[发明专利]用于确定传感器的数据集的品质等级的方法、设备和机器可读的存储介质

说明书

描述一种用于训练用于确定多个传感器中的每个的数据集的品质等级的机器学习模型的方法，多个传感器设置用于生成周围环境表示，具有以下步骤：提供多个传感器的每个的、多个周围环境表示的多个数据集；提供多个周围环境表示的基准真值对象的属性数据；借助度量确定多个传感器的每个的数据集的品质等级，度量将借助数据集确定的变量分别与周围环境表示的所属的基准真值对象的属性数据进行比较；借助多个传感器的每个的多个数据集以及各个所分配的确定品质等级来训练机器学习模型，在相应的训练步骤中将传感器的每个的多个数据集的数据集作为输入信号提供给机器学习模型，机器学习模型提供输出变量以输出多个传感器的每个的单个数据集的品质等级。

技术领域

本发明涉及一种用于训练用于确定传感器的数据集的品质等级的机器学习模型的方法以及一种用于确定传感器的数据集的品质等级的方法。本发明还涉及一种设备、一种计算机程序和一种机器可读的存储介质。

背景技术

实现对周围环境的感知或者说表示(英语Perception，感知)对于至少部分自动化的驾驶的实现具有重要意义，而且对于驾驶员辅助系统也越来越重要。在此，借助传感器检测周围环境，并且例如借助模式识别方法识别周围环境。

传感器的数据因此被转换为周围环境相关方面的符号描述。然后，这种周围环境的符号描述构成在以这种方式描述的周围环境中实施动作的基础，或者构成例如至少部分自动化的移动平台的应用或使用目的基础。对于周围环境的符号描述的典型示例是借助属性来描述静态和动态对象，这些属性表征例如相应的对象的位置、形状、大小和/或速度。对象例如可以涉及必须避免与之碰撞的障碍物。

环境感知通常基于不同模态的多个传感器的数据的组合或融合。例如，可以将不同的传感器类型(例如光学摄像机、雷达系统、激光雷达系统和超声传感器)组合成多模式传感器组。

在此，不同模态的一些不同传感器的视场(Field of Views)在此可以重叠，使得在与应用相关的视场内始终存在至少两个不同模态的传感器数据。这具有以下优点：一个模态的单个传感器的不足原则上可以通过另一模态的其他传感器补偿。例如，在光学摄像机和雷达系统的组合中，可以通过雷达测量感知对象来减轻光学摄像机在雾中的有限的能见度。

发明内容

为了减轻传感器在传感器数据融合范畴中的不足，可以应用不同的方法。例如，在确定的应用中，可能仅针对对象探测的假阳性率或仅针对对象探测的假阴性率进行优化就足够了。

例如，如果——对于至少部分自动化的机器人而言，最重要的标准是避免在至少部分自动化模式下发生碰撞，而在机器人停止后在识别到假阳性对象(“Ghost”)时可以执行手动控制，则可以在避免假阴性探测上优化用于传感器数据融合和环境感知(MSFU)的模块。出于简化，在这样的优化中，如果进行数据生成的传感器模态中的至少一个感知到对象，则假定该对象是真实的。

在这种情况下，如果传感器之一无法识别到对象(假阴性)，而另一传感器模态不受此错误探测的影响，则通过所述另一传感器模态成功地减轻第一传感器的不足。但是，如果传感器模态之一受到假阳性识别(“Ghost”)的影响，则在所述方法中会出现错误，因为在此优化中通过其他模态不会减轻这种情况。这是现有解决方案的缺点。

类似地，例如在自动化紧急制动功能(“Automatic Emergency Breaking”，AEB)中，优化系统以避免假阳性是有意义的，其方式是：仅在对象所在视场中由所有传感器模态都感知到该对象时，用于传感器数据融合和环境感知(MSFU)的模块才会认为该对象是真实的。在这种情况下，现有系统也具有缺点，因为由于在避免假阳性方面的优化而出现与各个传感器模态相比更高的假阴性识别率。

现有系统的所描述的减轻传感器不足的可行方案并没有使用任何信息来分别表明哪个传感器模态分别更可靠或更不可靠。这至少部分地说明了上述缺点的原因。