JP2021506000A5 - - Google Patents

Claims (19)

1. 自律走行車両動作のコンピュータ実装方法であって、前記コンピュータ実装方法は、
   １つ以上のコンピューティングデバイスを備えるコンピューティングシステムによって、センサデータの１つ以上の部分を備える物体データを受信することと、
   前記コンピューティングシステムによって、１つ以上のハードウェアコンポーネントを使用する多段分類の第１の段階で、第１の機械学習モデルに部分的に基づいて、前記センサデータの１つ以上の部分の１つ以上の第１段階特性を決定することと、
   ここで、前記１つ以上の第１段階特性は、前記センサデータの１つ以上の部分の一部が、前景または背景であるときのインジケーションを備え、
   前記コンピューティングシステムによって、前記多段分類の第２の段階で、前記第１の段階で決定された前記１つ以上の第１段階特性に基づいて、および、第２の機械学習モデルに部分的に基づいて、前記センサデータの１つ以上の部分の１つ以上の第２段階特性を決定することと、
   前記コンピューティングシステムによって、前記１つ以上の第１段階特性および前記１つ以上の第２段階特性に部分的に基づいて、物体出力を生成することであって、前記物体出力は、前記センサデータの１つ以上の部分の中の１つ以上の物体の検出と関連付けられる１つ以上のインジケーションを備え、
   ここで、前記１つ以上の第２段階特性は、前記センサデータの１つ以上の部分の前景部分の物体分類を備える、ことと、
   を含む、コンピュータ実装方法。
2. 前記１つ以上のハードウェアコンポーネントは、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、またはグラフィックス処理ユニット（ＧＰＵ）を備える、請求項１に記載のコンピュータ実装方法。
3. 前記センサデータの１つ以上の部分は、１つ以上の画像を備え、
   前記コンピューティングシステムによって、前記第１の段階で、前記物体データに部分的に基づいて、前記１つ以上の画像と関連付けられる視覚記述子出力を生成することであって、前記視覚記述子出力は、色調情報、色飽和情報、明度情報、または配向勾配情報のヒストグラムを備え、前記１つ以上の第１段階特性は、前記視覚記述子出力に部分的に基づいて決定される、こと
   をさらに含む、請求項１または請求項２に記載のコンピュータ実装方法。
4. 前記コンピューティングシステムによって、前記第２の段階で、前記第１の段階からの前記視覚記述子出力に部分的に基づいて、前記１つ以上の画像と関連付けられるヒートマップを生成することであって、前記ヒートマップは、前記１つ以上の物体のうちの少なくとも１つが複数のエリアのうちの個別のものの内側にある確率と関連付けられる複数のエリアを備え、前記１つ以上の第２段階特性は、前記ヒートマップに部分的に基づいて決定される、こと
   をさらに含む、請求項３に記載のコンピュータ実装方法。
5. 前記多段分類の前記第２の段階で、前記第１の段階で決定された前記１つ以上の第１段階特性に基づいて、および、前記第２の機械学習モデルに部分的に基づいて、前記センサデータの１つ以上の部分の前記１つ以上の第２段階特性を決定することは、
   コンピューティングシステムによって、前記１つ以上の背景部分と関連付けられる前記１つ以上の画像の１つ以上の部分を除外することとを含む、請求項３または請求項４に記載のコンピュータ実装方法。
6. 前記１つ以上の第１段階特性および前記１つ以上の第２段階特性は、それぞれ、前記第１の機械学習モデルおよび前記第２の機械学習モデルのトラバーサルに部分的に基づいており、前記第１の機械学習モデルは、第１の複数の分類子標識と関連付けられる第１の複数のノードを備え、前記第２の機械学習モデルは、第２の複数の分類子標識と関連付けられる第２の複数のノードを備える、請求項１−請求項５のいずれかに記載のコンピュータ実装方法。
7. 前記コンピューティングシステムによって、前記物体データおよび前記第２の機械学習モデルに部分的に基づいて、発生した前記１つ以上の物体の１つ以上の第２段階特性の誤検出決定の量を決定することと、
