CN116157309A - 根据所提供的车辆传感器数据提供用于车辆控制的机器学习的控制功能的方法 - Google Patents
根据所提供的车辆传感器数据提供用于车辆控制的机器学习的控制功能的方法 Download PDFInfo
- Publication number
- CN116157309A CN116157309A CN202180062963.2A CN202180062963A CN116157309A CN 116157309 A CN116157309 A CN 116157309A CN 202180062963 A CN202180062963 A CN 202180062963A CN 116157309 A CN116157309 A CN 116157309A
- Authority
- CN
- China
- Prior art keywords
- control function
- data set
- vehicle
- control
- driving scenarios
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000006870 function Effects 0.000 title abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 230000001965 increasing effect Effects 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 description 17
- 230000009471 action Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
- B60W2050/0083—Setting, resetting, calibration
- B60W2050/0088—Adaptive recalibration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种根据所提供的车辆传感器数据提供用于车辆控制的机器学习的控制功能的方法,包括以下方法步骤:G)提供基于人工神经网络的控制功能,其包括至少一个能够输出的控制命令;H)提供用于评估驾驶场景的评估目录;I)提供包括驾驶场景的训练数据集;J)通过所述训练数据集训练所述控制功能;K)将所述控制功能应用于包括驾驶场景的测试数据集并且根据所述评估目录对所述驾驶场景进行评估;L)扩展所述训练数据集和/或所述测试数据集,或者降低或提高经训练的控制功能的复杂度。
Description
技术领域
本发明涉及一种根据所提供的车辆传感器数据来提供用于车辆控制的机器学习的控制功能的方法。
背景技术
现今,车辆具有执行由***开发人员设定的控制功能的控制单元。在此情况下,车辆具有多个提供用于控制功能的车辆传感器数据的传感器,控制功能根据这些车辆传感器数据生成控制命令。车辆的驾驶者通常不会直接影响控制功能所产生的控制命令。在此情况下,控制功能的示例例如为巡航控制、距离控制器或车道变换警示***,其使用来自雷达、激光雷达或摄像机的车辆传感器数据。
其中,提供用于车辆控制的控制功能的已知方法包括通过在车辆的控制单元中实现的以确定性/算法的方式开发的计算机程序来提供可输出的控制命令。在此情况下,通过计算机程序的开发人员定义可输出的控制命令,从而明确地将这些控制命令与预定的场景对应。此种提供用于车辆控制的控制功能的方式不适于提供复杂的控制功能,因为现实提供了复杂的驾驶场景,计算机程序的开发人员必须考虑到这些场景,以便提供不会输出触发危险的控制命令的控制功能。然而,这仅在非常有限的程度以及少数驾驶场景中可行,因此,如此提供的控制功能在真实条件下容易做出错误反应,特别是针对未知的驾驶情况。
另一提供控制功能的方法包括提供基于人工神经网络的控制功能。在此情况下,在训练数据集上对人工神经网络进行训练,此训练数据集映射了尽可能多的、明确不同的驾驶场景,以便独立地推导出执行定义的控制命令的规则。这样就能提供复杂的控制功能,因为不必在计算机程序产品中实现具体的规则。然而,提供用于车辆控制的机器学习的控制功能的方法容易出错,因为所涉及的人工神经网络针对未通过训练数据集映射或仅不充分地映射的场景生成伴有低置信度或较大的统计不确定性的输出。
现有技术已知DE 102018116036 A1和DE 102017006 434A1。
发明内容
因此,本发明的目的是提供一种根据所提供的车辆传感器数据来提供用于车辆控制的机器学习的控制功能的方法,所述方法克服了现有技术的缺点。
本发明包括一种根据所提供的车辆传感器数据来提供用于车辆控制的机器学习的控制功能的方法,所述方法包括以下方法步骤:
