KR101891725B1 - Method for producing virtual lane based on short-range radar sensor - Google Patents
Method for producing virtual lane based on short-range radar sensor Download PDFInfo
- Publication number
- KR101891725B1 KR101891725B1 KR1020160154468A KR20160154468A KR101891725B1 KR 101891725 B1 KR101891725 B1 KR 101891725B1 KR 1020160154468 A KR1020160154468 A KR 1020160154468A KR 20160154468 A KR20160154468 A KR 20160154468A KR 101891725 B1 KR101891725 B1 KR 101891725B1
- Authority
- KR
- South Korea
- Prior art keywords
- road
- road boundary
- vehicle
- short
- virtual lane
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title 1
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000007547 defect Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 230000002950 deficient Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 description 9
- 238000012795 verification Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000270281 Coluber constrictor Species 0.000 description 1
- 241000209504 Poaceae Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- OQZCSNDVOWYALR-UHFFFAOYSA-N flurochloridone Chemical compound FC(F)(F)C1=CC=CC(N2C(C(Cl)C(CCl)C2)=O)=C1 OQZCSNDVOWYALR-UHFFFAOYSA-N 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
본 발명은 단거리 레이더 센서 기반의 가상 차선 생성 방법에 관한 것으로서, 보다 상세하게는 자동차전용도로에서 자율주행 중인 차량에 대해 차선 인식을 위한 카메라 센서에 결함이 발생하여 차선인식이 불가능한 상황에서 단거리 레이더 센서를 적용하여 중앙분리대 및 도로 경계를 인식하여 가상으로 차선을 생성하여 안전하게 자율주행이 가능하도록 하는 단거리 레이더 센서 기반의 가상 차선 생성 방법에 관한 것이다.
본 발명에 따른 단거리 레이더 센서 기반의 가상 차선 생성 방법은 차선 인식을 위한 카메라 센서의 결함 여부를 확인하는 단계; 카메라 센서의 결함이 확인되면 차량 전방의 좌측과 우측에 장착된 단거리 레이더 센서를 통해 스캔 데이터를 읽어들이는 단계; 상기 스캔 데이터에서 멀티패스 에코에 의한 노이즈를 필터링하는 단계; 상기 노이즈가 필터링된 스캔 데이터를 이용하여 차로의 곡률과 횡방향 이탈거리 정보를 통해 도로 경계 모델를 추정하는 단계; 및 상기 추정된 도로 경계에 대한 데이터 및 자동차 전용도로의 특징을 이용하여 가상 차선을 생성하는 단계; 를 포함한다.The present invention relates to a method for generating a virtual lane based on a short-range radar sensor, and more particularly, to a method for generating a virtual lane based on a short-distance radar sensor, The present invention relates to a virtual lane generation method based on a short-range radar sensor that recognizes a median separator and a road boundary to generate a virtual lane so that autonomous travel can be safely performed.
A method for generating a virtual lane based on a short-range radar sensor according to the present invention includes the steps of: checking whether a camera sensor for detecting a lane is defective; Reading the scan data through the short-range radar sensors mounted on the left and right sides of the front of the vehicle when a defect of the camera sensor is confirmed; Filtering noise from the scan data by multipath echo; Estimating a road boundary model using curvature and lateral departure distance information of the lane using the noise filtered scan data; And generating a virtual lane using the data on the estimated road boundary and characteristics of an automotive road; .
Description
본 발명은 단거리 레이더 센서 기반의 가상 차선 생성 방법에 관한 것으로서, 보다 상세하게는 자동차전용도로에서 자율주행 중인 차량에 대해 차선 인식을 위한 카메라 센서에 결함이 발생하여 차선인식이 불가능한 상황에서 단거리 레이더 센서를 적용하여 중앙분리대 및 도로 경계를 인식하여 가상으로 차선을 생성하여 안전하게 자율주행이 가능하도록 하는 단거리 레이더 센서 기반의 가상 차선 생성 방법에 관한 것이다.The present invention relates to a method for generating a virtual lane based on a short-range radar sensor, and more particularly, to a method for generating a virtual lane based on a short-distance radar sensor, The present invention relates to a virtual lane generation method based on a short-range radar sensor that recognizes a median separator and a road boundary to generate a virtual lane so that autonomous travel can be safely performed.
1978년 승용자동차에 최초로 ABS(Anti-lock Brake System)이 도입된 이후로 운전자의 안전성 및 편의성을 증진시키기 위한 목적으로 다양한 차량 전자제어 시스템이 개발되어 왔다.Since the introduction of ABS (Anti-lock Brake System) for the first time in passenger cars in 1978, various vehicle electronic control systems have been developed for the purpose of enhancing the safety and convenience of the driver.
이처럼 전자제어 시스템 기반 기술이 점차 발전함에 따라 최근에는 운전자의 조작 없이 자동으로 가속, 감속, 조향을 수행할 수 있는 자율주행 차량에 대한 관심이 높아지고 있으며, 미국, 유럽, 일본 등의 자동차 선진국을 중심으로 자동차전용도로와 같이 인식 대상이 제한되어 있으며 주행환경 상의 외란 요소가 상대적으로 적은 상황에서의 자율주행을 목표로 하는 제한적 자율주행 차량에 대한 개발이 활발히 진행중에 있다.As the technology based on the electronic control system gradually develops, there is a growing interest in autonomous vehicles that can automatically accelerate, decelerate, and steer without the driver's operation. The development of limited self-propelled vehicles aimed at autonomous driving in a situation where the recognition object is limited such as the road for automobile and the disturbance factor in the driving environment is relatively small is actively under development.
이러한 제한적 자율주행 차량은 주행차로 유지를 위해 주행환경을 항상 모니터링하는 것이 중요하며 이를 위한 필수적인 요소로써 차선 인식 센서를 포함한다.Such limited autonomous vehicles are important to always monitor the driving environment for maintenance of the driving lane and include a lane recognition sensor as an essential element for this.
차선 인식 센서는 자율주행 차량의 주행차로 유지를 위한 차량과 차선 사이의 상대적인 위치 정보를 제공하는 구성으로써 일반적으로 단안 카메라 센서와 스테레오 카메라 센서를 사용하는데 다양한 환경적 요인에 의해 차선이 인식되지 않거나, 인식 정확도가 떨어지는 결함이 발생할 수 있다.The lane recognition sensor is a configuration that provides relative position information between the vehicle and the lane for maintenance of the autonomous vehicle as a driving lane, and generally uses a monocular camera sensor and a stereo camera sensor. Lane recognition is not recognized due to various environmental factors, Defects with poor recognition accuracy may occur.
이에 따라 자동차전용도로 자율주행 차량의 안정적인 주행차로 유지 기능 수행을 위해서는 단안 카메라 센서 및 스테레오 카메라 센서의 결함에 의해 차선 인식이 불가능한 상황에 대한 보완 설계가 필요한 실정이다.Accordingly, in order to perform a maintenance function as a stable driving vehicle of an autonomous vehicle for a motorway, a complementary design is required for a situation in which lane recognition is impossible due to a defect in a monocular camera sensor or a stereo camera sensor.
이에 본 발명은 자동차전용도로에서 자율주행 중인 차량에 대해 차선 인식을 위한 카메라 센서에 결함이 발생하여 차선인식이 불가능한 상황에서 단거리 레이더 센서를 적용하여 중앙분리대 및 도로 경계를 인식하여 가상으로 차선을 생성하여 안전하게 자율주행이 가능하도록 하는 단거리 레이더 센서 기반의 가상 차선 생성 방법을 제공하는 데 그 목적이 있다.Accordingly, the present invention applies a short range radar sensor in a situation where a lane recognition is impossible due to a defect in a camera sensor for a lane recognition of a vehicle under autonomous driving on a motorway, thereby recognizing a median separator and a road boundary to generate a virtual lane The present invention provides a virtual lane generation method based on a short-range radar sensor that enables safe autonomous travel.
본 발명에 따른 단거리 레이더 센서 기반의 가상 차선 생성 방법은 차선 인식을 위한 카메라 센서의 결함 여부를 확인하는 단계; 카메라 센서의 결함이 확인되면 차량 전방의 좌측과 우측에 장착된 단거리 레이더 센서를 통해 스캔 데이터를 읽어들이는 단계; 상기 스캔 데이터에서 멀티패스 에코에 의한 노이즈를 필터링하는 단계; 상기 노이즈가 필터링된 스캔 데이터를 이용하여 차로의 곡률과 횡방향 이탈거리 정보를 통해 도로 경계 모델를 추정하는 단계; 및 상기 추정된 도로 경계에 대한 데이터 및 자동차 전용도로의 특징을 이용하여 가상 차선을 생성하는 단계; 를 포함한다.A method for generating a virtual lane based on a short-range radar sensor according to the present invention includes the steps of: checking whether a camera sensor for detecting a lane is defective; Reading the scan data through the short-range radar sensors mounted on the left and right sides of the front of the vehicle when a defect of the camera sensor is confirmed; Filtering noise from the scan data by multipath echo; Estimating a road boundary model using curvature and lateral deviation distance information of the lane using the noise-filtered scan data; And generating a virtual lane using the data on the estimated road boundary and characteristics of an automotive road; .
본 발명에서 상기 도로 경계 모델은 3차 Clothoid 함수 형태의 도로 모델을 통해 추정하되, 차량의 좌측과 우측 도로 경계 모델은 각각 하기의 수학식 1과 수학식 2로 표현되며, 여기서 
(수학식 2) (2)
본 발명에 따른 단거리 레이더 센서 기반의 가상 차선 생성 방법은 상기 도로 경계 모델로부터 도로 경계를 추정하기 위해 상기 수학식 1과 수학식 2에 칼만 필터를 적용한다.The method for generating a virtual lane based on a short-range radar sensor according to the present invention applies a Kalman filter to Equation (1) and Equation (2) to estimate a road boundary from the road boundary model.
본 발명에 따른 단거리 레이더 센서 기반의 가상 차선 생성 방법은 상기 노이즈가 필터링된 스캔 데이터를 이용하여 상기 도로 경계 모델을 추정함에 있어서, 상기 스캔 데이터에 주변 차량 인식 정보가 포함된 경우 해당 정보를 제외한 후 도로 경계 모델을 추정하고, 상기 스캔 데이터에 주변 차량 인식 정보만 포함된 경우 상기 주변 차량 인식 정보를 각각 좌측 우측 도로 경계로 인식하여 도로 경계 모델을 추정한다.In the method of generating a virtual lane based on a short-range radar sensor according to the present invention, in estimating the road boundary model using the noise-filtered scan data, when the surrounding vehicle recognition information is included in the scan data, Estimates the road boundary model, and estimates the road boundary model by recognizing the surrounding vehicle recognition information as the left and right road boundaries when the scan data includes only the surrounding vehicle recognition information.
본 발명에서 상기 가상 차선은 국내 자동차전용도로 특징을 반영하여 좌측의 중앙분리대와 우측의 도로 경계 사이의 폭 안에 존재할 수 있는 주행 차로의 개수를 결정하고, 측대 폭을 고려하여 수학식 3으로부터 생성한다.In the present invention, the virtual lane is generated from Equation (3) in consideration of the characteristics of a domestic automobile road, and determines the number of running lanes that can exist in the width between the left median and the right road boundary, .
본 발명에 따르면 제한적 자율주행 차량의 단안 및 스테레오 카메라 센서 등과 같은 차선 인식 센서에 결함이 발생하는 경우에도 단거리 레이더 센서를 이용하여 주행차로 유지에 필요한 차선 정보를 가상으로 생성시켜 자율주행 차량의 신뢰성을 높일 수 있다.According to the present invention, even when a fault occurs in a lane recognition sensor such as a monocular of a limited autonomous driving vehicle and a stereo camera sensor, lane information necessary for maintaining a driving lane is virtually generated using a short-range radar sensor, .
도 1은 본 발명의 일 실시예에 따른 자동차전용도로에서 자율주행 차량의 스캔 동작을 설명하는 개략도이다.
도 2는 본 발명의 일 실시예에 따른 단거리 레이더 센서 기반의 가상 차선 생성 방법의 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 3차 Clothoid 함수 형태의 도로 모델이 적용된 차량-도로 모델을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 차량-도로 모델 추정 결과를 나타낸 도면이다.
도 5은 본 발명의 일 실시예에 따른 자율주행 차량의 주변 차량 트래픽 밀도의 영향을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 국내 자동차전용도로 상에 설치된 중앙분리대와 도로 경계물의 다양한 예시를 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 차량-도로 모델을 이용하여 가상 차선을 생성하는 방법을 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따른 가상 차선 생성 결과를 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 단거리 레이더 센서 기반의 가상 차선 생성 방법의 성능 검증을 위한 자동차전용도로 환경을 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따른 단거리 레이더 센서 기반의 가상 차선 생성 방법의 성능 검증을 위한 시나리오이다.
도 11은 본 발명의 일 실시예에 따른단거리 레이더 센서 기반의 가상 차선 생성 방법의 시나리오에 따른 성능 검증 결과이다.FIG. 1 is a schematic view for explaining a scanning operation of an autonomous vehicle on a motorway according to an embodiment of the present invention.
FIG. 2 is a flowchart of a virtual lane generation method based on a short-range radar sensor according to an embodiment of the present invention.
3 is a view showing a vehicle-road model to which a road model of a third-order clothoid function type according to an embodiment of the present invention is applied.
4 is a diagram illustrating a result of vehicle-road model estimation according to an embodiment of the present invention.
5 is a graph showing the influence of the traffic density of the surrounding vehicle in the autonomous vehicle according to the embodiment of the present invention.
FIG. 6 is a view showing various examples of a median barrier and a road boundary on a domestic motorway according to an embodiment of the present invention.
7 is a diagram illustrating a method of generating a virtual lane using a vehicle-road model according to an embodiment of the present invention.
8 is a diagram illustrating a result of virtual lane generation according to an embodiment of the present invention.
9 is a view illustrating a road environment for a vehicle for verifying the performance of a virtual lane generation method based on a short-distance radar sensor according to an embodiment of the present invention.
10 is a scenario for verifying the performance of a virtual lane generation method based on a short-distance radar sensor according to an embodiment of the present invention.
FIG. 11 is a result of performance verification according to a scenario of a virtual lane generation method based on a short-range radar sensor according to an embodiment of the present invention.
이하에서, 본 발명의 바람직한 실시예가 첨부된 도면들을 참조하여 설명할 것이다. 또한 본 발명을 설명함에 있어서 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.Hereinafter, preferred embodiments of the present invention will be described with reference to the accompanying drawings. In the following description, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.
도 1은 본 발명의 일 실시예에 따른 자동차전용도로에서 자율주행 차량의 스캔 동작을 설명하는 개략도이다.FIG. 1 is a schematic view for explaining a scanning operation of an autonomous vehicle on a motorway according to an embodiment of the present invention.
도 1을 참조하면 자율주행 차량(110)은 좌우측 전방에 각각 단거리 레이더 센서(120)가 장착되어 있고 편도 3차선 자동차전용도로(10)의 2차선에서 주행중인 것을 확인할 수 있다.1, it can be seen that the
단거리 레이더 센서(120)는 미리 설정된 각도로 전방을 스캔하는데 좌, 우측의 단거리 레이서 센서(120)는 각각 좌측의 중앙분리대(11)와 우측의 도로 경계(12)를 스캔한다. 이때 스캔 범위는 단거리 레이더 센서(120)의 사양에 따라 결정된다.The short-
이러한 단거리 레이더 센서(120)를 통해 스캔된 데이터를 이용하여 도로 경계 모델을 추정하고 가상 차선을 생성하는 단계를 도 2에 도시하였다.The step of estimating the road boundary model using the data scanned through the short-
도 2를 참조하면 먼저 자율주행 차량(110)에서 차선 인식을 위한 카메라 센서에 결함이 발생하였는지를 확인한다(S101). Referring to FIG. 2, first, it is checked whether a defect has occurred in the camera sensor for lane recognition in the autonomous vehicle 110 (S101).
카메라 센서 자체 결함 또는 환경적 요인에 의한 차선 인식 불가 상황이나 인식 정확도가 떨어지는 결함이 확인되면 단거리 레이더 센서를 이용하여 차선을 추정하기 위해 자율주행 차량(110) 전방의 좌측과 우측에 장착된 단거리 레이더 센서(120)를 통해 스캔된 데이터를 읽어들인다(S103).When it is determined that the lane can not be recognized due to a defect in the camera sensor itself or an environmental factor or a defect in which the recognition accuracy is inferior is detected, a short range radar sensor mounted on the left and right sides of the front of the
그 다음으로 스캔 데이터에서 멀티패스에 의한 에코 노이즈를 필터링하여 스캔된 데이터의 품질을 향상시킨다(S105). 이러한 멀티패스 에코 노이즈를 필터링하는 방법 및 장치는 기공지된 알고리즘 및 장치를 이용할 수 있으며 이에 대한 별도의 설명은 생략한다. Next, echo noise due to multipath is filtered in the scan data to improve the quality of the scanned data (S105). A method and apparatus for filtering such multipath echo noise can use known algorithms and apparatuses and a separate description thereof will be omitted.
스캔 데이터에서 노이즈가 필터링되고 나면 차로의 곡률과 횡방향 이탈거리 정보를 통해 도로 경계 모델을 추정하는 단계(S107)를 진행하는데 이때 도로 경계 모델은 3차 Clothoid 함수 형태의 도로 모델을 통해 추정할 수 있으며 자세한 추정 방법은 후술하기로 한다.After the noise is filtered from the scan data, the road boundary model is estimated through the road curvature and the lateral offset distance information (S107). At this time, the road boundary model can be estimated through the road model of the third- The detailed estimation method will be described later.
도로 경계 모델이 추정되면 추정된 도로 경계 데이터 및 자동차 전용도로(10)의 특징을 이용하여 가상 차선을 생성하는 단계(S109)를 진행하는데 추정된 도로 경계 모델에서 좌측의 중앙분리대(11)와 우측의 도로 경계(12) 사이의 폭안에 존재할 수 있는 주행 차로의 개수를 결정하고, 측대 폭을 고려하여 가상 차선을 생성시킨다. 이에 대한 자세한 생성 방법은 후술하기로 한다.If the road boundary model is estimated, the process of generating the virtual lane using the estimated road boundary data and the characteristics of the
이러한 단거리 레이더 센서 기반의 가상 차선 생성 방법에 있어 핵심이 되는 부분은 중앙분리대(11)와 도로 경계(12)에 대한 센서 측정값을 이용하여 주행 중인 차로의 곡률과 횡방향 이탈거리 정보 얻는 것이다. 이러한 곡률과 횡방향 이탈거리 정보를 통해 도로 경계 모델을 추정하게 되며 본 발명에서는 3차 Clothoid 함수 형태의 도로 모델을 적용하고 노이즈 특성에 강인한 도로 경계 추정을 위해 칼만 필터를 적용하였다.A key part of this method of creating a virtual lane based on a short-range radar sensor is to use the sensor measurements on the
도 3은 본 발명의 일 실시예에 따른 3차 Clothoid 함수 형태의 도로 모델이 적용된 차량-도로 모델을 나타낸 도면이다.3 is a view showing a vehicle-road model to which a road model of a third-order clothoid function type according to an embodiment of the present invention is applied.
3차 Clothoid 함수 형태의 도로 모델은 직선과 곡선이 조합된 도로를 나타내기에 적합하여 차량-도로 모델에 널리 적용되어온 모델이다.The road model in the form of a third-order clothoid function is suitable for representing a road with a combination of straight lines and curved lines, and is widely applied to a vehicle-road model.
도 3에 나타낸 것과 같이 좌측과 우측의 도로 경계 모델은 동일한 곡률C0와 동일한 곡률 변화율 C1을 갖는다고 가정하였으며, 차량 중심으로부터 횡방향 거리가 각각 Yl, Yr로 서로 다르다고 가정하였다. 이에 따라 좌측과 우측의 도로 경계 모델은 아래의 수학식 1 및 수학식 2와 같이 각각 3차 Clothoid 함수 형태로 표현된다.As shown in FIG. 3, it is assumed that the left and right road boundary models have the same curvature C 0 and the same curvature change rate C 1 , and that the lateral distances from the vehicle center are different from each other, Y l and Y r , respectively. Accordingly, the left and right road boundary models are expressed in the form of a third-order clothoid function as shown in the following equations (1) and (2), respectively.
또한, 단거리 레이더 센서의 계측 주기 △T시간 동안 차량이 종방향과 횡방향으로 이동한 거리를 의미하는 △x, △y는 차량의 종방향 속도와 횡방향 속도를 이용하여 아래 수식과 같이 표현하였다.Also, Δx and Δy, which represent the distance traveled by the vehicle in the longitudinal and transverse directions during the measurement period ΔT of the short-range radar sensor, are expressed as follows using the longitudinal and transverse velocities of the vehicle .
△x = △T Vx Δx = ΔTV x
△y = △T Vy Δy = ΔTV y
차량-도로 모델 기반의 도로 경계 추정을 위한 칼만 필터를 적용하기 위하여 상태 변수 x는 곡률 C0, 곡률 변화율 C1 차량 중심으로부터 횡방향 거리 Yl, Yr로 설정하였으며 아래 수식과 같이 표현하였다.In order to apply the Kalman filter for the road boundary estimation based on the vehicle - road model, the state variable x is set to the curvature C 0 , the curvature change rate C 1, and the lateral distance Y 1 , Y r from the center of the vehicle.
차량-도로 모델 기반의 도로 경계 추정을 위한 칼만 필터를 적용하기 위하여 시스템 행렬 A는 상태 변수 x와 차량의 종방향 이동 거리 △x를 통해 3차 Clothoid 함수 형태를 도출하기 위하여 아래와 같이 표현하였다.In order to apply the Kalman filter for the road boundary estimation based on the vehicle - road model, the system matrix A is expressed as follows to derive the third - order clothoid function form through the state variable x and the longitudinal movement distance x of the vehicle.
차량-도로 모델 기반의 도로 경계 추정을 위한 칼만 필터의 첫번째 단계인 예측 단계에서의 추정값 예측은 현재의 상태 변수 x(k|k)로부터 다음의 상태 변수 x(k+1|k)를 예측하기 위하여 아래 수식과 같이 표현하였다.Estimation of the estimated value at the prediction stage, which is the first step of the Kalman filter for road-boundary estimation based on the vehicle-road model, predicts the following state variable x (k + 1 | k) from the current state variable x The following expressions are given as:
차량-도로 모델 기반의 도로 경계 추정을 위한 칼만 필터의 첫번째 단계인 예측 단계에서의 오차 공분산 예측은 현재의 오차 공분산 행렬 P(k|k)로부터 다음의 오차 공분산 행렬 P(k+1|k)를 예측하기 위하여 아래 수식과 같이 표현하였다.The error covariance prediction in the prediction step, which is the first step of the Kalman filter for the road-boundary estimation based on the vehicle-road model, is performed using the following error covariance matrix P (k + 1 | k) from the current error covariance matrix P The following equation is used to predict
여기서 잡음 ωk의 공분산 행렬인 Q(k)는 곡률 C0의 변화에 대한 분산 SC 2과 횡방향 거리의 변화에 대한 분산 S0 2, 그리고 차량 속도에 대한 가변 행렬로 아래 수식과 같이 표현하였다.Where Q (k), the covariance matrix of the noise ω k , is the variance S C 2 for the change in curvature C 0 , the variance S 0 2 for the variation in the lateral distance, and the variable matrix for the vehicle speed, Respectively.
차량-도로 모델 기반의 도로 경계 추정을 위한 칼만 필터의 두번째 단계인 칼만 이득 계산 단계에서는 첫번째 단계에서 도출한 오차 공분산 예측 행렬 P(k+1|k)와 측정값과 상태 변수의 관계를 나타내는 행렬 H(K+1), 그리고 측정 잡음 υk 의 공분산 행렬 R(k)를 이용하여 칼만 이득 K(k+1)를 산출하도록 아래 수식과 같이 표현하였다.In the Kalman gain calculation step, which is the second step of the Kalman filter for road-boundary estimation based on the vehicle-road model, the error covariance matrix P (k + 1 | k) (K + 1) using the covariance matrix R (k) of H (K + 1) and the measured noise υ k .
위의 수식에서 측정값과 상태 변수의 관계를 나타내는 행렬 H(k+1)을 정의하기 위해서는 먼저 측정값 zk를 정의해야 한다. 측정값 zk는 자율주행 차량의 전방의 좌측과 우측에 장착된 단거리 레이더 센서를 이용하여 좌측의 중앙분리대와 우측의 도로 경계를 인식한 점의 종방향, 횡방향 거리값으로 구성되며 아래 수식과 같이 표현하였다.In order to define the matrix H (k + 1) that represents the relationship between the measured value and the state variable in the above equation, we first define the measured value z k . The measurement value z k is composed of the longitudinal and lateral distance values of the points recognized on the left median separator and the right road boundary using the short-range radar sensors mounted on the left and right sides of the autonomous vehicle. I expressed it.
이에 따라 측정값과 상태 변수의 관계를 나타내는 행렬 H(K+1)는 아래 수식과 같이 표현할 수 있다.Accordingly, the matrix H (K + 1) representing the relationship between the measured value and the state variable can be expressed by the following equation.
차량-도로 모델 기반의 도로 경계 추정을 위한 칼만 필터의 세번째 단계인 추정값 계산 단계에서는 아래 수식을 이용하여 최종 상태 변수에 대한 추정값 x(k+1|k+1)을 도출한다.In the estimated value calculation step, which is the third step of the Kalman filter for road-boundary estimation based on the vehicle-road model, the estimated value x (k + 1 | k + 1) for the final state variable is derived using the following equation.
차량-도로 모델 기반의 도로 경계 추정을 위한 칼만 필터의 마지막 단계인 오차 공분산 계산 단계에서는 아래 식을 이용하여 최종 오차 공분산 P(k+1|k+1)을 도출한다.In the error covariance calculation step, which is the last step of the Kalman filter for road-boundary estimation based on the vehicle-road model, the final error covariance P (k + 1 | k + 1) is derived using the following equation.
이렇게 구성된 차량-도로 모델 기반의 도로 추정 알고리즘은 최종적으로 단거리 레이더 센서의 노이즈 특성을 고려하여 좌측과 우측의 도로 경계 모델을 수학식 1 및 수학식 2와 같이 각각의 3차 Clothoid 함수 형태로 도출해주며, 도출된 좌측과 우측의 도로 경계 모델은 도 4와 같이 표현할 수 있다.Finally, considering the noise characteristics of the short-range radar sensor, the road-estimation algorithm based on the vehicle-road model thus constructed yields left and right road boundary models in the form of respective third-order clothoid functions as shown in
이러한 차량-도로 모델 기반의 도로 경계 추정에 있어 좌측의 중앙분리대(11)와 우측의 도로 경계 사이(12)에 존재하는 주변 차량 밀도는 도로 경계 추정 성능에 큰 영향을 미칠 수 있다.In the road boundary estimation based on this vehicle-road model, the peripheral vehicle density existing between the left
도 5은 본 발명의 일 실시예에 따른 자율주행 차량의 주변 차량 트래픽 밀도의 영향을 나타낸 도면이다.5 is a graph showing the influence of the traffic density of the surrounding vehicle in the autonomous vehicle according to the embodiment of the present invention.
도 5의 (a)는 자동차전용도로를 운행중인 자율주행 차량(110)의 주변에 차량이 없는 경우를 나타내고 있으며, 이 경우에는 좌측의 중앙분리대(11)와 우측의 도로 경계(12) 사이에 주변 차량이 없기 때문에 도로 경계 추정 성능에 큰 영향을 미치지 않는 것을 알 수 있다.5 (a) shows a case where there is no vehicle around the
그러나 도 5의 (b)는 자율주행 차량(110)의 주변에 차량이 있는 경우이며, 이 경우에는 좌측의 중앙분리대(11)와 우측의 도로 경계(12) 사이에 주변 차량이 존재하기 때문에 단거리 레이더 센서는 중앙분리대와 도로 경계 외에 주변 차량을 인식하게 됨으로써 도로 경계 추정 성능에 영향을 미칠 수 있다. 따라서 이 경우에는 단거리 레이더 센서로부터 계측된 데이터에서 주변 차량에 해당하는 인식 정보를 제외시킨다.5 (b) shows a case where a vehicle is present in the vicinity of the
단거리 레이더 센서로부터 계측된 데이터에서 주변 차량에 해당하는 인식 정도를 제외시켜주는 알고리즘은 중앙분리대(11)와 도로 경계(12)에 대한 안쪽 경계 형태로 추출하는 과정에 포함시켜 주변 차량에 해당하는 정보를 제외시키도록 하는 것이 바람직하며 상세한 알고리즘은 기공지된 기술을 적용할 수 있다.The algorithm that excludes recognition accuracy corresponding to the nearby vehicle from the data measured from the short-range radar sensor is included in the process of extracting the inside boundary form of the
도 5의 (C)는 자율주행 차량(110)의 주변에 차량이 많아 교통 밀도가 높은 경우이며, 좌측의 중앙분리대(11)와 우측의 도로 경계(12)가 단거리 레이더 센서에 거의 계측되지 않는 경우이다. 이 경우에는 좌측과 우측의 주변 차량 대열을 각각 중앙분리대와 도로 경계로 인식하여 도로 모델을 추정하는 것이 바람직하다.5C shows a case in which the traffic density is high due to the presence of a large number of vehicles in the vicinity of the
앞서 기술한 단거리 레이더 센서를 이용한 차량-도로 모델 기반 도로 경계 추정 결과를 이용하여 가상 차선을 생성시키기 위해서는 추정된 도로 경계 모델에서 좌측 중앙분리대와 우측 도로 경계 사이의 폭 안에 존재할 수 있는 주행 차로의 개수를 결정해야 하므로 국내 자동차전용도로의 차로 폭, 측대, 중앙분리대 형태, 도로 경계 형태 등의 특징을 반영하여야 한다.In order to generate the virtual lane using the vehicle-road model-based road boundary estimation result using the short-range radar sensor described above, the number of running lanes in the estimated road boundary model that may exist in the width between the left median separator and the right road boundary It is necessary to reflect characteristics such as width, side, median type, and road boundary type of car roads in Korea.
국내 자동차전용도로는 상행 도로와 하행 도로를 구분하기 위한 용도로 다양한 형태의 중앙분리대가 설치되어 있으며, 도로와 비도로를 구분하기 위한 용도로 다양한 형태의 도로 경계가 설치되어 있다.Various types of central bays are provided for the purpose of distinguishing between the ascending road and the down road, and various types of road boundaries are provided for distinguishing between roads and non-roads.
국내 자동차전용도로 상에 설치된 중앙분리대와 도로 경계물의 다양한 예시를 도 6에 나타내었다.Various examples of median and road boundaries on domestic motorway are shown in FIG.
도 6을 참조하면 중앙분리대 및 도로 경계는 콘크리트 재질의 벽, 알루미늄 재질의 가드레일, 풀숲, 조경수 등이 다양하게 조합되어 형성되는 것을 알 수 있다.Referring to FIG. 6, it can be seen that the median separator and the road boundary are formed by various combinations of walls made of concrete, guard rails made of aluminum, grasses, landscape water, and the like.
이러한 특성은 상기 도로 경계 모델을 추정함에 있어서 신뢰성의 차이를 가져올 수 있으므로 이러한 각각의 특징을 모두 추출하여 경계를 추정할 수 있도록 하는것이 바람직하다.This characteristic may lead to a difference in reliability in estimating the road boundary model, so that it is preferable to extract all of these characteristics to be able to estimate the boundary.
또한 도로 경계 모델 내에 주행 차로 개수를 결정하기 위해 국내 지방지역 고속도로와 주간선도로, 도시지역의 도시고속도로, 주 간선도로의 차로 폭과 측대를 살펴보면, 차로 폭의 경우에는 3.25~3.6m 사이의 값을 가지며, 측대의 경우에는 0.5m의 값을 가지는 것을 확인할 수 있다.In order to determine the number of driving lanes in the road boundary model, the lane widths and side widths of domestic highway and interstate highway, urban highway and main highway in urban area are estimated to be 3.25 ~ 3.6m And 0.5 m in the case of the side plates.
이러한 국내 자동차 전용도로 특징을 반영하여 도 7에 나타낸 것과 같이 좌측의 중앙분리대와 우측의 도로 경계 사이의 폭 안에 존재할 수 있는 주행 차로의 개수를 결정하고, 측대 폭을 고려하여 가상 차선을 생성시킬 수 있으며 이때 가상 차선은 아래 수학식 3으로 표현된다.7, it is possible to determine the number of driving lanes that may exist in the width between the median separator on the left side and the road boundary on the right side, and to generate a virtual lane in consideration of the lateral width And the virtual lane is represented by the following equation (3).
이렇게 구성된 도로 경계 기반 가상 차선 생성 방법은 추정된 도로 경계 모델을 기반으로 수학식 3에 의하여 가상 차선을 도 8과 같이 표현할 수 있으며, 이를 토대로 현재 주행 중인 차로의 곡률과 횡방향 이탈거리 정보를 포함하는 차량과 차선 사이의 상대적인 위치 정보를 가상으로 생성시켜주게 된다.Based on the estimated road boundary model, the virtual lane can be represented as shown in FIG. 8 based on Equation (3), and the curvature and lateral departure distance information It is possible to virtually generate relative position information between the vehicle and the lane.
이러한 단거리 레이더 센서 기반의 가상 차선 생성 방법은 각 도로 환경에 따라 그 추정 성능을 검증할 필요가 있다.The virtual lane generation method based on the short-range radar sensor needs to verify its estimation performance according to each road environment.
단거리 레이더 센서 기반의 가상 차선 생성 방법의 성능 검증을 위해서는 직선 도로, 선회 도로가 복합적으로 구성되고 선회 도로의 경우에는 좌측 선회와 우측 선회가 모두 포함되는 자동차전용도로 환경을 조성하는 것이 바람직하며 도 9에 성능검증을 위한 자동차전용도로 환경을 나타내었다.In order to verify the performance of the virtual lane generation method based on the short-range radar sensor, it is preferable to construct an automobile road environment including a combination of straight roads and turning roads and a left turn and a right turn in a turning road, The road environment for the automobile was verified.
도 9를 참조하면, 단거리 레이더 센서 기반의 가상 차선 생성 방법의 성능을 검증하기 위해 직선 도로 50m 구간(Section A), 이후에 곡률 반경 100m의 우측 선회 도로(Section B), 그리고 곡률 반경 100m의 좌측 선회 도로(Section C), 및 마지막 직선 도로 50m 구간(Section D)로 구성된 편도 5차로의 자동차전용도로를 선정하였다.9, in order to verify the performance of the virtual lane generating method based on the short-range radar sensor, a
또한 도로의 좌측 중앙분리대의 형태 및 우측 도로 경계의 형태에 따라 성능에 영향을 미칠 수 있으므로 이러한 요소를 다양하게 조합하여 성능 검증을 위한 시나리오를 선정하였으며 이를 도 10에 나타내었다.In addition, since performance may be influenced by the shape of the left median of the road and the shape of the road boundary on the right side, scenarios for performance verification are selected by various combinations of these factors.
도 10에 나타낸 성능검증 시나리오는 총 5개로 단거리 레이더 센서 기반의 가상 차선 생성 방법에 영향을 많이 미치는 좌측 중앙분리대의 형태를 콘크리트 벽, 알루미늄 가드레일, 일정 거리의 가로수 3가지 형태로 조합하였으며, 성능에 큰 영향을 미치지 않는 도로 경계 형태를 가장 일반적인 콘크리트 벽으로 선정하였다.The performance verification scenarios shown in FIG. 10 are combined into a form of a left median separator, which has a large effect on the method of generating a virtual lane based on a short-range radar sensor, in a total of five, in the form of a concrete wall, an aluminum guardrail, The most common concrete wall was selected as the road boundary form which does not have a large effect on the wall thickness.
또한 자동차전용도로 상의 주변 차량 교통 밀도에 따른 성능 평가를 위하여 좌측 중앙분리대와 우측 도로 경계가 모두 콘크리트 벽으로 조합된 상황에서 주변 차량 교통 밀도는 ZERO, LOW, HIGH의 3가지 형태를 조합하였다. 그리고 자율주행 차량의 주행 속도는 자동차전용도로의 일반적인 제한 속도인 80km/h로 설정하였다.Also, for the performance evaluation according to the traffic density of the surrounding vehicles on the motorway, the traffic density of the surrounding vehicles is combined with ZERO, LOW and HIGH in the situation where the left median separator and the right road boundary are all combined with the concrete wall. The running speed of autonomous vehicles was set at 80 km / h, which is the normal limit speed of the roads for automobiles.
도 10의 각각의 시나리오에 따른 성능 검증 결과는 도 11에 나타내었다.The performance verification results according to the respective scenarios of FIG. 10 are shown in FIG.
도 11에는 각각의 시나리오에 대해 오차가 많이 발생할 수 있는 곡선구간인 Section C의 가상차선 추정 성능 검증 결과를 도시하였다.FIG. 11 shows the result of the virtual lane estimation performance verification of Section C, which is a curve section in which errors may occur for each scenario.
도 11을 참조하면 각 시나리오별 도로 경계 위치 정보에는 상당한 노이즈 특성이 포함되어 있으나 차량-도로 모델 기반의 도로 경계 추정을 위한 칼만 필터 적용을 통해 노이즈를 보정한 형태의 3차 Clothoid 함수 형태의 도로 경계 추정과 자동차전용도로 특징 기반의 가상차선이 5개로 정상적으로 수행되었음을 확인할 수 있다.Referring to FIG. 11, although the road boundary position information of each scenario includes considerable noise characteristics, the Kalman filter for the road boundary estimation based on the vehicle-road model is applied to the road boundary in the form of the third- It can be confirmed that the hypothetical and the virtual lane based on the feature of the road for the automobile was normally performed in five.
특히 시나리오 #2번과 #3번은 경우 교통 밀도가 각각 LOW, HIGH 상황이며, 주변 차량의 위치정보가 포함되어 있는 것을 확인할 수 있으나 중앙분위대와 도로 경계와 분리하여 제거시켜줌으로써 정상적으로 가상차선이 생성된 것을 확인할 수 있다.In particular,
이러한 성능 검증 결과를 통해 횡방향 이탈거리를 확인한 결과 5개 시나리오에서 평균적으로 0.2143m로, 국내 자동차전용도로의 차로 폭이 3.5m이고, 일반적인 승용자동차의 차량 폭이 1.7m 인 점을 감안해보면, 주행차로 유지를 위한 여유 공간이 좌우측 각각 0.9m씩 존재하는 것이므로, 단거리 레이더 센서 기반의 가상 차선 생성 방법을 통해 추정된 횡방향 이탈거리 추정 오차는 허용 가능한 수준이다.According to the result of this performance test, the lateral deviation distance was found to be 0.2143m on average in the five scenarios, 3.5m width on the domestic road, and 1.7m on the general passenger car. Since the left and right clearance spaces for maintaining a driving lane exist at 0.9 m each, the lateral deviation distance estimation error estimated by the virtual lane generation method based on the short-range radar sensor is acceptable.
이상에서 설명한 본 발명은 바람직한 실시 예들을 통하여 상세하게 설명되었지만, 본 발명은 이러한 실시 예들의 내용에 한정되는 것이 아님을 밝혀둔다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면, 비록 실시 예에 제시되지 않았지만 첨부된 청구항의 기재 범위 내에서 다양한 본 발명에 대한 모조나 개량이 가능하며, 이들 모두 본 발명의 기술적 범위에 속함은 너무나 자명하다 할 것이다. 이에, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.While the invention has been shown and described with reference to certain preferred embodiments thereof, it is to be understood that the invention is not limited to the disclosed embodiments. Those skilled in the art will appreciate that various modifications, additions and substitutions are possible, without departing from the scope of the appended claims, The genius will be so self-evident. Accordingly, the true scope of the present invention should be determined by the technical idea of the appended claims.
자율주행 차량 : 110 단거리 레이더 센서 : 120
자동차 전용도로 : 10 중앙분리대 : 11
도로 경계 : 12Self-powered vehicles: 110 short-range radar sensors: 120
Motorway: 10 Median: 11
Road boundaries: 12
Claims (5)
카메라 센서의 결함이 확인되면 차량 전방의 좌측과 우측에 장착된 단거리 레이더 센서를 통해 스캔 데이터를 읽어들이는 단계;
상기 스캔 데이터에서 멀티패스 에코에 의한 노이즈를 필터링하는 단계;
상기 노이즈가 필터링된 스캔 데이터를 이용하여 차로의 곡률과 횡방향 이탈거리 정보를 통해 도로 경계 모델를 추정하는 단계;
상기 추정된 도로 경계에 대한 데이터 및 자동차 전용도로의 특징을 이용하여 가상 차선을 생성하는 단계; 를 포함하며,
상기 도로 경계 모델은 3차 Clothoid 함수 형태의 도로 모델을 통해 추정하되, 차량의 좌측과 우측 도로 경계 모델은 각각 하기의 수학식 1과 수학식 2로 표현되며, 여기서
상기 도로 경계 모델로부터 도로 경계를 추정하기 위해 상기 수학식 1과 수학식 2에 칼만 필터를 적용하며,
상기 노이즈가 필터링된 스캔 데이터를 이용하여 상기 도로 경계 모델을 추정함에 있어서, 상기 스캔 데이터에 주변 차량 인식 정보가 포함된 경우 해당 정보를 제외한 후 도로 경계 모델을 추정하고, 상기 스캔 데이터에 주변 차량 인식 정보만 포함된 경우 상기 주변 차량 인식 정보를 각각 좌측 우측 도로 경계로 인식하여 도로 경계 모델을 추정하며,
상기 가상 차선은 국내 자동차전용도로 특징을 반영하여 좌측의 중앙분리대와 우측의 도로 경계 사이의 폭 안에 존재할 수 있는 주행 차로의 개수를 결정하고, 측대 폭을 고려하여 수학식 3으로부터 생성하는 단거리 레이더 센서 기반의 가상 차선 생성 방법.
Reading the scan data through the short-range radar sensors mounted on the left and right sides of the front of the vehicle when a defect of the camera sensor is confirmed;
Filtering noise from the scan data by multipath echo;
Estimating a road boundary model using curvature and lateral departure distance information of the lane using the noise filtered scan data;
Generating a virtual lane by using data on the estimated road boundary and characteristics of a road dedicated to the automobile; / RTI >
The road boundary model is estimated through a road model of a third-order clothoid function. The left and right road boundary models of the vehicle are expressed by the following equations (1) and (2), respectively
In order to estimate a road boundary from the road boundary model, a Kalman filter is applied to Equations (1) and (2)
Wherein when estimating the road boundary model using the noise filtered scan data, when the surrounding vehicle identification information is included in the scan data, the road boundary model is estimated after excluding the corresponding information, If the information includes only information, the perimeter vehicle recognition information is recognized as the left and right road boundaries to estimate the road boundary model,
The virtual lane is determined by determining the number of running lanes that can be present in the width between the median separator and the road boundary on the left side in accordance with the characteristics of the domestic automobile exclusive road, Based virtual lane generation method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160154468A KR101891725B1 (en) | 2016-11-18 | 2016-11-18 | Method for producing virtual lane based on short-range radar sensor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160154468A KR101891725B1 (en) | 2016-11-18 | 2016-11-18 | Method for producing virtual lane based on short-range radar sensor |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180056322A KR20180056322A (en) | 2018-05-28 |
| KR101891725B1 true KR101891725B1 (en) | 2018-08-24 |
Family
ID=62441343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160154468A KR101891725B1 (en) | 2016-11-18 | 2016-11-18 | Method for producing virtual lane based on short-range radar sensor |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101891725B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020262716A1 (en) * | 2019-06-24 | 2020-12-30 | 엘지전자 주식회사 | Travel method of autonomous vehicle |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180099280A (en) * | 2017-02-28 | 2018-09-05 | 삼성전자주식회사 | Method and device to generate virtual lane |
| EP3822140B1 (en) * | 2019-11-18 | 2022-06-22 | Zenuity AB | Operational design domain validation coverage for road and lane type |
| CN113093743B (en) * | 2021-03-30 | 2022-08-30 | 西北农林科技大学 | Navigation control method based on virtual radar model and deep neural network |
| US20240061119A1 (en) * | 2022-08-16 | 2024-02-22 | Qualcomm Incorporated | Cellular radio frequency (rf) sensing in automobile navigation |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101500168B1 (en) * | 2013-10-14 | 2015-03-06 | 현대자동차주식회사 | Method for Recognizing Side Boundary of Road during Driving |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101163446B1 (en) * | 2009-03-18 | 2012-07-18 | 기아자동차주식회사 | A lane departure warning system using a virtual lane and a system according to the same |
| KR101502511B1 (en) * | 2013-11-28 | 2015-03-13 | 현대모비스 주식회사 | Apparatus and method for generating virtual lane, and system for controlling lane keeping of vehicle with the said apparatus |
-
2016
- 2016-11-18 KR KR1020160154468A patent/KR101891725B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101500168B1 (en) * | 2013-10-14 | 2015-03-06 | 현대자동차주식회사 | Method for Recognizing Side Boundary of Road during Driving |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020262716A1 (en) * | 2019-06-24 | 2020-12-30 | 엘지전자 주식회사 | Travel method of autonomous vehicle |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20180056322A (en) | 2018-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101891725B1 (en) | Method for producing virtual lane based on short-range radar sensor | |
| CN107451521B (en) | Vehicle lane map estimation | |
| CN109254289B (en) | Detection method and detection equipment for road guardrail | |
| CN107918758B (en) | Vehicle capable of environmental scenario analysis | |
| EP2029414B1 (en) | Vehicle state quantity predicting apparatus and vehicle steering controller using the same, and a method for predicting a vehicle state quantity and vehicle steering controlling method using the same | |
| CN110395258B (en) | Road surface state estimation device and road surface state estimation method | |
| JP7172619B2 (en) | Road surface condition estimation device and road surface condition estimation method | |
| KR102090512B1 (en) | Vehicle localization device | |
| CN110234957B (en) | Method for storing travel record, method for generating travel track model, method for estimating self-position, and device for storing travel record | |
| CN103026396B (en) | Drive assistance device | |
| US20080291276A1 (en) | Method for Driver Assistance and Driver Assistance Device on the Basis of Lane Information | |
| CN110400478A (en) | A kind of road condition notification method and device | |
| US20210221355A1 (en) | Apparatus and method for generating u-turn path of autonomous vehicle | |
| US20080136612A1 (en) | Obstacle Detection Apparatus | |
| US20220169280A1 (en) | Method and Device for Multi-Sensor Data Fusion For Automated and Autonomous Vehicles | |
| CN105270410A (en) | Accurate curvature estimation algorithm for path planning of autonomous driving vehicle | |
| JP2014528063A (en) | A method using a 3D camera for determining whether a vehicle can pass through an object | |
| US10095238B2 (en) | Autonomous vehicle object detection | |
| KR102517546B1 (en) | System and method for predicting danger during driving of vehicle | |
| KR101503473B1 (en) | System and method for deciding driving situation of vehicle | |
| FR3066743B1 (en) | DRIVING ASSISTANCE FOR A MOTOR VEHICLE ON THE APPROACH TO A TILT BARRIER | |
| JP6115429B2 (en) | Own vehicle position recognition device | |
| KR101417409B1 (en) | System and method for preventing accident in parking lot | |
| KR101836810B1 (en) | Apparatus for detecting carriageway | |
| JP6232883B2 (en) | Own vehicle position recognition device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |