RU2017146151A - Формирование моделированных данных датчиков для обучения и проверки достоверности моделей обнаружения - Google Patents

Формирование моделированных данных датчиков для обучения и проверки достоверности моделей обнаружения Download PDF

Info

Publication number
RU2017146151A
RU2017146151A RU2017146151A RU2017146151A RU2017146151A RU 2017146151 A RU2017146151 A RU 2017146151A RU 2017146151 A RU2017146151 A RU 2017146151A RU 2017146151 A RU2017146151 A RU 2017146151A RU 2017146151 A RU2017146151 A RU 2017146151A
Authority
RU
Russia
Prior art keywords
sensor
dimensional model
model
sensors
locations
Prior art date
Application number
RU2017146151A
Other languages
English (en)
Other versions
RU2017146151A3 (ru
RU2694154C2 (ru
Inventor
Эшли Элизабет МИКС
Снеха КАДЕТОТАД
Джинеш Дж. ДЖАЙН
Дунжань ЛЮ
Маркос Пау ХЕРАРДО КАСТРО
Видия НАРИЯМБУТ МУРАЛИ
Original Assignee
ФОРД ГЛОУБАЛ ТЕКНОЛОДЖИЗ, ЭлЭлСи
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 ФОРД ГЛОУБАЛ ТЕКНОЛОДЖИЗ, ЭлЭлСи filed Critical ФОРД ГЛОУБАЛ ТЕКНОЛОДЖИЗ, ЭлЭлСи
Publication of RU2017146151A publication Critical patent/RU2017146151A/ru
Application granted granted Critical
Publication of RU2694154C2 publication Critical patent/RU2694154C2/ru
Publication of RU2017146151A3 publication Critical patent/RU2017146151A3/ru

Links

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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06G—ANALOGUE COMPUTERS
    • G06G7/00—Devices in which the computing operation is performed by varying electric or magnetic quantities
    • G06G7/48—Analogue computers for specific processes, systems or devices, e.g. simulators
    • G06G7/70—Analogue computers for specific processes, systems or devices, e.g. simulators for vehicles, e.g. to determine permissible loading of ships, centre of gravity, necessary fuel
    • 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
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/06—Simulation on general purpose computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Remote Sensing (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mechanical Engineering (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Transportation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Traffic Control Systems (AREA)

Claims (48)

1. Способ, содержащий, посредством компьютерной системы, этапы, на которых:
- моделируют восприятие трехмерной модели посредством одного или более датчиков, чтобы получать один или более выводов датчиков таким образом, что один или более выводов датчиков моделируют шум датчиков;
- снабжают примечаниями один или более выводов датчиков согласно местоположениям препятствий в трехмерной модели; и
- выполняют по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям.
2. Способ по п. 1, в котором один или более датчиков задаются относительно модели рассматриваемого транспортного средства;
- при этом один или более датчиков задаются посредством одного или более местоположений камер; и
- при этом моделирование восприятия трехмерной модели посредством одного или более датчиков содержит этап, на котором моделируют обнаружение изображений трехмерной модели из одного или более местоположений камер.
3. Способ по п. 1, в котором один или более датчиков задаются относительно модели рассматриваемого транспортного средства;
- при этом один или более датчиков задаются посредством местоположения радарного датчика (на основе радиообнаружения и дальнометрии); и
- при этом моделирование восприятия трехмерной модели посредством одного или более датчиков содержит этап, на котором моделируют вывод радарного датчика согласно восприятию трехмерной модели из местоположения радарного датчика.
4. Способ по п. 1, в котором один или более датчиков задаются относительно модели рассматриваемого транспортного средства;
- при этом один или более датчиков задаются посредством местоположения лидарного датчика (на основе оптического обнаружения и дальнометрии); и
- при этом моделирование восприятия трехмерной модели посредством одного или более датчиков содержит этап, на котором моделируют вывод лидарного датчика согласно восприятию трехмерной модели из местоположения лидарного датчика.
5. Способ по п. 1, в котором трехмерная модель дополнительно включает в себя определение скоростей для одного или более смежных транспортных средств и скорости рассматриваемого транспортного средства, задающего одно или более местоположений одного или более датчиков.
6. Способ по п. 1, в котором моделирование восприятия трехмерной модели посредством одного или более датчиков, чтобы получать один или более выводов датчиков таким образом, что один или более выводов датчиков моделируют шум датчиков, содержит этапы, на которых:
- идентифицируют местоположение препятствия в трехмерной модели;
- формируют один или более выводов датчика, соответствующих местоположению препятствия относительно местоположений одного или более датчиков в трехмерной модели; и
- добавляют шум в один или более выводов датчиков согласно одной или более моделей дисперсии одного или более датчиков.
7. Способ по п. 1, в котором моделирование восприятия трехмерной модели посредством одного или более датчиков, чтобы получать один или более выводов датчиков таким образом, что один или более выводов датчиков моделируют шум датчиков, содержит этап, на котором выполняют по меньшей мере одно из моделирования обнаружения трехмерной модели с достаточной детализацией того, что шум датчиков присутствует в одном или более выводов датчиков.
8. Способ по п. 1, в котором снабжение примечаниями одного или более выводов датчиков согласно местоположениям препятствий в трехмерной модели содержит этап, на котором снабжают примечаниями один или более выводов датчиков с местоположениями препятствий в трехмерной модели; и
- при этом по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям статистической модели содержит этап, на котором тестируют статистическую модель, которая отслеживает препятствия и назначает вероятность ожидаемому местоположению для каждого препятствия из препятствий.
9. Способ по п. 1, в котором снабжение примечаниями одного или более выводов датчиков согласно местоположениям препятствий в трехмерной модели содержит этап, на котором снабжают примечаниями один или более выводов датчиков с состоянием занятости области, смежной с моделью рассматриваемого транспортного средства согласно местоположениям препятствий в трехмерной модели;
- при этом по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям статистической модели содержит этап, на котором тестируют статистическую модель, которая обновляет вероятность занятости области согласно одному или более выводов датчиков.
10. Способ по п. 1, в котором снабжение примечаниями одного или более выводов датчиков согласно местоположениям препятствий в трехмерной модели содержит этап, на котором снабжают примечаниями один или более выводов датчиков с сеткой таким образом, что каждый квадрат сетки снабжается примечаниями занят ли каждый квадрат одним из препятствий;
- при этом по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям статистической модели содержит этап, на котором тестируют статистическую модель, которая обновляет вероятность занятости квадратов сетки, окружающей транспортное средство согласно одному или более выводов датчиков.
11. Система, содержащая одно или более устройств обработки и одно или более запоминающих устройств, функционально соединенных с одним или более запоминающих устройств, причем одно или более запоминающих устройств сохраняют исполняемый код, выполненный с возможностью инструктировать одному или более устройств обработки:
- задавать трехмерную модель, включающую в себя рассматриваемое транспортное средство, задающее одно или более местоположений датчиков и одно или более препятствий;
- моделировать восприятие трехмерной модели посредством одного или более датчиков в одном или более местоположений датчиков, чтобы получать один или более выводов датчиков таким образом, что один или более выводов датчиков моделируют шум датчиков;
- снабжать примечаниями один или более выводов датчиков согласно местоположениям препятствий в трехмерной модели; и
- выполнять по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям.
12. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров моделировать восприятие трехмерной модели посредством одного или более датчиков посредством моделирования обнаружения изображений трехмерной модели из одного или более местоположений камер.
13. Система по п. 12, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров моделировать восприятие трехмерной модели посредством одного или более датчиков посредством моделирования вывода радарного датчика (на основе радиообнаружения и дальнометрии) согласно восприятию трехмерной модели из одного или более местоположений датчиков.
14. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров моделировать восприятие трехмерной модели посредством одного или более датчиков посредством моделирования вывода лидарного датчика (на основе оптического обнаружения и дальнометрии) согласно восприятию трехмерной модели из одного или более местоположений датчиков.
15. Система по п. 11, в которой трехмерная модель дополнительно включает в себя задание скоростей для одного или более смежных транспортных средств и скорости рассматриваемого транспортного средства, задающей одно или более местоположений одного или более датчиков.
16. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров моделировать восприятие трехмерной модели посредством одного или более датчиков, чтобы получать один или более выводов датчиков таким образом, что один или более выводов датчиков моделируют шум датчиков посредством:
- идентификации местоположения препятствия в трехмерной модели;
- формирования одного или более выводов датчика, соответствующих местоположению препятствия относительно местоположений одного или более датчиков в трехмерной модели; и
- добавление шума в один или более выводов датчиков согласно одной или более моделей дисперсии одного или более датчиков.
17. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров моделировать восприятие трехмерной модели посредством одного или более датчиков с достаточной детализацией того, что шум датчиков присутствует в одном или более выводов датчиков.
18. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров:
- снабжать примечаниями один или более выводов датчиков согласно местоположениям препятствий в трехмерной модели посредством снабжения примечаниями одного или более выводов датчиков с местоположениями препятствий в трехмерной модели; и
- выполнять по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям посредством тестирования статистической модели, которая отслеживает препятствия и назначает вероятность ожидаемому местоположению для каждого препятствия из препятствий.
19. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров:
- снабжать примечаниями один или более выводов датчиков согласно местоположениям препятствий в трехмерной модели посредством снабжения примечаниями одного или более выводов датчиков с состоянием занятости области, смежной с моделью рассматриваемого транспортного средства согласно местоположениям препятствий в трехмерной модели;
- выполнять по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям посредством тестирования статистической модели, которая обновляет вероятность занятости области согласно одному или более выводов датчиков.
20. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров:
- снабжать примечаниями один или более выводов датчиков согласно местоположениям препятствий в трехмерной модели посредством снабжения примечаниями одного или более выводов датчиков с сеткой таким образом, что каждый квадрат сетки снабжается примечаниями с тем, занят ли каждый квадрат одним из препятствий;
- выполнять по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям посредством тестирования статистической модели, которая обновляет вероятность занятости квадратов сетки, окружающей транспортное средство согласно одному или более выводов датчиков.
RU2017146151A 2017-01-13 2017-12-27 Формирование моделированных данных датчиков для обучения и проверки достоверности моделей обнаружения RU2694154C2 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/406,031 2017-01-13
US15/406,031 US10228693B2 (en) 2017-01-13 2017-01-13 Generating simulated sensor data for training and validation of detection models

Publications (3)

Publication Number Publication Date
RU2017146151A true RU2017146151A (ru) 2019-06-28
RU2694154C2 RU2694154C2 (ru) 2019-07-09
RU2017146151A3 RU2017146151A3 (ru) 2019-07-17

Family

ID=61190327

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2017146151A RU2694154C2 (ru) 2017-01-13 2017-12-27 Формирование моделированных данных датчиков для обучения и проверки достоверности моделей обнаружения

Country Status (6)

Country Link
US (1) US10228693B2 (ru)
CN (1) CN108304782A (ru)
DE (1) DE102018100469A1 (ru)
GB (1) GB2560412A (ru)
MX (1) MX2018000463A (ru)
RU (1) RU2694154C2 (ru)

Families Citing this family (75)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10489529B2 (en) 2016-10-14 2019-11-26 Zoox, Inc. Scenario description language
US10421452B2 (en) * 2017-03-06 2019-09-24 GM Global Technology Operations LLC Soft track maintenance
WO2018176000A1 (en) 2017-03-23 2018-09-27 DeepScale, Inc. Data synthesis for autonomous control systems
US10481044B2 (en) * 2017-05-18 2019-11-19 TuSimple Perception simulation for improved autonomous vehicle control
US11392133B2 (en) 2017-06-06 2022-07-19 Plusai, Inc. Method and system for object centric stereo in autonomous driving vehicles
US11042155B2 (en) * 2017-06-06 2021-06-22 Plusai Limited Method and system for closed loop perception in autonomous driving vehicles
US11157441B2 (en) 2017-07-24 2021-10-26 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US10671349B2 (en) 2017-07-24 2020-06-02 Tesla, Inc. Accelerated mathematical engine
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
US10558217B2 (en) 2017-08-28 2020-02-11 GM Global Technology Operations LLC Method and apparatus for monitoring of an autonomous vehicle
US10831202B1 (en) * 2017-09-01 2020-11-10 Zoox, Inc. Onboard use of scenario description language
US10768626B2 (en) 2017-09-30 2020-09-08 Tusimple, Inc. System and method for providing multiple agents for decision making, trajectory planning, and control for autonomous vehicles
US11077756B2 (en) * 2017-11-23 2021-08-03 Intel Corporation Area occupancy determining device
US10935975B2 (en) * 2017-12-22 2021-03-02 Tusimple, Inc. Method and system for modeling autonomous vehicle behavior
US10724854B2 (en) * 2017-12-27 2020-07-28 Intel IP Corporation Occupancy grid object determining devices
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
US10635844B1 (en) * 2018-02-27 2020-04-28 The Mathworks, Inc. Methods and systems for simulating vision sensor detection at medium fidelity
US11320828B1 (en) * 2018-03-08 2022-05-03 AI Incorporated Robotic cleaner
EP3584748A1 (de) * 2018-06-20 2019-12-25 Siemens Aktiengesellschaft Verfahren zur erzeugung eines testdatensatzes, verfahren zum testen, verfahren zum betreiben eines systems, vorrichtung, steuerungssystem, computerprogrammprodukt, computerlesbares medium, erzeugung und verwendung
US11215999B2 (en) 2018-06-20 2022-01-04 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US10754032B2 (en) * 2018-06-21 2020-08-25 Intel Corporation Perception device
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
US10678245B2 (en) * 2018-07-27 2020-06-09 GM Global Technology Operations LLC Systems and methods for predicting entity behavior
CN109344691A (zh) * 2018-08-10 2019-02-15 广东工业大学 一种基于深度学习的视觉安全校园管理监视方法
EP3618013A1 (en) * 2018-08-27 2020-03-04 Continental Automotive GmbH System for generating vehicle sensor data
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
AT521647B1 (de) * 2018-09-14 2020-09-15 Avl List Gmbh Verfahren und System zur Datenaufbereitung, zum Trainieren eines künstlichen neuronalen Netzes und zum Analysieren von Sensordaten
US11393189B2 (en) * 2018-09-17 2022-07-19 Goodrich Corporation Method to simulate target detection and recognition
US11403842B2 (en) * 2018-09-17 2022-08-02 Goodrich Corporation Simulator to simulate target detection and recognition
AU2019357615B2 (en) 2018-10-11 2023-09-14 Tesla, Inc. Systems and methods for training machine models with augmented data
AT521607B1 (de) * 2018-10-24 2020-03-15 Avl List Gmbh Verfahren und Vorrichtung zum Testen eines Fahrerassistenzsystem
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
DE102018221063A1 (de) * 2018-12-05 2020-06-10 Volkswagen Aktiengesellschaft Konfiguration eines Steuerungssystems für ein zumindest teilautonomes Kraftfahrzeug
CN109598066B (zh) * 2018-12-05 2023-08-08 百度在线网络技术（北京）有限公司 预测模块的效果评估方法、装置、设备和存储介质
CZ2018699A3 (cs) * 2018-12-12 2020-06-24 Tacticaware, S.R.O. Prostorový detekční systém a metoda jeho detekce
DK201970129A1 (en) 2018-12-14 2020-07-09 Aptiv Tech Ltd Determination of an optimal spatiotemporal sensor configuration for navigation of a vehicle using simulation of virtual sensors
US11543531B2 (en) 2018-12-19 2023-01-03 Fca Us Llc Semi-automatic LIDAR annotation system for autonomous driving
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US11397610B2 (en) 2018-12-28 2022-07-26 Beijing Voyager Technology Co., Ltd. Architecture for simulation clock-based simulation of distributed systems
US11480964B2 (en) 2018-12-28 2022-10-25 Beijing Voyager Technology Co., Ltd. Distributed system execution using a serial timeline
WO2020139961A1 (en) 2018-12-28 2020-07-02 Didi Research America, Llc Distributed system task management using a simulated clock
US11521010B2 (en) * 2019-01-23 2022-12-06 Motional Ad Llc Automatically choosing data samples for annotation
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
CN112034829A (zh) * 2019-05-15 2020-12-04 广州汽车集团股份有限公司 一种端到端自动驾驶方法及其系统、车辆
CN110186469A (zh) * 2019-05-31 2019-08-30 北京主线科技有限公司 测试无人驾驶系统的测试用数据生成方法和系统
EP3754361B1 (en) * 2019-06-19 2023-04-26 Aptiv Technologies Limited Method for predicting a false positive for a radar sensor
DE102019213881A1 (de) * 2019-09-11 2021-03-11 Volkswagen Aktiengesellschaft Verfahren zum Betreiben eines automatisiert fahrenden Kraftfahrzeuges, Kraftfahrzeug und Überprüfungsinstanz
CN112560324B (zh) * 2019-09-24 2024-06-04 北京百度网讯科技有限公司 用于输出信息的方法和装置
US11663377B2 (en) * 2019-09-27 2023-05-30 Woven Planet North America, Inc. Sensor arrangement validation using simulated environments
US11351995B2 (en) * 2019-09-27 2022-06-07 Zoox, Inc. Error modeling framework
US11625513B2 (en) * 2019-09-27 2023-04-11 Zoox, Inc. Safety analysis framework
US11734473B2 (en) 2019-09-27 2023-08-22 Zoox, Inc. Perception error models
US11765067B1 (en) * 2019-12-28 2023-09-19 Waymo Llc Methods and apparatus for monitoring a sensor validator
CN111399503A (zh) * 2020-03-09 2020-07-10 西南科技大学 一种小型无人船艇自动停泊方法
US11493625B2 (en) 2020-03-16 2022-11-08 Nio Technology (Anhui) Co., Ltd. Simulated LiDAR devices and systems
RU2763215C2 (ru) * 2020-04-10 2021-12-28 Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" Способы и системы формирования обучающих данных для нейронной сети
US11726188B2 (en) 2020-04-22 2023-08-15 Gm Cruise Holdings Llc Eliminating sensor self-hit data
KR20210135389A (ko) * 2020-05-04 2021-11-15 현대자동차주식회사 장애물 인식 장치, 그를 포함하는 차량 시스템 및 그 방법
DE102020210351A1 (de) * 2020-05-18 2021-11-18 Zf Friedrichshafen Ag Steuerung eines Fahrzeugs über Referenz-Sensordaten
US20230202511A1 (en) * 2020-05-27 2023-06-29 Cognata Ltd. Generating simulated edge-case driving scenarios
US11809790B2 (en) * 2020-09-22 2023-11-07 Beijing Voyager Technology Co., Ltd. Architecture for distributed system simulation timing alignment
DE102021105659A1 (de) 2020-12-09 2022-06-09 Symeo Gmbh Verfahren, Vorrichtung und Radarsystem zum Verfolgen von Objekten
US11430466B2 (en) * 2021-01-13 2022-08-30 Baidu Usa Llc Sound source detection and localization for autonomous driving vehicle
EP4320019A1 (en) * 2021-04-07 2024-02-14 Ridecell, Inc. A systematic approach towards system identification based yaw rate estimation with low-cost imu+gps units
EP4363898A1 (en) * 2021-07-02 2024-05-08 Integrity Communications Solutions, Inc. Radar object classification method and system
DE102021209680A1 (de) * 2021-09-03 2023-03-09 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Verbesserung der Schätzung von Existenzwahrscheinlichkeiten
CN113879337B (zh) * 2021-10-29 2024-06-25 北京触达无界科技有限公司 一种轨迹预测方法、装置、存储介质及电子设备
EP4372417A1 (de) * 2022-11-18 2024-05-22 Sick Ag Verfahren zur modellierung eines sensors in einer testumgebung

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5345402A (en) 1992-02-25 1994-09-06 Automotive Systems Laboratory, Inc. Vehicle crash simulator system for testing crash sensors
US7099796B2 (en) 2001-10-22 2006-08-29 Honeywell International Inc. Multi-sensor information fusion technique
US7447593B2 (en) 2004-03-26 2008-11-04 Raytheon Company System and method for adaptive path planning
RU2252453C1 (ru) * 2004-08-12 2005-05-20 Смирнов Дмитрий Петрович Способ моделирования аварии, диагностики и восстановления работоспособности сложной технологической структуры и информационная система для его реализации
US7579942B2 (en) 2006-10-09 2009-08-25 Toyota Motor Engineering & Manufacturing North America, Inc. Extra-vehicular threat predictor
US7839292B2 (en) 2007-04-11 2010-11-23 Nec Laboratories America, Inc. Real-time driving danger level prediction
JP2012515966A (ja) * 2009-01-26 2012-07-12 ズッロ・テクノロジーズ・（２００９）・リミテッド 物体の挙動を監視するためのデバイスおよび方法
FR2974437B1 (fr) * 2011-04-21 2013-10-25 Eads Europ Aeronautic Defence Procede de simulation d'operations de controle non-destructif en conditions reelles utilisant des signaux synthetiques
US8902302B2 (en) * 2011-09-16 2014-12-02 Emerson Electric Co. Method and apparatus for surveying with a feature location
US8457827B1 (en) 2012-03-15 2013-06-04 Google Inc. Modifying behavior of autonomous vehicle based on predicted behavior of other vehicles
US9367065B2 (en) * 2013-01-25 2016-06-14 Google Inc. Modifying behavior of autonomous vehicles based on sensor blind spots and limitations
US9098753B1 (en) 2014-04-25 2015-08-04 Google Inc. Methods and systems for object detection using multiple sensors
US10328932B2 (en) * 2014-06-02 2019-06-25 Magna Electronics Inc. Parking assist system with annotated map generation
US10229231B2 (en) 2015-09-11 2019-03-12 Ford Global Technologies, Llc Sensor-data generation in virtual driving environment
US10176634B2 (en) 2015-10-16 2019-01-08 Ford Global Technologies, Llc Lane boundary detection data generation in virtual environment
US10496766B2 (en) 2015-11-05 2019-12-03 Zoox, Inc. Simulation system and methods for autonomous vehicles
US10341633B2 (en) * 2015-11-20 2019-07-02 Qualcomm Incorporated Systems and methods for correcting erroneous depth information
US10372968B2 (en) * 2016-01-22 2019-08-06 Qualcomm Incorporated Object-focused active three-dimensional reconstruction
US9760837B1 (en) * 2016-03-13 2017-09-12 Microsoft Technology Licensing, Llc Depth from time-of-flight using machine learning
US20180098052A1 (en) * 2016-09-30 2018-04-05 Sony Interactive Entertainment Inc. Translation of physical object viewed by unmanned aerial vehicle into virtual world object
US20180211120A1 (en) * 2017-01-25 2018-07-26 Ford Global Technologies, Llc Training An Automatic Traffic Light Detection Model Using Simulated Images
AU2018267553B2 (en) * 2017-11-20 2019-08-22 Ashok Krishnan Systems and methods to train vehicles

Also Published As

Publication number Publication date
US10228693B2 (en) 2019-03-12
CN108304782A (zh) 2018-07-20
GB2560412A (en) 2018-09-12
RU2017146151A3 (ru) 2019-07-17
MX2018000463A (es) 2018-11-09
US20180203445A1 (en) 2018-07-19
RU2694154C2 (ru) 2019-07-09
DE102018100469A1 (de) 2018-07-19
GB201800312D0 (en) 2018-02-21

Similar Documents

Publication Publication Date Title
RU2017146151A (ru) Формирование моделированных данных датчиков для обучения и проверки достоверности моделей обнаружения
RU2017120682A (ru) Способ и система обучения для предотвращения столкновений с использованием звуковых данных
US11487988B2 (en) Augmenting real sensor recordings with simulated sensor data
US11455565B2 (en) Augmenting real sensor recordings with simulated sensor data
US11092966B2 (en) Building an artificial-intelligence system for an autonomous vehicle
RU2016149163A (ru) Генерация данных виртуальных датчиков для выявления колесного упора
US10832478B2 (en) Method and system for virtual sensor data generation with depth ground truth annotation
US10671077B2 (en) System and method for full-stack verification of autonomous agents
KR102139513B1 (ko) 인공지능 vils 기반의 자율주행 제어 장치 및 방법
US10845818B2 (en) System and method for 3D scene reconstruction of agent operation sequences using low-level/high-level reasoning and parametric models
RU2017100440A (ru) Алгоритм обучения для избежания столкновений
RU2017144177A (ru) Обучение модели автоматического обнаружения светофоров с использованием моделируемых изображений
CN113661525A (zh) 自动驾驶车辆系统和组件的仿真和验证
US20190278698A1 (en) Autonomous Vehicle Simulation And Testing
JP7442227B2 (ja) 仮想環境における自動運転車両のシミュレーション方法
JP6850324B2 (ja) マルチモデルに基づく障害物分布シミュレーション方法、装置、端末及びプログラム
CN111816020A (zh) 将合成激光雷达数据迁移至真实域用于自动驾驶汽车训练
CN115016323A (zh) 自动驾驶的仿真测试系统及方法
WO2021146905A1 (zh) 基于深度学习的场景模拟器构建方法、装置和计算机设备
WO2021063786A1 (en) System, device and method for testing autonomous vehicles
JP2021508634A (ja) 環境センサの挙動モデル
US10220326B2 (en) Projections that respond to model building
CN115830562B (zh) 车道信息的确定方法、计算机设备及介质
US20210056247A1 (en) Pose detection of objects from image data
KR102269142B1 (ko) 그래픽 유저 인터페이스 기반의 도시 지진 대피 시뮬레이션 방법 및 장치