KR101848198B1 - 차선 추정 방법 및 장치 - Google Patents

차선 추정 방법 및 장치 Download PDF

Info

Publication number
KR101848198B1
KR101848198B1 KR1020170016113A KR20170016113A KR101848198B1 KR 101848198 B1 KR101848198 B1 KR 101848198B1 KR 1020170016113 A KR1020170016113 A KR 1020170016113A KR 20170016113 A KR20170016113 A KR 20170016113A KR 101848198 B1 KR101848198 B1 KR 101848198B1
Authority
KR
South Korea
Prior art keywords
lane
vehicle
curvature
road model
virtual road
Prior art date
Application number
KR1020170016113A
Other languages
English (en)
Inventor
정정주
이승희
강창묵
이건일
Original Assignee
한양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020170016113A priority Critical patent/KR101848198B1/ko
Application granted granted Critical
Publication of KR101848198B1 publication Critical patent/KR101848198B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G06K9/00798—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

차선 추정 방법 및 장치가 개시된다. 차선 추정 방법은, 레이더(radar)를 이용하여 전방 차량의 위치 데이터를 획득하는 단계, 위치 데이터를 이용하여 가상 도로 모델을 생성하는 단계, 가상 도로 모델의 도로 모델 계수를 산출하는 단계 및 도로 모델 계수가 산출되어 완성된 가상 도로 모델을 이용하여 차선을 추정하는 단계를 포함하되, 가상 도로 모델은 차로별로 3차 클로소이드(Clothoid) 가상 도로 함수로 생성되며, 도로 모델 계수를 산출하는 단계는, 차로별로 생성되는 복수의 클로소이드 가상 도로 함수로부터, 미지수가 되는 복수의 도로 모델 계수를 최소 자승법(Least Square)을 이용하여 산출한다.

Description

차선 추정 방법 및 장치{Apparatus and method for estimating a lane}
본 발명은 차선 추정 방법 및 장치에 관한 것이다.
최근, 안정되고 안락한 차량 주행을 위하여, 첨단 운전자 보조 시스템(ADAS: Advanced Driver Assistance Systems)이 적용된 차량이 증가하고 있다. 첨단 운전자 보조 시스템은 주행 중이나 주차 중에 발생할 수 있는 사고를 각종 센서, 비전 시스템 및 레이저 시스템을 이용하여 감지한 후 운전자에게 경고하거나 차량을 제어하는 시스템으로, 특히, 차선을 인지하고 인지된 차선을 기반으로 차선 변경 또는 차선 유지를 위한 제어 기능을 제공한다.
첨단 운전자 보조 시스템은 차선 변경 또는 차선 유지를 위한 제어 기능을 제공하기 위하여, 영상 센서를 이용하여 차선 정보를 영상정보로 획득하여 차선을 인식한다. 그래서, 영상 센서에 의한 차선 인식이 실패하면, 차선 변경 제어 또는 차선 유지 제어에 심각한 영향을 끼칠 수 있다.
도 1은 차량 전방의 차선 인식 예를 나타낸 도면이다.
도 1을 참조하면, 도 1의 (a)와 같이 차량에 탑재된 영상 센서에 의하여 차선이 인식된다. 하지만, 도 1의 (b)와 같이, 도로에 눈이 쌓인 상황, 앞 차량과의 거리가 가까운 상황, 차선이 흐릿한 도로상황 등에서는 차선 인식이 실패할 수 있다.
따라서, 영상 정보를 이용한 차선 인식이 실패한 경우 또는 영상 정보 없이 차선을 인식하는 방법이 필요하다.
본 발명은 영상 정보를 이용한 차선 인식이 실패한 경우 또는 영상 정보 없이, 레이더를 이용하여 획득된 전방 차량의 위치 데이터를 이용하여 차로 경로를 산출하여 차선을 추정하는 차선 추정 방법 및 장치를 제공하기 위한 것이다.
본 발명의 일 측면에 따르면, 차선 추정 장치가 카메라를 이용하여 차선 인식을 수행하는 중에, 상기 카메라에 의한 차선 인식의 실패가 발생하는 경우에 수행하는 차선 추정 방법이 개시된다.
본 발명의 실시예에 따른 차선 추정 방법은, 레이더(radar)를 이용하여 전방 차량의 위치 데이터를 획득하는 단계, 상기 위치 데이터를 이용하여 가상 도로 모델을 생성하는 단계, 상기 가상 도로 모델의 도로 모델 계수를 산출하는 단계 및 상기 도로 모델 계수가 산출되어 완성된 가상 도로 모델을 이용하여 차선을 추정하는 단계를 포함하되, 상기 가상 도로 모델은 차로별로 3차 클로소이드(Clothoid) 가상 도로 함수로 생성되며, 상기 도로 모델 계수를 산출하는 단계는, 상기 차로별로 생성되는 복수의 클로소이드 가상 도로 함수로부터, 미지수가 되는 복수의 도로 모델 계수를 최소 자승법(Least Square)을 이용하여 산출한다.
상기 3차 클로소이드 가상 도로 함수는 하기 수학식으로 정의된다.
Figure 112017012044238-pat00001
여기서, L은 전방 주시 거리(Look-ahead distance)로서, 자차량과 전방 차량의 종방향 상대거리이고, eyL은 전방 주시 지점(Look-ahead point)에서의 횡방향 차선 중심 오프셋(Lateral lane center offset)으로서, 자차량과 전방 차량의 횡방향 상대거리이고, c0는 횡방향 오프셋(lateral offset)이고, c1은 전방 오프셋(heading offset)이고, c2는 차로 곡률(lane curvature)이고, c3는 차로 곡률 변화량(lane curvature rate)이다.
상기 자차량이 3개의 차로로 형성된 도로의 중앙(Center) 차로에서 주행 중인 경우, 우측(Right) 차로, 중앙(Center) 차로 및 좌측(Left) 차로를 주행 중인 각 전방 차량에 대한 상기 3차 클로소이드 가상 도로 함수는 하기 수학식으로 정의된다.
Figure 112017012044238-pat00002
여기서, Lr은 자차량과 우측 차로의 전방 차량의 종방향 상대거리이고, Lc는 자차량과 중앙 차로의 전방 차량의 종방향 상대거리이고, Ll는 자차량과 좌측 차로의 전방 차량의 종방향 상대거리이고, eyL r은 자차량을 우측 차로로 차로 폭 만큼 이동시켰을 때, 자차량과 우측 차로의 전방 차량의 횡방향 상대거리이고, eyL c은 자차량과 중앙 차로의 전방 차량의 횡방향 상대거리이고, eyL l은 자차량을 좌측 차로로 차로 폭 만큼 이동시켰을 때, 자차량과 좌측 차로의 전방 차량의 횡방향 상대거리이다.
상기 eyL r, 상기 eyL c 및 상기 eyL l는 하기 수학식으로 정의된다.
Figure 112017012044238-pat00003
여기서, yr, yc 및 yl은 각각. 상기 중앙 차로에 위치하는 상기 자차량을 기준으로, 상기 자차량과 상기 우측 차로의 전방 차량의 횡방향 상대거리, 상기 자차량과 상기 중앙 차로의 전방 차량의 횡방향 상대거리 및 상기 자차량과 상기 좌측 차로의 전방 차량의 횡방향 상대거리이고, wc는 상기 차로 폭이다.
상기 차로 폭은 상기 카메라에 의한 차선 인식의 실패가 발생하기 전에 획득된 정보이다.
상기 3차 클로소이드 가상 도로 함수는, 전방 차량들이 차로의 정 중앙을 유지하며 주행하고 있다고 가정하는 제1 전제 조건 및 모든 차로의 폭은 동일하다고 가정하는 제2 전제 조건이 적용된다.
상기 각 전방 차량에 대한 3차 클로소이드 가상 도로 함수는, 각 차로의 c0 및 c1이 상기 자차량을 기준으로 가상의 차로 경로를 생성하는 것이므로, 0이 되고, 각 차로 간 곡률(c2) 및 곡률 변화량(c3)의 차이가 매우 작아 하나의 가상 도로 모델인 하기 수학식으로 나타난다.
Figure 112017012044238-pat00004
상기 하나의 가상 도로 모델은 전방 차량이 N대인 경우에 하기 수학식과 같은 형태로 나타난다.
Figure 112017012044238-pat00005
상기 하나의 가상 도로 모델의 도로 모델 계수는 가중치 행렬(W)이 적용되는 가중 최소 자승법(Weighted Least Square)을 이용하여 하기 수학식으로 산출된다.
Figure 112017012044238-pat00006
Figure 112017012044238-pat00007
상기 c0 및 상기 c1이, 상기 제2 전제 조건에 의하여 좌측, 중앙 및 우측의 차로 위치에 따라 다르지 않고, 상기 자차량을 기준으로 가상의 차로 경로를 생성하는 것이므로, 0이 되고, 각 차로의 곡률 변화량(c3)이 각 차로가 합쳐져 하나의 도로를 형성하므로, 동일함이 적용되면, 상기 각 전방 차량에 대한 3차 클로소이드 가상 도로 함수는 하기 수학식으로 정의된다.
Figure 112017012044238-pat00008
여기서, cr2는 우측 차로의 곡률이고, cc2는 중앙 차로의 곡률이고, cl2는 좌측 차로의 곡률이고, c3는 자차로의 곡률 변화량이다.
상기 우측 차로의 곡률, 상기 중앙 차로의 곡률 및 상기 좌측 차로의 곡률은 각각 하기 수학식으로 정의된다.
Figure 112017012044238-pat00009
여기서, R은 상기 중앙 차로의 곡률 반지름이며, 상기 좌측 차로의 곡률 반지름은 R-차로 폭(wc)이 되고, 상기 우측 차로의 곡률 반지름은 R+차로 폭(wc)이 된다.
상기 각 전방 차량에 대한 3차 클로소이드 가상 도로 함수는, 미지수가 되는 도로 모델 계수가 중앙 차로의 곡률(cc2) 및 곡률 변화량(c3)이며, 미지수 2개를 포함하는 방정식이 2개 이상이 되어 상기 미지수가 되는 중앙 차로의 곡률(cc2) 및 곡률 변화량(c3)이 최소 자승법을 이용하여 산출된다.
상기 전방 차량이 1대인 경우, 도로의 곡률이 변하지 않는다고 가정하며, 우측 차로, 중앙 차로 및 좌측 차로 각각에 대한 클로소이드 가상 도로 함수는 하기 수학식으로 정의되어 미지수가 되는 도로 모델 계수가 하나가 된다.
Figure 112017012044238-pat00010
상기 차선을 추정하는 단계는, 상기 3차 클로소이드 가상 도로 함수에 따른 선을 중심으로 차로 폭을 가지는 평행한 좌측 선 및 우측 선을 상기 차선으로 추정한다.
상기 가상 도로 모델을 생성하는 단계는, 상기 카메라에 의한 차선 인식의 실패가 발생하기 전에 획득된 각 전방 차량의 위치 데이터 및 인식된 차선 정보에 따른 자차량이 위치하는 중앙 차로에 대한 클로소이드 가상 도로 함수를 이용하여, 상기 각 전방 차량이 상기 좌측 차로, 상기 중앙 차로 및 상기 우측 차로 중 어느 차로에 위치하는지를 결정하는 단계를 포함한다.
상기 각 전방 차량의 차로 위치는, 상기 각 전방 차량의 위치 좌표(x[m], y[m])를 y축(횡방향)을 따라 상기 클로소이드 가상 도로 함수로 투영시킨 투영 좌표(x[m], yp [m])와 상기 위치 좌표 사이의 간격을 미리 설정된 차로별 간격 임계치(εc, εr, εl)와 비교하여, 하기 수학식으로 결정된다.
Figure 112017012044238-pat00011
여기서, wp [m]은 상기 투영 좌표와 상기 위치 좌표 사이의 간격이고, m은 전방 차량의 ID로서, m={1, 2, …}이고, εc는 중앙 차로의 간격 임계치이고, εr는 우측 차로의 간격 임계치이고, εl는 좌측 차로의 간격 임계치이다.
본 발명의 다른 측면에 따르면, 카메라를 이용하여 차선 인식을 수행하는 중에, 상기 카메라에 의한 차선 인식의 실패가 발생하는 경우에 차선을 추정하는 차선 추정 장치가 개시된다.
본 발명의 실시예에 따른 차선 추정 장치는, 명령어를 저장하는 메모리 및 상기 명령어를 실행하는 프로세서를 포함하되, 상기 명령어는, 레이더(radar)를 이용하여 전방 차량의 위치 데이터를 획득하는 단계, 상기 위치 데이터를 이용하여 가상 도로 모델을 생성하는 단계, 상기 가상 도로 모델의 도로 모델 계수를 산출하는 단계 및 상기 도로 모델 계수가 산출되어 완성된 가상 도로 모델을 이용하여 차선을 추정하는 단계를 포함하는 차선 추정 방법을 수행하며, 상기 가상 도로 모델은 차로별로 3차 클로소이드(Clothoid) 가상 도로 함수로 생성되며, 상기 도로 모델 계수를 산출하는 단계는, 상기 차로별로 생성되는 복수의 클로소이드 가상 도로 함수로부터, 미지수가 되는 복수의 도로 모델 계수를 최소 자승법(Least Square)을 이용하여 산출한다.
본 발명의 실시예에 따른 차선 추정 방법 및 장치는, 영상 정보를 이용한 차선 인식이 실패한 경우 또는 영상 정보 없이, 레이더를 이용하여 획득된 전방 차량의 위치 데이터를 이용하여 차로 경로를 산출하여 차선을 추정할 수 있다.
도 1은 차량 전방의 차선 인식 예를 나타낸 도면.
도 2는 본 발명의 실시예에 따른 차선 추정 방법을 나타낸 흐름도.
도 3 내지 도 7은 본 발명의 실시예에 따른 차선 추정 방법을 설명하기 위한 도면.
도 8 및 도 9는 전방 차량의 차로 위치를 결정하는 방법을 설명하기 위한 도면.
도 10은 본 발명의 실시예에 따른 차선 추정 장치의 구성을 개략적으로 예시한 도면.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
이하, 본 발명의 다양한 실시예들을 첨부된 도면을 참조하여 상술하겠다.
도 2는 본 발명의 실시예에 따른 차선 추정 방법을 나타낸 흐름도이고, 도 3 내지 도 7은 본 발명의 실시예에 따른 차선 추정 방법을 설명하기 위한 도면이다. 이하, 도 2를 중심으로 본 발명의 실시예에 따른 차선 추정 방법을 설명하되, 도 3 내지 도 7을 참조하기로 한다.
본 발명의 실시예에 따른 차선 추정 방법은 차선 추정 장치로 구현되어 첨단 운전자 보조 시스템(ADAS: Advanced Driver Assistance Systems)과 같은 차량 탑재 시스템에 적용될 수 있다. 이하에서는, 차선 추정 장치를 주체로 본 발명의 실시예에 따른 차선 추정 방법을 설명하기로 한다.
S210 단계에서, 차선 추정 장치는 전방 차량의 위치 데이터를 획득한다. 예를 들어, 차선 추정 장치는 카메라를 이용하여 차선 인식을 수행하는 중에, 카메라 고장 또는 카메라에 의한 차선 인식의 실패가 발생하는 경우, 레이더(radar)를 이용하여 전방 차량의 위치 데이터를 획득할 수 있다. 이때, 차선 추정 장치는 차량에 탑재된 운전자 보조 시스템의 레이더에 의하여 획득된 전방 차량의 위치 데이터를 입력받거나 레이더를 자체적으로 구비하여 전방 차량의 위치 데이터를 획득할 수도 있다.
S220 단계에서, 차선 추정 장치는 획득된 전방 차량의 위치 데이터를 이용하여 가상 도로 모델을 생성한다.
예를 들어, 가상 도로 모델은 하기 수학식과 같이, 3차 클로소이드 곡선(Clothoid Curve) 함수로 나타낼 수 있다.
Figure 112017012044238-pat00012
여기서, c0는 횡방향 오프셋(lateral offset)이고, c1은 전방 오프셋(heading offset)이고, c2는 차로 곡률(lane curvature)이고, c3는 차로 곡률 변화량(lane curvature rate)이다.
한편, 3개의 차로로 구성된 도로에서 자차량이 1차로로 주행하고, 전방 차량이 2대라고 가정하면, 하기 표 1과 같은 경우가 발생할 수 있다.
자차량 전방 차량 1 전방 차량 2
1차로 1차로 1차로
1차로 1차로 2차로
1차로 2차로 1차로
1차로 2차로 2차로
1차로 3차로 3차로
1차로 1차로 3차로
1차로 3차로 1차로
1차로 2차로 3차로
1차로 3차로 2차로
이와 같이 전방 차량이 적어도 1대가 존재하면, 자차량과 전방 차량이 어느 차로에 위치하더라도 가상 도로 모델이 생성될 수 있다.
우선, 도 3을 참조하여 가상 도로 모델을 생성하기 위한 전제 조건을 가정하기로 한다.
도 3에 도시된 각 차량의 횡방향 오프셋은 하기 표 2와 같이 정의될 수 있다.
Symbols Definition
ⓐ,ⓑ Object1의 Left and right lateral offsets
ⓒ,ⓓ Object2의 Left and right lateral offsets
ⓔ,ⓕ Object3의 Left and right lateral offsets
제1 전제 조건으로서, 전방 차량들이 차로의 정 중앙을 유지하며 주행하고 있다고 가정한다. 그래서, 각 전방 차량의 좌측과 우측의 횡방향 오프셋은 동일할 수 있다(ⓐ = ⓑ, ⓒ = ⓓ, ⓕ = ⓖ).
그리고, 제2 전제 조건으로서, 모든 차로의 폭은 동일하다고 가정한다. 그래서, 모든 전방 차량의 횡방향 오프셋은 동일할 수 있다(차로 폭 = ⓐ+ⓑ = ⓒ+ⓓ = ⓕ+ⓖ).
도 4를 참조하면, 자차량이 중앙 차로에서 주행하는 경우, 전방 차량들에 대한 데이터는 하기와 같이 정의될 수 있다.
yr: 자차량과 우측 차로의 전방 차량의 횡방향 상대거리
yc: 자차량과 중앙 차로의 전방 차량의 횡방향 상대거리
yl: 자차량과 좌측 차로의 전방 차량의 횡방향 상대거리
xr: 자차량과 우측 차로의 전방 차량의 종방향 상대거리
xc: 자차량과 중앙 차로의 전방 차량의 종방향 상대거리
xl: 자차량과 좌측 차로의 전방 차량의 종방향 상대거리
이때, 각 전방 차량이 좌측 차로, 중앙 차로 및 우측 차로 중 어느 차로에 위치하는지가 결정이 되어야 한다. 이에 대해서는, 이후 도 8 및 도 9를 참조하여 후술하기로 한다.
실제 도로에서 주행할 때, 운전자는 전방 주시 거리(Look-ahead distance) 관점으로 주행하게 된다. 그래서, 가상 도로 모델을 생성하기 위하여, 전방 주시 거리 및 전방 주시 지점(Look-ahead point)에서의 횡방향 차선 중심 오프셋(Lateral lane center offset)를 정의하기로 한다.
도 5는 자차량을 좌측 및 우측으로 각각 차로 폭 만큼 이동시켜 1차로와 3차로로 자차량을 이동시킨 것을 나타낸다. 도 5에 도시된 바와 같이, 각 차로에 배치된 각 자차량을 기준으로, 전방 주시 거리는 하기 수학식 2와 같이 정의되고, 횡방향 차선 중심 오프셋은 하기 수학식 3과 같이 정의될 수 있다.
Figure 112017012044238-pat00013
여기서, Lr은 자차량과 우측 차로의 전방 차량의 종방향 상대거리이고, Lc는 자차량과 중앙 차로의 전방 차량의 종방향 상대거리이고, Ll는 자차량과 좌측 차로의 전방 차량의 종방향 상대거리이다.
Figure 112017012044238-pat00014
여기서, eyL r은 자차량과 우측 차로의 전방 차량의 횡방향 상대거리이고, eyL c은 자차량과 중앙 차로의 전방 차량의 횡방향 상대거리이고, eyL l은 자차량과 좌측 차로의 전방 차량의 횡방향 상대거리이고, wc는 차로 폭이다. 차로 폭은 카메라에 의한 차선 인식의 실패가 발생하기 전에 획득될 수 있다.
이와 같이 정의된 전방 주시 거리 및 횡방향 차선 중심 오프셋을 수학식 1의 3차 클로소이드 곡선 함수에 적용하면, 하기 수학식과 같이 클로소이드 가상 도로 함수가 생성될 수 있다.
Figure 112017012044238-pat00015
이는 차로별로 나타내면, 하기 수학식과 같이, 차로별 클로소이드 가상 도로 함수로 나타낼 수 있다.
Figure 112017012044238-pat00016
여기서, 각 차로의 c0 및 c1은, 자차량을 기준으로 가상의 차로 경로를 생성하는 것이므로, 0이 되고, 각 차로 간 곡률(c2) 및 곡률 변화량(c3)의 차이는 매우 작으므로, 수학식 5는 하기 수학식과 같이 하나의 가상 도로 모델로 나타낼 수 있다.
Figure 112017012044238-pat00017
또는, 다른 실시예로서, c0 및 c1은, 모든 차로의 폭은 동일하다는 전제 조건에 의하여 좌측, 중앙 및 우측의 차로 위치에 따라 다르지 않고, 자차량을 기준으로 가상의 차로 경로를 생성하는 것이므로, 0이 될 수 있다. 그리고, 각 차로가 합쳐져 하나의 도로를 형성하기 때문에, 각 차로의 곡률 변화량(c3)은 동일하다. 이를 적용하면, 하기 수학식과 같은 클로소이드 가상 도로 함수가 생성될 수 있다.
Figure 112017012044238-pat00018
여기서, cr2는 우측 차로의 곡률이고, cc2는 중앙 차로의 곡률이고, cl2는 좌측 차로의 곡률이고, c3는 자차로의 곡률 변화량이다.
S230 단계에서, 차선 추정 장치는 생성된 가상 도로 모델의 도로 모델 계수를 산출한다. 즉, 차선 추정 장치는 최소 자승법(Least Square)을 이용하여 차로별 클로소이드 가상 도로 함수들로부터 미지수가 되는 복수의 도로 모델 계수를 산출할 수 있다.
예를 들어, 수학식 6의 가상 도로 모델은, 전방에서 감지되는 전방 차량이 N대인 경우에 하기 수학식과 같은 형태로 나타낼 수 있다.
Figure 112017012044238-pat00019
그리고, 도로 모델 계수를 산출하기 위하여, 가중 최소 자승법(Weighted Least Square)이 사용되며, 수학식 8에 가중치 행렬(W)이 추가되면, 하기 수학식과 같이 나타낼 수 있다.
Figure 112017012044238-pat00020
수학식 9로부터 도로 모델 계수가 하기 수학식과 같이 산출될 수 있다.
Figure 112017012044238-pat00021
또는, 다른 실시예로서, 도 6을 참조하면, 각 차로의 곡률 변화량(c3)은 동일하더라도, 각 차로의 곡률(cr2, cc2, cl2)은 서로 다르다. 도 6에서, 자차량이 중앙 차로에 있으며, 중앙 차로의 곡률 반지름이 R이라고 가정하면, 좌측 차로의 곡률 반지름은 R-차로 폭(wc)이 되고, 우측 차로의 곡률 반지름은 R+차로 폭(wc)이 된다. 그래서, 각 차로의 곡률(cr2, cc2, cl2)은 하기 수학식과 같이 정의될 수 있다.
Figure 112017012044238-pat00022
즉, cc2만 알면, cr2와 cl2는 바로 산출될 수 있다.
결국, 수학식 7의 클로소이드 가상 도로 함수에서 미지수가 되는 도로 모델 계수는 중앙 차로의 곡률(cc2) 및 곡률 변화량(c3)이다. 즉, 미지수 2개를 포함하는 방정식이 3개이므로, 미지수가 되는 중앙 차로의 곡률(cc2) 및 곡률 변화량(c3)은 최소 자승법을 이용하여 정확하게 산출될 수 있다.
그리고, 전방 차량이 2대이면, 미지수가 2개이고 방정식이 2개이므로, 역시, 미지수가 되는 중앙 차로의 곡률(cc2) 및 곡률 변화량(c3)은 최소 자승법을 이용하여 정확하게 산출될 수 있다.
따라서, 감지되는 전방 차량이 2대 이상이면, 가상 도로 모델의 도로 모델 계수는 정확하게 산출될 수 있다.
도 7에 도시된 바와 같이, 실제 도로는 일정한 곡률을 가지지 않는다. 그래서, 도로 가상 모델 생성 시, 각 차로의 곡률(cr2, cc2, cl2)뿐만 아니라, 곡률 변화량(c3)도 고려되어야 한다.
다만, 감지되는 전방 차량이 1대인 경우, 수학식 7의 클로소이드 가상 도로 함수 3개 중 어느 하나가 생성될 수 있다. 즉, 미지수가 되는 도로 모델 계수는 중앙 차로의 곡률(cc2) 및 곡률 변화량(c3)이므로, 미지수가 2개이고 방정식이 1개가 된다. 그래서, 미지수를 산출할 수 없으므로, 가상 도로 모델을 생성하는 데 있어 가장 중요한 각 차로의 곡률 계수만을 획득하기로 한다. 즉, 감지되는 전방 차량이 1대일 경우, 도로의 곡률이 변하지 않는다고 가정하기로 한다. 이를 적용하면, 하기 수학식과 같이, 좌측 차로(1차로), 중앙 차로(2차로) 및 우측 차로(3차로)에 대하여 각각 클로소이드 가상 도로 함수가 생성될 수 있다.
Figure 112017012044238-pat00023
여기서, 각 차로의 곡률(cr2, cc2, cl2)은 전술한 바와 같이, 수학식 11과 같은 관계를 가지고 있으므로, 수학식 12의 클로소이드 가상 도로 함수 중 어느 하나만 생성되면, 산출될 수 있다.
S240 단계에서, 차선 추정 장치는 도로 모델 계수가 산출되어 완성된 가상 도로 모델을 이용하여 차선을 추정한다.
예를 들어, 각 차로의 클로소이드 가상 도로 함수에 따른 선을 중심으로 차로 폭을 가지는 평행한 좌측 선 및 우측 선이 차선으로 추정될 수 있다.
도 8 및 도 9는 전방 차량의 차로 위치를 결정하는 방법을 설명하기 위한 도면이다.
도 8을 참조하면, 도 8의 (a)는 카메라를 이용한 차선 인식의 실패 전에 획득된 각 전방 차량의 위치 데이터 및 인식된 차선 정보를 나타낸다. 예를 들어, 카메라를 이용한 차선 인식 실패 전에 획득된 각 전방 차량의 위치 데이터 및 인식된 차선 정보에 따른 가상 도로 모델은 하기 수학식과 같이 자차량이 위치하는 중앙 차로에 대한 클로소이드 가상 도로 함수로 정의될 수 있다.
Figure 112017012044238-pat00024
그리고, 이에 따른 클로소이드 차로 경로는 도 8의 (b)와 같이 그려질 수 있다.
도 9의 (a)는 각 전방 차량의 위치 좌표를 클로소이드 차로 경로로 투영시킨 것을 나타내고, 도 9의 (b)는 각 전방 차량의 위치 좌표와 투영 좌표 사이의 간격을 나타낸다.
즉, 도 9에 도시된 바와 같이, 각 전방 차량(ID1, ID2, ID3)의 위치 좌표의 y1, y2, y3가 y축을 따라 클로소이드 가상 도로 함수로 투영될 수 있으며, 투영 좌표는 하기 수학식과 같이 산출될 수 있다.
Figure 112017012044238-pat00025
그리고, 각 전방 차량(ID1, ID2, ID3)의 위치 좌표와 투영 좌표 사이의 거리가 하기 수학식과 같이 산출될 수 있다.
Figure 112017012044238-pat00026
즉, yp [m]와 y[m]사이의 거리가 산출될 수 있다. 여기서, m은 전방 차량의 ID로서, m={1, 2, …}이다.
이와 같이 산출되는 위치 좌표와 투영 좌표 사이의 거리는 하기 수학식과 같이, 미리 설정된 차로별 간격 임계치(εc, εr, εl)와 비교하여, 각 전방 차량의 차로 위치가 결정될 수 있다.
Figure 112017012044238-pat00027
여기서, εc는 중앙 차로의 간격 임계치이고, εr는 우측 차로의 간격 임계치이고, εl는 좌측 차로의 간격 임계치이다.
도 10은 본 발명의 실시예에 따른 차선 추정 장치의 구성을 개략적으로 예시한 도면이다.
도 10을 참조하면, 본 발명의 실시예에 따른 차선 추정 장치는 프로세서(10), 메모리(20), 통신부(30) 및 인터페이스(40)를 포함한다.
프로세서(10)는 메모리(20)에 저장된 처리 명령어를 실행시키는 CPU 또는 반도체 소자일 수 있다.
메모리(20)는 다양한 유형의 휘발성 또는 비휘발성 기억 매체를 포함할 수 있다. 예를 들어, 메모리(20)는 ROM, RAM 등을 포함할 수 있다.
예를 들어, 메모리(20)는 본 발명의 실시예에 따른 차선 추정 방법을 수행하는 명령어들을 저장할 수 있다.
통신부(30)는 통신망을 통해 다른 장치들과 데이터를 송수신하기 위한 수단이다.
인터페이스부(40)는 네트워크에 접속하기 위한 네트워크 인터페이스 및 사용자 인터페이스를 포함할 수 있다.
한편, 전술된 실시예의 구성 요소는 프로세스적인 관점에서 용이하게 파악될 수 있다. 즉, 각각의 구성 요소는 각각의 프로세스로 파악될 수 있다. 또한 전술된 실시예의 프로세스는 장치의 구성 요소 관점에서 용이하게 파악될 수 있다.
또한 앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.
10: 프로세서
20: 메모리
30: 통신부
40: 인터페이스부

Claims (17)

  1. 차선 추정 장치가 카메라를 이용하여 차선 인식을 수행하는 중에, 상기 카메라에 의한 차선 인식의 실패가 발생하는 경우에 수행하는 차선 추정 방법에 있어서,
    레이더(radar)를 이용하여 전방 차량의 위치 데이터를 획득하는 단계;
    상기 위치 데이터를 이용하여 가상 도로 모델을 생성하는 단계;
    상기 가상 도로 모델의 도로 모델 계수를 산출하는 단계; 및
    상기 도로 모델 계수가 산출되어 완성된 가상 도로 모델을 이용하여 차선을 추정하는 단계를 포함하되,
    상기 가상 도로 모델은 차로별로 3차 클로소이드(Clothoid) 가상 도로 함수로 생성되며,
    상기 도로 모델 계수를 산출하는 단계는,
    상기 차로별로 생성되는 복수의 클로소이드 가상 도로 함수로부터, 미지수가 되는 복수의 도로 모델 계수를 최소 자승법(Least Square)을 이용하여 산출하는 것을 특징으로 하는 차선 추정 방법.
  2. 제1항에 있어서,
    상기 3차 클로소이드 가상 도로 함수는 하기 수학식으로 정의되는 것을 특징으로 하는 차선 추정 방법.
    Figure 112017012044238-pat00028

    여기서, L은 전방 주시 거리(Look-ahead distance)로서, 자차량과 전방 차량의 종방향 상대거리이고, eyL은 전방 주시 지점(Look-ahead point)에서의 횡방향 차선 중심 오프셋(Lateral lane center offset)으로서, 자차량과 전방 차량의 횡방향 상대거리이고, c0는 횡방향 오프셋(lateral offset)이고, c1은 전방 오프셋(heading offset)이고, c2는 차로 곡률(lane curvature)이고, c3는 차로 곡률 변화량(lane curvature rate)임
  3. 제2항에 있어서,
    상기 자차량이 3개의 차로로 형성된 도로의 중앙(Center) 차로에서 주행 중인 경우, 우측(Right) 차로, 중앙(Center) 차로 및 좌측(Left) 차로를 주행 중인 각 전방 차량에 대한 상기 3차 클로소이드 가상 도로 함수는 하기 수학식으로 정의되는 것을 특징으로 하는 차선 추정 방법.
    Figure 112017012044238-pat00029

    여기서, Lr은 자차량과 우측 차로의 전방 차량의 종방향 상대거리이고, Lc는 자차량과 중앙 차로의 전방 차량의 종방향 상대거리이고, Ll는 자차량과 좌측 차로의 전방 차량의 종방향 상대거리이고, eyL r은 자차량을 우측 차로로 차로 폭 만큼 이동시켰을 때, 자차량과 우측 차로의 전방 차량의 횡방향 상대거리이고, eyL c은 자차량과 중앙 차로의 전방 차량의 횡방향 상대거리이고, eyL l은 자차량을 좌측 차로로 차로 폭 만큼 이동시켰을 때, 자차량과 좌측 차로의 전방 차량의 횡방향 상대거리임
  4. 제3항에 있어서,
    상기 eyL r, 상기 eyL c 및 상기 eyL l는 하기 수학식으로 정의되는 것을 특징으로 하는 차선 추정 방법.
    Figure 112017012044238-pat00030

    여기서, yr, yc 및 yl은 각각. 상기 중앙 차로에 위치하는 상기 자차량을 기준으로, 상기 자차량과 상기 우측 차로의 전방 차량의 횡방향 상대거리, 상기 자차량과 상기 중앙 차로의 전방 차량의 횡방향 상대거리 및 상기 자차량과 상기 좌측 차로의 전방 차량의 횡방향 상대거리이고, wc는 상기 차로 폭임
  5. 제4항에 있어서,
    상기 차로 폭은 상기 카메라에 의한 차선 인식의 실패가 발생하기 전에 획득된 정보인 것을 특징으로 하는 차선 추정 방법.
  6. 제3항에 있어서,
    상기 3차 클로소이드 가상 도로 함수는, 전방 차량들이 차로의 정 중앙을 유지하며 주행하고 있다고 가정하는 제1 전제 조건 및 모든 차로의 폭은 동일하다고 가정하는 제2 전제 조건이 적용되는 것을 특징으로 하는 차선 추정 방법.
  7. 제6항에 있어서,
    상기 각 전방 차량에 대한 3차 클로소이드 가상 도로 함수는, 각 차로의 c0 및 c1이 상기 자차량을 기준으로 가상의 차로 경로를 생성하는 것이므로, 0이 되고, 각 차로 간 곡률(c2) 및 곡률 변화량(c3)의 차이가 작아 하나의 가상 도로 모델인 하기 수학식으로 나타나는 것을 특징으로 하는 차선 추정 방법.
    Figure 112017012044238-pat00031

  8. 제7항에 있어서,
    상기 하나의 가상 도로 모델은 전방 차량이 N대인 경우에 하기 수학식과 같은 형태로 나타나는 것을 특징으로 하는 차선 추정 방법.
    Figure 112017012044238-pat00032

  9. 제8항에 있어서,
    상기 하나의 가상 도로 모델의 도로 모델 계수는 가중치 행렬(W)이 적용되는 가중 최소 자승법(Weighted Least Square)을 이용하여 하기 수학식으로 산출되는 것을 특징으로 하는 차선 추정 방법.
    Figure 112017012044238-pat00033

    Figure 112017012044238-pat00034

  10. 제6항에 있어서,
    상기 c0 및 상기 c1이, 상기 제2 전제 조건에 의하여 좌측, 중앙 및 우측의 차로 위치에 따라 다르지 않고, 상기 자차량을 기준으로 가상의 차로 경로를 생성하는 것이므로, 0이 되고, 각 차로의 곡률 변화량(c3)이 각 차로가 합쳐져 하나의 도로를 형성하므로, 동일함이 적용되면, 상기 각 전방 차량에 대한 3차 클로소이드 가상 도로 함수는 하기 수학식으로 정의되는 것을 특징으로 하는 차선 추정 방법.
    Figure 112017012044238-pat00035

    여기서, cr2는 우측 차로의 곡률이고, cc2는 중앙 차로의 곡률이고, cl2는 좌측 차로의 곡률이고, c3는 자차로의 곡률 변화량임
  11. 제10항에 있어서,
    상기 우측 차로의 곡률, 상기 중앙 차로의 곡률 및 상기 좌측 차로의 곡률은 각각 하기 수학식으로 정의되는 것을 특징으로 하는 차선 추정 방법.
    Figure 112017012044238-pat00036

    여기서, R은 상기 중앙 차로의 곡률 반지름이며, 상기 좌측 차로의 곡률 반지름은 R-차로 폭(wc)이 되고, 상기 우측 차로의 곡률 반지름은 R+차로 폭(wc)이 됨
  12. 제11항에 있어서,
    상기 각 전방 차량에 대한 3차 클로소이드 가상 도로 함수는, 미지수가 되는 도로 모델 계수가 중앙 차로의 곡률(cc2) 및 곡률 변화량(c3)이며, 미지수 2개를 포함하는 방정식이 2개 이상이 되어 상기 미지수가 되는 중앙 차로의 곡률(cc2) 및 곡률 변화량(c3)이 최소 자승법을 이용하여 산출되는 것을 특징으로 하는 차선 추정 방법.
  13. 제10항에 있어서,
    상기 전방 차량이 1대인 경우, 도로의 곡률이 변하지 않는다고 가정하며, 우측 차로, 중앙 차로 및 좌측 차로 각각에 대한 클로소이드 가상 도로 함수는 하기 수학식으로 정의되어 미지수가 되는 도로 모델 계수가 하나가 되는 것을 특징으로 하는 차선 추정 방법.
    Figure 112017012044238-pat00037

  14. 제1항에 있어서,
    상기 차선을 추정하는 단계는,
    상기 3차 클로소이드 가상 도로 함수에 따른 선을 중심으로 차로 폭을 가지는 평행한 좌측 선 및 우측 선을 상기 차선으로 추정하는 것을 특징으로 하는 차선 추정 방법.
  15. 제3항에 있어서,
    상기 가상 도로 모델을 생성하는 단계는,
    상기 카메라에 의한 차선 인식의 실패가 발생하기 전에 획득된 각 전방 차량의 위치 데이터 및 인식된 차선 정보에 따른 자차량이 위치하는 중앙 차로에 대한 클로소이드 가상 도로 함수를 이용하여, 상기 각 전방 차량이 상기 좌측 차로, 상기 중앙 차로 및 상기 우측 차로 중 어느 차로에 위치하는지를 결정하는 단계를 포함하는 것을 특징으로 하는 차선 추정 방법.
  16. 제15항에 있어서,
    상기 각 전방 차량의 차로 위치는, 상기 각 전방 차량의 위치 좌표(x[m], y[m])를 y축(횡방향)을 따라 상기 클로소이드 가상 도로 함수로 투영시킨 투영 좌표(x[m], yp [m])와 상기 위치 좌표 사이의 간격을 미리 설정된 차로별 간격 임계치(εc, εr, εl)와 비교하여, 하기 수학식으로 결정되는 것을 특징으로 하는 차선 추정 방법.
    Figure 112017012044238-pat00038

    여기서, wp [m]은 상기 투영 좌표와 상기 위치 좌표 사이의 간격이고, m은 전방 차량의 ID로서, m={1, 2, …}이고, εc는 중앙 차로의 간격 임계치이고, εr는 우측 차로의 간격 임계치이고, εl는 좌측 차로의 간격 임계치임
  17. 카메라를 이용하여 차선 인식을 수행하는 중에, 상기 카메라에 의한 차선 인식의 실패가 발생하는 경우에 차선을 추정하는 차선 추정 장치에 있어서,
    명령어를 저장하는 메모리; 및
    상기 명령어를 실행하는 프로세서를 포함하되,
    상기 명령어는,
    레이더(radar)를 이용하여 전방 차량의 위치 데이터를 획득하는 단계;
    상기 위치 데이터를 이용하여 가상 도로 모델을 생성하는 단계;
    상기 가상 도로 모델의 도로 모델 계수를 산출하는 단계; 및
    상기 도로 모델 계수가 산출되어 완성된 가상 도로 모델을 이용하여 차선을 추정하는 단계를 포함하는 차선 추정 방법을 수행하며,
    상기 가상 도로 모델은 차로별로 3차 클로소이드(Clothoid) 가상 도로 함수로 생성되며,
    상기 도로 모델 계수를 산출하는 단계는,
    상기 차로별로 생성되는 복수의 클로소이드 가상 도로 함수로부터, 미지수가 되는 복수의 도로 모델 계수를 최소 자승법(Least Square)을 이용하여 산출하는 것을 특징으로 하는 차선 추정 장치.


KR1020170016113A 2017-02-06 2017-02-06 차선 추정 방법 및 장치 KR101848198B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170016113A KR101848198B1 (ko) 2017-02-06 2017-02-06 차선 추정 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170016113A KR101848198B1 (ko) 2017-02-06 2017-02-06 차선 추정 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101848198B1 true KR101848198B1 (ko) 2018-05-24

Family

ID=62296534

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170016113A KR101848198B1 (ko) 2017-02-06 2017-02-06 차선 추정 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101848198B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200040141A (ko) * 2018-10-08 2020-04-17 주식회사 만도 데이터 처리 방법, 데이터 처리 장치 및 차량 제어 시스템
KR20210022891A (ko) 2019-08-21 2021-03-04 한양대학교 산학협력단 차선 유지 제어 방법 및 그 장치
KR20220002087A (ko) * 2020-06-30 2022-01-06 한양대학교 산학협력단 심층 신경망을 이용한 차선 추정 방법 및 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003121543A (ja) * 2001-10-19 2003-04-23 Nissan Motor Co Ltd 車両用走行車線判断装置
WO2004008648A2 (en) * 2002-07-15 2004-01-22 Automotive Systems Laboratory, Inc. Road curvature estimation and automotive target state estimation system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003121543A (ja) * 2001-10-19 2003-04-23 Nissan Motor Co Ltd 車両用走行車線判断装置
WO2004008648A2 (en) * 2002-07-15 2004-01-22 Automotive Systems Laboratory, Inc. Road curvature estimation and automotive target state estimation system
JP2005539288A (ja) * 2002-07-15 2005-12-22 オートモーティブ システムズ ラボラトリー インコーポレーテッド 道路曲率見積もりシステムおよび自動車目標状態見積もりシステム

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200040141A (ko) * 2018-10-08 2020-04-17 주식회사 만도 데이터 처리 방법, 데이터 처리 장치 및 차량 제어 시스템
KR102206223B1 (ko) * 2018-10-08 2021-01-22 주식회사 만도 데이터 처리 방법, 데이터 처리 장치 및 차량 제어 시스템
US11474535B2 (en) * 2018-10-08 2022-10-18 Hl Klemove Corp. Method of processing data, apparatus for processing data, and system for controlling vehicle
KR20210022891A (ko) 2019-08-21 2021-03-04 한양대학교 산학협력단 차선 유지 제어 방법 및 그 장치
KR20220002087A (ko) * 2020-06-30 2022-01-06 한양대학교 산학협력단 심층 신경망을 이용한 차선 추정 방법 및 장치
KR102427366B1 (ko) 2020-06-30 2022-08-01 한양대학교 산학협력단 심층 신경망을 이용한 차선 추정 방법 및 장치

Similar Documents

Publication Publication Date Title
CN108693878B (zh) 前进路线设定装置以及前进路线设定方法
KR102221695B1 (ko) 자율주행을 위한 고정밀 지도의 업데이트 장치 및 방법
KR102558055B1 (ko) 차선의 추정 방법
CN105539434B (zh) 用于躲避转向操作的路径规划方法
JP2019517089A (ja) 地面マーキングを認識するための画像処理方法、および地面マーキングを検出するためのシステム
KR102267562B1 (ko) 무인자동주차 기능 지원을 위한 장애물 및 주차구획 인식 장치 및 그 방법
EP2757524B1 (en) Depth sensing method and system for autonomous vehicles
US20190276007A1 (en) Road plane output with lateral slope
KR102086270B1 (ko) 주행 제어 장치의 제어 방법 및 주행 제어 장치
KR101848198B1 (ko) 차선 추정 방법 및 장치
JP6809531B2 (ja) 車両判定方法、走行経路補正方法、車両判定装置、及び走行経路補正装置
US11281228B2 (en) Method and device for determining a position of a transportation vehicle
US20220234580A1 (en) Vehicle control device
US10963708B2 (en) Method, device and computer-readable storage medium with instructions for determining the lateral position of a vehicle relative to the lanes of a road
KR20210093016A (ko) 자율주행 차량의 유턴경로 생성장치 및 그 방법
WO2021011185A1 (en) Robust localization
KR102296496B1 (ko) V2v 통신을 통해 획득한 정보와 카메라를 통해 획득한 정보를 융합하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행함으로써 카메라 기반 로버스트 객체 거리 예측을 제공하는 방법 및 이를 이용한 장치
CN110612240A (zh) 用于车道检测的设备
WO2019065970A1 (ja) 車両用外界認識装置
CN115243932A (zh) 一种校准车辆的摄像头间距的方法和装置以及其持续学习消失点估计模型的方法和装置
US20220256082A1 (en) Traveling environment recognition apparatus
CN115489516A (zh) 一种泊车速度规划方法、系统及存储介质
KR101394770B1 (ko) 곡선 차선 모델을 이용한 영상 안정화 방법 및 시스템
US11904843B2 (en) Autonomous parking systems and methods for vehicles
KR20220095365A (ko) 차량 및 그를 위한 컷인 대응 제어 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant