KR20150041335A - 차량 인지 장치 및 방법 - Google Patents

차량 인지 장치 및 방법 Download PDF

Info

Publication number
KR20150041335A
KR20150041335A KR20130119734A KR20130119734A KR20150041335A KR 20150041335 A KR20150041335 A KR 20150041335A KR 20130119734 A KR20130119734 A KR 20130119734A KR 20130119734 A KR20130119734 A KR 20130119734A KR 20150041335 A KR20150041335 A KR 20150041335A
Authority
KR
South Korea
Prior art keywords
point
vehicle
shape
point cloud
reception sensitivity
Prior art date
Application number
KR20130119734A
Other languages
English (en)
Other versions
KR101534927B1 (ko
Inventor
오영철
허명선
Original Assignee
현대자동차주식회사
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 현대자동차주식회사 filed Critical 현대자동차주식회사
Priority to KR1020130119734A priority Critical patent/KR101534927B1/ko
Priority to CN201310726929.8A priority patent/CN104517281B/zh
Priority to US14/144,257 priority patent/US9296393B2/en
Publication of KR20150041335A publication Critical patent/KR20150041335A/ko
Application granted granted Critical
Publication of KR101534927B1 publication Critical patent/KR101534927B1/ko

Links

Images

Classifications

    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • 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
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • 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
    • G01S17/66—Tracking systems using electromagnetic waves other than radio waves
    • 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
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • 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
    • 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
    • G01S7/4808—Evaluating distance, position or velocity data
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • 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
    • B60W2554/801—Lateral distance
    • 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
    • B60W2554/804—Relative longitudinal speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 차량 인지 장치 및 방법에 관한 것으로, 본 발명에 따른 장치는 라이더(LiDAR)를 이용하여 감지한 전방 물체에 대한 포인트 클라우드 데이터를 제공하는 센서, 상기 센서로부터 제공된 포인트 클라우드 데이터를 분석하여 상기 전방 물체에 대한 형상을 결정하는 형상 결정부, 상기 차량의 형상을 기준으로 상기 센서에 의해 제공된 각 포인트 클라우드의 수신감도 변화를 분석하는 수신감도 분석부, 상기 각 포인트 클라우드의 수신감도 변화에 따라 상기 전방 물체가 차량인지를 판단하는 판단부, 및 상기 판단부의 판단 결과에 근거하여 전방의 차량을 인지하고 검출하는 검출부를 포함한다.

Description

차량 인지 장치 및 방법{Apparatus and method for recognizing of vehicle}
본 발명은 차량 인지 장치 및 방법에 관한 것으로, 더욱 상세하게는 LiDAR 센서 기반으로 전방의 차량을 인지하는 기술에 관한 것이다.
일반적으로, 차량 제어에서 전방 차량의 인지 정보, 전방 차량의 거리 및 속도에 대한 정보는 차간 거리 제어 등에서 많이 이용되고 있다.
차간 거리 제어는 대부분 레이더를 이용하고 있으나, 이는 전방 물체가 차량임을 정확히 판단할 수 없고 단지 속도만을 이용해서 차량을 판단해야 한다. 따라서, 저속 주행 차량이라 정지 차량의 경우에는 차량인지 아닌지를 정확히 판단할 수 없다.
이에, 영상 기반으로 차량을 검출하는 기술이 적용되고 있으나, 이는 영상으로부터 차량을 검출하기 위해 많은 연산 처리가 필요하고, 야간 또는 터널안과 같이 주변이 어두운 경우에는 영상으로부터 차량을 인지하는 정확도가 저하되게 된다.
따라서, 레이더와 영상 기술을 결합하여 전방의 차량을 검출하기도 하지만, 마찬가지로 야간에 저속으로 주행하거나, 정지된 차량에 대해서는 정확한 식별이 어렵다.
본 발명의 목적은, 단일의 LiDAR 센서를 이용하여 전방 물체를 분류함으로써 신속하게 전방 차량 인지가 가능하도록 하는 차량 인지 장치 및 방법을 제공함에 있다.
상기의 목적을 달성하기 위한 본 발명에 따른 차량 인지 장치는, 라이더(LiDAR)를 이용하여 감지한 전방 물체에 대한 포인트 클라우드 데이터를 제공하는 센서, 상기 센서로부터 제공된 포인트 클라우드 데이터를 분석하여 상기 전방 물체에 대한 형상을 결정하는 형상 결정부, 상기 차량의 형상을 기준으로 상기 센서에 의해 제공된 각 포인트 클라우드의 수신감도 변화를 분석하는 수신감도 분석부, 상기 각 포인트 클라우드의 수신감도 변화에 따라 상기 전방 물체가 차량인지를 판단하는 판단부, 및 상기 판단부의 판단 결과에 근거하여 전방의 차량을 인지하고 검출하는 검출부를 포함하는 것을 특징으로 한다.
상기 형상 결정부는, 상기 포인트 클라우드 데이터를 클러스터링 하고 각 포인트를 트래킹하여 상기 전방에 대한 크기 및 속도를 추정하는 것을 특징으로 한다.
상기 형상 결정부는, 상기 포인트 클라우드 데이터로부터 스타트 포인트와 엔드 포인트를 연결하는 벡터와 각 포인트들 간 거리를 계산하여 피크값을 갖는 피크 포인트를 검출하는 것을 특징으로 한다.
상기 형상 결정부는, 상기 포인트 클라우드 데이터로부터 스타트 포인트와 엔드 포인트 사이의 거리, 상기 스타트 포인트와 엔드 포인트를 연결하는 벡터와 각 포인트 간 거리의 피크값, 클러스터링 영역의 길이(height) 및 폭(width)에 근거하여 상기 포인트 클라우드의 형상을 직각 타입, 직선 타입 및 곡선 타입 중 어느 하나로 결정하는 것을 특징으로 한다.
상기 판단부는, 상기 전방 물체에 대한 포인트 클라우드의 형상이 직각 타입 또는 직선 타입인지 판단하여 상기 전방 물체를 차량으로 1차 분류하는 것을 특징으로 한다.
상기 수신감도 분석부는, 상기 차량으로 1차 분류된 전방 물체에 대하여 상기 포인트 클라우드의 형상이 직각 타입인 경우, 피크 포인트 주변의 신호수신감도(RSSI)를 샘플링하여 미분하는 것을 특징으로 한다.
상기 판단부는, 상기 피트 포인트 주변의 신호수신감도를 샘플링하여 미분한 값이 피크 인덱스 근처 값이면 해당 물체를 차량으로 최종 분류하는 것을 특징으로 한다.
상기 수신감도 분석부는, 상기 차량으로 1차 분류된 전방 물체에 대하여 상기 포인트 클라우드의 형상이 직선 타입인 경우, 스타트 포인트 및 엔드 포인트 주변의 신호수신감도를 샘플링하여 미분하는 것을 특징으로 한다.
상기 판단부는, 상기 스타트 포인트 및 엔드 포인트 주변의 신호수신감도를 샘플링하여 미분한 값이 경계값 이상이고, 스타트 인덱스 및 엔드 인덱스의 근처 값이면 해당 물체를 차량으로 최종 분류하는 것을 특징으로 한다.
상기 판단부는, 상기 스타트 포인트 및 엔드 포인트 주변의 신호수신감도를 샘플링하여 미분한 값이 경계값 이상이며, 상기 스타트 인덱스 및 엔드 인덱스 중 어느 하나의 근처값이고, 포인트 클라우드의 속도가 임계치 이상이면 해당 물체를 차량으로 최종 분류하는 것을 특징으로 한다.
한편, 상기의 목적을 달성하기 위한 본 발명에 따른 차량 인지 방법은, 라이더(LiDAR) 센서를 통해 감지된 전방 물체에 대한 포인트 클라우드 데이터를 수신하는 단계, 상기 수신된 포인트 클라우드 데이터를 분석하여 해당 포인트 클라우드에 대한 형상을 결정하는 단계, 상기 포인트 클라우드의 형상에 따라 상기 전방 물체를 차량으로 1차 분류하는 단계, 상기 차량으로 1차 분류된 물체에 대한 포인트 클라우드의 형상에 따라 특정 포인트 주변의 수신감도 변화량을 분석하는 단계, 상기 포인트 클라우드의 각 포인트에 대한 수신감도 변화량에 따라 해당 물체를 차량으로 최종 분류하는 단계, 및 상기 최종 분류된 전방 물체를 차량으로 인지하여 검출하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따르면, LiDAR 센서를 이용하여 물체를 분류하고 전방의 차량을 인지함으로써 영상을 통해 전방 차량을 인지하는 것에 비해 신속한 차량 인지가 가능한 이점이 있다.
또한, 본 발명에 따르면, 단일의 LiDAR 센서를 이용하여 차량을 인지함으로써 센서 구성을 단순화하여 시스템 구현이 용이하며, 영상처리를 위한 고가의 ECU를 구현하지 않아도 되므로 비용 절감의 효과가 있다.
도 1은 본 발명에 따른 차량 인지 장치의 구성을 도시한 블록도이다.
도 2 내지 도 5는 본 발명에 따른 차량 인지 장치의 동작 설명에 참조되는 예시도이다.
도 6은 본 발명에 따른 차량 인지 방법에 대한 동작 흐름을 도시한 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 설명하도록 한다.
도 1은 본 발명에 따른 차량 인지 장치의 구성을 설명하는데 참조되는 도이다. 도 1을 참조하면, 본 발명에 따른 차량 인지 장치는 신호 처리부(110), 센서(120), 출력부(130), 저장부(140), 형상 결정부(150), 수신감도 분석부(160), 판단부(170) 및 인지부를 포함한다. 여기서, 신호 처리부(110)는 차량 인지 장치의 각 부간에 전달되는 신호를 처리한다.
센서(120)는 전방 물체를 감지하는 수단으로서, 본 발명에서는 라이더(LiDAR) 기반으로 물체를 감지하는 라이더 센서가 적용된다.
여기서, LiDAR는 'Light Detection And Ranging'의 약자로, 레이더(Radar)와 동일한 원리를 이용하여 레이저를 통해 사물에 직접적인 접촉 없이 원하는 정보를 취득하는 능동형 탐사 장치이다. 일반적으로 라이더는 위성측위시스템(Global Positioning System: GPS)과 관성항법유도장치(Inertial Navigation System: INS)를 장착한 항공기에 탑재해 정밀한 3차원 지형정보(Digital Elevation Model: DEM)의 취득뿐만 아니라 해안선 및 얕은 수심의 해저지형까지도 측량이 가능한 기술이다.
이러한 라이더 기반의 센서(120), 즉, 라이더 센서는 주변의 환경을 측정하고 각각의 수직각도와 수평회전에 따른 점 정보의 집합, 즉, 포인트 클라우드 데이터(point cloud data)를 제공한다.
출력부(130)는 차량 인지 장치의 동작 상태 및 동작 결과를 출력하는 수단이다. 여기서, 출력부(130)는 차량에 구비된 모니터 및 내비게이션 화면 등과 같은 디스플레이수단일 수 있으며, 스피커 및 부저와 같은 음성출력수단일 수 있다. 또한, 출력부(130)는 해당 정보를 유선 또는 무선으로 연결된 외부기기로 제공하는 별도의 출력단자일 수도 있다.
저장부(140)는 차량 인지 장치의 동작을 위한 설정값이 저장될 수 있으며, 센서(120)에 의해 취득된 전방 물체에 대한 포인트 클라우드 데이터가 저장될 수 있다. 또한, 저장부(140)에는 포인트 클라우드 데이터에 대한 차량 인지 장치의 각 부에서의 처리 조건 및 처리 결과 등이 저장될 수 있다.
형상 결정부(150)는 센서(120)로부터 제공된 포인트 클라우드 데이터를 분석하여 전방 물체에 대한 형상을 결정한다. 구체적으로, 형상 결정부(150)는 센서(120)로부터 제공된 포인트 클라우드 데이터를 클러스터링하여 전방 물체의 포인트 클라우드에 대한 크기를 추정할 수 있다. 또한, 형상 결정부(150)는 센서(120)로부터 제공된 포인트 클라우드 데이터를 트래킹하여 전방 물체의 포인트 클라우드에 대한 속도를 추정할 수 있다.
이때, 형상 결정부(150)는 포인트 클라우드 데이터로부터 스타트 포인트와 엔드 포인트를 연결하는 벡터와 각 포인트 간 거리를 계산하여 피크값을 갖는 피크 포인트를 검출할 수 있다.
더욱이, 형상 결정부(150)는 포인트 클라우드 데이터로부터 각 포인트의 위치에 따라 포인트 클라우드의 형상을 결정한다. 이때, 형상 결정부(150)는 포인트 클라우드 데이터로부터 스타트 포인트와 엔드 포인트 사이의 거리, 스타트 포인트와 엔드 포인트를 연결하는 벡터와 각 포인트 간 거리의 피크값, 클러스터링 영역의 길이(height) 및 폭(width)에 근거하여 포인트 클라우드의 형상을 결정한다.
여기서, 포인트 클라우드의 형상은 직각 형태의 직각 타입(이하 'L' type, 직선 형태의 직선 타입(이하 'S' type) 및 곡선 형태의 곡선 타입(이하 'C' type) 중 어느 하나로 해당 포인트 클라우드의 형상을 결정한다.
일 예로서, 형상 결정부(150)는 포인트 클라우드 데이터로부터 스타트 포인트와 엔드 포인트 사이의 거리(D), 스타트 포인트와 엔드 포인트를 연결하는 벡터와 각 포인트 간 거리의 피크값(PeakValue), 클러스터링 영역의 길이(Height) 및 폭(width)이 아래 [수학식 1]의 조건을 만족하는 경우에 L type로 결정한다.
Figure pat00001
한편, 형상 결정부(150)는 포인트 클라우드 데이터로부터 스타트 포인트와 엔드 포인트 사이의 거리(D), 스타트 포인트와 엔드 포인트를 연결하는 벡터와 각 포인트 간 거리의 피크값, 클러스터링 영역의 길이(Height) 및 폭(width)이 [수학식 1]의 조건을 만족하지 않는 경우에 [수학식 2]의 조건을 만족하면 S type로 결정한다.
Figure pat00002
한편, 형상 결정부(150)는 포인트 클라우드 데이터로부터 스타트 포인트와 엔드 포인트 사이의 거리(D), 스타트 포인트와 엔드 포인트를 연결하는 벡터와 각 포인트 간 거리의 피크값(PeakValue), 클러스터링 영역의 길이(Height) 및 폭(width)이 [수학식 1], [수학식 2]의 조건을 모두 만족하지 않는 경우 C type로 결정한다.
형상 결정부(150)에서 포인트 클라우드의 형상을 결정하는 구체적인 동작은 도 4a 내지 도 4c의 실시예를 참조하여 보다 상세히 설명하도록 한다.
수신감도 분석부(160)는 차량의 형상을 기준으로 센서(120)에 의해 제공된 포인트 클라우드 데이터의 각 포인트에 대한 수신감도 변화를 분석한다.
센서(120)에 의해 감지된 신호는 포인트 클라우드 데이터의 각 포인트가 위치한 부분의 색상 및 재질 등에 따라 신호수신감도(Recieved Signal Strength Indicator, RSSI)가 달라지게 된다. 따라서, 수신감도 분석부(160)는 차량의 차체 표면, 램프 등에 반사된 신호의 수신감도를 샘플링하여 미분하는 것으로서 수신감도 변화량을 분석한다.
일 예로서, 수신감도 분석부(160)는 차량으로 1차 분류된 전방 물체에 대하여 포인트 클라우드의 형상이 L type인 경우, 피크 포인트(peak point) 주변의 신호수신감도(RSSI)를 샘플링하여 미분한다. 또한, 수신감도 분석부(160)는 차량으로 1차 분류된 전방 물체에 대하여 포인트 클라우드의 형상이 S type인 경우, 포인트 클라우드의 각 포인트 중 스타트 포인트(start point) 및 엔드 포인트(end point) 주변의 신호수신감도(RSSI)를 샘플링하여 미분한다.
수신감도 분석부(160)에 의해 분석된 포인트 클라우드의 포인트들에 대한 수신감도 변화량은 전방 물체에 대해 차량임을 최종 판단하는데 이용될 수 있다.
판단부(170)는 형상 결정부(150)에 의해 전방 물체의 형상이 결정되면 해당 물체의 형상에 근거하여 1차적으로 차량을 분류하고, 1차적으로 차량으로 분류된 물체에 대하여 포인트들의 수신감도 변화량에 근거하여 최종적으로 차량을 분류한다.
다시 말해, 판단부(170)는 형상 결정부(150)에 의해 결정된 전방 물체에 대한 포인트 클라우드의 형상이 C type인 경우, 전방 물체를 가드레일 또는 건물 외벽과 같이 차량이 아닌 물체로 분류한다. 반면, 판단부(170)는 형상 결정부(150)에 의해 결정된 전방 물체에 대한 포인트 클라우드의 형상이 L type 또는 S type인 경우에 해당 전방 물체를 차량으로 1차 분류하도록 한다.
또한, 판단부(170)는 차량으로 1차 분류된 전방 물체에 대하여 포인트 클라우드의 형상에 따라 특정 포인트 주변에 대한 수신감도 분석부(160)의 분석 결과에 근거하여 최종 차량을 분류한다.
다시 말해, 판단부(170)는 차량으로 1차 분류된 전방 물체에 대하여 포인트 클라우드의 형상이 L type인 경우, 포인트 클라우드 중 피크 포인트 주변에 대한 신호수신감도를 샘플링하여 미분한 값의 절대값 중 최대값이 피크 인덱스(peak index) 근처 값이면 해당 물체를 차량으로 최종 분류한다.
한편, 판단부(170)는 차량으로 1차 분류된 전방 물체에 대하여 포인트 클라우드의 형상이 S type인 경우, 포인트 클라우드 중 스타트 포인트 및 엔드 포인트 주변에 대한 신호수신감도를 미분한 값의 절대값 중 최대값이 임계치 이상이고, 스타트 인덱스(start index) 및 엔드 인덱스(end index)의 근처 값이면 해당 물체를 차량으로 최종 분류한다.
검출부(180)는 판단부(170)의 판단 결과에 근거하여 최종 차량으로 분류된 전방 물체를 차량으로 인지하고, 해당 차량을 검출한다. 이때 검출된 차량 정보는 출력부(130)를 통해 출력되게 된다.
도 2 내지 도 5는 본 발명에 따른 차량 인지 장치의 동작 설명에 참조되는 예시도이다.
먼저, 도 2는 센서로부터 제공된 포인트 클라우드 데이터를 나타낸 것이다. 도 2에 도시된 바와 같이, 본 발명에 적용되는 라이더 센서는 레이더(Radar)와 동일한 원리를 이용하여 레이저를 통해 주변의 정보를 취득하고, 취득한 정보를 각각의 수직각도와 수평회전에 따른 점 정보를 집합하여 도 2와 같은 포인트 클라우드 데이터를 제공한다. 이때, 포인트 클라우드 데이터는 자차 주변의 차량에 대한 포인트 클라우드를 포함할 수 있으며, 차량이 아닌 가드레일 또는 건물 등에 대한 포인트 클라우드를 포함할 수도 있다.
도 3a 및 도 3b는 포인트 클라우드에 대한 수신감도 변화량을 도시한 예시도이다. 여기서, 도 3a는 전방 차량으로부터 획득한 포인트 클라우드를 나타낸 것이고, 도 3b는 도 3a의 포인트 클라우드에 대한 수신감도 변화량을 나타낸 것이다.
도 3a 및 도 3b를 참조하면, 본 발명에 적용된 라이더 센서에 의해 감지된 신호는 도 3a에 도시된 각 포인트가 위치한 부분의 색상 및 재질 등에 따라 신호수신감도가 다르다. 다시 말해, 차체의 표면에 반사된 신호와 램프에 반사된 신호의 수신감도는 달라질 수 있다. 또한, 차체에 반사된 신호와 도로 등에 반사된 신호의 수신감도는 달라질 수 있다.
따라서, 도 3a의 차체 후면에 반사된 신호의 수신감도는 도 3b와 같이 변화가 없지만, 차체 양측의 후방등에 반사된 신호의 수신감도는 중앙의 후면에 반사된 신호와 수신감도가 달라짐을 확인할 수 있다.'
이와 같이, 본 발명에 따른 차량 인지 장치는 차량에 반사된 신호의 수신감도 변화량에 근거하여 감지 물체를 차량으로 분류하는 것이 가능하게 된다.
도 4a 내지 도 4c는 포인트 클라우드의 형상을 각 타입별로 나타낸 것이다.
먼저, 도 4a는 L type의 포인트 클라우드를 나타낸 것이고, 도 4b는 S type의 포인트 클라우드를 나타낸 것이며, 도 4c는 C type의 포인트 클라우드를 나타낸 것이다.
도 4a를 참조하면, '411'은 센서에 의해 감지된 물체, '413'은 포인트 플라우드의 각 포인트, 그리고 '415'는 포인트 클라우드에 대한 클러스터링 영역을 나타낸 것이다. 도 4a와 같은 L type의 경우, 스타트 포인트 및 엔드 포인트의 수평적/수직적 위치가 상이하고, 피크 포인트를 중심으로 90도 방향으로 각 포인트들이 스타트 포인트와 일렬로 배치되거나, 엔드 포인트와 일렬로 배치되는 형태를 갖는다.
따라서, 차량 인지 장치는 도 4a와 같은 포인트 클라우드 데이터로부터 해당 물체의 형상을 결정하게 된다. L type의 경우 차체 또는 건물 등과 같이 직각 형태로 이루어진 물체에서 감지될 수 있다.
한편, 도 4b를 참조하면, '421'은 센서에 의해 감지된 물체, '423'은 포인트 플라우드의 각 포인트, 그리고 '425'는 포인트 클라우드에 대한 클러스터링 영역을 나타낸 것이다. 도 4b와 같은 S type의 경우, 스타트 포인트 및 엔드 포인트의 수평적 위치가 같고, 각 포인트들이 스타트 포인트와 엔드 포인트 사이에 일렬로 배치되는 형태를 갖는다.
따라서, 차량 인지 장치는 도 4b와 같은 포인트 클라우드 데이터로부터 해당 물체의 형상을 결정하게 된다. S type의 경우에도 차체 또는 건물 등과 같이 일면 편평한 형태로 이루어진 물체에서 감지될 수 있다.
한편, 도 4c를 참조하면, '431'은 센서에 의해 감지된 물체, '433'은 포인트 플라우드의 각 포인트, 그리고 '435'는 포인트 클라우드에 대한 클러스터링 영역을 나타낸 것이다. 도 4c와 같은 C type의 경우, 스타트 포인트 및 엔드 포인트의 수평적/수직적 위치는 달라질 수 있다. 다만, 각 포인트들이 스타트 포인트와 엔드 포인트 사이에 곡선 형태로 배치된다.
따라서, 차량 인지 장치는 도 4c와 같은 포인트 클라우드 데이터로부터 해당 물체의 형상을 결정하게 된다. C type의 경우, 각진 형태의 차량 또는 건물 등에서는 감지될 수 있는 형태가 아니고, 가드레일이나 구부러진 건물 또는 방음벽의 표면에서 감지될 수 있다. 따라서, 포인트 클라우드의 형상이 C type인 경우에는 1차 분류 단계에서 차량이 아닌 것으로 분류한다.
도 5는 포인트 클라우드의 각 포인트에 대한 피크 포인트를 검출하는 동작을 설명하는데 참조되는 예시도이다.
도 5를 참조하면, 스타트 포인트와 엔드 포인트 간 거리는 D이고, 포인트 클라우드 데이터로부터 스타트 포인트와 엔드 포인트를 연결하는 벡터와 포인트 클라우드의 각 포인트 간 거리를 계산하여 그 거리가 피크값이 되는 포인트를 피크 포인트로 검출할 수 있다.
여기서, 피크값은 아래 [수학식 3]과 같이 산출할 수 있다.
Figure pat00003
여기서, peakvalue는 피크값, dist는 스타트 포인트와 엔드 포인트를 연결하는 벡터와 포인트 클라우드의 각 포인트 간 거리, start는 포인트 클라우드의 포인트들 중 스타트 포인트, end는 엔드 포인트를 의미한다.
[수학식 3]에서와 같이, 차량 인지 장치는 스타트 포인트 다음 순서의 포인트와, 엔드 포인트 이전 순서의 포인트와 스타트 포인트와 엔드 포인트를 연결하는 벡터 간 거리를 산출하고, 다시 그 다음 또는 이전 순서의 포인트와 스타트 포인트와 엔드 포인트를 연결하는 벡터 간 거리를 산출하여, 거리값이 피크가 되는 값을 피크값으로 하고, 해당 포인트를 피크 포인트로 정하도록 한다.
이때, 스타트 포인트와 엔드 포인트를 연결하는 벡터와 피크 포인트 간 거리값은 전방 물체의 형상을 결정하는데 적용되게 된다.
상기와 같이 구성되는 본 발명에 따른 차량 인지 장치의 동작 흐름을 보다 상세히 설명하면 다음과 같다.
도 6은 본 발명에 따른 차량 인지 방법에 대한 동작 흐름을 도시한 순서도이다. 도 6을 참조하면, 본 발명에 따른 차량 인지 장치는 라이더(LiDAR) 센서를 통해 신호를 수신하고(S100), 이를 통해 전방 물체를 감지한다. 여기서, 라이더 센서는 전방 물체에 대한 포인트 클라우드 데이터를 제공한다.
따라서, 차량 인지 장치는 라이더 센서로부터의 포인트 클라우드 데이터를 클러스터링 하여 전방 물체의 크기를 추정하고(S110), 트래킹 하여 전방 물체의 속도를 추정한다(S120).
또한, 차량 인지 장치는 포인트 클라우드 데이터로부터 스타트 포인트와 엔드 포인트 사이의 거리, 스타트 포인트와 엔드 포인트를 연결하는 벡터와 각 포인트 간 거리의 피크값, 클러스터링 영역의 길이(height) 및 폭(width)에 근거하여 포인트 클라우드의 형상을 결정한다(S130). 이때, 차량 인지 장치는 포인트 클라우드의 형상을 직각 타입, 직선 타입 및 곡선 타입 중 어느 하나로 결정할 수 있다.
이때, 차량 인지 장치는 'S130' 과정에서 결정된 형상에 따라 전방 물체에 대하여 1차적으로 차량을 분류한다(S140).
이후, 차량 인지 장치는 1차 분류된 물체에 대하여 'S130' 과정에서 결정된 형상에 따라 스타트 포인트 및 엔드 포인트 주변, 혹은 피크 포인트 주변의 신호수신감도를 분석하고(S150), 신호수신감도의 변화량에 따라 해당 물체를 차량으로 판단할 수 있다(S160).
따라서, 차량 인지 장치는 최종적으로 차량으로 분류된 물체를 차량으로 인지하게 된다(S170).
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110: 신호 처리부 120: 센서
130: 출력부 140: 저장부
150: 형상 결정부 160: 수신감도 분석부
170: 판단부 180: 검출부

Claims (13)

  1. 라이더(LiDAR)를 이용하여 감지한 전방 물체에 대한 포인트 클라우드 데이터를 제공하는 센서;
    상기 센서로부터 제공된 포인트 클라우드 데이터를 분석하여 상기 전방 물체에 대한 형상을 결정하는 형상 결정부;
    상기 차량의 형상을 기준으로 상기 센서에 의해 제공된 포인트 클라우드 데이터의 각 포인트에 대한 수신감도 변화를 분석하는 수신감도 분석부;
    상기 전방 물체에 대한 형상 및 포인트 클라우드의 포인트들에 대한 수신감도 변화에 따라 상기 전방 물체가 차량인지를 판단하는 판단부; 및
    상기 판단부의 판단 결과에 근거하여 상기 전방 물체를 차량으로 인지하고 검출하는 검출부를 포함하는 것을 특징으로 하는 차량 인지 장치.
  2. 청구항 1에 있어서,
    상기 형상 결정부는,
    상기 포인트 클라우드 데이터를 클러스터링 하고 각 포인트를 트래킹하여 상기 전방에 대한 크기 및 속도를 추정하는 것을 특징으로 하는 차량 인지 장치.
  3. 청구항 1에 있어서,
    상기 형상 결정부는,
    상기 포인트 클라우드 데이터로부터 스타트 포인트와 엔드 포인트를 연결하는 벡터와 각 포인트들 간 거리를 계산하여 피크값을 갖는 피크 포인트를 검출하는 것을 특징으로 하는 차량 인지 장치.
  4. 청구항 3에 있어서,
    상기 형상 결정부는,
    상기 포인트 클라우드 데이터로부터 스타트 포인트와 엔드 포인트 사이의 거리, 상기 스타트 포인트와 엔드 포인트를 연결하는 벡터와 각 포인트 간 거리의 피크값, 클러스터링 영역의 길이(height) 및 폭(width)에 근거하여 상기 포인트 클라우드의 형상을 직각 타입, 직선 타입 및 곡선 타입 중 어느 하나로 결정하는 것을 특징으로 하는 차량 인지 장치.
  5. 청구항 4에 있어서,
    상기 판단부는,
    상기 전방 물체에 대한 포인트 클라우드의 형상이 직각 타입 또는 직선 타입인지 판단하여 상기 전방 물체를 차량으로 1차 분류하는 것을 특징으로 하는 차량 인지 장치.
  6. 청구항 5에 있어서,
    상기 수신감도 분석부는,
    상기 차량으로 1차 분류된 전방 물체에 대하여 상기 포인트 클라우드의 형상이 직각 타입인 경우, 피크 포인트 주변의 신호수신감도(RSSI)를 샘플링하여 미분하는 것을 특징으로 하는 차량 인지 장치.
  7. 청구항 6에 있어서,
    상기 판단부는,
    상기 피트 포인트 주변의 신호수신감도를 샘플링하여 미분한 값이 피크 인덱스 근처 값이면 해당 물체를 차량으로 최종 분류하는 것을 특징으로 하는 차량 인지 장치.
  8. 청구항 5에 있어서,
    상기 수신감도 분석부는,
    상기 차량으로 1차 분류된 전방 물체에 대하여 상기 포인트 클라우드의 형상이 직선 타입인 경우, 스타트 포인트 및 엔드 포인트 주변의 신호수신감도를 샘플링하여 미분하는 것을 특징으로 하는 차량 인지 장치.
  9. 청구항 8에 있어서,
    상기 판단부는,
    상기 스타트 포인트 및 엔드 포인트 주변의 신호수신감도를 샘플링하여 미분한 값이 임계치 이상이고, 스타트 인덱스 및 엔드 인덱스의 근처 값이면 해당 물체를 차량으로 최종 분류하는 것을 특징으로 하는 차량 인지 장치.
  10. 청구항 8에 있어서,
    상기 판단부는,
    상기 스타트 포인트 및 엔드 포인트 주변의 신호수신감도를 샘플링하여 미분한 값이 임계치 이상이며, 상기 스타트 인덱스 및 엔드 인덱스 중 어느 하나의 근처 값이고, 포인트 클라우드의 속도가 임계치 이상이면 해당 물체를 차량으로 최종 분류하는 것을 특징으로 하는 차량 인지 장치.
  11. 라이더(LiDAR) 센서를 통해 감지된 전방 물체에 대한 포인트 클라우드 데이터를 수신하는 단계;
    상기 수신된 포인트 클라우드 데이터를 분석하여 해당 포인트 클라우드에 대한 형상을 결정하는 단계;
    상기 포인트 클라우드의 형상에 따라 상기 전방 물체를 차량으로 1차 분류하는 단계;
    상기 차량으로 1차 분류된 물체에 대한 포인트 클라우드의 형상에 따라 특정 포인트 주변의 수신감도 변화량을 분석하여 상기 수신감도 변화량에 따라 해당 물체를 차량으로 최종 분류하는 단계; 및
    상기 최종 분류된 전방 물체를 차량으로 인지하여 검출하는 단계를 포함하는 것을 특징으로 하는 차량 인지 방법.
  12. 청구항 11에 있어서,
    상기 형상을 결정하는 단계는,
    상기 포인트 클라우드 데이터로부터 스타트 포인트와 엔드 포인트 사이의 거리, 상기 스타트 포인트와 엔드 포인트를 연결하는 벡터와 각 포인트 간 거리의 피크값, 클러스터링 영역의 길이(height) 및 폭(width)에 근거하여 상기 포인트 클라우드의 형상을 직각 타입, 직선 타입 및 곡선 타입 중 어느 하나로 결정하는 단계를 포함하는 것을 특징으로 하는 차량 인지 방법.
  13. 청구항 12에 있어서,
    상기 차량으로 최종 분류하는 단계는,
    상기 전방 물체에 대한 포인트 클라우드의 형상이 직각 타입 또는 직선 타입인지 판단하여 상기 전방 물체를 차량으로 1차 분류하는 것을 특징으로 하는 차량 인지 방법.
KR1020130119734A 2013-10-08 2013-10-08 차량 인지 장치 및 방법 KR101534927B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020130119734A KR101534927B1 (ko) 2013-10-08 2013-10-08 차량 인지 장치 및 방법
CN201310726929.8A CN104517281B (zh) 2013-10-08 2013-12-25 用于识别车辆的设备和方法
US14/144,257 US9296393B2 (en) 2013-10-08 2013-12-30 Apparatus and method for recognizing vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130119734A KR101534927B1 (ko) 2013-10-08 2013-10-08 차량 인지 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20150041335A true KR20150041335A (ko) 2015-04-16
KR101534927B1 KR101534927B1 (ko) 2015-07-07

Family

ID=52776713

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130119734A KR101534927B1 (ko) 2013-10-08 2013-10-08 차량 인지 장치 및 방법

Country Status (3)

Country Link
US (1) US9296393B2 (ko)
KR (1) KR101534927B1 (ko)
CN (1) CN104517281B (ko)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105911553B (zh) * 2016-04-15 2019-01-01 北京信息科技大学 一种道路可行域确定方法及系统
CN106228602A (zh) * 2016-07-21 2016-12-14 北京奇虎科技有限公司 三维车辆备选区域的确定方法、装置及车载设备
TWI617997B (zh) * 2016-08-01 2018-03-11 Chunghwa Telecom Co Ltd Intelligent object detection assistance system and method
CN106240454B (zh) * 2016-08-10 2020-02-04 北京奇虎科技有限公司 提供车辆碰撞预警的系统及车载设备
CN106080397B (zh) * 2016-08-25 2019-11-26 北京奇虎科技有限公司 自适应巡航系统及车载设备
US10031231B2 (en) * 2016-09-12 2018-07-24 Delphi Technologies, Inc. Lidar object detection system for automated vehicles
EP3315998B1 (en) * 2016-10-25 2021-12-08 KNORR-BREMSE Systeme für Nutzfahrzeuge GmbH Apparatus and method for determining a speed of a vehicle
DE102017201490A1 (de) * 2017-01-31 2018-08-02 Robert Bosch Gmbh Verfahren zur Überwachung des Umfeldes eines Kraftfahrzeugs
JP6489589B2 (ja) * 2017-05-24 2019-03-27 三菱電機株式会社 レーダ信号処理装置
TWI665114B (zh) * 2017-08-25 2019-07-11 Institute For Information Industry 車輛行駛偵測方法及車輛行駛偵測系統
EP3525000B1 (en) * 2018-02-09 2021-07-21 Bayerische Motoren Werke Aktiengesellschaft Methods and apparatuses for object detection in a scene based on lidar data and radar data of the scene
CN109270543A (zh) * 2018-09-20 2019-01-25 同济大学 一种对目标车辆周围车辆位置信息检测的系统和方法
CN109212541A (zh) * 2018-09-20 2019-01-15 同济大学 基于车辆直角型特征和激光雷达的高精度车辆检测系统
CN111860060A (zh) * 2019-04-29 2020-10-30 顺丰科技有限公司 目标检测方法、装置、终端设备及计算机可读存储介质
CN110220529B (zh) * 2019-06-17 2023-05-23 深圳数翔科技有限公司 一种路侧自动驾驶车辆的定位方法
WO2021002504A1 (ko) * 2019-07-03 2021-01-07 엘지전자 주식회사 차량용 전자 장치 및 차량용 전자 장치의 동작 방법
RU2769921C2 (ru) * 2019-11-21 2022-04-08 Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" Способы и системы для автоматизированного определения присутствия объектов
US20230109909A1 (en) * 2021-10-07 2023-04-13 Motional Ad Llc Object detection using radar and lidar fusion

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61108793A (ja) * 1984-11-01 1986-05-27 三菱レイヨン株式会社 短繊維配向連続シ−トの製造方法
JP4070437B2 (ja) 2001-09-25 2008-04-02 ダイハツ工業株式会社 前方車両認識装置及び認識方法
JP3736521B2 (ja) * 2002-12-19 2006-01-18 株式会社デンソー 車両用物体認識装置
KR100954621B1 (ko) 2005-02-23 2010-04-27 파나소닉 전공 주식회사 자동운전차량 및 평면 장애물인식방법
JP5187878B2 (ja) 2007-01-31 2013-04-24 国立大学法人 東京大学 物体測定システム
US20090232388A1 (en) * 2008-03-12 2009-09-17 Harris Corporation Registration of 3d point cloud data by creation of filtered density images
JP5470886B2 (ja) * 2009-02-12 2014-04-16 トヨタ自動車株式会社 物体検出装置
US8699755B2 (en) * 2009-02-20 2014-04-15 Navteq B.V. Determining travel path features based on retroreflectivity
JP5540426B2 (ja) * 2009-06-26 2014-07-02 横浜ゴム株式会社 タイヤ状態監視システム
CN101661682B (zh) * 2009-09-08 2011-11-23 浙江工业大学 基于全方位视觉的智能路考仪
KR101086088B1 (ko) 2009-12-24 2011-11-25 유호진 멀티포인트 측정이 가능한 차량 주행 관련 데이터 획득 시스템
US8260539B2 (en) * 2010-05-12 2012-09-04 GM Global Technology Operations LLC Object and vehicle detection and tracking using 3-D laser rangefinder
JP6009775B2 (ja) * 2012-02-13 2016-10-19 株式会社デンソー レーダ装置
KR101268523B1 (ko) 2012-03-19 2013-05-28 한국과학기술원 레이저 스캐너를 이용한 도시 환경에서의 빠른 주변 환경 인식 방법
US8818609B1 (en) * 2012-11-15 2014-08-26 Google Inc. Using geometric features and history information to detect features such as car exhaust in point maps

Also Published As

Publication number Publication date
US20150098076A1 (en) 2015-04-09
CN104517281A (zh) 2015-04-15
US9296393B2 (en) 2016-03-29
CN104517281B (zh) 2019-08-20
KR101534927B1 (ko) 2015-07-07

Similar Documents

Publication Publication Date Title
KR101534927B1 (ko) 차량 인지 장치 및 방법
CN109634282B (zh) 自动驾驶车辆、方法和装置
CN104040369B (zh) 用于在车辆中不依赖于车轮的速度测量的方法和设备
CN107144839B (zh) 通过传感器融合检测长对象
KR100854766B1 (ko) 거리 센서를 이용한 주차 공간 검출 방법
EP2926330B1 (en) Vehicle location estimation apparatus and vehicle location estimation method
US8510027B2 (en) Method for judging vehicle traveling position and vehicle traveling position judgment device
KR101446546B1 (ko) 위치기반 실시간 차량정보 표시시스템
US20070255498A1 (en) Systems and methods for determining threshold warning distances for collision avoidance
US10712445B2 (en) Method for detecting at least one parking space for a vehicle
US6597984B2 (en) Multisensory correlation of traffic lanes
CN110097783A (zh) 车辆预警方法及系统
US20190257936A1 (en) Apparatus and method for determining a speed of a vehicle
KR20190050238A (ko) 긴급 제동 시스템 및 그 제어방법
EP3605500B1 (en) Output device, control method, program, and storage medium
CN107862903B (zh) 物体碰撞预测方法及其装置
JP6263453B2 (ja) 運動量推定装置及びプログラム
JP5446559B2 (ja) 車両位置演算装置及び車両位置演算方法
KR101620239B1 (ko) 차선 판정 장치, 차선 판정 방법 및 차선 판정용 컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체
CN202130447U (zh) 一种新型的车道线偏离检测装置
CN103456182A (zh) 一种基于测距传感器的道路边缘检测方法及其系统
KR102079291B1 (ko) 전방 차량 충돌 경고 장치 및 방법
CN110095776B (zh) 用于确定对象的存在和/或特性的方法和周围环境识别设备
CN110411499B (zh) 传感器检测识别能力的评估方法及评估系统
CN105730330B (zh) 行车安全系统及其障碍物筛选方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20180628

Year of fee payment: 4