KR20160132789A

KR20160132789A - 사회적 자율주행 교통장치

Info

Publication number: KR20160132789A
Application number: KR1020160142689A
Authority: KR
Inventors: 도영민
Original assignee: 도영민
Priority date: 2016-10-31
Filing date: 2016-10-31
Publication date: 2016-11-21

Abstract

서버 기반 컴퓨팅 아키텍처가 Stand-alone 컴퓨팅 아키텍처에 비해, 컴퓨팅 자원의 이용 효율이 우수함에도, 종래의 기술로는 컴퓨팅 자원의 제약과 무선통신 대역폭의 한계로 인해, 서버 기반의 자율주행시스템을 구현할 수 없었다. 본 발명은 현재의 제한적인 컴퓨팅 자원과 통신 자원으로도 종래의 차량을 서버 기반의 자율주행차량으로 전환할 수 있는 기술적 방안으로써, 교통체증을 현저히 줄일 수 있다.
차량에 설치된 드라이버, 드라이버에 설치된 자율주행시스템인 Local ADS, 차량 각각에 대응하는 가상머신, 가상머신 각각에 설치된 자율주행시스템인 Online ADS, 가상머신을 생성하고, 관리감독하며, 제어하는 클라우드 플랫폼 형식의 서버, 상기 서버에 설치되는 TOP(Traffic Orchestra Program), GPS 좌표 각각에 대응하는 이미지데이터베이스, 상기 이미지데이터베이스를 생성하고 관리하는 이미지서버, 및, 근거리 및 광대역 이동통신망을 포함하는 본 발명의 장치는, 차량은 Online ADS와 Local ADS 간의 소통과 협업으로 자율주행하며, 온라인모드에서 가상머신의 컴퓨팅 자원을 주로 사용하고, 로컬모드에서 드라이버의 컴퓨팅 자원을 주로 사용하며, Local ADS는 표식 학습(machine learning)을 통해, 직전 차량과 자차 간의 간격과 방향을 판단 및 조절하는 제한적 자율주행을 수행할 수 있고, 이미지서버는 각 차량이 도로상에서 획득하는 이미지에 포함된 GPS 좌표를 IP 주소로 변환하여, 상기 각각의 IP 주소에 각각의 이미지데이터베이스를 설치하고, 상기 각각의 이미지데이터베이스로 하여금 해당 GPS 좌표에서 불특정 다수의 차량이 획득하여, 각자의 Online ADS에 전송하는 이미지를 저장하게 하고, Online ADS는 각 GPS 좌표에 매핑된 각 이미지데이터베이스를 참조하여, 주행 중에 획득하는 이미지 중 중복 이미지를 소거하는 방법으로, 서버의 컴퓨팅 부하(Load)를 줄이며, TOP은 비슷한 시점에, 같은 도로를, 같은 방향으로 주행하는 하나 이상을 차량을 하나의 그룹으로 지정할 수 있고, 그룹 내 일부 차량을 로컬모드로 전환할 수 있으며, 같은 그룹에 소속된 둘 이상의 차량 각각의 Online ADS 각각은 상기 차량의 드라이버가 제공하는 Timer, GPS, Gyroscope, Accelerometer 및 Compass 정보를 공유하고, 상호 체결된 둘 이상의 차량은 선두 차량이 후미 차량을 제어하며, TOP은 온라인 지도상의 인구 및 차량 분포를 토대로, (1) 탑승 인원과 적재 화물과 주행 목적, (2) 사람 및 화물의 시간 가치, (3) 그룹의 생성과 해제 시점, (4) 신호등의 점멸 시각, (5) 주행 거리, 주행 시간 및 에너지 소비량, (6) 예외 조항을 변수로 하여, 주행 계획(Driving Plan)의 작성과 실시간 갱신을 학습(Machine Learning)하고, 각 차량의 주행을 제어하여, 종래의 자율주행장치로 해결할 수 없는, 교통 체증을 근원적으로 해소하고, 주행 시간을 단축하며, 주행 및 컴퓨팅 에너지를 절감할 수 있다.

Description

사회적 자율주행 교통장치{Social Autonomous Driving Apparatus}

본 발명은 어느 한 국가 또는 사회의 운전자, 탑승자, 화물, 도로망, 차량, 및 신호 체계를 포함하는 전체 교통 인프라를 인공지능(AI) 교통 인프라로 전환하기 위한, 서버 기반 자율주행 교통장치에 관한 것으로, 상기 장치는 종래의 교통 수단들을 그대로 이용하면서도, 교통 메커니즘을 종래의 그것과 판이하게 개조하여, 교통체증을 원천적으로 해소하고, 어느 한 국가나 사회에서, 교통 물류 인프라의 사회적 총 효용을 최대로 높일 수 있다.

종래의 자동차는 사람이 운전하며, 개인의 판단 하에 목적지에 도달할 최선의 방안을 강구하고, 상호 경쟁적으로 조명 장치와 핸들과 액셀레이터와 브레이크를 유효 적절하게 조작하는 방법으로, 상기 방안을 실천하는 것이다.

벤즈, 구글과 테슬라 등이 선보인 종래의 자율주행 방법은 주로 Convolutional neural network를 이용하여 주변의 환경 정보를 해석하고, Supervised learning과 같은 머신러닝 분야의 다양한 기법을 적용하여, 차량 스스로 경험을 통해 주행 지식과 기술을 개선할 뿐 아니라, 주행 경험이 없는 여타 차량과도 자신의 경험을 공유할 수 있다는 점에서 종래의 사람에 의한 주행 차량에 비해 비교 우위를 가진다.

한 편, 극장에 불이 났을 때, 질서있게 대피하는 것과 오직 자신의 목숨을 구하기 위한 행동 중 어느 쪽이 생존 확률을 높이는 지에 대한 오랜 질문이 있어 왔고, 여전히 논쟁 중이다. 대체로, 개인적 관점에서 후자가 합리적 선택이고, 사회적 관점에서 전자가 합리적이라는 의견이다. 종래의 자율주행차량은 종래의 사람이 운전하는 자동차의 연장선에 있다. 개인이 소유한 자율주행차량은 그 소유자를 대신하여, 자신의 주행을 보다 안전하고, 보다 빨리, 그리고 보다 쾌적하게 할 방안을 강구한다. 불이 난 극장에서 모두가 자신의 목숨을 구하기 위해 발버둥 치는 것처럼, 종래의 자율주행차량도 자신의 판단 하에 목적지에 도달할 최선의 방안을 강구하는 점에서 종래의 사람 운전자와 크게 다르지 않다.

본 발명이 제시하는 서버 기반의 사회적 자율주행 교통장치에 관한 국내외 연구 성과는 한 건도 찾기 어렵다. 국내의 경우, 자율주행으로의 진입 및 자율주행에서의 해제( 공개번호 10-2016-0044592), 차량 자율주행 시스템 및 이를 이용한 차량 주행 방법( 공개번호 10-2016-0057756), 차량의 자율주행 장치 및 그 방법(공개번호 10-2013-0091907), 고속도로 자율주행 시스템 및 방법(등록번호 10-1417522) 및 자율이동 차량용 자율주행 시스템 및 이를 이용한 주행가능 경로 생성방법(등록번호 10-1273245)은 교통 체증을 해결할 수 없고, 에너지 비효율적인 종래의 단독형(Stand alone) 자율주행장치에 관한 것이다. 본 발명의 장치는 물류교통 인프라의 사회적 총효용을 최대로 하는 서버기반 자율주행 장치로써, 종래의 단독형 자율주행 방법에 비해 기술적으로 현저히 진보하여, 경제적으로 현저한 이익을 제공한다. 또한, 주차장 내 자율주행 시스템 및 방법(등록번호 10-1637842)은 주차장에서 가상차로를 이용하여 주차할 공간까지 안전하게 자율주행할 수 있는 방법에 관한 것으로, 개별 차량이 자신의 주차 위치를 찾아가는 기능을 제공한다. 본 발명의 장치는 주차장 전체가 가장 효율적으로 운영되기 위해서 주차 차량 각각이 언제, 어디서, 어디로 이동해야 하는 지를 결정하고 집행하므로, 기술적으로 현저히 진보한 것이다.

종래의 기술로는 불이 난 극장에서 모든 사람들을 안전하게 대피시킬 수 없으므로, 각자가 생존을 위한 합리적 방안을 선택한다. 도로의 차량 수용 능력이 제한적인 대도시의 도로 상황도 동일한 메커니즘에 의해, 교통 체증과 혼란이 불가피하다. 종래의 자율운전차량 역시 운전자가 사람에서 컴퓨터로 바뀐 것뿐, 불이 난 극장에서 빠져나가려고 발버둥치는 또 하나의 관객과 다름없다.

교통 체증 문제를 해결하기 위해서는 기존의 도로 폭을 2~3배 넓히거나, 차량 수를 ½ ~ ⅓ 로 줄이거나, 그와 동일한 효과를 갖는 장치가 필요하다.

본 발명의 사회적 자율주행 교통장치로 교통 체증 문제를 근원적으로 해결할 수 있다.

본 발명의 개념을 설명하기 위한 일 실시 예는 광역 이동통신망;, 웹에 위치한 가상머신(VIRTUAL MACHINE);, 상기 가상머신에 설치된 Online ADS(Autonomous Driving System on Virtual Machine);, 상기 가상머신을 생성하고 제어하여, 최적의 교통 알고리즘을 산출하는 TOP(Traffic Orchestra Program)을 설치한 서버;, 이미지 서버와 이미지 데이터베이스;, 차량에 장착될 드라이버 장치에 설치되는 프로그램으로, 차량의 주행 환경 정보를 수집하고, 자율주행을 제한적으로 수행할 수 있는 Local ADS(Autonomous Driving System on Local Vehicle);, 위성과 온라인 지도 시스템;, 차량 후면에 장착되는 표식(Sign);, 고정밀 GPS 기지국, 및 차량체결장치를 포함한다. 본 발명의 장치는 종래의 제한적인 통신 자원과 제한적인 컴퓨팅 자원으로도, 국가 또는 사회의 전체 차량이 최적의 효율(Optimal Efficiency)로 자율주행할 수 있는 서버기반 자율주행 교통장치이다. 상기 ‘최적의 효율’이란, 어느 한 국가 또는 사회의 교통과 관련하여, 컴퓨터 장치가 수학적으로 도출할 수 있는 최상의 결과 값을 의미하며, 더욱 구체적인 의미는 본 명세서를 통해 명백히 드러난다.

종래의 사람 운전 방식 또는 단독형(stand alone) 자율주행방식에 비해 현저히 적은 비용으로, 사회 전체의 자율주행 체계를 구성하고, 종래의 주행 방식에 비해, 차량의 주행에너지와 컴퓨팅 자원의 소비를 현격히 줄인다. 또한, 종래의 교통 인프라보다 현저히 적은 수의 차량으로 더 효율적인 물류 및 교통 체계를 구성함으로써, 교통 혼잡을 원천적으로 해소하며, 사회 전체의 물류 및 교통 비용을 현저히 줄일 수 있게 된다.

가장 큰 효과는 불이 난 극장에서 모든 사람을 구하는 것과 같다. 본 발명의 장치는 대부분의 차량을 종래의 방법보다 빠르고, 안전하며, 쾌적하게 목적지에 이르게 한다. 예를 들어, 한국에서 천만(10,000,000) 대의 차량이 본 발명의 장치로 자율주행한다면, 상기 차량 대부분이 사람 운전자 또는 종래의 단독형(stand alone) 자율주행 방식에 비해, 더 빠르고, 더 안전하게 각자의 목적지에 이를 수 있다.

이러한 효과는 종래의 기술로는 불가능하다.

본 발명은 종래의 사람 운전 또는 자율주행 차량에 의한 교통 체계보다 현저히 적은 수의 차량으로 동일하거나 그 이상의 물류 및 교통 서비스를 구현할 장치에 관한 것이다. 구체적으로는, 서버에 설치된 교통 오케스트라 프로그램(Traffic Orchestra Program 또는 TOP)이 일련의 자율주행차량 대상으로, 그 각각의 출발시각과 도착시각, 특정 도로구간에서의 속도, 경로, 경유지, 탑승자 및 탑승화물을 결정하고, 상기 차량 각각에 설치된 자율교통시스템(ADS)은 상기 결정에 따라, 주변 환경을 해석하고 차량을 방어적(Defensive)으로 제어하여 자율주행하는 장치에 관한 것이다. 상기 방어적이라는 표현은 본 발명의 고유한 개념으로, 본 명세서 전반에 걸쳐 상세히 설명된다.

본 발명의 장치를 구현하는 방법은 다양할 수 있으나, 본 명세서에서는 서버, 온라인 자율주행시스템, 및 로컬 자율주행시스템으로 본 발명의 서버기반 사회적 자율주행 장치를 구현하는 실시 예를 제시한다.

본 명세서에서 인공지능(Artificial Intelligence or AI)은 머신 러닝(Machine Learning)을 포함하여, 전형적으로, Deep Neural Network에 의한 ‘기계 판단(Decision by Machine)’을 의미하며, 이미지 처리(image processing)란 종래의 자율주행차량에 의한 시각적 정보 처리(visual data processing)를 의미한다. 사운드 처리(sound processing) 역시 동일하다. 본 발명에서, 서버는 클라우드 플랫폼(Cloud Platform)을 포함한 개념이다. 이하, 차량과 드라이버(Driver)와 Local ADS는 같은 의미로 쓰일 수 있고, 가상머신과 Online ADS 역시 같은 의미로 쓰일 수 있으며, 서버와 TOP도 같은 의미로 쓰일 수 있으므로, 문맥을 통해 이해해야 한다. 예를 들어, 드라이버가 차량을 제어한다는 표현은 드라이버에 설치된 Local ADS가 차량을 제어한다는 의미로 이해되어야 하고, ‘차량이 서버에 질의한다’는 표현은 ‘차량에 장착된 드라이버에 설치된 Local ADS가 서버에 설치된 TOP에 질의한다'로 이해되어야 한다.

본 명세서에서, 단독형(stand alone)이라는 표현은 종래의 자율주행차량을 본 발명의 개념을 설명하기 위한 일 실시 예의 서버 기반 자율주행차량과 구분하기 위한 표현이다.

‘서버 기반’이라는 표현은 차량의 자율주행과 관련된 주요한 컴퓨팅 과정이 차량에 장착된 컴퓨팅 장치(본 명세서에서는 ‘드라이버’라 지칭한다. )에 설치된 자율주행시스템(Local ADS)이 아니라, 웹에 위치한 가상머신(1A)에 설치된 자율주행시스템(Online ADS)과 서버에 설치된 TOP에 의해 수행됨을 의미하며, 컴퓨터(Computer) 자원은 CPU, Memory와 같은 하드웨어와 OS를 포함하는 소프트웨어를 지칭하고, 컴퓨팅(Computing) 자원은 상기 컴퓨터 자원과 그를 가동하는데 필요한 에너지를 포함하는 포괄적인 개념이다.

가상머신에 설치되는 Online ADS은 통상의 단독형 자율주행시스템을 웹에 옮겨둔 것으로, 구글이 공개한 AI 저작(authoring) 도구인 TensorFlow;, 오픈소스 저작 도구인 Torch;, 구글, IBM, 스탠포드 대학 등이 공개한 머신 러닝 부문의 이미지 처리 라이브러리와 프레임워크를 이용하여, AI 분야에 종사하는 기술자가 쉽게 작성할 수 있으므로, 그 상세한 설명은 생략한다. 다만, 본 발명의 고유한 개념인 중복 이미지 소거 방법은 도6을 참조하여 상세히 설명한다.

서버에 설치되어, 광역 교통 체계를 수립하고, 불특정 다수의 자율주행차량을 지휘, 관리, 감독하는 TOP(Traffic Orchestra Program)의 기능은 AI 분야를 포함한 종래의 기술자가 알 수 없으므로, TOP 관련 항목에서, 도 2, 도 3, 및 도 4를 참조하여, 상세히 설명한다.

이하, 일 실시 예를 통해 본 발명의 장치를 상세히 설명한다.

도 1을 참조하여, 서버는 구글이나 아마존의 클라우드 플랫폼(Cloud Platform)처럼 가상머신(Virtual Machine)을 생성할 수 있는 웹 컴퓨팅 장치이다. 상기 플랫폼에 고유한 IPv6 주소를 가지며, 병렬 컴퓨팅(parallel computing)을 지원하는 다수의 리눅스 가상머신(Virtual Machine)을 설치하고, 상기 가상머신 각각을, 역시 고유한 IPv6 주소를 갖는 차량 각각에 1:1 관계로 매칭(matching)한 다음, 상기 가상머신 각각에 종래의 단독형 자율주행시스템(ADS)를 설치하는 방법으로, Online ADS을 생성하고, 그로써 각각의 Online ADS가 각각의 차량(2)을 제어하게 할 수 있다.

각각의 가상머신은 자신이 담당한 차량이 주행할 때만 구동되므로, 사회 전체의 컴퓨팅 자원을 보다 효율적으로 활용할 수 있다. 가령, 종래의 단독형 자율주행차량 5대를 운행하기 위해서, 5세트의 컴퓨팅 장치가 필요하지만, 본 발명의 가상머신을 이용할 경우, 클라우드 플랫폼에 5 세트(set)의 가상머신을 설치하더라도, 실제로 소비하는 컴퓨팅 자원은 종래의 단독형 자율주행차량 5대의 그것에 비해 현저히 줄어든다.

차량이 산재하여 개별적으로 자율주행할 경우, 각 Online ADS가 각 차량(2A, 2B, 2C, 2D, 2E)의 자율주행을 방어적(Defensive)으로 제어(control or implementation)하고, 상기 차량 각각의 Local ADS는 제각기 자신의 가상머신의 요청에 따라, 차량 주변 360도 중 특정 각도의 이미지와 마이크(Mic)로 녹음한 사운드를 초당 10회(frame) 전후로 상기 자신의 가상머신으로 전송한다. 각 Online ADS는 자신의 Local ADS로부터 전송받은 이미지와 사운드를 분석하여, 각 차량의 진행 방향과 속도를 제어한다. 도 1에서 화살표는 차량으로부터 가상머신으로 전송되는 이미지 데이터를 표시한다. 이러한, 자율주행 방식을 본 발명에서 온라인모드(Online Mode)라 부른다.

그러나 전술한 방식으로 천만 대의 자율주행차량(2)을 1,000만 세트의 가상머신으로 제어한다면, 비록 일부 가상머신만 동시에 가동된다 해도, 여전히 막대한 무선통신 자원과 컴퓨팅 자원이 요구된다. 한국을 예로 들어, 국내에 소재한 모든 서버의 컴퓨팅 자원을 조달하고, 국내 광역 이동통신 자원을 모두 조달하더라도, 전술한 방식으로 운용되는 서버 기반 자율주행 차량 수백만 대의 동시 주행을 감당할 수 없다.

