KR102631148B1 - 센서 데이터를 사용하여 자동으로 교통 신호 검출 - Google Patents

센서 데이터를 사용하여 자동으로 교통 신호 검출 Download PDF

Info

Publication number
KR102631148B1
KR102631148B1 KR1020220015504A KR20220015504A KR102631148B1 KR 102631148 B1 KR102631148 B1 KR 102631148B1 KR 1020220015504 A KR1020220015504 A KR 1020220015504A KR 20220015504 A KR20220015504 A KR 20220015504A KR 102631148 B1 KR102631148 B1 KR 102631148B1
Authority
KR
South Korea
Prior art keywords
image
traffic signal
data
sensor data
autonomous vehicle
Prior art date
Application number
KR1020220015504A
Other languages
English (en)
Other versions
KR20230083192A (ko
Inventor
드하난자이 사르마
코르테 바르톨로메오 델라
Original Assignee
모셔널 에이디 엘엘씨
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 모셔널 에이디 엘엘씨 filed Critical 모셔널 에이디 엘엘씨
Publication of KR20230083192A publication Critical patent/KR20230083192A/ko
Application granted granted Critical
Publication of KR102631148B1 publication Critical patent/KR102631148B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic 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
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18154—Approaching an intersection
    • 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
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/09623—Systems involving the acquisition of information from passive traffic signs by means mounted on the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo or light sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B60W2420/408—
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/20—Static objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • 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
    • B60W2556/50—External transmission of data to or from the vehicle for navigation systems
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/865—Combination of radar systems with lidar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals

Abstract

센서 데이터를 사용하여 교통 신호를 자동으로 검출하기 위한 방법이 제공된다. 방법은 자율 주행 차량의 환경에 관한 제1 센서 데이터 및 제2 센서 데이터를 획득하는 단계를 포함할 수 있으며, 상기 제1 센서 데이터는 상기 자율 주행 차량의 적어도 하나의 이미지 센서에 의해 생성된 상기 환경의 적어도 하나의 이미지를 나타내고, 상기 제2 센서 데이터는 상기 환경과 연관된 3차원 포인트 클라우드를 나타내며, 상기 제2 센서 데이터는 상기 자율 주행 차량의 적어도 하나의 거리 센서에 의해 생성된다. 방법은 또한, 상기 환경에서의 교통 신호에 대응하는 상기 적어도 하나의 이미지의 부분을 결정하는 단계, 상기 적어도 하나의 이미지의 상기 부분에 대응하는 상기 포인트 클라우드의 포인트 클러스터를 결정하는 단계, 및 상기 포인트 클러스터에 기초하여 상기 교통 신호의 위치를 결정하는 단계를 포함할 수 있다. 시스템 및 컴퓨터 프로그램 제품도 또한 제공된다.

