WO2020126597A1 - Verfahren, computerprogramm, maschinenlesbares speichermedium sowie vorrichtung zur datenvorhersage - Google Patents

Verfahren, computerprogramm, maschinenlesbares speichermedium sowie vorrichtung zur datenvorhersage Download PDF

Info

Publication number
WO2020126597A1
WO2020126597A1 PCT/EP2019/084172 EP2019084172W WO2020126597A1 WO 2020126597 A1 WO2020126597 A1 WO 2020126597A1 EP 2019084172 W EP2019084172 W EP 2019084172W WO 2020126597 A1 WO2020126597 A1 WO 2020126597A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
encoder
machine learning
plausibility
data prediction
Prior art date
Application number
PCT/EP2019/084172
Other languages
English (en)
French (fr)
Inventor
Oliver WILLERS
Sebastian SUDHOLT
Original Assignee
Robert Bosch Gmbh
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 Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Publication of WO2020126597A1 publication Critical patent/WO2020126597A1/de

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks

Definitions

  • the present invention relates to a method, a computer program, a machine-readable storage medium and a device for
  • Machine learning is the field of automated driving. With the transition from at least partially manual driving (so-called level 1, 2 driving) to partially automated driving (so-called level 3, 4 and 5), fundamental problems for system security arise. In particular, the use of machine learning methods for or in safety-relevant functions creates completely new problems with regard to system security.
  • a fundamental problem when using machine learning methods for security-relevant functions is that data prediction is only reliable if the input data are of adequate quality and have the same or similar distribution as the data set used to train the machine method Learning was used. This poses major challenges, particularly for use in open scenarios, such as in at least partially automated driving. Therefore, plausibility checks are the
  • the current plausibility checks are limited to the comparison of the output data from several sensors or to the analysis of the input data based on expert knowledge (e.g. on the detection of difficult environmental conditions such as fog or reduced data quality due to motion blur).
  • the present invention provides a method for data prediction based on an input data Y by means of a machine learning method (English: ML function).
  • ML function a machine learning method
  • a corresponding computer program a corresponding machine-readable storage medium and a corresponding device.
  • One aspect of the present invention is a method for data prediction based on an input date using a machine learning method (Eng .: ML function).
  • the invention is based on the finding that, in parallel to the data prediction, the input date by means of a variational auto encoder
  • Map encoder date A distance criterion is determined depending on the encoder date and an expected distribution. That determined
  • Distance criterion represents a plausibility measure for the data prediction using the machine learning method (eng .: ML function).
  • a method for data prediction is to be understood as a method from the field of artificial intelligence.
  • a process of machine learning is to be understood as a process for the artificial generation of knowledge from experience.
  • the encoder data is to be understood as a multidimensional data representation.
  • this can, for example, represent an image as a tensor according to color channels, for example RGB and possibly other channels.
  • the encoder date can also be one-dimensional and represent, for example, a set of classes to which the date of receipt is assigned.
  • a Variational Autoencoder is to be understood as a model of machine learning.
  • a Variational Autoencoder is a variant of the more general model of an Autoencoder.
  • An auto encoder has an encoder and a decoder part. The encoder part forms q Q (z
  • the smaller feature space z is called latent space.
  • an artificial neural network can be used for this.
  • the encoder part must be trained to determine parameters 0, which are required to efficiently compress the input data when mapping to the smaller dimensional latent space z.
  • z) the compressed input data from the smaller dimensional latent space z into the feature space are reconstructed with the original dimension size by means of the likewise learned parameters F.
  • N is the number of data points used for the training.
  • the loss function is the expected negative logarithmic plausibility function (eng .: expected negative log-likelihood function) of the i-th data point. The term encourages the decoder part to correctly reconstruct the input data.
  • a variational auto-encoder predicts the parameters of the distribution of the latent feature space z. Typically this is the expected value and the variance of the normal distribution.
  • the training method of a Variational Autoencoder is minimized by the Kullback-Leibler divergence between the predicted distribution
  • the learned diversity of the latent feature space can be sampled in order to generate new output data.
  • N is the number of data points used for the training.
  • KL ( ⁇ ) is the Kullback-Leibler divergence.
  • p (-) is the given distribution,
  • the first term is the expected negative logarithmic plausibility function (eng .: expected negative log-likelihood function) of the i-th data point.
  • the term encourages the decoder to correctly reconstruct the input data.
  • the second term calculates the Kullback-Leibler divergence between the distribution of the encoder and the specified distribution.
  • an artificial neural network is to be understood as a network of artificial neurons for information processing.
  • Artificial neural networks essentially go through three phases. In an initial phase, a basic topology is specified, usually depending on the task. After that This is followed by a training phase in which the basic topology is learned using training data to efficiently solve the task.
  • the topology of the network can also be adjusted.
  • Input data the desired output data is available.
  • the learned network is applied to input data for which there is no desired output data.
  • the output data of the taught network then represent the output data sought according to the task.
  • a plausibility measure is to be understood as a measure that represents the deviation between the input data and the training data. This measure can be used to determine whether the input data have a distribution that matches the training data.
  • the method according to the present invention has the advantage that an integral decision is made about the plausibility measure ascertained whether the input date to be processed by the machine learning method can be assigned to the same distribution as the training data originally used.
  • the distance criterion is determined by means of a logarithmic plausibility function (eng .: log-likelihood function) of the encoder data.
  • the determined distance criterion or the mapping is compared with a predetermined threshold value using the logarithmic plausibility function (English: log-likelihood function). It is also conceivable to specify a continuous function as a plausibility measure instead of a predetermined threshold value.
  • the distance criterion dist can be determined e.g. by the Kullback-Leibler divergence (KL divergence) between the distribution in the latent feature space (eng .: latent space) and the assumed distribution given by
  • the confidence can be calculated, for example, by the confidence g- dist ( z '
  • logarithmic plausibility function (eng .: log-likelihood function) I can also be used.
  • logarithmic plausibility function eng .: log-likelihood function
  • n is the number of dimensions of the latent Feature space is.
  • scaling must then also be carried out based on the results for the training data.
  • the values calculated here on average in the training data can also be used if they still differ significantly from the values of the expected distribution. The formula must then be adjusted accordingly.
  • This embodiment introduces a simple and easily adjustable criterion for the plausibility measure.
  • the threshold value for the plausibility measure can be adjusted.
  • the machine learning method and the variational autoencoder are trained on the same or on a similar distribution of the input data.
  • the machine learning method is a method for
  • the method can be in the field of at least partially automated driving.
  • an actuator system can be understood to mean an actuator in its environment.
  • a control system typically takes the state of the actuator system via at least one sensor, i.e. of the actuator and its surroundings and determines appropriate control signals for the actuator in order to achieve the higher-level control goal.
  • sensor signals of the at least one sensor or signals derived therefrom, ie postprocessed, in particular selected sensor signals, are fed to a method for data prediction according to the present invention.
  • the method of machine learning of the method of the present invention generates (artificial) knowledge which is used to control the
  • Actuator system i.e. that can be used to determine appropriate control signals.
  • a plausibility measure is generated for this knowledge. This plausibility measure can be used to determine the
  • the control system can be used in particular to control an at least partially automated robot.
  • Such an at least partially automated robot can be an at least partially automated vehicle, in particular a motor vehicle.
  • the at least one sensor can be an environmental sensor from the automotive sector, such as a video, radar, ultrasound, lidar, position sensor (for example GNSS sensor) and the like.
  • the at least one sensor can be a state sensor from the automotive sector, such as an acceleration, rotation rate, pressure, force, rotation, temperature, chemical sensor (for example lambda probe) and the like. act.
  • the actuator can be a system for longitudinal (braking, drive system) or lateral acceleration (steering system) as well as a safety system, such as an airbag system or a system for protecting road users (e.g. pedestrians) or a comfort system, such as the entertainment system, the air conditioning, the Window control, the seat control, the lighting system and the like. Act the vehicle.
  • a safety system such as an airbag system or a system for protecting road users (e.g. pedestrians) or a comfort system, such as the entertainment system, the air conditioning, the Window control, the seat control, the lighting system and the like.
  • Another aspect of the present invention is a computer program which is set up to carry out all the steps of an embodiment of the method according to the present invention.
  • Another aspect of the present invention is a machine-readable storage medium on which the computer program according to the present invention is stored.
  • Another aspect of the present invention is an apparatus which is set up to carry out all the steps of an embodiment of the method according to the present invention.
  • the device has appropriate means to carry out the respective steps of the method.
  • These means can be correspondingly designed or set up interfaces for input and output, computing units (processors, microprocessors, ASIC and the like) and storage units (RAM, ROM etc.).
  • Figure 1 is a schematic representation of an auto encoder.
  • FIG. 2 is a schematic representation of a data prediction in accordance with the present invention.
  • Fig. 3 is a flowchart of an embodiment of a method according to the
  • FIG. 1 shows a schematic illustration of a variational auto encoder 1.
  • a Variational Autoencoder 1 has an encoder part 11 and a decoder part 12.
  • x) maps input data x of a first feature space (feature space) to a smaller feature space (smaller feature space) z.
  • the smaller feature space z is called latent space.
  • an artificial neural network can be used for this.
  • the encoder part 11 must be trained in order to determine the parameters 0, which are required in order to compress the input data x efficiently and in accordance with a predetermined distribution p when mapping to the smaller dimensional latent space z.
  • the decoder part 12 r f (c
  • N is the number of data points used for the training.
  • KL (S) is the Kullback-Leibler divergence.
  • p (-) is the given distribution,
  • the first term is the expected negative logarithmic plausibility function (eng .: expected negative log-likelihood function) of the i-th data point.
  • the term encourages the decoder to correctly reconstruct the input data.
  • the second term calculates the Kullback-Leibler divergence between the distribution of the encoder and the specified distribution.
  • Figure 2 shows a schematic representation of a data prediction according to the present invention.
  • input data y are fed to both a machine learning function 2 and a variational auto encoder 10 according to the present invention. While the machine learning function 2 processes the input data according to its model and a corresponding data prediction takes place.
  • the Variational Autoencoder 10 in the encoder part 11 of the Variational
  • Auto encoder 10 mapped to the latent feature space z '. Furthermore, the Invention the learned distribution of the encoder part 11 in the form of a data source 24 before.
  • the data source 24 can be, for example, a database or a suitable data store.
  • a distance criterion 22 is determined as a function of the mapped data z 'and the learned distribution z. On the basis of the distance criterion 22 determined, a plausibility measure 23 for the
  • Data prediction of the machine learning method 2 is determined or a plausibility check of the data prediction is carried out.
  • the Variational Autoencoder 10 is shown parallel to the machine learning function 2. It is also conceivable that the Variational Autoencoder 10 is fully or partially integrated into the machine learning 2 function. This means that part of the machine learning function 2 (e.g. a feature extractor) is used to extract the features for the variational auto-encoder 10.
  • part of the machine learning function 2 e.g. a feature extractor
  • FIG. 3 shows a flow chart of an embodiment of a method according to the present invention.
  • the method begins in step 301.
  • step 302 data prediction for input data y takes place by means of a machine learning function 2.
  • the input data y is mapped 303 onto the latent feature space z ′ of the variational auto encoder 10 according to the present invention.
  • step 304 a distance criterion 23 is determined in relation to the compressed input data z ′ and the learned distribution z of the encoder part 11 of the variational auto encoder 10 according to the present invention.
  • This distance criterion 22 represents a plausibility measure 23 for the data prediction based on the input data y by means of the machine learning function 2.
  • step 305 the predicted data can be output together or depending on the plausibility measure 23 or depending on the result

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

Verfahren zur Datenvorhersage basierend auf einem Eingabedatum (Y) mittels eines Verfahrens des maschinellen Lernens (ML- Function), wobei parallel zu der Datenvorhersage das Eingangsdatum (Y) mittels eines Variational Autoencoders (VAE) auf ein Encoderdatum (Z) abgebildet wird, wobei ein Distanzkriterium in Abhängigkeit von dem Encoderdatum (Z) und einer erwarteten Verteilung (Z') ermittelt wird, wobei das Distanzkriterium ein Plausibilitätsmaß Datenvorhersage repräsentiert.

Description

Beschreibung
Titel
Verfahren, Computerprogramm, maschinenlesbares Speichermedium sowie
Vorrichtung zur Datenvorhersage
Die vorliegende Erfindung betrifft ein Verfahren, ein Computerprogramm, ein maschinenlesbares Speichermedium sowie eine Vorrichtung zur
Datenvorhersage mittels eines Verfahrens des maschinellen Lernens (eng.: ML function).
Stand der Technik
Der Einsatz von Verfahren des maschinellen Lernens ermöglicht eine Reihe von neuen und spannenden Anwendungen. Ein bekanntes Einsatzgebiet für
Verfahren des maschinellen Lernens ist das Feld des Automatisierten Fahrens. Mit dem Übergang vom zumindest teilweise manuellen Fahrens (sog. Level 1, 2 Fahren) zum teilweise automatisierten Fahren (sog. Level 3, 4 und 5) entstehen grundsätzliche Probleme für die Systemsicherheit. Insbesondere der Einsatz von Verfahren des maschinellen Lernens für bzw. in sicherheitsrelevanten Funktionen erzeugt vollständig neue Probleme hinsichtlich der Systemsicherheit.
Aus D. Amodei, C. Olah, J. Steinhardt, P. F. Christiano, J. Schulman, and D. Mane,“Concrete Problems in AI safety,” CoRR, vol. abs/1606.06565, 2016. [Online], sind„Unfälle“ als Probleme des maschinellen Lernens bekannt.
Demnach sind Unfälle unerwünschtes oder schädigendes Verhalten, das auf ein mangelhaftes Design von Systemen der künstlichen Intelligenz mit Bezug zur realen Welt zurückzuführen ist. Das Paper kategorisiert die auftretenden
Probleme in fünf Klassen, Verhinderung von Seiteffekten (engl.: avoiding side effects), Vermeidung von Reward Hacking (eng.: avoiding reward hacking), skalierbare Überwachung (eng.: scalable supervision), sicheres Erforschen (eng.: safe exploration) und Verteilungsverschiebung (eng.: distributional shift).
Aus S. Burton, L. Gauerhof, and C. Heinzemann,“Making the case for safety of machine learning in highly automated driving,” in Computer Safety, Reliability, and Security, S. Tonetta, E. Schoitsch, and F. Bitsch, Eds. Cham: Springer International Publishing, 2017, pp. 5-16. sind Herausforderungen bekannt, die auftreten, wenn Verfahren des maschinellen Lernens im Bereich des zumindest teilweise automatisierten Fahrens angewendet werden. Das Paper legt einen besonderen Fokus auf funktionelle Unzulänglichkeiten bei der
Erkennungsfunktion basierend auf faltenden künstlichen neuronalen Netzen (eng.: Convolutional Neural Networks). Ferner stellt das Paper Möglichkeiten zur Abwehr der sich daraus ergebenden Risiken vor.
Aus G. E. Hinton and R. R. Salakhutdinov,“Reducing the dimensionality of data with neural networks,” Science, vol. 313, no. 5786, pp. 504-507, 2006. [Online], ist bekannt, dass höher-dimensionale Daten in nieder-dimensionale Codes konvertiert werden können, indem ein mehrschichtiges künstliches neuronales Netz mit einer kleinen zentralen Schicht darauf trainiert wird, einen höher- dimensionalen Eingabevektor zu rekonstruieren. Der Gradientenabstieg (eng.: gradient descent) kann für die Feinabstimmung der Gewichte in einem
künstlichen neuronalen Netz, das auch„Autoencoder“ genannt wird, angewendet werden.
Aus C. Doersch,“Tutorial on Variational Autoencoders,” ArXiv e-prints, Jun.
2016. ist bekannt, sogenannte Autoencoder zum unüberwachten Lernen von künstlichen neuronalen Netzen einzusetzen. Insbesondere wenn komplizierte Verteilungen der Eingabe- bzw. Trainingsdaten vorliegen. Zeigt der Einsatz von Autoencoder beim unüberwachten Lernen besondere Stärken.
Ein grundsätzliches Problem beim Einsatz von Verfahren des maschinellen Lernens für sicherheitsrelevante Funktionen ist, dass eine Datenvorhersage nur dann verlässlich ist, wenn die Eingangsdaten eine adäquate Qualität aufweisen und die gleiche bzw. ähnliche Verteilung aufweisen, wie der Datensatz, der zum Training des Verfahrens des maschinellen Lernens eingesetzt wurde. Insbesondere für den Einsatz in offenen Szenarien (eng.: open context scenarios), wie bspw. bei dem zumindest teilweise automatisierten Fahren, birgt dies große Herausforderungen. Daher sind Plausibilitätsprüfungen der
Eingangsdaten, die mittels des Verfahrens des maschinellen Lernens verarbeitet wurden, erforderlich.
Im Kontext des Automatisierten Fahrens, beschränken sich die aktuellen Plausibilitätsprüfungen auf den Vergleich der Ausgabedaten mehrerer Sensoren oder auf die Analyse der Eingangsdaten ausgehend von Expertenwissen (bspw. auf die Erkennung von schwierigen Umfeldbedingungen wie Nebel oder reduzierte Datenqualität durch Bewegungsunschärfe).
Offenbarung der Erfindung
Vor diesem Hintergrund schafft die vorliegende Erfindung ein Verfahren zur Datenvorhersage basierend auf einem Eingabedatum Y mittels eines Verfahrens des maschinellen Lernens (eng.: ML function). Sowie ein entsprechendes Computerprogramm, ein entsprechendes maschinenlesbares Speichermedium sowie eine entsprechende Vorrichtung.
Vorteile der Erfindung
Ein Aspekt der vorliegenden Erfindung ist ein Verfahren zur Datenvorhersage basierend auf einem Eingabedatum mittels eines Verfahrens des maschinellen Lernens (eng.: ML function).
Die Erfindung basiert auf der Erkenntnis, dass parallel zu der Datenvorhersage das Eingangsdatum mittels eines Variational Autoencoders auf ein
Encoderdatum abzubilden. In Abhängigkeit von dem Encoderdatum und einer erwarteten Verteilung wird ein Distanzkriterium ermittelt. Das ermittelte
Distanzkriterium repräsentiert ein Plausibilitätsmaß für die Datenvorhersage mittels des Verfahrens des maschinellen Lernens (eng.: ML function).
Unter einem Verfahren zur Datenvorhersagen ist vorliegend ein Verfahren aus dem Bereich der künstlichen Intelligenz zu verstehen. Unter einem Verfahren des maschinellen Lernens ist vorliegend ein Verfahren zur künstlichen Generierung von Wissen aus Erfahrung zu verstehen. Diese Verfahren basieren auf der Erkenntnis, dass aus Beispielen (d.h. aus bekannten Daten) erlernte Muster verallgemeinerbar sind und dadurch in unbekannten neuen Daten die erlernten Muster erkannt werden können. Dadurch entsteht künstliches Wissen aus den unbekannten neuen Daten.
Unter einem Datum, insbesondere unter einem Eingangsdatum oder
Encoderdatum ist vorliegend eine multidimensionale Datenrepräsentation zu verstehen. Im Bereich der Bildverarbeitung mittels eines Verfahrens aus dem Bereich der künstlichen Intelligenz kann dies bspw. die Repräsentation eines Bilds als Tensor nach Farbkanälen bspw. RGB und ggf. weiteren Kanälen. Das Encoderdatum kann dabei auch eindimensional sein und bspw. eine Menge von Klassen repräsentieren, denen das Eingangsdatum zugeordnet wird.
Unter einem Variational Autoencoder ist vorliegend ein Modell des maschinellen Lernens zu verstehen. Ein Variational Autoencoder ist eine Ausprägung des allgemeineren Modells eines Autoencoders. Ein Autoencoder weist einen Encoder- und einen Decoder-Teil auf. Der Encoder-Teil qQ (z|x) bildet
Eingabedaten x eines ersten Merkmalsraums (eng.: feature space) auf einen kleineren Merkmalsraum (eng.: smaller feature space) z ab. Der kleinere Merkmalsraum z wird latenter Raum (eng.: latent space) genannt. Dazu kann bspw. ein künstliches neuronales Netz eingesetzt werden. Für diese Aufgabe muss der Encoder-Teil trainiert werden, um Parameter 0 zu ermitteln, die erforderlich sind, um die Eingabedaten beim Abbilden auf den kleiner dimensionalen latenten Raum z effizient zu komprimieren. Im Decoder-Teil rf(c|z) werden die komprimierten Eingabedaten aus dem kleiner dimensionalen latenten Raum z in den Merkmalsraum mit der ursprünglichen Dimensionsgröße mittels den ebenfalls erlernten Parametern F rekonstruiert.
Zum Training eines Autoencoders wird die nachstehende Verlustfunktion minimiert:
Figure imgf000006_0001
Dabei ist N die Anzahl der für das Training verwendeten Datenpunkte. Die Verlustfunktion ist die erwartete negative logarithmische Plausibilitätsfunktion (eng.: expected negative log-likelihood function) des i-ten Datenpunkts. Der Term fördert den Decoder-Teil die Eingangsdaten korrekt zu rekonstruieren.
Im Unterschied zu einem Autoencoder sagt ein Variational Autoencoder die Parameter der Verteilung des latenten Merkmalraums z voraus. Typischerweise ist das der Erwartungswert und die Varianz der Normalverteilung. Zusätzlich wird das Trainingsverfahren eines Variational Autoencoders durch die Minimierung der Kullback-Leibler-Divergenz zwischen der vorhergesagten Verteilung
(repräsentiert durch Mittelwert und Varianz) und einer vorgegebenen Verteilung, typischerweise der Standard Normalverteilung, regularisiert. Diese
Regularisierung zwingt die Einbettungen (eng.: embedings) auf einer
verbundenen Mannigfaltigkeit ohne„Löcher“ zu liegen. Nach dem Training kann die erlernte Mannigfaltigkeit des latenten Merkmalsraum gesampelt werden, um neue Ausgabedaten zu generieren.
Zum Training eines Autoencoders wird die nachstehende Verlustfunktion minimiert:
Figure imgf000007_0001
Dabei ist N die Anzahl der für das Training verwendeten Datenpunkte. KL(·) ist die Kullback-Leibler-Divergenz. p(-) ist die vorgegebene Verteilung,
typischerweise die Standard Normalverteilung. Der erste Term ist die erwartete negative logarithmische Plausibilitätsfunktion (eng.: expected negative log- likelihood function) des i-ten Datenpunkts. Der Term fördert den Decoder die Eingangsdaten korrekt zu rekonstruieren. Der zweite Term berechnet die Kullback-Leibler-Divergenz zwischen der Verteilung des Encoders und der vorgegebenen Verteilung.
Unter einem künstlichen neuronalen Netz ist vorliegend ein Netz aus künstlichen Neuronen zur Informationsverarbeitung zu verstehen. Künstliche neuronale Netze durchleben im Wesentlichen drei Phasen. In einer initialen Phase wird eine Basistopologie, meist abhängig von der Aufgabenstellung, vorgegeben. Danach folgt eine Trainingsphase, in der die Basistopologie zur effizienten Lösung der Aufgabenstellung mittels Trainingsdaten angelernt wird. Innerhalb der
Trainingsphase kann auch die Topologie des Netzes angepasst werden.
Trainingsdaten zeichnen sich dadurch aus, dass typischerweise zu den
Eingabedaten die gewünschten Ausgabedaten vorliegen. Schließlich folgt eine Anwendungsphase, in der das angelernte Netz auf Eingabedaten angesetzt wird, zu denen es keine gewünschten Ausgabedaten gibt. Die Ausgabedaten des angelernten Netzes stellen dann gemäß der Aufgabenstellung gesuchten Ausgabedaten dar.
Durch den Einsatz von künstlichen neuronalen Netzen lassen sich höher dimensionale Daten effizient in nieder dimensionale Räume abbilden und so auf einfach und schnelle Art und Weise komprimieren.
Unter einem Plausibilitätsmaß ist vorliegend ein Maß zu verstehen, das die Abweichung zwischen den Eingabedaten und den Trainingsdaten repräsentiert. Über dieses Maß kann festgestellt werden, ob die Eingabedaten eine zu den Trainingsdaten passende Verteilung aufweisen.
Das Verfahren gemäß der vorliegenden Erfindung weist den Vorteil auf, dass integral über das ermittelte Plausibilitätsmaß entschieden wird, ob das durch das Verfahren des maschinellen Lernens zu verarbeitende Eingangsdatum der gleichen Verteilung zugeordnet werden kann, wie die ursprünglich eingesetzten Trainingsdaten.
Nach einer Ausführungsform des Verfahrens gemäß der vorliegenden Erfindung wird das Distanzkriterium mittels einer logarithmischen Plausibilitätsfunktion (eng.: log-likelihood function) des Encoderdatums ermittelt.
Diese Ausführungsform basiert auf der Erkenntnis, dass der Variational
Autoencoder darauf trainiert wird eine komprimierte Repräsentation der multidimensionalen Eingabedaten zu finden. Demnach stellen die Variablen des latenten Merkmalsraums die gewünschte Verteilung dar. Dies führt dazu, dass die Komprimierung von neuen unbekannten Eingabedaten zu Ergebnissen innerhalb der gewünschten Verteilung führen muss, wenn die Eingabedaten der gleichen bzw. einer ähnlichen Verteilung entstammen, wie die Trainingsdaten, mit denen der Variational Autoencoder trainiert wurde. Im Umkehrschluss zeigen Ergebnisse der Komprimierung, die außerhalb der gewünschten Verteilung laden, dass die Eingabedaten einer Verteilung entstammen, die nicht der Verteilung der Trainingsdaten gleicht oder dieser zumindest ähnlich ist. Dies kann ein Anzeichen für eine Verteilungsverschiebung der Eingabedaten sein und wirkt sich auf das Plausibilitätsmaß für die Datenvorhersage des parallel ablaufenden Verfahrens des maschinellen Lernens aus.
Ausgehend von dieser Erkenntnis kann auf eine Rekonstruktion der
komprimierten Eingabedaten verzichtet werden.
Nach einer Ausführungsform des Verfahrens gemäß der vorliegenden Erfindung wird zur Bestimmung der Plausibilität das ermittelte Distanzkriterium bzw. die Abbildung mittels der logarithmischen Plausibilitätsfunktion (eng.: log-likelihood function) mit einem vorgegebenen Schwellenwert verglichen. Denkbar ist es ebenso anstelle eines vorgegebenen Schwellenwerts eine kontinuierliche Funktion als Plausibilitätsmaß vorzugeben.
Das Distanzkriterium dist kann bestimmt werden z.B. durch die Kullback-Leibler- Divergenz (KL-Divergenz) zwischen der Verteilung im latenten Merkmalsraum (eng.: latent space) und der angenommen Verteilung gegeben durch
KC(£?Q(z|cί) ||r(z)). Da der Encoder so trainiert wurde, dass die KL-Divergenz für die Trainingsdaten möglichst klein ist, wird diese für neue Daten ansteigen, sofern diese aus einer anderen Verteilung als die Trainingsdaten stammen. In diesem Fall kann die Konfidenz z.B. berechnet werden durch Konfidenz g-dist(z'|z)t^ yyobej der Parameter t basierend auf den Trainingsdaten so bestimmt wird, dass auf den Trainingsdaten Werte nahe 1 berechnet werden). Wenn die Distanz dist zwischen neuen Daten und Trainingsdaten steigt, vergrößert sich der Wert dist(z‘|z) und damit sinkt die geschätzte Konfidenz der Ausgabe des Netzes.
Alternativ kann z.B. auch die logarithmische Plausibilitätsfunktion (eng.: log- likelihood function) I benutzt werden. Im Falle einer Normalverteilung mit
Mittelwert m und Varianz s2: 1(m, o2, z' it ... , z'n) = - ΐh(2p) - ΐh(s2) -
- m)2, wobei hier n die Anzahl der Dimensionen des latenten Merkmalsraumes ist. Für die Berechnung eines kontinuierlichen Konfidenzwertes muss hier dann ebenfalls basierend auf den Ergebnissen für die Trainingsdaten eine Skalierung vorgenommen werden. Anstatt für m und o2 die Werte der erwarteten Verteilung zu benutzen, können auch die hier durchschnittlich berechneten Werte auf den Trainingsdaten benutzt werden, falls diese noch stark von den Werten der erwarteten Verteilung abweichen. Die Formel ist dann entsprechend anzupassen.
Diese Ausführungsform führt ein einfaches und leicht einstellbares Kriterium für das Plausibilitätsmaß ein. So kann abhängig von der Anwendung des Verfahrens des maschinellen Lernens der Schwellenwert für das Plausibilitätsmaß angepasst werden.
Nach einer Ausführungsform des Verfahrens gemäß der vorliegenden Erfindung sind das Verfahren des maschinellen Lernens und der Variational Autoencoder auf der gleichen bzw. auf einer ähnlichen Verteilung der Eingabedaten trainiert.
Nach einer Ausführungsform des Verfahrens gemäß der vorliegenden Erfindung, ist das Verfahren des maschinellen Lernens ein Verfahren zur
Objektklassifizierung bzw. Objekterkennung.
Das Verfahren kann aus dem Bereich des zumindest teilweise automatisierten Fahrens sein.
Die vorliegende Erfindung eignet sich in besonderem Maße zu der Verwendung in einem Steuerungssystem für ein Aktorsystem. Unter einem Aktorsystem kann vorliegend ein Aktor in seiner Umgebung verstanden werden.
Ein Steuerungssystem nimmt typischerweise über mindestens einen Sensor den Zustand des Aktorsystems, d.h. des Aktors und dessen Umgebung auf und ermittelt entsprechende Ansteuersignale für den Aktor, um das übergeordnete Steuerungsziel zu erreichen.
Zur Ermittlung der entsprechenden Ansteuerungssignale können Sensorsignale des mindestens einen Sensors oder davon abgeleitete Signale, d.h. nachbearbeitete, insbesondere ausgewählte Sensorsignale, einem Verfahren zur Datenvorhersage gemäß der vorliegenden Erfindung zugeführt werden.
Über das Verfahren des maschinellen Lernens des Verfahrens der vorliegenden Erfindung wird (künstliches) Wissen generiert, das zur Steuerung des
Aktorsystems, d.h. das zur Ermittlung entsprechender Ansteuersignale, herangezogen werden kann.
Gemäß der vorliegenden Erfindung wird für dieses Wissen ein Plausibilitätsmaß erzeugt. Dieses Plausibilitätsmaß kann herangezogen werden, um die
Vertrauenswürdigkeit des erzeugten Wissens zu kennzeichnen und
entsprechend dem ermittelten Plausibilitätsmaß das Wissen bei der Ermittlung entsprechender Ansteuersignale zu berücksichtigen. Bspw. das Wissen mit einer anpassten Gewichtung zu berücksichtigen oder, je nach Ausgestaltung, das Wissen als unplausibel zu verwerfen und dementsprechend nicht zu
berücksichtigen.
Das Steuerungssystem kann insbesondere zur Steuerung eines zumindest teilweise automatisiert gesteuerten Roboters eingesetzt werden. Ein solcher zumindest teilweise automatisiert gesteuerte Roboter kann dabei ein zumindest teilweise automatisiert gesteuertes Fahrzeug, insbesondere Kraftfahrzeug, sein.
In einer solchen Ausgestaltung kann es sich bei dem mindestens einen Sensor um einen Umfeldsensor aus dem Automobilbereich, wie bspw. einem Video-, Radar-, Ultraschall-, Lidar-, Positionssensor (bspw. GNSS-Sensor) udgl., handeln. Ferner kann es sich bei dem mindestens einen Sensor um einen Zustandssensor aus dem Automobilbereich, wie bspw. einem Beschleunigungs-, Drehraten-, Druck-, Kraft-, Rotations-, Temperatur-, chemischen Sensor (bspw. Lambda-Sonde) udgl. handeln.
In einer solchen Ausgestaltung kann es sich bei dem Aktor um ein System zur Längs- (Brems-, Antriebssystem) oder Querbeschleunigung (Lenkungssystem) sowie um ein Sicherheitssystem, wie bspw. einem Airbagsystem oder einem System zum Schutz von Verkehrsteilnehmern (bspw. Fußgänger) oder ein Komfortsystem, wie bspw. der Entertainmentanlage, der Klimaanlage, der Fenstersteuerung, der Sitzsteuerung, des Beleuchtungssystems udgl., des Fahrzeugs handeln.
Ein weiterer Aspekt der vorliegenden Erfindung ist ein Computerprogramm, das eingerichtet ist, alle Schritte einer Ausführungsform des Verfahrens gemäß der vorliegenden Erfindung auszuführen.
Ein weiterer Aspekt der vorliegenden Erfindung ist ein maschinenlesbares Speichermedium, auf dem das Computerprogramm gemäß der vorliegenden Erfindung gespeichert ist.
Zeichnungen
Ein weiterer Aspekt der vorliegenden Erfindung ist eine Vorrichtung, die eingerichtet ist, alle Schritte einer Ausführungsform des Verfahrens gemäß der vorliegenden Erfindung auszuführen. Dazu weist die Vorrichtung entsprechende Mittel auf, um die jeweiligen Schritte des Verfahrens auszuführen. Bei diesen Mitteln kann es sich um entsprechend gestaltete bzw. eingerichtete Schnittstellen zur Ein- und Ausgabe, Recheneinheiten (Prozessoren, Mikroprozessoren, ASIC udgl.) und Speichereinheiten (RAM, ROM etc.) handeln.
Zeichnungen
Weitere Merkmale und Vorteile der Aspekte der vorliegenden Erfindung werden nachfolgend anhand von Ausführungsformen mit Bezug auf die Figuren erläutert.
Es zeigen:
Fig. 1 eine schematische Darstellung eines Autoencoders;
Fig. 2 eine schematische Darstellung einer Datenvorhersage gemäß der vorliegenden Erfindung;
Fig. 3 ein Ablaufdiagramm einer Ausführungsform eines Verfahrens gemäß der
vorliegenden Erfindung. Figur 1 zeigt eine schematische Darstellung eines Variational Autoencoders 1.
Ein Variational Autoencoder 1 weist einen Encoder-Teil 11 und einen Decoder- Teil 12 auf. Der Encoder-Teil 11 qQ (z |x) bildet Eingabedaten x eines ersten Merkmalsraums (feature space) auf einen kleineren Merkmalsraum (smaller feature space) z ab. Der kleinere Merkmalsraum z wird latenter Raum (latent space) genannt. Dazu kann bspw. ein künstliches neuronales Netz eingesetzt werden. Für diese Aufgabe muss der Encoder-Teil 11 trainiert werden, um die Parameter 0 zu ermitteln, die erforderlich sind, um die Eingabedaten x beim Abbilden auf den kleiner dimensionalen latenten Raum z effizient und entsprechend einer vorgegebenen Verteilung p zu komprimieren. Im Decoder- Teil 12 rf(c|z) werden die komprimierten Eingabedaten aus dem kleiner dimensionalen latenten Raum z in den Merkmalsraum mit der ursprünglichen Dimensionsgröße mittels den erlernten Parametern F rekonstruiert.
Zum Training eines Variational Autoencoders 1 wird die nachstehende
Verlustfunktion minimiert:
Figure imgf000013_0001
Dabei ist N die Anzahl der für das Training verwendeten Datenpunkte. KL(S) ist die Kullback-Leibler-Divergenz. p(-) ist die vorgegebene Verteilung,
typischerweise die Standard Normalverteilung. Der erste Term ist die erwartete negative logarithmische Plausibilitätsfunktion (eng.: expected negative log- likelihood function) des i-ten Datenpunkts. Der Term fördert den Decoder die Eingangsdaten korrekt zu rekonstruieren. Der zweite Term berechnet die Kullback-Leibler-Divergenz zwischen der Verteilung des Encoders und der vorgegebenen Verteilung.
Figur 2 zeigt eine schematische Darstellung einer Datenvorhersage gemäß der vorliegenden Erfindung. In der Darstellung werden Eingabedaten y sowohl einer Funktion des maschinellen Lernens 2 als auch einem Variational Autoencoder 10 gemäß der vorliegenden Erfindung zugeführt. Während die Funktion des maschinellen Lernens 2 die Eingabedaten gemäß ihrem Modell verarbeitet und eine entsprechende Datenvorhersage erfolgt. Werden die Eingabedaten y mittels des Variational Autoencoders 10 im Encoder-Teil 11 des Variational
Autoencoders 10 auf den latenten Merkmalsraum z‘ abgebildet. Ferner liegt der Erfindung die gelernte Verteilung des Encoder-Teils 11 in Form einer Datenquelle 24 vor. Die Datenquelle 24 kann bspw. eine Datenbank oder ein geeigneter Datenspeicher sein. In Abhängigkeit von den abgebildeten Daten z‘ und der gelernten Verteilung z wird ein Distanzkriterium 22 ermittelt. Auf Basis des ermittelten Distanzkriteriums 22 wird ein Plausibilitätsmaß 23 für die
Datenvorhersage des Verfahrens des maschinellen Lernens 2 bestimmt bzw. eine Plausibilitätsprüfung der Datenvorhersage durchgeführt.
In der dargestellten Ausführungsform ist der Variational Autoencoder 10 parallel zu der Funktion des maschinellen Lernens 2 dargestellt. Es ist ebenso denkbar, dass der Variational Autoencoder 10 ganz oder teilweise in die Funktion des maschinellen Lernens 2 intergiert ist. Das bedeutet, dass ein Teil der Funktion des maschinellen Lernens 2 (bspw. ein Merkmalsextraktor) verwendet wird, um die Merkmale für den Variational Autoencoder 10 zu extrahieren.
Figur 3 zeigt ein Ablaufdiagramm einer Ausführungsform eines Verfahrens gemäß der vorliegenden Erfindung. Das Verfahren beginnt im Schritt 301. In Schritt 302 erfolgt eine Datenvorhersage für Eingabedaten y mittels einer Funktion des maschinellen Lernens 2. Parallel zu der Datenvorhersage erfolgt die Abbildung 303 der Eingabedaten y auf den latenten Merkmalsraum z‘ des Variational Autoencoders 10 gemäß der vorliegenden Erfindung. In Schritt 304 wird ein Distanzkriterium 23 in Bezug auf die komprimierten Eingabedaten z‘ und die gelernte Verteilung z des Encoder-Teils 11 des Variational Autoencoders 10 gemäß der vorliegenden Erfindung ermittelt. Dieses Distanzkriterium 22 repräsentiert ein Plausibilitätsmaß 23 für die Datenvorhersage basierend auf den Eingabedaten y mittels der Funktion des maschinellen Lernens 2. In Schritt 305 kann die Ausgabe der vorhergesagten Daten zusammen bzw. in Abhängigkeit des Plausibilitätsmaßes 23 bzw. abhängig von dem Ergebnis einer
Plausibilitätsprüfung basierend auf dem ermittelten Distanzkriterium 22 erfolgen.

Claims

Ansprüche
1. Verfahren (300) zur Datenvorhersage basierend auf einem Eingabedatum (y) mittels eines Verfahrens des maschinellen Lernens (2),
dadurch gekennzeichnet, dass
parallel zu der Datenvorhersage (301) das Eingangsdatum (y) mittels eines Variational Autoencoders (10) auf ein Encoderdatum (z‘) abgebildet (302) wird, wobei ein Distanzkriterium (23) in Abhängigkeit von dem Encoderdatum (z‘) und einer erwarteten Verteilung (z) ermittelt (303) wird, wobei das Distanzkriterium (22) ein Plausibilitätsmaß (23) für die Datenvorhersage repräsentiert.
2. Verfahren (300) nach Anspruch 1, wobei das Distanzkriterium (22) mittels einer Plausibilitätsfunktion, insbesondere einer logarithmischen Plausibilitätsfunktion, des Encoderdatums (z‘) ermittelt wird.
3. Verfahren (300) nach Anspruch 1 oder 2, wobei zur Bestimmung der Plausibilität das ermittelte Distanzkriterium (22) und/oder das Ergebnis der Ermittlung mittels der logarithmischen Plausibilitätsfunktion mit einem vorgegebenen Schwellenwert verglichen wird.
4. Verfahren (300) nach Anspruch einem der vorhergehenden Ansprüche, wobei das Verfahren des maschinellen Lernens (2) und der Variational Autoencoder (10) auf der gleichen und/oder einer ähnlichen Verteilung der Eingabedaten trainiert sind.
5. Verfahren (300) nach einem der vorhergehenden Ansprüche, wobei das
Verfahren des maschinellen Lernens (2) ein Verfahren zur Objektklassifikation und/oder Objekterkennung, insbesondere aus dem Bereich des zumindest teilweise automatisierten Fahrens, ist.
6. Computerprogramm, das eingerichtet ist, alle Schritte eines Verfahrens (300) gemäß einem der vorhergehenden Ansprüche auszuführen.
7. Maschinenlesbares Speichermedium, auf das Computerprogramm nach Anspruch 6 gespeichert ist.
8. Vorrichtung, die eingerichtet ist, alle Schritte eines Verfahrens (300) gemäß einem der Ansprüche 1 bis 5 auszuführen.
PCT/EP2019/084172 2018-12-19 2019-12-09 Verfahren, computerprogramm, maschinenlesbares speichermedium sowie vorrichtung zur datenvorhersage WO2020126597A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018222294.0A DE102018222294A1 (de) 2018-12-19 2018-12-19 Verfahren, Computerprogramm, maschinenlesbares Speichermedium sowie Vorrichtung zur Datenvorhersage
DE102018222294.0 2018-12-19

Publications (1)

Publication Number Publication Date
WO2020126597A1 true WO2020126597A1 (de) 2020-06-25

Family

ID=68841113

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/084172 WO2020126597A1 (de) 2018-12-19 2019-12-09 Verfahren, computerprogramm, maschinenlesbares speichermedium sowie vorrichtung zur datenvorhersage

Country Status (2)

Country Link
DE (1) DE102018222294A1 (de)
WO (1) WO2020126597A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801273A (zh) * 2021-01-29 2021-05-14 江苏大学 一种基于变分自编码器和强化学习的自动驾驶控制器及训练方法
CN112883656A (zh) * 2021-04-14 2021-06-01 北京理工大学 一种基于正常运行数据的动力舱失效风险评价方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3869390A1 (de) 2020-02-18 2021-08-25 dspace digital signal processing and control engineering GmbH Computerimplementiertes verfahren und system zum erzeugen einer virtuellen fahrzeugumgebung
DE102020203819A1 (de) 2020-03-24 2021-09-30 Volkswagen Aktiengesellschaft Verfahren zum Betreiben eines zumindest teilautomatisiert fahrenden Fahrzeugs und Fahrzeug

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202017102238U1 (de) * 2017-04-13 2017-05-12 Robert Bosch Gmbh Aktorsteuerungssystem
DE202017102235U1 (de) * 2017-04-13 2017-05-12 Robert Bosch Gmbh Trainingssystem

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202017102238U1 (de) * 2017-04-13 2017-05-12 Robert Bosch Gmbh Aktorsteuerungssystem
DE202017102235U1 (de) * 2017-04-13 2017-05-12 Robert Bosch Gmbh Trainingssystem

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
AMINI ALEXANDER ET AL: "Variational Autoencoder for End-to-End Control of Autonomous Driving with Novelty Detection and Training De-biasing", 2018 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS), IEEE, 1 October 2018 (2018-10-01), pages 568 - 575, XP033491655, DOI: 10.1109/IROS.2018.8594386 *
CARL DOERSCH: "Tutorial on Variational Autoencoders", 16 August 2016 (2016-08-16), pages 1 - 23, XP055623700, Retrieved from the Internet <URL:https://arxiv.org/pdf/1606.05908.pdf> [retrieved on 20190918] *
D. AMODEIC. OLAHJ. STEINHARDTP. F. CHRISTIANOJ. SCHULMAND. MANE: "Concrete problems in AI safety", CORR, vol. abs/1606.06565, 2016
G. E. HINTONR. R. SALAKHUTDINOV: "Reducing the dimensionality of data with neural networks", SCIENCE, vol. 313, no. 5786, 2006, pages 504 - 507
MENGSHI ZHANG ET AL: "DeepRoad: GAN-based metamorphic testing and input validation framework for autonomous driving systems", PROCEEDINGS OF THE 33RD ACM/IEEE INTERNATIONAL CONFERENCE ON AUTOMATED SOFTWARE ENGINEERING , ASE 2018, ACM PRESS, NEW YORK, NEW YORK, USA, 3 September 2018 (2018-09-03), pages 132 - 142, XP058415235, ISBN: 978-1-4503-5937-5, DOI: 10.1145/3238147.3238187 *
S. BURTONL. GAUERHOFC. HEINZEMANN: "Computer Safety, Reliability, and Security", 2017, SPRINGER INTERNATIONAL PUBLISHING, article "Making the case for safety of machine learning in highly automated driving", pages: 5 - 16
YUCHI TIAN ET AL: "DeepTest : automated testing of deep-neural-network-driven autonomous cars", SOFTWARE ENGINEERING, 1 January 2018 (2018-01-01), 2 Penn Plaza, Suite 701New YorkNY10121-0701USA, pages 303 - 314, XP055572164, ISBN: 978-1-4503-5638-1, DOI: 10.1145/3180155.3180220 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801273A (zh) * 2021-01-29 2021-05-14 江苏大学 一种基于变分自编码器和强化学习的自动驾驶控制器及训练方法
CN112883656A (zh) * 2021-04-14 2021-06-01 北京理工大学 一种基于正常运行数据的动力舱失效风险评价方法

Also Published As

Publication number Publication date
DE102018222294A1 (de) 2020-06-25

Similar Documents

Publication Publication Date Title
WO2020126597A1 (de) Verfahren, computerprogramm, maschinenlesbares speichermedium sowie vorrichtung zur datenvorhersage
WO2018177484A1 (de) Verfahren und system zur vorhersage von sensorsignalen eines fahrzeugs
DE102018208763A1 (de) Verfahren, Vorrichtung und Computerprogramm zum Betreiben eines maschinellen Lernsystems
EP3393875B1 (de) Verfahren zum verbesserten erkennen von objekten durch ein fahrerassistenzsystem
DE102019209462A1 (de) Verfahren zur Bestimmung eines Vertrauens-Wertes eines detektierten Objektes
WO2018202552A1 (de) Verfahren und vorrichtung zum klassifizieren von objekten im umfeld eines kraftfahrzeuges
EP3748453B1 (de) Verfahren und vorrichtung zum automatischen ausführen einer steuerfunktion eines fahrzeugs
DE102019209463A1 (de) Verfahren zur Bestimmung eines Vertrauenswertes eines Objektes einer Klasse
DE102017128082A1 (de) Meta-Architektur-Design für ein CNN-Netzwerk
DE102018222264A1 (de) Verfahren, Computerprogramm, maschinenlesbares Speichermedium sowie Vorrichtung zur Datenvorhersage
WO2020064209A1 (de) Maschinelles lernsystem, sowie ein verfahren, ein computerprogramm und eine vorrichtung zum erstellen des maschinellen lernsystems
DE102017201796A1 (de) Steuervorrichtung zum Ermitteln einer Eigenbewegung eines Kraftfahrzeugs sowie Kraftfahrzeug und Verfahren zum Bereitstellen der Steuervorrichtung
DE102019213009A1 (de) Aufbereitung von Radarsignalen mit Unterdrückung von Bewegungsartefakten
DE102020101911A1 (de) Computerimplementiertes Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks, computerimplementiertes Verfahren zur visuellen Objekterkennung, Verfahren zum Steuern eines Kraftfahrzeugs, Computerprogramm sowie computerlesbares Speichermedium
DE102022209403A1 (de) Verfahren zum Überprüfen der Durchführung einer Prädiktionsaufgabe durch ein neuronales Netzwerk
DE102021200643B3 (de) Verfahren zur Umfelderkennung für teilautonome oder autonome Fahrfunktionen eines Kraftfahrzeugs mittels eines neuronalen Netzes
DE102018208481A1 (de) Abschätzen eines Verlaufs eines Schienenpfads
DE102019218127B4 (de) Verfahren und Vorrichtung zum optimalen Bereitstellen von KI-Systemen
DE202017105656U1 (de) Prädiktives Messsystem, Aktorsteuerungssystem und Vorrichtung zum Betreiben des prädiktiven Messsystems und/oder des Aktorsteuerungssystems
EP3781996A1 (de) Verfahren, computersystem und computerprogramm zum steuern eines aktors
DE102019119443A1 (de) Objektverfolgung
DE102023107023A1 (de) Steuervorrichtung und verfahren zum anpassen eines intelligenten persönlichen assistenten für ein kraftfahrzeug
DE102022213064A1 (de) Erkennung unbekannter Objekte durch neuronale Netze für Fahrzeuge
DE102020208878A1 (de) Verfahren zur Kurvenerkennung
DE102022213710A1 (de) Vorhersage der Fortentwicklung einer Szenerie mit Aggregation latenter Repräsentationen

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19817670

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19817670

Country of ref document: EP

Kind code of ref document: A1