对机器学习方法进行训练的方法和系统技术方案

本公开涉及对机器学习方法进行训练的方法和系统。对机器学习方法进行训练的计算机实现方法包括由计算机硬件组件执行的以下步骤：确定来自第一传感器的测量数据；基于第二传感器，确定真值的近似值；以及基于测量数据和真值的近似值对机器学习方法进行训练；其中，真值的近似质量较低的近似值对训练的影响比真值的近似质量较高的近似值对训练的影响低。值的近似质量较高的近似值对训练的影响低。值的近似质量较高的近似值对训练的影响低。

【技术实现步骤摘要】
对机器学习方法进行训练的方法和系统


[0001]本公开涉及对机器学习方法进行训练的方法和系统。

技术介绍

[0002]人工神经网络是用于各种任务、尤其是用于分类或对象检测的强大工具。
[0003]然而，人工神经网络必须被训练，通常使用涉及输入数据和输出数据的大型数据集来训练，人工神经网络应该基于输入数据计算输出数据。例如，针对要处理传感器数据的人工神经网络，可能需要标记数据(其可以被称为真值(ground truth))。这些标记数据通常是手动获取的，成本高且速度慢。
[0004]因此，需要改进(人工)神经网络的训练。

技术实现思路

[0005]本公开提供计算机实现方法、计算机系统和非暂时性计算机可读介质。在说明书和附图中给出了实施方式。
[0006]在一个方面，本公开涉及一种对机器学习方法进行训练的计算机实现方法，所述方法包括由计算机硬件组件执行(换句话说：实施)的以下步骤：确定来自第一传感器的测量数据；基于第二传感器，确定真值的近似值；以及基于测量数据和真值的近似值对机器学习方法进行训练；其中，真值的近似质量较低的近似值对训练的影响比真值的近似质量较高的近似值对训练的影响低。
[0007]换句话说，真值的近似质量较低的近似值可以对训练具有较小的影响。
[0008]所述方法可以允许在没有人类干预的情况下处理机器学习的传感器间感知差异。例如，所述方法可以为机器学习模型提供不完美的传感器和不匹配的雷达数据和激光雷达数据的自动标记。
[0009]机器学习方法例如可以是人工神经网络。
[0010]根据另一方面，规定了通过使用针对训练的优化准则，真值的近似质量较低的近似值对训练的影响比真值的近似质量较高的近似值对训练的影响低，其中，优化准则是基于映射的。所述映射可以反映真值的哪些区域是可靠的或不可靠的。
[0011]根据另一方面，优化准则还是基于测量数据的能量图的。该附加优化项可以用于解决由第一优化项造成的缺点。能量图可以用表示，并且能量图可以表示未观察到的空间。
[0012]根据另一方面，优化准则包括测量数据与真值的近似值之间的交叉熵。
[0013]根据另一方面，优化准则是基于包括基于交叉熵的第一被加数和基于能量图的第二被加数的总和的。这可以确保机器学习方法针对带注释的数据的训练，同时确保输出不会与输入数据偏离太多。
[0014]根据另一方面，规定了通过过滤真值的近似质量较低的近似值，真值的近似质量较低的近似值对训练的影响比真值的近似质量较高的近似值对训练的影响低。
[0015]根据另一方面，过滤包括基于视角类型(look type)对测量数据进行分组。这可以例如在下面描述的第一步骤中进行。所述方法可以使用雷达视角类型为机器学习提供传感器间感知差异的处理。
[0016]根据另一方面，过滤包括识别对训练提供负面影响的真值。这可以例如在下面描述的第二步骤中进行。
[0017]根据另一方面，过滤包括确定可靠性图。这可以例如在下面描述的第三步骤中进行。
[0018]根据另一方面，可靠性图的条目是基于在第一传感器和第二传感器上感知是否相似来确定的。例如，各个真值区域的可靠性值可以是基于该区域在多个传感器(例如，雷达和激光雷达)上是否以类似方式被感知而确定的。
[0019]根据另一方面，机器学习方法被配置成对对象进行分类。
[0020]根据另一方面，真值的近似值是使用自动方法(例如，没有人类交互或只有有限数量的人类交互，这比基于第一传感器的测量数据的分类快)基于第二传感器确定的。
[0021]根据另一方面，第一传感器是雷达传感器。根据另一方面，第二传感器是激光雷达传感器。然而，将理解，可以使用任何其它两种类型的传感器。
[0022]在另一方面，本公开涉及一种计算机系统，所述计算机系统包括多个计算机硬件组件，所述多个计算机硬件组件被配置成执行本文所述的计算机实现方法的多个或全部步骤。
[0023]所述计算机系统可以包括多个计算机硬件组件(例如，处理器(例如，处理单元或处理网络)、至少一个存储器(例如，存储器单元或存储器网络)和至少一个非暂时性数据存储部)。将理解，可以提供另外的计算机硬件组件并将其用于在计算机系统中执行计算机实现方法的步骤。非暂时性数据存储部和/或存储器单元可以包含计算机程序，所述计算机程序用于指示计算机例如使用处理单元和至少一个存储器单元来执行本文所述的计算机实现方法的多个或全部步骤或方面。
[0024]在另一方面，本公开涉及一种非暂时性计算机可读介质，该非暂时性计算机可读介质包含用于执行本文所述计算机实现方法的多个或全部步骤或方面的指令。计算机可读介质可以被配置成：光学介质，诸如光盘(CD)或数字通用盘(DVD)；磁性介质，诸如硬盘驱动器(HDD)；固态驱动器(SSD)；只读存储器(ROM)，诸如闪存存储器等。此外，计算机可读介质可以被配置成可经由诸如互联网连接的数据连接访问的数据存储部。计算机可读介质可以例如是在线数据存储库或云存储部。
[0025]本公开还涉及一种计算机程序，所述计算机程序用于指示计算机执行本文所述计算机实现方法的多个或全部步骤或方面。
附图说明
[0026]本文结合以下附图描述本公开的示例性实施方式和功能，附图示意性示出了：
[0027]图1是例示了根据各种实施方式的对机器学习方法进行训练的方法的流程图；
[0028]图2是根据各种实施方式的机器学习方法训练系统；以及
[0029]图3是具有多个计算机硬件组件的计算机系统，所述多个计算机硬件组件被配置成执行根据各种实施方式的对机器学习方法进行训练的计算机实现方法的步骤。
[0030]附图标记列表
[0031]100 例示根据各种实施方式的对机器学习方法进行训练的方法的流程图
[0032]102 确定来自第一传感器的测量数据的步骤
[0033]104 基于第二传感器确定真值的近似值的步骤
[0034]106 基于测量数据和真值的近似值对机器学习方法进行训练
[0035]200 根据各种实施方式的机器学习方法训练系统
[0036]202 测量数据确定电路
[0037]204 近似电路
[0038]206 训练电路
[0039]208 连接
[0040]300 根据各种实施方式的计算机系统
[0041]302 处理器
[0042]304 存储器
[0043]306 非暂时性数据存储部
[0044]308 第一传感器
[0045]310 第二传感器
[0046]312 连接
具体实施方式
[0047]各种实施方式涉及如下问题，其中，在给定来自雷达传感器(例如，汽车雷达传感器)的能量反射的二维网格的情况下，需要机器学习方法(例如，人工神经网络)来预测网格单元是空闲的、占用的或未知的。解决该问题的一种常用方式是收本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对机器学习方法进行训练的计算机实现方法，所述计算机实现方法包括由计算机硬件组件执行的以下步骤：确定(102)来自第一传感器的测量数据；基于第二传感器，确定(104)真值的近似值；以及基于所述测量数据和所述真值的近似值对所述机器学习方法进行训练(106)；其中，真值的近似质量较低的近似值对所述训练的影响比真值的近似质量较高的近似值对所述训练的影响低。2.根据权利要求1所述的计算机实现方法，其中，规定了通过使用针对所述训练的优化准则，真值的近似质量较低的近似值对所述训练的影响比真值的近似质量较高的近似值对所述训练的影响低，其中，所述优化准则是基于映射的。3.根据权利要求2所述的计算机实现方法，其中，所述优化准则还是基于所述测量数据的能量图的。4.根据权利要求2或3所述的计算机实现方法，其中，所述优化准则包括所述测量数据与所述真值的近似值之间的交叉熵。5.根据权利要求3或4所述的计算机实现方法，其中，所述优化准则是基于包括基于所述交叉熵的第一被加数和基于所述能量图的第二被加数的总和的。6.根据权利要求1至5中任一项所述的计算机实现方法，其中，规定了通过过滤真值的近似质量较低的近似值，真值的近似质量较低的近似值对所述训练的影响比真值...

【专利技术属性】
技术研发人员：J，
申请(专利权)人：APTIV技术有限公司，
类型：发明
国别省市：