이하, 제한적인 통신 자원 및 컴퓨팅 자원으로, 자율주행 차량 수백만 대의 동시 주행을 감당할 서버 기반 자율주행 교통장치의 구성과 작동 과정을 상세히 설명한다.

도 2를 참조하여, 실시 예의 장치는, 종래의 사람이 운전하는 자동차;, 카메라와 마이크와 통신 모듈과 자이로스코프와 엑셀러로미터(Accelerometer)와 콤파스(compass)를 포함하는 리눅스 계열의 머신인 드라이버(Driver) 및 상기 드라이버에 설치되는 Local ADS;, Convolutional neural network, deep network, 및 recurrent network을 포함하는 자율주행시스템인 Online ADS;, 상기 Online ADS가 설치되는 가상머신(Virtual Machine);, 상기 가상머신을 생성하고, Online ADS을 설치하며, 그를 관리감독하고, 제어하여, 광역 교통 체계를 운용하는 TOP(Traffic Orchestra Program);, 상기 TOP이 설치된 클라우드 플랫폼(Cloud Platform)인 서버; 차량의 후면에 장착되는 표식(Sign);, 둘 이상의 차량을 상호 결속하는 차량체결장치(Connector);, 오차 범위 1m 내외의 도로교통용 GPS 보정기술을 사용하고, 광역이동통신을 중계하며, 카메라로 도로 상태를 모니터링하기 위한 GPS 및 통신 타워(9);, LTE를 포함하는 광역 이동통신망;,및, 온라인 지도 시스템을 포함한다.

차량에 장착된 전방카메라(6A), 측방카메라(6B), 후방카메라(6C), 및 실내카메라(6D)는 Local ADS에 의해 제어된다. 경우에 따라서는 WiFi(7A) 같은 근거리 통신망을 포함할 수도 있다.

더하여, 오천만(50,000,000) 명의 인구, 오천만(50,000,000) 개의 화물, 천만(10,000,000) 대의 차량, 200,000KM의 도로, 십만(100,000) 개의 신호등, 하나의 클라우드 플랫폼, 상기 플랫폼이 생성하는 천만(10,000,000) 세트의 가상머신, 상기 가상머신 각각에 설치되는 Online ADS, 상기 천만 차량 각각에 부착되는 드라이버, 및 상기 드라이버에 설치되는 Local ADS를 상정한다. Online ADS, Local ADS, 및 차량은 1:1:1의 관계이다. 하나의 차량은 하나의 Local ADS와 하나의 Online ADS에 대응하며, 서버(1)와 광역이동통신망(7)은 하나이며, GPS 및 통신 타워(9)는 권역 내에 복수의 장소에 설치된다.

본 실시 예의 장치가 작동하는 과정은 TOP(Traffic Orchestra Program)이 주행 플랜을 작성하는 과정, TOP이 수립한 주행 플랜에 의해, Online ADS가 중복이미지 소거(Elimination)의 방법으로 개별 차량의 주행을 제어하는 과정, TOP의 그룹핑 지시를 Online ADS가 수행하는 과정, 그룹 내 차량 중 일부가 로컬모드로 전환하는 과정, 주행 및 컴퓨팅 에너지를 더욱 절감할 수 있는 체결모드로 전환하는 과정, 드라이버에 Local ADS를 설치하고, 학습시키는 과정, 및 직무 수행의 사회화(Socialization)에 의한 교통량 감축 과정을 포함한다.

먼저, TOP(Traffic Orchestra Program)이 주행 플랜을 작성하는 과정을 자세히 설명한다.

본 발명의 장치를 구성하는 자율주행 차량은 차량에 장착된 장치, 상기 장치에 접속한 스마트 기기, 및 로봇이 서버의 주행플랜 모듈에 접속하여, 주행 시각과 목적지를 포함하는 정보를 입력하면, 서버(TOP)가 상기 정보를 이용하여 각 차량의 주행플랜을 수립하고, 상기 플랜에 의해 그 운행을 개시하게 된다.

장착된 장치로 상기 정보를 입력하는 것은 통상적으로 사람이 차량에 탑승하여, 목적지 등을 입력하는 방법이고, 상기 장치에 접속한 스마트 기기로 상기 정보를 입력하는 것은 차량 인근 또는 원격지에 소재한 차량 이용자가 특정 차량 또는 불특정 차량에 대한 이용 요청을 서버에 전달하고, 서버는 상기 특정 차량 또는 불특정 차량 중 상기 이용자의 교통 수요를 충족할 수 있는 차량을 선택하여, 상기 이용자가 지정한 장소로 주행하게 하여 그를 탑승시키거나, 화물을 탑재하는 방법이며, 상기 특정 차량의 상기 이용자의 자가용일 수 있고, 상기 불특정 차량은 택시와 같은 대중 교통 수단일 수 있다. 로봇에 의한 정보 입력은 전형적으로, 특정 장소에서 여타 장소로 화물을 보내려는 물류장치가 서버에 요청하여 화물 차량을 호출하고, 화물을 탑재한 뒤, 상기 여타 장소로 운송하게 하는 것이다. 물론, 상기 예시는 개념을 설명하기 위한 것이며, 실제로는 상기 차량에 장착된 장치와 스마트 기기와 로봇의 역할이 다양한 방식으로 응용되고, 조합될 수 있다.

서버에 설치되는 TOP은 모든 자율주행차량의 경로, 후술하는 주행모드, 속도, 탑승자, 및 이송할 화물을 결정하며, 다수의 차량에 의한 사회적 효용을 최대화하도록 개별 차량의 주행을 시시각각 조율한다. 실시 예의 TOP은 100개의 층(layer)으로 구성된 뉴럴 네트워크(Neural Network)이다. TOP은 통상의 Reinforcement Learning 알고리즘을 주된 원리로, 하기 학습(Machine Learning) 과정을 통해, 상기 능력을 획득한다.

도 3을 참조하여, 온라인 지도상의 도로(5B)에 가상의 차량 천만(10,000,000)대를 배치한다.

도 4를 참조하여, 동일한 온라인 지도에, 다양한 연령층의 가상(Virtual) 사람 오천만(50,000,000)과 다양한 무게와 부피의 가상 화물 오천만(50,000,000) 개, 그 수가 특정되지 않은 가상 주차장 십만, 탑승 정원이 다양한 가상의 승용차 백만(1,000,000) 대, 지도에 표기된 신호등의 위치와 개수, 그리고, 화물탑재량이 다양한 화물차량 십만(100,000) 대를 임의(Random)로 선정하여, 지도 위에 인구 밀집도 비율로 배치한다. 주목할 점은 이 단계에서 가상 주차장의 개수와 위치가 확정되지 않은 상태이며, 후술하는 학습 과정에서 위치를 확정하게 된다.

일정한 시간 단위로 상기 오천만 인구와 오천만 화물 중 일부를 임의(Random)로 선정하여, 임의(Random)의 목적지를 부여한 뒤, TOP으로 하여금 상기 차량 백십만 대를 이용하여 각각의 목적지까지 수송하게 한다. 이때, 총 이동 거리가 최소가 되는, 최적(Optimal) 주행 방법 및 주차 장소를 도출하기 위해, TOP은 차량과 TOP에 가상의 규칙을 부과한 뒤, TOP으로 하여금, 차량 각각의 속도와 주행 모드, 그리고 주차장의 개수와 그 각각의 위치를 결정하는 학습(Machine Learning)을 개시한다.

가상의 규칙은, 차량과 차량 간의 간격이 10미터 이상이면, 1m 주행에 1 Joule의 주행에너지를 소모하고(마이너스 1), 10미터 이내이면, 0. 2Joule의 주행에너지를 소모하며(마이너스 0. 2), 온라인모드의 차량은 1초(second)당 1 watt의 컴퓨팅 자원을 소비하고(마이너스 1), 로컬모드의 차량은 1초당 0. 1 watt의 컴퓨팅 자원을 소비한다(마이너스 0. 1). 또한, 서버는 A-Star(A*) 알고리즘과 같은 경로 탐색 알고리즘을 이용하여, 출발지와 목적지 간의 최단 경로를 산출하고, 상기 가상의 차량이 상기 최단 경로를 따라 주행하면, 플러스(+) 100, 상기 최단 경로를 벗어나 주행 거리가 늘어날수록, 0에서 마이너스(-) 무한대의 벌칙을 부과하며, 같은 시각 같은 도로를 주행하거나, 같은 장소에 주차 중인 둘 이상의 차량은 하나의 그룹을 형성할 수 있 있고, 그룹 내 선두차량은 온라인모드, 후미차량(들)은 로컬모드가 될 수 있다. 상기 모드의 의미는 나중에 자세히 설명한다. 또한, 차량 간 충돌이나 추돌 사건에는 일정 수준의 벌칙을 부과한다.

이 과정에서 신호등의 점멸 시각도 산출된다. 차량이나 사람과 달리, 도로와 신호등은 실제 지도를 참조하여 결정되며, TOP은 다만 상기 도로 각각에 진입하고 퇴출할 차량의 종류와 대수, 그리고 상기 종류와 대수를 동적으로 반영하여(Dynamically or Real Time), 각 신호등의 점멸 시각을 학습할 따름이다.

상기 학습에서 서버(TOP)는 권역 내 다수의 지점에 다양한 규모의 주차장을 배치하고, 그 개수와 위치와 규모를 수정하는 과정을 통해, 최적 개수와 각 주차장의 최적 위치와 최적 규모를 산출한다. 후술하지만, 서버는 주차장 내 차량 각각의 위치를 결정하고, 주기적으로 갱신하여, 개별 주차장이 최적 상태로 운영될 수 있도록 제어한다.

TOP이 개별 차량의 속도와 위치와 주행 경로와 주행 모드를 조작하여, 최적의 점수(Optimal Score)를 획득할 때까지 학습을 지속하며, 일반적으로 백만(1,000,000)회에서 일억(100,000,000)회 사이로 진행할 수 있다. 전술한 가상의 규칙은 다만 예시이며, 실제 국가나 사회에 적용될 TOP의 학습에서는 해당 지역의 특성에 따라, 상기 변수의 가중치를 다양하게 할 수 있고, 새로운 변수를 추가하거나, 기존 변수를 제거할 수 있음은 물론이다. 그러나, 그룹으로 설정된 차량의 주행에너지 및 컴퓨팅 에너지 소비가 낮아지고, 최적 경로를 따라 주행할수록, 점수가 높아지는 TOP의 기본적인 학습 원리, 목적 및 메커니즘은 동일하다. Reinforcement Learning은 알파고(AlphaGo) 개발팀과 같은 AI 분야 개발자들 사이에 널리 알려져 있다.

TOP의 학습 과정을 더욱 상세히 설명한다.

도 5를 참조하여, 한국의 온라인 지도 위에 가상의 차량, 사람, 및 화물을 배치한다. 점(10B)과 같이 하나의 둥근 점은 단독 주행차량을 표시하고, 두 직선(5B)은 도로이며, 화살표는 차량의 진행 방향, 연이은 점들(10A)은 둘 이상의 차량이 형성한 그룹을 표시하며, 선을 벗어난 점(12C)은 주차 상태인 차량을, 일부(10D)는 정차 차량을, 사각형(10E)은 신호등을, X자 표시(10F)는 사고 차량을, 흰색의 둥근 점(10G)은 사람이 운전하거나, 종래의 자율주행 차량을 표시한다. 이 때, 주행 시간과 주행 거리 중 무엇이 우선할지, 또는 주행에너지 소비와 컴퓨팅 에너지 소비 중 어디에 초점을 둘지 등에 따라, TOP이 학습하는 최적 상태가 달라지며, TOP은 본 발명의 고유한 개념인 ‘사람 및 화물의 시간 가치’와 그룹핑(Grouping)에 기초하여 개별 차량 각각의 주행 플랜을 수립한다.

‘사람 또는 화물의 시간 가치’ 방법은 사회적 효용의 총합이 최대가 되도록, 개별 차량의 주행 속도와 경로를 결정하는 것이다. 예를 들면, 어느 한 사회의 업무 시간당 생산성을 산출하고, 주행 시간당 에너지 소비량을 산출한 뒤, 상기 생산성과 상기 소비량을 비교하여, 사회 전체의 이익이 큰 방향으로 TOP이 주행 플랜을 결정하는 것이다. 가령, 한국인의 평균적인 업무 시간당 가치 생산량이 한화(KRW) 10,000원이고, 특정 차량의 주행 시간을 한 시간 줄이기 위해 가속하는 과정에서 추가로 소비되는 연료가 5,000원이라면, 상기 차량을 가속하여 주행 시간을 줄이는 것이 이익이다. 한 사람이 탑승한 차량보다는 네 사람이 탑승한 차량의 주행 시간을 줄이는 것이 이익이고, 일반 차량보다는 앰뷸런스의 주행 시간을 줄이는 것이 사회적 이익이 크다. 따라서, TOP은 자율차량 각각의 주행 목적, 탑승 인원 및 화물의 종류에 따라, 차량 각각의 우선순위를 달리하여, 우선순위가 높은 차량일수록 고속주행시키도록 강화학습(Reinforcement learning)한다.

주차장에 주정차 중인 차량 역시 TOP이 학습할 변수에 포함된다는 점에 주목할 필요가 있다. 가령, 주차 중인 차량에 대해서도 TOP은 주차장 내에서 언제, 어떤 차량을, 어떤 위치로 옮기는 것이 주차장 내의 주행 거리와 주행 시간과 주행 자원, 구체적으로는 주행 에너지와 컴퓨팅 자원의 소비 측면, 그리고, 상기 주차장 내의 여타 차량의 주차장 진출입에 가장 유리한 지를 학습하게 된다.

‘그룹핑(Grouping)’ 방법은 TOP이 탑승한 사람 또는 적재된 사물의 시간가치를 판단한 뒤, 비슷한 수준의 가치를 운반하는 차량을 하나의 그룹으로 묶어, 동일한 속도로 주행하게 하는 것이다. 앰뷸런스와 경찰 출동 차량이 하나의 그룹으로, 주차장에 주차 중인 차량이 또 하나의 그룹으로 묶일 수 있다. TOP은 전자를 고속 주행시키고, 후자는 주행속도를 제로(0)로 할 수 있다. 후술하지만, 그룹 내 후미차량이 소비하는 연료가 줄어드는 규칙을 부과함으로써, TOP은 그룹핑을 강화 학습하게 된다. 물론, TOP이 수행하는 그룹핑의 정도는 상기 연료 소비량 변화와 노동 생산성과 같은 여타 변수들 간의 관계를 어떻게 규정하는지에 따라 달라질 것이다.

동일한 속도로 주행하는 차량을 같은 그룹으로 묶음으로써 얻는 효용은 크게 세 가지이다.

첫째, 서버가 제어할 차량 단위들의 수가 줄어든다. 속도가 천차만별인 1,000대의 차량이 산재하여 고속도로를 주행하는 경우와, 같은 속도의 차량 100대씩 그룹을 형성하여 주행할 때를 비교해보면 그 이유는 자명하다. 둘째, 같은 그룹에 속하는 차량이 상호 밀착 주행, 또는 근접 주행을 함으로써, 후미 차량의 공기 저항을 대폭 줄일 수 있게 된다. 이는 연료 소비를 줄인다. 셋째, TOP의 기능을 모듈화할 수 있다. 구체적으로, 주차장에 주차된 차량의 주차장 내 이동은 도로 위를 주행 중인 차량에 어떤 영향도 미치지 않는다. 따라서, 예시한 주차장의 차량처럼, 일부 차량을 독립적인 하나의 TOP 모듈로 제어함으로써, 실시 예의 천만 대를 제어할 TOP의 기능을 다수의 작은 단위로 분산할 수 있다. 가령, 제주시 연동의 모 주차장 내부의 교통을 관리할 서버 모듈, 연동의 골목길 교통량을 관리할 서버 모듈, 제주시의 교통량을 관리할 서버 모듈, 제주도, 그리고 한국의 교통량을 관리할 서버 모듈 순으로 다수의 서버 모듈들을 권역 별로 계층적(Hierarchical)으로 조합하여, 하나의 매우 깊은(very deep) 뉴럴 네트워크를 구성할 수 있으며, 이러한 구조의 서버 어플리케이션을 본 명세서에서는 TOP(Traffic Orchestra Program) 또는 간단히 ‘서버'라 지칭한다.

강화학습 과정을 거친 TOP이 실시 예의 한국에 투입되면, TOP은 차량 천만 대 각각의 속도, 경로, 및 소속 그룹을 결정한 뒤, 통신 및 모니터링 타워가 제공하는 실시간 영상을 토대로, 후술하는 온라인모드 차량과 로컬모드 차량을 지휘하여, 교통 체계 전반을 운영한다.

차량(10G)은 본 발명의 장치에 의해 제어되지 않을 수 있고, 언제 어디서 어떤 방향으로, 어떤 속도로 주행할지 예측할 수 없다. 따라서, 사람이 운전하는 차량과 종래의 단독형 자율주행차량을 포함하는 다양한 주행 메커니즘이 공존하는 하나의 권역을 설정하고, 본 발명의 장치에 의해 제어되지 않는 차량을 임의(Random)로 생성하여, 임의의 속도 및 방향으로, 임의의 도로 위를 주행하게 함으로써, TOP이 본 발명의 서버기반 차량의 속도와 경로를 결정하는 방법을 학습하게 할 수 있다. 그럼에도, 본 발명의 차량과 차량(10G) 간의 충돌이나 추돌을 서버만으로 제어하기는 쉽지 않다. 이에, 개별 차량이 TOP의 지시에 따른 경로와 속도를 지키기 위해, 주변 환경의 변화로부터 자신을 방어하는(Defensive) 자율주행시스템인 Online ADS 및 Local ADS가 필요하며, 그를 상세히 설명한다.

요약하면, TOP은 (1) 탑승 인원과 적재 화물과 주행 목적, (2) 사람 및 화물의 시간 가치, (3) 그룹의 생성과 해제 시점, (4) 신호등의 점멸 시각, (5) 주행 거리, 주행 시간 및 에너지 소비량, (6) 예외 조항을 변수로 하여, 차량 각각의 주행 계획(Driving Plan)을 수립하고, 실시간 갱신하는 방법을 학습(Machine Learning)하며, 그로써, 각 차량의 주행을 제어하게 된다. 상기 (6) 예외 조항은 천재 지변이나, 전쟁의 경우처럼, 본 발명의 장치를 적용할 사회가 특정 용도의 차량을 우선 주행하게끔, TOP의 학습 과정에서 특정 항목에 특별한 가중치를 부여하는 것을 말한다.

본 발명의 장치는, 다양한 주행 메커니즘이 공존하는 하나의 권역 내에서, 하나의 서버가 각 차량의 경로와 속도를 결정하고, 실시간으로 갱신하며, 상기 각 차량은 주변 환경을 해석하여 방어적으로 자율주행하는, 권역 단위 자율주행 장치로 요약할 수 있다.

이하, TOP이 수립한 주행 플랜에 따라 개별 차량이 Online ADS로 중복이미지를 소거하는 방법으로 주행하는 과정을 상세히 설명한다.

전술하였듯이, 본 발명의 장치에 의해 제어되지 않는 차량(10G)도 같은 도로 위를 주행할 수 있으므로, TOP이 차량 각각의 위치와 방향과 속도를 제어하는 데는 한계가 있다. 그러한 한계를 보충하는 장치 중 하나가 온라인 자율주행시스템(Online ADS)이며, Online ADS 및 후술하는 Local ADS은 모두 방어적 자율주행시스템이다. 방어적(Defensive) 자율주행은 본 발명의 고유한 개념이므로, 부언 설명할 필요가 있다.

본 명세서에서 사용되는 ‘방어적(Defensive)’이라는 표현의 의미를 상세히 기술한다. 온라인에서 차량의 주행을 제어하는 Online ADS와 차량에 장착된 컴퓨터 장치에서 차량의 주행을 제어하는 Local ADS는 모두 인공지능 기술에 기반한 장치로써 상당한 판단 능력을 갖추지만, 오직 현재 상황을 유지하는데 전념할 뿐, 현재의 상태를 개선하기 위한 어떤 행동도 도모하지 않는다. 가령, 사람이 운전하는 차량이나 종래의 자율주행차량이라면, 옆 차선이 비어있고, 현재 차선은 밀려있다면, 차선을 변경하여, 속도를 높일 것이다. 그러나, 본 발명의 ADS는 결코 현재 상황을 개선하려 하지 않으며, 다만 TOP이 지시한 속도와 경로만 준수할 뿐이다. 달리 표현하면, 현재 상황을 개선하려는 일체의 판단은 TOP이 전담한다.

이러한 본 발명의 고유한 개념은 종래의 사람이 운전하는 차량, 또는 단독형 자율주행차량에 비해 크게 두 가지 장점이 있다.

첫째, 불이 난 극장에서 질서를 유지하는 것과 같은 효과이다. TOP이 사회 전체의 최대 이익을 위해 각 차량의 속도와 경로를 결정하므로, 차량이 특정 차선이나 도로에 쏠리는 혼란을 피할 수 있다.

둘째, 공격 부대과 방어 부대 간의 화력 차이와 같은 효과이다. 본 발명의 차량은 자신의 위치를 방어할 따름이므로, 자율주행을 위한 컴퓨팅 자원의 소비를 현저히 줄일 수 있다.

이하에서, 이를 상세히 설명한다.

서버가 생성한 가상머신에 설치되는 Online ADS는 종래의 구글 카(Google Car)와 같은 완전한(Full) 자율주행능력을 갖춘 시스템이다. 그러나, 레이더나 라이다 같은 고가의 장비 없이, 차량에 장착된 카메라와 마이크를 제어하여, 자율주행을 구현할 수도 있다는 점에서 보다 경제적이고, 로컬 컴퓨터가 아니라 웹 서버의 가상머신에 설치되며, 서버에 설치된 TOP에 의해 제어되는 점이 다르다. 또한, 종래의 자율주행차량은 주행하는 동안만, 차량에 장착된 고가의 컴퓨팅 장비를 이용하고, 동일 지점을 통과하는 개별 차량이 같은 시각, 같은 환경을 제각기 촬영하며, 제각기 그 이미지를 해석하므로, 사회적 측면에서 컴퓨터 자원의 효율적 이용이 어렵지만, 본 발명의 장치는 후술하는 중복이미지 소거방법으로 종래의 자율주행차량 대비 1/10 ~ 1/100 수준의 컴퓨팅 자원만으로 운용될 수 있으므로, 막대한 컴퓨팅 자원을 절약할 수 있다.

상기 Online ADS의 기초적인 머신러닝은 종래의 단독형(Stand alone) 자율주행시스템의 머신러닝 과정과 크게 다르지 않으므로, 자율주행 분야에 종사하는 기술자가 TensorFlow, Torch, Caffe와 같은 도구와 구글의 Image Recognition Library 등 공개된 방법을 이용하여, 쉽게 구현할 수 있다. 그러나, 본 발명의 고유한 개념인 중복이미지 소거 방법은 실시 예를 통해 상세히 설명한다. 전술하였듯이, 가상서버, Online ADS 및 차량은 1:1:1이다.

도 6을 참조하여, 서버(1)는 웹의 특정 장소에 이미지 서버(1B)를 설치하고, 도로의 각 지점의 GPS 좌표, 바람직하게는 도로교통용 GPS 보정기술을 사용하기 위한 수신국 인프라(9)에 기반을 둔 오차범위 1m 이내의 GPS 좌표를 일정한 변환 규칙에 따라, IPv6 주소 형식으로 변환한 뒤, 상기 주소에 소형 이미지데이터베이스(1C), 바람직하게는 실행 속도가 빠른 인메모리 데이터베이스(In-memory DB)를 설치한다. 이후에는, 자율주행차량이 도로 주행 중에 획득하는 이미지들을 각 GPS 좌표별로 분류하여, 각기 대응하는 이미지데이터베이스(1C)로 전송하고, 상기 IPv6 주소를 참조하는 방법으로, 모든 차량이 상기 저장된 이미지를 공유하게 할 수 있게 한다. 만약, 전국의 도로 위에서 감지되는 GPS 좌표의 숫자가 1억 개라면, 1억 개의 이미지데이터베이스를 구성해야 하지만, 모두 정지 영상이므로, 유튜브와 같은 동영상 스트리밍 서버를 구성하는 컴퓨팅 자원의 백분의 1 또는 천분의 1(1/100 ~ 1/1,000) 수준으로 충분하며, 상기 이미지데이터베이스는 도로의 현재와 과거를 기록한 CCTV 기능을 겸할 수 있으므로 그 효용과 경제성이 현저하다.

이하, 중복이미지 소거방법을 자세히 설명한다.

전술하였듯이, TOP은 출발하는 각 차량의 목적지 정보를 바탕으로, 각 차량의 최적 또는 최단 경로를 산출하여, 각 차량의 운행 속도와 방향과 주행 도로를 포함하는 제반 사항을 결정한다. 예를 들어, TOP은 GPS 좌표 0001에 위치한 차량A의 Online ADS에게 도로A를 따라, GPS 0002지점까지 00시 05분까지 도착할 것을 지시할 수 있다. 상기 지시에 따라 주행하는 차량A의 카메라로 획득한 특정 GPS 좌표의 이미지A를 자신의 Online ADS로 전송하면, 상기 Online ADS는 상기 이미지를 최근에 상기 좌표 지점을 통과한 여타 차량B가 획득한 이미지B와 비교하여, 상기 두 이미지가 동일하다면, 상기 차량B가 자신이 획득한 이미지B를 해석하여 어떤 주행 명령을 내렸는지에 대한 정보로 자신의 주행 방법을 결정할 수 있다. 더욱 구체적으로, 차량A가 특정 GPS좌표 0001을 지나치기 3초 전에 차량B가 상기 장소를 지나치면서 획득한 이미지B를 상기 차량B의 Online ADS가 해석하여, 정상 상황으로 판단하고, 정상 주행하였으며, 그로부터 3초 동안 차량B에 어떤 사고도 발생하지 않았다면, 차량A의 가상 머신도 차량B와 마찬가지로 현재 속도와 방향을 유지하게 할 수 있다. 따라서, 차량A의 Online ADS가 자신이 획득한 이미지A 내의 각종 사물들의 정체를 해석하는 이미지 처리 프로세스를 수행하지 않게 된다. 이 과정은 후미에 뒤따르는 여타 차량에도 동일하게 적용되며, 따라서, 가상머신에 부과되는 로드(load)를 줄이고, 컴퓨팅 자원을 그 만큼 절약할 수 있게 된다.

중복 이미지 소거 방법은 실제 상당한 효용이 있다. 예를 들어, 12시간 동안 서울에서 부산 방향으로 경부 고속도로에 진입하는 차량의 수가 200,000대이고, 평균 주행시간은 3시간이며, 이미지 해석을 위해 촬영하는 사진의 수가 차량 당 100,000장 이라고 가정하면, 상기 차량의 Online ADS들은 상기 12시간 동안 도합 이백억(20,000,000,000)장의 사진을 해석해야 한다. 그러나, 모든 차량이 일정한 거리 및 시간 간격으로 주행하는 이상적인 상황을 가정하면, 오직 선두 차량 1대만 이미지 처리 프로세스를 수행하고, 나머지 모든 차량은 상기 해석 결과를 공유할 수 있다. 따라서, 상기 사진의 해석 빈도는 1/200,000로 줄어들고, 이미지 처리 프로세싱에 의한 서버의 컴퓨팅 자원 소모량 역시 1/200,000로 줄게 된다.

TOP의 그룹핑 지시를 Online ADS가 수행하는 과정을 더욱 상세히 설명한다.

도 7을 참조하여, 서버(1)는 주행 플랜(Driving Plan)에 의거하여, 비슷한 시간대에 동일한 지점을, 같은 방향으로 주행할 일련의 온라인모드 차량(2A, 2B, 2C, 2D, 2E)을 하나의 그룹을 구성하고, 같은 그룹에 소속될 차량의 GPS 정보를 기초로 하여, 상기 차량의 순서를 지정하며, 상기 그룹에 속할 차량의 가상머신 각각에게 제각기 자신이 담당하는 차량의 바로 앞에 위치할 직전(nearest front) 차량의 GPS 정보, 차종, 차량 번호, 및 색상 정보를 전달한다. 이 때 전달되는 GPS 정보는, 바람직하게는, 오차 범위가 1 m 이내인 대한민국 국토부의 초정밀 좌표이다. 제각기 온라인모드로 주행 중인 상기 차량 중에서, 차량(2B)이 먼저 차량(2A)의 후미에 밀착하고, 차량(2C)이 차량(2B)의 후미에 밀착하는 방식으로, 대열 끝에 위치할 차량까지 반복될 수 있다. 또는, 차량(2A)의 위치를 기준으로, 다른 차량(2B, 2C, 2D)이 동시에 자신의 위치로 진행할 수도 있다. 가령, 차량(2B)는 차량(2A)와 5미터 간격의 후미를 향해 진행하고, 차량(2C)는 차량(2A)와 20m 간격의 지점을 목표로 진행하며, 차량(2D)는 차량(2A)와 40m 간격의 지점을 목표로 진행하는 방법으로 어느 한 그룹에 속하는 차량이 일렬종대를 구성할 수 있다. 상기 논리는 주차장에 주차 중인 차량에 대해서도 동일하게 적용된다. 전술하였듯이 상기 차량은 제각기 자신의 Online ADS에 의해 온라인모드로 자율주행하고 있다는 점에 주목해야 한다.

그룹 내 차량 중 일부가 로컬모드로 전환하는 과정을 자세히 설명한다.

어느 한 그룹에 속하는 차량이 서버의 지시대로 일렬로 정렬하면, 서버는 선두 차량(2A)의 자율 주행만 여전히 그의 Online ADS가 직접 제어하게 하고, 나머지 차량을 각기 각 차량에 장착된 컴퓨터 장치인 드라이버에 설치된 Local ADS가 그 운행을 제어하는 로컬모드로 전환한다. 그로써, 서버의 컴퓨팅 자원과 이동통신 자원을 대량으로 소비하는 이미지와 사운드 송수신 차량을 단 한 대(2A)로 줄일 수 있다. 물론, 후미의 차량(2B, 2C, 2D)도 각각의 가상머신과 접속 상태를 유지하고, 상호 간에 다양한 정보를 송수신한다.

로컬모드의 후미 차량은 오직 앞차와 자차(self) 간의 간격만 유지한다. 따라서, 상기 로컬모드 차량이 자율주행을 위해 판단해야 할 정보의 양 또는 컴퓨팅 부하(computing load)는 온라인모드의 그것에 비해, 1/100~1/1,000 수준으로 줄어들고, 차량에 장착된 간단한 리눅스 머신의 제한적인 GPU 및 CPU 자원으로도 자율주행을 구현할 수 있게 되며, 서버의 컴퓨팅 자원과 통신 자원의 소비를 현저히 줄일 수 있게 된다.

차량 3대(2A, 2B, 2C)로 구성된 그룹의 Local ADS들은 각자가 담당하는 차량의 Timer, GPS, Compass, Gyroscope, 및 Accelerometer 정보를 공유하며, 어느 한 차량이 비정상적이면, 이를테면, Compass 값이 다른 차량과 현저히 다르거나, Gyroscope 값이 큰 폭으로 변동하면, 사고나 고장 발생으로 간주하고, 그룹 내의 차량이 모두 온라인모드로 전환하여, 각 차량이 독립적으로 상황에 대처할 수 있다.

이하, 주행 및 컴퓨팅 에너지를 더욱 절감할 수 있는 체결모드로 전환하는 과정을 자세히 설명한다.

TOP의 판단에 따라, 하나의 그룹에 속하는 둘 이상의 차량이 체결된 상태로 주행할 수 있다. 체결의 필요성은 어느 한 차량의 오작동이나 타이어 펑크와 같은 사고가 해당 차량이 속한 그룹 내의 차량 전체에 심각한 위험이 되는 것을 방지하고, 주행 에너지와 컴퓨팅 에너지를 더욱 절감하는 데 있다. 상기 목적으로, 본 발명의 장치는 밀착 주행 중인 차량을 하나의 주행 단위로 체결하거나, 체결된 차량을 주행 중에 분리할 수 있는 차량체결장치를 제시하며, 그러한 체결장치는 전자석을 이용하여 쉽게 구현할 수 있다.

도 8을 참조하여, 로컬모드의 차량(2B, 2C) 중 앞 차량(2B)의 후면에 장착된 차량체결장치(8B)와 뒷 차량(2C)의 전면에 장착된 차량체결장치(8B)를 전자석을 포함하는 방법에 의해 상호 체결함으로써 두 차량을 하나의 주행 단위로 합체할 수 있다. 서버가 근접 주행 중인 두 차량의 체결을 상기 두 차량의 Local ADS에 전달하면, 상기 각 차량의 Local ADS는 각 차량의 전후방 범퍼에 장착된 전자석을 구동하여, 두 차량을 체결할 수 있고, 반대로 분리하는 것도 전자석을 해제하는 방법으로 구현할 수 있다. 동일한 속도로 주행 중인 그룹 내의 차량을 하나의 주행 단위로 체결함으로써, 상기 그룹 내 어느 한 차량의 오작동이나, 타이어 펑크와 같은 사건에 의해 그룹 전체가 대형 사고로 발전하는 것을 미리 방지한다. 체결된 차량은 선두 차량(2B)의 Local ADS가 후미 차량(2C)의 Local ADS를 제어하여, 상호 동일하게 가속과 감속할 수 있고, 따라서, 차량(2C)의 드라이버의 컴퓨팅 자원을 더욱 절약할 수 있게 된다.

하나의 그룹에 속하는 어느 한 차량이 목적지에 도착하거나, 또는 경로가 분기되어 기존의 그룹 내 다른 차량과는 다른 도로구간을 향해야 할 경우에는 기존 그룹에서 탈퇴해야 한다. 서버는 어느 한 차량이 탈퇴할 때, 해당 그룹의 모든 또는 일부 자동차를 온라인모드로 전환한 뒤, 상기 탈퇴 차량만 그룹 내에서 이탈시키고, 나머지 차량으로 재차 하나의 그룹을 형성할 수 있다. 상기 탈퇴 차량은 자신의 Online ADS에 의존하여, 온라인모드로 주행하며, 서버가 지정한 여타 그룹의 후미에 합류하여, 재차 로컬모드로 전환하거나, 여타 그룹의 선두 차량이 되거나, 단독 주행하게 된다. 본 발명의 장치에서는 다수의 차량이 그룹 단위로 주행하므로, 그룹 내 후미 차량의 공기 저항을 줄이고, 사회 전체의 주행 에너지 소비를 줄일 수 있게 된다.

전술하였듯이, 로컬모드의 차량이 자율주행하기 위해서는 별도의 컴퓨터 장치가 차량에 장착되어야 한다. 본 실시 예에서, 상기 장치를 드라이버(Driver)라 부르며, 간단한 자율주행시스템인 Local ADS가 설치된 리눅스 머신이다.

차량에 장착될 드라이버에 Local ADS를 설치하고, 학습시키는 과정을 상세히 설명한다.

도 9를 참조하여, 실시 예의 드라이버(Driver)는 종래의 단독형(stand alone) 자율주행차량에 장착되는 고가의 컴퓨팅 장치를 대부분 제거한 간단한 리눅스 머신이다. 바람직하게는 GPU 자원을 활용하는 병렬(parallel) 컴퓨팅을 지원하는 우분투를 간소하게 재구성하거나, 앙스트롬(Angstrom)과 같은 임베디드 리눅스를 OS로 하며, 일반적인 리눅스 머신 및 스마트폰과 유사한 하드웨어 스펙으로, CPU, GPU, Memory, Storage, Compass, Gyroscope, Accelerometer, Camera, Speaker, Mic, Input Device, Output Device, Battery, Power Supply, Communication Ports, 및 USB, Bluetooth, NFD, Mobile, 및 Wire/Wireless Communication Modules를 포함하며, 부가적으로 핸들제어라인(3A), 브레이크제어라인(3B), 액셀레이터 제어라인(3C), 조명장치 제어라인(3D), 기타제어라인(3E), 정보수집라인(3F), 외부기기제어라인(3G), 그리고 차량체결라인(3H)을 포함한다. 드라이버는 상기 라인들을 통해 차량의 구동과 관련된 행위를 수행한다. 구체적으로, 드라이버(3)는 핸들제어라인(3A)으로 핸들의 회전 방향과 정도를 제어하며, 브레이크제어라인(3B)으로 브레이킹 강도를 제어하며, 액셀레이터 제어라인(3C)으로 가속 정도를 제어하며, 조명장치 제어라인(3D)으로 전조등과 방향등을 포함하는 차량 조명 장치의 점멸을 제어하며, 기타제어라인(3E)은 전술한 장치 외의 장치들을 제어하며, 정보수집라인(3F)으로 차량의 상태에 관한 정보를 수집하고, 외부기기제어라인(3G)으로 스마트폰을 포함하여, 상기 드라이버에 체결되는 여타 장치를 제어하며, 차량체결라인(3H)으로 둘 이상의 차량 간 체결 과정을 제어한다. 또한, 드라이버는 차량 내외부에 장착된 카메라와 마이크를 제어하여, 차량 주변의 이미지와 사운드를 획득하며, 그 메커니즘은 일반적인 데스크탑이나 스마트폰의 그것과 다를 바 없다. 차량 내외부에 장착될 카메라의 위치나 개수, 마이크의 위치나 개수는 다양할 수 있으며, 통상의 차량 제조사가 Angstrom같은 임베디드 시스템과 Raspberry Pi와 같은 기판을 이용하여, 전술한 리눅스 머신을 쉽게 구성할 수 있으므로, 상세한 설명은 생략한다. 드라이버는 차량의 보닛 아래를 포함하여 임의의 장소에 설치될 수 있다.

드라이버는 고유한 IP주소를 가지며, 제조사의 공장에서 본 발명의 자율주행시스템인 Local ADS를 설치하고, 상품으로 출하될 때, LTE를 포함하는 광역 이동통신망 또는 유무선 통신망을 통해 서버와 통신하여, 고유한 IP 주소를 갖는 자신의 가상머신(Virtual Machine)을 서버의 클라우드 플랫폼 내에 생성한다. 따라서, 모든 드라이버는 Local ADS 외에도, 제각기 자신의 가상머신 및 그에 설치된 Online ADS를 서버에 하나씩 두게 된다.

도 10은 드라이버에 설치되는 로컬 ADS(Local ADS)의 개괄적인 구성이다. 핸들링 모듈(Handling Module)은 핸들 장치를 제어하고, 브레이킹 모듈(Braking Module)은 브레이크 장치를 제어하며, 엑셀러레이터 모듈(Accelerating Module)은 가속 장치를 제어하고, 라이팅 모듈(Lighting Module)은 전조등과 방향지시등을 포함하는 조명 장치를 제어하며, 기타 컨트롤 모듈(Other Control Module)은 전술한 모듈이 제어하지 않는 여타 장치, 이를테면, 윈도 브러시 동작 등을 제어하며, 모니터링 모듈(Monitoring Module)은 차량의 상태 정보를 수집하고, 커넥션 모듈(Connection Module)은 전술한 그룹 내 차량 체결 과정을 제어하며, 통신(Communication) 모듈은 서버의 TOP, 가상서버의 Online ADS, 및 다른 차량의 Local ADS와 통신하는 과정을 제어한다.

드라이버에 설치되는 Local ADS는 머신 러닝(Machine Learning) 기능을 갖는 프로그램으로, 학습을 통해, 제한적인 운전 능력을 획득한다. 제한적이라는 표현은 드라이버는 통상의 도로 환경에서 자율주행할 수 없으나, 어느 한 차량이 다른 한 차량의 후미에서 두 차량 간의 간격과 방향을 유지하는 로컬모드 자율주행, 그리고, 두 로컬모드 차량의 체결 과정과 체결 이후의 제어만 가능한 것을 의미한다. 다만, 스마트폰을 포함하는 외부 컴퓨팅 장치와 차량에 장착된 컴퓨터를 클러스터로 구성하여, 상기 컴퓨터의 연산과 통신과 사용자 인터페이스를 포함하는 컴퓨팅 능력을 향상시킬 수 있게 된다. 이 경우, 종래의 자율주행차량과 마찬가지로 통상의 도로 환경에서 제한없이 자율주행할 수 있음은 물론이다. 여기서 ‘제한없이’라는 표현은 본 출원 시점의 구글 카(Google Car)에 준하는 자율주행 능력을 의미한다.

Local ADS에 그와 같은 자율주행 능력을 부여하는 방법은, 구글 텐서플로우(Google TensorFlow)와 같은 머신 러닝 저작도구를 이용하여, 드라이버에 간단한 deep neural network를 구성한 뒤, 브레이크, 엑셀러레이터, 핸들을 포함하는 주행 장치를 조작하여 원하는 결과를 얻을 때까지 학습을 진행하는 것이다.

도 11을 참조하여, 상기 Local ADS의 학습 과정을 설명한다. 종래의 운전 시뮬레이션 장치를 개조하여, Local ADS가 설치된 가상의 차량(2F)과 표식(4)이 부착된 다른 한 가상의 차량(2G)을 가상의 트랙(5A)에 두고, 차량(2G)을 다양한 속도와 방향으로 주행하게 하면서, 차량(2F)이 차량(2G)의 후미에서 일정한 간격으로 차량(2G)을 뒤따라 가며, 표식의 형태와 주행 방향 간의 관계, 액셀러레이터와 가속 간의 관계, 핸들과 방향 전환 간의 관계, 및 브레이크와 감속 간의 관계를 학습한다. 시뮬레이션에 의한 학습이 완료된 뒤, 실제 필드에서 동일한 학습을 진행하는 방법으로 Local ADS가 장착된 차량, 즉 드라이버는 자차(self)와 표식이 장착된 앞 차 간의 간격과 거리를 제어할 수 있게 된다. 바람직하게는, 표식의 형태를 하나로 통일하여, 어느 한 드라이버에 설치된 Local ADS의 학습 결과를 여타 모든 드라이버의 Local ADS가 공유하도록 할 수 있다. 이 과정은 AI 분야의 기초적인 기술인 Supervised Learning을 이용하여, 이 분야의 기술자가 쉽게 구현할 수 있으나, 이 방식이 적용될 로컬모드 및 체결모드 자율주행 환경을 구성하는 것은 본 발명의 고유한 개념이다.

도 12는 판지 모양의 정사각형 표식을 예시하며, 보는 각도에 따라 도형 형태가 달라진다(A, B, C).

이하, 노동의 사회화 또는 직무 수행의 사회화(Socialization)로 교통량을 감축하는 과정을 자세히 설명한다.

서로의 존재를 알지 못하는 두 화물 A, B가 있고, 지점A에 소재한 화물A는 지점B로 가야하고, 지점B에 소재한 화물B가 지점A로 가야하는 상황을 가정할 때, TOP은 출발지와 목적지가 서로 반대인 두 대의 차량을 한 대를 줄인다. 그러한 TOP의 능력은 전술한 TOP의 학습, 즉, 임의의 출발지와 도착지가 할당된, 임의의 크기와 무게와 부피를 갖는 화물을, 임의로 생성하여, 그 수송을 TOP이 학습하게 하는 과정을 통해 획득되며, TOP이 차량의 중복이동을 소거함으로써, 화물을 수송하는 교통량을 현저히 줄일 수 있다. 그와 같이, TOP은 사람의 이동도 유사한 메커니즘으로 현저히 줄일 수 있으며, 그를 상세히 설명한다.

예를 들어, 지점A에 소재한 사람A가 지점B로 이동하여 수도꼭지를 잠그는 작업을 수행하려 하고, 지점B에 소재한 사람B가 지점A로 이동하여 수도꼭지를 잠그는 작업을 수행하려 한다면, 서버는 사람A로 하여금 지점A의 수도꼭지를 잠그고, 사람B로 하여금, 지점B의 수도꼭지를 잠그게 함으로써, 상기 사람A, 사람B의 이동을 모두 소거할 수 있다.

서버는 전술한 주행 플랜을 작성하는 단계에서, 탑승자A의 주행 목적을 수집할 수 있고, 상기 목적은 누가, 언제, 어디서, 무엇을, 어떻게, 왜의 형식으로 기술될 수 있다. 서버는 목적지 인근에서 상기 무엇을 어떻게 수행할 있는 사람B에게 상기 직무를 제의함으로써, 사람B가 수락한다면, 탑승자A의 주행 목적이 소거되므로, 따라서, 탑승자A가 탑승할 차량의 해당 주행을 소거할 수 있다. 서버가 사람B를 찾는 능력은 다음과 같은 학습을 통해 획득된다.

실시 예의 사람A는 자신의 수행하려는 직무를 6하 원칙이나 유사한 형식으로 작성하여 서버에 전달할 수 있고, 서버는 상기 전달 내용을 웹의 공개된 장소에 게시할 수 있으며, 이때, ‘누가' 항목은 개인정보 보호 목적으로 숨길 수도 있고, 사람A는 자신이 그 직무를 직접 수행할 때 예상되는 비용, 달리, 상기 직무 수행의 가격을 게시할 수도 있다. 사람B는 자신이 소재한 지역에서 진행될 직무 중 자신이 감당할 수 있고, 만족할 수 있는 가격의 것을 선택할 수 있으며, TOP은 인구 전체에 대해, 상기 게시와 상기 선택을 반복적으로 학습(Machine Learning)함으로써, 누가 언제 어디서 어떤 직무를 수행할 수 있는지에 대한 정보를 획득하고, 적절한 시점에 적절한 장소에 위치한 특정인에게, 특정 직무의 수행을 제의함으로써, 상기 특정 직무를 직접 수행하려던 자의 교통 수요를 줄일 수 있게 된다. 이러한, 서버의 학습에 의한 노동의 사회화(Socialization of Labor)는 본 발명의 고유한 개념이다.

이상으로, 다수의 사람이 운전하는 차량A와 다수의 단독형 자율주행차량B와 다수의 본 발명의 장치에 의한 자율주행차량C가 혼재하는 하나의 권역 내에서, 본 발명의 서버가 차량C의 경로와 속도를 결정하고, 실시간으로 갱신하며, 상기 각 차량C는 주변 환경을 해석하여 온라인모드, 로컬모드 및 체결모드로 자율주행하는 권역 단위 자율주행 장치를 이용하여, 물류 및 교통의 사회적 총효용이 최대가 되게끔 운용하는 일 실시 예를 설명하였다.

본 발명의 장치는 다양한 환경에서 다양하게 변형될 수 있으며, 본 명세서의 실시 예에 국한되지 않음은 자명하다.

<용어 정리>

차량 - 단수 또는 복수의 자동차를 포함하는 교통 수단.

권역 - 본 발명의 장치가 적용되는 국가, 사회 또는 지역.

권역별 자율주행 장치 - 차량의 자율주행을 가능하게 하는 서버, 차량, 도로, 및 통신망을 포함하는 구성요소들이 일정한 권역에 포괄적으로 적용됨을 의미한다. 예를 들어, 한국이나 일본을 포함하는 개별 국가가 하나의 권역이 될 수 있다.

서버 - 웹 클라우드 플랫폼이며, TOP(Traffic Orchestra Program)이 설치되어, 모든 자율주행차량의 주행 플랜을 작성하고, 교통 상황의 변화에 맞춰, 실시간으로 상기 플랜을 갱신한다.

사람 및 화물의 시간가치 - 사람의 시간 가치는 어느 한 국가의 평균 또는 개인의 노동 생산성을 포함하여, 어느 한 시점에 어느 한 개인의 1시간이 갖는 사회적 효용의 상대적 크기이다. 예를 들어, 출산 과정이 개시된 임산부의 1시간은 공원에서 장기를 두고 있는 노인A의 1시간보다 그 가치가 높다. 전술한 논리를 사물에 확대한 것이 사물의 시간 가치이다. 원자로의 긴급 보수를 위해 이송 중인 자재의 시간가치는 같은 시점에 같은 도로로 이송 중인 농가의 돼지 축사 자재보다 시간가치가 높다.

공간 - GPS 좌표로 나타낼 수 있는 지표면 위의 지점.

그룹핑(Grouping) - TOP이 일련의 차량을 하나의 그룹으로 묶어 그 속도와 주행 방향과 경로를 공유하게 하는 방법이다. 하나의 차량은 출발지로부터 목적지까지 자신의 경로를 따라 주행 중에 다수의 그룹에 가입하고 탈퇴하는 과정을 거칠 수 있으며, 동시에 둘 이상의 그룹에 속할 수는 없다.

주행 플랜 - 차량 각각의 경로, 소속 그룹 및 속도이며, TOP이 수립한다. 주행 플랜은 주차장이나 정비소에 위치한 차량에도 예외없이 적용된다.

실시간(Real Time) - 교통 상황의 변화, 이를테면, 사고 발생, 새로운 차량의 출발, 주행하던 차량의 목적지 도착과 같은 변화를 TOP이 즉시 여타 차량의 주행 플랜에 반영하는 것을 의미한다.

온라인 자율주행시스템(Online ADS) - 서버의 가상머신(VM)에 설치되는 자율주행시스템이다.

중복이미지 소거 - Online ADS가 제어하는 어느 한 선발 차량이 특정 GPS 좌표에서 촬영한 이미지를 해석한 결과를 하나 이상의 후발 차량이 공유하는 것을 의미한다. 본 명세서에서, 선두차량과 선발차량은 다르며, 후발차량과 후미차량도 다른 의미임에 주의할 필요가 있다.

선두 차량 - TOP이 지정한 그룹 내에서 가장 앞에 위치한 차량이다.

차량장착 자율주행시스템(Local ADS) - 차량에 장착된 드라이버에 설치된 매우 원시적인 자율주행시스템으로, 오직 앞차와 자차 간의 간격과 방향만 제어할 수 있다.

표식 - Local ADS가 앞차의 거리와 방향을 판단할 수 있도록, 상기 앞차의 후면에 부착한 조형물이다.

체결 - 같은 그룹에 속하는 둘 이상의 후미차량을 물리적으로 결합시키는 것을 말한다. 어느 한 차의 Local ADS가 전체 체결 차량을 제어한다.

후미 차량 - 어느 한 그룹 내에서, 선두 차량을 제외한 모든 차량이다.

주행우선순위 - TOP이 개별 차량의 속도와 경로를 결정하는 기반이며, 높은 순위의 차량일수록 보다 빨리 목적지에 도착할 수 있다.

사회적 자율주행 교통장치 - 교통과 물류의 사회적 효용이 최대가 되도록, 개별 차량의 주행 플랜을 수립하고 집행하는 교통 시스템이다.

1 서버. TOP(Traffic Orchestra Program)이 설치된 클라우드 플랫폼이다. 가상서버를 생성하고, 운용하며, 사회적 효용을 최대화하도록, 각 차량의 주행 스케줄을 작성하고, 실행한다.
1A 서버가 생성한 가상머신(Virtual Machine).
1B 이미지 서버
1C 이미지데이터베이스
2, 2A, 2B, 2C, 2D, 2E, 2F, 2G 본 발명의 장치에 의해 자율주행하는 차량
3 드라이버. 차량 내 기계 전기 전자 장치를 제어하는 Local ADS가 설치되고, 차량에 장착되는 컴퓨터 장치이다. 옹스트롬(Angstrom)과 같은 임베디드 시스템과 라즈베리 파이(Raspberry pi)와 같은 보드를 이용해 간단히 구현할 수 있다.
3A 핸들제어라인으로 핸들의 회전 방향과 정도를 제어하며,
3B 브레이크제어라인으로 브레이킹 강도를 제어하며,
3C 액셀레이터 제어라인으로 가속 정도를 제어하며,
3D 조명장치 제어라인으로 전조등과 방향등을 포함하는 차량 조명 장치의 점멸을 제어하며,
3E 기타제어라인은 전술한 장치 외의 장치들을 제어하며,
3F 정보수집라인으로 차량의 상태에 관한 정보를 수집하며,
3G 외부기기제어라인으로 카메라를 포함하여 상기 드라이버에 체결되는 여타 장치를 제어하고,
3H 차량체결라인으로 둘 이상의 차량 간 체결 과정을 제어한다.
4 차량 후미에 장착되는 입체 표식.
5 트랙(Track) 및 도로
5A 시뮬레이션 게임 상의 주행 트랙(Track).
5B 온라인 지도 상의 도로.
6 차량에 장착되는 카메라
6A 전방 카메라
6B 측방 카메라
6C 후방 카메라
6D 실내 카메라
6E 카메라로 촬영한 이미지
7 광역 이동통신망
7A 와이파이 통신망
8A 차량 전면에 장착되는 체결장치
8B 차량 후면에 장착되는 체결장치
9 GPS 및 통신 타워
10A 둘 이상의 차량으로 구성된 그룹
10B 단독 주행 차량
10C 주차 상태의 차량
10D 정차 상태의 차량
10E 신호등
10F 사고 차량
10G 사람이 운전하거나, 종래의 단독형 자율주행차량 및 기타 도로상의 장애물

Claims

하나의 서버가 본 발명의 장치를 구성하는 각 차량의 경로와 구간별 평균 속도를 결정하고, 상기 각 차량은 주변 환경을 해석하여 방어적으로 자율주행하는, 권역별 자율주행 장치.
청구항 1에서,
차량에 장착된 장치, 상기 장치에 접속한 스마트 기기, 및 로봇이 서버의 주행플랜 모듈에 접속하여, 주행 시각과 출발지와 목적지를 포함하는 정보를 입력하면, 서버가 상기 정보를 이용하여 해당 차량의 주행플랜을 수립하고, 상기 플랜에 의해 그 운행을 개시하는 자율주행 차량.
청구항 1에서,
탑승 인원과 적재 화물과 주행 목적을 포함하는 기준에 의하여, 각 차량의 주행우선순위를 결정하고, 같거나 비슷한 순위의 차량으로 구성된 각 그룹의 형성과 해제 시점을 결정하며, 그룹 내 차량이 일렬로 근접 주행하게 하고;, 주행 거리, 주행 시간 및 에너지 소비량을 반영한 차량 및 그룹 각각의 주행플랜을 정기적으로 수립하고 집행하며, 주차장의 개수와 그 각각의 위치와 규모를 결정하고, 주차장 내 차량 각각의 위치를 결정하고 갱신하는 서버.
청구항 1에서,
계층적으로 구성된 공간에 대응하는 계층적인 서버 모듈들 각각이 계층적으로 차량의 주행플랜을 수립하게 하는 서버.
청구항 1에서,
촬영 시각을 참조하여, 선발 차량과 후발 차량 간의 중복이미지를 소거하여, 후발 차량이 자체적인 이미지 해석 프로세스를 가동하게 할지를 판단하는 서버.
일정한 변환 규칙에 따라, GPS 좌표를 IP 주소로 변환하고, 상기 주소 각각에 이미지 DB를 할당하며, 상기 DB 각각에 각 차량이 수집한 특정 좌표의 이미지를 저장하는 이미지 서버.
청구항 1에서,
권역 내 차량 전체의 평균 속도가 최대가 되도록, 상기 권역 내 각 신호등의 점멸 시각을 동적으로 결정할 수 있는 서버.
청구항 1에서,
자신이 수행하려는 직무의 내용과 가격을 서버에 보고한 사람A에게, 사람A보다 짧은 이동으로 상기 직무를 수행할 수 있는 사람B를 추천하는 방법으로 권역 내 교통 수요 총량을 줄일 수 있는 서버.
이미지 해석 프로세스를 수행하는 가상서버가, 차량에 장착된 컴퓨터와 카메라를 제어하여, 상기 차량의 운행을 제어하는 온라인모드 자율주행 차량.
핸들링 모듈, 브레이킹 모듈, 엑셀러레이터 모듈, 라이팅 모듈, 기타 컨트롤 모듈, 모니터링 모듈, 커넥션 모듈, 및 통신 모듈을 포함하는 컴퓨터를 장착하고, 카메라로 획득한 이미지 해석 프로세스를 수행하여, 표식이 장착된 앞차를 추적할 수 있는 로컬모드 자율주행 차량.
전자석으로 두 차량을 물리적으로 체결하는 체결장치를 이용하여, 둘 이상의 차량이 하나의 주행단위를 구성하고, 선두차량이 후미차량의 운행을 제어할 수 있는 자율주행 차량.
스마트폰을 포함하는 외부 컴퓨팅 장치와 차량에 장착된 컴퓨터를 하나의 클러스터로 구성하여, 상기 컴퓨터의 연산과 통신과 사용자 인터페이스를 포함하는 컴퓨팅 능력을 전반적으로 향상시킬 수 있는 자율주행 차량.