RU2017146151A - Формирование моделированных данных датчиков для обучения и проверки достоверности моделей обнаружения - Google Patents
Формирование моделированных данных датчиков для обучения и проверки достоверности моделей обнаружения Download PDFInfo
- Publication number
- RU2017146151A RU2017146151A RU2017146151A RU2017146151A RU2017146151A RU 2017146151 A RU2017146151 A RU 2017146151A RU 2017146151 A RU2017146151 A RU 2017146151A RU 2017146151 A RU2017146151 A RU 2017146151A RU 2017146151 A RU2017146151 A RU 2017146151A
- Authority
- RU
- Russia
- Prior art keywords
- sensor
- dimensional model
- model
- sensors
- locations
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims 8
- 230000015572 biosynthetic process Effects 0.000 title 1
- 230000008447 perception Effects 0.000 claims 16
- 238000000034 method Methods 0.000 claims 10
- 238000013179 statistical model Methods 0.000 claims 9
- 238000004088 simulation Methods 0.000 claims 4
- 239000006185 dispersion Substances 0.000 claims 2
- 230000003287 optical effect Effects 0.000 claims 2
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
- G06G—ANALOGUE COMPUTERS
- G06G7/00—Devices in which the computing operation is performed by varying electric or magnetic quantities
- G06G7/48—Analogue computers for specific processes, systems or devices, e.g. simulators
- G06G7/70—Analogue computers for specific processes, systems or devices, e.g. simulators for vehicles, e.g. to determine permissible loading of ships, centre of gravity, necessary fuel
-
- 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
-
- 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/06—Simulation on general purpose computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Remote Sensing (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Biology (AREA)
- Transportation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Traffic Control Systems (AREA)
Claims (48)
1. Способ, содержащий, посредством компьютерной системы, этапы, на которых:
- моделируют восприятие трехмерной модели посредством одного или более датчиков, чтобы получать один или более выводов датчиков таким образом, что один или более выводов датчиков моделируют шум датчиков;
- снабжают примечаниями один или более выводов датчиков согласно местоположениям препятствий в трехмерной модели; и
- выполняют по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям.
2. Способ по п. 1, в котором один или более датчиков задаются относительно модели рассматриваемого транспортного средства;
- при этом один или более датчиков задаются посредством одного или более местоположений камер; и
- при этом моделирование восприятия трехмерной модели посредством одного или более датчиков содержит этап, на котором моделируют обнаружение изображений трехмерной модели из одного или более местоположений камер.
3. Способ по п. 1, в котором один или более датчиков задаются относительно модели рассматриваемого транспортного средства;
- при этом один или более датчиков задаются посредством местоположения радарного датчика (на основе радиообнаружения и дальнометрии); и
- при этом моделирование восприятия трехмерной модели посредством одного или более датчиков содержит этап, на котором моделируют вывод радарного датчика согласно восприятию трехмерной модели из местоположения радарного датчика.
4. Способ по п. 1, в котором один или более датчиков задаются относительно модели рассматриваемого транспортного средства;
- при этом один или более датчиков задаются посредством местоположения лидарного датчика (на основе оптического обнаружения и дальнометрии); и
- при этом моделирование восприятия трехмерной модели посредством одного или более датчиков содержит этап, на котором моделируют вывод лидарного датчика согласно восприятию трехмерной модели из местоположения лидарного датчика.
5. Способ по п. 1, в котором трехмерная модель дополнительно включает в себя определение скоростей для одного или более смежных транспортных средств и скорости рассматриваемого транспортного средства, задающего одно или более местоположений одного или более датчиков.
6. Способ по п. 1, в котором моделирование восприятия трехмерной модели посредством одного или более датчиков, чтобы получать один или более выводов датчиков таким образом, что один или более выводов датчиков моделируют шум датчиков, содержит этапы, на которых:
- идентифицируют местоположение препятствия в трехмерной модели;
- формируют один или более выводов датчика, соответствующих местоположению препятствия относительно местоположений одного или более датчиков в трехмерной модели; и
- добавляют шум в один или более выводов датчиков согласно одной или более моделей дисперсии одного или более датчиков.
7. Способ по п. 1, в котором моделирование восприятия трехмерной модели посредством одного или более датчиков, чтобы получать один или более выводов датчиков таким образом, что один или более выводов датчиков моделируют шум датчиков, содержит этап, на котором выполняют по меньшей мере одно из моделирования обнаружения трехмерной модели с достаточной детализацией того, что шум датчиков присутствует в одном или более выводов датчиков.
8. Способ по п. 1, в котором снабжение примечаниями одного или более выводов датчиков согласно местоположениям препятствий в трехмерной модели содержит этап, на котором снабжают примечаниями один или более выводов датчиков с местоположениями препятствий в трехмерной модели; и
- при этом по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям статистической модели содержит этап, на котором тестируют статистическую модель, которая отслеживает препятствия и назначает вероятность ожидаемому местоположению для каждого препятствия из препятствий.
9. Способ по п. 1, в котором снабжение примечаниями одного или более выводов датчиков согласно местоположениям препятствий в трехмерной модели содержит этап, на котором снабжают примечаниями один или более выводов датчиков с состоянием занятости области, смежной с моделью рассматриваемого транспортного средства согласно местоположениям препятствий в трехмерной модели;
- при этом по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям статистической модели содержит этап, на котором тестируют статистическую модель, которая обновляет вероятность занятости области согласно одному или более выводов датчиков.
10. Способ по п. 1, в котором снабжение примечаниями одного или более выводов датчиков согласно местоположениям препятствий в трехмерной модели содержит этап, на котором снабжают примечаниями один или более выводов датчиков с сеткой таким образом, что каждый квадрат сетки снабжается примечаниями занят ли каждый квадрат одним из препятствий;
- при этом по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям статистической модели содержит этап, на котором тестируют статистическую модель, которая обновляет вероятность занятости квадратов сетки, окружающей транспортное средство согласно одному или более выводов датчиков.
11. Система, содержащая одно или более устройств обработки и одно или более запоминающих устройств, функционально соединенных с одним или более запоминающих устройств, причем одно или более запоминающих устройств сохраняют исполняемый код, выполненный с возможностью инструктировать одному или более устройств обработки:
- задавать трехмерную модель, включающую в себя рассматриваемое транспортное средство, задающее одно или более местоположений датчиков и одно или более препятствий;
- моделировать восприятие трехмерной модели посредством одного или более датчиков в одном или более местоположений датчиков, чтобы получать один или более выводов датчиков таким образом, что один или более выводов датчиков моделируют шум датчиков;
- снабжать примечаниями один или более выводов датчиков согласно местоположениям препятствий в трехмерной модели; и
- выполнять по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям.
12. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров моделировать восприятие трехмерной модели посредством одного или более датчиков посредством моделирования обнаружения изображений трехмерной модели из одного или более местоположений камер.
13. Система по п. 12, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров моделировать восприятие трехмерной модели посредством одного или более датчиков посредством моделирования вывода радарного датчика (на основе радиообнаружения и дальнометрии) согласно восприятию трехмерной модели из одного или более местоположений датчиков.
14. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров моделировать восприятие трехмерной модели посредством одного или более датчиков посредством моделирования вывода лидарного датчика (на основе оптического обнаружения и дальнометрии) согласно восприятию трехмерной модели из одного или более местоположений датчиков.
15. Система по п. 11, в которой трехмерная модель дополнительно включает в себя задание скоростей для одного или более смежных транспортных средств и скорости рассматриваемого транспортного средства, задающей одно или более местоположений одного или более датчиков.
16. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров моделировать восприятие трехмерной модели посредством одного или более датчиков, чтобы получать один или более выводов датчиков таким образом, что один или более выводов датчиков моделируют шум датчиков посредством:
- идентификации местоположения препятствия в трехмерной модели;
- формирования одного или более выводов датчика, соответствующих местоположению препятствия относительно местоположений одного или более датчиков в трехмерной модели; и
- добавление шума в один или более выводов датчиков согласно одной или более моделей дисперсии одного или более датчиков.
17. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров моделировать восприятие трехмерной модели посредством одного или более датчиков с достаточной детализацией того, что шум датчиков присутствует в одном или более выводов датчиков.
18. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров:
- снабжать примечаниями один или более выводов датчиков согласно местоположениям препятствий в трехмерной модели посредством снабжения примечаниями одного или более выводов датчиков с местоположениями препятствий в трехмерной модели; и
- выполнять по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям посредством тестирования статистической модели, которая отслеживает препятствия и назначает вероятность ожидаемому местоположению для каждого препятствия из препятствий.
19. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров:
- снабжать примечаниями один или более выводов датчиков согласно местоположениям препятствий в трехмерной модели посредством снабжения примечаниями одного или более выводов датчиков с состоянием занятости области, смежной с моделью рассматриваемого транспортного средства согласно местоположениям препятствий в трехмерной модели;
- выполнять по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям посредством тестирования статистической модели, которая обновляет вероятность занятости области согласно одному или более выводов датчиков.
20. Система по п. 11, в которой исполняемый код дополнительно выполнен с возможностью инструктировать одному или более процессоров:
- снабжать примечаниями один или более выводов датчиков согласно местоположениям препятствий в трехмерной модели посредством снабжения примечаниями одного или более выводов датчиков с сеткой таким образом, что каждый квадрат сетки снабжается примечаниями с тем, занят ли каждый квадрат одним из препятствий;
- выполнять по меньшей мере одно из обучения и тестирования модели согласно одному или более выводов датчиков и примечаниям посредством тестирования статистической модели, которая обновляет вероятность занятости квадратов сетки, окружающей транспортное средство согласно одному или более выводов датчиков.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/406,031 US10228693B2 (en) | 2017-01-13 | 2017-01-13 | Generating simulated sensor data for training and validation of detection models |
US15/406,031 | 2017-01-13 |
Publications (3)
Publication Number | Publication Date |
---|---|
RU2017146151A true RU2017146151A (ru) | 2019-06-28 |
RU2694154C2 RU2694154C2 (ru) | 2019-07-09 |
RU2017146151A3 RU2017146151A3 (ru) | 2019-07-17 |
Family
ID=61190327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2017146151A RU2694154C2 (ru) | 2017-01-13 | 2017-12-27 | Формирование моделированных данных датчиков для обучения и проверки достоверности моделей обнаружения |
Country Status (6)
Country | Link |
---|---|
US (1) | US10228693B2 (ru) |
CN (1) | CN108304782A (ru) |
DE (1) | DE102018100469A1 (ru) |
GB (1) | GB2560412A (ru) |
MX (1) | MX2018000463A (ru) |
RU (1) | RU2694154C2 (ru) |
Families Citing this family (77)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10489529B2 (en) | 2016-10-14 | 2019-11-26 | Zoox, Inc. | Scenario description language |
US10421452B2 (en) * | 2017-03-06 | 2019-09-24 | GM Global Technology Operations LLC | Soft track maintenance |
US10678244B2 (en) | 2017-03-23 | 2020-06-09 | Tesla, Inc. | Data synthesis for autonomous control systems |
US10481044B2 (en) * | 2017-05-18 | 2019-11-19 | TuSimple | Perception simulation for improved autonomous vehicle control |
US11042155B2 (en) | 2017-06-06 | 2021-06-22 | Plusai Limited | Method and system for closed loop perception in autonomous driving vehicles |
US11392133B2 (en) | 2017-06-06 | 2022-07-19 | Plusai, Inc. | Method and system for object centric stereo in autonomous driving vehicles |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11157441B2 (en) | 2017-07-24 | 2021-10-26 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US10671349B2 (en) | 2017-07-24 | 2020-06-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US10558217B2 (en) | 2017-08-28 | 2020-02-11 | GM Global Technology Operations LLC | Method and apparatus for monitoring of an autonomous vehicle |
US10831202B1 (en) | 2017-09-01 | 2020-11-10 | Zoox, Inc. | Onboard use of scenario description language |
US10768626B2 (en) * | 2017-09-30 | 2020-09-08 | Tusimple, Inc. | System and method for providing multiple agents for decision making, trajectory planning, and control for autonomous vehicles |
US11077756B2 (en) * | 2017-11-23 | 2021-08-03 | Intel Corporation | Area occupancy determining device |
US10935975B2 (en) * | 2017-12-22 | 2021-03-02 | Tusimple, Inc. | Method and system for modeling autonomous vehicle behavior |
US10724854B2 (en) * | 2017-12-27 | 2020-07-28 | Intel IP Corporation | Occupancy grid object determining devices |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US10635844B1 (en) * | 2018-02-27 | 2020-04-28 | The Mathworks, Inc. | Methods and systems for simulating vision sensor detection at medium fidelity |
US11320828B1 (en) * | 2018-03-08 | 2022-05-03 | AI Incorporated | Robotic cleaner |
US11215999B2 (en) | 2018-06-20 | 2022-01-04 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
EP3584748A1 (de) * | 2018-06-20 | 2019-12-25 | Siemens Aktiengesellschaft | Verfahren zur erzeugung eines testdatensatzes, verfahren zum testen, verfahren zum betreiben eines systems, vorrichtung, steuerungssystem, computerprogrammprodukt, computerlesbares medium, erzeugung und verwendung |
US10754032B2 (en) * | 2018-06-21 | 2020-08-25 | Intel Corporation | Perception device |
US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US10678245B2 (en) * | 2018-07-27 | 2020-06-09 | GM Global Technology Operations LLC | Systems and methods for predicting entity behavior |
CN109344691A (zh) * | 2018-08-10 | 2019-02-15 | 广东工业大学 | 一种基于深度学习的视觉安全校园管理监视方法 |
EP3618013A1 (en) * | 2018-08-27 | 2020-03-04 | Continental Automotive GmbH | System for generating vehicle sensor data |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
AT521647B1 (de) * | 2018-09-14 | 2020-09-15 | Avl List Gmbh | Verfahren und System zur Datenaufbereitung, zum Trainieren eines künstlichen neuronalen Netzes und zum Analysieren von Sensordaten |
US11393189B2 (en) * | 2018-09-17 | 2022-07-19 | Goodrich Corporation | Method to simulate target detection and recognition |
US11403842B2 (en) * | 2018-09-17 | 2022-08-02 | Goodrich Corporation | Simulator to simulate target detection and recognition |
SG11202103493QA (en) | 2018-10-11 | 2021-05-28 | Tesla Inc | Systems and methods for training machine models with augmented data |
AT521607B1 (de) * | 2018-10-24 | 2020-03-15 | Avl List Gmbh | Verfahren und Vorrichtung zum Testen eines Fahrerassistenzsystem |
US11196678B2 (en) | 2018-10-25 | 2021-12-07 | Tesla, Inc. | QOS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
DE102018221063A1 (de) * | 2018-12-05 | 2020-06-10 | Volkswagen Aktiengesellschaft | Konfiguration eines Steuerungssystems für ein zumindest teilautonomes Kraftfahrzeug |
CN109598066B (zh) * | 2018-12-05 | 2023-08-08 | 百度在线网络技术(北京)有限公司 | 预测模块的效果评估方法、装置、设备和存储介质 |
CZ310065B6 (cs) * | 2018-12-12 | 2024-07-10 | Tacticaware, S.R.O. | Prostorový detekční systém |
DK201970129A1 (en) | 2018-12-14 | 2020-07-09 | Aptiv Tech Ltd | Determination of an optimal spatiotemporal sensor configuration for navigation of a vehicle using simulation of virtual sensors |
US11543531B2 (en) | 2018-12-19 | 2023-01-03 | Fca Us Llc | Semi-automatic LIDAR annotation system for autonomous driving |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11550623B2 (en) | 2018-12-28 | 2023-01-10 | Beijing Voyager Technology Co., Ltd. | Distributed system task management using a simulated clock |
US11480964B2 (en) | 2018-12-28 | 2022-10-25 | Beijing Voyager Technology Co., Ltd. | Distributed system execution using a serial timeline |
CN113728310A (zh) * | 2018-12-28 | 2021-11-30 | 北京航迹科技有限公司 | 用于分布式***仿真的架构 |
GB2589751B (en) * | 2019-01-23 | 2023-05-17 | Motional Ad Llc | Automatically choosing data samples for annotation |
US10997461B2 (en) | 2019-02-01 | 2021-05-04 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11150664B2 (en) | 2019-02-01 | 2021-10-19 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
CN112034829B (zh) * | 2019-05-15 | 2024-07-19 | 广州汽车集团股份有限公司 | 一种端到端自动驾驶方法及其***、车辆 |
CN110186469A (zh) * | 2019-05-31 | 2019-08-30 | 北京主线科技有限公司 | 测试无人驾驶***的测试用数据生成方法和*** |
EP3754361B1 (en) * | 2019-06-19 | 2023-04-26 | Aptiv Technologies Limited | Method for predicting a false positive for a radar sensor |
US20200406928A1 (en) * | 2019-06-28 | 2020-12-31 | Robert Bosch Gmbh | Method for controlling a vehicle |
DE102019213881A1 (de) * | 2019-09-11 | 2021-03-11 | Volkswagen Aktiengesellschaft | Verfahren zum Betreiben eines automatisiert fahrenden Kraftfahrzeuges, Kraftfahrzeug und Überprüfungsinstanz |
CN112560324B (zh) * | 2019-09-24 | 2024-06-04 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
US11734473B2 (en) | 2019-09-27 | 2023-08-22 | Zoox, Inc. | Perception error models |
US11663377B2 (en) * | 2019-09-27 | 2023-05-30 | Woven Planet North America, Inc. | Sensor arrangement validation using simulated environments |
US11351995B2 (en) * | 2019-09-27 | 2022-06-07 | Zoox, Inc. | Error modeling framework |
US11625513B2 (en) * | 2019-09-27 | 2023-04-11 | Zoox, Inc. | Safety analysis framework |
US11765067B1 (en) * | 2019-12-28 | 2023-09-19 | Waymo Llc | Methods and apparatus for monitoring a sensor validator |
CN111399503A (zh) * | 2020-03-09 | 2020-07-10 | 西南科技大学 | 一种小型无人船艇自动停泊方法 |
US11493625B2 (en) * | 2020-03-16 | 2022-11-08 | Nio Technology (Anhui) Co., Ltd. | Simulated LiDAR devices and systems |
RU2763215C2 (ru) * | 2020-04-10 | 2021-12-28 | Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" | Способы и системы формирования обучающих данных для нейронной сети |
US11726188B2 (en) | 2020-04-22 | 2023-08-15 | Gm Cruise Holdings Llc | Eliminating sensor self-hit data |
KR20210135389A (ko) * | 2020-05-04 | 2021-11-15 | 현대자동차주식회사 | 장애물 인식 장치, 그를 포함하는 차량 시스템 및 그 방법 |
DE102020210351A1 (de) * | 2020-05-18 | 2021-11-18 | Zf Friedrichshafen Ag | Steuerung eines Fahrzeugs über Referenz-Sensordaten |
CN116194350A (zh) * | 2020-05-27 | 2023-05-30 | 柯尼亚塔有限公司 | 生成多个模拟边缘情况驾驶场景 |
US11809790B2 (en) * | 2020-09-22 | 2023-11-07 | Beijing Voyager Technology Co., Ltd. | Architecture for distributed system simulation timing alignment |
