CN118447348A 用于获取训练数据的系统和方法 （特斯拉公司）

201980060070.72019.09.13例方法包括接收传感器并且将神经网络应用于否要经由计算机网络传送传感器数据的至少一2将触发分类器应用于所述神经网络的中间结果，以确定针对所述至少部分地基于所述分类器得分来确定是否要经由计算机网络传送所述传感器数据3[0007]图2是图示了用于将触发分类器应用于机器学习模型的中间结果的过程的实施例[0008]图3是图示了用于使用机器学习模型的中间结果来创建触发分类器的过程的实施[0009]图4是图示了用于使用触发分类器来标识潜在训练数据以及传送传感器数据的过[0010]图5是图示了用于从与由触发分类器标识的用例相对应的数据中部署训练数据的[0011]图6是图示了用于在交通工具(vehicle)上执行对分类器的选择以及传送传感器4[0014]以下随图示了创新原理的附图一起提供了一种或多种创新的一个或多个实施例具体细节中的一些或所有具体细节的情况下根据权利要求书来实践创新。为了清楚起见，[0020]以上所描述的实体可以利用在世界的各种道路或其他可导航区域上行驶的众多5电路和软件允许交通工具收集由实体所期望的将被用作针对机器学习系统的训练数据的统的训练数据。由于分类器可以利用在典型操作中已被交通工具执行的现有机器学习模这种方式，实体可以快速获取表示该实体感兴趣的特6向触发分类器的输入是卷积神经网络(CNN)的层的中间输出，该卷积神经网络被应用于由7工具的现有神经网络软件并与之相关联的新的并且经更新的触发分类器可以被更频繁地据，诸如交通工具的前方道路的图像。CNN可以被用来标识在所捕获的传感器数据中的对保留传感器数据并且传送数据以供进一步使用所需的阈值来进行确定。在一些实施例中，分阈值的传感器数据经由诸如WiFi或蜂窝网络的计算机网络而被传送给计算机服务器以1A中图示出了示例传感器107。例如，交通工具102可以获取交通工具102的周围环境的图8例传感器容量104中包括的对象进行分类。下面参考图1B和图7来包括交通工具102可以使位于交通工具102正在行驶的道路上。能够识别出该轮胎106可以增强交通工具102的安全感器信息(例如图像)中描绘了轮胎，则交通将要描述的，这些训练数据集然后可以被用来训练在交通工具102上执行的复杂机器学习传感器数据108可以被提供给交通工具102中包括的一个或多个处理器中的深度学习系统[0039]如所图示的，深度学习系统700可以使用诸如卷积神经网络的示例机器学习技术9度学习系统700可以标识包括在交通工具102周围的传感器容量104中的现实世界的对象、[0042]当训练分类器110A_110N时，它们可以因此使用从卷积神经网络的中间层所获取征112提供给分类器110N。分类器110N然后可以被训练以针对描绘轮胎的图像分配高的分类器得分。分类器110N可以可选地被训练以针对未描绘轮胎的图像分配低的分类器得分。[0043]如图1B中所图示的，分类器110A_110N正在接收来自卷积神经网络的中间层的特基于对应的训练分类器关于验证数据集的准确性来类器得分分配给传感器数据108。在图示出的示例中，分类器N110N已经分配了大于阈值120可以接收来自交通工具的描绘轮胎的图像，这些交通工具在其正常操作过程中可能恰交通工具102可以接收标识位置或近似位置的信息，其已知具有某些现实世界的对象、特[0048]作为另一示例，外部系统120可以可选地接收与所接收到的传感器数据一起的位的交通工具已传送传感器数据。作为示例，外部系统120可以标识特定的入口匝道(on_交通工具所获取的图像中可能是部分可见的，并且因此在大型训练集中可用于标识该对[0050]在外部系统120接收位置信息或任何标识信息的所有情形中，应理解该信息可以[0052]图2是图示了用于将触发分类器应用于机器学习模型的中间结果的过程的实施例描述的技术可以被应用于自主驾驶的上下文之外的其他深度学习系统，以改善训练数据[0053]在一些实施例中，多个触发和/或多个分类器可以一起被用来标识针对多个用例仅在黎明和黄昏时捕获隧道的传感器数据。作为另一示例并且对于减少重复数据很有用，触发可能要求以最多每30分钟且仅在交通工具已经行驶了至少20分钟之后才捕获传感器203处执行的预处理步骤是可选的和/或可以被并入到征)可以与深度学习分析相结合。其他信息可以包括交通工具操作和/或控制参数和/或环[0061]图3是图示了用于使用机器学习模型的中间结果来创建触发分类器的过程的实施对自主驾驶有用的其他适当特征。通过利用具有触发分类器的深度学习系统的中间结果，间层的输出是足够的。最佳的中间层的输出可以通过比较多个经训练的触发分类器来确元素数目与所使用的中间层的输出的元素数目以及用于训练分类器的输入的元素数目相类器的输入数据为1024个元素并且所得的触发分类器可以被表示为1024个加权向量和偏连接的无线技术传送经打包的触发分类器和属性作为空中更新。一旦在交通工具上被接[0071]图4是图示了用于使用触发分类器来标识潜在训练数据的过程的实施例的流程算符)来嵌套被用来指定要应用触发分类器之间)可以被用来表示传感器数据是目标用例的负示例或正示[0081]图5是图示了用于从与由触发分类器标识的用例相对应的数据中创建训练数据的号灯等进行注释。在各种实施例中，注释可以被用于训练和/或核实经训练的机器学习模将在503处转换的传感器数据准备为用于训练的数据集和用于验证机器学习模型的验证数有训练数据的一些部分被丢弃和/或被新的训练[0087]图6是图示了用于引起对交通工具上的分类器的选择的过程的实施例的流程图。可以从外部系统(例如，系统120)接新分类器可以由交通工具执行以确定针对所接收的传感器数据的分类701的传感器数据被馈送到图像预处理器703。图像预处理器703的经处理的传感器数据被馈送到在AI处理器707上运行的深度学习网络705。在AI处理器707上运行的深度学习网络于捕获传感器数据的深度学习系统的一部分[0095]在一些实施例中，图像预处理器703被用来对传感器701的传感器数据进行预处[0096]在一些实施例中，深度学习网络705是用于实现自主交通工具控制的深度学习网网络705的神经网络的副本被用于创建触发分类器模块71[0097]在一些实施例中，人工智能(AI)处理器707是用于运行深度学习网络705和/或触启用喇叭等。在一些实施例中，交通工具控制模块709被用来控制包括警告系统的通知系器数据经由网络接口711被传送给计算机服务器，诸如远程计算机服务器。在一些实施例711被用来实现自主驾驶特征，诸如访问日历信息以检索和/或更新目的地位置和/或预期[0102]在一些实施例中，触发分类器模块713被利用来标识和保留对应于特定用例的传发属性来确定是否满足适当的条件来确定分类器得分和/或保留满足分类器得分阈值的传被配置为深度学习网络705的一个或多个层的中间结果。特定层的输出可以取决于触发分将所描述的实施例限制为所公开的精确形式。对于本领域的普通技术人员将显而易见的特定的操作和方法可以由特定于给定功能的电路系业上合理的时间量内提供所期望的图像处理任务或[0107]代码模块或任何类型的数据可以被存储在任何类型的非字传播信号的一部分)在各种计算机可读传输为多个离散数字分组或帧)。所公开的过程或过程步骤的结果可以被永久地或以其他方式存储在任何类型的非暂态有形计算机存储中，或者可以经由计算机可读传输介质进行连或功能应被理解为潜在地表示包括用于实现过程中的特定功能(例如逻辑或算术)或步骤[0111]在本说明书中被描述在在分开的实施例的上下文中的某些特征也可以在单个实保护的组合的一个或多个特征，并且所要求保护的组合可以被指向子组合或子组合的变