KR102527972B1 - 주행 제어 방법 및 장치 - Google Patents

주행 제어 방법 및 장치 Download PDF

Info

Publication number
KR102527972B1
KR102527972B1 KR1020200185507A KR20200185507A KR102527972B1 KR 102527972 B1 KR102527972 B1 KR 102527972B1 KR 1020200185507 A KR1020200185507 A KR 1020200185507A KR 20200185507 A KR20200185507 A KR 20200185507A KR 102527972 B1 KR102527972 B1 KR 102527972B1
Authority
KR
South Korea
Prior art keywords
driving
event
model
vehicle
data
Prior art date
Application number
KR1020200185507A
Other languages
English (en)
Other versions
KR20220094372A (ko
Inventor
황원준
이경한
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020200185507A priority Critical patent/KR102527972B1/ko
Publication of KR20220094372A publication Critical patent/KR20220094372A/ko
Application granted granted Critical
Publication of KR102527972B1 publication Critical patent/KR102527972B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

본 발명은 자율주행 중에 발생할 수 있는 엣지 케이스(edge case)에 빠르고 지속적으로 대응할 수 있는 주행 제어 방법 및 장치에 관한 것이다.
본 발명의 일 실시 예에 따른 주행 제어 방법은, 제1 자율주행 모델을 적용하여 주행하는 제1 자동차 그룹에 포함된 적어도 하나의 제1 자동차로부터 이벤트 발생 조건이 만족됨에 따라 트리거링 되어 생성된 이벤트 데이터를 수집하는 단계와, 이벤트 데이터를 이용하여 이벤트의 발생을 처리할 수 있는 인공지능 모델을 생성하는 단계와, 제1 자율주행 모델 또는 제1 자율주행 모델과 다른 제2 자율주행 모델을 적용하여 주행하는 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 이벤트가 발생하는 경우, 제1 자율주행 모델 또는 제2 자율주행 모델의 적용을 중지하고, 인공지능 모델을 이용하여 이벤트의 발생을 처리하도록, 인공지능 모델을 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 배포하는 단계를 포함할 수 있다.

