【技术实现步骤摘要】
在考虑测量不确定性的情况下利用KI模块评估测量参量
本专利技术涉及一种物理测量技术，其中通过KI模块由测量数据来评估并且因此间接测量感兴趣的参量。
技术介绍
在测量技术的许多领域中，对于直接测量而言最终感兴趣的参量不是可得的（zugänglich），或者用于这种直接测量的耗费是过于大的。所述参量于是由其他参量的测量数据来被评估并且因此以间接方式被测量，其中所述其他参量对于直接测量而言是可得的。神经元网络是良好地适合的，以便由非常高维度的测量数据、诸如图像数据来评估非常大程度地更低维度的输出参量、诸如对象的位置、大小或类型。如果以足够数目的不同状况来训练所述网络，则所述评估也在全新的、未经训练的状况中起作用。这例如针对至少部分自动化的行驶而言是重要的，因为还远远并非能够对所有出现的交通状况进行预测。US6957203B2公开一种方法，在利用神经元网络来评估测量数据的情况下利用所述方法能够考虑在真实测量运行中不可避免的测量不确定性（Messunsicherheit）。US2016/019459A1公开：通...
【技术保护点】
1.一种用于训练KI模块（1）的方法（100），所述KI模块被构造用于，通过内部处理链（3）来将一组输入参量（2）至少转化成连续的输出参量的预测（41），其中所述内部处理链（3）的行为通过参数（31）来规定，其中所述方法具有如下步骤：/n将输入参量（2）的学习组（2a）的预给定的集合输入（110）到所述KI模块（1）中；/n对于每个学习组（2a）,利用所述KI模块（1）来求取（120）所述连续的输出参量的预测（41）；/n利用所述KI模块（1）来附加地求取（130）所述预测（41）的不确定性（42）；/n由所述KI模块（1）所提供的所述预测（41）被与所述预测的学习值（41...
【技术特征摘要】
20181204 DE 102018220941.31.一种用于训练KI模块（1）的方法（100），所述KI模块被构造用于，通过内部处理链（3）来将一组输入参量（2）至少转化成连续的输出参量的预测（41），其中所述内部处理链（3）的行为通过参数（31）来规定，其中所述方法具有如下步骤：
将输入参量（2）的学习组（2a）的预给定的集合输入（110）到所述KI模块（1）中；
对于每个学习组（2a）,利用所述KI模块（1）来求取（120）所述连续的输出参量的预测（41）；
利用所述KI模块（1）来附加地求取（130）所述预测（41）的不确定性（42）；
由所述KI模块（1）所提供的所述预测（41）被与所述预测的学习值（41a）比较（140），其中所述学习值被分配给所述输入参量（2）的相应的所述学习组（2a）；
误差函数（5）被评估（150），所述误差函数不仅取决于在所述比较（140）中所求取的、所述预测（41）与所述学习值（41a）的偏差（41’）而且也取决于所述预测（41）的所述不确定性（42）；
所述参数（31）被如下地优化（160），使得在重新输入（110）所述学习组（2a）的情况下减小所述误差函数（5）的值。
2.根据权利要求1所述的方法（100），其中，选择如下KI模块（1），所述KI模块包含至少一个人工神经元网络，KNN，作为内部处理链（3）。
3.根据权利要求1至2之一所述的方法（100），其中选择如下KI模块（1），所述KI模块被构造用于，借助于递归来对所述预测（41）和/或所述预测（41）的所述不确定性（42）进行求取。
4.根据权利要求1至3之一所述的方法（100），其中将所述预测（41）的所述不确定性（42）作为噪音来建模（131）并且其中将所述噪音的标准偏差包括到所求取的所述不确定性（42）中（132）。
5.根据权利要求4所述的方法（100），其中选择如下误差函数（5），所述误差函数在添加项中包含所述标准偏差的对数。
6.根据权利要求1至5之一所述的方法（100），其中输入参量（2）的至少一个学习组（2a）和/或所述预测的至少一个学习值（41a）包括物理测量参量的至少一个测量值。
7.用于运行KI模块（1）的方法，其中所述KI模块（1）在第一阶段中利用根据权利要求1至6之一所述的方法（100）来被训练并且其中在第二阶段中
利用至少一个传感器来检测物理的测量数据；
将所述物理的测量数据作为输入参量（2）来输入到所述KI模块（1）中；和
引起至少一个机械运动的至少一个执行器根据由所述KI模块（1）所提供的对输出参量的所述预测（41）和/或根据所述预测（41）的所述不确定...
【专利技术属性】
技术研发人员：冯迪，L罗森鲍姆，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：德国;DE
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。