A)提供基于人工神经网络(机器学习组件)的控制功能,其包括至少一个可输出的控制命令;B)提供用于评估驾驶场景的评估目录;
C)提供包括驾驶场景的训练数据集;
D)在所述训练数据集上训练所述控制功能;
E)将所述控制功能应用于包括驾驶场景的测试数据集并且根据所述评估目录对所述驾驶场景进行评估;
F)扩展所述训练数据集和/或所述测试数据集或者降低经训练的控制功能的复杂度或提高其复杂度。
所述控制功能借助至少一个控制命令来控制车辆的功能。控制功能指的是所有影响(车辆的)控制的功能,无论是通过提供信息还是通过提供具体的行动指令。
控制命令是指具体的行动指令和/或用于触发自动执行的控制功能的信号。人工神经网络可以在车辆的控制单元上实现,或者可以在车辆外部的服务器上实现并且与车辆的控制单元进行交互。
所述评估目录可以设计为,使得能够将驾驶场景分为已知或未知的、不触发危险或触发危险的以及确定或不确定的场景并且据此对其进行评估。
未知的驾驶场景是未通过训练数据集映射的驾驶场景。未知的驾驶场景是指开发人员未考虑到的、未包含在评估目录和/或训练数据集中的驾驶场景。
不确定的驾驶场景是人工神经网络会生成伴有低置信度或较大的统计不确定性的输出的场景。不确定的驾驶场景可能会引起控制功能的触发危险的控制命令。
所述训练数据集可以映射车辆的模拟行驶。如果控制功能执行(例如在车辆的控制单元上)过慢或者控制功能自身对存储空间的需求过大,则可以降低控制功能的复杂度。降低控制功能的复杂度能够减少或避免因人工神经网络而引起的过拟合(over-fitting),以便改善控制功能。如果控制功能无法充分适应(训练)训练数据集中所提供的驾驶场景,则可以提高控制功能的复杂度,这例如可能表现为控制功能的错误行为。
根据一个优选方面,所述方法包括借助经扩展的训练数据集和/或测试数据集以及/或者复杂度有所降低和/或复杂度有所提高的控制功能迭代地重复方法步骤D)和/或E)和/或F)的方法步骤。例如可以进行上述迭代的重复,直至根据评估目录将所有驾驶场景评估为不触发危险。
根据另一优选方面,根据评估目录评估驾驶场景包括确定未知的驾驶场景。
根据一个特别优选的方面,根据评估目录评估驾驶场景包括确定不确定的驾驶场景。
根据一个有利的方面,基于评估为未知的驾驶场景来对训练数据集和/或测试数据集进行扩展。这样就能连续且针对性地扩展训练数据集并且在与提高确定性相关的驾驶场景中训练控制功能。
根据另一有利的方面,基于评估为不确定的驾驶场景来对训练数据集和/或测试数据集进行扩展。这样就能连续且针对性地扩展和训练控制功能以避免触发危险的控制命令。
这些控制命令基于人工神经网络的输出,其中如果以足够的置信度或统计确定性实现人工神经网络的输出,则所述输出被认为是确定的。
根据一个特别有利的方面,所述方法包括在考虑到参数的定义取值范围的情况下对控制功能进行分析验证的方法步骤。在此情况下,参数的取值范围可能与车辆传感器数据和/或由车辆传感器数据推导出的数据相关。分析验证的方法例如是已知的方法,如“Reluplex”或“ReluVal”。
根据一个特别有利的方面,所述方法包括对控制功能进行概率验证的方法步骤。概率验证指的是以数据驱动的方式评估和优化测试用例覆盖率。测试用例覆盖率是指通过归纳分析和演绎分析对人工神经网络所学习的规则进行量化。
根据一个有利的方面,降低控制功能的复杂度包括简化人工神经网络。可以简化人工神经网络,以便减少人工神经网络所需的计算和/或存储资源。
根据另一有利的方面,所述简化包括减少人工神经网络的神经元和/或层。
根据一个特别有利的方面,降低控制功能的复杂度包括减少待提供的车辆传感器数据。在此情况下,所述减少可以是提供车辆传感器数据的频率的降低。
根据一个特别有利的方面,基于人工神经网络设计车辆的控制单元中的计算和存储能力。
根据一个优选方面,基于车辆的控制单元的计算和存储能力设计人工神经网络(的复杂度)。
根据另一优选方面,在车辆中提供控制功能并且在运行过程中对其进行测试。所述车辆可以是真实或虚拟/模拟的车辆。在此情况下,可以在运行过程中对控制功能进行测试,方式在于,控制功能模拟(生成)待输出的控制命令,而不是由车辆来实际执行该控制功能。
根据一个特别优选的方面,在车辆中提供所述控制功能并且根据在行驶期间(或通过行驶)提供的驾驶场景对训练数据集和/或测试数据集进行扩展。所述车辆可以是真实或虚拟/模拟的车辆。在此情况下,可以根据评估目录对在行驶期间针对扩展训练数据集而提供的驾驶场景进行评估。
本发明包括一种具有执行根据所述方法而提供的控制功能的控制设备的车辆。
下面结合示例对本发明进行详细说明。
具体实施方式
作为根据本发明的示例,描述了一种根据所提供的车辆传感器数据来提供用于车辆控制的机器学习的控制功能的方法,其中所述控制功能是基于人工神经网络的用于预测周围车辆的变道动作的车道变换警示***(LCMP;英文为:lane change maneuverpredictor)。其中,向LCMP提供来自雷达和激光雷达传感器以及摄像机的车辆传感器数据。
