SICHTWEITEABSCHÄTZUNG UNTER VERWENDUNG VON DEEP LEARNING IN AUTONOMEN MASCHINENANWENDUNGEN

• Main Authors: Gupta, Arjun, Tang, George, Seo, Hae-Jong, Bajpayee, Abhishek
• Format: Patent
• Language: German
• Published: 30.03.2023
• Subjects: CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE ORDIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; PERFORMING OPERATIONS; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TOTHE CONTROL OF A PARTICULAR SUB-UNIT; TRANSPORTING; VEHICLES IN GENERAL

In verschiedenen Beispielen werden Systeme und Verfahren offenbart, die ein oder mehrere Modelle für maschinelles Lernen (MLMs) - wie zum Beispiel Deep Neural Networks (DNNs) - verwenden, um Ausgaben zu berechnen, die eine geschätzte Sichtweite angeben, die Sensordaten entspricht, die mit einem oder mehreren Sensoren einer autonomen oder halbautonomen Maschine erzeugt wurden. Sobald die Sichtweite unter Verwendung des einen oder der mehreren MLMs berechnet wurde, kann die Verwendbarkeit der Sensordaten für eine oder mehrere nachgelagerte Aufgaben der Maschine bewertet werden. Wenn die geschätzte Sichtweite gering ist, können die entsprechenden Sensordaten für weniger Aufgaben verwendet werden als bei einer hohen Sichtweite. In various examples, systems and methods are disclosed that use one or more machine learning models (MLMs) - such as deep neural networks (DNNs) - to compute outputs indicative of an estimated visibility distance corresponding to sensor data generated using one or more sensors of an autonomous or semi-autonomous machine. Once the visibility distance is computed using the one or more MLMs, a determination of the usability of the sensor data for one or more downstream tasks of the machine may be evaluated. As such, where an estimated visibility distance is low, the corresponding sensor data may be relied upon for less tasks than when the visibility distance is high.