TWI795752B

TWI795752B - 行車智能系統學習的開發裝置及其開發方法

Info

Publication number: TWI795752B
Application number: TW110111641A
Authority: TW
Inventors: 葉清松; 葉弘裕
Original assignee: 歐特明電子股份有限公司
Priority date: 2021-03-30
Filing date: 2021-03-30
Publication date: 2023-03-11
Also published as: TW202238427A

Abstract

本發明公開了一種行車智能系統學習的開發裝置，包括影像訊號接收模組，用來接收來自車輛攝影機的連續影像訊號，感測器訊號接收模組，用來接收來自車輛感測器的連續感測訊號，處理單元，用來分析所述連續影像訊號或/及所述連續感測訊號是否包含識別目標，並於確認包含所述識別目標時，產生第一觸發訊號，訊號傳輸介面，連接於所述處理單元，用來將來自所述行車智能系統於確認所述識別目標時，所產生的第二觸發訊號給所述處理單元，所述處理單元根據所述第一觸發訊號或所述第二觸發訊號標記對應的所述連續影像訊號或/及所述連續感測訊號。

Description

行車智能系統學習的開發裝置及其開發方法

本發明涉及自動駕駛領域，尤其涉及一種行車智能系統學習的開發裝置及其開發方法。

穩健的自動駕駛系統需要搭配不同特性的感測器，經由人工智能判斷下，才能掌握環境的動態。一般來說，人工智能需透過不同感測器訊號對於訊號的大量搜集後，進行線下的標記與學習，調校參數後，最後上載更新相關訓練模型，以提升對於環境感知能力。

而在發展一個理想的自動駕駛系統時，訊號收集效率更顯得重要，而現今車載智能具備有攝影機、毫米波雷達、超聲波雷達和光達(LiDAR)等不同功能的感測器，而感測器訊號其中又以影像訊號收集時佔據龐大的儲存空間，所以，如何同時有效錄製大量感測器訊號後，針對未能訓練好的人工智能對應的訊號進而分類、標記與學習，提升儲存空間使用率等將是自動駕駛技術開發過程中所必須解決的問題。

為解決上述技術問題而提供了一種行車智能系統學習的開發裝置及其開發方法。

為了達成本發明的目的，本發明提供了一種行車智能系統學習的開發裝置，包括：影像訊號接收模組，用來接收來自車輛攝影機的連續影像訊號，感測器訊號接收模組，用來接收來自車輛感測器的連續感測訊號，處理單元，用來分析所述連續影像訊號或/及所述連續感測訊號是否包含識別目標，並於確認包含所述識別目標時，產生第一觸發訊號，訊號傳輸介面，連接於所述處理單元，用來將來自所述行車智能系統於確認所述識別目標時，所產生的第二觸發訊號給所述處理單元，其中所述處理單元根據所述第一觸發訊號或所述第二觸發訊號標記對應的所述連續影像訊號或/及所述連續感測訊號。

根據本案構想，行車智能系統學習的開發裝置還包括儲存模組，其特徵在於所述處理單元將已標記的所述連續影像訊號或/及已標記的所述連續感測訊號儲存於所述儲存模組內。

根據本案構想，所述處理單元將已標記的所述連續影像訊號或/及已標記的所述連續感測訊號儲存於所述行車智能系統。

根據本案構想，所述影像訊號接收模組還包括影像訊號傳輸介面，用來將所述連續影像訊號傳輸至所述行車智能系統。

根據本案構想，所述感測器訊號接收模組還包括車輛訊號總成介面，用來將所述連續感測訊號傳輸至所述行車智能系統。

根據本案構想，所述第一觸發訊號為基準訊號。

根據本案構想，所述處理單元將所述儲存模組內已標記的所述連續影像訊號或/及已標記的所述連續感測訊號建立訓練模型，並透過所述訊號傳輸介面將所述訓練模型傳輸至所述行車智能系統。

根據本案構想，行車智能系統學習的開發裝置還包括雲端傳輸介面，其特徵在於所述儲存模組內已標記的所述連續影像訊號或/及已標記的所述連續感測訊號透過所述雲端傳輸介面傳輸至一雲端伺服器，並接收所述雲端伺服器建立的訓練模型，且所述訓練模型透過所述訊號傳輸介面傳輸至所述行車智能系統。

根據本案構想，所述處理單元當所述第一觸發訊號及所述第二觸發訊號內容一致時，不儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於所述儲存模組。

根據本案構想，所述處理單元當所述第一觸發訊號及所述第二觸發訊號內容一致時，不儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於所述行車智能系統。

本發明更提供了一種行車智能系統學習的開發方法，包括：接收來自車輛影像器的連續影像訊號，接收來自車輛感測器的連續感測訊號，分析所述連續影像訊號或/及所述連續感測訊號是否包含識別目標，並於確認包含所述識別目標時，產生第一觸發訊號，接收來自所述行車智能系統於確認所述識別目標時，所產生的第二觸發訊號根據所述第一觸發訊號或所述第二觸發訊號標記對應的所述連續影像訊號或/及所述連續感測訊號。

根據本案構想，儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號。

根據本案構想，儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於所述行車智能系統。

根據本案構想，所述第一觸發訊號為基準訊號。

根據本案構想，將已標記的所述連續影像訊號或/及已標記的所述連續感測訊號建立訓練模型，傳輸所述訓練模型至所述行車智能系統。

根據本案構想，將已標記的所述連續影像訊號或/及已標記的所述連續感測訊號傳輸至一雲端伺服器，並接收自所述雲端伺服器建立的訓練模型，傳輸所述訓練模型至所述行車智能系統。

根據本案構想，當所述第一觸發訊號及所述第二觸發訊號內容一致時，不儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號。

根據本案構想，當所述第一觸發訊號及所述第二觸發訊號內容一致時，不儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於所述行車智能系統。

本發明具有以下優點： 1、對於開發者而言，透過本發明的行車智能系統學習的開發裝置對於影像訊號、感測訊號的收集上有對應的介面，除了顯得有效率之外，透過本發明的開發裝置可作為待訓練的行車智能系統的基準解(ground truth)，經由比對基準解的程式更能將待訓練的訊號有效率被儲存下來，節省大量訊號儲存空間，而這些標記分類好的訊號更有利後續開發者對於行車智能系統中的人工智能訓練。 2、本發明的開發裝置的處理單元可內建有訓練程式，可透過訊號的再標記、篩選、參數調整等產生訓練模型(training model)，可直接更新待訓練的行車智能系統，實現線上(online) 學習與訓練。 3、本發明的開發裝置具有一雲端傳輸介面傳輸已標記且已儲存的連續影像訊號或/及連續感測訊號至雲端伺服器產生訓練模型，節省了在每次收集訊號後，對於訊號資料的讀入存取等時間，也同時可大幅節省了處理單元的運算量，並可回傳訓練模型至待訓練的行車智能系統。

為使本發明實施方式的目的、技術方案和優點更加清楚，下面將結合本發明實施方式中的附圖，對本發明實施方式中的技術方案進行清楚、完整地描述，顯然，所描述的實施方式是本發明一部分實施方式，而不是全部的實施方式。基於本發明中的實施方式，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施方式，都屬於本發明保護的範圍。因此，以下對在附圖中提供的本發明的實施方式的詳細描述並非旨在限制要求保護的本發明的範圍，而是僅僅表示本發明的選定實施方式。基於本發明中的實施方式，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施方式，都屬於本發明保護的範圍。

在本發明的描述中，需要理解的是，術語“上”、“下”等指示的方位或位置關係為基於附圖所示的方位或位置關係，僅是為了便於描述本發明和簡化描述，而不是指示或暗示所指的設備或元件必須具有特定的方位、以特定的方位構造和操作，因此不能理解為對本發明的限制。

在本發明的描述中，“多個”的含義是兩個或兩個以上，除非另有明確具體的限定。

在本發明中，除非另有明確的規定和限定，術語“安裝”、“相連”、“連接”、“固定”等術語應做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或成一體；可以是機械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內部的連通或兩個元件的相互作用關係。對於本領域的普通技術人員而言，可以根據具體情況理解上述術語在本發明中的具體含義。

下面結合附圖與具體實施方式對本發明作進一步詳細描述：請參考圖1，本發明公開了一種行車智能系統學習的開發裝置100包括影像訊號接收模組101、感測器訊號接收模組102、處理單元103、訊號傳輸介面104與儲存模組105。

影像訊號接收模組101用來接收連續影像訊號，並具有影像處理單元(ISP, Image Signal Processor)，可處理如鏡頭矯正、圖元矯正、顏色插值、Bayer 雜訊去除、白平衡矯正、色彩矯正、gamma 矯正、色彩空間轉換等功能。影像訊號接收模組101一般可具有LVDS(Low Voltage Differential Signaling，低電壓差分信號)或MIPI CSI傳輸介面(未標示)。而連續影像訊號來自一個或多個連接於車輛上的攝影機，攝影機通常安裝在車輛的周圍拍攝行車圖像，為了能獲取較好的影像品質，影像訊號可以為LVDS格式訊號。

感測器訊號接收模組102，用來接收連續的感測訊息，感測訊息至少為超聲波訊號、光達訊號、毫米波雷達訊號(mmWave Radar)、GPS訊號及行車數據訊號等其中之一。其中，感測器訊號接收模組102設有對應的介面(未標示)可供不同的感測器如超聲波、光達、毫米波 (mmWave Radar)、GPS進行連接以傳輸不同的感測訊息，此外，感測器訊號接收模組102可透過一車輛訊號總成介面1020連接車輛CAN匯流排，接收來自車輛的行車數據訊號。車輛的行車數據訊號包括例如包括車速、引擎轉速、轉向角、加速度、檔位等。

處理單元103為本發明的開發裝置主要的運算單元，內置有優化後的人工智能，具體來說，是作為待學習的行車智能系統在訓練人工智能時的基準解(ground truth)的運算核心。通常處理單元103的處理器是DSP (digital signal processor，數位訊號處理器)。DSP 適合用來進行各種乘加運算（SOP：Sum of Products），例如：有限脈衝回應濾波運算（FIR：Finite Impulse Response）、無限脈衝回應濾波運算（IIR：Infinite Impulse Response）、離散傅立葉轉換（DFT：Discrete Fourier Transform）、離散余弦轉換（DCT：Discrete Cosine Transform）、點積運算（Dot product）、卷積運算（Convolution），以及矩陣多項式的求值運算等。處理單元103具有記憶體傳輸介面，可執行記憶體內置指令。處理單元103亦具有影像傳輸介面，與影像訊號接收模組101連接，運算自影像訊號接收模組轉換後的影像訊號。處理單元103同時與感測器訊號接收模組102連接，接收並運算感測信號如超聲波訊號、毫米波雷達訊號、光達訊號、GPS訊號、行車數據訊號等。

訊號傳輸介面104連接處理單元103，將外部裝置產生的訊號透過此介面傳輸至處理單元103，特別是來自於待訓練的行車智能系統的人工智能產生的訊號。相對的，訊號傳輸介面104 可接收來自處理單元103的訊號，並傳輸至待訓練人工智能的行車智能系統。又，訊號傳輸介面104可作為一般資料訊號傳輸的介面。通常訊號傳輸介面104可以是乙太網路介面或其他高速傳輸形式的介面。

儲存模組105主要功能是儲存影像訊號或/及各式感測訊息。儲存模組105可以是內建的積體電路的記憶體，也可以是外接式的存儲裝置，如SSD或SD卡。儲存檔案是以幀數形式儲存，在檔案內的每一筆資料都要符合對應儲存格式，舉例可以為，欄位辨識資料開頭，欄位資料格式，如Camera影像、Radar、LiDAR…，欄位資料長度，欄位同步當下的時間等格式。儲存模組105與處理單元103連接，可根據處理單元103產生的觸發訊號進行資料的儲存。

請一併參考圖2及圖3根據本發明的一種行車智能系統學習的開發裝置100連接一行車智能系統200運作的實施方式。本發明的行車智能系統學習的開發裝置100安裝於車輛上有以下進行的步驟：

步驟S01，設定識別目標與儲存模式。設定方式可經由透過一裝置啟動時的使用者介面(user interface)(未標示)對於行車智能系統學習的開發裝置100進行操作，或是在裝置啟動時，預先將識別目標透過程式載入於裝置中，載入的方式可透過實體傳輸裝置，如USB插口、記憶卡等方式，亦可透過無線傳輸，如藍芽、無線網路等方式載入。識別目標在設定上可為單一設定或多重條件的設定，並可以根據多重條件作交集或聯集的方式設定，亦即可設定兩種以上不同的識別目標，交集代表不同的識別目標同時存在，聯集則表示任一識別目標存在即可。同樣地，待訓練的行車智能系統200可以透過前述方法完成識別目標的設定。

一般而言，識別目標可以包括特定物件、事件、操控等行為，特別是藉由人工智能判斷影像為主的特定目標，也可以為需要人工智能判斷其他感測訊息的目標。特定物件舉例可以包括行人、各式車輛、路牌標誌、號誌標誌、電線杆、車道線、人行道、車道類型、坑洞、路沿石、停車格、地鎖、限位擋杆等。特定事件舉例可以包括環境中的雨、霧或雪的行駛天候，以及行車時的環境照度，甚至是道路塞車、車輛故障、車輛撞擊、感測器失效或被遮蔽影響功能時等。特定操控舉例可以是自動駕駛或輔助駕駛功能，如自動停車、自動換車道、車道偏離警示、防撞警示、盲區偵測等行為。以上識別目標主要是以人工智能判斷為主的目標，但本發明不限於此，當然也可以包括感測器訊號，例如GPS設定範圍、車速、環境溫濕度、駕駛介入操控時間等。

儲存模式是依據識別目標作不同資料型態的儲存，可依不同感測器訊號、儲存訊號的格式、儲存訊號資料量的大小等決定。此外，本發明在儲存模式中，可設定當行車智能系統學習的開發裝置100及行車智能系統200對於偵測到識別目標時，由行車智能系統學習的開發裝置100決定是否要儲存具有該識別目標時的相關影像或是其他感測器訊號，甚至可選擇設定將該訊號儲存於本開發裝置100或行車智能系統200中，而設定儲存的幀數可有所調整，例如當系統偵測到識別目標時的前後幀數設定。相對的，本發明的系統可以設定儲存不具有該識別目標時的相關影像或是其他感測器訊號，也可以不儲存當行車智能系統學習的開發裝置100及行車智能系統200對於偵測到識別目標產生觸發訊號內容一致時的相關影像或是其他感測器訊號。

步驟S02，接收影像訊號/感測訊息。當設定前述步驟設定完成後，隨著車輛移動時，本發明的行車智能系統學習的開發裝置100可透過影像訊號接收模組101用來接收來自車輛攝影機300的連續影像訊號，由於本實施方式中，影像訊號接收模組101對於車輛攝影機300有對應的介面(未標示)，因此可與車輛攝影機300直接連接，此外，影像訊號接收模組101還包括影像訊號傳輸介面1010，用來將相同的連續影像訊號傳輸並分享至行車智能系統200，訊號分享的方式，如新增一中繼器(repeater)。然而，車輛的攝影機300也可以與待訓練的行車智能系統200中對應的行車智能系統影像訊號接收模組201連接，再透過訊號分享的方式，經由影像訊號傳輸介面1010將來自車輛攝影機300的連續影像訊號傳輸至影像訊號接收模組101。或者，可設置兩組相同的車輛攝影機300，並分別連接於行車智能系統學習的開發裝置100及行車智能系統200，只要這兩組且相同的攝影機設置於車輛的位置及角度相近即可，如此，由行車智能系統學習的開發裝置100及行車智能系統200接收到的影像訊號亦相近。

本開發裝置100還包括感測器訊號接收模組102，用來接收連續感測訊號。由於本實施方式中，感測器訊號接收模組102對於裝載於車輛的感測器，如超聲波、光達、毫米波 (mmWave Radar)、GPS等有對應的介面(未標示)，因此本開發裝置100可與前列這些感測器直接連接，此外，感測器訊號接收模組102還包括車輛訊號總成介面1020，用來將連續感測訊號傳輸至行車智能系統200內的感測器訊號接收模組202，使得行車智能系統學習的開發裝置100及行車智能系統200接收相同的連續感測訊號，訊號連接的方式可透過控制器區域網路(CAN)達成。相同的，待訓練的行車智能系統200可透過其感測器訊號接收模組202與裝載於車輛的感測器直接連接，接收連續感測訊號，並透過控制器區域網路(CAN)將連續感測訊號經由車輛訊號總成介面1020傳輸至感測器訊號接收模組102。所述連續影像訊號及連續感測訊號，在未進入本發明的處理單元103分析判斷是否有識別目標之前，會暫時存取於本裝置內置的動態記憶體(未標示)的共用記憶體(share memory)區內，而此時處理單元103對存取於共用記憶體區內的所述連續影像訊號及所述連續感測訊號進行時間同步處理。

步驟S03，處理單元分析。本開發裝置100的處理單元103內已建置有優化後的人工智能運算能力，可針對識別目標進行辨識，提升訊號的收集效率或後續訊號篩選處理方便性，藉以開發其他自動駕駛功能，而進行訊號收集作業。所述處理單元103針S01步驟設定的識別目標，用來分析所述連續影像訊號或/及所述連續感測訊號是否包含識別目標，並於確認包含所述識別目標時，產生第一觸發訊號。由於本發明的行車智能系統學習的開發裝置100是做為行車智能系統200在訓練人工智能時的基準解(ground truth)，因此所述第一觸發訊號為基準訊號。亦即本發明的處理單元103可根據S01步驟選定的識別目標特徵，來選擇分析的訊號，若運算僅為影像訊號的人工智能運算，則僅會對於影像訊號作分析，而不分析其他感測訊息，以節省系統的運算量。

所述觸發訊號是經由所述處理單元103運算後產生並且儲存於本發明的開發裝置內置的動態記憶體(未標示)中，而所述觸發訊號可包括處理單元103對於本發明的系統所實行的相關作動，如操控系統(或車輛)、停止系統(或車輛)等，或是對所述連續的影像訊號或/及所述連續的感測訊息進行計數、標記、儲存等訊號處理。

同時間，由於所述連續影像訊號及所述連續感測訊號也在待訓練的行車智能系統200經由其內置的處理單元203針對步驟S01設定的識別目標進行運算分析，同樣於確定相同的識別目標時，處理單元203產生一第二觸發訊號，所述第二觸發訊號可藉由一行車智能系統訊號傳輸介面204傳輸至本開發裝置100對應的訊號傳輸介面104。由於本開發裝置100還具有訊號傳輸介面104，連接於本開發裝置100的處理單元103，用來將來自行車智能系統200於確認所述識別目標時所產生的第二觸發訊號給處理單元103。

步驟S04，比對。本開發裝置100的處理單元103根據接收到的連續影像訊號或/及連續感測於確認包含步驟S01設定的識別目標時，產生第一觸發訊號，並且為基準訊號，因此，在此步驟中，處理單元103接收到來自待訓練的行車智能系統200針對相同的識別目標所產生的第二觸發訊號時，會進行與第一觸發訊號(即基準訊號)的比對。比對的內容舉例可以為當偵測到識別目標時，第一觸發訊號與第二觸發訊號發生在連續影像訊號的幀數是否一致，或是偵測目標的數量、種類、發生/結束時間、距離等，又或是當偵測到識別目標時的偵測率、失敗率、信心指數等。

步驟S05，標記儲存。處理單元103對於前述步驟所產生的觸發訊號標記對應的所述連續的影像訊號或/及所述連續的感測訊息。標記主要根據S01步驟設定產生，其具體作法可以是處理單元103對於所述連續的影像訊號或/及所述連續的感測訊息產生文字資料、時間起始終止資料、識別目標的類型標記、識別目標的圈選標記、儲存的幀數或每一幀的信心指數等的至少一種。

對於標記後的所述連續的影像訊號或/及所述連續的感測訊息，處理單元103便呼叫本發明的開發裝置100內置的動態記憶體的儲存指令，將這些影像訊號或/及感測訊息儲存。經過步驟S04的比對後，儲存訊號又根據S01步驟設定進行，可選擇方式為：(1)處理單元103將已標記的所述連續影像訊號或/及已標記的所述連續感測訊號儲存於所述儲存模組105內，此時處理單元103根據S04步驟，在比對能產生第一觸發訊號及第二觸發訊號的所述連續影像訊號或/及的所述連續感測訊號之後，標記具有該第一觸發訊號及第二觸發訊號對應的連續影像訊號或/及連續感測訊號，特別是當所述第一觸發訊號及所述第二觸發訊號內容不一致時，儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於所述儲存模組105內。反之，儲存模式可以選擇當所述第一觸發訊號及所述第二觸發訊號內容一致時，不儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於所述儲存模組105。(2)處理單元103將已標記的所述連續影像訊號或/及已標記的所述連續感測訊號儲存於行車智能系統200內，亦即儲存於行車智能系統200的儲存模組205，此時處理單元103根據S04步驟，在比對能產生第一觸發訊號及第二觸發訊號的所述連續影像訊號或/及的所述連續感測訊號之後，標記具有該第一觸發訊號及第二觸發訊號對應的連續影像訊號或/及連續感測訊號，特別是當所述第一觸發訊號及所述第二觸發訊號內容不一致時，儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於行車智能系統200內。反之，儲存模式可以選擇當所述第一觸發訊號及所述第二觸發訊號內容一致時，不儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於行車智能系統200。

透過S05步驟所得到的儲存訊號，本發明的開發裝置100對於待訓練的行車智能系統200在提升訓練的訊號收集上更顯得有效率，亦即針對待訓練的行車智能系統200相較於具有基準解的開發裝置100，在人工智能訓練不足、產生觸發訊號差異所對應的影像訊號或/及感測訊息的部分，能透過設置本發明的開發裝置100方便取得，如僅針對差異化的資料進行儲存，即能避免在人工智能訓練時儲存過多不必要的訊號。而這些儲存後的訊號，無論這些訊號是儲存於本發明的開發裝置100的儲存模組105內或是儲存於待訓練的行車智能系統200對應的儲存模組205，由於已經由本發明的開發裝置100的分類標記，自動駕駛系統開發者可再針對這些收集到的影像訊號或/及感測訊息，透過訊號的再標記、篩選、參數調整、演算法改良等有關人工智能的離線(off line)學習與訓練，再將經過訓練後的人工智能上載更新至行車智能系統200，進行離線驗證或是實車驗證。訊號收集可重複進行前述S01至S05的步驟，直到待訓練的行車智能系統200的人工智能對S01步驟設定的識別目標達到優化為止。

請一併參考圖2及圖4為根據本發明的一種行車智能系統學習的開發裝置100連接一行車智能系統200運作的第二實施方式。由於本實施方式的開發裝置100的處理單元103具有內建的人工智能訓練程式，可直接針對已標記並已儲存於儲存模組105內的連續影像訊號或/及連續感測訊號透過所述的人工智能訓練程式完成訓練，並透過訊號傳輸介面104回傳訓練模型(training model)至待訓練的行車智能系統200裡進行更新。因此，相較第一實施方式，除了步驟S12至S14與第一實施例的步驟S02至S04相同之外，本實施方式不同的部分在於： (1)步驟S11，是設定當行車智能系統學習的開發裝置100及行車智能系統200對於偵測到識別目標時，由行車智能系統學習的開發裝置100決定要儲存具有該識別目標時的相關影像或/及感測器訊號儲存於本開發裝置100的儲存模組105。(2)步驟S15，對應於步驟S11，處理單元103將已標記的所述連續影像訊號或/及已標記的所述連續感測訊號儲存於所述儲存模組105內，此時處理單元103根據S14步驟，在比對能產生第一觸發訊號及第二觸發訊號的所述連續影像訊號或/及的所述連續感測訊號之後，標記具有該第一觸發訊號及第二觸發訊號對應的連續影像訊號或/及連續感測訊號，特別是當所述第一觸發訊號及所述第二觸發訊號內容不一致時，儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於所述儲存模組105內。反之，儲存模式可以選擇當所述第一觸發訊號及所述第二觸發訊號內容一致時，不儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於所述儲存模組105。(3)步驟S16：建立訓練模型。乃由處理單元103內建的人工智能訓練程式將所述儲存模組105內已標記的連續影像訊號或/及已標記的所述連續感測訊號建立訓練模型(training model)。(4) 步驟S17：傳輸訓練模型。處理單元103將步驟S15所產生的訓練模型，透過所述訊號傳輸介面104將所述訓練模型傳輸至所述行車智能系統200。

由於本實施方式的處理單元103有內建的人工智能訓練程式，可完全取代了以人工進行離線標記等訓練流程，達到所謂線上(online) 學習與訓練，因此重複進行前述S11至S17的步驟，可使待訓練的行車智能系統200的人工智能對S11步驟設定的識別目標達到優化為止。

請一併參考圖2及圖5為根據本發明的一種行車智能系統學習的開發裝置100連接一行車智能系統200運作的第三實施方式。本實施方式的開發裝置100，具有一雲端傳輸介面(未標示)可連接雲端伺服器，可上載已標記並已儲存於儲存模組105內的連續影像訊號或/及連續感測訊號，經由雲端伺服器完成人工智能的訓練後的訓練模型回傳給待訓練的行車智能系統200。因此，本實施方式的步驟S21至S25與第二實施方式在步驟S11至S15基本相同，其主要差異在於：(1)步驟S26中，本實施方式的開發裝置100，具有一雲端傳輸介面(未標示)，藉由所述雲端傳輸介面，可將儲存模組105內已標記的所述連續影像訊號或/及已標記的所述連續感測訊號透過所述雲端傳輸介面傳輸至一雲端伺服器，傳輸方式可透過無線網路或是實體線連接方式上傳。(2)步驟S27：接收所述雲端伺服器建立的訓練模型。透過所述雲端傳輸介面，本發明的開發裝置100接收雲端伺服器建立好的訓練模型。(2)步驟S28：傳輸訓練模型。在接收所述雲端伺服器建立的訓練模型後，透過訊號傳輸介面104傳輸至所述行車智能系統200，完成行車智能系統200 的更新。

由於本實施方式的的開發裝置100，具有一雲端傳輸介面傳輸已標記且已儲存的連續影像訊號或/及連續感測訊號至雲端伺服器，雲端伺服器能提供運算服務或是由自動駕駛系統開發者可即時取得該等訊號後建立訓練模型，最後並回傳至行車智能系統200，如此的雲端服務作業，可節省在每次收集訊號後，對於訊號資料的讀入存取等時間，也將產生訓練模型此等龐大的運算量轉由雲端伺服器執行，也同時可大幅節省了處理單元103的運算。本實施方式，甚至在利用來建立訓練模型的連續影像訊號或/及連續感測訊號在上載至雲端伺服器之後，可直接刪除這些已標記的訊號在儲存模組105佔據的儲存空間。因此重複進行前述S21至S28的步驟，可使待訓練的行車智能系統200的人工智能對S21步驟設定的識別目標達到優化為止。

對於開發者而言，除了透過本發明的行車智能系統學習的開發裝置對於影像訊號、感測訊息的收集更顯得有效率之外，透過本發明的開發裝置可作為待訓練的行車智能系統的基準解，經由比對基準解的程序更能將待訓練的訊號有效率被儲存下來，除了可節省大量儲存空間外，這些標記分類好的訊號更有利後續開發者對於行車智能系統中的人工智能訓練。此外，本發明的開發裝置的處理單元可內建有訓練程式，可透過訊號的再標記、篩選、參數調整等產生訓練模型，實現線上(online) 學習與訓練。又，本發明的開發裝置具有一雲端傳輸介面傳輸已標記且已儲存的連續影像訊號或/及連續感測訊號至雲端伺服器產生訓練模型，如此不僅節省在每次收集訊號後，對於訊號資料的讀入存取等時間，也同時可大幅節省了處理單元的運算量。

以上所述，僅是本發明的較佳實施例，並非對本發明作任何形式上的限制，雖然本發明已以較佳實施例揭露如上，然而並非用以限定本發明,任何熟悉本專業的技術人員,在不脫離本發明技術方案範圍內，當可利用上述揭示的方法及技術內容作出些許的更動或修飾為等同變化的等效實施例，但凡是未脫離本發明技術方案的內容，依據本發明的技術實質對以上實施例所作的任何簡單修改、等同變化與修飾，均仍屬於本發明技術方案的範圍內。

100:行車智能系統學習的開發裝置 101:影像訊號接收模組 102:感測器訊號接收模組 103:處理單元 104:訊號傳輸介面 105:儲存模組 1010:影像訊號傳輸介面 200:行車智能系統 201:行車智能系統影像訊號接收模組 202:行車智能系統感測器訊號接收模組 203:行車智能系統處理單元 204:行車智能系統訊號傳輸介面 205:行車智能系統儲存模組

圖1是本發明的一種行車智能系統學習的開發裝置的結構示意圖；圖2是本發明的一種行車智能系統學習的開發裝置連接行車智能系統運作的示意圖；圖3 是本發明的第一實施方式的一種行車智能系統學習的開發方法；圖4 是本發明的第二實施方式的一種行車智能系統學習的開發方法；及圖5 是本發明的第三實施方式的一種行車智能系統學習的開發方法。

100:行車智能系統學習的開發裝置

101:影像訊號接收模組

102:感測器訊號接收模組

103:處理單元

104:訊號傳輸介面

105:儲存模組

1010:影像訊號傳輸介面

1020:車輛訊號總成介面

200:行車智能系統

201:行車智能系統影像訊號接收模組

202:行車智能系統感測器訊號接收模組

203:行車智能系統處理單元

204:行車智能系統訊號傳輸介面

205:行車智能系統儲存模組

300:車輛攝影機

Claims

一種行車智慧系統學習的開發裝置，包括：影像訊號接收模組，用來接收來自車輛攝像頭的連續影像訊號，感測器訊號接收模組，用來接收來自車輛感測器的連續感測訊號，處理單元，用來分析所述連續影像訊號或/及所述連續感測訊號是否包含識別目標，並於確認包含所述識別目標時，產生第一觸發訊號，作為基準訊號，訊號傳輸介面，連接於所述處理單元，用來將來自待訓練的行車智慧系統針對所述連續影像訊號或/及所述連續感測訊號進行分析並於確認所述識別目標時，所產生的第二觸發訊號給所述處理單元，其中所述處理單元根據所述第一觸發訊號或所述第二觸發訊號標記對應的所述連續影像訊號或/及所述連續感測訊號。
如申請專利範圍第1項所述的行車智慧系統學習的開發裝置，進一步包括儲存模組，其特徵在於所述處理單元將已標記的所述連續影像訊號或/及已標記的所述連續感測訊號儲存於所述儲存模組內。
如申請專利範圍第1項所述的行車智慧系統學習的開發裝置，其中所述處理單元將已標記的所述連續影像訊號或/及已標記的所述連續感測訊號儲存於所述行車智慧系統。
如申請專利範圍第1項所述的行車智慧系統學習的開發裝置，其中所述影像訊號接收模組還包括影像訊號傳輸介面，用來將所述連續影像訊號傳輸至所述行車智慧系統。
如申請專利範圍第1項所述的行車智慧系統學習的開發裝置，其中所述感測器訊號接收模組還包括車輛資訊總成介面，用來將所述連續感測訊號傳輸至所述行車智慧系統。
如申請專利範圍第2項所述的行車智慧系統學習的開發裝置，其中所述處理單元將所述儲存模組內已標記的所述連續影像訊號或/及已標記的所述連續感測訊號建立訓練模型，並透過所述訊號傳輸介面將所述訓練模型傳輸至所述行車智慧系統。
如申請專利範圍第2項所述的行車智慧系統學習的開發裝置，進一步包括雲端傳輸介面，其特徵在於所述儲存模組內已標記的所述連續影像訊號或/及已標記的所述連續感測訊號透過所述雲端傳輸介面傳輸至一雲端伺服器，並接收所述雲端伺服器建立的訓練模型，且所述訓練模型透過所述訊號傳輸介面傳輸至所述行車智慧系統。
如申請專利範圍第2項所述的行車智慧系統學習的開發裝置，其中所述處理單元當所述第一觸發訊號及所述第二觸發訊號內容一致時，不儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於所述儲存模組。
如申請專利範圍第3項所述的行車智慧系統學習的開發裝置，其中所述處理單元當所述第一觸發訊號及所述第二觸發訊號內容一致時，不儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於所述行車智慧系統。
一種行車智慧系統學習的開發方法，包括：接收來自車輛影像器的連續影像訊號，接收來自車輛感測器的連續感測訊號，分析所述連續影像訊號或/及所述連續感測訊號是否包含識別目標，並於確認包含所述識別目標時，產生第一觸發訊號，作為基準訊號，接收來自待訓練的行車智慧系統針對所述連續影像訊號或/及所述連續感測訊號進行分析並於確認所述識別目標時，所產生的第二觸發訊號，根據所述第一觸發訊號或所述第二觸發訊號標記對應的所述連續影像訊號或/及所述連續感測訊號。
如申請專利範圍第10項所述的行車智慧系統學習的開發方法，其中儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號。
如申請專利範圍第11項所述的行車智慧系統學習的開發方法，其中儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於所述行車智慧系統。
如申請專利範圍第11項所述的行車智慧系統學習的開發方法，其中將已標記的所述連續影像訊號或/及已標記的所述連續感測訊號建立訓練模型，傳輸所述訓練模型至所述行車智慧系統。
如申請專利範圍第11項所述的行車智慧系統學習的開發方法，其中將已標記的所述連續影像訊號或/及已標記的所述連續感測訊號傳輸至一雲端伺服器，並接收自所述雲端伺服器建立的訓練模型，傳輸所述訓練模型至所述行車智慧系統。
如申請專利範圍第11項所述的行車智慧系統學習的開發方法，其中當所述第一觸發訊號及所述第二觸發訊號內容一致時，不儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號。
如申請專利範圍第12項所述的行車智慧系統學習的開發方法，其中當所述第一觸發訊號及所述第二觸發訊號內容一致時，不儲存已標記的所述連續影像訊號或/及已標記的所述連續感測訊號於所述行車智慧系統。