DE102021105659A1 (de) | 2020-12-09 | 2022-06-09 | Symeo Gmbh | Verfahren, Vorrichtung und Radarsystem zum Verfolgen von Objekten |
US11430466B2 (en) * | 2021-01-13 | 2022-08-30 | Baidu Usa Llc | Sound source detection and localization for autonomous driving vehicle |
US20220332352A1 (en) * | 2021-04-07 | 2022-10-20 | Ridecell, Inc. | Systematic Approach Towards System Identification Based Yaw Rate Estimation With Low-Cost IMU+GPS Units |
US20220396278A1 (en) * | 2021-06-11 | 2022-12-15 | Zf Friedrichshafen Ag | Sensor performance validation in advanced driver-assistance system verification |
EP4363898A1 (en) * | 2021-07-02 | 2024-05-08 | Integrity Communications Solutions, Inc. | Radar object classification method and system |
DE102021209680A1 (de) * | 2021-09-03 | 2023-03-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Verbesserung der Schätzung von Existenzwahrscheinlichkeiten |
CN113879337B (zh) * | 2021-10-29 | 2024-06-25 | 北京触达无界科技有限公司 | 一种轨迹预测方法、装置、存储介质及电子设备 |
EP4372417A1 (de) * | 2022-11-18 | 2024-05-22 | Sick Ag | Verfahren zur modellierung eines sensors in einer testumgebung |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5345402A (en) | 1992-02-25 | 1994-09-06 | Automotive Systems Laboratory, Inc. | Vehicle crash simulator system for testing crash sensors |
US7099796B2 (en) | 2001-10-22 | 2006-08-29 | Honeywell International Inc. | Multi-sensor information fusion technique |
US7447593B2 (en) | 2004-03-26 | 2008-11-04 | Raytheon Company | System and method for adaptive path planning |
RU2252453C1 (ru) * | 2004-08-12 | 2005-05-20 | Смирнов Дмитрий Петрович | Способ моделирования аварии, диагностики и восстановления работоспособности сложной технологической структуры и информационная система для его реализации |
US7579942B2 (en) | 2006-10-09 | 2009-08-25 | Toyota Motor Engineering & Manufacturing North America, Inc. | Extra-vehicular threat predictor |
US7839292B2 (en) | 2007-04-11 | 2010-11-23 | Nec Laboratories America, Inc. | Real-time driving danger level prediction |
KR20110132349A (ko) * | 2009-01-26 | 2011-12-07 | 지로 테크놀로지스 (2009) 엘티디. | 객체의 거동을 모니터링하는 장치 및 방법 |
FR2974437B1 (fr) * | 2011-04-21 | 2013-10-25 | Eads Europ Aeronautic Defence | Procede de simulation d'operations de controle non-destructif en conditions reelles utilisant des signaux synthetiques |
US8902302B2 (en) * | 2011-09-16 | 2014-12-02 | Emerson Electric Co. | Method and apparatus for surveying with a feature location |
US8457827B1 (en) | 2012-03-15 | 2013-06-04 | Google Inc. | Modifying behavior of autonomous vehicle based on predicted behavior of other vehicles |
US9367065B2 (en) * | 2013-01-25 | 2016-06-14 | Google Inc. | Modifying behavior of autonomous vehicles based on sensor blind spots and limitations |
US9098753B1 (en) | 2014-04-25 | 2015-08-04 | Google Inc. | Methods and systems for object detection using multiple sensors |
US10328932B2 (en) * | 2014-06-02 | 2019-06-25 | Magna Electronics Inc. | Parking assist system with annotated map generation |
US10229231B2 (en) | 2015-09-11 | 2019-03-12 | Ford Global Technologies, Llc | Sensor-data generation in virtual driving environment |
US10176634B2 (en) | 2015-10-16 | 2019-01-08 | Ford Global Technologies, Llc | Lane boundary detection data generation in virtual environment |
US10496766B2 (en) | 2015-11-05 | 2019-12-03 | Zoox, Inc. | Simulation system and methods for autonomous vehicles |
US10341633B2 (en) * | 2015-11-20 | 2019-07-02 | Qualcomm Incorporated | Systems and methods for correcting erroneous depth information |
US10372968B2 (en) * | 2016-01-22 | 2019-08-06 | Qualcomm Incorporated | Object-focused active three-dimensional reconstruction |
US9760837B1 (en) * | 2016-03-13 | 2017-09-12 | Microsoft Technology Licensing, Llc | Depth from time-of-flight using machine learning |
US20180098052A1 (en) * | 2016-09-30 | 2018-04-05 | Sony Interactive Entertainment Inc. | Translation of physical object viewed by unmanned aerial vehicle into virtual world object |
US20180211120A1 (en) * | 2017-01-25 | 2018-07-26 | Ford Global Technologies, Llc | Training An Automatic Traffic Light Detection Model Using Simulated Images |
AU2018267553B2 (en) * | 2017-11-20 | 2019-08-22 | Ashok Krishnan | Systems and methods to train vehicles |
-
2017
- 2017-01-13 US US15/406,031 patent/US10228693B2/en not_active Expired - Fee Related
- 2017-12-27 RU RU2017146151A patent/RU2694154C2/ru active
-
2018
- 2018-01-08 CN CN201810014529.7A patent/CN108304782A/zh not_active Withdrawn
- 2018-01-09 GB GB1800312.9A patent/GB2560412A/en not_active Withdrawn
- 2018-01-10 DE DE102018100469.9A patent/DE102018100469A1/de active Pending
- 2018-01-11 MX MX2018000463A patent/MX2018000463A/es unknown
Also Published As
Publication number | Publication date |
---|---|
GB201800312D0 (en) | 2018-02-21 |
US10228693B2 (en) | 2019-03-12 |
US20180203445A1 (en) | 2018-07-19 |
CN108304782A (zh) | 2018-07-20 |
RU2017146151A3 (ru) | 2019-07-17 |
DE102018100469A1 (de) | 2018-07-19 |
GB2560412A (en) | 2018-09-12 |
RU2694154C2 (ru) | 2019-07-09 |
MX2018000463A (es) | 2018-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2017146151A (ru) | Формирование моделированных данных датчиков для обучения и проверки достоверности моделей обнаружения | |
US11487988B2 (en) | Augmenting real sensor recordings with simulated sensor data | |
RU2017120682A (ru) | Способ и система обучения для предотвращения столкновений с использованием звуковых данных | |
US11455565B2 (en) | Augmenting real sensor recordings with simulated sensor data | |
US11092966B2 (en) | Building an artificial-intelligence system for an autonomous vehicle | |
RU2016149163A (ru) | Генерация данных виртуальных датчиков для выявления колесного упора | |
US10832478B2 (en) | Method and system for virtual sensor data generation with depth ground truth annotation | |
US10671077B2 (en) | System and method for full-stack verification of autonomous agents | |
KR102139513B1 (ko) | 인공지능 vils 기반의 자율주행 제어 장치 및 방법 | |
RU2017100440A (ru) | Алгоритм обучения для избежания столкновений | |
RU2017144177A (ru) | Обучение модели автоматического обнаружения светофоров с использованием моделируемых изображений | |
CN113661525A (zh) | 自动驾驶车辆***和组件的仿真和验证 | |
US20190278698A1 (en) | Autonomous Vehicle Simulation And Testing | |
JP7442227B2 (ja) | 仮想環境における自動運転車両のシミュレーション方法 | |
RU2017140787A (ru) | Способ и система для генерирования обучающих данных для автоматического обнаружения утечки транспортного средства | |
JP6850324B2 (ja) | マルチモデルに基づく障害物分布シミュレーション方法、装置、端末及びプログラム | |
CN111816020A (zh) | 将合成激光雷达数据迁移至真实域用于自动驾驶汽车训练 | |
CN115016323A (zh) | 自动驾驶的仿真测试***及方法 | |
WO2021146905A1 (zh) | 基于深度学习的场景模拟器构建方法、装置和计算机设备 | |
WO2021063786A1 (en) | System, device and method for testing autonomous vehicles | |
JP2021508634A (ja) | 環境センサの挙動モデル | |
US20230112050A1 (en) | Verifying reproducibility for a vehicle controller | |
US10220326B2 (en) | Projections that respond to model building | |
CN115830562B (zh) | 车道信息的确定方法、计算机设备及介质 | |
KR102269142B1 (ko) | 그래픽 유저 인터페이스 기반의 도시 지진 대피 시뮬레이션 방법 및 장치 |