[发明专利]潜在入侵者的智能检测和警告

说明书

本申请涉及潜在入侵者的智能检测和警告。用于辨别从远处对车辆的威胁并作为响应产生警报或警告的系统、方法和设备。例如，处于停车状态的车辆的相机可捕获所述车辆的周围环境的图像。当根据所述图像识别到从远处接近所述车辆的人员时，人工神经网络至少部分地基于来自所述相机的一或多个图像来评估来自接近所述车辆的所述人员的威胁级别。响应于所述威胁级别高于阈值，所述车辆可产生警报以阻止非法活动和/或向例如车主、驾驶员、授权用户或保安员的移动装置的远程装置发送警告。

技术领域

本文中所公开的至少一些实施例总的来说涉及车辆，且更具体为但不限于潜在入侵者的检测和警告。

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。

例如，传感器(例如，相机和雷达)可安装在机动车辆上以检测在车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，当计算系统辨识出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，计算系统对车辆的人类操作者发出警报并且请求人类操作者接管对车辆的控制并进行手动驾驶，而不是让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)可以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、超声声纳等的图像。

一般来说，人工神经网络(ANN)使用神经元网络处理所述网络的输入并产生所述网络的输出。

例如，网络中的每一神经元接收一组输入。神经元的一些输入可以是网络中的某些神经元的输出；且神经元的一些输入可以是提供给神经网络的输入。网络中的神经元之间的输入/输出关系表示网络中的神经元连接性。

例如，每个神经元可具有偏置、激活函数，以及一组突触权重，分别用于其输入。激活函数可呈阶跃函数、线性函数、对数S型(log-sigmoid)函数等形式。网络中的不同神经元可具有不同激活函数。

例如，每个神经元可产生其输入和其偏置的加权和，然后产生为加权和的函数的输出，所述输出是使用神经元的激活函数计算的。

ANN的输入与输出之间的关系一般来说是由ANN模型定义的，所述ANN模型包含表示网络中的神经元的连接性的数据，以及每个神经元的偏置、激活函数和突触权重。使用给定ANN模型，计算装置根据网络的给定一组输入计算网络的输出。

例如，可基于相机输入产生ANN网络的输入；并且ANN网络的输出可以是对例如事件或对象等事项的识别。

脉冲神经网络(SNN)是一种紧密模仿自然神经网络的ANN类型。当神经元的激活电平足够高时，SNN神经元产生脉冲作为输出。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/脉冲可以改变接收输出的其它神经元的激活电平。随时间而变的SNN神经元的当前激活电平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脉冲可将所述神经元的激活电平推得更高，以达到产生脉冲的阈值。一旦神经元产生脉冲，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时间推移而衰减，如微分方程所控制的那样。SNN神经元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，这有利于减少计算工作负载。

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。