KR101944497B1 - 지능형 cctv를 활용한 무인주행차량의 제어시스템 및 방법 - Google Patents

지능형 cctv를 활용한 무인주행차량의 제어시스템 및 방법 Download PDF

Info

Publication number
KR101944497B1
KR101944497B1 KR1020180090509A KR20180090509A KR101944497B1 KR 101944497 B1 KR101944497 B1 KR 101944497B1 KR 1020180090509 A KR1020180090509 A KR 1020180090509A KR 20180090509 A KR20180090509 A KR 20180090509A KR 101944497 B1 KR101944497 B1 KR 101944497B1
Authority
KR
South Korea
Prior art keywords
image
trajectory
vehicle
block
intelligent cctv
Prior art date
Application number
KR1020180090509A
Other languages
English (en)
Inventor
이희부
Original Assignee
블랙썬 주식회사
에스케이모터스 주식회사
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 블랙썬 주식회사, 에스케이모터스 주식회사 filed Critical 블랙썬 주식회사
Priority to KR1020180090509A priority Critical patent/KR101944497B1/ko
Application granted granted Critical
Publication of KR101944497B1 publication Critical patent/KR101944497B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

본 발명은 지능형 CCTV를 활용한 무인주행차량의 제어시스템 및 방법에 관한 것이다.
본 발명은 이를 위해 무인주행차량의 적소에 복수개가 조립 설치되는 지능형 CCTV 카메라(101); 지능형 CCTV 카메라와 연결되며, 검출된 영상객체를 객체인식 기술을 활용하여 변화검출을 처리하는 영상처리모듈(401); 영상처리모듈과 연결되며, 비교분석기술을 활용하여 처리하되, 영상의 비교결과 새로운 영상객체를 딥러닝 학습기술을 적용하여 학습시켜 영상처리 및 분석능력을 향상시키는 영상분석모듈(501); 및 영상처리모듈로부터 복수개의 영상신호 값을 수신하여 해당차량의 위치를 인식하는 위치식별모듈(601);이 포함된다.
상기와 같이 구성된 본 발명은 다양한 주행공간의 환경 하에서 무인주행차량(unmanned driving vehicle)의 외부에 복수 개의 지능형 CCTV 카메라를 장착하여 실시간 영상처리 및 위치식별을 하여 무인으로 차량을 운행할 수 있도록 한 것이고, 이로 인해 무인주행차량 제어시스템의 품질과 신뢰성을 대폭 향상시키므로 사용자들의 다양한 욕구(니즈)를 충족시켜 좋은 이미지를 심어줄 수 있도록 한 것이다.

Description

지능형 CCTV를 활용한 무인주행차량의 제어시스템 및 방법{Control system and method of unmanned driving vehicle using intelligent CCTV}
본 발명의 실시예는 지능형 CCTV를 활용한 무인주행차량의 제어시스템 및 방법에 관한 것으로, 보다 상세하게는 다양한 주행공간의 환경 하에서 무인주행차량(unmanned driving vehicle)의 외부에 복수 개의 지능형 CCTV 카메라를 장착하여 실시간 영상처리 및 위치식별을 하여 무인으로 차량을 운행할 수 있도록 한 것이고, 이로 인해 무인주행차량 제어시스템의 품질과 신뢰성을 대폭 향상시키므로 사용자들의 다양한 욕구(니즈)를 충족시켜 좋은 이미지를 심어줄 수 있도록 한 것이다.
주지하다시피 자율주행차량과 같은 무인주행차량을 운행하기 위해서는 기존의 단순한 주행공간의 영상획득 및 처리방법으로는 예측불가능한 주행공간에서 안전한 주행을 보장할 수 없었다.
또한 종래에는 차량의 위치를 파악하는 가장 기본적인 방법으로 GPS 위치신호를 수신하여 사용하였지만, 위치정보의 정확성이 낮아 주행하는 차량에 적용하기에는 안정성과 정확성을 보장할 수 없는 문제점이 있었다.
이러한 문제점을 해결하기 위하여 가로등이나 도로에 특정한 표식를 하거나, 도로바닥에 특정한 표식를 하는 방식들이 제안되었다.
예를들어 선행특허1(특허등록번호 0669250) "인공표식 기반의 실시간 위치산출 시스템 및 방법"에서는 IR 표식을 부착하여 위치인식을 가능하게 하는 방식이 제안되었다.
또한 주행차량의 위치를 인식하는 다른 방식으로는 도로의 가로등이나 별도의 기둥에 표식을 부착하는 방식이 제안되었으나, 이 방식은 설치비용이 많이들고 유지관리비 또한 많이 드는 단점이 있다.
선행특허2(특허등록번호 0913165) "무인주행차량의 위치검출 장치 및 방법"에서는 IR 표식을 차량에 부착하고 카메라에는 IR만을 투과시키는 광학필터를 사용함으로써 차량의 위치를 매우 단순하게 검출하는 방식이 제안된 바 있다.
이러한 선행특허2에서와 같이, IR 영상정보와 광학필터 만을 사용하는 방식은 주위의 조명 등에 관계없이 표식을 검출할 수 있기 때문에 위치인식이나 모션인식 등에 폭넓게 적용될 수 있다.
그러나, 차량이 한 대만 주행하는 환경 하에서는 IR 광학필터 방식을 통해 차량의 위치를 실시간으로 검출할 수 있으나, 여러 대의 차량이 동시에 주행하는 환경 하에서는 각 차량 간의 위치 및 구분을 명확히 할 수 없는 문제점이 있다.
이를 해결하기 위한 다른 방식으로는 각 광학표식을 서로 다른 형식으로 디자인하는 방식도 제안된 바 있다. 즉, 하나의 표식을 사용하는 대신에 여러 개의 다양한 표식을 사용하여 서로의 형태가 구분되도록 표식들을 배치하는 방식으로 이러한 문제점을 해결하려는 방식도 제안되었으나, 현실적으로 비효율적이다.
특히 상기 선행특허1에서와 같이 주행차량이 스스로 자신의 위치를 파악하는 기존의 방식을 적용하기 위하여 추가적인 표식을 주행환경 내에 설치하여야 하는데, 이 방식은 설치비용이 많이들고 유지관리비 또한 많이드는 단점이 있을 뿐만 아니라 사람들의 심리적 거부감을 가져올 수 있다.
또한, 선행특허2에서와 같이, 영상정보와 광학필터를 사용하는 기존의 방식을 적용하기 위해서는 다음과 같은 여러 가지 문제점이 있다.
첫째, 여러 개의 표식들을 기하학적으로 배치해야 하므로, 크기가 큰 표식의 경우 차량에 부착하기 어렵고, 차량 외형의 디자인에 장애가 된다.
둘째, 표식의 패턴을 여러가지 형태로 만들어야 하기 때문에, 제작비용이 많이들고 제작하기 어렵다는 문제점이 있다.
셋째, 카메라에서 여러 가지 표식들을 구분하기 위하여 높은 해상도의 영상을 검출해야 하므로, 각 차량들이 가까운 거리에 있어야 하고 고해상도의 비싼 카메라를 사용하여야 한다.
넷째, 여러개의 표식들을 사용할 경우 소모전력이 증가하며, 이는 무인주행차량을 운행하기 위하여 공급하는 전력의 문제점이 있다.
다섯째, 카메라 영상에서 유사한 형태의 표식들이 동시에 검출될 경우, 오인식이나 잘못된 영상분석으로 인하여 주행차량의 위치를 오인식 할 수 있는 문제점이 있다. 즉, 강렬한 태양광이나 반사조명 등의 주변환경 하에서 기존의 영상검출 및 분석처리 방식으로는 원하는 표식들을 구분하기 어렵다는 문제점이 있다.
상기한 문제점을 해결하기 위하여 종래에는 아래와 같은 선행기술문헌들이 개발되었으나, 여전히 상기한 종래 기술의 문제점을 일거에 해결하지 못하는 커다란 문제점이 발생 되었다.
대한민국 등록특허공보 제0669250호(2007년 01월 09일)가 등록된바 있다. 대한민국 등록특허공보 제0913165호(2009년 08월 13일)가 등록된바 있다.
본 발명은 상기와 같은 종래 기술의 제반 문제점을 해소하기 위하여 안출한 것으로, 지능형 CCTV 카메라와 GPS, 영상처리 모듈과 영상분석 모듈 그리고 위치식별 모듈이 구비됨을 제1목적으로 한 것이고, 상기한 기술적 구성에 의한 본 발명의 제2목적은 다양한 주행공간의 환경 하에서 무인주행차량(unmanned driving vehicle)의 외부에 복수 개의 지능형 CCTV 카메라를 장착하여 실시간 영상처리 및 위치식별을 하여 무인으로 차량을 운행할 수 있도록 한 것이고, 제3목적은 복수 개의 지능형 CCTV 카메라를 통하여 차량의 주행공간 내의 다양한 영상을 검출하고 분석하여 공간 좌표를 산출하고, 산출된 영상신호 값에 상응하는 위치궤적을 산출하여 오도메트리(Odometry) 궤적과 비교분석하고, 외부의 GPS 위치신호와 타 차량의 위치신호를 네트워크로 공유하여 주행차량 자신의 위치값을 보정하여, 안전하고 정확한 무인주행차량의 운행을 가능하게 하는 방법을 제공하는 것이며, 제4목적은 복수 개의 지능형 CCTV 카메라로부터 획득한 복수 개의 영상객체를 검출하고 인식하여, 기존에 저장된 영상 및 위치값과 비교하여 차이가 일정수준 이하인 경우 동일한 객체로 인식하고, 일정수준 이상인 경우 새로운 객체로 인식하여, 새로운 객체의 영상 및 위치값에 대한 딥러닝(Deep Learning) 학습을 한 후 데이터베이스에 저장하여, 향후의 영상객체 검출 및 위치식별에 활용할 수 있으므로, 다양한 주행환경 하에서도 정확하고 안전한 무인주행차량의 운행을 가능하게 하는 방법을 제공하고, 제5목적은 주행차량 외부에 복수 개의 지능형 CCTV 카메라를 설치하여, 이들로부터 획득한 복수 개의 영상객체들을 검출하고 인식하여, 기존에 저장된 영상객체들과 비교하여 영상픽셀의 차이가 일정수준 이하인 경우 동일한 객체로 인식하고, 일정수준 이상인 경우 새로운 객체로 인식하여, 새로운 객체의 영상에 대한 딥러닝 학습을 한 후 데이터베이스에 저장하여, 향후의 영상객체 검출 및 위치식별에 활용할 수 있도록 한 것이며, 제6목적은 무인주행차량의 운행을 위한 위치파악 방법으로서는 외부의 GPS 위치정보 만을 수신하여 활용하는 기존의 방식과는 다르게, 주행차량 내부에 궤적산출 및 비교분석 기술을 적용하여 주행차량 자신의 궤적을 산출하는 모듈을 탑재하고, GPS 위치정보와 주행공간 주위의 타 차량들과 위치정보를 네트워크를 통해 실시간으로 공유하며 주행차량 자신의 위치값을 보정하여 주행차량 스스로 운행할 수 있는 기술을 적용한 것이고, 제7목적은 이로 인해 무인주행차량 제어시스템의 품질과 신뢰성을 대폭 향상시키므로 사용자들의 다양한 욕구(니즈)를 충족시켜 좋은 이미지를 심어줄 수 있도록 한 지능형 CCTV를 활용한 무인주행차량의 제어시스템 및 방법을 제공한다.
이러한 목적 달성을 위하여 본 발명은 무인주행차량의 외부에 장착된 복수 개의 지능형 CCTV 카메라로부터 주행공간의 영상정보를 검출하여 영상을 분석하고 처리하는 것으로, 무인주행차량의 적소에 복수개가 조립 설치되는 지능형 CCTV 카메라; 지능형 CCTV 카메라와 연결되며, 검출된 영상객체를 객체인식 기술을 활용하여 변화검출을 처리하는 영상처리모듈; 영상처리모듈과 연결되며, 비교분석기술을 활용하여 처리하되, 영상의 비교결과 새로운 영상객체를 딥러닝 학습기술을 적용하여 학습시켜 영상처리 및 분석능력을 향상시키는 영상분석모듈; 및 영상처리모듈로부터 복수개의 영상신호 값을 수신하여 해당차량의 위치를 인식하는 위치식별모듈;이 포함됨을 특징으로 하는 지능형 CCTV를 활용한 무인주행차량의 제어시스템을 제공한다.
또한 본 발명은 무인주행차량의 외부에 장착된 복수 개의 지능형 CCTV 카메라로부터 주행공간의 영상정보를 검출하여 영상을 분석하고 처리하는 것으로, 영상검출 기술로 검출된 영상객체를 객체인식(순간 객체 포착) 기술을 활용하여 처리하고, 검출된 영상객체를 변화검출과 비교분석 기술을 활용하여 처리하고, 영상의 비교분석 결과 새로운 영상객체를 딥러닝 학습 기술을 적용하여 학습시킴으로서 영상처리 및 분석능력을 향상시키되, 무인주행차량의 위치를 식별하기 위하여 수신된 영상신호 값으로 차량 자신의 궤적을 생성하고, 자신의 궤적과 오도매트릭 궤적을 비교분석하여 주행차량 자신의 위치정보를 보정하고, GPS 위치신호와 주행공간 내의 복수 개의 타 차량으로부터 수신된 위치값을 비교분석하여 주행차량 자신의 위치정보를 보정하여, 무인주행차량을 안전하고 정확하게 운행할 수 있도록 함을 특징으로 하는 지능형 CCTV를 활용한 무인주행차량의 제어방법을 제공한다.
상기에서 상세히 살펴본 바와 같이 본 발명은 무인주행차량의 외부에 복수 개의 지능형 CCTV 카메라를 설치하고, 주행공간의 환경에 대한 실시간 영상처리 및 위치식별 기술을 활용하여 무인으로 차량을 운행하는 시스템 및 그 방법을 제시하였다.
또한 본 발명은 무인주행차량을 운행하기 위한 위치파악 방법으로 외부의 GPS 위치정보 만을 수신하여 활용하는 기존의 방식과는 달리, 변화검출 블록이 검출한 복수 개의 영상정보에 상응하는 공간좌표를 산출하고, 산출된 공간좌표의 영상신호 값을 위치식별 모듈 내의 궤도매칭 블록이 오도메트리(Odometry) 기술을 적용하여 주행차량 자신의 궤적과 오도메트리 궤적과 비교분석하여 주행공간 내에서 주행차량 자신의 위치를 인식하는 방법을 제시하였다.
즉, 복수 개의 지능형 CCTV 카메라로부터 획득한 복수 개의 영상 객체를 검출하고 인식하여, 기존에 저장된 영상 및 위치값과 비교하여 차이가 일정수준 이하인 경우 동일한 객체로 인식하고, 일정수준 이상인 경우 새로운 객체로 인식하여, 새로운 객체의 영상 및 위치값에 대한 딥러닝(Deep Learning) 학습을 한 후 데이터베이스(Database)에 저장하여, 향후의 객체검출 및 위치식별에 활용할 수 있는 방법을 제시하였다.
또한 본 발명은 지능형 CCTV 카메라 기술을 활용하여 주행공간의 영상을 실시간으로 검출하고 분석하여 다양한 교통흐름 및 돌발상황이 발생하다라도 실시간으로 영상객체와 위치정보를 인식하여 무인주행차량을 안전하고 정확하게 운행할 수 있는 방법을 제시하였다.
특히 본 발명은 요로(YOLO:You only Look Once)(순각 객체 포착) 기술 등을 활용하여 영상의 객체를 검출하고, 오도메트릭(Odometry) 기술 등을 활용하여 주행차량의 궤적을 비교분석하여 정확하게 보정하고, 딥러닝(Deep Learning) 기술 등을 활용하여 새로운 객체영상에 대한 학습을 가능하게 하였다.
본 발명은 기존의 기술들을 효과적으로 결합하여, 무인주행차량의 주행에 필요한 영상처리 및 위치식별 방법에 적용하여 향후에 도래할 무인주행차량 시대의 산업발전에 이바지할 수 있도록 한 것이다.
이하에서는 이러한 효과 달성을 위한 본 발명의 바람직한 실시 예를 첨부된 도면에 따라 상세히 설명하면 다음과 같다.
도 1 은 본 발명에 적용된 지능형 CCTV를 활용한 무인주행차량의 제어시스템
의 블럭 구성도.
도 2 는 본 발명에 적용된 지능형 CCTV를 활용한 무인주행차량의 제어시스템
의 영상정보검출 및 분석과정을 도시한 흐름도.
도 3 은 본 발명 무인주행차량이 오도메트리 궤적과의 비교분석을 통해 자신
의 이동궤적을 인식하는 예시도.
도 4 는 본 발명에 적용된 지능형 CCTV를 활용한 무인주행차량의 제어시스템
의 위치식별 및 위치값을 보정하는 과정을 도시한 흐름도.
도 5 의 (a)(b)는 본 발명 주행환경의 도로영상을 지능형 CCTV카메라에서 영
상객체들이 인식된 예를 보여주는 사진.
본 발명에 적용된 지능형 CCTV를 활용한 무인주행차량의 제어시스템 및 방법은 도 1 내지 도 5 에 도시된 바와 같이 구성되는 것이다.
하기에서 본 발명을 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 것이다.
그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 설정된 용어들로서 이는 생산자의 의도 또는 관례에 따라 달라질 수 있으므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
또한 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도면에 도시된 바에 한정되지 않는다.
먼저, 본 발명은 무인주행차량 운행을 위한 지능형 CCTV 카메라의 실시간 영상처리, 영상분석 및 위치식별 방법의 블록구성도로서, 복수개의 지능형 CCTV 카메라(101 ~ 109), GPS(201), 복수 개의 타 차량그룹(301 ~ 309), 영상처리 모듈(401), 영상분석 모듈(501) 및 위치식별 모듈(601) 등을 포함하며, 영상처리 모듈(401)은 변화검출 블록(4011)(객체검출기술)과, 객체인식 블록(4012) 즉, 요로(YOLO:You only Look Once)(순각 객체 포착) 기술 등으로 구성되고, 영상분석 모듈(501)은 분석엔진 블록(5011)(변화검출기술)과, 영상학습 블록(5012)(딥러닝기술:deep learing) 등으로 구성되고, 위치식별 모듈(601)은 궤적매칭 블록(6011)(Odometry기술)과, 메모리 블록(6012)(영상/위치 DB) 등으로 구성된다.
이때 상기 요로(YOLO:You only Look Once)(순각 객체 포착) 기술은, 각 이미지를 S x S 개의 그리드로 분할하고, 그리드의 신뢰도를 계산한다. 신뢰도는 그리드 내 객체 인식 시 정확성을 반영하는 것으로, 처음에는 객체 인식과는 동떨어진 경계 상자가 설정되지만, 신뢰도를 계산하여 경계 상자의 위치를 조정함으로써, 가장 높은 객체 인식 정확성을 가지는 경계 상자를 얻을 수 있도록 한 것이다.
또한 본 발명에 적용된 상기 영상처리 모듈(401)은 무인주행차량 외부에 설치된 복수 개의 지능형 CCTV 카메라로부터 영상을 검출하여 획득하는 변화검출 블록(4011)과 요로기술 등을 활용하여 객체를 인식하는 객체인식 블록(4012)으로 구성된다.
그리고 본 발명에 적용된 상기 영상분석 모듈(501)은 복수 개의 영상을 변화검출 등의 기술을 활용하여 분석하는 분석엔진 블록(5011)과 새로운 영상을 딥러닝 학습할 수 있는 영상학습 블록(5012)으로 구성된다.
또한 본 발명에 적용된 상기 위치식별 모듈(601)은 주행차량 자신의 주행궤적과 오도매트릭 궤적과 비교분석 할 수 있는 궤적매칭 블록(6011)과 영상 및 위치 정보를 저장하는 메모리 블록(6012)으로 구성된다.
도 1 을 참조하면서 상세히 설명하면, 복수개의 지능형 CCTV 카메라(101)는, 무인주행차량이 주행하는 공간 내에서 영상을 효과적으로 획득할 수 있도록 차량의 전, 후, 좌, 우에 각 하나씩 설치할 수 있지만, 필요에 따라 여러 대를 추가로 설치할 수 있다.
이러한 지능형 CCTV 카메라(101)는 가시광선 대역의 빛은 차단되고 적외선 대역의 빛만을 투과시키는 광학필터를 장착하거나, 온도를 감지하여 영상을 만드는 열영상 장비를 사용할 수 있다.
이 지능형 CCTV 카메라(101)를 통하여 검출된 영상은 영상처리 모듈(401) 내의 변화검출 블록(4011)으로 전달된다. 이 변화검출 블록(4011)은 지능형 CCTV 카메라(101)를 통하여 검출된 영상을 요로기술 등 객체인식 기술을 적용한 객체인식 블록(4012)에서 공간내의 객체들을 검출하고,
이와 같이 검출된 영상정보들은 분석엔진 블록(5011)으로 전달되어 변화검출 등 비교분석 기술을 적용하여, 기존에 저장된 영상픽셀과 비교하여 차이가 일정수준 이하인 경우 동일한 객체로 인식하고, 일정수준 이상인 경우 새로운 객체로 인식하여, 새로운 객체의 영상에 대한 딥러닝 학습을 하는 영상학습 블록(5012)으로 전달되어 주행차량은 스스로 영상검출 능력을 향상시킬 수 있다.
그리고, 주행차량의 변화검출 블록(4011)은 검출된 영상정보의 영상좌표와 메모리 블록(6012)에 기 저장되어 있는 지능형 CCTV 카메라의 설치 위치와 바닥에서부터 지능형 CCTV 카메라 설치 위치까지의 높이, 지능형 CCTV 카메라의 방향 정보 등을 이용하여 검출된 각 영상정보의 공간좌표(x, y)를 축으로 위치값을 산출한다.
또한, 변화검출 블록(4011)에서는 산출된 공간좌표의 영상신호 데이터 값을 네트워크로 주위의 차량들에 장착되어 있는 위치식별 모듈(601)로 전송하는데, 이러한 네트위크 전송은 CDMA 또는 WCDMA 통신 등과 같은 무선통신 방식을 이용할 수 있다.
즉, 본 실시 예에서는 주행공간 내에 존재하는 각 차량의 구분없이 모든 차량의 영상신호 값 만을 산출하여 각 차량에 부착된 영상처리 모듈로 무선전송한다.
한편, 위치식별 모듈(601)은 차량에 장착되어 영상처리 모듈(401)로부터 복수 개의 영상신호 값을 수신하여 해당차량의 위치를 인식하는 것으로, 궤적매칭 블록(6011)과 메모리 블록(6012) 등으로 구성된다.
특히 궤적매칭 블록(6011)은 영상처리 모듈(401)로부터 수신되는 영상신호 값에 상응하는 복수 개의 영상신호 값마다의 영상궤적을 생성하여 메모리 블록(6012)에 저장하고, 다음 영상신호 값이 수신될 때 기존에 저장되어 있는 영상신호 값과 비교하여 그 차이를 판단하여 수신된 영상신호 값을 해당 영상궤적에 추가하여 메모리 블록(6012)에 저장하는 기능을 제공한다.
또한, 궤적매칭 블록(6011)은 생성된 영상궤적과 주행차량 자신의 오도메트리 궤적을 비교분석하여 주행공간 내의 차량 위치를 인식하는데, 오도메트리(odometry)는 처음 출발위치를 기준으로 누적된 차량바퀴의 회전수와 바퀴간의 거리 및 바퀴 직경 등을 이용하여 차량의 위치를 계산하는 방식이다.
본 발명에서 사용하는 무인주행차량의 오도메트리 위치 정보는 차량의 메모리 블록(6012)에 기본적으로 내장된 것으로 가정한다.
즉, 궤적매칭 블록(6011)에서는 오도메트리 궤적과 영상궤적들을 측정하여 가장 높은 유사도를 갖는 영상궤적을 선택하여, 선택된 영상궤적과의 유사도가 기 설정된 값 이상일 경우에 영상검출 및 분석에 성공한 것으로 판단한다.
또한, 비교분석의 성공여부를 결정할 때, 궤적의 유사도와 궤적의 특이성을 고려하여 비교분석 하는 방법 또한 가능하다.
예컨대, 공간 내에 A, B, C, D로 표시된 4대의 주행차량이 도 3에서와 같이 주행한다고 가정할 때, 차량 C는 위치식별 모듈(601)로부터 위치 데이터를 수신할 때마다 4개의 영상신호 값들을 수신하게 된다. 내부적으로, 차량 C는 수신된 각 영상신호 값들에 대해 영상이동 궤적을 생성하고 이를 메모리 블록(6012)에 저장한다. 여기에서, 수신된 영상신호 값들은 각 차량들의 실제 위치정보이므로, 영상궤적은 각 차량의 실제 이동경로가 된다.
따라서, 차량 C는 주기적으로 자신의 오도메트리 궤적(L)과 현재 주행궤적과 비교분석한다.
본 실시 예에서는 단지 하나의 영상처리, 분석 및 위치식별 방법 만을 제시하여 설명하였으나, 이것은 단지 예시 일 뿐 주행공간 내에 복수 개의 차량이 존재한다고 가정할 때에는 복수 개의 영상처리 모듈이 존재하는 것으로 이해하는 것은 마땅하다.
한편 본 발명은 상기의 구성부를 적용함에 있어 다양하게 변형될 수 있고 여러 가지 형태를 취할 수 있다.
그리고 본 발명은 상기의 상세한 설명에서 언급되는 특별한 형태로 한정되는 것이 아닌 것으로 이해되어야 하며, 오히려 첨부된 청구범위에 의해 정의되는 본 발명의 정신과 범위 내에 있는 모든 변형물과 균등물 및 대체물을 포함하는 것으로 이해되어야 한다.
상기와 같이 구성된 본 발명 지능형 CCTV를 활용한 무인주행차량의 제어시스템 및 방법의 작용효과를 설명하면 다음과 같다.
우선, 본 발명은 다양한 주행공간의 환경 하에서 무인주행차량(unmanned driving vehicle)의 외부에 복수 개의 지능형 CCTV 카메라를 장착하여 실시간 영상처리 및 위치식별을 하여 무인으로 차량을 운행할 수 있도록 한 것이다.
이를 위해 본 발명에 적용된 도 1 은 본 지능형 CCTV를 활용한 무인주행차량의 제어시스템의 블럭 구성도이다.
그리고 도 2 는 본 발명에 적용된 지능형 CCTV를 활용한 무인주행차량의 제어시스템의 영상정보검출 및 분석과정을 도시한 흐름도이다.
또한 도 3 은 본 발명 무인주행차량이 오도메트리 궤적과의 비교분석을 통해 자신의 이동궤적을 인식하는 예시도이다.
그리고 도 4 는 본 발명에 적용된 지능형 CCTV를 활용한 무인주행차량의 제어시스템의 위치식별 및 위치값을 보정하는 과정을 도시한 흐름도이다.
본 발명의 지능형 CCTV를 활용한 무인주행차량의 제어방법을 보다 상세히 설명하면 다음과 같다.
본 발명은 무인주행차량의 외부에 장착된 복수 개의 지능형 CCTV 카메라로부터 주행공간의 영상정보를 검출하여 영상을 분석하고 처리하는 것으로, 영상검출 기술로 검출된 영상객체를 객체인식(순간 객체 포착) 기술을 활용하여 처리하고, 검출된 영상객체를 변화검출과 비교분석 기술을 활용하여 처리하고, 영상의 비교분석 결과 새로운 영상객체를 딥러닝 학습 기술을 적용하여 학습시킴으로서 영상처리 및 분석능력을 향상시키되, 무인주행차량의 위치를 식별하기 위하여 수신된 영상신호 값으로 차량 자신의 궤적을 생성하고, 자신의 궤적과 오도매트릭 궤적을 비교분석하여 주행차량 자신의 위치정보를 보정하고, GPS 위치신호와 주행공간 내의 복수 개의 타 차량으로부터 수신된 위치값을 비교분석하여 주행차량 자신의 위치정보를 보정하여, 무인주행차량을 안전하고 정확하게 운행할 수 있도록 함을 특징으로 하는 지능형 CCTV를 활용한 무인주행차량의 제어방법을 제공한다.
특히 본 발명의 영상처리, 영상분석 및 위치식별 방법을 이용하여 본 실시 예에 따라 무인주행차량이 자신의 위치를 인식하는 과정에 대하여 도 2,4를 참조하여 설명한다.
도 2의 801 내지 811은 영상처리 흐름도이고, 도 4는 위치처리 흐름도로, 도 2의 흐름도는 도 4 와 유사하기 때문에 이하에서는 도 4를 중심으로 설명한다.
도 4는 본 발명의 제 1 실시 예에 따라 차량이 자신의 위치를 인식하는 과정을 도시한 순서도이다.
도 4를 참조하면, 영상검출 및 분석처리를 위해 지능형 CCTV 카메라가 동작하면, 지능형 CCTV 카메라(101)에서는 복수 개의 차량이 주행하는 공간의 공간영상을 촬영하여 변화검출 블록(4011)으로 전달한다(단계 802).
그리고 변화검출 블록(4011)에서는 획득한 주행공간의 영상을 분석하여 복수 개의 영상정보를 검출하고, 이와 같이 검출된 영상정보 내의 객체를 인식하는 객체인식 블록(4012)으로 전달한다(단계 841).
예컨대, 주행공간 내에 영상정보 검출 지능형 CCTV 카메라가 차량의 전,후, 좌,우에 각 하나씩 장착된 4개의 차량이 존재한다고 가정할 때 16개(4x4)의 영상정보가 검출될 것이다.
이어서, 변화검출 블록(4011)에서는 검출된 영상정보와 객체인식 블록(4012)의 객체 좌표와 메모리 블록(6012)에 저장되어 있는 지능형 CCTV 카메라의 정보를 이용하여 검출된 각 영상정보의 공간좌표(x, y)를 산출하며(단계 841), 이와 같이 산출된 공간좌표의 영상신호 데이터 값은 공간 내에 존재하는 복수 개의 차량에 장착된 위치식별 모듈(601)로 네트워크를 통해 공유된다(단계 842).
다음에, 위치식별 모듈(601) 내의 궤적매칭 블록(6011)에서는 수신된 복수 개의 영상신호 값이 최초 수신된 영상신호 값 인지 체크하는데(단계 843), 여기에서 최초 수신된 영상신호 값인 것으로 판단되면, 영상궤적을 생성하여 메모리 블록(6012)에 저장한다(단계 844).
상기 단계(843)에서의 최초 위치값의 체크 결과, 수신된 영상신호 값이 최초 수신된 영상신호 값이 아닌 것으로 판단되면, 궤적매칭 블록(6011)에서는 메모리 블록(6012)에 기 저장되어 있는 영상궤적과 가장 최근에 수신된 영상신호 값을 비교하여 그 차이가 기준치 이하인지의 여부를 비교분석한다(단계 845).
상기 비교분석 결과 기준치를 벗어났을 경우에는 궤적매칭 블록(6011)에서는 수신된 영상신호 값에 상응하는 새로운 영상궤적을 생성하여 메모리 블록(6012)에 저장한다.(단계 846).
또한 비교분석 결과 기준치 이하인 경우에는 궤적매칭 블록(6011)에서는 수신된 영상신호 값이 해당 이동궤적에 속하는 것으로 판단하여 기존 영상궤적에 추가한다(단계 844).
그리고 궤적매칭 블록(6011)에서는 신규로 생성되어 메모리 블록(6012)에 저장되어 있는 영상이동 궤적과 차량 자신의 오도메트리 궤적을 비교분석하여 유사도 측정을 실시하여 그 측정된 유사도가 기준치 이상인 영상 궤적을 선택하며(단계 846), 선택된 영상 궤적을 추출하여 차량 자신의 위치로 인식한다(단계 849).
한편, 상기 검출된 영상객체를 변화검출과 비교분석 기술을 활용하여 처리하고, 영상의 비교분석 결과 새로운 영상객체를 딥러닝 학습 기술을 적용하여 학습시킴으로서 영상처리 및 분석능력을 향상시키는 것은,
수신되는 영상신호 값과 기 저장된 각 영상객체 값을 비교하는 단계를 거친다.
이후 비교의 차이가 기 설정된 기준치 이하일 경우, 해당 영상객체에 속하는 것으로 판단하여 기존 영상객체에 추가하는 단계를 거친다.
이어서 비교의 차이가 기 설정된 기준치 이상일 경우, 새로운 영상객체에 속하는 것으로 판단하여 신규 영상객체로 추가하는 단계를 통해, 이후의 영상검출 단계에 활용하여 영상처리 능력을 확대하고 무인주행차량 운행 기술을 향상시키게 된다.
또 한편, 상기 검출된 영상객체를 변화검출과 비교분석 기술을 활용하여 처리하고, 영상의 비교분석 결과 새로운 영상객체를 딥러닝 학습 기술을 적용하여 학습시킴으로서 영상처리 및 분석능력을 향상시키는 것은,
수신되는 위치신호 값과 기 저장된 각 영상궤적 값을 비교하는 단계를 거친다.
이후 비교의 차이가 기 설정된 기준치 이하일 경우, 해당 영상궤적에 속하는 것으로 판단하여 기존 영상궤적에 추가하는 단계를 거친다.
이어서 비교의 차이가 기 설정된 기준치 이상일 경우, 새로운 영상궤적에 속하는 것으로 판단하여 신규 영상궤적으로 추가하는 단계를 통해, 이후의 영상검출 단계에 활용하여 위치식별 능력을 확대하고 무인주행차량 운행 기술을 향상시키게 된다.
특히 상기 신규 영상객체 및 영상궤적은 딥러닝 기술로 학습하여, 이후의 영상검출 단계에 활용하여 영상검출 및 위치식별 능력을 확대하여 무인주행차량 운행을 가능하게 만든다.
도 5 의 (a)(b)는 본 발명 도 1 에서와 같은 주행환경의 도로영상을 지능형 CCTV카메라에서 영상객체들이 인식된 예를 보여주는 사진으로, (a)는 주행환경의 도로 영상을 보인 것이고, (b)는 지능형 CCTV 카메라 영상을 보인 것이다.
본 발명 지능형 CCTV를 활용한 무인주행차량의 제어시스템 및 방법의 기술적 사상은 실제로 동일결과를 반복 실시 가능한 것으로, 특히 이와 같은 본원발명을 실시함으로써 기술발전을 촉진하여 산업발전에 이바지할 수 있어 보호할 가치가 충분히 있다.
<도면의 주요 부분에 대한 부호의 설명>
101 ~ 109 : 지능형 CCTV 카메라
201 : GPS
301 ~ 309 : 타 차량
401 : 영상처리 모듈
4011 : 변화검출 블록
4012 : 객체인식 블록
501 : 영상분석 모듈
5011 : 분석엔진 블록
5012 : 영상학습 블록
601 : 위치식별 모듈
6011 : 궤도매칭 블록
6012 : 메모리식 블록
701 : 네트워크

Claims (6)

  1. 무인주행차량의 외부에 장착된 복수 개의 지능형 CCTV 카메라로부터 주행공간의 영상정보를 검출하여 영상을 분석하고 처리하는 것으로,
    무인주행차량의 적소에 복수개가 조립 설치되는 지능형 CCTV 카메라(101);
    지능형 CCTV 카메라와 연결되며, 검출된 영상객체를 객체인식 기술을 활용하여 변화검출을 처리하는 영상처리모듈(401);
    영상처리모듈과 연결되며, 비교분석기술을 활용하여 처리하되, 영상의 비교결과 새로운 영상객체를 딥러닝 학습기술을 적용하여 학습시켜 영상처리 및 분석능력을 향상시키는 영상분석모듈(501); 및
    영상처리모듈로부터 복수개의 영상신호 값을 수신하여 해당차량의 위치를 인식하는 위치식별모듈(601);이 포함되며,
    상기 영상처리 모듈(401)은, 무인주행차량 외부에 설치된 복수 개의 지능형 CCTV 카메라로부터 영상을 검출하여 획득하는 변화검출 블록(4011)과, 요로기술을 활용하여 객체를 인식하는 객체인식 블록(4012)이 포함되고,
    상기 영상분석 모듈(501)은, 복수 개의 영상을 변화검출의 기술을 활용하여 분석하는 분석엔진 블록(5011)과, 새로운 영상을 딥러닝 학습할 수 있는 영상학습 블록(5012)이 포함되고,
    상기 위치식별 모듈(601)은, 주행차량 자신의 주행궤적과 오도매트리 궤적과 비교분석 할 수 있는 궤적매칭 블록(6011)과, 영상 및 위치 정보를 저장하는 메모리 블록(6012)이 포함되고,
    상기 지능형 CCTV 카메라(101)는 온도를 감지하여 영상을 만드는 열영상 장비를 사용하는 것이 가능하며,
    상기 변화검출 블록(4011)은 검출된 영상정보의 위치값을 산출하여 CDMA 또는 WCDMA 통신과 같은 무선통신 방식을 이용하여 주변의 타차량으로 전송하게 됨을 특징으로 하는 지능형 CCTV를 활용한 무인주행차량의 제어시스템.
  2. 삭제
  3. 무인주행차량의 외부에 장착된 복수 개의 지능형 CCTV 카메라로부터 주행공간의 영상정보를 검출하여 영상을 분석하고 처리하는 것으로,
    영상검출 기술로 검출된 영상객체를 객체인식(순간 객체 포착) 기술을 활용하여 처리하고, 검출된 영상객체를 변화검출과 비교분석 기술을 활용하여 처리하고, 영상의 비교분석 결과 새로운 영상객체를 딥러닝 학습 기술을 적용하여 학습시킴으로서 영상처리 및 분석능력을 향상시키되,
    무인주행차량의 위치를 식별하기 위하여 수신된 영상신호 값으로 차량 자신의 궤적을 생성하고, 자신의 궤적과 오도매트릭 궤적을 비교분석하여 주행차량 자신의 위치정보를 보정하고, GPS 위치신호와 주행공간 내의 복수 개의 타 차량으로부터 수신된 위치값을 비교분석하여 주행차량 자신의 위치정보를 보정하여, 무인주행차량을 안전하고 정확하게 운행할 수 있도록 함을 특징으로 하는 지능형 CCTV를 활용한 무인주행차량의 제어방법으로서,
    무인주행차량의 외부에 복수개가 조립 설치되고 온도를 감지하여 영상을 만드는 열영상 장비를 사용하는 것이 가능한 지능형 CCTV 카메라로부터 주행공간의 영상정보를 검출하여 영상을 분석하고 처리하는 것은, 영상검출 및 분석처리를 위해 지능형 CCTV 카메라가 동작하면, 지능형 CCTV 카메라(101)에서는 복수 개의 차량이 주행하는 공간의 공간영상을 촬영하여 변화검출 블록(4011)으로 전달하는 단계;
    이어서, 변화검출 블록(4011)에서는 검출된 영상정보와 객체인식 블록(4012)의 객체 좌표와 메모리 블록(6012)에 저장되어 있는 지능형 CCTV 카메라의 정보를 이용하여 검출된 각 영상정보의 공간좌표(x, y)를 산출하는 단계;
    이와 같이 산출된 공간좌표의 영상신호 데이터 값은 공간 내에 존재하는 복수 개의 차량에 장착된 위치식별 모듈(601)로 네트워크를 통해 공유하는 단계;
    위치식별 모듈(601) 내의 궤적매칭 블록(6011)에서는 수신된 복수 개의 영상신호 값이 최초 수신된 영상신호 값 인지 체크하는 단계;
    상기 수신된 영상신호에 대한 체크 결과 최초 수신된 영상신호 값인 것으로 판단되면, 영상궤적을 생성하여 메모리 블록(6012)에 저장하는 단계;
    상기 수신된 영상신호에 대한 체크 결과 최초 수신된 영상신호 값이 아닌 것으로 판단되면, 궤적매칭 블록(6011)에서는 메모리 블록(6012)에 기 저장되어 있는 영상궤적과 가장 최근에 수신된 영상신호 값을 비교하여 그 차이가 기준치 이하인지의 여부를 비교분석하는 단계;
    상기 비교분석 결과 기준치를 벗어났을 경우에는 궤적매칭 블록(6011)에서는 수신된 영상신호 값에 상응하는 새로운 영상궤적을 생성하여 메모리 블록(6012)에 저장하는 단계;
    상기 비교분석 결과 기준치 이하인 경우에는 궤적매칭 블록(6011)에서는 수신된 영상신호 값이 해당 이동궤적에 속하는 것으로 판단하여 기존 영상궤적에 추가하는 단계;
    궤적매칭 블록(6011)에서는 신규로 생성되어 메모리 블록(6012)에 저장되어 있는 영상이동 궤적과 차량 자신의 오도메트리 궤적을 비교분석하여 유사도 측정을 실시하여 그 측정된 유사도가 기준치 이상인 영상 궤적을 선택하는 단계; 및
    선택된 영상 궤적을 추출하여 차량 자신의 위치로 인식하는 단계;가 포함되며,
    상기 변화검출 블록(4011)은 검출된 영상정보의 위치값을 산출하여 CDMA 또는 WCDMA 통신과 같은 무선통신 방식을 이용하여 주변의 타차량으로 전송하게 됨을 특징으로 하는 지능형 CCTV를 활용한 무인주행차량의 제어방법.
  4. 삭제
  5. 삭제
  6. 삭제
KR1020180090509A 2018-08-02 2018-08-02 지능형 cctv를 활용한 무인주행차량의 제어시스템 및 방법 KR101944497B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180090509A KR101944497B1 (ko) 2018-08-02 2018-08-02 지능형 cctv를 활용한 무인주행차량의 제어시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180090509A KR101944497B1 (ko) 2018-08-02 2018-08-02 지능형 cctv를 활용한 무인주행차량의 제어시스템 및 방법

Publications (1)

Publication Number Publication Date
KR101944497B1 true KR101944497B1 (ko) 2019-01-31

Family

ID=65323383

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180090509A KR101944497B1 (ko) 2018-08-02 2018-08-02 지능형 cctv를 활용한 무인주행차량의 제어시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101944497B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102043143B1 (ko) * 2019-05-20 2019-11-11 호서대학교 산학협력단 인공신경망을 이용한 agv 주행제어 방법 및 장치
KR102043142B1 (ko) * 2018-12-31 2019-11-12 호서대학교 산학협력단 Agv 주행제어를 위한 인공신경망 학습 방법 및 장치
CN110525342A (zh) * 2019-08-30 2019-12-03 的卢技术有限公司 一种基于深度学习的ar-hud车载辅助驾驶方法及其系统
KR20210006138A (ko) 2019-07-08 2021-01-18 씨제이올리브네트웍스 주식회사 운송 로봇의 실내자율주행 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100669250B1 (ko) 2005-10-31 2007-01-16 한국전자통신연구원 인공표식 기반의 실시간 위치산출 시스템 및 방법
KR100913165B1 (ko) 2007-08-22 2009-08-19 한국전자통신연구원 이동체의 위치 검출 장치 및 방법
KR20130072437A (ko) * 2011-12-22 2013-07-02 한국전자통신연구원 차량 내부 네트워크 및 영상 센서를 이용한 차량 위치 인식 장치 및 그 방법
KR101472077B1 (ko) * 2014-04-01 2014-12-16 주식회사 베스트디지탈 누적된 객체 특징을 기반으로 하는 감시 시스템 및 방법
KR20180041741A (ko) * 2015-08-28 2018-04-24 닛산 지도우샤 가부시키가이샤 차량 위치 추정 장치, 차량 위치 추정 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100669250B1 (ko) 2005-10-31 2007-01-16 한국전자통신연구원 인공표식 기반의 실시간 위치산출 시스템 및 방법
KR100913165B1 (ko) 2007-08-22 2009-08-19 한국전자통신연구원 이동체의 위치 검출 장치 및 방법
KR20130072437A (ko) * 2011-12-22 2013-07-02 한국전자통신연구원 차량 내부 네트워크 및 영상 센서를 이용한 차량 위치 인식 장치 및 그 방법
KR101472077B1 (ko) * 2014-04-01 2014-12-16 주식회사 베스트디지탈 누적된 객체 특징을 기반으로 하는 감시 시스템 및 방법
KR20180041741A (ko) * 2015-08-28 2018-04-24 닛산 지도우샤 가부시키가이샤 차량 위치 추정 장치, 차량 위치 추정 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102043142B1 (ko) * 2018-12-31 2019-11-12 호서대학교 산학협력단 Agv 주행제어를 위한 인공신경망 학습 방법 및 장치
KR102043143B1 (ko) * 2019-05-20 2019-11-11 호서대학교 산학협력단 인공신경망을 이용한 agv 주행제어 방법 및 장치
KR20210006138A (ko) 2019-07-08 2021-01-18 씨제이올리브네트웍스 주식회사 운송 로봇의 실내자율주행 시스템
CN110525342A (zh) * 2019-08-30 2019-12-03 的卢技术有限公司 一种基于深度学习的ar-hud车载辅助驾驶方法及其系统

Similar Documents

Publication Publication Date Title
KR101944497B1 (ko) 지능형 cctv를 활용한 무인주행차량의 제어시스템 및 방법
US8634593B2 (en) Pixel-based texture-less clear path detection
US8452053B2 (en) Pixel-based texture-rich clear path detection
US8699754B2 (en) Clear path detection through road modeling
US20100104137A1 (en) Clear path detection using patch approach
US8890951B2 (en) Clear path detection with patch smoothing approach
US8332134B2 (en) Three-dimensional LIDAR-based clear path detection
US9652980B2 (en) Enhanced clear path detection in the presence of traffic infrastructure indicator
CN107563419B (zh) 图像匹配和二维码相结合的列车定位方法
US8670592B2 (en) Clear path detection using segmentation-based method
EP2383713B1 (en) Detecting and recognizing traffic signs
US8917904B2 (en) Vehicle clear path detection
KR101569919B1 (ko) 차량의 위치 추정 장치 및 방법
CN110103953B (zh) 用于辅助车辆的驾驶控制的方法、设备、介质和系统
CN112991791B (zh) 交通信息识别和智能行驶方法、装置、设备及存储介质
US20100097456A1 (en) Clear path detection using a hierachical approach
CN110379168B (zh) 一种基于Mask R-CNN的交通车辆信息获取方法
US11371851B2 (en) Method and system for determining landmarks in an environment of a vehicle
JP6758160B2 (ja) 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム
KR20210081983A (ko) 카메라 기반의 자동화된 정밀도로지도 생성 시스템 및 방법
CN115205559A (zh) 一种跨域车辆重识别及连续轨迹构建方法
WO2020194570A1 (ja) 標識位置特定システム及びプログラム
CN113658449B (zh) 停车场车辆定位系统及方法
US20230266469A1 (en) System and method for detecting road intersection on point cloud height map
CN112880691B (zh) 一种全局定位初始化方法及装置

Legal Events

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