用于教学可遍历性的嵌入+SVM制造技术

本公开涉及用于教学可遍历性的嵌入+SVM。一种系统，包括被配置为存储由相机捕获的图像数据的存储器模块，以及通信地耦合到存储器模块的电子控制器。电子控制器被配置为接收由相机捕获的图像数据、实现被训练为预测环境的图像数据中的可驾驶部分的神经网络。神经网络预测环境的图像数据中的可驾驶部分。电子控制器被配置为实现支持向量机。支持向量机基于支持向量机的超平面来确定由神经网络输出的环境的预测的可驾驶部分是否被分类为可驾驶的，并输出环境的可驾驶部分的指示。

【技术实现步骤摘要】
用于教学可遍历性的嵌入+SVM对相关申请的交叉引用本申请要求于2019年9月13日提交的美国临时专利申请No.62/900,091的权益，该申请的全部内容通过引用并入本文。
本说明书一般而言涉及分类器系统。更具体而言，本说明书涉及用于对环境的图像数据的可驾驶部分和不可驾驶部分进行分类的系统和方法。
技术介绍
一般而言，当由神经网络启用的自主系统(autonomoussystem)遇到该神经网络先前尚未在其中训练过的新环境时，神经网络会做出不正确的预测或确定。为了改善神经网络的操作，一般需要用包括与新环境相关的新数据或附加数据的训练数据对神经网络进行重新训练。重新训练神经网络的过程是耗时的、资源密集的，并且一般要求在重新训练神经网络的同时使实现神经网络的系统离线。因而，需要使得诸如机器人之类的自主系统能够适应新环境并改善其在新环境中执行分类任务的能力而无需离线重新训练神经网络的系统和方法。
技术实现思路
在一个实施例中，一种系统包括被配置为存储由相机捕获的图像数据的存储器模块，以及通信地耦合到存储器模块的电子控制器。电子控制器被配置为接收由所述相机捕获的图像数据；实现被训练为预测环境的图像数据中的可驾驶部分的神经网络，其中所述神经网络预测所述环境的图像数据中的可驾驶部分；实现支持向量机，其中所述支持向量机基于所述支持向量机的超平面来确定由所述神经网络输出的环境的预测的可驾驶部分是否被分类为可驾驶的；以及输出所述环境的可驾驶部分的指示。在一些实施例中，一种用于预测环境的可驾驶部分的方法包括：用电子控制器接收由相机捕获的图像数据；用所述电子控制器实现神经网络，所述神经网络被训练为预测所述环境的图像数据中的可驾驶部分；用所述神经网络预测所述环境的图像数据中的可驾驶部分；用所述电子控制器实现支持向量机；用所述支持向量机基于所述支持向量机的超平面来确定由所述神经网络输出的所述环境的预测的可驾驶部分是否被分类为可驾驶的；以及输出所述环境的可驾驶部分的指示。在一些实施例中，一种用于预测环境的可驾驶部分的方法包括：用电子控制器接收由相机捕获的图像数据；通过由所述电子控制器在显示器上生成的用户界面来注释所述图像数据，其中使用交互式工具将所述图像数据的一个或多个部分注释为可驾驶的；用所述电子控制器实现支持向量机，所述支持向量机被配置为从被训练为预测所述环境的可驾驶部分的神经网络接收对所述环境的可驾驶部分的预测；以及基于注释的图像数据来更新所述支持向量机的超平面，使得改变定义所述超平面的约束。结合附图，根据以下详细描述将更加充分地理解本文描述的实施例所提供的这些和附加特征。附图说明在附图中阐述的实施例本质上是说明性和示例性的，并且不旨在限制由权利要求限定的主题。当结合以下附图阅读时，可以理解说明性实施例的以下详细描述，其中，相同的结构用相同的附图标记表示，并且其中：图1示意性地描绘了根据本文示出和描述的一个或多个实施例的采用基于神经网络和支持向量机的分类器系统的示例系统；图2描绘了根据本文示出和描述的一个或多个实施例的用于实现具有神经网络模型的分类器系统的说明性图，该神经网络模型具有用于预测或确定环境的可驾驶部分的支持向量机；图3描绘了根据本文示出和描述的一个或多个实施例的被配置为用于编辑和/或注释环境的图像数据的可驾驶部分和不可驾驶部分的说明性用户界面；图4描绘了根据本文示出和描述的一个或多个实施例的被配置为用于编辑和/或注释环境的图像数据的可驾驶部分和不可驾驶部分的说明性用户界面；以及图5描绘了根据本文示出和描述的一个或多个实施例的用于预测环境的可驾驶部分和不可驾驶部分并更新分类器系统的说明性流程图。具体实施方式本公开的实施例包括提供分类器系统的系统和方法，该分类器系统被配置为对环境的图像数据的可驾驶部分和不可驾驶部分进行分类。更具体而言，本公开涉及以独特配置实现神经网络和支持向量机(“SVM”)的分类器系统和方法，该独特配置使得能够在线更新分类器系统而无需在新环境被呈现给分类器系统时重新训练神经网络。如本文所使用的，“在线”或“在线更新”是指当捕获和处理来自环境的数据时与“离线”相反的更新分类器系统的能力，在“离线”中静态的预定义数据集被用于训练或更新分类器系统。在实施例中，神经网络接收环境的图像数据。图像数据例如可以直接从机器人相机获得，或者可以从电子控制器的存储器模块中检索。训练神经网络以生成对环境的可驾驶部分的初始预测。神经网络可以对图像数据执行诸如特征提取等操作。在一些实施例中，可以对输入图像数据执行诸如逐像素、可遍历性分析(traversabilityanalysis)和嵌入之类的操作，以预测和/或确定环境的图像数据的可驾驶部分。如本文所使用的，“部分”和“图像数据的部分”是指图像的一个或多个像素。而且，分类器系统针对每个像素或一组像素(在本文中称为“部分”和“图像数据的部分”)生成关于机器人或车辆是否可以遍历由图像数据的像素或像素组所表示的环境的那部分的预测。系统可以将定义每个像素值的16或更多位数的值与可驾驶或不可驾驶指示相关联。而且，当系统分析像素组和定义该组内每个像素的值的分组时，系统(例如，神经网络)可以学习导致环境中的可驾驶和不可驾驶区域的像素组的模式。但是，这仅仅是系统可以如何学习预测环境的图像数据的可驾驶部分和不可驾驶部分的一个示例。然后，神经网络的输出可以由支持向量机处理，其中在支持向量机内的既定的超平面可以精炼预测和/或确定。添加具有既定的和可调整的超平面的支持向量机为分类器系统提供了方便的更新能力。即，当需要新的环境或对分类器系统进行校正以改善对环境的可驾驶部分的预测和/或确定时，可以将注释的图像数据用于调整超平面，而不是要求完全重新训练神经网络。超平面确认和/或更新由神经网络生成的环境的图像数据的可驾驶部分和不可驾驶部分的预测。因此，通过调整支持向量机的超平面，一旦由支持向量机处理，就可以随后且更正确地将图像数据中可以被神经网络错误地确定为可驾驶部分或不可驾驶部分的预测和/或确定定义为不可驾驶或可驾驶的。在一些实施例中，可以经由用户界面来更新来自支持向量机的输出，该用户界面被配置为使用户能够电子绘制(即，以图形方式标记)环境的图像数据的应当被识别为可驾驶或不可驾驶但分别被神经网络预测为不可驾驶或可驾驶的部分。注释的环境图像数据可以被反馈回支持向量机中，使得根据需要更新定义由神经网络生成的预测的分类的超平面。更新支持向量机的一个或多个超平面可以包括更新以下参数中的一个或多个：正则化参数、伽玛参数和/或裕度。支持向量机的正则化参数定义应当避免多少误分类。即，正则化参数定义了给予误分类的重要程度，使得随着正则化参数增加，允许误分类的示例越少，并且当正则化参数趋于0(不为0)时，允许更多误分类。支持向量机的伽玛参数定义单个训练示例的影响达到的程度，其中低值意味着“远”，高值意味着“近”。换句话说，对于较低的伽玛，在计算超平面时考虑远离合理的超平面的点，而较本文档来自技高网...

【技术保护点】
1.一种系统，所述系统包括：/n存储器模块，所述存储器模块被配置为存储由相机捕获的图像数据；以及/n电子控制器，所述电子控制器通信地耦合到所述存储器模块，其中所述电子控制器被配置为：/n接收由所述相机捕获的图像数据；/n实现神经网络，所述神经网络被训练为预测环境的图像数据中的可驾驶部分，其中所述神经网络预测所述环境的图像数据中的可驾驶部分；/n实现支持向量机，其中所述支持向量机基于所述支持向量机的超平面来确定由所述神经网络输出的所述环境的预测的可驾驶部分是否被分类为可驾驶的；以及/n输出所述环境的可驾驶部分的指示。/n

【技术特征摘要】
20190913 US 62/900,091;20191127 US 16/697,2901.一种系统，所述系统包括：
存储器模块，所述存储器模块被配置为存储由相机捕获的图像数据；以及
电子控制器，所述电子控制器通信地耦合到所述存储器模块，其中所述电子控制器被配置为：
接收由所述相机捕获的图像数据；
实现神经网络，所述神经网络被训练为预测环境的图像数据中的可驾驶部分，其中所述神经网络预测所述环境的图像数据中的可驾驶部分；
实现支持向量机，其中所述支持向量机基于所述支持向量机的超平面来确定由所述神经网络输出的所述环境的预测的可驾驶部分是否被分类为可驾驶的；以及
输出所述环境的可驾驶部分的指示。


2.如权利要求1所述的系统，其中所述电子控制器还被配置为：
在显示器上提供用户界面，其中所述用户界面包括图像数据；
提供交互式工具，所述交互式工具用于编辑或注释在所述图像数据中捕获的所述环境的可驾驶部分；以及
基于注释的图像数据来更新所述支持向量机的超平面。


3.如权利要求2所述的系统，其中所述交互式工具包括绘画工具，由此用户高亮显示在所述显示器上显示的所述图像数据的部分以指示所述环境的可驾驶部分。


4.如权利要求1-3中任意一项权利要求所述的系统，其中所述电子控制器还被配置为：
当将新环境的注释的图像数据输入到所述支持向量机时，基于由所述神经网络输出的所述环境的预测的可驾驶部分来自动更新所述支持向量机的超平面，由此在线更新所述支持向量机而无需重新训练所述神经网络。


5.如权利要求1-3中任意一项权利要求所述的系统，其中所述存储器模块还包括验证图像数据，以及
所述电子控制器还被配置为：
从所述验证图像数据中检索验证图像；
通过所述神经网络和所述支持向量机处理所述验证图像，使得生成对所述验证图像中的可驾驶部分的预测；以及
确认由所述支持向量机输出的所述环境中的预测的...

【专利技术属性】
技术研发人员：J·马，K·尚卡尔，K·斯通，
申请(专利权)人：丰田研究所股份有限公司，
类型：发明
国别省市：美国;US