增强的目标检测制造技术

本公开提供了“增强的目标检测”。图像数据被输入到机器学习程序。用基于主车辆与目标对象之间的距离的虚拟边界模型和基于真实世界物理模型的损失函数来训练所述机器学习程序。从所述机器学习程序输出对威胁对象的识别。基于对所述威胁对象的所述识别来致动所述主车辆的子系统。辆的子系统。辆的子系统。

【技术实现步骤摘要】
增强的目标检测


[0001]本公开涉及车辆中的传感器的增强的目标检测。

技术介绍

[0002]车辆可以配备有计算装置、网络、传感器和控制器以获取关于车辆的环境的数据并且基于所述数据来操作车辆。车辆传感器可以提供关于道路上的对象(诸如其他车辆)的数据。在车辆正在道路上进行操作时，车辆的操作可以基于获取关于对象的准确且及时的数据。

技术实现思路

[0003]本文公开了一种方法，所述方法包括：将图像数据输入到用基于主车辆与目标对象之间的距离的虚拟边界模型和基于真实世界物理模型的损失函数训练的机器学习程序，从所述机器学习程序输出对威胁对象的识别，以及基于对所述威胁对象的所述识别来致动所述主车辆的子系统。所述损失函数可包括对所述主车辆与多个目标中的每一者之间的相应距离进行求和的距离相关项。当所述主车辆与所述多个目标中的每一者之间的所述相应距离增加时，所述距离相关项可增大。可将所述图像数据输入到图像处理程序以确定所述主车辆与所述多个目标中的每一者之间的所述相应距离。可基于收集的传感器数据来确定所述主车辆与所述多个目标中的每一者之间的所述相应距离。可从所述机器学习程序输出威胁数，所述威胁数指示所述主车辆到达所述威胁对象的可能性，并且基于所输出的威胁数来致动所述子系统。
[0004]所述虚拟边界模型可进一步基于所述主车辆到所述目标对象的接近速度。可将所述图像数据输入到所述虚拟边界模型，确定所述机器学习程序的所述输出与所述虚拟边界模型的输出之间的差异，并且当所述差异低于差异阈值时，致动所述子系统。可将所述图像数据输入到所述虚拟边界模型，以确定所述机器学习程序的所述输出与所述虚拟边界模型的输出之间的差异，并且当所述差异低于差异阈值时，致动所述子系统。机器学习程序可以是递归神经网络。对所述机器学习程序的所述训练可包括当所述目标对象违反所述虚拟边界模型的约束时，识别所述目标对象以进行威胁评估。所述机器学习程序可进一步用包括所述主车辆和指示一个或多个目标对象是否为威胁对象的注释的图像的训练数据集来进行训练。所述机器学习程序可包括布置成层的多个节点。训练所述机器学习程序可包括在所述机器学习程序中反向传播损失函数以确定权重和偏差。
[0005]还公开了一种计算机可读介质，所述计算机可读介质存储用于执行上述方法步骤中的部分或全部的程序指令。还公开了一种被编程用于执行上述方法步骤中的部分或全部的计算机，所述计算机包括计算机设备，所述计算机设备被编程为：将图像数据输入到用基于主车辆与目标对象之间的距离的虚拟边界模型和基于真实世界物理模型的损失函数训练的机器学习程序，从所述机器学习程序输出对威胁对象的识别，以及基于对所述威胁对象的所述识别来致动所述主车辆的子系统。所述损失函数可包括对所述主车辆与多个目标
中的每一者之间的相应距离进行求和的距离相关项。当所述主车辆与所述多个目标中的每一者之间的所述相应距离增加时，所述距离相关项可增大。可将所述图像数据输入到图像处理程序以确定所述主车辆与所述多个目标中的每一者之间的所述相应距离。可基于收集的传感器数据来确定所述主车辆与所述多个目标中的每一者之间的所述相应距离。可从所述机器学习程序输出威胁数，所述威胁数指示所述主车辆到达所述威胁对象的可能性，并且基于所输出的威胁数来致动所述子系统。
[0006]所述指令可包括用于使所述虚拟边界模型进一步基于所述主车辆到所述目标对象的接近速度的另外的指令。可将所述图像数据输入到所述虚拟边界模型，确定所述机器学习程序的所述输出与所述虚拟边界模型的输出之间的差异，并且当所述差异低于差异阈值时，致动所述子系统。可将所述图像数据输入到所述虚拟边界模型，以确定所述机器学习程序的所述输出与所述虚拟边界模型的输出之间的差异，并且当所述差异低于差异阈值时，致动所述子系统。机器学习程序可以是递归神经网络。对所述机器学习程序的所述训练可包括当所述目标对象违反所述虚拟边界模型的约束时，识别所述目标对象以进行威胁评估。所述机器学习程序可进一步用包括所述主车辆和指示一个或多个目标对象是否为威胁对象的注释的图像的训练数据集来进行训练。所述机器学习程序可包括布置成层的多个节点。训练所述机器学习程序可包括在所述机器学习程序中反向传播损失函数以确定权重和偏差。
附图说明
[0007]图1是用于检测目标的示例性系统的框图。
[0008]图2是由包括目标的主车辆收集的示例性图像。
[0009]图3是示例性机器学习程序的框图。
[0010]图4是用于检测目标的示例性过程的框图。
[0011]图5是用于训练机器学习程序的示例性过程的框图。
具体实施方式
[0012]主车辆的计算机可以执行对目标对象的威胁评估以确定主车辆是否将到达目标对象。此类威胁评估可以结合机器学习算法以预测目标对象是否对主车辆构成威胁。常规的机器学习算法可以输出对可能在物理上无法到达主车辆的目标对象的威胁的检测。例如，目标车辆可能在距主车辆足够远的距离处移动，使得人类操作员不会将目标车辆视为威胁，但是机器学习算法可以输出该目标是威胁。使威胁的这些误报识别最小化可以改善计算机的操作，从而减少总体计算和存储器使用并减少子系统用以避开目标对象的不必要致动。
[0013]将真实世界物理模型结合到威胁评估通过针对不切实际的输入增加机器学习算法的损失函数来减少对威胁的误报识别。也就是说，当机器学习程序将目标识别为威胁时，真实世界物理模型将损失函数增加到超过阈值，并且机器学习程序将目标输出为非威胁。真实世界物理模型可以作为附加项并入损失函数，从而考虑真实世界物理量，诸如距离、速度、加速度等。因此，与常规的机器学习算法相比，用于威胁评估的机器学习算法可以用真实世界物理模型更准确地检测现实驾驶场景中的威胁，同时减少误报检测。
[0014]图1是用于操作车辆105的示例性系统100的框图。车辆105可以是任何合适类型的地面车辆105，例如乘用汽车或商用汽车，诸如轿车、双门轿车、卡车、运动型多功能车、跨界车、厢式货车、小型货车、出租车、公共汽车等。
[0015]车辆105包括计算机110。计算机110包括处理器和存储器。存储器包括一种或多种形式的计算机110可读介质，并且存储指令，所述指令可由车辆计算机110执行以执行包括如本文所公开的各种操作。例如，计算机110可以是具有如以上所描述的处理器和存储器的通用计算机110，和/或可以包括用于特定功能或功能集的电子控制单元ECU或控制器，和/或专用电子电路，所述专用电子电路包括针对特定操作而制造的ASIC，例如用于处理传感器数据和/或传送传感器数据的ASIC。在另一个示例中，计算机110可以包括FPGA(现场可编程门阵列)，所述FPGA是被制造为可由用户配置的集成电路。通常，在电子设计自动化中使用诸如VHDL(超高速集成电路硬件描述语言)的硬件描述语言来描述诸如FPGA和ASIC的数字和混合信号系统。例如，ASIC是基于制造前提供的VHDL编程而制造的，而FPGA内部的逻辑部件可以基于例如存储在电连接到FPGA电路的存储器中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，其包括：将图像数据输入到用基于主车辆与目标对象之间的距离的虚拟边界模型和基于真实世界物理模型的损失函数训练的机器学习程序；从所述机器学习程序输出对威胁对象的识别；以及基于对所述威胁对象的所述识别来致动所述主车辆的子系统。2.如权利要求1所述的方法，其中所述损失函数包括对所述主车辆与多个目标中的每一者之间的相应距离进行求和的距离相关项。3.如权利要求2所述的方法，其中当所述主车辆与所述多个目标中的每一者之间的所述相应距离增加时，所述距离相关项增大。4.如权利要求2所述的方法，其还包括将所述图像数据输入到图像处理程序以确定所述主车辆与所述多个目标中的每一者之间的所述相应距离。5.如权利要求2所述的方法，其还包括基于收集的传感器数据来确定所述主车辆与所述多个目标中的每一者之间的所述相应距离。6.如权利要求1所述的方法，其还包括从所述机器学习程序输出威胁数，所述威胁数指示所述主车辆到达所述威胁对象的可能性，以及基于所输出的威胁数来致动所述子系统。7.如权利要求1所述的方法，其中所述虚拟边界模型进一步基于所述主车辆到所述目标对象的接近速度。8.如权利要求1所述的方...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：福特全球技术公司，
类型：发明
国别省市：