KR102490011B1 - 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법, 장치 및 컴퓨터프로그램 - Google Patents

Abstract

로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법, 장치 및 컴퓨터프로그램이 제공된다. 본 발명의 다양한 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법은 컴퓨팅 장치에 의해 수행되는 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법에 있어서, 자율주행 차량 주변에 위치하는 복수의 로드 유저에 대한 예측 결과를 포함하는 제1 예측 정보를 생성하는 단계, 상기 복수의 로드 유저 중 적어도 하나의 로드 유저에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하는 단계 및 상기 생성된 제1 예측 정보와 상기 생성된 제2 예측 정보를 이용하여 상기 자율주행 차량에 대한 주행 계획을 결정하는 단계를 포함한다.

Description

로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법, 장치 및 컴퓨터프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR DETERMINING DRIVING PLAN FOR AUTOMATIC DRIVING VEHICLE BASED ON ROAD USER PREDICTION}

본 발명의 다양한 실시예는 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법, 장치 및 컴퓨터프로그램에 관한 것이다.

차량을 운전하는 사용자들의 편의를 위하여, 각종 센서와 전자 장치 등(예: 차량 운전자 보조 시스템(ADAS: Advanced Driver Assistance System)이 구비되고 있는 추세이며, 특히, 운전자의 개입 없이 주변 환경을 인식하고, 인식된 주변 환경에 따라 스스로 주어진 목적지까지 자동으로 주행하는 차량의 자율 주행 시스템(Autonomous driving System)에 대한 기술 개발이 활발하게 이루어지고 있다.

여기서, 자율주행 차량은 운전자의 개입 없이 주변 환경을 인식하고, 인식된 주변 환경에 따라 스스로 주어진 목적지까지 자동으로 주행하는 자율주행 시스템 기능을 탑재한 차량을 말한다.

자율주행 시스템은 자율주행을 위해 측위, 인지, 예측, 계획 및 제어를 수행한다.

측위는 자율주행 차량의 위치, 자세, 속력 등을 추정하는 동작을 의미하고, 인지는 자율주행 차량의 주변 차량, 보행자, 장애물 등의 존재 여부, 거리, 속도 등과 도로의 형태 및 교통신호를 인식하는 동작을 의미한다. 또한, 예측은 주변 차량, 보행자 등의 미래 상태(예컨대, 미래의 위치, 속도, 경로 등)와 발생 가능한 위험 상황(예컨대, 충돌)을 미리 예상하는 동작을 의미하고, 계획은 자율주행 차량의 가장 바람직한 행동(예컨대, 경로, 속도, 가속도 등)을 판단하는 동작을 의미하며, 마지막으로 제어는 자율주행 차량이 계획대로 주행하도록 자율주행 차량의 움직임(브레이크, 가속, 스티어링 휠 등)을 제어하는 동작을 의미할 수 있다.

즉, 자율주행 차량에 대한 주행 계획을 결정함에 있어서, 자율주행 차량 주변의 로드 유저(Road User)(예컨대, 자율주행 차량 주변의 차량, 오토바이, 자전거, 보행자 등 도로 위 사용자)의 미래 행동을 정확하게 예측하는 것은 자율주행 차량의 안전성을 향상시킬 수 있을 뿐만 아니라, 자율주행 차량 탑승객의 편의와 만족감 향상에도 기여할 수 있는 바, 자율주행 시스템에서 매우 중요한 요소 중 하나이다.

한편, 로드 유저에 대한 예측 기술이 성숙하지 못한 상태에서 자율주행 차량을 보다 안전하게 주행하도록 하기 위해서는 로드 유저에 대한 미래 상태를 보수적으로 예측할 수밖에 없고, 이에 따라 잠정적 위험을 회피하기 위해 자율주행 차량의 동작을 과도하게 제어하는 문제가 발생될 수 있다. 예컨대, 자율주행 차량의 속도를 급격하게 감속하거나, 지나치게 저속으로 주행하거나 출발할 수 있음에도 불구하고 지속적으로 정지하도록 제어하는 상황이 연출될 수 있다.

본 발명이 해결하고자 하는 과제는 상술된 종래의 문제점을 해소하기 위한 목적으로, 서로 다른 두개의 예측 모델을 통해 로드 유저에 대한 예측을 수행함으로써, 로드 유저에 대한 보다 정확한 예측 결과를 도출할 수 있고, 이를 통해 자율주행 차량에 대한 주행 계획을 결정함으로써, 자율주행 차량의 안전성, 탑승객의 편의와 만족도를 향상시킬 수 있는 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.

본 발명이 해결하고자 하는 다른 과제는, 알고리즘 기반의 제1 예측 모델 및 데이터 학습 기반의 제2 예측 모델을 통해 로드 유저에 대한 예측을 수행하되, 제1 예측 모델을 통해서는 모든 로드 유저에 대한 예측을 수행하고, 제2 예측 모델을 통해서는 주요 로드 유저에 대해서만 정밀한 예측을 수행함으로써, 연산량 증가를 최소화하면서 예측 성능을 향상시킬 수 있는 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법은 컴퓨팅 장치에 의해 수행되는 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법에 있어서, 자율주행 차량 주변에 위치하는 복수의 로드 유저에 대한 예측 결과를 포함하는 제1 예측 정보를 생성하는 단계, 상기 복수의 로드 유저 중 적어도 하나의 로드 유저에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하는 단계 및 상기 생성된 제1 예측 정보와 상기 생성된 제2 예측 정보를 이용하여 상기 자율주행 차량에 대한 주행 계획을 결정하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 자율주행 차량 및 상기 자율주행 차량의 주변 환경에 관한 정보를 수집하고, 상기 수집된 정보를 이용하여 로드 유저 예측을 위한 입력 데이터를 생성하되, 상기 생성된 입력 데이터는 상기 복수의 로드 유저에 관한 정보를 포함하는 인지 정보, 상기 자율주행 차량에 관한 정보를 포함하는 측위 정보, 상기 자율주행 차량의 위치하는 영역에 관한 지도 정보 및 상기 자율주행 차량에 대하여 기 결정된 주행 계획에 관한 계획 정보 중 적어도 하나를 포함하는 것인, 단계를 더 포함할 수 있다.

다양한 실시예에서, 상기 제1 예측 정보를 생성하는 단계는, 알고리즘 기반의 제1 예측 모델을 이용하여 상기 생성된 입력 데이터를 분석함에 따라 상기 복수의 로드 유저 각각에 대한 예상 주행 계획 - 상기 생성된 예상 주행 계획은 예상 주행 경로 및 예상 속력 프로파일을 포함함 - 을 예측하는 단계 및 상기 예측된 예상 주행 계획을 포함하는 제1 예측 정보를 생성하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 예상 주행 계획을 예측하는 단계는, 상기 복수의 로드 유저 중 어느 하나의 로드 유저에 대하여 복수의 예상 주행 계획이 예측되는 경우, 상기 예측된 복수의 예상 주행 계획 각각의 가능성에 대응하는 확률 값을 산출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 예상 주행 계획을 예측하는 단계는, 상기 복수의 로드 유저 중 어느 하나의 로드 유저에 대하여 복수의 예상 주행 계획이 예측되는 경우, 상기 자율주행 차량에 대하여 기 결정된 주행 계획에 기초하여 상기 예측된 복수의 예상 주행 계획 각각에 대한 중요도를 산출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 예상 주행 계획을 예측하는 단계는, 상기 복수의 로드 유저 중 어느 하나의 로드 유저에 대하여 복수의 예상 주행 계획이 예측된 경우, 상기 예측된 복수의 예상 주행 계획 중 주행 방향과 수직인 방향으로의 가속도가 특정 값 이상인 예상 주행 계획을 제외시키되, 상기 예측된 복수의 예상 주행 계획 전체가 제외되는 경우 상기 예측된 복수의 예상 주행 계획 중 주행 방향과 수직인 방향으로의 가속도가 가장 낮은 예상 주행 계획만을 선택하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 제1 예측 정보를 생성하는 단계는, 제1 시점에 수집된 정보를 통해 생성된 제1 입력 데이터를 이용하여 제1 시점에서의 제1 예측 정보를 출력하고, 상기 제1 시점 이후의 제2 시점에 수집된 정보를 통해 생성된 제2 입력 데이터를 이용하여 제2 시점에서의 제1 예측 정보를 출력하되, 상기 제1 입력 데이터와 상기 제2 입력 데이터 간의 유사도가 기준값 이상인 경우 상기 제2 시점에서의 제1 예측 정보로서 상기 제1 시점에서의 제1 예측 정보를 재출력하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 제2 예측 정보를 생성하는 단계는, 데이터 학습 기반의 제2 예측 모델 - 상기 데이터 학습 기반의 제2 예측 모델은 공간계열 기반의 인공신경망과 시계열 기반의 인공신경망을 포함함 - 을 이용하여 상기 생성된 입력 데이터를 분석함에 따라 상기 적어도 하나의 로드 유저에 대한 예상 주행 계획 - 상기 생성된 예상 주행 계획은 예상 주행 경로 및 예상 속력 프로파일을 포함함 - 을 예측하는 단계 및 상기 예측된 예상 주행 계획을 포함하는 제2 예측 정보를 생성하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 제2 예측 정보를 생성하는 단계는, 상기 생성된 제1 예측 정보를 이용하여 관심객체(Object of interest)를 설정하는 단계 및 상기 생성된 입력 데이터 중 상기 설정된 관심객체에 관한 정보만을 분석함에 따라 상기 관심객체에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 관심객체를 설정하는 단계는, 상기 생성된 제1 예측 정보에 기초하여 상기 복수의 로드 유저 중 상기 자율주행 차량에 대한 주행 계획 결정에 영향을 끼치는 적어도 하나의 로드 유저를 관심객체로 설정하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 제2 예측 정보를 생성하는 단계는, 제1 시점에 수집된 제1 정보 중 특정 로드 유저에 대한 정보만을 분석함에 따라 상기 특정 로드 유저에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하되, 상기 특정 로드 유저는 상기 제1 시점 이전의 제2 시점에 수집된 제2 정보에 기초하여 설정된 관심객체와 동일한 로드 유저인, 단계를 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 수행하는 컴퓨팅 장치는 프로세서, 네트워크 인터페이스, 메모리 및 상기 메모리에 로드(load) 되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되, 상기 컴퓨터 프로그램은, 자율주행 차량 주변에 위치하는 복수의 로드 유저에 대한 예측 결과를 포함하는 제1 예측 정보를 생성하는 인스트럭션(instruction), 상기 복수의 로드 유저 중 적어도 하나의 로드 유저에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하는 인스트럭션 및 상기 생성된 제1 예측 정보와 상기 생성된 제2 예측 정보를 이용하여 상기 자율주행 차량에 대한 주행 계획을 결정하는 인스트럭션을 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터프로그램은 컴퓨팅 장치와 결합되어, 자율주행 차량 주변에 위치하는 복수의 로드 유저에 대한 예측 결과를 포함하는 제1 예측 정보를 생성하는 단계, 상기 복수의 로드 유저 중 적어도 하나의 로드 유저에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하는 단계 및 상기 생성된 제1 예측 정보와 상기 생성된 제2 예측 정보를 이용하여 상기 자율주행 차량에 대한 주행 계획을 결정하는 단계를 포함하는 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 실행시키기 위하여 컴퓨팅 장치로 판독 가능한 기록매체에 저장될 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 다양한 실시예에 따르면, 서로 다른 두개의 예측 모델을 통해 로드 유저에 대한 예측을 수행함으로써, 로드 유저에 대한 보다 정확한 예측 결과를 도출할 수 있고, 이를 통해 자율주행 차량에 대한 주행 계획을 결정함으로써, 자율주행 차량의 안전성, 탑승객의 편의와 만족도를 향상시킬 수 있다는 이점이 있다.

또한, 알고리즘 기반의 제1 예측 모델 및 데이터 학습 기반의 제2 예측 모델을 통해 로드 유저에 대한 예측을 수행하되, 제1 예측 모델을 통해서는 모든 로드 유저에 대한 예측을 수행하고, 제2 예측 모델을 통해서는 주요 로드 유저에 대해서만 정밀한 예측을 수행함으로써, 연산량 증가를 최소화하면서 예측 성능을 향상시킬 수 있다는 이점이 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 자율주행 시스템을 도시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 수행하는 컴퓨팅 장치의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법의 순서도이다.
도 4는 다양한 실시예에 적용 가능한 지도 정보를 예시적으로 도시한 도면이다.
도 5는 제1 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 설명하기 위한 순서도이다.
도 6은 제1 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정과정을 도시한 도면이다.
도 7은 제2 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 설명하기 위한 순서도이다.
도 8은 제2 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정과정을 도시한 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 본 발명의 일 실시예에 따른 자율주행 시스템을 도시한 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 자율주행 시스템은 컴퓨팅 장치(100), 사용자 단말(200), 외부 서버(300) 및 네트워크(400)를 포함할 수 있다.

여기서, 도 1에 도시된 자율주행 시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.

일 실시예에서, 컴퓨팅 장치(100)는 자율주행 차량(500)에 대한 주행 계획을 결정할 수 있다. 예컨대, 컴퓨팅 장치(100)는 자율주행 차량(500)에 관한 정보 및 자율주행 차량(500)의 주변 환경에 관한 정보를 이용하여 자율주행 차량(500) 주변에 위치하는 로드 유저(예: 차량, 오토바이, 자전거, 보행자 등 도로 위 사용자)에 대한 행동을 예측할 수 있고, 예측 결과에 기초하여 자율주행 차량(500)에 대한 주행 계획을 결정할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 기 학습된 예측 모델(예: 도 6 및 도 8의 10)을 이용하여 자율주행 차량(500)에 관한 정보 및 자율주행 차량(500)의 주변 환경에 관한 정보를 분석함으로써, 자율주행 차량(500)의 주변에 위치하는 적어도 하나의 로드 유저에 대한 행동을 예측할 수 있다.

여기서, 예측 모델(10)(예: 신경망)은 하나 이상의 네트워크 함수로 구성되며, 하나 이상의 네트워크 함수는 일반적으로 ‘노드’라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 ‘노드’들은 ‘뉴런(neuron)’들로 지칭될 수도 있다. 하나 이상의 네트워크 함수는 적어도 하나 이상의 노드들을 포함하여 구성된다. 하나 이상의 네트워크 함수를 구성하는 노드(또는 뉴런)들은 하나 이상의 ‘링크’에 의해 상호 연결될 수 있다.

예측 모델(10) 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 예측 모델(10)이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 예측 모델(10)은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 예측 모델(10) 내에서 입력 노드 및 출력 노드 관계를 형성한다. 예측 모델(10) 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 예측 모델(10)의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 예측 모델(10)이 존재하는 경우, 두 개의 예측 모델(10)들은 서로 상이한 것으로 인식될 수 있다.

예측 모델(10)을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 예측 모델(10) 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 예측 모델(10) 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 예측 모델(10) 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 예측 모델(10) 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 예측 모델(10)을 구성하는 노드들을 의미할 수 있다. 본 발명의 일 실시예에 따른 예측 모델(10)은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 예측 모델(10)일 수 있다.

예측 모델(10)은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fully connected layer)에 의해 출력될 수 있다.

다양한 실시예에서, 예측 모델(10)은 딥러닝(Deep learning) 모델일 수 있다.

딥러닝 모델(예: 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 예측 모델(10)을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다.

딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 네트워크 함수는 오토 인코더를 포함할 수도 있다. 여기서, 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다.

오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 또한, 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 보다 구체적으로, 뉴럴 네트워크의 학습은 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다.

먼저, 교사 학습의 경우 각각의 학습 데이터에 정답이 레이블링 되어있는 학습 데이터를 사용하며(즉, 레이블링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 레이블링 되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 레이블링 된 데이터 일 수 있다. 레이블링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 레이블을 비교함으로써 오류(error)가 계산될 수 있다.

다음으로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 상기의 방법에 따라 결정된 주행 계획에 따라 자율주행 차량(500)에 대한 자율주행 제어를 수행할 수 있다. 여기서, 컴퓨팅 장치(100)는 자율주행 차량(500) 내부에 구비되며, 자율주행 차량(500)에 대한 자율주행 제어만을 수행하는 형태로 구현될 수 있으나, 이에 한정되지 않고, 경우에 따라 컴퓨팅 장치(100)는 자율주행 차량(500) 외부에 별도로 구비되는 중앙 서버로서, 소정의 지역 내에 위치하는 모든 차량에 대한 자율주행 제어를 수행하는 형태로 구현될 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 네트워크(400)를 통해 사용자 단말(200)과 연결될 수 있으며, 사용자 단말(200)로 자율주행 차량(500)에 대한 주행 계획 정보를 제공할 수 있다.

여기서, 사용자 단말(200)은 내비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 태블릿 PC(Tablet PC)를 포함할 수 있으나, 이에 한정되지 않는다.

또한, 여기서, 네트워크(400)는 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미할 수 있다. 예를 들어, 네트워크(400)는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함할 수 있다.

또한, 여기서, 무선 데이터 통신망은 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등을 포함할 수 있으나, 이에 한정되지는 않는다.

일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 컴퓨팅 장치(100)와 연결될 수 있으며, 컴퓨팅 장치(100)가 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 수행하기 위해 필요한 각종 정보 및 데이터를 저장 및 관리하거나, 컴퓨팅 장치(100)가 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 수행함에 따라 생성되는 각종 정보 및 데이터를 제공받아 저장 및 관리할 수 있다. 예를 들어, 외부 서버(300)는 컴퓨팅 장치(100)의 외부에 별도로 구비되는 저장 서버일 수 있으나, 이에 한정되지 않는다. 이하, 도 2를 참조하여, 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 수행하는 컴퓨팅 장치(100)의 하드웨어 구성에 대해 설명하도록 한다.

도 2는 본 발명의 다른 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 수행하는 컴퓨팅 장치의 하드웨어 구성도이다.

도 2를 참조하면, 다양한 실시예에서, 컴퓨팅 장치(100)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서(110)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.

또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 컴퓨팅 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.

다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

버스(130)는 컴퓨팅 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(130)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(140)는 컴퓨팅 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.

스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 컴퓨팅 장치(100)를 통해 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정 프로세스를 수행하는 경우, 스토리지(150)는 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정 프로세스를 제공하기 위하여 필요한 각종 정보를 저장할 수 있다.

스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(151)은 메모리(120)에 로드될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.

일 실시예에서, 컴퓨터 프로그램(151)은 자율주행 차량 주변에 위치하는 복수의 로드 유저에 대한 예측 결과를 포함하는 제1 예측 정보를 생성하는 단계, 복수의 로드 유저 중 적어도 하나의 로드 유저에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하는 단계 및 생성된 제1 예측 정보와 생성된 제2 예측 정보를 이용하여 자율주행 차량에 대한 주행 계획을 결정하는 단계를 포함하는 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 3 내지 8을 참조하여, 컴퓨팅 장치(100)에 의해 수행되는 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법에 대해 설명하도록 한다.

도 3은 본 발명의 또 다른 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법의 순서도이다.

도 3을 참조하면, S110 단계에서, 컴퓨팅 장치(100)는 자율주행 차량(500)에 관한 정보 및 자율주행 차량(500)의 주변 환경에 관한 정보를 수집할 수 있고, 수집된 정보를 이용하여 입력 데이터를 생성할 수 있다.

예컨대, 컴퓨팅 장치(100)는 자율주행 차량(500) 또는 자율주행 차량(500)이 위치하는 지역에 구비된 센서를 통해 자율주행 차량(500) 및 자율주행 차량(500)의 주변 환경에 관한 정보를 수집할 수 있고, 수집된 정보를 이용하여 로드 유저 예측을 위한 입력 데이터를 생성할 수 있다.

여기서, 입력 데이터는 인지 정보 및 측위 정보를 포함할 수 있다.

먼저, 인지 정보는 자율주행 차량(500)을 기준으로 소정의 범위 내(예컨대, 센서의 스캔 범위 내)에 위치하는 모든 로드 유저(또는 수집된 정보를 기반으로 인지된 모든 로드 유저)에 대한 상태 정보를 의미할 수 있다. 예컨대, 인지 정보는 로드 유저들에 대한 위치, 방향, 크기, 속도 및 가속도 정보를 포함할 수 있다.

또한, 인지 정보는 로드 유저 각각에 대한 고유 번호 정보를 포함할 수 있다. 여기서, 로드 유저 각각에 대한 고유 번호 정보는 로드 유저를 지속적으로 추적 감시하기 위한 목적으로, 로드 유저마다 할당되는 고유의 식별 번호일 수 있다. 예컨대, 로드 유저 각각에 대한 고유 번호 정보는 로드 유저가 최초로 인지되는 시점에 로드 유저마다 각각 기 설정된 룰에 따라 부여되는 번호일 수 있으나, 이에 한정되지 않는다.

다음으로, 측위 정보는 자율주행 차량(500)에 대한 상태 정보를 의미할 수 있다. 예컨대, 측위 정보는 자율주행 차량(500)에 대한 위치, 방향, 크기, 속도 및 가속도 정보를 포함할 수 있으나, 이에 한정되지 않는다.

한편, 특정 로드 유저의 행동을 예측함에 있어서, 특정 로드 유저와 인접한 위치에 또 다른 로드 유저가 있는지 여부, 또 다른 로드 유저의 상태(위치, 방향, 크기, 속도 및 가속도)뿐만 아니라 도로의 특성이 함께 고려될 수 있다. 예컨대, 특정 로드 유저가 위치하는 지역이 제한속도 30km/h 이하로 주행해야 하는 어린이 보호구역인 경우, 특정 로드 유저 인근에 또 다른 로드 유저가 있는지 여부 및 또 다른 로드 유저의 상태와 관계없이 특정 로드 유저가 30km/h 이하의 속도로 주행할 것으로 예측할 수 있다. 또한, 특정 로드 유저가 소로(예컨대, 골목)에서 대로로 합류하는 지역에 위치하는 경우, 특정 로드 유저 인근에 또 다른 로드 유저가 있는지 여부 및 또 다른 로드 유저의 상태와 관계없이 특정 로드 유저가 합류 지점에서 일시 정차 후 출발할 것으로 예측할 수 있다.

이와 같이, 특정 로드 유저에 대한 행동을 예측함에 있어서, 도로의 특성 및 도로의 특성에 따른 통상적인 주행방법이 함께 고려될 수 있는 바, 입력 데이터는 지도 정보를 더 포함할 수 있으며, 이를 위해, 컴퓨팅 장치(100)는 지도 정보 즉, 도로의 특성 및 도로의 특성에 따른 통상적인 주행방법에 관한 정보가 포함된 정밀지도 데이터를 사전에 구축할 수 있다.

여기서, 지도 정보는 특정 지역에 대한 차선 및 차로 정보, 도로 정보(예: 교통약자보호구역, 어린이보호구역 등), 기준 경로, 타겟 속도, 상한 속도 및 양보가 필요한 지역 정보를 포함할 수 있으나, 이에 한정되지 않는다.

예컨대, 컴퓨팅 장치(100)는 도 4의 (A)에 도시된 바와 같이, 신호등이 있는 교차로의 정지 구역이나 양보 합류 구역 등에 대하여, 차량의 상태에 따른 주행 방법(예컨대, 정차 또는 계속운전)을 정의하는 지도 정보를 생성하고, 생성된 지도 정보를 정밀지도 데이터 상에 기록할 수 있다.

또한, 컴퓨팅 장치(100)는 도 4의 (B)에 도시된 바와 같이, 소로(예: 골목길)에서 대로로 합류되는 도로 등 신호등이 없더라도 도로의 끝에서 정차 후 출발해야 하는 지역에 대하여, 도로의 특성에 따른 주행 방법(예컨대, 일시 정지 후 출발 등)을 정의하는 지도 정보를 생성하고, 생성된 지도 정보를 정밀지도 데이터 상에 기록할 수 있다.

또한, 컴퓨팅 장치(100)는 합류 지점에서 합류를 시도하는 차량보다 직진차량이 통행 우선권을 가진다는 점을 고려하여, 각 차로 별 우선순위를 정의하는 지도 정보를 생성하고, 생성된 지도 정보를 정밀지도 데이터 상에 기록할 수 있다.

한편, 특정 로드 유저의 행동을 예측함에 있어서, 자율주행 차량(500)의 주행 계획이 함께 고려될 수 있다. 예컨대, 특정 로드 유저가 자율주행 차량(500)의 후방에 위치할 경우, 자율주행 차량(500)이 감속하거나 주행 경로를 변경함에 따라 자율주행 차량(500)의 후방에 위치하는 특정 로드 유저의 행동 역시 달라질 수 있다.

이와 같이, 특정 로드 유저에 대한 행동을 예측함에 있어서, 자율주행 차량(500)의 움직임이 함께 고려될 수 있는 바, 입력 데이터는 자율주행 차량(500)에 대한 계획 정보를 더 포함할 수 있다.

여기서, 계획 정보는 자율주행 차량(500)에 대하여 기 결정된 주행 계획에 관한 정보를 의미할 수 있다. 예컨대, 계획 정보는 자율주행 차량(500)에 대하여 기 결정된 주행 경로 및 속력 프로파일을 포함할 수 있으나, 이에 한정되지 않는다.

즉, 입력 데이터는 인지 정보와 측위 정보를 포함하는 것을 기본으로 하되, 경우에 따라 로드 유저의 유무 및 로드 유저의 상태와 관계없이 도로의 특성에 따라 주행 방법이 예측 가능하다는 점을 고려하여, 도로의 특성에 따른 통상적인 주행 방법에 따라 로드 유저의 행동을 예측할 수 있도록 지도 정보를 더 포함할 수 있고, 경우에 따라 자율주행 차량(500)의 주행 계획이 인접한 로드 유저의 행동에 영향을 끼친다는 점을 고려하여 자율주행 차량(500)의 주행 계획에 따라 로드 유저의 행동을 예측할 수 있도록 계획 정보를 더 포함할 수 있다.

S120 단계에서, 컴퓨팅 장치(100)는 S110 단계를 거쳐 생성된 입력 데이터를 이용하여 제1 예측 정보를 생성할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 제1 예측 모델(예: 도 6 및 8의 11)을 이용하여 입력 데이터를 분석함에 따라 복수의 로드 유저 각각에 대한 예상 주행 계획을 예측할 수 있고, 예측된 예상 주행 계획에 관한 정보를 포함하는 제1 예측 정보를 생성할 수 있다(즉, 제1 예측 모델이 복수의 로드 유저에 대해 예측을 수행하여 제1 예측 정보를 생성할 수 있음).

여기서, 제1 예측 모델(11)은 입력 데이터를 분석함에 따라 인지된 모든 로드 유저에 대해 예상 주행 계획을 예측할 수 있는 모델일 수 있다. 이때, 모든 로드 유저에 대한 예상 주행 계획을 정밀하게 예측할 경우, 연산에 많은 시간이 소요됨에 따라 자율주행 차량(500)의 주행 계획 결정이 지연될 수 있고, 이러한 시간 지연이 자율주행 차량(500)의 제어에 영향을 끼칠 수 있는 바, 제1 예측 모델(11)은 연산에 소요되는 시간과 데이터 처리량이 작은 모델로 채택될 수 있다.

일 실시예로, 제1 예측 모델(11)은 알고리즘을 기반으로 로드 유저의 상태를 예측하는 모델 즉, 룰 베이스 모델, 예컨대, 사전에 복수의 룰(if-then)이 정의되고, 알고리즘을 통해 사전에 정의된 복수의 룰에 따라 로드 유저에 대한 상태를 예측하는 모델일 수 있으나, 이에 한정되지 않는다.

또한, 여기서, 로드 유저에 대한 예상 주행 계획은 로드 유저의 예상 주행 경로 및 예상 속력 프로파일을 포함할 수 있다. 예컨대, 컴퓨팅 장치(100)는 제1 예측 모델을 기반으로, 로드 유저에 대한 향후 소정 기간 동안의 예상 주행 경로와 속력 프로파일을 예측할 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 로드 유저에 대한 예상 주행 경로를 예측하되, 정밀지도 데이터에 기록된 복수의 기준 경로 정보에 기초하여, 복수의 기준 경로 중 어느 하나의 기준 경로를 로드 유저에 대한 예상 주행 경로로 예측할 수 있다. 예컨대, 컴퓨팅 장치(100)는 특정 로드 유저의 위치에 기초하여 복수의 기준 경로 중 특정 로드 유저의 위치에 대응하는 기준 경로를 선택할 수 있다. 또한, 컴퓨팅 장치(100)는 특정 로드 유저의 위치에 대응하는 기준 경로가 둘 이상인 경우, 특정 로드 유저의 인지 정보에 기초하여 둘 이상의 기준 경로 중 어느 하나의 기준 경로를 선택할 수 있다.

이때, 컴퓨팅 장치(100)는 특정 로드 유저가 복수의 기준 경로 상에 위치하지 않은 경우, 특정 로드 유저의 위치가 가장 최단거리에 위치하는 기준 경로에 수렴하도록 특정 로드 유저의 예상 주행 경로를 예측할 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 로드 유저에 대한 예상 속력 프로파일을 예측하되, 정밀지도 데이터에 기록된 속도 정보에 기초하여 로드 유저에 대한 예상 속력 프로파일을 예측할 수 있다. 예컨대, 컴퓨팅 장치(100)는 특정 로드 유저에 대한 속력 프로파일을 예측하되, 보다 현실적인 예측을 위해 로드 유저의 최대 속도를 정밀지도 데이터에 포함된 상한 속도(upper speed limit)에 기초하여 예측할 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 로드 유저 중 어느 하나의 로드 유저에 대하여 복수의 예상 주행 계획이 예측되는 경우, 복수의 예상 주행 계획 각각의 가능성에 대응하는 확률 값을 산출할 수 있으며, 산출된 확률 값에 관한 정보를 포함하는 제1 예측 정보를 생성할 수 있다. 이때, 컴퓨팅 장치(100)는 복수의 예상 주행 계획 각각에 대하여 산출된 확률 값에 기초하여, 복수의 예상 주행 계획 중 적어도 하나의 예상 주행 계획(예컨대, 확률 값이 기준 값 미만인 예상 주행 계획)을 제외시킬 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 로드 유저 중 어느 하나의 로드 유저에 대하여 복수의 예상 주행 계획이 예측되는 경우, 자율주행 차량(500)에 대하여 기 결정된 주행 계획에 기초하여 복수의 예상 주행 계획 각각에 대한 중요도(예: 자율주행 차량(500)에 대한 주행 계획 결정 시 고려해야 하는 정도)를 산출할 수 있다.

예컨대, 컴퓨팅 장치(100)는 자율주행 차량(500)에 대하여 기 결정된 주행 계획에 기초하여 복수의 예상 주행 계획 중 자율주행 차량(500)의 주행 계획에 포함된 주행 경로와 중첩되는 예상 주행 경로를 포함하는 예상 주행 계획에 1을 부여하고, 자율주행 차량(500)의 주행 계획에 포함된 주행 경로와 중첩되지 않는 예상 주행 경로(예컨대, 자율주행 차량(500)의 후방에서 자율주행 차량(500)과 동일한 경로를 따라 주행하는 예상 주행 경로)를 포함하는 예상 주행 계획에 0을 부여할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 로드 유저 중 어느 하나의 로드 유저에 대하여 복수의 예상 주행 계획이 예측되는 경우, 복수의 예상 주행 계획 중 횡방향 가속도(예: 주행 방향과 수직인 방향으로의 가속도)가 특정 값 이상인 예상 주행 계획을 제외시킬 수 있다. 즉, 횡방향 가속도가 상당히 큰 경로는 현실적으로 주행이 불가능한 경로일 수 있기 때문에, 컴퓨팅 장치(100)는 횡방향 가속도를 고려하여 복수의 예상 주행 계획 중 현실적으로 주행이 불가능한 경로를 포함하는 예상 주행 계획을 필터링할 수 있다. 이때, 컴퓨팅 장치(100)는 복수의 예상 주행 계획의 횡방향 가속도가 모두 특정 값 이상임에 따라 복수의 예상 주행 계획 전체가 제외되는 경우, 복수의 예상 주행 계획 중 횡방향 가속도가 가장 낮은 값을 가지는 예상 주행 계획만을 선택할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 기 설정된 주기마다 수집되는 정보를 이용하여 제1 예측 정보를 생성할 수 있다. 예컨대, 컴퓨팅 장치(100)는 제1 시점에 수집된 정보를 통해 제1 입력 데이터를 생성하고, 제1 입력 데이터를 이용하여 복수의 로드 유저를 예측함으로써, 제1 시점에서의 제1 예측 정보를 출력할 수 있다. 또한, 컴퓨팅 장치(100)는 제1 시점 이후의 제2 시점에 수집된 정보를 통해 제2 입력 데이터를 생성하고, 제2 입력 데이터를 이용하여 복수의 로드 유저를 예측함으로써, 제2 시점에서의 제1 예측 정보를 출력할 수 있다.

이때, 컴퓨팅 장치(100)는 제1 입력 데이터와 제2 입력 데이터 간의 유사도가 기준값 미만인 경우 제2 입력 데이터를 이용하여 제2 시점에서의 제1 예측 정보를 출력하되, 제1 입력 데이터와 제2 입력 데이터 간의 유사도가 기준값 이상인 경우 제2 시점에서의 제1 예측 정보로서 제1 시점에서의 제1 예측 정보를 재출력할 수 있다.

즉, 컴퓨팅 장치(100)는 기 설정된 주기(예컨대, 정보의 수집 주기)에 따라 각각의 시점에 수집된 정보에 기초하여 제1 예측 정보를 생성하되, 상호 인접한 시점마다 수집되는 정보가 유사한 경우 즉, 입력 데이터에 포함되는 정보가 업데이트 되지 않은 것으로 판단되는 경우, 새로운 제1 예측 정보를 생성하지 않고 이전에 생성된 제1 예측 정보를 재출력할 수 있다.

S130 단계에서, 컴퓨팅 장치(100)는 S110 단계를 거쳐 생성된 입력 데이터를 이용하여 제2 예측 정보를 생성할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 제2 예측 모델(예: 도 6 및 도 8의 12)을 이용하여 입력 데이터에 포함된 복수의 로드 유저 각각에 대한 정보 중 적어도 하나의 로드 유저에 대한 정보만을 분석함에 따라 적어도 하나의 로드 유저에 대한 예상 주행 계획을 예측할 수 있고, 예측된 예상 주행 계획에 관한 정보를 포함하는 제2 예측 정보를 생성할 수 있다.

여기서, 제2 예측 모델(12)은 제1 예측 모델(11)과 상이한 모델일 수 있다. 예컨대, 제2 예측 모델(12)은 제1 예측 모델(11)과 같이 인지된 모든 로드 유저에 대한 예상 주행 계획을 예측하는 것이 아니라, 일부 중요한 로드 유저(인지된 복수의 로드 유저 중 일부 로드 유저로서 예컨대, 후술되는 관심객체)에 대해서만 보다 정밀하게 예측하는 모델일 수 있다(즉, 제2 예측 모델이 복수의 로드 유저 중 일부 로드 유저에 대해서만 예측을 수행하여 제2 예측 정보를 생성할 수 있음). 따라서, 제2 예측 모델(12)은 제1 예측 모델(11) 대비 연산에 소요되는 시간과 데이터 처리량이 상대적으로 큰 모델일 수 있으며, 이에 따라, 제2 예측 모델(12)이 생성한 제2 예측 정보는 제1 예측 모델(11)이 생성한 제1 예측 정보 대비 보다 정밀하고 정확한 예측 정보를 포함할 수 있다.

일 실시예로, 제2 예측 모델(12)은 데이터 학습을 기반으로 로드 유저의 상태를 예측하는 모델일 수 있으나, 이에 한정되지 않는다.

통상적으로 로드 유저에 대한 미래 행동을 예측하기 위해서는 로드 유저에 대한 궤적을 모델링하는 과정이 필수적이다. 이에 종래에는 로드 유저에 대한 궤적을 모델링하기 위해 로드 유저에 대한 동역학적인 특성을 기반으로 직접 설계하거나 은닉 마르코프 모델(Hidden Markov Model)과 같은 방법을 활용하였으나, 인공신경망 기반의 궤적 모델링 방법에 비해 유연성이 떨어진다는 단점이 있다.

한편, 공간계열에서 강점을 가지는 인공신경망 만을 이용하여 궤적을 모델링할 경우, 로드 유저를 안정적으로 검출할 수는 있지만, 시계열적 특성을 고려하지 않고 순간적인 시점에서의 로드 유저 판단에만 의존하기 때문에, 로드 유저에 대한 시계열적 특성 예컨대, 로드 유저들 간의 상호 작용 시 또는 특징적인 의도를 가지고 움직이는 경우 등에 취약하다는 단점이 있다.

이러한 점을 고려하여, 컴퓨팅 장치(100)는 공간계열 기반의 인공신경망(예컨대, CNNs 등)과 시계열 기반의 인공신경망(예컨대, RNNs, LSTM 등)이 결합된 제2 예측 모델(12)을 이용하여 로드 유저에 대한 예측을 수행할 수 있다.

일례로, 제2 예측 모델(12)은 로드 유저의 예상 궤적을 다양한 궤적 세트로 분류(classification)하는 모델이 적용될 수 있다(예컨대, Phan-Minh, Tung, et al. "Covernet: Multimodal behavior prediction using trajectory sets." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020. 참조).

다른 예로, 제2 예측 모델(12)은 궤적 분포 모드에 해당하는 고정된 미래 상태 시퀀스 앵커 세트를 활용하여, 앵커에 대한 이산 분포를 예측하고 각 앵커에 대해 불확실성과 함께 앵커 way-point에서 오프셋을 회귀하여 각 시간 단계에서 가우스 혼합을 산출하는 MultiPath 모델이 적용될 수 있다(예컨대, Chai, Yuning, et al. "Multipath: Multiple probabilistic anchor trajectory hypotheses for behavior prediction." arXiv preprint arXiv:1910.05449 (2019). 참조).

또 다른 예로, 제2 예측 모델(12)은 다양한 수의 로드 유저 간의 미래 상호 작용을 확률적으로 예측하는 모델이 적용될 수 있다(예컨대, Rhinehart, Nicholas, et al. "Precog: Prediction conditioned on goals in visual multi-agent settings." Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019. 참조).

또 다른 예로, 제2 예측 모델(12)은 장면(scene)에서 로드 유저 간의 상호 작용을 모델링하여 센서 데이터로부터 관계형 행동 예측의 문제를 해결하는 모델이 적용될 수 있다(예컨대, Casas, Sergio, et al. "Spagnn: Spatially-aware graph neural networks for relational behavior forecasting from sensor data." 2020 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2020. 참조).

또 다른 예로, 제2 예측 모델(12)은 장거리 모션 예측에 내재된 불확실성을 포착하여 로드 유저의 모션을 예측하는 모델이 적용될 수 있다(예컨대, Jain, Ajay, et al. "Discrete residual flow for probabilistic pedestrian behavior prediction." Conference on Robot Learning. PMLR, 2020. 참조).

또 다른 예로, 제2 예측 모델(12)은 각 로드 유저의 주변 컨텍스트를 래스터 이미지로 인코딩하고, 이를 입력으로 사용함으로써 가능한 궤적과 그에 대한 확률을 추정하는 딥러닝 모델이 적용될 수 있다(예컨대, Cui, Henggang, et al. "Multimodal trajectory predictions for autonomous driving using deep convolutional networks." 2019 International Conference on Robotics and Automation (ICRA). IEEE, 2019. 참조).

또 다른 예로, 제2 예측 모델(12)은 로드 유저의 운동학적으로 실현 가능한 모션을 예측하는 모델이 적용될 수 있다(에컨대, Cui, Henggang, et al. "Deep kinematic models for kinematically feasible vehicle trajectory predictions." 2020 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2020. 참조).

또 다른 예로, 제2 예측 모델(12)은 밀집된 교통 영상에서 로드 유저들의 단기 궤적을 예측하는 모델이 적용될 수 있다(예컨대, Chandra, Rohan, et al. "Traphic: Trajectory prediction in dense and heterogeneous traffic using weighted interactions." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019. 참조).

또 다른 예로, 제2 예측 모델(12)은 다중 채널 텐서를 사용하여 로드 유저(특히, 보행자)의 환경 정보를 표현하고, 이를 기반으로 보다 현실적인 궤적 예측을 수행하는 모델이 적용될 수 있다(예컨대, Chen, Kai, et al. "Pedestrian behavior prediction model with a convolutional LSTM encoder-decoder." Physica A: Statistical Mechanics and its Applications 560 (2020): 125132. 참조).

또 다른 예로, 제2 예측 모델(12)은 주변 상황을 이미지로 인코딩하여 입력 데이터로 사용함으로써 로드 유저에 대한 경로를 예측하는 모델이 적용될 수 있다(예컨대, Djuric, Nemanja, et al. "Short-term motion prediction of traffic actors for autonomous driving using deep convolutional networks." arXiv preprint arXiv:1808.05819 1.2 (2018): 6. 참조).

또 다른 예로, 제2 예측 모델(12)은 고화질 지도와 로드 유저 주변을 포함하는 조감도 이미지를 래스터화하여 입력으로 사용함으로써 로드 유저(특히, 행인, 자전거)의 경로를 예측하는 모델이 적용될 수 있다(예컨대, Chou, Fang-Chieh, et al. "Predicting motion of vulnerable road users using high-definition maps and efficient convnets." 2020 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2020. 참조).

또 다른 예로, 제2 예측 모델(12)은 인지 결과와 지도 정보를 그리드에 담고 시간 차원을 추가한 4D tensor를 인풋으로 사용하여 로드 유저의 경로를 예측하는 모델이 적용될 수 있다(예컨대, Hong, Joey, Benjamin Sapp, and James Philbin. "Rules of the road: Predicting driving behavior with a convolutional model of semantic interactions." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019. 참조).

또 다른 예로, 제2 예측 모델(12)은 IOC(Inverse optimal control)기반 순위 모델을 통해 로드 유저에 대한 다경로를 예측하는 CVAE 기반 샘플 생성 모델이 적용될 수 있다(예컨대, Lee, Namhoon, et al. "Desire: Distant future prediction in dynamic scenes with interacting agents." Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. 참조).

또 다른 예로, 제2 예측 모델(12)은 예측 대상 주변의 과거 궤적과 주변 지형지물 이미지를 입력 받아 인코딩한 후 예측 대상의 미래 궤적을 디코더로 출력하며, 적대적 생성 신경망으로 로드 유저에 대한 다경로의 불확실성을 예측하는 모델이 적용될 수 있다(예컨대, Zhao, Tianyang, et al. "Multi-agent tensor fusion for contextual trajectory prediction." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019. 참조).

또 다른 예로, 제2 예측 모델(12)은 로터리 등 특정 위치에서의 로드 유저에 대한 다경로 예측을 수행하는 모델이 적용될 수 있다(예컨대, Zyner, Alex, Stewart Worrall, and Eduardo Nebot. "Naturalistic driver intention and path prediction using recurrent neural networks." IEEE transactions on intelligent transportation systems 21.4 (2019): 1584-1594. 참조).

또 다른 예로, 제2 예측 모델(12)은 예측 대상의 진행 방향에 포함된 로드 유저와 상호 작용이 중요하다는 가정과 로드 유저의 타입에 따라 상호 작용이 다르다는 가정에 따라 디자인된 LSTM-CNN Hybrid 모델이 적용될 수 있다(예컨대, Chandra, Rohan, et al. "Traphic: Trajectory prediction in dense and heterogeneous traffic using weighted interactions." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019. 참조).

또 다른 예로, 제2 예측 모델(12)은 로드 유저의 타입에 따라 상호 작용이 다르다는 가정 하에, 인스턴스 레이어와 카테고리 레이어로 구성한 모델을 학습하여 예측을 수행하는 모델이 적용될 수 있다(예컨대, Ma, Yuexin, et al. "Trafficpredict: Trajectory prediction for heterogeneous traffic-agents." Proceedings of the AAAI conference on artificial intelligence. Vol. 33. No. 01. 2019. 참조).

또 다른 예로, 제2 예측 모델(12)은 주변 차량의 궤적과 자동차의 동작 예측에 기반한 경로 예측 모델이 적용될 수 있다(예컨대, Deo, Nachiket, and Mohan M. Trivedi. "Multi-modal trajectory prediction of surrounding vehicles with maneuver based lstms." 2018 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2018. 참조).

또 다른 예로, 제2 예측 모델(12)은 Convolutional social pooling으로 interaction context를 encoding하여 예측 대상 차량 과거 궤적 encoding 결과와 concat한 것을 decoder에서 multimodal trajectory로 출력하는 모델이 적용될 수 있다(예컨대, Deo, Nachiket, and Mohan M. Trivedi. "Convolutional social pooling for vehicle trajectory prediction." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2018. 참조).

이 밖에도, 제2 예측 모델(12)은 GCN(Graph convolutional networks)을 기반으로 하는 Vectornet 모델, LaneGCN 모델이 적용될 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 로드 유저 중 적어도 하나의 로드 유저를 관심객체(Object of interest)를 설정할 수 있고, 입력 데이터에 포함된 복수의 로드 유저에 관한 정보 중 관심객체에 관한 정보만을 분석함으로써 관심객체에 대한 예상 주행 계획을 예측할 수 있으며, 예측된 예상 주행 계획 즉, 관심객체에 대한 예상 주행 계획만을 포함하는 제2 예측 정보를 생성할 수 있다.

보다 구체적으로, 컴퓨팅 장치(100)는 복수의 로드 유저 중 자율주행 차량(500)의 주행 계획 결정에 영향을 끼치는 적어도 하나의 로드 유저를 선택할 수 있고, 선택된 적어도 하나의 로드 유저를 관심객체로 설정할 수 있다.

예컨대, 컴퓨팅 장치(100)는 후술되는 S140 단계를 거쳐, 제1 예측 정보와 제2 예측 정보를 기반으로 자율주행 차량(500)에 대한 주행 경로 및 주행 경로에 대한 복수의 속력 프로파일을 생성할 수 있고, 복수의 로드 유저에 대한 예측 결과를 기반으로 복수의 속력 프로파일 각각에 대한 비용 값을 산출(예: 비용함수 기반)하되, 복수의 로드 유저 중 비용 값 산출에 영향을 끼지는 적어도 하나의 로드 유저를 관심객체로 설정할 수 있다.

S140 단계에서, 컴퓨팅 장치(100)는 S120 단계를 거쳐 생성된 제1 예측 정보와 S130 단계를 거쳐 생성된 제2 예측 정보를 이용하여 자율주행 차량(500)에 대한 주행 계획을 결정할 수 있다. 이하, 도 5 내지 8을 참조하여, 컴퓨팅 장치(100)에 의해 수행되는 제1 실시예 또는 제2 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법에 대해 설명하도록 한다.

도 5는 제1 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 설명하기 위한 순서도이며, 도 6은 제1 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정과정을 도시한 도면이다.

도 5 및 도 6을 참조하면, S210 단계에서, 컴퓨팅 장치(100)는 제1 예측 정보를 생성할 수 있다. 예컨대, 컴퓨팅 장치(100)는 제1 예측 모델(11)을 통해 입력 데이터를 분석함으로써, 복수의 로드 유저에 대한 예측 결과를 포함하는 제1 예측 정보를 생성할 수 있다.

이때, 컴퓨팅 장치(100)는 측위 정보(자율주행 차량(500)의 측위 정보), 인지 정보(모든 로드 유저에 대한 인지 정보) 및 지도 정보를 이용하여 모든 로드 유저에 대한 행동을 예측하되, 로드 유저들에 대한 행동을 예측함에 있어서 자율주행 차량(500)에 대하여 기 결정된 주행 계획이 고려될 수 있는 바, 제1 예측 정보를 수행하기 이전에 수행된 프로세스에서 계획 모델(20)을 통해 결정된 제2 계획 정보를 함께 고려하여 제1 예측 정보를 생성할 수 있다.

여기서, 컴퓨팅 장치(100)에 의해 수행되는 제1 예측 정보 생성 방법은 도 3의 S120 단계에서 수행되는 제1 예측 정보 생성 방법과 동일, 유사한 형태로 구현될 수 있으나, 이에 한정되지 않는다.

S220 단계에서, 컴퓨팅 장치(100)는 S210 단계를 거쳐 생성된 제1 예측 정보를 이용하여 제1 계획 정보를 생성할 수 있다. 예컨대, 컴퓨팅 장치(100)는 계획 모델(20)을 통해 제1 예측 정보를 분석함으로써, 자율주행 차량(500)에 대한 중간 계획 정보로서 제1 계획 정보를 생성할 수 있다.

여기서, 제1 계획 정보는 자율주행 차량(500)에 대한 주행 경로 및 속력 프로파일뿐만 아니라, 복수의 로드 유저 중 자율주행 차량(500)에 대한 주행 경로 및 속력 프로파일 결정에 영향을 끼친 적어도 하나의 로드 유저에 관한 정보 즉, 관심객체에 관한 정보를 포함할 수 있다.

S230 단계에서, 컴퓨팅 장치(100)는 S220 단계를 거쳐 생성된 제1 계획 정보를 기반으로, 제2 예측 정보를 생성할 수 있다.

예컨대, 컴퓨팅 장치(100)는 제1 계획 정보에 포함된 적어도 하나의 로드 유저에 관한 정보(관심객체에 관한 정보)에 기초하여, 입력 데이터에 포함된 복수의 로드 유저에 관한 정보 중 관심객체에 관한 정보만을 추출하고, 제2 예측 모델(12)을 통해 추출된 관심객체에 관한 정보만을 분석함으로써, 관심객체에 대한 예측 결과를 포함하는 제2 예측 정보를 생성할 수 있다. 여기서, 컴퓨팅 장치(100)에 의해 수행되는 제2 예측 정보 생성 방법은 도 3의 S130 단계에서 수행되는 제2 예측 정보 생성 방법과 동일, 유사한 형태로 구현될 수 있으나, 이에 한정되지 않는다.

S240 단계에서, 컴퓨팅 장치(100)는 S210 단계를 거쳐 생성된 제1 예측 정보와 S230 단계를 거쳐 생성된 제2 예측 정보를 이용하여 제2 계획 정보를 생성할 수 있다.

예컨대, 컴퓨팅 장치(100)는 계획 모델(20)을 통해 제1 예측 정보 및 제2 예측 정보를 분석함으로써, 자율주행 차량(500)에 대한 최종 계획 정보로서 자율주행 차량(500)의 최종 주행 경로 및 최종 속력 프로파일을 포함하는 제2 계획 정보를 생성할 수 있다. 여기서, 컴퓨팅 장치(100)는 제1 예측 정보와 제2 예측 정보를 토대로 제2 계획 정보를 새롭게 생성하는 것으로 설명하고 있으나, 이에 한정되지 않고, 경우에 따라 제1 예측 정보와 제2 예측 정보에 기초하여 제1 계획 정보를 보정함으로써 제2 계획 정보를 생성할 수 있다.

도 7은 제2 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 설명하기 위한 순서도이며, 도 8은 제2 실시예에 따른 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정과정을 도시한 도면이다.

도 7 및 도 8을 참조하면, S310 단계에서, 컴퓨팅 장치(100)는 제1 예측 정보와 제2 예측 정보를 생성할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 제1 예측 모델(11)을 통해 입력 데이터를 분석함으로써, 복수의 로드 유저에 대한 예측 결과를 포함하는 제1 예측 정보를 생성할 수 있다. 여기서, 컴퓨팅 장치(100)에 의해 수행되는 제1 예측 정보 생성 방법은 도 3의 S120 단계 및 도 5의 S210 단계에서 수행되는 제1 예측 정보 생성 방법과 동일, 유사한 형태로 구현될 수 있으나, 이에 한정되지 않는다.

또한, 컴퓨팅 장치(100)는 제2 예측 모델(12)을 통해 입력 데이터를 분석함으로써, 복수의 로드 유저 중 특정 로드 유저에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성할 수 있다. 여기서, 컴퓨팅 장치(100)에 의해 수행되는 제2 예측 정보 생성 방법은 도 3의 S130 단계에서 수행되는 제2 예측 정보 생성 방법과 동일, 유사한 형태로 구현될 수 있으나, 이에 한정되지 않는다.

또한, 여기서, 특정 로드 유저는 컴퓨팅 장치(100)가 제2 예측 정보를 생성하는 동작을 수행하기 이전에 수행된 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정 프로세스를 통해 관심객체로 설정된 로드 유저와 동일한 로드 유저일 수 있다.

예컨대, 컴퓨팅 장치(100)는 제1 시점에 수집된 제1 정보에 기초하여 생성된 제1 입력 데이터 중 특정 로드 유저에 대응하는 정보만을 분석함에 따라 특정 로드 유저에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하되, 특정 로드는 제1 시점 이전의 제2 시점에 수집된 제2 정보에 기초하여 관심객체로 설정된 로드 유저와 동일한 로드 유저일 수 있다.

통상적으로, 복수의 로드 유저들에 대한 인지 정보는 상당히 짧은 시간마다 주기적으로 생성되기 때문에, 연달아 수행되는 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정 프로세스에서 관심객체로 설정된 로드 유저가 동일할 가능성이 매우 높다.

즉, 컴퓨팅 장치(100)는 연달아 수행되는 프로세스에서 관심객체가 동일할 가능성이 매우 높다는 점을 고려하여, 제1 예측 모델(11)을 통해 제1 예측 정보를 생성함과 동시에, 이전 프로세스에서 관심객체로 설정된 로드 유저의 정보에 기초하여 제2 예측 모델(12)을 통해 제2 예측 정보를 생성함으로써, 제1 예측 정보와 제2 예측 정보를 보다 빠르게 생성할 수 있고, 이를 통해, 자율주행 차량(500)에 대한 최종적인 주행 계획을 도출하는 시간을 단축시킬 수 있다.

S320 단계에서, 컴퓨팅 장치(100)는 S310 단계를 거쳐 생성된 제1 예측 정보와 제2 예측 정보를 이용하여 제2 계획 정보를 생성할 수 있다.

이때, 컴퓨팅 장치(100)는 제1 예측 정보에 기초하여 복수의 로드 유저 중 적어도 하나의 로드 유저를 관심객체로 설정하고, 관심객체로 설정된 적어도 하나의 로드 유저에 관한 정보를 제2 예측 모델(12)에 제공함으로써, 제2 예측 모델(13)이 다음 프로세스에서 적어도 하나의 로드 유저에 대한 예측 결과를 포함하는 제2 예측 정보를 생성하도록 할 수 있다.

전술한 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100 : 컴퓨팅 장치
200 : 사용자 단말
300: 외부 서버
400 : 네트워크
500 : 자율주행 차량

Claims (13)

1. 컴퓨팅 장치에 의해 수행되는 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법에 있어서,
   자율주행 차량 주변에 위치하는 복수의 로드 유저에 대한 예측 결과를 포함하는 제1 예측 정보를 생성하는 단계;
   상기 복수의 로드 유저 중 상기 자율주행 차량에 대한 주행 계획 결정에 영향을 끼치는 적어도 하나의 로드 유저에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하는 단계; 및
   상기 생성된 제1 예측 정보와 상기 생성된 제2 예측 정보를 이용하여 상기 자율주행 차량에 대한 주행 계획을 결정하는 단계를 포함하는,
   로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법.
2. 제1항에 있어서,
   상기 자율주행 차량 및 상기 자율주행 차량의 주변 환경에 관한 정보를 수집하고, 상기 수집된 정보를 이용하여 로드 유저 예측을 위한 입력 데이터를 생성하되, 상기 생성된 입력 데이터는 상기 복수의 로드 유저에 관한 정보를 포함하는 인지 정보, 상기 자율주행 차량에 관한 정보를 포함하는 측위 정보, 상기 자율주행 차량의 위치하는 영역에 관한 지도 정보 및 상기 자율주행 차량에 대하여 기 결정된 주행 계획에 관한 계획 정보 중 적어도 하나를 포함하는 것인, 단계를 더 포함하는,
   로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법.
3. 제2항에 있어서,
   상기 제1 예측 정보를 생성하는 단계는,
   알고리즘 기반의 제1 예측 모델을 이용하여 상기 생성된 입력 데이터를 분석함에 따라 상기 복수의 로드 유저 각각에 대한 예상 주행 계획 - 상기 생성된 예상 주행 계획은 예상 주행 경로 및 예상 속력 프로파일을 포함함 - 을 예측하는 단계; 및
   상기 예측된 예상 주행 계획을 포함하는 제1 예측 정보를 생성하는 단계를 포함하는,
   로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법.
4. 제3항에 있어서,
   상기 예상 주행 계획을 예측하는 단계는,
   상기 복수의 로드 유저 중 어느 하나의 로드 유저에 대하여 복수의 예상 주행 계획이 예측되는 경우, 상기 예측된 복수의 예상 주행 계획 각각의 가능성에 대응하는 확률 값을 산출하는 단계를 포함하는,
   로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법.
5. 제3항에 있어서,
   상기 예상 주행 계획을 예측하는 단계는,
   상기 복수의 로드 유저 중 어느 하나의 로드 유저에 대하여 복수의 예상 주행 계획이 예측되는 경우, 상기 자율주행 차량에 대하여 기 결정된 주행 계획에 기초하여 상기 예측된 복수의 예상 주행 계획 각각에 대한 중요도를 산출하는 단계를 포함하는,
   로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법.
6. 제3항에 있어서,
   상기 예상 주행 계획을 예측하는 단계는,
   상기 복수의 로드 유저 중 어느 하나의 로드 유저에 대하여 복수의 예상 주행 계획이 예측된 경우, 상기 예측된 복수의 예상 주행 계획 중 주행 방향과 수직인 방향으로의 가속도가 특정 값 이상인 예상 주행 계획을 제외시키되, 상기 예측된 복수의 예상 주행 계획 전체가 제외되는 경우 상기 예측된 복수의 예상 주행 계획 중 주행 방향과 수직인 방향으로의 가속도가 가장 낮은 예상 주행 계획만을 선택하는 단계를 포함하는,
   로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법.
7. 제2항에 있어서,
   상기 제1 예측 정보를 생성하는 단계는,
   제1 시점에 수집된 정보를 통해 생성된 제1 입력 데이터를 이용하여 제1 시점에서의 제1 예측 정보를 출력하고, 상기 제1 시점 이후의 제2 시점에 수집된 정보를 통해 생성된 제2 입력 데이터를 이용하여 제2 시점에서의 제1 예측 정보를 출력하되, 상기 제1 입력 데이터와 상기 제2 입력 데이터 간의 유사도가 기준값 이상인 경우 상기 제2 시점에서의 제1 예측 정보로서 상기 제1 시점에서의 제1 예측 정보를 재출력하는 단계를 포함하는,
   로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법.
8. 제2항에 있어서,
   상기 제2 예측 정보를 생성하는 단계는,
   데이터 학습 기반의 제2 예측 모델 - 상기 데이터 학습 기반의 제2 예측 모델은 공간계열 기반의 인공신경망과 시계열 기반의 인공신경망을 포함함 - 을 이용하여 상기 생성된 입력 데이터를 분석함에 따라 상기 적어도 하나의 로드 유저에 대한 예상 주행 계획 - 상기 생성된 예상 주행 계획은 예상 주행 경로 및 예상 속력 프로파일을 포함함 - 을 예측하는 단계; 및
   상기 예측된 예상 주행 계획을 포함하는 제2 예측 정보를 생성하는 단계를 포함하는,
   로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법.
9. 제2항에 있어서,
   상기 제2 예측 정보를 생성하는 단계는,
   상기 생성된 제1 예측 정보를 이용하여 관심객체(Object of interest)를 설정하는 단계; 및
   상기 생성된 입력 데이터 중 상기 설정된 관심객체에 관한 정보만을 분석함에 따라 상기 관심객체에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하는 단계를 포함하는,
   로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법.
10. 제9항에 있어서,
    상기 관심객체를 설정하는 단계는,
    상기 생성된 제1 예측 정보에 기초하여 상기 복수의 로드 유저 중 상기 자율주행 차량에 대한 주행 계획 결정에 영향을 끼치는 적어도 하나의 로드 유저를 관심객체로 설정하는 단계를 포함하는,
    로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법.
11. 제2항에 있어서,
    상기 제2 예측 정보를 생성하는 단계는,
    제1 시점에 수집된 제1 정보 중 특정 로드 유저에 대한 정보만을 분석함에 따라 상기 특정 로드 유저에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하되, 상기 특정 로드 유저는 상기 제1 시점 이전의 제2 시점에 수집된 제2 정보에 기초하여 설정된 관심객체와 동일한 로드 유저인, 단계를 포함하는,
    로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법.
12. 프로세서;
    네트워크 인터페이스;
    메모리; 및
    상기 메모리에 로드(load) 되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되,
    상기 컴퓨터 프로그램은,
    자율주행 차량 주변에 위치하는 복수의 로드 유저에 대한 예측 결과를 포함하는 제1 예측 정보를 생성하는 인스트럭션(instruction);
    상기 복수의 로드 유저 중 상기 자율주행 차량에 대한 주행 계획 결정에 영향을 끼치는 적어도 하나의 로드 유저에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하는 인스트럭션; 및
    상기 생성된 제1 예측 정보와 상기 생성된 제2 예측 정보를 이용하여 상기 자율주행 차량에 대한 주행 계획을 결정하는 인스트럭션을 포함하는,
    로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 수행하는 컴퓨팅 장치.
13. 컴퓨팅 장치와 결합되어,
    자율주행 차량 주변에 위치하는 복수의 로드 유저에 대한 예측 결과를 포함하는 제1 예측 정보를 생성하는 단계;
    상기 복수의 로드 유저 중 상기 자율주행 차량에 대한 주행 계획 결정에 영향을 끼치는 적어도 하나의 로드 유저에 대한 예측 결과만을 포함하는 제2 예측 정보를 생성하는 단계; 및
    상기 생성된 제1 예측 정보와 상기 생성된 제2 예측 정보를 이용하여 상기 자율주행 차량에 대한 주행 계획을 결정하는 단계를 포함하는 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법을 실행시키기 위하여 컴퓨팅 장치로 판독 가능한 기록매체에 저장된, 컴퓨터프로그램.

Images