[发明专利]利用用于自主驾驶的神经形态计算网络进行实时车辆识别的方法

权利要求书

1.一种用于自主驾驶环境中的在线车辆识别的系统，所述系统包括：

非暂时性存储器以及一个或更多个处理器，所述非暂时性存储器编码有指令，使得当执行所述指令时，所述一个或更多个处理器执行以下操作：

使用包括无监督学习部件和有监督学习部件的学习网络，通过以下步骤对从在所述自主驾驶环境中拍摄的视频提取的移动车辆的图像进行学习和分类：

从输入的移动车辆图像提取车辆特征数据；

使用所述无监督学习部件将所提取的车辆特征数据自动聚类成不同车辆类别；以及

使用所述有监督学习部件来生成所述不同车辆类别的车辆类别标记；以及

基于所述自主驾驶环境中的一个或更多个移动车辆的车辆类别标记，选择将由自主车辆执行的动作；以及

使所述自主车辆在所述自主驾驶环境中执行所选择的动作。

2.根据权利要求1所述的系统，其中，所述无监督学习部件是包括多个神经元的脉冲储备池网络，并且所述有监督学习部件是包括多个神经元的线性神经网络分类器。

3.根据权利要求2所述的系统，其中，所述脉冲储备池网络中的各个神经元完全连接至所述线性神经网络分类器中的所述多个神经元，并且其中，所述脉冲储备池网络与所述线性神经网络分类器之间的突触权重集是按照有监督学习法训练的。

4.根据权利要求2所述的系统，其中，所述线性神经网络分类器使用来自所述脉冲储备池网络的平均脉冲率来生成所述车辆类别标记。

5.根据权利要求1所述的系统，其中，在从未知移动车辆图像提取特征时，所述一个或更多个处理器执行以下操作：

生成未知车辆识别信号；

存储所述未知移动车辆的任何图像；

当所存储的未知车辆的图像的数量达到阈值时，为所述未知移动车辆请求新车辆类别标记；以及

学习所述新车辆类别。

6.根据权利要求2所述的系统，其中，在有监督学习之后存储突触权重，并且其中，为了学习新车辆类别，所存储的表示旧车辆类别的突触权重被用作无监督学习的初始权重。

7.根据权利要求6所述的系统，其中，将从新车辆类别学习的突触权重与所存储的突触权重组合，并且其中，组合的突触权重被用于对旧车辆类别和新车辆类别两者进行分类。

8.一种用于自主驾驶环境中的在线车辆识别的计算机实现的方法，所述方法包括以下动作：

使一个或更多个处理器执行被编码在非暂时性计算机可读介质上的指令，使得当执行所述指令时，所述一个或更多个处理器执行以下操作：

使用包括无监督学习部件和有监督学习部件的学习网络，通过以下步骤对从在所述自主驾驶环境中拍摄的视频提取的移动车辆的图像进行学习和分类：

从输入的移动车辆图像提取车辆特征数据；

使用所述无监督学习部件将所提取的车辆特征数据自动聚类成不同车辆类别；以及

使用所述有监督学习部件来生成所述不同车辆类别的车辆类别标记；以及

基于所述自主驾驶环境中的一个或更多个移动车辆的车辆类别标记，选择将由自主车辆执行的动作；以及

使所述自主车辆在所述自主驾驶环境中执行所选择的动作。

9.根据权利要求8所述的方法，其中，所述无监督学习部件是包括多个神经元的脉冲储备池网络，并且所述有监督学习部件是包括多个神经元的线性神经网络分类器。

10.根据权利要求9所述的方法，其中，所述脉冲储备池网络中的各个神经元完全连接至所述线性神经网络分类器中的所述多个神经元，并且其中，所述脉冲储备池网络与所述线性神经网络分类器之间的突触权重集是按照有监督学习法训练的。

11.根据权利要求9所述的方法，其中，所述线性神经网络分类器使用来自所述脉冲储备池网络的平均脉冲率来生成所述车辆类别标记。