JP7092383B2 - 各領域において最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレスパラメータ変更を遂行する方法及び装置 - Google Patents
各領域において最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレスパラメータ変更を遂行する方法及び装置 Download PDFInfo
- Publication number
- JP7092383B2 JP7092383B2 JP2020008780A JP2020008780A JP7092383B2 JP 7092383 B2 JP7092383 B2 JP 7092383B2 JP 2020008780 A JP2020008780 A JP 2020008780A JP 2020008780 A JP2020008780 A JP 2020008780A JP 7092383 B2 JP7092383 B2 JP 7092383B2
- Authority
- JP
- Japan
- Prior art keywords
- cnn
- region
- autonomous driving
- target vehicle
- kth
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 140
- 238000004422 calculation algorithm Methods 0.000 title claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 370
- 230000008569 process Effects 0.000 claims description 90
- 238000012360 testing method Methods 0.000 claims description 76
- 238000012549 training Methods 0.000 claims description 73
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000010998 test method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 claims 6
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 claims 6
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 claims 6
- 230000008859 change Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- 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
- B60W50/08—Interaction between the driver and the control system
- B60W50/085—Changing the parameters of the control units, e.g. changing limit values, working points by control input
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
Description
Claims (26)
- 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにする学習方法において、
(a)学習装置が、少なくとも一つの第K領域に対応する一つ以上の第Kトレーニングイメージが取得されると、前記学習装置に含まれた、第1のCNN(Convolutional Neural Network)ないし第MのCNNのうちの一つである第KのCNNの少なくとも一つの第Kコンボリューションレイヤをもって、前記第Kトレーニングイメージに少なくとも一つの第Kコンボリューション演算を適用して一つ以上の第K特徴マップを生成するようにする段階;
(b)前記学習装置が、前記第KのCNNの少なくとも一つの第K出力レイヤをもって、前記第K特徴マップに少なくとも一つの第K出力演算を適用して一つ以上の第K予測自律走行ソース情報を生成するようにする段階;
(c)前記学習装置が、前記第KのCNNの少なくとも一つの第Kロスレイヤをもって、前記第K予測自律走行ソース情報及びこれに対応する一つ以上の第KのGT(Ground Truth)を参照にして少なくとも一つの第Kロスを生成するようにし、前記第Kロスを利用してバックプロパーゲーション(backpropagation)を遂行することで前記第KのCNNの第Kパラメータのうちの少なくとも一部を学習するようにする段階;及び
(d)前記学習装置が、前記第K領域の第K位置情報を前記第KのCNNにタグ付け(tagging)し、前記タグ付けされた第KのCNNをデータベースに格納する段階;
を含み、Mは、1より大きな任意の整数(Integer)であり、Kは、1以上M以下の整数であることを特徴とし、
(e)前記学習装置が、(i)前記第1のCNNないし前記第MのCNNの中から選択される、前記第K領域からの距離が第1閾値未満である第K_1領域ないし第K_N領域(Nは、0より大きい任意の整数である)それぞれに対応する第K_1CNNないし第K_NのCNNそれぞれに対する情報を取得し、(ii)前記第K_1CNNの第K_1パラメータと前記第Kパラメータとの間の第K_1類似度ないし前記第K_NのCNNの第K_Nパラメータと前記第Kパラメータとの間の第K_N類似度を計算する段階;及び
(f)前記学習装置が、(i)前記第K_1CNNないし前記第K_NのCNNのうち、類似度が第2閾値以上である一つ以上の特定CNNと(ii)前記第KのCNNとのうちの少なくとも一部を参照にして、前記第K領域を含む第K広域領域に対応する第K代表CNNを生成する段階;
をさらに含むことを特徴とする方法。 - 前記(f)段階で、
前記学習装置が、前記特定CNN及び前記第KのCNNそれぞれのすべてのパラメータのうちの、それぞれの相対的同一位置に対応するそれぞれの構成パラメータに対する平均をそれぞれ計算して、前記平均をパラメータとして含む前記第K代表CNNを生成することを特徴とする請求項1に記載の方法。 - 地形的特性、気象的特性及び建物配置特性のうちの少なくとも一部を含む共通特性を、前記第K広域領域内の各領域間に一つ以上有することを特徴とする請求項1に記載の方法。
- 前記(a)段階で、
前記学習装置が、前記第Kコンボリューションレイヤに含まれた一つ以上の第Kコンボリューションニューロンそれぞれをもって、自身に入力された値に少なくとも一つのコンボリューション演算を適用して出力された値を自身の次の第Kコンボリューションニューロンに伝達するプロセスを繰り返すようにすることにより、前記第Kトレーニングイメージに前記第Kコンボリューション演算を適用することを特徴とする請求項1に記載の方法。 - 前記(b)段階で、
