JP2022511968A - 開放された車両ドアを検出するための分類器のトレーニング - Google Patents
開放された車両ドアを検出するための分類器のトレーニング Download PDFInfo
- Publication number
- JP2022511968A JP2022511968A JP2021533428A JP2021533428A JP2022511968A JP 2022511968 A JP2022511968 A JP 2022511968A JP 2021533428 A JP2021533428 A JP 2021533428A JP 2021533428 A JP2021533428 A JP 2021533428A JP 2022511968 A JP2022511968 A JP 2022511968A
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- training
- sensor
- learning classifier
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
-
- 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
- G06V10/77—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
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Abstract
Description
本出願は、2018年12月21日に出願された米国特許出願第16/231,297号に対する優先権を主張するものであり、その全体が参照により本明細書に組み込まれる。
Claims (20)
- 機械学習分類器をトレーニングする、コンピュータ実装方法であって、前記機械学習分類器が、複数の重みを有し、かつ
第1の車両を特徴付け、第2の車両の1つ以上のセンサーによってキャプチャされたセンサーデータから生成される、入力センサーサンプルを受信し、
前記入力センサーサンプルを処理して、前記第1の車両が開放ドアを有するという予測された可能性を表す開放ドアスコアを生成するように構成され、
前記方法が、
複数の初期トレーニング例を取得することであって、各初期トレーニング例が、(i)センサーサンプルのコレクションからのセンサーサンプルと、(ii)開放ドアを有する車両を特徴付けるものとして前記センサーサンプルを分類するデータと、を含む、取得することと、
複数の追加のトレーニング例を生成することであって、各初期トレーニング例について、
前記センサーサンプルのコレクションから、前記初期トレーニング例における前記センサーサンプルがキャプチャされる前の閾値時間量未満でキャプチャされた1つ以上の追加のセンサーサンプルを識別することと、
開放ドアを有する車両を特徴付けるセンサーサンプルとして各追加のセンサーサンプルを分類することと、を含む、生成することと、
前記初期トレーニング例および前記追加のトレーニング例を含む第1のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器の更新された重みを生成することと、を含む、方法。 - 前記機械学習分類器を使用し、前記更新された重みに従って、さらなるトレーニング例を生成することと、
前記さらなるトレーニング例を含む第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器のさらに更新された重みを生成することと、をさらに含む、請求項1に記載の方法。 - 前記さらなるトレーニング例を含む第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器のさらに更新された重みを生成することが、
前記第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器の前記更新された重みから始まる、前記機械学習分類器のさらに更新された重みを生成することを含む、請求項2に記載の方法。 - 前記さらなるトレーニング例を含む第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器のさらに更新された重みを生成することが、
前記第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器の初期重みから始まる、前記機械学習分類器のさらに更新された重みを生成することを含む、請求項2に記載の方法。 - 前記機械学習分類器を使用し、前記更新された重みに従って、さらなるトレーニング例を生成することが、
前記機械学習分類器を使用し、前記更新された重みに従って、前記センサーサンプルのコレクションからの複数の候補センサーサンプルの各々を処理して、各候補センサーサンプルのそれぞれの開放ドアスコアを生成することと、
閾値スコアを超える開放ドアスコアを有する各候補センサーサンプルを、開放ドアを備えた車両を特徴付けるセンサーサンプルとして分類することと、を含む、請求項2~4のいずれか一項に記載の方法。 - 前記複数のセンサーサンプルから、前記初期トレーニング例における前記センサーサンプルがキャプチャされる前の閾値時間量未満でキャプチャされた1つ以上の追加のセンサーサンプルを識別することが、
追加のセンサーサンプルとして、(i)前記初期トレーニング例における前記センサーサンプルと同じ車両を特徴付け、(ii)前記初期トレーニング例における前記センサーサンプルがキャプチャされる前の閾値時間量未満でキャプチャされた、前記複数のサンプルにおける各センサーサンプルを識別することを含む、請求項1~5のいずれか一項に記載の方法。 - 複数の初期トレーニング例を取得することが、
