JP2024020237A - 自動運転のための３次元特徴の予測 - Google Patents
自動運転のための３次元特徴の予測 Download PDFInfo
- Publication number
- JP2024020237A JP2024020237A JP2023182986A JP2023182986A JP2024020237A JP 2024020237 A JP2024020237 A JP 2024020237A JP 2023182986 A JP2023182986 A JP 2023182986A JP 2023182986 A JP2023182986 A JP 2023182986A JP 2024020237 A JP2024020237 A JP 2024020237A
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- data
- machine learning
- lane
- time series
- 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 claims abstract description 81
- 238000010801 machine learning Methods 0.000 claims abstract description 66
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 abstract description 51
- 238000013528 artificial neural network Methods 0.000 abstract description 12
- 238000013527 convolutional neural network Methods 0.000 abstract description 10
- 238000000034 method Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 27
- 238000013473 artificial intelligence Methods 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 8
- 238000002604 ultrasonography Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000004557 technical material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/20—Control system inputs
- G05D1/24—Arrangements for determining position or orientation
- G05D1/247—Arrangements for determining position or orientation using signals provided by artificial sources external to the vehicle, e.g. navigation beacons
- G05D1/249—Arrangements for determining position or orientation using signals provided by artificial sources external to the vehicle, e.g. navigation beacons from positioning sensors located off-board the vehicle, e.g. from cameras
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/60—Intended control result
- G05D1/617—Safety or protection, e.g. defining protection zones around obstacles or avoiding hazards
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/60—Intended control result
- G05D1/65—Following a desired speed profile
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30261—Obstacle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/10—Recognition assisted with metadata
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electromagnetism (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
【課題】自動運転などの用途に使用される深層学習システムの正確なラベル付き訓練データを生成する。【解決手段】画像データおよびオドメトリデータを含むセンサデータを受信して、訓練データセットを作成し（２０１）、畳込みニューラルネットワーク（ＣＮＮ）などのニューラルネットワークで機械学習モデルが訓練される（２０３）。次に訓練された機械学習モデルを車両にインストールし（２０５）、センサデータが受信される（２０７）。次にＡＩプロセッサなどの訓練された機械学習モデルを適用し（２０９）、自律型車両を制御する（２１１）。【選択図】図２
Description
［関連出願の相互参照］
本出願は、２０１９年２月１日に出願された、「ＰＲＥＤＩＣＴＩＮＧ ＴＨＲＥＥ－
ＤＩＭＥＮＳＩＯＮＡＬ ＦＥＡＴＵＲＥＳ ＦＯＲ ＡＵＴＯＮＯＭＯＵＳ ＤＲＩＶ
ＩＮＧ（自動運転のための３次元特徴の予測）」と題する米国特許出願第１６／２６５７
２０号の継続出願であり、その優先権を主張し、その開示内容全体が参照により本明細書
に組み込まれる。
本出願は、２０１９年２月１日に出願された、「ＰＲＥＤＩＣＴＩＮＧ ＴＨＲＥＥ－
ＤＩＭＥＮＳＩＯＮＡＬ ＦＥＡＴＵＲＥＳ ＦＯＲ ＡＵＴＯＮＯＭＯＵＳ ＤＲＩＶ
ＩＮＧ（自動運転のための３次元特徴の予測）」と題する米国特許出願第１６／２６５７
２０号の継続出願であり、その優先権を主張し、その開示内容全体が参照により本明細書
に組み込まれる。
自動運転などの用途に使用される深層学習システムは、機械学習モデルを訓練すること
によって開発される。典型的には、深層学習システムの性能は、モデルを訓練するために
使用される訓練セットの品質によって少なくとも部分的に制限される。多くの場合、訓練
データの収集、キュレーション、およびアノテーションには、多大なリソースが投資され
る。従来、訓練データセットをキュレーションするための努力の多くは、潜在的な訓練デ
ータを検討し、データに関連する特徴を適切にラベル付けすることによって手動で行われ
る。正確なラベルを有する訓練セットを作成するのに必要な労力は、顕著であり得、多く
の場合面倒である。さらに、機械学習モデルに改善が必要なデータを収集して正確にラベ
ル付けすることは困難であることが多い。したがって、正確なラベル付き特徴を有する訓
練データを生成するためのプロセスを改善する必要がある。
によって開発される。典型的には、深層学習システムの性能は、モデルを訓練するために
使用される訓練セットの品質によって少なくとも部分的に制限される。多くの場合、訓練
データの収集、キュレーション、およびアノテーションには、多大なリソースが投資され
る。従来、訓練データセットをキュレーションするための努力の多くは、潜在的な訓練デ
ータを検討し、データに関連する特徴を適切にラベル付けすることによって手動で行われ
る。正確なラベルを有する訓練セットを作成するのに必要な労力は、顕著であり得、多く
の場合面倒である。さらに、機械学習モデルに改善が必要なデータを収集して正確にラベ
ル付けすることは困難であることが多い。したがって、正確なラベル付き特徴を有する訓
練データを生成するためのプロセスを改善する必要がある。
本発明の様々な実施形態は、以下の詳細な説明および添付の図面に開示される。
本発明は、プロセス、装置、システム、物質の組成物、コンピュータ可読記憶媒体上に
具現化されたコンピュータプログラム製品、および／またはプロセッサ、例えばプロセッ
サに結合されたメモリに記憶された命令および／またはメモリによって提供された命令を
実行するように構成されたプロセッサ、を含むさまざまな方法で実装され得る。本明細書
では、これらの実装形態、または本発明が取り得る任意の他の形態を、技術と呼ぶことが
できる。一般に、開示されたプロセスのステップの順序は、本発明の範囲内で変更するこ
とができる。特に明記しない限り、タスクを実行するように構成されるものとして説明さ
れるプロセッサまたはメモリなどの構成要素は、所与の時間にタスクを実行するように一
時的に構成される一般的な構成要素、またはタスクを実行するように製造される特定の構
成要素として実装されてもよい。本明細書で使用される場合、「プロセッサ」という用語
は、コンピュータプログラム命令などのデータを処理するように構成された１つまたは複
数のデバイス、回路、および／または処理コアを指す。
具現化されたコンピュータプログラム製品、および／またはプロセッサ、例えばプロセッ
サに結合されたメモリに記憶された命令および／またはメモリによって提供された命令を
実行するように構成されたプロセッサ、を含むさまざまな方法で実装され得る。本明細書
では、これらの実装形態、または本発明が取り得る任意の他の形態を、技術と呼ぶことが
できる。一般に、開示されたプロセスのステップの順序は、本発明の範囲内で変更するこ
とができる。特に明記しない限り、タスクを実行するように構成されるものとして説明さ
れるプロセッサまたはメモリなどの構成要素は、所与の時間にタスクを実行するように一
時的に構成される一般的な構成要素、またはタスクを実行するように製造される特定の構
成要素として実装されてもよい。本明細書で使用される場合、「プロセッサ」という用語
は、コンピュータプログラム命令などのデータを処理するように構成された１つまたは複
数のデバイス、回路、および／または処理コアを指す。
本発明の１つまたは複数の実施形態の詳細な説明を、本発明の原理を示す添付の図面と
共に以下に提供する。本発明は、そのような実施形態に関連して説明されるが、本発明は
いかなる実施形態にも限定されない。本発明の範囲は特許請求の範囲によってのみ限定さ
れ、本発明は多数の代替形態、変形形態および均等物を包含する。本発明の完全な理解を
提供するために、多数の具体的な詳細が以下の説明に記載される。これらの詳細は、例示
の目的で提供されており、本発明は、これらの具体的な詳細の一部または全部なしで特許
請求の範囲に従って実施することができる。明確にするために、本発明に関連する技術分
野で知られている技術資料は、本発明が不必要に不明瞭にならないように詳細には説明さ
れていない。
共に以下に提供する。本発明は、そのような実施形態に関連して説明されるが、本発明は
いかなる実施形態にも限定されない。本発明の範囲は特許請求の範囲によってのみ限定さ
れ、本発明は多数の代替形態、変形形態および均等物を包含する。本発明の完全な理解を
提供するために、多数の具体的な詳細が以下の説明に記載される。これらの詳細は、例示
の目的で提供されており、本発明は、これらの具体的な詳細の一部または全部なしで特許
請求の範囲に従って実施することができる。明確にするために、本発明に関連する技術分
野で知られている技術資料は、本発明が不必要に不明瞭にならないように詳細には説明さ
れていない。
高精度な機械学習結果を生成するための機械学習訓練技術が開示される。車両の環境お
よび車両動作パラメータを捕捉するために車両上のセンサによって捕捉されたデータを使
用して、訓練データセットが作成される。例えば、車両に取り付けられたセンサは、車両
が走行している道路および周囲環境の画像データなどのデータを捕捉する。センサデータ
は、車両レーンライン、車両レーン、他の車両トラフィック、障害物、交通制御標識など
を捕捉することができる。オドメトリ（ｏｄｏｍｅｔｒｙ）および他の同様のセンサは、
車両の速度、操舵、向き、方向の変化、位置の変化、高度の変化、速度の変化などの車両
動作パラメータを捕捉する。捕捉されたデータセットは、訓練データセットを作成するた
めに訓練サーバに送信される。訓練データセットは、高精度の機械学習結果を生成する機
械学習モデルを訓練するために使用される。いくつかの実施形態では、時系列の捕捉デー
タが、訓練データを生成するために使用される。例えば、グラウンドトゥルース（ｇｒｏ
ｕｎｄ ｔｒｕｔｈ）は、時系列要素のグループに基づいて決定され、グループからの単
一の要素に関連付けられる。一例として、３０秒などの期間の一連の画像を使用して、車
両が走行する期間にわたる車両レーンラインの実際の経路を決定する。車両レーンライン
は、その期間にわたって車両レーンの最も正確な画像を使用することによって決定される
。レーンラインの異なる部分（または位置）は、時系列の異なる画像データから識別する
ことができる。車両がレーンラインに沿ってレーンを走行するにつれて、レーンラインの
異なる部分についてより正確なデータが捕捉される。いくつかの例では、レーンの閉塞部
分は、車両が例えば隠れたカーブに沿って、または丘の頂上を越えて走行するときに現れ
る。時系列の各画像からのレーンラインの最も正確な部分は、画像データのグループ全体
にわたってレーンラインを識別するために使用され得る。遠方のレーンラインの画像デー
タは、通常、車両付近のレーンラインの画像データよりも詳細度が低い。車両がレーンに
沿って走行するときの時系列の画像データを捕捉することにより、対応するレーンライン
の全ての部分の正確な画像データおよび対応するオドメトリデータが収集される。
よび車両動作パラメータを捕捉するために車両上のセンサによって捕捉されたデータを使
用して、訓練データセットが作成される。例えば、車両に取り付けられたセンサは、車両
が走行している道路および周囲環境の画像データなどのデータを捕捉する。センサデータ
は、車両レーンライン、車両レーン、他の車両トラフィック、障害物、交通制御標識など
を捕捉することができる。オドメトリ（ｏｄｏｍｅｔｒｙ）および他の同様のセンサは、
車両の速度、操舵、向き、方向の変化、位置の変化、高度の変化、速度の変化などの車両
動作パラメータを捕捉する。捕捉されたデータセットは、訓練データセットを作成するた
めに訓練サーバに送信される。訓練データセットは、高精度の機械学習結果を生成する機
械学習モデルを訓練するために使用される。いくつかの実施形態では、時系列の捕捉デー
タが、訓練データを生成するために使用される。例えば、グラウンドトゥルース（ｇｒｏ
ｕｎｄ ｔｒｕｔｈ）は、時系列要素のグループに基づいて決定され、グループからの単
一の要素に関連付けられる。一例として、３０秒などの期間の一連の画像を使用して、車
両が走行する期間にわたる車両レーンラインの実際の経路を決定する。車両レーンライン
は、その期間にわたって車両レーンの最も正確な画像を使用することによって決定される
。レーンラインの異なる部分（または位置）は、時系列の異なる画像データから識別する
ことができる。車両がレーンラインに沿ってレーンを走行するにつれて、レーンラインの
異なる部分についてより正確なデータが捕捉される。いくつかの例では、レーンの閉塞部
分は、車両が例えば隠れたカーブに沿って、または丘の頂上を越えて走行するときに現れ
る。時系列の各画像からのレーンラインの最も正確な部分は、画像データのグループ全体
にわたってレーンラインを識別するために使用され得る。遠方のレーンラインの画像デー
タは、通常、車両付近のレーンラインの画像データよりも詳細度が低い。車両がレーンに
沿って走行するときの時系列の画像データを捕捉することにより、対応するレーンライン
の全ての部分の正確な画像データおよび対応するオドメトリデータが収集される。
いくつかの実施形態では、レーンラインなどの特徴の３次元表現が、グラウンドトゥル
ースに対応する時系列要素のグループから作成される。次いで、このグラウンドトゥルー
スは、捕捉された画像データのグループの単一の画像フレームなどの時系列要素のサブセ
ットに関連付けられる。例えば、画像グループの第１の画像は、３次元空間で表現される
レーンラインのグラウンドトゥルースに関連付けられる。グラウンドトゥルースは画像の
グループに基づいて決定されるが、選択された第１のフレームおよびグラウンドトゥルー
スは訓練データを作成するために使用される。一例として、単一の画像のみを使用して車
両レーンの３次元表現を予測するための訓練データが作成される。いくつかの実施形態で
は、時系列要素のグループの任意の要素または要素グループが、グラウンドトゥルースに
関連付けられ、訓練データを作成するために使用される。例えば、グラウンドトゥルース
は、訓練データを作成するための動画シーケンス全体に適用され得る。別の例として、時
系列要素のグループの中間要素または最後の要素が、グラウンドトゥルースに関連付けら
れ、訓練データを作成するために使用される。
ースに対応する時系列要素のグループから作成される。次いで、このグラウンドトゥルー
スは、捕捉された画像データのグループの単一の画像フレームなどの時系列要素のサブセ
ットに関連付けられる。例えば、画像グループの第１の画像は、３次元空間で表現される
レーンラインのグラウンドトゥルースに関連付けられる。グラウンドトゥルースは画像の
グループに基づいて決定されるが、選択された第１のフレームおよびグラウンドトゥルー
スは訓練データを作成するために使用される。一例として、単一の画像のみを使用して車
両レーンの３次元表現を予測するための訓練データが作成される。いくつかの実施形態で
は、時系列要素のグループの任意の要素または要素グループが、グラウンドトゥルースに
関連付けられ、訓練データを作成するために使用される。例えば、グラウンドトゥルース
は、訓練データを作成するための動画シーケンス全体に適用され得る。別の例として、時
系列要素のグループの中間要素または最後の要素が、グラウンドトゥルースに関連付けら
れ、訓練データを作成するために使用される。
様々な実施形態では、選択された画像およびグラウンドトゥルースは、レーンライン、
隣接車両を含む車両の経路予測、物体の奥行き距離、交通標識などの様々な特徴に適用す
ることができる。例えば、隣接レーン内の車両の一連の画像は、その車両の経路を予測す
るために使用される。隣接車両によって撮影された時系列の画像および実際の経路を使用
して、撮影されたグループおよび実際の経路の単一の画像を、車両の経路を予測するため
の訓練データとして使用することができる。この情報を使用して、隣接車両が自律型車両
の経路に割り込むかどうかを予測することもできる。例えば、経路予測は、隣接車両が自
律型車両の前で合流するかどうかを予測することができる。自律型車両は、衝突の可能性
を最小限に抑えるように制御することができる。例えば、自律型車両は、衝突を防ぐため
に減速し、衝突を防ぐために車両の速度および／または操舵を調整し、隣接車両および／
または自律型車両の乗員への警告を開始し、および／またはレーンを変更することなどが
できる。様々な実施形態では、車両経路予測を含む経路予測を正確に推論する能力は、自
律型車両の安全性を大幅に改善する。
隣接車両を含む車両の経路予測、物体の奥行き距離、交通標識などの様々な特徴に適用す
ることができる。例えば、隣接レーン内の車両の一連の画像は、その車両の経路を予測す
るために使用される。隣接車両によって撮影された時系列の画像および実際の経路を使用
して、撮影されたグループおよび実際の経路の単一の画像を、車両の経路を予測するため
の訓練データとして使用することができる。この情報を使用して、隣接車両が自律型車両
の経路に割り込むかどうかを予測することもできる。例えば、経路予測は、隣接車両が自
律型車両の前で合流するかどうかを予測することができる。自律型車両は、衝突の可能性
を最小限に抑えるように制御することができる。例えば、自律型車両は、衝突を防ぐため
に減速し、衝突を防ぐために車両の速度および／または操舵を調整し、隣接車両および／
または自律型車両の乗員への警告を開始し、および／またはレーンを変更することなどが
できる。様々な実施形態では、車両経路予測を含む経路予測を正確に推論する能力は、自
律型車両の安全性を大幅に改善する。
いくつかの実施形態では、訓練された（訓練済の）機械学習モデルは、レーンラインを
含む自動運転のための１つまたは複数の特徴の３次元表現を予測するために使用される。
例えば、レーンラインの画像をセグメント化することによって画像データから２次元のレ
ーンラインを識別する代わりに、時系列の要素および時系列に対応するオドメトリデータ
を使用して３次元表現が生成される。３次元表現は、レーンライン検出ならびに対応する
レーンおよび識別された運転可能経路の検出の精度を大幅に改善する高度の変化を含む。
いくつかの実施形態では、レーンラインは、１つまたは複数のスプラインまたは別のパラ
メータ化された表現形式を使用して表現される。レーンラインを表現するために区分多項
式を使用すると、３次元物体を評価するために必要な計算リソースが大幅に削減される。
この計算リソースの削減は、表現の精度を著しく犠牲にすることのない、処理速度および
効率の改善に対応する。様々な実施形態では、特にレーンラインの曲線を含むレーンライ
ンは、区分多項式、３次元点集合、または別の適切な表現を使用して表現することができ
る。例えば、区分多項式は、センサデータを使用して経時的に捕捉された要素のグループ
から識別されたレーンラインの高精度のセクションを使用して実際のレーンラインを補間
する。
含む自動運転のための１つまたは複数の特徴の３次元表現を予測するために使用される。
例えば、レーンラインの画像をセグメント化することによって画像データから２次元のレ
ーンラインを識別する代わりに、時系列の要素および時系列に対応するオドメトリデータ
を使用して３次元表現が生成される。３次元表現は、レーンライン検出ならびに対応する
レーンおよび識別された運転可能経路の検出の精度を大幅に改善する高度の変化を含む。
いくつかの実施形態では、レーンラインは、１つまたは複数のスプラインまたは別のパラ
メータ化された表現形式を使用して表現される。レーンラインを表現するために区分多項
式を使用すると、３次元物体を評価するために必要な計算リソースが大幅に削減される。
この計算リソースの削減は、表現の精度を著しく犠牲にすることのない、処理速度および
効率の改善に対応する。様々な実施形態では、特にレーンラインの曲線を含むレーンライ
ンは、区分多項式、３次元点集合、または別の適切な表現を使用して表現することができ
る。例えば、区分多項式は、センサデータを使用して経時的に捕捉された要素のグループ
から識別されたレーンラインの高精度のセクションを使用して実際のレーンラインを補間
する。
いくつかの実施形態では、センサデータが受信される。センサデータは、画像（動画お
よび／または静止画像など）、レーダ、オーディオ、ＬｉＤＡＲ、慣性、オドメトリ、位
置、および／または他の形態のセンサデータを含むことができる。センサデータは、時系
列要素のグループを含む。例えば、時系列要素のグループは、ある期間にわたって車両の
カメラセンサから捕捉された画像のグループを含むことができる。いくつかの実施形態で
は、訓練データセットは、時系列要素のグループ内の少なくとも選択された時系列要素に
ついて、時系列要素のグループ内の複数の時系列要素に基づいて対応するグラウンドトゥ
ルースを決定することなどによって決定される。例えば、グラウンドトゥルースは、グル
ープ内の前および／または後の時系列要素を含む時系列要素のグループの各要素の最も関
連する部分を調べることによって決定される。いくつかのシナリオでは、前および／また
は後の時系列要素のみが、曲線の周りで最初に消失し、時系列の後の要素でのみ現れる車
両レーンラインなど、前の時系列要素には存在しないデータを含む。決定されたグラウン
ドトゥルースは、車両レーンラインの３次元表現、車両の予測経路、または別の同様の予
測であり得る。時系列要素のグループの要素が選択され、グラウンドトゥルースと関連付
けられる。選択された要素およびグラウンドトゥルースは訓練データセットの一部である
。いくつかの実施形態では、プロセッサが、訓練データセットを使用して機械学習モデル
を訓練するために使用される。例えば、訓練データセットは、車両の自動運転または運転
者支援動作に使用される特徴を推論するための機械学習モデルを訓練するために使用され
る。訓練された機械学習モデルを使用して、ニューラルネットワークが、車両レーン、運
転可能空間、物体（例えば、歩行者、静止車両、移動車両など）、天候（例えば、雨、雹
、霧など）、交通制御物体（例えば、信号機、交通標識、道路標識など）、交通パターン
などの自動運転に関連する特徴を推論することができる。
よび／または静止画像など）、レーダ、オーディオ、ＬｉＤＡＲ、慣性、オドメトリ、位
置、および／または他の形態のセンサデータを含むことができる。センサデータは、時系
列要素のグループを含む。例えば、時系列要素のグループは、ある期間にわたって車両の
カメラセンサから捕捉された画像のグループを含むことができる。いくつかの実施形態で
は、訓練データセットは、時系列要素のグループ内の少なくとも選択された時系列要素に
ついて、時系列要素のグループ内の複数の時系列要素に基づいて対応するグラウンドトゥ
ルースを決定することなどによって決定される。例えば、グラウンドトゥルースは、グル
ープ内の前および／または後の時系列要素を含む時系列要素のグループの各要素の最も関
連する部分を調べることによって決定される。いくつかのシナリオでは、前および／また
は後の時系列要素のみが、曲線の周りで最初に消失し、時系列の後の要素でのみ現れる車
両レーンラインなど、前の時系列要素には存在しないデータを含む。決定されたグラウン
ドトゥルースは、車両レーンラインの３次元表現、車両の予測経路、または別の同様の予
測であり得る。時系列要素のグループの要素が選択され、グラウンドトゥルースと関連付
けられる。選択された要素およびグラウンドトゥルースは訓練データセットの一部である
。いくつかの実施形態では、プロセッサが、訓練データセットを使用して機械学習モデル
を訓練するために使用される。例えば、訓練データセットは、車両の自動運転または運転
者支援動作に使用される特徴を推論するための機械学習モデルを訓練するために使用され
る。訓練された機械学習モデルを使用して、ニューラルネットワークが、車両レーン、運
転可能空間、物体（例えば、歩行者、静止車両、移動車両など）、天候（例えば、雨、雹
、霧など）、交通制御物体（例えば、信号機、交通標識、道路標識など）、交通パターン
などの自動運転に関連する特徴を推論することができる。
いくつかの実施形態では、システムは、プロセッサと、プロセッサに結合されたメモリ
とを備える。プロセッサは、車両のカメラによって捕捉された画像に基づく画像データを
受信するように構成される。例えば、車両に取り付けられたカメラセンサは、車両の環境
の画像を捕捉する。カメラは、前向きカメラ、ピラーカメラ、または別の適切に配置され
たカメラであってもよい。カメラから捕捉された画像データは、車両上のＧＰＵまたはＡ
Ｉプロセッサなどのプロセッサを使用して処理される。いくつかの実施形態では、画像デ
ータは、車両レーンの３次元軌跡を予測するように訓練された訓練済機械学習モデルへの
入力の基礎として使用される。例えば、画像データは、車両レーンを予測するように訓練
されたニューラルネットワークへの入力として使用される。機械学習モデルは、検出され
たレーンの３次元軌跡を推論する。画像を２次元画像のレーンおよび非レーンセグメント
にセグメント化する代わりに、３次元表現が推論される。いくつかの実施形態では、３次
元表現は、スプライン、パラメトリック曲線、または３次元で曲線を記述することができ
る別の表現である。いくつかの実施形態では、車両レーンの３次元軌跡は、車両を自動的
に制御する際に提供される。例えば、３次元軌跡は、レーンラインおよび対応する運転可
能空間を決定するために使用される。
とを備える。プロセッサは、車両のカメラによって捕捉された画像に基づく画像データを
受信するように構成される。例えば、車両に取り付けられたカメラセンサは、車両の環境
の画像を捕捉する。カメラは、前向きカメラ、ピラーカメラ、または別の適切に配置され
たカメラであってもよい。カメラから捕捉された画像データは、車両上のＧＰＵまたはＡ
Ｉプロセッサなどのプロセッサを使用して処理される。いくつかの実施形態では、画像デ
ータは、車両レーンの３次元軌跡を予測するように訓練された訓練済機械学習モデルへの
入力の基礎として使用される。例えば、画像データは、車両レーンを予測するように訓練
されたニューラルネットワークへの入力として使用される。機械学習モデルは、検出され
たレーンの３次元軌跡を推論する。画像を２次元画像のレーンおよび非レーンセグメント
にセグメント化する代わりに、３次元表現が推論される。いくつかの実施形態では、３次
元表現は、スプライン、パラメトリック曲線、または３次元で曲線を記述することができ
る別の表現である。いくつかの実施形態では、車両レーンの３次元軌跡は、車両を自動的
に制御する際に提供される。例えば、３次元軌跡は、レーンラインおよび対応する運転可
能空間を決定するために使用される。
図１は、自動運転のための深層学習システムの一実施形態を示すブロック図である。深
層学習システムは、車両の自動運転および／または運転者支援動作のために、ならびに自
動運転のための機械学習モデルを訓練するためのデータを収集および処理するために、一
緒に使用することができる様々な構成要素を含む。様々な実施形態では、深層学習システ
ムは車両に設置される。車両からのデータは、車両または他の同様の車両の自動運転機能
を訓練および改善するために使用することができる。
層学習システムは、車両の自動運転および／または運転者支援動作のために、ならびに自
動運転のための機械学習モデルを訓練するためのデータを収集および処理するために、一
緒に使用することができる様々な構成要素を含む。様々な実施形態では、深層学習システ
ムは車両に設置される。車両からのデータは、車両または他の同様の車両の自動運転機能
を訓練および改善するために使用することができる。
図示の例では、深層学習システム１００は、センサ１０１、画像プリプロセッサ１０３
、深層学習ネットワーク１０５、人工知能（ＡＩ）プロセッサ１０７、車両制御モジュー
ル１０９、およびネットワークインターフェース１１１を含む深層学習ネットワークであ
る。様々な実施形態において、異なる構成要素は通信可能に接続される。例えば、センサ
１０１からのセンサデータは、画像プリプロセッサ１０３に供給される。画像プリプロセ
ッサ１０３の処理されたセンサデータは、ＡＩプロセッサ１０７上で動作する深層学習ネ
ットワーク１０５に供給される。ＡＩプロセッサ１０７上で動作する深層学習ネットワー
ク１０５の出力は、車両制御モジュール１０９に供給される。様々な実施形態では、車両
制御モジュール１０９は、車両の速度、制動、および／または操舵などの車両の動作に接
続され、車両の動作を制御する。様々な実施形態では、センサデータおよび／または機械
学習結果は、ネットワークインターフェース１１１を介してリモートサーバに送信するこ
とができる。例えば、車両の性能、快適性、および／または安全性を改善するための訓練
データを収集するために、センサデータは、ネットワークインターフェース１１１を介し
てリモートサーバに送信することができる。様々な実施形態では、ネットワークインター
フェース１１１は、他の理由の中でもとりわけ、リモートサーバと通信し、電話をかけ、
テキストメッセージを送信および／または受信し、車両の動作に基づいてセンサデータを
送信するために使用される。いくつかの実施形態では、深層学習システム１００は、必要
に応じて追加のまたはより少ない構成要素を含むことができる。例えば、いくつかの実施
形態では、画像プリプロセッサ１０３は任意選択の構成要素である。別の例として、いく
つかの実施形態では、出力が車両制御モジュール１０９に提供される前に、深層学習ネッ
トワーク１０５の出力に対して後処理を実行するために後処理構成要素（図示せず）が使
用される。
、深層学習ネットワーク１０５、人工知能（ＡＩ）プロセッサ１０７、車両制御モジュー
ル１０９、およびネットワークインターフェース１１１を含む深層学習ネットワークであ
る。様々な実施形態において、異なる構成要素は通信可能に接続される。例えば、センサ
１０１からのセンサデータは、画像プリプロセッサ１０３に供給される。画像プリプロセ
ッサ１０３の処理されたセンサデータは、ＡＩプロセッサ１０７上で動作する深層学習ネ
ットワーク１０５に供給される。ＡＩプロセッサ１０７上で動作する深層学習ネットワー
ク１０５の出力は、車両制御モジュール１０９に供給される。様々な実施形態では、車両
制御モジュール１０９は、車両の速度、制動、および／または操舵などの車両の動作に接
続され、車両の動作を制御する。様々な実施形態では、センサデータおよび／または機械
学習結果は、ネットワークインターフェース１１１を介してリモートサーバに送信するこ
とができる。例えば、車両の性能、快適性、および／または安全性を改善するための訓練
データを収集するために、センサデータは、ネットワークインターフェース１１１を介し
てリモートサーバに送信することができる。様々な実施形態では、ネットワークインター
フェース１１１は、他の理由の中でもとりわけ、リモートサーバと通信し、電話をかけ、
テキストメッセージを送信および／または受信し、車両の動作に基づいてセンサデータを
送信するために使用される。いくつかの実施形態では、深層学習システム１００は、必要
に応じて追加のまたはより少ない構成要素を含むことができる。例えば、いくつかの実施
形態では、画像プリプロセッサ１０３は任意選択の構成要素である。別の例として、いく
つかの実施形態では、出力が車両制御モジュール１０９に提供される前に、深層学習ネッ
トワーク１０５の出力に対して後処理を実行するために後処理構成要素（図示せず）が使
用される。
いくつかの実施形態では、センサ１０１は、１つまたは複数のセンサを含む。様々な実
施形態では、センサ１０１は、車両の異なる位置で車両に取り付けられ、および／または
１つまたは複数の異なる方向に向けられてもよい。例えば、センサ１０１は、車両の前方
、側方、後方、および／または屋根などに、前向き、後ろ向き、横向きなどの方向で取り
付けられてもよい。いくつかの実施形態では、センサ１０１は、高ダイナミックレンジカ
メラなどの画像センサであってもよい。いくつかの実施形態では、センサ１０１は非視覚
センサを含む。いくつかの実施形態では、センサ１０１は、とりわけ、レーダ、オーディ
オ、ＬｉＤＡＲ、慣性、オドメトリ、位置、および／または超音波センサを含む。いくつ
かの実施形態では、センサ１０１は、車両制御モジュール１０９を有する車両に取り付け
られない。例えば、センサ１０１は、隣接する車両に取り付けられてもよく、および／ま
たは道路もしくは環境に取り付けられてもよく、センサデータを捕捉するための深層学習
システムの一部として含まれる。いくつかの実施形態では、センサ１０１は、車両が走行
している路面を捕捉する１つまたは複数のカメラを含む。例えば、１つまたは複数の前向
きおよび／またはピラーカメラが、車両が走行しているレーンのレーンマーキングを捕捉
する。別の例として、カメラは、車両が走行しているレーンに割り込もうとしている車両
を含む隣接車両を捕捉する。追加のセンサは、オドメトリ、位置、および／または車両軌
跡に関する情報を含む車両制御情報を捕捉する。センサ１０１は、静止画像および／また
は動画を捕捉することができる両方の画像センサを含むことができる。データは、ある期
間にわたって捕捉されたデータのシーケンスなど、ある期間にわたって捕捉され得る。例
えば、レーンマーキングの画像は、１５秒の期間または別の適切な期間にわたって車両オ
ドメトリデータと共に捕捉されてもよい。いくつかの実施形態では、センサ１０１は、車
両の位置および／または位置の変化を判定するための全地球測位システム（ＧＰＳ）セン
サなどの位置センサを含む。
施形態では、センサ１０１は、車両の異なる位置で車両に取り付けられ、および／または
１つまたは複数の異なる方向に向けられてもよい。例えば、センサ１０１は、車両の前方
、側方、後方、および／または屋根などに、前向き、後ろ向き、横向きなどの方向で取り
付けられてもよい。いくつかの実施形態では、センサ１０１は、高ダイナミックレンジカ
メラなどの画像センサであってもよい。いくつかの実施形態では、センサ１０１は非視覚
センサを含む。いくつかの実施形態では、センサ１０１は、とりわけ、レーダ、オーディ
オ、ＬｉＤＡＲ、慣性、オドメトリ、位置、および／または超音波センサを含む。いくつ
かの実施形態では、センサ１０１は、車両制御モジュール１０９を有する車両に取り付け
られない。例えば、センサ１０１は、隣接する車両に取り付けられてもよく、および／ま
たは道路もしくは環境に取り付けられてもよく、センサデータを捕捉するための深層学習
システムの一部として含まれる。いくつかの実施形態では、センサ１０１は、車両が走行
している路面を捕捉する１つまたは複数のカメラを含む。例えば、１つまたは複数の前向
きおよび／またはピラーカメラが、車両が走行しているレーンのレーンマーキングを捕捉
する。別の例として、カメラは、車両が走行しているレーンに割り込もうとしている車両
を含む隣接車両を捕捉する。追加のセンサは、オドメトリ、位置、および／または車両軌
跡に関する情報を含む車両制御情報を捕捉する。センサ１０１は、静止画像および／また
は動画を捕捉することができる両方の画像センサを含むことができる。データは、ある期
間にわたって捕捉されたデータのシーケンスなど、ある期間にわたって捕捉され得る。例
えば、レーンマーキングの画像は、１５秒の期間または別の適切な期間にわたって車両オ
ドメトリデータと共に捕捉されてもよい。いくつかの実施形態では、センサ１０１は、車
両の位置および／または位置の変化を判定するための全地球測位システム（ＧＰＳ）セン
サなどの位置センサを含む。
いくつかの実施形態では、画像プリプロセッサ１０３は、センサ１０１のセンサデータ
を前処理するために使用される。例えば、画像プリプロセッサ１０３を使用して、センサ
データを前処理し、センサデータを１つまたは複数の構成要素に分割し、および／または
１つまたは複数の構成要素を後処理することができる。いくつかの実施形態では、画像プ
リプロセッサ１０３は、グラフィックス処理装置（ＧＰＵ）、中央処理装置（ＣＰＵ）、
画像信号プロセッサ、または専用画像プロセッサである。様々な実施形態において、画像
プリプロセッサ１０３は、高ダイナミックレンジデータを処理するトーンマッパプロセッ
サである。いくつかの実施形態では、画像プリプロセッサ１０３は、人工知能（ＡＩ）プ
ロセッサ１０７の一部として実装される。例えば、画像プリプロセッサ１０３は、ＡＩプ
ロセッサ１０７の構成要素であってもよい。いくつかの実施形態では、画像プリプロセッ
サ１０３を使用して、画像を正規化するか、または画像を変換することができる。例えば
、魚眼レンズで捕捉された画像はゆがんでいることがあり、画像プリプロセッサ１０３を
使用して画像を変換し、ゆがみを除去または修正することができる。いくつかの実施形態
では、ノイズ、歪み、および／またはぼやけは、前処理ステップ中に除去または低減され
る。様々な実施形態において、画像は、機械学習分析の結果を改善するために調整または
正規化される。例えば、画像のホワイトバランスは、とりわけ、昼光、晴れ、曇り、夕暮
れ、日の出、日没、および夜間条件などの異なる照明動作条件を考慮するように調整され
る。
を前処理するために使用される。例えば、画像プリプロセッサ１０３を使用して、センサ
データを前処理し、センサデータを１つまたは複数の構成要素に分割し、および／または
１つまたは複数の構成要素を後処理することができる。いくつかの実施形態では、画像プ
リプロセッサ１０３は、グラフィックス処理装置（ＧＰＵ）、中央処理装置（ＣＰＵ）、
画像信号プロセッサ、または専用画像プロセッサである。様々な実施形態において、画像
プリプロセッサ１０３は、高ダイナミックレンジデータを処理するトーンマッパプロセッ
サである。いくつかの実施形態では、画像プリプロセッサ１０３は、人工知能（ＡＩ）プ
ロセッサ１０７の一部として実装される。例えば、画像プリプロセッサ１０３は、ＡＩプ
ロセッサ１０７の構成要素であってもよい。いくつかの実施形態では、画像プリプロセッ
サ１０３を使用して、画像を正規化するか、または画像を変換することができる。例えば
、魚眼レンズで捕捉された画像はゆがんでいることがあり、画像プリプロセッサ１０３を
使用して画像を変換し、ゆがみを除去または修正することができる。いくつかの実施形態
では、ノイズ、歪み、および／またはぼやけは、前処理ステップ中に除去または低減され
る。様々な実施形態において、画像は、機械学習分析の結果を改善するために調整または
正規化される。例えば、画像のホワイトバランスは、とりわけ、昼光、晴れ、曇り、夕暮
れ、日の出、日没、および夜間条件などの異なる照明動作条件を考慮するように調整され
る。
いくつかの実施形態では、深層学習ネットワーク１０５は、レーンマーカ、レーン、運
転可能空間、障害物、および／または潜在的な車両経路などを決定するために運転環境を
分析することを含めて、車両制御パラメータを決定するために使用される深層学習ネット
ワークである。例えば、深層学習ネットワーク１０５は、センサデータなどの入力で訓練
され、その出力が車両制御モジュール１０９に提供される畳込みニューラルネットワーク
（ＣＮＮ）などの人工ニューラルネットワークであってもよい。一例として、出力は、レ
ーンマーカの少なくとも３次元表現を含むことができる。別の例として、出力は、少なく
とも車両のレーンに合流する可能性のある潜在的な車両を含むことができる。いくつかの
実施形態では、深層学習ネットワーク１０５は、少なくともセンサデータを入力として受
信する。追加の入力は、車両の周囲の環境および／または車両の動作特性などの車両仕様
を記述するシーンデータを含むことができる。シーンデータは、降雨、濡れた道路、降雪
、ぬかるみ、高密度の交通、高速道路、都市、スクールゾーンなどの車両の周囲の環境を
記述するシーンタグを含むことができる。いくつかの実施形態では、深層学習ネットワー
ク１０５の出力は、車両の車両レーンの３次元軌跡である。いくつかの実施形態では、深
層学習ネットワーク１０５の出力は、潜在的な車両割込みである。例えば、深層学習ネッ
トワーク１０５は、車両の前方のレーンに進入する可能性が高い隣接車両を識別する。
転可能空間、障害物、および／または潜在的な車両経路などを決定するために運転環境を
分析することを含めて、車両制御パラメータを決定するために使用される深層学習ネット
ワークである。例えば、深層学習ネットワーク１０５は、センサデータなどの入力で訓練
され、その出力が車両制御モジュール１０９に提供される畳込みニューラルネットワーク
（ＣＮＮ）などの人工ニューラルネットワークであってもよい。一例として、出力は、レ
ーンマーカの少なくとも３次元表現を含むことができる。別の例として、出力は、少なく
とも車両のレーンに合流する可能性のある潜在的な車両を含むことができる。いくつかの
実施形態では、深層学習ネットワーク１０５は、少なくともセンサデータを入力として受
信する。追加の入力は、車両の周囲の環境および／または車両の動作特性などの車両仕様
を記述するシーンデータを含むことができる。シーンデータは、降雨、濡れた道路、降雪
、ぬかるみ、高密度の交通、高速道路、都市、スクールゾーンなどの車両の周囲の環境を
記述するシーンタグを含むことができる。いくつかの実施形態では、深層学習ネットワー
ク１０５の出力は、車両の車両レーンの３次元軌跡である。いくつかの実施形態では、深
層学習ネットワーク１０５の出力は、潜在的な車両割込みである。例えば、深層学習ネッ
トワーク１０５は、車両の前方のレーンに進入する可能性が高い隣接車両を識別する。
いくつかの実施形態では、人工知能（ＡＩ）プロセッサ１０７は、深層学習ネットワー
ク１０５を実行するためのハードウェアプロセッサである。いくつかの実施形態では、Ａ
Ｉプロセッサ１０７は、センサデータに対して畳込みニューラルネットワーク（ＣＮＮ）
を使用して推論を実行するための専用ＡＩプロセッサである。ＡＩプロセッサ１０７は、
センサデータのビット深度に対して最適化することができる。いくつかの実施形態では、
ＡＩプロセッサ１０７は、とりわけ、畳込み、内積、ベクトル、および／または行列演算
を含むニューラルネットワーク演算などの深層学習演算用に最適化される。いくつかの実
施形態では、ＡＩプロセッサ１０７は、グラフィックス処理装置（ＧＰＵ）を使用して実
装される。様々な実施形態では、ＡＩプロセッサ１０７は、実行されると、ＡＩプロセッ
サに、受信した入力センサデータに対して深層学習分析を実行させ、自動運転に使用され
る機械学習結果を決定させる命令をＡＩプロセッサに提供するように構成されたメモリに
結合される。いくつかの実施形態では、ＡＩプロセッサ１０７は、データを訓練データと
して利用可能にする準備としてセンサデータを処理するために使用される。
ク１０５を実行するためのハードウェアプロセッサである。いくつかの実施形態では、Ａ
Ｉプロセッサ１０７は、センサデータに対して畳込みニューラルネットワーク（ＣＮＮ）
を使用して推論を実行するための専用ＡＩプロセッサである。ＡＩプロセッサ１０７は、
センサデータのビット深度に対して最適化することができる。いくつかの実施形態では、
ＡＩプロセッサ１０７は、とりわけ、畳込み、内積、ベクトル、および／または行列演算
を含むニューラルネットワーク演算などの深層学習演算用に最適化される。いくつかの実
施形態では、ＡＩプロセッサ１０７は、グラフィックス処理装置（ＧＰＵ）を使用して実
装される。様々な実施形態では、ＡＩプロセッサ１０７は、実行されると、ＡＩプロセッ
サに、受信した入力センサデータに対して深層学習分析を実行させ、自動運転に使用され
る機械学習結果を決定させる命令をＡＩプロセッサに提供するように構成されたメモリに
結合される。いくつかの実施形態では、ＡＩプロセッサ１０７は、データを訓練データと
して利用可能にする準備としてセンサデータを処理するために使用される。
いくつかの実施形態では、車両制御モジュール１０９は、人工知能（ＡＩ）プロセッサ
１０７の出力を処理し、出力を車両制御動作に変換するために利用される。いくつかの実
施形態では、車両制御モジュール１０９は、自動運転のために車両を制御するために利用
される。様々な実施形態において、車両制御モジュール１０９は、車両の速度、加速度、
操舵、制動などを調整することができる。例えば、いくつかの実施形態では、車両制御モ
ジュール１０９は、車両を制御して、レーン内の車両の位置を維持し、車両を別のレーン
に合流させ、車両の速度およびレーン配置を調整して合流車両などを考慮するために使用
される。
１０７の出力を処理し、出力を車両制御動作に変換するために利用される。いくつかの実
施形態では、車両制御モジュール１０９は、自動運転のために車両を制御するために利用
される。様々な実施形態において、車両制御モジュール１０９は、車両の速度、加速度、
操舵、制動などを調整することができる。例えば、いくつかの実施形態では、車両制御モ
ジュール１０９は、車両を制御して、レーン内の車両の位置を維持し、車両を別のレーン
に合流させ、車両の速度およびレーン配置を調整して合流車両などを考慮するために使用
される。
いくつかの実施形態では、車両制御モジュール１０９は、ブレーキ灯、方向指示器、ヘ
ッドライトなどの車両照明を制御するために使用される。いくつかの実施形態では、車両
制御モジュール１０９は、車両のサウンドシステム、オーディオ警報の再生、マイクロフ
ォンの有効化、クラクションの有効化などの車両オーディオ状態を制御するために使用さ
れる。いくつかの実施形態では、車両制御モジュール１０９は、潜在的な衝突または意図
された目的地の接近などの運転イベントを運転者および／または乗客に通知するための警
告システムを含む通知システムを制御するために使用される。いくつかの実施形態では、
車両制御モジュール１０９は、車両のセンサ１０１などのセンサを調整するために使用さ
れる。例えば、車両制御モジュール１０９を使用して、向きの変更、出力解像度および／
またはフォーマットタイプの変更、捕捉レートの増減、捕捉されたダイナミックレンジの
調整、カメラの焦点の調整、センサの有効化および／または無効化など、１つまたは複数
のセンサのパラメータを変更することができる。いくつかの実施形態では、車両制御モジ
ュール１０９を使用して、フィルタの周波数範囲の変更、特徴および／またはエッジ検出
パラメータの調整、チャネルおよびビット深度の調整など、画像プリプロセッサ１０３の
パラメータを変更することができる。様々な実施形態では、車両制御モジュール１０９は
、車両の自動運転および／または運転者支援制御を実施するために使用される。いくつか
の実施形態では、車両制御モジュール１０９は、メモリと結合されたプロセッサを使用し
て実装される。いくつかの実施形態では、車両制御モジュール１０９は、特定用途向け集
積回路（ＡＳＩＣ）、プログラマブル論理デバイス（ＰＬＤ）、または他の適切な処理ハ
ードウェアを使用して実装される。
ッドライトなどの車両照明を制御するために使用される。いくつかの実施形態では、車両
制御モジュール１０９は、車両のサウンドシステム、オーディオ警報の再生、マイクロフ
ォンの有効化、クラクションの有効化などの車両オーディオ状態を制御するために使用さ
れる。いくつかの実施形態では、車両制御モジュール１０９は、潜在的な衝突または意図
された目的地の接近などの運転イベントを運転者および／または乗客に通知するための警
告システムを含む通知システムを制御するために使用される。いくつかの実施形態では、
車両制御モジュール１０９は、車両のセンサ１０１などのセンサを調整するために使用さ
れる。例えば、車両制御モジュール１０９を使用して、向きの変更、出力解像度および／
またはフォーマットタイプの変更、捕捉レートの増減、捕捉されたダイナミックレンジの
調整、カメラの焦点の調整、センサの有効化および／または無効化など、１つまたは複数
のセンサのパラメータを変更することができる。いくつかの実施形態では、車両制御モジ
ュール１０９を使用して、フィルタの周波数範囲の変更、特徴および／またはエッジ検出
パラメータの調整、チャネルおよびビット深度の調整など、画像プリプロセッサ１０３の
パラメータを変更することができる。様々な実施形態では、車両制御モジュール１０９は
、車両の自動運転および／または運転者支援制御を実施するために使用される。いくつか
の実施形態では、車両制御モジュール１０９は、メモリと結合されたプロセッサを使用し
て実装される。いくつかの実施形態では、車両制御モジュール１０９は、特定用途向け集
積回路（ＡＳＩＣ）、プログラマブル論理デバイス（ＰＬＤ）、または他の適切な処理ハ
ードウェアを使用して実装される。
いくつかの実施形態では、ネットワークインターフェース１１１は、音声データを含む
データを送信および／または受信するための通信インターフェースである。様々な実施形
態では、ネットワークインターフェース１１１は、リモートサーバとインターフェース接
続し、音声通話の接続および発信を行い、テキストメッセージを送信および／または受信
し、センサデータを送信し、アップデートされた機械学習モデルを含む深層学習ネットワ
ークへのアップデートを受信し、気象条件および予報、交通状況などを含む環境条件を検
索するためのセルラまたは無線インターフェースを含む。例えば、ネットワークインター
フェース１１１は、センサ１０１、画像プリプロセッサ１０３、深層学習ネットワーク１
０５、ＡＩプロセッサ１０７、および／または車両制御モジュール１０９の命令および／
または動作パラメータのアップデートを受信するために使用され得る。深層学習ネットワ
ーク１０５の機械学習モデルは、ネットワークインターフェース１１１を使用してアップ
デートすることができる。別の例として、ネットワークインターフェース１１１を使用し
て、センサ１０１のファームウェアおよび／または画像処理パラメータなどの画像プリプ
ロセッサ１０３の動作パラメータをアップデートすることができる。さらに別の例として
、ネットワークインターフェース１１１を使用して、機械学習モデルを訓練するために潜
在的な訓練データをリモートサーバに送信することができる。
データを送信および／または受信するための通信インターフェースである。様々な実施形
態では、ネットワークインターフェース１１１は、リモートサーバとインターフェース接
続し、音声通話の接続および発信を行い、テキストメッセージを送信および／または受信
し、センサデータを送信し、アップデートされた機械学習モデルを含む深層学習ネットワ
ークへのアップデートを受信し、気象条件および予報、交通状況などを含む環境条件を検
索するためのセルラまたは無線インターフェースを含む。例えば、ネットワークインター
フェース１１１は、センサ１０１、画像プリプロセッサ１０３、深層学習ネットワーク１
０５、ＡＩプロセッサ１０７、および／または車両制御モジュール１０９の命令および／
または動作パラメータのアップデートを受信するために使用され得る。深層学習ネットワ
ーク１０５の機械学習モデルは、ネットワークインターフェース１１１を使用してアップ
デートすることができる。別の例として、ネットワークインターフェース１１１を使用し
て、センサ１０１のファームウェアおよび／または画像処理パラメータなどの画像プリプ
ロセッサ１０３の動作パラメータをアップデートすることができる。さらに別の例として
、ネットワークインターフェース１１１を使用して、機械学習モデルを訓練するために潜
在的な訓練データをリモートサーバに送信することができる。
図２は、自動運転のための機械学習モデルを訓練および適用するためのプロセスの一実
施形態を示す流れ図である。例えば、センサおよびオドメトリデータを含む入力データが
受信され、処理されて、機械学習モデルを訓練するための訓練データが作成される。いく
つかの実施形態では、センサデータは、自動運転システムを介して捕捉された画像データ
に対応する。いくつかの実施形態では、センサデータは、ユーザが手動で自動運転を解除
するなどの特定のユースケースに基づいて捕捉されたセンサデータに対応する。いくつか
の実施形態では、プロセスは、図１の深層学習システム１００のための機械学習モデルを
作成および配備するために使用される。
施形態を示す流れ図である。例えば、センサおよびオドメトリデータを含む入力データが
受信され、処理されて、機械学習モデルを訓練するための訓練データが作成される。いく
つかの実施形態では、センサデータは、自動運転システムを介して捕捉された画像データ
に対応する。いくつかの実施形態では、センサデータは、ユーザが手動で自動運転を解除
するなどの特定のユースケースに基づいて捕捉されたセンサデータに対応する。いくつか
の実施形態では、プロセスは、図１の深層学習システム１００のための機械学習モデルを
作成および配備するために使用される。
２０１において、訓練データが準備される。いくつかの実施形態では、画像データおよ
びオドメトリデータを含むセンサデータを受信して、訓練データセットを作成する。セン
サデータは、１つまたは複数のカメラからの静止画像および／または動画を含むことがで
きる。関連するセンサデータを提供するために、レーダ、ＬｉＤＡＲ、超音波などの追加
のセンサを使用することができる。様々な実施形態において、センサデータは、センサデ
ータの特徴を識別するのを助けるために、対応するオドメトリデータと対にされる。例え
ば、位置および位置の変化のデータを使用して、レーンライン、交通制御信号、物体など
のセンサデータ内の関連する特徴の位置を識別することができる。いくつかの実施形態で
は、センサデータは時系列の要素であり、グラウンドトゥルースを判定するために使用さ
れる。次いで、グループのグラウンドトゥルースは、画像データの第１のフレームなどの
時系列のサブセットに関連付けられる。時系列の選択された要素およびグラウンドトゥル
ースは、訓練データを準備するために使用される。いくつかの実施形態では、訓練データ
は、レーンライン、車両経路、交通パターンなどのセンサデータからの特徴のみを識別す
るように機械学習モデルを訓練するために準備される。準備された訓練データは、訓練、
検証、および試験のためのデータを含むことができる。様々な実施形態において、センサ
データは、異なるフォーマットであってもよい。例えば、センサデータは、静止画像、動
画、オーディオなどであってもよい。オドメトリデータは、印加された加速度、印加され
た制動、印加された操舵、車両の位置、車両の向き、車両の位置の変化、車両の向きの変
化などの車両動作パラメータを含んでもよい。様々な実施形態では、訓練データは、訓練
データセットを作成するためにキュレーションおよびアノテーションされる。いくつかの
実施形態では、訓練データの準備の一部は、人間のキュレータによって実行されてもよい
。様々な実施形態では、訓練データの一部は、車両から捕捉されたデータから自動的に生
成され、ロバストな訓練データセットを構築するのに必要な労力および時間を大幅に削減
する。いくつかの実施形態では、データのフォーマットは、配備済み深層学習アプリケー
ションで使用される機械学習モデルと互換性がある。様々な実施形態において、訓練デー
タは、訓練されたモデルの精度を試験するための検証データを含む。
びオドメトリデータを含むセンサデータを受信して、訓練データセットを作成する。セン
サデータは、１つまたは複数のカメラからの静止画像および／または動画を含むことがで
きる。関連するセンサデータを提供するために、レーダ、ＬｉＤＡＲ、超音波などの追加
のセンサを使用することができる。様々な実施形態において、センサデータは、センサデ
ータの特徴を識別するのを助けるために、対応するオドメトリデータと対にされる。例え
ば、位置および位置の変化のデータを使用して、レーンライン、交通制御信号、物体など
のセンサデータ内の関連する特徴の位置を識別することができる。いくつかの実施形態で
は、センサデータは時系列の要素であり、グラウンドトゥルースを判定するために使用さ
れる。次いで、グループのグラウンドトゥルースは、画像データの第１のフレームなどの
時系列のサブセットに関連付けられる。時系列の選択された要素およびグラウンドトゥル
ースは、訓練データを準備するために使用される。いくつかの実施形態では、訓練データ
は、レーンライン、車両経路、交通パターンなどのセンサデータからの特徴のみを識別す
るように機械学習モデルを訓練するために準備される。準備された訓練データは、訓練、
検証、および試験のためのデータを含むことができる。様々な実施形態において、センサ
データは、異なるフォーマットであってもよい。例えば、センサデータは、静止画像、動
画、オーディオなどであってもよい。オドメトリデータは、印加された加速度、印加され
た制動、印加された操舵、車両の位置、車両の向き、車両の位置の変化、車両の向きの変
化などの車両動作パラメータを含んでもよい。様々な実施形態では、訓練データは、訓練
データセットを作成するためにキュレーションおよびアノテーションされる。いくつかの
実施形態では、訓練データの準備の一部は、人間のキュレータによって実行されてもよい
。様々な実施形態では、訓練データの一部は、車両から捕捉されたデータから自動的に生
成され、ロバストな訓練データセットを構築するのに必要な労力および時間を大幅に削減
する。いくつかの実施形態では、データのフォーマットは、配備済み深層学習アプリケー
ションで使用される機械学習モデルと互換性がある。様々な実施形態において、訓練デー
タは、訓練されたモデルの精度を試験するための検証データを含む。
２０３において、機械学習モデルが訓練される。例えば、２０１で準備されたデータを
使用して機械学習モデルが訓練される。いくつかの実施形態では、モデルは、畳込みニュ
ーラルネットワーク（ＣＮＮ）などのニューラルネットワークである。様々な実施形態で
は、モデルは複数の中間層を含む。いくつかの実施形態では、ニューラルネットワークは
、複数の畳込み層およびプーリング層を含む複数の層を含むことができる。いくつかの実
施形態では、訓練モデルは、受信したセンサデータから作成された検証データセットを使
用して検証される。いくつかの実施形態では、機械学習モデルは、単一の入力画像から特
徴の３次元表現を予測するように訓練される。例えば、レーンラインの３次元表現が、カ
メラから捕捉された画像から推論されることができる。別の例として、カメラから捕捉さ
れた画像から、車両が合流しようとしているか否かを含む隣接車両の予測経路が予測され
る。
使用して機械学習モデルが訓練される。いくつかの実施形態では、モデルは、畳込みニュ
ーラルネットワーク（ＣＮＮ）などのニューラルネットワークである。様々な実施形態で
は、モデルは複数の中間層を含む。いくつかの実施形態では、ニューラルネットワークは
、複数の畳込み層およびプーリング層を含む複数の層を含むことができる。いくつかの実
施形態では、訓練モデルは、受信したセンサデータから作成された検証データセットを使
用して検証される。いくつかの実施形態では、機械学習モデルは、単一の入力画像から特
徴の３次元表現を予測するように訓練される。例えば、レーンラインの３次元表現が、カ
メラから捕捉された画像から推論されることができる。別の例として、カメラから捕捉さ
れた画像から、車両が合流しようとしているか否かを含む隣接車両の予測経路が予測され
る。
２０５において、訓練された機械学習モデルが配備される。例えば、訓練された機械学
習モデルは、図１の深層学習ネットワーク１０５などの深層学習ネットワークのアップデ
ートとして車両にインストールされる。いくつかの実施形態では、無線アップデートを使
用して、新たに訓練された機械学習モデルをインストールする。いくつかの実施形態では
、アップデートは、ＷｉＦｉまたはセルラネットワークなどの無線ネットワークを使用し
て送信されるファームウェアアップデートである。いくつかの実施形態では、新しい機械
学習モデルは、車両が整備されるときにインストールされてもよい。
習モデルは、図１の深層学習ネットワーク１０５などの深層学習ネットワークのアップデ
ートとして車両にインストールされる。いくつかの実施形態では、無線アップデートを使
用して、新たに訓練された機械学習モデルをインストールする。いくつかの実施形態では
、アップデートは、ＷｉＦｉまたはセルラネットワークなどの無線ネットワークを使用し
て送信されるファームウェアアップデートである。いくつかの実施形態では、新しい機械
学習モデルは、車両が整備されるときにインストールされてもよい。
２０７において、センサデータが受信される。例えば、センサデータは、車両の１つま
たは複数のセンサから捕捉される。いくつかの実施形態では、センサは図１のセンサ１０
１である。センサは、フロントガラスの後ろに取り付けられた魚眼カメラ、ピラーに取り
付けられた前向きまたは横向きカメラ、後ろ向きカメラなどの画像センサを含むことがで
きる。様々な実施形態では、センサデータは、２０３で訓練された機械学習モデルが入力
として利用する形式であるか、またはその形式に変換される。例えば、センサデータは、
生のまたは処理された画像データであってもよい。いくつかの実施形態では、データは、
超音波センサ、レーダ、ＬｉＤＡＲセンサ、マイクロフォン、または他の適切な技術から
捕捉されたデータである。いくつかの実施形態では、センサデータは、前処理ステップ中
に図１の画像プリプロセッサ１０３などの画像プリプロセッサを使用して前処理される。
例えば、画像は、歪み、ノイズなどを除去するために正規化されてもよい。
たは複数のセンサから捕捉される。いくつかの実施形態では、センサは図１のセンサ１０
１である。センサは、フロントガラスの後ろに取り付けられた魚眼カメラ、ピラーに取り
付けられた前向きまたは横向きカメラ、後ろ向きカメラなどの画像センサを含むことがで
きる。様々な実施形態では、センサデータは、２０３で訓練された機械学習モデルが入力
として利用する形式であるか、またはその形式に変換される。例えば、センサデータは、
生のまたは処理された画像データであってもよい。いくつかの実施形態では、データは、
超音波センサ、レーダ、ＬｉＤＡＲセンサ、マイクロフォン、または他の適切な技術から
捕捉されたデータである。いくつかの実施形態では、センサデータは、前処理ステップ中
に図１の画像プリプロセッサ１０３などの画像プリプロセッサを使用して前処理される。
例えば、画像は、歪み、ノイズなどを除去するために正規化されてもよい。
２０９において、訓練された機械学習モデルが適用される。例えば、２０３で訓練され
た機械学習モデルは、２０７で受信されたセンサデータに適用される。いくつかの実施形
態では、モデルの適用は、図１の深層学習ネットワーク１０５などの深層学習ネットワー
クを使用して、図１のＡＩプロセッサ１０７などのＡＩプロセッサによって実行される。
様々な実施形態では、訓練された機械学習モデルを適用することによって、レーンライン
などの特徴の３次元表現が識別および／または予測される。例えば、車両が走行している
レーンのレーンラインを表現する２つのスプラインが推論される。別の例として、隣接車
両が現在のレーンに割り込む可能性があるかどうかを含む、隣接車両の予測経路が推論さ
れる。様々な実施形態では、機械学習モデルを適用することによって、車両、障害物、レ
ーン、交通制御信号、地図特徴、物体距離、制限速度、運転可能空間などが識別される。
いくつかの実施形態では、特徴は３次元で識別される。
た機械学習モデルは、２０７で受信されたセンサデータに適用される。いくつかの実施形
態では、モデルの適用は、図１の深層学習ネットワーク１０５などの深層学習ネットワー
クを使用して、図１のＡＩプロセッサ１０７などのＡＩプロセッサによって実行される。
様々な実施形態では、訓練された機械学習モデルを適用することによって、レーンライン
などの特徴の３次元表現が識別および／または予測される。例えば、車両が走行している
レーンのレーンラインを表現する２つのスプラインが推論される。別の例として、隣接車
両が現在のレーンに割り込む可能性があるかどうかを含む、隣接車両の予測経路が推論さ
れる。様々な実施形態では、機械学習モデルを適用することによって、車両、障害物、レ
ーン、交通制御信号、地図特徴、物体距離、制限速度、運転可能空間などが識別される。
いくつかの実施形態では、特徴は３次元で識別される。
２１１において、自律型車両が制御される。例えば、１つまたは複数の自動運転機能が
、車両の様々な態様を制御することによって実施される。例は、車両の操舵、速度、加速
度、および／または制動を制御すること、レーン内の車両の位置を維持すること、他の車
両および／または障害物に対する車両の位置を維持すること、乗員に通知または警告を提
供することなどを含むことができる。２０９で実行された分析に基づいて、車両の操舵お
よび速度は、車両を２つのレーンライン間に維持するように制御される。例えば、左右の
レーンラインが予測され、対応する車両レーンおよび運転可能空間が識別される。様々な
実施形態では、図１の車両制御モジュール１０９などの車両制御モジュールが車両を制御
する。
、車両の様々な態様を制御することによって実施される。例は、車両の操舵、速度、加速
度、および／または制動を制御すること、レーン内の車両の位置を維持すること、他の車
両および／または障害物に対する車両の位置を維持すること、乗員に通知または警告を提
供することなどを含むことができる。２０９で実行された分析に基づいて、車両の操舵お
よび速度は、車両を２つのレーンライン間に維持するように制御される。例えば、左右の
レーンラインが予測され、対応する車両レーンおよび運転可能空間が識別される。様々な
実施形態では、図１の車両制御モジュール１０９などの車両制御モジュールが車両を制御
する。
図３は、時系列の要素を使用して訓練データを作成するプロセスの一実施形態を示す流
れ図である。例えば、センサおよびオドメトリデータで構成される時系列の要素が、車両
から収集され、訓練データを自動的に作成するために使用される。様々な実施形態におい
て、図３のプロセスは、訓練データを対応するグラウンドトゥルースで自動的にラベル付
けするために使用される。時系列に対応する結果は、時系列の要素に関連付けられる。結
果および選択された要素は、将来の結果を予測するための訓練データとしてパッケージ化
される。様々な実施形態では、センサおよび関連データは、図１の深層学習システムを使
用して捕捉される。例えば、様々な実施形態において、センサデータは、図１のセンサ１
０１から捕捉される。いくつかの実施形態では、図３のプロセスは、図２の２０１で実行
される。いくつかの実施形態では、図３のプロセスは、既存の予測が正しくないかまたは
改善され得る場合にデータを自動的に収集するために実行される。例えば、車両が自律型
車両の経路に割り込んでいるかどうかを判定するために、自律型車両によって予測が行わ
れる。一定期間待機し、捕捉されたセンサデータを分析した後、予測が正しいか誤ってい
るかの判定を行うことができる。いくつかの実施形態では、予測が改善され得るという判
定が行われる。予測が正しくなかった場合、または改善することができた場合、図３のプ
ロセスを予測に関連するデータに適用して、機械学習モデルを改善するための例のキュレ
ーションされたセットを作成することができる。
れ図である。例えば、センサおよびオドメトリデータで構成される時系列の要素が、車両
から収集され、訓練データを自動的に作成するために使用される。様々な実施形態におい
て、図３のプロセスは、訓練データを対応するグラウンドトゥルースで自動的にラベル付
けするために使用される。時系列に対応する結果は、時系列の要素に関連付けられる。結
果および選択された要素は、将来の結果を予測するための訓練データとしてパッケージ化
される。様々な実施形態では、センサおよび関連データは、図１の深層学習システムを使
用して捕捉される。例えば、様々な実施形態において、センサデータは、図１のセンサ１
０１から捕捉される。いくつかの実施形態では、図３のプロセスは、図２の２０１で実行
される。いくつかの実施形態では、図３のプロセスは、既存の予測が正しくないかまたは
改善され得る場合にデータを自動的に収集するために実行される。例えば、車両が自律型
車両の経路に割り込んでいるかどうかを判定するために、自律型車両によって予測が行わ
れる。一定期間待機し、捕捉されたセンサデータを分析した後、予測が正しいか誤ってい
るかの判定を行うことができる。いくつかの実施形態では、予測が改善され得るという判
定が行われる。予測が正しくなかった場合、または改善することができた場合、図３のプ
ロセスを予測に関連するデータに適用して、機械学習モデルを改善するための例のキュレ
ーションされたセットを作成することができる。
３０１において、時系列の要素が受信される。様々な実施形態では、要素は、車両で捕
捉されて訓練サーバに送信される画像データなどのセンサデータである。センサデータは
、時系列の要素を作成するために一定期間にわたって捕捉される。様々な実施形態におい
て、要素は、要素の順序を維持するためのタイムスタンプである。要素が時系列を通って
進むにつれて、時系列におけるより後のイベントは、時系列のより早い要素からの結果の
予測を助けるために使用される。例えば、時系列は、合流するように合図し、加速し、自
分自身を近くのレーンラインの近くに配置している隣接車線内の車両を捕捉することがで
きる。時系列全体を使用して、結果を使用して、車両が共有レーンに合流したことを判定
することができる。この結果は、時系列の初期画像のうちの１つなどの時系列の選択され
た要素に基づいて車両が合流することを予測するために使用することができる。別の例と
して、時系列はレーンラインの曲線を捕捉する。時系列は、時系列の単一の要素のみから
は明らかではないレーンの様々なくぼみ、曲がり、山などを捕捉する。様々な実施形態に
おいて、要素は、機械学習モデルが入力として使用する形式のセンサデータである。例え
ば、センサデータは、生のまたは処理された画像データであってもよい。いくつかの実施
形態では、データは、超音波センサ、レーダ、ＬｉＤＡＲセンサ、または他の適切な技術
から捕捉されたデータである。
捉されて訓練サーバに送信される画像データなどのセンサデータである。センサデータは
、時系列の要素を作成するために一定期間にわたって捕捉される。様々な実施形態におい
て、要素は、要素の順序を維持するためのタイムスタンプである。要素が時系列を通って
進むにつれて、時系列におけるより後のイベントは、時系列のより早い要素からの結果の
予測を助けるために使用される。例えば、時系列は、合流するように合図し、加速し、自
分自身を近くのレーンラインの近くに配置している隣接車線内の車両を捕捉することがで
きる。時系列全体を使用して、結果を使用して、車両が共有レーンに合流したことを判定
することができる。この結果は、時系列の初期画像のうちの１つなどの時系列の選択され
た要素に基づいて車両が合流することを予測するために使用することができる。別の例と
して、時系列はレーンラインの曲線を捕捉する。時系列は、時系列の単一の要素のみから
は明らかではないレーンの様々なくぼみ、曲がり、山などを捕捉する。様々な実施形態に
おいて、要素は、機械学習モデルが入力として使用する形式のセンサデータである。例え
ば、センサデータは、生のまたは処理された画像データであってもよい。いくつかの実施
形態では、データは、超音波センサ、レーダ、ＬｉＤＡＲセンサ、または他の適切な技術
から捕捉されたデータである。
様々な実施形態において、時系列は、タイムスタンプを時系列の各要素に関連付けるこ
とによって編成される。例えば、タイムスタンプは、時系列における少なくとも第１の要
素に関連付けられる。タイムスタンプは、オドメトリデータなどの関連データで時系列要
素を較正するために使用され得る。様々な実施形態では、時系列の長さは、１０秒、３０
秒、または別の適切な長さなどの固定長の時間であってもよい。時間の長さは設定可能で
あり得る。様々な実施形態において、時系列は、車両の平均速度などの車両の速度に基づ
くことができる。例えば、より遅い速度では、時系列の時間の長さを増加させて、同じ速
度に対してより短い時間長を使用する場合に可能となるよりも長い移動距離にわたってデ
ータを捕捉することができる。いくつかの実施形態では、時系列内の要素の数は設定可能
である。例えば、要素の数は、移動距離に基づくことができる。例えば、一定時間の間、
より速く移動する車両は、より遅く移動する車両よりも時系列内により多くの要素を含む
。追加の要素が、捕捉された環境の忠実度を高め、予測される機械学習結果の精度を向上
させることができる。様々な実施形態において、要素の数は、センサがデータを捕捉する
１秒当たりのフレームを調整することによって、および／または不要な中間フレームを破
棄することによって調整される。
とによって編成される。例えば、タイムスタンプは、時系列における少なくとも第１の要
素に関連付けられる。タイムスタンプは、オドメトリデータなどの関連データで時系列要
素を較正するために使用され得る。様々な実施形態では、時系列の長さは、１０秒、３０
秒、または別の適切な長さなどの固定長の時間であってもよい。時間の長さは設定可能で
あり得る。様々な実施形態において、時系列は、車両の平均速度などの車両の速度に基づ
くことができる。例えば、より遅い速度では、時系列の時間の長さを増加させて、同じ速
度に対してより短い時間長を使用する場合に可能となるよりも長い移動距離にわたってデ
ータを捕捉することができる。いくつかの実施形態では、時系列内の要素の数は設定可能
である。例えば、要素の数は、移動距離に基づくことができる。例えば、一定時間の間、
より速く移動する車両は、より遅く移動する車両よりも時系列内により多くの要素を含む
。追加の要素が、捕捉された環境の忠実度を高め、予測される機械学習結果の精度を向上
させることができる。様々な実施形態において、要素の数は、センサがデータを捕捉する
１秒当たりのフレームを調整することによって、および／または不要な中間フレームを破
棄することによって調整される。
３０３において、時系列の要素に関連するデータが受信される。様々な実施形態では、
関連データは、３０１で受信された要素と共に訓練サーバで受信される。いくつかの実施
形態では、関連データは、車両のオドメトリデータである。位置、向き、位置の変化、向
きの変化、および／または他の関連車両データを使用して、時系列の要素で識別された特
徴の位置データをラベル付けすることができる。例えば、レーンラインの要素の時系列を
調べることにより、レーンラインを非常に正確な位置でラベル付けすることができる。通
常、車両カメラに最も近いレーンラインは正確であり、車両の位置に密接に関連している
。一方、車両から最も遠いラインのＸＹＺ位置は、決定が困難である。レーンラインの遠
方部分は、（例えば、曲がり角または丘の後ろに）閉塞している場合および／または正確
に捕捉することが（例えば、距離または照明などに起因して）困難である場合がある。要
素に関連するデータは、高い精度で識別された時系列で識別された特徴の部分をラベル付
けするために使用される。様々な実施形態では、閾値を使用して、特徴の識別された部分
（レーンラインの一部など）を関連データに関連付けるかどうかを判定する。例えば、高
い確度で識別されたレーンラインの部分（車両に近い部分など）は関連データに関連付け
られ、確度が閾値未満で識別されたレーンラインの部分（車両から遠く離れた部分など）
はその要素の関連データに関連付けられない。代わりに、より高い確度を有する後続要素
などの時系列の別の要素およびその関連データが使用される。いくつかの実施形態では、
関連データは、図１の深層学習ネットワーク１０５の出力などのニューラルネットワーク
の出力である。いくつかの実施形態では、関連データは、図１の車両制御モジュール１０
９などの車両制御モジュールの出力である。関連データは、速度、速度の変化、加速度、
加速度の変化、操舵、操舵の変化、制動、制動の変化などの車両動作パラメータを含むこ
とができる。いくつかの実施形態では、関連データは、障害物などの物体の距離を推定す
るためのレーダデータである。
関連データは、３０１で受信された要素と共に訓練サーバで受信される。いくつかの実施
形態では、関連データは、車両のオドメトリデータである。位置、向き、位置の変化、向
きの変化、および／または他の関連車両データを使用して、時系列の要素で識別された特
徴の位置データをラベル付けすることができる。例えば、レーンラインの要素の時系列を
調べることにより、レーンラインを非常に正確な位置でラベル付けすることができる。通
常、車両カメラに最も近いレーンラインは正確であり、車両の位置に密接に関連している
。一方、車両から最も遠いラインのＸＹＺ位置は、決定が困難である。レーンラインの遠
方部分は、（例えば、曲がり角または丘の後ろに）閉塞している場合および／または正確
に捕捉することが（例えば、距離または照明などに起因して）困難である場合がある。要
素に関連するデータは、高い精度で識別された時系列で識別された特徴の部分をラベル付
けするために使用される。様々な実施形態では、閾値を使用して、特徴の識別された部分
（レーンラインの一部など）を関連データに関連付けるかどうかを判定する。例えば、高
い確度で識別されたレーンラインの部分（車両に近い部分など）は関連データに関連付け
られ、確度が閾値未満で識別されたレーンラインの部分（車両から遠く離れた部分など）
はその要素の関連データに関連付けられない。代わりに、より高い確度を有する後続要素
などの時系列の別の要素およびその関連データが使用される。いくつかの実施形態では、
関連データは、図１の深層学習ネットワーク１０５の出力などのニューラルネットワーク
の出力である。いくつかの実施形態では、関連データは、図１の車両制御モジュール１０
９などの車両制御モジュールの出力である。関連データは、速度、速度の変化、加速度、
加速度の変化、操舵、操舵の変化、制動、制動の変化などの車両動作パラメータを含むこ
とができる。いくつかの実施形態では、関連データは、障害物などの物体の距離を推定す
るためのレーダデータである。
いくつかの実施形態では、時系列の要素に関連するデータは、地図データを含む。例え
ば、３０３において、道路および／または衛星レベルの地図データなどのオフラインデー
タが受信される。地図データは、道路、車両レーン、交差点、制限速度、スクールゾーン
などの特徴を識別するために使用することができる。例えば、地図データは、車両レーン
の経路を記述することができる。別の例として、地図データは、地図の様々な道路に関連
付けられた制限速度を記述することができる。
ば、３０３において、道路および／または衛星レベルの地図データなどのオフラインデー
タが受信される。地図データは、道路、車両レーン、交差点、制限速度、スクールゾーン
などの特徴を識別するために使用することができる。例えば、地図データは、車両レーン
の経路を記述することができる。別の例として、地図データは、地図の様々な道路に関連
付けられた制限速度を記述することができる。
様々な実施形態において、時系列の要素に関連するデータは、タイムスタンプを関連デ
ータと関連付けることによって編成される。時系列要素および関連データからの対応する
タイムスタンプを使用して、２つのデータセットを同期させることができる。いくつかの
実施形態では、データは捕捉時に同期される。例えば、時系列の各要素が捕捉されると、
対応する関連データのセットが捕捉され、時系列要素と共に保存される。様々な実施形態
では、関連データの期間は設定可能であり、および／または要素の時系列の期間と一致す
る。いくつかの実施形態では、関連データは、時系列要素と同じレートでサンプリングさ
れる。
ータと関連付けることによって編成される。時系列要素および関連データからの対応する
タイムスタンプを使用して、２つのデータセットを同期させることができる。いくつかの
実施形態では、データは捕捉時に同期される。例えば、時系列の各要素が捕捉されると、
対応する関連データのセットが捕捉され、時系列要素と共に保存される。様々な実施形態
では、関連データの期間は設定可能であり、および／または要素の時系列の期間と一致す
る。いくつかの実施形態では、関連データは、時系列要素と同じレートでサンプリングさ
れる。
３０５において、時系列に対してグラウンドトゥルースが決定される。様々な実施形態
において、時系列は、機械学習特徴（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｆｅａｔｕｒ
ｅ）に関連するグラウンドトゥルースを決定するために分析される。例えば、レーンライ
ンは、そのレーンラインのグラウンドトゥルースに対応する時系列から識別される。別の
例として、移動物体（例えば、車両、歩行者、自転車、動物など）の経路についてのグラ
ウンドトゥルースは、時系列から検出された移動物体について識別された経路である。い
くつかの実施形態では、移動車両が時系列にわたって自律型車両のレーンに進入する場合
、移動車両は割込み車両としてアノテーションされる。いくつかの実施形態では、グラウ
ンドトゥルースは、３次元軌跡などの３次元表現として表現される。例えば、レーンライ
ンに関連付けられたグラウンドトゥルースは、３次元のパラメータ化スプラインまたは曲
線として表現され得る。別の例として、検出された車両の予測経路が決定され、３次元軌
跡として表現される。予測経路は、車両が占有空間に合流しているかどうかを判定するた
めに使用され得る。様々な実施形態において、時系列の要素を調べることによってのみ、
グラウンドトゥルースを決定することができる。例えば、時系列のサブセットのみを分析
すると、レーンラインの一部を閉塞されたままに残す可能性がある。時系列の要素にわた
って分析を拡張することによって、レーンラインの閉塞部分が明らかになる。さらに、時
系列の終わり近くに捕捉されたデータは、距離がより離れたレーンラインの部分の詳細を
より正確に（例えば、より高い忠実度で）捕捉する。さらに、関連データは、より近接し
て（距離および時間の両方で）捕捉されたデータに基づくため、関連データもより正確で
ある。様々な実施形態では、物体の異なる部分を高度を含む正確な３次元位置にマッピン
グするために、要素の時系列の異なる要素で識別されたレーンラインなどの検出された物
体の異なる部分に、同時位置特定およびマッピング技術が適用される。マッピングされた
３次元位置のセットは、時系列にわたって捕捉されたレーンラインのセグメントなどの物
体のグラウンドトゥルースを表現する。いくつかの実施形態では、位置特定およびマッピ
ング技術は、正確な点集合、例えば、車両レーンラインに沿った異なる点に対応する点集
合をもたらす。点集合は、スプライン曲線またはパラメトリック曲線などのより効率的な
フォーマットに変換することができる。いくつかの実施形態では、グラウンドトゥルース
は、レーンライン、運転可能空間、交通制御手段、車両などの物体を３次元で検出するた
めに決定される。
において、時系列は、機械学習特徴（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｆｅａｔｕｒ
ｅ）に関連するグラウンドトゥルースを決定するために分析される。例えば、レーンライ
ンは、そのレーンラインのグラウンドトゥルースに対応する時系列から識別される。別の
例として、移動物体（例えば、車両、歩行者、自転車、動物など）の経路についてのグラ
ウンドトゥルースは、時系列から検出された移動物体について識別された経路である。い
くつかの実施形態では、移動車両が時系列にわたって自律型車両のレーンに進入する場合
、移動車両は割込み車両としてアノテーションされる。いくつかの実施形態では、グラウ
ンドトゥルースは、３次元軌跡などの３次元表現として表現される。例えば、レーンライ
ンに関連付けられたグラウンドトゥルースは、３次元のパラメータ化スプラインまたは曲
線として表現され得る。別の例として、検出された車両の予測経路が決定され、３次元軌
跡として表現される。予測経路は、車両が占有空間に合流しているかどうかを判定するた
めに使用され得る。様々な実施形態において、時系列の要素を調べることによってのみ、
グラウンドトゥルースを決定することができる。例えば、時系列のサブセットのみを分析
すると、レーンラインの一部を閉塞されたままに残す可能性がある。時系列の要素にわた
って分析を拡張することによって、レーンラインの閉塞部分が明らかになる。さらに、時
系列の終わり近くに捕捉されたデータは、距離がより離れたレーンラインの部分の詳細を
より正確に（例えば、より高い忠実度で）捕捉する。さらに、関連データは、より近接し
て（距離および時間の両方で）捕捉されたデータに基づくため、関連データもより正確で
ある。様々な実施形態では、物体の異なる部分を高度を含む正確な３次元位置にマッピン
グするために、要素の時系列の異なる要素で識別されたレーンラインなどの検出された物
体の異なる部分に、同時位置特定およびマッピング技術が適用される。マッピングされた
３次元位置のセットは、時系列にわたって捕捉されたレーンラインのセグメントなどの物
体のグラウンドトゥルースを表現する。いくつかの実施形態では、位置特定およびマッピ
ング技術は、正確な点集合、例えば、車両レーンラインに沿った異なる点に対応する点集
合をもたらす。点集合は、スプライン曲線またはパラメトリック曲線などのより効率的な
フォーマットに変換することができる。いくつかの実施形態では、グラウンドトゥルース
は、レーンライン、運転可能空間、交通制御手段、車両などの物体を３次元で検出するた
めに決定される。
いくつかの実施形態では、グラウンドトゥルースは、意味ラベルを予測するために決定
される。例えば、検出された車両は、左レーンまたは右レーンにあるとラベル付けするこ
とができる。いくつかの実施形態では、検出された車両は、死角にあるとして、道を譲る
べき車両として、または別の適切な意味ラベルでラベル付けすることができる。いくつか
の実施形態では、車両は、決定されたグラウンドトゥルースに基づいて地図内の道路また
はレーンに割り当てられる。追加の例として、決定されたグラウンドトゥルースを使用し
て、信号機、レーン、運転可能空間、または自動運転を支援する他の特徴をラベル付けす
ることができる。
される。例えば、検出された車両は、左レーンまたは右レーンにあるとラベル付けするこ
とができる。いくつかの実施形態では、検出された車両は、死角にあるとして、道を譲る
べき車両として、または別の適切な意味ラベルでラベル付けすることができる。いくつか
の実施形態では、車両は、決定されたグラウンドトゥルースに基づいて地図内の道路また
はレーンに割り当てられる。追加の例として、決定されたグラウンドトゥルースを使用し
て、信号機、レーン、運転可能空間、または自動運転を支援する他の特徴をラベル付けす
ることができる。
いくつかの実施形態では、関連データは、検出された物体の深度（または距離）データ
である。距離データを要素の時系列において識別された物体と関連付けることによって、
機械学習モデルは、検出された物体についてのグラウンドトゥルースとして関連する距離
データを使用することによって物体距離を推定するように訓練されることができる。いく
つかの実施形態では、距離は、障害物、障壁、移動車両、静止車両、交通制御信号、歩行
者などの検出された物体の距離である。
である。距離データを要素の時系列において識別された物体と関連付けることによって、
機械学習モデルは、検出された物体についてのグラウンドトゥルースとして関連する距離
データを使用することによって物体距離を推定するように訓練されることができる。いく
つかの実施形態では、距離は、障害物、障壁、移動車両、静止車両、交通制御信号、歩行
者などの検出された物体の距離である。
３０７において、訓練データがパッケージ化される。例えば、時系列の要素が選択され
、３０５で決定されたグラウンドトゥルースと関連付けられる。様々な実施形態において
、選択される要素は、時系列における初期要素である。選択された要素は、機械学習モデ
ルに入力されたセンサデータを表現し、グラウンドトゥルースは、予測される結果を表現
する。様々な実施形態において、訓練データは、訓練データとしてパッケージ化され準備
される。いくつかの実施形態では、訓練データは、訓練、検証、および試験データにパッ
ケージ化される。決定されたグラウンドトゥルースおよび選択された時系列の要素に基づ
いて、訓練データは、自動運転のための他の有用な特徴の中でも、レーンライン、車両の
予測経路、制限速度、車両の割込み、物体距離、および／または運転可能空間を識別する
ための機械学習モデルを訓練するためにパッケージ化することができる。パッケージ化さ
れた訓練データはこうして機械学習モデルを訓練するために利用可能となる。
、３０５で決定されたグラウンドトゥルースと関連付けられる。様々な実施形態において
、選択される要素は、時系列における初期要素である。選択された要素は、機械学習モデ
ルに入力されたセンサデータを表現し、グラウンドトゥルースは、予測される結果を表現
する。様々な実施形態において、訓練データは、訓練データとしてパッケージ化され準備
される。いくつかの実施形態では、訓練データは、訓練、検証、および試験データにパッ
ケージ化される。決定されたグラウンドトゥルースおよび選択された時系列の要素に基づ
いて、訓練データは、自動運転のための他の有用な特徴の中でも、レーンライン、車両の
予測経路、制限速度、車両の割込み、物体距離、および／または運転可能空間を識別する
ための機械学習モデルを訓練するためにパッケージ化することができる。パッケージ化さ
れた訓練データはこうして機械学習モデルを訓練するために利用可能となる。
図４は、自動運転のための機械学習モデルを訓練および適用するプロセスの一実施形態
を示す流れ図である。いくつかの実施形態では、図４のプロセスは、自動運転のための機
械学習モデルを訓練するためのセンサデータおよびオドメトリデータを収集および保持す
るために利用される。いくつかの実施形態では、図４のプロセスは、自動運転制御が有効
であるか否かにかかわらず、自動運転が有効な車両で実施される。例えば、センサおよび
オドメトリデータは、自動運転が解除された直後、車両が人間の運転者によって運転され
ている間、および／または車両が自動運転されている間に収集することができる。いくつ
かの実施形態では、図４によって説明される技術は、図１の深層学習システムを使用して
実施される。いくつかの実施形態では、図４のプロセスの一部は、自動運転のための機械
学習モデルを適用するプロセスの一部として、図２の２０７、２０９、および／または２
１１で実行される。
を示す流れ図である。いくつかの実施形態では、図４のプロセスは、自動運転のための機
械学習モデルを訓練するためのセンサデータおよびオドメトリデータを収集および保持す
るために利用される。いくつかの実施形態では、図４のプロセスは、自動運転制御が有効
であるか否かにかかわらず、自動運転が有効な車両で実施される。例えば、センサおよび
オドメトリデータは、自動運転が解除された直後、車両が人間の運転者によって運転され
ている間、および／または車両が自動運転されている間に収集することができる。いくつ
かの実施形態では、図４によって説明される技術は、図１の深層学習システムを使用して
実施される。いくつかの実施形態では、図４のプロセスの一部は、自動運転のための機械
学習モデルを適用するプロセスの一部として、図２の２０７、２０９、および／または２
１１で実行される。
４０１において、センサデータが受信される。例えば、センサを備えた車両が、センサ
データを捕捉し、車両上で動作するニューラルネットワークにセンサデータを提供する。
いくつかの実施形態では、センサデータは、視覚データ、超音波データ、ＬｉＤＡＲデー
タ、または他の適切なセンサデータであってもよい。例えば、高ダイナミックレンジ前向
きカメラから画像が捕捉される。別の例として、横向き超音波センサから超音波データが
捕捉される。いくつかの実施形態では、車両には、データを捕捉するための複数のセンサ
が取り付けられる。例えば、いくつかの実施形態では、８つのサラウンドカメラが車両に
取り付けられ、車両の周囲の３６０度の視界を最大２５０メートルの到達距離で提供する
。いくつかの実施形態では、カメラセンサは、広角前方カメラ、狭角前方カメラ、後方視
認カメラ、前方視サイドカメラ、および／または後方視サイドカメラを含む。いくつかの
実施形態では、超音波および／またはレーダセンサを使用して周囲の詳細を捕捉する。例
えば、１２個の超音波センサを車両に取り付けて、硬い物体と柔らかい物体の両方を検出
することができる。いくつかの実施形態では、前向きレーダを利用して周囲環境のデータ
を捕捉する。様々な実施形態では、レーダセンサは、大雨、霧、埃、および他の車両にも
かかわらず、周囲の詳細を捕捉することができる。様々なセンサは、車両の周囲の環境を
捕捉するために使用され、捕捉されたデータは、深層学習分析のために提供される。
データを捕捉し、車両上で動作するニューラルネットワークにセンサデータを提供する。
いくつかの実施形態では、センサデータは、視覚データ、超音波データ、ＬｉＤＡＲデー
タ、または他の適切なセンサデータであってもよい。例えば、高ダイナミックレンジ前向
きカメラから画像が捕捉される。別の例として、横向き超音波センサから超音波データが
捕捉される。いくつかの実施形態では、車両には、データを捕捉するための複数のセンサ
が取り付けられる。例えば、いくつかの実施形態では、８つのサラウンドカメラが車両に
取り付けられ、車両の周囲の３６０度の視界を最大２５０メートルの到達距離で提供する
。いくつかの実施形態では、カメラセンサは、広角前方カメラ、狭角前方カメラ、後方視
認カメラ、前方視サイドカメラ、および／または後方視サイドカメラを含む。いくつかの
実施形態では、超音波および／またはレーダセンサを使用して周囲の詳細を捕捉する。例
えば、１２個の超音波センサを車両に取り付けて、硬い物体と柔らかい物体の両方を検出
することができる。いくつかの実施形態では、前向きレーダを利用して周囲環境のデータ
を捕捉する。様々な実施形態では、レーダセンサは、大雨、霧、埃、および他の車両にも
かかわらず、周囲の詳細を捕捉することができる。様々なセンサは、車両の周囲の環境を
捕捉するために使用され、捕捉されたデータは、深層学習分析のために提供される。
いくつかの実施形態では、センサデータは、車両の位置、向き、位置の変化、および／
または向きの変化などを含むオドメトリデータを含む。例えば、位置データが捕捉され、
同じ時間フレーム中に捕捉された他のセンサデータと関連付けられる。一例として、画像
データの撮像時に捕捉された位置データは、位置情報を画像データと関連付けるために用
いられる。
または向きの変化などを含むオドメトリデータを含む。例えば、位置データが捕捉され、
同じ時間フレーム中に捕捉された他のセンサデータと関連付けられる。一例として、画像
データの撮像時に捕捉された位置データは、位置情報を画像データと関連付けるために用
いられる。
４０３において、センサデータが前処理される。いくつかの実施形態では、センサデー
タに対して１つまたは複数の前処理パスを実行することができる。例えば、データは、ノ
イズを除去し、位置合わせの問題および／またはぼやけなどを補正するために前処理され
てもよい。いくつかの実施形態では、１つまたは複数の異なるフィルタリングパスがデー
タに対して実行される。例えば、センサデータの異なる成分を分離するために、データに
対してハイパスフィルタを実行し、データに対してローパスフィルタを実行することがで
きる。様々な実施形態では、４０３で実行される前処理ステップは任意選択であり、およ
び／またはニューラルネットワークに組み込まれてもよい。
タに対して１つまたは複数の前処理パスを実行することができる。例えば、データは、ノ
イズを除去し、位置合わせの問題および／またはぼやけなどを補正するために前処理され
てもよい。いくつかの実施形態では、１つまたは複数の異なるフィルタリングパスがデー
タに対して実行される。例えば、センサデータの異なる成分を分離するために、データに
対してハイパスフィルタを実行し、データに対してローパスフィルタを実行することがで
きる。様々な実施形態では、４０３で実行される前処理ステップは任意選択であり、およ
び／またはニューラルネットワークに組み込まれてもよい。
４０５において、センサデータの深層学習分析が開始される。いくつかの実施形態では
、深層学習分析は、４０３で任意選択的に前処理されたセンサデータに対して実行される
。様々な実施形態において、深層学習分析は、畳込みニューラルネットワーク（ＣＮＮ）
などのニューラルネットワークを使用して実行される。様々な実施形態では、機械学習モ
デルは、図２のプロセスを使用してオフラインで訓練され、センサデータに対する推論を
実行するために車両に配備される。例えば、モデルは、道路レーンライン、障害物、歩行
者、移動車両、駐車車両、運転可能空間などを適切に識別するように訓練されてもよい。
いくつかの実施形態では、レーンラインの複数の軌跡が識別される。例えば、レーンライ
ンのいくつかの潜在的な軌跡が検出され、各軌跡は対応する出現（発生）確率を有する。
いくつかの実施形態では、予測されるレーンラインは、出現確率が最も高いおよび／また
は関連する信頼値が最も高いレーンラインである。いくつかの実施形態では、深層学習分
析からの予測レーンラインは、最小信頼閾値を超えることを必要とする。様々な実施形態
において、ニューラルネットワークは、１つまたは複数の中間層を含む複数の層を含む。
様々な実施形態において、センサデータおよび／または深層学習分析の結果は、訓練デー
タの自動生成のために保持され４１１において送信される。
、深層学習分析は、４０３で任意選択的に前処理されたセンサデータに対して実行される
。様々な実施形態において、深層学習分析は、畳込みニューラルネットワーク（ＣＮＮ）
などのニューラルネットワークを使用して実行される。様々な実施形態では、機械学習モ
デルは、図２のプロセスを使用してオフラインで訓練され、センサデータに対する推論を
実行するために車両に配備される。例えば、モデルは、道路レーンライン、障害物、歩行
者、移動車両、駐車車両、運転可能空間などを適切に識別するように訓練されてもよい。
いくつかの実施形態では、レーンラインの複数の軌跡が識別される。例えば、レーンライ
ンのいくつかの潜在的な軌跡が検出され、各軌跡は対応する出現（発生）確率を有する。
いくつかの実施形態では、予測されるレーンラインは、出現確率が最も高いおよび／また
は関連する信頼値が最も高いレーンラインである。いくつかの実施形態では、深層学習分
析からの予測レーンラインは、最小信頼閾値を超えることを必要とする。様々な実施形態
において、ニューラルネットワークは、１つまたは複数の中間層を含む複数の層を含む。
様々な実施形態において、センサデータおよび／または深層学習分析の結果は、訓練デー
タの自動生成のために保持され４１１において送信される。
様々な実施形態において、深層学習分析は、追加の特徴を予測するために使用される。
予測された特徴は、自動運転を支援するために使用され得る。例えば、検出された車両を
レーンまたは道路に割り当てることができる。別の例として、検出された車両は、死角に
ある、道を譲るべき車両である、左隣のレーンの車両である、右隣のレーンの車両である
、または別の適切な属性を有すると判定することができる。同様に、深層学習分析は、信
号機、運転可能空間、歩行者、障害物、または運転のための他の適切な特徴を識別するこ
とができる。
予測された特徴は、自動運転を支援するために使用され得る。例えば、検出された車両を
レーンまたは道路に割り当てることができる。別の例として、検出された車両は、死角に
ある、道を譲るべき車両である、左隣のレーンの車両である、右隣のレーンの車両である
、または別の適切な属性を有すると判定することができる。同様に、深層学習分析は、信
号機、運転可能空間、歩行者、障害物、または運転のための他の適切な特徴を識別するこ
とができる。
４０７において、深層学習分析の結果が車両制御に提供される。例えば、結果は、自動
運転のために車両を制御するため、および／または自動運転機能を実施するために、車両
制御モジュールに提供される。いくつかの実施形態では、４０５での深層学習分析の結果
は、１つまたは複数の異なる機械学習モデルを使用して、１つまたは複数の追加の深層学
習パスを通過する。例えば、レーンラインの予測経路を使用して車両レーンを決定するこ
とができ、決定された車両レーンを使用して運転可能空間を決定する。次いで、運転可能
空間は、車両の経路を決定するために使用される。同様に、いくつかの実施形態では、予
測される車両割込みが検出される。車両の決定された経路は、潜在的な衝突を回避するた
めに予測された割込みを考慮する。いくつかの実施形態では、深層学習の様々な出力は、
車両の予測経路、識別された障害物、制限速度を含む識別された交通制御信号などを含む
自動運転のための車両の環境の３次元表現を構築するために使用される。いくつかの実施
形態では、車両制御モジュールは、決定された経路に沿って車両を制御するために決定さ
れた結果を利用する。いくつかの実施形態では、車両制御モジュールは、図１の車両制御
モジュール１０９である。
運転のために車両を制御するため、および／または自動運転機能を実施するために、車両
制御モジュールに提供される。いくつかの実施形態では、４０５での深層学習分析の結果
は、１つまたは複数の異なる機械学習モデルを使用して、１つまたは複数の追加の深層学
習パスを通過する。例えば、レーンラインの予測経路を使用して車両レーンを決定するこ
とができ、決定された車両レーンを使用して運転可能空間を決定する。次いで、運転可能
空間は、車両の経路を決定するために使用される。同様に、いくつかの実施形態では、予
測される車両割込みが検出される。車両の決定された経路は、潜在的な衝突を回避するた
めに予測された割込みを考慮する。いくつかの実施形態では、深層学習の様々な出力は、
車両の予測経路、識別された障害物、制限速度を含む識別された交通制御信号などを含む
自動運転のための車両の環境の３次元表現を構築するために使用される。いくつかの実施
形態では、車両制御モジュールは、決定された経路に沿って車両を制御するために決定さ
れた結果を利用する。いくつかの実施形態では、車両制御モジュールは、図１の車両制御
モジュール１０９である。
４０９において、車両が制御される。いくつかの実施形態では、自動運転が起動された
車両は、図１の車両制御モジュール１０９などの車両制御モジュールを使用して制御され
る。車両制御は、例えば、周囲の環境を考慮してレーン内の車両を適切な速度に維持する
ために、車両の速度および／または操舵を調整することができる。いくつかの実施形態で
は、結果は、隣接車両が同じレーンに合流することを予測して車両を調整するために使用
される。様々な実施形態では、深層学習分析の結果を使用して、車両制御モジュールは、
例えば適切な速度で決定された経路に沿って、車両を動作させる適切な方法を決定する。
様々な実施形態では、速度の変化、制動の適用、操舵の調整などの車両制御の結果が保持
され、訓練データの自動生成に使用される。様々な実施形態において、車両制御パラメー
タは、訓練データの自動生成のために保持され４１１において送信される。
車両は、図１の車両制御モジュール１０９などの車両制御モジュールを使用して制御され
る。車両制御は、例えば、周囲の環境を考慮してレーン内の車両を適切な速度に維持する
ために、車両の速度および／または操舵を調整することができる。いくつかの実施形態で
は、結果は、隣接車両が同じレーンに合流することを予測して車両を調整するために使用
される。様々な実施形態では、深層学習分析の結果を使用して、車両制御モジュールは、
例えば適切な速度で決定された経路に沿って、車両を動作させる適切な方法を決定する。
様々な実施形態では、速度の変化、制動の適用、操舵の調整などの車両制御の結果が保持
され、訓練データの自動生成に使用される。様々な実施形態において、車両制御パラメー
タは、訓練データの自動生成のために保持され４１１において送信される。
４１１において、センサデータおよび関連データが送信される。例えば、４０１で受信
したセンサデータは、４０５での深層学習分析の結果および／または４０９で使用された
車両制御パラメータと共に、訓練データの自動生成のためにコンピュータサーバに送信さ
れる。いくつかの実施形態では、データは時系列データであり、様々な収集されたデータ
はコンピュータサーバによって一緒に関連付けられる。例えば、オドメトリデータが、グ
ラウンドトゥルースを生成するために捕捉された画像データと関連付けられる。様々な実
施形態では、収集されたデータは、例えばＷｉＦｉまたはセルラ接続を介して、車両から
訓練データセンタに無線で送信される。いくつかの実施形態では、メタデータがセンサデ
ータと共に送信される。例えば、メタデータは、時刻、タイムスタンプ、位置、車両の種
類や、速度、加速度、制動、自動運転が有効にされたかどうか、操舵角、オドメトリデー
タなどの車両制御および／または動作パラメータを含むことができる。追加のメタデータ
は、最後の以前のセンサデータが送信されてからの時間、車両の種類、気象状況、道路状
況などを含む。いくつかの実施形態では、送信されるデータは、例えば車両の固有識別子
を削除することによって匿名化される。別の例として、類似の車両モデルからのデータは
、個々のユーザおよびその車両の使用が識別されないようにマージされる。
したセンサデータは、４０５での深層学習分析の結果および／または４０９で使用された
車両制御パラメータと共に、訓練データの自動生成のためにコンピュータサーバに送信さ
れる。いくつかの実施形態では、データは時系列データであり、様々な収集されたデータ
はコンピュータサーバによって一緒に関連付けられる。例えば、オドメトリデータが、グ
ラウンドトゥルースを生成するために捕捉された画像データと関連付けられる。様々な実
施形態では、収集されたデータは、例えばＷｉＦｉまたはセルラ接続を介して、車両から
訓練データセンタに無線で送信される。いくつかの実施形態では、メタデータがセンサデ
ータと共に送信される。例えば、メタデータは、時刻、タイムスタンプ、位置、車両の種
類や、速度、加速度、制動、自動運転が有効にされたかどうか、操舵角、オドメトリデー
タなどの車両制御および／または動作パラメータを含むことができる。追加のメタデータ
は、最後の以前のセンサデータが送信されてからの時間、車両の種類、気象状況、道路状
況などを含む。いくつかの実施形態では、送信されるデータは、例えば車両の固有識別子
を削除することによって匿名化される。別の例として、類似の車両モデルからのデータは
、個々のユーザおよびその車両の使用が識別されないようにマージされる。
いくつかの実施形態では、データはトリガに応答してのみ送信される。例えば、いくつ
かの実施形態では、誤った予測は、深層学習ネットワークの予測を改善するための例のキ
ュレーションされたセットを作成するためにデータを自動的に収集するためのセンサデー
タおよび関連データの送信をトリガする。例えば、車両が合流しようとしているかどうか
に関連して４０５で実行される予測は、予測を観測された実際の結果と比較することによ
って正しくないと判定される。次いで、誤った予測に関連付けられたセンサデータおよび
関連データを含むデータが送信され、訓練データを自動的に生成するために使用される。
いくつかの実施形態では、トリガを使用して、急カーブ、道路の分岐、レーン合流、突然
の停止、または追加の訓練データが有用であり、収集が困難であり得る別の適切なシナリ
オなどの特定のシナリオを識別することができる。例えば、トリガは、自動運転機能の突
然の停止または解除に基づくことができる。別の例として、速度の変化または加速度の変
化などの車両動作特性がトリガの基礎を形成することができる。いくつかの実施形態では
、特定の閾値未満の精度での予測が、センサデータおよび関連データの送信をトリガする
。例えば、特定のシナリオでは、予測はブール値の真または偽の結果を有さないこともあ
り、代わりに予測の精度値を決定することによって評価される。
かの実施形態では、誤った予測は、深層学習ネットワークの予測を改善するための例のキ
ュレーションされたセットを作成するためにデータを自動的に収集するためのセンサデー
タおよび関連データの送信をトリガする。例えば、車両が合流しようとしているかどうか
に関連して４０５で実行される予測は、予測を観測された実際の結果と比較することによ
って正しくないと判定される。次いで、誤った予測に関連付けられたセンサデータおよび
関連データを含むデータが送信され、訓練データを自動的に生成するために使用される。
いくつかの実施形態では、トリガを使用して、急カーブ、道路の分岐、レーン合流、突然
の停止、または追加の訓練データが有用であり、収集が困難であり得る別の適切なシナリ
オなどの特定のシナリオを識別することができる。例えば、トリガは、自動運転機能の突
然の停止または解除に基づくことができる。別の例として、速度の変化または加速度の変
化などの車両動作特性がトリガの基礎を形成することができる。いくつかの実施形態では
、特定の閾値未満の精度での予測が、センサデータおよび関連データの送信をトリガする
。例えば、特定のシナリオでは、予測はブール値の真または偽の結果を有さないこともあ
り、代わりに予測の精度値を決定することによって評価される。
様々な実施形態では、センサデータおよび関連データはある期間にわたって捕捉され、
時系列データ全体が一緒に送信される。期間は、車両の速度、移動した距離、速度の変化
などの１つまたは複数の要因に基づいて構成および／または基づくことができる。いくつ
かの実施形態では、捕捉されたセンサデータおよび／または関連データのサンプリングレ
ートは設定可能である。例えば、サンプリングレートは、高速で、急ブレーキ中に、急加
速中に、急操舵中に、または追加の忠実度が必要な別の適切なシナリオで増加される。
時系列データ全体が一緒に送信される。期間は、車両の速度、移動した距離、速度の変化
などの１つまたは複数の要因に基づいて構成および／または基づくことができる。いくつ
かの実施形態では、捕捉されたセンサデータおよび／または関連データのサンプリングレ
ートは設定可能である。例えば、サンプリングレートは、高速で、急ブレーキ中に、急加
速中に、急操舵中に、または追加の忠実度が必要な別の適切なシナリオで増加される。
図５は、車両センサから捕捉された画像の一例を示す図である。図示の例では、図５の
画像は、２つのレーンラインの間のレーンを走行する車両から捕捉された画像データ５０
０を含む。画像データ５００を捕捉するために使用される車両およびセンサの位置は、ラ
ベルＡによって表される。画像データ５００は、センサデータであり、運転中に車両の前
向きカメラなどのカメラセンサから捕捉することができる。画像データ５００は、レーン
ライン５０１、５１１の部分を捕捉する。レーンライン５０１および５１１は、レーンラ
イン５０１および５１１が水平線に近づくにつれて右に湾曲する。図示の例では、レーン
ライン５０１および５１１が見えているが、それらがカメラセンサの位置から離れて遠方
に湾曲するにつれて、検出がますます困難になる。レーンライン５０１および５１１の上
に描かれた白線は、追加の入力なしに画像データ５００からレーンライン５０１および５
１１の検出可能な部分を近似する。いくつかの実施形態では、レーンライン５０１および
５１１の検出された部分は、画像データ５００をセグメント化することによって検出する
ことができる。
画像は、２つのレーンラインの間のレーンを走行する車両から捕捉された画像データ５０
０を含む。画像データ５００を捕捉するために使用される車両およびセンサの位置は、ラ
ベルＡによって表される。画像データ５００は、センサデータであり、運転中に車両の前
向きカメラなどのカメラセンサから捕捉することができる。画像データ５００は、レーン
ライン５０１、５１１の部分を捕捉する。レーンライン５０１および５１１は、レーンラ
イン５０１および５１１が水平線に近づくにつれて右に湾曲する。図示の例では、レーン
ライン５０１および５１１が見えているが、それらがカメラセンサの位置から離れて遠方
に湾曲するにつれて、検出がますます困難になる。レーンライン５０１および５１１の上
に描かれた白線は、追加の入力なしに画像データ５００からレーンライン５０１および５
１１の検出可能な部分を近似する。いくつかの実施形態では、レーンライン５０１および
５１１の検出された部分は、画像データ５００をセグメント化することによって検出する
ことができる。
いくつかの実施形態では、ラベルＡ、Ｂ、およびＣは、道路上の異なる位置および時系
列の異なる時刻に対応する。ラベルＡは、画像データ５００が捕捉されたときの車両の時
刻および位置に対応する。ラベルＢは、ラベルＡの位置の前方の道路上の位置であって、
ラベルＡの時刻の後の時刻における位置に対応する。同様に、ラベルＣは、ラベルＢの位
置の前方の道路上の位置であって、ラベルＢの時刻の後の時刻における位置に対応する。
車両は、走行するにつれて、ラベルＡ、ラベルＢ、およびラベルＣの位置を（ラベルＡか
らラベルＣへ）通過し、走行中にセンサデータおよび関連データの時系列を捕捉する。時
系列は、ラベルＡ、Ｂ、およびＣの位置（および時刻）で捕捉された要素を含む。ラベル
Ａは、時系列の最初の要素に対応し、ラベルＢは、時系列の中間要素に対応し、ラベルＣ
は、時系列の中間（または潜在的に最後の）要素に対応する。各ラベルにおいて、ラベル
位置における車両のオドメトリデータなどの追加データが捕捉される。時系列の長さに応
じて、追加のまたはより少ないデータが捕捉される。いくつかの実施形態では、タイムス
タンプが時系列の各要素に関連付けられる。
列の異なる時刻に対応する。ラベルＡは、画像データ５００が捕捉されたときの車両の時
刻および位置に対応する。ラベルＢは、ラベルＡの位置の前方の道路上の位置であって、
ラベルＡの時刻の後の時刻における位置に対応する。同様に、ラベルＣは、ラベルＢの位
置の前方の道路上の位置であって、ラベルＢの時刻の後の時刻における位置に対応する。
車両は、走行するにつれて、ラベルＡ、ラベルＢ、およびラベルＣの位置を（ラベルＡか
らラベルＣへ）通過し、走行中にセンサデータおよび関連データの時系列を捕捉する。時
系列は、ラベルＡ、Ｂ、およびＣの位置（および時刻）で捕捉された要素を含む。ラベル
Ａは、時系列の最初の要素に対応し、ラベルＢは、時系列の中間要素に対応し、ラベルＣ
は、時系列の中間（または潜在的に最後の）要素に対応する。各ラベルにおいて、ラベル
位置における車両のオドメトリデータなどの追加データが捕捉される。時系列の長さに応
じて、追加のまたはより少ないデータが捕捉される。いくつかの実施形態では、タイムス
タンプが時系列の各要素に関連付けられる。
いくつかの実施形態では、レーンライン５０１および５１１のグラウンドトゥルース（
図示せず）が決定される。例えば、本明細書で開示されるプロセスを使用して、レーンラ
イン５０１および５１１の位置は、時系列の要素の異なる要素からレーンライン５０１お
よび５１１の異なる部分を識別することによって識別される。図示されている例では、部
分５０３および５１３は、ラベルＡの位置および時刻で取得された画像データ５００およ
び関連データ（オドメトリデータなど）を使用して識別される。部分５０５および５１５
は、ラベルＢの位置および時刻で取得された画像データ（図示せず）および関連データ（
オドメトリデータなど）を使用して識別される。部分５０７および５１７は、ラベルＣの
位置および時刻で取得された画像データ（図示せず）および関連データ（オドメトリデー
タなど）を使用して識別される。時系列の要素を分析することにより、レーンライン５０
１および５１１の異なる部分の位置が識別され、異なる識別された部分を組み合わせるこ
とによってグラウンドトゥルースが決定され得る。いくつかの実施形態では、部分は、レ
ーンラインの各部分に沿った点として識別される。図示の例では、プロセスを説明するた
めに各レーンラインの３つの部分のみが強調表示されている（レーンライン５０１の部分
５０３、５０５、および５０７ならびにレーンライン５１１の部分５１３、５１５、およ
び５１７）が、より高い解像度および／またはより高い精度でレーンラインの位置を決定
するために、追加の部分が時系列にわたって捕捉されてもよい。
図示せず）が決定される。例えば、本明細書で開示されるプロセスを使用して、レーンラ
イン５０１および５１１の位置は、時系列の要素の異なる要素からレーンライン５０１お
よび５１１の異なる部分を識別することによって識別される。図示されている例では、部
分５０３および５１３は、ラベルＡの位置および時刻で取得された画像データ５００およ
び関連データ（オドメトリデータなど）を使用して識別される。部分５０５および５１５
は、ラベルＢの位置および時刻で取得された画像データ（図示せず）および関連データ（
オドメトリデータなど）を使用して識別される。部分５０７および５１７は、ラベルＣの
位置および時刻で取得された画像データ（図示せず）および関連データ（オドメトリデー
タなど）を使用して識別される。時系列の要素を分析することにより、レーンライン５０
１および５１１の異なる部分の位置が識別され、異なる識別された部分を組み合わせるこ
とによってグラウンドトゥルースが決定され得る。いくつかの実施形態では、部分は、レ
ーンラインの各部分に沿った点として識別される。図示の例では、プロセスを説明するた
めに各レーンラインの３つの部分のみが強調表示されている（レーンライン５０１の部分
５０３、５０５、および５０７ならびにレーンライン５１１の部分５１３、５１５、およ
び５１７）が、より高い解像度および／またはより高い精度でレーンラインの位置を決定
するために、追加の部分が時系列にわたって捕捉されてもよい。
様々な実施形態では、レーンライン５０１および５１１を捕捉する画像データ内で、セ
ンサの位置に最も近い部分の位置は、高精度で決定される。例えば、部分５０３および５
１３の位置は、ラベルＡの画像データ５００および関連データ（オドメトリデータなど）
を使用して高精度で識別される。部分５０５および５１５の位置は、ラベルＢの画像デー
タおよび関連データを使用して高精度で識別される。部分５０７および５１７の位置は、
ラベルＣの画像データおよび関連データを使用して高精度で識別される。時系列の要素を
利用することにより、時系列によって捕捉されたレーンライン５０１および５１１の様々
な部分の位置を、３次元で高精度で識別し、レーンライン５０１および５１１のグラウン
ドトゥルースの基礎として使用することができる。様々な実施形態において、決定された
グラウンドトゥルースは、画像データ５００などの時系列の選択された要素に関連付けら
れる。グラウンドトゥルースおよび選択された要素は、レーンラインを予測するための訓
練データを作成するために使用され得る。いくつかの実施形態では、訓練データは、人間
のラベル付けなしで自動的に作成される。訓練データは、画像データ５００などの捕捉画
像データからレーンラインの３次元軌跡を予測するための機械学習モデルを訓練するため
に使用することができる。
ンサの位置に最も近い部分の位置は、高精度で決定される。例えば、部分５０３および５
１３の位置は、ラベルＡの画像データ５００および関連データ（オドメトリデータなど）
を使用して高精度で識別される。部分５０５および５１５の位置は、ラベルＢの画像デー
タおよび関連データを使用して高精度で識別される。部分５０７および５１７の位置は、
ラベルＣの画像データおよび関連データを使用して高精度で識別される。時系列の要素を
利用することにより、時系列によって捕捉されたレーンライン５０１および５１１の様々
な部分の位置を、３次元で高精度で識別し、レーンライン５０１および５１１のグラウン
ドトゥルースの基礎として使用することができる。様々な実施形態において、決定された
グラウンドトゥルースは、画像データ５００などの時系列の選択された要素に関連付けら
れる。グラウンドトゥルースおよび選択された要素は、レーンラインを予測するための訓
練データを作成するために使用され得る。いくつかの実施形態では、訓練データは、人間
のラベル付けなしで自動的に作成される。訓練データは、画像データ５００などの捕捉画
像データからレーンラインの３次元軌跡を予測するための機械学習モデルを訓練するため
に使用することができる。
図６は、レーンラインの予測された３次元軌跡を有する車両センサから捕捉された画像
の一例を示す図である。図示の例では、図６の画像は、２つのレーンラインの間のレーン
を走行する車両から捕捉された画像データ６００を含む。画像データ６００を捕捉するた
めに使用される車両およびセンサの位置は、ラベルＡによって表される。いくつかの実施
形態では、ラベルＡは、図５のラベルＡと同じ位置に対応する。画像データ６００はセン
サデータであり、運転中に車両の前向きカメラなどのカメラセンサから捕捉されてもよい
。画像データ６００は、レーンライン６０１、６１１の部分を捕捉する。レーンライン６
０１および６１１は、レーンライン６０１および６１１が水平線に近づくにつれて右に湾
曲する。図示されている例では、レーンライン６０１および６１１が見えているが、それ
らがカメラセンサの位置から離れて遠方に曲がるにつれて、検出がますます困難になる。
レーンライン６０１および６１１の上に描かれた赤い線は、レーンライン６０１および６
１１の予測された３次元軌跡である。本明細書で開示されるプロセスを使用して、３次元
軌跡は、訓練された機械学習モデルへの入力として画像データ６００を使用して予測され
る。いくつかの実施形態では、予測された３次元軌跡は、３次元パラメータ化スプライン
または別のパラメータ化表現形式として表される。
の一例を示す図である。図示の例では、図６の画像は、２つのレーンラインの間のレーン
を走行する車両から捕捉された画像データ６００を含む。画像データ６００を捕捉するた
めに使用される車両およびセンサの位置は、ラベルＡによって表される。いくつかの実施
形態では、ラベルＡは、図５のラベルＡと同じ位置に対応する。画像データ６００はセン
サデータであり、運転中に車両の前向きカメラなどのカメラセンサから捕捉されてもよい
。画像データ６００は、レーンライン６０１、６１１の部分を捕捉する。レーンライン６
０１および６１１は、レーンライン６０１および６１１が水平線に近づくにつれて右に湾
曲する。図示されている例では、レーンライン６０１および６１１が見えているが、それ
らがカメラセンサの位置から離れて遠方に曲がるにつれて、検出がますます困難になる。
レーンライン６０１および６１１の上に描かれた赤い線は、レーンライン６０１および６
１１の予測された３次元軌跡である。本明細書で開示されるプロセスを使用して、３次元
軌跡は、訓練された機械学習モデルへの入力として画像データ６００を使用して予測され
る。いくつかの実施形態では、予測された３次元軌跡は、３次元パラメータ化スプライン
または別のパラメータ化表現形式として表される。
図示の例では、レーンライン６０１および６１１の部分６２１は、距離が離れているレ
ーンライン６０１および６１１の一部である。レーンライン６０１および６１１の部分６
２１の３次元位置（すなわち、経度、緯度、および高度）は、本明細書に開示されたプロ
セスを使用して高精度で決定され、レーンライン６０１および６１１の予測３次元軌跡に
含まれる。訓練された機械学習モデルを使用して、画像データ６００を使用して、かつレ
ーンライン６０１および６１１の部分６２１の位置における位置データを必要とせずに、
レーンライン６０１および６１１の３次元軌跡を予測することができる。図示の例では、
画像データ６００は、ラベルＡの位置および時刻で捕捉される。
ーンライン６０１および６１１の一部である。レーンライン６０１および６１１の部分６
２１の３次元位置（すなわち、経度、緯度、および高度）は、本明細書に開示されたプロ
セスを使用して高精度で決定され、レーンライン６０１および６１１の予測３次元軌跡に
含まれる。訓練された機械学習モデルを使用して、画像データ６００を使用して、かつレ
ーンライン６０１および６１１の部分６２１の位置における位置データを必要とせずに、
レーンライン６０１および６１１の３次元軌跡を予測することができる。図示の例では、
画像データ６００は、ラベルＡの位置および時刻で捕捉される。
いくつかの実施形態では、図６のラベルＡは図５のラベルＡに対応し、レーンライン６
０１および６１１の予測３次元軌跡は、訓練された機械学習モデルへの入力として画像デ
ータ６００のみを使用して決定される。図５のラベルＡ、Ｂ、およびＣの位置で取得され
た要素を含む時系列の画像データおよび関連データを使用して決定されたグラウンドトゥ
ルースを使用して機械学習モデルを訓練することにより、レーンライン６０１および６１
１の３次元軌跡は、部分６２１などの離れたレーンラインの部分でさえも高い精度で予測
される。画像データ６００および図５の画像データ５００は関連しているが、軌跡の予測
は、画像データ６００が訓練データに含まれることを必要としない。十分な訓練データで
訓練することにより、新たに遭遇したシナリオでもレーンラインを予測することができる
。様々な実施形態では、レーンライン６０１および６１１の予測３次元軌跡は、検出され
たレーンライン内の車両の位置を維持するために、および／または予測レーンラインの検
出されたレーンに沿って車両を自律的にナビゲートするために使用される。３次元でレー
ンラインを予測することにより、ナビゲーションの性能、安全性、および精度が大幅に改
善される。
０１および６１１の予測３次元軌跡は、訓練された機械学習モデルへの入力として画像デ
ータ６００のみを使用して決定される。図５のラベルＡ、Ｂ、およびＣの位置で取得され
た要素を含む時系列の画像データおよび関連データを使用して決定されたグラウンドトゥ
ルースを使用して機械学習モデルを訓練することにより、レーンライン６０１および６１
１の３次元軌跡は、部分６２１などの離れたレーンラインの部分でさえも高い精度で予測
される。画像データ６００および図５の画像データ５００は関連しているが、軌跡の予測
は、画像データ６００が訓練データに含まれることを必要としない。十分な訓練データで
訓練することにより、新たに遭遇したシナリオでもレーンラインを予測することができる
。様々な実施形態では、レーンライン６０１および６１１の予測３次元軌跡は、検出され
たレーンライン内の車両の位置を維持するために、および／または予測レーンラインの検
出されたレーンに沿って車両を自律的にナビゲートするために使用される。３次元でレー
ンラインを予測することにより、ナビゲーションの性能、安全性、および精度が大幅に改
善される。
前述の実施形態は、理解を明確にするためにある程度詳細に説明されているが、本発明
は提供される詳細に限定されない。本発明を実施する多くの代替方法がある。開示された
実施形態は例示的なものであり、限定的なものではない。
は提供される詳細に限定されない。本発明を実施する多くの代替方法がある。開示された
実施形態は例示的なものであり、限定的なものではない。
Claims (20)
- プロセッサであって、
車両のカメラによって捕捉された画像に基づいて画像データを受信し、
機械学習特徴の３次元軌跡を予測するように訓練された、訓練済機械学習モデルへの
入力の基礎として前記画像データを使用し、
前記車両を自動的に制御する際、前記機械学習特徴の前記３次元軌跡を提供するよう
に構成された、プロセッサと、
前記プロセッサに結合され、前記プロセッサに命令を提供するように構成されたメモリ
と、を備える、システム。 - 前記機械学習特徴は、車両レーンラインに関連付けられる、請求項１に記載のシステム
。 - 前記車両レーンラインの前記３次元軌跡の部分が、前記画像データにおいて閉塞されて
いる、請求項２に記載のシステム。 - 前記プロセッサは、前記車両によって占有された車両レーンを識別するように前記車両
レーンラインを使用するようにさらに構成された、請求項２または３に記載のシステム。 - 車両レーンが運転可能空間を識別することに使用される、請求項２から４のいずれか一
項に記載のシステム。 - 識別された前記運転可能空間が、前記車両レーン内に前記車両を維持することに使用さ
れる、請求項５に記載のシステム。 - 前記車両の前記カメラは、前向きカメラ、横向きカメラ、または、後ろ向きカメラの少
なくとも１つを含む、請求項１から６のいずれか一項に記載のシステム。 - 予測された前記３次元軌跡は、複数の識別された潜在的な軌跡のうちの１つである、請
求項１から７のいずれか一項に記載のシステム。 - 予測された前記３次元軌跡は、前記複数の識別された潜在的な軌跡の中で最も高い出現
確率の値を有する、請求項８に記載のシステム。 - 前記訓練済機械学習モデルを訓練することに使用された訓練データは、時系列要素のグ
ループ内の選択された時系列要素を含む、請求項１から９のいずれか一項に記載のシステ
ム。 - 前記訓練データは、前記時系列要素のグループに関連付けられたオドメトリデータの関
連するセットをさらに含む、請求項１０に記載のシステム。 - 前記訓練セットの少なくとも一部は、対応するグラウンドトゥルースで自動的にラベル
付けされる、請求項１０または１１に記載のシステム。 - 前記車両の制御は、前記車両の速度および操舵を調整することを含む、請求項１から１
２のいずれか一項に記載のシステム。 - 前記３次元軌跡は、スプラインによって表される、請求項１から１３のいずれか一項に
記載のシステム。 - 前記３次元軌跡は、１以上の区分多項式によって表される、請求項１から１４のいずれ
か一項に記載のシステム。 - 前記機械学習特徴は、第２の車両の予測経路に関連付けられる、請求項１から１５のい
ずれか一項に記載のシステム。 - 前記第２の車両の前記予測経路は、自動的に制御されている前記車両によって占有され
たレーンに前記第２の車両が進入する可能性が高いかどうかを決定することに使用される
、請求項１６に記載のシステム。 - 前記車両の制御は、前記第２の車両との衝突を避けるように速度または操舵を調整する
ことを含む、請求項１７に記載のシステム。 - コンピュータプログラム製品であって、前記コンピュータプログラム製品は、非一時的
なコンピュータ可読記憶媒体に具現化され、かつ、
車両のカメラによって捕捉された画像に基づいて画像データを受信し、
車両レーンの３次元軌跡を予測するように訓練された、訓練済機械学習モデルへの入力
の基礎として前記画像データを使用し、
前記車両を自動的に制御する際、前記車両レーンの前記３次元軌跡を提供する、ための
コンピュータ命令を含む、コンピュータプログラム製品。 - 車両のカメラによって捕捉された画像に基づいて画像データを受信するステップと、
車両レーンの３次元軌跡を予測するように訓練された、訓練済の機械学習モデルへの入
力の基礎として前記画像データを使用するステップと、
前記車両を自動的に制御する際、前記車両レーンの前記３次元軌跡を提供するステップ
と、を含む方法。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/265,720 US11150664B2 (en) | 2019-02-01 | 2019-02-01 | Predicting three-dimensional features for autonomous driving |
| US16/265,720 | 2019-02-01 | ||
| JP2021544315A JP7374199B2 (ja) | 2019-02-01 | 2020-01-28 | 自動運転のための３次元特徴の予測のためのシステム、コンピュータプログラム製品および方法 |
| PCT/US2020/015383 WO2020159968A1 (en) | 2019-02-01 | 2020-01-28 | Predicting three-dimensional features for autonomous driving |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021544315A Division JP7374199B2 (ja) | 2019-02-01 | 2020-01-28 | 自動運転のための３次元特徴の予測のためのシステム、コンピュータプログラム製品および方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2024020237A true JP2024020237A (ja) | 2024-02-14 |
Family
ID=69726798
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021544315A Active JP7374199B2 (ja) | 2019-02-01 | 2020-01-28 | 自動運転のための３次元特徴の予測のためのシステム、コンピュータプログラム製品および方法 |
| JP2023182986A Pending JP2024020237A (ja) | 2019-02-01 | 2023-10-25 | 自動運転のための３次元特徴の予測 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021544315A Active JP7374199B2 (ja) | 2019-02-01 | 2020-01-28 | 自動運転のための３次元特徴の予測のためのシステム、コンピュータプログラム製品および方法 |
Country Status (10)
| Country | Link |
|---|---|
| US (3) | US11150664B2 (ja) |
| EP (1) | EP3918515A1 (ja) |
| JP (2) | JP7374199B2 (ja) |
| KR (2) | KR20240000658A (ja) |
| CN (1) | CN113646772A (ja) |
| AU (1) | AU2020216128A1 (ja) |
| CA (1) | CA3128028A1 (ja) |
| IL (2) | IL309731A (ja) |
| SG (1) | SG11202108324UA (ja) |
| WO (1) | WO2020159968A1 (ja) |
Families Citing this family (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018176000A1 (en) | 2017-03-23 | 2018-09-27 | DeepScale, Inc. | Data synthesis for autonomous control systems |
| US11157441B2 (en) | 2017-07-24 | 2021-10-26 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
| US10671349B2 (en) | 2017-07-24 | 2020-06-02 | Tesla, Inc. | Accelerated mathematical engine |
| US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
| US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
| US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
| US11215999B2 (en) | 2018-06-20 | 2022-01-04 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
| US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
| US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
| US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
| US11205093B2 (en) | 2018-10-11 | 2021-12-21 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
| US11196678B2 (en) | 2018-10-25 | 2021-12-07 | Tesla, Inc. | QOS manager for system on a chip communications |
| US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
| US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
| US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
| US10997461B2 (en) | 2019-02-01 | 2021-05-04 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
| US11150664B2 (en) | 2019-02-01 | 2021-10-19 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
| US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
| US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
| WO2020185234A1 (en) * | 2019-03-14 | 2020-09-17 | Hewlett-Packard Development Company, L.P. | Preprocessing sensor data for machine learning |
| US11983909B2 (en) | 2019-03-14 | 2024-05-14 | Hewlett-Packard Development Company, L.P. | Responding to machine learning requests from multiple clients |
| US11693417B2 (en) * | 2019-03-15 | 2023-07-04 | Volkswagen Aktiengesellschaft | Generating training data using simulated environments and training machine learning models for vehicle guidance |
| CN110069064B (zh) * | 2019-03-19 | 2021-01-29 | 驭势科技（北京）有限公司 | 一种自动驾驶系统升级的方法、自动驾驶系统及车载设备 |
| US11267476B2 (en) * | 2019-03-28 | 2022-03-08 | Baidu Usa Llc | Map-less and camera-based lane markings sampling method for level-3 autonomous driving vehicles |
| DE102019206581A1 (de) * | 2019-05-08 | 2020-11-12 | Conti Temic Microelectronic Gmbh | Verfahren zur Erzeugung eines Bildes einer Fahrzeugumgebung und Vorrichtung zur Erzeugung eines Bildes einer Fahrzeugumgebung |
| JP2021032563A (ja) * | 2019-08-13 | 2021-03-01 | ソニーセミコンダクタソリューションズ株式会社 | 装置、測定装置および測距システム |
| US11454967B2 (en) * | 2019-11-20 | 2022-09-27 | Verizon Patent And Licensing Inc. | Systems and methods for collecting vehicle data to train a machine learning model to identify a driving behavior or a vehicle issue |
| US11125575B2 (en) * | 2019-11-20 | 2021-09-21 | Here Global B.V. | Method and apparatus for estimating a location of a vehicle |
| US20210239828A1 (en) * | 2020-02-03 | 2021-08-05 | Veev Group, Inc. | System, method and computer program product for improved radar-based object recognition |
| DE102020004192B4 (de) * | 2020-07-13 | 2022-08-04 | Daimler Truck AG | Verfahren zur Kommunikation eines zumindest teilweise autonom fahrenden Kraftfahrzeugs und einem Fußgänger mittels eines Systems, sowie System |
| US11654933B2 (en) * | 2020-11-10 | 2023-05-23 | GM Global Technology Operations LLC | Navigation trajectory using reinforcement learning for an ego vehicle in a navigation network |
| CN114572275A (zh) * | 2020-12-02 | 2022-06-03 | 晋城三赢精密电子有限公司 | 车辆行车辅助方法、车载装置、车辆及存储介质 |
| CN112706785B (zh) * | 2021-01-29 | 2023-03-28 | 重庆长安汽车股份有限公司 | 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 |
| US20230003872A1 (en) * | 2021-06-30 | 2023-01-05 | Zoox, Inc. | Tracking objects with radar data |
| US20230053785A1 (en) * | 2021-08-19 | 2023-02-23 | Tesla, Inc. | Vision-based machine learning model for aggregation of static objects and systems for autonomous driving |
| US12097862B2 (en) * | 2021-09-17 | 2024-09-24 | Honda Motor Co., Ltd. | System and method for automated merging |
| US11972614B2 (en) * | 2021-11-09 | 2024-04-30 | Zoox, Inc. | Machine-learned architecture for efficient object attribute and/or intention classification |
| KR102433544B1 (ko) * | 2022-01-14 | 2022-08-18 | 주식회사 카비 | 순차 영상 분석을 통한 차량경로 복원 시스템 및 이를 이용한 차량경로 복원 방법 |
Family Cites Families (835)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2578262Y2 (ja) | 1991-07-31 | 1998-08-06 | エルナー株式会社 | 座付き偏平形電解コンデンサ及びこれに用いる座板材 |
| US6587573B1 (en) | 2000-03-20 | 2003-07-01 | Gentex Corporation | System for controlling exterior vehicle lights |
| JP3941252B2 (ja) | 1998-08-07 | 2007-07-04 | マツダ株式会社 | 車両の位置検出装置 |
| KR100326702B1 (ko) | 1999-03-16 | 2002-03-12 | 이계안 | 차선이탈 경보장치의 실 도로폭 산출방법 |
| US6654507B2 (en) | 2000-12-14 | 2003-11-25 | Eastman Kodak Company | Automatically producing an image of a portion of a photographic image |
| GB2370438A (en) | 2000-12-22 | 2002-06-26 | Hewlett Packard Co | Automated image cropping using selected compositional rules. |
| KR100440953B1 (ko) | 2001-08-18 | 2004-07-21 | 삼성전자주식회사 | 영상 압축 비트 스트림의 트랜스코딩 방법 |
| US6882755B2 (en) | 2001-10-19 | 2005-04-19 | Hewlett-Packard Development Company, L.P. | Image transmission for low bandwidth with region of interest |
| JP3822515B2 (ja) | 2002-03-29 | 2006-09-20 | 株式会社東芝 | 障害物検知装置及びその方法 |
| DE602004017138D1 (de) | 2003-02-21 | 2008-11-27 | Gentex Corp | Automatische fahrzeugaussenlicht-überwachungssystem-konstruktionen |
| SE526424C2 (sv) | 2003-06-02 | 2005-09-13 | Lear Corp | Aktivt mörkerseendesystem för ett inre passagerarutrymme hos ett fordon samt metod för att styra nämnda system |
| US20060280364A1 (en) | 2003-08-07 | 2006-12-14 | Matsushita Electric Industrial Co., Ltd. | Automatic image cropping system and method for use with portable devices equipped with digital cameras |
| JP4300098B2 (ja) | 2003-11-13 | 2009-07-22 | 日本電信電話株式会社 | オブジェクト識別方法とその装置、プログラム及び記録媒体 |
| US20050162445A1 (en) | 2004-01-22 | 2005-07-28 | Lumapix | Method and system for interactive cropping of a graphical object within a containing region |
| US20060072847A1 (en) | 2004-10-01 | 2006-04-06 | Microsoft Corporation | System for automatic image cropping based on image saliency |
| JP4282583B2 (ja) | 2004-10-29 | 2009-06-24 | シャープ株式会社 | 動画編集装置及び方法 |
| US8913830B2 (en) | 2005-01-18 | 2014-12-16 | Siemens Aktiengesellschaft | Multilevel image segmentation |
| TW200630834A (en) | 2005-02-23 | 2006-09-01 | Northern Taiwan Inst Of Science And Technology | Method and device using intelligent theory to evaluate permeability of heat pipe |
| TW200630833A (en) | 2005-02-23 | 2006-09-01 | Northern Taiwan Inst Of Science And Technology | Method and device using intelligent theory to design heat dissipation opening of computer housing |
| TW200630819A (en) | 2005-02-23 | 2006-09-01 | Northern Taiwan Inst Of Science And Technology | Method of using intelligent theory to design heat dissipation module and device thereof |
| US20060224533A1 (en) | 2005-03-14 | 2006-10-05 | Thaler Stephen L | Neural network development and data analysis tool |
| US8106956B2 (en) | 2005-06-27 | 2012-01-31 | Nokia Corporation | Digital camera devices and methods for implementing digital zoom in digital camera devices and corresponding program products |
| US7747070B2 (en) | 2005-08-31 | 2010-06-29 | Microsoft Corporation | Training convolutional neural networks on graphics processing units |
| JP4388939B2 (ja) | 2006-09-25 | 2009-12-24 | 富士フイルム株式会社 | 画像再生装置ならびにその制御方法およびその制御プログラム |
| US11625761B2 (en) | 2007-09-06 | 2023-04-11 | Mohammad A. Mazed | System and method for machine learning and augmented reality based user application |
| US20090016571A1 (en) | 2007-03-30 | 2009-01-15 | Louis Tijerina | Blur display for automotive night vision systems with enhanced form perception from low-resolution camera images |
| US7904867B2 (en) | 2007-04-04 | 2011-03-08 | Synopsys, Inc. | Integrating a boolean SAT solver into a router |
| US8165380B2 (en) | 2008-09-11 | 2012-04-24 | PACSPLUS Co., Ltd. | Method, apparatus and program for processing mammographic image |
| JP2010114731A (ja) | 2008-11-07 | 2010-05-20 | Toshiba Corp | カメラモジュールの製造方法 |
| CN101742324A (zh) | 2008-11-14 | 2010-06-16 | 北京中星微电子有限公司 | 视频编解码方法、视频编解码系统及编解码器 |
| KR100966288B1 (ko) | 2009-01-06 | 2010-06-28 | 주식회사 이미지넥스트 | 주변 영상 생성 방법 및 장치 |
| KR101082878B1 (ko) | 2009-01-29 | 2011-11-11 | 연세대학교 산학협력단 | 홍채 영상 복원 방법 |
| CN101477692B (zh) | 2009-02-13 | 2012-08-22 | 阿里巴巴集团控股有限公司 | 图像特征提取方法及装置 |
| US8284997B2 (en) | 2009-03-11 | 2012-10-09 | Honeywell International Inc. | Vision-based vehicle navigation system and method |
| US20120110491A1 (en) | 2009-04-27 | 2012-05-03 | Vincent Charles Cheung | Method, system and computer product for distribution of data objects |
| US8406515B2 (en) | 2009-06-24 | 2013-03-26 | Hewlett-Packard Development Company, L.P. | Method for automatically cropping digital images |
| WO2011018759A1 (en) | 2009-08-11 | 2011-02-17 | Koninklijke Philips Electronics N.V. | Method and apparatus for providing an image for display |
| US8447139B2 (en) | 2010-04-13 | 2013-05-21 | International Business Machines Corporation | Object recognition using Haar features and histograms of oriented gradients |
| JP5503419B2 (ja) | 2010-06-03 | 2014-05-28 | 株式会社日立製作所 | 無人搬送車および走行制御方法 |
| US10645344B2 (en) | 2010-09-10 | 2020-05-05 | Avigilion Analytics Corporation | Video system with intelligent visual display |
| US8509982B2 (en) | 2010-10-05 | 2013-08-13 | Google Inc. | Zone driving |
| JP5656563B2 (ja) | 2010-11-02 | 2015-01-21 | キヤノン株式会社 | 文書管理システム、文書管理システムの制御方法、プログラム |
| JP5170226B2 (ja) | 2010-12-10 | 2013-03-27 | カシオ計算機株式会社 | 画像処理装置、画像処理方法、及びプログラム |
| EP2723069B1 (en) | 2011-06-16 | 2017-10-18 | Aisin Seiki Kabushiki Kaisha | Vehicle periphery monitoring device |
| JP5911165B2 (ja) | 2011-08-05 | 2016-04-27 | 株式会社メガチップス | 画像認識装置 |
| WO2013029008A1 (en) | 2011-08-25 | 2013-02-28 | Cornell University | Retinal encoder for machine vision |
| US8773498B2 (en) | 2011-09-30 | 2014-07-08 | Polycom, Inc. | Background compression and resolution enhancement technique for video telephony and video conferencing |
| US8588470B2 (en) | 2011-11-18 | 2013-11-19 | Xerox Corporation | Methods and systems for improved license plate signature matching by similarity learning on synthetic images |
| JP5863536B2 (ja) | 2012-03-29 | 2016-02-16 | 富士重工業株式会社 | 車外監視装置 |
| WO2013145015A1 (ja) | 2012-03-29 | 2013-10-03 | トヨタ自動車株式会社 | 路面状態推定装置 |
| US9738223B2 (en) | 2012-05-31 | 2017-08-22 | GM Global Technology Operations LLC | Dynamic guideline overlay with image cropping |
| US8976269B2 (en) | 2012-06-22 | 2015-03-10 | California Institute Of Technology | Compressive sensing based bio-inspired shape feature detection CMOS imager |
| US9008422B2 (en) | 2012-06-28 | 2015-04-14 | Lexmark International, Inc. | Methods of content-driven image cropping |
| JP6044134B2 (ja) | 2012-06-29 | 2016-12-14 | カシオ計算機株式会社 | 最適画像サイズによる画像領域分割装置、方法、およびプログラム |
| CN102737236B (zh) | 2012-07-06 | 2015-06-24 | 北京大学 | 一种基于多模态传感器数据自动获取车辆训练样本方法 |
| JP6011104B2 (ja) | 2012-07-24 | 2016-10-19 | 株式会社デンソー | 車両用視界支援装置 |
| US9081385B1 (en) | 2012-12-21 | 2015-07-14 | Google Inc. | Lane boundary detection using images |
| US9754154B2 (en) | 2013-02-15 | 2017-09-05 | Microsoft Technology Licensing, Llc | Identification using depth-based head-detection data |
| WO2014134550A1 (en) | 2013-02-28 | 2014-09-04 | Auxogyn, Inc. | Apparatus, method, and system for image-based human embryo cell classification |
| US9165203B2 (en) | 2013-03-15 | 2015-10-20 | Arris Technology, Inc. | Legibility enhancement for a logo, text or other region of interest in video |
| CN103236037B (zh) | 2013-04-03 | 2016-05-11 | 北京航空航天大学 | 基于分层退化模型的无人机实时图像模拟方法 |
| JP2015004922A (ja) | 2013-06-24 | 2015-01-08 | 株式会社ニコン | 焦点調節装置及び撮像装置 |
| CN103366339B (zh) | 2013-06-25 | 2017-11-28 | 厦门龙谛信息系统有限公司 | 车载多广角摄像头图像合成处理装置及方法 |
| GB2518589B (en) | 2013-07-30 | 2019-12-11 | Holition Ltd | Image processing |
| US9317775B2 (en) | 2013-08-14 | 2016-04-19 | Ricoh Co., Ltd. | Recognition procedure for identifying multiple items in images |
| CN103500322B (zh) | 2013-09-10 | 2016-08-17 | 北京航空航天大学 | 基于低空航拍图像的车道线自动识别方法 |
| US20150104102A1 (en) | 2013-10-11 | 2015-04-16 | Universidade De Coimbra | Semantic segmentation method with second-order pooling |
| US10832057B2 (en) | 2014-02-28 | 2020-11-10 | Second Spectrum, Inc. | Methods, systems, and user interface navigation of video content based spatiotemporal pattern recognition |
| US10769446B2 (en) | 2014-02-28 | 2020-09-08 | Second Spectrum, Inc. | Methods and systems of combining video content with one or more augmentations |
| WO2015134996A1 (en) | 2014-03-07 | 2015-09-11 | Pelican Imaging Corporation | System and methods for depth regularization and semiautomatic interactive matting using rgb-d images |
| US9275289B2 (en) | 2014-03-27 | 2016-03-01 | Xerox Corporation | Feature- and classifier-based vehicle headlight/shadow removal in video |
| US9384402B1 (en) | 2014-04-10 | 2016-07-05 | Google Inc. | Image and video compression for remote vehicle assistance |
| EP2942765B1 (en) * | 2014-05-07 | 2018-12-26 | Honda Research Institute Europe GmbH | Method and system for predictive lane change assistance, program software product and vehicle |
| JP2016013793A (ja) | 2014-07-03 | 2016-01-28 | 株式会社デンソー | 画像表示装置、画像表示方法 |
| SG10201405182WA (en) | 2014-08-25 | 2016-03-30 | Univ Singapore Technology & Design | Method and system |
| WO2016048108A1 (en) | 2014-09-26 | 2016-03-31 | Samsung Electronics Co., Ltd. | Image processing apparatus and image processing method |
| US20160132786A1 (en) | 2014-11-12 | 2016-05-12 | Alexandru Balan | Partitioning data for training machine-learning classifiers |
| CN105809655B (zh) | 2014-12-30 | 2021-06-29 | 清华大学 | 车辆检查方法和系统 |
| US9916540B2 (en) | 2015-01-22 | 2018-03-13 | Microsoft Technology Licensing, Llc | Scalable-effort classifiers for energy-efficient machine learning |
| EP3845427A1 (en) | 2015-02-10 | 2021-07-07 | Mobileye Vision Technologies Ltd. | Sparse map for autonomous vehicle navigation |
| WO2016156236A1 (en) * | 2015-03-31 | 2016-10-06 | Sony Corporation | Method and electronic device |
| JP6525707B2 (ja) | 2015-04-23 | 2019-06-05 | キヤノン株式会社 | 画像処理装置、その制御方法及びプログラム、並びに撮像装置 |
| CN104835114A (zh) | 2015-05-06 | 2015-08-12 | 山东大学 | 一种图像自适应显示方法 |
| US9542751B2 (en) | 2015-05-08 | 2017-01-10 | Qualcomm Incorporated | Systems and methods for reducing a plurality of bounding regions |
| GB201508074D0 (en) | 2015-05-12 | 2015-06-24 | Apical Ltd | People detection |
| WO2016207875A1 (en) | 2015-06-22 | 2016-12-29 | Photomyne Ltd. | System and method for detecting objects in an image |
| US10062010B2 (en) | 2015-06-26 | 2018-08-28 | Intel Corporation | System for building a map and subsequent localization |
| US10410096B2 (en) | 2015-07-09 | 2019-09-10 | Qualcomm Incorporated | Context-based priors for object detection in images |
| WO2017022908A1 (ko) | 2015-08-04 | 2017-02-09 | 재단법인 아산사회복지재단 | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 |
| US9767565B2 (en) | 2015-08-26 | 2017-09-19 | Digitalglobe, Inc. | Synthesizing training data for broad area geospatial object detection |
| KR101738422B1 (ko) | 2015-09-14 | 2017-05-23 | 한국과학기술원 | 다종 센서 기반 시각 신경 회로 장치 및 이를 이용한 객체 탐색 시스템, 방법 |
| US9442496B1 (en) | 2015-09-18 | 2016-09-13 | Amazon Technologies, Inc. | Active airborne noise abatement |
| US10282623B1 (en) | 2015-09-25 | 2019-05-07 | Apple Inc. | Depth perception sensor data processing |
| US9704045B2 (en) | 2015-10-06 | 2017-07-11 | Yahoo! Inc. | User classification based upon images |
| US11250335B2 (en) | 2015-10-26 | 2022-02-15 | NetraDyne, Inc. | Joint processing for embedded data inference |
| CN105318888B (zh) | 2015-12-07 | 2018-08-14 | 北京航空航天大学 | 基于无人机感知的无人驾驶车辆路径规划方法 |
| CN105550701B (zh) | 2015-12-09 | 2018-11-06 | 福州华鹰重工机械有限公司 | 实时图像提取识别方法及装置 |
| US10318848B2 (en) | 2015-12-15 | 2019-06-11 | Qualcomm Incorporated | Methods for object localization and image classification |
| US11184531B2 (en) | 2015-12-21 | 2021-11-23 | Robert Bosch Gmbh | Dynamic image blending for multiple-camera vehicle systems |
| US10769518B1 (en) | 2015-12-29 | 2020-09-08 | State Farm Mutual Automobile Insurance Company | Method of controlling for undesired factors in machine learning models |
| US10373019B2 (en) | 2016-01-13 | 2019-08-06 | Ford Global Technologies, Llc | Low- and high-fidelity classifiers applied to road-scene images |
| US20170206434A1 (en) | 2016-01-14 | 2017-07-20 | Ford Global Technologies, Llc | Low- and high-fidelity classifiers applied to road-scene images |
| EP3413798A1 (en) | 2016-02-08 | 2018-12-19 | Nuralogix Corporation | Deception detection system and method |
| CN108701118B (zh) | 2016-02-11 | 2022-06-24 | 电子湾有限公司 | 语义类别分类 |
| GB2548087B (en) | 2016-03-02 | 2022-05-11 | Holition Ltd | Locating and augmenting object features in images |
| WO2017158622A2 (en) | 2016-03-16 | 2017-09-21 | INDIAN INSTITUTE OF TECHNOLOGY MADRAS (IIT Madras) | Method for managing image data at electronic device |
| EP3229172A1 (en) | 2016-04-04 | 2017-10-11 | Conti Temic microelectronic GmbH | Driver assistance system with variable image resolution |
| US10789544B2 (en) | 2016-04-05 | 2020-09-29 | Google Llc | Batching inputs to a machine learning model |
| US11507064B2 (en) | 2016-05-09 | 2022-11-22 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for industrial internet of things data collection in downstream oil and gas environment |
| WO2019216975A1 (en) | 2018-05-07 | 2019-11-14 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
| US10366290B2 (en) | 2016-05-11 | 2019-07-30 | Baidu Usa Llc | System and method for providing augmented virtual reality content in autonomous vehicles |
| FR3051275A1 (fr) | 2016-05-13 | 2017-11-17 | Inst Vedecom | Procede de traitement d’image pour la reconnaissance de marquage au sol et systeme pour la detection du marquage au sol |
| JP6736691B2 (ja) | 2016-06-13 | 2020-08-05 | グーグル エルエルシー | 人間のオペレータへのエスカレーション |
| US10019009B2 (en) | 2016-06-15 | 2018-07-10 | Allstate Insurance Company | Vehicle control systems |
| EP3475778B1 (en) | 2016-06-28 | 2024-07-10 | Cognata Ltd. | Realistic 3d virtual world creation and simulation for training automated driving systems |
| US10739786B2 (en) | 2016-07-01 | 2020-08-11 | Uatc, Llc | System and method for managing submaps for controlling autonomous vehicles |
| US11298072B2 (en) | 2016-07-01 | 2022-04-12 | Bostel Technologies, Llc | Dermoscopy diagnosis of cancerous lesions utilizing dual deep learning algorithms via visual and audio (sonification) outputs |
| WO2018013495A1 (en) | 2016-07-11 | 2018-01-18 | Gravity Jack, Inc. | Augmented reality methods and devices |
| AU2017300259A1 (en) | 2016-07-18 | 2019-02-14 | Nant Holdings Ip, Llc | Distributed machine learning systems, apparatus, and methods |
| US10558222B2 (en) | 2016-07-21 | 2020-02-11 | Mobileye Vision Technologies Ltd. | Navigating a vehicle using a crowdsourced sparse map |
| CN106295678B (zh) | 2016-07-27 | 2020-03-06 | 北京旷视科技有限公司 | 神经网络训练与构建方法和装置以及目标检测方法和装置 |
| CN106156754B (zh) | 2016-07-29 | 2019-05-31 | 浙江工业大学 | 一种基于最大外切矩阵感兴趣区域提取和双边滤波的手指多模态预处理方法 |
| US20180039853A1 (en) | 2016-08-02 | 2018-02-08 | Mitsubishi Electric Research Laboratories, Inc. | Object Detection System and Object Detection Method |
| US10664750B2 (en) | 2016-08-10 | 2020-05-26 | Google Llc | Deep machine learning to predict and prevent adverse conditions at structural assets |
| KR102462502B1 (ko) | 2016-08-16 | 2022-11-02 | 삼성전자주식회사 | 스테레오 카메라 기반의 자율 주행 방법 및 그 장치 |
| DE112016002817T5 (de) | 2016-08-24 | 2018-04-26 | Google Inc. | Änderungserfassungbasiertes bildaufnahme-beauftragungssystem |
| US10019655B2 (en) | 2016-08-31 | 2018-07-10 | Adobe Systems Incorporated | Deep-learning network architecture for object detection |
| US10394237B2 (en) | 2016-09-08 | 2019-08-27 | Ford Global Technologies, Llc | Perceiving roadway conditions from fused sensor data |
| US20180068459A1 (en) | 2016-09-08 | 2018-03-08 | Ford Global Technologies, Llc | Object Distance Estimation Using Data From A Single Camera |
| US10317901B2 (en) | 2016-09-08 | 2019-06-11 | Mentor Graphics Development (Deutschland) Gmbh | Low-level sensor fusion |
| US10467459B2 (en) | 2016-09-09 | 2019-11-05 | Microsoft Technology Licensing, Llc | Object detection based on joint feature extraction |
| CN106419893A (zh) | 2016-09-18 | 2017-02-22 | 广州视源电子科技股份有限公司 | 睡眠状态检测方法和装置 |
| US10133273B2 (en) | 2016-09-20 | 2018-11-20 | 2236008 Ontario Inc. | Location specific assistance for autonomous vehicle control system |
| GB201616097D0 (en) | 2016-09-21 | 2016-11-02 | Univ Oxford Innovation Ltd | Segmentation of path proposals |
| EP3485337B1 (en) | 2016-09-23 | 2020-10-21 | Apple Inc. | Decision making for autonomous vehicle motion control |
| US11544539B2 (en) | 2016-09-29 | 2023-01-03 | Tsinghua University | Hardware neural network conversion method, computing device, compiling method and neural network software and hardware collaboration system |
| CN106650922B (zh) | 2016-09-29 | 2019-05-03 | 清华大学 | 硬件神经网络转换方法、计算装置、软硬件协作系统 |
| US10514711B2 (en) | 2016-10-09 | 2019-12-24 | Airspace Systems, Inc. | Flight control using computer vision |
| KR101851155B1 (ko) | 2016-10-12 | 2018-06-04 | 현대자동차주식회사 | 자율 주행 제어 장치, 그를 가지는 차량 및 그 제어 방법 |
| CN106504253A (zh) | 2016-10-14 | 2017-03-15 | 国政通科技股份有限公司 | 一种医疗影像照片的处理方法及系统 |
| CN107031600A (zh) | 2016-10-19 | 2017-08-11 | 东风汽车公司 | 基于高速公路的自动驾驶系统 |
| US10346723B2 (en) | 2016-11-01 | 2019-07-09 | Snap Inc. | Neural network for object detection in images |
| KR102156597B1 (ko) | 2016-11-03 | 2020-09-16 | 후아웨이 테크놀러지 컴퍼니 리미티드 | 광학 촬영 방법 및 장치 |
| US9989964B2 (en) | 2016-11-03 | 2018-06-05 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling vehicle using neural network |
| US10289934B2 (en) | 2016-11-08 | 2019-05-14 | Nec Corporation | Landmark localization on objects in images using convolutional neural networks |
| CN106598226B (zh) | 2016-11-16 | 2019-05-21 | 天津大学 | 一种基于双目视觉和深度学习的无人机人机交互方法 |
| WO2018092071A1 (en) | 2016-11-16 | 2018-05-24 | Navix International Limited | Estimators for ablation effectiveness |
| US9940729B1 (en) * | 2016-11-18 | 2018-04-10 | Here Global B.V. | Detection of invariant features for localization |
| US10650071B2 (en) | 2016-11-28 | 2020-05-12 | Google Llc | Search and retrieval of keyed data maintained using a keyed database |
| CN108122234B (zh) | 2016-11-29 | 2021-05-04 | 北京市商汤科技开发有限公司 | 卷积神经网络训练及视频处理方法、装置和电子设备 |
| CN106558058B (zh) | 2016-11-29 | 2020-10-09 | 北京图森未来科技有限公司 | 分割模型训练方法、道路分割方法、车辆控制方法及装置 |
| US10699119B2 (en) | 2016-12-02 | 2020-06-30 | GEOSAT Aerospace & Technology | Methods and systems for automatic object detection from aerial imagery |
| US10529088B2 (en) | 2016-12-02 | 2020-01-07 | Gabriel Fine | Automatically determining orientation and position of medically invasive devices via image processing |
| US10380741B2 (en) | 2016-12-07 | 2019-08-13 | Samsung Electronics Co., Ltd | System and method for a deep learning machine for object detection |
| KR20180068511A (ko) | 2016-12-14 | 2018-06-22 | 삼성전자주식회사 | 영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법 |
| US11593632B2 (en) | 2016-12-15 | 2023-02-28 | WaveOne Inc. | Deep learning based on image encoding and decoding |
| WO2018126215A1 (en) | 2016-12-30 | 2018-07-05 | DeepMap Inc. | High definition map updates |
| US10474164B2 (en) | 2016-12-30 | 2019-11-12 | DeepMap Inc. | Representing navigable surface boundaries of lanes in high definition maps for autonomous vehicles |
| US10262218B2 (en) | 2017-01-03 | 2019-04-16 | Qualcomm Incorporated | Simultaneous object detection and rigid transform estimation using neural network |
| US10228693B2 (en) | 2017-01-13 | 2019-03-12 | Ford Global Technologies, Llc | Generating simulated sensor data for training and validation of detection models |
| US10192016B2 (en) | 2017-01-17 | 2019-01-29 | Xilinx, Inc. | Neural network based physical synthesis for circuit designs |
| WO2018135869A1 (ko) * | 2017-01-19 | 2018-07-26 | 주식회사 만도 | 지능형 운전자 보조 시스템을 위한 카메라 시스템, 및 운전자 보조 시스템 및 방법 |
| US20180211403A1 (en) | 2017-01-20 | 2018-07-26 | Ford Global Technologies, Llc | Recurrent Deep Convolutional Neural Network For Object Detection |
| US10740563B2 (en) | 2017-02-03 | 2020-08-11 | Benedict R. Dugan | System and methods for text classification |
| CN106779060B (zh) | 2017-02-09 | 2019-03-08 | 武汉魅瞳科技有限公司 | 一种适于硬件设计实现的深度卷积神经网络的计算方法 |
| JP2018136803A (ja) | 2017-02-23 | 2018-08-30 | 株式会社日立製作所 | 画像認識システム |
| US10359783B2 (en) | 2017-02-28 | 2019-07-23 | Warfarer, Inc. | Transportation system |
| US11663450B2 (en) | 2017-02-28 | 2023-05-30 | Microsoft Technology Licensing, Llc | Neural network processing with chained instructions |
| US10146225B2 (en) | 2017-03-02 | 2018-12-04 | GM Global Technology Operations LLC | Systems and methods for vehicle dimension prediction |
| US10733482B1 (en) | 2017-03-08 | 2020-08-04 | Zoox, Inc. | Object height estimation from monocular images |
| US10311312B2 (en) | 2017-08-31 | 2019-06-04 | TuSimple | System and method for vehicle occlusion detection |
| US10671873B2 (en) | 2017-03-10 | 2020-06-02 | Tusimple, Inc. | System and method for vehicle wheel detection |
| JP6665819B2 (ja) | 2017-03-17 | 2020-03-13 | トヨタ自動車株式会社 | 車載表示装置 |
| WO2018175441A1 (en) | 2017-03-20 | 2018-09-27 | Mobileye Vision Technologies Ltd. | Navigation by augmented path prediction |
| US10692000B2 (en) | 2017-03-20 | 2020-06-23 | Sap Se | Training machine learning models |
| CN107103113B (zh) | 2017-03-23 | 2019-01-11 | 中国科学院计算技术研究所 | 面向神经网络处理器的自动化设计方法、装置及优化方法 |
| WO2018176000A1 (en) | 2017-03-23 | 2018-09-27 | DeepScale, Inc. | Data synthesis for autonomous control systems |
| JP6658643B2 (ja) | 2017-03-24 | 2020-03-04 | トヨタ自動車株式会社 | 車両用視認装置 |
| US9965865B1 (en) | 2017-03-29 | 2018-05-08 | Amazon Technologies, Inc. | Image data segmentation using depth data |
| US10248121B2 (en) | 2017-03-31 | 2019-04-02 | Uber Technologies, Inc. | Machine-learning based autonomous vehicle management system |
| US10733876B2 (en) | 2017-04-05 | 2020-08-04 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
| US10296828B2 (en) | 2017-04-05 | 2019-05-21 | Here Global B.V. | Learning a similarity measure for vision-based localization on a high definition (HD) map |
| DE202017102235U1 (de) | 2017-04-13 | 2017-05-12 | Robert Bosch Gmbh | Trainingssystem |
| DE202017102238U1 (de) | 2017-04-13 | 2017-05-12 | Robert Bosch Gmbh | Aktorsteuerungssystem |
| US10303961B1 (en) | 2017-04-13 | 2019-05-28 | Zoox, Inc. | Object detection and passenger notification |
| US10346454B2 (en) | 2017-04-17 | 2019-07-09 | Mammoth Medical, Llc | System and method for automated multi-dimensional network management |
| US11361758B2 (en) | 2017-04-18 | 2022-06-14 | D5Ai Llc | Multi-stage machine learning and recognition |
| DE102018200724A1 (de) | 2017-04-19 | 2018-10-25 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Verbessern der Robustheit gegen "Adversarial Examples" |
| CN107169560B (zh) | 2017-04-19 | 2020-10-16 | 清华大学 | 一种自适应可重构的深度卷积神经网络计算方法和装置 |
| CN107169421B (zh) | 2017-04-20 | 2020-04-28 | 华南理工大学 | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 |
| DE202017102381U1 (de) | 2017-04-21 | 2017-05-11 | Robert Bosch Gmbh | Vorrichtung zum Verbessern der Robustheit gegen "Adversarial Examples" |
| WO2018200541A1 (en) | 2017-04-24 | 2018-11-01 | Carnegie Mellon University | Virtual sensor system |
| US10460053B2 (en) | 2017-04-24 | 2019-10-29 | Toyota Research Institute, Inc. | Systems and methods for surface property identification using waveform classification |
| US10108867B1 (en) | 2017-04-25 | 2018-10-23 | Uber Technologies, Inc. | Image-based pedestrian detection |
| CN107133943B (zh) | 2017-04-26 | 2018-07-06 | 贵州电网有限责任公司输电运行检修分公司 | 一种防震锤缺陷检测的视觉检测方法 |
| US10318794B2 (en) | 2017-04-28 | 2019-06-11 | Microsoft Technology Licensing, Llc | Intelligent auto cropping of digital images |
| US10838936B2 (en) | 2017-05-12 | 2020-11-17 | Harris Lee Cohen | Computer-implemented methods, computer readable medium and systems for generating an orchard data model for a precision agriculture platform |
| KR102060662B1 (ko) * | 2017-05-16 | 2019-12-30 | 삼성전자주식회사 | 차량의 주행 이벤트를 검출하는 전자 장치 및 방법 |
| US10372130B1 (en) | 2017-05-19 | 2019-08-06 | Zoox, Inc. | Communicating reasons for vehicle actions |
| US20180374105A1 (en) | 2017-05-26 | 2018-12-27 | Get Attached, Inc. | Leveraging an intermediate machine learning analysis |
| US11436539B2 (en) | 2017-05-26 | 2022-09-06 | Google Llc | Vehicle map service system |
| US10310087B2 (en) | 2017-05-31 | 2019-06-04 | Uber Technologies, Inc. | Range-view LIDAR-based object detection |
| US11983641B2 (en) | 2017-06-05 | 2024-05-14 | Umajin Inc. | Asset tracking system and methods |
| US10751879B2 (en) | 2017-06-05 | 2020-08-25 | Autodesk, Inc. | Adapting simulation data to real-world conditions encountered by physical processes |
| US11361243B2 (en) | 2017-06-07 | 2022-06-14 | Accenture Global Solutions Limited | Recommending machine learning techniques, features, and feature relevance scores |
| US10853739B2 (en) | 2017-06-09 | 2020-12-01 | Sap Se | Machine learning models for evaluating entities in a high-volume computer network |
| CN108229526B (zh) | 2017-06-16 | 2020-09-29 | 北京市商汤科技开发有限公司 | 网络训练、图像处理方法、装置、存储介质和电子设备 |
| US10007269B1 (en) | 2017-06-23 | 2018-06-26 | Uber Technologies, Inc. | Collision-avoidance system for autonomous-capable vehicle |
| JP2019008519A (ja) | 2017-06-23 | 2019-01-17 | 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 | 移動体検出方法、移動体学習方法、移動体検出装置、移動体学習装置、移動体検出システム、および、プログラム |
| WO2019005547A1 (en) | 2017-06-28 | 2019-01-03 | Panasonic Intellectual Property Corporation Of America | MOBILE BODY CONTROL APPARATUS, MOBILE BODY CONTROL METHOD, AND LEARNING METHOD |
| US10567674B2 (en) | 2017-06-30 | 2020-02-18 | Harman International Industries, Incorporated | Systems and methods for detecting objects in imaging systems |
| CN109215067B (zh) | 2017-07-03 | 2023-03-10 | 百度（美国）有限责任公司 | 基于cnn和crf模型生成高分辨率3-d点云 |
| US10474161B2 (en) | 2017-07-03 | 2019-11-12 | Baidu Usa Llc | High resolution 3D point clouds generation from upsampled low resolution lidar 3D point clouds and camera images |
| US10474160B2 (en) | 2017-07-03 | 2019-11-12 | Baidu Usa Llc | High resolution 3D point clouds generation from downsampled low resolution LIDAR 3D point clouds and camera images |
| US10671082B2 (en) | 2017-07-03 | 2020-06-02 | Baidu Usa Llc | High resolution 3D point clouds generation based on CNN and CRF models |
| US10402687B2 (en) | 2017-07-05 | 2019-09-03 | Perceptive Automata, Inc. | System and method of predicting human interaction with vehicles |
| US10606990B2 (en) | 2017-07-06 | 2020-03-31 | Ebay Inc. | Machine learning system for computing asset access |
| US10592785B2 (en) | 2017-07-12 | 2020-03-17 | Futurewei Technologies, Inc. | Integrated system for detection of driver condition |
| DE102017116017A1 (de) | 2017-07-17 | 2019-01-17 | Valeo Schalter Und Sensoren Gmbh | Kraftfahrzeug-Sensorvorrichtung mit mehreren Sensoreinheiten und mehreren neuronalen Netzen zum Erzeugen einer kombinierten Repräsentation einer Umgebung |
| US10733755B2 (en) | 2017-07-18 | 2020-08-04 | Qualcomm Incorporated | Learning geometric differentials for matching 3D models to objects in a 2D image |
| DE102017116411B4 (de) | 2017-07-20 | 2022-02-03 | Infineon Technologies Ag | Elektronischen Steuerungseinheit, Gatewayschaltung für eine elektronische Airbag-Steuerungseinheit, Sicherheitssystem für ein Fahrzeug und Umgebungssensorelement |
| US10579063B2 (en) | 2017-07-21 | 2020-03-03 | Uatc, Llc | Machine learning for predicting locations of objects perceived by autonomous vehicles |
| US10650278B1 (en) | 2017-07-21 | 2020-05-12 | Apple Inc. | Semantic labeling of point clouds using images |
| US10395144B2 (en) | 2017-07-24 | 2019-08-27 | GM Global Technology Operations LLC | Deeply integrated fusion architecture for automated driving systems |
| US10542930B1 (en) | 2017-07-25 | 2020-01-28 | BlueOwl, LLC | Audio assessment for analyzing sleep trends using machine learning techniques |
| CN107451659B (zh) | 2017-07-27 | 2020-04-10 | 清华大学 | 用于位宽分区的神经网络加速器及其实现方法 |
| CN107368926B (zh) | 2017-07-28 | 2018-07-10 | 中南大学 | 一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法 |
| JP7002729B2 (ja) | 2017-07-31 | 2022-01-20 | 株式会社アイシン | 画像データ生成装置、画像認識装置、画像データ生成プログラム、及び画像認識プログラム |
| EP3651055A4 (en) | 2017-08-01 | 2020-10-21 | Huawei Technologies Co., Ltd. | METHOD, APPARATUS AND DEVICE FOR GESTURE RECOGNITION |
| CN109389552B (zh) | 2017-08-02 | 2023-03-28 | 中山大学 | 一种基于上下文相关多任务深度学习的图像超分辨算法 |
| US11170288B2 (en) | 2017-08-03 | 2021-11-09 | Facebook, Inc. | Systems and methods for predicting qualitative ratings for advertisements based on machine learning |
| KR102541559B1 (ko) | 2017-08-04 | 2023-06-08 | 삼성전자주식회사 | 관심 객체를 검출하는 방법 및 장치 |
| KR102601604B1 (ko) | 2017-08-04 | 2023-11-13 | 삼성전자주식회사 | 뉴럴 네트워크의 파라미터들을 양자화하는 방법 및 장치 |
| US10656657B2 (en) | 2017-08-08 | 2020-05-19 | Uatc, Llc | Object motion prediction and autonomous vehicle control |
| US10423934B1 (en) | 2017-08-10 | 2019-09-24 | Zoox, Inc. | Automated vehicle diagnostics and maintenance |
| US10167800B1 (en) | 2017-08-18 | 2019-01-01 | Microsoft Technology Licensing, Llc | Hardware node having a matrix vector unit with block-floating point processing |
| CN108229647A (zh) | 2017-08-18 | 2018-06-29 | 北京市商汤科技开发有限公司 | 神经网络结构的生成方法和装置、电子设备、存储介质 |
| US10860924B2 (en) | 2017-08-18 | 2020-12-08 | Microsoft Technology Licensing, Llc | Hardware node having a mixed-signal matrix vector unit |
| US20190228037A1 (en) | 2017-08-19 | 2019-07-25 | Wave Computing, Inc. | Checkpointing data flow graph computation for machine learning |
| US10216189B1 (en) | 2017-08-23 | 2019-02-26 | Uber Technologies, Inc. | Systems and methods for prioritizing object prediction for autonomous vehicles |
| US11455565B2 (en) | 2017-08-31 | 2022-09-27 | Ford Global Technologies, Llc | Augmenting real sensor recordings with simulated sensor data |
| US10629080B2 (en) | 2017-08-31 | 2020-04-21 | Uatc Llc | Autonomous vehicles featuring vehicle intention system |
| US10783381B2 (en) | 2017-08-31 | 2020-09-22 | Tusimple, Inc. | System and method for vehicle occlusion detection |
| US20190072978A1 (en) | 2017-09-01 | 2019-03-07 | GM Global Technology Operations LLC | Methods and systems for generating realtime map information |
| US20190079526A1 (en) | 2017-09-08 | 2019-03-14 | Uber Technologies, Inc. | Orientation Determination in Object Detection and Tracking for Autonomous Vehicles |
| US11430331B2 (en) | 2017-09-08 | 2022-08-30 | Uatc, Llc | Power and thermal management systems and methods for autonomous vehicles |
| US10402646B2 (en) | 2017-09-21 | 2019-09-03 | Amazon Technologies, Inc. | Object detection and avoidance for aerial vehicles |
| CN107507134B (zh) | 2017-09-21 | 2020-09-11 | 大连理工大学 | 基于卷积神经网络的超分辨率方法 |
| US11521301B2 (en) | 2017-09-22 | 2022-12-06 | Hoffman-La Roche, Inc. | Artifacts removal from tissue images |
| US10551297B2 (en) | 2017-09-22 | 2020-02-04 | Saudi Arabian Oil Company | Thermography image processing with neural networks to identify corrosion under insulation (CUI) |
| US10891715B2 (en) | 2017-09-22 | 2021-01-12 | Continental Automotive Systems, Inc. | Deep neural network for image enhancement |
| US20190095946A1 (en) | 2017-09-25 | 2019-03-28 | Get Attached, Inc. | Automatically analyzing media using a machine learning model trained on user engagement information |
| US10546197B2 (en) | 2017-09-26 | 2020-01-28 | Ambient AI, Inc. | Systems and methods for intelligent and interpretive analysis of video image data using machine learning |
| KR102177233B1 (ko) | 2017-09-27 | 2020-11-10 | 구글 엘엘씨 | 고해상도 이미지 세분화를 위한 종단간 네트워크 모델 |
| US10679129B2 (en) | 2017-09-28 | 2020-06-09 | D5Ai Llc | Stochastic categorical autoencoder network |
| CN107742311B (zh) | 2017-09-29 | 2020-02-18 | 北京易达图灵科技有限公司 | 一种视觉定位的方法及装置 |
| US10872531B2 (en) | 2017-09-29 | 2020-12-22 | Uber Technologies, Inc. | Image processing for vehicle collision avoidance system |
| WO2019068076A1 (en) | 2017-09-29 | 2019-04-04 | United Parcel Service Of America, Inc. | IDENTIFICATION, ANALYSIS AND PREDICTIVE MITIGATION OF PARCEL DAMAGE |
| WO2019067695A1 (en) | 2017-10-01 | 2019-04-04 | Airspace Systems, Inc. | FLIGHT CONTROL USING VISION BY COMPUTER |
| US20190101914A1 (en) | 2017-10-02 | 2019-04-04 | Allstate Insurance Company | Data Processing System with Machine Learning Engine for Providing Driving Data Analysis and Vehicle Control Functions |
| US10579897B2 (en) | 2017-10-02 | 2020-03-03 | Xnor.ai Inc. | Image based object detection |
| US10678997B2 (en) | 2017-10-05 | 2020-06-09 | Microsoft Technology Licensing, Llc | Machine learned models for contextual editing of social networking profiles |
| US10733262B2 (en) | 2017-10-05 | 2020-08-04 | Adobe Inc. | Attribute control for updating digital content in a digital medium environment |
| US11748653B2 (en) | 2017-10-05 | 2023-09-05 | DataRobot, Inc. | Machine learning abstraction |
| WO2019070290A1 (en) | 2017-10-06 | 2019-04-11 | Hitachi, Ltd. | MANAGEMENT AND EXECUTION OF A REPAIR |
| DE102017123452A1 (de) | 2017-10-10 | 2019-04-11 | Connaught Electronics Ltd. | Verfahren zum Erzeugen eines ein Kraftfahrzeug und einen Umgebungsbereich des Kraftfahrzeugs in einer vorbestimmten Zielansicht zeigenden Ausgangsbildes, Kamerasystem sowie Kraftfahrzeug |
| US10652565B1 (en) | 2017-10-12 | 2020-05-12 | Amazon Technologies, Inc. | Image compression and decompression using embeddings |
| CN107622258B (zh) | 2017-10-16 | 2020-10-30 | 中南大学 | 一种结合静态底层特征和运动信息的快速行人检测方法 |
| US11093820B2 (en) | 2017-10-19 | 2021-08-17 | General Electric Company | Image analysis using deviation from normal data |
| US20190122111A1 (en) | 2017-10-24 | 2019-04-25 | Nec Laboratories America, Inc. | Adaptive Convolutional Neural Knowledge Graph Learning System Leveraging Entity Descriptions |
| WO2019083578A1 (en) | 2017-10-27 | 2019-05-02 | Google Llc | SYSTEMS AND METHODS FOR ENHANCED OPTIMIZATION OF AUTOMATIC LEARNING MODELS |
| US10467501B2 (en) | 2017-10-30 | 2019-11-05 | Sap Se | Computer vision architecture with machine learned image recognition models |
| CN107729998B (zh) | 2017-10-31 | 2020-06-05 | 中国科学院计算技术研究所 | 一种用于神经网络处理器的方法 |
| US10346721B2 (en) | 2017-11-01 | 2019-07-09 | Salesforce.Com, Inc. | Training a neural network using augmented training datasets |
| US11521068B2 (en) | 2017-11-02 | 2022-12-06 | The Trustees Of Princeton University | Method and system for neural network synthesis |
| KR102589303B1 (ko) | 2017-11-02 | 2023-10-24 | 삼성전자주식회사 | 고정 소수점 타입의 뉴럴 네트워크를 생성하는 방법 및 장치 |
| US12099344B2 (en) | 2017-11-03 | 2024-09-24 | R4N63R Capital Llc | Workspace actor selection systems and methods |
| CN110869926B (zh) | 2017-11-07 | 2024-01-19 | 谷歌有限责任公司 | 基于语义状态的传感器跟踪和更新 |
| US10591914B2 (en) | 2017-11-08 | 2020-03-17 | GM Global Technology Operations LLC | Systems and methods for autonomous vehicle behavior control |
| AU2018363296A1 (en) | 2017-11-13 | 2020-07-02 | Bios Health Ltd | Neural interface |
| US10678839B2 (en) | 2017-11-13 | 2020-06-09 | Facebook, Inc. | Systems and methods for ranking ephemeral content item collections associated with a social networking system |
| US20190147112A1 (en) | 2017-11-13 | 2019-05-16 | Facebook, Inc. | Systems and methods for ranking ephemeral content item collections associated with a social networking system |
| US10824862B2 (en) | 2017-11-14 | 2020-11-03 | Nuro, Inc. | Three-dimensional object detection for autonomous robotic systems using image proposals |
| US20190145765A1 (en) | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | Three Dimensional Object Detection |
| US11061402B2 (en) | 2017-11-15 | 2021-07-13 | Uatc, Llc | Sparse convolutional neural networks |
| US11475351B2 (en) | 2017-11-15 | 2022-10-18 | Uatc, Llc | Systems and methods for object detection, tracking, and motion prediction |
| US10970553B2 (en) | 2017-11-15 | 2021-04-06 | Uatc, Llc | Semantic segmentation of three-dimensional data |
| US10803328B1 (en) | 2017-11-15 | 2020-10-13 | Uatc, Llc | Semantic and instance segmentation |
| US20190147255A1 (en) | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | Systems and Methods for Generating Sparse Geographic Data for Autonomous Vehicles |
| US11556777B2 (en) | 2017-11-15 | 2023-01-17 | Uatc, Llc | Continuous convolution and fusion in neural networks |
| US10803325B2 (en) | 2017-11-15 | 2020-10-13 | Uatc, Llc | Autonomous vehicle lane boundary detection systems and methods |
| US11080537B2 (en) | 2017-11-15 | 2021-08-03 | Uatc, Llc | Autonomous vehicle lane boundary detection systems and methods |
| EP3710980A1 (en) | 2017-11-15 | 2020-09-23 | Uatc, Llc | Autonomous vehicle lane boundary detection systems and methods |
| KR102095335B1 (ko) | 2017-11-15 | 2020-03-31 | 에스케이텔레콤 주식회사 | 연산 가속화가 적용된 신경망 모델의 생성 및 활용을 위한 장치 및 방법 |
| US10828790B2 (en) | 2017-11-16 | 2020-11-10 | Google Llc | Component feature detector for robotic systems |
| US10698868B2 (en) | 2017-11-17 | 2020-06-30 | Accenture Global Solutions Limited | Identification of domain information for use in machine learning models |
| KR102073351B1 (ko) | 2017-11-17 | 2020-02-05 | 주식회사 하이퍼커넥트 | 서버 및 그것의 동작 방법 |
| EP3486674A1 (en) | 2017-11-17 | 2019-05-22 | Koninklijke Philips N.V. | Artificial intelligence-enabled localization of anatomical landmarks |
| US10409898B2 (en) | 2017-11-17 | 2019-09-10 | Adobe Inc. | Generating a targeted summary of textual content tuned to a target audience vocabulary |
| US20180074506A1 (en) | 2017-11-21 | 2018-03-15 | GM Global Technology Operations LLC | Systems and methods for mapping roadway-interfering objects in autonomous vehicles |
| US10535138B2 (en) | 2017-11-21 | 2020-01-14 | Zoox, Inc. | Sensor data segmentation |
| CN107885214A (zh) | 2017-11-22 | 2018-04-06 | 济南浪潮高新科技投资发展有限公司 | 一种基于fpga的加速自动驾驶视觉感知的方法及装置 |
| US11989861B2 (en) | 2017-11-28 | 2024-05-21 | Intel Corporation | Deep learning-based real-time detection and correction of compromised sensors in autonomous machines |
| JP2019101535A (ja) | 2017-11-29 | 2019-06-24 | コニカミノルタ株式会社 | 教師データ作成装置および該方法ならびに画像セグメンテーション装置および該方法 |
| CN111656367A (zh) | 2017-12-04 | 2020-09-11 | 优创半导体科技有限公司 | 神经网络加速器的系统和体系结构 |
| US10762396B2 (en) | 2017-12-05 | 2020-09-01 | Utac, Llc | Multiple stage image based object detection and recognition |
| US10693740B2 (en) | 2017-12-07 | 2020-06-23 | Accenture Global Solutions Limited | Data transformation of performance statistics and ticket information for network devices for use in machine learning models |
| US10528824B2 (en) | 2017-12-11 | 2020-01-07 | GM Global Technology Operations LLC | Artificial neural network for lane feature classification and localization |
| US10768628B2 (en) | 2017-12-12 | 2020-09-08 | Uatc, Llc | Systems and methods for object detection at various ranges using multiple range imagery |
| RU2691214C1 (ru) | 2017-12-13 | 2019-06-11 | Общество с ограниченной ответственностью "Аби Продакшн" | Распознавание текста с использованием искусственного интеллекта |
| US10599958B2 (en) | 2017-12-14 | 2020-03-24 | Avigilon Corporation | Method and system for classifying an object-of-interest using an artificial neural network |
| KR101969864B1 (ko) | 2017-12-15 | 2019-04-18 | 동국대학교 산학협력단 | 객체영상과 배경영상의 상호 연동에 기반한 영상 합성 방법 |
| US11183274B2 (en) | 2017-12-18 | 2021-11-23 | International Business Machines Corporation | Analysis of answers to questions |
| CN111433101A (zh) | 2017-12-18 | 2020-07-17 | 智加科技公司 | 用于自动驾驶车辆中的个性化运动规划的方法和系统 |
| US20190185010A1 (en) | 2017-12-18 | 2019-06-20 | PlusAI Corp | Method and system for self capability aware route planning in autonomous driving vehicles |
| WO2019125191A1 (en) | 2017-12-18 | 2019-06-27 | Motorola Solutions, Inc | Method and device for generating an augmented image |
| US10713502B2 (en) | 2017-12-19 | 2020-07-14 | Micron Technology, Inc. | Providing autonomous vehicle assistance |
| DE102017130566B4 (de) | 2017-12-19 | 2021-07-22 | Mekra Lang Gmbh & Co. Kg | Sichtsystem zur Erfassung einer Fahrzeugumgebung und Spiegelersatzsystem für ein Fahrzeug mit einem Sichtsystem |
| US10402986B2 (en) | 2017-12-20 | 2019-09-03 | Facebook, Inc. | Unsupervised video segmentation |
| WO2019126755A1 (en) | 2017-12-21 | 2019-06-27 | Fugro N.V. | Generating and classifying training data for machine learning functions |
| US10275689B1 (en) | 2017-12-21 | 2019-04-30 | Luminar Technologies, Inc. | Object identification and labeling tool for training autonomous vehicle controllers |
| US10872254B2 (en) | 2017-12-22 | 2020-12-22 | Texas Instruments Incorporated | Digital mirror systems for vehicles and methods of operating the same |
| US10748247B2 (en) | 2017-12-26 | 2020-08-18 | Facebook, Inc. | Computing high-resolution depth images using machine learning techniques |
| US10657418B2 (en) | 2017-12-27 | 2020-05-19 | International Business Machines Corporation | Object detection on local devices using remotely generated machine learning models |
| CN108111873B (zh) | 2017-12-29 | 2020-04-14 | 国网山东省电力公司泰安供电公司 | 一种基于机器学习的gis图像数据传输方法 |
| CN109791626B (zh) | 2017-12-29 | 2022-12-27 | 清华大学 | 神经网络权重编码方法、计算装置及硬件系统 |
| US10755115B2 (en) | 2017-12-29 | 2020-08-25 | Here Global B.V. | Method, apparatus, and system for generating synthetic image data for machine learning |
| US20190204842A1 (en) | 2018-01-02 | 2019-07-04 | GM Global Technology Operations LLC | Trajectory planner with dynamic cost learning for autonomous driving |
| US11170006B2 (en) | 2018-01-03 | 2021-11-09 | Facebook, Inc. | Machine-learning model for ranking diverse content |
| US10657391B2 (en) | 2018-01-05 | 2020-05-19 | Uatc, Llc | Systems and methods for image-based free space detection |
| US20190217791A1 (en) | 2018-01-12 | 2019-07-18 | Uber Technologies, Inc. | Systems and Methods for Streaming Processing for Autonomous Vehicles |
| US10896763B2 (en) | 2018-01-12 | 2021-01-19 | Koninklijke Philips N.V. | System and method for providing model-based treatment recommendation via individual-specific machine learning models |
| EP3514494A1 (en) | 2018-01-19 | 2019-07-24 | Zenuity AB | Constructing and updating a behavioral layer of a multi layered road network high definition digital map |
| US10909368B2 (en) | 2018-01-23 | 2021-02-02 | X Development Llc | Crop type classification in images |
| US20180150081A1 (en) | 2018-01-24 | 2018-05-31 | GM Global Technology Operations LLC | Systems and methods for path planning in autonomous vehicles |
| CN108399362B (zh) | 2018-01-24 | 2022-01-07 | 中山大学 | 一种快速行人检测方法及装置 |
| US10345822B1 (en) * | 2018-01-26 | 2019-07-09 | Ford Global Technologies, Llc | Cognitive mapping for vehicles |
| SG11202007109QA (en) | 2018-01-26 | 2020-08-28 | Ge Inspection Technologies Lp | Generating natural language recommendations based on an industrial language model |
| KR102098713B1 (ko) | 2018-01-29 | 2020-04-08 | 주식회사 유엑스팩토리 | Cnn과 rnn이 하나의 고성능 저전력 칩으로 집적된 이기종 프로세서 구조 |
| US10962973B2 (en) | 2018-01-30 | 2021-03-30 | Uatc, Llc | Autonomous vehicle safe stop |
| US10692141B2 (en) | 2018-01-30 | 2020-06-23 | PointPredictive Inc. | Multi-layer machine learning classifier with correlative score |
| CN111602149B (zh) | 2018-01-30 | 2024-04-02 | D5Ai有限责任公司 | 自组织偏序网络 |
| CN110096937A (zh) | 2018-01-31 | 2019-08-06 | 北京四维图新科技股份有限公司 | 一种用于辅助车辆自动驾驶的图像识别的方法及装置 |
| WO2019152888A1 (en) | 2018-02-02 | 2019-08-08 | Nvidia Corporation | Safety procedure analysis for obstacle avoidance in autonomous vehicle |
| US20190244138A1 (en) | 2018-02-08 | 2019-08-08 | Apple Inc. | Privatized machine learning using generative adversarial networks |
| US11789449B2 (en) | 2018-02-09 | 2023-10-17 | Nvidia Corporation | Controlling autonomous vehicles using safe arrival times |
| US10996683B2 (en) | 2018-02-09 | 2021-05-04 | Skydio, Inc. | Aerial vehicle touchdown detection |
| US10489126B2 (en) | 2018-02-12 | 2019-11-26 | Oracle International Corporation | Automated code generation |
| CN110147698A (zh) | 2018-02-13 | 2019-08-20 | Kpit技术有限责任公司 | 用于车道检测的系统和方法 |
| US10955851B2 (en) | 2018-02-14 | 2021-03-23 | Zoox, Inc. | Detecting blocking objects |
| KR101996167B1 (ko) | 2018-02-14 | 2019-07-03 | 동국대학교 산학협력단 | 자율 무인 이동체를 학습하기 위한 학습용 이미지를 생성하는 장치 및 그 방법 |
| US10839578B2 (en) | 2018-02-14 | 2020-11-17 | Smarter Reality, LLC | Artificial-intelligence enhanced visualization of non-invasive, minimally-invasive and surgical aesthetic medical procedures |
| US10805629B2 (en) | 2018-02-17 | 2020-10-13 | Google Llc | Video compression through motion warping using learning-based motion segmentation |
| CN111133447B (zh) | 2018-02-18 | 2024-03-19 | 辉达公司 | 适于自主驾驶的对象检测和检测置信度的方法和系统 |
| US10628432B2 (en) | 2018-02-19 | 2020-04-21 | Microsoft Technology Licensing, Llc | Personalized deep models for smart suggestions ranking |
| US20190266610A1 (en) | 2018-02-21 | 2019-08-29 | Accenture Global Solutions Limited | Transaction management using machine learning and similarity analysis |
| KR102459381B1 (ko) | 2018-02-23 | 2022-10-26 | 에이에스엠엘 네델란즈 비.브이. | 컴퓨테이션 리소그래피를 위한 머신 러닝 모델을 트레이닝시키기 위한 방법 |
| DE112019000122T5 (de) | 2018-02-27 | 2020-06-25 | Nvidia Corporation | Echtzeiterfassung von spuren und begrenzungen durch autonome fahrzeuge |
| KR102022388B1 (ko) | 2018-02-27 | 2019-09-18 | (주)캠시스 | 실세계 물체 정보를 이용한 카메라 공차 보정 시스템 및 방법 |
| CN110197270B (zh) | 2018-02-27 | 2020-10-30 | 上海寒武纪信息科技有限公司 | 集成电路芯片装置及相关产品 |
| US11501105B2 (en) | 2018-03-02 | 2022-11-15 | Zoox, Inc. | Automatic creation and updating of maps |
| US10990832B2 (en) | 2018-03-06 | 2021-04-27 | Phantom AI, Inc. | Lane line reconstruction using future scenes and trajectory |
| KR101967339B1 (ko) | 2018-03-06 | 2019-04-09 | 단국대학교 산학협력단 | 심층학습 기반의 ａｄａｓ 센서 고장 진단 및 백업을 위한 장치 및 방법 |
| US10223611B1 (en) | 2018-03-08 | 2019-03-05 | Capital One Services, Llc | Object detection using image classification models |
| US10621513B2 (en) | 2018-03-08 | 2020-04-14 | Capital One Services, Llc | System and method for deploying and versioning machine learning models |
| US10157331B1 (en) | 2018-03-08 | 2018-12-18 | Capital One Services, Llc | Systems and methods for image preprocessing to improve accuracy of object recognition |
| US10572757B2 (en) | 2018-03-09 | 2020-02-25 | Ricoh Co., Ltd. | User interface for object detection and labeling |
| US10628686B2 (en) | 2018-03-12 | 2020-04-21 | Waymo Llc | Neural networks for object detection and characterization |
| JP7418340B2 (ja) | 2018-03-13 | 2024-01-19 | マジック リープ， インコーポレイテッド | 機械学習を使用した画像増強深度感知 |
| US10798368B2 (en) | 2018-03-13 | 2020-10-06 | Lyft, Inc. | Exposure coordination for multiple cameras |
| US10755112B2 (en) | 2018-03-13 | 2020-08-25 | Toyota Research Institute, Inc. | Systems and methods for reducing data storage in machine learning |
| US20190286972A1 (en) | 2018-03-14 | 2019-09-19 | Microsoft Technology Licensing, Llc | Hardware accelerated neural network subgraphs |
| US11500099B2 (en) | 2018-03-14 | 2022-11-15 | Uatc, Llc | Three-dimensional object detection |
| US20190287028A1 (en) | 2018-03-15 | 2019-09-19 | Arm Ltd. | Systems, devices, and/or processes for behavioral content processing |
| US11429862B2 (en) | 2018-03-20 | 2022-08-30 | Sri International | Dynamic adaptation of deep neural networks |
| US11657087B2 (en) | 2018-03-19 | 2023-05-23 | Verily Life Sciences Llc | Surgical video retrieval based on preoperative images |
| JP2019164793A (ja) | 2018-03-19 | 2019-09-26 | エスアールアイ インターナショナル | ディープニューラルネットワークの動的適応 |
| US11144065B2 (en) | 2018-03-20 | 2021-10-12 | Phantom AI, Inc. | Data augmentation using computer simulated objects for autonomous control systems |
| US10901508B2 (en) | 2018-03-20 | 2021-01-26 | X Development Llc | Fused electroencephalogram and machine learning for precognitive brain-computer interface for computer control |
| US10699477B2 (en) | 2018-03-21 | 2020-06-30 | Zoox, Inc. | Generating maps without shadows |
| WO2019182782A1 (en) | 2018-03-21 | 2019-09-26 | Zoox, Inc. | Generating maps without shadows |
| US20190294975A1 (en) | 2018-03-21 | 2019-09-26 | Swim.IT Inc | Predicting using digital twins |
| US10836379B2 (en) | 2018-03-23 | 2020-11-17 | Sf Motors, Inc. | Multi-network-based path generation for vehicle parking |
| US10627818B2 (en) | 2018-03-28 | 2020-04-21 | Zoox, Inc. | Temporal prediction model for semantic intent understanding |
| WO2019191578A1 (en) | 2018-03-30 | 2019-10-03 | Wave Computing, Inc. | Data flow graph computation for machine learning |
| US10140544B1 (en) | 2018-04-02 | 2018-11-27 | 12 Sigma Technologies | Enhanced convolutional neural network for image segmentation |
| CN108491889A (zh) | 2018-04-02 | 2018-09-04 | 深圳市易成自动驾驶技术有限公司 | 图像语义分割方法、装置及计算机可读存储介质 |
| US10887433B2 (en) | 2018-04-03 | 2021-01-05 | Pony Ai Inc. | System and method for incremental data processing |
| US10468062B1 (en) | 2018-04-03 | 2019-11-05 | Zoox, Inc. | Detecting errors in sensor data |
| US10776939B2 (en) | 2018-04-03 | 2020-09-15 | Altumview Systems Inc. | Obstacle avoidance system based on embedded stereo vision for unmanned aerial vehicles |
| US10414395B1 (en) | 2018-04-06 | 2019-09-17 | Zoox, Inc. | Feature-based prediction |
| US20190311290A1 (en) | 2018-04-06 | 2019-10-10 | Mentor Graphics Corporation | Deep Learning Based Test Compression Analyzer |
| US10725475B2 (en) | 2018-04-09 | 2020-07-28 | Toyota Jidosha Kabushiki Kaisha | Machine learning enhanced vehicle merging |
| US10769494B2 (en) | 2018-04-10 | 2020-09-08 | Pony Ai Inc. | Enhanced training information generation |
| US10740914B2 (en) | 2018-04-10 | 2020-08-11 | Pony Ai Inc. | Enhanced three-dimensional training data generation |
| US20190310651A1 (en) | 2018-04-10 | 2019-10-10 | Uber Technologies, Inc. | Object Detection and Determination of Motion Information Using Curve-Fitting in Autonomous Vehicle Applications |
| US11132444B2 (en) | 2018-04-16 | 2021-09-28 | International Business Machines Corporation | Using gradients to detect backdoors in neural networks |
| CN108520247B (zh) | 2018-04-16 | 2020-04-28 | 腾讯科技（深圳）有限公司 | 对图像中的对象节点的识别方法、装置、终端及可读介质 |
| US10816992B2 (en) | 2018-04-17 | 2020-10-27 | Baidu Usa Llc | Method for transforming 2D bounding boxes of objects into 3D positions for autonomous driving vehicles (ADVs) |
| US20200151692A1 (en) | 2018-04-18 | 2020-05-14 | Sbot Technologies, Inc. d/b/a Caper Inc. | Systems and methods for training data generation for object identification and self-checkout anti-theft |
| KR102186299B1 (ko) | 2018-04-18 | 2020-12-07 | 모빌아이 비젼 테크놀로지스 엘티디. | 카메라를 이용한 차량 환경 모델링 |
| US11030486B2 (en) | 2018-04-20 | 2021-06-08 | XNOR.ai, Inc. | Image classification through label progression |
| US10321728B1 (en) | 2018-04-20 | 2019-06-18 | Bodygram, Inc. | Systems and methods for full body measurements extraction |
| DE102018206208A1 (de) | 2018-04-23 | 2019-10-24 | Robert Bosch Gmbh | Verfahren, Vorrichtung, Erzeugnis und Computerprogramm zum Betreiben eines technischen Systems |
| US11244484B2 (en) | 2018-04-23 | 2022-02-08 | Accenture Global Solutions Limited | AI-driven design platform |
| US10565475B2 (en) | 2018-04-24 | 2020-02-18 | Accenture Global Solutions Limited | Generating a machine learning model for objects based on augmenting the objects with physical properties |
| CN108549934B (zh) | 2018-04-25 | 2020-06-19 | 福州瑞芯微电子股份有限公司 | 一种基于自动集群神经网络芯片组的运算方法和装置 |
| US20190329790A1 (en) | 2018-04-25 | 2019-10-31 | Uber Technologies, Inc. | Systems and Methods for Using Machine Learning to Determine Passenger Ride Experience |
| CN108647591A (zh) | 2018-04-25 | 2018-10-12 | 长沙学院 | 一种基于视觉-语义特征的视频中行为识别方法和系统 |
| US11334753B2 (en) | 2018-04-30 | 2022-05-17 | Uatc, Llc | Traffic signal state classification for autonomous vehicles |
| US11138745B2 (en) | 2018-04-30 | 2021-10-05 | Uatc, Llc | Object association for autonomous vehicles |
| US11244195B2 (en) | 2018-05-01 | 2022-02-08 | Adobe Inc. | Iteratively applying neural networks to automatically identify pixels of salient objects portrayed in digital images |
| US11494200B2 (en) | 2018-05-02 | 2022-11-08 | Microsoft Technology Licensing, Llc. | Configuring an electronic device using artificial intelligence |
| US10803743B2 (en) | 2018-05-02 | 2020-10-13 | Lyft, Inc. | Monitoring ambient light for object detection |
| US10699140B2 (en) | 2018-05-04 | 2020-06-30 | Qualcomm Incorporated | System and method for capture and distribution of information collected from signs |
| US20190340499A1 (en) | 2018-05-04 | 2019-11-07 | Microsoft Technology Licensing, Llc | Quantization for dnn accelerators |
| US11645493B2 (en) | 2018-05-04 | 2023-05-09 | Microsoft Technology Licensing, Llc | Flow for quantized neural networks |
| CN112106081A (zh) | 2018-05-07 | 2020-12-18 | 谷歌有限责任公司 | 提供综合机器学习服务的应用开发平台和软件开发套件 |
| WO2019216404A1 (ja) | 2018-05-10 | 2019-11-14 | パナソニックＩｐマネジメント株式会社 | ニューラルネットワーク構築装置、情報処理装置、ニューラルネットワーク構築方法及びプログラム |
| US20190349571A1 (en) | 2018-05-11 | 2019-11-14 | Ford Global Technologies, Llc | Distortion correction for vehicle surround view camera projections |
| US10748021B2 (en) | 2018-05-11 | 2020-08-18 | Samsung Electronics Co., Ltd. | Method of analyzing objects in images recorded by a camera of a head mounted device |
| US10776626B1 (en) | 2018-05-14 | 2020-09-15 | Amazon Technologies, Inc. | Machine learning based identification of visually complementary item collections |
| US20210221404A1 (en) | 2018-05-14 | 2021-07-22 | BrainVu Ltd. | Driver predictive mental response profile and application to automated vehicle brain interface control |
| US11164016B2 (en) | 2018-05-17 | 2021-11-02 | Uatc, Llc | Object detection and property determination for autonomous vehicles |
| US20190354850A1 (en) | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Identifying transfer models for machine learning tasks |
| US11126873B2 (en) | 2018-05-17 | 2021-09-21 | Zoox, Inc. | Vehicle lighting state determination |
| US11301733B2 (en) | 2018-05-18 | 2022-04-12 | Google Llc | Learning data augmentation strategies for object detection |
| US11138471B2 (en) | 2018-05-18 | 2021-10-05 | Google Llc | Augmentation of audiographic images for improved machine learning |
| CN108710865B (zh) | 2018-05-28 | 2022-04-22 | 电子科技大学 | 一种基于神经网络的司机异常行为检测方法 |
| US20190373322A1 (en) | 2018-05-29 | 2019-12-05 | Sony Interactive Entertainment LLC | Interactive Video Content Delivery |
| US11491350B2 (en) | 2018-05-30 | 2022-11-08 | Siemens Healthcare Gmbh | Decision support system for individualizing radiotherapy dose |
| TWI681366B (zh) | 2018-05-31 | 2020-01-01 | 廣達電腦股份有限公司 | 非線性延展裁切影像之方法及系統 |
| US20190370575A1 (en) | 2018-05-31 | 2019-12-05 | Uber Technologies, Inc. | Systems and Methods for Implementing Trip Checks for Vehicles |
| CN108764185B (zh) | 2018-06-01 | 2022-07-19 | 京东方科技集团股份有限公司 | 一种图像处理方法及装置 |
| US20190370398A1 (en) | 2018-06-01 | 2019-12-05 | SayMosaic Inc. | Method and apparatus for searching historical data |
| US20190042944A1 (en) | 2018-06-08 | 2019-02-07 | Intel Corporation | Artificial neural network training using flexible floating point tensors |
| US11334960B2 (en) | 2018-06-08 | 2022-05-17 | Uatc, Llc | Systems and methods for pipelined processing of sensor data using hardware |
| US20190378049A1 (en) | 2018-06-12 | 2019-12-12 | Bank Of America Corporation | Ensemble of machine learning engines coupled to a graph structure that spreads heat |
| US11740630B2 (en) | 2018-06-12 | 2023-08-29 | Skydio, Inc. | Fitness and sports applications for an autonomous unmanned aerial vehicle |
| US20190378051A1 (en) | 2018-06-12 | 2019-12-12 | Bank Of America Corporation | Machine learning system coupled to a graph structure detecting outlier patterns using graph scanning |
| WO2019241022A1 (en) | 2018-06-13 | 2019-12-19 | Nvidia Corporation | Path detection for autonomous machines using deep neural networks |
| CN110832275B (zh) | 2018-06-14 | 2021-05-18 | 北京嘀嘀无限科技发展有限公司 | 基于双目图像更新高分辨率地图的系统和方法 |
| US11341356B2 (en) | 2018-06-15 | 2022-05-24 | Uatc, Llc | System and method for determining object intention through visual attributes |
| US11370423B2 (en) | 2018-06-15 | 2022-06-28 | Uatc, Llc | Multi-task machine-learned models for object intention determination in autonomous driving |
| US11048265B2 (en) | 2018-06-18 | 2021-06-29 | Zoox, Inc. | Occlusion aware planning |
| EP3807807A1 (en) | 2018-06-18 | 2021-04-21 | Zoox, Inc. | Occlusion aware planning |
| US10642275B2 (en) | 2018-06-18 | 2020-05-05 | Zoox, Inc. | Occulsion aware planning and control |
| US11501140B2 (en) | 2018-06-19 | 2022-11-15 | International Business Machines Corporation | Runtime reconfigurable neural network processor core |
| US11966838B2 (en) | 2018-06-19 | 2024-04-23 | Nvidia Corporation | Behavior-guided path planning in autonomous machine applications |
| US10726264B2 (en) | 2018-06-25 | 2020-07-28 | Microsoft Technology Licensing, Llc | Object-based localization |
| CN108845574B (zh) | 2018-06-26 | 2021-01-12 | 北京旷视机器人技术有限公司 | 目标识别与追踪方法、装置、设备及介质 |
| JP2021530069A (ja) | 2018-06-26 | 2021-11-04 | カッツ，イテイ | 状況的ドライバ監視システム |
| CN108898177A (zh) | 2018-06-26 | 2018-11-27 | 广东电网有限责任公司 | 一种输电线路走廊地表分类方法、系统、介质及设备 |
| US10685159B2 (en) | 2018-06-27 | 2020-06-16 | Intel Corporation | Analog functional safety with anomaly detection |
| US11454975B2 (en) | 2018-06-28 | 2022-09-27 | Uatc, Llc | Providing actionable uncertainties in autonomous vehicles |
| US10810445B1 (en) | 2018-06-29 | 2020-10-20 | Zoox, Inc. | Pipeline with point cloud filtering |
| US10921817B1 (en) | 2018-06-29 | 2021-02-16 | Zoox, Inc. | Point cloud filtering with semantic segmentation |
| CN109086867B (zh) | 2018-07-02 | 2021-06-08 | 武汉魅瞳科技有限公司 | 一种基于fpga的卷积神经网络加速系统 |
| US11500477B2 (en) | 2018-07-02 | 2022-11-15 | Google Llc | Systems and methods for interacting and interfacing with an artificial intelligence system |
| KR20200004700A (ko) | 2018-07-04 | 2020-01-14 | 삼성전자주식회사 | 뉴럴 네트워크에서 파라미터를 처리하는 방법 및 장치 |
| US10685188B1 (en) | 2018-07-06 | 2020-06-16 | Facebook, Inc. | Systems and methods for training machine learning models for language clusters |
| US11537906B2 (en) | 2018-07-12 | 2022-12-27 | The Regents Of The University Of California | Machine learning based target localization for autonomous unmanned vehicles |
| JP7140580B2 (ja) | 2018-07-13 | 2022-09-21 | マクセル株式会社 | ステレオ撮像装置 |
| EP3820753B1 (en) | 2018-07-14 | 2023-08-02 | Moove.AI | Vehicle-data analytics |
| US20200027210A1 (en) | 2018-07-18 | 2020-01-23 | Nvidia Corporation | Virtualized computing platform for inferencing, advanced processing, and machine learning applications |
| US10901416B2 (en) | 2018-07-19 | 2021-01-26 | Honda Motor Co., Ltd. | Scene creation system for autonomous vehicles and methods thereof |
| US11042157B2 (en) | 2018-07-23 | 2021-06-22 | Baidu Usa Llc | Lane/object detection and tracking perception system for autonomous vehicles |
| US20200033865A1 (en) | 2018-07-24 | 2020-01-30 | Qualcomm Incorporated | Managing Cleaning Robot Behavior |
| US10768629B2 (en) | 2018-07-24 | 2020-09-08 | Pony Ai Inc. | Generative adversarial network enriched driving simulation |
| US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
| US20200034665A1 (en) | 2018-07-30 | 2020-01-30 | DataRobot, Inc. | Determining validity of machine learning algorithms for datasets |
| US11353871B2 (en) | 2018-07-30 | 2022-06-07 | Pony Ai Inc. | Systems and methods for vehicle smart seats |
| US11284051B2 (en) | 2018-07-30 | 2022-03-22 | Pony Ai Inc. | Systems and methods for autonomous vehicle interactive content presentation |
| JP2021532881A (ja) | 2018-07-31 | 2021-12-02 | ドイチェス クレープスフォルシュングスツェントルム シュティフトゥング デス エッフェントリッヒェン レヒツ | マルチスペクトル情報を用いた拡張画像化のための方法およびシステム |
| US11584379B2 (en) | 2018-08-06 | 2023-02-21 | Honda Motor Co., Ltd. | System and method for learning naturalistic driving behavior based on vehicle dynamic data |
| US10609434B2 (en) | 2018-08-07 | 2020-03-31 | Adobe Inc. | Machine-learning based multi-step engagement strategy generation and visualization |
| US10706308B2 (en) | 2018-08-07 | 2020-07-07 | Accenture Global Solutions Limited | Image processing for automated object identification |
| US10733638B1 (en) | 2018-08-08 | 2020-08-04 | Facebook, Inc. | Analyzing tracking requests generated by client devices based on attributes describing items |
| US10832093B1 (en) | 2018-08-09 | 2020-11-10 | Zoox, Inc. | Tuning simulated data for optimized neural network activation |
| WO2020034663A1 (en) | 2018-08-13 | 2020-02-20 | The Hong Kong Polytechnic University | Grid-based image cropping |
| US11861458B2 (en) | 2018-08-21 | 2024-01-02 | Lyft, Inc. | Systems and methods for detecting and recording anomalous vehicle events |
| US20200065879A1 (en) | 2018-08-22 | 2020-02-27 | Midea Group Co., Ltd. | Methods and systems for home device recommendation |
| US10755575B2 (en) | 2018-08-30 | 2020-08-25 | Cisco Technology, Inc. | Raw sensor data sharing for enhanced fleet-wide environmental awareness and safety |
| US10871444B2 (en) | 2018-08-30 | 2020-12-22 | Saudi Arabian Oil Company | Inspection and failure detection of corrosion under fireproofing insulation using a hybrid sensory system |
| US11307584B2 (en) | 2018-09-04 | 2022-04-19 | Skydio, Inc. | Applications and skills for an autonomous unmanned aerial vehicle |
| US11521009B2 (en) | 2018-09-04 | 2022-12-06 | Luminar, Llc | Automatically generating training data for a lidar using simulated vehicles in virtual space |
| US20200158822A1 (en) | 2018-09-06 | 2020-05-21 | Airspace Systems, Inc. | Unmanned aerial vehicle radar detection |
| US10839230B2 (en) | 2018-09-06 | 2020-11-17 | Ford Global Technologies, Llc | Multi-tier network for task-oriented deep neural network |
| EP3850551A4 (en) | 2018-09-12 | 2022-10-12 | Electra Vehicles, Inc. | SYSTEMS AND METHODS FOR MANAGEMENT OF ENERGY STORAGE SYSTEMS |
| US11195030B2 (en) | 2018-09-14 | 2021-12-07 | Honda Motor Co., Ltd. | Scene classification |
| US11427223B2 (en) | 2018-09-14 | 2022-08-30 | Uatc, Llc | Driving surface friction estimations for autonomous vehicles |
| US11465630B2 (en) | 2018-09-14 | 2022-10-11 | Uatc, Llc | Driving surface friction estimations using vehicle steering |
| EP3627399B1 (en) | 2018-09-19 | 2024-08-14 | Tata Consultancy Services Limited | Systems and methods for real time configurable recommendation using user data |
| GB2577485B (en) | 2018-09-20 | 2022-06-15 | Jaguar Land Rover Ltd | Control system for a vehicle |
| US11449771B2 (en) | 2018-09-21 | 2022-09-20 | Woven Planet North America, Inc. | Systems and methods for processing vehicle data |
| US10846888B2 (en) | 2018-09-26 | 2020-11-24 | Facebook Technologies, Llc | Systems and methods for generating and transmitting image sequences based on sampled color information |
| DE102018216413A1 (de) | 2018-09-26 | 2020-03-26 | Robert Bosch Gmbh | Vorrichtung und Verfahren zur automatischen Bildverbesserung bei Fahrzeugen |
| CN109359731B (zh) | 2018-09-27 | 2022-01-28 | 中科物栖（北京）科技有限责任公司 | 一种基于芯片设计缺陷的神经网络处理方法及装置 |
| US11710035B2 (en) | 2018-09-28 | 2023-07-25 | Apple Inc. | Distributed labeling for supervised learning |
| US11526713B2 (en) | 2018-09-28 | 2022-12-13 | Intel Corporation | Embedding human labeler influences in machine learning interfaces in computing environments |
| US10943101B2 (en) | 2018-09-28 | 2021-03-09 | Accenture Global Solutions Limited | Target recognition and verification using image processing techniques and/or artifical intelligence |
| US11117597B2 (en) | 2018-09-28 | 2021-09-14 | Baidu Usa Llc | Pedestrian interaction system for low speed scenes for autonomous vehicles |
| US11169531B2 (en) | 2018-10-04 | 2021-11-09 | Zoox, Inc. | Trajectory prediction on top-down scenes |
| WO2020076356A1 (en) | 2018-10-08 | 2020-04-16 | Google Llc | Systems and methods for providing feedback for artificial intelligence-based image capture devices |
| CN109389207A (zh) | 2018-10-09 | 2019-02-26 | 四川理工学院 | 一种自适应神经网络学习方法及神经网络系统 |
| US11403565B2 (en) | 2018-10-10 | 2022-08-02 | Wipro Limited | Method and system for generating a learning path using machine learning |
| KR102545105B1 (ko) | 2018-10-10 | 2023-06-19 | 현대자동차주식회사 | 차량용 허위 타겟 판별 장치 및 그의 허위 타겟 판별 방법과 그를 포함하는 차량 |
| US11068724B2 (en) | 2018-10-11 | 2021-07-20 | Baidu Usa Llc | Deep learning continuous lane lines detection system for autonomous vehicles |
| US11704568B2 (en) | 2018-10-16 | 2023-07-18 | Carnegie Mellon University | Method and system for hand activity sensing |
| US11676244B2 (en) | 2018-10-19 | 2023-06-13 | Mineral Earth Sciences Llc | Crop yield prediction at field-level and pixel-level |
| CA3114956A1 (en) | 2018-10-19 | 2020-04-23 | The Climate Corporation | Machine learning techniques for identifying clouds and cloud shadows in satellite imagery |
| US11430025B2 (en) | 2018-10-19 | 2022-08-30 | Airbnb, Inc. | Synthetic data generation modeling system |
| US11163998B2 (en) | 2018-10-22 | 2021-11-02 | Woven Planet North America, Inc. | Systems and methods for automated image labeling for images captured from vehicles |
| US11568260B2 (en) | 2018-10-29 | 2023-01-31 | Google Llc | Exponential modeling with deep learning features |
| US11055866B2 (en) | 2018-10-29 | 2021-07-06 | Samsung Electronics Co., Ltd | System and method for disparity estimation using cameras with different fields of view |
| KR20200052444A (ko) | 2018-10-30 | 2020-05-15 | 삼성전자주식회사 | 신경망을 이용하여 예측 결과를 출력하는 방법, 신경망을 생성하는 방법 및 그 장치들 |
| CN109579856A (zh) | 2018-10-31 | 2019-04-05 | 百度在线网络技术（北京）有限公司 | 高精度地图生成方法、装置、设备及计算机可读存储介质 |
| US11604992B2 (en) | 2018-11-02 | 2023-03-14 | Microsoft Technology Licensing, Llc | Probabilistic neural network architecture generation |
| US11829143B2 (en) | 2018-11-02 | 2023-11-28 | Aurora Operations, Inc. | Labeling autonomous vehicle data |
| US11403492B2 (en) | 2018-11-02 | 2022-08-02 | Aurora Operations, Inc. | Generating labeled training instances for autonomous vehicles |
| US20200143279A1 (en) | 2018-11-06 | 2020-05-07 | DeepSig Inc. | Radio frequency band segmentation, signal detection and labelling using machine learning |
| CN111158355A (zh) | 2018-11-07 | 2020-05-15 | 富华科精密工业（深圳）有限公司 | 自动导航云服务器及自动导航控制方法 |
| JP7540728B2 (ja) | 2018-11-08 | 2024-08-27 | シナプス・パートナーズ・エルエルシー | 乗り物データを管理するためのシステムおよび方法 |
| US11481665B2 (en) | 2018-11-09 | 2022-10-25 | Hewlett Packard Enterprise Development Lp | Systems and methods for determining machine learning training approaches based on identified impacts of one or more types of concept drift |
| WO2020101246A1 (en) | 2018-11-13 | 2020-05-22 | Samsung Electronics Co., Ltd. | Joint unsupervised object segmentation and inpainting |
| US11124185B2 (en) | 2018-11-13 | 2021-09-21 | Zoox, Inc. | Perception collision avoidance |
| US11610115B2 (en) | 2018-11-16 | 2023-03-21 | Nvidia Corporation | Learning to generate synthetic datasets for training neural networks |
| US11494937B2 (en) | 2018-11-16 | 2022-11-08 | Uatc, Llc | Multi-task multi-sensor fusion for three-dimensional object detection |
| US11461963B2 (en) | 2018-11-16 | 2022-10-04 | Uatc, Llc | Systems and methods for generating synthetic light detection and ranging data via machine learning |
| US11755018B2 (en) | 2018-11-16 | 2023-09-12 | Uatc, Llc | End-to-end interpretable motion planner for autonomous vehicles |
| US11449713B2 (en) | 2018-11-16 | 2022-09-20 | Uatc, Llc | Attention based feature compression and localization for autonomous devices |
| US11715012B2 (en) | 2018-11-16 | 2023-08-01 | Uatc, Llc | Feature compression and localization for autonomous devices |
| US20200162489A1 (en) | 2018-11-16 | 2020-05-21 | Airspace Systems, Inc. | Security event detection and threat assessment |
| US11217012B2 (en) | 2018-11-16 | 2022-01-04 | Uatc, Llc | System and method for identifying travel way features for autonomous vehicle motion control |
| US11354820B2 (en) | 2018-11-17 | 2022-06-07 | Uatc, Llc | Image based localization system |
| US10904072B2 (en) | 2018-11-19 | 2021-01-26 | Accenture Global Solutions Limited | System and method for recommending automation solutions for technology infrastructure issues |
| US11346950B2 (en) | 2018-11-19 | 2022-05-31 | Huawei Technologies Co., Ltd. | System, device and method of generating a high resolution and high accuracy point cloud |
| US10853670B2 (en) | 2018-11-21 | 2020-12-01 | Ford Global Technologies, Llc | Road surface characterization using pose observations of adjacent vehicles |
| KR102701601B1 (ko) | 2018-11-21 | 2024-09-03 | 삼성전자주식회사 | 영상 처리 장치 및 그 제어방법 |
| US11636681B2 (en) | 2018-11-21 | 2023-04-25 | Meta Platforms, Inc. | Anticipating future video based on present video |
| US11423196B2 (en) | 2018-11-28 | 2022-08-23 | Toyota Research Institute, Inc. | Systems and methods for predicting responses of a particle to a stimulus |
| US10867444B2 (en) | 2018-11-29 | 2020-12-15 | Adobe Inc. | Synthetic data generation for training a machine learning model for dynamic object compositing in scenes |
| US11215997B2 (en) | 2018-11-30 | 2022-01-04 | Zoox, Inc. | Probabilistic risk assessment for trajectory evaluation |
| CN109615073B (zh) | 2018-12-03 | 2021-06-04 | 郑州云海信息技术有限公司 | 一种神经网络模型的构建方法、设备以及存储介质 |
| US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
| US20200175354A1 (en) | 2018-12-03 | 2020-06-04 | Deep Learn, Inc. | Time and accuracy estimate-based selection of machine-learning predictive models |
| DE102018130821A1 (de) | 2018-12-04 | 2020-06-04 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum Beurteilen einer Umgebung eines Kraftfahrzeugs durch ein künstliches neuronales Netz mit einer Aggregationseinheit; Steuereinheit, Fahrerassistenzsystem sowie Computerprogrammprodukt |
| US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
| US12093827B2 (en) | 2018-12-04 | 2024-09-17 | Bank Of America Corporation | System and method for self constructing deep neural network design through adversarial learning |
| US11093783B2 (en) | 2018-12-05 | 2021-08-17 | Subaru Corporation | Vehicle detection apparatus |
| US11048318B2 (en) | 2018-12-06 | 2021-06-29 | Intel Corporation | Reducing microprocessor power with minimal performance impact by dynamically adapting runtime operating configurations using machine learning |
| WO2020121973A1 (ja) | 2018-12-10 | 2020-06-18 | 株式会社小糸製作所 | 物体識別システム、演算処理装置、自動車、車両用灯具、分類器の学習方法 |
| CN110084086A (zh) | 2018-12-11 | 2019-08-02 | 安徽江淮汽车集团股份有限公司 | 一种基于视觉传感器的自动驾驶车辆可行驶区域检测方法 |
| CN111326023B (zh) | 2018-12-13 | 2022-03-29 | 丰翼科技(深圳)有限公司 | 一种无人机航线预警方法、装置、设备及存储介质 |
| US20200193313A1 (en) | 2018-12-14 | 2020-06-18 | Parallel Machines, Inc. | Interpretability-based machine learning adjustment during production |
| US11092966B2 (en) | 2018-12-14 | 2021-08-17 | The Boeing Company | Building an artificial-intelligence system for an autonomous vehicle |
| US10915783B1 (en) | 2018-12-14 | 2021-02-09 | Amazon Technologies, Inc. | Detecting and locating actors in scenes based on degraded or supersaturated depth data |
| CN112912896B (zh) | 2018-12-14 | 2024-06-28 | 苹果公司 | 机器学习辅助的图像预测 |
| WO2020120050A1 (en) | 2018-12-14 | 2020-06-18 | Asml Netherlands B.V. | Apparatus and method for grouping image patterns to determine wafer behavior in a patterning process |
| US11693901B2 (en) | 2018-12-18 | 2023-07-04 | Google Llc | Systems and methods for geolocation prediction |
| US10846831B2 (en) | 2018-12-19 | 2020-11-24 | GM Global Technology Operations LLC | Computing system for rectifying ultra-wide fisheye lens images |
| US10937186B2 (en) | 2018-12-19 | 2021-03-02 | Fca Us Llc | Techniques for precisely locating landmarks in monocular camera images with deep learning |
| JP7293644B2 (ja) | 2018-12-20 | 2023-06-20 | カシオ計算機株式会社 | 画像識別装置、識別器学習方法、画像識別方法及びプログラム |
| US10817732B2 (en) | 2018-12-20 | 2020-10-27 | Trimble Inc. | Automated assessment of collision risk based on computer vision |
| EP3877911A1 (en) | 2018-12-21 | 2021-09-15 | Waymo LLC | Searching an autonomous vehicle sensor data repository |
| US11443515B2 (en) | 2018-12-21 | 2022-09-13 | Ambient AI, Inc. | Systems and methods for machine learning enhanced intelligent building access endpoint security monitoring and management |
| CN109978132A (zh) | 2018-12-24 | 2019-07-05 | 中国科学院深圳先进技术研究院 | 一种精细化车辆识别的神经网络方法及系统 |
| CN113748315B (zh) | 2018-12-27 | 2024-06-07 | 北京嘀嘀无限科技发展有限公司 | 用于自动车道标记的系统 |
| WO2020139357A1 (en) | 2018-12-27 | 2020-07-02 | Didi Research America, Llc | Using image pre-processing to generate a machine learning model |
| US11023745B2 (en) | 2018-12-27 | 2021-06-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | System for automated lane marking |
| CN109934163B (zh) | 2018-12-27 | 2022-07-08 | 北京航空航天大学 | 一种基于场景先验和特征再融合的航空图像车辆检测方法 |
| US11087173B2 (en) | 2018-12-27 | 2021-08-10 | Beijing Didi Infinity Technology And Development Co., Ltd. | Using image pre-processing to generate a machine learning model |
| US11170299B2 (en) | 2018-12-28 | 2021-11-09 | Nvidia Corporation | Distance estimation to objects and free-space boundaries in autonomous machine applications |
| US20220078637A1 (en) | 2018-12-28 | 2022-03-10 | Telefonaktiebolaget Lm Ericsson (Publ) | Wireless device, a network node and methods therein for updating a first instance of a machine learning model |
| US20200209874A1 (en) | 2018-12-31 | 2020-07-02 | Chongqing Jinkang New Energy Vehicle, Ltd. | Combined virtual and real environment for autonomous vehicle planning and control testing |
| US20200210840A1 (en) | 2018-12-31 | 2020-07-02 | Microsoft Technology Licensing, Llc | Adjusting precision and topology parameters for neural network training based on a performance metric |
| KR102097120B1 (ko) | 2018-12-31 | 2020-04-09 | 주식회사 애자일소다 | 딥러닝 기반의 자동차 부위별 파손정도 자동 판정 시스템 및 방법 |
| US20200209857A1 (en) | 2018-12-31 | 2020-07-02 | Uber Technologies, Inc. | Multimodal control system for self driving vehicle |
| US20200331476A1 (en) | 2018-12-31 | 2020-10-22 | Chongqing Jinkang New Energy Vehicle, Ltd. | Automatic lane change with minimum gap distance |
| US20200218722A1 (en) | 2019-01-04 | 2020-07-09 | SayMosaic Inc. | System and method for natural language processing (nlp) based searching and question answering |
| US20200216064A1 (en) | 2019-01-08 | 2020-07-09 | Aptiv Technologies Limited | Classifying perceived objects based on activity |
| US11294472B2 (en) | 2019-01-11 | 2022-04-05 | Microsoft Technology Licensing, Llc | Augmented two-stage hand gesture input |
| CN109886997B (zh) | 2019-01-23 | 2023-07-11 | 平安科技（深圳）有限公司 | 基于目标检测的识别框确定方法、装置及终端设备 |
| CN109948428B (zh) | 2019-01-28 | 2022-12-09 | 上海理工大学 | 面向传感信息处理的gpu集群深度学习边缘计算系统 |
| US10373026B1 (en) | 2019-01-28 | 2019-08-06 | StradVision, Inc. | Learning method and learning device for generation of virtual feature maps whose characteristics are same as or similar to those of real feature maps by using GAN capable of being applied to domain adaptation to be used in virtual driving environments |
| US10692002B1 (en) | 2019-01-28 | 2020-06-23 | StradVision, Inc. | Learning method and learning device of pedestrian detector for robust surveillance based on image analysis by using GAN and testing method and testing device using the same |
| CN111488770A (zh) | 2019-01-28 | 2020-08-04 | 初速度（苏州）科技有限公司 | 交通标志识别方法、神经网络模型的训练方法和装置 |
| US20200242511A1 (en) | 2019-01-30 | 2020-07-30 | Oracle International Corporation | Dynamic Data Selection for a Machine Learning Model |
| US10628688B1 (en) | 2019-01-30 | 2020-04-21 | Stadvision, Inc. | Learning method and learning device, and testing method and testing device for detecting parking spaces by using point regression results and relationship between points to thereby provide an auto-parking system |
| US11087175B2 (en) | 2019-01-30 | 2021-08-10 | StradVision, Inc. | Learning method and learning device of recurrent neural network for autonomous driving safety check for changing driving mode between autonomous driving mode and manual driving mode, and testing method and testing device using them |
| US10824947B2 (en) | 2019-01-31 | 2020-11-03 | StradVision, Inc. | Learning method for supporting safer autonomous driving without danger of accident by estimating motions of surrounding objects through fusion of information from multiple sources, learning device, testing method and testing device using the same |
| US10943355B2 (en) | 2019-01-31 | 2021-03-09 | Uatc, Llc | Systems and methods for detecting an object velocity |
| US10726279B1 (en) | 2019-01-31 | 2020-07-28 | StradVision, Inc. | Method and device for attention-driven resource allocation by using AVM and reinforcement learning to thereby achieve safety of autonomous driving |
| US10540572B1 (en) | 2019-01-31 | 2020-01-21 | StradVision, Inc. | Method for auto-labeling training images for use in deep learning network to analyze images with high precision, and auto-labeling device using the same |
| US10776673B2 (en) | 2019-01-31 | 2020-09-15 | StradVision, Inc. | Learning method and learning device for sensor fusion to integrate information acquired by radar capable of distance estimation and information acquired by camera to thereby improve neural network for supporting autonomous driving, and testing method and testing device using the same |
| WO2020157761A1 (en) | 2019-01-31 | 2020-08-06 | Amnon Buxboim | Automated evaluation of embryo implantation potential |
| US11317863B2 (en) | 2019-02-01 | 2022-05-03 | Starkey Laboratories, Inc. | Efficient wellness measurement in ear-wearable devices |
| US11150664B2 (en) | 2019-02-01 | 2021-10-19 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
| US10997461B2 (en) | 2019-02-01 | 2021-05-04 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
| CN113396368A (zh) | 2019-02-05 | 2021-09-14 | 优鲁格斯股份有限公司 | 存在目标数据集时机器学习算法的自动优化 |
| US10984575B2 (en) | 2019-02-06 | 2021-04-20 | Snap Inc. | Body pose estimation |
| EP3924971A1 (en) | 2019-02-11 | 2021-12-22 | Flagship Pioneering Innovations VI, LLC | Machine learning guided polypeptide analysis |
| US11635767B2 (en) | 2019-02-13 | 2023-04-25 | Semyon Nisenzon | System and method of using multi-resolution camera clusters input data for controlling autonomous vehicles |
| US10568570B1 (en) | 2019-02-14 | 2020-02-25 | Trungram Gyaltrul Sherpa | Methods and systems for providing a preferred fitness state of a user |
| US10726374B1 (en) | 2019-02-19 | 2020-07-28 | Icertis, Inc. | Risk prediction based on automated analysis of documents |
| US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
| US11977388B2 (en) | 2019-02-21 | 2024-05-07 | Nvidia Corporation | Quantizing autoencoders in a neural network |
| US10970911B2 (en) | 2019-02-21 | 2021-04-06 | Facebook Technologies, Llc | Graphics processing chip with machine-learning based shader |
| CN109902732B (zh) | 2019-02-22 | 2021-08-27 | 哈尔滨工业大学（深圳） | 车辆自动分类方法及相关装置 |
| US11562176B2 (en) | 2019-02-22 | 2023-01-24 | Cisco Technology, Inc. | IoT fog as distributed machine learning structure search platform |
| US11635764B2 (en) | 2019-02-22 | 2023-04-25 | Uatc, Llc. | Motion prediction for autonomous devices |
| US10990950B2 (en) | 2019-02-25 | 2021-04-27 | Walmart Apollo, Llc | Systems and methods of product recognition through multi-model image processing |
| EP3932105A1 (en) | 2019-02-27 | 2022-01-05 | Telefonaktiebolaget LM Ericsson (publ) | Transfer learning for radio resource management |
| US11710034B2 (en) | 2019-02-27 | 2023-07-25 | Intel Corporation | Misuse index for explainable artificial intelligence in computing environments |
| JP7352632B2 (ja) | 2019-02-28 | 2023-09-28 | スキッドモア オーウィングス アンド メリル リミテッド ライアビリティ パートナーシップ | 機械学習ツール |
| CN110223301B (zh) | 2019-03-01 | 2021-08-03 | 华为技术有限公司 | 一种图像裁剪方法和电子设备 |
| CN109949257B (zh) | 2019-03-06 | 2021-09-10 | 西安电子科技大学 | 基于深度学习的感兴趣区域压缩感知图像重构方法 |
| CN109978161B (zh) | 2019-03-08 | 2022-03-04 | 吉林大学 | 一种通用的卷积-池化同步处理卷积核系统 |
| US10930065B2 (en) | 2019-03-08 | 2021-02-23 | X Development Llc | Three-dimensional modeling with two dimensional data |
| US10949997B2 (en) | 2019-03-08 | 2021-03-16 | Ford Global Technologies, Llc | Vehicle localization systems and methods |
| CN113811886B (zh) | 2019-03-11 | 2024-03-19 | 辉达公司 | 自主机器应用中的路口检测和分类 |
| CN109902186B (zh) | 2019-03-12 | 2021-05-11 | 北京百度网讯科技有限公司 | 用于生成神经网络的方法和装置 |
| AU2019201716A1 (en) | 2019-03-13 | 2020-10-01 | Canon Kabushiki Kaisha | System and method of generating a neural network architecture |
| US20200294162A1 (en) | 2019-03-13 | 2020-09-17 | Opendoor Labs Inc. | Value prediction error generation system |
| US11983909B2 (en) | 2019-03-14 | 2024-05-14 | Hewlett-Packard Development Company, L.P. | Responding to machine learning requests from multiple clients |
| WO2020185234A1 (en) | 2019-03-14 | 2020-09-17 | Hewlett-Packard Development Company, L.P. | Preprocessing sensor data for machine learning |
| CN109975308B (zh) | 2019-03-15 | 2023-03-24 | 维库（厦门）信息技术有限公司 | 一种基于深度学习的表面检测方法 |
| CN109871828B (zh) | 2019-03-15 | 2022-12-02 | 京东方科技集团股份有限公司 | 视频识别方法和识别装置、存储介质 |
| GB2596959B (en) | 2019-03-15 | 2023-07-26 | Nvidia Corp | Techniques to train a neural network using transformations |
| WO2020190781A1 (en) | 2019-03-16 | 2020-09-24 | Nvidia Corporation | Leveraging multidimensional sensor data for computationally efficient object detection |
| DE112020000369T5 (de) | 2019-03-16 | 2021-10-21 | Nvidia Corporation | Objekterfassung unter verwendung von verzerrten polygonen, die zur parkplatzerfassung geeignet ist |
| US11580386B2 (en) | 2019-03-18 | 2023-02-14 | Electronics And Telecommunications Research Institute | Convolutional layer acceleration unit, embedded system having the same, and method for operating the embedded system |
| AU2020241751B2 (en) | 2019-03-19 | 2023-02-09 | Liveperson, Inc. | Dynamic communications routing to disparate endpoints |
| US10402641B1 (en) | 2019-03-19 | 2019-09-03 | Capital One Services, Llc | Platform for document classification |
| US11475298B2 (en) | 2019-03-20 | 2022-10-18 | Gyrfalcon Technology Inc. | Using quantization in training an artificial intelligence model in a semiconductor solution |
| US11559221B2 (en) | 2019-03-22 | 2023-01-24 | Siemens Healthcare Gmbh | Multi-task progressive networks for patient modeling for medical scans |
| JP7240916B2 (ja) | 2019-03-22 | 2023-03-16 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム |
| CA3134819A1 (en) | 2019-03-23 | 2020-10-01 | Uatc, Llc | Systems and methods for generating synthetic sensor data via machine learning |
| WO2020198119A1 (en) | 2019-03-23 | 2020-10-01 | Uatc, Llc | Depth estimation for autonomous devices |
| US20200302662A1 (en) | 2019-03-23 | 2020-09-24 | Uatc, Llc | System and Methods for Generating High Definition Maps Using Machine-Learned Models to Analyze Topology Data Gathered From Sensors |
| US11548533B2 (en) | 2019-03-23 | 2023-01-10 | Uatc, Llc | Perception and motion prediction for autonomous devices |
| US11021148B2 (en) | 2019-03-25 | 2021-06-01 | Zoox, Inc. | Pedestrian prediction based on attributes |
| JP2022527072A (ja) | 2019-03-25 | 2022-05-30 | ズークス インコーポレイテッド | 属性に基づく歩行者の予測 |
| US11351991B2 (en) | 2019-03-25 | 2022-06-07 | Zoox, Inc. | Prediction based on attributes |
| US11199415B2 (en) | 2019-03-26 | 2021-12-14 | Lyft, Inc. | Systems and methods for estimating vehicle position based on contextual sensor information |
| CN109951710B (zh) | 2019-03-26 | 2021-07-02 | 中国民航大学 | 基于深度学习的机坪监控视频压缩方法及系统 |
| US10790919B1 (en) | 2019-03-26 | 2020-09-29 | Electronic Arts Inc. | Personalized real-time audio generation based on user physiological response |
| US11276216B2 (en) | 2019-03-27 | 2022-03-15 | Electronic Arts Inc. | Virtual animal character generation from image or video data |
| US10657934B1 (en) | 2019-03-27 | 2020-05-19 | Electronic Arts Inc. | Enhancements for musical composition applications |
| US10953334B2 (en) | 2019-03-27 | 2021-03-23 | Electronic Arts Inc. | Virtual character generation from image or video data |
| US11740335B2 (en) | 2019-03-27 | 2023-08-29 | Zoox, Inc. | Identifying and/or removing false positive detections from LIDAR sensor output |
| US10661902B1 (en) | 2019-03-29 | 2020-05-26 | QuantumID Technologies Inc | Artificial intelligence system for estimating excess non-sapient payload capacity on mixed-payload aeronautic excursions |
| US11709495B2 (en) | 2019-03-29 | 2023-07-25 | SafeAI, Inc. | Systems and methods for transfer of material using autonomous machines with reinforcement learning and visual servo control |
| US20200311601A1 (en) | 2019-03-29 | 2020-10-01 | Optum, Inc. | Hybrid rule-based and machine learning predictions |
| WO2020205655A1 (en) | 2019-03-29 | 2020-10-08 | Intel Corporation | Autonomous vehicle system |
| US11877801B2 (en) | 2019-04-02 | 2024-01-23 | Medicrea International | Systems, methods, and devices for developing patient-specific spinal implants, treatments, operations, and/or procedures |
| US10559386B1 (en) | 2019-04-02 | 2020-02-11 | Kpn Innovations, Llc | Methods and systems for an artificial intelligence support network for vibrant constituional guidance |
| JP2022528961A (ja) | 2019-04-04 | 2022-06-16 | プレサーゲン プロプライアトリー リミテッド | 胚を選択する方法及びシステム |
| US11250062B2 (en) | 2019-04-04 | 2022-02-15 | Kpn Innovations Llc | Artificial intelligence methods and systems for generation and implementation of alimentary instruction sets |
| CN111797657A (zh) | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 车辆周边障碍检测方法、装置、存储介质及电子设备 |
| US11636380B2 (en) | 2019-04-09 | 2023-04-25 | Nxp B.V. | Method for protecting a machine learning model against extraction using an ensemble of a plurality of machine learning models |
| US10943132B2 (en) | 2019-04-10 | 2021-03-09 | Black Sesame International Holding Limited | Distant on-road object detection |
| EP3722992B1 (en) | 2019-04-10 | 2023-03-01 | Teraki GmbH | System and method for pre-processing images captured by a vehicle |
| IL287060B2 (en) | 2019-04-11 | 2024-08-01 | Agilent Technologies Inc | Deep learning based training of momentary segmentation through regression layers |
| US10928508B2 (en) | 2019-04-12 | 2021-02-23 | Ford Global Technologies, Llc | Camera and radar fusion |
| CN109961491B (zh) | 2019-04-12 | 2023-05-26 | 上海联影医疗科技股份有限公司 | 多模态图像截断补偿方法、装置、计算机设备和介质 |
| US11588759B2 (en) | 2019-04-12 | 2023-02-21 | Asapp, Inc. | Automated communications over multiple channels |
| US20200327449A1 (en) | 2019-04-15 | 2020-10-15 | Accenture Global Solutions Limited | User retention platform |
| EP3725354B1 (en) | 2019-04-15 | 2023-04-12 | Nxp B.V. | Audio controller |
| JP2020173744A (ja) | 2019-04-15 | 2020-10-22 | 株式会社日立製作所 | 機械学習を用いた画像処理方式，およびそれを用いた電子制御装置 |
| JP7188255B2 (ja) | 2019-04-16 | 2022-12-13 | 富士通株式会社 | 学習方法、学習プログラムおよび学習装置 |
| CN109901595A (zh) | 2019-04-16 | 2019-06-18 | 山东大学 | 一种基于单目摄像头和树莓派的自动驾驶系统及方法 |
| US11790171B2 (en) | 2019-04-16 | 2023-10-17 | Covera Health | Computer-implemented natural language understanding of medical reports |
| US10893070B2 (en) | 2019-04-18 | 2021-01-12 | Facebook, Inc. | Detecting a page for a real-world entity, an imposter of a real-world entity, or a non-real-world entity that complies with or violates a policy of an online system |
| US11126890B2 (en) | 2019-04-18 | 2021-09-21 | Adobe Inc. | Robust training of large-scale object detectors with a noisy dataset |
| US11809993B2 (en) | 2019-04-18 | 2023-11-07 | Google Llc | Systems and methods for determining graph similarity |
| CN110060202B (zh) | 2019-04-19 | 2021-06-08 | 湖北亿咖通科技有限公司 | 一种单目slam算法的初始化方法及系统 |
| US10833785B1 (en) | 2019-04-23 | 2020-11-10 | DeepSig Inc. | Processing communications signals using a machine-learning network |
| US20200342968A1 (en) | 2019-04-24 | 2020-10-29 | GE Precision Healthcare LLC | Visualization of medical device event processing |
| US11257272B2 (en) | 2019-04-25 | 2022-02-22 | Lucid VR, Inc. | Generating synthetic image data for machine learning |
| WO2020219303A1 (en) | 2019-04-26 | 2020-10-29 | Nvidia Corporation | Intersection pose detection in autonomous machine applications |
| CN110175671B (zh) | 2019-04-28 | 2022-12-27 | 华为技术有限公司 | 神经网络的构建方法、图像处理方法及装置 |
| CN110111340B (zh) | 2019-04-28 | 2021-05-14 | 南开大学 | 基于多路割的弱监督实例分割方法 |
| US11176493B2 (en) | 2019-04-29 | 2021-11-16 | Google Llc | Virtualizing external memory as local to a machine learning accelerator |
| GB2583509B (en) | 2019-05-01 | 2023-02-22 | Advanced Risc Mach Ltd | System and method for fault detection and correction |
| US10789402B1 (en) | 2019-05-01 | 2020-09-29 | Xilinx, Inc. | Compiler and hardware abstraction layer architecture for a neural network accelerator |
| US10475208B1 (en) | 2019-05-02 | 2019-11-12 | Capital One Services, Llc | Vehicle analysis platform |
| US10924661B2 (en) | 2019-05-02 | 2021-02-16 | International Business Machines Corporation | Generating image capture configurations and compositions |
| US11556615B2 (en) | 2019-05-03 | 2023-01-17 | Tesla, Inc. | Data path for scalable matrix node engine with mixed data formats |
| WO2020227128A1 (en) | 2019-05-03 | 2020-11-12 | Image Stream Medical, Inc. | Context and state aware operating room |
| CN110135485A (zh) | 2019-05-05 | 2019-08-16 | 浙江大学 | 单目相机与毫米波雷达融合的物体识别与定位方法和系统 |
| US11556861B2 (en) | 2019-05-06 | 2023-01-17 | Google Llc | Debugging correctness issues in training machine learning models |
| US11461664B2 (en) | 2019-05-07 | 2022-10-04 | Kpn Innovations, Llc. | Methods and systems for an artificial intelligence alimentary professional support network for vibrant constitutional guidance |
| US10949684B2 (en) | 2019-05-08 | 2021-03-16 | Ford Global Technologies, Llc | Vehicle image verification |
| US10832418B1 (en) | 2019-05-09 | 2020-11-10 | Zoox, Inc. | Object velocity from images |
| CN110334801A (zh) | 2019-05-09 | 2019-10-15 | 苏州浪潮智能科技有限公司 | 一种卷积神经网络的硬件加速方法、装置、设备及系统 |
| US20200356107A1 (en) | 2019-05-10 | 2020-11-12 | Uber Technologies, Inc. | Walkway Detection for Autonomous Light Electric Vehicle |
| EP3739486A1 (en) | 2019-05-14 | 2020-11-18 | CrowdStrike, Inc. | Applications of machine learning models to a binary search engine based on an inverted index of byte sequences |
| US20200364508A1 (en) | 2019-05-14 | 2020-11-19 | Nvidia Corporation | Using decay parameters for inferencing with neural networks |
| US11263467B2 (en) | 2019-05-15 | 2022-03-01 | Apical Limited | Image processing |
| CN110069071B (zh) | 2019-05-15 | 2022-06-14 | 深圳铂石空间科技有限公司 | 无人机导航方法与装置、存储介质、电子设备 |
| US11701771B2 (en) | 2019-05-15 | 2023-07-18 | Nvidia Corporation | Grasp generation using a variational autoencoder |
| US11475277B2 (en) | 2019-05-16 | 2022-10-18 | Google Llc | Accurate and interpretable classification with hard attention |
| US11869037B2 (en) | 2019-05-17 | 2024-01-09 | gStore LLC | Integrating content-delivery platforms into programmatic environments generated by executed applications |
| KR102071179B1 (ko) | 2019-05-20 | 2020-01-29 | 주식회사 루닛 | 데이터 셋의 연속적인 학습 방법 및 장치 |
| KR102043143B1 (ko) | 2019-05-20 | 2019-11-11 | 호서대학교 산학협력단 | 인공신경망을 이용한 agv 주행제어 방법 및 장치 |
| US20200372402A1 (en) | 2019-05-24 | 2020-11-26 | Bank Of America Corporation | Population diversity based learning in adversarial and rapid changing environments |
| US11610142B2 (en) | 2019-05-28 | 2023-03-21 | Ati Technologies Ulc | Safety monitor for image misclassification |
| JP7383870B2 (ja) | 2019-05-30 | 2023-11-21 | モービルアイ ビジョン テクノロジーズ リミテッド | デバイス、方法、システムおよびコンピュータプログラム |
| CN110225341B (zh) | 2019-06-03 | 2020-08-28 | 中国科学技术大学 | 一种任务驱动的码流结构化图像编码方法 |
| KR20200142266A (ko) | 2019-06-12 | 2020-12-22 | (주)리터너블 | 객체 인식 시스템 및 이를 사용한 객체 인식 방법 |
| US11928557B2 (en) | 2019-06-13 | 2024-03-12 | Lyft, Inc. | Systems and methods for routing vehicles to capture and evaluate targeted scenarios |
| US11113568B2 (en) | 2019-06-14 | 2021-09-07 | Canon Kabushiki Kaisha | Devices, systems, and methods for device-error analysis using computer vision and machine learning |
| US11823460B2 (en) | 2019-06-14 | 2023-11-21 | Tusimple, Inc. | Image fusion for autonomous vehicle operation |
| US11494930B2 (en) | 2019-06-17 | 2022-11-08 | SafeAI, Inc. | Techniques for volumetric estimation |
| WO2020257292A1 (en) | 2019-06-18 | 2020-12-24 | Moloco, Inc. | Method and system for providing machine learning service |
| CN112101562B (zh) | 2019-06-18 | 2024-01-30 | 第四范式（北京）技术有限公司 | 机器学习建模过程的实现方法和系统 |
| US20200402155A1 (en) | 2019-06-20 | 2020-12-24 | Bank Of America Corporation | Systems for providing real-time resource distribution to a resource event having standard delayed resource availability |
| US11501109B2 (en) | 2019-06-20 | 2022-11-15 | Western Digital Technologies, Inc. | Non-volatile memory die with on-chip data augmentation components for use with machine learning |
| US11087463B2 (en) | 2019-06-21 | 2021-08-10 | StraxCorp Pty. Ltd. | Image analysis method and system for assessing bone fragility |
| US11192558B2 (en) | 2019-06-24 | 2021-12-07 | Here Global B.V. | Method, apparatus, and system for providing road curvature data |
| US11436837B2 (en) | 2019-06-25 | 2022-09-06 | Nvidia Corporation | Intersection region detection and classification for autonomous machine applications |
| CN110310264B (zh) | 2019-06-25 | 2021-07-20 | 北京邮电大学 | 一种基于dcnn的大尺度目标检测方法、装置 |
| US11158056B2 (en) | 2019-06-26 | 2021-10-26 | Intel Corporation | Surround camera system with seamless stitching for arbitrary viewpoint selection |
| US20200410288A1 (en) | 2019-06-26 | 2020-12-31 | Here Global B.V. | Managed edge learning in heterogeneous environments |
| DE102019209565A1 (de) | 2019-06-28 | 2020-12-31 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Überprüfen der Robustheit eines künstlichen neuronalen Netzes |
| WO2020264010A1 (en) | 2019-06-28 | 2020-12-30 | Zoox, Inc. | Low variance region detection for improved detection |
| US11170567B2 (en) | 2019-06-28 | 2021-11-09 | Woven Planet North America, Inc. | Dynamic object detection model based on static map collection data |
| US11163990B2 (en) | 2019-06-28 | 2021-11-02 | Zoox, Inc. | Vehicle control system and method for pedestrian detection based on head detection in sensor data |
| US11657094B2 (en) | 2019-06-28 | 2023-05-23 | Meta Platforms Technologies, Llc | Memory grounded conversational reasoning and question answering for assistant systems |
| US20210006835A1 (en) | 2019-07-01 | 2021-01-07 | Microsoft Technology Licensing, Llc | Blurring to improve visual quality in an area of interest in a frame |
| CN110414362A (zh) | 2019-07-02 | 2019-11-05 | 安徽继远软件有限公司 | 基于生成式对抗网络的电力图像数据增广方法 |
| US11467588B2 (en) | 2019-07-03 | 2022-10-11 | Denso International America, Inc. | Systems and methods for controlling an autonomous vehicle using target orientated artificial intelligence |
| US20210004795A1 (en) | 2019-07-03 | 2021-01-07 | Sap Se | Anomaly and fraud detection using duplicate event detector |
| KR20210004306A (ko) | 2019-07-04 | 2021-01-13 | 삼성전자주식회사 | 뉴럴 네트워크 장치 및 뉴럴 네트워크의 파라미터 양자화 방법 |
| US11023749B2 (en) | 2019-07-05 | 2021-06-01 | Zoox, Inc. | Prediction on top-down scenes based on action data |
| US11681925B2 (en) | 2019-07-08 | 2023-06-20 | Vianai Systems, Inc. | Techniques for creating, analyzing, and modifying neural networks |
| US11475675B2 (en) | 2019-07-08 | 2022-10-18 | Uatc, Llc | Systems and methods for identifying unknown instances |
| CN110321965B (zh) | 2019-07-10 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 物体重识别模型的训练方法、物体重识别的方法及装置 |
| US11829896B2 (en) | 2019-07-11 | 2023-11-28 | Ghost Autonomy Inc. | Uncertainty-based data filtering in a vehicle |
| US20210011908A1 (en) | 2019-07-11 | 2021-01-14 | Ghost Locomotion Inc. | Model-based structured data filtering in an autonomous vehicle |
| US20210012239A1 (en) | 2019-07-12 | 2021-01-14 | Microsoft Technology Licensing, Llc | Automated generation of machine learning models for network evaluation |
| US11379287B2 (en) | 2019-07-17 | 2022-07-05 | Factualvr, Inc. | System and method for error detection and correction in virtual reality and augmented reality environments |
| US11191342B2 (en) | 2019-07-18 | 2021-12-07 | L'oreal | Techniques for identifying skin color in images having uncontrolled lighting conditions |
| CN110473173A (zh) | 2019-07-24 | 2019-11-19 | 熵智科技(深圳)有限公司 | 一种基于深度学习语义分割的缺陷检测方法 |
| US10893107B1 (en) | 2019-07-25 | 2021-01-12 | Amazon Technologies, Inc. | Techniques for managing processing resources |
| US11941976B2 (en) | 2019-07-25 | 2024-03-26 | Pony Ai Inc. | System and method for sharing data collected from the street sensors |
| CN110599537A (zh) | 2019-07-25 | 2019-12-20 | 中国地质大学（武汉） | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 |
| US20210030276A1 (en) | 2019-07-29 | 2021-02-04 | DawnLight Technologies Inc. | Remote Health Monitoring Systems and Method |
| CN112308095A (zh) | 2019-07-30 | 2021-02-02 | 顺丰科技有限公司 | 图片预处理及模型训练方法、装置、服务器及存储介质 |
| US11200456B2 (en) | 2019-07-31 | 2021-12-14 | GE Precision Healthcare LLC | Systems and methods for generating augmented training data for machine learning models |
| CN110399875A (zh) | 2019-07-31 | 2019-11-01 | 山东浪潮人工智能研究院有限公司 | 一种基于深度学习与像素投影的通用表格信息提取方法 |
| CN110426051B (zh) | 2019-08-05 | 2021-05-18 | 武汉中海庭数据技术有限公司 | 一种车道线绘制方法、装置及存储介质 |
| US11182903B2 (en) | 2019-08-05 | 2021-11-23 | Sony Corporation | Image mask generation using a deep neural network |
| US11449709B2 (en) | 2019-08-08 | 2022-09-20 | Nvidia Corporation | Domain restriction of neural networks through synthetic data pre-training |
| US11531883B2 (en) | 2019-08-12 | 2022-12-20 | Bank Of America Corporation | System and methods for iterative synthetic data generation and refinement of machine learning models |
| US11537880B2 (en) | 2019-08-12 | 2022-12-27 | Bank Of America Corporation | System and methods for generation of synthetic data cluster vectors and refinement of machine learning models |
| US11593753B2 (en) | 2019-08-13 | 2023-02-28 | United Parcel Service Of America, Inc. | Multi-phase consolidation optimization tool |
| US11348339B2 (en) | 2019-08-13 | 2022-05-31 | Uatc, Llc | Association and tracking for autonomous devices |
| CA3090128A1 (en) | 2019-08-14 | 2021-02-14 | Royal Bank Of Canada | System and method for machine learning architecture for enterprise capitalization |
| CN110543837B (zh) | 2019-08-16 | 2022-03-15 | 北京航空航天大学 | 一种基于潜在目标点的可见光机场飞机检测方法 |
| US11634162B2 (en) | 2019-08-16 | 2023-04-25 | Uatc, Llc. | Full uncertainty for motion planning in autonomous vehicles |
| US11302009B2 (en) | 2019-08-19 | 2022-04-12 | Fotonation Limited | Method of image processing using a neural network |
| US11144754B2 (en) | 2019-08-19 | 2021-10-12 | Nvidia Corporation | Gaze detection using one or more neural networks |
| US11594036B2 (en) | 2019-08-21 | 2023-02-28 | Micron Technology, Inc. | Advanced driver-assistance system (ADAS) operation utilizing algorithmic skyline detection |
| CN110516665A (zh) | 2019-08-23 | 2019-11-29 | 上海眼控科技股份有限公司 | 识别图像叠加文字区域的神经网络模型构建方法与系统 |
| US11232110B2 (en) | 2019-08-23 | 2022-01-25 | Capital One Services, Llc | Natural language keyword tag extraction |
| CN110619283B (zh) | 2019-08-26 | 2023-01-10 | 海南撰云空间信息技术有限公司 | 一种无人机正射影像道路自动提取方法 |
| CN110619282B (zh) | 2019-08-26 | 2023-01-10 | 海南撰云空间信息技术有限公司 | 一种无人机正射影像建筑物自动提取方法 |
| CN110569899B (zh) | 2019-09-03 | 2022-06-10 | 嘉陵江亭子口水利水电开发有限公司 | 坝面缺陷分类模型训练方法及装置 |
| CN110619330A (zh) | 2019-09-18 | 2019-12-27 | 上海眼控科技股份有限公司 | 识别模型的训练方法、装置、计算机设备及识别方法 |
| CN110751280A (zh) | 2019-09-19 | 2020-02-04 | 华中科技大学 | 一种应用于卷积神经网络的可配置卷积加速器 |
| CN110659628A (zh) | 2019-10-09 | 2020-01-07 | 山东浪潮人工智能研究院有限公司 | 一种基于深度学习的煤矿监控视频解压缩方法及系统 |
| CN110599864A (zh) | 2019-10-28 | 2019-12-20 | 苏州智行众维智能科技有限公司 | 一种基于室内交通场景模拟传感器建模和验证装置及方法 |
| CN110826566B (zh) | 2019-11-01 | 2022-03-01 | 北京环境特性研究所 | 一种基于深度学习的目标切片提取方法 |
| US10819923B1 (en) | 2019-11-19 | 2020-10-27 | Waymo Llc | Thermal imaging for self-driving cars |
| CN110956185B (zh) | 2019-11-21 | 2023-04-18 | 大连理工大学人工智能大连研究院 | 一种图像显著目标的检测方法 |
| CN110966991B (zh) | 2019-11-21 | 2021-07-02 | 中国人民解放军国防科技大学 | 一种无控制点下的单幅无人机影像定位方法 |
| CN110631593B (zh) | 2019-11-25 | 2020-02-21 | 奥特酷智能科技(南京)有限公司 | 一种用于自动驾驶场景的多传感器融合定位方法 |
| DE102019008316A1 (de) | 2019-11-29 | 2020-08-13 | Daimler Ag | Verfahren zur Objekterkennung und Abstandsbestimmung |
| CN111126453B (zh) | 2019-12-05 | 2022-05-03 | 重庆邮电大学 | 基于注意力机制和切割填充的细粒度图像分类方法及系统 |
| CN110688992B (zh) | 2019-12-09 | 2020-08-04 | 中智行科技有限公司 | 交通信号识别方法、装置、车辆导航设备和无人驾驶车辆 |
| CN111027549A (zh) | 2019-12-10 | 2020-04-17 | 北京服装学院 | 一种针对女上装关键点识别方法 |
| CN111027575B (zh) | 2019-12-13 | 2022-06-17 | 广西师范大学 | 一种自注意对抗学习的半监督语义分割方法 |
| US10902551B1 (en) | 2019-12-17 | 2021-01-26 | X Development Llc | True positive transplant |
| US11536574B2 (en) | 2019-12-27 | 2022-12-27 | Intel Corporation | System and method for acceleration-based vector field maps |
| US10796355B1 (en) | 2019-12-27 | 2020-10-06 | Capital One Services, Llc | Personalized car recommendations based on customer web traffic |
| US10732261B1 (en) | 2019-12-31 | 2020-08-04 | Aurora Innovation, Inc. | Generating data using radar observation model based on machine learning |
| CN111062973B (zh) | 2019-12-31 | 2021-01-01 | 西安电子科技大学 | 基于目标特征敏感性和深度学习的车辆跟踪方法 |
| US11341170B2 (en) | 2020-01-10 | 2022-05-24 | Hearst Magazine Media, Inc. | Automated extraction, inference and normalization of structured attributes for product data |
| CN111047225B (zh) | 2020-01-10 | 2021-03-23 | 惠州光弘科技股份有限公司 | 一种基于边缘侧模型处理的smt表面组装组件焊点的质量评定方法 |
| CN111275618B (zh) | 2020-01-12 | 2023-09-29 | 杭州电子科技大学 | 一种基于双支感知的深度图超分辨率重建网络构建方法 |
| CN111275080B (zh) | 2020-01-14 | 2021-01-08 | 腾讯科技（深圳）有限公司 | 基于人工智能的图像分类模型训练方法、分类方法及装置 |
| US10845943B1 (en) | 2020-02-14 | 2020-11-24 | Carmax Business Services, Llc | Systems and methods for generating a 360-degree viewing experience |
| CN111275129B (zh) | 2020-02-17 | 2024-08-20 | 平安科技（深圳）有限公司 | 一种图像数据的增广策略选取方法及系统 |
| CN111461110B (zh) | 2020-03-02 | 2023-04-28 | 华南理工大学 | 一种基于多尺度图像和加权融合损失的小目标检测方法 |
| CN111598095B (zh) | 2020-03-09 | 2023-04-07 | 浙江工业大学 | 一种基于深度学习的城市道路场景语义分割方法 |
| CN111444821B (zh) | 2020-03-24 | 2022-03-25 | 西北工业大学 | 一种城市道路标志自动识别方法 |
| US11455793B2 (en) | 2020-03-25 | 2022-09-27 | Intel Corporation | Robust object detection and classification using static-based cameras and events-based cameras |
| US11568655B2 (en) | 2020-03-26 | 2023-01-31 | Intel Corporation | Methods and devices for triggering vehicular actions based on passenger actions |
| US11586854B2 (en) | 2020-03-26 | 2023-02-21 | Intel Corporation | Devices and methods for accurately identifying objects in a vehicle's environment |
| US11597393B2 (en) | 2020-03-26 | 2023-03-07 | Intel Corporation | Systems, methods, and devices for driving control |
| US11886968B2 (en) | 2020-03-27 | 2024-01-30 | Intel Corporation | Methods and devices for detecting objects and calculating a time to contact in autonomous driving systems |
| CN111445420B (zh) | 2020-04-09 | 2023-06-06 | 北京爱芯科技有限公司 | 卷积神经网络的图像运算方法、装置和电子设备 |
| CN111461053B (zh) | 2020-04-13 | 2023-05-23 | 安徽大学 | 基于迁移学习的多个生育期小麦倒伏区域识别系统 |
| CN111461052B (zh) | 2020-04-13 | 2023-05-23 | 安徽大学 | 基于迁移学习的多个生育期小麦倒伏区域识别方法 |
| CN111539514B (zh) | 2020-04-16 | 2023-06-06 | 北京百度网讯科技有限公司 | 用于生成神经网络的结构的方法和装置 |
| CN111428943B (zh) | 2020-04-23 | 2021-08-03 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
| KR102189262B1 (ko) | 2020-04-29 | 2020-12-11 | 주식회사 글로벌브릿지 | 엣지 컴퓨팅을 이용한 교통 정보 수집 장치 및 방법 |
| CN111565318A (zh) | 2020-05-06 | 2020-08-21 | 中国科学院重庆绿色智能技术研究院 | 一种基于稀疏样本的视频压缩方法 |
| CN111582216B (zh) | 2020-05-15 | 2023-08-04 | 安徽师范大学 | 一种无人驾驶车载交通信号灯识别系统及方法 |
| CN111693972B (zh) | 2020-05-29 | 2022-11-15 | 东南大学 | 一种基于双目序列图像的车辆位置与速度估计方法 |
| CN111783545A (zh) | 2020-06-02 | 2020-10-16 | 山西潞安环保能源开发股份有限公司五阳煤矿 | 一种基于生成对抗网络的煤矿无人机图像增强方法 |
| CN111767801B (zh) | 2020-06-03 | 2023-06-16 | 中国地质大学（武汉） | 一种基于深度学习的遥感影像水域自动提取方法及系统 |
| CN111814623A (zh) | 2020-06-29 | 2020-10-23 | 浙江工业大学 | 一种基于深度神经网络的车辆车道偏离视觉检测方法 |
| CN111860499B (zh) | 2020-07-01 | 2022-07-12 | 电子科技大学 | 一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法 |
| CN111783971B (zh) | 2020-07-02 | 2024-04-09 | 上海赛昉科技有限公司 | 一种用于深度神经网络的可高度灵活配置的数据后处理器 |
| CN111882579B (zh) | 2020-07-03 | 2024-08-09 | 湖南爱米家智能科技有限公司 | 基于深度学习和目标跟踪的大输液异物检测方法、系统、介质及设备 |
| CN111899227A (zh) | 2020-07-06 | 2020-11-06 | 北京交通大学 | 基于无人机作业的铁路扣件缺陷自动采集辨识方法 |
| CN111768002B (zh) | 2020-07-10 | 2021-06-22 | 南开大学 | 一种基于弹性有效位的深度神经网络量化方法 |
| CN111814902A (zh) | 2020-07-21 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 目标检测模型训练方法、目标识别方法、装置和介质 |
| CN111898507B (zh) | 2020-07-22 | 2022-06-03 | 武汉大学 | 一种预测无标签遥感影像地表覆盖类别的深度学习方法 |
| CN111898523A (zh) | 2020-07-29 | 2020-11-06 | 电子科技大学 | 一种基于迁移学习的遥感图像特种车辆目标检测方法 |
| CN111897639B (zh) | 2020-07-29 | 2022-12-27 | 平安科技（深圳）有限公司 | 图像增广方法、装置、计算机设备及存储介质 |
| CN111899245B (zh) | 2020-07-30 | 2021-03-09 | 推想医疗科技股份有限公司 | 图像分割、模型的训练方法及装置，电子设备及存储介质 |
| CN111881856B (zh) | 2020-07-31 | 2023-01-31 | 蚂蚁胜信(上海)信息技术有限公司 | 基于图像的车辆定损方法和装置 |
| CN112101175B (zh) | 2020-09-09 | 2024-05-10 | 沈阳帝信人工智能产业研究院有限公司 | 基于局部图像的高速公路车辆检测及多属性特征提取方法 |
| CN112115953B (zh) | 2020-09-18 | 2023-07-11 | 南京工业大学 | 一种基于rgb-d相机结合平面检测与随机抽样一致算法的优化orb算法 |
| CN112232497A (zh) | 2020-10-12 | 2021-01-15 | 苏州浪潮智能科技有限公司 | 一种编译ai芯片的方法、系统、设备及介质 |
| CN112329552B (zh) | 2020-10-16 | 2023-07-14 | 爱驰汽车（上海）有限公司 | 基于汽车的障碍物检测方法及装置 |
| CN112348783B (zh) | 2020-10-27 | 2022-08-05 | 基建通(三亚)国际科技有限公司 | 基于图像的人物识别方法、装置及计算机可读存储介质 |
| CN112183739B (zh) | 2020-11-02 | 2022-10-04 | 中国科学技术大学 | 基于忆阻器的低功耗脉冲卷积神经网络的硬件架构 |
| CN112308799A (zh) | 2020-11-05 | 2021-02-02 | 山东交通学院 | 基于多传感器海上道路复杂环境能见度优化屏幕显示方法 |
| CN112288658B (zh) | 2020-11-23 | 2023-11-28 | 杭州师范大学 | 一种基于多残差联合学习的水下图像增强方法 |
| US20240222167A1 (en) | 2022-06-29 | 2024-07-04 | Shenyang Kingsemi Co., Ltd. | Temperature compensation system, semiconductor device and temperature compensation method |
-
2019
- 2019-02-01 US US16/265,720 patent/US11150664B2/en active Active
-
2020
- 2020-01-28 KR KR1020237044250A patent/KR20240000658A/ko active Application Filing
- 2020-01-28 WO PCT/US2020/015383 patent/WO2020159968A1/en unknown
- 2020-01-28 IL IL309731A patent/IL309731A/en unknown
- 2020-01-28 CN CN202080026743.XA patent/CN113646772A/zh active Pending
- 2020-01-28 IL IL285152A patent/IL285152B2/en unknown
- 2020-01-28 SG SG11202108324UA patent/SG11202108324UA/en unknown
- 2020-01-28 KR KR1020217026372A patent/KR102618662B1/ko active IP Right Grant
- 2020-01-28 EP EP20708347.8A patent/EP3918515A1/en active Pending
- 2020-01-28 JP JP2021544315A patent/JP7374199B2/ja active Active
- 2020-01-28 CA CA3128028A patent/CA3128028A1/en active Pending
- 2020-01-28 AU AU2020216128A patent/AU2020216128A1/en active Pending
-
2021
- 2021-10-14 US US17/450,914 patent/US12014553B2/en active Active
-
2023
- 2023-10-25 JP JP2023182986A patent/JP2024020237A/ja active Pending
-
2024
- 2024-05-16 US US18/666,598 patent/US20240304003A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP3918515A1 (en) | 2021-12-08 |
| JP2022523084A (ja) | 2022-04-21 |
| KR20210120018A (ko) | 2021-10-06 |
| US20200249685A1 (en) | 2020-08-06 |
| WO2020159968A1 (en) | 2020-08-06 |
| US11150664B2 (en) | 2021-10-19 |
| KR102618662B1 (ko) | 2023-12-27 |
| IL285152B1 (en) | 2024-02-01 |
| AU2020216128A1 (en) | 2021-08-19 |
| SG11202108324UA (en) | 2021-08-30 |
| JP7374199B2 (ja) | 2023-11-06 |
| KR20240000658A (ko) | 2024-01-02 |
| IL285152B2 (en) | 2024-06-01 |
| US20220107651A1 (en) | 2022-04-07 |
| CN113646772A (zh) | 2021-11-12 |
| US12014553B2 (en) | 2024-06-18 |
| CA3128028A1 (en) | 2020-08-06 |
| US20240304003A1 (en) | 2024-09-12 |
| IL309731A (en) | 2024-02-01 |
| IL285152A (en) | 2021-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7374199B2 (ja) | 自動運転のための３次元特徴の予測のためのシステム、コンピュータプログラム製品および方法 | |
| JP7467485B2 (ja) | 時系列要素からの機械学習のためのグラウンドトゥルースの生成 | |
| US11790664B2 (en) | Estimating object properties using visual image data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231116 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231116 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240925 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20241008 |