KR102371617B1 - 차량의 객체 인식 장치 및 방법 - Google Patents

차량의 객체 인식 장치 및 방법 Download PDF

Info

Publication number
KR102371617B1
KR102371617B1 KR1020170154072A KR20170154072A KR102371617B1 KR 102371617 B1 KR102371617 B1 KR 102371617B1 KR 1020170154072 A KR1020170154072 A KR 1020170154072A KR 20170154072 A KR20170154072 A KR 20170154072A KR 102371617 B1 KR102371617 B1 KR 102371617B1
Authority
KR
South Korea
Prior art keywords
target
vehicle
feature points
processor
lane
Prior art date
Application number
KR1020170154072A
Other languages
English (en)
Other versions
KR20190056775A (ko
Inventor
오태동
최진혁
이완재
이해룡
오영철
신기철
Original Assignee
현대자동차주식회사
기아 주식회사
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 현대자동차주식회사, 기아 주식회사 filed Critical 현대자동차주식회사
Priority to KR1020170154072A priority Critical patent/KR102371617B1/ko
Publication of KR20190056775A publication Critical patent/KR20190056775A/ko
Application granted granted Critical
Publication of KR102371617B1 publication Critical patent/KR102371617B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar
    • B60W2420/42—
    • B60W2420/52—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/18—Propelling the vehicle
    • B60Y2300/18008—Propelling the vehicle related to particular drive situations
    • B60Y2300/18166—Overtaking, changing lanes

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시 예에 따른 차량의 객체 인식 장치는 차량의 주위에 위치된 타겟을 감지하는 라이다, 메모리 및 라이다 및 메모리와 전기적으로 연결된 프로세서를 포함하고, 프로세서는, 라이다에 의해 감지된 타겟의 영역 내에서 복수의 특징점을 획득하고, 복수의 특징점에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다.

Description

차량의 객체 인식 장치 및 방법{APPARATUS AND METHOD FOR RECOGNIZING OBJECT OF VEHICLE}
본 발명은 복수의 센서를 이용하여 주변 차량의 운동 상태를 추정하는 장치 및 방법에 관한 것이다.
자동차 산업의 발전에 따라 운전자에게 편의성을 제공하기 위해 주변 물체를 추적하고 주변 물체에 대한 다양한 정보를 획득할 수 있는 시스템의 개발이 지속적으로 이루어지고 있다. 예를 들어, 차량은 레이더, 카메라, 비전(visioin) 및 라이다(LIDAR) 등과 같은 다양한 센서들을 이용하여 주변 차량에 대한 정보를 획득할 수 있다. 차량은 주변 차량에 대한 정보를 이용하여 다양한 기능을 운전자에게 제공할 수 있다. 차량은 센서에 의해 획득된 정보와 정밀 지도를 융합함으로써, 타겟이 위치된 차로 정보를 획득할 수도 잇다. 차량은 타겟에 차로 정보를 할당할 수 있고, 타겟의 이전 주행 차로, 현재 주행 차로 및 예상 주행 차로 등에 대한 정보를 획득할 수 있고, 획득된 정보를 활용할 수 있다. 획득된 정보는 차량의 차로 변경 등에 사용되는 로직에서 위험도 판단을 위해 활용될 수 있다.
종래의 센서 데이터와 정밀 지도의 융합 방법은 타겟이 감지된 하나의 지점에 대한 정보를 이용하여 타겟이 위치된 차로를 판단하므로, 타겟이 복수의 차로를 점유한 경우에도 타겟에 하나의 차로만 할당할 수 있다. 이 정보를 이용하여 차로 변경 로직에서 위험도를 판단하면, 타겟의 일부에 의해 점유된 차로에서의 타겟의 존재를 인지할 수 없으므로, 위험도 판단 결과의 정확성이 낮아질 수 있다.
본 발명은 센서 데이터와 정밀 지도의 융합 시 타겟이 복수의 차로를 점유한 경우에도 타겟에 의해 점유된 차로를 정확하게 인식할 수 있고, 타겟의 차로 변경 상태를 예측할 수 있는 차량의 객체 인식 장치 및 방법을 제공하기 위한 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
일 실시 예에 따른 차량의 객체 인식 장치는 차량의 주위에 위치된 타겟을 감지하는 라이다, 메모리 및 라이다 및 메모리와 전기적으로 연결된 프로세서를 포함하고, 프로세서는, 라이다에 의해 감지된 타겟의 영역 내에서 복수의 특징점을 획득하고, 복수의 특징점에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다.
일 실시 예에서, 프로세서는, 메모리에 저장된 지도로부터 차로 정보 및 차선 정보를 획득할 수 있다.
일 실시 예에서, 프로세서는, 메모리에 저장된 지도로부터 레인 링크의 아이디, 방향, 위치, 길이 및 순번 중 적어도 하나에 대한 정보를 획득하고, 레인 링크는 차량이 주행 중인 도로 내에 있을 수 있다.
일 실시 예에서, 복수의 특징점은 타겟이 위치된 영역을 커버하는 직사각형의 꼭지점을 포함할 수 있다.
일 실시 예에서, 복수의 특징점 사이의 간격은 균일할 수 있다.
일 실시 예에서, 프로세서는, 메모리로부터 지도를 획득하고, 지도에 포함된 오브젝트들의 좌표를 차량 기준의 상대 좌표로 변환할 수 있다.
일 실시 예에서, 프로세서는, 복수의 특징점 각각과 최단 거리에 있는 레인 링크 사이의 거리에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단하고, 레인 링크는 차량이 주행 중인 도로 내에 있을 수 있다.
일 실시 예에서, 프로세서는, 복수의 특징점의 좌표와 함께 복수의 특징점 각각과 최단 거리에 위치된 레인 링크의 정보를 저장하고, 레인 링크는 차량이 주행 중인 도로 내에 있을 수 있다.
일 실시 예에서, 프로세서는, 복수의 프레임 동안 획득된 복수의 특징점에 대한 정보의 시퀀스를 이용하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다.
일 실시 예에서, 프로세서는, 복수의 특징점 중 지정된 수 이상이 차량이 주행 중인 도로 밖에 위치되면 복수의 특징점을 무시할 수 있다.
일 실시 예에서, 프로세서는, 복수의 특징점이 지정된 수의 프레임 동안 레인 링크를 기준으로 횡방향으로 이동하면, 차량의 주행 차로의 변경을 예측하고, 레인 링크는 차량이 주행 중인 도로 내에 있을 수 있다.
일 실시 예에서, 프로세서는, 복수의 특징점을 연결한 도형과 하나 이상의 차로가 겹쳐지는 면적에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다.
일 실시 예에서, 프로세서는, 복수의 특징점 중 지정된 개수 이상이 위치된 차로를 타겟이 점유하는 하나 이상의 차로로 판단할 수 있다.
일 실시 예에서, 프로세서는, 지정된 수 이상의 타겟의 방향 또는 위치가 차량이 주행 중인 도로에서 편향된 경우, 차량의 위치 정보에 오프셋을 적용할 수 있다.
일 실시 예에서, 장치는 프로세서와 전기적으로 연결된 카메라를 더 포함하고, 카메라를 이용하여 타겟에 대한 영상을 획득하고, 복수의 특징점 및 영상에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다.
일 실시 예에서, 장치는 프로세서와 전기적으로 연결된 통신 회로를 더 포함하고, 통신 회로를 이용하여 타겟으로부터 타겟의 크기와 연관된 정보를 획득하고, 복수의 특징점 및 타겟의 크기와 연관된 정보에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다.
본 발명의 일 실시 예에 따른 차량의 객체 인식 방법은 라이다에 의해 감지된 타겟의 영역 내에서 복수의 특징점을 획득하는 단계 및 복수의 특징점에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다.
일 실시 예에서, 판단하는 단계는, 복수의 특징점을 연결한 도형과 하나 이상의 차로가 겹쳐지는 면적에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단하는 단계를 포함할 수 있다.
일 실시 예에서, 판단하는 단계는, 복수의 특징점 중 지정된 개수 이상이 위치된 차로를 타겟이 점유하는 하나 이상의 차로로 판단할 수 있다.
본 발명의 일 실시 예에 따른 차량의 객체 인식 장치는 복수의 특징점을 이용하여 타겟이 점유하는 하나 이상의 차로를 판단함으로써, 복수의 차로를 점유하는 차량의 위험도를 정확하게 인식할 수 있다.
또한, 복수의 특징점의 변화 추이를 관찰함으로써, 타겟의 차로 변경을 용이하게 예상할 수 있다.
또한, 다수의 차량의 특징점의 분포가 공통적으로 편향된 경우 오프셋 정보를 활용함으로써, 차량의 위치 인지 함수를 정확하게 보정할 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 구성을 나타내는 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치에 포함된 프로그램 모듈의 구성을 나타내는 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치에서 사용되는 레인 링크 정보를 나타내는 도면이다.
도 4는 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시 예에 따른 차량의 객체 인식 방법을 설명하기 위한 흐름도이다.
이하, 본 발명의 일부 실시 예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시 예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 구성을 나타내는 블록도이다.
도 1을 참조하면, 일 실시 예에 따른 차량의 객체 인식 장치(100)(이하, 설명의 편의를 위해 장치(100)라 한다.)는 라이다(LIDAR: light detection and ranging), 메모리, 카메라, 통신 회로 및 프로세서를 포함할 수 있다. 도 1의 장치(100)는 차량에 탑재될 수 있다.
라이다(110)는 차량의 주위에 위치된 타겟을 감지할 수 있다. 라이다(110)는 타겟에 대한 다양한 정보(예: 타겟의 위치)를 획득할 수 있다. 라이다(110)는, 예를 들어, 제1 타겟(11) 및 제2 타겟(12)을 감지할 수 있다.
메모리(120)는 휘발성 메모리 및/또는 비휘발성 메모리를 포함할 수 있다. 메모리(120)는 장치(100)의 구성요소에 의해 사용되는 다양한 데이터 및 정보를 저장할 수 있다. 메모리(120)는 프로세서(150)에 의해 수행되는 동작들을 실행하기 위한 인스트럭션들 및/또는 데이터베이스를 저장할 수 있다. 예를 들어, 메모리(120)는 정밀 지도를 저장할 수 있고, 정밀 지도로부터 추출된 데이터의 구조체를 저장할 수 있다.
카메라(130)는 영상을 촬영할 수 잇다. 카메라(130)는 차량의 주변에 위치된 타겟을 촬영할 수 있다. 예를 들어, 카메라(130)는 레이어에 의해 감지되는 타겟(예: 제1 타겟(11) 및 제2 타겟(12))을 촬영할 수 있다.
통신 회로(140)는 외부 장치와 통신할 수 있다. 통신 회로(140)는 주변 차량(예: 제1 타겟(11) 및 제2 타겟(12))과 통신할 수 있다. 예를 들어, 통신 회로(140)는 주변 차량으로부터 주변 차량에 대한 정보를 수신할 수 있다.
프로세서(150)는 라이다(110), 메모리(120), 카메라(130) 및 통신 회로(140)와 전기적으로 연결될 수 있다. 프로세서(150)는 라이다(110), 메모리(120), 카메라(130) 및 통신 회로(140)를 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다.
일 실시 예에 따르면, 프로세서(150)는 라이다(110)에 의해 감지된 타겟의 영역 내에서 복수의 특징점을 획득할 수 있다. 프로세서(150)는 타겟이 감지된 영역에 대한 정보를 획득할 수 있다. 예를 들어, 프로세서(150)는 타겟이 위치된 직사각형의 영역에 대한 정보를 획득할 수 있다. 프로세서(150)는 타겟이 감지된 영역 내에서 복수의 특징점을 획득할 수 있다. 타겟이 감지된 영역이 직사각형인 경우, 복수의 특징점은 직사각형의 꼭지점을 포함할 수 있다. 복수의 특징점 사이의 가로 간격 및 세로 간격은 균일할 수 있다. 예를 들어, 타겟이 감지된 영역이 직사각형인 경우, 복수의 특징점은 직사각형의 4개의 꼭지점, 직사각형의 4개의 변 각각의 중심점, 및 직사각형의 중심점을 포함할 수 있다.
일 실시 예에 따르면, 프로세서(150)는 메모리(120)에 저장된 지도로부터 차로 정보 및 차선 정보를 획득할 수 있다. 프로세서(150)는 메모리(120)에 저장된 정밀 지도로부터 차로 정보 및 차선 정보를 획득할 수 있다. 일 실시 예에 따르면, 프로세서(150)는 메모리(120)에 저장된 지도로부터 레인 링크의 아이디, 방향, 위치, 길이 및 순번 중 적어도 하나에 대한 정보를 획득할 수 있다. 상기 레인 링크는 차량이 주행 중인 도로 내에 있는 레인 링크일 수 있다. 본 문서에서 레인 링크는 특정 차로 양단의 차선의 중앙에 위치된 가상의 곡선일 수 있다. 프로세서(150)는 메모리(120)로부터 정밀 지도를 획득하고, 정밀 지도에 포함된 오브젝트들의 좌표를 차량 기준의 상대 좌표로 변환할 수 있다. 프로세서(150)는 정밀 지도로부터 획득된 정보를 구조화한 구조체를 메모리(120)에 저장할 수 있다.
일 실시 예에 따르면, 프로세서(150)는 복수의 특징점에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다. 프로세서(150)는 특징점의 위치 및 레인 링크의 위치 등에 기초하여 타겟이 점유하는 차로를 판단할 수 있다. 프로세서(150)는 복수의 특징점 각각과 최단 거리에 있는 레인 링크 사이의 거리에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다. 프로세서(150)는 복수의 특징점의 좌표와 함께 복수의 특징점 각각과 최단 거리에 위치된 레인 링크의 정보를 저장할 수 있다. 프로세서(150)는 복수의 프레임 동안 획득된 복수의 특징점에 대한 정보의 시퀀스를 이용하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다. 프로세서(150)는 복수의 특징점 중 지정된 수 이상이 차량이 주행 중인 도로 밖에 위치되면 복수의 특징점을 무시할 수 있다. 프로세서(150)는 복수의 특징점이 지정된 수의 프레임 동안 레인 링크를 기준으로 횡방향으로 이동하면, 차량의 주행 차로의 변경을 예측할 수 있다. 프로세서(150)는 복수의 특징점을 연결한 도형과 하나 이상의 차로가 겹쳐지는 면적에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다. 프로세서(150)는 복수의 특징점 중 지정된 개수 이상이 위치된 차로를 타겟이 점유하는 하나 이상의 차로로 판단할 수 있다. 프로세서(150)는 지정된 수 이상의 타겟의 방향 또는 위치가 차량이 주행 중인 도로에서 편향된 경우, 차량의 위치 정보에 오프셋을 적용할 수 있다. 프로세서(150)는 카메라(130)를 이용하여 타겟에 대한 영상을 획득하고, 복수의 특징점 및 영상에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다. 프로세서(150)는 통신 회로(140)를 이용하여 타겟으로부터 타겟의 크기와 연관된 정보를 획득하고, 복수의 특징점 및 타겟의 크기와 연관된 정보에 기초하여 타겟이 점유하는 하나 이상의 차로를 판단할 수 있다. 복수의 특징점을 이용하는 구체적인 방법에 대해서는 도 4 내지 도 9를 참조하여 상세히 설명한다.
도 2는 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치에 포함된 프로그램 모듈의 구성을 나타내는 블록도이다.
도 2를 참조하면, 프로그램 모듈(200)은 정밀 지도 저장부(210), 특징점 추출부(220), 좌표계 변환부(230), 객체-정밀 지도 위치 비교부(240), 객체-정밀 지도 할당부(250), 결과 정보 저장부(260), 유효 객체 선별부(270), 객체 거동 예측부(280) 및 위치 인식 보정부를 포함할 수 있다.
정밀 지도 저장부(210)는 저장된 정밀 지도를 불러올 수 있다. 정밀 지도 저장부(210)는 차로 정보, 차선 정보, 교차로 정보 및/또는 포켓 도로 정보 등의 데이터를 포함하는 구조체를 저장할 수 있다.
특징점 추출부(220)는 라이다에 의해 인지된 객체의 외형을 모사하는 N개 특징점들을 획득할 수 있다. 특정점 추출부는 특징점의 좌표를 구조체에 저장할 수 있다.
좌표계 변환부(230)는 회전 변환 및 이동 변환을 통해 정밀 지도 구조체에 저장된 전역 좌표(UTM(universal transverse mercator) 좌표)들을 차량 기준의 상대 좌표들로 변환할 수 있다.
객체-정밀 지도 위치 비교부(240)는 특징점들의 상대 좌표를 상대 좌표로 변환된 정밀 지도 상의 레인 링크들의 위치와 비교하여 특징점 각각으로부터 최단 거리에 위치한 레인 링크를 찾을 수 있다.
객체-정밀 지도 할당부(250)는 특징점 정보와 함께 특징점 각각으로부터 최단 거리에 위치된 레인 링크의 정보를 저장할 수 있다.
결과 정보 저장부(260)는 이전 M개의 프레임에서 획득된 정보를 저장하고, 현재 프레임에서 획득된 정보를 활용할 때 이전의 샘플들을 함께 참조함으로써 차로 정보의 신뢰도를 향상시킬 수 있다.
유효 객체 선별부(270)는 특징점들과 정밀 지도를 비교하고, 특징점들 중 지정된 수 이상이 도로 상 유효하지 않은 위치(예: 도로 경계면 등)에 위치하면 해당 특징점들을 무시함으로써 수풀 등의 물체들이 차로 내 차량으로 오인지되는 현상을 방지할 수 있다.
객체 거동 예측부(280)는 지정된 수 이상의 프레임에서 특징점들이 특정 횡방향으로 이동 시 타겟 차량의 차로 변경을 예측할 수 있다.
위치 인지 보정부(290)는 다수의 타겟 차량에서 공통적으로 레인 링크로부터 특징점들의 일정한 오프셋이 관측되면, 위치 인지 함수에 오프셋 정보를 전달함으로써 위치 인지 기능을 강화할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치에서 사용되는 레인 링크 정보를 나타내는 도면이다.
도 3을 참조하면, 일 실시 예에 따른 장치는 레인 링크 ID(310), 방향(320), 위치(330), 길이(340) 및 레인 링크 순번(350) 등을 포함하는 레인 링크 정보(300)를 획득할 수 있다. 레인 링크 ID(310)는 해당 레인 링크를 식별하기 위한 값을 포함할 수 있고, 방향(320)은 레인 링크의 방향 정보를 포함할 수 있고, 위치(330)는 레인 링크의 위치 정보를 포함할 수 있고, 길이(340)는 레인 링크의 길이 정보를 포함할 수 있고, 레인 링크 순번(350)은 레인 링크가 해당 도로에서 몇 번째 차로에 대한 레인 링크인지를 나타내는 정보를 포함할 수 있다. 장치는 정밀 지도 데이터로부터 레인 링크 정보를 획득하고, 레인 링크 정보에 포함된 좌표 정보를 자차 좌표계로 변환하고, 변환된 정보를 구조체에 저장할 수 있다. 장치는 프로그램 모듈 외부의 정밀 지도 데이터를 읽어 들이고, 획득된 데이터를 프로그램 모듈 내부의 정밀 지도 구조체에 저장할 수 있다. 장치는 라이다의 측정 반경 내에 위치된 레인 링크들에 대한 정보를 저장할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 4에 도시된 차량은 도 1의 장치(100)를 포함할 수 있다. 도 4의 설명에서, 차량에 의해 수행되는 것으로 기술된 동작은 장치(100)의 프로세서(150)에 의해 제어되는 것으로 이해될 수 있다.
도 4를 참조하면, 일 실시 예에 따른 차량은 라이다에 의해 인식된 타겟 차량(410)에 대한 특징점(430)을 추출할 수 있다. 예를 들어, 차량은 차량 기준 상대 좌표계 상에 표시된 타겟 차량(410)을 커버하는 직사각형 박스 위에서 특징점(430)을 추출할 수 있다. 차량은 직사각형 박스의 꼭지점 상의 4개의 특징점(431, 433, 437, 439), 직사각형 박스의 변의 중심 상의 4개의 특징점(432, 434, 436, 438), 및 직사각형 박스의 중심 상의 1개의 특징점(435)을 포함하는 9개의 특징점(430)을 추출할 수 있다.
차량은 라이다에 의해 인식된 타겟 물체(420)에 대한 특징점(440)을 추출할 수 있다. 타겟 물체(420)는 차량이 아닌 다른 물체, 예를 들어, 수풀일 수 있다. 차량은 타겟 차량(410)에 대한 특징점(430)을 추출하는 방식과 유사한 방식으로, 타겟 물체(420)에 대한 9개의 특징점(440)을 추출할 수 있다. 차량은 특징점(440) 중 지정된 개수 이상이 도로 경계면 근처 또는 도로 밖에 위치된 경우 타겟 물체(420)를 유효하지 않은 타겟으로 판단할 수 있다. 예를 들어, 차량은 특징점(440) 중 6개의 특징점(442, 443, 445, 446, 448, 449)이 도로 밖에 위치된 경우, 타겟 물체(420)를 유효하지 않은 타겟으로 판단하고, 특징점(440)을 무시할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 5에 도시된 차량은 도 1의 장치(100)를 포함할 수 있다. 도 5의 설명에서, 차량에 의해 수행되는 것으로 기술된 동작은 장치(100)의 프로세서(150)에 의해 제어되는 것으로 이해될 수 있다.
도 5를 참조하면, 일 실시 예에 따른 차량은 라이다를 이용하여 타겟을 감지할 수 있다. 예를 들어, 차량은 도 5에 삼각형(△)으로 표시된 지점에서 타겟을 감지할 수 있다. 차량은 삼각형(△)으로 표시된 지점에 기초하여 타겟이 위치된 영역인 직사각형 박스를 획득할 수 있다. 차량은 직사각형 박스 상에서 타겟에 대한 9개의 특징점(540)을 획득할 수 있다.
차량은 특징점(540) 각각과 가장 가까운 레인 링크(520 또는 530)에 특징점(540)을 프로젝션함으로써 매칭점(550)을 획득할 수 있다. 제1 레인 링크(520)는 제1 차로의 중심선일 수 있고, 제2 레인 링크(530)는 제2 차로의 중심선일 수 있다. 예를 들어, 차량은 제1 특징점(541)을 제1 특징점(541)과 가장 가까운 제1 레인 링크(520)에 프로젝션함으로써 제1 매칭점(551)을 획득하고, 제2 특징점(542)을 제2 특징점(542)와 가장 가까운 제2 레인 링크(530)에 프로젝션함으로써 제2 매칭점(552)을 획득할 수 있다. 유사한 방식으로, 차량은 나머지 특징점(543, 544, 545, 546, 547, 548, 549)을 제1 레인 링크(520) 또는 제2 레인 링크(530)에 프로젝션함으로써 매칭점(543, 544, 545, 546, 547, 548, 549)을 획득할 수 있다. 차량은 특징점(540)과 특징점(540)에 대응하는 매칭점(550) 사이의 거리에 대한 정보를 각각 획득할 수 있다. 차량은 특징점(540)에 대한 정보와 함께 특징점(540)에 대응하는 레인 링크(520 또는 530)에 대한 정보를 저장할 수 있다. 차량은 최근 M개의 프레임 동안의 결과를 저장할 수 있다.
도 6은 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 6에 도시된 차량은 도 1의 장치(100)를 포함할 수 있다. 도 6의 설명에서, 차량에 의해 수행되는 것으로 기술된 동작은 장치(100)의 프로세서(150)에 의해 제어되는 것으로 이해될 수 있다.
도 6을 참조하면, 일 실시 예에 따른 차량은 복수의 프레임 동안 획득된 특징점의 좌표를 저장할 수 있다. 차량은 특징점의 이동 추이에 기초하여 타겟의 차로 변경을 예측할 수 있다. 차량은 제1 프레임에서 9개의 특징점(610)을 획득하고, 특징점(610)의 좌표를 포함하는 행렬 X1을 획득할 수 있다. 차량은 제2 프레임에서 9개의 특징점(620)을 획득하고, 특징점(620)의 좌표를 포함하는 행렬 X2를 획득할 수 있다. 차량은 제3 프레임에서 9개의 특징점(630)을 획득하고, 특징점(630)의 좌표를 포함하는 행렬 X3를 획득할 수 있다. 차량은 X2-X1 및 X3-X2 등을 연산함으로써, 프레임 사이의 특징점의 좌표 변화를 산출할 수 있다. 차량은 특징점의 좌표가 지속적으로 특정 방향으로 이동하는 경우(예를 들어, M개의 프레임 중 K개의 프레임 이상 동안 특징점이 특정 방향으로 이동하는 경우), 타겟이 상기 특정 방향으로 차로 변경할 것을 예측할 수 있다.
도 7은 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 7에 도시된 차량은 도 1의 장치(100)를 포함할 수 있다. 도 7의 설명에서, 차량에 의해 수행되는 것으로 기술된 동작은 장치(100)의 프로세서(150)에 의해 제어되는 것으로 이해될 수 있다.
도 7을 참조하면, 일 실시 예에 따른 차량은 특징점의 오프셋 정보를 이용하여 위치 인지를 강화할 수 있다. 통상적으로 차량의 중심은 레인 링크 상에 위치될 수 있다. GPS가 부정확하거나, 위치 인지를 위해 참조할 랜드 마크가 부족한 경우, 정밀 지도와 실제 타겟들의 위치 사이에 오프셋이 나타날 수 있다. 차량은 복수의 타겟 차량의 중앙점과 레인 링크 사이의 거리를 산출할 수 있다. 차량은 정밀 지도의 회전 변환을 통해 레인 링크와 타겟이 정렬되는 각도(예: 중앙점과 레인링크의 수직 거리가 최소가 되는 각도)를 산출할 수 있다. 차량은 산출된 정보를 이용하여 위치 인지 함수를 보정할 수 있다. 예를 들어, 차량은 제1 타겟(710)의 전방 중심점과 제1 레인 링크 사이의 수직 거리(d1,F), 중앙 중심점과 제1 레인 링크 사이의 수직 거리(d1,M), 및 후방 중심점과 제1 링크 사이의 수직 거리(d1,R)를 획득할 수 있다. 유사한 방식으로, 차량은 제2 타겟(720)과 제2 레인 링크 사이의 거리(d2,F, d2,M, d2,R), 제3 타겟(730)과 제3 레인 링크 사이의 거리(d3,F, d3,M, d3,R), 및 제4 타겟(740)과 제4 레인 링크 사이의 거리(d4,F, d4,M, d4,R)를 획득할 수 있다. 차량은 타겟(710, 720, 730, 740)의 거리 정보의 부호가 모두 같고, 지정된 거리 이상 떨어져 있는 경우, 위치 인지 함수를 보정할 수 있다. 차량은 정밀 지도를 반복적으로 회전하면서, 거리가 최소가 되는 θopt를 획득할 수 있다. 차량은 θopt 및 θopt에서의 거리 정보를 이용하여 위치 인지 함수를 보정할 수 있다.
도 8은 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 8에 도시된 차량은 도 1의 장치(100)를 포함할 수 있다. 도 8의 설명에서, 차량에 의해 수행되는 것으로 기술된 동작은 장치(100)의 프로세서(150)에 의해 제어되는 것으로 이해될 수 있다.
도 8을 참조하면, 일 실시 예에 따른 차량은 제1 타겟(810)의 특징점을 획득할 수 있다. 차량은 제1 타겟(810)의 특징점 및 레인 링크에 기초하여 제1 타겟(810)이 제1 차로를 점유하는 면적 및 제2 차로를 점유하는 면적을 산출할 수 있다. 제1 타겟(810)이 제1 차로를 점유하는 면적과 제2 차로를 점유하는 면적 사이의 비가 지정된 값보다 작은 경우, 차량은 제1 타겟(810)이 제2 차로를 점유하는 것으로 판단할 수 있다.
차량은 제2 타겟(820)의 특징점을 획득할 수 있다. 차량은 제2 타겟(820)의 특징점 및 레인 링크에 기초하여 제2 타겟(820)이 제1 차로를 점유하는 면적 및 제2 차로를 점유하는 면적을 산출할 수 있다. 제2 타겟(820)이 제1 차로를 점유하는 면적과 제2 차로를 점유하는 면적 사이의 비가 지정된 값보다 큰 경우, 차량은 제2 타겟(820)이 제1 차로 및 제2 차로를 점유하는 것으로 판단할 수 있다.
다른 예를 들면, 차량은 타겟의 특징점 중 지정된 개수(예: 9개 중 3개) 이상이 놓인 차로를 타겟이 점유하는 차로로 판단할 수도 있다.
도 9는 본 발명의 일 실시 예에 따른 차량의 객체 인식 장치의 예시적인 동작을 설명하기 위한 도면이다.
도 9에 도시된 차량은 도 1의 장치(100)를 포함할 수 있다. 도 9의 설명에서, 차량에 의해 수행되는 것으로 기술된 동작은 장치(100)의 프로세서(150)에 의해 제어되는 것으로 이해될 수 있다.
도 9를 참조하면, 일 실시 예에 따른 차량은 삼각형(△)으로 표시된 지점에서 타겟을 감지할 수 있다. 차량은 타겟이 감지된 지점(△)에 기초하여 특징점(910)을 획득할 수 있다. 타겟을 감지하는 환경에 따라 타겟의 인식은 부정확할 수 있고, 특징점(910)과 같이 타겟의 형태를 정확하게 반영하지 않는 특징점이 획득될 수도 있다. 이 경우, 차량은 추가적 정보를 활용할 수 있다.
예를 들어, 차량은 라이다에 의해 획득된 정보와 함께 카메라에 의해 획득된 정보를 이용할 수 있다. 차량은 카메라에 의해 획득된 영상을 이용하여 타겟의 크기를 인식할 수 있다. 차량은 타겟의 크기 정보 및 라이다에 의해 감지된 정보(△)를 이용하여 타겟의 크기를 반영한 특징점(920)을 획득할 수 있다.
다른 예를 들면, 차량은 라이다에 의해 획득된 정보와 함께 통신 회로에 의해 획득된 정보를 이용할 수 있다. 차량은 통신 회로를 이용하여 타겟과 통신할 수 있다. 차량은 통신 회로를 이용하여 타겟으로부터 타겟의 크기에 대한 정보를 수신할 수 있다. 차량은 타겟의 크기 정보 및 라이다에 의해 감지된 정보(△)를 이용하여 타겟의 크기를 반영한 특징점(920)을 획득할 수 있다.
도 10은 본 발명의 일 실시 예에 따른 차량의 객체 인식 방법을 설명하기 위한 흐름도이다.
이하에서는 도 1의 장치(100)가 도 10의 프로세스를 수행하는 것을 가정한다. 또한, 도 10의 설명에서, 차량에 의해 수행되는 것으로 기술된 동작은 장치(100)의 프로세서(150)에 의해 제어되는 것으로 이해될 수 있다.
도 10을 참조하면, 단계 1010에서, 차량은 정밀 지도 정보의 구조체를 저장할 수 있다. 예를 들어, 차량은 프로그램 모듈 외부의 정밀 지도 데이터를 프로그램 모듈 내부의 정밀 지도 구조체에 저장할 수 있다.
단계 1020에서, 차량은 레인 링크의 좌표를 상대 좌표로 변환할 수 있다. 예를 들어, 차량은 정밀 지도 구조체의 정보를 차량 기준의 상대 좌표로 변환하여 객체-정밀지도 융합 구조체에 저장할 수 있다.
단계 1030에서, 차량은 N개의 특징점을 추출할 수 있다. 예를 들어, 차량은 라이다에 의해 획득된 포인트들의 클러스터링 결과에 의해 생성된 객체 박스 위에서 균일한 간격으로 N개의 특징점을 추출할 수 있다.
단계 1040에서, 차량은 유효 객체를 선별할 수 있다. 예를 들어, 차량은 지정된 수 이상의 특징점이 도로변 근처나 도로 밖에 위치한 경우 해당 객체를 유효한 객체에서 배제할 수 있다.
단계 1050에서, 차량은 특징점의 정사영에 의한 최근접 레인링크의 후보군을 추출할 수 있다. 예를 들어, 차량은 유효 객체의 특징점을 임의의 레인링크 위로 프로젝션하고, 프로젝션한 점이 레인 링크 선분 위에 존재하는 레인 링크들을 후보군으로 설정할 수 있다.
단계 1060에서, 차량은 특징점의 최근접 레인링크를 추출할 수 있다. 예를 들어, 차량은 후보군 레인 링크들 중에 특징점에 가장 가까운 레인링크를 최근접 레인 링크로 선정할 수 있다.
단계 1070에서, 차량은 특징점 정보와 함께 레인 링크 정보를 저장할 수 있다. 예를 들어, 차량은 N개 특징점에 대한 정보를 포함하는 구조체에 최근접 레인 링크 정보를 저장할 수 있다.
단계 1080에서, 차량은 특징점의 이동 추이에 기반하여 객체의 거동을 예측할 수 있다. 예를 들어, 차량은 특징점의 시간에 따른 위치 변화에 기초하여 객체의 거동을 예측할 수 있다.
단계 1090에서, 차량은 특징점의 오프셋 정보를 활용하여 위치 인지를 강화할 수 있다. 예를 들어, 차량은 특징점에서 나타나는 공통적인 오프셋 정보를 활용하여 위치 인지의 정확도를 향상시킬 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
11: 제1 타겟
12: 제2 타겟
100: 객체 인식 장치
110: 라이다
120: 메모리
130: 카메라
140: 통신 회로
150: 프로세서
210: 정밀 지도 저장부
220: 특징점 추출부
230: 좌표계 변환부
240: 객체-정밀 지도 위치 비교부
250: 객체-정밀 지도 할당부
260: 결과 정보 저장부
270: 유효 객체 선별부
280: 객체 거동 예측부
290: 위치 인지 보정부
300: 레인 링크 정보
310: 레인 링크 ID
320: 방향
330: 위치
340: 길이
350: 레인 링크 순번

Claims (19)

  1. 차량의 객체 인식 장치에 있어서,
    상기 차량의 주위에 위치된 타겟을 감지하는 라이다;
    메모리; 및
    상기 라이다 및 상기 메모리와 전기적으로 연결된 프로세서를 포함하고,
    상기 프로세서는,
    상기 라이다에 의해 감지된 상기 타겟의 영역 내에서 복수의 특징점을 획득하고,
    상기 복수의 특징점 각각과 최단 거리에 있는 레인 링크 사이의 거리 또는 복수의 프레임 동안 획득된 상기 복수의 특징점에 대한 정보의 시퀀스 중 하나 이상에 기초하여 상기 타겟이 점유하는 하나 이상의 차로를 판단하고,
    상기 레인 링크는 상기 차량이 주행 중인 도로 내에 있는 것을 특징으로 하는, 장치.
  2. 제 1 항에 있어서,
    상기 프로세서는,
    상기 메모리에 저장된 지도로부터 차로 정보 및 차선 정보를 획득하는 것을 특징으로 하는, 장치.
  3. 제 1 항에 있어서,
    상기 프로세서는,
    상기 메모리에 저장된 지도로부터 상기 레인 링크의 아이디, 방향, 위치, 길이 및 순번 중 적어도 하나에 대한 정보를 획득하는 것을 특징으로 하는, 장치.
  4. 제 1 항에 있어서,
    상기 복수의 특징점은 상기 타겟이 위치된 영역을 커버하는 직사각형의 꼭지점을 포함하는 것을 특징으로 하는, 장치.
  5. 제 1 항에 있어서,
    상기 복수의 특징점 사이의 간격은 균일한 것을 특징으로 하는, 장치.
  6. 제 1 항에 있어서,
    상기 프로세서는,
    상기 메모리로부터 지도를 획득하고,
    상기 지도에 포함된 오브젝트들의 좌표를 상기 차량 기준의 상대 좌표로 변환하는 것을 특징으로 하는, 장치.
  7. 삭제
  8. 제 1 항에 있어서,
    상기 프로세서는,
    상기 복수의 특징점의 좌표와 함께 상기 복수의 특징점 각각과 최단 거리에 위치된 상기 레인 링크의 정보를 저장하는 것을 특징으로 하는, 장치.
  9. 삭제
  10. 제 1 항에 있어서,
    상기 프로세서는,
    상기 복수의 특징점 중 지정된 수 이상이 상기 차량이 주행 중인 도로 밖에 위치되면 상기 복수의 특징점을 무시하는 것을 특징으로 하는, 장치.
  11. 제 1 항에 있어서,
    상기 프로세서는,
    상기 복수의 특징점이 지정된 수의 프레임 동안 상기 레인 링크를 기준으로 횡방향으로 이동하면, 상기 차량의 주행 차로의 변경을 예측하는 것을 특징으로 하는, 장치.
  12. 제 1 항에 있어서,
    상기 프로세서는,
    상기 복수의 특징점을 연결한 도형과 상기 하나 이상의 차로가 겹쳐지는 면적에 기초하여 상기 타겟이 점유하는 상기 하나 이상의 차로를 판단하는 것을 특징으로 하는, 장치.
  13. 제 1 항에 있어서,
    상기 프로세서는,
    상기 복수의 특징점 중 지정된 개수 이상이 위치된 차로를 상기 타겟이 점유하는 상기 하나 이상의 차로로 판단하는 것을 특징으로 하는, 장치.
  14. 제 1 항에 있어서,
    상기 프로세서는,
    지정된 수 이상의 상기 타겟의 방향 또는 위치가 상기 차량이 주행 중인 도로에서 편향된 경우, 상기 차량의 위치 정보에 오프셋을 적용하는 것을 특징으로 하는, 장치.
  15. 제 1 항에 있어서,
    상기 프로세서와 전기적으로 연결된 카메라를 더 포함하고,
    상기 카메라를 이용하여 상기 타겟에 대한 영상을 획득하고,
    상기 복수의 특징점 및 상기 영상에 기초하여 상기 타겟이 점유하는 상기 하나 이상의 차로를 판단하는 것을 특징으로 하는, 장치.
  16. 제 1 항에 있어서,
    상기 프로세서와 전기적으로 연결된 통신 회로를 더 포함하고,
    상기 통신 회로를 이용하여 상기 타겟으로부터 상기 타겟의 크기와 연관된 정보를 획득하고,
    상기 복수의 특징점 및 상기 타겟의 크기와 연관된 정보에 기초하여 상기 타겟이 점유하는 상기 하나 이상의 차로를 판단하는 것을 특징으로 하는, 장치.
  17. 차량의 객체 인식 방법에 있어서,
    라이다에 의해 감지된 타겟의 영역 내에서 복수의 특징점을 획득하는 단계; 및
    상기 복수의 특징점 각각과 최단 거리에 있는 레인 링크 사이의 거리 또는 복수의 프레임 동안 획득된 상기 복수의 특징점에 대한 정보의 시퀀스 중 하나 이상에 기초하여 상기 타겟이 점유하는 하나 이상의 차로를 판단하는 단계를 포함하고,
    상기 레인 링크는 상기 차량이 주행 중인 도로 내에 있는 것을 특징으로 하는, 방법.
  18. 제 17 항에 있어서,
    상기 판단하는 단계는,
    상기 복수의 특징점을 연결한 도형과 상기 하나 이상의 차로가 겹쳐지는 면적에 기초하여 상기 타겟이 점유하는 상기 하나 이상의 차로를 판단하는 단계를 포함하는 것을 특징으로 하는, 방법.
  19. 제 17 항에 있어서,
    상기 판단하는 단계는,
    상기 복수의 특징점 중 지정된 개수 이상이 위치된 차로를 상기 타겟이 점유하는 상기 하나 이상의 차로로 판단하는 것을 특징으로 하는, 방법.
KR1020170154072A 2017-11-17 2017-11-17 차량의 객체 인식 장치 및 방법 KR102371617B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170154072A KR102371617B1 (ko) 2017-11-17 2017-11-17 차량의 객체 인식 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170154072A KR102371617B1 (ko) 2017-11-17 2017-11-17 차량의 객체 인식 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190056775A KR20190056775A (ko) 2019-05-27
KR102371617B1 true KR102371617B1 (ko) 2022-03-07

Family

ID=66679458

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170154072A KR102371617B1 (ko) 2017-11-17 2017-11-17 차량의 객체 인식 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102371617B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240030543A (ko) 2022-08-31 2024-03-07 현대자동차주식회사 패턴 인식을 이용한 차량의 객체 인식 장치 및 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102444675B1 (ko) * 2021-06-24 2022-09-20 (주)뷰런테크놀로지 주변 객체의 차로 변경 예측 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008171140A (ja) * 2007-01-10 2008-07-24 Omron Corp 画像処理装置および方法、並びに、プログラム
WO2008146951A1 (en) 2007-05-31 2008-12-04 Aisin Aw Co., Ltd. Object recognition device and object recognition method, and lane determination device and lane determination method using them
US20100328644A1 (en) * 2007-11-07 2010-12-30 Yuesheng Lu Object Detection and Tracking System
JP2012048642A (ja) * 2010-08-30 2012-03-08 Denso Corp 走行環境認識装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3223188A1 (en) * 2016-03-22 2017-09-27 Autoliv Development AB A vehicle environment mapping system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008171140A (ja) * 2007-01-10 2008-07-24 Omron Corp 画像処理装置および方法、並びに、プログラム
WO2008146951A1 (en) 2007-05-31 2008-12-04 Aisin Aw Co., Ltd. Object recognition device and object recognition method, and lane determination device and lane determination method using them
US20100328644A1 (en) * 2007-11-07 2010-12-30 Yuesheng Lu Object Detection and Tracking System
JP2012048642A (ja) * 2010-08-30 2012-03-08 Denso Corp 走行環境認識装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240030543A (ko) 2022-08-31 2024-03-07 현대자동차주식회사 패턴 인식을 이용한 차량의 객체 인식 장치 및 방법

Also Published As

Publication number Publication date
KR20190056775A (ko) 2019-05-27

Similar Documents

Publication Publication Date Title
US11003921B2 (en) Apparatus and method for distinguishing false target in vehicle and vehicle including the same
CN110807350B (zh) 用于面向扫描匹配的视觉slam的系统和方法
KR102022388B1 (ko) 실세계 물체 정보를 이용한 카메라 공차 보정 시스템 및 방법
KR102529903B1 (ko) 차량의 위치 추정 장치 및 방법
CN103781685B (zh) 车辆用自主行驶控制系统
US9123242B2 (en) Pavement marker recognition device, pavement marker recognition method and pavement marker recognition program
US20200064855A1 (en) Method and apparatus for determining road line
CN110146096B (zh) 一种基于图像感知的车辆定位方法及装置
CN110608746B (zh) 用于确定机动车的位置的方法和装置
CN113710988A (zh) 用于识别环境传感器的功能能力的方法、控制仪和车辆
US20190138825A1 (en) Apparatus and method for associating sensor data in vehicle
CN112997093B (zh) 用于确定关于车辆环境中的物体的信息的方法和处理单元
JP2022504728A (ja) ポジショニング方法、経路決定方法、装置、ロボットおよび記憶媒体
KR102006291B1 (ko) 전자 장치의 이동체 포즈 추정 방법
EP2052208A2 (en) Determining the location of a vehicle on a map
JP6552448B2 (ja) 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム
JP2018048949A (ja) 物体識別装置
US20210394782A1 (en) In-vehicle processing apparatus
WO2019152084A1 (en) System and method for calibrating light intensity
KR102371617B1 (ko) 차량의 객체 인식 장치 및 방법
JP6263453B2 (ja) 運動量推定装置及びプログラム
KR20190081334A (ko) 복합 측위 기반의 이동 궤적 추적 방법 및 그 장치
CN113330448A (zh) 用于车辆的传感器数据融合的方法和装置
EP4258078A1 (en) Positioning method and apparatus, and vehicle
JP2010176592A (ja) 車両用運転支援装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant