训练神经网络，以通过确定难观察到的界限辅助驾驶车辆
阅读说明：本技术 训练神经网络，以通过确定难观察到的界限辅助驾驶车辆 (Training neural networks to assist driving vehicles by determining hard-to-observe bounds ) 是由 F·拉尔热 P·布塔尔 于 2020-02-19 设计创作，主要内容包括：本发明涉及一种神经网络的训练方法,所述神经网络需检测自动驾驶的车辆的通行车道的界限,所述训练方法包括：-第一步骤(10-20),其中,获取通行车道的区段的第一图像和第二图像,以记录所述第一图像和所述第二图像,-第二步骤(30-70),其中,通过所述第二图像构建所述通行车道的航空图像,然后从该航空图像中检测所述界限,并且从所述第一图像中检测所述元素,然后,当这些元素延长了这些界限时,向数据库中记录这些元素,当这些元素没有延长这些界限时,向该数据库中与所述界限相对应地记录每个元素,以及-第三步骤(80),其中,通过所述数据库的记录训练所述神经网络。(The invention relates to a training method of a neural network, wherein the neural network needs to detect the boundary of a traffic lane of an automatic driving vehicle, and the training method comprises the following steps: -a first step (10-20) in which a first image and a second image of a section of a traffic lane are acquired to record said first image and said second image, -a second step (30-70) in which an aerial image of said traffic lane is constructed from said second image, then said limits are detected from the aerial image, and said elements are detected from said first image, then, when these elements extend these limits, these elements are recorded into a database, and when these elements do not extend these limits, each element is recorded into the database in correspondence with said limits, and-a third step (80) in which said neural network is trained by the recording of said database.)
技术领域
本发明涉及至少部分自动(或自主)驾驶的且任选地为机动类型的陆地车辆，并且更确切地涉及神经网络的训练，所述神经网络用于检测这种车辆所通行在的通行车道的界限。
背景技术
在下文中，当在自动驾驶阶段期间自动地(部分或完全地(无驾驶员干预地))在高速公路上驾驶陆地车辆时或者当在手动驾驶阶段期间手动地(并因此存在驾驶员对于方向盘和/或踏板的干预地)在高速公路上驾驶陆地车辆时，认为所述陆地车辆是至少部分自动(或自主)驾驶的。例如，(至少部分自动驾驶的)车辆的自动(或自主)驾驶可旨在部分或完全地操纵该车辆，或者旨在向驾驶该车辆的自然人提供任何类型的辅助。该车辆因此涵盖了OICA(国际汽车制造商组织)的分级中从1级至5级的任何自动(或自主)驾驶。
另外，此处，“陆地车辆”理解成可在道路上通行的任何类型的车辆，尤其是机动车辆、实用车辆、机动自行车、摩托车、小型客车、大客车、仓库中的存储机器人或公路用车。
存在许多用于辅助驾驶(至少部分自动驾驶的)车辆的驾驶辅助方法，尤其是目的在于根据从车辆环境中确定的信息来控制驾驶的驾驶辅助方法，所述信息基于对于通过传感器从这些车辆环境中获取的数据(特别是图像数字数据)的分析来确定。
这些环境信息中的一些是车辆所通行在的通行车道的界限，基于这些信息，可尤其确定相同道路的通行车道的数量、车辆所通行在的通行车道、该车辆在通行车道上的相对位置以及该车辆需执行的操纵(例如通过改变通行车道来进行超车或者维持处在其通行车道中)。因此必须正确地至少确定由车辆取道的通行车道的界限(特别是相对于与该车辆相联的参考系)。
然而，目前常常发生以下情况：所述界限暂时地与存在于所述通行车道上的元素(éléments)混淆，所述元素例如是反光或柏油路接缝，这不仅是由于由车载摄像机获取的环境图像的太过平庸的分辨率以及由于这些车载摄像机的定位，而且还由于变化不定的气象和/或照明条件。事实上，理解到，雨、冰、雾或近地(rasant)照明可引起所述界限的经获取颜色的变化，这可能欺骗算法并因此导致错误的驾驶决定。而且，可能发生，所述界限被局部遮挡，并因此尤其是在雪、浓雾或泥(或任何其它物质)的情况下在经获取环境图像上不可见。
诚然，已提供一种使用神经网络和过滤模块的辅助方法，所述神经网络借助于数据库预先训练以便确定界限，所述数据库基于在行驶阶段期间由分析车辆的至少一个传感器获取的环境数据来构建，所述过滤模块负责根据分配给经确定界限的置信参数值来过滤这些经确定界限，以便仅保留经评估为足够稳健(或可靠)的经确定界限。然而，这种过滤方案被证明是“治疗性的”而不是预防性的，因为在车辆已经处在所涉及的界限位置处并因此可能为时已晚时，该过滤方案仅挑拣出源自不完美获取和/或分析的不良检测，但并不修正所述获取和所述分析(以能够在车辆进入包括经检测的处在车辆上游的界限的区域之前实施该相同挑拣，并由此允许在车辆的分析和决定过程中把这些获取和分析纳入考虑)。因此，该过滤方案并不保证经过滤的界限有效地用于控制车辆的自动驾驶。
本发明的目的因此尤其在于改善所述情形。
发明内容
为此，本发明尤其提供了一种训练神经网络的训练方法，所述神经网络本身用于检测至少部分自动驾驶的车辆所通行在的通行车道的界限。
该方法的特征在于，该方法包括：
-第一步骤，其中，分别通过沿着不同定向安装在分析车辆上的第一传感器和第二传感器获取通行车道的不同的第一区段和第二区段的分别地第一图像和第二图像，并且记录每个第一图像和每个第二图像，所述分析车辆模拟所述(自动)车辆在所述通行车道上通行，
-第二步骤，其中，通过经记录的接连的第二图像在俯视图中构建该通行车道的所谓航空(aérienne)图像，然后从该航空图像中确定所述通行车道的界限，并且从每个第一图像中确定能够表征该通行车道的界限的元素，然后确定这些经确定元素是否延长了这些经确定界限，并且在肯定的情况下，向数据库中记录每个经确定元素，而在否定的情况下，向该数据库中与经确定界限相对应地(en correspondance de)记录每个经确定元素，以及
-第三步骤，其中，通过该数据库的记录训练所述神经网络，使得所述神经网络学习了，当存在刚刚从第一图像中确定的元素时，所述神经网络需或是当该元素并没有与界限相对应地存储时使用该元素，或是使用与该元素相对应地存储的界限。
考虑到车辆背景，该考虑允许所述神经网络的明显更完整且更精确的训练(或学习)，这使得所述神经网络能够在车辆的驾驶辅助阶段期间更容易、更确切且更可靠地确定界限，并因此具有相对于现有技术神经网络减小的检测错误率(特别是“假正”率)。
根据本发明的训练方法可包括可单独采用或组合采用的以下其它特征：
