训练用于预测交通场景未来发展的系统的方法和相应系统技术方案

提出一种训练用于预测交通场景未来发展的计算机实现的系统（500）的方法，系统（500）至少包括：a.聚合输入场景的场景特定信息的感知层面，b.主干网络（120），用于基于场景特定信息生成潜在特征的特征集，c.分类器网络（140），其基于特征集而评价针对输入场景未来发展的预给定数量的不同模式，和d.针对每个模式的预测模块（560、580、571、721），用于生成针对输入场景未来发展的预测。通过修改主干网络（120）和/或分类器网络（140）的权重使得不同模式的分类器网络（140）的学习阶段评价（131）与真实评价间的偏差减少（506），将主干网络（120）与分类器网络（140）一起训练。网络（140）一起训练。网络（140）一起训练。

【技术实现步骤摘要】
训练用于预测交通场景未来发展的系统的方法和相应系统


[0001]本专利技术涉及一种用于训练用于预测交通场景的未来发展的计算机实现的系统的方法，以及相应的系统和相应的程序产品。

技术介绍

[0002]对交通场景未来发展的预测在固定应用的范畴内可得以使用，例如在固定安装的交通控制系统中，该交通控制系统监视所定义的空间区域中的交通状况。基于所述预测，这样的交通控制系统于是已经可以提早地提供相应的信息和可能的驾驶建议，以控制被监控区域中及其周围环境中的交通流量。对于本文讨论的用于预测交通场景的未来发展的计算机实现的系统和方法的另一个重要应用领域是移动应用，例如具有辅助功能的车辆。因此，自动化的车辆不仅需要检测它们当前所处的交通状况如何，还需要预测这种交通状况将如何发展，以便能够规划安全且可追溯的（nachvollziehbar）机动动作。
[0003]经典预测方法通常执行的是基于运动学/动力学进行预测。这些方案所提供的预测通常仅在很短的时间内、例如小于 2 秒的时间内有意义。出于这个原因，近年来，机器学习、尤其是深度学习 (DL) 的使用已建立本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于训练用于预测交通场景的未来发展的计算机实现的系统（500）的方法，其中，所述系统至少包括：a. 用于聚合输入场景的场景特定的信息的感知层面，b. 主干网络（120），用于基于所述场景特定的信息生成由潜在特征构成的特征集，c. 分类器网络（140），所述分类器网络基于所述特征集而评价针对所述输入场景的未来发展的预给定数量的不同模式，以及d. 针对每个模式的预测模块（560、580、571、721），所述预测模块用于生成针对所述输入场景的未来发展的预测，其中在所述方法的范畴内：
●
所述主干网络（120）基于场景特定的训练数据（501）生成学习阶段特征集（131），
●
所述分类器网络（140）基于所述学习阶段特征集（131）生成所述不同模式的学习阶段评价（141），
●
每个预测模块（560、580、571、572）生成针对由所述训练数据（501）确定的输入场景的未来发展的预测（503），以及
●
对于每个预测模块（560、580、571、721），确定相应预测与所述输入场景的实际发展的偏差，并由所述偏差而导出所分配的模式的真实评价（504），其特征在于，通过修改所述主干网络（120）的权重和/或所述分类器网络（140）的权重，使得不同模式的所述学习阶段评价（141）与所述真实评价之间的偏差被减少 （506），将所述主干网络（120）与所述分类器网络（140）一起训练。2.根据权利要求1所述的方法，其特征在于，每个预测模块（560、580、571、572）作为针对所述输入场景中每个道路使用者的输入场景未来发...

【专利技术属性】
技术研发人员：F，
申请(专利权)人：罗伯特，
类型：发明
国别省市：