KR102296496B1 - V2v 통신을 통해 획득한 정보와 카메라를 통해 획득한 정보를 융합하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행함으로써 카메라 기반 로버스트 객체 거리 예측을 제공하는 방법 및 이를 이용한 장치 - Google Patents
V2v 통신을 통해 획득한 정보와 카메라를 통해 획득한 정보를 융합하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행함으로써 카메라 기반 로버스트 객체 거리 예측을 제공하는 방법 및 이를 이용한 장치 Download PDFInfo
- Publication number
- KR102296496B1 KR102296496B1 KR1020200001727A KR20200001727A KR102296496B1 KR 102296496 B1 KR102296496 B1 KR 102296496B1 KR 1020200001727 A KR1020200001727 A KR 1020200001727A KR 20200001727 A KR20200001727 A KR 20200001727A KR 102296496 B1 KR102296496 B1 KR 102296496B1
- Authority
- KR
- South Korea
- Prior art keywords
- target
- pitch
- prediction
- height
- camera
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000004891 communication Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 title 1
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000011176 pooling Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010047513 Vision blurred Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/557—Depth or shape recovery from multiple images from light fields, e.g. from plenoptic cameras
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G06K9/00208—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
- G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/61—Control of cameras or camera modules based on recognised objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/66—Remote control of cameras or camera parts, e.g. by remote control devices
- H04N23/661—Transmitting camera control signals through networks, e.g. control via the Internet
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
- H04N23/675—Focus control based on electronic image sensor signals comprising setting of focusing regions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/12—Bounding box
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Atmospheric Sciences (AREA)
- Traffic Control Systems (AREA)
- Measurement Of Optical Distance (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
Abstract
V2V(Vehicle to Vehicle) 통신을 통해 획득한 추가 정보를 사용하여 대상 카메라의 피치 캘리브레이션(pitch calibration)을 더욱 정교하게 수행함으로써 상기 대상 카메라를 기반으로 한 객체 거리 예측의 정확도를 향상하는 방법이 개시된다, 즉, (a) 컴퓨팅 장치가, (i) 초기 피치 캘리브레이션 모듈로 하여금, 상기 참조 이미지에 피치 계산 연산을 적용하여, 초기 예측 피치를 생성하도록 하는 프로세스 및 (ii) 객체 검출 네트워크로 하여금, 상기 참조 이미지에 뉴럴 네트워크 연산을 적용하여, 참조 객체 검출 정보를 생성하도록 하는 프로세스를 수행하도록 하는 단계; 및 (b) 상기 컴퓨팅 장치가, 조정 피치 캘리브레이션 모듈로 하여금, (i) 타겟 객체를 선택하고, (ii) 상기 타겟 객체의 예측 타겟 높이를 계산한 다음, (iii) 상기 초기 예측 피치에 대응하는 오차를 계산한 후, (iv) 상기 오차를 이용하여 상기 대상 카메라에 대한 조정 예측 피치를 결정하도록 하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
Description
본 발명은 자율 주행 차량에 이용하기 위한 방법 및 장치에 관한 것으로; 보다 상세하게는, 카메라 기반 로버스트 객체 거리 예측을 제공하는 방법 및 장치에 관한 것이다.
최근 자율 주행 기술은 미래 기술로서 각광받고 있다. 무엇보다도, 자율 주행 기술에는 주변 객체를 인식하고, 자율 주행 차량과 상기 주변 객체 간의 거리를 예측하는 것이 포함된다. 상기 프로세스를 통해, 상기 자율 주행 기술은 상기 자율 주행 차량이 안전하게 주행하여, 상기 주변 객체와 충돌하지 않도록 하는 기술이다.
종래의 자율 주행 기술은, 카메라를 통해 획득된 입력 이미지에서 소실점(vanishing point)을 찾는 프로세스를 포함한다. 이때, 피치 캘리브레이션은, 상기 입력 이미지 상의 상기 소실점 및 주점(principal point) 간의 관계를 이용하여, 상기 카메라의 렌즈 표면에 대응하는 일반 벡터와 지면 간의 각도를 계산하여 수행될 수 있다. 이후 상기 계산된 각도를 이용하여, 상기 입력 이미지에 포함된 적어도 하나의 객체 및 상기 자율 주행 차량 간의 적어도 하나의 거리를 계산할 수 있다.
한편, 상기 종래의 자율 주행 기술은, 상기 카메라를 통해 획득된 상기 입력 이미지의 질이 떨어지면 상기 거리 계산의 정확도가 급감한다는 문제점을 가지고 있다. 상기 입력 이미지를 기반으로 상기 거리가 예측되므로, 상기 거리 예측 시 결함이 발생하는 것은 당연하다. 하지만, 대다수의 경우, 진짜 문제는 사람이 상기 이미지에 결함이 생기는 것을 방지하지 못하는 것이다. 구체적으로, 터널에서 빛이 약해진다거나 비로 인해 시야가 흐려지는 것과 같은 문제는 성능이 뛰어난 카메라를 쓰거나 자율 주행 시스템을 잘 설계한다고 해서 해결될 수 없다.
따라서, 상기 카메라를 통해 획득된 상기 입력 이미지의 질이 좋지 않을 때에도 정확하게 거리 계산을 할 수 있는 방법이 필요하다.
본 발명은 상술한 문제점을 해결하는 것을 목적으로 한다.
본 발명은 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는 방법을 제공함으로써, 적어도 하나의 카메라를 통해 획득된 입력 영상의 질이 좋지 않을 때에도 자율 주행 차량과 주변 객체 간의 거리를 예측할 수 있는 것을 다른 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양에 따르면, V2V(Vehicle to Vehicle) 통신을 통해 획득한 추가 정보를 사용하여 적어도 하나의 대상 카메라의 피치 캘리브레이션(pitch calibration)을 더욱 정교하게 수행함으로써 상기 대상 카메라를 기반으로 한 객체 거리 예측의 정확도를 향상하는 방법에 있어서, (a) 컴퓨팅 장치가, 상기 대상 카메라를 통해 적어도 하나의 참조 이미지를 획득하면, (i) 초기 피치 캘리브레이션 모듈로 하여금, 상기 참조 이미지에 적어도 하나의 피치 계산 연산을 적용하여, 상기 대상 카메라의 광축과 지면 사이의 각도를 예측하여 생성된 값인 초기 예측 피치를 생성하도록 하는 프로세스 및 (ii) 객체 검출 네트워크로 하여금, 상기 참조 이미지에 적어도 하나의 뉴럴 네트워크 연산을 적용하여, 상기 참조 이미지에 포함된 하나 이상의 참조 객체에 대한 참조 객체 검출 정보를 생성하도록 하는 프로세스를 수행하도록 하는 단계; 및 (b) 상기 컴퓨팅 장치가, 조정 피치 캘리브레이션 모듈로 하여금, (i) 상기 참조 객체 중 적어도 하나의 타겟 객체를 선택하고, (ii) 상기 대상 카메라를 탑재한 대상 자율 차량으로부터 상기 타겟 객체의 적어도 하나의 상대 위치 및 상기 초기 예측 피치를 참조로 하여 상기 타겟 객체의 적어도 하나의 예측 타겟 높이를 계산한 다음, (iii) 상기 예측 타겟 높이 및 기획득된 적어도 하나의 GT(Ground-Truth) 타겟 높이를 참조로 하여, 상기 초기 예측 피치에 대응하는 적어도 하나의 오차를 계산한 후, (iv) 상기 오차를 이용하여 상기 대상 카메라에 대한 적어도 하나의 조정 예측 피치를 결정하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법이 개시된다.
일 실시예에서, 상기 컴퓨팅 장치가, 상기 조정 피치 캘리브레이션 모듈로 하여금, 각각의 상기 참조 객체가 통신 가능에 대응하는 특정 클래스를 가지는 지 여부에 대한 제1 조건을 만족하는 하나 이상의 특정 참조 객체를 상기 참조 객체 중에서 선택하도록 하고, (i) 각각의 상기 특정 참조 객체를 포함하는 각각의 특정 참조 바운딩 박스가 상기 참조 이미지의 적어도 하나의 일러스트레이션 윈도우(illustration window) 영역 내에 위치하는 지 여부에 대한 제2 조건 및 (ii) 각각의 상기 특정 참조 바운딩 박스의 종횡비(aspect ratio)가 예측 임계 값 미만인지 여부에 대한 제3 조건 중 적어도 하나를 만족하는 상기 적어도 하나의 타겟 객체를 상기 특정 참조 객체 중에서 선택하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계 이전에, 상기 컴퓨팅 장치가, 거리 계산 모듈로 하여금, 상기 초기 예측 피치, 상기 참조 객체 검출 정보 및 상기 참조 이미지를 참조로 하여, 각각의 상기 참조 객체를 포함하는 각각의 참조 바운딩 박스의 각 하단 부분 내 지점인 하나 이상의 참조 위치 기준점 각각을, 상기 대상 자율 주행 차량을 포함하는 가상 공간에 대응하는 공간 좌표계에 맵핑(mapping)하여, 상기 참조 객체 및 상기 대상 자율 주행 차량 간의 하나 이상의 종방향 지면 거리 및 하나 이상의 횡방향 지면 거리를 계산하도록 하고, 상기 종방향 지면 거리 및 상기 횡방향 지면 거리 각각을 성분으로서 포함하는 각각의 참조 상대 좌표를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계 이전에, 상기 컴퓨팅 장치가, 상기 거리 계산 모듈로 하여금, 하기 수식을 참조로 하여 상기 참조 위치 기준점을 상기 공간 좌표계에 맵핑하되,
상기 수식에서, 은 상기 참조 이미지 상에서의 상기 참조 위치 기준점 중 하나의 좌표를 의미하고, 은, 상기 대상 자율 주행 차량의 위치를 이용하여 원본 지점이 설정된 상기 공간 좌표계에서 에 대응하는 상기 참조 상대 좌표 중 하나를 의미하며, 은 상기 횡방향 지면 거리 중 하나를, 은 상기 종방향 지면 거리 중 하나를, 는 상기 초기 예측 피치를, 는 상기 대상 카메라의 주점 좌표(coordinate of a principal point)를, 은 상기 지면으로부터 상기 대상 카메라의 높이를 의미하며, 는 상기 대상 카메라의 초점 거리를 의미하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계 이전에, 상기 컴퓨팅 장치가, V2V 통신 모듈로 하여금, 상기 대상 자율 주행 차량으로부터 임계 거리보다 가까운 곳에 위치한 하나 이상의 통신 가능 객체와 통신을 하여, 하나 이상의 통신 가능 객체 클래스, 하나 이상의 통신 가능 객체 GT 높이, 및 하나 이상의 통신 가능 객체 좌표에 관한 정보를 획득하도록 하고, 상기 조정 피치 캘리브레이션 모듈로 하여금, 통신 가능에 대응하는 특정 클래스를 가지는 특정 참조 객체를 상기 참조 객체 중에서 선택하도록 한 후, (i) 상기 통신 가능 객체 좌표를 이용하여 계산된, 상기 대상 자율 주행 차량에 대한 통신 가능 객체 상대 좌표 및 (ii) 상기 특정 참조 객체의 특정 참조 상대 좌표를 참조로 하여, 상기 통신 가능 객체 GT 높이 중 적어도 일부를 상기 특정 참조 객체 중 적어도 일부와 페어링(pairing)함으로써 상기 특정 참조 객체에 대한 특정 참조 GT 높이를 획득하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 컴퓨팅 장치가, 상기 타겟 객체가 선택되면, 상기 조정 피치 캘리브레이션 모듈로 하여금, 상기 참조 상대 좌표 중, 상기 타겟 객체에 대응하는 타겟 상대 좌표를 선택하도록 하고, 상기 초기 예측 피치를 참조로 하여 높이 예측 연산을 수행하여 상기 예측 타겟 높이를 계산하도록 하되, 상기 높이 예측 연산은 하기 수식을 참조로 하여 수행되며,
상기 수식에서, 은 상기 타겟 상대 좌표 의 종방향 지면 거리를, 는 상기 예측 피치를, 은 상기 지면으로부터 상기 대상 카메라의 높이를 의미하며, 는, 상기 타겟 객체를 포함하는 타겟 바운딩 박스의 상단 부분 내 지점인 타겟 높이 예측 기준점 을 상기 대상 자율 주행 차량을 포함하는 가상 공간에 대응하는 공간 좌표계에 맵핑하여 생성된 타겟 높이 예측 지점의 성분인 종방향 투영 거리를 의미하며, 는 상기 대상 카메라의 초점 거리를 의미하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 컴퓨팅 장치가, 상기 타겟 객체의 개수가 1개인 경우, 상기 조정 피치 캘리브레이션 모듈로 하여금, (i) 상기 GT 타겟 높이를 참조로 하여 과대예측 범위 및 과소예측 범위를 설정하도록 하고, (ii-1) 상기 예측 타겟 높이가 상기 과대예측 범위에 포함되는 경우, 상기 초기 예측 피치를 기설정된 조정 비율만큼 감소시키는 조정을 수행하도록 하거나, (ii-2) 상기 예측 타겟 높이가 상기 과소예측 범위에 포함되는 경우, 상기 초기 예측 피치를 상기 기설정된 조정 비율만큼 증가시키는 조정을 수행하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 컴퓨팅 장치가, 상기 타겟 객체의 개수가 2개 이상인 경우, 상기 조정 피치 캘리브레이션 모듈로 하여금, (i) 상기 GT 타겟 높이를 참조로 하여 과대예측 범위 및 과소예측 범위를 설정하도록 하고, (ii) 상기 과대예측 범위에 대응하는 과대예측 오차 비율 및 상기 과소예측 범위에 대응하는 과소예측 오차 비율 중 적어도 하나에 관한 정보를 획득하도록 하며, (iii) 상기 획득된 정보를 참조로 하여 상기 초기 예측 피치를 조정하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (a) 단계에서, 상기 컴퓨팅 장치가, 상기 초기 피치 캘리브레이션 모듈로 하여금, 상기 참조 이미지에 상기 피치 계산 연산을 적용하여 상기 초기 예측 피치를 생성하도록 하되, 상기 피치 계산 연산은 하기 수식을 참조로 하여 수행되고,
상기 수식에서, 는, 상기 참조 이미지의 소실점 - 상기 소실점에 대한 정보는, 상기 참조 이미지의 하나 이상의 선이 소실되는 지점을 찾음으로써 획득됨 - 의 y방향 좌표를, 는 상기 참조 이미지의 주점의 y방향 좌표를, 그리고 는 상기 참조 이미지의 초점의 y방향 좌표를 의미하는 것을 특징으로 한다.
일 실시예에서, 상기 (a) 단계에서, 상기 컴퓨팅 장치가, (i) 상기 객체 검출 네트워크에 포함된 컨벌루션 레이어로 하여금, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의 컨벌루션 연산을 상기 참조 이미지에 적용하여 적어도 하나의 참조 컨벌루션 특징 맵을 생성하도록 하고, (ii) 상기 객체 검출 네트워크에 포함된 ROI 풀링 레이어로 하여금, 상기 참조 컨벌루션 특징 맵에서 상기 참조 이미지의 ROI에 대응하는 값을 풀링하는, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의 풀링 연산을 적용함으로써, 적어도 하나의 참조 ROI 풀링된 특징 맵을 생성하도록 한 다음, (iii) 상기 객체 검출 네트워크에 포함된 FC 레이어로 하여금, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의FC 연산을 상기 참조 ROI 풀링된 특징 맵에 적용함으로써, 상기 참조 객체의 참조 클래스에 대한 정보 및 상기 참조 객체의 참조 바운딩 박스에 대한 정보를 포함하는 상기 참조 객체 검출 정보를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, (c) 상기 컴퓨팅 장치가, 상기 객체 검출 네트워크 및 상기 거리 계산 모듈로 하여금, 상기 조정 예측 피치를 참조로 하여 계산된, 자율 주행 이미지에 포함된 주변 객체와 상기 대상 자율 주행 차량 간의 거리에 대한 정보를 포함하는 자율 주행 정보를 생성하도록 하는 단계;를 더 포함하는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, V2V(Vehicle to Vehicle) 통신을 통해 획득한 추가 정보를 사용하여 적어도 하나의 대상 카메라의 피치 캘리브레이션(pitch calibration)을 더욱 정교하게 수행함으로써 상기 대상 카메라를 기반으로 한 객체 거리 예측의 정확도를 향상하는 컴퓨팅 장치에 있어서, 인스트럭션들을 저장하는 하나 이상의 메모리; 및 (I) 상기 대상 카메라를 통해 적어도 하나의 참조 이미지를 획득하면, (i) 초기 피치 캘리브레이션 모듈로 하여금, 상기 참조 이미지에 적어도 하나의 피치 계산 연산을 적용하여, 상기 대상 카메라의 광축과 지면 사이의 각도를 예측하여 생성된 값인 초기 예측 피치를 생성하도록 하는 프로세스 및 (ii) 객체 검출 네트워크로 하여금, 상기 참조 이미지에 적어도 하나의 뉴럴 네트워크 연산을 적용하여, 상기 참조 이미지에 포함된 하나 이상의 참조 객체에 대한 참조 객체 검출 정보를 생성하도록 하는 프로세스를 수행하도록 하는 프로세스, 및 (II) 조정 피치 캘리브레이션 모듈로 하여금, (i) 상기 참조 객체 중 적어도 하나의 타겟 객체를 선택하고, (ii) 상기 대상 카메라를 탑재한 대상 자율 차량으로부터 상기 타겟 객체의 적어도 하나의 상대 위치 및 상기 초기 예측 피치를 참조로 하여 상기 타겟 객체의 적어도 하나의 예측 타겟 높이를 계산한 다음, (iii) 상기 예측 타겟 높이 및 기획득된 적어도 하나의 GT(Ground-Truth) 타겟 높이를 참조로 하여, 상기 초기 예측 피치에 대응하는 적어도 하나의 오차를 계산한 후, (iv) 상기 오차를 이용하여 상기 대상 카메라에 대한 적어도 하나의 조정 예측 피치를 결정하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 컴퓨팅 장치가 개시된다.
일 실시예에서, 상기 프로세서가, 상기 조정 피치 캘리브레이션 모듈로 하여금, 각각의 상기 참조 객체가 통신 가능에 대응하는 특정 클래스를 가지는 지 여부에 대한 제1 조건을 만족하는 하나 이상의 특정 참조 객체를 상기 참조 객체 중에서 선택하도록 하고, (i) 각각의 상기 특정 참조 객체를 포함하는 각각의 특정 참조 바운딩 박스가 상기 참조 이미지의 적어도 하나의 일러스트레이션 윈도우(illustration window) 영역 내에 위치하는 지 여부에 대한 제2 조건 및 (ii) 각각의 상기 특정 참조 바운딩 박스의 종횡비(aspect ratio)가 예측 임계 값 미만인지 여부에 대한 제3 조건 중 적어도 하나를 만족하는 상기 적어도 하나의 타겟 객체를 상기 특정 참조 객체 중에서 선택하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스 이전에, 상기 프로세서가, 거리 계산 모듈로 하여금, 상기 초기 예측 피치, 상기 참조 객체 검출 정보 및 상기 참조 이미지를 참조로 하여, 각각의 상기 참조 객체를 포함하는 각각의 참조 바운딩 박스의 각 하단 부분 내 지점인 하나 이상의 참조 위치 기준점 각각을, 상기 대상 자율 주행 차량을 포함하는 가상 공간에 대응하는 공간 좌표계에 맵핑(mapping)하여, 상기 참조 객체 및 상기 대상 자율 주행 차량 간의 하나 이상의 종방향 지면 거리 및 하나 이상의 횡방향 지면 거리를 계산하도록 하고, 상기 종방향 지면 거리 및 상기 횡방향 지면 거리 각각을 성분으로서 포함하는 각각의 참조 상대 좌표를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스 이전에, 상기 프로세서가, 상기 거리 계산 모듈로 하여금, 하기 수식을 참조로 하여 상기 참조 위치 기준점을 상기 공간 좌표계에 맵핑하되,
상기 수식에서, 은 상기 참조 이미지 상에서의 상기 참조 위치 기준점 중 하나의 좌표를 의미하고, 은, 상기 대상 자율 주행 차량의 위치를 이용하여 원본 지점이 설정된 상기 공간 좌표계에서 에 대응하는 상기 참조 상대 좌표 중 하나를 의미하며, 은 상기 횡방향 지면 거리 중 하나를, 은 상기 종방향 지면 거리 중 하나를, 는 상기 초기 예측 피치를, 는 상기 대상 카메라의 주점 좌표를, 은 상기 지면으로부터 상기 대상 카메라의 높이를 의미하며, 는 상기 대상 카메라의 초점 거리를 의미하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스 이전에, 상기 프로세서가, V2V 통신 모듈로 하여금, 상기 대상 자율 주행 차량으로부터 임계 거리보다 가까운 곳에 위치한 하나 이상의 통신 가능 객체와 통신을 하여, 하나 이상의 통신 가능 객체 클래스, 하나 이상의 통신 가능 객체 GT 높이, 및 하나 이상의 통신 가능 객체 좌표에 관한 정보를 획득하도록 하고, 상기 조정 피치 캘리브레이션 모듈로 하여금, 통신 가능에 대응하는 특정 클래스를 가지는 특정 참조 객체를 상기 참조 객체 중에서 선택하도록 한 후, (i) 상기 통신 가능 객체 좌표를 이용하여 계산된, 상기 대상 자율 주행 차량에 대한 통신 가능 객체 상대 좌표 및 (ii) 상기 특정 참조 객체의 특정 참조 상대 좌표를 참조로 하여, 상기 통신 가능 객체 GT 높이 중 적어도 일부를 상기 특정 참조 객체 중 적어도 일부와 페어링(pairing)함으로써 상기 특정 참조 객체에 대한 특정 참조 GT 높이를 획득하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 타겟 객체가 선택되면, 상기 조정 피치 캘리브레이션 모듈로 하여금, 상기 참조 상대 좌표 중, 상기 타겟 객체에 대응하는 타겟 상대 좌표를 선택하도록 하고, 상기 초기 예측 피치를 참조로 하여 높이 예측 연산을 수행하여 상기 예측 타겟 높이를 계산하도록 하되, 상기 높이 예측 연산은 하기 수식을 참조로 하여 수행되며,
상기 수식에서, 은 상기 타겟 상대 좌표 의 종방향 지면 거리를, 는 상기 예측 피치를, 은 상기 지면으로부터 상기 대상 카메라의 높이를 의미하며, 는, 상기 타겟 객체를 포함하는 타겟 바운딩 박스의 상단 부분 내 지점인 타겟 높이 예측 기준점 을 상기 대상 자율 주행 차량을 포함하는 가상 공간에 대응하는 공간 좌표계에 맵핑하여 생성된 타겟 높이 예측 지점의 성분인 종방향 투영 거리를 의미하며, 는 상기 대상 카메라의 초점 거리를 의미하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 타겟 객체의 개수가 1개인 경우, 상기 조정 피치 캘리브레이션 모듈로 하여금, (i) 상기 GT 타겟 높이를 참조로 하여 과대예측 범위 및 과소예측 범위를 설정하도록 하고, (ii-1) 상기 예측 타겟 높이가 상기 과대예측 범위에 포함되는 경우, 상기 초기 예측 피치를 기설정된 조정 비율만큼 감소시키는 조정을 수행하도록 하거나, (ii-2) 상기 예측 타겟 높이가 상기 과소예측 범위에 포함되는 경우, 상기 초기 예측 피치를 상기 기설정된 조정 비율만큼 증가시키는 조정을 수행하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 타겟 객체의 개수가 2개 이상인 경우, 상기 조정 피치 캘리브레이션 모듈로 하여금, (i) 상기 GT 타겟 높이를 참조로 하여 과대예측 범위 및 과소예측 범위를 설정하도록 하고, (ii) 상기 과대예측 범위에 대응하는 과대예측 오차 비율 및 상기 과소예측 범위에 대응하는 과소예측 오차 비율 중 적어도 하나에 관한 정보를 획득하도록 하며, (iii) 상기 획득된 정보를 참조로 하여 상기 초기 예측 피치를 조정하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 프로세서가, 상기 초기 피치 캘리브레이션 모듈로 하여금, 상기 참조 이미지에 상기 피치 계산 연산을 적용하여 상기 초기 예측 피치를 생성하도록 하되, 상기 피치 계산 연산은 하기 수식을 참조로 하여 수행되고,
상기 수식에서, 는, 상기 참조 이미지의 소실점 - 상기 소실점에 대한 정보는, 상기 참조 이미지의 하나 이상의 선이 소실되는 지점을 찾음으로써 획득됨 - 의 y방향 좌표를, 는 상기 참조 이미지의 주점의 y방향 좌표를, 그리고 는 상기 참조 이미지의 초점의 y방향 좌표를 의미하는 것을 특징으로 한다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 프로세서가, (i) 상기 객체 검출 네트워크에 포함된 컨벌루션 레이어로 하여금, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의 컨벌루션 연산을 상기 참조 이미지에 적용하여 적어도 하나의 참조 컨벌루션 특징 맵을 생성하도록 하고, (ii) 상기 객체 검출 네트워크에 포함된 ROI 풀링 레이어로 하여금, 상기 참조 컨벌루션 특징 맵에서 상기 참조 이미지의 ROI에 대응하는 값을 풀링하는, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의 풀링 연산을 적용함으로써, 적어도 하나의 참조 ROI 풀링된 특징 맵을 생성하도록 한 다음, (iii) 상기 객체 검출 네트워크에 포함된 FC 레이어로 하여금, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의FC 연산을 상기 참조 ROI 풀링된 특징 맵에 적용함으로써, 상기 참조 객체의 참조 클래스에 대한 정보 및 상기 참조 객체의 참조 바운딩 박스에 대한 정보를 포함하는 상기 참조 객체 검출 정보를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 프로세서가, (III) 상기 객체 검출 네트워크 및 상기 거리 계산 모듈로 하여금, 상기 조정 예측 피치를 참조로 하여 계산된, 자율 주행 이미지에 포함된 주변 객체와 상기 대상 자율 주행 차량 간의 거리에 대한 정보를 포함하는 자율 주행 정보를 생성하도록 하는 프로세스를 더 수행하는 것을 특징으로 한다.
이 외에도, 본 발명의 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명은 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는 방법을 제공함으로써, 적어도 하나의 카메라를 통해 획득된 입력 영상의 질이 좋지 않을 때에도 자율 주행 차량과 주변 객체 간의 거리를 예측할 수 있도록 하는 효과가 있다.
본 발명의 실시예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자(이하 "통상의 기술자")에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는 컴퓨팅 장치의 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는 방법을 개략적으로 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는데 사용될 초기 예측 피치를 계산하는 방법을 개략적으로 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는데 사용될 타겟 객체의 예측 타겟 높이를 계산하는 방법을 개략적으로 나타낸 도면이다.
도 1은 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는 컴퓨팅 장치의 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는 방법을 개략적으로 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는데 사용될 초기 예측 피치를 계산하는 방법을 개략적으로 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는데 사용될 타겟 객체의 예측 타겟 높이를 계산하는 방법을 개략적으로 나타낸 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐, "포함하다"라는 단어 및 그것의 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다.
더욱이 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 발명에서 언급하는 각종 이미지는 포장 또는 비포장 도로 관련 이미지를 포함할 수 있으며, 이 경우 도로 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니며, 본 발명에서 언급하는 각종 이미지는 도로와 상관 없는 이미지(가령, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내와 관련된 이미지)일 수도 있으며, 이 경우, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는 컴퓨팅 장치의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 상기 컴퓨팅 장치(100)는, 추후 자세히 설명할 성분인, 적어도 하나의 V2V 통신 모듈(130), 적어도 하나의 초기 피치 캘리브레이션 모듈(140), 적어도 하나의 조정 피치 캘리브레이션 모듈(150), 적어도 하나의 거리 계산 모듈(160) 및 적어도 하나의 객체 검출 네트워크(170)를 포함할 수 있다. 이 때, 상기 V2V 통신 모듈(130), 상기 초기 피치 캘리브레이션 모듈(140), 상기 조정 피치 캘리브레이션 모듈(150), 상기 거리 계산 모듈(160) 및 상기 객체 검출 네트워크(170)의 입출력 및 연산 과정은 적어도 하나의 통신부(120) 및 적어도 하나의 프로세서(110)에 의해 각각 이루어질 수 있다. 다만, 도 1에서는 상기 통신부(120) 및 상기 프로세서(110)의 구체적인 통신 구조도를 생략하였다. 이 때, 메모리(115)는 후술할 여러 가지 인스트럭션들을 저장한 상태일 수 있고, 상기 프로세서(110)는 상기 메모리(115)에 저장된 인스트럭션들을 수행하도록 설정되고, 추후 설명할 상기 인스트럭션들을 수행함으로써 본 발명의 프로세스를 수행할 수 있다. 이와 같이 상기 컴퓨팅 장치(100)가 묘사되었다고 하여, 상기 컴퓨팅 장치(100)가 프로세서, 메모리, 매체 또는 기타 연산 요소를 포함한 통합 장치를 배제하는 것은 아니다.
본 발명에서, 상기 컴퓨팅 장치(100)는, 본 발명의 방법을 사용하여 캘리브레이션될, 대상 카메라를 포함하는 대상 자율 주행 차량과 연동하여 수행할 수 있다. 이 경우, 상기 컴퓨팅 장치(100)는 상기 대상 자율 주행 차량에 직접 탑재될 수 있거나, 상기 대상 자율 주행 차량과 통신하는 중앙 서버에 탑재될 수도 있다.
이상 본 발명의 일 실시예에 따라 상기 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는 상기 컴퓨팅 장치(100)의 구성에 대해 설명한 바, 이하 본 발명에 따라 상기 카메라 기반 객체 거리 예측 방법에 대해 도 2를 참조하여 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는 방법을 개략적으로 나타낸 흐름도이다.
도 2를 참조하면, 참조 이미지가 상기 대상 카메라를 통해 획득되면, 상기 초기 피치 캘리브레이션 모듈(140)과 상기 객체 검출 네트워크(170)에 의한 연산이 각각 수행되고, 상기 연산의 각각의 결과 (상기 초기 피치 캘리브레이션 모듈(140)로부터의 초기 예측 피치와 상기 객체 검출 네트워크(170)로부터의 참조 객체 검출 정보) 및 상기 참조 이미지는 상기 거리 계산 모듈(160)에 독립적으로 입력되어, 상기 대상 자율 주행 차량에 대한, 상기 참조 이미지에 포함된 하나 이상의 참조 객체의 하나 이상의 참조 상대 좌표를 예측할 수 있다. 이와 같은 과정과 병렬적으로, 상기 컴퓨팅 장치(100)의 상기 V2V 통신 모듈(130)은, 상기 V2V 통신을 통해 통신 가능 객체와 통신하여, 임계 거리보다 가깝게 위치한 상기 통신 가능 객체에 관한 객체 정보를 획득할 수 있다. 이때, 상기 참조 좌표에 관한 정보 및 상기 통신 가능 객체에 관한 정보는 상기 조정 피치 캘리브레이션 모듈(150)에 전송될 수 있다. 이후, 상기 대상 카메라의 조정 예측 피치는 상기 조정 피치 캘리브레이션 모듈(150)의 연산을 통해 계산된 후, 상기 자율 주행 차량과 주변 객체 간의 정확한 거리는 정확하게 계산될 수 있다.
보다 구체적으로, 상기 컴퓨팅 장치(100)는, 상기 초기 피치 캘리브레이션 모듈(140)로 하여금, 상기 대상 카메라를 통해 획득된 상기 참조 이미지를 이용하여, 상기 대상 카메라의 광축과 지면 사이의 각도인 상기 초기 예측 피치를 계산하도록 할 수 있다. 이와 같은 과정은 상기 참조 이미지 상의 소실점, 주점 및 초점 간의 관계를 이용하여 수행될 수 있다. 도 3을 참조하여 이러한 과정에 대해 상세히 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는데 사용될 초기 예측 피치를 계산하는 방법을 개략적으로 나타낸 도면이다.
도 3을 참조하면, 상기 초기 예측 피치가 계산되는 원리를 알 수 있다. 상기 소실점인 는 상기 대상 카메라의 수평 이동에 의해서는 변하지 않고, 상기 대상 카메라의 회전 이동에 의해서만 변하는 점이므로, 상기 참조 이미지 상의 상기 소실점, 상기 초점 및 상기 주점의 위치에 관한 정보를 이용하여 상기 대상 카메라의 상기 초기 예측 피치를 계산할 수 있다.
구체적으로, 상기 컴퓨팅 장치(100)는, 상기 초기 피치 캘리브레이션 모듈(140)로 하여금, 상기 참조 이미지 상의 선이 모이는 지점인 상기 소실점의 좌표를 검출하도록 할 수 있다. 이후, 상기 컴퓨팅 장치(100)는, 상기 초기 피치 캘리브레이션 모듈(140)로 하여금, 기획득된 상기 소실점, 상기 초점 및 상기 주점의 좌표에 관한 정보를 이용하여 상기 초기 예측 피치를 계산하도록 할 수 있다. 일예로, 상기 소실점의 좌표가 이고, 상기 초점의 좌표가 이며, 상기 주점의 좌표가 라면, 상기 초기 예측 피치의 값은 하기 수식에 따라 계산될 수 있다.
이와 같은 계산과 병렬적으로, 상기 대상 카메라를 통해 획득된 상기 참조 이미지는 상기 객체 검출 네트워크(170)에 전송될 수 있다. 상기 객체 검출 네트워크(170)는, 상기 참조 이미지에 적어도 하나의 뉴럴 네트워크 연산을 적용하여 상기 참조 이미지 상의 상기 참조 객체를 검출한 후, 상기 참조 객체에 관한 정보를 포함하는 상기 참조 객체 검출 정보를 생성할 수 있다. 이때, 상기 객체 검출 네트워크(170)는 RPN(region proposal network)에 대응하여 지원될 수 있다.
구체적으로, 상기 컴퓨팅 장치(100)가, 상기 객체 검출 네트워크(170)에 포함된 컨벌루션 레이어로 하여금, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의 컨벌루션 연산을 상기 참조 이미지에 적용하여 적어도 하나의 참조 컨벌루션 특징 맵을 생성하도록 할 수 있고, 상기 객체 검출 네트워크(170)에 포함된 ROI 풀링 레이어로 하여금, 상기 참조 컨벌루션 특징 맵에서 상기 참조 이미지의 ROI에 대응하는 값을 풀링하는, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의 풀링 연산을 적용함으로써, 적어도 하나의 참조 ROI 풀링된 특징 맵을 생성하도록 할 수 있다. 이후, 상기 컴퓨팅 장치(100)는, 상기 객체 검출 네트워크(170)에 포함된 FC 레이어로 하여금, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의 FC 연산을 상기 참조 ROI 풀링된 특징 맵에 적용함으로써, 상기 참조 객체의 참조 클래스에 대한 정보 및 상기 참조 객체의 참조 바운딩 박스에 대한 정보를 포함하는 상기 참조 객체 검출 정보를 생성하도록 할 수 있다.
상기 초기 예측 피치가 상기 초기 피치 캘리브레이션 모듈(140)에 의해 계산되고, 상기 참조 객체 검출 정보가 상기 객체 검출 네트워크(170)에 의해 생성되면, 이들은 상기 거리 계산 모듈(160)에 전송된다. 이후, 상기 컴퓨팅 장치(100)는, 상기 거리 계산 모듈(160)로 하여금, 상기 초기 예측 피치를 이용하여, 상기 참조 객체 및 상기 대상 자율 주행 차량 각각 간의 하나 이상의 종방향 지면 거리 각각 및 하나 이상의 횡방향 지면 거리 각각을 계산함으로써, 상기 참조 상대 좌표를 생성하도록 할 수 있다.
구체적으로는, 상기 컴퓨팅 장치(100)가, 상기 거리 계산 모듈(160)로 하여금, 각각의 상기 참조 객체를 포함하는 각 참조 바운딩 박스의 각 하단 부분에 있는 지점인, 각각의 하나 이상의 참조 위치 기준점을 찾도록 할 수 있다. 이때, 상기 참조 위치 기준점은 상기 하단 부분의 중간에 위치한 지점일 수 있지만, 본 발명의 범위는 이에 한정되지 않는다. 이후, 상기 컴퓨팅 장치(100)는 상기 거리 계산 모듈(160)로 하여금 상기 참조 위치 기준점을, 상기 대상 자율 주행 차량을 포함하는 가상 공간에 대응하는 공간 좌표계에 맵핑(mapping)하도록 할 수 있다. 이러한 맵핑 과정은 하기 수식을 참조로 하여 이루어질 수 있다.
상기 수식에서, 은 상기 참조 이미지 상에서의 상기 참조 위치 기준점 중 하나의 좌표를 의미하고, 은, 상기 대상 자율 주행 차량의 위치를 이용하여 원본 지점이 설정된 상기 공간 좌표계에서 에 대응하는 상기 참조 상대 좌표 중 하나를 의미할 수 있다. 또한, 은 상기 횡방향 지면 거리 중 하나를, 은 상기 종방향 지면 거리 중 하나를, 는 상기 초기 예측 피치를 의미할 수 있다. 또한, 는 상기 대상 카메라의 주점 좌표(coordinate of a principal point)를, 은 상기 지면으로부터 상기 대상 카메라의 높이를 의미하며, 는 상기 대상 카메라의 초점 거리를 의미할 수 있다. 추후 참조할 도 4를 살펴보면, 가 상기 수식에 의해 계산되는 방식을 볼 수 있다. 은 대상 카메라의 광축과, 상기 대상 카메라와 을 이은 선 간의 각도를 의미하는 것으로 상기 수식을 이용하여 계산될 수 있다. 과 을 도출하였으므로, 삼각함수(trigonometric function)를 사용하여 을 계산할 수 있다.
또한, 이와 같은 과정과 병렬적으로, 상기 컴퓨팅 장치(100)는, 상기 V2V 통신 모듈(130)로 하여금, 상기 대상 자율 주행 차량으로부터 임계 거리 이내에 위치한, 차량 및 오토바이 등 V2V 통신이 가능한 상기 통신 가능 객체와 통신할 수 있다. 이 때 상기 V2V 통신을 구현하기 위해, 4G 통신, 5G 통신, 또는 차량 간 라디오 통신 등 어떠한 통신 기술이라도 적용할 수 있다. 이와 같은 V2V 통신을 통해, 상기 V2V 통신 모듈(130)은, 상기 통신 가능 객체에 대한, 하나 이상의 통신 가능 객체 클래스, 하나 이상의 통신 가능 객체 GT 높이 및 하나 이상의 통신 가능 객체 좌표에 관한 정보를 획득할 수 있다. 상기 통신 가능 객체 GT(Ground Truth) 높이는 상기 초기 예측 피치를 조정하는데 사용될 수 있다.
이후, 상기 V2V 통신 모듈(130)을 통해 획득된 상기 통신 가능 객체에 관한 상기 정보, 상기 거리 계산 모듈(160)에 의해 계산된 상기 참조 상대 좌표 및 상기 객체 검출 네트워크(170)에 의해 생성된 상기 참조 객체 검출 정보는 상기 조정 피치 캘리브레이션 모듈(150)에 전송될 수 있다.
상기 컴퓨팅 장치(100)가, 상기 조정 피치 캘리브레이션 모듈(150)로 하여금, (i) 상기 통신 가능 객체 좌표를 이용하여 계산된, 상기 대상 자율 주행 차량에 대한 통신 가능 객체 상대 좌표 및 (ii) 상기 특정 참조 객체의 특정 참조 상대 좌표를 참조로 하여, 상기 통신 가능 객체 GT 높이 중 적어도 일부를 상기 특정 참조 객체 중 적어도 일부와 페어링(pairing)함으로써 상기 특정 참조 객체에 대한 특정 참조 GT 높이를 획득하도록 할 수 있다. 이때, 상기 특정 참조 객체는, 상기 참조 객체 군 및 상기 통신 가능 객체 군에 포함된 객체일 수 있다. 보다 구체적으로, 상기 통신 가능 객체 상대 좌표를 상기 참조 상대 좌표와 비교하여, 상기 통신 가능 객체 상대 좌표 및 상기 참조 상대 좌표 간의 유사 점수를 계산할 수 있고, 임계 값보다 높은 특정 유사 점수를 찾고, 상기 특정 유사 점수에 대응하는 상기 페어를 선택하여, 상기 특정 참조 객체 및 상기 통신 가능 객체 GT 높이를 페어링(pairing)할 수 있다.
한편, 상기 컴퓨팅 장치(100)는 상기 조정 피치 캘리브레이션 모듈(150)로 하여금, 상기 초기 예측 피치를 조정하는데 사용될 적어도 하나의 타겟 객체를 선택하도록 할 수 있다. 상기 타겟 객체는, 상기 참조 이미지 상의 상기 참조 객체 중 적어도 일부일 수 있고, 각각의 상기 참조 객체가 통신 가능에 대응하는 특정 클래스를 가지는지에 대한 제1 조건을 만족해야 한다. 상기 타겟 객체에 대응하는 GT 타겟 높이는, 상기 V2V 통신을 통해 획득된 상기 통신 가능 객체 GT 높이로부터 획득되어야 하므로, 상기 제1 조건이 만족되어야 한다. 부가적으로, 상기 타겟 객체는 제2 조건 및 제3 조건 중 적어도 일부를 만족할 수 있다. 이때, 상기 제2 조건은, 상기 제1 조건을 만족하는 각각의 특정 참조 객체를 포함하는 각각의 특정 참조 바운딩 박스가 상기 참조 이미지의 적어도 하나의 일러스트레이션 윈도우(illustration window) 영역 내에 위치하는 지 여부에 대한 조건에 대응할 수 있다. 또한, 상기 제3 조건은, 각각의 상기 특정 참조 바운딩 박스의 각 종횡비(aspect ratio)가 예측 임계 값 미만인지 여부에 대한 조건에 대응할 수 있다.
상기 제2 조건에서, 상기 일러스트레이션 윈도우 영역이 제시된다. 상기 특정 참조 바운딩 박스 중 하나가 상기 일러스트레이션 윈도우 영역에 위치하는 경우, 이에 대응하는 객체의 전체 부분은 상기 특정 참조 바운딩 박스 중 하나에 포함될 수 있다. 이와 반대로, 상기 특정 참조 바운딩 박스 중 하나가 상기 일러스트레이션 윈도우 영역에 위치하지 않는 경우, 이에 대응하는 객체 중 일부 만이 상기 특정 참조 바운딩 박스 중 하나에 포함될 수 있다. 다시 말해, 상기 일러스트레이션 윈도우 영역은, 상기 참조 이미지에 포함된 상기 특정 참조 바운딩 박스 측면이 상기 참조 이미지의 상기 경계선에 접하지 않는, 상기 참조 이미지의 경계선으로부터 먼, 상기 참조 이미지의 중간 영역일 수 있다. 대응하는 특정 참조 바운딩 박스가 상기 일러스트레이션 윈도우 영역에 위치하지 않고 상기 특정 참조 객체의 전체 부분을 포함하지 않는, 특정 참조 객체 중 하나가 상기 타겟 객체로서 선택되는 경우, 상기 초기 예측 피치를 조정하는 과정에 관한 오차를 초래할 수 있으므로 상기 제2 조건은 필요하다.
상기 제3 조건에서, 상기 예측 임계 값이 제시된다. 상기 예측 임계 값은, 상기 대상 자율 주행 차량으로부터 좌우로 과도하게 멀리 떨어지지 않은 상기 특정 참조 객체 중 하나를, 상기 타겟 객체로서 선택하는데 사용된다. 상기 특정 참조 객체 중 하나가 상기 대상 자율 주행 차량으로부터 좌우로 과도하게 멀리 떨어진 경우, 이에 대응하는 특정 참조 바운딩 박스는 큰 종횡비를 가질 수 있다. 따라서, 상기 특정 참조 바운딩 박스의 종횡비를 상기 예측 임계 값과 비교하여, 상기 대상 자율 주행 차량으로부터 좌우로 과도하게 멀리 떨어진 상기 특정 참조 객체 중 일부는 상기 타겟 객체로서 선택되는 것에서 제외될 수 있다. 상기 특정 참조 객체 중 일부가 제외돼야 하는 이유는, 상기 특정 참조 객체 중 일부가 상기 타겟 객체로서 선택되면 왜곡된 상태로 상기 참조 이미지 상에 나타나므로, 상기 초기 예측 피치를 조정하는 과정에서 오차가 발생할 수 있기 때문이다. 따라서 상기 제2 조건이 필요하다.
이후, 상기 타겟 객체가 결정되면, 상기 컴퓨팅 장치(100)는 상기 조정 피치 캘리브레이션 모듈(150)로 하여금, 상기 참조 상대 좌표 중 상기 타겟 객체에 대응하는 하나를 선택하여 타겟 상대 좌표를 획득하도록 하고, 상기 특정 참조 GT 높이 중 상기 타겟 객체에 대응하는 하나를 선택하여 GT 타겟 높이를 획득하도록 할 수 있다. 상기 타겟 상대 좌표 및 상기 GT 타겟 높이에 관한 정보를 획득한 후, 상기 컴퓨팅 장치(100)는 상기 조정 피치 캘리브레이션 모듈(150)로 하여금, 예측 타겟 높이를 생성하도록 할 수 있다. 상기 타겟 객체에 대한 상기 예측 타겟 높이를 계산하는 방법은 이하 설명하도록 한다.
구체적으로, 상기 예측 타겟 높이는 하기 수식에 따라 높이 예측 연산을 수행하여 계산될 수 있다.
상기 수식에서, 은 상기 타겟 상대 좌표 의 종방향 지면 거리를, 는 상기 예측 피치를, 은 상기 지면으로부터 상기 대상 카메라의 높이를 의미하며, 는, 상기 타겟 객체를 포함하는 타겟 바운딩 박스의 상단 부분 내 지점인 타겟 높이 예측 기준점 을 상기 대상 자율 주행 차량을 포함하는 가상 공간에 대응하는 공간 좌표계에 맵핑하여 생성된 타겟 높이 예측 지점의 성분인 종방향 투영 거리를 의미하며, 는 상기 대상 카메라의 초점 거리를 의미할 수 있다. 이때, 및 의 계산 방식은 전술한 및 의 계산 방식과 유사하다. 이와 같은 바, 도 4를 참조하여 상기 수식을 기하학적으로 설명하도록 한다.
도 4는 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득한 정보를 추가로 사용하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행하는데 사용될 타겟 객체의 예측 타겟 높이를 계산하는 방법을 개략적으로 나타낸 도면이다.
도 4에서, 과 을 두 변으로 가지는 제1 직각삼각형과, 와 를 두 변으로 가지는 제2 직각삼각형은 서로 AA 닮음 관계에 있음을 확인할 수 있다. 이 경우, 의 비례적인 관계가 성립함을 알 수 있고, 상기 수식을 이용하여 상기 예측 타겟 높이 는 계산될 수 있다.
상기 예측 타겟 높이가 계산된 후, 상기 초기 예측 피치가 조정된다. 하나의 타겟 객체가 선택되는 경우와 다수의 타겟 객체가 선택되는 경우 등 두 가지 다른 실시예가 있다. 하기 각각의 실시예를 설명하도록 한다.
먼저, 상기 타겟 객체의 개수가 1개인 경우, 상기 컴퓨팅 장치(100)는 상기 조정 피치 캘리브레이션 모듈(150)로 하여금, 상기 GT 타겟 높이를 참조로 하여 과대예측 범위 및 과소예측 범위를 설정하도록 할 수 있다. 이때, 상기 GT 타겟 높이에 R을 곱한 값보다 작은 범위를 상기 과대예측 범위로, 상기 GT 타겟 높이에 R을 곱한 값보다 큰 범위를 상기 과소예측 범위로 설정할 수 있다. 상기 R은 기설정된 임계 비율일 수 있다. 상기 초기 예측 피치가 너무 크게 계산되는 경우 상기 예측 타겟 높이는 상기 GT 타겟 높이보다 낮게 계산되고, 이와 반대인 경우 상기 예측 타겟 객체가 상기 GT 타겟 높이보다 높게 계산되므로, 상기 과대예측 범위 및 상기 과소예측 범위는 상기처럼 설정된다.
상기 범위가 상기와 같이 설정된 후, 상기 예측 타겟 높이가 상기 과대예측 범위에 포함되는 경우, 상기 컴퓨팅 장치(100)는 상기 조정 피치 캘리브레이션 모듈(150)로 하여금, 상기 초기 예측 피치를 기설정된 조정 비율만큼 감소시키는 조정을 수행하여 상기 조정 예측 피치를 생성하도록 할 수 있다. 또한, 상기 예측 타겟 높이가 상기 과소예측 범위에 포함되는 경우, 상기 컴퓨팅 장치(100)는 상기 조정 피치 캘리브레이션 모듈(150)로 하여금, 상기 초기 예측 피치를 상기 기설정된 조정 비율만큼 증가시키는 조정을 수행하여 상기 조정 예측 피치를 생성하도록 할 수 있다.
다음으로, 상기 타겟 객체의 개수가 2개 이상인 경우, 상기 컴퓨팅 장치(100)는, 상기 조정 피치 캘리브레이션 모듈(150)로 하여금, 상기와 같이 상기 과대예측 범위 및 상기 과소예측 범위를 설정하도록 하고, 상기 과대예측 범위에 대응하는 과대예측 오차 비율 및 상기 과소예측 범위에 대응하는 과소예측 오차 비율 중 적어도 하나에 관한 정보를 획득하도록 할 수 있다. 이때, 상기 과대예측 오차 비율은, 상기 타겟 객체의 개수(r2)에 대한, 제1 특정 예측 타겟 높이가 상기 과대예측 범위에 포함되는 제1 특정 타겟 객체의 개수(r1)의 비율일 수 있다. 이와 유사하게, 상기 과소예측 오차 비율은, 상기 타겟 객체의 개수(r2)에 대한, 제2 특정 예측 타겟 높이가 상기 과소예측 범위에 포함되는 제2 특정 타겟 객체의 개수(r1)의 비율일 수 있다. 상기 과소예측 오차 비율 및 상기 과대예측 오차 비율 중 하나가 임계 값보다 큰 경우, 상기 컴퓨팅 장치는 상기 조정 피치 캘리브레이션 모듈로 하여금 상기 초기 예측 피치를 조정하도록 할 수 있다.
일반적으로, 상기 초기 예측 피치에 오차가 있는 경우, 상기 과소예측 오차 비율 및 상기 과대예측 오차 비율 중 하나 만이 상기 임계 값 보다 높을 수 있다. 상기 과소예측 오차 비율이 상기 임계 값보다 큰 경우, 상기 컴퓨팅 장치(100)는 상기 조정 피치 캘리브레이션 모듈(150)로 하여금, 상기 초기 예측 피치를 상기 기설정된 조정 비율만큼 증가시키는 조정을 수행하여 상기 조정 예측 피치를 생성하도록 할 수 있다. 이와 반대로, 상기 과대예측 오차 비율이 상기 임계 값보다 큰 경우, 상기 컴퓨팅 장치(100)는 상기 조정 피치 캘리브레이션 모듈(150)로 하여금, 상기 초기 예측 피치를 상기 기설정된 조정 비율만큼 감소시키는 조정을 수행하여 상기 조정 예측 피치를 생성하도록 할 수 있다.
상기 조정 예측 피치가 결정되면, 상기 컴퓨팅 장치(100)는 상기 거리 계산 모듈(160) 및 상기 객체 검출 네트워크(170)로 하여금, 상기 조정 예측 피치를 참조로 하여 계산된, 자율 주행 이미지에 포함된 주변 객체와 상기 대상 자율 주행 차량 간의 거리에 대한 정보를 포함하는 자율 주행 정보를 생성하도록 할 수 있다.
본 발명은 상기 V2V 통신으로 상기 온라인 캘리브레이션을 통해 카메라 피치를 조정하는 방법에 관한 것이다. 즉, 본 발명은 상기 카메라를 기반으로 로버스트 객체 거리 예측을 제공한다. 이때 로버스트 거리 예측은 상기 소실점을 찾는 상기 카메라 피치를 조정하는 프로세스, 상기 V2V 통신을 통해 획득된 정보를 상기 카메라를 통해 획득된 정보와 융합하여 상기 주변 차량에 대한 상기 실제 높이 정보를 획득하는 프로세스, 및 상기 주변 차량의 상기 실제 높이 정보를 사용하여 상기 피치를 보다 정확하게 조정하는 프로세스를 포함할 수 있다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
Claims (22)
- V2V(Vehicle to Vehicle) 통신을 통해 획득한 추가 정보를 사용하여 적어도 하나의 대상 카메라의 피치 캘리브레이션(pitch calibration)을 더욱 정교하게 수행함으로써 상기 대상 카메라를 기반으로 한 객체 거리 예측의 정확도를 향상하는 방법에 있어서,
(a) 컴퓨팅 장치가, 상기 대상 카메라를 통해 적어도 하나의 참조 이미지를 획득하면, (i) 초기 피치 캘리브레이션 모듈로 하여금, 상기 참조 이미지에 적어도 하나의 피치 계산 연산을 적용하여, 상기 대상 카메라의 광축과 지면 사이의 각도를 예측하여 생성된 값인 초기 예측 피치를 생성하도록 하는 프로세스 및 (ii) 객체 검출 네트워크로 하여금, 상기 참조 이미지에 적어도 하나의 뉴럴 네트워크 연산을 적용하여, 상기 참조 이미지에 포함된 하나 이상의 참조 객체에 대한 참조 객체 검출 정보를 생성하도록 하는 프로세스를 수행하도록 하는 단계; 및
(b) 상기 컴퓨팅 장치가, 조정 피치 캘리브레이션 모듈로 하여금, (i) 상기 참조 객체 중 적어도 하나의 타겟 객체를 선택하고, (ii) 상기 대상 카메라를 탑재한 대상 자율 주행 차량으로부터 상기 타겟 객체의 적어도 하나의 상대 위치 및 상기 초기 예측 피치를 참조로 하여 상기 타겟 객체의 적어도 하나의 예측 타겟 높이를 계산한 다음, (iii) 상기 예측 타겟 높이 및 기획득된 적어도 하나의 GT(Ground-Truth) 타겟 높이를 참조로 하여, 상기 초기 예측 피치에 대응하는 적어도 하나의 오차를 계산한 후, (iv) 상기 오차를 이용하여 상기 대상 카메라에 대한 적어도 하나의 조정 예측 피치를 결정하도록 하는 단계;
를 포함하는 것을 특징으로 하는 방법. - 제 1항에 있어서,
상기 컴퓨팅 장치가, 상기 조정 피치 캘리브레이션 모듈로 하여금, 각각의 상기 참조 객체가 통신 가능에 대응하는 특정 클래스를 가지는 지 여부에 대한 제1 조건을 만족하는 하나 이상의 특정 참조 객체를 상기 참조 객체 중에서 선택하도록 하고, (i) 각각의 상기 특정 참조 객체를 포함하는 각각의 특정 참조 바운딩 박스가 상기 참조 이미지의 적어도 하나의 일러스트레이션 윈도우(illustration window) 영역 내에 위치하는 지 여부에 대한 제2 조건 및 (ii) 각각의 상기 특정 참조 바운딩 박스의 종횡비(aspect ratio)가 예측 임계 값 미만인지 여부에 대한 제3 조건 중 적어도 하나를 만족하는 상기 적어도 하나의 타겟 객체를 상기 특정 참조 객체 중에서 선택하도록 하는 것을 특징으로 하는 방법. - 제 1항에 있어서,
상기 (b) 단계 이전에,
상기 컴퓨팅 장치가, 거리 계산 모듈로 하여금, 상기 초기 예측 피치, 상기 참조 객체 검출 정보 및 상기 참조 이미지를 참조로 하여, 각각의 상기 참조 객체를 포함하는 각각의 참조 바운딩 박스의 각 하단 부분 내 지점인 하나 이상의 참조 위치 기준점 각각을, 상기 대상 자율 주행 차량을 포함하는 가상 공간에 대응하는 공간 좌표계에 맵핑(mapping)하여, 상기 참조 객체 및 상기 대상 자율 주행 차량 간의 하나 이상의 종방향 지면 거리 및 하나 이상의 횡방향 지면 거리를 계산하도록 하고, 상기 종방향 지면 거리 및 상기 횡방향 지면 거리 각각을 성분으로서 포함하는 각각의 참조 상대 좌표를 생성하도록 하는 것을 특징으로 하는 방법. - 제 3항에 있어서,
상기 (b) 단계 이전에,
상기 컴퓨팅 장치가, 상기 거리 계산 모듈로 하여금, 하기 수식을 참조로 하여 상기 참조 위치 기준점을 상기 공간 좌표계에 맵핑하되,
상기 수식에서, 은 상기 참조 이미지 상에서의 상기 참조 위치 기준점 중 하나의 좌표를 의미하고, 은, 상기 대상 자율 주행 차량의 위치를 이용하여 원본 지점이 설정된 상기 공간 좌표계에서 에 대응하는 상기 참조 상대 좌표 중 하나를 의미하며, 은 상기 횡방향 지면 거리 중 하나를, 은 상기 종방향 지면 거리 중 하나를, 는 상기 초기 예측 피치를, 는 상기 대상 카메라의 주점 좌표(coordinate of a principal point)를, 은 상기 지면으로부터 상기 대상 카메라의 높이를 의미하며, 는 상기 대상 카메라의 초점 거리를 의미하는 것을 특징으로 하는 방법. - 제 3항에 있어서,
상기 (b) 단계 이전에,
상기 컴퓨팅 장치가, V2V 통신 모듈로 하여금, 상기 대상 자율 주행 차량으로부터 임계 거리보다 가까운 곳에 위치한 하나 이상의 통신 가능 객체와 통신을 하여, 하나 이상의 통신 가능 객체 클래스, 하나 이상의 통신 가능 객체 GT 높이, 및 하나 이상의 통신 가능 객체 좌표에 관한 정보를 획득하도록 하고, 상기 조정 피치 캘리브레이션 모듈로 하여금, 통신 가능에 대응하는 특정 클래스를 가지는 특정 참조 객체를 상기 참조 객체 중에서 선택하도록 한 후, (i) 상기 통신 가능 객체 좌표를 이용하여 계산된, 상기 대상 자율 주행 차량에 대한 통신 가능 객체 상대 좌표 및 (ii) 상기 특정 참조 객체의 특정 참조 상대 좌표를 참조로 하여, 상기 통신 가능 객체 GT 높이 중 적어도 일부를 상기 특정 참조 객체 중 적어도 일부와 페어링(pairing)함으로써 상기 특정 참조 객체에 대한 특정 참조 GT 높이를 획득하도록 하는 것을 특징으로 하는 방법. - 제 3항에 있어서,
상기 (b) 단계에서,
상기 컴퓨팅 장치가, 상기 타겟 객체가 선택되면, 상기 조정 피치 캘리브레이션 모듈로 하여금, 상기 참조 상대 좌표 중, 상기 타겟 객체에 대응하는 타겟 상대 좌표를 선택하도록 하고, 상기 초기 예측 피치를 참조로 하여 높이 예측 연산을 수행하여 상기 예측 타겟 높이를 계산하도록 하되, 상기 높이 예측 연산은 하기 수식을 참조로 하여 수행되며,
상기 수식에서, 은 상기 타겟 상대 좌표 의 종방향 지면 거리를, 는 상기 초기 예측 피치를, 은 상기 지면으로부터 상기 대상 카메라의 높이를 의미하며, 는, 상기 타겟 객체를 포함하는 타겟 바운딩 박스의 상단 부분 내 지점인 타겟 높이 예측 기준점 을 상기 대상 자율 주행 차량을 포함하는 가상 공간에 대응하는 공간 좌표계에 맵핑하여 생성된 타겟 높이 예측 지점의 성분인 종방향 투영 거리를 의미하며, 는 상기 대상 카메라의 초점 거리를 의미하는 것을 특징으로 하는 방법. - 제 1항에 있어서,
상기 (b) 단계에서,
상기 컴퓨팅 장치가, 상기 타겟 객체의 개수가 1개인 경우, 상기 조정 피치 캘리브레이션 모듈로 하여금, (i) 상기 GT 타겟 높이를 참조로 하여 과대예측 범위 및 과소예측 범위를 설정하도록 하고, (ii-1) 상기 예측 타겟 높이가 상기 과대예측 범위에 포함되는 경우, 상기 초기 예측 피치를 기설정된 조정 비율만큼 감소시키는 조정을 수행하도록 하거나, (ii-2) 상기 예측 타겟 높이가 상기 과소예측 범위에 포함되는 경우, 상기 초기 예측 피치를 상기 기설정된 조정 비율만큼 증가시키는 조정을 수행하도록 하는 것을 특징으로 하는 방법. - 제 1항에 있어서,
상기 (b) 단계에서,
상기 컴퓨팅 장치가, 상기 타겟 객체의 개수가 2개 이상인 경우, 상기 조정 피치 캘리브레이션 모듈로 하여금, (i) 상기 GT 타겟 높이를 참조로 하여 과대예측 범위 및 과소예측 범위를 설정하도록 하고, (ii) 상기 과대예측 범위에 대응하는 과대예측 오차 비율 및 상기 과소예측 범위에 대응하는 과소예측 오차 비율 중 적어도 하나에 관한 정보를 획득하도록 하며, (iii) 상기 획득된 정보를 참조로 하여 상기 초기 예측 피치를 조정하도록 하는 것을 특징으로 하는 방법. - 제 1항에 있어서,
상기 (a) 단계에서,
상기 컴퓨팅 장치가, 상기 초기 피치 캘리브레이션 모듈로 하여금, 상기 참조 이미지에 상기 피치 계산 연산을 적용하여 상기 초기 예측 피치를 생성하도록 하되, 상기 피치 계산 연산은 하기 수식을 참조로 하여 수행되고,
상기 수식에서, 는, 상기 참조 이미지의 소실점 - 상기 소실점에 대한 정보는, 상기 참조 이미지의 하나 이상의 선이 소실되는 지점을 찾음으로써 획득됨 - 의 y방향 좌표를, 는 상기 참조 이미지의 주점의 y방향 좌표를, 그리고 는 상기 참조 이미지의 초점의 y방향 좌표를 의미하는 것을 특징으로 하는 방법. - 제 1항에 있어서,
상기 (a) 단계에서,
상기 컴퓨팅 장치가, (i) 상기 객체 검출 네트워크에 포함된 컨벌루션 레이어로 하여금, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의 컨벌루션 연산을 상기 참조 이미지에 적용하여 적어도 하나의 참조 컨벌루션 특징 맵을 생성하도록 하고, (ii) 상기 객체 검출 네트워크에 포함된 ROI 풀링 레이어로 하여금, 상기 참조 컨벌루션 특징 맵에서 상기 참조 이미지의 ROI에 대응하는 값을 풀링하는, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의 풀링 연산을 적용함으로써, 적어도 하나의 참조 ROI 풀링된 특징 맵을 생성하도록 한 다음, (iii) 상기 객체 검출 네트워크에 포함된 FC 레이어로 하여금, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의FC 연산을 상기 참조 ROI 풀링된 특징 맵에 적용함으로써, 상기 참조 객체의 참조 클래스에 대한 정보 및 상기 참조 객체의 참조 바운딩 박스에 대한 정보를 포함하는 상기 참조 객체 검출 정보를 생성하도록 하는 것을 특징으로 하는 방법. - 제 3항에 있어서,
(c) 상기 컴퓨팅 장치가, 상기 객체 검출 네트워크 및 상기 거리 계산 모듈로 하여금, 상기 조정 예측 피치를 참조로 하여 계산된, 자율 주행 이미지에 포함된 주변 객체와 상기 대상 자율 주행 차량 간의 거리에 대한 정보를 포함하는 자율 주행 정보를 생성하도록 하는 단계;
를 더 포함하는 것을 특징으로 하는 방법. - V2V(Vehicle to Vehicle) 통신을 통해 획득한 추가 정보를 사용하여 적어도 하나의 대상 카메라의 피치 캘리브레이션(pitch calibration)을 더욱 정교하게 수행함으로써 상기 대상 카메라를 기반으로 한 객체 거리 예측의 정확도를 향상하는 컴퓨팅 장치에 있어서,
인스트럭션들을 저장하는 하나 이상의 메모리; 및
(I) 상기 대상 카메라를 통해 적어도 하나의 참조 이미지를 획득하면, (i) 초기 피치 캘리브레이션 모듈로 하여금, 상기 참조 이미지에 적어도 하나의 피치 계산 연산을 적용하여, 상기 대상 카메라의 광축과 지면 사이의 각도를 예측하여 생성된 값인 초기 예측 피치를 생성하도록 하는 프로세스 및 (ii) 객체 검출 네트워크로 하여금, 상기 참조 이미지에 적어도 하나의 뉴럴 네트워크 연산을 적용하여, 상기 참조 이미지에 포함된 하나 이상의 참조 객체에 대한 참조 객체 검출 정보를 생성하도록 하는 프로세스를 수행하도록 하는 프로세스, 및 (II) 조정 피치 캘리브레이션 모듈로 하여금, (i) 상기 참조 객체 중 적어도 하나의 타겟 객체를 선택하고, (ii) 상기 대상 카메라를 탑재한 대상 자율 주행 차량으로부터 상기 타겟 객체의 적어도 하나의 상대 위치 및 상기 초기 예측 피치를 참조로 하여 상기 타겟 객체의 적어도 하나의 예측 타겟 높이를 계산한 다음, (iii) 상기 예측 타겟 높이 및 기획득된 적어도 하나의 GT(Ground-Truth) 타겟 높이를 참조로 하여, 상기 초기 예측 피치에 대응하는 적어도 하나의 오차를 계산한 후, (iv) 상기 오차를 이용하여 상기 대상 카메라에 대한 적어도 하나의 조정 예측 피치를 결정하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
를 포함하는 것을 특징으로 하는 컴퓨팅 장치. - 제 12항에 있어서,
상기 프로세서가, 상기 조정 피치 캘리브레이션 모듈로 하여금, 각각의 상기 참조 객체가 통신 가능에 대응하는 특정 클래스를 가지는 지 여부에 대한 제1 조건을 만족하는 하나 이상의 특정 참조 객체를 상기 참조 객체 중에서 선택하도록 하고, (i) 각각의 상기 특정 참조 객체를 포함하는 각각의 특정 참조 바운딩 박스가 상기 참조 이미지의 적어도 하나의 일러스트레이션 윈도우(illustration window) 영역 내에 위치하는 지 여부에 대한 제2 조건 및 (ii) 각각의 상기 특정 참조 바운딩 박스의 종횡비(aspect ratio)가 예측 임계 값 미만인지 여부에 대한 제3 조건 중 적어도 하나를 만족하는 상기 적어도 하나의 타겟 객체를 상기 특정 참조 객체 중에서 선택하도록 하는 것을 특징으로 하는 컴퓨팅 장치. - 제 12항에 있어서,
상기 (II) 프로세스 이전에,
상기 프로세서가, 거리 계산 모듈로 하여금, 상기 초기 예측 피치, 상기 참조 객체 검출 정보 및 상기 참조 이미지를 참조로 하여, 각각의 상기 참조 객체를 포함하는 각각의 참조 바운딩 박스의 각 하단 부분 내 지점인 하나 이상의 참조 위치 기준점 각각을, 상기 대상 자율 주행 차량을 포함하는 가상 공간에 대응하는 공간 좌표계에 맵핑(mapping)하여, 상기 참조 객체 및 상기 대상 자율 주행 차량 간의 하나 이상의 종방향 지면 거리 및 하나 이상의 횡방향 지면 거리를 계산하도록 하고, 상기 종방향 지면 거리 및 상기 횡방향 지면 거리 각각을 성분으로서 포함하는 각각의 참조 상대 좌표를 생성하도록 하는 것을 특징으로 하는 컴퓨팅 장치. - 제 14항에 있어서,
상기 (II) 프로세스 이전에,
상기 프로세서가, 상기 거리 계산 모듈로 하여금, 하기 수식을 참조로 하여 상기 참조 위치 기준점을 상기 공간 좌표계에 맵핑하되,
상기 수식에서, 은 상기 참조 이미지 상에서의 상기 참조 위치 기준점 중 하나의 좌표를 의미하고, 은, 상기 대상 자율 주행 차량의 위치를 이용하여 원본 지점이 설정된 상기 공간 좌표계에서 에 대응하는 상기 참조 상대 좌표 중 하나를 의미하며, 은 상기 횡방향 지면 거리 중 하나를, 은 상기 종방향 지면 거리 중 하나를, 는 상기 초기 예측 피치를, 는 상기 대상 카메라의 주점 좌표를, 은 상기 지면으로부터 상기 대상 카메라의 높이를 의미하며, 는 상기 대상 카메라의 초점 거리를 의미하는 것을 특징으로 하는 컴퓨팅 장치. - 제 14항에 있어서,
상기 (II) 프로세스 이전에,
상기 프로세서가, V2V 통신 모듈로 하여금, 상기 대상 자율 주행 차량으로부터 임계 거리보다 가까운 곳에 위치한 하나 이상의 통신 가능 객체와 통신을 하여, 하나 이상의 통신 가능 객체 클래스, 하나 이상의 통신 가능 객체 GT 높이, 및 하나 이상의 통신 가능 객체 좌표에 관한 정보를 획득하도록 하고, 상기 조정 피치 캘리브레이션 모듈로 하여금, 통신 가능에 대응하는 특정 클래스를 가지는 특정 참조 객체를 상기 참조 객체 중에서 선택하도록 한 후, (i) 상기 통신 가능 객체 좌표를 이용하여 계산된, 상기 대상 자율 주행 차량에 대한 통신 가능 객체 상대 좌표 및 (ii) 상기 특정 참조 객체의 특정 참조 상대 좌표를 참조로 하여, 상기 통신 가능 객체 GT 높이 중 적어도 일부를 상기 특정 참조 객체 중 적어도 일부와 페어링(pairing)함으로써 상기 특정 참조 객체에 대한 특정 참조 GT 높이를 획득하도록 하는 것을 특징으로 하는 컴퓨팅 장치. - 제 14항에 있어서,
상기 (II) 프로세스에서,
상기 프로세서가, 상기 타겟 객체가 선택되면, 상기 조정 피치 캘리브레이션 모듈로 하여금, 상기 참조 상대 좌표 중, 상기 타겟 객체에 대응하는 타겟 상대 좌표를 선택하도록 하고, 상기 초기 예측 피치를 참조로 하여 높이 예측 연산을 수행하여 상기 예측 타겟 높이를 계산하도록 하되, 상기 높이 예측 연산은 하기 수식을 참조로 하여 수행되며,
상기 수식에서, 은 상기 타겟 상대 좌표 의 종방향 지면 거리를, 는 상기 초기 예측 피치를, 은 상기 지면으로부터 상기 대상 카메라의 높이를 의미하며, 는, 상기 타겟 객체를 포함하는 타겟 바운딩 박스의 상단 부분 내 지점인 타겟 높이 예측 기준점 을 상기 대상 자율 주행 차량을 포함하는 가상 공간에 대응하는 공간 좌표계에 맵핑하여 생성된 타겟 높이 예측 지점의 성분인 종방향 투영 거리를 의미하며, 는 상기 대상 카메라의 초점 거리를 의미하는 것을 특징으로 하는 컴퓨팅 장치. - 제 12항에 있어서,
상기 (II) 프로세스에서,
상기 프로세서가, 상기 타겟 객체의 개수가 1개인 경우, 상기 조정 피치 캘리브레이션 모듈로 하여금, (i) 상기 GT 타겟 높이를 참조로 하여 과대예측 범위 및 과소예측 범위를 설정하도록 하고, (ii-1) 상기 예측 타겟 높이가 상기 과대예측 범위에 포함되는 경우, 상기 초기 예측 피치를 기설정된 조정 비율만큼 감소시키는 조정을 수행하도록 하거나, (ii-2) 상기 예측 타겟 높이가 상기 과소예측 범위에 포함되는 경우, 상기 초기 예측 피치를 상기 기설정된 조정 비율만큼 증가시키는 조정을 수행하도록 하는 것을 특징으로 하는 컴퓨팅 장치. - 제 12항에 있어서,
상기 (II) 프로세스에서,
상기 프로세서가, 상기 타겟 객체의 개수가 2개 이상인 경우, 상기 조정 피치 캘리브레이션 모듈로 하여금, (i) 상기 GT 타겟 높이를 참조로 하여 과대예측 범위 및 과소예측 범위를 설정하도록 하고, (ii) 상기 과대예측 범위에 대응하는 과대예측 오차 비율 및 상기 과소예측 범위에 대응하는 과소예측 오차 비율 중 적어도 하나에 관한 정보를 획득하도록 하며, (iii) 상기 획득된 정보를 참조로 하여 상기 초기 예측 피치를 조정하도록 하는 것을 특징으로 하는 컴퓨팅 장치. - 제 12항에 있어서,
상기 (I) 프로세스에서,
상기 프로세서가, 상기 초기 피치 캘리브레이션 모듈로 하여금, 상기 참조 이미지에 상기 피치 계산 연산을 적용하여 상기 초기 예측 피치를 생성하도록 하되, 상기 피치 계산 연산은 하기 수식을 참조로 하여 수행되고,
상기 수식에서, 는, 상기 참조 이미지의 소실점 - 상기 소실점에 대한 정보는, 상기 참조 이미지의 하나 이상의 선이 소실되는 지점을 찾음으로써 획득됨 - 의 y방향 좌표를, 는 상기 참조 이미지의 주점의 y방향 좌표를, 그리고 는 상기 참조 이미지의 초점의 y방향 좌표를 의미하는 것을 특징으로 하는 컴퓨팅 장치. - 제 12항에 있어서,
상기 (I) 프로세스에서,
상기 프로세서가, (i) 상기 객체 검출 네트워크에 포함된 컨벌루션 레이어로 하여금, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의 컨벌루션 연산을 상기 참조 이미지에 적용하여 적어도 하나의 참조 컨벌루션 특징 맵을 생성하도록 하고, (ii) 상기 객체 검출 네트워크에 포함된 ROI 풀링 레이어로 하여금, 상기 참조 컨벌루션 특징 맵에서 상기 참조 이미지의 ROI에 대응하는 값을 풀링하는, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의 풀링 연산을 적용함으로써, 적어도 하나의 참조 ROI 풀링된 특징 맵을 생성하도록 한 다음, (iii) 상기 객체 검출 네트워크에 포함된 FC 레이어로 하여금, 상기 뉴럴 네트워크 연산의 일부인 적어도 하나의FC 연산을 상기 참조 ROI 풀링된 특징 맵에 적용함으로써, 상기 참조 객체의 참조 클래스에 대한 정보 및 상기 참조 객체의 참조 바운딩 박스에 대한 정보를 포함하는 상기 참조 객체 검출 정보를 생성하도록 하는 것을 특징으로 하는 컴퓨팅 장치. - 제 14항에 있어서,
상기 프로세서가, (III) 상기 객체 검출 네트워크 및 상기 거리 계산 모듈로 하여금, 상기 조정 예측 피치를 참조로 하여 계산된, 자율 주행 이미지에 포함된 주변 객체와 상기 대상 자율 주행 차량 간의 거리에 대한 정보를 포함하는 자율 주행 정보를 생성하도록 하는 프로세스를 더 수행하는 것을 특징으로 하는 컴퓨팅 장치.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962799238P | 2019-01-31 | 2019-01-31 | |
US62/799,238 | 2019-01-31 | ||
US16/724,617 | 2019-12-23 | ||
US16/724,617 US10748032B1 (en) | 2019-01-31 | 2019-12-23 | Method for providing robust object distance estimation based on camera by performing pitch calibration of camera more precisely with fusion of information acquired through camera and information acquired through V2V communication and device using the same |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200095361A KR20200095361A (ko) | 2020-08-10 |
KR102296496B1 true KR102296496B1 (ko) | 2021-09-02 |
Family
ID=69191928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200001727A KR102296496B1 (ko) | 2019-01-31 | 2020-01-06 | V2v 통신을 통해 획득한 정보와 카메라를 통해 획득한 정보를 융합하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행함으로써 카메라 기반 로버스트 객체 거리 예측을 제공하는 방법 및 이를 이용한 장치 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10748032B1 (ko) |
EP (1) | EP3690817B1 (ko) |
JP (1) | JP6890350B2 (ko) |
KR (1) | KR102296496B1 (ko) |
CN (1) | CN111508272B (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230075683A (ko) | 2021-11-23 | 2023-05-31 | 주식회사 인포웍스 | 심층 신경망 알고리즘 기반 4채널 중장비 avm 영상 융합 오토캘리브레이션 시스템 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113811886B (zh) * | 2019-03-11 | 2024-03-19 | 辉达公司 | 自主机器应用中的路口检测和分类 |
CN114688976B (zh) * | 2020-12-29 | 2023-07-18 | 北京金风科创风电设备有限公司 | 风电机组的测距设备标定方法、装置、系统及设备 |
DE102021107793A1 (de) | 2021-03-29 | 2022-09-29 | Ford Global Technologies, Llc | Verfahren zum Betreiben einer Fahrerassistenzfunktion |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002327635A (ja) | 2001-04-27 | 2002-11-15 | Nissan Motor Co Ltd | 車両用走行制御装置 |
JP2006292417A (ja) | 2005-04-06 | 2006-10-26 | Canon Inc | 位置姿勢計測方法及び装置 |
US20130169822A1 (en) | 2011-12-28 | 2013-07-04 | Pelco, Inc. | Camera calibration using feature identification |
US20160267657A1 (en) | 2011-04-25 | 2016-09-15 | Magna Electronics Inc. | Method for dynamically calibrating vehicular cameras |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001320652A (ja) * | 2000-05-11 | 2001-11-16 | Nec Corp | プロジェクタ装置 |
JP3650578B2 (ja) * | 2000-09-28 | 2005-05-18 | 株式会社立山アールアンドディ | 画像の歪みを補正するためのニューラル・ネットワークを用いたパノラマ画像ナビゲーションシステム |
JP2007256030A (ja) * | 2006-03-23 | 2007-10-04 | Clarion Co Ltd | 車載カメラのキャリブレーション装置およびキャリブレーション方法 |
JP2008187566A (ja) * | 2007-01-31 | 2008-08-14 | Sanyo Electric Co Ltd | カメラ校正装置及び方法並びに車両 |
JP4831374B2 (ja) * | 2009-03-27 | 2011-12-07 | アイシン・エィ・ダブリュ株式会社 | 運転支援装置、運転支援方法、及び運転支援プログラム |
JP4636346B2 (ja) * | 2009-03-31 | 2011-02-23 | アイシン精機株式会社 | 車載カメラの校正装置、方法、及びプログラム |
JP5240527B2 (ja) * | 2010-11-25 | 2013-07-17 | アイシン精機株式会社 | 車載カメラの校正装置、方法、及びプログラム |
US9749594B2 (en) * | 2011-12-22 | 2017-08-29 | Pelco, Inc. | Transformation between image and map coordinates |
JP5905846B2 (ja) * | 2013-03-29 | 2016-04-20 | 株式会社日本自動車部品総合研究所 | 横断判定装置およびプログラム |
KR102623680B1 (ko) * | 2015-02-10 | 2024-01-12 | 모빌아이 비젼 테크놀로지스 엘티디. | 자율 주행을 위한 약도 |
JP6593588B2 (ja) * | 2015-02-16 | 2019-10-23 | パナソニックIpマネジメント株式会社 | 物体検出装置および物体検出方法 |
KR102278387B1 (ko) * | 2015-07-07 | 2021-07-16 | 주식회사 만도 | 거리 산출 장치, 거리 산출 방법, 운전 지원 장치 및 운전 지원 시스템 |
EP3159828B1 (en) | 2015-10-19 | 2022-03-02 | Continental Automotive GmbH | Adaptive calibration using visible car details |
EP3174007A1 (en) * | 2015-11-30 | 2017-05-31 | Delphi Technologies, Inc. | Method for calibrating the orientation of a camera mounted to a vehicle |
CN106650705B (zh) * | 2017-01-17 | 2020-04-24 | 深圳地平线机器人科技有限公司 | 区域标注方法、装置和电子设备 |
US10268203B2 (en) * | 2017-04-20 | 2019-04-23 | GM Global Technology Operations LLC | Calibration validation for autonomous vehicle operations |
JP6799325B2 (ja) * | 2017-05-29 | 2020-12-16 | 地方独立行政法人東京都立産業技術研究センター | 画像補正装置、画像補正方法、注目点認識装置、注目点認識方法及び異常検知システム |
CN109086650B (zh) | 2017-06-14 | 2022-04-12 | 现代摩比斯株式会社 | 校准方法和校准设备 |
CN107390205B (zh) | 2017-07-20 | 2019-08-09 | 清华大学 | 一种利用车联网获取前车特征的单目视觉车辆测距方法 |
CN108983248A (zh) * | 2018-06-26 | 2018-12-11 | 长安大学 | 一种基于3d激光雷达及v2x的网联车定位方法 |
CN109062209A (zh) * | 2018-08-07 | 2018-12-21 | 安徽工程大学 | 一种智能辅助驾驶控制系统及其控制方法 |
-
2019
- 2019-12-23 US US16/724,617 patent/US10748032B1/en active Active
-
2020
- 2020-01-06 KR KR1020200001727A patent/KR102296496B1/ko active IP Right Grant
- 2020-01-08 CN CN202010017326.0A patent/CN111508272B/zh active Active
- 2020-01-20 JP JP2020006495A patent/JP6890350B2/ja active Active
- 2020-01-24 EP EP20153532.5A patent/EP3690817B1/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002327635A (ja) | 2001-04-27 | 2002-11-15 | Nissan Motor Co Ltd | 車両用走行制御装置 |
JP2006292417A (ja) | 2005-04-06 | 2006-10-26 | Canon Inc | 位置姿勢計測方法及び装置 |
US20160267657A1 (en) | 2011-04-25 | 2016-09-15 | Magna Electronics Inc. | Method for dynamically calibrating vehicular cameras |
US20130169822A1 (en) | 2011-12-28 | 2013-07-04 | Pelco, Inc. | Camera calibration using feature identification |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230075683A (ko) | 2021-11-23 | 2023-05-31 | 주식회사 인포웍스 | 심층 신경망 알고리즘 기반 4채널 중장비 avm 영상 융합 오토캘리브레이션 시스템 |
Also Published As
Publication number | Publication date |
---|---|
JP6890350B2 (ja) | 2021-06-18 |
CN111508272A (zh) | 2020-08-07 |
EP3690817A1 (en) | 2020-08-05 |
US20200250470A1 (en) | 2020-08-06 |
EP3690817B1 (en) | 2022-09-28 |
US10748032B1 (en) | 2020-08-18 |
CN111508272B (zh) | 2022-04-26 |
JP2020126626A (ja) | 2020-08-20 |
KR20200095361A (ko) | 2020-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102296496B1 (ko) | V2v 통신을 통해 획득한 정보와 카메라를 통해 획득한 정보를 융합하여 카메라의 피치 캘리브레이션을 더욱 정교하게 수행함으로써 카메라 기반 로버스트 객체 거리 예측을 제공하는 방법 및 이를 이용한 장치 | |
US11816991B2 (en) | Vehicle environment modeling with a camera | |
US9990736B2 (en) | Robust anytime tracking combining 3D shape, color, and motion with annealed dynamic histograms | |
US10380890B2 (en) | Autonomous vehicle localization based on walsh kernel projection technique | |
KR102682524B1 (ko) | 증강 현실에서 가상 객체를 표시하기 위한 측위 방법 및 장치 | |
KR102675523B1 (ko) | 차로를 결정하는 방법 및 장치 | |
JP2019517089A (ja) | 地面マーキングを認識するための画像処理方法、および地面マーキングを検出するためのシステム | |
KR102373487B1 (ko) | 최근 주행 경로에 대한 궤적 기반 행동 분석을 수행하여 차량의 모드를 수동 주행 모드에서 자율 주행 모드로 변경할 지 여부를 판단하는 학습 방법 및 학습 장치 | |
KR102300906B1 (ko) | 세그먼테이션 스코어 맵 및 클러스터링 맵을 이용하여 자율 주행 차량의 주행 경로를 계획하기 위해 차선을 검출하는 포스트 프로세싱 방법 및 장치 | |
US10402978B1 (en) | Method for detecting pseudo-3D bounding box based on CNN capable of converting modes according to poses of objects using instance segmentation and device using the same | |
KR102373492B1 (ko) | 자체적으로 생성된 정보 및 다른 개체에 의해 생성된 정보를 선택적으로 사용하여 카메라의 오정렬을 보정하는 방법 및 이를 이용한 장치 | |
JP6986290B2 (ja) | V2x情報融合を利用してhdマップをアップデートするための自車両位置決定を遂行する方法及び装置 | |
JP2024032933A (ja) | 映像及びマップデータ基盤測位方法及び装置 | |
KR102296493B1 (ko) | 어텐션 드리븐(attention-driven) 알고리즘을 이용하여 랜드마크를 검출하여 경로 플래닝을 위한 자율 주행 차량의 위치를 결정하는 방법 및 장치 | |
US11373328B2 (en) | Method, device and storage medium for positioning object | |
KR20210061069A (ko) | 3차원 객체를 표시하는 방법 및 장치 | |
KR102675138B1 (ko) | 복수개의 라이다들의 캘리브레이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 | |
US20230296407A1 (en) | Apparatus, method, and computer program for determining sections for map update |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right |