KR20160048530A - 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치 - Google Patents

자율 이동 차량의 경로 생성 방법 및 경로 생성 장치 Download PDF

Info

Publication number
KR20160048530A
KR20160048530A KR1020140145378A KR20140145378A KR20160048530A KR 20160048530 A KR20160048530 A KR 20160048530A KR 1020140145378 A KR1020140145378 A KR 1020140145378A KR 20140145378 A KR20140145378 A KR 20140145378A KR 20160048530 A KR20160048530 A KR 20160048530A
Authority
KR
South Korea
Prior art keywords
path
obstacle
unit
moving vehicle
autonomous
Prior art date
Application number
KR1020140145378A
Other languages
English (en)
Inventor
이영일
김종희
신종호
허진욱
Original Assignee
국방과학연구소
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 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020140145378A priority Critical patent/KR20160048530A/ko
Publication of KR20160048530A publication Critical patent/KR20160048530A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria

Abstract

자율 이동 차량의 경로 생성 장치 및 경로 생성 방법이 개시된다. 본 발명의 실시예들은, 자율 이동 차량의 현위치를 파악하고, 상기 현위치로부터 일정반경내의 지형정보와 장애물 정보를 수집하는 지형감지 센서부와, 상기 수집된 지형 정보 및 장애물 정보에 근거하여 장애물 지도를 생성하고, 베이지안 확률추론을 이용하여 상기 생성된 장애물 지도로부터 주행가능영역을 추출하고, 마르코프 체인 기법을 이용하여 상기 추출된 주행가능영역에서 최적 경로를 선정하는 방식으로 경로 계획을 수립하는 자율주행 판단부와, 상기 수립된 경로계획에 따라 자율 이동 차량을 주행하기 위한 제어명령을 생성하는 주행 제어부를 포함한다.

