[发明专利]用于通过驾驶员辅助系统更好的识别对象的方法

权利要求书

1.一种用于运行机动车的驾驶员辅助系统的方法，具有以下步骤以便通过驾驶员辅助系统来改进对由测得的其他传感器数据所表示的对象的识别(8)：

-检测(1)传感器数据的第一数据项，所述传感器数据由驾驶员辅助系统的传感器装置测得且具有缺失的类别属性信息，其中所述类别属性信息涉及由传感器数据表示的对象；

-在考虑第一数据项的情况下预训练(3)驾驶员辅助系统的分类算法，用于改进所述分类算法的对象分辨，其中预训练(3)包括无监督的学习过程；

-生成(5)模拟的传感器数据的第二数据项，所述模拟的传感器数据根据预先规定的规程具有至少一个相应的类别属性信息；

-在考虑第二数据项的情况下熟练(6)驾驶员辅助系统的分类算法，用于改进分类算法的为由该分类算法分辨的对象所进行的特性分配，其中熟练(6)包括有监督的学习过程。

2.根据权利要求1所述的方法，其特征在于，

所述传感器数据包括图像数据和/或距离数据和/或声学数据和/或车辆内部的传感器数据。

3.根据权利要求1或2所述的方法，其特征在于，

所述预训练(3)重复地进行，和/或所述熟练(6)重复地进行。

4.根据权利要求3所述的方法，其特征在于，所述检测(1)重复地进行。

5.根据权利要求3所述的方法，其特征在于，所述生成(5)重复地进行。

6.根据权利要求1或2所述的方法，其特征在于，

所述分类算法用于通过驾驶员辅助装置识别(8)在道路交通中的行驶状况和/或对象。

7.根据权利要求1或2所述的方法，其特征在于，

所述预训练(3)在熟练(6)之前进行。

8.根据权利要求1或2所述的方法，其特征在于，

所述无监督的学习过程利用深度学习和/或表示学习的算法。

9.根据权利要求1或2所述的方法，其特征在于，

所述有监督的学习过程利用梯度法。

10.根据权利要求1或2所述的方法，其特征在于，

在预训练(3)之前利用模拟的传感器数据扩充所述第一数据项。

11.根据权利要求1或2所述的方法，其特征在于，

所述分类算法基于神经网络。

12.根据权利要求11所述的方法，其特征在于，

所述预训练(3)仅涉及神经网络的第一部分，所述熟练(6)涉及神经网络的较大的第二部分或整个神经网络。