用于碰撞避免的训练算法制造技术

通过定义包括车辆和典型驾驶环境的模型的场景来训练机器学习模型。主体车辆的模型添加至场景并且在该主体车辆上定义传感器位置。模拟在传感器位置上通过传感器的场景的感知。场景进一步地包括钻车缝车辆的模型。钻车缝车辆的位置以及传感器感知场景的模拟输出输入至机器学习算法，该机器学习算法基于传感器输出来训练模型以检测钻车缝车辆的位置。车辆控制器然后合并机器学习模型并且基于输入至机器学习模型的实际传感器输出来估算钻车缝车辆的存在和/或位置。

A training algorithm for collision avoidance

The machine learning model is trained by defining scenarios that include models of the vehicle and typical driving environment. The model of the subject vehicle is added to the scene and the sensor position is defined on the subject vehicle. The perception of the scene is simulated at the sensor position through the sensor. The scene further includes a model of a vehicle for drilling a vehicle. The position of the vehicle and the simulated output of sensor perception are input to the machine learning algorithm. The machine learning algorithm is based on the sensor output training model to detect the position of the vehicle in the drilling seam. The vehicle controller then merges the machine learning model and estimates the presence and / or location of the vehicle in the slot based on the actual sensor input to the machine learning model.

【技术实现步骤摘要】
用于碰撞避免的训练算法
本专利技术涉及在自主车辆中执行障碍物避让。
技术介绍
在比如加利福尼亚州(CA)的旧金山或英国(UK)伦敦这样的许多拥挤的城市地区中，骑摩托车的人通常通过在车道之间行驶而超过在交通中缓慢或停止的车辆，即钻车缝(lane-splitting)。这是非常危险的驾驶活动，因为相邻车辆中的驾驶员很难检测到这样的活动，特别是当车道合并时。甚至对于未来的自主车辆来说，其可能具有内置360度感测系统，识别比如以相当高的相对速度变换车道的摩托车这样的快速移动物体将是挑战。这种困难因此将对总体感测套件和算法提出挑战。在物体或车辆挡住感测系统的情况下是进一步有问题的。在此公开的系统和方法提供用于检测钻车缝车辆的方法。
技术实现思路
根据本专利技术的一方面，提供一种方法，该方法包含：通过计算机系统定义三维(3D)模型；通过计算机系统根据在3D模型中来自钻车缝车辆的入射到主体车辆的两个或两个以上的传感器位置上的声音来模拟两个或两个以上传感器输出；通过计算机系统使用在3D模型中钻车缝车辆随着时间消逝的位置以及两个或两个以上传感器输出来训练机器学习模型。根据本专利技术的一实施例，本专利技术方本文档来自技高网...

【技术保护点】
一种方法，所述方法包含：通过计算机系统定义三维(3D)模型；通过所述计算机系统根据在所述3D模型中来自钻车缝车辆的入射到主体车辆的两个或两个以上的传感器位置上的声音来模拟两个或两个以上传感器输出；通过所述计算机系统使用在所述3D模型中所述钻车缝车辆随着时间消逝的位置以及所述两个或两个以上传感器输出来训练机器学习模型。

【技术特征摘要】
2016.01.26 US 15/007,0241.一种方法，所述方法包含：通过计算机系统定义三维(3D)模型；通过所述计算机系统根据在所述3D模型中来自钻车缝车辆的入射到主体车辆的两个或两个以上的传感器位置上的声音来模拟两个或两个以上传感器输出；通过所述计算机系统使用在所述3D模型中所述钻车缝车辆随着时间消逝的位置以及所述两个或两个以上传感器输出来训练机器学习模型。2.如权利要求1所述的方法，进一步地包含：定义在所述主体车辆上的一个或多个摄像机位置；模拟在所述一个或多个摄像机位置上的图像的检测；以及使用所述图像以及所述两个或两个以上传感器输出来训练所述机器学习模型。3.如权利要求2所述的方法，进一步地包含：定义在所述主体车辆上的RADAR传感器位置；根据所述3D模型模拟RADAR传感器输出；以及使用所述图像、所述RADAR传感器输出、以及所述两个或两个以上的传感器输出的全部来训练所述机器学习模型。4.如权利要求3所述的方法，进一步地包含：定义在所述主体车辆上的LIDAR传感器位置；模拟根据所述3D模型的所述LIDAR传感器位置检测到的点云的顺序；以及使用所述图像、所述RADAR传感器输出、所述点云的顺序、以及所述两个或两个以上传感器输出的全部来训练所述机器学习模型。5.如权利要求1所述的方法，其中定义所述3D模型进一步地包括定义所述多个车辆、所述钻车缝车辆以及所述主体车辆的速度。6.如权利要求1所述的方法，其中所述机器学习模型是深度神经网络。7.如权利要求1所述的方法，其中根据入射到所述两个或两个以上传感器位置上的所述多个车辆的所述声音来模拟所述两个或两个以上传感器输出包含模拟多普勒效应和所述声音的传播距离。8.如权利要求1所述的方法，其中将所述钻车缝车辆建模为发出摩托车的发动机噪声特性的钻车缝摩托车。9.如权利要求1所述的方法，进一步地包含：提供包括车辆控制器和两个或两个以上麦克风的车辆；用所述机器学习模型编程所述车辆控制器；通过所述车辆控制器从所述两个或两个以上麦克风接收两个或两个以上音频流；通过所述车辆控制器将所述两个或两个以上音频流输入至所述机器学习模型；(a)通过所述车辆控制器确定所述机器学习模型指示所述两个或两个以上音频流目前指示存在钻车缝车辆；响应于(a)而执行以下中的至少一个：输出警报和抑制引起所述车辆进入车道间区域。10.如权利要求9所述的方法，进一步地包含：(b)在(a)之后通过所述车辆控制器确定所述机器学习模型指示所述两个或两个以上音频流目前不指示存在钻车缝车辆；响应于(b)而通过所述车辆控制器中断输出所述警报并且通过所述车辆控制器允许至所述车道间区域中的运动。11.一种包含一个或多个处理器以及连接至所述一个或多个处理器的一个或多个存储设备的系统，所述一个或多个存储设备存储对以下有效的可执行...

【专利技术属性】
技术研发人员：艾希莉·伊丽莎白·米克斯，吉内什·J·杰恩，哈珀丽特辛格·班瓦伊特，韩正圭，
申请(专利权)人：福特全球技术公司，
类型：发明
国别省市：美国,US