KR20180020615A - Method for predicting driving path of object vehicle by maching learning and method for controlling vehicle using the same - Google Patents
Method for predicting driving path of object vehicle by maching learning and method for controlling vehicle using the same Download PDFInfo
- Publication number
- KR20180020615A KR20180020615A KR1020160105246A KR20160105246A KR20180020615A KR 20180020615 A KR20180020615 A KR 20180020615A KR 1020160105246 A KR1020160105246 A KR 1020160105246A KR 20160105246 A KR20160105246 A KR 20160105246A KR 20180020615 A KR20180020615 A KR 20180020615A
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- traveling path
- traveling
- information
- predicting
- Prior art date
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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G06N99/005—
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
본 발명은 기계 학습을 통한 주변 차량의 주행 경로 예측 방법 및 이를 이용하는 차량 제어 방법에 관한 것으로서, 더욱 상세하게는 자차의 주행 경로로 진입하거나 자차의 주행 경로를 벗어나는 차량을 예측하고, 차량을 제어하는 방법에 관한 것이다.The present invention relates to a method of predicting a traveling path of a peripheral vehicle through machine learning and a vehicle control method using the method. More particularly, the present invention relates to a method of predicting a vehicle that enters a traveling path of a vehicle, departs from the traveling path of the vehicle, ≪ / RTI >
산업이 고도화되고 사용자의 차량 사용이 빈번해짐에 따라 현대인의 차량 사용 시간이 길어져 자동차는 생활의 한 공간이 되었으며, 보다 쾌적하고 편리함을 제공할 수 있는 차량에 대한 연구가 지속적으로 수행되고 있다.As the industry becomes more sophisticated and the use of the users becomes more frequent, the automobile becomes a living space because of the lengthening of the use time of the modern people, and researches on vehicles that can provide more comfortable and convenient are being continuously carried out.
그리고 최근에 운전자의 판단을 도와 운전자의 대처능력을 향상시키는 첨단 운전자 지원 시스템(ADAD, Advanced Driver Assistance System)이 차량에 탑재되고 있으며, 더 나아가 운전자가 직접 운전하지 않고도 차량 스스로 운전이 가능하도록 하는 자율 주행(Autonomous Driving) 차량에 대한 연구가 활발히 이루어지고 있다. 자율 주행 차량은 운전자의 제어없이 주행해야하기 때문에, 카메라, 레이더 등의 센서를 통해 주변 상황을 인식하고 주행한다. Recently, ADAD (Advanced Driver Assistance System), which improves the driver's ability to cope with the driver's judgment, is installed in the vehicle, and furthermore, the autonomous operation allowing the driver to operate the vehicle without driving himself Research on autonomous driving vehicles has been actively conducted. Since the autonomous vehicle must travel without control of the driver, the autonomous vehicle recognizes the surrounding situation through a sensor such as a camera or a radar.
최근 첨단 운전자 지원 시스템은 순항 제어(크루즈 컨트롤) 기능을 지원하고 있다. 순항 제어 기능은 운전자가 가속 페달(accelerator pedal)을 밟지 않더라도 차량이 기 설정된 순항 속도로 주행하도록 지원하는 기능이다. 그리고 순항 제어 기능은 진화하여 적응형 순항 제어(Adaptive Cruise Contol) 기능으로 발전하였다. 적응형 순항 제어 기능은 차량이 설정된 순항 속도로 주행하는 것을 지원할 뿐만 아니라, 전방 차량과의 차간 거리를 감지하고 감지 결과에 따라 차량의 속도를 조절하는 기능을 제공한다.Recent advanced driver assistance systems support cruise control. The cruise control function allows the vehicle to travel at a predetermined cruising speed even if the driver does not step on the accelerator pedal. The cruise control function evolved into an adaptive cruise control function. The adaptive cruise control function not only supports the vehicle to travel at the set cruising speed but also provides the ability to detect the inter-vehicle distance from the preceding vehicle and adjust the speed of the vehicle according to the detection result.
따라서 순항 제어 기능은 운전자에게 편리함을 제공하지만, 주변 차량이 자차의 차선으로 급격히 차선을 변경하거나 자차의 차선을 급격히 벗어나는 경우 자차가 급감속하거나 급가속하는 현상이 발생할 수 있다. 급감속이나 급가속하는 상황은 운전자가 불안감을 느끼게 할 수 있으므로, 주변 차량의 주행 경로를 예측하여 차량을 제어하는 방법에 대한 연구가 필요하다.Therefore, the cruise control function provides convenience to the driver, but when the surrounding vehicle suddenly changes lanes or is suddenly out of the lane of the vehicle, the vehicle suddenly decelerates or rapidly accelerates. Since the driver may experience anxiety due to rapid deceleration or rapid acceleration, it is necessary to study how to control the vehicle by predicting the driving route of the surrounding vehicle.
관련된 선행문헌으로 대한민국 공개특허 제2014-0143986호, 등록특허 제10-1352662호가 있다.Related prior arts are Korean Patent Publication Nos. 2014-0143986 and 10-1352662.
본 발명은 기계 학습을 통해 자차의 주행 경로로 진입하거나 자차의 주행 경로를 벗어나는 차량을 예측하고, 차량을 제어하는 방법을 제공하기 위한 것이다.The present invention is to provide a method for predicting a vehicle entering a driving route of a self car through machine learning or departing from a traveling route of a self car, and controlling the vehicle.
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 자차와 주변 차량에 대한 데이터를 획득하는 단계; 상기 데이터를 이용하여, 상기 자차의 주행 방향, 상기 자차와 상기 주변 차량의 위치 및 속도에 대한, 상기 주변 차량의 주행 경로를 학습하는 단계; 및 상기 학습 결과 및 상기 데이터를 이용하여, 상기 주변 차량의 주행 경로를 예측하는 단계를 포함하는 주변 차량의 주행 경로 예측 방법이 제공된다.According to an aspect of the present invention, there is provided a method of driving a vehicle, Learning the traveling route of the peripheral vehicle with respect to the traveling direction of the vehicle, the position and speed of the vehicle, and the vehicle using the data; And predicting a traveling route of the neighboring vehicle using the learning result and the data.
또한 상기한 목적을 달성하기 위한 본 발명의 다른 실시예에 따르면, 주변 차량의 주행 경로에 대한 학습 결과를 입력받는 단계; 상기 학습 결과를 이용하여, 자차의 주행 방향, 상기 자차와 상기 주변 차량의 위치 및 속도에 대한 상기 주변 차량의 주행 경로를 예측하는 단계; 및 상기 예측된 주행 경로에 따라 상기 자차를 제어하는 단계를 포함하는 주변 차량의 주행 경로 예측을 이용하는 차량 제어 방법이 제공된다.According to another aspect of the present invention, there is provided a method for driving a vehicle, Predicting a traveling path of the peripheral vehicle with respect to a running direction of the vehicle, a position and a speed of the vehicle, and the vehicle using the learning result; And controlling the vehicle according to the predicted traveling route. [7] In the vehicle control method,
또한 상기한 목적을 달성하기 위한 본 발명의 또 다른 실시예에 따르면, 주변 차량의 주행 경로에 대한 학습 결과 및 상기 주변 차량에 대한 센싱 데이터를 수신하는 정보 수신부; 상기 학습 결과 및 상기 센싱 데이터를 이용하여, 상기 주변 차량의 주행 경로를 예측하는 주행 경로 예측부; 및 상기 예측된 주행 경로에 따라, 상기 자차의 속도를 제어하는 속도 제어부를 포함하는 주변 차량의 주행 경로 예측을 이용하는 차량 제어 장치가 제공된다.According to another aspect of the present invention, there is provided an information processing apparatus comprising: an information receiving unit for receiving a learning result of a traveling path of a nearby vehicle and sensing data of the surrounding vehicle; A traveling route predicting unit for predicting a traveling route of the nearby vehicle using the learning result and the sensing data; And a speed control unit for controlling the speed of the vehicle according to the predicted traveling route.
본 발명에 따르면, 주변 차량이 자차의 주행 경로에 진입하기 전에, 진입할 것을 미리 예측하여 차량을 제어할 수 있다. According to the present invention, the vehicle can be controlled by predicting that the surrounding vehicle will enter before the vehicle enters the traveling path of the vehicle.
또한 본 발명에 따르면, 주변 차량이 자차의 차선으로 급격히 차선을 변경하거나 자차의 차선을 급격히 벗어나는 경우를 미리 예측하여 자차의 속도를 증가 또는 감소시킴으로써, 자차의 급가속, 급감속을 줄이고 운전자의 불안감을 해소할 수 있다. Further, according to the present invention, it is possible to reduce the rapid acceleration and deceleration of the vehicle by reducing the speed of the vehicle by anticipating the sudden change of the lane of the vehicle or the sudden departure of the lane of the vehicle, Can be solved.
도 1은 본 발명의 일실시예에 따른 주변 차량의 주행 경로 예측 방법을 설명하기 위한 도면이다.
도 2는 SVM 알고리즘을 설명하기 위한 도면이다.
도 3은 학습을 위한 정보 수집 구간을 설명하기 위한 도면이다.
도 4는 주행 경로의 학습 및 예측 과정에 이용되는 정보를 설명하기 위한 도면이다.
도 5는 본 발명에 따른 주변 차량의 주행 경로 예측 결과를 도시하는 도면이다.
도 6은 본 발명의 일실시예에 따른 주변 차량의 주행 경로 예측을 이용하는 차량 제어 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 일실시예에 따른 주변 차량의 주행 경로 예측을 이용하는 차량 제어 장치를 설명하기 위한 도면이다.FIG. 1 is a diagram for explaining a traveling path predicting method of a peripheral vehicle according to an embodiment of the present invention.
2 is a diagram for explaining the SVM algorithm.
3 is a diagram for explaining an information collecting section for learning.
4 is a diagram for explaining information used in the learning and prediction process of the traveling route.
FIG. 5 is a diagram showing a travel path prediction result of a peripheral vehicle according to the present invention.
6 is a diagram for explaining a vehicle control method using a traveling path prediction of a peripheral vehicle according to an embodiment of the present invention.
7 is a view for explaining a vehicle control apparatus using a traveling path prediction of a nearby vehicle according to an embodiment of the present invention.
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. While the invention is susceptible to various modifications and alternative forms, specific embodiments thereof are shown by way of example in the drawings and will herein be described in detail. It should be understood, however, that the invention is not intended to be limited to the particular embodiments, but includes all modifications, equivalents, and alternatives falling within the spirit and scope of the invention. Like reference numerals are used for like elements in describing each drawing.
본 발명은 주변 차량의 주행 경로 예측하고, 예측 결과에 기반하여 차량을 제어하는 방법을 제안한다. The present invention proposes a method of predicting a traveling path of a nearby vehicle and controlling the vehicle based on the prediction result.
본 발명은 주변 차량의 주행 경로를 예측하기 위해 기계 학습(machine learning)을 이용한다. 본 발명은 자차와 주변 차량에 대한 데이터를 이용하여 자차의 주변 차량의 주행 경로를 학습한다. 그리고 본 발명은 학습 이후, 주행중 획득한 자차와 주변 차량에 대한 데이터로부터 주변 차량의 주행 경로를 예측한다. The present invention uses machine learning to predict the traveling path of a nearby vehicle. The present invention learns a traveling route of a peripheral vehicle of a vehicle using data of the vehicle and the surrounding vehicle. Then, after learning, the present invention predicts a traveling path of a nearby vehicle from the data of the car and the neighboring vehicle obtained during the driving.
일실시예로서, 본 발명은 주변 차량이 자차의 주행 경로로 진입하는지 아니면, 자차의 주행 경로로 진행하던 주변 차량이 주행 경로를 벗어나는지 여부를 예측할 수 있다. According to an embodiment of the present invention, it is possible to predict whether a nearby vehicle enters a traveling route of the vehicle or whether a nearby vehicle traveling on the traveling route of the vehicle departs from the traveling route.
주변 차량의 주행 경로에 대한 학습을 위한 데이터로서, 본 발명은 자차의 주행 방향, 자차와 주변 차량의 위치 및 속도에 대한 데이터를 이용한다. 자차의 주행 방향에 대한 데이터로서 자차의 조향각 정보가 이용될 수 있다. 그리고, 자차와 주변 차량의 위치 및 속도에 대한 데이터로서 자차와 주변 차량에 대한 횡방향 상대 거리 정보 및 횡방향 상대 속도 정보가 이용될 수 있다. 이 경우, 주행 경로 예측을 위한 데이터 또한, 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보가 이용된다.As data for learning about the traveling route of the nearby vehicle, the present invention uses data on the traveling direction of the vehicle, the position of the vehicle, and the speed of the nearby vehicle. Steering angle information of the vehicle can be used as data on the running direction of the vehicle. As data on the position and speed of the vehicle and the surrounding vehicle, the lateral relative distance information and the lateral relative speed information for the vehicle and the surrounding vehicle can be used. In this case, the data for predicting the traveling route also includes the lateral relative distance information, the lateral relative speed information, and the steering angle information of the vehicle.
본 발명에 따르면, 주변 차량이 자차의 차선으로 급격히 차선을 변경하거나 자차의 차선을 급격히 벗어나는 경우를 미리 예측하여 자차의 속도를 증가 또는 감소시킴으로써, 자차의 급가속, 급감속을 줄이고 운전자의 불안감을 해소할 수 있다. According to the present invention, it is possible to reduce the sudden acceleration and deceleration of a vehicle by reducing the speed of the vehicle by anticipating the sudden change of the lane of the vehicle or the sudden departure of the lane of the vehicle, Can be solved.
한편, 주변 차량에 대한 주행 경로 학습 과정은, 차량에서 수행되거나 또는 별도의 학습 장치를 통해 수행될 수 있다. 별도의 학습 장치를 통해서 학습 과정이 수행된 경우, 학습 결과가 차량으로 제공될 수 있다.On the other hand, the traveling course learning process for the neighboring vehicle can be performed in the vehicle or through a separate learning device. If the learning process is performed through a separate learning device, the learning result can be provided to the vehicle.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 보다 상세하게 설명한다.Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일실시예에 따른 주변 차량의 주행 경로 예측 방법을 설명하기 위한 도면이다.FIG. 1 is a diagram for explaining a traveling path predicting method of a peripheral vehicle according to an embodiment of the present invention.
도 1을 참조하면, 본 발명에 따른 차량은 자차와 주변 차량에 대한 데이터를 획득(S110)한다. 단계 S110에서 획득된 데이터는, 주변 차량의 주행 경로를 학습하는 단계 및 주변 차량의 주행 경로를 예측하는 단계에 모두 이용될 수 있다. 즉, 본 발명에 따른 차량은 단계 S110에서, 주변 차량의 주행 경로 학습 및 예측에 필요한 데이터를 획득한다.Referring to FIG. 1, a vehicle according to the present invention acquires data about a car and a neighboring vehicle (S110). The data obtained in step S110 can be used both in the step of learning the traveling path of the surrounding vehicle and in the step of predicting the traveling path of the surrounding vehicle. That is, in step S110, the vehicle according to the present invention acquires data necessary for traveling path learning and prediction of the nearby vehicle.
본 발명에 따른 차량은 획득된 데이터를 이용하여, 자차의 주행 방향, 자차와 주변 차량의 위치 및 속도에 대한 주변 차량의 주행 경로를 학습(S120)한다. 이 때, 본 발명에 따른 차량은 자차와 주변 차량에 대한 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보에 대한, 주변 차량의 주행 경로를 학습한다. 학습되는 주변 차량의 주행 경로는, 주변 차량이 자차의 주행 경로로 진입하는지 여부 또는 주변 차량이 자차의 주행 경로로 벗어나는지 여부일 수 있다.The vehicle according to the present invention learns the driving route of the surrounding vehicle with respect to the traveling direction of the vehicle, the position of the vehicle, and the speed of the nearby vehicle using the obtained data (S120). At this time, the vehicle according to the present invention learns the traveling path of the surrounding vehicle with respect to the lateral relative distance information, the lateral relative speed information, and the steering angle information of the own vehicle and the surrounding vehicle. The traveling path of the learned peripheral vehicle may be whether the surrounding vehicle enters the traveling path of the own vehicle or whether the surrounding vehicle is out of the traveling path of the own vehicle.
예를 들어, 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보가 특정 값을 가질 때, 주변 차량이 자차의 주행 경로로 진입하거나 또는 주변 차량이 자차의 주행 경로로 벗어나는 것으로 학습될 수 있다. 학습을 위해 다양한 기계 학습 알고리즘이 이용될 수 있다. 예를 들어 SVM(Support Vector Machine), 랜덤 포레스트(Random Forest) 등의 알고리즘이 이용될 수 있으며, 인공 신경망이 활용될 수 있다.For example, when the lateral direction relative distance information, the lateral direction relative speed information, and the steering angle information of the vehicle have a specific value, it is learned that the surrounding vehicle enters the traveling path of the vehicle or the surrounding vehicle departs from the traveling path of the vehicle . Various machine learning algorithms can be used for learning. For example, algorithms such as SVM (Support Vector Machine) and Random Forest may be used, and an artificial neural network may be utilized.
본 발명에 따른 차량은 학습 이후, 학습 결과 및 획득된 데이터를 이용하여, 주변 차량의 주행 경로를 예측(S130)한다.After learning, the vehicle according to the present invention predicts the traveling path of the surrounding vehicle using the learning result and the obtained data (S130).
횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보를 통해 주변 차량의 주행 경로가 학습되었기 때문에, 본 발명에 따른 차량은 주행중에 획득한 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보를 이용하여 주변 차량의 주행 경로를 예측한다. 이를 위해 본 발명에 따른 차량은 획득된 데이터를 이용하여, 주행 경로 예측에 필요한 횡방향 상대 거리 정보 및 횡방향 상대 속도 정보를 생성할 수 있다.Since the traveling route of the nearby vehicle is learned through the lateral direction relative distance information, the lateral direction relative speed information, and the steering angle information of the vehicle, the vehicle according to the present invention can obtain the lateral direction relative distance information, And estimates the traveling path of the surrounding vehicle using the steering angle information of the vehicle. For this, the vehicle according to the present invention can generate the lateral relative distance information and the lateral relative speed information necessary for predicting the traveling route, using the obtained data.
예를 들어, 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보가 제1값일 때, 주변 차량이 자차의 주행 경로로 진입하는 것으로 학습된 경우, 본 발명에 따른 차량은 주행중 획득한 데이터로부터 얻어진 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보가 제1값일 때, 주변 차량이 자차의 주행 경로로 진입할 것으로 예측할 수 있다.For example, when the lateral direction relative distance information, the lateral direction relative speed information, and the steering angle information of the vehicle are the first values, it is learned that the neighboring vehicle enters the traveling route of the own vehicle. When the lateral direction relative distance information, the lateral direction relative speed information and the steering angle information of the vehicle obtained from the data are the first values, it can be predicted that the nearby vehicle enters the traveling path of the own vehicle.
한편, 도 1에서는 3가지 종류의 정보(횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보)를 모두 이용하여 주변 차량의 주행 경로를 학습하는 경우가 일실시예로서 설명되었는데, 실시예에 따라서 학습에 이용되는 정보의 개수가 달라지거나 또는 정보의 종류가 달라질 수 있다. 그리고 학습에 이용되는 정보의 개수나 종류가 달라짐에 따라서, 주행 경로 예측에 이용되는 정보의 개수와 종류 역시 달라진다.Meanwhile, in FIG. 1, a case has been described in which a traveling route of a nearby vehicle is learned by using all three kinds of information (lateral relative distance information, lateral relative speed information and steering angle information of a vehicle) Depending on the example, the number of information used for learning may vary or the type of information may vary. As the number and types of information used for learning vary, the number and types of information used for predicting the traveling path also vary.
일실시예로서, 본 발명에 따른 차량은 자차의 주행 방향을 나타내는 자차의 요레이트 정보와, 자차와 주변 차량 사이의 위치 및 속도를 나타내는 횡방향 상대 가속도 정보를 이용하여 학습을 수행하고 주변 차량의 주행 경로를 예측할 수 있다. 이를 위해 본 발명에 따른 차량은 주변 차량의 위치, 속도, 가속도, 조향각 및 요레이트 정보 중 적어도 하나를, 차량간 통신을 통해서 제공받음으로써, 자차와 주변 차량 사이의 위치 및 속도 관계를 확인할 수 있다.In one embodiment, the vehicle according to the present invention carries out learning by using yaw rate information of the vehicle indicating the traveling direction of the vehicle, lateral relative acceleration information indicating the position and speed between the vehicle and the surrounding vehicle, The traveling route can be predicted. To this end, the vehicle according to the present invention can confirm at least one of the position, speed, acceleration, steering angle and yaw rate information of the nearby vehicle through the inter-vehicle communication, thereby determining the position and speed relationship between the vehicle and the nearby vehicle .
본 발명에 따르면, 기계 학습을 통해 주변 차량의 경로를 미리 예측함으로써, 예측된 주변 차량의 경로에 따라서 차량이 미리 대응할 수 있고, 결국 급가속, 급정거와 같이 운전자에게 불안함을 주는 상황을 감소시킬 수 있다.According to the present invention, by predicting the route of the neighboring vehicle through machine learning, the vehicle can respond in advance according to the route of the predicted neighboring vehicle, thereby reducing the situation in which the driver is anxious such as rapid acceleration and sudden stop .
도 2는 SVM 알고리즘을 설명하기 위한 도면이며, 도 3은 학습을 위한 정보 수집 구간을 설명하기 위한 도면이다. 도 4는 주행 경로의 학습 및 예측 과정에 이용되는 정보를 설명하기 위한 도면이다. 이하에서는 SVM에 기반한 학습 방법이 일실시예로서 설명된다.FIG. 2 is a view for explaining an SVM algorithm, and FIG. 3 is a view for explaining an information collecting section for learning. 4 is a diagram for explaining information used in the learning and prediction process of the traveling route. Hereinafter, an SVM-based learning method will be described as an embodiment.
전술된 바와 같이, 주행 경로 학습을 위해 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보가 이용된다. 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보가 SVM에서의 특징 벡터가 된다. 특징 벡터는 학습에 이용되는 데이터를 열 벡터 형태로 표현한 벡터이다.As described above, the lateral relative distance information, the lateral relative speed information, and the steering angle information of the vehicle are used for the traveling route learning. The lateral relative distance information, the lateral relative speed information, and the steering angle information of the vehicle are the feature vectors in the SVM. The feature vector is a vector representing the data used for learning as a column vector.
SVM은 도 2에 도시된 바와 같이, 다수의 데이터들 중에서 가장 외곽에 위치한 데이터를 서포트 벡터(support vector)로 결정하고, 서포트 벡터 사이를 통과하는 분리 경계면(hyperplane, 210)을 통해 데이터를 서로 다른 클래스로 분류하는 알고리즘이다. 이 때, 분리 경계면(210)과 서포트 벡터 사이의 마진이 최대가 되도록 분리 경계면(210)이 결정될 수 있다.As shown in FIG. 2, the SVM determines a support vector of data located at the outermost among a plurality of data, and transmits data through a separation plane (hyperplane) 210 passing between support vectors Class. At this time, the
즉, 학습 과정을 통해 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보를 서로 다른 클래스로 분류하는 분리 경계면(210)이 결정될 수 있으며, 학습 이후 입력되는 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보가 어떠한 클래스에 속할지가 결정될 수 있다. That is, the
여기서, 클래스는 주변 차량이 자차 주행 경로로 진입하는 클래스와 그렇지 않은 클래스로 구분될 수 있다. 또는 주변 차량이 자차 주행 경로에서 벗어나는 클래스와 그렇지 않은 클래스로 구분될 수 있다.Here, the class can be classified into a class in which a peripheral vehicle enters a self-traveling route and a class in which a peripheral vehicle enters a self-traveling route. Or a class in which a nearby vehicle deviates from a self-traveling route and a class in which a nearby vehicle deviates from the self-driving route.
일예로서, 도 3에 도시된 바와 같이, 본 발명에 따른 차량(310)은 주변 차량(320)이 자차 주행 경로(311)로 진입하는 경우(cut in)와 그렇지 않은 경우(no cut in) 각각의 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보를 이용하여, 학습을 수행할 수 있다. 본 발명에 따른 차량(310)은, 주변 차량(320)이 자차 주행 경로(311)로 진입하는 경우의 정보들에 대해서는 '1'을 할당하여 학습하고, 주변 차량(320)이 자차 주행 경로(311)로 진입하지 않는 경우의 정보들에 대해서는 -1을 할당하여 학습을 수행할 수 있다.As shown in FIG. 3, the
이 때, 본 발명은 주변 차량의 주행 경로를 예측하는 것이므로, 주변 차량이 자차의 주행 경로로 진입(cut in)하기 이전의 정보 수집 구간(t)에서 수집된 정보가 학습에 이용되는 것이 바람직하다. 도 3에서는 자차의 주행 경로(311)로부터 1.6m 떨어진 지점에 주변 차량(320)이 위치하는 시간에서 1초 이전까지의 구간이 정보 수집 구간으로 도시되어 있다.At this time, since the present invention predicts the traveling route of the nearby vehicle, it is preferable that the information collected in the information collection period t before the neighboring vehicle cuts in the traveling route of the vehicle is used for learning . In FIG. 3, a section from the time when the
학습 과정 이후 본 발명에 따른 차량은 주행중 획득한 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보가 어떠한 클래스에 속하는지를 판단함으로써, 주변 차량의 주행 경로를 예측할 수 있다. 예를 들어, 획득한 정보들에 대한 클래스가 주변 차량이 자차 주행 경로로 진입하는 클래스에 속하는 것으로 판단될 경우, 본 발명에 따른 차량은 주변 차량이 자차 주행 경로로 진입할 것으로 예측할 수 있다.After the learning process, the vehicle according to the present invention can predict the traveling path of the surrounding vehicle by determining which class the lateral relative distance information, the lateral relative speed information, and the steering angle information of the vehicle belong to. For example, when it is determined that the class of the acquired information belongs to a class in which the surrounding vehicle enters the self-traveling route, the vehicle according to the present invention can predict that the surrounding vehicle will enter the self-traveling route.
한편, 횡방향 상대 거리 정보는 직선 도로와 곡선 도로에서 서로 다르게 계산될 수 있다. 도 4에 도시된 바와 같이, 곡선 도로에서는 곡률에 의해 직선 도로에서의 횡방향 상대 거리(ry)와 비교하여 횡방향 상대 거리가 eyL만큼 추가될 수 있고, 이는 오차가 되기 때문에 곡선 도로에서의 오차가 감소될 수 있도록 횡방향 상대 거리가 생성될 필요가 있다.On the other hand, the lateral relative distance information can be calculated differently on the straight road and the curved road. 4, the curved roads, as compared with the lateral relative distance (r y) on a straight road by the curvature and the lateral relative distance can be added as long as e yL, which in a curve road, since the error The lateral relative distance needs to be generated so that the error of the horizontal relative distance can be reduced.
이에 본 발명에 따른 차량은 자차(310)의 요레이트(yaw rate, ), 자차(310)의 종방향 속도(Vx), 자차(310)와 주변 차량(320)의 종방향 거리(L)를 이용하여, 횡방향 상대 거리 정보()를 생성하며, 일예로서, [수학식 1]을 이용하여 횡방향 상대 거리 정보를 생성할 수 있다. 곡선 도로의 곡률을 직접 측정하기는 어렵기 때문에, 자차의 요레이트를 이용한다. Accordingly, the vehicle according to the present invention is characterized in that the yaw rate of the
본 발명에 따른 차량이 직선 도로를 주행할 경우 요레이트는 0이 되므로, [수학식 1]은 직선 도로에서도 적용될 수 있다.Since the yaw rate becomes zero when the vehicle according to the present invention travels on a straight road, Equation (1) can be applied to a straight road.
곡률을 고려하지 않은 횡방향 상대 거리 정보(ry)는 레이더 등의 센서를 통해 획득한 자차와 주변 차량의 거리, 자차의 위치 등을 통해 획득할 수 있다. 횡방향 상대 속도 역시 레이더 등의 센서를 통해 획득한 자차와 주변 차량의 거리, 자차의 속도 등을 통해 획득할 수 있으며, 조향각 정보는 조향각 센서를 통해 획득할 수 있다. 요레이트는 요레이트 센서를 통해 획득할 수 있다.The lateral relative distance information (r y ) without considering the curvature can be obtained through the distance between the vehicle and the vehicle, which is obtained through the sensor such as a radar, etc. The lateral relative speed can also be obtained through the distance between the vehicle and the vehicle, the speed of the vehicle, etc., and the steering angle information can be obtained through the steering angle sensor. The yaw rate can be obtained via the yaw rate sensor.
결국, 최종적으로 학습에 이용되는 SVM의 특징 벡터(Xk)는 [수학식 2]와 같이 표현될 수 있다.Finally, the feature vector X k of the SVM used for the learning can be expressed by the following equation (2).
여기서, 는 횡방향 상대 속도 정보, 는 자차의 조향각 정보를 나타낸다. t는 정보 수집 구간을 나타내며, f는 정보 수집 구간에서 수집된 데이터 개수를 나타낸다. 예를 들어 f가 100일 경우, 특징 벡터 각각은 100개의 데이터로 이루어지며 총 300개의 데이터가 학습에 이용된다.here, Side relative speed information, Represents the steering angle information of the vehicle. t represents the information collection interval, and f represents the number of data collected in the information collection interval. For example, when f is 100, each feature vector consists of 100 data, and a total of 300 data is used for learning.
본 발명은 [수학식 2]의 특징 벡터들을 서로 다른 클래스로 분류하는 분리 경계면을 계산함으로써 학습을 수행할 수 있다.The present invention can perform learning by calculating a separation interface for classifying the feature vectors of [Equation 2] into different classes.
도 5는 본 발명에 따른 주변 차량의 주행 경로 예측 결과를 도시하는 도면이다.FIG. 5 is a diagram showing a travel path prediction result of a peripheral vehicle according to the present invention.
도 5는 본 발명에 따라서, 주변 차량이 자차의 주행 경로로 진입하는 경우와 그렇지 않은 경우의 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보를 이용하여 학습한 결과에 기반하여, 주변 차량의 주행 경로를 예측한 결과(CIPV by SVM)와, 레이더를 이용하여 주변 차량의 주행 경로를 감지한 결과(CIPV by radar)를 도시하고 있다. FIG. 5 is a flowchart illustrating a method of driving a vehicle according to an exemplary embodiment of the present invention. Referring to FIG. 5, (CIPV by SVM) which is a result of predicting a traveling route of a nearby vehicle, and CIPV by radar which is a result of sensing a traveling route of a nearby vehicle by using a radar.
도 5에 도시된 바와 같이, 레이더를 이용하여 자차의 주행 경로에 진입하는 주변 차량(CIPV, Closest In Path Vehicle)을 감지(ON)하는 것보다, 본 발명에 따른 차량이, 자차의 주행 경로에 진입하는 주변 차량을 미리 예측(ON)할 수 있음을 확인할 수 있다.As shown in FIG. 5, it is preferable that the vehicle according to the present invention is installed in a traveling path of a vehicle, rather than detecting (ON) a nearby vehicle (CIPV, Closest In Path Vehicle) entering the traveling path of the vehicle using the radar It can be confirmed that the entering nearby vehicle can be predicted (ON) in advance.
따라서, 본 발명에 따르면, 주변 차량이 자차의 주행 경로에 진입하기 전에, 진입할 것을 미리 예측하여 차량을 제어할 수 있다. 일예로서 주변 차량이 자차의 주행 경로에 진입하기 전에, 자차의 속도를 미리 줄임으로써, 주변 차량이 자차의 주행 경로에 진입하였을 때 자차가 급감속하는 것을 방지할 수 있다.Therefore, according to the present invention, the vehicle can be controlled by predicting that the nearby vehicle will enter before the vehicle enters the traveling path of the vehicle. For example, by reducing the speed of the vehicle before the surrounding vehicle enters the traveling path of the vehicle, it is possible to prevent the vehicle from suddenly falling when the surrounding vehicle enters the traveling path of the vehicle.
도 6은 본 발명의 일실시예에 따른 주변 차량의 주행 경로 예측을 이용하는 차량 제어 방법을 설명하기 위한 도면이다.6 is a diagram for explaining a vehicle control method using a traveling path prediction of a peripheral vehicle according to an embodiment of the present invention.
본 발명에 따른 차량은 주변 차량의 주행 경로에 대한 학습 결과를 수신(S610), 즉 입력받는다. 주행 경로에 대한 학습 결과는, 도 1의 단계 S110 및 S120을 통해 얻어질 수 있다.The vehicle according to the present invention receives (S610), i.e., receives, the learning result about the traveling route of the nearby vehicle. Learning results for the traveling route can be obtained through steps S110 and S120 in Fig.
그리고 본 발명에 따른 차량은 학습 결과를 이용하여, 자차의 주행 방향, 자차와 주변 차량의 위치 및 속도에 대한 주변 차량의 주행 경로를 예측(S620)한다. 전술된 바와 같이, 자차와 주변 차량에 대한 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보가 학습에 이용된 경우, 본 발명에 따른 차량은 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 자차의 조향각 정보를 이용하여 주변 차량의 주행 경로를 예측한다.Then, the vehicle according to the present invention predicts the traveling path of the surrounding vehicle with respect to the running direction of the vehicle, the vehicle, and the position and speed of the surrounding vehicle using the learning result (S620). As described above, when the lateral relative-distance information, the lateral relative-speed information, and the steering-angle information of the vehicle are used for learning, the vehicle according to the present invention can calculate the lateral relative- And estimates the traveling path of the nearby vehicle using the information of the vehicle and the steering angle information of the vehicle.
보다 구체적으로 단계 S620에서 본 발명에 따른 차량은 센서를 이용하여, 주변 차량에 대한 데이터를 획득하고, 획득된 데이터를 이용하여, 횡방향 상대 속도 정보 및 횡방향 상대 거리 정보를 생성한다. 이 때 횡방향 상대 거리 정보는 자차의 요레이트, 자차의 종방향 속도, 자차와 주변 차량의 종방향 거리를 반영하는 정보일 수 있다. 이후, 차량은 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 조향각 정보를 이용하여, 주변 차량의 주행 경로를 예측한다.More specifically, in step S620, the vehicle according to the present invention acquires data on the neighboring vehicle using the sensor, and generates the lateral relative speed information and the lateral direction relative distance information using the obtained data. In this case, the lateral relative distance information may be information reflecting the yaw rate of the vehicle, the longitudinal velocity of the vehicle, and the longitudinal distance of the vehicle. Then, the vehicle predicts the traveling route of the nearby vehicle using the lateral direction relative distance information, the lateral direction relative speed information, and the steering angle information.
본 발명에 따른 차량은 단계 S620에서 예측된 주행 경로에 따라 자차를 제어(S630)한다.The vehicle according to the present invention controls the car according to the travel route predicted in step S620 (S630).
일실시예로서, 본 발명에 따른 차량은, 주변 차량이 자차의 주행 경로로 진입하는지 여부 또는 주변 차량이 자차의 주행 경로로 벗어나는지 여부를 예측한다. 그리고 주변 차량이 자차의 주행 경로에 진입하는 것으로 예측된 경우 자차를 감속하며, 주변 차량이 자차의 주행 경로에서 벗어나는 것으로 예측된 경우, 자차를 가속할 수 있다.In one embodiment, the vehicle according to the present invention predicts whether the neighboring vehicle enters the traveling route of the own vehicle or whether the neighboring vehicle deviates from the traveling route of the own vehicle. If the surrounding vehicle is predicted to enter the traveling path of the vehicle, the vehicle is decelerated. If the surrounding vehicle is predicted to deviate from the traveling path of the vehicle, the vehicle can be accelerated.
도 7은 본 발명의 일실시예에 따른 주변 차량의 주행 경로 예측을 이용하는 차량 제어 장치를 설명하기 위한 도면이다.7 is a view for explaining a vehicle control apparatus using a traveling path prediction of a nearby vehicle according to an embodiment of the present invention.
도 7을 참조하면 본 발명에 따른 차량 제어 장치는, 순항 제어 장치로 활용될 수 있으며, 정보 수신부(710), 주행 경로 예측부(720) 및 속도 제어부(730)를 포함한다.Referring to FIG. 7, the vehicle control apparatus according to the present invention may be utilized as a cruise control device, and includes an
정보 수신부(710)는 주변 차량의 주행 경로에 대한 학습 결과 및 주변 차량에 대한 센싱 데이터를 수신한다. 주행 경로에 대한 학습은 차량에 탑재된 별도의 학습 장치에서 수행되거나 또는 외부에서 수행된 학습 결과가 통신망을 통해 차량 제어 장치로 제공될 수 있다.The
주행 경로 예측부(720)는 학습 결과 및 센싱 데이터를 이용하여, 주변 차량의 주행 경로를 예측한다.The traveling
속도 제어부(730)는 예측된 주행 경로에 따라, 자차의 속도를 제어한다. 일예로서 속도 제어부(730)는 속도를 증가시키거나 감소시키는 제어정보를 생성함으로써 자차의 속도를 제어할 수 있다.The
한편, 도면에 도시되지는 않았지만 주행 경로 예측부(720)는 횡방향 정보 생성부 및 경로 추정부를 포함할 수 있다. Meanwhile, although not shown in the drawing, the traveling
횡방향 정보 생성부는 센싱 데이터를 이용하여, 자차와 상기 주변 차량에 대한 횡방향 상대 거리 정보 및 횡방향 상대 속도 정보를 생성한다.The lateral direction information generation unit generates lateral direction relative distance information and lateral direction relative speed information for the vehicle and the peripheral vehicle using the sensing data.
경로 추정부는 횡방향 상대 거리 정보, 횡방향 상대 속도 정보, 자차의 조향각 정보 및 학습 결과를 이용하여, 주변 차량의 주행 경로를 예측한다. 조향각 정보는 조향각 센서를 통해 획득될 수 있다.The path estimating unit predicts the traveling path of the neighboring vehicle by using the lateral relative distance information, the lateral relative speed information, the steering angle information of the vehicle, and the learning result. Steering angle information can be obtained through the steering angle sensor.
앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The above-described technical features may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions recorded on the medium may be those specially designed and constructed for the embodiments or may be available to those skilled in the art of computer software. Examples of computer-readable media include magnetic media such as hard disks, floppy disks, and magnetic tape; optical media such as CD-ROMs and DVDs; magnetic media such as floppy disks; Magneto-optical media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of program instructions include machine language code such as those produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like. The hardware device may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.As described above, the present invention has been described with reference to particular embodiments, such as specific elements, and specific embodiments and drawings. However, it should be understood that the present invention is not limited to the above- And various modifications and changes may be made thereto by those skilled in the art to which the present invention pertains. Accordingly, the spirit of the present invention should not be construed as being limited to the embodiments described, and all of the equivalents or equivalents of the claims, as well as the following claims, belong to the scope of the present invention .
Claims (15)
상기 데이터를 이용하여, 상기 자차의 주행 방향, 상기 자차와 상기 주변 차량의 위치 및 속도에 대한, 상기 주변 차량의 주행 경로를 학습하는 단계; 및
상기 학습 결과 및 상기 데이터를 이용하여, 상기 주변 차량의 주행 경로를 예측하는 단계
를 포함하는 주변 차량의 주행 경로 예측 방법.
Obtaining data on the vehicle and the surrounding vehicle;
Learning the traveling route of the peripheral vehicle with respect to the traveling direction of the vehicle, the position and speed of the vehicle, and the vehicle using the data; And
Predicting a traveling route of the neighboring vehicle using the learning result and the data
And estimating the travel path of the neighboring vehicle.
상기 주변 차량의 주행 경로를 학습하는 단계는
상기 주변 차량이 상기 자차의 주행 경로로 진입하는지 여부 또는 상기 주변 차량이 상기 자차의 주행 경로로 벗어나는지 여부를 학습하는
주변 차량의 주행 경로 예측 방법.
The method according to claim 1,
The step of learning the traveling path of the neighboring vehicle
Whether or not the neighboring vehicle enters the traveling route of the vehicle or whether the neighboring vehicle deviates to the traveling route of the vehicle
A method of predicting a traveling path of a nearby vehicle.
상기 주변 차량의 주행 경로를 학습하는 단계는
기 설정된 정보 수집 구간에서 수집된 상기 정보들에 대해, 상기 주변 차량의 주행 경로를 학습하며,
상기 정보 수집 구간은
상기 주변 차량이 상기 자차의 주행 경로로 진입하기 이전 또는 상기 자차의 주행 경로를 벗어나기 이전의 구간인
주변 차량의 주행 경로 예측 방법.
3. The method of claim 2,
The step of learning the traveling path of the neighboring vehicle
Learning a traveling route of the neighboring vehicle with respect to the information collected in a predetermined information collecting section,
The information collection section
Before the vehicle enters the traveling path of the vehicle or before the vehicle leaves the traveling path of the vehicle
A method of predicting a traveling path of a nearby vehicle.
상기 주변 차량의 주행 경로를 학습하는 단계는
상기 데이터를 이용하여, 상기 자차와 상기 주변 차량에 대한 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 상기 자차의 조향각 정보에 대한, 상기 주변 차량의 주행 경로를 학습하는
주변 차량의 주행 경로 예측 방법.
The method according to claim 1,
The step of learning the traveling path of the neighboring vehicle
Using the data, a traveling path of the nearby vehicle with respect to the lateral relative distance information, the lateral relative speed information, and the steering angle information of the vehicle, with respect to the vehicle and the surrounding vehicle
A method of predicting a traveling path of a nearby vehicle.
상기 주변 차량의 주행 경로를 예측하는 단계는
상기 데이터를 이용하여, 상기 횡방향 상대 거리 정보 및 상기 횡방향 상대 속도 정보를 생성하는 단계
를 포함하는 주변 차량의 주행 경로 예측 방법.
5. The method of claim 4,
The step of predicting the traveling path of the neighboring vehicle
Generating the lateral relative distance information and the lateral relative speed information using the data;
And estimating the travel path of the neighboring vehicle.
상기 횡방향 상대 거리 정보는
상기 자차의 요레이트, 상기 자차의 종방향 속도, 상기 자차와 상기 주변 차량의 종방향 거리를 반영하는 정보인
주변 차량의 주행 경로 예측 방법.
5. The method of claim 4,
The lateral relative distance information
The yaw rate of the vehicle, the longitudinal speed of the vehicle, and the longitudinal distance of the vehicle and the longitudinal distance
A method of predicting a traveling path of a nearby vehicle.
상기 주변 차량의 주행 경로를 학습하는 단계는
SVM을 이용하여 상기 주행 경로를 학습하는
주변 차량의 주행 경로 예측 방법.
The method according to claim 1,
The step of learning the traveling path of the neighboring vehicle
SVM is used to learn the traveling route
A method of predicting a traveling path of a nearby vehicle.
상기 학습 결과를 이용하여, 자차의 주행 방향, 상기 자차와 상기 주변 차량의 위치 및 속도에 대한 상기 주변 차량의 주행 경로를 예측하는 단계; 및
상기 예측된 주행 경로에 따라 상기 자차를 제어하는 단계
를 포함하는 주변 차량의 주행 경로 예측을 이용하는 차량 제어 방법.
Receiving a learning result of a traveling path of a nearby vehicle;
Predicting a traveling path of the peripheral vehicle with respect to a running direction of the vehicle, a position and a speed of the vehicle, and the vehicle using the learning result; And
Controlling the vehicle according to the predicted traveling path
And estimating the traveling path of the neighboring vehicle based on the travel route prediction.
상기 주변 차량의 주행 경로를 예측하는 단계는
상기 자차와 상기 주변 차량에 대한 횡방향 상대 거리 정보, 횡방향 상대 속도 정보 및 상기 자차의 조향각 정보에 대한, 상기 주변 차량의 주행 경로를 예측하는
주변 차량의 주행 경로 예측 방법.
9. The method of claim 8,
The step of predicting the traveling path of the neighboring vehicle
And estimates a traveling path of the surrounding vehicle with respect to the lateral relative distance information, the lateral relative speed information, and the steering angle information of the vehicle,
A method of predicting a traveling path of a nearby vehicle.
상기 주변 차량의 주행 경로를 예측하는 단계는
센서를 이용하여, 주변 차량에 대한 데이터를 획득하는 단계;
상기 데이터를 이용하여, 상기 횡방향 상대 속도 정보 및 상기 횡방향 상대 거리 정보를 생성하는 단계; 및
상기 횡방향 상대 거리 정보, 상기 횡방향 상대 속도 정보 및 상기 조향각 정보를 이용하여, 상기 주변 차량의 주행 경로를 예측하는 단계
를 포함하는 주변 차량의 주행 경로 예측을 이용하는 차량 제어 방법.
10. The method of claim 9,
The step of predicting the traveling path of the neighboring vehicle
Acquiring data on a neighboring vehicle using a sensor;
Generating the lateral relative speed information and the lateral relative distance information using the data; And
Estimating a traveling route of the neighboring vehicle using the lateral direction relative distance information, the lateral direction relative speed information, and the steering angle information
And estimating the traveling path of the neighboring vehicle based on the travel route prediction.
상기 횡방향 상대 거리 정보를 생성하는 단계는
상기 자차의 요레이트, 상기 자차의 종방향 속도, 상기 자차와 상기 주변 차량의 종방향 거리를 이용하여, 상기 횡방향 상대 거리 정보를 생성하는
를 포함하는 주변 차량의 주행 경로 예측을 이용하는 차량 제어 방법.
11. The method of claim 10,
The step of generating the lateral relative distance information
The yaw rate of the vehicle, the longitudinal speed of the vehicle, and the longitudinal distance of the vehicle and the peripheral vehicle to generate the lateral relative distance information
And estimating the traveling path of the neighboring vehicle based on the travel route prediction.
상기 주변 차량의 주행 경로를 예측하는 단계는
상기 주변 차량이 상기 자차의 주행 경로로 진입하는지 여부 또는 상기 주변 차량이 상기 자차의 주행 경로로 벗어나는지 여부를 예측하는
상기 주변 차량의 주행 경로를 예측하는 단계
9. The method of claim 8,
The step of predicting the traveling path of the neighboring vehicle
Whether or not the neighboring vehicle enters the traveling route of the vehicle or whether the neighboring vehicle deviates from the traveling route of the vehicle
Predicting a traveling route of the nearby vehicle
상기 자차를 제어하는 단계는
상기 주변 차량이 상기 자차의 주행 경로에 진입하는 것으로 예측된 경우 상기 자차를 감속하며,
상기 주변 차량이 상기 자차의 주행 경로에서 벗어나는 것으로 예측된 경우, 상기 자차를 가속하는
주변 차량의 주행 경로 예측을 이용하는 차량 제어 방법.
13. The method of claim 12,
The step of controlling the car
Decelerates the vehicle when the peripheral vehicle is predicted to enter the traveling path of the vehicle,
If it is predicted that the peripheral vehicle deviates from the traveling path of the vehicle,
A method of controlling a vehicle using a traveling path prediction of a nearby vehicle.
상기 학습 결과 및 상기 센싱 데이터를 이용하여, 상기 주변 차량의 주행 경로를 예측하는 주행 경로 예측부; 및
상기 예측된 주행 경로에 따라, 상기 자차의 속도를 제어하는 속도 제어부
를 포함하는 주변 차량의 주행 경로 예측을 이용하는 차량 제어 장치.
An information receiving unit for receiving a learning result of a traveling route of the nearby vehicle and sensing data of the nearby vehicle;
A traveling route predicting unit for predicting a traveling route of the nearby vehicle using the learning result and the sensing data; And
A speed control unit for controlling the speed of the vehicle according to the predicted traveling route,
And estimating a travel route of the neighboring vehicle including the estimated travel route.
상기 주행 경로 예측부는
상기 센싱 데이터를 이용하여, 자차와 상기 주변 차량에 대한 횡방향 상대 거리 정보 및 횡방향 상대 속도 정보를 생성하는 횡방향 정보 생성부; 및
상기 횡방향 상대 거리 정보, 횡방향 상대 속도 정보, 상기 자차의 조향각 정보 및 상기 학습 결과를 이용하여, 상기 주변 차량의 주행 경로를 예측하는 경로 추정부
를 포함하는 주변 차량의 주행 경로 예측을 이용하는 차량 제어 장치.
15. The method of claim 14,
The traveling path estimating unit
A lateral information generating unit for generating lateral relative distance information and lateral relative speed information for the vehicle and the surrounding vehicle using the sensing data; And
A route estimating unit that estimates a traveling route of the nearby vehicle using the lateral direction relative distance information, the lateral direction relative speed information, the steering angle information of the vehicle,
And estimating a travel route of the neighboring vehicle including the estimated travel route.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020160105246A KR101874186B1 (en) | 2016-08-19 | 2016-08-19 | Method for predicting driving path of object vehicle by maching learning and method for controlling vehicle using the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020160105246A KR101874186B1 (en) | 2016-08-19 | 2016-08-19 | Method for predicting driving path of object vehicle by maching learning and method for controlling vehicle using the same |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20180020615A true KR20180020615A (en) | 2018-02-28 |
KR101874186B1 KR101874186B1 (en) | 2018-07-03 |
Family
ID=61401522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020160105246A KR101874186B1 (en) | 2016-08-19 | 2016-08-19 | Method for predicting driving path of object vehicle by maching learning and method for controlling vehicle using the same |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101874186B1 (en) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101951595B1 (en) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | Vehicle trajectory prediction system and method based on modular recurrent neural network architecture |
KR20200046136A (en) * | 2018-10-10 | 2020-05-07 | 현대자동차주식회사 | Apparatus and method for identificating short cut in vehicle and vehicle including the same |
CN111332286A (en) * | 2018-12-18 | 2020-06-26 | 现代自动车株式会社 | Vehicle running control method and automatic driving vehicle using the same |
CN111942395A (en) * | 2019-05-14 | 2020-11-17 | 现代自动车株式会社 | Vehicle and method for controlling vehicle |
WO2021108743A1 (en) * | 2019-11-27 | 2021-06-03 | Lyft, Inc. | Systems and methods for improving vehicle predictions using point representations of scene |
WO2021172675A1 (en) * | 2020-02-24 | 2021-09-02 | 한국과학기술원 | Electronic device for integral prediction of future route for unspecified number of surrounding vehicles, and operation method therefor |
KR20220009709A (en) * | 2020-07-16 | 2022-01-25 | (주)파슨텍 | Radar sensor R&D method with artificial intelligence machine learning |
CN114119301A (en) * | 2021-11-03 | 2022-03-01 | 支付宝(杭州)信息技术有限公司 | Self-learning vehicle processing method and device based on shared vehicle |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11693415B2 (en) * | 2019-11-06 | 2023-07-04 | Waymo Llc | Predicting cut-in probabilities of surrounding agents |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4281543B2 (en) * | 2003-12-16 | 2009-06-17 | 日産自動車株式会社 | VEHICLE DRIVE OPERATION ASSISTANCE DEVICE AND VEHICLE HAVING VEHICLE DRIVE OPERATION ASSISTANCE DEVICE |
JP5287736B2 (en) * | 2010-01-12 | 2013-09-11 | トヨタ自動車株式会社 | Vehicle control device |
-
2016
- 2016-08-19 KR KR1020160105246A patent/KR101874186B1/en active IP Right Grant
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101951595B1 (en) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | Vehicle trajectory prediction system and method based on modular recurrent neural network architecture |
KR20200046136A (en) * | 2018-10-10 | 2020-05-07 | 현대자동차주식회사 | Apparatus and method for identificating short cut in vehicle and vehicle including the same |
CN111332286A (en) * | 2018-12-18 | 2020-06-26 | 现代自动车株式会社 | Vehicle running control method and automatic driving vehicle using the same |
CN111942395A (en) * | 2019-05-14 | 2020-11-17 | 现代自动车株式会社 | Vehicle and method for controlling vehicle |
WO2021108743A1 (en) * | 2019-11-27 | 2021-06-03 | Lyft, Inc. | Systems and methods for improving vehicle predictions using point representations of scene |
US11354913B1 (en) | 2019-11-27 | 2022-06-07 | Woven Planet North America, Inc. | Systems and methods for improving vehicle predictions using point representations of scene |
WO2021172675A1 (en) * | 2020-02-24 | 2021-09-02 | 한국과학기술원 | Electronic device for integral prediction of future route for unspecified number of surrounding vehicles, and operation method therefor |
KR20220009709A (en) * | 2020-07-16 | 2022-01-25 | (주)파슨텍 | Radar sensor R&D method with artificial intelligence machine learning |
CN114119301A (en) * | 2021-11-03 | 2022-03-01 | 支付宝(杭州)信息技术有限公司 | Self-learning vehicle processing method and device based on shared vehicle |
Also Published As
Publication number | Publication date |
---|---|
KR101874186B1 (en) | 2018-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101874186B1 (en) | Method for predicting driving path of object vehicle by maching learning and method for controlling vehicle using the same | |
JP6831420B2 (en) | A method for evaluating self-driving car trajectory candidates | |
CN108891417B (en) | Method for operating an autonomous vehicle and data processing system | |
JP6237685B2 (en) | Vehicle control device | |
JP5407764B2 (en) | Driving assistance device | |
US11055540B2 (en) | Method for determining anchor boxes for training neural network object detection models for autonomous driving | |
CN110562272B (en) | Driving support device | |
CN106314423A (en) | Vehicle traveling control device | |
KR20200014931A (en) | Vehicle information storage method, vehicle driving control method, and vehicle information storage device | |
JP7081423B2 (en) | Information processing system | |
US11254326B2 (en) | Automatic comfort score system based on human driving reference data | |
CN111497834A (en) | Driving assistance system | |
US11814073B2 (en) | Learning based controller for autonomous driving | |
JP2018106490A (en) | Automatic driving device | |
KR20210057054A (en) | Vehicle behavior prediction method and vehicle behavior prediction device | |
JP7356892B2 (en) | Vehicle driving environment estimation method and driving environment estimation system | |
CN115440069B (en) | Information processing server, processing method of information processing server, and nonvolatile storage medium | |
US20220291689A1 (en) | Control system, mobile object, control method, and storage medium | |
EP4011733B1 (en) | Method and device for driver assistance for determining habits of driver | |
CN115175838B (en) | Vehicle control method and vehicle control device | |
KR102616971B1 (en) | Autonomous driving apparatus and method | |
KR102530702B1 (en) | Autonomous driving apparatus and method | |
JP5413264B2 (en) | Vehicle control device | |
KR20200133859A (en) | Autonomous driving apparatus and method | |
JP7491267B2 (en) | Information processing server, processing method for information processing server, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |