本发明专利技术涉及用于学习特定于情境的驾驶模式的分布式学习。公开了一种实现自主交通工具的分布式AI或ML学习的方法。特定于位置或位置的类型的AI或ML模型在交通工具处被生成。响应于检测到交通工具处于与该位置或该位置的类型相关联的路边单元(RSU)的附近区域内，或者交通工具处于出现在或预期将出现在该位置或该位置的类型的附加交通工具的附近区域内，使得AI或ML模型传送到附加交通工具或RSU。基于使得对AI或ML模型进行接收而使得在交通工具中部署附加的AI或ML模型，以针对该位置或该位置的类型对交通工具进行优化。置的类型对交通工具进行优化。置的类型对交通工具进行优化。
【技术实现步骤摘要】
用于学习特定于情境的驾驶模式的分布式学习
[0001]本文描述的实施例总体上涉及用于自动化系统的人工智能(AI)或机器学习(ML)模型的训练，并且在一个特定的示例中，涉及用于学习特定于情境的驾驶模式的分布式学习的方法和系统。
技术介绍
[0002]用于自主驾驶(AD)的AI或ML模型可以被训练以执行复杂的功能，包括例如基于交通工具内的相机和其他传感输入直接向交通工具发出转向命令。通常，这些模型被离线训练，并且需要发送大量的传感数据以进行集中训练。然而，此类数据可能是隐私敏感的；因此，在一些实例中(例如，当某些政府法规适用时)，共享原始传感数据可能是不可行的。此外，此类训练数据通常不考虑交通工具可能在其中操作的许多不同情境。另外，传输情境数据可能会引起带宽成本和/或存在隐私问题。
附图说明
[0003]在附图中(这些附图不一定是按比例绘制的)，同样的数字可描述不同视图中的类似组件。具有不同的字母后缀的相同的数字可表示类似组件的不同实例。在所附附图的图中通过示例的方式而非限制性地图示出一些实施例，其中：
[0004]图1是图示出可以在其中部署各个公开的实施例的系统的示意图；
[0005]图2是描绘用于以分布式方式学习用户驾驶行为或AD策略的信令流的示图；
[0006]图3是无向用户相似度网络的示例表示的图；
[0007]图4是描绘用于开发用户的驾驶简档的驾驶模型的框架的示图；
[0008]图5是实现AD的分布式AI/ML学习的示例方法；
[0009]图6图示出根据一些示例实施例的机器学习程序或代理(诸如基于交通工具本地的AI或ML模型的一个或多个程序)的训练和使用；以及
[0010]图7是图示根据实施例的可在其上执行本文中所讨论的技术(例如，方法)中的任何一种或多种的示例机器的框图。
具体实施方式
[0011]在下列描述中，出于解释的目的，阐述了众多具体细节，以便提供对一些示例实施例的全面理解。然而，对本领域技术人员将显而易见的是，可在没有这些具体细节的情况下实施本公开。
[0012]本文公开了用于生成AD的AI或ML模型的系统和方法，这些AI或ML模型计及特定于情境和特定于位置的行为类型(例如，在交叉路口、并道等处的行为改变等)，计及附近区域中的其他驾驶员或汽车的行为，并且基于其他补充训练数据(例如，在特定位置或情境中操作的交通工具中发出的实际转向指令)，从而在模型在交通工具内被生成并被部署时得到更好的安全性和效率。
[0013]驾驶的重要原则是预期周围交通工具的驾驶行为的能力。可以通过将收集到的训练数据(例如，传感器数据、驾驶命令数据和/或视频数据)与AI技术聚合来减少或消除不安全的驾驶行为，该AI技术计及就近集群中的汽车的特定于情境的行为。在示例实施例中，解决了训练AD的ML或AI模型的各种技术问题，诸如优化用于训练ML或AI模型的处理能力、存储器或带宽，遵守与关于训练数据的一个或多个数据隐私政策或约束，或针对确定交通工具在其中操作的特定情境或位置优化ML或AI模型。在示例实施例中，该解决方案包括使用从已经在该特定情境和/或该特定位置中操作和/或当前正在该特定情境和/或该特定位置中操作的交通工具集群中针对特定情境和/或特定位置收集到的数据、以分布式方式训练AI或ML模型。
[0014]在示例实施例中，可以跨除汽车转向之外的许多附加应用(诸如将汽车停在就近的停车场或在发生事故的情况下呼叫救护车)来应用AD的一个或多个AI或ML模型。在示例实施例中，车队管理系统(例如，基于生成允许从道路上移除不安全的交通工具或驾驶员的驾驶员或交通工具的简档)被改善。
[0015]在示例实施例中，分布式学习框架被实现，其中靠近路边单元(RSU)驾驶的一个或多个交通工具可以将在本地上学习的模型的参数贡献给RSU内所主控的服务器。在示例实施例中，RSU可被置于所选择的情境(诸如交叉路口)中，其中在本地上学习的模型被确定为比关于本文所讨论的一个或多个关键性能指示符(诸如驾驶员安全性或行人安全性)的更抽象的模型具有更高的准确性。然后，每个交通工具或(例如，驾驶行为的)每个用户简档可用于以相关的方式训练AD模型，说明在给定的实例/位置处的多个代理的行为。一旦相关的、特定于时间和特定于位置的多代理驾驶行为模型被收集，就可以使用许多不同的方法来开发针对不同目标或关键性能指示符的最优AD算法，关键性能指示符诸如：(a)服从于安全性规则(诸如RSS)的驾驶效率；(b)利用对驾驶时间的宽松的要求来强调安全性的防御性驾驶，等等。
