【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及用于在传感器中产生基于数据的模型副本的计算机实施的方法、计算机程序和设备。
技术介绍
1、模型在传感器中尤其用于处理传感器数据。训练基于数据的模型非常耗费，并且需要大量的训练数据和训练迭代。针对特定传感器训练过的模型不一定可以在另一传感器中使用。
技术实现思路
1、因此，期望从一传感器自动产生模型的基于数据的模型副本，以在已经存在训练过的模型的另一传感器中使用。
2、根据独立权利要求的计算机实施的方法、计算机程序和设备能够实现这种方案。
3、用于产生基于数据的模型副本的计算机实施的方法包括以下步骤：将来自第一传感器的预设原始数据变换为代表第二传感器的原始数据的数据；借助预设原始数据和构成用于基于来自所述第一传感器的原始数据来预测结果的第一模型来确定第一结果；借助代表第二传感器的原始数据的数据和借助预设第二模型确定第二结果，第二模型被构成用于基于来自第二传感器的原始数据来预测结果；确定第一结果是否偏离于第二结果，其中如果第一结果偏离于第二结果，则该方法包括以下步骤：确定训练数据点，所述训练数据点包括预设原始数据和第二结果；借助包括训练数据点的训练数据训练第一模型。根据新的第一模型和旧的第二模型之间的结果差异，在该方法中可行的是：识别运行本身中的相关数据并且将所述相关数据用在基于数据的模型副本中。
4、原始数据优选代表尤其雷达传感器、激光雷达传感器、超声波传感器、红外传感器或声学传感器的至少一个时域信号、至少一个频谱，或者它们的至少一个
5、第一结果和/或第二结果优选地表征对象类型或对象尺寸的估计，或说明是否识别到盲传感器、集群或对象。
6、可以规定：第一模型的训练在多次迭代中进行，其中定义第一模型的参数的值在迭代中的第一迭代之前借助随机值初始化。由此以少量资源耗费提供训练的起点。
7、可以规定：训练在多次迭代中进行，其中在迭代中的第一迭代之前通过借助用第一传感器测量到的原始数据进行训练来确定或已经确定定义第一模型的参数的值。由此提供预先训练的第一模型，所述第一模型通过训练进一步完善。
8、可以规定：训练规定：在多次迭代中确定大量训练数据点，而不执行训练步骤，其中随后尤其在第一传感器中或者在第一传感器之外的计算装置中执行训练步骤，在训练步骤中，借助出自大量训练数据点中的训练数据点的一部分或借助出自大量训练数据点中的训练数据点来确定定义第一模型的参数。训练数据点例如收集在存储器中。由此，训练尤其良好地在可用的存储器方面扩展。
9、为了初始化，该方法可以包括根据第二模型的预设结构来确定第一模型的结构。
10、可以规定：确定第一模型的结构包括借助机器学习系统的架构搜索，其中根据第二模型的预设结构来确定第一模型的结构。这能够实现：使第一模型自动地适配于相应的第一传感器和/或第二传感器。
11、可以规定：确定第一模型的结构包括将第二模型的预设结构的至少一部分复制到第一模型的结构中和/或将第二模型的预设参数的至少一部分的值复制到第一模型的参数的值上。由此，如果第一和第二传感器仅具有微小的差异，则用于第一传感器的第一模型特别好地适配于用于第二传感器的第二模型。
12、优选地，在确定定义第一模型的参数的至少一个训练步骤之后，将第一模型传输到第一传感器的计算机构中，所述计算机构被构成用于：借助第一模型为借助第一传感器测量的原始数据预测结果。由此，在训练之后在第一传感器中提供第一模型。
13、该方法可以规定：尤其在可预设的或预设的时间点优选以规则的时间间隔将第一模型从计算机构传输给第一传感器之外的计算装置；根据第一模型和至少一个另外的模型确定第三模型；并且通过第三模型替换第一传感器中的第一模型。例如，第一传感器的本地的第一模型与不同传感器的本地模型融合并且分布在全局层面上。该方案的优点是通信需求显著降低，因为相应的本地模型显著小于训练数据的总和。
14、可以规定：如果第一结果偏离于第二结果，则该方法包括以下步骤：将训练数据点传输给第一传感器之外的计算装置；尤其借助另外的模型确定训练数据点的第三结果，所述另外的模型构成用于：为训练数据点预测第三结果；通过用第三结果替换训练数据点中的第二结果来确定改变的训练数据点；将改变的训练数据点传输给第一传感器，用改变的训练数据点训练第一模型。由此，附加地借助在第一传感器之外确定的改变的训练数据点来训练第一模型。
15、该方法可以规定：检查训练数据点的第二结果是正确还是错误的，其中如果第二结果是错误的，则确定改变的训练数据点并且将其用于训练第一模型，并且其中否则不确定改变的训练数据点和/或不将其用于训练第一模型。由此，识别和消除第二模型的错误估计。因此，不借助错误估计的结果而是借助正确的结果来训练第一模型。
本文档来自技高网...【技术保护点】
1.一种用于在第一传感器(106)中产生基于数据的模型副本的计算机实施的方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述原始数据(204)特别代表尤其雷达传感器、激光雷达传感器、超声波传感器、红外传感器或声学传感器的至少一个时域信号、至少一个频谱，或者它们的至少一个位置或滤波的数据或它们的变换。
3.根据权利要求1或2所述的方法，其特征在于，所述第一结果(210)和/或所述第二结果(214)表征对象类型或对象尺寸的估计，或者所述第一结果(210))和/或所述第二结果(214)说明是否识别到盲传感器、集群或对象。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述第一模型(108)的训练(220)在多次迭代中进行，其中定义所述第一模型(108)的参数(222)的值在所述迭代中的第一迭代之前借助随机值初始化。
5.根据权利要求1至3中任一项所述的方法，其特征在于，所述训练(220)在多次迭代中进行，其中在所述迭代中的第一迭代之前通过借助用所述第一传感器(106)测量到的原始数据进行训练来确
6.根据权利要求4或5所述的方法，其特征在于，所述训练(220)规定：在多次迭代中确定大量训练数据点，而不执行训练步骤，其中随后尤其在所述第一传感器(106)中或者在所述第一传感器(106)之外的计算装置(114)中执行训练步骤，在所述训练步骤中，借助出自所述大量训练数据点中的所述训练数据点的一部分或借助出自所述大量训练数据点中的所述训练数据点来确定定义所述第一模型(108)的参数(222)。
7.根据前述权利要求中任一项所述的方法，其特征在于，所述方法包括根据所述第二模型(110)的预设结构来确定(224)所述第一模型(108)的结构。
8.根据权利要求7所述的方法，其特征在于，确定(224)所述第一模型(108)的结构包括利用机器学习系统的架构搜索，其中所述第一模型(108)的结构根据所述第二模型(110)的预设结构来确定。
9.根据权利要求7所述的方法，其特征在于，确定(224)所述第一模型(108)的结构包括将所述第二模型(110)的预设结构的至少一部分复制到所述第一模型(108)的结构中，和/或将所述第二模型(110)的预设参数的至少一部分的值复制到所述第一模型(108)的参数(222)的值。
10.根据前述权利要求中任一项所述的方法，其特征在于，所述方法规定：在其中确定定义所述第一模型(108)的参数(222)的至少一个训练步骤之后，将所述第一模型(108)传输到所述第一传感器(106)的计算机构(102，104)中，所述计算机构被构成用于：借助所述第一模型(108)为借助所述第一传感器(106)测量的原始数据预测结果。
11.根据前述权利要求中任一项所述的方法，其特征在于，所述方法规定：尤其在可预设的或预设的时间点优选以规则的时间间隔将所述第一模型(108)从所述计算机构(102，104)传输(302)给所述第一传感器(106)之外的计算装置(114)；根据所述第一模型(108)和至少一个另外的模型确定(304)第三模型；并且通过所述第三模型替换(306)所述第一传感器(106)中的所述第一模型(108)。
12.根据前述权利要求中任一项所述的方法，其特征在于，如果所述第一结果(210)偏离于(402)所述第二结果(214)，则所述方法包括以下步骤：
13.根据权利要求12所述的方法，其特征在于，所述方法规定：检查(404)所述训练数据点(218)的所述第二结果(214)是正确还是错误的，其中如果所述第二结果(214)是错误的，则确定(412)所述改变的训练数据点并且将其用于(414)训练(220)所述第一模型(220)，并且其中否则不确定所述改变的训练数据点和/或不将其用于训练(220)所述第一模型。
14.一种用于在第一传感器中产生基于数据的模型副本的设备(100)，其特征在于，所述设备(100)构成用于：执行根据权利要求1至13中任一项所述的方法。
15.一种计算机程序，其特征在于，所述计算机程序包括计算机可读的指令，在通过计算机执行所述指令时运行根据权利要求1至13中任一项所述的方法。
...【技术特征摘要】
【国外来华专利技术】
1.一种用于在第一传感器(106)中产生基于数据的模型副本的计算机实施的方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述原始数据(204)特别代表尤其雷达传感器、激光雷达传感器、超声波传感器、红外传感器或声学传感器的至少一个时域信号、至少一个频谱，或者它们的至少一个位置或滤波的数据或它们的变换。
3.根据权利要求1或2所述的方法，其特征在于，所述第一结果(210)和/或所述第二结果(214)表征对象类型或对象尺寸的估计，或者所述第一结果(210))和/或所述第二结果(214)说明是否识别到盲传感器、集群或对象。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述第一模型(108)的训练(220)在多次迭代中进行，其中定义所述第一模型(108)的参数(222)的值在所述迭代中的第一迭代之前借助随机值初始化。
5.根据权利要求1至3中任一项所述的方法，其特征在于，所述训练(220)在多次迭代中进行，其中在所述迭代中的第一迭代之前通过借助用所述第一传感器(106)测量到的原始数据进行训练来确定或已经确定定义所述第一模型(108)的参数(222)的值。
6.根据权利要求4或5所述的方法，其特征在于，所述训练(220)规定：在多次迭代中确定大量训练数据点，而不执行训练步骤，其中随后尤其在所述第一传感器(106)中或者在所述第一传感器(106)之外的计算装置(114)中执行训练步骤，在所述训练步骤中，借助出自所述大量训练数据点中的所述训练数据点的一部分或借助出自所述大量训练数据点中的所述训练数据点来确定定义所述第一模型(108)的参数(222)。
7.根据前述权利要求中任一项所述的方法，其特征在于，所述方法包括根据所述第二模型(110)的预设结构来确定(224)所述第一模型(108)的结构。
8.根据权利要求7所述的方法，其特征在于，确定(224)所述第一模型(108)的结构包括利用机器学习系统的架构搜索，其中所述第一模型(108)的结构根据所述第二模型(110)的预设结构来确定。
9.根据权利要求7所...
【专利技术属性】
技术研发人员：G·哈科比扬，C·魏斯，S·莱迪希，A·伦格，
申请(专利权)人：罗伯特·博世有限公司，
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。