[发明专利]用于确定传感器的数据集的品质等级的方法、设备和机器可读的存储介质

权利要求书

1.一种用于训练机器学习模型以便确定多个传感器(21)中的每个传感器的至少一个数据集(23)的品质等级(26a，26b，26c，26d)，的方法(100)，其中，所述多个传感器(21)设置用于生成周围环境表示，所述方法具有以下步骤：

提供所述多个传感器(21)中的每个传感器的、相应多个周围环境表示的多个数据集(23)(S1)；

提供所述多个周围环境表示的基准真值对象的属性数据(S2)；

借助度量标准确定所述多个传感器(21)中的每个传感器的相应的数据集(23)的品质等级(26a，26b，26c，26d)(S3)，其中，所述度量标准将借助所述相应的数据集所确定的至少一个变量分别与所述周围环境表示的所属的至少一个基准真值对象的至少一个属性数据进行比较；并且

借助所述多个传感器(21)中的每个传感器的所述多个数据集(23)以及各个所分配的所确定的品质等级(26a，26b，26c，26d)来训练(S4)所述机器学习模型，以便确定多个传感器(21)中的每个传感器的至少一个数据集(23)的品质等级(26a，26b，26c，26d)。

2.根据权利要求1所述的方法(100)，其中，所述机器学习模型具有神经网络或递归神经网络，并且相应的输出变量是具有说明所述品质等级(26a，26b，26c，26d)的至少一个向量元素的向量。

3.根据权利要求2所述的方法(100)，其中，所述神经网络具有多个层，至少两个传感器(21)的数据集(23)彼此独立地输入到所述神经网络的输入层的不同部分中，并且所述至少两个不同传感器(21)的所述数据集(23)的融合在所述神经网络内的另一层中进行。

4.根据以上权利要求中任一项所述的方法(100)，其中，进行如下操作：通过对所述不同传感器(21)的所述数据集(21)和/或对由所述不同传感器(21)的所述相应的数据集(23)确定的、环境表现的对象的属性进行加法、平均或级联来融合所述多个传感器中的至少两个传感器(21)的相应的信息。

5.根据以上权利要求中任一项所述的方法(100)，其中，所述多个传感器(21)的至少一个传感器生成以下数据集(23)：所述数据集具有所述至少一个传感器(21)的数据的时间序列。

6.根据以上权利要求中任一项所述的方法(100)，其中，所述多个传感器(21)的至少两个传感器具有不同的模态，并且用于确定所述品质等级(26a，26b，26c，26d)的度量标准取决于所述传感器(21)的相应的模态。

7.根据以上权利要求中任一项所述的方法(100)，其中，借助度量标准进行以下比较：借助所述相应的数据集(23)所确定的至少一个变量分别与所述周围环境表示的所属的至少一个基准真值对象的至少一个属性数据的比较，所述比较具有以下步骤：

将传感器(21)的所述相应的数据集(23)的至少一个变量与所属的基准真值周围环境表示的至少一个对象相关联；

借助取决于所述传感器(21)的所述模态的度量标准来确定所述至少一个变量与所述周围环境表示的所述基准真值对象的至少一个属性的定量一致性，以便确定所述相应的数据集(23)的品质等级(26a，26b，26c，26d)。

8.根据以上权利要求中任一项所述的方法(100)，其中，所述度量标准基于所述多个传感器(21)中的至少一个传感器的对象探测率和/或组合率，所述对象探测率例如是假阳性率和/或假阴性率，所述组合率例如是平均精度均值和/或F1标准。

9.根据权利要求7所述的方法(100)，其中，借助所述数据集(23)属于所述周围环境的某个对象的概率来确定所述关联。