前記センサーサンプルのコレクションから、複数の候補初期センサーサンプルを識別することであって、前記複数の候補初期センサーサンプルが、各々、前記候補初期センサーサンプルによって特徴付けられる前記車両の本体の輪郭の外側にかなりの量の測定値を含む、識別することを含む、請求項1~6のいずれか一項に記載の方法。 - 1つ以上のコンピュータおよび命令を記憶する1つ以上の記憶デバイスを含むシステムであって、前記命令が、前記1つ以上のコンピュータによって実行されたとき、前記1つ以上のコンピュータに、機械学習分類器をトレーニングするための操作を実行させ、前記機械学習分類器が、複数の重みを有し、かつ
第1の車両を特徴付け、第2の車両の1つ以上のセンサーによってキャプチャされたセンサーデータから生成される、入力センサーサンプルを受信し、
前記入力センサーサンプルを処理して、前記第1の車両が開放ドアを有するという予測された可能性を表す開放ドアスコアを生成するように構成され、
前記操作が、
複数の初期トレーニング例を取得することであって、各初期トレーニング例が、(i)センサーサンプルのコレクションからのセンサーサンプルと、(ii)開放ドアを有する車両を特徴付けるものとして前記センサーサンプルを分類するデータと、を含む、取得することと、
複数の追加のトレーニング例を生成することであって、各初期トレーニング例について、
前記センサーサンプルのコレクションから、前記初期トレーニング例における前記センサーサンプルがキャプチャされる前の閾値時間量未満でキャプチャされた1つ以上の追加のセンサーサンプルを識別することと、
開放ドアを有する車両を特徴付けるセンサーサンプルとして各追加のセンサーサンプルを分類することと、を含む、生成することと、
前記初期トレーニング例および前記追加のトレーニング例を含む第1のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器の更新された重みを生成することを含む、システム。 - 前記操作が、
前記機械学習分類器を使用し、前記更新された重みに従って、さらなるトレーニング例を生成することと、
前記さらなるトレーニング例を含む第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器のさらに更新された重みを生成することと、をさらに含む、請求項8に記載のシステム。 - 前記さらなるトレーニング例を含む第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器のさらに更新された重みを生成することが、
前記第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器の前記更新された重みから始まる、前記機械学習分類器のさらに更新された重みを生成することを含む、請求項9に記載のシステム。 - 前記さらなるトレーニング例を含む第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器のさらに更新された重みを生成することが、
前記第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器の初期重みから始まる、前記機械学習分類器のさらに更新された重みを生成することを含む、請求項9に記載のシステム。 - 前記機械学習分類器を使用し、前記更新された重みに従って、さらなるトレーニング例を生成することが、
前記機械学習分類器を使用し、前記更新された重みに従って、前記センサーサンプルのコレクションからの複数の候補センサーサンプルの各々を処理して、各候補センサーサンプルのそれぞれの開放ドアスコアを生成することと、
閾値スコアを超える開放ドアスコアを有する各候補センサーサンプルを、開放ドアを備えた車両を特徴付けるセンサーサンプルとして分類することと、を含む、請求項9~11のいずれか一項に記載のシステム。 - 前記複数のセンサーサンプルから、前記初期トレーニング例における前記センサーサンプルがキャプチャされる前の閾値時間量未満でキャプチャされた1つ以上の追加のセンサーサンプルを識別することが、
追加のセンサーサンプルとして、(i)前記初期トレーニング例における前記センサーサンプルと同じ車両を特徴付け、(ii)前記初期トレーニング例における前記センサーサンプルがキャプチャされる前の閾値時間量未満でキャプチャされた、前記複数のサンプルにおける各センサーサンプルを識別することを含む、請求項8~12のいずれか一項に記載のシステム。 - 複数の初期トレーニング例を取得することが、
前記センサーサンプルのコレクションから、複数の候補初期センサーサンプルを識別することであって、前記複数の候補初期センサーサンプルが、各々、前記候補初期センサーサンプルによって特徴付けられる前記車両の本体の輪郭の外側にかなりの量の測定値を含む、識別することを含む、請求項8~13のいずれか一項に記載のシステム。 - 命令を記憶する1つ以上のコンピュータ可読記憶媒体であって、前記命令が、前記1つ以上のコンピュータによって実行されたとき、前記1つ以上のコンピュータに機械学習分類器をトレーニングするための操作を実行させ、前記機械学習分類器が、複数の重みを有し、かつ
第1の車両を特徴付け、第2の車両の1つ以上のセンサーによってキャプチャされたセンサーデータから生成される、入力センサーサンプルを受信し、
前記入力センサーサンプルを処理して、前記第1の車両が開放ドアを有するという予測された可能性を表す開放ドアスコアを生成するように構成され、
前記操作が、
複数の初期トレーニング例を取得することであって、各初期トレーニング例が、(i)センサーサンプルのコレクションからのセンサーサンプルと、(ii)開放ドアを有する車両を特徴付けるものとして前記センサーサンプルを分類するデータと、を含む、取得することと、
