KR102591707B1

KR102591707B1 - 보행경로예측장치

Info

Publication number: KR102591707B1
Application number: KR1020200138701A
Authority: KR
Inventors: 전해곤; 배인환
Original assignee: 광주과학기술원
Priority date: 2020-10-23
Filing date: 2020-10-23
Publication date: 2023-10-20
Also published as: KR20220054133A

Abstract

본 발명에 따른 보행경로예측장치에는, 보행경로의 제 1 피처를 업데이트하는 제 1 피처 업데이트부를 포함하고, 상기 제 1 피처 업데이트부는, 노드 간의 거리 스케일을 에지 가중치로 활용하여 그래프 세트를 제공하는 멀티스케일설정부를 포함한다.

Description

보행경로예측장치{Pedestrian trajectory prediction apparatus}

본 발명은 보행자의 보행경로를 예측하는 보행경로예측장치에 관한 것이다.

인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다. 그리고 이러한 각종 동작과 기능을 제공하는 전자장치를 인공지능 디바이스라고 명칭 할 수 있다.

인공지능 장치는 보행자의 경로를 예측할 수 있다. 상기 인공지능 장치는 보행경로예측장치일 수 있다. 이 경우 인공지능 장치는 예를 들어 보행로봇에 탑재되어, 보행로봇의 보행을 안내할 수 있다.

보행경로를 예측하는 종래기술로서, 인용문헌 1이 제안된 바가 있다. 인용문헌 1은 그래프 컨벌루셔널 네트워크(GCN: graph convolutional network)을 이용하는 기술을 제시한다. 상기 인용문헌 1은 각 시공간 그래프 정보를 활용하여 보행자의 경로를 예측한다. 그러나, 인용문헌 1은 보행자가 사회적인 규범에 대응하여 움직이는 것을 반영하여 못한 결과, 보행경로예측이 부정확한 문제가 있다.

Mohamed, A.; Qian, K.; Elhoseiny, M.; and Claudel, C. 2020. Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory Prediction. In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR).

본 발명은 상기되는 배경에서 제안되는 것으로 보행경로의 특성을 이용하여 보행경로 예측에 사용되는 피처를 업데이트하는 인공지능장치를 제안한다. 상기 인공지능장치는 보행경로를 예측할 수 있다.

본 발명에 따르면 정확한 보행경로를 예측할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 인공지능 장치를 나타내는 도면.
도 2는 본 발명의 일 실시 예에 따른 인공지능 서버를 나타내는 도면.
도 3은 본 발명의 일 실시 예에 따른 인공지능 시스템을 나타내는 도면.
도 4는 본 발명의 실시예에 따른 인공지능 장치를 설명하는 도면.
도 5는 멀티스케일설정부의 작용을 설명하는 도면.
도 6은 본 발명의 효과를 설명하는 테이블.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

<인공 지능(AI: Artificial Intelligence)>

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

<로봇(Robot)>

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

<확장 현실(XR: eXtended Reality)>

확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.

MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.

XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth?), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+자율주행>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.

여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+XR>

XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.

XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

<AI+로봇+자율주행>

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

<AI+로봇+XR>

로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.

XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

<AI+자율주행+XR>

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.

이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

상기 인공지능 서버(200)는 도 1 내지 3에서 설명한 AI 장치(100)의 구성을 포함하고 AI 장치(100)의 기능을 수행할 수 있다.

상기 전자 기기(300)는 도 1 내지 3에서 설명한 AI 장치(100)의 구성을 포함하고 AI 장치(100)의 기능을 수행할 수 있다.

본 명세서에서 설명하는 인공지능 장치는, 인공지능 서버(200) 또는 전자 기기(300)일 수 있다.

이하에서는 인공지능 장치는 보행예측장치로 작용할 수 있다.

상기 보행예측장치는 로봇, 및 자율주행장치 등을 포함하는 다수의 전자기기에 사람의 보행경로를 예측할 수 있는 자원으로서 작용할 수 있다.

보행자들의 대표적인 행동 패턴은 다수가 있을 수 있다. 그 예로, 사람과 사람, 및 사람과 그룹과의 상호작용에 따른 패턴을 포함할 수 있다. 상기 행동 패턴은 세 가지를 포함할 수 있다. [1] 충돌 회피(Collision avoidance): 자기의 보행경로 상에 사람 또는 그룹이 있는 경우에 충돌을 회피하는 것, [2] 그룹 합류(Joining group): 자기가 속하는 그룹쪽으로 이동하여 합류라는 것, [3] 상호작용(Interaction): 멈추어서 그룹을 이루어 작용하는 것을 포함할 수 있다.

다른 예로, 사람과 군중 전체와의 상호작용에 따른 패턴을 포함할 수 있다. 예를 들어, [4] 주변 흐름과 같은 보행(Walking at the same pace): 보행자가 주변부의 다수의 군중과 같이 보행하는 것을 포함할 수 있다. 이러한 보행자 간 상호작용은 사회적 규범 및 작용을 따르는 것으로 이해할 수 있다. 상기 GCN이 위 보행자의 행동 패턴을 반영하는 것은 중요하다.

한편, GCN에서는 각 보행자인 노드 간에 어떠한 에지를 구성하여 연결하느냐가 문제이다. 단순한 예시로, 두 보행자 간 거리가 가까우면 높은 에지 연결을 해 줄 경우, 가까이에 있는 사람이 주요한 관심 대상으로 정해져 버린다. 이 경우에, 해당 사람을 회피할 수 있다. 이는 위 네 가지 행동 패턴들 중 상기 [1]에 해당하는 상황에 대해 해결할 수 있다. 그러나, 회피 후 본래의 목적지 방향으로 복구되지 않는 예측 결과로 이어진다. 또한 상기 [2]와 상기 [3]에서 다른 사람과 합류하며 대상과 상호작용하지 못하고 회피해버리는 예측 결과들이 빈번히 나타날 수 있다. 상기 [4]의 경우에도 멀리 있는 다른 보행자에 대한 연결이 약해 주변 사람들을 인식하지 못하고, 각자 다른 속도로 보행하는 예측 결과로 이어질 수 있다.

<GCN: 그래프 컨벌루셔널 네트워크(graph convolutional network)>

그래프 컨벌루셔널 네트워크는 수학식 1을 이용하여 레이어 별로 피처를 업데이트할 수 있다.

여기서, H는 모든 노드의 피처들이다. σ는 비선형활성화함수이다. 실시예에는 PReLU를 사용하였다. A는 인접 매트릭스(adjacency matrix)이다. W는 레이어 별로 학습가능한 가중치 메트릭스이다. l은 레이어의 인덱스이다. 상기 노드는 모든 보행자를 지칭할 수 있다. 적어도 두 개의 상기 노드의 연결을 그래프라고 할 수 있다. 상기 그래프의 끝을 에지라고 할 수 있다. 명세서의 상기 영문자의 표시는 동일한 의미를 가질 수 있다.

상기 그래프 컨벌루셔널 네트워크와 관련되는 그 외의 내용은 인용문헌 1의 내용을 참조할 수 있다. 본 발명의 이해를 위하여 인용문헌 1의 설명은 본 발명의 설명에 포함되는 것으로 한다.

상기 수학식 1을 이용하여 GCN를 이용한 보행경로예측을 위한 피처의 업데이트가 가능하다.

상기 수학식 1에 따르면, 상기 [1] 충돌 회피(Collision avoidance), 상기 [2] 그룹 합류(Joining group), 상기 [3] 상호작용(Interaction), 및 [4] 주변 흐름과 같은 보행(Walking at the same pace)를 올바르게 업데이트 할 수 없다.

본 실시예는 상기 보행자의 보행특성을 반영하여 보행경로를 예측하는 인공지능 장치를 제안한다.

도 4는 본 발명의 실시예에 따른 인공지능 장치를 설명하는 도면이다.

도 4를 참조하면, 제 1 피처를 업데이트하는 제 1 피처 업데이트부(1000)와, 제 2 피처를 업데이트하는 제 2 피처 업데이트부(2000)가 포함될 수 있다. 상기 제 1 피처는 적어도 두 개의 피처의 집합일 수 있다. 상기 제 2 피처는 상기 제 1 피처에 포함될 수 있다.

상기 제 1 피처 업데이트부(1000)의 구성을 설명한다. 상기 제 1 피처 업데이트부(1000)는 다수의 상보적 시공간 피처를 시간과 공간 축으로 분리하여 업데이트하는 과정을 포함할 수 있다. 피처를 공간 축으로 업데이트하는 과정에는 멀티관계나눔부(multi-relational GCN)(1010)를 포함할 수 있다. 실시예에는 두 개의 피처를 포함할 수 있다. 상기 두 개의 특징은, 보행자 간의 상대적 변위정보(relative displacement)와 보행자 간의 거리정보(distance)를 포함할 수 있다. 여기서 거리정보는 유클리드 거리정보일 수 있다. 도면에는, 거리정보(1011)과 상대적 변위정보(1012)로 분리된 것을 볼 수 있다.

상기 멀티관계나눔부는 수학식 2로 표현할 수 있다.

여기서, R은 상기 멀티관계의 관계를 지칭할 수 있다. 상기 R의 요소로는 상기 상대적 변위정보와 상기 거리정보를 포함할 수 있다. 상기 R에는 더 많은 정보를 포함할 수 있다. 상기 멀티관계나눔부(1010)는, 상기 인용문헌 1이 상기 상대적 변위정보만을 다루는 것과는 다르다. 이 기술에 따르면, [2] 그룹 합류(Joining group), 및 [3] 상호작용(Interaction)을 잘 예측할 수 있었다. 예를 들어, 보행자가 그룹에 합류해서 상호 작용하는 것을 잘 예측할 수 있다.

상기 제 1 피처 업데이트부(1000)는 다관계병합부(1040)를 포함할 수 있다. 상기 멀티관계나눔부(1010)에 의해서 분리되어 공간 축으로 업데이트 된 피처는 다관계병합부(1040)에서 시간 축으로 병합할 수 있다. 상기 다관계병합부(1040)은 채널축을 따르는 3*1 필터를 가지는 2D 컨벌루션 레이어로 구현될 수 있다. 물론, 특징을 병합하는 다른 수단을 배제하지 않는다.

상기 제 1 피처 업데이트부(1000)는 부족한 학습자료를 보충하는 그래프가공부(1020)를 포함할 수 있다. 상기 그래프 가공부(1020)는 드랍에지기술(dropedge tehnique)을 활용할 수 있다. 상기 그래프 가공부(1020)는 입력되는 그래프에서 에지를 랜덤하게 제거하여 서브그래프를 만들 수 있다.

상기 그래프 가공부(1020)의 작용은 수학식 3으로 나타낼 수 있다.

여기서, 은 상대적인 인접 메트릭스이고, 인접 매트릭스(A)의 정규화된 텀이다. 은 오리지널 노드에 대하여 랜덤하게 연결된 에지이다. p는 드랍율(dropping rate)이다. 는 원소들 간의 곱 연산자이다. 상기 그래프 가공부에 의해서 그래프는 늘어날 수 있다.

학습자료가 충분한 경우에는 상기 그래프 가공부는 포함되지 않을 수도 있을 것이다. 다만, 바람직하게는 학습자료를 포함하여 더 정확한 피처 업데이트가 될 수 있다.

상기 제 1 피처 업데이트부(1000)는 멀티스케일설정부(1030)를 포함한다. 상기 멀티스케일설정부(1030)는 k의 홉을 가지는 인접관계(k-hop neighborhoods)가 피처의 수집을 위하여 사용한다. 상기 멀티스케일설정부(1030)의 작용은 수학식 4로 표현할 수 있다.

여기서, k는 홉을 의미할 수 있다. 상기 인접 매트릭스(A)와 상기 가중치 매트릭스(W)는 홉별로 주어지는 것을 볼 수 있다. 상기 수학식 4를 상기 수학식 1과 비교하면, 상기 멀티스케일설정부(1030)에 의해서 홉 별로 학습을 수행하는 차이점이 있다. 상기 수학식 4와 상기 수학식 2를 비교하면, 수학식 2는 상기 수학식 4가 상기 거리정보 및 상기 상대적 변위정보에 대하여 각각 수행되는 것을 볼 수 있다.

상기 멀티스케일설정부(1030)에 의해서, 어느 한 노드에서 가까운 노드 뿐만 아니라, 먼 노드간의 관계를 학습에 사용될 수 있다. 물론, 상기 학습에는 별도의 가중치가 적용될 수 있다. 상기 멀티스케일설정부(1030)에 의해서 풍부한 관계가 학습에 사용될 수 있다.

상기 수학식 3을 적용하면, 에지 가중치가 지수함수로 증가하는 문제가 발생할 수 있다. 어느 그룹에 속하는 노드가 강한 연결을 가질 때, 상기 가중치가 그 그룹에 속한 노드에 대해서만 강한 바이어스가 걸리는 문제가 발생할 수 있다. 도면을 참조하여 설명한다.

도 5는 멀티스케일설정부의 작용을 설명하는 도면이다. 도 4 및 도 5를 참조하면, 상기 멀티스케일설정부의 작용을 설명한다.

도 5(a)를 참조하면, 노드 6-노드9가 서로 강하게 연결된 그룹 1이 있고, 노드 3-노드 4가 있는 그룹 2가 있다. 이때, 참조그룹(Reference group)은 상기 그룹 1과 상기 그룹 2를 고려하여야만 한다. 그럼에도 불구하고, 상기 가중치는 상기 그룹 1간의 노드 사이에만 바이어스된다.

도 5(b)의 윗쪽 네 개의 인접 매트릭스를 참조하면, 상기 그룹 1의 가까운 노드들 간에 강한 바이어스가 걸리는 것을 볼 수 있다.

이 문제를 해결하고, 노드 간의 강한 결속을 풀기 위하여(disentangle), 노드(보행자) 간의 거리 스케일을 에지 가중치로 활용하여 그래프 세트를 제공할 수 있다. 상기 거리 스케일은 상기 홉(hop)에 대응할 수 있다.

상기 거리 스케일을 이용하여 상기 인접 메트릭스를 수학식 4와 같이 새롭게 정의할 수 있다.

여기서, Υ는 스케일 세트이고, 0, 0.5, 1, 2, 4로 설정할 수 있고, 물론 다른 경우도 가능하다. i와 j는 노드를 의미한다. 이에 따르면, 노드 간의 거리가 이면, 강한 관계가 설정될 수 있다. 다시 말하면, 상기 멀티스케일설정부는, 상기 노드 간의 거리가 일정한 범위 내이면, 인접 메트릭스의 요소를 동일하게 처리할 수 있다. 이때의 강한 관계는 한 쌍의 노드가 멀리 떨어져 있는 경우에도 마찬가지이다. 그러므로, 노드 간의 거리가 멀거나 가깝거나 관계없이 노드 간의 상호작용이 학습될 수 있다. 도 5(b)의 오른쪽 아래쪽 네 개의 인접 메트릭스를 보면, 모든 노드도 강하게 묶여있는 것을 볼 수 있다. 특히, 인접노드 간의 바이어스가 없어진 것을 볼 수 있다. 결국, 인접 노드 간의 결속이 풀려있는 것을 볼 수 있다. 도 5(b)는 k에 따라서 결속이 되는 것을 나타낸다.

다른 측면으로서, 수학식 5에 따르면, 는 가중치가 적용되지 않은 서브 그래프 들의 세트로 주어질 수 있다.

수학식 4의 는 수학식 5의 로 변경되어 치환되는 것에 의해서, 결국, 수학식 2로 구현될 수 있다. 상기 수학식 2는 수학식 3으로 제공되는 모든 서브 그래프에 대하여 수행될 수 있다. 상기 그래프 가공부(1020)이 제공되지 않는 경우에는, 입력되는 그래프에 대하여 수행될 수 있다.

이상의 설명에 따르면, 상기 제 1 피처 업데이트부(1000)는 보행자 간 절대적 거리정보(distance)(1011), 상대적 거리정보(displacement)(1012)를 모두 사용할 수 있다. 이에 따라서, 그룹합류와 상호작용을 잘 예측할 수 있다.

상기 제 1 피처 업데이트부(1000)는, 거리에 따라 다른 레퍼런스 그룹으로 구분 짓는 멀티 스캐일 설정부(1030)가 작용한다. 회피할 대상과 상호작용할 대상이 다른 그룹으로 분리되어 구별할 수 있게 되었다. 이에 따라서, 회피대상이 아닌 먼 거리의 주변 군중들 또한 다른 그룹으로 묶여서 작용할 수 있다. 결국, 그룹합류와 상호작용은 물론이고, 주변사람들의 보행 속도를 확인하며 비슷한 속도로 걷는 예측을 수행할 수 있다.

상기 제 2 피처 업데이트부(2000)는 제 2 피처를 업데이트 할 수 있다.

도 4를 참조하여 상기 제 2 피처 업데이트부의 작용을 설명한다.

상기 제 2 피처 업데이트부(2000)는 누적에러를 보상할 수 있다. 상기 제 2 피처는 글로벌 시간 집합(GTA: global temporal aggregation)의 피처, 즉 GTA 피처라고 설명할 수 있다. 상기 제 2 피처는 보행자가 방해물을 회피하기 전의 제 1 보행경로를 반영하도록 작용할 수 있다. 상기 제 2 피처는 상기 보행자는 방해물을 회피한 후의 제 2 보행경로에, 상기 제 1 보행경로를 참조하도록 작용할 수 있다. 상기 제 2 피처는 상기 보행자가 방해물을 회피한 후의 제 2 보행경로에, 상기 제 1 보행경로의 벡터성분을 더하도록 작용할 수 있다.

종래 보행자의 회피경로의 예측방법으로는 TCN(temporal coㅜvolutional network)기법이 제시된 바가 있다. 상기 TCN기법은 'Bai, S.; Kolter, J. Z.; and Koltun, V. 2018. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling. arXiv preprint arXiv:1803.01271'에 소개된 기술을 적용할 수 있다.

상기 TCN 기법이 누적에러가 커지는 것을 보상하기 위하여 상기 제 2 피처를 이용하여 보상할 수 있다. 실시예에서는 두 개의 TCN기법의 결과에 상기 제 2 피처가 반영되는 것을 볼 수 있다. 이를 위하여 상기 제 2 피처 조절부(2001)이 마련된 것을 볼 수 있다.

소정의 시간 동안의 상기 제 2 피처는 수학식 6에 의해서 업데이트 할 수 있다.

여기서, h는 제 2 피처이고, w와 b는 학습이 가능한 커널 가중지와 바이어스들이다. 상기 제 2 피처는, 상기 H로 표시되는 제 1 피처를 이루는 일 요소가 될 수 있다. 상기 제 2 피처는 상기 제 1 피처의 일부분을 제공할 수 있다.

상기 제 2 피처가 반영됨으로써, 보행자는 회피대상(2002)을 회피할 때 누적에러가 줄어드는 것을 볼 수 있다. 예를 들어, 상기 제 2 피처가 적용되는 경우의 제 2 보행경로(C2)는, 종래 TCN기법만이 적용되는 경우의 제 2 보행경로(C1)에 비하여, 원래의 보행경로인 제 1 보행경로로 더 빨리 돌아오는 것으로 예측한 것을 확인할 수 있다.

상기 제 2 피처 업데이트부에 따르면, 전체 보행경로의 회피패턴을 한 번에 보는 윈도우를 통하여, 보행방향을 복구할 수 있는 벡터를 예측할 수 있다. 상기 벡터를 더 함으로써, 회피대상(2002)에 의한 경로의 오버슈팅을 방지하고 다시 본래의 목적지 방향으로 경로가 복구될 수 있다.

도 6은 효과를 설명하는 테이블이다.

도 6을 참조하면, Linear regression, Social-LSTM(Alahi et al. 2016) nition (CVPR), Social-GAN-P (Gupta et al. 2018), SoPhie (Sadeghian et al. 2019), PIF (Liang et al. 2019), Reciprocal Learning (Sun, Zhao, and He 2020), STGAT (Huang et al. 2019), Social-BiGAT (Kosaraju et al. 2019), Social-STGCNN (Mohamed et al. 2020)및, 본 발명인 DMRGCN을 다양한 환경에서 실험을 하였다. 실험의 결과는, 평균 변위 에러(ADE: average displacement error), 및 최종 변위 에러(FDE:final displacement error)로 평가하였다.

굵은 글씨체는 가장 좋은 효과를 내는 장치이고, 밑줄은 두번째로 좋은 효과를 내는 장치이다. 실험에 따르면, 본 발명의 인공지능 장치가 보행경로를 다양한 환경에서 잘 예측하는 것을 확인할 수 있다.

본 발명에 따른 보행자의 경로를 더 정확하게 예측할 수 있다.

Claims

그래프 컨벌루셔널 네트워크를 이용하여 보행자의 보행경로를 예측하기 위한 보행경로의 피처를 학습하는 인공지능 장치이고,
적어도 두 개의 피처의 집합인 제 1 피처를 업데이트하는 제 1 피처 업데이트부를 포함하고,
상기 제 1 피처 업데이트부는, 홉(hop)을 가지는 인접관계(k-hop neighborhoods)가 상기 피처의 수집을 위해 사용되며, 상기 홉에 대응하는 노드 간의 거리 스케일을 에지 가중치로 활용하여 그래프 세트를 제공하는 멀티스케일설정부를 포함하고,
상기 그래프 컨벌루셔널 네트워크는,
에 의해서 레이어 별로 상기 제 1 피처를 업데이트하고,
여기서, H는 모든 노드의 피처들이고, σ는 비선형활성화함수이고, A는 인접 매트릭스(adjacency matrix)이고, W는 레이어 별로 학습가능한 가중치 매트릭스이고, l은 레이어의 인덱스인,
보행경로예측장치.
삭제
제 1 항에 있어서,
상기 멀티스케일설정부는,
상기 인접 매트릭스를 로 정의하고,
는 스케일 세트이고,
와 는 노드인,
보행경로예측장치.
제 3 항에 있어서,
는 0, 0.5, 1, 2, 4 중의 적어도 두 개를 포함하는,
보행경로예측장치
제 1 항에 있어서,
상기 멀티스케일설정부는, 상기 노드 간의 거리가 일정한 범위 내이면 인접매트릭스의 요소를 동일한 값으로 처리하는,
보행경로예측장치.
그래프 컨벌루셔널 네트워크를 이용하여 보행자의 보행경로를 예측하기 위한 보행경로의 피처를 학습하는 인공지능 장치이고,
적어도 두 개의 피처의 집합인 제 1 피처를 업데이트하는 제 1 피처 업데이트부를 포함하고,
상기 제 1 피처 업데이트부는, 홉(hop)을 가지는 인접관계(k-hop neighborhoods)가 상기 피처의 수집을 위해 사용되며, 상기 홉에 대응하는 노드 간의 거리 스케일을 에지 가중치로 활용하여 그래프 세트를 제공하는 멀티스케일설정부를 포함하고,
상기 제 1 피처 업데이트부는,
적어도 두 개의 상보적 피처를 시간과 공간 축으로 분리하여 업데이트하는 멀티관계나눔부; 및
상기 멀티관계나눔부에 의해서 분리되어 공간 축으로 업데이트 된 피처를 시간 축으로 병합하는 다관계병합부를 포함하는
보행경로예측장치.
제 6 항에 있어서,
상기 상보적 피처에는, 보행자의 상대적 변위정보 및 보행자의 거리정보가 포함되는
보행경로예측장치.
그래프 컨벌루셔널 네트워크를 이용하여 보행자의 보행경로를 예측하기 위한 보행경로의 피처를 학습하는 인공지능 장치이고,
적어도 두 개의 피처의 집합인 제 1 피처를 업데이트하는 제 1 피처 업데이트부를 포함하고,
상기 제 1 피처 업데이트부는, 홉(hop)을 가지는 인접관계(k-hop neighborhoods)가 상기 피처의 수집을 위해 사용되며, 상기 홉에 대응하는 노드 간의 거리 스케일을 에지 가중치로 활용하여 그래프 세트를 제공하는 멀티스케일설정부를 포함하고,
상기 제 1 피처 업데이트부는,
상기 그래프에서 에지를 제거하여 서브그래프를 추가로 제공하는 그래프 가공부를 포함하고,
상기 그래프 가공부는,
에 의해서 작용하고,
인접 매트릭스(A)의 정규화된 텀이고, 은 오리지널 노드에 대하여 랜덤하게 연결된 에지이고, p는 드랍율(dropping rate)이다. 는 원소들 간의 곱 연산자인,
보행경로예측장치.
삭제
그래프 컨벌루셔널 네트워크를 이용하여 보행자의 보행경로를 예측하기 위한 보행경로의 피처를 학습하는 인공지능 장치이고,
적어도 두 개의 피처의 집합인 제 1 피처를 업데이트하는 제 1 피처 업데이트부, 및 제 2 피처를 업데이트하는 제 2 피처 업데이트부를 포함하고,
상기 제 1 피처 업데이트부는, 홉(hop)을 가지는 인접관계(k-hop neighborhoods)가 상기 피처의 수집을 위해 사용되며, 상기 홉에 대응하는 노드 간의 거리 스케일을 에지 가중치로 활용하여 그래프 세트를 제공하는 멀티스케일설정부를 포함하고,
상기 제 2 피처는 보행경로의 누적에러를 보상하기 위한 글로벌 시간 집합(GTA: global temporal aggregation)의 피처로서, 상기 제 1 피처의 구성요소인,
보행경로예측장치.
제 10 항에 있어서,
상기 제 2 피처는 보행자가 방해물을 회피한 후의 제 2 보행경로에, 상기 보행자가 상기 방해물을 회피하기 전의 제 1 보행경로의 벡터성분을 더하도록 작용하는
보행경로예측장치.