[發明專利]生成地面實況數據的方法和系統

在審

• 申請號: 202210684430.4
• 申請日: 2022-06-17
• 公開（公告）號: CN115496089A
• 公開（公告）日: 2022-12-20
• 發明（設計）人: J·西格蒙德;J·庫里安;S·拉布施;D·斯帕塔;A·貝克;S·羅斯勒;J·韋斯特霍夫
• 申請（專利權）人: APTIV技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G01S13/931;G01S17/931
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 師瑋;黨曉林

本公開涉及生成地面實況數據的方法和系統。方法可以包括由計算機硬件組件執行的以下步驟：對于多個時間點，獲取針對相應時間點的傳感器數據；以及對于所述多個時間點中的至少一個子集，基于至少一個當前時間點和/或過去時間點以及至少一個將來時間點的傳感器數據來確定相應時間點的地面實況數據。

技術領域

本發明涉及用于生成地面實況數據的方法和系統，尤其是用于在生成地面實況數據時利用將來知識，例如用于對網格輸出的基于雷達的機器學習的方法和系統。

背景技術

在駕駛員輔助系統和自動駕駛領域，通常使用雷達傳感器來感知有關載具環境的信息。需要解決的一類問題是確定本載具環境的哪些部分被占用(例如，根據占用網格)或本載具可以安全駕駛的位置(根據下方可駕駛性分類(underdrivabilityclassification))。為此，可能需要確定環境的哪些部分被占用，或者本載具前面的檢測到的對象是否是下方可駕駛(如橋梁)或非下方可駕駛(如交通堵塞的末尾)。

通常，機動車雷達的能力在測量分辨率和準確性方面受到限制，例如與對象的距離和/或俯仰有關(從中可以確定對象高度)。因此，可能需要先進的方法來解決占用網格檢測和/或在下方可駕駛對象與非下方可駕駛對象的分類中的不確定性。

如今，機器學習技術被廣泛用于“學習”用于此類占用網格確定或分類的模型參數。開發機器學習方法的一個重要前提是針對給定問題的地面實況(ground truth)數據的可用性。

需要對機器學習方法進行訓練。訓練機器學習方法的一種可能方式包括在訓練期間向機器學習方法提供地面實況(例如描述機器學習方法的理想或期望輸出)。

有一些標準但昂貴和/或耗時的方法來生成地面實況，包括由人類專家人工標記數據和/或使用第二傳感器(如激光雷達/攝像頭)。第二傳感器需要與同一載具上的雷達一起可用，并且需要在傳感器間進行外部校準/時間同步。此外，還需要其他方法來利用第二傳感器確定占用網格和/或下方可駕駛性。

因此，需要改進提供地面實況數據的方法。

發明內容

本發明提供了一種由計算機實現的方法、計算機系統和非暫時性計算機可讀介質。在說明書和附圖中給出了實施方式。

在一個方面，本發明涉及一種用于生成地面實況數據的由計算機實現的方法，該方法包括由計算機硬件組件執行的以下步驟：對于多個時間點，獲取針對相應時間點的傳感器數據；以及對于所述多個時間點中的至少一個子集，基于至少一個當前時間點和/或過去時間點以及至少一個將來時間點的傳感器數據來確定所述相應時間點的地面實況數據。

換句話說，來自將來時間點的傳感器數據可以用于確定當前時間點的地面實況數據。應當理解，這是可能的，例如，通過記錄多個時間點的傳感器數據，然后針對多個時間點中的各個時間點，基于多個時間點中的若干個時間點(特別是包括位于相應時間點之后的時間點)確定針對相應時間點的地面實況數據。

地面實況數據可以表示假定已知為真實或真值的信息，并且與通過推斷提供的信息相反，通常是通過直接觀察和測量(即經驗證據)提供的。

根據各種實施方式，當前時間點、過去時間點和/或將來時間點是相對于相應時間點的。

根據各種實施方式，傳感器數據包括雷達數據或激光雷達數據中的至少一種。

根據各種實施方式，由計算機實現的方法還包括基于地面實況數據訓練機器學習模型(例如人工神經網絡)。或者，地面實況數據可以用于可能需要地面實況數據的任何其他目的，例如用于評估。地面實況數據可以是指表示真實情況的數據；例如，當訓練機器學習模型時，地面實況數據表示機器學習模型的期望輸出。