所述方法包括以下方法步骤:
A)提供控制功能,在本示例中即基于人工神经网络的用于预测周围车辆的变道动作的车道变换警示***(LCMP),其包括可输出的控制命令;在此情况下,可以基于能够预测周围车辆的“向右变道”、“向左变道”以及“不变道”的LCMP输出这些控制命令。
B)提供用于评估驾驶场景的评估目录;该评估目录基于所实现的验证和确认目标定义驾驶场景是已知还是未知的,是确定还是不确定的。不确定的驾驶场景是LCMP会生成伴有低置信度或较大的统计不确定性的输出的场景。例如可以参照评估目录的标准,将可能触发危险的场景(如环境中的车辆之间的最小距离)用于检查确定性。
C)提供包括驾驶场景的训练数据集;该训练数据集例如可以包括驾驶场景的模拟。
D)在训练数据集上训练控制功能;在此情况下,借助已知的方法来训练人工神经网络。
E)将该控制功能应用于包括驾驶场景的测试数据集并且根据评估目录对这些驾驶场景进行评估;测试数据集例如可以包括驾驶场景的模拟,特别是未被训练数据集映射的驾驶场景的模拟。根据评估目录评估驾驶场景可以包括划分确定或不确定的以及已知或未知的驾驶场景。
F)扩展训练数据集和/或测试数据集或者降低经训练的控制功能的复杂度或提高其复杂度。如果在评估过程中发现不确定的驾驶场景,则扩展该训练数据集。
以LCMP为例,可以通过减少人工神经网络的层数以及/或者减少每层的神经元数量来降低复杂度。可以通过增加人工神经网络的层数以及/或者增加每层的神经元数量来提高复杂度。在此情况下,为了降低/提高经训练的控制功能的复杂度,可以通过复杂度有所降低/有所提高的人工神经网络来取代原始的人工神经网络。在此情况下,例如可以将该复杂度有所降低/有所提高的人工神经网络重新训练至所提供的训练数据集上,而无需使用原始的人工神经网络进行训练,或者在此情况下可以使用原始的人工神经网络进行训练。
迭代地重复方法步骤D)和/或E)和/或F),其中在每次重复后,使用在F)中扩展的训练数据集和/或测试数据集以及/或者使用在F)中降低复杂度或提高复杂度的控制功能。此举确保针对控制功能的训练连续优化训练数据集,减少不确定的驾驶场景的数量,以及增加确定的驾驶场景的数量,以便改善控制功能。
其中,降低控制功能的复杂度包括通过减少人工神经网络的神经元和层来简化人工神经网络。此外,降低控制功能的复杂度还包括减少待提供的车辆传感器数据。在此情况下,以车道变换警示***为例,以有所降低的频率提供来自雷达和激光雷达传感器以及摄像机的数据。
根据评估目录对驾驶场景进行评估包括确定未知的驾驶场景。在此情况下,未知的驾驶场景是未通过训练数据集映射或仅不充分地映射的驾驶场景。在此,可以针对性地生成未知的驾驶场景。
针对性地生成未知驾驶场景的方法的一个示例是“DeepXplore”。其中,通过梯度法对人工神经网络的输入数据进行更改。实现上述更改,使得能够通过人工神经网络强制进行错误的分类。因此,***地生成人工神经网络先前未知的新驾驶场景。该过程发生在神经元覆盖率不断提高的附加条件下。神经元覆盖率表示在运行测试数据集后,相对于人工神经网络中所有神经元的总和而言,有多少神经元是活跃的。在此情况下,如果一个神经元的激活值超过预定的阈值,则该神经元被认为是活跃的。
根据评估目录对驾驶场景进行评估包括确定不确定的驾驶场景。就给定的示例而言,不确定的驾驶场景是LCMP会生成伴有低置信度或较大的统计不确定性的输出的驾驶场景。可以针对性地生成不确定的驾驶场景。
针对性地生成触发危险的驾驶场景的方法的一个示例是梯度法“Fast GradientSign”,借助该梯度法,针对性地操纵来自驾驶场景的输入数据,以便促使神经网络做出错误的预测,从而***地揭示该触发危险的驾驶情形。在此情况下产生的驾驶场景表示神经网络对此生成不确定的输出的新驾驶场景。
以基于人工神经网络的用于预测周围车辆的变道动作的车道变换警示***(LCMP)为例,上述情形是指,这类驾驶场景映射了通过LCMP误判的变道动作(例如通过LCMP预测了车道变换,但并未发生车道变换),因此,车道变换警示***输出触发危险的控制命令。
基于评估为未知或不确定的驾驶场景来对训练数据集和测试数据集进行扩展,而后迭代地重复方法步骤D)、E)和F)。在此情况下,针对每次重复,使用经扩展的训练数据集和经扩展的测试数据集以及/或者使用在F)中复杂度有所降低的控制功能。
此外,所述方法还包括在考虑到参数的定义取值范围的情况下对控制功能进行分析验证的方法步骤。在此情况下,参数的取值范围与车辆传感器数据和/或由车辆传感器数据推导出的数据相关。在考虑到参数的定义取值范围的情况下对控制功能进行分析验证是基于可参数化的驾驶场景。就基于人工神经网络的用于预测周围车辆的变道动作的车道变换警示***(LCMP)的示例而言,可参数化的驾驶场景如下:
待控制的车辆行驶在三车道高速公路的中间车道上,另一纵向速度在100km/h至120km/h之间且横向速度在2km/h至4km/h之间的车辆在1秒的时间间隔内从右侧车道向中间车道移动。在此情况下,所给定的速度和时间定义了参数的定义取值范围。
为了对该场景进行分析验证,必须确保LCMP不会针对任何符合该取值范围的驾驶场景输出触发危险的控制命令,车道变换警示***因此而输出触发危险的控制命令。
可以借助已知的方法(如“Reluplex”或“ReluVal”)进行分析验证。该方法步骤的优点在于,阐明控制功能的人工神经网络在特征在于所考虑的参数取值范围的驾驶场景中,是否会引起不会导致触发危险的情形的输出。
在所考虑的示例中,基于人工神经网络来设计车辆的控制单元的计算和存储能力。在此情况下,特别是适当地设计控制单元的中央计算单元和工作存储器。
在另一方法步骤中,在车辆中提供经训练的控制功能并且在运行过程中对其进行测试。在行驶期间提供的驾驶场景可以对训练数据集和/或测试数据集进行扩展,其中可以重复前述方法步骤。
Claims (16)
1.一种根据所提供的车辆传感器数据来提供用于车辆控制的机器学习的控制功能的方法,所述方法包括以下方法步骤:
A)提供基于人工神经网络的控制功能,其包括至少一个能够输出的控制命令;
B)提供用于评估驾驶场景的评估目录;
C)提供包括驾驶场景的训练数据集;
D)在所述训练数据集上训练所述控制功能;
E)将所述控制功能应用于包括驾驶场景的测试数据集并且根据所述评估目录对所述驾驶场景进行评估;
F)扩展所述训练数据集和/或所述测试数据集或者降低经训练的控制功能的复杂度或提高其复杂度。
2.根据权利要求1所述的方法,所述方法包括借助经扩展的训练数据集和/或测试数据集以及/或者复杂度有所降低和/或复杂度有所提高的控制功能迭代地重复方法步骤D)和/或E)和/或F)的方法步骤。
3.根据权利要求1或2所述的方法,其中根据所述评估目录评估驾驶场景包括确定未知的驾驶场景。
4.根据前述权利要求中任一项所述的方法,其中根据所述评估目录评估驾驶场景包括确定不确定的驾驶场景。
5.根据权利要求3所述的方法,其中基于评估为未知的驾驶场景来对所述训练数据集和/或所述测试数据集进行扩展。
6.根据权利要求4所述的方法,其中基于评估为不确定的驾驶场景来对所述训练数据集和/或所述测试数据集进行扩展。
7.根据前述权利要求中任一项所述的方法,所述方法包括在考虑到参数的定义取值范围的情况下对所述控制功能进行分析验证的方法步骤。
8.根据前述权利要求中任一项所述的方法,所述方法包括对所述控制功能进行概率验证的方法步骤。
9.根据前述权利要求中任一项所述的方法,其中降低所述控制功能的复杂度包括简化所述人工神经网络。
10.根据权利要求9所述的方法,其中所述简化包括减少所述人工神经网络的神经元和/或层。
11.根据前述权利要求中任一项所述的方法,其中降低所述控制功能的复杂度包括减少待提供的车辆传感器数据。
12.根据前述权利要求中任一项所述的方法,其中基于所述人工神经网络来设计车辆的控制单元中的计算和存储能力。
13.根据前述权利要求中任一项所述的方法,其中基于车辆的控制单元的计算和存储能力来设计所述人工神经网络。
14.根据前述权利要求中任一项所述的方法,其中在车辆中提供所述控制功能并且在运行过程中对其进行测试。
15.根据权利要求14所述的方法,其中在车辆中提供所述控制功能并且根据在行驶期间提供的驾驶场景对所述训练数据集和/或测试数据集进行扩展。
16.一种具有控制设备的车辆,所述控制设备执行按照根据前述权利要求中任一项所述的方法而提供的控制功能。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020124174.7 | 2020-09-16 | ||
DE102020124174.7A DE102020124174A1 (de) | 2020-09-16 | 2020-09-16 | Verfahren zur Bereitstellung einer maschinell gelernten Steuerfunktion zur Fahrzeugsteuerung anhand bereitgestellter Fahrzeugsensordaten |
PCT/DE2021/100760 WO2022057979A1 (de) | 2020-09-16 | 2021-09-15 | Verfahren zur bereitstellung einer maschinell gelernten steuerfunktion zur fahrzeugsteuerung anhand bereitgestellter fahrzeugsensordaten |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116157309A true CN116157309A (zh) | 2023-05-23 |
Family
ID=78080101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180062963.2A Pending CN116157309A (zh) | 2020-09-16 | 2021-09-15 | 根据所提供的车辆传感器数据提供用于车辆控制的机器学习的控制功能的方法 |
Country Status (10)
Country | Link |
---|---|
US (1) | US20230359892A1 (zh) |
EP (1) | EP4214642A1 (zh) |
JP (1) | JP2023542434A (zh) |
KR (1) | KR20230088719A (zh) |
CN (1) | CN116157309A (zh) |
AU (1) | AU2021343608A1 (zh) |
CA (1) | CA3190157A1 (zh) |
DE (1) | DE102020124174A1 (zh) |
IL (1) | IL301179A (zh) |
WO (1) | WO2022057979A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170006434A (ko) | 2015-07-08 | 2017-01-18 | 주식회사 에이스침대 | 스프링조립체를 내장한 소파쿠션장치 |
KR20180116036A (ko) | 2017-04-14 | 2018-10-24 | 엘지전자 주식회사 | 이동 단말기 |
DE102017006434A1 (de) | 2017-07-07 | 2019-01-10 | Wabco Gmbh | Verfahren zum vorausschauenden Bewerten einer aktuellen Fahrsituation sowie Bewertungsmodul |
US11562244B2 (en) * | 2018-02-07 | 2023-01-24 | Royal Bank Of Canada | Robust pruned neural networks via adversarial training |
US11169536B2 (en) * | 2018-04-09 | 2021-11-09 | SafeAI, Inc. | Analysis of scenarios for controlling vehicle operations |
DE102018116036A1 (de) | 2018-07-03 | 2020-01-09 | Connaught Electronics Ltd. | Training eines tiefen konvolutionellen neuronalen Netzwerks für individuelle Routen |
-
2020
- 2020-09-16 DE DE102020124174.7A patent/DE102020124174A1/de active Pending
-
2021
- 2021-09-15 EP EP21786759.7A patent/EP4214642A1/de active Pending
- 2021-09-15 CA CA3190157A patent/CA3190157A1/en active Pending
- 2021-09-15 WO PCT/DE2021/100760 patent/WO2022057979A1/de active Application Filing
- 2021-09-15 CN CN202180062963.2A patent/CN116157309A/zh active Pending
- 2021-09-15 JP JP2023540984A patent/JP2023542434A/ja active Pending
- 2021-09-15 IL IL301179A patent/IL301179A/en unknown
- 2021-09-15 US US18/245,696 patent/US20230359892A1/en active Pending
- 2021-09-15 AU AU2021343608A patent/AU2021343608A1/en active Pending
- 2021-09-15 KR KR1020237012740A patent/KR20230088719A/ko unknown
Also Published As
Publication number | Publication date |
---|---|
JP2023542434A (ja) | 2023-10-06 |
EP4214642A1 (de) | 2023-07-26 |
KR20230088719A (ko) | 2023-06-20 |
CA3190157A1 (en) | 2022-03-24 |
IL301179A (en) | 2023-05-01 |
AU2021343608A1 (en) | 2023-03-23 |
US20230359892A1 (en) | 2023-11-09 |
DE102020124174A1 (de) | 2022-03-17 |
WO2022057979A1 (de) | 2022-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109782730B (zh) | 用于自主***性能和评级的方法和装置 | |
JP2018113015A (ja) | オートノマスシステムの検証法 | |
US20230359780A1 (en) | Computer-implemented method for providing a test process for traffic scenarios to be tested | |
CN110686906B (zh) | 车辆自动驾驶测试方法及装置 | |
CN114514524A (zh) | 多智能体模拟 | |
CN111079800B (zh) | 一种智能驾驶虚拟测试的加速方法及加速*** | |
CN109977571B (zh) | 基于数据与模型混合的仿真计算方法及装置 | |
Wang et al. | Online safety assessment of automated vehicles using silent testing | |
US11657635B2 (en) | Measuring confidence in deep neural networks | |
CN113849971B (zh) | 驾驶***评估方法、装置、计算机设备和存储介质 | |
CN116562175B (zh) | 车辆配置对自动驾驶***安全性影响的评估方法 | |
NL2018125B1 (en) | Assessment system and assessment method | |
CN116157309A (zh) | 根据所提供的车辆传感器数据提供用于车辆控制的机器学习的控制功能的方法 | |
Al-Khoury | Safety of machine learning systems in autonomous driving | |
US11745766B2 (en) | Unseen environment classification | |
US10977783B1 (en) | Quantifying photorealism in simulated data with GANs | |
CN115270902A (zh) | 用于测试产品的方法 | |
CN111444604A (zh) | 一种虚拟测试场景的检测方法及装置 | |
EP4068241A1 (en) | Driving assistance system and method of controlling autonomous vehicles | |
Goss et al. | An Integrated Scenario-Based Testing and Explanation Framework for Autonomous Vehicles | |
Saraoğlu et al. | Virtual validation of autonomous vehicle safety through simulation-based testing | |
US11814080B2 (en) | Autonomous driving evaluation using data analysis | |
US20230221726A1 (en) | Method for the qualification of a control with the aid of a closed-loop simulation process | |
AU2024204706A1 (en) | Autonomous driving evaluation using data analysis | |
WO2024149591A1 (en) | Method for generating and training a system model, selecting a controller, system, computer-system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40086996 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |