KR102513365B1 - 차량의 자율주행을 위한 신호 정보 인지방법, 장치 및 컴퓨터프로그램 - Google Patents

차량의 자율주행을 위한 신호 정보 인지방법, 장치 및 컴퓨터프로그램 Download PDF

Info

Publication number
KR102513365B1
KR102513365B1 KR1020220102109A KR20220102109A KR102513365B1 KR 102513365 B1 KR102513365 B1 KR 102513365B1 KR 1020220102109 A KR1020220102109 A KR 1020220102109A KR 20220102109 A KR20220102109 A KR 20220102109A KR 102513365 B1 KR102513365 B1 KR 102513365B1
Authority
KR
South Korea
Prior art keywords
signal
information
traffic light
data
signal information
Prior art date
Application number
KR1020220102109A
Other languages
English (en)
Other versions
KR102513365B9 (ko
Inventor
정하욱
김희곤
박범준
김현건
Original Assignee
주식회사 라이드플럭스
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 라이드플럭스 filed Critical 주식회사 라이드플럭스
Priority to KR1020220102109A priority Critical patent/KR102513365B1/ko
Priority to PCT/KR2023/001371 priority patent/WO2024038984A1/ko
Application granted granted Critical
Publication of KR102513365B1 publication Critical patent/KR102513365B1/ko
Publication of KR102513365B9 publication Critical patent/KR102513365B9/ko

Links

Images

Classifications

    • 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
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input 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
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2420/42—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

차량의 자율주행을 위한 신호 정보 인지방법, 장치 및 컴퓨터프로그램이 제공된다. 본 발명의 다양한 실시예에 따른 차량의 자율주행을 위한 신호 정보 인지방법은 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 소정의 지역에 위치하는 신호등을 촬영함에 따라 생성된 복수의 이미지를 수집하는 단계, 상기 수집된 복수의 이미지 각각으로부터 복수의 신호 상태정보를 추출하는 단계 및 상기 추출된 복수의 신호 상태정보를 이용하여 상기 신호등에 대한 최종 신호 정보를 결정하는 단계를 포함한다.