   前記コンピューティングシステムによって、発生したと決定される前記誤検出の量が所定の閾値レベルを超えるときに、第２の決定木のトラバーサルを終了することと、
   をさらに含む、請求項６に記載のコンピュータ実装方法。
8. 前記第２の機械学習モデル内の前記第２の複数のノードのうちの少なくとも１つのノードは、前記第１の機械学習モデル内の前記第１の複数のノードのうちの端末ノードであり、前記第２の機械学習モデルは、前記第１の複数のノードと等しい数のノードを備える、または、前記第２の機械学習モデルは、前記第１の複数のノードよりも多数のノードを備える、請求項６または請求項７に記載のコンピュータ実装方法。
9. 前記コンピューティングシステムによって、前記物体出力に部分的に基づいて、前記センサデータの１つ以上の部分の中の前記１つ以上の物体と関連付けられる１つ以上の境界形状のための場所を決定することと、
   前記コンピューティングシステムによって、非最大抑制を含む画像処理技法に部分的に基づいて、前記１つ以上の境界形状のための場所のセットを選択することと
   前記コンピューティングシステムによって、前記１つ以上の境界形状のための前記場所のセットの中で前記１つ以上の境界形状を生成することと、
   をさらに含む、請求項１−請求項８のいずれかに記載のコンピュータ実装方法。
10. 前記センサデータの１つ以上の部分は、１つ以上のセンサからのセンサ出力に部分的に基づいており、前記１つ以上のセンサは、１つ以上の光検出および測距デバイス（ライダ）、１つ以上のカメラ、１つ以上のレーダデバイス、１つ以上のソナーデバイス、または１つ以上の熱画像デバイスを備える、請求項１−請求項９のいずれかに記載のコンピュータ実装方法。
11. 前記第１の機械学習モデルまたは前記第２の機械学習モデルは、１つ以上の分類技法に部分的に基づいており、前記１つ以上の分類技法は、ニューラルネットワーク、ランダムフォレスト分類子、勾配ブースティング、サポートベクタマシン、ロジスティック回帰分類子、またはブーステッドフォレスト分類子を含む、請求項１−請求項１０のいずれかに記載のコンピュータ実装方法。
12. １つ以上の有形の非一過性コンピュータ可読媒体であって、前記１つ以上の有形の非一過性コンピュータ可読媒体は、コンピュータ可読命令を記憶しており、前記コンピュータ可読命令は、１つ以上のプロセッサによって実行されると、前記１つ以上のプロセッサに動作を実施させ、前記動作は、
    センサデータの１つ以上の部分を備える物体データを受信することと、
    多段分類の第１の段階で、第１の機械学習モデルに部分的に基づいて、前記センサデータの１つ以上の部分の１つ以上の第１段階特性を決定することと、
    ここで、前記１つ以上の第１段階特性は、前記センサデータの１つ以上の部分の一部が、前景または背景であるときのインジケーションを備え、
    前記多段分類の第２の段階で、前記第１の段階の１つ以上の第１段階特性基づいて、および、第２の機械学習モデルに部分的に基づいて、前記センサデータの１つ以上の部分の１つ以上の第２段階特性を決定することと、
    前記１つ以上の第１段階特性および前記１つ以上の第２段階特性に部分的に基づいて、物体出力を生成することであって、前記物体出力は、前記センサデータの１つ以上の部分の中の１つ以上の物体の検出と関連付けられる１つ以上のインジケーションを備え、
    ここで、前記１つ以上の第２段階特性は、前記センサデータの１つ以上の部分の前景部分の物体分類を備える、ことと、
    を含む、１つ以上の有形の非一過性コンピュータ可読媒体。
13. 前記センサデータの１つ以上の部分は、１つ以上の画像を備え、
    前記第１の段階で、前記物体データに部分的に基づいて、前記１つ以上の画像と関連付けられる視覚記述子出力を生成することであって、前記視覚記述子出力は、色調情報、色飽和情報、明度情報、または配向勾配情報のヒストグラムを備え、前記１つ以上の第１段階特性は、前記視覚記述子出力に部分的に基づいて決定される、こと、
    をさらに含む、請求項１２に記載の１つ以上の有形の非一過性コンピュータ可読媒体。
14. 前記物体出力に部分的に基づいて、前記センサデータの１つ以上の部分の中の前記１つ以上の物体と関連付けられる１つ以上の境界形状のための場所を決定することと、
    非最大抑制を含む画像処理技法に部分的に基づいて、前記１つ以上の境界形状のための場所のセットを選択することと、
    前記１つ以上の境界形状のための前記場所のセットの中で前記１つ以上の境界形状を生成することと、
    をさらに含む、請求項１２または請求項１３に記載の１つ以上の有形の非一過性コンピュータ可読媒体。
15. コンピューティングシステムであって、
    １つ以上のプロセッサと、
    １つ以上のコンピュータ可読媒体を備えるメモリであって、前記メモリは、コンピュータ可読命令を記憶しており、前記コンピュータ可読命令は、前記１つ以上のプロセッサによって実行されると、前記１つ以上のプロセッサに、
    センサデータの１つ以上の部分を備える物体データを受信することと、
    １つ以上のハードウェアコンポーネントを使用する多段分類の第１の段階で、第１の機械学習モデルに部分的に基づいて、前記センサデータの１つ以上の部分の１つ以上の第１段階特性を決定することと、
    ここで、前記１つ以上の第１段階特性は、前記センサデータの１つ以上の部分の一部が、前景または背景であるときのインジケーションを備え、
    前記多段分類の第２の段階で、前記第１の段階の１つ以上の第１段階特性基づいて、および、第２の機械学習モデルに部分的に基づいて前記センサデータの１つ以上の部分の１つ以上の第２段階特性を決定することと、
    前記１つ以上の第１段階特性および前記１つ以上の第２段階特性に部分的に基づいて、物体出力を生成することであって、前記物体出力は、前記センサデータの１つ以上の部分の中の１つ以上の物体の検出と関連付けられる１つ以上のインジケーションを備え、
    ここで、前記１つ以上の第２段階特性は、前記センサデータの１つ以上の部分の前景部分の物体分類を備える、ことと、
    を含む動作を実施させる、メモリと、
    を備える、コンピューティングシステム。
16. 前記１つ以上のハードウェアコンポーネントは、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、またはグラフィックス処理ユニット（ＧＰＵ）を備える、請求項１５に記載のコンピューティングシステム。
17. 前記センサデータの１つ以上の部分は、１つ以上の画像を備え、
    前記第１の段階で、前記物体データに部分的に基づいて、前記１つ以上の画像と関連付けられる視覚記述子出力を生成することであって、前記視覚記述子出力は、色調情報、色飽和情報、明度情報、または配向勾配情報のヒストグラムを備え、前記１つ以上の第１段階特性は、前記視覚記述子出力に部分的に基づいて決定される、こと、
    をさらに含む、請求項１５または請求項１６に記載のコンピューティングシステム。
18. 前記１つ以上の第１段階特性および前記１つ以上の第２段階特性は、それぞれ、前記第１の機械学習モデルの第１の決定木および前記第２の機械学習モデルの第２の決定木のトラバーサルに部分的に基づいており、前記第１の決定木は、第１の複数の分類子標識と関連付けられる第１の複数のノードを備え、前記第２の決定木は、前記第１の決定木に部分的に基づいており、第２の複数の分類子標識と関連付けられる第２の複数のノードを備える、請求項１５−請求項１７のいずれかに記載のコンピューティングシステム。
19. 前記物体出力に部分的に基づいて、前記センサデータの１つ以上の部分の中の前記１つ以上の物体と関連付けられる１つ以上の境界形状のための場所を決定することと、
    非最大抑制を含む画像処理技法に部分的に基づいて、前記１つ以上の境界形状のための場所のセットを選択することと、
    前記１つ以上の境界形状のための前記場所のセットの中で前記１つ以上の境界形状を生成することと、
    をさらに含む、請求項１５−請求項１８のいずれかに記載のコンピューティングシステム。