[0016]在示例实施例中，分布式训练(其中AD模型或基于AI或ML的用户简档模型在交通工具内进行本地训练，并且然后以协调的方式(例如，在与给定位置/时间情境相关联的服务器上)被组合)被实现用于多代理、特定于情境的AD解决方案的训练的自动化。优点包括以下各项中的一项或多项：用于对用户行为进行概况分析的保护隐私和带宽高效的方法、跨多个代理收集用于对根据位置和时间来对多个驾驶模式进行概况分析的AI模型的训练数据、或用于捕获用户或交通工具的特定于位置/时间的驾驶简档的增强的AD解决方案。
[0017]公开了一种实现自主交通工具的分布式AI或ML学习的方法。基于多个交通工具中的每一个交通工具的操作的情境来标识多个交通工具。操作的情境包括位置和位置的类型中的至少一者。多个交通工具中的每一个交通工具在其出现在该位置或该位置的类型处时，基于从该交通工具的一个或多个传感器收集到的训练数据来生成特定于该位置或该位置的类型的AI或ML模型。基于检测到多个交通工具中的一个交通工具处于与该位置或该位置的类型相关联的路边单元(RSU)的附近区域内，或者基于检测到多个交通工具中的一个交通工具处于出现在或预期将出现在该位置或该位置的类型处的附加交通工具的附近区域内，使得AI或ML模型从RSU或多个交通工具中的一个交通工具被传送到附加交通工具。使得所传送的AI或ML模型被部署在附加交通工具中，使得被配置成用于控制该附加交通工具的AI或ML自主驾驶应用的至少一个评定针对该位置或该位置的类型进行优化。下面描述了
附加的实施例。
[0018]图1是图示出可以在其中实现各个公开的实施例的系统100的示意图。
[0019]多个自主交通工具(包括交通工具1 104A至交通工具n 104B)可以各自是能够至少部分地以自主模式操作的一种或多种类型的交通工具，诸如商业交通工具、消费者交通工具、娱乐交通工具、汽车、卡车、摩托车、无人机或船。多个自主交通工具中的每一个自主交通工具可以在某些时间以手动模式进行操作，在该手动模式下，驾驶员常规地使用踏板、方向盘和其他控件来操作交通工具。在其他时间，交通工具可在完全自主模式下进行操作，其中，交通工具在没有用户干预的情况下进行操作。另外，交通工具可在半自主模式下进行操作，其中，交通工具控制驾驶的许多方面，但是驾驶员可以使用常规输入(例如，方向盘)和非常规输入(例如，语音控制)来干预或影响操作。
[0020]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种系统，包括：一个或多个计算机处理器；一个或多个计算机存储器；以及被并入所述一个或多个计算机存储器的指令的集合，所述指令的集合对所述一个或多个计算机处理器进行配置以执行包括以下各项的操作：在交通工具处生成特定于所述交通工具的操作的情境的人工智能AI模型，所述情境包括所述交通工具在其中行进的位置或位置的类型，所述生成基于在所述交通工具出现在所述位置或所述位置的类型时从所述交通工具的一个或多个传感器收集到的训练数据；响应于检测到所述交通工具处于与所述位置或所述位置的类型相关联的路边单元RSU的附近区域内，或者所述交通工具处于至少预期出现在所述位置或所述位置的类型处的附加交通工具的附近区域内，使得将AI模型传送到所述RSU或所述附加交通工具或使得从所述RSU或从所述附加交通工具中接收AI模型；以及基于使得对所述AI模型进行接收而使得在所述交通工具中部署附加AI模型，以针对所述位置或所述位置的类型对所述交通工具进行优化。2.如权利要求1所述的系统，其特征在于，使得对所述AI模型进行传送或使得对所述AI模型进行接收基于检测到对所述路边单元、所述交通工具、或所述附加交通工具可用的带宽超过最小带宽阈值。3.如权利要求1或2中任一项所述的系统，其特征在于，使得对所述AI模型进行传送或使得对所述AI模型进行接收进一步基于检测到所述交通工具和所述附加交通工具属于相同的交通工具车队。4.如权利要求1或2中任一项所述的系统，其特征在于，使得对所述AI模型进行部署基于所述交通工具的用户选入接收所述AI模型。5.如权利要求1或2中任一项所述的系统，其特征在于，部署所传送的AI模型包括将所述AI模型与和所述AI模型接收相对应的附加AI模型进行聚合。6.如权利要求5所述的系统，进一步包括基于检测到AI学习应用先前被供应在所述RSU或所述附加交通工具上来将所述AI学习应用安装在所述交通工具上。7.如权利要求1、2或6中任一项所述的系统，其特征在于，所述所传送的AI模型先前与从其他交通工具接收到的附加AI模型进行聚合。8.如权利要求1、2或6中任一项所述的系统，其特征在于，使得对所述AI模型进行传送包括将AI模型空中发送到所述附加交通工具或所述RSU。9.如权利要求1、2或6所述的系统，进一步包括使得将所聚合的AI模型传送到所述附加交通工具或所述RSU。10.如权利要求1、2或6中任一项所述的系统，进一步包括对从多个其他交通工具或所述RSU接收到的多个AI模型进行聚合。11.如权利要求10所述的系统，进一步包括使得将所聚合的AI模型传送到实体的AI系统基于所述实体选入对接收所述所聚合的AI模型的订阅，并且其中所述所聚合的AI模型标识针对所述位置或所述位置的类型的一个或多个最优策略或驾驶员行为。12.一种方法，包括：当所述交通工具出现在...
【专利技术属性】
技术研发人员：N，
申请(专利权)人：英特尔公司，
类型：发明
国别省市：
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。