[发明专利]从时间序列元素生成用于机器学习的地面真值

说明书

接收包括一组时间序列元素的传感器数据。确定训练数据集，包括通过针对该组时间序列元素中的至少所选的时间序列元素确定对应地面真值。该对应地面真值是基于该组组时间序列元素中的多个时间序列元素的。处理器用于使用所述训练数据集来训练机器学习模型。

相关申请的交叉引用

本申请是标题为“GENERATING GROUND TRUTH FOR MACHINE LEARNING FROM TIMESERIES ELEMENTS”且于2019年2月1日提交的美国专利申请第16/265729号的继续申请并且要求其优先权，该申请的公开内容以全文引用的方式并入本文中。

背景技术

通过训练机器学习模型来开发用于诸如自主驾驶等应用的深度学习系统。通常，深度学习系统的性能至少部分地受限于用于训练模型的训练集的质量。在许多情况下，大量资源投入于对训练数据进行收集、编策(curating)和标注。传统上，编策训练数据集的许多工作是通过审阅潜在训练数据和适当地标记与数据相关联的特征来手动地完成的。创建具有准确标记的训练集所要求的工作可能是大量的并且通常是繁琐的。此外，通常难以收集和准确地标记机器学习模型需要对其改进的数据。因此，存在对改进用于生成具有准确标记的特征的训练数据的过程的需要。

附图说明

在以下详细描述和附图中公开本发明的各种实施例。

图1是说明用于自主驾驶的深度学习系统的实施例的框图。

图2是说明用于训练和应用用于自主驾驶的机器学习模型的过程的实施例的流程图。

图3是说明用于使用元素的时间序列来创建训练数据的过程的实施例的流程图。

图4是说明用于训练和应用用于自主驾驶的机器学习模型的过程的实施例的流程图。

图5是说明从车辆(vehicle)传感器捕获的图像的示例的图解。

图6是说明从具有车道线的预测三维轨迹的车辆传感器捕获的图像的示例的图解。

具体实施方式

本发明可以多种方式实现，包括作为：过程；装置；系统；物质组成；在计算机可读存储介质上体现的计算机程序产品；和/或处理器，诸如被配置为执行被存储在存储器上和/或由该存储器提供的指令的处理器，该存储器耦合到该处理器。在本说明书中，本发明可以采取的这些实现或任何其他形式可以被称为技术。一般来说，可在本发明的范围内改变所公开过程的步骤的次序。除非另外陈述，否则诸如描述为被配置成执行任务的处理器或存储器等组件可被实现为在暂时被配置为在给定时间执行任务的通用组件或被制造为执行任务的专用组件。如本文中所使用，术语“处理器”是指被配置为处理数据(诸如计算机程序指令)的一个或多个设备、电路和/或处理核心。

下文连同说明本发明的原理的附图一起提供本发明的一个或多个实施例的详细描述。结合这样的实施例来描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求限制，且本发明涵盖许多备选、修改和等效体。在以下描述中阐述大量具体细节以提供本发明的完全理解。这些细节是出于示例目的提供，并且可以在没有这些具体细节中的一些或全部细节的情况下根据权利要求来实践本发明。出于清楚目的，未详细描述与本发明相关的技术领域中已知的技术材料，以使得不会不必要地使本发明被混淆。