前記学習装置が、前記第Kコンボリューションレイヤに対応する第Kデコンボリューションレイヤで具現された前記第K出力レイヤをもって、第Kデコンボリューション演算に対応する前記第K出力演算を前記第K特徴マップに適用して、前記第Kトレーニングイメージに対応する第K予測セグメンテーションイメージに対する情報を含む前記第K予測自律走行ソース情報を生成するようにすることを特徴とする請求項1に記載の方法。 - 前記(b)段階で、
前記学習装置が、第KのFC(Fully-Connected)レイヤで具現された前記第K出力レイヤをもって、第KのFCネットワーク演算に対応する前記第K出力演算を前記第K特徴マップに適用して、前記第Kトレーニングイメージに対応する第K予測物体検出結果に対する情報を含む前記第K予測自律走行ソース情報を生成するようにさせることを特徴とする請求項1に記載の方法。 - 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにする学習方法において、
(a)学習装置が、少なくとも一つの第K領域に対応する一つ以上の第Kトレーニングイメージが取得されると、前記学習装置に含まれた、第1のCNN(Convolutional Neural Network)ないし第MのCNNのうちの一つである第KのCNNの少なくとも一つの第Kコンボリューションレイヤをもって、前記第Kトレーニングイメージに少なくとも一つの第Kコンボリューション演算を適用して一つ以上の第K特徴マップを生成するようにする段階;
(b)前記学習装置が、前記第KのCNNの少なくとも一つの第K出力レイヤをもって、前記第K特徴マップに少なくとも一つの第K出力演算を適用して一つ以上の第K予測自律走行ソース情報を生成するようにする段階;
(c)前記学習装置が、前記第KのCNNの少なくとも一つの第Kロスレイヤをもって、前記第K予測自律走行ソース情報及びこれに対応する一つ以上の第KのGT(Ground Truth)を参照にして少なくとも一つの第Kロスを生成するようにし、前記第Kロスを利用してバックプロパーゲーション(backpropagation)を遂行することで前記第KのCNNの第Kパラメータのうちの少なくとも一部を学習するようにする段階;及び
(d)前記学習装置が、前記第K領域の第K位置情報を前記第KのCNNにタグ付け(tagging)し、前記タグ付けされた第KのCNNをデータベースに格納する段階;
を含み、Mは、1より大きな任意の整数(Integer)であり、Kは、1以上M以下の整数であることを特徴とし、
前記(d)段階で、
前記学習装置が、(i)前記第Kトレーニングイメージが取得された第K時点に対応する第K時間情報とともに前記第K位置情報を前記第KのCNNにタグ付けし、前記タグ付けされた第KのCNNを前記データベースに格納し、(ii)前記第1のCNNないし前記第MのCNNの中から選択される、前記第K時点との差異が第3閾値以下である第K_1時点ないし第K_N時点それぞれに対応する第K_1CNNないし第K_NのCNNそれぞれに対する情報を取得し、(iii)前記第K_1CNNの第K_1パラメータと前記第Kパラメータとの間の第K_1類似度ないし前記第K_NのCNNの第K_Nパラメータと前記第Kパラメータとの間の第K_N類似度を計算し、(iv)(1)前記第K_1CNNないし前記第K_NのCNNのうち、類似度が第4閾値以上である一つ以上の特定CNNと(2)前記第KのCNNとのうちの少なくとも一部を参照にして、前記第K時点を含む第K時間範囲に対応する第K代表CNNを生成することを特徴とする方法。 - 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト方法において、
(a)(1)学習装置が、少なくとも一つの第K領域に対応する一つ以上の第Kトレーニングイメージが取得されると、前記学習装置に含まれた、第1のCNN(Convolutional Neural Network)ないし第MのCNNのうちの一つである第KのCNNの少なくとも一つの第Kコンボリューションレイヤをもって、前記第Kトレーニングイメージに少なくとも一つの第Kコンボリューション演算を適用して一つ以上の学習用第K特徴マップを生成するようにするプロセス、(2)前記学習装置が、前記第KのCNNの少なくとも一つの第K出力レイヤをもって、前記学習用第K特徴マップに少なくとも一つの第K出力演算を適用して一つ以上の学習用第K予測自律走行ソース情報を生成するようにするプロセス、(3)前記学習装置が、前記第KのCNNの少なくとも一つの第Kロスレイヤをもって、前記学習用第K予測自律走行ソース情報及びこれに対応する一つ以上の第KのGTを参照にして少なくとも一つの第Kロスを生成するようにし、前記第Kロスを利用してバックプロパーゲーションを遂行することで前記第KのCNNの第Kパラメータのうちの少なくとも一部を学習するようにする段階;及び(4)前記学習装置が、前記第K領域の第K位置情報を前記第KのCNNにタグ付けし、前記タグ付けされた第KのCNNをデータベースに格納するプロセスを遂行した状態で、テスト装置が、第K時点に前記対象車両が位置した前記第K領域に対応する前記第KのCNNをもって、第Kテストイメージを利用してテスト用第K予測自律走行ソース情報を生成するようにする段階;及び
(b)前記テスト装置が、自律走行モジュールをもって、前記テスト用第K予測自律走行ソース情報を参照にして前記対象車両の自律走行を遂行するようにする段階;
を含み、Mは、1より大きな任意の整数(Integer)であり、Kは、1以上M以下の整数であることを特徴とし、
前記(a)段階で、
前記テスト装置が、前記第K領域を含む第K広域領域に対する第K代表CNNを取得し、前記第K代表CNNをもって、前記テスト用第K予測自律走行ソース情報を生成するようにすることを特徴とする方法。 - 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト方法において、
(a)(1)学習装置が、少なくとも一つの第K領域に対応する一つ以上の第Kトレーニングイメージが取得されると、前記学習装置に含まれた、第1のCNN(Convolutional Neural Network)ないし第MのCNNのうちの一つである第KのCNNの少なくとも一つの第Kコンボリューションレイヤをもって、前記第Kトレーニングイメージに少なくとも一つの第Kコンボリューション演算を適用して一つ以上の学習用第K特徴マップを生成するようにするプロセス、(2)前記学習装置が、前記第KのCNNの少なくとも一つの第K出力レイヤをもって、前記学習用第K特徴マップに少なくとも一つの第K出力演算を適用して一つ以上の学習用第K予測自律走行ソース情報を生成するようにするプロセス、(3)前記学習装置が、前記第KのCNNの少なくとも一つの第Kロスレイヤをもって、前記学習用第K予測自律走行ソース情報及びこれに対応する一つ以上の第KのGTを参照にして少なくとも一つの第Kロスを生成するようにし、前記第Kロスを利用してバックプロパーゲーションを遂行することで前記第KのCNNの第Kパラメータのうちの少なくとも一部を学習するようにする段階;及び(4)前記学習装置が、前記第K領域の第K位置情報を前記第KのCNNにタグ付けし、前記タグ付けされた第KのCNNをデータベースに格納するプロセスを遂行した状態で、テスト装置が、第K時点に前記対象車両が位置した前記第K領域に対応する前記第KのCNNをもって、第Kテストイメージを利用してテスト用第K予測自律走行ソース情報を生成するようにする段階;及び
(b)前記テスト装置が、自律走行モジュールをもって、前記テスト用第K予測自律走行ソース情報を参照にして前記対象車両の自律走行を遂行するようにする段階;
を含み、Mは、1より大きな任意の整数(Integer)であり、Kは、1以上M以下の整数であることを特徴とし、
前記(a)段階で前記テスト用第K予測自律走行ソース情報を生成するプロセス以前に、
(a1)前記テスト装置が、前記第K時点より以前の時点である第K-1時点に前記第K領域に隣接した第K-1領域内に前記対象車両が位置した状態で、前記対象車両に搭載されたGPS(Global Positioning System)から取得された対象位置情報を参照にして、前記対象車両が前記第K-1領域内の第(K-1)_1細部領域から前記第K-1領域内の第(K-1)_2細部領域に移動したか否かをモニタリングする段階;及び
(a2)前記テスト装置が、前記対象車両が前記第(K-1)_1細部領域から前記第(K-1)_2細部領域に移動したことが感知された場合、前記対象車両の予想移動経路を参照にして、前記第K時点に前記対象車両が位置する前記第K領域に対応する前記第KのCNNを取得する段階;
をさらに含むことを特徴とする方法。 - 前記(a2)段階で、
(i)前記対象車両が前記第(K-1)_2細部領域に移動した時点に自律走行モードで動作した状態である場合、前記テスト装置が、前記自律走行モジュールから前記予想移動経路に対する情報を取得し、(ii)前記対象車両が前記第(K-1)_2細部領域に移動した時点に半自律走行モードで動作していて、前記対象車両の目的地情報が前記対象車両のADAS(Advanced Driving Assistance System)に入力された状態である場合、前記テスト装置が、前記ADASから取得した前記目的地情報を参照にして前記予想移動経路に対する情報を取得することを特徴とする請求項10に記載の方法。 - 前記(a2)段階で、
前記対象車両が前記第(K-1)_2細部領域に移動した時点に手動走行モードで動作した状態であるか、前記対象車両が半自律走行モードで動作したが前記対象車両の目的地情報が前記対象車両のADASに入力されていない状態である場合、前記テスト装置が、第K-P時点(Pは、1以上T-1以下の整数である)ないし前記第K-1時点の時間範囲の間、前記対象車両が走行した過去の移動経路に対する情報を参照にして逆強化学習(Inverse Reinforcement Learning)アルゴリズムを遂行することにより、前記予想移動経路を取得することを特徴とする請求項10に記載の方法。 - 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト方法において、
(a)(1)学習装置が、少なくとも一つの第K領域に対応する一つ以上の第Kトレーニングイメージが取得されると、前記学習装置に含まれた、第1のCNN(Convolutional Neural Network)ないし第MのCNNのうちの一つである第KのCNNの少なくとも一つの第Kコンボリューションレイヤをもって、前記第Kトレーニングイメージに少なくとも一つの第Kコンボリューション演算を適用して一つ以上の学習用第K特徴マップを生成するようにするプロセス、(2)前記学習装置が、前記第KのCNNの少なくとも一つの第K出力レイヤをもって、前記学習用第K特徴マップに少なくとも一つの第K出力演算を適用して一つ以上の学習用第K予測自律走行ソース情報を生成するようにするプロセス、(3)前記学習装置が、前記第KのCNNの少なくとも一つの第Kロスレイヤをもって、前記学習用第K予測自律走行ソース情報及びこれに対応する一つ以上の第KのGTを参照にして少なくとも一つの第Kロスを生成するようにし、前記第Kロスを利用してバックプロパーゲーションを遂行することで前記第KのCNNの第Kパラメータのうちの少なくとも一部を学習するようにする段階;及び(4)前記学習装置が、前記第K領域の第K位置情報を前記第KのCNNにタグ付けし、前記タグ付けされた第KのCNNをデータベースに格納するプロセスを遂行した状態で、テスト装置が、第K時点に前記対象車両が位置した前記第K領域に対応する前記第KのCNNをもって、第Kテストイメージを利用してテスト用第K予測自律走行ソース情報を生成するようにする段階;及び
(b)前記テスト装置が、自律走行モジュールをもって、前記テスト用第K予測自律走行ソース情報を参照にして前記対象車両の自律走行を遂行するようにする段階;
を含み、Mは、1より大きな任意の整数(Integer)であり、Kは、1以上M以下の整数であることを特徴とし、
前記(a)段階で、
それぞれの前記第1のCNNないし第MのCNNが、それに対応するトレーニングイメージが取得されたそれぞれの取得位置及びそれぞれの取得時点に対する情報がタグ付けされて共に前記データベースに格納された場合、前記テスト装置が、前記第K領域に対応するだけでなく、前記第K時点を含む第K時間範囲に対応する前記第KのCNNをもって、前記テスト用第K予測自律走行ソース情報を生成するようにすることを特徴とする方法。 - 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにする学習装置において、
一つの各インストラクションを格納する少なくとも一つのメモリ;及び
(I)少なくとも一つの第K領域に対応する一つ以上の第Kトレーニングイメージが取得されると、前記学習装置に含まれた、第1のCNN(Convolutional Neural Network)ないし第MのCNNのうちの一つである第KのCNNの少なくとも一つの第Kコンボリューションレイヤをもって、前記第Kトレーニングイメージに少なくとも一つの第Kコンボリューション演算を適用して一つ以上の第K特徴マップを生成するようにするプロセス、(II)前記第KのCNNの少なくとも一つの第K出力レイヤをもって、前記第K特徴マップに少なくとも一つの第K出力演算を適用して一つ以上の第K予測自律走行ソース情報を生成するようにするプロセス、(III)前記第KのCNNの少なくとも一つの第Kロスレイヤをもって、前記第K予測自律走行ソース情報及びこれに対応する一つ以上の第KのGTを参照にして少なくとも一つの第Kロスを生成するようにし、前記第Kロスを利用してバックプロパーゲーションを遂行することで前記第KのCNNの第Kパラメータのうちの少なくとも一部を学習するようにするプロセス、及び(IV)前記第K領域の第K位置情報を前記第KのCNNにタグ付け(tagging)し、前記タグ付けされた第KのCNNをデータベースに格納するプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ;
を含み、Mは、1より大きな任意の整数(Integer)であり、Kは、1以上M以下の整数であることを特徴とし、
前記プロセッサが、(V)(i)前記第1のCNNないし前記第MのCNNの中から選択される、前記第K領域からの距離が第1閾値未満である第K_1領域ないし第K_N領域(Nは、0より大きい任意の整数である)それぞれに対応する第K_1CNNないし第K_NのCNNそれぞれに対する情報を取得し、(ii)前記第K_1CNNの第K_1パラメータと前記第Kパラメータとの間の第K_1類似度ないし前記第K_NのCNNの第K_Nパラメータと前記第Kパラメータとの間の第K_N類似度を計算するプロセス、及び(VI)(i)前記第K_1CNNないし前記第K_NのCNNのうち、類似度が第2閾値以上である一つ以上の特定CNNと(ii)前記第KのCNNとのうちの少なくとも一部を参照にして、前記第K領域を含む第K広域領域に対応する第K代表CNNを生成するプロセスをさらに遂行することを特徴とする装置。 - 前記(VI)プロセスで、
