用于准确标识交通工具的环境中的对象的设备和方法与流程

1.本公开的各方面总体上涉及自主驾驶系统。


背景技术：

2.自主驾驶利用可靠的驾驶控制和安全性系统，该驾驶控制和安全性系统处理在交通工具处采集的数据来实现驾驶策略。可使用一种或多种类型的数据采集设备在交通工具处采集数据和/或可从外部源接收数据。数据可包括与交通工具和/或交通工具的环境等等有关的数据。交通工具可被配置成用于基于该数据来实现特定的驾驶策略，该特定的驾驶策略诸如改变交通工具的移动和/或修改交通工具相对于其他外部要素的定位。另外，自主交通工具可被配置成与其他设备(诸如，其他交通工具、网络基础设施元件、其他无线设备等)通信，以辅助交通工具的移动，提供更快的信息处理，并且一般而言，与外部要素就信息进行通信。
附图说明
3.在附图中，贯穿不同的视图，相同的附图标记一般指代相同部分。这些附图不一定是按比例的，而是一般着重于说明本发明的原理。在以下描述中，参照下面的附图描述本发明的各个方面，其中：
4.图1示出根据本公开的各个方面的示例性自主交通工具。
5.图2示出根据本公开的各个方面的交通工具的安全性系统的各种示例性电子组件。
6.图3示出根据一些方面的具有各种通信设备的示例性网络区域。
7.图4示出根据一些方面的示例性高效数据注释和概率模型重新训练。
8.图5a-图5b示出根据一些方面的示例性概率模型。
9.图6a-图6b示出根据一些方面的示例性联合概率分布。
10.图7示出根据一些方面的示例性交通工具环境。
11.图8a-图8b示出根据一些方面的用于计算确定性阈值的示例性方法。
12.图9示出根据一些方面的示例性数据偏移场景。
13.图10示出根据一些方面的示例性分布外场景。
14.图11-图13示出根据一些方面的示例性流程图。
具体实施方式
15.以下详细描述中对附图进行参考，附图通过图示方式示出了可在其中实施本公开的示例性细节和方面。
16.在本文中使用词语“示例性”来意指“充当示例、实例或说明”。本文中被描述为“示例性”的任何实施例或设计不必被解释为相比其他方面或设计是优选或有利的。
17.贯穿附图，应注意，除非另有说明，否则相同的附图标记用于描绘相同或相似的要
素、特征和结构。
18.术语“至少一个”和“一个或多个”可被理解为包括大于或等于一的数量(例如，一个、二个、三个、四个、[...]等)。术语“多个(a plurality)”可被理解为包括大于或等于二的数量(例如，二个、三个、四个、五个、[...]等)。
[0019]
说明书和权利要求书中的词语“复数”和“多个(multiple)”明确地指代大于一的量。因此，任何明确地援引上述词语来指代某个数量的对象的短语(例如，多个“多(plural)[要素],”、“多个(multiple)[要素]”)明确地指代多于一个的所述要素。说明书和权利要求书中的术语“(
……
的)组”、“(
……
的)集”、“(
……
的)集合”、“(
……
的)系列”、“(
……
的)序列”、“(
……
的)分组”等(如果存在)指代等于或大于一的量，即一个或多个。短语“适当的子集”、“减小的子集”、和“较小的子集”指代集合的不等于该集合的子集，说明性地，指代集合的包含比该集合少的元素的子集。
[0020]
关于一组要素的短语
“……
中的至少一个”在本文中可用于意指来自包括这些要素的组的至少一个要素。例如，关于一组要素的短语
“……
中的至少一个”在本文中可用于意指以下中的选择：所列要素中的一个、多个所列要素中的一个要素、多个个体所列要素、或多个个体所列要素中的多个。
[0021]
如本文中所使用的术语“数据”可被理解为包括采用任何合适的模拟或数字形式的信息，例如，作为文件、文件的部分、文件集合、信号或流、信号或流的部分、信号或流的集合等等来提供的信息。进一步地，术语“数据”还可用于意指对信息的例如以指针的形式的引用。然而，术语“数据”不限于上述示例，并且可采取各种形式并表示如本领域中理解的任何信息。
[0022]
例如，如本文中所使用的术语“处理器”或“控制器”可被理解为允许处置数据的任何种类的技术实体。可根据由处理器或控制器执行的一个或多个特定功能来处置数据。进一步地，如本文中所使用的处理器或控制器可被理解为任何种类的电路(例如，任何种类的模拟或数字电路)，并且还可被称为“处理电路”、“处理电路系统”等等。处理器或控制器因此可以是或可包括模拟电路、数字电路、混合信号电路、逻辑电路、处理器、微处理器、中央处理单元(cpu)、图形处理单元(gpu)、数字信号处理器(dsp)、现场可编程门阵列(fpga)、集成电路、专用集成电路(asic)等，或其任何组合。下文将进一步详细描述的相应功能的任何其他种类的实现方式也可被理解为处理器、控制器或逻辑电路。应理解，本文中详述的处理器、控制器或逻辑电路中的任何两个(或更多个)可被实现为具有等效功能或类似功能的单个实体等等，并且相反地，本文中详述的任何单个处理器、控制器或逻辑电路可被实现为具有等效功能或类似功能的两个(或更多个)分开的实体等等。
[0023]
如本文中所使用，“存储器”被理解为数据或信息可以被存储在其中以供检取的计算机可读介质。对本文中所包括的“存储器”的引用可因此被理解为是指易失性或非易失性存储器，包括随机存取存储器(ram)、只读存储器(rom)、闪存、固态存储、磁带、硬盘驱动器、光驱等等、或其任何组合。在本文中，寄存器、移位寄存器、处理器寄存器、数据缓冲器等等也可由术语存储器包含。术语“软件”是指任何类型的可执行指令，包括固件。
[0024]
除非明确地指定，否则术语“发射”涵盖直接(点对点)和间接(经由一个或多个中间点)的发射两者。类似地，术语“接收”涵盖直接和间接的接收两者。此外，术语“发射”、“接收”、“传递”或其他类似术语涵盖物理传输(例如，对无线电信号的传输)和逻辑传输(例如，
通过逻辑软件级连接对数字数据的传输)两者。例如，处理器或控制器可通过软件级连接以无线电信号的形式与另一处理器或传感器对数据进行发射或接收，其中，物理发射和接收由诸如rf收发机和天线之类的无线电层组件处置，并且通过软件级连接的逻辑发射和接收由处理器或控制器执行。术语“传递”涵盖发射和接收中的一者或两者，即，在传入方向和传出方向中的一个或这两个方向上的单向或双向传输。术语“计算”涵盖经由数学表达式/公式/关系进行的
‘
直接’计算和经由查找表或散列表以及其他数组索引或搜索操作进行的
‘
间接’计算两者。
[0025]
可以将“交通工具”理解为包括任何类型的被驾驶对象。作为示例，交通工具可以是具有内燃机、反作用式引擎、电驱动对象、混合驱动对象或其组合的被驾驶对象。交通工具可以是或者可以包括汽车、公共汽车、小型公共汽车、货车、卡车、房车、车辆拖车、摩托车、自行车、三轮车、火车机车、火车车厢、移动机器人、个人运输机、船只、船、潜水器、潜艇、无人机、飞机、火箭等等。
[0026]“地面交通工具”可被理解为包括如上文所述的在地面上(例如，在街道上、在道路上、在轨道上、在一条或多条铁轨上、越野等)被驾驶的任何类型的交通工具。“空中交通工具”可被理解为如上文所述的能够在任何持续时间内在地面上方被操纵的任何类型的交通工具，例如无人机。相应地，类似于具有用于在地面上提供移动性的轮、带等的地面交通工具，“空中交通工具”可具有一个或多个螺旋桨、机翼、风扇等等，以用于提供在空中机动的能力。“水域交通工具”可被理解为如上文所述的能够在液体表面上或液体表面下方机动的任何类型的交通工具，例如，水面上的船只或水面下方的潜水艇。应领会，一些交通工具可被配置成用于作为地面交通工具、空中交通工具和/或水域交通工具中的一者或多者来进行操作。
[0027]
术语“自主交通工具”可描述能够在不具有驾驶员输入的情况下实现至少一个导航改变的交通工具。导航改变可描述或包括交通工具的转向、制动、或加速/减速中的一种或多种改变。即使在交通工具不是完全自动(例如，在有驾驶员输入或无驾驶员输入的情况下完全操作)的情况下，也可以将交通工具描述为自主的。自主交通工具可以包括可以在某些时间段内在驾驶员控制下操作并且在其他时间段内无需驾驶员控制而操作的那些交通工具。自主交通工具还可包括仅控制交通工具导航的一些方面的交通工具，交通工具导航的一些方面诸如转向(例如，在交通工具车道约束之间维持交通工具路线)或在某些情形下(但并非在所有情形下)进行一些转向操作，但可能将交通工具导航的其他方面留给驾驶员(例如，在某些情形下进行制动或刹车)。自主交通工具还可以包括在某些情形下共同控制交通工具导航的一个或多个方面的交通工具(例如，动手操作(诸如响应驾驶员的输入))和在某些情形下控制交通工具导航的一个或多个方面的交通工具(例如，放手操作(诸如独立于驾驶员的输入))。自主交通工具还可以包括在某些特定情形下(诸如，在某些环境状况下(例如，空间区域、道路状况))控制交通工具导航的一个或多个方面的交通工具。在一些方面，自主交通工具可以处理交通工具的制动、速率控制、速度控制和/或转向的一些或所有方面。自主交通工具可以包括可以在没有驾驶员的情况下操作的那些交通工具。交通工具的自主性级别可以由交通工具的汽车工程师协会(sae)级别(例如，由sae例如在sae j3016 2018中定义：道路机动交通工具的驾驶自动化系统相关术语的分类和定义)或由其他相关专业组织进行描述或确定。sae级别可以具有范围从最小级别(例如，0级(说明性地，基本上
没有驾驶自动化))到最大级别(例如，5级(说明性地，完全驾驶自动化))的值。
[0028]
在本公开的上下文中，“交通工具操作数据”可被理解为描述与交通工具的操作有关的任何类型的特征。作为示例，“交通工具操作数据”可描述交通工具的状态，诸如，(多个)推进单元的类型、交通工具的轮胎的类型、交通工具的类型、和/或交通工具的制造的时限。更一般地，“交通工具操作数据”可描述或包括静态特征或静态交通工具操作数据(说明性地，不随时间改变的特征或数据)。作为另一示例，附加地或替代地，“交通工具操作数据”可描述或包括在交通工具的操作期间改变的特征，例如，交通工具的操作期间的环境状况(诸如，天气状况或道路状况)、燃料水平、液位、交通工具的驱动源的操作参数等。更一般地，“交通工具操作数据”可描述或包括变化的特征或变化的交通工具操作数据(说明性地，时变特征或数据)。
[0029]
本文中的各个方面可利用一个或多个机器学习模型来执行或控制交通工具的功能(或本文中所描述的其他功能)。例如，如本文中所使用的术语“模型”可被理解为根据输入数据提供输出数据的任何种类的算法(例如，根据输入数据生成或计算输出数据的任何种类的算法)。机器学习模型可由计算系统执行以渐进地改善特定任务的性能。在一些方面中，可在训练阶段期间基于训练数据来调整机器学习模型的参数。可在推断阶段期间使用经训练的机器学习模型基于输入数据来作出预测或决策。在一些方面中，可使用经训练的机器学习模型来生成附加的训练数据。可在第二训练阶段期间基于所生成的附加训练数据来调整附加机器学习模型。可在推断阶段期间使用经训练的附加机器学习模型以基于输入数据来作出预测或决策。
[0030]
本文中所描述的机器学习模型可采取任何合适的形式或利用任何合适的技术(例如，以用于训练目的)。例如，这些机器学习模型中的任何机器学习模型均可利用监督式学习、半监督式学习、无监督式学习、或强化学习技术。
[0031]
在监督式学习中，可使用训练数据集来建立模型，该训练数据集既包括输入又包括对应的期望输出(说明性地，每个输入可与针对该输入的期望或预期输出相关联)。每个训练实例可包括一个或多个输入并且包括期望输出。训练可包括通过训练实例迭代以及使用目标函数来教导模型预测针对新的输入的输出(说明性地，对于训练集中不包括的输入)。在半监督式学习中，训练集中的输入中的部分可能缺少相应的期望输出(例如，一个或多个输入可能不与任何期望或预期的输出相关联)。
[0032]
在无监督式学习中，可从仅包括输入而不包括期望输出的训练数据集来建立模型。无监督式模型可用于说明性地通过发现数据中的模式而找到该数据中的结构(例如，对数据点的分组或聚类)。可在无监督式学习模型中实现的技术可包括例如自组织图、最近邻映射、k均值聚类、以及奇异值分解。
[0033]
强化学习模型可包括正反馈或负反馈以改善准确性。强化学习模型可尝试使一个或多个目标/回报最大化。可在强化学习模型中实现的技术可包括例如q学习、时间差(td)和深度对抗网络。
[0034]
本文中所描述的各个方面可利用一个或多个分类模型。在分类模型中，输出可限于值的有限集合(例如，一个或多个类)。分类模型可输出针对具有一个或多个输入值的输入集合的类。输入集合可包括传感器输入，诸如图像数据、雷达数据、激光雷达数据等等。如本文中所描述的分类模型可例如对某些驾驶状况和/或环境状况(诸如，天气状况、道路状
况)等等进行分类。本文中对分类模型的引用可构想实现例如下列技术中的任何一种或多种技术的模型：线性分类器(例如，逻辑回归或朴素贝叶斯分类器)、支持向量机、决策树、提升树、随机森林、神经网络或最近邻。
[0035]
本文中所描述的各方面可利用一个或多个回归模型。回归模型可基于具有一个或多个值的输入集合(说明性地，从具有一个或多个值的输入集合开始或使用具有一个或多个值的输入集合)输出连续范围中的数字值。本文中对回归模型的引用可设想实现例如下列技术中的任何一种或多种技术(或其他合适技术)的模型：线性回归、决策树、随机森林、或神经网络。
[0036]
本文中所描述的机器学习模型可以是或可包括神经网络。神经网络可以是任何种类的神经网络，诸如卷积神经网络、自编码器网络、变分自编码器网络、稀疏自编码器网络、循环神经网络、去卷积网络、生成性对抗网络，前瞻性神经网络、和积神经网络等等。神经网络可包括任何数量的层。对神经网络的训练(例如，调整神经网络的层)可使用或可基于任何种类的训练原理，诸如反向传播(例如，使用反向传播算法)。
[0037]
贯穿本公开，下列术语可作为同义词来使用：驾驶参数集，驾驶模型参数集，安全层参数集，驾驶员辅助、自动化驾驶模型参数集，和/或类似术语(例如，驾驶安全参数集)。这些术语可与用于实现根据本公开中所描述的方式指示交通工具的一个或多个模型的各组值对应。
[0038]
此外，贯穿本公开，下列术语可作为同义词来使用：驾驶参数、驾驶模型参数、安全层参数、驾驶员辅助和/或自动化驾驶模型参数、和/或类似术语(例如，驾驶安全参数)，并且可对应于先前所描述的集合内的特定值。
[0039]
图1示出根据本公开的各个方面的包括移动性系统120和控制系统200(还参见图2)的交通工具100。应领会，交通工具100和控制系统200本质上是示例性的，并且因此可出于解释的目的而被简化。例如，尽管交通工具100被描绘为地面交通工具，但本公开的各方面可类似地应用于诸如无人机之类的空中交通工具或诸如船只之类的水域交通工具。此外，要素的数量和位置以及关系距离(如上文所讨论的，这些图并未按比例绘制)是作为示例而提供，并不限于此。交通工具100的组件围绕交通工具100的交通工具壳体布置，安装在该交通工具壳体上或该交通工具壳体外部，封闭在交通工具壳体内，或者其中在交通工具100行进时组件与其一起移动的相对于交通工具壳体的任何其他布置。交通工具壳体诸如，汽车主体、无人机主体、飞机或直升机机身、船体、或取决于交通工具属于的交通工具类型的类似类型的交通工具主体。
[0040]
除了包括控制系统200之外，交通工具100还可包括移动性系统120。移动性系统120可包括交通工具100的、与交通工具100的转向和移动有关的组件。在一些方面，在交通工具100是汽车的情况下，例如，移动性系统120可包括车轮和轮轴、悬架、引擎、变速器、制动器、方向盘、相关联的电气电路系统和布线、以及汽车的驾驶中所使用的任何其他组件。在一些方面，在交通工具100是空中交通工具的情况下，移动性系统120可包括以下各项中的一项或多项：转子、螺旋桨、喷气式引擎、机翼、方向舵或机翼襟翼、空气制动器、轭或轮转、相关联的电气电路系统和布线、以及空中交通工具的飞行中所使用的任何其他组件。在一些方面，在交通工具100是水域或水下交通工具的情况下，移动性系统120可包括以下各项中的一项或多项：方向舵、引擎、螺旋桨、方向盘、相关联的电气电路系统和布线、以及水
域交通系统的转向或移动中所使用的任何其他组件。在一些方面，移动性系统120还可包括自主驾驶功能，并且相应地可包括与一个或多个处理器102和传感器阵列的接口，该一个或多个处理器102被配置成用于执行自主驾驶计算和决策，该传感器阵列用于移动感测和障碍物感测。在该场景中，可向移动性系统120提供来自控制系统200的一个或多个组件的、用于指引交通工具100的导航的指令。移动性系统120的自主驾驶组件还可与一个或多个射频(rf)收发器108对接，以促进与执行和自主驾驶有关的决策和计算的其他附近的交通工具通信设备和/或中央联网组件的、经由天线系统106的通信。
[0041]
取决于特定实现方式的要求，控制系统200可以包括各种组件。如图1和图2中所示，控制系统200可包括一个或多个处理器102、一个或多个存储器104、天线系统106(该天线系统106可包括处于交通工具上的不同位置处的、用于射频(rf)覆盖的一个或多个天线阵列)、一个或多个射频(rf)收发器108、一个或多个数据采集设备112、一个或多个定位传感器114(诸如全球导航卫星系统(gnss)和/或全球定位系统(gps))、以及一个或多个测量传感器116(例如，速度计、高度计、陀螺仪、速度传感器等)。
[0042]
控制系统200可被配置成用于经由移动性系统120和/或与其环境的交互(例如，与其他设备或诸如基站之类的网络基础设施元件(nie)的通信)、经由数据采集设备112和射频通信布置(包括一个或多个射频收发器108并包括天线系统106)来控制交通工具100的移动性。
[0043]
一个或多个处理器102可包括数据采集处理器214、应用处理器216、通信处理器218、或者任何其他合适的处理设备。一个或多个处理器102中的每个处理器214、216、218可包括各种类型的基于硬件的处理设备。作为示例，每个处理器214、216、218可包括微处理器、预处理器(诸如图像预处理器)、图形处理器、中央处理单元(cpu)、支持电路、数字信号处理器、集成电路、存储器，或适合用于运行应用以及用于图像处理和分析的任何其他类型的设备。在一些方面，每个处理器214、216、218可包括任何类型的单核或多核处理器、移动设备微控制器、中央处理单元等。这些处理器类型可各自包括具有本地存储器和指令集的多个处理单元。此类处理器可包括用于从多个图像传感器接收图像数据的视频输入，并且还可包括视频输出能力。
[0044]
本文中所公开的处理器214、216、218中的任一者可被配置成用于根据可被存储在一个或多个存储器104中的一个存储器中的程序指令来执行某些功能。换言之，一个或多个存储器104中的存储器可存储在由处理器(例如，由一个或多个处理器102)执行时控制系统(例如，驾驶和/或安全性系统)的操作的软件。例如，一个或多个存储器104中的存储器可存储一个或多个数据库和图像处理软件、以及经训练的系统(诸如，神经网络、或深度神经网络)。一个或多个存储器104可包括任何数量的随机存取存储器、只读存储器、闪存、盘驱动器、光存储、磁带存储、可移动存储、以及其他类型的存储。替代地，处理器214、216、218中的每一者可包括用于此类存储的内部存储器。
[0045]
数据采集处理器214可包括用于处理由数据采集单元112采集的数据的处理电路系统，诸如cpu。例如，如果一个或多个数据采集单元是图像采集单元(例如，一个或多个相机)，则数据采集处理器可包括用于使用图像采集单元作为输入来处理图像数据的图像处理器。数据采集处理器214可被配置成用于基于来自数据采集单元112的数据输入来创建体素地图，该体素地图详述交通工具100的周围环境。
[0046]
应用处理器216可以是cpu，并且可被配置成用于处置协议栈以上的层，包括传输层和应用层。应用处理器216可被配置成用于在交通工具100的应用层处执行交通工具100的各种应用和/或程序，这些应用和/或程序诸如操作系统(os)、用于支持用户与交通工具100交互的用户接口(ui)和/或各种用户应用。应用处理器216可与通信处理器218对接，并且充当用户数据的源(在发射路径中)和宿(在接收路径中)，用户数据诸如语音数据、音频/视频/图像数据、消息收发数据、应用数据、基本互联网/网络接入数据等。因此，在发射路径中，通信处理器218可根据协议栈的层特定功能接收和处理由应用处理器216提供的传出数据，并将所得到的数据提供给数字信号处理器208。通信处理器218随后可对接收到的数据执行物理层处理，以产生数字基带样本，数字信号处理器可将该数字基带样本提供给rf收发器108。rf收发器108随后可处理数字基带样本以将数字基带样本转换为模拟rf信号，rf收发器108可经由天线系统106无线地发射模拟rf信号。在接收路径中，rf收发器108可从天线系统106接收模拟rf信号，并处理模拟rf信号以获得数字基带样本。rf收发器108可将数字基带样本提供给通信处理器218，通信处理器218可对数字基带样本执行物理层处理。通信处理器218随后可将所得到的数据提供给一个或多个处理器102中的其他处理器，这些其他处理器可根据协议栈的层特定功能处理所得到的数据，并将所得到的传入数据提供给应用处理器216。应用处理器216随后可在应用层处置传入数据，这可以包括利用数据执行一个或多个应用程序和/或经由用户接口206将数据呈现给用户。
[0047]
通信处理器218可包括数字信号处理器和/或控制器，该数字信号处理器和/或控制器可根据与一个或多个无线电接入网络相关联的通信协议来指引交通工具100的此类通信功能，并且可通过天线系统106和(多个)rf收发器108来执行控制，以根据由每种通信协议定义的格式化和调度参数来发射和接收无线电信号。虽然各种实际设计可以包括用于每种支持的无线电通信技术的分开的通信组件(例如，分开的天线、rf收发器、数字信号处理器、和控制器)，但是为了简洁起见，图1和图2中示出的交通工具100的配置可以描绘此类组件的仅单个实例。
[0048]
交通工具100可利用天线系统106发射和接收无线信号，天线系统106可以是单根天线或者可以是包括多个天线元件的天线阵列。在一些方面，天线系统202可附加地包括模拟天线组合和/或波束成形电路系统。在接收(rx)路径中，(多个)rf收发器108可从天线系统106接收模拟射频信号，并对模拟射频信号执行模拟和数字rf前端处理以产生用于提供给通信处理器218的数字基带样本(例如，同相/正交(iq)样本)。(多个)rf收发器108可包括模拟和数字接收组件，这些模拟和数字接收组件包括放大器(例如，低噪声放大器(lna))、滤波器、rf解调器(例如，rf iq解调器))、以及模数转换器(adc)，(多个)rf收发器108可利用模数转换器(adc)将接收到的射频信号转换为数字基带样本。在发射(tx)路径中，(多个)rf收发器108可从通信处理器218接收数字基带样本，并对数字基带样本执行模拟和数字rf前端处理，以产生用于提供给天线系统106以供无线发射的模拟射频信号。(多个)rf收发器108由此可包括模拟和数字发射组件，这些模拟和数字发射组件包括放大器(例如，功率放大器(pa))、滤波器、rf调制器(例如，rf iq调制器)、以及数模转换器(dac)，(多个)rf收发器108可利用数模转换器(dac)将从通信处理器218接收到的数字基带样本进行混合，并产生模拟射频信号以供天线系统106进行无线发射。在一些方面，通信处理器218可控制(多个)rf收发器108的无线电发射和接收，包括为该(多个)rf收发器108的操作指定发射和接
收射频。
[0049]
根据一些方面，通信处理器218包括基带调制解调器，该基带调制解调器被配置成用于执行物理层(phy，层1)发射和接收，以在发射路径中对由通信处理器218提供的传出发射数据进行准备以供经由(多个)rf收发器108发射、并且在接收路径中对由(多个)rf收发器108提供的传入接收到的数据进行准备以供通信处理器218进行处理。基带调制解调器可包括数字信号处理器和/或控制器。数字信号处理器可被配置成用于执行以下各项中的一项或多项：错误检测、前向纠错编码/解码、信道编码和交织、信道调制/解调、物理信道映射、无线电测量和搜索、频率和时间同步化、天线分集处理、功率控制和加权、速率匹配/去匹配、重传处理、干扰消除、以及任何其他物理层处理功能。数字信号处理器可在结构上被实现为硬件组件(例如，被实现为一个或多个数字地配置的硬件电路或fpga)、软件定义的组件(例如，被配置成用于执行定义算术、控制和i/o指令的程序代码(例如，软件和/或固件)的一个或多个处理器，该程序代码被存储在非瞬态计算机可读存储介质中)，或被实现为硬件组件和软件组件的组合。在一些方面，数字信号处理器可包括被配置成用于检取和执行程序代码的一个或多个处理器，该程序代码定义用于物理层处理操作的控制和处理逻辑。在一些方面，数字信号处理器可经由执行可执行指令来利用软件执行处理功能。在一些方面，数字信号处理器可包括一个或多个专用硬件电路(例如，asic、fpga、以及其他硬件)，该一个或多个专用硬件电路数字地被配置成用于特定执行处理功能，其中，数字信号处理器中的一个或多个处理器可将某些处理任务迁移到这些专用硬件电路，这些专用硬件电路被称为硬件加速器。示例性硬件加速器可以包括快速傅立叶变换(“fft)电路和编码器/解码器电路。在一些方面，数字信号处理器的处理器和硬件加速器组件可被实现为耦合集成电路。
[0050]
交通工具100可被配置成用于根据一种或多种无线电通信技术来进行操作。通信处理器218的数字信号处理器可负责无线电通信技术的下层处理功能(例如，层1/phy)，而通信处理器218的控制器可负责上层协议栈功能(例如，数字链路层/层2和/或网络层/层3)。控制器由此可负责根据每种支持的无线电通信技术的通信协议来对交通工具100的无线电通信组件(天线系统106、(多个)rf收发器108、gnss设备114等)进行控制，并且相应地可表示每种支持的无线通信技术的接入层和非接入层(nas)(也涵盖层2和层3)。控制器可在结构上被具体化为协议处理器，该协议处理器被配置成用于执行(从控制器存储器检取的)协议栈软件，并随后根据该协议栈软件中所定义的对应协议栈控制逻辑来控制交通工具100的无线电通信组件以发射和接收通信信号。控制器可包括一个或多个处理器，该一个或多个处理器被配置成用于检取和执行定义一种或多种无线电通信技术的上层协议栈逻辑的程序代码，该上层协议栈逻辑可以包括数据链路层/层2和网络层/层3功能。控制器可被配置成用于执行用户平面功能和控制平面功能两者，以促进应用层数据根据支持的无线电通信技术的特定协议的去往交通工具100和来自交通工具100的传输。用户平面功能可以包括头部压缩和封装、安全性、错误检查和校正、信道多路复用、调度和优先级，而控制平面功能可包括无线电承载的设置和维护。由通信处理器218的控制器检取和执行的程序代码可包括定义此类功能的逻辑的可执行指令。
[0051]
在一些方面，交通工具100可被配置成用于根据多种无线电通信技术来发射和接收数据。相应地，在一些方面，天线系统106、(多个)rf收发器108、和通信处理器218中的一
者或多者可以包括专用于不同无线电通信技术的分开的组件或实例和/或在不同无线电通信技术之间共享的统一组件。例如，在一些方面，通信处理器218的多个控制器可被配置成用于执行多个协议栈(每个协议栈专用于不同的无线电通信技术)并且这些协议栈可处于同一处理器或不同处理器处。在一些方面，通信处理器218的多个数字信号处理器可包括专用于不同的相应无线电通信技术的分开的处理器和/或硬件加速器、和/或在多种无线电通信技术之间共享的一个或多个处理器和/或硬件加速器。在一些方面，(多个)rf收发器108可包括专用于不同的相应无线电通信技术的分开的rf电路系统部分、和/或在多种无线电通信技术之间共享的rf电路系统部分。在一些方面，天线系统106可以包括专用于不同的相应无线电通信技术的分开的天线、和/或在多种无线电通信技术之间共享的天线。相应地，天线系统106、(多个)rf收发器108、以及通信处理器218可以涵盖专用于多种无线电通信技术的分开的和/或共享的组件。
[0052]
通信处理器218可被配置成用于实现一种或多种交通工具对外界(v2x)通信协议，该一种或多种交通工具对外界(v2x)通信协议可包括交通工具对交通工具(v2v)、交通工具对基础设施(v2i)、交通工具对网络(v2n)、交通工具对行人(v2p)、交通工具对设备(v2d)、交通工具对网格(v2g)、和/或其他协议。通信处理器218可被配置成用于传输通信，这些通信包括交通工具100与该交通工具100的环境中的一个或多个其他(目标)交通工具之间的通信(单向或双向)(例如，以促进交通工具100鉴于该交通工具100的环境中的其他(目标)交通工具或与其他(目标)交通工具一起协调地导航)、或甚至向正在传输的交通工具100附近区域中的未指定接收者进行的广播传输。
[0053]
通信处理器218可被配置成用于根据不同的期望的无线电通信协议或标准、经由一个或多个rf收发器108中的第一rf收发器进行操作。作为示例，通信处理器218可根据短程移动无线电通信标准来配置，该短程移动无线电通信标准诸如例如，蓝牙、zigbee等等，并且第一rf收发器可与对应的短程移动无线电通信标准对应。作为另一示例，通信处理器218可被配置成用于根据中程或宽程移动无线电通信标准(诸如例如，根据相应的3gpp(第三代合作伙伴计划)标准的3g(例如，通用移动通信系统
–
umts)、4g(例如，长期演进
–
lte)、或5g移动无线电通信标准))、经由一个或多个rf收发器108中的第二rf收发器来进行操作。作为进一步的示例，通信处理器218可被配置成用于根据无线局域网通信协议或标准(诸如例如，根据ieee 802.11(例如，802.11、802.11a、802.11b、802.11g、802.11n、802.11p、802.11-12、802.11ac、802.11ad、802.11ah等等))、经由一个或多个rf收发器108中的第三rf收发器来进行操作。一个或多个rf收发器108可被配置成经由天线系统106通过空中接口来传输信号。rf收发器108可各自具有天线系统106中的对应天线元件，或者可共享天线系统106中的天线元件。
[0054]
存储器214可具体化交通工具100的存储器组件，诸如硬盘驱动器或另一此类持久性存储器设备。虽然在图1和图2中没有明确描绘，但图1和图2中所示的交通工具100的各种其他组件(例如，一个或多个处理器102)可以附加地各自包括(诸如用于存储软件程序代码、缓冲数据等的)集成的持久性和非持久性存储器组件。
[0055]
天线系统106可包括单根天线或多根天线。在一些方面，可将天线系统106的一根或多根天线中的每根天线置于交通工具100上的四周，以便确保最大的rf覆盖。天线可包括具有多个天线元件的相控天线阵列、波束切换天线阵列等等。天线系统106可被配置成用于
根据模拟或数字波束成形模式来操作，以便使信号增益最大化和/或提供信息隐私性级别。天线系统106可包括专用于不同的相应无线电通信技术的分开的天线、和/或在多种无线电通信技术之间共享的天线。尽管在图1中示出为单个元件，但天线系统106可包括被定位在交通工具100上的不同位置处的多个天线元件(例如，天线阵列)。可在策略上选择多个天线元件的放置，以便确保期望程度的rf覆盖。例如，可在交通工具100的前部、后部、(多个)角、和/或(多个)侧上放置附加天线元件。
[0056]
取决于特定应用的要求，数据采集设备112可包括任何数量的数据采集设备和组件。这可包括但不限于：用于提供关于交通工具的环境的数据的图像采集设备、接近度检测器、声学传感器、红外传感器、压电传感器等。图像采集设备可包括但不限于：相机(例如，标准相机、数字相机、视频相机、单透镜反射相机、红外相机、立体相机等)、电荷耦合器件(ccd)或任何类型的图像传感器。接近度检测器可包括但不限于：雷达传感器、光检测和测距(lidar)传感器、毫米波雷达传感器等。声学传感器可包括但不限于：话筒、声纳传感器、超声传感器等。相应地，数据采集单元中的每一个可被配置成用于观察交通工具100的环境的特定类型的数据，并将该数据转发至数据采集处理器214，以便向交通工具提供该交通工具的环境的准确描绘。数据采集设备112可被配置成用于结合所采集的数据来实现预处理的传感器数据，诸如雷达目标列表或激光雷达目标列表。
[0057]
测量设备116可包括用于测量交通工具状态参数的其他设备，诸如：用于测量交通工具100的速度的速度传感器(例如，速度计)、用于测量交通工具100沿一个或多个轴的加速度的一个或多个加速度计(单轴的或多轴的)、用于测量取向和/或角速度的陀螺仪、里程表、高度计、温度计等。
[0058]
定位设备114可包括用于确定交通工具100的位置的组件，例如被配置成用于与全球定位系统(gps)卫星系统通信并确定交通工具100的位置的gps电路。相应地，定位系统114可向交通工具100提供卫星导航特征。
[0059]
一个或多个存储器104可将数据存储在例如数据库中或以任何不同格式存储数据，这些数据可对应于地图。例如，地图可指示以下各项的位置：已知地标、道路、路径、网络基础设施元件、或交通工具100的环境的其他要素。一个或多个处理器102可以处理交通工具100的环境的传感信息(诸如图像、雷达信号、来自对两个或更多个图像的lidar或立体处理的深度信息)以及位置信息(诸如gps坐标、交通工具的自我运动等)，以确定交通工具100相对于已知地标的当前位置，并细化对交通工具的位置的确定。该技术的某些方面可以被包括在定位技术(诸如建图和路线选择模型)中。
[0060]
地图数据库(db)204可包括存储用于交通工具100(例如，用于控制系统200)的(数字)地图数据的任何合适类型的数据库。地图数据库204可以包括与各种项目(包括道路、水景、地理特征、商业、感兴趣的地点、餐馆、加油站等)在参考坐标系中的位置相关的数据。地图数据库204不仅可以存储此类项目的位置，还可以存储与这些项目相关的描述符，包括例如与存储的特征中的任何特征相关联的名称。在一些方面，一个或多个处理器102中的处理器可以通过至通信网络(例如，通过蜂窝网络和/或互联网等)的有线或无线数据连接从地图数据库204下载信息。在一些情况下，地图数据库204可存储稀疏数据模型，包括某些针对交通工具100的道路特征(例如，车道标记)或目标轨迹的多项式表示。地图数据库204还可以包括各种识别出的地标的所存储的表示，这些所存储的表示可被提供以确定或更新交通
工具100相对于目标轨迹的已知位置。地标表示可以包括诸如地标类型、地标位置、以及其他潜在标识符之类的数据字段。
[0061]
此外，控制系统200可包括例如在高级驾驶辅助系统(adas)和/或驾驶辅助系统及自动化驾驶系统中实现的驾驶模型。作为示例，控制系统200可包括(例如，作为驾驶模型的部分的)形式模型(诸如，安全性驾驶模型)的计算机实现方式。安全性驾驶模型可以是或可包括对适用于自驾驶交通工具的适用法律、标准、政策等的解释进行形式化的数学模型。安全性驾驶模型可被设计为实现例如三个目标：第一，法律的解释在它符合人类如何解释法律的意义上是合理的；第二，解释应该带来有用的驾驶策略，这意味着它将带来灵活的驾驶政策而不是过度防御性的驾驶，该过度防御性的驾驶不可避免地会使其他人类驾驶员感到迷惑并将阻塞交通，并且进而限制系统部署的可扩展性；以及第三，在可以严格地证明自动驾驶(自主)交通工具正确地实现该法律的解释的意义上，解释应当是高效地可验证的。说明性地，安全性驾驶模型可以是或可包括用于安全性保障的数学模型，该数学模型实现对危险情况的恰当响应的标识和执行，使得可以避免自身导致的事故。
[0062]
如上文所描述，交通工具100可包括控制系统200，还参考图2来描述该控制系统200。交通工具100可包括例如与交通工具100的引擎控制单元(ecu)集成或分开的一个或多个处理器102。一般而言，控制系统200可生成数据来控制或辅助控制ecu和/或交通工具100的其他组件，以直接地控制交通工具100的移动或间接地经由移动性系统120控制交通工具100的移动。交通工具100的一个或多个处理器可被配置成用于实现本文中描述的各方面和方法。
[0063]
可经由适当地接口使图1和图2中所图示的组件操作地彼此连接。此外，应当领会，并非组件之间的所有连接均示出，并且组件之间的其他接口可被覆盖在本公开的范围内。
[0064]
图3示出根据一些方面的示例性通信网络300。通信网络300可包括多个交通工具100，该多个交通工具100可包括例如无人机和如图3中所示的汽车。这些交通工具中的任一者可与一个或多个其他交通工具100和/或与网络基础设施元件(nie)310通信。nie 310可以是基站(例如，enodeb、gnodeb等)、路边单元(rsu)、路标，被配置成与交通工具和/或移动无线电通信网络等进行无线通信、并且充当交通工具100中的一个或多个交通工具与通信网络之间的接口。
[0065]
nie 310可包括天线系统312、rf收发器314、以及基带电路316等组件中的至少一者，在天线系统312、rf收发器314、以及基带电路316中的每一者之间具有适当的接口。在nie 310的操作的简略概述中，nie 310可经由天线系统312发射和接收无线信号，该天线系统312可以是包括多个天线阵列的天线阵列。天线系统312可包括多个天线元件(例如，多个天线阵列)，以便采用所输入和多输出(mimo)方法和模式。
[0066]
rf收发器314可执行发射和接收rf处理，从而将来自基带电路316的传出基带样本转换为模拟无线电信号以提供至天线系统312以供进行无线电传输，并且将接收自天线系统312的传入模拟无线电信号转换为基带样本以提供至基带电路316。相应地，rf收发器314可被配置成用于与图1和图2中所描述的(多个)rf收发器类似地操作，但以大得多的规模进行操作(例如，用于发射大得多的功率的信号的放大器等)。
[0067]
基带电路316可包括控制器310和物理层处理器318，物理层处理器318可被配置成用于对接收自rf收发器314的基带样本执行发射和接收物理层处理以提供至控制器310，并
且对接收自控制器310的基带样本执行发射和接收物理层处理以提供至rf收发器314。在一些方面，基带调制解调器316可位于nie 310外部，例如位于移动无线电通信网络的集中位置处。控制器310可根据对应的无线电通信技术协议来控制nie 310的通信功能，这可包括实行对天线系统312、rf收发器314、以及物理层处理器318的控制。rf收发器314、物理层处理器318、以及控制器310中的每一者可在结构上利用硬件(例如，具有一个或多个数字地配置的硬件电路或fpga)实现，在结构上被实现为软件(例如，被实现为执行程序代码的一个或多个处理器，该程序代码定义非瞬态计算机可读存储介质中所存储的算术、控制、和/或i/o指令)，或者在结构上被实现为硬件和软件的混合组合。nie 310还可包括用于根据一些方面与核心网络进行通信(例如，接收来自核心网络的指令、将数据提供至核心网络等)的接口320。
[0068]
另外，nie 310可包括存储器330，该存储器330可在nie 310内部(如图3中所示)或在nie 310外部(未示出)。存储器330可存储nie 310的覆盖区域的一个或多个地图以及其他信息。一个或多个地图中的每个地图可包括静态层和/或动态层，静态层描绘在较长的时间段期间在很大程度上保持不变的环境要素(例如，道路、结构、树木等)，动态层具有更频繁的改变(例如，交通工具、检测到的障碍物、建筑等)。在一些方面，存储器330还可存储与nie 310的一个或多个相邻区域对应的地图，以便向处于nie 310的覆盖区域内的交通工具提供相邻覆盖区域的信息(例如，从而促进到相邻nie的覆盖区域的切换过程)。
[0069]
自主交通工具可采用视觉感知系统来检测其周围环境。随着交通工具的环境发生改变，视觉感知系统应当能够从意料之外的结果进行学习，这些预料之外的结果诸如视觉感知系统无法确信地标识的所检测到的对象。标识与低置信度相关联的数据(诸如数据集偏移(dataset shift)场景)以及分布外(out-of-distribution)数据是具有挑战性的任务。允许adas通过在改变的环境中持续地从数据流学习而不会灾难性遗忘、而随着真实世界的动态演变而演进，这将得到更安全的adas。
[0070]
视觉感知任务可以包括对象检测、语义分割、实例分割、图像分类、以及视频分类等等。
[0071]
标识数据偏移场景(例如，不利的天气状况，包括雾/雪/霜)或分布外数据(即，在模型训练期间未看见的对象类别、新的地理位置)展示了对利用持续学习框架模型来更新视觉感知系统的需要。预测中的可靠的不确定性估计对于设计更安全且稳健的ai系统而言是至关重要的。
[0072]
随着人工智能(ai)系统在自主交通工具中变得普遍并且对交通工具的控制被移交给ai系统，安全性问题随之出现。这些系统的稳健性对于防止灾难性后果至关重要。
[0073]
adas可实现标识adas不确定的数据的持续学习框架模型。为了完成此项任务，adas可利用概率深度神经网络(诸如贝叶斯神经网络)来捕捉可靠的不确定性估计，这可以标识数据集偏移和/或分布外数据。
[0074]
实现更稳健的adas可包括标识adas的概率深度神经网络(dnn)对其不确定的观察到的数据。一旦标识出概率dnn对其不确定的数据，则adas可以采用持续学习框架来标识数据集偏移和分布外数据，并利用正确标识的或标记的数据来对概率dnn进行重新训练。
[0075]
持续学习框架可通过标识不可靠的预测来实现更安全且稳健的视觉感知系统。一旦不可靠的预测已经被标识，则出于未来更准确的预测，可对与该预测相关联的数据进行
注释。
[0076]
通过高效地对数据进行注释，可使用新观察到的数据(包括数据偏移和分布外)来重新训练概率模型。数据注释是关键的、繁琐的且昂贵的任务。简化此过程将实现不确定性知晓的主动学习，这进而将改善针对更安全的自主交通工具的概率模型稳健性。
[0077]
新观察到的数据可产生与高不确定性相关联的预测。可在主动学习框架内使用新观察到的数据，以更新概率模型。以此种方式，概率模型维护权重和特征的概率分布。因此，不确定性知晓的持续学习框架将不易于灾难性遗忘。
[0078]
被标识为不确定的新观察到的数据可高效地被注释并用于对概率深度神经网络进行重新训练。通过标识对其而言预测与高输入不确定性(偶然不确定性)和/或高模型不确定性(认识不确定性)相关联的数据，adas可以利用手动注释。对于与低不确定性相关联的预测，adas可以根据这些预测自动地对数据进行注释。
[0079]
由人类专家手动地对数据进行注释是非常繁琐且昂贵的。选择仅手动地对与高偶然不确定性和/或认识不确定性相关联的数据进行注释降低了与手动地对所有数据进行注释的成本。
[0080]
利用不正确的标签来对数据进行自动注释可能导致概率模型对于不正确的预测变得过度自信。这可能导致对不正确的预测的高置信度以及数据集偏移场景和/或分布外数据下的失败。
[0081]
过度自信的dnn可能导致性能降级，导致针对自主交通工具的灾难性情形。选择仅自动地对与低不确定性预测相关联的数据进行注释降低了概率模型可能变得过度自信的风险。
[0082]
通过使用手动数据注释和自动数据注释的组合，adas可以通过使手动注释的花费最小化并使过度自信的概率神经网络的风险最小化，来高效地对数据进行注释。
[0083]
为了标识哪些数据将自动地被注释以及哪些数据将手动地被注释，持续学习框架在由概率模型生成的不确定性度量上使用。例如，不确定性度量可以是对于感知到的或检测到的对象的预测是正确或准确的概率。不确定性度量与感知到或检测到的对象相关联，并且用于判定与该对象相关联的数据是否将需要由专家来手动地注释。
[0084]
常规意义上而言，dnn在作出预测时不提供不确定性估计。然而，生成不确定性估计并从dnn捕捉不确定性估计可以防止dnn变得过度自信。与在训练期间未被观察到的对象相关联的数据可导致不正确的对象预测。
[0085]
为了确定预测是与高风险不确定性还是低风险不确定性相关联，必须定义确定性、不确定性阈值。使用来自先前训练的概率dnn的预测的准确性相对于预测的不确定性的测量来确定阈值。测量可以是：准确且确定的预测(n
ac
)、准确且不确定的预测(n
au
)、不准确且确定的预测(n
ic
)、以及不准确且不确定的预测(n
iu
)，可用于确定针对未来预测的不确定性阈值。作为实例，可使用以下等式来计算阈值。
[0086]
模型可包括基于使准确性相对于不确定性(avu)值最大化的不确定性值的最佳不确定性阈值，该准确性相对于不确定性(avu)值如通过上文的公式来标识，以确定哪些数据要被注释并用于对模型进行重新训练。
[0087]
由于概率dnn(例如，贝叶斯dnn)的模型参数的先验分布是利用来自先前训练的模型的模型参数的后验分布来初始化的，因此这些测量标识模型已经“知道”了什么，并且这些测量将在重新训练后被保留。预测在模型参数的概率分布上、而不是在点估计上被边缘化。标识由先前训练的概率模型作出的准确预测允许模型在发生重新训练时保留准确的预测。因此，概率模型不会“遗忘”其已经习得了什么。
[0088]
与不确定的对象相关联的数据可被注释并用于对概率模型进行重新训练，以使得其可“学习”关于在对dnn的先前训练期间尚未被观察到的对象。
[0089]
与观察到的数据相关联的、高于不确定性阈值的不确定性度量将触发该数据被专家手动地注释。不确定性度量与最佳不确定性阈值之间的比较可用于确定不确定性级别。高于不确定性阈值的不确定性度量可与具有高不确定性级别、并手动地被注释的观察到的数据相关联。低于或等于不确定性阈值的不确定性度量可与具有低不确定性级别、并自动地被注释的观察到的数据相关联。
[0090]
不确定性度量可帮助标识数据集偏移场景和/或分布外数据。
[0091]
可将具有高不确定性级别的数据和具有低不确定性级别的数据从自主交通工具传输至网络基础设施。传输可包括标识注释方法的信息。将针对手动注释对具有高不确定性级别的数据进行标记，并且将针对自动注释对具有低不确定性级别的数据进行标记。
[0092]
数据注释包括对与观察到的对象相关联的数据进行标记，以使得数据对于机器学习(诸如dnn)可用。数据可包括观察到的对象的图像。在注释后，可使用该图像来训练dnn。
[0093]
对数据的注释和使用新注释的数据对模型的重新训练可在网络基础设施中发生。新近训练的模型可从网络基础设施被重新部署到交通工具。
[0094]
图4示出描述用于利用与在使用先前训练的概率模型时预测的不确定性相关联的观察到的数据、来对概率模型进行重新训练的方法的示例性流程图400。应领会，出于此种解释的目的，可对流程图400进行简化。
[0095]
流程图400的方法可包括收集关于交通工具的环境的数据。观察到的数据401和402可以是在交通工具的附近区域内的对象的图像。观察到的数据401和402可与在对概率模型的先前训练期间未观察到的对象相关联。由此，模型可能无法以高确定性级别来标识该对象。使用概率dnn模型403来预测与数据401相关联的对象。概率dnn模型403生成针对观察到的数据401的预测以及与该预测相关联的不确定性度量。另外，概率dnn模型403可包括确定性阈值。不确定性度量与确定性阈值的比较可得到针对观察到的数据401的具有高不确定性405的预测。可针对手动注释407来标记与高不确定性相关联的数据。新注释的数据409可用于对概率dnn模型420进行重新训练。类似地，使用概率dnn模型404来预测与数据402相关联的对象。概率dnn模型404生成针对观察到的数据402的预测以及与该预测相关联的不确定性度量。另外，概率dnn模型404可包括确定性阈值。不确定性度量与确定性阈值的比较可得到针对观察到的数据402的具有低不确定性406的预测。可针对自动注释408来标记与低不确定性相关联的数据。新注释的数据410可用于对概率dnn模型420进行重新训练。
[0096]
注释数据并对概率dnn模型420进行重新训练的任务可在与交通工具分离的网络结构中发生。
[0097]
概率dnn模型403和404可以是相同的概率dnn模型并且同时作出针对观察到的数据401和402的预测。一旦概率dnn模型420使用经注释的数据409和/或410被重新训练，则其
可被部署并代替概率dnn模型403和404用于在预测未来观察到的数据中使用。
[0098]
如果与低不确定性相关联的数据是无关紧要的，则仅利用手动注释的数据409来对模型420进行重新训练可能是有用的。仅使用手动注释的数据409使对模型420进行重新训练的昂贵的任务最小化。另外，可收集新注释的数据，并且对模型420进行重新训练可在同时使用经注释的数据409和410两者时发生。
[0099]
概率模型可考虑若干个输入，以生成包括不确定性度量的预测。不确定性度量可以是对预测是准确的概率的估计。
[0100]
概率模型可将交通工具环境的图像与图像存在于其中的情境变量结合使用。情境变量可从辅助设备获得。例如，图像可包括诸如一天中的时间、地理位置、天气等之类的情境数据。情境数据可辅助对交通工具的环境的感知。例如，行人出现在人行道上或人行横道中的可能性更高。
[0101]
另外，使用概率模型来生成与预测相关联的概率值可以充当对置信度的可靠测量。
[0102]
情境变量与交通工具的环境的图像一起用于对概率模型进行训练，该概率模型可以在预测交通工具的附近区域中的对象时生成不确定性度量。
[0103]
建立并训练概率深度神经网络包括使用交通工具环境的情境变量和经注释的图像的联合分布作为输入。
[0104]
通过累积场景和情境数据的语料库，可使用现有技术在初始训练时段期间针对每个用户对概率模型进行训练。作为进一步的创新，我们提出针对av的每个用户对此种模型进行个性化。其背后的动机在于，人是具有习惯的生物并且典型地遵循可预测的、重复性的惯例。因此，针对每个用户对模型进行个性化使其相关性更高并且更可靠。
[0105]
例如，可针对自主交通工具的各个用户来训练概率深度神经网络。以此种方式，当训练概率模型时，可将个体的驾驶习惯考虑在内。例如，相比于驾驶员b，驾驶员a可在其中行人更加频繁地出现的场景中驾驶。因此，在针对各个驾驶员来进行训练的情况下，置信度估计可能更加精确。
[0106]
如果发现情境变量从训练期间使用的情境变量显著变化，则此类变化可指示以下各项：
·
异常情形，其可用于触发自主交通工具转移为更加谨慎/保守的操作模式。
·
触发器，用于利用遇到的新的情境信息来更新概率模型。
[0107]
这些模型上的推断涉及对模型变量上的查询(条件查询、map查询、边际评估)进行求值。作为实例，假设存在n个感知/场景变量s1、
…
、s
n
，m个情境变量c1、
…
、c
m
，以及k个结果变量o1、
…
、o
k
(诸如对象id、语义标签等)。进一步假设仅有两个场景变量s1和s2与所有的情境变量一起被观察到。期望确定可能性最高的结果o1。这可以被制定为条件概率查询：对p(o1|s1,s2,c1,
…
,c
m
)求值。使用贝叶斯规则和简单代数，可能将其求值为：
[0108]
存在用于执行上文所示的计算的各种高效的概率推断方法。这些方法包括精确方法(信念传播、变量消除)，精确方法涉及将联合分布简化为更简单的因子的乘积或者近似方法(变分方法、基于采样的方法)。注意，执行如上文所述的概率推断的附加益处在于，输
出现在与可以充当置信度的可靠测量的原则性的概率值相关联，这与已知在有挑战性条件下是过度自信且不可靠的、深度网络的基于softmax的置信度相反。
[0109]
可将用于检测交通工具的环境的感知系统与用于利用概率估计来生成预测的概率模型结合使用。算法可取得情境变量和交通工具感知系统的输出作为输入。算法可使用概率dnn模型来估计给定感知到的环境和情境变量的情况下感知输出的概率。
[0110]
为了作出此种推断，算法可使用条件查询、map查询、边际评估等。利用情境信息的、自主交通工具中的感知系统可改善性能和可靠性。
[0111]
此处所描述的推断过程要求除由感知系统执行的那些计算之外的计算。这些计算需要以低等待时间来计算，以便维护交通工具的安全操作。这可能导致对附加专用硬件的需要，以便能够满足实时要求。使用精确推断技术(诸如信念传播)可能要求设计专用处理单元。使用(基于采样的)近似技术将要求快速地生成高质量的伪随机数的能力以及并行地处理多个样本以生成最终概率结果的能力。
[0112]
方法和设备还可实现用于训练概率dnn模型的训练方案。图5a示出概率模型可如何被训练的示例性表示500a。检测系统501可检测或感知交通工具环境502a。检测系统501可采用诸如112之类的数据采集设备来感知交通工具环境502a。检测系统501可使用经训练的深度神经网络来预测感知到的交通工具环境502a中的对象。可对与感知到的交通工具环境502a相关联的数据进行注释，以正确地标识环境中的对象。可使用联合概率分布来对概率模型506进行训练505。联合概率分布是利用情境变量504a和预测503a两者来建立的。
[0113]
方法和设备还可实现用于在自主交通工具中使用的确定性度量生成方案。图5b示出概率模型可如何被用于生成不确定性度量的示例性表示500b。检测系统501可检测或感知交通工具环境502b。检测系统501可采用诸如112之类的数据采集设备来感知交通工具环境502b。检测系统501可使用经训练的深度神经网络来预测感知到的交通工具环境502b中的对象503b。推断算法507可取得所预测的对象503b和情境变量504b作为输入。算法507使用输入503b和504b来查询概率模型506，以确定给定交通工具环境502b和情境变量504b的情况下所预测的对象的概率。算法507基于给定感知到的交通工具环境502b和情境变量504b的情况下、所预测的对象存在的概率，来生成与所预测的对象相关联的不确定性度量508。确定性度量508是对预测的置信度有多高的测量。如果置信度很低，则自主交通工具可能不希望依赖于该预测。换言之，如果预测具有不满足阈值的不确定性级别，则对于自主交通工具而言，忽略该预测可能更安全。
[0114]
能以多种方式来配置概率模型506。除了图5a中示出的方案外，概率模型506还可取得来自感知系统501(诸如深度神经网络)的特征嵌入作为输入，以用于训练概率模型506。
[0115]
概率模型506定义情境变量和预测变量的联合分布。可使用不同的结构来表示变量的联合分布。
[0116]
概率模型可取得情境变量以及感知变量两者作为输入。感知到的变量可以是来自深度神经网络的所预测的结果。情境变量包括诸如人员id、交通工具的(来自gps和地图的)自我位置、日期和时间、天气状况等之类的信息。由于多个用户可以使用同一交通工具并且具有不同的驾驶行为，因此人员id可能是有用的。例如，感知参数可以包括检测到的实体的标签、位置、以及边界框。检测到的或感知到的实体的边界框能以像素来表示。
[0117]
用于表示定义联合分布的概率模型的高效结构包括概率图模型。例如，贝叶斯网络或马尔可夫网络。
[0118]
图6a和图6b示出概率模型的示例性结构。图6a示出贝叶斯网络600a，贝叶斯网络600a包括节点601-604等。节点601和602可以是情境变量，分别诸如一天中的时间以及正在下雨。节点603和604可以是感知到的变量，分别诸如行人或交通工具。使用网络600a，推断算法507可使用时间601、下雨602、以及交通工具604作为输入，以确定存在行人603的概率。算法507可使用该概率来生成针对所预测的对象503b的不确定性度量。替代地，可使用马尔科夫网络来配置概率模型506。
[0119]
图6b示出了用于所预测的对象的概率的查找表600b。列611包括可能的所预测的对象。列612包括在交通工具环境中是否已检测到对象。列613和614包括情境变量。列615包括给定列612-614中的变量的情况下，列611中的所预测的对象的概率。
[0120]
概率模型506可使用可以定义情境变量和感知到的变量上的联合分布的任何结构。
[0121]
图7示出示例性感知到的环境700。环境700可类似于502a和502b。检测系统501可具有准确地检测到的行人701a、701b和701d。将情境信息与使用概率方案的深度网络的结果组合可增强预测的性能和可靠性。检测系统501还可具有准确地检测到的人行道702、道路703、以及人行横道704。然而，例如由于模糊(blur)，行人701c未被检测到。虽然701c可能未被检测系统501标识为行人，但推断算法507可基于给定其他感知到的变量701a、701b、701d、702、703和704以及情境变量的情况下、701c是行人的概率，来计算不确定性度量508。可将与701c相关联的确定性度量与不确定性度量阈值进行比较，以确定它们对于701c是行人并将其标记为行人的置信度有多高。
[0122]
行人在人行道上被检测到的可能性更高，而交通工具在道路上被检测到的可能性更高。按照概率来表达，行人位置的分布将更集中于人行道处，而交通工具的分布将几乎完全集中在道路上。然而，即使人行横道处于道路中间，但在人行横道处行人的分布将增加。此外，如果这是学校附近的人行横道，则分布将在学校上学时和放学时达到峰值，而在课余时间将较少。通过包含情境信息(诸如，到学校的接近度、在校时间、以及人行横道)，可能推断实体701c可能是行人。情境信息有效地定义根据情境变量的、目标变量(例如，行人)上的先验分布。
[0123]
选择不确定性度量阈值应当将预测标识为高不确定性或低不确定性。一个示例为计算准确性相对于确定性度量来计算不确定性阈值。此种不确定性阈值用于在自动数据标记或手动数据标记之间进行决策。如下文在图8a-图8b中所描述，使用先前训练的模型，准确性和确定性数量可以被计数。
[0124]
不确定性估计可以辅助设计更安全的、可靠的、并且稳健的adas。捕捉可靠的不确定性估计可用于提高用于决策模型中的信任。捕捉来自dnn输出的不确定性估计可以帮助在先前未看见的数据(诸如，在训练期间模型没有观察到的图像)在交通工具的附近区域中被观察到的场景中、避免过度自信的决策。
[0125]
示例性方法使用先前训练的概率模型来计算阈值。给定训练数据集d＝{x,y}，其中输入x＝{x1,..,xn}并且其对应的输出y＝{y1,..,yn}。对于参数贝叶斯设置，推断出函数y＝fω(x)中的权重
‘
ω’上的分布，这些权重表示针对所生成的输出的神经网络的结构。
在模型参数p(ω)的空间上分派先验分布，模型参数的空间捕捉在观察数据之前生成输出的参数。给定输入的情况下输出上的概率分布p(y|x,ω)必须被定义为模型似然性。在分类设置中，这通常用作神经网络输出上的归类分布；在回归设置中，这通常用作神经网络输出上的高斯分布。给定证据数据、先验分布、以及模型似然性，利用贝叶斯推断，参数空间上的后验分布p(ω|d)如下文等式中所示。该分布捕捉给定观察到的数据的情况下、模型参数的似然性有多高。其中：p(ω)是权重先验p(y|x,ω)是模型似然性p(ω|d)是权重后验
[0126]
利用近似，在贝叶斯神经网络训练期间推断出的模型参数的后验用于通过模型似然性上的传播来预测针对新的数据点的输出，同时从所学习的参数后验汲取样本。下文的等式示出给定新的输入x*的情况下、输出y*的预测性分布。
[0127]
图8a示出用于确定不确定性度量阈值的计算800。表802对使用先前训练的概率模型作出的预测进行归类。预测被归类为：准确且确定(n
ac
)802a、准确且不确定(n
au
)802b、不准确且确定(n
ic
)802c、以及不准确且不确定(n
iu
)802d。如在等式804中所见，确定性度量803被计算为n
ac 802a和n
iu 802d的总和除以n
ac 802a、n
au 802b、n
ic 802c、和n
iu 802d的总和。确定性度量阈值803可用于判定使用概率模型作出的预测是否能安全使用。
[0128]
图8b示出用于基于使对于先前训练的数据的准确性相对于不确定性(avu)度量最大化的值、来计算阈值的一种方法810。例如，不确定性度量阈值可基于使对于先前训练的数据的准确性相对于不确定性(avu)度量最大化的值。
[0129]
当处理数据偏移场景或分布外场景时，采用概率模型可能是有用的，数据偏移场景诸如在对感知系统501的训练期间未被使用的天气状况，分布外场景诸如在对感知系统501的训练期间未被使用的对象。
[0130]
图9示出示例性数据偏移场景900。例如，如果感知系统501在晴朗状况下被训练，则相对于有雾或有雪状况下，感知系统可能更善于在晴朗状况下检测对象。行901表示在晴朗状况下的交通工具环境。行902表示在有雾状况下的同一交通工具环境。行903表示在有雪状况下的同一交通工具环境。列911表示由采集设备112捕捉的图像。列912表示来自列911的经标记的图像。列913表示基于列912的经标记的图像的对象预测。列914表示列913的预测的不确定性图。列914中的不确定性图在预测确定的情况下显示暗像素，并且在预测不确定的情况下显示亮像素。在将行901的不确定性图与行902和903的不确定性图进行比较时，行901的不确定性图远比行902和行903的不确定性图更暗，并且由此确定性更高。
[0131]
图10示出示例性分布外场景1000。例如，在图像中存在训练期间从未被观察到、并且由此被感知系统不正确地预测的对象。图像1006表示交通工具环境的图像。图像1008表示基于标签1002对图像1006中所检测到的对象的预测。由于行李箱未被包括在用于训练感
知系统的图像中，因此不存在针对行李箱的标签，并且其预测是不正确的，即1012。不确定性指示符1004示出暗像素与高确定性相关联、并且亮像素与高不确定性相关联。如图像1010中所示，与图像1006中的行李箱相关联的像素非常明亮，并且由此将行李箱预测为人是高度不确定的，即1014。
[0132]
图11示出详述用于高效地对与不确定预测相关联的数据进行标记并利用新注释的数据来对概率模型进行重新训练的方法的示例性流程图1100。应领会，出于此种解释的目的，可对流程图1100进行简化。
[0133]
流程图1100的方法可包括获得对象的不确定性度量，其中该不确定性度量描述对象出现的概率，即步骤1102。基于持续学习模型的先前训练的版本来确定不确定性度量阈值，即步骤1104。将不确定性度量与不确定性度量阈值进行比较，即步骤1106。基于不确定性度量与不确定性度量阈值的比较来确定注释方法，即步骤1108。收集与对象相关联的数据，即步骤1110。根据所确定的注释方法来对数据进行注释，以更准确地标识对象，即步骤1112。利用经注释的数据来对持续学习设备的模型进行重新训练，即步骤1114。
[0134]
图12示出详述用于计算对象的不确定性度量的方法的示例性流程图1200。应领会，出于此种解释的目的，可对流程图1200进行简化。
[0135]
流程图1200的方法可包括检测交通工具环境，即步骤1202。从多个辅助设备获得多个情境变量，其中该多个情境变量是交通工具存在的相关状况的情境变量，即步骤1204。确定交通工具的环境内的多个对象，即步骤1206。基于在给定多个情境变量中的至少一个情境变量的情况下、多个对象中的至少一个对象出现的概率，确定该多个对象中的该至少一个对象的不确定性度量，即步骤1208。
[0136]
图13示出详述用于计算对象的不确定性度量、并在该不确定性度量不满足确定性阈值的情况下对该对象进行注释的方法的示例性流程图1300。应领会，出于此种解释的目的，可对流程图1300进行简化。
[0137]
流程图1300的方法可包括检测交通工具环境，即步骤1302。从多个辅助设备获得多个情境变量，其中该多个情境变量是交通工具存在于其中的相关状况的情境变量，即步骤1304。确定交通工具的环境内的多个对象，即步骤1306。基于在给定多个情境变量中的至少一个情境变量的情况下、多个对象中的至少一个对象出现的概率，确定该多个对象中的该至少一个对象的不确定性度量，即步骤1308。基于持续学习设备的先前训练的模型来确定不确定性度量阈值，即步骤1310。基于不确定性度量与不确定性度量阈值的比较来确定注释方法，即步骤1312。收集与对象相关联的数据，即步骤1314。根据所确定的注释方法来对数据进行注释，以更准确地标识对象，即步骤1316。利用经注释的数据来对持续学习设备的模型进行重新训练，即步骤1318。
[0138]
在下列实例中，将对本公开的各个方面进行说明：
[0139]
在示例1中，一种用于交通工具的、确定对象的不确定性度量的感知设备，该感知设备包括一个或多个处理器，该一个或多个处理器被配置成用于：检测交通工具环境；从多个辅助设备获得多个情境变量，其中该多个情境变量是交通工具存在的相关状况的情境变量；确定交通工具的环境内的多个对象；以及基于在给定多个情境变量中的至少一个情境变量的情况下、多个对象中的至少一个对象出现的概率，确定该多个对象中的该至少一个对象的不确定性度量。
[0140]
在示例2中，如示例1所述的主题可包括，一个或多个处理器进一步被配置成用于实现多个对象与多个情境变量之间的关系的概率模型。
[0141]
在示例3中，如(多个)示例1和2所述的主题可包括，概率模型定义多个对象和多个情境变量的联合分布。
[0142]
在示例4中，如(多个)示例1-3所述的主题可包括，概率模型包括贝叶斯网络。
[0143]
在示例5中，如(多个)示例1-4所述的主题可包括，概率模型包括马尔可夫网络。
[0144]
在示例6中，如(多个)示例1-5所述的主题可包括，多个情境变量包括人员id。
[0145]
在示例7中，如(多个)示例1-6所述的主题可包括，多个情境变量包括交通工具的自我位置。
[0146]
在示例8中，如(多个)示例1-7所述的主题可包括，多个情境变量包括交通工具环境的日期。
[0147]
在示例9中，如(多个)示例1-8所述的主题可包括，多个情境变量包括交通工具环境的时间。
[0148]
在示例10中，如(多个)示例1-9所述的主题可包括，多个情境变量包括交通工具环境的天气。
[0149]
在示例11中，如(多个)示例1-10所述的主题可包括，多个情境变量包括人员id。
[0150]
在示例12中，如(多个)示例1-11所述的主题可包括，多个对象中的至少一个对象进一步包括标签，并且可包括该标签标识多个对象中的至少一个对象。
[0151]
在示例13中，如(多个)示例1-12所述的主题可包括，多个对象进一步包括交通工具环境的位置。
[0152]
在示例14中，如(多个)示例1-13所述的主题可包括，多个对象进一步包括该多个对象中的至少一个对象的边界框。
[0153]
在示例15中，如(多个)示例1-14所述的主题可包括，概率模型可针对人员id被训练。
[0154]
在示例16中，如(多个)示例1-15所述的主题可包括，辅助设备包括计时设备。
[0155]
在示例17中，如(多个)示例1-16所述的主题可包括，辅助设备包括光传感器。
[0156]
在示例18中，如(多个)示例1-17所述的主题可包括用于检测交通工具的环境的事件相机。
[0157]
在示例19中，一种用于交通工具的、确定对象的准确性度量的检测设备，该检测设备包括一个或多个处理器，该一个或多个处理器被配置成用于：感知交通工具环境；从多个辅助设备获得多个情境变量，其中该多个情境变量是交通工具存在的相关状况的情境变量；确定交通工具的环境内的多个对象；以及基于在给定多个情境变量中的至少一个情境变量的情况下、多个对象中的至少一个对象出现的概率，确定该多个对象中的该至少一个对象的准确性度量，其中将该准确性度量与准确性度量阈值进行比较。
[0158]
在示例20中，一种用于确定对象的不确定性度量的方法，该方法包括：检测交通工具环境；从多个辅助设备获得多个情境变量，可包括该多个情境变量是交通工具存在的相关状况的情境变量；确定交通工具的环境内的多个对象；以及基于在给定多个情境变量中的至少一个情境变量的情况下、多个对象中的至少一个对象出现的概率，确定该多个对象中的该至少一个对象的不确定性度量。
[0159]
在示例21中，如示例20所述的主题进一步包括，多个对象与多个情境变量之间的关系的概率模型。
[0160]
在示例22中，如(多个)示例20和21所述的主题可包括，概率模型定义多个对象和多个情境变量的联合分布。
[0161]
在示例23中，如(多个)示例20-22所述的主题可包括，概率模型包括贝叶斯网络。
[0162]
在示例24中，如(多个)示例20-23所述的主题可包括，概率模型包括马尔可夫网络。
[0163]
在示例25中，如(多个)示例20-24所述的主题可包括，多个情境变量包括人员id。
[0164]
在示例26中，如(多个)示例20-25所述的主题可包括，多个情境变量包括交通工具的自我位置。
[0165]
在示例27中，如(多个)示例20-26所述的主题可包括，多个情境变量包括所检测的交通工具环境的日期。
[0166]
在示例28中，如(多个)示例20-27所述的主题可包括，多个情境变量包括所检测的交通工具环境的时间。
[0167]
在示例29中，如(多个)示例20-28所述的主题可包括，多个情境变量包括所检测的交通工具环境的天气。
[0168]
在示例30中，如(多个)示例20-29所述的主题可包括，多个情境变量包括人员id。
[0169]
在示例31中，如(多个)示例20-30所述的主题可包括，多个对象中的至少一个对象进一步包括标签，可包括该标签标识多个对象中的至少一个对象。
[0170]
在示例32中，如(多个)示例20-31所述的主题可包括，多个对象进一步包括交通工具环境的位置。
[0171]
在示例33中，如(多个)示例20-32所述的主题可包括，多个对象进一步包括该多个对象中的至少一个对象的边界框。
[0172]
在示例34中，如(多个)示例20-33所述的主题可包括，概率模型可针对人员id被训练。
[0173]
在示例35中，一种或多种非瞬态计算机可读介质，其上包括可编程指令，这些可编程指令在由设备的一个或多个处理器执行时使得该设备执行如示例20-35所述的方法中的任一项。
[0174]
在示例36中，一种系统，该系统包括根据示例1-19中任一项所述的一个或多个设备，该系统被配置成用于实现根据示例20-34中任一项所述的方法。
[0175]
在示例37中，一种用于实现示例1-19中的任一项的装置。
[0176]
在示例38中，一种用于交通工具的、并入经注释的数据的设备，该设备包括一个或多个处理器，该一个或多个处理器被配置成用于：获得对象的不确定性度量，其中该不确定性度量描述对象出现的概率；基于持续学习设备的先前训练的模型来确定不确定性度量阈值；将不确定性度量与不确定性度量阈值进行比较；基于不确定性度量与不确定性度量阈值的比较来确定注释方法；收集与对象相关联的数据；根据所确定的注释方法来对数据进行注释，以更准确地标识对象；以及利用经注释的数据来对持续学习设备的模型进行重新训练。
[0177]
在示例39中，如示例38所述的主题可包括，不确定性度量与对象包括正确标识的
高不确定性级别相关联。
[0178]
在示例40中，如示例38所述的主题可包括，不确定性度量与对象包括正确标识的低不确定性级别相关联。
[0179]
在示例41中，如(多个)示例38-40所述的主题可包括，持续学习设备的模型被远程地存储。
[0180]
在示例42中，如(多个)示例38
–
41所述的主题可包括，不确定性度量阈值包括根据先前训练的模型的对对象的概率的确定。
[0181]
在示例43中，如(多个)示例38
–
42所述的主题可包括，先前训练的模型包括神经网络。
[0182]
在示例44中，一种用于交通工具的、并入经注释的数据的设备，该设备包括一个或多个处理器，该一个或多个处理器被配置成用于：获得对象的不确定性度量，其中该不确定性度量描述对象出现的概率；基于持续学习设备的先前训练的模型来确定不确定性度量阈值；将不确定性度量与不确定性度量阈值进行比较；基于不确定性度量与不确定性度量阈值的比较来确定注释方法；收集与对象相关联的数据；根据所确定的注释方法来对数据进行注释，以更准确地标识对象；以及利用经注释的数据来对持续学习设备的模型进行重新训练。
[0183]
在示例45中，一种用于将经注释的数据并入模型的方法，该方法包括：获得对象的不确定性度量，可包括该不确定性度量描述对象出现的概率；基于持续学习模型的先前训练的版本来确定不确定性度量阈值；将不确定性度量与不确定性度量阈值进行比较；基于不确定性度量与不确定性度量阈值的比较来确定注释方法；收集与对象相关联的数据；根据所确定的注释方法来对数据进行注释，以更准确地标识对象；以及利用经注释的数据来对持续学习设备的模型进行重新训练。
[0184]
在示例46中，如示例45所述的主题可包括，不确定性度量与对象被正确标识的高不确定性级别相关联。
[0185]
在示例47中，如示例45所述的主题可包括，不确定性度量与对象被正确标识的低不确定性级别相关联。
[0186]
在示例48中，如(多个)示例45-47所述的主题可包括，持续学习设备的模型被远程地存储。
[0187]
在示例49中，如(多个)示例45
–
48所述的主题可包括，经重新训练的模型从网络基础设施被传输。
[0188]
在示例50中，如(多个)示例45
–
49所述的主题可包括，经重新训练的模型在交通工具处被接收。
[0189]
在示例51中，如(多个)示例45
–
50所述的主题可包括，不确定性度量阈值包括根据先前训练的模型的对对象的概率的确定。
[0190]
在示例52中，如(多个)示例45
–
51所述的主题可包括，先前训练的模型包括神经网络。
[0191]
在示例53中，一种或多种非瞬态计算机可读介质，其上包括可编程指令，这些可编程指令在由设备的一个或多个处理器执行时使得该设备执行如示例45-52所述的方法中的任一项。
[0192]
在示例54中，一种系统，该系统包括根据示例38-44中任一项所述的一个或多个设备，该系统被配置成用于实现根据示例45-52中任一项所述的方法。
[0193]
在示例55中，一种用于实现示例38-44中的任一项的装置。
[0194]
在示例56中，一种用于交通工具的、并入经注释的数据的设备，该设备包括一个或多个处理器，该一个或多个处理器被配置成用于：检测交通工具环境；从多个辅助设备获得多个情境变量，可包括该多个情境变量是交通工具存在的相关状况的情境变量；确定交通工具的环境内的多个对象；以及基于给定多个情境变量中的至少一个情境变量的情况下、多个对象中的至少一个对象出现的概率，确定该多个对象中的该至少一个对象的不确定性度量；基于持续学习设备的先前训练的模型来确定不确定性度量阈值；将不确定性度量与不确定性度量阈值进行比较；基于不确定性度量与不确定性度量阈值的比较来确定注释方法；收集与对象相关联的数据；根据所确定的注释方法来对数据进行注释，以更准确地标识对象；以及利用经注释的数据对持续学习设备的模型进行重新训练。
[0195]
在示例57中，如示例56所述的主题进一步实现示例2-18、39-43、以及46-52中的任一项。
[0196]
在示例58中，如示例56所述的主题进一步包括，基于对先前训练的模型的准确性的测量以及对先前训练的模型的不确定性的测量来确定不确定性度量阈值。
[0197]
在示例59中，如示例58所述的主题进一步包括，基于准确且确定的预测的计数加上不准确且不确定的预测的计数与所有预测的计数的比率来确定不确定性度量阈值。
[0198]
尽管以上描述和相关描述、附图可将电子设备组件描绘为单独的元件，但技术人员将会领会将分立的元件组合或集成为单个元件的各种可能性。此类可能性可包括：组合两个或更多个电路以用于形成单个电路，将两个或更多个电路安装到共同的芯片或基座上以形成集成元件，在共同的处理器核上执行分立的软件组件，等等。相反，技术人员将意识到可将单个元件分成两个或更多个分立的元件，诸如，将单个电路分解为两个或更多个单独的电路，将芯片或基座分成最初设置在其上的分立的元件，将软件组件分成两个或更多个部分并在单独的处理器核上执行每个部分，等等。
[0199]
应当领会，本文中详述的方法的实现方式在本质上是说明性的，并且因此被理解为能够在相应的设备中实现。同样，应当领会，本文中详述的设备的实现方式被理解为能够被实现为相应的方法。因此，应当理解，与本文详述的方法对应的设备可以包括被配置成执行相关方法的每个方面的一个或多个组件。
[0200]
以上描述中定义的所有首字母缩写词附加地包含在本文包括的所有权利要求中。