自适应地清除测量数据中的不同类型干扰制造技术

用于训练可训练模块以净化测量信号的带有干扰的记录的方法，具有以下步骤：提供可训练模块；针对所述测量信号的至少一个学习记录利用所述可训练模块选择去干扰模块或去干扰模块的组合；将选择的去干扰模块或选择的组合应用于所述学习记录以获得去干扰结果；利用预给定的成本函数确定在所述去干扰结果中所述干扰被抑制到何种程度的评估；对至少表征所述可训练模块的行为的参数集进行优化，目标是在重新处理同一学习记录和/或其他学习记录时改善通过所述成本函数对然后获得的去干扰结果的评估。

【技术实现步骤摘要】
自适应地清除测量数据中的不同类型干扰
本专利技术涉及用于物理测量数据的信号处理，所述物理测量数据带有噪声和其他类型的干扰。
技术介绍
对许多迄今为止手动引导的物理过程的自动化以对在观察所述过程时获得的物理测量数据进行自动评估为前提。根据所述评估的结果生成操控信号，又利用所述操控信号干预所述过程。这样的过程的重要示例是至少部分自动的驾驶，其中来自对车辆环境的观察的测量数据是由车辆接下来执行的每一个动作的基础。在此的挑战是，物理收集的测量数据大多带有噪声和其他类型的干扰。在自动评估的情况下，例如在借助于人工神经网络进行分类和语义分割的情况下，可能放大这种干扰并可能导致错误的分类。因此，通常对所述测量数据进行预处理。但是，不匹配的预处理可能会导致伪影并进一步恶化所述干扰的影响。WO2019/007632A1公开了对图像的预处理进行定制，使得被构造为识别特定对象或特征的下游评估模块可以关于这些对象或特征以最佳可能的方式评估经过预处理的图像。
技术实现思路
在本专利技术的框架下，开发了一种用于训练可训练模块的方本文档来自技高网...

【技术保护点】
1.一种用于训练可训练模块（3）以净化测量信号（10）的带有干扰（11b）的记录（11）的方法（100），具有以下步骤：/n提供（110）可训练模块（3），所述可训练模块被构造为在经过训练的状态下针对所述测量信号（10）的记录（11）从去干扰模块（2a-2d）的预给定目录（2）中选择去干扰模块（2a-2d）或去干扰模块（2a-2d）的组合，将所述去干扰模块（2a-2d）应用于所述记录（11）预计会改善对所述记录（11）中包含的干扰（11b）的抑制；/n针对所述测量信号（10）的至少一个学习记录（11a），利用所述可训练模块（3）选择（120）去干扰模块（2a-2d）或去干扰模块（2a-2d）的...

【技术特征摘要】
20190606 DE 102019208265.31.一种用于训练可训练模块（3）以净化测量信号（10）的带有干扰（11b）的记录（11）的方法（100），具有以下步骤：
提供（110）可训练模块（3），所述可训练模块被构造为在经过训练的状态下针对所述测量信号（10）的记录（11）从去干扰模块（2a-2d）的预给定目录（2）中选择去干扰模块（2a-2d）或去干扰模块（2a-2d）的组合，将所述去干扰模块（2a-2d）应用于所述记录（11）预计会改善对所述记录（11）中包含的干扰（11b）的抑制；
针对所述测量信号（10）的至少一个学习记录（11a），利用所述可训练模块（3）选择（120）去干扰模块（2a-2d）或去干扰模块（2a-2d）的组合；
将选择的去干扰模块（2a-2d）或选择的组合应用（130）于所述学习记录（11a）以获得去干扰结果（12）；
利用预给定的成本函数（13）确定（140）在所述去干扰结果（12）中所述干扰（11b）被抑制到何种程度的评估（14）；
对至少表征所述可训练模块（3）的行为的参数集（33）进行优化（160），目标是在重新处理同一学习记录（11a）和/或其他学习记录（11a）时改善通过所述成本函数（13）对然后获得的去干扰结果（12）的评估（14）。


2.根据权利要求1所述的方法（100），其中，所述参数集（33）附加地表征至少一个去干扰模块（2a-2d）的行为。


3.根据权利要求1至2中任一项所述的方法（100），其中，所述成本函数（13）取决于所述去干扰结果（12）与已知的学习去干扰结果（12a）之间的比较（13a）的结果，和/或取决于基于至少一个预给定标准（18）对所述去干扰结果（12）的自动评估（13b）和/或取决于从至少一个外部评估器（19）获得的对所述去干扰结果（12）的评估（13c）。


4.根据权利要求1至3中任一项所述的方法（100），其中
所述去干扰结果（12）由预给定的处理模块（4）处理（150）为工作结果（15），并且
所述成本函数（13）取决于所述工作结果（15）与已知的学习工作结果（15a）之间的比较（13d）的结果。


5.根据权利要求4所述的方法（100），其中，所述处理模块（4）被构造为分类器和/或回归器，所述分类器和/或回归器提供所述去干扰结果（12）的分类和/或回归作为工作结果（15）。


6.根据权利要求1至5中任一项所述的方法（100），其中，选择包含人工神经网络（30）的可训练模块（3），其中所述人工神经网络（30）包括介于2个和7个之间的卷积层（31a-31c）的第一序列（31）和介于2个和4个之间的完全交联层（32a-32b）的第二序列（32）。


7.根据权利要求6所述的方法（100），其中，使用预训练成本函数（17）来评估（161）由至少一个卷积层（31a-31c）作为输出提供的中间结果（16），以及其中，预先优化（162）表征所述卷积层（31a-31c）的第一序列（31）的行为的参数（33），以改善所述预训练成本函数（17）的值。


8.根据权利要求7所述的方法（100），其中，所述预训练成本函数（17）取决于所述中间结果（16）与关于所述干扰（11b）的已知附加信息（16a）之间的比较（17a）的结果。


9.一种用于净化测量信号（10）的带有干扰（11b）的记录（11）的方法（200），具有以下步骤：
提供（210）至少一个利用权利要求1至8中任一项所述的方法（100）训练的可训练模块（3）；
将所述测量信号（10）的至少一个记录（11）输送（220）到所述可训练模块（3），使得所述可训练模块（3）从去干扰模块（2a-2d）的预给定目录（2）中选择去干扰模块（2a-2d）或去干扰模块（2a-2d）的组合；
将选择的去干扰模块（2a-2d）或选择的组合应用（230）于所述记录（11），从而获得去干扰结果（12）。
<...

【专利技术属性】
技术研发人员：CK穆马蒂，V费舍尔，
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