KR101998953B1 - 주변 차량의 이동 경로 예측 방법 및 이동 경로 예측을 위한 학습 방법 - Google Patents

주변 차량의 이동 경로 예측 방법 및 이동 경로 예측을 위한 학습 방법 Download PDF

Info

Publication number
KR101998953B1
KR101998953B1 KR1020170086483A KR20170086483A KR101998953B1 KR 101998953 B1 KR101998953 B1 KR 101998953B1 KR 1020170086483 A KR1020170086483 A KR 1020170086483A KR 20170086483 A KR20170086483 A KR 20170086483A KR 101998953 B1 KR101998953 B1 KR 101998953B1
Authority
KR
South Korea
Prior art keywords
vehicle
information
candidate
path
predicting
Prior art date
Application number
KR1020170086483A
Other languages
English (en)
Other versions
KR20190005595A (ko
Inventor
허건수
민규식
박종원
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 KR1020170086483A priority Critical patent/KR101998953B1/ko
Publication of KR20190005595A publication Critical patent/KR20190005595A/ko
Application granted granted Critical
Publication of KR101998953B1 publication Critical patent/KR101998953B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)

Abstract

기계 학습 알고리즘에 기반한 학습 데이터를 이용하여 주변 차량의 이동 경로를 예측하는 방법이 개시된다. 개시된 주변 차량의 이동 경로 예측 방법은, 주변 차량의 주행 정보 및 상기 주변 차량이 주행하는 도로 정보를 획득하는 단계; 및 학습 데이터를 이용하여, 상기 주행 정보 및 상기 도로 정보에 따른 상기 주변 차량의 차선 변경 여부를 예측하고, 차선을 변경하는 주변 차량의 이동 경로를 예측하는 단계를 포함하며, 상기 학습 데이터는, 샘플 차량들의 주행 정보 및 상기 샘플 차량들이 주행하는 도로 정보에 대한 후보 이동 경로가 학습된 데이터이다.

Description

주변 차량의 이동 경로 예측 방법 및 이동 경로 예측을 위한 학습 방법{MEHTOD FOR PREDICTING PATH OF SURROUNDING VEHICLE AND LEARNING METHOD FOR PATH PREDICTION}
본 발명은 주변 차량의 이동 경로 예측 방법 및 이동 경로 예측을 위한 학습 방법에 관한 것으로서, 더욱 상세하게는 기계 학습 알고리즘에 기반한 학습 데이터를 이용하여 주변 차량의 이동 경로 예측하고, 주변 차량의 이동 경로 예측을 위한 학습 방법에 관한 것이다.
차량 이용자의 수가 해가 지날수록 증가하면서, 교통 사고의 발생 또한 매년 증가하고 있는 추세이다. 이에 따라 최근 교통사고 방지를 위한 다양한 차량 능동 안전 시스템이 개발되고 있다. 이러한 능동 안전 시스템 중에 위험 차량과의 충돌 회피를 위한 시스템이 있다.
현재 상용화된 충돌 회피 시스템은, 초음파 센서, 레이더 센서 등을 이용하여 주변 차량을 감지하고, 감지 결과를 운전자에게 제공한다. 그리고 보다 진보된 충돌 회피 시스템은 감지 결과에 따라서 차량의 속도나 제동을 스스로 제어한다.
다만, 이러한 시스템은 현재 센싱된 결과에 기초하여 차량을 제어하므로, 차량의 급가속 또는 급감속이 빈번히 발생할 수 있으며, 급감속 등에 의해 또 다른 차량과의 충돌 위험이 증가할 수 있다.
따라서 주변 차량과의 충돌 확률을 보다 감소시키고, 급가속이나 급감속에 따라서 운전자가 느낄 수 있는 불편함을 줄이기 위해, 주변 차량의 이동 경로를 예측하는 것이 필수적이다.
관련된 선행문헌으로 대한민국 공개특허 제2016-0047268호, 제2016-0135482호가 있다.
본 발명은 기계 학습 알고리즘에 기반한 학습 데이터를 이용하여 주변 차량의 이동 경로를 예측하는 방법을 제공하기 위한 것이다.
또한 본 발명은 주변 차량의 이동 경로 예측을 위한 학습 방법을 제공하기 위한 것이다.
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 자차 주변 차량의 이동 경로 예측 방법에 있어서, 주변 차량의 주행 정보 및 상기 주변 차량이 주행하는 도로 정보를 획득하는 단계; 및 학습 데이터를 이용하여, 상기 주행 정보 및 상기 도로 정보에 따른 상기 주변 차량의 차선 변경 여부를 예측하고, 차선을 변경하는 주변 차량의 이동 경로를 예측하는 단계를 포함하며, 상기 학습 데이터는, 샘플 차량들의 주행 정보 및 상기 샘플 차량들이 주행하는 도로 정보에 대한 후보 이동 경로가 학습된 데이터인 주변 차량의 이동 경로 예측 방법이 제공된다.
또한 상기한 목적을 달성하기 위한 본 발명의 다른 실시예에 따르면, 차선이 변경되는 복수의 후보 이동 경로에 따라 주행하는 샘플 차량들의 주행 정보 및 상기 샘플 차량들이 주행하는 도로 정보를 입력받는 단계; 및 상기 주행 정보 및 도로 정보에 대한, 상기 후보 이동 경로를 학습하는 단계를 포함하며, 상기 주행 정보는, 차량의 횡속도 정보, 종속도 정보 및 차선으로부터 이격된 거리 정보를 포함하며, 상기 도로 정보는, 도로의 곡률 정보를 포함하는 주변 차량의 이동 경로 예측을 위한 학습 방법이 제공된다.
본 발명에 따르면, 차량의 주행 정보와 차량이 주행하는 도로 정보에 기반한 학습 데이터를 이용함으로써, 주변 차량의 이동 경로를 정확하게 예측할 수 있다.
도 1은 본 발명의 일실시예에 따른 주변 차량의 이동 경로 예측 장치를 설명하기 위한 도면이다.
도 2 및 도 3은 본 발명의 일실시예에 따른 주행 정보와 도로 정보를 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 주변 차량의 이동 경로 예측을 위한 학습 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예에 따른 후보 이동 경로를 도시하는 도면이다.
도 6은 본 발명의 일실시예에 따른 주변 차량의 이동 경로 예측 방법을 설명하기 위한 도면이다.
도 7은 후보 이동 경로를 보간하여 이동 경로를 예측 하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명에 따른 주변 차량의 이동 경로 예측 방법의 정확도를 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
본 발명은 기계 학습 알고리즘에 기반한 학습 데이터를 이용하여 자차 주변에 위치한 주변 차량의 이동 경로를 예측하는 방법을 제안한다. 학습 데이터는 일실시예로서, 인공 신경망(artificial neural network)을 이용하여 생성될 수 있다.
본 발명은 샘플 차량들의 주행 정보 및 샘플 차량들이 주행하는 도로 정보에 대한 후보 이동 경로가 학습된 학습 데이터를 이용한다. 따라서, 본 발명은 주변 차량의 주행 정보 및 주변 차량이 주행하는 도로 정보에 따라서, 후보 이동 경로 중 하나를 주변 차량의 이동 경로로 예측할 수 있다.
더 나아가 본 발명은 후보 이동 경로를 복수개 선택하고 복수개의 후보 이동 경로를 보간함으로써, 보다 정확한 주변 차량의 이동 경로를 예측할 수 있다.
본 발명은 차량의 충돌 회피 시스템이나, 자율 주행 차량에 적용될 수 있다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 주변 차량의 이동 경로 예측 장치를 설명하기 위한 도면이며, 도 2 및 도 3은 본 발명의 일실시예에 따른 주행 정보와 도로 정보를 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명에 따른 이동 경로 예측 장치는 정보 획득부(110) 및 학습 데이터 저장부(120), 경로 예측부(130)를 포함한다.
정보 획득부(110)는 주변 차량의 주행 정보 및 주변 차량이 주행하는 도로 정보를 획득한다. 정보 획득부(110)는 실시예에 따라서, 센서 등에 의해 생성된 주행 정보 및 도로 정보를 입력받거나, 또는 센서로부터 센싱 데이터를 제공받아 주행 정보 및 도로 정보를 생성할 수 있다.
일실시예로서, 주행 정보는 차량의 횡속도 정보, 종속도 정보 및 차량이 차선으로부터 이격된 거리 정보를 포함하며, 도로 정보는 도로의 곡률 정보를 포함할 수 있다.
주변 차량이 주행하는 도로가 직선 도로일 경우, 차량의 횡속도(Vy)는 도로에 수직인 방향의 속도이고, 차량의 종속도(Vx)는 도로의 길이 방향의 속도이다. 그리고 차량과 차선의 이격 거리는 차선과 차량 사이의 거리로서, 차량의 위치, 그리고 기준 차선을 어떤 차선으로 하느냐에 따라 차선과 주변 차량 사이의 거리는 다양하게 측정될 수 있는데, 일실시예로서 차선과 주변 차량 사이의 최단 거리가 거리 정보로 이용될 수 있다.
도 2에 도시된 바와 같이, 주변 차량(210)이 직선 도로에서 차선 변경을 위해 화살표(220) 방향으로 이동하는 경우, 직선 도로에 수직인 방향의 속도인 횡속도(Vy), 직선 도로의 길이 방향의 속도인 종속도(Vx) 및 우측 차선과 차량 사이의 최단 거리(d)가 획득될 수 있다. 예를 들어 레이더, 라이다 등의 센서를 통해 주변 차량(210)의 속도나 헤딩 방향이 측정될 수 있으며, 따라서 삼각 함수에 의해 주변 차량(210)의 속도로부터 횡속도 및 종속도 성분을 분리할 수 있다. 차선과 주변 차량 사이의 거리 역시 이미지 센서나 레이더, 라이다 센서 등을 통해 측정될 수 있다.
주변 차량이 주행하는 도로가 곡선 도로일 경우, 차량의 횡속도(Vy)는 주변 차량의 위치에서의 곡선 도로의 접선에 수직한 방향으로의 속도이고, 차량의 종속도(Vx)는 접선에 평행한 방향으로의 속도이다. 그리고 일실시예로서 차선과 차량 사이의 최단 거리가 이격된 거리 정보로 이용될 수 있다.
도 3에 도시된 바와 같이, 주변 차량(310)이 곡선 도로에서 차선 변경을 위해 화살표(330) 방향으로 이동하는 경우, 차량의 위치에서의 곡선 도로의 접선(320)에 수직한 방향의 속도인 횡속도(Vy), 접선(320) 방향의 속도인 종속도(Vx), 우측 차선과 차량의 최단 거리(d)가 획득될 수 있다. 그리고 곡선 도로의 곡률은 자차 또는 주변 차량이 주행하는 지역의 지도 정보나 센서 등을 통해 획득될 수 있다. 도로에서의 곡률은 차선이나 주행 차량이 주행하는 차로나 동일하므로, 도 3에서는 차선에 대한 접선이 표현되었다.
본 발명에서 이용되는 학습 데이터는 샘플 차량들의 주행 정보와 샘플 차량들이 주행하는 도로 정보에 기반한 데이터이기 때문에, 정보 획득부(110)는 이동 경로를 예측하기 위해 주변 차량의 주행 정보 및 도로 정보를 획득한다.
다시 도 1로 돌아와, 학습 데이터 저장부(120)는 샘플 차량들의 주행 정보 및 샘플 차량들이 주행하는 도로 정보에 대한 후보 이동 경로가 학습된 데이터를 저장한다. 샘플 차량들의 주행 정보 및 도로 정보는 주변 차량의 주행 정보 및 도로 정보와 대응된다.
학습 데이터는 이동 경로 예측 장치에서 생성되거나 또는 외부 장치에서 생성되어 학습 데이터 저장부(120)로 제공될 수 있다. 학습 데이터 생성 방법은 도 4에서 보다 자세히 설명된다.
경로 예측부(130)는 학습 데이터를 이용하여, 주행 정보 및 도로 정보에 따른 주변 차량의 차선 변경 여부를 예측하고, 차선을 변경하는 주변 차량의 이동 경로를 예측한다. 즉, 경로 예측부(130)는 주변 차량의 차선 변경 여부를 예측하며, 주변 차량이 차선을 변경한다고 판단될 경우, 차선을 변경하는 주변 차량의 이동 경로를 예측할 수 있다.
예컨대, 제1샘플 차량의 주행 정보 및 도로 정보와 주변 차량의 주행 정보 및 도로 정보가 동일하고, 제1샘플 차량이 차선을 변경하여 이동하였다면, 경로 예측부(130)는 학습 데이터에 기반하여 주변 차량이 차선을 변경하여 제1샘플 차량의 이동 경로로 주변 차량이 주행할 것으로 예측할 수 있다.
또는 제2샘플 차량의 주행 정보 및 도로 정보와 주변 차량의 주행 정보 및 도로 정보와 주변 차량의 주행 정보 및 도로 정보가 매우 유사하고, 제2샘플 차량이 차선을 변경하지 않았다면, 경로 예측부(130)는 학습 데이터에 기반하여 주변 차량이 차선을 변경하지 않을 것으로 예측할 수 있다.
실제로 샘플 차량과 주변 차량의 정보의 패턴은 매우 다양할 수 있기 때문에, 정보가 동일하거나 매우 유사할 가능성은 많지 않고, 따라서 다양한 샘플 차량에 대한 정보를 통해 학습된 학습 데이터를 이용하여 경로 예측부(130)는 주변 차량의 경로를 예측한다. 학습 데이터는 전술된 바와 같이, 샘플 차량들에 대한 주행 정보와 도로 정보의 패턴과 후보 이동 경로들을 매칭시켜 학습한 데이터이기 때문에, 경로 예측부는 주변 차량의 주행 및 도로 정보로부터 후보 이동 경로들중 하나를 예상 이동 경로로 생성할 수 있다.
도 4는 본 발명의 일실시예에 따른 주변 차량의 이동 경로 예측을 위한 학습 방법을 설명하기 위한 도면이며, 도 5는 본 발명의 일실시예에 따른 후보 이동 경로를 도시하는 도면이다.
본 발명에 따른 학습 방법은 프로세서를 포함하는 컴퓨팅 장치나 별도의 학습 장치 또는 전술된 이동 경로 예측 장치 등에서 수행될 수 있다. 도 3에서는 학습 장치에서 수행되는 학습 방법이 일실시예로서 설명된다.
본 발명에 따른 학습 장치는 차선이 변경되는 복수의 후보 이동 경로에 따라 주행하는 샘플 차량들의 주행 정보 및 샘플 차량들이 주행하는 도로 정보를 수신(S410) 즉, 입력받는다. 즉, 학습 장치는 미리 결정된 복수의 후보 이동 경로 각각을 주행하는 샘플 차량들에 대한 주행 정보 및 도로 정보를 입력받는다. 이러한 정보는 실제 도로를 주행하는 차량에 대한 정보를 사용자가 별도로 수집하여 학습 장치로 제공하거나 시뮬레이션에 의해 생성될 수 있으며 또는 다양한 경로를 주행하는 샘플 차량 중에서 미리 결정된 후보 이동 경로를 주행하는 차량에 대한 정보가 자동으로 필터링될 수 있다.
특히, 본 발명은 학습을 위해, 전술된 바와 같이, 차량의 횡속도 정보, 종속도 정보, 차량과 차선 이격 거리 정보 및 도로의 곡률 정보를 학습을 위한 정보로 이용한다.
복수의 후보 이동 경로는 일실시예로서, 도 5와 같이 제1차로에서 제2차로로 차량이 이동하는 경로가 서로 다른 복수의 이동 경로일 수 있으며, 제1차로에서의 차선 변경 시점(A)은 동일하며, 제2차로에서의 차선 변경 종점(B, C, D, E)이 서로 다른 이동 경로일 수 있다. 또는 차선 변경 시점과 종점 모두 다른 이동 경로일 수 있다. 후보 이동 경로의 개수나 형태는 실시예에 따라서 다양하게 결정될 수 있다.
단계 S410에서 학습 장치는 샘플 차량들이 제1 내지 제4후보 이동 경로(410 내지 440)를 주행하고, 이러한 경로를 주행할 때의 샘플 차량들에 대한 주행 정보 및 도로 정보를 입력받을 수 있다.
그리고 학습 장치는 샘플 차량들의 주행 정보 및 도로 정보에 대한, 후보 이동 경로를 학습(S420)한다. 학습 데이터는 전술된 이동 경로 예측 장치로 제공될 수 있다.
학습을 위해 실시예에 따라서 잘 알려진 다양한 기계 학습 알고리즘이 이용될 수 있으며, 본 발명은 일실시예로서, 학습 장치는 인공 신경망을 이용하여 후보 이동 경로를 학습한다. 인공 신경망은 입력층, 은닉층, 출력층으로 구성되는데, 훈련 모드에서 노드를 연결하는 연결선의 가중치가 조정되며, 분류 모드에서 입력값에 대해 분류가 수행된다. 훈련이 완료된 인공 신경망이 학습 데이터로서 이동 경로 예측 장치로 제공될 수 있다.
훈련 모드는 단계 420에서 수행되며, 분류 모드는 이동 경로 예측시 수행된다. 훈련 모드에서는 입력값으로서 샘플 차량들의 정보들이 입력되며, 분류 모드에서 주행 차량에 대한 정보들이 입력된다. 출력층의 노드 즉, 분류 라벨(label)의 개수는 후보 이동 경로의 개수에 따라 달라질 수 있다.
예를 들어, 인공 신경망은 제1후보 이동 경로를 주행한 샘플 차량들의 정보와 유사한 주행 차량의 정보가 입력되면, 주행 차량의 예상 이동 경로가 제1후보 이동 경로인 것으로 분류하는 결과를 출력할 수 있다.
또는 실시예에 따라서, 인공 신경망은 분류 결과를 확률적으로 출력할 수 있다. 예컨대, 제1후보 이동 경로를 주행한 샘플 차량들의 정보와 주행 차량의 정보가 가장 유사하고, 제2후보 이동 경로를 주행한 샘플 차량들의 정보와 주행 차량의 정보가 그 다음으로 유사하다면, 인공 신경망은 주행 차량의 예상 이동 경로가 제1후보 이동 경로일 확률이 가장 높고, 제2후보 이동 경로일 확률이 그 다음으로 높다는 식으로 분류 결과를 출력할 수 있다.
도 6은 본 발명의 일실시예에 따른 주변 차량의 이동 경로 예측 방법을 설명하기 위한 도면이며, 도 7은 후보 이동 경로를 보간하여 이동 경로를 예측 하는 방법을 설명하기 위한 도면이다.
본 발명에 따른 이동 경로 예측 방법은, 프로세서를 포함하는 컴퓨팅 장치나 차량의 ECU 또는 전술된 이동 경로 예측 장치에서 수행될 수 있다. 도 6에서는 이동 경로 예측 장치에서 수행되는 이동 경로 예측 방법이 일실시예로서 설명된다.
본 발명에 따른 이동 경로 예측 장치는 주변 차량의 주행 정보 및 주변 차량이 주행하는 도로 정보를 획득(S610)한다. 그리고 학습 데이터를 이용하여, 주행 정보 및 도로 정보에 따른 주변 차량의 차선 변경 여부를 예측하고, 차선을 변경하는 주변 차량의 이동 경로를 예측(S620)한다.
단계 S620에서 이동 경로 예측 장치는 학습 데이터에 따라서 주행 차량의 정보와 가장 유사한 정보를 제공한 샘플 차량이 주행한 후보 이동 경로를, 주행 차량의 이동 경로로 예측할 수 있다. 또는 이동 경로 예측 장치는 실시예에 따라서, 복수의 후보 이동 경로를 선택한 후 보간하여 주행 차량의 예상 이동 경로를 생성할 수 있다. 후보 이동 경로는 연속되지 않고 이산적인 형태이기 때문에, 이동 경로 예측 장치는 복수의 후보 이동 경로를 보간하여 보다 정확한 이동 경로를 예측할 수 있다.
보다 구체적으로 이동 경로 예측 장치는 학습 데이터를 이용하여, 미리 설정된 복수의 후보 이동 경로 중에서 제1후보 이동 경로 및 제2후보 이동 경로를 결정한다. 여기서, 제1후보 이동 경로는 복수의 후보 이동 경로 중, 주변 차량의 예상 이동 경로일 확률이 최대인 후보 이동 경로이며, 제2후보 이동 경로는 복수의 후보 이동 경로 중, 주변 차량의 예상 이동 경로일 확률이 두번째로 큰 후보 이동 경로일 수 있다.
그리고 이동 경로 예측 장치는 제1 및 제2후보 이동 경로(710, 720)상의 포인트에 서로 다른 가중치를 적용하고 보간하여, 주변 차량의 예상 이동 경로(730)를 생성한다. 이동 경로라는 것은 시간의 흐름에 따른 위치를 연속적으로 표현한 것이므로, 결국 이동 경로 상의 포인트는 차량의 위치에 대응된다. 따라서 이동 경로 예측 장치는 제1 및 제2후보 이동 경로상의 포인트를 보간함으로써, 새로운 경로를 생성할 수 있다.
보다 확률이 높은 후보 이동 경로에 높은 가중치가 적용되며, 제1 및 제2후보 이동 경로상의 포인트에 적용되는 가중치는 서로 반비례 관계일 수 있다. 예컨대, 가중치가 0에서 1사이로 정의되고, 제1후보 이동 경로에 적용되는 가중치가 “1-W”라고 할 때, 제2후보 이동 경로에 적용되는 가중치는 “W”일 수 있다.
또한 제1후보 이동 경로상의 포인트에 적용되는 가중치는 자차와 포인트의 거리(D)가 증가할수록 증가하도록 결정될 수 있다. 도 7에 도시된 바와 같이, 제2후보 이동 경로에 적용되는 가중치 W는 0.5이하에서 시작되어 자차와 포인트 사이의 거리(D)가 증가할수록 작아질 수 있으며, 따라서 제1후보 이동 경로에 적용되는 가중치 “1-W”는 자차와 포인트의 거리(D)가 증가할수록 커질 수 있다.
이동 경로 예측 장치는 주기적으로 주행 및 도로 정보를 획득하여, 주변 차량의 예상 이동 경로를 갱신할 수 있다.
도 8은 본 발명에 따른 주변 차량의 이동 경로 예측 방법의 정확도를 설명하기 위한 도면으로서, 본 발명에 대한 시뮬레이션 결과를 도시한다.
도 8에서 상단 3개의 도면은 직선 도로에서 주변 차량이 우차로에서 좌차로로 차선을 변경하는 경우의 예상 이동 경로를 시간의 흐름에 따라 획득된 주변 차량의 정보로부터 생성한 도면이다. 그리고 중단 3개의 도면은 직선 도로에서 주변 차량이 좌차로에서 우차로로 차선을 변경하는 경우의 예상 이동 경로를 생성한 도면이며, 하단 3개의 도면은 곡선 도로에서 주변 차량이 우차로에서 좌차로로 차선을 변경하는 경우의 예상 이동 경로를 생성한 도면이다.
그리고 도 8에서 빨간색 차량이 주행 차량, 빨간색 점선이 실제 주행 경로를 나타내며 노란색 실선은 예상 이동 경로를 나타낸다.
[표 1]은 이러한 예측 결과의 에러를 나타내는 표이다. [표 1]에서, Left는 상단 3개의 도면 Right는 중단 3개의 도면, Curve는 하단 3개의 도면을 나타내며, 1,2,3은 상중하단의 도면을 좌측에서부터 넘버링한 값이다. 그리고 최대 에러는 주변 차량의 실제 주행 경로와 예상 이동 경로의 차이가 가장 큰 지점에서의 거리를 나타내며, 평균 에러는 주변 차량의 실제 주행 경로와 예상 이동 경로의 차이가 발생한 지점에서의 거리를 평균한 값을 나타낸다.
Plot Max Error (m) Average Error (m)
Left 1 (left) 0.18 0.065
Left 2 (middle) 0.16 0.066
Left 3 (right) 0.2 0.096
Right 1 (left) 0.36 0.106
Right 2 (middle) 0.23 0.07
Right 3 (right) 0.16 0.057
Curve 1 (left) 0.47 0.18
Curve 2 (middle) 0.25 0.087
Curve 3 (right) 0.86 0.336
[표 1]에 표시된 바와 같이, 전반적으로 평균 에러가 0.1m보다 작으며 매우 정확하게 주변 차량의 이동 경로를 예측할 수 있음을 알 수 있다.
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.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (9)

  1. 자차 주변 차량의 이동 경로 예측 방법에 있어서,
    주변 차량의 주행 정보 및 상기 주변 차량이 주행하는 도로의 곡률 정보를 포함하는 도로 정보를 획득하는 단계; 및
    학습 데이터를 이용하여, 상기 주행 정보 및 상기 도로 정보에 따른 상기 주변 차량의 차선 변경 여부를 예측하고, 차선을 변경하는 주변 차량의 이동 경로를 예측하는 단계를 포함하며,
    상기 주변 차량의 이동 경로를 예측하는 단계는
    상기 학습 데이터를 이용하여, 미리 설정된 복수의 후보 이동 경로 중에서 제1후보 이동 경로 및 제2후보 이동 경로를 결정하는 단계; 및
    상기 제1 및 제2후보 이동 경로상의 포인트에 서로 다른 가중치를 적용하고 보간하여, 상기 주변 차량의 예상 이동 경로를 생성하는 단계를 포함하며,
    상기 제1 및 제2후보 이동 경로상의 포인트에 적용되는 가중치는 서로 반비례 관계이며, 상기 제1후보 이동 경로상의 포인트에 적용되는 가중치는, 상기 자차와 상기 포인트의 거리가 증가할수록 증가하는 가중치이며,
    상기 학습 데이터는, 학습을 위한 샘플 차량들의 주행 정보 및 상기 샘플 차량들이 주행하는 도로 정보에 대한, 차선이 변경되는 후보 이동 경로가 학습된 데이터이며,
    상기 복수의 후보 이동 경로는, 제1차로에서 제2차로로 차량이 이동하는 경로가 서로 다른 복수의 이동 경로이며, 상기 제1차로에서의 차선 변경 시점은 동일하고, 상기 제2차로에서의 차선 변경 종점이 서로 다른 이동 경로이며,
    상기 주행 정보는, 차량의 횡속도 정보, 종속도 정보 및 차선으로부터 이격된 거리 정보를 포함하는,
    주변 차량의 이동 경로 예측 방법.
  2. 삭제
  3. 제 1항에 있어서,
    상기 횡속도 정보는
    상기 주변 차량이 곡선 도로를 주행하는 경우, 상기 주변 차량의 위치에서의 상기 곡선 도로의 접선에 수직한 방향으로의 속도 정보이며,
    상기 종속도 정보는
    상기 주변 차량이 곡선 도로를 주행하는 경우, 상기 접선과 평행한 방향으로의 속도 정보인
    주변 차량의 이동 경로 예측 방법.
  4. 삭제
  5. 제 1항에 있어서,
    상기 제1후보 이동 경로는
    복수의 후보 이동 경로 중, 상기 주변 차량의 예상 이동 경로일 확률이 최대인 후보 이동 경로이며,
    상기 제2후보 이동 경로는
    복수의 후보 이동 경로 중, 상기 주변 차량의 예상 이동 경로일 확률이 두번째로 큰 후보 이동 경로인
    주변 차량의 이동 경로 예측 방법.
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
KR1020170086483A 2017-07-07 2017-07-07 주변 차량의 이동 경로 예측 방법 및 이동 경로 예측을 위한 학습 방법 KR101998953B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170086483A KR101998953B1 (ko) 2017-07-07 2017-07-07 주변 차량의 이동 경로 예측 방법 및 이동 경로 예측을 위한 학습 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170086483A KR101998953B1 (ko) 2017-07-07 2017-07-07 주변 차량의 이동 경로 예측 방법 및 이동 경로 예측을 위한 학습 방법

Publications (2)

Publication Number Publication Date
KR20190005595A KR20190005595A (ko) 2019-01-16
KR101998953B1 true KR101998953B1 (ko) 2019-07-10

Family

ID=65281010

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170086483A KR101998953B1 (ko) 2017-07-07 2017-07-07 주변 차량의 이동 경로 예측 방법 및 이동 경로 예측을 위한 학습 방법

Country Status (1)

Country Link
KR (1) KR101998953B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021178299A1 (en) * 2020-03-04 2021-09-10 Nec Laboratories America, Inc. Multi-agent trajectory prediction
US11433923B2 (en) 2020-06-10 2022-09-06 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for long-term prediction of lane change maneuver

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060370B (zh) * 2019-04-15 2021-04-27 上海经达信息科技股份有限公司 车辆急加速急减速次数等效统计方法
WO2023148297A1 (en) * 2022-02-03 2023-08-10 Five AI Limited Trajectory generation for mobile agents

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004347069A (ja) 2003-05-23 2004-12-09 Aisin Aw Co Ltd 車両制御装置
JP2005122274A (ja) 2003-10-14 2005-05-12 Toyota Motor Corp 車輌の走行態様判定制御装置
JP2011143742A (ja) * 2010-01-12 2011-07-28 Toyota Motor Corp 車両制御装置
JP2013129328A (ja) * 2011-12-21 2013-07-04 Toyota Motor Corp 軌跡制御装置および軌跡制御方法
JP2016513805A (ja) 2013-03-15 2016-05-16 キャリパー コーポレイション 車両ルート指定および交通管理のための車線レベル車両ナビゲーション

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004347069A (ja) 2003-05-23 2004-12-09 Aisin Aw Co Ltd 車両制御装置
JP2005122274A (ja) 2003-10-14 2005-05-12 Toyota Motor Corp 車輌の走行態様判定制御装置
JP2011143742A (ja) * 2010-01-12 2011-07-28 Toyota Motor Corp 車両制御装置
JP2013129328A (ja) * 2011-12-21 2013-07-04 Toyota Motor Corp 軌跡制御装置および軌跡制御方法
JP2016513805A (ja) 2013-03-15 2016-05-16 キャリパー コーポレイション 車両ルート指定および交通管理のための車線レベル車両ナビゲーション

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021178299A1 (en) * 2020-03-04 2021-09-10 Nec Laboratories America, Inc. Multi-agent trajectory prediction
US11433923B2 (en) 2020-06-10 2022-09-06 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for long-term prediction of lane change maneuver

Also Published As

Publication number Publication date
KR20190005595A (ko) 2019-01-16

Similar Documents

Publication Publication Date Title
US11875681B2 (en) Drive envelope determination
US11465619B2 (en) Vehicle collision avoidance based on perturbed object trajectories
JP7338052B2 (ja) 軌跡予測方法、装置、機器及び記憶媒体リソース
US11021148B2 (en) Pedestrian prediction based on attributes
EP3474254B1 (en) Surrounding environment recognition device
US11225247B2 (en) Collision prediction and avoidance for vehicles
US10358132B2 (en) Autonomous driving method and apparatus
KR101998953B1 (ko) 주변 차량의 이동 경로 예측 방법 및 이동 경로 예측을 위한 학습 방법
US20200307563A1 (en) Prediction based on attributes
US11932244B2 (en) Apparatus and method for controlling autonomous driving of vehicle
WO2019124001A1 (ja) 移動体挙動予測装置および移動体挙動予測方法
US11814040B2 (en) System and method for avoiding a collision course
CN103577682B (zh) 在道路改变情境中使用导航输入的锚车道选择方法
CN111552284A (zh) 无人驾驶车辆的局部路径规划方法、装置、设备及介质
JP2021531208A (ja) 車両のための衝突予測及び回避
CN114222691A (zh) 基于成本的路径确定
US9708004B2 (en) Method for assisting a driver in driving an ego vehicle and corresponding driver assistance system
CN112955358A (zh) 轨迹生成
CN116249947A (zh) 预测运动规划系统及方法
US20220314968A1 (en) Electronic control device
JP2023505059A (ja) センサデータを使用した高さ推定
JP2020163970A (ja) 車両運転支援システム
KR101500168B1 (ko) 주행 도로의 측면 경계 인지 방법
US10926760B2 (en) Information processing device, information processing method, and computer program product
WO2022113504A1 (ja) 電子制御装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant