[发明专利]在监控是否离开训练的应用范围的情况下运行可训练模块

说明书

用于运行可训练模块（1）的方法（100），具有步骤：‑将至少一个输入参量值（11）输送给所述可训练模块（1）的变种（1a‑1c）（110），其中所述变种（1a‑1c）如此程度地彼此不同，以致于所述变种不能通过渐进式学习彼此一致地转化；‑从所述变种（1a‑1c）将所述输入参量值（11）分别转变成的输出参量值（13）的彼此偏差中确定用于所述输出参量值（13）的不确定性（13b）的度量（120）；‑将所述不确定性（13b）与不确定性（13b）的分布（13*）进行比较（130），所述分布已经针对在训练所述可训练模块（1）时所使用的学习输入参量值（11a）和/或针对在训练所述可训练模块（1）时所学习的关系能应用到的其他测试输入参量值（11c）被确定；‑从所述比较（130）的结果（130a）中评估（140）：在训练所述可训练模块（1）时所学习的关系能够在何种程度上应用于所述输入参量值（11）（140a、140b）。用于训练可训练模块（1）的方法（200）。

技术领域

本发明涉及如例如在至少部分自动驾驶时为了分类任务和/或对象识别所使用的可训练模块的运行。

背景技术

在道路交通中由人类驾驶员对车辆的驾驶通常被训练，其方式是迫使驾驶学员在其培训的范围中反复地面对特定的状况准则。驾驶学员必须对这些状况分别做出反应，并且通过驾驶教练的评论或者甚至干预来获得关于其反应是正确还是错误的反馈。利用有限数量的状况的这种训练应该使驾驶学员有能力在独立驾驶车辆时也掌握未知的状况。

为了让车辆完全或部分地自动参与道路交通，力求利用以完全相似的方式可训练的模块来控制所述车辆。例如，这些模块从车辆环境中获得传感器数据作为输入参量，并且作为输出参量提供干预车辆的运行所利用的操控信号和/或构成这种操控信号的初级产品。例如，车辆的环境中的对象的分类可以是这种初级产品。

发明内容

在本发明的范围中，开发了一种用于运行可训练模块的方法。可训练模块将一个或多个输入参量值转变为一个或多个输出参量值。

可训练模块尤其是被视为以用于一般化的大的力度体现利用可适配参数参数化的函数的模块。在训练可训练的模块时，参数尤其是可以被适配为使得在将学习输入参量值输入到模块中时尽可能好地再现所属的学习输出参量值。可训练模块尤其是可以包含人工神经网络KNN，和/或所述可训练模块可以是KNN。

输入参量值包括通过物理测量过程和/或通过这样的测量过程的部分或完全模拟和/或通过可利用这样的测量过程观测的技术系统的部分或完全模拟获得的测量数据。例如，测量数据可以包括通过观测车辆的环境所记录的图像或扫描。

当针对这种应用训练可训练模块时，该训练原则上根据有限数量的学习情形、即利用有限数量的学习数据来进行。在训练时，可训练模块学习由于上述一般化力度也针对不是训练主题的许多其他情形具有有效性的关系。

如果使用可训练模块例如用于对交通标志、其他交通参与者、车道边界和其他对象进行分类，则训练典型地包括具有一定可变性的情形，所述可变性例如包括在车辆的运行中可能发生的天气条件、道路情况、季节和照明情况。在此，尤其是学习通常使得能够在图像中识别交通标志的这样的关系。因此，例如，仅很少出现在公共交通区域中、但在个别情况下极其重要的、警告提防不安全的河岸的交通标志129即使在训练中在其情况下看不到所述交通标志129的照明情况或天气条件下也被识别。

现在已经认识到，然而这种一般化力度也有局限性，所述局限性例如在运行至少部分自动的车辆时可能导致危急情形。

如果例如仅利用来自欧洲交通区域的图像进行了训练，并且然后在美国使用可训练模块，则在欧洲不出现的美国交通标志可能错误地被分类。因此在美国例如存在许多交通标志，所述交通标志由处于尖端的黄色方块连同黑色文字组成（例如“Dead end”代表“死胡同”）。这样的交通标志可能例如被错误分类为在欧洲出现的包含处于尖端的黄色方块的单个交通标志。这是交通标志306“优先行驶路段”。在该具体示例中，差错可能导致至少部分自动化的车辆怀着能自由通行的信念在驶入死胡同时加速。