[发明专利]用于面向任务的深度神经网络的多层网络

说明书

本公开提供了“用于面向任务的深度神经网络的多层网络”。公开了一种用于控制自主车辆的方法。所述方法可包括接收图像数据。可由第一神经网络将所述图像数据逻辑分类为与多个情况中的一个情况有关。可基于这种逻辑分类将所述图像数据分配给专门训练来解决所述一个情况的第二神经网络。所述第二神经网络可对所述图像数据执行回归。然后，可基于所述回归利用命令控制所述车辆。

技术领域

本发明涉及自主系统，并且更特别地涉及用于自主驾驶的系统和方法。

背景技术

当前现有技术的自主车辆驾驶技术是基于规则的算法。它们需要预期每一个新情况或条件、将其“设计”到算法中并且硬编码到软件中。因此，基于规则的算法难以扩展。另外，基于规则的算法变得越大，可能导致错误状态的故障和冲突条件的风险就越大。因此，需要用于自主驾驶的更好的系统和方法。

发明内容

鉴于前述内容，根据本文体现和广泛描述的本发明，一种方法和设备在本发明的一个实施例中被公开为包括提供“端到端”驾驶的自主车辆。这种车辆可包括深度神经网络(DNN)，其接收图像数据(例如，立体摄像机图像)并且输出驾驶控制(即，转向和/或节气门命令)。可能不需要其他传感器。一旦DNN用覆盖大范围的情况或条件的足够数据进行训练，则当向其呈现从未见过的新条件时，DNN就可自动地插值并可接受地管理新条件。

附图说明

为了易于理解本发明的优点，将通过参考附图中所示的具体实施例来呈现对本发明的更特别的描述。在理解这些附图仅描绘本发明的典型实施例并且因此不应当被认为对本发明的范围进行限制的情况下，将通过使用附图来更具体且详细地描述并解释本发明，在附图中：

图1是示出技术性上下文的一个实施例的示意图，在所述技术性上下文内根据本发明的用于自主控制的系统和方法可进行操作；

图2是示出使用根据本发明的用于自主控制的系统和方法的自主车辆可能遇到的多个典型转向情况的示意图；

图3是对应于图2所示的典型转向情况中的一个情况的图像；

图4是对应于图2所示的典型转向情况中的不同情况的图像；

图5是示出根据本发明的用于自主控制的系统的一个实施例的示意性框图；

图6是根据本发明的用于自主控制的双层方法的一个实施例的示意性框图；

图7是根据本发明的用于自主控制的双层方法的替代性实施例的示意性框图；并且

图8是根据本发明的用于自主控制的双层方法的另一个替代性实施例的示意性框图。

具体实施方式

将容易理解的是，如在本文附图中大体上描述和说明的本发明的部件可以各种各样的不同配置进行布置和设计。因此，如附图所示，本发明的实施例的以下更详细描述并非意图限制所要求保护的本发明的范围，而仅仅代表根据本发明的当前设想的实施例的某些示例。参考附图将最佳地理解当前所述的实施例，其中在各图中相同零件由相同标号标出。

参见图1，根据本发明的自主车辆10可提供“端到端”驾驶。此类车辆10可使用深度神经网络(DNN)，其接收图像数据(例如，立体摄像机图像)并且输出驾驶控制(即，转向和/或节气门命令)。可能不需要其他传感器。也可能不需要算法的另外的混合形式或变体。

使用DNN来控制自主车辆10的一个挑战在于可能需要大量数据来训练DNN。使用DNN的最重要的优点之一在于，一旦DNN用覆盖大范围的情况或条件的足够数据进行训练，则当向其呈现从未见过的新条件时，DNN就可自动地插值并可接受地管理新条件。只有当新条件存在于DNN受训所基于的先前条件的范围之外时，才有可能失效。