JP2020126619A - Ｖ２ｘ通信及びイメージ処理を利用した情報融合によって自律走行の短期経路をプランニングするための方法及び装置｛ｍｅｔｈｏｄ ａｎｄ ｄｅｖｉｃｅ ｆｏｒ ｓｈｏｒｔ−ｔｅｒｍ ｐａｔｈ ｐｌａｎｎｉｎｇ ｏｆ ａｕｔｏｎｏｍｏｕｓ ｄｒｉｖｉｎｇ ｔｈｒｏｕｇｈ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ｂｙ ｕｓｉｎｇ ｖ２ｘ ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｎｄ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ｝ - Google Patents

Abstract

【課題】Ｖ２Ｘ通信及びイメージ処理を利用して、Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している道路状況で自律走行をプランニングする方法を提供する。【解決手段】方法は、対象自律走行車両に対応するコンピューティング装置が、プランニングモジュールをもって、Ｖ２Ｘ通信が可能な第１車両を含んでいる第１群及びＶ２Ｘ通信が不可能な第２車両を含んでいる第２群を含む周辺車両に対する認識情報を取得するようにする段階と、コンピューティング装置が、プランニングモジュールをもって、周辺車両の中の妨害車両を選択するようにする段階と、コンピューティング装置が、プラニングモジュールをもって、潜在的妨害予測モデルを参照に予測するようにし、潜在的妨害走行を避けるために現在最適化経路情報を修正することで、対象自律走行車両に対する更新最適化経路情報を生成するようにする段階と、を含む。【選択図】図１

Description

本発明は、自律走行車両に利用するための方法及び装置に関し；より詳細には、Ｖ２Ｘ（Ｖｅｈｉｃｌｅ−ｔｏ−ｅｖｅｒｙｔｈｉｎｇ）通信が可能な車両と前記のＶ２Ｘ通信が不可能な車両とが混在している道路状況で、情報融合によって自律走行の短期経路をプランニングするための前記方法及び前記装置に関する。

近頃、自律走行技術は多くの関心を集めている。したがって、近い将来に自律走行技術が商用化されるものと期待される。ところが、これまでこのような自律走行技術関連の研究の大多数は、自律走行車両に搭載されたコンピューティング装置による自律走行車両の安全走行に関する技術が中心だった。すなわち、自律走行の際に他の車両と相互作用する技術はあまり考慮されておらず、前記コンピューティング装置が搭載されている車両を安全に走行させる技術が主に考慮されていた。

だが、通信技術の発達で車両どうしがやり取りできる情報量が増加したため、Ｖ２Ｘ（Ｖｅｈｉｃｌｅ−ｔｏ−ｅｖｅｒｙｔｈｉｎｇ）通信技術を利用して、他の車両とコミュニケーションすることが重要になった。他の車両によって生成された情報を利用して車両を走行することになれば、他の車両だけでなく前記車両のより安全な走行を図ることができる。

しかし、このようなＶ２Ｘ通信技術を積極的に利用して自律走行をプランニングする技術は多く存在していないのが現状だ。

本発明は、前述した問題点を解決することを目的とする。

本発明は、Ｖ２Ｘ（Ｖｅｈｉｃｌｅ−ｔｏ−ｅｖｅｒｙｔｈｉｎｇ）通信及びイメージ処理を利用して自律走行をプランニングする方法を提供することで、自律走行がより安全になされるようにすることを他の目的とする。

前記のような本発明の目的を達成し、後述する本発明の特徴的な効果を実現するための、本発明の特徴的な構成は次の通りである。

本発明の一態様によれば、Ｖ２Ｘ（Ｖｅｈｉｃｌｅ−ｔｏ−ｅｖｅｒｙｔｈｉｎｇ）通信及びイメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している道路状況で自律走行をプランニング（ｐｌａｎｎｉｎｇ）する方法において、（ａ）コンピューティング装置が、プランニングモジュールをもって、Ｖ２Ｘ通信モジュール及びイメージ処理モジュールの中の少なくとも一つと連動して、（ｉ）前記コンピュータ装置に対応する対象自律走行車両から距離閾値より近い距離に位置し、前記Ｖ２Ｘ通信が可能な一つ以上の第１車両を含む第１群、及び（ｉｉ）前記対象自律走行車両から前記距離閾値より近い距離に位置し、前記Ｖ２Ｘ通信が不可能な一つ以上の第２車両を含む第２群のうち、少なくとも一部を含む周辺車両の中の少なくとも一部に対する認識情報を取得するようにする段階；（ｂ）前記コンピューティング装置が、前記プランニングモジュールをもって、前記対象自律走行車両に対する現在最適化経路情報及び前記認識情報を参照にして、前記周辺車両のうち、前記対象自律走行車両を妨害する確率が確率閾値以上の車両である少なくとも一つの妨害車両を選択するようにする段階；及び（ｃ）前記コンピューティング装置が、前記プランニングモジュールをもって、前記Ｖ２Ｘ通信モジュール及び前記イメージ処理モジュールの中の少なくとも一つと連動して前記妨害車両に対する潜在的妨害予測モデルを生成するようにし、前記潜在的妨害予測モデルを参照に予測される前記妨害車両の潜在的妨害走行を避けるために、前記現在最適化経路情報を修正することで、前記対象自律走行車両に対する更新最適化経路情報を生成するようにする段階；を含むことを特徴とする方法が開示される。

一例として、前記（ａ）段階で、前記コンピューティング装置が、前記イメージ処理モジュールに含まれた第１ニューラルネットワークをもって、前記対象自律走行車両に設置された少なくとも一つのカメラによって、前記対象自律走行車両からの少なくとも一つの方向に対応する少なくとも一つの状況イメージを取得するようにし、前記状況イメージに一つ以上の第１ニューラルネットワーク演算を適用して、前記認識の情報を生成した後、前記認識情報を前記プランニングモジュールに伝送し、前記認識情報は、（ｉ）車両識別子情報、（ｉｉ）車両外観情報、及び（ｉｉｉ）前記対象自律走行車両からの車両相対位置情報のうちの少なくとも一部を含むことを特徴とする。

一例として、前記（ｂ）段階で、前記コンピューティング装置が、前記プランニングモジュールをもって、（ｉ）前記対象自律走行車両が時間閾値内に走行する方向についての予定走行方向情報を利用して予定走行方向ベクトルを生成し、前記周辺車両の中の少なくとも一部に対応する前記車両相対位置情報を利用して一つ以上の相対位置ベクトルを生成し、（ｉｉ）前記予定走行方向ベクトルとそれぞれの前記相対位置ベクトルとの間のそれぞれの類似点数を生成するようにした後、（ｉｉｉ）前記周辺車両のうち、閾値類似点数以上の特定類似点数を有する少なくとも一つの特定周辺車両を前記妨害車両として選択させることを特徴とする。

一例として、前記（ｂ）段階で、前記コンピューティング装置が、前記プランニングモジュールをもって、前記イメージ処理モジュールによって取得された前記状況イメージ上で前記周辺車両を含むバウンディングボックスの位置に対する情報を参照にして、少なくとも一つの特定の周辺車両を前記の妨害車両として選択するようにし、前記特定周辺車両に対応する部分イメージは、前記対象自律走行車両のある道路の現在車道に対応する、前記状況イメージの現在車道領域内に位置することを特徴とする。

一例として、前記（ｃ）段階で、前記コンピューティング装置が、前記妨害車両が前記第２群に属する場合、（ｉ）前記イメージ処理モジュールをもって、（ｉ−１）前記対象自律走行車両に設置された少なくとも一つのカメラによって、前記妨害車両を含むモデリングイメージを取得するようにし、（ｉ−２）上前モデリングイメージに一つ以上の第２ニューラルネットワーク演算を適用して前記妨害車両の加速能力情報を生成し、前記加速能力情報を前記プランニングモジュールに伝送するようにし、（ｉｉ）前記プランニングモジュールをもって、前記イメージ処理モジュール及び前記Ｖ２Ｘ通信モジュールの中の少なくとも一つを利用して取得された前記妨害車両の現在速度情報及び前記加速能力情報を参照にして、前記潜在的妨害予測モデルを生成するようにすることを特徴とする。

一例として、前記（ｃ）段階で、前記コンピューティング装置が、（Ｉ）前記イメージ処理モジュールに含まれた第２ニューラルネットワークをもって、前記対象自律走行車両の自車速度情報を追加で参照にして、前記モデリングイメージに前記第２ニューラルネットワーク演算の少なくとも一部である一つ以上の第２−１ニューラルネットワーク演算を適用することで、（ｉ）前記対象自律走行車両に関連した前記妨害車両の相対速度情報、（ｉｉ）前記妨害車両のクラスに対応するカテゴリ情報、及び（ｉｉｉ）前記妨害車両の体積と質量とのうち、少なくとも一部に対応する加速変数情報を生成するようにし、（ＩＩ）前記第２ニューラルネットワークをもって、前記車両相対速度情報、前記カテゴリ情報及び前記加速変数情報を構成要素として含む、コンカチネート（ｃｏｎｃａｔｅｎａｔｅ）されたベクトルに前記第２ニューラルネットワーク演算の少なくとも一部である一つ以上の第２−２ニューラルネットワーク演算を適用することで前記妨害車両の前記加速能力情報を生成するようにすることを特徴とする。

一例として、前記（ｃ）段階で、前記コンピューティング装置が、前記第２ニューラルネットワークをもって、前記周辺車両と前記対象自律走行車両とが現在走行している道路の現在セクション内の車両の平均速度に対する、現在セクション平均速度情報をさらに含む前記コンカチネートされたベクトルに前記第２−２ニューラルネットワーク演算を適用することで前記加速能力情報を生成することを特徴とする。

一例として、前記コンピューティング装置が、前記プランニングモジュールをもって、前記妨害車両の速度比率情報と現在セクション平均速度情報とを参照として生成された、前記加速能力情報と前記現在速度情報とを参照して前記潜在的妨害予測モデルを生成し、前記速度比率情報は、前記周辺車両と前記対象自律走行車両とが走行してきた道路の過去セクションそれぞれに対する平均速度それぞれと、前記過去セクションそれぞれ内の前記妨害車両の速度それぞれとを比較することにより生成された後、中央サーバから前記Ｖ２Ｘ通信モジュールに転送され、前記現在セクション平均速度情報は、前記周辺車両と前記対象自律走行車両とが現在走行している道路の現在セクション内の車両の平均速度を計算することで生成された後、前記中央サーバから前記Ｖ２Ｘ通信モジュールへ転送されたことを特徴とする。

一例として、前記コンピューティング装置が、前記第２ニューラルネットワークをもって、前記第２ニューラルネットワーク演算を前記モデリングイメージに適用して前記加速能力情報と共に前記現在速度情報を生成した後、前記現在速度情報及び前記加速能力情報を前記プランニングモジュールに伝送するようにし、前記プランニングモジュールをもって、前記現在速度情報及び前記加速能力情報を参照にして前記潜在的妨害予測モデルを生成するようにすることを特徴とする。

一例として、前記コンピューティング装置が、前記プランニングモジュールをもって、（ｉ）前記対象自律走行車両が前記潜在的妨害走行を避けるための時間に対応するＴＴＣ値、（ｉｉ）前記加速能力情報、及び（ｉｉｉ）前記現在速度情報を参照にして、予測速度範囲情報を生成させることにより、前記予測速度範囲情報を含む前記潜在的妨害予測モデルを生成するようにすることを特徴とする。

一例として、前記（ｃ）段階で、前記コンピューティング装置が、前記妨害車両が前記第２群に属する場合、前記Ｖ２Ｘ通信モジュールをもって、（ｉ）前記中央サーバから、（ｉ−１）前記妨害車両の加速能力情報、（ｉ−２）前記周辺車両と前記対象自律走行車両とが走行してきた道路の過去セクションそれぞれに対する平均速度それぞれと、前記過去セクションそれぞれ内の前記妨害車両の速度それぞれとを比較して生成された妨害車両の速度比較情報、及び（ｉ−３）前記現在セクション内の車両の平均速度を計算して生成された現在セクション平均速度情報を取得するようにし、（ｉｉ）前記速度比率情報及び現在セクション平均速度情報を参照にして前記妨害車両の現在速度情報を生成するようにした後、（ｉｉｉ）前記現在速度情報及び前記加速能力情報を参照にして前記潜在的妨害予測モデルを生成するようにすることを特徴とする。

一例として、前記（ｃ）段階で、前記コンピューティング装置が、前記妨害車両が前記第１群に属する場合、前記Ｖ２Ｘ通信モジュールをもって、前記妨害車両と通信することで前記妨害車両の予定経路情報を取得するようにして、前記プランニングモジュールをもって、前記予定経路情報を参照にして前記潜在的妨害予測モデルを生成するようにすることを特徴とする。

一例として、前記（ｃ）段階で、前記コンピューティング装置が、前記プランニングモジュールをもって、（ｉ）前記対象自律走行車両のある現在車道の左側及び右側のうち少なくとも一つに位置している少なくとも一つの近隣車道の車道平均速度情報を取得するようにし、（ｉｉ）前記車道平均速度情報を参照にして、前記潜在的妨害走行を避けるために、前記近隣車道に対応して実行される回避走行が追加されるように前記現在最適化経路情報を修正することで、前記更新最適化経路情報を生成させることを特徴とする。

本発明の他の態様によれば、Ｖ２Ｘ（Ｖｅｈｉｃｌｅ−ｔｏ−ｅｖｅｒｙｔｈｉｎｇ）通信及びイメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している道路状況で自律走行をプランニングするコンピューティング装置において、各インストラクションを格納する少なくとも一つのメモリ；及び（Ｉ）プランニングモジュールをもって、Ｖ２Ｘ通信モジュール及びイメージ処理モジュールの中の少なくとも一つと連動して、（ｉ）前記コンピュータ装置に対応する対象自律走行車両から距離閾値より近い距離に位置し、前記Ｖ２Ｘ通信が可能な一つ以上の第１車両を含む第１群、及び（ｉｉ）前記対象自律走行車両から前記距離閾値より近い距離に位置し、前記Ｖ２Ｘ通信が不可能な一つ以上の第２車両を含む第２群のうち、少なくとも一部を含む周辺車両の中の少なくとも一部に対する認識情報を取得するようにするプロセス、（ＩＩ）前記プランニングモジュールをもって、前記対象自律走行車両に対する現在最適化経路情報及び前記認識情報を参照にして、前記周辺車両のうち、前記対象自律走行車両を妨害する確率が確率閾値以上の車両である少なくとも一つの妨害車両を選択するようにするプロセス、及び（ＩＩＩ）前記プランニングモジュールをもって、前記Ｖ２Ｘ通信モジュール及び前記イメージ処理モジュールの中の少なくとも一つと連動して前記妨害車両に対する潜在的妨害予測モデルを生成するようにし、前記潜在的妨害予測モデルを参照に予測される前記妨害車両の潜在的妨害走行を避けるために前記現在最適化経路情報を修正することで、前記対象自律走行車両に対する更新最適化経路情報を生成するようにするプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ；を含むことを特徴とするコンピューティング装置。

一例として、前記（Ｉ）プロセスで、前記プロセッサが、前記イメージ処理モジュールに含まれた第１ニューラルネットワークをもって、前記対象自律走行車両に設置された少なくとも一つのカメラによって、前記対象自律走行車両からの少なくとも一つの方向に対応する少なくとも一つの状況イメージを取得するようにし、前記状況イメージに一つ以上の第１ニューラルネットワーク演算を適用して、前記認識の情報を生成した後、前記認識情報を前記プランニングモジュールに伝送し、前記認識情報は、（ｉ）車両識別子情報、（ｉｉ）車両外観情報、及び（ｉｉｉ）前記対象自律走行車両からの車両相対位置情報のうちの少なくとも一部を含むことを特徴とする。

一例として、前記（ＩＩ）プロセスで、前記プロセッサが、前記プランニングモジュールをもって、（ｉ）前記対象自律走行車両が時間閾値内に走行する方向についての予定走行方向情報を利用して予定走行方向ベクトルを生成し、前記周辺車両の中の少なくとも一部に対応する前記車両相対位置情報を利用して一つ以上の相対位置ベクトルを生成し、（ｉｉ）前記予定走行方向ベクトルとそれぞれの前記相対位置ベクトルとの間のそれぞれの類似点数を生成するようにした後、（ｉｉｉ）前記周辺車両のうち、閾値類似点数以上の特定類似点数を有する少なくとも一つの特定周辺車両を前記妨害車両として選択させることを特徴とする。

一例として、前記（ＩＩ）プロセスで、前記プロセッサが、前記プランニングモジュールをもって、前記イメージ処理モジュールによって取得された前記状況イメージ上で前記周辺車両を含むバウンディングボックスの位置に対する情報を参照にして、少なくとも一つの特定の周辺車両を前記の妨害車両として選択するようにし、前記特定周辺車両に対応する部分イメージは、前記対象自律走行車両のある道路の現在車道に対応する、前記状況イメージの現在車道領域内に位置することを特徴とする。

一例として、前記（ＩＩＩ）プロセスで、前記プロセッサが、前記妨害車両が前記第２群に属する場合、（ｉ）前記イメージ処理モジュールをもって、（ｉ−１）前記対象自律走行車両に設置された少なくとも一つのカメラによって、前記妨害車両を含むモデリングイメージを取得するようにし、（ｉ−２）上前モデリングイメージに一つ以上の第２ニューラルネットワーク演算を適用して前記妨害車両の加速能力情報を生成し、前記加速能力情報を前記プランニングモジュールに伝送するようにし、（ｉｉ）前記プランニングモジュールをもって、前記イメージ処理モジュール及び前記Ｖ２Ｘ通信モジュールの中の少なくとも一つを利用して取得された前記妨害車両の現在速度情報及び前記加速能力情報を参照にして、前記潜在的妨害予測モデルを生成するようにすることを特徴とする。

一例として、前記（ＩＩＩ）プロセスで、前記プロセッサが、（ｉ）前記イメージ処理モジュールに含まれた第２ニューラルネットワークをもって、前記対象自律走行車両の自車速度情報を追加で参照にして、前記モデリングイメージに前記第２ニューラルネットワーク演算の少なくとも一部である一つ以上の第２−１ニューラルネットワーク演算を適用することで、（ｉ−１）前記対象自律走行車両に関連した前記妨害車両の相対速度情報、（ｉ−２）前記妨害車両のクラスに対応するカテゴリ情報、及び（ｉ−３）前記妨害車両の体積と質量とのうち、少なくとも一部に対応する加速変数情報を生成するようにし、（ｉｉ）前記第２ニューラルネットワークをもって、前記車両相対速度情報、前記カテゴリ情報及び前記加速変数情報を構成要素として含む、コンカチネート（ｃｏｎｃａｔｅｎａｔｅ）されたベクトルに前記第２ニューラルネットワーク演算の少なくとも一部である一つ以上の第２−２ニューラルネットワーク演算を適用することで前記妨害車両の前記加速能力情報を生成するようにすることを特徴とする。

一例として、前記（ＩＩＩ）プロセスで、前記プロセッサが、前記第２ニューラルネットワークをもって、前記周辺車両と前記対象自律走行車両とが現在走行している道路の現在セクション内の車両の平均速度に対する、現在セクション平均速度情報をさらに含む前記コンカチネートされたベクトルに前記第２−２ニューラルネットワーク演算を適用することで前記加速能力情報を生成することを特徴とする。

一例として、前記プロセッサが、前記プランニングモジュールをもって、前記妨害車両の速度比率情報と現在セクション平均速度情報とを参照として生成された、前記加速能力情報と前記現在速度情報とを参照して前記潜在的妨害予測モデルを生成し、前記速度比率情報は、前記周辺車両と前記対象自律走行車両とが走行してきた道路の過去セクションそれぞれに対する平均速度それぞれと、前記過去セクションそれぞれ内の前記妨害車両の速度それぞれとを比較することにより生成された後、中央サーバから前記Ｖ２Ｘ通信モジュールに転送され、前記現在セクション平均速度情報は、前記周辺車両と前記対象自律走行車両とが現在走行している道路の現在セクション内の車両の平均速度を計算することで生成された後、前記中央サーバから前記Ｖ２Ｘ通信モジュールへ転送されたことを特徴とする。

一例として、前記プロセッサが、前記第２ニューラルネットワークをもって、前記第２ニューラルネットワーク演算を前記モデリングイメージに適用して前記加速能力情報と共に前記現在速度情報を生成した後、前記現在速度情報及び前記加速能力情報を前記プランニングモジュールに伝送するようにし、前記プランニングモジュールをもって、前記現在速度情報及び前記加速能力情報を参照にして前記潜在的妨害予測モデルを生成するようにすることを特徴とする。

一例として、前記プロセッサが、前記プランニングモジュールをもって、（ｉ）前記対象自律走行車両が前記潜在的妨害走行を避けるための時間に対応するＴＴＣ値、（ｉｉ）前記加速能力情報、及び（ｉｉｉ）前記現在速度情報を参照にして、予測速度範囲情報を生成させることにより、前記予測速度範囲情報を含む前記潜在的妨害予測モデルを生成するようにすることを特徴とする。

一例として、前記（ＩＩＩ）プロセスで、前記プロセッサが、前記妨害車両が前記第２群に属する場合、前記Ｖ２Ｘ通信モジュールをもって、（ｉ）前記中央サーバから、（ｉ−１）前記妨害車両の加速能力情報、（ｉ−２）前記周辺車両と前記対象自律走行車両とが走行してきた道路の過去セクションそれぞれに対する平均速度それぞれと、前記過去セクションそれぞれ内の前記妨害車両の速度それぞれとを比較して生成された妨害車両の速度比較情報、及び（ｉ−３）前記現在セクション内の車両の平均速度を計算して生成された現在セクション平均速度情報を取得するようにし、（ｉｉ）前記速度比率情報及び現在セクション平均速度情報を参照にして前記妨害車両の現在速度情報を生成するようにした後、（ｉｉｉ）前記現在速度情報及び前記加速能力情報を参照にして前記潜在的妨害予測モデルを生成するようにすることを特徴とする。

一例として、前記（ＩＩＩ）プロセスで、前記プロセッサが、前記妨害車両が前記第１群に属する場合、前記Ｖ２Ｘ通信モジュールをもって、前記妨害車両と通信することで前記妨害車両の予定経路情報を取得するようにして、前記プランニングモジュールをもって、前記予定経路情報を参照にして前記潜在的妨害予測モデルを生成するようにすることを特徴とする。

一例として、前記（ＩＩＩ）プロセスで、前記プロセッサが、前記プランニングモジュールをもって、（ｉ）前記対象自律走行車両のある現在車道の左側及び右側のうち少なくとも一つに位置している少なくとも一つの近隣車道の車道平均速度情報を取得するようにし、（ｉｉ）前記車道平均速度情報を参照にして、前記潜在的妨害走行を避けるために、前記近隣車道に対応して実行される回避走行が追加されるように前記現在最適化経路情報を修正することで、前記更新最適化経路情報を生成させることを特徴とする。

この他にも、本発明の方法を実行するためのコンピュータプログラムを記録するためのコンピュータ読読可能な記録媒体がさらに提供される。

本発明によれば、Ｖ２Ｘ通信及びイメージ処理を利用して、自律走行をプランニングする方法を提供することで自律走行がより安全になされるようにすることができる効果がある。

本発明の実施例の説明に利用されるために添付された以下の各図面は、本発明の実施例のうちの一部に過ぎず、本発明が属する技術分野でおいて、通常の知識を有する者（以下「通常の技術者」）は、発明的作業が行われることなくこの図面に基づいて他の図面が得られ得る。

図１は、本発明の一例に係るＶ２Ｘ（Ｖｅｈｉｃｌｅ−ｔｏ−ｅｖｅｒｙｔｈｉｎｇ）通信及びイメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している道路状況で自律走行をプランニングするコンピューティング装置の構成を概略的に示した図面である。 図２は、本発明の一例に係る前記Ｖ２Ｘ通信及び前記イメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している前記道路状況で前記自律走行をプランニングする方法を遂行するために、妨害車両を選択する方式を概略的に示した図面である。 図３は、本発明の一例に係る前記Ｖ２Ｘ通信及び前記イメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している前記道路状況で前記自律走行をプランニングする方法を遂行するために利用される第２ニューラルネットワークを概略的に示した図面である。 図４は、本発明の一例に係る前記Ｖ２Ｘ通信及び前記イメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している前記道路状況で、前記自律走行をプランニングする方法を遂行するために利用される前記妨害車両の現在速度情報が、現在セクション平均速度情報を利用して生成されるプロセスの概略的な例示図面である。 図５は、本発明の一例に係る前記Ｖ２Ｘ通信及び前記イメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している前記道路状況で、前記自律走行をプランニングする方法を遂行するために利用される最適化経路情報を修正する方式を概略的に示した図面である。

後述する本発明に対する詳細な説明は、本発明の各目的、技術的解決方法及び長所を明確にするために、本発明が実施され得る特定実施例を例示として示す添付図面を参照する。これらの実施例は、通常の技術者が本発明を実施することができるように充分詳細に説明される。

また、本発明の詳細な説明及び各請求項にわたって、「含む」という単語及びそれらの変形は、他の技術的各特徴、各付加物、構成要素又は段階を除外することを意図したものではない。通常の技術者にとって本発明の他の各目的、長所及び各特性が、一部は本説明書から、また一部は本発明の実施から明らかになるであろう。以下の例示及び図面は実例として提供され、本発明を限定することを意図したものではない。

さらに、本発明は、本明細書に示された実施例のあらゆる可能な組み合わせを網羅する。本発明の多様な実施例は相互異なるが、相互排他的である必要はないことを理解されたい。例えば、ここに記載されている特定の形状、構造及び特性は一例と関連して、本発明の精神及び範囲を逸脱せず、かつ他の実施例で実装され得る。また、各々の開示された実施例内の個別構成要素の位置または配置は本発明の精神及び範囲を逸脱せずに変更され得ることを理解されたい。従って、後述する詳細な説明は限定的な意味で捉えようとするものではなく、本発明の範囲は、適切に説明されれば、その請求項が主張することと均等なすべての範囲と、併せて添付された請求項によってのみ限定される。図面で類似する参照符号はいくつかの側面にかけて同一か類似する機能を指称する。

本発明で言及している各種イメージは、舗装または非舗装道路関連のイメージを含み得、この場合、道路環境で登場し得る物体（例えば、自動車、人、動物、植物、物、建物、飛行機やドローンのような飛行体、その他の障害物）を想定し得るが、必ずしもこれに限定されるものではなく、本発明で言及している各種イメージは、道路と関係のないイメージ（例えば、非舗装道路、路地、空き地、海、湖、川、山、森、砂漠、空、室内と関連したイメージ）でもあり得、この場合、非舗装道路、路地、空き地、海、湖、川、山、森、砂漠、空、室内環境で登場し得る物体（例えば、自動車、人、動物、植物、物、建物、飛行機やドローンのような飛行体、その他の障害物）を想定し得るが、必ずしもこれに限定されるものではない。

以下、本発明が属する技術分野で通常の知識を有する者が本発明を容易に実施することができるようにするために、本発明の好ましい実施例について添付の図面に基づいて詳細に説明する。

図１は、本発明の一例に係るＶ２Ｘ（Ｖｅｈｉｃｌｅ−ｔｏ−ｅｖｅｒｙｔｈｉｎｇ）通信及びイメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している道路状況で自律走行をプランニング（ｐｌａｎｎｉｎｇ）するコンピューティング装置の構成を概略的に示した図面である。

図１を参照すれば、前記コンピューティング装置１００は、後に詳しく説明する構成要素である、少なくとも一つのＶ２Ｘ通信モジュール１３０、少なくとも一つのイメージ処理モジュール１４０及び少なくとも一つのプランニングモジュール１５０を含み得る。前記Ｖ２Ｘ通信モジュール１３０、前記イメージ処理モジュール１４０及び前記プランニングモジュール１５０の入出力及び演算過程はそれぞれ少なくとも一つの通信部１１０及び少なくとも一つのプロセッサ１２０によって行われ得る。ただし、図１では、前記通信部１１０及び前記プロセッサ１２０の具体的な連結関係を省略した。この際、メモリ１１５は、後述するいくつかのインストラクションを格納した状態でもあり得、前記プロセッサ１２０は、前記メモリ１１５に格納された前記インストラクションを実行することができ、前記プロセッサ１２０は、後から説明されるプロセスを実行することにより本発明を行うことができる。このように前記コンピューティング装置１００が描写されたところで、前記コンピューティング装置１００が本発明を実施するための媒体、前記プロセッサ、前記メモリ、または他のコンピューティング構成要素が統合された形態である少なくとも一つの統合プロセッサを含む場合を排除するものではない。

このようなコンピューティング装置１００は、対象自律走行車両に含まれるか、遠隔無線通信によって前記対象自律走行車両を制御するように構成された制御サーバに含まれ得る。

また、前記コンピューティング装置１００は、中央サーバ２００と通信して連動され得る。後から説明するが、本発明の前記プランニング方法は、前記妨害車両が、前記Ｖ２Ｘ通信が不可能な場合においても、前記中央サーバ２００と連動して前記対象自律走行車両の周辺に位置する少なくとも一つの妨害車両に関する情報を取得する方法を含む。

以上、本発明の一例に係る前記プランニング方法を遂行する前記コンピューティング装置１００の構成について説明したので、本発明の前記プランニング方法について概括的に説明する。

まず、前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、前記Ｖ２Ｘ通信モジュール１３０及び前記イメージ処理モジュール１４０のうちの少なくとも一つと連動して周辺車両の中の少なくとも一部に対する認識情報を取得できる。この際、前記周辺車両は、前記対象自律走行車両から距離閾値より近い距離に位置し、かつ前記Ｖ２Ｘ通信が可能な一つ以上の第１車両を含む第１群と、前記対象自律走行車両から前記距離閾値より近い距離に位置し、かつ前記Ｖ２Ｘ通信が不可能な一つ以上の第２車両を含む第２群との中の少なくとも一部を含むことができる。

以降、前記コンピューティング装置１００が、前記プランニングモジュール１５０をもって、前記対象自律走行車両に対する現在最適化経路情報及び前記認識情報を参照にして、前記周辺車両の中の妨害車両を選択するようにすることができる。この際、前記妨害車両は、前記周辺車両のうちの前記対象自律走行車両を妨害する確率が確率閾値以上の車両であり得る。

そして、前記コンピューティング装置１００が、前記プランニングモジュール１５０をもって、前記Ｖ２Ｘ通信モジュール１３０及び前記イメージ処理モジュール１４０のうちの少なくとも一つと連動して前記妨害車両に対する潜在的妨害予測モデルを生成するようにすることができる。その後、前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、前記潜在的妨害予測モデルを参照に予測される前記妨害車両の潜在的妨害走行を避けるために前記現在最適化経路情報を修正することで、前記対象自律走行車両に対する更新最適化経路情報を生成するようにすることができる。このような更新最適化経路情報は、前記自律走行をプランニングするのに活用され得る。

以上、概括的な本発明の前記プランニング方法について説明した。以下、これをさらに具体的に説明する。

本発明の前記プランニング方法を遂行するための最初の段階として、認識情報を取得するために前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、前記Ｖ２Ｘ通信モジュール１３０または前記イメージ処理モジュール１４０と連動するようにすることができる。まず、前記プランニングモジュール１５０が前記イメージ処理モジュール１４０と連動する方法について説明する。

つまり、前記コンピューティング装置１００が、前記イメージ処理モジュール１４０に含まれた第１ニューラルネットワークをもって、前記対象自律走行車両に設置された少なくとも一つのカメラによって、前記対象自律走行車両からの少なくとも一つの方向に対応する少なくとも一つの状況イメージを取得するようにし得る。このような状況イメージが取得されると、前記コンピューティング装置１００は、前記第１ニューラルネットワークをもって、前記状況イメージに一つ以上の第１ニューラルネットワーク演算を適用して、前記認識情報を生成するようにすることができる。一例として、前記第１ニューラルネットワークは、少なくとも一つの第１コンボリューションレイヤと、少なくとも一つの第１プーリングレイヤと、少なくとも一つの第１ＦＣ（ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ）レイヤとを含み、第１ＲＰＮ（Ｒｅｇｉｏｎ Ｐｒｏｐｏｓａｌ Ｎｅｔｗｏｒｋ）と連動することができる。そして、前記第１ニューラルネットワークは、本発明の前記プランニング方法を遂行する前に、少なくとも一つの第１トレーニングイメージ及びこれに対応する少なくとも一つの第１ＧＴ（ｇｒｏｕｎｄ ｔｒｕｔｈ）を利用して学習が完了した状態であり得る。この際、前記第１ニューラルネットワーク演算とは、前記第１ニューラルネットワークに入力される前記状況イメージに前記第１コンボリューションレイヤと、前記第１プーリングレイヤと、前記第１ＦＣレイヤとによる演算が適用されるようにする演算であり得る。

この際、このような前記第１ニューラルネットワークの過程によって生成された前記認識情報は、（ｉ）車両識別子情報、（ｉｉ）車両外観情報、及び（ｉｉｉ）前記対象自律走行車両からの車両相対位置情報のうちの少なくとも一部を含み得る。一例として、前記車両識別子情報は、前記状況イメージに含まれた前記周辺車両のナンバープレートに対応する部分イメージを参照として、取得した前記周辺車両の一つ以上の登録番号に関する情報を含み得る。そして前記車両外観情報は、前記周辺車両の、一つ以上の色と、一つ以上の形と、一つ以上のクラスとに関する情報を含み得る。また、前記車両相対位置情報は、前記対象自律走行車両から前記周辺車両までの、一つ以上の縦方向距離及び一つ以上の横方向距離を要素として含む前記周辺車両の一つ以上の相対座標に関する情報を含み得る。前記で示したとおり、前記認識情報は、前記イメージ処理モジュール１４０を通じて取得され得る。

次に、前記認識情報が前記Ｖ２Ｘ通信モジュール１３０によって取得される方法について説明する。前記コンピューティング装置１００は、前記Ｖ２Ｘ通信モジュール１３０をもって、前記第１群の特定周辺車両と通信するようにし、前記特定周辺車両に関する認識情報を取得するようにすることができる。前記Ｖ２Ｘ通信モジュール１３０を利用すれば前記認識情報をより正確に取得し得るが、前記第１群に属する前記特定周辺車両に対してのみ情報を取得することができる。

前記認識情報は、前記イメージ処理モジュール１４０または前記Ｖ２Ｘ通信モジュール１３０を利用した二つの方法によって取得され得る。以下、前記周辺車両のうちの前記妨害車両を選択する方法について説明する。

まず、前記コンピューティング装置１００が、前記プランニングモジュール１５０をもって、前記現在最適化経路情報及び前記認識情報を参照にして前記周辺車両の中の妨害車両を選択するようにすることができる。前記現在最適化経路情報は、事前にプランニングされた前記対象自律走行車両の予定経路に関する情報を含むものであり、前記妨害車両が認識された上で修正され得る。具体的に、前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、前記対象自律走行車両が時間閾値内に、走行する方向に対する予定走行方向の情報を利用して予定走行方向ベクトルを生成し得る。また、前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、前記周辺車両の中の少なくとも一部に対応する前記車両相対位置情報を利用して一つ以上の相対位置ベクトルを生成するようにすることができる。その後、前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、前記予定走行方向ベクトルとそれぞれの前記相対位置ベクトルとの間それぞれの類似点数を生成するようにした後、前記周辺車両の中の閾値類似点数以上の特定類似点数を有する少なくとも一つの特定周辺車両を前記妨害車両として選択するようにすることができる。

簡単に言えば、前記対象自律走行車両が走行して行く方向に位置する前記特定車両は、前記妨害車両として選択され、前記特定周辺車両は、前記予定走行方向ベクトルと前記相対位置ベクトルとを比較することで選択される。これについて、図２をもとに具体的に説明する。

図２は、本発明の一例に係る前記Ｖ２Ｘ通信及び前記イメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している前記道路状況で前記自律走行をプランニングする方法を遂行するために、前記妨害車両を選択する方式を概略的に示した図面である。

図２を参照にすれば、第１相対位置ベクトル１５１、第２相対位置ベクトル１５２、第３相対ベクトル１５３及び第４相対位置ベクトル１５４を確認することができる。この際、前記現在最適化経路情報が前記時間閾値内に直進走行に対応するなら、前記第３相対位置ベクトルに対応する前記特定周辺車両は、前記妨害車両として選択され得る。

前述した方式と異なって、前記イメージの処理モジュール１４０と連動して前記妨害車両を選択する他の実施例があるので、これについて説明する。

他の実施例の場合、前記コンピューティング装置１００は、前記第１ニューラルネットワークをもって、前記認識情報に加えて、（ｉ）前記状況イメージ上で前記周辺車両を含むバウンディングボックスの位置に対する情報及び（ｉｉ）前記対象自律走行車両がある道路の現在車線に対応する前記状況イメージの現在車道領域に関する情報を生成させることができる。こうした第１ニューラルネットワークは、前述の情報を出力するように最終レイヤにノードを追加し、前記第１ニューラルネットワークを学習するために利用される、前記現在車道領域に対する情報及び前記バウンディングボックスの位置に関するＧＴ情報を含む調整されたＧＴを設計することで実装され得る。

その後、前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、前記周辺車両の部分イメージそれぞれが、つまり前記バウンディングボックスそれぞれに対応する前記状況イメージの領域それぞれが前記現在車道領域に位置しているか否かを決定して前記周辺車両が前記現在車道で走行しているかを判断し、前記現在車道を走行している前記特定周辺車両を前記妨害車両として選択させることができる。これらの実施例は、前記対象自律走行車両が直進方向に走行する場合に適用され得る。

以上、前記妨害車両を選択する方法について説明した。次に、前記潜在的妨害予測モデルが生成される方法について説明する。前記潜在的妨害予測モデルを生成するに当たって、前記Ｖ２Ｘ通信モジュール１３０及び前記イメージ処理モジュール１４０の利用によって相違する実施例として区分され得る。このような相違する実施例について一つずつ順番に説明する。

まず、前記妨害車両が前記第１群に属して前記Ｖ２Ｘ通信モジュール１３０を重点的に利用する第１実施例について説明する。前記対象自律走行車両が前記第１群の前記妨害車両と通信が可能な場合、前記コンピューティング装置１００は、前記Ｖ２Ｘ通信モジュール１３０をもって、前記妨害車両と通信することで、前記妨害車両の予定経路情報を取得するようにし、前記予定経路情報を利用して、前記潜在的妨害予測モデルを生成するようにし得る。

さらに具体的には、前記妨害車両が前記第１群に属し、かつ自主走行が可能な車両である場合、前記妨害車両は、自身の現在最適化経路情報を前記予定経路情報として、前記コンピューティング装置１００に伝送することができる。この場合、前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、前記予定経路情報に含まれた予測速度範囲情報を参照にして、前記潜在的妨害予測モデルを生成するようにすることができる。これとは異なって、前記妨害車両が前記第１群に属するが自主走行が不可能な車両である場合、前記妨害車両は、自身の現在速度情報と自身の加速能力情報とを前記コンピューティング装置１００に伝送することができ、前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、前記現在速度と前記加速能力情報とを利用して前記潜在的妨害予測モデルを生成するようにすることができる。前記現在速度情報及び前記加速能力情報をどのような方式で利用して前記潜在的妨害予測モデルを生成できるかについては、後から説明される。

また、前記妨害車両が前記第２群に属する第２実施例は、三つの下位実施例、つまり前記Ｖ２Ｘ通信モジュール１３０及び前記イメージ処理モジュール１４０に対応する第２−１実施例、前記イメージ処理モジュール１４０に対応する第２−２実施例及び前記Ｖ２Ｘ通信モジュール１３０に対応する第２−３実施例に分けられる。まず、前記第２−１実施例について説明する。

前記第２−１実施例の場合、前記コンピューティング装置１００は、前記イメージの処理モジュール１４０をもって、前記対象自律走行車両に設置された前記カメラによって前記妨害車両を含む少なくとも一つのモデリングイメージを取得するようにすることができる。前記モデリングイメージは、前記状況イメージと同じこともあり得、前記状況イメージより後に撮られた、前記妨害車両を含む新たに取得されたイメージでもあり得る。その後、前記コンピューティング装置１００は、前記イメージ処理モジュール１４０に含まれた第２ニューラルネットワークをもって、前記モデリングイメージに一つ以上の第２ニューラルネットワーク演算を適用して前記加速能力情報を生成し、これを前記プランニングモジュール１５０へ転送するようにし得る。前記第２ニューラルネットワーク及び前記第２ニューラルネットワーク演算について説明するために、図３を参照する。

図３は、本発明の一例に係る前記Ｖ２Ｘ通信及び前記イメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している前記道路状況で前記自律走行をプランニングする方法を遂行するために利用される前記第２ニューラルネットワークを概略的に示した図面である。

図３参照すれば、前記第２ニューラルネットワーク１４２は、少なくとも一つの第２−１ニューラルネットワーク１４２−１及び少なくとも一つの第２−２ニューラルネットワーク１４２−２を含み得る。前記は、第２−１ニューラルネットワーク１４２−１は、少なくとも一つの第２−１コンボリューションレイヤと、少なくとも一つの第２−１プーリングレイヤと、少なくとも一つの第２−１ＦＣレイヤとを含み得、第２ＲＰＮ（未図示）の補助を受けて動作することができる。また、前記第２−２ニューラルネットワーク１４２−２は、コンカチネーティング（ｃｏｎｃａｔｅｎａｔｉｎｇ）レイヤ及び第２−２レイヤを含み得る。このような前記第２−１ニューラルネットワーク１４２−１及び前記第２−２ニューラルネットワーク１４２−２は、本発明の前記プランニング方法を遂行する前に、少なくとも一つの第２トレーニングイメージと、これに対応する少なくとも一つの第２ＧＴとを利用して学習され得る。この際、前記第２ニューラルネットワーク演算が前記モデリングイメージに適用され、前記第２−１ニューラルネットワーク１４２−１と、前記第２−２ニューラルネットワーク１４２−２との演算が順を追ってモデリングイメージに適用されるようにする。

具体的には、前記モデリングイメージが前記第２−１ニューラルネットワーク１４２−１に入力されると、前記第２−１コンボリューションレイヤと、前記第２−１プーリングレイヤと、前記第２−１ＦＣレイヤとの演算が前記モデリングイメージに順を追って適用され、（ｉ）前記対象自律走行車両に関連した前記妨害車両の相対速度情報、（ｉｉ）前記妨害車両のクラスに対応するカテゴリ情報、及び（ｉｉｉ）前記妨害車両の体積と質量とのうちの少なくとも一部に対応する加速変数情報を生成するようにし得る。以降、前記相対速度情報と、前記カテゴリ情報と、前記加速変数情報とに加えて、後から説明される、前記中央サーバ２００から前記Ｖ２Ｘ通信モジュール１３０に転送されて取得された現在セクション平均速度情報が前記第２−２ニューラルネットワーク１４２−２に入力されると、前記相対速度情報と、前記カテゴリ情報と、前記加速変数情報と、前記現在セクション平均速度情報とを構成要素として含むコンカチネートされたベクトルが前記コンカチネーティングレイヤによって生成され得、前記コンカチネートされたベクトルに前記第２−２ＦＣレイヤの演算を適用することにより、前記加速能力情報が生成され得る。

この際、前記潜在的妨害予測モデルを生成するためには、前記加速能力情報以外にも前記現在速度情報がさらに必要になる。これにより、前記現在速度情報が取得されるプロセスについて説明する。前記第２−１の実施例の場合、前記現在速度情報は、前記Ｖ２Ｘ通信モジュールと連動して取得され得る。

前記コンピューティング装置１００は、前記Ｖ２Ｘ通信モジュール１３０をもって、前記中央サーバ２００によって生成された、速度比率情報及び前記現在セクション平均速度情報を取得するようにできる。この際、前記速度比率情報は、前記周辺車両と前記対象自律走行車両とが走行してきた道路の過去セクションそれぞれに対する平均速度それぞれと、前記過去セクションそれぞれ内の前記妨害車両の速度それぞれとを比較して生成されたものであり得る。また、前記現在セクション平均速度情報は、前記周辺車両と前記対象自律走行車両とが現在走行している道路の現在セクション内の車両の平均速度を計算することで生成されたものであり得る。このような前記現在セクション平均速度情報と前記速度比率情報は、前記妨害車両の前記現在速度情報を取得するために参照され得る。この過程について、図４をもとに具体的に説明する。

図４は、本発明の一例に係る前記Ｖ２Ｘ通信及び前記イメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している前記道路状況で、前記自律走行をプランニングする方法を遂行するために利用される前記妨害車両の現在速度情報が、前記現在セクション平均速度情報を利用して生成されるプロセスの概略的な例示図面である。

図４を参照にすれば、第１セクションの第２平均速度（Ｖ_ＡＶＥ１）が９５ｋｍ／ｈ、第２セクションの第２平均速度（Ｖ_ＡＶＥ２）は９８ｋｍ／ｈ、第３セクションの第３平均速度（Ｖ_ＡＶＥ３）は１０２ｋｍ／ｈである場合、前記第１セクションで、前記妨害車両の第１速度（Ｖ_ｉ１）は６１ｋｍ／ｈ、前記第２セクションでの前記妨害車両の第２速度（Ｖ_ｉ２）は６５ｋｍ／ｈ、第３セクションでの前記妨害車両の第３速度（Ｖ_ｉ３）は６８ｋｍ／ｈであることが確認できる。この場合、前記速度比率情報は

と生成され得、この際、現在セクションである第４セクションの第４平均速度（Ｖ_ＡＶＥ４）が１０１ｋｍ／ｈなので、前記現在速度情報は

で生成されることができる。

このような前記現在セクション平均速度情報と前記速度比率情報とは、各セクションを分けた各地点に設置されたそれぞれのカメラを用いて生成されることができる。具体的に、前記中央サーバ２００は（ｉ）通り過ぎる車両それぞれをその登録番号と外観情報を利用して特定し、（ｉｉ）前記通り過ぎる車両それぞれの速度を測定するための、それぞれの前記セクションを通過するためにかかった時間を計算して、（ｉｉｉ）前記現在セクション平均速度情報を含む、それぞれの前記セクションに関するセクション平均速度情報を生成することができる。前記妨害車両の前記速度比率情報生成の場合、前記セクション平均速度情報それぞれを利用して、通り過ぎる車両それぞれに対する一般速度比率情報がそれぞれの前記セクションごとに準備された状態であり得る。すべての前記通り過ぎる車両の前記一般的な速度比率情報が準備されるので、前記中央サーバ２００が前記Ｖ２Ｘ通信モジュール１３０から、前記車両識別子情報及び前記車両外観情報のように、前記通り過ぎる車両のうちの前記妨害車両を特定するための情報を取得すると、前記一般速度比率情報のうちの前記妨害車両の前記速度比率情報が選択されて前記コンピューティング装置１００に転送され得る。

このような前記現在速度情報が取得されると、前記加速能力情報とともに参照され、前記潜在的妨害予測モデルが生成され得る。

前記第２−１実施例について詳述したので、前記イメージの処理モジュール１４０に対応する前記第２−２実施例について説明する。

前記第２−２実施例の場合、前記第２ニューラルネットワーク１４２は、前記現在速度情報を出力するための一つ以上のノードを前記第２−２ＦＣレイヤ内に含むように構成されている状態で、ＧＴ現在速度情報を含む修正された第２ＧＴを利用して学習された状態であり得る。この場合、前記コンピューティング装置１００が、前記イメージ処理モジュール１４０に含まれた前記第２ニューラルネットワークをもって、前記第２ニューラルネットワーク演算を前記モデリングイメージに適用して前記加速能力情報と共に前記現在速度情報を生成した後、前記現在速度情報及び前記加速能力情報を前記プランニングモジュール１５０に伝送するようにし得る。その後、前記コンピューティング装置は、前記プランニングモジュール１５０をもって、前記現在速度と前記加速能力情報とを参照して前記潜在的妨害予測モデルを生成するようにすることができる。

前記第２−３実施例の場合、前記Ｖ２Ｘ通信モジュール１３０を主に利用して前記加速能力情報と前記現在速度情報とが取得され得る。すなわち、前記コンピューティング装置１００は、前記Ｖ２Ｘ通信モジュール１３０をもって、前記中央サーバ２００と通信するようにし、前記加速能力情報と、前記速度比率情報と、前記現在セクション平均速度情報とを取得するようにできる。その後、前記コンピューティング装置１００は、前記Ｖ２Ｘ通信モジュール１３０をもって、前記速度比率情報及び前記現在セクション平均速度情報を利用して計算された、前記妨害車両の前記加速能力情報と前記妨害車両の前記現在速度情報とを伝送するようにし、前記プランニングモジュール１５０をもって、前記加速能力情報と前記現在速度情報とを参照にして、前記潜在的妨害予測モデルを生成するようにすることができる。本実施例で、前記中央サーバ２００は、各前記セクションの間の地点に設置されたそれぞれの前記カメラを利用して、前記妨害車両を含む前記通り過ぎる車両の積載量とカテゴリに関する情報とを取得して前記加速能力情報を生成し、これを前記コンピューティング装置１００に伝送することができる。

前述したそれぞれの実施例で提示された方法を通じて前記加速能力情報と前記現在速度情報とが取得されると、前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、（ｉ）前記対象自律走行車両が前記潜在的妨害走行を避けるための時間に対応するＴＴＣ値、（ｉｉ）前記加速能力情報、及び（ｉｉｉ）前記現在速度情報を参照にして、予測速度範囲情報を生成させることにより、前記予測速度範囲情報を含む前記潜在的妨害予測モデルを生成するようにすることができる。

前記ＴＴＣ値に対応する前記時間の範囲内で前記妨害車両の最高速度及び最低速度に関する情報を含む前記予測速度範囲情報は、前記計算式により生成され得、前記潜在的妨害予測モデルを生成するために利用され得る。以降、前記対象自律走行車両の前方で走行する前記妨害車両の速度に対応する前記潜在的妨害走行は、前記潜在的妨害予測モデルを利用して予測され得る。

前記潜在的妨害走行が予測された後、前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、前記潜在的妨害走行を避けるために、前記現在最適化経路情報を修正して更新最適化経路情報を生成するようにすることができる。一例として、前記潜在的妨害走行が、前記妨害車両が前記相手自律走行車両の前方で同一車線をゆっくり走行する可能性があると表れれば、前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、前記対象自律走行車両がある現在車道の左側及び右側のうちの少なくとも一つに位置した少なくとも一つの近隣周辺車道の車道平均速度情報を取得するようにすることができる。このような前記車道平均速度情報は、各前記セクションの間に位置した前記カメラを利用して取得された可能性があり、前記Ｖ２Ｘ通信モジュール１３０をもって前記中央サーバ２００から前記プランニングモジュール１５０へ転送されたものであり得る。

その後、前記コンピューティング装置１００は、前記プランニングモジュール１５０をもって、前記車道平均速度情報を参照にして、前記潜在的妨害走行を避けるために、前記近隣車道に対応して実行される回避走行が追加されるように前記現在最適化経路情報を修正することで、前記更新最適化経路情報を生成するようにし得る。前記車道平均速度情報は、追い越しにより適した車線を見つけるために利用されたものであり得る。図５をもとに、前記車道平均速度情報の利用に関する例示を確認する。

図５は、本発明の一例に係る前記Ｖ２Ｘ通信及び前記イメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している前記道路状況で、前記自律走行をプランニングする方法を遂行するために利用される最適化経路情報を修正する方式を概略的に示した図面である。

図５を参照にすると、前記左側に位置した車道の平均速度が前記右側に位置した車線平均速度より速いことを確認することができる。このような場合、前記左側に位置した車道を選択することが追い越しにより適している。したがって、前記左側に位置する車線が選択されるであり、前記左側に位置する車線を利用した前記回避走行は前記現在最適化経路情報に追加され、前記更新最適化経路情報が生成されるであろう。

前述したものと同じ前記プランニング手法を利用して、前記Ｖ２Ｘ通信が可能な車両と、前記Ｖ２Ｘ通信が不可能な車両とが混在している道路状況でも、自律走行が効率的に行われることができるであろう。

また、以上で説明された本発明に係る実施例は、多様なコンピュータ構成要素を通じて遂行できるプログラム命令語の形態で実装されてコンピュータ読取り可能な記録媒体に記録され得る。前記コンピュータで読取り可能な記録媒体はプログラム命令語、データファイル、データ構造などを単独でまたは組み合わせて含まれ得る。前記コンピュータ読取り可能な記録媒体に記録されるプログラム命令語は、本発明のために特別に設計されて構成されたものであるか、コンピュータソフトウェア分野の当業者に公知となって使用可能なものでもよい。コンピュータで判読可能な記録媒体の例には、ハードディスク、フロッピィディスク及び磁気テープのような磁気媒体、ＣＤ−ＲＯＭ、ＤＶＤのような光記録媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌｄｉｓｋ）のような磁気−光媒体（ｍａｇｎｅｔｏ−ｏｐｔｉｃａｌｍｅｄｉａ）、およびＲＯＭ、ＲＡＭ、フラッシュメモリなどといったプログラム命令語を格納して遂行するように特別に構成されたハードウェア装置が含まれる。プログラム命令語の例には、コンパイラによって作られるもののような機械語コードだけでなく、インタプリタなどを用いてコンピュータによって実行され得る高級言語コードも含まれる。前記ハードウェア装置は、本発明に係る処理を遂行するために一つ以上のソフトウェアモジュールとして作動するように構成され得、その逆も同様である。

以上、本発明が具体的な構成要素などのような特定事項と限定された実施例及び図面によって説明されたが、これは本発明のより全般的な理解を助けるために提供されたものであるに過ぎず、本発明が前記実施例に限られるものではなく、本発明が属する技術分野において通常の知識を有する者であれば係る記載から多様な修正及び変形が行われ得る。

従って、本発明の思想は前記説明された実施例に局限されて定められてはならず、後述する特許請求の範囲だけでなく、本特許請求の範囲と均等または等価的に変形されたものすべては、本発明の思想の範囲に属するといえる。

Claims (26)

1. Ｖ２Ｘ（Ｖｅｈｉｃｌｅ−ｔｏ−ｅｖｅｒｙｔｈｉｎｇ）通信及びイメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している道路状況で自律走行をプランニング（ｐｌａｎｎｉｎｇ）する方法において、
   （ａ）コンピューティング装置が、プランニングモジュールをもって、Ｖ２Ｘ通信モジュール及びイメージ処理モジュールの中の少なくとも一つと連動して、（ｉ）前記コンピュータ装置に対応する対象自律走行車両から距離閾値より近い距離に位置し、前記Ｖ２Ｘ通信が可能な一つ以上の第１車両を含む第１群、及び（ｉｉ）前記対象自律走行車両から前記距離閾値より近い距離に位置し、前記Ｖ２Ｘ通信が不可能な一つ以上の第２車両を含む第２群のうち、少なくとも一部を含む周辺車両の中の少なくとも一部に対する認識情報を取得するようにする段階；
   （ｂ）前記コンピューティング装置が、前記プランニングモジュールをもって、前記対象自律走行車両に対する現在最適化経路情報及び前記認識情報を参照にして、前記周辺車両のうち、前記対象自律走行車両を妨害する確率が確率閾値以上の車両である少なくとも一つの妨害車両を選択するようにする段階；及び
   （ｃ）前記コンピューティング装置が、前記プランニングモジュールをもって、前記Ｖ２Ｘ通信モジュール及び前記イメージ処理モジュールの中の少なくとも一つと連動して前記妨害車両に対する潜在的妨害予測モデルを生成するようにし、前記潜在的妨害予測モデルを参照に予測される前記妨害車両の潜在的妨害走行を避けるために、前記現在最適化経路情報を修正することで、前記対象自律走行車両に対する更新最適化経路情報を生成するようにする段階；
   を含むことを特徴とする方法。
2. 前記（ａ）段階で、
   前記コンピューティング装置が、前記イメージ処理モジュールに含まれた第１ニューラルネットワークをもって、前記対象自律走行車両に設置された少なくとも一つのカメラによって、前記対象自律走行車両からの少なくとも一つの方向に対応する少なくとも一つの状況イメージを取得するようにし、前記状況イメージに一つ以上の第１ニューラルネットワーク演算を適用して、前記認識の情報を生成した後、前記認識情報を前記プランニングモジュールに伝送し、前記認識情報は、（ｉ）車両識別子情報、（ｉｉ）車両外観情報、及び（ｉｉｉ）前記対象自律走行車両からの車両相対位置情報のうちの少なくとも一部を含むことを特徴とする請求項１に記載の方法。
3. 前記（ｂ）段階で、
   前記コンピューティング装置が、前記プランニングモジュールをもって、（ｉ）前記対象自律走行車両が時間閾値内に走行する方向についての予定走行方向情報を利用して予定走行方向ベクトルを生成し、前記周辺車両の中の少なくとも一部に対応する前記車両相対位置情報を利用して一つ以上の相対位置ベクトルを生成し、（ｉｉ）前記予定走行方向ベクトルとそれぞれの前記相対位置ベクトルとの間のそれぞれの類似点数を生成するようにした後、（ｉｉｉ）前記周辺車両のうち、閾値類似点数以上の特定類似点数を有する少なくとも一つの特定周辺車両を前記妨害車両として選択させることを特徴とする請求項２に記載の方法。
4. 前記（ｂ）段階で、
   前記コンピューティング装置が、前記プランニングモジュールをもって、前記イメージ処理モジュールによって取得された前記状況イメージ上で前記周辺車両を含むバウンディングボックスの位置に対する情報を参照にして、少なくとも一つの特定の周辺車両を前記の妨害車両として選択するようにし、前記特定周辺車両に対応する部分イメージは、前記対象自律走行車両のある道路の現在車道に対応する、前記状況イメージの現在車道領域内に位置することを特徴とする請求項２に記載の方法。
5. 前記（ｃ）段階で、
   前記コンピューティング装置が、前記妨害車両が前記第２群に属する場合、（ｉ）前記イメージ処理モジュールをもって、（ｉ−１）前記対象自律走行車両に設置された少なくとも一つのカメラによって、前記妨害車両を含むモデリングイメージを取得するようにし、（ｉ−２）上前モデリングイメージに一つ以上の第２ニューラルネットワーク演算を適用して前記妨害車両の加速能力情報を生成し、前記加速能力情報を前記プランニングモジュールに伝送するようにし、（ｉｉ）前記プランニングモジュールをもって、前記イメージ処理モジュール及び前記Ｖ２Ｘ通信モジュールの中の少なくとも一つを利用して取得された前記妨害車両の現在速度情報及び前記加速能力情報を参照にして、前記潜在的妨害予測モデルを生成するようにすることを特徴とする請求項１に記載の方法。
6. 前記（ｃ）段階で、
   前記コンピューティング装置が、（Ｉ）前記イメージ処理モジュールに含まれた第２ニューラルネットワークをもって、前記対象自律走行車両の自車速度情報を追加で参照にして、前記モデリングイメージに前記第２ニューラルネットワーク演算の少なくとも一部である一つ以上の第２−１ニューラルネットワーク演算を適用することで、（ｉ）前記対象自律走行車両に関連した前記妨害車両の相対速度情報、（ｉｉ）前記妨害車両のクラスに対応するカテゴリ情報、及び（ｉｉｉ）前記妨害車両の体積と質量とのうち、少なくとも一部に対応する加速変数情報を生成するようにし、（ＩＩ）前記第２ニューラルネットワークをもって、前記車両相対速度情報、前記カテゴリ情報及び前記加速変数情報を構成要素として含む、コンカチネート（ｃｏｎｃａｔｅｎａｔｅ）されたベクトルに前記第２ニューラルネットワーク演算の少なくとも一部である一つ以上の第２−２ニューラルネットワーク演算を適用することで前記妨害車両の前記加速能力情報を生成するようにすることを特徴とする請求項５に記載の方法。
7. 前記（ｃ）段階で、
   前記コンピューティング装置が、前記第２ニューラルネットワークをもって、前記周辺車両と前記対象自律走行車両とが現在走行している道路の現在セクション内の車両の平均速度に対する、現在セクション平均速度情報をさらに含む前記コンカチネートされたベクトルに前記第２−２ニューラルネットワーク演算を適用することで前記加速能力情報を生成することを特徴とする請求項６に記載の方法。
8. 前記コンピューティング装置が、前記プランニングモジュールをもって、前記妨害車両の速度比率情報と現在セクション平均速度情報とを参照として生成された、前記加速能力情報と前記現在速度情報とを参照して前記潜在的妨害予測モデルを生成し、前記速度比率情報は、前記周辺車両と前記対象自律走行車両とが走行してきた道路の過去セクションそれぞれに対する平均速度それぞれと、前記過去セクションそれぞれ内の前記妨害車両の速度それぞれとを比較することにより生成された後、中央サーバから前記Ｖ２Ｘ通信モジュールに転送され、前記現在セクション平均速度情報は、前記周辺車両と前記対象自律走行車両とが現在走行している道路の現在セクション内の車両の平均速度を計算することで生成された後、前記中央サーバから前記Ｖ２Ｘ通信モジュールへ転送されたことを特徴とする請求項５に記載の方法。
9. 前記コンピューティング装置が、前記第２ニューラルネットワークをもって、前記第２ニューラルネットワーク演算を前記モデリングイメージに適用して前記加速能力情報と共に前記現在速度情報を生成した後、前記現在速度情報及び前記加速能力情報を前記プランニングモジュールに伝送するようにし、前記プランニングモジュールをもって、前記現在速度情報及び前記加速能力情報を参照にして前記潜在的妨害予測モデルを生成するようにすることを特徴とする請求項５に記載の方法。
10. 前記コンピューティング装置が、前記プランニングモジュールをもって、（ｉ）前記対象自律走行車両が前記潜在的妨害走行を避けるための時間に対応するＴＴＣ値、（ｉｉ）前記加速能力情報、及び（ｉｉｉ）前記現在速度情報を参照にして、予測速度範囲情報を生成させることにより、前記予測速度範囲情報を含む前記潜在的妨害予測モデルを生成するようにすることを特徴とする請求項５に記載の方法。
11. 前記（ｃ）段階で、
    前記コンピューティング装置が、前記妨害車両が前記第２群に属する場合、前記Ｖ２Ｘ通信モジュールをもって、（ｉ）前記中央サーバから、（ｉ−１）前記妨害車両の加速能力情報、（ｉ−２）前記周辺車両と前記対象自律走行車両とが走行してきた道路の過去セクションそれぞれに対する平均速度それぞれと、前記過去セクションそれぞれ内の前記妨害車両の速度それぞれとを比較して生成された妨害車両の速度比較情報、及び（ｉ−３）前記現在セクション内の車両の平均速度を計算して生成された現在セクション平均速度情報を取得するようにし、（ｉｉ）前記速度比率情報及び現在セクション平均速度情報を参照にして前記妨害車両の現在速度情報を生成するようにした後、（ｉｉｉ）前記現在速度情報及び前記加速能力情報を参照にして前記潜在的妨害予測モデルを生成するようにすることを特徴とする 請求項１に記載の方法。
12. 前記（ｃ）段階で、
    前記コンピューティング装置が、前記妨害車両が前記第１群に属する場合、前記Ｖ２Ｘ通信モジュールをもって、前記妨害車両と通信することで前記妨害車両の予定経路情報を取得するようにして、前記プランニングモジュールをもって、前記予定経路情報を参照にして前記潜在的妨害予測モデルを生成するようにすることを特徴とする請求項１に記載の方法。
13. 前記（ｃ）段階で、
    前記コンピューティング装置が、前記プランニングモジュールをもって、（ｉ）前記対象自律走行車両のある現在車道の左側及び右側のうち少なくとも一つに位置している少なくとも一つの近隣車道の車道平均速度情報を取得するようにし、（ｉｉ）前記車道平均速度情報を参照にして、前記潜在的妨害走行を避けるために、前記近隣車道に対応して実行される回避走行が追加されるように前記現在最適化経路情報を修正することで、前記更新最適化経路情報を生成させることを特徴とする請求項１に記載の方法。
14. Ｖ２Ｘ（Ｖｅｈｉｃｌｅ−ｔｏ−ｅｖｅｒｙｔｈｉｎｇ）通信及びイメージ処理を利用して、前記Ｖ２Ｘ通信が可能な車両と前記Ｖ２Ｘ通信が不可能な車両とが混在している道路状況で自律走行をプランニングするコンピューティング装置において、
    各インストラクションを格納する少なくとも一つのメモリ；及び
    （Ｉ）プランニングモジュールをもって、Ｖ２Ｘ通信モジュール及びイメージ処理モジュールの中の少なくとも一つと連動して、（ｉ）前記コンピュータ装置に対応する対象自律走行車両から距離閾値より近い距離に位置し、前記Ｖ２Ｘ通信が可能な一つ以上の第１車両を含む第１群、及び（ｉｉ）前記対象自律走行車両から前記距離閾値より近い距離に位置し、前記Ｖ２Ｘ通信が不可能な一つ以上の第２車両を含む第２群のうち、少なくとも一部を含む周辺車両の中の少なくとも一部に対する認識情報を取得するようにするプロセス、（ＩＩ）前記プランニングモジュールをもって、前記対象自律走行車両に対する現在最適化経路情報及び前記認識情報を参照にして、前記周辺車両のうち、前記対象自律走行車両を妨害する確率が確率閾値以上の車両である少なくとも一つの妨害車両を選択するようにするプロセス、及び（ＩＩＩ）前記プランニングモジュールをもって、前記Ｖ２Ｘ通信モジュール及び前記イメージ処理モジュールの中の少なくとも一つと連動して前記妨害車両に対する潜在的妨害予測モデルを生成するようにし、前記潜在的妨害予測モデルを参照に予測される前記妨害車両の潜在的妨害走行を避けるために前記現在最適化経路情報を修正することで、前記対象自律走行車両に対する更新最適化経路情報を生成するようにするプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ；
    を含むことを特徴とするコンピューティング装置。
15. 前記（Ｉ）プロセスで、
    前記プロセッサが、前記イメージ処理モジュールに含まれた第１ニューラルネットワークをもって、前記対象自律走行車両に設置された少なくとも一つのカメラによって、前記対象自律走行車両からの少なくとも一つの方向に対応する少なくとも一つの状況イメージを取得するようにし、前記状況イメージに一つ以上の第１ニューラルネットワーク演算を適用して、前記認識の情報を生成した後、前記認識情報を前記プランニングモジュールに伝送し、前記認識情報は、（ｉ）車両識別子情報、（ｉｉ）車両外観情報、及び（ｉｉｉ）前記対象自律走行車両からの車両相対位置情報のうちの少なくとも一部を含むことを特徴とする請求項１４に記載のコンピューティング装置。
16. 前記（ＩＩ）プロセスで、
    前記プロセッサが、前記プランニングモジュールをもって、（ｉ）前記対象自律走行車両が時間閾値内に走行する方向についての予定走行方向情報を利用して予定走行方向ベクトルを生成し、前記周辺車両の中の少なくとも一部に対応する前記車両相対位置情報を利用して一つ以上の相対位置ベクトルを生成し、（ｉｉ）前記予定走行方向ベクトルとそれぞれの前記相対位置ベクトルとの間のそれぞれの類似点数を生成するようにした後、（ｉｉｉ）前記周辺車両のうち、閾値類似点数以上の特定類似点数を有する少なくとも一つの特定周辺車両を前記妨害車両として選択させることを特徴とする請求項１５に記載のコンピューティング装置。
17. 前記（ＩＩ）プロセスで、
    前記プロセッサが、前記プランニングモジュールをもって、前記イメージ処理モジュールによって取得された前記状況イメージ上で前記周辺車両を含むバウンディングボックスの位置に対する情報を参照にして、少なくとも一つの特定の周辺車両を前記の妨害車両として選択するようにし、前記特定周辺車両に対応する部分イメージは、前記対象自律走行車両のある道路の現在車道に対応する、前記状況イメージの現在車道領域内に位置することを特徴とする請求項１５に記載のコンピューティング装置。
18. 前記（ＩＩＩ）プロセスで、
    前記プロセッサが、前記妨害車両が前記第２群に属する場合、（ｉ）前記イメージ処理モジュールをもって、（ｉ−１）前記対象自律走行車両に設置された少なくとも一つのカメラによって、前記妨害車両を含むモデリングイメージを取得するようにし、（ｉ−２）上前モデリングイメージに一つ以上の第２ニューラルネットワーク演算を適用して前記妨害車両の加速能力情報を生成し、前記加速能力情報を前記プランニングモジュールに伝送するようにし、（ｉｉ）前記プランニングモジュールをもって、前記イメージ処理モジュール及び前記Ｖ２Ｘ通信モジュールの中の少なくとも一つを利用して取得された前記妨害車両の現在速度情報及び前記加速能力情報を参照にして、前記潜在的妨害予測モデルを生成するようにすることを特徴とする請求項１４に記載のコンピューティング装置。
19. 前記（ＩＩＩ）プロセスで、
    前記プロセッサが、（ｉ）前記イメージ処理モジュールに含まれた第２ニューラルネットワークをもって、前記対象自律走行車両の自車速度情報を追加で参照にして、前記モデリングイメージに前記第２ニューラルネットワーク演算の少なくとも一部である一つ以上の第２−１ニューラルネットワーク演算を適用することで、（ｉ−１）前記対象自律走行車両に関連した前記妨害車両の相対速度情報、（ｉ−２）前記妨害車両のクラスに対応するカテゴリ情報、及び（ｉ−３）前記妨害車両の体積と質量とのうち、少なくとも一部に対応する加速変数情報を生成するようにし、（ｉｉ）前記第２ニューラルネットワークをもって、前記車両相対速度情報、前記カテゴリ情報及び前記加速変数情報を構成要素として含む、コンカチネート（ｃｏｎｃａｔｅｎａｔｅ）されたベクトルに前記第２ニューラルネットワーク演算の少なくとも一部である一つ以上の第２−２ニューラルネットワーク演算を適用することで前記妨害車両の前記加速能力情報を生成するようにすることを特徴とする請求項１８に記載のコンピューティング装置。
20. 前記（ＩＩＩ）プロセスで、
    前記プロセッサが、前記第２ニューラルネットワークをもって、前記周辺車両と前記対象自律走行車両とが現在走行している道路の現在セクション内の車両の平均速度に対する、現在セクション平均速度情報をさらに含む前記コンカチネートされたベクトルに前記第２−２ニューラルネットワーク演算を適用することで前記加速能力情報を生成することを特徴とする請求項１９に記載のコンピューティング装置。
21. 前記プロセッサが、前記プランニングモジュールをもって、前記妨害車両の速度比率情報と現在セクション平均速度情報とを参照として生成された、前記加速能力情報と前記現在速度情報とを参照して前記潜在的妨害予測モデルを生成し、前記速度比率情報は、前記周辺車両と前記対象自律走行車両とが走行してきた道路の過去セクションそれぞれに対する平均速度それぞれと、前記過去セクションそれぞれ内の前記妨害車両の速度それぞれとを比較することにより生成された後、中央サーバから前記Ｖ２Ｘ通信モジュールに転送され、前記現在セクション平均速度情報は、前記周辺車両と前記対象自律走行車両とが現在走行している道路の現在セクション内の車両の平均速度を計算することで生成された後、前記中央サーバから前記Ｖ２Ｘ通信モジュールへ転送されたことを特徴とする請求項１８に記載のコンピューティング装置。
22. 前記プロセッサが、前記第２ニューラルネットワークをもって、前記第２ニューラルネットワーク演算を前記モデリングイメージに適用して前記加速能力情報と共に前記現在速度情報を生成した後、前記現在速度情報及び前記加速能力情報を前記プランニングモジュールに伝送するようにし、前記プランニングモジュールをもって、前記現在速度情報及び前記加速能力情報を参照にして前記潜在的妨害予測モデルを生成するようにすることを特徴とする請求項１８に記載のコンピューティング装置。
23. 前記プロセッサが、前記プランニングモジュールをもって、（ｉ）前記対象自律走行車両が前記潜在的妨害走行を避けるための時間に対応するＴＴＣ値、（ｉｉ）前記加速能力情報、及び（ｉｉｉ）前記現在速度情報を参照にして、予測速度範囲情報を生成させることにより、前記予測速度範囲情報を含む前記潜在的妨害予測モデルを生成するようにすることを特徴とする請求項１８に記載のコンピューティング装置。
24. 前記（ＩＩＩ）プロセスで、
    前記プロセッサが、前記妨害車両が前記第２群に属する場合、前記Ｖ２Ｘ通信モジュールをもって、（ｉ）前記中央サーバから、（ｉ−１）前記妨害車両の加速能力情報、（ｉ−２）前記周辺車両と前記対象自律走行車両とが走行してきた道路の過去セクションそれぞれに対する平均速度それぞれと、前記過去セクションそれぞれ内の前記妨害車両の速度それぞれとを比較して生成された妨害車両の速度比較情報、及び（ｉ−３）前記現在セクション内の車両の平均速度を計算して生成された現在セクション平均速度情報を取得するようにし、（ｉｉ）前記速度比率情報及び現在セクション平均速度情報を参照にして前記妨害車両の現在速度情報を生成するようにした後、（ｉｉｉ）前記現在速度情報及び前記加速能力情報を参照にして前記潜在的妨害予測モデルを生成するようにすることを特徴とする請求項１４に記載のコンピューティング装置。
25. 前記（ＩＩＩ）プロセスで、
    前記プロセッサが、前記妨害車両が前記第１群に属する場合、前記Ｖ２Ｘ通信モジュールをもって、前記妨害車両と通信することで前記妨害車両の予定経路情報を取得するようにして、前記プランニングモジュールをもって、前記予定経路情報を参照にして前記潜在的妨害予測モデルを生成するようにすることを特徴とする 請求項１４に記載のコンピューティング装置。
26. 前記（ＩＩＩ）プロセスで、
    前記プロセッサが、前記プランニングモジュールをもって、（ｉ）前記対象自律走行車両のある現在車道の左側及び右側のうち少なくとも一つに位置している少なくとも一つの近隣車道の車道平均速度情報を取得するようにし、（ｉｉ）前記車道平均速度情報を参照にして、前記潜在的妨害走行を避けるために、前記近隣車道に対応して実行される回避走行が追加されるように前記現在最適化経路情報を修正することで、前記更新最適化経路情報を生成させることを特徴とする請求項１４に記載のコンピューティング装置。