[发明专利]自主机器中对有问题的传感器的基于深度学习的实时检测和校正

说明书

描述了一种根据一个实施例的用于促进在自主机器中对有问题的传感器进行基于深度学习的实时检测和校正的机构。本文所描述的实施例的装置包括：检测和捕获逻辑，用于促进一个或多个传感器捕获场景的一个或多个图像，其中，一个或多个图像中的图像被确定为不清楚的，其中，一个或多个传感器包括一个或多个相机。该装置还包括分类和预测逻辑，用于促进深度学习模型实时识别与该图像关联的传感器。

技术领域

本文所描述的实施例总体上涉及数据处理，更具体地说，涉及促进在自主机器中对有问题的(compromised)传感器进行基于深度学习的实时检测和校正。

背景技术

自主机器预计在未来呈指数增长，这进而很可能要求传感器(例如，相机)在促进各种任务(例如，自主驾驶)方面领导增长。

常规技术使用多个传感器尝试应用数据/传感器融合，以用于提供某种冗余，以保证精度；然而，这些常规技术是严重受限的，因为它们不能应对或避开提供低质量或误导数据的那些传感器。

附图说明

在附图的各图中，通过示例的方式而不是限制的方式示出实施例，其中，类似标号指代类似要素。

图1示出根据一个实施例的采用传感器自动检查机构的计算设备。

图2示出根据一个实施例的图1的传感器自动检查机构。

图3A示出根据一个实施例的来自多个传感器的静态输入。

图3B示出根据一个实施例的来自单个传感器的动态输入。

图3C示出根据一个实施例的来自单个传感器的动态输入。

图4A示出根据一个实施例的使用深度学习提供用于对有问题的传感器进行实时检测和校正的事务序列的架构设置。

图4B示出根据一个实施例的用于使用深度学习对有问题的传感器进行实时检测和校正的方法。

图5示出根据一个实施例的能够支持和实现一个或多个实施例的计算机设备。

图6示出根据一个实施例的能够支持和实现一个或多个实施例的计算环境的实施例。

具体实施方式

在以下描述中，阐述大量具体细节。然而，可以在没有这些具体细节的情况下实践本文所描述的实施例。在其他实例中，没有详细示出公知的电路、结构和技术，以免掩盖对该描述的理解。

实施例提供用于在自主机器中对有问题的传感器进行基于深度学习的检测、通知、校正的新颖技术。在一个实施例中，自动检查可以包括以下中的一个或多个：检测有问题的传感器，发出告警以警告有问题的传感器，提供对有问题的传感器的任何失真进行实时修理，等。

预期实施例不限于任何数量或类型的传感器；然而，为了简明、清楚并且易于理解，贯穿本文献可以使用一个或多个相机作为示例性传感器，但实施例不限于此。

预期贯穿本文献可以可互换地引用例如“请求”、“询问”、“作业”、“工作”、“工作项”和“工作量”的术语。类似地，“应用”或“代理”可以指代或包括通过应用编程接口(API)(例如，免费渲染API(例如，开放图形库11、12等))提供的计算机程序、软件应用、游戏、工作站应用等，其中，“分派(dispatch)”可以可互换地称为“工作单元”或“绘制”，并且类似地，“应用”可以可互换地称为“工作流”，或简单地，“代理”。例如，工作量(例如，三维(3D)游戏的工作量)可以包括并且发出任何数量和类型的“帧”，其中，每个帧可以表示图像(例如，帆船、人脸)。此外，每个帧可以包括并且提供任何数量和类型的工作单元，其中，每个工作单元可以表示其对应帧所表示的图像(例如，帆船、人脸)的一部分(例如，帆船的桅杆、人脸的额头)。然而，为了一致性，贯穿本文献，每个项可以由单个术语(例如，“分派”、“代理”等)引用。