[发明专利]用于借助于神经网络来融合传感器信号的方法和设备

说明书

一种用于借助于神经网络（60）来融合多个传感器信号（x）的计算机实现的方法，其中传感器信号（x）至少包括第一值和第二值，第一值表征物理量的期望值，第二值表征该物理量的离散，此外，其中神经网络（60）基于所述多个传感器信号（x）来确定输出（y），该输出表征所述多个传感器信号（x）的融合，而且该输出（y）取决于神经网络（60）的第一中间输出（z₁,z₂,z_n），其中第一中间输出（z₁,z₂,z_n）由至少一个第一神经元来确定并且包括所确定的第一值和所确定的第二值，所确定的第一值表征多个传感器值的融合的期望值，所确定的第二值表征该融合的离散，其中如果满足可预先给定的条件，则第一中间输出（z₁,z₂,z_n）的所确定的第二值被设置为零。

技术领域

本发明涉及用于融合传感器信号的方法、该方法的硬件实现、用于训练的方法、训练设备、计算机程序和存储介质。

背景技术

未公布的DE 10 2020 201 133.8公开了一种神经网络，该神经网络包括用于融合传感器信号的随机神经元。

本发明的优点

通过传感器记录的信号通常受到不确定性的影响，这些不确定性例如可能由于传感器的环境或运行条件或者在制造该传感器时的制造公差而造成。为了确定可靠的传感器信号，常常使用多个相同类型的传感器并且使相对应地被确定的传感器信号融合。

尤其是具有随机神经元的神经网络已经被证明为非常适合于融合传感器信号。这些神经网络能够使受不确定性影响的传感器信号融合。

对具有随机神经元的神经网络的输出的计算可能对用于确定该输出的设备的能量需求提出高要求。因而，尤其是在移动终端设备中或者在机器人、比如至少部分自动化车辆中使用的情况下，值得期望的是：将对具有随机神经元的神经网络的能量的需求保持得尽可能低。与此相对应地，需要高性能的传感器信号融合。在本发明的上下文中，传感器信号融合的性能可以被理解成基于多个传感器信号来实现所希望的结果的能力。在此，该性能可以被理解成连续量度，该连续量度表明了该输出与所希望的结果的偏离程度。

具有独立权利要求1的特征的方法的优点在于：具有随机神经元的神经网络的所需的数学运算的数目可以被大大减少。经此，用于计算神经网络的输出的设备所需的能量和存储空间需求降低。这意味着：在对能量或存储空间的需求相同的情况下改善神经网络的性能。

发明内容

在第一方面，本发明涉及一种用于借助于神经网络来融合多个传感器信号的计算机实现的方法，其中传感器信号至少包括第一值和第二值，该第一值表征物理量的期望值，该第二值表征该物理量的离散，此外，其中该神经网络基于所述多个传感器信号来确定输出，该输出表征所述多个传感器信号的融合，而且该输出取决于该神经网络的第一中间输出，其中该第一中间输出由至少一个第一神经元来确定并且包括所确定的第一值和所确定的第二值，该所确定的第一值表征多个传感器值的融合的期望值，该所确定的第二值表征该融合的离散，其中如果满足可预先给定的条件，则该第一中间输出的所确定的第二值被设置为零。

就本发明而言，将多个传感器的信号组合成一个传感器信号的方法可以被理解成传感器信号的融合，其中这些传感器被设立为测量同一物理量，而且所组合的传感器信号表征对该物理量的经改善的测量。

就本发明而言，可设想的是：第一值是该物理量的期望值。第二值例如可以是所测量的物理量的方差。为了数值稳定性并且出于神经网络的计算更快的原因，第二值也可以有利地并且优选地是该方差的倒数。在这种情况下，该方差的倒数也公知为精度值。因而，就本发明而言，传感器信号可以被理解成该物理量的受到不确定性影响的测量。