用于训练用于对象识别设备的机器学习系统的方法、执行方法、对象识别设备及计算机程序技术方案

一种用于训练用于对象识别设备(400)的机器学习系统(200)的方法，所述方具有以下步骤：提供传感元件数据；借助所提供的传感元件数据来训练机器学习系统，其中，从所述传感元件数据中识别至少一个对象，其中，将所述传感元件数据的信号强度与分配给对象的反射系数和/或吸收系数一起使用。

【技术实现步骤摘要】
用于训练用于对象识别设备的机器学习系统的方法、执行方法、对象识别设备及计算机程序
本专利技术涉及一种用于训练用于对象识别设备的机器学习系统的方法。本专利技术还涉及一种用于在使用经训练的机器学习系统的情况下执行对象识别的方法。本专利技术还涉及一种具有机器学习系统的对象识别设备，该机器学习系统借助用于训练用于对象识别设备的机器学习系统的方法来进行训练。本专利技术还涉及一种计算机程序产品。
技术介绍
自主车辆是在没有驾驶员的情况下至少部分工作的车辆。在此，车辆自主地驾驶，其方式为：车辆独立地识别例如道路走向、其他交通参与者、障碍物等，并且计算车辆中相应的控制命令，以及将这些控制命令进一步传递给车辆中的执行器，由此以正确的方式影响车辆的行驶走向。在完全自主的车辆中，人类驾驶员不参与驾驶事件。当前可用的车辆还不能够完全自主地行动。一方面，因为相应的技术还未完全成熟。另一方面，因为现如今仍然在法律上规定，车辆驾驶员必须能够随时亲自干预驾驶事件。现今已经可以预见，一旦克服所提及的障碍，完全自主的车辆系统将在几年内进入市场。驾驶员辅助系统是机动车中用于在确定的驾驶情况中支持驾驶员的电子附加装置，其中，通常安全性方面非常重要，但是驾驶舒适性的提高也非常重要。驾驶员辅助系统部分自主地或自主地干预车辆的驱动装置、控制装置(例如油门、制动器)或信号装置，并且通过适当的人机接口在紧急情况发生之前不久或期间警告驾驶员。
技术实现思路
本专利技术的任务是提供一种经改善的用于对象识别的方法。根据第一方面，该任务借助一种用于训练用于对象识别设备的机器学习系统的方法来解决，该方法具有以下步骤：-提供传感元件数据；-借助所提供的传感元件数据来训练机器学习系统，其中，从传感元件数据中识别至少一个对象，其中，将传感元件数据的信号强度与分配给该对象的反射系数和/或吸收系数一起使用。在本文中，与现有技术不同，传感元件数据理解为诸如环境传感器系统的传感元件的未经后处理的数据。这尤其意味着，在传感元件数据中存在关于信号强度或反射对象的反射特性的信息。由此，通过考虑信号强度或反射特性，由此能够显著改善对象识别。例如，对象识别设备由此能够在呈树木或路灯柱形式的对象之间进行区分。这通过以下方式实现：金属表面、墙壁或人等具有不同的反射特性或吸收特性，由此能够容易地彼此区分。结果，由此基于反射对象的反射特性来执行机器学习系统的训练。以这种方式，提供离线训练阶段，作为结果，该离线训练阶段提供呈识别装置形式的经训练的机器学习系统，该机器学习系统随后应用在环境传感器系统中以进行对象识别。根据第二方面，该任务借助以下方法来解决：该方法在使用根据所提出的方法所训练的机器学习系统的情况下执行对象识别。根据第三方面，该任务借助一种对象识别设备来解决，该对象识别设备具有借助所提出的方法所训练的机器学习系统。根据第四方面，该任务借助一种计算机程序产品来解决，该计算机程序产品包括指令，在通过计算机实施该计算机程序产品时，该指令促使该计算机实施所提出的方法，或者该计算机程序产品存储在机器可读的存储介质上。该方法的优选扩展方案是本专利技术的扩展技术方案的主题。该方法的一种有利扩展方案的特征在于，在限定的周围环境中训练机器学习系统，其中，由进行发射的传感器装置照射已知的对象，并且接收由对象反射的辐射，其中，基于对象的反射辐射来识别该对象。由此实现一种“静态学习”，在该静态学习中能够学习来自不同表面的不同反射。以这种方式，例如能够将特定类型的对象用于训练机器学习系统。该方法的另一有利扩展方案的特征在于，为了提供传感元件数据，进行发射的传感器装置相对于对象保持静态或运动。以这种方式能够识别图像流，由此能够跟踪对象并且由此改善学习效果。该方法的另一有利扩展方案设置，为了从传感元件数据中求取对象，附加地或替代地使用特征图(Merkmalskarte)，其中，对象的反射系数和/或吸收系数存储在特征图中。借助高度精确的特征图，例如能够相对于车辆定位对象。这能够借助基于GNSS的传感器装置(该传感器装置高度精确地了解其在世界上的位置)或通过基于特征图(Feature-Map)的位置解决方案来实现。由此能够在空间上更好地分配对象的位置。由此能够将关于对象位置的知识与关于对象特性的知识相结合。有利地，以这种方式，还能够在持续运行期间训练对象识别设备。该方法的另一有利扩展方案的特征在于，借助在不同天气情况下提供的传感元件数据来执行对机器学习系统的训练。由此能够更多面地映射不同天气情况下的对象并且由此更好地识别该对象。该方法的另一有利扩展方案的特征在于，滤除传感元件数据的干扰。以这种方式，无干扰地已知对象的数据，因为已经从传感元件的数据中滤除干扰。有利地，由此能够区分来自真实对象的干扰，这能够有利地加速机器学习系统的学习进度。以这种方式，能够更好地并且更精确地进行对象的识别。该方法的另一有利扩展方案的特征在于，将所识别的对象的数据的选择用于训练下游的机器学习系统。由此能够实现已知算法的加速，其中，借助下游的机器学习系统，完全有目的地将图像数据中的区域用于提供一种分配装置。例如，可以如下训练下游的机器学习系统以实现分配装置。有利地，由此能够更快地且更可靠地识别对象(例如交通参与者)，因为已经事先限制这些对象可能处于的图像区域。在该方法的一种变型方案中，至少一个对象的反射数据存储在特征图中。由此例如可以针对限定的对象将所分配的确定的反射系数和吸收系数针对确定的传感器类型存储在特征图中。在进行发射的传感器装置的正常运行中，由此能够有利地提高对象的识别精度。附图说明下面基于多个附图借助其他特征和优点详细地描述本专利技术。在此，相同或功能相同的元件具有相同的附图标记。公开的方法特征类似地由相应的公开的设备特征得出，反之亦然。这尤其意味着，关于方法的特征、技术优点和实施方案以类似的方式由关于对象识别设备的相应的实施方案、特征和优点得到，反之亦然。在附图中示出：图1示出所提出的方法的一种实施方式的原理图示；图2示出所提出的对象识别设备的方框图；图3a、3b示出在不同阶段中所提出的方法的另一实施方式的原理图；图4示出所提出的方法的原理流程。具体实施方式本专利技术的核心构思是提供一种设备和一种方法，该设备和方法用于借助例如应用于自动化车辆或者说自主车辆中的进行发射的(即主动的)环境传感器(例如雷达、激光雷达、超声等)来改善对象识别。在下文中，“传感元件数据”理解为传感元件的各个像素的信号强度。为此使用至少一个机器学习系统、优选呈神经网络形式的机器学习系统，以便从环境传感器数据中提取对象。然而，在所提出的方法中并非如传统地所设置的那样以相同的程度评估环境传感器的每个像素或者说图像点，而是附加地也还将不同对象的不同表面的不同特性(例如反射系数、吸收系数)考虑在内以训练机器学习系统，以便改善对象识别。机器学习系统优选构造为人工神经网络，并本文档来自技高网...

【技术保护点】
1.一种用于训练用于对象识别设备(400)的机器学习系统(200)的方法，所述方法具有以下步骤：/n提供传感元件数据；/n借助所提供的传感元件数据来训练机器学习系统，其中，从所述传感元件数据中识别至少一个对象，其中，将所述传感元件数据的信号强度与分配给所述对象的反射系数和/或吸收系数一起使用。/n

【技术特征摘要】
20191107 DE 102019217225.31.一种用于训练用于对象识别设备(400)的机器学习系统(200)的方法，所述方法具有以下步骤：
提供传感元件数据；
借助所提供的传感元件数据来训练机器学习系统，其中，从所述传感元件数据中识别至少一个对象，其中，将所述传感元件数据的信号强度与分配给所述对象的反射系数和/或吸收系数一起使用。


2.根据权利要求1所述的方法，其中，在限定的周围环境中训练所述机器学习系统(200)，其中，由进行发射的传感器装置(100)照射已知的对象，并且接收由所述对象反射的辐射，其中，基于所述对象的所反射的辐射来识别所述对象。


3.根据权利要求1或2所述的方法，其中，为了提供所述传感元件数据，所述进行发射的传感器装置(100)相对于所述对象保持静态或运动。


4.根据以上权利要求中任一项所述的方法，其中，为了从所述传感元件数据中求取所述对象，附加地或替代地使用特征图(110)，其中，对象的反射系数和/或吸收系数存储在所述特征图(110)中。


5.根据以上权利要求中任一项所述的方法，其中，借助在不同天气情况下所提供的传感元件数据来执行对所述机器学习系统(200)的训练。


6.根据以上权利要求中任一项所述的方法，其中，滤除所述传感元件数据的干扰。


7.根据以上权利要求中任一项所述的方法，其中，将所识别的对象的数据的选择用于...

【专利技术属性】
技术研发人员：M·R·埃韦特，
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