KR102306085B1 - 도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오 도출 방법 및 절차 - Google Patents

도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오 도출 방법 및 절차 Download PDF

Info

Publication number
KR102306085B1
KR102306085B1 KR1020190134415A KR20190134415A KR102306085B1 KR 102306085 B1 KR102306085 B1 KR 102306085B1 KR 1020190134415 A KR1020190134415 A KR 1020190134415A KR 20190134415 A KR20190134415 A KR 20190134415A KR 102306085 B1 KR102306085 B1 KR 102306085B1
Authority
KR
South Korea
Prior art keywords
information
scenario
image
driving environment
environment information
Prior art date
Application number
KR1020190134415A
Other languages
English (en)
Other versions
KR20210050150A (ko
Inventor
조충호
이대국
Original Assignee
고려대학교 세종산학협력단
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 고려대학교 세종산학협력단 filed Critical 고려대학교 세종산학협력단
Priority to KR1020190134415A priority Critical patent/KR102306085B1/ko
Publication of KR20210050150A publication Critical patent/KR20210050150A/ko
Application granted granted Critical
Publication of KR102306085B1 publication Critical patent/KR102306085B1/ko

Links

Images

Classifications

    • G06K9/00711—
    • 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
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06K9/00456—
    • G06K2209/01—

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오 도출 방법 및 절차가 개시된다. 일 실시예에 따른 시나리오 도출 방법은, 도로 교통사고영상을 검색하는 단계; 상기 검색된 도로 교통사고영상으로부터 영상 정보 및 영상 정보에 포함된 텍스트 정보를 분석하는 단계; 상기 분석된 영상 정보 및 상기 영상 정보에 포함된 텍스트 정보로부터 운행환경 정보 및 텍스트 정보를 추출하는 단계; 및 상기 추출된 운행환경 정보 및 상기 분석된 영상 정보에 포함된 텍스트 정보로부터 추출된 키워드 정보를 맵핑함에 따라 교통사고 시나리오를 도출하는 단계를 포함할 수 있다.

Description

도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오 도출 방법 및 절차{METHOD AND PROCEDURE FOR DRIVING AUTONOMOUS TEST SCENARIO USING TRAFFIC ACCIDENT IMAGE BASED ON OPERATIONAL ENVIRONMENT INFORMATION IN ROAD TRAFFIC}
아래의 설명은 교통사고 영상 정보를 활용한 시나리오 도출 기술에 관한 것이다.
도로 주행환경, 교통상황, 운전자의 능력, 날씨와 기후, 보행자와 자전거 등 수없이 많은 변수들로 도로에서 일어날 수 있는 교통사고 유형은 무한대며 예측이 불가하다. 교통법규 위반차량, 뛰는 아이들, 도로무법자 김여사 등 도로의 잠재적 위협 및 예측 불가능한 다양한 위험들로 인하여 일일이 자율주행 테스트를 위한 시나리오를 도출하는 것은 어렵다.
이에, 자율주행을 위해서는 인간의 소중한 생명과 도로의 교통안전이 무조건 최우선이며, 자율주행차의 안전한 주행 테스트를 위해서는 신뢰성과 안전성 확보를 위한 다양한 자율주행 테스트 시나리오가 필요하다.
도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오를 도출하는 방법 및 시스템을 제공할 수 있다.
시나리오 도출 방법은, 도로 교통사고영상을 검색하는 단계; 상기 검색된 도로 교통사고영상으로부터 영상 정보 및 영상 정보에 포함된 텍스트 정보를 분석하는 단계; 상기 분석된 영상 정보 및 상기 영상 정보에 포함된 텍스트 정보로부터 운행환경 정보 및 텍스트 정보를 추출하는 단계; 및 상기 추출된 운행환경 정보 및 상기 분석된 영상 정보에 포함된 텍스트 정보로부터 추출된 키워드 정보를 맵핑함에 따라 교통사고 시나리오를 도출하는 단계를 포함할 수 있다.
상기 추출하는 단계는, 상기 도로 교통사고영상으로부터 영상 정보를 분석함에 따라 도로 정보, 정적 객체, 동적 객체, 이벤트를 포함하는 운행환경 정보를 추출하고, 상기 영상 정보의 영상 제목 또는 내용을 포함하는 텍스트 정보를 분석함에 따라 키워드를 추출하는 단계를 포함할 수 있다.
상기 추출하는 단계는, 상기 추출된 운행환경 정보로부터 객체 정보 및 이벤트 정보를 분석 및 추출하여 객체/이벤트 목록을 생성하는 단계를 포함할 수 있다.
상기 추출하는 단계는, 상기 분석된 영상 정보 및 상기 영상 정보에 포함된 텍스트 정보로부터 운행환경 정보 및 텍스트 정보를 추출함에 따라 키워드 목록 및 운행환경 정보 목록을 생성하는 단계를 포함할 수 있다.
상기 도출하는 단계는, 상기 추출된 운행환경 정보로부터 생성된 운행환경 정보 목록 및 상기 분석된 영상 정보에 포함된 텍스트 정보를 추출함에 따라 생성된 키워드 목록을 이용하여 육하원칙 기반의 시나리오 정보를 맵핑하는 단계를 포함할 수 있다.
상기 도출하는 단계는, 상기 운행환경 정보 목록에 포함된 운행환경 정보 및 상기 키워드 목록에 포함된 키워드 정보를 육하원칙에 기반하여 분류하고, 상기 육하원칙에 기반하여 분류된 운행환경 정보 및 키워드 정보를 선택 및 조합하여 사고 시나리오를 도출하는 단계를 포함할 수 있다.
상기 도출하는 단계는, 상기 육하원칙에 기반하여 분류된 운행환경 정보 및 키워드 정보에 대한 가중치에 따라 추출된 시나리오 정보를 이용하여 사고 시나리오를 도출하는 단계를 포함할 수 있다.
시나리오 도출 시스템은, 도로 교통사고영상을 검색하는 검색부; 상기 검색된 도로 교통사고영상으로부터 영상 정보 및 영상 정보에 포함된 텍스트 정보를 분석하는 분석부; 상기 분석된 영상 정보 및 상기 영상 정보에 포함된 텍스트 정보로부터 운행환경 정보 및 텍스트 정보를 추출하는 추출부; 및 상기 추출된 운행환경 정보 및 상기 분석된 영상 정보에 포함된 텍스트 정보로부터 추출된 키워드 정보를 맵핑함에 따라 교통사고 시나리오를 도출하는 도출부를 포함할 수 있다.
상기 추출부는, 상기 도로 교통사고영상으로부터 영상 정보를 분석함에 따라 도로 정보, 정적 객체, 동적 객체, 이벤트를 포함하는 운행환경 정보를 추출하고, 상기 영상 정보의 영상 제목 또는 내용을 포함하는 텍스트 정보를 분석함에 따라 키워드를 추출할 수 있다.
상기 추출부는, 상기 추출된 운행환경 정보로부터 객체 정보 및 이벤트 정보를 분석 및 추출하여 객체/이벤트 목록을 생성할 수 있다.
상기 추출하는 단계는, 상기 분석된 영상 정보 및 상기 영상 정보에 포함된 텍스트 정보로부터 운행환경 정보 및 텍스트 정보를 추출함에 따라 키워드 목록 및 운행환경 정보 목록을 생성할 수 있다.
상기 도출부는, 상기 추출된 운행환경 정보로부터 생성된 운행환경 정보 목록 및 상기 분석된 영상 정보에 포함된 텍스트 정보를 추출함에 따라 생성된 키워드 목록을 이용하여 육하원칙 기반의 시나리오 정보를 맵핑할 수 있다.
상기 도출부는, 상기 운행환경 정보 목록에 포함된 운행환경 정보 및 상기 키워드 목록에 포함된 키워드 정보를 육하원칙에 기반하여 분류하고, 상기 육하원칙에 기반하여 분류된 운행환경 정보 및 키워드 정보를 선택 및 조합하여 사고 시나리오를 도출할 수 있다.
상기 도출부는, 상기 육하원칙에 기반하여 분류된 운행환경 정보 및 키워드 정보에 대한 가중치에 따라 추출된 시나리오 정보를 이용하여 사고 시나리오를 도출할 수 있다.
기존에 발생하였던 교통사고를 포함한 다양한 교통사고 시나리오 도출로 폭넓은 자율주행 테스트를 진행할 수 있다.
사고영상을 통해 도출된 사고 시나리오 기반으로 더 다양한 장소와 시간, 더 다양한 객체와 이벤트, 더 다양한 방법과 방식으로 실제 도로에서 발생 가능한 사고를 예측할 수 있고, 자율주행 테스트를 위한 가상의 사고 시나리오의 개발이 가능하다.
도출된 시나리오를 바탕으로 자율주행 소프트웨어를 설계하고, 교통사고 영상을 활용한 자율주행 테스트 시나리오 기반 가상 시뮬레이션을 통해 자율주행시스템의 안전성을 사전에 검증하여 실제 도로에서 발생 가능한 사고를 대비할 수 있다.
교통사고 영상을 활용한 가상 시뮬레이션을 이용하여 교통사고에 대한 자율주행자동차의 인지 능력, 판단 능력, 제어 능력을 향상시키고, 다양한 시나리오 검증을 통해 신뢰성을 극대화할 수 있다.
정부 또는 지자체 차원에서 기존에 발생하였던 교통사고들의 시나리오 분석으로 언제, 어디서, 어떻게, 왜 그러한 사고가 발생하였는지 근본적인 사고 원인을 분석하여 교통사고 원인을 제거 또는 감소하기 위한 사고방지 방법 및 개선 방안을 마련할 수 있다.
"생명 보호 및 교통안전" 및 "자율주행자동차 사고의 제로(Zero)화"에 기여할 수 있다.
도 1은 일 실시예에 따른 시나리오 도출 시스템의 개괄적인 동작을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 시나리오 도출 시스템의 구성을 설명하기 위한 블록도이다.
도 3은 일 실시예에 따른 시나리오 도출 시스템에서 운행환경 정보를 추출하는 것을 설명하기 위한 예이다.
도 4는 일 실시예에 따른 시나리오 도출 시스템에서 시나리오 도출 방법을 설명하기 위한 흐름도이다.
도 5는 일 실시예에 따른 시나리오 도출 시스템에서 시나리오 도출 방법을 설명하기 위한 상세 흐름도이다.
도 6 내지 도 12는 일 실시예에 따른 시나리오 도출 시스템에서 시나리오를 도출하는 예를 나타낸 도면이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
도 1은 일 실시예에 따른 시나리오 도출 시스템의 개괄적인 동작을 설명하기 위한 도면이다.
시나리오 도출 시스템은 블랙박스 영상, CCTV 영상 등 교통사고 영상들을 활용하여 실제 도로환경에서 발생 가능한 자율주행 테스트 시나리오들을 효율적으로 도출할 수 있다. 시나리오 도출 시스템은 도로 교통사고영상을 검색하고, 검색된 도로 교통사고영상으로부터 영상 정보 및 영상 정보에 포함된 텍스트 정보를 분석할 수 있다. 시나리오 도출 시스템은 분석된 영상 정보 및 영상 정보에 포함된 텍스트 정보로부터 운행환경 정보 및 텍스트 정보를 추출하고, 추출된 운행환경 정보 및 분석된 영상 정보에 포함된 텍스트 정보로부터 추출된 키워드 정보를 맵핑함에 따라 교통사고 시나리오를 도출할 수 있다. 이하, 아래의 설명을 통하여 시나리오를 도출하는 방법을 상세하게 설명하기로 한다.
도 2는 일 실시예에 따른 시나리오 도출 시스템의 구성을 설명하기 위한 블록도이고, 도 4는 일 실시예에 따른 시나리오 도출 시스템에서 시나리오 도출 방법을 설명하기 위한 흐름도이다.
시나리오 도출 시스템(100)의 프로세서는 검색부(210), 분석부(220), 추출부(230) 및 도출부(240)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 시나리오 도출 시스템(100)에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 4의 시나리오 도출 방법이 포함하는 단계들(410 내지 451)을 수행하도록 시나리오 도출 시스템(100)을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
프로세서는 시나리오 도출 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 시나리오 도출 시스템(100)에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 시나리오 도출 시스템(100)을 제어할 수 있다. 이때, 프로세서 및 프로세서가 포함하는 검색부(210), 분석부(220), 추출부(230) 및 도출부(240) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(410 내지 451)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.
단계(410)에서 검색부(210)는 도로 교통사고영상을 검색할 수 있다. 이때, 사용자가 전자 기기를 통하여 도로 교통사고영상과 관련된 검색어가 입력됨에 따라 검색어와 관련된 도로 교통사고영상이 검색 결과로 제공될 수 있다. 검색부(210)는 도로 교통사고영상을 수집 및 입력할 수 있다.
단계(420)에서 분석부(220)는 검색된 도로 교통사고영상으로부터 영상 정보에 포함된 텍스트 정보를 분석할 수 있다. 단계(421)에서 추출부(230)는 영상 정보에 포함된 텍스트 정보로부터 텍스트 정보를 추출할 수 있다. 추출부(230)는 영상 정보의 영상 제목 또는 내용을 포함하는 텍스트 정보를 분석함에 따라 키워드를 추출할 수 있다. 단계(422)에서 추출부(230)는 영상 정보에 포함된 텍스트 정보로부터 텍스트 정보를 추출함에 따라 키워드 목록을 생성할 수 있다.
단계(430)에서 분석부(220)는 검색된 도로 교통사고영상으로부터 영상 정보를 분석할 수 있다. 단계(431)에서 추출부(230)는 영상 정보로부터 운행환경 정보를 추출할 수 있다. 추출부(230)는 도로 교통사고영상으로부터 영상 정보를 분석함에 따라 도로 정보, 정적 객체, 동적 객체, 이벤트를 포함하는 운행환경 정보를 추출할 수 있다. 이때, 추출부(230)는 추출된 운행환경 정보로부터 객체 정보 및 이벤트 정보를 분석 및 추출하여 객체/이벤트 목록을 생성할 수 있다(440, 441). 단계(432)에서 추출부(230)는 분석된 영상 정보로부터 운행환경 정보를 추출함에 따라 운행환경 정보 목록을 생성할 수 있다.
도출부(240)는 추출된 운행환경 정보 및 분석된 영상 정보에 포함된 텍스트 정보로부터 추출된 키워드 정보를 맵핑함에 따라 교통사고 시나리오를 도출할 수 있다(450, 451). 도출부(240)는 추출된 운행환경 정보로부터 생성된 운행환경 정보 목록 및 분석된 영상 정보에 포함된 텍스트 정보를 추출함에 따라 생성된 키워드 목록을 이용하여 육하원칙 기반의 사고 시나리오를 맵핑할 수 있다. 추가적으로, 도출부(240)는 운행환경 정보로부터 추출된 객체/이벤트 목록까지 함께 맵핑할 수 있다. 도출부(240)는 추출된 운행환경 정보로부터 생성된 운행환경 정보 목록 및 분석된 영상 정보에 포함된 텍스트 정보를 추출함에 따라 생성된 키워드 목록을 이용하여 육하원칙 기반의 시나리오 정보를 맵핑할 수 있다. 도출부(240)는 육하원칙에 기반하여 분류된 운행환경 정보 및 키워드 정보에 대한 가중치에 따라 추출된 시나리오 정보를 이용하여 사고 시나리오를 도출할 수 있다.
도 3은 일 실시예에 따른 시나리오 도출 시스템에서 운행환경 정보를 추출하는 것을 설명하기 위한 예이다.
시나리오 도출 시스템은 도로 교통사고영상과 관련된 운행환경 정보를 분석할 수 있다. 운행환경 정보(Operational Environment Information)란 운영설계도메인과 개념상 유사하지만 어떠한 자율주행 시스템 또는 자율주행 자동차가 안전한 자율주행을 위해 특정한 기능들을 수행하도록 설계하기 위해 필요한 특정 조건들을 도출하기 위한 것이다. 운영설계도메인(ODD, Operational Design Domain)은 어느 특정 자율주행 시스템 또는 특징이 주행 모드를 포함하지만 이에 국한되지 않는 기능을 수행하도록 설계된 특정 조건들을 의미한다. 운행환경 정보의 예는 다음과 같이 나타낼 수 있다.
도로 정보: 도로의 종류, 유형, 구조, 표면, 가장자리 및 표식, 차선, 중앙분리대 등
정적 객체: 도로표지판, 교통신호등, 교통안전표지판, 정지/주차차량, 정적 장애물 등
동적 객체: 주행차량, 보행자, 자전거, 동물, 동적 장애물 등
이벤트: 차량의 가속/감속/정지, 보행자 무단횡단, 장애물의 움직임 등
시나리오 도출 시스템은 도로 교통사고영상의 영상 정보로부터 자동으로 차량의 식별 정보(예를 들면, 차종, 모델명 등), 신호표지판 문자 정보, 도로 차선 정보, 도로 주행환경 정보 등을 자동으로 인식할 수 있다. 시나리오 도출 시스템은 인식된 차량의 식별정보, 신호표지판 문자 정보, 도로 차선 정보, 도로 주행환경 정보를 운행환경 정보로 수집할 수 있다.
시나리오 도출 시스템은 수집된 운행환경 정보를 분석함에 따라 객체 및/또는 이벤트를 탐지할 수 있다. 예를 들면, 운행환경 정보 시스템은 수집된 운행환경 정보를 분석하여 분류된 정적 객체 또는 동적 객체를 각각의 객체 학습 모델을 통하여 학습시킴에 따라 정적 객체 또는 동적 객체를 식별할 수 있다. 또한, 운행환경 정보 시스템은 수집된 운행환경 정보를 분석하여 이벤트를 학습 모델을 통하여 학습시킴에 따라 이벤트를 식별할 수 있다.
구체적으로, 시나리오 도출 시스템은 입력된 도로주행 영상으로부터 객체를 감지할 수 있다. 예를 들면, 시나리오 도출 시스템은 도로주행 영상에 포함된 도로, 차량, 자전거, 건물, 표지판, 번호판, 버스정류장, 차선, 신호등 다양한 객체를 감지할 수 있다. 상세하게는, 시나리오 도출 시스템은 도로 인프라(정적 객체)와 도로 사용자/장애물(동적 객체)를 감지할 수 있다. 도로 인프라 측면에서 예를 들면, 운행환경 정보 시스템은 신호판/신호등이 있는지 여부를 판단할 수 있고, 도로 차선이 있는지 여부를 판단할 수 있다. 도로 사용자/장애물 측면에서 예를 들면, 운행환경 정보 시스템은 주행차량이 있는지 여부를 판단할 수 있고, 보행자/자전거가 있는지 여부를 판단할 수 있다.
시나리오 도출 시스템은 감지된 객체를 분류할 수 있다. 도로 인프라 측면에서 예를 들면, 운행환경 정보 시스템은 신호판/신호등이 존재할 경우, 어떤 종류의 신호판/신호등인지 분석할 수 있다. 또한, 시나리오 도출 시스템은 도로 차선이 존재할 경우, 어떤 종류의 차선인지 분류할 수 있다. 도로 사용자/장애물 측면에서 예를 들면, 운행환경 정보 시스템은 주행차량이 존재할 경우, 어떤 종류의 주행차량인지 분석할 수 있다. 또한, 시나리오 도출 시스템은 보행자/자전거가 존재할 경우, 보행자/자전거를 분류할 수 있다.
시나리오 도출 시스템은 분류된 객체를 식별할 수 있다. 도로 인프라 측면에서 예를 들면, 운행환경 정보 시스템은 분석된 신호판/신호등이 무슨 뜻의 신호판/신호등인지 식별할 수 있다. 또한, 시나리오 도출 시스템은 분류된 차선의 뜻이 의미하는 바, 몇 차선인지 여부를 식별할 수 있다. 도로 사용자/장애물 측면에서 예를 들면, 운행환경 정보 시스템은 분석된 주행차량의 차종/모델명/기타 정보 등을 식별할 수 있다. 또한, 시나리오 도출 시스템은 분류된 보행자/자전거의 위치를 식별할 수 있다. 시나리오 도출 시스템은 객체를 식별함에 따라 객체와 관련된 객체 정보를 기록 및 저장할 수 있다.
도 3에 도시된 바와 같이, 시나리오 도출 시스템은 도로의 종류, 유형 및 구조, 차선 등을 인식할 수 있다. 예를 들면, 시나리오 도출 시스템은 각각의 블랙박스 영상으로부터 회전 교차로, 버스 정류장, 과속방지턱 및 횡단보도, 교차로, 2차선 도로, 우합류 도로 등을 인식할 수 있다.
또한, 시나리오 도출 시스템은 도로의 표면, 도로의 구조, 도로의 가장자리 및 표식 등의 도로 정보를 인식할 수 있다. 시나리오 도출 시스템은 아스팔트 도로, 벽돌 도로, 콘크리트 도로 등의 도로의 표면, 직선 도로, 곡선 도로, 곡선 도로 등의 도로의 구조, 차선 분리봉 여부를 인식할 수 있다. 예를 들면, 영상정보로부터 아스팔트 도로, 직선 도로, 차선분리봉 없음을 판단할 수 있고, 다른 영상 정보로부터 벽돌 도로, 곡선 도로, 차선분리봉 있음을 판단할 수 있고, 또 다른 영상 정보로부터 콘크리트 도로, 곡선 도로, 차선분리봉 있음을 판단할 수 있다. 또한, 시나리오 도출 시스템은 차선 종류, 차선 수, 중앙분리대 및 차선장벽 여부를 도로 정보를 인식할 수 있다. 시나리오 도출 시스템은 각각의 블랙박스 영상으로부터 도로의 차선 종류, 차선 수, 중앙분리대 있음/없음, 차선장벽 있음/없음 등을 인식할 수 있다.
또한, 시나리오 도출 시스템은 교차로, 대교/다리, 도로중앙기둥, 터널, 동적 표지판 등의 도로 정보를 인식할 수 있다. 시나리오 도출 시스템은 영상 정보로부터 복잡 교차로(예를 들면, 5 거리), 도로 중앙기둥, 동적 표지판, 대교/다리, 터널, 자막이 실시간으로 표시되는 동적 표지판의 존재 여부를 판단할 수 있다.
또한, 시나리오 도출 시스템은 정적 객체를 수집할 수 있다. 시나리오 도출 시스템은 영상 정보로부터 도로표지판, 교통신호등, 교통안전표지판 등 각종 표시를 정적 객체 정보로 인식할 수 있다. 이때, 도로 표지판의 종류, 교통안전표지판, 도로의 종류에 따른 노선 마크 등과 관련된 정보에 기초하여 정적 객체 정보를 인식할 수 있다.
또한, 시나리오 도출 시스템은 동적 객체를 수집할 수 있다. 시나리오 도출 시스템은 영상 정보로부터 도로주행차량, 보행자, 자전거, 동물, 기타 장애물 등의 동적 객체 정보를 인식할 수 있다. 예를 들면, 동일한 도로 차선에서 주행 중인 선두 차량, 도로 옆차선에서 주행 중인 선두 차량, 선회하는 차량과 도로에 불법 주차한 정지 차량, 도로를 무단횡단하는 보행자(예를 들면, 성인, 남자, 직장인 등)을 동적 객체 정보를 인식할 수 있다. 또한, 시나리오 도출 시스템은 유모차, 장애우 전동휠체어, 오토바이, 캠핑 트레일러 등의 동적 객체 정보를 인식할 수 있다.
도 5은 일 실시예에 따른 시나리오 도출 시스템에서 시나리오 도출 방법을 설명하기 위한 상세 흐름도이다.
도 5는 도 4에서 설명한 시나리오 도출 방법을 보다 상세하게 설명하기 위한 흐름도이다. 도 4에 기재된 것과 유사하게 프로세스가 수행될 수 있다.
시나리오 도출 시스템은 교통사고영상을 검색할 수 있다(410). 시나리오 도출 시스템은 검색된 도로 교통사고영상으로부터 영상 정보 및 영상 정보에 포함된 텍스트 정보를 분석할 수 있다(420, 430).
시나리오 도출 시스템은 키워드 추출 학습 모델(410)에 기반하여 영상 정보에 포함된 텍스트 정보를 분석할 수 있다. 이때, 키워드 추출 학습 모델(510)은 키워드 정보를 저장하고 있는 데이터베이스를 의미할 수 있고, 키워드 정보를 분류하기 위한 기준이 설정되어 있을 수 있다. 또한, 키워드 추출 학습 모델(510)은 키워드 정보를 학습하기 위하여 딥러닝 기반의 학습 모델을 구성할 수 있고, 구성된 학습 모델에 영상 정보에 포함된 텍스트 정보를 입력하여 학습시킴에 따라 키워드를 학습 결과로 획득할 수 있다. 이와 같이, 시나리오 도출 시스템은 도로 교통사고영상의 영상 정보에 포함된 텍스트 정보를 분석함에 따라 키워드 정보를 추출할 수 있다(421). 시나리오 도출 시스템은 추출된 키워드 정보를 이용하여 키워드 목록을 작성할 수 있다(422).
시나리오 도출 시스템은 운행환경정보 학습 모델(530)에 기반하여 도로 교통사고영상의 영상 정보를 분석할 수 있다(430). 이때, 운행환경정보 학습 모델(530)은 운행환경정보를 저장하고 있는 데이터베이스를 의미할 수 있고, 운행환경정보를 분류하기 위한 기준이 설정되어 있을 수 있다. 또는, 운행환경정보 학습 모델(530)은 운행환경 정보를 학습하기 위하여 딥러닝 기반의 학습 모델을 구성할 수 있고, 구성된 학습 모델에 영상 정보를 입력하여 학습시킴에 따라 운행환경 정보를 학습 결과로 획득할 수 있다. 이와 같이, 시나리오 도출 시스템은 도로 교통사고영상의 영상 정보를 분석함에 따라 운행환경 정보를 추출할 수 있다(431). 시나리오 도출 시스템은 추출된 운행환경 정보를 이용하여 운행환경 정보 목록을 작성할 수 있다(432). 이때, 시나리오 도출 시스템은 추출된 운행환경 정보를 객체/이벤트 학습 모델(540)에 기반하여 객체 정보 및 이벤트 정보를 분석 및 추출하여 객체/이벤트 목록을 생성할 수 있다(440, 441). 객체/이벤트 학습 모델(540)은 운행환경 정보로부터 객체/이벤트 정보를 추출/분석하기 위한 딥러닝 기반의 학습 모델을 구성할 수 있고, 구성된 학습 모델에 운행환경 정보를 입력하여 학습시킴에 따라 운행환경 정보로부터 객체 또는 이벤트를 학습 결과로 획득할 수 있다.
시나리오 도출 시스템은 추출된 운행환경 정보 및 분석된 영상 정보에 포함된 텍스트 정보로부터 추출된 키워드 정보를 맵핑함에 따라 교통사고 시나리오를 도출할 수 있다(450). 추가적으로, 시나리오 도출 시스템은 운행환경 정보로부터 추출된 객체/이벤트 목록까지 함께 맵핑할 수 있다. 시나리오 도출 시스템은 선택 및 조합 학습 모델(520)에 기반하여 교통사고 시나리오를 매핑할 수 있다. 선택 및 조합 학습 모델(520)은 교통사고 시나리오를 맵핑하기 위한 선택 및 조합 방법을 저장하고 있을 수 있다. 선택 및 조합 학습 모델(520)은 교통사고 시나리오를 맵핑하기 위한 선택 및 조합하기 위한 딥러닝 기반의 학습 모델을 구성할 수 있고, 구성된 학습 모델에 운행환경 정보, 텍스트 정보, 객체/이벤트 정보를 입력하여 학습시킴에 따라 학습 결과로 사고 시나리오가 맵핑될 수 있다. 시나리오 도출 시스템은 육하원칙에 기반하여 사고 시나리오를 도출할 수 있다(451). 시나리오 도출 시스템은 사고 시나리오가 맵핑됨에 따라 도출된 사고 시나리오를 사고 시나리오 데이터베이스(550)에 저장할 수 있다.
도 6 내지 도 12는 일 실시예에 따른 시나리오 도출 시스템에서 시나리오를 도출하는 예를 나타낸 도면이다.
도 6 내지 도 12에서는 동영상 사이트에서 교통사고 관련 블랙박스 영상을 검색 및 수집하고, 게시된 영상을 활용하여 영상 제목 및 내용에 대한 사고 키워드 분석, 사고 발생 지점의 운행환경 정보 추출 및 분석, 사고 당사자인 객체(차량, 보행자, 자전거 등)와 해당 객체들의 이벤트(이동, 정지 등)를 탐지/추적 분석하여 교통사고 시나리오를 도출하는 것을 설명하기로 한다.
도 6을 참고하면, 도로 교통사고영상이 검색될 수 있다. 사용자는 전자 기기를 통하여 SNS, 컨텐츠 서비스, 포털 검색 등에 기초하여 도로 교통사고 영상 또는 도로 교통사고영상과 관련된 정보를 제공하는 인물을 검색할 수 있다. 예를 들면, 사용자는 YouTube에서 "블랙박스", "교통사고", "한문철" 등의 도로 교통사고 영상을 검색할 수 있다.
도 7을 참고하면, 도로 교통사고영상을 수집할 수 있다. 이때, 영상 이미지 추출을 통한 정확한 교통사고 원인 분석을 위하여 영상을 다운로드할 수 있다. 또는 영상 이미지를 캡쳐할 수도 있다. 예를 들면, 사용자의 전자 기기에 영상을 다운로드할 수 있다. 이때, 사용자의 전자 기기에 영상을 다운로드한 영상 리스트가 표시될 수 있고, 영상 리스트에 영상의 크기, 영상의 재생 시간, 영상의 제목을 포함하는 영상 정보를 함께 표시할 수 있다.
도 8을 참고하면, 도로 교통사고영상의 영상 정보와 관련된 영상 제목, 게시글 등의 내용으로부터 키워드를 추출 및 분석하여 키워드 목록을 생성할 수 있다. 영상 정보에 포함된 텍스트 정보가 추출될 수 있고, 영상 정보와 관련된 게시글로부터 텍스트 정보가 추출될 수 있다. 예를 들면, 영상 정보와 관련된 게시글로부터 키워드를 분석함에 따라 횡단보도, 빨간불, 자전거, 무단횡단, 교통사고를 포함하`는 키워드 목록이 생성될 수 있다.
도 9를 참고하면, 도로 교통사고영상의 영상 정보를 분석할 수 있다. 도로 교통사고영상의 운행환경 정보를 분석하여 운행환경 정보 목록을 생성할 수 있다. 이때, 도로 교통사고영상은 원본의 도로 교통사고영상에 특정 처리된 가공된 도로 교통사고영상일 수 있다. 다시 말해서, 원본의 도로 교통사고영상에 자막 또는 블러 처리 등이 추가된 형태의 가공된 도로 교통사고영상일 수 있다. 도로 교통사고영상의 영상 정보를 분석할 수 있고, 영상 정보 내의 텍스트를 인식하여 운행환경정보를 분석할 수 있다. 예를 들면, 날씨: 낮/맑음, 교통신호등: 빨간불, 객체: 흰색 승용차, 객체: 자전거(어린이), 위치: 횡단보도, 도로: 교차로, 일자: 19.5.30. 19시경, 장소: 충남 공주시를 포함하는 운행환경정보 목록이 생성될 수 있다.
도 10을 참고하면, 도로 교통사고영상의 영상 정보를 분석함에 따라 객체 또는 이벤트 정보를 추출할 수 있고, 추출된 객체 또는 이벤트 정보를 이용하여 탐지추적 목록을 작성할 수 있다. 도로 교통사고영상의 영상 정보를 분석함에 따라 운행환경정보 목록이 생성될 수 있고, 생성된 운행환경정보 목록에 포함된 객체 또는 이벤트를 추적할 수 있다. 예를 들면, 운행환경정보 목록에 객체로 흰색 자동차, 자전거(어린이)가 추출되어 포함되어 있을 수 있다. 흰색 자동차와 자전거(어린이)를 기 설정된 시간동안 추적할 수 있다. 예를 들면, 흰색 자동차와 자전거를 포함하는 객체를 인지 및 식별할 수 있다. 인지 및 식별된 객체의 이동(이벤트)을 탐지할 수 있다. 흰색 승용차가 우측 방향으로 이동하는 것을 탐지할 수 있고, 자전거가 앞쪽 방향으로 이동하는 것을 탐지할 수 있다. 탐지된 객체 이동(이벤트)를 추적할 수 있다. 이때, 흰색 승용차는 우측 방향으로 계속 이동함을 추적할 수 있고, 자전거는 앞쪽 방향으로 계속 이동하는 것을 추적할 수 있다. 그리고 나서, 객체의 겹침(이벤트)를 식별할 수 있다. 흰색 승용차와 자전거가 충돌(교통사고)하는 것을 식별할 수 있다. 그 후, 이벤트가 종료될 수 있다. 흰색 승용차와 자전거가 정지함을 확인할 수 있다.
도 11를 참고하면, 키워드 목록과 운행환경 정보 목록을 이용하여 육하원칙 기반의 시나리오 정보를 맵핑할 수 있다. 키워드 목록 및 운행환경 정보 목록에 존재하는 각각의 정보들을 육하원칙에 기반하여 분류할 수 있다.
도 12를 참고하면, 육하원칙에 기반하여 분류된 정보들을 키워드 가중치 선택 및 조합에 기초하여 사고 시나리오를 도출할 수 있다. 육하원칙에 기반하여 분류된 정보들을 기 설정된 기준, 예를 들면, 중복되는 단어들을 선택하여 사고 시나리오를 도출할 수 있다. 예를 들면, 육하원칙에 분류된 정보들이 기 설정된 횟수 이상 존재할 경우, 기 설정된 횟수 이상 존재하는 단어를 1순위로 지정할 수 있다. 또는, 구체적으로 존재하는 정보를 1순위로 지정할 수 있다. 예를 들면, 시간 정보 또는 일자 정보가 '19.05.30 19시경'과 같이 수치적으로 표현된 경우, 또는, 지역 정보가 '충남 공주시'와 같이 실제 존재하는 지역명일 경우, 추출할 수 있다. 이러한 조합에 의하여 육하원칙 기반의 사고 시나리오가 도출될 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 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.
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 장치에 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.
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.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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 특허청구범위의 범위에 속한다.

Claims (14)

  1. 검색부, 분석부, 추출부 및 도출부를 포함하는 시나리오 도출 시스템에 의해 수행되는 시나리오 도출 방법에 있어서,
    상기 검색부에서, 도로 교통사고영상을 검색하는 단계;
    상기 분석부에서, 상기 검색된 도로 교통사고영상으로부터 영상 정보 및 영상 정보에 포함된 텍스트 정보를 분석하는 단계;
    상기 추출부에서, 상기 분석된 영상 정보 및 상기 영상 정보에 포함된 텍스트 정보로부터 운행환경 정보를 추출하는 단계; 및
    상기 도출부에서, 상기 추출된 운행환경 정보 및 상기 분석된 영상 정보에 포함된 텍스트 정보로부터 추출된 키워드 정보를 조합하여 교통사고 시나리오를 도출하는 단계
    를 포함하고,
    상기 추출하는 단계는,
    상기 도로 교통사고영상으로부터 영상 정보를 분석함에 따라 도로 정보, 정적 객체, 동적 객체, 이벤트를 포함하는 운행환경 정보를 추출하고, 상기 영상 정보의 영상 제목 또는 내용을 포함하는 텍스트 정보를 분석함에 따라 키워드를 추출하고, 상기 추출된 운행환경 정보로부터 객체 정보 및 이벤트 정보를 분석 및 추출하여 객체/이벤트 목록을 생성하고, 상기 분석된 영상 정보 및 상기 영상 정보에 포함된 텍스트 정보로부터 운행환경 정보를 추출함에 따라 키워드 목록 및 운행환경 정보 목록을 생성하는 단계
    를 포함하고,
    상기 도출하는 단계는,
    상기 생성된 운행환경 정보 목록, 상기 생성된 객체/이벤트 목록 및 상기 생성된 키워드 목록을 교통사고 시나리오 정보를 생성하기 위하여 구성된 선택 및 조합 학습 모델에 입력함에 따라 육하원칙 기반의 시나리오 정보를 생성하는 단계
    를 포함하는 시나리오 도출 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 도출하는 단계는,
    상기 운행환경 정보 목록에 포함된 운행환경 정보 및 상기 키워드 목록에 포함된 키워드 정보를 육하원칙에 기반하여 분류하고, 상기 육하원칙에 기반하여 분류된 운행환경 정보 및 키워드 정보를 선택 및 조합하여 사고 시나리오를 도출하는 단계
    를 포함하는 시나리오 도출 방법.
  7. 제6항에 있어서,
    상기 도출하는 단계는,
    상기 육하원칙에 기반하여 분류된 운행환경 정보 및 키워드 정보에 대한 가중치에 따라 추출된 시나리오 정보를 이용하여 사고 시나리오를 도출하는 단계
    를 포함하는 시나리오 도출 방법.
  8. 시나리오 도출 시스템에 있어서,
    도로 교통사고영상을 검색하는 검색부;
    상기 검색된 도로 교통사고영상으로부터 영상 정보 및 영상 정보에 포함된 텍스트 정보를 분석하는 분석부;
    상기 분석된 영상 정보 및 상기 영상 정보에 포함된 텍스트 정보로부터 운행환경 정보를 추출하는 추출부; 및
    상기 추출된 운행환경 정보 및 상기 분석된 영상 정보에 포함된 텍스트 정보로부터 추출된 키워드 정보를 조합하여 교통사고 시나리오를 도출하는 도출부
    를 포함하고,
    상기 추출부는,
    상기 도로 교통사고영상으로부터 영상 정보를 분석함에 따라 도로 정보, 정적 객체, 동적 객체, 이벤트를 포함하는 운행환경 정보를 추출하고, 상기 영상 정보의 영상 제목 또는 내용을 포함하는 텍스트 정보를 분석함에 따라 키워드를 추출하고, 상기 추출된 운행환경 정보로부터 객체 정보 및 이벤트 정보를 분석 및 추출하여 객체/이벤트 목록을 생성하고, 상기 분석된 영상 정보 및 상기 영상 정보에 포함된 텍스트 정보로부터 운행환경 정보를 추출함에 따라 키워드 목록 및 운행환경 정보 목록을 생성하는 것을 포함하고,
    상기 도출부는,
    상기 생성된 운행환경 정보 목록, 상기 생성된 객체/이벤트 목록 및 상기 생성된 키워드 목록을 교통사고 시나리오 정보를 생성하기 위하여 구성된 선택 및 조합 학습 모델에 입력함에 따라 육하원칙 기반의 시나리오 정보를 생성하는
    시나리오 도출 시스템.
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
  13. 제8항에 있어서,
    상기 도출부는,
    상기 운행환경 정보 목록에 포함된 운행환경 정보 및 상기 키워드 목록에 포함된 키워드 정보를 육하원칙에 기반하여 분류하고, 상기 육하원칙에 기반하여 분류된 운행환경 정보 및 키워드 정보를 선택 및 조합하여 사고 시나리오를 도출하는
    것을 특징으로 하는 시나리오 도출 시스템.
  14. 제13항에 있어서,
    상기 도출부는,
    상기 육하원칙에 기반하여 분류된 운행환경 정보 및 키워드 정보에 대한 가중치에 따라 추출된 시나리오 정보를 이용하여 사고 시나리오를 도출하는
    것을 특징으로 하는 시나리오 도출 시스템.
KR1020190134415A 2019-10-28 2019-10-28 도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오 도출 방법 및 절차 KR102306085B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190134415A KR102306085B1 (ko) 2019-10-28 2019-10-28 도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오 도출 방법 및 절차

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190134415A KR102306085B1 (ko) 2019-10-28 2019-10-28 도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오 도출 방법 및 절차

Publications (2)

Publication Number Publication Date
KR20210050150A KR20210050150A (ko) 2021-05-07
KR102306085B1 true KR102306085B1 (ko) 2021-09-28

Family

ID=75916610

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190134415A KR102306085B1 (ko) 2019-10-28 2019-10-28 도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오 도출 방법 및 절차

Country Status (1)

Country Link
KR (1) KR102306085B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102551566B1 (ko) * 2021-05-31 2023-07-06 영남대학교 산학협력단 교통사고 검지 시스템 및 그 방법
CN113792106B (zh) * 2021-08-18 2024-05-28 北京百度网讯科技有限公司 道路的状态更新方法、装置、电子设备及存储介质
KR102643655B1 (ko) * 2022-09-23 2024-03-04 아주대학교산학협력단 자율 주행 시뮬레이션 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008261991A (ja) 2007-04-11 2008-10-30 Toyota Central R&D Labs Inc 安全評価装置
KR101593676B1 (ko) * 2014-08-08 2016-02-15 고려대학교 산학협력단 주행상황 인지 방법 및 장치
JP2020123351A (ja) 2019-01-30 2020-08-13 株式会社ストラドビジョンＳｔｒａｄｖｉｓｉｏｎ，Ｉｎｃ． 自律走行車両を学習、テスティング及び検証をするために仮想走行環境に対するドメイン適応された交通シナリオを生成するための方法及び装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101689805B1 (ko) * 2015-03-20 2016-12-27 동아대학교 산학협력단 Obd, gps 및 블랙박스 영상정보를 이용한 교통사고 현장 재현시스템 및 그 방법
KR101938064B1 (ko) * 2017-05-17 2019-01-11 현대오토에버 주식회사 자율주행 테스트 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008261991A (ja) 2007-04-11 2008-10-30 Toyota Central R&D Labs Inc 安全評価装置
KR101593676B1 (ko) * 2014-08-08 2016-02-15 고려대학교 산학협력단 주행상황 인지 방법 및 장치
JP2020123351A (ja) 2019-01-30 2020-08-13 株式会社ストラドビジョンＳｔｒａｄｖｉｓｉｏｎ，Ｉｎｃ． 自律走行車両を学習、テスティング及び検証をするために仮想走行環境に対するドメイン適応された交通シナリオを生成するための方法及び装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
I.R.Jenkins et al., 'Accident Scenario Generation with Recurrent Neural Networks,' 2018 21st International Conference on Intelligent Transportation SSystmes, 4-7 Nov.2018

Also Published As

Publication number Publication date
KR20210050150A (ko) 2021-05-07

Similar Documents

Publication Publication Date Title
Scholtes et al. 6-layer model for a structured description and categorization of urban traffic and environment
Rasouli et al. Agreeing to cross: How drivers and pedestrians communicate
KR102306085B1 (ko) 도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오 도출 방법 및 절차
Gazis et al. The problem of the amber signal light in traffic flow
Kaparias et al. Analysis of pedestrian–vehicle traffic conflicts in street designs with elements of shared space
US20170329332A1 (en) Control system to adjust operation of an autonomous vehicle based on a probability of interference by a dynamic object
Kumar et al. Analysis of pedestrian conflict with right-turning vehicles at signalized intersections in India
Barmpounakis et al. Intelligent transportation systems and powered two wheelers traffic
Zyner et al. ACFR five roundabouts dataset: Naturalistic driving at unsignalized intersections
So et al. Generating traffic safety test scenarios for automated vehicles using a big data technique
Zaki et al. Automated analysis of pedestrians’ nonconforming behavior and data collection at an urban crossing
CN111247574B (zh) 信息生成装置
Bella et al. Driver-pedestrian interaction under legal and illegal pedestrian crossings
Chaudhari et al. Deriving pedestrian risk index by vehicle type and road geometry at midblock crosswalks under heterogeneous traffic conditions
KR20210014239A (ko) 도로영상을 이용한 자율주행차를 위한 운행환경 정보수집 및 분석 방법 및 장치
Lima et al. Systematic review: Techniques and methods of urban monitoring in intelligent transport systems
Twaddle et al. Use of automated video analysis for the evaluation of bicycle movement and interaction
Charouh et al. Video analysis and rule-based reasoning for driving maneuver classification at intersections
Zaki et al. Comprehensive safety diagnosis using automated video analysis: Applications to an urban intersection in Edmonton, Alberta, Canada
Noh et al. SafetyCube: Framework for potential pedestrian risk analysis using multi-dimensional OLAP
US20220172606A1 (en) Systems and Methods for Extracting Data From Autonomous Vehicles
Zheng et al. Analyses of multiyear statewide secondary crash data and automatic crash report reviewing
Alessandrini et al. Automated road transport systems (ARTS)—The safe way to integrate automated road transport in urban areas
Chae Simulation of Pedestrian-vehicle Interactions at Roundabouts.
Reyad et al. School zone safety diagnosis using automated conflicts analysis technique

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant