KR102288933B1 - 정밀 도로 지도 구축 방법, 장치 및 시스템 - Google Patents

정밀 도로 지도 구축 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR102288933B1
KR102288933B1 KR1020200149405A KR20200149405A KR102288933B1 KR 102288933 B1 KR102288933 B1 KR 102288933B1 KR 1020200149405 A KR1020200149405 A KR 1020200149405A KR 20200149405 A KR20200149405 A KR 20200149405A KR 102288933 B1 KR102288933 B1 KR 102288933B1
Authority
KR
South Korea
Prior art keywords
road
information
precision
autonomous driving
road map
Prior art date
Application number
KR1020200149405A
Other languages
English (en)
Inventor
임헌용
노수래
Original Assignee
임헌용
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 임헌용 filed Critical 임헌용
Priority to KR1020200149405A priority Critical patent/KR102288933B1/ko
Application granted granted Critical
Publication of KR102288933B1 publication Critical patent/KR102288933B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G01C21/3822—Road feature data, e.g. slope data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/36—Videogrammetry, i.e. electronic processing of video signals from a single source or from different sources to give parallax or range information
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3885—Transmission of map data to client devices; Reception of map data by client devices
    • 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

Abstract

정밀 도로 지도 구축 방법, 장치 및 시스템이 개시된다. 일실시예에 따른 인공지능을 기반으로 서버에 의해 수행되는 정밀 도로 지도 구축 방법은 , 자동차가 주행하는 도로의 도로 이미지를 획득하고, 제1 인공지능에 도로 이미지를 적용하여 자율 주행 정보 추출을 위한 영상 처리를 수행하며, 제2 인공지능에 자율 주행 정보를 적용하여 자동차의 자율 주행을 위한 자율 주행 가이드 정보를 형성하고, 도로의 지도 데이터를 지도 서버로부터 수신하며, 지도 데이터, 자율 주행 정보, 및 자율 주행 가이드 정보를 매핑하여 자율 주행을 위한 자율 주행 지도 데이터를 형성한다.

