提供带注释的交通空间数据的方法和设备、评估方法、训练方法、计算机程序及存储介质
阅读说明：本技术 提供带注释的交通空间数据的方法和设备、评估方法、训练方法、计算机程序及存储介质 (Method and device for providing annotated traffic space data, evaluation method, training method, computer program and storage medium ) 是由 J·E·M·梅纳特 于 2020-10-26 设计创作，主要内容包括：本发明涉及一种用于提供带注释的交通空间数据(105)的方法(300)。该方法包括以下步骤：读取(310)分别代表由交通参与者(100)使用的交通空间(130)的区段(135)的交通空间数据(110),并且读取自动检测的交通参与者在交通空间中的位置数据(155)。该方法还包括以下步骤：分别将至少一个注释数据集(162)分配(320)给交通参与者相应于检测的位置数据当前所在的交通空间数据,以便获得带注释的交通空间数据,该带注释的交通空间数据用信号表明另一交通参与者对由交通空间数据代表的交通空间的使用和/或运动可能性,尤其其中,使用机器学习方法和/或基于机器学习算法的分类器(178)生成注释数据集。(The invention relates to a method (300) for providing annotated traffic space data (105). The method comprises the following steps: traffic space data (110) representing sections (135) of a traffic space (130) used by traffic participants (100) are read (310), and position data (155) of automatically detected traffic participants in the traffic space are read. The method further comprises the following steps: assigning (320) at least one annotation data set (162) to the traffic participant in each case in accordance with the traffic space data in which the detected position data is currently located in order to obtain annotated traffic space data which signal a probability of use and/or movement of the traffic space represented by the traffic space data by another traffic participant, in particular wherein the annotation data set is generated using a machine learning method and/or a classifier (178) based on a machine learning algorithm.)
技术领域
本发明基于一种用于提供带注释的交通空间数据的方法、一种用于评估对由交通参与者待使用的交通空间的区段的使用的方法、一种用于训练基于机器学习算法的分类器的方法、一种设备、一种计算机程序以及一种机器可读的存储介质。
背景技术
为了使自动驾驶成为可能，当前正在产生大量高成本的注释数据(例如在第三代视频信号处理中所进行的那样)，这些注释数据此外还由于“标签噪声”是有错误的，因为人类注释者必须解决以下注释问题：该注释问题使得需要在没有直接质量控制的情况下进行估计(例如估计正确的交通参与者类别)。这些估计使得需要对注释数据进行后续的质量控制，在该质量控制中可以忽略注释错误。
解决这种问题的一种方案可以是：仅为车辆实际行驶的那些区域配备注释，这至少将用于配备这些注释的开销限制在重要相关的区域上。
发明内容
在这种背景下，借助在此提出的方案，提出根据本发明的技术方案的方法、使用这种方法的设备以及(最后)相应的计算机程序。通过在本发明的扩展技术方案中列出的措施使得在本发明的技术方案中说明的设备的有利扩展方案和改善成为可能。
借助在此提出的方案提出一种用于提供带注释的交通空间数据的方法，其中，所述方法具有以下步骤：
-读取分别代表由交通参与者所使用的交通空间的区段的交通空间数据，并读取自动检测的、交通参与者在该交通空间中的位置数据；
-分别将至少一个注释数据集分配给交通参与者相应于所检测的位置数据当前所在的交通空间数据，以便获得带注释的交通空间数据，该带注释的交通空间数据用信号表明另一交通参与者对由交通空间数据所代表的交通空间的使用可能性和/或运动可能性，尤其其中，在使用机器学习方法和/或基于机器学习算法的分类器的情况下生成注释数据集。
交通空间数据可以理解为代表交通参与者的区域中的周围环境的数据，例如作为地图。交通空间的区段可以理解为例如表示交通空间的一部分的小块土地；该区段例如可以是二维的，并且映射行车道表面或人行道的一部分。交通空间例如可以理解为以下区域：该区域是公众可进入的并且该区域用于交通参与者的前进运动。在本文中，交通参与者可以理解为诸如行人之类的人或者诸如车辆之类的对象。在本文中，注释数据集可以理解为例如元数据，该元数据被分配给描述交通空间的区段的各个交通空间数据，并且该元数据包含关于特性或参数的其他信息，如果另一交通参与者想要在通过相关交通空间数据映射的交通空间的区段中运动，则所述其他信息对于另一交通参与者是或者可能是重要相关的。用于交通空间数据的注释例如可以理解为被分配给用于交通参与者所在的区段的交通空间数据的注释数据集。位置数据可以理解为映射交通参与者当前位置的数据，该数据例如作为全球卫星导航系统的坐标而可供使用。交通参与者的交通参与者类别例如可以理解为交通参与者的尽可能同类的特征或类型的组，例如作为交通参与者的乘用车、摩托车、卡车、公共汽车、自行车或行人的交通参与者类别。机器学习方法或基于机器学习算法的分类器可以理解为一种算法，该算法通过预先实施的训练阶段已经达到一种状态，在该状态中在提供数据的情况下该算法可以进行估计或分析处理：当前由交通参与者行驶或一般使用的交通空间的相关区段是否也能够由其他交通参与者使用。
在此提出的方案基于以下知识：如果将经常由交通参与者的周围环境的自动映射所得的交通空间数据与交通参与者的自动检测的位置数据相关联，则可以非常快速、广泛且可靠地提供带注释的交通空间数据，从而能够通过分配给交通空间数据的注释数据集从带注释的交通空间数据中识别出交通参与者实际上已经使用或行驶交通空间的相关区段。以这种方式能够自动检测出已经由交通参与者(特别是确定的交通参与者类别的交通参与者)使用了交通空间的哪些区域或区段，从而能够推断出：未来交通参与者、特别是确定的交通参与者类别的交通参与者也将能够使用交通空间的相关区段。因此有利地，不必手动地或通过人工干预来再次校正或编辑代表交通空间的区段的交通空间数据，或者使该交通空间数据完全配备有注释数据。
根据在此提出的方案的一种特别有利的实施方式，在用于获得带注释的交通空间数据的分配步骤中，还可以将至少一个相邻注释数据集分配给相邻交通空间数据，该相邻交通空间数据分别代表与交通空间数据相邻的交通空间区段，尤其其中，已经在使用机器学习方法和/或基于机器学习算法的分类器的情况下生成相邻注释数据集。在本文中，相邻注释数据集可以理解为分配给相邻交通空间数据的注释数据集。在此，该相邻注释数据集同样又可以包含如已经关于注释数据集进一步描述的元数据。在此，相邻交通空间数据可以理解为以下交通空间数据：该交通空间数据代表与由交通参与者在交通空间中所使用的区段直接连接的区段。在此提出的方案的这类实施方式提供以下优点：以这种方式估计或求取以下信息，当交通参与者使用交通空间的相邻的区段时，例如行车道的侧面区域或人行道是否同样能够由该交通参与者或另一交通参与者、特别是确定的交通参与者类别的交通参与者使用。还可以通过使用机器学习方法或基于机器学习算法的分类器(例如神经网络)求取以下关联：是否以及可能地在多大程度上也能够由交通参与者或另一交通参与者使用与交通参与者在交通空间中实际所使用的区段(例如直接)连接的交通空间区段。
在此提出的方案的一种实施方式也是有利的，在该实施方式中，在读取步骤中读取用于以下相邻交通空间数据的相邻数据集：该相邻交通空间数据代表交通参与者当前未使用的或者将使用的交通空间。以这种方式，不仅能够实现对由交通参与者实际使用的交通空间区段的可用性的估计，而且能够做出关于确定的道路使用者对与当前使用的区段邻接的其他区域的可用性的陈述。
根据另一实施方式，在读取步骤中可以读取代表交通参与者的类型的交通参与者类别，其中，在分配步骤中，在使用交通参与者类别的情况下求取分配给交通空间数据的注释数据集。交通参与者类别例如可以是以下类别：该类别将交通参与者分类为行人、骑自行车的人、乘用车、卡车、公共汽车或骑摩托车的人。在此提出的方案的这种实施方式提供以下优点：能够估计带注释的交通空间数据(特别是在其他交通空间数据的情况下)的说服力，从而在评估由其他交通参与者对该交通空间的使用可能性时，能够特别简单地使用来自带注释的交通空间数据的信息。例如由此能够估计，由卡车作为提供带注释的交通空间数据的交通参与者的交通空间可能也能够由乘用车作为交通参与者来使用。
还能够设想的是在此提出的方案的一种实施方式，在该实施方式中，在读取步骤中，读取代表交通参与者的轮廓的、交通参与者在由交通参与者所使用的交通空间上的高度特性，和/或读取代表交通参与者在由交通参与者所使用的交通空间上的轮廓的侧影，其中，在分配步骤中，在使用高度特性和/或侧影的情况下求取分别分配给交通空间数据的注释数据集。这种高度特性或侧影或者说轮廓可以理解为由交通参与者在使用交通空间的区段时所需的或所占据的空间区域或三维区域。以这种方式，有利地能够实现：确定的交通参与者可靠地允许对交通参与者在所使用的各个交通空间区段上具有一定的空间要求，从而例如能够针对这些所使用的各个区段上的随后跟随的交通参与者给出以下提示：这些片段已经由相应的交通参与者使用过一次。例如，以这种方式很容易地在交通空间数据中存储以下信息：道路由于侧向的植被而非常狭窄，使得例如乘用车可以使用该道路，然而具有不同的高度特性或不同的侧影或轮廓的卡车不再能够使用该道路。
能够特别简单地实施在此提出的方案的一种实施方式，在该实施方式中，在读取步骤中读取交通空间数据，该交通空间数据代表交通参与者的由交通参与者所使用的交通空间的区段，该区段在使用借助摄像机记录的图像的情况下已经求取，和/或，在读取步骤中读取位置数据，该位置数据在使用里程表单元和/或卫星导航系统的情况下已经求取。这种摄像机或里程表单元其间通常成批地安装在车辆中，从而通过使用由摄像机所记录的图像作为交通空间数据或由里程表单元所提供的位置数据能够非常快速且高效地生成交通空间数据并且划分相应的区段。
对于使用配备有至少一个注释的交通空间数据特别重要相关的是在此提出的方案的一种实施方式，在该实施方式中，在读取步骤中读取交通空间数据，该交通空间数据代表交通参与者的由交通参与者所使用的交通空间的区段，该区段构型为和/或能够辨别为用于至少一个车辆的行车道或人行道。因此，在此提出的方法能够非常有利地用于特别是分类或评估(例如用于机动车辆或自行车的)行车道或行人便道的使用可能性的区域。
根据在此提出的方案的另一实施方式，至少读取步骤和/或分配步骤可以在交通参与者的移动单元中和/或在中央的固定计算机单元中实施，和/或，其中，在分配步骤之后，设置将带注释的交通空间数据传输给中央的固定计算机单元的步骤。中央的固定计算机单元例如可以理解为云服务器。这种实施方式提供以下优点：根据可用的计算性能或数据传输能力，能够在各个有利的地点处实施数字或电路技术上更复杂的算法，其中，仍能够确保所提供的配备有至少一个注释的交通空间数据的良好可用性。
此外，根据在此提出的方法的另一实施方式，可以设置一种用于评估对由交通参与者待使用的交通空间的区段的使用的方法，其中，该方法具有以下步骤：
-读取已经借助在此提出的方法的一种变型方案创建的带注释的交通空间数据，并且读取代表交通参与者的当前位置或未来位置的位置数据；
-在使用注释数据集和位置数据的情况下检查交通参与者对交通空间的至少一个区段的使用可能性。
在此提出的方案的这种实施方式提供以下优点：能够有利地使用所提供的且带注释的交通空间数据，以便例如能够预先估计：(例如确定的交通参与者类别的)交通参与者是否能够使用交通空间的确定的区段，或者这基于先前已经使用过交通空间的所述区段的交通参与者的经验/信息是不可能的或只有在存在严重问题的情况下才是可能的。
根据在此提出的方案的另一实施方式，还能够设置一种用于训练基于机器学习算法的分类器的方法，其中，该方法具有以下步骤：
-读取第一交通空间数据，该第一交通空间数据分别代表由第一交通参与者所使用的或待使用的交通空间的区段，以及读取自动检测的、第一交通参与者的第一位置数据，并且读取第二交通空间数据，该第二交通空间数据分别代表由第二交通参与者所使用的或待使用的交通空间的区段，以及读取自动检测的、第二交通参与者的第二位置数据；
-在使用第一和第二交通空间数据以及第一和第二位置数据的情况下训练分类器的元素。
在此提出的方案的这种实施方式提供以下优点，通过使用基于机器学习算法的分类器(例如神经网络)以及由多个交通参与者所提供的、针对交通空间的一个确定的区段或多个确定的区段的交通空间数据，能够如此训练该分类器，使得在将注释数据集分配给交通空间数据时以下陈述也变得可能：由当前交通参与者当前未使用的、然而与由交通参与者所使用的交通空间区段邻接的交通空间区段是否同样能够由(例如相同交通参与者类别的)交通参与者使用。
该方法的在此提出的变型方案例如可以以软件或硬件形式或者以软件和硬件的混合形式例如在控制设备或设备中实现。
在此提出的方案还提出一种设备，该设备构造为用于在相应的装置中执行、操控或实施在此提出的方法的变型方案的步骤。通过本发明的呈设备形式的实施变型方案也能够快速且高效地解决本发明所基于的任务。
为此，该设备可以具有用于处理信号或数据的至少一个计算单元、用于存储信号或数据的至少一个存储单元、用于从传感器读取传感器信号或将数据信号或控制信号输出给执行器的至传感器或执行器的至少一个接口、和/或用于读取或输出嵌入在通信协议中的数据的至少一个通信接口。计算单元例如可以是信号处理器、微控制器或类似物，其中，存储单元可以是闪存、EEPROM或磁存储单元。通信接口可以构造为用于无线地和/或有线地读取或输出数据，其中，能够读取或输出有线数据的通信接口能够例如电学地或光学地从相应的数据传输线路读取这些数据或者将这些数据输出到相应的数据传输线路中。
在本文中，设备可以理解为电设备，该电设备处理传感器信号并且根据该传感器信号输出控制信号和/或数据信号。该设备可以具有能够以硬件形式和/或以软件形式构造的接口。在硬件形式的构造中，接口例如可以是所谓的系统ASIC的一部分，该系统ASIC包含设备的各种功能。然而，接口也能够是自己的、集成的电路或至少部分地由分离的构件组成。在软件形式的构造中，接口可以是例如与其他软件模块一起存在于微控制器上的软件模块。
也有利的是一种具有程序代码的计算机程序产品或计算机程序，该程序代码能够存储在机器可读的载体或存储介质上(例如半导体存储器、硬盘存储器或光学存储器)，并且尤其当该程序产品或程序在计算机或设备上实施时，该程序代码用于执行、实施和/或操控根据以上所描述的实施方式中任一项所述的方法的步骤。
附图说明
在此提出的方案的实施例在附图中示出并且在以下描述中进一步阐述。附图示出：
图1示出一个场景的图示，在该场景中，由交通参与者(例如车辆)提供带注释的交通空间数据；
图2示出具有根据另一实施例的分类器178的分配单元160的示意性的工作方式；
图3示出用于提供配备有至少一个注释的交通空间数据的方法的实施例的流程图；
图4示出用于评估对由交通参与者待使用的交通空间的区段的使用的方法的实施例的流程图；
图5示出用于训练基于机器学习算法的分类器的方法的实施例的流程图。
具体实施方式
在本发明的有利实施例的以下描述中，对于在不同附图中示出且相似作用的元素使用相同或相似的附图标记，其中，省去对这些元素的重复描述。
图1示出一个场景的图示，在该场景中，通过交通参与者100(例如车辆)提供带注释的交通空间数据105。在此，首先通过接口115读取交通空间数据110，其中，这些交通空间数据110现在例如作为图像数据能够源于光学摄像机120，该光学摄像机记录围绕交通参与者100的周围环境125。在图1中示出的实施例中，交通参与者100在作为交通空间130的道路上行驶，从而通过摄像机120映射由作为交通参与者100的车辆使用(即行驶)或随后立即使用的区段135。
替代地或附加地，也可以从所存储的数字地图140中读取交通空间数据110，在该数字地图中存储有由作为车辆的交通参与者100待使用的、作为交通空间130的道路的区段135。
此外，例如还通过摄像机120和/或由数字地图140提供相邻交通空间数据145，该相邻交通空间数据分别代表相邻区段150，该相邻区段与由作为交通参与者100的车辆所使用的(在此，所行驶的)或随后立即使用的区段135邻接。
附加地，还通过接口115读取代表交通参与者100(在此为车辆)的当前位置且已经自动检测到的位置数据155。位置数据155例如可以由里程表单元157通过分析处理交通参与者100的运动轨迹、必要时借助来自数字地图140的数据来获得。替代地或附加地，还可以在使用诸如GPS系统的卫星导航系统158的接收器的情况下获得位置数据155。
在分配单元160中，然后例如将分别相关的注释数据集162分配给交通空间数据110，该相关的注释数据集在注释数据集产生单元165中在使用交通参与者100的当前位置的情况下已经生成。为此例如可以使用其他信息，例如高度特性167或侧影，该高度特性或侧影说明交通参与者具有哪个空间延伸。还能够设想，将其他信息——交通参与者100的交通参与者类别168(在这种情况下例如是作为交通参与者的乘用车的交通参与者类别)插入到注释数据集162中。通过这种方法，现在可以实现：将元数据(也可以称为注释)作为注释数据集162分配给交通参与者100实际使用并且通过相应于位置信号155的当前位置能够辨别的各个区段135，以便将关于交通参与者100对相关区段135的可用性的信息打包在带注释的交通空间数据105中。如果现在例如将带注释的交通空间数据105传输给中央计算机单元170(例如云服务器)，并且现在从该中央计算机单元传输给另一交通参与者172，则该另一交通参与者172可以在使用自己的当前位置的情况下分析处理带注释的交通空间数据105，并且识别该区段135是否表示由该另一交通参与者作为其他交通参与者172能够使用的行驶路线(Fahrschlauch)。在此也可以考虑，该另一交通参与者172是否具有与交通参与者100相同的交通参与者类别168。以这种方式例如还能够识别出：对于交通参与者100是卡车而该另一交通参与者172是乘用车的情况，由于另一交通参与者172的更小的外部尺寸，区段135非常可能也能够由另一交通参与者172使用或者说行驶。相反，对于交通参与者100是乘用车而另一交通参与者172是卡车的情况，不能够唯一明确地识别到区段135也能够由该另一交通参与者172使用，或者能够输出至少一个警告。
现在，为了不仅能够估计另一交通参与者172对(在大多数情况下非常接近当前交通参与者100的空间尺寸而选择的)区段135的使用可能性，而且能够在自动检测和评估交通空间130的使用可能性时同时考虑与该区段135邻接的相邻区段150的使用可能性，可以通过分配单元160将相邻注释数据集175分配给分别代表相邻区段150的相邻交通空间数据145，该相邻注释数据集例如已经通过分类器178提供，该分类器例如布置在注释数据集产生单元165中并且基于机器学习算法。然后，这些配备有相邻注释数据集175的相邻交通空间数据145在图1中配备有附图标记180，并且同样能够被分配给带注释的交通空间数据105。
在使用经训练的神经网络或其他基于机器学习的算法的情况下，例如在考虑能够从位置数据155中获悉的交通参与者100的当前位置和/或当前由交通参与者100所使用的区段的情况下，分类器178例如可以生成分配给相邻交通空间数据145的相邻注释数据集175。以这种方式还能够做出关于其他交通参与者172对与区段135邻接的相邻区段150的使用可能性的相当可靠的陈述，并且还能够将该信息(例如同样又在中央计算机单元170的传达的情况下)转发给其他交通参与者172。
替代地或附加地，分类器178例如还能够在考虑能够从位置数据155获悉的交通参与者100的当前位置和/或当前由交通参与者100所使用的区段135的情况下生成分配给交通空间数据110的注释数据集162。以这种方式，也能够做出关于另一交通参与者172对区段135的使用可能性的相当可靠的陈述，并且还能够将该信息(例如同样又在中央计算机单元170的传达的情况下)转发给其他交通参与者172。
在此，应以先前的训练方法来如此训练该分类器178，使得通过分类器178所提供的注释数据集162和/或相邻注释数据集175已经允许相当好地预测其他交通参与者172对区段135和/或相邻区段150的使用可能性。该训练(Training或Anlernen)可以通过使用带注释的交通空间数据105的多个集合来进行，即借助源于例如交通参与者100的第一交通参与者的至少第一带注释的交通空间数据105和源于第二交通参与者100的第二带注释的交通空间数据105‘，该第二交通参与者例如在较晚的时刻使用在此具有略微不同的区段135的交通空间130。如果现在例如还同时考虑相应的交通参与者100或100‘的高度特性167、侧影和/或交通参与者类别168，则可以借助从现在起可用的算法非常精准地训练分类器178，从而在评估交通空间130的区段135时、在交通参与者100的行驶中，也能够非常好地预测另一交通参与者172对相应的区段135和/或相邻区段150的可用性。
还能够设想，分配单元160不是安置在交通参与者100(在此例如即车辆)的单元中，而是例如也能够布置在中央计算机单元170中。替代地或附加地，接口115也能够布置在中央计算机单元170中。因此，在这种情况下，将交通空间数据110和/或位置数据155以及必要时配备有相邻注释数据集175的相邻交通空间数据145结合其他信息(例如交通参与者100的高度特性167、侧影和/或交通参与者类别168)传输给中央计算机单元，只要这些数据在中央计算机单元170中对于交通参与者100、特别是在其当前位置尚不可用。
图2示出根据另一实施例的具有分类器178的分配单元160的示意性的工作方式。在此，分类器178例如构造为具有人工智能功能的模块。然后，为具有分类器178的分配单元160提供参数集，该参数集例如包含关于来自图1中的交通参与者100的车辆形状(必要时以交通参与者100的高度特性167或侧影的形式)的信息。附加地，相应于来自图1的图示，现在还能够将诸如交通空间数据110或位置数据155之类的其他数据作为传感器数据提供给具有分类器178的分配单元160。然后，分类器178或分配单元160能够输出带注释的交通空间数据105，该带注释的交通空间数据相应于由交通参与者100实际占据的空间的3D表示，或代表这种表示。附加地，还能够通过分配单元160、特别是在此通过分类器178输出配备有相邻注释数据集175的相邻交通空间数据145(然后在图1中配备有附图标记180)，该相邻交通空间数据在3D表示中相应于交通空间130的以下自由空间体积(Freiraumvolumen)：该自由空间体积能够由交通参与者100和另一交通参与者172使用。
总之应注意，在此提出的方案的一个重要的目标可以视为，例如借助诸如神经网络的分类器来近似在时间上可穿过/可行驶/可走过的自由空间(作为能够由交通参与者使用的交通空间)，而无需为此手动注释的数据。在此提出的方案的一个重要的方面是，可以在没有手动的注释数据的情况下计算作为交通参与者的动态对象(例如车辆或行人)能够在其中运动的区域。为此例如使用自动记录的数据，例如交通空间数据、位置数据(例如里程表数据)和车辆参数(例如车辆形状)。另一重要的方面尤其可以视为，如何训练这种网络或这种分类器。因此，借助在此提出的方案，根据一种实施例，可以例如借助深度神经网络作为人工智能实现动态对象的时间上可穿过的自由空间的最佳自动注释。
使用在此提出的方案的实施例的优点可以总结如下：
-预期不再有由人工注释错误而引起的“标签噪声”。
-能够实现最大可能的注释数据质量。
-能够将注释成本限制在序列的记录(任意传感器)上。
-无需生成无用的注释，例如交通参与者(例如车辆)不适合的自由空间。
-无需生成会建立危险情况的注释，例如行驶时距还处于运动中的行人太近。车辆的驾驶员将在序列记录期间把相应的安全间距计划在内。
-不必分析处理光流，因为在自由空间计算中已经考虑其他动态对象的运动。
在不失一般性的情况下，可以基于车辆作为交通参与者的情况来进一步描述在此提出的方案的实施例。在此应不考虑基于多种已知策略(例如体像素)的3D注释的表示。该方法可以与任意动态对象一起实际应用。
1.首先进行对序列和车辆数据/里程表数据的记录，在此例如交通空间数据和位置数据。此外，对于用于输入(einfahren)注释数据的每个车辆(如在来自图1中的图示中)，交通参与者可以建立车辆模型(在此为高度特性167或侧影，可能结合交通参与者类别168)，因为自由空间体积取决于此。
2.针对每个图像(在此例如来自摄像机125的交通空间数据100)计算作为交通参与者100的车辆在之后的过程中将占用的体积，即车辆将使用交通空间130的区段135(相应于交通参与者100的运动的体积轨迹)。通过使用里程表数据能够实现这一点。替代地，也可以借助图像处理装置来求取所寻找的轨迹，即通过分析处理由摄像机120提供的图像数据(关键字：“视觉里程计”)。因此能够针对每个序列和相应的车辆、针对每个图像计算以下区域/区段135：在该区域/区段中车辆能够安全地运动，因为该车辆已经在那里运动。但是，应求取的是以下区域：在该区域中作为交通参与者的车辆能够安全地运动，该区域能够借助这些数据来被近似。在图1中，这相应于配备有注释的交通空间数据105以及配备有相邻注释数据集175的相邻交通空间数据145。
3.在一种非常简单的变型方案中，仅示出当前的行驶路线作为可行驶的场地，并且排除另一驾驶员可能已经行驶的区域。该问题能够通过以下方式解决：在每个注释中现在在训练时间仅将轨迹体积的错误传播回来，而对于3D空间的其余部分则不传播回来任何错误。然后，应仅确保从网络或分类器178或神经网络的权重中不删除任何重要相关的知识。这可能会发生，因为权重仅关于轨迹体积发生改变。为了解决该问题，例如可以大幅降低作为分类器178的(神经)网络的学习率，这是最简单的方案，或者使用用于防止“灾难性遗忘(catastrophic forgetting)”的方法。
经训练的网络现在针对交通空间130的每个图像或交通空间130的每个区段135提供可行驶的空间。
图3示出用于提供配备有至少一个注释的交通空间数据的方法300的实施例的流程图。方法300包括读取交通空间数据的步骤310，该交通空间数据分别代表由交通参与者所使用的交通空间的一个区段，并且方法300包括读取自动检测的、交通参与者在该交通空间中的位置数据。方法300还包括分配步骤320，分别将至少一个注释数据集分配给交通参与者相应于所检测的位置数据当前所在的交通空间数据，以便获得带注释的交通空间数据，该带注释的交通空间数据用信号表明另一交通参与者对由交通空间数据代表的交通空间的使用可能性和/或运动可能性，尤其其中，在使用机器学习方法和/或基于机器学习算法的分类器的情况下已经生成注释数据集。
图4示出用于评估对由交通参与者待使用的交通空间的区段的使用的方法400的实施例的流程图。方法400包括读取步骤410，读取至少配备有注释的交通空间数据以及位置数据，该交通空间数据借助根据以上所述的方法创建，该位置数据代表交通参与者的当前或未来的位置。方法400还包括检查步骤420，在使用注释数据集和位置数据的情况下检查交通参与者对交通空间的至少一个区段的使用可能性。
图5示出用于训练基于机器学习算法的分类器的方法500的实施例的流程图。方法500包括读取步骤510，读取第一交通空间数据，该第一交通空间数据分别代表由第一交通参与者所使用的或待使用的交通空间的区段，以及读取自动检测的、第一交通参与者的第一位置数据，并且读取第二交通空间数据，该第二交通空间数据分别代表由第二交通参与者所使用的或待使用的交通空间的区段，以及读取自动检测的、第二交通参与者的第二位置数据。方法500还包括训练步骤520，在使用第一和第二交通空间数据以及第一和第二位置数据的情况下训练分类器的元素。在本文中，分类器的元素例如可以理解为节点、特别是神经网络的节点。
通过在此提出的方案的这类实施方式还可以快速且高效地实现在此描述的优点。
如果一个实施例在第一特征与第二特征之间包括“和/或”关联，则应如此解读，根据一种实施方式的实施例不仅具有第一特征而且具有第二特征，而根据另一实施方式要么仅具有第一特征要么仅具有第二特征。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种地下洞室地质全断面立体扫描成像装置