Description

센서 데이터를 사용하여 자동으로 교통 신호 검출 {AUTOMATICALLY DETECTING TRAFFIC SIGNALS USING SENSOR DATA}
교통 신호(Traffic signal)는 하나 이상의 도로를 따라 교통 흐름을 규제하도록 사용되는 시그널링 디바이스이다. 일 예로서, 교통 신호는 교차로(예컨대, 둘 이상의 도로가 합쳐짐)를 통한 차량 및/또는 보행자 교통의 흐름을 규제할 수 있다. 예를 들어, 교통 신호는 제1 방향으로 진행하는 교통에 교차로를 통해 나아가도록 명령하는 동시에, 충돌이 일어나지 않도록, 제2 방향으로 진행하는 교통에 교차로 전에 정지하도록 명령할 수 있다.
센서 데이터를 사용하여 교통 신호를 자동으로 검출하기 위한 방법이 제공된다. 방법은 자율 주행 차량의 환경에 관한 제1 센서 데이터 및 제2 센서 데이터를 획득하는 단계를 포함할 수 있으며, 상기 제1 센서 데이터는 상기 자율 주행 차량의 적어도 하나의 이미지 센서에 의해 생성된 상기 환경의 적어도 하나의 이미지를 나타내고, 상기 제2 센서 데이터는 상기 환경과 연관된 3차원 포인트 클라우드를 나타내며, 상기 제2 센서 데이터는 상기 자율 주행 차량의 적어도 하나의 거리 센서에 의해 생성된다. 방법은 또한, 상기 환경에서의 교통 신호에 대응하는 상기 적어도 하나의 이미지의 부분을 결정하는 단계, 상기 적어도 하나의 이미지의 상기 부분에 대응하는 상기 포인트 클라우드의 포인트 클러스터를 결정하는 단계, 및 상기 포인트 클러스터에 기초하여 상기 교통 신호의 위치를 결정하는 단계를 포함할 수 있다. 시스템 및 컴퓨터 프로그램 제품도 또한 제공된다.
도 1은 자율 주행 시스템(autonomous system)의 하나 이상의 컴포넌트를 포함하는 차량이 구현될 수 있는 예시적인 환경이다.
도 2는 자율 주행 시스템을 포함하는 차량의 하나 이상의 시스템의 다이어그램이다.
도 3은 도 1 및 도 2의 하나 이상의 디바이스 및/또는 하나 이상의 시스템의 컴포넌트들의 다이어그램이다.
도 4는 예시적인 자율 주행 차량 컴퓨터의 다이어그램이다.
도 5는 예시적인 교통 신호 검출 시스템의 다이어그램이다.
도 6a 내지 도 6c는 교통 신호 검출 시스템에 의해 수행되는 예시적인 작동의 다이어그램들이다.
도 7a는 신경 네트워크의 구현의 다이어그램이다.
도 7b 및 도 7c는 신경 네트워크의 예시적인 작동을 예시하는 다이어그램이다.
도 8은 센서 데이터를 사용하여 교통 신호를 자동으로 검출하기 위한 프로세스의 플로차트이다.
이하의 설명에서는, 설명 목적으로 본 개시에 대한 완전한 이해를 제공하기 위해 다수의 특정 세부 사항들이 기재된다. 그렇지만, 본 개시에 의해 기술되는 실시예들이 이러한 특정 세부 사항들이 없더라도 실시될 수 있음이 명백할 것이다. 일부 경우에, 본 개시의 양태들을 불필요하게 모호하게 하는 것을 피하기 위해 잘 알려진 구조들 및 디바이스들은 블록 다이어그램 형태로 예시되어 있다.
시스템들, 디바이스들, 모듈들, 명령어 블록들, 데이터 요소들 등을 나타내는 것들과 같은, 개략적인 요소들의 특정 배열들 또는 순서들이 설명의 편의를 위해 도면들에 예시되어 있다. 그렇지만, 본 기술 분야의 통상의 기술자라면 도면들에서의 개략적인 요소들의 특정 순서 또는 배열이, 그러한 것으로 명시적으로 기술되지 않는 한, 프로세스들의 특정 프로세싱 순서 또는 시퀀스, 또는 프로세스들의 분리가 필요하다는 것을 암시하는 것으로 의미되지 않음을 이해할 것이다. 게다가, 도면에 개략적인 요소를 포함시키는 것은, 그러한 것으로 명시적으로 기술되지 않는 한 일부 실시예들에서, 그러한 요소가 모든 실시예들에서 필요하다는 것 또는 그러한 요소에 의해 표현되는 특징들이 다른 요소들에 포함되지 않을 수 있거나 다른 요소들과 결합되지 않을 수 있다는 것을 암시하는 것으로 의미되지 않는다.
게다가, 2 개 이상의 다른 개략적인 요소 사이의 연결, 관계 또는 연관을 예시하기 위해 실선 또는 파선 또는 화살표와 같은 연결 요소들이 도면들에서 사용되는 경우에, 임의의 그러한 연결 요소들의 부재는 연결, 관계 또는 연관이 존재할 수 없음을 암시하는 것으로 의미되지 않는다. 환언하면, 본 개시를 모호하게 하지 않기 위해 요소들 사이의 일부 연결들, 관계들 또는 연관들이 도면들에 예시되어 있지 않다. 추가적으로, 예시의 편의를 위해, 요소들 사이의 다수의 연결들, 관계들 또는 연관들을 나타내기 위해 단일의 연결 요소가 사용될 수 있다. 예를 들어, 연결 요소가 신호들, 데이터 또는 명령어들(예를 들면, "소프트웨어 명령어들")의 통신을 나타내는 경우에, 본 기술 분야의 통상의 기술자라면 그러한 요소가, 통신을 수행하기 위해 필요하게 될 수 있는, 하나 또는 다수의 신호 경로(예를 들면, 버스)를 나타낼 수 있다는 것을 이해할 것이다.
제1, 제2, 제3 등의 용어들이 다양한 컴포넌트들을 기술하는 데 사용되지만, 이러한 요소들이 이러한 용어들에 의해 제한되어서는 안된다. 제1, 제2, 제3 등의 용어들은 하나의 요소를 다른 요소와 구별하는 데만 사용된다. 예를 들어, 기술된 실시예들의 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.
본원에서의 다양한 기술된 실시예들에 대한 설명에서 사용되는 전문용어는 특정 실시예들을 기술하기 위해서만 포함되어 있으며, 제한하는 것으로 의도되지 않는다. 다양한 기술된 실시예들에 대한 설명 및 첨부된 청구항들에서 사용되는 바와 같이, 단수 형태들("a", "an" 및 "the")은 복수 형태들도 포함하는 것으로 의도되고, 문맥이 달리 명확히 나타내지 않는 한, "하나 이상" 또는 "적어도 하나"와 상호 교환 가능하게 사용될 수 있다. "및/또는"이라는 용어가, 본원에서 사용되는 바와 같이, 연관된 열거된 항목들 중 하나 이상의 항목의 일부 및 모든 가능한 조합을 지칭하고 포함한다는 것이 또한 이해될 것이다. "포함한다(includes)", 포함하는(including), 포함한다(comprises)" 및/또는 "포함하는(comprising)"이라는 용어들이, 본 설명에서 사용될 때, 언급된 특징들, 정수들, 단계들, 동작들, 요소들, 및/또는 컴포넌트들의 존재를 명시하지만, 하나 이상의 다른 특징, 정수, 단계, 동작, 요소, 컴포넌트, 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는다는 것이 추가로 이해될 것이다.
본원에서 사용되는 바와 같이, "통신" 및 "통신하다"라는 용어들은 정보(또는, 예를 들어, 데이터, 신호들, 메시지들, 명령어들, 커맨드들 등에 의해 표현되는 정보)의 수신, 접수, 송신, 전달, 제공 등 중 적어도 하나를 지칭한다. 하나의 유닛(예를 들면, 디바이스, 시스템, 디바이스 또는 시스템의 컴포넌트, 이들의 조합들 등)이 다른 유닛과 통신한다는 것은 하나의 유닛이 직접 또는 간접적으로 다른 유닛으로부터 정보를 수신하고/하거나 다른 유닛으로 정보를 전송(예를 들면, 송신)할 수 있음을 의미한다. 이것은 본질적으로 유선 및/또는 무선인 직접 또는 간접 연결을 지칭할 수 있다. 추가적으로, 송신되는 정보가 제1 유닛과 제2 유닛 사이에서 수정, 프로세싱, 중계 및/또는 라우팅될 수 있을지라도 2 개의 유닛은 서로 통신하고 있을 수 있다. 예를 들어, 제1 유닛이 정보를 수동적으로 수신하고 정보를 제2 유닛으로 능동적으로 송신하지 않을지라도 제1 유닛은 제2 유닛과 통신하고 있을 수 있다. 다른 예로서, 적어도 하나의 중간 유닛(예를 들면, 제1 유닛과 제2 유닛 사이에 위치하는 제3 유닛)이 제1 유닛으로부터 수신되는 정보를 프로세싱하고 프로세싱된 정보를 제2 유닛으로 송신하는 경우 제1 유닛은 제2 유닛과 통신하고 있을 수 있다. 일부 실시예들에서, 메시지는 데이터를 포함하는 네트워크 패킷(예를 들면, 데이터 패킷 등)을 지칭할 수 있다.
본원에서 사용되는 바와 같이, "~ 경우"라는 용어는, 선택적으로, 문맥에 따라 "~할 때", 또는 "~시에" 또는 "~라고 결정하는 것에 응답하여", "~을 검출하는 것에 응답하여" 등을 의미하는 것으로 해석된다. 유사하게, 문구 "~라고 결정되는 경우" 또는 "[언급된 조건 또는 이벤트]가 검출되는 경우"는, 선택적으로, 문맥에 따라, "~라고 결정할 시에", "~라고 결정하는 것에 응답하여", "[언급된 조건 또는 이벤트]를 검출할 시에", "[언급된 조건 또는 이벤트]를 검출하는 것에 응답하여" 등을 의미하는 것으로 해석된다. 또한, 본원에서 사용되는 바와 같이, "갖는다"(has, have), "갖는(having)" 등의 용어들은 개방형(open-ended) 용어들인 것으로 의도된다. 게다가, 문구 "~에 기초하여"는, 달리 명시적으로 언급되지 않는 한, "~에 적어도 부분적으로 기초하여"를 의미하는 것으로 의도된다.
그 예가 첨부 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 실시예들이 이러한 특정 세부 사항들이 없더라도 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.
일반적 개관
일부 양태들 및/또는 실시예들에서, 본원에 기술된 시스템들, 방법들 및 컴퓨터 프로그램 제품들은 센서 데이터를 사용하여 교통 신호를 자동으로 검출하기 위한 기술을 포함하고/하거나 구현한다. 예시적인 구현에서, 컴퓨터화된 교통 신호 검출 시스템은, 하나 이상의 교통 신호의 존재를 검출하고, 검출된 교통 신호 각각의 위치 및 배향에 관한 정보를 생성하도록 구성된다. 검출된 신호에 관한 정보는, 자율 주행 차량의 환경에서 교통 신호를 자동으로 식별하도록 그리고/또는 환경을 통해 자율 주행 차량의 운행(navigation)을 안내하도록 인공 지능 시스템을 트레이닝하는데 사용될 수 있다.
예시적인 예로서, 교통 신호 검출 시스템은 2차원 이미지 데이터(예컨대, 자율 주행 차량의 하나 이상의 카메라에 의해 캡처된 이미지) 및 3차원 포인트 클라우드 데이터(예컨대, 자율 주행 차량의 하나 이상의 LiDAR 센서에 의해 캡처된 포인트 클라우드 데이터)를 수신할 수 있다. 신경 네트워크를 사용하여, 시스템은 교통 신호에 대응하는 이미지의 부분을 자동으로 식별하고 식별된 부분과 일치하는(coinciding) 포인트 클러스터를 식별할 수 있다. 식별된 클러스터에 기초하여, 시스템은 3차원 공간에서의 교통 신호의 위치 및/또는 배향을 결정할 수 있다.
이들 기술의 이점 중의 일부는 자동화된 시스템이 더 높은 정확도로 교통 신호를 검출할 수 있게 하는 것을 포함한다(예컨대, 본원에 기술된 시스템 및 기술의 도움 없이 교통 신호를 검출하는 것에 비교하여). 일부 구현에서, 이는 자동화된 시스템이 수동 인간 입력에 의존하지 않고서 교통 신호를 검출할 수 있게 하는데, 수동 인간 입력은 시간 소모적이고 그리고/또는 비효율적일 수 있다. 또한, 검출된 교통 신호에 관한 정보는 자율 주행 차량의 안전을 개선하는데 사용될 수 있다. 일 예로서, 검출된 교통 신호에 관한 정보는 교통 신호를 인식하도록 머신 러닝 시스템을 트레이닝하는데 사용될 수 있으며, 그리하여 인간 입력 없이 더 정확하게 교통 신호가 검출될 수 있다. 다른 예로서, 검출된 교통 신호에 관한 정보는 내비게이션 시스템에 제공될 수 있으며, 그리하여 내비게이션 시스템은 교통 신호에 따라 환경을 통해 자율 주행 차량을 안내할 수 있다.
일부 실시예에서, 본원에 기술된 기술은 자율 주행 시스템을 갖는 차량(예컨대, 자율 주행 차량) 및/또는 자율 주행 시스템을 갖지 않는 차량과 같은 차량 내에서 구현될 수 있다.
이제 도 1을 참조하면, 자율 주행 시스템들을 포함하는 차량들은 물론 그렇지 않은 차량들이 작동되는 예시적인 환경(100)이 예시되어 있다. 예시된 바와 같이, 환경(100)은 차량들(102a 내지 102n), 대상체들(104a 내지 104n), 루트들(106a 내지 106n), 영역(108), 차량 대 인프라스트럭처(vehicle-to-infrastructure, V2I) 디바이스(110), 네트워크(112), 원격 자율 주행 차량(AV) 시스템(114), 플릿 관리 시스템(fleet management system)(116), 및 V2I 시스템(118)을 포함한다. 차량들(102a 내지 102n), 차량 대 인프라스트럭처(V2I) 디바이스(110), 네트워크(112), 자율 주행 차량(AV) 시스템(114), 플릿 관리 시스템(116), 및 V2I 시스템(118)은 유선 연결들, 무선 연결들, 또는 유선 또는 무선 연결들의 조합을 통해 상호연결한다(예를 들면, 통신 등을 위해 연결을 확립한다). 일부 실시예들에서, 대상체들(104a 내지 104n)은 유선 연결들, 무선 연결들 또는 유선 또는 무선 연결들의 조합을 통해 차량들(102a 내지 102n), 차량 대 인프라스트럭처(V2I) 디바이스(110), 네트워크(112), 자율 주행 차량(AV) 시스템(114), 플릿 관리 시스템(116), 및 V2I 시스템(118) 중 적어도 하나와 상호연결한다.
차량들(102a 내지 102n)(개별적으로 차량(102)이라고 지칭되고 집합적으로 차량들(102)이라고 지칭됨)은 상품 및/또는 사람을 운송하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 실시예들에서, 차량들(102)은 네트워크(112)를 통해 V2I 디바이스(110), 원격 AV 시스템(114), 플릿 관리 시스템(116), 및/또는 V2I 시스템(118)과 통신하도록 구성된다. 일부 실시예들에서, 차량들(102)은 자동차들, 버스들, 트럭들, 기차들 등을 포함한다. 일부 실시예들에서, 차량들(102)은 본원에 기술된 차량들(200)(도 2 참조)과 동일하거나 유사하다. 일부 실시예들에서, 일단의 차량들(200) 중의 차량(200)은 자율 주행 플릿 관리자와 연관된다. 일부 실시예들에서, 차량들(102)은, 본원에 기술된 바와 같이, 각자의 루트들(106a 내지 106n)(개별적으로 루트(106)라고 지칭되고 집합적으로 루트들(106)이라고 지칭됨)을 따라 주행한다. 일부 실시예들에서, 하나 이상의 차량(102)은 자율 주행 시스템(예를 들면, 자율 주행 시스템(202)과 동일하거나 유사한 자율 주행 시스템)을 포함한다.
대상체들(104a 내지 104n)(개별적으로 대상체(104)라고 지칭되고 집합적으로 대상체들(104)이라고 지칭됨)은, 예를 들어, 적어도 하나의 차량, 적어도 하나의 보행자, 적어도 하나의 자전거 타는 사람, 적어도 하나의 구조물(예를 들면, 건물, 표지판, 소화전(fire hydrant) 등) 등을 포함한다. 각각의 대상체(104)는 정지해 있거나(예를 들면, 일정 시간 기간 동안 고정 위치에 위치하거나) 이동하고 있다(예를 들면, 속도를 가지며 적어도 하나의 궤적과 연관되어 있다). 일부 실시예들에서, 대상체들(104)은 영역(108) 내의 대응하는 위치들과 연관되어 있다.
루트들(106a 내지 106n)(개별적으로 루트(106)라고 지칭되고 집합적으로 루트들(106)이라고 지칭됨)은 각각 AV가 운행할 수 있는 상태들을 연결하는 행동들의 시퀀스(궤적이라고도 함)와 연관된다(예를 들면, 이를 규정한다). 각각의 루트(106)는 초기 상태(예를 들면, 제1 시공간적 위치, 속도 등에 대응하는 상태) 및 최종 목표 상태(예를 들면, 제1 시공간적 위치와 상이한 제2 시공간적 위치에 대응하는 상태) 또는 목표 영역(예를 들면, 허용 가능한 상태들(예를 들면, 종료 상태들(terminal states))의 부분 공간(subspace))에서 시작된다. 일부 실시예들에서, 제1 상태는 개인 또는 개인들이 AV에 의해 픽업(pick-up)되어야 하는 위치를 포함하고 제2 상태 또는 영역은 AV에 의해 픽업된 개인 또는 개인들이 하차(drop-off)해야 하는 위치 또는 위치들을 포함한다. 일부 실시예들에서, 루트들(106)은 복수의 허용 가능한 상태 시퀀스들(예를 들면, 복수의 시공간적 위치 시퀀스들)을 포함하며, 복수의 상태 시퀀스들은 복수의 궤적들과 연관된다(예를 들면, 이를 정의한다). 일 예에서, 루트들(106)은, 도로 교차로들에서의 회전 방향들을 지시하는 일련의 연결된 도로들과 같은, 상위 레벨 행동들 또는 부정확한 상태 위치들만을 포함한다. 추가적으로 또는 대안적으로, 루트들(106)은, 예를 들어, 특정 목표 차선들 또는 차선 영역들 내에서의 정확한 위치들 및 해당 포지션들에서의 목표 속력과 같은, 보다 정확한 행동들 또는 상태들을 포함할 수 있다. 일 예에서, 루트들(106)은 중간 목표들에 도달하기 위해 제한된 룩어헤드 호라이즌(lookahead horizon)을 갖는 적어도 하나의 상위 레벨 행동 시퀀스를 따른 복수의 정확한 상태 시퀀스들을 포함하며, 여기서 제한된 호라이즌 상태 시퀀스들의 연속적인 반복들의 조합은 누적되어 복수의 궤적들에 대응하며 이 복수의 궤적들은 집합적으로 최종 목표 상태 또는 영역에서 종료하는 상위 레벨 루트를 형성한다.
영역(108)은 차량들(102)이 운행할 수 있는 물리적 영역(예를 들면, 지리적 영역)을 포함한다. 일 예에서, 영역(108)은 적어도 하나의 주(state)(예를 들면, 국가, 지방, 국가에 포함된 복수의 주들의 개개의 주 등), 주의 적어도 하나의 부분, 적어도 하나의 도시, 도시의 적어도 하나의 부분 등을 포함한다. 일부 실시예들에서, 영역(108)은 간선 도로, 주간 간선 도로, 공원 도로, 도시 거리 등과 같은 적어도 하나의 명명된 주요 도로(thoroughfare)(본원에서 "도로"라고 지칭됨)를 포함한다. 추가적으로 또는 대안적으로, 일부 예들에서, 영역(108)은 진입로, 주차장의 섹션, 공터 및/또는 미개발 부지의 섹션, 비포장 경로 등과 같은 적어도 하나의 명명되지 않은 도로를 포함한다. 일부 실시예들에서, 도로는 적어도 하나의 차선(예를 들면, 차량(102)에 의해 횡단될 수 있는 도로의 일 부분)을 포함한다. 일 예에서, 도로는 적어도 하나의 차선 마킹과 연관된(예를 들면, 이에 기초하여 식별되는) 적어도 하나의 차선을 포함한다.
차량 대 인프라스트럭처(V2I) 디바이스(110)(때때로 차량 대 인프라스트럭처(V2X) 디바이스라고 지칭됨)는 차량들(102) 및/또는 V2I 인프라스트럭처 시스템(118)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 실시예들에서, V2I 디바이스(110)는 네트워크(112)를 통해 차량들(102), 원격 AV 시스템(114), 플릿 관리 시스템(116), 및/또는 V2I 시스템(118)과 통신하도록 구성된다. 일부 실시예들에서, V2I 디바이스(110)는 RFID(radio frequency identification) 디바이스, 사이니지(signage), 카메라(예를 들면, 2차원(2D) 및/또는 3차원(3D) 카메라), 차선 마커, 가로등, 주차 미터기 등을 포함한다. 일부 실시예들에서, V2I 디바이스(110)는 차량들(102)과 직접 통신하도록 구성된다. 추가적으로 또는 대안적으로, 일부 실시예들에서, V2I 디바이스(110)는 V2I 시스템(118)을 통해 차량들(102), 원격 AV 시스템(114), 및/또는 플릿 관리 시스템(116)과 통신하도록 구성된다. 일부 실시예들에서, V2I 디바이스(110)는 네트워크(112)를 통해 V2I 시스템(118)과 통신하도록 구성된다.
네트워크(112)는 하나 이상의 유선 및/또는 무선 네트워크를 포함한다. 일 예에서, 네트워크(112)는 셀룰러 네트워크(예를 들면, LTE(long term evolution) 네트워크, 3G(third generation) 네트워크, 4G(fourth generation) 네트워크, 5G(fifth generation) 네트워크, CDMA(code division multiple access) 네트워크 등), PLMN(public land mobile network), LAN(local area network), WAN(wide area network), MAN(metropolitan area network), 전화 네트워크(예를 들면, PSTN(public switched telephone network)), 사설 네트워크, 애드혹 네트워크, 인트라넷, 인터넷, 광섬유 기반 네트워크, 클라우드 컴퓨팅 네트워크 등, 이러한 네트워크들의 일부 또는 전부의 조합 등을 포함한다.
원격 AV 시스템(114)은 네트워크(112)를 통해 차량들(102), V2I 디바이스(110), 네트워크(112), 원격 AV 시스템(114), 플릿 관리 시스템(116), 및/또는 V2I 시스템(118)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일 예에서, 원격 AV 시스템(114)은 서버, 서버들의 그룹, 및/또는 다른 유사한 디바이스들을 포함한다. 일부 실시예들에서, 원격 AV 시스템(114)은 플릿 관리 시스템(116)과 동일 위치에 배치된다(co-located). 일부 실시예들에서, 원격 AV 시스템(114)은 자율 주행 시스템, 자율 주행 차량 컴퓨터, 자율 주행 차량 컴퓨터에 의해 구현되는 소프트웨어 등을 포함한, 차량의 컴포넌트들 중 일부 또는 전부의 설치에 관여된다. 일부 실시예들에서, 원격 AV 시스템(114)은 차량의 수명 동안 그러한 컴포넌트들 및/또는 소프트웨어를 유지 관리(예를 들면, 업데이트 및/또는 교체)한다.
플릿 관리 시스템(116)은 차량들(102), V2I 디바이스(110), 원격 AV 시스템(114), 및/또는 V2I 인프라스트럭처 시스템(118)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일 예에서, 플릿 관리 시스템(116)은 서버, 서버들의 그룹, 및/또는 다른 유사한 디바이스들을 포함한다. 일부 실시예들에서, 플릿 관리 시스템(116)은 라이드 셰어링(ridesharing) 회사(예를 들면, 다수의 차량들(예를 들면, 자율 주행 시스템들을 포함하는 차량들 및/또는 자율 주행 시스템들을 포함하지 않는 차량들)의 작동을 제어하는 조직 등)와 연관된다.
일부 실시예들에서, V2I 시스템(118)은 네트워크(112)를 통해 차량들(102), V2I 디바이스(110), 원격 AV 시스템(114), 및/또는 플릿 관리 시스템(116)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, V2I 시스템(118)은 네트워크(112)와 상이한 연결을 통해 V2I 디바이스(110)와 통신하도록 구성된다. 일부 실시예들에서, V2I 시스템(118)은 서버, 서버들의 그룹, 및/또는 다른 유사한 디바이스들을 포함한다. 일부 실시예들에서, V2I 시스템(118)은 지자체 또는 사설 기관(예를 들면, V2I 디바이스(110) 등을 유지 관리하는 사설 기관)과 연관된다.
도 1에 예시된 요소들의 수 및 배열은 예로서 제공된다. 도 1에 예시된 것보다, 추가적인 요소들, 더 적은 요소들, 상이한 요소들 및/또는 상이하게 배열된 요소들이 있을 수 있다. 추가적으로 또는 대안적으로, 환경(100)의 적어도 하나의 요소는 도 1의 적어도 하나의 상이한 요소에 의해 수행되는 것으로 기술된 하나 이상의 기능을 수행할 수 있다. 추가적으로 또는 대안적으로, 환경(100)의 적어도 하나의 요소 세트는 환경(100)의 적어도 하나의 상이한 요소 세트에 의해 수행되는 것으로 기술된 하나 이상의 기능을 수행할 수 있다.
이제 도 2를 참조하면, 차량(200)은 자율 주행 시스템(202), 파워트레인 제어 시스템(204), 조향 제어 시스템(206), 및 브레이크 시스템(208)을 포함한다. 일부 실시예들에서, 차량(200)은 차량(102)(도 1 참조)과 동일하거나 유사하다. 일부 실시예들에서, 차량(102)은 자율 주행 능력을 갖는다(예를 들면, 완전 자율 주행 차량들(예를 들면, 인간 개입에 의존하지 않는 차량들), 고도 자율 주행 차량들(예를 들면, 특정 상황들에서 인간 개입에 의존하지 않는 차량들) 등을, 제한 없이, 포함한, 차량(200)이 인간 개입 없이 부분적으로 또는 완전히 작동될 수 있게 하는 적어도 하나의 기능, 특징, 디바이스 등을 구현한다). 완전 자율 주행 차량들 및 고도 자율 주행 차량들에 대한 상세한 설명에 대해서는, 그 전체가 참고로 포함되는, SAE International's standard J3016: Taxonomy and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving Systems를 참조할 수 있다. 일부 실시예들에서, 차량(200)은 자율 주행 플릿 관리자 및/또는 라이드 셰어링 회사와 연관된다.
자율 주행 시스템(202)은 카메라들(202a), LiDAR 센서들(202b), 레이더 센서들(202c), 및 마이크로폰들(202d)과 같은 하나 이상의 디바이스들을 포함하는 센서 스위트(sensor suite)를 포함한다. 일부 실시예들에서, 자율 주행 시스템(202)은 보다 많거나 보다 적은 디바이스들 및/또는 상이한 디바이스들(예를 들면, 초음파 센서들, 관성 센서들, GPS 수신기들(아래에서 논의됨), 차량(200)이 주행한 거리의 표시와 연관된 데이터를 생성하는 주행 거리 측정 센서들 등)을 포함할 수 있다. 일부 실시예들에서, 자율 주행 시스템(202)은 자율 주행 시스템(202)에 포함된 하나 이상의 디바이스를 사용하여 본원에서 기술되는 환경(100)과 연관된 데이터를 생성한다. 자율 주행 시스템(202)의 하나 이상의 디바이스에 의해 생성되는 데이터는 차량(200)이 위치하는 환경(예를 들면, 환경(100))을 관측하기 위해 본원에 기술된 하나 이상의 시스템에 의해 사용될 수 있다. 일부 실시예들에서, 자율 주행 시스템(202)은 통신 디바이스(202e), 자율 주행 차량 컴퓨터(202f), 및 드라이브 바이 와이어(drive-by-wire, DBW) 시스템(202h)을 포함한다.
카메라들(202a)은 버스(예를 들면, 도 3의 버스(302)와 동일하거나 유사한 버스)를 통해 통신 디바이스(202e), 자율 주행 차량 컴퓨터(202f) 및/또는 안전 제어기(202g)와 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 카메라들(202a)은 물리적 대상체들(예를 들면, 자동차들, 버스들, 연석들, 사람들 등)을 포함하는 이미지들을 캡처하기 위한 적어도 하나의 카메라(예를 들면, CCD(charge-coupled device)와 같은 광 센서를 사용하는 디지털 카메라, 열 카메라, 적외선(IR) 카메라, 이벤트 카메라 등)를 포함한다. 일부 실시예들에서, 카메라(202a)는 카메라 데이터를 출력으로서 생성한다. 일부 예들에서, 카메라(202a)는 이미지와 연관된 이미지 데이터를 포함하는 카메라 데이터를 생성한다. 이 예에서, 이미지 데이터는 이미지에 대응하는 적어도 하나의 파라미터(예를 들면, 노출, 밝기 등과 같은 이미지 특성들, 이미지 타임스탬프 등)를 명시할 수 있다. 그러한 예에서, 이미지는 한 형식(예를 들면, RAW, JPEG, PNG 등)으로 되어 있을 수 있다. 일부 실시예들에서, 카메라(202a)는 입체시(stereopsis)(스테레오 비전(stereo vision))를 위해 이미지들을 캡처하도록 차량 상에 구성된(예를 들면, 차량 상에 자리된) 복수의 독립적인 카메라들을 포함한다. 일부 예들에서, 카메라(202a)는 복수의 카메라들을 포함하고, 이 복수의 카메라들은 이미지 데이터를 생성하고 이미지 데이터를 자율 주행 차량 컴퓨터(202f) 및/또는 플릿 관리 시스템(예를 들면, 도 1의 플릿 관리 시스템(116)과 동일하거나 유사한 플릿 관리 시스템)으로 전송한다. 그러한 예에서, 자율 주행 차량 컴퓨터(202f)는 적어도 2 개의 카메라로부터의 이미지 데이터에 기초하여 복수의 카메라들 중 적어도 2 개의 카메라의 시야 내의 하나 이상의 대상체까지의 깊이를 결정한다. 일부 실시예들에서, 카메라들(202a)은 카메라들(202a)로부터 일정 거리(예를 들면, 최대 100 미터, 최대 1 킬로미터 등) 내의 대상체들의 이미지들을 캡처하도록 구성된다. 그에 따라, 카메라들(202a)은 카메라들(202a)로부터 하나 이상의 거리에 있는 대상체들을 인지하도록 최적화된 센서들 및 렌즈들과 같은 특징부들을 포함한다.
일 실시예에서, 카메라(202a)는 시각적 내비게이션 정보를 제공하는 하나 이상의 교통 신호등, 거리 표지판 및/또는 다른 물리적 대상체와 연관된 하나 이상의 이미지를 캡처하도록 구성된 적어도 하나의 카메라를 포함한다. 일부 실시예들에서, 카메라(202a)는 하나 이상의 이미지와 연관된 교통 신호등 데이터를 생성한다. 일부 예들에서, 카메라(202a)는 한 형식(예를 들면, RAW, JPEG, PNG 등)을 포함하는 하나 이상의 이미지와 연관된 TLD 데이터를 생성한다. 일부 실시예들에서, TLD 데이터를 생성하는 카메라(202a)는, 카메라(202a)가 가능한 한 많은 물리적 대상체들에 관한 이미지들을 생성하기 위해 넓은 시야를 갖는 하나 이상의 카메라(예를 들면, 광각 렌즈, 어안 렌즈, 대략 120도 이상의 시야각을 갖는 렌즈 등)를 포함할 수 있다는 점에서, 카메라들을 포함하는 본원에 기술된 다른 시스템들과 상이하다.
LiDAR(Laser Detection and Ranging) 센서들(202b)은 버스(예를 들면, 도 3의 버스(302)와 동일하거나 유사한 버스)를 통해 통신 디바이스(202e), 자율 주행 차량 컴퓨터(202f), 및/또는 안전 제어기(202g)와 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. LiDAR 센서들(202b)은 광 방출기(예를 들면, 레이저 송신기)로부터 광을 송신하도록 구성된 시스템을 포함한다. LiDAR 센서들(202b)에 의해 방출되는 광은 가시 스펙트럼 밖에 있는 광(예를 들면, 적외선 광 등)을 포함한다. 일부 실시예들에서, 작동 동안, LiDAR 센서들(202b)에 의해 방출되는 광은 물리적 대상체(예를 들면, 차량)와 조우하고 LiDAR 센서들(202b)로 다시 반사된다. 일부 실시예들에서, LiDAR 센서들(202b)에 의해 방출되는 광은 광이 조우하는 물리적 대상체들을 투과하지 않는다. LiDAR 센서들(202b)은 광 방출기로부터 방출된 광이 물리적 대상체와 조우한 후에 그 광을 검출하는 적어도 하나의 광 검출기를 또한 포함한다. 일부 실시예들에서, LiDAR 센서들(202b)과 연관된 적어도 하나의 데이터 프로세싱 시스템은 LiDAR 센서들(202b)의 시야에 포함된 대상체들을 나타내는 이미지(예를 들면, 포인트 클라우드, 결합된 포인트 클라우드(combined point cloud) 등)를 생성한다. 일부 예들에서, LiDAR 센서(202b)와 연관된 적어도 하나의 데이터 프로세싱 시스템은 물리적 대상체의 경계들, 물리적 대상체의 표면들(예를 들면, 표면들의 토폴로지) 등을 나타내는 이미지를 생성한다. 그러한 예에서, 이미지는 LiDAR 센서들(202b)의 시야 내의 물리적 대상체들의 경계들을 결정하는 데 사용된다.
레이더(radar, Radio Detection and Ranging) 센서들(202c)은 버스(예를 들면, 도 3의 버스(302)와 동일하거나 유사한 버스)를 통해 통신 디바이스(202e), 자율 주행 차량 컴퓨터(202f) 및/또는 안전 제어기(202g)와 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 레이더 센서들(202c)은 전파들을 (펄스형으로 또는 연속적으로) 송신하도록 구성된 시스템을 포함한다. 레이더 센서들(202c)에 의해 송신되는 전파들은 미리 결정된 스펙트럼 내에 있는 전파들을 포함한다. 일부 실시예들에서, 작동 동안, 레이더 센서들(202c)에 의해 송신되는 전파들은 물리적 대상체와 조우하고 레이더 센서들(202c)로 다시 반사된다. 일부 실시예들에서, 레이더 센서들(202c)에 의해 전송되는 전파들이 일부 대상체들에 의해 반사되지 않는다. 일부 실시예들에서, 레이더 센서들(202c)과 연관된 적어도 하나의 데이터 프로세싱 시스템은 레이더 센서들(202c)의 시야에 포함된 대상체들을 나타내는 신호들을 생성한다. 예를 들어, 레이더 센서(202c)와 연관된 적어도 하나의 데이터 프로세싱 시스템은 물리적 대상체의 경계들, 물리적 대상체의 표면들(예를 들면, 표면들의 토폴로지) 등을 나타내는 이미지를 생성한다. 일부 예들에서, 이미지는 레이더 센서들(202c)의 시야 내의 물리적 대상체들의 경계들을 결정하는 데 사용된다.
마이크로폰들(202d)은 버스(예를 들면, 도 3의 버스(302)와 동일하거나 유사한 버스)를 통해 통신 디바이스(202e), 자율 주행 차량 컴퓨터(202f) 및/또는 안전 제어기(202g)와 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 마이크로폰들(202d)은 오디오 신호들을 캡처하고 오디오 신호들과 연관된(예를 들면, 이를 나타내는) 데이터를 생성하는 하나 이상의 마이크로폰(예를 들면, 어레이 마이크로폰, 외부 마이크로폰 등)을 포함한다. 일부 예들에서, 마이크로폰들(202d)은 트랜스듀서 디바이스들 및/또는 유사 디바이스들을 포함한다. 일부 실시예들에서, 본원에 기술된 하나 이상의 시스템은 마이크로폰들(202d)에 의해 생성되는 데이터를 수신하고 데이터와 연관된 오디오 신호들에 기초하여 차량(200)에 상대적인 대상체의 포지션(예를 들면, 거리 등)을 결정할 수 있다.
통신 디바이스(202e)는 카메라들(202a), LiDAR 센서들(202b), 레이더 센서들(202c), 마이크로폰들(202d), 자율 주행 차량 컴퓨터(202f), 안전 제어기(202g), 및/또는 DBW 시스템(202h)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 예를 들어, 통신 디바이스(202e)는 도 3의 통신 인터페이스(314)와 동일하거나 유사한 디바이스를 포함할 수 있다. 일부 실시예들에서, 통신 디바이스(202e)는 차량 대 차량(vehicle-to-vehicle, V2V) 통신 디바이스(예를 들면, 차량들 간의 데이터의 무선 통신을 가능하게 하는 디바이스)를 포함한다.
자율 주행 차량 컴퓨터(202f)는 카메라들(202a), LiDAR 센서들(202b), 레이더 센서들(202c), 마이크로폰들(202d), 통신 디바이스(202e), 안전 제어기(202g), 및/또는 DBW 시스템(202h)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, 자율 주행 차량 컴퓨터(202f)는 클라이언트 디바이스, 모바일 디바이스(예를 들면, 셀룰러 전화, 태블릿 등), 서버(예를 들면, 하나 이상의 중앙 프로세싱 유닛, 그래픽 프로세싱 유닛 등을 포함하는 컴퓨팅 디바이스) 등과 같은 디바이스를 포함한다. 일부 실시예들에서, 자율 주행 차량 컴퓨터(202f)는 자율 주행 차량 시스템(예를 들면, 도 1의 원격 AV 시스템(114)과 동일하거나 유사한 자율 주행 차량 시스템), 플릿 관리 시스템(예를 들면, 도 1의 플릿 관리 시스템(116)과 동일하거나 유사한 플릿 관리 시스템), V2I 디바이스(예를 들면, 도 1의 V2I 디바이스(110)와 동일하거나 유사한 V2I 디바이스), 및/또는 V2I 시스템(예를 들면, 도 1의 V2I 시스템(118)과 동일하거나 유사한 V2I 시스템)과 통신하도록 구성된다.
안전 제어기(202g)는 카메라들(202a), LiDAR 센서들(202b), 레이더 센서들(202c), 마이크로폰들(202d), 통신 디바이스(202e), 자율 주행 차량 컴퓨터(202f), 및/또는 DBW 시스템(202h)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, 안전 제어기(202g)는 차량(200)의 하나 이상의 디바이스(예를 들면, 파워트레인 제어 시스템(204), 조향 제어 시스템(206), 브레이크 시스템(208) 등)를 작동시키기 위한 제어 신호들을 생성 및/또는 송신하도록 구성된 하나 이상의 제어기(전기 제어기, 전기기계 제어기 등)를 포함한다. 일부 실시예들에서, 안전 제어기(202g)는 자율 주행 차량 컴퓨터(202f)에 의해 생성 및/또는 송신되는 제어 신호들보다 우선하는(예를 들면, 이를 무시하는) 제어 신호들을 생성하도록 구성된다.
DBW 시스템(202h)은 통신 디바이스(202e) 및/또는 자율 주행 차량 컴퓨터(202f)와 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, DBW 시스템(202h)은 차량(200)의 하나 이상의 디바이스(예를 들면, 파워트레인 제어 시스템(204), 조향 제어 시스템(206), 브레이크 시스템(208) 등)를 작동시키기 위한 제어 신호들을 생성 및/또는 송신하도록 구성된 하나 이상의 제어기(예를 들면, 전기 제어기, 전기기계 제어기 등)를 포함한다. 추가적으로 또는 대안적으로, DBW 시스템(202h)의 하나 이상의 제어기는 차량(200)의 적어도 하나의 상이한 디바이스(예를 들면, 방향 지시등, 헤드라이트, 도어록, 윈도실드 와이퍼 등)를 작동시키기 위한 제어 신호들을 생성 및/또는 송신하도록 구성된다.
파워트레인 제어 시스템(204)은 DBW 시스템(202h)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, 파워트레인 제어 시스템(204)은 적어도 하나의 제어기, 액추에이터 등을 포함한다. 일부 실시예들에서, 파워트레인 제어 시스템(204)은 DBW 시스템(202h)으로부터 제어 신호들을 수신하고, 파워트레인 제어 시스템(204)은 차량(200)이 전진하는 것을 시작하게 하고, 전진하는 것을 중지하게 하며, 후진하는 것을 시작하게 하고, 후진하는 것을 중지하게 하며, 한 방향으로 가속하게 하고, 한 방향으로 감속하게 하며, 좌회전을 수행하게 하고, 우회전을 수행하게 하는 등을 한다. 일 예에서, 파워트레인 제어 시스템(204)은 차량의 모터에 제공되는 에너지(예를 들면, 연료, 전기 등)가 증가하게 하거나, 동일하게 유지되게 하거나, 또는 감소하게 하여, 이에 의해 차량(200)의 적어도 하나의 바퀴가 회전하거나 회전하지 않게 한다.
조향 제어 시스템(206)은 차량(200)의 하나 이상의 바퀴를 회전시키도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, 조향 제어 시스템(206)은 적어도 하나의 제어기, 액추에이터 등을 포함한다. 일부 실시예들에서, 조향 제어 시스템(206)은 차량(200)이 좌측 또는 우측으로 방향 전환하게 하기 위해 차량(200)의 전방 2 개의 바퀴 및/또는 후방 2 개의 바퀴가 좌측 또는 우측으로 회전하게 한다.
브레이크 시스템(208)은 차량(200)이 속력을 감소시키게 하고/하거나 정지해 있는 채로 유지하게 하기 위해 하나 이상의 브레이크를 작동시키도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, 브레이크 시스템(208)은 차량(200)의 대응하는 로터(rotor)에서 차량(200)의 하나 이상의 바퀴들과 연관된 하나 이상의 캘리퍼(caliper)가 닫히게 하도록 구성되는 적어도 하나의 제어기 및/또는 액추에이터를 포함한다. 추가적으로 또는 대안적으로, 일부 예들에서, 브레이크 시스템(208)은 자동 긴급 제동(automatic emergency braking, AEB) 시스템, 회생 제동 시스템 등을 포함한다.
일부 실시예들에서, 차량(200)은 차량(200)의 상태 또는 조건의 속성들을 측정 또는 추론하는 적어도 하나의 플랫폼 센서(명시적으로 예시되지 않음)를 포함한다. 일부 예들에서, 차량(200)은 GPS(global positioning system) 수신기, IMU(inertial measurement unit), 휠 속력 센서, 휠 브레이크 압력 센서, 휠 토크 센서, 엔진 토크 센서, 조향각 센서 등과 같은 플랫폼 센서들을 포함한다.
이제 도 3을 참조하면, 디바이스(300)의 개략 다이어그램이 예시되어 있다. 일부 실시예들에서, 디바이스(300)는 차량들(102) 및/또는 차량들(200)의 적어도 하나의 디바이스(예를 들면, 차량들(102)의 시스템의 적어도 하나의 디바이스), 원격 AV 시스템(114), 플릿 관리 시스템(116), V2I 시스템(118)의 적어도 하나의 디바이스 및/또는 네트워크(112)의 적어도 하나의 디바이스(예를 들면, 네트워크(112)의 시스템의 하나 이상의 디바이스)에 대응한다. 일부 실시예들에서, 차량들(102 및/또는 202)의 하나 이상의 디바이스(예를 들면, 자율 주행 시스템(202) 등과 같은 차량들(102 및 202)의 시스템의 하나 이상의 디바이스), 원격 AV 시스템(114), 플릿 관리 시스템(116), V2I 시스템(118), 및/또는 네트워크(112)의 하나 이상의 디바이스(예를 들면, 네트워크(112)의 시스템의 하나 이상의 디바이스)는 적어도 하나의 디바이스(300) 및/또는 디바이스(300)의 적어도 하나의 컴포넌트를 포함한다. 일부 구현들에서, 교통 신호 검출 시스템(500)(예컨대, 도 5에 관련하여 보다 상세하게 기재되는 바와 같이)은 적어도 디바이스들(300)의 하나 이상을 사용함으로써 구현될 수 있다.
도 3에 도시된 바와 같이, 디바이스(300)는 버스(302), 프로세서(304), 메모리(306), 저장 컴포넌트(308), 입력 인터페이스(310), 출력 인터페이스(312), 및 통신 인터페이스(314)를 포함한다.
버스(302)는 디바이스(300)의 컴포넌트들 간의 통신을 가능하게 하는 컴포넌트를 포함한다. 일부 실시예들에서, 프로세서(304)는 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현된다. 일부 예들에서, 프로세서(304)는 적어도 하나의 기능을 수행하도록 프로그래밍될 수 있는, 프로세서(예를 들면, 중앙 프로세싱 유닛(CPU), 그래픽 프로세싱 유닛(GPU), 가속 프로세싱 유닛(APU) 등), 마이크로폰, 디지털 신호 프로세서(DSP), 및/또는 임의의 프로세싱 컴포넌트(예를 들면, FPGA(field-programmable gate array), ASIC(application specific integrated circuit) 등)를 포함한다. 메모리(306)는 프로세서(304)가 사용할 데이터 및/또는 명령어들을 저장하는, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 및/또는 다른 유형의 동적 및/또는 정적 저장 디바이스(예를 들면, 플래시 메모리, 자기 메모리, 광학 메모리 등)를 포함한다.
저장 컴포넌트(308)는 디바이스(300)의 작동 및 사용에 관련된 데이터 및/또는 소프트웨어를 저장한다. 일부 예들에서, 저장 컴포넌트(308)는 하드 디스크(예를 들면, 자기 디스크, 광학 디스크, 광자기 디스크, 솔리드 스테이트 디스크 등), CD(compact disc), DVD(digital versatile disc), 플로피 디스크, 카트리지, 자기 테이프, CD-ROM, RAM, PROM, EPROM, FLASH-EPROM, NV-RAM 및/또는 다른 유형의 컴퓨터 판독 가능 매체를, 대응하는 드라이브와 함께, 포함한다.
입력 인터페이스(310)는 디바이스(300)가, 예컨대, 사용자 입력(예를 들면, 터치스크린 디스플레이, 키보드, 키패드, 마우스, 버튼, 스위치, 마이크로폰, 카메라 등)을 통해, 정보를 수신할 수 있게 하는 컴포넌트를 포함한다. 추가적으로 또는 대안적으로, 일부 실시예들에서, 입력 인터페이스(310)는 정보를 감지하는 센서(예를 들면, GPS(global positioning system) 수신기, 가속도계, 자이로스코프, 액추에이터 등)를 포함한다. 출력 인터페이스(312)는 디바이스(300)로부터의 출력 정보를 제공하는 컴포넌트(예를 들면, 디스플레이, 스피커, 하나 이상의 발광 다이오드(LED) 등)를 포함한다.
일부 실시예들에서, 통신 인터페이스(314)는 디바이스(300)가 유선 연결, 무선 연결, 또는 유선 연결과 무선 연결의 조합을 통해 다른 디바이스들과 통신할 수 있게 하는 트랜시버 유사 컴포넌트(예를 들면, 트랜시버, 개별 수신기 및 송신기 등)를 포함한다. 일부 예들에서, 통신 인터페이스(314)는 디바이스(300)가 다른 디바이스로부터 정보를 수신하고/하거나 다른 디바이스에 정보를 제공할 수 있게 한다. 일부 예들에서, 통신 인터페이스(314)는 이더넷 인터페이스, 광학 인터페이스, 동축 인터페이스, 적외선 인터페이스, RF(radio frequency) 인터페이스, USB(universal serial bus) 인터페이스, Wi-Fi® 인터페이스, 셀룰러 네트워크 인터페이스 등을 포함한다.
일부 실시예들에서, 디바이스(300)는 본원에 기술된 하나 이상의 프로세스를 수행한다. 디바이스(300)는 프로세서(304)가, 메모리(305) 및/또는 저장 컴포넌트(308)와 같은, 컴퓨터 판독 가능 매체에 의해 저장된 소프트웨어 명령어들을 실행하는 것에 기초하여 이러한 프로세스들을 수행한다. 컴퓨터 판독 가능 매체(예를 들면, 비일시적 컴퓨터 판독 가능 매체)는 본원에서 비일시적 메모리 디바이스로서 정의된다. 비일시적 메모리 디바이스는 단일의 물리 저장 디바이스 내부에 위치한 메모리 공간 또는 다수의 물리 저장 디바이스들에 걸쳐 분산된 메모리 공간을 포함한다.
일부 실시예들에서, 소프트웨어 명령어들은 통신 인터페이스(314)를 통해 다른 컴퓨터 판독 가능 매체로부터 또는 다른 디바이스로부터 메모리(306) 및/또는 저장 컴포넌트(308)로 판독된다. 실행될 때, 메모리(306) 및/또는 저장 컴포넌트(308)에 저장된 소프트웨어 명령어들은 프로세서(304)로 하여금 본원에 기술된 하나 이상의 프로세스를 수행하게 한다. 추가적으로 또는 대안적으로, 고정 배선(hardwired) 회로는 본원에 기술된 하나 이상의 프로세스를 수행하기 위해 소프트웨어 명령어들 대신에 또는 소프트웨어 명령어들과 결합하여 사용된다. 따라서, 본원에 기술된 실시예들은, 달리 명시적으로 언급되지 않는 한, 하드웨어 회로와 소프트웨어의 임의의 특정 조합으로 제한되지 않는다.
메모리(306) 및/또는 저장 컴포넌트(308)는 데이터 스토리지 또는 적어도 하나의 데이터 구조(예를 들면, 데이터베이스 등)를 포함한다. 디바이스(300)는 데이터 스토리지 또는 메모리(306) 또는 저장 컴포넌트(308) 내의 적어도 하나의 데이터 구조로부터 정보를 수신하는 것, 그에 정보를 저장하는 것, 그에게로 정보를 통신하는 것, 또는 그에 저장된 정보를 검색하는 것을 할 수 있다. 일부 예들에서, 정보는 네트워크 데이터, 입력 데이터, 출력 데이터, 또는 이들의 임의의 조합을 포함한다.
일부 실시예들에서, 디바이스(300)는 메모리(306)에 그리고/또는 다른 디바이스(예를 들면, 디바이스(300)와 동일하거나 유사한 다른 디바이스)의 메모리에 저장된 소프트웨어 명령어들을 실행하도록 구성된다. 본원에서 사용되는 바와 같이, "모듈"이라는 용어는, 프로세서(304)에 의해 그리고/또는 다른 디바이스(예를 들면, 디바이스(300)와 동일하거나 유사한 다른 디바이스)의 프로세서에 의해 실행될 때, 디바이스(300)(예를 들면, 디바이스(300)의 적어도 하나의 컴포넌트)로 하여금 본원에 기술된 하나 이상의 프로세스를 수행하게 하는 메모리(306)에 그리고/또는 다른 디바이스의 메모리에 저장된 적어도 하나의 명령어를 지칭한다. 일부 실시예들에서, 모듈은 소프트웨어, 펌웨어, 하드웨어 등으로 구현된다.
도 3에 예시된 컴포넌트들의 수 및 배열은 예로서 제공된다. 일부 실시예들에서, 디바이스(300)는 도 3에 예시된 것보다, 추가적인 컴포넌트들, 더 적은 컴포넌트들, 상이한 컴포넌트들, 또는 상이하게 배열된 컴포넌트들을 포함할 수 있다. 추가적으로 또는 대안적으로, 디바이스(300)의 컴포넌트 세트(예를 들면, 하나 이상의 컴포넌트)는 디바이스(300)의 다른 컴포넌트 또는 다른 컴포넌트 세트에 의해 수행되는 것으로 기술된 하나 이상의 기능을 수행할 수 있다.
이제 도 4를 참조하면, 자율 주행 차량 컴퓨터(400)(때때로 "AV 스택"이라고 지칭됨)의 예시적인 블록 다이어그램이 예시되어 있다. 예시된 바와 같이, 자율 주행 차량 컴퓨터(400)는 인지 시스템(402)(때때로 인지 모듈이라고 지칭됨), 계획 시스템(404)(때때로 계획 모듈이라고 지칭됨), 로컬화 시스템(406)(때때로 로컬화 모듈이라고 지칭됨), 제어 시스템(408)(때때로 제어 모듈이라고 지칭됨) 및 데이터베이스(410)를 포함한다. 일부 실시예들에서, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 제어 시스템(408) 및 데이터베이스(410)는 차량의 자율 주행 내비게이션 시스템(예를 들면, 차량(200)의 자율 주행 차량 컴퓨터(202f))에 포함되고/되거나 구현된다. 추가적으로 또는 대안적으로, 일부 실시예들에서, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 제어 시스템(408), 및 데이터베이스(410)는 하나 이상의 독립형 시스템(예를 들면, 자율 주행 차량 컴퓨터(400) 등과 동일하거나 유사한 하나 이상의 시스템)에 포함된다. 일부 예들에서, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 제어 시스템(408), 및 데이터베이스(410)는 본원에 기술된 바와 같이 차량 및/또는 적어도 하나의 원격 시스템에 위치하는 하나 이상의 독립형 시스템에 포함된다. 일부 실시예들에서, 자율 주행 차량 컴퓨터(400)에 포함된 시스템들 중 일부 및/또는 전부는 소프트웨어(예를 들면, 메모리에 저장된 소프트웨어 명령어들), 컴퓨터 하드웨어(예를 들면, 마이크로프로세서, 마이크로컨트롤러, ASIC(application-specific integrated circuit), FPGA(Field Programmable Gate Array) 등), 또는 컴퓨터 소프트웨어와 컴퓨터 하드웨어의 조합으로 구현된다. 일부 실시예들에서, 자율 주행 차량 컴퓨터(400)가 원격 시스템(예를 들면, 원격 AV 시스템(114)과 동일하거나 유사한 자율 주행 차량 시스템, 플릿 관리 시스템(116)과 동일하거나 유사한 플릿 관리 시스템, V2I 시스템(118)과 동일하거나 유사한 V2I 시스템 등)과 통신하도록 구성된다는 것이 또한 이해될 것이다.
일부 실시예들에서, 인지 시스템(402)은 환경에서의 적어도 하나의 물리적 대상체와 연관된 데이터(예를 들면, 적어도 하나의 물리적 대상체를 검출하기 위해 인지 시스템(402)에 의해 사용되는 데이터)를 수신하고 적어도 하나의 물리적 대상체를 분류한다. 일부 예들에서, 인지 시스템(402)은 적어도 하나의 카메라(예를 들면, 카메라들(202a))에 의해 캡처되는 이미지 데이터를 수신하고, 이미지는 적어도 하나의 카메라의 시야 내의 하나 이상의 물리적 대상체와 연관되어 있다(예를 들면, 이를 표현한다). 그러한 예에서, 인지 시스템(402)은 물리적 대상체들(예를 들면, 자전거들, 차량들, 교통 표지판들, 보행자들 등)의 하나 이상의 그룹화에 기초하여 적어도 하나의 물리적 대상체를 분류한다. 일부 실시예들에서, 인지 시스템(402)이 물리적 대상체들을 분류하는 것에 기초하여 인지 시스템(402)은 물리적 대상체들의 분류와 연관된 데이터를 계획 시스템(404)으로 송신한다.
일부 실시예들에서, 계획 시스템(404)은 목적지와 연관된 데이터를 수신하고 차량(예를 들면, 차량들(102))이 목적지를 향해 주행할 수 있는 적어도 하나의 루트(예를 들면, 루트들(106))와 연관된 데이터를 생성한다. 일부 실시예들에서, 계획 시스템(404)은 인지 시스템(402)으로부터의 데이터(예를 들면, 위에서 기술된, 물리적 대상체들의 분류와 연관된 데이터)를 주기적으로 또는 연속적으로 수신하고, 계획 시스템(404)은 인지 시스템(402)에 의해 생성되는 데이터에 기초하여 적어도 하나의 궤적을 업데이트하거나 적어도 하나의 상이한 궤적을 생성한다. 일부 실시예들에서, 계획 시스템(404)은 로컬화 시스템(406)으로부터 차량(예를 들면, 차량들(102))의 업데이트된 포지션과 연관된 데이터를 수신하고, 계획 시스템(404)은 로컬화 시스템(406)에 의해 생성되는 데이터에 기초하여 적어도 하나의 궤적을 업데이트하거나 적어도 하나의 상이한 궤적을 생성한다.
일부 실시예들에서, 로컬화 시스템(406)은 한 영역에서의 차량(예를 들면, 차량들(102))의 한 위치와 연관된(예를 들면, 이를 나타내는) 데이터를 수신한다. 일부 예들에서, 로컬화 시스템(406)은 적어도 하나의 LiDAR 센서(예를 들면, LiDAR 센서들(202b))에 의해 생성되는 적어도 하나의 포인트 클라우드와 연관된 LiDAR 데이터를 수신한다. 특정 예들에서, 로컬화 시스템(406)은 다수의 LiDAR 센서들로부터의 적어도 하나의 포인트 클라우드와 연관된 데이터를 수신하고 로컬화 시스템(406)은 포인트 클라우드들 각각에 기초하여 결합된 포인트 클라우드를 생성한다. 이러한 예들에서, 로컬화 시스템(406)은 적어도 하나의 포인트 클라우드 또는 결합된 포인트 클라우드를 데이터베이스(410)에 저장되어 있는 해당 영역의 2차원(2D) 및/또는 3차원(3D) 맵과 비교한다. 로컬화 시스템(406)이 적어도 하나의 포인트 클라우드 또는 결합된 포인트 클라우드를 맵과 비교하는 것에 기초하여 로컬화 시스템(406)은 이어서 해당 영역에서의 차량의 포지션을 결정한다. 일부 실시예들에서, 맵은 차량의 운행 이전에 생성되는 해당 영역의 결합된 포인트 클라우드를 포함한다. 일부 실시예들에서, 맵은, 제한 없이, 도로 기하학적 특성들의 고정밀 맵, 도로 네트워크 연결 특성들을 기술하는 맵, 도로 물리적 특성들(예컨대, 교통 속력, 교통량, 차량 교통 차선과 자전거 타는 사람 교통 차선의 수, 차선 폭, 차선 교통 방향, 또는 차선 마커 유형 및 위치, 또는 이들의 조합)을 기술하는 맵, 및 도로 특징부, 예컨대, 횡단보도, 교통 표지판 또는 다양한 유형의 다른 주행 신호들의 공간적 위치들을 기술하는 맵을 포함한다. 일부 실시예들에서, 맵은 인지 시스템에 의해 수신되는 데이터에 기초하여 실시간으로 생성된다.
다른 예에서, 로컬화 시스템(406)은 GPS(global positioning system) 수신기에 의해 생성되는 GNSS(Global Navigation Satellite System) 데이터를 수신한다. 일부 예들에서, 로컬화 시스템(406)은 해당 영역 내에서의 차량의 위치와 연관된 GNSS 데이터를 수신하고 로컬화 시스템(406)은 해당 영역 내에서의 차량의 위도 및 경도를 결정한다. 그러한 예에서, 로컬화 시스템(406)은 차량의 위도 및 경도에 기초하여 해당 영역에서의 차량의 포지션을 결정한다. 일부 실시예들에서, 로컬화 시스템(406)은 차량의 포지션과 연관된 데이터를 생성한다. 일부 예들에서, 로컬화 시스템(406)이 차량의 포지션을 결정하는 것에 기초하여 로컬화 시스템(406)은 차량의 포지션과 연관된 데이터를 생성한다. 그러한 예에서, 차량의 포지션과 연관된 데이터는 차량의 포지션에 대응하는 하나 이상의 시맨틱 특성과 연관된 데이터를 포함한다.
일부 실시예들에서, 제어 시스템(408)은 계획 시스템(404)으로부터 적어도 하나의 궤적과 연관된 데이터를 수신하고 제어 시스템(408)은 차량의 작동을 제어한다. 일부 예들에서, 제어 시스템(408)은 계획 시스템(404)으로부터 적어도 하나의 궤적과 연관된 데이터를 수신하고, 제어 시스템(408)은 파워트레인 제어 시스템(예를 들면, DBW 시스템(202h), 파워트레인 제어 시스템(204) 등), 조향 제어 시스템(예를 들면, 조향 제어 시스템(206)) 및/또는 브레이크 시스템(예를 들면, 브레이크 시스템(208))이 작동하게 하는 제어 신호들을 생성하여 송신하는 것에 의해 차량의 작동을 제어한다. 궤적이 좌회전을 포함하는 예에서, 제어 시스템(408)은 조향 제어 시스템(206)으로 하여금 차량(200)의 조향각을 조정하게 함으로써 차량(200)이 좌회전하게 하는 제어 신호를 송신한다. 추가적으로 또는 대안적으로, 제어 시스템(408)은 차량(200)의 다른 디바이스들(예를 들면, 헤드라이트, 방향 지시등, 도어록, 윈도실드 와이퍼 등)로 하여금 상태들을 변경하게 하는 제어 신호들을 생성하여 송신한다.
일부 실시예들에서, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 및/또는 제어 시스템(408)은 적어도 하나의 머신 러닝 모델(예를 들면, 적어도 하나의 다층 퍼셉트론(MLP), 적어도 하나의 콘볼루션 신경 네트워크(CNN), 적어도 하나의 순환 신경 네트워크(RNN), 적어도 하나의 오토인코더, 적어도 하나의 트랜스포머(transformer) 등)을 구현한다. 일부 예들에서, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 및/또는 제어 시스템(408)은 단독으로 또는 위에서 언급된 시스템들 중 하나 이상과 조합하여 적어도 하나의 머신 러닝 모델을 구현한다. 일부 예에서, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 및/또는 제어 시스템(408)은 파이프라인(예를 들면, 환경에 위치한 하나 이상의 대상체를 식별하기 위한 파이프라인 등)의 일부로서 적어도 하나의 머신 러닝 모델을 구현한다. 머신 러닝 모델의 구현의 예는 도 7a 내지 도 7c와 관련하여 아래에 포함된다.
데이터베이스(410)는 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406) 및/또는 제어 시스템(408)으로 송신되며, 이들로부터 수신되고/되거나 이들에 의해 업데이트되는 데이터를 저장한다. 일부 예들에서, 데이터베이스(410)는 작동에 관련된 데이터 및/또는 소프트웨어를 저장하고 자율 주행 차량 컴퓨터(400)의 적어도 하나의 시스템을 사용하는 저장 컴포넌트(예를 들면, 도 3의 저장 컴포넌트(308)와 동일하거나 유사한 저장 컴포넌트)를 포함한다. 일부 실시예들에서, 데이터베이스(410)는 적어도 하나의 영역의 2D 및/또는 3D 맵과 연관된 데이터를 저장한다. 일부 예들에서, 데이터베이스(410)는 도시의 일 부분, 다수의 도시들의 다수의 부분들, 다수의 도시들, 카운티, 주, 국가(State)(예를 들면, 나라(country)) 등의 2D 및/또는 3D 맵과 연관된 데이터를 저장한다. 그러한 예에서, 차량(예를 들면, 차량들(102) 및/또는 차량(200)과 동일하거나 유사한 차량)은 하나 이상의 운전 가능한 영역(예를 들면, 단일 차선 도로, 다중 차선 도로, 간선도로, 시골 길(back road), 오프로드 트레일 등)을 따라 운전할 수 있고, 적어도 하나의 LiDAR 센서(예를 들면, LiDAR 센서들(202b)과 동일하거나 유사한 LiDAR 센서)로 하여금 적어도 하나의 LiDAR 센서의 시야에 포함된 대상체들을 나타내는 이미지와 연관된 데이터를 생성하게 할 수 있다.
일부 실시예들에서, 데이터베이스(410)는 복수의 디바이스들에 걸쳐 구현된다. 일부 예들에서, 데이터베이스(410)는 차량(예를 들면, 차량들(102) 및/또는 차량(200)과 동일하거나 유사한 차량), 자율 주행 차량 시스템(예를 들면, 원격 AV 시스템(114)과 동일하거나 유사한 자율 주행 차량 시스템), 플릿 관리 시스템(예를 들면, 도 1의 플릿 관리 시스템(116)과 동일하거나 유사한 플릿 관리 시스템), V2I 시스템(예를 들면, 도 1의 V2I 시스템(118)과 동일하거나 유사한 V2I 시스템) 등에 포함될 수 있다.
예시적인 교통 신호 검출 시스템
도 5는 예시적인 교통 신호 검출 시스템(500)의 양상을 도시한다. 상기에 기재된 바와 같이, 교통 신호 검출 시스템(500)은, (예컨대, 차량(200)과 같은 자율 주행 차량의 환경에서) 하나 이상의 교통 신호의 존재를 검출하고, 검출된 교통 신호 각각의 위치 및 배향에 관한 정보를 생성하도록 구성된다. 검출된 신호에 관한 정보는, 자율 주행 차량의 환경에서 교통 신호를 자동으로 식별하도록 그리고/또는 환경을 통해 자율 주행 차량의 운행을 안내하도록 인공 지능 시스템을 트레이닝하는데 사용될 수 있다.
일부 실시예에서, 교통 신호 검출 시스템(500)은 적어도 부분적으로 차량(200)의 하나 이상의 컴포넌트로서 구현될 수 있다. 예를 들어, 교통 신호 검출 시스템(500)은 자율 주행 차량 컴퓨터(202f, 400)의 일부와 같은 자율 주행 시스템(202)의 일부 및/또는 그의 하나 이상의 컴포넌트(예컨대, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 제어 시스템(408) 및/또는 데이터베이스(410))로서 구현될 수 있다. 다른 예로서, 교통 신호 검출 시스템(500)은 적어도 부분적으로 차량(200)의 하나 이상의 독립형 컴포넌트로서 구현될 수 있다.
일부 실시예에서, 교통 신호 검출 시스템(500)은 적어도 부분적으로, 차량(200)으로부터 원격인 하나 이상의 컴포넌트로서 구현될 수 있다. 일 예로서, 교통 신호 검출 시스템(500)은 원격 AV 시스템(114), 플릿 관리 시스템(116) 및/또는 V2I 시스템(118)의 컴포넌트로서 구현될 수 있다. 다른 예로서, 교통 신호 검출 시스템(500)은 적어도 부분적으로, 차량(200)으로부터 원격인 하나 이상의 독립형 시스템(예컨대, 클라우드 컴퓨팅 시스템과 같은 하나 이상의 컴퓨터 디바이스)으로서 구현될 수 있다.
교통 신호 검출 시스템(500)은 이미지 분할 모듈(502), 포인트 투영 모듈(504), 주석 모듈(506) 및 데이터베이스(508)를 포함한다. 모듈의 각각은 소프트웨어, 펌웨어, 하드웨어, 또는 이들의 임의의 조합으로 구현될 수 있다.
교통 신호 검출 시스템(500)의 예시적인 작동 동안, 교통 신호 검출 시스템(500)은 외부 환경(예컨대, 차량(200)의 환경)의 하나 이상의 2차원 이미지를 표현하고/하거나 포함하는 이미지 데이터(510)를 수신한다. 일부 구현에서, 이미지 데이터(510)는 적어도 부분적으로, 하나 이상의 이미지 센서(예컨대, 스틸 카메라, 비디오 카메라 등)를 사용하여 생성될 수 있다. 일 예로서, 이미지 데이터(510)는 적어도 부분적으로, 차량(200)의 카메라들(202a)(예컨대, 도 2에 관련하여 기재된 바와 같이) 중 하나 이상에 의해 생성되고, 교통 신호 검출 시스템(500)에 제공될 수 있다. 다른 예로서, 이미지 데이터(510)는 적어도 부분적으로, 차량(200)으로부터 원격인 하나 이상의 카메라에 의해 생성되고, 프로세싱을 위해 교통 신호 검출 시스템(500)에 제공될 수 있다.
이미지 분할 모듈(502)은 이미지 데이터(510)의 특성 및/또는 콘텐츠에 따라 이미지 데이터(510)를 상이한 부분들로 분할한다.
일 예로서, 이미지 분할 모듈(502)은 이미지 분할 모듈(502)에 의해 표현된 이미지 각각의 콘텐츠를 분석하고, 하나 이상의 교통 신호에 대응하는 이미지의 부분을 결정할 수 있다. 또한, 이미지 분할 모듈(502)은, 교통 신호에 대응하는 이미지 세그먼트의 하나 이상이 교통 신호에 대응하지 않는 하나 이상의 다른 이미지 세그먼트와는 구별되도록, 이미지를 둘 이상의 이미지 세그먼트들(예컨대, 이미지의 부분들)로 분할할 수 있다.
일부 구현에서, 이미지 분할 모듈(502)은 이미지 세그먼트들을 서로 분리하는 하나 이상의 경계를 결정할 수 있다. 일 예로서, 이미지 분할 모듈(502)은, 제1 이미지 세그먼트를 둘러싸며 제1 이미지 세그먼트를 하나 이상의 다른 이미지 세그먼트(예컨대, 경계 박스에 의해 둘러싸이지 않는 이미지 세그먼트)와 구별하는 하나 이상의 경계 박스(bounding box)를 결정할 수 있다. 경계 박스는 하나 이상의 2차원 및/또는 3차원 형상을 형성하는 하나 이상의 닫힌 다각형 윤곽선을 포함할 수 있다. 일 예로서, 경계 박스는 하나 이상의 삼각형, 사각형, 오각형, 육각형 및/또는 임의의 다른 2차원 형상을 정의하는 하나 이상의 다각형 윤곽선을 포함할 수 있다. 다른 예로서, 경계 박스는 하나 이상의 다면체를 정의하는 하나 이상의 다각형 윤곽선을 포함할 수 있다. 일부 구현에서, 경계 박스는 일련의 정점들 및/또는 선들로서 표현될 수 있다(예컨대, x-y 좌표와 같은 이미지 좌표 세트 및/또는 벡터로서 표현됨).
또한, 이미지 세그먼트의 적어도 일부에 대하여, 이미지 분할 모듈(502)은 하나 이상의 신뢰 메트릭(confidence metric)을 결정할 수 있으며, 각각은 이미지 세그먼트들 중의 각자의 것이 교통 신호에 대응할 가능성을 나타낸다. 예를 들어, 이미지 분할 모듈(502)이 높은 신뢰도로 제1 이미지 세그먼트가 교통 신호에 대응한다고 결정하는 경우, 이미지 분할 모듈(502)은 제1 이미지 세그먼트에 높은 신뢰 메트릭을 할당할 수 있다. 다른 예로서, 이미지 분할 모듈(502)이 낮은 신뢰도로 제2 이미지 세그먼트가 교통 신호에 대응한다고 결정하는 경우, 이미지 분할 모듈(502)은 제2 이미지 세그먼트에 낮은 신뢰 메트릭을 할당할 수 있다.
예시적인 예로서, 도 6a(왼쪽 창)는 외부 환경의 이미지(600)(예컨대, 하나 이상의 카메라에 의해 생성된 도로의 이미지)를 도시한다. 이미지 분할 모듈(502)은 이미지(600)의 특성 및 콘텐츠를 분석할 수 있다. 또한, 분석에 기초하여, 이미지 분할 모듈(502)은 이미지(600)를 제1 교통 신호(604a)에 대응하는 제1 이미지 세그먼트(602a)(예컨대, 제1 경계 박스(606a)에 의해 둘러싸임), 제2 교통 신호(604b)에 대응하는 제2 이미지 세그먼트(602b)(예컨대, 제2 경계 박스(606b)에 의해 둘러싸임), 및 이미지(600)의 나머지에 대응하는 제3 이미지 세그먼트(602c)(예컨대, 제1 경계 박스(606a) 또는 제2 경계 박스(606b)에 의해 둘러싸이지 않는 이미지(600)의 부분)로 분할할 수 있다. 예시적인 분할된 이미지(620)가 도 6a(오른쪽 창)에 도시된다.
또한, 이미지 분할 모듈(502)은, 이미지 세그먼트(602a 및 602b)의 각각에 대하여, 이미지 세그먼트가 교통 신호에 대응할 가능성을 나타내는 각자의 신뢰 메트릭을 결정할 수 있다. 예를 들어, 도 6a에 도시된 예에서, 이미지 분할 모듈(502)은 이미지 세그먼트(602a)가 교통 신호에 대응할 가능성은 98.1%임(예컨대, P = 0.981, 여기서 P = 1은 100% 가능성을 나타냄)을 결정한다. 또한, 이미지 분할 모듈(502)은 이미지 세그먼트(602b)가 교통 신호에 대응할 가능성은 99.3%임(예컨대, P = 0.993)을 결정한다.
일부 구현에서, 이미지 분할 모듈(502)은 하나 이상의 머신 러닝 모델에 기초하여 여기에 기재된 결정들 중 적어도 일부를 행할 수 있다. 예를 들어, 머신 러닝 모델은, 입력 데이터(예컨대, 환경의 하나 이상의 이미지를 표현하는 이미지 데이터)를 수신하고 입력 데이터에 기초하여 이들 이미지 내의 교통 신호의 위치에 관한 하나 이상의 예측과 연관된 출력 데이터를 생성하도록 트레이닝될 수 있다. 이미지 분할 모듈(502)은 예측에 기초하여 이미지를 하나 이상의 이미지 세그먼트로 분할할 수 있다.
일 예로서, 머신 러닝 모델은 하나 이상의 외부 환경의 하나 이상의 이전에 생성된 이미지를 포함하는 트레이닝 데이터(예컨대, 데이터베이스(508)에 저장된 트레이닝 데이터)를 사용하여 트레이닝될 수 있다. 일부 구현에서, 이들 이미지의 적어도 일부는 단일 차량(200)(예컨대, 교통 신호 검출 시스템(500)을 구현한 차량(200))에 의해 생성될 수 있다. 일부 구현에서, 이들 이미지의 적어도 일부는 하나 이상의 다른 차량 또는 시스템(예컨대, 교통 신호 검출 시스템(500)을 구현한 차량(200) 외의 차량, 원격 컴퓨터 시스템 등)에 의해 생성될 수 있다.
이미지 각각에 대하여, 트레이닝 데이터는, 그 이미지에 임의의 교통 신호가 도시되어 있는지 여부, 및 그러한 경우 교통 신호(들)에 대응하는 이미지의 부분을 표현하는 데이터를 포함할 수 있다. 예를 들어, 트레이닝 데이터는 하나 이상의 경계 박스(예컨대, 일련의 정점들 및/또는 선들에 의해 표현됨)를 포함할 수 있으며, 각각은 이미지에 도시된 상이한 교통 신호를 둘러싼다. 정점들 및/또는 선들은, 예를 들어 이미지 좌표 세트(예컨대, x-y 좌표) 및/또는 벡터로서 표현될 수 있다.
트레이닝 데이터에 기초하여, 머신 러닝 모델은, (i) 입력 데이터(예컨대, 하나 이상의 이미지), 및 (ii) 교통 신호에 대응하는 입력 데이터의 부분(만약 있다면)(예컨대, 교통 신호를 도시한 이미지의 부분) 사이의 상관, 관계, 및/또는 트렌드를 식별하도록 트레이닝될 수 있다.
머신 러닝 모델이 트레이닝되었다면, 이미지 분할 모듈(502)은 새로 획득된 입력 데이터를 머신 러닝 모델에 제공하여(예컨대, 이미지 데이터(510)), 교통 신호에 대응하는 것으로 예측되는 입력 데이터의 부분을 결정할 수 있다. 또한, 이미지 분할 모듈(502)은 교통 신호에 대응하는 이미지의 부분을 교통 신호에 대응하지 않는 이미지의 다른 부분과 구별하도록 이미지 데이터(510)를 분할할 수 있다(예컨대, 하나 이상의 경계 박스를 사용하여).
예시적인 머신 러닝 모델이 도 7a 내지 도 7c를 참조하여 더 상세하게 기재된다.
다시 도 5를 참조하면, 이미지 분할 모듈(502)은 분할된 이미지(512)를 포인트 투영 모듈(504)에 제공한다. 또한, 포인트 투영 모듈(504)은 외부 환경(예컨대, 차량(200)의 환경)에 관한 포인트 클라우드 데이터(514)를 수신한다. 예를 들어, 포인트 클라우드 데이터(514)는 이미지 데이터(510)의 이미지 및/또는 분할된 이미지(512)에 도시된 것과 동일한 외부 환경의 3차원 클라우드를 표현하고/하거나 포함할 수 있다.
일부 구현에서, 포인트 클라우드 데이터(514) 및 이미지 데이터(510)는 센서 시스템에 의해 동시에 생성될 수 있다. 예를 들어, 차량(200)이 환경을 횡단할 때에, 센서 시스템은 하나 이상의 이미지(예컨대, 하나 이상의 카메라를 사용하여) 및 하나 이상의 포인트 클라우드를 동시에 생성할 수 있으며, 그리하여 이미지 및 포인트 클라우드는 동일 뷰포인트 및/또는 뷰포트로부터 외부 각도로 피사체를 표현한다.
일부 구현에서, 포인트 클라우드 데이터(514)는 적어도 부분적으로, 하나 이상의 거리 센서(range sensor)(예컨대, LiDAR 센서, 비행 시간 센서, 레이더 센서 등)를 사용하여 생성될 수 있다. 일 예로서, 포인트 클라우드 데이터(514)는 적어도 부분적으로, 차량(200)의 LiDAR 센서들(202b) 및/또는 레이더 센서들(202c)(예컨대, 도 2에 관련하여 기재된 바와 같이) 중 하나 이상에 의해 생성되고, 프로세싱을 위해 교통 신호 검출 시스템(500)에 제공될 수 있다. 다른 예로서, 포인트 클라우드 데이터(514)는 적어도 부분적으로, 차량(200)으로부터 원격인 하나 이상의 거리 센서에 의해 생성되고, 프로세싱을 위해 교통 신호 검출 시스템(500)에 제공될 수 있다.
포인트 투영 모듈(504)은 포인트 클라우드 데이터(514)의 적어도 일부를 분할된 이미지(512)로 투영한다. 예를 들어, 포인트 투영 모듈(504)은 분할된 이미지(512) 및 포인트 클라우드 데이터(514)를 정렬하거나 등록할(register) 수 있으며, 그리하여 이들은 집합적으로 외부 환경에 있는 하나 이상의 피사체에 관한 공간 정보를 제공한다. 일 예로서, 포인트 클라우드 데이터(514) 및/또는 분할된 이미지(512)는, 분할된 이미지(512) 및 포인트 클라우드 데이터(514)가 공통 뷰포인트 및/또는 뷰포트에 따라 외부 환경의 공통 부분을 표현하도록, 회전되거나, 병진 이동되거나, 기울이거나, 뒤틀리거나, 또는 달리 조작될 수 있다.
또한, 포인트 투영 모듈(504)은 이미지 분할 모듈(502)에 의해 교통 신호에 대응하는 것으로 식별된 이미지 세그먼트와 일치하는 포인트 클라우드 데이터(514) 내의 포인트들의 서브세트를 결정할 수 있다. 예를 들어, 포인트 클라우드 데이터(514)의 적어도 일부를 분할된 이미지(512)로 투영하면, 포인트 투영 모듈(504)은 이미지 분할 모듈(502)에 의해 생성된 경계 박스(예컨대, 교통 신호에 대응하는 이미지 데이터(510)의 부분을 둘러싸는 경계 박스)에 의해 둘러싸이는 포인트 클라우드 데이터(514)의 포인트들의 서브세트를 식별할 수 있다. 또한, 포인트 투영 모듈(504)은 포인트 클라우드 데이터(514) 내의 나머지 포인트들을 폐기하거나 달리 무시할 수 있다.
예시적인 예로서, 도 6b(왼쪽 창)는 환경의 분할된 이미지(620)를 도시한다. 일반적으로, 분할된 이미지(620)는 도 6a에 관련하여 도시 및 기재된 바와 유사할 수 있다. 예를 들어, 도 6b에 도시된 바와 같이, 분할된 이미지(620)는, 하나 이상의 카메라에 의해 생성되며, 이미지에서 식별된 교통 신호에 기초하여 상이한 이미지 세그먼트들(602a-602c)로 분할된 도로의 이미지일 수 있다.
포인트 투영 모듈(504)은 환경에 관한 포인트 클라우드 데이터를 분할된 이미지(620)로 투영할 수 있으며, 그리하여 포인트 클라우드의 포인트들 각각은 분할된 이미지(620) 상의 특정 위치에 정렬되거나 등록된다(예컨대, 환경에서 그 포인트의 공간적 위치에 대응함). 또한, 도 6b(오른쪽 창)에 도시된 바와 같이, 포인트 투영 모듈(504)은 이미지 분할 모듈(502)에 의해 교통 신호에 대응하는 것으로 식별된 이미지 세그먼트(602a 및 602b)와 일치하는 포인트 클러스터(622a 및 622b)를 선택할 수 있다. 또한, 포인트 투영 모듈(504)은 포인트 클라우드 데이터(514) 내의 나머지 포인트들을 폐기하거나 달리 무시할 수 있다(도 6b에 도시되지 않음).
일 예로서, 포인트 클라우드 데이터의 적어도 일부를 분할된 이미지(620)로 투영하면, 포인트 투영 모듈(504)은 경계 박스(606a)에 의해 둘러싸이는 포인트 클러스터(622a)(예컨대, 교통 신호(604a)에 대응함), 및 경계 박스(606b)에 의해 둘러싸이는 포인트 클러스터(622b)(예컨대, 교통 신호(604b)에 대응함)를 식별할 수 있다. 또한, 포인트 투영 모듈(504)은 포인트 클라우드 데이터 내의 나머지 포인트들(예컨대, 교통 신호에 대응하지 않는 포인트)을 폐기하거나 달리 무시할 수 있다.
다시 도 5를 참조하면, 포인트 투영 모듈(504)은 식별된 교통 신호의 각각에 대한 교통 신호 데이터(516)를 제공한다(예컨대, 이미지 분할 모듈(502)에 의해 생성된 경계 박스 및 포인트 투영 모듈(504)에 의해 식별된 포인트 클라우드들의 대응하는 클러스터를 표현하는 데이터). 교통 신호 데이터(516)에 기초하여, 주석 모듈(506)은 이미지 데이터(510) 및 포인트 클라우드 데이터(514)에서 표현된 교통 신호의 각각에 관한 주석(518)을 생성한다.
일 예로서, 교통 신호의 각각에 대하여, 주석 모듈(506)은 그 교통 신호에 대한 고유 식별자를 생성하거나(예컨대, 교통 신호가 교통 신호 검출 시스템(500)에 의해 이전에 검출되지 않은 경우), 그 교통 신호에 대하여 이전에 생성되었던 고유 식별자를 결정할 수 있다(예컨대, 교통 신호가 교통 신호 검출 시스템(500)에 의해 이전에 검출된 경우). 일부 구현에서, 고유 식별자는 교통 신호를 다른 교통 신호와 구별하는 영숫자 시퀀스 또는 코드를 포함할 수 있다.
또한, 주석 모듈(506)은 그 교통 신호에 대한 경계 박스 및/또는 포인트 클러스터를 표현하는 데이터로 고유 식별자에 주석달기할 수 있다.
또한, 교통 신호의 각각에 대하여, 주석 모듈(506)은 그 교통 신호의 지리적 위치를 표시하는 위치 데이터를 생성하고, 위치 데이터를 교통 신호의 고유 식별자와 연관시킬 수 있다.
예를 들어, 주석 모듈(506)은 이미지 데이터(510) 및 포인트 클라우드 데이터(514)가 생성된 지리적 위치를 표시하는 데이터(520)에 액세스할 수 있다(예컨대, 이미지 및/또는 포인트 클라우드를 생성했을 때의 카메라 및/또는 거리 센서의 위치를 표시하는 지리적 좌표). 또한, 주석 모듈(506)은 이미지 데이터(510) 및 포인트 클라우드 데이터(514)의 배향 또는 관점을 표시하는 데이터(520)에 액세스할 수 있다(예컨대, 이미지 및/또는 포인트 클라우드를 생성했을 때의 카메라 및/또는 거리 센서가 향한 방향, 예컨대 하나 이상의 방향 축에 대한 각도 변위). 일부 구현에서, 데이터(520)는 이미지 데이터(510) 및/또는 포인트 클라우드 데이터(514)에 포함될 수 있다(예컨대, 메타데이터로서 저장됨). 일부 구현에서, 데이터(520)는 이미지 데이터(510) 및/또는 포인트 클라우드 데이터(514)와는 별개로 저장될 수 있다.
데이터(520)에 기초하여, 주석 모듈(506)은 이미지 데이터(510) 및 포인트 클라우드 데이터(514)를 나타내는 교통 신호 각각의 지리적 위치를 결정한다. 예를 들어, 주석 모듈(506)은 교통 신호에 대응하는 이미지 데이터(510) 및/또는 포인트 클라우드 데이터(514)의 부분(예컨대, 이미지 및/또는 포인트 클라우드에서의 교통 신호의 공간적 포지션)을 결정하고, 그 부분에 대응하는 지리적 위치를 결정할 수 있다. 일부 구현에서, 주석 모듈(506)은 지리적 좌표(예컨대, 위도 및 경도 좌표) 및 고도(예컨대, 해수면 위의 거리, 지면 위의 거리 등)를 사용하여 교통 신호의 위치를 표시할 수 있다.
일부 구현에서, 교통 신호 주석(518)은 또한 교통 신호의 각각에 대하여 그 교통 신호의 배향을 표시할 수 있다. 예를 들어, 교통 신호 주석(518)은, 예컨대 나침반 방향 및/또는 방향 벡터를 사용하여, 교통 신호의 시각적 표시기(예컨대, 신호등)가 향하고 있는 방향을 표시할 수 있다.
일부 구현에서, 교통 신호 검출 시스템(500)은, 그 교통 신호에 대한 포인트 클러스터를 획득하고 그 포인트 클러스터에 하나 이상의 평면을 피팅(fitting)함으로써, 교통 신호의 배향을 결정할 수 있다. 또한, 교통 신호 검출 시스템(500)은 포인트 클러스터에 가장 잘 맞는(best fit) 평면(예컨대, 포인트 클러스터와 가장 가까운 정렬을 갖는 평면)을 선택하고, 그 평면에 수직인 방향 벡터를 결정한다. 방향 벡터는 교통 신호의 배향으로서 선택된다. 일부 구현에서, 평면은 회귀 기술(예컨대, 다중 선형 회귀)을 사용하여 포인트 클러스터에 피팅될 수 있다.
예시적인 예로서, 도 6c(왼쪽 창)는 교통 신호를 표현한 포인트 클러스터(640)(예컨대, 3차원 경계 박스(642)에 의해 둘러싸임)를 도시한다. 도 6c(오른쪽 창)에 도시된 바와 같이, 교통 신호 검출 시스템(500)은 포인트 클러스터(640)에 가장 잘 맞는 평면(644), 및 평면(644)에 수직인 벡터(646)를 결정할 수 있다. 벡터(646)는 교통 신호의 배향으로서 선택될 수 있다.
일부 구현에서, 교통 신호 주석(518)은 하나 이상의 데이터 레코드 또는 데이터 구조를 포함할 수 있는데, 여기서 각각의 데이터 레코드 또는 데이터 구조는 각자의 교통 신호에 관한 정보를 나타낸다. 예를 들어, 각각의 데이터 레코드 또는 데이터 구조는 특정 교통 신호에 대한 고유 식별자, 그 교통 신호를 표현하는 하나 이상의 이미지 및/또는 포인트 클라우드, 그 교통 신호에 대한 경계 박스, 그 교통 신호의 지리적 위치, 및/또는 그 교통 신호의 배향을 나타낼 수 있다.
일부 구현에서, 교통 신호 검출 시스템(500)은 각각의 새로 검출된 교통 신호에 대하여 새로운 데이터 레코드 또는 데이터 구조를 선택적으로 생성할 수 있다. 예를 들어, 새로운 교통 신호가 검출될 때마다(예컨대, 본원에 기재된 기술을 사용하여), 교통 신호 검출 시스템(500)은 새로운 데이터 레코드 또는 데이터 구조를 생성할 수 있다. 또한, 교통 신호 검출 시스템(500)은, 그 교통 신호에 대한 고유 식별자, 그 교통 신호를 표현하는 하나 이상의 이미지 및/또는 포인트 클라우드, 그 교통 신호에 대한 경계 박스, 그 교통 신호의 지리적 위치, 및/또는 그 교통 신호의 배향과 같은, 교통 신호에 관한 정보를, 데이터 레코드 또는 데이터 구조에 포함할 수 있다.
일부 구현에서, 교통 신호 검출 시스템(500)은 교통 신호에 관한 추가 정보를 포함하도록 이미 존재하는 데이터 레코드 또는 데이터 구조를 선택적으로 수정할 수 있다. 예를 들어, (예컨대, 교통 신호 검출 시스템(500) 또는 다른 시스템에 의해) 전에 이미 검출되었던 교통 신호를 교통 신호 검출 시스템(500)이 검출할 때, 교통 신호 검출 시스템(500)은 그 데이터 구조와 연관된 데이터 레코드 또는 데이터 구조를 조회(retrieve)하고, 교통 신호에 관한 추가 정보로 데이터 레코드 또는 데이터 구조를 업데이트할 수 있다. 예를 들어, 교통 신호 검출 시스템(500)은 그 교통 신호를 표현하는 추가 이미지 및/또는 포인트 클라우드를 포함하도록 데이터 레코드 또는 데이터 구조를 업데이트할 수 있다. 다른 예로서, 교통 신호 검출 시스템(500)은 그 교통 신호에 대하여 수정된 경계 박스(예컨대, 교통 신호에 관한 추가 이미지 데이터 및/또는 포인트 클라우드 데이터에 적어도 부분적으로 기초하여 결정된 수정된 경계 박스)를 포함하도록 데이터 레코드 또는 데이터 구조를 업데이트할 수 있다. 다른 예로서, 교통 신호 검출 시스템(500)은 그 교통 신호의 수정된 위치 및/또는 배향(예컨대, 교통 신호에 관한 추가 이미지 데이터 및/또는 포인트 클라우드 데이터에 적어도 부분적으로 기초하여 결정된 수정된 위치 및/또는 배향)을 포함하도록 데이터 레코드 또는 데이터 구조를 업데이트할 수 있다.
일부 구현에서, 교통 신호 주석(518)은 자율 주행 차량의 내비게이션 시스템에 제공될 수 있으며, 그리하여 내비게이션 시스템은 교통 신호에 따라 환경을 통해 자율 주행 차량을 안내할 수 있다. 일 예로서, 교통 신호 주석(518)은 자율 주행 차량 컴퓨터(202f, 400)에 제공될 수 있다. 교통 신호 주석(518)에 기초하여, 자율 주행 차량 컴퓨터(202f, 400)는 자율 주행 차량의 환경에서 교통 신호의 지리적 위치 및/또는 배향을 결정하고, 교통 신호에 의해 시그널링되는 임의의 명령을 결정하며, 그 명령에 따라 자율 주행 차량을 운행할 수 있다. 일부 구현에서, 자율 주행 차량 컴퓨터(202f, 400)는, 자율 주행 차량에 가장 가까이 있고/있거나 자율 주행 차량을 향하여 배향되어 있는 교통 신호의 검출을 우선하도록 구성될 수 있다.
일부 구현에서, 교통 신호 주석(518)은, 그 지리적 영역 내의 교통 신호 각각의 지리적 위치 및/또는 배향에 관한 데이터를 포함하는, 특정 지리적 영역의 특징 맵(feature map)을 생성하는데 사용될 수 있다. 일 예로서, 컴퓨터 시스템은 지리적 영역의 맵(예컨대, 오버헤드 맵과 같은 2차원 맵, 또는 3차원 맵)을 생성할 수 있다. 또한, 컴퓨터 시스템은 맵에서 교통 신호 각각의 지리적 위치 및/또는 배향을 표시할 수 있다(예컨대, 그래픽 아이콘, 텍스트 정보 등을 사용하여). 일부 구현에서, 맵은 인간 조작자에게(예컨대, 차량의 수동 운행을 돕기 위해) 그리고/또는 자율 주행 차량에(예컨대, 차량의 자율 주행 운행을 돕기 위해) 제시될 수 있다.
일부 구현에서, 교통 신호 주석(518)은 이미지 및/또는 포인트 클라우드를 사용하여 환경에서 교통 신호를 검출하도록 머신 러닝 시스템을 트레이닝하는데 사용될 수 있다. 예를 들어, 교통 신호 주석(518)은 이미지 및/또는 포인트 클라우드에서 교통 신호의 포지티브 예(예컨대, “실측 자료(ground truth)” 예)로서 사용될 수 있다. 이들 예에 기초하여, 머신 러닝 시스템은 (i) 이미지 및/또는 포인트 클라우드의 특성 및 (ii) 교통 신호에 대응하는 이미지 또는 클라우드의 부분(만약 있다면) 사이의 상관, 관계, 및/또는 트렌드를 식별하도록 트레이닝될 수 있다. 따라서, 머신 러닝 시스템은 인간 입력 없이 보다 정확하게 교통을 인식하도록 트레이닝될 수 있다.
여기에 기재된 기술들 중의 적어도 일부는 하나 이상의 머신 러닝 모델을 사용하여 구현될 수 있다. 예로서, 도 7a는 머신 러닝 모델의 구현의 다이어그램을 도시한다. 보다 구체적으로, 콘볼루션 신경 네트워크(convolutional neural network, CNN)(720)의 구현의 다이어그램이 예시되어 있다. 예시를 위해, CNN(720)에 대한 이하의 설명은 교통 신호 검출 시스템(500)에 의한 CNN(720)의 구현과 관련하여 이루어질 것이다. 그렇지만, 일부 예들에서 CNN(720)(예를 들면, CNN(720)의 하나 이상의 컴포넌트)이, 자율 주행 차량 컴퓨터(202f)과 같은, 교통 신호 검출 시스템(500)과 상이하거나 그에 추가적인 다른 시스템들에 의해 구현된다는 것이 이해될 것이다. CNN(720)이 본원에 기술된 바와 같은 특정 특징들을 포함하지만, 이러한 특징들은 예시 목적으로 제공되며 본 개시를 제한하는 것으로 의도되지 않는다.
CNN(720)은 제1 콘볼루션 계층(722), 제2 콘볼루션 계층(724), 및 콘볼루션 계층(726)를 포함하는 복수의 콘볼루션 계층들을 포함한다. 일부 실시예들에서, CNN(720)은 서브샘플링 계층(728)(때때로 풀링 계층(pooling layer)이라고 지칭됨)을 포함한다. 일부 실시예들에서, 서브샘플링 계층(728) 및/또는 다른 서브샘플링 계층들은 업스트림 시스템의 차원보다 작은 차원(즉, 노드들의 양)을 갖는다. 서브샘플링 계층(728)이 업스트림 계층의 차원보다 작은 차원을 갖는 것에 의해, CNN(720)은 초기 입력 및/또는 업스트림 계층의 출력과 연관된 데이터의 양을 통합하여 이에 의해 CNN(720)이 다운스트림 콘볼루션 연산들을 수행하는 데 필요한 계산들의 양을 감소시킨다. 추가적으로 또는 대안적으로, (도 7b 및 도 7c와 관련하여 아래에서 기술되는 바와 같이) 서브샘플링 계층(728)이 적어도 하나의 서브샘플링 함수와 연관되는(예를 들면, 이를 수행하도록 구성되는) 것에 의해, CNN(720)은 초기 입력과 연관된 데이터의 양을 통합(consolidate)한다.
교통 신호 검출 시스템(500)이 제1 콘볼루션 계층(722), 제2 콘볼루션 계층(724), 및 콘볼루션 계층(726) 각각과 연관된 각자의 입력들 및/또는 출력들을 제공하여 각자의 출력들을 생성하는 것에 기초하여 교통 신호 검출 시스템(500)은 콘볼루션 연산들을 수행한다. 일부 예들에서, 교통 신호 검출 시스템(500)이 제1 콘볼루션 계층(722), 제2 콘볼루션 계층(724), 및 콘볼루션 계층(726)에 대한 입력으로서 데이터를 제공하는 것에 기초하여 교통 신호 검출 시스템(500)은 CNN(720)을 구현한다. 이러한 예에서, 교통 신호 검출 시스템(500)은 교통 신호 검출 시스템(500)이 하나 이상의 상이한 시스템으로부터의 데이터(예컨대, 이미지 데이터, 포인트 클라우드 데이터, 트레이닝 데이터 등)를 수신하는 것에 기초하여 제1 콘볼루션 계층(722), 제2 콘볼루션 계층(724), 및 콘볼루션 계층(726)에의 입력으로서 데이터를 제공한다. 콘볼루션 연산들에 대한 상세한 설명은 도 7b와 관련하여 아래에 포함된다.
일부 실시예들에서, 교통 신호 검출 시스템(500)은 입력(초기 입력이라고 지칭됨)과 연관된 데이터를 제1 콘볼루션 계층(722)에 제공하고, 교통 신호 검출 시스템(500)은 제1 콘볼루션 계층(722)을 사용하여 출력과 연관된 데이터를 생성한다. 일부 실시예들에서, 교통 신호 검출 시스템(500)은 상이한 콘볼루션 계층에 대한 입력으로서 콘볼루션 계층에 의해 생성되는 출력을 제공한다. 예를 들어, 교통 신호 검출 시스템(500)은 서브샘플링 계층(728), 제2 콘볼루션 계층(724), 및/또는 콘볼루션 계층(726)에 대한 입력으로서 제1 콘볼루션 계층(722)의 출력을 제공한다. 그러한 예에서, 제1 콘볼루션 계층(722)은 업스트림 계층이라고 지칭되고, 서브샘플링 계층(728), 제2 콘볼루션 계층(724) 및/또는 콘볼루션 계층(726)은 다운스트림 계층들이라고 지칭된다. 유사하게, 일부 실시예들에서, 교통 신호 검출 시스템(500)은 서브샘플링 계층(728)의 출력을 제2 콘볼루션 계층(724) 및/또는 콘볼루션 계층(726)에 제공하고, 이 예에서, 서브샘플링 계층(728)은 업스트림 계층이라고 지칭될 것이며, 제2 콘볼루션 계층(724) 및/또는 콘볼루션 계층(726)은 다운스트림 계층들이라고 지칭될 것이다.
일부 실시예들에서, 교통 신호 검출 시스템(500)이 CNN(720)에 입력을 제공하기 전에 교통 신호 검출 시스템(500)은 CNN(720)에 제공되는 입력과 연관된 데이터를 프로세싱한다. 예를 들어, 교통 신호 검출 시스템(500)이 센서 데이터(예를 들면, 이미지 데이터, 포인트 클라우드 데이터 등)를 정규화하는 것에 기초하여, 교통 신호 검출 시스템(500)은 CNN(720)에 제공되는 입력과 연관된 데이터를 프로세싱한다.
일부 실시예들에서, 교통 신호 검출 시스템(500)이 각각의 콘볼루션 계층과 연관된 콘볼루션 연산들을 수행하는 것에 기초하여, CNN(720)은 출력을 생성한다. 일부 예들에서, 교통 신호 검출 시스템(500)이 각각의 콘볼루션 계층과 연관된 콘볼루션 연산들을 수행하는 것 및 초기 데이터에 기초하여, CNN(720)은 출력을 생성한다. 일부 실시예들에서, 교통 신호 검출 시스템(500)은 출력을 생성하고 출력을 완전 연결 계층(730)으로서 제공한다. 일부 예들에서, 교통 신호 검출 시스템(500)은 콘볼루션 계층(726)의 출력을 완전 연결 계층(730)으로서 제공하고, 여기서 완전 연결 계층(730)은 F1, F2... FN이라고 지칭되는 복수의 특징 값들과 연관된 데이터를 포함한다. 이 예에서, 콘볼루션 계층(726)의 출력은 예측을 나타내는 복수의 출력 특징 값들과 연관된 데이터를 포함한다.
일부 실시예들에서, 교통 신호 검출 시스템(500)이 복수의 예측들 중에서 정확한 예측일 가능성이 가장 높은 것과 연관된 특징 값을 식별하는 것에 기초하여, 교통 신호 검출 시스템(500)은 복수의 예측들 중에서 예측을 식별한다. 예를 들어, 완전 연결 계층(430)이 특징 값들 F1, F2, ... FN을 포함하고, F1이 가장 큰 특징 값인 경우에, 교통 신호 검출 시스템(500)은 F1과 연관된 예측을 복수의 예측들 중에서 정확한 예측인 것으로 식별한다. 일부 실시예들에서, 교통 신호 검출 시스템(500)은 예측을 생성하도록 CNN(720)을 트레이닝시킨다. 일부 예들에서, 교통 신호 검출 시스템(500)이 예측과 연관된 트레이닝 데이터를 CNN(720)에 제공하는 것에 기초하여, 교통 신호 검출 시스템(500)은 예측을 생성하도록 CNN(720)을 트레이닝시킨다.
예측은 예를 들어 교통 신호에 대응하는 이미지의 예측된 부분을 포함할 수 있다. 다른 예로서, 예측은 교통 신호에 대응하는 것으로 예측되는 이미지의 부분을 둘러싸는 하나 이상의 경계 박스(예컨대, 일련의 정점들 및/또는 선들로 표현됨)를 포함할 수 있다.
이제 도 7b 및 도 7c를 참조하면, 교통 신호 검출 시스템(500)에 의한 CNN(740)의 예시적인 작동의 다이어그램이 예시되어 있다. 일부 실시예들에서, CNN(740)(예를 들면, CNN(740)의 하나 이상의 컴포넌트)은 CNN(720)(예를 들면, CNN(720)의 하나 이상의 컴포넌트)(도 7a 참조)과 동일하거나 유사하다.
단계(750)에서, 교통 신호 검출 시스템(500)은 CNN(740)에 입력으로서 데이터를 제공한다(단계 750). 예를 들어, 교통 신호 검출 시스템(500)은 이미지 데이터(510) 및/또는 포인트 클라우드 데이터(514)(예컨대, 하나 이상의 카메라(202a) 및 LiDAR 센서(200b)에 의해 획득됨)를 제공할 수 있다. 다른 예로서, 교통 신호 검출 시스템(500)은 데이터베이스(508)로부터 수신된 데이터를 제공할 수 있다.
단계(755)에서, CNN(740)은 제1 콘볼루션 함수를 수행한다. 예를 들어, CNN(740)이 입력 데이터를 나타내는 값들을 제1 콘볼루션 계층(742)에 포함된 하나 이상의 뉴런(명시적으로 예시되지 않음)에 대한 입력으로서 제공하는 것에 기초하여, CNN(740)은 제1 콘볼루션 함수를 수행한다. 예로서, 이미지 또는 비디오를 나타내는 값들은 이미지 또는 비디오의 한 영역(때때로 수용 영역(receptive field)이라고 지칭됨)을 나타내는 값들에 대응할 수 있다. 다른 예로서, 일부 다른 센서 측정을 나타내는 값들은 그 센서 측정의 일부(예컨대, 특정 시간 부분 및/또는 특정 공간 부분)를 나타내는 값들에 대응할 수 있다.
일부 실시예들에서, 각각의 뉴런은 필터(명시적으로 예시되지 않음)와 연관된다. 필터(때때로 커널이라고 지칭됨)는 크기가 뉴런에 대한 입력으로서 제공되는 값들에 대응하는 값들의 어레이로서 표현될 수 있다. 일 예에서, 필터는 이미지에서 에지들(예를 들면, 수평 라인들, 수직 라인들, 직선 라인들 등)을 식별하도록 구성될 수 있다. 연속적인 콘볼루션 계층들에서, 뉴런들과 연관된 필터들은 이미지에서 연속적으로 보다 복잡한 패턴들(예를 들면, 호, 대상체 등)을 식별하도록 구성될 수 있다. 다른 예로서, 필터는 오디오 신호의 스펙트럼 부분들(예컨대, 특정 주파수들 및/또는 주파수 범위들에 대응하는 오디오 신호의 부분들)을 식별하도록 구성될 수 있다. 연속적인 콘볼루션 계층들에서, 뉴런들과 연관된 필터들은 오디오 신호에서 연속적으로 보다 복잡한 패턴들(예컨대, 오디오 소스의 위치, 오디오 소스의 아이덴티티나 타입을 나타내는 패턴들 등)을 식별하도록 구성될 수 있다.
일부 실시예들에서, CNN(740)이 제1 콘볼루션 계층(742)에 포함된 하나 이상의 뉴런 각각에 대한 입력으로서 제공되는 값들을 하나 이상의 뉴런 각각에 대응하는 필터의 값들과 곱하는 것에 기초하여, CNN(740)은 제1 콘볼루션 함수를 수행한다. 예를 들어, CNN(740)은 제1 콘볼루션 계층(742)에 포함된 하나 이상의 뉴런 각각에 대한 입력으로서 제공되는 값들을 하나 이상의 뉴런 각각에 대응하는 필터의 값들과 곱하여 단일 값 또는 값들의 어레이를 출력으로서 생성할 수 있다. 일부 실시예들에서, 제1 콘볼루션 계층(742)의 뉴런들의 집합적 출력은 콘볼루션된 출력(convolved output)이라고 지칭된다. 일부 실시예들에서, 각각의 뉴런이 동일한 필터를 갖는 경우에, 콘볼루션된 출력은 특징 맵(feature map)이라고 지칭된다.
일부 실시예들에서, CNN(740)은 제1 콘볼루션 계층(742)의 각각의 뉴런의 출력들을 다운스트림 계층의 뉴런들에 제공한다. 명료함을 위해, 업스트림 계층은 데이터를 상이한 계층(다운스트림 계층이라고 지칭됨)으로 송신하는 계층일 수 있다. 예를 들어, CNN(740)은 제1 콘볼루션 계층(742)의 각각의 뉴런의 출력들을 서브샘플링 계층의 대응하는 뉴런들에 제공할 수 있다. 일 예에서, CNN(740)은 제1 콘볼루션 계층(742)의 각각의 뉴런의 출력들을 제1 서브샘플링 계층(744)의 대응하는 뉴런들에 제공한다. 일부 실시예들에서, CNN(740)은 다운스트림 계층의 각각의 뉴런에 제공되는 모든 값들의 집계들에 바이어스 값을 가산한다. 예를 들어, CNN(740)은 제1 서브샘플링 계층(744)의 각각의 뉴런에 제공되는 모든 값들의 집계들에 바이어스 값을 가산한다. 그러한 예에서, 각각의 뉴런에 제공되는 모든 값들의 집계들 및 제1 서브샘플링 계층(744)의 각각의 뉴런과 연관된 활성화 함수에 기초하여, CNN(740)은 제1 서브샘플링 계층(744)의 각각의 뉴런에 제공할 최종 값을 결정한다.
단계(760)에서, CNN(740)은 제1 서브샘플링 함수를 수행한다. 예를 들어, CNN(740)이 제1 콘볼루션 계층(742)에 의해 출력되는 값들을 제1 서브샘플링 계층(744)의 대응하는 뉴런들에 제공하는 것에 기초하여, CNN(740)은 제1 서브샘플링 함수를 수행할 수 있다. 일부 실시예들에서, CNN(740)은 집계 함수에 기초하여 제1 서브샘플링 함수를 수행한다. 일 예에서, CNN(740)이 주어진 뉴런에 제공되는 값들 중 최대 입력을 결정하는 것(맥스 풀링 함수(max pooling function)라고 지칭됨)에 기초하여, CNN(740)은 제1 서브샘플링 함수를 수행한다. 다른 예에서, CNN(740)이 주어진 뉴런에 제공되는 값들 중 평균 입력을 결정하는 것(평균 풀링 함수(average pooling function)라고 지칭됨)에 기초하여, CNN(740)은 제1 서브샘플링 함수를 수행한다. 일부 실시예들에서, CNN(740)이 제1 서브샘플링 계층(744)의 각각의 뉴런에 값들을 제공하는 것에 기초하여, CNN(740)은 출력을 생성하며, 이 출력은 때때로 서브샘플링된 콘볼루션된 출력(subsampled convolved output)이라고 지칭된다.
단계(765)에서, CNN(740)은 제2 콘볼루션 함수를 수행한다. 일부 실시예들에서, CNN(740)은 위에서 기술된, CNN(740)이 제1 콘볼루션 함수를 수행한 방식과 유사한 방식으로 제2 콘볼루션 함수를 수행한다. 일부 실시예들에서, CNN(740)이 제1 서브샘플링 계층(744)에 의해 출력되는 값들을 제2 콘볼루션 계층(746)에 포함된 하나 이상의 뉴런(명시적으로 예시되지 않음)에 대한 입력으로서 제공하는 것에 기초하여, CNN(740)은 제2 콘볼루션 함수를 수행한다. 일부 실시예들에서, 위에서 기술된 바와 같이, 제2 콘볼루션 계층(746)의 각각의 뉴런은 필터와 연관된다. 위에서 기술된 바와 같이, 제2 콘볼루션 계층(746)과 연관된 필터(들)는 제1 콘볼루션 계층(742)과 연관된 필터보다 복잡한 패턴들을 식별하도록 구성될 수 있다.
일부 실시예들에서, CNN(740)이 제2 콘볼루션 계층(746)에 포함된 하나 이상의 뉴런 각각에 대한 입력으로서 제공되는 값들을 하나 이상의 뉴런 각각에 대응하는 필터의 값들과 곱하는 것에 기초하여, CNN(740)은 제2 콘볼루션 함수를 수행한다. 예를 들어, CNN(740)은 제2 콘볼루션 계층(746)에 포함된 하나 이상의 뉴런 각각에 대한 입력으로서 제공되는 값들을 하나 이상의 뉴런 각각에 대응하는 필터의 값들과 곱하여 단일 값 또는 값들의 어레이를 출력으로서 생성할 수 있다.
일부 실시예들에서, CNN(740)은 제2 콘볼루션 계층(746)의 각각의 뉴런의 출력들을 다운스트림 계층의 뉴런들에 제공한다. 예를 들어, CNN(740)은 제1 콘볼루션 계층(742)의 각각의 뉴런의 출력들을 서브샘플링 계층의 대응하는 뉴런들에 제공할 수 있다. 일 예에서, CNN(740)은 제1 콘볼루션 계층(742)의 각각의 뉴런의 출력들을 제2 서브샘플링 계층(748)의 대응하는 뉴런들에 제공한다. 일부 실시예들에서, CNN(740)은 다운스트림 계층의 각각의 뉴런에 제공되는 모든 값들의 집계들에 바이어스 값을 가산한다. 예를 들어, CNN(740)은 제2 서브샘플링 계층(748)의 각각의 뉴런에 제공되는 모든 값들의 집계들에 바이어스 값을 가산한다. 그러한 예에서, 각각의 뉴런에 제공되는 모든 값들의 집계들 및 제2 서브샘플링 계층(748)의 각각의 뉴런과 연관된 활성화 함수에 기초하여, CNN(740)은 제2 서브샘플링 계층(748)의 각각의 뉴런에 제공할 최종 값을 결정한다.
단계(770)에서, CNN(740)은 제2 서브샘플링 함수를 수행한다. 예를 들어, CNN(740)이 제2 콘볼루션 계층(746)에 의해 출력되는 값들을 제2 서브샘플링 계층(748)의 대응하는 뉴런들에 제공하는 것에 기초하여, CNN(740)은 제2 서브샘플링 함수를 수행할 수 있다. 일부 실시예들에서, CNN(740)이 집계 함수를 사용하는 것에 기초하여, CNN(740)은 제2 서브샘플링 함수를 수행한다. 일 예에서, 위에서 기술된 바와 같이, CNN(740)이 주어진 뉴런에 제공되는 값들 중 최대 입력 또는 평균 입력을 결정하는 것에 기초하여, CNN(740)은 제1 서브샘플링 함수를 수행한다. 일부 실시예들에서, CNN(740)이 제2 서브샘플링 계층(748)의 각각의 뉴런에 값들을 제공하는 것에 기초하여, CNN(740)은 출력을 생성한다.
단계(775)에서, CNN(740)은 제2 서브샘플링 계층(748)의 각각의 뉴런의 출력을 완전 연결 계층들(749)에 제공한다. 예를 들어, CNN(740)은 제2 서브샘플링 계층(748)의 각각의 뉴런의 출력을 완전 연결 계층들(749)에 제공하여 완전 연결 계층들(749)이 출력을 생성하게 한다. 일부 실시예들에서, 완전 연결 계층들(749)은 예측(때때로 분류라고 지칭됨)과 연관된 출력을 생성하도록 구성된다.
예로서, 출력은 이미지 데이터에서의 교통 신호의 위치에 관한 예측을 포함할 수 있다. 예를 들어, 출력은 교통 신호에 대응하는 이미지의 부분을 둘러싸는 경계 박스를 표현하는 일련의 정점들 및/또는 선들을 나타낼 수 있다. 정점들 및/또는 선들은, 예를 들어 이미지 좌표 세트(예컨대, x-y 좌표) 및/또는 벡터로서 표현될 수 있다.
다른 예로서, 출력은 이미지의 부분들 중의 각자의 부분(예컨대, 경계 박스에 의해 둘러싸인 이미지의 부분)이 교통 신호에 대응할 가능성을 나타내는 신뢰 메트릭을 포함할 수 있다.
이제 도 8을 참조하면, 센서 데이터를 사용하여 교통 신호를 자동으로 검출하기 위한 프로세스(800)의 플로차트가 예시되어 있다. 일부 실시예에서, 프로세스(800)와 관련하여 기술된 단계들 중 하나 이상은 (예를 들면, 전체적으로, 부분적으로 등) 교통 신호 검출 시스템(500)에 의해 수행된다. 추가적으로 또는 대안적으로, 일부 실시예에서, 프로세스(800)와 관련하여 기술된 하나 이상의 단계는 (예를 들면, 전체적으로, 부분적으로 등), 차량으로부터 원격인 컴퓨터 시스템(예컨대, 서버 컴퓨터 및/또는 클라우드 컴퓨터 시스템)과 같은, 교통 신호 검출 시스템(500)과는 별개인 또는 이를 포함한 또다른 디바이스 또는 디바이스 그룹에 의해 수행된다.
도 8을 계속 참조하면, 시스템은 자율 주행 차량의 환경에 관한 제1 센서 데이터 및 제2 센서 데이터를 획득한다(블록 802). 제1 센서 데이터는 자율 주행 차량의 적어도 하나의 이미지 센서에 의해 생성된 환경의 적어도 하나의 이미지를 나타낸다. 또한, 제2 센서 데이터는 환경과 연관된 3차원 포인트 클라우드를 나타낸다. 제2 센서 데이터는 자율 주행 차량의 적어도 하나의 거리 센서에 의해 생성된다.
일부 구현에서, 제1 센서 데이터를 획득하는 것은 자율 주행 차량의 적어도 하나의 스틸 카메라 또는 비디오 카메라에 의해 행성된 적어도 하나의 이미지(예컨대, 하나 이상의 2차원 이미지 및/또는 3차원 이미지)를 수신하는 것을 포함할 수 있다.
일부 구현에서, 제2 센서 데이터를 획득하는 것은 자율 주행 차량의 적어도 하나의 LiDAR 센서에 의해 생성된 포인트 클라우드 데이터를 수신하는 것을 포함할 수 있다.
도 8을 계속 참조하면, 시스템은 환경에서 교통 신호(예컨대, 교통 신호등, 정지 신호등 등)에 대응하는 적어도 하나의 이미지의 부분을 결정한다(블록 804).
시스템은 적어도 하나의 이미지의 부분에 대응하는 포인트 클라우드의 포인트 클러스터를 결정한다(블록 806).
일부 구현에서, 교통 신호에 대응하는 적어도 하나의 이미지의 부분을 결정하는 것은 적어도 하나의 이미지에서 교통 신호를 둘러싸는 경계 박스를 결정하는 것을 포함할 수 있다(예컨대, 컴퓨터화된 신경 네트워크를 적어도 부분적으로 사용하여).
또한, 경계 박스에 대하여 신뢰 메트릭이 결정될 수 있다. 신뢰 메트릭은 적어도 하나의 이미지에서 경계 박스가 교통 신호를 둘러쌀 가능성을 나타낼 수 있다. 일부 구현에서, 신뢰 메트릭은 적어도 부분적으로, 컴퓨터화된 신경 네트워크에 기초하여 결정될 수 있다.
또한, 적어도 하나의 이미지의 부분에 대응하는 포인트 클러스터를 결정하는 것은 또한, 경계 박스와 일치하는 포인트 클라우드의 포인트들의 서브세트를 결정하는 것을 포함할 수 있다. 예를 들어, 시스템은 경계 박스 및 포인트 클라우드를 서로에 등록할 수 있고, 경계 박스에 의해 둘러싸이는 포인트들을 결정할 수 있다.
시스템은 포인트 클러스터에 기초하여 교통 신호의 위치(예컨대, 교통 신호의 지리적 위치)를 결정한다(블록 808).
일부 구현에서, 시스템은 또한 포인트 클러스터에 기초하여 교통 신호의 배향을 결정할 수 있다. 일 예로서, 시스템은 포인트 클러스터에 평면을 피팅하고, 평면의 배향에 기초하여 교통 신호의 배향을 결정할 수 있다. 예를 들어, 교통 신호의 배향은 평면의 법선 벡터에 의해 표현될 수 있다.
일부 구현에서, 시스템은 또한, 자율 주행 차량의 내비게이션 시스템에 교통 신호의 위치를 나타내는 데이터를 전송할 수 있다(예컨대, 내비게이션 시스템이 교통 신호에 따라 AV를 운행할 수 있도록). 일 예로서, 교통 신호의 위치를 나타내는 데이터는 자율 주행 차량 컴퓨터, 인지 시스템, 계획 시스템, 로컬화 시스템, 또는 환경을 통한 자율 주행 차량의 운행을 도울 수 있는 자율 주행 차량의 임의의 다른 컴포넌트에 전송될 수 있다.
일부 구현에서, 시스템은 또한 자율 주행 차량으로부터 원격인 컴퓨터 시스템에 교통 신호의 위치를 나타내는 데이터를 전송할 수 있다. 예를 들어, 컴퓨터 시스템은 데이터에 기초하여 환경의 하나 이상의 특징 맵을 생성하도록 구성될 수 있다(예컨대, 다른 시스템이 교통 신호 데이터를 사용할 수 있도록, 예컨대 머신 러닝 시스템, 지리적 영역 내의 관심 포인트를 식별하는 일반 매핑 시스템 등을 위한 트레이닝 데이터를 생성할 수 있도록).
전술한 설명에서, 본 개시의 양태들 및 실시예들은 구현마다 달라질 수 있는 다수의 특정 세부 사항들을 참조하여 기술되었다. 그에 따라, 설명 및 도면들은 제한적인 의미가 아니라 예시적인 의미로 간주되어야 한다. 본 발명의 범위의 유일한 독점적인 지표, 및 출원인이 본 발명의 범위이도록 의도한 것은, 본 출원에서 특정 형태로 나오는 일련의 청구항의 문언적 등가 범위이며, 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 (14)

  1. 방법에 있어서,
    적어도 하나의 프로세서에 의해, 자율 주행 차량의 환경에 관한 제1 센서 데이터 및 제2 센서 데이터를 획득하는 단계 -
    상기 제1 센서 데이터는 상기 자율 주행 차량의 적어도 하나의 이미지 센서에 의해 생성된 상기 환경의 적어도 하나의 이미지를 나타내고,
    상기 제2 센서 데이터는 상기 환경과 연관된 3차원 포인트 클라우드를 나타내며, 상기 제2 센서 데이터는 상기 자율 주행 차량의 적어도 하나의 거리 센서(range sensor)에 의해 생성됨 - ;
    상기 적어도 하나의 프로세서에 의해, 상기 환경에서의 교통 신호에 대응하는 상기 적어도 하나의 이미지의 부분을 결정하는 단계;
    상기 적어도 하나의 프로세서에 의해, 상기 적어도 하나의 이미지의 상기 부분에 대응하는 상기 포인트 클라우드의 포인트 클러스터를 결정하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 상기 포인트 클러스터에 기초하여 상기 교통 신호의 위치를 결정하는 단계
    를 포함하는 방법.
  2. 청구항 1에 있어서,
    상기 제1 센서 데이터를 획득하는 단계는 상기 자율 주행 차량의 적어도 하나의 스틸 카메라 또는 비디오 카메라에 의해 생성된 적어도 하나의 이미지를 수신하는 단계를 포함하는 것인 방법.
  3. 청구항 1에 있어서,
    상기 제2 센서 데이터를 획득하는 단계는 상기 자율 주행 차량의 적어도 하나의 LiDAR 센서에 의해 생성된 포인트 클라우드 데이터를 수신하는 단계를 포함하는 것인 방법.
  4. 청구항 1에 있어서,
    상기 교통 신호에 대응하는 상기 적어도 하나의 이미지의 부분을 결정하는 단계는:
    상기 적어도 하나의 이미지에서 상기 교통 신호를 둘러싸는 경계 박스(bounding box)를 결정하는 단계를 포함하는 것인 방법.
  5. 청구항 4에 있어서,
    상기 경계 박스를 결정하는 단계는 컴퓨터화된 신경 네트워크를 사용하여 상기 경계 박스를 결정하는 단계를 포함하는 것인 방법.
  6. 청구항 4에 있어서,
    상기 적어도 하나의 이미지에서 상기 경계 박스가 상기 교통 신호를 둘러쌀 가능성을 나타내는 신뢰 메트릭(confidence metric)을 결정하는 단계를 더 포함하는 방법.
  7. 청구항 6에 있어서,
    상기 신뢰 메트릭을 결정하는 단계는 컴퓨터화된 신경 네트워크에 기초하여 상기 신뢰 메트릭을 결정하는 단계를 포함하는 것인 방법.
  8. 청구항 4에 있어서,
    상기 적어도 하나의 이미지의 상기 부분에 대응하는 포인트 클러스터를 결정하는 단계는:
    상기 경계 박스와 일치하는(coinciding) 상기 포인트 클라우드의 포인트들의 서브세트를 결정하는 단계를 포함하는 것인 방법.
  9. 청구항 1에 있어서,
    상기 포인트 클러스터에 기초하여 상기 교통 신호의 배향을 결정하는 단계를 더 포함하는 방법.
  10. 청구항 9에 있어서,
    상기 교통 신호의 배향을 결정하는 단계는:
    상기 포인트 클러스터에 평면을 피팅(fitting)하는 단계; 및
    상기 평면의 배향에 기초하여 상기 교통 신호의 배향을 결정하는 단계
    를 포함하는 것인 방법.
  11. 청구항 1에 있어서,
    상기 자율 주행 차량의 내비게이션 시스템에 상기 교통 신호의 위치를 나타내는 데이터를 전송하는 단계를 더 포함하는 방법.
  12. 청구항 1에 있어서,
    상기 자율 주행 차량으로부터 원격인 컴퓨터 시스템에 상기 교통 신호의 위치를 나타내는 데이터를 전송하는 단계를 더 포함하고, 상기 컴퓨터 시스템은 데이터에 기초하여 상기 환경의 하나 이상의 특징 맵을 생성하도록 구성되는 것인 방법.
  13. 시스템에 있어서,
    적어도 하나의 프로세서; 및
    명령어들을 저장한 적어도 하나의 비일시적 저장 매체
    를 포함하고,
    상기 명령어들은 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금:
    자율 주행 차량의 환경에 관한 제1 센서 데이터 및 제2 센서 데이터를 획득하게 하고 -
    상기 제1 센서 데이터는 상기 자율 주행 차량의 적어도 하나의 이미지 센서에 의해 생성된 상기 환경의 적어도 하나의 이미지를 나타내고,
    상기 제2 센서 데이터는 상기 환경과 연관된 3차원 포인트 클라우드를 나타내며, 상기 제2 센서 데이터는 상기 자율 주행 차량의 적어도 하나의 거리 센서에 의해 생성됨 - ;
    상기 환경에서의 교통 신호에 대응하는 상기 적어도 하나의 이미지의 부분을 결정하게 하고;
    상기 적어도 하나의 이미지의 상기 부분에 대응하는 상기 포인트 클라우드의 포인트 클러스터를 결정하게 하고;
    상기 포인트 클러스터에 기초하여 상기 교통 신호의 위치를 결정하게 하는 것인, 시스템.
  14. 명령어들을 저장한 적어도 하나의 비일시적 저장 매체에 있어서,
    상기 명령어들은 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금:
    자율 주행 차량의 환경에 관한 제1 센서 데이터 및 제2 센서 데이터를 획득하게 하고 -
    상기 제1 센서 데이터는 상기 자율 주행 차량의 적어도 하나의 이미지 센서에 의해 생성된 상기 환경의 적어도 하나의 이미지를 나타내고,
    상기 제2 센서 데이터는 상기 환경과 연관된 3차원 포인트 클라우드를 나타내며, 상기 제2 센서 데이터는 상기 자율 주행 차량의 적어도 하나의 거리 센서에 의해 생성됨 - ;
    상기 환경에서의 교통 신호에 대응하는 상기 적어도 하나의 이미지의 부분을 결정하게 하고;
    상기 적어도 하나의 이미지의 상기 부분에 대응하는 상기 포인트 클라우드의 포인트 클러스터를 결정하게 하고;
    상기 포인트 클러스터에 기초하여 상기 교통 신호의 위치를 결정하게 하는 것인, 적어도 하나의 비일시적 저장 매체.
KR1020220015504A 2021-12-01 2022-02-07 센서 데이터를 사용하여 자동으로 교통 신호 검출 KR102631148B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/539,412 2021-12-01
US17/539,412 US20230169780A1 (en) 2021-12-01 2021-12-01 Automatically detecting traffic signals using sensor data

Publications (2)

Publication Number Publication Date
KR20230083192A KR20230083192A (ko) 2023-06-09
KR102631148B1 true KR102631148B1 (ko) 2024-01-30

Family

ID=86317299

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220015504A KR102631148B1 (ko) 2021-12-01 2022-02-07 센서 데이터를 사용하여 자동으로 교통 신호 검출

Country Status (5)

Country Link
US (1) US20230169780A1 (ko)
KR (1) KR102631148B1 (ko)
CN (1) CN116229703A (ko)
DE (1) DE102022103060A1 (ko)
GB (2) GB2613400B (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102117546A (zh) * 2011-03-10 2011-07-06 上海交通大学 车载交通信号灯辅助装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8559673B2 (en) * 2010-01-22 2013-10-15 Google Inc. Traffic signal mapping and detection
US9145140B2 (en) * 2012-03-26 2015-09-29 Google Inc. Robust method for detecting traffic signals and their associated states
US11056005B2 (en) * 2018-10-24 2021-07-06 Waymo Llc Traffic light detection and lane state recognition for autonomous vehicles
CN109635640B (zh) * 2018-10-31 2020-12-08 百度在线网络技术（北京）有限公司 基于点云的交通灯识别方法、装置、设备及存储介质
CN111837136A (zh) * 2019-02-19 2020-10-27 深圳市大疆创新科技有限公司 基于本地感测的自主导航以及相关联的系统和方法
US11940804B2 (en) * 2019-12-17 2024-03-26 Motional Ad Llc Automated object annotation using fused camera/LiDAR data points
US11335100B2 (en) * 2019-12-27 2022-05-17 Industrial Technology Research Institute Traffic light recognition system and method thereof
CN111724616B (zh) * 2020-06-11 2021-11-05 徐州国云信息科技有限公司 基于人工智能的数据获取及共享的方法与装置
CN112735253B (zh) * 2020-10-22 2023-03-10 深圳安途智行科技有限公司 红绿灯自动标注方法及计算机设备
US20220185324A1 (en) * 2020-12-10 2022-06-16 Motional Ad Llc Merging LiDAR Information and Camera Information
CN113673386A (zh) * 2021-08-06 2021-11-19 南京航空航天大学 一种交通信号灯在先验地图中的标注方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102117546A (zh) * 2011-03-10 2011-07-06 上海交通大学 车载交通信号灯辅助装置

Also Published As

Publication number Publication date
GB2613400B (en) 2024-01-10
US20230169780A1 (en) 2023-06-01
DE102022103060A1 (de) 2023-06-01
GB202317203D0 (en) 2023-12-27
GB2613400A (en) 2023-06-07
KR20230083192A (ko) 2023-06-09
CN116229703A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
KR102595886B1 (ko) 매핑에서의 향상된 시맨틱 라벨링을 위한 멀티 모달 분할 네트워크
KR102628736B1 (ko) 딥 러닝 기반 카메라 교정
US20230360379A1 (en) Track segment cleaning of tracked objects
KR20230023530A (ko) 신뢰할 수 없는 맵 주석 입력들을 사용하는 센서 데이터의 시맨틱 주석 달기
US20230159033A1 (en) High fidelity data-driven multi-modal simulation
US20230109909A1 (en) Object detection using radar and lidar fusion
KR102631148B1 (ko) 센서 데이터를 사용하여 자동으로 교통 신호 검출
KR20230042430A (ko) 자율 주행 차량에 대한 안전이 중요한 시나리오의 식별을 위한 학습
US20240127579A1 (en) Identifying new classes of objects in environments of vehicles
US11675362B1 (en) Methods and systems for agent prioritization
US20240078790A1 (en) Enriching later-in-time feature maps using earlier-in-time feature maps
US20240126254A1 (en) Path selection for remote vehicle assistance
US20240127603A1 (en) Unified framework and tooling for lane boundary annotation
US20230041031A1 (en) Systems and methods for efficient vehicle extent estimation
US20240123996A1 (en) Methods and systems for traffic light labelling via motion inference
US20230382427A1 (en) Motion prediction in an autonomous vehicle using fused synthetic and camera images
WO2024086056A1 (en) Identifying new classes of objects in environments of vehicles
KR20240052911A (ko) 차선 경계 주석을 위한 통합 프레임워크 및 툴링
KR20230051028A (ko) 주석이 달린 센서 데이터의 자동화된 검증
WO2024081191A1 (en) Path selection for remote vehicle assistance
KR20230140517A (ko) 차량 루트 상의 대상체 횡단의 예측 및 제어
WO2024081259A1 (en) Region of interest detection for image signal processing
CN116483062A (zh) 用于运载工具的方法、系统以及存储介质
CN116229747A (zh) 用于运载工具的系统和方法以及存储介质

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