[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

说明书

描述了一种用于自主驾驶环境中的在线车辆识别的系统。使用包括无监督学习部件和有监督学习部件的学习网络，对从在自主驾驶环境中拍摄的视频提取的移动车辆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。使用无监督学习部件将所提取的车辆特征数据聚类成不同车辆类别。使用有监督学习部件来生成不同车辆类别的车辆类别标记。基于自主驾驶环境中的移动车辆的车辆类别标记，所述系统选择将由自主车辆执行的动作，并使该自主车辆在自主驾驶环境中执行所选择的动作。

相关申请的交叉引用

本申请是2018年7月23日在美国提交的题为“A Method of Online Learningwith Neuromorphic Computing Network”的美国临时申请No.62/702,042的非临时申请，其全部内容通过引用并入于此。

发明背景

(1)技术领域

本发明涉及一种车辆识别的系统，并且更具体地，涉及一种用于自主驾驶的车辆识别的系统。

(2)背景技术

在线学习能力对于许多机器学习系统和自主系统非常重要。例如，实时车辆识别是自主驾驶系统的重要能力。自主车辆需要识别在其周围移动的车辆，以便准确跟踪所述车辆的移动，诸如，改变车道、驶离高速公路、进入高速公路以及转弯。当新类型的车辆上路时，自主车辆需要在线并实时地学习和识别新车辆。这要求自主驾驶系统具有在线学习能力，以进行实时车辆识别。

深度学习是最流行的学习技术，但其不具有无监督的学习能力。结果，在有监督的学习中需要更多的训练样本来学习。此外，需要深度学习来完全重新训练学习系统，以学习新的对象和对象类别。因此，在自主驾驶中，深度学习技术可能不适用于在线车辆识别。

因此，持续需要用于自主驾驶系统的在线车辆识别的系统和方法。

发明内容

本发明涉及一种车辆识别的系统，并且更具体地，涉及一种用于自主驾驶的车辆识别的系统。所述系统包括非暂时性计算机可读介质以及一个或更多个处理器，所述非暂时性计算机可读介质编码有可执行指令，使得当执行所述可执行指令时，所述一个或更多个处理器执行多个操作。使用包括无监督学习部件和有监督学习部件的学习网络，所述系统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。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。所述系统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。

在另一方面，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(spikingreservoir network)，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。

在另一方面，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。

在另一方面，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。

在另一方面，在从未知移动车辆图像提取特征后，所述系统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。

在另一方面，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用于无监督学习的初始权重。

在另一方面，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。