前記プロセッサが、前記特定CNN及び前記第KのCNNそれぞれのすべてのパラメータのうちの、それぞれの相対的同一位置に対応するそれぞれの構成パラメータに対する平均をそれぞれ計算して、前記平均をパラメータとして含む前記第K代表CNNを生成することを特徴とする請求項14に記載の装置。 - 地形的特性、気象的特性及び建物配置特性のうちの少なくとも一部を含む共通特性を、前記第K広域領域内の各領域間に一つ以上有することを特徴とする請求項14に記載の装置。
- 前記(I)プロセスで、
前記プロセッサが、前記第Kコンボリューションレイヤに含まれた一つ以上の第Kコンボリューションニューロンそれぞれをもって、自身に入力された値に少なくとも一つのコンボリューション演算を適用して出力された値を自身の次の第Kコンボリューションニューロンに伝達するプロセスを繰り返すようにすることにより、前記第Kトレーニングイメージに前記第Kコンボリューション演算を適用することを特徴とする請求項14に記載の装置。 - 前記(II)プロセスで、
前記プロセッサが、前記第Kコンボリューションレイヤに対応する第Kデコンボリューションレイヤで具現された前記第K出力レイヤをもって、第Kデコンボリューション演算に対応する前記第K出力演算を前記第K特徴マップに適用して、前記第Kトレーニングイメージに対応する第K予測セグメンテーションイメージに対する情報を含む前記第K予測自律走行ソース情報を生成するようにすることを特徴とする請求項14に記載の装置。 - 前記(II)プロセスで、
前記プロセッサが、第KのFCレイヤで具現された前記第K出力レイヤをもって、第KのFCネットワーク演算に対応する前記第K出力演算を前記第K特徴マップに適用して、前記第Kトレーニングイメージに対応する第K予測物体検出結果に対する情報を含む前記第K予測自律走行ソース情報を生成するようにさせることを特徴とする請求項14に記載の装置。 - 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにする学習装置において、
一つの各インストラクションを格納する少なくとも一つのメモリ;及び
(I)少なくとも一つの第K領域に対応する一つ以上の第Kトレーニングイメージが取得されると、前記学習装置に含まれた、第1のCNN(Convolutional Neural Network)ないし第MのCNNのうちの一つである第KのCNNの少なくとも一つの第Kコンボリューションレイヤをもって、前記第Kトレーニングイメージに少なくとも一つの第Kコンボリューション演算を適用して一つ以上の第K特徴マップを生成するようにするプロセス、(II)前記第KのCNNの少なくとも一つの第K出力レイヤをもって、前記第K特徴マップに少なくとも一つの第K出力演算を適用して一つ以上の第K予測自律走行ソース情報を生成するようにするプロセス、(III)前記第KのCNNの少なくとも一つの第Kロスレイヤをもって、前記第K予測自律走行ソース情報及びこれに対応する一つ以上の第KのGTを参照にして少なくとも一つの第Kロスを生成するようにし、前記第Kロスを利用してバックプロパーゲーションを遂行することで前記第KのCNNの第Kパラメータのうちの少なくとも一部を学習するようにするプロセス、及び(IV)前記第K領域の第K位置情報を前記第KのCNNにタグ付け(tagging)し、前記タグ付けされた第KのCNNをデータベースに格納するプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ;
を含み、Mは、1より大きな任意の整数(Integer)であり、Kは、1以上M以下の整数であることを特徴とし、
前記(IV)プロセスで、
前記プロセッサが、(i)前記第Kトレーニングイメージが取得された第K時点に対応する第K時間情報とともに前記第K位置情報を前記第KのCNNにタグ付けし、前記タグ付けされた第KのCNNを前記データベースに格納し、(ii)前記第1のCNNないし前記第MのCNNの中から選択される、前記第K時点との差異が第3閾値以下である第K_1時点ないし第K_N時点それぞれに対応する第K_1CNNないし第K_NのCNNそれぞれに対する情報を取得し、(iii)前記第K_1CNNの第K_1パラメータと前記第Kパラメータとの間の第K_1類似度ないし前記第K_NのCNNの第K_Nパラメータと前記第Kパラメータとの間の第K_N類似度を計算し、(iv)(1)前記第K_1CNNないし前記第K_NのCNNのうち、類似度が第4閾値以上である一つ以上の特定CNNと(2)前記第KのCNNとのうちの少なくとも一部を参照にして、前記第K時点を含む第K時間範囲に対応する第K代表CNNを生成することを特徴とする装置。 - 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト装置において、
一つの各インストラクションを格納する少なくとも一つのメモリ;及び
(I)(1)学習装置が、少なくとも一つの第K領域に対応する一つ以上の第Kトレーニングイメージが取得されると、前記学習装置に含まれた、第1のCNN(Convolutional Neural Network)ないし第MのCNNのうちの一つである第KのCNNの少なくとも一つの第Kコンボリューションレイヤをもって、前記第Kトレーニングイメージに少なくとも一つの第Kコンボリューション演算を適用して一つ以上の学習用第K特徴マップを生成するようにするプロセス、(2)前記学習装置が、前記第KのCNNの少なくとも一つの第K出力レイヤをもって、前記学習用第K特徴マップに少なくとも一つの第K出力演算を適用して一つ以上の学習用第K予測自律走行ソース情報を生成するようにするプロセス、(3)前記学習装置が、前記第KのCNNの少なくとも一つの第Kロスレイヤをもって、前記学習用第K予測自律走行ソース情報及びこれに対応する一つ以上の第KのGTを参照にして少なくとも一つの第Kロスを生成するようにし、前記第Kロスを利用してバックプロパーゲーションを遂行することで前記第KのCNNの第Kパラメータのうちの少なくとも一部を学習するようにする段階;及び(4)前記学習装置が、前記第K領域の第K位置情報を前記第KのCNNにタグ付けし、前記タグ付けされた第KのCNNをデータベースに格納するプロセスを遂行した状態で、第K時点に前記対象車両が位置した前記第K領域に対応する前記第KのCNNをもって、第Kテストイメージを利用してテスト用第K予測自律走行ソース情報を生成するようにするプロセス、及び(II)自律走行モジュールをもって、前記テスト用第K予測自律走行ソース情報を参照にして前記対象車両の自律走行を遂行するようにするプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ;
を含み、Mは、1より大きな任意の整数(Integer)であり、Kは、1以上M以下の整数であることを特徴とし、
前記(I)プロセスで、
前記プロセッサが、前記第K領域を含む第K広域領域に対する第K代表CNNを取得し、前記第K代表CNNをもって、前記テスト用第K予測自律走行ソース情報を生成するようにすることを特徴とする装置。 - 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト装置において、
