KR102212217B1 - 충돌을 효과적으로 방지하는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법 - Google Patents

충돌을 효과적으로 방지하는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법 Download PDF

Info

Publication number
KR102212217B1
KR102212217B1 KR1020190099549A KR20190099549A KR102212217B1 KR 102212217 B1 KR102212217 B1 KR 102212217B1 KR 1020190099549 A KR1020190099549 A KR 1020190099549A KR 20190099549 A KR20190099549 A KR 20190099549A KR 102212217 B1 KR102212217 B1 KR 102212217B1
Authority
KR
South Korea
Prior art keywords
information
vehicle
driving
collision
collision avoidance
Prior art date
Application number
KR1020190099549A
Other languages
English (en)
Other versions
KR20190106840A (ko
Inventor
윤종욱
Original Assignee
엘지전자 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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190099549A priority Critical patent/KR102212217B1/ko
Priority to US16/557,012 priority patent/US20200010081A1/en
Publication of KR20190106840A publication Critical patent/KR20190106840A/ko
Application granted granted Critical
Publication of KR102212217B1 publication Critical patent/KR102212217B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q1/00—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor
    • B60Q1/02—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments
    • B60Q1/04—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q5/00—Arrangement or adaptation of acoustic signal devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • 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
    • G06K9/00791—
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0022—Gains, weighting coefficients or weighting functions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B60W2420/42—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/53—Road markings, e.g. lane marker or crosswalk
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/402—Type
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/402—Type
    • B60W2554/4029—Pedestrians
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

충돌을 효과적으로 방지하는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법이 개시된다. 본 발명의 자율 주행 차량은 자율 주행을 수행하는 차량의 주변에서 영상 프레임을 획득하는 카메라, 상기 영상 프레임에 기초하여, 상기 차량 주변에 존재하는 적어도 하나의 객체의 상태 정보인 제1 정보, 적어도 하나의 공간의 상태 정보인 제2 정보 및 적어도 하나의 라인의 상태 정보인 제3 정보를 인식하는 인식부, 상기 제1 정보, 상기 제2 정보 및 상기 제3 정보를 조합하여 상기 차량의 일반 주행을 위한 제1 주행 정보를 생성하는 제1 주행 정보 생성부, 상기 제1 정보, 상기 제2 정보 및 상기 제3 정보를 이용하여 상기 차량의 충돌 발생을 예측하고, 상기 충돌이 발생된 것으로 예측된 경우 충돌 방지 주행을 위한 제2 주행 정보를 생성하는 제2 주행 정보 생성부 및 상기 충돌이 발생한 것으로 예측된 경우 상기 제2 주행 정보를 이용하여 상기 차량의 주행을 제어하고, 상기 충돌이 발생되지 않는 것으로 예측된 경우 상기 제1 주행 정보를 이용하여 상기 차량의 주행을 제어하는 제어부를 포함한다.
본 발명이 적용되는 자율 주행 차량은 사용자의 조작 없이 스스로 목적지까지 운행할 수 있는 차량일 수 있다. 이 경우, 자율 주행 차량은 임의의 인공 지능(AI: Artificial Intelligence) 모듈, 드론(drone), 무인 항공기(Unmmaned Aerial Vehicle), 로봇, 증강 현실(AR: Augmented Reality) 모듈, 가상 현실(VR: Virtual reality) 모듈, 5G(5th Generation) 이동통신 장치 등과 연계될 수 있다.

Description

충돌을 효과적으로 방지하는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법{AUTONOMOUS VEHICLE FOR PREVENTING COLLISIONS EFFECTIVELY, APPARATUS AND METHOD FOR CONTROLLING THE AUTONOMOUS VEHICLE}
본 발명은 충돌을 효과적으로 방지하는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법에 관한 것이다.
차량은 탑승하는 사용자가 원하는 방향으로 이동시키는 장치이다. 대표적으로 차량은 자동차일 수 있다.
최근에는, 기존 자동차 업체뿐만 아니라 전자 업체까지 자율 주행 차량의 개발에 몰두하고 있다. 자율 주행 차량은, 외부 디바이스, 일례로 제어 서버와의 통신을 통해 자율 주행을 수행하거나, 자율 주행 차량에 부착된 다양한 센서들을 통해 주변 환경의 인식 및 판단을 통해 자율 주행을 수행한다.
한편, 자율 주행 차량은 다른 차량과 충돌할 가능성이 존재한다. 그러나 종래의 자율 주행 차량은 충돌을 예측하고 회피 동작을 수행하는데 다소 많은 시간을 소요하며, 따라서 충돌을 제대로 방지하지 못하는 문제점이 있다.
본 발명의 목적은 충돌 예측 및 회피 동작을 수행하는데 소요되는 시간을 최소화하여, 충돌 회피 동작을 빠르게 수행할 수 있는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법을 제안하고자 한다.
또한, 본 발명의 다른 목적은 충돌을 회피하는 경우에 발생되는 2차 충돌을 방지할 수 있는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법을 제안하는 것이다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명의 일 실시예에 의한 자율 주행 차량은, 자율 주행을 수행하는 차량의 주변에서 영상 프레임을 획득하는 카메라, 상기 영상 프레임에 기초하여, 상기 차량 주변에 존재하는 적어도 하나의 객체의 상태 정보인 제1 정보, 적어도 하나의 공간의 상태 정보인 제2 정보 및 적어도 하나의 라인의 상태 정보인 제3 정보를 인식하는 인식부, 상기 제1 정보, 상기 제2 정보 및 상기 제3 정보를 조합하여 상기 차량의 일반 주행을 위한 제1 주행 정보를 생성하는 제1 주행 정보 생성부, 상기 제1 정보, 상기 제2 정보 및 상기 제3 정보를 이용하여 상기 차량의 충돌 발생을 예측하고, 상기 충돌이 발생된 것으로 예측된 경우 충돌 방지 주행을 위한 제2 주행 정보를 생성하는 제2 주행 정보 생성부 및 상기 충돌이 발생한 것으로 예측된 경우 상기 제2 주행 정보를 이용하여 상기 차량의 주행을 제어하고, 상기 충돌이 발생되지 않는 것으로 예측된 경우 상기 제1 주행 정보를 이용하여 상기 차량의 주행을 제어하는 제어부를 포함한다.
본 발명의 일 실시예에 의한 자율 주행 차량의 제어 장치는, 상기 차량의 주변에서 획득된 영상 프레임에 기초하여, 상기 차량 주변에 존재하는 적어도 하나의 객체의 상태 정보인 제1 정보, 적어도 하나의 공간의 상태 정보인 제2 정보 및 적어도 하나의 라인의 상태 정보인 제3 정보를 인식하는 인식부, 상기 제1 정보, 상기 제2 정보 및 상기 제3 정보를 조합하여 상기 차량의 일반 주행을 위한 제1 주행 정보를 생성하는 제1 주행 정보 생성부, 상기 제1 정보, 상기 제2 정보 및 상기 제3 정보를 이용하여 상기 차량의 충돌 발생을 예측하고, 상기 충돌이 발생된 것으로 예측된 경우 충돌 방지 주행을 위한 제2 주행 정보를 생성하는 제2 주행 정보 생성부 및 상기 충돌이 발생한 것으로 예측된 경우 상기 제2 주행 정보를 이용하여 상기 차량의 주행을 제어하고, 상기 충돌이 발생되지 않는 것으로 예측된 경우 상기 제1 주행 정보를 이용하여 상기 차량의 주행을 제어하는 제어부를 포함한다.
본 발명의 일 실시예에 의한 자율 주행 차량의 제어 방법은, 상기 차량의 주변에서 획득된 영상 프레임에 기초하여, 상기 차량 주변에 존재하는 적어도 하나의 객체의 상태 정보인 제1 정보, 적어도 하나의 공간의 상태 정보인 제2 정보 및 적어도 하나의 라인의 상태 정보인 제3 정보를 인식하는 단계, 상기 제1 정보, 상기 제2 정보 및 상기 제3 정보를 조합하여 상기 차량의 일반 주행을 위한 제1 주행 정보를 생성하는 단계, 상기 제1 정보, 상기 제2 정보 및 상기 제3 정보를 이용하여 상기 차량의 충돌 발생을 예측하고, 상기 충돌이 발생된 것으로 예측된 경우 충돌 방지 주행을 위한 제2 주행 정보를 생성하는 단계 및 상기 충돌이 발생한 것으로 예측된 경우 상기 제2 주행 정보를 이용하여 상기 차량의 주행을 제어하고, 상기 충돌이 발생되지 않는 것으로 예측된 경우 상기 제1 주행 정보를 이용하여 상기 차량의 주행을 제어하는 단계를 포함한다.
본 발명에 따르면, 충돌 예측 및 회피 동작을 수행하는데 소요되는 시간을 최소화하여, 충돌 회피 동작을 빠르게 수행할 수 있다.
또한, 본 발명에 따르면, 충돌을 회피하는 경우에 발생되는 2차 충돌을 방지할 수 있다.
본 발명의 효과는 전술한 효과에 한정되지 않으며, 본 발명의 당업자들은 본 발명의 구성에서 본 발명의 다양한 효과를 쉽게 도출할 수 있다.
도 1은 5G 통신 시스템에서 자율주행 차량과 5G 네트워크의 기본동작의 일례를 도시한 도면이다.
도 2는 5G 통신 시스템에서 자율주행 차량과 5G 네트워크의 응용 동작의 일례를 도시한 도면이다.
도 3 내지 도 6은 5G 통신을 이용한 자율주행 차량의 동작의 일례를 도시한 도면이다.
도 7 및 도 8은 본 발명의 일 실시예에 따른 자율 주행 차량의 개략적인 블록도를 도시한 도면이다.
도 9 및 도 10은 본 발명의 일 실시예에 따른 차량의 자율 주행 방법의 흐름도를 도시한 도면이다.
도 11는 본 발명의 일 실시예에 따른 따른 후보 충돌 회피 영역의 일례를 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 2차 충돌을 방지하기 위한 개념을 도시한 도면이다.
이하, 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다. 또한, 본 발명의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.
본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 다른 구성 요소가 "개재"되거나, 각 구성 요소가 다른 구성 요소를 통해 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
또한, 본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.
한편, 본 발명이 적용되는 차량은 사용자의 조작 없이 스스로 목적지까지 운행할 수 있는 자율 주행 차량(autonomous vehicle)일 수 있다. 이 경우, 자율 주행 차량은 임의의 인공 지능(AI: Artificial Intelligence) 모듈, 드론(drone), 무인 항공기(Unmmaned Aerial Vehicle), 로봇, 증강 현실(AR: Augmented Reality) 모듈, 가상 현실(VR: Virtual reality) 모듈, 5G(5th Generation) 이동통신 장치 등과 연계될 수 있다.
도 1는 5G 통신 시스템에서 자율 주행 차량과 5G 네트워크 간의 통신의 기본 동작의 일례를 도시한 도면이다.
여기서, 자율 주행(Autonomous Driving)은 스스로 주행하는 기술을 의미하며, 자율 주행 차량(Autonomous Driving Vehicle)은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량을 의미한다.
예컨대, 자율 주행에는 주행 중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이 때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
이하, 도 1을 참조하여 자율 주행 차량과 5G 네트워크 간의 통신의 기본 동작의 일례를 설명한다. 한편, 설명의 편의를 위해, 자율 주행 차량을 "차량"이라 호칭한다.
차량은 특정 정보를 5G 네트워크로 전송할 수 있다(S1).
특정 정보는, 자율 주행 관련 정보를 포함할 수 있다.
자율 주행 관련 정보는, 차량의 주행 제어와 직접적으로 관련된 정보일 수 있다. 예를 들어, 자율 주행 관련 정보는 차량 주변의 오브젝트를 지시하는 오브젝트 데이터, 맵 데이터(map data), 차량 상태 데이터, 차량 위치 데이터 및 드라이빙 플랜 데이터(driving plan data) 중 하나 이상을 포함할 수 있다.
자율 주행 관련 정보는 자율 주행에 필요한 서비스 정보 등을 더 포함할 수 있다. 예를 들어, 특정 정보는, 사용자 단말기를 통해 입력된 목적지 및 차량의 안정 등급에 관한 정보를 포함할 수 있다. 5G 네트워크는 차량의 원격 제어 여부를 결정할 수 있다(S2).
여기서, 5G 네트워크는 자율 주행 관련 원격 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.
그리고, 5G 네트워크는 원격 제어와 관련된 정보(또는 신호)를 차량으로 전송할 수 있다(S3). 원격 제어와 관련된 정보는 차량에 직접적으로 적용되는 신호일 수도 있고, 나아가 자율 주행에 필요한 서비스 정보를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면, 차량은, 5G 네트워크에 연결된 서버를 통해 주행 경로 상에서 선택된 구간별 보험과 위험 구간 정보 등의 서비스 정보를 수신하고, 이를 통해 자율 주행과 관련된 서비스를 제공할 수 있다.
이하, 도 2 내지 도 6을 참고하여, 자율 주행 과정에서 구간별 적용 가능한 보험 서비스를 제공하기 위하여, 차량과 5G 네트워크 간의 5G 통신을 위한 필수 과정(예를 들어, 자율 주행 차량과 5G 네트워크 간의 초기 접속 절차 등)을 개략적으로 설명한다.
도 2는 5G 통신 시스템에서, 차량과 5G 네트워크의 응용 동작의 일 예를 나타내는 도면이다.
차량은 5G 네트워크와 초기 접속(initial access) 절차를 수행할 수 있다(S20).
초기 접속 절차는 하향 링크(Downlink, DL) 동작 획득을 위한 셀 서치(cell search), 시스템 정보(system information)를 획득하는 과정 등을 포함할 수 있다.
차량은 5G 네트워크와 임의 접속(random access) 절차를 수행할 수 있다(S21).
임의 접속 과정은 상향 링크(Uplink, UL) 동기 획득 또는 UL 데이터 전송을 위해 프리엠블 전송, 임의 접속 응답 수신 과정 등을 포함할 수 있다.
5G 네트워크는 차량으로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다(S22).
UL Grant 수신은 5G 네트워크로 UL 데이터의 전송을 위해 시간/주파수 자원 스케줄링을 받는 과정을 포함할 수 있다.
차량은 UL grant에 기초하여 5G 네트워크로 특정 정보를 전송할 수 있다(S23).
5G 네트워크는 차량의 원격 제어 여부를 결정할 수 있다(S24).
차량은 5G 네트워크로부터 특정 정보에 대한 응답을 수신하기 위해 물리 하향링크 제어 채널을 통해 DL grant를 수신할 수 있다(S25).
5G 네트워크는 DL grant에 기초하여 주행 차량으로 원격 제어와 관련된 정보(또는 신호)를 전송할 수 있다(S26).
한편, 도 2에서는 자율주행 차량과 5G 통신의 초기 접속 과정 및 또는 임의 접속 과정 및 하향링크 그랜트 수신 과정이 결합된 예를 단계(S20) 내지 단계(S26)의 과정을 통해 예시적으로 설명하였지만, 본 발명은 이에 한정되지 않는다.
예를 들어, 단계(S20), 단계(S22), 단계(S23), 단계(S24), 단계(S26)의 과정을 통해 초기 접속 과정 및/또는 임의접속 과정을 수행할 수 있다. 또한, 단계(S21), 단계(S22), 단계(S23), 단계(S24), 단계(S26)의 과정을 통해 초기접속 과정 및/또는 임의 접속 과정을 수행할 수 있다. 또한, 단계(S23), 단계(S24), 단계(S25), 단계(S26)의 과정을 통해 AI 동작과 하향링크 그랜트 수신과정이 결합되는 과정을 수행할 수 있다.
또한, 단계(S20) 내지 단계(S26)의 과정을 통해 자율 주행를 수행하는 차량 동작이 제어되는 것으르 설명하였으나, 본 발명은 이에 한정되지 않는다.
예를 들어, 자율 주행하는 차량 동작은, 단계(S20), 단계(S21), 단계(S22) 및 단계(S25)가 단계(S23) 및 단계(S26)와 선택적으로 결합되어 동작할 수 있다. 또한, 자율 주행하는 차량 동작은, 단계(S21), 단계(S22), 단계(S23) 및 단계(S26)로 구성될 수도 있다. 또한, 자율 주행하는 차량 동작은 단계(S20), 단계(S21), 단계(S23) 및 단계(S26)로 구성될 수 있다. 또한, 자율 주행의 차량 동작은 단계(S22), 단계(S23), 단계(S24) 및 단계(S26)로 구성될 수 있다.
도 3 내지 도 6은 5G 통신을 이용한 자율 주행의 차량 동작의 일례를 도시한 도면이다.
도 3을 참고하면, 자율 주행 모듈을 포함하는 차량은 DL 동기 및 시스템 정보를 획득하기 위해 SSB(synchronization signal block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다(S30).
차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행할 수 있다(S31).
차량은 특정 정보를 전송하기 위해 5G 네트워크로 UL grant를 수신할 수 있다(S32).
차량은 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송할 수 있다(S33).
차량은 특정 정보에 대한 응답을 수신하기 위한 DL grant를 5G 네트워크로부터 수신할 수 있다(S34).
차량은 DL grant에 기초하여 원격 제어와 관련된 정보(또는 신호)를 5G 네트워크로부터 수신할 수 있다(S35).
단계(S30)에서 빔 관리(beam management, BM) 과정이 추가될 수 있다. 또한, 단계(S31)에서 PRACH(physical random access channel) 전송과 관련된 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있다. 또한, 단계(S32)에서 UL grant를 포함하는 PDCCH의 빔 수신 방향과 관련하여, QCL 관계가 추가될 수 있다. 또한, 단계(S33)에서, 특정 정보를 포함하는 PUCCH(physical uplink control channel)/PUSCH(physical uplink shared channel)의 빔 전송 방향과 관련하여, QCL 관계가 추가될 수 있다. 또한, 단계(S34)에서 DL grant를 포함하는 PDCCH의 빔 수신 방향과 관련하여, QCL 관계가 추가될 수 있다.
도 4를 참고하면, 차량은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다(S40).
차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행할 수 있다(S41).
차량은 설정된 그랜트(configured grant)에 기초하여 특정 정보를 5G 네트워크로 전송할 수 있다(S42). 다시 말해, 5G 네트워크로부터 UL grant를 수행하는 과정을 대신하여, 상기 설정된 그랜드에 기초하여 특정 정보를 5G 네트워크로 전송할 수도 있다.
차량은 원격 제어와 관련된 정보(또는 신호를) 상기 설정된 그랜트에 기초하여 5G 네트워크로부터 수신할 수 있다(S43).
도 5를 참고하면, 차량은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다(S50).
차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행할 수 있다(S51).
차량은 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다(S52).
차량은 DownlinkPreemption IE에 기초하여 프리엠션 지시를 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신할 수 있다(S53).
차량은 pre-emption indication에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않을 수 있다(S54).
차량은 특정 정보를 전송하기 위해 5G 네트워크로 UL grant를 수신할 수 있다(S55).
차량은 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송할 수 있다(S56).
차량은 특정 정보에 대한 응답을 수신하기 위한 DL grant를 5G 네트워크로부터 수신할 수 있다(S57).
차량은 원격제어와 관련된 정보(또는 신호)를 DL grant에 기초하여 5G 네트워크로부터 수신할 수 있다(S58).
도 6을 참고하면, 차량은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다(S60).
차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행할 수 있다(S61).
차량은 특정 정보를 전송하기 위해 5G 네트워크로 UL grant를 수신할 수 있다(S62). UL grant는 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함할 수 있다.
차량은 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보에 기초하여 특정 정보를 반복하여 전송될 수 있다(S63).
특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서 전송되고, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다.
특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
차량은 특정 정보에 대한 응답을 수신하기 위한 DL grant를 5G 네트워크로부터 수신할 수 있다(S64).
차량은 원격제어와 관련된 정보(또는 신호)를 DL grant에 기초하여 5G 네트워크로부터 수신할 수 있다(S65).
앞서 살핀 5G 통신 기술은 본 명세서에 후술되는 내용에 적용될 수 있으며, 본 명세서에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
도 7은 본 발명의 일 실시예에 따른 자율 주행 차량의 개략적인 블록도를 도시한 도면이다.
자율 주행 차량(700)은 5G 네트워크를 통해 외부의 제어 서버로부터 제어 명령을 수신하고, 제어 명령과 함께 자율 주행 차량(700)에서 센싱된 정보를 이용하여 충돌 발생이 예측되지 않는 경우의 일반 주행 및 충돌 발생이 예측된 경우의 충돌 예측 주행을 수행하는 차량이다. 한편, 설명의 편의를 위해, '자율 주향 차량'을 '차량'으로 호칭하기로 한다.
도 7을 참조하면, 차량(700)는 카메라(710), 센싱부(720), 통신부(730), 인식부(740), 제1 주행 정보 생성부(750), 제2 주행 정보 생성부(760) 및 제어부(770)를 포함한다.
이 때, 인식부(740), 제1 주행 정보 생성부(750), 제2 주행 정보 생성부(760) 및 제어부(770)는 프로세서 기반의 모듈일 수 있다. 여기서, 프로세서는 중앙처리장치(CPU), 애플리케이션 프로세서, 또는 커뮤니케이션 프로세서 중 어느 하나일 수 있다. 그리고, 인식부(740), 제1 주행 정보 생성부(750), 제2 주행 정보 생성부(760) 및 제어부(770)는 별도의 제어 장치로서 구성될 수도 있다.
이하, 각 구성 요소 별로 그 기능을 상세하게 설명한다.
카메라(710)는 차량(700)의 외부에 배치되어 차량(700) 주변에 대한 실시간의 영상 프레임을 획득한다.
이 때, 카메라(710)는 기 설정된 화각 내에서 영상 프레임을 획득하고, 프레임 레이트가 조절 가능하다.
센싱부(720)는 적어도 하나의 센서를 포함할 수 있으며, 차량(700)의 외부 환경에 대한 특정 정보를 센싱한다. 일례로서, 센싱부(720)는 차량(700)의 인근에 위치하는 객체(다른 차량, 사람, 언덕 등)까지의 거리를 측정하기 위한 라이더 센서, 레이터 센서, 적외선 센서, 초음파 센서, RF 센서 등을 포함할 수 있으며, 기타 지자기 센서, 관성 센서, 광 센서 등 다양한 센서를 포함할 수 있다.
통신부(730)는 제어 서버 및 다른 차량과 통신을 수행한다. 특히, 통신부(730)는 5G 네트워크를 이용하여 통신을 수행할 수 있다.
인식부(740)는 실시간의 영상 프레임에 기초하여, 차량(700) 주변에 존재하는 적어도 하나의 객체의 상태 정보인 제1 정보, 적어도 하나의 공간의 상태 정보인 제2 정보 및 적어도 하나의 라인의 상태 정보인 제3 정보를 실시간으로 인식한다. 한편, 인식을 위해 센싱부(720)에 센싱된 정보가 더 이용될 수 있다.
한편, 인식부(740)는 객체 인식부, 공간 인식부 및 라인 인식부를 포함할 수 있다.
객체 인식부는 적어도 하나의 객체의 상태 정보인 제1 정보를 인식한다.
객체의 상태 정보는 객체의 타입 정보 및 위치 정보를 포함한다. 객체의 타입은 도로 주변의 사람 및 다른 차량을 포함한다. 객체의 위치는 영상 프레임 내에서의 객체의 위치이다.
한편, 객체 인식부는 인공 신경망 기반의 제1 알고리즘 모델을 이용하여 객체의 상태 정보를 산출할 수 있다.
공간 인식부는 차랑(700)의 주변에 위치하는 적어도 하나의 공간의 상태 정보인 제2 정보를 인식한다.
공간의 상태 정보는 공간의 타입 정보 및 위치 정보를 포함한다. 공간의 타입은 차도 및 인도를 포함한다. 공간의 위치는 영상 프레임 내에서의 공간의 위치이다.
한편, 공간 인식부는 인공 신경망 기반의 제2 알고리즘 모델을 이용하여 공간의 상태 정보를 산출할 수 있다.
라인 인식부는 차랑(700)이 주행하는 도로에 표시된 적어도 하나의 라인의 상태 정보인 제3 정보를 인식한다.
라인의 상태 정보는 라인의 타입 정보 및 위치 정보를 포함한다. 라인의 타입은 색상 및 형태에 의해 정의된다. 라인의 위치는 영상 프레임 내에서의 라인의 위치이다.
한편, 라인 인식부는 인공 신경망 기반의 제3 알고리즘 모델을 이용하여 라인의 상태 정보를 산출할 수 있다.
제1 주행 정보 생성부(750)은 제1 정보, 제2 정보 및 제3 정보를 조합하여 차량(700)의 일반 주행을 위한 제1 주행 정보를 생성한다.
제2 주행 정보 생성부(760)은 제1 정보, 제2 정보 및 제3 정보를 이용하여 차량(700)의 충돌 발생을 예측하고, 충돌이 발생된 것으로 예측된 경우 충돌 방지 주행을 위한 제2 주행 정보를 생성한다.
도 8은 본 발명의 일 실시예에 따른 제2 주행 정보 생성부(760)의 개략적인 구성을 도시한 도면이다.
도 8을 참조하면, 제2 주행 정보 생성부(760)는 선정부(761), 추정부(762), 충돌 예측부(763), 선택부(764) 및 생성부(765)를 포함한다.
선정부(761)는 제2 정보 및 제3 정보를 이용하여 차량(700)의 충돌을 방지하기 위한 영역인 적어도 하나의 후보 충돌 회피 영역을 선정한다. 여기서, 후보 충돌 회피 영역은 차량(700)이 다른 차량과의 충돌을 방지하기 위한 회피 영역의 후보로 정의된다.
추정부(762)는 제1 정보를 이용하여 적어도 하나의 객체의 움직임을 추정한다.
충돌 예측부(763)는 추정된 적어도 하나의 객체의 움직임에 기초하여 차량(700)과 적어도 하나의 객체 사이의 충돌 여부를 예측한다.
선택부(764)는 차량(700)이 충돌하는 것으로 예측된 경우, 추정된 적어도 하나의 객체의 움직임에 기초하여, 적어도 하나의 후보 충돌 회피 영역 중에서 충돌 회피 영역을 선택한다.
생성부(765)는 선택된 충돌 회피 영역에 포함된 제2 주행 정보를 생성한다.
다시, 도 7을 참조하면, 제어부(770)는 제1 주행 정보 및 제2 주행 정보 중 어느 하나를 이용하여 차량(700)의 주행을 제어한다. 즉, 제어부(770)는 일반 주행시에는 제1 주행 정보를 이용하여 차량(700)의 주행을 제어하되, 충돌이 발생된 것으로 예측되는 경우 제2 주행 정보를 이용하여 차량(700)의 주행을 제어한다.
한편, 도 7에 도시되지는 않았지만, 차량(700)는 전조등 및 경적 장치를 더 포함할 수 있다.
이하, 아래의 도면들을 참조하여, 차량(700)의 충돌을 방지하지 위한 자율 주행 방법을 보다 상세하게 설명한다.
도 9는 본 발명의 일 실시예에 따른 차량(700)의 자율 주행 방법의 흐름도를 도시한 도면이다. 이하, 각 구성 요소 별로 그 기능을 상세하게 설명하기로 한다.
먼저, 단계(S902)에서, 카메라(710)는 차량(700) 주변에 대한 실시간의 영상 프레임을 획득한다.
다음으로, 단계(S904)에서, 인식부(740)는 제1 정보, 제2 정보 및 제3 정보를 실시간으로 인식한다.
보다 상세하게, 인식부(740) 내의 객체 인식부는 적어도 하나의 객체의 상태 정보인 제1 정보를 실시간으로 인식한다.
객체의 상태 정보는 객체의 타입 정보 및 위치 정보를 포함한다.
객채의 타입은 차량이 주행하는 도로 주변의 사람, 다른 차량 및 기타 객체를 포함한다. 한편, 인식부(740)는 객체의 확률을 추청하고 이에 기초하여 객체의 타입을 인식할 수 있다.
객체의 위치는 영상 프레임 내의 객체의 위치일 수 있다.
본 발명의 일 실시예에 따르면, 객체 인식부는 인공 신경망 기반의 제1 알고리즘 모델을 이용하여 객체의 상태 정보를 산출할 수 있다.
그리고, 인식부(740) 내의 공간 인식부는 차랑(700)의 주변에 위치하는 적어도 하나의 공간의 상태를 실시간으로 인식한다. 여기서, 적어도 하나의 공간은 도로에 속하는 공간이다.
공간의 상태 정보는 공간의 타입 정보 및 위치 정보를 포함할 수 있다.
공간의 타입은 차도 및 인도를 포함할 수 있다. 한편, 공간 인식부는 공간의 확률을 추청하고 이에 기초하여 객체의 타입을 인식할 수 있다.
공간의 위치는 영상 프레임에서의 공간의 위치를 의미한다.
본 발명의 일 실시예에 따르면, 공간 인식부는 인공 신경망 기반의 제2 알고리즘 모델을 이용하여 공간의 상태를 산출할 수 있다.
또한, 인식부(740) 내의 라인 인식부는 차랑(700)이 주행하는 도로에 표시된 적어도 하나의 라인의 상태를 실시간으로 인식한다.
여기서, 라인의 상태는 라인의 타입 및 위치를 포함할 수 있다.
라인은 색상 및 형태에 따라서 복수의 타입으로 분류된다. 일례로, 라인인, 흰색 실선 라인, 흰색 점선 라인, 흰색 이중 실선 라인, 흰색 이중 실선/점선 라인, 노란색 실선 라인, 노란색 점선 라인, 노란색 이중 실선 라인, 노란색 이중 실선/점선 라인, 파란색 실선 라인, 파란색 점선 라인, 파란색 이중 점선 라인 등일 수 있다.
라인의 위치는 영상 프레임에서의 라인의 위치를 의미한다.
본 발명의 일 실시예에 따르면, 라인 인식부는 인공 신경망 기반의 제3 알고리즘 모델을 이용하여 공간의 객체의 상태 정보를 산출할 수 있다.
한편, 상기에서 언급한 인공 신경망 기반의 제1 알고리즘 모델, 제2 알고리즘 모델 및 제3 알고리즘 모델은 DNN(Deep Neural Network) 기반의 알고리즘 모델로서, CNN 및 CNN에서 파생된 알고리즘일 수 있다.
이에 대해 보다 상세하게 설명하면 다음과 같다.
인공 지능(AI: artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기 계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보 기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
인공 지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보 기술의 여러 분야에서 인공 지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공 지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.
용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정 나무(Decision Tree), 베이지안 망(Bayesian network), 서포트 벡터 머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
특히, 인공 신경망은 생물학적 뉴런의 동작 원리와 뉴런 간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)인 다수의 뉴런(neuron)들이 레이어(layer) 구조의 형태로 연결된 정보 처리 시스템이다.
즉, 인공 신경망은 기계 학습에서 사용되는 모델로써, 기계 학습과 인지 과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로, 인공 신경망은 복수의 레이어를 포함할 수 있고, 레이어들 각각은 복수의 뉴런를 포함할 수 있다. 또한, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스(synapse)를 포함할 수 있다. 즉, 인공 신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스의 결합 세기를 변화시켜 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 '인공 신경망'은 용어 '뉴럴 네트워크(Neural Network)'와 혼용되어 사용될 수 있고, 용어 '뉴런'은 용어 '노드'와 혼용되어 사용될 수 있고, 용어 '시냅스'는 용어 '에지'와 혼용되어 사용될 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴, (2) 시냅스의 가중치를 갱신하는 학습 과정, (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력 레이어와 출력 레이어로 구성된다.
또한, 일반적인 다층 신경망은 입력 레이어(input layer)와, 하나 이상의 은닉 레이어(hidden layer)와, 출력층(output layer)으로 구성된다.
입력 레이어는 외부의 자료들을 받아들이는 레어어로서, 입력 레이어의 뉴런 수는 입력되는 변수의 수와 동일하다.
은닉 레이어는 입력 레이어와 출력 레이어 사이에 위치하며, 입력 레이어로부터 신호를 받아 특성을 추출하여 출력 레이어로 전달한다.
출력 레이어는 은닉 레이어로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런 간의 입력 신호는 각각의 가중치(연결 강도)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
한편, 입력 레이어와 출력 레이어 사이에 복수의 은닉 레이어를 포함하는 심층 신경망은, 기계 학습 기술의 한 타입인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 시냅스 가중치(weight)나 뉴런에 적용되는 바이어스(bias)가 인공 신경망의 파라미터의 대표적인 예이다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화할 수 있다. 한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(trained model)이라 명칭할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습(supervised learning), 비 지도 학습(unsupervised learning), 준 지도 학습(semi-supervised learning), 강화 학습(reinforcement learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다. 이 때, 유추되는 함수 중, 연속적인 값을 출력하는 것을 회귀분석(regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(classification)라고 한다. 즉, 지도 학습에서는 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다. 여기서, 레이블은 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미한다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다. 구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법이다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다. 준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
상기 내용을 참조하면, 본 발명의 객체, 공간 및 라인을 인식하기 위한 인공 신경망에 기초한 알고리즘 모델들은 입력 노드로 구성된 입력 레이어, 출력 노드로 구성된 출력 레이어 및 입력 레이어와 출력 레이어 사이에 배치되며, 은닉 노드로 구성된 하나 이상의 은닉 레이어를 포함한다. 이 때, 알고리즘 모델은 학습 데이터에 의해 학습되며, 학습을 통해 노드들을 연결하는 에지의 가중치 및 노드의 바이어스가 업데이트될 수 있다.
그리고, 알고리즘 모델들 각각의 입력 레이어로 영상 프레임이 입력된다. 또한, 제1 알고리즘 모델의 출력 레이어로 적어도 하나의 객체의 타입 및 위치가 산출되고, 제2 알고리즘 모델의 출력 레이어로 적어도 하나의 공간의 타입 및 위치가 산출되고, 제3 알고리즘 모델의 출력 레이어로 적어도 하나의 라인의 타입 및 위치가 산출된다.
다시 도 9를 참조하면, 단계(S906)에서, 제1 주행 정보 생성부(750)는 제1 정보, 제2 정보 및 제3 정보를 조합하여 차량(700)의 일반 주행을 위한 제1 주행 정보를 실시간으로 생성한다.
즉, 제1 주행 정보 생성부(750)는 충돌이 발생하지 않는 일반적인 상황에서, 차량(700)의 주행을 제어하는 제1 주행 정보를 생성한다.
일례로서, 제1 주행 정보 생성부(750)는, 제1 정보를 2차원 형태의 제1 맵(일례로, Bird‘s eye view 형태의 2차원의 맵)으로 변환하고, 제2 정보를 2차원 형태의 제2 맵으로 변환하고, 제3 정보를 2차원 형태의 제3 맵으로 변환하고, 제1 맵, 제2 맵 및 제3 맵을 이용하여 제1 주행 정보를 생성할 수 있다.
단계(S908)에서, 제2 주행 정보 생성부(760)은 제1 정보, 제2 정보 및 제3 정보를 이용하여 차량(700)의 충돌 발생을 예측하고, 충돌이 발생된 것으로 예측된 경우 충돌 방지 주행을 위한 제2 주행 정보를 생성한다.
즉, 제2 주행 정보 생성부(760)의 동작(S908)의 제1 주행 정보 생성부(750)의 동작(S906)과 별로도 수행되는 것으로서, 제1 주행 정보 생성부(750)을 통해 변환되지 않는 제1 정보, 제2 정보 및 제3 정보를 이용하여 충돌 발생의 예측 및 충돌 방지 주행을 위한 제2 주행 정보를 생성한다. 변환되지 않는 제1 정보, 제2 정보 및 제3 정보를 이용하여 제2 주행 정보를 생성함으로써 빠른 충돌 발생의 예측이 가능하다.
도 10은 도 9의 단계(S908)의 상세한 흐름도를 도시한 도면이다.
단계(S1002)에서, 선정부(761)는 제2 정보 및 제3 정보를 이용하여 차량(700)의 충돌을 방지하기 위한 영역인 적어도 하나의 후보 충돌 회피 영역을 선정한다.
후보 충돌 회피 영역은 차량(700)이 다른 차량과의 충돌을 방지하기 위한 회피 영역으로 정의되며, 선정부(761)는 적어도 하나의 공간의 상태 정보와 적어도 하나의 라인의 상태 정보에 기반하여 충돌 회피를 위한 차량(700)의 후보 충돌 회피 영역을 선정한다.
이를 위해, 선정부(761)는 적어도 하나의 공간의 상태 정보와 적어도 하나의 라인의 상태 정보를 이용하여 적어도 하나의 도로의 타입을 판단하고, 적어도 하나의 도로의 타입에 기초하여 적어도 하나의 후보 충돌 회피 영역을 선정한다. 이 때, 적어도 하나의 공간에 적어도 하나의 라인이 매핑되어 적어도 하나의 도로의 타입이 판단된다.
일례로, 도로의 타입은 버스 주행 차로, 자전거 전용 차로, 일반 차로, 보행자 전용 인도 및 보행자/자전거 겸용 인도 등을 포함할 수 있다.
본 발명의 일 실시예에 따르면, 후보 충돌 회피 영역은 교통 법규에 의해 차량(700)이 주행 가능한 도로인 제1 도로 상의 영역 및 교통 법규에 의해 차량(700)이 주행할 수 없는 도로인 제2 도로 상의 영역을 포함할 수 있다.
보다 상세하게, 차량(700)는 일반적으로 교통 법규를 준수하면서 주행한다. 이 때, 교통 법규를 준수하면서 주행할 수 있는 도로는, 전후로 안전거리가 확보되어 있는 도로인 도로 A와, 전후로 안전거리가 확보되지 않은 도로 또는 안전거리가 확보되었지만 다른 객체가 도로에 위치하여 차량(700)이 주행할 수 없는 도로인 도로 B를 포함한다.
그리고, 차량(700)는 교통 법규를 준수하지 않았지만 도로 A와 같이 주행이 가능한 도로 C를 주행할 수 있다. 일례로, 도로 C는 중앙선의 반대편의 차로, 인도, 자전거 전용 도로, 횡단보도 등일 수 있다.
따라서, 선정부(761)는 도로 A와 같이 교통 법규에 의해 차량(700)이 주행할 수 있는 제1 도로 상의 영역과, 도로 C와 같이 교통 법규에 의해 차량(700)이 주행할 수 없는 도로이지만 충돌 회피를 위해서는 주행할 수 있는 제2 도로 상의 영역을 적어도 하나의 후보 충돌 회피 영역으로 선정할 수 있다.
도 11에서는 후보 충돌 회피 영역의 일례를 설명하고 있다.
도 11의 (a)는 후보 충돌 회피 영역이 차량(700)의 오른쪽에 위치한 제1 도로의 영역으로 선정되는 일례를 도시하고 있고, 도 11의 (b)는 후보 충돌 회피 영역이 차량(700)의 오른쪽에 위치한 제1 도로의 영역 및 중앙선의 반대편의 차로로 선정되는 일례를 도시하고 있고, 도 11의 (c)는 후보 충돌 회피 영역이 인도로 선정되는 일례를 도시하고 있다.
다시 도 10을 참조하면, 단계(S1004)에서, 추정부(762)는 제1 정보를 이용하여 적어도 하나의 객체의 움직임을 추정한다.
즉, 추정부(762)는 객체의 위치 정보에 기초하여 객체의 속도를 추정하고, 추정된 속도에 기초하여 객체의 음직임을 추정할 수 있다.
한편, 객체의 속도는 영상 프레임 상의 객체의 위치에 기초하여 객체의 속도를 추정할 수 있는 알고리즘(일례로, 확장 칼만 필터(Extended Kalman Filter)을 이용하여 산출될 수 있다.
단계(S1006)에서, 충돌 예측부(763)는 추정된 적어도 하나의 객체의 움직임에 기초하여 차량(700)과 적어도 하나의 객체 사이의 충돌 여부를 예측한다.
본 발명의 일 실시예에 따르면, 충돌 예측부(763)는 적어도 하나의 객체의 상태에 따른 움직임 정보와 차량(700)의 제동 예상 거리를 이용하여 충돌을 예측할 수 있다.
일례로, 차량(700) 및 움직임 정보를 통해 도출한 객체 사이의 거리가 차량(700)의 예상 제동 거리보다 큰 경우, 차량(700)이 충돌하지 않는 것으로 예측된다.
다른 일례로, 차량(700) 및 움직임 정보를 통해 도출한 객체 사이의 거리가 차량(700)의 예상 제동 거리보다 작은 경우 차량(700)이 충돌하는 것으로 예측된다.
그리고, 단계(S1008)에서, 선택부(764)는 차량(700)이 충돌하는 것으로 예측된 경우, 추정된 적어도 하나의 객체의 움직임에 기초하여 적어도 하나의 후보 충돌 회피 영역 중에서 충돌 회피 영역을 선택한다.
즉, 선택부(764)는 적어도 하나의 후보 충돌 회피 영역 중에서 객체가 존재하지 않는 하나 이상의 후보 충돌 회피 영역을 선택하고, 하나 이상의 후보 충돌 회피 영역 중 하나를 충돌 회피 영역으로 선택할 수 있다.
본 발명의 일 실시예에 따르면, 선택부(764)는 하나 이상의 후보 충돌 회피 영역 중 제1 도로 상의 영역이 포함된 경우 제1 도로 상의 영역을 충돌 회피 영역으로 선택하고, 하나 이상의 후보 충돌 회피 영역에 제2 도로 상의 영역만이 포함된 경우 제2 도로 상의 영역을 충돌 회피 영역으로 선택할 수 있다.
즉, 적어도 하나의 충돌 회피 영역이 제1 도로 상의 영역 및 제2 도로 상의 영역을 모두 포함하는 경우, 선택부(764)는 제1 도로 상의 영역를 선택한다. 그리고, 적어도 하나의 충돌 회피 영역이 적어도 하나의 제2 도로 상의 영역만을 포함하는 경우, 선택부(764)는 적어도 하나의 제2 도로 상의 영역 중 하나를 선택한다. 즉, 교통 법규를 준수하는 충돌 회피 영역이 존재하면, 선택부(764)는 교통 법규를 준수하는 충돌 회피 영역을 우선적으로 선택한다.
그리고, 단계(S1010)에서, 생성부(765)는 충돌 회피 영역의 정보가 포함된 제2 주행 정보를 생성한다.
다시 도 9를 참조하면, 단계(S910)에서, 제어부(770)은 제1 주행 정보 및 제2 주행 정보 중 어느 하나를 이용하여 차량(700)의 주행을 제어한다.
즉, 제어부(770)는 일반 주행시에는 제1 주행 정보를 이용하여 차량(700)의 주행을 제어하되, 충돌이 발생된 것으로 예측되는 경우 제2 주행 정보를 이용하여 차량(700)의 주행을 제어한다.
요컨대, 본 발명은 일반적인 자율 주행에 대한 제1 주행 정보를 생성함과 함께 충돌을 회피하기 위해 이동해야 될 영역을 간단한 데이터를 통해 충돌 발생 이전에 미리 설정하고, 충돌이 예측되는 경우 미리 설정된 충돌 회피 영역으로 이동하여 충돌을 방지할 수 있다. 즉, 충돌 예측 및 회피 동작을 수행하는데 소요되는 시간을 최소화하여 충돌 회피 동작을 빠르게 수행하며, 이에 따라 충돌을 효과적으로 방지할 수 있다.
한편, 본 발명에 따른 충돌을 방지하지 위한 차량(700)의 자율 주행 방법은 충돌 회피 영역으로 이동 시 발생하는 2차 충돌을 예방할 수 있다.
보다 상세하게, 제어부(770)는 차량(700)이 충돌 회피 영역으로 이동하는 경우, 차량(700) 내의 전조등을 주기적으로 온/오프하도록 제어하거나, 경적이 경적 장치로 출력되도록 제어하거나, 제2 도로 상의 영역으로 이동하고 있다는 메시지를 차량(700)과 인접한 다른 차량으로 전송하도록 통신부(730)를 제어할 수 있다.
특히, 상기한 내용은 충돌을 회피하기 위해 교통 법규에 의해 주행할 수 없는 제2 도로 상의 영역을 이동하는 경우 용이하게 적용될 수 있다.
이에 따라 충돌 회피 동작으로 인한 2차 사고를 방지할 수 있다.
또한, 선택된 충돌 회피 영역 중 적어도 일부분의 영역의 정보가 충돌 예측 전에 획득된 영상 프레임에 포함되지 않는 경우가 발생할 수 있다. 이는 도 12에 도시된 바와 같다.
도 12을 참조하면, 충돌을 방지하기 위해 차량(700)이 오른쪽에 위치한 차로로 이동하는 경우, 충돌 예측 전에 획득된 영상 프레임에는 차량(700)이 이동하는 영역의 일부의 정보가 존재하지 않을 수 있다. 이 경우, 존재하지 않는 일부의 정보로 인해 2차 충돌이 발생할 수 있다.
따라서, 상기한 일부의 정보를 보다 빠르게 획득하기 위해, 제어부(770)는 카메라(710)의 영상 프레임 레이트를 증가시킬 수 있다.
일례로, 카메라(710)가 30fps ~ 90fps의 속도로 영상 프레임을 획득할 수 있고, 일반 주행 시 카메라(710)가 30fps의 속도로 영상 프레임을 획득하는 것으로 가정하면, 차량(700)이 충돌 회피 영역으로 이동하는 경우, 제어부(770)는 카메라(710)의 영상 프레임 레이트를 30fps에서 90fps로 증가시킬 수 있다. 이에 따라 빠른 정보의 획득이 가능하다.
한편, 증가된 영상 프레임 레이트가 인식부(740)가 최대로 처리가 가능한 영상 프레임 레이트보다 큰 경우가 발생할 수 있다. 일례로, 최대로 처리가 가능한 인식부(740)의 영상 프레임 레이트가 60fps이고, 카메라(710)의 증가된 영상 프레임 레이트가 90fps일 수 있다.
이 경우, 제어부(770)는 인식부(740)는 획득된 영상 프레임 중 일부분의 영상 프레임을 이용하여, 적어도 하나의 객체의 상태 및 적어도 하나의 도로의 타입을 판단할 수 있다. 이 때, 영상 프레임 중 일부분은 충돌이 예측된 객체와 방향과 반대 방향에 위치하는 부분일 수 있다.
일례로서, 인식부(740)의 영상 프레임 레이트가 60fps이고, 카메라(710)의 증가된 영상 프레임 레이트가 90fps인 경우, 1초당 30개의 영상 프레임은 인식부(740)가 처리하지 못한다.
따라서, 인식부(740)는 1초를 기준으로, 90개의 영상 프레임 중 30개의 영상 프레임은 전체의 영상 프레임을 이용하여 객체의 상태 및 도로의 타입을 위한 처리를 수행하고, 90개의 영상 프레임 중 60개의 영상 프레임은 절반의 영상 프레임을 이용하여 객체의 상태 및 도로의 타입을 위한 처리를 수행할 수 있다. 즉, 3개의 영상 프레임이 연속적으로 수신되는 경우, 첫번재 영상 프레임은 전체를 사용하고, 나머지 2개의 영상 프레임은 절반을 사용할 수 있다. 이 때, 절반의 영상 프레임은 충돌이 예측된 객체의 방향과 반대쪽의 방향일 수 있다.
정리하면, 본 발명은 충돌을 회피하기 위해 이동해야 될 영역을 충돌 발생 이전에 미리 설정함으로써 충돌 예측 및 회피 동작을 수행하는데 소요되는 시간을 최소화하여 충돌 회피 동작을 빠르게 수행한다. 그리고, 충돌 회피 영역으로 차량(700)이 이동하는 경우 카메라(710)의 영상 프레임 레이트를 증가시켜 2차 충돌을 방지할 수 있다.
또한, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니며, 본 발명의 목적 범위 내에서 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 반도체 기록소자를 포함하는 저장매체를 포함한다. 또한 본 발명의 실시예를 구현하는 컴퓨터 프로그램은 외부의 장치를 통하여 실시간으로 전송되는 프로그램 모듈을 포함한다.
이상에서는 본 발명의 실시예를 중심으로 설명하였지만, 통상의 기술자의 수준에서 다양한 변경이나 변형을 가할 수 있다. 따라서, 이러한 변경과 변형이 본 발명의 범위를 벗어나지 않는 한 본 발명의 범주 내에 포함되는 것으로 이해할 수 있을 것이다.

Claims (13)

  1. 자율 주행을 수행하는 차량의 주변에서 기 설정된 화각 내로 영상 프레임을 획득하고, 프레임 레이트가 조절 가능한 카메라;
    상기 영상 프레임에 기초하여, 상기 차량 주변에 존재하는 적어도 하나의 객체의 상태 정보인 제1 정보, 적어도 하나의 공간의 상태 정보인 제2 정보 및 적어도 하나의 라인의 상태 정보인 제3 정보를 인식하는 인식부;
    상기 제1 정보, 상기 제2 정보 및 상기 제3 정보를 조합하여 상기 차량의 일반 주행을 위한 제1 주행 정보를 생성하는 제1 주행 정보 생성부;
    상기 제2 정보 및 상기 제3 정보를 이용하여 상기 차량의 충돌을 방지하기 위한 영역인 적어도 하나의 후보 충돌 회피 영역을 선정하고, 상기 제1 정보를 이용하여 상기 적어도 하나의 객체의 움직임을 추정하고, 상기 추정된 적어도 하나의 객체의 움직임에 기초하여 상기 차량과 상기 적어도 하나의 객체 사이의 충돌 여부를 예측하고, 상기 차량이 충돌하는 것으로 예측된 경우 상기 추정된 적어도 하나의 객체의 움직임에 기초하여 상기 적어도 하나의 후보 충돌 회피 영역 중에서 충돌 회피 영역을 선택하고, 상기 충돌 회피 영역의 정보를 포함하는 충돌 방지 주행을 위한 제2 주행 정보를 생성하는 제2 주행 정보 생성부; 및
    상기 충돌이 발생한 것으로 예측된 경우 상기 제2 주행 정보를 이용하여 상기 차량의 주행을 제어하고, 상기 충돌이 발생되지 않는 것으로 예측된 경우 상기 제1 주행 정보를 이용하여 상기 차량의 주행을 제어하는 제어부;를 포함하되,
    상기 충돌 회피 영역 중 적어도 일부분의 영역의 정보가 상기 충돌 발생 예측 전에 획득된 영상 프레임에 포함되지 않고 상기 차량이 상기 제2 주행 정보에 따라 상기 충돌 회피 영역으로 이동하는 경우, 상기 카메라의 영상 프레임 레이트가 증가되고,
    상기 증가된 영상 프레임 레이트가 상기 인식부가 최대로 처리가 가능한 영상 프레임 레이트보다 큰 경우, 상기 인식부는 상기 영상 프레임 중 일부분을 이용하여 상기 제1 정보, 상기 제2 정보 및 제3 정보를 인식하는, 자율 주행 차량.
  2. 삭제
  3. 제1항에 있어서,
    상기 제1 정보는 상기 객체의 타입 및 위치를 포함하고,
    상기 제2 정보는 상기 공간의 타입 및 위치를 포함하고,
    상기 제3 정보는 상기 라인의 타입 및 위치를 포함하되,
    상기 객체의 타입은 사람 및 다른 차량을 포함하고,
    상기 공간의 타입은 차도 및 인도를 포함하는, 자율 주행 차량.
  4. 제1항에 있어서,
    일반 주행의 경우 상기 차량은 교통 법규를 준수하면서 주행하고,
    상기 적어도 하나의 후보 충돌 회피 영역 각각은 교통 법규에 의해 상기 차량이 주행 가능한 도로인 제1 도로 상의 영역 및 교통 법규에 의해 상기 차량이 주행할 수 없는 도로인 제2 도로 상의 영역 중 어느 하나인, 자율 주행 차량.
  5. 제4항에 있어서,
    선택부는,
    상기 적어도 하나의 후보 충돌 회피 영역에 상기 제1 도로 상의 영역이 포함된 경우 상기 제1 도로 상의 영역을 상기 충돌 회피 영역으로 선택하고,
    상기 적어도 하나의 후보 충돌 회피 영역에 상기 제2 도로 상의 영역만이 포함된 경우 상기 제2 도로 상의 영역을 상기 충돌 회피 영역으로 선택하는, 자율 주행 차량.
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    상기 영상 프레임 중 일부분은 상기 충돌이 예측된 객체의 방향과 반대 방향에 위치하는, 자율 주행 차량.
  9. 제1항에 있어서,
    상기 자율 주행 차량은 전조등, 경적 장치 및 통신부를 더 포함하되,
    상기 제어부는, 상기 차량이 제2 주행 정보에 따라 상기 충돌 회피 영역으로 이동하는 경우, 상기 전조등이 주기적으로 온/오프되도록 제어하거나, 경적이 상기 경적 장치로 출력되도록 제어하거나, 상기 충돌 회피 영역으로 이동하고 있다는 메시지를 상기 차량과 인접한 다른 차량으로 전송하도록 상기 통신부를 제어하는, 자율 주행 차량.
  10. 제1항에 있어서,
    상기 인식부는,
    인공 신경망에 기반한 제1 알고리즘 모델에 기초하여 상기 제1 정보를 인식하는 객체 인식부와
    인공 신경망에 기반한 제2 알고리즘 모델에 기초하여 제2 정보를 인식하는 공간 인식부와,
    인공 신경망에 기반한 제3 알고리즘 모델에 기초하여 상기 제3 정보를 인식하는 라인 인식부를 포함하되,
    상기 제1 알고리즘 모델, 상기 제2 알고리즘 모델 및 상기 제3 알고리즘 모델 각각은 입력 노드로 구성된 입력 레이어, 출력 노드로 구성된 출력 레이어 및 입력 레이어와 출력 레이어 사이에 배치되며, 은닉 노드로 구성된 하나 이상의 은닉 레이어를 포함하고, 학습을 통해 노드들을 연결하는 에지의 가중치 및 노드들의 바이어스가 업데이트되는, 자율 주행 차량.
  11. 제10항에 있어서,
    상기 제1 알고리즘 모델, 상기 제2 알고리즘 모델 및 상기 제3 알고리즘 모델 각각의 입력 레이어로 상기 영상 프레임이 입력되고,
    상기 제1 알고리즘 모델의 출력 레이어로 상기 적어도 하나의 객체의 타입, 위치 및 확률이 출력되고,
    상기 제2 알고리즘 모델의 출력 레이어로 상기 적어도 하나의 공간의 타입, 상기 적어도 하나의 공간의 위치 및 확률이 출력되고,
    상기 제3 알고리즘 모델의 출력 레이어로 상기 적어도 하나의 라인의 타입, 위치 및 확률이 출력되는, 자율 주행 차량.
  12. 자율 주행을 수행하는 차량의 제어 장치에 있어서,
    상기 차량의 주변에서 카메라를 통해 기 설정된 화각 내로 획득된 영상 프레임에 기초하여, 상기 차량 주변에 존재하는 적어도 하나의 객체의 상태 정보인 제1 정보, 적어도 하나의 공간의 상태 정보인 제2 정보 및 적어도 하나의 라인의 상태 정보인 제3 정보를 인식하는 인식부;
    상기 제1 정보, 상기 제2 정보 및 상기 제3 정보를 조합하여 상기 차량의 일반 주행을 위한 제1 주행 정보를 생성하는 제1 주행 정보 생성부;
    상기 제2 정보 및 상기 제3 정보를 이용하여 상기 차량의 충돌을 방지하기 위한 영역인 적어도 하나의 후보 충돌 회피 영역을 선정하고, 상기 제1 정보를 이용하여 상기 적어도 하나의 객체의 움직임을 추정하고, 상기 추정된 적어도 하나의 객체의 움직임에 기초하여 상기 차량과 상기 적어도 하나의 객체 사이의 충돌 여부를 예측하고, 상기 차량이 충돌하는 것으로 예측된 경우 상기 추정된 적어도 하나의 객체의 움직임에 기초하여 상기 적어도 하나의 후보 충돌 회피 영역 중에서 충돌 회피 영역을 선택하고, 상기 충돌 회피 영역의 정보를 포함하는 충돌 방지 주행을 위한 제2 주행 정보를 생성하는 제2 주행 정보를 생성하는 제2 주행 정보 생성부; 및
    상기 충돌이 발생한 것으로 예측된 경우 상기 제2 주행 정보를 이용하여 상기 차량의 주행을 제어하고, 상기 충돌이 발생되지 않는 것으로 예측된 경우 상기 제1 주행 정보를 이용하여 상기 차량의 주행을 제어하는 제어부;를 포함하되,
    상기 충돌 회피 영역 중 적어도 일부분의 영역의 정보가 상기 충돌 발생 예측 전에 획득된 영상 프레임에 포함되지 않고 상기 차량이 상기 제2 주행 정보에 따라 상기 충돌 회피 영역으로 이동하는 경우, 상기 카메라의 영상 프레임 레이트가 증가되고,
    상기 증가된 영상 프레임 레이트가 상기 인식부가 최대로 처리가 가능한 영상 프레임 레이트보다 큰 경우, 상기 인식부는 상기 영상 프레임 중 일부분을 이용하여 상기 제1 정보, 상기 제2 정보 및 제3 정보를 인식하는, 자율 주행 차량의 제어 장치.
  13. 프로세서가 포함된 장치에서 수행되는 자율 주행 차량의 제어 방법에 있어서,
    상기 차량의 주변에서 카메라를 통해 기 설정된 화각 내로 획득된 영상 프레임에 기초하여, 상기 차량 주변에 존재하는 적어도 하나의 객체의 상태 정보인 제1 정보, 적어도 하나의 공간의 상태 정보인 제2 정보 및 적어도 하나의 라인의 상태 정보인 제3 정보를 인식하는 단계;
    상기 제1 정보, 상기 제2 정보 및 상기 제3 정보를 조합하여 상기 차량의 일반 주행을 위한 제1 주행 정보를 생성하는 단계;
    상기 제2 정보 및 상기 제3 정보를 이용하여 상기 차량의 충돌을 방지하기 위한 영역인 적어도 하나의 후보 충돌 회피 영역을 선정하는 단계;
    상기 제1 정보를 이용하여 상기 적어도 하나의 객체의 움직임을 추정하는 단계;
    상기 추정된 적어도 하나의 객체의 움직임에 기초하여 상기 차량과 상기 적어도 하나의 객체 사이의 충돌 여부를 예측하는 단계;
    상기 차량이 충돌하는 것으로 예측된 경우 상기 추정된 적어도 하나의 객체의 움직임에 기초하여 상기 적어도 하나의 후보 충돌 회피 영역 중에서 충돌 회피 영역을 선택하는 단계;
    상기 충돌 회피 영역의 정보를 포함하는 충돌 방지 주행을 위한 제2 주행 정보를 생성하는 제2 주행 정보를 생성하는 단계; 및
    상기 충돌이 발생한 것으로 예측된 경우 상기 제2 주행 정보를 이용하여 상기 차량의 주행을 제어하고, 상기 충돌이 발생되지 않는 것으로 예측된 경우 상기 제1 주행 정보를 이용하여 상기 차량의 주행을 제어하는 단계;를 포함하되,
    상기 충돌 회피 영역 중 적어도 일부분의 영역의 정보가 상기 충돌 발생 예측 전에 획득된 영상 프레임에 포함되지 않고 상기 차량이 상기 제2 주행 정보에 따라 상기 충돌 회피 영역으로 이동하는 경우, 상기 카메라의 영상 프레임 레이트가 증가되고,
    상기 인식하는 단계는 상기 증가된 영상 프레임 레이트가 인식부가 최대로 처리가 가능한 영상 프레임 레이트보다 큰 경우, 상기 영상 프레임 중 일부분을 이용하여 상기 제1 정보, 상기 제2 정보 및 제3 정보를 인식하는, 자율 주행 차량의 제어 방법.
KR1020190099549A 2019-08-14 2019-08-14 충돌을 효과적으로 방지하는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법 KR102212217B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190099549A KR102212217B1 (ko) 2019-08-14 2019-08-14 충돌을 효과적으로 방지하는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법
US16/557,012 US20200010081A1 (en) 2019-08-14 2019-08-30 Autonomous vehicle for preventing collisions effectively, apparatus and method for controlling the autonomous vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190099549A KR102212217B1 (ko) 2019-08-14 2019-08-14 충돌을 효과적으로 방지하는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190106840A KR20190106840A (ko) 2019-09-18
KR102212217B1 true KR102212217B1 (ko) 2021-02-04

Family

ID=68070951

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190099549A KR102212217B1 (ko) 2019-08-14 2019-08-14 충돌을 효과적으로 방지하는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법

Country Status (2)

Country Link
US (1) US20200010081A1 (ko)
KR (1) KR102212217B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024034751A1 (ko) * 2022-08-09 2024-02-15 엘지전자 주식회사 신호 처리 장치, 및 이를 구비하는 차량용 증강현실 장치

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102259583B1 (ko) * 2019-08-05 2021-06-02 엘지전자 주식회사 전기 차량의 모터 제어 장치 및 방법
KR102267833B1 (ko) * 2019-11-06 2021-06-22 광주과학기술원 드론의 움직임을 학습하고, 드론의 움직임을 제어하기 위한 전자 장치 및 방법
CN112937559B (zh) * 2019-11-22 2022-12-20 荷兰移动驱动器公司 行车警示方法及车载装置
KR102276120B1 (ko) * 2019-12-31 2021-07-12 한국기술교육대학교 산학협력단 무인 이동체와의 군집화 기반의 통신
CN113409567B (zh) * 2021-01-04 2022-08-05 清华大学 一种公交与自动驾驶车辆混行车道的交通评估方法和系统
AT524616A1 (de) * 2021-01-07 2022-07-15 Christoph Schoeggler Dipl Ing Bsc Bsc Ma Dynamisches optisches Signalprojektionssystem für Straßenverkehrsfahrzeuge
KR20220132241A (ko) * 2021-03-23 2022-09-30 삼성전자주식회사 로봇 및 그 제어 방법
KR102606714B1 (ko) * 2021-11-16 2023-11-29 주식회사 베이리스 차량 제동 거리를 이용한 자율 주행 제어 시스템 및 그 제어 방법
CN114872735B (zh) * 2022-07-10 2022-10-04 成都工业职业技术学院 基于神经网络算法的自动驾驶物流车辆决策方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019119216A (ja) * 2017-12-28 2019-07-22 株式会社Ｓｏｋｅｎ 車両走行制御装置、車両走行制御システムおよび車両走行制御方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060067172A (ko) * 2004-12-14 2006-06-19 현대자동차주식회사 차량의 충돌 방지장치 및 그 방법
KR101499502B1 (ko) * 2013-02-26 2015-03-06 남서울대학교 산학협력단 인접차량과의 상대속도의 변화에 따라 리코딩 영상의 프레임 레이트 조정 방법 및 이를 이용한 블랙박스 장치
KR101976425B1 (ko) * 2016-09-22 2019-05-09 엘지전자 주식회사 차량 운전 보조 장치
KR102381372B1 (ko) * 2017-03-31 2022-03-31 삼성전자주식회사 센싱 정보에 기초한 주행 제어 방법 및 제어 디바이스
US10007269B1 (en) * 2017-06-23 2018-06-26 Uber Technologies, Inc. Collision-avoidance system for autonomous-capable vehicle
KR102342143B1 (ko) * 2017-08-08 2021-12-23 주식회사 만도모빌리티솔루션즈 딥 러닝 기반 자율 주행 차량, 딥 러닝 기반 자율 주행 제어 장치 및 딥 러닝 기반 자율 주행 제어 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019119216A (ja) * 2017-12-28 2019-07-22 株式会社Ｓｏｋｅｎ 車両走行制御装置、車両走行制御システムおよび車両走行制御方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024034751A1 (ko) * 2022-08-09 2024-02-15 엘지전자 주식회사 신호 처리 장치, 및 이를 구비하는 차량용 증강현실 장치

Also Published As

Publication number Publication date
KR20190106840A (ko) 2019-09-18
US20200010081A1 (en) 2020-01-09

Similar Documents

Publication Publication Date Title
KR102212217B1 (ko) 충돌을 효과적으로 방지하는 자율 주행 차량 및 이를 제어하는 제어 장치 및 방법
US11305775B2 (en) Apparatus and method for changing lane of autonomous vehicle
US10845815B2 (en) Systems, methods and controllers for an autonomous vehicle that implement autonomous driver agents and driving policy learners for generating and improving policies based on collective driving experiences of the autonomous driver agents
KR102367831B1 (ko) 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법
US11565716B2 (en) Method and system for dynamically curating autonomous vehicle policies
US20200033869A1 (en) Systems, methods and controllers that implement autonomous driver agents and a policy server for serving policies to autonomous driver agents for controlling an autonomous vehicle
US11292494B2 (en) Apparatus and method for determining levels of driving automation
JP2020126639A (ja) 安全な自律走行を支援する学習方法、そしてこれを利用した学習装置、テスト方法、及びテスト装置
US11500376B2 (en) Apparatus and method for providing game service for managing vehicle
US20200050894A1 (en) Artificial intelligence apparatus and method for providing location information of vehicle
US20210146957A1 (en) Apparatus and method for controlling drive of autonomous vehicle
KR20190110964A (ko) 탑승자 유형 검출 장치 및 방법
Raja et al. SPAS: Smart pothole-avoidance strategy for autonomous vehicles
US11117580B2 (en) Vehicle terminal and operation method thereof
CN117980212A (zh) 基于优化的规划系统
US20240017746A1 (en) Assessing present intentions of an actor perceived by an autonomous vehicle
KR20210095359A (ko) 로봇, 로봇의 제어 방법 및 로봇을 제어하기 위한 서버
KR102607390B1 (ko) 차량의 주변 상황 확인 방법
US20200018611A1 (en) Apparatus and method for collecting user interest information
KR20210062791A (ko) 자율 주행 차량을 위한 맵 데이터 생성 장치 및 방법
CN117529429A (zh) 用于预测自主车辆环境中行为者的行为的方法和系统
US20240101157A1 (en) Latent variable determination by a diffusion model
KR20220028344A (ko) 영상 분석 장치 및 이를 이용한 영상 분석 방법
WO2024137504A1 (en) Latent variable determination by a diffusion model

Legal Events

Date Code Title Description
A201 Request for examination
G15R Request for early publication
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant