[发明专利]用于生成经机器学习训练的模型的技术

说明书

公开了技术，所述技术用于实现机器学习模型训练公用程序以生成用于高级驾驶辅助系统（ADAS）、驾驶辅助、和/或自动化交通工具（AV）系统的模型。本文中描述的技术可结合对开源和基于云的机器学习训练公用程序的利用来实现以生成经机器学习训练的模型。此类开源解决方案的一个示例包括TensorFlow，其是用于跨一系列任务的数据流和可微分编程的免费且开源的软件库。TensorFlow可与许多不同类型的机器学习公用程序结合使用。

相关申请的交叉引用

本申请要求对2020年8月5日提交的临时申请第63/061444号、2020年9月25日提交的临时申请第63/083608号、2020年11月6日提交的临时申请第63/110488号、以及2020年11月11日提交的临时申请第63/112210号的优先权，这些申请中的每个申请的内容通过引用以其整体而被结合在本文中。

技术领域

本文中所述的方面一般涉及训练系统，并且更特定地，涉及生成经机器学习训练的模型的技术。

背景技术

驾驶辅助产品通常使用人工智能（AI）技术。例如，自主交通工具（AV）系统开发人员可能需要训练以下一代高级驾驶辅助、自主交通工具、和道路体验管理产品（或其它AV/HD地图）作为目标的几种不同类型的机器训练模型。这涉及庞大的基础设施，其需要是快速、灵活、可扩展、且安全的。由于此基础设施可能是成本高且复杂的，当前手段（通过其来实现这些目标以产生这些经训练的模型）尚不充分。

附图说明

被合并在本文中并形成说明书的一部分的附图图示了本公开的方面，并且连同描述，进一步用于解释所述方面的原理以及使得相关领域技术人员能够实现和使用所述方面。

在附图中，相似的参考标号一般是指贯穿不同视图的相同部分。附图不一定是按比例的，代替地，重点一般是放在图示本公开的原理上。在下面的描述中，参考以下附图描述了本公开的各种实施例，在附图中：

图1图示了根据本公开的各种方面的机器学习训练流程；

图2图示了根据本公开的各种方面的机器学习训练流程；以及

图3图示了根据本公开的各种方面的、与如图2中所示的预处理阶段和训练与评估阶段相关联的机器学习训练流程的附加细节；

将参考附图来描述本公开的示例性方面。元素第一次出现的图通常由对应参考编号中（一个或多个）最左边的数字指示。

具体实施方式

以下详细描述涉及附图，附图以图示方式示出了示例性细节，在所述示例性细节中可实践本公开的方面。在以下描述中，阐述了许多具体细节以便提供对本公开的方面的透彻理解。然而，本领域技术人员将明白，可在没有这些具体细节的情况下实践包括结构、系统和方法的方面。本文中的描述和表示是由本领域技术人员用来最有效地将他们的工作的实质传达给本领域其它技术人员的普通手段。在其它实例中，未详细描述公知的方法、规程、组件和电路以免不必要地使本公开的方面难以理解。

I. 示例机器学习模型训练架构

图1示出了根据本公开的各种方面的、与机器学习训练过程相关联的开发周期的概述。机器学习训练过程使用根据用于特定应用的已知数据类型所标记的一组数据来训练机器学习模型。经机器学习训练的模型可以包括例如使机器视觉能对在道路场景、驾驶模型、或其它适合类型的模型（例如，安全性驾驶模型或驾驶策略模型）中所包括的对象进行识别和分类的模型，所述其它适合类型的模型可例如被实现为高级驾驶辅助系统（ADAS）、驾驶辅助、和/或自动化驾驶系统（AV系统）的一部分。注意，在图像处理领域，机器视觉和机器学习有时用于在更“传统”的图像处理技术和基于机器学习的技术之间进行区分。当在本文中使用术语“机器视觉”时，这是指任何适合类型的图像处理技术，其除基于机器学习的技术外还包括此类传统或已知技术，或包括此类传统或已知技术而非基于机器学习的技术，以促进如上所述的对在道路场景、驾驶模型、或其它适合类型的模型中所包括的对象进行识别和/或分类。