[發明專利]在交通工具運行期間控制駕駛員輔助系統的方法

在審

• 申請號: 202180053525.X
• 申請日: 2021-07-06
• 公開（公告）號: CN116210007A
• 公開（公告）日: 2023-06-02
• 發明（設計）人: N·卡普爾;J·D·施耐德;S·瓦爾格斯
• 申請（專利權）人: 大眾汽車股份公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/092
• 代理公司: 北京市柳沈律師事務所 11105
• 代理人: 張建鋒

本發明涉及一種用于在特別是部分自動、完全自動或自主的交通工具(1)運行期間控制駕駛員輔助系統(100)的方法。其中，駕駛員輔助系統(100)包括：一個，特別是至少一個用于觀察交通工具(1)環境的傳感器(101)和電子控制單元(ecu)，電子控制單元使用尤其至少一個神經網絡(NN)用于分析傳感器(101)的傳感器數據(D)并根據分析的傳感器數據(D)提供感知任務(PT)，該方法包括以下步驟：1)由傳感器(101)在空間域(SD)中提供傳感器數據(D)的數據集(B)，2)由電子控制單元(ecu)使用頻率分析將傳感器數據(D)的數據集(B)轉化為頻域(FD)中的頻譜(F(B))，3)分析數據集(B)的頻譜(F(B))，以檢測被對抗攻擊的數據集(B’)，優選在分析傳感器數據(D)以提供感知任務(PT)之前進行。

本發明涉及一種根據獨立的方法權利要求的，在特別是部分自動、完全自動或自主的交通工具運行期間控制駕駛員輔助系統的方法。此外，本發明還涉及根據獨立的裝置權利要求的電子控制單元。此外，本發明還涉及一種包括根據第二個獨立的裝置權利要求的相應電子控制單元的交通工具。此外，本發明還涉及根據獨立產品權利要求的用于相應方法的計算機程序產品。

用于部分或完全自動駕駛的現代駕駛員輔助系統，通常使用機器學習來評估交通工具周圍環境，包括物體、行人和其他交通工具。使用深度神經網絡，不同類型的傳感器數據(攝像頭、雷達、激光雷達)可以被處理以產生周圍環境的世界模型。作為感知鏈的一部分，神經網絡被用于不同的任務，如語義分割或物體檢測。對于語義分割，神經網絡根據一組預先定義的類別標簽輸出輸入圖像的像素級標簽，而物體檢測網絡則在定義的目標類別的物體周圍呈現邊界盒。在這兩種情況下，最先進的神經網絡可以是例如卷積神經網絡，它在訓練期間根據使用真實數據的輸入對一些權重進行參數化。使用基于梯度的優化，參數可以被調整，基礎函數被優化，從而使損失函數量化的損失最小。在反復的訓練過程中，神經網絡學習代表從輸入到輸出數據的映射的函數。最先進的模型通常由具有大量過濾器的各層組成，通常會產生非常多的可訓練參數，從而學習復雜的高維基礎函數。雖然神經網絡在圖像處理方面優于經典的計算機視覺方法，但神經網絡也有一些挑戰。這包括大多數神經網絡很容易受到所謂的對抗攻擊的影響。對抗攻擊指的是對輸入圖像應用人工產生的噪聲。然而，與隨機擾動不同的是，這種噪聲被優化為神經網絡對輸入的錯誤分類。這樣一來，在輸入中加入對抗性擾動會導致神經網絡的準確性急劇下降。根據各種因素，對抗攻擊有可能導致神經網絡的故障，從而影響自動駕駛功能的感知能力。

由于對環境的可靠感知是自動駕駛的安全關鍵，神經網絡的故障可能危及自動駕駛汽車的安全。

一些已知的解決方案是基于強化神經網絡以抵抗對抗攻擊。然而，這種解決方案需要大量的計算能力。由于自駕駛系統需要實時應用，強化神經網絡在自駕駛系統中是不可行的。

另外，對抗攻擊檢測器也是已知的，如特征壓縮(Feature?Squeezing:DetectingAdversarial?Examples?in?Deep?Neural?Networks,Weilin?Xu,David?Evans,Yanjun?QiUniversity?of?Virginia?evadeML.org,In?Network?and?Distributed?SystemsSecurity?Symposium?(NDSS)2018,San?Diego,February?2018)。這類對抗攻擊檢測器使用傳統的計算機視覺技術對輸入進行小幅修改，如比特深度減少、非局部均值平滑、jpeg壓縮、中值平滑等，其對輸入進行小幅修改，從而希望換來對抗性擾動的消除。然而，在強大的攻擊下，特征壓縮技術不起作用。

提出在一系列的噪聲類型和強度下工作的可靠和有效的對抗性檢測器，仍然被認為是一個未解決的問題。總之，目前的大多數解決方案不能擴展到不同的攻擊，其提出的改進也很小。