KR102655066B1 - 자율 주행 차량의 적응 순항 제어 장치 및 방법 - Google Patents
자율 주행 차량의 적응 순항 제어 장치 및 방법 Download PDFInfo
- Publication number
- KR102655066B1 KR102655066B1 KR1020210170885A KR20210170885A KR102655066B1 KR 102655066 B1 KR102655066 B1 KR 102655066B1 KR 1020210170885 A KR1020210170885 A KR 1020210170885A KR 20210170885 A KR20210170885 A KR 20210170885A KR 102655066 B1 KR102655066 B1 KR 102655066B1
- Authority
- KR
- South Korea
- Prior art keywords
- driving
- vehicle
- neural network
- calculated
- compensation
- Prior art date
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000006870 function Effects 0.000 claims abstract description 93
- 238000003062 neural network model Methods 0.000 claims abstract description 62
- 230000001133 acceleration Effects 0.000 claims abstract description 53
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 238000005265 energy consumption Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 16
- 239000000446 fuel Substances 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 22
- 238000013527 convolutional neural network Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 10
- 238000005312 nonlinear dynamic Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000010485 coping Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 201000007694 Athabaskan brainstem dysgenesis syndrome Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 208000020006 human HOXA1 syndromes Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- B60W30/14—Adaptive cruise control
-
- 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
- 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
- B60W40/10—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 vehicle motion
- B60W40/107—Longitudinal acceleration
-
- 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
-
- 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
- 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
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0022—Gains, weighting coefficients or weighting functions
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
뉴럴 네트워크 모델 기반으로 자율 주행 차량의 전비를 최적화할 수 있는 자율 주행 차량의 적응 순항 제어 장치 및 방법에 관한 것으로, 상기 자율 주행 차량에 상응하는 차량 주행 정보 및 차량 주변 환경 정보를 획득하는 단계, 상기 차량 주행 정보 및 차량 주변 환경 정보를 뉴럴 네트워크 모델에 입력하여 요구 가속도를 산출하는 단계, 상기 산출된 요구 가속도를 기반으로 상기 자율 주행 차량을 모의 주행시키는 단계, 상기 자율 주행 차량의 모의 주행 결과로부터 보상 함수를 산출하는 단계, 상기 산출한 보상 함수를 기반으로 상기 뉴럴 네트워크 모델을 학습시키는 단계, 상기 뉴럴 네트워크 모델의 학습이 완료되었는지를 확인하는 단계, 상기 뉴럴 네트워크 모델의 학습이 완료되면 상기 자율 주행 차량의 실제 주행 정보 및 실제 주변 환경 정보를 상기 학습 완료된 뉴럴 네트워크 모델에 입력하여 최적의 요구 가속도를 산출하는 단계, 및 상기 산출된 최적의 요구 가속도를 기반으로 상기 자율 주행 차량을 실제 주행시키는 단계를 포함할 수 있다.
Description
본 발명은, 자율 주행 차량의 적응 순항 제어 장치에 관한 것으로, 보다 상세하게는 뉴럴 네트워크 모델 기반으로 자율 주행 차량의 전비를 최적화할 수 있는 자율 주행 차량의 적응 순항 제어 장치 및 방법에 관한 것이다.
일반적으로, ADAS(Advanced Driver Assistance Systems)은, 운전 중 발생할 수 있는 수 많은 상황들 중 일부 상황을 차량 스스로 인지하고 판단하여 기계 장치를 제어하는 기술로서, 복잡한 차량 제어 프로세스에서 운전자를 돕고 보완하며, 궁극으로는 자율주행 기술을 완성하기 위해 개발되었다.
ADAS의 가장 큰 장점은, 객체와 차량 환경을 모두 감지할 수 있으며, 안정적으로 교통 상황을 예측할 수 있다는 점이다.
ADAS는, 충돌 위험 시, 운전자가 제동 장치를 밟지 않아도 스스로 속도를 줄이거나 멈추는 자동 긴급 제동 시스템(AEB: Autonomous Emergency Braking), 차선 이탈 시에 주행 방향을 조절해 차선을 유지하는 주행 조향 보조 시스템(LKAS: Lane Keep Assist System), 사전에 정해 놓은 속도로 달리면서도 앞차와 간격을 알아서 유지하는 어드밴스트 스마트 크루즈 컨트롤(ASCC: Advanced Smart Cruise Control), 사각 지대 충돌 위험을 감지해 안전한 차로 변경을 돕는 후측방 충돌 회피 지원 시스템(ABSD: Active Blind Spot Detection), 차량 주변 상황을 시각적으로 보여주는 어라운드 뷰 모니터링 시스템(AVM: Around View Monitor) 등을 포함할 수 있다.
최근에는, 이러한 ADAS(Advanced Driver Assistance Systems)와 자율주행의 발전으로 차량의 종방향 거동을 자동으로 제어하는 적응 순항 제어 시스템의 수요가 늘어나고 있다.
하지만, 기존의 순항 제어 시스템은, 안정성 확보를 취우선으로 설계되므로, 연비 주행 등과 같이 다양한 주행 성능 개선이 더 요구되고 있다.
즉, 기존의 순항 제어 시스템은, 차량 및 파워 트레인의 수학적 모델과, 복잡한 주변환경에 대한 비선형 동역학 모델을 필요할 뿐만 아니라, 높은 정확도의 모델을 요구하고 있다.
이 경우, 모델링 작업에 엔지니어의 직접적인 개입이 필요하며 실주행 상황의 복잡성으로 인해 높은 정확도 확보가 어려우므로 전비 최적화가 어려운 문제가 있었다.
따라서, 향후, 복잡한 비선형 동역학 모델이나 엔지니어의 모델링 작업을 생략하면서도 복잡한 환경에 대해 원할하게 대처하여 전비를 최적화할 수 있는 자율 주행 차량의 적응 순항 제어 장치의 개발이 요구되고 있다.
본 발명의 일실시예가 이루고자 하는 기술적 과제는, 보상 함수를 기반으로 사전 학습한 뉴럴 네트워크 모델을 통해 최적의 요구 가속도를 산출함으로써, 복잡한 비선형 동역학 모델이나 엔지니어의 모델링 작업을 생략하면서도 복잡한 환경에 대해 원할하게 대처하여 전비를 최적화할 수 있는 자율 주행 차량의 적응 순항 제어 장치 및 방법을 제공하고자 한다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 기술적 과제를 해결하기 위하여, 본 발명의 일실시예에 의한 자율 주행 차량의 적응 순항 제어 장치의 적응 순항 제어 방법은, 상기 자율 주행 차량에 상응하는 차량 주행 정보 및 차량 주변 환경 정보를 획득하는 단계, 상기 차량 주행 정보 및 차량 주변 환경 정보를 뉴럴 네트워크 모델에 입력하여 요구 가속도를 산출하는 단계, 상기 산출된 요구 가속도를 기반으로 상기 자율 주행 차량을 모의 주행시키는 단계, 상기 자율 주행 차량의 모의 주행 결과로부터 보상 함수를 산출하는 단계, 상기 산출한 보상 함수를 기반으로 상기 뉴럴 네트워크 모델을 학습시키는 단계, 상기 뉴럴 네트워크 모델의 학습이 완료되었는지를 확인하는 단계, 상기 뉴럴 네트워크 모델의 학습이 완료되면 상기 자율 주행 차량의 실제 주행 정보 및 실제 주변 환경 정보를 상기 학습 완료된 뉴럴 네트워크 모델에 입력하여 최적의 요구 가속도를 산출하는 단계, 및 상기 산출된 최적의 요구 가속도를 기반으로 상기 자율 주행 차량을 실제 주행시키는 단계를 포함할 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 차량 주행 정보는, 자차 속도, 자차 가속도, 전방 차량과의 거리 간격, 전방 차량과의 상대 속도, 모터 전기 파워, 모터 토크 중 적어도 어느 하나를 포함할 수 있고, 상기 차량 주변 환경 정보는, 도로 경사를 포함할 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 보상 함수를 산출하는 단계는, 상기 모의 주행 결과로부터 적어도 하나의 보상 인자를 산출하고, 상기 산출한 보상 인자에 대한 가중치 적용 여부를 결정하며, 상기 가중치 적용이 결정되면 상기 가중치가 적용된 보상 인자를 기반으로 보상 함수를 산출할 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 보상 인자를 산출하는 단계는, 상기 모의 주행에 상응하는 주행 시간, 안전도, 전기 에너지 소비량에 대한 보상 인자를 산출할 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 주행 시간에 대한 보상 인자는, rtime = 100 - 100 × (v - vlim / vlim)2 (여기서, rtime은 주행 시간에 대한 보상 인자, v는 주행 속도, vlim는 주행 속도 한계치임)으로 이루어지는 수식에 의해 산출될 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 안전도에 대한 보상 인자는, rsafety = 100 - 100 × (Δs - Δsmin / Δsmax - Δsmin)2 (여기서, rsafety은 안전도에 대한 보상 인자, Δs는 전방 차량과의 간격, Δsmin는 전방 차량과의 최소 간격, Δsmax는 전방 차량과의 최대 간격임)으로 이루어지는 수식에 의해 산출될 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 전기 에너지 소비량에 대한 보상 인자는, renergy = 100 × (pmot / pmot_max) (여기서, renergy은 전기 에너지에 대한 보상 인자, pmot는 모터 파워, pmot_max는 모터 최대 파워임)으로 이루어지는 수식에 의해 산출될 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 보상 인자에 대한 가중치 적용 여부를 결정하는 단계는, 상기 모의 주행 결과가, 전방 차량 없이 단독 주행 모의 테스트이면 상기 주행 시간에 대한 보상 인자와 상기 전기 에너지 소비량에 대한 보상 인자에 각각 가중치를 적용하도록 결정할 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 보상 인자에 대한 가중치 적용 여부를 결정하는 단계는, 상기 모의 주행 결과가, 전방 차량을 추적하는 주행 모의 테스트이면 상기 안전도에 대한 보상 인자와 상기 전기 에너지 소비량에 대한 보상 인자에 각각 가중치를 적용하도록 결정할 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 보상 함수를 산출하는 단계는, 상기 주행 시간에 대한 보상 인자, 상기 안전도에 대한 보상 인자, 상기 전기 에너지 소비량에 대한 보상 인자 중 적어도 어느 하나에 가중치를 적용되면 상기 가중치가 적용된 보상 인자들을 합산하여 보상 함수를 산출할 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 보상 함수를 산출하는 단계는, 상기 모의 주행 결과가, 전방 차량 없이 단독 주행 모의 테스트이면 제1 가중치가 적용된 주행 시간에 대한 보상 인자와 제3 가중치가 적용된 전기 에너지 소비량에 대한 보상 인자를 합산하여 보상 함수를 산출할 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 보상 함수를 산출하는 단계는, 상기 모의 주행 결과가, 전방 차량을 추적하는 주행 모의 테스트이면 제2 가중치가 적용된 안전도에 대한 보상 인자와 제3 가중치가 적용된 전기 에너지 소비량에 대한 보상 인자를 합산하여 보상 함수를 산출할 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 보상 함수를 산출하는 단계는, 상기 모의 주행 결과의 모의 테스트 환경을 기반으로 보상 인자의 중요도를 설정하고, 상기 설정한 보상 인자의 중요도에 따라 가중치를 적용할 수 있다.
적응 순항 제어 방법의 대안적인 실시예에서, 상기 뉴럴 네트워크 모델을 학습시키는 단계는, 상기 보상 함수를 상기 뉴럴 네트워크 모델에 입력하여 보상을 가장 많이 받을 수 있는 행동 패턴을 학습시킬 수 있다.
한편, 본 발명의 일 실시예에 따른 자율 주행 차량의 적응 순항 제어 장치는, 적응 순항 제어 방법을 제공하기 위한 자율 주행 차량의 적응 순항 제어 장치로서, 하나 이상의 코어를 포함하는 프로세서, 및 메모리를 포함하고, 상기 프로세서는, 상기 자율 주행 차량에 상응하는 차량 주행 정보 및 차량 주변 환경 정보를 획득하고, 상기 차량 주행 정보 및 차량 주변 환경 정보를 뉴럴 네트워크 모델에 입력하여 요구 가속도를 산출하며, 상기 산출된 요구 가속도를 기반으로 상기 자율 주행 차량을 모의 주행시키고, 상기 자율 주행 차량의 모의 주행 결과로부터 보상 함수를 산출하며, 상기 산출한 보상 함수를 기반으로 상기 뉴럴 네트워크 모델을 학습시키고, 상기 뉴럴 네트워크 모델의 학습이 완료되었는지를 확인하며, 상기 뉴럴 네트워크 모델의 학습이 완료되면 상기 자율 주행 차량의 실제 주행 정보 및 실제 주변 환경 정보를 상기 학습 완료된 뉴럴 네트워크 모델에 입력하여 최적의 요구 가속도를 산출하고, 상기 산출된 최적의 요구 가속도를 기반으로 상기 자율 주행 차량을 실제 주행시킬 수 있다.
본 발명에 따른 자율 주행 차량의 적응 순항 제어 장치 및 방법의 효과에 대해 설명하면 다음과 같다.
본 발명은, 보상 함수를 기반으로 사전 학습한 뉴럴 네트워크 모델을 통해 최적의 요구 가속도를 산출함으로써, 복잡한 비선형 동역학 모델이나 엔지니어의 모델링 작업을 생략하면서도 복잡한 환경에 대해 원할하게 대처하여 전비를 최적화할 수 있다.
본 발명의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 본 발명의 사상 및 범위 내에서 다양한 변경 및 수정은 당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 본 발명의 바람직한 실시 예와 같은 특정 실시 예는 단지 예시로 주어진 것으로 이해되어야 한다.
도 1은, 본 발명에 따른 적응 순항 제어 방법을 제공하기 위한 동작을 수행하는 적응 순항 제어 장치의 블록 구성도를 도시한 도면이다.
도 2는, 본 발명에 따른 적응 순항 제어 장치의 뉴럴 네트워크 모델 학습 과정을 설명하기 위한 개략도이다.
도 3은, 본 발명에 따른 적응 순항 제어 장치의 사전 학습된 뉴럴 네트워크 모델의 행동 결정 과정을 설명하기 위한 개략도이다.
도 4는, 본 발명에 따른 적응 순항 제어 장치의 보상 함수 산출 과정을 설명하기 위한 도면이다.
도 5는, 본 발명에 따른 자율 주행 차량의 모의 주행 과정을 설명하기 위한 도면이다.
도 6은, 본 발명에 따른 적응 순항 제어 장치가 적용된 자율 주행 차량의 성능을 보여주는 도면이다.
도 7은, 본 발명에 따른 적응 순항 제어 장치의 적응 순항 제어 방법을 설명하기 위한 흐름도이다.
도 2는, 본 발명에 따른 적응 순항 제어 장치의 뉴럴 네트워크 모델 학습 과정을 설명하기 위한 개략도이다.
도 3은, 본 발명에 따른 적응 순항 제어 장치의 사전 학습된 뉴럴 네트워크 모델의 행동 결정 과정을 설명하기 위한 개략도이다.
도 4는, 본 발명에 따른 적응 순항 제어 장치의 보상 함수 산출 과정을 설명하기 위한 도면이다.
도 5는, 본 발명에 따른 자율 주행 차량의 모의 주행 과정을 설명하기 위한 도면이다.
도 6은, 본 발명에 따른 적응 순항 제어 장치가 적용된 자율 주행 차량의 성능을 보여주는 도면이다.
도 7은, 본 발명에 따른 적응 순항 제어 장치의 적응 순항 제어 방법을 설명하기 위한 흐름도이다.
이하에서는 도면을 참조하여 본 발명을 더욱 상세하게 설명한다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 단순히 본 명세서 작성의 용이함을 고려하여 부여되는 것으로서, 상기 "모듈" 및 "부"는 서로 혼용되어 사용될 수도 있다.
나아가, 이하 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 실시예를 상세하게 설명하지만, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 관례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 그 의미를 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는, 단순한 용어의 명칭이 아닌 그 용어가 가지는 실질적인 의미와 본 명세서의 전반에 걸친 내용을 토대로 해석되어야 함을 밝혀두고자 한다.
본 명세서에서 신경망, 인공 신경망, 네트워크 함수는 종종 상호 교환 가능하게 사용될 수 있다.
또한, 본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은, “뉴런(neuron)”들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.
도 1은, 본 발명에 따른 적응 순항 제어 방법을 제공하기 위한 동작을 수행하는 적응 순항 제어 장치의 블록 구성도를 도시한 도면이다.
도 1에 도시된 적응 순항 제어 장치(100)의 구성은, 간략화하여 나타낸 예시일 뿐이다.
본 발명의 일 실시예에서 적응 순항 제어 장치(100)는, 적응 순항 제어 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 적응 순항 제어 장치(100)를 구성할 수도 있다.
적응 순항 제어 장치(100)는, 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
본 발명에서, 프로세서(110)는, 자율 주행 차량에 상응하는 차량 주행 정보 및 차량 주변 환경 정보를 획득하고, 차량 주행 정보 및 차량 주변 환경 정보를 뉴럴 네트워크 모델에 입력하여 요구 가속도를 산출하며, 산출된 요구 가속도를 기반으로 자율 주행 차량을 모의 주행시키고, 자율 주행 차량의 모의 주행 결과로부터 보상 함수를 산출하며, 산출한 보상 함수를 기반으로 뉴럴 네트워크 모델을 학습시키고, 뉴럴 네트워크 모델의 학습이 완료되었는지를 확인하며, 뉴럴 네트워크 모델의 학습이 완료되면 자율 주행 차량의 실제 주행 정보 및 실제 주변 환경 정보를 학습 완료된 뉴럴 네트워크 모델에 입력하여 최적의 요구 가속도를 산출하고, 산출된 최적의 요구 가속도를 기반으로 자율 주행 차량을 실제 주행시킬 수 있다.
여기서, 프로세서(110)는, 차량 주행 정보를 획득할 때, 자차 속도, 자차 가속도, 전방 차량과의 거리 간격, 전방 차량과의 상대 속도, 모터 전기 파워, 모터 토크 중 적어도 어느 하나를 포함하는 차량 주행 정보를 획득할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지는 않는다.
또한, 프로세서(110)는, 도로 경사를 포함하는 차량 주변 환경 정보를 획득할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지는 않는다.
다음, 프로세서(110)는, 자율 주행 차량을 모의 주행시킬 때, 가상 테스트 주행 알고리즘을 통해 요구 가속도를 기반으로 자율 주행 차량을 모의 주행시킬 수 있다.
그리고, 프로세서(110)는, 보상 함수를 산출할 때, 모의 주행 결과로부터 적어도 하나의 보상 인자를 산출하고, 산출한 보상 인자에 대한 가중치 적용 여부를 결정하며, 가중치 적용이 결정되면 가중치가 적용된 보상 인자를 기반으로 보상 함수를 산출할 수 있다.
여기서, 프로세서(110)는, 보상 인자를 산출할 때, 모의 주행에 상응하는 주행 시간, 안전도, 전기 에너지 소비량에 대한 보상 인자를 산출할 수 있다.
일 예로, 주행 시간에 대한 보상 인자는, rtime = 100 - 100 × (v - vlim / vlim)2 (여기서, rtime은 주행 시간에 대한 보상 인자, v는 주행 속도, vlim는 주행 속도 한계치임)으로 이루어지는 수식에 의해 산출될 수 있다.
또한, 안전도에 대한 보상 인자는, rsafety = 100 - 100 × (Δs - Δsmin / Δsmax - Δsmin)2 (여기서, rsafety은 안전도에 대한 보상 인자, Δs는 전방 차량과의 간격, Δsmin는 전방 차량과의 최소 간격, Δsmax는 전방 차량과의 최대 간격임)으로 이루어지는 수식에 의해 산출될 수 있다.
또한, 전기 에너지 소비량에 대한 보상 인자는, renergy = 100 × (pmot / pmot_max) (여기서, renergy은 전기 에너지에 대한 보상 인자, pmot는 모터 파워, pmot_max는 모터 최대 파워임)으로 이루어지는 수식에 의해 산출될 수 있다.
이어, 프로세서(110)는, 보상 인자에 대한 가중치 적용 여부를 결정할 때, 모의 주행 결과의 모의 테스트 환경을 기반으로 보상 인자에 대한 가중치 적용 여부를 결정할 수 있다.
일 예로, 프로세서(110)는, 보상 인자에 대한 가중치 적용 여부를 결정할 때, 모의 주행 결과가, 전방 차량 없이 단독 주행 모의 테스트이면 주행 시간에 대한 보상 인자와 전기 에너지 소비량에 대한 보상 인자에 각각 가중치를 적용할 수 있다.
다른 일 예로, 프로세서(110)는, 보상 인자에 대한 가중치 적용 여부를 결정할 때, 모의 주행 결과가, 전방 차량을 추적하는 주행 모의 테스트이면 안전도에 대한 보상 인자와 전기 에너지 소비량에 대한 보상 인자에 각각 가중치를 적용하도록 결정할 수 있다.
또한, 프로세서(110)는, 보상 함수를 산출할 때, 주행 시간에 대한 보상 인자, 안전도에 대한 보상 인자, 전기 에너지 소비량에 대한 보상 인자 중 적어도 어느 하나에 가중치를 적용되면 가중치가 적용된 보상 인자들을 합산하여 보상 함수를 산출할 수 있다.
일 예로, 프로세서(110)는, 보상 함수를 산출할 때, 모의 주행 결과가, 전방 차량 없이 단독 주행 모의 테스트이면 제1 가중치가 적용된 주행 시간에 대한 보상 인자와 제3 가중치가 적용된 전기 에너지 소비량에 대한 보상 인자를 합산하여 보상 함수를 산출할 수 있다.
여기서, 프로세서(110)는, 보상 함수를 산출할 때, Reward = c1 × rtime + c3 × renergy (여기서, Reward는 보상 함수, c1은 제1 가중치, rtime은 주행 시간에 대한 보상 인자, c3은 제3 가중치, renergy은 전기 에너지 소비량에 대한 보상 인자임)으로 이루어지는 수식에 의해 보상 함수를 산출할 수 있다.
다른 일 예로, 프로세서(110)는, 보상 함수를 산출할 때, 모의 주행 결과가, 전방 차량을 추적하는 주행 모의 테스트이면 제2 가중치가 적용된 안전도에 대한 보상 인자와 제3 가중치가 적용된 전기 에너지 소비량에 대한 보상 인자를 합산하여 보상 함수를 산출할 수 있다.
여기서, 프로세서(110)는, 보상 함수를 산출할 때, Reward = c2 × rsafety + c3 × renergy (여기서, Reward는 보상 함수, c2은 제2 가중치, rsafety은 안전도에 대한 보상 인자, c3은 제3 가중치, renergy은 전기 에너지 소비량에 대한 보상 인자임)으로 이루어지는 수식에 의해 보상 함수를 산출할 수 있다.
다음, 프로세서(110)는, 보상 함수를 산출할 때, 모의 주행 결과에서, 전방 차량의 유무에 따라 보상 함수가 변경될 수 있다.
그리고, 프로세서(110)는, 보상 함수를 산출할 때, 모의 주행 결과의 모의 테스트 환경을 기반으로 보상 인자의 중요도를 설정하고, 설정한 보상 인자의 중요도에 따라 가중치를 적용할 수 있다.
이어, 프로세서(110)는, 뉴럴 네트워크 모델을 학습시킬 때, 보상 함수를 뉴럴 네트워크 모델에 입력하여 보상을 가장 많이 받을 수 있는 행동 패턴을 학습시킬 수 있다.
또한, 전술한 뉴럴 네트워크 모델은, 딥 뉴럴 네트워크일 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는, 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.
컨벌루셔널 뉴럴 네트워크는, 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는, 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은, 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은, 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은, 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는, 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는, 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서, 이미지 데이터는, 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.
컨벌루셔널 뉴럴 네트워크에서, 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는, n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는, 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.
컨벌루셔널 레이어의 출력에는, 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 발명에 포함될 수 있다.
컨벌루셔널 뉴럴 네트워크는, 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.
컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(110)는, 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는, 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 발명의 일실시예에 따라 프로세서(110)는, 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는, 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은, CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 발명의 일 실시예에 따르면, 메모리(130)는, 적응 순항 제어를 제공하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 구동될 수 있다. 메모리(130)는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 발명의 일 실시예에 따르면, 메모리(130)는, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 이에 제한되지 않는다.
본 발명의 일 실시예에 따른 네트워크부(150)는, 적응 순항 제어 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 적응 순항 제어 모델의 학습을 위한 동작들이 분산 수행되도록 할 수 있다. 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 적응 순항 제어 네트워크 함수를 사용한 모델 학습을 위한 연산을 분산 처리하도록 할 수 있다.
본 발명의 일 실시예에 따른 네트워크부(150)는, 근거리(단거리), 원거리, 유선 및 무선 등과 같은 현재 사용 및 구현되는 임의의 형태의 유무선 통신 기술에 기반하여 동작할 수 있으며, 다른 네트워크들에서도 사용될 수 있다.
본 발명의 컴퓨팅 장치(100)는, 출력부 및 입력부를 더 포함할 수도 있다.
본 발명의 일 실시예에 따른 출력부는, 적응 순항 제어를 제공하기 위한 사용자 인터페이스(UI, user interface)를 표시할 수 있다. 출력부는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 출력할 수 있다.
본 발명의 일 실시예에서, 출력부는, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은, 그를 통해 외부를 볼 수 있도록 투명형 또는 광 투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다.
본 발명의 일 실시예에 따른 입력부는, 사용자 입력을 수신할 수 있다. 입력부는, 사용자 입력을 수신받기 위한 사용자 인터페이스 상의 키 및/또는 버튼들, 또는 물리적인 키 및/또는 버튼들을 구비할 수 있다. 입력부를 통한 사용자 입력에 따라 본 발명의 실시예들에 따른 디스플레이를 제어하기 위한 컴퓨터 프로그램이 실행될 수 있다.
본 발명의 실시예들에 따른 입력부는, 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신하거나, 카메라 또는 마이크로폰을 통하여 사용자 등의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수도 있다. 이를 위해 음성 인식(Speech Recognition) 기술 또는 동작 인식(Motion Recognition) 기술들이 사용될 수 있다.
본 발명의 실시예들에 따른 입력부는, 컴퓨팅 장치(100)와 연결된 외부 입력 장비로서 구현될 수도 있다. 예를 들어, 입력 장비는 사용자 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나일 수 있으나, 이는 예시일 뿐이며 이에 제한되는 것은 아니다.
본 발명의 일 실시예에 따른 입력부는, 사용자 터치 입력을 인식할 수 있다. 본 발명의 일 실시예에 따른 입력부는, 출력부와 동일한 구성일 수도 있다. 입력부는, 사용자의 선택 입력을 수신하도록 구현되는 터치 스크린으로 구성될 수 있다. 터치 스크린은, 접촉식 정전용량 방식, 적외선 광 감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식이 사용될 수 있다. 전술한 터치 스크린에 대한 자세한 기재는, 본 발명의 일 실시예에 따른 예시일 뿐이며, 다양한 터치 스크린 패널이 컴퓨팅 장치(100)에 채용될 수 있다. 터치 스크린으로 구성된 입력부는, 터치 센서를 포함할 수 있다. 터치 센서는, 입력부의 특정 부위에 가해진 압력 또는 입력부의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는, 터치 되는 위치 및 면적뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다. 터치 센서에 대한 터치입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는, 그 신호(들)를 처리한 다음 대응하는 데이터를 프로세서(110)로 전송할 수 있다. 이로써, 프로세서(110)는 입력부의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다.
본 발명의 일 실시예에서, 서버는, 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는, 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다.
본 발명의 일 실시예에 따른 적응 순항 제어 결과를 표시하는 사용자 인터페이스를 사용자 단말로 제공하기 위한 동작을 수행하는 서버(미도시)는, 네트워크부, 프로세서 및 메모리를 포함할 수 있다.
서버는, 본 발명의 실시예들에 따른 사용자 인터페이스를 생성할 수 있다. 서버는, 클라이언트(예를 들어, 사용자 단말)에게 네트워크를 통해 정보를 제공하는 컴퓨팅 시스템일 수 있다. 서버는, 생성한 사용자 인터페이스를 사용자 단말로 전송할 수 있다. 이러한 경우, 사용자 단말은, 서버에 액세스할 수 있는 임의의 형태의 컴퓨팅 장치(100)일 수 있다. 서버의 프로세서는, 네트워크부를 통해 사용자 단말로 사용자 인터페이스를 전송할 수 있다. 본 발명의 실시예들에 따른 서버는 예를 들어, 클라우드 서버일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 이에 제한되지 않는다.
이와 같이, 본 발명은, 보상 함수를 기반으로 사전 학습한 뉴럴 네트워크 모델을 통해 최적의 요구 가속도를 산출함으로써, 복잡한 비선형 동역학 모델이나 엔지니어의 모델링 작업을 생략하면서도 복잡한 환경에 대해 원할하게 대처하여 전비를 최적화할 수 있다.
도 2는, 본 발명에 따른 적응 순항 제어 장치의 뉴럴 네트워크 모델 학습 과정을 설명하기 위한 개략도이다.
도 2에 도시된 바와 같이, 본 발명은, 차량 주행 정보 및 차량 주변 환경 정보를 뉴럴 네트워크 모델에 입력하여 요구 가속도를 산출할 수 있다.
여기서, 차량 주행 정보는, 자차 속도, 자차 가속도, 전방 차량과의 거리 간격, 전방 차량과의 상대 속도, 모터 전기 파워, 모터 토크 등을 포함할 수 있다.
그리고, 차량 주변 환경 정보는, 도로 경사 등을 포함할 수 있다.
이어, 본 발명은, 산출된 요구 가속도를 기반으로 자율 주행 차량을 모의 주행시킬 수 있다.
여기서, 본 발명은, 가상 테스트 주행 알고리즘을 통해 요구 가속도를 기반으로 자율 주행 차량을 모의 주행시킬 수 있다.
다음, 본 발명은, 자율 주행 차량의 모의 주행 결과로부터 보상 함수를 산출할 수 있다.
여기서, 본 발명은, 모의 주행 결과로부터 적어도 하나의 보상 인자를 산출하고, 산출한 보상 인자에 대한 가중치 적용 여부를 결정하며, 가중치 적용이 결정되면 가중치가 적용된 보상 인자를 기반으로 보상 함수를 산출할 수 있다.
일 예로, 본 발명은, 모의 주행에 상응하는 주행 시간, 안전도, 전기 에너지 소비량에 대한 보상 인자를 산출할 수 있다.
그리고, 본 발명은, 모의 주행 결과의 모의 테스트 환경을 기반으로 보상 인자에 대한 가중치 적용 여부를 결정할 수 있다.
일 예로, 본 발명은, 모의 주행 결과가, 전방 차량 없이 단독 주행 모의 테스트이면 주행 시간에 대한 보상 인자와 전기 에너지 소비량에 대한 보상 인자에 각각 가중치를 적용할 수 있다.
다른 일 예로, 본 발명은, 모의 주행 결과가, 전방 차량을 추적하는 주행 모의 테스트이면 안전도에 대한 보상 인자와 전기 에너지 소비량에 대한 보상 인자에 각각 가중치를 적용하도록 결정할 수 있다.
또한, 본 발명은, 주행 시간에 대한 보상 인자, 안전도에 대한 보상 인자, 전기 에너지 소비량에 대한 보상 인자 중 적어도 어느 하나에 가중치를 적용되면 가중치가 적용된 보상 인자들을 합산하여 보상 함수를 산출할 수 있다.
다음, 본 발명은, 산출한 보상 함수를 기반으로 뉴럴 네트워크 모델을 학습시킬 수 있다.
여기서, 본 발명은, 보상 함수를 뉴럴 네트워크 모델에 입력하여 보상을 가장 많이 받을 수 있는 행동 패턴을 학습시킬 수 있다.
도 3은, 본 발명에 따른 적응 순항 제어 장치의 사전 학습된 뉴럴 네트워크 모델의 행동 결정 과정을 설명하기 위한 개략도이다.
도 3에 도시된 바와 같이, 본 발명은, 자율 주행 차량의 실제 주행 정보 및 실제 주변 환경 정보를 사전 학습된 뉴럴 네트워크 모델에 입력하여 최적의 요구 가속도를 산출하고, 산출된 최적의 요구 가속도를 기반으로 자율 주행 차량을 실제 주행시킬 수 있다.
이처럼, 본 발명은, 보상 함수를 기반으로 사전 학습한 뉴럴 네트워크 모델을 통해 최적의 요구 가속도를 산출함으로써, 복잡한 비선형 동역학 모델이나 엔지니어의 모델링 작업을 생략하면서도 복잡한 환경에 대해 원할하게 대처하여 전비를 최적화할 수 있다.
도 4는, 본 발명에 따른 적응 순항 제어 장치의 보상 함수 산출 과정을 설명하기 위한 도면이다.
도 4에 도시된 바와 같이, 본 발명은, 적응 순항 제어 장치의 뉴럴 네트워크 모델을 학습시키기 위한 보상 함수를 산출할 수 있다.
여기서, 본 발명은, 모의 주행 결과로부터 모의 주행에 상응하는 주행 시간, 안전도, 전기 에너지 소비량에 대한 보상 인자를 산출하고, 산출한 보상 인자에 대한 가중치 적용 여부를 결정하며, 가중치 적용이 결정되면 가중치가 적용된 보상 인자를 기반으로 보상 함수를 산출할 수 있다.
일 예로, 주행 시간에 대한 보상 인자는, rtime = 100 - 100 × (v - vlim / vlim)2 (여기서, rtime은 주행 시간에 대한 보상 인자, v는 주행 속도, vlim는 주행 속도 한계치임)으로 이루어지는 수식에 의해 산출될 수 있다.
또한, 안전도에 대한 보상 인자는, rsafety = 100 - 100 × (Δs - Δsmin / Δsmax - Δsmin)2 (여기서, rsafety은 안전도에 대한 보상 인자, Δs는 전방 차량과의 간격, Δsmin는 전방 차량과의 최소 간격, Δsmax는 전방 차량과의 최대 간격임)으로 이루어지는 수식에 의해 산출될 수 있다.
또한, 전기 에너지 소비량에 대한 보상 인자는, renergy = 100 × (pmot / pmot_max) (여기서, renergy은 전기 에너지에 대한 보상 인자, pmot는 모터 파워, pmot_max는 모터 최대 파워임)으로 이루어지는 수식에 의해 산출될 수 있다.
그리고, 본 발명은, 모의 주행 결과가, 전방 차량 없이 단독 주행 모의 테스트이면 제1 가중치가 적용된 주행 시간에 대한 보상 인자와 제3 가중치가 적용된 전기 에너지 소비량에 대한 보상 인자를 합산하여 보상 함수를 산출할 수 있다.
여기서, 본 발명은, 보상 함수를 산출할 때, Reward = c1 × rtime + c3 × renergy (여기서, Reward는 보상 함수, c1은 제1 가중치, rtime은 주행 시간에 대한 보상 인자, c3은 제3 가중치, renergy은 전기 에너지 소비량에 대한 보상 인자임)으로 이루어지는 수식에 의해 보상 함수를 산출할 수 있다.
또한, 본 발명은, 모의 주행 결과가, 전방 차량을 추적하는 주행 모의 테스트이면 제2 가중치가 적용된 안전도에 대한 보상 인자와 제3 가중치가 적용된 전기 에너지 소비량에 대한 보상 인자를 합산하여 보상 함수를 산출할 수 있다.
여기서, 본 발명은, 보상 함수를 산출할 때, Reward = c2 × rsafety + c3 × renergy (여기서, Reward는 보상 함수, c2은 제2 가중치, rsafety은 안전도에 대한 보상 인자, c3은 제3 가중치, renergy은 전기 에너지 소비량에 대한 보상 인자임)으로 이루어지는 수식에 의해 보상 함수를 산출할 수 있다.
이처럼, 본 발명은, 보상 함수를 산출할 때, 모의 주행 결과에서, 전방 차량의 유무에 따라 보상 함수가 변경될 수 있다.
그리고, 본 발명은, 보상 함수를 산출할 때, 모의 주행 결과의 모의 테스트 환경을 기반으로 보상 인자의 중요도를 설정하고, 설정한 보상 인자의 중요도에 따라 가중치를 적용할 수 있다.
도 5는, 본 발명에 따른 자율 주행 차량의 모의 주행 과정을 설명하기 위한 도면이다.
도 5에 도시된 바와 같이, 본 발명은, 적응 순항 제어 장치의 뉴럴 네트워크 모델을 학습시키기 위한 보상 함수를 산출하기 위하여, 차량 주행 정보 및 차량 주변 환경 정보를 뉴럴 네트워크 모델에 입력하여 요구 가속도가 산출되면 산출된 요구 가속도를 기반으로 자율 주행 차량을 모의 주행시킬 수 있다.
일 예로, 본 발명은, 가상 테스트 주행 알고리즘을 이용하여 요구 가속도를 기반으로 자율 주행 차량을 모의 주행시킬 수 있다.
도 5와 같이, 전방 차량 없이 자율 주행 차량을 단독으로 모의 주행을 수행할 수도 있고, 전방 차량이 있는 상태에서 자율 주행 차량이 전방 차량을 추적하는 모의 주행을 수행할 수도 있다.
이처럼, 본 발명은, 다양한 주행 환경 상태에서, 자율 주행 차량을 모의 주행시킬 수 있다.
이 경우, 모의 주행 결과에서는, 전방 차량의 유무에 따라 보상 함수가 달라질 수 있다.
도 6은, 본 발명에 따른 적응 순항 제어 장치가 적용된 자율 주행 차량의 성능을 보여주는 도면이다.
도 6에 도시된 바와 같이, 본 발명은, 자율 주행 차량의 실제 주행 정보 및 실제 주변 환경 정보를 사전 학습된 뉴럴 네트워크 모델에 입력하여 최적의 요구 가속도를 산출하고, 산출된 최적의 요구 가속도를 기반으로 자율 주행 차량을 실제 주행시킬 수 있다.
도 6과 같이, 본 발명은, 모터 에너지 소비량을 기존 기술(일반적인 가상 주행 또는 자율주행) 대비 약 4.31% ~ 약 6.87% 감소시키는 성능을 보여주고 있다.
이처럼, 본 발명은, 보상 함수를 기반으로 사전 학습한 뉴럴 네트워크 모델을 통해 최적의 요구 가속도를 산출함으로써, 복잡한 비선형 동역학 모델이나 엔지니어의 모델링 작업을 생략하면서도 복잡한 환경에 대해 원할하게 대처하여 전비를 최적화할 수 있다.
도 7은, 본 발명에 따른 적응 순항 제어 장치의 적응 순항 제어 방법을 설명하기 위한 흐름도이다.
도 7에 도시된 바와 같이, 본 발명은, 자율 주행 차량에 상응하는 차량 주행 정보 및 차량 주변 환경 정보를 획득할 수 있다(S10).
이어, 본 발명은, 차량 주행 정보 및 차량 주변 환경 정보를 뉴럴 네트워크 모델에 입력하여 요구 가속도를 산출할 수 있다(S20).
그리고, 본 발명은, 산출된 요구 가속도를 기반으로 자율 주행 차량을 모의 주행시킬 수 있다(S30).
여기서, 본 발명은, 가상 테스트 주행 알고리즘을 이용하여 요구 가속도를 기반으로 자율 주행 차량을 모의 주행시킬 수 있다.
다음, 본 발명은, 자율 주행 차량의 모의 주행 결과로부터 보상 함수를 산출할 수 있다(S40).
여기서, 본 발명은, 모의 주행 결과로부터 모의 주행에 상응하는 주행 시간, 안전도, 전기 에너지 소비량에 대한 보상 인자를 산출하고, 산출한 보상 인자에 대한 가중치 적용 여부를 결정하며, 가중치 적용이 결정되면 가중치가 적용된 보상 인자를 기반으로 보상 함수를 산출할 수 있다.
이어, 본 발명은, 산출한 보상 함수를 기반으로 뉴럴 네트워크 모델을 학습시킬 수 있다(S50).
여기서, 본 발명은, 보상 함수를 뉴럴 네트워크 모델에 입력하여 보상을 가장 많이 받을 수 있는 행동 패턴을 학습시킬 수 있다.
그리고, 본 발명은, 뉴럴 네트워크 모델의 학습이 완료되었는지를 확인할 수 있다(S60).
다음, 본 발명은, 뉴럴 네트워크 모델의 학습이 완료되면 자율 주행 차량의 실제 주행 정보 및 실제 주변 환경 정보를 학습 완료된 뉴럴 네트워크 모델에 입력하여 최적의 요구 가속도를 산출할 수 있다(S70).
이어, 본 발명은, 산출된 최적의 요구 가속도를 기반으로 자율 주행 차량을 실제 주행시킬 수 있다(S80).
그리고, 본 발명은, 적응 순항 제어 종료 요청인지를 확인하고(S90), 적응 순항 제어 종료 요청이면 적응 순항 제어 과정을 종료할 수 있다.
이와 같이, 본 발명은, 보상 함수를 기반으로 사전 학습한 뉴럴 네트워크 모델을 통해 최적의 요구 가속도를 산출함으로써, 복잡한 비선형 동역학 모델이나 엔지니어의 모델링 작업을 생략하면서도 복잡한 환경에 대해 원할하게 대처하여 전비를 최적화할 수 있다.
이상에서 본 발명들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시예에 포함되며, 반드시 하나의 실시예에만 한정되는 것은 아니다. 나아가, 각 실시예에서 예시된 특징, 구조, 효과 등은 실시예들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
100: 적응 순항 제어 장치
110: 프로세서
130: 메모리
150: 네트워크부
110: 프로세서
130: 메모리
150: 네트워크부
Claims (10)
- 자율 주행 차량의 적응 순항 제어 장치의 적응 순항 제어 방법에 있어서,
상기 자율 주행 차량에 상응하는 차량 주행 정보 및 차량 주변 환경 정보를 획득하는 단계;
상기 차량 주행 정보 및 차량 주변 환경 정보를 뉴럴 네트워크 모델에 입력하여 요구 가속도를 산출하는 단계;
상기 산출된 요구 가속도를 기반으로 상기 자율 주행 차량을 모의 주행시키는 단계;
상기 자율 주행 차량의 모의 주행 결과로부터 보상 함수를 산출하는 단계;
상기 산출한 보상 함수를 기반으로 상기 뉴럴 네트워크 모델을 학습시키는 단계;
상기 뉴럴 네트워크 모델의 학습이 완료되었는지를 확인하는 단계;
상기 뉴럴 네트워크 모델의 학습이 완료되면 상기 자율 주행 차량의 실제 주행 정보 및 실제 주변 환경 정보를 상기 학습 완료된 뉴럴 네트워크 모델에 입력하여 최적의 요구 가속도를 산출하는 단계; 및
상기 산출된 최적의 요구 가속도를 기반으로 상기 자율 주행 차량을 실제 주행시키는 단계를 포함하며,
상기 보상 함수를 산출하는 단계는,
상기 모의 주행 결과로부터 모의 주행에 상응하는 주행 시간, 안전도, 전기 에너지 소비량에 대한 적어도 하나의 보상 인자를 산출하고, 상기 산출한 보상 인자에 대한 가중치 적용 여부를 결정하며, 상기 가중치 적용이 결정되면 상기 가중치가 적용된 보상 인자를 기반으로 보상 함수를 산출하는 것을 특징으로 하는 적응 순항 제어 방법. - 삭제
- 삭제
- 제1 항에 있어서,
상기 주행 시간에 대한 보상 인자는,
rtime = 100 - 100 × (v - vlim / vlim)2 (여기서, rtime은 주행 시간에 대한 보상 인자, v는 주행 속도, vlim는 주행 속도 한계치임)으로 이루어지는 수식에 의해 산출되는 것을 특징으로 하는 적응 순항 제어 방법. - 제1 항에 있어서,
상기 안전도에 대한 보상 인자는,
rsafety = 100 - 100 × (Δs - Δsmin / Δsmax - Δsmin)2 (여기서, rsafety은 안전도에 대한 보상 인자, Δs는 전방 차량과의 간격, Δsmin는 전방 차량과의 최소 간격, Δsmax는 전방 차량과의 최대 간격임)으로 이루어지는 수식에 의해 산출되는 것을 특징으로 하는 적응 순항 제어 방법. - 제1 항에 있어서,
상기 전기 에너지 소비량에 대한 보상 인자는,
renergy = 100 × (pmot / pmot_max) (여기서, renergy은 전기 에너지에 대한 보상 인자, pmot는 모터 파워, pmot_max는 모터 최대 파워임)으로 이루어지는 수식에 의해 산출되는 것을 특징으로 하는 적응 순항 제어 방법. - 제1 항에 있어서,
상기 보상 함수를 산출하는 단계는,
상기 주행 시간에 대한 보상 인자, 상기 안전도에 대한 보상 인자, 상기 전기 에너지 소비량에 대한 보상 인자 중 적어도 어느 하나에 가중치를 적용되면 상기 가중치가 적용된 보상 인자들을 합산하여 보상 함수를 산출하는 것을 특징으로 하는 적응 순항 제어 방법. - 제7 항에 있어서,
상기 보상 함수를 산출하는 단계는,
상기 모의 주행 결과가, 전방 차량 없이 단독 주행 모의 테스트이면 제1 가중치가 적용된 주행 시간에 대한 보상 인자와 제3 가중치가 적용된 전기 에너지 소비량에 대한 보상 인자를 합산하여 보상 함수를 산출하는 것을 특징으로 하는 적응 순항 제어 방법. - 제7 항에 있어서,
상기 보상 함수를 산출하는 단계는,
상기 모의 주행 결과가, 전방 차량을 추적하는 주행 모의 테스트이면 제2 가중치가 적용된 안전도에 대한 보상 인자와 제3 가중치가 적용된 전기 에너지 소비량에 대한 보상 인자를 합산하여 보상 함수를 산출하는 것을 특징으로 하는 적응 순항 제어 방법. - 적응 순항 제어 방법을 제공하기 위한 자율 주행 차량의 적응 순항 제어 장치로서,
하나 이상의 코어를 포함하는 프로세서; 및
메모리;
를 포함하고,
상기 프로세서는,
상기 자율 주행 차량에 상응하는 차량 주행 정보 및 차량 주변 환경 정보를 획득하고, 상기 차량 주행 정보 및 차량 주변 환경 정보를 뉴럴 네트워크 모델에 입력하여 요구 가속도를 산출하며, 상기 산출된 요구 가속도를 기반으로 상기 자율 주행 차량을 모의 주행시키고, 상기 자율 주행 차량의 모의 주행 결과로부터 보상 함수를 산출하며, 상기 산출한 보상 함수를 기반으로 상기 뉴럴 네트워크 모델을 학습시키고, 상기 뉴럴 네트워크 모델의 학습이 완료되었는지를 확인하며, 상기 뉴럴 네트워크 모델의 학습이 완료되면 상기 자율 주행 차량의 실제 주행 정보 및 실제 주변 환경 정보를 상기 학습 완료된 뉴럴 네트워크 모델에 입력하여 최적의 요구 가속도를 산출하고, 상기 산출된 최적의 요구 가속도를 기반으로 상기 자율 주행 차량을 실제 주행시키는 한편,
상기 자율 주행 차량의 모의 주행 결과로부터 보상 함수를 산출할 때,
상기 모의 주행 결과로부터 모의 주행에 상응하는 주행 시간, 안전도, 전기 에너지 소비량에 대한 적어도 하나의 보상 인자를 산출하고, 상기 산출한 보상 인자에 대한 가중치 적용 여부를 결정하며, 상기 가중치 적용이 결정되면 상기 가중치가 적용된 보상 인자를 기반으로 보상 함수를 산출하는 것을 특징으로 하는 적응 순항 제어 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210170885A KR102655066B1 (ko) | 2021-12-02 | 2021-12-02 | 자율 주행 차량의 적응 순항 제어 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210170885A KR102655066B1 (ko) | 2021-12-02 | 2021-12-02 | 자율 주행 차량의 적응 순항 제어 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230082922A KR20230082922A (ko) | 2023-06-09 |
| KR102655066B1 true KR102655066B1 (ko) | 2024-04-09 |
Family
ID=86765313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210170885A KR102655066B1 (ko) | 2021-12-02 | 2021-12-02 | 자율 주행 차량의 적응 순항 제어 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102655066B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009208561A (ja) | 2008-03-03 | 2009-09-17 | Toyota Motor Corp | 運転者撮像システムおよび運転者撮像方法 |
| US20170061219A1 (en) | 2015-08-28 | 2017-03-02 | Hyundai Motor Company | Object recognition device, vehicle having the same and method of controlling the same |
| JP2019098972A (ja) * | 2017-12-04 | 2019-06-24 | トヨタ自動車株式会社 | 運転支援装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102208225B1 (ko) * | 2014-12-02 | 2021-01-26 | 현대모비스 주식회사 | 적응형 순항 장치 및 적응형 순항 방법 |
| KR101901801B1 (ko) * | 2016-12-29 | 2018-09-27 | 현대자동차주식회사 | 하이브리드 자동차 및 그를 위한 운전 패턴 예측 방법 |
| KR101941057B1 (ko) | 2017-08-30 | 2019-01-22 | 아진산업(주) | 다기능 adas 전방 카메라 장치 |
| KR102015076B1 (ko) * | 2017-11-13 | 2019-08-27 | 주식회사 소네트 | 일상 주행 데이터를 이용한 자율 주행 알고리즘 개발 장치 및 그 방법 |
| CN114407894A (zh) * | 2020-09-25 | 2022-04-29 | 阿波罗智能技术(北京)有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-02 KR KR1020210170885A patent/KR102655066B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009208561A (ja) | 2008-03-03 | 2009-09-17 | Toyota Motor Corp | 運転者撮像システムおよび運転者撮像方法 |
| US20170061219A1 (en) | 2015-08-28 | 2017-03-02 | Hyundai Motor Company | Object recognition device, vehicle having the same and method of controlling the same |
| JP2019098972A (ja) * | 2017-12-04 | 2019-06-24 | トヨタ自動車株式会社 | 運転支援装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230082922A (ko) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11900244B1 (en) | Attention-based deep reinforcement learning for autonomous agents | |
| US10282623B1 (en) | Depth perception sensor data processing | |
| WO2021127507A1 (en) | Vehicle intent prediction neural network | |
| KR102636586B1 (ko) | 자율 주행 차량의 주행 테스트 제어 장치 및 방법 | |
| EP3920188A1 (en) | Molecular binding site detection method and apparatus, electronic device and storage medium | |
| US11755917B2 (en) | Generating depth from camera images and known depth data using neural networks | |
| US20190228294A1 (en) | Method and system for processing neural network model using plurality of electronic devices | |
| CN110378438A (zh) | 标签容错下的图像分割模型的训练方法、装置及相关设备 | |
| EP3751465A1 (en) | Methods, apparatuses and computer programs for generating a reinforcement learning-based machine-learning model and for generating a control signal for operating a vehicle | |
| CN107832794A (zh) | 一种卷积神经网络生成方法、车系识别方法及计算设备 | |
| Li et al. | Basics and Applications of AI in ADAS and Autonomous Vehicles | |
| KR102655066B1 (ko) | 자율 주행 차량의 적응 순항 제어 장치 및 방법 | |
| US20230359348A1 (en) | Personalized electronic device inferring user input, and method for controlling same | |
| Cultrera et al. | Explaining autonomous driving with visual attention and end-to-end trainable region proposals | |
| CN117928530A (zh) | 用于路径分布估计的方法和装置 | |
| KR20190103017A (ko) | 주행 로봇의 제어 방법 및 그 장치 | |
| EP3961515A2 (en) | Method for learning model | |
| KR20230135200A (ko) | 건설중장비의 이상징후 감지 장치 및 방법 | |
| Sarwar Murshed et al. | Efficient deployment of deep learning models on autonomous robots in the ROS environment | |
| KR20220029362A (ko) | 모델 학습 방법 | |
| KR102582544B1 (ko) | 전자 장치 및 그 동작 방법 | |
| KR102669358B1 (ko) | 초고속 이동통신기술을 이용한 건설중장비 원격제어 장치 및 방법 | |
| KR102610242B1 (ko) | 인공지능 ocr 기반 비정형 손글씨 인식 방법, 장치 및 시스템 | |
| US20240152144A1 (en) | Systems and methods for learning neural networks for embedded applications | |
| KR102576265B1 (ko) | 무인 항공체의 자율 무선 배터리 충전 장치, 방법 및 프로그램 |
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 |