用于对象识别的系统和方法技术方案

用于对象识别的系统和方法，所述系统具有：间距传感器(2)，其用于生成周围环境的三维点云，其中所述三维点云的每个数据点具有在所述间距传感器(2)的周围环境中的对象的表面上的位置的空间坐标；深度神经网络(3)，其用于基于由所述间距传感器(2)生成的三维点云计算对象的输出特征，其中针对每个输出特征在其计算过程中确定相关联的不确定性信息；以及输出单元(4)，其用于在分配给所述对象的边界框中输出基于所计算的输出特征所识别的对象，所述边界框再现针对所计算的输出特征的所确定的不确定性信息。

【技术实现步骤摘要】

本专利技术涉及用于对象识别的系统和方法，其中利用通过使用点云进行的基于深度学习的不确定性估计。

技术介绍

1、为了使自动行驶变得实用和安全，车辆必须能够独立识别对象，特别是交通标志、车道标记、人、自行车和其他汽车。自主行驶的车辆能够了解环境，从而有效避免事故发生。

2、高级驾驶员辅助系统(adas)和自动行驶(ad)需要准确表示车辆的周围环境，其中雷达传感器是最常用的感知传感器。通过使用雷达，周围环境可以被表示为点云。

3、us20200050191中描述了基于基准真值数据和传感器数据的感知不确定性的通用建模。其中描述了用于定位不确定性建模的抽象架构。

4、在此，可靠的感知(wahrnehmung)或知觉并非微不足道，尤其是当系统在各种情况下被使用时。在此应该考虑到：传感器可能会受到影响，例如受到不同天气条件的影响。也有可能出现以前没有观察到的情况和对象。然而，使用传统算法无法检测这种复杂性。因此，这里主要使用机器学习ml，尤其是深度神经网络(deep neuralnetworks,dnn)。而这些深度神经网络在其方面必本文档来自技高网...

【技术保护点】

1.用于对象识别的系统(1)，所述系统具有：

2.根据权利要求1所述的用于对象识别的系统，其中，所述输出特征(AM)包括所述对象的3D位置、所述对象的尺寸、所述对象的速度、所述对象的定向、所述对象的分类以及关于所述对象的识别率。

3.根据权利要求1或2所述的用于对象识别的系统，其中每个所计算的输出特征(AM)具有相关联的平均值和相关联的标准偏差，其再现了针对所述输出特征(AM)的所确定的不确定性信息(UINF)。

4.根据前述权利要求1至3中任一项所述的用于对象识别的系统，其中，所述间距传感器(2)具有生成三维雷达点云的雷达传感器。

5.根...

【技术特征摘要】

1.用于对象识别的系统(1)，所述系统具有：

2.根据权利要求1所述的用于对象识别的系统，其中，所述输出特征(am)包括所述对象的3d位置、所述对象的尺寸、所述对象的速度、所述对象的定向、所述对象的分类以及关于所述对象的识别率。

3.根据权利要求1或2所述的用于对象识别的系统，其中每个所计算的输出特征(am)具有相关联的平均值和相关联的标准偏差，其再现了针对所述输出特征(am)的所确定的不确定性信息(uinf)。

4.根据前述权利要求1至3中任一项所述的用于对象识别的系统，其中，所述间距传感器(2)具有生成三维雷达点云的雷达传感器。

5.根据前述权利要求1至4中任一项所述的用于对象识别的系统，其中，所述间距传感器(2)具有生成三维lidar点云的lidar传感器。

6.根据前述权利要求1至5中任一项所述的用于对象识别的系统，其中，在所述深度神经网络(3)的训练阶段(tp)期间以及在使用经训练的深度神经网络(3)执行的对象识别期间进行对所述不确定性信息的确定。

7.用于识别周围环境中的对象的方法，所述方法包括如下步骤：

8.根据权利要求7所述的用于识别周围环境中的对象的方法，其中在所述深度神经网络(3)的训练阶段(tp)期间以及在使用经训练的深度神经网络(3)执行的对象识别期间确定所述不确定性信息。

9.根据权利要求8所述的用于识别周围环境中的对象的方法，其中在用于训练所述深度神经网络(3)的训练阶段(tp)中计算训练数据集的基准真值标记(gtl)的不确定性。

10.根据权利要求所述的用于识别周围环境中的...

【专利技术属性】
技术研发人员：林嘉颖，C·弗里茨，刘恺，M·乌利希，R·乔丹，J·R·勒斯特，M·里斯，H·温施，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：