell ein, das Positionen in der latenten Raumdarstellung decodiert, um Fahrzeugdesigns zu erzeugen.
Die Design-Anwendung kodiert Fahrzeugdesigns, die der bereits vorhandenen Fahrzeugflotte zugeordnet sind, in die latente Raumdarstellung, um einen ersten latenten Raumort zu erzeugen. Der erste latente Raumort stellt den charakteristischen Stil dar, der bereits vorhandenen Fahrzeugflotte zuzuordnen ist. Die Design-Anwendung kodiert ein von einem Benutzer bereitgestelltes Musterdesign in die Darstellung des latenten Raums, um einen zweiten latenten Raumort zu produzieren. Die Design-Anwendung bestimmt dann einen Abstand zwischen dem ersten latenten Raumort und dem zweiten latenten Raumort. Basierend auf dem Abstand erzeugt die Design-Anwendung eine Stil-Metrik, die die ästhetische Ähnlichkeit zwischen dem Musterdesign und den Fahrzeugdesigns anzeigt, die der bereits vorhandenen Fahrzeugflotte zugeordnet sind.
Die Design-Anwendung kann auch die latente Raumdarstellung von dem zweiten latenten Raumort, der dem Musterdesign zugeordnet ist, zum ersten latenten Raumort, der den Trainingsdesigns zugeordnet ist, durchlaufen, um einen oder mehrere zusätzliche Orte in der latenten Raumdarstellung zu erzeugen. Das Erzeugermodell kann dann neue Designs erzeugen, die auf diesen zusätzlichen Orten basieren. Die neu erzeugten Designs können einen charakteristischen Stil aufweisen, der mit dem charakteristischen Stil der bereits vorhandenen Fahrzeugflotte übereinstimmt. Das Kodierer-Modell und das Erzeugermodell können mit einer Vielzahl von Techniken des maschinellen Lernens einschließlich der Techniken, die unter anderem der tiefen Faltungsneuronalen Netzwerken und generativen adversen Netzwerken zuzuordnen sind, trainiert werden.
Mindestens ein technologischer Vorteil der offenbarten Techniken gegenüber dem Stand der Technik besteht darin, dass der Grad der Abweichung oder Konvergenz eines Fahrzeugdesigns zu einem bestimmten charakteristischen Stil quantifizierbar bestimmt werden kann. Dementsprechend können Fahrzeugdesigns, die bestimmte Design-Merkmale beinhalten müssen, analysiert werden, um die spezifischen Fahrzeugdesigns zu identifizieren, die dem charakteristischen Stil, der der bereits vorhandenen Fahrzeugflotte zuzuordnen ist, am ehesten ähneln und dennoch die benötigten Design-Merkmale beinhalten. Außerdem können mit der latenten Raumdarstellung neue Fahrzeugdesigns erzeugt werden, die dem charakteristischen Stil im Vergleich zu den vom Nutzer bereitgestellten Fahrzeugdesigns besser entsprechen. Diese Techniken sind besonders nützlich für das Design von autonomen Fahrzeugen, die bestimmte Design-Merkmale beinhalten müssen, die der autonomen Navigation zuzuordnen sind, aber auch dem charakteristischen Stil der bereits vorhandenen Fahrzeugflotte entsprechen müssen. Dementsprechend stellen diese technologischen Vorteile einen mehrfachen technologischen Vorsprung gegenüber dem Stand der Technik dar.
Überblick über das System
1 zeigt eine Rechenvorrichtung, die dazu konfiguriert ist, einen oder mehrere Aspekte der vorliegenden Erfindung zu implementieren. Wie gezeigt, beinhaltet eine Rechenvorrichtung 100 einen Prozessor 110, Ein-/Ausgabevorrichtungen (E/A) 120 und einen Speicher 130, die miteinander gekoppelt sind. Der Prozessor 110 umfasst jede technisch mögliche Gruppe von Hardwareeinheiten, die zum Verarbeiten von Daten und zur Ausführung von Softwareanwendungen konfiguriert sind. Der Prozessor 110 könnte beispielsweise eine oder mehrere Zentraleinheiten (CPUs) umfassen. Die E/A-Vorrichtungen 120 beinhalten alle technisch möglichen Vorrichtungen, die für zum Durchführen von Eingabe- und/oder Ausgabeoperationen konfiguriert sind, wie unter anderem etwa eine Anzeigevorrichtung, eine Tastatur und einen Touchscreen. Der Speicher 130 umfasst alle technisch möglichen Speichermedien, die zum Speichern von Daten und Softwareanwendungen konfiguriert sind, wie etwa eine Festplatte, ein RAM-Modul oder ein Festwertspeicher (ROM).
Im Speicher 130 ist eine Design-Anwendung 140 gespeichert, die, wenn sie vom Prozessor 110 ausgeführt wird, verschiedene Operationen durchführt, die einem Arbeitsablauf für das Design von Fahrzeugen zugeordnet sind. Insbesondere analysiert die Design-Anwendung 140 die einer bereits vorhandener Fahrzeugflotte zugeordneten Trainingsdesigns 142 und erzeugt eine latente Raumdarstellung (hier nicht gezeigt), die diesen Trainingsdesigns entspricht. Die latente Raumdarstellung kann verwendet werden, um erzeugte Designs 146 zu produzieren, die visuell ähnlich und/oder stilistisch konsistent mit den Trainingsdesigns 142 erscheinen.
Die latente Raumdarstellung kann auch dazu verwendet werden, die von einem Benutzer bereitgestellten Musterdesigns 144 zu analysieren, um Stil-Metriken 148 zu erzeugen. Die Stil-Metriken 148 zeigen an, wie sehr die Musterdesigns 144 mit einem charakteristischen Stil übereinstimmen, der den Trainingsdesigns 142 zugeordnet ist. Die Design-Anwendung 140 kann Stil-Metriken 148 verarbeiten, um zusätzliche erzeugte Designs 146 zu erstellen, die den Musterdesigns 144 ähnlich sind, aber auch dem charakteristischen Stil entsprechen, der den Trainingsdesigns 142 zugeordnet ist.
Trainingsdesigns 142, Musterdesigns 144 und erzeugte Designs 148 können über jede technisch machbare Datenstruktur implementiert werden. Jedes dieser Designs kann beispielsweise über einen Satz von Pixeln, ein vektorisiertes Bild, einen Satz von nicht-einheitlichen rationalen B-Spline-Kurven (NURBS), ein oder mehrere zweidimensionale (2D) Modelle, ein oder mehrere dreidimensionale (3D) Modelle und so weiter implementiert werden.
Die Design-Anwendung 140 beinhaltet verschiedene Maschinen, die so konfiguriert sind, dass sie die verschiedenen oben beschriebenen Operationen implementieren können, wie im Folgenden in Verbindung mit den 2A-2B näher beschrieben.
