KR102564430B1 - 차량의 제어 방법, 장치 및 차량 - Google Patents

Abstract

본 출원은 무인 운전과 딥 러닝 기술분야에 관한 차량의 제어 방법, 장치 및 차량을 개시한다. 구체적인 구현방안은, 차량 전방의 현재 이미지를 획득하고 차량의 주차 궤적 경로를 획득하며; 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델을 획득하고; 현재 이미지를 심층 컨벌루션 신경망 모델에 입력하여 차량 전방 구간의 경사도 정보를 획득하며; 경사도 정보에 따라 차량의 종방향 가속도를 결정하고; 및 종방향 가속도에 따라 차량을 제어한다. 본 방안은 차량이 경사도를 획득하는 원가를 절감시킨다.

Description

차량의 제어 방법, 장치 및 차량{METHOD AND DEVICE FOR CONTROLLING VEHICLE, AND VEHICLE}

본 출원은 차량 제어 기술분야에 관한 것으로, 구체적으로는 무인 운전과 딥 러닝 기술분야에 관한 것이며, 특히 차량의 제어 방법, 장치 및 차량에 관한 것이다.

차량 보조 운전 기술의 발달과 더불어 차량의 지능화 발전 추세도 급격히 증가하고 있다. 지능형 주차를 실현하고 운전자가 자동으로 주차할 수 있도록 하기 위하여 무인 주차 시스템이 뒤따라 나타났다.

무인 주차 시스템 (Automatic Parking System, APS)은 주요하게 센싱 유닛, 중앙 제어 장치, 스티어링 액추에이터 및 인간-컴퓨터 인터랙션 모듈로 구성되고 사용자의 명령에 따라 지정된 주차 장소에 차량을 자동으로 주차할 수 있다. 차량 전방 구간의 경사도 정보는 차량의 자율 제어에 있어서 매우 중요하다.

본 출원은 차량의 제어 방법, 차량의 제어 장치, 차량 및 저장매체를 제공한다.

제1 양태에 따르면,

차량 전방의 현재 이미지를 획득하고 차량의 주차 궤적 경로를 획득하는 단계;

주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델을 획득하는 단계;

현재 이미지를 심층 컨벌루션 신경망 모델에 입력하여 차량 전방 구간의 경사도 정보를 획득하는 단계;

경사도 정보에 따라 차량의 종방향 가속도를 결정하는 단계; 및

종방향 가속도에 따라 차량을 제어하는 단계를 포함하는 차량의 제어 방법을 제공한다.

제2 양태에 따르면,

차량 전방의 현재 이미지를 획득하고 차량의 주차 궤적 경로를 획득하는 제1 획득 모듈;

주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델을 획득하는 제2 획득 모듈;

현재 이미지를 심층 컨벌루션 신경망 모델에 입력하여 차량 전방 구간의 경사도 정보를 획득하는 제3 획득 모듈;

경사도 정보에 따라 차량의 종방향 가속도를 결정하는 제1 결정 모듈;

종방향 가속도에 따라 차량을 제어하는 제어 모듈을 포함하는 차량의 제어 장치를 제공한다.

제3 양태에 따르면, 차량을 제공하는데,

적어도 하나의 프로세서; 및

상기 적어도 하나의 프로세서와 통신 연결하는 메모리를 포함하는 차량에 있어서,

상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되며 상기 명령은 상기 적어도 하나의 프로세서에 의해 실행되어 상기 적어도 하나의 프로세서가 본 출원의 제1 양태에 따른 차량의 제어 방법을 수행하도록 한다.

제4 양태에 따르면, 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장매체를 제공하는데 상기 컴퓨터 명령은 상기 컴퓨터가 제1 양태에 따른 차량의 제어 방법을 수행하도록 한다.

제5 양태에 따르면, 컴퓨터 판독 가능 매체에 저장되어 있는 컴퓨터 프로그램을 제공한다. 상기 컴퓨터 프로그램 중의 명령이 실행될 경우, 제1 양태에 따른 차량의 제어 방법이 실행된다.

본 명세서에서 설명한 내용은 본 발명의 실시예의 관건적이거나 중요한 특징을 표기하기 위한 것이 아니고 본 발명의 범위를 한정하기 위한 것도 아님을 이해해야 한다. 본 발명의 기타 특징은 아래의 명세서를 통해 더 용이하게 이해할 수 있을 것이다.

첨부 도면은 본 방안을 더 잘 이해하기 위한 것으로, 본 출원을 한정하지 않는다. 여기서,
도 1은 본 출원의 제1 실시예의 개략도이다.
도 2는 본 출원의 제2 실시예의 개략도이다.
도 3은 본 출원의 제3 실시예의 개략도이다.
도 4는 본 출원의 제4 실시예의 개략도이다.
도 5는 본 출원의 제5 실시예의 개략도이다.
도 6은 본 출원의 제6 실시예의 개략도이다.
도 7은 본 출원의 실시예에 따른 차량의 제어 방법을 구현하기 위한 차량의 블록도이다.

이하, 첨부 도면을 결부하여 본 출원의 예시적인 실시예들을 설명하고자 하며, 이해를 돕기 위해 본 출원의 실시예들의 다양한 세부 사항들이 포함되는데, 이들은 단지 예시적인 것으로 간주되어야 한다. 따라서, 본 출원의 기술 분야의 통상의 지식을 가진 자라면 본 출원의 범위 및 사상을 벗어나지 않으면서 본 명세서에 설명된 실시예들에 대해 다양한 변경 및 수정이 이루어질 수 있음을 알아야 한다. 또한, 명확성 및 간결성을 위해, 공지된 기능 및 구조에 대한 설명은 아래 설명에서 생략된다.

관련 기술의 무인 주차 시스템을 해결하기 위하여 통상적으로 차량에 관성 측량장치(Inertial measurement unit, IMU) 또는 고정밀 지도를 장착하여 경사도를 획득하고 경사도에 따라 차량을 제어한다. 그러나 전체 주차 시스템에 대해 IMU의 원가가 비교적 높고 고정밀 지도의 원가는 더 높으며 유지 비용도 높다.

이하 도면을 참조하여 본 출원의 실시예에 따른 차량의 제어 방법, 장치, 차량 및 저장매체를 설명한다.

도 1은 본 출원의 한 실시예에 따른 차량의 제어 방법의 흐름도이다. 설명해야 할 것은, 본 출원의 실시예에 따른 차량의 제어 방법은 본 출원의 실시예에 따른 차량의 제어 장치에 응용될 수 있고, 상기 장치는 차량에 설치되거나 또는 차량과 통신하는 동시에 이를 제어하는 전자기기에 설치될 수 있으며, 전자기기는 단말기기 또는 서버를 포함할 수 있다.

단계S101, 차량 전방의 현재 이미지를 획득하고 차량의 주차 궤적 경로를 획득한다.

본 출원의 실시예에서, 차량을 사용하는 과정에 사용자에게 무인 주차 수요가 있을 경우, 사용자는 차량에서의 무인 주차 기능과 대응하는 컨트롤을 통해 차량의 무인 주차 기능을 트리거 할 수 있고, 대응하게, 차량에서의 무인 주차 기능이 트리거 된 후, 차량에서의 이미지 수집 모듈을 통해 차량 전방의 현재 이미지를 수집할 수 있으며, 예를 들어, 이미지 수집 모듈은 카메라이고, 차량에서의 카메라는 차량의 바람막이 유리에 장착되어 차량의 바람막이 유리의 카메라를 통해 차량 전방의 현재 이미지를 실시간으로 수집하여 차량 전방의 현재 이미지를 획득할 수 있다.

본 출원의 다른 일부 실시예에서, 사용자가 차량을 지정된 주차위치로부터 지정된 지점으로 무인 운전해야 할 경우, 사용자는 지능형 단말기를 통해 차량에 대응되는 제어 명령을 발송할 수 있고, 대응하게, 차량은 제어 명령을 수신하며 상기 제어 명령에 응답하여 차량의 이미지 수집 모듈을 통해 차량 전방의 현재 이미지를 수집하며 획득한 현재 이미지에 기반하여 후속적인 제어를 수행할 수 있다.

차량 전방의 현재 이미지는 촬영한 사진 이미지 일 수도 있고 촬영한 동영상 이미지 일 수도 있다.

본 실시예에서는 차량에서 바람막이 유리에 장착된 카메라를 제외하고 차량의 앞쪽, 측면, 심지어 차량의 뒤쪽과 같은 차량의 기타 위치에 설치한 카메라를 사용할 수도 있다는 것을 이해해야 한다.

본 출원의 실시예에서, 주차 궤적 경로는 현재 차량과 매칭되는 차량 데이터를 수집한 다음 차량 데이터에 따라 주차 궤적 경로를 생성하는 것을 말한다.

구체적으로, 현재 차량과 매칭되는 차량 데이터를 수집하여 이 내부의 궤적 계획 알고리즘에 의해 주차 궤적 경로를 생성하여, 차량의 주차 궤적을 획득할 수 있다.

현재 차량과 매칭되는 차량 데이터를 수집하는 것은 차량의 카메라, 초음파 레이더 등 센서가 수집한 차량 데이터를 가리킨다.

본 출원의 한 실시예에서는, 차량의 이미지 수집 모듈을 통해 차량 주행 동영상을 실시간으로 수집할 수도 있는 바, 주행 동영상에서 차량의 주차 궤적 동영상을 획득하여 주차 궤적 동영상에서 주차 궤적 경로를 결정할 수 있다.

단계S102, 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델을 획득한다.

본 실시예에서, 이미 저장된 각 주차 궤적 경로와 심층 컨벌루션 신경망 모델 사이의 대응 관계에 따라 상기 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델을 획득할 수 있다.

본 실시예의 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델은 주차 궤적 경로에서의 각 샘플 궤적 포인트에 대응되는 이미지 및 각 샘플 궤적 포인트의 경사도 정보에 기반하여 초기의 신경망 모델을 트레이닝 하여 얻은 것이다.

단계S103, 현재 이미지를 심층 컨벌루션 신경망 모델에 입력하여 차량 전방 구간의 경사도 정보를 획득한다.

경사도 정보는 경사도 유형 및 경사도 값을 포함하나 이에 한정되지 않고, 경사도 유형은 오르막, 내리막 등을 포함한다.

예를 들어 설명하면, 차량이 무인 주차를 수행하는 과정에서 차량의 현재 이미지를 실시간으로 획득할 수 있고, 차량의 현재 이미지를 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델에 입력하여 심층 컨벌루션 신경망 모델을 통해 궤적 경로에 대응되는 경사도 정보에 기반하여 차량 전방 구간의 경사도 정보를 획득할 수 있다.

단계S104, 경사도 정보에 따라 차량의 종방향 가속도를 결정한다.

구체적으로, 차량 전방 구간의 경사도 정보를 획득한 후, 차량에 대응되는 초기 종방향 가속도를 사용할 수 있는데, 여기서 차량에 대응되는 초기 종방향 가속도는 실시간으로 획득할 수도 있고 주기적으로 획득할 수도 있으며, 경사도 정보에 기반하여 차량의 초기 종방향 가속도를 조절하여 차량의 종방향 사속도를 획득할 수 있다.

초기 종방향 가속도는 차량이 곧 경사도 구간에 들어서기 전의 종방향 가속도, 즉 차량이 경사로 구간에 들어서는 것에 대응되는 가속도 값을 말한다.

경사도 정보에서의 경사도 유형 및 경사도 값에 기반하여 차량의 초기 가속을 조절할 수 있다는 것을 이해할 수 있다. 오르막 구간에 대하여, 이에 대응되는 경사도가 클수록 차량의 종방향 가속도도 더 크다. 내리막 구간에 대하여, 내리막 구간에 대응되는 경사도가 클수록 차량의 종방향 가속도도 더 작다.

단계S105, 종방향 가속도에 따라 차량을 제어한다.

구체적으로, 전방 구간의 경사도 정보에 기반하여 차량의 종방향 가속도를 결정한 후, 결정된 종방향 가속도에 기반하여 차량의 운전을 제어하여, 차량으로 하여금 결정된 종방향 가속도에 기반하여 차량 전방 구간을 통과하도록 할 수 있다.

본 출원의 실시예에 따른 차량의 제어 방법에 따르면, 차량을 제어하는 과정에서 실시간으로 차량 전방의 현재 이미지를 획득하고 차량의 주차 궤적 경로를 획득한 다음 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델을 획득하고, 그 다음 현재 이미지를 심층 컨벌루션 신경망 모델에 입력하여 차량 전방 구간의 경사도 정보를 획득하며, 경사도 정보에 따라 차량의 종방향 가속도를 결정하고, 마지막으로 종방향 가속도에 따라 차량을 제어한다. 이로써 관성 측량장치 또는 고정밀 지도에 의해 경사도 정보를 획득함으로 인하여 경사도 원가가 높은 동시에 유지 비용이 높은 문제를 초래하는 것을 방지하여, 차량이 경사도를 획득하는 비용을 절감시킨다.

본 기술분야에서 통상의 지식을 가진 자들이 본 출원을 더 용이하게 이해하도록 하기 위하여 도 2는 본 출원의 하나의 구체적인 실시예에 따른 차량의 제어 방법의 흐름도이다. 도 2에 도시된 바와 같이, 상기 차량의 제어 방법은 아래와 같은 단계를 포함할 수 있다.

단계S201, 차량 전방의 현재 이미지를 획득하고 차량의 주차 궤적 경로를 획득한다.

예를 들어 설명하면, 차량에서의 이미지 수집 모듈은 차량의 바람막이 유리의 카메라에 장착될 수 있다. 무인 주차 수요를 수신할 경우, 차량이 차량 전방의 현재 이미지를 획득하도록 차량의 바람막이 유리의 카메라를 통해 실시간으로 차량 전방의 현재 이미지를 수집할 수 있다.

예를 들어 설명하면, 무인 주차 버튼을 클릭하거나 "무인 주차 하세요"라는 음성 명령을 입력하여 무인 주차 요청을 수신할 수 있다.

본 출원의 실시예에서, 차량의 현재 위치를 획득하고, 및 현재 위치에 따라 차량의 주차 궤적 경로를 결정할 수 있다.

차량의 현재 위치를 획득하도록 차량의 포지셔닝 시스템을 통해 차량의 현재 위치를 포지셔닝 할 수 있다.

구체적으로 말하면, 차량의 현재 위치를 획득할 경우, 차량의 현재 위치가 속하는 주차 궤적 경로를 결정할 수 있고, 차량의 현재 위치가 속하는 주차 궤적 경로를 차량의 현재의 주차 궤적 경로로 할 수 있다. 주차 궤적 경로는 차량의 현재 위치로부터 주차 위치까지의 경로로 이해할 수 있다.

본 출원의 실시예에서, 주차 위치는 미리 설정할 수 있다.

한가지 가능한 구현방식으로서, 차량에서의 수집 모듈을 통해 차량의 행차 궤적 동영상을 수집할 수 있고, 행차 궤적 동영상에서 주차 궤적의 특징에 기반하여 주차 궤적 동영상을 획득하여, 주차 궤적 동영상에서의 주차 궤적 경로를 획득할 수 있다.

다른 한가지 가능한 구현방식으로서, 차량용 GPS(Global Positioning System, 글로벌 포지셔닝 시스템) 시스템을 통해 차량의 행차 궤적을 실시간으로 수비하고 저장하며, 저장된 행차 궤적을 kml 또는 gpx 포맷 데이터로 도출하여 가상 지도 소프트웨어에 로딩하여 차량 주차 궤적 경로를 획득할 수 있다.

가상 지도 소프트웨어는 위성 사진, 항공 사진 및 GIS(Geographic Information System, 지리 정보 시스템)을 한 지도의 3차원 모델에 배치하는 것으로서, 예를 들어 가상 지도 소프트웨어는 Google Earth(구글 어스) 일 수 있다.

단계S202, 주차 궤적 경로에서 다수의 샘플 궤적 포인트에 각각 대응되는 이미지 프레임을 획득한다.

주차 궤적 경로에는 여러 갈래의 경로가 포함될 수 있고, 각 갈래마다 대응되는 구간, 예를 들어 오르막 구간, 내리막 구간 등이 있으며, 각 구간은 다수의 궤적 포인트를 포함한다.

바꾸어 말하면, 차량의 주차 궤적 경로를 획득하되, 여기서 주차 궤적 경로에는 다수의 궤적 포인트가 포함되어 차량 궤적 경로에서의 다수의 샘플 궤적 포인트와 각각 대응되는 이미지 프레임을 획득할 수 있다. 여기서 이미지 프레임은 차량의 주행 시나리오 정보를 지시한다.

단계S203, 각 샘플 궤적 포인트에 따라 이미지 프레임에 각각 대응되는 경사도 정보를 획득한다.

본 출원의 실시예에서, 다수의 샘플 궤적 포인트와 각각 대응되는 이미지 프레임을 획득한 후, 각 이미지 프레임에 대응되는 카메라 파라미터를 획득한 다음 각 이미지 프레임 및 각 이미지 프레임에 대응되는 카메라 파라미터에 따라 3차원 모델링을 수행하여, 3차원 모델을 획득하며, 그 다음 각 이미지 프레임에 대응되는 카메라 파라미터에 따라 각 샘플 궤적 포인트가 3차원 모델에서의 공간 위치를 각각 결정하고, 각 샘플 궤적 포인트가 3차원 모델에서의 공간 위치에 따라 각 샘플 궤적 포인트의 경사도 정보를 결정한 다음 각 샘플 궤적 포인트의 경사도 정보를 대응 이미지 프레임에 대응되는 경사도 정보로 한다. 구체적인 구현과정은 아래 실시예를 참조할 수 있다.

단계S204, 각 이미지 프레임 및 대응되는 경사도 정보에 따라 초기의 심층 컨벌루션 신경망 모델을 트레이닝하여, 심층 컨벌루션 신경망 모델을 획득한다.

예를 들어 설명하면, 이미지 프레임과 대응하는 경사도 정보를 라벨로 하여 각 이미지 프레임과 경사도 정보 라벨에 따라 초기의 심층 컨벌루션 신경망 모델을 트레이닝하여, 트레이닝한 후의 심층 컨벌루션 신경망 모델을 획득할 수 있다.

본 실시예에서, 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델로 하여금 수집한 현재 이미지에 기반하여 차량 전방 구간의 경사도 정보를 정확하게 결정하도록 하기 위하여 상기 심층 컨벌루션 신경망 모델을 사용하기 전에 상기 주차 궤적 경로에서의 다수의 샘플 궤적 포인트의 이미지 프레임 및 이미지 프레임에 대응되는 경사도 정보와 결합하여 초기의 심층 컨벌루션 신경망 모델을 트레이닝하여, 트레이닝한 후의 심층 컨벌루션 신경망 모델로 하여금 후속적으로 이미지에 기반하여 차량 전방 구간의 경사도 정보를 정확하게 결정하도록 할 수 있다.

단계S205, 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델을 획득한다.

단계S206, 현재 이미지를 심층 컨벌루션 신경망 모델에 입력하여 차량 전방 구간의 경사도 정보를 획득한다.

구체적으로, 차량의 현재 이미지를 트레이닝된 심층 컨벌루션 신경망 모델에 입력할 수 있는데, 차량의 현재 이미지에는 다수의 구간이 포함될 수 있고 각 구간마다 다수의 이미지 프레임을 포함할 수 있으며 심층 컨벌루션 신경망 모델은 이미지 프레임에 대응되는 경사도 정보에 기반하여 다수의 이미지 프레임에 대응되는 경사도 정보를 출력하여, 차량 전방 구간의 경사도 정보를 획득할 수 있다.

단계S207, 차량을 위해 설치한 타깃 속도를 획득하고 차량의 현재 속도를 획득한다.

차량의 타깃 속도를 미리 설치할 수도 있고 차량이 주행한 과거 속도에서 나타난 횟수가 가장 많은 속도를 차량의 타깃 속도로 할 수도 있다.

예를 들어 설명하면, 차량이 주차 모드에 진입하는 것을 검출할 때 차량의 현재 속도를 획득할 수 있다.

주차 버튼이 눌린 정보를 검출할 경우, CAN 명령을 통해 상기 정보를 주차 컨트롤러에 발송하여 차량의 주차 컨트롤러가 차량을 주차 모드에 진입하도록 제어하며, 차량이 주차 모드에 진입한 것을 검출할 경우, 차량의 현재 차 속도를 획득한다.

차 속도 센서에 의해 직접 차량의 현재 속도를 실시간으로 획득할 수도 있고 CAN(Controller Area Network, 컨트롤러 영역 네트워크) 버스를 통해 차량 엔진 데이터를 판독하여, 차량의 현재 속도를 획득할 수도 있으며; 계기판 데이터를 판독, 예를 들어 계기판 이미지 데이터를 획득하고 다시 상기 계기판 이미지 데이터에서 차량의 현재 속도를 추출할 수도 있다.

단계S208, 타깃 속도와 현재 속도에 따라 차량의 초기 종방향 가속도를 결정한다.

예를 들어 설명하면, 공식 에 따라 차량의 종방향 가속도 를 획득할 수 있다. 는 현재 속도로부터 타깃 속도로 주행하는데 필요한 시간이고, 은 사전 주행 경로의 타깃 속도이며, 은 사전 주행 경로의 현재의 속도이다.

단계S209, 경사도 정보에 따라 초기 종방향 가속도를 수정하여, 차량의 종방향 가속도를 획득한다.

예를 들어 설명하면, 경사도 유형이 오르막 구간 일 경우, 필요한 가속도가 비교적 큰 바, 즉 초기 종방향 가속도를 수정하여 수정한 후의 종방향 가속도를 획득하고; 경사도 유형이 내리막 구간 일 경우, 필요한 가속도가 비교적 작은 바, 초기 종방향 가속도를 수정하여 수정한 후의 종방향 가속도를 획득한다.

단계S210, 종방향 가속도에 따라 차량을 제어한다.

구체적으로, 전방 구간의 경사도 정보에 기반하여 차량의 종방향 가속도를 결정한 후, 결정된 종방향 가속도에 기반하여 차량에 대해 운전 제어하여, 차량으로 하여금 결정된 종방향 가속도에 기반하여 차량 전방 구간을 통과하도록 할 수 있다.

본 출원의 실시예에 따른 차량의 제어 방법에 따르면 차량이 무인 주차하는 과정에서, 차량 전방의 현재 이미지를 획득하고 차량의 주차 궤적 경로를 획득한 다음 주차 궤적 경로에서 다수의 샘플 궤적 포인트에 각각 대응되는 이미지 프레임을 획득하며, 각 샘플 궤적 포인트에 따라 이미지 프레임에 각각 대응되는 경사도 정보를 획득하고 각 이미지 프레임 및 대응되는 경사도 정보에 따라 초기의 심층 컨벌루션 신경망 모델을 트레이닝하여, 심층 컨벌루션 신경망 모델을 획득하며, 그 다음 현재 이미지를 심층 컨벌루션 신경망 모델에 입력하여 차량 전방 구간의 경사도 정보를 획득한 후 차량의 종방향 가속도를 결정하여 차량에 대한 제어를 구현한다. 상기 방법은 3차원 모델링에 기반하여 심층 컨벌루션 신경망 모델의 트레이닝을 구현하고 현재 이미지를 트레이닝된 심층 컨벌루션 신경망 모델에 입력하여, 경사도 정보를 획득하며, 타깃 속도와 현재 속도에 따라 차량의 초기 종방향 가속도를 결정하고 초기 종방향 가속도를 수정하여, 종방향 가속도에 따라 실시간으로 차량을 제어한다. 이로써 관성 측량장치 또는 고정밀 지도에 의해 경사도 정보를 획득함으로 인하여 경사도 원가가 높은 동시에 유지 비용이 높은 문제를 초래하는 것을 방지하여, 획득한 경사도 정보가 더 정확하고 차량이 경사도를 획득하는 비용을 절감시킨다.

본 출원의 실시예에서, 도 3에 도시된 바와 같이, 각 샘플 궤적 포인트에 따라 이미지 프레임에 각각 대응되는 경사도 정보를 획득하는 구체적인 구현방식은 아래와 같다.

단계S301, 각 이미지 프레임에 대응되는 카메라 파라미터를 획득한다.

카메라 파라미터 정보는 외부 파라미터, 내부 파라미터, 왜곡 파라미터에서의 적어도 하나를 포함한다.

본 출원의 실시예에서, 각 이미지 프레임의 적어도 하나의 특징 포인트를 획득할 수 있고, 각 이미지 프레임의 특징 포인트를 매칭하여 각 이미지 프레임과 매칭되는 적어도 하나의 기타 이미지 프레임을 획득하여 이미지 쌍을 형성한 다음 특징 포인트가 이미지 쌍에서의 각 이미지 프레임에서의 위치 정보에 따라 각 이미지 프레임과 대응하는 카메라 파라미터를 획득할 수 있다.

구체적으로, 특징 포인트는 이미지 프레임에서의 일부 특수 포인트인 바, 일부 특수한 속성을 가지며, 특징 포인트를 이용하여 이미지에서의 주요 정보를 설명한다. 이미지 특징은 주요하게 라인 특징, 코너 특징 등을 포함하고, 상이한 특징은 상이한 특징 설명 부호를 이용하여 설명할 수 있다. 상이한 특징 추출 알고리즘을 이용하여 이미지 프레임에서의 특징 포인트를 검출할 수 있는 바, 예를 들어, SIFT 알고리즘을 이용하여 이미지 프레임에서의 SIFT(영문 명칭: Scale-invariant　feature　transform, 한글 명칭: 스케일 불변 특징 변환) 특징 포인트를 획득할 수 있다. SIFT 특징 포인트는 로버스트성(robustness)이 양호하고 스케일과 회전 불변성을 가진다.

다음, 각 이미지 프레임의 특징 포인트를 추출한 후, 각 이미지 프레임에서의 특징 포인트에 따라 매칭하여, 하나의 이미지 프레임에서의 특징 포인트가 다른 한 이미지 프레임에서의 대응 특징 포인트를 찾고 이러한 이미지 프레임으로 이미지 쌍을 형성한다.

그 다음, 상기 특징 포인트 매칭을 수행한 후, 형성된 이미지 쌍에 대하여 특징 포인트가 이미지 쌍에서의 각 이미지 프레임의 위치 정보에 따라 내부 파라미터 어레이, 외부 파라미터 어레이 계산과 같은 어레이 계산을 수행하여, 각 이미지 프레임에 대응되는 외부 파라미터와 내부 파라미터를 획득할 수 있다.

단계S302, 각 이미지 프레임 및 각 이미지 프레임에 대응되는 카메라 파라미터에 따라 3차원 모델링을 수행하여, 3차원 모델을 획득한다.

각 이미지 프레임에 따라 주행 시나리오에 대해 3차원 재구성을 수행하는 과정에서 기존의 3차원 재구성 방법, 예를 들어 SFM(영문 명칭: Struct From Motion, 한글 명칭: 운동 회복 구조) 알고리즘에 기반한 3차원 재구성을 사용할 수 있다는 것을 이해할 수 있다. 물론, 기타 3차원 재구성 알고리즘을 사용할 수도 있는데 본 실시예는 이에 대해 한정하지 않는다. 본 실시예는 단지 SFM에 기반한 3차원 재구성 과정을 예로 들어 설명한다.

SFM 알고리즘은 특징 추출, 특징 매칭, 어레이 계산, 3차원 재구성 등 단계를 포함한다.

각 이미지 프레임에서의 각 특징 포인트에 대하여, 상기 특징 포인트가 이미지 쌍에서의 각 이미지 프레임에서의 위치 정보 및 각 이미지 프레임의 외부 파라미터, 내부 파라미터에 따라 상기 특징 포인트와 대응하는 3차원 포인트의 위치를 산출하고 다수의 3차원 포인트로 3차원 모델을 구성한다.

단계S303, 각 이미지 프레임에 대응되는 카메라 파라미터에 따라 각 샘플 궤적 포인트가 3차원 모델에서의 공간 위치를 각각 결정한다.

구체적으로, 3차원 모델 및 각 이미지 프레임에 대응되는 카메라 파라미터에 따라 각 샘플 궤적 포인트가 3차원 모델에서의 공간 위치를 결정할 수 있다.

다른 한가지 선택적인 실시형태에서, 계산 과정을 간략하기 위하여 3차원 모델에서의 카메라 위치를 노면의 위치에 수직되게 투영시켜 차량이 3차원 모델에서의 위치로 할 수 있다. 구체적으로, 3차원 모델 및 각 이미지 프레임의 카메라 파라미터에 따라 상기 이미지 프레임의 촬영 시각에 카메라가 3차원 모델에서의 위치를 획득한 후, 3차원 모델에서 노면의 위치를 찾고 3차원 모델에서의 카메라 위치를 노면에 수직되게 이동시켜 차량이 3차원 모델에서의 위치를 획득할 수 있다.

단계S304, 각 샘플 궤적 포인트가 3차원 모델에서의 공간 위치에 따라 각 샘플 궤적 포인트의 경사도 정보를 결정한다.

본 실시예에서, 각 샘플 궤적 포인트가 3차원 모델에서의 공간 위치를 결정한 후, 각 샘플 궤적 포인트가 3차원 모델에서의 공간 위치에 따라 각 샘플 궤적 포인트의 경사도 정보를 결정할 수 있다.

단계S305, 각 샘플 궤적 포인트의 경사도 정보를 대응 이미지 프레임에 대응되는 경사도 정보로 한다.

이로써 알 수 있다 시피, 본 실시예는 3차원 모델링을 통해 이미지 프레임에 각각 대응되는 경사도 정보를 획득하고 획득한 경사도 정보가 더 정확하도록 할 수 있으며 나아가 상기 경사도 정보가 트레이닝 한 심층 컨벌루션 신경망 모델의 정확성에 기반하여 후속적으로 상기 심층 컨벌루션 신경망 모델에 기반하여 대응 이미지에 대응되는 경사도 정보를 정확하게 결정하기 편리하도록 할 수 있다.

상기 몇 가지 실시예가 제공하는 차량의 제어 방법과 대응되게, 본 출원의 한가지 실시예는 차량의 제어 장치를 더 제공하는데, 본 출원의 실시예가 제공하는 차량의 제어 장치가 상기 몇 가지 실시예가 제공하는 차량의 제어 방법과 대응되므로 차량의 제어 방법의 실시형태는 본 실시예가 제공하는 차량의 제어 장치에 적용될 수도 있으며, 본 실시예에서는 더 이상 설명하지 않는다. 도 4~도 6은 본 출원의 하나의 실시예에 따른 차량의 제어 장치의 구조 개략도이다.

도 4에 도시된 바와 같이, 상기 차량의 제어 장치(400)는 제1 획득 모듈(401), 제2 획득 모듈(402), 제3 획득 모듈(403), 제1 결정 모듈(404) 및 제어 모듈(405)을 포함한다. 여기서:

제1 획득 모듈(401)은, 차량 전방의 현재 이미지를 획득하고 차량의 주차 궤적 경로를 획득하는데; 하나의 예로서, 제1 획득 모듈(401)은, 차량의 현재 위치를 획득하는 제1 획득 유닛; 및 현재 위치에 따라 차량의 주차 궤적 경로를 결정하는 제1 결정 유닛을 포함한다.

제2 획득 모듈(402)은, 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델을 획득한다.

제3 획득 모듈(403)은, 현재 이미지를 심층 컨벌루션 신경망 모델에 입력하여 차량 전방 구간의 경사도 정보를 획득한다.

제1 결정 모듈(404)은, 경사도 정보에 따라 차량의 종방향 가속도를 결정하는데; 하나의 예로서, 제1 결정 모듈(404)은 경사도 정보에 따라 초기 종방향 가속도를 수정하여, 차량의 종방향 가속도를 획득한다.

제어 모듈(405)은, 종방향 가속도에 따라 차량을 제어한다.

본 출원의 실시예에 따른 차량의 제어 장치에 따르면, 차량 전방의 현재 이미지를 획득하고 차량의 주차 궤적 경로를 획득한 다음 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델을 획득하고, 그 다음 현재 이미지를 심층 컨벌루션 신경망 모델에 입력하여 차량 전방 구간의 경사도 정보를 획득하며 경사도 정보에 따라 차량의 종방향 가속도를 결정하고, 마지막으로 종방향 가속도에 따라 차량을 제어한다. 경사도 정보에 따라 종방향 가속도를 결정하도록 현재 이미지를 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델에 입력하여 경사도 정보를 획득하여, 종방향 가속도에 따라 실시간으로 차량을 제어한다. 이로써 관성 측량장치 또는 고정밀 지도에 의해 경사도 정보를 획득함으로 인하여 경사도 원가가 높은 동시에 유지 비용이 높은 문제를 초래하는 것을 방지하여, 차량이 경사도를 획득하는 비용을 절감시킨다.

본 출원의 하나의 실시예에 따르면, 도 5에서의 501 내지 505는 도 4에서의 401 내지 405와 동일한 기능 및 구조를 가지는 바, 도 5에 도시된 바와 같이, 제2 획득 모듈502 이전에, 장치는, 주차 궤적 경로에서 다수의 샘플 궤적 포인트에 각각 대응되는 이미지 프레임을 획득하기 위한 제5 획득 모듈(506); 각 샘플 궤적 포인트에 따라 이미지 프레임에 각각 대응되는 경사도 정보를 획득하기 위한 제6 획득 모듈(507); 각 이미지 프레임 및 대응되는 경사도 정보에 따라 초기의 심층 컨벌루션 신경망 모델을 트레이닝하여, 심층 컨벌루션 신경망 모델을 획득하기 위한 제7 획득 모듈(508)을 더 포함한다.

본 출원의 실시예에서, 제6 획득 모듈(507)은, 각 이미지 프레임에 대응되는 카메라 파라미터를 획득하는 제2 획득 유닛; 각 이미지 프레임 및 각 이미지 프레임에 대응되는 카메라 파라미터에 따라 3차원 모델링을 수행하여, 3차원 모델을 획득하는 제3 획득 유닛; 각 이미지 프레임에 대응되는 카메라 파라미터에 따라 각 샘플 궤적 포인트가 3차원 모델에서의 공간 위치를 각각 결정하는 제2 결정 유닛; 각 샘플 궤적 포인트가 3차원 모델에서의 공간 위치에 따라 각 샘플 궤적 포인트의 경사도 정보를 결정하는 제3 결정 유닛; 각 샘플 궤적 포인트의 경사도 정보를 대응 이미지 프레임에 대응되는 경사도 정보로 하는 제4 결정 유닛을 포함한다.

본 출원의 하나의 실시예에 따르면, 도 6에서의 601 내지 608은 도 5에서의 501 내지 508과 동일한 기능 및 구조를 가지는 바, 도 6에 도시된 바와 같이, 제1 결정 모듈(604) 이전에, 장치는, 차량을 위해 설치한 타깃 속도를 획득하고 차량의 현재 속도를 획득하는 제4 획득 모듈(609); 타깃 속도와 현재 속도에 따라 차량의 초기 종방향 가속도를 결정하는 제2 결정 모듈(610)을 더 포함한다.

본 출원의 실시예에 따르면, 본 출원은 차량과 판독 가능 저장매체를 더 제공한다.

본 출원의 실시예에 따르면, 컴퓨터 판독 가능 매체에 저장되어 있는 컴퓨터 프로그램을 더 제공한다. 당해 컴퓨터 프로그램 중의 명령이 실행될 경우, 상기 차량의 제어 방법이 실행된다.

도 7에 도시된 바와 같이, 이는 본 출원의 실시예에 따른 차량의 제어 방법을 구현하는 전자기기의 블록도이다. 예를 들어, 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크 벤치, 개인용 정보 단말기, 서버, 블레이드 서버, 메인 프레임 컴퓨터 및 다른 적합한 컴퓨터 등의 다양한 형태의 디지털 컴퓨터를 가리킨다. 전자기기는 또한 개인용 정보 단말기, 셀룰러 폰, 스마트 폰, 웨어러블 장치 및 다른 유사한 컴퓨팅 장치와 같은 다양한 형태의 모바일 장치를 나타낼 수 있다. 본 명세서에 도시된 구성 요소, 그들의 연결 및 관계 및 그 기능은 단지 예시에 불과하며, 본 명세서에 기술되거나 및/또는 청구된 구현을 한정하도록 의도되지 않는다.

도 7에 도시된 바와 같이, 상기 차량은 하나 이상의 프로세서(701), 메모리(702) 및 고속 인터페이스 및 저속 인터페이스를 포함하는 다양한 구성 요소를 연결하기 위한 인터페이스를 포함한다. 다양한 구성 요소는 서로 다른 버스를 사용하여 서로 연결되며 마더 보드에 설치되거나 필요에 따라 다른 방식으로 설치될 수 있다. 프로세서는 외부 입력/출력 장치(예를 들어, 인터페이스에 연결된 디스플레이 장치)에 GUI의 그래픽 정보를 표시하기 위해 메모리에 저장된 명령을 포함하여 전자기기 내에서 실행되는 명령을 처리할 수 있다. 다른 실시형태에서, 필요한 경우, 다수의 프로세서 및/또는 다수의 버스를 다수의 메모리와 함께 사용할 수 있다. 마찬가지로, 여러 전자기기를 연결할 수 있고, 각 장치는 단지 몇 가지 필요한 기능(예를 들어, 서버 배열, 블레이드 서버 그룹 또는 다중 프로세서 시스템)을 제공할 수 있다. 도 7은 프로세서(701)가 하나인 경우를 예를 들어 설명한다.

메모리(702)는 본 출원에 의해 제공된 비일시적 컴퓨터 판독 가능 저장 매체이다. 적어도 하나의 프로세서에 의해 본 출원의 차량의 제어 방법을 수행하도록, 상기 메모리에는 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장된다. 본 출원의 비 일시적 컴퓨터 판독 가능 저장 매체에는 컴퓨터가 본 출원의 차량의 제어 방법을 실행하게 하는 컴퓨터 명령어가 저장된다.

메모리(702)는 비 일시적 컴퓨터 판독 가능 저장 매체로서, 비 일시적 소프트웨어 프로그램, 비 일시적 컴퓨터 실행 가능 프로그램, 본 출원의 실시예의 차량의 제어 방법에 대응하는 프로그램 명령/모듈과 같은 모듈(예를 들어, 도 4에 도시된 제1 획득 모듈(401), 제2 획득 모듈(402), 제3 획득 모듈(403), 제1 결정 모듈(404) 및 제어 모듈(405))을 저장하기 위해 사용될 수 있다. 프로세서(701)는 메모리(702)에 저장된 비 일시적 소프트웨어 프로그램, 명령 및 모듈을 실행하여 서버의 다양한 기능적 애플리케이션 및 데이터 처리를 실행한다. 다시 말하면, 상기 방법 실시예의 차량의 제어 방법을 구현한다.

메모리(702)는 프로그램을 저장하기 위한 영역 및 데이터를 저장하기 위한 영역을 포함할 수 있고, 여기서 프로그램을 저장하기 위한 영역은 운영 체제 및 적어도 하나의 기능에 필요한 응용 프로그램이 저장될 수 있고; 데이터를 저장하기 위한 영역에는 차량의 제어에 따른 차량의 사용에 따라 생성한 데이터가 저장될 수 있다. 또한, 메모리(702)는 고속 랜덤 액세스 메모리를 포함할 수 있고, 또한 자기 디스크 저장 장치, 플래시 메모리 장치 또는 다른 비 일시적 솔리드 스테이트 저장 장치와 같은 적어도 하나의 비 일시적 메모리를 포함할 수 있다. 일부 실시예에서, 메모리(702)는 프로세서(701)에 대해 원격으로 설정된 메모리를 선택적으로 포함할 수 있고, 이러한 원격 메모리는 네트워크를 통해 차량을 제어하는 차량에 연결될 수 있다. 상기 네트워크의 사례는 인터넷, 인트라넷, 근거리 통신망, 이동 통신망 및 이들의 조합을 포함하지만 이에 한정되지는 않는다.

차량의 제어 방법을 수행하는 차량은 입력 장치703) 및 출력 장치(704)를 더 포함할 수 있다. 프로세서(701), 메모리(702), 입력 장치(703) 및 출력 장치(704)는 버스를 통해 연결되거나 또는 다른 방식으로 연결될 수 있으며, 도 7은 버스를 통한 연결을 예시한 것이다.

입력 장치(703)는 입력된 숫자 또는 문자 정보를 수신할 수 있고, 차량을 제어하는 차량의 사용자 설정 및 기능 제어와 관련된 키 신호 입력을 생성할 수 있으며, 터치 스크린, 키 패드, 마우스, 트랙 패드, 터치 패드, 포인팅 스틱, 하나 이상의 마우스 버튼, 트랙 볼, 조이스틱 및 기타 입력 장치일 수 있다. 출력 장치(704)는 디스플레이 장치, 보조 조명 장치(예를 들어, LED), 촉각 피드백 장치(예를 들어, 진동 모터) 등을 포함할 수 있다. 상기 디스플레이 장치는 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이 및 플라즈마 디스플레이를 포함할 수 있지만, 이에 한정되지는 않는다. 일부 실시형태에서, 디스플레이 장치는 터치 스크린일 수 있다.

본 명세서에 설명된 시스템 및 기술의 다양한 실시형태는 디지털 전자 회로, 집적 회로 시스템, 전용 ASIC(특정 용도 지향 집적 회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 이들의 조합에 의해 구현될 수 있다. 이러한 다양한 실시형태는 하나 이상의 컴퓨터 프로그램에 의해 실시될 수 있고, 상기 하나 이상의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서의 프로그램 가능 시스템에 의해 실행 및/또는 해석될 수 있으며, 상기 프로그램 가능 프로세서는 전용 또는 범용 프로그램 가능 프로세서일 수 있고, 저장 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치로부터 데이터 및 명령을 수신하며, 데이터 및 명령을 저장 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치에 전송할 수 있다.

이러한 컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 응용 프로그램 또는 코드라고도 함)에는 프로그램 가능 프로세서의 기계 명령어가 포함되고, 고급 프로세스 및/또는 객체 지향 프로그래밍 언어 및/또는 어셈블리 언어/기계어를 사용하여 이러한 컴퓨터 프로그램을 구현할 수 있다. 본 명세서에서 사용되는 용어 "기계 판독 가능 매체” 및 "컴퓨터 판독 가능 매체”는 프로그램 가능 프로세서에 기계 명령 및/또는 데이터를 제공하기 위해 사용되는 임의의 컴퓨터 프로그램 제품, 장비 및/또는 장치(예를 들어, 자기 디스크, 광 디스크, 메모리, 프로그램 가능 논리 장치(PLD))를 가리키며, 기계 판독 가능 신호로서 기계 명령을 수신하는 기계 판독 가능 매체를 포함한다. 용어 "기계 판독 가능 신호”는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 신호를 지칭한다.

사용자와의 인터랙티브를 제공하기 위해, 컴퓨터에서 여기에 설명된 시스템 및 기술을 구현할 수 있다. 컴퓨터는 사용자에게 정보를 표시하기 위한 디스플레이 장치(예를 들어, CRT(음극선관) 또는 LCD(액정 디스플레이) 모니터)와 키보드 및 포인팅 장치(예를 들어, 마우스 또는 트랙 볼)를 포함하고, 사용자는 상기 키보드 및 상기 포인팅 장치를 통해 정보를 입력하여 컴퓨터에 제공할 수 있다. 다른 종류의 장치를 사용하여 사용자와의 인터랙티브를 제공할 수도 있다. 예를 들어, 사용자에게 제공되는 피드백은 임의의 형태의 감각 피드백(예를 들어, 시각적 피드백, 청각 피드백 또는 촉각 피드백) 일 수 있고, 임의의 형태(음성 입력, 스피치 입력 또는 촉각 입력 포함)로 사용자에 의해 발송된 정보를 수신할 수 있다.

본 명세서에 설명된 시스템 및 기술은 백 엔드 구성 요소(예를 들어, 데이터 서버)를 포함하는 컴퓨팅 시스템 또는 미들웨어 구성 요소(예를 들어, 애플리케이션 서버)를 포함하는 컴퓨팅 시스템 또는 프론트 엔드 구성 요소(예를 들어, 그래픽 사용자 인터페이스 또는 웹 브라우저를 가진 사용자 컴퓨터일 수 있으며, 사용자는 그래픽 사용자 인터페이스 또는 웹 브라우저를 통해 여기에 설명된 시스템 및 기술의 실시형태와 인터랙티브 할 수 있음)를 포함하는 컴퓨팅 시스템 또는 이러한 백 엔드 구성 요소, 미들웨어 구성 요소 또는 프론트 엔드 구성 요소의 임의의 조합을 포함하는 컴퓨팅 시스템에 의해 구현될 수 있다. 시스템의 구성 요소는 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)에 의해 상호 연결될 수 있다. 통신 네트워크의 예로는 근거리 통신망(LAN), 광역 통신망(WAN) 및 인터넷이 포함될 수 있다.

컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트와 서버는 일반적으로 서로 멀리 떨어져 있으며, 일반적으로 통신 네트워크를 통해 인터랙티브 한다. 클라이언트와 서버 간의 관계는 해당 컴퓨터에서 실행되고 서로 클라이언트-서버 관계가 있는 컴퓨터 프로그램에 의해 발생된다.

본 출원의 실시예의 기술적 해결수단에 따르면, 차량 전방의 현재 이미지를 획득하고 차량의 주차 궤적 경로를 획득한 다음 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델을 획득하며, 그 다음 현재 이미지를 심층 컨벌루션 신경망 모델에 입력하여 차량 전방 구간의 경사도 정보를 획득하고, 경사도 정보에 따라 차량의 종방향 가속도를 결정하며, 마지막으로 종방향 가속도에 따라 차량을 제어한다. 경사도 정보에 따라 종방향 가속도를 결정하도록 현재 이미지를 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델에 입력하여 경사도 정보를 획득하여, 종방향 가속도에 따라 실시간으로 차량을 제어한다. 이로써 관성 측량장치 또는 고정밀 지도에 의해 경사도 정보를 획득함으로 인하여 경사도 원가가 높은 동시에 유지 비용이 높은 문제를 초래하는 것을 방지하여, 차량이 경사도를 획득하는 비용을 절감시킨다.

상기에 도시된 다양한 형태의 과정을 통해 단계를 재정렬, 추가 또는 삭제할 수 있다는 것을 이해해야 한다. 예를 들어, 본 출원에 설명된 각 단계들은 병렬, 순차적 또는 상이한 순서로 수행될 수 있으며, 본 출원에 개시된 기술적 해결책이 원하는 결과를 달성할 수만 있으면, 별도로 한정되지 않는다.

상기 구체적인 실시형태는 본 출원의 보호 범위에 대한 제한을 구성하지 않는다. 당업자는 설계 요건 및 다른 요인에 따라 다양한 변형, 조합, 하위 조합 및 대체가 이루어질 수 있다는 것을 이해해야 한다. 본 출원의 원리와 원칙 내에서 이루어진 모든 수정, 동등한 대체 및 개선은 모두 본 출원의 보호 범위에 포함된다.

Claims (13)

1. 차량의 제어 방법에 있어서,
   차량 전방의 현재 이미지를 획득하고 상기 차량의 주차 궤적 경로를 획득하는 단계;
   상기 주차 궤적 경로에서 다수의 샘플 궤적 포인트에 각각 대응되는 이미지 프레임을 획득하는 단계;
   상기 각 샘플 궤적 포인트에 따라 상기 이미지 프레임에 각각 대응되는 경사도 정보를 획득하는 단계;
   상기 각 이미지 프레임 및 대응되는 경사도 정보에 따라 초기의 심층 컨벌루션 신경망 모델을 트레이닝하여, 상기 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델을 획득하는 단계;
   상기 현재 이미지를 상기 심층 컨벌루션 신경망 모델에 입력하여 상기 차량 전방 구간의 경사도 정보를 획득하는 단계;
   상기 경사도 정보에 따라 상기 차량의 종방향 가속도를 결정하는 단계; 및
   상기 종방향 가속도에 따라 상기 차량을 제어하는 단계를 포함하는
   것을 특징으로 하는 차량의 제어 방법.
2. 제1항에 있어서,
   상기 차량의 주차 궤적 경로를 획득하는 단계는,
   상기 차량의 현재 위치를 획득하는 단계; 및
   상기 현재 위치에 따라 상기 차량의 주차 궤적 경로를 결정하는 단계를 포함하는
   것을 특징으로 하는 차량의 제어 방법.
3. 제1항에 있어서,
   상기 경사도 정보에 따라 상기 차량의 종방향 가속도를 결정하는 단계 이전에, 상기 방법은,
   상기 차량을 위해 설치한 타깃 속도를 획득하고 상기 차량의 현재 속도를 획득하는 단계;
   상기 타깃 속도와 상기 현재 속도에 따라 상기 차량의 초기 종방향 가속도를 결정하는 단계를 더 포함하고,
   상기 경사도 정보에 따라 상기 차량의 종방향 가속도를 결정하는 단계는,
   상기 경사도 정보에 따라 상기 초기 종방향 가속도를 수정하여, 상기 차량의 종방향 가속도를 획득하는 단계를 포함하는
   것을 특징으로 하는 차량의 제어 방법.
4. 삭제
5. 제1항에 있어서,
   상기 각 샘플 궤적 포인트에 따라 상기 이미지 프레임에 각각 대응되는 경사도 정보를 획득하는 단계는,
   상기 각 이미지 프레임에 대응되는 카메라 파라미터를 획득하는 단계;
   상기 각 이미지 프레임 및 상기 각 이미지 프레임에 대응되는 카메라 파라미터에 따라 3차원 모델링을 수행하여, 3차원 모델을 획득하는 단계;
   상기 각 이미지 프레임에 대응되는 카메라 파라미터에 따라 상기 각 샘플 궤적 포인트가 상기 3차원 모델에서의 공간 위치를 각각 결정하는 단계;
   상기 각 샘플 궤적 포인트가 상기 3차원 모델에서의 공간 위치에 따라 상기 각 샘플 궤적 포인트의 경사도 정보를 결정하는 단계; 및
   상기 각 샘플 궤적 포인트의 경사도 정보를 대응 이미지 프레임에 대응되는 경사도 정보로 하는 단계를 포함하는
   것을 특징으로 하는 차량의 제어 방법.
6. 차량의 제어 장치에 있어서,
   차량 전방의 현재 이미지를 획득하고 상기 차량의 주차 궤적 경로를 획득하는 제1 획득 모듈;
   상기 주차 궤적 경로에 대응되는 심층 컨벌루션 신경망 모델을 획득하는 제2 획득 모듈;
   상기 현재 이미지를 상기 심층 컨벌루션 신경망 모델에 입력하여 상기 차량 전방 구간의 경사도 정보를 획득하는 제3 획득 모듈;
   상기 경사도 정보에 따라 상기 차량의 종방향 가속도를 결정하는 제1 결정 모듈;
   상기 종방향 가속도에 따라 상기 차량을 제어하는 제어 모듈;
   상기 주차 궤적 경로에서 다수의 샘플 궤적 포인트에 각각 대응되는 이미지 프레임을 획득하는 제5 획득 모듈;
   상기 각 샘플 궤적 포인트에 따라 상기 이미지 프레임에 각각 대응되는 경사도 정보를 획득하는 제6 획득 모듈; 및
   상기 각 이미지 프레임 및 대응되는 경사도 정보에 따라 초기의 심층 컨벌루션 신경망 모델을 트레이닝하여, 상기 심층 컨벌루션 신경망 모델을 획득하는 제7 획득 모듈을 포함하는
   것을 특징으로 하는 차량의 제어 장치.
7. 제6항에 있어서,
   제1 획득 모듈은,
   상기 차량의 현재 위치를 획득하는 제1 획득 유닛; 및
   상기 현재 위치에 따라 상기 차량의 주차 궤적 경로를 결정하는 제1 결정 유닛을 포함하는
   것을 특징으로 하는 차량의 제어 장치.
8. 제6항에 있어서,
   제1 결정 모듈 이전에, 상기 장치는,
   상기 차량을 위해 설치한 타깃 속도를 획득하고 상기 차량의 현재 속도를 획득하는 제4 획득 모듈; 및
   상기 타깃 속도와 상기 현재 속도에 따라 상기 차량의 초기 종방향 가속도를 결정하는 제2 결정 모듈;을 포함하고,
   상기 제1 결정 모듈은 상기 경사도 정보에 따라 상기 초기 종방향 가속도를 수정하여, 상기 차량의 종방향 가속도를 획득하는
   것을 특징으로 하는 차량의 제어 장치.
9. 삭제
10. 제8항에 있어서,
    제6 획득 모듈은,
    상기 각 이미지 프레임에 대응되는 카메라 파라미터를 획득하는 제2 획득 유닛;
    상기 각 이미지 프레임 및 상기 각 이미지 프레임에 대응되는 카메라 파라미터에 따라 3차원 모델링을 수행하여, 3차원 모델을 획득하는 제3 획득 유닛;
    상기 각 이미지 프레임에 대응되는 카메라 파라미터에 따라 상기 각 샘플 궤적 포인트가 상기 3차원 모델에서의 공간 위치를 각각 결정하는 제2 결정 유닛;
    상기 각 샘플 궤적 포인트가 상기 3차원 모델에서의 공간 위치에 따라 상기 각 샘플 궤적 포인트의 경사도 정보를 결정하는 제3 결정 유닛; 및
    상기 각 샘플 궤적 포인트의 경사도 정보를 대응 이미지 프레임에 대응되는 경사도 정보로 하는 제4 결정 유닛을 포함하는
    것을 특징으로 하는 차량의 제어 장치.
11. 차량에 있어서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서와 통신 연결하는 메모리를 포함하고,
    상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있고 상기 명령은 상기 적어도 하나의 프로세서에 의해 실행되어 상기 적어도 하나의 프로세서가 제1항, 제2항, 제3항 또는 제5항 중 어느 한 항에 따른 차량의 제어 방법을 수행하도록 하는
    것을 특징으로 하는 차량.
12. 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장매체에 있어서,
    상기 컴퓨터 명령은 상기 컴퓨터가 제1항, 제2항, 제3항 또는 제5항 중 어느 한 항에 따른 차량의 제어 방법을 수행하도록 하는
    것을 특징으로 하는 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장매체.
13. 컴퓨터 판독 가능 저장 매체에 저장되어 있는 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램중의 명령이 실행될 경우, 제1항, 제2항, 제3항 또는 제5항 중 어느 한 항에 따른 차량의 제어 방법이 실행되는,
    것을 특징으로 하는 컴퓨터 판독 가능 저장 매체에 저장되어 있는 컴퓨터 프로그램.