[发明专利]动态空间场景分析

说明书

本发明涉及一种用于准备动态空间场景(10)的数据的方法和系统(100)、一种用于训练人工神经网络(1)的经计算机支持的方法和系统(200)以及一种用于分析传感器数据的经计算机支持的方法和系统(300)。产生了从自主对象(11a)的角度看被其它对象(12、12a、12b、12c)遮盖的角扇区的时间变化曲线的图示(20)。为此由传感器数据求出时间变化曲线，其中，传感器数据适用于表征涉及到自主对象(11a)和至少一个其它对象(12、12a、12b、12c)的动态空间场景(10)。

技术领域

本发明涉及一种用于准备动态空间场景的数据以通过人工神经网络处理的方法和系统、一种用于训练人工神经网络的经计算机支持的方法和系统以及一种用于分析传感器数据的经计算机支持的方法和系统。

背景技术

现代车辆越来越多地装备有驾驶员辅助系统(英文缩写ADAS，即高级驾驶员辅助系统)，其在特定的驾驶状况中支持驾驶员。所述支持从纯粹显示可能的重要的信息(例如通过变道助手发出警告)到半自动介入(例如通过防抱死系统调节施加到车轴上的力矩)直至全自动介入车辆的控制(例如通过车距调节速度控制器适应性调节速度，英文缩写为ACC，即自适应巡航控制)。

传感器数据，例如超声传感器、雷达传感器或相机的所提供的信号，通常形成了这种驾驶员辅助系统的基础，借助传感器数据可以确定当前的行驶状况并且对当前的行驶状况作出反应地实施相应的驾驶员辅助系统的功能。特别是在(自动)介入车辆的控制的驾驶员辅助系统中，必须能够借助传感器数据高度可靠地对当前的行驶状况进行分类。

通常会制定特定的、配属于行驶状况的规则或标准，在满足所述规则或标准时可以推断出存在已知的行驶状况。符合所述规则或标准在此例如用作驾驶员辅助系统行动的触发条件。可以例如由此识别在自主车辆前的、即在所述的装备有驾驶员辅助系统的车辆前的相邻的车辆并道到相同的车道中的交通场景，即，用传感器检测到的垂直于行驶方向的与相邻车辆的横向的间距减小并且最终在相邻的车辆直接处在自主车辆之前时至少基本上占据值0。

对适用于(可靠地)识别这种行驶状况或场景的算法的编程，通常极为昂贵并且特别是在大量有待考虑到的行驶状况中必要时甚至是不可能的。因此越来越多地使用机器学习来自动寻找传感器数据中表明行驶状况的特征。基础性的传感器数据通常涉及例如针对不同的行驶状况手动分类后的传感器数据(英文为labeled sensor data，即标记后的传感器数据)，人工神经网络例如可以借助分类后的传感器数据提取出针对相应的行驶状况的重要的标准。在此，经分类的传感器数据通常必须以预定的形式存在，这就是说，必须相应地准备，以便能让人工神经网络合理地处理。

所谓的网格地图(英文grid maps)是一种用于这种准备的实践方案，网格地图鸟瞰地示出了相应的行驶状况。通过例如将相应的交通参与者的所有随时间经过占据的位置画在相应的网格地图中，在此重现了基本的行驶状况的动态。

这种网格地图例如在格鲁纳等人的《驾驶场景的时空表达和使用神经网络的分类》(2017年，IEEE智能车大会，1782-1788页)中讨论。

在Cara和de Gelder的《使用机器学习对安全性重要的车辆-骑车人场景分类》(2015年，IEEE，第18届智能交通系统国际大会，1955-2000页)中比较了用于对车辆-骑车人-场景进行分类的算法。在此，在监督学习(supervised learning)时使用标记后的对象(labeled objects)的训练集，以便训练所谓的分类器(classifier)。训练后，分类器有能力这样来标记新的未知的场景，即，将所述场景分配给预估的类别。

发明内容

本发明的任务是，进一步改进对适用于表征涉及到自主对象和至少一个其它对象的动态空间场景的传感器数据的处理。本发明的任务尤其是，改进对这些用于通过人工神经网络进行处理的传感器数据的准备、特别是防止或至少减少准备时的信息损失。