-
公开(公告)号：CN117057401A
公开(公告)日：2023-11-14
申请号：CN202310539502.0
申请日：2023-05-12
Applicant: 罗伯特·博世有限公司
IPC: G06N3/047 , G06N3/0985 , G06F17/16
Abstract: 本发明涉及在具有大量交互代理的动态系统中根据代理的潜在状态预测代理行为的设备和计算机实现的方法，其中针对多个分量和直到预测时间点为止的多个时间点，对每个分量确定对代理的潜在状态建模的第一分布的第一矩的值，其中确定第一分布的第二矩的值，其中对每个分量根据预测时间点时第一分布的第一矩的值并根据预测时间点时第一分布的第二矩的值，确定预测时间点时第二分布的第一矩的期望值，其中第二分布根据代理的潜在状态对代理的行为进行建模，其中第二分布的第一矩的期望值定义第三分布的第一矩，其中对每个分量确定第三分布的第二矩，其中确定所述分量的第三分布的特别是使用至少一个权重加权的总和，以及其中根据总和确定行为的预测。
-
公开(公告)号：CN119550998A
公开(公告)日：2025-03-04
申请号：CN202411209815.0
申请日：2024-08-30
Applicant: 罗伯特·博世有限公司
IPC: B60W50/00 , B60W60/00 , G06F40/289 , G06F16/35 , G06N3/045
Abstract: 本发明涉及一种用于生成自主车辆的控制指令的计算机实现的方法，包括以下步骤：‑通过所述车辆的至少一个传感器检测传感器数据(S10)；‑根据所述传感器数据生成输入文本(S12)；‑在使用机器学习算法的情况下解释所述输入文本(S14)；以及‑根据所解释的输入文本生成所述车辆的控制指令(S16)。
-
公开(公告)号：CN117726008A
公开(公告)日：2024-03-19
申请号：CN202311204622.1
申请日：2023-09-18
Applicant: 罗伯特·博世有限公司
Abstract: 本发明涉及一种用于生成用于训练机器学习算法的附加训练数据的方法，其中所述方法(1)包括：提供用于训练机器学习算法的训练数据，其中所述训练数据包括来自至少一个传感器的经标记的传感器数据(2)；将用于训练机器学习算法的训练数据变换成图结构，其中图结构中的节点表示在对应的传感器数据中表示的对象，并且其中图结构的起始节点表示所述至少一个传感器相对于在对应的传感器数据中表示的对象的定位(3)；以及通过修改图结构来生成用于训练机器学习模型的附加训练数据(4)。
-
公开(公告)号：CN118114783A
公开(公告)日：2024-05-31
申请号：CN202311628649.3
申请日：2023-11-30
Applicant: 罗伯特·博世有限公司
IPC: G06N20/00 , G06N3/084 , G06N3/045 , G06N3/0442 , G06Q10/04
Abstract: 本发明涉及用于预测技术系统的状态的设备和计算机实现的方法，其中(300)检测所述技术系统的状态并提供时间序列，所述时间序列包括表征所检测的所述技术系统的状态的变化过程的值，其中(304)使用用于预测所述技术系统的短期行为的基于学习的模型根据所述时间序列的值来确定用于预测的第一值，并使用用于预测所述技术系统的长期行为的物理模型根据所述时间序列的值来确定用于预测的第二值，以及其中(306)根据所述用于预测的第一值和所述用于预测的第二值来确定所述预测的值。
-
公开(公告)号：CN117236401A
公开(公告)日：2023-12-15
申请号：CN202310699698.X
申请日：2023-06-13
Applicant: 罗伯特·博世有限公司
Abstract: 本发明涉及一种用于训练基于深度学习的机器学习算法的方法，其中所述方法(1)具有如下步骤：‑提供用于训练基于深度学习的机器学习算法的训练数据，其中所述训练数据具有传感器数据(2)；而且‑基于所述训练数据，通过机器学习方法，训练基于深度学习的机器学习算法(3)；而且‑然后，基于不可微成本函数，对经过训练的基于深度学习的机器学习算法的至少一个参数进行优化(4)。
-
Patent Agency Ranking
公开(公告)号：CN119183564A
公开(公告)日：2024-12-24
申请号：CN202380040062.2
申请日：2023-05-02
Applicant: 罗伯特·博世有限公司
Abstract: 用于智能体的连续时间交互建模的设备和计算机实现的方法，所述方法包括：提供(202)第一智能体的隐状态和第二智能体的隐状态，特别是表征这些智能体的位置或速度；提供(204)用于独立于其他智能体对智能体的运动学行为进行建模的第一函数的第一高斯过程分布和用于对智能体之间的交互进行建模的第二函数的第二高斯过程分布；对来自第一高斯过程分布的第一函数和来自第二高斯过程分布的第二函数进行采样(206)，其中第一函数被配置为将一个智能体的隐状态映射到对其隐状态改变的贡献，其中第二函数被配置为将两个智能体的隐状态映射到对两个智能体之一的隐状态改变的贡献，其中所述方法包括取决于从利用第一函数将第一智能体的隐状态映射到第一贡献得到的第一贡献和从利用第二函数将第一智能体的隐状态和第二智能体的隐状态映射到第二贡献得到的第二贡献来改变(208)第一智能体的隐状态。
-
公开(公告)号：CN118940799A
公开(公告)日：2024-11-12
申请号：CN202410574565.4
申请日：2024-05-10
Applicant: 罗伯特·博世有限公司
IPC: G06N3/0455 , G06N3/08
Abstract: 用于训练神经网络系统来预测交互的动作者的行为的方法，包括：提供关于每个动作者的输入数据的训练记录；由编码器从每个训练记录中生成动作者表示；由待训练GNN和解码器将动作者表示处理成关于每个动作者的预测行为数据；通过在针对至少两个所选动作者的动作者表示中仅修改每个动作者表示的值的相应严格子集，从动作者表示确定经掩蔽动作者表示；由待训练GNN将经掩蔽动作者表示处理成交互表示；由待训练的帮助者网络从交互表示确定动作者表示的重建；借助于预定损失函数对预测行为数据和重建与动作者表示的偏差进行评级；和朝向如下目标优化表征GNN的行为的参数和表征帮助者网络的行为的参数：当处理另外训练记录时改进由损失函数做出的评级。
-
公开(公告)号：CN118114782A
公开(公告)日：2024-05-31
申请号：CN202311622788.5
申请日：2023-11-30
Applicant: 罗伯特·博世有限公司
IPC: G06N20/00 , G06N3/084 , G06N3/045 , G06N3/0442 , G06Q10/04
Abstract: 本发明涉及用于预测技术系统(102)的状态的设备和计算机实现的方法，其中检测(200)所述技术系统(102)的状态并提供时间序列，所述时间序列包括表征所检测的所述技术系统(102)的状态的变化过程的值，其中使用第一滤波器根据所述时间序列的值确定(201)第一滤波值以用于预测所述技术系统(102)的短期行为，并使用第二滤波器根据所述时间序列的值确定(201)第二滤波值以用于预测所述技术系统(102)的长期行为，并且根据所述第一滤波值确定用于预测的第一值，并根据所述第二滤波值确定(204)用于预测的第二值，以及其中根据所述用于预测的第一值和所述用于预测的第二值来确定(206)所述预测的值。
-
公开(公告)号：CN119575853A
公开(公告)日：2025-03-07
申请号：CN202411240220.1
申请日：2024-09-05
Applicant: 罗伯特·博世有限公司
IPC: G05B19/042
Abstract: 当前公开的主题提供了由一个或多个神经网络组成的状态空间模型。状态空间模型被配置成通过对技术系统的隐状态和一个或多个神经网络的权重两者中的不确定性进行建模来对技术系统进行随机建模。因此，状态空间模型可能能够捕获偶然不确定性(观测值中的固有的不可预测性)和认知不确定性(模型的参数或权重中的不确定性)两者。在训练期间以及用于模型预测性控制的随后使用期间，使用了跨神经网络层的矩匹配，这可以确保模型的预测是一致的，并且接近真实系统行为。以上措施可以改进许多技术系统的控制和安全性。
-
公开(公告)号：CN119249256A
公开(公告)日：2025-01-03
申请号：CN202410880626.X
申请日：2024-07-02
Applicant: 罗伯特·博世有限公司
IPC: G06F18/2415 , G06F30/20 , G06F30/27 , G06F17/18 , G06F111/08
Abstract: 本发明涉及一种用于处理嵌入式系统的高斯过程预测的方差的方法。本发明此外涉及用于此目的的计算机程序、设备以及存储介质。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.026 seconds)
