用于训练对象检测器的方法和控制设备与流程

1.本发明涉及用于训练对象检测器(objektdetektor)的方法和控制设备，利用其可以产生经优化的对象检测器。


背景技术：

2.对机动车周围环境(umfeld)以及尤其是对对象、例如机动车周围环境中的其他道路使用者的全面识别(umfassende erkennung)构成了针对机动车的许多驾驶员辅助系统和自动驾驶功能的基础。在此机动车通常具有传感器系统，这些传感器系统的任务是识别其相应检测区域中的对象。各个传感器系统在此都分别包括环境传感器和处理单元，该处理单元被设计成分析由环境传感器提供的数据，例如检测数据中的对象。例如，环境传感器可以是照相机、雷达、lidare或超声波传感器。
3.这样的传感器系统或传感器系统的处理单元在此越来越多地基于机器学习算法，例如深度神经网络。用于对象检测的深度神经网络在此通常由两个模块组成。第一个模块，即所谓的特征主干(feature backbone)，用于基于传感器数据的特征提取，其中通过串连大量的神经网络层从传感器数据中提取特征。第二个模块，即所谓的检测头(detection head)然后基于所提取的特征对一个或多个对象类别执行对象检测。
4.在此，这样的对象检测器通常借助监督学习而被训练，即基于经注释的(annotiert)数据或经标记(gelabelt)的数据而被训练。然而，相应数据集的创建以及尤其是注释是非常时间和资源密集的或者成本密集的。特别是，这些数据集在此仅针对由相应传感器适当测量的那些对象具有注释。此外，已知通常没有注释的传感器，例如雷达传感器。由于在基于雷达的对象检测器的基础上很难能够对对象进行注释，因此通常使用基于激光雷达的注释来训练基于雷达的对象检测器。然而，由于不同传感器的测量原理、传感器规格或安置或装入位置的不同，注释在此通常不能一对一传输，这会导致相应训练的对象检测器的质量下降。
5.从出版物de 102017006155a1中已知一种用于运行具有至少两个环境传感器的用于车辆的传感器系统的方法，用来自第一环境传感器的第一训练数据训练第一分类器，确定代表第一分类器的第一分类模型，根据第一分类模型对第一环境传感器的第一传感器数据进行分类，接收来自不同于第一环境传感器的第二环境传感器的第二传感器数据，借助第一分类器根据第一分类模型对第二传感器数据进行分类，将经分类的第二传感器数据作为第二训练数据传输到第二分类器，其中所述第二分类器被分配给第二环境传感器，并且基于第二训练数据确定代表第二分类器的第二分类模型。


技术实现要素：

6.因此，本发明基于的任务在于，说明一种用于训练对象检测器的经改进的方法。
7.该任务通过根据专利权利要求1的特征的用于训练对象检测器的方法而得以解决。
8.该任务还通过根据专利权利要求6的特征的用于训练对象检测器的控制设备而得以解决。
9.根据本发明的一个实施方式，该任务通过一种用于训练对象检测器的方法而得以解决，其中对象检测器被设计成，检测传感器的传感器数据中的对象，并且其中提供传感器的第一传感器数据，提供被分配给第一传感器数据的对象表示，将该对象表示传输到传感器模型，传感器模型被设计成，将对象表示映射到传感器的传感器数据，其中通过传感器模型将所述对象表示分配到第二传感器数据，并且其中基于第二传感器数据训练对象检测器。
10.因此，传感器模型描述了一种函数(funktion)，该函数将周围环境表示映射到传感器的针对所述周围环境表示应预期的测量数据。特别地，传感器模型在此对相应传感器的测量特性(messcharakteristik)进行建模。
11.通过对象检测器进行的对象检测也可以包括：对象的分类以及经分类对象的对象参数的估计。然而，此外，通过对象检测器进行的对象检测也可以例如仅包括：对象的分类。在此，可以例如基于已知值或通过传感器实际测量的值及相应分配的检测结果或对象检测结果预先训练对象检测器。
12.对象表示还指的是：传感器数据中对象的映射或表示。对象表示在此可以例如由对象检测器基于第一传感器数据生成，也就是说，它可以是对象检测结果，或者也可以通过所提供的注释或例如由其他传感器所提供的用于补充的附加数据来预给定。
13.该方法使得基于特定传感器所注释的数据集能够用于其他传感器。例如，基于激光雷达传感器所生成的注释可用于训练雷达对象检测器。由此提高了现有数据集的可重用性(wiederverwendbarkeit)并因此减少了对附加注释的需求，这导致节省了时间和成本。
14.然而，此外，该方法也不依赖于注释的存在并且也可以应用于未标记的数据。因此，可以使用明显更大的数据规模(datenumfang)来训练对象检测器，这对对象检测质量或对象检测器的质量以及所生成的训练数据的质量具有进一步的积极影响。
15.总体而言，因此说明了一种用于训练对象检测器的经改进方法。
16.对象检测器的训练可以是监督学习，但也可以是非监督学习或仅部分监督的学习。
17.该方法还可以包括：将第二传感器数据与第一传感器数据进行比较以确定第一成本函数并基于第一成本函数训练对象检测器。
18.成本函数或损失在此理解为：所确定的输出值与相应的实际条件(gegebenheit)或实际测量的数据之间的误差或损失。
19.因此可以通过利用传感器的测量特性或传感器模型的建模所产生的第一成本函数更有针对性地控制对象检测器的训练并且以简单的方式和方法以及用低资源消耗的方式对该对象检测器进行重新训练(nachtrainieren)。例如，如果对象检测器在此基于深度神经网络，则第一成本函数可以通过网络层被反向传播(riickpropagieren)并可以用于适配(adaption)相应的网络权重。
20.此外，该方法还可以包括：提供注释；将对象表示与所提供的注释进行比较以确定第二成本函数；以及基于第二成本函数训练对象检测器，其中由对象检测器基于第一传感器数据生成对象检测结果。
21.在此，可以通过基于第二成本函数对对象检测器进行相应的重新训练来改进或精细化(verfeinern)对象检测器。例如，如果对象检测器在此基于深度神经网络，则第二成本函数又可以通过网络层被反向传播并可以用于适配相应的网络权重。
22.此外，对象表示可以是注释。该方法在此还可以包括估计注释是否在传感器的可见范围内的步骤，其中如果注释不在传感器的可见范围内则丢弃第一传感器数据。
23.传感器的可见范围或视野在此被理解为如下范围，在所述范围内内能够由该传感器感知和记录事件或变化。
24.第一传感器数据被丢弃也意味着：由第一传感器数据与对象表示或注释组成的对并不是用于训练对象检测器的训练数据，或者说不被用于训练对象检测器。
25.因此，可以从针对该传感器的对象检测器的训练中排除不可见的、例如被遮盖的对象的现有注释。这又可以对对象检测器的质量产生积极影响。
26.传感器模型在此可以是人工神经网络。
27.人工神经网络遵循于(orientieren sich an)生物神经元并且使得能够根据现有的训练数据教会(anlernen)未知的系统行为，并且然后将所教会的系统行为也应用于未知的输入变量。在此，神经网络由具有理想化神经元的层组成，这些神经元根据网络的拓扑结构以不同的方式相互连接。第一层也称为输入层，第一层检测并传输输入值，其中输入层中神经元的数量对应于应处理的输入信号的数量。最后一层也称为输出层并具有与应提供的输出值一样多的神经元。在输入层和输出层之间还有至少一个中间层，其通常也称为隐藏层，其中，所述中间层的数量和这些层中的神经元数量取决于应由该神经网络解决的具体任务。
28.由于传感器模型是人工神经网络，所以可以优化第一传感器的测量特性的建模。在此，可以基于传感器的已知的实际传感器数据或所测量的传感器数据以及所分配的通过对象检测器本身生成的对象检测结果或所提供的注释来训练传感器模型，其中传感器模型可以与对象检测器同时被训练但也可以独立于对象检测器地被训练。
29.然而，传感器模型是人工神经网络在此只是一个优选实施方式。因此，例如也可以基于专家知识生成传感器模型。
30.通过本发明的另一个实施方式也说明了一种用于控制机动车的驾驶员辅助系统的方法，其中提供针对机动车的传感器的对象检测器，其已经通过上述用于训练对象检测器的方法得以训练，由对象检测器针对该传感器生成对象检测结果，并且其中基于对象检测结果控制驾驶员辅助系统。
31.针对机动车的传感器生成对象检测结果是指：基于由机动车的所述传感器所检测的数据而执行对象检测。
32.因此说明了一种用于控制机动车的驾驶员辅助系统的方法，其基于如下对象检测器，所述对象检测器基于用于训练对象检测器的经改进方法而被训练。
33.在此，用于训练对象检测器的方法使得基于特定传感器所注释的数据集能够用于其他传感器。例如，基于激光雷达传感器所生成的注释可用于训练雷达对象检测器。由此提高了现有数据集的可重用性并因此减少了对附加注释的需求，这导致节省了时间和成本。
34.然而，此外，用于训练对象检测器的方法也不依赖于注释的存在，并且也可以应用于未标记的数据。因此，可以使用明显更大的数据规模来训练对象检测器，这对对象检测质
量或对象检测器的质量具有进一步的积极影响。
35.通过本发明的另一实施方式还说明了一种用于训练对象检测器的控制设备，其中该对象检测器被设计成，检测传感器的传感器数据中的对象，并且其中该控制设备具有：第一提供单元，该第一提供单元被设计成，提供传感器的第一传感器数据；第二提供单元，该第二提供单元被设计成，提供被分配给第一传感器数据的对象表示；传输单元，该传输单元被设计成，将对象表示传输到传感器模型，其中该传感器模型被设计成，将对象表示映射到传感器的传感器数据；分配单元，该分配单元被设计成，通过传感器模型将对象表示分配到第二传感器数据；以及训练单元，该训练单元被设计成，基于第二传感器数据训练对象检测器。
36.因此说明了一种用于训练对象检测器的经改进的控制设备。
37.控制设备在此被设计成，使得基于特定传感器注释的数据集能够用于其他传感器。例如，基于激光雷达传感器生成的注释可用于训练雷达对象检测器。由此提高了现有数据集的可重用性并因此减少了对附加注释的需求，这导致节省了时间和成本。
38.然而，此外，控制设备还以这样的方式设计，使得它不依赖于注释的存在并且也可以用于未标记的数据。因此，可以使用明显更大的数据规模来训练对象检测器，这对对象检测质量或对象检测器的质量具有进一步的积极影响。
39.控制设备还可以具有第一比较单元，其被设计成将第二传感器数据与第一传感器数据进行比较以确定第一成本函数，其中训练单元被设计成基于第一成本函数训练对象检测器。因此可以通过利用传感器的测量特性或传感器模型的建模所产生的第一成本函数更有针对性地控制对象检测器的训练。例如，训练可以集中在传感器例如由于自身的安置或装入位置而能够很好测量的对象属性上。由此，可以明显提高经训练的对象检测器的质量。例如，如果对象检测器在此基于深度神经网络，则第一成本函数可以通过网络层被反向传播并可以用于适配相应的网络权重。
40.此外，控制设备还可以具有第三提供单元，所述第三提供单元被设计成提供注释。在此，控制设备例如还可以进一步地具有第二比较单元，其被设计成将对象表示与所提供的注释进行比较以确定第二成本函数，其中训练单元被设计成基于第二成本函数训练对象检测器，其中第二提供单元被设计成由对象检测器基于第一传感器数据生成对象表示。可以通过基于第二成本函数对对象检测器进行相应训练来改进或精细化对象检测器。例如，如果对象检测器在此基于深度神经网络，则第二成本函数又可以通过网络层被反向传播并可以用于适配相应的网络权重。
41.此外，对象表示可以是所提供的注释。在此，控制设备还可以具有：估计单元，所述估计单元被设计成，估计注释是否在传感器的可见范围内；以及一个丢弃单元，所述丢弃单元被设计成，如果所述注释不在传感器的可见范围内，则丢弃第一传感器数据。因此，可以从对象检测器的训练中排除不可见的、例如被遮盖的对象的现有注释。这又可以对经训练的对象检测器的质量产生积极影响。
42.在此，传感器模型又可以是人工神经网络。
43.由于传感器模型是人工神经网络，所以可以优化传感器的测量特性的建模。在此，可以基于传感器的已知的实际传感器数据或所测量的传感器数据以及所分配的通过对象检测器本身生成的对象检测结果或所提供的注释来训练传感器模型，其中传感器模型可以
与对象检测器同时被训练但也可以独立于对象检测器地被训练。
44.然而，传感器模型是人工神经网络在此只是一个优选实施方式。因此，例如也可以基于专家知识生成传感器模型。
45.通过本发明的另一实施方式还说明了一种用于控制机动车的驾驶员辅助系统的控制设备，其中该控制设备具有：接收单元，用于接收通过上述的用于训练对象检测器的控制设备所训练的、针对机动车的传感器的对象检测器；生成单元，其被设计成，由对象检测器针对机动车的所述传感器生成对象检测结果；以及控制单元，其被设计成，基于所生成的对象检测结果控制驾驶员辅助系统。
46.因此说明了一种用于控制驾驶员辅助系统的控制设备，该控制设备设计成，基于对象检测器来控制驾驶员辅助系统，其中该对象检测器已通过用于训练对象检测器的经改进的控制设备而得以训练。
47.用于训练对象检测器的控制设备在此以这样的方式设计，使得基于特定传感器所注释的数据集能够用于其他传感器。例如，基于激光雷达传感器所生成的注释可用于训练雷达对象检测器。由此提高了现有数据集的可重用性并因此减少了对附加注释的需求，这导致节省了时间和成本。
48.然而，此外，用于训练对象检测器的控制设备也被设计成不依赖于注释的存在并且也可以用于未标记的数据。因此，可以使用明显更大的数据规模来训练对象检测器，这对对象检测质量或对象检测器的质量具有进一步的积极影响。
49.综上所述可以看出，通过本发明说明了一种用于训练对象检测器的方法和控制设备，利用其可以生成经优化的对象检测器。
50.所描述的设计方案和扩展方案可以任意相互组合。
51.本发明的进一步的可能设计方案、扩展方案和实施方案还包括上文或下文关于实施例所描述的本发明特征的未明确提及的组合。
附图说明
52.附图应促成对本发明实施方式的进一步理解。它们图解说明多个实施方式，并与说明书相关联地用于解释本发明的原理和方案。
53.参考附图而得出其他实施例和许多前述优点。附图中所示的元件不一定彼此完全按比例地示出。
54.其中：
55.图1示出了根据第一实施方式的用于训练对象检测器的方法的流程图；
56.图2示出了根据第二实施方式的用于训练对象检测器的方法的流程图；
57.图3示出了根据本发明的实施方式的用于训练对象检测器的系统的框图。
58.在附图中，除非另有说明，否则相同的附图标记表示相同或功能相同的元件、部件或组件。
具体实施方式
59.图1示出了根据第一实施方式的用于训练对象检测器1的方法的流程图。
60.起始点在此是对象检测器，对象检测器基于传感器数据检测针对至少一个对象类
别的对象。所述检测既可以包括关于涉及什么类型的对象的分类也可以包括对应对象参数的回归。
61.根据第一实施方式，目标在此是：基于来自通常没有注释的传感器的传感器数据来训练这样的对象检测器。对此的一个示例是雷达传感器，雷达传感器提供反射作为测量数据。然而，因为对象由于反射而难以注释，因此通常使用基于lidar的注释用于训练基于雷达的对象检测器。
62.然而，由于传感器的测量原理不同、传感器规格不同或安置或装入位置不同，基于lidar的注释不能一对一传输到雷达传感器。例如，不同的有效距离或视野可能会限制注释的适用性。同样，由于目标传感器、例如雷达传感器的测量原理，某些经注释的对象属性可能无法测量。基于lidar的注释通常包含所注释的对象的高度，而许多雷达传感器则仅具有受限的高程分辨率
63.图1示出了方法1，其包括：用训练数据训练或预先训练对象检测器的步骤2，其中对象检测器被设计成，检测传感器的传感器数据中的对象；提供传感器的第一传感器数据的步骤3；提供分配给第一传感器数据的对象表示的步骤4；将对象表示传输到传感器模型的步骤5，传感器模型被设计成，将对象表示映射到传感器的传感器数据；将对象表示分配到第二传感器数据的步骤6；以及基于第二传感器数据训练对象检测器的步骤7。
64.所示方法1使得基于特定的传感器所注释的数据集能够用于其他传感器。例如，基于激光雷达传感器所生成的注释可用于训练雷达对象检测器。由此提高了现有数据集的可重用性并因此减少了对附加注释的需求，这导致节省了时间和成本。
65.然而，此外，所示的方法1不依赖于注释的存在，也可以应用于未标记的数据。因此，例如，可以使用明显更大的数据规模来针对第二传感器训练对象检测器，这对对象检测质量或对象检测器的质量具有进一步的积极影响。
66.总体而言，图1因此示出了用于针对传感器1训练对象检测器的经改进的方法。
67.特别地，图1示出了使用传感器模型的方法1，其中该传感器模型描述了目标传感器的测量特性并且支持数据集的现有注释的转移(transfer)。
68.传感器模型在此特别地设计成，使得基于所提供的对象表示、例如针对第一传感器数据或所提供的注释的对象检测器的决策来确定针对该传感器应预期的测量值。在此，传感器模型可以例如设计成，提供关于传感器测量值的应预期位置的概率密度。在此，所述概率密度可以例如通过参数的密度函数、例如多元高斯分布来描述，并且不必局限于测量值的应预期位置。相反，密度函数也可以包括其他维度，例如关于雷达传感器情况下的径向速度。
69.然而，此外，传感器模型也例如可以通过离散逼近，例如网格表示被描述，或者被设计成确定传感器的相应测量值的具体值，其中传感器模型例如在雷达传感器的情况下可以包括应预期的反射的列表或者在激光雷达传感器的情况下可以包括3d点云。
70.如图1进一步所示，基于第二传感器数据训练对象检测器的步骤7在此包括：将第二传感器数据与第一传感器数据进行比较以确定第一成本函数或第一损失的步骤8，以及基于第一成本函数训练对象检测器的步骤9。
71.根据第一实施方式，传感器模型在此是可区分的(differenzierbar)，其中所述传
感器模型在所提供的对象表示的基础上将基于该传感器模型所预期的传感器值与实际的条件或值进行比较。在通过所述对象检测器进行的对象检测中的错误在此导致所预期的传感器值与实际值不同。然后可以将基于此差异所计算出的第一成本函数传输到对象检测器的输出端并用于对对象检测器进行重新训练。
72.如果传感器模型在此是人工神经网络，则相应的损失函数例如可以是真实传感器测量值的负对数似然(negative log-likelihood)。另一方面，如果传感器模型预测具体的传感器测量值，则所预测的传感器测量值与实际传感器测量值之间的距离、例如欧几里德距离或马哈拉诺比斯距离可用作为损失。
73.根据第一实施方式，对象表示在此也是由对象检测器基于第一传感器数据生成的对象检测结果，其中该方法1还具有：提供注释的步骤10、将对象检测结果与所提供的注释进行比较以确定第二损失或第二成本函数的步骤11以及基于第二成本函数重新训练对象检测器的步骤12。
74.为了训练对象检测器而将对象检测器的输出与可用注释进行比较。然后基于该比较确定第二成本函数，所述第二成本函数用于重新训练对象检测器并且例如可以通过对象检测器的网络层被反向传播并能够用于适配相应的网络权重。
75.根据第一实施方式，传感器模型也是人工神经网络。在此，传感器模型可以与对象检测器同时被训练。然而，此外，传感器模型也可以例如被预先训练。
76.在此，针对第一传感器的对象检测器然后例如可以用于控制机动车、例如自主驾驶的机动车的驾驶员辅助系统。
77.经训练的传感器模型此外可以与对象检测器无关地还用于其他应用，例如用于跟踪对象或模拟传感器数据。
78.图2示出了根据第二实施方式的用于训练对象检测器20的方法的流程图。
79.如图2所示，方法20在此又具有：用训练数据训练对象检测器的步骤21，其中对象检测器被设计成检测传感器的传感器数据中的对象；提供传感器的第一传感器数据的步骤22；提供被分配给第一传感器数据的对象表示的步骤23；将对象表示传输到传感器模型的步骤24，其中该传感器模型被设计成将对象表示映射到传感器的传感器数据；将对象表示分配到第二传感器数据的步骤25；以及基于第二传感器数据训练对象检测器的步骤26。
80.在此，根据第二实施方式的图2所示的方法与根据第一实施方式的图1所示的方法之间的区别在于：根据第二实施方式，对象表示是所提供的注释，其中该方法还包括：估计所提供的注释是否在第一传感器的可见范围内的步骤27，其中如果所提供的注释不在传感器的可见范围内，则第一传感器数据在步骤28中被丢弃。
81.图3示出了根据本发明的实施方式的用于训练对象检测器30的控制设备的框图。
82.对象检测器在此特别设计成检测来自传感器的传感器数据中的对象。
83.如图3所示，用于训练对象检测器的控制设备在此具有：第一训练单元31，该有第一训练单元被设计成，基于训练数据对对象检测器进行预先训练；第一提供单元32，该第一提供单元被设计成，提供传感器的第一传感器数据；第二提供单元33，该第二提供单元被设计成，提供被分配给第一传感器数据的对象表示；传输单元34，该传输单元被设计成，将对象表示传输到传感器模型，其中该传感器模型被设计成，将对象表示映射到传感器的传感器数据；分配单元35，该分配单元被设计成，通过传感器模型将对象表示分配到第二传感器
数据；以及第二训练单元36，该第二训练单元被设计成，基于第二传感器数据重新训练对象检测器。
84.第一训练单元、分配单元和第二训练单元在此可以分别例如基于存储在存储器中并可由处理器执行的代码来实现。第一提供单元例如可以基于如下接收器来实现，该接收器被设计成从传感器接收例如当前所检测的和/或存储器中所存储的传感器数据。第二提供单元可以例如基于如下接收器来实现，该接收器被设计成，接收由对象检测器基于第一传感器数据所生成的对象检测结果和/或例如由其他传感器提供的注释。传输单元例如也可以是相应设计的发射器(transmitter)。
85.根据图3的实施方式，控制设备30在此还具有第一比较单元37，所述第一比较单元被设计成将第二传感器数据与第一传感器数据进行比较以确定第一成本函数，其中所述第二训练单元36被设计成，基于第一成本函数训练对象检测器。
86.例如，比较单元在此又可以基于存储在存储器中并可由处理器执行的代码来实现。
87.还可以看到第三提供单元38，所述第三提供单元被设计成提供注释。
88.在此，控制设备30还具有第二比较单元39，如果对象表示是由对象检测器基于第一传感器数据生成的，则该第二比较单元被设计成将对象表示与所提供的注释进行比较，以确定第二成本函数，其中重新训练单元36被设计成，基于第二成本函数来训练对象检测器。
89.第三提供单元38在此可以集成到第二提供单元中并且具有相应的接收器。此外，第二比较单元又可以例如基于存储在存储器中并可由处理器执行的代码来实现。
90.所示的控制设备30还具有估计单元40和丢弃单元41，估计单元40被设计成，估计作为对象表示所提供的注释是否在传感器的可见范围内，丢弃单元41被设计成，如果注释不在传感器的可见范围内则丢弃第一传感器数据或相应的对象表示。
91.估计单元和丢弃单元在此又可以分别例如基于存储在存储器中并可由处理器执行的代码来实现。
92.根据图3的实施方式，传感器模型也是人工神经网络。

技术特征：
1.一种用于训练对象检测器的方法，其中所述对象检测器被设计成，检测传感器的传感器数据中的对象，并且其中所述方法(1、20)包括以下步骤：-提供所述传感器的第一传感器数据(3、22)；-提供被分配给所述第一传感器数据的对象表示(4、23)；-将所述对象表示传输到传感器模型，所述传感器模型被设计成，将对象表示映射到所述传感器的传感器数据(5、24)；-通过所述传感器模型将所述对象表示分配到第二传感器数据(6，25)；和-基于所述第二传感器数据训练所述对象检测器(7、26)。2.根据权利要求1所述的方法，其中基于所述第二传感器数据重新训练所述对象检测器的步骤(7)包括以下步骤：-将所述第二传感器数据与所述第一传感器数据进行比较以确定第一成本函数(8)；和-基于所述第一成本函数训练所述对象检测器(9)。3.根据权利要求1或2所述的方法，其中，所述对象表示是所提供的注释。4.根据权利要求1至3中任一项所述的方法，其中所述传感器模型是人工神经网络。5.一种用于控制机动车的驾驶员辅助系统的方法，其中所述方法包括以下步骤：-提供针对机动车的传感器的对象检测器，其中，所述针对机动车的传感器的对象检测器已经通过根据权利要求1至4中任一项所述的用于训练对象检测器的方法得以训练；-由所述对象检测器针对所述机动车的所述传感器生成对象检测结果；和-基于所述对象检测结果控制所述驾驶员辅助系统。6.一种用于训练对象检测器的控制设备，其中所述对象检测器被设计成，检测传感器的传感器数据中的对象，并且其中所述控制设备(30)具有：第一提供单元(32)，所述第一提供单元被设计成，提供所述传感器的第一传感器数据；第二提供单元(33)，所述第二提供单元被设计成，提供被分配给所述第一传感器数据的对象表示；传输单元(34)，所述传输单元被设计成，将所述对象表示传输到传感器模型，其中所述传感器模型被设计成，将对象表示映射到所述传感器的传感器数据；分配单元(35)，所述分配单元被设计成，通过所述传感器模型将所述对象表示分配到第二传感器数据；以及训练单元(36)，所述训练单元被设计成，基于所述第二传感器数据训练所述对象检测器。7.根据权利要求6所述的控制设备，其中，所述控制设备还包括第一比较单元(37)，所述第一比较单元被设计成，将所述第二传感器数据与所述第一传感器数据进行比较以确定第一成本函数，并且其中所述训练单元(36)被设计成，基于所述第一成本函数训练所述对象检测器。8.根据权利要求6或7所述的控制设备，其中，所述对象表示是所提供的注释。9.根据权利要求6至8中任一项所述的控制设备，其中，所述传感器模型是人工神经网络。10.一种用于控制机动车的驾驶员辅助系统的控制设备，其中所述控制设备具有：接收单元，用于接收通过根据权利要求6至9中任一项所述的用于训练对象检测器的控制设备所训练的、针对机动车的传感器的对象检测器；生成单元，所述生成单元被设计成，由所述对象检测器针对所述机动车的所述传感器生成对象检测结果；以及控制单元，所述控制单元被设计成，基于所生成的对象检测结果控制所述驾驶员辅助系统。

技术总结
本发明涉及一种用于训练对象检测器的方法，其中该对象检测器被设计成，检测传感器的传感器数据中的对象，并且该方法(1、20)具有以下步骤：提供传感器的第一传感器数据(3、22)；提供被分配给第一传感器数据的对象表示(4、23)；将对象表示传输到传感器模型，该传感器模型被设计成，将对象表示映射到传感器的传感器数据(5、24)；通过传感器模型将对象表示分配到第二传感器数据(6、25)；和基于第二传感器数据训练对象检测器(7、26)。26)。26)。


技术研发人员：C
受保护的技术使用者：罗伯特
技术研发日：2023.01.19
技术公布日：2023/7/26