自运动估计方法和设备以及模型训练方法和设备技术

公开了一种用于估计自运动的方法和设备、以及训练设备及其方法。用于估计自运动的设备可以基于运动识别模型根据雷达感测数据来估计自运动信息。

Self motion estimation method and equipment as well as model training method and equipment

【技术实现步骤摘要】
自运动估计方法和设备以及模型训练方法和设备相关申请的交叉引用本申请要求于2018年6月27日在韩国知识产权局递交的韩国专利申请No.10-2018-0073709的权益，出于所有目的，其全部公开内容通过引用合并于此。
以下描述涉及使用运动识别模型来估计自运动的技术。
技术介绍
近来，为了解决将输入模式分类到特定组的问题，已经积极地研究将人类的有效模式识别方法应用于真实计算机。研究之一是关于通过人类生物神经元的特征的数学表达来建模的人工神经网络。为了解决将输入模式分类到特定组的问题，人工神经网络使用模仿人类学习能力的算法。基于该算法，人工神经网络可以生成输入模式和输出模式之间的映射，并且生成映射的能力被表达为人工神经网络的学习能力。此外，人工神经网络具有推广能力，其基于学习结果来生成针对尚未被用于学习的输入模式的相对正确输出。
技术实现思路
提供本
技术实现思路
以介绍下面在具体实施方式中进一步描述的对简化形式的理念的选择。本
技术实现思路
不意在识别所请求保护的主题的关键特征或必要特征，也不意在用作帮助确定所请求保护的主题的范围。在一个总体方面，一种估计自运动的方法包括：基于雷达传感器针对每个时间帧所收集的雷达感测数据来生成输入数据，以及基于运动识别模型根据输入数据来估计自运动估计设备的自运动信息。估计自运动信息可以包括：基于第一模型从输入数据中提取特征数据，以及基于第二模型根据特征数据来计算自运动信息。估计自运动信息可以包括：计算自运动估计设备的位置和姿态中的至少一项作为自运动信息。估计自运动信息可以包括：针对运动识别模型中与一个时间帧相对应的层来输入与至少两个时间帧相对应的雷达感测数据。运动识别模型可以包括第一模型和第二模型，第一模型包括与多个时间帧中的每个时间帧相对应的层，以及第二模型连接到第一模型的多个层。估计自运动信息可以包括：基于第一模型中与多个时间帧中的每个时间帧相对应的层，从相应时间帧的输入数据中提取相应时间帧的特征数据；以及基于第二模型根据所提取的特征数据来计算相应时间帧的自运动信息。自运动信息的估计可以包括：基于第一模型从与当前帧相对应的输入数据中提取当前特征数据，从存储器加载与在先帧相对应的在先特征数据，以及基于第二模型根据在先特征数据和当前特征数据来计算自运动信息。该方法还可以包括：在存储器中存储基于运动识别模型中包括的第一模型在当前帧中计算出的特征数据。生成输入数据可以包括：使用沿自运动估计设备的外表面布置的至少一个雷达传感器来检测雷达信号，以及通过预处理检测到的雷达信号来生成雷达感测数据。生成输入数据可以包括：从多项雷达感测数据项中选择与彼此相差预设时间间隔的时间帧相对应的至少两项雷达感测数据，以及基于所选择的雷达感测数据项来生成输入数据。生成输入数据可以包括：响应于接收到与后续帧相对应的雷达感测数据，排除输入数据中堆叠的与多个时间帧的第一帧相对应的雷达感测数据。生成输入数据可以包括：根据雷达信号来生成雷达感测数据，所述雷达感测数据指示雷达传感器针对每个量化速度所检测到的点的角度和距离。生成输入数据可以包括：根据雷达感测数据来生成输入数据，所述输入数据指示雷达传感器针对每个量化仰角所检测到的点的水平角和距离。生成输入数据可以包括：将雷达感测数据分类为关于静态点的静态数据和关于动态点的动态数据；根据静态数据来生成静态输入数据，所述静态输入数据指示雷达传感器针对每个量化仰角所检测到的点的水平角和距离；以及根据动态数据来生成动态输入数据，所述动态输入数据指示雷达传感器针对每个量化仰角所检测到的点的水平角和距离。运动识别模型可以包括卷积神经网络(CNN)和循环神经网络。循环神经网络可以是双向神经网络。估计自运动信息可以包括：响应于输入数据中堆叠了与多个时间帧相对应的多项雷达感测数据，针对多个时间帧中的每个时间帧来计算自运动信息。该方法还可以包括：基于所估计的自运动信息来检测自运动估计设备附近的物体。在另一个一般方面，一种模型训练方法包括：根据参考雷达感测数据来生成与多个时间帧有关的参考输入数据和与参考输入数据相对应的参考输出数据；以及基于运动识别模型，针对运动识别模型的参数来训练处理器，使得处理器基于参考输入数据来输出参考输出数据。在又一个一般方面，一种自运动估计设备包括：雷达传感器，被配置为生成雷达感测数据；以及处理器，被配置为针对每个时间帧根据雷达感测数据来生成输入数据，以及基于运动识别模型根据输入数据来估计自运动估计设备的自运动信息。其他特征和方面将通过以下详细描述、附图和权利要求而变得清楚明白。附图说明图1示出了基于运动识别模型根据雷达感测数据来估计自运动信息的示例。图2示出了运动识别模型的结构的示例。图3示出了自运动估计方法的示例。图4示出了自运动估计设备的示例。图5示出了自运动估计的过程的示例。图6示出了运动识别模型的结构的示例。图7和图8示出了生成输入数据的示例。图9和图10示出了使用堆叠雷达感测数据来生成的输入数据的示例。图11和图12示出了模型训练方法的示例。图13示出了模型训练设备的示例。图14示出了模型训练过程的示例。图15示出了使用多个雷达传感器的自运动估计设备的示例。在整个附图和详细描述中，除非另有描述或提供，否则相同的附图标记应被理解为指代相同的元素、特征以及结构。附图可不必按比例绘制，并且为了清楚、说明和方便，可以夸张附图中的元素的相对尺寸、比例和描绘。具体实施方式提供以下详细描述以帮助读者获得对本文中描述的方法、设备和/或系统的全面理解。然而，在理解了本申请的公开之后，本文中描述的方法、设备和/或系统的各种改变、修改和等同物将是显而易见的。例如，本文中描述的操作顺序仅仅是示例，并且不限于在本文中阐述的那些操作顺序，而是除了必须以一定顺序发生的操作之外，可以用在理解本申请的公开之后将是明确的方式来改变。此外，为了更加清楚和简洁，可以省略对本领域已知的特征的描述。本文描述的特征可以以不同形式来体现，并且不应被解释为受限于本文描述的示例。相反，提供本文中描述的示例仅仅是为了说明实现本文中描述的方法、设备和/或系统的许多可行方式中的一些，在理解本申请的公开之后这些方式将是明确的。本文中使用的术语仅用于描述各种示例，而不用于限制本公开。除非上下文另外明确指示，否则冠词“一”、“一个”和“该”意在包括复数形式。术语“包括”、“包含”和“具有”表示存在所阐述的特征、数目、操作、构件、元件和/或其组合，但并不排除存在或添加一个或多个其他特征、数目、操作、构件、元件和/或其组合。除非另外定义，否则本文使用的所有术语(包括技术和科学术语)具有本公开所属领域的普通技术人员通常所理解的相同意义。术语(诸如在常用词典中定义的术语)将被解释为其含义与在相关技术的上下文中的含义一致，而本文档来自技高网...

【技术保护点】
1.一种估计自运动的方法，所述方法包括：/n基于由雷达传感器针对每个时间帧所收集的雷达感测数据来生成输入数据；以及/n基于运动识别模型，根据所述输入数据来估计自运动估计设备的自运动信息。/n

【技术特征摘要】
20180627 KR 10-2018-00737091.一种估计自运动的方法，所述方法包括：
基于由雷达传感器针对每个时间帧所收集的雷达感测数据来生成输入数据；以及
基于运动识别模型，根据所述输入数据来估计自运动估计设备的自运动信息。


2.根据权利要求1所述的方法，其中，估计自运动信息包括：
基于第一模型从所述输入数据中提取特征数据；以及
基于第二模型根据所述特征数据来计算所述自运动信息。


3.根据权利要求1所述的方法，其中，估计自运动信息包括：
计算所述自运动估计设备的位置和姿态中的至少一项作为所述自运动信息。


4.根据权利要求1所述的方法，其中，估计自运动信息包括：
针对所述运动识别模型中与一个时间帧相对应的层来输入与至少两个时间帧相对应的雷达感测数据。


5.根据权利要求1所述的方法，其中，所述运动识别模型包括：
第一模型，包括与多个时间帧中的每个时间帧相对应的层；以及
第二模型，连接到所述第一模型的多个层，以及
其中，估计自运动信息包括：
基于所述第一模型中与多个时间帧中的每个时间帧相对应的层，从相应时间帧的输入数据中提取相应时间帧的特征数据；以及
基于所述第二模型根据所提取的特征数据来计算相应时间帧的自运动信息。


6.根据权利要求1所述的方法，其中，估计自运动信息包括：
基于第一模型从与当前帧相对应的输入数据中提取当前特征数据；
从存储器加载与在先帧相对应的在先特征数据；以及
基于第二模型根据所述在先特征数据和所述当前特征数据来计算所述自运动信息。


7.根据权利要求1所述的方法，还包括：
在存储器中存储基于所述运动识别模型中包括的第一模型在当前帧中计算出的特征数据。


8.根据权利要求1所述的方法，其中，生成输入数据包括：
使用沿所述自运动估计设备的外表面布置的至少一个雷达传感器来检测雷达信号；以及
通过预处理检测到的雷达信号来生成所述雷达感测数据。


9.根据权利要求1所述的方法，其中，生成输入数据包括：
从多项雷达感测数据中选择与彼此相差预设时间间隔的时间帧相对应的至少两项雷达感测数据；以及
基于所选择的雷达感测数据项来生成所述输入数据。


10.根据权利要求1所述的方法，其...

【专利技术属性】
技术研发人员：曹现雄，崔成焘，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：韩国;KR