[发明专利]用于机动车辆的前灯控制系统和训练用于前灯控制系统的机器学习模型的方法

说明书

本发明提供了一种用于机动车辆的前灯控制系统(10)，该前灯控制系统包括：可控前灯(24)，该可控前灯适于生成车辆环境的可变照明；成像设备(11)，该成像设备适于从机动车辆前方的区域捕获图像(100)；以及数据处理装置(14)，该数据处理装置适于对由该成像设备(11)捕获的图像(100)执行图像处理，并且适于根据该图像处理来改变该可控前灯(24)的光特性。在所述数据处理装置(14)中实现机器学习模型(27)，该机器学习模型被训练成由作为输入从成像设备(11)接收的一个或多个图像(28)估计和输出表示车辆环境的期望照明的输出信号(29)。

技术领域

本发明涉及一种用于机动车辆的前灯控制系统，该前灯控制系统包括：可控前灯，该可控前灯适于生成车辆环境的可变照明；成像设备，该成像设备适于从机动车辆前方的区域捕获图像；以及数据处理装置，该数据处理装置适于对由所述成像设备捕获的图像执行图像处理，并且适于根据所述图像处理来改变所述可控前灯的光特性。本发明还涉及一种训练用于此类前灯控制系统的机器学习模型的方法。

背景技术

用于自动前灯控制的系统通常基于其对各个车辆或光源的明确检测的决策。这使得难以适当地处理车辆出现过弯或爬岭的情况，或者当迎面而来的车辆的前灯被护栏、障碍物或其他对象遮挡时的情况。

EP 2 495 127B1公开了一种帮助检测出现过弯或爬岭的车辆的光先兆检测方法。然而，该方法对此类先兆的外观提出了相当严格的要求，并且没有解决遮挡光源的其他结构或对象的问题。另外，该方法必须由光源检测器或车辆检测器来补充。此外，为了控制前灯，需要另外的逻辑来解释检测并且决定前方道路应如何被照亮。

发明内容

本发明的根本问题是提供一种用于前灯控制系统的整体方法，该前灯控制系统适于处理不同的光照条件，包括其中结构和对象遮挡光源的所有类型的情况。

本发明利用独立权利要求的特征来解决该问题。根据本发明，在数据处理装置中实施机器学习模型，该机器学习模型被训练成由作为输入从成像设备接收的一个或多个图像估计和输出表示车辆环境的期望照明的输出信号。

人能够解读多种光提示，诸如光晕、杂散光或反射，从而例如确定其他车辆的可能位置。为了模拟该方法，本发明提供了一种机器学习模型，该机器学习模型已经过训练以整体地考虑整个图像或多个图像，以直接估计前灯控制信号，或更一般地，估计表示车辆环境的期望照明的输出。一般来讲，由一个或多个前灯对车辆环境的期望照明包括机动车辆的前灯中存在的所有光源的角分布和/或强度分布，包括高光束光源的照明状态。

在本发明的一个优选实施方案中，机器学习模型是卷积神经网络。机器学习模型被有利地训练以输出期望的照明分布，给定输入图像或若干输入图像，该照明分布优选地被定义为每个水平角区段的上部竖直照明角度，或界定图像中的期望照明区域的曲线中的任一者。在这种情况下，由机器学习模型输出的输出信号有利地包括如上定义的以相对于前灯的光轴的角度表示的期望照明分布。

真实数据优选地通过手动注释(即，通过人类注释者)生成。对于显著长于成像装置(相机)和前灯之间的间隔的距离，期望的照明分布通过界定图像中期望的照明区域的曲线紧密近似，这可容易地被人类注释者识别。因此，可有利地训练机器学习模型以输出界定图像中期望的照明区域的曲线，而不是例如期望的照明分布。

可利用将由机器学习模型输出的期望的照明的另选输出表示。例如，可训练机器学习模型以输出期望的距离分布，该距离分布优选地被定义为每个水平角区段的照明距离。在这种情况下，由机器学习模型输出的输出信号有利地包括如上所定义的期望的距离分布。

在另一个实施方案中，可训练机器学习模型以输出前灯的期望的每像素强度图。换句话讲，由机器学习模型输出的输出信号有利地包括期望的每像素强度图。该输出表示可特别用于与矩阵前灯结合使用，其中每个前灯包括光源如LED的矩阵，其强度可单独控制。