1.本发明涉及一种用于学习第一神经网络，尤其是用于为至少一个第二神经网络产生训练数据的方法、一种用于学习至少一个第二神经网络的方法、一种控制设备、一种计算机程序以及一种机器可读存储介质。
背景技术：
2.具有自动化的驾驶功能的车辆可以从一定自动化程度起自主地并且没有驾驶员地运行。该车辆例如可以自动地遵循道路走向，独立地识别其它交通成员或者障碍物并且在车辆中计算相对应的控制指令以及将这些控制指令转发给车辆中的执行器，由此影响车辆的行驶过程。在全自主车辆的情况下，驾驶员不参与驾驶。
3.目前使用的可自动化运行的车辆具有多个环境传感器。这些环境传感器例如被用于车辆的环境识别。基于算法，可以评估这些环境传感器的传感器数据并且例如识别车辆周围的对象。这些传感器数据影响车辆的轨迹规划并且借此也影响随后对车辆执行器的操控，由此来实现自主驾驶功能。
4.为了从这些环境传感器的测量数据中识别对象并且为了轨迹规划，使用神经网络或人工智能。这些神经网络本质上通过环境传感器的来自尽可能多的用例或交通场景的测量数据来训练，以便能够以高概率来准确识别对象并且以便基于此来导航车辆安全地通过环境。用于训练神经网络的交通场景的数量有限可能妨碍这些神经网络的性能。
技术实现要素：
5.本发明所基于的任务可在于：提出一种用于改善神经网络的性能的方法。
6.该任务借助于独立权利要求的相应的主题来解决。本发明的有利的设计方案是相应从属权利要求的主题。
7.根据本发明的一个方面，提供了一种用于学习或训练第一神经网络的方法。第一神经网络优选地用于为至少一个第二神经网络生成训练数据。该方法可以通过控制设备来执行。
8.在一个步骤中，接收由至少一个环境传感器所确定的测量数据或者从初始交通场景中人工产生的数据。这些数据或测量数据可以从数据库调用或者经由通信连接直接从车辆接收。
9.在下一步骤中，将所接收到的测量数据作为输入数据输送给第一神经网络，以学习第一神经网络。
10.然后，基于这些输入数据来学习的第一神经网络被用于产生与初始交通场景不同的交通场景的数据。因此，可以生成多个新的交通场景，这些新的交通场景超出初始交通场景或者不同于这种初始交通场景。
11.第一神经网络可以被设计成人工智能。第一神经网络优选地用于生成理想交通场景，这些理想交通场景被用作其它神经网络的训练数据。优选地，理想交通场景可以是没有
事故的交通场景。
12.第一神经网络优选地具有分类器，通过该分类器，第一神经网络能够识别在环境传感器数据中的其他交通成员和对象并且使这些交通成员和对象与提供测量数据的至少一个车辆的当前的高精度车辆位置相关联。车辆的高精度位置可以基于gnss或基于car-to-x（车到x）或基于特征图来确定。
13.第一神经网络的学习过程的目标在于：提供可以人工产生理想道路交通或交通情况的神经网络或人工智能。因此，依据交通场景的测量数据，以用于学习步骤的输入数据为形式向第一神经网络提供理想道路图像和没有事故的理想道路交通。
14.在学习或训练第一神经网络之后，在后续步骤中借助于新学习的第一神经网络来产生尽可能多的人工交通场景。经此，经学习的第一神经网络能够为世界上不存在的环境也人工产生在第一步骤中学习到的理想交通场景。以这种方式，第一神经网络能够产生尽可能多的驾驶场景和交通场景，这些驾驶场景和交通场景可在车辆的日常运行中出现，而这些驾驶场景和交通场景未曾明确存在于原始学习数据中。在此，优选地遵守不同的当地交通规则，并且也一并考虑结构和道路走向的地点。附加地，所谓的3d特征图可以一并被包含在针对特定车辆位置的数据生成中。
15.通过该方法，可以借助于训练数据和/或环境传感器针对尽可能多的用例的真实测量数据来训练第一神经网络，以便能够以高概率来准确识别对象并且以便基于此来导航车辆安全地通过环境。尤其是，通过生成多个可能的交通场景可以用作神经网络的训练方法的基础，以便提高神经网络的性能。
16.根据本发明的另一方面，提供了一种控制设备，其中该控制设备被设立为实施该方法。该控制设备例如可以被设计成云技术、高性能计算机（hpc）或所谓的硬件在环（hardware in the loop，hil）。
17.根据本发明的一个方面，还提供了一种计算机程序，该计算机程序包括如下指令，在通过计算机或控制设备来执行该计算机程序时，所述指令促使该计算机或该控制设备来实施按照本发明的方法。根据本发明的另一方面，提供了一种机器可读存储介质，在其上存储有按照本发明的计算机程序。
18.通过环境传感器从真实交通场景收集的测量数据可以优选地通过不同车辆来提供。相对应的车辆可以按照bast标准能被辅助地、部分自动化地、高度自动化地和/或全自动化地或无驾驶员地来运行。此外，要通过第一神经网络来学习的神经网络可以在这样的车辆中使用。
19.这些车辆可以被设计成载客车、机器人、无人机、船舶、轨道车辆、机器人出租车、工业机器人、商用车、公交车、飞机、直升机等等。
20.通过按照本发明的方法，得出如下优点：
‑ꢀ
通过被教导的第一神经网络可以产生人工环境传感器数据或训练数据，这些人工环境传感器数据或训练数据被用作学习在环境传感器或车辆控制设备中的新的算法或神经网络的基础。第一神经网络可以基于真实道路走向和交通情况并且基于交通成员的物理特性来创建人工道路走向。
21.‑ꢀ
通过在高性能计算机上对第一神经网络或训练网络进行训练并且通过基于这样的训练网络来学习新的神经网络，可以考虑多个可能的用例。在此，也可以考虑在现实中
很少出现的用例。
22.‑ꢀ
由环境传感器所确定的测量数据被全面考虑。为此，这些测量数据被变换到统一的世界坐标系中并且被生成到在车辆中的环境传感器的所规定的所规划的嵌入位置或安装位置处的相应的环境传感器的目标坐标系中，由此所要学习的第二神经网络能有针对性地针对环境传感器在车辆上的特定嵌入位置最优地被适配。
23.‑ꢀ
此外，通过借助于第一神经网络的人工输出数据对第二神经网络的广泛训练，可以改善在车辆的自动化运行时的安全性。因此，第二神经网络可以更高效地识别对象和/或交通情况。通过该方法可以以更高的精度来执行在第二神经网络中的后续的或所包含的轨迹规划。
24.‑ꢀ
用于学习尽可能多的交通场景的通过试驾而实际完成的驾驶时长可以通过该方法有针对性地被减少到最小值。
25.按照一个实施例，由不同车辆的至少一个环境传感器所确定的理想交通场景的测量数据被接收并且被用于学习第一神经网络。经此，利用尽可能多的可自动化运行的车辆的来自日常道路活动中的真实环境传感器数据来对第一神经网络进行训练。
26.根据另一实施方式，所接收到的测量数据或者从初始交通场景人工产生的数据根据环境传感器的至少一个传感器类型、根据环境传感器在车辆上的至少一个安装位置和/或根据至少一个车辆的位置来输送给第一神经网络，用于学习第一神经网络。经此，在训练第一神经网络时可以一并考虑不同的道路场景、不同的环境传感器和这些传感器在车辆中的不同的安装位置。
27.这些环境传感器例如可以是雷达传感器、激光雷达（lidar）传感器、摄像机传感器、超声传感器、位置传感器等等。
28.此外，通过该方法也可以考虑在车辆内的传感器定向。经此，环境传感器的相对应的测量数据和依据这些测量数据所识别出的对象被变换到世界坐标系中，并且基于此针对理想交通场景来训练第一神经网络。
29.根据本发明的另一方面，提供了一种用于学习至少一个第二神经网络的方法。优选地，这样的方法可以通过控制设备来执行。
30.通过第一神经网络来产生多个交通场景的数据。然后将所产生的数据作为输入数据输送给第二神经网络，以学习第二神经网络。
31.经此，人工智能或第一神经网络可以被用于训练至少一个另外的人工智能或至少一个第二神经网络，以用于至少一种对象识别、至少一个自主驾驶功能、至少一个环境传感器或者以用于可自动化运行的车辆的至少一个车辆控制设备。
32.用于训练目的的第一神经网络可以被用于创建多个人工驾驶场景，以用于学习至少一个第二神经网络。这具有如下优点：避免了使用可自动化运行的测试车辆完成数百万公里，以便甚至调整在关键交通情况方面所使用的神经网络。
33.通过该方法，也使车辆的环境传感器和控制单元的神经网络学习在实践中很少出现或根本不出现的交通场景。
34.在一个实施例中，通过第一神经网络所创建的输出数据被设立为：根据至少一个环境传感器的传感器类型和安装位置来学习该环境传感器的基于第二神经网络的对象分类器。
35.尤其是，这些输出数据通过第一神经网络来创建为使得这些输出数据适合于根据至少一个环境传感器的传感器类型和安装位置来学习该环境传感器的基于第二神经网络的对象分类器。
36.新创造的人工智能或第一神经网络例如可以依据环境传感器在以后的车辆中的安装位置来生成针对可自动化运行的车辆的环境传感器及其对象分类器的训练数据。为此，可以执行从交通场景所生成的输入数据到环境传感器坐标系中的变换。在此，考虑环境传感器关于车辆坐标或世界坐标朝哪个方向安装或定向。
37.此外，在实现该方法时可以考虑不同传感器类型的可见性和可识别性。与雷达传感器相比，激光雷达传感器例如可以被用于探测不同的对象和对象特性。此外，代表交通场景的至少一部分的扫描区域可以取决于传感器类型地来影响对第二神经网络的训练。
38.通过该方法，例如环境传感器的人工产生的测量数据基于环境传感器的测量数据到世界坐标系中的变换来生成，以训练环境传感器的对象分类器。经此，只有对于相应的环境传感器来说可见的对象被人工生成，并且后续的待学习的用于该环境传感器的对象识别的第二神经网络被学习，用于正好该环境传感器在以后的自主车辆中的安装位置。该做法可以减少输入数据的所需的数据量，并且能够实现第二神经网络的有效且目标明确的训练过程。通过由第一神经网络生成尽可能多的人工数据，示例性提及的环境传感器可以针对在道路交通中很少出现或根本不出现的尽可能多的情况和交通场景来学习。因此，用于对象识别的环境传感器的分类器也针对道路交通中的尽可能多的特殊情况来训练。
39.根据另一实施方式，第二神经网络通过由第一神经网络所生成的输入数据并且通过由环境传感器所确定的测量数据来训练。通过该措施，可以借助于第一神经网络的人工产生的输入数据利用真实传感器数据的组合来训练环境传感器或车辆控制设备的第二神经网络。以这种方式，可以确保：新学习的第二神经网络不仅基于人工训练数据来学习，而且基于人工产生的训练数据与所测量到的训练数据的混合来学习。
40.按照另一实施例，由环境传感器所确定的测量数据被用于检查第二神经网络对交通情况的反应。经此，第二神经网络的测试可以借助于真实环境传感器数据来执行。
附图说明
41.在下文，依据非常简化的示意图来详细地阐述本发明的优选的实施例。在这种情况下：图1示出了具有车辆的交通场景的示意图；以及图2示出了用于阐明按照一个实施方式的方法的示意性流程图。
具体实施方式
42.图1示出了具有车辆2的交通场景1的示意图。为了清楚起见，交通场景1具有车辆2，然而可以优选地具有多个车辆2，所述多个车辆可以确定测量数据并且使用这些测量数据来训练神经网络。
43.优选地，交通情况1的测量数据可以由环境传感器4、6来确定。所确定的测量数据可以由车辆侧的控制单元8来预处理或者至少暂存。在随后的步骤中，由环境传感器4、6所确定的交通情况1的测量数据可以经由通信连接10被传输给控制设备12。
44.环境传感器4、6例如可以被设计成雷达传感器、激光雷达传感器、摄像机传感器、超声传感器、位置传感器等等。
45.在所示出的实施例中，车辆2具有摄像机传感器4和激光雷达传感器6。因此，车辆2具有两种不同的传感器类型，这两种不同的传感器类型在车辆2上固定在不同的安装位置5、7。例如，摄像机传感器4可以固定在车辆2的挡风玻璃5的区域，并且激光雷达传感器6可以固定在车辆2的车顶7上。
46.由环境传感器4、6所确定的测量数据由车辆侧的控制单元8传输给中央控制设备12，并且在那里被用作用于训练神经网络的输入数据。经此，控制设备12例如可以被设计成高性能计算机。
47.优选地，车辆2可以被设计成按照bast标准可自动化运行的车辆。
48.在图2中示出了用于阐明按照一个实施方式的第一方法14和第二方法16的示意性流程图。
49.第一方法14在于训练第一神经网络。第二方法16用于使用第一神经网络来训练其它神经网络。这些方法14、16基本上通过控制设备12来实施。
50.在第一方法14的步骤18中，接收由至少一个环境传感器4、6所确定的测量数据或者从初始交通场景1中人工产生的数据。交通场景1优选地是没有故障的或理想交通场景1。
51.然后，将所接收到的测量数据作为输入数据输送给第一神经网络，以学习第一神经网络20。
52.然后，基于这些输入数据来学习的第一神经网络被用于产生22与初始交通场景1不同的交通场景1'的数据。
53.在第二方法16中，将由第一神经网络产生的与初始交通场景1不同的交通场景1'的数据22作为输入数据输送给第二神经网络，以学习第二神经网络24。
54.在下一步骤26中，将被学习的第二神经网络例如实现到车辆侧的控制单元8或者车辆1的环境传感器4、6中。然后，第二神经网络在至少一种对象识别、至少一个自主驾驶功能、至少一个环境传感器中使用或者被用于可自动化运行的车辆的至少一个车辆控制设备。