Analyse der Abweichungen des Fahrzeugdesigns
2A zeigt, wie die Design-Anwendung aus 1 gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung eine latente Raumdarstellung von Fahrzeugdesignmerkmalen erzeugt. Wie in 2A gezeigt, umfasst die Design-Anwendung 140 eine Trainingsmaschine 200, ein Kodierer-Modell 210, eine latente Raumdarstellung 220 und ein Erzeugermodell 230. Das Kodierer-Modell 210 und das Erzeugermodell 230 sind Datenstrukturen des maschinellen Lernens, die während eines Prozesses von der Trainingsmaschine 200 modifiziert werden können. Das Kodierer-Modell 210 und das Erzeugermodell 230 könnten beispielsweise tiefe neuronale Faltungsnetzwerke sein. In einer Ausführungsform kann das Kodierer-Modell 210 Faltungsoperationen durchführen, während das Erzeugermodell 230 Dekonvolutionsoperationen durchführen kann.
Im Betrieb trainiert die Trainingsmaschine 200 das Kodierer-Modell 210, um die Trainingsdesigns 142 und andere Designs in der latenten Raumdarstellung 220 zu kodieren. Die latente Raumdarstellung 220 ist ein niedrigdimensionales Konstrukt, bei dem das Kodierer-Modell 210 höherdimensionale Konstrukte, einschließlich der Trainingsdesigns 142 und anderer Designs, auf bestimmte niedrigdimensionale Stellen innerhalb der latenten Raumdarstellung 220 projizieren kann.
Um ein gegebenes Trainingsdesign 142 auf einen bestimmten Ort in der latenten Raumdarstellung 220 zu projizieren, führt das Kodierer-Modell 210 einen iterativen Prozess durch, um die dem gegebenen Trainingsdesign 142 zugeordnete Dimensionalität zu reduzieren, bis diese Dimensionalität der Dimensionalität der latenten Raumdarstellung 220 entspricht. Die Version des Trainingsdesigns 142 mit reduzierter Dimensionalität entspricht dann direkt einer Stelle in der latenten Raumdarstellung 220. Beispielsweise könnte die latente Raumdarstellung 220 eine 2D-Datenstruktur sein, und das Kodierer-Modell 210 könnte die Dimensionalität des gegebenen Trainingsdesigns 142 reduzieren, um einen Satz kartesischer 2D-Koordinaten zu produzieren, die einem Ort innerhalb der latenten Raumdarstellung 220 entsprechen. In einer Ausführungsform kann das Kodierer-Modell 210 die Dimensionalität des gegebenen Trainingsdesigns 142 durch eine Faltungsoperation reduzieren.
In dem in 2A gezeigten Beispiel umfasst die latente Raumdarstellung 220 latente Raumorte 222, die den verschiedenen Trainingsdesigns 142 entsprechen. Eine Gruppe 224(0) von latenten Raumorten entspricht einem bestimmten Satz von Trainingsdesigns 142, während eine Gruppe 224(1) von latenten Raumorten einem anderen Satz von Trainingsdesigns 142 entspricht. Wie dem Fachmann, der mit latenten Raumdarstellungen vertraut ist, bekannt ist, entsprechen nahe beieinander liegende Orte in einer latenten Raumdarstellung im Allgemeinen ähnlichen Eingaben, während voneinander entfernte Orte in der latenten Raumdarstellung im Allgemeinen unähnlichen Eingaben entsprechen. Dementsprechend sind die Trainingsdesigns 142, die der Gruppe 224(0) der latenten Raumorte zugeordnet sind, im Allgemeinen einander ähnlich und die Trainingsdesigns 142, die der Gruppe 224(1) der latenten Raumorte zugeordnet sind, sind ebenfalls einander ähnlich. Die Trainingsdesigns 142, die der Gruppe 224(0) der latenten Raumorte zugeordnet sind, unterscheiden sich jedoch im Allgemeinen von den Trainingsdesigns 142, die der Gruppe 224(1) der latenten Raumorte zugeordnet sind.
Wie voranstehend in Verbindung mit dem Kodierer-Modell 210, beschrieben, trainiert die Trainingsmaschine 200 auch das Erzeugermodell 230, um basierend auf der latenten Raumdarstellung 220 erzeugte Designs 146 zu produzieren. Um ein erzeugtes Design 146 basierend auf einem gegebenen latenten Raumort zu erzeugen, führt das Erzeugermodell 230 einen iterativen Prozess durch, um die dem latenten Raumort zugeordnete Dimensionalität auf eine höhere Dimensionalität zu erhöhen. Das Erzeugermodell 230 kann die Dimensionalität, die dem latenten Raumort zugeordnet ist, erhöhen, um der Dimensionalität zu entsprechen, die dem Trainingsbild 142 zugeordnet ist, oder die Dimensionalität ferner erhöhen, wenn es mit einer zusätzlichen Technik trainiert wird, die nachfolgend in Verbindung mit 3 näher beschrieben wird. Auf diese Weise kann das Erzeugermodell 230 latente Raumorte „entpacken“, um erzeugte Designs 146 zu erzeugen.
Während des Trainings ändert die Trainingsmaschine 200 einen Satz von Gewichtungswerten, die dem Kodierer-Modell 210 zugeordnet sind, um zu verbessern, wie genau die latente Raumdarstellung 220 die Trainingsdesigns 142 darstellen kann. Die Trainingsmaschine 200 ändert auch einen Satz von Gewichtungswerten, der dem Erzeugermodell 230 zugeordnet ist, um zu verbessern, wie genau zumindest einige der erstellten Designs 146 den Trainingsdesigns 142 entsprechen. Während einer bestimmten Trainingsiteration könnte die Trainingsmaschine 200 beispielsweise das Kodierer-Modell 210 veranlassen, ein erstes Trainingsdesign 142 an einem ersten latenten Raumort zu kodieren. Die Trainingsmaschine 200 könnte auch das Erzeugermodell 230 dazu veranlassen, ein erstes erzeugtes Design 146 zu erzeugen, das auf dem ersten latenten Raumort basiert. Die Trainingsmaschine 200 würde dann das erste Trainingsdesign 142 mit dem ersten erzeugten Design 146 vergleichen und die dem Codierer-Modell 210 und/oder dem Erzeugermodell 230 zugeordnete(n) Menge(n) von Gewichtungswerten ändern, um eine oder mehrere Abweichungen zwischen dem ersten Trainingsdesign 142 und dem ersten erzeugten Design 146 zu verringern. Wie bereits erwähnt, wird in 3 eine zusätzliche Trainingstechnik vorgestellt, die das obige Verfahren ergänzen kann.
Sobald die Trainingsmaschine 200 das Kodierer-Modell 210, die latenten Raumdarstellung 220 und das Erzeugermodell 230 auf die beschriebene Weise erzeugt hat, kann die Design-Anwendung 140 eine Navigationsmaschine implementieren, um in der latenten Raumdarstellung 220 zu navigieren und den Grad zu quantifizieren, in dem ein bestimmtes Musterdesign 144 mit einem bestimmten charakteristischen Stil übereinstimmt, wie nachfolgend in Verbindung mit 2B ausführlicher beschrieben.
2B zeigt, wie die Design-Anwendung aus 1 gemäß verschiedener Ausführungsformen der vorliegenden Erfindung durch die latente Raumdarstellung aus 2A navigiert. Wie gezeigt, umfasst die Design-Anwendung 140 eine Navigationsmaschine 240. Der Übersichtlichkeit halber wurde die Trainingsmaschine 200 nicht gezeigt. Darüber hinaus umfasst die latente Raumdarstellung 220 einen latenten Raumort 242. Das Kodierer-Modell 210 erzeugt den latenten Raumort 242 durch Projektion eines von einem Benutzer bereitgestellten Design-Musters 244 in die latente Raumdarstellung 220. Dabei reduziert das Kodierer-Modell 210 die Dimensionalität, die dem Musterdesign 144 zugeordnet ist, auf die Dimensionalität, die der latenten Raumdarstellung 220 zugeordnet ist, wie zuvor in Verbindung mit 2A beschrieben.
Sobald das Musterdesign 144 auf den latenten Raumort 242 projiziert ist, stellt die Navigationsmaschine 240 fest, dass der latente Raumort 242 in einem Abstand M0 von einem der Gruppe 224(0) der latenten Raumorte zugeordneten Schwerpunkt und in einem Abstand M1 von einem der Gruppe 224(1) der latenten Raumorte zugeordneten Schwerpunkt liegt. Die Abstände M0 und M1 quantifizieren die Ähnlichkeit zwischen dem Musterdesign 144 und den Trainingsdesigns 142, die verwendet wurden, um die Gruppen 224(0) und 224(1) zu erzeugen. Die Navigationsmaschine 240 erzeugt Stil-Metriken 148 basierend auf den Abständen M0 und M1, um zu quantifizieren, wie ähnlich das Musterdesign 144 einem charakteristischen Stil ist, der den Trainingsdesigns 142 zugeordnet ist. Auf diese Weise kann die Navigationsmaschine 240 automatisch ein Design im Vergleich zu vielen anderen Designs bewerten, um festzustellen, ob dieses Design von einem bestimmten charakteristischen Stil abweicht oder mit ihm übereinstimmt.
Die Navigationsmaschine 240 kann basierend auf dem Musterdesign 144 auch neue Designs erzeugen, die in manchen Fällen besser zu einem bestimmten charakteristischen Stil passen. Insbesondere kann die Navigationsmaschine 240 in der latenten Raumdarstellung 220 latente Raumorte 244(0) und/oder 244(1) erzeugen, die sich näher an den Gruppen 224(0) bzw. 224(1) befinden. Das Erzeugermodell 230 kann dann basierend auf den latenten Raumorten 244 erzeugte Designs 146 erzeugen. Diese erzeugten Designs 146 sind aus dem Musterdesign 144 abgeleitet, können aber stilistisch eher mit den Trainingsdesigns 142 übereinstimmen, die zur Erstellung der Gruppen 224(0) und 224(1) verwendet wurden. Dementsprechend erleichtert die Navigationsmaschine 240 die Erzeugung von Designs, die nicht wesentlich von einem bestimmten charakteristischen Stil abweichen.
Unter Bezugnahme im Allgemeinen auf 2A-2B kodiert das Kodierer-Modell 210 in einer Betriebsart Designs, die eine erste Auflösung aufweisen, und das Erzeugermodell 230 erzeugt Designs mit der gleichen Auflösung. In einer anderen Betriebsart kann die Trainingsmaschine 200 jedoch beim Training des Erzeugermodells 230 eine spezielle Technik implementieren, um die Auflösung zu erhöhen, mit der das Erzeugermodell 230 Designs erzeugt, wie nachfolgend in Verbindung mit 3 näher beschrieben.
3 ist eine detailliertere Darstellung der Trainingsmaschine aus 2A, gemäß verschiedener Ausführungsformen der vorliegenden Erfindung. Wie gezeigt, beinhaltet die Trainingsmaschine 200 einen Diskriminator 300 und einen Bewerter 310. Der Diskriminator 300 und der Bewerter 310 können in einem generativen adversarischen Netzwerk (GAN) beinhaltet sein. Im Betrieb empfängt der Diskriminator 300 Trainingsdesigns 142 und erzeugte Designs 146 und versucht dann, die Trainingsdesigns 142 von den erzeugten Designs 146 zu unterscheiden. Der Bewerter 310 bestimmt dann, ob der Diskriminator 300 korrekt zwischen den beiden Typen von Designs unterscheiden kann. Basierend auf der Leistung von Diskriminator 300 modifiziert der Bewerter 310 den Diskriminator 300, um eine genauere Unterscheidung zu ermöglichen. Der Bewerter 310 modifiziert auch das Erzeugermodell 230, um genauere und höher aufgelöste Designs 146 zu erzeugen. Der Fachmann, der mit GANs vertraut sind, versteht, wie der Diskriminator 300 und der Bewerter 310 das Training des Erzeugermoduls 230 verbessern können.
Unter Bezugnahme im Allgemeinen auf die 1-3 muss dank der oben beschriebenen Techniken der Designer die neue Fahrzeugdesigns nicht manuell bewerten, um festzustellen, ob diese Designs ästhetisch mit einem charakteristischen Stil übereinstimmen, der bereits vorhandenen Fahrzeugflotte zugeordnet ist. Dementsprechend kann der Designer schneller überprüfen, ob ein bestimmtes Fahrzeugdesign nicht erheblich von diesem charakteristischen Stil abweicht. Darüber hinaus erleichtern die vorgestellten Techniken die Erzeugung neuer Designs, die zwar bestimmte Merkmale aufweisen, aber dennoch einem bestimmten charakteristischen Stil entsprechen müssen. Daher sind die offenbarten Techniken besonders nützlich, wenn es um das Design von autonomen Fahrzeugen geht, die oft externe Komponenten, wie etwa Sensoren, beinhalten müssen, aber dennoch stilistisch mit einem oder mehreren anderen Fahrzeugen übereinstimmen müssen.
4 ist ein Flussdiagramm von Verfahrensschritten zum automatischen Erzeugen von Designs, die ähnliche Merkmale und Stile wie bestehende Designs aufweisen, gemäß verschiedener Ausführungsformen der vorliegenden Erfindung. Auch wenn die Verfahrensschritte in Verbindung mit den Systemen der 1-3 beschrieben sind, versteht der Fachmann, dass ein beliebiges System, das dazu konfiguriert ist, die Verfahrensschritte in einer beliebigen Reihenfolge durchzuführen, in den Umfang der vorliegenden Erfindung fällt.
Wie gezeigt, beginnt ein Verfahren 400 bei Schritt 402, in dem die Trainingsmaschine 200 der 2A das Kodierer-Modell 210 trainiert, um Designs in die latente Raumdarstellung 220 zu projizieren. Die latente Raumdarstellung 220 ist ein niedrigdimensionales Konstrukt, bei dem das Kodierer-Modell 210 höherdimensionale Konstrukte, einschließlich der Trainingsdesigns 142 und anderer Designs, auf bestimmte niedrigdimensionale Stellen innerhalb der latenten Raumdarstellung 220 projizieren kann. In einer Ausführungsform kann das Kodierer-Modell 210 ein neuronales Faltungsnetzwerk sein, das Faltungsoperationen durchführt, um die den Designs zugeordnete Dimensionalität auf die den Orten innerhalb der latenten Raumdarstellung 220 zugeordnete Dimensionalität zu reduzieren.
Bei Schritt 404 trainiert die Trainingsmaschine 200 den Erzeugermodus 230I, um Designs basierend auf der latenten Raumdarstellung 220 zu erzeugen. Die Trainingsmaschine 200 ändert einen Satz von Gewichtungswerten, der dem Erzeugermodell 230 zugeordnet ist, damit das Erzeugermodell 230 die Trainingsdesigns 142, die das Kodierer-Modell 210 in die latente Raumdarstellung 220 kodiert, genau nachbilden kann. In einer Ausführungsform kann die Trainingsmaschine 200 Elemente eines GAN implementieren, um das Training des Erzeugermodells 230 so zu steuern, dass es Designs mit höherer Auflösung produziert, wie vorstehend in Verbindung mit 3 beschrieben. Das Erzeugermodell 230 erzeugt ein bestimmtes Design, indem es die Dimensionalität, die einem Ort in der latenten Raumdarstellung 220 zugeordnet ist, auf die Dimensionalität, die den Trainingsdesigns 142 zugeordnet ist, oder auf eine höhere Dimensionalität, die den höher aufgelösten Designs zugeordnet ist, erhöht. In einer Ausführungsform ist das Erzeugermodell 230 ein dekonvolutionäres neuronales Netzwerk, das in Verbindung mit dem Kodierer-Modell 210 trainiert wird.
Bei Schritt 406 projiziert die Trainingsmaschine 200 ein oder mehrere Trainingsdesigns 142 in die latente Raumdarstellung 220, um einen ersten latenten Raumort zu erzeugen. Der erste latente Raumort kann einem Schwerpunkt entsprechen, der einer Gruppe von latenten Raumorten zugeordnet ist, die basierend auf Trainingsdesigns 142 erzeugt wurden. Der erste latente Raumort könnte beispielsweise der latente Raumort 224(0) sein, der in 2A-2B gezeigt wird. Im Allgemeinen entsprechen latente Raumorte, die sich in der Nähe des ersten latenten Raumortes befinden, Designs, die ähnliche Merkmale, eine ähnliche Ästhetik und/oder ähnliche Designmerkmale aufweisen.
Bei Schritt 408 projiziert die Navigationsmaschine 240 aus 2B ein Musterdesign 144 in die latente Raumdarstellung 220, um einen zweiten latenten Raumort zu erzeugen. Dabei veranlasst die Navigationsmaschine 240 das Kodierer-Modell 210, die dem Musterdesign 144 zugeordnete Dimensionalität auf die der latenten Raumdarstellung 220 zugeordnete Dimensionalität zu reduzieren. Latente Raumorte, die sich in der Nähe des zweiten latenten Raumortes befinden, entsprechen im Allgemeinen Designs, die ein oder mehrere Design-Merkmale mit dem Musterdesign 144 gemeinsam aufweisen.
Bei Schritt 410 bestimmt die Navigationsmaschine 240 der Abstand zwischen dem ersten latenten Raumort und dem zweiten latenten Raumort. In einer Ausführungsform ist die latente Raumdarstellung eine 2D-Datenstruktur und die Abstände zwischen den latenten Raumdarstellungen 220 können mit einer 2D-euklidischen Abstandsformel quantifiziert werden. Der Abstand zwischen zwei latenten Raumorten quantifiziert im Allgemeinen einen stilistischen Unterschied zwischen zwei entsprechenden Designs.
Bei Schritt 412 erzeugt die Navigationsmaschine 240 eine Stil-Metrik basierend auf dem in Schritt 410 erzeugten Abstand, um eine stilistische Abweichung zwischen dem Musterdesign 144 und dem/den Trainingsdesign(s) 142 darzustellen. Die Stil-Metrik kann mithilfe verschiedener Techniken berechnet werden. Beispielsweise könnte die Navigationsmaschine 240 den bei Schritt 410 erzeugten Abstand normalisieren, um die Stil-Metrik zu erstellen. Alternativ könnte die Navigationsmaschine 240 den bei Schritt 410 erzeugten Abstand basierend auf verschiedenen Gewichtungen gewichten, die bestimmten Regionen der latenten Raumdarstellung 220 zugeordnet sind. Ein Vorteil des Erzeugens der Stil-Metrik auf die beschriebene Weise ist, dass ein Benutzer der Design-Anwendung 140 quantifizieren kann, wie stark neue Designs mit dem charakteristischen Stil übereinstimmen, der einer bereits vorhandenen Fahrzeugflotte zugeordnet ist, und so den Aufwand , der mit der Bewertung zahlreicher neuer Designs einhergeht, reduzieren kann.
Bei Schritt 414 bestimmt die Navigationsmaschine 240 einen dritten latenten Raumort basierend auf der latenten Raumdarstellung 220 und basierend auf der in Schritt 412 erstellten Stil-Metrik. Die Navigationsmaschine 240 könnte beispielsweise bestimmen, dass die Stil-Metrik eine inakzeptable Abweichung von dem charakteristischen Stil anzeigt, der den Trainingsdesigns 142 zugeordnet ist. Die Navigationsmaschine 240 könnte dann die latente Raumdarstellung 220 von dem zweiten latenten Raumort in Richtung des ersten latenten Raumortes durchlaufen. Die Navigationsmaschine 240 kann die latente Raumdarstellung 220 um eine Strecke durchqueren, die von der durch die Stil-Metrik angezeigten Abweichung abhängt. Die Navigationsmaschine 240 könnte beispielsweise eine kurze Strecke in Richtung des ersten latenten Raumorts zurücklegen, wenn die Stil-Metrik keine übermäßige stilistische Abweichung anzeigt, und eine längere Strecke zurücklegen, wenn die Stil-Metrik eine übermäßige stilistische Abweichung anzeigt.
Bei Schritt 416 veranlasst die Navigationsmaschine 240 das Erzeugermodell 230, ein neues Design basierend auf dem dritten latenten Raumort zu erzeugen. Das Erzeugermodell 230 „entpackt“ den dritten latenten Raumort, indem es die diesem Ort zugeordnete Dimensionalität so erhöht, dass sie gleich oder größer ist als die dem Musterdesign 144 zugeordnete Dimensionalität. Ein Vorteil der oben beschriebenen Technik ist, dass Musterdesigns 144, die sperrige oder seltsame Merkmale beinhalten, wie sie üblicherweise autonomen Fahrzeugen zugeordnet werden, so modifiziert werden können, dass sie dem charakteristischen Stil, der einer bereits vorhandenen Fahrzeugflotte zugeordnet ist, besser entsprechen.
Insgesamt ist eine Design-Anwendung so konfiguriert, dass sie eine latente Raumdarstellung einer bereits vorhandener Fahrzeuge erzeugt. Die Design-Anwendung umfasst ein Enkodierer-Modell, das die Fahrzeugdesigns in die latente Raumdarstellung enkodiert. Die Design-Anwendung schließt ferner ein Erzeugermodell ein, das Positionen in der latenten Raumdarstellung dekodiert, um Fahrzeugdesigns zu erzeugen. Die Design-Anwendung enkodiert Fahrzeugdesigns, die der bereits vorhandenen Fahrzeugflotte zugeordnet sind, in die latente Raumdarstellung, um einen ersten latenten Raumort zu erzeugen. Der erste latente Raumort stellt den charakteristischen Stil dar, der der bereits vorhandenen Fahrzeugflotte zuzuordnen ist. Die Design-Anwendung enkodiert ein von einem Benutzer bereitgestelltes Musterdesign in die Darstellung des latenten Raums, um einen zweiten latenten Raumort zu produzieren. Die Design-Anwendung bestimmt dann einen Abstand zwischen dem ersten latenten Raumort und dem zweiten latenten Raumort. Basierend auf dem Abstand erzeugt die Design-Anwendung eine Stil-Metrik, die die ästhetische Ähnlichkeit zwischen dem Musterdesign und den Fahrzeugdesigns anzeigt, die der bereits vorhandenen Fahrzeugflotte zugeordnet sind.
Die Design-Anwendung kann auch die latente Raumdarstellung von dem zweiten latenten Raumort, der dem Musterdesign zugeordnet ist, zum ersten latenten Raumort, der den Trainingsdesigns zugeordnet ist, durchlaufen, um einen oder mehrere zusätzliche Orte in der latenten Raumdarstellung zu erzeugen. Das Erzeugermodell kann dann neue Designs erzeugen, die auf diesen zusätzlichen Orten basieren. Die neu erzeugten Designs können einen charakteristischen Stil aufweisen, der mit dem charakteristischen Stil der bereits vorhandenen Fahrzeugflotte übereinstimmt. Das Kodierer-Modell und das Erzeugermodell können mit einer Vielzahl von Techniken des Maschinellen Lernens, einschließlich der Techniken, die unter anderem tiefen Faltungsneuronalen Netzwerken und generativen adversen Netzwerken zuzuordnen sind, trainiert werden.
Mindestens ein technologischer Vorteil der offenbarten Techniken gegenüber dem Stand der Technik besteht darin, dass der Grad der Abweichung oder Konvergenz eines Fahrzeugdesigns von einer Reihe bestimmter Merkmale und Stile quantifizierbar bestimmt werden kann. Dementsprechend können neue Fahrzeugdesigns, die neue Designmerkmale einschließen, analysiert werden, um herauszufinden, welche Designs am ehesten mit den Merkmalen und Stilen übereinstimmen, die einer vorhandenen Fahrzeugflotte zugeordnet sind. Ein weiterer technologischer Vorteil ist, dass die latente Raumdarstellung der Fahrzeugdesigns es ermöglicht, automatisch neue Fahrzeugdesigns zu erzeugen, die den Merkmalen und Stilen, die einer bereits vorhandenen Fahrzeugflotte zugeordnet sind, genau entsprechen. Diese automatisierten Design-Techniken sind besonders nützlich, wenn autonome Fahrzeuge entworfen werden, die bestimmte Design-Merkmale beinhalten müssen, die für die autonome Navigation erforderlich sind, aber auch Merkmale und Stile aufweisen müssen, die denjenigen entsprechen, die der jeweiligen vorhandenen Fahrzeugflotte zuzuordnen sind. Diese technologischen Vorteile stellen mindestens einen technologischen Fortschritt gegenüber dem Stand der Technik dar.
1. Einige Ausführungsformen umfassen ein computerimplementiertes Verfahren zur Analyse von Fahrzeugdesigns, wobei das Verfahren Kodieren eines ersten Fahrzeugdesigns an einem ersten Ort innerhalb einer latenten Raumdarstellung von Fahrzeugdesignmerkmalen, Kodieren eines zweiten Fahrzeugdesigns an einem zweiten Ort innerhalb der latenten Raumdarstellung und Erzeugen einer ersten Metrik basierend auf dem ersten Ort und dem zweiten Ort umfasst, wobei die erste Metrik einen Grad anzeigt, in dem sich das erste Fahrzeugdesign von einem dem zweiten Fahrzeugdesign zugeordneten charakteristischen Stil unterscheidet.
2. Computerimplementiertes Verfahren nach Anspruch 1, ferner umfassend Erzeugen eines dritten Fahrzeugdesigns basierend auf der ersten Metrik, wobei das dritte Fahrzeugdesign mindestens ein Designmerkmal beinhaltet, das dem charakteristischen Stil zugeordnet ist.
3. Computerimplementierte Verfahren nach einem der Ansprüche 1-2, wobei das Erzeugen des dritten Fahrzeugdesigns Durchlaufen des latenten Raums vom ersten Ort zu einem dritten Ort und Erhöhen einer dem dritten Ort zugeordneten Dimensionalität auf eine Dimensionalität umfasst, die größer oder gleich einer dem ersten Fahrzeugdesign zugeordneten Dimensionalität ist.
4. Computerimplementiertes Verfahren nach einem der Ansprüche 1-3, wobei das Erhöhen der Dimensionalität, die dem dritten Ort zugeordnet ist, Durchführen einer Dekonvolutionsoperation an dem dritten Ort umfasst.
5. Computerimplementiertes Verfahren nach einem der Ansprüche 1-4, wobei das Kodieren des ersten Fahrzeugdesigns Verringern einer Dimensionalität, die dem ersten Fahrzeugdesign zugeordnet ist, auf eine Dimensionalität umfasst, die gleich einer Dimensionalität ist, die dem latenten Raum zugeordnet ist.
6. Computerimplementiertes Verfahren nach einem der Ansprüche 1-5, wobei das Verringern der Dimensionalität, die dem ersten Fahrzeugdesign zugeordnet ist, Durchführen einer Faltungsoperation an dem ersten Fahrzeugdesign umfasst.
7. Computerimplementiertes Verfahren nach einem der Ansprüche 1-6, wobei das Erzeugen der ersten Metrik das Berechnen eines Abstandswertes zwischen dem ersten Ort und dem zweiten Ort umfasst.
8. Computerimplementiertes Verfahren nach einem der Ansprüche, wobei das erste Fahrzeugdesign ein zweidimensionales Array von Pixeln umfasst.
9. Computerimplementiertes Verfahren nach einem der Ansprüche 1-8, wobei das erste Fahrzeugdesign einen Satz nicht-uniformer rationaler B-Spline-Kurven (non-uniform rational B-spline - NURBS) umfasst.
10. Computerimplementiertes Verfahren nach einem der Ansprüche 1-9, ferner umfassend Trainieren eines Kodierernetzwerks zum Kodieren des ersten Fahrzeugdesigns basierend auf einem Vergleich zwischen dem zweiten Fahrzeugdesign und einem dritten Fahrzeugdesign.
11. Einige Ausführungsformen beinhalten ein nicht-transitorisches computerlesbares Medium, auf dem Programmanweisungen gespeichert sind, die, wenn sie durch einen Prozessor ausgeführt werden, den Prozessor veranlassen, Fahrzeugdesigns zu analysieren, durch Durchführen der Schritte des Codierens eines ersten Fahrzeugdesigns an einem ersten Ort innerhalb einer latenten Raumdarstellung von Fahrzeugdesignmerkmalen, des Kodierens eines zweiten Fahrzeugdesigns an einem zweiten Ort innerhalb der latenten Raumdarstellung und des Erzeugens einer ersten Metrik basierend auf dem ersten Ort und dem zweiten Ort, wobei die erste Metrik einen Grad anzeigt, in dem sich das erste Fahrzeugdesign von einem dem zweiten Fahrzeugdesign zugeordneten charakteristischen Stil unterscheidet.
12. Nicht-transitorisches computerlesbares Medium nach Anspruch 11, ferner umfassend den Schritt des Erzeugens eines dritten Fahrzeugdesigns basierend auf der ersten Metrik, wobei das dritte Fahrzeugdesign mindestens ein Designmerkmal beinhaltet, das dem charakteristischen Stil zugeordnet ist.
13. Nicht-transitorisches computerlesbares Medium nach einem der Ansprüche 11-12, wobei der Schritt des Erzeugens des dritten Fahrzeugdesigns Durchlaufen des latenten Raums vom ersten Ort zu einem dritten Ort und Erhöhen einer Dimensionalität, die dem dritten Ort zugeordnet ist, auf eine Dimensionalität umfasst, die größer als oder gleich einer Dimensionalität ist, die dem ersten Fahrzeugdesign zugeordnet ist.
14. Nicht-transitorisches computerlesbares Medium nach einem der Ansprüche 11-13, wobei das Erhöhen der Dimensionalität, die dem dritten Ort zugeordnet ist, Durchführen einer Dekonvolution an dem dritten Ort umfasst.
15. Nicht-transitorisches computerlesbares Medium nach einem der Ansprüche 11-14, wobei der Schritt des Kodierens des ersten Fahrzeugdesigns das Verringern einer Dimensionalität, die dem ersten Fahrzeugdesign zugeordnet ist, auf eine Dimensionalität umfasst, die gleich einer Dimensionalität ist, die dem latenten Raum zugeordnet ist.
16. Nicht-transitorisches computerlesbares Medium nach einem der Ansprüche 11-15, wobei das Verringern der Dimensionalität, die dem ersten Fahrzeugdesign zugeordnet ist, Durchführen einer Faltungsoperation an dem ersten Fahrzeugdesign umfasst.
17. Nicht-transitorisches computerlesbares Medium nach einem der Ansprüche 11-16, wobei der Schritt des Erzeugens der ersten Metrik das Berechnen eines Abstandswertes zwischen dem ersten Ort und dem zweiten Ort umfasst.
18. Nicht-transitorisches computerlesbares Medium nach einem der Ansprüche 11-17, ferner umfassend die Schritte des Trainierens eines Kodierernetzwerks, um das erste Fahrzeugdesign basierend auf einem Vergleich zwischen dem zweiten Fahrzeugdesign und einem dritten Fahrzeugdesign zu codieren, und des Trainierens eines Erzeugernetzwerks, um ein drittes Fahrzeugdesign basierend auf einem Vergleich zwischen dem ersten Fahrzeugdesign und dem zweiten Fahrzeugdesign zu erzeugen.
19. Nicht-übertragbares computerlesbares Medium nach einem der Ansprüche 11-18, wobei das erste Fahrzeugdesign mindestens ein Sensormerkmal beinhaltet, das einem autonomen Fahrzeug zugeordnet ist.
20. Einige Ausführungsformen umfassen ein System, das einen Speicher, der eine Softwareanwendung speichert, und einen Prozessor umfasst, der die Softwareanwendung ausführt, um die Schritte des Kodierens eines ersten Fahrzeugdesigns in einen ersten Ort innerhalb einer latenten Raumdarstellung von Fahrzeugdesignmerkmalen, des Kodierens eines zweiten Fahrzeugdesigns in einen zweiten Ort innerhalb der latenten Raumdarstellung und des Erzeugens einer ersten Metrik basierend auf dem ersten Ort und dem zweiten Ort durchzuführen, wobei die erste Metrik einen Grad anzeigt, in dem sich das erste Fahrzeugdesign von einem charakteristischen Stil unterscheidet, der dem zweiten Fahrzeugdesign zugeordnet ist.
Jede und alle Kombinationen beliebiger Anspruchselemente, die in einem der Ansprüche genannt werden, und/oder beliebige Elemente, die in dieser Anmeldung beschrieben werden, liegen in jeglicher Weise innerhalb des vorgesehenen Umfangs der vorliegenden Offenbarung und deren Schutzbereichs.
Die Beschreibungen der verschiedenen Ausführungsformen wurden zur Veranschaulichung dargestellt, sie sind jedoch nicht erschöpfend oder auf die offenbarten Ausführungsformen begrenzt. Für den Durchschnittsfachmann ergeben sich zahlreiche Modifikationen und Variationen, ohne von Umfang und Wesen der beschriebenen Ausführungsformen abzuweichen.
Aspekte der vorliegenden Ausführungsformen können als System, Verfahren oder Computerprogrammprodukt ausgeführt werden. Dementsprechend können Aspekte der vorliegenden Offenbarung die Form einer gänzlich aus Hardware bestehenden Ausführungsform, einer gänzlich aus Software bestehenden Ausführungsform (einschließlich Firmware, systemeigener Software, Mikrocode usw.) oder einer Ausführungsform, in der Software- und Hardwareaspekte kombiniert sind, annehmen, die hier alle im Allgemeinen als „Modul“ oder „System“ bezeichnet werden können. Außerdem können Aspekte der vorliegenden Offenbarung die Form eines Computerprogrammprodukts annehmen, das in einem oder mehreren computerlesbaren Medien mit darauf ausgebildetem computerlesbarem Programmcode ausgeführt ist.
Jede Kombination von einem oder mehreren computerlesbaren Medien kann verwendet werden. Bei dem computerlesbaren Medium kann es sich um ein computerlesbares Signalmedium oder ein computerlesbares Speichermedium handeln. Ein computerlesbares Speichermedium kann unter anderem beispielsweise ein System, eine Einrichtung oder eine Vorrichtung, das bzw. die nach einem elektronischen, magnetischen, optischen, elektromagnetischen, infrarotbasierten oder halbleiterbasierten Prinzip funktioniert, oder eine beliebige Kombination aus den Vorgenannten sein. Konkrete Beispiele (unvollständige Auflistung) für das computerlesbare Speichermedium sind: eine elektrische Verbindung mit einem oder mehreren Drähten, eine tragbare Computerdiskette, eine Festplatte, ein Direktzugriffsspeicher (RAM), ein ROM, ein lösch- und programmierbarer ROM (EPROM oder Flash-Speicher), ein Lichtwellenleiter, ein tragbarer Compact-Disc-ROM (CD-ROM), eine optische Speichervorrichtung, eine magnetische Speichervorrichtung oder jede geeignete Kombination aus den Vorgenannten. Im Rahmen dieser Offenbarung kann ein computerlesbares Speichermedium ein jedes greifbares Medium sein, auf dem ein Programm zur Verwendung durch oder in Verbindung mit einem System, einer Einrichtung oder einer Vorrichtung zur Ausführung von Anweisungen enthalten oder gespeichert sein kann.
Aspekte der vorliegenden Offenbarung sind vorstehend unter Bezugnahme auf Flussdiagramme und/oder Blockdiagramme von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß den Ausführungsformen der Offenbarung beschrieben. Es versteht sich, dass jeder Block in den Ablaufdarstellungen und/oder Blockdiagrammen und Kombinationen aus Blöcken in den Ablaufdarstellungen und/oder Blockdiagrammen durch Computerprogrammanweisungen umgesetzt werden kann bzw. können. Diese Computerprogrammanweisungen können einem Prozessor eines Universalcomputers, eines Spezialcomputers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung bereitgestellt werden, um eine Maschine zu produzieren. Bei Ausführung über den Prozessor des Computers oder der anderen programmierbaren Datenverarbeitungseinrichtung ermöglichen die Anweisungen die Umsetzung der in dem Block oder den Blöcken des Ablaufschemas und/oder Blockdiagramms angegebenen Funktionen/Vorgänge. Bei derartigen Prozessoren kann es sich unter anderem um Universalprozessoren, Spezialprozessoren, anwendungsspezifische Prozessoren oder feldprogrammierbare Gate-Arrays handeln.
Die Ablauf- und Blockdiagramme in den Figuren veranschaulichen die Architektur, Funktionalität und den Betrieb möglicher Umsetzungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Offenbarung. In dieser Hinsicht kann jeder Block in den Fluss- oder Blockdiagrammen ein Modul, ein Segment oder einen Abschnitt eines Codes darstellen, das bzw. der eine oder mehrere ausführbare Anweisungen zum Implementieren der angegebenen logischen Funktion(en) umfasst. Es sei auch angemerkt, dass die in dem Block angegebenen Funktionen in einigen alternativen Implementierungen in anderer Reihenfolge als in den Figuren angegeben auftreten können. Beispielsweise können zwei aufeinanderfolgend gezeigte Blöcke tatsächlich im Wesentlichen gleichzeitig ausgeführt werden, oder die Blöcke können mitunter abhängig von der jeweiligen Funktion in der umgekehrten Reihenfolge ausgeführt werden. Es sei auch angemerkt, dass jeder Block der Blockdiagramme und/oder Flussdiagrammdarstellung und Kombinationen von Blöcken der Blockdiagramm- und/oder Flussdiagrammdarstellung durch spezielle hardwarebasierte Systeme, die die angegebenen Funktionen oder Handlungen durchführen, oder durch Kombinationen von spezieller Hardware und Computeranweisungen, implementiert sein können.
Auch wenn sich das Voranstehende auf Ausführungsformen der vorliegenden Offenbarung bezieht, können andere und weitere Ausführungsformen der Offenbarung entwickelt werden, ohne von deren grundlegendem Umfang abzuweichen, und deren Umfang wird durch die nachfolgenden Ansprüche bestimmt.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 62/668731 [0001]
US 16/362555 [0001]

Claims

System, umfassend: einen Speicher, der zum Speichern einer Softwareanwendung konfiguriert ist; und einen Prozessor, der zum Ausführen der Softwareanwendung konfiguriert ist, um die folgenden Schritte durchzuführen: Kodieren eines ersten Fahrzeugdesigns in einen ersten Ort innerhalb einer latenten Raumdarstellung von Fahrzeugdesignmerkmalen, Kodieren eines zweiten Fahrzeugdesigns in einen zweiten Ort innerhalb der latenten Raumdarstellung, und Erzeugen einer ersten Metrik basierend auf dem ersten Ort und dem zweiten Ort, wobei die erste Metrik einen Grad anzeigt, in dem sich das erste Fahrzeugdesign von einem charakteristischen Stil unterscheidet, der dem zweiten Fahrzeugdesign zugeordnet ist.
System nach Anspruch 1, wobei die Softwareanwendung ferner Mittel zum Erzeugen eines dritten Fahrzeugdesigns basierend auf der ersten Metrik umfasst, wobei das dritte Fahrzeugdesign mindestens ein Designmerkmal einschließt, das dem charakteristischen Stil zugeordnet ist.
System nach Anspruch 2, wobei die Mittel zum Erzeugen des dritten Fahrzeugdesigns Mittel für Folgendes umfassen: Durchqueren des latenten Raums von dem ersten Ort zu einem dritten Ort; und Erhöhen einer Dimensionalität, die dem dritten Ort zugeordnet ist, auf eine Dimensionalität, die größer oder gleich einer Dimensionalität ist, die dem ersten Fahrzeugdesign zugeordnet ist.
System nach Anspruch 3, wobei die Mittel zum Erhöhen der Dimensionalität, die dem dritten Ort zugeordnet ist, Mittel zum Durchführen einer Entfaltungsoperation an dem dritten Ort umfassen.
System nach einem der Ansprüche 1 bis 4, wobei die Mittel zum Kodieren des ersten Fahrzeugdesigns Mittel zum Verringern einer Dimensionalität, die dem ersten Fahrzeugdesign zugeordnet ist, auf eine Dimensionalität umfassen, die gleich einer Dimensionalität ist, die dem latenten Raum zugeordnet ist.
System nach Anspruch 5, wobei die Mittel zum Verringern der Dimensionalität, die dem ersten Fahrzeugdesign zugeordnet ist, Mittel zum Durchführen einer Faltungsoperation an dem ersten Fahrzeugdesign umfassen.
System nach einem der Ansprüche 1 bis 6, wobei die Mittel zum Erzeugen der ersten Metrik Mittel zum Berechnen eines Entfernungswertes zwischen dem ersten Ort und dem zweiten Ort umfassen.
System nach einem der Ansprüche 1 bis 7, wobei das erste Fahrzeugdesign eine zweidimensionale Anordnung von Pixeln umfasst.
System nach einem der Ansprüche 1 bis 8, wobei das erste Fahrzeugdesign einen Satz nicht-uniformer rationaler B-Spline-Kurven (non-uniform rational B-spline - NURBS) umfasst.
System nach einem der Ansprüche 1 bis 9, wobei die Softwareanwendung ferner Mittel zum Trainieren eines Kodierernetzwerks umfasst, um das erste Fahrzeugdesign basierend auf einem Vergleich zwischen dem zweiten Fahrzeugdesign und einem dritten Fahrzeugdesign zu kodieren.
System nach einem der Ansprüche 1 bis 10, wobei die Softwareanwendung ferner Mittel für Folgendes umfasst: Trainieren eines Kodierernetzwerks zum Kodieren des ersten Fahrzeugdesigns basierend auf einem Vergleich zwischen dem zweiten Fahrzeugdesign und einem dritten Fahrzeugdesign; und Trainieren eines Erzeugernetzwerks, um ein drittes Fahrzeugdesign basierend auf einem Vergleich zwischen dem ersten Fahrzeugdesign und dem zweiten Fahrzeugdesign zu erzeugen.
System nach einem der Ansprüche 1 bis 11, wobei das erste Fahrzeugdesign mindestens ein Sensormerkmal einschließt, das einem autonomen Fahrzeug zugeordnet ist.
Computerlesbares Medium, das Programmanweisungen speichert, die, wenn sie durch einen Prozessor ausgeführt werden, den Prozessor veranlassen, Fahrzeugdesigns zu analysieren, indem er die folgenden Schritte durchführt: Kodieren eines ersten Fahrzeugdesigns in einen ersten Ort innerhalb einer latenten Raumdarstellung von Fahrzeugdesignmerkmalen; Kodieren eines zweiten Fahrzeugdesigns in einen zweiten Ort innerhalb der latenten Raumdarstellung; und Erzeugen einer ersten Metrik basierend auf dem ersten Ort und dem zweiten Ort, wobei die erste Metrik einen Grad anzeigt, in dem sich das erste Fahrzeugdesign von einem charakteristischen Stil unterscheidet, der dem zweiten Fahrzeugdesign zugeordnet ist.
Computerlesbares Medium nach Anspruch 13, ferner umfassend Programmanweisungen, die den Schritt des Erzeugens eines dritten Fahrzeugdesigns basierend auf der ersten Metrik veranlassen, wobei das dritte Fahrzeugdesign mindestens ein Designmerkmal einschließt, das dem charakteristischen Stil zugeordnet ist.
Computerlesbares Medium nach Anspruch 14, wobei die Programmanweisungen, die den Schritt des Erzeugens des dritten Fahrzeugdesigns veranlassen, Programmanweisungen umfassen, die Folgendes veranlassen: Durchqueren des latenten Raums von dem ersten Ort zu einem dritten Ort; und Erhöhen einer Dimensionalität, die dem dritten Ort zugeordnet ist, auf eine Dimensionalität, die größer oder gleich einer Dimensionalität ist, die dem ersten Fahrzeugdesign zugeordnet ist.
Computerlesbares Medium nach Anspruch 15, wobei die Programmanweisungen, die das Erhöhen der Dimensionalität, die dem dritten Ort zugeordnet ist, veranlassen, Programmanweisungen umfassen, die das Durchführen einer Dekonvolutionsoperation an dem dritten Ort veranlassen.
Computerlesbares Medium nach einem der Ansprüche 13 bis 16, wobei die Programmanweisungen, die den Schritt des Codierens der ersten Fahrzeugkonstruktion veranlassen, Programmanweisungen umfassen, die das Verringern einer Dimensionalität, die dem ersten Fahrzeugdesign zugeordnet ist, auf eine Dimensionalität veranlassen, die gleich einer Dimensionalität ist, die dem latenten Raum zugeordnet ist.
Computerlesbares Medium nach einem der Ansprüche 15 bis 17, wobei die Programmanweisungen, die das Verringern der Dimensionalität, die dem ersten Fahrzeugdesign zugeordnet ist, veranlassen, Programmanweisungen umfassen, die das Durchführen einer Faltungsoperation an dem ersten Fahrzeugdesign veranlassen.
Computerlesbares Medium nach einem der Ansprüche 13 bis 18, wobei die Programmanweisungen, die den Schritt des Erzeugens der ersten Metrik veranlassen, Programmanweisungen umfassen, die das Berechnen eines Entfernungswertes zwischen dem ersten Ort und dem zweiten Ort veranlassen.
Computerlesbares Medium nach einem der Ansprüche 13 bis 19, ferner umfassend Programmanweisungen, die den Prozessor veranlassen, die folgenden Schritte durchzuführen: Trainieren eines Kodierernetzwerks zum Kodieren des ersten Fahrzeugdesigns basierend auf einem Vergleich zwischen dem zweiten Fahrzeugdesign und einem dritten Fahrzeugdesign; und Trainieren eines Generatorennetzwerks, um ein drittes Fahrzeugdesign basierend auf einem Vergleich zwischen dem ersten Fahrzeugdesign und dem zweiten Fahrzeugdesign zu erzeugen.
Computerlesbares Medium nach einem der Ansprüche 13 bis 20, wobei das erste Fahrzeugdesign mindestens ein Sensormerkmal einschließt, das einem autonomen Fahrzeug zugeordnet ist.
Computerlesbares Medium nach einem der Ansprüche 13 bis 21, wobei das erste Fahrzeugdesign eine zweidimensionale Anordnung von Pixeln umfasst.
Computerlesbares Medium nach einem der Ansprüche 13 bis 22, wobei das erste Fahrzeugdesign einen Satz nicht-uniformer rationaler B-Spline-Kurven (NURBS) umfasst.
Computerlesbares Medium nach einem der Ansprüche 13 bis 23, ferner umfassend Programmanweisungen, die veranlassen, ein Kodierernetzwerk zu trainieren, um das erste Fahrzeugdesign basierend auf einem Vergleich zwischen dem zweiten Fahrzeugdesign und einem dritten Fahrzeugdesign zu kodieren.