买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：罗伯特·博世有限公司

摘要：本发明涉及一种用于对对象进行分类的方法，包括以下步骤：接收对象的至少一个基于由发送装置发送的第一发送电磁信号和由接收装置接收的第一接收电磁信号的距离信息；接收对象的至少一个基于由发送装置发送的第二发送电磁信号和由接收装置接收的第二接收电磁信号的振动信息，所述振动信息代表对象的至少一个部分区域的固体振动；基于接收的信息对对象进行分类。本发明还涉及相应的用于对对象进行分类的装置、机器学习系统以及机器可读存储介质。

主权项：1.用于对对象进行分类的方法，包括以下步骤：接收对象的至少一个基于由发送装置发送的第一发送电磁信号和由接收装置接收的第一接收电磁信号的距离信息；接收对象的至少一个基于由发送装置发送的第二发送电磁信号和由接收装置接收的第二接收电磁信号的振动信息，所述振动信息代表对象的至少一个部分区域的固体振动；基于接收的距离信息和振动信息对对象进行分类。

全文数据：用于分类的方法、装置、机器学习系统和机器可读存储介质技术领域本发明涉及一种用于对对象进行分类的方法、装置和机器学习系统以及一种。背景技术百度公司出版的清华大学电子工程系陈晓芝、马慧敏、姬万、李波、田霞所著“多视图自动驾驶三维对象检测网络“Multi-View3DObjectDetectionNetworkforAutonomousDriving”LIDARarXiv：1611.07759v3[cs.CV]2017年6月22日描述了一种在高度自动驾驶的场景中进行高精度3D对象探测的方法。在此，为了对象识别，摄像机和激光雷达的数据被馈入到对象探测网络中。在美国新泽西州普林斯顿的普林斯顿大学的DavidDohan，BrianMatejek和ThomasFunkhouser的出版物“LIDAR数据的学习分层语义分割LearningHierarchicalSemanticSegmentationsofLIDARData”中，公开了一种用于激光雷达记录的数据的语义分割的方法。发明内容本发明描述了一种用于对对象进行分类的方法，具有以下步骤：接收对象的至少一个基于由发送装置发送的第一发送电磁信号和由接收装置接收的第一接收电磁信号的距离信息；接收对象的至少一个基于由发送装置发送的第二发送电磁信号和由接收装置接收的第二接收电磁信号的振动信息，所述振动信息代表对象的至少一个部分区域的固体振动；基于接收到的信息对对象进行分类。分类在此应理解为，通过选择给定分类中的合适类别来对对象应用分类。发送和或接收装置可以分别是不同的发送和或接收装置或者是相同的发送和或接收装置。也可以使用相同的接收装置和不同的发送装置或者不同的接收装置和相同的发送装置。距离信息可以是接收和或发送装置与对象之间的距离。然而，距离信息也可以描述其他距离或者说与其它参照物的距离。例如，如果发送和或接收装置处于车顶上，则可以将附加的偏置量添加给求得的距离，使得距离信息说明到不同车辆边界、例如保险杠的距离。振动信息包含关于由对象执行的固体振动的信息，这些振动可以例如由对象附近的噪声源和或对象的颤动和或其他机械激励所引起。由于通过电磁辐射可能仅检测到对象的部分区域，或者对象的仅部分区域的信息可以被接收装置检测到，因此这些振动信息也可能仅代表对象的部分区域的固体振动。对于接收信息理解为使该信息可供使用。在这种情况下，信息可以被从一个单元发送到另一个单元，例如从一个控制器发送到另一个控制器，但是这些信息也可以在控制器内传输并且仅被另一个应用，例如计算机程序或机器学习方法或神经元网络，接收利用。例如，在一个控制器中既可以进行信息的求得也可以进行该信息的接收。在本文件中，信息既可以理解为测量值也可以理解为已经分析评价过的测量值。例如，关于发送信号和接收信号之间的时间偏差的信息或关于发送射线和接收射线之间的相位差的信息可以描述距离信息。相应的情况适用于振动信息。本发明提供的优点是，通过分析评价振动信息可提供对象的附加特征或附加特性，所述特征或特性可有利地被用于对对象进行分类。这使得可以提高相应分类方法的分类精度或分类质量。这种方法例如可以用于运行车辆，其中，基于所述分类来运行车辆。在该方法的另一实施方式中，电磁信号是光信号。光信号的波长通常在400nm和1mm之间。尤其涉及波长在700nm和8000nm之间、更尤其在800nm和1400nm之间、更尤其在1000nm和1300nm之间的光信号。本发明的这个实施方式提供的优点是，可以借助于光信号、例如激光进行分类。由于人类首先通过他们的眼睛获取信息，因此由此可以对相关对象进行分类。如果使用700nm至8000nm之间的波长，则这具有的优点是，这些波长对于人眼是不可见的。当在可能存在人的区域中使用时，由此可以避免对人的危险和损害。如果选择800nm和1400nm之间的波长，则可以确保良好的光辐射范围。1000nm和1300nm之间的波长范围是有利的，因为在该波长范围内的光辐射直接被人眼的角膜吸收并且因此不会导致对眼睛的任何损害。由此确保，在人停留的地区可以安全地使用该方法。在该方法的另一实施方式中，所接收的电磁信号是所发送的电磁信号的由对象反射的信号。在该实施方式中，借助于发送装置用电磁辐射照射对象并且借助于接收装置感测至少部分地被对象反射的辐射。因此，距离信息和振动信息都基于发送的电磁辐射和接收的电磁辐射的物理特性。本发明的该实施方式提供的优点是，可以仅根据对由发送单元发送并由接收单元接收的电磁辐射的分析评价来感测信息。不需要来自外部源例如服务器和或其他传感器和或信息源的其他信息。在该方法的另一实施方式中，第一和第二发送信号是同一发送信号，并且第一和第二接收信号是同一接收信号。在该实施方式中，发送和接收装置也是相同的装置。本发明的该实施方式提供的优点是，可以仅根据发送的和接收的信号进行分类。由此，可以通过一个测量来感测和分析评价多个对象特征。由此可以在保持成本相同并且没有明显增加费用的情况下提高分类质量。在该方法的另一实施方式中，基于第一发送信号和第一接收信号的传播时间和或基于第一发送信号和第一接收信号之间的相位角的测量和或通过三角测量方法来求得距离信息。本发明的该实施方式提供的优点是，可以通过传播时间测量非常快速且简单地获得距离信息。通过测量相位角也可以求得该信息，并且必要时还可以更精确地确定。可选地或补充地，该距离也可以通过三角测量方法确定，在该方法中，发送装置和接收装置在地点上是分开的。在大多数情况下，发送装置和接收装置在地点上的小的分离是必要的，因为它们是不同的设备。然而，在三角测量中也可以选择非常大的距离，例如，大于1米或大于5米或大于100米。由此，根据电磁辐射的空间偏转也可以测量对象的非常小的运动，例如按照通过三角测量来运行的激光麦克风。这种方法例如可以在使用错开布置的发送装置和接收装置例如在停车场中或车辆中的情况下应用。在该方法的另一实施方式中，基于第二发送信号和第二接收信号的至少一个传播时间测量和或第二发送信号和第二接收信号之间的相位角的测量和或通过三角测量方法来求得振动信息。该方法的该实施方式也提供上述优点。尤其是，通过测量发送的和接收的射线之间的相位角可以感测对象的非常小的振动，使得该方法非常好地适合于感测固体振动。三角测量方法也适用于测量固体振动并且例如用在一些激光麦克风中。不仅对于距离信息的求得而且对于振动信息的求得都可以将多种方法组合使用。因此，通过借助多种不同方法求得这些信息，可以产生冗余。在本发明的另一实施方式中，基于第一电磁信号的传播时间测量求得距离信息并且基于第二电磁信号之间的相位角的测量求得振动信息。该方法的该实施方式提供的优点是，为了求得距离信息和振动信息分别使用良好适用的测量方法。此外，由于这些测量方法不同，产生冗余，使得两种信息都有错的可能性降低。在该方法的另一实施方式中，进行对环境的空间扫描。在此，对于环境的至少两个不同区域，分别接收至少一个距离信息和一个振动信息，并且基于所接收的信息对所扫描的环境进行分类，特别是语义分割。该方法的该实施方式提供的优点是，可以生成环境的图像，在该图像中可以分类地描述对象。这些方法对于自动化车辆或机器人是必要的，特别是如果车辆或机器人要独立运动的话。在语义分割时，在该方法中尝试给每个测量值配属一个对象。如果这不可能，则相应地标记该测量值，例如通过为该测量值赋值0。在该方法中，不必要对于环境的每个扫描区域既求得距离信息也求得振动信息。至少对于每两个不同区域求得这些信息就足够了。还可以想到，在扫描时求得明显更多的距离值并且仅针对确定的百分比求得振动信息。在本发明的另一实施方式中，接收的距离信息和振动信息基于激光雷达和或雷达的测量数据。本发明的该实施方式提供的优点是，该方法可以通过已经使用的技术实现，因此可以非常成本有利且及时地实施。特别是激光雷达的波长允许可靠地测量对象的固体振动。例如，激光雷达除了用于距离探测之外还可以附加用作激光麦克风，使得通过以这种方式附加获得的信息能够实现改进的分类。代替仅根据经典方法通过分析评价距离值和通过感测的几何形状以及运动来识别对象，附加地将相应图像区域的噪声信息或振动信息馈入给分类器，分类器可以基于更多信息实现更好的分类结果。另一个优点是，只需要一个传感器来获得两个相互独立的信息。此外，简化了对象跟踪，因为根据对象特有的振动行为可以更好地识别和跟踪对象。根据前述权利要求之一所述的方法，其特征在于，所述分类借助进行比较的分类算法和或借助机器学习系统进行。在进行比较的分类算法中使用比较方法来进行分类，因而必须提供具有对比数据的数据组。因此，借助所述信息与对比数据的比较可以对对象进行分类。机器学习系统一般没有这类对比数据也行。如果机器学习系统例如基于神经网络，则该网络独自也能够足以执行分类。借助在学习过程中适配的神经网络权重可以对不同的对象进行可靠分类，而为此不需要来自数据库等的附加信息。该方法的该实施方式提供的优点是，即使例如振动信息本身似乎不能提供可识别的增值Mehrwert时因为它们的出现起初似乎不遵循可解释的模式，也可以借助所述信息进行分类。然而，当感测和分析评价大量的测量值时，必要时可以提取标志性特征，这些标志性特征可以借助所提到的方法导致增值和更好的分类质量。特别是当使用机器学习系统时，这种信息可以被很好地处理并且被有利地使用。还要求保护一种用于分类的机器学习系统，该机器学习系统其被建立并且已被这样训练：用于基于对象的至少一个提供给所述机器学习系统的、基于由发送装置发出的第一发送电磁信号和由接收装置接收的第一接收电磁信号的距离信息和所述对象的至少一个提供给所述机器学习系统的、基于由发送装置发出的第二发送电磁信号和由接收装置接收的第二接收电磁信号的振动信息来执行对所述对象的分类，所述振动信息代表所述对象的至少一个部分区域的固体振动。为了训练机器学习系统可以使用不同的方法，如受监控的或不受监控的学习。作为机器学习系统例如可以采用人工神经网络、递归神经网络、卷积神经网络或基于反向传播的网络。也可以想到使用自编码器或类似的结构或算法。也可以将多种算法或网络类型组合。一般也可以将多个网络相互联网并且各个网络的输出值用作其他网络的输入值。在机器学习系统的另一实施方式中，该机器学习系统具有至少三个神经网络，其中，至少一个距离信息进入第一神经网络的输入层中，至少一个振动信息进入第二神经网络的输入层中，并且，由第一和第二神经网络输出的数据进入第三神经网络的输入层中，尤其是，其中，根据第三神经网络进行对象的分类。本发明的该实施方式提供的优点是，首先网络对两种不同的信息进行分析评价，接着，处理后的信息被传递给第三神经网络。由此，根据所使用的神经网络而定，既能改善机器学习系统的表现，也能改善其分类质量。还要求保护一种机器可读存储介质，其上存储有所述机器学习系统。此外要求保护一种用于分类的装置，特别是控制器，该装置或该控制器被设置为用于执行根据本发明所基于的方法进行分类的方法。在本发明的另一实施方式中，该装置包括上面公开的机器可读存储介质。附图说明图1示出了示意性方法曲线图。图2示出了该方法借助于机器学习方法的可能实现。图3示出了该方法借助于另一种机器学习方法的示例性实施。具体实施方式在第一实施例中，发送具有约900nm波长的光的激光器作为发送装置安装在停车库中。该激光器脉冲式运行并发送具有5ns长度的脉冲。借助于高灵敏度的光电二极管接收由激光器发出并在对象上反射的电磁信号，该光电二极管与激光器一起安置在共同的壳体中并且用作接收装置。在此，激光器和光电二极管在时间上这样同步运行，使得不仅能测量为走过从激光器到对象并返回到图像传感器的路程所需的激光脉冲传播时间，而且能测量发送的激光脉冲和接收的信号之间的相位差。在同样安置在给壳体中的计算单元上，发出的和接收的信号被这样分析评价，使得基于对发出的和接收的信号的传播时间测量求得被激光照射的对象的距离。此外，基于对发出的和接收的信号之间的相位角的测量，求得对象的振动信息。由于短的激光脉冲，视对象到激光器的距离而定可能在激光脉冲完全发出之后才能接收到反射信号，因此，为了求得相位差，使用在脉冲长度无限大情况下理论上存在的发送信号相位。以这种方式求得的距离信息和振动信息由计算单元提供并通过接口转发给中央服务器。在中央服务器上运行在图1中所示的方法，该方法在步骤101中开始。在步骤102中，从中央服务器接收距离信息。在步骤103中，从中央服务器接收振动信息。在步骤104中，基于所接收的信息执行对象的分类，其中，求得涉及哪种类型的对象。在这里，对象可以被配属给极其不同的类别，例如机动车辆，行人，骑车者，购物车等。也可以进行更加详细的分类，例如小型汽车，旅行车Kombi，豪华大轿车Limousine，成人，儿童等。该方法在步骤105中结束。在该实施例中，借助于在图2中以草图示出的机器学习系统来执行分类。借助于测量装置201在当前情况下是激光器、光电二极管和计算单元求得对象的距离信息和振动信息。距离信息被馈入到第一神经网络202的输入层中而振动信息被馈入到第二神经网络203中。两个神经网络202,203分别具有多个隐藏层和一个输出层。分别可以在网络202，203的输出层上读出的数据被作为输入数据馈入到第三神经网络204中。第三神经网络204具有带有n个神经元的输出层，其中，n相当于应由该神经网络区分的不同类别的数量。相应地为该输出层的每个神经元配属一个类别。在该实施方例中，在输出层的每个神经元上可读出的值相当于“其距离信息和振动信息被分析评价的那个对象是配属于相应神经元的类别的对象”的概率。在该实施例中，从第三神经网络204的输出层读取的信息在显示器205上被可视化。在该实施例中，在停车库中还存在相机，该相机也感测可由激光照射的区域。相机图像也被分析评价并且与来自借助激光进行的测量的附加信息一起在屏幕205上显示。在另一实施例中，借助不同的系统感测距离信息和振动信息。为了求得距离信息使用雷达系统，该雷达系统感测停车库的预限定的区域。为了求得振动信息使用多个激光器和激光探测器，其中，激光探测器在地点上分别与激光器分开布置。在该实施例中，激光器和激光探测器分别相互距离约10m地布置。以这种方式，可以借助三角测量方法探测对象的小的固体振动。由两个系统感测的信息都被传递给中央服务器，中央服务器对这些信息进行分析评价并基于这些信息对借助这两个系统所感测的对象进行分类。在另一实施例中，停车库的一个区域用多个激光照射，其中，这些激光照射在地点上相互分离的区域。为每个激光器分配有一个激光探测器，其感测对应的激光的反射信号。激光器以脉冲方式运行并且在时间上错开地被激活，从而可以发生光脉冲的清晰分离。计算单元基于借助激光探测器感测到的信号来针对不同区域或者说针对在不同区域中的被照射对象求得距离信息和振动信息。为了求得距离信息和振动信息，既使用各个脉冲地发出的波列的传播时间，也使用接收的脉冲和发出的脉冲之间的相位差。由于在该实施例中使用很多个激光器，因此可以用所获得的数据生成环境的3D图像，该图像描述被照射对象。在该实施例中也借助神经网络分析评价这些数据，该神经网络执行各个距离信息和振动信息的分类。以此方式产生环境的3D图像，在该图像中各个对象也被分类。以这种方式生成的图像接着可以在屏幕上显示。在另一实施例中，可旋转的激光雷达传感器安装在车辆上。它包含64个激光器和64个激光探测器，这些激光探测器可以感测约30°的垂直视场。该传感器还能够绕垂直轴线旋转多达每秒20次，从而能够实现对车辆周围环境的360°拍摄。理论上，根据转速而定，如果从每个被照射的区域感测发送射线的一个反射，则每次回转可以求得超过250,000个距离信息和振动信息。在该实施例中，距离信息和振动信息被借助于机器学习系统分析评价，借助于该机器学习系统执行所记录的360°图像的语义分割。由此产生环境的距离图像，其附加地包含关于被照射的对象的类型的信息。这类信息对于自动化运行的系统、尤其是自动化运动的系统如自动化行驶的车辆非常有用。在另一实施例中，借助安装在车辆中的雷达传感器来求得距离信息和振动信息。在这里也将发送的射线和接收的射线之间的传播时间以及相位差都用于求得这些信息。接着将这些信息馈入到神经网络中，该神经网络借助所感测的数据执行分类。图3示出了机器学习系统的一个实施例，其被建立并且已被这样训练：用于基于对象的至少一个提供给所述机器学习系统的、基于由发送装置发出的第一发送电磁信号和由接收装置接收的第一接收电磁信号的距离信息和所述对象的至少一个提供给所述机器学习系统的、基于由发送装置发出的第二发送电磁信号和由接收装置接收的第二接收电磁信号的振动信息执行对所述对象的分类，所述振动信息代表所述对象的至少一个部分区域的固体振动。该机器学习系统具有第一卷积神经网络ConvolutionalNeuralNetworks303和第二卷积神经网络304，振动信息302和距离信息301进入这些卷积神经网络中，其中，距离信息301被馈入到第一神经网络303中并且振动信息被馈入到第二神经网络304中。在第二神经网络的后面是反卷积神经网络deconvolutionalneuronalNetwork306，其进一步处理第二神经网络304的输出层的数据。基于第一神经网络303的输出层的数据，借助中间连接的算法307执行第一粗略图像分析评价，其结果被用于池化由第二神经网络304和反卷积神经网络306处理过的数据。在此，该池化在第四神经网络308中进行，该第四神经网络同时输出所馈入的振动数据302的最终分类。由第一神经网络303输出的数据也在反卷积神经网络305中被进一步处理，该反卷积神经网络输出所馈入的距离数据301的分类。由反卷积神经网络308,305输出的数据被借助另一算法309融合。在这里进行按元素求平均值。在该实施例中，车辆环境的数据被馈入，这些数据可以借助可由算法309输出的数据作为语义分割后的3D环境310来描述，并且可以被进一步用于任何后续应用。在另一个实施例中，训练机器学习系统，使得振动信息302被馈入到神经网络303中并且距离信息被馈入到神经网络304中，并且以此方式进行分类。在另一实施例中，对距离信息和振动信息都进行池化。为此，可以在图3中所示的反卷积神经网络305后面中间连接另一神经网络。在该网络中执行的池化在该实施方式中受到神经网络304的输出数据的影响。在另一实施例中，在不受振动信息或距离信息的对应其他分析评价信道的影响的情况下进行池化。在另一实施例中，车辆装备有激光雷达和控制器，控制器基于借助激光雷达感测的数据来求得车辆环境的语义分割和3D描述。基于车辆环境的所求得的信息来运行多个驾驶员辅助系统。借助所求得的信息运行紧急制动辅助、ACC功能和自动泊车系统等。在另一实施例中，借助激光雷达扫描环境，并且对于每个扫描区域求得距离信息和振动信息。接着将这些信息馈入到共同的神经网络中，该网络基于共同馈入的信息执行分类。在另一实施例中，又借助激光雷达扫描环境，其中，借助具有1300nm波长的脉冲射线照射多个在地点上相互分离的区域并且感测所发送的射线的反射。接着将测量值和发送的光脉冲的发射时间和相位角馈入到机器学习系统中，机器学习系统借此执行对所感测的区域的分类。该机器学习系统已借助受监控的学习方法被训练。为此上述数据被用作输入值并被相应地馈入。将输出值与参考值进行比较，参考值是基于相同环境的相机图像借助分类算法和对象的手动配属而创建的。在另一实施例中，借助安装在车辆上的激光雷达传感器进行语义分割，其中，给每个借助激光雷达记录的测量点分配一个类别。在该实施例中这将相当于激光雷达传感器提供的每个距离值。作为类别，例如是指车辆和背景这些类别。激光雷达传感器记录非密集360°距离图像，其具有32个高度层和与转速相关的方位角分辨率。附加地，借助于激光雷达构建噪声地图，该噪声地图描述自最后一帧起或经过多个帧而在事先定义的网格的每个位置上出现的噪声。借助测量的固体振动来创建该噪声地图。这两个信息源被分类器在该实施例中是AI模块以不同方式处理。对于距离图像上的车辆识别，使用空间上的关联，即，为了能够对激光雷达的各个距离测量给出一个类别，由分类器考虑预限定量的距离测量，该量这样选择：使得其可以描述车辆的几何形状。为此，在该实施例中，使用全部32个高度层和32个高度层中的分别32个在时间上错开地记录的距离值这相当于大约100°的张开角度。为了能够借助噪声地图识别车辆，每次仅使邻接于一个测量点的另外的测量点分别四个同时被分类器分析评价。共同的AI模块从两个信息源生成语义分割的期望结果，其在所提到的实施例中求得车辆和背景的分开。

权利要求：1.用于对对象进行分类的方法，包括以下步骤：接收对象的至少一个基于由发送装置发送的第一发送电磁信号和由接收装置接收的第一接收电磁信号的距离信息；接收对象的至少一个基于由发送装置发送的第二发送电磁信号和由接收装置接收的第二接收电磁信号的振动信息，所述振动信息代表对象的至少一个部分区域的固体振动；基于接收的信息对对象进行分类。2.根据前述权利要求所述的方法，其特征在于，所述电磁信号是光信号，尤其具有与处于700nm和8000nm之间、更尤其在800nm和1400nm之间、更尤其在1000nm和1300nm之间的波长。3.根据前述权利要求中任一项所述的方法，其特征在于，所接收的电磁信号是所发送的电磁信号在所述对象上反射的信号。4.根据前述权利要求中任一项所述的方法，其特征在于，第一发送信号和第二发送信号是同一发送信号，并且第一接收信号和第二接收信号是同一接收信号。5.根据前述权利要求中任一项所述的方法，其特征在于，基于对第一发送信号和第一接收信号的传播时间测量和或对第一发送信号和第一接收信号之间的相位角的测量和或通过三角测量方法求得所述距离信息。6.根据前述权利要求中任一项所述的方法，其特征在于，基于对第二发送信号和第二接收信号的至少一个传播时间测量和或对第二发送信号和第二接收信号之间的相位角的测量和或通过三角测量方法求得所述振动信息。7.根据前述权利要求中任一项所述的方法，其特征在于，基于对第一电磁信号的传播时间测量求得所述距离信息并且基于对第二电磁信号之间的相位角的测量求得所述振动信息。8.根据前述权利要求之一所述的方法，其特征在于，对环境进行空间扫描，其中，对于环境的至少两个不同区域分别接收至少一个距离信息和一个振动信息，并且，借助所接收的信息进行对所扫描的环境的分类，特别是语义分割。9.根据前述权利要求中任一项所述的方法，其特征在于，所接收的距离信息和振动信息基于激光雷达的和或雷达的测量数据。10.根据前述权利要求中任一项所述的方法，其特征在于，所述分类借助基于比较的分类算法和或借助机器学习系统进行。11.用于分类的机器学习系统，其被建立并且已被这样训练：用于基于对象的至少一个提供给所述机器学习系统的、基于由发送装置发送的第一发送电磁信号和由接收装置接收的第一接收电磁信号的距离信息和所述对象的至少一个提供给所述机器学习系统的、基于由发送装置发送的第二发送电磁信号和由接收装置接收的第二接收电磁信号的振动信息执行对所述对象的分类，所述振动信息代表所述对象的至少一个部分区域的固体振动。12.根据权利要求11所述的机器学习系统，其特征在于，所述机器学习系统具有至少三个神经网络202,203,204，其中，至少一个距离信息进入第一神经网络202的输入层中，至少一个振动信息进入第二神经网络203的输入层中，并且，从第一和第二神经网络202,203输出的数据进入第三神经网络204的输入层中，尤其是，其中，借助第三神经网络204进行对象的分类。13.机器可读存储介质，其上存储有根据权利要求11或12所述的机器学习系统。14.用于分类的装置，其被设置为用于执行根据权利要求1至10中任一项所述的用于分类的方法。15.根据权利要求14所述的用于分类的装置，其特征在于，所述装置包括根据权利要求13所述的机器可读存储介质。

百度查询： 罗伯特·博世有限公司 用于分类的方法、装置、机器学习系统和机器可读存储介质