KR102518209B1

KR102518209B1 - 고스트 포인트 필터링

Info

Publication number: KR102518209B1
Application number: KR1020210027617A
Authority: KR
Inventors: 유 판; 토마스 코엘백 예스페르센
Original assignee: 모셔널 에이디 엘엘씨
Priority date: 2020-11-18
Filing date: 2021-03-02
Publication date: 2023-04-04
Also published as: GB202102140D0; CN114518566A; US20220157015A1; US11158120B1; DE102021128727A1; GB2601204A; KR20220068101A; CN114518566B

Abstract

무엇보다도, 환경에서 동작하는 차량의 깊이 센서에 관련된 거리 이미지를 획득하기 위한 기술이 설명된다. 제1 강도 임계치 이하의 강도를 갖는 제1 데이터 포인트가 거리 이미지에서 식별된다. 거리 이미지의 제1 영역에서 제2 강도 임계치 이상의 강도를 갖는 거리 이미지에서의 데이터 포인트의 제1 개수가 결정된다. 이어서, 데이터 포인트의 제1 개수가 영역 개수 임계치 이상인지 여부가 결정된다. 데이터 포인트의 제1 개수가 영역 개수 임계치 이상인 경우 제1 데이터 포인트가 거리 이미지로부터 제거된다. 그러면 거리 이미지에 적어도 부분적으로 기초하여 환경에서 차량을 동작시키는 것이 용이하게 된다. 다른 실시예가 설명되거나 청구될 수 있다.

Description

고스트 포인트 필터링{GHOST POINT FILTERING}

이 설명은 LiDAR(light detection and ranging) 시스템과 같은 ToF(time-of-flight) 시스템에 의해 생성된 포인트 클라우드로부터 고스트 포인트(ghost point)를 제거하는 것에 관한 것이다.

전형적으로, LiDAR와 같은 ToF 시스템은 ToF 데이터를 수집하고 해당 데이터에 관련된 포인트 클라우드를 생성할 것이다. 일부 경우에, 포인트 클라우드는 ToF 시스템의 송신기 또는 수신기 내에서의 반사 오류의 결과인 포인트를 포함할 수 있다. 본원에서의 설명에서, 이러한 포인트는 "고스트" 포인트라고 지칭되며, 이들이 포인트 클라우드에 존재하는 것은 종종 포인트 클라우드의 고스트 포인트 및 주변 포인트의 해석 및 프로세싱에서 오류를 유발한다. 예를 들어, 포인트 클라우드에 기초하여 장애물을 식별하는 자율 주행 차량(autonomous vehicle)은 포인트 클라우드 내의 고스트 포인트에 기초하여 대상체의 존재를 잘못 식별할 수 있으며, 이는 차량의 제어에 부정적인 영향을 미칠 수 있다.

도 1은 자율 주행 능력(autonomous capability)을 갖는 자율 주행 차량의 예를 도시한다.
도 2는 컴퓨터 시스템을 도시한다.
도 3은 자율 주행 차량에 대한 예시적인 아키텍처를 도시한다.
도 4는 인지 시스템에 의해 사용될 수 있는 입력 및 출력의 예를 도시한다.
도 5는 LiDAR 시스템의 예를 도시한다.
도 6은 동작 중인 LiDAR 시스템을 도시한다.
도 7은 LiDAR 시스템의 동작을 추가적으로 상세히 도시한다.
도 8은 실제 이미지와 ToF 시스템으로부터 결과될 수 있는 포인트 클라우드 간의 예시적인 비교를 도시한다.
도 9a 및 도 9b는 ToF 시스템의 예시적인 송신 구조물 및 수신 구조물을 묘사한다.
도 10은 고스트 포인트 영역의 예를 묘사한다.
도 11은 고스트 포인트 제거 필터에 의해 프로세싱하기 위한 거리 이미지(range image)의 예를 묘사한다.
도 12는 거리 이미지로부터 고스트 포인트를 제거하는 예시적인 고급 기술을 묘사한다.
도 13은 고스트 포인트 영역에 기초하여 고스트 포인트를 식별하고 제거하는 그래픽 예를 묘사한다.
도 14는 LiDAR 파이프라인의 예를 묘사한다.
도 15는 포인트 클라우드로부터 고스트 포인트를 식별하고 제거하는 것에 관련된 기술의 예를 묘사한다.

이하의 기술에서는, 설명을 위해, 본 개시에 대한 완전한 이해를 제공하기 위해 다수의 특정 세부 사항이 기재된다. 그렇지만, 본 개시가 이러한 특정 세부 사항 없이 실시될 수 있음이 명백할 것이다. 다른 경우에, 공지된 구조 및 디바이스는 본 개시를 불필요하게 모호하게 하는 것을 피하기 위하여 블록 다이어그램 형태로 도시된다.

도면에서, 설명을 용이하게 하기 위해, 디바이스, 시스템, 명령 블록 및 데이터 요소를 나타내는 것과 같은 개략적 요소의 특정 배열 또는 순서가 도시된다. 그렇지만, 본 기술 분야의 통상의 기술자라면, 도면에서의 개략적 요소의 특정 순서 또는 배열이 프로세싱의 특정한 순서 또는 시퀀스, 또는 프로세스의 분리가 요구됨을 암시한다는 것을 의미하지는 않는다는 점을 이해할 것이다. 게다가, 도면에 개략적 요소를 포함시키는 것은, 그러한 요소가 모든 실시예에서 요구됨을 암시한다는 것을 의미하지 않거나, 또는 그러한 요소에 의해 표현된 특징이 일부 실시예에서 포함되지 않을 수 있거나 다른 요소와 조합되지 않을 수 있음을 암시한다는 것을 의미하지 않는다.

또한, 도면에서, 2개 이상의 다른 개략적 요소 사이의 연결, 관계 또는 연관을 보여주기 위해 실선 또는 파선 또는 화살표와 같은 연결 요소가 사용되는 경우에, 임의의 그러한 연결 요소의 부재가 연결, 관계 또는 연관이 존재할 수 없다는 것을 암시하는 것을 의미하지 않는다. 환언하면, 요소들 사이의 일부 연결, 관계 또는 연관은 본 개시를 모호하게 하지 않기 위해 도면에 도시되어 있지 않다. 추가적으로, 예시를 용이하게 하기 위해, 요소들 사이의 다수의 연결, 관계 또는 연관을 나타내기 위해 단일의 연결 요소가 사용된다. 예를 들어, 연결 요소가 신호, 데이터 또는 명령의 통신을 나타내는 경우에, 본 기술 분야의 통상의 기술자라면, 그러한 요소가, 통신을 수행하기 위해 필요할 수 있는, 하나 또는 다수의 신호 경로(예를 들면, 버스)를 나타낸다는 것을 이해할 것이다.

그 예가 첨부된 도면에 예시된 실시예가 이제 상세하게 언급될 것이다. 이하의 상세한 설명에서, 다양한 기술된 실시예에 대한 완전한 이해를 제공하기 위해 많은 특정 세부 사항이 기재된다. 그렇지만, 다양한 기술된 실시예가 이러한 특정 세부 사항 없이 실시될 수 있다는 것이 본 기술 분야의 통상의 기술자에게 명백할 것이다. 다른 경우에, 실시예의 양태를 불필요하게 모호하게 하지 않기 위해 공지된 방법, 절차, 컴포넌트, 회로, 및 네트워크는 상세히 기술되지 않았다.

서로 독립적으로 또는 다른 특징들의 임의의 조합과 함께 각각 사용될 수 있는 여러 특징이 이하에 기술된다. 그렇지만, 임의의 개별 특징은 위에서 논의된 문제들 중 임의의 것을 해결할 수 없거나 또는 위에서 논의된 문제들 중 단지 하나만을 해결할 수 있다. 위에서 논의된 문제들 중 일부가 본원에 기술된 특징들 중 임의의 것에 의해 완전히 해결되지는 않을 수 있다. 비록 여러 표제가 제공되어 있더라도, 특정 표제에 관련되지만 해당 표제를 갖는 섹션에서 발견되지는 않는 정보가 본 설명의 다른 곳에서 발견될 수도 있다. 실시예는 이하의 개요에 따라 본원에 기술된다:

1. 일반적 개관

2. 시스템 개관

3. 자율 주행 차량 아키텍처

4. 자율 주행 차량 입력

5. 고스트 포인트 발생

6. 고스트 포인트 필터 기술

일반적 개관

차량(예컨대, 자율 주행 차량)은 차량에 또는 차량 상에 포함된 LiDAR 시스템 또는 어떤 다른 ToF 시스템(예를 들면, RADAR(radio detection and ranging) 또는 어떤 다른 시스템)에 의해 생성된 3차원(3D) 포인트 클라우드로부터 고스트 포인트를 제거하기 위해 고스트 포인트 필터를 사용하는 적어도 하나의 프로세서를 포함할 것이다. 위에서 언급된 바와 같이, 실제 대상체 반사에 대응하지 않고 오히려 광학 아티팩트의 결과인 고스트 포인트는 LiDAR 스캔 동안 LiDAR 시스템에 의해 캡처된 포인트 클라우드의 잘못된 포인트이다. 일 실시예에서, 고스트 포인트 필터는 포인트 클라우드에서 저강도 포인트(low-intensity point)(예를 들면, 낮은 수신 에너지를 갖는 광학 리턴(optical return)으로 간주될 수도 있는, 낮은 광학 강도(optical intensity)를 갖는 포인트)를 식별한다. 고스트 포인트 필터는 식별된 저강도 포인트에 상대적인 포인트 클라우드의 미리 정의된 영역 내의 고강도 포인트(high-intensity point)(예를 들면, 수신기를 포화시키는 광학 리턴으로 간주될 수도 있는, 높은 광학 강도를 갖는 포인트)의 수를 식별한다. 미리 정의된 영역 내의 고강도 포인트의 수에 기초하여, 저강도 포인트가 고스트 포인트로서 식별될 수 있고, 포인트 클라우드로부터 제거되거나 포인트 클라우드에 유지될 수 있다. 본원에서의 실시예가 LiDAR와 관련하여 기술될 것이지만, 다른 실시예가 어떤 다른 유형의 ToF 검출을 추가적으로 또는 대안적으로 포함할 것임이 이해될 것이다.

개시된 고스트 포인트 필터를 사용하여 고스트 포인트를 제거하는 장점은 포인트 클라우드의 정확도와, 정확한 포인트 클라우드에 부분적으로 의존하는 차량의 결과적인 동작이 개선된다는 것이다. 특히, 이러한 장점은 그렇지 않았으면 상당수의 LiDAR 시스템에 대한 고비용의 하드웨어 수정을 필요로 할 수 있는 소프트웨어 해결책을 통해 실현된다. 일 실시예에서, 소프트웨어 해결책은, 시스템의 초기 거리 이미지(range image)(예를 들면, LiDAR 시스템(들)에 의해 생성된 거리 이미지의 임의의 사후-프로세싱(post-processing) 이전의 거리 이미지)에 대해 동작하도록 설계되었기 때문에, 계산적으로 효율적인 것으로 인식될 것이다.

시스템 개관

도 1은 자율 주행 능력을 갖는 자율 주행 차량(AV)(100)의 예를 도시한다.

본원에서 사용되는 바와 같이, "자율 주행 능력"이라는 용어는, 완전한 자율 주행 차량, 고도의 자율 주행 차량, 및 조건부 자율 주행 차량을 제한 없이 포함하는, 실시간 인간 개입 없이 차량이 부분적으로 또는 완전하게 동작할 수 있게 하는 기능, 특징, 또는 설비를 지칭한다.

본원에서 사용되는 바와 같이, AV는 자율 주행 능력을 갖는 차량이다.

본원에서 사용되는 바와 같이, "차량"은 상품 또는 사람의 운송 수단을 포함한다. 예를 들어, 자동차, 버스, 기차, 비행기, 드론, 트럭, 보트, 선박, 잠수함, 비행선 등. 무인 자동차는 차량의 예이다.

본원에서 사용되는 바와 같이, "궤적"은 AV를 제1 시공간적 위치로부터 제2 시공간적 위치로 운행시키는 경로 또는 루트를 지칭한다. 일 실시예에서, 제1 시공간적 위치는 초기 또는 시작 위치라고 지칭되고 제2 시공간적 위치는 목적지, 최종 위치, 목표, 목표 위치, 또는 목표 장소라고 지칭된다. 일부 예에서, 궤적은 하나 이상의 세그먼트(예를 들면, 도로의 섹션)로 구성되고, 각각의 세그먼트는 하나 이상의 블록(예를 들면, 차선 또는 교차로의 부분)으로 구성된다. 일 실시예에서, 시공간적 위치는 현실 세계 위치에 대응한다. 예를 들어, 시공간적 위치는 사람을 태우거나 내려주고 또는 상품을 싣거나 내리는 픽업(pick up) 위치 또는 드롭 오프(drop-off) 위치이다.

본원에서 사용되는 바와 같이, "센서(들)"는 센서를 둘러싸는 환경에 관한 정보를 검출하는 하나 이상의 하드웨어 컴포넌트를 포함한다. 하드웨어 컴포넌트들 중 일부는 감지 컴포넌트(예를 들면, 이미지 센서, 생체 측정 센서), 송신 및/또는 수신 컴포넌트(예를 들면, 레이저 또는 라디오 주파수 파 송신기 및 수신기), 아날로그 대 디지털 변환기와 같은 전자 컴포넌트, 데이터 저장 디바이스(예컨대, RAM(random-access memory) 및/또는 비휘발성 스토리지), 소프트웨어 또는 펌웨어 컴포넌트, 및 ASIC(application-specific integrated circuit), 마이크로프로세서 및/또는 마이크로컨트롤러와 같은 데이터 프로세싱 컴포넌트를 포함할 수 있다.

본원에서 사용되는 바와 같이, "장면 묘사(scene description)"는 AV 차량 상의 하나 이상의 센서에 의해 검출되거나 AV 외부의 소스에 의해 제공되는 하나 이상의 분류된 또는 레이블링된 대상체를 포함하는 데이터 구조(예를 들면, 리스트) 또는 데이터 스트림이다.

본원에서 사용되는 바와 같이, "도로"는 차량에 의해 횡단될 수 있는 물리적 영역이고, 명명된 주요 도로(예를 들면, 도시 거리, 주간 프리웨이(interstate freeway) 등)에 대응할 수 있거나, 또는 명명되지 않은 주요 도로(예를 들면, 주택 또는 사무실 건물 내의 사유 도로, 주차장 섹션, 공터 섹션, 시골 지역의 비포장 경로 등)에 대응할 수 있다. 일부 차량(예를 들면, 4륜 구동 픽업 트럭, 스포츠 유틸리티 차량 등)은 차량 주행에 특히 적합하지 않은 다양한 물리적 영역을 횡단할 수 있기 때문에, "도로"는 임의의 지자체 또는 다른 정부 또는 행정처에 의해 주요 도로로서 공식적으로 규정되지 않은 물리적 영역일 수 있다.

본원에서 사용되는 바와 같이, "차선"은 차량에 의해 횡단될 수 있는 도로의 일 부분이다. 차선은 때때로 차선 마킹(lane marking)에 기초하여 식별된다. 예를 들어, 차선은 차선 마킹 사이의 공간의 대부분 또는 전부에 대응할 수 있거나, 또는 차선 마킹 사이의 공간의 단지 일부(예를 들면, 50% 미만)에 대응할 수 있다. 예를 들어, 멀리 이격된 차선 마킹을 갖는 도로는 차선 마킹들 사이에 둘 이상의 차량을 수용할 수 있음으로써, 하나의 차량이 차선 마킹을 횡단하지 않으면서 다른 차량을 추월할 수 있고, 따라서 차선 마킹들 사이의 공간보다 더 좁은 차선을 갖거나 차선 마킹들 사이에 2개의 차선을 갖는 것으로 해석될 수 있다. 차선은 차선 마킹의 부재 시에도 해석될 수 있다. 예를 들어, 차선은 환경의 물리적 특징부, 예를 들면, 시골 지역에서의 주요 도로를 따라 있는 바위 및 나무 또는, 예를 들면, 미개발 지역에서의 피할 자연 장애물에 기초하여 규정될 수 있다. 차선은 또한 차선 마킹 또는 물리적 특징부와 무관하게 해석될 수 있다. 예를 들어, 차선은 차선 경계로서 해석될 특징부가 달리 없는 영역에서 장애물이 없는 임의의 경로에 기초하여 해석될 수 있다. 예시적인 시나리오에서, AV는 들판 또는 공터의 장애물 없는 부분을 통해 차선을 해석할 수 있다. 다른 예시적인 시나리오에서, AV는 차선 마킹을 갖지 않는 넓은(예를 들면, 2개 이상의 차선을 위해 충분히 넓은) 도로를 통해 차선을 해석할 수 있다. 이 시나리오에서, AV는 차선에 관한 정보를 다른 AV에 통신할 수 있음으로써, 다른 AV가 동일한 차선 정보를 사용하여 그 자신들 간에 경로 계획을 조정할 수 있다.

"하나 이상"은 하나의 요소에 의해 수행되는 기능, 둘 이상의 요소에 의해, 예를 들어, 분산 방식으로, 수행되는 기능, 하나의 요소에 의해 수행되는 여러 기능, 여러 요소에 의해 수행되는 여러 기능, 또는 이들의 임의의 조합을 포함한다.

또한, 제1, 제2 등의 용어가, 일부 예에서, 다양한 요소를 기술하기 위해 본원에서 사용되고 있지만, 이러한 요소가 이러한 용어에 의해 제한되지 않아야 한다는 것이 이해될 것이다. 이러한 용어는 하나의 요소를 다른 요소와 구별하는 데만 사용된다. 예를 들어, 기술된 다양한 실시예의 범위를 벗어나지 않으면서, 제1 접촉은 제2 접촉이라고 지칭될 수 있고, 유사하게 제2 접촉은 제1 접촉이라고 지칭될 수 있다. 제1 접촉과 제2 접촉 둘 모두가 접촉이지만, 동일한 접촉은 아니다.

본원에 기술된 다양한 실시예의 설명에서 사용된 용어는 단지 특정한 실시예를 기술하기 위한 것이며, 제한하는 것으로 의도되지 않는다. 기술된 다양한 실시예 및 첨부된 청구항의 설명에서 사용되는 바와 같이, 단수형은, 문맥이 달리 명확히 표시하지 않는 한, 복수형을 포함하는 것으로 의도되어 있다. "및/또는"이라는 용어가, 본원에서 사용되는 바와 같이, 연관된 열거된 항목들 중 하나 이상의 항목의 임의의 및 모든 가능한 조합을 지칭하고 포함한다는 것이 또한 이해될 것이다. 게다가, "포함한다" 및/또는 "포함하는"이라는 용어가, 본 설명에서 사용될 때, 언급된 특징, 정수, 단계, 동작, 요소, 및/또는 컴포넌트의 존재를 명기하지만, 하나 이상의 다른 특징, 정수, 단계, 동작, 요소, 컴포넌트, 및/또는 그의 그룹의 존재 또는 추가를 배제하지 않는다는 것이 이해될 것이다.

본원에서 사용되는 바와 같이, "~ 경우"라는 용어는 선택적으로 문맥에 따라 "~할 때", 또는 "~시에" 또는 "결정에 응답하여" 또는 "검출에 응답하여"를 의미하는 것으로 해석된다. 마찬가지로, 문구 "~라고 결정되는 경우" 또는 "[언급된 조건 또는 이벤트]가 검출되는 경우"는 선택적으로 문맥에 따라, "결정할 시에" 또는 "결정에 응답하여" 또는 "[언급된 조건 또는 이벤트]의 검출 시에" 또는 "[언급된 조건 또는 이벤트]의 검출에 응답하여"를 의미하는 것으로 해석된다.

본원에서 사용되는 바와 같이, AV 시스템은 AV의 동작을 지원하는 하드웨어, 소프트웨어, 저장 데이터 및 실시간으로 생성된 데이터의 어레이와 함께 AV를 지칭한다. 일 실시예에서, AV 시스템은 AV 내에 포함된다. 일 실시예에서, AV 시스템은 여러 위치에 걸쳐 확산되어 있다. 예를 들어, AV 시스템의 소프트웨어 중 일부는 클라우드 컴퓨팅 환경 상에 구현된다.

일반적으로, 본원은 완전한 AV, 고도의 AV, 및 조건부 자율 주행 차량, 예컨대, 제각기 소위 레벨 5, 레벨 4 및 레벨 3 차량을 포함하는 하나 이상의 자율 주행 능력을 갖는 임의의 차량에 적용 가능한 기술을 개시한다(차량의 자율성의 레벨 분류에 대한 세부 사항은 참조에 의해 그 전체가 포함된, SAE 국제 표준 J3016: 온로드 자동차 자동 운전 시스템에 관한 용어의 분류 및 정의(Taxonomy and Definitions for Terms Related to On-128-172020-02-28 Road Motor Vehicle Automated Driving Systems) 참조). 또한, 본원에서 개시된 기술은 부분적 자율 주행 차량 및 운전자 보조 차량, 예컨대, 소위 레벨 2 및 레벨 1 차량에도 적용 가능하다(SAE 국제 표준 J3016: 온로드 자동차 자동 운전 시스템에 관한 용어의 분류 및 정의 참조). 일 실시예에서, 레벨 1, 레벨 2, 레벨 3, 레벨 4 및 레벨 5 차량 시스템 중 하나 이상은 센서 입력의 프로세싱에 기초하여 특정의 동작 조건 하에서 특정의 차량 동작(예를 들면, 조향, 제동, 및 맵 사용)을 자동화할 수 있다. 본 문서에서 설명된 기술은, 완전한 자율 주행 차량으로부터 인간 운전 차량에 이르는, 임의의 레벨에 있는 차량에 혜택을 줄 수 있다.

자율 주행 차량은 사람 운전자를 필요로 하는 차량보다 장점이 있다. 한 가지 장점은 안전성이다. 예를 들어, 2016년에, 미국은 9100억 달러의 사회적 비용으로 추정되는 600만 건의 자동차 사고, 240만 건의 부상, 4만 명의 사망자, 및 1300만 건의 차량 충돌을 경험했다. 1억 마일 주행당 미국 교통 사망자수는, 부분적으로 차량에 배치된 추가적인 안전 대책으로 인해, 1965년과 2015년 사이에 약 6명으로부터 약 1명으로 줄었다. 예를 들어, 충돌이 발생할 것이라는 추가적인 0.5초의 경고는 전후 충돌의 60%를 완화시키는 것으로 여겨진다. 그렇지만, 수동적 안전 특징부(예를 들면, 안전 벨트, 에어백)는 이 수치를 개선시키는 데 한계에 도달했을 것이다. 따라서 차량의 자동 제어와 같은, 능동적 안전 대책이 이러한 통계치를 개선시키는 데 유망한 다음 단계이다. 인간 운전자가 충돌의 95%에서 중요한 충돌전 사건에 책임있는 것으로 여겨지기 때문에, 자동 운전 시스템은, 예를 들어, 중요한 상황을 인간보다 잘 신뢰성 있게 인식하고 피하는 것에 의해; 더 나은 의사 결정을 하고, 교통 법규를 준수하며, 미래의 사건을 인간보다 더 잘 예측하는 것에 의해; 및 차량을 인간보다 더 잘 신뢰성 있게 제어하는 것에 의해 더 나은 안전성 결과를 달성할 수 있다.

도 1을 참조하면, AV 시스템(120)은, 대상체(예를 들면, 자연 장애물(191), 차량(193), 보행자(192), 자전거 타는 사람, 및 다른 장애물)을 피하고 도로 법규(예를 들면, 동작 규칙 또는 운전 선호사항)를 준수하면서, AV(100)를 궤적(198)을 따라 환경(190)을 통과하여 목적지(199)(때때로 최종 위치라고 지칭됨)로 동작시킨다.

일 실시예에서, AV 시스템(120)은 컴퓨터 프로세서(146)로부터 동작 커맨드를 수신하고 이에 따라 동작하도록 설비된 디바이스(101)를 포함한다. 차량이 액션(예를 들면, 운전 기동)을 수행하게 하는 실행 가능 명령(또는 명령 세트)을 의미하기 위해 "동작 커맨드"라는 용어를 사용한다. 동작 커맨드는, 제한 없이, 차량이 전진을 시작하고, 전진을 중지하며, 후진을 시작하고, 후진을 중지하며, 가속하고, 감속하며, 좌회전을 수행하고, 우회전을 수행하기 위한 명령을 포함할 수 있다. 일 실시예에서, 컴퓨팅 프로세서(146)는 도 2를 참조하여 아래에서 기술되는 프로세서(204)와 유사하다. 디바이스(101)의 예는 조향 컨트롤(102), 브레이크(103), 기어, 가속기 페달 또는 다른 가속 제어 메커니즘, 윈드실드 와이퍼, 사이드 도어 락, 윈도 컨트롤, 및 방향 지시등을 포함한다.

일 실시예에서, AV 시스템(120)은 AV의 위치, 선속도와 각속도 및 선가속도와 각가속도, 및 헤딩(heading)(예를 들면, AV(100)의 선단의 배향)와 같은 AV(100)의 상태 또는 조건의 속성을 측정 또는 추론하기 위한 센서(121)를 포함한다. 센서(121)의 예는 GPS, 차량 선가속도 및 각도 변화율(angular rate) 둘 모두를 측정하는 IMU(inertial measurement unit), 휠 슬립률(wheel slip ratio)을 측정 또는 추정하기 위한 휠 속력 센서, 휠 브레이크 압력 또는 제동 토크 센서, 엔진 토크 또는 휠 토크 센서, 그리고 조향각 및 각도 변화율 센서이다.

일 실시예에서, 센서(121)는 AV의 환경의 속성을 감지 또는 측정하기 위한 센서를 또한 포함한다. 예를 들어, 가시광, 적외선 또는 열(또는 둘 모두) 스펙트럼의 단안 또는 스테레오 비디오 카메라(122), LiDAR(123), RADAR, 초음파 센서, TOF 깊이 센서, 속력 센서, 온도 센서, 습도 센서, 및 강우 센서.

일 실시예에서, AV 시스템(120)은 컴퓨터 프로세서(146)와 연관된 머신 명령 또는 센서(121)에 의해 수집된 데이터를 저장하기 위한 데이터 저장 유닛(142) 및 메모리(144)를 포함한다. 일 실시예에서, 데이터 저장 유닛(142)은 도 2와 관련하여 아래에서 기술되는 ROM(208) 또는 저장 디바이스(210)와 유사하다. 일 실시예에서, 메모리(144)는 아래에서 기술되는 메인 메모리(206)와 유사하다. 일 실시예에서, 데이터 저장 유닛(142) 및 메모리(144)는 환경(190)에 관한 과거 정보, 실시간 정보, 및/또는 예측 정보를 저장한다. 일 실시예에서, 저장된 정보는 맵, 운전 성능, 교통 혼잡 업데이트 또는 기상 조건을 포함한다. 일 실시예에서, 환경(190)에 관한 데이터는 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)에 송신된다.

일 실시예에서, AV 시스템(120)은 다른 차량의 상태 및 조건, 예컨대, 위치, 선속도와 각속도, 선가속도와 각가속도, 및 AV(100)를 향한 선형 헤딩(linear heading)과 각도 헤딩(angular heading)의 측정된 또는 추론된 속성을 통신하기 위한 통신 디바이스(140)를 포함한다. 이러한 디바이스는 V2V(Vehicle-to-Vehicle) 및 V2I(Vehicle-to-Infrastructure) 통신 디바이스 및 포인트-투-포인트(point-to-point) 또는 애드혹(ad hoc) 네트워크 또는 둘 모두를 통한 무선 통신을 위한 디바이스를 포함한다. 일 실시예에서, 통신 디바이스(140)는 (라디오 및 광학 통신을 포함하는) 전자기 스펙트럼 또는 다른 매체(예를 들면, 공기 및 음향 매체)를 통해 통신한다. V2V(Vehicle-to-Vehicle), V2I(Vehicle-to-Infrastructure) 통신(및 일부 실시예에서, 하나 이상의 다른 유형의 통신)의 조합이 때때로 V2X(Vehicle-to-Everything) 통신이라고 지칭된다. V2X 통신은 전형적으로, 자율 주행 차량과의 통신 및 자율 주행 차량들 사이의 통신을 위한 하나 이상의 통신 표준을 준수한다.

일 실시예에서, 통신 디바이스(140)는 통신 인터페이스를 포함한다. 예를 들어, 유선, 무선, WiMAX, Wi-Fi, 블루투스, 위성, 셀룰러, 광학, 근거리, 적외선, 또는 라디오 인터페이스. 통신 인터페이스는 원격에 위치된 데이터베이스(134)로부터 AV 시스템(120)으로 데이터를 송신한다. 일 실시예에서, 원격에 위치된 데이터베이스(134)는 클라우드 컴퓨팅 환경에 내장된다. 통신 디바이스(140)는 센서(121)로부터 수집된 데이터 또는 AV(100)의 동작에 관련된 다른 데이터를 원격에 위치된 데이터베이스(134)에 송신한다. 일 실시예에서, 통신 디바이스(140)는 원격 운용(teleoperation)에 관련되는 정보를 AV(100)에 송신한다. 일부 실시예에서, AV(100)는 다른 원격(예를 들면, "클라우드") 서버(136)와 통신한다.

일 실시예에서, 원격에 위치된 데이터베이스(134)는 또한 디지털 데이터를 저장 및 송신한다(예를 들면, 도로 및 거리 위치와 같은 데이터를 저장함). 그러한 데이터는 AV(100) 상의 메모리(144)에 저장되거나, 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)에 송신된다.

일 실시예에서, 원격에 위치된 데이터베이스(134)는 유사한 시각(time of day)에 궤적(198)을 따라 이전에 주행한 적이 있는 차량의 운전 속성(예를 들면, 속력 프로파일 및 가속도 프로파일)에 관한 과거 정보를 저장 및 송신한다. 일 구현예에서, 그러한 데이터는 AV(100) 상의 메모리(144)에 저장될 수 있거나, 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)에 송신될 수 있다.

AV(100) 상에 위치된 컴퓨팅 프로세서(146)는 실시간 센서 데이터 및 사전 정보(prior information) 둘 모두에 기초한 제어 액션을 알고리즘적으로 생성하여, AV 시스템(120)이 자율 주행 능력을 실행할 수 있게 한다.

일 실시예에서, AV 시스템(120)은 AV(100)의 사용자(예를 들면, 탑승자 또는 원격 사용자)에게 정보 및 경고를 제공하고 사용자로부터 입력을 수신하기 위해 컴퓨터 프로세서(146)에 결합된 컴퓨터 주변기기(132)를 포함한다. 일 실시예에서, 주변기기(132)는 도 2를 참조하여 아래에서 논의되는 디스플레이(212), 입력 디바이스(214), 및 커서 컨트롤러(216)와 유사하다. 결합은 무선 또는 유선이다. 인터페이스 디바이스들 중 임의의 둘 이상이 단일 디바이스에 통합될 수 있다.

일 실시예에서, AV 시스템(120)은, 예를 들어, 승객에 의해 지정되거나 승객과 연관된 프로파일에 저장된, 승객의 프라이버시 레벨을 수신하고 시행한다. 승객의 프라이버시 레벨은 승객과 연관된 특정 정보(예를 들면, 승객 편의 데이터, 생체 측정 데이터 등)가 사용되도록, 승객 프로파일에 저장되도록, 그리고/또는 클라우드 서버(136)에 저장되어 승객 프로파일과 연관되도록 할 수 있는 방법을 결정한다. 일 실시예에서, 프라이버시 레벨은 일단 라이드(ride)가 완료되면 삭제되는 승객과 연관된 특정 정보를 지정한다. 일 실시예에서, 프라이버시 레벨은 승객과 연관된 특정 정보를 지정하고 정보에 액세스하도록 인가된 하나 이상의 엔티티를 식별해준다. 정보에 액세스하도록 인가되어 있는 명시된 엔티티의 예는 다른 AV, 서드파티 AV 시스템, 또는 정보에 잠재적으로 액세스할 수 있는 임의의 엔티티를 포함할 수 있다.

승객의 프라이버시 레벨은 하나 이상의 입도(granularity) 레벨로 지정될 수 있다. 일 실시예에서, 프라이버시 레벨은 저장 또는 공유될 특정 정보를 식별해준다. 일 실시예에서, 승객이 자신의 개인 정보가 저장 또는 공유되지 않게 지정할 수 있도록 승객과 연관된 모든 정보에 프라이버시 레벨이 적용된다. 특정 정보에 액세스하도록 허용된 엔티티의 지정은 다양한 입도 레벨로 지정될 수 있다. 특정 정보에 액세스하도록 허용되는 다양한 엔티티 세트는, 예를 들어, 다른 AV, 클라우드 서버(136), 특정 서드파티 AV 시스템 등을 포함할 수 있다.

일 실시예에서, AV 시스템(120) 또는 클라우드 서버(136)는 승객과 연관된 특정 정보가 AV(100) 또는 다른 엔티티에 의해 액세스될 수 있는지를 결정한다. 예를 들어, 특정 시공간적 위치에 관련된 승객 입력에 액세스하려고 시도하는 서드파티 AV 시스템은 승객과 연관된 정보에 액세스하기 위해, 예를 들어, AV 시스템(120) 또는 클라우드 서버(136)로부터 인가를 획득해야 한다. 예를 들어, AV 시스템(120)은 시공간적 위치에 관련된 승객 입력이 서드파티 AV 시스템, AV(100), 또는 다른 AV에 제공될 수 있는지 여부를 결정하기 위해 승객의 지정된 프라이버시 레벨을 사용한다. 이것은 승객의 프라이버시 레벨이 어느 다른 엔티티가 승객의 액션에 관한 데이터 또는 승객과 연관된 다른 데이터를 수신하도록 허용되는지를 지정할 수 있게 한다.

도 2는 컴퓨터 시스템(200)을 도시한다. 일 구현예에서, 컴퓨터 시스템(200)은 특수 목적 컴퓨팅 디바이스이다. 특수 목적 컴퓨팅 디바이스는 기술을 수행하도록 고정-배선(hard-wired)되거나, 또는 기술을 수행하도록 영구적으로 프로그래밍되어 있는 하나 이상의 ASIC 또는 FPGA(field programmable gate array)와 같은 디지털 전자 디바이스를 포함하거나, 또는 펌웨어, 메모리, 다른 스토리지 또는 그 조합 내의 프로그램 명령에 따라 기술을 수행하도록 프로그래밍되어 있는 하나 이상의 범용 하드웨어 프로세서를 포함할 수 있다. 그러한 특수 목적 컴퓨팅 디바이스는 또한 커스텀 고정 배선 로직, ASIC, 또는 FPGA를 커스텀 프로그래밍과 조합하여 기술을 실현할 수 있다. 다양한 실시예에서, 특수 목적 컴퓨팅 디바이스는 기술을 구현하기 위한 고정 배선 및/또는 프로그램 로직을 포함하는 데스크톱 컴퓨터 시스템, 휴대용 컴퓨터 시스템, 핸드헬드 디바이스, 네트워크 디바이스, 또는 임의의 다른 디바이스이다.

일 실시예에서, 컴퓨터 시스템(200)은 정보를 통신하기 위한 버스(202) 또는 다른 통신 메커니즘, 및 정보를 프로세싱하기 위해 버스(202)와 결합된 프로세서(204)를 포함한다. 프로세서(204)는, 예를 들어, 범용 마이크로프로세서이다. 컴퓨터 시스템(200)은 프로세서(204)에 의해 실행될 명령 및 정보를 저장하기 위해 버스(202)에 결합된, RAM 또는 다른 동적 저장 디바이스와 같은, 메인 메모리(206)를 또한 포함한다. 일 구현예에서, 메인 메모리(206)는 프로세서(204)에 의해 실행될 명령의 실행 동안 임시 변수 또는 다른 중간 정보를 저장하는 데 사용된다. 그러한 명령은, 프로세서(204)에 의해 액세스 가능한 비-일시적 저장 매체에 저장되어 있을 때, 컴퓨터 시스템(200)을 명령에 지정된 동작을 수행하도록 커스터마이징된 특수 목적 머신으로 만든다.

일 실시예에서, 컴퓨터 시스템(200)은, 프로세서(204)를 위한 정적 정보 및 명령을 저장하기 위해 버스(202)에 결합된 ROM(read only memory)(208) 또는 다른 정적 저장 디바이스를 추가로 포함한다. 정보 및 명령을 저장하기 위한, 자기 디스크, 광학 디스크, 솔리드 스테이트 드라이브, 또는 3차원 크로스 포인트 메모리와 같은, 저장 디바이스(210)가 제공되고 버스(202)에 결합된다.

일 실시예에서, 컴퓨터 시스템(200)은 정보를 컴퓨터 사용자에게 디스플레이하기 위한 CRT(cathode ray tube), LCD(liquid crystal display), 플라스마 디스플레이, LED(light emitting diode) 디스플레이, 또는 OLED(organic light emitting diode) 디스플레이와 같은 디스플레이(212)에 버스(202)를 통해 결합된다. 문자 숫자식 키 및 다른 키를 포함하는 입력 디바이스(214)는 정보 및 커맨드 선택을 프로세서(204)에 통신하기 위해 버스(202)에 결합된다. 다른 유형의 사용자 입력 디바이스는 방향 정보 및 커맨드 선택을 프로세서(204)에 통신하고 디스플레이(212) 상에서의 커서 움직임을 제어하기 위한, 마우스, 트랙볼, 터치식 디스플레이, 또는 커서 방향 키와 같은, 커서 컨트롤러(216)이다. 이러한 입력 디바이스는 전형적으로, 디바이스가 평면에서의 위치를 지정할 수 있게 하는 2개의 축, 즉 제1 축(예를 들면, x-축) 및 제2 축(예를 들면, y-축)에서의 2 자유도를 갖는다.

일 실시예에 따르면, 본원에서의 기술은 프로세서(204)가 메인 메모리(206)에 포함된 하나 이상의 명령의 하나 이상의 시퀀스를 실행하는 것에 응답하여 컴퓨터 시스템(200)에 의해 수행된다. 그러한 명령은, 저장 디바이스(210)와 같은, 다른 저장 매체로부터 메인 메모리(206) 내로 판독된다. 메인 메모리(206)에 포함된 명령의 시퀀스의 실행은 프로세서(204)로 하여금 본원에서 기술된 프로세스 단계를 수행하게 한다. 대안적인 실시예에서, 소프트웨어 명령 대신에 또는 소프트웨어 명령과 조합하여 고정 배선 회로가 사용된다.

"저장 매체"라는 용어는, 본원에서 사용되는 바와 같이, 머신이 특정 방식으로 동작하게 하는 데이터 및/또는 명령을 저장하는 임의의 비-일시적 매체를 지칭한다. 그러한 저장 매체는 비휘발성 매체 및/또는 휘발성 매체를 포함한다. 비휘발성 매체는, 예를 들어, 광학 디스크, 자기 디스크, 솔리드 스테이트 드라이브, 또는 3차원 크로스 포인트 메모리, 예컨대, 저장 디바이스(210)를 포함한다. 휘발성 매체는 동적 메모리, 예컨대, 메인 메모리(206)를 포함한다. 저장 매체의 일반적인 형태는, 예를 들어, 플로피 디스크, 플렉서블 디스크, 하드 디스크, 솔리드 스테이트 드라이브, 자기 테이프, 또는 임의의 다른 자기 데이터 저장 매체, CD-ROM, 임의의 다른 광학 데이터 저장 매체, 홀 패턴을 갖는 임의의 물리적 매체, RAM, PROM, 및 EPROM, FLASH-EPROM, NV-RAM, 또는 임의의 다른 메모리 칩, 또는 카트리지를 포함한다.

저장 매체는 송신 매체와 별개이지만 송신 매체와 함께 사용될 수 있다. 송신 매체는 저장 매체들 사이에서 정보를 전달하는 데 참여한다. 예를 들어, 송신 매체는 버스(202)를 포함하는 와이어를 포함하여, 동축 케이블, 구리 와이어 및 광섬유를 포함한다. 송신 매체는 또한, 라디오 파 및 적외선 데이터 통신 동안 생성되는 것과 같은, 음향파 또는 광파의 형태를 취할 수 있다.

일 실시예에서, 실행을 위해 하나 이상의 명령의 하나 이상의 시퀀스를 프로세서(204)에 반송하는 데 다양한 형태의 매체가 관여된다. 예를 들어, 명령은 초기에 원격 컴퓨터의 자기 디스크 또는 솔리드 스테이트 드라이브에 보유된다. 원격 컴퓨터는 자신의 동적 메모리에 명령을 로딩하고 모뎀을 사용하여 전화선을 통해 명령을 전송한다. 컴퓨터 시스템(200)에 로컬인 모뎀은 전화선을 통해 데이터를 수신하고 적외선 송신기를 사용하여 데이터를 적외선 신호로 변환한다. 적외선 검출기는 적외선 신호로 반송되는 데이터를 수신하고 적절한 회로는 데이터를 버스(202)에 배치한다. 버스(202)는 데이터를 메인 메모리(206)로 반송하고, 프로세서(204)는 메인 메모리로부터 명령을 검색 및 실행한다. 메인 메모리(206)에 의해 수신된 명령은 프로세서(204)에 의해 실행되기 전이나 실행된 후에 선택적으로 저장 디바이스(210)에 저장될 수 있다.

컴퓨터 시스템(200)은 버스(202)에 결합된 통신 인터페이스(218)를 또한 포함한다. 통신 인터페이스(218)는 로컬 네트워크(222)에 연결된 네트워크 링크(220)에 대한 양방향 데이터 통신(two-way data communication) 결합을 제공한다. 예를 들어, 통신 인터페이스(218)는 ISDN(integrated service digital network) 카드, 케이블 모뎀, 위성 모뎀, 또는 대응하는 유형의 전화선에 데이터 통신 연결을 제공하기 위한 모뎀이다. 다른 예로서, 통신 인터페이스(218)는 호환 가능한 LAN(local area network)에 데이터 통신 연결을 제공하기 위한 LAN 카드이다. 일부 구현예에서는, 무선 링크도 구현된다. 임의의 그러한 구현예에서, 통신 인터페이스(218)는 다양한 유형의 정보를 나타내는 디지털 데이터 스트림을 반송하는 전기 신호, 전자기 신호, 또는 광학 신호를 전송 및 수신한다.

네트워크 링크(220)는 전형적으로 하나 이상의 네트워크를 통한 다른 데이터 디바이스로의 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(220)는 로컬 네트워크(222)를 통해 호스트 컴퓨터(224)로의 연결 또는 ISP(Internet Service Provider)(226)에 의해 운영되는 클라우드 데이터 센터 또는 장비로의 연결을 제공한다. ISP(226)는 차례로 지금은 "인터넷(228)"이라고 통상적으로 지칭되는 월드-와이드 패킷 데이터 통신 네트워크(world-wide packet data communication network)를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(222) 및 인터넷(228) 둘 모두는 디지털 데이터 스트림을 반송하는 전기 신호, 전자기 신호, 또는 광학 신호를 사용한다. 컴퓨터 시스템(200)으로 및 컴퓨터 시스템(200)으로부터 디지털 데이터를 반송하는, 다양한 네트워크를 통한 신호 및 통신 인터페이스(218)를 통한 네트워크 링크(220) 상의 신호는 송신 매체의 예시적인 형태이다. 일 실시예에서, 네트워크(220)는 클라우드 또는 클라우드의 일부를 포함한다.

컴퓨터 시스템(200)은 네트워크(들), 네트워크 링크(220), 및 통신 인터페이스(218)를 통해, 프로그램 코드를 포함한, 메시지를 전송하고 데이터를 수신한다. 일 실시예에서, 컴퓨터 시스템(200)은 프로세싱하기 위한 코드를 수신한다. 수신된 코드는 수신될 때 프로세서(204)에 의해 실행되고 그리고/또는 추후의 실행을 위해 저장 디바이스(210) 또는 다른 비휘발성 스토리지에 저장된다.

자율 주행 차량 아키텍처

도 3은 AV(예를 들면, 도 1에 도시된 AV(100))에 대한 예시적인 아키텍처(300)를 도시한다. 아키텍처(300)는 인지 시스템(302)(때때로 인지 회로라고 지칭됨), 계획 시스템(304)(때때로 계획 회로라고 지칭됨), 제어 시스템(306)(때때로 제어 회로라고 지칭됨), 로컬화 시스템(308)(때때로 로컬화 회로라고 지칭됨), 및 데이터베이스 시스템(310)(때때로 데이터베이스 회로라고 지칭됨)을 포함한다. 각각의 시스템은 AV(100)의 동작에서 소정의 역할을 한다. 다함께, 시스템(302, 304, 306, 308, 및 310)은 도 1에 도시된 AV 시스템(120)의 일부일 수 있다. 일부 실시예에서, 시스템(302, 304, 306, 308, 및 310) 중 임의의 시스템은 컴퓨터 소프트웨어(예를 들면, 컴퓨터 판독 가능 매체 상에 저장된 실행 가능 코드) 및 컴퓨터 하드웨어(예를 들면, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, ASIC(application-specific integrated circuit), 하드웨어 메모리 디바이스, 다른 유형의 집적 회로, 다른 유형의 컴퓨터 하드웨어, 또는 이러한 것 중 임의의 것 또는 모든 것의 조합)의 조합이다. 시스템(302, 304, 306, 308, 및 310) 각각은 때때로 프로세싱 회로(예를 들면, 컴퓨터 하드웨어, 컴퓨터 소프트웨어, 또는 이 둘의 조합)라고 지칭된다. 시스템(302, 304, 306, 308, 및 310) 중 임의의 것 또는 모든 것의 조합이 또한 프로세싱 회로의 예이다.

사용 중에, 계획 시스템(304)은 목적지(312)를 나타내는 데이터를 수신하고 목적지(312)에 도달(예를 들면, 도착)하기 위해 AV(100)에 의해 주행될 수 있는 궤적(314)(때때로 루트라고 지칭됨)을 나타내는 데이터를 결정한다. 계획 시스템(304)이 궤적(314)을 나타내는 데이터를 결정하기 위해, 계획 시스템(304)은 인지 시스템(302), 로컬화 시스템(308), 및 데이터베이스 시스템(310)으로부터 데이터를 수신한다.

인지 시스템(302)은, 예를 들면, 도 1에도 도시된 바와 같이, 하나 이상의 센서(121)를 사용하여 인근의 물리적 대상체를 식별한다. 대상체는 분류되고(예를 들면, 보행자, 자전거, 자동차, 교통 표지판 등과 같은 유형으로 그룹화되고), 분류된 대상체(316)를 포함하는 장면 묘사는 계획 시스템(304)에 제공된다.

계획 시스템(304)은 또한 로컬화 시스템(308)으로부터 AV 위치(318)를 나타내는 데이터를 수신한다. 로컬화 시스템(308)은 위치를 계산하기 위해 센서(121)로부터의 데이터 및 데이터베이스 시스템(310)으로부터의 데이터(예를 들면, 지리적 데이터)를 사용하여 AV 위치를 결정한다. 예를 들어, 로컬화 시스템(308)은 GNSS(Global Navigation Satellite System) 센서로부터의 데이터 및 지리적 데이터를 사용하여 AV의 경도 및 위도를 계산한다. 일 실시예에서, 로컬화 시스템(308)에 의해 사용되는 데이터는 도로 기하학적 속성의 고정밀 맵, 도로망 연결 속성을 기술하는 맵, 도로 물리적 속성(예컨대, 교통 속력, 교통량, 차량 교통 차선과 자전거 타는 사람 교통 차선의 개수, 차선 폭, 차선 교통 방향, 또는 차선 마커 유형 및 위치, 또는 그 조합)을 기술하는 맵, 및 도로 특징부, 예컨대, 횡단보도, 교통 표지판 또는 다양한 유형의 다른 주행 신호(travel signal)의 공간적 위치를 기술하는 맵을 포함한다. 일 실시예에서, 고정밀 맵은 자동 또는 수동 주석 달기를 통해 저정밀 맵에 데이터를 추가함으로써 구성된다.

제어 시스템(306)은 궤적(314)을 나타내는 데이터 및 AV 위치(318)를 나타내는 데이터를 수신하고, AV(100)로 하여금 목적지(312)를 향해 궤적(314)을 주행하게 할 방식으로 AV의 제어 기능(320a 내지 320c)(예를 들면, 조향, 스로틀링, 제동, 및 점화)을 동작시킨다. 예를 들어, 궤적(314)이 좌회전을 포함하는 경우, 제어 시스템(306)은, 조향 기능의 조향각이 AV(100)로 하여금 왼쪽으로 회전하게 하고 스로틀링 및 제동이 AV(100)로 하여금 이러한 회전이 이루어지기 전에 지나가는 보행자 또는 차량을 위해 일시정지 및 대기하게 하는 방식으로, 제어 기능(320a 내지 320c)을 동작시킬 것이다.

AV 입력

도 4는 인지 시스템(302)(도 3)에 의해 사용되는 입력(402a 내지 402d)(예를 들면, 도 1에 도시된 센서(121)) 및 출력(404a 내지 404d)(예를 들면, 센서 데이터)의 예를 도시한다. 하나의 입력(402a)은 LiDAR 시스템(예를 들면, 도 1에 도시된 LiDAR(123))이다. LiDAR는 그의 가시선에 있는 물리적 대상체에 관한 데이터를 획득하기 위해 광(예를 들면, 적외선 광과 같은 광의 버스트)을 사용하는 기술이다. LiDAR 시스템은 출력(404a)으로서 LiDAR 데이터를 생성한다. 예를 들어, LiDAR 데이터는 환경(190)의 표현을 구성하는 데 사용되는 3D 또는 2D 포인트(포인트 클라우드라고도 알려져 있음)의 집합체이다.

다른 입력(402b)은 RADAR 시스템이다. RADAR는 인근의 물리적 대상체에 관한 데이터를 획득하기 위해 라디오 파를 사용하는 기술이다. RADAR는 LiDAR 시스템의 가시선 내에 있지 않은 대상체에 관한 데이터를 획득할 수 있다. RADAR 시스템은 출력(404b)으로서 RADAR 데이터를 생성한다. 예를 들어, RADAR 데이터는 환경(190)의 표현을 구성하는 데 사용되는 하나 이상의 라디오 주파수 전자기 신호이다.

다른 입력(402c)은 카메라 시스템이다. 카메라 시스템은 인근의 물리적 대상체에 관한 정보를 획득하기 위해 하나 이상의 카메라(예를 들면, CCD(charge-coupled device)와 같은 광 센서를 사용하는 디지털 카메라)를 사용한다. 카메라 시스템은 출력(404c)으로서 카메라 데이터를 생성한다. 카메라 데이터는 종종 이미지 데이터(예를 들면, RAW, JPEG, PNG 등과 같은 이미지 데이터 포맷의 데이터)의 형태를 취한다. 일부 예에서, 카메라 시스템은, 카메라 시스템이 깊이를 인지할 수 있게 하는, 예를 들어, 입체시(stereopsis)(스테레오 비전)를 위한, 다수의 독립적인 카메라를 갖는다. 비록 카메라 시스템에 의해 인지되는 대상체가 여기서 "인근"으로 기술되지만, 이것은 AV를 기준으로 한 것이다. 일부 실시예에서, 카메라 시스템은 멀리 있는, 예를 들면, AV 전방으로 최대 1 킬로미터 이상에 있는 대상체를 "보도록" 구성된다. 따라서, 일부 실시예에서, 카메라 시스템은 멀리 떨어져 있는 대상체를 인지하도록 최적화되어 있는 센서 및 렌즈와 같은 특징부를 갖는다.

다른 입력(402d)은 TLD(traffic light detection) 시스템이다. TLD 시스템은 하나 이상의 카메라를 사용하여, 시각적 운행 정보를 제공하는 교통 신호등, 거리 표지판, 및 다른 물리적 대상체에 관한 정보를 획득한다. TLD 시스템은 출력(404d)으로서 TLD 데이터를 생성한다. TLD 데이터는 종종 이미지 데이터(예를 들면, RAW, JPEG, PNG 등과 같은 이미지 데이터 포맷의 데이터)의 형태를 취한다. TLD 시스템은, 시각적 운행 정보를 제공하는 가능한 한 많은 물리적 대상체에 관한 정보를 획득하기 위해 TLD 시스템이 넓은 시야를 갖는 카메라(예를 들면, 광각 렌즈 또는 어안 렌즈를 사용함)를 사용하여, AV(100)가 이러한 대상체에 의해 제공되는 모든 관련 운행 정보에 액세스한다는 점에서, 카메라를 포함하는 시스템과 상이하다. 예를 들어, TLD 시스템의 시야각은 약 120도 이상이다.

일부 실시예에서, 출력(404a 내지 404d)은 센서 융합 기술을 사용하여 결합된다. 따라서, 개별 출력(404a 내지 404d) 중 어느 하나가 AV(100)의 다른 시스템에 제공되거나(예를 들면, 도 3에 도시된 바와 같은 계획 시스템(304)에 제공되거나), 또는 결합된 출력이 동일한 유형(동일한 결합 기술을 사용하는 것 또는 동일한 출력을 결합하는 것 또는 둘 모두)의 단일 결합 출력 또는 다중 결합 출력의 형태 또는 상이한 유형(예를 들면, 상이한 각자의 결합 기술을 사용하는 것 또는 상이한 각자의 출력을 결합하는 것 또는 둘 모두)의 단일 결합 출력 또는 다중 결합 출력의 형태 중 어느 하나로 다른 시스템에 제공될 수 있다. 일부 실시예에서, 조기 융합(early fusion) 기술이 사용된다. 조기 융합 기술은 하나 이상의 데이터 프로세싱 단계가 결합된 출력에 적용되기 전에 출력을 결합하는 것을 특징으로 한다. 일부 실시예에서, 늦은 융합(late fusion) 기술이 사용된다. 늦은 융합 기술은 하나 이상의 데이터 프로세싱 단계가 개별 출력에 적용된 후에 출력을 결합하는 것을 특징으로 한다.

도 5는 LiDAR 시스템(502)(예를 들면, 도 4에 도시된 입력(402a))의 예를 도시한다. LiDAR 시스템(502)은 광 방출기(506)(예를 들면, 레이저 송신기)로부터 광(504a 내지 504c)을 방출한다. LiDAR 시스템에 의해 방출되는 광은 전형적으로 가시 스펙트럼에 있지 않으며; 예를 들어, 적외선 광이 종종 사용된다. 방출되는 광(504b)의 일부는 물리적 대상체(508)(예를 들면, 차량)와 조우하고, LiDAR 시스템(502)으로 다시 반사된다. (LiDAR 시스템으로부터 방출되는 광은 전형적으로 물리적 대상체, 예를 들면, 고체 형태의 물리적 대상체를 관통하지 않는다). LiDAR 시스템(502)은 또한 반사된 광을 검출하는 하나 이상의 광 검출기(510)를 갖는다. 일 실시예에서, LiDAR 시스템과 연관된 하나 이상의 데이터 프로세싱 시스템은 LiDAR 시스템의 시야(514)를 나타내는 이미지(512)를 생성한다. 이미지(512)는 물리적 대상체(508)의 경계(516)를 나타내는 정보를 포함한다. 이러한 방식으로, 이미지(512)는 AV 인근의 하나 이상의 물리적 대상체의 경계(516)를 결정하는 데 사용된다.

도 6은 동작 중인 LiDAR 시스템(502)을 도시한다. 이 도면에 도시된 시나리오에서, AV(100)는 이미지(602) 형태의 카메라 시스템 출력(404c) 및 LiDAR 데이터 포인트(604) 형태의 LiDAR 시스템 출력(404a) 둘 모두를 수신한다. 사용 중에, AV(100)의 데이터 프로세싱 시스템은 이미지(602)를 데이터 포인트(604)와 비교한다. 특히, 이미지(602)에서 식별된 물리적 대상체(606)가 데이터 포인트(604) 중에서도 식별된다. 이러한 방식으로, AV(100)는 데이터 포인트(604)의 윤곽 및 밀도에 기초하여 물리적 대상체의 경계를 인지한다.

도 7은 LiDAR 시스템(502)의 동작을 추가적으로 상세하게 도시한다. 위에서 기술된 바와 같이, AV(100)는 LiDAR 시스템(502)에 의해 검출되는 데이터 포인트의 특성에 기초하여 물리적 대상체의 경계를 검출한다. 도 7에 도시된 바와 같이, 지면(702)과 같은 평평한 대상체는 LiDAR 시스템(502)으로부터 방출되는 광(704a 내지 704d)을 일관된 방식으로 반사할 것이다. 달리 말하면, LiDAR 시스템(502)이 일관된 간격을 사용하여 광을 방출하기 때문에, 지면(702)은 광을 동일한 일관된 간격으로 다시 LiDAR 시스템(502)으로 반사할 것이다. AV(100)가 지면(702) 위를 주행함에 따라, LiDAR 시스템(502)은 도로를 방해하는 것이 아무 것도 없는 경우 다음 유효 지면 포인트(706)에 의해 반사되는 광을 계속 검출할 것이다. 그렇지만, 대상체(708)가 도로를 방해하는 경우, LiDAR 시스템(502)에 의해 방출되는 광(704e 및 704f)은 예상되는 일관된 방식과 부합하지 않는 방식으로 포인트(710a 및 710b)로부터 반사될 것이다. 이 정보로부터, AV(100)는 대상체(708)가 존재한다고 결정할 수 있다.

고스트 포인트 발생

이전에 언급된 바와 같이, "고스트 포인트"라는 용어는 LiDAR 스캔 동안 캡처된 포인트 클라우드 내의 잘못된 리턴 포인트(return point)에 기초한 LiDAR 포인트 클라우드 내의 포인트를 지칭한다. 더 구체적으로는, 고스트 포인트는 다중 경로 효과를 초래하는 송신 및 리턴 경로(예를 들면, LiDAR 방출기로부터 대상체로의 경로 및 이어서 대상체로부터 LiDAR 수신기로의 반사) 동안의 LiDAR 빔의 수평적 확산의 결과이다. 고스트 포인트의 존재는 포인트 클라우드에 부정확성을 도입할 것이고, 이는 자율 운행(autonomous navigation)과 같은 기능을 위해 포인트 클라우드 데이터에 의존하는 AV의 액션에 부정적인 영향을 미칠 수 있다.

도 8은 실제 이미지와 ToF 시스템으로부터 결과될 수 있는 포인트 클라우드 간의 예시적인 비교를 도시한다. 구체적으로, 도 8은 시나리오의 실제 이미지(805) 및 시나리오의 결과적인 모델(800)의 예를 묘사한다. 실제 이미지(805)에서, 개인(810)은 표지판(815)에 인접해 있지만 그로부터 떨어져 있다. 개인(810) 및 표지판(815)의 포인트 클라우드(820, 825)는, 제각기, 800에서의 모델에 묘사되어 있다.

일부 실시예에서, 포인트 클라우드(820 및 825)가 단일 포인트 클라우드 또는 병합된 포인트 클라우드의 상이한 영역 또는 구역으로 간주될 수 있다는 것이 이해될 것이다. 그렇지만, 여기서 설명의 편의를 위해, 요소(820 및 825)는 별개의 포인트 클라우드로 지칭될 것이다. 일 실시예에서, 포인트 클라우드(820 및 825)는 단일 LiDAR 시스템에 의해 생성된 포인트 클라우드일 수 있는 반면, 다른 실시예에서 포인트 클라우드(820 및 825)는 별개의 LiDAR 시스템에 의해 생성된 포인트 클라우드일 수 있다.

도 8에서 볼 수 있는 바와 같이, 개인의 포인트 클라우드(820)와 표지판의 포인트 클라우드(825) 사이에 다수의 포인트(830)가 위치한다. 추가적으로, 포인트(835)가 존재한다. 모델(800)과 실제 이미지(805)의 비교에 의해, 개인(810)과 표지판(815) 사이에 대상체가 없음을 알 수 있다. 오히려, 포인트 클라우드(830)를 구성하는 포인트는 포인트 클라우드(820, 825)를 생성한 LiDAR 시스템의 동작의 결과로서 생성된 반사의 수평적 확산의 결과인 고스트 포인트이다. 구체적으로, 포인트 클라우드(830)는 표지판(815)과 같은 역반사체(retroreflector) 또는 어떤 다른 역반사체 중 하나 또는 둘 모두에 기초한 확산의 결과일 수 있다. 본원에서 사용되는 바와 같이, 역반사체는 최소한의 산란 및 최소한의 감쇠로 방사선(일반적으로 광)을 그의 소스로 다시 반사시키는 디바이스 또는 표면이다.

추가적으로, 실제 이미지(805)에서 표지판(815)의 오른쪽에 대상체가 없음을 알 수 있다. 오히려, 포인트 클라우드(835)를 구성하는 포인트는 LiDAR 시스템의 동작의 결과로서 생성된 반사의 수평적 확산의 결과인 고스트 포인트이다. 포인트 클라우드(830)와 유사하게, 포인트 클라우드(835)는 표지판(815)에 기초한 확산의 결과일 수 있다.

요소(820 및 825)와 유사하게, 다른 실시예에서 포인트 클라우드(830 및 835)는 더 큰 단일 포인트 클라우드의 영역 또는 구역으로 지칭될 수 있다. 그렇지만, 본원에서의 설명을 위해, 요소(830)는 개별 포인트 클라우드로 지칭될 것이다.

하나의 시나리오에서, 포인트 클라우드(830)는 인지 시스템(예를 들면, AV(100)의 인지 시스템(302))의 대상체 검출기(예를 들면, 딥 신경 네트워크)에 의해 고체 대상체로서 해석될 것이고, 따라서 AV(예를 들면, 계획 시스템(304))는 대상체를 돌아서 운행하려고 시도할 것이다. 추가적으로, 포인트 클라우드(830)가 LiDAR 시스템의 동작의 결과로서 생성된 확산 반사(또는 대안적으로 "다중 경로 리턴")에 기초하기 때문에, LiDAR 시스템이 AV와 함께 이동하고 환경을 리샘플링함에 따라, 포인트 클라우드(830)는 변경되거나 사라질 수 있으며, 이는 대상체 검출기의 정확도, 따라서 AV의 동작에 추가로 영향을 미칠 수 있다.

도 9a 및 도 9b(집합적으로 "도 9"라고 지칭됨)는 LiDAR 시스템과 같은 ToF 시스템의 예시적인 송신 구조물 및 수신 구조물을 묘사한다. 구체적으로, 도 9a는 LiDAR 시스템의 송신 구조물(예를 들면, "송신기")의 단순화된 예를 묘사하고, 도 9b는 LiDAR 시스템의 수신 구조물(예를 들면, "수신기")의 단순화된 예를 묘사한다.

예시적인 송신기는 방출기(905)를 포함한다. LiDAR 시스템의 실시예에서, 방출기(905)는 가시 스펙트럼, 적외선 스펙트럼, 자외선 스펙트럼, 또는 어떤 다른 스펙트럼의 광 빔(910)을 방출하도록 구성된 광학 방출기(optical emitter)(예를 들면, 레이저 다이오드)이다. 다른 실시예에서, 방출기(905)는 라디오 스펙트럼의 신호 또는 어떤 다른 유형의 전자기 신호를 방출하는 상이한 유형의 방출기이다.

도시된 예시적인 송신기에서, 캐비티(915)는 광 빔(910)이 렌즈(920)에 도달할 때까지 캐비티(915)의 길이를 전파할 때 광 빔(910)을 반사시키는 반사 표면을 포함한다. 렌즈(920)는 미리 정의된 시야(935)를 따라 광 빔(910)을 포커싱하도록 구성된다. 송신기는, 일 실시예에서, 스크래치와 같은 손상으로부터 렌즈를 보호하기 위해 렌즈(920)를 전반적으로 덮도록 배열된 투명 재료인 광학 돔(optical dome)(925)을 또한 포함한다. 일 실시예에서, 광학 돔(925)은 곡면이고, 도 9a에서 볼 수 있는 바와 같이, 광 빔(910)의 반사를 야기하며, 이 광 빔(910)은 이어서 렌즈(920)에 의해 반사되어 반사 광 빔(923)으로서 광학 돔(925)을 빠져나간다. 반사 광 빔(923) 중 하나 이상은, 광 빔을 다시 수신기로 반사시키는, 역반사체(930)와 같은 반사 표면에 충돌한다.

도 9b를 참조하면, 수신기는 렌즈(920)에 의해 굴절되고 포커싱되는 반사 광 빔(945 및 950)을 캐비티(915) 내로 수신하고, 여기서 이들은 포토다이오드(940)에 도착할 때까지 캐비티(915)를 통해 전파한다. 포토다이오드(940)는 광학 신호의 도착을 등록(register)하고 광학 신호를 전기 신호로 변환하도록 구성되며, 이 전기 신호는 이어서 LiDAR 시스템의 다른 요소(또는 LiDAR 시스템과 통신 가능하게 결합된 전기 디바이스)에 공급된다. 일 실시예에서, 포토다이오드(940)는 애벌란시 포토다이오드(avalanche photodiode, APD)이다.

도 9에 묘사된 실시예에서, 송신 시야(935) 및 광학 수신 경로(945)는 공칭 방향(nominal direction)으로 간주된다. 즉, APD(940)와 결합된 프로세서는 APD(940)에 의해 수신된 광학 신호가 광학 경로(945)에 의해 표시된 방향으로 도착할 것으로 예상한다. 그렇지만, 역반사체(930)로 인해, 광학 경로(945)에 의해 표시된 공칭 방향과 상이한 반사 광 빔(950)이 수신될 것이다. 이러한 반사 광 빔(950)은 고도로 감쇠될 것이고, 따라서 낮은 광학 강도를 가질 것이다. 이러한 상황에서, 광학 경로(950)를 따라 수신된 반사 광 빔은 공칭 방향으로부터(예를 들면, 광학 경로(945)를 따라) 수신된 저강도 포인트로서 등록될 것이며, 위에서 기술된 바와 같이 "고스트 포인트"를 결과할 것이다.

종종, 고스트 포인트는 거리 표지판 또는 어떤 다른 대상체와 같은 역반사체의 양측에 나타나거나, 또는 대상체 주위에 아우라(aura)로서 나타날 것이다. 고스트 포인트는 역반사체와 유사한 형상 및 물리적 구조를 가질 것이고, LiDAR 시스템으로부터 역반사체 자체와 동일한 거리에 나타날 것이다.

고스트 포인트 필터 기술

고스트 포인트는 LiDAR 시스템의 공칭 방향에 대해 어떤 각을 이루는 역반사체(예를 들면, 위에서 기술된 바와 같은, 도로 표지판, 차량 등)로부터의 반사에 기초한다. 일 실시예에서, 역반사체의 존재가 고스트 포인트를 야기할 각도는, LiDAR 시스템의 경우, 광학 설계에 관련되어 있는 주어진 시스템에 대한 고정된 각도이다. 예를 들어, (예를 들면, AV(100)의 루프에 부착된) LiDAR 시스템(예를 들면, 위의 LiDAR 시스템(502)과 동일하거나 유사할 수 있는 LiDAR 시스템)이 역반사체에 접근함에 따라, 관찰된 고스트 포인트가 광이 반사되는 방식을 결정하는 역반사체의 재료 및 형상에 따라 역반사체에 더 가깝게 이동하거나 또는 특정 경우에, LiDAR 스캔으로부터 사라질 수 있다.

이 고정된 각도에 기초하여, "고스트 구역(ghost zone)"은, 도 10 및 도 11을 참조하여 충분히 설명된 바와 같이, 고스트 포인트의 존재를 초래하는 LiDAR 시스템으로부터 고정된 각도에 있는 영역으로서 광의적으로 정의된다.

도 10은 고스트 포인트 영역의 예를 묘사한다. 구체적으로, 도 10은 상기 고스트 포인트 영역(1005/1010)의 위치를 식별하기 위해 수행된 교정 테스트에 기초하여 중심점(1000)(아래에서 정의됨)의 양측에 있는 고스트 포인트 영역(1005 및 1010)의 예를 묘사한다.

교정 테스트를 수행하기 위해, 이 실시예에서, LiDAR 시스템이 고정되고 공칭 방향의 위치가 중심점(1000)으로 마킹된다. 환언하면, 중심점(1000)의 위치는 공칭 광학 경로(945)에 대응한다. 중심점(1000)은 복수의 LED를 포함하는 테스트 패널 상의 지점이다. 이어서 테스트 패널의 각자의 LED가 활성화된다. 고스트 포인트 영역(1005/1010) 내의 LED는 도 9를 참조하여 위에서 설명된 포토다이오드에 의해 수신된 반사 광 빔(950)과 유사한 광 빔을 생성할 것이다. 즉, 고스트 포인트 영역(1005/1010) 내의 LED는, LiDAR 시스템의 의도된 공칭 송신 및 수신 경로를 벗어나 있더라도, 실제 LiDAR 시스템의 수신기로 하여금 저강도 광학 신호를 등록하게 할 것이다.

이러한 교정 테스트 절차를 통해, 특정 중심점(1000)에 대한 고스트 포인트 영역(1005/1010)이 식별된다. 일 실시예에서, LiDAR 시스템에 대해 단일 고스트 포인트 영역 또는 한 쌍의 고스트 포인트 영역(예를 들면, 고스트 포인트 영역(1005/1010))이 사용된다. 다른 실시예에서, 중심점(1000)의 상이한 위치에 대해 상이한 고스트 포인트 영역이 정의된다. 즉, LiDAR 스캔의 상이한 고도각(예를 들면, 스캔 라인) 또는 상이한 방위각(예를 들면, 횡방향) 위치에 대해 상이한 교정된 고스트 포인트 영역이 사용된다.

식별된 고스트 포인트 영역에 기초하여 고스트 포인트 제거 필터를 적용하기 위해, 거리 이미지가 식별되고 텐서(tensor)로서 저장된다. 구체적으로, LiDAR 시스템은 복수의 LiDAR 리턴 포인트를 포함하는 거리 이미지를 생성한다. 도 11은 고스트 포인트 제거 필터에 의해 프로세싱하기 위한 거리 이미지의 예를 묘사한다.

1100에 도시된 바와 같이, 거리 이미지는 다수의 데이터 포인트(1110)를 포함한다. 데이터 포인트(1110) 각각은 거리 이미지가 생성될 때 LiDAR 시스템이 가리키고 있는 방향으로부터 측정되는 바와 같은 고도각(일 실시예에서, 0.60도, 0.26도 및 -0.08도)에 관련된 데이터를 갖는다. 추가적으로, 데이터 포인트(1110) 각각은 데이터 포인트가 수집될 때 LiDAR 시스템이 가리키고 있는 방향으로부터 측정되는 바와 같은 방위각(일 실시예에서, -0.4도, 0도, 0.4도 및 0.8도)을 갖는다. 이러한 예시적인 각도가 텐서의 하나의 구성에 관련된 예로서만 의도된 것이며, 다른 실시예가 고도각 또는 방위각에 대한 상이한 값, 또는 데이터 포인트(1110) 각각 사이의 상이한 분리를 포함할 수 있다는 것이 이해될 것이다.

이어서 데이터 포인트(1110)는 다수의 행, 열 및 채널을 포함하는 텐서(1105)로서 구성된다. 구체적으로, 행과 열은, 1100에 도시된 바와 같이, 제각기, 고도각과 방위각에 대응한다. 그러면 텐서(1105)는 데이터 포인트(1110) 각각에 관련된 상이한 값에 대응하는 다수의 채널(1115, 1120 및 1125)을 포함한다. 예를 들어, 하나의 채널(1125)은 데이터 포인트(1110) 각각에 관련된 거리 정보(예를 들면, 광학 신호를 반사시켜 데이터 포인트(1110)를 생성한 대상체의 측정된 거리)에 대응한다. 다른 채널(1120)은 데이터 포인트(1110)의 강도, 즉 광학 신호의 수신 에너지에 대응한다. 다른 채널(1115)은 데이터 포인트(1110)의 포인트 인덱스, 즉 거리 이미지 내에서의 데이터 포인트의 식별자에 대응한다. 그렇지만, 이러한 채널은 일 실시예에 따른 예이고, 다른 실시예는 더 많거나 더 적은 채널, 또는 텐서(1105) 내에 상이한 구성으로 배열된 채널을 가질 수 있다.

거리 이미지가 텐서(1105)와 같은 텐서로 변환되고 고스트 포인트 영역이 식별된 후에, 거리 이미지로부터 저강도 고스트 포인트를 필터링하기 위해 커널이 구성된다. 일반적으로, 커널은 이미지로부터 특정 특징(예를 들면, 고스트 포인트)을 식별하고 변경 또는 추출하기 위해 이미지(또는 더 구체적으로 텐서(1105))에 적용되는 행렬이다. 일 실시예에서, 커널은 컨볼루션 커널, 컨볼루션 신경 네트워크(CNN) 커널, 머신 러닝(ML) 기반 커널 등이다. 커널이 CNN 커널 또는 ML 기반 커널인 실시예에서, 커널은, 예를 들어, 식별되거나 사용되는 특정 고스트 포인트 구역, 커널의 사용에 기초하여 식별되거나 필터링되는 고스트 포인트의 개수, 역반사체의 크기 또는 형상 등에 기초하거나 이들에 의해 수정될 수 있다.

도 12는 커널에 기초하여 거리 이미지로부터 고스트 포인트를 제거하는 예시적인 고급 기술을 묘사한다. 일 실시예에서, 이 기술은, 전체적으로 또는 부분적으로, 도 3의 인지 시스템(302)과 같은 인지 시스템, 도 2의 프로세서(204)와 같은 프로세서, 또는 본원에 기술된 바와 같은 LiDAR 시스템 또는 차량의 어떤 다른 요소에 의해 수행된다.

처음에, 이 기술은 1205에서 거리 이미지에서 모든 저강도 포인트를 찾아내는 것을 포함한다. 구체적으로, 이 기술은 텐서(1105)에서 저강도 포인트를 찾아내는 것을 포함한다. 일 실시예에서, 저강도 포인트를 식별하는 것은 임계치 이하의 강도 값(예를 들면, 데이터 포인트(1110)의 강도 채널(1120)의 값)을 갖는 텐서에서 데이터 포인트를 식별하는 것을 포함한다. 일 실시예에서, 임계치는, 예를 들어, 사용된 LiDAR 시스템의 유형 또는 LiDAR 시스템의 어떤 다른 특성에 기초하여 미리 식별된다. 일 예로서, 임계치는 도 10과 관련하여 설명된 바와 같은 LiDAR 시스템의 교정 프로세스 동안 미리 식별된다. 다른 실시예에서, 임계치가 거리 이미지의 강도 값에 기초하여 식별된다. 즉, 임계치가 거리 이미지 내의 다양한 데이터 포인트의 강도 값의 분석을 통해 식별된다. 이 실시예의 예로서, 임계치가 동적이다(예를 들면, 임계치가 거리 이미지 또는 어떤 다른 인자에 기초하여 시간에 따라 변한다). 다른 실시예에서, 임계치가 하나 이상의 추가적인 또는 대안적인 인자에 기초하여 식별된다.

이 기술은 1210에서 테스트할 식별된 저강도 포인트를 선택하는 것을 추가로 포함한다. 구체적으로, 1205에서 식별된 저강도 포인트 중 하나가 이어서 검토를 위해 선택된다.

이 기술은, 1215에서, 선택된 저강도 포인트에 기초하여 필터링 커널을 식별하는 것을 추가로 포함한다. 이전에 언급된 바와 같이, 일 실시예에서 전체 텐서(1105)에 대해 단일 필터링 커널이 사용된다. 다른 실시예에서, 선택된 저강도 포인트에 기초하여 상이한 필터링 커널이 사용된다. 예를 들어, 상이한 고도각, 방위각 등에 기초하여 상이한 필터링 커널이 사용된다.

이 기술은, 1220에서, 커널 기반 고스트 구역(들)에 속하는 모든 고강도 포인트를 찾아내는 것을 추가로 포함한다. 구체적으로, 도 13과 관련하여 더 상세히 설명될 것인 바와 같이, 필터링 커널의 적용은 텐서(1105) 상에 필터링 커널을 오버레이하는 것을 포함한다. 필터링 커널은 도 10과 관련하여 설명된 고스트 포인트 영역(1005/1010) 및 중심점(1000)에 기초한다. 개념적으로, 설명을 위해 상위 레벨에서, 중심점(1000)이 1210에서 선택된 저강도 포인트와 정렬된다. 이어서 1220에서 고강도 포인트(예를 들면, 강도 채널(1120)의 값이 임계치 이상인 데이터 포인트(1110))의 개수가 식별된다. 위에서 설명된 저강도 포인트와 유사하게, 일 실시예에서 미리 식별된 임계치에 기초하여 고강도 포인트가 식별된다. 다른 실시예에서, 임계치가 거리 이미지 내의 다양한 데이터 포인트의 강도 값의 분석에 기초하여 식별되고, 특정 예로서, 위에서 기술된 바와 같이 동적이다. 또 다른 실시예에서, 임계치가 하나 이상의 추가적인 또는 대안적인 인자에 기초하여 식별된다.

일 실시예에서, 저강도 임계치가 0과 x 사이의 광학 강도 값을 갖고 고강도 임계치가 y와 255 사이의 광학 강도 값을 갖도록 저강도 임계치와 고강도 임계치가 서로 분리되어 있다. x와 y 사이의 값은 저강도 값도 아니고 고강도 값도 아닌 것으로 간주될 수 있으며 따라서 1205 또는 1220 중 어느 하나에서 식별되지 않는다. 다른 실시예에서, 저강도 값은 0과 x 사이이고, 고강도 값은 x와 255 사이이다.

이어서 1225에서 고스트 구역(들) 내의 고강도 포인트의 개수가 카운트된다. 일 실시예에서, 단일 고스트 구역(예를 들면, 고스트 구역(1005 또는 1010) 중 하나만) 내의 고강도 포인트만이 카운트된다. 다른 실시예에서, 2개 이상의 고스트 구역(예를 들면, 고스트 구역(1005 및 1010)) 내의 고강도 포인트가 카운트된다.

일 실시예에서, 1205에서 식별된 저강도 포인트까지의 거리가 결정된다. 구체적으로, 차량 또는 LiDAR 시스템으로부터 저강도 포인트까지의 거리가 결정된다. 이 실시예에서, 저강도 포인트까지의 거리의 범위 내의 거리를 갖는 고강도 포인트만이 1220에서 식별되거나 1225에서 카운트될 수 있다. 이러한 방식으로, 본 시스템은, 저강도 포인트가 2개의 상이한 거리에 있는 데이터 포인트- 서로 관련이 없을 가능성이 있음을 의미함 - 보다는 고강도 포인트에 의해 야기된 고스트 포인트일 수 있도록, 저강도 포인트와 고강도 포인트가 서로 관련되어 있음을 확인할 수 있다. 일 실시예에서, 거리의 범위가 +/- 1 미터(m) 정도일 수 있는 반면, 다른 실시예에서 거리의 범위가 +/- 0.5m, +/- 0.25m 정도 등일 수 있다. 거리의 특정 범위는, 예를 들어, 사용된 LiDAR 시스템의 유형, 1205에서 식별된 저강도 포인트까지의 초기 거리 등에 기초하여 상이할 수 있다.

이어서 1230에서 고강도 포인트의 개수가 영역 개수 임계치와 비교된다. 구체적으로, 1225에서 고스트 구역(들) 내에서 식별된 고강도 포인트의 개수가 영역 개수 임계치와 연관된 값과 비교된다. 고강도 포인트의 개수가 영역 개수 임계치와 연관된 값 초과(또는 선택적으로 그 이상)인 경우, 1210에서 선택된 저강도 포인트가 고스트 포인트로서 식별되고 텐서(1105)의 기초가 되는 거리 이미지, 또는 더 구체적으로는, 거리 이미지의 포인트 클라우드로부터 제거된다. 고강도 포인트의 개수가 영역 개수 임계치와 연관된 값 미만(또는 선택적으로 그 이하)인 경우, 저강도 포인트는 고스트 포인트가 아닌 것으로 식별되고 거리 이미지로부터 제거되지 않는다. 위에서 설명된 다른 임계치와 유사하게, 일 실시예에서 영역 개수 임계치는 LiDAR 시스템의 유형(예를 들면, LiDAR 시스템의 하나 이상의 컴포넌트), LiDAR 시스템이 위치된 환경 등과 같은 인자에 관련된 미리 식별된 값에 기초한다. 다른 실시예에서, 영역 개수 임계치는 거리 이미지 또는 어떤 다른 인자의 분석에 기초하여 식별된다. 이 기술은 1205에서 식별된 저강도 포인트들 중 다른 저강도 포인트를 선택하기 위해 1210으로 돌아갈 수 있다.

이 기술이 예시적인 기술로서 의도된 것이고, 다른 실시예가 도 12에 묘사된 것으로부터의 하나 이상의 변형을 갖는 기술을 포함할 것임이 이해될 것이다. 예를 들어, 다른 실시예는 묘사된 것보다 더 많거나 더 적은 요소, 묘사된 것과 상이한 순서로 된 요소 등을 가질 수 있다.

도 13은 고스트 포인트 영역에 기초하여 고스트 포인트를 식별하고 제거하는 그래픽 예를 묘사한다. 구체적으로, 도 13은 도 8의 모델(800)에 묘사된 것과 유사한 요소를 포함하는 거리 이미지(1325)를 묘사한다. 거리 이미지(1325)는 개인(810)의 포인트 클라우드(820), 표지판(815)의 포인트 클라우드(825) 및 포인트 클라우드(830)와 제각기 유사한, 개인에 관련된 포인트 클라우드(1305), 표지판에 관련된 포인트 클라우드(1307) 및 저강도 포인트의 포인트 클라우드(1300)를 묘사한다.

도 13은 거리 이미지(1325) 상에 필터링 커널을 오버레이한 것을 추가로 묘사한다. 구체적으로, 도 13은, 예를 들어 요소(1210)와 관련하여 위에서 기술된 바와 같이, 분석을 위해 선택된 저강도 포인트(1315)를 묘사한다. 요소(1215)와 관련하여 설명된 바와 같이, 저강도 포인트에 기초하여, 필터링 커널이 식별된다. 필터링 커널은 도 10의 고스트 구역(1005 및 1010)과 제각기 유사한 고스트 구역(1310a 및 1310b)을 포함한다.

포인트 클라우드(1305 및 1307) 둘 모두는 고강도 포인트를 포함한다. 요소(1220 및 1225)와 관련하여 설명된 바와 같이, 고스트 구역(1310a 및 1310b) 내의 고강도 포인트가 식별되고 카운트된다. 예를 들어, 고스트 구역(1310b) 내의 표지판에 관련된 포인트 클라우드(1307)에 대응하는 고강도 포인트(1320)가 식별되고 카운트된다. 추가적으로 또는 대안적으로, 고스트 구역(1310a) 내의 개인에 관련된 포인트 클라우드(1305)의 고강도 포인트(1330)(있는 경우)가 식별되고 카운트된다. 이어서 요소(1230)와 관련하여 설명된 바와 같이 고강도 포인트의 개수가 영역 개수 임계치와 연관된 값과 비교된다. 고강도 포인트의 개수가 영역 개수 임계치와 연관된 값 초과(또는 대안적으로 그 이상)인 경우, 저강도 포인트(1315)가 고스트 포인트로서 식별되고 포인트 클라우드(1300) 및 거리 이미지(1325)로부터 제거된다.

도 14는 LiDAR 파이프라인(1400)의 예를 묘사한다. 전형적으로, LiDAR 파이프라인(1400)은 도 3의 인지 시스템(302)과 같은 시스템 또는 그 요소에 의해 수행된다. 더 일반적으로, LiDAR 파이프라인(1400)은 도 2의 프로세서(204)와 같은 프로세서 또는 그 요소에 의해 수행된다.

처음에, 다수의 LiDAR 거리 이미지(1405a 및 1405b)가 파이프라인(1400)에 입력된다. 비록 2개의 LiDAR 거리 이미지만이 도 14에 묘사되어 있지만, 다른 실시예가 더 많거나 더 적은 거리 이미지(1405a/1405b)를 포함한다는 것이 이해될 것이다. LiDAR 거리 이미지(1405a/1405b) 각각은 위에서 설명된 거리 이미지(1325)와 유사하며 포인트 클라우드(1300, 1305 및 1307)와 같은 다양한 포인트 클라우드를 포함한다.

거리 이미지(1405a/1405b)가 고스트 포인트 필터(1410a/1410b)에 입력된다. 고스트 포인트 필터(1410a/1410b) 각각은, 도 12와 관련하여 설명된 바와 같이, 고스트 포인트를 식별하고 제거하기 위해 필터링 커널을 적용한다. 도 14에 도시된 바와 같이, 고스트 포인트 필터(1410a 및 1410b)는 서로 독립적이다. 예를 들어, 고스트 포인트 필터(1410a 및 1410b)는 상이한 하드웨어, 소프트웨어, 펌웨어 등에 의해 수행될 수 있다. 다른 실시예에서, 고스트 포인트 필터(1410a 및 1410b)는 동일한 필터 또는 동일한 필터의 서브요소일 수 있다.

거리 이미지는, 고스트 포인트 필터링 이후에, 이어서 LiDAR 파이프라인의 다른 요소에 제공된다. 예를 들어, 일 실시예에서 거리 이미지는 이미지가 병합되고 프로세싱되는 전경 추출 시스템(1410)에 출력 및 제공된다. 일 실시예에서, 전경 추출 시스템(1415)은 거리 이미지에서의 전경 대상체를 추출하도록 구성된다. 전경 추출 시스템(1415)의 출력은 추출된 전경 대상체를 포함하고, 포인트 클라우드를 서로 유사한 속성을 갖는 동질 영역으로 분류하도록 구성된 세그먼트화 시스템에 제공된다. 세그먼트화 시스템(1420)의 출력은 분류된 포인트 클라우드, 더 상세하게는 개별적으로 분류된 포인트 클라우드의 표시를 포함한다. 분류된 포인트 클라우드는 노이즈(예를 들면, 오류로 인한 아티팩트 또는 세그먼트화 시스템으로부터의 동질 영역들 중 하나 이상에 대응하지 않는 다른 데이터 포인트)를 포인트 클라우드로부터 제거하도록 구성된 노이즈 필터(1425)에 제공된다.

이 파이프라인이 일 실시예에 따른 예시적인 파이프라인으로서 의도되고, 다른 실시예가 더 많거나 더 적은 요소, 또는 상이한 순서로 배열된 요소를 포함할 것임이 이해될 것이다. 그렇지만, LiDAR 파이프라인의 초기 스테이지에서의 고스트 포인트 필터(1410a/1410b)의 존재는, 필터가 각자의 LiDAR 포인트 클라우드에 대해 독립적으로 작동할 것이고, 그 결과, 계산적으로 효율적이라는 점에서, 상당한 이점을 제공할 것임이 추가로 이해될 것이다.

도 15는 포인트 클라우드로부터 고스트 포인트를 식별하고 제거하는 것에 관련된 기술의 예를 묘사한다. 일반적으로, 도 15의 기술은 도 12의 기술과 유사한 것으로 간주될 수 있다. 도 12의 기술과 유사하게, 이 기술은, 전체적으로 또는 부분적으로, 도 3의 인지 시스템(302)과 같은 인지 시스템, 도 2의 프로세서(204)와 같은 프로세서, 또는 본원에 기술된 바와 같은 LiDAR 시스템 또는 차량의 어떤 다른 요소에 의해 수행된다.

이 기술은, 1505에서, 환경에서 동작하는 차량의 깊이 센서로부터 거리 이미지를 획득하는 것을 포함한다. 거리 이미지는, 예를 들어, 거리 이미지(1325) 또는 본원에서 설명된 어떤 다른 거리 이미지와 유사하다.

이 기술은, 1510에서, 제1 강도 임계치 이하의 강도를 갖는 거리 이미지 내의 제1 데이터 포인트를 식별하는 것을 추가로 포함한다. 이 데이터 포인트는, 예를 들어, 도 12의 요소(1210)와 관련하여 설명된 저강도 데이터 포인트이다. 제1 강도 임계치는, 예를 들어, 도 12의 요소(1205)와 관련하여 설명된 강도 임계치이다.

이 기술은, 1515에서, 거리 이미지의 제1 영역에서 제2 강도 임계치 이상의 강도를 갖는 거리 이미지 내의 데이터 포인트의 개수를 결정하는 것을 추가로 포함한다. 구체적으로, 이 기술은, 예를 들어, 요소(1005/1010 또는 1310a/1310b)와 관련하여 설명된 고스트 구역과 같은 거리 이미지의 영역 내의 고강도 데이터 포인트의 개수를 결정하는 것을 포함한다. 이러한 영역 내의 고강도 데이터 포인트의 개수를 결정하는 것은, 예를 들어, 요소(1220 및 1225)와 관련하여 설명된 바와 같다.

이 기술은, 1520에서, 1515에서 식별된 데이터 포인트의 개수가 영역 개수 임계치 이상인지를 결정하는 것을 추가로 포함한다. 이러한 결정 및 영역 개수 임계치는, 예를 들어, 요소(1230)와 관련하여 설명된 결정 및 임계 값과 유사하다.

이 기술은, 1525에서, 데이터 포인트의 개수가 영역 개수 임계치 이상인 경우 거리 이미지로부터 제1 데이터 포인트를 제거하는 것을 추가로 포함한다. 예를 들어, 요소(1230)와 관련하여 설명된 바와 같이, 고스트 구역(들) 내의 식별된 고강도 데이터 포인트의 개수가 영역 개수 임계치 이상인 경우 제1 데이터 포인트(예를 들면, 저강도 데이터 포인트)가 거리 이미지로부터 제거된다. 이러한 이유는 고스트 구역 내에 고강도 데이터 포인트가 존재하는 것에 기초하여 저강도 데이터 포인트가 고스트 포인트인 것으로 식별되기 때문이다.

이 기술은, 1530에서, 거리 이미지에 적어도 부분적으로 기초하여 환경에서 차량을 동작시키는 것(또는 차량을 동작시키는 것을 용이하게 하는 것)을 추가로 포함한다. 예를 들어, 일 실시예에서 프로세서는 이어서 차량의 경로 계획과 같은 기능에 대한 기초로서 출력 거리 이미지를 사용한다. 다른 실시예에서, 프로세서는 거리 이미지를 차량의 다른 프로세서 또는 시스템(예를 들면, 도 3의 제어 시스템(306))에 출력하고, 차량의 다른 프로세서 또는 시스템은 이어서 거리 이미지를 사용하여 차량의 하나 이상의 기능을 제어한다.

위에서 설명된 도 12와 유사하게, 도 15의 기술이 일 실시예에 따른 예시적인 기술로서 의도되고 다른 실시예가 달라질 수 있다는 것이 인식될 것이다. 예를 들어, 다른 실시예는 도 15에 묘사된 것보다 더 많거나 더 적은 요소, 묘사된 것과 상이한 순서로 배열된 요소 등을 포함할 것이다.

추가적인 실시예에서 다른 변형이 존재할 수 있다. 예를 들어, 일 실시예는 어느 포인트 클라우드가 어느 고스트 포인트의 원인인지를 식별하기 위해 상이한 LiDAR 시스템에 의해 생성되는 상이한 포인트 클라우드를 구별하는 것에 관련된 추가 요소를 포함한다. 다른 실시예에서, 제1 데이터 포인트(예를 들면, 고스트 포인트)가 이미지로부터 제거되지 않고, 오히려 제1 데이터 포인트에 관련된 정보가 변경된다. 예를 들어, 제1 데이터 포인트가 "고스트 포인트"로서 식별된다는 것을 나타내기 위해 플래그 값이 추가되거나 변경된다. 이 실시예에서, 제1 데이터 포인트가 이미지에 남아 있지만, 파이프라인(1400)과 같은 LiDAR 파이프라인의 다운스트림 컴포넌트에 의해 상이하게 프로세싱된다.

전술한 설명에서, 본 발명의 실시예는 구현마다 달라질 수 있는 다수의 특정 세부 사항을 참조하여 기술되었다. 따라서, 상세한 설명 및 도면은 제한적인 관점보다는 예시적인 관점에서 보아야 한다. 본 발명의 범위의 유일한 독점적인 지표, 및 출원인이 본 발명의 범위이도록 의도한 것은, 본 출원에서 특정 형태로 나오는 일련의 청구항의 문언적 등가 범위이며, 그러한 청구항이 나오는 특정 형태는 임의의 후속 보정을 포함한다. 그러한 청구항에 포함된 용어에 대한 본원에서 명시적으로 기재된 임의의 정의는 청구항에서 사용되는 그러한 용어의 의미를 결정한다. 추가적으로, 전술한 설명 및 이하의 청구항에서 "추가로 포함하는"이라는 용어가 사용될 때, 이 문구에 뒤따르는 것은 추가적인 단계 또는 엔티티, 또는 이전에 언급된 단계 또는 엔티티의 서브-단계/서브-엔티티일 수 있다.

Claims

잘못된 포인트(erroneous point)를 필터링하는 방법으로서,
적어도 하나의 프로세서를 사용하여, 환경에서 동작하는 차량의 깊이 센서에 관련된 거리 이미지를 획득하는 단계;
상기 적어도 하나의 프로세서를 사용하여, 제1 강도 임계치 이하의 강도를 갖는 상기 거리 이미지 내의 제1 데이터 포인트를 식별하는 단계;
상기 적어도 하나의 프로세서를 사용하여, 상기 거리 이미지의 제1 영역에서 제2 강도 임계치 이상의 강도를 갖는 상기 거리 이미지 내의 데이터 포인트의 제1 개수를 결정하는 단계;
상기 적어도 하나의 프로세서를 사용하여, 상기 데이터 포인트의 제1 개수가 영역 개수 임계치 이상인지를 결정하는 단계;
상기 적어도 하나의 프로세서를 사용하여, 상기 데이터 포인트의 제1 개수가 상기 영역 개수 임계치 이상인 경우 상기 제1 데이터 포인트를 상기 거리 이미지로부터 제거하는 단계; 및
상기 적어도 하나의 프로세서를 사용하여, 상기 거리 이미지에 적어도 부분적으로 기초하여 상기 환경에서 상기 차량을 동작시키는 것을 용이하게 하는 단계
를 포함하는, 잘못된 포인트를 필터링하는 방법.
제1항에 있어서, 상기 제1 데이터 포인트는 상기 거리 이미지에서의 포인트 클라우드의 데이터 포인트인 것인, 잘못된 포인트를 필터링하는 방법.
제1항에 있어서,
상기 적어도 하나의 프로세서를 사용하여, 상기 거리 이미지의 제2 영역에서 상기 제2 강도 임계치 이상의 강도를 갖는 상기 거리 이미지 내의 데이터 포인트의 제2 개수를 결정하는 단계; 및
상기 적어도 하나의 프로세서를 사용하여, 상기 데이터 포인트의 제1 개수와 상기 데이터 포인트의 제2 개수의 합계가 상기 영역 개수 임계치 이상인 경우 상기 제1 데이터 포인트를 제거하는 단계
를 더 포함하는, 잘못된 포인트를 필터링하는 방법.
제1항에 있어서, 상기 제1 강도 임계치 및 상기 제2 강도 임계치는 미리 결정된 강도 임계치인 것인, 잘못된 포인트를 필터링하는 방법.
제1항에 있어서, 상기 거리 이미지는 복수의 스캔 라인을 포함하고, 상기 복수의 스캔 라인 중 제1 스캔 라인의 상기 제1 강도 임계치 및 상기 제2 강도 임계치는 상기 복수의 스캔 라인 중 제2 스캔 라인의 대응하는 제1 강도 임계치 및 제2 강도 임계치와 상이한 것인, 잘못된 포인트를 필터링하는 방법.
제1항에 있어서, 상기 데이터 포인트의 제1 개수를 결정하는 단계는 필터링 커널의 사용에 기초하는 것인, 잘못된 포인트를 필터링하는 방법.
제6항에 있어서, 상기 필터링 커널은 상기 제1 영역에 기초하는 것인, 잘못된 포인트를 필터링하는 방법.
제6항에 있어서, 상기 거리 이미지는 복수의 스캔 라인을 포함하고, 상기 복수의 스캔 라인 중 제1 스캔 라인에 적용된 필터링 커널은 상기 복수의 스캔 라인 중 제2 스캔 라인에 적용된 필터링 커널과 상이한 것인, 잘못된 포인트를 필터링하는 방법.
제1항에 있어서, 상기 제1 강도 임계치는 제1 범위 내의 강도 값을 갖고, 상기 제2 강도 임계치는 상기 제1 범위보다 큰 제2 범위 내의 강도 값을 갖는 것인, 잘못된 포인트를 필터링하는 방법.
제1항에 있어서, 상기 거리 이미지로부터 상기 제1 데이터 포인트를 제거하는 단계는 또한, 상기 데이터 포인트의 제1 개수가 상기 차량의 상기 깊이 센서로부터 측정된 바와 같은 상기 제1 데이터 포인트까지의 거리 범위 내에 있다고 결정하는 것에 기초하는 것인, 잘못된 포인트를 필터링하는 방법.
차량에서 사용하기 위한 고스트 포인트 필터를 포함하는 인지 시스템으로서, 상기 시스템은:
적어도 하나의 프로세서; 및
명령을 저장하는 적어도 하나의 메모리
를 포함하고, 상기 명령은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 차량으로 하여금:
상기 고스트 포인트 필터에 의해, 상기 차량이 위치되는 환경을 표현하는 거리 이미지에서 제1 강도 임계치 이하인 강도를 갖는 제1 데이터 포인트를 식별하게 하고;
상기 고스트 포인트 필터에 의해, 제2 강도 임계치 이상의 강도를 갖는 상기 거리 이미지의 제1 영역 내의 데이터 포인트의 개수가 영역 개수 임계치 이상인 경우 상기 거리 이미지로부터 상기 제1 데이터 포인트를 제거하게 하며;
전경 추출 시스템에 의해, 상기 거리 이미지를 필터링하게 하는 것인, 인지 시스템.
제11항에 있어서, 상기 명령은 또한, i) 상기 제2 강도 임계치 이상의 강도를 갖는 상기 거리 이미지의 상기 제1 영역 내의 상기 데이터 포인트의 개수와 ii) 상기 제2 강도 임계치 이상의 강도를 갖는 상기 거리 이미지의 제2 영역 내의 데이터 포인트의 개수의, 총계가 상기 영역 개수 임계치 이상인 경우, 상기 고스트 포인트 필터에 의해, 상기 거리 이미지로부터 상기 제1 데이터 포인트를 제거하는 것인, 인지 시스템.
제11항에 있어서, 상기 명령은 또한, 상기 고스트 포인트 필터에 의해, 컨볼루션 커널의 사용에 기초하여 상기 제2 강도 임계치 이상의 강도를 갖는 상기 거리 이미지의 상기 제1 영역 내의 상기 데이터 포인트의 개수를 식별하는 것인, 인지 시스템.
제11항에 있어서, 상기 거리 이미지는 상기 차량의 깊이 센서에 기초한 거리 이미지인 것인, 인지 시스템.
제11항에 있어서, 상기 고스트 포인트 필터로부터 상기 전경 추출 시스템에 의해 수신된 상기 거리 이미지는 상기 제2 강도 임계치 이상의 강도를 갖는 상기 거리 이미지의 상기 제1 영역 내의 상기 데이터 포인트의 개수가 상기 영역 개수 임계치 미만인 경우 상기 제1 데이터 포인트를 포함하는 것인, 인지 시스템.
잘못된 포인트를 필터링하는 방법으로서,
차량의 하나 이상의 프로세서에 의해, 상기 차량의 환경에 관련된 거리 이미지에서의 포인트 클라우드의 데이터 포인트의 위치에 기초하여, 제1 영역에서의 상기 거리 이미지의 데이터 포인트의 개수 및 제2 영역에서의 상기 거리 이미지의 데이터 포인트의 개수를 식별하는 단계; 및
상기 제1 영역 및 상기 제2 영역에서의 상기 거리 이미지의 상기 데이터 포인트의 개수에 기초하여 상기 데이터 포인트에 관련된 정보를 변경하는 단계
를 포함하며;
상기 제1 영역 및 상기 제2 영역은 깊이 센서의 의도된 송신 및 수신 경로 외부에서 상기 깊이 센서의 회로에 의해 수신된 광학 신호의 사전 식별에 기초하는 것인, 잘못된 포인트를 필터링하는 방법.
제16항에 있어서, 상기 데이터 포인트에 관련된 상기 정보를 변경하는 단계는, 상기 하나 이상의 프로세서에 의해, 상기 포인트 클라우드로부터 상기 데이터 포인트를 제거하는 단계를 포함하는 것인, 잘못된 포인트를 필터링하는 방법.
제16항에 있어서, 상기 데이터 포인트에 관련된 상기 정보를 변경하는 단계는, 상기 하나 이상의 프로세서에 의해, 상기 데이터 포인트에 관련된 상기 정보에 표시를 추가하는 단계를 포함하고, 상기 정보는 상기 데이터 포인트가 상기 표시를 포함하지 않는 다른 데이터 포인트와 상이하게 프로세싱되어야 한다는 것을 나타내는 것인, 잘못된 포인트를 필터링하는 방법.
제16항에 있어서, 상기 제1 영역은 상기 포인트 클라우드의 상기 데이터 포인트에 대해 제1 방향으로 위치되고, 상기 제2 영역은 상기 포인트 클라우드의 상기 데이터 포인트에 대해 상기 제1 방향과 반대인 제2 방향으로 위치되는 것인, 잘못된 포인트를 필터링하는 방법.
제16항에 있어서, 상기 깊이 센서는 LiDAR(light detection and ranging) 센서인 것인, 잘못된 포인트를 필터링하는 방법.