KR102595615B1 - 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법 - Google Patents

기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법 Download PDF

Info

Publication number
KR102595615B1
KR102595615B1 KR1020210133735A KR20210133735A KR102595615B1 KR 102595615 B1 KR102595615 B1 KR 102595615B1 KR 1020210133735 A KR1020210133735 A KR 1020210133735A KR 20210133735 A KR20210133735 A KR 20210133735A KR 102595615 B1 KR102595615 B1 KR 102595615B1
Authority
KR
South Korea
Prior art keywords
data analysis
analysis device
entity
neural network
value
Prior art date
Application number
KR1020210133735A
Other languages
English (en)
Other versions
KR20220049459A (ko
Inventor
마티스 브로소브스키
Original Assignee
독터. 인제니어. 하.체. 에프. 포르쉐 악티엔게젤샤프트
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 독터. 인제니어. 하.체. 에프. 포르쉐 악티엔게젤샤프트 filed Critical 독터. 인제니어. 하.체. 에프. 포르쉐 악티엔게젤샤프트
Publication of KR20220049459A publication Critical patent/KR20220049459A/ko
Application granted granted Critical
Publication of KR102595615B1 publication Critical patent/KR102595615B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)
  • Traffic Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Image Analysis (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 기술적 엔티티(10)를 위한 데이터 분석 장치(30)를 통해 안전 필수 출력 값(y1, y2, …, yn)을 결정하기 위한 방법에 관한 것으로서, - 데이터 분석 장치(30)를 통해 엔티티(10) 및/또는 엔티티(10)의 주변 환경에 대한 데이터 및/또는 측정 값을 수신하는 단계(S10)로서, 데이터/측정 값은, 엔티티(10) 및/또는 엔티티(10)의 주변 환경의 적어도 하나의 상태 및/또는 적어도 하나의 특징을 기술하고 입력 값(x)을 구성하는, 단계; - 적어도 하나의 제1 출력 값(y1)을 결정하기 위한 소프트웨어 애플리케이션을 사용하여, 데이터 분석 장치(30)를 통해 입력 값(x)을 처리하는 단계(S20)를 포함하며, 상기 입력 값을 처리하는 단계는, - 제1 학습 가능 파라미터(θ)를 갖는 복수의 층(hθ(x))을 갖는 신경망을 사용하는 단계(S21); - 출력 값(y1)이 적어도 하나의 타겟 파라미터(s)의 한정된 값 범위(C(s)) 내에 위치되도록, 함수(Ф)를 사용하여 신경망의 마지막 층 또는 추가적인 층을 변경하는 단계(S22); - 제2 학습 가능 파라미터(β)를 갖는 신경망의 추가적인 추가 층(kβ(x))을 사용하여, 타겟 파라미터(s) 및/또는 타겟 파라미터(s)의 값 범위(C(s))를 결정하는 단계(S23)인, 방법 단계를 포함한다.

Description

기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법{METHOD FOR DETERMINING SAFETY-CRITICAL OUTPUT VALUES BY WAY OF A DATA ANALYSIS DEVICE FOR A TECHNICAL ENTITY}
본 발명은 기술적 엔티티(technical entity), 특히 자동차를 위한 데이터 분석 장치를 통해 안전 필수(safety-critical) 출력 값을 결정하기 위한 방법 및 시스템에 관한 것이다.
자동화된 주행 분야에서, 안전 관련 기능은, 특정 적용 사례에서 자동차에 의해 완전히 자체 제어된다. 교통 상황이 자동차의 운전자에 의해 더 이상 모니터링되지 않기 때문에, 이러한 기능은 고장으로부터 완벽하게 보호되어야 한다.
자동차와 같은 기술적 엔티티의 자동화된 안전 모니터링의 경우, 예를 들어, 손상을 방지하고, 유지 보수를 계획하여 비용을 감소시키기 위해, 개별 구성 요소의 특성에서부터 전체 엔티티까지 평가된다. 이를 위해, 이의 오버슈트(overshoot) 또는 언더슈트(undershoot)가 고장 알람과 연계될 수 있고 준수되어야 하는 측정 값을 위한 특성 값 및 지수를 한정하는 것이 적절할 수 있다. 측정 값은, 예를 들어, 허용된 궤적의 계산 또는 자동차에서의 자동화된 거리 모니터링 또는 안면 인식의 범위 내의 광학 데이터 또는 동력 전달 계통(drivetrain) 또는 구성 요소의 작동 상태에서의 손상 주파수(damaging frequency)와 같은, 광학 또는 음향 데이터일 수 있다. 예를 들어, 여기(excitation) 및/또는 손상 주파수에 관한 정보, 또는 사람 또는 그의 주변 환경에 관한 정보를 획득하기 위해, 획득된 측정 데이터에 대해 계산 알고리즘이 한정되어 구성된다. 그 다음, 변화가 발생하는 경우, 개별 구성 요소 및 기술적 엔티티에서 발생하는 가능한 손상의 시기적절한 식별을 제공하기 위해, 주요 성능 지수와 같은 이러한 주요 요인이 모니터링될 수 있다. 그러나, 분석 체인 및/또는 계산 체인에서의 이러한 다양한 단계는 매우 고도의 전문적인 노하우를 필요로 하며, 더욱이, 수학적 관점에서 복잡하고 시간 소모적이다.
DE 101 13 538 B4는 입력 변수를 수신하고, 이로부터 조작 변수를 결정하여 제어 시스템의 작동기에 공급하는 루프 제어기를 갖는 폐루프 제어 장치를 설명한다. 제어 시스템으로부터의 프로세스 변수, 루프 제어기 입력 변수의 일부, 및 루프 제어기에 의해 결정된 조작 변수 중 일부를 수신하고, 이러한 입력 변수로부터 보정 신호를 생성하는, 신경망 보정 인코더(neural correction encoder)가 제공된다.
DE 10 2019 105850 A1은 자동차 및/또는 자동차 구성 요소의 제어기를 위한 감소된 신경망을 생성하기 위한 방법을 설명한다. 제1 신경망의 제1 데이터 필드가 판독되고, 제1 데이터 필드를 사용하여, 감소된 신경망이 생성된다.
따라서, 본 발명의 한 가지 목적은, 컴퓨팅 성능의 효율적인 사용 및 높은 신뢰성으로 구별되는, 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법, 시스템, 및 컴퓨터 프로그램 제품을 제공하는 것이다.
이러한 목적은, 본 발명에 따라, 특허 청구항 제1항의 특징에 의한 방법의 관점에서, 특허 청구항 제7항의 특징에 의한 시스템의 관점에서, 그리고 특허 청구항 제15항의 특징에 의한 컴퓨터 프로그램 제품의 관점에서 달성된다. 추가적인 청구항은 본 발명의 바람직한 실시형태에 관한 것이다.
제1 양태에 따라, 본 발명은 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값(y1, y2, …, yn)을 결정하기 위한 방법에 관한 것으로서,
- 데이터 분석 장치를 통해 엔티티 및/또는 엔티티의 주변 환경에 대한 데이터 및/또는 측정 값을 수신하는 단계로서, 데이터/측정 값은, 엔티티 및/또는 엔티티의 주변 환경의 적어도 하나의 상태 및/또는 적어도 하나의 특징을 기술하고 입력 값을 구성하는, 단계;
- 적어도 하나의 제1 출력 값(y1)을 결정하기 위한 소프트웨어 애플리케이션을 사용하여, 데이터 분석 장치를 통해 입력 값(x)을 처리하는 단계를 포함하며, 입력 값을 처리하는 단계는,
- 제1 학습 가능 파라미터(θ)를 갖는 복수의 층(hθ(x))을 갖는 신경망을 사용하는 단계;
- 출력 값(y1)이 적어도 하나의 타겟 파라미터(s)의 한정된 값 범위(C(s)) 내에 위치되도록, 함수(Ф)를 사용하여 신경망의 마지막 층 또는 추가적인 층을 변경하는 단계;
- 제2 학습 가능 파라미터(β)를 갖는 신경망의 추가적인 추가 층(kβ(x))을 사용하여, 타겟 파라미터(s) 및/또는 타겟 파라미터(s)의 값 범위(C(s))를 결정하는 단계인, 방법 단계를 포함한다.
하나의 추가적인 전개예에서, 타겟 파라미터(s) 및/또는 값 범위(C(s))는, 적어도 하나의 제2 출력 값(y2)을 구성하도록 제공된다.
바람직하게는, 신경망의 계산 값(z)이 타겟 파라미터(s)에 따라 추가로 좌우되도록, 타겟 파라미터(s)로부터 형성된 표현(representation)(g(s))이 추가적인 입력 값으로서 신경망에 전달된다.
일 실시형태에서, 노이즈 성분(Δs)이, 결정된 타겟 파라미터(s)에 추가되도록 제공되며, 노이즈 성분(Δs)은, 파라미터(s)와 동일한 크기를 갖는 난수이다.
본 발명의 일 전개예에서, 제1 출력 값(y1) 및 제2 출력 값(y2)을 결정하기 위해, 학습 가능 파라미터(γ)가 별도로 또는 공동으로 사용되도록 제공된다.
특히, 기술적 엔티티의 특성, 영상, 및 특성 변수, 그리고 이들 사이의 관련성(link)에 관한 데이터를 저장하는 데이터베이스가 사용된다.
바람직하게는, 기술적 엔티티는 자동차이도록 제공된다.
제2 양태에 따라, 본 발명은 데이터 분석 장치를 통해 기술적 엔티티를 위한 안전 필수 출력 값(y1, y2, …, yn)을 결정하기 위한 시스템에 관한 것으로서, 데이터 분석 장치는, 엔티티 및/또는 엔티티의 주변 환경에 대한 데이터 및/또는 측정 값을 데이터 분석 장치에 수신하도록 설계되며, 데이터/측정 값은, 엔티티 및/또는 엔티티의 주변 환경의 적어도 하나의 상태 및/또는 적어도 하나의 특징을 기술하고 입력 값(x)을 구성한다. 입력 값(x)은, 적어도 하나의 제1 출력 값(y1)을 결정하기 위한 소프트웨어 애플리케이션을 사용하여, 데이터 처리 장치에 의해 처리되며,
- 제1 학습 가능 파라미터(θ)를 갖는 복수의 층(hθ(x))을 갖는 신경망을 사용하는 단계;
- 출력 값(y1)이 적어도 하나의 타겟 파라미터(s)의 한정된 값 범위(C(s)) 내에 위치되도록, 함수(Ф)를 사용하여 신경망의 마지막 층 또는 추가적인 층을 변경하는 단계;
- 제2 학습 가능 파라미터(β)를 갖는 신경망의 추가적인 추가 층(kβ(x))을 사용하여, 타겟 파라미터(s) 및/또는 타겟 파라미터(s)의 값 범위(C(s))를 결정하는 단계인, 방법 단계를 포함한다.
하나의 전개예에서, 타겟 파라미터(s) 및/또는 값 범위(C(s))는, 적어도 하나의 제2 출력 값(y2)을 구성하도록 제공된다.
일 실시형태에서, 신경망의 계산 값(z)이 타겟 파라미터(s)에 따라 추가로 좌우되도록, 타겟 파라미터(s)로부터 형성된 표현(g(s))이 추가적인 입력 값으로서 신경망에 전달된다.
바람직하게는, 노이즈 성분(Δs)이, 결정된 타겟 파라미터(s)에 추가되도록 제공되며, 노이즈 성분(Δs)은, 타겟 파라미터(s)와 동일한 크기를 갖는 난수이다.
특히, 제1 출력 값(y1) 및 제2 출력 값(y2)을 결정하기 위해, 학습 가능 파라미터(γ)가 별도로 또는 공동으로 사용된다.
일 실시형태에서, 기술적 엔티티의 특성, 영상, 및 특성 변수, 그리고 이들 사이의 관련성에 관한 데이터를 저장하는 데이터베이스가 사용되도록 제공된다.
기술적 엔티티는 바람직하게는 자동차이다.
제3 양태에 따라, 본 발명은, 실행 시에, 제1 양태에 따른 방법을 실행하도록 구성된 실행 가능 프로그램 코드를 포함하는 컴퓨터 프로그램 제품에 관한 것이다.
본 발명은 도면에 도시된 예시적인 실시형태를 참조하여 아래에 보다 상세히 설명된다.
도면으로서:
도 1은 기술적 엔티티를 위한 안전 필수 출력 값을 결정하기 위한 본 발명에 따른 시스템의 개략도를 도시한다;
도 2는 본 발명에 따른 신경망의 예시적인 제1 실시형태를 도시한다;
도 3은 본 발명에 따른 신경망의 예시적인 제2 실시형태를 도시한다;
도 4는 본 발명에 따른 신경망의 예시적인 제3 실시형태를 도시한다;
도 5는 본 발명에 따른 신경망의 예시적인 제4 실시형태를 도시한다;
도 6은 본 발명에 따른 방법의 개별 방법 단계를 설명하기 위한 흐름도를 도시한다;
도 7은 본 발명의 제4 양태의 일 실시형태에 따른 컴퓨터 프로그램 제품을 도시한다.
본 발명 또는 이의 예시적인 실시형태의 추가적인 특징, 양태, 및 이점은 청구범위와 함께 상세한 설명으로부터 명백해질 것이다.
도 1은 엔티티(10)를 위한 데이터 분석 장치(20)를 통해 안전 필수 출력 값을 결정하기 위한 시스템(100)을 도시한다. 엔티티(10)는 예를 들어 자동차일 수 있다. 엔티티(10)는, 데이터의 형태로 음향, 광학, 화학 및/또는 다른 측정 값을 기록하는 센서(20)를 구비한다. 예를 들어, 센서(20)는, 압력 센서, 압전 센서, 회전 속도 센서, 온도 센서, 및/또는 카메라와 같은 영상 기록 센서일 수 있다. 센서(20)는 측정 값 및 데이터를 데이터 분석 장치(30)에 전달함으로써, 이들이 입력 값(x)을 구성한다. 바람직하게는, 데이터 분석 장치(30)는, 알고리즘을 갖는 소프트웨어 애플리케이션을 통해 입력 값(x)을 처리하는 프로세서(32)를 갖는다. 그러나, 데이터가 초기에 저장 장치(40) 또는 소프트웨어 모듈(45)에 저장되어, 이후에 데이터 분석 장치(30)에 의해 처리되기만 하는 것도 안출 가능하다. 데이터 분석 장치(30)는 하나 이상의 다른 데이터베이스(50)에 추가적으로 액세스할 수 있다. 데이터베이스(50)는, 예를 들어, 엔티티(10)의 특성, 그리고 또한 영상 및 특성 변수와 관련된 정보 또는 데이터를 저장할 수 있다. 예시적인 특성은, 특정 속도로의 모터의 토크 또는 회전 주파수이다. 또한, 예를 들어, 엔티티(10)의 주변 환경으로부터의 영상이 데이터베이스(50)로부터 다운로드될 수 있다. 그러나, 예를 들어, 모터 또는 변속기의 베어링과 같은 엔티티(10)의 설계도가 데이터베이스(50)에 저장되는 것도 안출 가능하다. 또한, 안전 표준을 한정하는 타겟 값 및 타겟 변수가 데이터베이스(50)에 저장될 수 있다. 또한, 계산 결과를 출력하기 위해, 디스플레이로서 설계될 수 있는 사용자 인터페이스(70)가 제공될 수 있다.
본 발명의 맥락에서, "프로세서"는 예를 들어, 기계 또는 전자 회로를 의미하는 것으로 이해될 수 있다. 특히, 프로세서는, 가능하게는 프로그램 명령 등을 저장하기 위한 저장 장치와 조합되는, 중앙 처리 장치(central processing unit: CPU), 마이크로프로세서 또는 마이크로컨트롤러, 예를 들어 주문형 집적 회로 또는 디지털 신호 프로세서일 수 있다. 또한, 프로세서는 가상화 프로세서, 가상 기계 또는 소프트 CPU인 것으로 이해될 수 있다. 예를 들어, 이는 본 발명에 따른 특정 방법을 수행하기 위한 구성 단계를 구비하거나 구성 단계로 구성되는 프로그래밍 가능 프로세서일 수도 있으며, 이에 따라 프로그래밍 가능 프로세서는, 본 발명의 방법, 구성 요소, 모듈, 또는 다른 양태 및/또는 부분적인 양태의 진보적인 특징을 구현한다.
본 발명의 맥락에서, "저장 장치" 또는 "저장 모듈" 등은, 예를 들어, 랜덤 액세스 메모리(random access memory: RAM) 형태의 휘발성 메모리, 또는 하드 드라이브와 같은 영구적 메모리, 또는 데이터 캐리어, 또는 예를 들어 교체 가능 저장 모듈을 의미하는 것으로 이해될 수 있다. 그러나, 저장 모듈은 클라우드 기반 저장 솔루션일 수도 있다.
본 발명의 맥락에서, "모듈"은 예를 들어, 프로그램 명령을 저장하기 위한 저장 장치 및/또는 프로세서를 의미하는 것으로 이해될 수 있다. 예를 들어, 프로세서는, 프로세서가 본 발명에 따른 방법 또는 본 발명에 따른 방법의 단계를 구현하거나 실현하기 위한 기능을 수행하도록 하기 위해, 프로그램 명령을 실행하도록 특별히 설계된다.
본 발명의 맥락에서, "측정 값"은, 센서(20)의 측정 결과로부터의 이미 준비된 데이터 및 미가공 데이터 둘 모두를 의미하는 것으로 이해되어야 한다.
도 2는 본 발명에 따른 동적 제한을 갖는 신경망의 모델링을 도시한다. 본 발명에 따라, 데이터 분석 장치(30)는, 입력 값(x)을 처리하기 위해, 각각의 순방향 컴퓨팅 단계에서 입력 값(x)에 대해 목표된 방식으로 적어도 하나의 제1 출력 값(y1)의 값 범위를 제한하는 특성을 갖는 인공 신경망의 변경된 아키텍처를 사용한다. 바람직하게는, 입력 값(x)은 센서(20)로부터의 측정 값의 데이터이다. 그러나, 데이터베이스(50) 또는 다른 소스로부터의 입력 값(x)도 사용될 수 있다.
학습 가능 파라미터(θ)를 갖는 다양한 층(hθ(x))으로 구성된 알려진 아키텍처를 갖는 신경망은, 출력 값 범위(C(s))에 대한 제한을 제어하기 위해, 확장 함수(Ф)와 조합된다. 함수(Ф)는, 신경망의 계산 값(z)을 타겟 파라미터(s)에 따른 값 범위(C(s))에 매핑시킨다. 함수(Ф) 자체는, 임의의 학습 가능 파라미터(θ)를 포함하지 않는다.
이 경우, 본 발명에 따라, 적어도 하나의 타겟 파라미터(s)는, 입력 값(x)으로부터의 전용 학습 가능 파라미터(β)를 갖는 신경망의 추가적인 층()에 의해 결정된다. 따라서, 신경망에 의해 결정된 이러한 타겟 파라미터(s)는, 추가적인 입력 값인 것으로 간주될 수 있다. 따라서, 타겟 파라미터(s)는 입력 값에 기초하여 신경망을 통해 학습되므로, 외부 명세서(external specification)를 통하지 않고 그대로 계산을 통해 자체 결정된다.
타겟 파라미터(s)는, 신경망의 최대 출력 세트(D)의 서브세트(C(s))를 한정한다. θ는 바람직하게는 신경망의 학습 가능 파라미터를 나타내지만, 이들은 임의의 다른 파라미터를 구성할 수도 있다. 제1 출력 값(y1)은 다음과 같이 한정된다:
여기서,
이러한 방식으로 본 발명에 따른 신경망의 아키텍처를 한정함으로써, 신경망의 출력 값(y1=fθ(x,s))이 출력 세트(C(s))에만 위치되는 것으로 결정한다. 본 발명의 범위 내에서, 이러한 아키텍처를 갖는 신경망은, 동적 제한을 갖는 신경망으로 지칭된다. 신경망의 알려진 아키텍처가 사용되어 함수(Ф)에 의해 변경됨으로써, 출력 값(y1)은 한정된 출력 값 범위(C(s)) 내에 위치된다. 이 경우, 알려진 신경망은 트레이닝 알고리즘으로서 적용될 수 있다. 특히, 이는 동적 제한을 갖는 본 발명에 따른 신경망을 위해 사용될 수 있는, 구배(gradient) 기반 최적화 방법 및 분류 방법에 적용된다. 본 발명에 따른 신경망을 위한 알려진 트레이닝 알고리즘의 사용은, 추가적인 안전 특성이 추가될 수 있다는 점에서 바람직하다. 구배 기반 학습 방법이 적용될 수 있도록 하기 위해, 함수(Ф(z, s))가 z 뿐만 아니라 추가적으로 s로 미분 가능한 것이 바람직하다.
신경망의 추가적인 층()에 의해 결정되는 타겟 파라미터(s), 및 이에 할당된 값 범위(C(s))는, 신경망의 제2 출력 값(y2)을 형성할 수 있다.
따라서, 본 발명은 알려진 아키텍처를 갖는 신경망을 특정 방식으로 변경함으로써, 동적 제한을 갖는 신경망을 생성한다. 본 발명에 따른 신경망은, 특정 파라미터(s)에 대해 한정되는, 한정된 값 범위(C(s)) 내의 각각의 제1 출력 값(y1)을 매핑시킨다. 따라서, 알려진 신경망에서 일반적으로 발생하는 바와 같은, 예기치 않은 출력 값이 방지될 수 있다. 대조적으로, 본 발명에 따른 신경망은 값 범위(C(s)) 내에 위치된 출력 값을 공급하므로, 이의 구조의 관점에서 결정론적으로 적용된다. 파라미터(s) 및 값 범위(C(s))는, 입력 값(x)에 기초하여 신경망의 추가적인 층()을 통해 결정된다. 따라서, 타겟 파라미터(s), 및 이에 따라 이에 할당된 값 범위(C(s))는, 입력 값(x)에 기초하여 결정된다.
도 3은 파라미터(s)의 표현(g(s))이 신경망에 공급되는 본 발명에 따른 신경망의 확장을 도시한다. 따라서, 타겟 파라미터(s)로부터 형성된 표현(g(s))이 추가적인 입력 값(x)으로서 신경망에 전달되는 경우, 신경망의 계산 값(z)은 타겟 파라미터(s) 자체에 따라 좌우된다. 이 경우, 함수(Ф(z, s))는 신경망의 계산 값()에 적용되며, 신경망의 출력 값(y1)을 값 범위(C(s))에 매핑시킨다. 함수(Ф)가 z로 추가적으로 미분 가능한 경우, 이에 따라 구배 기반 최적화 방법이 본 발명에 따른 이러한 신경망에 적용될 수 있다.
따라서, 다음이 적용된다:
이는 복수의 타겟 파라미터(si), 및 이에 따라 복수의 제한된 값 범위(C(si))가 하나 이상의 입력 값(x)에 대해 사용되는 경우에 적절하다. 표현(g(s))을 사용하는 경우, 중간 변수(z)도 타겟 파라미터(s)에 따라 좌우된다. 구배 기반 학습 방법이 적용될 수 있도록 하기 위해, 표현(g(s))은 미분 가능한 것이 바람직하다.
또한, 도 3은 타겟 파라미터(s) 및 이에 할당된 값 범위(C(s))가 신경망의 제2 출력 값(y2)을 형성하는 것을 도시한다.
학습된 타겟 파라미터(s)가 출력(C(s))의 해석 가능한 제한을 기술하기 때문에, 신경망 자체에 의해 결정되는 타겟 파라미터(s)에 의해, 해석 능력이 증가된다. 예를 들어, 영상 처리에서, 결정된 타겟 파라미터(s)는, 신경망의 출력 값(y1)을 커버하는 2차원 영상 영역의 일 영역을 구성할 수 있다. 이는 예를 들어, 코끝과 같은 안면 상의 특정 방향 지점(랜드마크)을 위치 결정하는 작업이 신경망에 할당된 경우, 예를 들어, 사람의 안면 둘레의 경계 박스(bounding box)일 수 있다.
결정된 타겟 파라미터(s)는 신경망의 다른 출력(y2)을 구성하기 때문에, 멀티태스크 학습 알고리즘을 사용하는 것이 가능하다. 이 경우, 상이한 출력 값(y1, y2, …, yn)의 동시적인 학습이 성능을 증가시킬 수 있다.
출력 값(y1, y2, …, yn)은 값 범위(C(s))의 제한에 대하여 일관되기 때문에, 다양한 출력 값(y1, y2, …, yn) 사이의 상관 관계를 고려하는 것이 가능하다. 따라서, 영상 처리 분야에서, 경계 박스 및 랜드마크는 서로 무관하게 예측되는 것이 아니라, 오히려 보장된 방식으로 경계 박스가 안면 상의 랜드마크를 더 포함하도록 예측된다.
도 4에 도시된 바와 같이, 추가적인 일 전개예에서, 노이즈 성분(Δs)을 결정된 타겟 파라미터(s)에 추가하도록 제공될 수 있다. Δs는 파라미터(s)와 동일한 크기를 갖는 난수로서, 이의 절대값은 으로 제한된다. 이에 따라, 이들의 형식의 관점에서 가변적인 제한을 갖는 다양한 영역()에 대한 견고한 예측을 달성할 수 있다. 또한, 이는 미분 가능성 및 이에 따른 구배 기반 학습 방법의 적용에 영향을 주지 않는다.
도 5는 제1 출력 값() 및 제2 출력 값()을 결정하기 위해, 학습 가능 파라미터(γ)가 별도로 또는 공동으로 사용되는 것을 도시한다.
신경망은 일반적으로 다차원 설계이기 때문에, 본 발명에 따른 동적 제한을 갖는 신경망의 모델링은, M개의 정점()을 갖는 임의의 N차원 볼록 다면체(convex polytope)(C(s))에 대한 출력 값 범위의 제한과 관련하여 아래에 설명된다. 다면체(C(s))는, M개의 N차원 정점의 좌표에 의해 제한적인 타겟 파라미터로서 명시된다(). 신경망의 최종 층의 계산 값(z)은, 로서 한정된다. 이제, 함수(Ф)는 다음과 같이,
또는
로 한정되며,
계산 값() 및 타겟 파라미터()에 적용되고, 여기서 σ는 M차원 소프트맥스 함수(softmax function)를 나타낸다. 이 경우, 소프트맥스 함수(σ)는, 실수 성분을 갖는 M차원 벡터(z)를 값 범위((0, 1)) 내에서 마찬가지로 실수 성분을 갖는 M차원 벡터(σ(z))로 변환하며, 벡터(σ(z))의 성분은 대체로 1로 합산된다.
결과적으로, 출력 값(y)의 값 범위(C(s))에 대해, 다음의 수식이 도출된다:
따라서, 볼록 다면체(C(s))의 벡터(s)가 표현(g(s))으로서 신경망에 전달되는 경우, 결과는 고려되는 볼록 다면체(C(s))에 결과적으로 위치된다.
본 발명의 범위에 따라, 신경망의 다차원 출력의 다양한 성분(zk)을 상이한 크기 및 정점 수를 각각 갖는 k개의 상이한 볼록 다면체(Ck)로 제한하기 위한 추가적인 일반화가 가능하다. 다양한 계산 값(z1, …, zk)에 대해, 성분(Z1, …, zk)을 출력 값(y1, …, yk)에 매핑시키기 위해 상이한 함수(Ф1, …, Фk)가 선택된다. 볼록 다면체(Ck)는, 모든 다면체의 정점의 좌표를 조합함으로써 표현될 수 있다.
대체로, 볼록 다면체로 분할되는 비-볼록 다면체에 의해, 신경망의 출력 값(y)을 비-볼록 다면체로 제한하는 것도 안출 가능하다. 그 다음, 본 발명에 따른 방법이 볼록 다면체 성분에 수행될 수 있다. 추가적으로, 특정 문제에 대한 최상의 솔루션을 표현하는 다면체 성분을 선택하기 위해, 소프트맥스 확률이 사용된다.
또한, 동적 제한을 갖는 이러한 다차원 신경망은, 복수의 기술적 엔티티를 서로 연결할 수 있게 한다. 따라서, 예를 들어, 특정 자동차 유형의 다양한 자동차 간에 비교하는 것이 가능하다. 예를 들어, 본 발명의 알고리즘을 통해, 예를 들어, 한정된 주행 거리 후의 변속기의 작동과 같은, 기술적 데이터의 평균값과 관련하여 데이터 분석을 확인하기 위해, 다양한 자동차로부터의 데이터가 이의 작동 동안 클라우드에 전송될 수 있다.
본 발명은 예를 들어, 자율 주행 자동차의 경우의 운동 계획(motion planning)과 같은, 다수의 적용예를 위해 사용될 수 있다. 이 경우, 입력 데이터(x)는 예를 들어, 카메라와 같은 자동차의 센서로부터의 측정 값일 수 있거나, 라이다, 레이더 또는 초음파가 사용될 수 있다. 물체 데이터와 같은 이미 처리된 측정 값을 사용하는 것도 가능하다. 예를 들어, 출력 값(y1)은, 시간적 및 공간적 주변 환경에 관한 데이터를 갖는 입력 값(x)에 기초하여 궤적을 구성할 수 있다. 타겟 파라미터(s)는, 지리적 지형의 주행 가능 영역(C(s))을 표현한다. 본 발명에 따라, 주행 가능 영역을 한정하는 이러한 타겟 파라미터(s)는, 신경망의 추가적인 출력 값(y2)으로서 결정된다: y2 = s. 이러한 타겟 파라미터(s)는 신경망을 사용하여 결정되기 때문에, 본 발명에 따라, 예측된 궤적(y1)이 예측된 주행 가능 영역(C(s) = C(y2))에 위치되고, 이에 따라 특정 문제에 대한 일관된 솔루션을 구성하도록 보장하는 것이 가능하다.
또한, 본 발명에 따른 신경망의 변경된 아키텍처에 의해, 계산 비용이 감소될 수 있다. 추가적으로, 높은 정확도의 계산 결과로 구별되는, 심층 신경망을 사용하는 것이 가능하다. 이는 작은 공차로 구별되는, 안전 필수 적용예의 경우에 특히 중요하다. 상이한 카테고리의 제한이 다양한 출력 값(y1, y2, …, yn)에 의해 추가적으로 한정될 수 있으며, 이들은 각각의 적용 사례와 관련된다.
자동차의 운동 계획을 계산하기 위해 사용되는 알려진 신경망은, 이들의 "블랙박스 특징(black box character)"으로 인해, 이들의 작동이 어렵게만 예측 가능하다는 점에서 바람직하지 않다. 따라서, 이들은 이에 제기된 안전성의 관점에서 요구가 많은 상황에 대해 제한적으로만 사용된다. 특히, 자율 주행 분야에서의 사용을 위해, 다른 차량 사용자와의 충돌을 유발하는 운동 계획을 방지하는 것이 필요하다. 대조적으로, 본 발명에 따른 신경망은, 출력 값 범위(C(s))를 제한함으로써, 충돌을 유발하는 궤적의 선택과 같은, 특정 작동 패턴을 방지할 수 있게 한다. 운동 계획의 경우, 본 발명에 따른 알고리즘은, 존재하여 검출되는 다른 자동차와의 충돌을 회피하는 궤적만을 허용한다. 본 발명에 따라, 자동차의 운동 계획은 자동차의 공간적 및 시간적 위치 변화를 포함하기 때문에, 출력 값 범위(C(s))는, 시간이 지남에 따라 동적으로 변경될 수 있다. 궤적이 시간(t)에서 이전에 한정된 공간 영역 내에 위치된 경우에만, 자동차의 이동이 허용된다.
본 발명의 추가적인 예시적인 적용예는, 예를 들어, 차선 유지 보조 장치의 경우의 횡방향 폐루프 제어, 또는 적응형 크루즈 컨트롤(adaptive cruise control: ACC)의 경우의 종방향 폐루프 제어와 같은, 자동차의 x 좌표 및 y 좌표의 폐루프 제어의 적용예이다. 이 경우, 바람직하게는, 예를 들어 앞선 자동차와의 거리와 같은 측정 데이터에 기초하여, 타겟 가속도 또는 타겟 조향각이 출력 값으로서 계산된다. 본 발명에 따른 알고리즘을 사용하는 폐루프 제어는, 입력 값으로서 측정 값에 기초하여, 출력 값에 대한 하한값 및 상한값을 계산할 수 있다. 바람직하게는, 신경망의 작동은, 자동차에서 사용되기 전에, 이러한 한계값 내에서 트레이닝될 수 있다.
따라서, 본 발명에 따른 신경망의 작동은, 데이터를 통해 그 자체가 알려진 방식으로 암시적으로만 트레이닝되는 것이 아니라, 그 대신에, 출력 값 범위(C(s))를 결정함으로써 명시적인 모델링도 가능하다. 결과적으로, 출력 값 범위(C(s))는, 신경망을 통해 계산되는 타겟 파라미터(s)에 의해 결정된다. 이로 인해, 타겟 파라미터(s)의 결정이 개선된다.
따라서, 본 발명에 따른 기술적 엔티티(10)의 안전 필수 출력 값(y1, y2, …, yn)을 결정하기 위한 방법은 다음의 단계를 포함한다:
단계(S10)에서, 엔티티(10) 및/또는 엔티티(10)의 주변 환경에 대한 데이터 및/또는 측정 값이 데이터 분석 장치(30)를 통해 수신되며, 데이터/측정 값은, 엔티티(10) 및/또는 엔티티(10)의 주변 환경의 적어도 하나의 상태 및/또는 하나의 특징을 기술하고 입력 값(x)을 구성한다.
단계(S20)에서, 적어도 하나의 제1 출력 값(y1)을 결정하기 위한 소프트웨어 애플리케이션을 사용하여, 데이터 분석 장치(30)에서 입력 값(x)이 처리되며, 다음의 방법 단계를 포함한다:
단계(S21)에서, 제1 학습 가능 파라미터(θ)를 갖는 복수의 층(hθ(x))을 갖는 신경망이 사용된다.
단계(S22)에서, 출력 값(y1)이 적어도 하나의 타겟 파라미터(s)의 한정된 값 범위(C(s)) 내에 있도록, 함수(Ф)를 사용하여, 신경망의 마지막 층 또는 추가적인 층이 변경된다.
단계(S23)에서, 제2 학습 가능 파라미터(β)를 갖는 신경망의 추가적인 추가 층(kβ(x))에 의해, 타겟 파라미터(s) 및/또는 타겟 파라미터(s)의 값 범위(C(s))가 결정된다.
10: 엔티티
20: 센서
30: 데이터 분석 장치
32: 프로세서
40: 저장 장치
45: 소프트웨어 모듈
50: 데이터베이스
70: 사용자 인터페이스
100: 시스템
200: 컴퓨터 프로그램 제품
250: 프로그램 코드
x: 입력 값
y: 출력 값

Claims (15)

  1. 기술적 엔티티(10)를 위한 데이터 분석 장치(30)를 통해 안전 필수 출력 값(y1, y2, …, yn)을 결정하기 위한 방법으로서,
    - 데이터 분석 장치(30)를 통해 엔티티(10) 및/또는 엔티티(10)의 주변 환경에 대한 데이터 및/또는 측정 값을 수신하는 단계(S10)로서, 상기 데이터/측정 값은, 엔티티(10) 및/또는 엔티티(10)의 주변 환경의 적어도 하나의 상태 및/또는 적어도 하나의 특징을 기술하고 입력 값(x)을 구성하는, 단계;
    - 적어도 하나의 제1 출력 값(y1)을 결정하기 위한 소프트웨어 애플리케이션을 사용하여, 데이터 분석 장치(30)를 통해 입력 값(x)을 처리하는 단계(S20)를 포함하며,
    상기 입력 값을 처리하는 단계는,
    - 제1 학습 가능 파라미터(θ)를 갖는 복수의 층(hθ(x))을 갖는 신경망을 사용하는 단계(S21);
    - 출력 값(y1)이 적어도 하나의 타겟 파라미터(s)의 한정된 값 범위(C(s)) 내에 위치되도록, 함수(Ф)를 사용하여 상기 신경망의 마지막 층 또는 추가적인 층을 변경하는 단계(S22);
    - 제2 학습 가능 파라미터(β)를 갖는 상기 신경망의 추가적인 추가 층(kβ(x))을 사용하여, 타겟 파라미터(s) 및/또는 타겟 파라미터(s)의 값 범위(C(s))를 결정하는 단계(S23)인, 방법 단계를 포함하는,
    기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법.
  2. 제1항에 있어서,
    타겟 파라미터(s) 및/또는 값 범위(C(s))는, 적어도 하나의 제2 출력 값(y2)을 구성하는, 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법.
  3. 제1항 또는 제2항에 있어서,
    상기 신경망의 계산 값(z)이 타겟 파라미터(s)에 따라 추가로 좌우되도록, 타겟 파라미터(s)로부터 형성된 표현(g(s))이 추가적인 입력 값으로서 상기 신경망에 전달되는, 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법.
  4. 제1항 또는 제2항에 있어서,
    노이즈 성분(Δs)이, 상기 결정된 타겟 파라미터(s)에 추가되며,
    노이즈 성분(Δs)은 파라미터(s)와 동일한 크기를 갖는 난수인, 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법.
  5. 제1항 또는 제2항에 있어서,
    제1 출력 값(y1) 및 제2 출력 값(y2)을 결정하기 위해, 학습 가능 파라미터(γ)가 별도로 또는 공동으로 사용되는, 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법.
  6. 제1항 또는 제2항에 있어서,
    기술적 엔티티(10)의 특성, 영상, 및 특성 변수, 그리고 이들 사이의 관련성에 관한 데이터를 저장하는 데이터베이스(50)가 사용되는, 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법.
  7. 제1항 또는 제2항에 있어서,
    기술적 엔티티(10)는 자동차인, 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법.
  8. 데이터 분석 장치(30)를 통해 기술적 엔티티(10)를 위한 안전 필수 출력 값(y1, y2, …, yn)을 결정하기 위한 시스템(100)으로서,
    데이터 분석 장치(30)는, 엔티티(10) 및/또는 엔티티(10)의 주변 환경에 대한 데이터 및/또는 측정 값을 데이터 분석 장치(30)에 수신하도록 설계되며, 상기 데이터/측정 값은, 엔티티(10) 및/또는 엔티티(10)의 주변 환경의 적어도 하나의 상태 및/또는 적어도 하나의 특징을 기술하고 입력 값(x)을 구성하며,
    상기 데이터 분석 장치는, 적어도 하나의 제1 출력 값(y1)을 결정하기 위한 소프트웨어 애플리케이션을 사용하여, 입력 값(x)을 처리하도록 설계되고,
    - 제1 학습 가능 파라미터(θ)를 갖는 복수의 층(hθ(x))을 갖는 신경망을 사용하는 단계(S21);
    - 출력 값(y1)이 적어도 하나의 타겟 파라미터(s)의 한정된 값 범위(C(s)) 내에 위치되도록, 함수(Ф)를 사용하여 상기 신경망의 마지막 층 또는 추가적인 층을 변경하는 단계(S22);
    - 제2 학습 가능 파라미터(β)를 갖는 상기 신경망의 추가적인 추가 층(kβ(x))을 사용하여, 타겟 파라미터(s) 및/또는 타겟 파라미터(s)의 값 범위(C(s))를 결정하는 단계(S23)인, 방법 단계를 포함하는,
    데이터 분석 장치를 통해 기술적 엔티티를 위한 안전 필수 출력 값을 결정하기 위한 시스템(100).
  9. 제8항에 있어서,
    타겟 파라미터(s) 및/또는 값 범위(C(s))는, 적어도 하나의 제2 출력 값(y2)을 구성하는, 데이터 분석 장치를 통해 기술적 엔티티를 위한 안전 필수 출력 값을 결정하기 위한 시스템(100).
  10. 제8항 또는 제9항에 있어서,
    상기 신경망의 계산 값(z)이 타겟 파라미터(s)에 따라 추가로 좌우되도록, 타겟 파라미터(s)로부터 형성된 표현(g(s))이 추가적인 입력 값으로서 상기 신경망에 전달되는, 데이터 분석 장치를 통해 기술적 엔티티를 위한 안전 필수 출력 값을 결정하기 위한 시스템(100).
  11. 제8항 또는 제9항에 있어서,
    노이즈 성분(Δs)이, 상기 결정된 타겟 파라미터(s)에 추가되며,
    노이즈 성분(Δs)은 파라미터(s)와 동일한 크기를 갖는 난수인, 데이터 분석 장치를 통해 기술적 엔티티를 위한 안전 필수 출력 값을 결정하기 위한 시스템(100).
  12. 제8항 또는 제9항에 있어서,
    제1 출력 값(y1) 및 제2 출력 값(y2)을 결정하기 위해, 학습 가능 파라미터(γ)가 별도로 또는 공동으로 사용되는, 데이터 분석 장치를 통해 기술적 엔티티를 위한 안전 필수 출력 값을 결정하기 위한 시스템(100).
  13. 제8항 또는 제9항에 있어서,
    기술적 엔티티(10)의 특성, 영상, 및 특성 변수, 그리고 이들 사이의 관련성에 관한 데이터를 저장하는 데이터베이스(50)가 사용되는, 데이터 분석 장치를 통해 기술적 엔티티를 위한 안전 필수 출력 값을 결정하기 위한 시스템(100).
  14. 제8항 또는 제9항에 있어서,
    기술적 엔티티(10)는 자동차인, 데이터 분석 장치를 통해 기술적 엔티티를 위한 안전 필수 출력 값을 결정하기 위한 시스템(100).
  15. 저장매체에 저장된 컴퓨터 프로그램으로서,
    실행 시에, 제1항 또는 제2항에 따른 방법을 실행하도록 구성된 실행 가능 프로그램 코드(250)를 포함하는,
    컴퓨터 프로그램.
KR1020210133735A 2020-10-14 2021-10-08 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법 KR102595615B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020127051.8 2020-10-14
DE102020127051.8A DE102020127051A1 (de) 2020-10-14 2020-10-14 Verfahren zur Bestimmung von sicherheitskritischen Ausgabewerten mittels einer Datenanalyseeinrichtung für eine technische Entität

Publications (2)

Publication Number Publication Date
KR20220049459A KR20220049459A (ko) 2022-04-21
KR102595615B1 true KR102595615B1 (ko) 2023-10-31

Family

ID=80818057

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210133735A KR102595615B1 (ko) 2020-10-14 2021-10-08 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법

Country Status (4)

Country Link
US (1) US20220114416A1 (ko)
KR (1) KR102595615B1 (ko)
CN (1) CN114358241A (ko)
DE (1) DE102020127051A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021105174B3 (de) * 2021-03-04 2022-03-31 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und Vorrichtung zur Spurregelung eines Fahrzeugs

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10113538B4 (de) 2001-03-20 2012-03-01 Bayerische Motoren Werke Aktiengesellschaft Regelvorrichtung und Regelverfahren
US10268200B2 (en) * 2016-12-21 2019-04-23 Baidu Usa Llc Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle
EP3714285B1 (en) * 2019-01-30 2022-07-27 Baidu.com Times Technology (Beijing) Co., Ltd. Lidar localization using rnn and lstm for temporal smoothness in autonomous driving vehicles
DE102019105850A1 (de) 2019-03-07 2019-04-18 FEV Europe GmbH Verfahren zur Erzeugung eines reduzierten neuronalen Netzes für ein Steuergerät eines Fahrzeuges mithilfe von Eigenvektoren

Also Published As

Publication number Publication date
CN114358241A (zh) 2022-04-15
KR20220049459A (ko) 2022-04-21
DE102020127051A1 (de) 2022-04-14
US20220114416A1 (en) 2022-04-14

Similar Documents

Publication Publication Date Title
Kuutti et al. A survey of deep learning applications to autonomous vehicle control
US11932249B2 (en) Methods and devices for triggering vehicular actions based on passenger actions
US11794748B2 (en) Vehicle system for recognizing objects
US11091158B2 (en) System and method for controlling motion of vehicle with variable speed
Dean et al. Robust guarantees for perception-based control
US10994729B2 (en) System and method for controlling lateral motion of vehicle
CA3096415A1 (en) Dynamically controlling sensor behavior
Lee et al. Ensemble bayesian decision making with redundant deep perceptual control policies
CN110941272A (zh) 自动驾驶控制方法和设备
Yüksel Intelligent visual servoing with extreme learning machine and fuzzy logic
US20230063845A1 (en) Systems and methods for monocular based object detection
KR102595615B1 (ko) 기술적 엔티티를 위한 데이터 분석 장치를 통해 안전 필수 출력 값을 결정하기 위한 방법
CN114286770A (zh) 用于在自主车辆中实现安全停止释放的系统和方法
CN114118350A (zh) 观察的车辆姿态的自监督估计
US20210397195A1 (en) Robot navigation using a high-level policy model and a trained low-level policy model
Vallon et al. Data-driven strategies for hierarchical predictive control in unknown environments
Tian et al. Personalized lane change planning and control by imitation learning from drivers
CN111830962A (zh) 强化学习代理控制器的解释数据
US20220080586A1 (en) Device and method for controlling a robotic device
US20230020503A1 (en) Machine control
Dombi et al. Data-driven interval type-2 fuzzy inference system based on the interval type-2 distending function
Kang et al. Fusion drive: End-to-end multi modal sensor fusion for guided low-cost autonomous vehicle
US20220048527A1 (en) Device and method for controlling a hardware agent in a control situation having a plurality of hardware agents
US11481614B2 (en) Method and system for generating safety-critical output values of an entity
CN112700001A (zh) 用于深度强化学习的认证对抗鲁棒性

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant