KR20190013689A - 자율 주행 차량 교통 예측에서 예측되는 궤적에 대한 평가 프레임 워크 - Google Patents
자율 주행 차량 교통 예측에서 예측되는 궤적에 대한 평가 프레임 워크 Download PDFInfo
- Publication number
- KR20190013689A KR20190013689A KR1020187007652A KR20187007652A KR20190013689A KR 20190013689 A KR20190013689 A KR 20190013689A KR 1020187007652 A KR1020187007652 A KR 1020187007652A KR 20187007652 A KR20187007652 A KR 20187007652A KR 20190013689 A KR20190013689 A KR 20190013689A
- Authority
- KR
- South Korea
- Prior art keywords
- trajectory
- locus
- predicted
- lane
- actual
- Prior art date
Links
- 238000011156 evaluation Methods 0.000 title description 14
- 238000000034 method Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims description 33
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000000704 physical effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000002379 ultrasonic velocimetry Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 17
- 230000001149 cognitive effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 230000002085 persistent effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 8
- 230000004807 localization Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
- G06F18/2185—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor the supervisor being an automated module, e.g. intelligent oracle
-
- G06K9/00798—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
- G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
- G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
일 실시예에 따르면, 예측 궤적이 수신될 때, 예측 궤적의 궤적점 중 적어도 일부로부터 하나 이상의 특징 세트가 추출된다. 예측 궤적은 자율 주행 차량(ADV) 주변의 주행 환경 내의 물체를 인지하는 인지 데이터에 기초한 예측 방법 또는 알고리즘을 사용하여 예측된다. 추출된 특징은 소정의 DNN 모델에 공급되어 유사도 점수를 생성한다. 유사도 점수는 예측 궤적과 DNN 모델을 트레이닝하는데 사용된 이전의 실제 궤적 간의 차이 또는 유사도를 나타낸다. 유사도 점수는 예측 궤적을 예측한 예측 방법을 평가하는데 이용될 수 있다.
Description
본 개시의 실시예들은 일반적으로 자율 주행 차량을 동작하는 것에 관한 것이다. 더 구체적으로는, 본 발명의 실시예는 자율 주행 차량의 교통 예측을 평가하는 것에 관한 것이다.
자율 주행 모드에서 (예를 들어, 운전자 없이) 동작하는 차량에서 탑승자, 특히 운전자는 일부 운전과 관련하여 담당하고 있는 사항들로부터 경감될 수 있다. 자율 주행 모드에서 작동할 때, 차량은 온보드 센서를 사용하여 다양한 위치들로 내비게이트할 수 있고, 그 결과 최소한의 인간과의 상호 작용으로 또는 일부의 경우 승객 없이 차량이 이동하는 것이 허용된다.
트래픽 예측은 자율 주행 차량 소프트웨어를 작성할 때 해결해야 할 매우 중요한 문제이다. 인지 모듈이 센서 데이터를 수집하고 구조화된 검출 물체(예 : 차량, 자전거 타는 사람 및 보행자)를 생성하는 동안, 예측 모듈은 실제로 이러한 물체의 동작을 실제 예측해야 한다. 예측 결과는 가까운 미래에 물체가 있을 수 있는 공간적-시간적 위치를 나타내는 예측 궤적을 포함한다. 구체적인 범주 수준에서 예측 "행동"을 평가하기는 쉽지만, 예측 궤적과 실제 궤적 사이의 실제 유사도를 수치적이고 객관적으로 측정하는 것은 매우 어렵다.
본 개시의 실시예들은 자율 주행 차량에 의한 궤적의 예측을 평가하기 위한 컴퓨터로 구현된 방법, 비일시적 기계 판독가능한 매체 및 데이터 처리 시스템을 제공한다.
본 발명의 일 실시예에 따르면, 자율 주행 차량에 의한 궤적의 예측을 평가하기 위한 컴퓨터로 구현되는 방법은, 자율 주행 차량(ADV) 주변의 주행 환경 내의 물체를 인지하는 인지 데이터에 기초한 예측 방법을 이용하여 생성된 물체의 예측 궤적을 수신하는 단계; 예측 궤적의 복수의 궤적점으로부터 선택된 적어도 일부의 궤적점에 대하여, 선택된 궤적점으로부터 복수의 특징을 추출하는 단계; 추출된 특징에 DNN(deep neural network) 모델을 적용하여 유사도 점수를 생성하는 단계 - 유사도 점수는 예측 궤적과 DNN 모델에 의해 모델링된 이전의 실제 궤적 간의 유사도를 나타냄 -; 및 유사도 점수에 기초하여 예측 방법의 정확도를 결정하는 단계를 포함한다.
본 개시의 다른 실시예에서, 비일시적 기계 판독 가능 매체는, 프로세서에 의해 실행될 때 프로세서로 하여금 동작들을 수행하게 하는 명령어를 저장한다. 동작들은, 자율 주행 차량(ADV) 주변의 주행 환경 내의 물체를 인지하는 인지 데이터에 기초한 예측 방법을 이용하여 생성된 물체의 예측 궤적을 수신하는 것; 예측 궤적의 복수의 궤적점으로부터 선택된 적어도 일부의 궤적점에 대하여, 선택된 궤적점으로부터 복수의 특징을 추출하는 것; 추출된 특징에 DNN 모델을 적용하여 유사도 점수를 생성하는 것 - 유사도 점수는 예측 궤적과 DNN 모델에 의해 모델링된 이전의 실제 궤적 간의 유사도를 나타냄; 및 유사도 점수에 기초하여 예측 방법의 정확도를 결정하는 것을 포함한다.
본 개시의 또 다른 실시예에서, 데이터 처리 시스템은, 프로세서; 및 프로세서에 의해 실행될 때 프로세서로 하여금 동작들을 수행하게 하는 명령어들을 저장하기 위해 프로세서에 연결된 메모리를 포함한다. 동작들은, 자율 주행 차량(ADV) 주변의 주행 환경 내의 물체를 인지하는 인지 데이터에 기초한 예측 방법을 이용하여 생성된 물체의 예측 궤적을 수신하는 것; 예측 궤적의 복수의 궤적점으로부터 선택된 적어도 일부의 궤적점에 대하여, 선택된 궤적점으로부터 복수의 특징을 추출하는 것; 추출된 특징에 DNN 모델을 적용하여 유사도 점수를 생성하는 것 - 유사도 점수는 예측 궤적과 DNN 모델에 의해 모델링된 이전의 실제 궤적 간의 유사도를 나타냄; 및 유사도 점수에 기초하여 예측 방법의 정확도를 결정하는 것을 포함한다.
도 1은 일 실시예에 따른 네트워크 시스템을 나타내는 블록도이다.
도 2는 일 실시예에 따른 자율 주행 차량의 일례를 나타내는 블록도이다.
도 3은 일 실시예에 따른 자율 주행 차량과 함께 사용되는 인지 및 계획 시스템의 일례를 나타내는 블록도이다.
도 4는 일 실시예에 따른 데이터 분석 시스템을 나타내는 블록도이다.
도 5는 실제 궤적과 예측 궤적의 일례를 나타내는 도면이다.
도 6은 일 실시예에 따른 DNN(Deep Neural Network)의 일례를 나타내는 블록도이다.
도 7은 일 실시예에 따라 DNN을 트레이닝하는 프로세스를 나타내는 흐름도이다.
도 8은 일 실시예에 따라 자율 주행 차량의 예측 방법을 평가하는 프로세스를 나타내는 흐름도이다.
도 9은 일 실시예에 따른 데이터 처리 시스템을 나타내는 블록도이다.
도 2는 일 실시예에 따른 자율 주행 차량의 일례를 나타내는 블록도이다.
도 3은 일 실시예에 따른 자율 주행 차량과 함께 사용되는 인지 및 계획 시스템의 일례를 나타내는 블록도이다.
도 4는 일 실시예에 따른 데이터 분석 시스템을 나타내는 블록도이다.
도 5는 실제 궤적과 예측 궤적의 일례를 나타내는 도면이다.
도 6은 일 실시예에 따른 DNN(Deep Neural Network)의 일례를 나타내는 블록도이다.
도 7은 일 실시예에 따라 DNN을 트레이닝하는 프로세스를 나타내는 흐름도이다.
도 8은 일 실시예에 따라 자율 주행 차량의 예측 방법을 평가하는 프로세스를 나타내는 흐름도이다.
도 9은 일 실시예에 따른 데이터 처리 시스템을 나타내는 블록도이다.
본 개시의 다양한 실시예들 및 양상들은 이하 세부 설명을 참조하여 설명되며, 첨부 도면들은 다양한 실시예들을 나타낸다. 아래의 설명 및 도면은 본 개시를 예시적으로 보여주며, 본 개시를 제한하는 것으로 해석되어서는 안 된다. 다수의 구체적인 세부 사항들이 본 개시의 다양한 실시예들의 완전한 이해를 제공하기 위해 설명된다. 그러나, 어떤 경우에는, 본 개시의 실시예들에 대한 간결한 설명을 제공하기 위해 잘 알려진 또는 종래의 세부 사항은 설명되지 않는다.
명세서에서의 "일 실시예" 또는 "실시예"에 대한 참조는, 실시예와 관련하여 설명된 특정 특징, 구조 또는 특성이 본 개시의 적어도 하나의 실시예에 포함될 수 있다는 것을 의미한다. 명세서의 다양한 곳에서 기재된 "일 실시예에서"라는 문구는 반드시 모두 동일한 실시예를 지칭하는 것은 아니다.
자율 주행 소프트웨어 시스템에서, 인지 및 예측 모듈은 "객관적인" 정보와 "주관적인" 정보를 추출하는 두 개의 중요한 모듈이다. 인지 모듈이 미가공 센서 데이터로부터 물체 존재, 속력, 위치 및 방향과 같은 객관적인 정보를 추출하는 동안, 예측 모듈은 "예측"을 담당한다. 이러한 예측에는 행동 수준 예측이 포함된다. 예를 들어, 특정 순간에, 특정 차로에서 특정 속도의 검출 차량이 현재 차로에서 인접 차로로 변경한다. 이러한 예측은 공간적-시간적 궤적점으로 보다 구체화된다. 점을 가진 궤적은 다운스트림 모듈(예 : 모션 계획 및 제어)에 의해 크게 영향을 받아, 안전하고 합리적인 자율 운전 결정을 내린다.
인지 모듈은 포인트 클라우드(point-cloud), 카메라 이미지, GPS(Global Positioning System) 및 / 또는 레이더를 포함하되 이에 국한되지 않는 미가공 센서 데이터를 사용한다. 인지 모듈은 인지 대상을 검출하고 위치, 속도 및 방향과 같은 정보를 이용해 보완한다. 이러한 정보는 보다 "객관적"이다. 예측 모듈은 가까운 미래에 이러한 모든 물체의 동작을 예측하는 것을 담당한다. 그러한 예측은 물체가 현재 차로를 유지할 것인지, 다른 차로로 변경할지, 또는 멈출지와 같은 메타 행동 수준(meta-behavior level)에서 보통 먼저 계산된다. 그러한 행동 수준 예측이 이루어진 후에, 이러한 예측은 구체적인 실제 궤적으로 설명된다. 궤적은 "궤적점"의 집합으로 표현되며, 각 점은 물체의 미래 위치와 그 지점에서의 예측 속도 및 방향을 나타낸다. 본 발명의 실시예는 예측 궤적과 물체가 취하는 실제 궤적 간의 유사도를 체계적으로 계산하는 것이다.
일부 실시예에 따르면, 예측 궤적을 생성하기 위해 이용되는 예측 방법의 정확도를 평가하기 위해, DNN을 트레이닝하고 이를 이용하여, 평가 네트워크를 트레이닝함으로써 유사도 평가 문제를 해결하고, 이 네트워크를 이용하여 예측 궤적과 실제 궤적 간의 차이 또는 유사도를 결정한다. 일 실시예에서, 예측 궤적은 네거티브 예시(negative example)로서 사용되고 실제 궤적은 포지티브 예시(positive example)로서 이용된다. DNN 네트워크는 설계된 특징들을 가진 예시들로 구축된다. 예측 궤적의 형태가 실제 궤적의 분포와 다른 경우, 네트워크는 "실제" 궤적 대 "예측" 궤적을 구별할 수 있는 차별화된 능력을 갖는다. 따라서 더 나은 궤적을 생성하는데 개선이 이루어진다면, 예측 궤적이 네트워크에 제공되고, 트레이닝된 네트워크는 미리 결정된 값에 가까운 점수를 부여함으로써 "예측 궤적"을 "실제 궤적"으로 더 분류하게 된다. 본 구성에는, 예측 궤적과 실제 궤적 간의 유사도를 평가하는 포괄적이면서 새로운 방법이 있다.
본 개시의 일 실시예에 따르면, 예측 궤적이 수신된 때, 예측 궤적의 궤적점 중 적어도 일부로부터 하나 이상의 특징 세트가 추출된다. 예측 궤적은 자율 주행 차량(ADV) 주변의 주행 환경 내의 물체를 인지하는 인지 데이터에 기초한 예측 방법 또는 알고리즘을 사용하여 예측된다. 추출된 특징은 소정의 DNN 모델에 공급되어 유사도 점수를 생성한다. 유사도 점수는 예측 궤적과 DNN 모델을 트레이닝하는데 사용된 이전 실제 궤적 간의 차이 또는 유사도를 나타낸다. 유사도 점수는 예측 궤적을 예측한 예측 방법을 평가하는데 이용될 수 있다.
예를 들어, 유사도 점수가 1에 가까울수록, 대응 물체가 가까운 미래에 움직일 가능성이 높은 실제 궤적에 예측 궤적이 가까울 수 있다는 것을 나타내며, 이는 예측 방법이 물체의 잠재적 움직임을 정확하게 예측한다는 것을 의미한다. 그렇지 않은 경우, 유사도 점수가 -1에 가까울수록, 실제 궤적이 예측 궤적에서 이탈한다는 것을 나타내며, 이는 예측 방법을 개선하거나 수정할 필요가 있다는 것을 의미한다. DNN 모델을 사용하여 평가 점수로서 유사도 점수를 체계적으로 생성함으로써, 물체의 궤적을 예측하기 위한 예측 방법이 체계적으로 평가될 수 있다. 결과적으로, 예측 방법은 평가 점수에 기초하여 미세 조정되고 개선될 수 있다.
본 발명의 또 다른 실시예에 따르면, DNN 모델 또는 모델들은, 과거에 캡쳐된 예측 궤적 및 그에 대응하는 실제 궤적을 포함하는 대량의 과거 주행 통계에 기초하여 트레이닝될 수 있다. 예측 궤적과 대응하는 실제 궤적의 각 쌍에 대해, 예측 특징 세트가 예측 궤적으로부터 추출되고, 실제 특징 세트가 그에 대응하는 실제 궤적으로부터 추출된다. DNN 네트워크 또는 모델은 예측 특징 및 실제 특징을 기반으로 트레이닝된다. DNN 모델을 트레이닝하기 위해, 실제 특징은 포지티브 예시로 활용되는 반면 예측 특징은 네거티브 예시로 활용된다. 모델은 유사도 점수를 생성하기 위해 대응되는 특징을 고려하여 예측 특징에 기초하여 트레이닝할 수 있다. 유사도 점수는 예측 특징으로 표시된 궤적과 실제 특징으로 표시된 실제 궤적 간의 차이 또는 유사도를 나타낸다. 소정의 제1 값(예를 들어, 1)에 가까운 유사도 점수는 예측 궤적이 대응하는 실제 궤적과 유사하다는 것을 나타낸다. 소정의 제2 값(예를 들어, -1)에 가까운 유사도 점수는 예측 궤적이 대응하는 실제 궤적과 상이하다는 것을 나타낸다. 대량의 예측 궤적과 그에 상응하는 실제 궤적을 사용하여 DNN 모델 또는 모델들을 보다 정확하게 트레이닝시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 자율 주행 차량 네트워크 구성을 나타내는 블록도이다. 도 1을 참조하면, 네트워크 구성(100)은, 네트워크(102) 상에서 하나 이상의 서버(103-104)와 통신 가능하게 결합될 수 있는 자율 주행 차량(101)을 포함한다. 하나의 자율 주행 차량이 도시되어 있지만, 다수의 자율 주행 차량이 서로 결합될 수 있고/있거나 네트워크(102)를 통해 서버들(103-104)에 결합될 수 있다. 네트워크(102)는 근거리 통신망(LAN), 인터넷과 같은 광역 네트워크(WAN), 셀룰러 네트워크, 위성 네트워크 또는 이들의 조합과 같은 유선 또는 무선의 임의의 유형의 네트워크일 수 있다. 서버(들)(103-104)는 웹 또는 클라우드 서버, 애플리케이션 서버, 백엔드 서버 또는 이들의 조합과 같은 임의의 종류의 서버 또는 서버 클러스터일 수 있다. 서버(103-104)는 데이터 분석 서버, 콘텐츠 서버, 교통 정보 서버, 지도 및 관심 지점(MPOI: map and point of interest) 서버 또는 위치 서버 등일 수 있다.
자율 주행 차량은, 자율 주행 모드에서 운전자로부터의 입력이 거의 또는 전혀 없이 차량이 주변 환경 사이로 네비게이트할 수 있도록 구성될 수 있는 차량을 지칭한다. 이러한 자율 주행 자량은 차량이 운행되는 환경에 관한 정보를 검출하도록 구성된 하나 이상의 센서를 갖는 센서 시스템을 포함할 수 있다. 차량 및 관련 제어기(들)는 검출된 정보를 이용하여 주변 환경 사이로 네비게이트한다. 자율 주행 차량(101)은 수동 모드, 완전 자율 주행 모드 또는 부분 자율 주행 모드로 운행될 수 있다.
일 실시예에서, 자율 주행 차량(101)은 인지 및 계획 시스템(110), 차량 제어 시스템(111), 무선 통신 시스템(112), 사용자 인터페이스 시스템(113), 인포테인먼트 시스템(114) 및 센서 시스템(115)을 포함하지만, 이에 한정되지 않는다. 자율 주행 차량(101)은, 예를 들어, 가속 신호 또는 명령, 감속 신호 또는 명령, 조향 신호 또는 명령, 제동 신호 또는 명령 등과 같은 다양한 통신 신호 및/또는 명령을 사용하여, 차량 제어 시스템(111) 및/또는 인지 및 계획 시스템(110)에 의해 제어될 수 있는, 엔진, 차륜(wheel), 스티어링 휠, 변속기 등과 같은, 일반 차량에 포함되는 특정 공통 구성 요소를 더 포함할 수 있다.
구성요소(110-115)는 인터커넥트(interconnect), 버스, 네트워크 또는 이들의 조합을 통해 서로 통신 가능하게 결합될 수 있다. 예를 들어, 구성요소(110-115)는, 제어기 영역 네트워크(CAN) 버스를 통해 서로 통신 가능하게 결합될 수 있다. CAN 버스는, 호스트 컴퓨터가 없는 어플리케이션들에서 마이크로 컨트롤러들과 장치들이 서로 통신할 수 있도록 설계된 차량 버스 표준이다. 그것은 메시지 기반 프로토콜로서, 원래는 자동차 내의 멀티플렉스(multiplex) 전기 배선을 위해 설계되었지만, 다른 많은 상황에서도 사용된다.
이제 도 2를 참조하면, 일 실시예에서, 센서 시스템(115)은, 하나 이상의 카메라(211), GPS(global positioning system) 유닛(212), 관성 측정 유닛(IMU)(213), 레이더 유닛(214) 및 광 검출 및 측정(LIDAR) 유닛(215)을 포함하지만, 이에 한정되지 않는다. GPS 시스템(212)은 자율 주행 차량의 위치에 관한 정보를 제공하도록 동작 가능한 송수신기(트랜시버)를 포함할 수 있다. IMU 유닛(213)은, 관성 가속도에 기초하여 자율 주행 차량의 위치 및 방향 변화를 감지할 수 있다. 레이더 유닛(214)은, 무선 신호를 활용하여 자율 주행 차량의 로컬 환경 내의 물체들을 감지하는 시스템을 나타낼 수 있다. 일부 실시예들에서, 물체를 감지하는 것 외에, 레이더 유닛(214)은 물체의 속력 및/또는 진행 방향(heading)을 추가로 감지할 수 있다. LIDAR 유닛(215)은, 레이저를 사용하여 자율 주행 차량이 위치한 환경 내의 물체들을 감지할 수 있다. LIDAR 유닛(215)은, 다른 시스템 구성 요소들 중에서, 하나 이상의 레이저 소스, 레이저 스캐너 및 하나 이상의 검출기를 포함할 수 있다. 카메라(211)는 자율 주행 차량을 둘러싸는 환경의 이미지를 캡쳐하기 위한 하나 이상의 장치를 포함할 수 있다. 카메라(211)는 정지 화상 카메라 및/또는 비디오 카메라일 수 있다. 카메라는, 예를 들어, 카메라를 회전 및/또는 틸팅 플랫폼에 장착함으로써, 기계적으로 이동 가능할 수 있다.
센서 시스템(115)은, 소나 센서, 적외선 센서, 스티어링(조향) 센서, 스로틀 센서, 제동 센서 및 오디오 센서(예를 들어, 마이크로폰)와 같은 다른 센서들을 더 포함 할 수 있다. 오디오 센서는 자율 주행 차량을 둘러싸는 환경에서 소리(sound)를 캡쳐하도록 구성될 수 있다. 스티어링 센서는, 스티어링 차륜, 차량의 차륜 또는 이들의 조합의 스티어링 각도를 감지하도록 구성될 수 있다. 스로틀 센서 및 제동 센서는, 차량의 스로틀 위치 및 제동 위치를 각각 감지한다. 일부 상황에서는, 스로틀 센서와 제동 센서가 통합 스로틀/제동 센서로 통합될 수 있다.
일 실시예에서, 차량 제어 시스템(111)은, 스티어링 유닛(201), 스로틀 유닛(202)(가속 유닛으로도 지칭됨) 및 제동 유닛(203)을 포함하지만, 이에 한정되지 않는다. 스티어링 유닛(201)은, 차량의 방향 또는 진행 방향을 조정하기 위한 것이다. 스로틀 유닛(202)은 모터 또는 엔진의 속력을 제어하여 차량의 속력 및 가속을 차례로 제어하기 위한 것이다. 제동 유닛(203)은 차량의 차륜 또는 타이어를 감속시키도록 마찰을 제공함으로써 차량을 감속시키기 위한 것이다. 도 2에 도시된 구성 요소들은, 하드웨어, 소프트웨어 또는 이들의 조합으로 구현될 수 있다.
도 1을 다시 참조하면, 무선 통신 시스템(112)은, 자율 주행 차량(101)과, 장치들, 센서들, 다른 차량들 등과 같은 외부 시스템들 간의 통신을 가능하게 한다. 예를 들어, 무선 통신 시스템(112)은, 하나 이상의 장치들과 직접 또는 네트워크(102) 상의 서버들(103-104)과 같은 통신 네트워크를 통해 무선 통신할 수 있다. 무선 통신 시스템(112)은, 임의의 셀룰러 통신 네트워크 또는 무선 근거리 네트워크(WLAN)를 사용할 수 있으며, 예를 들어, 다른 구성 요소 또는 시스템과 통신하기 위해 WiFi를 사용할 수 있다. 무선 통신 시스템(112)은, 예를 들어, 적외선 링크, 블루투스 등을 사용하여, 장치(예를 들어, 승객의 모바일 장치, 디스플레이 장치, 차량(101) 내의 스피커)와 직접 통신할 수 있다. 사용자 인터페이스 시스템(113)은, 예를 들어, 키워드(keyword), 터치 스크린 디스플레이 장치, 마이크로폰 및 스피커 등을 포함하는 차량(101) 내에 구현되는 주변 장치들의 일부일 수 있다.
자율 주행 차량(101)의 일부 또는 모든 기능은, 특히 자율 주행 모드에서 운행될 때, 인지 및 계획 시스템(110)에 의해 제어되거나 관리될 수 있다. 인지 및 계획 시스템(110)은, 센서 시스템(115), 제어 시스템(111), 무선 통신 시스템(112) 및/또는 사용자 인터페이스 시스템(113)으로부터 정보를 수신하고, 수신된 정보를 처리하고, 출발점에서 목적지점까지의 루트(route) 또는 경로를 계획한 다음, 계획 및 제어 정보에 기초하여 차량(101)을 주행하기 위해, 필요한 하드웨어(예를 들어, 프로세서(들), 메모리, 저장 장치) 및 소프트웨어(예를 들어, 운영 체계, 계획 및 라우팅(routing) 프로그램)을 포함한다. 대안적으로, 인지 및 계획 시스템(110)은 차량 제어 시스템(111)과 통합될 수 있다.
예를 들어, 승객인 사용자는, 예를 들어, 사용자 인터페이스를 통해 여행의 출발 위치 및 목적지를 지정할 수 있다. 인지 및 계획 시스템(110)은 여행 관련 데이터를 획득한다. 예를 들어, 인지 및 계획 시스템(110)은 서버들(103-104)의 일부일 수 있는 MPOI 서버로부터 위치 및 루트 정보를 획득할 수 있다. 위치 서버는 위치 서비스를 제공하고, MPOI 서버는 지도 서비스와 특정 위치들의 POI들을 제공한다. 대안적으로, 이러한 위치 및 MPOI 정보는 인지 및 계획 시스템(110)의 영구 저장 장치에 국부적으로 캐시될 수 있다.
자율 주행 차량(101)이 루트를 따라 이동하는 동안, 인지 및 계획 시스템(110)은 교통 정보 시스템 또는 서버(TIS)로부터 실시간 교통 정보도 획득할 수 있다. 서버(103-104)는 제3 엔티티에 의해 운영될 수 있다. 대안적으로, 서버들(103-104)의 기능들은 인지 및 계획 시스템(110)과 통합될 수 있다. 인지 및 계획 시스템(110)은, 실시간 교통 정보, MPOI 정보 및 위치 정보뿐만 아니라 센서 시스템(115)에 의해 검출 또는 감지된 실시간 로컬 환경 데이터(예를 들어, 장애물, 물체, 주변 차량)에 기초하여, 예를 들어, 제어 시스템(111)을 통해, 최적의 루트를 계획하고, 지정된 목적지에 안전하고 효율적으로 도착하기 위해 계획된 루트에 따라 차량(101)을 주행할 수 있다.
서버(103)는 다양한 클라이언트에 대해 데이터 분석 서비스를 수행하기 위한 데이터 분석 시스템일 수 있다. 일 실시예에서, 데이터 분석 시스템(103)은 데이터 수집기(121) 및 머신 러닝 엔진(122)을 포함한다. 데이터 수집기(121)는 자율 주행 차량 또는 인간 운전자에 의해 운행되는 일반 차량을 포함하는 다양한 차량으로부터 주행 통계(123)를 수집한다. 주행 통계(123)는 상이한 시점에서, 발행된 주행 명령(예를 들어, 스로틀, 브레이크, 스티어링 명령) 및 차량의 센서에 의해 캡쳐된 차량의 응답(예를 들어, 속력, 가속, 감속, 방향)을 나타내는 정보를 포함한다. 주행 통계(123)는, 상이한 시점에서의 주행 환경, 예를 들어, 루트(출발 및 목적지 위치 포함), MPOI, 도로 상태, 날씨 상태 등을 설명하는 정보를 더 포함할 수 있다.
주행 통계(123)에 기초하여, 머신 러닝 엔진(122)은 다양한 목적을 위해 규칙, 알고리즘 및/또는 예측 모델(124)의 세트를 생성 또는 훈련시킨다. 예를 들어, 모델(124)은 물체의 예측 궤적과 물체의 실제 궤적 간의 유사도를 결정하기 위해 하나 이상의 DNN 모델을 포함 할 수 있다. DNN은 주행 통계에 기초해 트레이닝되고 이를 이용하여 평가 네트워크를 교육하여 유사도 평가 문제를 해결한다. DNN 모델(들)은 예측 궤적을 생성하는데 사용되는 예측 방법의 정확도를 평가하기 위해, 예측 궤적과 실제 궤적 간의 차이 또는 유사도를 결정하는 데 사용된다. 주행 통계(123)는, ADV의 영구 저장 장치에 캡쳐되어 저장될 수 있는 하나 이상의 예측 방법 또는 알고리즘을 사용하여 다양한 ADV가 인지한 다양한 물체의 예측 궤적을 포함할 수 있다. 또한, 각각의 ADV는 영구 저장 장치에 저장될 수도 있는 인지 데이터에 기초하여 물체의 실제 궤적을 또한 캡쳐할 수 있다.
일 실시예에서, DNN 모델(124)을 훈련시키기 위해, 예측 궤적은 네거티브 예시로서 그리고 실제 궤적은 포지티브 예시로서 기계 학습 엔진(122)에 의해 이용된다. DNN 네트워크는 설계된 특징들을 가진 예시들로 구축된다. 예측 궤적의 형태가 실제 궤적의 분포와 다른 경우, 네트워크는 "실제" 궤적 대 "예측" 궤적을 구별할 수 있는 차별화된 능력을 갖는다. 따라서 더 나은 궤적을 생성하는데 개선이 이루어진다면, 예측 궤적이 네트워크에 제공되고, 트레이닝된 네트워크는 미리 결정된 값에 가까운 점수를 부여함으로써 "예측 궤적"을 "실제 궤적"으로 보다 분류하게 된다. DNN 모델(124)은 예를 들어, 예측 평가 시스템 또는 모듈(125)에 의해 미래의 궤적 예측을 평가하는데 이용될 수 있다.
도 3은 일 실시예에 따른 자율 주행 차량과 함께 사용되는 인지 및 계획 시스템의 일례를 나타내는 블록도이다. 시스템(300)은, 도 1의 자율 주행 차량(101)의 일부로서 구현될 수 있으며, 인지 및 계획 시스템(110), 제어 시스템(111) 및 센서 시스템(115)을 포함하지만, 이에 한정되지 않는다. 도 3을 참조하면, 인지 및 계획 시스템(110)은, 로컬라이제이션(localization) 모듈(301), 인지 모듈(302), 예측 모듈(303), 결정 모듈(304), 계획 모듈(305), 제어 모듈(306), 데이터 수집기(307) 및 예측 평가 모듈(308)을 포함하지만, 이에 한정되지 않는다.
모듈들(301-308)의 일부 또는 전부는 소프트웨어, 하드웨어 또는 이들의 조합으로 구현될 수 있다. 예를 들어, 이들 모듈은 영구 저장 장치(352)에 설치되고, 메모리(351)에 로드되며, 하나 이상의 프로세서(미도시)에 의해 실행될 수 있다. 이들 모듈 중 일부 또는 전부는, 도 2의 차량 제어 시스템(111)의 일부 또는 모든 모듈들과 통신 가능하게 결합되거나 통합될 수 있다. 모듈들(301-308) 중 일부는 통합 모듈로서 함께 통합될 수 있다.
로컬라이제이션 모듈(301)은, (예를 들어, GPS 유닛(212)을 이용하여) 자율 주행 차량(300)의 현재 위치를 결정하고, 사용자의 여행 또는 루트와 관련된 임의의 데이터를 관리한다. 로컬라이제이션 모듈(301)(맵 및 루트 모듈이라고도 함)은 사용자의 여행 또는 루트와 관련된 임의의 데이터를 관리한다. 사용자는, 예를 들어, 사용자 인터페이스를 통해 로그인하고 여행의 출발 위치 및 목적지를 지정할 수 있다. 로컬라이제이션 모듈(301)은, 지도 및 루트 정보(311)와 같은 자율 주행 차량(300)의 다른 구성 요소와 통신하여 여행 관련 데이터를 획득한다. 예를 들어, 로컬라이제이션 모듈(301)은 위치 서버, 및 지도 및 POI(MPOI) 서버로부터 위치 및 루트 정보를 획득할 수 있다. 위치 서버는 위치 서비스를 제공하고, MPOI 서버는 지도 서비스와 지도 및 경로 정보(311)의 일부로서 캐시될 수 있는 특정 위치들의 POI들을 제공한다. 자율 주행 차량(300)이 루트를 따라 이동하는 동안, 로컬라이제이션(localization) 모듈(301)은 교통 정보 시스템 또는 서버로부터 실시간 교통 정보도 획득할 수 있다.
센서 시스템(115)에 의해 제공되는 센서 데이터 및 로컬라이제이션 모듈(301)에 의해 획득되는 로컬라이제이션 정보에 기초하여, 인지 모듈(302)에 의해 주변 환경의 인지(perception)가 결정된다. 인지 정보는 일반 운전자가 그가 주행하는 차량 주위를 어떻게 인지(perceive)하는지를 나타낼 수 있다. 인지(perception)는 차로 구성(예를 들어, 직선 또는 곡선 차로), 신호등 신호, 다른 차량의 상대적 위치, 보행자, 건물, 횡단 보도 또는 기타 교통 관련 표지판(예를 들어, 정지 표지판, 양보 표지판) 등을, 예를 들어, 물체의 형태로 포함할 수 있다.
인지 모듈(302)은, 자율 주행 차량의 환경에서 물체 및/또는 특징을 식별하기 위해, 하나 이상의 카메라에 의해 캡쳐된 이미지를 처리 및 분석하는 컴퓨터 비전 시스템 또는 컴퓨터 비전 시스템의 기능을 포함할 수 있다. 물체는 교통 신호, 도로 경계, 다른 차량, 보행자 및/또는 장애물 등을 포함할 수 있다. 컴퓨터 비전 시스템은 물체 인식 알고리즘, 비디오 추적 및 다른 컴퓨터 비전 기술을 사용할 수 있다. 일부 실시예에서, 컴퓨터 비전 시스템은, 환경을 매핑하고, 물체를 추적하고, 물체의 속력 추정 등을 할 수 있다. 인지 모듈(302)은 레이더 및/또는 LIDAR와 같은 다른 센서에 의해 제공되는 다른 센서 데이터에 기초하여 물체를 검출할 수도 있다.
각각의 물체에 대해, 예측 모듈(303)은 상황 하에서 물체가 어떤 행동을 할 것인지를 예측한다. 예측은, 지도/루트 정보(311) 및 교통 규칙(312)의 세트를 고려하여, 그 시점에서의 주행 환경을 인지하는 인지 데이터에 기초하여 수행된다. 예를 들어, 물체가 반대 방향의 차량이고 현재의 주행 환경이 교차로를 포함하면, 예측 모듈(303)은 차량이 곧바로 전진할지 또는 회전할지를 예측할 것이다. 인지 데이터가, 교차로가 신호등을 갖지 않는다는 것을 나타내는 경우, 예측 모듈(303)은 차량이 교차로에 진입하기 전에 완전히 정지해야 할 수 있다고 예측할 수 있다. 인지 데이터가, 차량이 현재 좌회전 전용 차로 또는 우회전 전용 차로에 있음을 나타내면, 예측 모듈(303)은 차량이 각각 좌회전 또는 우회전을 할 가능성이 더 높을 것으로 예측할 수 있다.
각각의 물체에 대해, 결정 모듈(304)은 물체를 어떻게 처리할지에 대한 결정을 한다. 예를 들어, 특정 물체(예를 들어, 교차 루트에 있는 다른 차량)뿐만 아니라 물체를 기술하는 메타 데이터(예를 들어, 속력, 방향, 선회 각도)에 대해서, 결정 모듈(304)은 물체를 어떤 식으로 대면할지를 결정한다(예를 들어, 추월, 양보, 정지, 통과). 결정 모듈(304)은, 영구 저장 장치(352)에 저장될 수 있는 트래픽 규칙 또는 운전 규칙(312)과 같은 규칙들의 세트에 따라 이러한 결정을 내릴 수 있다.
인지된 물체들 각각에 대한 결정에 기초하여, 계획 모듈(305)은 자율 주행 차량에 대한 경로 또는 루트뿐만 아니라 주행 파라미터(예를 들어, 거리, 속력 및/또는 회전 각도)를 계획한다. 즉, 주어진 물체에 대해, 결정 모듈(304)은 물체에 대한 처리를 결정하고, 계획 모듈(305)은 그것을 어떻게 수행할지를 결정한다. 예를 들어, 주어진 물체에 대해, 결정 모듈(304)은 물체를 지나가는 것으로 결정할 수 있는 반면, 계획 모듈(305)은 물체의 좌측 또는 우측으로 지나갈지를 결정할 수 있다. 계획 및 제어 데이터는 계획 모듈(305)에 의해 생성되고, 차량(300)이 다음 이동 사이클(예를 들어, 다음 루트/경로 세그먼트)에서 어떻게 움직일 것인지를 기술하는 정보를 포함한다. 예를 들어, 계획 및 제어 데이터는, 차량(300)이 시속 30 마일(mph)의 속력으로 10m 이동한 다음 25 mph의 속력으로 우측 차로로 변경하도록 지시할 수 있다.
계획 및 제어 데이터에 기초하여, 제어 모듈(306)은 계획 및 제어 데이터에 의해 정의된 루트 또는 경로에 따라, 차량 제어 시스템(111)에 적절한 명령 또는 신호를 전송함으로써 자율 주행 차량을 제어 및 주행한다. 계획 및 제어 데이터에는, 경로 또는 루트 상의 시간에 따른 상이한 지점들에서 적절한 차량 설정 또는 주행 파라미터(예를 들어, 스로틀, 제동 및 선회 명령)를 사용하여 루트 또는 경로의 제1 지점에서 제2 지점까지 차량을 주행할 수 있는 충분한 정보가 포함되어 있다.
일 실시예에서, 계획 단계는 다수의 계획 사이클 또는 명령 사이클, 예를 들어 100 밀리초(ms)의 시간 간격마다 수행된다. 계획 사이클 또는 명령 사이클 각각에 대해 하나 이상의 제어 명령어가 계획 및 제어 데이터를 기반으로 발행된다. 즉, 매 100ms마다, 계획 모듈(305)은 후속 루트 세그먼트 또는 경로 세그먼트를 계획하며, 후속 루트 세그먼트 또는 경로 세그먼트는 예컨대 목표 위치 및 ADV가 목표 위치에 도달하는데 필요한 시간을 포함할 수 있다. 대안적으로, 계획 모듈(305)은 특정 속력, 방향, 및/또는 조향각 등을 추가로 특정할 수 있다. 일 실시예에서, 계획 모듈(305)은 예컨대 5 초와 같은 소정의 후속 기간 동안 루트 세그먼트 또는 경로 세그먼트를 계획한다. 각 계획 사이클에 대해, 계획 모듈(305)은 이전 사이클에서 계획된 목표 위치에 기초하여 현재 사이클(예를 들어, 다음 5 초)에 대한 목표 위치를 계획한다. 그 후, 제어 모듈(306)은 현재 사이클의 계획 및 제어 데이터에 기초하여 하나 이상의 제어 명령어(예를 들어, 스로틀, 브레이크, 조향 제어 명령어)을 발생시킨다.
결정 모듈(304) 및 계획 모듈(305)은 통합 모듈로서 통합될 수 있다. 결정 모듈(304)/계획 모듈(305)은, 자율 주행 차량에 대한 주행 경로를 결정하기 위한 내비게이션 시스템 또는 내비게이션 시스템의 기능들을 포함할 수 있다. 예를 들어, 네비게이션 시스템은, 일련의 속력 및 진행 방향(directional heading)을 결정하여, 인지된 장애물을 실질적으로 피하는 경로를 따라 자율 주행 차량의 이동을 수행하면서, 궁극적인 목적지에 이르는 도로 기반 경로를 따라 자율 주행 차량을 일반적으로 전진시킬 수 있다. 목적지는, 사용자 인터페이스 시스템(113)을 통한 사용자 입력에 따라 설정될 수 있다. 내비게이션 시스템은, 자율 주행 차량이 운행되는 동안 주행 경로를 동적으로 업데이트할 수 있다. 네비게이션 시스템은, 자율 주행 차량을 위한 주행 경로를 결정하기 위해 GPS 시스템 및 하나 이상의 맵으로부터의 데이터를 통합할 수 있다.
결정 모듈(304)/계획 모듈(305)은, 자율 주행 차량의 환경에서의 잠재적 장애물을 식별, 평가 및 회피하거나 협상하기 위한 충돌 회피 시스템 또는 충돌 회피 시스템의 기능을 더 포함할 수 있다. 예를 들어, 충돌 회피 시스템은, 급회피 조작, 선회 조작, 제동 조작 등을 수행하기 위해, 제어 시스템(111)의 하나 이상의 서브 시스템을 조작하여 자율 주행 차량의 네비게이션의 변화를 수행할 수 있다. 충돌 회피 시스템은, 주변의 교통 패턴, 도로 조건 등에 기초하여, 실현 가능한 장애물 회피 조작을 자동으로 결정할 수 있다. 충돌 회피 시스템은, 자율 주행 차량이 급회피하여 진입할 인접 영역에서, 차량, 건축 장애물 등을 다른 센서 시스템이 검출할 때, 급회피 조작이 수행되지 않도록 구성될 수 있다. 충돌 회피 시스템은, 사용 가능하면서 자율 운행 차량의 탑승자의 안전을 극대화하는 조작을 자동적으로 선택할 수 있다. 충돌 회피 시스템은, 자율 운행 차량의 승객실에서 최소량의 가속을 일으킬 것으로 예상되는 회피 조작을 선택할 수 있다.
일 실시예에 따르면, 데이터 수집기(307)는 모듈들(301-306)로부터 데이터를 수집하고 영구 저장 장치(352)에 데이터를 저장한다. 예를 들어, 데이터 수집기 (307)는 인지 모듈(302)로부터 실제 궤적을 수집하고 수집된 실제 궤적을 실제 궤적(313)의 일부로서 영구 저장 장치(352)에 저장한다. 데이터 수집기(307)는 예측 모듈(303)로부터 예측 궤적을 더 수집하고, 예측 궤적을 예측 궤적(314)의 일부로서 영구 저장 장치(352)에 저장할 수 있다. 실제 궤적(313) 및 예측 궤적(314)은, DNN 모델들(315, 또한 예측 평가 모델들로서 지칭됨)과 같은 DNN 모델을 트레이닝시키는데 이용되어, 예를 들어, 도 1의 예측 평가기(125)의 일부로서 구현될 수 있는 선택적 예측 평가 모듈 또는 시스템(308)에 의해 예측 모듈(303)의 성능을 평가할 수 있다. 대안적으로, 실제 궤적(313) 및 예측 궤적(314)은, 데이터 분석 시스템(103)과 같은 데이터 분석 시스템에 의해 DNN 모델을 트레이닝하기 위해, 중앙 처리될 수 있다.
도 4는 일 실시예에 따른 데이터 분석 시스템을 나타내는 블록도이다. 시스템(400)은 도 1의 시스템(103)의 일부로서 구현될 수 있다. 도 4를 참조하면, 시스템(400)은 기계 학습 엔진(122), 데이터 수집기(121) 및 예측 평가 모듈(308)을 포함하며, 메모리(402)에 로드되고 하나 이상의 프로세서(401)에 의해 실행될 수 있다. 일 실시예에서, 데이터 수집기(121)는 상이한 주행 환경 하에서 다양한 도로상에서 주행하는 다양한 ADV로부터 주행 통계를 수집한다. ADV 각각은 물체의 실제 궤적을 캡쳐하고 ADV의 각 예측 모듈에 의해 예측된 대응 예측 궤적을 저장하면서 물체의 궤적을 인지 및 예측한다. 실제 궤적 및 예측 궤적은 데이터 수집기(121)에 의해 수집되고, 기지의(known) 실제 궤적(313) 및 기지의 예측 궤적(314)의 일부로서 영구 저장 장치(403) 내에 저장된다. "기지의 궤적"이라는 용어는 DNN 모델들(315)과 같은 예측 평가 모델을 트레이닝할 목적으로 궤적의 트레이닝 세트로서 이용되는 이전 궤적을 지칭한다.
기계 학습 엔진(122)은, 기지의 실제 궤적(313) 및 기지의 예측 궤적(314)에 기초하여, 기지의 실제 궤적(313) 및 기지의 궤적(314)으로부터 추출된 특징에 기초하여 DNN 모델들(315)을 트레이닝시키도록 구성된다. 일 실시예에 따르면, DNN 모델 또는 모델들(315)은 기지의 예측 궤적(314) 및 과거에 캡쳐된 예측 궤적에 대응하는 기지의 실제 궤적(313)을 포함하는 대량의 이전 주행 통계에 기초하여 훈련될 수 있다.
도 5를 참조하면, 본 예시에서, 물체가 차로(500)를 통해 이동하는 동안 예컨대 인지 모듈(302)에 의해 물체의 기지의 실제 궤적(501)이 캡처되고, ADV의 예측 모듈(303)에 의해 물체의 기지의 예측 궤적(502)이 생성된다고 가정한다 . 예측 궤적(502)은 차로점(lane point)이라고도 하는 궤적점(511)과 같은 궤적점의 시퀀스를 포함한다. 각 궤적점은 궤적점을 설명하는 메타 데이터 세트와 연관된다. 메타 데이터는 대응하는 궤적점에 의해 나타나는 특정 순간에, 물체가 이동하는 차로, 물체의 속도, 물체의 진행 방향 및 / 또는 물체의 위치 등을 식별하는 정보를 포함할 수 있다 .
예측 궤적과 대응 실제 궤적의 적어도 몇몇 쌍의 궤적점들에 대하여, 예측 특징의 세트가 예측 궤적(502)으로부터 추출되고, 실제 특징의 세트가 대응하는 실제 궤적(501)으로부터 추출된다. DNN 네트워크 또는 모델은 예측 특징 및 실제 특징을 기반으로 트레이닝된다. DNN 모델을 트레이닝하기 위해, 실제 특징은 포지티브 예시로 활용되는 반면 예측 특징은 네거티브 예시로 활용된다.
일 실시예에서, 궤적점의 특징은 물리적 속성의 세트 및 궤적 관련 속성의 세트를 포함한다. 물리적 속성은 궤적의 시작점에 대한 상대적인 진행 방향, 속도, 상대 위치(예 : 경도 및 위도), 및 대응 궤적점에 의해 표시되는 특정 순간의 물체의 도착 시간을 포함하지만 이에 제한되지 않는다. 궤적 관련 속성은 물체가 이동하는 특정 차로를 식별하는 차로 식별자(ID), 차로의 방향(예 : 회전 또는 좌 / 우로 커브), 차로의 경계 및 연석까지의 거리, 해당 순간에서 물체의 진행 방향과 차로 방향 간의 차이, 및 / 또는 해당 순간에 궤적점과 차로 중심선 간의 거리를 포함하지만 이에 제한되지 않는다.
도 5에 도시된 예시에서, 차로 ID는 차로(500)를 충분히 식별 할 것이다. 차로(500)의 방향은 그 순간의 차로(500)의 기준선(510, 통상적으로 중심선)의 방향에 기초하여 결정될 것이다. 예를 들어, 궤적점(511)에 의해 나타난 그 순간의 차로 방향은 궤적점(511)에 대응하는 기준선의 각도에 기초하여 측정될 것이다. 궤적점(511)과 차로(500)의 연석 간의 거리는 궤적점(511)과 연석(503) 및 / 또는 연석(504) 간의 거리에 기초하여 측정 될 것이다. 물리적 속성 및 궤적 관련 속성은 도 6에 도시된 바와 같이 DNN 모델의 하나 이상의 입력으로 제공된다.
DNN은 입력 및 출력 레이어 사이에 숨겨진 여러 개의 레이어를 가진 인공 신경망(ANN, artificial neural network)이다. 얕은(shallow) ANN과 유사하게, DNN은 복잡한 비선형 관계를 모델링할 수 있다. DNN 아키텍처는 물체가 이미지 프리미티브(image primitive)의 계층화된 구성으로 표현되는 컴포지션 모델(compositional model)을 생성한다. 추가 레이어를 사용하면 하위 레이어의 특징 구성을 구현할 수 있으므로, 비슷한 성능의 얕은 네트워크보다 적은 수의 장치로 복잡한 데이터를 모델링 할 수 있다. 딥 아키텍처(deep architecture)에는 몇 가지 기본 접근 방식의 다양한 변형이 포함된다. 각각의 아키텍처는 특정 분야에서 성공적이었다. 모두 동일한 데이터 세트에서 평가되지 않았기 때문에 항상 여러 아키텍처의 성능을 비교할 수 있는 것은 아니다.
도 6을 참조하면, 기지의 실제 궤적 및 기지의 예측 궤적의 물리적 속성(601) 및 궤적 관련 속성(602)은 DNN 모델(600)의 입력에 각각 포지티브 예시 및 네거티브 예시로서 제공된다. DNN 모델(600)의 출력은 실제 궤적과 예측 궤적 사이의 차이를 나타내는 유사도 점수(603)를 생성한다. DNN 모델은 다양한 궤적의 많은 양의 특징을 기반으로 트레이닝될 수 있다. 기지의 예측 궤적과 기지의 실제 궤적이 주어지면, DNN 모델의 출력으로부터 유사도 점수가 얻어진다. 유사도 점수는 예상 유사도 점수와 비교된다. 계산된 유사도 점수가 예상 유사도 점수에 충분히 근접하지 않은 경우, 계산된 유사도 점수가 예상된 점수에 가까워질 때까지 DNN 모델이 반복적으로 훈련된다.
모델은 유사도 점수를 생성하기 위해 대응되는 특징을 고려하여 예측 특징에 기초하여 학습할 수 있다. 유사도 점수는 예측 특징으로 표현된 궤적과 실제 특징으로 표현된 실제 궤적 사이의 차이 또는 유사도를 나타낸다. 소정의 제1 값(예를 들어, 1)에 가까운 유사도 점수는 예측 궤적이 대응하는 실제 궤적과 유사하다는 것을 나타낸다. 소정의 제2 값(예를 들어, -1)에 가까운 유사도 점수는 예측 궤적이 대응하는 실제 궤적과 상이하다는 것을 나타낸다. 대량의 예측 궤적과 해당 실제 궤적을 사용하여, DNN 모델 또는 모델들을 보다 정확하게 훈련시킬 수 있다.
DNN 모델들(315)이 트레이닝되고 생성되면, 도 4를 다시 참조하면, DNN 모델들(315)은 미지의 예측 궤적(415)에 의해 표현 된 미래의 예측을 평가하는데 사용될 수 있다. 미지의 예측 궤적(415)은 예측 모듈(303)에 의해 예측될 수 있다. 일 실시예에서, 특징 추출기(411)는 미지의 예측 궤적(415)의 적어도 일부 궤적점으로부터 예측 특징을 추출하도록 구성된다. 추출된 특징은 상술한 바와 같이 물리적 속성의 세트 및 궤적 관련 속성의 세트를 포함한다. 추출된 특징은 DNN 모델(315)에 공급되어 유사도 점수를 생성한다. 궤적 평가 모듈(412)은 예측 모듈이 사용한 예측 방법 또는 알고리즘의 성능을 평가한다.
예를 들어, 유사도 점수가 1에 가까울수록, 대응 물체가 가까운 미래에 움직일 가능성이 높은 실제 궤적에 예측 궤적이 가까울 수 있다는 것을 나타내며, 이는 예측 방법이 물체의 잠재적 움직임을 정확하게 예측한다는 것을 의미한다. 그렇지 않은 경우, 유사도 점수가 -1에 가까운 경우, 이는 실제 궤적이 예측 궤적에서 이탈한다는 것을 나타내며, 이는 예측 방법을 개선할 필요가 있다는 것을 의미한다. DNN 모델을 사용하여 평가 점수로서 유사도 점수를 체계적으로 생성함으로써, 물체의 궤적을 예측하기 위한 예측 방법이 체계적으로 평가될 수 있다. 결과적으로, 예측 방법은 평가 점수에 기초하여 미세 조정되고 개선될 수 있다. 일 실시예에서, 유사도 점수는 선택된 궤적점 각각에 대해 계산된다. 선택된 궤적점의 유사도 점수의 평균은 예측 궤적에 대한 최종 유사도 점수를 나타내는데 이용될 수 있다. 유사하게, 특정 예측 방법을 사용하여 예측된 예측 궤적의 일부 또는 전부의 유사도 점수의 평균은 예측 방법의 최종 평가 점수로서 이용될 수 있다.
도 7은 일 실시예에 따라 예측 궤적을 평가하기 위한 DNN을 트레이닝하는 프로세스를 나타내는 흐름도이다. 프로세스(700)는 소프트웨어, 하드웨어, 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 예를 들어, 프로세스(700)는 도 4의 시스템(400)에 의해 수행 될 수 있다. 도 7을 참조하면, 동작(701)에서, 프로세싱 로직은 ADV 주변의 주행 환경의 물체를 인지하는 인지 데이터에 응답하여 생성된 예측 궤적(예를 들어, 기지의(known) 예측 궤적)을 수신한다. 동작(702)에서, 프로세싱 로직은 예측 궤적의 궤적점 중 적어도 일부로부터 예측 특징을 추출한다. 동작(703)에서, 프로세싱 로직은 물체가 실제로 이동한 물체의 실제 궤적(예를 들어, 기지의 실제 궤적)을 수신한다. 이에 응답하여, 동작(704)에서, 프로세싱 로직은 실제 궤적의 궤적점 중 적어도 일부로부터 실제 특징을 추출한다. 동작(705)에서, 프로세싱 로직은 추출된 예측 특징을 네거티브 예시로, 실제 특징을 포지티브 예시로 하여 DNN 모델을 트레이닝한다.
도 8은 일 실시예에 따라 DNN을 사용하여 예측 궤적을 평가하는 프로세스를 나타내는 흐름도이다. 프로세스(800)는 소프트웨어, 하드웨어, 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 예를 들어, 프로세스(800)는 도 4의 시스템(400)에 의해 수행 될 수 있다. 도 8을 참조하면, 동작(801)에서, 프로세싱 로직은 ADV 주변의 주행 환경을 인지하는 인지 데이터에 기초한 예측 방법 또는 알고리즘을 사용하여 생성된 예측 궤적(예를 들어, 미지의 예측 궤적)을 수신한다. 예측 궤적의 궤적점 중 적어도 일부에 대하여, 동작(802)에서, 처리 로직은 선택된 궤적점으로부터 특징 세트를 추출한다. 동작(803)에서, 프로세싱 로직은 소정의 DNN 모델을 적용하여 특징을 카테고리화하고 유사도 점수를 생성한다. 유사도 점수는 예측 궤적과 하나 이상의 이전 실제 궤적 간의 유사도를 나타낸다. 동작(804)에서, 처리 로직은 유사도 점수에 기초하여 예측 방법 또는 알고리즘의 성능 또는 정확도를 결정한다.
상술되고 도시된 구성 요소의 일부 또는 전부는 소프트웨어, 하드웨어 또는 이들의 조합으로 구현될 수 있다. 예를 들어, 이러한 구성 요소는, 본 명세서 전반에 걸쳐 기술된 프로세스 또는 동작들을 실행하기 위해, 프로세서(미도시)에 의해 메모리에 로딩되어 실행될 수 있는, 영구 기억 장치에 설치되어 저장되는 소프트웨어로서 구현될 수 있다. 대안적으로, 이러한 구성 요소는, 집적 회로(예를 들어, 주문형 집적 회로 또는 ASIC), 디지털 신호 처리기(DSP) 또는 필드 프로그래머블 게이트 어레이(Field Programmable Gate Array; FPGA)와 같은 전용 하드웨어에 프로그램되거나 내장된 실행 가능 코드로서 구현될 수 있으며, 이는 애플리케이션으로부터 대응하는 드라이버 및/또는 운영 체제를 통해 액세스될 수 있다. 또한, 이러한 구성 요소는 하나 이상의 특정 명령을 통해 소프트웨어 구성 요소에 의해 액세스 가능한 명령 세트의 일부로서 프로세서 또는 프로세서 코어에서 특정 하드웨어 로직으로서 구현될 수 있다.
도 9는 본 개시의 일 실시예와 함께 사용될 수 있는 데이터 처리 시스템의 일례를 나타내는 블록도이다. 예를 들어, 시스템(1500)은, 예를 들어, 도 4의 시스템(400) 및 / 또는 도 1의 임의의 서버(103-104) 또는 인지 및 계획 시스템(110)과 같은, 상술된 임의의 프로세스 또는 방법을 수행하는 상술된 데이터 처리 시스템 중 임의의 것을 나타낼 수 있다. 시스템(1500)은 다수의 상이한 구성 요소들을 포함할 수 있다. 이들 구성 요소는 집적 회로(IC), 집적 회로(IC)의 일부, 개별 전자 장치, 또는 컴퓨터 시스템의 마더 보드 또는 애드 인 카드와 같은 회로 보드에 적용되는 다른 모듈로서 구현될 수 있거나, 컴퓨터 시스템의 샤시 내에 포함된 다른 구성요소로서 구현될 수 있다.
또한, 시스템(1500)은 컴퓨터 시스템의 많은 구성 요소들의 상위 레벨 뷰를 도시하기 위한 것이다. 그러나, 추가의 구성 요소가 특정 구현 예에 존재할 수 있고, 또한, 구성 요소의 다른 배열이 다른 구현 예에서 나타날 수 있음을 이해해야 한다. 시스템(1500)은 데스크탑, 랩탑, 태블릿, 서버, 이동 전화, 미디어 플레이어, PDA(personal digital assistant), 스마트 워치, 개인용 통신기, 게임 장치, 네트워크 라우터 또는 허브, 무선 액세스 포인트(AP) 또는 중계기(repeater), 셋톱 박스 또는 이들의 조합일 수 있다. 또한, 단지 하나의 기계 또는 시스템이 도시되어 있지만, "기계" 또는 "시스템"이라는 용어는, 본 명세서에서 기술하는 방법들의 하나 이상을 실행하기 위해, 개별적으로 또는 공동으로 명령어들의 세트(또는 다수의 세트)를 수행하는 임의의 기계 또는 시스템의 집합을 포함하도록 취급될 것이다.
일 실시예에서, 시스템(1500)은 버스 또는 인터커넥트(1510)를 통해 연결된 프로세서(1501), 메모리(1503) 및 디바이스들(1505-1508)을 포함한다. 프로세서(1501)는 단일 프로세서 코어 또는 그 안에 포함된 다중 프로세서 코어를 갖는 단일 프로세서 또는 다중 프로세서를 나타낼 수 있다. 프로세서(1501)는, 마이크로 프로세서, 중앙 처리 장치(CPU) 등과 같은 하나 이상의 범용 프로세서를 나타낼 수 있다. 구체적으로, 프로세서(1501)는 CISC(COMPLEX INSTRUCTION SET COMPUTING) 마이크로프로세서, RISC(REDUCED INSTRUCTION SET COMPUTING) 마이크로프로세서, VLIW(VERY LONG INSTRUCTION WORD) 마이크로프로세서, 또는 다른 명령어 세트를 구현하는 마이크로프로세서, 또는 명령어 세트의 조합을 구현하는 프로세서일 수 있다. 프로세서(1501)는 주문형 집적 회로(ASIC), 셀룰러 또는 베이스 밴드 프로세서, 필드 프로그래머블 게이트 어레이(FPGA), 디지털 신호 프로세서(DSP), 네트워크 프로세서, 그래픽 프로세서, 통신 프로세서, 암호화 프로세서, 코-프로세서, 임베디드 프로세서, 또는 명령어를 처리할 수 있는 임의의 다른 유형의 로직 등과 같은 하나 이상의 특수 목적 프로세서일 수도 있다.
초 저전압 프로세서와 같은 저전력 멀티 코어 프로세서 소켓일 수 있는 프로세서(1501)는, 메인 프로세싱 유닛 및 시스템의 다양한 구성요소와의 통신을 위한 중앙 허브로서 작동할 수 있다. 이러한 프로세서는 시스템 온 칩(SoC)으로서 구현될 수 있다. 프로세서(1501)는, 본 명세서에서 논의된 동작들 및 단계들을 수행하기 위한 명령어들을 실행하도록 구성된다. 시스템(1500)은, 디스플레이 제어기, 그래픽 프로세서 및/또는 디스플레이 장치를 포함할 수 있는, 선택적인 그래픽 서브 시스템(1504)과 통신하는 그래픽 인터페이스를 더 포함할 수 있다.
프로세서(1501)는, 일 실시예에서 주어진 양의 시스템 메모리를 제공하기 위해 다수의 메모리 장치를 통해 구현될 수 있는 메모리(1503)와 통신할 수 있다. 메모리(1503)는, 랜덤 액세스 메모리(RAM), 다이나믹 RAM(DRAM), 동기식 DRAM(SDRAM), 스태틱 RAM(SRAM)와 같은 하나 이상의 휘발성 저장(또는 메모리) 장치 또는 다른 유형의 저장 장치를 포함할 수 있다. 메모리(1503)는, 프로세서(1501) 또는 임의의 다른 장치에 의해 실행되는 명령어들의 시퀀스를 포함하는 정보를 저장할 수 있다. 예를 들어, 다양한 운영 체제, 장치 드라이버, 펌웨어(예를 들어, 입출력 기본 시스템 또는 BIOS), 및/또는 애플리케이션의 실행 가능 코드 및/또는 데이터는 메모리(1503)에 로드되고 프로세서(1501)에 의해 실행될 수 있다. 운영 체제는, 예를 들어, 로봇 운영 체제(ROS), 마이크로소프트®사의 윈도우즈® 운영 체제, 애플의 맥 OS®/iOS®, 구글®의 안드로이드®, LINUX, UNIX, 또는 다른 실시간 또는 임베디드 운영 체제와 같은 임의의 유형의 운영 체제일 수 있다.
시스템(1500)은, 네트워크 인터페이스 장치(들)(1505), 선택적인 입력 장치(들)(1506) 및 다른 선택적인 IO 장치(들)(1507)을 포함하는 장치들(1505-1508)과 같은 IO 장치들을 더 포함할 수 있다. 네트워크 인터페이스 디바이스(1505)는 무선 트랜시버 및/또는 네트워크 인터페이스 카드(NIC)를 포함할 수 있다. 무선 트랜시버는, WiFi 트랜시버, 적외선 트랜시버, 블루투스 트랜시버, WiMax 트랜시버, 무선 셀룰러 전화 트랜시버, 위성 트랜시버(예를 들어, GPS(Global Positioning System) 송수신기) 또는 다른 무선 주파수(RF) 트랜시버일 수 있으며, 또는 이들의 조합일 수 있다. NIC는 이더넷 카드일 수 있다.
입력 장치(들)(1506)은, 마우스, 터치 패드, (디스플레이 장치(1504)와 통합될 수 있는) 터치 감지 스크린, 스타일러스와 같은 포인터 장치 및/또는 키보드(예를 들어, 물리적 키보드 또는 터치 감지 스크린의 일부로 표시되는 가상 키보드)를 포함할 수 있다. 예를 들어, 입력 장치(1506)는, 터치 스크린에 결합되는 터치 스크린 제어기를 포함할 수 있다. 터치 스크린 및 터치 스크린 제어기는, 예컨대 다수의 터치 감도 기술 중 임의의 것을 사용하여 접촉(CONTACT) 및 이동(MOVE) 또는 중지(BREAK)를 검출할 수 있다. 터치 감도 기술은 예를 들어, 용량성, 저항성, 적외선 및 표면 탄성파 기술뿐만 아니라, 터치 스크린과의 하나 이상의 접촉점을 결정하기 위한 그 외의 근접 센서 어레이 또는 다른 요소를 포함하며, 이에 제한되지 않는다.
IO 장치들(1507)은 오디오 장치를 포함할 수 있다. 오디오 장치는 음성 인식, 음성 복제, 디지털 녹음 및/또는 전화 기능과 같은 음성 작동 기능을 용이하게 하기 위해 스피커 및/또는 마이크를 포함할 수 있다. 다른 IO 장치들(1507)은, USB(universal serial bus) 포트(들), 병렬 포트(들), 직렬 포트(들), 프린터, 네트워크 인터페이스, 버스 브리지(예를 들어, PCI-PCI 브리지), 센서(들)(예를 들어, 가속도계, 자이로스코프, 자력계, 광 센서, 나침반, 근접 센서 등과 같은 모션 센서) 또는 이들의 조합을 포함할 수 있다. 디바이스들(1507)은 이미징 프로세싱 서브 시스템(예를 들어, 카메라)를 더 포함할 수 있다. 이미징 프로세싱 서브 시스템은, 사진 및 비디오 클립 녹화와 같은 카메라 기능들을 용이하게 하는데 이용되는, CCD(CHARGE COUPLED DEVICE) 또는 CMOS(COMPLEMENTARY METAL-OXIDE SEMICONDUCTOR) 광학 센서를 포함할 수 있다. 특정 센서는, 센서 허브(미도시)를 통해 인터커넥트(1510)에 연결될 수 있지만, 키보드 또는 열 센서와 같은 다른 장치는 시스템(1500)의 특정 구성 또는 설계에 따라 내장형 제어기(미도시)에 의해 제어될 수 있다.
데이터, 애플리케이션, 하나 이상의 운영 체제 등과 같은 정보의 영구 저장을 제공하기 위해, 대용량 저장 장치(미도시)가 또한 프로세서(1501)에 연결될 수 있다. 다양한 실시예에서, 시스템 응답성을 향상시킬 뿐만 아니라 더 얇고 가벼운 시스템 설계를 가능하게 하기 위해, 이 대용량 저장 장치는 SSD(solid state device)를 통해 구현될 수 있다. 그러나, 다른 실시예들에서, 대용량 저장 장치는, 시스템 활동의 재시작 시에 빠른 파워 업이 일어나도록, 파워 다운 이벤트들 동안 컨텍스트 상태(context state) 및 다른 그러한 정보의 비 휘발성 저장을 가능하게 하기 위해 SSD 캐시로서 작용하는, 더 적은 양의 SSD 스토리지와 함께 하드 디스크 드라이브(HDD)를 사용하여 주로 구현될 수 있다. 또한, 플래시 장치는, 예를 들어, 직렬 주변 장치 인터페이스(SPI)를 통해 프로세서(1501)에 결합될 수 있다. 이 플래시 장치는, 시스템의 다른 펌웨어뿐만 아니라 BIOS를 포함하는, 시스템 소프트웨어의 비휘발성 저장 공간을 제공할 수 있습니다.
저장 장치(1508)는, 본 명세서에 기술된 방법들 또는 기능들의 하나 이상을 내장하는 하나 이상의 명령어 세트 또는 소프트웨어(예를 들어, 모듈, 유닛 및/또는 로직(1528)이 저장되는 컴퓨터 액세스 가능 저장 매체(1509)(기계 판독 가능 저장 매체 또는 컴퓨터 판독 가능 매체로도 알려짐)을 포함할 수 있다. 처리 모듈/유닛/로직(1528)은, 예를 들어, 계획 모듈(305), 제어 모듈(306), 기계 학습 엔진(122) 및 예측 평가 모듈(308)과 같은, 전술한 구성요소 중 임의의 것을 나타낼 수 있다. 처리 모듈/유닛/로직(1528)은 또한 머신 액세스 가능 저장 매체를 또한 구성하는, 데이터 처리 시스템(1500), 메모리(1503) 및 프로세서(1501)에 의한 실행 중에 메모리(1503) 및/또는 프로세서(1501) 내에 완전히 또는 적어도 부분적으로 상주할 수 있다. 프로세싱 모듈/유닛/로직(1528)은 네트워크 인터페이스 장치(1505)를 통해 네트워크를 통해 더 송신되거나 수신될 수 있다.
또한, 컴퓨터 판독 가능 저장 매체(1509)는 전술한 일부 소프트웨어 기능을 지속적으로 저장하는데 사용될 수 있다. 컴퓨터 판독 가능 저장 매체(1509)는 단일 매체로 예시적인 실시예로 도시되지만, "컴퓨터 판독 가능 저장 매체"라는 용어는 하나 이상의 명령어 세트들을 저장하는 단일 매체 또는 다중 매체(예를 들어, 중앙 집중식 또는 분산형 데이터베이스 및/또는 연관된 캐시들 및 서버들)를 포함하도록 취급되어야 한다. "컴퓨터 판독 가능 저장 매체"라는 용어는, 또한 기계에 의한 실행을 위한 명령 세트를 저장 또는 인코딩할 수 있고, 본 개시의 방법들 중 하나 이상을 기계가 수행하게 하는 임의의 매체를 포함하도록 취급될 것이다. 따라서, "컴퓨터 판독 가능 저장 매체"라는 용어는, 솔리드 스테이트 메모리, 광학 및 자기 매체, 또는 임의의 다른 비 일시적 기계 판독 가능 매체를 포함하도록 취급될 것이지만, 이에 한정되는 것은 아니다.
프로세싱 모듈/유닛/로직(1528), 본 명세서에서 설명된 구성 요소들 및 다른 특징들은, 개별 하드웨어 구성 요소들로서 구현되거나, ASIC, FPGA, DSP 또는 유사한 장치와 같은 하드웨어 구성 요소들의 기능성에 통합될 수 있다. 또한, 처리 모듈/유닛/로직(1528)은 하드웨어 장치 내의 펌웨어 또는 기능 회로로 구현될 수 있다. 또한, 처리 모듈/유닛/로직(1528)은 임의의 조합 하드웨어 장치 및 소프트웨어 구성 요소로 구현될 수 있다.
시스템(1500)은, 데이터 처리 시스템의 다양한 구성 요소로 도시되어 있지만, 구성 요소를 상호 접속시키는 임의의 특정 아키텍처 또는 방식을 나타내기 위한 것이 아니다. 이러한 세부 사항들은 본 개시의 실시예들과 관련되지 않다. 네트워크 컴퓨터들, 핸드 헬드 컴퓨터들, 이동 전화들, 서버들 및/또는 더 적은 구성 요소 또는 더 많은 구성 요소를 갖는 다른 데이터 처리 시스템들이 또한 본 개시의 실시예들과 함께 사용될 수 있다.
전술한 상세한 설명의 일부는, 컴퓨터 메모리 내의 데이터 비트에 대한 연산의 알고리즘 및 기호 표현과 관련하여 제시되었다. 이러한 알고리즘 설명 및 표현은, 데이터 처리 기술 분야의 당업자가 자신의 연구 내용을 다른 당업자에게 가장 효과적으로 전달하는데 사용되는 방법이다. 여기에서의 알고리즘은 일반적으로 원하는 결과를 이끌어내는 일관된 동작 순서로 인식된다. 이 동작들은 물리량의 물리적인 조작을 요구하는 것들이다.
그러나 이러한 모든 용어 및 그와 유사한 용어는 적절한 물리양과 관련되어 있으며 이러한 양에 적용되는 편리한 레이블이다. 상기 논의로부터 명백한 바와 같이 특별히 언급하지 않는 한, 명세서 전반에 걸쳐, 이하의 특허청구범위에 기재된 것과 같은 용어를 이용한 설명은 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 장치의 동작 및 프로세스를 참고하며, 동작 및 프로세스는 컴퓨터 시스템의 레지스터 및 메모리 내의 물리(전자) 양으로 표현된 데이터를 컴퓨터 시스템 메모리 또는 레지스터 또는 기타 정보 저장 장치, 전송 또는 디스플레이 장치 내에서 물리량으로 유사하게 표현되는 다른 데이터로 조작 및 변형한다.
본 개시의 실시예는 또한 본 명세서의 동작을 수행하기 위한 장치에 관한 것이다. 이러한 컴퓨터 프로그램은 비일시적 컴퓨터 판독 가능 매체에 저장된다. 기계 판독 가능 매체는, 기계(예를 들어, 컴퓨터) 판독 가능 형태로 정보를 저장하기 위한 임의의 메커니즘을 포함한다. 예를 들어, 기계 판독 가능(예를 들어, 컴퓨터 판독 가능) 매체는 기계(예를 들어, 컴퓨터) 판독 가능 저장 매체(예를 들어, 읽기 전용 메모리(ROM)), 랜덤 액세스 메모리(RAM), 자기 저장 매체, 광학 저장 매체, 플래시 메모리 장치)를 포함한다.
상기 도면들에 도시된 프로세스들 또는 방법들은, 하드웨어(예를 들어, 회로, 전용 로직 등), 소프트웨어(예를 들어, 비일시적인 컴퓨터 판독 가능 매체 상에 구현되는), 또는 이들의 조합을 포함하는 프로세싱 로직에 의해 수행될 수 있다. 프로세스들 또는 방법들이 몇몇 순차적인 동작들과 관련해서 위에서 설명되었지만, 기술된 동작들 중 일부는 다른 순서로 수행될 수 있다. 더욱이, 몇몇 동작들은 순차적이 아니라 병렬로 수행될 수 있다.
본 개시의 실시예는 임의의 특정 프로그래밍 언어를 참조하여 설명되지 않는다. 본 명세서에 설명된 본 개시의 실시예들의 교시를 구현하기 위해 다양한 프로그래밍 언어가 사용될 수 있다는 것을 이해할 것이다.
전술한 명세서에서, 본 개시의 실시예는 특정 실시예를 참조하여 설명되었다. 후술할 특허청구범위에 기재된 본 개시의 더 넓은 사상 및 범위를 벗어나지 않으면서도 다양한 변형이 가능하다는 것은 명백할 것이다. 따라서, 명세서 및 도면은 제한적인 의미라기보다는 예시적인 의미로 간주되어야 한다.
Claims (21)
- 자율 주행 차량에 의한 궤적의 예측을 평가하기 위한 컴퓨터로 구현된 방법에 있어서,
자율 주행 차량(ADV) 주변의 주행 환경 내의 물체를 인지하는 인지 데이터에 기초한 예측 방법을 이용하여 생성된 물체의 예측 궤적을 수신하는 단계;
상기 예측 궤적의 복수의 궤적점으로부터 선택된 적어도 일부의 궤적점에 대해, 상기 선택된 궤적점으로부터 복수의 특징을 추출하는 단계;
상기 추출된 특징에 DNN(deep neural network) 모델을 적용하여 유사도 점수를 생성하되, 여기서 상기 유사도 점수는 상기 예측 궤적과 상기 DNN 모델에 의해 모델링된 이전의 실제 궤적 간의 유사도를 나타내는 단계; 및
상기 유사도 점수에 기초하여 상기 예측 방법의 정확도를 결정하는 단계를 포함하는, 방법.
- 제1항에 있어서,
상기 수신된 예측 궤적은 상기 예측 방법을 이용하여 하나 이상의 ADV에 의해 예측된 복수의 예측 궤적 중 하나인, 방법.
- 제1항에 있어서,
각 궤적점의 상기 추출된 특징은 물리적 속성 세트를 포함하고, 상기 물리적 속성은 상기 궤적점의 상대적인 진행 방향 및 속도를 포함하는, 방법.
- 제3항에 있어서,
각 궤적점의 상기 물리적 속성은 상기 예측 궤적의 시작점에 대한 상기 궤적점의 위치 및 상기 궤적에 도달하기 위한 도달 시간을 더 포함하는, 방법.
- 제1항에 있어서,
각 궤적점의 상기 추출된 특징은 궤적 관련 속성 세트를 포함하고, 상기 궤적 관련 속성은,
상기 물체가 이동하는 차로를 식별하는 차로 식별자(ID);
차로가 좌측으로 회전하는지 우측으로 회전하는지 여부를 나타내는 표시; 및
상기 물체와 상기 차로의 연석 간의 거리를 포함하는, 방법.
- 제5항에 있어서,
상기 궤적 관련 속성은,
상기 물체의 진행 방향과 상기 차로의 차로 방향 간의 차이; 및
상기 물체와 상기 차로의 기준선 간의 거리를 더 포함하는, 방법.
- 제1항에 있어서,
상기 DNN 모델을 생성하는 단계를 더 포함하고, 상기 DNN 모델을 생성하는 단계는,
상기 물체의 인지 데이터에 기초하여 예측된 물체의 제2 예측 궤적을 수신하는 단계;
상기 예측 궤적으로부터 예측 특징을 추출하는 단계;
상기 물체가 실제로 이동한 실제 궤적을 수신하는 단계;
상기 실제 궤적의 실제 특징을 추출하는 단계; 및
네거티브 예시인 상기 예측 특징과 포지티브 예시인 상기 실제 특징을 기초로하여 상기 DNN 모델을 트레이닝하고 생성하는 단계를 더 포함하는, 방법.
- 명령어들을 저장하는 비일시적 기계 판독 가능 매체로서, 상기 명령어들은 프로세서에 의해 실행될 때 상기 프로세서로 하여금 동작들을 수행하게 하고, 상기 동작들은,
자율 주행 차량(ADV) 주변의 주행 환경 내의 물체를 인지하는 인지 데이터에 기초한 예측 방법을 이용하여 생성된 물체의 예측 궤적을 수신하는 것;
상기 예측 궤적의 복수의 궤적점으로부터 선택된 적어도 일부의 궤적점에 대해, 상기 선택된 궤적점으로부터 복수의 특징을 추출하는 것;
상기 추출된 특징에 DNN 모델을 적용하여 유사도 점수를 생성하되, 여기서 상기 유사도 점수는 상기 예측 궤적과 상기 DNN 모델에 의해 모델링된 이전의 실제 궤적 간의 유사도를 나타내는 것; 및
상기 유사도 점수에 기초하여 상기 예측 방법의 정확도를 결정하는 것을 포함하는, 비일시적 기계 판독 가능 매체.
- 제8항에 있어서,
상기 수신된 예측 궤적은 상기 예측 방법을 이용하여 하나 이상의 ADV에 의해 예측된 복수의 예측 궤적 중 하나인, 비일시적 기계 판독 가능 매체.
- 제8항에 있어서,
각 궤적점의 상기 추출된 특징은 물리적 속성 세트를 포함하고, 상기 물리적 속성은 상기 궤적점의 상대적인 진행 방향 및 속도를 포함하는, 비일시적 기계 판독 가능 매체.
- 제10항에 있어서,
각 궤적점의 상기 물리적 속성은상기 예측 궤적의 시작점에 대한 상기 궤적점의 위치 및 상기 궤적에 도달하기 위한 도달 시간을 더 포함하는, 비일시적 기계 판독 가능 매체.
- 제8항에 있어서,
각 궤적점의 상기 추출된 특징은 궤적 관련 속성 세트를 포함하고, 상기 궤적 관련 속성은,
상기 물체가 이동하는 차로를 식별하는 차로 식별자(ID);
차로가 좌측으로 회전하는지 우측으로 회전하는지 여부를 나타내는 표시; 및
상기 물체와 상기 차로의 연석 간의 거리를 포함하는, 비일시적 기계 판독 가능 매체.
- 제12항에 있어서,
상기 궤적 관련 속성은,
상기 물체의 진행 방향과 상기 차로의 차로 방향 간의 차이; 및
상기 물체와 상기 차로의 기준선 간의 거리를 더 포함하는, 비일시적 기계 판독 가능 매체.
- 제8항에 있어서,
상기 동작들은 상기 DNN 모델을 생성하는 것을 더 포함하고, 상기 DNN 모델을 생성하는 것은,
상기 물체의 인지 데이터에 기초하여 예측된 물체의 제2 예측 궤적을 수신하는 것;
상기 예측 궤적으로부터 예측 특징을 추출하는 것;
상기 물체가 실제로 이동한 실제 궤적을 수신하는 것;
상기 실제 궤적의 실제 특징을 추출하는 것; 및
네거티브 예시인 상기 예측 특징과 포지티브 예시인 상기 실제 특징을 기초로하여 상기 DNN 모델을 트레이닝하고 생성하는 것을 더 포함하는, 비일시적 기계 판독 가능 매체.
- 데이터 처리 시스템에 있어서,
프로세서; 및
상기 프로세서에 결합되어 명령어들을 저장하는 메모리를 포함하고, 상기 명령어들은 상기 프로세서에 의해 실행될 때 상기 프로세서로 하여금 동작들을 수행하게 하며, 상기 동작들은,
자율 주행 차량(ADV) 주변의 주행 환경 내의 물체를 인지하는 인지 데이터에 기초한 예측 방법을 이용하여 생성된 물체의 예측 궤적을 수신하는 것;
상기 예측 궤적의 복수의 궤적점으로부터 선택된 적어도 일부의 궤적점에 대해, 상기 선택된 궤적점으로부터 복수의 특징을 추출하는 것;
상기 추출된 특징에 DNN 모델을 적용하여 유사도 점수를 생성하되, 여기서 상기 유사도 점수는 상기 예측 궤적과 상기 DNN 모델에 의해 모델링된 이전의 실제 궤적 간의 유사도를 나타내는 것; 및
상기 유사도 점수에 기초하여 상기 예측 방법의 정확도를 결정하는 것을 포함하는, 데이터 처리 시스템.
- 제15항에 있어서,
상기 수신된 예측 궤적은 상기 예측 방법을 이용하여 하나 이상의 ADV에 의해 예측된 복수의 예측 궤적 중 하나인, 데이터 처리 시스템.
- 제15항에 있어서,
각 궤적점의 상기 추출된 특징은 물리적 속성 세트를 포함하고, 상기 물리적 속성은 상기 궤적점의 상대적인 진행 방향 및 속도를 포함하는, 데이터 처리 시스템.
- 제17항에 있어서,
각 궤적점의 상기 물리적 속성은 상기 예측 궤적의 시작점에 대한 상기 궤적점의 위치 및 상기 궤적에 도달하기 위한 도달 시간을 더 포함하는, 데이터 처리 시스템.
- 제15항에 있어서,
각 궤적점의 상기 추출된 특징은 궤적 관련 속성 세트를 포함하고, 상기 궤적 관련 속성은,
상기 물체가 이동하는 차로를 식별하는 차로 식별자(ID);
차로가 좌측으로 회전하는지 우측으로 회전하는지 여부를 나타내는 표시; 및
상기 물체와 상기 차로의 연석 간의 거리를 포함하는, 데이터 처리 시스템.
- 제19항에 있어서,
상기 궤적 관련 속성은,
상기 물체의 진행 방향과 상기 차로의 차로 방향 간의 차이; 및
상기 물체와 상기 차로의 기준선 간의 거리를 더 포함하는, 데이터 처리 시스템.
- 제15항에 있어서,
상기 동작들은 상기 DNN 모델을 생성하는 것을 더 포함하고, 상기 DNN 모델을 생성하는 것은,
상기 물체의 인지 데이터에 기초하여 예측된 물체의 제2 예측 궤적을 수신하는 것;
상기 예측 궤적으로부터 예측 특징을 추출하는 것;
상기 물체가 실제로 이동한 실제 궤적을 수신하는 것;
상기 실제 궤적의 실제 특징을 추출하는 것; 및
네거티브 예시인 상기 예측 특징과 포지티브 예시인 상기 실제 특징을 기초로하여 상기 DNN 모델을 트레이닝하고 생성하는 것을 더 포함하는, 데이터 처리 시스템.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/089487 WO2018232680A1 (en) | 2017-06-22 | 2017-06-22 | EVALUATION FRAME FOR PREDICTED TRAJECTORIES IN A SELF-CONTAINING VEHICLE TRAFFIC PREDICTION |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190013689A true KR20190013689A (ko) | 2019-02-11 |
KR102070527B1 KR102070527B1 (ko) | 2020-01-28 |
Family
ID=64693501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020187007652A KR102070527B1 (ko) | 2017-06-22 | 2017-06-22 | 자율 주행 차량 교통 예측에서 예측되는 궤적에 대한 평가 프레임 워크 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11545033B2 (ko) |
EP (1) | EP3436783A4 (ko) |
JP (1) | JP6722280B2 (ko) |
KR (1) | KR102070527B1 (ko) |
CN (1) | CN109937343B (ko) |
WO (1) | WO2018232680A1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200122987A (ko) * | 2019-04-18 | 2020-10-28 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 궤적 분류 모델의 트레이닝 방법 및 장치, 및 전가 기기 |
KR102445049B1 (ko) * | 2022-04-15 | 2022-09-21 | 국방과학연구소 | 단일 신경망 추정 자율주행 차량의 모델 예측 제어 방법 및 모델 예측 제어 시스템 |
Families Citing this family (87)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180374341A1 (en) * | 2017-06-27 | 2018-12-27 | GM Global Technology Operations LLC | Systems and methods for predicting traffic patterns in an autonomous vehicle |
US10782694B2 (en) * | 2017-09-07 | 2020-09-22 | Tusimple, Inc. | Prediction-based system and method for trajectory planning of autonomous vehicles |
US10739775B2 (en) * | 2017-10-28 | 2020-08-11 | Tusimple, Inc. | System and method for real world autonomous vehicle trajectory simulation |
US10737717B2 (en) * | 2018-02-14 | 2020-08-11 | GM Global Technology Operations LLC | Trajectory tracking for vehicle lateral control using neural network |
CN110298219A (zh) * | 2018-03-23 | 2019-10-01 | 广州汽车集团股份有限公司 | 无人驾驶车道保持方法、装置、计算机设备和存储介质 |
US10457294B1 (en) * | 2018-06-27 | 2019-10-29 | Baidu Usa Llc | Neural network based safety monitoring system for autonomous vehicles |
EP3598414A1 (en) * | 2018-07-20 | 2020-01-22 | Volvo Car Corporation | System and method for avoiding a collision course |
US10814881B2 (en) * | 2018-10-16 | 2020-10-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Vehicle velocity predictor using neural networks based on V2X data augmentation to enable predictive optimal control of connected and automated vehicles |
US11577750B2 (en) * | 2018-11-08 | 2023-02-14 | Bayerische Motoren Werke Aktiengesellschaft | Method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle |
US11126197B2 (en) * | 2018-11-19 | 2021-09-21 | Waymo Llc | Verification of iterative closest point alignments for autonomous vehicles |
US11829870B2 (en) * | 2018-11-26 | 2023-11-28 | Uber Technologies, Inc. | Deep reinforcement learning based models for hard-exploration problems |
US10997729B2 (en) * | 2018-11-30 | 2021-05-04 | Baidu Usa Llc | Real time object behavior prediction |
CN109829577B (zh) * | 2019-01-17 | 2021-10-01 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
KR102376709B1 (ko) * | 2019-01-30 | 2022-03-18 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 포인트 클라우드 등록 시스템 |
WO2020160276A1 (en) * | 2019-01-30 | 2020-08-06 | Perceptive Automata, Inc. | Neural network based navigation of autonomous vehicles through traffic entities |
US11467579B2 (en) | 2019-02-06 | 2022-10-11 | Perceptive Automata, Inc. | Probabilistic neural network for predicting hidden context of traffic entities for autonomous vehicles |
WO2020164090A1 (en) * | 2019-02-15 | 2020-08-20 | Bayerische Motoren Werke Aktiengesellschaft | Trajectory prediction for driving strategy |
US11126179B2 (en) * | 2019-02-21 | 2021-09-21 | Zoox, Inc. | Motion prediction based on appearance |
CN109857118B (zh) * | 2019-03-12 | 2022-08-16 | 百度在线网络技术(北京)有限公司 | 无人车规划驾驶策略的方法、装置、设备及存储介质 |
CN111316286A (zh) * | 2019-03-27 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 轨迹预测方法及装置、存储介质、驾驶系统与车辆 |
DE102019002790B4 (de) | 2019-04-16 | 2023-05-04 | Mercedes-Benz Group AG | Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug |
NL2023068B1 (en) * | 2019-05-03 | 2020-11-30 | Prodrive Tech Bv | System and method for positioning a mobile assembly |
US11131993B2 (en) | 2019-05-29 | 2021-09-28 | Argo AI, LLC | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout |
CN110187707B (zh) * | 2019-05-30 | 2022-05-10 | 北京三快在线科技有限公司 | 无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备 |
US11531349B2 (en) | 2019-06-21 | 2022-12-20 | Volkswagen Ag | Corner case detection and collection for a path planning system |
US11327497B2 (en) | 2019-06-21 | 2022-05-10 | Volkswagen Ag | Autonomous transportation vehicle image augmentation |
DE102019209736A1 (de) * | 2019-07-03 | 2021-01-07 | Robert Bosch Gmbh | Verfahren zur Bewertung möglicher Trajektorien |
EP3977227A4 (en) * | 2019-07-03 | 2023-01-25 | Waymo Llc | AGENT PATH PREDICTION USING ANCHOR PATHS |
US11631325B2 (en) * | 2019-08-26 | 2023-04-18 | GM Global Technology Operations LLC | Methods and systems for traffic light state monitoring and traffic light to lane assignment |
US11332132B2 (en) | 2019-08-30 | 2022-05-17 | Argo AI, LLC | Method of handling occlusions at intersections in operation of autonomous vehicle |
US11340622B2 (en) * | 2019-08-30 | 2022-05-24 | Waymo Llc | Determining respective impacts of agents |
US11345342B2 (en) * | 2019-09-27 | 2022-05-31 | Intel Corporation | Potential collision warning system based on road user intent prediction |
WO2021062595A1 (en) * | 2019-09-30 | 2021-04-08 | Beijing Voyager Technology Co., Ltd. | Systems and methods for predicting a pedestrian movement trajectory |
WO2021062596A1 (en) * | 2019-09-30 | 2021-04-08 | Beijing Voyager Technology Co., Ltd. | Systems and methods for predicting a vehicle trajectory |
WO2021062594A1 (en) * | 2019-09-30 | 2021-04-08 | Beijing Voyager Technology Co., Ltd. | Systems and methods for jointly predicting trajectories of multiple moving objects |
EP4254122A3 (en) * | 2019-10-01 | 2024-02-14 | Elektrobit Automotive GmbH | Deep learning based motion control of a vehicle |
EP3812954A1 (en) * | 2019-10-21 | 2021-04-28 | Zenuity AB | Performance monitoring and evaluation of a vehicle adas or autonomous driving feature |
CN112712729B (zh) * | 2019-10-26 | 2023-01-06 | 华为技术有限公司 | 预测运动轨迹的方法和系统 |
CN110758403B (zh) * | 2019-10-30 | 2022-03-01 | 北京百度网讯科技有限公司 | 自动驾驶车辆的控制方法、装置、设备及存储介质 |
US11586931B2 (en) * | 2019-10-31 | 2023-02-21 | Waymo Llc | Training trajectory scoring neural networks to accurately assign scores |
US11912271B2 (en) * | 2019-11-07 | 2024-02-27 | Motional Ad Llc | Trajectory prediction from precomputed or dynamically generated bank of trajectories |
WO2021097823A1 (zh) * | 2019-11-22 | 2021-05-27 | 华为技术有限公司 | 用于确定车辆可通行空间的方法和装置 |
US20210173402A1 (en) * | 2019-12-06 | 2021-06-10 | Lyft, Inc. | Systems and methods for determining vehicle trajectories directly from data indicative of human-driving behavior |
US11061403B2 (en) * | 2019-12-12 | 2021-07-13 | Baidu Usa Llc | Path planning with a preparation distance for a lane-change |
CN111081017B (zh) * | 2019-12-19 | 2021-07-06 | 苏州智加科技有限公司 | 车辆信息管理系统、方法、计算机设备及存储介质 |
US11900224B2 (en) * | 2019-12-26 | 2024-02-13 | Waymo Llc | Generating trajectory labels from short-term intention and long-term result |
US11967106B2 (en) * | 2019-12-27 | 2024-04-23 | Motional Ad Llc | Object tracking supporting autonomous vehicle navigation |
CN113383283B (zh) * | 2019-12-30 | 2024-06-18 | 深圳元戎启行科技有限公司 | 感知信息处理方法、装置、计算机设备和存储介质 |
WO2021134169A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
CN113112643A (zh) * | 2020-01-13 | 2021-07-13 | 北京地平线机器人技术研发有限公司 | 预测轨迹的评价方法、装置以及电子设备和存储介质 |
EP3872710A1 (en) * | 2020-02-27 | 2021-09-01 | Aptiv Technologies Limited | Method and system for determining information on an expected trajectory of an object |
CN111260082B (zh) * | 2020-03-08 | 2023-11-07 | 北京瀚科科技集团有限公司 | 一种基于神经网络的空间对象运动轨迹预测模型构建方法 |
CN111829530B (zh) * | 2020-03-10 | 2022-05-03 | 北京嘀嘀无限科技发展有限公司 | 一种评估方法、装置、存储介质以及电子设备 |
CN113393011B (zh) * | 2020-03-13 | 2024-05-10 | 百度在线网络技术(北京)有限公司 | 预测限速信息的方法、装置、计算机设备和介质 |
CN111259801B (zh) * | 2020-03-23 | 2021-07-20 | 重庆特斯联智慧科技股份有限公司 | 一种轨迹预测的人流冲突调节方法和系统 |
US11535274B2 (en) * | 2020-03-26 | 2022-12-27 | Pony Ai Inc. | Self-learning vehicle performance optimization |
CN113511204B (zh) * | 2020-03-27 | 2022-11-11 | 华为技术有限公司 | 一种车辆换道行为识别方法及相关设备 |
US20210304018A1 (en) * | 2020-03-31 | 2021-09-30 | Lyft, Inc. | Systems and methods for predicting agent trajectory |
CN111488984B (zh) * | 2020-04-03 | 2023-07-21 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
CN114026463B (zh) * | 2020-05-15 | 2024-06-21 | 百度时代网络技术(北京)有限公司 | 基于部分点云的行人速度估计方法 |
CN113799793B (zh) * | 2020-05-29 | 2023-05-12 | 魔门塔(苏州)科技有限公司 | 一种基于数据驱动的实现预测模型自动化迭代的系统 |
CN111858800B (zh) * | 2020-06-29 | 2024-03-26 | 北京百度网讯科技有限公司 | 确定大门通行状态的方法、装置、设备和计算机存储介质 |
CN111862144A (zh) * | 2020-07-01 | 2020-10-30 | 睿视智觉(厦门)科技有限公司 | 一种确定物体移动轨迹分数的方法及装置 |
EP4172018A4 (en) | 2020-07-28 | 2024-06-05 | Waymo Llc | AGENT PATH PREDICTION USING TARGET LOCATIONS |
CN111873989B (zh) * | 2020-07-29 | 2021-07-06 | 北京三快在线科技有限公司 | 车辆控制方法及装置 |
CN112017171B (zh) * | 2020-08-27 | 2021-10-26 | 四川云从天府人工智能科技有限公司 | 一种图像处理指标评估方法、系统、设备和介质 |
KR20220038859A (ko) | 2020-09-21 | 2022-03-29 | 주식회사 스프링클라우드 | 표준 자율주행 인지 소프트웨어 품질 평가 장치 및 방법 |
KR20220038857A (ko) | 2020-09-21 | 2022-03-29 | 주식회사 스프링클라우드 | 자율주행 상황 인지 알고리즘 평가 서비스 장치 및 방법 |
US11648965B2 (en) | 2020-09-28 | 2023-05-16 | Argo AI, LLC | Method and system for using a reaction of other road users to ego-vehicle actions in autonomous driving |
CN112212874B (zh) * | 2020-11-09 | 2022-09-16 | 福建牧月科技有限公司 | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 |
US20220155096A1 (en) * | 2020-11-16 | 2022-05-19 | Waymo Llc | Processing sparse top-down input representations of an environment using neural networks |
CN112461250A (zh) * | 2020-11-16 | 2021-03-09 | 北京百度网讯科技有限公司 | 车辆航位推算服务的评估方法、装置、仿真设备及介质 |
US11554794B2 (en) * | 2020-11-25 | 2023-01-17 | Argo AI, LLC | Method and system for determining a mover model for motion forecasting in autonomous vehicle control |
CN114572240B (zh) * | 2020-11-30 | 2023-11-14 | 北京百度网讯科技有限公司 | 车辆行驶控制方法、装置、车辆、电子设备及存储介质 |
CN113156961B (zh) * | 2021-04-28 | 2024-04-12 | 广州极飞科技股份有限公司 | 驾驶控制模型训练方法、驾驶控制方法及相关装置 |
KR102589987B1 (ko) * | 2021-05-04 | 2023-10-18 | 인하대학교 산학협력단 | 영상 및 레이더 특징 학습 기반 온라인 다중 객체 추적 방법 및 장치 |
CN113212454B (zh) * | 2021-05-20 | 2023-05-12 | 中国第一汽车股份有限公司 | 车辆行驶状态的调整方法、装置、计算机设备和存储介质 |
CN113155173B (zh) * | 2021-06-02 | 2022-08-30 | 福瑞泰克智能系统有限公司 | 感知性能评测方法、装置、电子装置和存储介质 |
US11887317B2 (en) * | 2021-08-30 | 2024-01-30 | Ford Global Technologies, Llc | Object trajectory forecasting |
CN114348019B (zh) * | 2021-12-20 | 2023-11-07 | 清华大学 | 车辆轨迹预测方法、装置、计算机设备和存储介质 |
CN114758502B (zh) * | 2022-04-29 | 2023-08-18 | 北京百度网讯科技有限公司 | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 |
US20230406345A1 (en) * | 2022-06-17 | 2023-12-21 | Baidu Usa Llc | Distributional expert demonstrations for autonomous driving |
KR20240053351A (ko) | 2022-10-17 | 2024-04-24 | 주식회사 스프링클라우드 | 자율 주행 이벤트 기반의 자율 주행 소프트웨어 평가 방법 및 장치 |
KR20240053352A (ko) | 2022-10-17 | 2024-04-24 | 주식회사 스프링클라우드 | 자율 주행 소프트웨어의 위험도 산출 방법 및 장치 |
KR20240053350A (ko) | 2022-10-17 | 2024-04-24 | 주식회사 스프링클라우드 | 자율 주행 소프트웨어 평가 방법 및 장치 |
CN116091553B (zh) * | 2023-04-04 | 2023-06-30 | 小米汽车科技有限公司 | 轨迹的确定方法、装置、电子设备、车辆和存储介质 |
CN116358562B (zh) * | 2023-05-31 | 2023-08-01 | 氧乐互动(天津)科技有限公司 | 消毒操作轨迹检测方法、装置、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007257274A (ja) * | 2006-03-23 | 2007-10-04 | Toyota Motor Corp | 移動体の経路探索システム及び経路探索方法 |
KR101500168B1 (ko) * | 2013-10-14 | 2015-03-06 | 현대자동차주식회사 | 주행 도로의 측면 경계 인지 방법 |
KR20170057084A (ko) * | 2015-11-16 | 2017-05-24 | 삼성전자주식회사 | 자율 주행을 위한 모델 학습 장치 및 방법과 자율 주행 장치 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3099934B2 (ja) * | 1994-09-08 | 2000-10-16 | 株式会社東芝 | 走行所要時間予測装置 |
GB2491987B (en) * | 2008-03-03 | 2013-03-27 | Videoiq Inc | Method of searching data for objects identified by object detection |
US8190330B2 (en) * | 2009-03-06 | 2012-05-29 | GM Global Technology Operations LLC | Model based predictive control for automated lane centering/changing control systems |
US8849508B2 (en) * | 2011-03-28 | 2014-09-30 | Tk Holdings Inc. | Driver assistance system and method |
US8466807B2 (en) * | 2011-06-01 | 2013-06-18 | GM Global Technology Operations LLC | Fast collision detection technique for connected autonomous and manual vehicles |
US20150074026A1 (en) * | 2011-08-17 | 2015-03-12 | Qualcomm Technologies Inc. | Apparatus and methods for event-based plasticity in spiking neuron networks |
JP5652364B2 (ja) * | 2011-09-24 | 2015-01-14 | 株式会社デンソー | 車両用挙動制御装置 |
JP6011788B2 (ja) * | 2012-09-03 | 2016-10-19 | マツダ株式会社 | 車両用制御装置 |
CA2941250A1 (en) * | 2014-03-19 | 2015-09-24 | Neurala, Inc. | Methods and apparatus for autonomous robotic control |
US20150292894A1 (en) | 2014-04-11 | 2015-10-15 | Telecommunication Systems, Inc. | Travel route |
WO2016052186A1 (ja) * | 2014-09-29 | 2016-04-07 | 矢崎総業株式会社 | 車両用表示装置 |
US9248834B1 (en) * | 2014-10-02 | 2016-02-02 | Google Inc. | Predicting trajectories of objects based on contextual information |
US9630318B2 (en) * | 2014-10-02 | 2017-04-25 | Brain Corporation | Feature detection apparatus and methods for training of robotic navigation |
CN104484911B (zh) | 2014-10-29 | 2016-08-24 | 云南大学 | 基于QoE的个性化自动驾驶参数优化设定方法 |
KR102623680B1 (ko) * | 2015-02-10 | 2024-01-12 | 모빌아이 비젼 테크놀로지스 엘티디. | 자율 주행을 위한 약도 |
US10536357B2 (en) * | 2015-06-05 | 2020-01-14 | Cisco Technology, Inc. | Late data detection in data center |
CN105069842A (zh) * | 2015-08-03 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 道路三维模型的建模方法和装置 |
KR101714185B1 (ko) * | 2015-08-05 | 2017-03-22 | 엘지전자 주식회사 | 차량 운전 보조장치 및 이를 포함하는 차량 |
CN105260699B (zh) * | 2015-09-10 | 2018-06-26 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
US10745003B2 (en) * | 2015-11-04 | 2020-08-18 | Zoox, Inc. | Resilient safety system for a robotic vehicle |
CN105741595B (zh) * | 2016-04-27 | 2018-02-27 | 常州加美科技有限公司 | 一种基于云端数据库的无人驾驶车辆导航行车方法 |
CN106314438B (zh) * | 2016-08-15 | 2018-09-25 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 |
CN106570764A (zh) * | 2016-11-09 | 2017-04-19 | 广州杰赛科技股份有限公司 | 一种用户关系预测方法及装置 |
US10255525B1 (en) * | 2017-04-25 | 2019-04-09 | Uber Technologies, Inc. | FPGA device for image classification |
-
2017
- 2017-06-22 CN CN201780002410.1A patent/CN109937343B/zh active Active
- 2017-06-22 KR KR1020187007652A patent/KR102070527B1/ko active IP Right Grant
- 2017-06-22 WO PCT/CN2017/089487 patent/WO2018232680A1/en unknown
- 2017-06-22 EP EP17847781.6A patent/EP3436783A4/en not_active Ceased
- 2017-06-22 JP JP2018514804A patent/JP6722280B2/ja active Active
- 2017-06-22 US US15/542,404 patent/US11545033B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007257274A (ja) * | 2006-03-23 | 2007-10-04 | Toyota Motor Corp | 移動体の経路探索システム及び経路探索方法 |
KR101500168B1 (ko) * | 2013-10-14 | 2015-03-06 | 현대자동차주식회사 | 주행 도로의 측면 경계 인지 방법 |
KR20170057084A (ko) * | 2015-11-16 | 2017-05-24 | 삼성전자주식회사 | 자율 주행을 위한 모델 학습 장치 및 방법과 자율 주행 장치 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200122987A (ko) * | 2019-04-18 | 2020-10-28 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 궤적 분류 모델의 트레이닝 방법 및 장치, 및 전가 기기 |
KR102445049B1 (ko) * | 2022-04-15 | 2022-09-21 | 국방과학연구소 | 단일 신경망 추정 자율주행 차량의 모델 예측 제어 방법 및 모델 예측 제어 시스템 |
Also Published As
Publication number | Publication date |
---|---|
JP2019527813A (ja) | 2019-10-03 |
US20180374359A1 (en) | 2018-12-27 |
WO2018232680A1 (en) | 2018-12-27 |
CN109937343B (zh) | 2023-06-13 |
EP3436783A1 (en) | 2019-02-06 |
KR102070527B1 (ko) | 2020-01-28 |
EP3436783A4 (en) | 2019-02-06 |
US11545033B2 (en) | 2023-01-03 |
JP6722280B2 (ja) | 2020-07-15 |
CN109937343A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102070527B1 (ko) | 자율 주행 차량 교통 예측에서 예측되는 궤적에 대한 평가 프레임 워크 | |
US11328219B2 (en) | System and method for training a machine learning model deployed on a simulation platform | |
US12017663B2 (en) | Sensor aggregation framework for autonomous driving vehicles | |
JP6748244B2 (ja) | 自動運転車に用いられる学習に基づく速度計画装置 | |
JP6506805B2 (ja) | 自律走行車の決定の評価フレームワーク | |
KR102062608B1 (ko) | 자율 주행 차량의 제어 피드백에 기초한 맵 업데이트 방법 및 시스템 | |
US10996679B2 (en) | Method to evaluate trajectory candidates for autonomous driving vehicles (ADVs) | |
JP6832421B2 (ja) | シミュレーションに基づく自動運転車の感知要求の評価方法 | |
EP3580625B1 (en) | Driving scenario based lane guidelines for path planning of autonomous driving vehicles | |
US10824153B2 (en) | Cost design for path selection in autonomous driving technology | |
KR102020163B1 (ko) | 자율 주행 차량의 조향률의 동적 조정 | |
CN108891417B (zh) | 用于操作自动驾驶车辆的方法及数据处理系统 | |
CN111476079B (zh) | 将用于对象检测的地图特征与lidar合并的全面且有效的方法 | |
CN110621541B (zh) | 用于生成轨迹以操作自动驾驶车辆的方法和系统 | |
KR20190013688A (ko) | 자율 주행을 위한 지도 이미지에 기반한 교통 예측 | |
EP3327530A1 (en) | Method for determining command delays of autonomous vehicles | |
CN111615476A (zh) | 用于自动驾驶车辆的基于螺旋曲线的竖直停车规划系统 | |
CN111103876A (zh) | 自动驾驶车辆的基于雷达通信的扩展感知 | |
CN111684379A (zh) | 自动驾驶车辆的三点转弯的最优规划器切换方法 | |
JP6946456B2 (ja) | 地図及び測位を必要としない自動運転車両のコーナネゴシエーション方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |