KR102286178B1 - 정밀도로지도 품질평가 점수 생성 및 배포 시스템 - Google Patents

Abstract

본 발명은 정밀도로지도 데이터의 품질평가 점수 생성 및 배포 시스템에 관한 것으로써, 자율주행에 필수 요건인 정밀도로지도를 구축 및 제공하는데 있어 MMS를 구성하는 센서들의 위치정확도 오차 및 인식 오류 등이 상시 존재한다는 한계점이 있고, 조사시 차량상태와 외부적인 환경 요소들에 의해서도 데이터 품질에 영향을 끼칠 수 있다고 판단되는 바, 내/외부적 환경요소 정보들을 종합하여 정밀도로지도 데이터의 품질점수를 생성하고, 해당 점수를 자율차에 배포되는 정밀도로지도 데이터와 함께 제공함으로써 정밀도로지도를 공급받는 자율차에서 해당 데이터의 신뢰도를 참고하여 자율차의 제어모드에 반영할 수 있다.

Description

정밀도로지도 품질평가 점수 생성 및 배포 시스템{System for evaluating HD map quality and distributing index}

본 발명은 정밀도로지도 데이터의 품질평가 점수 생성 및 배포 시스템에 관한 것으로서, 더욱 상세하게는 생성된 정밀도로지도 데이터 중 도로시설물에 해당되는 안전표지판, 노면표시, 신호등 등 도로시설물 객체의 위치정확도와 (이미지)인식률에 대한 신뢰성을 확보하기 위해 정밀도로지도 데이터 객체별 품질을 평가하여 배포하기 위한 정밀도로지도 품질평가 점수 생성 및 배포 시스템에 관한 것이다.

정밀도로지도는 자율주행차가 스스로 위치를 파악하고 도로와 교통 규제 등을 인지할 수 있도록 사전에 구축하여 제공하는 3차원 공간정보이다. 자율차에 내장된 센서만으로는 자율주행의 한계를 극복하기 어렵기 때문에 차선, 신호등, 표지판 등을 포함한 정밀도로지도의 협력이 반듯이 필요하며, 자율차 상용화를 위해서는 정밀도로지도의 최신성과 품질 정확도의 확보가 가장 중요하다.

이러한 정밀도로지도를 구축하는 대표적인 기술은 MMS(Mobile Mapping System)이다. MMS는 특히 도로상에서 실시간으로 다양하고 복잡한 지형지물정보를 획득하기에 가장 적합한 방법으로써, 영상(Stereo/Spherical) 획득 시스템과 위성 측위 시스템 및 레이저 스캐닝 시스템을 이용한 통합 시스템이라고 할 수 있다.

현재 정밀도로지도의 품질은 MMS에 장착된 다양한 종류의 센서 장비 성능에 의존적이다. MMS를 구성하는 센서들을 구분하자면, 이동체(사람, 차량, 항공, 선박 등)의 위치와 자세를 결정하기 위한 센서들인 GPS, INS, IMU, 주행 거리계, 디지털 방위계 등의 장치들과 맵핑을 위하여 지형지물의 형상과 관련된 정보를 수집하기 위한 센서인 CCD카메라, LiDAR, SAR 등으로 구분할 수 있다.

하지만 정밀도로지도를 구축하는 'MMS수집-자동도화-오차보정'등 일련의 과정에서 사람의 개입 부분이 존재하고 있으므로 휴먼에러 발생 가능성이 상시 존재한다. 또한 수집되는 수많은 데이터들 전체를 보정할 수는 없기 때문에 특정 기준점 범위 내에 존재하고 있는 데이터들만 보정하고 있으며, 이러한 작업 특성상 전체적인 정밀도로지도 데이터의 위치 정확도 오류는 상시 존재한다고 할 수 있다.

따라서 정밀도로지도 데이터 객체별로 위치정확도 및 인식의 오류 등 한계점이 상시 존재하고 있으므로, 정밀도로지도를 공급받는 자율주행차에 해당 지도 데이터가 몇 점인지 알리고, 데이터 사용 여부를 자율차가 판단하게 할 필요가 있다.

공개특허 10-2015-0060953에서 자율운행 컴퓨터 시스템은 주행 환경에 있는 하나 이상의 차량들을 검출하도록 구성됨과 아울러 이러한 검출된 차량들에 대한 대응하는 궤적들을 결정하도록 구성된다. 다음으로 결정된 궤적들을 주행 환경에 있는 가상의 차량의 예상 궤적과 비교하여 주행 환경에 대한 이전에 저장된 정보와 비교해 주행 환경이 변경되었는지 여부와 주행 환경이 변경되었을 확률을 결정할 수 있는 특징이 있다. 여기서, 복수의 궤적들에 대한 통합 궤적 품질값을 결정하고 이를 근거하여 상세한 지도 정보와 관련된 주행 환경이 변경되었을 확률을 결정하도록 하는데, 이때 주행 환경은 차량 위치, 속도, 주행 방향으로 예상 궤적을 결정하여 상세한 지도 정보로 기 저장된 주행 궤적을 비교하여 궤적 품질값을 결정하는데 특징이 있다.

하지만, 자율차에 정밀도로지도를 제작 및 제공하는데 있어 LiDAR, Camera영상, IMU, GPS 등의 시설물 인식에 대한 문제와 위치정확도 문제가 상시 존재하고 있다. 그리고 MMS에 장착된 센서 장비의 성능에 따라 정밀도로지도의 데이터 품질이 달라질 수 있고, 이에 더하여 정밀도로지도에 제작에 영향을 미치는 외부적인 환경요인들을 점수화하여 제공할 필요가 있다.

대한민국 공개특허 10-2015-0060953

따라서 본 발명은 상술한 문제점을 해결하기 위하여 착안된 것으로써, 생성이 완료된 정밀도로지도 데이터를 대상으로, 현장조사 차량에 탑재된 센서 장비의 내부적인 환경요소와 조사 당시의 외부적인 환경요소를 결합 후 생성된 정밀도로지도 데이터에 대해 위치정확도 및 (이미지)인식률에 대한 품질평가 점수를 각각 생성하고 배포함으로써 해당 정밀도로지도 데이터의 사용여부를 자율주행차가 결정할 수 있도록 지원하는데 목적이 있다.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템은 차량에 탑재된 센서 장비의 내부 환경요소와 조사 당시의 외부 환경요소를 결합 후 생성된 정밀도로지도 데이터의 품질평가 점수 생성 및 배포 시스템에 있어서, 상기 정밀도로지도 데이터의 내부 환경요소와 외부 환경요소를 수집하는 수집부(100); 상기 정밀도로지도 데이터의 내부 환경요소를 기 설정기준과 비교하여 점수로 수치화하는 수치화부(200); 상기 수치화된 점수와 상기 외부 환경요소를 지도 학습을 통해 품질점수를 생성하는 품질점수 생성부(300); 및 상기 품질점수를 상기 정밀도로지도 데이터를 함께 배포하는 배포부(400);를 포함한다.

바람직하게 수집부(100)는 수집시간에 따른 LiDAR 및 Camera의 사양 정보, 수집시간에 따른 차량위치를 갖는 GPS 정보, 수집시간에 따른 차량속도, 차량방위각, 차량자세(pose)정보를 갖는 IMU 정보를 수집하는 내부환경 수집모듈(110); 및 수집시간에 따른 일출 시간, 일몰 시간, 태양 방위각을 갖는 역광 정보, 수집시간에 따른 강수량을 갖는 비 정보, 수집시간에 따른 적설량을 갖는 눈 정보, 수집시간에 따른 풍속을 갖는 바람 정보, 수집시간에 따른 시정거리를 갖는 안개 정보, 수집시간에 따른 소통정보, 공사정보, 사고정보를 갖는 교통정보를 수집하는 외부환경 수집모듈(120);을 포함한다.

바람직하게 수치화부(200)는 상기 정밀도로지도 데이터의 내부 환경요소를 통한 특정 객체의 측정위치 좌표와 상기 특정 객체에 대해 기 설정된 기준 좌표의 오차 값을 기준으로 점수를 생성하는 위치 정확도 수치화모듈(210); 및 상기 특정 객체 이미지의 딥러닝을 통해 생성되는 인식결과 점수를 생성하는 객체 인식률 수치화모듈(220);을 포함한다.

바람직하게 품질점수 생성부(300)는 내부 환경요소는 상수로 고정하여 그룹화하고, 각 그룹별로 수치화된 점수와 외부 환경요소를 XG부스트(XGBoost) 회귀방식의 지도 학습을 통해 품질점수를 생성한다.

그리고 바람직하게 품질점수 생성부(300)는 내/외부환경 요소의 정보별 상관관계에 따라 도출된 가중치 값을 기준으로 객체 위치정확도 및 객체 인식률에 대해 통합 품질점수를 생성하는 것을 더 포함한다.

본 발명에 따르면 자율주행에 필수 요건인 정밀도로지도 데이터의 품질을 평가하여 정밀도로지도와 함께 제공함으로써, 정밀도로지도에 영향을 미치는 외부적인 환경요인과 차량내부의 Camera 등의 하드웨어인 내부적인 환경요인들의 상관관계에 따라 점수화하여 정밀도로지도의 품질을 제시할 수 있는 효과가 있고, 정밀도로지도를 공급받는 차량에서는 해당 지도가 몇 점인지 알릴 수 있는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 품질평가 점수 생성 및 배포 시스템의 구성을 나타낸 예시도이다.
도 2는 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 객체 위치정확도와 객체(이미지) 인식률 품질점수를 도출하기 위한 품질(QI)점수 영향 요소를 나타낸 예시도이다.
도 3은 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 객체 위치정확도를 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 객체(이미지)인식률을 설명하기 위한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 QI점수 생성 모델의 데이터 준비를 설명하기 위한 예시도이다.
도 6은 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 머신러닝 학습과 모델 개발을 설명하기 위한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 QI점수 생성모델의 공용도로 적용을 설명하기 위한 예시도이다.
도 8은 다른 실시예의 시스템 포함되는 모듈별 구성을 나타낸 예시도이다.
도 9는 다른 실시예의 품질점수 생성범위을 설명하기 위한 예시도이다.
도 10은 다른 실시예의 내/외부 환경별 영향요소들의 수집 주체와 수집 항목을 설명하기 위한 예시도이다.
도 11는 다른 실시예의 품질점수 생성모듈의 평가 모델식에 포함되는 테이블부 예시도이다.
도 12는 다른 실시예의 Camera 사양에 따른 품질점수 감점에 대한 테이블부의 예시도이다.
도 13은 다른 실시예의 차량자세 정보에 따른 품질점수 감점에 대한 테이블부의 예시도이다.
도 14는 다른 실시예의 '계절-수집시간-차량방위각' 변화에 따른 품질점수 결정트리 예시도이며,
도 15는 다른 실시예의 '계절-수집시간-차량방위각'을 고려한 품질점수 감점에 대한 테이블부의 예시도이다.
도 16은 다른 실시예의 강수량, 적설량, 풍속 등 품질점수 감점에 대한 테이블부의 예시도이다.
도 17은 다른 실시예의 내/외부 환경 요소의 입력 데이터를 나타낸 예시도이다.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 도면들 중 동일한 구성 요소들은 가능한 한 어느 곳에서든지 동일한 부호들로 나타내고 있음에 유의해야 한다. 또한 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.

도 1은 본 발명의 일 실시예에 따른 품질평가 점수 생성 및 배포 시스템의 구성을 나타낸 예시도이다. 도 1에 도시된 바와 같이, 차량에 탑재된 센서 장비의 내부 환경요소와 조사 당시의 외부 환경요소를 결합 후 생성된 정밀도로지도 데이터의 품질평가 점수 생성 및 배포 시스템에 있어서, 수집부(100), 수치화부(200), 품질점수 생성부(300), 배포부(400), 신뢰도 검증부(500)를 포함한다.

수집부(100)는 정밀도로지도 데이터의 내부 환경요소와 외부 환경요소를 수집하는 구성이다. 이러한 수집부(100)는 수집시간에 따른 LiDAR 및 Camera의 사양 정보, 수집시간에 따른 차량위치를 갖는 GPS 정보, 수집시간에 따른 차량속도, 차량방위각, 차량자세 정보를 갖는 IMU 정보를 수집하는 내부환경 수집모듈(110); 및 수집시간에 따른 일출 시간, 일몰 시간, 태양 방위각을 갖는 역광 정보, 수집시간에 따른 강수량을 갖는 비 정보, 수집시간에 따른 적설량을 갖는 눈 정보, 수집시간에 따른 풍속을 갖는 바람 정보, 수집시간에 따른 시정거리를 갖는 안개 정보, 수집시간에 따른 소통정보, 공사정보, 사고정보를 갖는 교통정보를 수집하는 외부환경 수집모듈(120);을 포함한다.

수치화부(200)는 정밀도로지도 데이터의 내부 환경요소를 기 설정기준과 비교하여 점수로 수치화한다. 이러한 수치화부(200)는 정밀도로지도 데이터의 내부 환경요소를 통한 특정 객체의 측정위치 좌표와 특정 객체에 대해 기 설정된 기준 좌표의 오차 값을 기준으로 점수를 생성하는 위치 정확도 수치화모듈(210); 및 특정 객체 이미지의 딥러닝을 통해 생성되는 인식결과 점수를 생성하는 객체 인식률 수치화모듈(220);을 포함한다.

품질점수 생성부(300)는 수치화된 점수와 외부 환경요소를 지도 학습을 통해 품질점수를 생성한다. 이러한 품질점수 생성부(300)는 내부 환경요소는 상수로 고정하여 그룹화하고, 각 그룹별로 수치화된 점수와 외부 환경요소를 XG부스트(XGBoost) 회귀방식의 지도 학습을 통해 품질점수를 생성한다. 그리고 품질점수 생성부(300)는 내/외부환경 요소의 정보별 상관관계에 따라 도출된 가중치 값을 기준으로 객체 위치정확도 및 객체 인식률에 대해 통합 품질점수를 생성하여 운전자가 확인할 수 있도록 자율주행차의 단말에 전달한다.

배포부(400)는 품질점수를 정밀도로지도 데이터를 함께 배포하는 구성이다.

도 2는 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 객체 위치정확도와 객체(이미지) 인식률 품질점수를 도출하기 위한 품질(QI)점수 영향 요소를 나타낸 예시도이다. 도 2에 도시된 바와 같이, 수집부의 내부환경 수집모듈과 외부환경 수집모듈은 내부환경 차량지표와 외부환경 기준지표를 수집하고, 환경별 지표의 추출/분석/가공을 통해 QI점수 영향 요소의 가중치 지수를 분석한다. 즉, 제공받은 정밀도로지도 데이터를 100점으로 두고, 내/외부 환경요소 CASE별로 몇점을 뺄지에 대한 기준을 수립하는 기능을 수행할 수 있다. 이러한 수집부는 측량 장비 사양별 가중치 지수와 조사 차량 상태별 가중치 지수를 생성하는 내부환경 지표 생성모듈(111)과 계절/시간별 역광에 의한 가중치 지수와 날씨에 의한 가중치 지수 및 교통정보에 의한 가중치 지수를 생성하는 외부환경 지표 생성모듈(121)을 포함한다.

내부환경 지표 생성모듈(111)은 내부환경 차량지표에서 LiDAR 센서로부터 측정거리/각도/오차범위를 Camera로부터 해상도, 프레임, 모노/스테레오로 측량장비 사양별 가중치 지수를 생성하고, GPS(측위모듈)와 IMU(측위센서)로 차량속도/위치, 오차범위, 차체 진동 수치를 토대로 조사 차량 상태별 가중치 지수를 생성한다.

외부환경 지표 생성모듈(121)은 외부환경 기준지표에서 한국천문연구원, 기상청, ITS국가교통정보센터로부터 데이터를 수집하여 내부환경 차량지표의 IMU(측위센서)의 차량방향/각도에 따른 일출/일몰 시간, 태양 방위각으로 계절/시간별 역광에 의한 가중치 지수를 생성한다(camera로 조사한 데이터만 해당). 또한 강수량, 적설량, 풍속, 안개, 미세먼지 수치 등으로 날씨에 의한 가중치 지수를 생성하고, 교통정보, 공사정보, 사고정보 등으로 교통정보에 의한 가중치 지수를 생성한다. 이러한 내부 환경과 외부 환경에 따른 객체 위치정확도와 객체(이미지) 인식률 품질점수를 생성하는데 아래에서 구체적으로 설명하기로 한다.

도 3은 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 객체 위치정확도를 설명하기 위한 예시도이다. 도 3에 도시된 바와 같이, 도로 변화를 탐지하는 센서 차량의 데이터 수집에 대해 위치좌표의 측정 정확도를 점수(QI)로 표현하고자 한다. 즉, 특정 점수 이상의 데이터에 대해서만 신뢰하겠다는 뜻이다. 객체(표지판과 같은)의 위치 정확도를 최종적으로 외부 변수(날씨, 역광, 교통량 등)만으로도 예측할 수 있도록 한다. 위치정확도는 지도학습을 통한 Label(정답)을 생성하는데 측정좌표-정답지 좌표의 오차값을 기준으로 점수(Score)를 생성한다. 이때 Z-표준화 기법을 사용하여 보통의 경우 0점인 경우는 없을 것이므로, 보정 값이 필요하며 이상치 데이터는 제거한다. 위치정확도 QI점수 생성에 있어 내부 환경요소인 내부 변수는 상수로 고정하여 그룹화(Clustering)한다. 각 그룹별로 외부 환경요소인 외부 변수(역광, 강우, 교통량 등)+수치화 점수(0~100점 수치화 Label)로 지도 학습을 진행하는데, 이때 지도 학습 방식은 회귀 알고리즘인 XG부스트(XGBoost)를 적용한다. XG부스트에 대한 설명은 생략하기로 한다. 이러한 위치정확도 프로세스를 통해 생성된 모델을 기반으로 예측을 진행한다. 이러한 위치정확도 프로세스의 목표 결과를 설명하면, 측정 정확도 점수 예측에 A GPS 장비를 사용한 경우(내부 변수에 해당), 날씨가 흐리고 카메라 각도가 20도(외부 변수에 해당)인 경우 예상 점수는 85점이라 하고, 각 장비별로 측정 정확도의 품질을 측정하는데 예를 들어, A GPS 장비가 B GPS 장비보다 같은 외부 변수 조건 하에서 GPS 장비 사양에 따라 5점 높도록 할 수 있다.

도 4는 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 객체(이미지)인식률을 설명하기 위한 예시도이다. 도 4에 도시된 바와 같이, 도로 변화를 탐지하는 센서 차량의 데이터 수집에 대해, 이미지 정보의 인식률 신뢰도를 점수(QI)로 표현하고자 한다. 즉, 특정 점수 이상의 데이터에 대해서만 신뢰하겠다는 뜻이다. 객체(표지판 같은) 이미지 촬영 후, 딥러닝을 통해 생성된 객체의 속성 정보 인식의 신뢰도를 예측할 수 있도록 한다. 객체 인식률 프로세스는 외부 환경요소인 외부 변수(역광, 강우, 교통량 등)와 생성된 정밀지도 데이터의 딥러닝 점수 Label로 지도 학습을 진행하는데, 이때 지도 학습 방식은 회귀 알고리즘인 XG부스트(XGBoost)를 적용한다. 목표 결과 측정 정확도 점수 예측은 예를 들어 날씨가 흐리고 카메라 각도가 20도(외부 변수에 해당)인 경우, 예상 점수는 88점으로 외부 변수에 따른 점수를 테이블로 생성할 수 있다.

도 5는 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 QI점수 생성 모델의 데이터 준비를 설명하기 위한 예시도이다. 도 5에 도시된 바와 같이, 참값 데이터를 100점 기준으로 삼고, 학습용 데이터르 참값과 비교하여 오류/오차 범위 및 유형을 분석한다. 오류/오차 케이스별 다양한 내/외부 환경요소를 대입하여 머신러닝(ML)학습을 통한 가중치 모델을 구축할 수 있다.

도 6은 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 머신러닝 학습과 모델 개발을 설명하기 위한 예시도이다. 1단계인 데이터 준비 단계에서의 참값과 비교 후 학습용 데이터의 오류,오차 CASE별 내/외부 환경요소를 추출하여 오류/오차 CASE별 영향도를 분석하여 위치정확도와 객체 인식률 품질점수 모델을 구축하고 통합 가중치 모델을 구축함으로써, 참값 대비, 학습용 데이터의 오류/오차가 어느 정도 발생하고, 조사 당시 Raw 데이터를 분석해보니 내/외부 환경을 알 수 있게 된다. 3단계 모델 개발은 품질지수 부여 기준을 수립하여 QI품질지수를 생성모델을 개발하는데 제공받은 정밀도로지도 데이터를 100점으로 두고, 내/외부 환경요소별 CASE로 몇점을 뺄지에 대한 기준을 수립할 수 있다.

도 7은 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 QI점수 생성모델의 공용도로 적용을 설명하기 위한 예시도이다. 도 7에 도시된 바와 같이, 앞서 개발한 QI점수 생성 모델을 참값이 없는 공용도로에 적용 후 신뢰도를 검증하는 신뢰도 검증부(500) 구성을 포함한다. 이러한 신뢰도 검증부(500)는 참값이 없는 정밀도로지도 데이터가 구축될 경우, 앞서 개발한 모델을 적용하여 데이터 각각의 Object(환경요소별)로 QI점수를 부여하여 배포할 수 있다. 이때, QI점수의 신뢰도 기준을 수립하는데 예를 들어 85% 이상인 경우 신뢰도 검증 성공을 나타낼 수 있다. 구축된 데이터에 부여된 QI점수를 검증하기 위해서는 참값이 없으므로, 현장 검증을 통하여 신뢰도를 조사하는데, QI점수 부여한 테스트 데이터가 현장 검증결과 대비 신뢰도가 기준보다 낮을 경우, 앞서 QI점수 생성 모델을 보완한다(예:100개의 학습 데이터로 모델을 생성한 경우, 1,000개의 데이터로 재학습을 통한 모델보완). 이러한 행위를 반복하여 예를 들어 신뢰도 85% 이상이 확보될 경우에 해당 기술은 정답지가 없는 공용도로에 적용 가능할 것으로 판단한다.

본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템은 기반 프레임윅으로 머신러닝(Machine Learning)과 회귀(Reression)분석 기법을 적용하고 사용엔진으로 사이킷런(Scikit-learn)을 적용할 수 있다. 파이썬(Python) 프로그래밍 언어용 오픈소스 기계학습 라이브러리로, 사이킷런은 라이브러리 외적으로 scikit스택을 사용하고 있기 때문에 다른 라이브러리와의 호환성이 좋다는 것이 가장 큰 장점이다. 라이브러리 내적으로는 통일된 인터페이스를 가지고 있기 때문에 매우 간단하게 여러 기법을 적용할 수 있어 쉽고 빠르게 최상의 결과를 얻을 수 있다. 사용 알고리즘인 XG부스트(XGBoost)는 부스팅 알고리즘으로 약한 예측모형들을 결합하여 강한 예측모형을 만드는 알고리즘이다. 랜덤포레스트의 배깅과는 다르게 이전 트리의 오차를 보완하는 방식으로 순차적으로 트리를 만들 수 있다. 또한 결정트리(Decision Tree)알고리즘의 연장선에 있으며 여러 개의 결정트리를 묶어 강력한 모델을 만드는 앙상블 방법으로 아래의 다른 실시예에서 결정트리 적용 예를 설명하기로 한다.

한편, 도 8은 본 발명의 다른 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템(10)의 구성을 나타낸 예시도이다. 도 8에 도시된 바와 같이, 데이터 수집부(100'), 품질 평가부(200'), 배포부(300')를 포함한다.

데이터 수집부(100')는 조사차량 운행 시의 내/외부 환경정보를 수집한다. 이러한 기능을 수행하기 위한 데이터 수집부(100')는 내부환경 수집모듈(110'), 외부환경 수집모듈(120')을 포함한다.

내부환경 수집모듈(110')은 정밀도로지도를 생성하는 조사 차량에 장착된 단말로써, LiDAR 및 Camera의 사양 정보, 인식시점의 차량위치(GPS), 차량방위각, 차량속도, 관성측정유닛(IMU) 센서정보 등을 수집한다.

외부환경 수집모듈(120')은 수집시간에 따른 일출 시간, 일몰 시간, 태양 방위각을 갖는 역광 정보, 수집시간에 따른 강수량을 갖는 비 정보, 수집시간에 따른 적설량을 갖는 눈 정보, 수집시간에 따른 풍속을 갖는 바람 정보, 수집시간에 따른 시정거리를 갖는 안개 정보, 수집시간에 따른 소통정보, 공사정보, 사고정보를 갖는 교통정보 등을 각 제공기관 사이트에서 OpenAPI로 데이터를 자동 수집하고, 전처리 후 조사차량의 데이터와 시간을 기준으로 자동 매핑처리 한다.

품질 평가부(200')는 데이터 수집부를 통해 수집한 데이터 항목을 분류하고, 각 데이터 항목의 상관관계에 따른 평가 모델식에 따라 정밀도로지도의 품질점수를 평가하는 구성이다.

본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템은 품질 평가부(200')는 기계학습(Machine Learning)을 구축하여 정밀도로지도에 입력되는 데이터 항목을 추출하여 분류하고, 분류한 데이터 항목 간에 상관관계에 따른 평가 모델식에 따라 자율주행 시에 정밀도로지도의 품질점수를 평가하여 낮은 점수인 경우, 전방 사물 인식 및 검출, 차선 인식 및 유지기능, 신호등, 표지판, 도로 검출 등의 복합 환경 인식도가 낮은 것으로 판단하여 차량의 속도, 방향 등을 제어할 수 있도록 지원한다. 즉, 품질 평가부(200')는 정밀도로지도에 대한 차량지표는 물론이고, 일출시간, 일몰시간, 태양 방위각, 날씨, 교통정보의 기준지표를 적용하여 이들 간의 상관관계에 따른 품질 점수 가중치를 적용하여 평가한다. 이러한 기능을 수행하기 위한 품질 평가부(200')는 분류모듈(210'), 품질점수 생성모듈(220'), 평가모듈(230')을 포함한다.

품질 평가부(200')의 분류모듈(210')은 데이터 수집부의 데이터 항목을 내부환경 요소와 외부환경 요소로 분류한다. 정밀도로지도 상에 입력되는 환경정보에 대한 데이터 항목들을 평가받기 위해 내부환경에 따른 차량지표와 외부환경에 따른 기준지표의 각 데이터 항목(Object, object)별 ID를 설정한다. 여기서, 품질 평가부(200')의 분류모듈(210')은 차량지표에 해당하는 내부환경 요소와 외부환경 요소의 각 데이터 항목 유형별로 분리한다.

품질점수 생성모듈(220')은 분류모듈로 분류한 각 데이터 항목의 상관관계에 따른 평가 모델식 테이블에 입력하여 데이터 항목별로 품질점수를 부여한다. 본 실시예에서, 품질점수 생성모듈(220')은 각 데이터 항목 유형별로 분리한 결과에서 각 데이터 항목별 ID를 확인하고, RAW 데이터를 추출한다. 추출한 RAW 데이터를 각 데이터 항목의 상관관계에 따른 평가 모델식 테이블에 RAW 데이터의 수집시간 기준의 위치, 속도, 방위각, 날씨 등을 입력하여, 해당 조건에 따른 평가 모델식에 따라 품질점수를 부여한다.

평가모듈(230')은 품질점수 생성모듈의 데이터 항목별 품질점수의 가중치를 도출하여 품질점수 평균을 기준으로 분류한 데이터 항목의 상관관계에 따른 평가 모델식에 따라 자율주행 시에 정밀도로지도의 품질점수로 허용여부를 평가한다. 즉, 내/외부환경 정보의 요소별 상관관계에 따라 도출된 현재 가중치에 대해 품질점수 평균으로 비교하여 자율 주행차의 데이터 참조 허용여부를 판별한다. 즉, 내부환경 요소와 외부환경 요소의 데이터 항목을 분류하여 선택되는 내부환경 요소와 내부환경 요소의 데이터 조건에 따른 가중치에 따라 품질점수를 도출하는 학습모델링으로 각 내/외부 환경 요소의 상관관계에 따른 품질점수 테이블로 품질점수를 샘플링하며, 생성되는 품질점수의 평균값으로 자율주행차의 데이터 참조 허용여부를 판별할 수 있다. 품질 평가부의 평가 모델식 테이블은 아래에서 설명하기로 한다.

배포부(300')는 생성된 정밀도로지도 상에 입력되는 환경정보에 대한 데이터 항목들을 평가받기 위해 데이터 수집부의 차량지표에 해당하는 내부환경 요소와 외부환경 요소의 각 데이터 항목 Object별 ID를 설정하여 정밀도로지도 데이터에 입력하고, 품질 평가부의 품질점수를 정밀도로지도 데이터를 합하여 함께 배포한다. 품질 평가부(200)는 정밀도로지도에 입력되는 데이터 항목들에 대한 품질을 정밀도로지도와 함께 품질 평가점수를 부여한 결과를 차량단말로 배포할 수 있다.

도 9는 본 발명의 다른 실시예에 따른 품질점수 생성범위를 설명하기 위한 예시도이다. 도 9에 도시된 바와 같이, 정밀도로지도 배포 데이터는 자료수집 요청 항목으로 Object별 ID, LiDAR 사양(거리/각도 범위 및 정밀도), Camera 사양(해상도, 프레임 등), 수집(촬영)시 위치정보, 수집(촬영)시 시간정보, IMU 사양 및 센서정보(차량 속도/방위각) 등을 참조 학습데이터로 하여 생성되는데, 이러한 정밀도로지도 데이터는 Object별 ID, 위치정보, 시설물 유형(type) 정보, Meta 정보 등을 포함하여 정밀도로지도 데이터로 생성된다. 품질점수 생성모듈의 동작을 순차적으로 설명하면, 도 9에 도시된 바와 같이, Object별 유형을 분리하고, Object별 ID를 확인 후 Object 생성시 참조된 RAW 데이터의 ID를 체크하여 매핑 처리 한다. 여기서, 최종 생성된 Object는 1:N으로 RAW 데이터와의 관계가 정립되어 (key:ID 값)으로 표현된다. 이때 내/외부 환경요소별 품질점수를 생성하고 요소별 가중치를 적용하여 통합 품질점수를 생성한다. 이후, 정밀도로지도 데이터 Object별 품질평가 점수를 반영하고 배포데이터를 최종 생성한다.

본 발명의 다른 실시예에 따른 배포부(300')는 품질점수 평가부의 데이터 항목별 품질점수가 최종적으로 반영된 정밀도로지도 데이터를 무선통신으로 자율주행차량 단말에 제공할 수 있다.

도 10은 본 발명의 다른 실시예에 따른 내/외부 환경별 영향요소들의 수집 주체와 수집 항목을 설명하기 위한 예시도이다. 도 10에 도시된 바와 같이, 내부환경 차량지표 수집처는 LiDAR 센서, Camera 사양, GPS(측위모듈), IMU(측위센서) 등이며, 외부환경 기준지표 수집처는 한국천문연구원, 기상청, ITS국가교통정보센서 등의 기관으로부터 OpenAPI방식으로 수집한다. 정밀도로지도 데이터에 영향을 미칠 수 있는 내/외부 요소들을 수집하여 GPS 현재위치, 수집시간에 따라 자동 매핑 처리하여 이러한 차량지표와 기준지표의 상관관계를 통해 품질점수 가중치를 적용할 수 있다. 이때, 영향요소별 수집항목과 개별 차량을 식별하여 매핑 기준정리가 필요하다.

도 11는 본 발명의 일 실시예에 따른 품질점수 생성모듈의 평가 모델식에 포함되는 테이블부 예시도이다. 품질점수 생성모듈(220')의 평가 모델식 테이블을 설명하면 다음과 같다. 정밀도로지도에 영향을 주는 요소에 대한 품질점수를 생성하는 평가 모델식 테이블은 내부 환경정보 테이블부(221)와 외부 환경정보 테이블부(222)에 따라 구분할 수 있는데 이를 토대로 분류해보면 다음과 같다.

도 11에 도시된 바와 같이, 도 17의 입력데이터에 따르면 내부 환경정보의 카테고리의 TID에 따른 아이템(ITEM)을 입력받아 내부 환경요소 테이블부(221)의 LiDAR의 측정 거리, 각도, 정확도등의 범위 등에 따른 차량지표-LiDAR 테이블부(2211), Camera의 해상도 프레임 등에 따른 차량지표-카메라 테이블부(2212), GPS의 차량위치에 따른 차량지표-GPS 테이블부(2213), IMU의 차량속도, 차량방위각, 차량자세 등에 따른 차량속도-도로기하 테이블부(2214)를 포함한다.

또한 도 17의 입력데이터에 따르면 외부 환경정보의 카테고리의 TID에 따른 아이템(ITEM)을 입력받아 외부 환경정보 테이블부(222)의 계절(일출,일몰,방위각 등)에 따른 기준지표-계절 테이블부(2221), 강수량, 적설량 등에 따른 기준지표-날씨 테이블부(2222), 교통량, 공사 및 이벤트 정보등에 따른 기준지표-교통정보 테이블부(2223)를 포함한다.

이러한 내부 환경정보 테이블부(221)와 외부 환경정보 테이블부(222)는 각 데이터 항목의 내/외부 환경요소별 가중치를 1.0을 기준으로 하고, 상기 내/외부 환경요소로 상관관계를 형성할 수 있다.

본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템은 정밀도로지도에 영향을 주는 요소를 입력값으로 하고, 입력된 조건에 따라 품질점수를 생성한다. 이때, 품질 평가부는 차량속도, 차량위치, 차량자세, 도로 기하형상에 따른 차량진행 방위각 중 어느 하나를 갖는 차량지표인 내부 환경요소와 계절정보, 날씨정보, 교통정보 중 어느 하나를 갖는 외부 환경요소로 상관관계를 형성하고 정밀도로지도 데이터에 영향을 미치는 환경요소들을 가중치에 따라 점수화하여 정밀도로지도 데이터의 품질을 제시할 수 있다.

도 12는 본 발명의 일 실시예에 따른 차량지표-Camera 사양에 따른 품질점수 감점에 대한 테이블부를 설명하기 위한 예시도이다. Camera 해상도, 프레임, 모노/스테레오, 렌즈, 이미지센서, 추가장비 구성 여부에 따라 품질점수를 생성할 수 있다.

도 13은 본 발명의 일 실시예에 따른 차량자세에 따른 품질점수 감점에 대한 테이블부를 설명하기 위한 예시도이다. 좌/우 흔들림, 상/하 흔들림, 상/하/좌/우 흔들림 등과 GPS 현재 위치에 따라 품질점수를 생성할 수 있다.

도 14는 본 발명의 일 실시예에 따른 정밀도로지도 품질점수 생성모듈의 '계절-시간-차량방위각' 변화에 따른 품질점수 결정트리를 나타낸 예시도이다. 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템은 품질 평가부에서 정밀도로지도에 입력된 환경정보의 데이터 항목을 분류하여 선택되는 내부환경 정보와 외부환경 정보의 데이터 조건에 따라 품질점수를 생성하되, 각 지표의 상관관계의 가중치에 따른 품질점수 테이블로 품질점수를 샘플링하며, 생성되는 품질점수를 선택하여 평가할 수도 있다. 이러한 품질점수 결정트리를 설명하면 도 14에 도시된 바와 같다. 정밀도로지도에 입력된 환경정보의 데이터 항목을 분류하여 선택되는 기준지표에 따라 차량지표의 데이터 조건으로 품질점수를 모델링하고, 각 지표의 상관관계에 따른 품질점수 테이블로 품질점수를 샘플링하여 생성되는 품질점수의 평균값을 선택하여 품질점수를 평가할 수 있다.

도 15는 본 발명의 일 실시예에 따른 품질점수 생성모듈의 계절-수집시간-차량방위각을 고려한 품질점수 감점에 대한 테이블부의 예시도이다. 도 15에 도시된 바와 같이, 품질점수 생성모듈은 계절에 따라 수집시간, 태양방위각, 차량방위각, GPS 현재위치를 맵에 영향을 주는 요소 입력값으로 하고, 입력된 조건에 따라 품질점수를 생성할 수 있다. 이러한 품질점수 생성모듈의 계절-차량진행 방위각 테이블부는 일조시간, 습도, 시내외 등 음영지역 추가여부를 확인하여 적용할 수도 있다. 예를 들어, 수집시간에 따라 일출, 일몰인 경우, -1.0을 부여하고, 태양고도각과 차량방위각도에 따라 각각 -1.0을 부여한다.

도 16은 본 발명의 일 실시예에 따른 강수량, 적설량, 풍속 등 품질점수 감점에 대한 테이블부를 설명하기 위한 예시도이다. 도 9에 도시된 바와 같이 강수, 적설량, 풍속, 시정거리, GPS 현재위치에 따른 정밀도로지도 데이터의 품질점수를 생성하는데 강수량은 소나기에 따라 차등하여 점수를 부여하고, 적설량은 1cm부터 범위를 정의하고 -1.0, 풍속은 기설정된 단위에 따라 -1.0, 시정거리는 1km이하부터 200m당 -1.0을 부여한다. 그리고 차량속도-도로기하 테이블부는 도로기하가 직선부인지 곡선부인지에 따라 객체간 거리와 차량속도로 품질점수를 설정할 수 있다.

도 17은 본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성을 위한 내/외부 환경 요소의 입력 데이터를 나타낸 예시도이다. 도 17에 도시된 바와 같이, 내부 환경은 LiDAR, Camera, GPS, IMU를 포함하고, 외부 환경은 역광, 비, 눈, 바람, 안개, 교통정보를 포함한다.

본 발명의 일 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 각 내부환경과 외부환경의 요소별 가중치를 최적화하기 위한 기계학습 모델링은 모든 내/외부 환경요소별 가중치를 1.0으로 정의하고 최상의 가중치를 도출한다. 즉, 내/외부 환경의 요소별 데이터 항목을 내부환경 요소와 외부환경 요소로 분류하고, 분류한 데이터 항목의 요소 정보간의 상관관계와 매칭되는 평가 모델식 테이블값으로 개별 품질점수를 부여하여 품질점수를 생성하며, 이후 개별 품질점수에 대한 가중치를 기반으로 조합해서 통합 품질점수 값을 도출 한다. 예를 들어, 평균보다 품질이 낮은 내/외부 환경의 요소별 데이터 항목인 경우, 자율주행차 데이터 참조를 불허용하도록 할 수 있다.

본 발명의 다른 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템은 ML학습 모델링을 구축하여 내/외부 환경정보의 각 요소별 가중치 입력데이터들의 규칙성을 찾아 품질점수를 도출한다. 본 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템은 기계학습 중 지도학습 모델링을 활용하여 내/외부 환경요소별 품질점수를 도출한다.

본 발명의 다른 실시예에 따른 정밀도로지도 품질평가 점수 생성 및 배포 시스템의 품질 평가부는 정밀도로지도에 입력된 환경정보의 데이터 항목을 내/외부환경 정보로 분류하여 분류한 환경정보의 데이터 조건에 따라 품질점수 결정트리를 학습하고, 각 지표의 상관관계에 따른 가중치를 품질점수 테이블로 품질점수(QI)를 샘플링하며, 생성되는 품질점수 값을 선택하여 평가할 수 있다.

본 발명은 상술한 내용에서 본 발명의 실시예 및 첨부된 도면에 의해 한정되는 것은 아니며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능함은 통상의 기술자에게 명백할 것이다.

100 : 수집부
110 : 내부환경 수집모듈
120 : 외부환경 수집모듈
200 : 수치화부
210 : 위치 정확도 수치화모듈
220 : 객체 인식률 수치화모듈
300 : 품질점수 생성부
400 : 배포부
500 : 신뢰도 검증부
100' : 데이터 수집부
110' : 외부환경 수집모듈
120' : 내부환경 수집모듈
200' : 품질 평가부
210' : 분류모듈
220' : 품질점수 생성모듈
300' : 배포모듈

Claims (5)

1. 차량에 탑재된 센서 장비의 내부 환경요소와 조사 당시의 외부 환경요소를 결합 후 생성된 정밀도로지도 데이터의 품질평가 점수 생성 및 배포 시스템에 있어서,
   상기 정밀도로지도 데이터의 내부 환경요소와 외부 환경요소를 수집하는 수집부(100);
   상기 정밀도로지도 데이터의 내부 환경요소를 기 설정기준과 비교하여 점수로 수치화하는 수치화부(200);
   상기 수치화된 점수와 상기 외부 환경요소를 지도 학습을 통해 품질점수를 생성하는 품질점수 생성부(300); 및
   상기 품질점수를 상기 정밀도로지도 데이터를 함께 배포하는 배포부(400);를 포함하며,
   상기 품질점수 생성부(300)는 내/외부환경 요소의 정보별 상관관계에 따라 도출된 가중치 값을 기준으로 객체 위치정확도 및 객체 인식률에 대해 통합 품질점수를 생성하는 것을 특징으로 하는 정밀도로지도 품질평가 점수 생성 및 배포 시스템.
2. 제1항에 있어서,
   상기 수집부(100)는
   수집시간에 따른 LiDAR 및 Camera의 사양 정보, 수집시간에 따른 차량위치를 갖는 GPS 정보, 수집시간에 따른 차량속도, 차량방위각, 차량자세 정보를 갖는 IMU 정보를 수집하는 내부환경 수집모듈(110); 및
   수집시간에 따른 일출 시간, 일몰 시간, 태양 방위각을 갖는 역광 정보, 수집시간에 따른 강수량을 갖는 비 정보, 수집시간에 따른 적설량을 갖는 눈 정보, 수집시간에 따른 풍속을 갖는 바람 정보, 수집시간에 따른 시정거리를 갖는 안개 정보, 수집시간에 따른 소통정보, 공사정보, 사고정보를 갖는 교통정보를 수집하는 외부환경 수집모듈(120);을 포함하는 것을 특징으로 하는 정밀도로지도 품질평가 점수 생성 및 배포 시스템.
3. 제1항에 있어서,
   상기 수치화부(200)는
   상기 정밀도로지도 데이터의 내부 환경요소를 통한 특정 객체의 측정위치 좌표와 상기 특정 객체에 대해 기 설정된 기준 좌표의 오차 값을 기준으로 점수를 생성하는 위치 정확도 수치화모듈(210); 및
   상기 특정 객체 이미지의 딥러닝을 통해 생성되는 인식결과 점수를 생성하는 객체 인식률 수치화모듈(220);을 포함하는 것을 특징으로 하는 정밀도로지도 품질평가 점수 생성 및 배포 시스템.
4. 제1항에 있어서,
   상기 품질점수 생성부(300)는 내부 환경요소는 상수로 고정하여 그룹화하고, 각 그룹별로 수치화된 점수와 외부 환경요소를 XG부스트(XGBoost) 회귀방식의 지도 학습을 통해 품질점수를 생성하는 것을 특징으로 하는 정밀도로지도 품질평가 점수 생성 및 배포 시스템.
5. 삭제

Images