KR20190109663A - 차량의 주행을 보조하는 전자 장치 및 방법 - Google Patents
차량의 주행을 보조하는 전자 장치 및 방법 Download PDFInfo
- Publication number
- KR20190109663A KR20190109663A KR1020180027708A KR20180027708A KR20190109663A KR 20190109663 A KR20190109663 A KR 20190109663A KR 1020180027708 A KR1020180027708 A KR 1020180027708A KR 20180027708 A KR20180027708 A KR 20180027708A KR 20190109663 A KR20190109663 A KR 20190109663A
- Authority
- KR
- South Korea
- Prior art keywords
- image frame
- cameras
- vehicle
- object detection
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 110
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000011017 operating method Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 25
- 238000012549 training Methods 0.000 description 25
- 238000005516 engineering process Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/292—Multi-camera tracking
-
- 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
-
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- H04N5/2257—
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- 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
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
- B60W2050/009—Priority selection
-
- 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—
-
- B60W2550/10—
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30261—Obstacle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
차량의 주행을 보조하는 전자 장치 및 방법이 제공된다. 전자 장치는, 차량의 주변 영상을 촬영하는 복수의 카메라, 차량 주변의 객체를 감지하는 적어도 하나의 센서, 및 차량이 주행하는 동안, 복수의 카메라를 이용하여 미리 설정된 시간 간격에 기초하여 차량의 주변 영상을 촬영함에 따라 복수의 영상 프레임을 획득하고, 차량이 주행하는 동안, 센서를 이용하여 객체가 감지됨에 따라, 획득한 복수의 영상 프레임 중, 객체가 감지된 시점과 위치에 대응하는 영상 프레임을 추출하고, 추출된 영상 프레임으로부터 객체 검출(object detection)을 수행하고, 추출된 영상 프레임 이후에 획득되는 복수의 영상 프레임으로부터, 객체의 변화를 추적하는 객체 추적(object tracking)을 수행할 수 있다.
또한, 본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관련된 것이다.
또한, 본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관련된 것이다.
Description
본 개시는 차량의 주행을 보조하는 전자 장치 및 방법에 관한 것이다.
또한, 본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관련된 것이다.
정보통신 기술과 자동차 산업의 융합으로 인해 빠르게 자동차의 스마트화가 진행되고 있다. 스마트화로 인해, 자동차는 단순한 기계적 장치에서 스마트카로 진화하고 있으며, 특히 스마트카의 핵심기술로 자율 주행이 주목받고 있다.
자율 주행이란 운전자가 핸들과 가속페달, 브레이크 등을 조작하지 않아도 차량 스스로 목적지까지 찾아가는 기술이다.
최근 자율 주행과 관련된 다양한 부가 기능들이 지속적으로 개발되고 있으며, 각종 데이터를 이용하여 주행 환경을 인지하고 판단하여 자동차를 제어함으로써 탑승자에게 안전한 자율 주행 경험을 제공할 수 있는 방법에 대한 연구가 요구되고 있다.
또한, 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
차량의 주행을 보조하는 전자 장치 및 방법을 제공하는 데 있다. 또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
일 측면에 따른 차량의 주행을 보조하는 전자 장치는, 차량의 주변 영상을 촬영하는 복수의 카메라, 차량 주변의 객체를 감지하는 적어도 하나의 센서, 및 차량이 주행하는 동안, 복수의 카메라를 이용하여 미리 설정된 시간 간격에 기초하여 차량의 주변 영상을 촬영함에 따라 복수의 영상 프레임을 획득하고, 차량이 주행하는 동안, 센서를 이용하여 객체가 감지됨에 따라, 획득한 복수의 영상 프레임 중, 객체가 감지된 시점과 위치에 대응하는 영상 프레임을 추출하고, 추출된 영상 프레임으로부터 객체 검출(object detection)을 수행하고, 추출된 영상 프레임 이후에 획득되는 복수의 영상 프레임으로부터, 객체의 변화를 추적하는 객체 추적(object tracking)을 수행하는, 프로세서를 포함할 수 있다.
다른 측면에 따른 차량의 주행을 보조하는 전자 장치의 동작 방법은, 차량이 주행하는 동안, 복수의 카메라를 이용하여 미리 설정된 시간 간격에 기초하여 차량의 주변 영상을 촬영함에 따라 복수의 영상 프레임을 획득하는 단계, 차량이 주행하는 동안, 적어도 하나의 센서를 이용하여 객체가 감지됨에 따라, 획득한 복수의 영상 프레임 중, 객체가 감지된 시점과 위치에 대응하는 영상 프레임을 추출하는 단계, 추출된 영상 프레임으로부터 객체 검출(object detection)을 수행하는 단계, 및 추출된 영상 프레임 이후에 획득되는 복수의 영상 프레임으로부터, 객체의 변화를 추적하는 객체 추적(object tracking)을 수행하는 단계를 포함할 수 있다.
또 다른 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체를 포함한다.
도 1은 일 실시 예에 따른 차량의 주행을 보조하는 전자 장치가 동작하는 일 예를 개략적으로 설명하기 위한 도면이다.
도 2는 센서의 객체 감지에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 흐름도이다.
도 3 내지 도 5는 센서의 객체 감지에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 도면이다.
도 6은 미리 설정된 주기에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 흐름도이다.
도 7 내지 도 8은 미리 설정된 주기에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 도면이다.
도 9는 객체 추적의 신뢰도에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 흐름도이다.
도 10은 객체 추적의 신뢰도에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 도면이다.
도 11은 미리 설정된 우선 순위에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 흐름도이다.
도 12는 미리 설정된 우선 순위에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 도면이다.
도 13은 일 실시예에 따른 전자 장치의 블록 구성도(block diagram)이다.
도 14는 일 실시예에 따른 전자 장치의 상세 블록 구성도(block diagram)이다.
도 15는 일 실시예에 따른 차량의 블록 구성도(block diagram)이다.
도 16은 일 실시예에 따른 프로세서의 블록도이다.
도 17은 일 실시예에 따른 데이터 학습부의 블록도이다.
도 18은 일 실시예에 따른 데이터 인식부의 블록도이다.
도 19는 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 2는 센서의 객체 감지에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 흐름도이다.
도 3 내지 도 5는 센서의 객체 감지에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 도면이다.
도 6은 미리 설정된 주기에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 흐름도이다.
도 7 내지 도 8은 미리 설정된 주기에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 도면이다.
도 9는 객체 추적의 신뢰도에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 흐름도이다.
도 10은 객체 추적의 신뢰도에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 도면이다.
도 11은 미리 설정된 우선 순위에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 흐름도이다.
도 12는 미리 설정된 우선 순위에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 도면이다.
도 13은 일 실시예에 따른 전자 장치의 블록 구성도(block diagram)이다.
도 14는 일 실시예에 따른 전자 장치의 상세 블록 구성도(block diagram)이다.
도 15는 일 실시예에 따른 차량의 블록 구성도(block diagram)이다.
도 16은 일 실시예에 따른 프로세서의 블록도이다.
도 17은 일 실시예에 따른 데이터 학습부의 블록도이다.
도 18은 일 실시예에 따른 데이터 인식부의 블록도이다.
도 19는 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
실시 예들에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 “…부”, “…모듈” 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
이하에서는 도면을 참조하여 본 발명의 실시 예들을 상세히 설명한다.
도 1은 일 실시 예에 따른 차량의 주행을 보조하는 전자 장치가 동작하는 일 예를 개략적으로 설명하기 위한 도면이다.
본 명세서에서, 차량(1, 도 15)(이하, 차량(1))은 차량(1)의 주행을 보조 또는 제어하는 전자 장치(100, 도 13 내지 도 15)(이하, 전자 장치(100))를 포함할 수 있다. 일 실시 예에 따른 전자 장치(100)가 차량(1)에 탑재되어 동작함으로써, 차량(1)은 자율 주행하거나, 주행 동작의 일부를 자율 제어할 수 있다. 예를 들어, 차량(1)은 자율 주행 시스템 또는 첨단 운전자 지원 시스템(ADAS: Advanced Driver Assistance Systems) 기능을 수행하도록 구현될 수 있다.
자율 주행하거나 적어도 일부 기능에 대해 자율 제어할 수 있는 차량은 차량이 주행하는 동안 주행 경로 상의 물체를 보다 정확하고 빠르게 인식할수록 보다 안정적인 운행 환경을 제공할 수 있다.
일 실시 예에 따른 차량(1)에 탑재된 전자 장치(100)는, 차량(1)이 주행하는 동안 이미지 센서(228, 도 14)(이하, 이미지 센서(228) 또는 카메라(228))를 이용하여 차량(1)의 주변을 촬영하고, 촬영된 주변 영상으로부터 객체(예컨대, 도로 상의 보행자, 차량, 도로 표지판 등)를 검출하고 추적할 수 있다.
일 실시 예에 따른 객체는, 차량의 주행에 영향을 미칠 수 있는, 차량의 주변(전, 후방, 측방 등)에서 관찰될 수 있는 객체로서, 예컨대, 보행자, 다른 차량, 주행 경로 상의 장애물, 도로 표지판 등을 포함하며, 이에 제한되지 않는다.
이미지 센서(228, 도 14)는 차량(1) 외부의 환경을 기록하도록 구성되는 스틸 카메라 또는 비디오 카메라가 될 수 있다. 예를 들어, 이미지 센서(228)는 다수의 카메라들을 포함할 수 있고, 다수의 카메라들은 차량(1)의 내부 및 외부 상의 다수의 위치들에 배치될 수 있다.
일 실시 예에 따라, 차량(1)에 탑재된 전자 장치(100)는 복수의 카메라(228)를 이용하여 주변을 촬영하고, 차량(1)의 주변이 촬영된 복수의 영상 프레임으로부터 객체를 검출하기 위해, 딥 러닝(deep learning) 기반의 학습된 데이터 인식 모델을 이용하여 객체 검출(object detection)을 수행할 수 있다.
일 실시 예에 따라, ‘객체 검출(object detection)’은, 영상 프레임에 포함된 객체(예컨대, 도로 상의 보행자, 차량, 도로 표지판 등)를 검출하는 영상 처리일 수 있다.객체 검출(object detection)은, 영상 프레임 내의 객체를 검출하기 위해 영상 프레임 내의 후보 영역을 추출하고 후보 영역에서의 객체의 종류와 위치를, 학습된 데이터 인식 모델을 이용하여 추정하는 영상 처리일 수 있다. 일 실시 예에 따라, 객체 검출에는, 컨볼루션 뉴럴 네트워크(Convolutional Neural Network; CNN) 등을 기반으로 하는 데이터 인식 모델이 이용될 수 있다.
객체 검출은, 다중 연산이 가능한 그래픽 전용 프로세서(GPU)에 의해 수행될 수 있다. 또한, 객체 검출은, 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩에 의해 수행될 수 있으며, 이에 제한되지 않는다.
일 실시 예에 따라, 영상 프레임으로부터 객체 검출(object detection)을 수행함에 따라, 보다 정확하고 정밀한 객체 검출이 가능할 수 있다.
또한, 일 실시 예에 따라, 전자 장치(100)는 차량(1)이 주행하는 동안 카메라(228)를 이용하여 획득한 복수의 영상 프레임에 객체 추적(object tracking) 을 수행함으로써 검출된 객체의 변화를 추적할 수 있다.
일 실시 예에 따른 ‘객체 추적(object tracking)’은, 카메라를 이용하여 획득된 일련의 영상 프레임 내에 포함된 객체의 위치 변화를 추적하기 위한 영상 처리 일 수 있다.
객체 추적은, 범용 프로세서(예, CPU)에 의해 수행될 수 있다. 객체 추적은, 일련의 영상 프레임 내의 객체의 크기, 모양, 윤곽선, 색 등의 특징적인 정보를 이용하여 객체의 변화를 추적하는 영상 처리일 수 있다.
또한, 일 실시 예에 따라, 전자 장치(100)는 차량(1)이 주행하는 동안 RADAR 센서(226, 도 14) 또는 LIDAR 센서(227, 도 14)와 같은 객체 감지 센서(222, 도 14)(이하, 객체 감지 센서(222))를 이용하여 차량(1) 주변의 객체들을 감지할 수 있다.
RADAR 센서(226, 도 14)는 무선 신호를 사용하여 차량(1)이 위치해 있는 환경 내의 물체들을 감지하도록 구성되는 센서일 수 있다. 또한, RADAR 센서(226)는, 물체들의 속도 및/또는 방향을 감지하도록 구성될 수 있다.
또한, LIDAR 센서(227, 도 14)는 레이저를 사용하여 차량(1)이 위치해 있는 환경 내의 물체들을 감지하도록 구성되는 센서일 수 잇다. LIDAR 센서(227)는 레이저 출력기를 이용하여 레이저 빔을 출력하고, 적어도 하나의 레이저 수신기를 통해 객체로부터의 반사 신호를 획득할 수 있다.
도 1을 참조하면, 일 실시 예에 따른 차량(1)은 복수의 카메라(228a, 228b, 228c)와 객체 감지 센서(예, RADAR 센서, LIDAR 센서)(222)를 포함할 수 있다.
차량(1)이 주행하는 동안, 전자 장치(100)는 복수의 카메라(228a, 228b, 228c)를 이용하여 복수의 영상 프레임을 획득할 수 있다.
복수의 카메라(228a, 228b, 228c)는 각각의 카메라가 차량(1)에 장착된 위치, 방향, 카메라 렌즈의 화각 등에 따라, 차량(1) 주변의 서로 다른 영역을 촬영할 수 있다. 예컨대, 전자 장치(100)는 제1 카메라(228a)를 이용하여 촬영되는 제1 영역(12), 제2 카메라(228b)를 이용하여 촬영되는 제2 영역(13), 제3 카메라(228c)를 이용하여 촬영되는 제3 영역(14)에 대한 복수의 영상 프레임을 획득할 수 있다.
또한, 객체 감지 센서(222)는, 복수의 카메라(228a, 228b, 228c)에 의해 촬영되는 영역을 포함하는, 차량 주변의 보다 넓은 영역(11)으로부터 객체를 감지할 수 있다.
일 실시 예에 따라, 객체는, 주행 경로 상의 보행자, 다른 차량, 장애물, 도로 표지판 등을 포함하며, 이에 제한되지 않는다.
일 실시 예에 따르면, 전자 장치(100)는 복수의 카메라(228a, 228b, 228c)를 이용하여 획득한 복수의 영상 프레임 별로, 미리 설정된 주기에 기초하여, 각각의 영상 프레임에 포함된 객체를 검출하기 위한 객체 검출 또는 각각의 영상 프레임에 포함된 객체의 변화를 추적하는 객체 추적을 수행할 수 있다.
일 실시 예에 따르면, 복수의 카메라를 이용하여 획득되는 복수의 영상 프레임에 대해, GPU에 의해 수행되는 많은 연산량이 요구되는 객체 검출 과, CPU에 수행되고 상대적으로 적은 연산량이 요구되는 객체 추적 을 효율적으로 배분하여, 안정적이고 효율적인 객체 검출 및 추적을 수행할 수 있다.
일 실시 예에 따르면, 복수의 카메라를 이용하여 획득되는 복수의 영상 프레임에 대해, 객체 검출 의 주기를 효율적으로 설정함으로써, 임베디드 시스템의 제한된 자원 내에서도 안정적으로 고효율의 정확도 높은 객체 검출이 가능할 수 있다.
또한, 일 실시 예에 따라, 차량(1)이 주행하는 중에 전자 장치(100)는 객체 감지 센서(222)(예, RADAR 센서)를 이용하여 주행 경로 상에 객체(예컨대, 보행자)가 있음을 감지한 경우, 복수의 카메라(228)를 이용하여 촬영되는 복수의 영상 프레임 중, 감지된 객체를 포함할 것으로 추정되는 영상 프레임을 추출할 수 있다. 전자 장치(100)는 추출된 영상 프레임으로부터 객체 검출을 수행할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 카메라(228)보다 넓은 영역에 대해, 더 높은 빈도로 객체 센싱을 수행하는 객체 감지 센서(222)에 의한 객체 감지를 이용함으로써, 복수의 카메라가 획득하는 매 영상 프레임에 대해 객체 검출 을 수행하지 않는 환경에서도, 객체 검출 지연 또는 객체 미 검출의 위험을 방지하고 안정적이고 정확도 높은 객체 검출이 가능할 수 있다.
도 1은 일 실시 예를 도시한 것으로서, 이에 한정되지 않는다.
도 2는 센서의 객체 감지에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 흐름도이다. 도 3 내지 도 5는 센서의 객체 감지에 따라 객체 검출 을 수행하는 일 예를 설명하기 위한 도면이다. 도 2의 흐름도를 설명하면서, 도 3 내지 도 5의 도면을 참조하여 설명하기로 한다.
도 2의 단계 S201에서, 전자 장치(100)는 차량이 주행하는 동안, 복수의 카메라를 이용하여, 미리 설정된 시간 간격에 기초하여, 차량의 주변 영상을 촬영함에 따라 복수의 영상 프레임을 획득할 수 있다.
일 실시 예에 따라, 전자 장치(100)는 서로 다른 방향(전방, 후방, 측방 등)을 촬영하도록 차량(1)에 장착된 복수의 카메라(228)를 이용하여, 미리 설정된 시간 간격(예컨대, 약 33ms)마다, 영상 프레임을 획득할 수 있다.
예를 들어, 도 3을 참조하면, 복수의 영상 프레임은, T1 시점에, 제1 카메라(228a)를 이용하여 획득된 제1 영상 프레임(32), 제2 카메라(228b)를 이용하여 획득된 제2 영상 프레임(33), 제3 카메라(228c)를 이용하여 획득된 제3 영상 프레임(34)을 포함할 수 있다. 또한, 복수의 영상 프레임은, T2 시점에, 제1 카메라(228a)를 이용하여 획득된 제1 영상 프레임(35), 제2 카메라(228b)를 이용하여 획득된 제2 영상 프레임(36), 제3 카메라(228c)를 이용하여 획득된 제3 영상 프레임(37)을 포함할 수 있다.
도 2의 단계 S202에서, 전자 장치(100)는 차량이 주행하는 동안, 센서를 이용하여 객체가 감지됨에 따라, 획득한 복수의 영상 프레임 중, 객체가 감지된 시점과 위치에 대응하는 영상 프레임을 추출할 수 있다.
도 3을 참조하면, 차량(1)이 주행하는 동안 전자 장치(100)는 객체 감지 센서(222)를 이용하여 차량 주변을 센싱할 수 있다. 예를 들어, 전자 장치(100)는 객체 감지 센서(222)를 이용하여, 주행 경로 상의 보행자(39)를 감지할 수 있다.
일 실시 예에 따라, 전자 장치(100)는 복수의 카메라를 이용하여 획득한 복수의 영상 프레임 중, 보행자(39)가 감지된 시점과 위치에 대응하는 영상 프레임 즉, 감지된 보행자(39)가 포함될 것으로 추정되는 영상 프레임을 추출할 수 있다. 예를 들어, 도 3을 참조하면, T2 시점에, 제3 카메라(228c)를 이용하여 획득되는 제3 영상 프레임(37)이 추출될 수 있다.
일 실시 예에 따라, 객체 감지 센서(222)가 예컨대, 1초 당 객체를 감지하기 위한 센싱 빈도가 카메라(228)가 1초 당 영상 프레임을 촬영하는 빈도보다 높을 수 있기 때문에, 객체 감지 센서(222)로 센싱된 시점에 근접한 시점에 카메라(228)로 촬영된 영상 프레임이 추출될 수 있다. 일 실시 예에 따라, 추출되는 영상 프레임은, 객체 감지 센서(222)로 객체가 감지된 시점이거나, 감지된 시점의 직후 또는 직전의 소정 범위 내로 가장 근접하게, 카메라(228)가 촬영한 영상 프레임일 수 있다.
일 실시 예에 따라, 객체 감지 센서(222)가 센싱할 수 있는 영역은, 서로 다른 방향을 촬영하도록 설치된 복수의 카메라(228)의 촬영 영역을 포함하므로, 복수의 카메라 중 객체 감지 센서(222)에 의해 감지된 객체의 위치에 근접한 영역을 촬영하도록 설치된 카메라의 영상 프레임이 추출될 수 있다.
도 2의 단계 S203에서, 전자 장치(100)는 추출된 영상 프레임으로부터 객체 검출(object detection)을 수행할 수 있다.도 4를 참조하면, 전자 장치(100)는 추출된 영상 프레임(42)에 대한 소정의 영상 처리를 수행함으로써, 영상 프레임(42)에 포함된 객체(예컨대, 보행자(49))를 검출할 수 있다.
일 실시 예에 따라, 전자 장치(100)는 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 객체 검출(object detection)을 수행할 수 있다.
일 실시 예에 따라, 전자 장치(100)는 2개 이상의 레이어를 보유한 딥 뉴럴 네트워크(Deep Neural Network)를 이용할 수 있다. 각각의 레이어는 데이터를 수신할 수 있고, 입력되는 데이터를 처리하여 각 레이어에서 출력되는 데이터를 생성할 수 있다.
일 실시 예에 따라, 전자 장치(100)는 복수의 레이어(layers)를 보유한 컨볼루션 뉴럴 네트워크(Convolutional Neural Network; CNN)를 이용할 수 있다. 컨볼루션 뉴럴 네트워크(CNN)는 복잡한 입력 데이터(입력 영상)로부터 테두리, 선, 색 등과 같은 특징들(features)을 추출하기 위해 이용될 수 있다.
도 2의 단계 S204에서, 전자 장치(100)는 추출된 영상 프레임 이후에 획득되는 복수의 영상 프레임으로부터, 객체의 변화를 추적하는 객체 추적(object tracking)을 수행할 수 있다.
도 5를 참조하면, 예를 들어, 전자 장치(100)가 제3 카메라로부터 T2 시점에 획득한 영상 프레임(52)으로부터 객체(59)를 검출한 경우, 이후 T3, T4 시점에, 획득되는 영상 프레임(59, 60)에 대해서는, 객체(59)의 변화를 추적하기 위한 객체 추적을 수행할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 복수의 카메라(228)를 통해 획득하는 복수의 영상 프레임에, CPU에 의한 수행이 가능한 객체 추적을 지속하면서, 객체 감지 센서(222)에 의해 새로운 객체가 감지된 때에, 새로운 객체가 포함되었을 것으로 추정되는 영상 프레임에, GPU에 의한 수행이 가능한 객체 검출을 수행할 수 있다. 또한, 전자 장치(100)는 이후 획득되는 영상 프레임에 대해 검출된 객체의 변화를 추적하기 위한 객체 추적을 지속할 수 있다.
이에 따라, 전자 장치(100)는, 많은 연산량을 요구하는 객체 검출을 최소한으로 활용하면서도 정확도 높은 객체 검출 결과를 가져오는 고효율의 객체 검출을 수행 할 수 있다.
도 3 내지 도 5는 일 실시 예를 도시한 것으로서, 이에 제한되지 않는다.
도 6은 미리 설정된 주기에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 흐름도이다. 도 7 내지 도 8은 미리 설정된 주기에 따라 객체 검출 을 수행하는 일 예를 설명하기 위한 도면이다. 도 6의 흐름도를 설명하면서, 도 7 내지 도 8의 도면을 참조하여 설명하기로 한다.
일 실시 예에 따라, 전자 장치(100)는 복수의 카메라를 이용하여 획득한 복수의 영상 프레임 별로, 미리 설정된 주기에 기초하여, 각각의 영상 프레임에 포함된 객체를 검출하기 위한 객체 검출 또는 각각의 영상 프레임에 포함된 객체의 변화를 추적하는 객체 추적을 수행할 수 있다.
도 6 내지 도 8은, 동일한 시점에 획득된 복수의 영상 프레임 중, 어느 하나의 카메라를 이용하여 획득된 영상 프레임에 객체 검출을 선택적으로 수행하는 예를 도시한다.
도 6의 단계 S601에서, 전자 장치(100)는 차량이 주행하는 동안, 복수의 카메라를 이용하여 미리 설정된 시간 간격에 기초하여 차량의 주변 영상을 촬영함에 따라 복수의 영상 프레임을 획득할 수 있다.
단계 S601에 관해서는, 도 2의 단계 S201에서 상술하였으므로 생략하기로 한다.
도 6의 단계 S602에서, 전자 장치(100)는 동일한 시점에 복수의 카메라를 이용하여 획득한 복수의 영상 프레임 중, 어느 하나의 카메라를 이용하여 획득한 영상 프레임으로부터 객체 검출을 수행하고, 나머지 카메라를 이용하여 획득한 영상 프레임으로부터 객체 추적을 수행할 수 있다.
도 6의 단계 S603에서, 전자 장치(100)는 복수의 카메라를 이용하여 복수의 영상 프레임을 획득하는 시점마다, 복수의 카메라 중, 객체 검출을 수행할 영상 프레임이 획득되는 카메라를 변경할 수 있다.
도 7을 참조하면, 예를 들어, T1 시점에 획득된 복수의 영상 프레임(61, 62, 63) 중, 제1 카메라를 이용하여 획득된 영상 프레임(61)에 객체 검출을 수행하고, 나머지 카메라를 이용하여 획득된 영상 프레임(62, 63)에 객체 추적을 수행할 수 있다.
또한, 예를 들어, T2 시점에 획득된 복수의 영상 프레임(64, 65, 66) 중, 제2 카메라를 이용하여 획득된 영상 프레임(65)에 객체 검출을 수행하고, 나머지 카메라를 이용하여 획득된 영상 프레임(64, 66)에 객체 추적을 수행할 수 있다.
또한, 예를 들어, T3 시점에 획득된 복수의 영상 프레임(67, 68, 69) 중, 제3 카메라를 이용하여 획득된 영상 프레임(69)에 객체 검출을 수행하고, 나머지 카메라를 이용하여 획득된 영상 프레임(67, 68)에 객체 추적을 수행할 수 있다.
또한, 예를 들어, T4 시점에 획득된 복수의 영상 프레임(70, 71, 72) 중, 제1 카메라를 이용하여 획득된 영상 프레임(70)에 객체 검출을 수행하고, 나머지 카메라를 이용하여 획득된 영상 프레임(71, 72)에 객체 추적을 수행할 수 있다.
도 7에 도시한 바와 같이, 전자 장치(100)는 복수의 카메라를 이용하여 복수의 영상 프레임을 획득하는 시점(예컨대, T1, T2, T3, T4)마다, 복수의 카메라 중, 객체 검출을 수행할 영상 프레임이 획득되는 카메라를 변경할 수 있다. 예를 들어, 전자 장치(100)는, T1 시점에는 제1 카메라, T2 시점에는, 제2 카메라, T3 시점에는 제3 카메라, T4 시점에는 제1 카메라를 이용하여 각각 획득되는 영상 프레임으로부터 객체 검출을 수행할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 객체 검출을 수행할 영상 프레임이 획득되는 카메라를 순차적(예컨대, 제1 카메라, 제2 카메라, 제3 카메라 순)으로 변경할 수 있으며, 이에 제한되지 않는다.
도 8을 참조하면, 전자 장치(100)는, 객체 검출을 수행할 영상 프레임이 획득되는 카메라를 순차적으로 변경하면서, 예컨대, T1 시점에는 제1 카메라를 이용하여 획득된 영상 프레임(81), T2 시점에는 제2 카메라를 이용하여 획득된 영상 프레임(82), T3 시점에는 제3 카메라를 이용하여 획득된 영상 프레임(83)에 객체 검출을 수행할 수 있다.
한편, 차량(1)이 주행하는 동안 전자 장치(100)는 객체 감지 센서(222)를 이용하여 차량(1) 주변을 센싱할 수 있고, 전자 장치(100)는 새로운 객체(89)를 감지할 수 있다.
전자 장치(100)는 객체 감시 센서(222)를 이용하여 객체(89)를 감지하는 이벤트가 발생함에 따라, 객체(89)가 감지된 시점에 근접한 시점(T4)에 획득된 복수의 영상 프레임 중 객체(89)의 위치에 대응하는 영상 프레임(84)에 대해 객체 검출을 수행할 수 있다.
일 실시 에에 따라, 전자 장치(100)는 제3 카메라에 의해 획득된 영상 프레임(84)에 대해, 많은 양의 연산량을 요구하는, GPU에 의해 수행되는 객체 검출 을 수행함에 따라, 나머지 카메라를 이용하여 획득된 영상 프레임(85, 86)에 대해서는 객체 추적을 수행할 수 있다.
일 실시 예에 따라, 전자 장치(100)는, T5, T6 시점에 제3 카메라를 이용하여 획득되는 영상 프레임(88, 91)에 대해, 검출된 객체(89)의 변화를 추적하기 위한 객체 추적을 수행할 수 있다.
또한, 일 실시 예에 따라, 전자 장치(100)는 복수의 카메라를 이용하여 획득한 복수의 영상 프레임 중, 어느 하나의 카메라를 이용하여 획득한 영상 프레임에 객체 검출을 수행하고, 나머지 카메라를 이용하여 획득한 영상 프레임에 객체 추적을 수행하는 방식으로, 지속적으로 객체 검출을 수행할 수 있다.
도 8에 도시한 바와 같이, 전자 장치(100)는, 객체 검출을 수행할 영상 프레임이 획득되는 카메라를 순차적으로 변경하면서, 예컨대, T5 시점에는 제1 카메라를 이용하여 획득된 영상 프레임(87), T6 시점에는 제2 카메라를 이용하여 획득된 영상 프레임(90)에 객체 검출을 순차적으로 수행할 수 있다.
도 6 내지 도 8은 일 실시 예를 도시한 것으로서, 이에 제한되지 않는다.
도 9는 객체 추적의 신뢰도에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 흐름도이다. 도 10은 객체 추적의 신뢰도에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 도면이다. 도 9의 흐름도를 설명하면서, 도 10의 도면을 참조하여 설명하기로 한다.
일 실시 예에 따라, 전자 장치(100)는 복수의 카메라를 이용하여 획득한 복수의 영상 프레임 별로, 미리 설정된 주기에 기초하여, 각각의 영상 프레임에 포함된 객체를 검출하기 위한 객체 검출 또는 각각의 영상 프레임에 포함된 객체의 변화를 추적하는 객체 추적을 수행할 수 있다.
도 9 내지 도 10은, 영상 추적의 신뢰도에 기초하여 객체 검출 을 선택적으로 수행하는 예를 도시한다.
도 9의 단계 S901에서, 전자 장치(100)는 차량이 주행하는 동안, 복수의 카메라를 이용하여 미리 설정된 시간 간격에 기초하여 차량의 주변 영상을 촬영함에 따라 복수의 영상 프레임을 획득할 수 있다.
단계 S901에 관해서는, 도 2의 단계 S201에서 상술하였으므로 생략하기로 한다.
도 9의 단계 S902에서, 전자 장치(100)는 획득한 영상 프레임에 객체 추적을 수행하면, 객체 추적 결과의 신뢰도 값을 산출할 수 있다.
일 실시 예에 따라, 전자 장치(100)는 일련의 영상 프레임에 대해 객체 추적 을 수행할 때, 객체 검출 이후 추적되는 객체의 예측되는 변화에 기초하여, 객체 추적의 수행 결과의 신뢰도(confidence) 값을 산출할 수 있다. 예를 들어, 전자 장치는, 객체의 종류, 객체의 색상, 객체의 움직임 정보, 차량의 주행 속도, 가속도, 주행 경로 상의 차선 정보, 도로 상황 등의 주변 환경 등에 따라 예측되는 객체의 변화에 기초하여, 객체 추적의 수행 결과에 대한 신뢰도 값을 산출할 수 있다.
도 9의 단계 S903에서, 전자 장치(100)는 산출된 신뢰도 값이 임계치 이하로 판단됨에 따라, 신뢰도 값이 임계치 이하로 판단된 영상 프레임에 객체 검출을 수행할 수 있다.
일 실시 예에 따라, 전자 장치(100)는 객체 추적의 수행 결과의 신뢰도 값이 임계치 이하로 낮으면, 객체 추적 에 트래킹 에러(tracking error)가 발생한 것으로 판단할 수 있다.
도 10을 참조하면, 전자 장치(100)는, 영상 프레임(102)에 트래킹 에러(tracking error)가 발생한 것으로 판단되면, 객체 검출 및 추적을 위한 영상 처리의 정확도를 높이기 위해, 영상 프레임(102)에 객체 검출을 수행할 수 있다.
도 9 내지 도 10은 일 실시 예를 도시한 것으로서, 이에 한정되지 않는다.
도 11은 미리 설정된 우선 순위에 따라 객체 검출을 수행하는 일 예를 설명하기 위한 흐름도이다. 도 12는 미리 설정된 우선 순위에 따라 객체 검출 을 수행하는 일 예를 설명하기 위한 도면이다. 도 11의 흐름도를 설명하면서, 도 12의 도면을 참조하여 설명하기로 한다.
도 11의 단계 S1101에서, 전자 장치(100)는 차량이 주행하는 동안, 복수의 카메라를 이용하여 미리 설정된 시간 간격에 기초하여 차량의 주변 영상을 촬영함에 따라 복수의 영상 프레임을 획득할 수 있다.
단계 S1101에 관해서는, 도 2의 단계 S201에서 상술하였으므로 생략하기로 한다.
도 11의 단계 S1102에서, 전자 장치(100)는 센서를 이용하여 객체가 복수 개 감지됨에 따라, 동일한 시점에 획득한 복수의 영상 프레임 중, 복수 개의 객체가 감지된 시점과 위치에 대응하는 영상 프레임을 복수 개 추출할 수 있다.
도 12를 참조하면, 예를 들어, 전자 장치(100)는 동일한 시점에, 객체 감지 센서(222)를 이용하여, 보행자(128)와 도로 표지판(129)을 감지할 수 있다. 전자 장치(100)는, 객체 감지 센서(222)를 이용하여, 보행자(128)와 도로 표지판(129)을 감지함에 따라, 카메라(228)를 이용하여 획득되는 복수의 영상 프레임 중, 보행자(128)와 도로 표지판(129) 각각이 감지된 시점과 위치에 대응하는 영상 프레임을 추출할 수 있다. 예를 들어, 전자 장치(100)는 동일한 시점(T2)에 서로 다른 카메라를 통해 획득된 복수의 영상 프레임(121, 122)을 추출할 수 있다.
도 11의 단계 S1103에서, 전자 장치(100)는 추출된 복수 개의 영상 프레임 중, 미리 설정된 우선 순위에 기초하여, 하나의 영상 프레임을 결정할 수 있다.
일 실시 예에 따라, 전자 장치(100)는 동일한 시점에 촬영된 복수의 영상 프레임이 추출된 경우, 미리 설정된 우선 순위에 기초하여 하나의 영상 프레임을 결정할 수 있다.
일 실시 예에 따라, 전자 장치(100)는 객체의 종류에 따라 우선 순위를 설정할 수 있다. 예를 들어, 전자 장치(100)는, 보행자를 최우선 순위로 설정할 수 있다. 또한, 일 실시 예에 따라, 전자 장치(100)는 객체의 거리에 따라 우선 순위를 설정할 수 있다. 예를 들어, 전자 장치(100)는 차량(1)과의 거리가 가깝게 위치하는 것으로 판단되는 객체일수록, 우선 순위를 높게 설정할 수 있으며, 이에 제한되지 않는다.
도 12를 참조하면, 예를 들어, 전자 장치(100)는, 객체의 종류에 따라 보행자(129)를 우선적으로 선택할 수 있다. 또한, 전자 장치(100)는 보행자(129)가 도로 표지판(129)보다 가까이 위치하는 것으로 판단됨에 따라, 보행자(129)를 선택할 수 있다.
일 실시 예에 따라, 전자 장치(100)는 추출된 복수의 영상 프레임(121, 122) 중, 우선 순위에 따라, 보행자(129)가 포함되었을 것으로 추정되는 영상 프레임(122)을 결정할 수 있다.
도 11의 단계 S1104에서, 전자 장치(100)는 결정된 영상 프레임에 객체 검출 을 우선적으로 수행할 수 있다.
일 실시 예에 따라, 전자 장치(100)는 객체 감지 센서(222)에 의해 보행자(128)와 도로 표지판(129)이 감지된 시점에 근접한 T2 시점에 획득된 복수의 영상 프레임(121, 122) 중, 보행자(129)가 촬영되었을 것으로 추정되는 영상 프레임(122)에 대해 우선적으로 객체 검출을 수행할 수 있다.
또한, 전자 장치(100)는, 도로 표지판(128)이 객체 감지 센서(222)에 의해 감지된 시점에 근접한 시점(T2)의 다음 시점(T3)의 영상 프레임(123)에 대해, 객체 검출을 수행함으로써 도로 표지판(129)을 검출할 수 있다.
한편, 전자 장치(100)는 검출된 보행자(128)의 변화를 추적하기 위해, T3 시점의 영상 프레임(124)에 대해 객체 추적을 수행할 수 있다
일 실시 예에 따르면, 객체 감지 센서(222)를 이용하여 동일한 시점에 복수 개의 객체가 감지된 경우, 우선 순위가 높은 객체에 대응하는 영상 프레임에 대해 우선적으로 객체 검출이 수행되고, 이후, 차 순위의 객체에 대응하는 영상 프레임에 대해 객체 검출이 수행될 수 있다. 이에 따라, 임베디드 시스템의 제한된 자원 내에서도, 많은 연산량을 요구하는 객체 검출이 효율적으로 수행될 수 있고, 객체 검출의 중요도가 높은 객체에 대한 객체 검출 지연을 방지할 수 있다.
도 11 내지 12는 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.
도 13은 일 실시예에 따른 전자 장치의 블록 구성도(block diagram)이다.
전자 장치(100)는 일 실시 예에 따라, 이미지 센서(228), 객체 감지 센서(222) 및 프로세서(120)를 포함할 수 있다. 도 13에 도시된 전자 장치(100)는 본 실시 예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 13에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
일 실시 예에 따라, 이미지 센서(228)는 복수의 카메라들을 포함할 수 있다. 이미지 센서(228)는 차량(1)이 주행하는 동안 차량(1)의 주변을 촬영할 수 있다.
일 실시 예에 따라, 객체 감지 센서(222)는, RADAR 센서(226, 도 14), LIDAR 센서(227, 도 14)를 포함할 수 있다. 객체 감지 센서(222)는, 차량(1)이 주행하는 동안 차량(1)의 주변으로부터 객체들을 감지할 수 있다.
일 실시 예에 따라, 센싱부(110, 도 14)는 다수의 센서들의 위치 및/또는 배향을 수정하도록 구성되는 하나 이상의 액추에이터들을 포함할 수 있는 바, 차량(1)의 전방, 후방, 및 측방 각각의 방향에 위치한 객체를 센싱할 수 있다.
일 실시예에 따라, 프로세서(120)는 적어도 하나의 프로세서로 구성될 수 있다.
일 실시 예에 따라, 프로세서(120)는 차량(1)이 주행하는 동안, 복수의 카메라(228)를 이용하여 미리 설정된 시간 간격에 기초하여 차량(1)의 주변 영상을 촬영함에 따라 복수의 영상 프레임을 획득할 수 있다.
또한, 프로세서(120)는 차량(1)이 주행하는 동안, 객체 감지 센서(222)를 이용하여 객체가 감지됨에 따라, 획득한 복수의 영상 프레임 중, 객체가 감지된 시점과 위치에 대응하는 영상 프레임을 추출할 수 있다.
또한, 프로세서(120)는 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 추출된 영상 프레임으로부터 객체를 검출하기 위한 객체 검출(object detection)을 수행할 수 있다.
또한, 프로세서(120)는, 추출된 영상 프레임 이후에 획득되는 복수의 영상 프레임으로부터, 검출된 객체의 변화를 추적하는 객체 추적(object tracking) 을 수행할 수 있다.
또한, 프로세서(120)는, 복수의 카메라(227)를 이용하여 획득한 복수의 영상 프레임 별로, 미리 설정된 주기에 기초하여, 각각의 영상 프레임에 포함된 객체를 검출하기 위한 객체 검출 또는 각각의 영상 프레임에 포함된 객체의 변화를 추적하는 객체 추적을 수행할 수 있다.
또한, 프로세서(120)는, 객체 감지 센서(228)를 이용하여 객체가 감지될 때까지, 복수의 카메라를 이용하여 획득한 복수의 영상 프레임에 객체 추적 을 수행할 수 있다.
또한, 프로세서(120)는 동일한 시점에 복수의 카메라(228)를 이용하여 획득한 복수의 영상 프레임 중, 어느 하나의 카메라를 이용하여 획득한 영상 프레임에 객체 검출을 수행하고, 나머지 카메라를 이용하여 획득한 영상 프레임에 객체 추적을 수행할 수 있다.
또한, 프로세서(120)는, 복수의 카메라를 이용하여 복수의 영상 프레임을 획득하는 시점마다, 복수의 카메라 중, 객체 검출을 수행할 영상 프레임이 획득되는 카메라를 변경할 수 있다.
또한, 복수의 카메라(228)는, 제1, 2 카메라를 포함하고, 프로세서(120)는, 제1 시점에 제1 카메라를 이용하여 획득한 영상 프레임에 객체 검출을 수행하고, 제1 시점으로부터 미리 설정된 시간 간격 후인 제2 시점에 제2 카메라를 이용하여 획득한 영상 프레임에 객체 검출을 수행할 수 있다.
또한, 프로세서(120)는, 제2 시점에 제1 카메라를 이용하여 획득한 영상 프레임에 객체 추적을 수행할 수 있다.
또한, 프로세서(120)는, 획득한 영상 프레임에 객체 추적을 수행하면, 객체 추적 수행 결과의 신뢰도 값을 산출할 수 있다. 프로세서(120)는 산출된 신뢰도 값이 임계치 이하로 판단됨에 따라, 신뢰도 값이 임계치 이하로 판단된 영상 프레임에 객체 검출을 수행할 수 있다.
또한, 프로세서(120)는, 객체 감지 센서(222)를 이용하여 객체가 복수 개 감지됨에 따라, 동일한 시점에 획득한 복수의 영상 프레임 중, 복수 개의 객체가 감지된 시점과 위치에 대응하는 영상 프레임을 복수 개 추출할 수 있다. 프로세서(120)는 추출된 복수 개의 영상 프레임 중, 미리 설정된 우선 순위에 기초하여, 하나의 영상 프레임을 결정할 수 있다. 프로세서(120)는, 결정된 영상 프레임에 객체 검출을 우선적으로 수행할 수 있다.
또한, 프로세서(120)는, GPU(Graphic Processing Unit)를 포함하고, 객체 검출은, GPU에 의해 수행될 수 있다.
도 14는 일 실시예에 따른 전자 장치의 상세 블록 구성도(block diagram)이다.
도 14에 도시한 바와 같이, 일 실시 예에 따른 전자 장치(100)는, 객체 감지 센서(222), 이미지 센서(228) 및 프로세서(120) 이외에, 다수의 센서를 포함하는 센싱부(110), 출력부(130), 저장부(140), 입력부(150), 통신부(160)를 더 포함할 수 있다. 도 14에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
일 실시 예에 따라 센싱부(110)는 차량(1)이 위치해 있는 주변 환경에 관한 정보를 감지하도록 구성되는 다수의 센서들을 포함할 수 있고, 센서들의 위치 및/또는 배향을 수정하도록 구성되는 하나 이상의 액추에이터들을 포함할 수 있다. 예를 들어, 센싱부(110)는 GPS(Global Positioning System)(224), IMU(Inertial Measurement Unit)(225), RADAR 센서(226), LIDAR 센서(227), 이미지 센서(228) 및 Odometery 센서(230)를 포함할 수 있다. 또한, 센싱부(110)는 온/습도 센서(232), 적외선 센서(233), 기압 센서(235), 근접 센서(236), 및 RGB 센서(illuminance sensor)(237) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
또한, 센싱부(110)는 차량(1)의 움직임을 센싱할 수 있는 움직임 센싱부(238)를 포함할 수 있다. 움직임 센싱부(238)는 지자기 센서(Magnetic sensor)(229), 가속도 센서(Acceleration sensor)(231), 및 자이로스코프 센서(234)를 포함할 수 있다.
GPS(224)는 차량(1)의 지리적 위치를 추정하도록 구성되는 센서일 수 있다. 즉, GPS(224)는 지구에 대한 차량(1)의 위치를 추정하도록 구성되는 송수신기를 포함할 수 있다.
IMU(225)는 관성 가속도에 기초하여 차량(1)의 위치 및 배향 변화들을 감지하도록 구성되는 센서들의 조합이 될 수 있다. 예를 들어, 센서들의 조합은, 가속도계들 및 자이로스코프들을 포함할 수 있다.
RADAR 센서(226)는 무선 신호를 사용하여 차량(1)이 위치해 있는 환경 내의 물체들을 감지하도록 구성되는 센서일 수 있다. 또한, RADAR 센서(226)는, 물체들의 속도 및/또는 방향을 감지하도록 구성될 수 있다.
LIDAR 센서(227)는 레이저를 사용하여 차량(1)이 위치해 있는 환경 내의 물체들을 감지하도록 구성되는 센서일 수 잇다. 보다 구체적으로, LIDAR 센서(227)는 레이저를 방출하도록 구성되는 레이저 광원 및/또는 레이저 스캐너와, 레이저의 반사를 검출하도록 구성되는 검출기를 포함할 수 잇다. LIDAR 센서(227)는 코히런트(coherent)(예컨대, 헤티로다인 검출을 사용함) 또는 비코히런트(incoherent) 검출 모드에서 동작하도록 구성될 수 있다.
이미지 센서(228)는 차량(1) 외부의 환경을 기록하도록 구성되는 스틸 카메라 또는 비디오 카메라가 될 수 있다. 예를 들어, 이미지 센서(228)는 다수의 카메라들을 포함할 수 있고, 다수의 카메라들은 차량(1)의 내부 및 외부 상의 다수의 위치들에 배치될 수 있다.
Odometery 센서(230)는 차량(1)의 위치를 추정하고, 이동 거리를 측정할 수 있다. 예를 들어, Odometery 센서(230)는 차량(1)의 바퀴의 회전 수를 이용하여 차량(1)의 위치 변화 값을 측정할 수 있다.
저장부(140)는 마그네틱 디스크 드라이브, 광학 디스크 드라이브, 플래쉬 메모리를 포함할 수 있다. 또는 저장부(140)는 휴대 가능한 USB 데이터 저장 장치가 될 수 있다. 저장부(140)는 본원과 관련되는 예들을 실행하기 위한 시스템 소프트웨어를 저장할 수 있다. 본원과 관련되는 예들을 실행하기 위한 시스템 소프트웨어는 휴대 가능한 저장 매체에 저장될 수 있다.
통신부(160)는 다른 디바이스와 무선으로 통신하기 위한 적어도 하나의 안테나를 포함할 수 있다. 예를 들어, 통신부(160)는 와이파이 또는 블루투스를 통해 무선으로 셀룰러 네트워크 또는 다른 무선 프로토콜 및 시스템과 통신하기 위해 이용될 수 있다. 프로세서(120)에 의해 제어되는 통신부(160)는 무선 신호를 송수신할 수 있다. 예를 들어, 프로세서(120)는, 통신부(160)가 셀룰러 네트워크와 무선 신호를 송수신하기 위해, 저장부(140)에 포함된 프로그램을 실행시킬 수 있다.
입력부(150)는 차량(1)을 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 입력부(150)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다. 또한, 입력부(150)는 마이크를 포함할 수 있는 바, 마이크는 차량(1)의 탑승자로부터 오디오(예를 들어, 음성 명령)를 수신하도록 구성될 수 있다.
출력부(130)는 오디오 신호 또는 비디오 신호를 출력할 수 있으며, 출력 장치(280)는 디스플레이(281), 및 음향 출력부(282)를 포함할 수 있다.
디스플레이(281)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 출력부(130)의 구현 형태에 따라, 출력부(130)는 디스플레이(281)를 2개 이상 포함할 수도 있다.
음향 출력부(282)는 통신부(160)로부터 수신되거나 저장부(140)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(282)에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.
입력부(150) 및 출력부(130)는 네트워크 인터페이스를 포함할 수 있고, 터치 스크린으로 구현될 수 있다.
프로세서(120)는, 저장부(140)에 저장된 프로그램들을 실행함으로써, 센싱부(110), 통신부(160), 입력부(150), 저장부(140), 및 출력부(130)를 전반적으로 제어할 수 있다.
도 15는 일 실시예에 따른 차량의 블록 구성도(block diagram)이다.
차량(1)은 일 실시 예에 따라, 전자 장치(100) 및 주행 장치(200)를 포함할 수 있다. 도 15에 도시된 차량(1)은 본 실시 예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 15에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
전자 장치(100)는 센싱부(110) 및 프로세서(120)를 포함할 수 있다. 센싱부(110)와 프로세서(120)에 대한 설명은 도 13, 도 14에서 상술하였으므로, 생략하기로 한다.
주행 장치(200)는 브레이크 유닛(221), 조향 유닛(222) 및 스로틀(223)을 포함할 수 있다.
조향 유닛(222)은 차량(1)의 방향을 조절하도록 구성되는 매커니즘들의 조합이 될 수 있다.
스로틀(223)은 엔진/모터(211)의 동작 속도를 제어하여, 차량(1)의 속도를 제어하도록 구성되는 매커니즘들의 조합이 될 수 있다. 또한, 스로틀(223)은 스로틀 개방량을 조절하여 엔진/모터(211)로 유입되는 연료공기의 혼합 가스 양을 조절할 수 있으며, 스로틀 개방량을 조절하여 동력 및 추력을 제어할 수 있다.
브레이크 유닛(221)은 차량(1)을 감속시키도록 구성되는 매커니즘들의 조합이 될 수 있다. 예를 들어, 브레이크 유닛(221)은 휠/타이어(214)의 속도를 줄이기 위해 마찰을 사용할 수 있다.
도 16은 일 실시예에 따른 프로세서의 블록도이다.
도 16을 참조하면, 일부 실시예에 따른 프로세서(120)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 상황 판단을 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 소정의 상황을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 상황 판단을 위한 기준을 학습할 수 있다.
데이터 인식부(1320)는 데이터에 기초한 상황을 판단할 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 상황을 인식할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 소정의 데이터에 기초한 소정의 상황을 판단할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.
한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 17은 일 실시예에 따른 데이터 학습부의 블록도이다.
도 17을 참조하면, 일부 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.
데이터 획득부(1310-1)는 상황 판단에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 상황 판단을 위한 학습을 위하여 필요한 데이터를 획득할 수 있다. 또한, 데이터 획득부(1310-1)는 서버로부터 데이터를 수신할 수도 있다.
예를 들어, 데이터 획득부(1310-1)는 차량(1)의 주변 영상을 입력 받을 수 있다. 주변 영상은 복수의 이미지(또는, 프레임(frame))들로 구성될 수 있다. 일 예로, 데이터 획득부(1310-1)는 데이터 학습부(1310)를 포함하는 전자 장치의 카메라, 또는 데이터 학습부(1310)를 포함하는 전자 장치와 통신 가능한 외부의 카메라(예로, CCTV 또는 블랙박스 등)를 통하여 동영상을 입력 받을 수 있다. 여기서, 카메라는 하나 이상의 이미지 센서(예: 전면 센서 또는 후면 센서), 렌즈, 이미지 시그널 프로세서(ISP), 또는 플래시(예: LED 또는 xenon lamp 등)를 포함할 수 있다.
또한, 일 예로, 데이터 획득부(1310-1)는 전자 장치의 입력 기기(예: 마이크로폰, 카메라 또는 센서 등)를 통해 데이터를 입력 받을 수 있다. 또는, 데이터 획득부(1310-1)는 전자 장치와 통신하는 외부 장치를 통해 데이터를 획득할 수 있다.
전처리부(1310-2)는 상황 판단을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 전처리부(1310-2)는 입력된 동영상의 적어도 일부를 구성하는 복수의 이미지(또는 프레임(frame))들 각각에 포함된 공통 영역을 기초로, 복수의 이미지들의 적어도 일부를 중첩하여 하나의 합성 이미지를 생성할 수 있다. 이 경우, 하나의 동영상에서 복수 개의 합성 이미지들이 생성될 수도 있다. 공통 영역은, 복수의 이미지들 각각에서 동일 또는 유사한 공통 오브젝트(예로, 물체, 동식물 또는 사람 등)를 포함한 영역이 될 수 있다. 또는, 공통 영역은, 복수의 이미지들 각각에서 색, 음영, RGB 값 또는 CMYK 값 등이 동일 또는 유사한 영역이 될 수 있다.
학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
예를 들어, 차량(1)의 주행 경로 상에 영향을 미칠 수 있는 객체 예컨대, 다른 차량, 장애물, 보행자 등에 관한 데이터가 선택될 수 있다.
모델 학습부(1310-4)는 학습 데이터에 기초하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 상황 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
또한, 모델 학습부(1310-4)는 상황 판단에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)을 입력 받아 미리 구축된 모델일 수 있다.
데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, CNN(Convolutional Neural Network), DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도 없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 데이터 인식 모델이 학습되면, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(1310-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 동영상 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.
한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 18은 일 실시예에 따른 데이터 인식부의 블록도이다.
도 18을 참조하면, 일부 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.
데이터 획득부(1320-1)는 상황 판단에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(1320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 상황을 판단할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.
일 실시 예에 따라, 인식 결과는, 텍스트, 음성, 동영상, 이미지 또는 명령어(예로, 어플리케이션 실행 명령어, 모듈 기능 실행 명령어 등) 등으로 제공될 수 있다.
모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 19는 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 19는 일부 실시 예에 따른 전자 장치(100) 및 서버(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 19를 참조하면, 서버(2000)는 상황 판단을 위한 기준을 학습할 수 있으며, 전자 장치(100)는 서버(2000)에 의한 학습 결과에 기초하여 상황을 판단할 수 있다.
이 경우, 서버(2000)의 모델 학습부(2340)는 도 17에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2340)는 소정의 상황을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 상황 판단을 위한 기준을 학습할 수 있다.
또한, 전자 장치(100)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 데이터 인식 모델에 적용하여 상황을 판단할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 상황을 판단할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 서버(2000)에 의해 판단된 상황에 관한 정보를 서버(2000)로부터 수신할 수 있다.
예를 들어, 전자 장치(100)는 영상 프레임을 서버(2000)에게 전송하고, 서버(2000)가 영상 프레임에 데이터 인식 모델에 적용하여 객체를 검출할 것을 요청할 수 있다. 또한, 전자 장치(100)는 서버(2000)에 의해 판단된 객체 검출에 관한 정보를 서버(2000)로부터 수신할 수 있다.
또는, 전자 장치(100)의 인식 결과 제공부(1320-4)는 서버(2000)에 의해 생성된 인식 모델을 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 상황을 판단할 수 있다. 이 경우, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여 상황을 판단할 수 있다.
예를 들어, 전자 장치(100)는 영상 프레임을 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여, 객체를 검출 할 수 있다.
상기 살펴 본 실시 예들에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.
본 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 실시 예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단”, “구성”과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
100 : 전자 장치
120 : 프로세서
120 : 프로세서
Claims (20)
- 차량의 주행을 보조하는 전자 장치에 있어서,
상기 차량의 주변 영상을 촬영하는 복수의 카메라;
상기 차량 주변의 객체를 감지하는 적어도 하나의 센서; 및
상기 차량이 주행하는 동안, 상기 복수의 카메라를 이용하여 미리 설정된 시간 간격에 기초하여 상기 차량의 주변 영상을 촬영함에 따라 복수의 영상 프레임을 획득하고,
상기 차량이 주행하는 동안, 상기 센서를 이용하여 상기 객체가 감지됨에 따라, 상기 획득한 복수의 영상 프레임 중, 상기 객체가 감지된 시점과 위치에 대응하는 영상 프레임을 추출하고,
상기 추출된 영상 프레임으로부터 객체 검출(object detection)을 수행하고,
상기 추출된 영상 프레임 이후에 획득되는 복수의 영상 프레임으로부터, 상기 객체의 변화를 추적하는 객체 추적(object tracking)을 수행하는, 프로세서를 포함하는, 전자 장치.
- 제1 항에 있어서,
상기 프로세서는,
상기 복수의 카메라를 이용하여 획득한 복수의 영상 프레임 별로, 미리 설정된 주기에 기초하여, 각각의 영상 프레임에 포함된 객체를 검출하기 위한 상기 객체 검출(object detection) 또는 각각의 영상 프레임에 포함된 객체의 변화를 추적하는 상기 객체 추적(object tracking)을 수행하는, 전자 장치.
- 제2 항에 있어서,
상기 프로세서는,
상기 센서를 이용하여 상기 객체가 감지될 때까지, 상기 복수의 카메라를 이용하여 획득한 복수의 영상 프레임으로부터 상기 객체 추적(object tracking)을 수행하는, 전자 장치.
- 제2 항에 있어서,
상기 프로세서는,
동일한 시점에 상기 복수의 카메라를 이용하여 획득한 복수의 영상 프레임 중, 어느 하나의 카메라를 이용하여 획득한 영상 프레임으로부터 상기 객체 검출(object detection)을 수행하고, 나머지 카메라를 이용하여 획득한 영상 프레임으로부터 상기 객체 추적(object tracking)을 수행하는, 전자 장치.
- 제4 항에 있어서,
상기 프로세서는,
상기 복수의 카메라를 이용하여 상기 복수의 영상 프레임을 획득하는 시점마다, 상기 복수의 카메라 중, 상기 객체 검출(object detection)을 수행할 영상 프레임이 획득되는 카메라를 변경하는, 전자 장치.
- 제4 항에 있어서,
상기 복수의 카메라는, 제1, 2 카메라를 포함하고,
상기 프로세서는,
제1 시점에 상기 제1 카메라를 이용하여 획득한 영상 프레임에 상기 객체 검출(object detection)을 수행하고,
상기 제1 시점으로부터 상기 미리 설정된 시간 간격 후인 제2 시점에 상기 제2 카메라를 이용하여 획득한 영상 프레임에 상기 객체 검출(object detection)을 수행하는, 전자 장치.
- 제6 항에 있어서,
상기 프로세서는,
상기 제2 시점에 상기 제1 카메라를 이용하여 획득한 영상 프레임에 상기 객체 추적(object tracking)을 수행하는, 전자 장치.
- 제2 항에 있어서,
상기 프로세서는,
상기 획득한 영상 프레임에 상기 객체 추적(object tracking)을 수행하면, 상기 객체 추적(object tracking) 결과의 신뢰도 값을 산출하고,
상기 산출된 신뢰도 값이 임계치 이하로 판단됨에 따라, 상기 신뢰도 값이 임계치 이하로 판단된 영상 프레임에 상기 객체 검출(object detection)을 수행하는, 전자 장치.
- 제1 항에 있어서,
상기 프로세서는,
상기 센서를 이용하여 상기 객체가 복수 개 감지됨에 따라, 동일한 시점에 획득한 복수의 영상 프레임 중, 상기 복수 개의 객체가 감지된 시점과 위치에 대응하는 영상 프레임을 복수 개 추출하고,
상기 추출된 복수 개의 영상 프레임 중, 미리 설정된 우선 순위에 기초하여, 하나의 영상 프레임을 결정하고,
상기 결정된 영상 프레임에 상기 객체 검출(object detection)을 우선적으로 수행하는, 전자 장치.
- 제1 항에 있어서,
상기 프로세서는, GPU(Graphic Processing Unit)를 포함하고,
상기 객체 검출(object detection)은, 상기 GPU에 의해 수행되는, 전자 장치.
- 제1 항에 있어서,
상기 프로세서는,
뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 객체 검출(object detection)을 수행하는, 전자 장치.
- 차량의 주행을 보조하는 전자 장치의 동작 방법에 있어서,
상기 차량이 주행하는 동안, 복수의 카메라를 이용하여 미리 설정된 시간 간격에 기초하여 상기 차량의 주변 영상을 촬영함에 따라 복수의 영상 프레임을 획득하는 단계;
상기 차량이 주행하는 동안, 적어도 하나의 센서를 이용하여 상기 객체가 감지됨에 따라, 상기 획득한 복수의 영상 프레임 중, 상기 객체가 감지된 시점과 위치에 대응하는 영상 프레임을 추출하는 단계;
상기 추출된 영상 프레임으로부터 객체 검출(object detection)을 수행하는 단계; 및
상기 추출된 영상 프레임 이후에 획득되는 복수의 영상 프레임으로부터, 상기 객체의 변화를 추적하는 객체 추적(object tracking)을 수행하는 단계를 포함하는, 방법.
- 제12 항에 있어서,
상기 복수의 카메라를 이용하여 획득한 복수의 영상 프레임 별로, 미리 설정된 주기에 기초하여, 각각의 영상 프레임에 포함된 객체를 검출하기 위한 상기 객체 검출(object detection) 또는 각각의 영상 프레임에 포함된 객체의 변화를 추적하는 상기 객체 추적(object tracking)을 수행하는 단계를 포함하는, 방법.
- 제13 항에 있어서,
상기 객체 검출(object detection) 또는 객체 추적(object tracking)을 수행하는 단계는,
상기 센서를 이용하여 상기 객체가 감지될 때까지, 상기 복수의 카메라를 이용하여 획득한 복수의 영상 프레임으로부터 상기 객체 추적(object tracking)을 수행하는, 방법.
- 제13 항에 있어서,
상기 객체 검출(object detection) 또는 객체 추적(object tracking)을 수행하는 단계는,
동일한 시점에 상기 복수의 카메라를 이용하여 획득한 복수의 영상 프레임 중, 어느 하나의 카메라를 이용하여 획득한 영상 프레임으로부터 상기 객체 검출(object detection)을 수행하고, 나머지 카메라를 이용하여 획득한 영상 프레임으로부터 상기 객체 추적(object tracking)을 수행하는, 방법.
- 제15 항에 있어서,
상기 객체 검출(object detection) 또는 객체 추적(object tracking)을 수행하는 단계는,
상기 복수의 카메라를 이용하여 상기 복수의 영상 프레임을 획득하는 시점마다, 상기 복수의 카메라 중, 상기 객체 검출(object detection)을 수행할 영상 프레임이 획득되는 카메라를 변경하는, 방법.
- 제15 항에 있어서,
상기 복수의 카메라는, 제1, 2 카메라를 포함하고,
상기 객체 검출(object detection) 또는 객체 추적(object tracking)을 수행하는 단계는,
제1 시점에 상기 제1 카메라를 이용하여 획득한 영상 프레임에 상기 객체 검출(object detection)을 수행하는 단계; 및
상기 제1 시점으로부터 상기 미리 설정된 시간 간격 후인 제2 시점에 상기 제2 카메라를 이용하여 획득한 영상 프레임에 상기 객체 검출(object detection)을 수행하는 단계를 포함하는, 방법.
- 제17 항에 있어서,
상기 객체 검출(object detection) 또는 객체 추적(object tracking)을 수행하는 단계는,
상기 제2 시점에 상기 제1 카메라를 이용하여 획득한 영상 프레임에 상기 객체 추적(object tracking)을 수행하는 단계를 포함하는, 방법.
- 제12 항에 있어서,
상기 객체 검출(object detection) 또는 객체 추적(object tracking)을 수행하는 단계는,
상기 획득한 영상 프레임에 상기 객체 추적(object tracking)을 수행하면, 상기 객체 추적(object tracking) 결과의 신뢰도 값을 산출하는 단계; 및
상기 산출된 신뢰도 값이 임계치 이하로 판단됨에 따라, 상기 신뢰도 값이 임계치 이하로 판단된 영상 프레임에 상기 객체 검출(object detection)을 수행하는 단계를 포함하는, 방법.
- 제12 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180027708A KR102458664B1 (ko) | 2018-03-08 | 2018-03-08 | 차량의 주행을 보조하는 전자 장치 및 방법 |
US16/978,866 US11508158B2 (en) | 2018-03-08 | 2019-03-06 | Electronic device and method for vehicle driving assistance |
EP19764996.5A EP3736191A4 (en) | 2018-03-08 | 2019-03-06 | ELECTRONIC DEVICE AND METHOD FOR DRIVER ASSISTANCE OF A VEHICLE |
PCT/KR2019/002597 WO2019172645A1 (ko) | 2018-03-08 | 2019-03-06 | 차량의 주행을 보조하는 전자 장치 및 방법 |
CN201980017857.5A CN111836747B (zh) | 2018-03-08 | 2019-03-06 | 用于车辆驾驶辅助的电子装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180027708A KR102458664B1 (ko) | 2018-03-08 | 2018-03-08 | 차량의 주행을 보조하는 전자 장치 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190109663A true KR20190109663A (ko) | 2019-09-26 |
KR102458664B1 KR102458664B1 (ko) | 2022-10-25 |
Family
ID=67845787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180027708A KR102458664B1 (ko) | 2018-03-08 | 2018-03-08 | 차량의 주행을 보조하는 전자 장치 및 방법 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11508158B2 (ko) |
EP (1) | EP3736191A4 (ko) |
KR (1) | KR102458664B1 (ko) |
CN (1) | CN111836747B (ko) |
WO (1) | WO2019172645A1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021137313A1 (ko) * | 2019-12-30 | 2021-07-08 | 주식회사 써로마인드로보틱스 | 자동차의 주변 상황이 위험상황인지를 판단하고 주행가이드를 생성하여 경보하여 주는 방법 및 이를 이용한 장치 |
KR20210128563A (ko) * | 2020-04-16 | 2021-10-27 | 주식회사 엘지유플러스 | 클라우드의 도로 객체 인식을 이용하여 주행 정보를 제공하는 방법 및 장치 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004861B (zh) * | 2020-07-28 | 2023-04-07 | 华为技术有限公司 | 目标跟踪方法及相关系统、存储介质、智能驾驶车辆 |
US11954932B2 (en) * | 2020-10-16 | 2024-04-09 | Bluebeam, Inc. | Systems and methods for automatic detection of features on a sheet |
US20210109881A1 (en) * | 2020-12-21 | 2021-04-15 | Intel Corporation | Device for a vehicle |
CN113792600B (zh) * | 2021-08-10 | 2023-07-18 | 武汉光庭信息技术股份有限公司 | 一种基于深度学习的视频抽帧方法和系统 |
DE102022207617B3 (de) | 2022-07-26 | 2024-01-25 | Volkswagen Aktiengesellschaft | Verfahren und Überwachungseinrichtung zur Steuerung wenigstens einer Fahrzeugfunktion eines Fahrzeugs |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100191391A1 (en) * | 2009-01-26 | 2010-07-29 | Gm Global Technology Operations, Inc. | multiobject fusion module for collision preparation system |
KR20140048539A (ko) * | 2012-10-16 | 2014-04-24 | 에스케이텔레콤 주식회사 | 차량의 주변영상을 이용한 객체 인식장치 및 방법 |
KR20170027093A (ko) * | 2015-09-01 | 2017-03-09 | 엘지이노텍 주식회사 | 차량용 이동체 정보 제공 장치 |
US20170220879A1 (en) * | 2014-07-28 | 2017-08-03 | Clarion Co., Ltd. | Object detection apparatus |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8098889B2 (en) | 2007-01-18 | 2012-01-17 | Siemens Corporation | System and method for vehicle detection and tracking |
US8605947B2 (en) * | 2008-04-24 | 2013-12-10 | GM Global Technology Operations LLC | Method for detecting a clear path of travel for a vehicle enhanced by object detection |
CN101354439B (zh) * | 2008-08-28 | 2011-12-14 | 阮树成 | 毫米波时分随机码调相多通道汽车防撞雷达 |
CN101633344A (zh) * | 2009-06-16 | 2010-01-27 | 郑仰湖 | 一种动态路标系统 |
CN102508246B (zh) * | 2011-10-13 | 2013-04-17 | 吉林大学 | 车辆前方障碍物检测跟踪方法 |
US9066085B2 (en) * | 2012-12-13 | 2015-06-23 | Delphi Technologies, Inc. | Stereoscopic camera object detection system and method of aligning the same |
KR102310782B1 (ko) | 2015-10-30 | 2021-10-12 | 엘지전자 주식회사 | 차량운전 보조장치, 이를 포함하는 차량, 및 차량안전 시스템 |
US10083378B2 (en) | 2015-12-28 | 2018-09-25 | Qualcomm Incorporated | Automatic detection of objects in video images |
US20170185763A1 (en) | 2015-12-29 | 2017-06-29 | Faraday&Future Inc. | Camera-based detection of objects proximate to a vehicle |
KR101789294B1 (ko) | 2015-12-29 | 2017-11-21 | 재단법인대구경북과학기술원 | 차량용 어라운드 뷰 시스템 및 그 동작 방법 |
WO2017123920A1 (en) | 2016-01-14 | 2017-07-20 | RetailNext, Inc. | Detecting, tracking and counting objects in videos |
US9858496B2 (en) | 2016-01-20 | 2018-01-02 | Microsoft Technology Licensing, Llc | Object detection and classification in images |
US10745009B2 (en) * | 2016-12-21 | 2020-08-18 | Samsung Electronics Co., Ltd. | Electronic apparatus for determining a dangerous situation of a vehicle and method of operating the same |
US10460180B2 (en) * | 2017-04-20 | 2019-10-29 | GM Global Technology Operations LLC | Systems and methods for visual classification with region proposals |
US10740627B2 (en) * | 2017-05-10 | 2020-08-11 | Fotonation Limited | Multi-camera vision system and method of monitoring |
US11016495B2 (en) * | 2018-11-05 | 2021-05-25 | GM Global Technology Operations LLC | Method and system for end-to-end learning of control commands for autonomous vehicle |
-
2018
- 2018-03-08 KR KR1020180027708A patent/KR102458664B1/ko active IP Right Grant
-
2019
- 2019-03-06 EP EP19764996.5A patent/EP3736191A4/en active Pending
- 2019-03-06 WO PCT/KR2019/002597 patent/WO2019172645A1/ko unknown
- 2019-03-06 US US16/978,866 patent/US11508158B2/en active Active
- 2019-03-06 CN CN201980017857.5A patent/CN111836747B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100191391A1 (en) * | 2009-01-26 | 2010-07-29 | Gm Global Technology Operations, Inc. | multiobject fusion module for collision preparation system |
KR20140048539A (ko) * | 2012-10-16 | 2014-04-24 | 에스케이텔레콤 주식회사 | 차량의 주변영상을 이용한 객체 인식장치 및 방법 |
US20170220879A1 (en) * | 2014-07-28 | 2017-08-03 | Clarion Co., Ltd. | Object detection apparatus |
KR20170027093A (ko) * | 2015-09-01 | 2017-03-09 | 엘지이노텍 주식회사 | 차량용 이동체 정보 제공 장치 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021137313A1 (ko) * | 2019-12-30 | 2021-07-08 | 주식회사 써로마인드로보틱스 | 자동차의 주변 상황이 위험상황인지를 판단하고 주행가이드를 생성하여 경보하여 주는 방법 및 이를 이용한 장치 |
KR20210086840A (ko) * | 2019-12-30 | 2021-07-09 | 주식회사 써로마인드 | 자동차의 주변 상황이 위험상황인지를 판단하고 주행가이드를 생성하여 경보하여 주는 방법 및 이를 이용한 장치 |
KR20210128563A (ko) * | 2020-04-16 | 2021-10-27 | 주식회사 엘지유플러스 | 클라우드의 도로 객체 인식을 이용하여 주행 정보를 제공하는 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
WO2019172645A1 (ko) | 2019-09-12 |
EP3736191A4 (en) | 2021-03-24 |
KR102458664B1 (ko) | 2022-10-25 |
US11508158B2 (en) | 2022-11-22 |
US20210049381A1 (en) | 2021-02-18 |
EP3736191A1 (en) | 2020-11-11 |
CN111836747B (zh) | 2024-06-07 |
CN111836747A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102458664B1 (ko) | 차량의 주행을 보조하는 전자 장치 및 방법 | |
US11776135B2 (en) | Object velocity from images | |
KR102623574B1 (ko) | 전자 장치 및 그 동작 방법 | |
US20200369271A1 (en) | Electronic apparatus for determining a dangerous situation of a vehicle and method of operating the same | |
KR102060662B1 (ko) | 차량의 주행 이벤트를 검출하는 전자 장치 및 방법 | |
US11055544B2 (en) | Electronic device and control method thereof | |
US11688195B2 (en) | Electronic device and method for assisting with driving of vehicle | |
KR102480416B1 (ko) | 차선 정보를 추정하는 방법 및 전자 장치 | |
KR20190134862A (ko) | 전자 장치 및 그 동작 방법 | |
US11931906B2 (en) | Mobile robot device and method for providing service to user | |
KR102452636B1 (ko) | 차량의 주행을 보조하는 장치 및 방법 | |
US20230159047A1 (en) | Learning-based critic for tuning a motion planner of autonomous driving vehicle | |
US20230067887A1 (en) | Techniques for detecting road blockages and generating alternative routes | |
US11704827B2 (en) | Electronic apparatus and method for assisting with driving of vehicle | |
KR20200145356A (ko) | 차량 탑승자를 위한 컨텐츠 제공 방법 및 장치 | |
US20240071090A1 (en) | Mobile object control device, mobile object control method, training device, training method, generation device, and storage medium | |
US11226206B2 (en) | Electronic apparatus and method for implementing simultaneous localization and mapping (SLAM) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |