[发明专利]落在车辆内的遗忘物品的检测和警告

说明书

本申请案涉及落在车辆中的遗忘物品的检测和警告。公开用以检测落在车辆中的物品且产生关于所述物品的警告的系统、方法和设备。一种用以检测落在车辆中的物品且用以产生关于所述物品的警告的系统、方法和设备。举例来说，使用配置于车辆中的相机来监视与所述车辆的用户相关联的物品。可使用人工神经网络来识别和辨识如在来自所述相机的图像中的所述物品。响应于在所述图像中辨识到的所述物品在所述用户已离开所述车辆之后被落在所述车辆中的确定，产生警告来指示物品在所述车辆中，但所述用户正离开所述车辆。

技术领域

本文所公开的至少一些实施例大体上涉及车辆，且更明确地说(但不限于)落在车辆内的物品的检测。

背景技术

自主驾驶技术领域的最新发展允许计算系统至少在一些条件下操作机动车辆的控制元件，而无需车辆的人类操作者的辅助。

举例来说，传感器(例如，相机和雷达)可安装在机动车辆上以检测在车行道上行驶的车辆的周围环境的条件。在具有或不具有来自车辆的人类操作者的任何输入的情况下，安装在车辆上的计算系统分析传感器输入以识别条件，并且产生用于车辆的方向和/或速度的自主调整的控制信号或命令。

在一些布置中，当计算系统辨识到其中计算系统可能无法继续以安全方式操作车辆的情境时，计算系统警告报车辆的人类操作者，并且请求人类操作者接管对车辆的控制并进行手动驾驶来代替允许计算系统自主驾驶车辆。

自主驾驶和/或高级驾驶辅助系统(ADAS)可使用用于识别在传感器输入中所捕获的事件和/或对象的人工神经网络(ANN)。传感器输入的实例包含来自数码相机、光达、雷达、超声声纳等。

一般来说，人工神经网络(ANN)使用神经元网络来处理发到所述网络的输入，并且产生来自所述网络的输出。

举例来说，网络中的每一神经元接收一组输入。发到神经元的输入中的一些可为所述网络中的某些神经元的输出；且发到神经元的输入中的一些可为被提供给所述神经网络的输入。所述网络中的神经元之间的输入/输出关系表示所述网络中的神经元连接性。

举例来说，每一神经元可具有偏向、激活函数，以及分别用于其输入的一组突触权重。激活函数可呈阶跃函数、线性函数、双弯曲(log-sigmoid)函数等形式。网络中的不同神经元可具有不同的激活函数。

举例来说，每一神经元可产生其输入和其偏向的经加权总和，并且接着产生作为所述经加权总和的函数的输出，所述输出是使用所属神经元的激活函数来计算的。

ANN的输入与输出之间的关系一般来说是由ANN模型界定的，所述模型包含表示所述网络中的神经元的连接性的数据，以及每一神经元的偏向、激活函数和突触权重。使用给定ANN模型，计算装置从发到所述网络的给定一组输入计算所述网络的输出。

举例来说，可基于相机输入产生发到ANN网络的输入；且来自ANN网络的输出可为例如事件或对象等项目的识别。

脉冲神经网络(SNN)是一种类型的ANN，其接近模仿自然神经网络。当神经元的激活电平足够高时，SNN神经元产生尖峰作为输出。SNN神经元的激活电平模仿自然神经元的薄膜电位。SNN神经元的输出/尖峰可改变接收到所述输出的其它神经元的激活电平。SNN神经元的当前激活电平根据时间通常是使用微分方程来建模的，且被视为SNN神经元的状态。来自其它神经元的传入尖峰可将所述神经元的激活电平推得较高，以到达产生脉冲的阈值。一旦所述神经元产生脉冲，其激活电平就复位。在产生脉冲之前，SNN神经元的激活电平可随着时间的过去而衰减，如受微分方程控制。SNN神经元的行为中的时间元素使得SNN适合于处理时空数据。SNN的连接性通常是稀疏的，这对减少计算工作负载有利。

一般来说，可使用监督方法来训练ANN，其中调整ANN中的参数以最小化或减少由相应输入产生的已知输出与通过将输入应用于ANN而产生的所计算输出之间的误差。监督学习/训练方法的实例包含强化学习，以及具有误差校正的学习。