【技术实现步骤摘要】
【国外来华专利技术】在监控是否离开训练的应用范围的情况下运行可训练模块
[0001]本专利技术涉及如例如在至少部分自动驾驶时为了分类任务和/或对象识别所使用的可训练模块的运行。
技术介绍
[0002]在道路交通中由人类驾驶员对车辆的驾驶通常被训练,其方式是迫使驾驶学员在其培训的范围中反复地面对特定的状况准则。驾驶学员必须对这些状况分别做出反应,并且通过驾驶教练的评论或者甚至干预来获得关于其反应是正确还是错误的反馈。利用有限数量的状况的这种训练应该使驾驶学员有能力在独立驾驶车辆时也掌握未知的状况。
[0003]为了让车辆完全或部分地自动参与道路交通,力求利用以完全相似的方式可训练的模块来控制所述车辆。例如,这些模块从车辆环境中获得传感器数据作为输入参量,并且作为输出参量提供干预车辆的运行所利用的操控信号和/或构成这种操控信号的初级产品。例如,车辆的环境中的对象的分类可以是这种初级产品。
技术实现思路
[0004]在本专利技术的范围中,开发了一种用于运行可训练模块的方法。可训练模块将一个或多个输入参量值转变为一个或多个输出参量值。
[0005]可训练模块尤其是被视为以用于一般化的大的力度体现利用可适配参数参数化的函数的模块。在训练可训练的模块时,参数尤其是可以被适配为使得在将学习输入参量值输入到模块中时尽可能好地再现所属的学习输出参量值。可训练模块尤其是可以包含人工神经网络KNN,和/或所述可训练模块可以是KNN。
[0006]输入参量值包括通过物理测量过程和/或通过这样的测量过程的部分或完全模拟和/ ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于运行可训练模块(1)的方法(100),所述可训练模块将一个或多个输入参量值(11)转变成一个或多个输出参量值(13),其中所述输入参量值(11)包括通过物理测量过程和/或通过这样的测量过程的部分或完全模拟和/或通过能利用这样的测量过程观测的技术系统的部分或完全模拟获得的测量数据,所述方法具有步骤:
•
将至少一个输入参量值(11)输送给所述可训练模块(1)的变种(1a
‑
1c)(110),其中所述变种(1a
‑
1c)如此程度地彼此不同,以致于所述变种不能通过渐进式学习彼此一致地转化;
•
从所述变种(1a
‑
1c)将所述输入参量值(11)分别转变成的输出参量值(13)的彼此偏差中确定用于所述输出参量值(13)的不确定性(13b)的度量(120);
•
将所述不确定性(13b)与不确定性(13b)的分布(13*)进行比较(130),所述分布已经针对在训练所述可训练模块(1)时所使用的学习输入参量值(11a)和/或针对在训练所述可训练模块(1)时所学习的关系能应用到的其他测试输入参量值(11c)被确定;
•
从所述比较(130)的结果(130a)中评估(140):在训练所述可训练模块(1)时所学习的关系能够在何种程度上应用于所述输入参量值(11)(140a、140b)。2.根据权利要求1所述的方法(100),其中所述变种(1a
‑
1c)被构成,其方式是
•
包含在所述可训练模块(1)中的人工神经网络KNN中的各种神经元被去活(111),和/或
•
表征所述可训练模块(1)的行为的参数被改变(112),和/或
•
所述KNN中的神经元之间的连接被去活(113)。3.根据权利要求1至2中任一项所述的方法(100),其中响应于所述不确定性(13b)处于所述分布(13*)的预先给定的分位数内,确定(141)在训练所述可训练模块(1)时所学习的关系能够应用于所述输入参量值(11)(140a)。4.根据权利要求1至3中任一项所述的方法(100),其中响应于所述不确定性(13b)处于所述分布(13*)的预先给定的分位数之外,确定(142)在训练所述可训练模块(1)时所学习的关系不能应用于所述输入参量值(11)(140b)。5.根据权利要求1至4中任一项所述的方法(100),其中响应于所述不确定性(13b)小于所述分布(13*)中的最小不确定性(13b)的预先给定的份额或大于所述分布(13*)中的最大不确定性(13b)的预先给定的份额,确定(143)在训练所述可训练模块(1)时所学习的关系不能应用于所述输入参量值(11)(140b)。6.根据权利要求1至5中任一项所述的方法(100),其中选择可训练模块(1),所述可训练模块被构造为分类器和/或回归器。7.根据权利要求1至6中任一项所述的方法(100),其中响应于确定(140a)在训练所述可训练模块(1)时所学习的关系能够应用于所述输入参量值(11),在使用所述输入参量值(11)的情况下更新所述分布(13*)(150)。8.根据权利要求7所述的方法(100),其中
·
通过添加其他加数来更新一组参量(15)(151),所述参量分别取决于在对分布(13*)有贡献的所有输入参量值(11)和/或不确定性(13b)上形成的总和,和
·
从这些参量(15)中确定经更新的分布(13**)和/或表征所述经更新的分布(13**)的一组参数(16)(152)。
9.根据权利要求8所述的方法(100),其中利用矩方法和/或利用最大似然方法和/或利用贝叶斯估计来估计所述参数(16)(152a)。10.根据权利要求1至9中任一项所述的方法(100),其中响应于确定(140a)在训练所述可训练模块(1)时所学习的关系能够应用于所述输入参量值(11),
...
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。