【技术实现步骤摘要】
【国外来华专利技术】用于自主驾驶的数据管线和深度学习系统
技术介绍
用于实现自主驾驶的深度学习系统通常依赖于所捕获的传感器数据作为输入。在传统的学习系统中，通过将所捕获的数据从传感器格式转换为与学习系统的初始输入层兼容的格式，可以使所捕获的传感器数据与深度学习系统兼容。该转换可以包括压缩和下采样，这可以降低原始传感器数据的信号保真度。此外，改变传感器可能需要新的转换过程。因此，需要一种定制的数据管线，该管线可以使来自所捕获的传感器数据的信号信息最大化并且向深度学习网络提供更高级别的信号信息以用于深度学习分析。附图说明本专利技术的各种实施例在下面的详细描述和附图中公开。图1是示出用于使用深度学习管线执行机器学习处理的过程的实施例的流程图。图2是示出用于使用深度学习管线执行机器学习处理的过程的实施例的流程图。图3是示出用于使用分量数据执行机器学习处理的过程的实施例的流程图。图4是示出用于使用高通和低通分量数据执行机器学习处理的过程的实施例的流程图。图5是示出用于使用高通、带通和低通分量数据执行机器学习处理的过程的实
【技术保护点】
1.一种方法，包括：/n接收使用交通工具上的传感器捕获的图像；/n将接收到的所述图像分解为多个分量图像；/n将所述多个分量图像中的每个分量图像作为不同的输入提供给人工神经网络的多个层中的不同的层，以确定结果；以及/n使用所述人工神经网络的所述结果，以至少部分地自主操作所述交通工具。/n
【技术特征摘要】
【国外来华专利技术】20180620 US 16/013,8171.一种方法，包括：
接收使用交通工具上的传感器捕获的图像；
将接收到的所述图像分解为多个分量图像；
将所述多个分量图像中的每个分量图像作为不同的输入提供给人工神经网络的多个层中的不同的层，以确定结果；以及
使用所述人工神经网络的所述结果，以至少部分地自主操作所述交通工具。
2.根据权利要求1所述的方法，其中所述传感器是高动态范围相机。
3.根据权利要求1所述的方法，其中所述传感器是相机传感器、雷达传感器、超声传感器或LiDAR传感器。
4.根据权利要求1所述的方法，其中将接收到的所述图像分解为所述多个分量图像包括：使用高通过滤器或低通过滤器。
5.根据权利要求1所述的方法，其中将接收到的所述图像分解为所述多个分量图像包括：使用高通过滤器、带通过滤器或低通过滤器。
6.根据权利要求1所述的方法，其中图形处理单元被用于将接收到的所述图像分解为所述多个分量图像中的至少一个分量图像。
7.根据权利要求1所述的方法，其中色调映射器处理器被用于将接收到的所述图像分解为所述多个分量图像中的至少一个分量图像。
8.根据权利要求1所述的方法，其中所述多个分量图像包括高通数据分量和低通数据分量。
9.根据权利要求8所述的方法，其中所述高通数据分量是使用第一图像预处理器而被分解的，并且所述低通数据分量是使用第二图像预处理器而被分解的。
10.根据权利要求9所述的方法，其中所述第一图像预处理器和所述第二图像预处理器是不同的处理器。
11.根据权利要求8所述的方法，其中所述低通数据分量是从接收到的所述图像下采样得到的。
12.根据权利要求8所述的方法，其中所述低通数据分量与所述高通数据分量相比分辨率更低。
13.根据权利要求1所述的方法...
【专利技术属性】
技术研发人员：T·乌瓦罗夫，B·特里帕蒂，E·法因斯坦，
申请(专利权)人：特斯拉公司，
类型：发明
国别省市：美国;US
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。