Description

정밀 도로 지도 구축 방법, 장치 및 시스템{METHOD, APPARATUS AND SYSTEM FOR BUILDING OF precision road map}
아래 실시예들은 자율 주행을 위한 3차원 정밀 도로 지도 구축 기술에 관한 것이다.
실시예들과 관련된 배경기술로, 대한민국 등록특허공보 KR 10-2171826 B1은 정밀 도로지도를 자동으로 구축할 수 있는 시스템을 개시한다. 구체적으로, 선행문헌은 차량의 상부에 장착되어 이미지 정보를 촬영하는 영상센서, 차량의 상부에 장착되어 거리 정보를 감지하는 레이저센서, 차량의 상부에 장착되어 항법 정보를 제공하는 항법센서, 각 센서의 내부 기하모델과 외부 기하모델을 바탕으로 데이터 융합을 하는 데이터융합부 및 데이터 내에서 후보군을 기계학습을 통해 검출하고 검출된 후보군에 순차적으로 추가 기계학습 모델을 적용하여 대상 사물이 나타내는 정보를 인식하는 인식부를 포함하는 시스템을 개시한다.
이를 통해, 선행문헌은 객체들을 기계학습을 통해 자동으로 검출 및 인식하고 영상센서, 레이저센서, 항법센서 간 융합기술을 통해 자동으로 사회기반 시설물 및 대상 구조물을 지도화를 하여 작업의 효율성 및 신뢰성을 높일 수 있다.
또한, 대한민국 공개특허공보 KR 10-2019-0087338 A는 수치지도 및 도로정밀지도 구축 자동화를 위한 방법을 개시한다. 구체적으로, 선행문헌은 영상 센서, 레이저 센서, 항법 센서를 갖는 센서 모듈, 각 센서의 내부 기하모델 및 외부 기하모델을 바탕으로 데이터 융합을 하는 데이터 융합부, 데이터 내에서 후보군을 기계학습을 통해 검출하고, 검출된 후보군에 순차적으로 추가 기계학습 모델을 적용하여 대상 사물이 나타내는 정보를 인식하는 객체 검출 및 인식부를 포함하고, 수치 지도 또는 도로정밀지도 데이터를 출력하는 장치를 개시한다.
이를 통해, 선행문헌은 객체들을 기계학습을 통해 자동으로 검출 및 인식하고 영상, 레이저, 항법센서 간 융합기술을 통해 자동으로 사회기반 시설물 및 대상 구조물을 지도화를 하여 작업의 효율성 및 신뢰성을 높일 수 있다.
그러나 선행문헌들은 도로의 대상체 종류에 따라서 자율 주행 가이드 정보를 형성하여 자율 주행을 위한 정밀 도로 지도를 구축하는 방법 및 경계석 정보에 기초하여 점용료 징수 대상 데이터를 형성하는 방법을 개시하지 않는다. 또한, 선행문헌들은 라이다 센서의 반사 신호에서의 서로 다른 파장 정보를 이용하여 자율 주행 가이드 정보를 추출하는 방법을 개시하지 않는다.
대한민국 등록특허공보 KR 10-2171826 B1 대한민국 공개특허공보 KR 10-2019-0087338 A
실시예들은 도로의 대상체 종류에 따라서 자율 주행 가이드 정보를 형성하여 자율 주행을 위한 정밀 도로 지도를 구축하는 기술을 제공하고자 한다.
실시예들은 경계석 정보에 기초하여 점용료 징수 대상 데이터를 형성하는 기법을 제공하고자 한다.
실시예들은 라이다 센서의 반사 신호에서의 서로 다른 파장 정보를 이용하여 자율 주행 가이드 정보를 추출하는 방법을 제공하고자 한다.
본 발명의 실시예에 따른 인공지능을 기반으로 서버에 의해 수행되는 정밀 도로 지도 구축 방법은, 자동차가 주행하는 도로의 도로 이미지 - 상기 도로 이미지는, 미리 설정된 파장을 갖는 탐지 신호를 송신하고, 상기 탐지 신호가 상기 도로의 대상체부터 반사되어 형성된 서로 다른 파장의 응답 신호를 포함함 - 를 획득하는 단계; 제1 인공지능에 상기 도로 이미지를 적용하여 자율 주행 정보 - 상기 자율 주행 정보는, 자동차의 주행에 영향을 주는 3차원 정보에 해당하는 도로 상태, 지형, 지물, 차량, 장애물 중 적어도 하나의 정보를 포함함 - 추출을 위한 영상 처리를 수행하는 단계; 제2 인공지능에 상기 자율 주행 정보를 적용하여 자동차의 자율 주행을 위한 자율 주행 가이드 정보를 형성하는 단계; 상기 도로의 지도 데이터를 지도 서버로부터 수신하는 단계; 및 상기 지도 데이터, 상기 자율 주행 정보, 및 상기 자율 주행 가이드 정보를 매핑하여 자율 주행을 위한 자율 주행 지도 데이터를 형성하는 단계를 포함하되, 상기 자율 주행 가이드 정보는, 상기 응답 신호의 서로 다른 파장을 이용하여 상기 도로의 대상체의 종류를 파악하고, 상기 대상체의 종류에 따라서 상기 자동차의 경로 변경 여부를 결정하도록 설정할 수 있는 경로 변경 정보를 포함할 수 있다.
일 실시예로서, 상기 응답 신호의 서로 다른 파장을 이용하여 상기 도로와 인도의 경계에 위치한 경계석 정보를 형성하는 단계; 상기 경계석 정보에 기초하여 상기 경계석의 높이 정보를 산출하는 단계; 제3 인공지능에 상기 도로 이미지 및 상기 경계석의 높이 정보를 적용하여 경계석을 통한 차량 진입 여부, 경계석의 표면 상태, 및 인도에 위치한 상점과 도로 간의 연결 상태에 대한 정보를 추출하는 단계; 상기 경계석을 통한 차량 진입 여부, 상기 경계석의 표면 상태, 및 상기 인도에 위치한 상점과 도로 간의 연결 상태에 대한 정보를 이용하여 점용료 징수 대상에 해당하는지 여부를 판단하여 점용료 징수 대상 데이터를 형성하는 단계; 상기 점용료 징수 대상 데이터를 관리자 단말로 전송하는 단계; 상기 점용료 징수 대상 데이터의 승인을 획득하는 단계; 및 승인된 상기 점용료 징수 대상 데이터를 저장하는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 도로 이미지를 획득하는 단계는, 라이다(Light Detection And Ranging) 센서를 이용하여 소정 범위 이내의 오차를 갖는 상기 도로 이미지를 획득하는 단계를 포함하고, 상기 자율 주행 가이드 정보를 추출하는 단계는, 상기 응답 신호의 서로 다른 파장을 이용하여 상기 도로와 인도의 경계에 위치한 경계석 정보를 형성하는 단계; 상기 응답 신호의 서로 다른 파장을 이용하여 상기 도로의 중앙선 정보를 형성하는 단계; 제4 인공지능에 상기 경계석 정보 및 상기 중앙선 정보를 적용하여 상기 도로의 면적 정보를 산출하는 단계; 상기 면적 정보를 이용하여 상기 도로의 주행 경로 정보를 형성하는 단계; 상기 주행 경로 정보를 이용하여 상기 도로에서 자동차가 정지해야 하는 정지 정보, 자동차가 차선을 변경해야 하는 차선 변경 정보, 자동차가 정지 후 출발해야 하는 출발 정보 중 적어도 하나를 포함하는 자율 주행 가이드 정보를 추출하는 단계를 포함할 수 있다.
일 실시예로서, 미리 단계화된 각각의 실외 자외선 위험 단계와 단위 시간당 지도 제작 인센티브 사이의 대응 관계를 설정하는 단계; 상기 도로 이미지를 기초로, 상기 도로 이미지가 획득되는 환경이 실외인지 여부를 획득하는 단계; 상기 도로 이미지에 따른 자율 주행 지도 제작 장소 및 시각에서의 실외 자외선 예보값을 기초로, 단위 시간당 예상 지도 제작 인센티브를 설정하는 단계; 상기 도로 이미지가 제작되는 동안의 실외 자외선 값이 포함되는 실외 자외선 위험 단계에 대응하여 상기 도로 이미지 제작의 인센티브를 부여하는 단계; 도로 이미지 제작자 인증수단을 통해 미리 정해진 주기마다 도로 이미지 제작자 계정들을 사용하는 도로 이미지 제작자들의 피부 정보를 획득하는 단계; 상기 도로 이미지 제작자들의 피부 정보를 기초로, 각각의 도로 이미지 제작자의 피부 질환이 있는지 여부를 진단하는 단계; 및 피부 질환이 있는 것으로 진단된 도로 이미지 제작자가 사용하는 도로 이미지 제작자 계정은 상기 도로 이미지에 포함되는 자율 주행 지도 제작 장소 및 시각에서의 실외 자외선 예보값이 미리 정해진 실외 자외선 위험 단계에 포함될 때 지도 제작 수락을 할 수 없도록 설정하는 단계를 더 포함할 수 있다.
본 발명의 실시예에 따른 정밀 도로 지도 구축 장치는, 자동차가 주행하는 도로의 도로 이미지 - 상기 도로 이미지는, 미리 설정된 파장을 갖는 탐지 신호를 송신하고, 상기 탐지 신호가 상기 도로의 대상체부터 반사되어 형성된 서로 다른 파장의 응답 신호를 포함함 - 를 획득하고, 제1 인공지능에 상기 도로 이미지를 적용하여 자율 주행 정보 - 상기 자율 주행 정보는, 자동차의 주행에 영향을 주는 3차원 정보에 해당하는 도로 상태, 지형, 지물, 차량, 장애물 중 적어도 하나의 정보를 포함함 - 추출을 위한 영상 처리를 수행하며, 제2 인공지능에 상기 자율 주행 정보를 적용하여 자동차의 자율 주행을 위한 자율 주행 가이드 정보를 형성하고, 상기 도로의 지도 데이터를 지도 서버로부터 수신하며, 상기 지도 데이터, 상기 자율 주행 정보, 및 상기 자율 주행 가이드 정보를 매핑하여 자율 주행을 위한 자율 주행 지도 데이터를 형성하되, 상기 자율 주행 가이드 정보는, 상기 응답 신호의 서로 다른 파장을 이용하여 상기 도로의 대상체의 종류를 파악하고, 상기 대상체의 종류에 따라서 상기 자동차의 경로 변경 여부를 결정하도록 설정할 수 있는 경로 변경 정보를 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 자율 주행을 위한 도로 위의 대상체들에 대한 정보를 보다 정밀하고 경제적으로 제공할 수 있고, 점용료 징수의 대상이 되는 도로 경계석에 대한 데이터를 제공하여 점용료 징수의 편의성을 향상시킬 수 있다.
도 1은 일실시예에 따른 설명하기 정밀 도로 지도 구축 시스템을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 정밀 도로 지도 구축 장치를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 정밀 도로 지도 구축 방법의 흐름도이다.
도 4는 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
도 1은 일실시예에 따른 설명하기 정밀 도로 지도 구축 시스템을 설명하기 위한 도면이다.
도 1에 도시한 바와 같이, 정밀 도로 지도 구축 시스템(100)은, 도로 이미지 제작 단말(110), 정밀 도로 지도 구축 장치(120), 데이터베이스(130), 지도 서버(140) 및 네트워크(N)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 정밀 도로 지도 구축 장치(120)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(130)가 정밀 도로 지도 구축 장치(120)내에 구비될 수도 있다. 예를 들어, 정밀 도로 지도 구축 장치(120)는, 기계 학습 알고리즘의 수행을 위한 다수의 인공지능을 포함할 수 있다.
도로 이미지 제작 단말(110)은 도로를 주행하며 도로 이미지를 형성할 수 있다. 일 실시예에 따르면, 도로 이미지 제작 단말(110)은, 라이다(Light Detection And Ranging) 센서를 포함하여 도로 이미지 형성을 위하여 일정한 파장을 갖는 레이저 펄스 신호를 형성하여 송신하고, 레이저 펄스 신호는 도로 위의 서로 다른 대상체로부터 반사되어 응답 신호를 형성할 수 있는데, 응답 신호는 대상체의 종류에 따라서 서로 다른 파장을 나타낼 수 있다. 예를 들어, 도로 이미지는, 라이다 센서를 이용하여 소정 범위(예를 들어, 25cm) 이내의 오차를 갖도록 형성될 수 있지만, 이에 한정되지 않는다.
정밀 도로 지도 구축 장치(120)는, 자동차가 주행하는 도로의 도로 이미지를 네트워크(N)를 통하여 도로 이미지 제작 단말(110)로부터 획득할 수 있다.
정밀 도로 지도 구축 장치(120)는, 도로 이미지를 이용하여 자율 주행 정보 추출을 위한 영상 처리를 수행할 수 있다. 일 실시예에 따르면, 자율 주행 정보는, 자동차의 주행에 영향을 주는 3차원 정보에 해당하는 도로 상태, 지형, 지물, 차량, 장애물 등의 정보를 포함할 수 있지만, 이에 한정되지 않는다.
정밀 도로 지도 구축 장치(120)는, 자율 주행 정보를 이용하여 자동차의 자율 주행을 위한 자율 주행 가이드 정보를 형성할 수 있다.
정밀 도로 지도 구축 장치(120)는, 지도 서버(140)로부터 네트워크(N)를 통하여 지도 데이터를 수신할 수 있다. 일 실시예에 따르면, 정밀 도로 지도 구축 장치(120)는, 자율 주행 정보가 형성된 도로에 대응하는 지도 데이터를 지도 서버(140)로부터 수신할 수 있다.
정밀 도로 지도 구축 장치(120)는, 지도 서버(140)로부터 수신된 지도 데이터, 자율 주행 정보, 자율 주행 가이드 정보를 매핑하여 자율 주행을 위한 자율 주행 지도 데이터를 형성할 수 있다. 일 실시예에 따르면, 자율 주행 가이드 정보는, 도로 이미지에 포함된 응답 신호의 서로 다른 파장을 이용하여 도로의 대상체의 종류를 파악하고, 파악된 대상체의 종류에 따라서 자동차의 경로 변경 여부를 결정하도록 설정할 수 있는 경로 변경 정보를 포함할 수 있지만, 이에 한정되지 않는다.
정밀 도로 지도 구축 장치(120)는, 도로 이미지에 포함된 응답 신호의 서로 다른 파장을 이용하여 도로와 인도의 경계에 위치한 경계석 정보를 형성할 수 있다. 일 실시예에 따르면, 도로는 아스팔트 재질로 형성되고 경계석은 시멘트 재질로 형성되므로, 시멘트 재질의 경계석으로부터 반사된 응답 신호의 파장이 아스팔트 재질의 도로에서 반사된 응답 신호의 파장보다 짧을 수 있다. 따라서, 정밀 도로 지도 구축 장치(120)는, 이러한 응답 신호의 파장을 이용하여 대상체의 종류 및 도로상에서의 위치를 파악할 수 있고, 그중 특히 도로와 인도의 경계에 위치한 경계석 정보를 형성할 수 있다. 이러한 도로상에서의 대상체의 종류 및 도로상에서의 위치 정보는 도로 이미지에 포함될 수 있다.
정밀 도로 지도 구축 장치(120)는, 경계석 정보에 기초하여 도로상에 위치한 경계석의 높이 정보를 산출할 수 있다. 일 실시예에 따르면, 도로변에 인접한 상점으로 접근이 용이하도록 경계석의 높이를 조절할 수 있는데, 경계석의 높이 조절을 위해서는 지자체에 점용료를 지불하여야 한다.
정밀 도로 지도 구축 장치(120)는, 도로 이미지 및 경계석의 높이 정보를 이용하여 경계석을 통한 차량 진입 여부, 경계석의 표면 상태, 인도에 위치한 상점과 도로 간의 연결 상태에 대한 정보를 추출할 수 있다. 일 실시예에 따르면, 도로 이미지를 통해서 파악한 경계석의 높이가 단순히 도로와 연결될 수 있도록 낮게 형성되었다고 하여도, 경계석을 통한 차량 진입 여부, 경계석의 표면 상태, 인도에 위치한 상점과 도로 간의 연결 상태에 대한 정보에 따라서 점용료 징수 대상에 해당하는지 여부가 달라질 수 있다.
정밀 도로 지도 구축 장치(120)는, 경계석을 통한 차량 진입 여부, 경계석의 표면 상태, 인도에 위치한 상점과 도로 간의 연결 상태에 대한 정보를 이용하여 점용료 징수 대상에 해당하는지 여부를 판단하여 점용료 징수 대상 데이터를 형성할 수 있다.
정밀 도로 지도 구축 장치(120)는, 형성된 점용료 징수 대상 데이터를 네트워크(N)를 통하여 관리자 단말(도시하지 않음)로 전송할 수 있다. 관리자 단말로부터 점용료 징수 대상 데이터에 대한 승인을 획득한 경우, 정밀 도로 지도 구축 장치(120)는, 점용료 징수 대상 데이터를 네트워크(N)를 통하여 데이터베이스(130)로 전송하여 저장할 수 있다.
정밀 도로 지도 구축 장치(120)는, 자율 주행 가이드 정보를 추출할 경우 응답 신호의 서로 다른 파장을 이용하여 도로와 인도의 경계에 위치한 경계석 정보를 형성할 수 있다. 또한, 정밀 도로 지도 구축 장치(120)는, 응답 신호의 서로 다른 파장을 이용하여 도로의 중앙선 정보를 형성할 수 있다. 일 실시예에 따르면, 도로는 아스팔트 재질로 형성되고 경계석은 시멘트 재질로 형성되며 도로의 중앙선은 페인트로 도포되므로, 시멘트 재질의 경계석으로부터 반사된 응답 신호의 파장이 가장 짧고, 아스팔트 재질의 도로에서 반사된 응답 신호의 파장이 그 다음으로 짧으며, 도로의 중앙선에 도포된 페인트로부터 반사된 응답 신호의 파장이 가장 짧을 수 있다. 따라서, 정밀 도로 지도 구축 장치(120)는, 이러한 응답 신호의 파장을 이용하여 도로의 중앙선 정보를 형성할 수 있다.
정밀 도로 지도 구축 장치(120)는, 경계석 정보 및 중앙선 정보를 이용하여 도로의 면적 정보를 산출하고, 산출된 면적 정보를 이용하여 도로의 주행 경로 정보를 형성할 수 있다. 일 실시예에 따르면, 주행 경로 정보는 산출된 면적 정보를 이용하여 자동차가 도로의 가운데를 따라서 이동하도록 설정하기 위한 정보를 포함할 수 있다.
정밀 도로 지도 구축 장치(120)는, 주행 경로 정보를 이용하여 도로에서 자동차가 정지해야 하는 정지 정보, 자동차가 차선을 변경해야 하는 차선 변경 정보, 자동차가 정지 후 출발해야 하는 출발 정보 중 적어도 하나를 포함하는 자율 주행 가이드 정보를 추출할 수 있다. 일 실시예에 따르면, 정밀 도로 지도 구축 장치(120)는, 주행 경로 정보는 자동차의 주행 경로 전방에 횡단보도 또는 정지선이 나타나거나 신호등의 신호가 빨간색일 경우 자동차가 정지하도록 설정하기 위한 정지 정보를 포함할 수 있다. 또한, 정밀 도로 지도 구축 장치(120)는, 자동차의 주행 경로 전방에 포트홀(Pot Hole)이 위치할 경우 자동차의 주행 차선을 변경하도록 설정하기 위한 차선 변경 정보를 포함할 수 있다. 아울러, 정밀 도로 지도 구축 장치(120)는, 자동차의 주행 경로 전방의 신호등 신호가 빨간색에서 초록색으로 변경된 경우 자동차가 정지 후 출발하도록 설정하기 위한 출발 정보를 포함할 수 있다.
또한, 정밀 도로 지도 구축 장치(120)는, 미리 단계화된 각각의 실외 자외선 위험 단계와 단위 시간당 지도 제작 인센티브 사이의 대응 관계를 설정하고, 도로 이미지를 기초로 도로 이미지가 획득되는 환경이 실외인지 여부를 획득할 수 있다. 일 실시예에 따르면, 도로 이미지가 획득되는 환경은 일반적으로 실외인 경우가 많지만 터널 내부, 교량 아래, 고가차도 아래 등 실내에서 획득될 수도 있고, 도로 이미지는 획득되는 환경이 실내인지 실외인지 여부에 대한 정보를 포함할 수 있다.
정밀 도로 지도 구축 장치(120)는, 도로 이미지에 따른 자율 주행 지도 제작 장소 및 시각에서의 실외 자외선 예보값을 기초로, 단위 시간당 예상 지도 제작 인센티브를 설정하고, 도로 이미지가 제작되는 동안의 실외 자외선 값이 포함되는 실외 자외선 위험 단계에 대응하여 도로 이미지 제작의 인센티브를 부여할 수 있다.
정밀 도로 지도 구축 장치(120)는, 도로 이미지 제작자 인증수단을 통해 미리 정해진 주기마다 도로 이미지 제작자 계정들을 사용하는 도로 이미지 제작자들의 피부 정보를 획득하고, 도로 이미지 제작자들의 피부 정보를 기초로, 각각의 도로 이미지 제작자의 피부 질환이 있는지 여부를 진단할 수 있다.
정밀 도로 지도 구축 장치(120)는, 피부 질환이 있는 것으로 진단된 도로 이미지 제작자가 사용하는 도로 이미지 제작자 계정은 도로 이미지에 포함되는 자율 주행 지도 제작 장소 및 시각에서의 실외 자외선 예보값이 미리 정해진 실외 자외선 위험 단계에 포함될 때 지도 제작 수락을 할 수 없도록 설정할 수 있다.
네트워크(N)는, 도로 이미지 제작 단말(110), 정밀 도로 지도 구축 장치(120), 데이터베이스(130), 지도 서버(140) 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있다.
데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 도로 이미지 제작 단말(110), 정밀 도로 지도 구축 장치(120), 지도 서버(140)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 점용료 징수 대상 데이터를 정밀 도로 지도 구축 장치(120)로부터 네트워크(N)를 통하여 수신하여 저장할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
도 2는 일실시예에 따른 정밀 도로 지도 구축 장치를 설명하기 위한 도면이다.
도 2에 도시한 바와 같이, 정밀 도로 지도 구축 장치(120)는 수신부(121), 프로세서(122), 송신부(123), 데이터베이스(130) 및 시스템 버스(124)를 포함할 수 있다. 일 실시예에 따르면, 수신부(121), 프로세서(122), 송신부(123) 및 데이터베이스(130)는 시스템 버스(124)를 통하여 통신 가능하도록 서로 연결될 수 있고, 정밀 도로 지도 구축 장치(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 정밀 도로 지도 구축 장치(120)에 추가될 수 있다. 아울러, 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다.
수신부(121)는, 네트워크(N)를 통하여 도로 이미지 제작 단말(110)로부터 도로 이미지를 디지털 패킷(125)의 형태로 실시간 또는 비실시간으로 수신하여 프로세서(122)로 전송할 수 있다. 또한, 수신부(121)는, 네트워크(N)를 통하여 지도 서버(140)로부터 지도 데이터를 디지털 패킷(125)의 형태로 실시간 또는 비실시간으로 수신하여 프로세서(122)로 전송할 수 있다.
프로세서(122)는, 수신부(121)를 통해서 도로 이미지 제작 단말(110)로부터 디지털 패킷(125)의 형태로 수신되는 도로 이미지를 적용하여 자율 주행 정보 추출을 위한 영상 처리를 수행할 수 있다.
프로세서(122)는, 자율 주행 정보를 적용하여 자동차의 자율 주행을 위한 자율 주행 가이드 정보를 디지털 패킷(125) 형태로 형성하고, 수신부(121)를 통해서 도로 이미지 제작 단말(110)로부터 디지털 패킷(125)의 형태로 수신되는 지도 데이터, 자율 주행 정보, 및 자율 주행 가이드 정보를 매핑하여 자율 주행을 위한 자율 주행 지도 데이터를 디지털 패킷(125)의 형태로 형성할 수 있다. 일 실시예에 따르면, 자율 주행 가이드 정보는, 응답 신호의 서로 다른 파장을 이용하여 도로의 대상체의 종류를 파악하고, 대상체의 종류에 따라서 자동차의 경로 변경 여부를 결정하도록 설정할 수 있는 경로 변경 정보를 포함할 수 있지만, 자율 주행 가이드 정보가 이에 한정되지 않는다.
프로세서(122)는, 디지털 패킷(125)의 형태로 형성된 자율 주행 지도 데이터를 시스템 버스(124)를 통하여 데이터베이스(130)로 송신할 수 있다.
도 3은 일실시예에 따른 정밀 도로 지도 구축 방법의 흐름도이다.
도 3의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 3에 도시한 바와 같이, 단계(S310)에서, 자동차가 주행하는 도로의 도로 이미지가 획득된다. 예를 들어, 도 1 내지 도 2를 참조하면, 정밀 도로 지도 구축 장치(120)는, 자동차가 주행하는 도로의 도로 이미지를 도로 이미지 제작 단말(110)로부터 네트워크(N)를 통하여 획득할 수 있다. 일 실시예에 따르면, 도로 이미지는, 미리 설정된 파장을 갖는 탐지 신호를 송신하고, 탐지 신호가 도로의 대상체로부터 반사되어 형성된 서로 다른 파장의 응답 신호를 포함할 수 있다.
단계(S320)에서, 제1 인공지능에 도로 이미지를 적용하여 자율 주행 정보 추출을 위한 영상 처리가 수행된다. 예를 들어, 도 1 내지 도 2를 참조하면, 정밀 도로 지도 구축 장치(120)는, 제1 인공지능에 도로 이미지를 적용하여 자율 주행 정보 추출을 위한 영상 처리를 수행할 수 있다. 일 실시예에 따르면, 자율 주행 정보는, 자동차의 주행에 영향을 주는 3차원 정보에 해당하는 도로 상태, 지형, 지물, 차량, 장애물 중 적어도 하나의 정보를 포함할 수 있다.
단계(S330)에서, 제2 인공지능에 자율 주행 정보를 적용하여 자동차의 자율 주행을 위한 자율 주행 가이드 정보가 형성된다. 예를 들어, 도 1 내지 도 2를 참조하면, 정밀 도로 지도 구축 장치(120)는, 제2 인공지능에 자율 주행 정보를 적용하여 자동차의 자율 주행을 위한 자율 주행 가이드 정보를 형성할 수 있다. 일 실시예에 따르면, 자율 주행 가이드 정보는, 응답 신호의 서로 다른 파장을 이용하여 도로의 대상체의 종류를 파악하고, 대상체의 종류에 따라서 자동차의 경로 변경 여부를 결정하도록 설정할 수 있는 경로 변경 정보를 포함할 수 있다.
단계(S340)에서, 도로의 지도 데이터가 지도 서버로부터 수신된다. 예를 들어, 도 1 내지 도 2를 참조하면, 정밀 도로 지도 구축 장치(120)는, 네트워크(N)를 통하여 지도 서버(140)로부터 지도 데이터를 수신할 수 있다. 일 실시예에 따르면, 정밀 도로 지도 구축 장치(120)는, 도로 이미지가 형성된 도로와 동일한 도로의 지도 데이터를 수신할 수 있다.
단계(S350)에서, 지도 데이터, 자율 주행 정보, 및 자율 주행 가이드 정보를 매핑하여 자율 주행을 위한 자율 주행 지도 데이터가 형성된다. 예를 들어, 도 1 내지 도 2를 참조하면, 정밀 도로 지도 구축 장치(120)는, S310 단계에서 획득한 도로 이미지, S320 단계에서 추출된 자율 주행 정보, 및 S340 단계에서 수신된 지도 데이터를 매핑하여 자율 주행을 위한 자율 주행 지도 데이터를 형성할 수 있다.
도 4는 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(401)는 프로세서(402) 및 메모리(403)를 포함한다. 일실시예에 따른 장치(401)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 3을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 3을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(403)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(403)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(402)는 프로그램을 실행하고, 장치(401)를 제어할 수 있다. 프로세서(402)에 의하여 실행되는 프로그램의 코드는 메모리(403)에 저장될 수 있다. 장치(401)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 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 실시예를 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. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

  1. 인공지능을 기반으로 정밀 도로 지도 구축 장치에 의해 수행되는 정밀 도로 지도 구축 방법으로서,
    상기 정밀 도로 지도 구축 장치에 의해서, 자동차가 주행하는 도로의 도로 이미지 - 상기 도로 이미지는, 미리 설정된 파장을 갖는 탐지 신호를 송신하고, 상기 탐지 신호가 상기 도로의 대상체부터 반사되어 형성된 서로 다른 파장의 응답 신호를 포함함 - 를 획득하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 도로 이미지를 이용하여 자율 주행 정보 - 상기 자율 주행 정보는, 자동차의 주행에 영향을 주는 3차원 정보에 해당하는 도로 상태, 지형, 지물, 차량, 장애물 중 적어도 하나의 정보를 포함함 - 추출을 위한 영상 처리를 수행하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 자율 주행 정보를 이용하여 자동차의 자율 주행을 위한 자율 주행 가이드 정보를 형성하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 도로의 지도 데이터를 지도 서버로부터 수신하는 단계; 및
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 지도 데이터, 상기 자율 주행 정보, 및 상기 자율 주행 가이드 정보를 매핑하여 자율 주행을 위한 자율 주행 지도 데이터를 형성하는 단계를 포함하되,
    상기 자율 주행 가이드 정보는,
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 응답 신호의 서로 다른 파장을 이용하여 상기 도로의 대상체의 종류를 파악하고, 상기 대상체의 종류에 따라서 상기 자동차의 경로 변경 여부를 결정하도록 설정할 수 있는 경로 변경 정보를 포함하고,
    상기 정밀 도로 지도 구축 장치에 의해서, 미리 단계화된 각각의 실외 자외선 위험 단계와 단위 시간당 지도 제작 인센티브 사이의 대응 관계를 설정하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 도로 이미지를 기초로, 상기 도로 이미지가 획득되는 환경이 실외인지 여부를 획득하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 도로 이미지에 따른 자율 주행 지도 제작 장소 및 시각에서의 실외 자외선 예보값을 기초로, 단위 시간당 예상 지도 제작 인센티브를 설정하는 단계; 및
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 도로 이미지가 제작되는 동안의 실외 자외선 값이 포함되는 실외 자외선 위험 단계에 대응하여 상기 도로 이미지 제작의 인센티브를 부여하는 단계를 더 포함하는,
    정밀 도로 지도 구축 방법.
  2. 제1항에 있어서,
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 응답 신호의 서로 다른 파장을 이용하여 상기 도로와 인도의 경계에 위치한 경계석 정보를 형성하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 경계석 정보에 기초하여 상기 경계석의 높이 정보를 산출하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 도로 이미지 및 상기 경계석의 높이 정보를 이용하여 경계석을 통한 차량 진입 여부, 경계석의 표면 상태, 및 인도에 위치한 상점과 도로 간의 연결 상태에 대한 정보를 추출하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 경계석을 통한 차량 진입 여부, 상기 경계석의 표면 상태, 및 상기 인도에 위치한 상점과 도로 간의 연결 상태에 대한 정보를 이용하여 점용료 징수 대상에 해당하는지 여부를 판단하여 점용료 징수 대상 데이터를 형성하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 점용료 징수 대상 데이터를 관리자 단말로 전송하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 점용료 징수 대상 데이터의 승인을 획득하는 단계; 및
    상기 정밀 도로 지도 구축 장치에 의해서, 승인된 상기 점용료 징수 대상 데이터를 저장하는 단계를 더 포함하는,
    정밀 도로 지도 구축 방법.
  3. 제1항에 있어서,
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 도로 이미지를 획득하는 단계는,
    상기 정밀 도로 지도 구축 장치에 의해서, 라이다(Light Detection And Ranging) 센서를 이용하여 소정 범위 이내의 오차를 갖는 상기 도로 이미지를 획득하는 단계를 포함하고,
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 자율 주행 가이드 정보를 추출하는 단계는,
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 응답 신호의 서로 다른 파장을 이용하여 상기 도로와 인도의 경계에 위치한 경계석 정보를 형성하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 응답 신호의 서로 다른 파장을 이용하여 상기 도로의 중앙선 정보를 형성하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 경계석 정보 및 상기 중앙선 정보를 이용하여 상기 도로의 면적 정보를 산출하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 면적 정보를 이용하여 상기 도로의 주행 경로 정보를 형성하는 단계;
    상기 정밀 도로 지도 구축 장치에 의해서, 상기 주행 경로 정보를 이용하여 상기 도로에서 자동차가 정지해야 하는 정지 정보, 자동차가 차선을 변경해야 하는 차선 변경 정보, 자동차가 정지 후 출발해야 하는 출발 정보 중 적어도 하나를 포함하는 자율 주행 가이드 정보를 추출하는 단계를 포함하는,
    정밀 도로 지도 구축 방법.
KR1020200149405A 2020-11-10 2020-11-10 정밀 도로 지도 구축 방법, 장치 및 시스템 KR102288933B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200149405A KR102288933B1 (ko) 2020-11-10 2020-11-10 정밀 도로 지도 구축 방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200149405A KR102288933B1 (ko) 2020-11-10 2020-11-10 정밀 도로 지도 구축 방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
KR102288933B1 true KR102288933B1 (ko) 2021-08-10

Family

ID=77316088

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200149405A KR102288933B1 (ko) 2020-11-10 2020-11-10 정밀 도로 지도 구축 방법, 장치 및 시스템

Country Status (1)

Country Link
KR (1) KR102288933B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230054137A (ko) 2021-10-15 2023-04-24 주식회사 엠큐닉 자율 주행을 위한 정밀도로지도 갱신 시스템 및 방법
KR20230076531A (ko) 2021-11-24 2023-05-31 주식회사 엠큐닉 자율 주행을 위한 정밀도로지도 갱신 시스템 및 방법
KR20230076532A (ko) 2021-11-24 2023-05-31 주식회사 엠큐닉 위치 기반의 정밀도로지도 관리 시스템 및 방법
KR102615600B1 (ko) 2022-11-28 2023-12-19 주식회사 엠큐닉 자율 주행을 위한 정밀도로지도 갱신 시스템 및 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110075294A (ko) * 2009-12-28 2011-07-06 콘티넨탈 오토모티브 일렉트로닉스 유한회사 차량용 네비게이션을 이용한 통행료 안내 방법
KR20190080009A (ko) * 2017-12-28 2019-07-08 한국국토정보공사 차선 정보를 이용한 자동 도화 방법
KR20190087338A (ko) 2019-02-27 2019-07-24 주식회사 스트리스 수치지도 및 도로정밀지도 구축 자동화를 위한 방법
KR20190096307A (ko) * 2019-07-29 2019-08-19 엘지전자 주식회사 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
KR20200094841A (ko) * 2019-01-23 2020-08-10 국민대학교산학협력단 자율주행차량의 환경특징 기반 위치인식 장치 및 방법
KR102171826B1 (ko) 2020-03-02 2020-10-29 엘티메트릭 주식회사 정밀 도로지도를 자동으로 구축할 수 있는 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110075294A (ko) * 2009-12-28 2011-07-06 콘티넨탈 오토모티브 일렉트로닉스 유한회사 차량용 네비게이션을 이용한 통행료 안내 방법
KR20190080009A (ko) * 2017-12-28 2019-07-08 한국국토정보공사 차선 정보를 이용한 자동 도화 방법
KR20200094841A (ko) * 2019-01-23 2020-08-10 국민대학교산학협력단 자율주행차량의 환경특징 기반 위치인식 장치 및 방법
KR20190087338A (ko) 2019-02-27 2019-07-24 주식회사 스트리스 수치지도 및 도로정밀지도 구축 자동화를 위한 방법
KR20190096307A (ko) * 2019-07-29 2019-08-19 엘지전자 주식회사 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
KR102171826B1 (ko) 2020-03-02 2020-10-29 엘티메트릭 주식회사 정밀 도로지도를 자동으로 구축할 수 있는 시스템

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230054137A (ko) 2021-10-15 2023-04-24 주식회사 엠큐닉 자율 주행을 위한 정밀도로지도 갱신 시스템 및 방법
KR20230076531A (ko) 2021-11-24 2023-05-31 주식회사 엠큐닉 자율 주행을 위한 정밀도로지도 갱신 시스템 및 방법
KR20230076532A (ko) 2021-11-24 2023-05-31 주식회사 엠큐닉 위치 기반의 정밀도로지도 관리 시스템 및 방법
KR102615600B1 (ko) 2022-11-28 2023-12-19 주식회사 엠큐닉 자율 주행을 위한 정밀도로지도 갱신 시스템 및 방법

Similar Documents

Publication Publication Date Title
KR102288933B1 (ko) 정밀 도로 지도 구축 방법, 장치 및 시스템
US11860629B2 (en) Sparse convolutional neural networks
US11822337B2 (en) Autonomous vehicles featuring machine-learned yield model
US11899411B2 (en) Hybrid reinforcement learning for autonomous driving
US20190147610A1 (en) End-to-End Tracking of Objects
US20210124353A1 (en) Combined prediction and path planning for autonomous objects using neural networks
US20230359202A1 (en) Jointly Learnable Behavior and Trajectory Planning for Autonomous Vehicles
US10803328B1 (en) Semantic and instance segmentation
US11531346B2 (en) Goal-directed occupancy prediction for autonomous driving
JP7086911B2 (ja) 自動運転車両のためのリアルタイム意思決定
CN109109863B (zh) 智能设备及其控制方法、装置
CN114341950A (zh) 占据预测神经网络
WO2021178299A1 (en) Multi-agent trajectory prediction
Babiker et al. Convolutional neural network for a self-driving car in a virtual environment
CN114127810A (zh) 车辆自主级功能
CN114997307A (zh) 一种轨迹预测方法、装置、设备及存储介质
Qin et al. Deep imitation learning for autonomous navigation in dynamic pedestrian environments
Bharilya et al. Machine learning for autonomous vehicle's trajectory prediction: A comprehensive survey, challenges, and future research directions
US11467598B2 (en) Method of estimating position in local area of large space and robot and cloud server implementing thereof
Khidhir et al. Comparative Transfer Learning Models for End-to-End Self-Driving Car
RU2808469C2 (ru) Способ управления роботизированным транспортным средством
KR102486271B1 (ko) 개발 사업 검토 기준을 기반으로 한 도시 설계 자동화 방법, 장치 및 시스템
Schiekofer et al. Machine Learning for Automated Driving
US20220326714A1 (en) Unmapped u-turn behavior prediction using machine learning
US20240140487A1 (en) Autonomous Vehicles Featuring Machine-Learned Yield Model

Legal Events

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