-在所述训练方法的第一步骤中，可获取所述通行车道的接连的第一区段的第一图像以及所述通行车道的接连的第二区段的第二图像，所述接连的第一区段中的每个位于所述分析车辆前方的预限定距离处，所述接连的第二区段中的每个位于所述分析车辆的紧邻附近处；
+在所述训练方法的第一步骤中，可例如获取所述通行车道的接连的第二区段的第二图像，所述接连的第二区段位于所述分析车辆的后部的紧邻附近处；
-在所述训练方法的第一步骤中，可与至少一个背景信息相对应地记录每个第一图像和每个第二图像。在该情况下，在所述训练方法的第二步骤中，当经确定元素延长了经确定界限时，可向所述数据库中与对应于每个经确定元素的每个经记录背景信息相对应地记录所述每个经确定元素，而在否定的情况下，向所述数据库中与经确定界限且与对应于每个经确定元素的每个经记录背景信息相对应地记录所述每个经确定元素，并且在所述第三步骤中，可通过所述数据库的记录训练所述神经网络，使得所述神经网络学习了，当存在至少一个当前背景信息且存在刚刚从第一图像中确定的元素时，所述神经网络需或是当该元素与该当前背景信息相对应地存储时使用该元素，或是使用与该当前背景信息且与该元素相对应地存储的界限；
+在所述训练方法的第一步骤中，可例如使用从以下信息中选择的至少一个背景信息：与所述分析车辆的当前环境有关的气象信息，表征在所述分析车辆前方的外部亮度的光信息，通过波道接收到所述分析车辆中的物质遮挡信息，所述分析车辆的外部照明系统的激活，以及太阳相对于位于所述分析车辆前方的地平线的太阳角度位置；
*在所述训练方法的第一步骤中，所述气象信息可从雨、冰、雪和雾中选择；
*在所述训练方法的第一步骤中，所述气象信息可通过波道接收到所述分析车辆中，又或由装配于所述分析车辆上的检测器提供；
*在所述训练方法的第一步骤中，可从经获取图像中确定所述太阳角度位置，或者根据当前时刻和所述分析车辆的当前地理位置确定所述太阳角度位置。
本发明还提供了一种包括一组指令的电脑程序产品，所述一组指令能够在由处理部件执行时实施上文所述类型的训练方法以训练神经网络，所述神经网络用于检测至少部分自动驾驶的车辆所通行在的通行车道的界限。
本发明还提供了一种训练神经网络的训练装置，所述神经网络本身用于检测至少部分自动驾驶的车辆所通行在的通行车道的界限。
该训练装置的特征在于，该训练装置包括至少一个处理器和至少一个存储器，所述至少一个处理器和所述至少一个存储器配置用于执行以下操作：
-获得通行车道的不同的第一区段和第二区段的分别地第一图像和第二图像，所述第一图像和第二图像分别通过沿着不同定向安装在分析车辆上的第一传感器和第二传感器获取，所述分析车辆模拟所述(自动)车辆在所述通行车道上通行，然后
-通过经记录的接连的第二图像在俯视图中构建该通行车道的所谓航空图像，然后
-从该航空图像中确定该通行车道的界限，并且从每个第一图像中确定能够表征该通行车道的界限的元素，然后
-确定这些经确定元素是否延长了这些经确定界限，并且在肯定的情况下，向数据库中记录每个经确定元素，或者在否定的情况下，向该数据库中与经确定界限相对应地记录每个经确定元素，以及
-通过该数据库的记录训练所述神经网络，使得所述神经网络学习了，当存在刚刚从第一图像中确定的元素时，所述神经网络需或是当该元素并没有与界限相对应地存储时使用该元素，或是使用与该元素相对应地存储的界限。
本发明还提供了一种电脑，所述电脑一方面包括要训练的神经网络，所述神经网络用于检测至少部分自动驾驶的车辆所通行在的通行车道的界限，所述电脑另一方面包括上文所述类型的训练装置，所述训练装置与所述神经网络联结。
附图说明
通过阅读下文中的详细说明和附图，本发明的其它特征和优点将更加清楚，在所述附图中：
-图1示意性地且功能性地示出了电脑的实施例，所述电能装配有根据本发明的训练装置的实施例并且装配有要形成的神经网络，以及
-图2示意性地示出了实施根据本发明的训练方法的算法的示例。
具体实施方式
本发明的目的尤其在于提供一种训练方法以及一种相关联的训练装置DE，所述训练方法和所述训练装置用于允许神经网络RN的训练，所述神经网络本身用于接下来检测至少部分自动驾驶的车辆所通行在的通行车道的界限，其中包括当这些界限难观察到时。
在下文中，作为非限制性示例，认为自动(或自主)驾驶的车辆是机动类型的。所述车辆例如是轿车。但本发明并不限于该类型的车辆。本发明事实上涉及至少部分自动驾驶的且能够在陆地通行车道上通行的任何类型的陆地车辆。由此，所述车辆还可以例如是实用车辆、机动自行车、摩托车、小型客车、大客车、仓库中的存储机器人或公路用车。
如上文所述，本发明尤其提供了一种训练方法，所述训练方法用于允许神经网络RN的训练，所述神经网络本身用于接下来检测至少部分自动驾驶的车辆所通行在的通行车道的界限。理解到，该神经网络RN用于在经训练好时装配在上述车辆(下文中的所谓自动车辆)。更确切地，该神经网络RN用于作为装配于自动车辆上的驾驶辅助装置的组成部分，以便至少确定该车辆所通行在的通行车道的界限。
根据本发明的训练方法可至少部分地由训练装置DE实施，所述训练装置为此包括至少一个处理器PR(例如数字信号处理器(或DSP(“Digital Signal Processor”)))和存储器MD，如图1上非限制性所示。另外，该训练方法的实施需要至少一个分析车辆，所述至少一个分析车辆模拟了所述自动车辆，并且至少装配有分别沿着不同的第一定向和第二定向安装的第一传感器和第二传感器，以便分别获取所述分析车辆所通行在的通行车道的不同的第一区段和第二区段的分别地第一图像和第二图像。
例如，这些第一传感器和第二传感器中的每个可包括至少一个摄像机，所述至少一个摄像机负责从所述分析车辆的环境中获取的数字图像。如更下文所述，这些传感器用于获取环境数据，所述环境数据能够确定所述分析车辆所通行在的通行车道上的元素。
作为非限制性示例，所述第一传感器可获取所述通行车道的接连的第一区段的第一图像，所述接连的第一区段中的每个位于所述分析车辆前方的预限定距离处(例如在(处在所述分析车辆上游的)0m与100m之间)，并且所述第二传感器可获取所述通行车道的接连的第二区段的第二图像，所述接连的第二区段中的每个位于所述分析车辆的紧邻附近处(例如在(处在所述分析车辆上游和/或下游的)0m与5m之间)。为此，所述第一传感器可例如包括负责至少从该分析车辆前方(从隔有“远距离”处)获取数字图像的至少一个摄像机，所述至少一个摄像机安装在所述分析车辆的前部中(例如安装在挡风玻璃上或内部后视镜上或车顶上或立柱中又或散热器格栅中(在例如为皮卡或公共汽车的足够高的车辆的背景下))，以及任选地安装在所述分析车辆的两个侧面的至少其中一部分上。这种第一传感器通常是本领域技术人员所谓的“正面”传感器，因为该传感器所具有的主观察轴线相对于通行车道略微倾斜。
至于所述第二传感器，所述第二传感器可例如获取所述通行车道的接连的第二区段的第二图像，所述接连的第二区段位于所述分析车辆的后部的紧邻附近处。这种第二传感器通常是本领域技术人员所谓的“车身”传感器，因为该传感器通常包括固定在车身上且在下部中的至少一个摄像机，所述传感器所具有的主观察轴线相对于通行车道严重倾斜(以便给出几乎俯视的图像)。该类型的传感器例如负责提供用于停车辅助的后部环境图像(由此在安置在车辆后部的情况下称作倒车摄像头)。然而，所述第二传感器可例如获取所述通行车道的接连的第二区段的第二图像，所述接连的第二区段位于所述分析车辆的前部的紧邻附近处，以通过直接观察或通过连续获取量的记忆(和并置)构建航空视图，以便扩展如此从“上方”观察的表面。
如图1上非限制性所示，训练装置DE可至少部分地作为电脑OS的组成部分，所述电脑还包括需训练(或形成)的神经网络RN。但这并不是必须的。事实上，训练装置DE可包括固有计算机，并且可与包括需训练(或形成)的神经网络RN的电脑OS联结。因此，训练装置DE可实施成电气或电子电路或器件(或“硬件(hardware)”)与软件模块(或“软件(software)”)组合的形式。存储器MD是随机存取存储器，以便存储指令，所述指令用于通过处理器PR实施所述训练方法的至少其中一部分。
注意到，电脑OS可能是固定的或便携的又或可作为服务器的组成部分。所述电脑可装载在所述分析车辆中，或者可被迁移出以进行大规模处理(任选地在云(或“cloud”中))。
根据本发明的训练方法包括下文中参考图2描述的第一步骤10-20、第二步骤30-70和第三步骤80。
在所述训练方法的第一步骤10-20的子步骤10中，分别通过所述分析车辆的(沿着不同定向安装的)第一传感器和第二传感器获取所述分析车辆的通行车道的不同的第一区段和第二区段的分别地第一图像i1和第二图像i2。然后，在第一步骤10-20的子步骤20中，记录每个第一图像i1和每个第二图像i2。
理解到，在所述分析车辆的行驶阶段期间获取图像i1和i2，这些图像由于装载于所述分析车辆中的电脑而记录在存储器中。
在所述训练方法的第二步骤30-70的子步骤30中，(处理器PR和存储器MD)通过(在第一步骤10-20中记录的)接连的第二图像i2在俯视图中构建所涉及的通行车道的所谓航空图像。例如，使用在3个至5个之间的接连的第二图像i2来构建航空图像ia。还可在途径距离方面进行思考(raisonner)，而不在时间(或图像数量)方面进行思考，尤其是当车辆以低速通行时。在该情况下，可不对地图进行更新，以节省计算资源和/或避免丢失旧数据。
然后，在所述训练方法的第二步骤30-70的子步骤40中，(处理器PR和存储器MD)从(在子步骤30中构建的)该航空图像ia中确定所述通行车道的界限dj，并且从每个第一图像i1中确定能够表征该通行车道的界限dj的元素ej。重要地，注意到，从航空图像ia中确定的界限dj以肯定的方式视作所述通行车道的界限，而元素ej可能是这些相同界限dj，又或可能是是反光或柏油路接缝。
然后，在所述训练方法的第二步骤30-70的子步骤50中，(处理器PR和存储器MD)确定这些经确定元素ej是否延长了这些经确定界限dj。为此，可例如通过计算来确定元素ej的地理位置是否对应于相应的经确定界限dj的地理位置(任选地通过考虑到自身的形式，是否对应于该经确定界限(dj)的延长外推)，以及确定该元素ej的形式是否对应于该经确定界限dj的形式(任选地通过考虑到自身的形式，是否对应于该经确定界限(dj)的延长外推)。
在肯定的情况下(并因此在有效延长(或对应)的情况下)，在所述训练方法的第二步骤30-70的子步骤60中，(处理器PR和存储器MD)向数据库BD中记录每个经确定元素ej。
相反地，在否定的情况下(并因此在不存在有效延长(或对应)的情况下)，在所述训练方法的第二步骤30-70的子步骤70中，(处理器PR和存储器MD)向数据库BD中与经确定界限dj相对应地记录每个经确定元素ej。数据库BD由此存储第一记录(ej)和第二记录(ej'，dj')。
如图1上非限制性所示，数据库BD可作为电脑OS的组成部分，以便可由训练装置DE和神经网络RN直接访问。然而，该数据库(BD)可作为另一电脑(任选地远程电脑)或服务器(该服务器与电脑OS联结并且可经由至少一个通讯网络访问)的组成部分。
然后，在第三步骤80的子步骤70中，(处理器PR和存储器MD)通过数据库BD的第一记录和第二记录训练神经网络RN。该类型的训练用于使神经网络RN学习了，当存在刚刚从(通过未来的自动车辆的第一传感器的)第一图像i1中确定的元素时，所述神经网络需或是当该元素并没有与界限相对应地存储时使用该元素(即第一记录)，或是使用(第二记录中的)与该元素相对应地存储的界限。
注意到，该类型的训练(所谓的“受监控”类型的训练)是本领域技术人员常用且熟知的。
理解到，在训练期间，神经网络RN接收作为输入量的至少一个第一图像i1，所述神经网络从所述至少一个第一图像中确定能够表征界限dj的元素ej。然后，神经网络RN从数据库BD中搜索包含该元素ej的第一记录或第二记录。当所述神经网络找到所述第一记录时，所述神经网络RN学习了，未来检测到的相同元素ej有效地是自动车辆的通行车道的界限dj。相反地，当所述神经网络找到所述第二记录时，所述神经网络RN学习了，未来检测到的相同元素ej不是自动车辆的通行车道的界限，并且替代地，所述神经网络需使用初始的与该元素ej相关联的界限dj。
当向神经网络RN展示了足够多的示例(也就是说，多对[输入量(图像)，相关联的输出量(界限)])时，所述神经网络学习了对于图像中界限的固有(合适)表示。因此，需要构建(就所遇到的情况的覆盖范围而言)足够“丰富”的带标注(也就是说，对任何输入数据指示要获得的输出量)的数据库，以使神经网络RN在更多的情形中都能够更高效。所提供的方案能够通过基于(对正面图像上和局部航空视图上共同的)检测的分析而实施的过滤来获得这些标注，并因此能够自动地构建相关联的学习数据库。这使得能够处理更多的情况，因此能够在所述学习数据库中覆盖更多的情况，因此能够使神经网络RN(以及安置在该神经网络中的决定系统)变得更稳健(特别是对于受限的情况)且更高效(特别是存在更少的假正)。
神经网络RN的训练(或学习)明显更完整且更精确，这使得在所述神经网络作为装配于自动车辆上的驾驶辅助装置的组成部分时所述神经网络能够在该自动车辆的驾驶辅助阶段期间更容易、更确切且更可靠地确定界限。
注意到，在第一步骤10-20的子步骤20中，特别有利地，与至少一个背景信息ic相对应地记录每个第一图像i1和每个第二图像i2。由此获得(i1，ic)和(i2，ic)类型的多元组。理解到，为此，所述分析车辆自动地或受辅助地或由技术员监控地被直接供应背景信息ic。注意到，训练装置DE可任选地包括存在于车载电脑中的附加模块，所述附加模块负责控制多元组(i1，ic)和(i2，ic)的记录。
在该情况下，在所述训练方法的第二步骤30-70的子步骤60中，当经确定元素延长了(或对应于)经确定界限时(肯定情形)，(处理器PR和存储器MD)向数据库BD中与对应于每个经确定元素(也就是说，作为包含第一图像i1的多元组(i1，ic)的组成部分，该第一图像中检测到了所述每个经确定元素)的每个经记录背景信息ic相对应地记录所述每个经确定元素ej。
相反地，在否定的情况下(并因此在不存在有效延长(或对应))的情况下)，在所述训练方法的第二步骤30-70的子步骤70中，(处理器PR和存储器MD)向数据库BD中与经确定界限dj且与对应于每个经确定元素(也就是说，作为包含第一图像i1的多元组(i1，ic)的组成部分，该第一图像中检测到了所述每个经确定元素)的每个经记录背景信息ic相对应地记录所述每个经确定元素ej。数据库BD由此存储第一类型记录(ej，ic)和第二类型记录(ej'，dj'，ic')。
接下来，在第三步骤80的子步骤70中，(处理器PR和存储器MD)通过数据库BD的第一记录和第二记录训练神经网络RN。由此，神经网络RN学习了，当存在至少一个(涉及未来的自动车辆的)当前背景信息且存在刚刚从(通过未来的自动车辆的第一传感器的)第一图像i1中确定的元素时，所述神经网络需或是当该元素与该当前背景信息相对应地存储时使用(第一记录中的)该元素，或是使用(第二记录中的)与该当前背景信息且与该元素相对应地存储的界限。
在存在该可选配置(使用了背景信息)的情况下，在训练期间，神经网络RN接收作为输入量的一方面第一图像i1(所述神经网络从所述第一图像中确定能够表征界限dj的元素ej)以及另一方面至少一个背景信息ic。然后，神经网络RN从数据库BD中搜索包括该元素ej和经接收背景信息ic的第一记录或第二记录。当所述神经网络找到所述第一记录时，所述神经网络RN学习了，未来在相同背景条件(ic)下检测到的相同元素ej有效地是自动车辆的通行车道的界限dj。相反地，当所述神经网络找到所述第二记录时，所述神经网络RN学习了，未来在相同背景条件(ic)下检测到的相同元素ej不是自动车辆的通行车道的界限，并且替代地，所述神经网络需使用初始的在相同背景条件(ic)下与该元素ej相关联的界限dj。
例如，在第一步骤10-20的子步骤20中，(处理器PR和存储器MD)可使用从以下信息中选择的至少一个背景信息：与所述分析车辆的当前环境有关的气象信息，表征在所述分析车辆前方的外部亮度的光信息，通过波道接收到所述分析车辆中的物质(例如泥、土或沙)遮挡信息，所述分析车辆的外部照明系统的激活，以及太阳相对于位于所述分析车辆前方的地平线的太阳角度位置。
作为示例，每个气象信息可从雨、冰、雪和雾中选择。
还作为示例，每个气象信息可通过波道(通过所述分析车辆的通讯模块，又或智能移动电话(或“智能手机(smartphone)”)或技术员所携带的车载平板)接收到所述分析车辆中，又或可由装配于所述分析车辆上的检测器(例如雨检测器)提供。
还作为示例，可从经获取图像(特别是第一图像i1)中确定太阳角度位置，或者(当所述导航辅助装置作为便携装备又或智能移动电话或技术员所携带的平板的组成部分时)根据当前时刻和所述分析车辆的当前地理位置(该当前地理位置例如由所述分析车辆永久或暂时包括的导航辅助装置提供)确定太阳角度位置。
注意到，在神经网络RN作为装配于自动车辆上的驾驶辅助装置的组成部分时，当所述神经网络已通过考虑到(一个或多个)背景信息实施了训练时，所述神经网络由该自动车辆的计算机或者由永久或暂时地存在于该自动车辆中(且作为例如智能移动电话或乘客平板的组成部分)的通讯模块通知了每个要纳入考虑的背景信息(任选地仅根据其所接收的训练)。
还注意到，在神经网络RN经训练好且作为驾驶辅助装置的组成部分时，不再先验地需要与类似于训练数据库BD的数据库联结。然而，可设想，所述驾驶辅助装置包括可在所述自动车辆的行驶阶段期间由对新情况的学习进行补充的数据库。在该情况下，还可设想，神经网络RN继续学习并因此由于对于数据库的这些补充而随着时间的推移减少了界限检测的错误率。然而，目前优选地，构建了对于新情况(系统表现不佳的情况，该情况可由经提供方案检测到，该方案与能够过滤良好检测以供应初始学习数据库的方案是相同的)的学习数据库，然后使神经网络RN通过多于初始情况的这些新情况进行学习。该最后步骤可由制造商掌控地进行(例如，通过从所有车辆的云(或“cloud”)中获得这些情况，例如在让行(passages en concession)的时候)，然后借助于经批准更新来重新分配更新的神经网络。中间的方案旨在实施对于局部(也就是说，在每个车辆位置处)但经常取道的区段的更新，在更新的情况下，过滤部分的“修正”能够通过出现次数进行证实。
还注意到，本发明还提供了一种包括一组指令的电脑程序产品，所述一组指令在由电子电路(或硬件)类型的处理部件(例如处理器PR)执行时能够实施上文所述的训练神经网络RN的训练方法，所述神经网络用于检测至少部分自动驾驶的车辆所通行在的通行车道的界限。
还注意到，在图1上，非常示意性地示出了带有随机存取存储器MD和处理器PR的训练装置DE，所述处理器可包括集成(或印刷)电路又或通过有线或无线连接联接的多个(或印刷)集成电路。集成(或印刷)电路理解成能够执行至少一个电气或电子操作的任何类型的装置。然而，如图1上非限制性所示，该训练装置DE还可包括大容量存储器MM，所述大容量存储器尤其用于经获取图像的暂时存储、任选背景信息的暂时存储、地理位置的暂时存储以及任选参与到所有计算和处理中的中间数据的暂时存储。另外，该训练装置DE还可包括输入界面IE，所述输入界面用于至少接收经获取图像、任选背景信息以及地理位置，以任选地在借助于数字信号处理器PR'以本身已知的方式对这些信息进行整理和/或解调和/或放大之后在计算或处理中使用这些信息。此外，该训练装置DE还可包括输出界面IS，所述输出界面尤其用于在训练期间向神经网络RN传输命令和指令。
还注意到，所述训练方法的一个或多个步骤和/或一个或多个子步骤可由不同的组件执行。由此，所述训练方法可由多个数字信号处理器、随机存取存储器、大容量存储器、输入界面、输出界面实施。