[發明專利]訓練分類器以檢測打開的車門

在審

• 申請號: 201980084977.7
• 申請日: 2019-12-23
• 公開（公告）號: CN113366507A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: J.毛;L.P.崔;C.李;E.S.小沃克
• 申請（專利權）人: 偉摩有限責任公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62;G08G1/16;G06N3/04;G06N20/20;G06N5/00
• 代理公司: 北京市柳沈律師事務所 11105
• 代理人: 金玉潔

用于訓練分類器以檢測打開的車門的方法、系統和裝置，包括在計算機存儲介質上編碼的計算機程序。所述方法之一包括：獲得多個初始訓練樣例，其中，每一個初始訓練樣例包括(i)來自傳感器樣本集合的傳感器樣本和(ii)將所述傳感器樣本分類為表征具有打開的門的車輛的數據；生成多個附加訓練樣例，包括：對于每一個初始訓練樣例：從傳感器樣本集合中識別在初始訓練樣例中的傳感器樣本被捕獲之前小于閾值時間量捕獲的一個或更多個附加傳感器樣本；以及在包括初始訓練樣例和附加訓練樣例的第一訓練數據上訓練機器學習分類器，以生成用于機器學習分類器的更新的權重。

對相關申請的交叉引用

本申請要求于2018年12月21日提交的第16/231,297號美國專利申請的優先權，其全部內容通過引用并入本文。

技術領域

本說明書涉及自主車輛。

背景技術

自主車輛包括自駕駛汽車、船和飛機。自主車輛使用各種車載傳感器和計算機系統來檢測附近的對象，并使用這種檢測來做出控制和導航決策。

一些自主車輛具有實現神經網絡、其他類型的機器學習模型或兩者以用于各種預測任務、例如，圖像內的對象分類的車載計算機系統。例如，能夠使用神經網絡來確定由車載相機捕獲的圖像可能是附近汽車的圖像。神經網絡(或為簡潔起見，網絡)是采用多層運算來從一個或更多個輸入預測一個或更多個輸出的機器學習模型。神經網絡通常包括位于輸入層和輸出層之間的一個或更多個隱藏層。每一層的輸出被用作網絡中的另一層——例如，下一隱藏層或輸出層——的輸入。

神經網絡的每一層指定要對該層的輸入執行的一個或更多個變換運算。一些神經網絡層具有被稱為神經元的運算。每一神經元接收一個或更多個輸入并生成由另一神經網絡層接收的輸出。通常，每一神經元接收來自其他神經元的輸入，并且每一神經元向一個或更多個其他神經元提供輸出。

神經網絡的架構指定網絡中包括哪些層及其屬性，以及網絡的每一層的神經元如何連接。換句話說，架構指定哪些層將其輸出作為輸入提供給哪些其他層以及如何提供輸出。

每一層的變換運算由安裝有實現變換運算的軟件模塊的計算機執行。因此，被描述為執行運算的層意指實現層的變換運算的計算機執行運算。

每一層使用該層的參數集的當前值來生成一個或更多個輸出。訓練神經網絡因此涉及對輸入連續執行前向傳遞，計算梯度值，并使用計算的梯度值更新每一層的參數集的當前值。一旦神經網絡被訓練，就能夠使用最終參數集的值在生產系統中做出預測。

發明內容

本說明書描述了計算機系統能夠如何訓練機器學習模型，在本說明書中也被稱為“機器學習分類器”或“分類器”，以生成自主車輛附近的對象是否處于特定狀態的預測。

例如，機器學習模型能夠是“開門分類器”，其預測自主車輛附近的另一車輛是否處于開門狀態，即，與所有門都關閉相反，具有打開的門。也就是說，給定表征車輛的輸入，開門分類器的輸出是表示車輛的一個或更多個門打開的可能性的概率。一旦開門分類器已經被訓練，則訓練后的開門分類器就能夠被部署在車輛上，并能夠由車輛使用以做出自主或半自主駕駛決策。

作為另一示例，機器學習模型能夠預測自主車輛附近的校車是否處于閃光狀態，即，校車的燈是否正在閃光而不是關閉(或始終打開)。

作為另一示例，機器學習模型能夠預測自主車輛附近的另一車輛是否處于停放狀態，即，與運動或暫時停止相反，另一車輛是否停放。

在本公開的一個方面中，一種方法包括訓練分類器，分類器被配置為接收表征特定類型的對象并從由自主車輛的一個或更多個傳感器捕獲的傳感器數據生成的輸入傳感器樣本，并處理輸入傳感器樣本以生成表示所述對象處于特定狀態的預測可能性的特定狀態分數。