[發明專利]學習系統和方法

在審

• 申請號: 202010082885.X
• 申請日: 2020-02-07
• 公開（公告）號: CN111563602A
• 公開（公告）日: 2020-08-21
• 發明（設計）人: 伊曼·索爾塔尼博茲查洛伊
• 申請（專利權）人: 福特全球技術公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 北京連和連知識產權代理有限公司 11278
• 代理人: 楊帆

本公開提供了“學習系統和方法”。描述了示例性學習系統和方法。在一個實現方式中，機器學習系統訪問與特定任務相關聯的數據，并訪問與總體網絡相關聯的數據。所述機器學習系統還訪問獎勵數據。然后，所述機器學習系統基于與特定任務相關聯的所述數據、與總體網絡相關聯的所述數據和所述獎勵數據進行操作，以執行所述特定任務。

技術領域

本公開涉及學習系統和方法，諸如具有模塊化神經網絡結構的機器學習系統和方法。

背景技術

深度學習系統用于包括視覺感知(諸如對象識別)、語音識別和語言理解的廣泛應用中。在一些情況下，深度學習系統依賴于端到端解決方案，其中復雜的多層網絡承擔多重責任來執行單個任務。在特定示例中，端到端深度學習系統接收諸如視覺數據的感覺信息作為輸入，并基于視覺數據生成轉向、加速和減速命令。這個示例中的訓練數據可包括由專家駕駛員提供的駕駛策略。

在其他情況下，深度學習系統使用模塊化解決方案，其中網絡中的每個部件負責特定任務。在自主駕駛示例中，使用模塊化方法，每個神經網絡部件負責特定任務，諸如行人檢測、交通標志檢測或轉向命令。

這兩種方法(端到端方法和模塊化方法)各有利弊。例如，模塊化方法通常比端到端方法更易于排除故障。但是，端到端方法能夠使用強化學習進行自我改進。

發明內容

機器學習系統訪問與特定任務相關聯的數據，并訪問與總體網絡相關聯的數據。機器學習系統進一步訪問獎勵數據。然后，機器學習系統基于與特定任務相關聯的數據、與總體網絡相關聯的數據和獎勵數據進行操作。

附圖說明

參考以下附圖描述本公開的非限制性和非詳盡性實施例，其中除非另有指定，否則相同的附圖標記在各個附圖中指代相同的部分。

圖1是示出機器學習系統的實施例的框圖。

圖2示出具有三個主要模塊的模塊化網絡的實施例。

圖3A示出具有三個主要模塊和三個輔助模塊的模塊化網絡的實施例。

圖3B示出具有三個主要模塊和三個輔助模塊的模塊化網絡的另一個實施例。

圖4A示出不確定性增益網絡的實施例。

圖4B示出不確定性增益網絡的另一個實施例。

圖5示出用于操作機器學習系統的方法的實施例。

圖6示出計算裝置的示例性框圖。

具體實施方式

在以下公開內容中，參考附圖，所述附圖形成本公開的一部分并且其中通過說明示出可實踐本公開的具體實現方式。應當理解，在不脫離本公開的范圍的情況下，可以利用其他實現方式并且可做出結構改變。說明書中對于“一個實施例”、“一種實施例”、“示例實施例”等的引用指示所述的實施例可包括特定特征、結構或特性，但每一個實施例都可不必包括所述特定特征、結構或特性。此外，此類短語不一定是指同一實施例。此外，當結合實施例描述特定特征、結構或特性時，無論是否明確描述，結合其他實施例實現這樣的特征、結構或特性都在本領域技術人員的知識范圍內。

本文所公開的系統、裝置和方法的實現方式可包括或利用包括計算機硬件(諸如，例如本文所討論的一個或多個處理器和系統存儲器)的專用或通用計算機。在本公開的范圍內的實現方式還可包括用于攜帶或存儲計算機可執行指令和/或數據結構的物理和其他計算機可讀介質。此類計算機可讀介質可以是可由通用或專用計算機系統訪問的任何可用介質。存儲計算機可執行指令的計算機可讀介質是計算機存儲介質(裝置)。攜帶計算機可執行指令的計算機可讀介質是傳輸介質。因此，作為示例而非限制，本公開的實現方式可包括至少兩種截然不同的計算機可讀介質：計算機存儲介質(裝置)和傳輸介質。