AUTONOMES-FAHRZEUG-WAHRNEHMUNG-MULTIMODALE-SENSORDATEN-MANAGEMENT

Die hierin beschriebenen Automatisiertes-Fahren-Wahrnehmungssysteme stellen technische Lösungen für technische Probleme, mit denen Navigationssensoren für Autonomes-Fahrzeug-Navigation konfrontiert sind, bereit. Diese Systeme können verwendet werden, um Eingaben von mehreren Navigationssensoren zu kombinieren, um ein multimodales Wahrnehmungssystem bereitzustellen. Diese multimodalen Wahrnehmungssysteme können Rohdaten innerhalb eines Entwicklungsrahmens erweitern, um die Performance von Objekt-Detektion, -Klassifizierung, -Verfolgung und -Sensorfusion unter variierenden externen Verhältnissen, wie beispielsweise ungünstigem Wetter und Licht, sowie mögliche Sensorfehler oder -fehlfunktionen wie Fehlkalibrierung, Rauschen und verschmutzte oder fehlerhafte Sensoren zu verbessern. Diese Erweiterung kann eine Injektion von Rauschen, Verdeckungen und Fehlausrichtungen aus Rohsensordaten umfassen und kann Ground-Truth-Kennzeichnung umfassen, die mit den erweiterten Daten übereinstimmt. Diese Erweiterung stellt eine verbesserte Robustheit der trainierten Wahrnehmungsalgorithmen gegenüber Kalibrierung, Rauschen, Verdeckung und Fehlern, die in Echtwelt-Szenarien bestehen können, bereit. The automated driving perception systems described herein provide technical solutions for technical problems facing navigation sensors for autonomous vehicle navigation. These systems may be used to combine inputs from multiple navigation sensors to provide a multimodal perception system. These multimodal perception systems may augment raw data within a development framework to improve performance of object detection, classification, tracking, and sensor fusion under varying external conditions, such as adverse weather and light, as well as possible sensor errors or malfunctions like miss-calibration, noise, and dirty or faulty sensors. This augmentation may include injection of noise, occlusions, and misalignments from raw sensor data, and may include ground-truth labeling to match the augmented data. This augmentation provides improved robustness of the trained perception algorithms against calibration, noise, occlusion, and faults that may exist in real-world scenarios.