KR102310601B1

KR102310601B1 - 레이저 프리뷰를 이용한 학습 데이터 수집 방법 및 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Info

Publication number: KR102310601B1
Application number: KR1020210089486A
Authority: KR
Inventors: 승정민
Original assignee: 주식회사 인피닉
Priority date: 2021-07-08
Filing date: 2021-07-08
Publication date: 2021-10-13
Also published as: WO2023282466A1

Abstract

본 발명은 인공지능(AI)의 기계 학습용 데이터를 수집함에 있어서, 레이저 프리뷰를 이용한 학습 데이터 수집 방법을 제안한다. 상기 방법은 학습 데이터 수집 장치가 차량에 고정 설치된 레이더(radar)로부터 감지 데이터를 수신하는 단계; 상기 학습 데이터 수집 장치가 상기 수신된 감지 데이터로부터 객체를 식별하는 단계; 및 상기 학습 데이터 수집 장치가 상기 차량과 상기 식별된 객체 사이의 거리에 대응하여, 상기 차량에 고정 설치되어 레이저 펄스를 방사할 라이다(lidar)를 제어하는 단계를 포함할 수 있다. 이와 같은 본 발명에 따르면, 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 데이터를 수집하는 차량에 설치된 다중 센서들의 데이터 수집 주기 또는 수집할 데이터의 품질을 제어함으로써, 인공지능(AI)의 기계 학습용 데이터들 중에서 상대적으로 중요도가 낮은 데이터를 감소시킬 수 있다.

Description

레이저 프리뷰를 이용한 학습 데이터 수집 방법 및 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램{Control method of multiple sensors for data collection, and computer program recorded on record-medium for executing method thereof}

본 발명은 인공지능(Artificial Intelligence, AI) 학습용 데이터의 가공에 관한 것이다. 보다 상세하게는, 인공지능(AI)의 기계 학습용 데이터를 수집함에 있어서, 레이저 프리뷰를 이용한 학습 데이터 수집 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램에 관한 것이다.

인공지능(AI)은 인간의 학습능력, 추론능력 및 지각능력 등의 일부 또는 전부를 컴퓨터 프로그램을 이용하여 인공적으로 구현하는 기술을 의미한다. 인공지능(AI)과 관련하여, 기계 학습(machine learning)은 다수의 파라미터로 구성된 모델을 이용하여 주어진 데이터로 파라미터를 최적화하는 학습을 의미한다. 이와 같은, 기계 학습은 학습용 데이터의 형태에서 따라, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습(reinforcement learning)으로 구분된다.

일반적으로, 인공지능(AI) 학습용 데이터의 설계는 데이터 구조의 설계, 데이터의 수집, 데이터의 정제, 데이터의 가공, 데이터의 확장 및 데이터의 검증 단계로 진행된다.

각각의 단계에서 대하여 보다 구체적으로 설명하면, 데이터 구조의 설계는 온톨로지(ontology) 정의, 분류 체계의 정의 등을 통해 이루어진다. 데이터의 수집은 직접 촬영, 웹 크롤링(web crawling) 또는 협회/전문 단체 등을 통해 데이터를 수집하여 이루어진다. 데이터 정제는 수집된 데이터 내에서 중복 데이터를 제거하고, 개인 정보 등을 비식별화하여 이루어진다. 데이터의 가공은 어노테이션(annotation)을 수행하고, 메타데이터(metadata)를 입력하여 이루어진다. 데이터의 확장은 온톨로지 매핑(mapping)을 수행하고, 필요에 따라 온톨로지를 보완하거나 확장하여 이루어진다. 그리고, 데이터의 검증은 다양한 검증 도구를 활용하여 설정된 목표 품질에 따른 유효성을 검증하여 이루어진다.

한편, 차량의 자율주행(automatic driving)은 차량 스스로 판단하여 주행할 수 있는 시스템을 의미한다. 이와 같은, 자율주행은 시스템이 주행에 관여하는 정도와 운전차가 차량을 제어하는 정도에 따라 비자동화부터 완전 자동화까지 점진적인 단계로 구분될 수 있다. 일반적으로, 자율주행의 단계는 국제자동차기술자협회(SAE(Society of Automotive Engineers) International)에서 분류한 6단계의 레벨로 구분된다. 국제자동차기술자협회가 분류한 6단계에 따르면, 레벨 0단계는 비자동화, 레벨 1단계는 운전자 보조, 레벨 2단계는 부분 자동화, 레벨 3단계는 조건부 자동화, 레벨 4단계는 고도 자동화, 그리고 레벨 5단계는 완전 자동화 단계이다.

차량의 자율주행은 인지(perception), 측위(localization), 경로 계획(path planning) 및 제어(control)의 메커니즘을 통해 수행된다. 현재 여러 기업체들은 자율주행 메커니즘 중에서 인지 및 경로 계획을 인공지능(AI)을 이용하여 구현하기 위해 개발 중에 있다.

이러한 차량의 자율주행에 사용될 수 있는 인공지능(AI)의 기계 학습에 사용되는 데이터는 차량에 설치된 다양한 종류의 센서에 의해 수집된다. 예를 들어, 차량의 자율주행에 사용될 수 있는 인공지능(AI)의 기계 학습에 사용되는 데이터들은 차량에 고정 설치된 라이다(lidar), 카메라(camera), 레이더(radar) 및 초음파 센서(ultrasonic sensor)에 의해 획득, 촬영 또는 감지된 데이터들이 될 수 있으며, 이에 한정되는 것도 아니다.

그러나, 차량에 설치된 다양한 센서에 의해 연속적으로 획득, 촬영 또는 측정된 모든 데이터들 속에 인공지능(AI)의 학습 대상이 되는 객체가 포함되어 있는 것은 아니다. 즉, 다양한 센서에 의해 연속적으로 획득, 촬영 또는 측정된 모든 데이터들 중에는 자율주행에 사용될 수 있는 인공지능(AI)의 기계 학습에 무의미한 데이터들이 다수 포함되어 있다.

또한, 인공지능(AI)의 기계 학습에 사용되는 데이터들을 획득, 촬영 또는 측정하기 위한 다양한 센서들은 물리적으로 동일한 하나의 지점에 설치될 수 없으며, 여러 지점들에 이격되어 제각각 설치될 수밖에 없다. 따라서, 다양한 센서들에 의해 획득, 촬영 또는 측정된 데이터들은 각각의 센서가 설치된 위치에 따라 서로 차이를 가질 수밖에 없다.

대한민국 공개특허공보 제10-2020-0042629호, ‘인공지능 학습을 위한 모바일 기기의 터치 기반 어노테이션과 이미지 생성 방법 및 그 장치’, (2020.04.24. 공개)

본 발명의 일 목적은 차량의 자율주행에 사용될 수 있는 인공지능(AI)의 기계 학습용 데이터를 수집함에 있어서, 레이저 프리뷰를 이용한 학습 데이터 수집 방법을 제공하는 것이다.

본 발명의 다른 목적은 인공지능(AI)의 기계 학습용 데이터를 수집함에 있어서, 레이저 프리뷰를 이용한 학습 데이터 수집 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제공하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 인공지능(AI)의 기계 학습용 데이터를 수집하기 위한 다중 센서를 효과적으로 제어할 수 있는 방법을 제안한다. 상기 방법은 학습 데이터 수집 장치가 차량에 고정 설치된 레이더(radar)로부터 감지 데이터를 수신하는 단계; 상기 학습 데이터 수집 장치가 상기 수신된 감지 데이터로부터 객체를 식별하는 단계; 및 상기 학습 데이터 수집 장치가 상기 차량과 상기 식별된 객체 사이의 거리에 대응하여, 상기 차량에 고정 설치되어 레이저 펄스를 방사할 라이다(lidar)를 제어하는 단계를 포함할 수 있다. 이 경우, 상기 감지 데이터는 상기 레이더에 의해 상기 차량의 주행 방향을 향하여 발사된 전자기파 신호를 반사시킨 점들(points)에 대한 정보가 될 수 있다.

구체적으로, 상기 객체를 식별하는 단계는 상기 감지 데이터에 포함된 점들 중에서 사전에 설정된 임계 범위 내에서 군집(crowd)을 형성하고 있는 점들을 추출하여 상기 객체를 식별할 수 있다.

상기 라이다를 제어하는 단계는 상기 감지 데이터로부터 어떠한 객체도 식별되지 않은 경우, 상기 라이다가 상기 레이저 펄스를 방사하지 않도록 제어할 수 있다.

상기 라이다를 제어하는 단계는 상기 차량과 상기 객체 사이의 거리가 사전에 설정된 라이다 인식 범위보다 먼 경우, 상기 라이다가 상기 레이저 펄스를 방사하지 않거나, 또는 사전에 설정된 세기로만 상기 레이저 펄스를 방사하도록 제어할 수 있다.

상기 라이다를 제어하는 단계는 상기 차량과 상기 객체 사이의 거리가 상기 라이다 인식 범위 이내인 경우, 상기 객체로부터의 거리에 비례하여 상기 라이다의 레이저 펄스 방사 주기(period)를 길게 하거나 또는 짧게 제어할 수 있다. 상기 라이다를 제어하는 단계는 상기 차량과 상기 객체 사이의 거리가 사전에 설정된 특정 가능 범위 이내인 경우, 상기 차량에 고정 설치된 복수 개의 카메라들이 2D 이미지를 촬영하도록 제어할 수 있다. 이 경우, 상기 특정 가능 범위는 상기 라이다 인식 범위보다 좁은 범위에 해당된다.

상기 라이다를 제어하는 단계는 상기 차량과 상기 객체 사이의 거리에 대응하여, 상기 복수 개의 카메라들이 촬영할 2D 이미지의 해상도(resolution)를 다르게 설정할 수 있다.

상기 라이다를 제어하는 단계는 상기 감지 데이터에 포함된 객체의 시계열적 위치 변화를 기초로 상기 객체의 이동 경로를 추정하고, 상기 복수 개의 카메라들 중에서 상기 추정된 이동 경로에 대응하는 방향을 촬영하는 카메라의 촬영 주기를 다른 방향을 촬영하는 카메라보다 짧게 설정할 수 있다.

또한, 상기 라이다를 제어하는 단계는 상기 차량과 상기 객체 사이의 거리가 사전에 설정된 접촉 가능 범위 이내인 경우, 상기 차량에 고정 설치된 복수 개의 초음파 센서들이 초음파를 발사하도록 제어할 수 있다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 다중 센서를 효과적으로 제어할 수 있는 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제안한다. 상기 컴퓨터 프로그램은 메모리(memory); 송수신기(transceiver); 및 상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합될 수 있다. 그리고, 상기 컴퓨터 프로그램은 상기 프로세서가 차량에 고정 설치된 레이더(radar)로부터 감지 데이터를 상기 송수신기를 통해 수신하는 단계; 상기 프로세서가 상기 수신된 감지 데이터로부터 객체의 식별하는 단계; 및 상기 프로세서가 상기 식별된 객체로부터의 거리에 대응하여, 상기 차량에 고정 설치되어 레이저 펄스를 방사할 라이다(lidar)를 제어하는 단계를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 실시 예들에 따르면, 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 데이터를 수집하는 차량에 설치된 다중 센서들의 데이터 수집 주기 또는 수집할 데이터의 품질을 제어함으로써, 인공지능(AI)의 기계 학습용 데이터들 중에서 상대적으로 중요도가 낮은 데이터를 감소시킬 수 있다. 이와 같이, 상대적으로 중요도가 낮은 데이터를 감소시킴으로써, 인공지능(AI)의 기계 학습을 위한 데이터 가공의 부담을 낮출 수 있게 된다.

본 발명의 효과들은 이상에서 언급한 효과로 제한되지 아니하며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 본 발명이 속한 기술분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 인공지능 학습 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 다중 센서들을 설명하기 위한 예시도이다.
도 3은 본 발명의 일 실시예에 따른 학습 데이터 수집 장치의 논리적 구성도이다.
도 4는 본 발명의 일 실시예에 따른 학습 데이터 수집 장치의 하드웨어 구성도이다.
도 5 내지 도 7은 본 발명의 일 실시예에 따라 다중 센서들을 제어하는 과정을 설명하기 위한 예시도이다.
도 8 및 도 9는 본 발명의 일 실시예에 따라 수집된 데이터들에 대하여 후처리하는 과정을 설명하기 위한 예시도이다.
도 10 내지 도 12는 본 발명의 일 실시예에 따라 다중 센서들의 오차를 보정하는 과정을 설명하기 위한 예시도이다.
도 13은 본 발명의 일 실시예에 따른 데이터 수집 방법을 설명하기 위한 순서도이다.

본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.

어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다. 본 발명의 사상은 첨부된 도면 외에 모든 변경, 균등물 내지 대체물에 까지도 확장되는 것으로 해석되어야 한다.

상술한 바와 같이, 차량에 설치된 다양한 센서에 의해 연속적으로 획득, 촬영 또는 측정된 모든 데이터들 속에 인공지능(AI)의 학습 대상이 되는 객체가 포함되어 있는 것은 아니다. 즉, 다양한 센서에 의해 연속적으로 획득, 촬영 또는 측정된 모든 데이터들 중에는 자율주행에 사용될 수 있는 인공지능(AI)의 기계 학습에 무의미한 데이터들이 다수 포함되어 있다.

이러한 어려움을 해결하고자, 본 발명은 인공지능(AI)의 기계 학습용 데이터를 수집하는 다중 센서들을 효과적으로 제어하고, 무의미한 데이터를 감소시키며, 다중 센서들에 의해 수집된 데이터들 사이의 오차를 최소화시킬 수 있는 다양한 수단들을 제안하고자 한다.

도 1은 본 발명의 일 실시예에 따른 인공지능 학습 시스템의 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 학습 시스템은 학습 데이터 수집 장치(100), 학습 데이터 생성 장치(200), 다수 개의 어노테이션 장치(300) 및 인공지능 학습 장치(400)를 포함하여 구성될 수 있다.

이와 같은, 일 실시예에 따른 인공지능 학습 시스템의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

각각의 구성 요소에 대하여 설명하면, 학습 데이터 수집 장치(100)는 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 데이터를 수집하는데 사용될 수 있는 장치이다.

즉, 학습 데이터 수집 장치(100)는 다중 센서를 제어하여 데이터를 획득, 촬영 또는 감지할 수 있다. 그리고, 학습 데이터 수집 장치(100)는 획득, 촬영 또는 감지된 데이터들이 가공될 수 있도록, 학습 데이터 생성 장치(200)에 전송할 수 있다.

이 경우, 학습 데이터 수집 장치(100)의 제어의 대상이 되는 다중 센서에는 라이다(lidar), 카메라(camera), 레이더(radar) 및 초음파 센서(ultrasonic sensor) 중 하나 이상이 포함될 수 있으나, 이에 한정되는 것은 아니다.

이와 같은, 학습 데이터 수집 장치(100)의 제어 대상이 되는 다중 센서에 대해서는 추후 도 2를 참조하여 보다 구체적으로 설명하기로 한다.

특징적으로, 본 발명의 실시예들에 따른 학습 데이터 수집 장치(100)는 데이터들을 수집하기 위한 다중 센서들을 효과적으로 제어하고, 무의미한 데이터를 감소시키며, 다중 센서들에 의해 수집된 데이터들 사이의 오차를 최소화시킬 수 있는 특징들을 가지고 있다.

이와 같은, 학습 데이터 수집 장치(100)의 특징들에 대해서는 추후 도 3 및 도 4를 참조하여 보다 구체적으로 설명하기로 한다.

다음 구성으로, 학습 데이터 생성 장치(200)는 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키기 위한 데이터를 설계 및 가공하는데 사용될 수 있는 장치이다.

구체적으로, 학습 데이터 생성 장치(200)는 인공지능 학습 장치(400)로부터 인공지능(AI) 학습과 관련된 프로젝트의 속성을 수신할 수 있다. 학습 데이터 생성 장치(200)는 사용자의 제어 및 수신된 프로젝트의 속성을 기초로, 인공지능(AI) 학습을 위한 데이터 구조의 설계, 수집된 데이터의 정제, 데이터의 가공, 데이터의 확장 및 데이터의 검증을 수행할 수 있다.

우선적으로, 학습 데이터 생성 장치(200)는 인공지능(AI) 학습을 위한 데이터 구조를 설계할 수 있다. 예를 들어, 학습 데이터 생성 장치(200)는 사용자의 제어 및 수신된 프로젝트의 속성을 기초로, 인공지능(AI) 학습을 위한 온톨로지(ontology), 인공지능(AI) 학습을 위한 데이터의 분류 체계를 정의할 수 있다.

학습 데이터 생성 장치(200)는 설계된 데이터 구조를 기초로, 인공지능(AI) 학습을 위한 데이터를 수집할 수 있다. 이를 위하여, 학습 데이터 생성 장치(200)는 학습 데이터 수집 장치(100)로부터 감지 데이터들, 3D 점군 데이터들, 2D 이미지들 및 센싱 데이터들을 수신할 수 있다. 그러나, 이에 한정되지 아니하고, 학습 데이터 생성 장치(200)는 웹 크롤링(web crawling)을 수행하거나, 또는 외부 기관의 장치로부터 데이터들을 다운로드할 수도 있다.

학습 데이터 생성 장치(200)는 수집된 감지 데이터들, 3D 점군 데이터들, 2D 이미지들 및 센싱 데이터들 중에서 중복되거나 또는 극히 유사한 데이터를 제거할 수 있다. 학습 데이터 생성 장치(200)는 수집된 감지 데이터들, 3D 점군 데이터 및 2D 이미지들에 포함된 개인정보를 비식별화(de-identification)할 수 있다.

학습 데이터 생성 장치(200)는 수집 및 정제된 감지 데이터들, 3D 점군 데이터들, 2D 이미지들 및 센싱 데이터들을 복수 개의 어노테이션 장치(300)에 분배하여 전송할 수 있다. 이 경우, 학습 데이터 생성 장치(200)는 어노테이션 장치(300)의 작업자(즉, 라벨러)에 대하여 사전에 할당된 양에 대응하여, 감지 데이터들, 3D 점군 데이터들, 2D 이미지들 및 센싱 데이터들을 분배할 수 있다.

학습 데이터 생성 장치(200)는 각각의 어노테이션 장치(300)로부터 어노테이션 작업 결과물을 수신할 수 있다. 학습 데이터 생성 장치(200)는 수신된 어노테이션 작업 결과물을 패키징(packaging)하여 인공지능(AI) 학습용 데이터를 생성할 수 있다. 그리고, 학습 데이터 생성 장치(200)는 생성된 인공지능(AI) 학습용 데이터를 인공지능 학습 장치(400)에 전송할 수 있다.

이와 같은 특징을 가지는, 학습 데이터 생성 장치(200)는 학습 데이터 수집 장치(100), 어노테이션 장치(300) 및 인공지능 학습 장치(400)와 데이터를 송수신하고, 송수신된 데이터를 기초로 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 학습 데이터 생성 장치(200)는 데스크탑(desktop), 워크스테이션(workstation) 또는 서버(server)와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

다음 구성으로, 어노테이션 장치(300)는 학습 데이터 생성 장치(200)에 의해 분배된 감지 데이터들, 3D 점군 데이터들, 2D 이미지들 및 센싱 데이터들에 대하여 어노테이션을 수행하는데 사용될 수 있는 장치이다. 이와 같은, 어노테이션 장치(300)의 전부 또는 일부는 어노테이션 작업자가 클라우딩 서비스(clouding service)를 통해 어노테이션 작업을 수행하는 장치가 될 수도 있다.

구체적으로, 어노테이션 장치(300)는 학습 데이터 생성 장치(200)로부터 수신된 감지 데이터들, 3D 점군 데이터들, 2D 이미지들 및 센싱 데이터들 중에서 어노테이션 작업 대상이 되는 하나의 감지 데이터, 3D 점군 데이터, 2D 이미지 또는 센싱 데이터 디스플레이에 출력할 수 있다.

어노테이션 장치(300)는 입출력장치를 통해 사용자로부터 입력된 신호에 따라 툴(tool)을 선택할 수 있다. 여기서, 툴은 감지 데이터, 3D 점군 데이터, 2D 이미지 또는 센싱 데이터 속에 포함되어 있는 하나 이상의 객체(object)를 특정하는 바운딩 박스를 설정하기 위한 도구이다.

어노테이션 장치(300)는 입출력장치를 통해 선택된 툴에 따른 좌표를 입력 받을 수 있다. 그리고, 어노테이션 장치(300)는 입력된 좌표를 기초로 바운딩 박스(bounding box)를 설정하여, 감지 데이터, 3D 점군 데이터, 2D 이미지 또는 센싱 데이터 속에 포함된 객체를 특정할 수 있다.

여기서, 바운딩 박스는 감지 데이터, 3D 점군 데이터, 2D 이미지 또는 센싱 데이터 속에 포함된 객체들 중에서 인공지능(AI) 학습의 대상이 되는 객체를 특정하기 위한 영역이다. 이와 같은, 바운딩 박스는 사각형(rectangle) 또는 정육면체(cube)의 형상을 가질 수 있으며, 이에 한정되는 것은 아니다.

예를 들어, 어노테이션 장치(300)는 입출력장치를 통해 두 개의 좌표를 입력 받고, 입력된 두 좌표를 기초로 감지 데이터, 3D 점군 데이터, 2D 이미지 또는 센싱 데이터 내에서 좌상단 꼭지점(vertex)의 좌표와 우하단 꼭지점의 좌표로 가지는 사각형을 기초로 바운딩 박스를 설정하여 객체를 특정할 수 있다. 이 경우, 두 개의 좌표는 사용자가 한 종류의 입력 신호를 두 번 입력(예들 들어, 마우스 클릭)하여 설정되거나, 사용자가 두 종류의 입력 신호를 한번씩 입력(예를 들어, 마우스 드래그)하여 설정될 수 있으나, 이에 한정되는 것은 아니다.

어노테이션 장치(300)는 입출력장치를 통해 사용자로부터 입력된 신호에 따라, 어노테이션 작업의 대상이 되는 감지 데이터, 3D 점군 데이터, 2D 이미지, 센싱 데이터, 또는 설정된 객체에 대한 메타데이터(metadata)를 생성할 수 있다. 여기서, 메타데이터는 감지 데이터, 3D 점군 데이터, 2D 이미지, 센싱 데이터, 또는 객체를 설명하기 위한 데이터이다. 이와 같은, 메타데이터에는 특정된 객체의 카테고리, 객체가 화각에 의해 잘려진 비율, 객체가 다른 객체 또는 물체에 의해 가려진 비율, 객체의 트래킹 아이디, 이미지가 촬영된 시각, 이미지가 촬영된 날의 기상 조건 등이 포함될 수 있으며, 이에 한정되지 아니하고, 파일 크기, 이미지 크기, 저작권자, 해상도, 비트 값, 조리개 투과량, 노출 시간, ISO 감도, 초점 거리, 조리개 개방 수치, 화각, 화이트 밸런스, RGB 깊이, 클래스 명, 태그, 촬영 장소, 도로의 유형, 도로 표면 정보 또는 교통 체증 정보가 더 포함될 수도 있다.

어노테이션 장치(300)는 특정된 객체와 생성된 메타데이터를 기초로, 어노테이션 작업 결과물을 생성할 수 있다. 이 경우, 어노테이션 작업 결과물을 JSON(Java Script Object Notation) 파일 형식을 가질 수 있으나, 이에 한정되는 것은 아니다. 어노테이션 장치(300)는 생성된 어노테이션 작업 결과물을 학습 데이터 생성 장치(200)에 전송할 수 있다.

이와 같은 특징을 가지는, 어노테이션 장치(300)는 학습 데이터 생성 장치(200)와 데이터를 송수신하고, 송수신된 데이터를 기초로 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 어노테이션 장치(100)는 데스크탑(desktop), 워크스테이션(workstation) 또는 서버(server)와 같은 고정식 컴퓨팅 장치, 또는 스마트폰(smart phone), 랩탑(laptaop), 태블릿(tablet), 패블릿(phablet), 휴대용 멀티미디어 재생장치(Portable Multimedia Player, PMP), 개인용 휴대 단말기(Personal Digital Assistants, PDA) 또는 전자책 단말기(E-book reader)과 같은 이동식 컴퓨팅 장치 중 어느 하나가 될 수 있다.

다음 구성으로, 인공지능 학습 장치(400)는 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습시키는데 사용될 수 있는 장치이다.

구체적으로, 인공지능 학습 장치(400)는 차량의 자율주행에 사용될 수 있는 인공지능(AI)의 목적 달성을 위한 요구 사항을 학습 데이터 생성 장치(200)에 전송할 수 있다. 인공지능 학습 장치(400)는 학습 데이터 생성 장치(200)로부터 인공지능(AI) 학습용 데이터를 수신할 수 있다. 그리고, 인공지능 학습 장치(400)는 수신된 인공지능(AI) 학습용 데이터를 이용하여, 차량의 자율주행에 사용될 수 있는 인공지능(AI)을 기계 학습할 수 있다.

이와 같은, 인공지능 학습 장치(400)는 학습 데이터 생성 장치(200)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 인공지능 학습 장치(400)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

지금까지 상술한 바와 같은, 학습 데이터 수집 장치(100), 학습 데이터 생성 장치(200), 다수 개의 어노테이션 장치(300) 및 인공지능 학습 장치(400)는 장치들 사이를 직접 연결하는 보안 회선, 공용 유선 통신망 또는 이동 통신망 중 하나 이상이 조합된 네트워크를 이용하여 데이터를 송수신할 수 있다.

예를 들어, 공용 유선 통신망에는 이더넷(ethernet), 디지털가입자선(x Digital Subscriber Line, xDSL), 광동축 혼합망(Hybrid Fiber Coax, HFC), 광가입자망(Fiber To The Home, FTTH)가 포함될 수 있으나, 이에 한정되는 것도 아니다. 그리고, 이동 통신망에는 코드 분할 다중 접속(Code Division Multiple Access, CDMA), 와이드 밴드 코드 분할 다중 접속(Wideband CDMA, WCDMA), 고속 패킷 접속(High Speed Packet Access, HSPA), 롱텀 에볼루션(Long Term Evolution, LTE), 5세대 이동통신(5th generation mobile telecommunication)가 포함될 수 있으나, 이에 한정되는 것은 아니다.

이하, 상술한 바와 같은 학습 데이터 수집 장치(100)의 제어 대상이 되는 다중 센서에 대하여 보다 구체적으로 설명하기로 한다.

도 2는 본 발명의 일 실시예에 따른 다중 센서들을 설명하기 위한 예시도이다.

도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 수집 장치(100)는 차량(10)에 고정 설치된 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50) 중 하나 이상을 제어하여, 인공지능(AI)을 기계 학습시키기 위한 데이터를 획득, 촬영 또는 감지할 수 있다.

여기서, 차량(10)은 인공지능(AI)을 기계 학습시키기 위한 기초 데이터를 수집하기 위한 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)가 설치된 차량으로, 인공지능(AI)에 의해 자율주행을 수행하는 차량과는 서로 구별될 수 있다.

레이더(20)는 차량(10)에 고정 설치되어 차량(10)의 주행 방향을 향하여 전자기파(electromagnetic wave)를 발사하고, 차량(10)의 전방에 위치하는 객체(object)에 의해 반사되어 돌아온 전자기파를 감지하여, 차량(10)이 전방에 대한 영상에 해당하는 감지 데이터를 생성할 수 있다.

다르게 말하면, 감지 데이터는 차량(10)에 고정 설치된 레이더(20)에 의해 차량의 주행 방향을 향하여 발사된 전자기파를 반사시킨 점들(points)에 대한 정보이다. 따라서, 감지 데이터에 포함된 점들의 좌표들은 차량(10)의 전방에 위치하는 객체의 위치 및 형상에 대응하는 값을 가질 수 있다. 이러한, 감지 데이터는 2차원 정보가 될 수 있으나, 이에 한정되지 않고 3차원 정보가 될 수도 있다.

라이다(30)는 차량(10)에 고정 설치되어 차량(10)의 주위로 레이저 펄스(laser pulse)를 방사하고, 차량(10)의 주위에 위치하는 객체에 의해 반사되어 돌아온 빛을 감지하여, 차량(10)의 주위에 대한 3차원 영상에 해당하는 3D 점군 데이터를 생성할 수 있다.

다르게 말하면, 3D 점군 데이터는 차량(10)에 고정 설치된 라이다(30)에 의해 차량의 주위로 방사된 레이저 펄스를 반사시킨 점들에 대한 3차원 정보이다. 따라서, 3D 점군 데이터에 포함된 점들의 좌표들은 차량(10)의 주위에 위치하는 객체의 위치 및 형성에 대응하는 값을 가질 수 있다.

카메라(40)는 차량(10)에 고정 설치되어 차량(10)의 주위에 대한 2차원 이미지를 촬영할 수 있다. 이와 같은, 카메라(40)는 그 화각에 따라 복수 개로 구성될 수 있다. 예를 들어, 도 2는 차량(10)에 6개의 카메라(40)가 설치된 예시를 도시하고 있으나, 차량(10)에 설치될 수 있는 카메라(40)가 다양한 개수로 구성될 수 있음은 본 발명이 속한 기술분야의 통상의 지식을 가진 자에게 자명할 것이다.

다르게 말하면, 2D 이미지는 차량(10)에 고정 설치된 카메라(40)에 의해 촬영된 이미지이다. 따라서, 2D 이미지에는 카메라(40)가 향하는 방향에 위치하는 객체의 색상 정보가 포함될 수 있다.

초음파 센서(50)는 차량(50)에 고정 설치되어 차량(10)의 주위로 초음파(ultrasonic)를 발사하고, 차량(10)과 인접하게 위치하는 객체에 의해 반사되어 돌아온 음파를 감지하여, 차량(10)에 설치된 초음파 센서(50)와 객체 사이의 거리에 해당하는 거리 정보를 생성할 수 있다. 일반적으로, 초음파 센서(50)는 복수 개로 구성되어, 객체와 접촉하기 쉬운 차량(10)의 전방, 후방, 전측방 및 후측방에 고정 설치될 수 있다.

다르게 말하면, 거리 정보는 차량(10)에 고정 설치된 초음파 센서(50)에 의해 감지된 객체로부터의 거리에 관한 정보이다.

이하, 상술한 바와 같은, 학습 데이터 수집 장치(100)의 구성에 대하여 보다 구체적으로 설명하기로 한다.

도 3은 본 발명의 일 실시예에 따른 학습 데이터 수집 장치의 논리적 구성도이다.

도 3에 도시된 바와 같이, 학습 데이터 수집 장치(100)는 통신부(105), 입출력부(110), 다중 센서 제어부(115), 데이터 후처리부(120), 오차 보정부(125) 및 데이터 제공부(130)를 포함하여 구성될 수 있다.

이와 같은, 학습 데이터 수집 장치(100)의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

각각의 구성 요소에 대하여 설명하면, 통신부(105)는 다중 센서들과 학습 데이터 생성 장치(200)와 데이터를 송수신할 수 있다.

구체적으로, 통신부(105)는 차량(10)에 고정 설치된 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)로부터 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보를 수신할 수 있다.

이를 위하여, 학습 데이터 수집 장치(100)와 다중 센서는 데이터 송수신용 케이블에 의해 서로 직접 연결될 수 있으나, 이에 한정되는 것은 아니다.

그리고, 통신부(105)는 데이터 제공부(130)의 제어에 따라, 후처리 및 오차 보정이 수행된 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보를 학습 데이터 생성 장치(200)에 전송할 수 있다.

다음 구성으로, 입출력부(110)는 사용자 인터페이스(UI)를 통해 사용자로부터 신호를 입력 받거나 연산 결과를 외부로 출력할 수 있다.

구체적으로, 입출력부(110)는 사용자로부터 임계 범위를 입력 받을 수 있다. 여기서, 임계 범위는 감지 데이터 또는 3D 점군 데이터에 포함된 점들 중에서 객체로 식별될 수 있는 점들의 군집(crowd)을 결정하기 위한 크기 범위로서, 인공지능(AI)의 기계 학습의 대상이 되는 객체의 유형에 따라 결정된 값이 입력될 수 있다.

입출력부(110)는 사용자로부터 라이다 인식 범위를 입력 받을 수 있다. 여기서, 라이다 인식 범위는 라이다(30)로부터 방사된 레이저 펄스가 도달하여 객체가 인식될 수 있는 범위로서, 라이다(30)의 출력 또는 유형에 따라 결정된 값이 입력될 수 있다.

입출력부(110)는 사용자로부터 특정 가능 범위를 입력 받을 수 있다. 여기서, 특정 가능 범위는 카메라(40)에 의해 촬영된 2D 이미지로부터 객체를 특정할 수 있는 범위로서, 인공지능(AI)의 기계 학습의 대상이 되는 객체의 유형, 최소 요구 픽셀(pixel)의 개수 등에 따라 결정된 값이 입력될 수 있다.

입출력부(110)는 사용자로부터 접촉 가능 범위를 입력 받을 수 있다. 여기서, 접촉 가능 범위는 차량(10)이 상식적인 범위 내에서 거동하였을 때 다른 객체와 접촉할 가능성을 가질 수 있는 범위로서, 인공지능(AI)의 기계 학습의 목표 등에 따라 결정된 값이 입력될 수 있다.

입출력부(110)는 사용자로부터 샘플링 테이블을 입력 받을 수 있다. 여기서, 샘플링 테이블은 라이다에 의해 획득된 3D 점군 데이터들로부터 일부의 데이터들만 샘플링하기 위한 기준 정보와, 차량(10)과 객체 사이의 거리가 서로 매핑(mapping)된 테이블이다. 샘플링 데이터에 포함된 제1 샘플링 레이트는 단위 시간당 샘플링될 3D 점군 데이터들의 개수에 관한 정보이고, 제2 샘플링 레이트는 하나의 3D 점군 데이터를 구성할 점들의 개수에 관한 정보이다.

다음 구성으로, 다중 센서 제어부(115)는 차량(10)에 고정 설치된 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)를 제어할 수 있다.

구체적으로, 다중 센서 제어부(115)는 통신부(105)를 통해 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보 중에서 하나 이상을 수신할 수 있다. 예를 들어, 다중 센서 제어부(115)는 통신부(105)를 통해 감지 데이터를 수신할 수 있으며, 상황에 따라 3D 점군 데이터, 2D 이미지 및 거리 정보 중 하나 이상을 추가적으로 수신할 수 있다.

여기서, 감지 데이터는 차량(10)에 고정 설치된 레이더(20)에 의해 차량의 주행 방향을 향하여 발사된 전자기파를 반사시킨 점들(points)에 대한 정보이다. 3D 점군 데이터는 차량(10)에 고정 설치된 라이다(30)에 의해 차량의 주위로 방사된 레이저 펄스를 반사시킨 점들에 대한 3차원 정보이다. 2D 이미지는 차량(10)에 고정 설치된 카메라(40)에 의해 촬영된 이미지이다. 그리고, 거리 정보는 차량(10)에 고정 설치된 초음파 센서(50)에 의해 감지된 객체로부터의 거리에 관한 정보이다.

다중 센서 제어부(115)는 수신된 감지 데이터로부터 객체를 식별할 수 있다. 예를 들어, 다중 센서 제어부(125)는 감지 데이터에 포함된 점들 중에서 입출력부(110)에 의해 사전에 설정된 임계 범위 내에서 군집을 형성하고 있는 점들을 추출함으로써, 감지 데이터로부터 객체를 식별할 수 있다.

다중 센서 제어부(115)는 차량(10)과 감지 데이터로부터 식별된 객체 사이의 거리에 대응하여, 차량(10)에 고정 설치되어 레이저 펄스를 방사할 라이다(30), 2D 이미지를 촬영할 카메라(40) 및 초음파를 발사할 초음파 센서(50) 중 하나 이상을 제어할 수 있다.

보다 상세하게, 다중 센서 제어부(115)는 감지 데이터로부터 어떠한 객체도 식별되지 않은 경우, 라이다(30)가 레이저 펄스를 방하지 않도록 제어할 수 있다.

다중 센서 제어부(115)는 차량(10)과 객체 사이의 거리가 입출력부(110)를 통해 사전에 설정된 라이다 인식 범위보다 먼 경우, 라이다(30)가 레이저 펄스를 방사하지 않거나, 또는 사전에 설정된 세기로만 레이저 펄스를 방사하도록 제어할 수 있다.

다중 센서 제어부(115)는 차량(10)과 객체 사이의 거리가 라이다 인식 범위보다 먼 경우, 차량(10)에 고정 설치된 복수 개의 카메라(40)가 2D 이미지를 촬영하지 않으며, 초음파 센서(50)가 초음파를 발사하지 않도록 제어할 수 있다.

다중 센서 제어부(115)는 차량(10)과 객체 사이의 거리가 라이다 인식 범위 이내인 경우, 객체로부터의 거리에 비례하여 라이다(30)의 레이저 펄스 방사 주기(period)를 길게 하거나 또는 짧게 제어할 수 있다.

다중 센서 제어부(115)는 차량(10)과 객체 사이의 거리가 입출력부(110)를 통해 사전에 설정된 특정 가능 범위 이내인 경우, 차량(10)에 고정 설치된 복수 개의 카메라(40)들이 2D 이미지를 촬영하도록 제어할 수 있다. 이 경우, 특정 가능 범위는 라이다 인식 범위보다 좁은 범위에 해당할 수 있다.

다중 센서 제어부(115)는 차량(10)과 객체 사이의 거리에 대응하여, 복수 개의 카메라(40)들이 촬영할 2D 이미지의 해상도를 다르게 설정할 수 있다. 예를 들어, 다중 센서 제어부(115)는 차량(10)과 객체 사이의 거리가 가까워질수록, 복수 개의 카메라(40)들이 촬영할 2D 이미지의 해상도가 높아지도록 설정할 수 있다.

또한, 다중 센서 제어부(115)는 감지 데이터 포함된 객체의 시계열적 위치 변화를 기초로 객체의 이동 경로를 추정할 수 있다. 다중 센서 제어부(115)는 복수 개의 카메라(40)들 중에서 추정된 객체의 이동 경로에 대응하는 방향을 촬영하는 카메라를 식별할 수 있다. 그리고, 다중 센서 제어부(115)는 객체의 이동 경로에 대응하는 방향을 촬영하는 카메라의 촬영 주기를 다른 방향을 촬영하는 카메라보다 짧게 설정할 수 있다.

그리고, 다중 센서 제어부(115)는 차량(10)과 객체 사이의 거리가 입출력부(110)를 통해 사전에 설정된 접촉 가능 범위 이내인 경우, 차량(10)에 고정 설치된 복수 개의 초음파 센서(50)들이 초음파를 발사하도록 제어할 수 있다. 이 경우, 접촉 가능 범위는 특정 가능 범위보다 좁은 범위에 해당할 수 있다.

다음 구성으로, 데이터 후처리부(120)는 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)로부터 수집된 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보를 대상으로 후처리를 수행할 수 있다.

구체적으로, 데이터 후처리부(120)는 통신부(105)를 통해 감지 데이터, 3D 점군 데이터들, 2D 이미지들 및 거리 정보 중에서 하나 이상을 수신할 수 있다. 예를 들어, 데이터 후처리부(120)는 통신부(105)를 통해 감지 데이터 및 3D 점군 데이터들을 수신할 수 있으며, 상황에 따라 2D 이미지들 및 거리 정보 중 하나 이상을 추가적으로 수신할 수 있다.

데이터 후처리부(120)는 수신된 감지 데이터로부터 객체를 식별할 수 있다. 예를 들어, 데이터 후처리부(125)는 감지 데이터에 포함된 점들 중에서 입출력부(110)에 의해 사전에 설정된 임계 범위 내에서 군집을 형성하고 있는 점들을 추출함으로써, 감지 데이터로부터 객체를 식별할 수 있다.

또한, 데이터 후처리부(120)는 3D 점군 데이터들에 포함된 좌표들 중에서 식별된 객체가 위치하고 있는 영역을 중심으로, 라이다(30)의 레이저 펄스가 도달할 수 있는 영역을 관심 영역(region of interest)과 비관심 영역(region of uninterested)으로 구분할 수 있다.

데이터 후처리부(120)는 차량(10)과 감지 데이터로부터 식별된 객체 사이의 거리에 대응하여, 라이다(30)에 의해 획득된 복수의 3D 점군 데이터들, 카메라(40)에 의해 촬영된 복수의 2D 이미지들 및 초음파 센서(50)에 의해 감지된 거리 정보 중 하나 이상을 필터링(filtering)할 수 있다.

보다 상세하게, 데이터 후처리부(120)는 입출력부(110)에 의해 사전에 설정된 샘플링 테이블로부터, 차량(10)과 객체 사이의 거리에 대응하는 제1 샘플링 레이트(sampling rate)를 식별할 수 있다. 데이터 후처리부(120)는 식별된 제1 샘플링 레이트에 따라 복수의 3D 점군 데이터들을 샘플링하여 단위 시간당 3D 점군 데이터들의 개수를 감소시킬 수 있다.

또한, 데이터 후처리부(120)는 샘플링 테이블로부터 차량(10)과 객체 사이의 거리에 대응하는 제2 샘플링 레이트를 식별할 수 있다. 데이터 후처리부(120)는 식별된 제2 샘플링 레이트에 따라 복수의 3D 점군 데이터들을 샘플링하여 각각의 3D 점군 데이터를 구성하고 있는 점들의 개수를 감소시킬 수 있다.

한편, 데이터 후처리부(120)는 복수의 2D 이미지들 중에서 비관심 영역을 촬영한 카메라(40)에 의해 촬영된 2D 이미지들을, 관심 영역을 촬영한 카메라(40)에 의해 촬영된 2D 이미지들보다 낮은 해상도(resolution)로 재압축할 수 있다.

데이터 후처리부(120)는 복수의 2D 이미지들 중에서 비관심 영역을 촬영한 카메라(40)에 의해 촬영된 2D 이미지들을 샘플링하여 단위 시간당 2D 이미지들의 개수를 감소시킬 수 있다.

데이터 후처리부(120)는 복수의 2D 이미지들 중에서 비관심 영역을 촬영한 카메라(40)에 의해 촬영된 2D 이미지들의 색상 정보를 압축하기 위한 크로마 서브샘플링(chroma subsampling)의 크기를 확장시킨 후 재압축할 수 있다.

그리고, 데이터 후처리부(120)는 차량(10)과 객체 사이의 거리가 입출력부(110)를 통해 사전에 설정된 특정 가능 범위보다 먼 경우, 초음파 센서(50)에 의해 감지된 거리 정보들을 폐기할 수도 있다.

다음 구성으로, 오차 보정부(125)는 차량(10)에 고정 설치된 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)의 설치 위치에 따른 오차를 보정할 수 있다.

구체적으로, 오차 보정부(125)는 통신부(105)를 통해 감지 데이터, 3D 점군 데이터들, 2D 이미지들 및 거리 정보 중에서 하나 이상을 수신할 수 있다. 예를 들어, 데이터 후처리부(120)는 통신부(105)를 통해 감지 데이터 및 3D 점군 데이터들을 수신할 수 있으며, 상황에 따라 2D 이미지들 및 거리 정보 중 하나 이상을 추가적으로 수신할 수 있다.

오차 보정부(125)는 차량(10)에 고정 설치된 레이더(20)가 전자기파 신호를 발사한 제1 지점을 식별할 수 있다. 즉, 제1 지점은 차량(10) 내에 레이더(20)가 고정 설치된 지점을 의미한다. 만약, 차량(10)에 복수 개의 레이더(20)가 설치된 경우, 제1 지점의 수 또한 복수 개가 될 수 있다.

오차 보정부(125)는 차량(10)에 고정 설치된 라이다(30)가 레이저 펄스를 방사한 제2 지점을 식별할 수 있다. 즉, 제2 지점은 차량(10) 내에 라이다(30)가 고정 설치된 지점을 의미한다. 만약, 차량(10)에 복수 개의 라이다(30)가 설치된 경우, 제2 지점의 수 또한 복수 개가 될 수 있다.

이와 같은, 제1 지점 및 제2 지점은 레이더(20)와 라이다(30)가 고정 설치된 차량(10)의 차종, 크기, 인공지능(AI)의 학습 목표 등에 따라 사전에 미리 설정될 수 있으며, 이에 한정되지 않는다.

오차 보정부(125)는 식별된 제1 지점과 제2 지점이 서로 동일한 위치로 인식될 수 있도록, 감지 데이터에 포함된 점들의 좌표와 3D 점군 데이터에 포함된 점들의 좌표를 보정할 수 있다.

보다 상세하게, 오차 보정부(125)는 감지 데이터로부터 객체를 식별할 수 있다. 예를 들어, 오차 보정부(125)는 감지 데이터에 포함된 점들 중에서 입출력부(110)에 의해 사전에 설정된 임계 범위 내에서 군집을 형성하고 있는 점들을 추출함으로써, 감지 데이터로부터 객체를 식별할 수 있다.

오차 보정부(125)는 감지 데이터로부터 객체가 식별되는 경우에 한하여 감지 데이터 포함된 점들의 좌표와 3D 점군 데이터에 포함된 점들의 좌표를 보정하고, 감지 데이터로부터 어떠한 객체도 식별되지 않은 경우에는 감지 데이터 포함된 점들의 좌표와 3D 점군 데이터에 포함된 점들의 좌표를 그대로 유지할 수 있다.

한편, 오차 보정부(125)는 3차원 좌표를 가지는 가상의 기준점(standard point)을 설정한 이후, 제1 지점과 제2 지점이 기준점에 위치하는 것으로 인식되도록, 감지 데이터에 포함된 점들의 좌표와 3D 점군 데이터에 포함된 점들의 좌표를 보정할 수 있다.

예를 들어, 오차 보정부(125)는 차량(10)의 중심점(center point)을 기준점으로 설정한 이후, 제1 지점과 제2 지점이 기준점에 위치하는 것으로 인식되도록, 감지 데이터에 포함된 점들의 좌표와 3D 점군 데이터에 포함된 점들의 좌표를 보정할 수 있다.

한편, 레이더(20)에 의해 획득된 감지 데이터 및 라이다(30)에 의해 획득된 3D 점군 데이터는 전자기파 또는 레이저 펄스를 반사시킨 점들의 좌표로 구성되어, 좌표의 값의 보정을 통해 관측점(즉, 제1 지점 및 제2 지점)을 일치시킬 수 있다. 그러나, 카메라(40)에 의해 촬영된 2D 이미지는 색상 정보로 구성되어 있어 관측점을 일치시킬 수가 없다. 따라서, 오차 보정부(125)는 레이더(20)의 제1 지점과 라이다(30)의 제2 지점을 카메라(40)가 2D 이미지를 촬영한 지점으로 보정할 수 있는 수식(formula)을 제공할 수 있다.

보다 상세하게, 오차 보정부(125)는 복수 개의 카메라(40)들이 설치된 각각의 촬영 지점들과 기준점 사이의 3차원 벡터 값들을 각각 산출할 수 있다. 오차 보정부(125)는 산출된 3차원 벡터 값들을 기초로, 제1 지점 또는 제2 지점이 각각의 촬영 지점에 위치하는 것으로 인식될 수 있도록, 감지 데이터 또는 3D 점군 데이터들을 보정할 수 있는 수식을 도출할 수 있다.

또한, 오차 보정부(125)는 차량(10)에 고정 설치된 라이다(30)가 고정형 라이다(static lidar)에 해당되는지, 또는 회전형 라이다(rotative lidar)에 해당되는지 여부와 무관하게 3D 점군 데이터를 처리할 수 있도록 보정할 수 있다.

보다 상세하게, 오차 보정부(125)는 차량(10)에 고정 설치된 라이다(30)가 차량(10) 내의 서로 다른 지점에 이격되게 설치된 복수 개의 고정형 라이다 장치로 구성된 경우, 복수 개의 라이다 장치에 의해 각각 획득된 3D 점군 데이터들에 포함된 점들의 좌표를 조합하여, 기준점을 중심으로 회전하며 레이저 펄스를 방사하는 회전형 라이다에 의해 획득된 구형 형태를 가지는 하나의 3D 점군 데이터를 생성할 수 있다.

이와 반대로, 오차 보정부(125)는 차량(10)에 고정 설치된 라이다(30)가 제2 지점을 중심으로 회전하며 레이저 펄스를 방사하는 회전형 라이다 장치로 구성된 경우, 회전형 라이다에 의해 획득된 하나의 3D 점군 데이터들에 포함된 점들의 좌표를 레이저 펄스가 방사된 방향성을 기준으로 복수 개로 분리하여, 복수 개의 고정형 라이다 장치에 의해 각각 획득된 형태를 가지는 복수 개의 3D 점군 데이터를 생성할 수 있다.

한편, 오차 보정부(125)는 복수 개의 초음파 센서(50)들이 설치된 각각의 감지 지점들이 기준점에 위치하는 것으로 인식되도록, 거리 정보들에 포함된 거리 값들을 보정할 수도 있다.

다음 구성으로, 데이터 제공부(130)는 인공지능(AI)의 기계 학습에 사용될 수 있는 기초 데이터를 학습 데이터 생성 장치(200)에 제공할 수 있다.

구체적으로, 데이터 제공부(130)는 다중 센서 제어부(115)에 의해 제어된 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)를 통하여 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보가 수집되고, 수집된 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보가 데이터 후처리부(120)에 의해 후처리된 이후, 후처리된 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보가 오차 보정부(125)에 의해 보정되면, 보정이 완료된 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보를 통신부(105)를 통해 학습 데이터 생성 장치(200)에 전송할 수 있다.

이하, 상술한 바와 같은 학습 데이터 수집 장치(100)의 논리적 구성요소를 구현하기 위한 하드웨어에 대하여 보다 구체적으로 설명한다.

도 4는 본 발명의 일 실시예에 따른 학습 데이터 수집 장치의 하드웨어 구성도이다.

도 4에 도시된 바와 같이, 학습 데이터 수집 장치(100)는 프로세서(Processor, 150), 메모리(Memory, 155), 송수신기(Transceiver, 160), 입출력장치(Input/output device, 165), 데이터 버스(Bus, 170) 및 스토리지(Storage, 175)를 포함하여 구성될 수 있다.

프로세서(150)는 메모리(155)에 상주된 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(180a)에 따른 명령어를 기초로, 학습 데이터 수집 장치(100)의 동작 및 기능을 구현할 수 있다. 메모리(155)에는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(180a)가 상주(loading)될 수 있다. 송수신기(160)는 레이더(20), 라이다(30), 카메라(40), 초음파 센서(50) 및 학습 데이터 생성 장치(200)와 데이터를 송수신할 수 있다. 입출력장치(165)는 학습 데이터 수집 장치(100)의 동작에 필요한 데이터를 입력 받고, 수집된 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보를 출력할 수 있다. 데이터 버스(170)는 프로세서(150), 메모리(155), 송수신기(160), 입출력장치(165) 및 스토리지(175)와 연결되어, 각각의 구성 요소 사이가 서로 데이터를 전달하기 위한 이동 통로의 역할을 수행할 수 있다.

스토리지(175)는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(180a)의 실행을 위해 필요한 애플리케이션 프로그래밍 인터페이스(Application Programming Interface, API), 라이브러리(library) 파일, 리소스(resource) 파일 등을 저장할 수 있다. 스토리지(175)는 본 발명의 실시예들에 따른 방법이 구현된 소프트웨어(180b)를 저장할 수 있다. 또한, 스토리지(175)는 본 발명의 실시예들에 따른 방법의 수행에 필요한 정보들을 저장할 수 있다.

본 발명의 일 실시예에 따르면, 메모리(155)에 상주되거나 또는 스토리지(175)에 저장된 레이저 프리뷰를 이용한 학습 데이터 수집 방법을 구현하기 위한 소프트웨어(180a, 180b)는 프로세서(150)가 차량(10)에 고정 설치된 레이더(20)로부터 감지 데이터를 상기 송수신기(160)를 통해 수신하는 단계, 프로세서(150)가 상기 수신된 감지 데이터로부터 객체의 식별하는 단계, 및 프로세서(150)가 상기 식별된 객체로부터의 거리에 대응하여, 상기 차량에 고정 설치되어 레이저 펄스를 방사할 라이다(30)를 제어하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

본 발명의 다른 실시예에 따르면, 메모리(155)에 상주되거나 또는 스토리지(175)에 저장된 데이터 처리 방법을 구현하기 위한 소프트웨어(180a, 180b)는 프로세서(150)가 차량(10)에 고정 설치된 레이더(20)에 의해 획득된 감지 데이터 및 상기 차량(10)에 고정 설치된 라이다(30)에 의해 획득된 복수의 3차원 점군 데이터들을 상기 송수신기(160)를 통해 수신하는 단계, 상기 프로세서(150)가 상기 수신된 감지 데이터로부터 객체를 식별하는 단계, 및 상기 프로세서(150)가 상기 차량(10)과 상기 객체 사이의 거리에 대응하여, 상기 라이다(30)에 의해 획득된 복수의 3D 점군 데이터들을 필터링(filtering)하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

본 발명의 또 다른 실시예에 따르면, 메모리(155)에 상주되거나 또는 스토리지(175)에 저장된 오차 보정 방법을 구현하기 위한 소프트웨어(180a, 180b)는 프로세서(150)가 차량(10)에 고정 설치된 레이더(20)에 의해 획득된 감지 데이터 및 상기 차량(10)에 고정 설치된 라이다(30)에 의해 획득된 3D 점군 데이터들을 상기 송수신기(160)를 통해 수신하는 단계, 상기 프로세서(150)가 상기 레이더(20)가 전자기파 신호를 발사한 제1 지점을 식별하고, 상기 라이다(30)가 레이저 펄스를 방사한 제2 지점을 식별하는 단계, 및 상기 프로세서(150)가 상기 제1 지점과 상기 제2 지점이 서로 동일한 위치로 인식되도록, 상기 감지 데이터에 포함된 점들의 좌표와 상기 3D 점군 데이터들에 포함된 점들의 좌표를 보정하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

보다 구체적으로, 프로세서(150)는 ASIC(Application-Specific Integrated Circuit), 다른 칩셋(chipset), 논리 회로 및/또는 데이터 처리 장치를 포함할 수 있다. 메모리(155)는 ROM(Read-Only Memory), RAM(Random Access Memory), 플래쉬 메모리, 메모리 카드, 저장 매체 및/또는 다른 저장 장치를 포함할 수 있다. 송수신기(160)는 유무선 신호를 처리하기 위한 베이스밴드 회로를 포함할 수 있다. 입출력장치(165)는 키보드(keyboard), 마우스(mouse), 및/또는 조이스틱(joystick) 등과 같은 입력 장치 및 액정표시장치(Liquid Crystal Display, LCD), 유기 발광 다이오드(Organic LED, OLED) 및/또는 능동형 유기 발광 다이오드(Active Matrix OLED, AMOLED) 등과 같은 영상 출력 장치 프린터(printer), 플로터(plotter) 등과 같은 인쇄 장치를 포함할 수 있다.

본 명세서에 포함된 실시 예가 소프트웨어로 구현될 경우, 상술한 방법은 상술한 기능을 수행하는 모듈(과정, 기능 등)로 구현될 수 있다. 모듈은 메모리(155)에 상주되고, 프로세서(150)에 의해 실행될 수 있다. 메모리(155)는 프로세서(150)의 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서(150)와 연결될 수 있다.

도 4에 도시된 각 구성요소는 다양한 수단, 예를 들어, 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 본 발명의 일 실시예는 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

또한, 펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 일 실시예는 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현되어, 다양한 컴퓨터 수단을 통하여 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 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 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 이러한, 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이하, 상술한 바와 같은 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 특징들에 대하여, 도면을 참조하여 구체적으로 설명하기로 한다.

도 5 내지 도 7은 본 발명의 일 실시예에 따라 다중 센서들을 제어하는 과정을 설명하기 위한 예시도이다.

도 5 내지 도 7에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 수집 장치(100)는 차량(10)에 고정 설치된 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)를 제어할 수 있다.

구체적으로, 학습 데이터 수집 장치(100)는 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)로부터 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보 중에서 하나 이상을 수신할 수 있다.

학습 데이터 수집 장치(100)는 수신된 감지 데이터로부터 객체(60)를 식별할 수 있다. 예를 들어, 학습 데이터 수집 장치(100)는 감지 데이터에 포함된 점들 중에서 사전에 설정된 임계 범위 내에서 군집을 형성하고 있는 점들을 추출함으로써, 감지 데이터로부터 객체(60)를 식별할 수 있다.

학습 데이터 수집 장치(100)는 차량(10)과 객체(60) 사이의 거리(d)에 대응하여, 차량(10)에 고정 설치되어 레이저 펄스를 방사할 라이다(30), 2D 이미지를 촬영할 카메라(40) 및 초음파를 발사할 초음파 센서(50) 중 하나 이상을 제어할 수 있다.

보다 상세하게, 학습 데이터 수집 장치(100)는 차량(10)과 객체(60) 사이의 거리(d)가 라이다 인식 범위(31)보다 먼 경우, 라이다(30)가 레이저 펄스를 방사하지 않거나, 또는 사전에 설정된 세기로만 레이저 펄스를 방사하도록 제어할 수 있다. 또한, 학습 데이터 수집 장치(100)는 차량(10)과 객체(60) 사이의 거리(d)가 라이다 인식 범위(31)보다 먼 경우, 복수 개의 카메라(40)가 2D 이미지를 촬영하지 않으며, 초음파 센서(50)가 초음파를 발사하지 않도록 제어할 수 있다.

학습 데이터 수집 장치(100)는 차량(10)과 객체(60) 사이의 거리(d)가 라이다 인식 범위(31) 이내인 경우, 객체(60)로부터의 거리(d)에 비례하여 라이다(30)의 레이저 펄스 방사 주기를 길게 하거나 또는 짧게 제어할 수 있다.

학습 데이터 수집 장치(100)는 차량(10)과 객체(60) 사이의 거리(d)가 특정 가능 범위(41) 이내인 경우, 차량(10)에 고정 설치된 복수 개의 카메라(40)들이 2D 이미지를 촬영하도록 제어할 수 있다. 이 경우, 특정 가능 범위(41)는 라이다 인식 범위(31)보다 좁은 범위에 해당할 수 있다.

또한, 학습 데이터 수집 장치(100)는 차량(10)과 객체(60) 사이의 거리(d)에 대응하여, 복수 개의 카메라(40)들이 촬영할 2D 이미지의 해상도를 다르게 설정할 수 있다. 학습 데이터 수집 장치(100)는 감지 데이터 포함된 객체(60)의 시계열적 위치 변화를 기초로 객체(60)의 이동 경로를 추정하고, 추정된 객체(60)의 이동 경로에 대응하는 방향을 촬영하는 카메라를 식별하고, 객체(60)의 이동 경로에 대응하는 방향을 촬영하는 카메라의 촬영 주기를 다른 방향을 촬영하는 카메라보다 짧게 설정할 수 있다.

학습 데이터 수집 장치(100)는 차량(10)과 객체(60) 사이의 거리(d)가 접촉 가능 범위(51) 이내인 경우, 차량(10)에 고정 설치된 복수 개의 초음파 센서(50)들이 초음파를 발사하도록 제어할 수 있다. 이 경우, 접촉 가능 범위(51)는 특정 가능 범위(41)보다 좁은 범위에 해당할 수 있다.

따라서, 본 발명의 일 실시예에 따른 학습 데이터 수집 장치(100)는 다중 센서들의 데이터 수집 주기 또는 수집할 데이터의 품질을 제어함으로써, 인공지능(AI)의 기계 학습용 데이터들 중에서 상대적으로 중요도가 낮은 데이터를 감소시킬 수 있다.

도 8 및 도 9는 본 발명의 일 실시예에 따라 수집된 데이터들에 대하여 후처리하는 과정을 설명하기 위한 예시도이다.

도 8 및 도 9에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 수집 장치(100)는 차량(10)에 고정 설치된 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)로부터 수집된 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보를 대상으로 후처리를 수행할 수 있다.

구체적으로, 학습 데이터 수집 장치(100)는 학습 데이터 수집 장치(100)는 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)로부터 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보 중에서 하나 이상을 수신할 수 있다.

학습 데이터 수집 장치(100)는 3D 점군 데이터들에 포함된 좌표들 중에서 식별된 객체(60)가 위치하고 있는 영역을 중심으로, 라이다(30)의 레이저 펄스가 도달할 수 있는 영역을 관심 영역(ROI)과 비관심 영역으로 구분할 수 있다.

학습 데이터 수집 장치(100)는 차량(10)과 객체(60) 사이의 거리에 대응하여, 라이다(30)에 의해 획득된 복수의 3D 점군 데이터들, 카메라(40)에 의해 촬영된 복수의 2D 이미지들 및 초음파 센서(50)에 의해 감지된 거리 정보 중 하나 이상을 필터링할 수 있다.

보다 상세하게, 학습 데이터 수집 장치(100)는 샘플링 테이블로부터, 차량(10)과 객체(60) 사이의 거리에 대응하는 제1 샘플링 레이트를 식별하고, 식별된 제1 샘플링 레이트에 따라 복수의 3D 점군 데이터들을 샘플링하여 단위 시간당 3D 점군 데이터들의 개수를 감소시킬 수 있다.

또한, 학습 데이터 수집 장치(100)는 샘플링 테이블로부터, 차량(10)과 객체(60) 사이의 거리에 대응하는 제2 샘플링 레이트를 식별하고, 식별된 제2 샘플링 레이트에 따라 복수의 3D 점군 데이터들을 샘플링하여 각각의 3D 점군 데이터를 구성하고 있는 점들의 개수를 감소시킬 수 있다.

한편, 학습 데이터 수집 장치(100)는 복수의 카메라(40)에 의해 촬영된 복수의 2D 이미지들 중에서 비관심 영역을 촬영한 카메라(40)에 의해 촬영된 2D 이미지들을, 관심 영역(ROI)을 촬영한 카메라(40)에 의해 촬영된 2D 이미지들보다 낮은 해상도로 재압축할 수 있다.

학습 데이터 수집 장치(100)는 복수의 2D 이미지들 중에서 비관심 영역을 촬영한 카메라(40)에 의해 촬영된 2D 이미지들을 샘플링하여 단위 시간당 2D 이미지들의 개수를 감소시킬 수 있다.

학습 데이터 수집 장치(100)는 복수의 2D 이미지들 중에서 비관심 영역을 촬영한 카메라(40)에 의해 촬영된 2D 이미지들의 색상 정보를 압축하기 위한 크로마 서브샘플링의 크기를 확장시킨 후 재압축할 수 있다.

또한, 학습 데이터 수집 장치(100)는 차량(10)과 객체(60) 사이의 거리가 특정 가능 범위보다 먼 경우, 초음파 센서(50)에 의해 감지된 거리 정보들을 폐기할 수도 있다.

따라서, 본 발명의 일 실시예에 따른 학습 데이터 수집 장치(100)는 다중 센서들에 의해 수집된 데이터들을 필터링함으로써, 인공지능(AI)의 기계 학습용 데이터들 중에서 상대적으로 중요도가 낮은 데이터를 감소시킬 수 있다. 결과적으로, 상대적으로 중요도가 낮은 데이터의 양을 감소시킴으로써, 인공지능(AI)의 기계 학습을 위한 데이터 가공의 부담을 낮출 수 있게 된다.

도 10 내지 도 12는 본 발명의 일 실시예에 따라 다중 센서들의 오차를 보정하는 과정을 설명하기 위한 예시도이다.

도 10 내지 도 12에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 수집 장치(100)는 차량(10)에 고정 설치된 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)의 설치 위치에 따른 오차를 보정할 수 있다.

학습 데이터 수집 장치(100)는 차량(10)에 고정 설치된 레이더(20)가 전자기파 신호를 발사한 제1 지점(25)을 식별할 수 있다. 즉, 제1 지점(25)은 차량(10) 내에 레이더(20)가 고정 설치된 지점을 의미한다. 만약, 차량(10)에 복수 개의 레이더(20)가 설치된 경우, 제1 지점(25)의 수 또한 복수 개가 될 수 있다.

학습 데이터 수집 장치(100)는 차량(10)에 고정 설치된 라이다(30)가 레이저 펄스를 방사한 제2 지점(35)을 식별할 수 있다. 즉, 제2 지점(35)은 차량(10) 내에 라이다(30)가 고정 설치된 지점을 의미한다. 만약, 차량(10)에 복수 개의 라이다(30)가 설치된 경우, 제2 지점(35)의 수 또한 복수 개가 될 수 있다.

학습 데이터 수집 장치(100)는 식별된 제1 지점(25)과 제2 지점(35)이 서로 동일한 위치로 인식될 수 있도록, 감지 데이터에 포함된 점들의 좌표와 3D 점군 데이터에 포함된 점들의 좌표를 보정할 수 있다. 보다 상세하게는, 학습 데이터 수집 장치(100)는 3차원 좌표를 가지는 가상의 기준점(standard point)을 설정한 이후, 제1 지점(25)과 제2 지점(35)이 기준점에 위치하는 것으로 인식되도록, 감지 데이터에 포함된 점들의 좌표와 3D 점군 데이터에 포함된 점들의 좌표를 보정할 수 있다.

한편, 학습 데이터 수집 장치(100)는 복수 개의 카메라(40)들이 설치된 각각의 촬영 지점들(45)과 기준점 사이의 3차원 벡터 값들을 각각 산출하고, 산출된 3차원 벡터 값들을 기초로, 제1 지점(25) 또는 제2 지점(35)이 각각의 촬영 지점(45)에 위치하는 것으로 인식될 수 있도록, 감지 데이터 또는 3D 점군 데이터들을 보정할 수 있는 수식을 도출할 수 있다.

한편, 학습 데이터 수집 장치(100)는 차량(10)에 고정 설치된 라이다(30)가 차량(10) 내의 서로 다른 지점에 이격되게 설치된 복수 개의 고정형 라이다 장치로 구성된 경우, 복수 개의 라이다 장치에 의해 각각 획득된 3D 점군 데이터들에 포함된 점들의 좌표를 조합하여, 기준점을 중심으로 회전하며 레이저 펄스를 방사하는 회전형 라이다에 의해 획득된 구형 형태를 가지는 하나의 3D 점군 데이터를 생성할 수 있다.

이와 반대로, 학습 데이터 수집 장치(100)는 차량(10)에 고정 설치된 라이다(30)가 제2 지점을 중심으로 회전하며 레이저 펄스를 방사하는 회전형 라이다 장치로 구성된 경우, 회전형 라이다에 의해 획득된 하나의 3D 점군 데이터들에 포함된 점들의 좌표를 레이저 펄스가 방사된 방향성을 기준으로 복수 개로 분리하여, 복수 개의 고정형 라이다 장치에 의해 각각 획득된 형태를 가지는 복수 개의 3D 점군 데이터를 생성할 수도 있다.

따라서, 본 발명의 일 실시예에 따른 학습 데이터 수집 장치(100)는 다중 센서들의 설치 위치 따른 오차를 보정함으로써, 특정 센서에 의해 인식된 객체의 위치를 다른 센서로부터 획득된 데이터에 곧바로 적용할 수 있게 된다. 결과적으로, 다중 센서들에 의해 제각각 획득된 데이터들에 대한 어노테이션 작업 결과물들을 통합하여 관리할 수 있게 된다.

이하, 상술한 바와 같은 본 발명의 다양한 실시예에 따른 학습 데이터 수집 장치(100)의 동작에 대하여, 도면을 참조하여 구체적으로 설명하기로 한다.

도 13은 본 발명의 일 실시예에 따른 데이터 수집 방법을 설명하기 위한 순서도이다.

도 13을 참조하면, 본 발명의 일 실시예에 따른 학습 데이터 수집 장치(100)는 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)로부터 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보 중에서 하나 이상을 수신할 수 있다(S100).

학습 데이터 수집 장치(100)는 수신된 감지 데이터로부터 객체를 식별하고, 식별된 객체와 차량(10) 사이의 거리에 대응하여, 차량(10)에 고정 설치되어 레이저 펄스를 방사할 라이다(30), 2D 이미지를 촬영할 카메라(40) 및 초음파를 발사할 초음파 센서(50) 중 하나 이상을 제어할 수 있다(S200).

학습 데이터 수집 장치(100)가 라이다(30), 카메라(40) 및 초음파 센서(50)를 제어하는 과정에 대한 구체적인 설명은 도 5 내지 도 7을 참조하여 설명한 바와 동일하므로 중복하여 기재하지 않는다.

학습 데이터 수집 장치(100)는 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)로부터 수신된 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보를 대상으로 후처리를 수행할 수 있다(S300).

학습 데이터 수집 장치(100)가 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보를 대상으로 후처리하는 과정에 대한 구체적인 설명은 도 8 및 도 9를 참조하여 설명한 바와 동일하므로 중복하여 기재하지 않는다.

학습 데이터 수집 장치(100)는 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)의 설치 위치에 따른 오차를 보정할 수 있다(S400).

학습 데이터 수집 장치(100)가 레이더(20), 라이다(30), 카메라(40) 및 초음파 센서(50)의 설치 위치에 따라, 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보의 오차를 보정하는 과정에 대한 구체적인 설명은 도 10 내지 도 12를 참조하여 설명한 바와 동일하므로 중복하여 기재하지 않는다.

학습 데이터 수집 장치(100)는 보정이 완료된 감지 데이터, 3D 점군 데이터, 2D 이미지 및 거리 정보를 학습 데이터 생성 장치(200)에 전송할 수 있다(S500).

이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으나, 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다. 또한, 본 명세서와 도면에서 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서, 상술한 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 선정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

차량: 10 레이더: 20
라이다: 30 카메라: 40
초음파 센서: 50
학습 데이터 수집 장치: 100 학습 데이터 생성 장치: 200
어노테이션 장치: 300 인공지능 학습 장치: 400
통신부: 105 입출력부: 110
다중 센서 제어부: 115 데이터 후처리부: 120
오차 보정부: 125 데이터 제공부: 130

Claims

자율주행에 사용될 수 있는 인공지능(Artificial Intelligence, AI)을 기계 학습(machine learning)시키기 위한 데이터를 수집하는 방법으로서,
학습 데이터 수집 장치가, 차량에 고정 설치된 레이더(radar)로부터 감지 데이터를 수신하는 단계;
상기 학습 데이터 수집 장치가, 상기 수신된 감지 데이터로부터 객체를 식별하는 단계; 및
상기 학습 데이터 수집 장치가, 상기 차량과 상기 식별된 객체 사이의 거리에 대응하여, 상기 차량에 고정 설치되어 레이저 펄스를 방사할 라이다(lidar)를 제어하는 단계를 포함하며,
상기 감지 데이터는 상기 레이더에 의해 상기 차량의 주행 방향을 향하여 발사된 전자기파 신호를 반사시킨 점들(points)에 대한 정보이며,
상기 객체를 식별하는 단계는
상기 감지 데이터에 포함된 점들 중에서 사전에 설정된 임계 범위 내에서 군집(crowd)을 형성하고 있는 점들을 추출하여 상기 객체를 식별하며,
상기 라이다를 제어하는 단계는
상기 감지 데이터로부터 어떠한 객체도 식별되지 않은 경우, 상기 라이다가 상기 레이저 펄스를 방사하지 않도록 제어하는 것을 특징으로 하는, 레이저 프리뷰를 이용한 학습 데이터 수집 방법.
제1 항에 있어서, 상기 라이다를 제어하는 단계는
상기 차량과 상기 객체 사이의 거리가 사전에 설정된 라이다 인식 범위보다 먼 경우, 상기 라이다가 상기 레이저 펄스를 방사하지 않거나, 또는 사전에 설정된 세기로만 상기 레이저 펄스를 방사하도록 제어하는 것을 특징으로 하는, 레이저 프리뷰를 이용한 학습 데이터 수집 방법.
제2 항에 있어서, 상기 라이다를 제어하는 단계는
상기 차량과 상기 객체 사이의 거리가 상기 라이다 인식 범위 이내인 경우, 상기 객체로부터의 거리에 비례하여 상기 라이다의 레이저 펄스 방사 주기(period)를 길게 하거나 또는 짧게 제어하는 것을 특징으로 하는, 레이저 프리뷰를 이용한 학습 데이터 수집 방법.
제2 항에 있어서, 상기 라이다를 제어하는 단계는
상기 차량과 상기 객체 사이의 거리가 사전에 설정된 특정 가능 범위 이내인 경우, 상기 차량에 고정 설치된 복수 개의 카메라들이 2D 이미지를 촬영하도록 제어하되,
상기 특정 가능 범위는 상기 라이다 인식 범위보다 좁은 범위에 해당되는 것을 특징으로 하는, 레이저 프리뷰를 이용한 학습 데이터 수집 방법.
제4 항에 있어서, 상기 라이다를 제어하는 단계는
상기 차량과 상기 객체 사이의 거리에 대응하여, 상기 복수 개의 카메라들이 촬영할 2D 이미지의 해상도(resolution)를 다르게 설정하는 것을 특징으로 하는, 레이저 프리뷰를 이용한 학습 데이터 수집 방법.
제5 항에 있어서, 상기 라이다를 제어하는 단계는
상기 감지 데이터에 포함된 객체의 시계열적 위치 변화를 기초로 상기 객체의 이동 경로를 추정하고, 상기 복수 개의 카메라들 중에서 상기 추정된 이동 경로에 대응하는 방향을 촬영하는 카메라의 촬영 주기를 다른 방향을 촬영하는 카메라보다 짧게 설정하는 것을 특징으로 하는, 레이저 프리뷰를 이용한 학습 데이터 수집 방법.
제4 항에 있어서, 상기 라이다를 제어하는 단계는
상기 차량과 상기 객체 사이의 거리가 사전에 설정된 접촉 가능 범위 이내인 경우, 상기 차량에 고정 설치된 복수 개의 초음파 센서들이 초음파를 발사하도록 제어하는 것을 특징으로 하는, 레이저 프리뷰를 이용한 학습 데이터 수집 방법.
메모리(memory);
송수신기(transceiver); 및
상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합되어,
상기 프로세서가, 차량에 고정 설치된 레이더(radar)로부터 감지 데이터를 상기 송수신기를 통해 수신하는 단계;
상기 프로세서가, 상기 수신된 감지 데이터로부터 객체의 식별하는 단계; 및
상기 프로세서가, 상기 식별된 객체로부터의 거리에 대응하여, 상기 차량에 고정 설치되어 레이저 펄스를 방사할 라이다(lidar)를 제어하는 단계를 실행시키는 것으로서,
상기 감지 데이터는 상기 레이더에 의해 상기 차량의 주행 방향을 향하여 발사된 전자기파 신호를 반사시킨 점들(points)에 대한 정보이며,
상기 객체를 식별하는 단계는
상기 감지 데이터에 포함된 점들 중에서 사전에 설정된 임계 범위 내에서 군집(crowd)을 형성하고 있는 점들을 추출하여 상기 객체를 식별하며,
상기 라이다를 제어하는 단계는
상기 감지 데이터로부터 어떠한 객체도 식별되지 않은 경우, 상기 라이다가 상기 레이저 펄스를 방사하지 않도록 제어하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
제8 항에 있어서, 상기 라이다를 제어하는 단계는
상기 차량과 상기 객체 사이의 거리가 사전에 설정된 라이다 인식 범위보다 먼 경우, 상기 라이다가 상기 레이저 펄스를 방사하지 않거나, 또는 사전에 설정된 세기로만 상기 레이저 펄스를 방사하도록 제어하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
제9 항에 있어서, 상기 라이다를 제어하는 단계는
상기 차량과 상기 객체 사이의 거리가 상기 라이다 인식 범위 이내인 경우, 상기 객체로부터의 거리에 비례하여 상기 라이다의 레이저 펄스 방사 주기(period)를 길게 하거나 또는 짧게 제어하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.