Description

주행 제어 방법 및 장치{DRIVING CONTROL METHOD AND APPARATUS}
본 발명은 자율주행 중에 발생할 수 있는 엣지 케이스(edge case)에 빠르고 지속적으로 대응할 수 있는 주행 제어 방법 및 장치에 관한 것이다.
자율주행 차량은 종국적으로는 휴먼 드라이버의 개입 없이 자동으로 주행할 수 있는 차량이다. 사람의 개입이 없는 완전 자율주행 차량이 상용화되기 이전의 연구개발 단계인 현재에는, 자율주행 수준(자동화 레벨)에 따라 몇 개 단계로 구분하고 있는데, 보편적으로 수용하는 기준은 미국 자동차 공학회(SAE, society of automotive engineers)가 제시한 기준으로서, 자율주행 차량을 5개의 단계로 나누고 있다
1 단계 내지 4 단계는 사람 운전자의 개입을 전제로 하지만, 5 단계의 완전 자율주행 차량은 영상, 레이다, 라이다, GPS 등으로 주변환경을 인식하여 목적지를 지정하는 것만으로 사람의 개입 없이 자율적으로 주행하는 것을 목표로 한다.
자율주행 차량은 사람의 개입 없이 스스로 주행하거나 또는 사람의 개입을 최소로 하면서 주행하는 것이므로, 운행 중 도로종류, 날씨 등의 여러 제약 사항 발생시 어떤 기능들이 실행되어야 하는지를 사전에 정의하고 이를 참조하여 주행을 한다. 이러한 사전 정의된 사항을 운행 설계 영역(ODD; operational design domain)이라 한다. 운행 설계 영역의 설정은 유스케이스 및/또는 주행시나리오를 바탕으로 제어성능과 차량안전의 한계성을 정하는 것으로서 사고시 책임규명을 위한 기초자료로 활용하는 등 자율주행차의 상용화 관점에서 매우 중요하지만, 지금까지는 차량용 환경센서(영상, 레이다, 라이다 등)와 동역학모델(속도, 가속도, 각속도 등)를 바탕으로 운행 설계 영역(ODD)을 설정하고 자율주행 차량을 제어하고 있어서 다양한 주행상황에 맞추어 적절하게 대응하기가 곤란할 수 있다.
특히, 운행 설계 영역(ODD)을 벗어나 예기치 못한 수많은 실제 도로 상황에 대비하지 못하는 위험한 주행 시나리오로서의 엣지 케이스(edge cases)에 빠르고 지속적으로 게 대처하지 못하여 자칫 큰 사고로 이어질 수 있는 위험성이 존재하고 있다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
국내 공개특허공보 제10-2018-0134155호(2018.12.18)
본 발명의 일 과제는, 자율주행 차량의 주행 중 발생하는 엣지 케이스에 빠르고 지속적으로 대처하지 못하는 종래기술의 문제점을 해결하는데 있다.
본 발명의 일 과제는, 자율주행 차량의 주행 중 발생하는 적은 수의 엣지 케이스 데이터에 대하여 퓨 삿 러닝(few shot learning)을 기반으로 한 MAML(model agnostic meta learning) 모델을 생성하여 배포함으로써 엣지 케이스에 빠르고 지속적으로 대처하도록 하는데 있다.
본 발명의 일 과제는, 운행 설계 영역(ODD)을 최대화 하면서 수동 운전을 최소화하도록 자율주행 차량을 제어하는데 있다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명이 해결하고자 하는 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 발명의 일 실시 예에 따른 주행 제어 방법은, 제1 자율주행 모델을 적용하여 주행하는 제1 자동차 그룹에 포함된 적어도 하나의 제1 자동차로부터 이벤트 발생 조건이 만족됨에 따라 트리거링 되어 생성된 이벤트 데이터를 수집하는 단계와, 이벤트 데이터를 이용하여 이벤트의 발생을 처리할 수 있는 인공지능 모델을 생성하는 단계와, 제1 자율주행 모델 또는 제1 자율주행 모델과 다른 제2 자율주행 모델을 적용하여 주행하는 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 이벤트가 발생하는 경우, 제1 자율주행 모델 또는 제2 자율주행 모델의 적용을 중지하고, 인공지능 모델을 이용하여 이벤트의 발생을 처리하도록, 인공지능 모델을 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 배포하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 주행 제어 장치는, 프로세서 및 프로세서와 동작 가능하게 연결되고 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고, 메모리는 프로세서를 통해 실행될 때, 프로세서가 제1 자율주행 모델을 적용하여 주행하는 제1 자동차 그룹에 포함된 적어도 하나의 제1 자동차로부터 이벤트 발생 조건이 만족됨에 따라 트리거링 되어 생성된 이벤트 데이터를 수집하고, 이벤트 데이터를 이용하여 이벤트의 발생을 처리할 수 있는 인공지능 모델을 생성하며, 제1 자율주행 모델 또는 제1 자율주행 모델과 다른 제2 자율주행 모델을 적용하여 주행하는 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 이벤트가 발생하는 경우, 제1 자율주행 모델 또는 제2 자율주행 모델의 적용을 중지하고, 인공지능 모델을 이용하여 이벤트의 발생을 처리하도록, 인공지능 모델을 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 배포하도록 야기하는 코드를 저장할 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명에 의하면, 자율주행 차량의 주행 중 발생하는 엣지 케이스에 빠르고 지속적으로 대처하지 못하는 종래기술의 문제점을 해결할 수 있다.
또한, 자율주행 차량의 주행 중 발생하는 적은 수의 엣지 케이스 데이터에 대하여 퓨 삿 러닝을 기반으로 한 MAML 모델을 생성하여 배포함으로써 엣지 케이스에 빠르고 지속적으로 대처할 수 있다.
또한, 자율 주행 차량 제어 시에 운행 설계 영역(ODD)을 최대화 하면서 수동 운전을 최소화할 수 있다.
또한, 자율주행 차량의 주행 중 발생하는 엣지 케이스에 빠르고 지속적으로 대처함으로써 운전자의 자율주행에 대한 만족도를 향상시킬 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 실시 예에 따른 주행 제어 장치, 제1 자동차 그룹, 제2 자동차 그룹 및 이들을 서로 연결하는 네트워크를 포함하는 자동차 주행 제어 환경의 예시도이다.
도 2는 도 1의 주행 제어 환경 중 엣지 케이스가 발생하는 상황을 개략적으로 설명하기 위하여 도시한 예시도이다.
도 3은 도 1의 자동차 주행 제어 환경 중 주행 제어 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 4는 도 3의 주행 제어 장치에서 수행되는 인공지능 모델의 동작을 개략적으로 설명하기 위하여 도시한 도면이다.
도 5는 도 1의 자동차 주행 제어 환경 중 제1 자동차 그룹에 포함되는 제1 자동차의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 6은 도 1의 자동차 주행 제어 환경 중 제2 자동차 그룹에 포함되는 제2 자동차의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 7은 본 실시 예에 따른 주행 제어 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 실시 예에 따른 주행 제어 장치, 제1 자동차 그룹, 제2 자동차 그룹 및 이들을 서로 연결하는 네트워크를 포함하는 자동차 주행 제어 환경의 예시도이고, 도 2는 도 1의 주행 제어 환경 중 엣지 케이스가 발생하는 상황을 개략적으로 설명하기 위하여 도시한 예시도이다. 도 1 및 도 2를 참조하면, 자동차 주행 제어 환경(1)은, 주행 제어 장치(100), 제1 자동차 그룹(200), 제2 자동차 그룹(300) 및 네트워크(400)를 포함할 수 있다.
주행 제어 장치(100)는 제1 자동차 그룹(200)으로부터 이벤트 데이터를 수집하고, 이벤트의 발생을 처리할 수 있는 인공지능 모델을 생성하여 제2 자동차 그룹(300)으로 인공지능 모델을 배포할 수 있다.
주행 제어 장치(100)는 제1 자율주행 모델을 적용하여 주행하는 제1 자동차 그룹(200)에 포함된 적어도 하나의 제1 자동차로부터 이벤트 발생 조건이 만족됨에 따라 트리거링 되어 생성된 이벤트 데이터를 수집할 수 있다.
주행 제어 장치(100)는 제1 자율주행 모델을 적용하여 주행하는 제1 자동차 그룹(200)에 포함된 적어도 하나의 제1 자동차로부터 제1 자율주행 모델을 적용하는 주행과, 운전자가 판단한 주행이 충돌함에 따라 이벤트 발생 조건을 만족한다고 판단하여 트리거링된 시점 전후의 주행 관련 데이터로서의 이벤트 데이터를 수집할 수 있다.
여기서, 이벤트 발생 조건을 만족한다 함은, 제1 자동차가 제1 자율주행 모델을 적용하여 주행하는 중에, 제1 자율주행 모델에 포함된 운행 설계 영역(ODD)을 벗어난 위험한 주행 시나리오로서의 엣지 케이스가 발생하여, 운전자의 조작으로 주행을 변경하는 상황을 포함할 수 있다.
본 실시 예에서, 운행 설계 영역(ODD)을 벗어난 위험한 주행 시나리오로서의 엣지 케이스는 도 2a에 도시된 바와 같은, 주행하는 도로 상의 차선이 손상된 경우와, 도 2b에 도시된 바와 같은, 주행하는 도로 상의 갑작스러운 날씨 변화와, 도 2c에 도시된 바와 같은 햇빛에 의해 센싱부(도 5의 230, 예를 들어 카메라)가 정상적인 감지가 불가능한 경우와, 도 2d에 도시된 바와 같은 악의적 공격에 의해 교통 표지판의 정지 사인 인식이 불가능한 경우 등을 포함할 수 있다.
이러한 엣지 케이스는 운행 설계 영역(ODD)을 벗어난 위험한 주행 상황으로, 엣지 케이스가 발생하였음에도 불구하고 제1 자율주행 모델로 주행하는 경우, 사고가 발생할 수 있다. 따라서 운전자는 사고의 발생을 막기 위해, 제1 자율주행 모델에 의해 주행이 아닌, 자신의 판단으로 주행을 변경(예를 들어 핸들을 조작하거나, 브레이크를 밟는 경우 등)할 수 있다. 이와 같은 엣지 케이스 발생 시에 제1 자율주행 모델에 의한 주행이 아닌 운전자의 조작에 의해 주행을 변경하는 경우 이벤트 발생 조건을 만족한다고 할 수 있다.
본 실시 예에서, 주행 제어 장치(100)가 이벤트 발생 조건이 만족된 제1 자동차 그룹(200)으로부터 수집하는 이벤트 데이터로서의 주행 관련 데이터는, 이벤트 발생 조건이 만족된 시점 전후의 제1 자동차에 구비된 적어도 하나의 센싱부(도 4의 230)가 감지한 감지 데이터를 포함할 수 있다. 예를 들어, 감지 데이터는, 초음파 센서, 레이더 센서, 라이다 센서, 카메라, 레이저 스캐너 및/또는 코너 레이더, 가속도 센서, 요레이트 센서, 토크 측정 센서 및/또는 휠스피드 센서, 조향각 센서, 스티어링 휠 토크 센서가 감지한 데이터를 포함할 수 있다.
또한, 주행 관련 데이터는, 이벤트 발생 조건이 만족된 시점 전후의 운전자에 의한 제1 자동차의 조작 데이터를 포함할 수 있다. 예를 들어, 조작 데이터는 브레이크를 밟아 속도를 줄이거나 역으로 엑셀을 밟아 속도를 높이거나, 깜박이를 켜거나, 핸들을 조작하는 등 운전자의 판단에 따라 제1 자동차의 주행 상황을 변경하는 조작을 포함할 수 있다.
또한, 주행 관련 데이터는 이벤트 발생 조건이 만족된 시점 전후에 운전자에 의한 제1 자동차의 조작으로 인하여 이벤트 발생 처리에 대한 이벤트 성공여부 데이터를 포함할 수 있다. 예를 들어, 이벤트 성공여부 데이터는, 제1 자율주행 모델을 적용하여 주행 중 전방의 교통 표지판 인식이 불가능한 상황이 발생하여, 운전자가 브레이크를 밟아 속도를 줄이고, 핸들을 조작하여 차선을 변경하여 교통 표지판 인식이 불가능한 상황으로부터 벗어난 경우를 이벤트 성공여부 데이터 중 이벤트 성공 데이터로 포함할 수 있다.
주행 제어 장치(100)는 제1 자동차 그룹(200)으로부터 수집한 이벤트 데이터를 이용하여 이벤트의 발생을 처리할 수 있는 인공지능 모델을 생성할 수 있다. 주행 제어 장치(100)의 인공지능 모델 생성은 도 3 및 도 4를 참조하여 상세히 설명하기로 한다.
주행 제어 장치(100)는 제1 자율주행 모델 또는 제1 자율주행 모델과 다른 제2 자율주행 모델을 적용하여 주행하는 제2 자동차 그룹(300)에 포함된 적어도 하나의 제2 자동차에 이벤트가 발생하는 경우, 제1 자율주행 모델 또는 제2 자율주행 모델의 적용을 중지하고, 인공지능 모델을 이용하여 이벤트의 발생을 처리하도록, 인공지능 모델을 제2 자동차 그룹(300)에 포함된 적어도 하나의 제2 자동차에 배포할 수 있다.
주행 제어 장치(100)는 통신 가능한 제2 자동차에 인공지능 모델을 배포할 수 있다. 또한 주행 제어 장치(100)는 제2 자동차 그룹(300)에 포함된 적어도 하나의 제2 자동차들 중 주행 전에 설정된 목적지까지의 주행 경로 상에 이벤트가 발생한 지역이 포함된 제2 자동차를 선정하고, 선정된 제2 자동차에 인공지능 모델을 배포할 수 있다.
예를 들어, 제2 자동차 그룹(300)에 포함된 적어도 하나의 제2 자동차들 중 어느 한 제2 자동차가 네비게이션을 이용하여 출발지(예를 들어, 서울)에서 목적지(예를 들어, 부산)까지를 설정하면, 다양한 주행 경로가 제시되고, 운전자는 다양한 주행 경로 중 어느 한 주행 경로를 선택할 수 있다. 운전자가 선택한 주행 경로 상에 이벤트가 발생한 지역(예를 들어, 경부 고속도로 천안 휴게소 전 5KM 지점에 차선 파손)이 포함되어 있는 경우, 주행 제어 장치(100)는 해당 제2 자동차에 상술한 이벤트를 처리할 수 있는 인공지능 모델을 배포할 수 있다. 이후 운전자가 제2 자율주행 모델을 적용하여 선택한 주행 경로를 주행하는 중에 이벤트가 발생한 지역에 도달하면, 제2 자율주행 모델의 적용을 종료하고, 인공지능 모델을 적용하여 이벤트 발생을 성공적으로 처리할 수 있다. 이벤트 발생이 처리된 후 해당 인공지능 모델은 폐기되고, 제2 자율주행 모델을 적용하여 주행을 지속할 수 있다.
주행 제어 장치(100)는 생성한 인공지능 모델을 네트워크(400)를 통하여 상위 주행 제어 장치(미도시)로 전송할 수 있다. 상위 주행 제어 장치는 자율주행 모델을 생성하여 자동차에 배포할 수 있다. 또한 상위 주행 제어 장치는 주행 제어 장치(100)로부터 수신한 인공지능 모델을 이용하여 자율주행 모델을 업데이트할 수 있다. 상위 주행 제어 장치는 업데이트한 자율주행 모델을 자동차에 배포할 수 있다.
선택적 실시 예로, 상위 주행 제어 장치는 자율주행 모델을 만드는 제조사(예를 들어, 테슬라, 웨이모 등)에 따라 복수 개 일 수 있으며, 예를 들어 제1 상위 주행 제어 장치는 제1 자율주행 모델을 생성 및/또는 업데이트하여 배포하고, 제2 상위 주행 제어 장치는 제2 자율주행 모델을 생성 및/또는 업데이트하여 배포할 수 있다.
제1 자동차 그룹(200)은 제1 자율주행 모델을 적용하여 주행하는 적어도 하나의 제1 자동차(200_1,200_2,…,200_N)를 포함할 수 있다. 여기서, 제1 자율주행 모델은 제1 자동차에 탑재되고, 제1 자동차 주변 환경에 대한 정보 및 제1 자동차의 상태 정보를 수집하고, 수집된 정보에 기초하여 제1 자동차가 자율 주행을 수행하도록 할 수 있다.
이러한 제1 자율주행 모델은 운전자의 선택에 의해 동작을 개시하여 감지 데이터와 조작 데이터를 수집할 수 있다. 다른 예로, 운전자의 선택에 의해 제1 자율주행 모델이 동작하지 않더라도 제1 자동차는 감지 데이터와 조작 데이터를 수집할 수 있는 쉐도우 모드(shadow mode)를 포함할 수 있다.
본 실시 예에서, 제1 자동차 그룹(200)은 이벤트 발생 조건을 만족하는 경우 이벤트 데이터를 생성하여 주행 제어 장치(100)로 전송할 수 있다.
제2 자동차 그룹(300)은 제1 자율주행 모델 또는 제1 자율주행 모델과 다른 제2 자율주행 모델을 적용하여 주행하는 적어도 하나의 제2 자동차(300_1,300_2,…,300_N)를 포함할 수 있다. 제2 자동차는 주행 제어 장치(100)로부터 배포된 인공지능 모델을 탑재할 수 있다.
제2 자동차는 주행 제어 장치(100)와 통신을 통하여 인공지능 모델을 배포 받을 수 있다. 다른 예로 제2 자동차는 네비게이션 등을 이용하여 주행 전에 설정된 목적지까지의 주행 경로 상에, 이벤트 발생 지역이 포함되어 있는 경우, 주행 제어 장치(100)로부터 이벤트 발생을 처리할 수 있는 인공지능 모델을 배포 받을 수 있다.
본 실시 예에서, 제2 자동차 그룹(300)에 포함된 제2 자동차는 탑재된 인공지능 모델을 이용하여 이벤트의 발생을 성공적으로 처리하는 경우, 해당 인공지능 모델을 폐기할 수 있다.
네트워크(400)는 주행 제어 장치(100)와, 제1 자동차 그룹(200)과 제2 자동차 그룹(300)을 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서, 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.
네트워크(400)는 허브, 브리지, 라우터, 스위치와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.
더 나아가 네트워크(400)는 CAN(controller area network) 통신, V2I(vehicle to infrastructure, 차량 대 도로 인프라) 통신, V2X(vehicle to everything) 통신, 웨이브(wireless access in vehicular environment) 통신 기술과, 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.
도 3은 도 1의 자동차 주행 제어 환경 중 주행 제어 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이고, 도 4는 도 3의 주행 제어 장치에서 수행되는 인공지능 모델의 동작을 개략적으로 설명하기 위하여 도시한 도면이다. 이하의 설명에서 도 1 및 도 2에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 3을 참조하면, 주행 제어 장치(100)는 제1 통신부(110), 제1 프로세서(120) 및 제1 메모리(130)를 포함할 수 있다. 본 실시 예에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
제1 통신부(110)는 네트워크(400)를 통해 제1 자동차 그룹(200) 및/또는 제2 자동차 그룹(300)과 주행 제어 장치(100)가 통신하기 위한 기능을 제공할 수 있다. 일례로, 주행 제어 장치(100)의 제1 프로세서(120)가 제1 메모리(130)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 제1 통신부(110)의 제어에 따라 네트워크(400)를 통해 제2 자동차 그룹(300)로 전달될 수 있다. 역으로, 제1 자동차 그룹(200)에 포함된 제1 자동차 내의 제1 프로세서(도 5의 290)의 제어에 따라 제공되는 제어 신호나 명령 등이 제2 통신부(도 5의 210)와 네트워크(400)를 거쳐 주행 제어 장치(100)의 제1 통신부(110)를 통해 주행 제어 장치(100)로 수신될 수 있다. 예를 들어 제1 통신부(110)를 통해 수신된 제1 자동차 그룹(200)의 제어 신호나 명령 등은 제1 프로세서(120)나 제1 메모리(130)로 전달될 수 있다.
통신 방식은 제한되지 않으며, 네트워크(400)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다.
제1 프로세서(120)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 제1 메모리(130) 또는 제1 통신부(110)에 의해 제1 프로세서(120)로 제공될 수 있다. 예를 들어 제1 프로세서(120)는 제1 메모리(130)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
일 실시 예에서 제1 프로세서(120)는 제1 자율주행 모델을 적용하여 주행하는 제1 자동차 그룹(200)에 포함된 적어도 하나의 제1 자동차로부터 이벤트 발생 조건이 만족됨에 따라 트리거링 되어 생성된 이벤트 데이터를 수집할 수 있다.
제1 프로세서(120)는 수집한 이벤트 데이터를 이용하여 이벤트의 발생을 처리할 수 있는 인공지능 모델을 생성할 수 있다.
제1 프로세서(120)는 제1 자율주행 모델 또는 제1 자율주행 모델과 다른 제2 자율주행 모델을 적용하여 주행하는 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 이벤트가 발생하는 경우, 제1 자율주행 모델 또는 제2 자율주행 모델의 적용을 중지하고, 인공지능 모델을 이용하여 이벤트의 발생을 처리하도록, 인공지능 모델을 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 배포할 수 있다.
제1 프로세서(120)에서 생성하는 인공지능 모델은 제1 자동차 그룹(200)으로부터 수집한 성공여부 데이터에 따라 이벤트 처리가 성공된 케이스에 대하여 감지 데이터를 입력으로 하고, 조작 데이터를 레이블로 하는 훈련데이터에 의해 훈련되어 이벤트 발생을 처리하는 이벤트처리엔진을 포함할 수 있다.
본 실시 예에서 인공지능 모델이 출력하기를 기대하는 것은 이벤트 발생에 대해 적절히 대처하는 자동차의 조작으로, 예를 들어, 일반적인 자율주행 모델은 적절하게 대응하지 못하는 특별한 상황(예를 들어, 악의적인 공격에 의한 교통 표지판의 정지 사인 인식이 불가능한 경우 -도 2d)에 대해 적절하게 대응하는 자동차의 조작일 수 있다. 따라서 입력은 특별한 상황에 대한 감지 데이터를, 레이블은 성공적인 자동차의 조작 데이터를 훈련데이터로 하여 인공지능모델이 훈련될 수 있다.
여기서, 이벤트처리엔진은 제1 자동차 그룹(200)으로부터 수집한 성공여부 데이터에 따라 이벤트 처리가 성공된 케이스에 대하여 감지 데이터를 입력으로 하고, 조작 데이터를 레이블로 하는 훈련데이터를 퓨샷 러닝(few shot learning) 방식을 통해 훈련시킨 MAML(model agnostic meta learning) 모델을 포함할 수 있다.
여기서, 퓨샷 러닝은 수많은 데이터를 학습하며 시행착오를 반복하는 강화학습의 약점을 극복하기 위해 상대적으로 적은 샘플로 상당한 수준의 학습이 가능하게 하는 것이며, 때로는 인간의 개입도 가능한 학습방법이다. 적은 수의 감지 데이터 및 조작 데이터만으로 새로운 데이터까지 잘 처리하도록 일반화하는 퓨샷러닝을 이벤트처리엔진에 적용할 수 있다. 이는 이벤트 발생 조건을 만족하는 이벤트 데이터의 개수가 많지 않음에 기인한 것이다.
도 4는 퓨샷 러닝 방식 중 하나인 MAML(model agnostic meta learning) 모델을 이용하여 초기 모델 파라미터를 결정하는 내용을 도시하고 있다. 도 4를 참조하면, 초기 모델 파라미터 θ0는 파라미터 스페이스 중 임의의 지점에 위치할 수 있다. 제1 프로세서(120)가 제1 자동차 그룹(200)으로부터 수집한 몇몇 엣지 케이스에 대한 훈련데이터 샘플을 이용하여 MAML 모델을 훈련하면, 초기 모델 파라미터 θ0는 임의의 지점에서 θ1 위치, θ2 위치, θ3 위치로 각각 최적화 될 수 있다.
본 실시 예에서, 제1 프로세서(120)는 획득한 모델 파라미터들 θ1, θ2 및 θ3의 중간값(평균값, θ*)을 산출할 수 있다. 산출한 모델 파라미터의 중간값 θ*를 신규 엣지 케이스에 대한 MAML 모델의 초기 모델 파라미터로 결정하고 훈련하게 되면, 중간값(평균값, θ*)에서 신규 엣지 케이스의 모델 파라미터 θnew까지 빠르게 최적화 할 수 있다.
만약 중간값(평균값, θ*)을 산출하지 않은 경우, 신규 엣지 케이스에 대한 MAML 모델 훈련 시, 초기 모델 파라미터 θ0에서 신규 모델 파라미터 θnew까지 최적화 해야 하므로, 신규 MAML 모델을 최적화하는 시간이 많이 소요될 수 있다. 그러나 본 실시 예의 경우 기존 도메인에 대한 모델 파라미터들(θ1, θ2 및 θ3)의 중간값(평균값, θ*)을, 신규 모델의 초기 모델 파라미터로 결정하고, 신규 엣지 케이스에 대한 감지 데이터 및 조작 데이터를 입력으로 하고, 이벤트 처리 성공 데이터를 레이블로 하는 훈련데이터를 이용하여 MAML 모델을 훈련하게 되므로, 중간값(평균값, θ*)이 산출되지 않아 초기 파라미터 θ0에서 신규 모델 파라미터 θnew까지 최적화 하는 것보다 더 빠르게 중간값(평균값, θ*)에서 신규 모델 파라미터 θnew까지 최적화할 수 있게 된다.
본 실시 예에서, MAML 모델은 일회성 모델일 수 있다. 즉, MAML 모델을 이용하여 엣지 케이스가 처리되면, MAML 모델은 폐기될 수 있다.
제1 메모리(130)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 제1 메모리(130)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 드라이브 메커니즘(drive mechanism)을 이용하여 제1 메모리(130)와는 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록 매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체를 포함할 수 있다. 다른 실시 예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 제1 통신부(110)를 통해 제1 메모리(130)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크를 통해 제공하는 파일들에 의해 설치되는 프로그램에 기반하여 제1 메모리(130)에 로딩될 수 있다.
도 5는 도 1의 자동차 주행 제어 환경 중 제1 자동차 그룹에 포함되는 제1 자동차의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1 내지 도 5에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 5를 참조하면, 제1 자동차 그룹(200)에 포함된 제1 자동차(200_1,200_2,...,200_N)는 제2 통신부(210), 제2 메모리(220), 센싱부(230), GPS(global positioning system) 수신부(240), 지도 데이터베이스(250), 표시부(260), 경고부(270), 액추에이터(280) 및 제2 프로세서(290)를 포함할 수 있다. 본 실시 예에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
제2 통신부(210)는 무선 또는 유선 연결을 통해 신호를 송신 및 수신하기 위해 다양한 전자 회로로 구현되는 하드웨어 장치로서, 본 실시 예에서는 캔(can) 통신, 린(LIN) 통신 등을 통해 자동차 내 통신을 수행하며, 센싱부(230), GPS 수신부(240), 지도 데이터베이스(250), 표시부(260), 경고부(270) 및 액추에이터(280) 등과 통신을 수행할 수 있다. 또한 제2 통신부(210)는 네트워크(400)를 통하여 주행 제어 장치(100)와 신호를 송신 및 수신할 수 있다.
제2 메모리(220)는 컴퓨터에서 판독 가능한 기록 매체로서, 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 예를 들어, 적어도 하나의 프로그램 코드는 자율주행 모델을 적용하여 자율주행을 수행하는 코드와, 이벤트 발생 조건을 만족하는지 여부를 판단하는 코드와, 이벤트 발생 조건이 만족됨에 따라 트리거링되어, 트리거링된 시점 전후의 주행관련 데이터를 생성 및 저장하는 코드와, 주행관련 데이터를 주행 제어 장치(100)로 전송하는 코드 등을 포함할 수 있다.
센싱부(230)는 제1 자동차의 외부 상황을 감지하는 복수의 센서를 포함할 수 있다. 예를 들어, 센싱부(230)는 제1 자동차의 외부에 존재하는 외부 대상의 위치, 외부 대상의 속도, 외부 대상의 이동 방향 및/또는 외부 대상의 종류(예: 자동차, 보행자, 자전거, 교통 표지판 등)에 대한 정보를 획득할 수 있다. 이러한 센싱부(230)는 초음파 센서, 레이더 센서, 라이다 센서, 카메라, 레이저 스캐너 및/또는 코너 레이더, 가속도 센서, 요레이트 센서, 토크 측정 센서 및/또는 휠스피드 센서, 조향각 센서, 스티어링 휠 토크 센서 등을 포함할 수 있다.
본 실시 예에서 센싱부(230)는 초음파 센서, 레이더 센서, 라이다 센서, 카메라 등을 통해 제1 자동차 주변의 동적 대상 및 정적 대상을 감지하여 제2 프로세서(290)로 제공할 수 있다. 또한, 센싱부(230)는 카메라의 영상 데이터로부터 차선을 포함하는 도로의 정보, 비가오거나 흐리거나 맑은 날씨 관련 정보, 교통 표지판 정보 등을 획득하여 제2 프로세서(290)에 제공할 수 있다. 또한, 센싱부(230)는 조향각 센서로부터 스티어링 각도 정보 등을 획득하여 제2 프로세서(290)로 제공할 수 있다.
GPS 수신부(240)는 GPS 위성에서 보내는 GPS 신호를 수신하여 제2 프로세서(290)로 제공할 수 있다. GPS 신호는 제1 자동차의 현재 위치를 파악하기 위해 사용 될 수 있다.
지도 데이터베이스(250)는 제1 자동차의 자율주행 제어를 위한 지도 정보를 저장하고 제2 프로세서(290)로 지도 정보를 제공할 수 있다. 이때 지도 정보는 제1 자동차가 현재 주행하고 있는 도로의 종류(예, 고속도로, 자동차 전용 도로, 일반 도로 등), 톨게이트 존재 여부, JC/IC 여부 등의 정보를 포함할 수 있다.
표시부(260)는 제1 자동차의 주행 상황을 표시할 수 있으며, 제1 자율주행 모델로 자율주행을 수행하는 중에 제어권 이양 요청 알림을 위한 시각 경고를 표시할 수 있다. 또한, 표시부(260)는 제어권 이양의 요청뿐만 아니라 자율주행 시 차량 제어 정보를 표시하여 사용자에게 제공할 수 있다.
표시부(260)는 헤드업 디스플레이(HUD), 클러스터, AVN(audio video navigation) 등으로 구현될 수 있다. 또한, 표시부(260)는 액정 디스플레이(LCD, liquid crystal display), 박막 트랜지스터 액정 디스플레이(TFT LCD, thin film transistor-LCD), 발광 다이오드(LED, light emitting diode), 유기 발광 다이오드(OLED, organic LED), 능동형 OLED(AMOLED, active matrix OLED), 플렉서블 디스플레이(flexible display), 벤디드 디스플레이(bended display), 그리고 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이는 외부를 볼 수 있도록 투명형 또는 광투명형으로 구성되는 투명 디스플레이(transparent display)로 구현될 수 있다. 또한, 표시부(260)는 터치 패널을 포함하는 터치스크린(touchscreen)으로서 마련되어 출력 장치 이외에 입력 장치로도 사용될 수 있다.
경고부(270)는 자율주행 중 주행 위험 상황 알림 등의 경고를 수행할 수 있다. 경고부(270)는 시각, 청각, 촉각의 경고를 수행하기 위한 구성을 구비할 수 있으며, 헤드업 디스플레이(HUD), 클러스터, AVN(audio video navigation), 팝업 스피커 등으로 구현될 수 있다.
액추에이터(280) 제2 프로세서(290)에 의해 제어되어 제1 자동차의 조향각, 가속, 제동, 엔진 구동 등을 제어하도록 구성될 수 있으며, 스티어링 휠, 스티어링 휠과 연동된 액추에이터 및 액추에이터를 제어하는 제어기, 브레이크를 제어하는 제어기, 차량의 속도를 제어하는 제어기, 차량의 변속을 제어하도록 구성될 수 있으며, 기어, 클러치 등을 제어하는 제어기를 포함할 수 있다.
제2 프로세서(290)는 제1 자동차 전체의 동작을 제어할 수 있다. 제2 프로세서(290)는 이벤트 발생 조건을 만족하는지 여부를 판단할 수 있다. 제2 프로세서(290)는 이벤트 발생 조건이 만족됨에 따라 트리거링되어, 트리거링된 시점 전후의 주행관련 데이터를 생성하여 주행 제어 장치(100)로 전송할 수 있다.
본 실시 예에서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령어로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
도 6은 도 1의 자동차 주행 제어 환경 중 제2 자동차 그룹에 포함되는 제2 자동차의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1 내지 도 5에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 6을 참조하면, 제2 자동차 그룹(300)에 포함된 제2 자동차(300_1,300_2,...,300_N)는 제3 통신부(310), 제3 메모리(320), 센싱부(330), GPS 수신부(340), 지도 데이터베이스(350), 표시부(360), 경고부(370), 액추에이터(380) 및 제3 프로세서(390)를 포함할 수 있다. 본 실시 예에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
제3 통신부(310)는 무선 또는 유선 연결을 통해 신호를 송신 및 수신하기 위해 다양한 전자 회로로 구현되는 하드웨어 장치로서, 본 실시 예에서는 캔(can) 통신, 린(LIN) 통신 등을 통해 자동차 내 통신을 수행하며, 센싱부(330), GPS 수신부(340), 지도 데이터베이스(350), 표시부(360), 경고부(370) 및 액추에이터(380) 등과 통신을 수행할 수 있다. 또한 제3 통신부(310)는 네트워크(400)를 통하여 주행 제어 장치(100)와 신호를 송신 및 수신할 수 있다.
제3 메모리(320)는 컴퓨터에서 판독 가능한 기록 매체로서, 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 예를 들어, 적어도 하나의 프로그램 코드는 자율주행 모델을 적용하여 자율주행을 수행하는 코드와, 이벤트 발생을 처리할 수 있는 인공지능 모델(MAML 모델)을 저장하는 코드와, 이벤트 발생 조건을 만족하는지 여부를 판단하는 코드와, 이벤트 발생 조건이 만족됨에 따라 해당 이벤트 발생을 처리할 수 있는 MAML 모델이 저장되어 있는지 판단하는 코드와, 해당 이벤트 발생을 처리할 수 있는 MAML 모델이 저장되어 있는 경우 자율주행 모델의 적용을 종료하고 MAML 모델을 적용하여 주행하는 코드와, 적용한 MAML 모델을 폐기하는 코드와, 해당 이벤트 발생을 처리할 수 있는 MAML 모델이 저장되어 있지 않은 경우 운전자에 제어권 이양 요청을 알림하거나 자율주행 모델을 적용하여 주행을 유지하는 코드 등을 포함할 수 있다.
본 실시 예에서 제3 메모리(320)는 이벤트 발생을 처리할 수 있는 적어도 하나의 MAML 모델을 저장할 수 있다.
이하, 센싱부(330), GPS 수신부(340), 지도 데이터베이스(350), 표시부(360), 경고부(370) 및 액추에이터(380)의 설명은 주체가 도 5와 동일하므로 생략하기로 한다.
제3 프로세서(390)는 제2 자동차 전체의 동작을 제어할 수 있다. 제3 프로세서(390)는 기설정된 조건을 만족하는 경우, 네트워크(400) 및 제3 통신부(310)를 통하여 주행 제어 장치(100)로부터 적어도 하나의 MAML 모델을 배포 받을 수 있다. 여기서 제3 프로세서(390)가 MAML 모델을 배포 받을 수 있는 기설정된 조건은, 주행 제어 장치(100)와 통신 가능한 경우 또는 네비게이션 등을 이용하여 주행 전에 설정된 목적지까지의 주행 경로 상에 이벤트 발생 지역이 포함되어 있는 경우를 포함할 수 있다.
제3 프로세서(390)는 제1 자율주행 모델 또는 제2 자율주행 모델을 적용하여 주행하는 중에 이벤트 발생 조건을 만족하는지 여부를 판단할 수 있다. 제3 프로세서(390)는 이벤트 발생 조건이 만족됨에 따라 제3 메모리(320)에 해당 이벤트 발생을 처리할 수 있는 MAML 모델이 저장되어 있는지 판단할 수 있다.
해당 이벤트 발생을 처리할 수 있는 MAML 모델이 제3 메모리(320)에 저장되어 있는 경우 제3 프로세서(390)는 제1 자율주행 모델 또는 제2 자율주행 모델의 적용을 종료하고 MAML 모델을 적용하여 주행하도록 할 수 있다. 제3 프로세서(390)는 해당 MAML 모델을 적용하여 이벤트 발생을 성공적으로 처리함에 따라 제3 메모리(320)로부터 해당 MAML 모델을 폐기할 수 있다. 제3 프로세서(390)는 해당 MAML 모델을 폐기한 후 원래 자율주행 모델을 적용하여 주행할 수 있다.
그러나 해당 이벤트 발생을 처리할 수 있는 MAML 모델이 제3 메모리(320)에 저장되어 있지 않은 경우, 제3 프로세서(390)는 운전자에 제어권 이양 요청을 알림하거나, 자율주행 모델을 적용하여 주행을 유지하도록 할 수 있다.
도 7은 본 실시 예에 따른 주행 제어 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 5에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 본 실시 예에서, 주행 제어 방법은 주행 제어 장치(100) 또는 주행 제어 장치(100)에 포함된 제1 프로세서(120)에 의해 수행될 수 있다.
도 7을 참조하면, S710단계에서, 주행 제어 장치(100)는 제1 자율주행 모델을 적용하여 주행하는 제1 자동차 그룹(200)에 포함된 적어도 하나의 제1 자동차로부터 이벤트 발생 조건이 만족됨에 따라 트리거링 되어 생성된 이벤트 데이터를 수집할 수 있다.
주행 제어 장치(100)는 제1 자동차로부터 제1 자율주행 모델을 적용하는 주행과, 운전자가 판단한 주행이 충돌함에 따라 이벤트 발생 조건을 만족한다고 판단되어 트리거링된 시점 전후의 주행 관련 데이터로서의 이벤트 데이터를 수집할 수 있다. 본 실시 예에서, 이벤트 발생 조건은 제1 자동차가 제1 자율주행 모델을 적용하여 주행하는 중에, 제1 자율주행 모델에 포함된 운행 설계 영역(ODD)을 벗어난 위험한 주행 시나리오로서의 엣지 케이스가 발생하여, 운전자의 조작으로 주행을 변경하는 상황을 포함할 수 있다. 또한, 트리거링된 시점 전후의 주행 관련 데이터는, 제1 자동차에 구비된 적어도 하나의 센서가 감지한 감지 데이터와, 운전자에 의한 제1 자동차의 조작 데이터와, 운전자에 의한 제1 자동차의 조작으로 인하여 이벤트 발생 처리에 대한 이벤트 처리 성공여부 데이터 중 하나 이상을 포함할 수 있다.
S720단계에서, 주행 제어 장치(100)는 이벤트 데이터를 이용하여 이벤트의 발생을 처리할 수 있는 인공지능 모델을 생성할 수 있다.
본 실시 예에서, 인공지능 모델은, 제1 자동차 그룹(200)으로부터 수집한 성공여부 데이터에 따라 이벤트 처리가 성공된 케이스에 대하여 감지 데이터를 입력으로 하고, 조작 데이터를 레이블로하는 훈련데이터에 의해 훈련되어 이벤트 발생을 처리하는 이벤트처리엔진을 포함할 수 있다. 이러한 이벤트처리엔진은 성공여부 데이터에 따라 이벤트 처리가 성공된 케이스에 대하여 감지 데이터를 입력으로 하고, 조작 데이터를 레이블로 하는 훈련데이터를 퓨샷 러닝(few shot learning) 방식을 통해 훈련시킨 MAML(model agnostic meta learning) 모델을 포함할 수 있다. 또한, 인공지능 모델은 제2 자동차에서 이벤트의 발생을 성공적으로 처리함에 따라 제2 자동차로부터 폐기되도록 구성될 수 있다.
S730단계에서, 주행 제어 장치(100)는 제1 자율주행 모델 또는 제1 자율주행 모델과 다른 제2 자율주행 모델을 적용하여 주행하는 제2 자동차 그룹(200)에 포함된 적어도 하나의 제2 자동차에 이벤트가 발생하는 경우, 제1 자율주행 모델 또는 제2 자율주행 모델의 적용을 중지하고, 인공지능 모델을 이용하여 이벤트의 발생을 처리하도록, 인공지능 모델을 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 배포할 수 있다.
주행 제어 장치(100)는 통신 가능한 제2 자동차에 인공지능 모델을 배포할 수 있다. 또한 주행 제어 장치(100)는 네비게이션을 이용하여 주행 전에 설정된 목적지까지의 주행 경로 상에, 이벤트 발생 지역이 포함된 제2 자동차에 인공지능 모델을 배포할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 주행 제어 장치
200: 제1 자동차 그룹
300: 제2 자동차 그룹
400: 네트워크

Claims (19)

  1. 주행 제어 장치에 의해 자동차의 주행을 제어하는 방법으로서,
    제1 자율주행 모델을 적용하여 주행하는 제1 자동차 그룹에 포함된 적어도 하나의 제1 자동차로부터 이벤트 발생 조건이 만족됨에 따라 트리거링 되어 생성된 이벤트 데이터를 수집하는 단계;
    상기 이벤트 데이터를 이용하여 상기 이벤트의 발생을 처리할 수 있는 인공지능 모델을 생성하는 단계; 및
    상기 제1 자율주행 모델 또는 상기 제1 자율주행 모델과 다른 제2 자율주행 모델을 적용하여 주행하는 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 상기 이벤트가 발생하는 경우, 상기 제1 자율주행 모델 또는 상기 제2 자율주행 모델의 적용을 중지하고, 상기 인공지능 모델을 이용하여 상기 이벤트의 발생을 처리하도록, 상기 인공지능 모델을 상기 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 배포하는 단계를 포함하고,
    상기 이벤트 발생 조건은,
    상기 제1 자동차가 상기 제1 자율주행 모델을 적용하여 주행하는 중에, 상기 제1 자율주행 모델에 포함된 운행 설계 영역(ODD)을 벗어난 위험한 주행 시나리오로서의 엣지 케이스가 발생하여, 상기 운전자의 조작으로 주행을 변경하는 상황이고,
    상기 제2 자동차에 배포하는 단계는,
    상기 제2 자동차 그룹의 자동차들 중 주행 전에 설정된 목적지까지의 주행 경로 상에, 상기 이벤트가 발생한 지역이 포함된 제2 자동차를 선정하는 단계; 및
    선정된 상기 제2 자동차에 상기 인공지능 모델을 배포하는 단계를 포함하며,
    상기 이벤트가 발생한 지역에서 상기 제2 자동차에 배포된 상기 인공지능 모델을 기반으로 상기 운전자의 조작으로 상기 제2 자동차의 주행을 변경하고
    상기 제2 자동차에서 상기 이벤트의 발생을 성공적으로 처리하는 경우, 상기 인공지능 모델은 상기 제2 자동차에서 폐기하고 상기 제2 자동차는 상기 제2 자율주행 모델에 기반하여 자율주행 주행하는,
    주행 제어 방법.
  2. 제 1 항에 있어서,
    상기 이벤트 데이터를 수집하는 단계는,
    상기 제1 자동차로부터 상기 제1 자율주행 모델을 적용하는 주행과, 운전자가 판단한 주행이 충돌함에 따라 상기 이벤트 발생 조건을 만족한다고 판단되어 트리거링된 시점 전후의 주행 관련 데이터로서의 이벤트 데이터를 수집하는 단계를 포함하는,
    주행 제어 방법.
  3. 삭제
  4. 제 2 항에 있어서,
    상기 트리거링된 시점 전후의 주행 관련 데이터는,
    상기 제1 자동차에 구비된 적어도 하나의 센서가 감지한 감지 데이터와, 상기 운전자에 의한 상기 제1 자동차의 조작 데이터와, 상기 운전자에 의한 상기 제1 자동차의 조작으로 인하여 상기 이벤트 발생 처리에 대한 이벤트 처리 성공여부 데이터 중 하나 이상을 포함하는,
    주행 제어 방법.
  5. 제 1 항에 있어서,
    상기 제2 자동차에 배포하는 단계는,
    상기 주행 제어 장치와 통신 가능한 상기 제2 자동차에 상기 인공지능 모델을 배포하는 단계를 포함하는,
    주행 제어 방법.
  6. 삭제
  7. 제 4 항에 있어서,
    상기 인공지능 모델은,
    상기 성공여부 데이터에 따라 이벤트 처리가 성공된 케이스에 대하여 상기 감지 데이터를 입력으로 하고, 상기 조작 데이터를 레이블로하는 훈련데이터에 의해 훈련되어 상기 이벤트 발생을 처리하는 이벤트처리엔진인,
    주행 제어 방법.
  8. 제 7 항에 있어서,
    상기 이벤트처리엔진은 상기 성공여부 데이터에 따라 이벤트 처리가 성공된 케이스에 대하여 상기 감지 데이터를 입력으로 하고, 상기 조작 데이터를 레이블로 하는 훈련데이터를 퓨샷 러닝(few shot learning) 방식을 통해 훈련시킨 MAML(model agnostic meta learning) 모델인,
    주행 제어 방법.
  9. 삭제
  10. 컴퓨터를 이용하여 제 1 항, 제 2 항, 제 3 항 내지 제 5 항, 제 7 항 및 제 8 항 중 어느 한 항의 방법을 실행시키기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체.
  11. 자동차의 주행을 제어하는 장치로서,
    프로세서; 및
    상기 프로세서와 동작 가능하게 연결되고 상기 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고,
    상기 메모리는 상기 프로세서를 통해 실행될 때, 상기 프로세서가 제1 자율주행 모델을 적용하여 주행하는 제1 자동차 그룹에 포함된 적어도 하나의 제1 자동차로부터 이벤트 발생 조건이 만족됨에 따라 트리거링 되어 생성된 이벤트 데이터를 수집하고,
    상기 이벤트 데이터를 이용하여 상기 이벤트의 발생을 처리할 수 있는 인공지능 모델을 생성하며,
    상기 제1 자율주행 모델 또는 상기 제1 자율주행 모델과 다른 제2 자율주행 모델을 적용하여 주행하는 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 상기 이벤트가 발생하는 경우, 상기 제1 자율주행 모델 또는 상기 제2 자율주행 모델의 적용을 중지하고, 상기 인공지능 모델을 이용하여 상기 이벤트의 발생을 처리하도록, 상기 인공지능 모델을 상기 제2 자동차 그룹에 포함된 적어도 하나의 제2 자동차에 배포하도록 야기하는 코드를 저장하고,
    상기 이벤트 발생 조건은, 상기 제1 자동차가 상기 제1 자율주행 모델을 적용하여 주행하는 중에, 상기 제1 자율주행 모델에 포함된 운행 설계 영역(ODD)을 벗어난 위험한 주행 시나리오로서의 엣지 케이스가 발생하여, 상기 운전자의 조작으로 주행을 변경하는 상황이고,
    상기 제2 자동차에 배포하기 위해, 상기 제2 자동차 그룹의 자동차들 중 주행 전에 설정된 목적지까지의 주행 경로 상에, 상기 이벤트가 발생한 지역이 포함된 제2 자동차를 선정하고, 선정된 상기 제2 자동차에 상기 인공지능 모델을 배포하며, 상기 이벤트가 발생한 지역에서 상기 제2 자동차에 배포된 상기 인공지능 모델을 기반으로 상기 운전자의 조작으로 상기 제2 자동차의 주행을 변경하고, 상기 제2 자동차에서 상기 이벤트의 발생을 성공적으로 처리하는 경우, 상기 인공지능 모델은 상기 제2 자동차에서 폐기하고 상기 제2 자동차는 상기 제2 자율주행 모델에 기반하여 자율주행 주행하도록 야기하는 코드를 저장하는,
    주행 제어 장치.
  12. 삭제
  13. 제 12 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 제1 자동차가 상기 제1 자율주행 모델을 적용하여 주행하는 중에, 상기 제1 자율주행 모델에 포함된 운행 설계 영역(ODD)을 벗어난 위험한 주행 시나리오로서의 엣지 케이스가 발생하여, 상기 운전자의 조작으로 주행을 변경하는 상황을 포함하는 상기 이벤트 발생 조건을 만족한다고 판단하여 트리거링된 시점 전후의 주행 관련 데이터로서의 이벤트 데이터를 수집하도록 야기하는 코드를 저장하는,
    주행 제어 장치.
  14. 제 12 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 제1 자동차에 구비된 적어도 하나의 센서가 감지한 감지 데이터와, 상기 운전자에 의한 상기 제1 자동차의 조작 데이터와, 상기 운전자에 의한 상기 제1 자동차의 조작으로 인하여 상기 이벤트 발생 처리에 대한 이벤트 처리 성공여부 데이터 중 하나 이상을 포함하는 상기 트리거링된 시점 전후의 주행 관련 데이터를 수집하도록 야기하는 코드를 저장하는,
    주행 제어 장치.
  15. 제 11 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 프로세서와 통신 가능한 상기 제2 자동차에 상기 인공지능 모델을 배포하도록 야기하는 코드를 저장하는,
    주행 제어 장치.
  16. 삭제
  17. 제 14 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 성공여부 데이터에 따라 이벤트 처리가 성공된 케이스에 대하여 상기 감지 데이터를 입력으로 하고, 상기 조작 데이터를 레이블로하는 훈련데이터에 의해 훈련되어 상기 이벤트 발생을 처리하는 이벤트처리엔진인 상기 인공지능 모델을 생성하도록 야기하는 코드를 저장하는,
    주행 제어 장치.
  18. 제 17 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 이벤트처리엔진은 상기 성공여부 데이터에 따라 이벤트 처리가 성공된 케이스에 대하여 상기 감지 데이터를 입력으로 하고, 상기 조작 데이터를 레이블로 하는 훈련데이터를 퓨샷 러닝(few shot learning) 방식을 통해 훈련시킨 MAML(model agnostic meta learning) 모델인 상기 이벤트처리엔진으로서의 상기 인공지능 모델을 생성하도록 야기하는 코드를 저장하는,
    주행 제어 장치.
  19. 삭제
KR1020200185507A 2020-12-29 2020-12-29 주행 제어 방법 및 장치 KR102527972B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200185507A KR102527972B1 (ko) 2020-12-29 2020-12-29 주행 제어 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200185507A KR102527972B1 (ko) 2020-12-29 2020-12-29 주행 제어 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220094372A KR20220094372A (ko) 2022-07-06
KR102527972B1 true KR102527972B1 (ko) 2023-04-28

Family

ID=82399920

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200185507A KR102527972B1 (ko) 2020-12-29 2020-12-29 주행 제어 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102527972B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020224910A1 (en) * 2019-05-09 2020-11-12 LGN Innovations Limited Method and system for detecting edge cases for use in training a vehicle control system

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101974870B1 (ko) 2017-06-08 2019-05-03 엘지전자 주식회사 인공지능 로봇 청소기 및 이를 구비하는 로봇 청소 시스템
KR102384743B1 (ko) * 2018-01-09 2022-04-08 삼성전자주식회사 차량의 자율 주행을 위한 자율 주행 장치 및 그 제어 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020224910A1 (en) * 2019-05-09 2020-11-12 LGN Innovations Limited Method and system for detecting edge cases for use in training a vehicle control system

Also Published As

Publication number Publication date
KR20220094372A (ko) 2022-07-06

Similar Documents

Publication Publication Date Title
US11462022B2 (en) Traffic signal analysis system
US20190391582A1 (en) Apparatus and method for controlling the driving of a vehicle
US10627825B2 (en) Using discomfort for speed planning in autonomous vehicles
US11260852B2 (en) Collision behavior recognition and avoidance
US11242040B2 (en) Emergency braking for autonomous vehicles
KR20200071840A (ko) 자율주행차량을 지원하는 시스템 및 방법
US20200310448A1 (en) Behavioral path-planning for a vehicle
US11300957B2 (en) Multiple objective explanation and control interface design
US11745761B2 (en) Path providing device and path providing method thereof
CN113924241B (zh) 用于自主车辆的追踪消失对象
US11403949B2 (en) System for predicting vehicle behavior
US20230221127A1 (en) Pavement marking map change detection, reaction, and live tile shipping
US20230168095A1 (en) Route providing device and route providing method therefor
AU2018373022B2 (en) Using discomfort for speed planning for autonomous vehicles
US20230150540A1 (en) Route providing device and route providing method therefor
KR102527972B1 (ko) 주행 제어 방법 및 장치
US20230256999A1 (en) Simulation of imminent crash to minimize damage involving an autonomous vehicle
US20230251846A1 (en) Information processing apparatus, information processing method, information processing system, and program
US20230289980A1 (en) Learning model generation method, information processing device, and information processing system
CN113911135B (zh) 控制装置及控制方法以及车辆
US20240010233A1 (en) Camera calibration for underexposed cameras using traffic signal targets
US12001175B2 (en) Long tail lidar 3-D object detection improvement with targeted simulation data injection
US20230192104A1 (en) Hybrid scenario closed course testing for autonomous vehicles
US20230356745A1 (en) Map related information sharing for autonomous vehicles
WO2022113772A1 (ja) 情報処理装置、情報処理方法、及び、情報処理システム

Legal Events

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