Description

차량의 자율주행을 위한 신호 정보 인지방법, 장치 및 컴퓨터프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR RECOGNIZING TRAFFIC SIGNAL INFORMATION FOR AUTOMATIC DRIVING OF VEHICLE}
본 발명의 다양한 실시예는 차량의 자율주행을 위한 신호 정보 인지방법, 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.
여기서, 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.
예컨대, 자율주행 차량은 주변 환경을 인지하고, 인지 결과를 반영하여 주행 계획을 수립하며, 수집된 주행 계획대로 주행하도록 제어될 수 있는데, 여기서, 인지의 대상은 자율주행 차량의 주변에 위치하는 로드 유저(Road User)(예컨대, 자율주행 차량 주변의 차량, 오토바이, 자전거, 보행자 등 도로 위 사용자)뿐만 아니라, 신호등의 신호 상태도 포함될 수 있다.
한편, 자율주행 시스템은 신호등의 신호 상태를 인지하기 위해, 카메라 등의 촬상 장치를 통해 획득된 신호등의 이미지를 분석하여 신호등의 신호 상태를 인지하며, 매 순간(프레임)마다 획득된 신호등의 이미지를 분석하여 신호등의 신호 상태를 인지하는데, 특정 프레임에 대한 하나의 이미지를 분석할 경우 비정상적으로 튀는 결과가 나올 수 있어 인지 정확성 및 강건성을 보장하기 어렵다는 문제가 있다.
또한, 역광, 악천후, 카메라 성능 저하 등으로 인해 특정 프레임의 이미지에 대한 오인지가 발생하더라도 이를 보정하지 않고 그대로 인지 결과로 출력하기 때문에 주행 계획에 반영하면 안전성을 확보할 수 없다는 문제가 있다.
또한, 신호등을 촬영함으로써 생성된 이미지 내에서 신호 상태를 나타내는 부분은 일부분임에도 불구하고, 종래의 자율주행 시스템은 신호등의 이미지 전체를 분석하여 신호등의 신호 상태를 인지하기 때문에 연산량, 연산속도 측면에서 비효율적이라는 문제가 있다.
본 발명이 해결하고자 하는 과제는 상술된 종래의 문제점을 해소하기 위한 목적으로, 신호등을 촬영함으로써 생성된 복수의 이미지를 이용하여 신호등의 신호를 인지함으로써, 인지 정확성 및 강건성을 보장할 수 있을 뿐만 아니라, 신호등에 대한 시계열적 정보(예컨대, 신호등의 신호 변경 시퀀스)를 고려하여 신호등에 대한 최종 신호 정보를 결정함으로써, 센서의 성능저하, 악천후, 역광 등 인지 성능에 영향을 받지 않고 보다 정확하고 강건한 신호 인지 결과를 도출할 수 있는 차량의 자율주행을 위한 신호 정보 인지방법, 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 차량의 자율주행을 위한 신호 정보 인지방법은 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 소정의 지역에 위치하는 신호등을 촬영함에 따라 생성된 복수의 이미지를 수집하는 단계, 상기 수집된 복수의 이미지 각각으로부터 복수의 신호 상태정보를 추출하는 단계 및 상기 추출된 복수의 신호 상태정보를 이용하여 상기 신호등에 대한 최종 신호 정보를 결정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 복수의 신호 상태정보를 추출하는 단계는, 상기 소정의 지역에 대응하는 정밀지도 데이터에 기록된 상기 신호등의 위치 정보 및 자율주행 차량의 측위 정보에 기초하여, 상기 수집된 복수의 이미지 각각에서의 신호등 영역을 식별하는 단계, 상기 수집된 복수의 이미지 각각으로부터 상기 식별된 신호등 영역만을 추출하여 복수의 신호등 이미지를 생성하는 단계 및 상기 생성된 복수의 신호등 이미지 각각을 분석하여 상기 복수의 신호 상태정보를 추출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 복수의 신호 상태정보를 추출하는 단계는, 기 학습된 신호 분류 모델을 이용하여 상기 수집된 복수의 이미지 중 제1 이미지를 분석함에 따라 상기 제1 이미지에 대한 제1 신호 상태정보를 추출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제1 신호 상태정보를 추출하는 단계는, 상기 기 학습된 신호 분류 모델을 이용하여 상기 제1 이미지를 분석함에 따라 상기 제1 이미지에 포함된 상기 신호등의 신호를 기 설정된 복수의 신호 클래스 중 어느 하나의 신호 클래스로 분류하는 단계, 사전에 정의된 확률점수 매트릭스 - 상기 사전에 정의된 확률점수 매트릭스는 상기 기 설정된 복수의 신호 클래스 각각에 대한 신호 상태별 확률점수가 기록된 매트릭스임 - 에 기초하여, 상기 분류된 어느 하나의 신호 클래스에 따라 상기 기 설정된 복수의 신호 클래스 각각에 확률점수를 부여하는 단계 및 상기 부여된 확률점수에 기초하여, 상기 제1 신호 상태정보로서 상기 기 설정된 복수의 신호 클래스 각각에 대한 확률점수를 포함하는 신호 클래스별 확률점수 정보를 추출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 최종 신호 정보를 결정하는 단계는, 상기 추출된 복수의 신호 상태정보를 이용하여, 기 설정된 복수의 신호 클래스 각각에 대한 확률점수를 부여하는 단계, 상기 기 설정된 복수의 신호 클래스 각각에 부여된 확률점수를 합산함으로써 상기 기 설정된 복수의 신호 클래스 각각에 대한 확률점수 합산 값을 산출하고, 상기 기 설정된 복수의 신호 클래스 중 상기 산출된 확률점수 합산 값이 가장 큰 신호 클래스에 대응하는 신호를 퓨전 신호 정보로 선정하는 단계 및 상기 선정된 퓨전 신호 정보를 이용하여 최종 신호 정보를 결정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 선정된 퓨전 신호 정보를 이용하여 최종 신호 정보를 결정하는 단계는, 제1 시점에서 결정된 최종 신호 정보가 제1 신호이고, 상기 제1 시점 이후 소정의 기간 동안 선정된 퓨전 신호 정보가 제2 신호인 경우, 상기 신호등의 신호 변경 시퀀스에 기초하여 상기 제1 신호에서 상기 제2 신호로의 변경이 가능한지 여부를 판단하는 단계 및 상기 제1 신호에서 상기 제2 신호로의 변경이 가능한지 여부에 따라 상기 제1 시점부터 소정의 기간 이후의 제2 시점에 대한 최종 신호 정보를 결정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제1 신호에서 상기 제2 신호로의 변경이 가능한지 여부를 판단하는 단계는, 상기 소정의 지역에 대응하는 정밀지도 데이터에 기록된 복수의 신호 변경 시퀀스 중 상기 신호등의 식별 정보와 매칭된 신호 변경 시퀀스를 로드하거나 별도의 자료 구조로 저장된 복수의 신호 변경 시퀀스 중 상기 신호등의 식별 정보와 매칭된 신호 변경 시퀀스를 로드하는 단계 및 상기 로드된 신호 변경 시퀀스를 이용하여 상기 제1 신호에서 상기 제2 신호로의 변경이 가능한지 여부를 판단하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제2 시점에 대한 최종 신호 정보를 결정하는 단계는, 상기 신호등의 신호 변경 시퀀스에 기초하여 상기 제1 신호에서 상기 제2 신호로의 변경이 가능한 것으로 판단되는 경우, 상기 제2 신호를 상기 제2 시점에 대한 최종 신호 정보로 결정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제2 시점에 대한 최종 신호 정보를 결정하는 단계는, 상기 신호등의 신호 변경 시퀀스에 기초하여 상기 제1 신호에서 상기 제2 신호로의 변경이 불가능한 것으로 판단되는 경우, 상기 제2 시점에 대한 최종 신호 정보를 상기 제1 신호로 유지시키는 단계 및 상기 제2 시점 이후 소정의 기간 동안 선정된 퓨전 신호 정보가 상기 제2 신호인 경우, 상기 제2 시점부터 소정의 기간 이후의 제3 시점에 대한 최종 신호 정보를 상기 제2 신호로 결정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 제2 시점부터 소정의 기간 이후의 제3 시점에 대한 최종 신호 정보를 상기 제2 신호로 결정하는 단계는, 상기 제2 시점 이후 소정의 기간 동안 선정된 퓨전 신호 정보가 상기 제2 신호인 경우, 상기 제2 시점부터 소정의 기간 이후의 최종 신호 정보를 알 수 없음 상태로 변경하고, 최종 신호 정보가 알 수 없음 상태로 변경된 시점부터 소정의 기간 이후인 상기 제3 시점에 선정된 퓨전 신호 정보가 상기 제2 신호인 경우, 상기 제3 시점에 대한 최종 신호 정보를 상기 제2 신호로 결정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 최종 신호 정보를 결정하는 단계는, 상기 추출된 복수의 신호 상태정보를 이용하여 입력 데이터를 생성하는 단계 및 상기 생성된 입력 데이터를 기 학습된 인공지능 모델에 입력하여, 결과 데이터로서 최종 신호 정보를 추출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 입력 데이터를 생성하는 단계는, 동일한 프레임에 대응하는 복수의 이미지로부터 추출된 복수의 신호 상태정보를 이용하여 1차원 데이터 구조를 가지는 복수의 제1 텐서(Tensor) 데이터를 생성하고, 상기 생성된 복수의 제1 텐서 데이터를 결합하여 2차원 데이터 구조를 가지는 하나의 제2 텐서 데이터를 생성하는 단계 및 서로 다른 복수의 프레임 각각에 대한 복수의 제2 텐서 데이터를 결합하여, 3차원 데이터 구조를 가지는 하나의 데이터 박스를 입력 데이터로서 생성하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 입력 데이터를 생성하는 단계는, 소프트맥스(softmax) 기반의 지수 함수를 이용하여 상기 추출된 복수의 신호 상태정보를 전처리함으로써, 상기 추출된 복수의 신호 상태정보 각각에 대응되는 신호 클래스별 확률점수 정보를 소정의 범위 내의 값으로 변환하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 기 학습된 인공지능 모델은, 복수의 신호등을 촬영함에 따라 수집된 복수의 이미지를 기반으로 생성된 학습 데이터를 이용하여 학습된 모델이며, 상기 학습 데이터는, 제1 신호등을 촬영함에 따라 수집된 복수의 이미지를 기반으로 제1 입력 데이터가 생성되고, 제2 신호등을 촬영함에 따라 수집된 복수의 이미지를 기반으로 제2 입력 데이터가 생성되는 경우, 상기 제1 입력 데이터와 상기 제2 입력 데이터, 상기 제1 입력 데이터의 제1 정답 데이터와 상기 제2 입력 데이터의 제2 정답 데이터를 포함하되, 상기 제1 입력 데이터와 상기 제2 입력 데이터 사이에 삽입된 패딩 박스(padding box)와 상기 제1 정답 데이터와 상기 제2 정답 데이터 사이에 삽입되고 상기 패딩 박스와 동일한 프레임인 패딩 스틱(padding stick)을 더 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 차량의 자율주행을 위한 신호 정보 인지방법을 수행하는 컴퓨팅 장치는 프로세서, 네트워크 인터페이스, 메모리 및 상기 메모리에 로드(load) 되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되, 상기 컴퓨터 프로그램은, 소정의 지역에 위치하는 신호등을 촬영함에 따라 생성된 복수의 이미지를 수집하는 인스트럭션(instruction), 상기 수집된 복수의 이미지 각각으로부터 복수의 신호 상태정보를 추출하는 인스트럭션 및 상기 추출된 복수의 신호 상태정보를 이용하여 상기 신호등에 대한 최종 신호 정보를 결정하는 인스트럭션을 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터프로그램은 컴퓨팅 장치와 결합되어, 소정의 지역에 위치하는 신호등을 촬영함에 따라 생성된 복수의 이미지를 수집하는 단계, 상기 수집된 복수의 이미지 각각으로부터 복수의 신호 상태정보를 추출하는 단계 및 상기 추출된 복수의 신호 상태정보를 이용하여 상기 신호등에 대한 최종 신호 정보를 결정하는 단계를 포함하는 차량의 자율주행을 위한 신호 정보 인지방법을 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, 신호등을 촬영함으로써 생성된 복수의 이미지를 이용하여 신호등의 신호를 인지함으로써, 인지 정확성 및 강건성을 보장할 수 있을 뿐만 아니라, 신호등에 대한 시계열적 정보(예컨대, 신호등의 신호 변경 시퀀스)를 고려하여 신호등에 대한 최종 신호 정보를 결정함으로써, 센서의 성능저하, 악천후, 역광 등 인지 성능에 영향을 받지 않고 보다 정확하고 강건한 신호 인지 결과를 도출할 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 차량의 자율주행을 위한 신호 정보 인지방법을 수행하는 컴퓨팅 장치의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 차량의 자율주행을 위한 신호 정보 인지방법의 순서도이다.
도 4는 다양한 실시예에서, 이미지로부터 신호 상태정보를 추출하는 방법을 설명하기 위한 순서도이다.
도 5는 다양한 실시예에서, 이미지로부터 신호등 영역을 추출하는 과정을 설명하기 위한 도면이다.
도 6은 다양한 실시예에서, 사전에 정의된 확률점수 매트릭스 및 이를 이용하여 신호 클래스별 확률점수 정보를 추출하는 과정을 설명하기 위한 도면이다.
도 7은 다양한 실시예에서, 룰 베이스 모델을 이용하여 최종 신호 정보를 생성하는 방법을 설명하기 위한 순서도이다.
도 8은 다양한 실시예에 적용 가능한 룰 베이스 모델을 도시한 도면이다.
도 9 및 도 10은 다양한 실시예에서 퓨전 신호 정보를 선정하는 과정을 설명하기 위한 도면이다.
도 11은 다양한 실시예에서, 신호등의 신호 변경 시퀀스에 기초하여 퓨전 신호 정보를 검증하는 과정을 설명하기 위한 도면이다.
도 12는 다양한 실시예에서, 인공지능 모델을 이용하여 최종 신호 정보를 생성하는 방법을 설명하기 위한 순서도이다.
도 13은 다양한 실시예에 적용 가능한 인공지능 모델을 도시한 도면이다.
도 14 및 도 15는 다양한 실시예에서, 인공지능 모델의 입력 데이터를 생성하는 과정을 설명하기 위한 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(10)에 대한 자율주행 제어를 위한 목적으로, 자율주행 차량(10)의 주변 환경을 인지할 수 있다. 예컨대, 컴퓨팅 장치(100)는 자율주행 차량(10)이 주행하는 소정의 지역에 위치하는 신호등의 신호 정보를 인지할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 소정의 지역에 위치하는 신호등에 대한 신호 정보를 인지할 수 있다. 예컨대, 컴퓨팅 장치(100)는 신호등을 촬영함에 따라 생성된 복수의 이미지를 분석하여 복수의 신호 상태정보를 추출할 수 있고, 추출된 복수의 신호 상태정보를 이용하여 신호등에 대한 최종 신호 정보를 결정할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 상기의 방법에 따라 결정된 최종 신호 정보를 이용하여 자율주행 차량(10)에 대한 주행 계획을 결정할 수 있고, 결정된 주행 계획에 따라 자율주행 차량(10)에 대한 자율주행 제어를 수행할 수 있다. 여기서, 컴퓨팅 장치(100)는 자율주행 차량(10) 내부에 구비되며, 자율주행 차량(10)에 대한 자율주행 제어만을 수행하는 형태로 구현될 수 있으나, 이에 한정되지 않고, 경우에 따라 컴퓨팅 장치(100)는 자율주행 차량(10) 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(10)에 관련한 정보(예컨대, 측위 정보, 인지 정보, 주행 계획 정보 등)를 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 차량의 자율주행을 위한 신호 정보 인지방법을 수행하기 위해 필요한 각종 정보 및 데이터를 저장 및 관리하거나, 컴퓨팅 장치(100)가 차량의 자율주행을 위한 신호 정보 인지방법을 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, 차량의 자율주행을 위한 신호 정보 인지방법을 수행하는 컴퓨팅 장치(100)의 하드웨어 구성에 대해 설명하도록 한다.
도 2는 본 발명의 다른 실시예에 따른 차량의 자율주행을 위한 신호 정보 인지방법을 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 차량의 자율주행을 위한 신호 정보 인지 프로세스를 수행하는 경우, 스토리지(150)는 차량의 자율주행을 위한 신호 정보 인지 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 소정의 지역에 위치하는 신호등을 촬영함에 따라 생성된 복수의 이미지를 수집하는 단계, 수집된 복수의 이미지 각각으로부터 복수의 신호 상태정보를 추출하는 단계 및 추출된 복수의 신호 상태정보를 이용하여 신호등에 대한 최종 신호 정보를 결정하는 단계를 포함하는 차량의 자율주행을 위한 신호 정보 인지방법을 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 15을 참조하여, 컴퓨팅 장치(100)에 의해 수행되는 차량의 자율주행을 위한 신호 정보 인지방법에 대해 설명하도록 한다.
도 3은 본 발명의 또 다른 실시예에 따른 차량의 자율주행을 위한 신호 정보 인지방법의 순서도이다.
도 3을 참조하면, S110 단계에서, 컴퓨팅 장치(100)는 복수의 이미지를 수집할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 소정의 지역에 위치하는 신호등을 촬영함에 따라 생성된 복수의 이미지를 수집할 수 있다.
예컨대, 자율주행 차량(10)은 복수의 카메라 모듈을 포함할 수 있으며, 복수의 카메라 모듈 각각을 동작시켜 신호등을 촬영함으로써, 신호등을 포함하는 복수의 이미지를 생성할 수 있고, 컴퓨팅 장치(100)는 복수의 카메라 모듈을 통해 생성된 복수의 이미지를 수집할 수 있다.
여기서, 복수의 이미지에 포함된 신호등은 동일한 신호등일 수 있으나, 이에 한정되지 않고, 경우에 따라 동일한 신호 정보를 출력하는 복수의 신호등(예컨대, 교차로 내에서 같은 신호를 출력하는 여러 개의 신호등)일 수 있다.
또한, 여기서, 컴퓨팅 장치(100)에 의해 수행되는 차량의 자율주행을 위한 신호 정보 인지방법은 특정 신호등을 포함하는 복수의 이미지를 분석하여 특정 신호등이 출력하고 있는 신호를 인지하기 위한 방법인 바, 복수의 이미지는 복수의 카메라 모듈을 동일한 시점에 동작시켜 동일한 시점에 특정 신호등을 촬영함으로써 생성되는 이미지 즉, 동일한 프레임의 이미지들 일 수 있다. 예컨대, 컴퓨팅 장치(100)는 제1 시점에서의 신호 정보를 인지하기 위하여 제1 시점에 생성된 복수의 이미지(예: 제1 프레임)를 수집할 수 있고, 제2 시점에서의 신호 정보를 인지하기 위한 목적으로 제2 시점에 생성된 복수의 이미지(예: 제2 프레임)를 수집할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 자율주행 차량(10)에 구비된 복수의 카메라 모듈을 이용하여 소정의 기간 동안 신호등을 촬영함으로써 생성된 복수의 동영상을 수집할 수 있으며, 수집된 복수의 동영상 각각에 대하여 동일한 프레임의 화면을 캡처함으로써 동일한 시점에 촬영된 복수의 이미지를 획득할 수 있다.
S120 단계에서, 컴퓨팅 장치(100)는 S110 단계를 거쳐 수집된 복수의 이미지를 각각 분석함에 따라 복수의 신호 상태정보를 추출할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 이미지 각각으로부터 신호등 영역만을 추출하고, 추출된 신호등 영역만을 분석하여 복수의 신호 상태정보를 추출할 수 있다. 즉, 컴퓨팅 장치(100)는 이미지 전체를 분석하는 것이 아니라, 이미지에 포함된 신호등 영역만을 분석함으로써, 연산량 및 연산속도 측면에서 보다 효율적으로 신호 상태정보를 추출할 수 있다. 이하, 도 4를 참조하여 구체적으로 설명하도록 한다.
도 4는 다양한 실시예에서, 이미지로부터 신호 상태정보를 추출하는 방법을 설명하기 위한 순서도이다.
도 4를 참조하면, S210 단계에서, 컴퓨팅 장치(100)는 소정의 지역에 위치하는 신호등을 촬영함에 따라 생성된 복수의 이미지를 이용하여 복수의 신호등 이미지를 생성할 수 있다.
보다 구체적으로, 먼저, 도 5를 참조하면, 컴퓨팅 장치(100)는 신호등을 포함하는 이미지(20)가 수집된 경우, 이미지(20)로부터 신호등 영역을 식별할 수 있다. 예컨대, 컴퓨팅 장치(100)는 소정의 지역에 대응하는 정밀지도 데이터에 기록된 신호등의 위치 정보 및 자율주행 차량(10)의 측위 정보(예컨대, 자율주행 차량(10)의 정밀지도 상의 위치, 자세, 속력 정보 등)에 기초하여, 이미지(20)에 포함된 신호등 영역을 식별할 수 있다.
여기서, 소정의 지역에 대한 정밀지도 데이터는, 소정의 지역을 주행하는 자율주행 차량(10)에 대한 주행 계획 결정을 위해 사전에 구축된 지도 데이터로서, 소정의 지역에 대한 차선 및 차로 정보, 도로 정보(예: 교통약자보호구역, 어린이보호구역 등), 기준 경로, 타겟 속도, 상한 속도 및 양보가 필요한 지역 정보뿐만 아니라, 소정의 지역 내에 설치된 신호등들의 위치 정보를 포함할 수 있다.
또한, 여기서 신호등의 위치 정보는 신호등의 위치를 가리키는 정보로서, 예컨대, 신호등의 위치에 대응하는 좌표 정보(예컨대, (X, Y, Z) 정보)를 포함하거나, 신호등의 위치에 대응하는 위도, 경도 및 고도 정보를 포함할 수 있으나, 이에 한정되지 않는다.
이후, 컴퓨팅 장치(100)는 이미지(20)로부터 식별된 신호등 영역만을 추출(crop)함으로써, 신호등 이미지(21, 22)를 생성할 수 있다. 이때, 컴퓨팅 장치(100)는 도 5에 도시된 바와 같이 하나의 이미지(20) 내에서 둘 이상의 신호등 영역이 식별된 경우, 둘 이상의 신호등 영역을 각각 추출하여 둘 이상의 신호등 이미지(21, 22)를 생성할 수 있으나, 이에 한정되지 않고, 경우에 따라 둘 이상의 신호등 영역 중 어느 하나의 신호등 영역만을 추출할 수 있다.
여기서, 하나의 이미지 내에서 특정 영역만을 추출(crop)하는 방법은 다양한 기술들이 공지되어 있고, 이러한 다양한 공지 기술들을 선택적으로 적용할 수 있는 바, 본 명세서에서는 신호등을 포함하는 이미지에서 신호등 영역만을 추출함으로써 신호등 이미지를 생성하는 구체적인 방법에 대해 한정하지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 신호등의 위치를 가리키는 좌표 정보를 이미지(20)의 좌표 정보에 맞춰 변환 및 캘리브레이션(Calibration) 함으로써 이미지(20)에 포함된 신호등 영역을 식별할 수 있고, 이미지(20)로부터 신호등 영역만을 추출하여 신호등 이미지를 생성할 수 있다.
이때, 신호등의 위치를 가리키는 좌표 정보를 변환 및 캘리브레이션 하는 과정에서 오차가 발생될 경우, 이미지(20)에 포함된 신호등 영역을 정확하게 식별하지 못하게 되고, 이에 따라, 신호등 영역을 포함하지 않거나 신호등의 적어도 일부 영역만을 포함하는 신호등 이미지가 생성될 수 있는 바, 컴퓨팅 장치(100)는 이미지(20)로부터 식별된 신호등 영역보다 소정의 크기 더 큰 범위의 영역을 추출할 수 있다.
S220 단계에서, 컴퓨팅 장치(100)는 S210 단계를 거쳐 생성된 복수의 신호등 이미지를 분석함으로써 복수의 신호 상태정보를 추출할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 기 학습된 신호 분류 모델을 이용하여 복수의 신호등 이미지를 분석함으로써, 복수의 신호등 이미지 각각에 대한 복수의 신호 상태정보를 추출할 수 있다.
여기서, 기 학습된 신호 분류 모델은 기 설정된 복수의 신호 클래스 중 어느 하나의 신호 클래스에 대한 정보가 레이블링된 신호등 이미지를 학습 데이터로 하여 기 학습된 모델일 수 있으며, 특정 신호등 이미지를 입력받아 특정 신호등 이미지를 기 설정된 복수의 신호 클래스 중 어느 하나의 신호 클래스로 분류하는 모델(예컨대, CNN, MLP 등) 일 수 있다.
또한, 여기서, 기 설정된 복수의 신호 클래스는 예컨대, 알 수 없음(Unknown), Off, 적색 신호(Red, R), 황색 신호(Yellow, Y), 녹색 신호(Green, G), 적색 및 황색 신호(Red Yellow, RY), 적색 및 좌회전 신호(Red Left, RL), 황색 및 좌회전 신호(Yellow Left, YL), 황색 및 녹색 신호(Yellow Green, YG), 녹색 및 좌회전 신호(Green Left, GL)를 포함할 수 있으나, 이에 한정되지 않는다.
다른 예로, 기 설정된 복수의 신호 클래스는 적색 신호 on, 적색 신호 off, 황색 신호 on, 황색 신호 off, 녹색 신호 on, 녹색 신호 off, 좌회전 신호 on, 좌회전 신호 off, 기타 신호(유턴 신호, 버스 신호, 우측 화살표 신호 등) on, 기타 신호 off를 포함할 수 있으며, 이처럼 기 설정된 복수의 신호 클래스는 다양하게 설정될 수 있다.
신호 분류 모델(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.
신호 분류 모델 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, 신호 분류 모델이 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, 신호 분류 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 신호 분류 모델 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신호 분류 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신호 분류 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신호 분류 모델이 존재하는 경우, 두 개의 신호 분류 모델들은 서로 상이한 것으로 인식될 수 있다.
신호 분류 모델을 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, 신호 분류 모델 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 신호 분류 모델 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신호 분류 모델 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 신호 분류 모델 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 신호 분류 모델을 구성하는 노드들을 의미할 수 있다. 본 발명의 일 실시예에 따른 신호 분류 모델은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신호 분류 모델일 수 있다.
신호 분류 모델은 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, 신호 분류 모델은 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 신호 분류 모델을 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 기 학습된 신호 분류 모델을 통해 특정 신호등 이미지를 분석함에 따라 특정 이미지에 대한 신호 상태정보로서, 기 설정된 복수의 신호 클래스 중 어느 하나의 신호 클래스로 분류한 결과를 추출할 수 있다.
S230 단계에서, 컴퓨팅 장치(100)는 역광, 악천후, 카메라 모듈의 성능 저하 등과 같은 변수로 인해 신호 분류 모델로부터 부정확한 결과가 추출될 수 있다는 점을 고려하여, 복수의 신호 상태정보를 가공함으로써, 신호 클래스별 확률점수 정보를 생성할 수 있다.
예컨대, 컴퓨팅 장치(100)는 신호 분류 모델을 이용하여 제1 이미지를 분석함에 따라 제1 이미지에 포함된 신호등의 신호가 복수의 신호 클래스 중 어느 하나의 신호 클래스로 분류된 경우, 사전에 정의된 확률점수 매트릭스에 기초하여 어느 하나의 신호 클래스에 따라 기 설정된 복수의 신호 클래스 각각에 확률점수를 부여함으로써, 복수의 신호 클래스 각각에 대한 확률점수를 포함하는 신호 클래스별 확률점수 정보 형태로 제1 이미지에 대한 신호 상태정보를 가공할 수 있다.
여기서, 사전에 정의된 확률점수 매트릭스는 도 6에 도시된 바와 같이 기 설정된 복수의 신호 클래스 각각에 대한 신호 상태별 확률점수가 기록된 매트릭스일 수 있으나, 이에 한정되지 않는다. 예컨대, 컴퓨팅 장치(100)는 제1 이미지에 대한 신호 상태정보가 적색 신호(R)인 경우, 제1 이미지에 대한 신호 상태정보에 따라 Unknown 0점, Off 0점, R 0.7점, Y 0.1점, G 0점, RY 0.05점, RL 0.05점, YL 0점, YG 0점 및 GL 0점을 부여함으로써 제1 이미지에 대한 신호 상태정보를 "(unknown, Off, R, Y, G, RY, RL, YL, YG, GL)=(0, 0, 0.7, 0.1, 0, 0.05, 0.05, 0, 0, 0)" 형태로 가공할 수 있다. 그러나, 이에 한정되지 않는다.
다시, 도 3을 참조하면, S130 단계에서, 컴퓨팅 장치(100)는 S120 단계를 거쳐 추출된 복수의 신호 상태정보를 이용하여 신호등에 대한 최종 신호 정보를 결정할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 룰 베이스 모델 및 인공지능 모델 중 적어도 하나의 모델을 이용하여 신호등에 대한 최종 신호 정보를 생성할 수 있다.
여기서, 룰 베이스 모델은 알고리즘을 기반으로 복수의 신호 상태정보를 분석함에 따라 최종 신호 정보를 결정하는 모델로, 사전에 복수의 룰(if-then)이 정의되고, 알고리즘을 통해 사전에 정의된 복수의 룰에 따라 최종 신호 정보를 결정하는 모델일 수 있다.
또한, 여기서, 인공지능 모델은 데이터 학습 기반으로 복수의 신호 상태정보를 분석함에 따라 최종 신호 정보를 결정하는 모델로, 복수의 신호 상태정보를 기반으로 생성된 입력 데이터와 정답 데이터(복수의 신호 상태정보에 따른 최종 신호 정보)를 학습 데이터로 하여 학습시킴으로써, 복수의 신호 상태정보를 입력받아 최종 신호 정보를 추출하는 모델일 수 있다. 이하, 도 7 내지 15를 참조하여 보다 구체적으로 설명하도록 한다.
도 7은 다양한 실시예에서, 룰 베이스 모델을 이용하여 최종 신호 정보를 생성하는 방법을 설명하기 위한 순서도이고, 도 8은 다양한 실시예에 적용 가능한 룰 베이스 모델을 도시한 도면이다.
도 7 및 도 8을 참조하면, 다양한 실시예에서, 컴퓨팅 장치(100)는 알고리즘 기반의 룰 베이스 모델(30)을 이용하여 신호등에 대한 최종 신호 정보를 생성할 수 있다.
S310 단계에서, 컴퓨팅 장치(100)는 복수의 신호 클래스 각각에 대한 확률점수를 산출할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 이미지(복수의 신호등 이미지)를 분석함에 따라 추출된 복수의 신호 상태정보를 이용하여, 복수의 신호 클래스 각각에 대한 점수를 부여할 수 있고, 복수의 신호 클래스 각각에 부여된 확률점수를 합산하여 복수의 신호 클래스 각각에 대한 확률점수 합산 값을 산출할 수 있다.
예컨대, 컴퓨팅 장치(100)는 도 9에 도시된 바와 같이 제1 내지 제5 이미지를 분석함에 따라 추출된 복수의 신호 상태정보가 각각 Unknown(제1 이미지), R(제2 내지 제4 이미지), Y(제5 이미지)이고, 복수의 신호 상태정보 각각을 가공함에 따라 생성된 신호 클래스별 확률점수 정보가 각각 "제1 이미지=(0.8, 0.2, 0, 0, 0, 0, 0, 0, 0, 0), 제2 내지 제4 이미지=(0, 0, 0.7, 0.1, 0, 0.05, 0.05, 0, 0, 0), 제5 이미지=(0, 0, 0.1, 0.7, 0, 0.05, 0.05, 0, 0, 0)" 인 경우, 각각의 신호 클래스별 확률점수 정보를 이용하여 복수의 신호 클래스 각각에 대한 확률점수를 부여 및 합산(복수의 신호 상태별 확률점수 정보를 병합)함으로써, 신호 클래스별 확률점수 합산 값을 산출(예컨대, "(0.8, 0.2, 2.2, 1.0, 0, 0.1, 0.1, 0, 0, 0)")할 수 있다.
S320 단계에서, 컴퓨팅 장치(100)는 S310 단계를 거쳐 산출된 확률점수 합산 값에 기초하여 퓨전 신호 정보를 생성할 수 있다. 예컨대, 컴퓨팅 장치(100)는 복수의 신호 클래스 중 확률점수 합산 값이 가장 큰 신호 클래스에 대응하는 신호를 퓨전 신호 정보로 선정할 수 있다. 예컨대, 컴퓨팅 장치(100)는 신호 클래스별 확률점수 합산 값이 도 9 및 10에 도시된 바와 같이 (0.8, 0.2, 2.2, 1.0, 0, 0.1, 0.1, 0, 0, 0)인 경우, 확률점수 합산 값이 가장 높은 신호 클래스인 R을 선택할 수 있고, 신호 클래스 R에 대응하는 신호인 적색 신호를 퓨전 신호 정보로 선정할 수 있다.
S330 단계에서, 컴퓨팅 장치(100)는 S320 단계를 거쳐 선정된 퓨전 신호 정보에 대한 검증을 수행할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제1 시점에서 결정된 최종 신호 정보가 제1 신호이고, 제1 시점 이후 소정의 기간 동안 선정된 퓨전 신호 정보가 제2 신호인 경우, 신호등의 신호 변경 시퀀스(Sequence)에 기초하여 제1 신호에서 제2 신호로의 변경이 가능한지 여부를 판단하고, 판단 결과에 기초하여 퓨전 신호 정보에 대한 검증을 수행할 수 있다.
통상적으로, 신호등은 신호 변경에 있어서 일정한 시퀀스를 가질 수 있다. 예컨대, 적색 신호에서 녹색 신호로 변경은 가능하나, 적색 신호에서 황색 신호로 변경되거나 녹색 신호에서 적색신호로 변경되는 경우는 없다. 이에, 컴퓨팅 장치(100)는 이러한 신호등의 신호 변경 시퀀스를 고려하여, 퓨전 신호 정보가 신호등의 신호 변경 시퀀스 상 가능한 것인지를 판단함으로써, 퓨전 신호 정보가 정확하게 선정된 것인지 검증할 수 있다.
여기서, 신호등의 신호 변경 시퀀스는 신호등의 종류(3구, 4구 등), 신호등의 설치 위치(삼거리 교차로, 사거리 교차로, 오거리 교차로 등)에 따라 상이한 바, 신호등의 신호 변경 시퀀스 정보는 신호등에 관한 정보(예컨대, 신호등의 위치 정보)와 매칭되어 정밀지도 데이터 상에 기록될 수 있으며, 컴퓨팅 장치(100)는 퓨전 신호 정보에 대한 검증이 필요할 경우, 정밀지도 데이터로부터 신호등의 신호 변경 시퀀스 정보를 로드할 수 있다. 그러나, 이에 한정되지 않고, 신호등의 신호 변경 시퀀스 정보는 신호등의 식별 정보(예컨대, ID 정보)와 매칭되어 별도의 자료 구조로 저장될 수 있다.
S340 단계에서, 컴퓨팅 장치(100)는 S330 단계를 거쳐, 신호등의 신호 변경 시퀀스 상 제1 시점에서 결정된 최종 신호 정보에서 제1 시점 이후 소정의 기간 동안 선정된 퓨전 신호 정보로의 변경이 가능한 것으로 판단되는 경우, 퓨전 신호 정보를 제1 시점부터 소정의 기간 이후인 제2 시점에 대한 최종 신호 정보로 결정할 수 있다.
예컨대, 컴퓨팅 장치(100)는 제1 시점의 최종 신호 정보(예컨대, 현재 자율주행 차량(10)의 제어에 반영된 신호 정보)가 제1 신호이고, 제1 시점으로부터 소정의 기간 동안 선정된 퓨전 정보가 제1 신호와 상이한 제2 신호인 경우, 신호등의 신호 변경 시퀀스 상 제1 신호에서 제2 신호로의 변경이 가능한지 여부를 판단할 수 있고, 제1 신호에서 제2 신호로의 변경이 가능한 것으로 판단되는 경우, 제2 신호를 최종 신호 정보로 결정할 수 있다.
보다 구체적으로, 도 11(A)를 참조하면, 먼저, 컴퓨팅 장치(100)는 제1 시점의 최종 신호 정보가 적색 신호(R)이고, 제1 시점 이후에 수집된 제1 프레임의 이미지들로부터 선정된 퓨전 신호 정보가 녹색 신호(G)인 경우 즉, 제1 시점의 최종 신호 정보와 제1 시점 이후의 퓨전 신호 정보가 상이한 경우, 신호등의 신호가 변경되었음을 인지할 수 있다.
이후, 컴퓨팅 장치(100)는 제1 프레임의 이미지들이 수집된 이후 소정의 기간 동안 수집된 프레임들의 이미지(예컨대, 제2 내지 제4 프레임의 이미지들)로부터 선정된 퓨전 신호 정보가 제1 시점의 최종 신호 정보와 상이하고, 제1 프레임의 이미지들로부터 선정된 퓨전 신호 정보와 계속 동일한 경우(즉, 계속 녹색 신호(G)가 퓨전 신호 정보로 선정되는 경우), 신호등의 신호 변경 시퀀스에 기초하여, 제1 시점의 최종 신호 정보인 적색 신호(R)에서 소정의 프레임 동안 선정된 퓨전 신호 정보인 녹색 신호(G)로 변경이 가능한지 여부를 판단할 수 있다.
여기서, 소정 기간 동안 수집된 프레임의 개수가 3개(제2 내지 제4프레임)인 것으로 설명하고 있으나, 이는 하나의 예시일 뿐 이에 한정되지 않고, 경우에 따라 소정 기간 동안 수집된 프레임의 개수는 1개, 2개 또는 4개 이상일 수 있다.
이후, 컴퓨팅 장치(100)는 신호등의 신호 변경 시퀀스 상 적색 신호(R)에서 녹색 신호(G)로 변경이 가능한 것으로 판단되는 경우, 제1 시점부터 소정의 기간 이후의 제2 시점에 대한 최종 신호 정보를 녹색 신호(G)로 결정할 수 있다.
S350 단계에서, 컴퓨팅 장치(100)는 S330 단계를 거쳐, 신호등의 신호 변경 시퀀스 상 제1 시점에서 결정된 최종 신호 정보에서 제1 시점 이후 소정의 기간 동안 선정된 퓨전 신호 정보로의 변경이 불가능한 것으로 판단되는 경우, 제1 시점부터 소정의 기간 이후인 제2 시점에 대한 최종 신호 정보를 제1 시점의 최종 신호 정보로 유지시킬 수 있다.
예컨대, 컴퓨팅 장치(100)는 제1 시점의 최종 신호 정보(예컨대, 현재 자율주행 차량(10)의 제어에 반영된 신호 정보)가 제1 신호이고, 제1 시점으로부터 소정의 기간 동안 선정된 퓨전 정보가 제1 신호와 상이한 제2 신호인 경우, 신호등의 신호 변경 시퀀스 상 제1 신호에서 제2 신호로의 변경이 가능한지 여부를 판단할 수 있고, 제1 신호에서 제2 신호로의 변경이 불가능한 것으로 판단되는 경우, 최종 신호 정보를 제1 신호로 유지시킬 수 있다.
보다 구체적으로, 도 11(B)를 참조하면, 먼저, 컴퓨팅 장치(100)는 제1 시점의 최종 신호 정보가 적색 신호(R)이고, 제1 시점 이후에 수집된 제1 프레임의 이미지들로부터 선정된 퓨전 신호 정보가 황색 신호(Y)인 경우 즉, 제1 시점의 최종 신호 정보와 제1 시점 이후의 퓨전 신호 정보가 상이한 경우, 신호등의 신호가 변경되었음을 인지할 수 있다.
이후, 컴퓨팅 장치(100)는 제1 프레임의 이미지들이 수집된 이후 소정의 기간 동안 수집된 프레임들의 이미지(예컨대, 제2 내지 제4프레임의 이미지들)로부터 선정된 퓨전 신호 정보가 제1 시점의 최종 신호 정보와 상이하고, 제1 프레임의 이미지들로부터 선정된 퓨전 신호 정보와 계속 동일한 경우(즉, 계속 황색 신호(Y)가 퓨전 신호 정보로 선정되는 경우), 신호등의 신호 변경 시퀀스에 기초하여, 제1 시점의 최종 신호 정보인 적색 신호(R)에서 소정의 프레임 동안 선정된 퓨전 신호 정보인 황색 신호(Y)로 변경이 가능한지 여부를 판단할 수 있다.
여기서, 소정의 기간 동안 수집된 프레임의 개수가 3개(제2 내지 제4프레임)인 것을 기준으로 설명하고 있으나, 상술된 바와 같이, 경우에 따라 소정 기간 동안 수집된 프레임의 개수는 1개, 2개 또는 4개 이상일 수 있다.
이후, 컴퓨팅 장치(100)는 신호등의 신호 변경 시퀀스 상 적색 신호(R)에서 황색 신호(Y)로 변경이 불가능한 것으로 판단되는 경우, 제1 시점부터 소정의 기간 이후의 제2 시점에 대한 최종 신호 정보를 적색 신호(R)로 유지시킬 수 있다.
한편, 컴퓨팅 장치(100)는 제2 시점 이후 소정의 기간 동안 선정된 퓨전 신호 정보(예컨대, 도 11(B)에 도시된 바와 같이 제4 프레임 이후 수집된 제5 내지 제8 프레임의 이미지들로부터 선정된 퓨전 신호 정보일 수 있으나, 이에 제한되지 않음)가 제2 신호인 황색 신호(Y)인 경우, 제2 시점부터 소정의 기간 이후의 제3 시점에 대한 최종 신호 정보를 황색 신호(Y)로 결정할 수 있다.
예컨대, 컴퓨팅 장치(100)는 신호등의 신호 변경 시퀀스 상 제1 신호에서 제2 신호로의 변경이 불가능한 것으로 판단되는 경우 최종 신호 정보를 제1 신호로 유지시키되, 최종 신호 정보를 제1 신호로 유지시킨 이후, 지속적으로 수집되는 프레임들의 이미지로부터 선정된 퓨전 신호 정보(예컨대, 도 11(B)에 도시된 바와 같이, 제5 및 제6 프레임의 이미지로부터 선정된 퓨전 신호 정보일 수 있으나, 이에 제한되지 않음)가 제2 신호인 경우, 제2 시점부터 소정의 기간 이후의 최종 신호 정보를 예컨대 알 수 없음 상태(Unknown)로 변경하고, 최종 신호 정보가 알 수 없음 상태로 변경된 이후에 수집된 이미지들로부터 선정되는 퓨전 신호 정보(예컨대, 도 11(B)에 도시된 바와 같이, 제6 프레임 이후에 수집된 제7 및 제8 프레임의 이미지로부터 선정된 퓨전 신호 정보일 수 있으나, 이에 제한되지 않음)를 최종 신호 정보로 결정할 수 있다.
즉, 컴퓨팅 장치(100)는 신호등의 신호 변경 시퀀스에 기초하여 신호의 변경이 가능한지 여부를 검증하고, 검증 결과에 따라 최종 신호 정보를 결정하는 것을 기본(default)으로 하되, 신호등의 신호 변경 시퀀스 상 불가능한 신호 변경임에도 불구하고 동일 신호가 지속적으로 인지될 경우, 지속적으로 인지되는 신호를 우선적으로 신뢰하도록 함으로써, 지속적으로 인지되는 동일 신호를 최종 신호 정보로 결정할 수 있다.
여기서, 신호등의 신호 변경 시퀀스 상 불가능한 신호 변경임에도 불구하고 지속적으로 제2 신호가 인지됨에 따라 최종 신호 정보를 알 수 없음 상태로 변경한 후 다시 제2 신호로 변경하는 것으로 설명하고 있으나, 이에 한정되지 않고, 최종 신호 정보가 알 수 없음 상태로 변경된 상태에서는 알 수 없음 상태로 변경된 시점 이후 프레임의 이미지로부터 선정된 퓨전 신호 정보에 기초하여 어떠한 신호로든 변경될 수 있다. 예컨대, 컴퓨팅 장치(100)는 최종 신호 정보가 알 수 없음 상태로 변경된 이후에 선정된 퓨전 신호 정보가 녹색 신호(G)인 경우, 최종 신호 정보가 알 수 없음 상태로 변경되기 이전에 선정된 퓨전 신호 정보와 관계없이 최종 신호 정보를 알 수 없음 상태에서 녹색 신호(G)로 변경할 수 있다. 또한, 컴퓨팅 장치(100)는 최종 신호 정보가 알 수 없음 상태로 변경된 이후에 선정된 퓨전 신호 정보가 적색 신호(R)인 경우, 최종 신호 정보가 알 수 없음 상태로 변경되기 이전에 선정된 퓨전 신호 정보와 관계없이 최종 신호 정보를 알 수 없음 상태에서 적색 신호(R)로 변경할 수 있다.
도 12는 다양한 실시예에서, 인공지능 모델을 이용하여 최종 신호 정보를 생성하는 방법을 설명하기 위한 순서도이며, 도 13은 다양한 실시예에 적용 가능한 인공지능 모델을 도시한 도면이다.
도 12 및 도 13을 참조하면, 다양한 실시예에서, 컴퓨팅 장치(100)는 데이터 학습 기반의 인공지능 모델(40)을 이용하여 신호등에 대한 최종 신호 정보를 생성할 수 있다
여기서, 인공지능 모델(40)은 최종 신호 정보가 레이블링된 복수의 신호 상태 정보(또는 복수의 신호 클래스별 확률점수 정보)를 학습 데이터로 하여 기 학습된 모델로, 신호 상태 정보(또는 신호 클래스별 확률점수 정보)를 입력으로 하여 결과로서 최종 신호 정보를 추출하는 모델일 수 있다. 예를 들어, 인공지능 모델(40)은 상기의 신호 분류 모델과 같이 딥러닝 모델(예컨대, 신호등의 신호 변경 시퀀스를 활용할 수 있는 시계열적 모델인 RNN, LSTM 등)일 수 있으나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 인공지능 모델(40)의 학습을 위한 학습 데이터를 생성할 수 있고, 생성된 학습 모델을 이용하여 인공지능 모델(40)을 학습시킬 수 있다.
여기서, 학습 데이터는 후술되는 입력 데이터 생성 방법(예: S410 단계)에 따라 복수의 신호등을 촬영함에 따라 수집된 복수의 이미지를 가공함으로써 생성된 입력 데이터와 입력 데이터에 대응하는 정답 데이터(예컨대, 입력 데이터에 대응하는 신호 정보)를 포함할 수 있다.
예컨대, 컴퓨팅 장치(100)는 특정 신호등을 촬영함으로써 생성된 복수의 이미지를 분석하여 추출된 복수의 신호 상태정보를 이용하여 입력 데이터를 생성할 수 있고, 특정 신호등의 신호 정보를 이용하여 정답 데이터를 생성할 수 있으며, 입력 데이터와 정답 데이터를 이용하여 인공지능 모델(40)에 대한 하나의 학습 데이터 셋을 생성할 수 있다. 그러나, 이에 한정되지 않고, 학습 데이터는 복수의 신호 상태정보 뿐만 아니라, 특정 신호등에 대한 신호 변경 시퀀스와 관련된 시계열적 정보를 더 포함할 수 있다.
또한, 컴퓨팅 장치(100)는 제1 신호등을 촬영함에 따라 수집된 복수의 이미지를 기반으로 제1 입력 데이터가 생성되고, 제2 신호등을 촬영함에 따라 수집된 복수의 이미지를 기반으로 제2 입력 데이터가 생성되는 경우, 제1 입력 데이터와 제2 입력 데이터를 결합하여 하나의 학습 데이터를 생성할 수 있다.
이때, 인공지능 모델(40)은 학습 데이터에 포함된 복수의 프레임에 대하여, 한 프레임씩 넘어가며 학습을 수행하는데, 도 15(A)에 도시된 바와 같이 서로 다른 신호등에 대응되는 제1 입력 데이터(50A)와 제2 입력 데이터(50B)를 결합함에 따라 제1 입력 데이터(50A)와 제2 입력 데이터(50B)가 연달아 위치할 경우, 제1 입력 데이터(50A)에 포함된 정보와 제2 입력 데이터(50B)에 포함된 정보가 동시에 입력될 수 있으며, 이에 따라 부정확한 학습이 수행될 수 있다는 문제가 있다.
이러한 점을 고려하여, 컴퓨팅 장치(100)는 도 15(B)에 도시된 바와 같이 제1 입력 데이터(50A)와 제2 입력 데이터(50B) 사이에 패딩 박스(padding box)(60)를 삽입할 수 있다. 또한, 컴퓨팅 장치(100)는 제1 입력 데이터(50A)에 대응하는 제1 정답 데이터와 제2 입력 데이터(50B)에 대응하는 제2 정답 데이터 사이에도 패딩 박스와 동일한 프레임인 패딩 스틱(padding stick)을 삽입할 수 있다.
즉, 서로 다른 신호등인 제1 신호등과 제2 신호등 각각을 촬영함에 따라 수집된 복수의 이미지를 기반으로 제1 입력 데이터(50A)와 제1 정답 데이터, 제2 입력 데이터(50B)와 제2 정답 데이터가 생성되는 경우, 인공지능 모델(40)의 학습 데이터는 제1 입력 데이터(50A), 제2 입력 데이터(50B) 및 제1 입력 데이터(50A)와 제2 입력 데이터(50B) 사이에 삽입된 패딩 박스(60)와 제1 정답 데이터, 제2 정답 데이터 및 제1 정답 데이터와 제2 정답 데이터 사이에 삽입된 패딩 스틱을 포함할 수 있다. 그러나, 이에 한정되지 않는다.
여기서, 패딩 박스 및 패딩 스틱에 포함된 정보는 모두 0일 수 있으나, 이에 한정되지 않는다.
S410 단계에서, 컴퓨팅 장치(100)는 인공지능 모델(40)에 대한 입력 데이터를 생성할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 데이터 박스(Logit Box) 형태의 입력 데이터를 생성할 수 있다.
보다 구체적으로, 먼저, 컴퓨팅 장치(100)는 동일한 프레임에 대응하는 복수의 이미지로부터 추출된 복수의 신호 상태정보를 이용하여 1차원 데이터 구조를 가지는 복수의 제1 텐서 데이터를 생성할 수 있고, 복수의 제1 텐서(Tensor) 데이터를 결합하여 2차원 데이터 구조를 가지는 하나의 제2 텐서 데이터(예: 도 14(A))를 생성할 수 있다.
예컨대, 컴퓨팅 장치(100)는 M개의 이미지로부터 추출된 M개의 신호 상태정보 각각이 N개의 신호 클래스 각각에 대한 확률점수를 포함하는 경우, Nx1 텐서 형태의 M개의 제1 텐서 데이터(Logit)를 생성할 수 있으며, M개의 제1 텐서 데이터를 결합함으로써 NxM 텐서 형태의 제2 텐서 데이터를 생성할 수 있다.
이후, 컴퓨팅 장치(100)는 서로 다른 복수의 프레임에 대응하는 복수의 이미지로부터 복수의 신호 상태정보가 추출된 경우, 서로 다른 복수의 프레임 각각에 대한 복수의 제2 텐서 데이터를 생성하고, 생성된 복수의 제2 텐서 데이터를 결합(예: 도 14(B))하여 3차원 데이터 구조를 가지는 하나의 데이터 박스(예: 도 14(C)의 50)를 입력 데이터로서 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 서로 다른 H개의 프레임 각각에 대응되는 M개의 이미지로부터 M개의 신호 상태정보(N개의 신호 클래스 각각에 대한 확률점수를 포함)가 추출되는 경우, H개의 NxM 형태의 제2 텐서 데이터를 결합함으로써, 입력 데이터로서 NxMxH 형태의 데이터 박스(Logit box)를 생성할 수 있다.
이때, 컴퓨팅 장치(100)는 복수의 제2 텐서 데이터를 결합하여 하나의 데이터 박스를 생성하되, 동일한 신호등을 촬영한 이미지들을 이용하여 생성된 텐서 데이터들을 결합하며, 동일한 신호등을 촬영한 순서에 따라 정렬하여 순차적으로 결합할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 소프트맥스(softmax) 기반의 지수 함수를 이용하여 복수의 신호 상태정보를 전처리함으로써, 복수의 신호 상태정보 각각에 대응되는 신호 클래스별 확률점수 정보를 소정의 범위 내의 값으로 변환할 수 있다. 즉, 컴퓨팅 장치(100)는 신호 클래스별 확률점수를 하기의 수학식 1에 따라 -1 내지 +1 범위 내의 값으로 변환함으로써, 인공지능 모델(40)의 성능을 향상시킬 수 있다.
<수학식 1>
Figure 112022085376524-pat00001
여기서,
Figure 112022085376524-pat00002
는 전처리된 n번째 신호 클래스의 확률점수 값,
Figure 112022085376524-pat00003
는 n번째 신호 클래스의 확률점수 값,
Figure 112022085376524-pat00004
은 신호 클래스의 개수를 의미할 수 있다.
S420 단계에서, 컴퓨팅 장치(100)는 S410 단계를 거쳐 생성된 입력 데이터를 기 학습된 인공지능 모델(40)에 입력함으로써, 결과로서 신호등에 대한 최종 신호 정보를 추출할 수 있다.
전술한 차량의 자율주행을 위한 신호 정보 인지방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 차량의 자율주행을 위한 신호 정보 인지방법은 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

Claims (16)

  1. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
    소정의 지역에 위치하는 신호등을 촬영함에 따라 생성된 복수의 이미지를 수집하는 단계;
    상기 수집된 복수의 이미지 각각으로부터 복수의 신호 상태정보를 추출하는 단계; 및
    상기 추출된 복수의 신호 상태정보를 이용하여 상기 신호등에 대한 최종 신호 정보를 결정하는 단계를 포함하며,
    상기 최종 신호 정보를 결정하는 단계는,
    상기 추출된 복수의 신호 상태정보를 이용하여, 기 설정된 복수의 신호 클래스 각각에 대한 확률점수를 부여하는 단계;
    상기 기 설정된 복수의 신호 클래스 각각에 부여된 확률점수를 합산함으로써 상기 기 설정된 복수의 신호 클래스 각각에 대한 확률점수 합산 값을 산출하고, 상기 기 설정된 복수의 신호 클래스 중 상기 산출된 확률점수 합산 값이 가장 큰 신호 클래스에 대응하는 신호를 퓨전 신호 정보로 선정하는 단계; 및
    상기 선정된 퓨전 신호 정보를 이용하여 최종 신호 정보를 결정하는 단계를 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  2. 제1항에 있어서,
    상기 복수의 신호 상태정보를 추출하는 단계는,
    상기 소정의 지역에 대응하는 정밀지도 데이터에 기록된 상기 신호등의 위치 정보 및 자율주행 차량의 측위 정보에 기초하여, 상기 수집된 복수의 이미지 각각에서의 신호등 영역을 식별하는 단계;
    상기 수집된 복수의 이미지 각각으로부터 상기 식별된 신호등 영역만을 추출하여 복수의 신호등 이미지를 생성하는 단계; 및
    상기 생성된 복수의 신호등 이미지 각각을 분석하여 상기 복수의 신호 상태정보를 추출하는 단계를 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  3. 제1항에 있어서,
    상기 복수의 신호 상태정보를 추출하는 단계는,
    기 학습된 신호 분류 모델을 이용하여 상기 수집된 복수의 이미지 중 제1 이미지를 분석함에 따라 상기 제1 이미지에 대한 제1 신호 상태정보를 추출하는 단계를 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  4. 제3항에 있어서,
    상기 제1 신호 상태정보를 추출하는 단계는,
    상기 기 학습된 신호 분류 모델을 이용하여 상기 제1 이미지를 분석함에 따라 상기 제1 이미지에 포함된 상기 신호등의 신호를 기 설정된 복수의 신호 클래스 중 어느 하나의 신호 클래스로 분류하는 단계;
    사전에 정의된 확률점수 매트릭스 - 상기 사전에 정의된 확률점수 매트릭스는 상기 기 설정된 복수의 신호 클래스 각각에 대한 신호 상태별 확률점수가 기록된 매트릭스임 - 에 기초하여, 상기 분류된 어느 하나의 신호 클래스에 따라 상기 기 설정된 복수의 신호 클래스 각각에 확률점수를 부여하는 단계; 및
    상기 부여된 확률점수에 기초하여, 상기 제1 신호 상태정보로서 상기 기 설정된 복수의 신호 클래스 각각에 대한 확률점수를 포함하는 신호 클래스별 확률점수 정보를 추출하는 단계를 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 선정된 퓨전 신호 정보를 이용하여 최종 신호 정보를 결정하는 단계는,
    제1 시점에서 결정된 최종 신호 정보가 제1 신호이고, 상기 제1 시점 이후 소정의 기간 동안에 선정된 퓨전 신호 정보가 제2 신호인 경우, 상기 신호등의 신호 변경 시퀀스에 기초하여 상기 제1 신호에서 상기 제2 신호로의 변경이 가능한지 여부를 판단하는 단계; 및
    상기 제1 신호에서 상기 제2 신호로의 변경이 가능한지 여부에 따라 상기 제1 시점부터 소정의 기간 이후의 제2 시점에 대한 최종 신호 정보를 결정하는 단계를 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  7. 제6항에 있어서,
    상기 제1 신호에서 상기 제2 신호로의 변경이 가능한지 여부를 판단하는 단계는,
    상기 소정의 지역에 대응하는 정밀지도 데이터에 기록된 복수의 신호 변경 시퀀스 중 상기 신호등의 식별 정보와 매칭된 신호 변경 시퀀스를 로드하거나 별도의 자료 구조로 저장된 복수의 신호 변경 시퀀스 중 상기 신호등의 식별 정보와 매칭된 신호 변경 시퀀스를 로드하는 단계; 및
    상기 로드된 신호 변경 시퀀스를 이용하여 상기 제1 신호에서 상기 제2 신호로의 변경이 가능한지 여부를 판단하는 단계를 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  8. 제6항에 있어서,
    상기 제2 시점에 대한 최종 신호 정보를 결정하는 단계는,
    상기 신호등의 신호 변경 시퀀스에 기초하여 상기 제1 신호에서 상기 제2 신호로의 변경이 가능한 것으로 판단되는 경우, 상기 제2 신호를 상기 제2 시점에 대한 최종 신호 정보로 결정하는 단계를 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  9. 제6항에 있어서,
    상기 제2 시점에 대한 최종 신호 정보를 결정하는 단계는,
    상기 신호등의 신호 변경 시퀀스에 기초하여 상기 제1 신호에서 상기 제2 신호로의 변경이 불가능한 것으로 판단되는 경우, 상기 제2 시점에 대한 최종 신호 정보를 상기 제1 신호로 유지시키는 단계; 및
    상기 제2 시점 이후 소정의 기간 동안 선정된 퓨전 신호 정보가 상기 제2 신호인 경우, 상기 제2 시점부터 소정의 기간 이후의 제3 시점에 대한 최종 신호 정보를 상기 제2 신호로 결정하는 단계를 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  10. 제9항에 있어서,
    상기 제2 시점부터 소정의 기간 이후의 제3 시점에 대한 최종 신호 정보를 상기 제2 신호로 결정하는 단계는,
    상기 제2 시점 이후 소정의 기간 동안 선정된 퓨전 신호 정보가 상기 제2 신호인 경우, 상기 제2 시점부터 소정의 기간 이후의 최종 신호 정보를 알 수 없음 상태로 변경하고, 최종 신호 정보가 알 수 없음 상태로 변경된 시점부터 소정의 기간 이후인 상기 제3 시점에 선정된 퓨전 신호 정보가 상기 제2 신호인 경우, 상기 제3 시점에 대한 최종 신호 정보를 상기 제2 신호로 결정하는 단계를 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  11. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
    소정의 지역에 위치하는 신호등을 동일한 시점에 촬영함에 따라 생성된 동일한 프레임의 복수의 이미지를 수집하는 단계;
    상기 수집된 복수의 이미지 각각으로부터 복수의 신호 상태정보를 추출하는 단계; 및
    상기 추출된 복수의 신호 상태정보를 이용하여 상기 신호등에 대한 최종 신호 정보를 결정하는 단계를 포함하며,
    상기 최종 신호 정보를 결정하는 단계는,
    상기 추출된 복수의 신호 상태정보를 이용하여 입력 데이터를 생성하는 단계; 및
    상기 생성된 입력 데이터를 기 학습된 인공지능 모델에 입력하여, 결과 데이터로서 최종 신호 정보를 추출하는 단계를 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  12. 제11항에 있어서,
    상기 입력 데이터를 생성하는 단계는,
    동일한 프레임에 대응하는 복수의 이미지로부터 추출된 복수의 신호 상태정보를 이용하여 1차원 데이터 구조를 가지는 복수의 제1 텐서(Tensor) 데이터를 생성하고, 상기 생성된 복수의 제1 텐서 데이터를 결합하여 2차원 데이터 구조를 가지는 하나의 제2 텐서 데이터를 생성하는 단계; 및
    서로 다른 복수의 프레임 각각에 대한 복수의 제2 텐서 데이터를 결합하여, 3차원 데이터 구조를 가지는 하나의 데이터 박스를 입력 데이터로서 생성하는 단계를 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  13. 제11항에 있어서,
    상기 입력 데이터를 생성하는 단계는,
    소프트맥스(softmax) 기반의 지수 함수를 이용하여 상기 추출된 복수의 신호 상태정보를 전처리함으로써, 상기 추출된 복수의 신호 상태정보 각각에 대응되는 신호 클래스별 확률점수 정보를 소정의 범위 내의 값으로 변환하는 단계를 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  14. 제11항에 있어서,
    상기 기 학습된 인공지능 모델은, 복수의 신호등을 촬영함에 따라 수집된 복수의 이미지를 기반으로 생성된 학습 데이터를 이용하여 학습된 모델이며,
    상기 학습 데이터는,
    제1 신호등을 촬영함에 따라 수집된 복수의 이미지를 기반으로 제1 입력 데이터가 생성되고, 제2 신호등을 촬영함에 따라 수집된 복수의 이미지를 기반으로 제2 입력 데이터가 생성되는 경우, 상기 제1 입력 데이터와 상기 제2 입력 데이터, 상기 제1 입력 데이터의 제1 정답 데이터와 상기 제2 입력 데이터의 제2 정답 데이터를 포함하되, 상기 제1 입력 데이터와 상기 제2 입력 데이터 사이에 삽입된 패딩 박스(padding box)와 상기 제1 정답 데이터와 상기 제2 정답 데이터 사이에 삽입되고 상기 패딩 박스와 동일한 프레임인 패딩 스틱(padding stick)을 더 포함하는,
    차량의 자율주행을 위한 신호 정보 인지방법.
  15. 프로세서;
    네트워크 인터페이스;
    메모리; 및
    상기 메모리에 로드(load) 되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되,
    상기 프로세서는,
    상기 컴퓨터프로그램에 포함된 하나 이상의 인스트럭션(instruction)을 실행함에 따라 제1항 또는 제11항의 방법을 수행하는,
    차량의 자율주행을 위한 신호 정보 인지방법을 수행하는 컴퓨팅 장치.
  16. 소프트웨어 모듈로 구현되어, 컴퓨팅 장치에 포함된 프로세서를 통해 실행됨에 따라,
    제1항 또는 제11항의 방법을 실행시키기 위하여 컴퓨팅 장치로 판독 가능한 기록매체에 저장된, 컴퓨터프로그램.
KR1020220102109A 2022-08-16 2022-08-16 차량의 자율주행을 위한 신호 정보 인지방법, 장치 및 컴퓨터프로그램 KR102513365B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220102109A KR102513365B1 (ko) 2022-08-16 2022-08-16 차량의 자율주행을 위한 신호 정보 인지방법, 장치 및 컴퓨터프로그램
PCT/KR2023/001371 WO2024038984A1 (ko) 2022-08-16 2023-01-31 차량의 자율주행을 위한 신호 정보 인지방법, 장치 및 컴퓨터프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220102109A KR102513365B1 (ko) 2022-08-16 2022-08-16 차량의 자율주행을 위한 신호 정보 인지방법, 장치 및 컴퓨터프로그램

Publications (2)

Publication Number Publication Date
KR102513365B1 true KR102513365B1 (ko) 2023-03-24
KR102513365B9 KR102513365B9 (ko) 2024-03-13

Family

ID=85872790

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220102109A KR102513365B1 (ko) 2022-08-16 2022-08-16 차량의 자율주행을 위한 신호 정보 인지방법, 장치 및 컴퓨터프로그램

Country Status (2)

Country Link
KR (1) KR102513365B1 (ko)
WO (1) WO2024038984A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180112997A1 (en) * 2017-12-21 2018-04-26 GM Global Technology Operations LLC Traffic light state assessment

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9534910B2 (en) * 2014-12-09 2017-01-03 Toyota Motor Engineering & Manufacturing North America, Inc. Autonomous vehicle detection of and response to yield scenarios
US9916703B2 (en) * 2015-11-04 2018-03-13 Zoox, Inc. Calibration for autonomous vehicle operation
US10019011B1 (en) * 2017-10-09 2018-07-10 Uber Technologies, Inc. Autonomous vehicles featuring machine-learned yield model

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180112997A1 (en) * 2017-12-21 2018-04-26 GM Global Technology Operations LLC Traffic light state assessment

Also Published As

Publication number Publication date
KR102513365B9 (ko) 2024-03-13
WO2024038984A1 (ko) 2024-02-22

Similar Documents

Publication Publication Date Title
US10902615B2 (en) Hybrid and self-aware long-term object tracking
EP3822852B1 (en) Method, apparatus, computer storage medium and program for training a trajectory planning model
CN113468978B (zh) 基于深度学习的细粒度车身颜色分类方法、装置和设备
CN111382686A (zh) 一种基于半监督生成对抗网络的车道线检测方法
US11987265B1 (en) Agent trajectory prediction using target locations
KR102143034B1 (ko) 객체의 미래 움직임 예측을 통한 동영상에서의 객체 추적을 위한 방법 및 시스템
US11970175B2 (en) System for obtaining a prediction of an action of a vehicle and corresponding method
Kawasaki et al. Multimodal trajectory predictions for autonomous driving without a detailed prior map
US20230368513A1 (en) Method and system for training a neural network
KR102333428B1 (ko) 인공지능 모델을 이용한 어군 탐지 방법, 장치 및 컴퓨터프로그램
CN116324902A (zh) 检测对象和确定对象的行为
KR102513365B1 (ko) 차량의 자율주행을 위한 신호 정보 인지방법, 장치 및 컴퓨터프로그램
KR102481367B1 (ko) 포인트 클라우드 데이터로부터 지표면 데이터를 생성하기 위한 인공지능 모델의 학습 방법, 장치 및 컴퓨터프로그램
Priya et al. Vehicle Detection in Autonomous Vehicles Using Computer Vision Check for updates
KR20220102294A (ko) 차량-인프라 간 광카메라 통신의 송신부 인식 장치 및 방법
KR102581969B1 (ko) 객체 인식률 향상을 위한 라이다 포인트 클라우드의 보간 방법, 장치 및 컴퓨터프로그램
KR102490011B1 (ko) 로드 유저 예측 기반 자율주행 차량의 주행 계획 결정방법, 장치 및 컴퓨터프로그램
KR102507906B1 (ko) 저용량 ndt 지도를 이용한 자율주행 차량의 측위 방법, 장치 및 컴퓨터프로그램
KR102672052B1 (ko) 비정상 데이터 탐지 및 이에 대한 대응 전략 수집이 가능한 분류 모델 생성방법, 장치 및 컴퓨터프로그램
KR102606632B1 (ko) 인공지능 기반 자율주행 차량의 주행 경로 보정방법, 장치 및 컴퓨터프로그램
Khosroshahi Learning, classification and prediction of maneuvers of surround vehicles at intersections using lstms
KR102597652B1 (ko) 3d 포인트 클라우드 군집화 및 딥러닝 융합 객체 검출 강화 인식방법, 장치 및 컴퓨터프로그램
KR102606630B1 (ko) 차량 인근의 장애물 예측 및 주행계획 수립을 위한 인공지능 모델을 이용한 점유 격자 지도 생성 방법, 장치 및 컴퓨터프로그램
Lakshmi Priya et al. Vehicle Detection in Autonomous Vehicles Using Computer Vision
KR102671815B1 (ko) 자율주행을 위한 객체 인지 방법, 장치 및 컴퓨터프로그램

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]