KR102372703B1 - V2v 통신을 통해 획득된 타 자율 주행 차량의 공간 탐지 결과를 자신의 자율 주행 차량의 공간 탐지 결과와 통합하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 - Google Patents

V2v 통신을 통해 획득된 타 자율 주행 차량의 공간 탐지 결과를 자신의 자율 주행 차량의 공간 탐지 결과와 통합하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 Download PDF

Info

Publication number
KR102372703B1
KR102372703B1 KR1020200001721A KR20200001721A KR102372703B1 KR 102372703 B1 KR102372703 B1 KR 102372703B1 KR 1020200001721 A KR1020200001721 A KR 1020200001721A KR 20200001721 A KR20200001721 A KR 20200001721A KR 102372703 B1 KR102372703 B1 KR 102372703B1
Authority
KR
South Korea
Prior art keywords
test
specific
target space
original
vector
Prior art date
Application number
KR1020200001721A
Other languages
English (en)
Other versions
KR20200095358A (ko
Inventor
김용중
김인수
김학경
남운현
부석훈
성명철
유우주
정경중
제홍모
조호진
Original Assignee
주식회사 스트라드비젼
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 주식회사 스트라드비젼 filed Critical 주식회사 스트라드비젼
Publication of KR20200095358A publication Critical patent/KR20200095358A/ko
Application granted granted Critical
Publication of KR102372703B1 publication Critical patent/KR102372703B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/001—Image restoration
    • G06T5/002—Denoising; Smoothing
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]

Abstract

제1 객체 검출 정보 및 제2 객체 검출 정보를 통합하여, 통합 객체 검출 정보를 생성하는 학습 방법이 개시된다. 즉, (a) 학습 장치가, 컨캐터네이팅(concatenating) 네트워크로 하여금, 하나 이상의 페어 특징 벡터를 생성하도록 하는 단계; (b) 상기 학습 장치가, 판별 네트워크로 하여금, FC 연산을 상기 페어 특징 벡터에 적용함으로써, (i) 판별 벡터 및 (ii) 박스 리그레션(regression) 벡터를 생성하도록 하는 단계; 및 (c) 상기 학습 장치가, 로스 유닛으로 하여금, 상기 판별 벡터와 상기 박스 리그레션 벡터, 및 이에 대응하는 GT(Ground Truth)를 참조로 하여, 통합 로스를 생성하도록 하고, 상기 통합 로스를 이용하여 백프로퍼게이션(backpropagation)을 수행함으로써 상기 DNN에 포함된 파라미터 중 적어도 일부를 학습하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법이 개시된다.

Description

V2V 통신을 통해 획득된 타 자율 주행 차량의 공간 탐지 결과를 자신의 자율 주행 차량의 공간 탐지 결과와 통합하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 {LEARNING METHOD AND LEARNING DEVICE FOR INTEGRATING OBJECT DETECTION INFORMATION ACQUIRED THROUGH V2V COMMUNICATION FROM OTHER AUTONOMOUS VEHICLE WITH OBJECT DETECTION INFORMATION GENERATED BY PRESENT AUTONOMOUS VEHICLE, AND TESTING METHOD AND TESTING DEVICE USING THE SAME}
본 발명은 V2V 통신을 통해 획득된 타 자율 주행 차량의 공간 탐지 결과를 자신의 자율 주행 차량의 공간 탐지 결과와 통합하는 학습 방법 및 학습 장치에 관한 것이다.
딥 컨벌루션 뉴럴 네트워크(Deep Convolution Neural Networks, Deep CNNs)는 딥 러닝 분야에서 일어난 눈부신 발전의 핵심이다. CNNs은 글자 식별 문제를 해결하기 위해 90년대에도 사용되었지만, 현재처럼 널리 쓰이게 된 것은 최근의 연구 결과 덕분이다. 이러한 CNN은 2012년 ImageNet 이미지 분류 경진대회에서 다른 경쟁 상대를 제치고 우승을 차지했다. 그 후, CNN은 기계 학습 분야에서 매우 유용한 툴로 쓰이게 되었다.
이와 같은 CNN은, 자율 주행 분야에서도 널리 사용되고 있다. CNN은 자율 주행 차량에서 주로 시맨틱(semantic) 세그먼테이션, 객체 검출 및 여유 공간 검출 등 이미지 처리를 담당한다. 이를 통해 CNN을 탑재한 차량은 차량 주변 공간에 객체가 위치하는지를 판단함으로써 공간 검출 결과를 생성할 수 있다.
한편, 최근 V2X(vehicle to everything) 기술이 각광받고 있다. V2X는 차량이 온라인으로 타 객체와 연결되는 통신 기술을 말한다. V2X 기술의 일종인 V2V(vehicle to vehicle) 기술은 차량과 차량 간의 통신 기술을 말한다. V2V 기술로 할 수 있는 것은 많지만, 자율 주행 차량에 적용될 경우 큰 효과를 볼 수 있을 것이다. 특히, 전술하였던 CNN을 이용한 공간 검출 결과를 V2V 기술을 통해 서로 공유할 수 있다면, 사고 확률을 크게 줄일 수 있을 것이다.
하지만, 공간 검출 결과를 서로 간에 공유하는 것은, 각 차량이 자신을 중심으로 공간 검출을 수행하였기 때문에, 상대적으로 어려운 측면이 있다.
본 발명은 상술한 문제점을 해결하는 것을 목적으로 한다.
본 발명은 V2V 통신을 통해 획득된 타 자율 주행 차량의 객체 검출 정보를 자신의 자율 주행 차량에 의해 생성된 객체 검출 정보와 통합하는 학습 방법을 제공함으로써, 통합 공간 검출 결과를 이용해 자율 주행 차량의 안전성을 향상하는 것을 다른 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양에 따르면, 제1 차량에 의해 생성된 제1 타겟 공간에 대한 제1 객체 검출 정보 및 제2 차량에 의해 생성된 제2 타겟 공간에 대한 제2 객체 검출 정보를 통합하여, 상기 제1 타겟 공간 및 상기 제2 타겟 공간을 포함하는 통합 타겟 공간에 대한 통합 객체 검출 정보를 생성하는 학습 방법에 있어서, (a) 학습 장치가, 상기 제1 타겟 공간에 대한 제1 원본 이미지 및 상기 제2 타겟 공간에 대한 제2 원본 이미지가 처리되어 생성된, 상기 제1 타겟 공간에 대한 상기 제1 객체 검출 정보 및 상기 제2 타겟 공간에 대한 상기 제2 객체 검출 정보를 획득하면, DNN(Deep Neural Network)에 포함된 컨캐터네이팅(concatenating) 네트워크로 하여금, 상기 제1 타겟 공간에 포함된 제1 원본 ROI(region of interest) 및 상기 제2 타겟 공간에 포함된 제2 원본 ROI의 하나 이상의 페어에 관한 정보를 포함하는 하나 이상의 페어 특징 벡터를 생성하도록 하는 단계; (b) 상기 학습 장치가, 상기 DNN에 포함된 판별 네트워크로 하여금, 상기 페어 특징 벡터에 하나 이상의 FC(fully connected) 연산을 적용함으로써, (i) 상기 페어 각각에 포함된, 상기 제1 원본 ROI 및 상기 제2 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 판별 벡터 및 (ii) 상기 통합 타겟 공간 상에서, 상기 페어 중 적어도 일부의 각 요소의 각 기존 3차원 위치와 비교한, 상기 페어 중 상기 적어도 일부에 대응하는 통합 ROI의 각 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 박스 리그레션(regression) 벡터를 생성하도록 하는 단계; 및 (c) 상기 학습 장치가, 로스 유닛으로 하여금, 상기 판별 벡터와 상기 박스 리그레션 벡터, 및 이에 대응하는 GT(Ground Truth)를 참조로 하여, 통합 로스를 생성하도록 하고, 상기 통합 로스를 이용하여 백프로퍼게이션(backpropagation)을 수행함으로써 상기 DNN에 포함된 파라미터 중 적어도 일부를 학습하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법이 개시된다.
일 실시예에서, 상기 (a) 단계에서, 상기 페어 특징 벡터 중 하나인 특정 페어 특징 벡터는, (i) 상기 제1 타겟 공간에 포함된 제1 특정 객체의 제1 클래스 정보, (ii) 상기 제1 특정 객체를 포함하는 제1 특정 원본 ROI의 특징 값, (iii) 상기 제1 특정 원본 ROI에 대응하는 제1 특정 원본 바운딩 박스의 3차원 좌표 값, (iv) 상기 제1 특정 원본 ROI의 3차원 좌표 값, (v) 상기 제2 타겟 공간에 포함된 제2 특정 객체의 제2 클래스 정보, (vi) 상기 제2 특정 객체를 포함하는 제2 특정 원본 ROI의 특징 값, (vii) 상기 제2 특정 원본 ROI에 대응하는 제2 특정 원본 바운딩 박스의 3차원 좌표 값, 및 (viii) 상기 제2 특정 원본 ROI의 3차원 좌표 값을 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 특정 페어 특징 벡터에 대응하는, 상기 판별 벡터 중 하나인 특정 판별 벡터는, 상기 제1 특정 원본 ROI 및 상기 제2 특정 원본 ROI가 상기 통합 타겟 공간에 통합될 확률에 관한 정보를 포함하고, 상기 특정 페어 특징 벡터에 대응하는, 상기 박스 리그레션 벡터 중 하나인 특정 박스 리그레션 벡터는, 상기 통합 타겟 공간 상의 상기 제1 특정 원본 ROI 및 상기 제2 특정 원본 ROI를 통합하여 생성되는 특정 통합 바운딩 박스의 3차원 좌표에 대한 정보를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 (c) 단계에서, 상기 학습 장치는, 상기 로스 유닛으로 하여금, (i) 크로스 엔트로피(cross entropy) 방식을 통해 상기 판별 벡터 중 적어도 일부를 사용하여 판별 로스를 생성하고, (ii) 스무스 L1(smooth-L1) 방식을 통해 상기 박스 리그레션 벡터 중 적어도 일부를 사용하여 박스 리그레션 로스를 생성한 후, (iii) 상기 판별 로스 및 상기 박스 리그레션 로스를 참조로 하여 상기 통합 로스를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (c) 단계에서,
상기 판별 로스는 하기 수식에 따라 생성되되,
Figure 112020001338685-pat00001
Figure 112020001338685-pat00002
은 상기 판별 벡터의 개수를,
Figure 112020001338685-pat00003
는 제i 판별 벡터를, 그리고
Figure 112020001338685-pat00004
는 상기 제i 판별 벡터에 대한 제i 판별 GT 벡터를 의미하고, 상기 박스 리그레션 로스는 하기 수식에 따라 생성되되,
Figure 112020001338685-pat00005
Figure 112020001338685-pat00006
Figure 112020001338685-pat00007
은 상기 박스 리그레션 벡터의 개수를,
Figure 112020001338685-pat00008
는 제i 박스 리그레션 벡터를, 그리고
Figure 112020001338685-pat00009
는 상기 제i 박스 리그레션 벡터에 대한 제i 박스 리그레션 GT 벡터를 의미하는 것을 특징으로 한다.
일 실시예에서, 상기 학습 장치가, 상기 DNN의 하나 이상의 레이어에 포함된 각 딥러닝 뉴런으로 하여금, 그의 적어도 하나의 파라미터를 사용하여 상기 각 딥러닝 뉴런의 입력에 하나 이상의 컨벌루션 연산을 적용하고, 상기 각 딥러닝 뉴런의 출력을 다음 딥러닝 뉴런에 전달하는 과정을 반복함으로써, 상기 페어 특징 벡터, 상기 판별 벡터 및 상기 박스 리그레션 벡터를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 학습 장치가, 상기 DNN에 포함된 상기 판별 네트워크로 하여금, 상기 페어 특징 벡터에 상기 FC 연산 중 적어도 일부를 적용하여 상기 판별 벡터를 생성하도록 한 다음, 상기 페어 특징 벡터 중, 특정 페어가 통합될 특정 확률을 나타내는 특정 판별 벡터의 값이 기설정된 임계 값 이상인 하나 이상의 특정 페어 특징 벡터에 상기 FC 연산 중 나머지 일부를 적용하여, 상기 특정 페어 특징 벡터에 대응하는 상기 박스 리그레션 벡터를 생성하도록 하는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 제1 테스트용 차량에 의해 생성된 제1 테스트용 타겟 공간에 대한 제1 테스트용 객체 검출 정보 및 제2 테스트용 차량에 의해 생성된 제2 테스트용 타겟 공간에 대한 제2 테스트용 객체 검출 정보를 통합하여, 상기 제1 테스트용 타겟 공간 및 상기 제2 테스트용 타겟 공간을 포함하는 테스트용 통합 타겟 공간에 대한 테스트용 통합 객체 검출 정보를 생성하는 테스팅 방법에 있어서, (a) 학습 장치가 (1) 제1 학습용 타겟 공간에 대한 제1 학습용 원본 이미지 및 제2 학습용 타겟 공간에 대한 제2 학습용 원본 이미지가 처리되어 생성된, 상기 제1 학습용 타겟 공간에 대한 제1 학습용 객체 검출 정보 및 상기 제2 학습용 타겟 공간에 대한 제2 학습용 객체 검출 정보를 획득하면, DNN에 포함된 컨캐터네이팅 네트워크로 하여금, 상기 제1 학습용 타겟 공간에 포함된 제1 학습용 원본 ROI 및 상기 제2 학습용 타겟 공간에 포함된 제2 학습용 원본 ROI의 하나 이상의 학습용 페어에 관한 정보를 포함하는 하나 이상의 학습용 페어 특징 벡터를 생성하도록 하고, (2) 상기 DNN에 포함된 판별 네트워크로 하여금, 상기 학습용 페어 특징 벡터에 하나 이상의 FC 연산을 적용함으로써, (i) 상기 학습용 페어 각각에 포함된, 상기 제1 학습용 원본 ROI 및 상기 제2 학습용 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 학습용 판별 벡터 및 (ii) 학습용 통합 타겟 공간 상에서, 상기 학습용 페어 중 적어도 일부의 각 요소의 각 학습용 기존 3차원 위치와 비교한, 상기 학습용 페어 중 상기 적어도 일부에 대응하는 학습용 통합 ROI의 각 학습용 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 학습용 박스 리그레션 벡터를 생성하도록 하며, (3) 로스 유닛으로 하여금, 상기 학습용 판별 벡터와 상기 학습용 박스 리그레션 벡터, 및 이에 대응하는 GT를 참조로 하여, 통합 로스를 생성하도록 하고, 상기 통합 로스를 이용하여 백프로퍼게이션을 수행함으로써 상기 DNN에 포함된 파라미터 중 적어도 일부를 학습하도록 한 상태에서, 상기 제1 테스트용 차량에 탑재된 테스팅 장치가, 상기 제1 테스트용 타겟 공간에 대한 제1 테스트용 원본 이미지 및 상기 제2 테스트용 타겟 공간에 대한 제2 테스트용 원본 이미지가 처리되어 생성된, 상기 제1 테스트용 타겟 공간에 대한 상기 제1 테스트용 객체 검출 정보 및 상기 제2 테스트용 타겟 공간에 대한 상기 제2 테스트용 객체 검출 정보를 획득하면, 상기 DNN에 포함된 상기 컨캐터네이팅 네트워크로 하여금, 상기 제1 테스트용 타겟 공간에 포함된 제1 테스트용 원본 ROI 및 상기 제2 테스트용 타겟 공간에 포함된 제2 테스트용 원본 ROI의 하나 이상의 테스트용 페어에 관한 정보를 포함하는 하나 이상의 테스트용 페어 특징 벡터를 생성하도록 하는 단계; (b) 상기 테스팅 장치가, 상기 DNN에 포함된 상기 판별 네트워크로 하여금, 상기 테스트용 페어 특징 벡터에 상기 FC연산을 적용함으로써, (i) 상기 테스트용 페어 각각에 포함된, 상기 제1 테스트용 원본 ROI 및 상기 제2 테스트용 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 테스트용 판별 벡터 및 (ii) 상기 테스트용 통합 타겟 공간 상에서, 상기 테스트용 페어 중 적어도 일부의 각 요소의 각 테스트용 기존 3차원 위치와 비교한, 상기 테스트용 페어 중 상기 적어도 일부에 대응하는 테스트용 통합 ROI의 각 테스트용 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 테스트용 박스 리그레션 벡터를 생성하도록 하는 단계; 및 (c) 상기 테스팅 장치가, 병합 유닛으로 하여금, 상기 테스트용 판별 벡터 및 상기 테스트용 박스 리그레션 벡터를 참조로 하여, 제1 테스트용 원본 바운딩 박스 및 제2 테스트용 원본 바운딩 박스의 상기 테스트용 페어 중 적어도 일부를 병합함으로써 상기 테스트용 통합 객체 검출 정보를 생성하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법이 개시된다.
일 실시예에서, 상기 제1 테스트용 차량에 탑재된, 하나 이상의 제1 카메라, 하나 이상의 제1 라이다(lidar), 및 하나 이상의 제1 레이더(radar) 중 적어도 일부를 통해 획득된, 상기 제1 테스트용 타겟 공간에 대한 상기 제1 테스트용 원본 이미지는 상기 제1 테스트용 차량에 포함된 제1 뉴럴 네트워크에 의해 처리됨으로써, (i) 상기 제1 테스트용 타겟 공간에 포함된 테스트용 객체에 관한 제1 테스트용 클래스 정보, (ii) 상기 제1 테스트용 원본 ROI의 테스트용 특징 값, (iii) 상기 제1 테스트용 원본 바운딩 박스의 테스트용 3차원 좌표 값, 및 (iv) 상기 제1 테스트용 원본 ROI의 테스트용 3차원 좌표 값을 포함하는 상기 제1 테스트용 객체 검출 정보가 생성되고, 상기 제2 테스트용 차량에 탑재된, 하나 이상의 제2 카메라, 하나 이상의 제2 라이다, 및 하나 이상의 제2 레이더 중 적어도 일부를 통해 획득된, 상기 제2 테스트용 타겟 공간에 대한 상기 제2 테스트용 원본 이미지는 상기 제2 테스트용 차량에 포함된 제2 뉴럴 네트워크에 의해 처리됨으로써, (i) 상기 제2 테스트용 타겟 공간에 포함된 테스트용 객체에 관한 제2 테스트용 클래스 정보, (ii) 상기 제2 테스트용 원본 ROI의 테스트용 특징 값, (iii) 상기 제2 테스트용 원본 바운딩 박스의 테스트용 3차원 좌표 값, 및 (iv) 상기 제2 테스트용 원본 ROI의 테스트용 3차원 좌표 값을 포함하는 상기 제2 객체 검출 정보가 생성되며, 상기 제2 객체 검출 정보는 V2V(Vehicle-to-vehicle) 통신을 통해 상기 제1 테스트용 차량으로 전달되는 것을 특징으로 한다.
일 실시예에서, 상기 (a) 단계에서, 상기 테스트용 페어 특징 벡터 중 하나인 테스트용 특정 페어 특징 벡터는, (i) 상기 제1 테스트용 타겟 공간에 포함된 제1 테스트용 특정 객체의 제1 테스트용 클래스 정보, (ii) 상기 제1 테스트용 특정 객체를 포함하는 제1 테스트용 특정 원본 ROI의 테스트용 특징 값, (iii) 상기 제1 테스트용 특정 원본 ROI에 대응하는 제1 테스트용 특정 원본 바운딩 박스의 3차원 좌표 값, (iv) 상기 제1 테스트용 특정 원본 ROI의 3차원 좌표 값, (v) 상기 제2 테스트용 타겟 공간에 포함된 제2 테스트용 특정 객체의 제2 테스트용 클래스 정보, (vi) 상기 제2 테스트용 특정 객체를 포함하는 제2 테스트용 특정 원본 ROI의 테스트용 특징 값, (vii) 상기 제2 테스트용 특정 원본 ROI에 대응하는 제2 테스트용 특정 원본 바운딩 박스의 3차원 좌표 값, 및 (viii) 상기 제2 테스트용 특정 원본 ROI의 3차원 좌표 값을 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 (b) 단계에서, 상기 테스트용 특정 페어 특징 벡터에 대응하는, 상기 테스트용 판별 벡터 중 하나인 테스트용 특정 판별 벡터는, 상기 제1 테스트용 특정 원본 ROI 및 상기 제2 테스트용 특정 원본 ROI가 상기 테스트용 통합 타겟 공간에 통합될 확률에 관한 정보를 포함하고, 상기 테스트용 특정 페어 특징 벡터에 대응하는, 상기 테스트용 박스 리그레션 벡터 중 하나인 테스트용 특정 박스 리그레션 벡터는, 상기 테스트용 통합 타겟 공간 상의 상기 제1 테스트용 특정 원본 ROI 및 상기 제2 테스트용 특정 원본 ROI를 통합하여 생성되는 테스트용 특정 통합 바운딩 박스의 3차원 좌표에 대한 정보를 포함하는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 제1 차량에 의해 생성된 제1 타겟 공간에 대한 제1 객체 검출 정보 및 제2 차량에 의해 생성된 제2 타겟 공간에 대한 제2 객체 검출 정보를 통합하여, 상기 제1 타겟 공간 및 상기 제2 타겟 공간을 포함하는 통합 타겟 공간에 대한 통합 객체 검출 정보를 생성하는 학습 장치에 있어서, 인스트럭션들을 저장하는 하나 이상의 메모리; 및 (I) 상기 제1 타겟 공간에 대한 제1 원본 이미지 및 상기 제2 타겟 공간에 대한 제2 원본 이미지가 처리되어 생성된, 상기 제1 타겟 공간에 대한 상기 제1 객체 검출 정보 및 상기 제2 타겟 공간에 대한 상기 제2 객체 검출 정보를 획득하면, DNN에 포함된 컨캐터네이팅 네트워크로 하여금, 상기 제1 타겟 공간에 포함된 제1 원본 ROI 및 상기 제2 타겟 공간에 포함된 제2 원본 ROI의 하나 이상의 페어에 관한 정보를 포함하는 하나 이상의 페어 특징 벡터를 생성하도록 하는 프로세스, (II) 상기 DNN에 포함된 판별 네트워크로 하여금, 상기 페어 특징 벡터에 하나 이상의 FC 연산을 적용함으로써, (i) 상기 페어 각각에 포함된, 상기 제1 원본 ROI 및 상기 제2 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 판별 벡터 및 (ii) 상기 통합 타겟 공간 상에서, 상기 페어 중 적어도 일부의 각 요소의 각 기존 3차원 위치와 비교한, 상기 페어 중 상기 적어도 일부에 대응하는 통합 ROI의 각 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 박스 리그레션 벡터를 생성하도록 하는 프로세스, 및 (III) 로스 유닛으로 하여금, 상기 판별 벡터와 상기 박스 리그레션 벡터, 및 이에 대응하는 GT를 참조로 하여, 통합 로스를 생성하도록 하고, 상기 통합 로스를 이용하여 백프로퍼게이션을 수행함으로써 상기 DNN에 포함된 파라미터 중 적어도 일부를 학습하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 학습 장치가 개시된다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 페어 특징 벡터 중 하나인 특정 페어 특징 벡터는, (i) 상기 제1 타겟 공간에 포함된 제1 특정 객체의 제1 클래스 정보, (ii) 상기 제1 특정 객체를 포함하는 제1 특정 원본 ROI의 특징 값, (iii) 상기 제1 특정 원본 ROI에 대응하는 제1 특정 원본 바운딩 박스의 3차원 좌표 값, (iv) 상기 제1 특정 원본 ROI의 3차원 좌표 값, (v) 상기 제2 타겟 공간에 포함된 제2 특정 객체의 제2 클래스 정보, (vi) 상기 제2 특정 객체를 포함하는 제2 특정 원본 ROI의 특징 값, (vii) 상기 제2 특정 원본 ROI에 대응하는 제2 특정 원본 바운딩 박스의 3차원 좌표 값, 및 (viii) 상기 제2 특정 원본 ROI의 3차원 좌표 값을 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 특정 페어 특징 벡터에 대응하는, 상기 판별 벡터 중 하나인 특정 판별 벡터는, 상기 제1 특정 원본 ROI 및 상기 제2 특정 원본 ROI가 상기 통합 타겟 공간에 통합될 확률에 관한 정보를 포함하고, 상기 특정 페어 특징 벡터에 대응하는, 상기 박스 리그레션 벡터 중 하나인 특정 박스 리그레션 벡터는, 상기 통합 타겟 공간 상의 상기 제1 특정 원본 ROI 및 상기 제2 특정 원본 ROI를 통합하여 생성되는 특정 통합 바운딩 박스의 3차원 좌표에 대한 정보를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 (III) 프로세스에서, 상기 프로세서가, 상기 로스 유닛으로 하여금, (i) 크로스 엔트로피 방식을 통해 상기 판별 벡터 중 적어도 일부를 사용하여 판별 로스를 생성하고, (ii) 스무스 L1 방식을 통해 상기 박스 리그레션 벡터 중 적어도 일부를 사용하여 박스 리그레션 로스를 생성한 후, (iii) 상기 판별 로스 및 상기 박스 리그레션 로스를 참조로 하여 상기 통합 로스를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (III) 프로세스에서,
상기 판별 로스는 하기 수식에 따라 생성되되,
Figure 112020001338685-pat00010
Figure 112020001338685-pat00011
은 상기 판별 벡터의 개수를,
Figure 112020001338685-pat00012
는 제i 판별 벡터를, 그리고
Figure 112020001338685-pat00013
는 상기 제i 판별 벡터에 대한 제i 판별 GT 벡터를 의미하고, 상기 박스 리그레션 로스는 하기 수식에 따라 생성되되,
Figure 112020001338685-pat00014
Figure 112020001338685-pat00015
Figure 112020001338685-pat00016
은 상기 박스 리그레션 벡터의 개수를,
Figure 112020001338685-pat00017
는 제i 박스 리그레션 벡터를, 그리고
Figure 112020001338685-pat00018
는 상기 제i 박스 리그레션 벡터에 대한 제i 박스 리그레션 GT 벡터를 의미하는 것을 특징으로 한다.
일 실시예에서, 상기 프로세서가, 상기 DNN의 하나 이상의 레이어에 포함된 각 딥러닝 뉴런으로 하여금, 그의 적어도 하나의 파라미터를 사용하여 상기 각 딥러닝 뉴런의 입력에 하나 이상의 컨벌루션 연산을 적용하고, 상기 각 딥러닝 뉴런의 출력을 다음 딥러닝 뉴런에 전달하는 과정을 반복함으로써, 상기 페어 특징 벡터, 상기 판별 벡터 및 상기 박스 리그레션 벡터를 생성하도록 하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 DNN에 포함된 상기 판별 네트워크로 하여금, 상기 페어 특징 벡터에 상기 FC 연산 중 적어도 일부를 적용하여 상기 판별 벡터를 생성하도록 한 다음, 상기 페어 특징 벡터 중, 특정 페어가 통합될 특정 확률을 나타내는 특정 판별 벡터의 값이 기설정된 임계 값 이상인 하나 이상의 특정 페어 특징 벡터에 상기 FC 연산 중 나머지 일부를 적용하여, 상기 특정 페어 특징 벡터에 대응하는 상기 박스 리그레션 벡터를 생성하도록 하는 것을 특징으로 한다.
본 발명의 다른 태양에 따르면, 제1 테스트용 차량에 의해 생성된 제1 테스트용 타겟 공간에 대한 제1 테스트용 객체 검출 정보 및 제2 테스트용 차량에 의해 생성된 제2 테스트용 타겟 공간에 대한 제2 테스트용 객체 검출 정보를 통합하여, 상기 제1 테스트용 타겟 공간 및 상기 제2 테스트용 타겟 공간을 포함하는 테스트용 통합 타겟 공간에 대한 테스트용 통합 객체 검출 정보를 생성하는 테스팅 장치에 있어서, 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 (I) 학습 장치가 (1) 제1 학습용 타겟 공간에 대한 제1 학습용 원본 이미지 및 제2 학습용 타겟 공간에 대한 제2 학습용 원본 이미지가 처리되어 생성된, 상기 제1 학습용 타겟 공간에 대한 제1 학습용 객체 검출 정보 및 상기 제2 학습용 타겟 공간에 대한 제2 학습용 객체 검출 정보를 획득하면, DNN에 포함된 컨캐터네이팅 네트워크로 하여금, 상기 제1 학습용 타겟 공간에 포함된 제1 학습용 원본 ROI 및 상기 제2 학습용 타겟 공간에 포함된 제2 학습용 원본 ROI의 하나 이상의 학습용 페어에 관한 정보를 포함하는 하나 이상의 학습용 페어 특징 벡터를 생성하도록 하고, (2) 상기 DNN에 포함된 판별 네트워크로 하여금, 상기 학습용 페어 특징 벡터에 하나 이상의 FC 연산을 적용함으로써, (i) 상기 학습용 페어 각각에 포함된, 상기 제1 학습용 원본 ROI 및 상기 제2 학습용 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 학습용 판별 벡터 및 (ii) 학습용 통합 타겟 공간 상에서, 상기 학습용 페어 중 적어도 일부의 각 요소의 각 학습용 기존 3차원 위치와 비교한, 상기 학습용 페어 중 상기 적어도 일부에 대응하는 학습용 통합 ROI의 각 학습용 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 학습용 박스 리그레션 벡터를 생성하도록 하며, (3) 로스 유닛으로 하여금, 상기 학습용 판별 벡터와 상기 학습용 박스 리그레션 벡터, 및 이에 대응하는 GT를 참조로 하여, 통합 로스를 생성하도록 하고, 상기 통합 로스를 이용하여 백프로퍼게이션을 수행함으로써 상기 DNN에 포함된 파라미터 중 적어도 일부를 학습하도록 한 상태에서, 상기 제1 테스트용 타겟 공간에 대한 제1 테스트용 원본 이미지 및 상기 제2 테스트용 타겟 공간에 대한 제2 테스트용 원본 이미지가 처리되어 생성된, 상기 제1 테스트용 타겟 공간에 대한 상기 제1 테스트용 객체 검출 정보 및 상기 제2 테스트용 타겟 공간에 대한 상기 제2 테스트용 객체 검출 정보를 획득하면, 상기 DNN에 포함된 상기 컨캐터네이팅 네트워크로 하여금, 상기 제1 테스트용 타겟 공간에 포함된 제1 테스트용 원본 ROI 및 상기 제2 테스트용 타겟 공간에 포함된 제2 테스트용 원본 ROI의 하나 이상의 테스트용 페어에 관한 정보를 포함하는 하나 이상의 테스트용 페어 특징 벡터를 생성하도록 하는 프로세스, (II) 상기 DNN에 포함된 상기 판별 네트워크로 하여금, 상기 테스트용 페어 특징 벡터에 상기 FC연산을 적용함으로써, (i) 상기 테스트용 페어 각각에 포함된, 상기 제1 테스트용 원본 ROI 및 상기 제2 테스트용 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 테스트용 판별 벡터 및 (ii) 상기 테스트용 통합 타겟 공간 상에서, 상기 테스트용 페어 중 적어도 일부의 각 요소의 각 테스트용 기존 3차원 위치와 비교한, 상기 테스트용 페어 중 상기 적어도 일부에 대응하는 테스트용 통합 ROI의 각 테스트용 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 테스트용 박스 리그레션 벡터를 생성하도록 하는 프로세스, 및 (III) 병합 유닛으로 하여금, 상기 테스트용 판별 벡터 및 상기 테스트용 박스 리그레션 벡터를 참조로 하여, 제1 테스트용 원본 바운딩 박스 및 제2 테스트용 원본 바운딩 박스의 상기 테스트용 페어 중 적어도 일부를 병합함으로써 상기 테스트용 통합 객체 검출 정보를 생성하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;를 포함하는 것을 특징으로 하는 테스팅 장치가 개시된다.
일 실시예에서, 상기 제1 테스트용 차량에 탑재된, 하나 이상의 제1 카메라, 하나 이상의 제1 라이다, 및 하나 이상의 제1 레이더 중 적어도 일부를 통해 획득된, 상기 제1 테스트용 타겟 공간에 대한 상기 제1 테스트용 원본 이미지는 상기 제1 테스트용 차량에 포함된 제1 뉴럴 네트워크에 의해 처리됨으로써, (i) 상기 제1 테스트용 타겟 공간에 포함된 테스트용 객체에 관한 제1 테스트용 클래스 정보, (ii) 상기 제1 테스트용 원본 ROI의 테스트용 특징 값, (iii) 상기 제1 테스트용 원본 바운딩 박스의 테스트용 3차원 좌표 값, 및 (iv) 상기 제1 테스트용 원본 ROI의 테스트용 3차원 좌표 값을 포함하는 상기 제1 테스트용 객체 검출 정보가 생성되고, 상기 제2 테스트용 차량에 탑재된, 하나 이상의 제2 카메라, 하나 이상의 제2 라이다, 및 하나 이상의 제2 레이더 중 적어도 일부를 통해 획득된, 상기 제2 테스트용 타겟 공간에 대한 상기 제2 테스트용 원본 이미지는 상기 제2 테스트용 차량에 포함된 제2 뉴럴 네트워크에 의해 처리됨으로써, (i) 상기 제2 테스트용 타겟 공간에 포함된 테스트용 객체에 관한 제2 테스트용 클래스 정보, (ii) 상기 제2 테스트용 원본 ROI의 테스트용 특징 값, (iii) 상기 제2 테스트용 원본 바운딩 박스의 테스트용 3차원 좌표 값, 및 (iv) 상기 제2 테스트용 원본 ROI의 테스트용 3차원 좌표 값을 포함하는 상기 제2 객체 검출 정보가 생성되며, 상기 제2 객체 검출 정보는 V2V 통신을 통해 상기 제1 테스트용 차량으로 전달되는 것을 특징으로 한다.
일 실시예에서, 상기 (I) 프로세스에서, 상기 테스트용 페어 특징 벡터 중 하나인 테스트용 특정 페어 특징 벡터는, (i) 상기 제1 테스트용 타겟 공간에 포함된 제1 테스트용 특정 객체의 제1 테스트용 클래스 정보, (ii) 상기 제1 테스트용 특정 객체를 포함하는 제1 테스트용 특정 원본 ROI의 테스트용 특징 값, (iii) 상기 제1 테스트용 특정 원본 ROI에 대응하는 제1 테스트용 특정 원본 바운딩 박스의 3차원 좌표 값, (iv) 상기 제1 테스트용 특정 원본 ROI의 3차원 좌표 값, (v) 상기 제2 테스트용 타겟 공간에 포함된 제2 테스트용 특정 객체의 제2 테스트용 클래스 정보, (vi) 상기 제2 테스트용 특정 객체를 포함하는 제2 테스트용 특정 원본 ROI의 테스트용 특징 값, (vii) 상기 제2 테스트용 특정 원본 ROI에 대응하는 제2 테스트용 특정 원본 바운딩 박스의 3차원 좌표 값, 및 (viii) 상기 제2 테스트용 특정 원본 ROI의 3차원 좌표 값을 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 (II) 프로세스에서, 상기 테스트용 특정 페어 특징 벡터에 대응하는, 상기 테스트용 판별 벡터 중 하나인 테스트용 특정 판별 벡터는, 상기 제1 테스트용 특정 원본 ROI 및 상기 제2 테스트용 특정 원본 ROI가 상기 테스트용 통합 타겟 공간에 통합될 확률에 관한 정보를 포함하고, 상기 테스트용 특정 페어 특징 벡터에 대응하는, 상기 테스트용 박스 리그레션 벡터 중 하나인 테스트용 특정 박스 리그레션 벡터는, 상기 테스트용 통합 타겟 공간 상의 상기 제1 테스트용 특정 원본 ROI 및 상기 제2 테스트용 특정 원본 ROI를 통합하여 생성되는 테스트용 특정 통합 바운딩 박스의 3차원 좌표에 대한 정보를 포함하는 것을 특징으로 한다.
이 외에도, 본 발명의 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체가 더 제공된다.
본 발명은 본 발명은 V2V 통신을 통해 획득된 타 자율 주행 차량의 객체 검출 정보를 자신의 자율 주행 차량에 의해 생성된 객체 검출 정보와 통합하는 학습 방법을 제공함으로써 통합 공간 검출 결과를 이용해 자율 주행 차량의 안전성을 향상하도록 하는 효과가 있다.
본 발명의 실시예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자(이하 "통상의 기술자")에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득된 타 자율 주행 차량의 객체 검출 정보를 자신의 자율 주행 차량에 의해 생성된 객체 검출 정보와 통합하는 학습 방법을 수행하는 학습 장치의 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득된 타 자율 주행 차량의 객체 검출 정보를 자신의 자율 주행 차량에 의해 생성된 객체 검출 정보와 통합하는 학습 방법을 수행하는 학습 장치의 구체적인 동작 방식을 개략적으로 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득된 타 자율 주행 차량의 객체 검출 정보를 자신의 자율 주행 차량에 의해 생성된 객체 검출 정보와 통합하는 학습 방법을 통해 제1 특정 원본 ROI 및 제2 특정 원본 ROI를 통합하는 일 예시를 개략적으로 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득된 타 자율 주행 차량의 객체 검출 정보를 자신의 자율 주행 차량에 의해 생성된 객체 검출 정보와 통합하는 학습 방법의 수행이 완료된 상태에서 테스팅 장치의 구체적인 동작 방식을 개략적으로 나타낸 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐, "포함하다"라는 단어 및 그것의 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다.
더욱이 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 발명에서 언급하는 각종 이미지는 포장 또는 비포장 도로 관련 이미지를 포함할 수 있으며, 이 경우 도로 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니며, 본 발명에서 언급하는 각종 이미지는 도로와 상관 없는 이미지(가령, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내와 관련된 이미지)일 수도 있으며, 이 경우, 비포장도로, 골목길, 공터, 바다, 호수, 강, 산, 숲, 사막, 하늘, 실내 환경에서 등장할 수 있는 물체(가령, 자동차, 사람, 동물, 식물, 물건, 건물, 비행기나 드론과 같은 비행체, 기타 장애물)를 상정할 수 있을 것이나, 반드시 이에 한정되는 것은 아니다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득된 타 자율 주행 차량의 객체 검출 정보를 자신의 자율 주행 차량에 의해 생성된 객체 검출 정보와 통합하는 학습 방법을 수행하는 학습 장치의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 상기 학습 장치(100)는, 추후 자세히 설명할 구성요소인 DNN(200)을 포함할 수 있다. 상기 DNN(200)의 입출력 및 연산 과정은 통신부(110) 및 프로세서(120)에 의해 각각 이루어질 수 있다. 이 때, 메모리(115)는 후술할 여러 가지 인스트럭션들을 저장한 상태일 수 있고, 상기 프로세서(120)는 상기 메모리(115)에 저장된 인스트럭션들을 수행하도록 설정되고, 추후 설명할 상기 인스트럭션들을 수행함으로써 본 발명의 프로세스를 수행할 수 있다. 이와 같이 상기 학습 장치(100)가 묘사되었다고 하여, 상기 학습 장치(100)가 프로세서, 메모리, 매체 또는 기타 연산 요소를 포함한 통합 장치를 배제하는 것은 아니다.
이상 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득된 타 자율 주행 차량의 객체 검출 정보를 자신의 자율 주행 차량에 의해 생성된 객체 검출 정보와 통합하는 학습 방법을 수행하는 학습 장치(100)의 구성에 대해 설명한 바, 이하 도 2를 참조로 하여 상기 DNN(200)의 구체적인 구성 및 학습 프로세스에 대해 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득된 타 자율 주행 차량의 객체 검출 정보를 자신의 자율 주행 차량에 의해 생성된 객체 검출 정보와 통합하는 학습 방법을 수행하는 학습 장치의 구체적인 동작 방식을 개략적으로 나타낸 도면이다.
도 2를 참조하면, 상기 DNN(200)은 컨캐터네이팅(concatenating) 네트워크(210) 및 판별 네트워크(220)를 포함할 수 있으며, 상기 학습 장치(100)는 상기 DNN(200)에 대응하는 로스 유닛(230)을 포함할 수 있다. 구체적으로, 각 차량에 대응하는 각각의 상기 타겟 공간에 대한 각각의 상기 객체 검출 정보가 각 차량으로부터 V2V 통신을 통해 획득되면, 상기 학습 장치(100)는 상기 각각의 객체 검출 정보를 상기 DNN(200)에 포함된 상기 컨캐터네이팅 네트워크(210)에 전송할 수 있다. 상기 V2V 통신은 4G 통신, 5G 통신 등 고용량의 데이터를 전송할 수 있는 모든 종래 기술을 통해 구현될 수 있다. 이때, 상기 각각의 객체 검출 정보는 각각의 상기 차량에 대응하는 각각의 상기 타겟 공간에 포함된 각 ROI, 각각의 상기 ROI의 각 객체 및 이에 대응하는 원본 바운딩 박스에 대한 정보를 포함할 수 있다. 또한, 상기 ROI 및 상기 원본 바운딩 박스는 3차원일 수 있다. 하지만, 이러한 3차원 ROI 및 이러한 3차원 원본 바운딩 박스는 2차원 ROI 및 원본 바운딩 박스와 유사하지만, 3차원이라는 점이 다르다. 추가적으로, 상기 타겟 공간의 각각의 상기 원본 이미지는, 동일한 시점에 다양한 시각으로 서로 가까이 위치된 각 차량에 의해 차지된 상기 특정 공간의 각 이미지일 수 있다. 따라서, 각각의 상기 원본 이미지의 각 내용은 동일 또는 유사할 것이고, 각각의 상기 원본 이미지에 대한 각 원본 ROI 역시 서로 동일 또는 유사한 영역을 포함할 수 있다.
이와 같이 상기 객체 검출 정보가 획득되면, 상기 컨캐터네이팅 네트워크(210)는 상기 원본 ROI에 포함된 각각의 상기 원본 바운딩 박스 중 적어도 일부를 페어링 함으로써 하나 이상의 소위 페어 특징 벡터를 생성할 수 있다. 일 예로, 상기 컨캐터네이팅 네트워크(210)는, 제1 차량에 의해 생성된 제1 객체 검출 정보의 제1 원본 ROI 및 제2 차량에 의해 생성된 제2 객체 검출 정보의 제2 원본 ROI에 각각 포함되는, 제1 특정 원본 바운딩 박스 및 제2 특정 원본 바운딩 박스를 통합하여, (i) 상기 제1 원본 바운딩 박스의 특징 값, (ii) 상기 제1 원본 바운딩 박스의 3차원 좌표 정보, (iii) 상기 제1 원본 바운딩 박스에 포함된 객체에 대한 제1 클래스 정보, (iv) 상기 제2 원본 바운딩 박스의 특징 값, (v) 상기 제2 원본 바운딩 박스의 3차원 좌표 정보, (vi) 상기 제2 원본 바운딩 박스에 포함된 객체에 관한 제2 클래스 정보, (vii) 상기 제1 특정 원본 ROI의 3차원 좌표, 및 (viii) 상기 제2 특정 원본 ROI의 3차원 좌표를 포함하는, 상기 페어 특징 벡터 중의 특정 페어 특징 벡터를 생성할 수 있다. 이 때, 제1 원본 이미지에 대한 제1 객체 검출 정보는 (i, ii, iii 및 vii)을, 제2 객체 검출 정보는 (iv, v, vi 및 viii)을 포함할 수 있다. 상기 제1 특정 원본 ROI는 하나 이상의 제1 원본 바운딩 박스를 포함할 수 있고, 상기 제2 특정 원본 ROI는 하나 이상의 제2 원본 바운딩 박스를 포함할 수 있으며, 상기 제1 특정 원본 ROI에 포함된 각각의 상기 제1 원본 바운딩 박스 및 상기 제2 특정 원본 ROI에 포함된 각각의 상기 제2 원본 바운딩 박스는 한번 페어링 됨으로써 각각의 상기 페어 특징 벡터를 생성할 수 있다.
상기 제1 특정 원본 바운딩 박스를 포함하는 이러한 제1 원본 ROI는 상기 타겟 공간 중 제1 타겟 공간에 포함될 수 있다. 이와 마찬가지로, 상기 제2 특정 원본 바운딩 박스를 포함하는 상기 제2 원본 ROI는 상기 타겟 공간 중 제2 타겟 공간에 포함될 수 있다.
도 3을 참조로 하여, 상기 특정 페어 특징 벡터의 예시는 하기에서 구체적으로 살펴본다.
도 3은 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득된 타 자율 주행 차량의 객체 검출 정보를 자신의 자율 주행 차량에 의해 생성된 객체 검출 정보와 통합하는 학습 방법을 통해 제1 특정 원본 ROI 및 제2 특정 원본 ROI를 통합하는 일 예시를 개략적으로 나타낸 도면이다.
상기 제1 특정 원본 ROI는 남성을 포함하는 상기 제1 바운딩 박스 중 하나 및, 여성의 상반신을 포함하는 상기 제1 바운딩 박스 중 다른 하나를 포함할 수 있고, 상기 제2 특정 원본 ROI는 상기 여성을 포함하는 상기 제2 바운딩 박스 중 하나 및 차량을 포함하는 상기 제2 바운딩 박스 중 다른 하나를 포함할 수 있다. 이 때, 총 네 개의 바운딩 박스 페어가 생성될 수 있는데, 여기에는, (i) 상기 여성을 포함하는 상기 제2 바운딩 박스 중 하나와 함께 상기 여성의 상반신을 포함하는 상기 제1 바운딩 박스 중 하나, (ii) 상기 차량을 포함하는 상기 제2 바운딩 박스 중 다른 하나와 함께 상기 여성의 상반신을 포함하는 상기 제1 바운딩 박스 중 하나, (iii) 상기 여성을 포함하는 상기 제2 바운딩 박스 중 하나와 함께 상기 남성을 포함하는 상기 제1 바운딩 박스 중 다른 하나, 및 (iv) 상기 차량을 포함하는 상기 제2 바운딩 박스 중 다른 하나와 함께 상기 남성을 포함하는 상기 제1 바운딩 박스 중 다른 하나가 포함된다. 일예로, 상기 여성을 포함하는 상기 제2 바운딩 박스 중 상기 하나와 함께 상기 여성의 상반신을 포함하는 상기 제1 바운딩 박스 중 상기 하나의 상기 페어를 사용하여 생성된 상기 특정 페어 특징 벡터는 이러한 바운딩 박스에 관해 상기 전술한 정보를 포함할 수 있다.
이와 같이 상기 페어 특징 벡터가 생성되면, 상기 학습 장치(100)는, 상기 DNN(200)에 포함된 상기 판별 네트워크(220)로 하여금, 적어도 하나의 FC 연산을 통해, 하나 이상의 판별 벡터
Figure 112020001338685-pat00019
및 하나 이상의 박스 리그레션 벡터
Figure 112020001338685-pat00020
을 생성하도록 한다. 이 때, 상기 판별 벡터
Figure 112020001338685-pat00021
중 하나는, 두 개의 원본 ROI에 페어로서 포함된 상기 두 개의 원본 바운딩 박스가 통합될 수 있는지를 나타낼 수 있다. 일 예시로, 이의 제1 구성요소는 상기 두 개의 원본 바운딩 박스가 통합될 확률일 수 있고, 이의 제2 구성요소는 상기 두 개의 원본 바운딩 박스가 통합되지 않을 확률일 수 있다. 이 때, 상기 판별 네트워크(220)는 각 구성요소의 각 확률을 계산할 수 있다. 도 2를 다시 참조하면, 상기 특정 페어 특징 벡터에 대응하는 상기 페어가 통합될 확률이 0.9로 계산된 것을 확인할 수 있다. 상기 박스 리그레션 벡터
Figure 112020001338685-pat00022
중 하나는, 상기 두 개의 원본 바운딩 박스가 통합됨에 따라, 꼭짓점 좌표 변경에 대응하는 변경 값을 그 구성요소로 하는 벡터일 수 있다. 구체적으로, 상기 박스 리그레션 벡터 중 하나에 포함된 상기 변경 값은, (I) 상기 두 개의 원본 바운딩 박스의 교집합 중심의 (i) 가로 길이, (ii) 세로 길이 및 (iii) x좌표 및 y좌표와 (II) 상기 두 개의 원본 바운딩 박스가 통합될 통합 바운딩 박스의 중심의 (i) 가로 길이, (ii) 세로 길이 및 (iii) x좌표 및 y좌표 간 각 차이 정보에 대응할 수 있다. 즉, 상기 박스 리그레션 벡터는, 상기 통합 이미지 상에서, 상기 페어 중 적어도 일부에 관한 각 구성요소의 기존 위치 정보와 비교하여, 상기 페어 중 적어도 일부에 대응하는 통합 ROI의 각 상대 위치 정보를 포함할 수 있다.
일 실시예에서, 상기 박스 리그레션 벡터는 상기 모든 페어 특징 벡터에 대응할 수 없다. 즉, 상기 박스 리그레션 벡터는 상기 페어 특징 벡터 중 일부를 선택하고, 상기 FC 연산 중 적어도 일부를 상기 선택된 페어 특징 벡터에 적용하여 생성될 수 있다. 이러한 예시는 추후 상세히 설명될 것이다.
이와 같이 상기 판별 벡터 및 상기 박스 리그레션 벡터가 생성되면, 상기 학습 장치(100)는 상기 로스 유닛(230)으로 하여금, 상기 판별 벡터, 상기 박스 리그레션 벡터 및 이에 대응하는 GT를 참조로 하여 하나 이상의 로스를 생성하도록 한다. 상기 로스는
Figure 112020001338685-pat00023
와
Figure 112020001338685-pat00024
두 구성요소로 이루어질 수 있는데, 상기
Figure 112020001338685-pat00025
는 상기 판별 벡터와 관련된 판별 로스로서, 크로스 엔트로피(cross entropy) 방식을 통해 생성된 것일 수 있고, 상기
Figure 112020001338685-pat00026
은 상기 박스 리그레션 벡터와 관련된 박스 리그레션 로스로서, 스무스 L1(smooth-L1) 방식을 통해 생성된 것일 수 있다.
구체적으로는, 상기 판별 로스는 하기 수식에 따라 생성되되,
Figure 112020001338685-pat00027
이때,
Figure 112020001338685-pat00028
은 상기 판별 벡터들의 개수를 의미하고,
Figure 112020001338685-pat00029
는 제i 판별 벡터를 의미하며,
Figure 112020001338685-pat00030
는 상기 제i 판별 벡터에 대한 제i 판별 GT 벡터를 의미할 수 있다.
또한, 상기 박스 리그레션 로스는 하기 수식에 따라 생성되되,
Figure 112020001338685-pat00031
Figure 112020001338685-pat00032
이때,
Figure 112020001338685-pat00033
은 상기 박스 리그레션 벡터의 개수를,
Figure 112020001338685-pat00034
는 제i 박스 리그레션 벡터를, 그리고
Figure 112020001338685-pat00035
는 상기 제i 박스 리그레션 벡터에 대한 제i 박스 리그레션 GT 벡터를 의미한다.
상기 로스가 생성된 후, 이러한 로스는 백프로퍼게이션됨으로써 상기 DNN(200)에 포함된 상기 판별 네트워크(220)의 하나 이상의 파라미터 중 적어도 일부를 학습하는 데에 사용될 수 있다. 이에 따라, 상기 판별 네트워크(220)는 그의 입력된 바운딩 박스가 보다 정확히 통합될 수 있는지를 판단하고, 통합된 후의 상기 꼭짓점 정보를 더욱 정확하게 예측할 수 있게 된다.
본 발명의 다른 실시예로서, 상기 학습 장치(100)가, 상기 DNN(200)에 포함된 상기 판별 네트워크(220)로 하여금, 상기 페어 특징 벡터에 상기 FC 연산 중 적어도 일부를 적용하여 상기 판별 벡터를 생성하도록 한 다음, 상기 페어 특징 벡터 중, 특정 페어가 통합될 특정 확률을 나타내는 특정 판별 벡터의 값이 기설정된 임계 값 이상인 하나 이상의 특정 페어 특징 벡터에 상기 FC 연산 중 나머지 일부를 적용하여, 상기 특정 페어 특징 벡터에 대응하는 상기 박스 리그레션 벡터를 생성하도록 할 수 있다. 상기 다른 예는 통합될 확률이 상기 임계 값 이하인 페어의 좌표 값을 계산하지 않으므로 효율적이다.
이 때, 상기 DNN(200)의 작동 원리는 하기에 설명된다. 상기 학습 장치(100)가 상기 DNN(200)의 하나 이상의 레이어에 포함된 각 딥러닝 뉴런으로 하여금, 그의 적어도 하나의 파라미터를 사용하여 상기 각 딥러닝 뉴런의 입력에 하나 이상의 컨벌루션 연산을 적용하고, 상기 각 딥러닝 뉴런의 출력을 다음 딥러닝 뉴런에 전달하는 과정을 반복함으로써, 상기 페어 특징 벡터, 상기 판별 벡터 및 상기 박스 리그레션 벡터를 생성하도록 할 수 있다.
상기 학습 프로세스가 완료된 후, 상기 학습 장치(100)가 테스팅 장치로서 기능하는 과정에 대해 도 4를 참조로 하여 살피도록 한다.
참고로, 이하의 설명에서 혼동을 피하기 위해, 학습 프로세스와 관련된 용어에는 " 학습용" 또는 " 트레이닝"이라는 문구가, 테스팅 프로세스와 관련된 용어에는 "테스트용"또는 "테스팅"이라는 문구가 추가되었다.
도 4는 본 발명의 일 실시예에 따라 V2V 통신을 통해 획득된 타 자율 주행 차량의 객체 검출 정보를 자신의 자율 주행 차량에 의해 생성된 객체 검출 정보와 통합하는 학습 방법의 수행이 완료된 상태에서 테스팅 장치의 구체적인 동작 방식을 개략적으로 나타낸 도면이다.
도 4를 참조로 하면, 상기 테스팅 장치는, 상기 로스 유닛(230) 대신 병합 유닛을 포함할 수 있다. 상기 병합 유닛은, 적어도 하나의 테스트용 판별 벡터에 포함된, 두 개의 테스트용 원본 바운딩 박스가 통합되어야 할 확률이 특정 임계 값 이상일 경우, 상기 두 개의 테스트용 원본 바운딩 박스가 적어도 하나의 테스트용 박스 리그레션 벡터에 포함된 테스트용 변경 값을 이용하여 통합된 테스트용 통합 바운딩 박스의 꼭짓점 좌표를 계산할 수 있다. 상기 원본 ROI의 상기 페어 각각은, 이러한 연산을 상기 원본 ROI의 상기 페어의 테스트용 페어 특징 벡터에 반복함으로써 상기 원본 ROI의 상기 페어 각각을 통합하고, 이후 상기 연산을 각 원본 ROI에 적용함으로써 상기 원본 이미지를 통합하고, 이후 상기 통합 이미지에 대한 객체 검출 결과를 상기 통합 이미지에 추가 연산을 가하지 않고도 생성할 수 있다. 상기 컨캐터네이팅 네트워크(210)와 상기 판별 네트워크(220)와 같은 구성요소의 기능은 상기 학습 장치(100)에서 수행할 때의 기능과 유사하므로 생략하도록 한다.
구체적으로, 제1 테스트용 차량에 의해 생성된 제1 테스트용 타겟 공간에 대한 제1 테스트용 객체 검출 정보 및 제2 테스트용 차량에 의해 생성된 제2 테스트용 타겟 공간에 대한 제2 테스트용 객체 검출 정보를 통합하여, 상기 제1 테스트용 타겟 공간 및 상기 제2 테스트용 타겟 공간을 포함하는 테스트용 통합 타겟 공간에 대한 테스트용 통합 객체 검출 정보를 생성하는 테스팅 방법이 제시될 수 있다.
먼저, (a) 학습 장치(100)가 (1) 제1 학습용 타겟 공간에 대한 제1 학습용 원본 이미지 및 제2 학습용 타겟 공간에 대한 제2 학습용 원본 이미지가 처리되어 생성된, 상기 제1 학습용 타겟 공간에 대한 제1 학습용 객체 검출 정보 및 상기 제2 학습용 타겟 공간에 대한 제2 학습용 객체 검출 정보를 획득하면, 상기 DNN(200)에 포함된 상기 컨캐터네이팅 네트워크(210)로 하여금, 상기 제1 학습용 타겟 공간에 포함된 제1 학습용 원본 ROI 및 상기 제2 학습용 타겟 공간에 포함된 제2 학습용 원본 ROI의 하나 이상의 학습용 페어에 관한 정보를 포함하는 하나 이상의 학습용 페어 특징 벡터를 생성하도록 하고, (2) 상기 DNN(200)에 포함된 상기 판별 네트워크(220)로 하여금, 상기 학습용 페어 특징 벡터에 하나 이상의 FC 연산을 적용함으로써, (i) 상기 학습용 페어 각각에 포함된, 상기 제1 학습용 원본 ROI 및 상기 제2 학습용 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 학습용 판별 벡터 및 (ii) 학습용 통합 타겟 공간 상에서, 상기 학습용 페어 중 적어도 일부의 각 요소의 각 학습용 기존 3차원 위치와 비교한, 상기 학습용 페어 중 상기 적어도 일부에 대응하는 학습용 통합 ROI의 각 학습용 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 학습용 박스 리그레션 벡터를 생성하도록 하며, (3) 상기 로스 유닛(230)으로 하여금, 상기 학습용 판별 벡터와 상기 학습용 박스 리그레션 벡터, 및 이에 대응하는 GT를 참조로 하여, 통합 로스를 생성하도록 하고, 상기 통합 로스를 이용하여 백프로퍼게이션을 수행함으로써 상기 DNN에 포함된 파라미터 중 적어도 일부를 학습하도록 한 상태에서, 상기 제1 테스트용 차량에 탑재된 테스팅 장치가, 상기 제1 테스트용 타겟 공간에 대한 제1 테스트용 원본 이미지 및 상기 제2 테스트용 타겟 공간에 대한 제2 테스트용 원본 이미지가 처리되어 생성된, 상기 제1 테스트용 타겟 공간에 대한 상기 제1 테스트용 객체 검출 정보 및 상기 제2 테스트용 타겟 공간에 대한 상기 제2 테스트용 객체 검출 정보를 획득하면, 상기 DNN(200)에 포함된 상기 컨캐터네이팅 네트워크(210)로 하여금, 상기 제1 테스트용 타겟 공간에 포함된 제1 테스트용 원본 ROI 및 상기 제2 테스트용 타겟 공간에 포함된 제2 테스트용 원본 ROI의 하나 이상의 테스트용 페어에 관한 정보를 포함하는 하나 이상의 테스트용 페어 특징 벡터를 생성하도록 할 수 있다.
이후, 상기 테스팅 장치가, 상기 DNN(200)에 포함된 상기 판별 네트워크(220)로 하여금, 상기 테스트용 페어 특징 벡터에 상기 FC연산을 적용함으로써, (i) 상기 테스트용 페어 각각에 포함된, 상기 제1 테스트용 원본 ROI 및 상기 제2 테스트용 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 테스트용 판별 벡터 및 (ii) 상기 테스트용 통합 타겟 공간 상에서, 상기 테스트용 페어 중 적어도 일부의 각 요소의 각 테스트용 기존 3차원 위치와 비교한, 상기 테스트용 페어 중 상기 적어도 일부에 대응하는 테스트용 통합 ROI의 각 테스트용 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 테스트용 박스 리그레션 벡터를 생성하도록 할 수 있다.
마지막으로, 상기 테스팅 장치가, 병합 유닛으로 하여금, 상기 테스트용 판별 벡터 및 상기 테스트용 박스 리그레션 벡터를 참조로 하여, 제1 테스트용 원본 바운딩 박스 및 제2 테스트용 원본 바운딩 박스의 상기 테스트용 페어 중 적어도 일부를 병합함으로써 상기 테스트용 통합 객체 검출 정보를 생성하도록 할 수 있다.
이때, 상기 제1 테스트용 차량에 탑재된, 하나 이상의 제1 카메라, 하나 이상의 제1 라이다(lidar), 및 하나 이상의 제1 레이더(radar) 중 적어도 일부를 통해 획득될 수 있고, 상기 제1 테스트용 타겟 공간에 대한 상기 제1 테스트용 원본 이미지는 상기 제1 테스트용 차량에 포함된 제1 뉴럴 네트워크에 의해 처리됨으로써, (i) 상기 제1 테스트용 타겟 공간에 포함된 테스트용 객체에 관한 제1 테스트용 클래스 정보, (ii) 상기 제1 테스트용 원본 ROI의 테스트용 특징 값, (iii) 상기 제1 테스트용 원본 바운딩 박스의 테스트용 3차원 좌표 값, 및 (iv) 상기 제1 테스트용 원본 ROI의 테스트용 3차원 좌표 값을 포함하는 상기 제1 테스트용 객체 검출 정보가 생성될 수 있다.
이와 유사하게, 상기 제2 테스트용 차량에 탑재된, 하나 이상의 제2 카메라, 하나 이상의 제2 라이다, 및 하나 이상의 제2 레이더 중 적어도 일부를 통해 획득될 수 있고, 상기 제2 테스트용 타겟 공간에 대한 상기 제2 테스트용 원본 이미지는 상기 제2 테스트용 차량에 포함된 제2 뉴럴 네트워크에 의해 처리됨으로써, (i) 상기 제2 테스트용 타겟 공간에 포함된 테스트용 객체에 관한 제2 테스트용 클래스 정보, (ii) 상기 제2 테스트용 원본 ROI의 테스트용 특징 값, (iii) 상기 제2 테스트용 원본 바운딩 박스의 테스트용 3차원 좌표 값, 및 (iv) 상기 제2 테스트용 원본 ROI의 테스트용 3차원 좌표 값을 포함하는 상기 제2 객체 검출 정보가 생성될 수 있으며, 상기 제2 객체 검출 정보는 V2V(Vehicle-to-vehicle) 통신을 통해 상기 제1 테스트용 차량으로 전달된다.
상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크는 객체를 검출하는 용도로 구성된 뉴럴 네트워크일 수 있다. 딥러닝 분야에서 종래 기술을 이용해 객체 검출 검출을 수행하는 어떤 기술도 이에 사용될 수 있다. 예를 들어 SVNet, ImageNet 등이 사용될 수 있다.
이때, 본 발명의 상기 DNN(200)은 각각 다른 객체 검출 정보를 병합하므로, 병합 네트워크로도 부를 수 있다.
본 발명은 비최대 억제(non-maximum suppression)를 수행하는 병합 네트워크를 이용하여 상기 V2V 통신을 통해 획득된 정보를 통합하고자 하는 발명으로서, 공동(collaborative) 주행과 관련이 있다. 다수 타 차량에 의해 생성된 객체 검출 결과가 상기 V2V 통신을 통해 획득되면, ROI는 상기 다수 타 차량 별로 다르며, 모든 상기 ROI는 본 발명의 일 실시예에 따른 하나의 통합 ROI로 통합된다. 이를 위해 상기 병합 네트워크가 사용되며, 이를 통해, 보다 안전하게 자율 주행을 할 수 있다.
본 발명 기술분야의 통상의 기술자에게 이해될 수 있는 바로서, 위에서 설명된 이미지, 예컨대 상기 원본 이미지, 원본 라벨 및 추가 라벨과 같은 이미지 데이터의 송수신이 상기 학습 장치(100) 및 상기 테스팅 장치의 통신부에 의하여 이루어질 수 있으며, 특징 맵과 연산을 수행하기 위한 데이터가 상기 학습 장치(100) 및 상기 테스팅 장치의 프로세서(및/또는 메모리)에 의하여 보유/유지될 수 있고, 컨벌루션 연산, 디컨벌루션 연산, 로스 값 연산 과정이 주로 상기 학습 장치(100) 및 상기 테스팅 장치의 프로세서에 의하여 수행될 수 있으나, 본 발명이 이에 한정되지는 않을 것이다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (22)

  1. 제1 차량에 의해 생성된 제1 타겟 공간에 대한 제1 객체 검출 정보 및 제2 차량에 의해 생성된 제2 타겟 공간에 대한 제2 객체 검출 정보를 통합하여, 상기 제1 타겟 공간 및 상기 제2 타겟 공간을 포함하는 통합 타겟 공간에 대한 통합 객체 검출 정보를 생성하는 학습 방법에 있어서,
    (a) 학습 장치가, 상기 제1 타겟 공간에 대한 제1 원본 이미지 및 상기 제2 타겟 공간에 대한 제2 원본 이미지가 처리되어 생성된, 상기 제1 타겟 공간에 대한 상기 제1 객체 검출 정보 및 상기 제2 타겟 공간에 대한 상기 제2 객체 검출 정보를 획득하면, DNN(Deep Neural Network)에 포함된 컨캐터네이팅(concatenating) 네트워크로 하여금, 상기 제1 타겟 공간에 포함된 제1 원본 ROI(region of interest) 및 상기 제2 타겟 공간에 포함된 제2 원본 ROI의 하나 이상의 페어에 관한 정보를 포함하는 하나 이상의 페어 특징 벡터를 생성하도록 하는 단계;
    (b) 상기 학습 장치가, 상기 DNN에 포함된 판별 네트워크로 하여금, 상기 페어 특징 벡터에 하나 이상의 FC(fully connected) 연산을 적용함으로써, (i) 상기 페어 각각에 포함된, 상기 제1 원본 ROI 및 상기 제2 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 판별 벡터 및 (ii) 상기 통합 타겟 공간 상에서, 상기 페어 중 적어도 일부의 각 요소의 각 기존 3차원 위치와 비교한, 상기 페어 중 상기 적어도 일부에 대응하는 통합 ROI의 각 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 박스 리그레션(regression) 벡터를 생성하도록 하는 단계; 및
    (c) 상기 학습 장치가, 로스 유닛으로 하여금, 상기 판별 벡터와 상기 박스 리그레션 벡터, 및 이에 대응하는 GT(Ground Truth)를 참조로 하여, 통합 로스를 생성하도록 하고, 상기 통합 로스를 이용하여 백프로퍼게이션(backpropagation)을 수행함으로써 상기 DNN에 포함된 파라미터 중 적어도 일부를 학습하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  2. 제 1항에 있어서,
    상기 (a) 단계에서,
    상기 페어 특징 벡터 중 하나인 특정 페어 특징 벡터는, (i) 상기 제1 타겟 공간에 포함된 제1 특정 객체의 제1 클래스 정보, (ii) 상기 제1 특정 객체를 포함하는 제1 특정 원본 ROI의 특징 값, (iii) 상기 제1 특정 원본 ROI에 대응하는 제1 특정 원본 바운딩 박스의 3차원 좌표 값, (iv) 상기 제1 특정 원본 ROI의 3차원 좌표 값, (v) 상기 제2 타겟 공간에 포함된 제2 특정 객체의 제2 클래스 정보, (vi) 상기 제2 특정 객체를 포함하는 제2 특정 원본 ROI의 특징 값, (vii) 상기 제2 특정 원본 ROI에 대응하는 제2 특정 원본 바운딩 박스의 3차원 좌표 값, 및 (viii) 상기 제2 특정 원본 ROI의 3차원 좌표 값을 포함하는 것을 특징으로 하는 방법.
  3. 제 2항에 있어서,
    상기 (b) 단계에서,
    상기 특정 페어 특징 벡터에 대응하는, 상기 판별 벡터 중 하나인 특정 판별 벡터는, 상기 제1 특정 원본 ROI 및 상기 제2 특정 원본 ROI가 상기 통합 타겟 공간에 통합될 확률에 관한 정보를 포함하고, 상기 특정 페어 특징 벡터에 대응하는, 상기 박스 리그레션 벡터 중 하나인 특정 박스 리그레션 벡터는, 상기 통합 타겟 공간 상의 상기 제1 특정 원본 ROI 및 상기 제2 특정 원본 ROI를 통합하여 생성되는 특정 통합 바운딩 박스의 3차원 좌표에 대한 정보를 포함하는 것을 특징으로 하는 방법.
  4. 제 1항에 있어서,
    상기 (c) 단계에서,
    상기 학습 장치는, 상기 로스 유닛으로 하여금, (i) 크로스 엔트로피(cross entropy) 방식을 통해 상기 판별 벡터 중 적어도 일부를 사용하여 판별 로스를 생성하고, (ii) 스무스 L1(smooth-L1) 방식을 통해 상기 박스 리그레션 벡터 중 적어도 일부를 사용하여 박스 리그레션 로스를 생성한 후, (iii) 상기 판별 로스 및 상기 박스 리그레션 로스를 참조로 하여 상기 통합 로스를 생성하도록 하는 것을 특징으로 하는 방법.
  5. 제 4항에 있어서,
    상기 (c) 단계에서,
    상기 판별 로스는 하기 수식에 따라 생성되되,
    Figure 112020001338685-pat00036

    Figure 112020001338685-pat00037
    은 상기 판별 벡터의 개수를,
    Figure 112020001338685-pat00038
    는 제i 판별 벡터를, 그리고
    Figure 112020001338685-pat00039
    는 상기 제i 판별 벡터에 대한 제i 판별 GT 벡터를 의미하고,
    상기 박스 리그레션 로스는 하기 수식에 따라 생성되되,
    Figure 112020001338685-pat00040

    Figure 112020001338685-pat00041

    Figure 112020001338685-pat00042
    은 상기 박스 리그레션 벡터의 개수를,
    Figure 112020001338685-pat00043
    는 제i 박스 리그레션 벡터를, 그리고
    Figure 112020001338685-pat00044
    는 상기 제i 박스 리그레션 벡터에 대한 제i 박스 리그레션 GT 벡터를 의미하는 것을 특징으로 하는 방법.
  6. 제 1항에 있어서,
    상기 학습 장치가, 상기 DNN의 하나 이상의 레이어에 포함된 각 딥러닝 뉴런으로 하여금, 그의 적어도 하나의 파라미터를 사용하여 상기 각 딥러닝 뉴런의 입력에 하나 이상의 컨벌루션 연산을 적용하고, 상기 각 딥러닝 뉴런의 출력을 다음 딥러닝 뉴런에 전달하는 과정을 반복함으로써, 상기 페어 특징 벡터, 상기 판별 벡터 및 상기 박스 리그레션 벡터를 생성하도록 하는 것을 특징으로 하는 방법.
  7. 제 1항에 있어서,
    상기 (b) 단계에서,
    상기 학습 장치가, 상기 DNN에 포함된 상기 판별 네트워크로 하여금, 상기 페어 특징 벡터에 상기 FC 연산 중 적어도 일부를 적용하여 상기 판별 벡터를 생성하도록 한 다음, 상기 페어 특징 벡터 중, 특정 페어가 통합될 특정 확률을 나타내는 특정 판별 벡터의 값이 기설정된 임계 값 이상인 하나 이상의 특정 페어 특징 벡터에 상기 FC 연산 중 나머지 일부를 적용하여, 상기 특정 페어 특징 벡터에 대응하는 상기 박스 리그레션 벡터를 생성하도록 하는 것을 특징으로 하는 방법.
  8. 제1 테스트용 차량에 의해 생성된 제1 테스트용 타겟 공간에 대한 제1 테스트용 객체 검출 정보 및 제2 테스트용 차량에 의해 생성된 제2 테스트용 타겟 공간에 대한 제2 테스트용 객체 검출 정보를 통합하여, 상기 제1 테스트용 타겟 공간 및 상기 제2 테스트용 타겟 공간을 포함하는 테스트용 통합 타겟 공간에 대한 테스트용 통합 객체 검출 정보를 생성하는 테스팅 방법에 있어서,
    (a) 학습 장치가 (1) 제1 학습용 타겟 공간에 대한 제1 학습용 원본 이미지 및 제2 학습용 타겟 공간에 대한 제2 학습용 원본 이미지가 처리되어 생성된, 상기 제1 학습용 타겟 공간에 대한 제1 학습용 객체 검출 정보 및 상기 제2 학습용 타겟 공간에 대한 제2 학습용 객체 검출 정보를 획득하면, DNN에 포함된 컨캐터네이팅 네트워크로 하여금, 상기 제1 학습용 타겟 공간에 포함된 제1 학습용 원본 ROI 및 상기 제2 학습용 타겟 공간에 포함된 제2 학습용 원본 ROI의 하나 이상의 학습용 페어에 관한 정보를 포함하는 하나 이상의 학습용 페어 특징 벡터를 생성하도록 하고, (2) 상기 DNN에 포함된 판별 네트워크로 하여금, 상기 학습용 페어 특징 벡터에 하나 이상의 FC 연산을 적용함으로써, (i) 상기 학습용 페어 각각에 포함된, 상기 제1 학습용 원본 ROI 및 상기 제2 학습용 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 학습용 판별 벡터 및 (ii) 학습용 통합 타겟 공간 상에서, 상기 학습용 페어 중 적어도 일부의 각 요소의 각 학습용 기존 3차원 위치와 비교한, 상기 학습용 페어 중 상기 적어도 일부에 대응하는 학습용 통합 ROI의 각 학습용 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 학습용 박스 리그레션 벡터를 생성하도록 하며, (3) 로스 유닛으로 하여금, 상기 학습용 판별 벡터와 상기 학습용 박스 리그레션 벡터, 및 이에 대응하는 GT를 참조로 하여, 통합 로스를 생성하도록 하고, 상기 통합 로스를 이용하여 백프로퍼게이션을 수행함으로써 상기 DNN에 포함된 파라미터 중 적어도 일부를 학습하도록 한 상태에서, 상기 제1 테스트용 차량에 탑재된 테스팅 장치가, 상기 제1 테스트용 타겟 공간에 대한 제1 테스트용 원본 이미지 및 상기 제2 테스트용 타겟 공간에 대한 제2 테스트용 원본 이미지가 처리되어 생성된, 상기 제1 테스트용 타겟 공간에 대한 상기 제1 테스트용 객체 검출 정보 및 상기 제2 테스트용 타겟 공간에 대한 상기 제2 테스트용 객체 검출 정보를 획득하면, 상기 DNN에 포함된 상기 컨캐터네이팅 네트워크로 하여금, 상기 제1 테스트용 타겟 공간에 포함된 제1 테스트용 원본 ROI 및 상기 제2 테스트용 타겟 공간에 포함된 제2 테스트용 원본 ROI의 하나 이상의 테스트용 페어에 관한 정보를 포함하는 하나 이상의 테스트용 페어 특징 벡터를 생성하도록 하는 단계;
    (b) 상기 테스팅 장치가, 상기 DNN에 포함된 상기 판별 네트워크로 하여금, 상기 테스트용 페어 특징 벡터에 상기 FC연산을 적용함으로써, (i) 상기 테스트용 페어 각각에 포함된, 상기 제1 테스트용 원본 ROI 및 상기 제2 테스트용 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 테스트용 판별 벡터 및 (ii) 상기 테스트용 통합 타겟 공간 상에서, 상기 테스트용 페어 중 적어도 일부의 각 요소의 각 테스트용 기존 3차원 위치와 비교한, 상기 테스트용 페어 중 상기 적어도 일부에 대응하는 테스트용 통합 ROI의 각 테스트용 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 테스트용 박스 리그레션 벡터를 생성하도록 하는 단계; 및
    (c) 상기 테스팅 장치가, 병합 유닛으로 하여금, 상기 테스트용 판별 벡터 및 상기 테스트용 박스 리그레션 벡터를 참조로 하여, 제1 테스트용 원본 바운딩 박스 및 제2 테스트용 원본 바운딩 박스의 상기 테스트용 페어 중 적어도 일부를 병합함으로써 상기 테스트용 통합 객체 검출 정보를 생성하도록 하는 단계;
    를 포함하는 것을 특징으로 하는 방법.
  9. 제 8항에 있어서,
    상기 제1 테스트용 차량에 탑재된, 하나 이상의 제1 카메라, 하나 이상의 제1 라이다(lidar), 및 하나 이상의 제1 레이더(radar) 중 적어도 일부를 통해 획득된, 상기 제1 테스트용 타겟 공간에 대한 상기 제1 테스트용 원본 이미지는 상기 제1 테스트용 차량에 포함된 제1 뉴럴 네트워크에 의해 처리됨으로써, (i) 상기 제1 테스트용 타겟 공간에 포함된 테스트용 객체에 관한 제1 테스트용 클래스 정보, (ii) 상기 제1 테스트용 원본 ROI의 테스트용 특징 값, (iii) 상기 제1 테스트용 원본 바운딩 박스의 테스트용 3차원 좌표 값, 및 (iv) 상기 제1 테스트용 원본 ROI의 테스트용 3차원 좌표 값을 포함하는 상기 제1 테스트용 객체 검출 정보가 생성되고,
    상기 제2 테스트용 차량에 탑재된, 하나 이상의 제2 카메라, 하나 이상의 제2 라이다, 및 하나 이상의 제2 레이더 중 적어도 일부를 통해 획득된, 상기 제2 테스트용 타겟 공간에 대한 상기 제2 테스트용 원본 이미지는 상기 제2 테스트용 차량에 포함된 제2 뉴럴 네트워크에 의해 처리됨으로써, (i) 상기 제2 테스트용 타겟 공간에 포함된 테스트용 객체에 관한 제2 테스트용 클래스 정보, (ii) 상기 제2 테스트용 원본 ROI의 테스트용 특징 값, (iii) 상기 제2 테스트용 원본 바운딩 박스의 테스트용 3차원 좌표 값, 및 (iv) 상기 제2 테스트용 원본 ROI의 테스트용 3차원 좌표 값을 포함하는 상기 제2 테스트용 객체 검출 정보가 생성되며, 상기 제2 테스트용 객체 검출 정보는 V2V(Vehicle-to-vehicle) 통신을 통해 상기 제1 테스트용 차량으로 전달되는 것을 특징으로 하는 방법.
  10. 제 8항에 있어서,
    상기 (a) 단계에서,
    상기 테스트용 페어 특징 벡터 중 하나인 테스트용 특정 페어 특징 벡터는, (i) 상기 제1 테스트용 타겟 공간에 포함된 제1 테스트용 특정 객체의 제1 테스트용 클래스 정보, (ii) 상기 제1 테스트용 특정 객체를 포함하는 제1 테스트용 특정 원본 ROI의 테스트용 특징 값, (iii) 상기 제1 테스트용 특정 원본 ROI에 대응하는 제1 테스트용 특정 원본 바운딩 박스의 3차원 좌표 값, (iv) 상기 제1 테스트용 특정 원본 ROI의 3차원 좌표 값, (v) 상기 제2 테스트용 타겟 공간에 포함된 제2 테스트용 특정 객체의 제2 테스트용 클래스 정보, (vi) 상기 제2 테스트용 특정 객체를 포함하는 제2 테스트용 특정 원본 ROI의 테스트용 특징 값, (vii) 상기 제2 테스트용 특정 원본 ROI에 대응하는 제2 테스트용 특정 원본 바운딩 박스의 3차원 좌표 값, 및 (viii) 상기 제2 테스트용 특정 원본 ROI의 3차원 좌표 값을 포함하는 것을 특징으로 하는 방법.
  11. 제 10항에 있어서,
    상기 (b) 단계에서,
    상기 테스트용 특정 페어 특징 벡터에 대응하는, 상기 테스트용 판별 벡터 중 하나인 테스트용 특정 판별 벡터는, 상기 제1 테스트용 특정 원본 ROI 및 상기 제2 테스트용 특정 원본 ROI가 상기 테스트용 통합 타겟 공간에 통합될 확률에 관한 정보를 포함하고, 상기 테스트용 특정 페어 특징 벡터에 대응하는, 상기 테스트용 박스 리그레션 벡터 중 하나인 테스트용 특정 박스 리그레션 벡터는, 상기 테스트용 통합 타겟 공간 상의 상기 제1 테스트용 특정 원본 ROI 및 상기 제2 테스트용 특정 원본 ROI를 통합하여 생성되는 테스트용 특정 통합 바운딩 박스의 3차원 좌표에 대한 정보를 포함하는 것을 특징으로 하는 방법.
  12. 제1 차량에 의해 생성된 제1 타겟 공간에 대한 제1 객체 검출 정보 및 제2 차량에 의해 생성된 제2 타겟 공간에 대한 제2 객체 검출 정보를 통합하여, 상기 제1 타겟 공간 및 상기 제2 타겟 공간을 포함하는 통합 타겟 공간에 대한 통합 객체 검출 정보를 생성하는 학습 장치에 있어서,
    인스트럭션들을 저장하는 하나 이상의 메모리; 및
    (I) 상기 제1 타겟 공간에 대한 제1 원본 이미지 및 상기 제2 타겟 공간에 대한 제2 원본 이미지가 처리되어 생성된, 상기 제1 타겟 공간에 대한 상기 제1 객체 검출 정보 및 상기 제2 타겟 공간에 대한 상기 제2 객체 검출 정보를 획득하면, DNN에 포함된 컨캐터네이팅 네트워크로 하여금, 상기 제1 타겟 공간에 포함된 제1 원본 ROI 및 상기 제2 타겟 공간에 포함된 제2 원본 ROI의 하나 이상의 페어에 관한 정보를 포함하는 하나 이상의 페어 특징 벡터를 생성하도록 하는 프로세스, (II) 상기 DNN에 포함된 판별 네트워크로 하여금, 상기 페어 특징 벡터에 하나 이상의 FC 연산을 적용함으로써, (i) 상기 페어 각각에 포함된, 상기 제1 원본 ROI 및 상기 제2 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 판별 벡터 및 (ii) 상기 통합 타겟 공간 상에서, 상기 페어 중 적어도 일부의 각 요소의 각 기존 3차원 위치와 비교한, 상기 페어 중 상기 적어도 일부에 대응하는 통합 ROI의 각 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 박스 리그레션 벡터를 생성하도록 하는 프로세스, 및 (III) 로스 유닛으로 하여금, 상기 판별 벡터와 상기 박스 리그레션 벡터, 및 이에 대응하는 GT를 참조로 하여, 통합 로스를 생성하도록 하고, 상기 통합 로스를 이용하여 백프로퍼게이션을 수행함으로써 상기 DNN에 포함된 파라미터 중 적어도 일부를 학습하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 학습 장치.
  13. 제 12항에 있어서,
    상기 (I) 프로세스에서,
    상기 페어 특징 벡터 중 하나인 특정 페어 특징 벡터는, (i) 상기 제1 타겟 공간에 포함된 제1 특정 객체의 제1 클래스 정보, (ii) 상기 제1 특정 객체를 포함하는 제1 특정 원본 ROI의 특징 값, (iii) 상기 제1 특정 원본 ROI에 대응하는 제1 특정 원본 바운딩 박스의 3차원 좌표 값, (iv) 상기 제1 특정 원본 ROI의 3차원 좌표 값, (v) 상기 제2 타겟 공간에 포함된 제2 특정 객체의 제2 클래스 정보, (vi) 상기 제2 특정 객체를 포함하는 제2 특정 원본 ROI의 특징 값, (vii) 상기 제2 특정 원본 ROI에 대응하는 제2 특정 원본 바운딩 박스의 3차원 좌표 값, 및 (viii) 상기 제2 특정 원본 ROI의 3차원 좌표 값을 포함하는 것을 특징으로 하는 학습 장치.
  14. 제 13항에 있어서,
    상기 (II) 프로세스에서,
    상기 특정 페어 특징 벡터에 대응하는, 상기 판별 벡터 중 하나인 특정 판별 벡터는, 상기 제1 특정 원본 ROI 및 상기 제2 특정 원본 ROI가 상기 통합 타겟 공간에 통합될 확률에 관한 정보를 포함하고, 상기 특정 페어 특징 벡터에 대응하는, 상기 박스 리그레션 벡터 중 하나인 특정 박스 리그레션 벡터는, 상기 통합 타겟 공간 상의 상기 제1 특정 원본 ROI 및 상기 제2 특정 원본 ROI를 통합하여 생성되는 특정 통합 바운딩 박스의 3차원 좌표에 대한 정보를 포함하는 것을 특징으로 하는 학습 장치.
  15. 제 12항에 있어서,
    상기 (III) 프로세스에서,
    상기 프로세서가, 상기 로스 유닛으로 하여금, (i) 크로스 엔트로피 방식을 통해 상기 판별 벡터 중 적어도 일부를 사용하여 판별 로스를 생성하고, (ii) 스무스 L1 방식을 통해 상기 박스 리그레션 벡터 중 적어도 일부를 사용하여 박스 리그레션 로스를 생성한 후, (iii) 상기 판별 로스 및 상기 박스 리그레션 로스를 참조로 하여 상기 통합 로스를 생성하도록 하는 것을 특징으로 하는 학습 장치.
  16. 제 15항에 있어서,
    상기 (III) 프로세스에서,
    상기 판별 로스는 하기 수식에 따라 생성되되,
    Figure 112020001338685-pat00045

    Figure 112020001338685-pat00046
    은 상기 판별 벡터의 개수를,
    Figure 112020001338685-pat00047
    는 제i 판별 벡터를, 그리고
    Figure 112020001338685-pat00048
    는 상기 제i 판별 벡터에 대한 제i 판별 GT 벡터를 의미하고,
    상기 박스 리그레션 로스는 하기 수식에 따라 생성되되,
    Figure 112020001338685-pat00049

    Figure 112020001338685-pat00050

    Figure 112020001338685-pat00051
    은 상기 박스 리그레션 벡터의 개수를,
    Figure 112020001338685-pat00052
    는 제i 박스 리그레션 벡터를, 그리고
    Figure 112020001338685-pat00053
    는 상기 제i 박스 리그레션 벡터에 대한 제i 박스 리그레션 GT 벡터를 의미하는 것을 특징으로 하는 학습 장치.
  17. 제 12항에 있어서,
    상기 프로세서가, 상기 DNN의 하나 이상의 레이어에 포함된 각 딥러닝 뉴런으로 하여금, 그의 적어도 하나의 파라미터를 사용하여 상기 각 딥러닝 뉴런의 입력에 하나 이상의 컨벌루션 연산을 적용하고, 상기 각 딥러닝 뉴런의 출력을 다음 딥러닝 뉴런에 전달하는 과정을 반복함으로써, 상기 페어 특징 벡터, 상기 판별 벡터 및 상기 박스 리그레션 벡터를 생성하도록 하는 것을 특징으로 하는 학습 장치.
  18. 제 12항에 있어서,
    상기 (II) 프로세스에서,
    상기 프로세서가, 상기 DNN에 포함된 상기 판별 네트워크로 하여금, 상기 페어 특징 벡터에 상기 FC 연산 중 적어도 일부를 적용하여 상기 판별 벡터를 생성하도록 한 다음, 상기 페어 특징 벡터 중, 특정 페어가 통합될 특정 확률을 나타내는 특정 판별 벡터의 값이 기설정된 임계 값 이상인 하나 이상의 특정 페어 특징 벡터에 상기 FC 연산 중 나머지 일부를 적용하여, 상기 특정 페어 특징 벡터에 대응하는 상기 박스 리그레션 벡터를 생성하도록 하는 것을 특징으로 하는 학습 장치.
  19. 제1 테스트용 차량에 의해 생성된 제1 테스트용 타겟 공간에 대한 제1 테스트용 객체 검출 정보 및 제2 테스트용 차량에 의해 생성된 제2 테스트용 타겟 공간에 대한 제2 테스트용 객체 검출 정보를 통합하여, 상기 제1 테스트용 타겟 공간 및 상기 제2 테스트용 타겟 공간을 포함하는 테스트용 통합 타겟 공간에 대한 테스트용 통합 객체 검출 정보를 생성하는 테스팅 장치에 있어서,
    인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    (I) 학습 장치가 (1) 제1 학습용 타겟 공간에 대한 제1 학습용 원본 이미지 및 제2 학습용 타겟 공간에 대한 제2 학습용 원본 이미지가 처리되어 생성된, 상기 제1 학습용 타겟 공간에 대한 제1 학습용 객체 검출 정보 및 상기 제2 학습용 타겟 공간에 대한 제2 학습용 객체 검출 정보를 획득하면, DNN에 포함된 컨캐터네이팅 네트워크로 하여금, 상기 제1 학습용 타겟 공간에 포함된 제1 학습용 원본 ROI 및 상기 제2 학습용 타겟 공간에 포함된 제2 학습용 원본 ROI의 하나 이상의 학습용 페어에 관한 정보를 포함하는 하나 이상의 학습용 페어 특징 벡터를 생성하도록 하고, (2) 상기 DNN에 포함된 판별 네트워크로 하여금, 상기 학습용 페어 특징 벡터에 하나 이상의 FC 연산을 적용함으로써, (i) 상기 학습용 페어 각각에 포함된, 상기 제1 학습용 원본 ROI 및 상기 제2 학습용 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 학습용 판별 벡터 및 (ii) 학습용 통합 타겟 공간 상에서, 상기 학습용 페어 중 적어도 일부의 각 요소의 각 학습용 기존 3차원 위치와 비교한, 상기 학습용 페어 중 상기 적어도 일부에 대응하는 학습용 통합 ROI의 각 학습용 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 학습용 박스 리그레션 벡터를 생성하도록 하며, (3) 로스 유닛으로 하여금, 상기 학습용 판별 벡터와 상기 학습용 박스 리그레션 벡터, 및 이에 대응하는 GT를 참조로 하여, 통합 로스를 생성하도록 하고, 상기 통합 로스를 이용하여 백프로퍼게이션을 수행함으로써 상기 DNN에 포함된 파라미터 중 적어도 일부를 학습하도록 한 상태에서, 상기 제1 테스트용 타겟 공간에 대한 제1 테스트용 원본 이미지 및 상기 제2 테스트용 타겟 공간에 대한 제2 테스트용 원본 이미지가 처리되어 생성된, 상기 제1 테스트용 타겟 공간에 대한 상기 제1 테스트용 객체 검출 정보 및 상기 제2 테스트용 타겟 공간에 대한 상기 제2 테스트용 객체 검출 정보를 획득하면, 상기 DNN에 포함된 상기 컨캐터네이팅 네트워크로 하여금, 상기 제1 테스트용 타겟 공간에 포함된 제1 테스트용 원본 ROI 및 상기 제2 테스트용 타겟 공간에 포함된 제2 테스트용 원본 ROI의 하나 이상의 테스트용 페어에 관한 정보를 포함하는 하나 이상의 테스트용 페어 특징 벡터를 생성하도록 하는 프로세스, (II) 상기 DNN에 포함된 상기 판별 네트워크로 하여금, 상기 테스트용 페어 특징 벡터에 상기 FC연산을 적용함으로써, (i) 상기 테스트용 페어 각각에 포함된, 상기 제1 테스트용 원본 ROI 및 상기 제2 테스트용 원본 ROI가 통합되기에 적합할 확률에 관한 정보를 포함하는 하나 이상의 테스트용 판별 벡터 및 (ii) 상기 테스트용 통합 타겟 공간 상에서, 상기 테스트용 페어 중 적어도 일부의 각 요소의 각 테스트용 기존 3차원 위치와 비교한, 상기 테스트용 페어 중 상기 적어도 일부에 대응하는 테스트용 통합 ROI의 각 테스트용 상대 3차원 위치에 관한 정보를 포함하는 하나 이상의 테스트용 박스 리그레션 벡터를 생성하도록 하는 프로세스, 및 (III) 병합 유닛으로 하여금, 상기 테스트용 판별 벡터 및 상기 테스트용 박스 리그레션 벡터를 참조로 하여, 제1 테스트용 원본 바운딩 박스 및 제2 테스트용 원본 바운딩 박스의 상기 테스트용 페어 중 적어도 일부를 병합함으로써 상기 테스트용 통합 객체 검출 정보를 생성하도록 하는 프로세스를 수행하기 위한 상기 인스트럭션들을 실행하도록 구성된 적어도 하나의 프로세서;
    를 포함하는 것을 특징으로 하는 테스팅 장치.
  20. 제 19항에 있어서,
    상기 제1 테스트용 차량에 탑재된, 하나 이상의 제1 카메라, 하나 이상의 제1 라이다, 및 하나 이상의 제1 레이더 중 적어도 일부를 통해 획득된, 상기 제1 테스트용 타겟 공간에 대한 상기 제1 테스트용 원본 이미지는 상기 제1 테스트용 차량에 포함된 제1 뉴럴 네트워크에 의해 처리됨으로써, (i) 상기 제1 테스트용 타겟 공간에 포함된 테스트용 객체에 관한 제1 테스트용 클래스 정보, (ii) 상기 제1 테스트용 원본 ROI의 테스트용 특징 값, (iii) 상기 제1 테스트용 원본 바운딩 박스의 테스트용 3차원 좌표 값, 및 (iv) 상기 제1 테스트용 원본 ROI의 테스트용 3차원 좌표 값을 포함하는 상기 제1 테스트용 객체 검출 정보가 생성되고,
    상기 제2 테스트용 차량에 탑재된, 하나 이상의 제2 카메라, 하나 이상의 제2 라이다, 및 하나 이상의 제2 레이더 중 적어도 일부를 통해 획득된, 상기 제2 테스트용 타겟 공간에 대한 상기 제2 테스트용 원본 이미지는 상기 제2 테스트용 차량에 포함된 제2 뉴럴 네트워크에 의해 처리됨으로써, (i) 상기 제2 테스트용 타겟 공간에 포함된 테스트용 객체에 관한 제2 테스트용 클래스 정보, (ii) 상기 제2 테스트용 원본 ROI의 테스트용 특징 값, (iii) 상기 제2 테스트용 원본 바운딩 박스의 테스트용 3차원 좌표 값, 및 (iv) 상기 제2 테스트용 원본 ROI의 테스트용 3차원 좌표 값을 포함하는 상기 제2 테스트용 객체 검출 정보가 생성되며, 상기 제2 테스트용 객체 검출 정보는 V2V 통신을 통해 상기 제1 테스트용 차량으로 전달되는 것을 특징으로 하는 테스팅 장치.
  21. 제 19항에 있어서,
    상기 (I) 프로세스에서,
    상기 테스트용 페어 특징 벡터 중 하나인 테스트용 특정 페어 특징 벡터는, (i) 상기 제1 테스트용 타겟 공간에 포함된 제1 테스트용 특정 객체의 제1 테스트용 클래스 정보, (ii) 상기 제1 테스트용 특정 객체를 포함하는 제1 테스트용 특정 원본 ROI의 테스트용 특징 값, (iii) 상기 제1 테스트용 특정 원본 ROI에 대응하는 제1 테스트용 특정 원본 바운딩 박스의 3차원 좌표 값, (iv) 상기 제1 테스트용 특정 원본 ROI의 3차원 좌표 값, (v) 상기 제2 테스트용 타겟 공간에 포함된 제2 테스트용 특정 객체의 제2 테스트용 클래스 정보, (vi) 상기 제2 테스트용 특정 객체를 포함하는 제2 테스트용 특정 원본 ROI의 테스트용 특징 값, (vii) 상기 제2 테스트용 특정 원본 ROI에 대응하는 제2 테스트용 특정 원본 바운딩 박스의 3차원 좌표 값, 및 (viii) 상기 제2 테스트용 특정 원본 ROI의 3차원 좌표 값을 포함하는 것을 특징으로 하는 테스팅 장치.
  22. 제 21항에 있어서,
    상기 (II) 프로세스에서,
    상기 테스트용 특정 페어 특징 벡터에 대응하는, 상기 테스트용 판별 벡터 중 하나인 테스트용 특정 판별 벡터는, 상기 제1 테스트용 특정 원본 ROI 및 상기 제2 테스트용 특정 원본 ROI가 상기 테스트용 통합 타겟 공간에 통합될 확률에 관한 정보를 포함하고, 상기 테스트용 특정 페어 특징 벡터에 대응하는, 상기 테스트용 박스 리그레션 벡터 중 하나인 테스트용 특정 박스 리그레션 벡터는, 상기 테스트용 통합 타겟 공간 상의 상기 제1 테스트용 특정 원본 ROI 및 상기 제2 테스트용 특정 원본 ROI를 통합하여 생성되는 테스트용 특정 통합 바운딩 박스의 3차원 좌표에 대한 정보를 포함하는 것을 특징으로 하는 테스팅 장치.
KR1020200001721A 2019-01-31 2020-01-06 V2v 통신을 통해 획득된 타 자율 주행 차량의 공간 탐지 결과를 자신의 자율 주행 차량의 공간 탐지 결과와 통합하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 KR102372703B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962799124P 2019-01-31 2019-01-31
US62/799,124 2019-01-31
US16/724,302 US10817777B2 (en) 2019-01-31 2019-12-22 Learning method and learning device for integrating object detection information acquired through V2V communication from other autonomous vehicle with object detection information generated by present autonomous vehicle, and testing method and testing device using the same
US16/724,302 2019-12-22

Publications (2)

Publication Number Publication Date
KR20200095358A KR20200095358A (ko) 2020-08-10
KR102372703B1 true KR102372703B1 (ko) 2022-03-10

Family

ID=69192000

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200001721A KR102372703B1 (ko) 2019-01-31 2020-01-06 V2v 통신을 통해 획득된 타 자율 주행 차량의 공간 탐지 결과를 자신의 자율 주행 차량의 공간 탐지 결과와 통합하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치

Country Status (5)

Country Link
US (1) US10817777B2 (ko)
EP (1) EP3690732A1 (ko)
JP (1) JP6979228B2 (ko)
KR (1) KR102372703B1 (ko)
CN (1) CN111507369B (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11748977B2 (en) * 2019-03-22 2023-09-05 Nec Corporation Image processing system, image processing device, image processing method, and computer-readable medium
CN110543943B (zh) * 2019-09-10 2022-03-25 北京百度网讯科技有限公司 一种网络融合方法及装置、电子设备、存储介质
JP7446903B2 (ja) * 2020-04-23 2024-03-11 株式会社日立製作所 画像処理装置、画像処理方法及び画像処理システム
KR102313918B1 (ko) * 2021-05-14 2021-10-18 주식회사 인피닉 3d 데이터와 2d 이미지의 동기화 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
WO2023283469A1 (en) * 2021-07-08 2023-01-12 Cyngn, Inc. Multi-channel object matching
WO2024059925A1 (en) * 2022-09-20 2024-03-28 Huawei Technologies Canada Co., Ltd. Systems and methods for cooperative perception

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190102908A1 (en) 2017-10-04 2019-04-04 Nvidia Corporation Iterative spatio-temporal action detection in video

Family Cites Families (61)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8229663B2 (en) * 2009-02-03 2012-07-24 GM Global Technology Operations LLC Combined vehicle-to-vehicle communication and object detection sensing
US9165468B2 (en) * 2010-04-12 2015-10-20 Robert Bosch Gmbh Video based intelligent vehicle control system
US10099614B2 (en) * 2011-11-28 2018-10-16 Magna Electronics Inc. Vision system for vehicle
US8976040B2 (en) * 2012-02-16 2015-03-10 Bianca RAY AVALANI Intelligent driver assist system based on multimodal sensor fusion
EP2669846B1 (en) * 2012-06-01 2017-11-01 Ricoh Company, Ltd. Target recognition system and target recognition method executed by the target recognition system, target recognition program executed on the target recognition system, and recording medium storing the target recognition program
AT514754B1 (de) * 2013-09-05 2018-06-15 Avl List Gmbh Verfahren und Vorrichtung zur Optimierung von Fahrassistenzsystemen
EP3095073A1 (en) * 2014-01-17 2016-11-23 KPIT Technologies Ltd. Vehicle detection system and method thereof
CN110171405B (zh) * 2014-05-22 2021-07-13 御眼视觉技术有限公司 基于检测对象制动车辆的系统和方法
US9630318B2 (en) * 2014-10-02 2017-04-25 Brain Corporation Feature detection apparatus and methods for training of robotic navigation
CN108475331B (zh) * 2016-02-17 2022-04-05 英特尔公司 用于对象检测的方法、装置、系统和计算机可读介质
WO2017177128A1 (en) * 2016-04-08 2017-10-12 The Trustees Of Columbia University In The City Of New York Systems and methods for deep reinforcement learning using a brain-artificial intelligence interface
JP6256531B2 (ja) 2016-06-10 2018-01-10 三菱電機株式会社 物体認識処理装置、物体認識処理方法および自動運転システム
US10248124B2 (en) * 2016-07-21 2019-04-02 Mobileye Vision Technologies, Inc. Localizing vehicle navigation using lane measurements
US10678240B2 (en) * 2016-09-08 2020-06-09 Mentor Graphics Corporation Sensor modification based on an annotated environmental model
US10671068B1 (en) * 2016-09-21 2020-06-02 Apple Inc. Shared sensor data across sensor processing pipelines
EP3316001A1 (en) * 2016-10-25 2018-05-02 Centre National d'Etudes Spatiales Collaborative improvement of a vehicle's positioning
WO2018125939A1 (en) * 2016-12-30 2018-07-05 DeepMap Inc. Visual odometry and pairwise alignment for high definition map creation
CN117310741A (zh) * 2017-01-03 2023-12-29 应诺维思科技有限公司 用于检测和分类物体的激光雷达系统和方法
US10473793B2 (en) * 2017-01-19 2019-11-12 Ford Global Technologies, Llc V2V collaborative relative positioning system
CN110325818B (zh) * 2017-03-17 2021-11-26 本田技研工业株式会社 经由多模融合的联合3d对象检测和取向估计
US20180276912A1 (en) * 2017-03-23 2018-09-27 Uber Technologies, Inc. Machine Learning for Triaging Failures in Autonomous Vehicles
US10553091B2 (en) 2017-03-31 2020-02-04 Qualcomm Incorporated Methods and systems for shape adaptation for merged objects in video analytics
US10755428B2 (en) * 2017-04-17 2020-08-25 The United States Of America, As Represented By The Secretary Of The Navy Apparatuses and methods for machine vision system including creation of a point cloud model and/or three dimensional model
US10060751B1 (en) * 2017-05-17 2018-08-28 Here Global B.V. Method and apparatus for providing a machine learning approach for a point-based map matcher
US10534092B2 (en) * 2017-06-01 2020-01-14 Tesla, Inc. Technologies for vehicle positioning
US11244226B2 (en) * 2017-06-12 2022-02-08 Nvidia Corporation Systems and methods for training neural networks with sparse data
US10559140B2 (en) * 2017-06-16 2020-02-11 Uatc, Llc Systems and methods to obtain feedback in response to autonomous vehicle failure events
US20180373980A1 (en) * 2017-06-27 2018-12-27 drive.ai Inc. Method for training and refining an artificial intelligence
US10395144B2 (en) * 2017-07-24 2019-08-27 GM Global Technology Operations LLC Deeply integrated fusion architecture for automated driving systems
US10496891B2 (en) * 2017-08-17 2019-12-03 Harman International Industries, Incorporated Driver assistance system and method for object detection and notification
US10679351B2 (en) * 2017-08-18 2020-06-09 Samsung Electronics Co., Ltd. System and method for semantic segmentation of images
US10599931B2 (en) * 2017-08-21 2020-03-24 2236008 Ontario Inc. Automated driving system that merges heterogenous sensor data
US10884433B2 (en) * 2017-08-28 2021-01-05 Nec Corporation Aerial drone utilizing pose estimation
US10872531B2 (en) * 2017-09-29 2020-12-22 Uber Technologies, Inc. Image processing for vehicle collision avoidance system
US9946960B1 (en) * 2017-10-13 2018-04-17 StradVision, Inc. Method for acquiring bounding box corresponding to an object in an image by using convolutional neural network including tracking network and computing device using the same
US10169679B1 (en) 2017-10-13 2019-01-01 StradVision, Inc. Learning method and learning device for adjusting parameters of CNN by using loss augmentation and testing method and testing device using the same
US9953437B1 (en) * 2017-10-18 2018-04-24 StradVision, Inc. Method and device for constructing a table including information on a pooling type and testing method and testing device using the same
JP7346401B2 (ja) * 2017-11-10 2023-09-19 エヌビディア コーポレーション 安全で信頼できる自動運転車両のためのシステム及び方法
US10824862B2 (en) * 2017-11-14 2020-11-03 Nuro, Inc. Three-dimensional object detection for autonomous robotic systems using image proposals
US11688160B2 (en) * 2018-01-17 2023-06-27 Huawei Technologies Co., Ltd. Method of generating training data for training a neural network, method of training a neural network and using neural network for autonomous operations
US10740654B2 (en) * 2018-01-22 2020-08-11 Qualcomm Incorporated Failure detection for a neural network object tracker
US10872399B2 (en) * 2018-02-02 2020-12-22 Nvidia Corporation Photorealistic image stylization using a neural network model
US10955851B2 (en) * 2018-02-14 2021-03-23 Zoox, Inc. Detecting blocking objects
CN111133447B (zh) * 2018-02-18 2024-03-19 辉达公司 适于自主驾驶的对象检测和检测置信度的方法和系统
US10157331B1 (en) 2018-03-08 2018-12-18 Capital One Services, Llc Systems and methods for image preprocessing to improve accuracy of object recognition
US11500099B2 (en) * 2018-03-14 2022-11-15 Uatc, Llc Three-dimensional object detection
US10540554B2 (en) * 2018-03-29 2020-01-21 Toyota Jidosha Kabushiki Kaisha Real-time detection of traffic situation
US11138745B2 (en) * 2018-04-30 2021-10-05 Uatc, Llc Object association for autonomous vehicles
US11030903B2 (en) * 2018-05-30 2021-06-08 Ford Global Technologies, Llc Vehicle-to-infrastructure communication
US10380753B1 (en) * 2018-05-30 2019-08-13 Aimotive Kft. Method and apparatus for generating a displacement map of an input dataset pair
CN108875819B (zh) * 2018-06-08 2020-10-27 浙江大学 一种基于长短期记忆网络的物体和部件联合检测方法
US11592818B2 (en) * 2018-06-20 2023-02-28 Zoox, Inc. Restricted multi-scale inference for machine learning
US10936922B2 (en) * 2018-06-20 2021-03-02 Zoox, Inc. Machine learning techniques
US10733761B2 (en) * 2018-06-29 2020-08-04 Zoox, Inc. Sensor calibration
US11042157B2 (en) * 2018-07-23 2021-06-22 Baidu Usa Llc Lane/object detection and tracking perception system for autonomous vehicles
US11508049B2 (en) * 2018-09-13 2022-11-22 Nvidia Corporation Deep neural network processing for sensor blindness detection in autonomous machine applications
US20190039612A1 (en) * 2018-09-28 2019-02-07 Intel Corporation Technologies To Facilitate Automated Driving Assistance Based On Objects Sensed And Reported By Remote Senders
US10474930B1 (en) * 2018-10-05 2019-11-12 StradVision, Inc. Learning method and testing method for monitoring blind spot of vehicle, and learning device and testing device using the same
US10567934B1 (en) * 2018-11-14 2020-02-18 Continental Teves Ag & Co. Ohg Device for vehicle-to-X communication and method
US11494937B2 (en) * 2018-11-16 2022-11-08 Uatc, Llc Multi-task multi-sensor fusion for three-dimensional object detection
US10650279B1 (en) * 2019-01-31 2020-05-12 StradVision, Inc. Learning method and learning device for heterogeneous sensor fusion by using merging network which learns non-maximum suppression

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190102908A1 (en) 2017-10-04 2019-04-04 Nvidia Corporation Iterative spatio-temporal action detection in video

Also Published As

Publication number Publication date
US10817777B2 (en) 2020-10-27
JP2020126623A (ja) 2020-08-20
KR20200095358A (ko) 2020-08-10
US20200250514A1 (en) 2020-08-06
JP6979228B2 (ja) 2021-12-08
CN111507369B (zh) 2023-11-28
EP3690732A1 (en) 2020-08-05
CN111507369A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
KR102372703B1 (ko) V2v 통신을 통해 획득된 타 자율 주행 차량의 공간 탐지 결과를 자신의 자율 주행 차량의 공간 탐지 결과와 통합하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR102264394B1 (ko) 카메라로부터 획득된 이미지와, 이에 대응하는, 레이더 또는 라이더를 통해 획득된 포인트 클라우드 맵을 뉴럴 네트워크의 각각의 컨벌루션 스테이지 별로 통합하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
KR102144623B1 (ko) 이동체의 이동 속성 획득 방법 및 이를 수행하는 장치
US10628688B1 (en) Learning method and learning device, and testing method and testing device for detecting parking spaces by using point regression results and relationship between points to thereby provide an auto-parking system
KR102337362B1 (ko) 감시 시스템이 보다 정확하게 주변 상황을 식별하고 희귀 이벤트를 검출할 수 있도록 하기 위해, 생성 뉴럴 네트워크와 판별 뉴럴 네트워크를 포함하는 생성적 적대 신경망을 이용하여 합성여부판단불가 합성 이미지를 생성하는 방법과 장치
KR102279376B1 (ko) CNN(Convolutional Neural Network)을 사용하여 차선을 검출하기 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
EP3686779B1 (en) Method and device for attention-based lane detection without post-processing by using lane mask and testing method and testing device using the same
US10402978B1 (en) Method for detecting pseudo-3D bounding box based on CNN capable of converting modes according to poses of objects using instance segmentation and device using the same
KR102279388B1 (ko) 차선 모델을 이용하여 차선을 검출할 수 있는 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
US10551845B1 (en) Method and computing device for generating image data set to be used for hazard detection and learning method and learning device using the same
KR102372687B1 (ko) 비최대값 억제를 학습하는 병합 네트워크를 이용한 이종 센서 융합을 위한 학습 방법 및 학습 장치
EP3690745B1 (en) Learning method and learning device for providing functional safety by warning driver about potential dangerous situation by using explainable ai which verifies detection processes of autonomous driving network, and testing method and testing device using the same
KR102314524B1 (ko) 자율 주행 상황에서 장애물 검출을 위한 cnn 학습용 이미지 데이터 세트의 생성 방법 및 컴퓨팅 장치
KR102373493B1 (ko) V2x 정보 융합 기술을 통해 획득된, 각 객체에 대한 깊이 예측 정보 및 각 객체에 대한 클래스 정보를 이용해 3d 공간을 재구축함으로써 hd 맵을 업데이트하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
US20230121534A1 (en) Method and electronic device for 3d object detection using neural networks
KR102309712B1 (ko) 객체의 조건에 따라 모드를 전환할 수 있는 CNN 기반으로 군사 목적, 스마트폰 또는 가상 주행에 사용되는 수도(Pseudo)-3D 바운딩 박스를 검출하는 방법 및 이를 이용한 장치
KR102309705B1 (ko) Cnn 기반 차선 검출을 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치

Legal Events

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