CN115470836A - 用于重新配置车辆内使用的机器学习模型的超声波***和方法 - Google Patents
用于重新配置车辆内使用的机器学习模型的超声波***和方法 Download PDFInfo
- Publication number
- CN115470836A CN115470836A CN202210661450.XA CN202210661450A CN115470836A CN 115470836 A CN115470836 A CN 115470836A CN 202210661450 A CN202210661450 A CN 202210661450A CN 115470836 A CN115470836 A CN 115470836A
- Authority
- CN
- China
- Prior art keywords
- fixed
- model
- machine learning
- vehicle
- parametric model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000003066 decision tree Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 49
- 230000006870 function Effects 0.000 description 27
- 238000012545 processing Methods 0.000 description 18
- 230000015654 memory Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000002592 echocardiography Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- OCUUDCWEKWOMFA-UHFFFAOYSA-N imidazol-1-yl-dimethyl-propan-2-ylsilane Chemical compound CC(C)[Si](C)(C)N1C=CN=C1 OCUUDCWEKWOMFA-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
- G01S15/08—Systems for measuring distance only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
- G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/168—Driving aids for parking, e.g. acoustic or visual feedback on parking space
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
- G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2015/932—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles for parking operations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
用于重新配置车辆内使用的机器学习模型的超声波***和方法。公开了一种用于创建可重新配置的机器学习模型的方法和***。创建固定参数模型以包括在机器学习模型的训练过程期间获得的固定特征值。固定参数模型可以包括由机器学习模型使用的固定基础分类器,以对由超声波***在车辆附近内检测到的对象进行分类。可以创建可配置参数模型以包括不同于固定特征值的特征值,该可配置参数模型包括修改的基础分类器。车辆控制器可以接收并用可配置参数模型更新固定参数模型。机器学习模型可以被更新以使用可配置参数模型来对超声波***检测到的对象进行分类。
Description
技术领域
以下总体上涉及一种用于重新配置机器学习模型的***和方法,所述机器学习模型用于基于从超声波传感器***接收的数据对对象进行分类。
背景技术
车辆可以包括检测静止或移动障碍物的***和传感器。然而,车辆***可能不能够在各种静止车辆之间区分。例如,可以在车辆***内使用超声波传感器,以在停车、盲点检测或操纵期间检测车辆附近的障碍物。采用超声波传感器的当前车辆***可以采用基于规则的经验分类器,其部分基于检测到的障碍物回波的几何关系。然而,基于规则的分类器可能(1)生成弱的真阳性和假阳性性能;(2)难以适配特定的车辆变体;或者(3)具有对对象类的数量和类型的高度依赖性。
发明内容
公开了一种用于创建可重新配置的机器学习模型的方法和***。创建固定参数模型以包括在机器学习模型的训练过程期间获得的固定特征值。固定参数模型可以包括由机器学习模型使用的固定基础分类器,以对由超声波***在车辆附近内检测到的对象进行分类。可以创建可配置参数模型以包括不同于固定特征值的特征值,该可配置参数模型包括修改的基础分类器。车辆控制器可以接收固定参数模型并且用可配置参数模型更新固定参数模型。机器学习模型可以被更新以使用可配置参数模型来对由超声波***检测到的对象进行分类。
设想固定参数模型和可配置参数模型可以使用决策树布置进行设计,该决策树布置包括固定特征值、不同数据类之间的拆分阈值、无效值分配和缺失值分配。
控制器可以使用无线通信协议(例如,Wi-Fi、蓝牙或蜂窝)或通过有线通信协议(例如,控制器局域网(CAN)或本地互联网络(LIN))接收可配置参数模型。在用可配置参数模型更新固定参数模型之前,机器学习模型可以测试可配置参数模型。最后,固定参数模型可以被设计成包括静态值,所述静态值由可配置参数模型内提供的值来更新。
附图说明
图1图示了平行停放的具有超声波传感器***的车辆。
图2A图示了行驶时的具有超声波传感器***的车辆。
图2B图示了车辆侧镜内的视觉告警***。
图3图示了在车辆内可操作的示例性超声波传感器***。
图4是使用机器学习算法对障碍物进行分类的示例性超声波传感器***。
图5是可操作来调谐机器学习算法所使用的分类器的示例性机器学习算法。
图6是在超声波传感器***内可操作的机器学习算法高度分类的示例性流程图。
图7是用于适配在超声波传感器***内可操作的机器学习算法高度分类的示例性流程图。
图8是用于重新配置在超声波传感器***内可操作的机器学习算法高度分类的示例性框图。
具体实施方式
根据需要,本文公开了详细的实施例;然而,应当理解,所公开的实施例仅仅是示例性的,并且可以以各种形式和替代形式来体现。各图不一定是按比例的;一些特征可以被放大或最小化以示出特定部件的细节。因此,本文中公开的具体结构和功能细节不应被解释为限制性的,而仅仅是作为用于教导本领域技术人员以各种方式采用本实施例的代表性基础。
目前,在移动应用内采用的超声波传感器***可以可操作用于在停车、盲点检测或操纵期间检测车辆附近障碍物的距离。例如,图1图示了超声波***100,其中可以采用多个超声波传感器102、104来向车辆106的驾驶员提供停车辅助。当试图将车辆106停放在停车位内时,超声波***100可以向驾驶员提供听觉或视觉警报。警报可以向驾驶员告警车辆106和给定障碍物(例如,车辆108、车辆110或路缘112)之间的距离。如果车辆106在给定障碍物的预定距离内,则超声波***100也可以可操作用于应用制动***。照此,超声波***100可以提供方便和安全的车辆停放,从而避免昂贵的修理和损坏。
替代地,超声波***100可以用于向驾驶员提供停车辅助。例如,超声波***100可以提供停车辅助,其中车辆106自动停放车辆,而不需要驾驶员提供转向引导。取而代之的是,驾驶员可能仅需要在停车过程期间提供加速和制动辅助。
图2A和图2B图示了可以用于盲点检测的示例性超声波***200。如所图示的,超声波***200可以包括超声波传感器202、204,其放置在车辆206的每一侧,靠近右侧和左侧后视镜或者位于右侧和左侧后视镜内。超声波传感器202、204可以可操作用于监视车辆206周围的相邻驾驶车道中的空间。超声波***200可以从超声波传感器202、204接收数据,用于检测驾驶员盲点内的障碍物。例如,如果第二车辆208位于离车辆206的预定距离或区域内,则超声波***200可以激活听觉或视觉警报。图2B图示了可视警告标志210,如果超声波***200在车辆206的预定距离内检测到障碍物,例如车辆208,则该可视警告标志210可以在后视镜中照亮。如果驾驶员未能注意到警告并激活转向信号以朝向车辆208改变车道,则超声波***200也可以可操作用于激活附加的听觉或视觉警告。或者超声波***200可以禁止或劝阻朝向检测到的障碍物(即,车辆208)改变车道。***200还可以可操作用于检测和/或识别道路上或道路旁边的静止对象(例如,护栏或停放的车辆),并激活警告或劝阻车辆206接近静止对象。
对于停车应用、盲点检测或操纵,传统的超声波传感器***通常采用基于规则的经验分类器,该基于规则的经验分类器部分基于检测到的障碍物回波的几何关系。然而,基于规则的分类器可能(1)生成弱的真阳性和假阳性性能;(2)难以适配特定的车辆变体;或者(3)具有对对象类的数量和类型的高度依赖性。
照此,可能合期望的是提供一种超声波传感器***和方法,其可操作用于使用对超声波对象数据的机器学习方法来对障碍物的可遍历性(traversibility)进行分类。然而,关于分类,超声波***的错误分类可能导致车辆的错误警告或错误制动。例如,如果***100错误地将路缘112的给定距离分类或者将道路内的岩石分类为路缘112,则车辆106可以在停车完成之前施加制动。这样的错误分类可能禁止车辆106停放在停车位内,或者车辆106可能没有正确地停放在停车位内。
还设想,从用户的角度来看,超声波***(例如,***100)可以基于与可能发生分类的位置的距离来对错误分类不同地进行评级。“远”场中的错误分类可以被容忍,因为对车辆的确定或影响可能很小。但是,在“接近”场中的错误警告可能导致不合期望的结果,诸如潜在的车辆碰撞或操纵期间的错误制动。例如,如果图2A中图示的车辆208位于距离车辆206 2-3车道处(即,潜在地距离车辆206 50英尺或更远),如果车辆206试图改变车道,则错误的分类(例如,未能检测到车辆208)可能不具有不合期望的结果。但是,如果车辆208在下一车道中(即,可能在离车辆206 10英尺内),则错误的分类可能具有不合期望的结果,因为车辆206可能碰撞到车辆208。
因此设想,正确分类的可接受距离可以是依赖于对象的(即,依赖于障碍物)。可能需要正确的分类,因为给定对象的轮廓、形状或类型可能不同。例如,灌木或木栅栏的正确分类可能不如车辆(例如,车辆208)或水泥/砖墙的正确分类那样必要。因此,如果***200错误地将灌木分类,则车辆206可能不如车辆208的错误分类那样严重地损坏。还设想对具有特定几何形状(例如,小反射截面)的对象的正确分类可能具有物理检测限制,并且仅可以在有限的接近场中被检测到。
设想给定用户(例如,汽车原始设备制造商或“OEM”)可以不同地评估障碍物的重要性和可接受的范围。例如,一个用户可以从车辆206确定车辆208的适当检测。然而,机器学习训练例程可能不固有地并入那些依赖性,并且因此机器学习分类器的性能可能不符合给定的用户要求。因此,还合期望的是提供一种超声波传感器***和方法,其可以可操作用于调谐机器学习分类器以适配特定的输入要求(例如,来自OEM的用户要求)。
一旦使用机器学习算法对超声波数据进行分类,并且基于用户输入要求对超声波数据进行分类,合期望的就是所提出的机器学习算法输出由多个决策树组成的分类器。还合期望的是机器学习算法基于决策树来计算类别概率。设想,机器学习算法的这些方面可以是软件的硬编码组成部分,其在运行时间之前被编译并被部署到车辆内的控制单元(例如,电子控制单元“ECU”或控制器)。
还合期望的是在软件冻结之后,超声波传感器***可能需要在停车性能中验证停车软件。软件冻结之后(即,当车辆投入生产且不再准许软件改变时)对车辆的任何适配可以借助于操控性能的参数来完成。但是设想,验证不应当改变或降级软件的完整性。还设想可以减少核查和验证软件中的附加工作。相同的软件也可以用于给定的一批或一类车辆。这也可以为用户或OEM提供针对管理具有不同部件号的不同软件版本在成本方面的降低。
最后,如果那些车辆的训练数据也是可用的,则分类器可以适配新的车辆变体。如果在软件冻结之前数据不可用,则设想也可以在软件冻结之后进行训练,这意味着改***件的硬编码部分或片段。然而,这样的改变可能向超声波传感器***引入附加的成本。因此,合期望的是使用可以在软件冻结之后修改的参数来设立机器学习分类器。
图3图示了根据本公开的可以在车辆内使用的超声波传感器***300的示例框图。例如,***300可以并入在车辆102、206内。***300可以包括控制器302,诸如电子控制单元(ECU)。在本文也称为ECU的控制器302可以在处理器中体现,该处理器被配置为实行用于本文描述的方法和***的指令。控制器302可以包括存储器(未在图3中单独示出)以及其他部件,特别是在车辆内进行处理。控制器302可以使用一个或多个计算设备来设计,所述一个或多个计算设备诸如是用于处理命令的四核处理器,诸如计算机处理器、微处理器或任何其他设备、一系列设备或者能够执行本文讨论的操作的其他机制。控制器302可以包括可操作来存储指令和命令的存储器(或与之通信)。指令可以是软件、固件、计算机代码或其某种组合的形式。可以使用一个或多个数据存储设备来设计存储器,所述一个或多个数据存储设备诸如是易失性存储器、非易失性存储器、电子存储器、磁存储器、光存储器或任何其他形式的数据存储设备。在一个示例中,存储器可以包括2GB DDR3,以及诸如128 GB微型SD卡的其他可移动存储器部件。
控制器302可以与车辆内部和远离车辆二者的各种传感器、模块和车辆***进行通信。***300可以包括这样的传感器,诸如各种相机、光检测和测距(LIDAR)传感器、雷达传感器、超声波传感器或用于检测关于车辆周围环境的信息的其他传感器,所述车辆周围环境包括例如其他车辆、车道线、护栏、道路中的对象、建筑物、行人等。在图3中所示的示例中,***300可以包括前超声波传感器304(USS)、后USS 306、右侧USS 308和左侧USS 310。设想公开的每个USS可以包括一个或多个单独的超声波传感器。例如,USS 304可以包括跨车辆前保险杠分布的多个单独的超声波传感器。还设想,USS 304-310可以各自包括处理器312-314(例如,ECU或控制器)和与ECU 302分离的存储器。
处理器312-314可以类似于上述的ECU 302。USS 304-310可以进一步包括如上所述的存储器。设想ECU 302或处理器312-314可以可操作来执行用于分类和标识超声波对象数据的机器学习算法。通过在处理器312-314上操作机器学习算法,设想可以减少资源消耗(例如,少于200 DMIPS)并且可以不需要硬件加速器。如下面讨论的,当与基于规则的分类器相比时,对障碍物的可遍历性进行分类的性能可以根据可用的处理器312-314可调谐,而无需太多干预。
设想,图3仅仅是示例性的***300,该***300可以包括更多或更少的传感器,以及不同类型的传感器。此外,虽然图3示出了可以定位于车辆周围的特定位置中的特定传感器,但是***300可以在车辆内或车辆周围的不同位置配备有附加的传感器,所述附加的传感器包括相同或不同类型的附加传感器。
还设想,传感器304-310可以各自被配置为测量到布置在车辆外部和附近的目标的距离。如下面进一步描述的,传感器304-310可以可操作用于将目标分类为车辆、路缘、路障、建筑物、行人等。还设想,传感器304-310可以与诸如ECU和其他传感器之类的其他车辆部件结合工作,以进一步增强车辆外部的各种目标的分类。
如所解释的,图3公开了前USS 304和后USS 306。前USS 304可以用于分类和确定车辆前方***的车辆或对象。后USS 306可以用于分类和确定在车辆后方***有什么车辆或对象。每个USS 304-306也可以用来帮助或增强各种车辆安全***。前USS 304可以安装或内置到车辆的前保险杠中,以确定车辆前面有对象。后USS 306可以安装在车辆后保险杠的角落或中心。然而,设想,前USS 304和后USS 306可以定位或位于车辆上的其他位置,以便可操作来捕获车辆前面和后面的对象。
右侧USS 308和左侧USS 310可以用于分类和确定在右侧或左侧的车辆或对象。每个USS 308-310也可以用来帮助或增强各种车辆安全***。USS 308-310可以安装或内置到右手或左手的反射镜组装件中,以确定在车辆任一侧的对象。虽然设想USS 308-310可以安装在车辆的右侧/左侧反射镜中,但是也设想USS 308-310可以定位或位于车辆上的其他位置,以可操作地捕获在车辆任一侧的对象。
再一次,USS 304-310可以单独或组合使用,以确定对象是否位于驾驶员的盲点,以及在倒车时检测从后方左和右靠近的车辆或对象。这样的功能可以允许驾驶员在改变车道或倒车出停车位时绕过其他车辆导航,以及辅助自主紧急制动以避免可能即将发生的碰撞。
***300还可以包括检测或确定车辆当前位置的全球定位***(GPS)320。在一些情况下,GPS 320可以用于确定车辆行驶的速度。***300还可以包括检测或确定车辆正在行驶的当前速度的车速传感器(未示出)。***300还可以包括检测或确定车辆当前方向的罗盘或三维(3D)陀螺仪。地图数据可以存储在存储器中。GPS 320可以更新地图数据。地图数据可以包括可以与高级驾驶员辅助***(ADAS)一起使用的信息。这样的ADAS地图数据信息可以包括详细的车道信息、坡度信息、道路曲率数据、车道标志特性等。除了诸如道路名称、道路分类、速度限制信息等之类的传统地图数据之外,还可以利用这样的ADAS地图信息。控制器302可以利用来自GPS 320的数据,以及来自陀螺仪、车速传感器和地图数据的数据/信息,来确定车辆的位置或当前位置。
***100还可以包括人机界面(HMI)显示器322。HMI显示器322可以包括车厢内的任何类型的显示器。这样的HMI显示器可以包括仪表板显示器、导航显示器、多媒体显示器、平视显示器、薄膜晶体管液晶显示器(TFT LCD)、后视镜指示器等。HMI显示器322也可以连接到扬声器,以输出与车辆的命令或用户界面相关的声音。HMI显示器322可以用于向车辆内的乘员(例如,驾驶员或乘客)输出各种命令或信息。例如,在自动制动的场景下,HMI显示器322可以显示车辆准备制动的消息,并向用户提供关于该消息的反馈。HMI显示器322可以利用被用来向乘员可视化相关信息的任何类型的监视器或显示器。
除了提供视觉指示,HMI显示器322还可以被配置为经由触摸屏、用户界面按钮等接收用户输入。HMI显示器322可以被配置为接收指示各种车辆控制的用户命令,所述各种车辆控制诸如是视听控制、自主车辆***控制、某些车辆特征、车厢温度控制等。控制器302可以接收这样的用户输入,并进而命令部件的相关车辆***根据用户输入来执行。
控制器302可以从附加的各种车辆部件(例如,LIDAR传感器、雷达传感器、相机)接收信息和数据。控制器302可以利用从这些传感器接收的附加数据来提供可以与驾驶员辅助或自主驾驶相关的车辆功能。例如,由LIDAR传感器和相机收集的数据可以在GPS数据和地图数据的上下文中使用,以提供或增强与自适应巡航控制、自动停车、停车辅助、自动紧急制动(AEB)等相关的功能。控制器302可以与车辆的各种***(例如,发动机、变速器、制动器、转向机构、显示器、传感器、用户界面设备等)进行通信。例如,控制器302可以被配置为向制动器发送信号以使车辆(例如,车辆1000)减速,或者向转向机构发送信号以变更车辆的路径,或者向发动机或变速器发送信号以使车辆加速或减速。例如,控制器302可以被配置为从各种车辆传感器接收输入信号,以将输出信号发送到显示设备。控制器302还可以与一个或多个数据库、存储器、互联网或网络进行通信,以访问附加信息(例如,地图、道路信息、天气、车辆信息)。
再一次,设想每个USS 304-310可以单独或组合操作,以基于接收的对象数据执行分类。虽然USS 304-310可以使用单独的超声波传感器进行操作,但是优选的是USS 304-310包括多个超声波传感器,以基于接收到的对象水平数据进行分类。例如,USS 304可以包括跨车辆前保险杠分布的4-6个超声波传感器,以基于接收到的对象水平数据执行分类。
例如,图4是USS 304可以如何在对象水平上执行分类的操作水平402-408的示例性框图。虽然图4是USS 304的图示,但是应当理解,每个USS 306-310可以以类似的方式设计和操作。同样如上所述,虽然图4设想使用处理器312进行处理,但是该处理也可以使用ECU 302来完成。进一步设想,操作水平402-408仅仅是为了说明的目的,并且可以组合一个或多个水平来执行在对象水平上的分类。
为了在对象水平上实行分类,USS 304可以在操作水平402开始,在操作水平402,超声波传感器410-418通过从各种经训练的机器学***图示了四个超声波传感器410-416,但是设想,基于给定的应用和车辆内或车辆周围的位置,可以使用更多的超声波传感器(如传感器418所表示的)或更少的传感器。
在操作水平404,信号处理算法420-428可以在由每个单独的传感器410-418收集的数据上执行。例如,信号处理算法420-428可以包括回波预处理步骤(例如,幅度滤波)和计算回波水平上的特征。更具体地,算法420-428可以计算每个单独的传感器410-418的特征,所述特征包括均值幅度、显著性、回波的相关性和接收到的回波的数量。
在操作水平406,可以对每个信号处理算法420-428的输出执行一个或多个信号处理算法430。信号处理算法430可以组合每个信号处理算法420-428的输出。例如,信号处理算法430可以包括三边测量、形状的对象生成和匹配对象的类型。信号处理算法430可以进一步计算多个传感器输入上的特征(例如,交叉回波接收率)。最后,算法430可以可操作用于基于来自对象匹配的几何关系来计算特征。
例如,信号处理算法430可以根据传感器410-418提供的一个或多个数据计算回波的接收。由信号处理算法430确定的回波接收可以包括对障碍物有贡献的传感器数量或交叉回波接收率。算法430还可以基于三边测量(例如)测量的三边测量的均值横向误差来计算几何关系。或者,算法430可以基于点状或线状反射特性来计算几何关系。
在操作水平408,可以对在操作水平406计算的组合信号处理算法430的输出执行一个或多个信号处理算法432。算法432可以可操作用于在对象水平上统计地聚集所计算的特征。算法432也可以可操作用于基于聚集的特征对遍历能力进行分类。
然而,进一步设想,对于在高级驾驶员辅助***(ADAS)内使用的机器学习(ML)或深度学习(DL)算法,其可以可操作用于在驾驶和停车功能中辅助驾驶员,所采用的算法或方法可以在原始传感器数据上训练(例如,用于视频流上的分类)。用于这样的应用的ML/DL分类器可以使用神经网络(例如,卷积神经网络(CNN)、递归神经网络(RNN)、人工神经网络(ANN))或类似的计算框架。然而,这样的框架通常需要高资源消耗,并且可能不适用于超声波***的有限计算资源。
因此,设想可以使用极限梯度提升(“XGBoost”)算法来采用计算高效的基于树的机器学***的准确度,但是当以自然形式应用于超声波***的高度分类时,XGBoost可能不以如此高水平的准确度操作。
当在超声波***(例如,***300)内采用时,为了改进高度分类,可以在训练ML/DL算法(即,模型)之前采用数据预处理模型。数据预处理可以被设计成移除由超声波***捕获的噪声信号。除了移除噪声信号之外,还可以对数据进行滤波,以确保在接近障碍物时出现的超声波***测量仅可以在训练数据集中被考虑。
在数据预处理之后,可以为所采用的机器学习模型采用训练模型(例如XGBoost)。还设想,训练XGBoost分类器可能涉及除数据之外的附加部件。例如,附加部件可以包括可调谐的对象类权重。另一个部件可以包括数据的各个样本的权重。各个权重可以是对象重要性(可以由用户指定)、范围目标和超声波***可以收集输入样本的距离的函数。目标函数也可以被设计为用户选择的对象重要性和范围目标的函数。附加部件还可以包括自动特征选择或用于输出的最终分类的计算高效的sigmoid函数。
图6进一步图示了用于超声波***内使用的高度分类的ML算法的示例性流程图600。流程图600可以在步骤602开始,其中用户可以为不同的对象类建立各种要求。在步骤604,用户要求可以用作至加权函数模块的输入。设想,加权函数模型可以针对每个输入样本将用户要求生成(或转换)为权重。
在步骤606,可以用用户要求的特定权重来训练机器学习分类器。换句话说,(由用户要求加权的)权重输入可以用于训练具有加权二进制交叉熵损失函数的XGBoost分类器。在步骤608,可以用基于用户要求的特定权重的成本函数来优化机器学习分类器。例如,可以采用灵活的损失函数,并且损失函数可以包括对应于正则化(像L2正则化)的附加项。在步骤610,可以使用考虑用户要求的新度量来评估机器学习分类器。例如,可以基于性能要求以及计算约束(诸如树的深度、提升器的数量或树的集合)来修改模型复杂度。最后,设想除了二元分类器之外,多类分类器可以用于对多个对象类进行分类。
设想当超声波***数据的分类完成时,机器学习算法可能需要在一个或多个机器学习分类器的调谐过程期间是可适配的。由于在调谐过程期间是可适配的,机器学习算法可以改进对真分类和假分类的权衡。调谐过程也可以被设计成基于特定的用户要求(例如,OEM要求)来提供分类器的适配,或者可以可适配于特定的应用。例如,调谐过程可以为特定的汽车变体(例如,运动型多功能车或小型货车)提供适配性。或者给定的OEM(例如福特汽车公司)可能需要对于他们的整个车队进行特定的调谐过程。
还设想,机器学习算法可以可操作用于修改标准分类损失函数(例如交叉熵),以包括每个对象类的加权参数和范围目标,作为调谐例程的单独输入。因此,调谐过程可以提供表示与每个对象类相关联的可调谐权重的超参数集。可调谐权重可以基于所提供的特定客户要求来可操作地获得。然后,所提供的客户输入可以在调谐过程的多个阶段被输入到机器学习算法。附加地,调谐目标函数也可以可操作地考虑客户输入。因此,可以改进数据分类的性能,因为可以使用特定的客户要求来基于和确定最佳折衷。此外,机器学习算法可以容易地可适配于要求的改变,从而减少实现或基于给定应用的时间和成本。
图5图示了用于在一个或多个机器学习分类器的调谐过程期间实现可适配性的示例性算法500。设想至算法500的一个输入可以包括每个对象的对象类重要性和范围目标。范围目标可以包括距离障碍物的最小距离,在该距离以下,超声波高度分类***不应当给出错误的阳性。对象类重要性可以包括用户可以提供给每类障碍物(例如,杆、灌木、树、路缘石等)的重要性值(例如,浮点值)。设想,重要性值可以可操作用于指示该障碍物对于***的总体评估有多重要。最后,基础分类器的选择可以被输入到算法500。
再一次,图6图示了可以在超声波传感器***(例如***300)中采用的用于高度分类的机器学习模型的示例性流程图600。如上面讨论的,在步骤602,可以为不同的对象类输入(即,设置)用户要求。接收到的用户要求(客户输入)可以包括范围目标和对象类重要性值或者像算法500所图示的对象类一样的对象类。在步骤604,然后可以使用加权函数将用户要求转换成权重值。在步骤606,可以用用户要求特定的权重来训练机器学习分类器。在步骤608,机器学习分类器可以基于成本函数用用户要求特定的权重来优化。在步骤610,可以使用考虑用户要求的新度量来评估机器学习分类器。
在步骤706,可以基于用户要求为调谐参数建立范围。设想,可以用损失函数(例如,加权损失函数)来训练基础分类器,其中可以基于接收到的输入(即,客户输入)来计算权重。在步骤708,可以用调谐参数和由用户要求加权的目标函数来训练分类器。设想使用合适的目标函数(例如,在我们的情况下,到目标的距离的平方(DTO)误差)来评估调谐的(即,训练的)分类器的性能,该目标函数被专门设计来迎合特定的用户要求和/或输入。如果需要重新调谐权重,则流程图700可以行进到步骤712,在步骤712,可以基于目标函数使用具有用户要求的参数来重新调谐分类器。
在步骤706,可以基于用户要求为调谐参数建立范围。设想,可以用损失函数(例如,加权损失函数)来训练基础分类器,其中可以基于接收到的输入(即,客户输入)来计算权重。在步骤708,可以用调谐参数和由用户要求加权的目标函数来训练分类器。设想使用合适的目标函数(例如,在我们的情况下,到目标的距离的平方(DTO)误差)来评估调谐的(即,训练的)分类器的性能,该目标函数被专门设计来迎合特定的用户要求和/或输入。在步骤710,确定权重是否需要重新调谐。如果是,则流程图700可以返回到步骤706。如果否,则流程图可以进行到步骤712,在步骤712,可以基于目标函数使用具有用户要求的参数来调谐分类器。
最后,设想,可以重构已训练的分类器,以实现完全参数化的机器学习模型,该完全参数化的机器学习模型可以可操作用于在现实世界应用内部署后的重新配置。例如,在汽车应用中,可能存在可以不准许针对软件和存储值发生更多改变的点(即,软件冻结)。软件冻结可包括存储(或将存储)在车辆ECU内的已训练分类器。在软件冻结之后(例如,在车辆已经出售给客户之后),可能合期望的是用新的分类器值来重构或更新车辆。因此,还合期望的是具有一种完全可适配的分类器,该完全可适配的分类器可以包括参数集,该参数集可操作用于在软件冻结之后训练新的车辆变体或对象类。如果在发布的软件中存在缺陷,则本方法和***可以可操作用于通过改变参数来改变对缺陷的性能。这样的改变可以简化缺陷的处理。
设想所公开的***和方法可以使用包括固定结构的给定机器学习模型。固定结构可以包括不同数量的树和/或具有完全填充的叶子的深度,其中树的所有节点(例如,if/else表达式)由参数组成。在一个示例中,被表达为“特征_值>阈值_值”的节点可以由3个参数组成,这3个参数分别包括:(1)“特征_值”;(2) “>”;以及(3)“参数_值”。还设想,可以在配置过程期间确定和分配参数。然而,设想该***和方法可能需要计及处理无效特征值和未填充的叶子。
图8图示了可以在基于超声波传感器的高度分类***(例如,***300)内采用的可重新配置的机器学习模型的示例性框图800。除了创建可重新配置的模型之外,本公开还设想创建参数分配模块,该参数分配模块可以用于将必要的参数分配给可重新配置的模型。一旦分配了必要的参数,就可以测试机器学习模型。
参考图8,设想了两种类型的配置。在框802,在上面讨论的训练过程之后,可以获得固定参数模型。该固定参数模型可以包括在以决策树形式的特定布置中的特征、拆分阈值、无效值和缺失值分配。
设想,不同的特征和相关联的拆分阈值可以完全参数化。例如,可以创建参数化模型(框806)以包括完全决策树,其中每个节点包括用于每个节点处的特征名称和拆分值阈值的变量。在框804,可配置模型中的变量可以被分配给特征和拆分阈值,所述拆分阈值是来自固定参数模型的静态值。
可重新配置的机器学习模型可以使用不是简单二叉树的基于树的模型来操作。取决于可以使用的特征,可以采用像无效值和缺失值一样的附加参数。逻辑可以被实现到可配置模型文件的每个节点中。框812图示了可以基于从固定模型文件(框802)接收的信息、实际特征值或接收的运行时间测量/数据(框810)来分配参数。还设想,框812可以在运行时间期间执行,以在可配置模型中分配这样的参数。
本文公开的过程、方法或算法可以被可递送到处理设备、控制器或计算机/由处理设备、控制器或计算机实现,所述处理设备、控制器或计算机可以包括任何现有的可编程电子控制单元或专用电子控制单元。类似地,过程、方法或算法可以被存储为由控制器或计算机以多种形式可执行的数据、逻辑和指令,包括但不限于永久存储在诸如ROM设备的不可写存储介质上的信息和可替换地存储在诸如软盘、磁带、CD、RAM设备和其他磁性和光学介质的可写存储介质上的信息。过程、方法或算法也可以在软件可执行对象中实现。替代地,可以使用合适的硬件部件——诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、状态机、控制器或其他硬件部件或设备,或者硬件、软件和固件部件的组合——来整体或部分地体现所述过程、方法或算法。
虽然上面描述了示例性实施例,但这不旨在这些实施例描述了本发明的所有可能形式。相反,说明书中使用的词语是描述性的词语,而不是限制性的,并且应当理解,可以在不脱离本发明的精神和范围的情况下进行各种改变。附加地,各种实现实施例的特征可以被组合以形成本公开的另外实施例。
Claims (20)
1.一种用于创建可重新配置的机器学习模型的方法,包括:
创建固定参数模型,所述固定参数模型包括在机器学习模型的训练过程期间获得的固定特征值,所述固定参数模型还包括由机器学习模型使用的固定基础分类器,以对由超声波***在车辆附近内检测到的对象进行分类;
创建包括不同于固定特征值的配置特征值的可配置参数模型,所述可配置参数模型包括修改的基础分类器;和
与车辆中的控制器通信以用可配置参数模型更新固定参数模型,其中机器学习模型被更新以使用可配置参数模型对由超声波***检测的对象进行分类。
2.根据权利要求1所述的方法,其中,使用决策树布置来设计固定参数模型和可配置参数模型。
3.根据权利要求2所述的方法,其中,决策树布置包括固定特征值。
4.根据权利要求2所述的方法,其中,决策树布置包括不同数据类之间的一个或多个拆分阈值。
5.根据权利要求2所述的方法,其中,决策树布置包括一个或多个无效值分配。
6.根据权利要求2所述的方法,其中,决策树布置包括一个或多个缺失值分配。
7.根据权利要求1所述的方法,其中,使用无线通信协议建立与控制器的通信。
8.根据权利要求1所述的方法,其中,使用有线通信协议建立与控制器的通信。
9.根据权利要求1所述的方法,其中,在用可配置参数模型更新固定参数模型之前,由机器学习模型测试可配置参数模型。
10.根据权利要求1所述的方法,其中,固定参数模型包括静态值,并且可配置参数模型用于更新静态值。
11.一种用于创建可重新配置的机器学习模型的***,包括:
控制器,被配置为:
存储固定参数模型,所述固定参数模型包括在机器学习模型的训练过程期间获得的固定特征值,所述固定参数模型还包括由机器学习模型使用的固定基础分类器,以对由超声波***在车辆附近内检测到的对象进行分类;和
接收包括不同于固定特征值的配置特征值的可配置参数模型,所述可配置参数模型包括修改的基础分类器;和
用可配置参数模型更新固定参数模型,其中机器学习模型被更新以使用可配置参数模型对由超声波***检测的对象进行分类。
12.根据权利要求11所述的***,其中,使用决策树布置来设计固定参数模型和可配置参数模型。
13.根据权利要求12所述的***,其中,决策树布置包括固定特征值。
14.根据权利要求12所述的***,其中,决策树布置包括不同数据类之间的一个或多个拆分阈值。
15.根据权利要求12所述的***,其中,决策树布置包括一个或多个无效值分配。
16.根据权利要求12所述的***,其中,决策树布置包括一个或多个缺失值分配。
17.根据权利要求11所述的***,其中,使用无线通信协议建立与控制器的通信。
18.根据权利要求11所述的***,其中,在用可配置参数模型更新固定参数模型之前,由机器学习模型测试可配置参数模型。
19.根据权利要求11所述的***,其中,固定参数模型包括静态值,并且可配置参数模型用于更新静态值。
20. 一种可操作来创建机器学习模型的非暂时性计算机可读介质,所述非暂时性计算机可读介质具有存储在其上的计算机可读指令,所述计算机可读指令可操作被执行以执行以下操作:
存储固定参数模型,所述固定参数模型包括在机器学习模型的训练过程期间获得的固定特征值,所述固定参数模型还包括由机器学习模型使用的固定基础分类器,以对由超声波***在车辆附近内检测到的对象进行分类;和
接收包括不同于固定特征值的配置特征值的可配置参数模型,所述可配置参数模型包括修改的基础分类器;和
用可配置参数模型更新固定参数模型,其中机器学习模型被更新以使用可配置参数模型对由超声波***检测的对象进行分类。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/303990 | 2021-06-11 | ||
US17/303,990 US20220398463A1 (en) | 2021-06-11 | 2021-06-11 | Ultrasonic system and method for reconfiguring a machine learning model used within a vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115470836A true CN115470836A (zh) | 2022-12-13 |
Family
ID=84192457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210661450.XA Pending CN115470836A (zh) | 2021-06-11 | 2022-06-13 | 用于重新配置车辆内使用的机器学习模型的超声波***和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220398463A1 (zh) |
JP (1) | JP2022189809A (zh) |
CN (1) | CN115470836A (zh) |
DE (1) | DE102022205744A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230005362A1 (en) * | 2021-07-02 | 2023-01-05 | Aptiv Technologies Limited | Accuracy of Predictions on Radar Data using Vehicle-to-Vehicle Technology |
GB2625642A (en) * | 2022-12-21 | 2024-06-26 | Oxa Autonomy Ltd | Generating a trajectory for an autonomous vehicle |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
USD304310S (en) | 1986-04-21 | 1989-10-31 | Aerospatiale Societe Nationale Industrielle | Emergency radio signal transmitter |
USD304306S (en) | 1986-09-02 | 1989-10-31 | Cat Eye Co., Ltd. | Computerized multiple function bicycle meter |
USD306310S (en) | 1986-11-04 | 1990-02-27 | Omron Tateisi Electronics Co. | Electrornic cash register |
USD308310S (en) | 1987-03-30 | 1990-06-05 | Chromcraft Furniture Corp. | Seating unit |
-
2021
- 2021-06-11 US US17/303,990 patent/US20220398463A1/en active Pending
-
2022
- 2022-06-07 DE DE102022205744.9A patent/DE102022205744A1/de active Pending
- 2022-06-10 JP JP2022094188A patent/JP2022189809A/ja active Pending
- 2022-06-13 CN CN202210661450.XA patent/CN115470836A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102022205744A1 (de) | 2022-12-15 |
JP2022189809A (ja) | 2022-12-22 |
US20220398463A1 (en) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10414395B1 (en) | Feature-based prediction | |
US10976748B2 (en) | Detecting and responding to sounds for autonomous vehicles | |
JP6985203B2 (ja) | 挙動予測装置 | |
US10336252B2 (en) | Long term driving danger prediction system | |
US20210074091A1 (en) | Automated vehicle actions, and associated systems and methods | |
US11491979B2 (en) | Automated vehicle actions such as lane departure warning, and associated systems and methods | |
CN115470836A (zh) | 用于重新配置车辆内使用的机器学习模型的超声波***和方法 | |
CN111094095B (zh) | 自动地感知行驶信号的方法、装置及运载工具 | |
JP2011096105A (ja) | 運転支援装置 | |
CN115470835A (zh) | 用于调谐在机器学习算法内使用的机器学习分类器的超声波***和方法 | |
US20180300620A1 (en) | Foliage Detection Training Systems And Methods | |
US11516613B1 (en) | Emergency sound localization | |
US11702044B2 (en) | Vehicle sensor cleaning and cooling | |
CN111409455A (zh) | 车辆的速度控制方法及装置、电子设备、存储介质 | |
CN113264042A (zh) | 隐藏危险情况警示 | |
US20220397666A1 (en) | Ultrasonic system and method for classifying obstacles using a machine learning algorithm | |
RU2809334C1 (ru) | Беспилотное транспортное средство и способ управления его движением | |
RU2814813C1 (ru) | Устройство и способ для отслеживания объектов | |
WO2024144436A1 (ru) | Устройство и способ для определения объектов | |
US12003929B1 (en) | Microphone cleaning and calibration | |
RU2806452C1 (ru) | Устройство и способ для определения объектов | |
WO2024144437A1 (ru) | Беспилотное транспортное средство и способ управления его движением | |
WO2023076903A1 (en) | Retraining neural network model based on sensor data filtered for corner case | |
CN118004150A (zh) | 用于情境导向自动停泊辅助的***和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |