用于训练对象检测器的方法和控制设备技术

本发明专利技术涉及一种用于训练对象检测器的方法，其中该对象检测器被设计成，检测传感器的传感器数据中的对象，并且该方法(1、20)具有以下步骤：提供传感器的第一传感器数据(3、22)；提供被分配给第一传感器数据的对象表示(4、23)；将对象表示传输到传感器模型，该传感器模型被设计成，将对象表示映射到传感器的传感器数据(5、24)；通过传感器模型将对象表示分配到第二传感器数据(6、25)；和基于第二传感器数据训练对象检测器(7、26)。26)。26)。

【技术实现步骤摘要】
用于训练对象检测器的方法和控制设备


[0001]本专利技术涉及用于训练对象检测器(Objektdetektor)的方法和控制设备，利用其可以产生经优化的对象检测器。

技术介绍

[0002]对机动车周围环境(Umfeld)以及尤其是对对象、例如机动车周围环境中的其他道路使用者的全面识别(umfassende Erkennung)构成了针对机动车的许多驾驶员辅助系统和自动驾驶功能的基础。在此机动车通常具有传感器系统，这些传感器系统的任务是识别其相应检测区域中的对象。各个传感器系统在此都分别包括环境传感器和处理单元，该处理单元被设计成分析由环境传感器提供的数据，例如检测数据中的对象。例如，环境传感器可以是照相机、雷达、LIDARe或超声波传感器。
[0003]这样的传感器系统或传感器系统的处理单元在此越来越多地基于机器学习算法，例如深度神经网络。用于对象检测的深度神经网络在此通常由两个模块组成。第一个模块，即所谓的特征主干(Feature Backbone)，用于基于传感器数据的特征提取，其中通过串连大量的神经网络层从传感器数据中提取特征。第二个模块，即所谓的检测头(Detection Head)然后基于所提取的特征对一个或多个对象类别执行对象检测。
[0004]在此，这样的对象检测器通常借助监督学习而被训练，即基于经注释的(annotiert)数据或经标记(gelabelt)的数据而被训练。然而，相应数据集的创建以及尤其是注释是非常时间和资源密集的或者成本密集的。特别是，这些数据集在此仅针对由相应传感器适当测量的那些对象具有注释。此外，已知通常没有注释的传感器，例如雷达传感器。由于在基于雷达的对象检测器的基础上很难能够对对象进行注释，因此通常使用基于激光雷达的注释来训练基于雷达的对象检测器。然而，由于不同传感器的测量原理、传感器规格或安置或装入位置的不同，注释在此通常不能一对一传输，这会导致相应训练的对象检测器的质量下降。
[0005]从出版物DE 102017006155A1中已知一种用于运行具有至少两个环境传感器的用于车辆的传感器系统的方法，用来自第一环境传感器的第一训练数据训练第一分类器，确定代表第一分类器的第一分类模型，根据第一分类模型对第一环境传感器的第一传感器数据进行分类，接收来自不同于第一环境传感器的第二环境传感器的第二传感器数据，借助第一分类器根据第一分类模型对第二传感器数据进行分类，将经分类的第二传感器数据作为第二训练数据传输到第二分类器，其中所述第二分类器被分配给第二环境传感器，并且基于第二训练数据确定代表第二分类器的第二分类模型。

技术实现思路

[0006]因此，本专利技术基于的任务在于，说明一种用于训练对象检测器的经改进的方法。
[0007]该任务通过根据专利权利要求1的特征的用于训练对象检测器的方法而得以解决。
[0008]该任务还通过根据专利权利要求6的特征的用于训练对象检测器的控制设备而得以解决。
[0009]根据本专利技术的一个实施方式，该任务通过一种用于训练对象检测器的方法而得以解决，其中对象检测器被设计成，检测传感器的传感器数据中的对象，并且其中提供传感器的第一传感器数据，提供被分配给第一传感器数据的对象表示，将该对象表示传输到传感器模型，传感器模型被设计成，将对象表示映射到传感器的传感器数据，其中通过传感器模型将所述对象表示分配到第二传感器数据，并且其中基于第二传感器数据训练对象检测器。
[0010]因此，传感器模型描述了一种函数(Funktion)，该函数将周围环境表示映射到传感器的针对所述周围环境表示应预期的测量数据。特别地，传感器模型在此对相应传感器的测量特性(Messcharakteristik)进行建模。
[0011]通过对象检测器进行的对象检测也可以包括：对象的分类以及经分类对象的对象参数的估计。然而，此外，通过对象检测器进行的对象检测也可以例如仅包括：对象的分类。在此，可以例如基于已知值或通过传感器实际测量的值及相应分配的检测结果或对象检测结果预先训练对象检测器。
[0012]对象表示还指的是：传感器数据中对象的映射或表示。对象表示在此可以例如由对象检测器基于第一传感器数据生成，也就是说，它可以是对象检测结果，或者也可以通过所提供的注释或例如由其他传感器所提供的用于补充的附加数据来预给定。
[0013]该方法使得基于特定传感器所注释的数据集能够用于其他传感器。例如，基于激光雷达传感器所生成的注释可用于训练雷达对象检测器。由此提高了现有数据集的可重用性(Wiederverwendbarkeit)并因此减少了对附加注释的需求，这导致节省了时间和成本。
[0014]然而，此外，该方法也不依赖于注释的存在并且也可以应用于未标记的数据。因此，可以使用明显更大的数据规模(Datenumfang)来训练对象检测器，这对对象检测质量或对象检测器的质量以及所生成的训练数据的质量具有进一步的积极影响。
[0015]总体而言，因此说明了一种用于训练对象检测器的经改进方法。
[0016]对象检测器的训练可以是监督学习，但也可以是非监督学习或仅部分监督的学习。
[0017]该方法还可以包括：将第二传感器数据与第一传感器数据进行比较以确定第一成本函数并基于第一成本函数训练对象检测器。
[0018]成本函数或损失在此理解为：所确定的输出值与相应的实际条件(Gegebenheit)或实际测量的数据之间的误差或损失。
[0019]因此可以通过利用传感器的测量特性或传感器模型的建模所产生的第一成本函数更有针对性地控制对象检测器的训练并且以简单的方式和方法以及用低资源消耗的方式对该对象检测器进行重新训练(Nachtrainieren)。例如，如果对象检测器在此基于深度神经网络，则第一成本函数可以通过网络层被反向传播(riickpropagieren)并可以用于适配(Adaption)相应的网络权重。
[0020]此外，该方法还可以包括：提供注释；将对象表示与所提供的注释进行比较以确定第二成本函数；以及基于第二成本函数训练对象检测器，其中由对象检测器基于第一传感器数据生成对象检测结果。
[0021]在此，可以通过基于第二成本函数对对象检测器进行相应的重新训练来改进或精细化(verfeinern)对象检测器。例如，如果对象检测器在此基于深度神经网络，则第二成本函数又可以通过网络层被反向传播并可以用于适配相应的网络权重。
[0022]此外，对象表示可以是注释。该方法在此还可以包括估计注释是否在传感器的可见范围内的步骤，其中如果注释不在传感器的可见范围内则丢弃第一传感器数据。
[0023]传感器的可见范围或视野在此被理解为如下范围，在所述范围内内能够由该传感器感知和记录事件或变化。
[0024]第一传感器数据被丢弃也意味着：由第一传感器数据与对象表示或注释组成的对并不是用于训练对象检测器的训练数据，或者说不被用于训练对象检测器。
[0025]因此，可以从针对该传感器的对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于训练对象检测器的方法，其中所述对象检测器被设计成，检测传感器的传感器数据中的对象，并且其中所述方法(1、20)包括以下步骤：
‑
提供所述传感器的第一传感器数据(3、22)；
‑
提供被分配给所述第一传感器数据的对象表示(4、23)；
‑
将所述对象表示传输到传感器模型，所述传感器模型被设计成，将对象表示映射到所述传感器的传感器数据(5、24)；
‑
通过所述传感器模型将所述对象表示分配到第二传感器数据(6，25)；和
‑
基于所述第二传感器数据训练所述对象检测器(7、26)。2.根据权利要求1所述的方法，其中基于所述第二传感器数据重新训练所述对象检测器的步骤(7)包括以下步骤：
‑
将所述第二传感器数据与所述第一传感器数据进行比较以确定第一成本函数(8)；和
‑
基于所述第一成本函数训练所述对象检测器(9)。3.根据权利要求1或2所述的方法，其中，所述对象表示是所提供的注释。4.根据权利要求1至3中任一项所述的方法，其中所述传感器模型是人工神经网络。5.一种用于控制机动车的驾驶员辅助系统的方法，其中所述方法包括以下步骤：
‑
提供针对机动车的传感器的对象检测器，其中，所述针对机动车的传感器的对象检测器已经通过根据权利要求1至4中任一项所述的用于训练对象检测器的方法得以训练；
‑
由所述对象检测器针对所述机动车的所述传感器生成对象检测结果；和
‑
基于所述对象检测结果...

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