KR20140054763A

KR20140054763A - 객체 및 시스템 특성에 기반한 확률 분포 지도 작성 장치 및 그 방법

Info

Publication number: KR20140054763A
Application number: KR1020120120657A
Authority: KR
Inventors: 나기인; 변재민; 노명찬; 손주찬; 김성훈
Original assignee: 한국전자통신연구원
Priority date: 2012-10-29
Filing date: 2012-10-29
Publication date: 2014-05-09
Also published as: US20140122409A1; US9361591B2; KR101807484B1

Abstract

본 발명의 실시예에서는 객체 및 시스템 특성에 기반한 확률 분포 지도 작성 장치 및 그 방법을 개시한다. 다수의 센서로부터 센서정보를 수집하는 센서정보수집부; 상기 센서정보를 통합 및 추론하여 객체를 인식하고, 상기 객체에 대한 정보인 객체정보를 획득하는 객체인식부; 및 상기 객체정보에 대응하여 운동학적 특성, 외형적 특성 및 확률적 특성 중 적어도 하나를 포함하는 객체특성모델의 적용 유무를 판단하고, 상기 객체정보에 대응하는 객체특성을 획득하여 상기 객체특성에 기반하는 확률분포를 생성하는 확률분포생성부를 포함하는 확률분포 지도 작성 장치를 제공한다. 이에 따라, 객체 및 시스템특성이 반영되는 신뢰성 있는 지도를 생성할 수 있는 효과를 제공한다.

Description

객체 및 시스템 특성에 기반한 확률 분포 지도 작성 장치 및 그 방법{APPARATUS FOR BUILDING MAP OF PROBABILITY DISTRUBUTITION BASED ON PROPERTIES OF OBJECT AND SYSTEM AND METHOD THEREOF}

본 발명은 확률 분포 지도 작성 방법에 관한 것으로서, 더욱 상세하게는 객체 및 시스템 특성에 기반한 확률 분포 지도 작성 장치 및 그 방법에 관한 것이다.

실내 및 실외에서 주행하는 로봇(robot)은 다양한 센서(sensor)를 이용하여 주변 환경의 정보를 수집하고, 수집된 주변 환경 정보를 기반으로 지도를 작성한다. 또한, 로봇은 작성된 지도에 최적 경로를 생성함으로써 불확실한 동적 환경에서 주행을 하게 된다.

무인 자동차 또는 로봇의 주행을 위해서, 주변 환경 정보를 반영한 지도 작법에 대한 연구는 계속 진행되어 왔으며, 또한, 그 연구 결과에 따라 다양한 지도 작성법이 제안되었다.

구체적으로 예를 들면, 주변 환경의 정보를 반영하는 지도 작성 방법에는 벡터 필드 히스토그램(VFH: Vector Field Histogram), 포텐셜 필드 방법(Potential Field Method) 및 확률적 위험 노출 지도(PTEM: Probabilistic Threat Exposure Map) 등이 있다.

여기서, 벡터 필드 히스토그램은 J.Borenstein에 의해서 제안된 방법으로 실시간 경로 계획을 위해 히스토그램 그리드(Histogram Grid)에 주변 환경의 통계적 표현을 이용하여 장애물을 표현한다.

또한, 벡터 필드 히스토그램은 센서의 부정확성과 모델링 에러(modeling error)도 반영하고, 로봇의 동역학적 움직임과 로봇의 모양도 반영하여 최적에 가까운 지도 경로를 생성하는 알고리즘이다. 현재, 벡터 필드 히스토그램은 VFH+를 거쳐 VFH*의 알고리즘을 향상 시킴으로써, 기존의 전역적으로 최적성을 보장하지 못하는 지역 경로 생성 알고리즘의 단점을 보안하였다.

포텐셜 필드 방법은 미리 주어진 정보를 이용해 목표점을 찾아가는 것을 기반으로 한다.

구체적으로, 포텐셜 필드 방법은 지도의 물체들을 각각 위상으로 표현하여 가장 낮은 위상을 목표점으로 하고, 장애물에는 반발력(Repulsion)을 이용하여 위상을 높임으로써, 최적의 경로를 생성하도록 하는 알고리즘이다.

포텐셜 필드 방법은 연산의 양이 적은 장점이 있지만, 지역적 최소값(Local Minima)에 빠져 경로 생성에 실패하는 단점이 있다. 여기서, 지역적 최소값은 예를 들면, 로봇 등이 주행을 하던 중, 한 곳에 갇히게 되어 더 이상 경로 생성을 할 수 없는 경우를 의미한다. 보다 구체적으로 예를 들면, 오르막과 내리막이 있는 지형의 경우, 이런 지형을 주행하던 로봇이 웅덩이에 빠져 더 이상 다른 곳으로 갈 수 없는 상태를 지역적 최소값이라고 한다.

확률적 위험 노출 지도는 로봇에게 위협이 되는 다양한 요소들을 가우시안 분포(Gaussian Distribution)를 이용하여 지도 상에 표현하며, 가우시안 분포가 표현된 지도를 이용함으로써 다양한 위협이 존재하는 환경에서 최적의 경로를 실시간으로 생성하여 로봇 또는 무인 자동차 등의 인공지능(Artificial Intelligence) 장치가 실시간으로 주행할 수 있도록 한다.

한편, 종래의 장애물 지도 생성 방법들은 인식되는 객체에 대해 객체에 대한 종류 등을 무시하고, 단지 단일 장애물로만 인식할 뿐만 아니라, 객체의 운동학적 특성을 제외하여 서로 다른 특성을 가진 객체들을 동일한 특성으로 지도 상에 표시하는 Bottom-Up 방식을 이용한다.

그러나, 이러한 종래의 장애물 지도 생성 방법들은 장애물의 추적을 통해 인식될 수 동역학적 정보를 지도 상에 표현하지 않아, 인공지능 장치가 장애물에 도달하는 시간 등을 정확하게 알지 못하여, 정확한 안전 지도를 생성하는 데 어려움이 있는 문제점이 있다.

또한, 종래의 장애물 지도 생성 방법들은 장애물을 단일 객체로 표현하여, 객체 별 특성, 예를 들면 보행자, 차량, 이륜차, 벽 등의 특성이 반영되지 않아 지도의 신뢰성이 떨어지는 문제점이 있다.

이에 따라, 종래의 장애물 지도 생성 방법들로 생성된 지도 및 최적 경로는 최적이라고 보기 어려우며, 장애물과의 도달 시간, 시스템 주기 등과 같은 특성을 포함하고 있지 않아, 지역적 최소값에 쉽게 빠질 우려가 있는 문제점이 있다.

상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 인식된 객체의 객체특성 및 시스템특성을 반영하여 생성된 확률분포를 지도에 표현함으로써, 보다 신뢰성 및 안정성이 있는 지도를 생성할 수 있는 확률 분포 지도 생성 장치를 제공하는 데 있다.

상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은, 객체특성이 반영된 객체특성모델 및 시스템 특성이 반영된 시스템특성모델을 이용함으로써, 보다 신속하게 안전한 확률 분포 지도를 생성할 수 있는 확률 분포 지도 생성 방법을 제공하는 데 있다.

상기 목적을 달성하기 위한 본 발명의 일 측면은, 다수의 센서로부터 센서정보를 수집하는 센서정보수집부; 상기 센서정보를 통합 및 추론하여 객체를 인식하고, 상기 객체에 대한 정보인 객체정보를 획득하는 객체인식부; 및 상기 객체정보에 대응하여 운동학적 특성, 외형적 특성 및 확률적 특성 중 적어도 하나를 포함하는 객체특성모델의 적용 유무를 판단하고, 상기 객체정보에 대응하는 객체특성을 획득하여 상기 객체특성에 기반하는 확률분포를 생성하는 확률분포생성부를 포함하는 확률분포 지도 작성 장치를 제공한다.

여기서, 상기 확률분포생성부는, 상기 객체정보가 정의되어 있는 경우, 상기 객체특성모델을 이용하여 상기 객체특성을 획득하고, 상기 객체정보가 정의되어 있지 않은 경우, 상기 객체정보를 이용하여 상기 객체특성을 획득하는 것을 특징으로 한다.

여기서, 상기 확률분포생성부는, 상기 객체특성과 함께 시스템의 특성에 대한 모델인 시스템특성모델을 반영하여 상기 확률분포를 생성한다.

여기서, 상기 운동학적 특성은, 상기 객체의 위치, 속도, 각위치, 각속도 및 움직임 모델 식을 포함하고, 상기 움직임 모델 식은 정의된 모델의 경우에 적용된다.

여기서, 상기 외형적 특성은, 상기 객체를 대표할 수 있는 모양을 나타내는 것으로서, 2차원 도형 또는 3차원 도형으로 이루어진다.

여기서, 상기 확률적 특징은, 상기 객체를 정확하게 표현할 수 있는 특성을 나타내는 것으로서, 움직임 불확실성 및 객체의 중요성 중 적어도 하나를 포함한다.

여기서, 상기 시스템특성모델은, 시스템 주기, 로봇 속도 및 센서 불확실성 중 적어도 하나를 포함한다.

여기서, 상기 확률분포를 지도에 표현하고, 확률분포가 표현된 상기 지도에 최적 경로를 생성하는 지도 생성부; 및 상기 객체의 정의, 상기 객체특성모델 및 상기 시스템특성모델이 저장되어 있는 데이터베이스를 더 포함한다.

상기 목적을 달성하기 위한 본 발명의 또 다른 일 측면은, 확률 분포 지도 작성 장치의 확률 분포 지도 작성 방법에 있어서, 다수의 센서로부터 센서정보를 수집하는 단계; 상기 센서정보를 통합 및 추론하여 객체를 인식하고, 상기 객체에 대한 정보인 객체정보를 획득하는 단계; 및 상기 객체정보에 대응하여 운동학적 특성, 외형적 특성 및 확률적 특성 중 적어도 하나를 포함하는 객체특성모델의 적용 유무를 판단하고, 상기 객체정보에 대응하는 객체특성을 획득하여 상기 객체특성에 기반하는 확률분포를 생성하는 단계를 포함한다.

여기서, 상기 확률분포를 생성하는 단계는, 상기 객체정보가 정의되어 있는 경우, 상기 객체특성모델을 이용하여 상기 객체특성을 획득하고, 상기 객체정보가 정의되어 있지 않은 경우, 상기 객체정보를 이용하여 상기 객체특성을 획득하는 것을 특징으로 한다.

여기서, 상기 확률분포를 생성하는 단계는, 상기 객체특성과 함께 시스템의 특성에 대한 모델인 시스템특성모델을 반영하여 이루어진다.

여기서, 상기 확률분포를 지도에 표현하고, 확률분포가 표현된 상기 지도에 최적 경로를 생성하는 단계를 더 포함한다.

상기와 같은 본 발명에 실시예에 따른 확률 분포 지도 생성 장치는, 인식된 객체의 객체특성 및 시스템특성을 반영하여 생성된 확률분포를 지도에 표현함으로써, 보다 신뢰성 및 안정성이 있는 지도를 생성할 수 있는 효과를 제공한다.

또한, 본 발명의 실시예에 따른 확률 분포 지도 생성 방법은, 객체특성이 반영된 객체특성모델 및 시스템 특성이 반영된 시스템특성모델을 이용함으로써, 보다 신속하게 안전한 확률 분포 지도를 생성할 수 있는 효과를 제공한다.

도 1은 본 발명의 실시예에 따른 객체 및 시스템 특성에 기반한 확률 분포 지도 작성 장치를 개략적으로 도시한 개념도이다.
도 2는 본 발명의 실시예에 따른 객체특성모델의 일 예를 보여주는 도면이다.
도 3은 본 발명의 실시예에 따른 시스템특성모델의 일 예를 나타내는 도면이다.
도 4는 객체특성 중 운동학적 특성 및 외형적 특성만 반영되어 생성된 확률분포가 지도에 표현된 것을 보여주는 도면의 일 예이다.
도 5는 본 발명의 실시예에 따른 확률 분포 지도 작성 장치가 확률 분포 지도 생성 방법을 보여주는 순서도이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

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

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 보다 상세하게 설명한다.

도 1은 본 발명의 실시예에 따른 객체 및 시스템 특성에 기반한 확률 분포 지도 작성 장치(100)를 개략적으로 도시한 개념도이다. 이하, 설명의 편의를 위하여, 확률 분포 지도 작성 장치(100)로 칭한다.

먼저, 도 1에 도시한 바와 같이, 본 발명의 실시예에 따른 확률 분포 지도 작성 장치(100)는 센서정보수집부(110)와, 객체인식부(120)와, 확률분포생성부(130)와, 지도생성부(140)와, 데이터베이스(150)를 포함할 수 있다.

여기서, 센서정보수집부(110)는 상이한 센서(sensor)로부터 수집된 주변환경에 대한 정보를 포함하는 센서정보(SI)를 수집한다.

또한, 센서정보수집부(110)는 센서정보(SI)를 객체인식부(120)에 제공한다.

이때, 센서정보수집부(110)는 예를 들면, 단일 카메라(Single Camera), 입체 카메라(Stereo Camera), 라이더(LiDAR: Light Detection and Ranging), 레이저(LASER: Light Amplification by Stimulated Emission of Radiation) 및 레이더(RADAR: Radio Detection and Ranging) 등 다양한 센서로부터 로봇 또는 무인 자동차 등의 인공지능 장치의 주변 환경에 대한 정보를 포함하는 센서정보(SI)를 수집할 수 있다.

여기서, 입체 카메라는 예를 들면, 한 목표 물체에 대해서 동시에 2 장의 화상을 얻을 수 있게 하는 특수 카메라로서, 2개의 촬영용 렌즈를 일정 간격 띄워놓고 같은 물체를 촬영하는 방법을 이용한다. 입체 카메라를 통하여 얻은 사진은 스테레오 뷰어(stereo viewer)를 이용하여 감상하게 되면, 물체에 대한 화상이 입체적으로 보인다.

라이더는 예를 들면, 전파에 가까운 성질을 가진 레이저광선을 사용하여 개발한 레이더로 볼 수 있어, 레이저 레이더(laser rader)와 동일하다고 볼 수 있다. 구체적으로, 라이더는 펄스(pulse) 레이저 광을 대기 중에 발사하여 그 반사체 또는 산란체를 이용함으로써, 거리, 대기 현상 등을 측정하는 장치이다. 일반적으로, 반사광의 시간 측정은 클록 펄스(clock pulse)로 계산하며, 그 진동수는 30MHz로 5m, 150MHz로 1m 분해능을 가진다. 빔의 반사, 구름이나 스모그층의 산란효과, 대기의 불연속성 등이 레이더 기술로 측정된다. 또한, 라이더는 기상기구의 추적 또는 로켓 추적용으로도 사용되며, 물체와의 거리를 30cm(10^-9에 상당)로 측정한다.

레이더는, 예를 들면, 전파를 목표 물체로 발신하고, 목표 물체로부터 수신한 반사파를 이용하여 그 목표의 위치를 알아내는 장치이다. 또한, 레이더는 전파의 특성을 이용하여 물체를 탐지하고, 그 방향 및 거리를 알아낼 수 있다.

즉, 센서정보수집부(110)는 전술한 다양한 센서로부터 주변환경의 정보인 센서정보(SI)를 수집하여 객체인식부(120)에 제공한다.

객체인식부(120)는, 센서정보(SI)를 종합하여 장애물 등의 객체를 인식 및 인식된 객체의 정보를 획득하고, 인식된 객체의 정보(OF)를 확률분포생성부(130)에 제공한다. 이하, 설명의 편의를 위하여 인식된 객체 및 인식된 객체의 정보를 객체정보(OF)로 칭한다.

여기서, 객체정보(OF)는 객체의 종류, 객체의 위치, 객체의 위치의 추적을 통하여 획득할 수 있는 객체의 속도 등을 포함할 수 있다. 객체의 종류는 예를 들면, 보행자, 차량, 이륜차 또는 벽 등을 나타낼 수 있다.

최근에는 다양한 센서를 통합 이용하여 수집된 센서정보(SI)를 이용하여, 객체를 인식하는 방법이 많이 연구되고 있으며, 이러한 객체를 인식하는 기술은 상용화할 수 있는 수준에 이르렀다. 다시 말하면, 실내 외의 객체 인식 기술이 많이 연구됨에 따라, 로봇 주변의 장애물 즉, 객체가 차량, 보행자, 이륜차 또는 벽 등으로 분류 인식될 수 있다.

구체적으로 예를 들면, 센서정보(SI) 중 단일 카메라 또는 입체 카메라 등으로부터 수집된 영상을 통하여 객체가 차량, 보행자 또는 이륜차 등인지 인식되고, 레이저 또는 레이더 등으로부터 수집된 정보로부터 객체의 위치 및 거리 등이 추정된다. 이러한, 객체 인식 및 위치 추적 등의 기술을 지도 작성 장치를 탑재하는 차량이 실제로 출시되고 있다.

즉, 객체인식부(120)는 다양한 센서로부터 수집된 센서정보(SI)를 통합 및 추론하여 객체를 인식하고, 인식된 객체의 위치, 속도 등의 정보를 획득한다.

확률분포생성부(130)는 객체정보(OF)를 전달 받고, 객체정보(OF)에 기반하여 객체특성을 파악하고, 객체특성을 반영하여 확률 분포(probability distribution, PD)를 생성한다.

또한, 확률분포생성부(130)는 객체특성과 함께 시스템특성모델(System Property Model, SPM)을 이용하여 생성된 시스템특성을 더 반영하여 확률 분포(PD)를 생성한다. 여기서, 시스템특성모델(SPM)은 본 발명의 실시예에서 제안하는 시스템 특성을 반영하는 모델로서 차후에 도 3을 참고하여 보다 상세하게 설명한다.

보다 구체적으로 설명하면, 확률분포생성부(130)는 객체정보(OF)를 데이터베이스(150)에서 검색하고, 객체정보(OF)에 대응하는 객체가 데이터베이스(150)에 정의된 객체인지 판단한다.

이때, 객체정보(OF)가 데이터베이스(150)에 정의되지 않은 경우, 확률분포생성부(130)는 객체정보(OF)를 이용하여 객체특성을 생성하여, 생성된 객체특성을 반영하여 확률분포(PD)를 생성한다.

객체정보(OF)가 데이터베이스(150)에 정의된 경우, 확률분포생성부(130)는 객체정보(OF)에 대응하고 객체모델특성(Object Property Model, OPM)이 반영된 객체특성을 데이터베이스(150)로 제공받는다. 또한, 확률분포생성부(130)는 데이터베이스(150)에서 제공받은 객체특성을 이용하여 확률분포(PD)를 생성한다.

여기서, 객체특성모델(OPM)은 본 발명의 실시예에서 제안하는 객체 특성을 반영하는 모델로서 이하, 도 2를 참고하여 보다 상세하게 설명한다.

도 2는 본 발명의 실시예에 따른 객체특성모델(OPM)의 일 예를 보여주는 도면이다.

먼저, 도 2에 도시한 바와 같이, 객체특성(Object Properties)은 운동학적 특성(Kinematic Properties), 외형적 특성(Shape Properties) 및 확률적 특성(Probabilistic Properties)으로 구분될 수 있다.

운동학적 특성은 객체의 위치(Position), 객체의 상대적 위치 및 추적을 통하여 얻을 수 있는 속도(Velocity), 각위치(Angular Position) 및 각속도(Angular Velocity)를 포함할 수 있다.

또한, 운동학적 특성은 각위치 및 각속도 등의 각 특성을 반영하는 움직임 모델 식(Motion Model)을 더 포함할 수 있다.

이때, 움직임 모델 식은 공통 모델(Default Model) 및 정의된 모델(Defined Model)로 구분된다. 구체적으로, 정의된 모델에는 움직임 모델 식이 적용되고, 정의되지 않은 모델에는 움직임 모델 식이 적용되지 않고, 기본 움직임 모델인 공통 모델이 적용된다.

여기서, 정의된 모델은 예를 들면, 차 모델, 사람 모델, 이륜차 모델 등이 있을 수 있으며, 이는 일 예로서 더 다양하게 구성될 수 있다.

즉, 본 발명의 실시예에 따른 객체특성모델(OPM)은 각 특성을 반영하는 움직임 모델 식을 반영하여 객체특성을 나타내는 바, 각 움직임 모델 식이 반영된 객체특성을 지도에 표시할 경우, 각 특성에 맞는 확률 분포를 형성할 수 있도록 해준다. 이에 따라, 보다 신뢰성 있는 확률 분포 지도를 작성할 수 있다.

외형적 특성은 센서를 통하여 수집된 센서정보(SI)로부터 정확한 객체의 외형을 추출하기 어려우므로, 객체정보(OF)에 기반하여 객체를 대표할 수 있는 모양에 대한 특성을 나타난다.

외형적 특성에는 예를 들면, 2차원 도형으로서 원(Circle), 사각형(Rectangle) 및 삼각형(Triangle) 등이 있을 수 있으며, 3차원 도형으로서 도시되지는 않았으나, 삼각뿔, 구, 직육면체 등이 있을 수 있다.

확률적 특성은 위치, 속도 또는 모양 등의 특성 외에 기타 확률적으로 나타낼 수 있는 객체의 특성을 나타내는 것으로서, 예를 들면, 객체의 중요성 등을 나타내는 주요 요소(Interesting Factor) 및 객체의 움직임이 얼마나 불확실한지를 나타내는 움직임 불확실성(Motion Uncertainty) 등이 있다.

이러한, 확률적 특성은 일 예로서, 기타 객체의 특성 중 확률로서 나타낼 수 있는 다른 요소들을 포함할 수 있다. 즉, 확률적 특성은 객체를 보다 정확하게 표현할 수 있는 어떠한 요소들도 가능하다.

이와 같이, 객체의 확률적 특성을 반영하여 확률 분포를 생성하고, 이러한 확률 분포를 기반하여 지도를 생성하게 되는 바, 보다 안전하고 신뢰성 있는 지도를 생성할 수 있게 된다.

한편, 본 발명의 실시예에서는 객체특성모델(OPM)을 운동학적 특성, 외형적 특성 및 확률적 특성으로 구분하여 설명하였으나, 이 중 적어도 어느 하나를 포함함으로써 구성될 수도 있다.

본 발명의 실시예에 따른 확률분포생성부(130)는 객체특성이 반영된 확률 분포(PD)에 시스템특성모델(SPM)에 기반한 시스템특성을 더 반영하여 확률분포를 완성한다.

이하, 도 3을 참조하여, 본 발명의 실시예에 따른 시스템특성모델(SPM)에 대해서 살펴본다.

도 3은 본 발명의 실시예에 따른 시스템특성모델(SPM)의 일 예를 나타내는 도면이다.

도 3에 도시한 바와 같이, 시스템특성모델(SPM)에는 예를 들면, 시스템 주기(System Period), 로봇 속도(Robot Speed) 및 센서 불확실성(Sensor Uncertainty)가 포함될 수 있다.

구체적으로 예를 들면, 시스템 주기는 지도 작성 장치의 동작 주기 등을 나타낼 수 있으며, 로봇 속도는 지도 작성 장치가 장착된 로봇, 무인 자동차 또는 인공청소기 등의 속도를 나타낼 수 있으며, 센서의 불확실성은 센서의 오류 또는 정확도 등을 나타낼 수 있다.

이러한 시스템특성모델은 지도 작성시, 객체의 상대적 거리에 따른 확률 분포에 영향을 미칠 수 있으며, 특히 센서의 불확실성은 확률 분포 편차에 영향을 미칠 수 있다.

다시 도 1을 참조하여 설명하면, 지도생성부(140)는 확률분포생성부(130)로부터 제공받은 확률분포(PD)를 지도에 표현한다.

또한, 지도생성부(140)는 확률분포(PD)가 표현된 지도에 환경적 특성 예를 들면, 차선 연석 등을 반영하여 지도를 완성한다.

또한, 지도생성부(140)는 완성된 지도를 기반으로 경로생성 알고리즘을 이용하여 최적 경로를 생성하여, 로봇 등의 인공지능 장치에 제공한다.

이하, 도 4를 참조하여, 본 발명의 실시예에 따른 지도생성부(140)에 대해서 보다 상세하게 살펴본다.

도 4는 객체특성 중 운동학적 특성 및 외형적 특성만 반영되어 생성된 확률분포(도 1의 PD)가 지도에 표현된 것을 보여주는 도면의 일 예이다.

먼저, 도 4에 도시된 바와 같이, 지도에는 자동차와 두 명의 사람이 확률적으로 분포되어 나타난다.

구체적으로 예를 들면, 센서정보(SI)로부터 정확한 형상을 파악하기 어려운 사람은 원으로 표현되고 있으며, 자동차는 옆으로 누운 호리병의 단면과 같은 모양으로 표현되고 있다.

또한, 지도에서 각각의 객체는 진하기가 다른 색상으로 점차적으로 표현되어 있는데, 진하기는 위험도를 표현하는 것이다. 예를 들면, 진하기가 진할수록 위험도가 높은 것이며, 진하기가 연할수록 위험도는 낮다. 자동차를 이용하여 보다 구체적으로 예를 들면, 가장 연한 색(1)을 가진 분포에서는 자동차의 위험이 있긴 하나, 그 위험도는 미비할 수 있으며, 가장 진한 색(2)을 가진 분포에서는 자동차가 직접 위치하고 있는 위치를 나타내는 것으로서 위험도가 가장 높다고 볼 수 있다.

또한, 지도에는 객체의 움직이는 방향 및 상대적인 속도가 화살표로서 표현되어 있다.

구체적으로, 화살표가 가리키는 방향이 객체의 움직이는 방향을 나타내며, 화살표의 길이가 객체의 상대적인 속도를 나타낸다. 구체적으로 예를 들면, 자동차의 화살표는 서쪽으로 가리키고 있는 바, 자동차는 서쪽으로 움직이고 있으며, 사람의 화살표는 동남쪽을 가리키고 있는 바, 사람은 동남쪽 방향을 향해서 움직이고 있다. 화살표가 표시되지 않은 사람은 움직이지 않고 있다는 것을 나타낸다.

또한, 자동차의 화살표 길이가 사람의 화살표 길이보다 길게 표현되어 있는 바, 자동차의 움직이는 속도가 사람의 움직이는 속도보다 크다는 것을 알 수 있다.

이와 같이, 본 발명의 실시예에서는 객체의 모양 및 운동학적 특성을 포함하는 객체특성을 반영함으로써, 보다 신뢰성 있고 안전한 지도를 생성할 수 있다.

다시 도 1을 참조하여 설명하면, 데이터베이스(150)는 다양한 객체의 정의에 대한 정보를 저장하고 있으며, 또한, 객체특성모델(OPM) 및 시스템특성모델(SPM)을 저장하고 있어, 객체특성모델(OPM) 및 시스템특성모델(SPM)을 확률분포생성부(130)에 제공한다.

이하, 도 5를 참조하여 본 발명의 실시예에 따른 확률 분포 지도 생성 방법에 대해서 살펴본다.

도 5는 본 발명의 실시예에 따른 확률 분포 지도 작성 장치가 확률 분포 지도 생성 방법을 보여주는 순서도이다.

먼저, 다양한 센서로부터 센서정보를 수집한다(S510).

이어서, 수집된 센서정보를 추론 및 통합하여 객체를 인식하고, 인식된 객체의 위치 및 속도 등을 포함하는 객체정보를 획득한다(S520).

객체정보를 이용하여, 인식된 객체가 데이터베이스(DB)에 정의되어 있는지 판단한다(S530).

이때, 인식된 객체가 데이터베이스(DB)에 정의되어 있지 않는 경우, 객체 인식 및 객체정보를 이용하여 객체 특성을 생성한다(S540).

반면에, 인식된 객체가 데이터베이스(DB)에 정의되어 있는 경우, 인식 객체 및 객체정보가 대응하며, 객체특성모델이 반영된 객체특성을 데이터베이스(DB)로부터 로드(load)한다(S550).

이때, 객체특성모델은 전술한 바와 같이, 운동학적 특성, 외형적 특성 및 확률적 특성 중 어느 하나로 구성될 수 있다.

획득된 객체특성을 반영하여 확률분포를 생성하는데, 이때, 객체특성과 함께 시스템특성이 더 반영되어 확률분포가 생성될 수도 있다(S560).

생성된 확률분포를 지도에 표현하고(S570), 확률분포가 표현된 지도를 이용하여 최적경로를 생성한다(S580).

로봇, 인공청소기 또는 무인자동차 등의 인공지능장치의 주행이 종료되었는지 판단하고(S590), 인공지능장치의 주행이 종료된 경우, 지도 작성을 종료하고, 주행이 계속 이어지는 경우, 다시 처음 단계인 센서정보수집 단계(S510)부터 확률 분포 지도 생성 단계를 시작한다.

전술한 바와 같이, 본 발명의 실시예에 따른 객체특성 및 시스템특성이 반영된 확률 분포 지도 작성 장치 및 그 방법은, 로봇이나 무인 자동차가 자율주행을 하기 위해 다양한 센서를 통해 주변 환경의 객체들을 인식한다.

또한, 인식된 객체를 이용하여 미리 저장되거나 측정된 객체특성을 반영하여 확률적 안전도를 지도에 표현한다.

이에 따라, 본 발명의 실시예에 따른 확률 분포 지도 작성 장치는, 기존의 단일 객체로 표현된 지도보다 더 큰 신뢰성이 있으며, 경로생성의 효율성 및 안정성을 높일 수 있는 효과를 제공할 수 있다.

본 발명의 실시예에서는 각 구성이 각각 다른 블록에 도시화되어 예를 들어 설명하였으나, 각각의 구성은 하나의 블록으로 구성될 수 있다. 예를 들면, 제어부 또는 프로세서 등에 구성되어 일련의 동작들을 수행할 수 있다.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

100: 확률분포지도생성장치 110: 센서정보수집부
120: 객체인식부 130: 확률분포생성부
140: 지도생성부 150: 데이터베이스
OPM: 객체특성모델 SPM: 시스템특성모델
OF: 객체정보 SI: 센서정보
PD: 확률분포

Claims

다수의 센서로부터 센서정보를 수집하는 센서정보수집부;
상기 센서정보를 통합 및 추론하여 객체를 인식하고, 상기 객체에 대한 정보인 객체정보를 획득하는 객체인식부; 및
상기 객체정보에 대응하여 운동학적 특성, 외형적 특성 및 확률적 특성 중 적어도 하나를 포함하는 객체특성모델의 적용 유무를 판단하고, 상기 객체정보에 대응하는 객체특성을 획득하여 상기 객체특성에 기반하는 확률분포를 생성하는 확률분포생성부를 포함하는 확률분포 지도 작성 장치.
청구항 1에 있어서,
상기 확률분포생성부는, 상기 객체정보가 정의되어 있는 경우, 상기 객체특성모델을 이용하여 상기 객체특성을 획득하고,
상기 객체정보가 정의되어 있지 않은 경우, 상기 객체정보를 이용하여 상기 객체특성을 획득하는 것을 특징으로 하는 확률분포 지도 작성 장치.
청구항 1에 있어서,
상기 확률분포생성부는, 상기 객체특성과 함께 시스템의 특성에 대한 모델인 시스템특성모델을 반영하여 상기 확률분포를 생성하는 확률분포 지도 작성 장치.
청구항 1에 있어서,
상기 운동학적 특성은, 상기 객체의 위치, 속도, 각위치, 각속도 및 움직임 모델 식을 포함하고, 상기 움직임 모델 식은 정의된 모델의 경우에 적용되는 확률분포 지도 작성 장치.
청구항 1에 있어서,
상기 외형적 특성은, 상기 객체를 대표할 수 있는 모양을 나타내는 것으로서, 2차원 도형 또는 3차원 도형으로 이루어지는 확률분포 지도 작성 장치.
청구항 1에 있어서,
상기 확률적 특징은, 상기 객체를 정확하게 표현할 수 있는 특성을 나타내는 것으로서, 움직임 불확실성 및 객체의 중요성 중 적어도 하나를 포함하는 확률분포 지도 작성 장치.
청구항 3에 있어서,
상기 시스템특성모델은, 시스템 주기, 로봇 속도 및 센서 불확실성 중 적어도 하나를 포함하는 확률분포 지도 작성 장치.
청구항 3에 있어서,
상기 확률분포를 지도에 표현하고, 확률분포가 표현된 상기 지도에 최적 경로를 생성하는 지도 생성부; 및
상기 객체의 정의, 상기 객체특성모델 및 상기 시스템특성모델이 저장되어 있는 데이터베이스를 더 포함하는 확률분포 지도 작성 장치.
확률 분포 지도 작성 장치의 확률 분포 지도 작성 방법에 있어서,
다수의 센서로부터 센서정보를 수집하는 단계;
상기 센서정보를 통합 및 추론하여 객체를 인식하고, 상기 객체에 대한 정보인 객체정보를 획득하는 단계; 및
상기 객체정보에 대응하여 운동학적 특성, 외형적 특성 및 확률적 특성 중 적어도 하나를 포함하는 객체특성모델의 적용 유무를 판단하고, 상기 객체정보에 대응하는 객체특성을 획득하여 상기 객체특성에 기반하는 확률분포를 생성하는 단계를 포함하는 확률분포 지도 작성 방법.
청구항 9에 있어서,
상기 확률분포를 생성하는 단계는, 상기 객체정보가 정의되어 있는 경우, 상기 객체특성모델을 이용하여 상기 객체특성을 획득하고,
상기 객체정보가 정의되어 있지 않은 경우, 상기 객체정보를 이용하여 상기 객체특성을 획득하는 것을 특징으로 하는 확률분포 지도 작성 방법.
청구항 9에 있어서,
상기 확률분포를 생성하는 단계는, 상기 객체특성과 함께 시스템의 특성에 대한 모델인 시스템특성모델을 반영하여 이루어지는 확률분포 지도 작성 방법.
청구항 9에 있어서,
상기 운동학적 특성은, 상기 객체의 위치, 속도, 각위치, 각속도 및 움직임 모델 식을 포함하고, 상기 움직임 모델 식은 정의된 모델의 경우에 적용되는 확률분포 지도 작성 방법.
청구항 9에 있어서,
상기 외형적 특성은, 상기 객체를 대표할 수 있는 모양을 나타내는 것으로서, 2차원 도형 또는 3차원 도형으로 이루어지는 확률분포 지도 작성 방법.
청구항 9에 있어서,
상기 확률적 특징은, 상기 객체를 정확하게 표현할 수 있는 특성을 나타내는 것으로서, 움직임 불확실성 및 객체의 중요성 중 적어도 하나를 포함하는 확률분포 지도 작성 방법.
청구항 11에 있어서,
상기 시스템특성모델은, 시스템 주기, 로봇 속도 및 센서 불확실성 중 적어도 하나를 포함하는 확률분포 지도 작성 방법.
청구항 11에 있어서,
상기 확률분포를 지도에 표현하고, 확률분포가 표현된 상기 지도에 최적 경로를 생성하는 단계를 더 포함하는 확률분포 지도 작성 방법.