[go: up one dir, main page]

CN115629375A - 使用交通工具对交通工具技术提高雷达数据预测的准确度 - Google Patents

使用交通工具对交通工具技术提高雷达数据预测的准确度 Download PDF

Info

Publication number
CN115629375A
CN115629375A CN202210758134.4A CN202210758134A CN115629375A CN 115629375 A CN115629375 A CN 115629375A CN 202210758134 A CN202210758134 A CN 202210758134A CN 115629375 A CN115629375 A CN 115629375A
Authority
CN
China
Prior art keywords
model
data
vehicle
vehicles
host
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210758134.4A
Other languages
English (en)
Inventor
R·比拉帕蒂
K·泰亚吉
N·马努基安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anbofu Technology Co ltd
Original Assignee
Delphi Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Delphi Technologies Inc filed Critical Delphi Technologies Inc
Publication of CN115629375A publication Critical patent/CN115629375A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/003—Transmission of data between radar, sonar or lidar systems and remote stations
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/04—Systems determining presence of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9316—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles combined with communication equipment with other vehicles or with base stations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)

Abstract

本文档描述了用于使用交通工具对交通工具(V2V)技术提高雷达数据预测的准确度的技术和系统。与主交通工具的附近区域中的一个或多个交通工具相关的V2V通信数据和匹配传感器数据被收集。V2V数据被用作标签数据，并且雷达数据被用作用于训练模型的输入数据。训练可以发生在主交通工具上，也可以发生在远程处。此外，多个主交通工具可以贡献数据来训练模型。一旦使用所包括的训练来更新模型，经更新的模型将被部署到主交通工具的传感器跟踪系统。通过使用包括V2V通信数据和匹配传感器数据的数据集，经更新的模型可以准确地跟踪其他交通工具，并使得主交通工具能够安全且可靠地利用高级驾驶辅助系统。

Description

使用交通工具对交通工具技术提高雷达数据预测的准确度
背景技术
交通工具的高级安全或驾驶系统可以使用传感器来跟踪附近的对象。这些对象可以包括其他交通工具、行人和动物，以及无生命对象(诸如树木和路标)。传感器(例如，光学相机、雷达、激光雷达)收集低水平数据，低水平数据以不同的方式被处理，以估计对象的位置、轨迹和移动。通常，机器学习模型用于估计道路中或道路附近的对象；在收集传感器数据并将传感器数据输入到模型的同时进行预测。为了使机器学习模型能够快速且准确地预测在道路中和道路周围的对象行踪和移动，需要使用处理尽可能多的不同驾驶场景的大型复杂数据集来对该模型进行训练。手动生成足够详细和复杂的庞大或复杂数据集，以用于训练协助基于传感器的驾驶的机器学习模型可能是一项具有挑战并且耗时的任务。
发明内容
本文档描述了用于使用交通工具对交通工具(V2V)技术提高雷达数据预测的准确度的技术、系统和方法。在一个示例中，方法包括：从主交通工具的V2V通信平台接收来自主交通工具附近的一个或多个其他交通工具的V2V通信数据。方法还包括：接收由主交通工具的传感器系统生成的指示一个或多个其他交通工具的传感器数据。方法进一步包括通过以下操作更新模型以生成经更新的模型：输入来自一个或多个其他交通工具的V2V通信数据作为传感器数据的标签数据，将传感器数据输入到模型，以及基于传感器数据和V2V通信数据训练模型。方法进一步包括：将经更新的模型部署到主交通工具，以用于检测和跟踪主交通工具附近的对象。
在另一个示例中，系统包括一个或多个处理器，该一个或多个处理器被配置成用于：从第一交通工具的V2V通信平台接收来自第一交通工具附近的一个或多个其他交通工具的V2V通信数据。该一个或多个处理器还被配置成用于：从第一主交通工具的传感器系统接收与一个或多个其他交通工具相关的传感器数据。该一个或多个处理器被进一步配置成用于通过以下操作更新模型以生成经更新的模型：将来自一个或多个其他交通工具的V2V通信数据作为传感器数据的标签数据输入到模型，将传感器数据输入到模型，以及基于传感器数据和V2V通信数据训练模型。该一个或多个处理器被进一步配置成用于将经更新的模型部署到第一交通工具，以用于检测和跟踪第一交通工具附近的对象。系统可以远离交通工具定位。
在另一个示例中，系统包括一个或多个处理器，该一个或多个处理器被配置成用于：从主交通工具的V2V通信平台接收来自主交通工具附近的一个或多个其他交通工具的V2V通信数据。该一个或多个处理器还被配置成用于：从第一主交通工具的传感器系统接收与一个或多个其他交通工具相关的传感器数据。该一个或多个处理器被进一步配置成用于通过以下操作更新模型以生成经更新的模型：将来自一个或多个其他交通工具的V2V通信数据作为传感器数据的标签数据输入到模型，将传感器数据输入到模型，以及基于传感器数据和V2V通信数据训练模型。该一个或多个处理器被进一步配置成用于将经更新的模型输出到主交通工具，以用于检测和跟踪主交通工具附近的对象。系统可以被定位在主交通工具上。
本发明内容介绍了与使用V2V技术提高雷达数据预测的准确度的简化概念，在具体实施方式和附图中进一步描述该简化概念。本发明内容并非旨在标识出要求保护的主题的必要特征，也并非旨在用于确定要求保护的主题的范围。尽管主要在使用V2V通信数据提高雷达数据预测的准确度的上下文中描述，但用于使用V2V数据作为地面真值(groundtruth)数据以用于训练基于传感器的模型的技术可以被应用于需要经训练模型的准确度的其他应用。进一步，这些技术还可以应用于其他通信数据，诸如交通工具对基础设施(V2I)、交通工具对行人(V2P)和交通工具对一切数据(V2X)。
附图说明
在本文档中参考以下附图描述了使用V2V技术提高雷达数据预测的准确度的一个或多个方面的细节，其中贯穿附图使用相同的数字来指示相似的部件：
图1示出了根据本公开的技术的交通工具的示例操作环境，该交通工具被配置成用于使用V2V技术提高雷达数据预测的准确度；
图2-1示出了根据本公开的技术的用于使用V2V技术提高雷达数据预测的准确度的汽车系统的示例；
图2-2示出了根据本公开的技术的用于使用V2V技术提高雷达数据预测的准确度的汽车系统的另一个示例；
图3示出了根据本公开的技术的使用本地模型训练系统以用于使用V2V技术提高雷达数据预测的准确度的示例实现；
图4示出了根据本公开的技术的使用远程模型训练系统以用于使用V2V技术提高雷达数据预测的准确度的另一个示例实现；
图5示出了根据本公开的技术的用于使用V2V技术提高雷达数据预测的准确度的示例流程图；以及
图6示出了根据本公开的技术的用于使用V2V技术提高雷达数据预测的准确度的示例方法。
具体实施方式
概述
随着交通工具越来越多地配备有自主和半自主系统，机器学习的经训练模型被用于协助这些系统进行对象识别、标识和/或对象跟踪应用。经训练模型为传感器系统(例如，光学相机、雷达、激光雷达、超声传感器)提供了最低水平的准确度，并使传感器系统能够可靠地检测和跟踪各种对象(例如，其他交通工具、行人、动物、静止对象(诸如道路标志和植被))。然而，经训练模型的准确度可以提高，例如，因为经训练模型被提供了更好的训练数据集(例如，更大的数据集可以解释更多的对象类型和驾驶场景)。已经尝试生成改善模型的训练的数据集，然而，仍然存在一些问题阻碍了该数据集的创建。
一个问题是为数据集收集可靠的信息。单独的传感器数据可能无法提供足够的准确度来可靠地训练模型。然而，如本公开所认识到的，将传感器数据与其他高度准确的数据配对可以克服这个缺陷。例如，传感器数据和V2V通信数据可以结合使用，以提高用于训练机器学习模型的数据集的准确度。虽然本公开主要关于与V2V通信数据相结合的雷达数据描述了这些训练数据集，但是本文所公开的概念同样可以应用于传感器数据(例如，激光雷达、相机)和其他交通工具通信数据(例如，V2I、V2P)的其他组合。
另一个问题是寻找可以提供填充这些非常大的数据集的值的信息源。如本文所述，该问题的解决方案是利用由道路附近或道路上的其他交通工具或基础设施已经提供的信息收集。通过使用由许多交通工具在许多不同环境和驾驶场景(例如，城市环境与农村环境、城市场景与非城市场景)中收集的数据，可以获取大量数据以包含许多不同的真实世界场景。与使用以其他方式训练的模型相比，通过结合准确的V2V通信数据使用传感器数据来训练模型，交通工具模型可以更准确或更快速地检测和跟踪对象，并避免与对象发生碰撞。
本文档描述了用于使用V2V技术提高雷达数据预测的准确度的技术和系统。与主交通工具的附近区域中的一个或多个交通工具相关的V2V通信数据和匹配传感器数据被收集。V2V数据被用作标签数据，并且雷达数据被用作用于训练模型的输入数据。训练可以在主交通工具上进行，也可以远程进行(例如，在云中)。此外，多个主交通工具可以贡献数据来训练模型。一旦使用所包括的训练更新模型，经更新的模型将被部署到主交通工具的传感器跟踪系统。通过使用包括V2V通信数据和匹配传感器数据的数据集，经更新的模型可以准确地跟踪其他交通工具，并使得主交通工具能够安全且可靠地利用高级驾驶辅助系统。
示例环境
图1示出了根据本公开的技术的主交通工具102的示例操作环境100，该主交通工具102被配置成用于使用V2V技术提高雷达数据预测的准确度。在所描绘的环境100中，V2V系统104和雷达系统106安装到主交通工具102或集成在主交通工具102内。尽管示出为轿车，但主交通工具102可表示包括可以用于各种目的的有人系统或无人系统的其他类型的交通工具和机械(例如，摩托车、公共汽车、牵引车、半挂车卡车、水运工具、飞行器或者其他重型设备)。主交通工具102可以以自主或半自主模式操作。
通常，制造商可以将V2V和雷达传感器/天线安装到可在环境100中行驶的任何移动的平台。传感器/天线可以从主交通工具102的任何外表面投影它们相应的视场(FOV)。例如，交通工具制造商可以将雷达系统106(例如，雷达传感器/天线)的至少一部分集成到侧视镜、保险杠、车顶、或其中FOV包括环境100的一部分以及环境100中移动或静止的对象的任何其他内部位置或外部位置。制造商可以设计传感器/天线的位置，以提供特定FOV，该特定FOV充分涵盖主交通工具102可能行驶于其中的环境100。在所描绘的实现中，V2V系统104的一部分和雷达系统106的一部分安装在主交通工具102的前保险杠部分附近。
V2V系统104可以与环境100中也配备有V2V系统的其他交通工具通信。例如，环境100中的交通工具108包括V2V系统110。V2V系统104和V2V系统110可以经由无线通信链路112彼此通信。由V2V系统104和V2V系统110经由无线通信链路112彼此传送的数据可以包括交通工具信息(诸如它们相应交通工具的速度、位置和航向信息)。同样，环境100中配备有V2V系统的其他交通工具(未示出)可以传输类似数据，并从配备有V2V系统的其他交通工具接收类似数据。通常，V2V通信数据表示与数据所源自的交通工具有关的准确且精确的信息。
雷达系统106可以传输可以被环境100中的对象(例如，交通工具108)反射的雷达信号(例如，电磁辐射)，并接收所反射的信号(例如，作为接收信号114)。在该示例中，接收信号114包括描述交通工具108的雷达数据(例如，距离数据、距离变化率数据和方位角数据)。雷达系统106可以使用该数据(通常通过利用经训练模型)来预测交通工具108的未来驾驶动作(例如，加速和制动动作、转向动作)。
在环境100中，主交通工具102的雷达系统106是传感器跟踪系统的一种类型。在其他示例中，本文所描述的技术可以应用于其他类型的传感器跟踪系统(包括相机系统，激光雷达系统，超声系统，或由环境100中的主交通工具102用于标识、跟踪和/或避开对象的任何其他传感器系统)。此外，为了简化描述该示例，雷达系统106包括传感器和任何对象检测和跟踪特征(例如，对象跟踪模块、传感器融合模块、协助实现这些特征的模型)。在一些示例中，传感器和对象检测和跟踪特征可以由不同的和/或单独的系统表示。
由V2V系统104从V2V系统110接收的V2V通信数据和由雷达系统106接收的与交通工具108相关的雷达数据可以由数据集收集器模块116收集。V2V通信数据被收集为标签数据集118。类似地，雷达数据被收集和存储为雷达数据集120。模型训练系统122可以接收标签数据集118和雷达数据集120。模型训练系统122训练或重新训练模型，该模型由雷达系统106使用以协助雷达系统106预测和跟踪环境100中的对象。标签数据集118可以用作地面真值，并且雷达数据可以用作用于训练(或重新训练)模型的输入数据。模型训练系统122可以包括将由安装在主交通工具102上的处理器(例如，电子控制单元(ECU))执行的指令。替代地或附加地，模型训练系统122(或其部分)可以被远程地(例如，云环境)执行到主交通工具102。
模型训练系统122使用标签数据集118和雷达数据集120来更新用于雷达系统106的模型。在一些实现中，标签数据集118和雷达数据集120可以是由多个主交通工具收集的标签数据集和雷达数据集的合计。在模型被更新之后，可以将该模型部署到雷达系统106。使用经更新的模型，雷达系统106可以更准确且可靠地预测环境100中的对象的动作。
示例系统
图2-1示出了根据本公开的技术的用于使用V2V技术提高雷达数据预测的准确度的汽车系统200-1的示例。汽车系统200-1可以集成在主交通工具102内。例如，汽车系统200-1包括控制器202、V2V系统104-1、雷达系统106-1和模型训练系统122-1。V2V系统104-1是V2V系统104的示例，雷达系统106-1是雷达系统106的示例，并且模型训练系统122-1是模型训练系统122的示例。V2V系统104-1和雷达系统106-1可以被集成到汽车或其他交通工具环境中。在该示例中，模型训练系统122-1被集成到主交通工具102中。在一些实现中，附加的模型训练系统可以远离交通工具(例如，在云中)，并且可以与模型训练系统122-1并行地训练传感器模型，例如，以离线方式。
V2V系统104-1、雷达系统106-1、模型训练系统122-1和控制器202通过链路230进行通信。链路230可以是有线或无线的链路，并且在某些情况下包括通信总线。
控制器202基于通过链路230接收到的信息来执行操作，该信息诸如是从V2V系统104-1或雷达系统106-1输出的数据，环境(例如，环境100)中的对象是根据该数据被标识的。控制器202包括空中(OTA)接口204(在此实现中是可选的)、处理器206-1和计算机可读存储介质(CRM)208-1(例如，存储器、长期存储、短期存储)，该CRM 208-1存储用于汽车模块210的指令。
CRM 208-1可以包括数据集收集器模块212。数据集收集器模块212可以存储从由V2V系统104-1和雷达系统106-1获得的数据(包括图1中所示出的标签数据集118和雷达数据集120)导出的对象信息。替代地，数据集收集器模块212可以驻留在集成在主交通工具102内的任何CRM 208上。
V2V系统104-1包括V2V天线214、处理器206-2和存储主交通工具数据216和对象数据218的CRM 208-2。V2V系统104-1可以经由V2V天线214将主交通工具数据216作为V2V通信数据通过无线通信链路112传输到配备有V2V系统的其他交通工具或对象。同样，V2V系统可以经由V2V天线214从配备有V2V系统的其他交通工具接收V2V通信数据作为对象数据218。
主交通工具数据216和对象数据218可以包括有关相应交通工具的信息(例如，交通工具速度、位置、航向、分类)，并且被认为比传感器数据(例如，雷达数据)更准确和精确。数据集收集器模块212的标签数据集118可以从对象数据218导出。
雷达系统106-1包括一个或多个雷达传感器220、处理器206-3和CRM 208-3(包括雷达数据222和训练模型224)。CRM 208-3还包括用于执行传感器操作的指令。雷达系统106-1可以接收从附近对象反射的信号(例如，接收信号114)，并且可以将该数据存储为雷达数据222。雷达系统106-1可以使用雷达数据222来检测和跟踪FOV中的对象。雷达数据222在输入到经训练模型224时可以提供更准确且可靠的对象检测和分类，雷达系统106-1可以将该更准确且可靠的对象检测和分类输出到汽车模块210。
数据集收集器模块212的雷达数据集120可以从雷达数据222导出。经训练模型224最初可以使用通用雷达数据集和不是从V2V通信数据导出的标签数据集进行训练。如在本公开中描述的，后续的经训练模型224可以包括使用标签数据集118和雷达数据集120进行训练。
模型训练系统122-1包括处理器206-4和CRM 208-4，CRM 208-4存储用于机器学习模型226-1的指令。专用处理器206-4使得模型训练系统122-1能够训练经训练模型224，而不会中断雷达系统106-1或交通工具102的其他系统。机器学习模型226-1从数据集收集器模块212接收标签数据集118-1和雷达数据集120-1。在一些方面，训练将不开始直到数据量超过阈值。
使用标签数据集118-1作为地面真值数据，并且使用雷达数据集120-1作为输入，机器学习模型226-1可以训练经训练模型224或重新训练先前训练的模型224，并且可以将经更新的经训练模型224部署到雷达系统106-1。在一些方面，在经训练模型224被部署之前，经训练模型224可以针对准确度与另一个模型(例如，基于通用雷达数据和标签的最初训练的模型、较早的经训练模型)进行比较。如果经更新的经训练模型224没有优于其他模型，则可以不部署经更新的经训练模型224。
机器学习模型226-1可以使用机器学习技术(诸如监督式学习)来训练经训练模型224，以执行对象检测、对象跟踪和/或对象分类。经训练模型224可以包括一个或多个人工神经网络(例如，长短期记忆(LSTM)网络、递归神经网络(RNN)、卷积神经网络(CNN))。经训练模型224的输出(例如，关于对象的预测)可以由汽车模块210用于驾驶应用。
通常，汽车系统200-1执行汽车模块210以执行汽车功能，该汽车功能可以包括使用来自雷达系统106-1的输出。例如，汽车模块210可以提供自动巡航控制并监测雷达系统106-1，以获得指示FOV中或附近存在对象的输出，例如，以便降低速度并防止与交通工具108的后端的碰撞。在此类示例中，经训练模型224可以向汽车模块210输出对象信息。当从雷达模块106-1获得的数据指示一个或多个对象在主交通工具102前方穿过时，汽车模块210可以提供警报或执行特定操控。通过使用雷达数据222作为输入以及使用对象数据218作为地面真值数据来训练经训练模型224，可以提高雷达系统106-1的准确度和可靠性。
图2-2示出了根据本公开的技术的用于使用V2V技术提高雷达数据预测的准确度的汽车系统200-2的另一个示例。类似于汽车系统200-1，汽车系统200-2包括控制器202、V2V系统104-1和雷达系统106-1。控制器202包括OTA接口204，控制器202可以通过该OTA接口204与模型训练系统122-2通信。控制器202和模型训练系统122-2可以通过无线链路232(例如，WiFI链路、蜂窝链路)通信。在其他方面中，OTA接口204和数据集收集器模块212可以位于不同的系统或模块(例如，V2V系统104-1、雷达系统106-1、模型训练系统122-1、集成在主交通工具内的专用控制器(未示出))中。可选的，汽车系统200-2同样可以包括模型训练系统122-1，模型训练系统122-1根据关于图2-1的描述进行操作。
如图2-2所示，模型训练系统122-2远离汽车系统200-2的其余部分(例如，驻留在基于云的服务器上)。模型训练系统122-2包括用于在无线链路232上通信的OTA接口228。类似于模型训练系统122-1，模型训练系统122-2包括处理器206-5、存储用于机器学习模型226-2以训练或重新训练经训练模型224的指令的CRM 208-5，并且模型训练系统122-2可以使用与模型训练系统122-1相同的训练方法和技术。不同于模型训练系统122-1的是，模型训练系统122-2的机器学习模型226-2包括标签数据集118-2(例如，真值数据)和雷达数据集120-2(例如，输入数据)，其包括比模型训练系统122-1更多的数据。通过以远程方式驻留到汽车系统200-2，模型训练系统122-2可以接收来自多个汽车系统200-2的输入。进一步，模型训练系统122-2可以包括多个汽车系统200-2中的每个汽车系统200-2的每个雷达系统106-1公用的人工神经网络。这使得模型训练系统122-2能够使用从每个雷达系统106-1获取的数据，即使每个雷达系统106-1由于每个雷达系统106-1之间的安装或校准的判断而不同或具有不同的属性。标签数据集118-2和雷达数据集120-2可以包括来自多个汽车系统200-2的数据的合计。由于多个汽车系统200-2中的每个汽车系统200-2可能经历不同的驾驶条件(例如，密集的大都市条件、稀疏的农村条件、城市街道、州际公路等)，标签数据集118-2和雷达数据集120-2可以包含包括不同驾驶条件的大量数据。以此方式，机器学习模型226-2可以利用包括不同驾驶条件的大量数据来训练经训练模型224。经更新的经训练模型224对于许多不同环境中的许多不同驾驶条件可以是高度准确的。这可以提高具有经更新的经训练模型224的任何交通工具108的可靠性和安全性，无论其行驶的环境如何。
示例实现
图3示出了根据本公开的技术的使用本地模型训练系统302以用于使用V2V技术提高雷达数据预测的准确度的示例实现300。主交通工具304具有类似于汽车系统200-1的汽车系统，该汽车系统包括V2V系统306、雷达系统308、以及模型训练系统302(例如，模型训练系统122-1)，主交通工具304正在包括对象310-1和310-2的环境中行驶。对象310-1和310-2分别包括V2V系统312-1和312-2。V2V系统306和312-1可以经由无线链路414-1通信，并且V2V系统306和312-2可以经由无线链路414-2通信。雷达系统308分别从对象310-1和310-2接收反射的信号316-1和316-2。
V2V系统306可以从对象310-1和310-2接收V2V通信数据，该V2V通信数据包括对象310-1和310-2的交通工具速度、位置、航向和分类。同样，雷达系统308可以检测来自对象310-1和310-2的雷达数据，该雷达数据补充了对象310-1和310-2的V2V通信数据。
V2V通信数据和雷达数据可以被收集并保留在数据集收集器模块中。当主交通工具304遇到不同的对象310时，来自各对象310中的每个对象的数据可以被收集在数据集收集器模块中。在一些方面中，当收集到超过阈值的足够数据时，模型训练系统302可以在雷达系统308的雷达模型上开始训练过程。在执行训练时，模型训练系统302可以不中断雷达系统308的操作。一旦雷达模型被更新，模型训练系统302可以将经更新的模型部署到雷达系统308。经更新的模型可以包含解释主交通工具304在训练过程中所经历的不同驾驶环境和条件的数据。通过在主交通工具304遇到其他交通工具时累积来自其他交通工具的V2V通信数据和雷达数据，用于训练雷达模型的数据集可以持续增长。更大的数据集实现更准确的训练。更准确的训练可以增加雷达系统308的可靠性和主交通工具304的安全性。
图4示出了根据本公开的技术的使用远程模型训练系统402以用于使用V2V技术提高雷达数据预测的准确度的另一个示例实现400。模型训练系统402以远程方式驻留在主交通工具404(包括第一组主交通工具404-1和第二组主交通工具404-2)。也就是说，模型训练系统402可以驻留在基于云的服务器或位于任何主交通工具404外部的其他计算设备上。主交通工具404可以经由诸如WiFi连接或蜂窝连接(例如，4G、5G)之类的无线通信与模型训练系统402通信。模型训练系统402(类似于关于图2-2所描述的模型训练系统122-2)包括机器学习模型406，机器学习模型406存储如下的指令：该指令用于使用标签数据集408作为标签数据并且使用雷达数据集410作为机器学习模型406的输入来训练雷达模型。
在示例实现400中，主交通工具404-1正在交通密集的大都市环境412-1中行驶，并且主交通工具404-2正在交通密度低于环境412-1的农村环境412-2中行驶。环境412可以表示具有许多不同水平的交通密度和驾驶条件的任何环境。例如，环境412可以表示州际公路行驶与在城市街道上行驶。当主交通工具404在它们相应的环境412中行驶时，它们可以遇到其他主交通工具404和包括V2V系统(未示出)但不是主交通工具的其他交通工具。
主交通工具104能够与模型训练系统402通信。主交通工具404可以从彼此以及从其他交通工具收集V2V通信数据和雷达数据。收集到的V2V通信数据和雷达数据可以被传输到模型训练系统402。在一些方面中，在已经收集到超过阈值的数据量之后，该数据从主交通工具被传输到模型训练系统。模型训练系统402可以从各主交通工具中的每一个主交通工具接收数据，以用作标签数据集408和雷达数据集410。标签数据集408是从自各主交通工具404中的每一个主交通工具收集的V2V通信数据导出的，并且雷达数据集410是从自各主交通工具104中的每一个主交通工具收集的雷达数据导出。通过从多个主交通工具404收集数据，标签数据集408和雷达数据集410可以各自变大。此外，由于主交通工具404在不同环境中和不同驾驶条件下行驶，因此标签数据集408和雷达数据集410可以包括各种各样的交通条件。
在机器学习模型406使用标签数据集408和雷达数据集410更新雷达模型(由主交通工具的雷达系统使用)之后，模型训练系统402可以将经更新的雷达模型部署到各主交通工具404中的每一个主交通工具。经更新的雷达模型可以包括各主交通工具404中的每一个主交通工具通常不行驶的交通工具场景。换句话说，经更新的雷达模型可以包括农村交通条件，以用于通常不在农村区域行驶的主交通工具404-1的，并且经更新的雷达模型可以包括大都市行驶条件，以用于通常不在密集交通中行驶的主交通工具404-2。经更新的雷达模型可以包括各种各样的交通条件和密度。因此，经更新的雷达模型可以为各主交通工具404中的每一个主交通工具提供更高的可靠性和安全性，而无论它们可能遇到的环境如何。
示例方法
图5示出了根据本公开的技术的用于使用V2V技术提高雷达数据预测的准确度的示例流程图500。执行操作(或步骤)502到514，但不一定限于本文中示出的操作所按照的顺序或组合。此外，一个或多个操作中的任何一个可以被重复、组合或重组以提供其他操作。
在步骤502处，与对象相关的V2V通信数据和雷达数据由主交通工具接收。V2V通信数据可以包括对象(例如，另一个交通工具)的分类、位置、航向和速度。雷达数据可以包括对象的距离、距离变化率和方位角。
在步骤504处，V2V通信数据和雷达数据被收集并保留在CRM中。保留V2V通信数据和雷达数据直到收集到最小数量的V2V通信数据和雷达数据。
在步骤506处，检查V2V通信数据和雷达数据的数量。如果该数量超过阈值，则可以在步骤508中使用V2V通信数据和雷达数据。如果V2V通信数据和雷达数据的数量低于阈值，则收集更多的V2V通信数据和雷达数据并且可以重新检查该数量。
在步骤508处，雷达模型通过训练该雷达模型被更新。可以使用机器学习技术来执行训练。V2V通信被用作真值数据(例如，标签数据集)。雷达数据被用作用于训练模型的输入。
在510处，测试经更新的模型的准确度。参考生产(production)模型对经更新的雷达模型执行安全性检查。安全性检查包括将经更新的雷达模型与生产模型进行比较以获得最大偏差。如果经更新的雷达模型优于生产模型，则经更新的模型通过安全性检查。
在步骤512处，如果经更新的雷达模型通过安全性检查，则经更新的模型被视为是可部署的。如果经更新的雷达模型未能通过安全性检查，则从步骤502重复该过程直到经更新的雷达模型通过安全性检查。
在步骤514处，经更新的雷达模型被部署到主交通工具。通过使用大型数据集(例如，V2V通信数据和雷达数据)，经更新的雷达模型可以准确地预测与主交通工具在相同环境中的对象的路径和速度。雷达模型可以使得主交通工具的汽车系统能够在主交通工具在环境中行驶时做出安全驾驶决策。
图6示出了根据本公开的技术的用于使用V2V技术提高雷达数据预测的准确度的示例方法。执行操作(或步骤)602到608，但不一定限于本文中示出的操作所按照的顺序或组合。此外，一个或多个操作中的任何一个可以被重复、组合或重组以提供其他操作。
在步骤602处，由主交通工具从主交通工具附近的一个或多个其他交通工具接收V2V通信数据。V2V通信数据通常被认为是准确且精确的数据，并且可以包括一个或多个其他交通工具中的每一个其他交通工具的位置数据、航向数据、速度数据和分类。
在步骤604处，由主交通工具接收与一个或多个其他交通工具相关的传感器数据。本公开通常在雷达传感器的上下文中描述传感器数据；然而，传感器可以是由交通工具用于安全地行驶通过环境的任何传感器。其他传感器的一些示例包括激光雷达传感器、相机传感器和超声传感器。
在步骤606处，由传感器使用的模型被更新以生成经更新的模型。通过应用步骤606-1到606-3更新模型。在步骤606-1处，V2V通信数据被输入作为传感器数据的标签数据。在步骤606-2处，传感器数据被输入到模型中。在步骤606-3处，基于传感器数据和V2V通信数据训练模型。在一些方面中，模型在集成在主交通工具内的专用ECU上进行训练。以此方式训练的模型可以包括主交通工具在其中行驶的环境的交通相关信息。在其他方面中，在主交通工具的远程处训练该模型。用于训练模型的V2V通信数据和传感器数据可以包括由在不同环境中行驶的多个主交通工具接收到的数据。通过包括多个主交通工具的数据，用于训练模型的数据集(例如，标签数据集和传感器数据集)与其他可用数据集相比可以是非常大的。
在步骤608处，经更新的模型被部署到主交通工具。通过接收大量数据并且使用该大量数据训练模型，经更新的模型可以准确地预测各种驾驶环境中的对象跟踪。主交通工具可以使用经更新的模型来在环境中安全地行驶。
附加示例
示例1：一种方法，包括：从主交通工具的V2V通信平台接收来自主交通工具附近的一个或多个其他交通工具的V2V通信数据；接收由主交通工具的传感器系统生成的指示一个或多个其他交通工具的传感器数据；通过以下操作更新模型以生成经更新的模型：输入来自一个或多个其他交通工具的V2V通信数据作为传感器数据的标签数据；将传感器数据输入到模型；以及基于传感器数据和V2V通信数据训练模型；以及将经更新的模型部署到主交通工具，以用于检测和跟踪主交通工具附近的对象。
示例2：示例1的方法，进一步包括：基于经更新的模型以自主或半自主模式操作主交通工具。
示例3：在前示例中任一项的方法，其中经更新的模型是由主交通工具生成的。
示例4：在前示例中任一项的方法，其中更新模型以生成经更新的模型是通过以下操作被执行的：利用第一处理器和第一计算机可读存储介质，第一处理器和第一计算机可读存储介质不同于第二处理器和第二计算机可读存储介质，第二处理器和第二计算机可读存储介质被用于主交通工具的传感器操作。
示例5：在前示例中任一项的方法，其中：主交通工具表示多个主交通工具；经更新的模型是使用多个主交通工具中的每个主交通工具的每个传感器系统公用的人工神经网络相对于多个主交通工具被远程训练的；以及经更新的模型被部署到多个主交通工具。
示例6：在前示例中任一项的方法，其中经更新的模型经由空中更新被部署到多个主交通工具。
示例7：在前示例中任一项的方法，其中经更新的模型还在多个主交通工具中的每一个主交通工具处被训练。
示例8：一种系统，包括：一个或多个处理器，该一个或多个处理器被配置成用于：从第一交通工具的V2V通信平台接收来自第一交通工具附近的一个或多个其他交通工具的V2V通信数据；从第一交通工具的传感器系统接收与一个或多个其他交通工具相关的传感器数据；通过以下操作更新模型以生成经更新的模型：将来自一个或多个其他交通工具的V2V通信数据作为传感器数据的标签数据输入到模型；将传感器数据输入到模型；以及基于传感器数据和V2V通信数据训练模型；以及将经更新的模型部署到第一交通工具，以用于检测和跟踪第一交通工具附近的对象。
示例9：前述示例中的任一项的系统，其中：第一交通工具表示多个主交通工具；经更新的模型相对于多个主交通工具被远程训练；以及经更新的模型被部署到多个主交通工具。
示例10：在前示例中任一项的系统，其中经更新的模型经由空中更新被部署到多个主交通工具。
示例11：在前示例中任一项的系统，其中经更新的模型还在被安装在多个主交通工具中的每一个主交通工具上的分开的系统上被训练。
示例12：在前示例中任一项的系统，其中多个主交通工具中的至少第一组主交通工具在与多个主交通工具中的至少第二组主交通工具在其中操作的第二环境不同的第一环境中操作。
示例13：在前示例中任一项的系统，其中模型是基于接收到的V2V通信数据和接收到的传感器数据超过阈值而被更新的。
示例14：在前示例中任一项的系统，其中一个或多个处理器被进一步配置成用于：将经更新的模型与生产模型进行比较；以及响应于经更新的模型优于生产模型，部署经更新的模型。
示例15：在前示例中任一项的系统，其中每一个相应的其他交通工具的V2V通信数据包括：位置数据；航向数据；以及速度数据。
示例16：在前示例中任一项的系统，其中模型先前经过训练，并且其中模型被持续地训练。
示例17：在前示例中的任一项的系统，其中传感器系统包括雷达系统。
示例18：在前示例中的任一项的系统，其中传感器数据包括：距离数据；距离变化率数据；以及方位角数据。
示例19：一种系统，包括：一个或多个处理器，该一个或多个处理器被配置成用于：从主交通工具的V2V通信平台接收来自主交通工具附近的一个或多个其他交通工具的V2V通信数据；从主交通工具的传感器系统接收与一个或多个其他交通工具相关的传感器数据；通过以下操作更新模型以生成经更新的模型：将来自一个或多个其他交通工具的V2V通信数据作为传感器数据的标签数据输入到模型；将传感器数据输入到模型；以及基于传感器数据和V2V通信数据训练模型；以及将经更新的模型输出到主交通工具，以用于检测和跟踪主交通工具附近的对象。
示例20：在前示例中的任一项的系统，其中系统是主交通工具的部分。
示例21：一种系统，系统包括用于执行前述示例中任一项的方法的装置。
示例22：一种系统，系统包括至少一个处理器，至少一个处理器被配置为执行前述示例中任一项的方法。
示例23：一种包括指令的计算机可读存储介质，该指令在被执行时使得处理器执行前述示例中任一项的方法。
结语
虽然在前述描述中描述并且在附图中示出了本公开的各种实施例，但应当理解，本公开不限于此，而是可以在接下来的权利要求的范围内以各种方式实施为实践。根据前述描述，将显而易见的是，可以做出各种更改而不偏离由接下来的权利要求所限定的本公开内容的精神和范围。与收集用于模型训练的大型数据集相关联的问题可出现在其他系统中。因此，尽管被描述为使用V2V技术提高雷达数据预测的准确度的一种方法，但前述描述的技术可以应用于其他系统，所述其他系统将受益于构建将被用于训练模型的大型数据集。此外，这些技术还可以应用于其他通信数据，例如V2I、V2P和V2X。
除非上下文另有明确规定，否则“或”和语法上相关的术语的使用表示无限制的非排他性替代方案。如本文所使用的，引述一列项目中的“至少一者”的短语是指这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一者”旨在涵盖：a、b、c、a-b、a-c、b-c、和a-b-c，以及具有多个相同元素的任何组合(例如，a-a、a-a-a、a-a-b、a-a-c、a-b-b、a-c-c、b-b、b-b-b、b-b-c、c-c、和c-c-c，或者a、b和c的任何其他排序)。

Claims (20)

1.一种方法，包括：
从主交通工具的交通工具对交通工具(V2V)通信平台接收来自所述主交通工具附近的一个或多个其他交通工具的V2V通信数据；
接收由所述主交通工具的传感器系统生成的指示所述一个或多个其他交通工具的传感器数据；
通过以下操作更新模型以生成经更新的模型：
输入来自所述一个或多个其他交通工具的所述V2V通信数据作为所述传感器数据的标签数据；
将所述传感器数据输入到所述模型；以及
基于所述传感器数据和所述V2V通信数据训练所述模型；以及
将所述经更新的模型部署到所述主交通工具，以用于检测和跟踪所述主交通工具附近的对象。
2.如权利要求1所述的方法，进一步包括：
基于所述经更新的模型以自主或半自主模式操作所述主交通工具。
3.如权利要求1所述的方法，其特征在于，所述经更新的模型是由所述主交通工具生成的。
4.如权利要求3所述的方法，其特征在于，更新所述模型以生成所述经更新的模型是通过以下操作被执行的：
利用第一处理器和第一计算机可读存储介质，所述第一处理器和所述第一计算机可读存储介质不同于第二处理器和第二计算机可读存储介质，所述第二处理器和所述第二计算机可读存储介质被用于所述主交通工具的传感器操作。
5.如权利要求1所述的方法，其特征在于：
所述主交通工具表示多个主交通工具；
所述经更新的模型是使用所述多个主交通工具的每个主交通工具的每个传感器系统公用的人工神经网络相对于所述多个主交通工具被远程训练的；以及
所述经更新的模型被部署到所述多个主交通工具。
6.如权利要求5所述的方法，其特征在于，所述经更新的模型经由空中更新被部署到所述多个主交通工具。
7.如权利要求5所述的方法，其特征在于，所述经更新的模型还在所述多个主交通工具中的每一个主交通工具处被训练。
8.一种系统，包括：
一个或多个处理器，所述一个或多个处理器被配置成用于：
从第一交通工具的交通工具对交通工具(V2V)通信平台接收来自所述第一交通工具附近的一个或多个其他交通工具的V2V通信数据；
从所述第一交通工具的传感器系统接收与所述一个或多个其他交通工具相关的传感器数据；
通过以下操作更新模型以生成经更新的模型：
将来自所述一个或多个其他交通工具的所述V2V通信数据作为所述传感器数据的标签数据输入到所述模型；
将所述传感器数据输入到所述模型；以及
基于所述传感器数据和所述V2V通信数据训练所述模型；以及
将所述经更新的模型部署到所述第一交通工具，以用于检测和跟踪所述第一交通工具附近的对象。
9.如权利要求8所述的系统，其特征在于：
所述第一交通工具表示多个主交通工具；
所述经更新的模型相对于所述多个主交通工具被远程训练；以及
所述经更新的模型被部署到所述多个主交通工具。
10.如权利要求9所述的系统，其特征在于，所述经更新的模型经由空中更新被部署到所述多个主交通工具。
11.如权利要求9所述的系统，其特征在于，所述经更新的模型还在被安装在所述多个主交通工具中的每一个主交通工具上的分开的系统上被训练。
12.如权利要求9所述的系统，其特征在于，所述多个主交通工具中的至少第一组主交通工具在与所述多个主交通工具中的至少第二组主交通工具在其中操作的第二环境不同的第一环境中操作。
13.如权利要求8所述的系统，其特征在于，所述模型是基于接收到的所述V2V通信数据和接收到的所述传感器数据超过阈值而被更新的。
14.如权利要求8所述的系统，其特征在于，所述一个或多个处理器被进一步配置用于：
将所述经更新的模型与生产模型进行比较；以及
响应于所述经更新的模型优于所述生产模型，部署所述经更新的模型。
15.如权利要求8所述的系统，其特征在于，每一个相应的其他交通工具的所述V2V通信数据包括：
位置数据；
航向数据；以及
速度数据。
16.如权利要求8所述的系统，其特征在于，所述模型先前经过训练，并且其中所述模型被持续地训练。
17.如权利要求8所述的系统，其特征在于，所述传感器系统包括雷达系统。
18.如权利要求8所述的系统，其特征在于，所述传感器数据包括：
距离数据；
距离变化率数据；以及
方位角数据。
19.一种系统，包括：
一个或多个处理器，所述一个或多个处理器被配置成用于：
从主交通工具的交通工具对交通工具(V2V)通信平台接收来自所述主交通工具附近的一个或多个其他交通工具的V2V通信数据；
从所述主交通工具的传感器系统接收与所述一个或多个其他交通工具相关的传感器数据；
通过以下操作更新模型以生成经更新的模型：
基于来自所述一个或多个其他交通工具的所述V2V通信数据确定所述传感器数据的地面真值数据；
基于所述传感器数据的所述地面真值数据更新所述模型；以及
将所述传感器数据输入到所述模型；以及
将所述经更新的模型输出到所述主交通工具，以用于检测和跟踪所述主交通工具附近的对象。
20.如权利要求19所述的系统，其特征在于，所述系统是所述主交通工具的部分。
CN202210758134.4A 2021-07-02 2022-06-29 使用交通工具对交通工具技术提高雷达数据预测的准确度 Pending CN115629375A (zh)

Applications Claiming Priority (8)

Application Number Priority Date Filing Date Title
US202163218248P 2021-07-02 2021-07-02
US63/218,248 2021-07-02
US202163272090P 2021-10-26 2021-10-26
US63/272,090 2021-10-26
US202263303347P 2022-01-26 2022-01-26
US63/303,347 2022-01-26
US17/662,998 US20230005362A1 (en) 2021-07-02 2022-05-11 Accuracy of Predictions on Radar Data using Vehicle-to-Vehicle Technology
US17/662,998 2022-05-11

Publications (1)

Publication Number Publication Date
CN115629375A true CN115629375A (zh) 2023-01-20

Family

ID=81984739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210758134.4A Pending CN115629375A (zh) 2021-07-02 2022-06-29 使用交通工具对交通工具技术提高雷达数据预测的准确度

Country Status (3)

Country Link
US (1) US20230005362A1 (zh)
EP (1) EP4113154A1 (zh)
CN (1) CN115629375A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10802489B1 (en) 2017-12-29 2020-10-13 Apex Artificial Intelligence Industries, Inc. Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips
US12081646B2 (en) * 2019-11-26 2024-09-03 Apex Ai Industries, Llc Adaptively controlling groups of automated machines
US12345833B2 (en) * 2021-07-21 2025-07-01 Tocaro Blue LLC Vessel field of awareness apparatus and method

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101633358A (zh) * 2008-07-24 2010-01-27 通用汽车环球科技运作公司 具有集成驾驶风格识别的自适应车辆控制系统
US20190088135A1 (en) * 2017-09-15 2019-03-21 Qualcomm Incorporated System and method for relative positioning based safe autonomous driving
CN110047275A (zh) * 2018-01-13 2019-07-23 丰田自动车株式会社 多个连接的车辆的观察结果之间的关联和相似度学习
US20200272160A1 (en) * 2019-02-22 2020-08-27 Uber Technologies, Inc. Motion Prediction for Autonomous Devices
US20210188306A1 (en) * 2020-12-23 2021-06-24 Nageen Himayat Distributed learning to learn context-specific driving patterns

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5737316B2 (ja) * 2013-04-17 2015-06-17 株式会社デンソー 隊列走行システム
CN106331008A (zh) * 2015-06-26 2017-01-11 中兴通讯股份有限公司 车联网中车辆分组的管理方法及装置
US20180053102A1 (en) * 2016-08-16 2018-02-22 Toyota Jidosha Kabushiki Kaisha Individualized Adaptation of Driver Action Prediction Models
JP6790977B2 (ja) * 2017-04-11 2020-11-25 株式会社デンソー 車両のデータ記憶装置
US11392133B2 (en) * 2017-06-06 2022-07-19 Plusai, Inc. Method and system for object centric stereo in autonomous driving vehicles
DE112017007619T5 (de) * 2017-06-09 2020-05-07 Mitsubishi Electric Corporation Lichtbestrahlungssteuervorrichtung und Lichtbestrahlungssteuerverfahren
US10535257B2 (en) * 2017-10-20 2020-01-14 International Business Machines Corporation Transfer of image data taken by an on-vehicle camera
US20190160998A1 (en) * 2017-11-29 2019-05-30 GM Global Technology Operations LLC Headlight control based on messaging and sensor data
US11197042B2 (en) * 2017-12-20 2021-12-07 Intel Corporation Distributed 3D video for navigation
AT520887A1 (de) * 2018-01-18 2019-08-15 Tgw Logistics Group Gmbh Verfahren und Kommissioniersystem mit verbessertem Betrieb autonomer Förderfahrzeuge
US11169536B2 (en) * 2018-04-09 2021-11-09 SafeAI, Inc. Analysis of scenarios for controlling vehicle operations
US11550061B2 (en) * 2018-04-11 2023-01-10 Aurora Operations, Inc. Control of autonomous vehicle based on environmental object classification determined using phase coherent LIDAR data
US11481665B2 (en) * 2018-11-09 2022-10-25 Hewlett Packard Enterprise Development Lp Systems and methods for determining machine learning training approaches based on identified impacts of one or more types of concept drift
JP7052692B2 (ja) * 2018-11-26 2022-04-12 トヨタ自動車株式会社 隊列走行システム
KR102732488B1 (ko) * 2018-12-14 2024-11-21 현대자동차주식회사 군집 주행차량에 대한 교통 정보 운용 시스템 및 방법
JP7106477B2 (ja) * 2019-03-20 2022-07-26 本田技研工業株式会社 車両制御装置
US11158194B2 (en) * 2019-03-29 2021-10-26 Intel Corporation Technologies for vehicle-to-vehicle communications for autonomous vehicles
EP3754359B1 (en) * 2019-06-18 2024-10-09 Zenuity AB Method of determination of alignment angles of radar sensors for a road vehicle radar auto-alignment controller
KR20210020613A (ko) * 2019-08-16 2021-02-24 엘지전자 주식회사 군집 주행 중 차량의 그룹 이동 방법
US12071030B2 (en) * 2019-12-23 2024-08-27 Lyft, Inc. Camera-sensor fusion module for surface detection and fleet vehicle control systems and methods
US11255957B2 (en) * 2020-01-27 2022-02-22 Ford Global Technologies, Llc Target velocity detection
US11586200B2 (en) * 2020-06-22 2023-02-21 The Boeing Company Method and system for vehicle engagement control
US20230292117A1 (en) * 2020-07-21 2023-09-14 Harman International Industries, Incorporated Systems and methods for data security in autonomous vehicles
EP4196892A4 (en) * 2020-08-17 2024-09-04 Harman International Industries, Incorporated SYSTEMS AND METHODS FOR OBJECT DETECTION IN AUTONOMOUS VEHICLES
US11425852B2 (en) * 2020-10-16 2022-08-30 Verdant Robotics, Inc. Autonomous detection and control of vegetation
US11694543B2 (en) * 2020-11-03 2023-07-04 Argo AI, LLC System and method for data offloading and uploading to exchange data between nodes of a vehicle traffic infrastructure system
US20220168894A1 (en) * 2020-12-01 2022-06-02 Ford Global Technologies, Llc Automotive parts deployment system
CN112580657B (zh) * 2020-12-23 2022-11-01 陕西天诚软件有限公司 一种自学习字符识别方法
US11702098B2 (en) * 2021-03-23 2023-07-18 The Regents Of The University Of Michigan Roadmanship systems and methods
US20220398463A1 (en) * 2021-06-11 2022-12-15 Robert Bosch Gmbh Ultrasonic system and method for reconfiguring a machine learning model used within a vehicle
US12168461B2 (en) * 2021-06-29 2024-12-17 Toyota Research Institute, Inc. Systems and methods for predicting the trajectory of a moving object

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101633358A (zh) * 2008-07-24 2010-01-27 通用汽车环球科技运作公司 具有集成驾驶风格识别的自适应车辆控制系统
US20190088135A1 (en) * 2017-09-15 2019-03-21 Qualcomm Incorporated System and method for relative positioning based safe autonomous driving
CN110047275A (zh) * 2018-01-13 2019-07-23 丰田自动车株式会社 多个连接的车辆的观察结果之间的关联和相似度学习
US20200272160A1 (en) * 2019-02-22 2020-08-27 Uber Technologies, Inc. Motion Prediction for Autonomous Devices
US20210188306A1 (en) * 2020-12-23 2021-06-24 Nageen Himayat Distributed learning to learn context-specific driving patterns

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ALAA AWAD ABDELLATIF ET AL: "Active Learning-based Classification in Automated Connected Vehicles", IEEE CONFERENCE ON COMPUTER COMMUNICATIONS WORKSHOPS, 9 June 2020 (2020-06-09), pages 598 - 603 *

Also Published As

Publication number Publication date
EP4113154A1 (en) 2023-01-04
US20230005362A1 (en) 2023-01-05

Similar Documents

Publication Publication Date Title
US12134379B2 (en) Systems, devices, and methods for predictive risk-aware driving
CN115629375A (zh) 使用交通工具对交通工具技术提高雷达数据预测的准确度
CN113165646A (zh) 用于检测车辆周围的风险因素的电子设备及其控制方法
US10803683B2 (en) Information processing device, information processing method, computer program product, and moving object
US11704912B2 (en) Label-free performance evaluator for traffic light classifier system
EP4279869B1 (en) Determining a state of a vehicle on a road
US11386670B2 (en) Methods and systems for tracking non-connected vehicles
US20240212319A1 (en) Classification of objects present on a road
US11983918B2 (en) Platform for perception system development for automated driving system
US12240487B2 (en) Platform for perception system development for automated driving systems
US11897501B2 (en) ADS perception development
US20220284744A1 (en) Detecting and collecting accident related driving experience event data
US20230230257A1 (en) Systems and methods for improved three-dimensional data association using information from two-dimensional images
CN115269371A (zh) 用于自动驾驶系统的路径规划系统开发的平台
US20240140486A1 (en) Methods and apparatuses for closed-loop evaluation for autonomous vehicles
US20230090338A1 (en) Method and system for evaluation and development of automated driving system features or functions
CN117917701A (zh) 识别未知交通对象
KR102350197B1 (ko) 주행경로 설정장치 및 주행경로 설정방법
US20250209872A1 (en) Methods and systems for setting dynamic triggers for event recordings for a vehicle
US20250148372A1 (en) Automated data annotation for machine learning applications
EP4372584A1 (en) A method for performing a perception task of an electronic device or a vehicle using a plurality of neural networks
CN119600563A (zh) 用于收集数据以用于对象检测模型的后续训练的方法
CN115840636A (zh) 用于自动驾驶系统特征的评估和开发的方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240401

Address after: Jiraum, Luxembourg, Luxembourg J. 12C Kroll Street

Applicant after: Anbofu Manufacturing Management Services Co.,Ltd.

Country or region after: Luxembourg

Address before: Babado J San Michaele

Applicant before: Delphi Technologies, Inc.

Country or region before: Barbados

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240428

Address after: 2 Pestaroz Street, Schaffhausen, Switzerland

Applicant after: Anbofu Technology Co.,Ltd.

Country or region after: Switzerland

Address before: Jiraum, Luxembourg, Luxembourg J. 12C Kroll Street

Applicant before: Anbofu Manufacturing Management Services Co.,Ltd.

Country or region before: Luxembourg