Description

자율 이동 차량의 경로 생성 방법 및 경로 생성 장치{METHOD AND APPARATUS FOR GENERATING PATHE OF AUTONOMOUS VEHICLE}
본 발명은 야지에서의 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치에 관한 것이다.
첨단 과학기술의 개발 및 발전으로 인하여, 다양한 기술들이 군사용 분야에 적용되고 있다. 특히, 센서 및 컴퓨터 하드웨어의 발전은 전투체계의 무인화를 가능하게 했다. 무인화 분야에서의 기술동향을 살펴보면, 자율 이동 차량이 감시정찰 및 타격, 재난극복, 인명구조, 지휘통제, 폭발물 탐지/제거 등의 임무 기능을 수행하게 되었다.
이러한 자율 이동 차량이 임무를 원활하고 성공적으로 수행하기 위해서는, 목표점까지의 안전하고 효율적인 자율주행을 수행하도록 하는 기술의 개발이 필요하다. 특히, 무인 자율 이동 차량이 활용성이 더욱 부각되는 험지 및 야지와 같은 거친 외부환경에서의 자율주행 능력의 개발이 절실히 필요하다.
이를 위해 개발된 기술 중 하나는 지형감지용 센서로부터 생성한 월드모델(World Model) 데이터를 활용하여 장애물지도를 생성하고, 이를 기반으로 추출된 주행가능 영역의 중심점을 경유하는 지역경로를 생성하는 지역경로계획(LPP, Local Path Planning)과 관련된 기술이다.
이때, 자율 이동 차량이 주행하는 주위 환경에 대하여 정확하고 신뢰성 있는 월드모델 생성을 위해서는 차량의 위치 변화에 따른 새로운 센서 데이터를 실시간으로 반영할 수 있도록 월드모델 데이터가 빠른 주기로 갱신되어야 한다. 또한, 지형감지센서로 활용되는 레이더(LADAR)의 한계로 인해, 지역경로계획 또한 갱신되는 월드모델 데이터에 동기화하여 새로운 경로를 계획해야한다.
하지만, 도로 양측에 덤불과 나무가 존재하는 비포장도로나 야지에서는 추출된 장애물지도의 도로 영역이 매생성주기마다 항법 및 지형감지센서의 오차 그리고 격자지도의 양자화 오차 등을 포함하기 때문에, 많게는 수 미터 단위로 좌우 변동성을 가진다. 또한, 이와 같이 추출된 도로의 주행가능 영역을 기반으로 생성된 지역경로도 매주기마다 좌우로 흔들리게 되므로, 자율 이동 차량의 지그재그 주행을 유발하여 비효율적이고 안정적이지 못한 자율주행이 초래되는 문제점이 있다.
이에, 본 발명의 실시예들은 상기한 문제점을 해결하기 위한 것으로, 장애물을 포함하는 비포장도로나 야지에서 자율 이동 차량의 지그재그 주행을 최소화할 수 있는 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치를 제공하는 데 그 목적이 있다.
이를 위해, 본 발명의 실시예에 따른 자율 이동 차량의 경로 생성 장치는, 자율 이동 차량의 현위치를 파악하고, 상기 현위치로부터 일정반경내의 지형정보와 장애물 정보를 수집하는 지형감지 센서부와; 상기 수집된 지형 정보 및 장애물 정보에 근거하여 장애물 지도를 생성하고, 베이지안 확률추론을 이용하여 상기 생성된 장애물 지도로부터 주행가능영역을 추출하고, 마르코프 체인 기법을 이용하여 상기 추출된 주행가능영역에서 최적 경로를 선정하는 방식으로 경로 계획을 수립하는 자율주행 판단부와; 상기 수립된 경로계획에 따라 자율 이동 차량을 주행하기 위한 제어명령을 생성하는 주행 제어부를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 자율주행 판단부는, 미리제공된 지형 정보를 기반으로 지형적 특성을 파악하고, 특정 임무에 대응되는 복수의 경로점과 하나의 목표점을 포함하는 경로를 생성하는 전역경로계획 수립부와; 상기 수집된 지형 정보 및 장애물 정보에 근거하여, 상기 자율 이동 차량의 주변 환경 및 장애물 정보가 포함된 격자지도를 생성하는 장애물지도 생성부와; 상기 베이지안 확률추론을 이용하여 상기 격자지도를 근거로 주행가능영역을 추출하고, 상기 마르코프 체인 기법을 이용하여 상기 자율 이동 차량의 현위치에서 상기 전역경로계획에 대응되는 다음 경로점까지의 경로 계획을 수립하는 지역경로 계획 수립부를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 지역경로 계획 수립부는, 상기 생성된 장애물 지도로부터 주행로의 양측면의 윤곽선을 처리하는 장애물지도 처리부와; 상기 베이지안 확률추론을 이용하여, 상기 처리된 격자지도로부터 상기 자율이동 차량이 주행가능한 영역을 추출하는 주행영역 추출부와; 상기 자율 이동 차량의 현위치 및 주행방향을 기준으로 다음 단위시간에 이동가능한 후로 경로들을 생성하는 후보경로 생성부와; 이전 단위시간의 후보경로에 대한 경로 선정 확률값과 현재 단위시간에 생성된 후보경로에 대한 경로 선정 확률값을 산출하고, 상기 마르코프 체인 기법을 이용하여 최적 후보 경로를 선정하는 후보 경로 선정부를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 주행영역 추출부는, 상기 지형감지 센서부에 의해 획득된 정보의 신뢰도 확률값과 상기 자율 이동 차량의 주행속도에 근거하여, 상기 처리된 장애물지도에서 주행영역으로 추출가능한 윈도우(window)를 정의하는 것을 특징으로 한다.
일 실시예에서, 상기 주행영역 추출부는, 상기 윈도우를 구성하는 섹터들 중에서 섹터의 점유확률이 기설정된 임계값 이하인 섹터들을 추출하고, 추출된 섹터들의 집합을 주행가능영역으로 정의하고, 상기 섹터의 점유확률은, 이전 단위시간까지에 대응되는 섹터의 점유확률과 현재 단위시간에 대응되는 섹터에 대한 장애물 확률값을 이용하여 베이지안 확률추론으로 재귀적으로 산출하는 것을 특징으로 한다.
일 실시예에서, 상기 주행영역 추출부는, 상기 추출된 섹터들의 집합에 포함된 섹터들 중에서, 상기 자율 이동 차량의 현위치를 포함하면서 너비가 상기 자율 이동 차량의 폭 이상을 만족하는 섹터들을 최종 주행가능영역으로 결정하는 것을 특징으로 한다.
일 실시예에서, 상기 후보경로 선정부는, 이전 단위시간에 추출된 주행가능영역에 포함된 섹터에 대한 경로 선정 확률값과 현재 단위시간의 주행가능영역에 포함된 섹터의 확률 밀도함수값을 이용하여, 베이지안 확률추론으로 현재 단위시간의 주행영역에 포함된 섹터의 경로 선정 확률값을 갱신하고, 상기 경로 선정 확률값이 최대가 되는 섹터를 최종 지역 경로로 선정하는 것을 특징으로 한다.
또한, 본 발명의 실시예에 따른 자율 이동 차량의 경로 생성 방법은, 자율 이동 차량의 현위치를 파악하고, 상기 현위치로부터 일정반경내의 지형 정보 및 장애물 정보를 수집하는 단계와; 상기 수집된 지형 정보 및 장애물 정보에 근거하여 장애물 지도를 생성하는 단계와; 베이지안 확률추론을 이용하여 상기 생성된 장애물 지도로부터 주행가능영역을 추출하는 단계와; 마르코프 체인 기법을 이용하여 상기 추출된 주행가능영역에서 최적 경로를 선정하는 단계와; 그리고 상기 선정된 최적 경로를 따라 자율 이동 차량을 주행하기 위한 제어명령을 생성하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 실시예들에 따른 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치에 의하면, 야지에서의 장애물지도에 근거하여 자율 이동 차량의 주행가능영역을 확률기반으로 추출하고, 추출된 주행가능영역에서 확률기반의 최적 후로 경로를 선택함으로써, 야지에서 자율 이동 차량의 지그재그 주행을 최소화하고, 그에 따라 안전하고 효율적인 자율주행이 가능해진다.
도 1은 본 발명과 관련된 자율 이동 차량의 경로 생성 장치의 개략적인 구조를 보인 블록도이다.
도 2는 본 발명과 관련된 자율 이동 차량과 통신하는 경로 생성 장치를 개략적으로 보인 도면이다.
도 3은 본 발명과 관련된 경로 생성 장치에서, 베이지안 확률추론에 기반하여 주행가능영역을 추출하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명과 관련된 경로 생성 장치에서, 마르코프 속성(Markov Property)을 이용하여 최적 후보 경로를 선정하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명과 관련된 자율 이동 차량의 경로 생성 방법을 설명하기 위한 예시 흐름도이다.
먼저, 본 발명의 실시예에 따른 자율 이동 차량의 경로 생성 장치는, 무인 감시정찰이 필요한 모든 시스템에 적용될 수 있다.
또한, 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 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.
여기서 설명되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 즉, 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 구서요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항복들 중의 어느 항목을 포함한다.
또한, 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 있다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
또한, 본 출원에서 사용한 용어는 단지 특정한 실시 예를 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.
또한, 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 갖는다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여 본 발명에 바람직한 실시 예들을 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어 도면 부호에 상관없이 동일하거나 대응하는 구성요소는 동일한 참조번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
본 발명의 실시예에 따른 자율 이동 차량의 경로 생성 장치는, 덤불과 나무 등과 같은 장애물을 포함하는 야지에서 자율 이동 차량의 주행을 위한 지역경로계획의 수립에 관한 것으로, 자율 이동 차량의 지그재그 주행을 최소화하기 위하여 베이지안 확률추론(Bayesian Probability Reasoning)과 마르코프 체인(Markov Chains) 법을 이용하여 자율 이동 차량에 대한 지역경로계획을 수행하도록 구현되었다.
이하, 도 1은 본 발명과 관련된 자율 이동 차량의 경로 생성 장치의 개략적인 구조를 보인 블록도이다. 도 1에 도시된 바와 같이, 상기 경로 생성 장치(1000)는 지형 감지 센서부(100)와, 자율 주행 판단부(200)와, 주행 제어부(300)를 포함하여 이루어진다.
그리고, 도 2는 상술한 구성을 포함하는 경로 생성 장치(1000)가 자율 이동 차량(50)과 통신하는 모습을 개략적으로 도시한 도면이다.
도 2에 도시된 바와 같이, 자율 이동 차량(50)은 로봇 또는 차량 중 어느 하나로 이루어질 수 있으며, 주행 가능한 다른 구성으로의 치환도 가능하다. 주행영역(70)은 자율 이동 차량(50)이 주행이 이루어지는 영역으로서, 각종 고정 또는 이동 장애물(a1 내지 a5)이 배치된 도로이거나, 또는 야지(野地)와 같은 들판이 넓은 지대일 수 있다. 이때, 고정 또는 이동 장애물(a1 내지 a5)은 주행 영역(70)내에서 서로 다른 위치에 배치될 수 있으며, 이동 장애물인 경우에는 각각 서로 다른 방향에서 이동속도를 갖으며 주행될 수 있다. 또한, 이동 장애물인 경우, 상기 자율 이동 차량(50)은 장애물(a1 내지 a5)의 이동속도와, 이동 방향 및 접근성을 우선적으로 판단하기 위해, 각각의 이동 장애물(a1 내지 a5)에 대한 이동속도와, 이동방향을 산출할 수 있다.
한편, 본 발명의 실시예에 따른 경로 생성장치(1000)는, 도 2에 도시된 바와 같이, 자율 이동 차량(50)과 별도로 구비되어 무선통신을 통해 자율 이동 차량(50)의 주행을 제어하도록 이루어질 수도 있고, 또는 자율 이동 차량(50)내에 임베디드되어 스스로 주행을 제어하도록 이루어질 수도 있다.
계속해서, 다시 도 1을 참조하면, 상기 지형 감지 센서부(100)는, 자율 이동 차량의 현위치를 파악하고, 상기 현위치로부터 일정반경내의 지형정보와 장애물 정보를 수집한다. 이를 위해, 상기 지형 감지 센서부(100)는, 하나 이상의 거리 측정기(101)와 카메라(102)를 구비하고, 이들로부터 획득된 센서값을 이용하여 자율 이동 차량의 현위치와, 지형정보, 및 장애물 정보를 수집할 수 있다.
상기 주행 제어부(300), 자율 주행 판단부(200)에서 수립된 경로계획에 따라 자율 이동 차량을 주행하기 위한 제어명령을 생성한다.
상기 자율 주행 판단부(200)는, 지형 감지 센서부(100)를 통해 수집된 지형 정보 및 장애물 정보에 근거하여 장애물 지도를 생성한다. 또한, 상기 자율 주행 판단부(200)는, 베이지안 확률추론(Bayesian Probability Reasoning)을 이용하여 상기 생성된 장애물 지도로부터 주행가능영역을 추출할 수 있다. 또한, 상기 자율 주행 판단부(200)는, 마르코프 체인 기법(Markov Chains)을 이용하여 상기 추출된 주행가능영역에서 최적 경로를 선정하는 방식으로, 자율 이동 차량의 경로 계획을 수립할 수 있다.
여기서, 베이지안 확률추론(Bayesian Probability Reasoning)은 지식의 상태를 측정하는 것으로 해석되는 확률론으로서, 확률을 발생 빈도(frequency)나 시스템의 물리적 속성으로 여기는 것과 다른 해석의 확률론이다. 즉, 반복을 수행하는 없는 명제나 상황(예, 단 한번만 경로를 지나는 경우)에서도 그것의 '불확실한 정도' 또는 '믿음의 정도'(degree of belief)를 확률로 할당함으로써, 불확실한 상황에서의 불리언(Boolean) 진리값의 확장으로 간주하는 것이다.
또한, 마르코프 체인 기법(Markov Chains)은, 각 시행의 결과가 바로 앞의 시행의 결과에만 영향을 받는다고 보는 일련의 확률적 시행을 의미한다. 즉, 마르코프 체인 기법(Markov Chains)은 과거와 현재 상태가 주어졌을 때, 미래 상태의 조건부 확률 분포가 과거 상태와는 독립적으로 현재 생태에 의해서만 결정된다고 보는 확률이론이다.
베이지안 확률추론(Bayesian Probability Reasoning)을 이용하여 주행가능영역을 추출하는 과정과 마르코프 체인 기법(Markov Chains)을 이용한 최적 경로 선정 과정은 이하에서 보다 구체적으로 설명하겠다.
한편, 상기 자율 주행 판단부(200)는 전역경로계획 수립부(210)와, 장애물지도 생성부(220)와, 지역경로계획 수립부(230)를 더 포함할 수 있다.
상기 전역경로계획 수립부(210)는, 미리제공된 지형 정보를 기반으로 산, 호수 등과 같은 대규모의 지형적 특성을 파악하고, 특정 임무에 대응되는 복수의 경로점과 하나의 목표점을 포함하는 경로를 생성한다. 이러한 전역경로계획은 예를 들어 오프라인상에서 수행될 수 있다.
상기 장애물지도 생성부(220)는, 상기 지형 감지 센서부(100)를 통해 수집된 지형 정보 및 장애물 정보에 근거하여, 상기 자율 이동 차량의 주변 환경 및 장애물 정보가 포함된 장애물 격자지도를 생성할 수 있다.
상기 지역경로계획 수립부(230)는, 상기 전역경로계획 수립부(210)를 통해 생성된 전역경로계획을 기반으로 생성되는 것으로서, 베이지안 확률추론(Bayesian Probability Reasoning)을 이용하여 상기 장애물 격자지도를 근거로 주행가능영역을 추출할 수 있다. 또한, 상기 지역경로계획 수립부(230)는, 상기 마르코프 체인 기법(Markov Chains)을 이용하여 상기 자율 이동 차량의 현위치에서 상술한 전역경로계획에 대응되는 다음 경로점까지의 경로 계획을 수립할 수 있다.
한편, 상기 지역경로계획 수립부(230)는 장애물 지도 처리부(231)와, 주행영역 추출부(232)와, 후보경로 생성부(233)와, 후보경로 선정부(234)를 포함할 수 있다.
장애물 지도 처리부(231)는, 상기 장애물지도 생성부(220)를 통해 생성된 장애물 격자지도로부터 주행로의 양측면의 윤곽선을 처리하는 전처리 과정을 수행한다.
주행영역 추출부(232)는, 베이지안 확률추론(Bayesian Probability Reasoning)을 이용하여, 상기 전처리된 장애물 격자지도로부터 자율이동 차량이 주행가능한 영역을 추출한다.
이와 관련하여, 도 3은 본 발명과 관련된 경로 생성 장치(1000)에서, 베이지안 확률추론에 기반하여 주행가능영역을 추출하는 방법과 관련된 도면을 도시한 것이다. 도 3에서는, 상기 전처리된 장애물 격자지도로부터 자율 이동 차량의 주행가능영역을 추출하기 위한 확률기반의 모델을 보여주고 있다.
구체적으로, 상기 주행영역 추출부(232)는, 상기 지형감지 센서부(100)를 통해 획득된 정보의 신뢰도 확률값과 자율 이동 차량의 주행속도에 근거하여, 전처리된 장애물 격자지도로부터 주행영역으로 추출가능한 윈도우(window)를 정의할 수 있다.
예를 들어, 도 3에서 전방 15m까지의 영역만을 상술한 추출용 윈도우(window)로 정의하고, 정의된 윈도우(window)에 속한 데이터만을 활용할 수 있다. 그에 따라, 장애물 격자지도는 0.1m 크기의 격자로 구성된 300×300 사이즈의 크기를 갖게되고, 추출용 윈도우(window)는 300×140 사이즈로 정의되었음을 알 수 있다.
또한, 상기 주행영역 추출부(232)는, 상기 윈도우를 구성하는 섹터들 중에서 섹터의 점유확률이 기설정된 임계값 이하인 섹터들을 추출하고, 추출된 섹터들의 집합을 주행가능영역으로 정의할 수 있다.
여기서, 섹터의 점유확률은, 이전 단위시간까지에 대응되는 섹터의 점유확률과 현재 단위시간에 대응되는 섹터에 대한 장애물 확률값을 이용하여 베이지안 확률 추론(Bayesian Probability Reasoning)으로 재귀적으로 산출될 수 있다.
예를 들어, 도 3를 다시 참조하면, 추출용 윈도우(window)는 1×140 사이즈로 정의되는 300개의 섹터들(sector)로 구성될 수 있다. 이때, 섹터 i에 대한 장애물 확률값 psi는 이하의 수학식 1을 통해 계산될 수 있다.
Figure pat00001
여기서, 각 섹터에 대한 장애물 확률값 psi는, 해당 섹터의 점유확률 갱신시, 현재 단위시간의 측정값으로 사용되며, 섹터를 구성하는 전체 격자들 중에서 장애물을 포함하는 격자의 비율을 의미한다.
또한, 추출용 윈도우(window)를 구성하는 섹터들(sectors) 중 섹터의 점유확률이 기설정된 임계값 이하인 섹터들의 모임은 후보계곡(Candidate Valley)으로 정의될 수 있으며, 이는 이하의 수학식 2를 통해 산출될 수 있다.
Figure pat00002
여기서, scti는 i번째 섹터이고, T는 기설정된 임계값이고, O는 장애물 점유상태를 의미한다.
장애물 격자지도에서 추출된 주행가능영역에 대한 시간적 관점에서의 변화는 마르코프 속성(Markov property)을 가진다고 가정할 수 있다. 마르코프 속성(Markov property)은 마르코프 체인(Markov Chains) 기법을 이용하는 것으로, 다음 상태의 확률이 과거 상태와는 독립적으로 현재 상태에 의해서만 결정된다는 확률개념을 적용한 것이다.
특정 섹터에 대한 점유확률
Figure pat00003
은 이전 단위시간 tn까지의 해당섹터 점유확률
Figure pat00004
과 현재 단위시간 tn+1의 해당섹터에 대한 측정값인 장애물 확률값
Figure pat00005
을 이용하여 베이지안 확률론(Bayesian probability updating formular)으로 재귀적으로 계산할 수 있다. 이러한 계산 과정이 이하의 수학식 3, 수학식 4, 수학식 5에 차례대로 나타나 있다.
Figure pat00006
Figure pat00007
Figure pat00008
이와 같이, 장애물 격자지도에서 추출용 윈도우(window)를 구성하는 모든 섹터들(sectors)에 대해 베이지안 확률론(Bayesian probability updating formular)을 사용하여 점유 확률값을 계산한 후에, 상술한 수학식 2를 활용하면 후보계곡(Candidate Valley)의 집합을 획득할 수 있다.
획득된 후보계곡의 의미는 장애물 격자지도에서 자율 이동 차량이 주행가능한 영역을 의미한다.
또한, 상기 주행영역 추출부(232)는, 추출된 섹터들의 집합에 포함된 섹터들 중에서, 상기 자율 이동 차량의 현위치를 포함하면서 너비가 상기 자율 이동 차량의 폭 이상을 만족하는 섹터들을 최종 주행가능영역으로 결정한다.
즉, 상기 획득된 후보계곡의 집합에서, 자율 이동 차량의 현위치를 포함하면서, 너비가 자율 이동 차량의 폭 이상이 되는 후보계곡을 최종 선정함으로써, 자율 이동 차량의 주행영역을 추출할 수 있다.
한편, 다시 도 1을 참조하면, 후보경로 생성부(233)는, 자율 이동 차량의 현위치 및 주행방향을 기준으로 다음 단위시간에 이동가능한 후로 경로들을 생성하는 과정을 수행한다.
후보경로 선정부(234)는, 이전 단위시간의 후보경로에 대한 경로 선정 확률값과 현재 단위시간에 생성된 후보경로에 대한 경로 선정 확률값을 산출한다. 그런 다음, 상기 후보경로 선정부(234)는, 마르코프 체인 기법(Markov Chains)을 이용하여 최적 후보 경로를 선정한다.
또한, 상기 후보경로 선정부(234)는, 이전 단위시간에 추출된 주행가능영역에 포함된 섹터에 대한 경로 선정 확률값과 현재 단위시간의 주행가능영역에 포함된 섹터의 확률 밀도함수값을 이용하여, 베이지안 확률추론(Bayesian probability updating formular)으로 현재 단위시간의 주행영역에 포함된 섹터의 경로 선정 확률값을 갱신할 수 있다. 그리고, 상기 후보경로 선정부(234)는, 상기 경로 선정 확률값이 최대가 되는 섹터를 최종 지역 경로로 선정한다.
이와 관련하여, 도 4는 본 발명과 관련된 경로 생성 장(1000)치에서, 마르코프 속성(Markov Property)을 이용하여 최적 후보 경로를 선정하는 방법과 관련된 도면을 도시한 것이다.
즉, 도 3은, 이전 단위시간에 추출된 주행가능영역을 구성하는 섹터에 대한 경로 선정 확률값과, 현재 단위시간의 주행가능영역을 구성하는 섹터들의 측정값인 확률 밀도 함수값을 이용하여 최적후보 경로를 선정하는 방법을 보여주고 있다.
본 발명에 따른 실시예에서, 자율 이동 차량이 비포장도로 또는 야지에서 자율주행을 수행하기 위해, 장애물 격자지도로부터 주행가능영역을 추출하고, 그 영역의 중심점을 기준으로 후보경로를 생성한 후, 최적의 후보경로를 선정하는 방식으로 지역경로계획을 수행한다.
이때, 최종적으로 선정된 지역경로 또한 시간적 관점에서의 변화는 마르코프 체인(Markov Chains) 기법을 따르므로, 이전 단위시간에 추출된 주행가능영역을 구성하는 섹터에 대한 경로 선정 확률값, 그리고 현재 단위시간의 주행가능영역을 구성하는 섹터들의 측정값인 확률 밀도함수값을 이용하여 베이지안 확률 수정식을 적용하면 현재의 주행가능영역을 구성하는 섹터들에 대한 경로 선정 확률값을 획득할 수 있다. 그리고, 획득된 섹터들의 경로 선정 확률값 중에서 가장 높은값을 갖는 섹터를 최종 지역경로로 선정한다.
도 3에서 섹터 sct145와 sct191로 을 포함하는 영역을 현재 단위시간에 추출한 주행가능영역으로 가정한다. 그리고, 이하의 수학식 6을 적용하면, 추출된 주행가능영역의 너비에 대한 표준편차를 산출할 수 있다.
Figure pat00009
그리고, 여기에 이하의 수학식 7을 적용하면 각 섹터에 대한 확률 밀도함수값
Figure pat00010
을 계산할 수 있다.
Figure pat00011
한편, 추출된 주행가능영역의 표준편차의 크기에 따라, 상기 확률 밀도함수는 상이한 값을 갖게 된다. 예를 들어, 표준편차의 크기가 적은 경우 즉, 추출된 주행가능영역의 너비가 좁은 경우, 후보경로 선정에 큰 영향을 주게 되는 특성을 있다.
또한 섹터 sct131과 sct196으로 구성된 영역은 이전 단위시간에 추출된 주행가능영역으로서, 해당 영역을 구성하는 각 섹터에 대한 경로선정 확률값
Figure pat00012
과, 상술한 수학식 7을 통해 계산한 확률 밀도 함수값
Figure pat00013
을 이용하여, 이하의 수학식 8의 베이지안 확률 함수(Bayesian probability updating formular)를 적용하면, 현재의 주행가능영역을 구성하는 섹터들에 대한 경로선정 확률값
Figure pat00014
을 갱신할 수 있다.
Figure pat00015
그에 따라, 도 3에서는 섹터 sct145와 sct191의 영역 중 중심섹터인 sct168이 아닌 경로 선정 확률값이 가장 높은 sct166이 최적 후보로 선정되는 것을 확인할 수 있다.
이하, 도 5는 본 발명과 관련된 자율 이동 차량의 경로 생성 방법을 설명하기 위한 예시 흐름도이다.
도 5에 도시된 바와 같이, 먼저 본 발명의 실시예에 따른 자율 이동 차량의 경로 생성 장치(1000)는, 자율 이동 차량의 현위치를 파악하고, 상기 현위치로부터 일정반경내의 지형 정보 및 장애물 정보를 주기적으로 수집할 수 있다(S510). 그런 다음, 상기 경로 생성 장치(1000)는, 수집된 지형 정보 및 장애물 정보에 근거하여 장애물 지도를 생성한다(S520).
이와 같이 장애물 지도가 생성되면, 상기 경로 생성 장치(1000)는, 베이지안 확률추론을 이용하여 상기 장애물 지도로부터 주행가능영역을 추출한다(S530). 계속해서, 상기 경로 생성 장치(1000)는, 마르코프 체인 기법을 이용하여 상기 추출된 주행가능영역에서 최적 경로를 선정한다(S540). 또한, 이와 같이, 주행가능영역으로부터 최적 경로가 선정되면, 상기 경로 생성 장치(1000)는, 선정된 최적 경로를 따라 자율 이동 차량을 주행하기 위한 제어명령을 생성한다(S550). 그리고, 생성된 제어명령은 자율 이동 차량에 제공되어, 지그재그 주행이 최소화된 안전하고 효율적인 자율주행을 가능하게 한다.
이상에서 설명한 바와 같이, 본 발명의 실시예들에 따른 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치에 의하면, 야지에서의 장애물지도에 근거하여 자율 이동 차량의 주행가능영역을 확률기반으로 추출하고, 추출된 주행가능영역에서 확률기반의 최적 후로 경로를 선택함으로써, 야지에서 자율 이동 차량의 지그재그 주행을 최소화하고, 그에 따라 안전하고 효율적인 자율주행이 가능해진다.
또한, 이상에서는 본 발명의 바람직한 실시 예를 예시적으로 설명하였으나, 본 발명의 범위는 이와 같은 특정 실시 예에만 한정되는 것은 아니므로, 본 발명은 본 발명의 사상 및 특허청구범위에 기재된 범주 내에서 다양한 형태로 수정, 변경, 또는 개선될 수 있다. 또한, 여기에서 기술된 본 발명에 따른 방법은 소프트웨어, 하드웨어, 또는 이들의 조합으로 구현될 수 있다. 예를 들어, 본 발명에 따른 방법은 저장매체(예, 단말내부 메모리, 플래쉬 메모리, 하드디스크, 등)에 저장될 수 있고, 프로세서(예, 단말 내부 마이크로 프로세서)에 의해 실행될 수 있는 소프트웨어 프로그램 내에 포함되는 코드들 또는 명령어들로 구현될 수 있다.

Claims (8)

  1. 자율 이동 차량의 현위치를 파악하고, 상기 현위치로부터 일정반경내의 지형정보와 장애물 정보를 수집하는 지형감지 센서부;
    상기 수집된 지형 정보 및 장애물 정보에 근거하여 장애물 지도를 생성하고, 베이지안 확률추론을 이용하여 상기 생성된 장애물 지도로부터 주행가능영역을 추출하고, 마르코프 체인 기법을 이용하여 상기 추출된 주행가능영역에서 최적 경로를 선정하는 방식으로 경로 계획을 수립하는 자율주행 판단부; 및
    상기 수립된 경로계획에 따라 자율 이동 차량을 주행하기 위한 제어명령을 생성하는 주행 제어부를 포함하는 것을 특징으로 하는 자율 이동 차량의 경로 생성 장치.
  2. 제1항에 있어서,
    상기 자율주행 판단부는,
    미리제공된 지형 정보를 기반으로 지형적 특성을 파악하고, 특정 임무에 대응되는 복수의 경로점과 하나의 목표점을 포함하는 경로를 생성하는 전역경로계획 수립부;
    상기 수집된 지형 정보 및 장애물 정보에 근거하여, 상기 자율 이동 차량의 주변 환경 및 장애물 정보가 포함된 격자지도를 생성하는 장애물지도 생성부; 및,
    상기 베이지안 확률추론을 이용하여 상기 격자지도를 근거로 주행가능영역을 추출하고, 상기 마르코프 체인 기법을 이용하여 상기 자율 이동 차량의 현위치에서 상기 전역경로계획에 대응되는 다음 경로점까지의 경로 계획을 수립하는 지역경로 계획 수립부를 포함하는 것을 특징으로 하는 자율 이동 차량의 경로 생성 장치.
  3. 제2항에 있어서,
    상기 지역경로 계획 수립부는,
    상기 생성된 장애물 지도로부터 주행로의 양측면의 윤곽선을 처리하는 장애물지도 처리부;
    상기 베이지안 확률추론을 이용하여, 상기 처리된 격자지도로부터 상기 자율이동 차량이 주행가능한 영역을 추출하는 주행영역 추출부;
    상기 자율 이동 차량의 현위치 및 주행방향을 기준으로 다음 단위시간에 이동가능한 후로 경로들을 생성하는 후보경로 생성부; 및,
    이전 단위시간의 후보경로에 대한 경로 선정 확률값과 현재 단위시간에 생성된 후보경로에 대한 경로 선정 확률값을 산출하고, 상기 마르코프 체인 기법을 이용하여 최적 후보 경로를 선정하는 후보 경로 선정부를 포함하는 것을 특징으로 하는 자율 이동 차량의 경로 생성 장치.
  4. 제3항에 있어서,
    상기 주행영역 추출부는,
    상기 지형감지 센서부에 의해 획득된 정보의 신뢰도 확률값과 상기 자율 이동 차량의 주행속도에 근거하여, 상기 처리된 장애물지도에서 주행영역으로 추출가능한 윈도우(window)를 정의하는 것을 특징으로 하는 자율 이동 차량의 경로 생성 장치.
  5. 제4항에 있어서,
    상기 주행영역 추출부는,
    상기 윈도우를 구성하는 섹터들 중에서 섹터의 점유확률이 기설정된 임계값 이하인 섹터들을 추출하고, 추출된 섹터들의 집합을 주행가능영역으로 정의하고,
    상기 섹터의 점유확률은, 이전 단위시간까지에 대응되는 섹터의 점유확률과 현재 단위시간에 대응되는 섹터에 대한 장애물 확률값을 이용하여 베이지안 확률추론으로 재귀적으로 산출하는 것을 특징으로 하는 자율 이동 차량의 경로 생성 장치.
  6. 제5항에 있어서,
    상기 주행영역 추출부는,
    상기 추출된 섹터들의 집합에 포함된 섹터들 중에서, 상기 자율 이동 차량의 현위치를 포함하면서 너비가 상기 자율 이동 차량의 폭 이상을 만족하는 섹터들을 최종 주행가능영역으로 결정하는 것을 특징으로 하는 자율 이동 차량의 경로 생성 장치.
  7. 제3항에 있어서,
    상기 후보경로 선정부는,
    이전 단위시간에 추출된 주행가능영역에 포함된 섹터에 대한 경로 선정 확률값과 현재 단위시간의 주행가능영역에 포함된 섹터의 확률 밀도함수값을 이용하여, 베이지안 확률추론으로 현재 단위시간의 주행영역에 포함된 섹터의 경로 선정 확률값을 갱신하고,
    상기 경로 선정 확률값이 최대가 되는 섹터를 최종 지역 경로로 선정하는 것을 특징으로 하는 자율 이동 차량의 경로 생성 장치.
  8. 자율 이동 차량의 현위치를 파악하고, 상기 현위치로부터 일정반경내의 지형 정보 및 장애물 정보를 수집하는 단계;
    상기 수집된 지형 정보 및 장애물 정보에 근거하여 장애물 지도를 생성하는 단계;
    베이지안 확률추론을 이용하여 상기 생성된 장애물 지도로부터 주행가능영역을 추출하는 단계;
    마르코프 체인 기법을 이용하여 상기 추출된 주행가능영역에서 최적 경로를 선정하는 단계; 및
    상기 선정된 최적 경로를 따라 자율 이동 차량을 주행하기 위한 제어명령을 생성하는 단계를 포함하는 것을 특징으로 하는 자율 이동 차량의 경로 생성 방법.
KR1020140145378A 2014-10-24 2014-10-24 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치 KR20160048530A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140145378A KR20160048530A (ko) 2014-10-24 2014-10-24 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140145378A KR20160048530A (ko) 2014-10-24 2014-10-24 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치

Publications (1)

Publication Number Publication Date
KR20160048530A true KR20160048530A (ko) 2016-05-04

Family

ID=56022047

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140145378A KR20160048530A (ko) 2014-10-24 2014-10-24 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치

Country Status (1)

Country Link
KR (1) KR20160048530A (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944624A (zh) * 2017-11-17 2018-04-20 南京大学 一种基于隐马尔科夫模型的无人车路口驾驶决策方法
GB2560618A (en) * 2017-01-18 2018-09-19 Ford Global Tech Llc Object tracking by unsupervised learning
CN109407660A (zh) * 2017-08-18 2019-03-01 通用汽车环球科技运作有限责任公司 使用策略触发和执行的自主行为控制
WO2019083978A1 (en) 2017-10-24 2019-05-02 Waymo Llc PREDICTIONS OF PEDESTRIAN BEHAVIOR FOR AUTONOMOUS VEHICLES
KR20200072576A (ko) * 2018-11-29 2020-06-23 한국전자통신연구원 자율주행 방법 및 그 시스템
CN111942374A (zh) * 2020-08-14 2020-11-17 中国第一汽车股份有限公司 一种障碍物地图生成方法、装置、车辆及存储介质
CN112660146A (zh) * 2019-09-30 2021-04-16 北京百度网讯科技有限公司 控制车辆的方法、装置、设备和存储介质
CN115143970A (zh) * 2022-09-01 2022-10-04 安徽大学 一种基于威胁度评估的水下航行器避障方法和系统

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10449956B2 (en) 2017-01-18 2019-10-22 Ford Global Technologies, Llc Object tracking by unsupervised learning
GB2560618A (en) * 2017-01-18 2018-09-19 Ford Global Tech Llc Object tracking by unsupervised learning
CN109407660A (zh) * 2017-08-18 2019-03-01 通用汽车环球科技运作有限责任公司 使用策略触发和执行的自主行为控制
US11048927B2 (en) 2017-10-24 2021-06-29 Waymo Llc Pedestrian behavior predictions for autonomous vehicles
WO2019083978A1 (en) 2017-10-24 2019-05-02 Waymo Llc PREDICTIONS OF PEDESTRIAN BEHAVIOR FOR AUTONOMOUS VEHICLES
EP3678911A4 (en) * 2017-10-24 2021-05-05 Waymo LLC PEDESTRIAN BEHAVIOR PREDICTIONS FOR AUTONOMOUS VEHICLES
KR20210124502A (ko) * 2017-10-24 2021-10-14 웨이모 엘엘씨 자율 차량들을 위한 보행자 행동 예측들
IL273953B1 (en) * 2017-10-24 2023-08-01 Waymo Llc Pedestrian behavior predictions for autonomous vehicles
US11783614B2 (en) 2017-10-24 2023-10-10 Waymo Llc Pedestrian behavior predictions for autonomous vehicles
CN107944624A (zh) * 2017-11-17 2018-04-20 南京大学 一种基于隐马尔科夫模型的无人车路口驾驶决策方法
KR20200072576A (ko) * 2018-11-29 2020-06-23 한국전자통신연구원 자율주행 방법 및 그 시스템
CN112660146A (zh) * 2019-09-30 2021-04-16 北京百度网讯科技有限公司 控制车辆的方法、装置、设备和存储介质
CN111942374A (zh) * 2020-08-14 2020-11-17 中国第一汽车股份有限公司 一种障碍物地图生成方法、装置、车辆及存储介质
CN115143970A (zh) * 2022-09-01 2022-10-04 安徽大学 一种基于威胁度评估的水下航行器避障方法和系统
CN115143970B (zh) * 2022-09-01 2022-11-29 安徽大学 一种基于威胁度评估的水下航行器避障方法和系统

Similar Documents

Publication Publication Date Title
CN111670468B (zh) 移动体行为预测装置以及移动体行为预测方法
US11393216B2 (en) Method of computer vision based localisation and navigation and system for performing the same
KR20160048530A (ko) 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치
US11900797B2 (en) Autonomous vehicle planning
JP7036545B2 (ja) 能動的探索なしの強化学習に基づくオンライン学習法及び車両制御方法
US20200379461A1 (en) Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout
CN110857085A (zh) 车辆路径规划
US11794731B2 (en) Waypoint prediction for vehicle motion planning
Lim et al. Monte Carlo value iteration with macro-actions
Levine et al. Information-rich path planning with general constraints using rapidly-exploring random trees
KR102373472B1 (ko) 각 영역에서 최적화된 자율 주행을 수행할 수 있도록 위치 기반 알고리즘 선택을 통해 심리스 파라미터 변경을 수행하는 방법 및 장치
US11827214B2 (en) Machine-learning based system for path and/or motion planning and method of training the same
Sales et al. Adaptive finite state machine based visual autonomous navigation system
CN106814737A (zh) 一种基于啮齿类动物模型和RTAB‑Map闭环检测算法的SLAM方法
CN114846425A (zh) 移动机器人的预测和规划
US11834077B2 (en) Systems, methods, and media for occlusion-aware motion planning
Zhang et al. A learning-based method for predicting heterogeneous traffic agent trajectories: Implications for transfer learning
CN113433937B (zh) 基于启发式探索的分层导航避障系统、分层导航避障方法
Lee et al. Ods-bot: Mobile robot navigation for outdoor delivery services
Dudarenko et al. Robot navigation system in stochastic environment based on reinforcement learning on lidar data
Ryan Information-theoretic tracking control based on particle filter estimate
US20230085296A1 (en) Systems and methods for predicting trajectories of multiple vehicles
Lv et al. An improved FastSLAM 2.0 algorithm based on FC&ASD-PSO
Li et al. UAV System integration of real-time sensing and flight task control for autonomous building inspection task
Ilyichenkova et al. Trajectory Correction of Autonomous Objects in the Presence of Restrictions

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E601 Decision to refuse application