KR20190089791A - 삼차원 어라운드 뷰 제공 장치 및 방법 - Google Patents

삼차원 어라운드 뷰 제공 장치 및 방법 Download PDF

Info

Publication number
KR20190089791A
KR20190089791A KR1020190083719A KR20190083719A KR20190089791A KR 20190089791 A KR20190089791 A KR 20190089791A KR 1020190083719 A KR1020190083719 A KR 1020190083719A KR 20190083719 A KR20190083719 A KR 20190083719A KR 20190089791 A KR20190089791 A KR 20190089791A
Authority
KR
South Korea
Prior art keywords
depth
coordinate value
boundary
boundary region
vehicle
Prior art date
Application number
KR1020190083719A
Other languages
English (en)
Inventor
서정현
김상훈
임진석
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190083719A priority Critical patent/KR20190089791A/ko
Publication of KR20190089791A publication Critical patent/KR20190089791A/ko
Priority to US16/559,170 priority patent/US11259003B2/en

Links

Images

Classifications

    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
    • H04N13/106—Processing image signals
    • H04N13/156—Mixing image signals
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R1/00—Optical viewing arrangements; Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles
    • B60R1/20—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles
    • B60R1/22—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles for viewing an area outside the vehicle, e.g. the exterior of the vehicle
    • B60R1/23—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles for viewing an area outside the vehicle, e.g. the exterior of the vehicle with a predetermined field of view
    • B60R1/27—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles for viewing an area outside the vehicle, e.g. the exterior of the vehicle with a predetermined field of view providing all-round vision, e.g. using omnidirectional cameras
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
    • H04N13/106—Processing image signals
    • H04N13/128—Adjusting depth or disparity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
    • H04N13/106—Processing image signals
    • H04N13/133—Equalising the characteristics of different image components, e.g. their average brightness or colour balance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/204—Image signal generators using stereoscopic image cameras
    • H04N13/243—Image signal generators using stereoscopic image cameras using three or more 2D image sensors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/204—Image signal generators using stereoscopic image cameras
    • H04N13/254—Image signal generators using stereoscopic image cameras in combination with electromagnetic radiation sources for illuminating objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/271—Image signal generators wherein the generated image signals comprise depth maps or disparity maps
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/282—Image signal generators for generating image signals corresponding to three or more geometrical viewpoints, e.g. multi-view systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R1/00—Optical viewing arrangements; Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles
    • B60R1/20—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles
    • B60R1/31—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles providing stereoscopic vision
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
    • B60R2300/10—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of camera system used
    • B60R2300/105—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of camera system used using multiple cameras
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
    • B60R2300/20—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of display used
    • B60R2300/205—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of display used using a head-up display
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
    • B60R2300/30—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing
    • B60R2300/303—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing using joined images, e.g. multiple camera images
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146—Display means
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B60W2420/42—
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N2013/0074—Stereoscopic image analysis
    • H04N2013/0081—Depth or disparity estimation from stereoscopic image signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/042—Public Land Mobile systems, e.g. cellular systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Electromagnetism (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명의 일 실시예는, 차량 내 사용자 인터페이스 모듈을 통하여 삼차원 어라운드 뷰를 제공하는 장치로서, 차량에 장착되는 복수개의 촬상부; 상기 복수개의 촬상부로부터 복수개의 이미지를 수신하고, 상기 복수개의 이미지에 대응하는 복수개의 깊이맵을 획득하는 깊이 추정부; 상기 복수개의 깊이맵 중 상호 인접하는 제1 깊이맵 및 제2 깊이맵이 중첩되는 경계 영역인 상기 제1 깊이맵의 제1 경계 영역 및 상기 제2 깊이맵의 제2 경계 영역의 깊이차를 최소화하고, 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차가 최소화된 제1 어라운드 뷰 깊이맵을 획득하며, 상기 제1 어라운드 뷰 깊이맵을 이용하여 상기 복수개의 이미지에 대한 삼차원 어라운드 뷰 이미지를 복원하는 제어부; 및 상기 삼차원 어라운드 뷰 이미지를 출력하는 표시부를 포함하는, 삼차원 어라운드 뷰 제공 장치이다.
본 발명의 일 실시예에 따른 자율 주행 차량, 사용자 단말기 및 서버 중 하나 이상이 인공 지능(Artificial Intelligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR), 5G 서비스와 관련된 장치 등과 연계 혹은 융복합될 수 있다.

Description

삼차원 어라운드 뷰 제공 장치 및 방법{APPARATUS AND METHOD FOR PROVIDING 3-DIMENSIONAL AROUND VIEW}
본 발명은 운전자 보조 시스템, 특히, 차량 주변의 카메라 이미지를 이용하여 어라운드 뷰 이미지를 생성하는 삼차원 어라운드 뷰 제공 장치 및 방법에 관한 것이다.
차량에 대한 사용자의 요구 사항이 증가하면서 운전자 보조 시스템(ADAS: Advanced Driver Assistance System)의 개발이 활발하게 이루어지고 있다. 다양한 운전자 보조 시스템 기술 중 하나가 주차 시에 차량 주변의 카메라 이미지를 이용하여 어라운드 뷰 이미지를 생성하는 AVM(Around View Monitoring) 기술이다.
AVM 기술은 차량의 전방 및 후방에 1개씩, 차량의 양 사이드 미러에 각각 1개씩 4개의 카메라를 설치한 후 이 이미지를 합성하여 마치 하늘에서 내려다 보는 것과 같은 이미지를 제공하는 기술로, 탑뷰(Top view) 또는 버드 아이 뷰(Bird's eye view)라고도 부른다.
AVM 기술을 통하여 차량 사용자는 위에서 아래를 내려다보는 시점의 탑뷰 이미지로 차량 주변을 확인할 수 있으나, 기존의 카메라 만을 사용하여 탑뷰 이미지를 생성하는 AVM 기술은 이미지에 왜곡이 존재하므로 사용자가 차량 주변의 물체를 정확하게 파악할 수 없게 하는 문제점이 있다.
상술한 상황에 대비하여 이미지의 왜곡을 보정하기 위한 종래 방법 중 하나로, 한국공개특허 제2017-0019793호에 개시된 바와 같이 차량과 주변 환경 간의 거리를 측정하는 거리 측정부를 두고, 측정된 거리를 이용하여 카메라 이미지를 입체화한 후 입체 이미지를 합성하여 탑 뷰 이미지를 생성하는 방법이 있다.
그러나, 상술한 한국공개특허 제2017-0019793호에 개시된 종래의 이미지 왜곡을 보정하는 방법에 있어서는, 라이다(LIDAR) 또는 삼차원 카메라와 같은 고가의 센서로 거리를 측정하므로 하드웨어에 소요되는 비용이 증가하고, 카메라 이미지를 입체화하는데 있어서 불완전한 삼차원 모델(3D Cue)을 기반으로 변환하므로 깊이 역전 현상 등 아티팩트(Artifact)가 심한 이미지를 제공하게 된다.
이러한 이유로 인하여 고가의 센서의 설치로 인한 비용적인 문제 뿐 아니라 이미지 내 아티팩트로 인하여 해당 이미지를 사용자 육안으로 보기에 부자연스럽고, 이에 따라 눈에 피로감을 유발하게 되는 문제점이 존재한다.
따라서, 고가의 센서를 장착하지 않고도 자연스러운 삼차원 이미지를 어라운드 뷰 이미지로 제공할 수 있는 기술이 요구되고 있다.
한국공개특허 제2017-0019793호
본 발명의 실시예는, 상술한 문제점의 원인이었던 고가의 센서를 사용하는 구조를 개선하여 카메라에서 취득한 이미지만으로도 삼차원 형태의 탑 뷰를 생성할 수 있는 삼차원 어라운드 뷰 제공 장치 및 방법을 제공하는데 목적이 있다.
또한, 본 발명의 실시예는, 아티팩트가 발생하는 불완전한 삼차원 모델이 아닌 딥러닝 기반 기술을 이용하여 이차원 이미지를 삼차원 이미지로 변환하는 삼차원 어라운드 뷰 제공 장치 및 방법을 제공하는데 목적이 있다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 달성하기 위하여 본 발명의 일 실시예에 따른 삼차원 어라운드 뷰 제공 장치는 복수개의 이미지의 깊이맵을 획득하고, 획득된 복수개의 깊이맵의 경계를 정합함으로써, 이미지를 연결하여 어라운드 뷰 이미지를 생성할 때 자연스러운 이미지가 생성될 수 있도록 구성한다.
구체적으로, 본 발명의 일 실시예는, 차량 내 사용자 인터페이스 모듈을 통하여 삼차원 어라운드 뷰를 제공하는 장치로서, 차량에 장착되는 복수개의 촬상부와, 상기 복수개의 촬상부로부터 복수개의 이미지를 수신하고, 상기 복수개의 이미지에 대응하는 복수개의 깊이맵을 획득하는 깊이 추정부와, 상기 복수개의 깊이맵 중 상호 인접하는 제1 깊이맵 및 제2 깊이맵이 중첩되는 경계 영역인 상기 제1 깊이맵의 제1 경계 영역 및 상기 제2 깊이맵의 제2 경계 영역의 깊이차를 최소화하고, 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차가 최소화된 제1 어라운드 뷰 깊이맵을 획득하며, 상기 제1 어라운드 뷰 깊이맵을 이용하여 상기 복수개의 이미지에 대한 삼차원 어라운드 뷰 이미지를 복원하는 제어부와, 상기 삼차원 어라운드 뷰 이미지를 출력하는 표시부를 포함하는, 삼차원 어라운드 뷰 제공 장치일 수 있다.
본 발명의 일 실시예는, 상기 깊이 추정부가, 상기 복수개의 이미지를 심층 신경망 인코더에 입력하여 상기 복수개의 이미지에 대응하는 상기 복수개의 깊이맵을 획득하는, 삼차원 어라운드 뷰 제공 장치일 수 있다.
본 발명의 일 실시예는, 상기 제어부가, 상기 복수개의 촬상부가 장착된 위치에 기초하여 상기 제1 깊이맵 및 상기 제2 깊이맵이 중첩되는 상기 제1 경계 영역 및 상기 제2 경계 영역을 판단하는, 삼차원 어라운드 뷰 제공 장치일 수 있다.
본 발명의 일 실시예는, 상기 제어부가, 상기 제1 경계 영역에서의 깊이값에 의해 산출된 제1 경계 영역 삼차원 좌표값 및 상기 제2 경계 영역에서의 깊이값에 의해 산출된 제2 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 함수를 이용하여 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차를 최소화하는, 삼차원 어라운드 뷰 제공 장치일 수 있다.
본 발명의 일 실시예는, 상기 제1 경계 영역 삼차원 좌표값이, 상기 제1 경계 영역에서의 깊이값 및 상기 제1 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이고, 상기 제2 경계 영역 삼차원 좌표값은, 상기 제2 경계 영역에서의 깊이값 및 상기 제2 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값인, 삼차원 어라운드 뷰 제공 장치일 수 있다.
본 발명의 일 실시예는, 상기 제어부가, 상기 복수개의 깊이맵 중 제3 깊이맵 및 상기 제1 깊이맵이 중첩되는 경계 영역인 상기 제3 깊이맵의 제3 경계 영역 및 상기 제1 깊이맵의 제4 경계 영역의 깊이차를 최소화하고, 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차와 상기 제3 경계 영역 및 상기 제4 경계 영역 간 깊이차가 최소화된 제2 어라운드 뷰 깊이맵을 획득하며, 상기 제2 어라운드 뷰 깊이맵을 이용하여 상기 복수개의 이미지에 대한 삼차원 어라운드 뷰 이미지를 복원하고, 상기 제1 깊이맵은, 일측은 상기 제2 깊이맵과 중첩되고, 타측은 상기 제3 깊이맵과 중첩되는, 삼차원 어라운드 뷰 제공 장치일 수 있다.
본 발명의 일 실시예는, 상기 제어부가, 상기 제1 경계 영역에서의 깊이값에 의해 산출된 제1 경계 영역 삼차원 좌표값 및 상기 제2 경계 영역에서의 깊이값에 의해 산출된 제2 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 제1 1차 함수 및 상기 제3 경계 영역에서의 깊이값에 의해 산출된 제3 경계 영역 삼차원 좌표값 및 상기 제4 경계 영역에서의 깊이값에 의해 산출된 제4 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 제2 1차 함수를 산출하고, 상기 제1 1차 함수 및 상기 제2 1차 함수의 각 계수 및 각 상수의 평균을 계수 및 상수로 하는 최종 1차 함수를 이용하여 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차 및 상기 제3 경계 영역 및 상기 제4 경계 영역 간 깊이차를 최소화하는, 삼차원 어라운드 뷰 제공 장치일 수 있다.
본 발명의 일 실시예는, 상기 제1 경계 영역 삼차원 좌표값이, 상기 제1 경계 영역에서의 깊이값 및 상기 제1 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이고, 상기 제2 경계 영역 삼차원 좌표값은, 상기 제2 경계 영역에서의 깊이값 및 상기 제2 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이며, 상기 제3 경계 영역 삼차원 좌표값은, 상기 제3 경계 영역에서의 깊이값 및 상기 제3 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이고, 상기 제4 경계 영역 삼차원 좌표값은, 상기 제2 경계 영역에서의 깊이값 및 상기 제4 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값인, 삼차원 어라운드 뷰 제공 장치일 수 있다.
본 발명의 일 실시예는, 상기 차량의 자율 주행 모드 운행을 제어하는 운행부와, 상기 자율 주행 모드로 운행하기 위해 연결된 5G 네트워크의 하향 링크 그랜트에 기초하여 심층 신경망 데이터를 수신하는 통신부를 더 포함하고, 상기 깊이 추정부는, 상기 통신부로부터 제공받은 심층 신경망 데이터를 기반으로 상기 심층 신경망 인코더를 갱신하는, 삼차원 어라운드 뷰 제공 장치일 수 있다.
본 발명의 일 실시예는, 차량 내 사용자 인터페이스 모듈을 통하여 삼차원 어라운드 뷰를 제공하는 방법으로서, 촬상부를 통하여 복수개의 이미지를 수신하는 제1 단계와, 상기 복수개의 이미지에 대응하는 복수개의 깊이맵을 획득하는 제2 단계와, 상기 복수개의 깊이맵 중 상호 인접하는 제1 깊이맵 및 제2 깊이맵이 중첩되는 경계 영역인 상기 제1 깊이맵의 제1 경계 영역 및 상기 제2 깊이맵의 제2 경계 영역의 깊이차를 최소화하는 제3 단계와, 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차가 최소화된 제1 어라운드 뷰 깊이맵을 획득하는 제4 단계와, 상기 제1 어라운드 뷰 깊이맵을 이용하여 상기 복수개의 이미지에 대한 삼차원 어라운드 뷰 이미지를 복원하는 제5 단계와, 상기 삼차원 어라운드 뷰 이미지를 출력하는 제6 단계를 포함하는, 삼차원 어라운드 뷰 제공 방법일 수 있다.
본 발명의 일 실시예는, 상기 제2 단계가, 상기 복수개의 이미지를 심층 신경망 인코더에 입력하여 상기 복수개의 이미지에 대응하는 상기 복수개의 깊이맵을 획득하는 단계를 포함하는 삼차원 어라운드 뷰 제공 방법일 수 있다.
본 발명의 일 실시예는, 상기 제3 단계가, 상기 촬상부가 상기 차량에 장착된 위치에 기초하여 상기 제1 깊이맵 및 상기 제2 깊이맵이 중첩되는 상기 제1 경계 영역 및 상기 제2 경계 영역을 판단하는 단계를 포함하는, 삼차원 어라운드 뷰 제공 방법일 수 있다.
본 발명의 일 실시예는, 상기 제3 단계가, 상기 제1 경계 영역에서의 깊이값에 의해 산출된 제1 경계 영역 삼차원 좌표값 및 상기 제2 경계 영역에서의 깊이값에 의해 산출된 제2 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 함수를 이용하여 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차를 최소화하는 단계를 포함하는, 삼차원 어라운드 뷰 제공 방법일 수 있다.
본 발명의 일 실시예는, 상기 제1 경계 영역 삼차원 좌표값이, 상기 제1 경계 영역에서의 깊이값 및 상기 제1 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이고, 상기 제2 경계 영역 삼차원 좌표값은, 상기 제2 경계 영역에서의 깊이값 및 상기 제2 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값인, 삼차원 어라운드 뷰 제공 방법일 수 있다.
본 발명의 일 실시예는, 상기 제3 단계가, 상기 복수개의 깊이맵 중 제3 깊이맵 및 상기 제1 깊이맵이 중첩되는 경계 영역인 상기 제3 깊이맵의 제3 경계 영역 및 상기 제1 깊이맵의 제4 경계 영역의 깊이차를 최소화하는 제3-1 단계를 포함하고, 상기 제4 단계는, 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차와 상기 제3 경계 영역 및 상기 제4 경계 영역 간 깊이차가 최소화된 제2 어라운드 뷰 깊이맵을 획득하는 단계를 포함하며, 상기 제1 깊이맵은, 일측은 상기 제2 깊이맵과 중첩되고, 타측은 상기 제3 깊이맵과 중첩되는, 삼차원 어라운드 뷰 제공 방법일 수 있다.
본 발명의 일 실시예는, 상기 제3-1 단계가, 상기 제1 경계 영역에서의 깊이값에 의해 산출된 제1 경계 영역 삼차원 좌표값 및 상기 제2 경계 영역에서의 깊이값에 의해 산출된 제2 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 제1 1차 함수 및 상기 제3 경계 영역에서의 깊이값에 의해 산출된 제3 경계 영역 삼차원 좌표값 및 상기 제4 경계 영역에서의 깊이값에 의해 산출된 제4 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 제2 1차 함수를 산출하는 단계와, 상기 제1 1차 함수 및 상기 제2 1차 함수의 각 계수 및 각 상수의 평균을 계수 및 상수로 하는 최종 1차 함수를 이용하여 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차 및 상기 제3 경계 영역 및 상기 제4 경계 영역 간 깊이차를 최소화하는 단계를 포함하는, 삼차원 어라운드 뷰 제공 방법일 수 있다.
본 발명의 일 실시예는, 상기 제1 경계 영역 삼차원 좌표값이, 상기 제1 경계 영역에서의 깊이값 및 상기 제1 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이고, 상기 제2 경계 영역 삼차원 좌표값은, 상기 제2 경계 영역에서의 깊이값 및 상기 제2 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이며, 상기 제3 경계 영역 삼차원 좌표값은, 상기 제3 경계 영역에서의 깊이값 및 상기 제3 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이고, 상기 제4 경계 영역 삼차원 좌표값은, 상기 제2 경계 영역에서의 깊이값 및 상기 제4 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값인, 삼차원 어라운드 뷰 제공 방법일 수 있다.
본 발명의 일 실시예는, 차량의 사용자에게 삼차원 어라운드 뷰를 제공하기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록매체로서, 촬상부를 통하여 복수개의 이미지를 수신하는 제1 수단과, 상기 복수개의 이미지에 대응하는 복수개의 깊이맵을 획득하는 제2 수단과, 상기 복수개의 깊이맵 중 상호 인접하는 제1 깊이맵 및 제2 깊이맵이 중첩되는 경계 영역인 상기 제1 깊이맵의 제1 경계 영역 및 상기 제2 깊이맵의 제2 경계 영역의 깊이차를 최소화하는 제3 수단과, 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차가 최소화된 어라운드 뷰 깊이맵을 획득하는 제4 수단과, 상기 어라운드 뷰 깊이맵을 이용하여 상기 복수개의 이미지에 대한 삼차원 어라운드 뷰 이미지를 복원하는 제5 수단과, 상기 삼차원 어라운드 뷰 이미지를 출력하는 제6 수단을 포함하는, 프로그램을 기록한 컴퓨터 판독 가능한 기록매체일 수 있다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 실시예에 따르면, 일반적인 차량 카메라만 설치되어 있는 경우에도 삼차원 형태의 탑뷰를 생성할 수 있으므로, 고가의 센서가 설치되어 있지 않은 차량에서도 어라운드 뷰 기능을 제공할 수 있는 효과가 있다.
본 발명의 실시예에 따르면, 실제 이미지 데이터베이스를 기반으로 학습한 딥러닝 모델을 이용하여 이차원 이미지를 삼차원 이미지로 변환함으로써 현실과 유사한 자연스러운 이미지를 제공할 수 있는 효과가 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 명확하게 이해할 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 삼차원 어라운드 뷰 제공 장치가 적용되는 차량을 도시한 도면이다.
도 2는 본 발명의 실시예에 따른 차량 측에 설치된 삼차원 어라운드 뷰 제공 장치를 도시한 블록도이다.
도 3은 본 발명의 실시예에 따른 삼차원 어라운드 뷰 제공 장치를 도시한 동작흐름도이다.
도 4는 5G 통신 시스템에서 자율 주행 차량과 5G 네트워크의 기본동작의 일 예를 나타낸 도면이다.
도 5는 5G 통신 시스템에서 자율 주행 차량과 5G 네트워크의 응용 동작의 일 예를 나타낸 도면이다.
도 6 내지 도 9는 5G 통신을 이용한 자율 주행 차량의 동작의 일 예를 나타낸 도면이다.
도 10은 본 발명의 실시예에 따른 삼차원 어라운드 뷰 제공 방법을 도시한 동작흐름도이다.
도 11은 본 발명의 실시예에 따른 차량 측에 설치된 삼차원 어라운드 뷰 제공 장치의 인터페이스를 도시한 도면이다.
도 12는 본 발명의 실시예에 따른 삼차원 어라운드 뷰 제공 방법 중 깊이 추정부의 동작을 설명하기 위한 도면이다.
도 13 및 도 14는 본 발명의 실시예에 따른 삼차원 어라운드 뷰 제공 장치 중 이미지 처리부의 동작을 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수개의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에서 기술되는 차량은, 자동차, 오토바이를 포함하는 개념일 수 있다. 이하에서는, 차량에 대해 자동차를 위주로 기술한다.
본 명세서에서 기술되는 차량은, 동력원으로서 엔진을 구비하는 내연기관 차량, 동력원으로서 엔진과 전기 모터를 구비하는 하이브리드 차량, 동력원으로서 전기 모터를 구비하는 전기 차량 등을 모두 포함하는 개념일 수 있다.
도 1은 본 발명의 실시예에 따른 삼차원 어라운드 뷰 제공 장치가 적용되는 차량을 도시한 도면이다.
도 1을 참조하면, 삼차원 어라운드 뷰 제공 장치가 적용되는 차량(1000)에는, 4대의 카메라 모듈(1410a, 1410b, 1410c 및 1410d), 즉, 전방 카메라 모듈(1410a) 양 사이드 미러 카메라 모듈(1410b, 1410c) 및 후방 카메라 모듈(1410d)이 설치되어 있다.
실시예에 따라 삼차원 어라운드 뷰 제공 장치가 적용되는 차량은, 도 1에 도시되고 이하 설명되는 4대의 카메라 모듈(1410a, 1410b, 1410c 및 1410d) 외에 다른 구성요소를 포함하거나, 도 1에 도시되고 이하 설명되는 4대의 카메라 모듈(1410a, 1410b, 1410c 및 1410d) 중 일부를 포함하지 않을 수 있다
본 발명의 실시예에 따른 삼차원 어라운드 뷰 제공 장치는, 동력원에 의해 회전하는 바퀴 및 진행 방향을 조절하기 위한 조향 입력 장치를 구비한 차량(1000)에 탑재될 수 있다. 여기서, 차량(1000)은 자율 주행 차량일 수 있다.
본 발명의 실시예에 따른 삼차원 어라운드 뷰 제공 장치는, 차량(1000)을 보유한 사용자가 소지하고 4대의 카메라 모듈(1410a, 1410b, 1410c 및 1410d)과 통신하는 사용자 단말기에 탑재될 수 있다. 여기서, 사용자 단말기는 노트북, 휴대폰, PDA(Personal Digital Assistant), 스마트 폰, 멀티미디어 기기 등과 같이 휴대 가능한 기기일 수 있고, 또는 PC(Personal Computer), 차량 탑재 장치와 같이 휴대 불가능한 기기일 수도 있다.
도 2 및 도 3은 본 발명의 실시예에 따른 삼차원 어라운드 뷰 제공 장치를 도시한 블록도이다.
도 2를 참조하면, 삼차원 어라운드 뷰 제공 장치는 통신부(1100), 제어부(1200), 사용자 인터페이스부(1300), 오브젝트 검출부(1400), 운전 조작부(1500), 차량 구동부(1600), 운행부(1700), 센싱부(1800) 및 저장부(1900)를 포함할 수 있다.
실시예에 따라 삼차원 어라운드 뷰 제공 장치가 적용되는 시스템은, 도 2 및 도 3에 도시되고 이하 설명되는 구성 요소 외에 다른 구성요소를 포함하거나, 도 2 및 도 3에 도시되고 이하 설명되는 구성요소 중 일부를 포함하지 않을 수 있다.
차량(1000)은 주행 상황에 따라 자율 주행 모드에서 매뉴얼 모드로 전환되거나 매뉴얼 모드에서 자율 주행 모드로 전환될 수 있다. 여기서, 주행 상황은 통신부(1100)에 의해 수신된 정보, 오브젝트 검출부(1400)에 의해 검출된 외부 오브젝트 정보 및 내비게이션 모듈에 의해 획득된 내비게이션 정보 중 적어도 어느 하나에 의해 판단될 수 있다.
차량(1000)은 사용자 인터페이스부(1300)를 통하여 수신되는 사용자 입력에 따라 자율 주행 모드에서 매뉴얼 모드로 전환되거나 매뉴얼 모드에서 자율 주행 모드로 전환될 수 있다.
차량(1000)이 자율 주행 모드로 운행되는 경우, 차량(1000)은 주행, 출차, 주차 동작을 제어하는 운행부(1700)의 제어에 따라 운행될 수 있다. 한편, 차량(1000)이 매뉴얼 모드로 운행되는 경우, 차량(1000)은 운전자의 기계적 운전 조작을 통한 입력에 의해 운행될 수 있다.
통신부(1100)는, 외부 장치와 통신을 수행하기 위한 모듈이다. 여기서, 외부 장치는, 사용자 단말기, 타 차량 또는 서버일 수 있다.
통신부(1100)는, 서버로부터 5G 네트워크의 하향 링크 그랜트에 기초하여 심층 신경망 데이터를 수신할 수 있다.
통신부(1100)는, 통신을 수행하기 위해 송신 안테나, 수신 안테나, 각종 통신 프로토콜이 구현 가능한 RF(Radio Frequency) 회로 및 RF 소자 중 적어도 어느 하나를 포함할 수 있다.
통신부(1100)는, 근거리 통신(Short range communication), GPS 신호 수신, V2X 통신, 광통신, 방송 송수신 및 ITS(Intelligent Transport Systems) 통신 기능을 수행할 수 있다.
실시예에 따라, 통신부(1100)는, 설명되는 기능 외에 다른 기능을 더 지원하거나, 설명되는 기능 중 일부를 지원하지 않을 수 있다.
통신부(1100)는, 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
통신부(1100)는, 근거리 무선 통신망(Wireless Area Networks)을 형성하여, 차량(1000)과 적어도 하나의 외부 장치 사이의 근거리 통신을 수행할 수 있다.
통신부(1100)는, 차량(1000)의 위치 정보를 획득하기 위한 GPS(Global Positioning System) 모듈 또는 DGPS(Differential Global Positioning System) 모듈을 포함할 수 있다.
통신부(1100)는, 차량(1000)과 서버(V2I : Vehicle to Infra), 타 차량(V2V : Vehicle to Vehicle) 또는 보행자(V2P : Vehicle to Pedestrian)와의 무선 통신을 지원하는 모듈, 즉, V2X 통신 모듈을 포함할 수 있다. V2X 통신 모듈은, 인프라와의 통신(V2I), 차량간 통신(V2V), 보행자와의 통신(V2P) 프로토콜이 구현 가능한 RF 회로를 포함할 수 있다.
통신부(1100)는, V2X 통신 모듈을 통하여, 타 차량이 송신하는 위험 정보 방송 신호를 수신할 수 있고, 위험 정보 질의 신호를 송신하고 그에 대한 응답으로 위험 정보 응답 신호를 수신할 수 있다.
통신부(1100)는, 광을 매개로 외부 디바이스와 통신을 수행하기 위한 광통신 모듈을 포함할 수 있다. 광통신 모듈은, 전기 신호를 광 신호로 전환하여 외부에 발신하는 광발신 모듈 및 수신된 광 신호를 전기 신호로 전환하는 광수신 모듈을 포함할 수 있다.
실시예에 따라, 광발신 모듈은, 차량(1000)에 포함된 램프와 일체화되게 형성될 수 있다.
통신부(1100)는, 방송 채널을 통해, 외부의 방송 관리 서버로부터 방송 신호를 수신하거나, 방송 관리 서버에 방송 신호를 송출하기 위한 방송 통신 모듈을 포함할 수 있다. 방송 채널은, 위성 채널, 지상파 채널을 포함할 수 있다. 방송 신호는, TV 방송 신호, 라디오 방송 신호, 데이터 방송 신호를 포함할 수 있다.
통신부(1100)는, 교통 시스템과 정보, 데이터 또는 신호를 교환하는 ITS 통신 모듈을 포함할 수 있다. ITS 통신 모듈은, 교통 시스템에 획득한 정보, 데이터를 제공할 수 있다. ITS 통신 모듈은, 교통 시스템으로부터, 정보, 데이터 또는 신호를 제공받을 수 있다. 예를 들면, ITS 통신 모듈은, 교통 시스템으로부터 도로 교통 정보를 수신하여, 제어부(1200)에 제공할 수 있다. 예를 들면, ITS 통신 모듈은, 교통 시스템으로부터 제어 신호를 수신하여 제어부(1200) 또는 차량(1000) 내부에 구비된 프로세서에 제공할 수 있다.
실시예에 따라, 통신부(1100)의 각 모듈은 통신부(1100) 내에 구비된 별도의 프로세서에 의해 전반적인 동작이 제어될 수 있다. 통신부(1100)는, 복수개의 프로세서를 포함하거나, 프로세서를 포함하지 않을 수도 있다. 통신부(1100)에 프로세서가 포함되지 않는 경우, 통신부(1100)는, 차량(1000) 내 다른 장치의 프로세서 또는 제어부(1200)의 제어에 따라, 동작될 수 있다.
통신부(1100)는, 사용자 인터페이스부(1300)와 함께 차량용 디스플레이 장치를 구현할 수 있다. 이 경우, 차량용 디스플레이 장치는, 텔레매틱스(telematics) 장치 또는 AVN(Audio Video Navigation) 장치로 명명될 수 있다.
도 4는 5G 통신 시스템에서 자율 주행 차량과 5G 네트워크의 기본동작의 일 예를 나타낸 도면이다.
통신부(1100)는, 차량(1000)이 자율 주행 모드로 운행되는 경우, 특정 정보를 5G 네트워크로 전송할 수 있다(S1).
이 때, 특정 정보는 자율 주행 관련 정보를 포함할 수 있다.
자율 주행 관련 정보는, 차량의 주행 제어와 직접적으로 관련된 정보일 수 있다. 예를 들어, 자율 주행 관련 정보는 차량 주변의 오브젝트를 지시하는 오브젝트 데이터, 맵 데이터(map data), 차량 상태 데이터, 차량 위치 데이터 및 드라이빙 플랜 데이터(driving plan data) 중 하나 이상을 포함할 수 있다.
자율 주행 관련 정보는 자율 주행에 필요한 서비스 정보 등을 더 포함할 수 있다. 예를 들어, 특정 정보는, 사용자 인터페이스부(1300)를 통해 입력된 목적지와 차량의 안정 등급에 관한 정보를 포함할 수 있다.
또한, 5G 네트워크는 차량의 원격 제어 여부를 결정할 수 있다(S2).
여기서, 5G 네트워크는 자율 주행 관련 원격 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.
또한, 5G 네트워크는 원격 제어와 관련된 정보(또는 신호)를 자율 주행 차량으로 전송할 수 있다(S3).
전술한 바와 같이, 원격 제어와 관련된 정보는 자율 주행 차량에 직접적으로 적용되는 신호일 수도 있고, 나아가 자율 주행에 필요한 서비스 정보를 더 포함할 수 있다. 본 발명의 일 실시예에서 자율 주행 차량은, 5G 네트워크에 연결된 서버를 통해 주행 경로 상에서 선택된 구간별 보험과 위험 구간 정보 등의 서비스 정보를 수신함으로써, 자율 주행과 관련된 서비스를 제공할 수 있다.
이하, 도 5 내지 도 9를 참조하여 자율 주행 가능 차량(1000)과 5G 네트워크 간의 5G 통신을 위한 필수 과정(예를 들어, 차량(1000)과 5G 네트워크 간의 초기 접속 절차 등)을 개략적으로 설명하면 다음과 같다.
먼저, 5G 통신 시스템에서 수행되는 자율 주행 가능 차량(1000)과 5G 네트워크를 통한 응용 동작의 일 예는 다음과 같다.
차량(1000)은 5G 네트워크와 초기 접속(Initial access) 절차를 수행한다(초기 접속 단계, S20). 이때, 초기 접속 절차는 하향 링크(Downlink, DL) 동기 획득을 위한 셀 서치(Cell search) 과정 및 시스템 정보(System information)를 획득하는 과정 등을 포함한다.
또한, 차량(1000)은 5G 네트워크와 임의 접속(Random access) 절차를 수행한다(임의 접속 단계, S21). 이때, 임의 접속 절차는 상향 링크(Uplink, UL) 동기 획득 과정 또는 UL 데이터 전송을 위한 프리엠블 전송 과정, 임의 접속 응답 수신 과정 등을 포함한다.
한편, 5G 네트워크는 자율 주행 가능 차량(1000)으로 특정 정보의 전송을 스케쥴링하기 위한 UL 그랜트(Uplink grant)를 전송한다(UL 그랜트 수신 단계, S22).
차량(1000)이 UL 그랜트를 수신하는 절차는 5G 네트워크로 UL 데이터의 전송을 위해 시간/주파수 자원을 배정받는 스케줄링 과정을 포함한다.
또한, 자율 주행 가능 차량(1000)은 UL 그랜트에 기초하여 5G 네트워크로 특정 정보를 전송할 수 있다(특정 정보 전송 단계, S23).
한편, 5G 네트워크는 차량(1000)으로부터 전송된 특정 정보에 기초하여 차량(1000)의 원격 제어 여부를 결정할 수 있다(차량의 원격 제어 여부 결정 단계, S24).
또한, 자율 주행 가능 차량(1000)은 5G 네트워크로부터 기 전송된 특정 정보에 대한 응답을 수신하기 위해 물리 하향링크 제어 채널을 통해 DL 그랜트를 수신할 수 있다(DL 그랜트 수신 단계, S25).
이후에, 5G 네트워크는 DL 그랜트에 기초하여 자율 주행 가능 차량(1000)으로 원격 제어와 관련된 정보(또는 신호)를 전송할 수 있다(원격 제어와 관련된 정보 전송 단계, S26).
한편, 앞서 자율 주행 가능 차량(1000)과 5G 네트워크의 초기 접속 과정 및/또는 임의 접속 과정 및 하향링크 그랜트 수신 과정이 결합된 절차를 예시적으로 설명하였지만, 본 발명은 이에 한정되지 않는다.
예를 들어, 초기 접속 단계, UL 그랜트 수신 단계, 특정 정보 전송 단계, 차량의 원격 제어 여부 결정 단계 및 원격 제어와 관련된 정보 전송 단계를 통해 초기 접속 과정 및/또는 임의접속 과정을 수행할 수 있다. 또한, 예를 들어 임의 접속 단계, UL 그랜트 수신 단계, 특정 정보 전송 단계, 차량의 원격 제어 여부 결정 단계, 원격 제어와 관련된 정보 전송 단계를 통해 초기접속 과정 및/또는 임의 접속 과정을 수행할 수 있다. 또한, 특정 정보 전송 단계, 차량의 원격 제어 여부 결정 단계, DL 그랜트 수신 단계, 원격 제어와 관련된 정보 전송 단계를 통해, AI 동작과 DL 그랜트 수신 과정을 결합한 방식으로 자율 주행 가능 차량(1000)의 제어가 이루어질 수 있다.
또한, 앞서 기술한 자율 주행 가능 차량(1000)의 동작은 예시적인 것이 불과하므로, 본 발명은 이에 한정되지 않는다.
예를 들어, 자율 주행 가능 차량(1000)의 동작은, 초기 접속 단계, 임의 접속 단계, UL 그랜트 수신 단계 또는 DL 그랜트 수신 단계가, 특정 정보 전송 단계 또는 원격 제어와 관련된 정보 전송 단계와 선택적으로 결합되어 동작할 수 있다. 아울러, 자율 주행 가능 차량(1000)의 동작은, 임의 접속 단계, UL 그랜트 수신 단계, 특정 정보 전송 단계 및 원격 제어와 관련된 정보 전송 단계로 구성될 수도 있다. 한편, 자율 주행 가능 차량(1000)의 동작은, 초기 접속 단계, 임의 접속 단계, 특정 정보 전송 단계 및 원격 제어와 관련된 정보 전송 단계로 구성될 수 있다. 또한, 자율 주행 가능 차량(1000)의 동작은, UL 그랜트 수신 단계, 특정 정보 전송 단계, DL 그랜트 수신 단계 및 원격 제어와 관련된 정보 전송 단계로 구성될 수 있다.
도 6에 도시된 바와 같이, 자율 주행 모듈을 포함하는 차량(1000)은 DL 동기 및 시스템 정보를 획득하기 위해 SSB(Synchronization Signal Block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다(초기 접속 단계, S30).
또한, 자율 주행 가능 차량(1000)은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행할 수 있다(임의 접속 단계, S31).
한편, 자율 주행 가능 차량(1000)은 특정 정보를 전송하기 위해 5G 네트워크로부터 UL 그랜트를 수신할 수 있다(UL 그랜트 수신 단계, S32).
또한, 자율 주행 가능 차량(1000)은 UL 그랜트에 기초하여 특정 정보를 5G 네트워크로 전송한다(특정 정보 전송 단계, S33).
또한, 자율 주행 가능 차량(1000)은 특정 정보에 대한 응답을 수신하기 위한 DL 그랜트를 5G 네트워크로부터 수신한다(DL 그랜트 수신 단계, S34).
또한, 자율 주행 가능 차량(1000)은 원격 제어와 관련된 정보(또는 신호)를 DL 그랜트에 기초하여 5G 네트워크로부터 수신한다(원격 제어 관련 정보 수신 단계, S35).
초기 접속 단계에 빔 관리(Beam Management, BM) 과정이 추가될 수 있으며, 임의 접속 단계에 PRACH(Physical Random Access CHannel) 전송과 관련된 빔 실패 복구(Beam failure recovery) 과정이 추가될 수 있으며, UL 그랜트 수신 단계에 UL 그랜트를 포함하는 PDCCH(Physical Downlink Control CHannel)의 빔 수신 방향과 관련하여 QCL(Quasi Co-Located) 관계가 추가될 수 있으며, 특정 정보 전송 단계에 특정 정보를 포함하는 PUCCH/PUSCH(Physical Uplink Shared CHannel)의 빔 전송 방향과 관련하여 QCL 관계가 추가될 수 있다. 또한, DL 그랜트 수신 단계에 DL 그랜트를 포함하는 PDCCH의 빔 수신 방향과 관련하여 QCL 관계가 추가될 수 있다.
도 7에 도시된 바와 같이, 자율 주행 가능 차량(1000)은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다(초기 접속 단계, S40).
또한, 자율 주행 가능 차량(1000)은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다(임의 접속 단계, S41).
또한, 자율 주행 가능 차량(1000)은 설정된 그랜트(Configured grant)에 기초하여 특정 정보를 5G 네트워크로 전송한다(UL 그랜트 수신 단계, S42). 즉, 상기 5G 네트워크로부터 UL 그랜트를 수신하는 과정 대신, 설정된 그랜트를 수신할 수 있다.
또한, 자율 주행 가능 차량(1000)은 원격 제어와 관련된 정보(또는 신호)를 설정 그랜트에 기초하여 5G 네트워크로부터 수신한다(원격 제어 관련 정보 수신 단계,S43).
도 8에 도시된 바와 같이, 자율 주행 가능 차량(1000)은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다(초기 접속 단계, S50).
또한, 자율 주행 가능 차량(1000)은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다(임의 접속 단계, S51).
또한, 자율 주행 가능 차량(1000)은 5G 네트워크로부터 DL 선점(Downlink Preemption) IE(Information Element)를 수신한다(DL 선점 IE 수신, S52).
또한, 자율 주행 가능 차량(1000)은 DL 선점 IE에 기초하여 선점 지시를 포함하는 DCI(Downlink Control Information) 포맷 2_1을 5G 네트워크로부터 수신한다(DCI 포맷 2_1 수신 단계, S53).
또한, 자율 주행 가능 차량(1000)은 선점 지시(Pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB 데이터의 수신을 수행(또는 기대 또는 가정)하지 않는다(eMBB 데이터의 수신 미수행 단계, S54).
또한, 자율 주행 가능 차량(1000)은 특정 정보를 전송하기 위해 5G 네트워크로 UL 그랜트를 수신한다(UL 그랜트 수신 단계, S55).
또한, 자율 주행 가능 차량(1000)은 UL 그랜트에 기초하여 특정 정보를 5G 네트워크로 전송한다(특정 정보 전송 단계, S56).
또한, 자율 주행 가능 차량(1000)은 특정 정보에 대한 응답을 수신하기 위한 DL 그랜트를 5G 네트워크로부터 수신한다(DL 그랜트 수신 단계, S57).
또한, 자율 주행 가능 차량(1000)은 원격제어와 관련된 정보(또는 신호)를 DL 그랜트에 기초하여 5G 네트워크로부터 수신한다(원격 제어 관련 정보 수신 단계, S58).
도 9에 도시된 바에 의하면, 자율 주행 가능 차량(1000)은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다(초기 접속 단계, S60).
또한, 자율 주행 가능 차량(1000)은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다(임의 접속 단계, S61).
또한, 자율 주행 가능 차량(1000)은 특정 정보를 전송하기 위해 5G 네트워크로 UL 그랜트를 수신한다(UL 그랜트 수신 단계, S62).
UL 그랜트는 특정 정보의 전송이 반복적으로 이루어지는 경우, 그 반복 횟수에 대한 정보를 포함하고, 특정 정보는 반복 횟수에 대한 정보에 기초하여 반복하여 전송된다(특정 정보 반복 전송 단계, S63).
또한, 자율 주행 가능 차량(1000)은 UL 그랜트에 기초하여 특정 정보를 5G 네트워크로 전송한다.
또한, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다.
특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(Narrowband)을 통해 전송될 수 있다.
또한, 자율 주행 가능 차량(1000)은 특정 정보에 대한 응답을 수신하기 위한 DL 그랜트를 5G 네트워크로부터 수신한다(DL 그랜트 수신 단계, S64).
또한, 자율 주행 가능 차량(1000)은 원격제어와 관련된 정보(또는 신호)를 DL 그랜트에 기초하여 5G 네트워크로부터 수신한다(원격 제어 관련 정보 수신 단계, S65).
앞서 기술한 5G 통신 기술은 도 1 내지 도 14에서 후술할 본 명세서에서 제안하는 실시예와 결합되어 적용될 수 있으며, 또는 본 명세서에서 제안하는 실시예의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
차량(1000)은 통신망을 통해 외부 서버에 연결되고, 자율 주행 기술을 이용하여 운전자 개입 없이 미리 설정된 경로를 따라 이동 가능하다.
이하의 실시예에서, 사용자는 운전자, 탑승자 또는 사용자 단말기의 소유자로 해석될 수 있다.
차량(1000)이 자율 주행 모드로 주행 중인 경우에, 주변 위험 요소들을 실시간 센싱하는 능력에 따라 사고 발생 유형 및 빈도가 크게 달라질 수 있다. 목적지까지의 경로는 날씨, 지형 특성, 교통 혼잡도 등 다양한 원인에 의해 위험 수준이 서로 다른 구간들을 포함할 수 있다.
본 발명의 자율 주행 차량, 사용자 단말기 및 서버 중 하나 이상이 인공 지능(Artificial Inteligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR), 5G 서비스와 관련된 장치 등과 연계 혹은 융복합될 수 있다.
예를 들어, 차량(1000)은 자율 주행 중에 차량(1000)에 포함된 적어도 하나의 인공지능 모듈, 로봇과 연계되어 동작할 수 있다.
예를 들어, 차량(1000)은, 적어도 하나의 로봇(robot)과 상호 작용할 수 있다. 로봇은, 자력으로 주행이 가능한 이동 로봇(Autonomous Mobile Robot, AMR)일 수 있다. 이동 로봇은, 스스로 이동이 가능하여 이동이 자유롭고, 주행 중 장애물 등을 피하기 위한 다수의 센서가 구비되어 장애물을 피해 주행할 수 있다. 이동 로봇은, 비행 장치를 구비하는 비행형 로봇(예를 들면, 드론)일 수 있다. 이동 로봇은, 적어도 하나의 바퀴를 구비하고, 바퀴의 회전을 통해 이동되는 바퀴형 로봇일 수 있다. 이동 로봇은, 적어도 하나의 다리를 구비하고, 다리를 이용해 이동되는 다리식 로봇일 수 있다.
로봇은 차량 사용자의 편의를 보완하는 장치로 기능할 수 있다. 예를 들면, 로봇은, 차량(1000)에 적재된 짐을 사용자의 최종 목적지까지 이동하는 기능을 수행할 수 있다. 예를 들면, 로봇은, 차량(1000)에서 하차한 사용자에게 최종 목적지까지 길을 안내하는 기능을 수행할 수 있다. 예를 들면, 로봇은, 차량(1000)에서 하차한 사용자를 최종 목적지까지 수송하는 기능을 수행할 수 있다.
차량(1000)에 포함되는 적어도 하나의 전자 장치는, 통신 장치를 통해, 로봇과 통신을 수행할 수 있다.
차량(1000)에 포함되는 적어도 하나의 전자 장치는, 로봇에 차량에 포함되는 적어도 하나의 전자 장치에서 처리한 데이터를 제공할 수 있다. 예를 들면, 차량(1000)에 포함되는 적어도 하나의 전자 장치는, 차량 주변의 오브젝트를 지시하는 오브젝트 데이터, HD 맵 데이터(map data), 차량 상태 데이터, 차량 위치 데이터 및 드라이빙 플랜 데이터(driving plan data) 중 적어도 어느 하나를 로봇에 제공할 수 있다.
차량(1000)에 포함되는 적어도 하나의 전자 장치는, 로봇으로부터, 로봇에서 처리된 데이터를 수신할 수 있다. 차량(1000)에 포함되는 적어도 하나의 전자 장치는, 로봇에서 생성된 센싱 데이터, 오브젝트 데이터, 로봇 상태 데이터, 로봇 위치 데이터 및 로봇의 이동 플랜 데이터 중 적어도 어느 하나를 수신할 수 있다.
차량(1000)에 포함되는 적어도 하나의 전자 장치는, 로봇으로부터 수신된 데이터에 더 기초하여, 제어 신호를 생성할 수 있다. 예를 들면, 차량에 포함되는 적어도 하나의 전자 장치는, 오브젝트 검출 장치에 생성된 오브젝트에 대한 정보와 로봇에 의해 생성된 오브젝트에 대한 정보를 비교하고, 비교 결과에 기초하여, 제어 신호를 생성할 수 있다. 차량(1000)에 포함되는 적어도 하나의 전자 장치는, 차량의 이동 경로와 로봇의 이동 경로간의 간섭이 발생되지 않도록, 제어 신호를 생성할 수 있다.
차량(1000)에 포함되는 적어도 하나의 전자 장치는, 인공 지능(artificial intelligence, AI)을 구현하는 소프트웨어 모듈 또는 하드웨어 모듈(이하, 인공 지능 모듈)을 포함할 수 있다. 차량에 포함되는 적어도 하나의 전자 장치는, 획득되는 데이터를 인공 지능 모듈에 입력(input)하고, 인공 지능 모듈에서 출력(output)되는 데이터를 이용할 수 있다.
인공 지능 모듈은, 적어도 하나의 인공 신경망(artificial neural network, ANN)을 이용하여, 입력되는 데이터에 대한 기계 학습(machine learning)을 수행할 수 있다. 인공 지능 모듈은, 입력되는 데이터에 대한 기계 학습을 통해, 드라이빙 플랜 데이터를 출력할 수 있다.
차량(1000)에 포함되는 적어도 하나의 전자 장치는, 인공 지능 모듈에서 출력되는 데이터에 기초하여, 제어 신호를 생성할 수 있다.
실시예에 따라, 차량(1000)에 포함되는 적어도 하나의 전자 장치는, 통신 장치를 통해, 외부 장치로부터, 인공 지능에 의해 처리된 데이터를 수신할 수 있다. 차량에 포함되는 적어도 하나의 전자 장치는, 인공 지능에 의해 처리된 데이터에 기초하여, 제어 신호를 생성할 수 있다.
제어부(1200)는, 깊이 추정부(1210) 및 이미지 처리부(1220)를 포함할 수 있다.
깊이 추정부(1210)는, 복수개의 촬상부, 예를 들면 4개의 카메라 모듈(1410a, 1410b, 1410c, 1410d)로부터 4개의 이미지를 수신하고, 4개의 이미지에 대응하는 4개의 깊이맵을 획득할 수 있다.
깊이 추정부(1210)는, 복수개의 이미지를 심층 신경망(Deep Neural Network) 인코더에 입력하여 복수개의 이미지에 대응하는 복수개의 깊이맵을 획득할 수 있다. 즉, 깊이 추정부(1210)는, 딥러닝 기반의 2차원-삼차원 변환 알고리즘을 이용하여 4개의 이미지로부터 4개의 깊이맵을 획득할 수 있다.
깊이 추정부(1210)는, 딥러닝을 이용한 단안 깊이 추정(Monocular Depth Estimation) 방식을 적용하여 각 이미지의 깊이맵을 획득할 수 있다. 본 발명의 일 실시예에 적용될 수 있는 단안 깊이 추정 방식은 "좌우 일관성을 가지는 자율 단안 깊이 추정", CVPR 2007("Unsupervised Monocular Depth Estimation with Left-Right Consistency", CVPR 2007) 등에 개시되어 있으나, 이에 한정되지 않는다.
인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.
용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
머신 러닝 또는 딥러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
이미지 처리부(1220)는, 복수개의 깊이맵 중 상호 인접하는 제1 깊이맵 및 제2 깊이맵이 중첩되는 경계 영역인 제1 깊이맵의 제1 경계 영역 및 제2 깊이맵의 제2 경계 영역의 깊이차를 최소화하고, 제1 경계 영역 및 제2 경계 영역 간 깊이차가 최소화된 어라운드 뷰 깊이맵을 획득하며, 어라운드 뷰 깊이맵을 이용하여 복수개의 이미지에 대한 삼차원 어라운드 뷰 이미지를 복원할 수 있다.
이미지 처리부(1220)는, 복수개의 깊이맵 중 제3 깊이맵 및 제1 깊이맵이 중첩되는 경계 영역인 제3 깊이맵의 제3 경계 영역 및 제1 깊이맵의 제4 경계 영역의 깊이차를 최소화하고, 제1 경계 영역 및 제2 경계 영역 간 깊이차와 제3 경계 영역 및 제4 경계 영역 간 깊이차가 최소화된 어라운드 뷰 깊이맵을 획득하며, 어라운드 뷰 깊이맵을 이용하여 상기 복수개의 이미지에 대한 삼차원 어라운드 뷰 이미지를 복원할 수 있다. 이때, 제1 깊이맵은, 일측은 제2 깊이맵과 중첩되고, 타측은 제3 깊이맵과 중첩될 수 있다.
이미지 처리부(1220)는, 복수개의 촬상부가 장착된 위치에 기초하여 제1 깊이맵 및 제2 깊이맵이 중첩되는 제1 경계 영역 및 제2 경계 영역을 판단할 수 있다. 즉, 이미지 처리부(1220)는, 4개의 카메라 모듈(1410a, 1410b, 1410c, 1410d)이 장착된 위치를 통해서 우측 사이드 미러 카메라 모듈(1410b)에서 획득된 이미지 및 전방 카메라 모듈(1410a)에서 획득된 이미지 간의 경계 영역, 전방 카메라 모듈(1410a)에서 획득된 이미지 및 좌측 사이드 미러 카메라 모듈(1410c)에서 획득된 이미지 간의 경계 영역, 좌측 사이드 미러 카메라 모듈(1410c)에서 획득된 이미지 및 후방 카메라 모듈(1410d)에서 획득된 이미지 간의 경계 영역, 또는 후방 카메라 모듈(1410d)에서 획득된 이미지 및 우측 사이드 미러 카메라 모듈(1410b)에서 획득된 이미지 간의 경계 영역을 판단할 수 있다.
이미지 처리부(1220)는, 제1 경계 영역에서의 깊이값에 의해 산출된 제1 경계 영역 삼차원 좌표값 및 제2 경계 영역에서의 깊이값에 의해 산출된 제2 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 함수를 이용하여 제1 경계 영역 및 제2 경계 영역 간 깊이차를 최소화할 수 있다.
이미지 처리부(1220)는, 제1 경계 영역에서의 깊이값에 의해 산출된 제1 경계 영역 삼차원 좌표값 및 제2 경계 영역에서의 깊이값에 의해 산출된 제2 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 제1 1차 함수 및 제3 경계 영역에서의 깊이값에 의해 산출된 제3 경계 영역 삼차원 좌표값 및 제4 경계 영역에서의 깊이값에 의해 산출된 제4 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 제2 1차 함수를 산출하고, 제1 1차 함수 및 제2 1차 함수의 각 계수 및 각 상수의 평균을 계수 및 상수로 하는 최종 1차 함수를 이용하여 제1 경계 영역 및 제2 경계 영역 간 깊이차 및 제3 경계 영역 및 제4 경계 영역 간 깊이차를 최소화할 수 있다.
이미지 처리부(1220)는, 깊이 추정부(1210)로부터 제공받은 이차원 깊이값을 삼차원 좌표로 변환할 수 있고, 상세한 변환 방법은 아래와 같다.
이미지 처리부(1220)는, 깊이 추정부(1210)로부터 이차원 깊이값(2D depth)을 제공받는 데 있어서, 아래와 같이 이차원 좌표값(2D.x, 2D.y)에 대응되는 깊이값(depth) 형태로 제공받을 수 있다.
Figure pat00001
이미지 처리부(1220)는, 이차원 깊이값(2D depth)을 아래와 같이 4개의 카메라 모듈(1410a, 1410b, 1410c, 1410d)의 내부 파라미터를 이용하여 삼차원 좌표(3D point)로 변환할 수 있다.
이미지 처리부(1220)는, 이차원 x 좌표값(2D.x) 및 대응되는 깊이값(depth)을 하기 수학식에 대입함으로써 삼차원 x 좌표값(3D.X)을 구할 수 있다.
Figure pat00002
이때, 이미지 처리부(1220)는, 삼차원 변환을 위하여 4개의 카메라 모듈(1410a, 1410b, 1410c, 1410d)의 내부 파라미터 중 각 카메라 모듈의 x축 상의 초점 거리(Focal length)(fx)의 역수 및 x축 상의 주점(Principal point)(cx)을 계수로 사용할 수 있다.
이미지 처리부(1220)는, 이차원 y 좌표값(2D.y) 및 대응되는 깊이값(depth)을 하기 수학식에 대입함으로써 삼차원 y 좌표값(3D.Y)을 구할 수 있다.
Figure pat00003
이때, 이미지 처리부(1220)는, 삼차원 변환을 위하여 4개의 카메라 모듈(1410a, 1410b, 1410c, 1410d)의 내부 파라미터 중 각 카메라 모듈의 y축 상의 초점 거리(fy)의 역수 및 y축 상의 주점(cy)를 계수로 사용할 수 있다.
이미지 처리부(1220)는, 하기 수학식과 같이 삼차원 z 좌표값(3D.Z)으로 깊이값(depth)을 사용할 수 있다.
Figure pat00004
이미지 처리부(1220)는, 상술한 바와 같은 방식을 적용하여, 제1 경계 영역 삼차원 좌표값을, 제1 경계 영역에서의 깊이값 및 제1 경계 영역 2차원 좌표값에 기초하여 카메라 모듈의 초점 거리 및 주점에 대응되도록 정할 수 있다.
즉, 이미지 처리부(1220)는, 카메라 모듈(1410a)을 1번 카메라, 카메라 모듈(1410b)을 2번 카메라, 카메라 모듈(1410c)을 3번 카메라, 카메라 모듈(1410d)을 4번 카메라로 각각 정하고, 각 카메라 모듈의 경계 영역의 깊이값(depth_i) 및 2차원 좌표값(2D.x_i, 2D.y_i)을 삼차원 좌표(3D.X_i, 3D.Y_i, 3D.Z_i)로 변환할 수 있다.
Figure pat00005
여기서, i는 카메라 번호(1~4)이다.
이미지 처리부(1220)는, 삼차원 좌표의 원점을 각 카메라 모듈에서 차량 중앙으로 변환(Transformation)할 수 있고, 이때, 삼차원 이동(Translation)과 삼차원 회전(Rotation)을 적용할 수 있다. 이때, 삼차원 이동과 삼차원 회전 시 사용되는 방법은 "컴퓨터 그래픽을 위한 수학", 존 빈스("Mathmatics for Computer Graphics", John Vince) 등에 개시되어 있으나 이에 한정되지 않는다.
이미지 처리부(1220)는, 삼차원 이동(x, y, z → x', y' z')을 위하여 아래와 같은 행렬식을 사용할 수 있다.
Figure pat00006
이미지 처리부(1220)는, z축을 기준으로 삼차원 회전(x, y, z → x', y' z')을 수행하기 위하여 아래와 같은 행렬식을 사용할 수 있다.
Figure pat00007
이미지 처리부(1220)는, x축을 기준으로 삼차원 회전(x, y, z → x', y' z')을 수행하기 위하여 아래와 같은 행렬식을 사용할 수 있다.
Figure pat00008
이미지 처리부(1220)는, y축을 기준으로 삼차원 회전(x, y, z → x', y' z')을 수행하기 위하여 아래와 같은 행렬식을 사용할 수 있다.
이미지 처리부(1220)는, 앞서 기술한 바와 같은 이동 변환 및 회전 변환을 이용하여 원점이 차량 중앙으로 변환된 삼차원 좌표값(
Figure pat00010
)을 산출할 수 있고, 산출된 삼차원 좌표값은 상수인 카메라 파라미터, 이동 파라미터, 회전 파라미터와 변수인 깊이값(depth_i)으로 구성될 수 있다.
깊이 추정부(1210)는, 위와 같은 방식으로, 전방 카메라 모듈(1410a)을 통하여 획득한 이미지를 이용하여 제1 깊이맵(
Figure pat00011
)을, 우측 사이드 미러 카메라 모듈(1410b)을 이용하여 제2 깊이맵(
Figure pat00012
)을 좌측 사이드 미러 카메라 모듈(1410c)을 이용하여 제3 깊이맵(
Figure pat00013
)을 획득할 수 있다.
이미지 처리부(1220)는, 제1 깊이맵(
Figure pat00014
), 제2 깊이맵(
Figure pat00015
) 및 제3 깊이맵(
Figure pat00016
)을 상술한 수학식 4에 의해 삼차원 좌표로 변환한 후 좌표의 원점을 차량 중앙으로 변환함으로써 제1 깊이맵의 삼차원 변환된 좌표값(
Figure pat00017
), 제2 깊이맵의 삼차원 변환된 좌표값(
Figure pat00018
), 제3 깊이맵의 삼차원 변환된 좌표값(
Figure pat00019
)을 생성할 수 있다.
이미지 처리부(1220)는, 제1 깊이맵에 의해 산출된 삼차원 좌표값(
Figure pat00020
)의 제1 경계 영역과 중첩되는 제2 깊이맵에 의해 산출된 삼차원 좌표값(
Figure pat00021
) 간의 유클리드 거리가 최소화되는 제1 1차 함수를 산출할 수 있다. 즉, 이미지 처리부(1220)는, 각 삼차원 좌표값을 결정하는 변수는 깊이값(depth_i)이므로 하기 수학식과 같이 설정할 수 있다.
Figure pat00022
즉, 이미지 처리부(1220)는, 위 수학식 9에 따라 제1 경계 영역의 좌표값(
Figure pat00023
)의 변수인 깊이값(depth_1) 대신 1차 함수(
Figure pat00024
)를 대입하고, 제1 경계 영역의 좌표값(
Figure pat00025
) 및 제1 경계 영역과 중첩되는 제2 경계 영역의 좌표값(
Figure pat00026
)의 유클리드 거리가 최소화 되는
Figure pat00027
와
Figure pat00028
를 구함으로써 제1 1차 함수를 산출할 수 있다.
한편, 이미지 처리부(1220)는, 제1 깊이맵에 의해 산출된 삼차원 좌표값(
Figure pat00029
)의 제3 경계 영역과 중첩되는 제3 깊이맵에 의해 산출된 삼차원 좌표값(
Figure pat00030
) 간의 유클리드 거리가 최소화되는 제2 1차 함수를 산출할 수 있다. 즉, 이미지 처리부(1220)는, 수학식 9와 유사하게 하기 수학식과 같이 설정할 수 있다.
Figure pat00031
즉, 이미지 처리부(1220)는, 위 수학식 10에 따라 제3 경계 영역의 좌표값(
Figure pat00032
)의 변수인 깊이값(depth_1) 대신 1차 함수(
Figure pat00033
)를 대입하고, 제3 경계 영역의 좌표값(
Figure pat00034
) 및 제3 경계 영역과 중첩되는 제4 경계 영역의 좌표값(
Figure pat00035
)의 유클리드 거리가 최소화 되는
Figure pat00036
와
Figure pat00037
를 구함으로써 제2 1차 함수를 산출할 수 있다.
이미지 처리부(1220)는, 위와 같이 산출된 제1 1차 함수의 계수
Figure pat00038
와 상수
Figure pat00039
및 제2 1차 함수의 계수
Figure pat00040
와 상수
Figure pat00041
를 모두 반영하여 경계 영역 보정을 위해 좌표에 적용할 보정 깊이값을 구하는 최종 1차 함수를 산출할 수 있다.
예를 들면, 이미지 처리부(1220)는, 제1 1차 함수의 계수
Figure pat00042
와 상수
Figure pat00043
및 제2 1차 함수의 계수
Figure pat00044
와 상수
Figure pat00045
를 각 50%씩 적용하여 하기와 같은 최종 1차 함수를 산출할 수 있다.
Figure pat00046
이미지 처리부(1220)는, 위 최종 1차 함수의 우변을 좌표값(
Figure pat00047
)의 변수(depth_1)에 대입함으로써 경계 영역이 자연스럽게 보정된 어라운드 뷰 이미지를 획득할 수 있다.
제어부(1200)는, ASICs (Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서(Processors), 제어기(Controllers), 마이크로 컨트롤러(Micro-controllers), 마이크로 프로세서(Microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
사용자 인터페이스부(1300)는, 차량(1000)과 차량 이용자와의 소통을 위한 것으로, 이용자의 입력 신호를 수신하고, 수신된 입력 신호를 제어부(1200)로 전달하며, 제어부(1200)의 제어에 의해 이용자에게 차량(1000)이 보유하는 정보를 제공할 수 있다. 사용자 인터페이스부(1300)는, 입력 모듈, 내부 카메라, 생체 감지 모듈 및 출력 모듈을 포함할 수 있으나 이에 한정되지 않는다.
입력 모듈은, 사용자로부터 정보를 입력 받기 위한 것으로, 입력 모듈에서 수집한 데이터는, 제어부(1200)에 의해 분석되어, 사용자의 제어 명령으로 처리될 수 있다.
입력 모듈은, 사용자로부터 차량(1000)의 목적지를 입력받아 제어부(1200)로 제공할 수 있다.
입력 모듈은, 사용자의 입력에 따라 오브젝트 검출부(1400)의 복수개의 센서 모듈 중 적어도 하나의 센서 모듈을 지정하여 비활성화하는 신호를 제어부(1200)로 입력할 수 있다.
입력 모듈은, 차량 내부에 배치될 수 있다. 예를 들면, 입력 모듈은, 스티어링 휠(Steering wheel)의 일 영역, 인스투루먼트 패널(Instrument panel)의 일 영역, 시트(Seat)의 일 영역, 각 필러(Pillar)의 일 영역, 도어(Door)의 일 영역, 센타 콘솔(Center console)의 일 영역, 헤드 라이닝(Head lining)의 일 영역, 썬바이저(Sun visor)의 일 영역, 윈드 쉴드(Windshield)의 일 영역 또는 윈도우(Window)의 일 영역 등에 배치될 수 있다.
출력 모듈은, 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것이다. 출력 모듈은, 음향 또는 이미지를 출력할 수 있다.
출력 모듈은, 디스플레이 모듈, 음향 출력 모듈 및 햅틱 출력 모듈 중 적어도 어느 하나를 포함할 수 있다.
디스플레이 모듈은, 이미지 처리부(1200)로부터 삼차원 어라운드 뷰 이미지를 제공받아 사용자가 인식할 수 있는 화면의 형태로 출력할 수 있다.
디스플레이 모듈은, 다양한 정보에 대응되는 그래픽 객체를 표시할 수 있다.
디스플레이 모듈은 액정 디스플레이(Liquid Crystal Display, LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor Liquid Crystal Display, TFT LCD), 유기 발광 다이오드(Organic Light-Emitting Diode, OLED), 플렉서블 디스플레이(Flexible display), 삼차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.
디스플레이 모듈은 터치 입력 모듈과 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다.
디스플레이 모듈은 HUD(Head Up Display)로 구현될 수 있다. 디스플레이 모듈이 HUD로 구현되는 경우, 디스플레이 모듈은 투사 모듈을 구비하여 윈드 쉴드 또는 윈도우에 투사되는 이미지를 통해 정보를 출력할 수 있다.
디스플레이 모듈은, 투명 디스플레이를 포함할 수 있다. 투명 디스플레이는 윈드 쉴드 또는 윈도우에 부착될 수 있다.
투명 디스플레이는 소정의 투명도를 가지면서, 소정의 화면을 표시할 수 있다. 투명 디스플레이는, 투명도를 가지기 위해, 투명 디스플레이는 투명 TFEL(Thin Film Elecroluminescent), 투명 OLED(Organic Light-Emitting Diode), 투명 LCD(Liquid Crystal Display), 투과형 투명디스플레이, 투명 LED(Light Emitting Diode) 디스플레이 중 적어도 하나를 포함할 수 있다. 투명 디스플레이의 투명도는 조절될 수 있다.
사용자 인터페이스부(1300)는, 복수개의 디스플레이 모듈을 포함할 수 있다.
디스플레이 모듈은, 스티어링 휠의 일 영역, 인스투루먼트 패널의 일 영역, 시트의 일 영역, 각 필러의 일 영역, 도어의 일 영역, 센타 콘솔의 일 영역, 헤드 라이닝의 일 영역, 썬 바이저의 일 영역에 배치되거나, 윈드 쉴드의 일영역, 윈도우의 일영역에 구현될 수 있다.
음향 출력 모듈은, 제어부(1200)로부터 제공되는 전기 신호를 오디오 신호로 변환하여 출력할 수 있다. 이를 위해, 음향 출력 모듈은, 하나 이상의 스피커를 포함할 수 있다.
햅틱 출력 모듈은, 촉각적인 출력을 발생시킨다. 예를 들면, 햅틱 출력 모듈은, 스티어링 휠, 안전 벨트, 시트를 진동시켜, 사용자가 출력을 인지할 수 있게 동작할 수 있다.
오브젝트 검출부(1400)는, 차량(1000) 외부에 위치하는 오브젝트를 검출하기 위한 것으로, 센싱 데이터에 기초하여 오브젝트 정보를 생성하고, 생성된 오브젝트 정보를 제어부(1200)로 전달할 수 있다. 이때, 오브젝트는 차량(1000)의 운행과 관련된 다양한 물체, 예를 들면, 차선, 타 차량, 보행자, 이륜차, 교통 신호, 빛, 도로, 구조물, 과속 방지턱, 지형물, 동물 등을 포함할 수 있다.
오브젝트 검출부(1400)는, 복수개의 센서 모듈로서, 복수개의 촬상부로서의 카메라 모듈(1410a, 1410b, 1410c, 1410d), 라이다(LIDAR: Light Imaging Detection and Ranging), 초음파 센서, 레이다(RADAR: Radio Detection and Ranging)(1450) 및 적외선 센서를 포함할 수 있다.
오브젝트 검출부(1400)는, 복수개의 센서 모듈을 통하여 차량(1000) 주변의 환경 정보를 센싱할 수 있다.
실시예에 따라, 오브젝트 검출부(1400)는, 설명되는 구성 요소 외에 다른 구성 요소를 더 포함하거나, 설명되는 구성 요소 중 일부를 포함하지 않을 수 있다.
레이다는, 전자파 송신 모듈, 수신 모듈을 포함할 수 있다. 레이다는 전파 발사 원리상 펄스 레이다(Pulse Radar) 방식 또는 연속파 레이다(Continuous Wave Radar) 방식으로 구현될 수 있다. 레이다는 연속파 레이다 방식 중에서 신호 파형에 따라 FMCW(Frequency Modulated Continuous Wave)방식 또는 FSK(Frequency Shift Keyong) 방식으로 구현될 수 있다.
레이다는 전자파를 매개로, TOF(Time of Flight) 방식 또는 페이즈 쉬프트(phase-shift) 방식에 기초하여, 오브젝트를 검출하고, 검출된 오브젝트의 위치, 검출된 오브젝트와의 거리 및 상대 속도를 검출할 수 있다.
레이다는, 차량의 전방, 후방 또는 측방에 위치하는 오브젝트를 감지하기 위해 차량의 외부의 적절한 위치에 배치될 수 있다.
라이다는, 레이저 송신 모듈, 수신 모듈을 포함할 수 있다. 라이다는, TOF(Time of Flight) 방식 또는 페이즈 쉬프트(phase-shift) 방식으로 구현될 수 있다.
라이다는, 구동식 또는 비구동식으로 구현될 수 있다.
구동식으로 구현되는 경우, 라이다는, 모터에 의해 회전되며, 차량(1000) 주변의 오브젝트를 검출할 수 있고, 비구동식으로 구현되는 경우, 라이다는, 광 스티어링에 의해, 차량(1000)을 기준으로 소정 범위 내에 위치하는 오브젝트를 검출할 수 있다. 차량(1000)은 복수개의 비구동식 라이다를 포함할 수 있다.
라이다는, 레이저 광 매개로, TOF(Time of Flight) 방식 또는 페이즈 쉬프트(phase-shift) 방식에 기초하여, 오브젝트를 검출하고, 검출된 오브젝트의 위치, 검출된 오브젝트와의 거리 및 상대 속도를 검출할 수 있다.
라이다는, 차량의 전방, 후방 또는 측방에 위치하는 오브젝트를 감지하기 위해 차량의 외부의 적절한 위치에 배치될 수 있다.
촬상부는, 차량 외부 이미지를 획득하기 위해, 차량의 외부의 적절한 곳, 예를 들면, 차량의 전방, 후방, 우측 사이드 미러, 좌측 사이드 미러에 위치할 수 있다. 촬상부는, 모노 카메라일 수 있으나, 이에 한정되지 않으며, 스테레오 카메라, AVM(Around View Monitoring) 카메라 또는 360도 카메라일 수 있다.
촬상부는, 차량 전방의 이미지를 획득하기 위해, 차량의 실내에서, 프런트 윈드 쉴드에 근접하게 배치될 수 있다. 또는, 촬상부는, 프런트 범퍼 또는 라디에이터 그릴 주변에 배치될 수 있다.
촬상부는, 차량 후방의 이미지를 획득하기 위해, 차량의 실내에서, 리어 글라스에 근접하게 배치될 수 있다. 또는, 촬상부는, 리어 범퍼, 트렁크 또는 테일 게이트 주변에 배치될 수 있다.
촬상부는, 차량 측방의 이미지를 획득하기 위해, 차량의 실내에서 사이드 윈도우 중 적어도 어느 하나에 근접하게 배치될 수 있다. 또한, 촬상부는 휀더 또는 도어 주변에 배치될 수 있다.
촬상부는, 획득된 이미지를 제어부(1200)의 깊이 추정부(1210)에 제공할 수 있다.
초음파 센서는, 초음파 송신 모듈, 수신 모듈을 포함할 수 있다. 초음파 센서는, 초음파를 기초로 오브젝트를 검출하고, 검출된 오브젝트의 위치, 검출된 오브젝트와의 거리 및 상대 속도를 검출할 수 있다.
초음파 센서는, 차량의 전방, 후방 또는 측방에 위치하는 오브젝트를 감지하기 위해 차량의 외부의 적절한 위치에 배치될 수 있다.
적외선 센서는, 적외선 송신 모듈, 수신 모듈을 포함할 수 있다. 적외선 센서는, 적외선 광을 기초로 오브젝트를 검출하고, 검출된 오브젝트의 위치, 검출된 오브젝트와의 거리 및 상대 속도를 검출할 수 있다.
적외선 센서는, 차량의 전방, 후방 또는 측방에 위치하는 오브젝트를 감지하기 위해 차량의 외부의 적절한 위치에 배치될 수 있다.
제어부(1200)는, 오브젝트 검출부(1400)의 각 모듈의 전반적인 동작을 제어할 수 있다.
제어부(1200)는, 레이다, 라이다, 초음파 센서 및 적외선 센서에 의해 센싱된 데이터와 기 저장된 데이터를 비교하여, 오브젝트를 검출하거나 분류할 수 있다.
제어부(1200)는, 획득된 이미지에 기초하여, 오브젝트를 검출하고, 트래킹할 수 있다. 제어부(1200)는, 이미지 처리 알고리즘을 통해, 오브젝트와의 거리 산출, 오브젝트와의 상대 속도 산출 등의 동작을 수행할 수 있다.
예를 들면, 제어부(1200)는, 획득된 이미지에서, 시간에 따른 오브젝트 크기의 변화를 기초로, 오브젝트와의 거리 정보 및 상대 속도 정보를 획득할 수 있다.
예를 들면, 제어부(1200)는, 핀홀(pin hole) 모델, 노면 프로파일링 등을 통해, 오브젝트와의 거리 정보 및 상대 속도 정보를 획득할 수 있다.
제어부(1200)는, 송신된 전자파가 오브젝트에 반사되어 되돌아오는 반사 전자파에 기초하여, 오브젝트를 검출하고, 트래킹할 수 있다. 제어부(1200)는, 전자파에 기초하여, 오브젝트와의 거리 산출, 오브젝트와의 상대 속도 산출 등의 동작을 수행할 수 있다.
제어부(1200)는, 송신된 레이저가 오브젝트에 반사되어 되돌아오는 반사 레이저 광에 기초하여, 오브젝트를 검출하고, 트래킹할 수 있다. 제어부(1200)는, 레이저 광에 기초하여, 오브젝트와의 거리 산출, 오브젝트와의 상대 속도 산출 등의 동작을 수행할 수 있다.
제어부(1200)는, 송신된 초음파가 오브젝트에 반사되어 되돌아오는 반사 초음파에 기초하여, 오브젝트를 검출하고, 트래킹할 수 있다. 제어부(1200)는, 초음파에 기초하여, 오브젝트와의 거리 산출, 오브젝트와의 상대 속도 산출 등의 동작을 수행할 수 있다.
제어부(1200)는, 송신된 적외선 광이 오브젝트에 반사되어 되돌아오는 반사 적외선 광에 기초하여, 오브젝트를 검출하고, 트래킹할 수 있다. 제어부(1200)는, 적외선 광에 기초하여, 오브젝트와의 거리 산출, 오브젝트와의 상대 속도 산출 등의 동작을 수행할 수 있다.
실시예에 따라, 오브젝트 검출부(1400)는, 제어부(1200)와 별도의 프로세서를 내부에 포함할 수 있다. 또한, 레이다, 라이다, 초음파 센서 및 적외선 센서 각각 개별적으로 프로세서를 포함할 수 있다.
오브젝트 검출부(1400)에 프로세서가 포함된 경우, 오브젝트 검출부(1400)는, 제어부(1200)의 제어를 받는 프로세서의 제어에 따라, 동작될 수 있다.
운전 조작부(1500)는, 운전을 위한 사용자 입력을 수신할 수 있다. 메뉴얼 모드인 경우, 차량(1000)은, 운전 조작부(1500)에 의해 제공되는 신호에 기초하여 운행될 수 있다.
차량 구동부(1600)는, 차량(1000)내 각종 장치의 구동을 전기적으로 제어할 수 있다. 차량 구동부(1600)는, 차량(1000)내 파워 트레인, 샤시, 도어/윈도우, 안전 장치, 램프 및 공조기의 구동을 전기적으로 제어할 수 있다.
운행부(1700)는, 차량(1000)의 각종 운행을 제어할 수 있다. 운행부(1700)는, 자율 주행 모드에서 동작될 수 있다.
운행부(1700)는, 주행 모듈, 출차 모듈 및 주차 모듈을 포함할 수 있다.
실시예에 따라, 운행부(1700)는, 설명되는 구성 요소 외에 다른 구성 요소를 더 포함하거나, 설명되는 구성 요소 중 일부를 포함하지 않을 수 있다.
운행부(1700)는, 제어부(1200)의 제어를 받는 프로세서를 포함할 수 있다. 운행부(1700)의 각 모듈은, 각각 개별적으로 프로세서를 포함할 수 있다.
실시예에 따라, 운행부(1700)가 소프트웨어적으로 구현되는 경우, 제어부(1200)의 하위 개념일 수도 있다.
주행 모듈은, 차량(1000)의 주행을 수행할 수 있다.
주행 모듈은, 오브젝트 검출부(1400)로부터 오브젝트 정보를 제공받아, 차량 구동 모듈에 제어 신호를 제공하여, 차량(1000)의 주행을 수행할 수 있다.
주행 모듈은, 통신부(1100)를 통해, 외부 디바이스로부터 신호를 제공받아, 차량 구동 모듈에 제어 신호를 제공하여, 차량(1000)의 주행을 수행할 수 있다.
출차 모듈은, 차량(1000)의 출차를 수행할 수 있다.
출차 모듈은, 내비게이션 모듈로부터 내비게이션 정보를 제공받아, 차량 구동 모듈에 제어 신호를 제공하여, 차량(1000)의 출차를 수행할 수 있다.
출차 모듈은, 오브젝트 검출부(1400)로부터 오브젝트 정보를 제공받아, 차량 구동 모듈에 제어 신호를 제공하여, 차량(1000)의 출차를 수행할 수 있다.
출차 모듈은, 통신부(1100)를 통해, 외부 디바이스로부터 신호를 제공받아, 차량 구동 모듈에 제어 신호를 제공하여, 차량(1000)의 출차를 수행할 수 있다.
주차 모듈은, 차량(1000)의 주차를 수행할 수 있다.
주차 모듈은, 내비게이션 모듈로부터 내비게이션 정보를 제공받아, 차량 구동 모듈에 제어 신호를 제공하여, 차량(1000)의 주차를 수행할 수 있다.
주차 모듈은, 오브젝트 검출부(1400)로부터 오브젝트 정보를 제공받아, 차량 구동 모듈에 제어 신호를 제공하여, 차량(1000)의 주차를 수행할 수 있다.
주차 모듈은, 통신부(1100)를 통해, 외부 디바이스로부터 신호를 제공받아, 차량 구동 모듈에 제어 신호를 제공하여, 차량(1000)의 주차를 수행할 수 있다.
내비게이션 모듈은, 제어부(1200)에 내비게이션 정보를 제공할 수 있다. 내비게이션 정보는, 맵(map) 정보, 설정된 목적지 정보, 목적지 설정 따른 경로 정보, 경로 상의 다양한 오브젝트에 대한 정보, 차선 정보 및 차량의 현재 위치 정보 중 적어도 어느 하나를 포함할 수 있다.
내비게이션 모듈은, 차량(1000)이 진입한 주차장의 주차장 지도를 제어부(1200)에 제공할 수 있다. 제어부(1200)는, 차량(1000)이 주차장에 진입한 경우, 내비게이션 모듈로부터 주차장 지도를 제공받고, 산출된 이동 경로 및 고정 식별 정보를 제공된 주차장 지도에 투영하여 지도 데이터를 생성할 수 있다.
내비게이션 모듈은, 메모리를 포함할 수 있다. 메모리는 내비게이션 정보를 저장할 수 있다. 내비게이션 정보는 통신부(1100)를 통해 수신된 정보에 의하여 갱신될 수 있다. 내비게이션 모듈은, 내장 프로세서에 의해 제어될 수도 있고, 외부 신호, 예를 들면, 제어부(1200)로부터 제어 신호를 입력 받아 동작할 수 있으나 이에 한정되지 않는다.
운행부(1700)의 주행 모듈은, 내비게이션 모듈로부터 내비게이션 정보를 제공받아, 차량 구동 모듈에 제어 신호를 제공하여, 차량(1000)의 주행을 수행할 수 있다.
센싱부(1800)는, 차량(1000)에 장착된 센서를 이용하여 차량(1000)의 상태를 센싱, 즉, 차량(1000)의 상태에 관한 신호를 감지하고, 감지된 신호에 따라 차량(1000)의 이동 경로 정보를 획득할 수 있다. 센싱부(1800)는, 획득된 이동 경로 정보를 제어부(1200)에 제공할 수 있다.
센싱부(1800)는, 자세 센서(예를 들면, 요 센서(yaw sensor), 롤 센서(roll sensor), 피치 센서(pitch sensor)), 충돌 센서, 휠 센서(wheel sensor), 속도 센서, 경사 센서, 중량 감지 센서, 헤딩 센서(heading sensor), 자이로 센서(gyro sensor), 포지션 모듈(position module), 차량 전진/후진 센서, 배터리 센서, 연료 센서, 타이어 센서, 핸들 회전에 의한 스티어링 센서, 차량 내부 온도 센서, 차량 내부 습도 센서, 초음파 센서, 조도 센서, 가속 페달 포지션 센서, 브레이크 페달 포지션 센서, 등을 포함할 수 있다.
센싱부(1800)는, 차량 자세 정보, 차량 충돌 정보, 차량 방향 정보, 차량 위치 정보(GPS 정보), 차량 각도 정보, 차량 속도 정보, 차량 가속도 정보, 차량 기울기 정보, 차량 전진/후진 정보, 배터리 정보, 연료 정보, 타이어 정보, 차량 램프 정보, 차량 내부 온도 정보, 차량 내부 습도 정보, 스티어링 휠 회전 각도, 차량 외부 조도, 가속 페달에 가해지는 압력, 브레이크 페달에 가해지는 압력 등에 대한 센싱 신호를 획득할 수 있다.
센싱부(1800)는, 그 외, 가속페달센서, 압력센서, 엔진 회전 속도 센서(engine speed sensor), 공기 유량 센서(AFS), 흡기 온도 센서(ATS), 수온 센서(WTS), 스로틀 위치 센서(TPS), TDC 센서, 크랭크각 센서(CAS), 등을 더 포함할 수 있다.
센싱부(1800)는, 센싱 데이터를 기초로, 차량 상태 정보를 생성할 수 있다. 차량 상태 정보는, 차량 내부에 구비된 각종 센서에서 감지된 데이터를 기초로 생성된 정보일 수 있다.
차량 상태 정보는, 차량의 자세 정보, 차량의 속도 정보, 차량의 기울기 정보, 차량의 중량 정보, 차량의 방향 정보, 차량의 배터리 정보, 차량의 연료 정보, 차량의 타이어 공기압 정보, 차량의 스티어링 정보, 차량 실내 온도 정보, 차량 실내 습도 정보, 페달 포지션 정보 및 차량 엔진 온도 정보 등을 포함할 수 있다.
저장부(1900)는, 제어부(1200)와 전기적으로 연결된다. 저장부(1900)는 삼차원 어라운드 뷰 제공 장치 각 부에 대한 기본 데이터, 삼차원 어라운드 뷰 제공 장치 각 부의 동작 제어를 위한 제어 데이터, 입출력되는 데이터를 저장할 수 있다. 저장부(1900)는, 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기 일 수 있다. 저장부(1900)는 제어부(1200)의 처리 또는 제어를 위한 프로그램 등, 차량(1000) 전반의 동작을 위한 다양한 데이터, 특히, 운전자 성향 정보를 저장할 수 있다. 이때, 저장부(1900)는, 제어부(1200)와 일체형으로 형성되거나, 제어부(1200)의 하위 구성 요소로 구현될 수 있다.
도 10은 발명의 실시예에 따른 삼차원 어라운드 뷰 제공 방법을 도시한 동작흐름도이다.
도 11은 본 발명의 실시예에 따른 차량 측에 설치된 삼차원 어라운드 뷰 제공 장치의 인터페이스를 도시한 도면이다.
도 12는 본 발명의 실시예에 따른 삼차원 어라운드 뷰 제공 방법 중 깊이 추정부의 동작을 설명하기 위한 도면이다.
도 13 및 도 14는 본 발명의 실시예에 따른 삼차원 어라운드 뷰 제공 장치 중 이미지 처리부의 동작을 설명하기 위한 도면이다.
삼차원 어라운드 뷰 제공 방법은 도 10 내지 도 14에 도시되고 이하 설명되는 구성 요소 외에 다른 단계를 포함하거나, 도 10 내지 도 14에 도시되고 이하 설명되는 단계 중 일부를 포함하지 않을 수 있다.
먼저, 복수개의 촬상부로서의 카메라 모듈(1410a, 1410b, 1410c, 1410d)을 통하여 복수개의 이미지를 수신할 수 있다(S110).
깊이 추정부(1210)는, 복수개의 이미지에 대응하는 복수개의 깊이맵을 획득할 수 있다(S120).
이미지 처리부(1220)는, 복수개의 깊이맵 중 상호 인접하는 제1 깊이맵 및 제2 깊이맵이 중첩되는 경계 영역인 제1 깊이맵의 제1 경계 영역 및 제2 깊이맵의 제2 경계 영역의 깊이차를 최소화하고, 제1 경계 영역 및 제2 경계 영역 간 깊이차가 최소화된 어라운드 뷰 깊이맵을 획득할 수 있다(S130).
이미지 처리부(1220)는, 어라운드 뷰 깊이맵을 이용하여 복수개의 이미지에 대한 3차원 어라운드 뷰 이미지를 복원할 수 있다(S140).
사용자 인터페이스부(1300)는, 복원된 3차원 어라운드 뷰 이미지를 사용자가 인식할 수 있는 화면의 형태로 출력할 수 있다(S150).
도 11를 참조하면, 카메라 모듈(1410a, 1410b, 1410c, 1410d)을 통하여 입력된 이미지(카메라 입력 영상)는 탑 뷰 이미지(탑 뷰 합성 영상)로 보정되기 전에는 각 이미지의 경계가 상당히 왜곡된 형태임을 알 수 있다.
깊이 추정부(1210)는, 도 12에 도시된 바와 같이, 카메라 모듈(1410a, 1410b, 1410c, 1410d)을 통하여 복수개의 단일 RGB 이미지를 입력받아 심층 신경망 인코더에 입력하여 복수개의 단일 RGB 이미지에 대응하는 복수개의 깊이맵을 획득할 수 있다.
이미지 처리부(1220)는, 사용자 눈에 4개의 이미지의 경계가 자연스럽게 인식되도록 획득된 복수개의 깊이맵의 깊이값을 보정한 후, 보정된 깊이맵을 어라운드 뷰 이미지 생성 시 사용할 수 있다.
이미지 처리부(1220)는, 도 13 및 도 14에 도시된 바와 같이 각 카메라 모듈(1410a, 1410b, 1410c, 1410d)의 이미지로부터 획득된 깊이맵이 각 깊이맵 내에서 상대적인 크기의 깊이값을 가지는 특성을 보완하기 위하여, 각 깊이맵의 경계 영역 간 깊이차를 최소화하게 된다.
예를 들면, 이미지 처리부(1220)는, 수학식 11과 같은 전방 카메라 모듈(1410a)의 이미지로부터 획득된 깊이맵에 있어서 깊이값 조정을 위한 1차 함수를 4개의 깊이맵 모두에 대하여 산출하고, 산출된 1차 함수에 의하여 각 깊이맵의 깊이값을 갱신할 수 있다.
나머지 카메라 모듈(1410b, 1410c, 1410d)에 적용될 수 있는 깊이값 조정을 위한 수학식은 다음과 같다.
Figure pat00048
Figure pat00049
Figure pat00050
여기서, 변수(depth) 및 계수, 상수(
Figure pat00051
,
Figure pat00052
)에 표시된 1 내지 4는 카메라 번호를 의미한다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 상기 컴퓨터는 프로세서 또는 제어부를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
1000: 차량
1100: 통신부
1200: 제어부
1300: 사용자 인터페이스부
1400: 오브젝트 검출부
1500: 운전 조작부
1600: 차량 구동부
1700: 운행부
1800: 센싱부
1900: 저장부

Claims (18)

  1. 차량 내 사용자 인터페이스 모듈을 통하여 삼차원 어라운드 뷰를 제공하는 장치로서,
    차량에 장착되는 복수개의 촬상부;
    상기 복수개의 촬상부로부터 복수개의 이미지를 수신하고, 상기 복수개의 이미지에 대응하는 복수개의 깊이맵을 획득하는 깊이 추정부;
    상기 복수개의 깊이맵 중 상호 인접하는 제1 깊이맵 및 제2 깊이맵이 중첩되는 경계 영역인 상기 제1 깊이맵의 제1 경계 영역 및 상기 제2 깊이맵의 제2 경계 영역의 깊이차를 최소화하고, 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차가 최소화된 제1 어라운드 뷰 깊이맵을 획득하며, 상기 제1 어라운드 뷰 깊이맵을 이용하여 상기 복수개의 이미지에 대한 삼차원 어라운드 뷰 이미지를 복원하는 이미지 처리부; 및
    상기 삼차원 어라운드 뷰 이미지를 출력하는 표시부를 포함하는,
    삼차원 어라운드 뷰 제공 장치.
  2. 제1항에 있어서,
    상기 깊이 추정부는, 상기 복수개의 이미지를 심층 신경망 인코더에 입력하여 상기 복수개의 이미지에 대응하는 상기 복수개의 깊이맵을 획득하는,
    삼차원 어라운드 뷰 제공 장치.
  3. 제1항에 있어서,
    상기 이미지 처리부는, 상기 복수개의 촬상부가 장착된 위치에 기초하여 상기 제1 깊이맵 및 상기 제2 깊이맵이 중첩되는 상기 제1 경계 영역 및 상기 제2 경계 영역을 판단하는,
    삼차원 어라운드 뷰 제공 장치.
  4. 제1항에 있어서,
    상기 이미지 처리부는, 상기 제1 경계 영역에서의 깊이값에 의해 산출된 제1 경계 영역 삼차원 좌표값 및 상기 제2 경계 영역에서의 깊이값에 의해 산출된 제2 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 함수를 이용하여 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차를 최소화하는,
    삼차원 어라운드 뷰 제공 장치.
  5. 제4항에 있어서,
    상기 제1 경계 영역 삼차원 좌표값은, 상기 제1 경계 영역에서의 깊이값 및 상기 제1 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이고,
    상기 제2 경계 영역 삼차원 좌표값은, 상기 제2 경계 영역에서의 깊이값 및 상기 제2 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값인,
    삼차원 어라운드 뷰 제공 장치.
  6. 제1항에 있어서,
    상기 이미지 처리부는, 상기 복수개의 깊이맵 중 제3 깊이맵 및 상기 제1 깊이맵이 중첩되는 경계 영역인 상기 제3 깊이맵의 제3 경계 영역 및 상기 제1 깊이맵의 제4 경계 영역의 깊이차를 최소화하고, 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차와 상기 제3 경계 영역 및 상기 제4 경계 영역 간 깊이차가 최소화된 제2 어라운드 뷰 깊이맵을 획득하며, 상기 제2 어라운드 뷰 깊이맵을 이용하여 상기 복수개의 이미지에 대한 삼차원 어라운드 뷰 이미지를 복원하고,
    상기 제1 깊이맵은, 일측은 상기 제2 깊이맵과 중첩되고, 타측은 상기 제3 깊이맵과 중첩되는,
    삼차원 어라운드 뷰 제공 장치.
  7. 제6항에 있어서,
    상기 이미지 처리부는, 상기 제1 경계 영역에서의 깊이값에 의해 산출된 제1 경계 영역 삼차원 좌표값 및 상기 제2 경계 영역에서의 깊이값에 의해 산출된 제2 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 제1 1차 함수 및 상기 제3 경계 영역에서의 깊이값에 의해 산출된 제3 경계 영역 삼차원 좌표값 및 상기 제4 경계 영역에서의 깊이값에 의해 산출된 제4 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 제2 1차 함수를 산출하고, 상기 제1 1차 함수 및 상기 제2 1차 함수의 각 계수 및 각 상수의 평균을 계수 및 상수로 하는 최종 1차 함수를 이용하여 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차 및 상기 제3 경계 영역 및 상기 제4 경계 영역 간 깊이차를 최소화하는,
    삼차원 어라운드 뷰 제공 장치.
  8. 제7항에 있어서,
    상기 제1 경계 영역 삼차원 좌표값은, 상기 제1 경계 영역에서의 깊이값 및 상기 제1 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이고,
    상기 제2 경계 영역 삼차원 좌표값은, 상기 제2 경계 영역에서의 깊이값 및 상기 제2 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이며,
    상기 제3 경계 영역 삼차원 좌표값은, 상기 제3 경계 영역에서의 깊이값 및 상기 제3 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이고,
    상기 제4 경계 영역 삼차원 좌표값은, 상기 제2 경계 영역에서의 깊이값 및 상기 제4 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값인,
    삼차원 어라운드 뷰 제공 장치.
  9. 제2항에 있어서,
    상기 차량의 자율 주행 모드 운행을 제어하는 운행부; 및
    상기 자율 주행 모드로 운행하기 위해 연결된 5G 네트워크의 하향 링크 그랜트에 기초하여 심층 신경망 데이터를 수신하는 통신부를 더 포함하고,
    상기 깊이 추정부는, 상기 통신부로부터 제공받은 심층 신경망 데이터를 기반으로 상기 심층 신경망 인코더를 갱신하는,
    삼차원 어라운드 뷰 제공 장치.
  10. 차량 내 사용자 인터페이스 모듈을 통하여 삼차원 어라운드 뷰를 제공하는 방법으로서,
    촬상부를 통하여 복수개의 이미지를 수신하는 제1 단계;
    상기 복수개의 이미지에 대응하는 복수개의 깊이맵을 획득하는 제2 단계;
    상기 복수개의 깊이맵 중 상호 인접하는 제1 깊이맵 및 제2 깊이맵이 중첩되는 경계 영역인 상기 제1 깊이맵의 제1 경계 영역 및 상기 제2 깊이맵의 제2 경계 영역의 깊이차를 최소화하는 제3 단계;
    상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차가 최소화된 제1 어라운드 뷰 깊이맵을 획득하는 제4 단계;
    상기 제1 어라운드 뷰 깊이맵을 이용하여 상기 복수개의 이미지에 대한 삼차원 어라운드 뷰 이미지를 복원하는 제5 단계; 및
    상기 삼차원 어라운드 뷰 이미지를 출력하는 제6 단계를 포함하는,
    삼차원 어라운드 뷰 제공 방법.
  11. 제10항에 있어서,
    상기 제2 단계는,
    상기 복수개의 이미지를 심층 신경망 인코더에 입력하여 상기 복수개의 이미지에 대응하는 상기 복수개의 깊이맵을 획득하는 단계를 포함하는,
    삼차원 어라운드 뷰 제공 방법.
  12. 제10항에 있어서,
    상기 제3 단계는,
    상기 촬상부가 상기 차량에 장착된 위치에 기초하여 상기 제1 깊이맵 및 상기 제2 깊이맵이 중첩되는 상기 제1 경계 영역 및 상기 제2 경계 영역을 판단하는 단계를 포함하는,
    삼차원 어라운드 뷰 제공 방법.
  13. 제10항에 있어서,
    상기 제3 단계는,
    상기 제1 경계 영역에서의 깊이값에 의해 산출된 제1 경계 영역 삼차원 좌표값 및 상기 제2 경계 영역에서의 깊이값에 의해 산출된 제2 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 함수를 이용하여 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차를 최소화하는 단계를 포함하는,
    삼차원 어라운드 뷰 제공 방법.
  14. 제13항에 있어서,
    상기 제1 경계 영역 삼차원 좌표값은, 상기 제1 경계 영역에서의 깊이값 및 상기 제1 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이고,
    상기 제2 경계 영역 삼차원 좌표값은, 상기 제2 경계 영역에서의 깊이값 및 상기 제2 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값인,
    삼차원 어라운드 뷰 제공 방법.
  15. 제10항에 있어서,
    상기 제3 단계는,
    상기 복수개의 깊이맵 중 제3 깊이맵 및 상기 제1 깊이맵이 중첩되는 경계 영역인 상기 제3 깊이맵의 제3 경계 영역 및 상기 제1 깊이맵의 제4 경계 영역의 깊이차를 최소화하는 제3-1 단계를 포함하고,
    상기 제4 단계는,
    상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차와 상기 제3 경계 영역 및 상기 제4 경계 영역 간 깊이차가 최소화된 제2 어라운드 뷰 깊이맵을 획득하는 단계를 포함하며,
    상기 제1 깊이맵은, 일측은 상기 제2 깊이맵과 중첩되고, 타측은 상기 제3 깊이맵과 중첩되는,
    삼차원 어라운드 뷰 제공 방법.
  16. 제15항에 있어서,
    상기 제3-1 단계는,
    상기 제1 경계 영역에서의 깊이값에 의해 산출된 제1 경계 영역 삼차원 좌표값 및 상기 제2 경계 영역에서의 깊이값에 의해 산출된 제2 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 제1 1차 함수 및 상기 제3 경계 영역에서의 깊이값에 의해 산출된 제3 경계 영역 삼차원 좌표값 및 상기 제4 경계 영역에서의 깊이값에 의해 산출된 제4 경계 영역 삼차원 좌표값 간 유클리드 거리가 최소화되는 제2 1차 함수를 산출하는 단계; 및
    상기 제1 1차 함수 및 상기 제2 1차 함수의 각 계수 및 각 상수의 평균을 계수 및 상수로 하는 최종 1차 함수를 이용하여 상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차 및 상기 제3 경계 영역 및 상기 제4 경계 영역 간 깊이차를 최소화하는 단계를 포함하는,
    삼차원 어라운드 뷰 제공 방법.
  17. 제16항에 있어서,
    상기 제1 경계 영역 삼차원 좌표값은, 상기 제1 경계 영역에서의 깊이값 및 상기 제1 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이고,
    상기 제2 경계 영역 삼차원 좌표값은, 상기 제2 경계 영역에서의 깊이값 및 상기 제2 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이며,
    상기 제3 경계 영역 삼차원 좌표값은, 상기 제3 경계 영역에서의 깊이값 및 상기 제3 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값이고,
    상기 제4 경계 영역 삼차원 좌표값은, 상기 제2 경계 영역에서의 깊이값 및 상기 제4 경계 영역 2차원 좌표값에 기초하여 상기 촬상부의 초점 거리 및 주점에 대응하여 정해지는 삼차원 좌표값인,
    삼차원 어라운드 뷰 제공 방법.
  18. 차량의 사용자에게 삼차원 어라운드 뷰를 제공하기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록매체로서,
    촬상부를 통하여 복수개의 이미지를 수신하는 제1 수단;
    상기 복수개의 이미지에 대응하는 복수개의 깊이맵을 획득하는 제2 수단;
    상기 복수개의 깊이맵 중 상호 인접하는 제1 깊이맵 및 제2 깊이맵이 중첩되는 경계 영역인 상기 제1 깊이맵의 제1 경계 영역 및 상기 제2 깊이맵의 제2 경계 영역의 깊이차를 최소화하는 제3 수단;
    상기 제1 경계 영역 및 상기 제2 경계 영역 간 깊이차가 최소화된 어라운드 뷰 깊이맵을 획득하는 제4 수단;
    상기 어라운드 뷰 깊이맵을 이용하여 상기 복수개의 이미지에 대한 삼차원 어라운드 뷰 이미지를 복원하는 제5 수단; 및
    상기 삼차원 어라운드 뷰 이미지를 출력하는 제6 수단을 포함하는,
    프로그램을 기록한 컴퓨터 판독 가능한 기록매체.
KR1020190083719A 2019-07-11 2019-07-11 삼차원 어라운드 뷰 제공 장치 및 방법 KR20190089791A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190083719A KR20190089791A (ko) 2019-07-11 2019-07-11 삼차원 어라운드 뷰 제공 장치 및 방법
US16/559,170 US11259003B2 (en) 2019-07-11 2019-09-03 Apparatus and method for providing 3-dimensional around view through a user interface module included in a vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190083719A KR20190089791A (ko) 2019-07-11 2019-07-11 삼차원 어라운드 뷰 제공 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20190089791A true KR20190089791A (ko) 2019-07-31

Family

ID=67473789

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190083719A KR20190089791A (ko) 2019-07-11 2019-07-11 삼차원 어라운드 뷰 제공 장치 및 방법

Country Status (2)

Country Link
US (1) US11259003B2 (ko)
KR (1) KR20190089791A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555407A (zh) * 2019-09-02 2019-12-10 东风汽车有限公司 路面车辆空间识别方法及电子设备
WO2021054500A1 (ko) * 2019-09-20 2021-03-25 엘지전자 주식회사 이미지 생성 방법 및 이미지 생성 장치
CN112946679A (zh) * 2021-02-01 2021-06-11 王栋 一种基于人工智能的无人机测绘果冻效应检测方法及系统
KR20210094450A (ko) * 2020-01-20 2021-07-29 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 차량 위치 결정 방법, 전자 기기 및 저장 매체
KR20210113053A (ko) * 2020-03-05 2021-09-15 한국전자통신연구원 홀로그래픽 디스플레이 장치 및 이의 처리 방법
WO2022027032A1 (en) * 2020-07-27 2022-02-03 Waymo Llc Processing perspective view range images using neural networks
WO2022080554A1 (ko) * 2020-10-15 2022-04-21 한국전자기술연구원 경량형 증강현실장치의 스테레오 프레임을 이용한 3차원 맵을 생성하기 위한 장치 및 이를 위한 방법

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11436743B2 (en) 2019-07-06 2022-09-06 Toyota Research Institute, Inc. Systems and methods for semi-supervised depth estimation according to an arbitrary camera
EP3798918A1 (en) * 2019-09-26 2021-03-31 Naver Corporation Using semi-supervised variational autoencoder for wi-fi-based indoor localization
US11127147B2 (en) * 2019-12-10 2021-09-21 GM Global Technology Operations LLC Three-dimensional point cloud generation using a polarimetric camera in a drive assistance system equipped vehicle
US11537124B2 (en) * 2020-04-29 2022-12-27 Teleo, Inc. Built-in safety of control station and user interface for teleoperation
CN111932576B (zh) * 2020-07-15 2023-10-31 中国科学院上海微系统与信息技术研究所 一种基于深度相机的物体边界测量方法和装置
CN113689552A (zh) * 2021-08-27 2021-11-23 北京百度网讯科技有限公司 车载环视模型的调整方法、装置、电子设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170019793A (ko) 2015-08-12 2017-02-22 현대모비스 주식회사 어라운드뷰 제공 장치 및 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10262466B2 (en) * 2015-10-14 2019-04-16 Qualcomm Incorporated Systems and methods for adjusting a combined image visualization based on depth information
US10341633B2 (en) * 2015-11-20 2019-07-02 Qualcomm Incorporated Systems and methods for correcting erroneous depth information
WO2019182974A2 (en) * 2018-03-21 2019-09-26 Nvidia Corporation Stereo depth estimation using deep neural networks

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170019793A (ko) 2015-08-12 2017-02-22 현대모비스 주식회사 어라운드뷰 제공 장치 및 방법

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555407A (zh) * 2019-09-02 2019-12-10 东风汽车有限公司 路面车辆空间识别方法及电子设备
CN110555407B (zh) * 2019-09-02 2022-03-08 东风汽车有限公司 路面车辆空间识别方法及电子设备
WO2021054500A1 (ko) * 2019-09-20 2021-03-25 엘지전자 주식회사 이미지 생성 방법 및 이미지 생성 장치
KR20210094450A (ko) * 2020-01-20 2021-07-29 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 차량 위치 결정 방법, 전자 기기 및 저장 매체
US11586218B2 (en) 2020-01-20 2023-02-21 Apollo Intelligent Driving Technology (Beijing) Co., Ltd. Method and apparatus for positioning vehicle, electronic device and storage medium
KR20210113053A (ko) * 2020-03-05 2021-09-15 한국전자통신연구원 홀로그래픽 디스플레이 장치 및 이의 처리 방법
WO2022027032A1 (en) * 2020-07-27 2022-02-03 Waymo Llc Processing perspective view range images using neural networks
US11941875B2 (en) 2020-07-27 2024-03-26 Waymo Llc Processing perspective view range images using neural networks
WO2022080554A1 (ko) * 2020-10-15 2022-04-21 한국전자기술연구원 경량형 증강현실장치의 스테레오 프레임을 이용한 3차원 맵을 생성하기 위한 장치 및 이를 위한 방법
CN112946679A (zh) * 2021-02-01 2021-06-11 王栋 一种基于人工智能的无人机测绘果冻效应检测方法及系统
CN112946679B (zh) * 2021-02-01 2023-12-22 王栋 一种基于人工智能的无人机测绘果冻效应检测方法及系统

Also Published As

Publication number Publication date
US20200007844A1 (en) 2020-01-02
US11259003B2 (en) 2022-02-22

Similar Documents

Publication Publication Date Title
US11259003B2 (en) Apparatus and method for providing 3-dimensional around view through a user interface module included in a vehicle
US11305775B2 (en) Apparatus and method for changing lane of autonomous vehicle
CN112166304B (zh) 传感器数据的误差检测
US11292494B2 (en) Apparatus and method for determining levels of driving automation
KR102605968B1 (ko) 차량 제어 장치
US11960290B2 (en) Systems and methods for end-to-end trajectory prediction using radar, LIDAR, and maps
KR102267331B1 (ko) 자율 주행 차량과 이를 이용한 보행자 안내 시스템 및 방법
US11500376B2 (en) Apparatus and method for providing game service for managing vehicle
CN110850854A (zh) 自动驾驶员代理和为自动驾驶员代理提供策略的策略服务器
CN111833650A (zh) 车辆路径预测
CN110850861A (zh) 基于注意的分层变道深度强化学习
US11460838B2 (en) Apparatus and method for virtual home service
US20200031358A1 (en) Apparatus and method for detecting passenger type for automobile
US20200003568A1 (en) Apparatus and method for invitation using autonomous vehicle
WO2020116195A1 (ja) 情報処理装置、情報処理方法、プログラム、移動体制御装置、及び、移動体
US11543263B1 (en) Map distortion determination
CN113496510A (zh) 使用神经网络进行逼真的图像透视变换
KR20190117419A (ko) 자율주행 차량의 컨텐츠 제공 방법 및 이를 위한 장치
KR102607390B1 (ko) 차량의 주변 상황 확인 방법
KR20210089809A (ko) 라이다 센서를 이용하여 주변 환경을 탐지하는 자율 주행 장치 및 그의 동작 방법
WO2023102327A1 (en) Center-based detection and tracking
KR20190106903A (ko) 관심 정보 수집 장치 및 방법
US20210103955A1 (en) Apparatus and method for providing contents linked with information of vehicle
US20230227061A1 (en) Systems and Methods for Pareto Domination-Based Learning
US20220114458A1 (en) Multimodal automatic mapping of sensing defects to task-specific error measurement