複数の追加のトレーニング例を生成することであって、各初期トレーニング例について、
前記センサーサンプルのコレクションから、前記初期トレーニング例における前記センサーサンプルがキャプチャされる前の閾値時間量未満でキャプチャされた1つ以上の追加のセンサーサンプルを識別することと、
開放ドアを有する車両を特徴付けるセンサーサンプルとして各追加のセンサーサンプルを分類することと、を含む、生成することと、
前記初期トレーニング例および前記追加のトレーニング例を含む第1のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器の更新された重みを生成することと、を含む、1つ以上のコンピュータ可読記憶媒体。 - 前記操作が、
前記機械学習分類器を使用し、前記更新された重みに従って、さらなるトレーニング例を生成することと、
前記さらなるトレーニング例を含む第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器のさらに更新された重みを生成することと、をさらに含む、請求項15に記載のコンピュータ可読記憶媒体。 - 前記さらなるトレーニング例を含む第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器のさらに更新された重みを生成することが、
前記第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器の前記更新された重みから始まる、前記機械学習分類器のさらに更新された重みを生成することを含む、請求項16に記載のコンピュータ可読記憶媒体。 - 前記さらなるトレーニング例を含む第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器のさらに更新された重みを生成することが、
前記第2のトレーニングデータ上で前記機械学習分類器をトレーニングして、前記機械学習分類器の前記初期重みから始まる、前記機械学習分類器のさらに更新された重みを生成することを含む、請求項16に記載のコンピュータ可読記憶媒体。 - 前記機械学習分類器を使用し、前記更新された重みに従って、さらなるトレーニング例を生成することが、
前記機械学習分類器を使用し、前記更新された重みに従って、前記センサーサンプルのコレクションからの複数の候補センサーサンプルの各々を処理して、各候補センサーサンプルのそれぞれの開放ドアスコアを生成することと、
閾値スコアを超える開放ドアスコアを有する各候補センサーサンプルを、開放ドアを備えた車両を特徴付けるセンサーサンプルとして分類することと、を含む、請求項16~18のいずれか一項に記載のコンピュータ可読記憶媒体。 - 前記複数のセンサーサンプルから、前記初期トレーニング例における前記センサーサンプルがキャプチャされる前の閾値時間量未満でキャプチャされた1つ以上の追加のセンサーサンプルを識別することが、
追加のセンサーサンプルとして、(i)前記初期トレーニング例における前記センサーサンプルと同じ車両を特徴付け、(ii)前記初期トレーニング例における前記センサーサンプルがキャプチャされる前の閾値時間量未満でキャプチャされた、前記複数のサンプルにおける各センサーサンプルを識別することを含む、請求項15~19のいずれか一項に記載のコンピュータ可読記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/231,297 | 2018-12-21 | ||
US16/231,297 US11514310B2 (en) | 2018-12-21 | 2018-12-21 | Training a classifier to detect open vehicle doors |
PCT/US2019/068331 WO2020132676A2 (en) | 2018-12-21 | 2019-12-23 | Training a classifier to detect open vehicle doors |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022511968A true JP2022511968A (ja) | 2022-02-01 |
JP7203224B2 JP7203224B2 (ja) | 2023-01-12 |
Family
ID=69374376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021533428A Active JP7203224B2 (ja) | 2018-12-21 | 2019-12-23 | 開放された車両ドアを検出するための分類器のトレーニング |
Country Status (5)
Country | Link |
---|---|
US (2) | US11514310B2 (ja) |
EP (1) | EP3881247A2 (ja) |
JP (1) | JP7203224B2 (ja) |
KR (1) | KR102607725B1 (ja) |
WO (1) | WO2020132676A2 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11514310B2 (en) * | 2018-12-21 | 2022-11-29 | Waymo Llc | Training a classifier to detect open vehicle doors |
DE102019203334A1 (de) * | 2019-03-12 | 2020-09-17 | Robert Bosch Gmbh | Verfahren zum Durchführen einer Reaktion auf Personen an Fahrzeugen |
CN111832496B (zh) * | 2020-07-17 | 2023-11-03 | 南京康尼机电股份有限公司 | 一种轨道车门开关状态判断方法、装置及存储介质 |
US20220024495A1 (en) * | 2020-07-24 | 2022-01-27 | Autobrains Technologies Ltd | Open door predictor |
SE2051397A1 (en) * | 2020-12-01 | 2022-05-24 | Swanholm Tech Ab | Safety wearable for egress detection from a work vehicle |
JP2022104398A (ja) * | 2020-12-28 | 2022-07-08 | 株式会社Subaru | 車両の運転制御システム |
CN113111708B (zh) * | 2021-03-10 | 2023-12-29 | 北京爱笔科技有限公司 | 车辆匹配样本生成方法、装置、计算机设备和存储介质 |
US20230243994A1 (en) * | 2022-02-02 | 2023-08-03 | Gm Cruise Holdings Llc | Use of low frequency electromagnetic signals to detect occluded anomalies by a vehicle |
US20230007914A1 (en) * | 2022-09-20 | 2023-01-12 | Intel Corporation | Safety device and method for avoidance of dooring injuries |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012146142A (ja) * | 2011-01-12 | 2012-08-02 | Denso Corp | 物体検出装置 |
US20170262727A1 (en) * | 2016-03-11 | 2017-09-14 | Panasonic Intellectual Property Corporation Of America | Image processing method, image processing apparatus, and recording medium |
JP2017162436A (ja) * | 2016-03-11 | 2017-09-14 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 画像処理方法、画像処理装置およびプログラム |
US9987745B1 (en) * | 2016-04-01 | 2018-06-05 | Boston Dynamics, Inc. | Execution of robotic tasks |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3052951C (en) | 2017-02-10 | 2023-03-14 | Nissan North America, Inc. | Autonomous vehicle operational management |
US11112259B2 (en) * | 2017-10-24 | 2021-09-07 | Nissan North America, Inc. | Localization determination for vehicle operation |
US10955851B2 (en) * | 2018-02-14 | 2021-03-23 | Zoox, Inc. | Detecting blocking objects |
US11514310B2 (en) * | 2018-12-21 | 2022-11-29 | Waymo Llc | Training a classifier to detect open vehicle doors |
-
2018
- 2018-12-21 US US16/231,297 patent/US11514310B2/en active Active
-
2019
- 2019-12-23 WO PCT/US2019/068331 patent/WO2020132676A2/en unknown
- 2019-12-23 KR KR1020217022609A patent/KR102607725B1/ko active IP Right Grant
- 2019-12-23 EP EP19845656.8A patent/EP3881247A2/en active Pending
- 2019-12-23 JP JP2021533428A patent/JP7203224B2/ja active Active
-
2022
- 2022-11-28 US US17/994,991 patent/US20230099920A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012146142A (ja) * | 2011-01-12 | 2012-08-02 | Denso Corp | 物体検出装置 |
US20170262727A1 (en) * | 2016-03-11 | 2017-09-14 | Panasonic Intellectual Property Corporation Of America | Image processing method, image processing apparatus, and recording medium |
JP2017162436A (ja) * | 2016-03-11 | 2017-09-14 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 画像処理方法、画像処理装置およびプログラム |
US9987745B1 (en) * | 2016-04-01 | 2018-06-05 | Boston Dynamics, Inc. | Execution of robotic tasks |
Non-Patent Citations (2)
Title |
---|
加藤 ジェーン 外3名: "多くの画像が共有する「一般クラス」に着目した訓練画像の選択", 情報処理学会 論文誌(ジャーナル) VOL.55 NO.1 [ONLINE], vol. 第55巻 第1号, JPN6022035254, 15 January 2014 (2014-01-15), JP, pages 542 - 552, ISSN: 0004856407 * |
岡谷 貴之: "画像認識のための深層学習の研究動向 −畳込みニューラルネットワークとその利用法の発展−", 人工知能, vol. 第31巻 第2号, JPN6022035255, 1 March 2016 (2016-03-01), JP, pages 169 - 179, ISSN: 0004856408 * |
Also Published As
Publication number | Publication date |
---|---|
US20200202209A1 (en) | 2020-06-25 |
JP7203224B2 (ja) | 2023-01-12 |
US20230099920A1 (en) | 2023-03-30 |
KR102607725B1 (ko) | 2023-11-30 |
WO2020132676A2 (en) | 2020-06-25 |
CN113366507A (zh) | 2021-09-07 |
US11514310B2 (en) | 2022-11-29 |
WO2020132676A3 (en) | 2020-07-30 |
KR20210104128A (ko) | 2021-08-24 |
EP3881247A2 (en) | 2021-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11861481B2 (en) | Searching an autonomous vehicle sensor data repository | |
KR102607725B1 (ko) | 열린 차량 도어들을 검출하기 위한 분류기의 훈련 | |
JP7459224B2 (ja) | アンカー軌道を使用したエージェント軌道予測 | |
JP7239703B2 (ja) | 領域外コンテキストを用いたオブジェクト分類 | |
CN113366496A (zh) | 用于粗略和精细对象分类的神经网络 | |
JP2021516806A (ja) | 物体の検出および特徴付けのためのニューラルネットワーク | |
US11480963B2 (en) | Vehicle intent prediction neural network | |
US11645518B2 (en) | Multi-agent simulations | |
JP2018173946A (ja) | 自動運転車両に用いる畳み込みニューラルネットワークモデルのコンボリューション/デコンボリューション層とバッチ正規化層のオフライン組み合わせ | |
CN113228040B (zh) | 多级对象行进方向估计的系统和方法 | |
CN114580702A (zh) | 多模态多代理轨迹预测 | |
US20210150349A1 (en) | Multi object tracking using memory attention | |
US20220164350A1 (en) | Searching an autonomous vehicle sensor data repository based on context embedding | |
US20210101614A1 (en) | Spatio-temporal pose/object database | |
CN113366507B (zh) | 训练分类器以检测打开的车门 | |
US20230072020A1 (en) | Open vehicle doors prediction using a neural network model | |
EP3965017A1 (en) | Knowledge distillation for autonomous vehicles | |
CN116882122A (zh) | 用于自动驾驶的仿真环境的构建的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210806 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220818 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220824 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221122 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221205 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221226 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7203224 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |