ERKENNUNG DES ABSTANDS ZU HINDERNISSEN BEI ANWENDUNGEN MIT AUTONOMEN MASCHINEN

In verschiedenen Beispielen wird ein tiefes neuronales Netzwerk (DNN) trainiert, um im Einsatz Abstände zu Objekten und Hindernissen allein unter Verwendung von Bilddaten genau vorherzusagen. Das DNN kann mit Ground-Truth-Daten trainiert werden, die unter Verwendung von Sensordaten von einer beliebigen Anzahl von Tiefenvorhersagesensoren erzeugt und codiert werden, wie z. B. ohne Einschränkung RADAR-Sensoren, LIDAR-Sensoren und/oder SONAR-Sensoren. Kameraadaptionsalgorithmen können in verschiedenen Ausführungsformen verwendet werden, um das DNN für die Verwendung mit Bilddaten anzupassen, die von Kameras mit variierenden Parametern - wie z. B. variierenden Sichtfeldern - erzeugt wurden. In einigen Beispielen kann ein Nachbearbeitungsvorgang für Sicherheitsbegrenzungen an den Vorhersagen des DNN ausgeführt werden, um sicherzustellen, dass die Vorhersagen in einen sicherheitstechnisch zulässigen Bereich fallen. In various examples, a deep neural network (DNN) is trained to accurately predict, in deployment, distances to objects and obstacles using image data alone. The DNN may be trained with ground truth data that is generated and encoded using sensor data from any number of depth predicting sensors, such as, without limitation, RADAR sensors, LIDAR sensors, and/or SONAR sensors. Camera adaptation algorithms may be used in various embodiments to adapt the DNN for use with image data generated by cameras with varying parameters-such as varying fields of view. In some examples, a post-processing safety bounds operation may be executed on the predictions of the DNN to ensure that the predictions fall within a safety-permissible range.