JP2021103160A - 自律走行車意味マップ確立システム及び確立方法 - Google Patents

Abstract

【課題】自動的で効率的なマップ作成機能を提供する、自律走行車意味マップ確立システム及びその確立方法を提供する。【解決手段】本発明は、自律走行車意味マップ確立システム及び自律走行車意味マップ確立方法を提供する。自律走行車意味マップ確立システムは、画像捕捉モジュールと、測位モジュールと、メモリと、プロセッサとを含む。画像捕捉モジュールは現在の道路画像を取得する。測位モジュールは現在の道路画像に対応する測位データを取得する。メモリは三次元（３Ｄ）マップデータを記憶する。３Ｄマップデータは複数のポイントクラウドデータを含む。プロセッサはメモリにアクセスする。プロセッサは、現在の道路画像を分析して、現在の道路画像中の特定の交通物体の物体情報を識別する。プロセッサは、測位データに応じて、交通物体の物体情報を、３Ｄマップデータ中の特定物体に対応する複数のポイントクラウドデータ中の対応する複数のポイントに関係付ける。【選択図】図１

Description

技術分野
技術分野はマップ確立技術に関し、特に自律走行車（自動運転車）意味マップ（セマンティック・マップ、意味地図）確立システム及び自律走行車意味マップ確立方法に関する。

背景
現在、自律走行車が移動中である際に、自律走行車は大量のマップ（地図）情報をリアルタイムで分析して、効果的な自動運転を実現するための道路検出及び認識をリアルタイムで実行する必要がある。即ち、自律走行車の自動制御がリアルタイムの道路検出及び認識のみに依存する場合、大量の計算時間及び計算リソースを必要とする。従って、自律走行車意味マップによる自律走行車制御は、現在既知の技術における重要な研究方向である。しかし、現在、自律走行車意味マップは、三次元（３Ｄ：three dimensional）マップモデルによる手動設定を用いた描画によりユーザによって確立され、従って、大量の時間及び人的資源を必要とする。従って、自律走行車意味マップの確立コストは過度に高く、ヒューマンエラー（人的過誤）も存在し得る。図面を伴ういくつかの好適な実施形態を以下に詳細に記述して、本発明をさらに詳細に説明する。

技術的課題
本発明は、自律走行車意味マップ確立システム及びその確立方法を提供し、これらのシステム及び方法は自動的で効率的なマップ作成機能を提供することができる。

課題の解決策
本発明の自律走行車意味マップ確立システムは、画像捕捉モジュールと、測位モジュールと、メモリと、プロセッサとを含む。画像捕捉モジュールは、現在の道路画像を取得するように構成されている。測位モジュールは、現在の道路画像に対応する測位データを取得するように構成されている。メモリは、三次元（３Ｄ）マップデータを記憶するように構成されている。この３Ｄマップデータは、複数のポイントクラウド（点群）データを含む。プロセッサは、画像捕捉モジュール、測位モジュール、及びメモリに結合されている。プロセッサは、メモリにアクセスするように構成されている。プロセッサは、現在の道路画像を分析して、現在の道路画像中の特定物体の物体情報を識別する。プロセッサは、測位データに応じて、特定物体の物体情報を、３Ｄマップデータ中の特定物体に対応する複数のポイントクラウドデータ中の対応する複数のポイント（点）に関係付ける。

本発明の自律走行車意味マップ確立方法は次のステップを含む：現在の道路画像を取得するステップ；現在の道路画像に対応する測位データを取得するステップ；現在の道路画像を分析して、現在の道路画像中の特定物体の物体情報を識別するステップ；及び、測位データに応じて、特定物体の物体情報を、３Ｄマップデータ中の特定物体に対応する複数のポイントクラウドデータ中の対応する複数のポイントに関係付けるステップ。

発明の効果
以上の記述に基づけば、開示する自律走行車意味マップ確立システム及び確立方法では、自動運転を実行する際に、まず、現在の道路画像中の特定物体の物体情報を識別し、次に、特定物体の物体情報を３Ｄマップデータに関係付けて、自律走行車にとって使用可能な自律走行車意味マップを効果的に確立する。

本発明の上述した目的及び利点、及び他の目的及び利点をわかりやすくするために、図面を伴う実施形態を以下に詳細に説明する。

本発明の一実施形態による自律走行車意味マップ確立システムの概略図である。 本発明の一実施形態による自律走行車意味マップ確立方法のフローチャートである。 本発明の一実施形態による現在の道路画像の概略図である。 本発明の一実施形態によるマップ関係付け方法のフローチャートである。 本発明の一実施形態による現在の道路画像と三次元（３Ｄ）マップデータとの関係付けの概略図である、 本発明の一実施形態による、移動経路を計画するフローチャートである。 本発明の一実施形態による移動経路の計画の概略図である。

開示する実施形態の詳細な説明
本発明の上述した内容及び他の内容をわかりやすくするために、実施形態を以下に詳細に説明して、本発明を適用することができることを示す。それに加えて、可能な限り常に、図面及び実施形態中に用いる同じ装置／構成要素／ステップは同一または同様の部分を表す。

図１は、本発明の一実施形態による自律走行車意味マップ確立システムの概略図である、図１を参照すれば、自律走行車意味マップ確立システム１００が、プロセッサ１１０と、画像捕捉モジュール１２０と、測位モジュール１３０と、メモリ１４０とを含む。メモリは三次元（３Ｄ）マップデータ１４２を記憶するように構成されている。プロセッサ１１０は、画像捕捉モジュール１２０、測位モジュール１３０、及びメモリ１４０に結合されている。本実施形態では、自律走行車意味マップ確立システム１００を自律走行車内に構成することができる。自律走行車は、例えば、自動運転車、自律船（自律運航船、自動運航船）、または無人航空機（ＵＡＶ：unmanned aerial vehicle）、及び自動運転を実現することができる他の装置とすることができる。自律走行車が経路上を移動中である際に、画像捕捉モジュール１２０は連続的に道路画像を即時に捕捉して、これらの道路画像を分析用にプロセッサ１１０に提供することができる。同時に、測位モジュール１３０は連続的に測位データをプロセッサ１１０に即時に提供することができる。従って、プロセッサ１１０は、道路画像の分析結果における対応する測位データに応じて、特定の物体情報を３Ｄマップデータ１４２中に関係付けて、効率的なマップの関係付けを実現することができる。それに加えて、自動運転を実行する際に、特定の物体情報に関係付けられた３Ｄマップデータ１４２を自律走行車に提供して、読み込んで使用させることができる。

本実施形態では、プロセッサ１１０は、例えば、中央処理装置（ＣＰＵ：central processing unit）あるいは汎用または専用の他のプログラマブル（プログラム可能）なマイクロプロセッサ、デジタルシグナルプロセッサ（ＤＳＰ：digital signal processor）、プログラマブル・コントローラ、特定用途向け集積回路（ＡＳＩＣ：application specific integrated circuit）、プログラマブル論理デバイス（ＰＬＤ：programmable logic device）、他の同様な処理装置、あるいは上述した装置の任意の組合せとすることができる。

本実施形態では、画像捕捉モジュール１２０は、例えばカメラとすることができ、例えば、自律走行車上の辺縁部に構成して、車両の周辺領域のリアルタイム道路画像（二次元画像）をプロセッサ１１０に提供することができる。プロセッサ１１０は、例えば、リアルタイム道路画像の形状を識別し画像を分析して、リアルタイム道路画像中の特定物体の物体分類を識別することができる。

本実施形態では、測位モジュール１３０は、例えば、ライダー（Ｌｉｄａｒ：light detection and ranging：光による検知及び測距）マップ上の自律走行車の領域座標（相対位置）をライダーマップから取得することができ、あるいは、例えば全地球測位システム（ＧＰＳ：Global Positioning System）を用いることによって経度及び緯度の座標を取得することができる。それに加えて、測位モジュール１３０を自律走行車上に構成して、自律走行車の測位データを即時にプロセッサ１１０に提供することができる。プロセッサ１１０は、以下の実施形態において説明するポイントクラウドデータの射影及びマップ関係付けの利用の便宜のために、例えば、測位データに対応して、３Ｄマップデータ１４２中のリアルタイム道路画像に対応する３Ｄ経路モデルにアクセスすることができる。

本実施形態では、メモリ１４０は、例えばダイナミック・ランダムアクセスメモリ（ＤＲＡＭ：Dynamic Random Access Memory）、フラッシュメモリ、または不揮発性ランダムアクセスメモリ（ＮＶＲＡＭ：Non-Volatile Random Access Memory）等とすることができる。本実施形態では、メモリ１４０は、プロセッサ１１０によって読み込まれて実行される３Ｄマップデータ１４２、関連する画像処理プログラム、及び画像データを記憶するように構成することができる。

なお、本実施形態では、３Ｄマップデータ１４２を３Ｄポイントクラウドモデルとすることができ、この３Ｄポイントクラウドモデルは、事前に経路上でライダー装置によって検出した後に確立することができる。本発明は、３Ｄマップデータ１４２を取得する形式を限定しない。３Ｄポイントクラウドモデルの各ポイントの元のポイントクラウドデータは、例えば３Ｄ座標データ、強度データ、または色彩データ、等を含むことができる。それに加えて、本実施形態における自律走行車意味マップ確立システム１００は、さらに、上記特定物体の物体情報を、３Ｄポイントクラウドモデルの対応する特定のポイントクラウド内に関係付ける。

それに加えて、本実施形態では、自律走行車意味マップ確立システム１００のプロセッサ１１０、画像捕捉モジュール１２０、測位モジュール１３０、及びメモリ１４０の全部を自律走行車内に構成することができるが、本発明ではそれに限定されない。一実施形態では、画像捕捉モジュール１２０及び測位モジュール１３０を自律走行車内に構成することができ、プロセッサ１１０及びメモリ１４０はクラウドサーバー内に構成することができる。従って、自律走行車は、クラウドサーバーと無線通信して、現在の道路画像及び測位情報を計算用にクラウドサーバーに送信して、マップの関係付けを実行することができる。他の実施形態では、マップの関係付けを、事前に記録されている画像に応じて、他のコンピュータ装置によってオフライン状態で実行して、関連する関係付けたマップ情報を自律走行車にロードすることもできる。

図２は、本発明の一実施形態による自律走行車意味マップ確立方法のフローチャートである。図３は、本発明の一実施形態による現在の道路画像の概略図である。図１〜３を参照すれば、自律走行車意味マップ確立システム１００は、ステップＳ２１０〜Ｓ２４０を実行して自律走行車意味マップの確立を実現することができ、この確立は、図３中の自動運転車の前方の道路の画像を参照しながら以下に説明する。ステップＳ２１０では、自律走行車意味マップ確立システム１００が、画像捕捉モジュール１２０を用いることによって現在の道路画像３００を取得することができる。現在の道路画像３００は自動運転車の前方の現在の道路の画像である。ステップＳ２２０では、自律走行車意味マップ確立システム１００が、測位モジュール１３０を用いることによって、現在の道路画像３００に対応する測位データを取得することができる。即ち、測位モジュール１３０は自律走行車の現在位置の測位データを提供することができる。ステップＳ２３０では、プロセッサ１１０が現在の道路画像を分析して、現在の道路画像３００中の特定物体の物体情報を識別することができる。この場合、図３では、特定物体は道路画像中の特定の交通物体を参照することができ、物体情報はこの交通物体の交通物体情報を参照することができる。

なお、図３に示すように、現在の道路画像３００は、路面標示３１１〜３１３、３２２及び３３１〜３３３、道路境界線３２１及び３２３、交通標識３４０、街路樹３５１及び３５２、建物３６０等を含むことができ、これらは地面にある。本実施形態では、プロセッサ１１０が、深層学習（ディープラーニング）モジュールのような事前に学習させた機械学習（マシンラーニング）モジュールを用いることによって、現在の道路画像３００中の路面標示３１１〜３１３、３２２及び３３１〜３３３、道路境界線３２１及び３２３、及び交通標識３４０のような特定物体を識別して、これらの路面標示３１１〜３１３、３２２及び３３１〜３３３、道路境界線３２１及び３２３、及び交通標識３４０の物体情報を取得することができる。本実施形態では、上記交通物体情報が、路面標示３１１〜３１３、３２２及び３３１〜３３３、道路境界線３２１及び３２３の標示方向、交通標識３４０のそれぞれの位置、分類、及び形状のような情報、及び他の情報を含むことができ、本発明ではそれらに限定されない。

なお、本発明の特定物体はそれらに限定されない。自動運転車が道路上で運転中であるシナリオの例によれば、本発明の特定物体は、街路灯、交通標識、交通信号機、道路標識、駐車標識、道路境界線、道路標示、または他のこの種の物体とすることができる。それに加えて、街路樹３５１及び３５２、及び建物３６０は、自動運転車が関心のある地図情報ではないので、プロセッサ１１０は、不要なプロセッサ演算を効果的に低減するために、街路樹３５１及び３５２、及び建物３６０は識別しなくてもよい。それに加えて、他の実施形態では、路面標示３１１〜３１３、３２２及び３３１〜３３３、道路境界線３２１及び３２３、及び交通標識３４０の物体情報を、ユーザが手作業の編集によって入力することもできる。

ステップＳ２４０では、プロセッサ１１０が、測位データに応じて、特定物体の物体情報を、３Ｄマップデータ１４２中のこの特定物体に対応する複数のポイントクラウドデータ中の対応する複数のポイントに関係付けることができる。即ち、自律走行車意味マップ確立システム１００は、路面標示３１１〜３１３、３２２及び３３１〜３３３、及び道路境界線３２１及び３２３の複数の交通物体情報を、３Ｄマップデータ１４２中のこれらの路面標示３１１〜３１３、３２２及び３３１〜３３３、道路境界線３２１及び３２３、及び交通標識３４０に対応する３Ｄモデルの複数のポイントクラウドデータ中に書き込むことができる。この場合、自律走行車が自動運転を実行中である際に、自律走行車は、特定物体の物体情報に関係付けられた３Ｄマップデータ１４２に応じた自動運転の機能を実現することができる。しかし、本実施形態における交通物体情報の具体的な関係付け方法は、図４及び図５の実施形態を用いて詳細に説明する。

図４は、本発明の一実施形態によるマップ関係付け方法のフローチャートである。図５は、本発明の一実施形態による現在の道路画像と３Ｄマップデータとの関係付けの概略図である。図１、図４、及び図５を参照すれば、本実施形態では、自律走行車意味マップ確立システム１００がステップＳ４１０〜Ｓ４４０を実行してマップ関係付けを実現することができ、このマップ関係付けは、図５中の自動運転車の前方の道路の画像を参照しながら以下に説明する。ステップＳ４１０〜Ｓ４４０は、図２の実施形態におけるステップＳ２４０を拡張した実現例とすることもできる。本実施形態では、プロセッサ１１０が、事前設定された識別の閾値に応じて、現在の道路画像４００の一部分中の特定物体を分析することができることを明確にするべきである。この識別の閾値は、例えば、自律走行車の周辺領域の固定距離によって、あるいは自律走行車の地面からの固定の高さによって決定することができる。即ち、本実施形態では、自律走行車が連続して前進しているので、プロセッサ１００は自律走行車の前方の固定範囲内の道路画像をまず分析する。自律走行車が関心のある特定物体は、大部分が、自律走行車の付近の固定範囲内にあるので、あるいは特定面（例えば、地面）からの固定の高さよりも低いので、プロセッサ１１０は、自律走行車意味マップ確立システム１００の演算リソースを効果的に低減するために、道路画像中の重要でない領域を分析する必要がない。

図５中の現在の道路画像４００中に示すように、本実施形態のプロセッサ１１０は、基準線４０１よりも下方の道路画像を分析して識別するだけでよい。それに加えて、ステップＳ３２０では、プロセッサ１１０が、さらに、現在の道路画像４００中の特定物体について物体範囲を決定することができる。即ち、基準線４０１より下方の道路画像中に、プロセッサ１１０は、路面標示４１１〜４１３、４２２及び４３１〜４３３、道路境界線４２１及び４２３、及び交通標識４４０の物体範囲４１１Ｒ、４１２Ｒ、４２１Ｒ、４２２Ｒ、４２３Ｒ、４３１Ｒ、４３２Ｒ、及び４４０Ｒを規定することができる。それに加えて、図５中の３Ｄマップデータ５００中に示すように、３Ｄマップデータ５００は、路面標示モデル５１１〜５１３、５２２及び５３１〜５３３、道路境界線モデル５２１及び５２３、交通標識モデル５４０、街路樹モデル５５１及び５５２、及び建物モデル５６０を含み、これらのモデルは複数のポイントクラウドによって形成される。

上述した複数の前提条件に基づいて、自律走行車意味マップ確立システム１００は以下のステップＳ４１０〜Ｓ４４０を実行する。ステップＳ４１０では、プロセッサ１１０が、測位データに応じて、３Ｄマップデータ５００中にあり現在の道路画像４００に対応する、３Ｄマップデータの一部分５０１を読み込む。本実施形態では、３Ｄマップデータの一部分５０１は、３Ｄマップデータ５００中の現在の道路画像４００に対応する関心領域（ＲＯＩ：region of interest）の部分であり、このＲＯＩの範囲は、画像捕捉モジュール１２０の可視範囲及び／または設定角度に応じて決定することができる。ステップＳ４２０では、プロセッサ１１０が、３Ｄマップデータの一部分５０１中の対応する複数のポイントを現在の道路画像４００中に射影する。図５に示すように、プロセッサ１１０は、３Ｄマップデータの一部分５０１中の複数のポイントクラウドの各データポイント（データ点）の位置を、座標変換により、現在の道路画像４００（例えば、基準線４０１より下方の道路画像）中に射影する。

これに続いて、ステップＳ４３０では、プロセッサ１１０が、現在の道路画像４００中の物体範囲４１１Ｒ、４１２Ｒ、４２１Ｒ、４２２Ｒ、４２３Ｒ、４３１Ｒ、４３２Ｒ、及び４４０Ｒ内で上記対応する複数のポイントを決定する。即ち、プロセッサ１１０は、路面標示モデル５１１、５１２、５２２、５３１及び５３２、道路境界線モデル５２１及び５２３、及び交通標識モデル５４０に対応する複数のポイントクラウドを、物体範囲４１１Ｒ、４１２Ｒ、４２１Ｒ、４２２Ｒ、４２３Ｒ、４３１Ｒ、４３２Ｒ、及び４４０Ｒ内に残す。ステップＳ４４０では、プロセッサ１１０が、特定物体の物体情報を対応する複数のポイントに関係付ける。即ち、プロセッサ１１０は、路面標示４１１〜４１３、４２２及び４３１〜４３３、道路境界線４２１及び４２３、及び交通標識４４０のそれぞれの物体情報を、物体範囲４１１Ｒ、４１２Ｒ、４２１Ｒ、４２２Ｒ、４２３Ｒ、４３１Ｒ、４３２Ｒ、及び４４０Ｒ内の複数のポイントクラウドデータ中の対応する複数のポイントに関係付ける。それに加えて、本実施形態では、プロセッサ１１０が、上記関係付けられた複数のポイントクラウドデータを、メモリ１４０内の３Ｄマップデータ１４２中の路面標示モデル５１１、５１２、５２２、５３１及び５３２、道路境界線モデル５２１及び５２３、及び交通標識モデル５４０の複数のポイントクラウド内の対応する複数のポイントに更新する。従って、本実施形態におけるマップ関係付け方法によって、自律走行車意味マップ確立システム１００は、マップの関係付けを自動的に、高効率かつ高信頼性で実行することができる。

図６は、本発明の一実施形態による、移動経路を計画するフローチャートである。図７は、本発明の一実施形態による移動経路の計画の概略図である。図１、図６、及び図７を参照すれば、自律走行車意味マップ確立システム１００がステップＳ６１０〜Ｓ６４０を実行して移動経路の計画を実現することができ、移動経路の計画は、図７中の自動運転車の運転環境７００を参照しながら以下に説明する。ステップＳ６１０では、自律走行車７１０が、自律走行車意味マップ確立システム１００によって、印を付けた経路部分７０１内の複数の特定物体の複数のポイントクラウドデータ中の対応する複数のポイントを取得すると、プロセッサ１１０は、３Ｄマップデータ中の経路部分７０１に対応する部分をデータセットとして記憶する。

なお、経路部分７１０は、２つの交差点７０２と７０３の間の経路を参照し、２つの交差点７０２及び７０３を含む。自律走行車意味マップ確立システム１００は、識別した車道停止線７２１及び７２２に対応する交差点７０２及び７０３に応じて、経路部分７０１の始点位置及び終点位置を規定することができる。ステップＳ６２０では、プロセッサ１１０が経路部分７０１に相当する移動経路を上記データセットにより計画することができる。この場合、移動経路は、交差点７０２と７０３の間の道路境界内の自律走行車７１０の運転経路（例えば、直線の運転経路または非直線の運転経路）を参照する。即ち、本実施形態における自律走行車意味マップ確立システム１００の意味マップを記憶する方法は、各道路部分の３Ｄマップデータをデータセットとして記憶しており、これにより自律走行車は、ある経路部分を通過する際に対応するデータセットを読み出すことができ、そして運転経路を迅速に決定することができる。しかし、交差点７０２及び７０３の運転経路は自律走行車７１０が曲がるか否かに基づいて決定し、本発明は交差点の経路計画方法を限定しない。

以上に基づいて、本発明の自律走行車意味マップ確立システム及び自律走行車意味マップ確立方法によれば、３Ｄマップデータの一部分中の対応する複数のポイントを、現在の道路画像中の特定物体についての物体範囲内へ射影することによって、特定物体の物体情報が、３Ｄマップデータの複数のポイントクラウドデータ中の対応する複数のポイントに迅速に関係付けられ、従って、効率的な自律走行車意味マップ確立機能が提供される。それに加えて、本発明の自律走行車意味マップ確立システム及び自律走行車意味マップ確立方法によれば、経路部分に印を付けた結果をデータセットとしてさらに記憶することができ、これにより自律走行車は、自動運転を実行する際に、移動経路の計画を迅速に実現することができる。

本発明の精神及び範囲から逸脱することなしに、開示する実施形態の構造に種々の変更及び変形を加えることができることは、当業者にとって明らかである。前述したことを考慮すれば、本発明は、本発明の変更及び変形を、以下の特許請求の範囲及びその等価物に該当すればカバーすることを意図している。

本発明では、上記の自律走行車意味マップ確立システム及びその確立方法を、リアルタイムの道路検出及び認識に適用することができる。

参照符号リスト
１００：自律走行車意味マップ確立システム
１１０：プロセッサ
１２０：画像捕捉モジュール
１３０：測位モジュール
１４０：メモリ
１４２：三次元（３Ｄ）マップデータ
Ｓ２１０、Ｓ２２０、Ｓ２３０、Ｓ２４０：ステップ
３００：現在の道路画像
３１１〜３１３、３２２、３３１〜３３３：路面標示
３２１、３２３：道路境界線
３４０：交通標識
３５１、３５２：街路樹
３６０：建物
Ｓ４１０、Ｓ４２０、Ｓ４３０、Ｓ４４０：ステップ
４００：現在の道路画像
４０１：基準線
４１１Ｒ、４１２Ｒ、４２１Ｒ、４２２Ｒ、４２３Ｒ、４３１Ｒ、４３２Ｒ、４４０Ｒ：物体範囲
４１１〜４１３、４２２、４３１〜４３３：路面標示
４２１、４２３、４４０：道路境界線
５００：３Ｄマップデータ
５０１：３Ｄマップデータ
５１１〜５１３、５２２、５３１〜５３３：路面標示モデル
５２１、５２３：道路境界線モデル
５４０：交通標識モデル
５５１、５５２：街路樹モデル
５６０：建物モデル
Ｓ６１０、Ｓ６２０、Ｓ６３０、Ｓ６４０：ステップ
７００：運転環境
７１０：自律走行車
７０１：経路部分
７０２、７０３：交差点
７２１、７２２：車道停止線

Claims (20)

1. 現在の道路画像を取得するように構成された画像捕捉モジュールと、
   前記現在の道路画像に対応する測位データを取得するように構成された測位モジュールと、
   三次元（３Ｄ）マップデータを記憶するように構成されたメモリと、
   前記画像捕捉モジュール、前記測位モジュール、及び前記メモリに結合され、前記メモリにアクセスするように構成されたプロセッサとを具えた自律走行車意味マップ確立システムであって、
   前記３Ｄマップデータは複数のポイントクラウドデータを含み、
   前記プロセッサは、前記現在の道路画像を分析して前記現在の道路画像中の特定物体の物体情報を識別し、前記プロセッサは、前記測位データに応じて、前記特定物体の前記物体情報を、前記３Ｄマップデータ中の前記特定物体に対応する前記複数のポイントクラウドデータ中の対応する複数のポイントに関係付ける自律走行車意味マップ確立システム。
2. 前記プロセッサが、さらに、前記現在の道路画像中の前記特定物体について物体範囲を決定し、前記プロセッサが、前記測位データに応じて、前記３Ｄマップデータ中にあり前記現在の道路画像に対応する、前記３Ｄマップデータの一部分を読み込み、
   前記プロセッサが、前記３Ｄマップデータの前記一部分中の前記対応する複数のポイントを前記現在の道路画像中に射影し、前記プロセッサが、前記現在の道路画像中の前記物体範囲内で前記対応する複数のポイントを決定して、前記特定物体の前記物体情報を前記対応する複数のポイントに関係付ける、請求項１に記載の自律走行車意味マップ確立システム。
3. 前記３Ｄマップデータの前記一部分が、前記３Ｄマップデータ中の前記現在の道路画像に対応する関心領域（ＲＯＩ）の部分であり、前記ＲＯＩの範囲は、前記画像捕捉モジュールの可視範囲及び／または設定角度に応じて決定される、請求項２に記載の自律走行車意味マップ確立システム。
4. 前記プロセッサが、前記関係付けられた対応する複数のポイントを、前記メモリ内の前記３Ｄマップデータに更新する、請求項１に記載の自律走行車意味マップ確立システム。
5. 前記プロセッサが、事前設定された識別の閾値に応じて、前記現在の道路画像の一部分を分析して、前記現在の道路画像中の前記特定物体を識別する、請求項１に記載の自律走行車意味マップ確立システム。
6. 前記プロセッサが、事前に学習させた機械学習モジュールを用いることによって、前記現在の道路画像中の前記特定物体の前記物体情報を識別する、請求項１に記載の自律走行車意味マップ確立システム。
7. 前記自律走行車意味マップ確立システムが自動運転車に適合され、前記特定物体が、街路灯、交通標識、交通信号機、道路標識、駐車標識、道路境界線、または路面標示である、請求項１に記載の自律走行車意味マップ確立システム。
8. 前記プロセッサが、経路部分内の複数の特定物体に対応する、前記対応する複数のポイントを関係付けることを終了すると、前記プロセッサが、前記３Ｄマップデータにおける前記経路部分に対応する部分をデータセットとして記憶する、請求項１に記載の自律走行車意味マップ確立システム。
9. 前記プロセッサが、前記データセットにより、前記経路部分に対応する移動経路を計画する、請求項８に記載の自律走行車意味マップ確立システム。
10. 前記自律走行車意味マップ確立システムが自律走行車内に構成されている、請求項１に記載の自律走行車意味マップ確立システム。
11. 前記画像捕捉モジュール及び前記測位モジュールが自律走行車内に構成され、前記メモリ及び前記プロセッサがクラウドサーバー内に構成され、前記自律走行車は、前記クラウドサーバーと無線通信して、前記現在の道路画像及び前記測位データを計算用に前記クラウドサーバーに送信する、請求項１に記載の自律走行車意味マップ確立システム。
12. 現在の道路画像を取得するステップと、
    前記現在の道路画像に対応する測位データを取得するステップと、
    前記現在の道路画像を分析して、前記現在の道路画像中の特定物体の物体情報を識別するステップと、
    前記測位データに応じて、前記特定物体の前記物体情報を、三次元（３Ｄ）マップデータ中の前記特定物体に対応する複数のポイントクラウドデータ中の対応する複数のポイントに関係付けるステップと
    を含む自律走行車意味マップ確立方法。
13. 前記現在の道路画像を分析するステップが、前記現在の道路画像中の前記特定物体について物体範囲を決定することをさらに含み、
    前記測位データに応じて、前記特定物体の前記物体情報を、前記３Ｄマップデータ中の前記特定物体に対応する前記複数のポイントクラウドデータに関係付けるステップが、
    前記測位データに応じて、前記３Ｄマップデータ中にあり前記現在の道路画像に対応する、前記３Ｄマップデータの一部分を読み込むことと、
    前記３Ｄマップデータの前記一部分中の前記対応する複数のポイントを、前記現在の道路画像中に射影することと、
    前記現在の道路画像中の前記物体範囲内で前記対応する複数のポイントを決定することと、
    前記特定物体の前記物体情報を、前記対応する複数のポイントに関係付けることと
    を含む、請求項１２に記載の自律走行車意味マップ確立方法。
14. 前記３Ｄマップデータの前記一部分が、前記３Ｄマップデータ中の前記現在の道路画像に対応する関心領域（ＲＯＩ）の部分であり、前記ＲＯＩの範囲は、画像捕捉モジュールの可視範囲及び／または設定角度に応じて決定される、請求項１３に記載の自律走行車意味マップ確立方法。
15. 前記測位データに応じて、前記特定物体の前記物体情報を、前記３Ｄマップデータ中の前記特定物体に対応する前記複数のポイントクラウドデータ中の前記対応する複数のポイントに関係付けるステップが、
    前記関係付けられた対応する複数のポイントを、前記３Ｄマップデータに更新することを含む、請求項１２に記載の自律走行車意味マップ確立方法。
16. 前記現在の道路画像を分析して、前記現在の道路画像中の前記特定物体の前記物体情報を識別するステップが、
    事前設定された識別の閾値に応じて、前記現在の道路画像の一部分を分析して、前記現在の道路画像中の前記特定物体を識別することを含む、請求項１２に記載の自律走行車意味マップ確立方法。
17. 前記現在の道路画像を分析して、前記現在の道路画像中の前記特定物体の前記物体情報を識別するステップが、
    事前に学習させた機械学習モジュールを用いることによって、前記現在の道路画像中の前記特定物体の前記物体情報を識別することを含む、請求項１２に記載の自律走行車意味マップ確立方法。
18. 前記自律走行車意味マップ確立方法が自動運転車に適合され、前記特定物体が、街路灯、交通標識、交通信号機、道路標識、駐車標識、道路境界線、または路面標示である、請求項１２に記載の自律走行車意味マップ確立方法。
19. 印を付けた経路部分内の複数の特定物体に対応する、前記対応する複数のポイントを取得すると、前記３Ｄマップデータにおける前記経路部分に対応する部分をデータセットとして記憶するステップをさらに含む、請求項１２に記載の自律走行車意味マップ確立方法。
20. 前記データセットにより、前記経路部分に対応する移動経路を計画するステップをさらに含む、請求項１９に記載の自律走行車意味マップ確立方法。
    

Images