CN112673385B 用于运行控制系统的方法和设备 （罗伯特·博世有限公司）

2021.03.19PCT/EP2019/0717352019.08.13WO2020/057868DE2020.03.26DE202017102238U1,2017.05.12robusttomassivelabelnoise.arXiv.2017,正确标记的训练数据来被训练一次并且利用不21.一种用于对用于控制系统(40)的机器学习系统(60)进行计算机辅助的参数化的方法，所述机器学习系统被设立为根据输入信号x分别确定多个类别中的所属的类别作为输出信号y，其中所述输入信号是由至少一个传感器记录的图像并且从所述输出信号确定用其中所述机器学习系统(60)利用正确标记的训练数据XC来被训练一次并且利用不正确地标记的训练数据Xr来被训练一次，其中所述机器学习系统(60)的超参数θH被选择为使得相应的经训练的机器学习系统(60)能够使所述正确标记的训练数据XC的实际分类yT比所述不正确地标记的训练数据Xr的实际分类yT更其中所述超参数θH被选择为使得对于经训练的机器学习系统(60)来说，当给所述机器学习系统(60)输送不正确地标记的训练数据Xr时得到的裕度m的统计频率分布作为所述裕其中所述裕度m通过来定义，其中f(xT)是输入信号xT的正确分所述正确标记的训练数据XC的实际分类yT5.根据上述权利要求中任一项所述的方法，其中所述超参数θH被选择为使得由经训练的机器学习系统(60)正确重现的正确的训练数据XC的实际分类yT的份额大于由经训练的机器学习系统(60)正确重现的不正确地标记的训练数据Xr的实统(60)正确重现的所述正确标记的训练数据XC的实际分类yT的份额大于预先给定的第一阈值；和/或由经训练的机器学习系统(60)正确重现的所述不正确地标记的训练数据Xr的实7.根据权利要求1至4中任一项所述的方法，其中所述超参数θH被选择为使得对于经训裕度m的统计频率分布作为所述裕度m的函数只具有一个最大值，其中在所述裕度m的值大8.一种训练系统(140)，所述训练系统被设立为实施根据权利要求1至7中任一项所述9.一种用于运行包括机器学习系统(60)的控制系统(40)机器学习系统(60)所确定的输出信号y来确定操控信10.根据权利要求9所述的方法，其中根据所确定的操控信号A来操控至少部分自主机器人(100)和/或生产系统(200)和/或私人助理(250)和/或访问系统(300)和/或监控系统311.一种控制系统(40)，所述控制系统包括一个或多个处理器(45)和至少一个机器可12.一种用于运行根据权利要求11所述的控制系统(40)的方法，其中所述控制系统(40)所包括的机器学习系统(60)首先借助于根据权利要求1至7中任一项所述的方法来被训练并且紧接着根据权利要求9或10所述的方法利用这样训练的机器学习系统(60)来被实系统(60)能够被训练来使正确标记的训练数据XC的实际分类yT比不正确地标记的训练数据Xr的实际分类yT更好地重现，其中所述机器学习系统(60)是借助根据权利要求1至7中任一立为实施根据权利要求1至7或9或10或12中任4机器学习系统的具有观测值和所属的所希望的第一输出值的训练集合来训练机器学习系函数f:X→Y来说，通过R[f]:=EX,y-pl(f(x),)来定义预期损失（英文“expected[0005]机器学习方法的任务是：学习函数类别F中的使预期损失R[f]最小化的函数f:XS[0008]对这些参数的选择例如可以基于经验知识或者神经网络在验证数据记录上的性[0009]具有独立权利要求1的特征的方法防止了机器学习系统在训练时花费高地学习训5[0012]考虑机器学习系统、尤其是人工神经网络。以便解决分类任务、即将输入空间的输入信号x分配到数目为k个更多类别中的类别y。该分配例如借助于函数这种情况下分别表征所属的类别y是输入信号x的正确分类的概率。为了将输入信号x分配给特定类别，可以使用argmax函数。argmax函数输出f的最大值的坐标，也就是说y=。[0013]训练数据包括多个训练点(xT,yT)，这些学习系统是否正确地学习了输入数据xT与分类yT之间的关系的基础结构。图11示例性示出[0016]如果利用训练数据(xT,yT)来对机器学习系统进类yT的分配不能正确地被学习时得到如图11A或图11B中所示的分布，并且当对输入数据xT和分类yT的分配能正确地被学习时得到如图11C中所示的分布。得到这些分布中的哪些分如可包括架构参数θA和/或优化参数θO。式的参数和/或表征神经网络的非线性的参数和/或表征神经网络的哪些层与神经网络的[0019]优化参数θO是表征用于使参数θ适配的优化算法的特性的参数，这些参数在训练[0020]对于超参数θH的不同的值来说，对机器学习系统的训练的学习成功率有所不同。标记的数据记录xc=(xr,yr)可以良好地被学习，即得到与图11C中所示的情况类似的裕度好被选择得如此大，使得如图11B中所示的裕度m的分布具有第二最大值作为裕度的函数6[0033]图1示出了在其周围环境20中与控制系统40进行交互的执行器10。执行器10和周[0034]控制系统40在可选的接收单元50中接收传感器30的传感器信号S的序列，该接收[0036]机器学习系统60根据输入信号x来确定输出信号y。输出信号y被输送给可选的改[0037]执行器10接收操控信号A，相对应地被操控并且实施相对应的行动。在这种情况7[0040]在替选的实施方式中，替选于执行器10或除了执行器10之外，还设置显示单元[0042]传感器30例如可以是一个或多个优选地布置在机动车100中的视频传感器和/或[0043]机器学习系统60可以根据输入数据x来探测例如在至少部分自主机器人的周围环境中的对象。输出信号y可以是表征在至少部分自主机器人的周围环境中对象所在的位置器人的驱动装置和/或转向装置被操控为使得该至少部分自主机器人例如防止与由机器学园机器人利用成像传感器30和机器学习系统60来确定在周围环境20中的植物的类型或状电器来处理的对象的状态，例如在洗衣机的情况下可以检测处在洗衣机中的洗涤物的状8人助理因此相对应地被操控。该所确定的操控信号A尤其可以被选择为使得该操控信号对应于用户249所设想的所希望的操控。该所设想的所希望的操控可以根据由机器学习系统于传送给私人助理250的操控信号A和/或选择用于传送给与所设想的所希望的操控相对应[0052]该相对应的操控例如可包含：私人助理250从数据库中调用信息并且以对于用户如用于检测图像或视频数据该光学传感器被设立为检测面部。借助于机器学习系统60，而且操控信号A接着可以被选择为使得该对象由显示单元10a数据单元150访问其中存储有训练数据记录的计算机实现的数据库，并且例如从该训练数9[0060]更改单元160例如利用在图9中图解说明的方法来确定新参数θ'并且将这些新参在图9中图解说明的方法来确定新的超参数θ'H并且将这些新的超参数输送给第二参数存[0061]评估单元180例如可以借助于取决于输出信号y和所希望的输出信号yT的成本函[0064]首先（1000超参数θH被初始化，例如随机地[0065]接着（1100借助于实数随机数发生器或者伪随机数发确定随机化分类，并且产生不正确地标记的数据记录xr=(r,7)。k维参量f(x)并且将输出信号y确定为f(x)的具有最大确定函数k维参量f(x)并且将输出信号y确定为f(x)的具有最大[0074]紧接着（1800根据所确定的输出信号y和所希望的输出信号来确定特征参量[0075]最后（1900借助于所确定的已针对对于不正确地标第一阈值并且所确定的第二份额小于第二阈值的条件