一つの各インストラクションを格納する少なくとも一つのメモリ;及び
(I)(1)学習装置が、少なくとも一つの第K領域に対応する一つ以上の第Kトレーニングイメージが取得されると、前記学習装置に含まれた、第1のCNN(Convolutional Neural Network)ないし第MのCNNのうちの一つである第KのCNNの少なくとも一つの第Kコンボリューションレイヤをもって、前記第Kトレーニングイメージに少なくとも一つの第Kコンボリューション演算を適用して一つ以上の学習用第K特徴マップを生成するようにするプロセス、(2)前記学習装置が、前記第KのCNNの少なくとも一つの第K出力レイヤをもって、前記学習用第K特徴マップに少なくとも一つの第K出力演算を適用して一つ以上の学習用第K予測自律走行ソース情報を生成するようにするプロセス、(3)前記学習装置が、前記第KのCNNの少なくとも一つの第Kロスレイヤをもって、前記学習用第K予測自律走行ソース情報及びこれに対応する一つ以上の第KのGTを参照にして少なくとも一つの第Kロスを生成するようにし、前記第Kロスを利用してバックプロパーゲーションを遂行することで前記第KのCNNの第Kパラメータのうちの少なくとも一部を学習するようにする段階;及び(4)前記学習装置が、前記第K領域の第K位置情報を前記第KのCNNにタグ付けし、前記タグ付けされた第KのCNNをデータベースに格納するプロセスを遂行した状態で、第K時点に前記対象車両が位置した前記第K領域に対応する前記第KのCNNをもって、第Kテストイメージを利用してテスト用第K予測自律走行ソース情報を生成するようにするプロセス、及び(II)自律走行モジュールをもって、前記テスト用第K予測自律走行ソース情報を参照にして前記対象車両の自律走行を遂行するようにするプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ;
を含み、Mは、1より大きな任意の整数(Integer)であり、Kは、1以上M以下の整数であることを特徴とし、
前記(I)プロセスで前記テスト用第K予測自律走行ソース情報を生成するプロセス以前に、
前記プロセッサが、(I-1)前記第K時点より以前の時点である第K-1時点に前記第K領域に隣接した第K-1領域内に前記対象車両が位置した状態で、前記対象車両に搭載されたGPSから取得された対象位置情報を参照にして、前記対象車両が前記第K-1領域内の第(K-1)_1細部領域から前記第K-1領域内の第(K-1)_2細部領域に移動したか否かをモニタリングするプロセス、及び(I-2)前記対象車両が前記第(K-1)_1細部領域から前記第(K-1)_2細部領域に移動したことが感知された場合、前記対象車両の予想移動経路を参照にして、前記第K時点に前記対象車両が位置する前記第K領域に対応する前記第KのCNNを取得するプロセスをさらに遂行することを特徴とする装置。 - 前記(I-2)プロセスで、
(i)前記対象車両が前記第(K-1)_2細部領域に移動した時点に自律走行モードで動作した状態である場合、前記プロセッサが、前記自律走行モジュールから前記予想移動経路に対する情報を取得し、(ii)前記対象車両が前記第(K-1)_2細部領域に移動した時点に半自律走行モードで動作していて、前記対象車両の目的地情報が前記対象車両のADASに入力された状態である場合、前記プロセッサが、前記ADASから取得した前記目的地情報を参照にして前記予想移動経路に対する情報を取得することを特徴とする請求項23に記載の装置。 - 前記(I-2)プロセスで、
前記対象車両が前記第(K-1)_2細部領域に移動した時点に手動走行モードで動作した状態であるか、前記対象車両が半自律走行モードで動作したが前記対象車両の目的地情報が前記対象車両のADASに入力されていない状態である場合、前記プロセッサが、第K-P時点(Pは、1以上T-1以下の整数である)ないし前記第K-1時点の時間範囲の間、前記対象車両が走行した過去の移動経路に対する情報を参照にして逆強化学習(Inverse Reinforcement Learning)アルゴリズムを遂行することにより、前記予想移動経路を取得することを特徴とする請求項23に記載の装置。 - 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト装置において、
一つの各インストラクションを格納する少なくとも一つのメモリ;及び
(I)(1)学習装置が、少なくとも一つの第K領域に対応する一つ以上の第Kトレーニングイメージが取得されると、前記学習装置に含まれた、第1のCNN(Convolutional Neural Network)ないし第MのCNNのうちの一つである第KのCNNの少なくとも一つの第Kコンボリューションレイヤをもって、前記第Kトレーニングイメージに少なくとも一つの第Kコンボリューション演算を適用して一つ以上の学習用第K特徴マップを生成するようにするプロセス、(2)前記学習装置が、前記第KのCNNの少なくとも一つの第K出力レイヤをもって、前記学習用第K特徴マップに少なくとも一つの第K出力演算を適用して一つ以上の学習用第K予測自律走行ソース情報を生成するようにするプロセス、(3)前記学習装置が、前記第KのCNNの少なくとも一つの第Kロスレイヤをもって、前記学習用第K予測自律走行ソース情報及びこれに対応する一つ以上の第KのGTを参照にして少なくとも一つの第Kロスを生成するようにし、前記第Kロスを利用してバックプロパーゲーションを遂行することで前記第KのCNNの第Kパラメータのうちの少なくとも一部を学習するようにする段階;及び(4)前記学習装置が、前記第K領域の第K位置情報を前記第KのCNNにタグ付けし、前記タグ付けされた第KのCNNをデータベースに格納するプロセスを遂行した状態で、第K時点に前記対象車両が位置した前記第K領域に対応する前記第KのCNNをもって、第Kテストイメージを利用してテスト用第K予測自律走行ソース情報を生成するようにするプロセス、及び(II)自律走行モジュールをもって、前記テスト用第K予測自律走行ソース情報を参照にして前記対象車両の自律走行を遂行するようにするプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ;
を含み、Mは、1より大きな任意の整数(Integer)であり、Kは、1以上M以下の整数であることを特徴とし、
前記(I)プロセスで、
それぞれの前記第1のCNNないし第MのCNNが、それに対応するトレーニングイメージが取得されたそれぞれの取得の位置及びそれぞれの取得時点に対する情報がタグ付けされて共に前記データベースに格納された場合、前記プロセッサが、前記第K領域に対応するだけでなく、前記第K時点を含む第K時間範囲に対応する前記第KのCNNをもって、前記テスト用第K予測自律走行ソース情報を生成するようにすることを特徴とする装置。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962798821P | 2019-01-30 | 2019-01-30 | |
US62/798,821 | 2019-01-30 | ||
US16/731,083 US10890916B2 (en) | 2019-01-30 | 2019-12-31 | Location-specific algorithm selection for optimized autonomous driving |
US16/731,083 | 2019-12-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020123346A JP2020123346A (ja) | 2020-08-13 |
JP7092383B2 true JP7092383B2 (ja) | 2022-06-28 |
Family
ID=69187573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020008780A Active JP7092383B2 (ja) | 2019-01-30 | 2020-01-22 | 各領域において最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレスパラメータ変更を遂行する方法及び装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10890916B2 (ja) |
EP (1) | EP3690725A1 (ja) |
JP (1) | JP7092383B2 (ja) |
KR (1) | KR102373472B1 (ja) |
CN (1) | CN111507373B (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200011145A (ko) * | 2018-07-24 | 2020-02-03 | 현대자동차주식회사 | 기어 검사장치 및 이를 이용한 기어 검사방법 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11880997B2 (en) | 2020-08-28 | 2024-01-23 | Samsung Electronics Co., Ltd. | Method and apparatus with pose estimation |
US11938941B2 (en) | 2020-08-31 | 2024-03-26 | Denso International America, Inc. | Mode selection according to system conditions |
KR102345267B1 (ko) * | 2020-10-12 | 2021-12-31 | 서울대학교산학협력단 | 목표 지향적 강화학습 방법 및 이를 수행하기 위한 장치 |
KR102588450B1 (ko) * | 2021-11-02 | 2023-10-13 | 주식회사 오비고 | 특정 사용자의 자율주행 경험 만족도 제고를 위한 자율주행 알고리즘 개인화 방법 및 장치 |
KR102421289B1 (ko) * | 2022-01-03 | 2022-07-18 | 주식회사 아라종합기술 | 패러렐 디시전 보팅 알고리즘에 따른 영상기반 시정 탐지 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 |
CN117593686B (zh) * | 2024-01-19 | 2024-04-09 | 福思(杭州)智能科技有限公司 | 基于车况真值数据的模型评测方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019125113A (ja) | 2018-01-15 | 2019-07-25 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010049323A1 (en) * | 2000-02-10 | 2001-12-06 | Fox Gary T. | Treadmill |
US10019652B2 (en) * | 2016-02-23 | 2018-07-10 | Xerox Corporation | Generating a virtual world to assess real-world video analysis performance |
CN107180220B (zh) * | 2016-03-11 | 2023-10-31 | 松下电器(美国)知识产权公司 | 危险预测方法 |
US10390003B1 (en) * | 2016-08-29 | 2019-08-20 | Perceptln Shenzhen Limited | Visual-inertial positional awareness for autonomous and non-autonomous device |
US10176388B1 (en) * | 2016-11-14 | 2019-01-08 | Zoox, Inc. | Spatial and temporal information for semantic segmentation |
US20180239969A1 (en) | 2017-02-23 | 2018-08-23 | Ford Global Technologies, Llc | Free Space Detection Using Monocular Camera and Deep Learning |
US10108850B1 (en) * | 2017-04-24 | 2018-10-23 | Intel Corporation | Recognition, reidentification and security enhancements using autonomous machines |
US10007269B1 (en) | 2017-06-23 | 2018-06-26 | Uber Technologies, Inc. | Collision-avoidance system for autonomous-capable vehicle |
US10474160B2 (en) | 2017-07-03 | 2019-11-12 | Baidu Usa Llc | High resolution 3D point clouds generation from downsampled low resolution LIDAR 3D point clouds and camera images |
US10496104B1 (en) * | 2017-07-05 | 2019-12-03 | Perceptin Shenzhen Limited | Positional awareness with quadocular sensor in autonomous platforms |
US10192113B1 (en) * | 2017-07-05 | 2019-01-29 | PerceptIn, Inc. | Quadocular sensor design in autonomous platforms |
US10095977B1 (en) * | 2017-10-04 | 2018-10-09 | StradVision, Inc. | Learning method and learning device for improving image segmentation and testing method and testing device using the same |
US10089743B1 (en) * | 2017-10-05 | 2018-10-02 | StradVision, Inc. | Method for segmenting an image and device using the same |
US10049323B1 (en) * | 2017-10-13 | 2018-08-14 | StradVision, Inc. | Method and device for performing activation and convolution operation at the same time and learning method and learning device for the same |
US10169679B1 (en) * | 2017-10-13 | 2019-01-01 | StradVision, Inc. | Learning method and learning device for adjusting parameters of CNN by using loss augmentation and testing method and testing device using the same |
US10007865B1 (en) * | 2017-10-16 | 2018-06-26 | StradVision, Inc. | Learning method and learning device for adjusting parameters of CNN by using multi-scale feature maps and testing method and testing device using the same |
US10902615B2 (en) * | 2017-11-13 | 2021-01-26 | Qualcomm Incorporated | Hybrid and self-aware long-term object tracking |
US11080886B2 (en) * | 2017-11-15 | 2021-08-03 | Qualcomm Incorporated | Learning disentangled invariant representations for one shot instance recognition |
US10535138B2 (en) * | 2017-11-21 | 2020-01-14 | Zoox, Inc. | Sensor data segmentation |
US10324467B1 (en) * | 2017-12-29 | 2019-06-18 | Apex Artificial Intelligence Industries, Inc. | Controller systems and methods of limiting the operation of neural networks to be within one or more conditions |
US20190361454A1 (en) * | 2018-05-24 | 2019-11-28 | GM Global Technology Operations LLC | Control systems, control methods and controllers for an autonomous vehicle |
US10311578B1 (en) * | 2019-01-23 | 2019-06-04 | StradVision, Inc. | Learning method and learning device for segmenting an image having one or more lanes by using embedding loss to support collaboration with HD maps required to satisfy level 4 of autonomous vehicles and softmax loss, and testing method and testing device using the same |
-
2019
- 2019-12-31 US US16/731,083 patent/US10890916B2/en active Active
-
2020
- 2020-01-13 KR KR1020200004517A patent/KR102373472B1/ko active IP Right Grant
- 2020-01-21 EP EP20152973.2A patent/EP3690725A1/en active Pending
- 2020-01-22 JP JP2020008780A patent/JP7092383B2/ja active Active
- 2020-01-23 CN CN202010077090.XA patent/CN111507373B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019125113A (ja) | 2018-01-15 | 2019-07-25 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
Non-Patent Citations (4)
Title |
---|
山下 隆義(外2名),「Multiple Dilated Covolutional Blocksによるセマンティクセグメンテーション」,第23回 画像センシングシンポジウム(SSII 2017)予稿集,[USB],IS2-31, SO2-IS2-31,日本,画像センシング技術研究会,2017年06月08日,全7頁. |
福井 宏(外4名),「Random DropoutとEnsemble Inference Networksによる歩行者検出と標識認識」,情報処理学会論文誌,日本,情報処理学会,2016年03月15日,Vol.57, No.3,第910~921頁,ISSN: 1882-7764, [online], [平成28年5月24日検索],インターネット,<URL: http://id.nii.ac.jp/1001/00158096/>. |
藤吉 弘亘(外1名),「深層学習による画像認識」,日本ロボット学会誌,日本,一般社団法人 日本ロボット学会,2017年04月15日,Vol.35, No.3,第8~13頁,ISSN: 0289-1824. |
鈴木 孝弘,「これだけは知っておきたい データサイエンスの基本がわかる本」,第1版,日本,株式会社オーム社,2018年03月25日,第126~132,145~148頁,ISBN: 978-4-274-22194-1. |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200011145A (ko) * | 2018-07-24 | 2020-02-03 | 현대자동차주식회사 | 기어 검사장치 및 이를 이용한 기어 검사방법 |
Also Published As
Publication number | Publication date |
---|---|
US10890916B2 (en) | 2021-01-12 |
KR102373472B1 (ko) | 2022-03-14 |
CN111507373B (zh) | 2023-09-08 |
US20200241544A1 (en) | 2020-07-30 |
KR20200094655A (ko) | 2020-08-07 |
EP3690725A1 (en) | 2020-08-05 |
CN111507373A (zh) | 2020-08-07 |
JP2020123346A (ja) | 2020-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7092383B2 (ja) | 各領域において最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレスパラメータ変更を遂行する方法及び装置 | |
KR102296507B1 (ko) | 트래킹 네트워크를 포함한 cnn을 사용하여 객체를 트래킹하는 방법 및 이를 이용한 장치 | |
JP6916551B2 (ja) | V2x通信及びイメージ処理を利用した情報融合によって自律走行の短期経路をプランニングするための方法及び装置{method and device for short−term path planning of autonomous driving through information fusion by using v2x communication and image processing} | |
CN111507150B (zh) | 利用基于深度神经网络的多重图像块组合识别人脸的方法 | |
KR102337376B1 (ko) | 레인 마스크(Lane Mask)를 사용하여 후처리 없이 입력 이미지에 포함된 하나 이상의 차선을 검출하는 방법 및 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
JP6857370B2 (ja) | ターゲット物体予測ネットワーク及びターゲット物体統合ネットワークを利用して、重要業績評価指標のようなユーザー要求事項に係る最適化のための再構成可能なネットワーク基盤の物体検出器を学習する方法及び学習装置、並びにこれを利用したテスティング方法及びテスティング装置 | |
US10410120B1 (en) | Learning method and testing method of object detector to be used for surveillance based on R-CNN capable of converting modes according to aspect ratios or scales of objects, and learning device and testing device using the same | |
JP6847463B2 (ja) | CNN(Convolutional Neural Network)を利用して車線を検出するための学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置{LEARNING METHOD, LEARNING DEVICE FOR DETECTING LANE USING CNN AND TEST METHOD, TEST DEVICE USING THE SAME} | |
JP6912835B2 (ja) | 自律走行自動車のレベル4を満たすために要求されるhdマップアップデートに利用される、少なくとも一つのアダプティブロス重み付け値マップを利用したアテンションドリブン・イメージセグメンテーション学習方法及び学習装置、そしてこれを利用したテスティング方法及びテスティング装置 | |
CN110488842B (zh) | 一种基于双向内核岭回归的车辆轨迹预测方法 | |
JP6910081B2 (ja) | 協調走行を遂行する各車両から取得された各走行イメージを統合する方法及びこれを利用した走行イメージ統合装置 | |
JP6980289B2 (ja) | 車線モデルを利用して車線を検出し得る学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置{learning method, learning device for detecting lane using lane model and test method, test device using the same} | |
EP3690756B1 (en) | Learning method and learning device for updating hd map by reconstructing 3d space by using depth estimation information and class information on each object, which have been acquired through v2x information integration technique, and testing method and testing device using the same | |
US20230085296A1 (en) | Systems and methods for predicting trajectories of multiple vehicles | |
JP7291299B2 (ja) | 走行環境に適応するように自律走行車両のディープラーニング基盤のオブジェクト検出器をアップデートするための学習方法及び学習装置、並びにそれを利用したアップデート方法及びアップデート装置 | |
JP6853543B2 (ja) | 自律走行に対する論理的根拠を提示するために、管理者が物体検出器の検出プロセスを評価できるように支援する方法及び装置 | |
JP6856852B2 (ja) | 横フィルタマスクを利用して自律走行車の走行経路を計画するために車線要素を検出する方法及び装置 | |
US20230082654A1 (en) | System and method for inferring driving constraints from demonstrations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200122 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210302 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210602 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211202 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220301 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220607 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220609 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7092383 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |