In verschiedenen Beispielen kann ein Modell für maschinelles Lernen - wie beispielsweise ein Deep Neural Network (DNN) - trainiert werden, Bilddaten und/oder andere Sensordaten als Eingaben zu verwenden, um zwei- oder dreidimensionale Trajektorienpunkte im Welt-Raum, eine Fahrzeugorientierung und/oder einen Fahrzeugzustand zu generieren. So können beispielsweise Sensordaten, die eine Orientierung, Lenkungsinformationen und/oder eine Geschwindigkeit eines Fahrzeugs repräsentieren, gesammelt und verwendet werden, um automatisch eine Trajektorie zur Verwendung als Grundwahrheitsdaten für das Trainieren des DNN zu generieren. Wenn sie angewendet wurden, können die Trajektorienpunkte, die Fahrzeugorientierung und/oder der Fahrzeugzustand von einer Steuerkomponente (z.B. einer Fahrzeugsteuerung) zum Steuern des Fahrzeugs durch eine physikalische Umgebung verwendet werden. So kann beispielsweise die Steuerkomponente diese Ausgaben des DNN nutzen, um ein fahrzeugspezifisches Steuerprofil (z.B. Lenken, Verzögern und/oder Beschleunigen) zum Steuern des Fahrzeugs durch die physikalische Umgebung zu bestimmen.

    In various examples, a machine learning model—such as a deep neural network (DNN)—may be trained to use image data and/or other sensor data as inputs to generate two-dimensional or three-dimensional trajectory points in world space, a vehicle orientation, and/or a vehicle state. For example, sensor data that represents orientation, steering information, and/or speed of a vehicle may be collected and used to automatically generate a trajectory for use as ground truth data for training the DNN. Once deployed, the trajectory points, the vehicle orientation, and/or the vehicle state may be used by a control component (e.g., a vehicle controller) for controlling the vehicle through a physical environment. For example, the control component may use these outputs of the DNN to determine a control profile (e.g., steering, decelerating, and/or accelerating) specific to the vehicle for controlling the vehicle through the physical environment.


    Zugriff

    Download


    Exportieren, teilen und zitieren



    Titel :

    VERHALTENSGESTEUERTE WEGPLANUNG IN AUTONOMEN MASCHINENANWENDUNGEN


    Beteiligte:
    MULLER URS (Autor:in) / BOJARSKI MARIUSZ (Autor:in) / CHEN CHENYI (Autor:in) / FIRNER BERNHARD (Autor:in)

    Erscheinungsdatum :

    2019-12-19


    Medientyp :

    Patent


    Format :

    Elektronische Ressource


    Sprache :

    Deutsch


    Klassifikation :

    IPC:    B60W CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION , Gemeinsame Steuerung oder Regelung von Fahrzeug-Unteraggregaten verschiedenen Typs oder verschiedener Funktion




    Kinodynamische Wegplanung

    Huppertz, Guido | Fraunhofer Publica | 2014

    Freier Zugriff

    PARALLELVERARBEITUNG EINER ZUM EINPARKEN GEEIGNETEN FAHRZEUG-WEGPLANUNG

    NISTER DAVID / WANG YIZHOU / SOUNDARARAJAN JAIKRISHNA et al. | Europäisches Patentamt | 2022

    Freier Zugriff

    ERKENNUNG UND KLASSIFIZIERUNG VON KREUZUNGSREGIONEN FÜR AUTONOME MASCHINENANWENDUNGEN

    PHAM TRUNG / RODRIGUEZ HERVAS BERTA / PARK MINWOO et al. | Europäisches Patentamt | 2022

    Freier Zugriff

    SYSTEM, VERFAHREN UND STEUERGERÄT FÜR GRAPHENBASIERTE WEGPLANUNG FÜR EIN HOST-FAHRZEUG

    KULKARNI DIVYA P / KWON HYUKSEONG / YAMADA KENJI et al. | Europäisches Patentamt | 2022

    Freier Zugriff