在深度神经网络中测量置信度制造技术

本公开提供了“在深度神经网络中测量置信度”。计算由深度神经网络使用传感器数据生成的多个预测的分布，并且所述深度神经网络包括多个神经元。基于所述分布来确定对应于对象的测量结果或分类中的至少一者。所述深度神经网络用不同数量的神经元来生成所述多个预测中的每个预测。的每个预测。的每个预测。

【技术实现步骤摘要】
在深度神经网络中测量置信度


[0001]本公开总体上涉及车辆传感器。

技术介绍

[0002]传感器用于收集环境数据。例如，传感器可捕获图像、声音、振动和其他物理特性。一旦收集，传感器就可将环境数据发送到其他电子装置以用于进一步动作。

技术实现思路

[0003]传感器可提供关于周围环境的信息，并且计算机可使用由所述传感器检测到的传感器数据对对象进行分类和/或估计与所述周围环境相关的一个或多个物理参数。一些计算机可使用机器学习技术来辅助对对象进行分类和/或估计物理参数。然而，这些机器学习技术可能无法访问地面实况数据和/或绝对值，这可导致不正确的实时分类和/或估计。
[0004]本文公开了用于基于由深度神经网络生成的多个预测来生成分布的系统和方法。所述深度神经网络基于由所述车辆传感器检测到的传感器数据来生成所述多个预测。在生成每个预测之后，禁用所述深度神经网络的一个或多个神经元。然后，所述深度神经网络在禁用一个或多个神经元的情况下生成另一预测。由于所述深度神经网络用比先前迭代少的神经元生成预测，因此相对于先前预测，所述预测通常在统计上有所不同。一旦已经生成多个预测，计算机就使用所述预测来生成所述分布并且计算分布变化。在一个示例中，所述分布可表示所述预测的标准偏差，以指示所述深度神经网络是否已经用类似传感器数据进行训练。然而，应理解，所述分布可表示所述预测的其他统计测量结果。替代地或另外，所述计算机可基于所述分布变化对相对置信度参数进行分类。
[0005]一种系统包括计算机，所述计算机包括处理器和存储器，并且所述存储器包括指令，使得所述处理器被编程为计算由深度神经网络使用传感器数据生成的多个预测的分布，其中所述深度神经网络包括多个神经元；并且基于所述分布来确定对应于对象的测量结果或分类中的至少一者。所述深度神经网络用不同数量的神经元来生成所述多个预测中的每个预测。
[0006]在其他特征中，所述处理器进一步被编程为将所述分布的标准偏差与预定变化阈值进行比较；并且当所述标准偏差大于所述预定变化阈值时向服务器传输所述传感器数据。
[0007]在其他特征中，所述处理器进一步被编程为当所述分布大于所述预定分布变化阈值时禁用车辆的自主车辆模式，其中所述车辆包括所述计算机。
[0008]在其他特征中，所述处理器进一步被编程为将所述传感器数据提供给所述深度神经网络；接收由所述深度神经网络基于所述传感器数据生成的第一预测；在所述第一预测之后禁用所述多个神经元中的至少一个神经元；将所述传感器数据提供给所述深度神经网络；并且接收由所述深度神经网络生成的第二预测。
[0009]在其他特征中，所述处理器进一步被编程为从车辆的车辆传感器接收所述传感器
数据；并且将所述传感器数据提供给所述深度神经网络。
[0010]在其他特征中，所述深度神经网络包括卷积神经网络、递归神经网络或所述卷积神经网络和所述递归神经网络的组合中的至少一者。
[0011]在其他特征中，所述处理器进一步被编程为将由车辆的图像传感器捕获的图像提供给所述深度神经网络；接收由所述深度神经网络基于所述图像生成的第一预测；在所述第一预测之后禁用所述深度神经网络内的多个神经元中的至少一个神经元；将所述图像提供给所述深度神经网络；接收由所述深度神经网络生成的第二预测；基于至少所述第一预测和所述第二预测来计算平均数；并且基于所述平均数来确定所述测量结果或所述分类中的所述至少一者。
[0012]在其他特征中，所述对象包括连接到车辆的拖车的至少一部分，并且所述测量结果包括拖车角度。
[0013]在其他特征中，所述处理器进一步被编程为基于所述测量结果或所述分类中的所述至少一者来致动车辆。
[0014]一种系统包括服务器和包括车辆系统的车辆。所述车辆系统包括计算机，所述计算机包括处理器和存储器，所述存储器包括指令，使得所述处理器被编程为：在所述车辆处计算由深度神经网络使用传感器数据生成的多个预测的分布，其中所述深度神经网络包括多个神经元；并且确定对应于由所述传感器数据检测到的对象的测量结果或分类中的至少一者。所述深度神经网络用不同数量的神经元来生成所述多个预测中的每个预测。
[0015]在其他特征中，所述处理器进一步被编程为将所述分布的标准偏差与预定变化阈值进行比较；并且当所述标准偏差大于所述预定变化阈值时向所述服务器传输所述传感器数据。
[0016]在其他特征中，所述处理器进一步被编程为当所述分布大于所述预定分布变化阈值时禁用车辆的自主车辆模式。
[0017]在其他特征中，所述处理器进一步被编程为将所述传感器数据提供给所述深度神经网络；接收由所述深度神经网络基于所述传感器数据生成的第一预测；在所述第一预测之后禁用所述多个神经元中的至少一个神经元；将所述传感器数据提供给所述深度神经网络；并且接收由所述深度神经网络生成的第二预测。
[0018]在其他特征中，所述处理器进一步被编程为从车辆的车辆传感器接收所述传感器数据；并且将所述传感器数据提供给所述深度神经网络。
[0019]在其他特征中，所述深度神经网络包括卷积神经网络、递归神经网络或所述卷积神经网络和所述递归神经网络的组合中的至少一者。
[0020]在其他特征中，所述处理器进一步被编程为将由车辆的图像传感器捕获的图像提供给所述卷积神经网络；接收由所述卷积神经网络基于所述图像生成的第一预测；在所述第一预测之后，禁用所述卷积神经网络内的所述多个神经元中的至少一个神经元；将所述图像提供给所述卷积神经网络；接收由所述卷积神经网络生成的第二预测；基于至少所述第一预测和所述第二预测来计算平均数；并且基于所述平均数来确定所述测量结果或所述分类中的所述至少一者。
[0021]在其他特征中，所述对象包括连接到所述车辆的拖车的至少一部分，并且所述测量结果包括拖车角度。
[0022]在其他特征中，所述处理器进一步被编程为基于所述测量结果或所述分类中的所述至少一者来致动所述车辆。
[0023]一种方法包括计算由深度神经网络使用传感器数据生成的多个预测的分布，其中所述深度神经网络包括多个神经元；以及基于所述分布来确定对应于对象的测量结果或分类中的至少一者。所述深度神经网络用不同数量的神经元来生成所述多个预测中的每个预测。
[0024]在其他特征中，所述方法还包括将所述传感器数据提供给所述深度神经网络；接收由所述深度神经网络基于所述传感器数据生成的第一预测；在所述第一预测之后禁用所述多个神经元中的至少一个神经元；将所述传感器数据提供给所述深度神经网络；以及接收由所述深度神经网络生成的第二预测。
附图说明
[0025]图1是用于基于传感器数据确定分布的示例性系统的图示。
[0026]图2A至图2D是示例性深度神经网络的图示。
[0027]图3是连接到车辆的拖车的示例性图像帧和基于所预测拖车角度值的分布而预测的拖车角度值。
[0028]图4是对应于多个图像帧的所预测拖车角度值的示例性标准偏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.系统，其包括计算机，所述计算机包括处理器和存储器，所述存储器包括指令，使得所述处理器被编程为：计算由深度神经网络使用传感器数据生成的多个预测的分布，其中所述深度神经网络包括多个神经元；并且基于所述分布来确定对应于对象的测量结果或分类中的至少一者，其中所述深度神经网络用不同数量的神经元来生成所述多个预测中的每个预测。2.如权利要求1所述的系统，其中所述处理器进一步被编程为：将所述分布的标准偏差与预定变化阈值进行比较；并且当所述标准偏差大于所述预定变化阈值时向服务器传输所述传感器数据。3.如权利要求2所述的系统，其中所述处理器进一步被编程为：当所述分布大于所述预定分布变化阈值时禁用车辆的自主车辆模式，其中所述车辆包括所述计算机。4.如权利要求1所述的系统，其中所述处理器进一步被编程为：将所述传感器数据提供给所述深度神经网络；接收由所述深度神经网络基于所述传感器数据生成的第一预测；在所述第一预测之后禁用所述多个神经元中的至少一个神经元；将所述传感器数据提供给所述深度神经网络；并且接收由所述深度神经网络生成的第二预测。5.如权利要求1所述的...

【专利技术属性】
技术研发人员：古吉特，
申请(专利权)人：福特全球技术公司，
类型：发明
国别省市：