The technology relates to using on-board sensor data (1002A), off-board information (1002B) and a deep learning model (1008) to classify road wetness and/or to perform a regression analysis on road wetness based on a set of input information. Such information includes on-board (802) and/or off-board signals (804) obtained from one or more sources including on-board perception sensors, other on-board modules, external weather measurement, external weather services, etc. The ground truth includes measurements of water film thickness and/or ice coverage on road surfaces. The ground truth, on-board and off-board signals are used to build the model. The constructed model can be deployed in autonomous vehicles for classifying/regressing (1016) the road wetness with on-board and/or off-board signals as the input, without referring to the ground truth. The model can be applied in a variety of ways to enhance autonomous vehicle operation, for instance by altering current driving actions, modifying planned routes or trajectories, activating on-board cleaning systems, etc.
La présente invention concerne une technologie relative à l'utilisation de données de capteur embarqué (1002A), d'informations externes (1002B) et d'un modèle d'apprentissage profond (1008) pour classifier l'humidité de la route et/ou pour effectuer une analyse de régression de l'humidité de la route sur la base d'un ensemble d'informations d'entrée. De telles informations comprennent des signaux embarqués (802) et/ou externes (804) obtenus à partir d'une ou de plusieurs sources comprenant des capteurs de perception embarqués, d'autres modules embarqués, des mesures météorologiques externes, des services météorologiques externes et autres. La réalité de terrain comprend des mesures d'épaisseur de film d'eau et/ou de couche de glace sur les surfaces de route. La réalité de terrain, les signaux embarqués et externes sont utilisés pour construire le modèle. Le modèle construit peut être déployé dans des véhicules autonomes pour la classification/régression (1016) de l'humidité de la route au moyen de signaux embarqués et/ou externes en tant qu'entrée, sans se référer à la réalité du terrain. Le modèle peut être appliqué de diverses manières pour améliorer le fonctionnement du véhicule autonome, par exemple par modification des actions de conduite actuelles, des itinéraires ou trajectoires planifiés, par activation de systèmes de nettoyage embarqués et autres.
ROAD CONDITION DEEP LEARNING MODEL
MODÈLE D'APPRENTISSAGE PROFOND POUR ÉTAT DE LA ROUTE
2021-12-09
Patent
Electronic Resource
English
IPC: | G06N COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS , Rechnersysteme, basierend auf spezifischen Rechenmodellen / 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 / G01C Messen von Entfernungen, Höhen, Neigungen oder Richtungen , MEASURING DISTANCES, LEVELS OR BEARINGS |