[发明专利]用于控制执行器的方法、计算机系统和计算机程序

说明书

本发明涉及一种用于控制执行器（10）的方法（40），包括步骤：将经过学习的机器学习系统（12）的分别具有来自不同可能变量（p_1，p_2，p_3）的第一集合的一个变量的参数分别映射为不同可能变量（w_1，w_2，w_3）的至少一个可预给定第二集合的一个变量。将转换后的参数分别存储在存储块中。根据输入变量和所存储的参数来确定所述机器学习系统的输出变量。分别借助于至少一个掩码从相应的存储块中读取所存储的参数。根据所确定的输出变量操控所述执行器（10）。本发明还涉及计算机系统、计算机程序和机器可读存储元件，在所述机器可读存储元件上存储有所述计算机程序。

技术领域

本发明涉及一种用于根据机器学习系统的输出变量来控制执行器的方法。本发明还涉及一种用于控制所述执行器的计算机系统和一种被设计为执行所述方法的计算机程序。

背景技术

DE 10 2011 087 791 A1公开了一种在车辆中的操纵辅助系统中的方法以及对应的操纵辅助系统。该方法包括以下步骤：识别状况，车辆驾驶员根据所述状况想要相对于对象采取手动操作，以及在将所述车辆相对于所述对象对准时给予辅助。

本发明的优点

在神经网络的运行期间，所述神经网络内可能出现信号干扰，所述信号干扰可能导致错误分类。这可能在安全性至关重要的应用中产生严重后果，例如无法借助于被信号干扰削弱的神经网络来按照实际探测交通场景中是否存在对象。相反，独立权利要求的主题具有以下优点：借助于掩码从存储器中读取深度神经网络的参数，由此所述存储器内的干扰（特别是误码）可能对所述深度神经网络的运行产生较小的影响。

发明内容

在第一方面，提出了一种根据独立权利要求1的用于控制执行器的方法。所述方法尤其包括具有以下特征的步骤：

-映射经过学习的机器学习系统的参数。将分别具有不同可能变量的第一集合的一个变量的参数分别映射为不同可能变量的至少一个可预给定第二集合的一个变量。不同可能变量的第二集合所具有的变量少于不同可能变量的第一集合所具有的变量少。

-将所映射的参数分别存储在存储块中。

-根据输入变量和所存储的参数来确定所述机器学习系统的输出变量。借助于掩码从相应的存储块中读取所存储的参数。

经过学习的机器学习系统是已经使用可预给定训练数据学习过以解决可预给定任务（例如，分割图像或对输入变量进行分类）的机器学习系统。

该方面的一个优点是，通过减少可能不同变量（例如值或至少一维的向量）的数量，可以减少用于存储所述参数的存储器耗费。此外，伴随着不同变量的数量的减少，也可以减少表示不同变量所需的位的数量。因此，为了将相应的变量存储在寄存器中，不再需要所述寄存器的所有位。只有表示所述存储块中存储的变量所需的位才借助于掩码读取，由此，通过掩蔽地读取所述寄存器，例如在不需要表示所存储的变量的位中可能出现的误码不会改变原始存储的参数。这具有有利的效果，即可以提高所述机器学习系统相对于硬件侧干扰的鲁棒性，所述硬件侧干扰可能例如由于高能辐射而产生。

另一个优点是，通过将参数分别存储在存储块中，在控制流错误的情况下只有一个参数会被错误地读取。在下文中，控制流错误被理解为读取错误的寄存器。此外，通过减少不同变量的数量，可以出现更少的不同错误，由此可以限制不同错误的可能数量。

有利的是，不同可能变量的第一集合的最大变量大于不同可能变量的第二集合的最大变量。这样做的优点是，通过较小的最大变量，在表示最大变量所需的位之一发生误码干扰的情况下绝对最大错误变小，并且较小的最大变量可以用更少的位存储在所述存储器中。

此外有利的是，检查在确定所述机器学习系统的输出变量期间确定的变量，特别是中间变量，以查看它们是否大于最大变量。如果在确定所述机器学习系统的输出变量时所述机器学习系统有变量大于最大变量，则将所述机器学习系统的输出变量标记为错误。由此可以及早探测到干扰或错误。