KR20200049888A - 부과된 책임 제약이 있는 항법 시스템 - Google Patents

부과된 책임 제약이 있는 항법 시스템 Download PDF

Info

Publication number
KR20200049888A
KR20200049888A KR1020207012258A KR20207012258A KR20200049888A KR 20200049888 A KR20200049888 A KR 20200049888A KR 1020207012258 A KR1020207012258 A KR 1020207012258A KR 20207012258 A KR20207012258 A KR 20207012258A KR 20200049888 A KR20200049888 A KR 20200049888A
Authority
KR
South Korea
Prior art keywords
vehicle
host vehicle
navigation
image
image capture
Prior art date
Application number
KR1020207012258A
Other languages
English (en)
Other versions
KR102316406B1 (ko
Inventor
샤이 샬리스워츠
샤키드 샴마흐
암논 샤슈아
Original Assignee
모빌아이 비젼 테크놀로지스 엘티디.
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 모빌아이 비젼 테크놀로지스 엘티디. filed Critical 모빌아이 비젼 테크놀로지스 엘티디.
Priority to KR1020217028363A priority Critical patent/KR102426734B1/ko
Publication of KR20200049888A publication Critical patent/KR20200049888A/ko
Application granted granted Critical
Publication of KR102316406B1 publication Critical patent/KR102316406B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering systems
    • 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
    • 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
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • 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
    • B60W30/08—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
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
    • 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
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • 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
    • 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
    • B60W40/10—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 vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D15/00—Steering not otherwise provided for
    • B62D15/02—Steering position indicators ; Steering position determination; Steering aids
    • B62D15/025—Active steering aids, e.g. helping the driver by actively influencing the steering system after environment evaluation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D15/00—Steering not otherwise provided for
    • B62D15/02—Steering position indicators ; Steering position determination; Steering aids
    • B62D15/025—Active steering aids, e.g. helping the driver by actively influencing the steering system after environment evaluation
    • B62D15/0265—Automatic obstacle avoidance by steering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • 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
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/006—Indicating maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • B60W2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • 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
    • 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
    • B60W2420/408—Radar; Laser, e.g. lidar
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/50—Barriers
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/53—Road markings, e.g. lane marker or crosswalk
    • 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
    • B60W2554/00—Input parameters relating to objects
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/20—Static objects
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/402—Type
    • B60W2554/4023—Type large-size vehicles, e.g. trucks
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/402—Type
    • B60W2554/4026—Cycles
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/402—Type
    • B60W2554/4029—Pedestrians
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4046—Behavior, e.g. aggressive or erratic
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/60—Traversable objects, e.g. speed bumps or curbs
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/801—Lateral distance
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/804—Relative longitudinal speed
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • 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
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/18—Braking system

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Diaphragms For Electromechanical Transducers (AREA)

Abstract

호스트 차량의 항법을 위한 시스템 및 방법이 제공된다. 일부 실시예에서, 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고; 호스트 차량의 항법 목적을 달성하기 위한 예정 항법 동작을 적어도 하나의 주행 방침에 의거하여 결정하고; 상기 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황 내에서 타깃 차량을 식별하고; 식별된 타깃 차량에 대한 호스트 차량의 잠재적 사고 책임을 판단하기 위해 적어도 하나의 사고 책임 규칙에 대비해 상기 예정 항법 동작을 시험하고; 상기 적어도 하나의 사고 책임 규칙에 대비한 상기 예정 항법 동작의 시험에서 상기 예정 항법 동작을 취할 경우에 호스트 차량에게 잠재적 사고 책임이 존재하는 것으로 나타나는 경우, 호스트 차량이 상기 예정 항법 동작을 실행하지 못하도록 하고; 상기 적어도 하나의 사고 책임 규칙에 대한 상기 예정 항법 동작의 시험에서 상기 예정 항법 동작을 취할 경우에 호스트 차량에게 사고 책임이 없는 것으로 나타나는 경우, 호스트 차량이 상기 예정 항법 동작을 실행하게 하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있다.

Description

부과된 책임 제약이 있는 항법 시스템{NAVIGATIONAL SYSTEM WITH IMPOSED LIABILITY CONSTRAINTS}
본 발명은 자율 주행에 관한 것이다. 또한, 본 발명은 잠재적 사고 책임의 제약에 따른 항법을 위한 시스템 및 방법에 관한 것이다.
기술 발전과 함께, 도로상에서 항법이 가능한 완전 자율 자동차의 구현이 목전에 있다. 자율주행차는 의도한 목적지에 안전하고 정확하게 도착하기 위해 다양한 요소를 고려하고 그런 요소에 근거한 적절한 판단을 해야 할 수 있다. 예를 들어, 자율주행차는 시각 정보(예를 들면, 카메라로부터 캡처된 정보) 및 레이더 또는 라이더(lidar)로부터의 정보를 처리하고 해석해야 할 수 있고, 또한 기타 출처(예를 들면, GPS 장치, 속력 센서, 가속도계, 서스펜션 센서 등)로부터 획득한 정보를 이용할 수도 있다. 동시에, 자율주행차는, 목적지로 주행하기 위하여, 특정 도로 내의 위치(예를 들면, 다차선 도로상의 특정 차로)를 식별하고, 다른 차량을 따라 주행하고, 장애물과 보행자를 회피하고, 신호등과 도로표지판을 관찰하고, 적절한 교차로나 분기점에서 한 도로에서 다른 도로로 이동하고, 차량의 조작 중에 발생하는 기타 다른 상황에 대응할 필요가 있을 수도 있다. 또한, 항법시스템은 특정 제약을 따를 필요가 있을 수 있다. 일부 경우에서, 이러한 제약은 호스트 차량과 다른 차량, 보행자 등과 같은 하나 이상의 다른 사물 사이의 상호작용에 관한 것일 수 있다. 다른 경우에서, 이러한 제약은 호스트 차량에 대한 하나 이상의 항법 동작을 실행함에 있어서 따라야 할 책임 규칙에 관한 것일 수 있다.
자율주행 분야에서, 자율 차량 시스템의 성공적인 구현을 위해 두 가지 중요한 사항이 고려돼야 한다. 첫째는 안전 보증의 표준화인데, 여기에는 안전을 보장하기 위해 모든 자율주행차가 충족시켜야 하는 요구사항과 이러한 요구사항을 검증하는 방법이 포함된다. 둘째는 확장성인데, 이는 막대한 비용이 들어가는 엔지니어링 솔루션이 수백만 대의 차량으로 확장될 수 없을 것이고 자율주행차의 광범위한 채택을 또는 광범위하지 않은 채택마저도 가로막을 수 있기 때문이다. 따라서, 안전 보장에 대한 해석 가능한 수학적 모델 및 수백만 대의 차량에 확장 가능하면서 안전 보장 요구를 따르는 시스템의 설계에 대한 요구가 있다.
본 발명은 잠재적 사고 책임의 제약에 따른 항법을 위한 시스템 및 방법에 관한 것이다.
본 기재의 실시예들은 자율 주행을 위한 시스템과 방법을 제공한다. 기재된 실시예는 카메라를 사용하여 자율 주행 특징을 제공할 수 있다. 예를 들면, 기재된 실시예에 따라, 기재된 시스템은 차량의 주변상황을 모니터하는 하나, 둘, 또는 그 이상의 카메라를 포함할 수 있다. 기재된 시스템은, 예를 들어, 하나 또는 그 이상의 카메라에 의해 캡처 된 이미지의 분석에 의거하여 항법 반응을 제공할 수 있다. 항법 반응은 또한, 예를 들어, GPS 데이터, 센서 데이터(예, 가속도계, 속력 센서, 서스펜션 센서 등으로부터의 데이터), 및/또는 기타 지도 데이터를 포함하는 기타 데이터를 고려할 수 있다.
호스트 차량의 항법을 위한 시스템 및 방법이 제공된다. 일부 실시예에서, 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고; 호스트 차량의 항법 목적을 달성하기 위한 예정 항법 동작을 적어도 하나의 주행 방침에 따라 결정하고; 상기 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황 내에서 타깃 차량을 식별하고; 식별된 타깃 차량에 대한 호스트 차량의 잠재적 사고 책임을 판단하기 위한 적어도 하나의 사고 책임 규칙에 대해 상기 예정 항법 동작을 시험하고; 상기 적어도 하나의 사고 책임 규칙에 대한 상기 예정 항법 동작의 시험에서 상기 예정 항법 동작을 취할 경우에 호스트 차량에게 잠재적 사고 책임이 존재하는 것으로 나타나는 경우, 호스트 차량이 상기 예정 항법 동작을 실행하지 못하도록 하고; 상기 적어도 하나의 사고 책임 규칙에 대한 상기 예정 항법 동작의 시험에서 상기 예정 항법 동작을 취할 경우에 호스트 차량에게 사고 책임이 없는 것으로 나타나는 경우, 호스트 차량이 상기 예정 항법 동작을 실행하게 하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있다.
일부 실시예에서, 호스트 차량에 대한 항법 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고; 호스트 차량에 대한 복수의 잠재적 항법 동작을 적어도 하나의 주행 방침에 따라 결정하고; 상기 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황 내에서 타깃 차량을 식별하고; 식별된 타깃 차량에 대한 호스트 차량의 잠재적 사고 책임을 판단하기 위해 상기 복수의 잠재적 항법 동작을 적어도 하나의 사고 책임 규칙에 대비하여 시험하고; 선택된 잠재적 항법 동작을 취할 경우에 호스트 차량에게 사고 책임이 없는 것으로 상기 시험이 나타내는 복수의 잠재적 항법 동작의 하나를 선택하고; 호스트 차량이 상기 선택된 잠재적 항법 동작을 실행하게 하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있다.
일부 실시예에서, 호스트 차량의 항법을 위한 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고; 호스트 차량의 항법 목적을 달성하기 위한 둘 이상의 예정 항법 동작을 적어도 하나의 주행 방침에 따라 결정하고; 상기 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황 내에서 타깃 차량을 식별하고; 잠재적 사고 책임을 판단하기 위해 상기 둘 이상의 예정 항법 동작 각각을 적어도 하나의 사고 책임 규칙에 대비하여 시험하고; 상기 둘 이상의 예정 항법 동작 각각에 대하여, 상기 둘 이상의 예정 항법 동작의 특정 동작을 취할 경우에 호스트 차량에게 잠재적 사고 책임이 존재하는 것으로 상기 시험이 나타내는 경우, 호스트 차량이 상기 예정 항법 동작의 특정 동작을 실행하지 못하도록 하고; 상기 둘 이상의 예정 항법 동작 각각에 대하여, 상기 둘 이상의 예정 항법 동작의 특정 동작을 취할 경우에 호스트 차량에게 사고 책임이 없는 것으로 상기 시험이 나타내는 경우, 상기 둘 이상의 예정 항법 동작의 상기 특정 동작을 실행 가능한 후보로 식별하고; 적어도 하나의 비용 함수에 의거하여 실행 가능한 후보 중에서 취할 항법 동작을 선택하고; 호스트 차량이 상기 선택된 항법 동작을 실행하게 하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있다.
일부 실시예에서, 호스트 차량에 대한 사고 책임 추적 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고; 상기 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황 내에서 타깃 차량을 식별하고; 식별된 타깃 차량의 항법 상태의 하나 이상의 특성을 상기 적어도 하나의 이미지의 분석에 의거하여 판단하고; 식별된 타깃 차량의 항법 상태의 판단된 하나 이상의 특성을 적어도 하나의 사고 책임 규칙에 비교하고; 식별된 타깃 차량의 항법 상태의 판단된 하나 이상의 특성과 적어도 하나의 사고 책임 규칙의 비교에 의거하여 식별된 타깃 차량 측의 잠재적 사고 책임을 나타내는 적어도 하나의 값을 저장하고; 호스트 차량과 적어도 한 대의 타깃 차량 사이의 사고 이후에, 상기 저장된 적어도 하나의 값을 출력하여 사고에 대한 책임을 판단하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있다.
일부 실시예에서, 호스트 차량의 항법을 위한 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고; 호스트 차량의 항법 목적을 달성하기 위한 예정 항법 동작을 적어도 하나의 주행 방침에 따라 결정하고; 상기 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황 내에서 타깃 차량을 식별하고; 잠재적 사고 책임을 판단하기 위한 적어도 하나의 사고 책임 규칙에 대해 상기 예정 항법 동작을 시험하고; 상기 적어도 하나의 사고 책임 규칙에 대한 상기 예정 항법 동작의 시험에서 상기 예정 항법 동작을 취할 경우에 호스트 차량에게 잠재적 사고 책임이 존재하는 것으로 나타나는 경우, 호스트 차량이 상기 예정 항법 동작을 실행하지 못하도록 하고; 상기 적어도 하나의 사고 책임 규칙에 대한 상기 예정 항법 동작의 시험에서 상기 예정 항법 동작을 취할 경우에 호스트 차량에게 사고 책임이 없는 것으로 나타나는 경우, 호스트 차량이 상기 예정 항법 동작을 실행하게 하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있고, 여기서 적어도 하나의 처리 장치는 식별된 타깃 차량의 항법 상태의 하나 이상의 특성을 상기 적어도 하나의 이미지의 분석에 의거하여 판단하고; 식별된 타깃 차량의 항법 상태의 판단된 하나 이상의 특성과 상기 적어도 하나의 사고 책임 규칙을 비교하고; 식별된 타깃 차량의 항법 상태의 판단된 하나 이상의 특성과 적어도 하나의 사고 책임 규칙의 비교에 의거하여 식별된 타깃 차량 측의 잠재적 사고 책임을 나타내는 적어도 하나의 값을 저장하도록 더 프로그램 된다.
일부 실시예에서, 호스트 차량의 항법을 위한 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고; 호스트 차량의 항법 목적을 달성하기 위한 예정 항법 동작을 적어도 하나의 주행 방침에 따라 결정하고; 상기 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황 내에서 타깃 차량을 식별하고; 예정 항법 동작을 취할 경우의 결과로 발생할 호스트 차량과 타깃 차량 사이의 다음 상태 거리를 판단하고; 호스트 차량의 현재 최대 제동력과 호스트 차량의 현재 속력을 판단하고; 타깃 차량의 현재 속력을 판단하고 타깃 차량의 최대 제동력을 타깃 차량의 적어도 하나의 인지된 특성에 의거하여 추정하고; 호스트 차량의 최대 제동력과 호스트 차량의 현재 속력을 고려할 때, 타깃 차량의 현재 속력과 타깃 차량의 추정된 최대 제동력에 의거하여 판단된 타깃 차량 이동 거리와 더해진 판단된 다음 상태 거리보다 작은 정지거리 이내에서 호스트 차량이 정지될 수 있는 경우에 상기 예정 항법 동작을 실행하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있다.
일부 실시예에서, 호스트 차량의 항법을 위한 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고; 호스트 차량의 항법 목적을 달성하기 위한 예정 항법 동작을 적어도 하나의 주행 방침에 따라 결정하고; 상기 적어도 하나의 이미지를 분석하여 호스트 차량 전방의 제1 타깃 차량 및 제1 타깃 차량 전방의 제2 타깃 차량을 식별하고; 예정 항법 동작을 취할 경우의 결과로 발생할 호스트 차량과 제2 타깃 차량 사이의 다음 상태 거리를 판단하고; 호스트 차량의 현재 최대 제동력과 호스트 차량의 현재 속력을 판단하고; 호스트 차량의 최대 제동력과 호스트 차량의 현재 속력을 고려할 때, 호스트 차량과 제2 타깃 차량 사이의 판단된 다음 상태 거리보다 작은 정지거리 이내에서 호스트 차량이 정지될 수 있는 경우에 상기 예정 항법 동작을 실행하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있다.
일부 실시예에서, 호스트 차량의 항법을 위한 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고; 상기 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황 내에서 타깃 차량을 식별하고; 호스트 차량의 항법 목적을 달성하기 위한 둘 이상의 잠재적 항법 동작을 결정하고; 상기 둘 이상의 잠재적 항법 동작 각각에 대해 호스트 차량과 식별된 타깃 차량 사이의 잠재적 사고 책임의 지시자(indicator)를 판단하기 위해 상기 둘 이상의 잠재적 항법 동작 각각을 적어도 하나의 사고 책임 규칙과 대비하여 시험하고; 선택된 동작과 연관된 잠재적 사고 책임의 지시자(indicator)가 상기 선택된 동작의 실행 결과로 호스트 차량에 사고 책임이 부여되지 않는다고 나타내는 경우에만 상기 둘 이상의 잠재적 항법 동작의 하나를 실행하기 위해 선택하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있다.
일부 실시예에서, 호스트 차량의 항법을 위한 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고; 적어도 하나의 센서로부터 호스트 차량의 현재 항법 상태의 지시자(indicator)를 수신하고; 상기 적어도 하나의 이미지의 분석과 호스트 차량의 상기 현재 항법 상태의 지시자(indicator)에 의거하여, 호스트 차량과 하나 이상의 사물 사이의 충돌이 불가피하다고 판단하고; 적어도 하나의 주행 방침에 의거하여, 제1 사물과의 예상된 충돌을 수반하는 호스트 차량에 대한 제1 예정 항법 동작 및 제2 사물과의 예상된 충돌을 수반하는 호스트 차량에 대한 제2 예정 항법 동작을 결정하고; 잠재적 사고 책임을 판단하기 위해 상기 제1 및 제2 예정 항법 동작을 적어도 하나의 사고 책임 규칙에 대비하여 시험하고; 적어도 하나의 사고 책임 규칙에 대비한 상기 제1 예정 항법 동작의 시험에서 제1 예정 항법 동작을 취할 경우에 호스트 차량에 대한 잠재적 사고 책임이 존재하는 것으로 나타나는 경우, 호스트 차량이 상기 제1 예정 항법 동작을 실행하지 못하도록 하고; 적어도 하나의 사고 책임 규칙에 대비한 상기 제2 예정 항법 동작의 시험에서 제2 예정 항법 동작을 취할 경우에 호스트 차량에 대한 잠재적 사고 책임이 없는 것으로 나타나는 경우, 호스트 차량이 상기 제2 예정 항법 동작을 실행하게 하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있다.
다른 기재된 실시예에 따라, 비일시적 컴퓨터 가독 저장 매체는 적어도 하나의 처리 장치에 의해 실행 가능하고 여기에 기재된 단계 및/또는 방법 중의 어느 하나 이상을 수행하는 프로그램 명령을 저장할 수 있다.
상기의 일반적인 설명과 하기의 상세한 설명은 예시일 뿐이며 본 발명의 청구범위를 제한하지 않는다.
본 명세서에 포함되고 본 명세서의 일부를 구성하는 첨부 도면은 기재된 다양한 실시예를 도시한다.
도 1은 기재된 실시예에 따른 예시적인 시스템의 개략도이다.
도 2a는 기재된 실시예에 따른 시스템을 포함하는 예시적인 자동차의 측면도이다.
도 2b는 기재된 실시예에 따른 도 2a의 자동차와 시스템의 평면도이다.
도 2c는 기재된 실시예에 따른 시스템을 포함하는 자동차의 다른 실시예의 평면도이다.
도 2d는 기재된 실시예에 따른 시스템을 포함하는 자동차의 또 다른 실시예의 평면도이다.
도 2e는 기재된 실시예에 따른 시스템을 포함하는 자동차의 또 다른 실시예의 평면도이다.
도 2f는 기재된 실시예에 따른 예시적인 자동차 제어 시스템의 개략도이다.
도 3a는 기재된 실시예에 따른 차량 이미징 시스템을 위한 백미러(rear view mirror)와 사용자 인터페이스를 포함하는 차량의 실내를 개략적으로 예시한 것이다.
도 3b는 기재된 실시예에 따른 백미러 뒤의 차량 전면 유리에 위치되도록 구성된 카메라 마운트의 일례이다.
도 3c는 기재된 실시예에 따른 도 3b의 카메라 마운트를 다른 시각에서 예시를 도시한 것이다.
도 3d는 기재된 실시예에 따른 백미러 뒤의 차량 전면 유리에 위치되도록 구성된 카메라 마운트의 일례이다.
도 4는 기재된 실시예에 따른 하나 이상의 동작의 수행을 위한 명령을 저장하도록 구성된 메모리의 예시적인 구성도이다.
도 5a는 기재된 실시예에 따른 단안 이미지 분석에 근거한 하나 이상의 주행 반응을 야기하는 프로세스의 일례를 예시한 순서도이다.
도 5b는 기재된 실시예에 따른 일련의 영상에서 하나 이상의 차량 및/또는 보행자를 검출하는 예시적인 프로세스를 도시한 순서도이다.
도 5c는 기재된 실시예에 따른 일련의 영상에서 도로 표시 및/또는 차선 형상 정보를 검출하는 예시적인 프로세스를 도시한 순서도이다.
도 5d는 기재된 실시예에 따른 일련의 영상에서 신호등을 검출하는 예시적인 프로세스를 도시한 순서도이다.
도 5e는 기재된 실시예에 따른 차량 경로에 근거한 하나 이상의 주행 반응을 야기하는 예시적인 프로세스를 도시한 순서도이다.
도 5f는 기재된 실시예에 따른 선두 차량이 차선 변경을 하는지를 판단하는 예시적인 프로세스를 도시한 순서도이다.
도 6은 기재된 실시예에 따른 입체 영상 분석에 근거한 하나 이상의 주행 반응을 야기하는 예시적인 프로세스를 도시한 순서도이다.
도 7은 기재된 실시예에 따른 3개 집합의 영상에 근거한 하나 이상의 주행 반응을 야기하는 예시적인 프로세스를 도시한 순서도이다.
도 8은 기재된 실시예에 따른 자율주행차에 대한 항법 시스템의 특정하게 프로그램된 하나 이상의 처리 장치에 의해 실행될 수 있는 모듈을 나타낸 구성도이다.
도 9는 기재된 실시예에 따른 항법(navigation) 옵션 그래프이다.
도 10은 기재된 실시예에 따른 항법 옵션 그래프이다.
도 11a, 도 11b, 도 11c는 기재된 실시예에 따른 병합 구역 내 호스트 차량의 항법 옵션을 도시한 것이다.
도 11d는 기재된 실시예에 따른 이중 병합 상황을 도시한 것이다.
도 11e는 기재된 실시예에 따른 이중 병합 상황에 활용 가능성이 있는 옵션 그래프를 도시한 것이다.
도 12는 기재된 실시예에 따른 잠재적 항법 제약과 함께 호스트 차량의 주변상황이 캡처된 이미지를 도시한 것이다.
도 13은 기재된 실시예에 따른 차량의 항법을 위한 알고리즘 순서도를 도시한 것이다.
도 14는 기재된 실시예에 따른 차량의 항법을 위한 알고리즘 순서도를 도시한 것이다.
도 15는 기재된 실시예에 따른 차량의 항법을 위한 알고리즘 순서도를 도시한 것이다.
도 16은 기재된 실시예에 따른 차량의 항법을 위한 알고리즘 순서도를 도시한 것이다.
도 17a와 도 17b는 기재된 실시예에 따른 호스트 차량의 로터리 내 항법을 도시한 것이다.
도 18은 기재된 실시예에 따른 차량의 항법을 위한 알고리즘 순서도를 도시한 것이다.
도 19는 기재된 실시예에 따른 다차로 고속도로상에서 이동하는 호스트 차량의 일례를 도시한 것이다.
도 20a와 도 20b는 기재된 실시예에 따른 차량이 다른 차량 앞으로 끼어드는 일례를 도시한 것이다.
도 21은 기재된 실시예에 따른 다른 차량을 따라 가는 차량의 일례를 도시한 것이다.
도 22는 기재된 실시예에 따른 주차장을 나와서 번잡한 도로로 병합하는 차량의 일례를 도시한 것이다.
도 23은 기재된 실시예에 따른 도로상에서 이동하는 차량을 도시한 것이다.
도 24의 (a) 내지 (d)는 기재된 실시예에 따른 4가지 예시적인 상황을 도시한 것이다.
도 25는 기재된 실시예에 따른 예시적인 상황을 도시한 것이다.
도 26은 기재된 실시예에 따른 예시적인 상황을 도시한 것이다.
도 27을 기재된 실시예에 따른 예시적인 상황을 도시한 것이다.
도 28a와 도 28b는 기재된 실시예에 따른 차량이 다른 차량을 따라 가는 상황의 일례를 도시한 것이다.
도 29a와 29b는 기재된 실시예에 따른 끼어들기 상황에서의 예시적인 책임을 도시한 것이다.
도 30a와 30b는 기재된 실시예에 따른 끼어들기 상황에서의 예시적인 책임을 도시한 것이다.
도 31a내지 도 31d는 기재된 실시예에 따른 미끄러지는 상황에서의 예시적인 책임을 도시한 것이다.
도 32a와 도 32b는 기재된 실시예에 따른 양방향 통행 상황에서의 예시적인 책임을 도시한 것이다.
도 34a와 도 34b는 기재된 실시예에 따른 경로 우선권 상황에서의 예시적인 책임을 도시한 것이다.
도 35a와 도 35b는 기재된 실시예에 따른 경로 우선권 상황에서의 예시적인 책임을 도시한 것이다.
도 36a와 도 36b는 기재된 실시예에 따른 경로 우선권 상황에서의 예시적인 책임을 도시한 것이다.
도 37a와 도 37b는 기재된 실시예에 따른 경로 우선권 상황에서의 예시적인 책임을 도시한 것이다.
도 38a와 도 38b는 기재된 실시예에 따른 경로 우선권 상황에서의 예시적인 책임을 도시한 것이다.
도 39a와 도 39b는 기재된 실시예에 따른 경로 우선권 상황에서의 예시적인 책임을 도시한 것이다.
도 40a와 도 40b는 기재된 실시예에 따른 신호등 상황에서의 예시적인 책임을 도시한 것이다.
도 41a와 도 41b는 기재된 실시예에 따른 신호등 상황에서의 예시적인 책임을 도시한 것이다.
도 42a와 도 42b는 기재된 실시예에 따른 신호등 상황에서의 예시적인 책임을 도시한 것이다.
도 43a 내지 도 43c는 기재된 실시예에 따른 예시적인 교통 약자(vulnerable road users 또는 VRUs) 상황을 도시한 것이다.
도 44a 내지 도 44c는 기재된 실시예에 따른 예시적인 교통 약자 상황을 도시한 것이다.
도 45a 내지 도 45c는 기재된 실시예에 따른 예시적인 교통 약자 상황을 도시한 것이다.
도 46a 내지 도 46d는 기재된 실시예에 따른 예시적인 교통 약자 상황을 도시한 것이다.
하기의 상세한 설명은 첨부한 도면에 관한 것이다. 가능한 모든 경우에, 도면과 설명에서 동일 또는 유사한 구성요소에 동일한 참조 번호를 사용한다. 여러 예시적인 실시예를 설명하였지만, 다양한 수정, 응용, 구현 등이 가능하다. 예를 들어, 도면에 예시된 구성요소를 치환, 또는 추가, 수정할 수 있고, 설명에 포함된 방법은 단계를 치환하거나 순서를 바꾸거나 추가하여 수정할 수 있다. 따라서, 하기의 상세한 설명은 기재한 실시예와 예시에 국한되지 않고, 본 발명의 청구 범위는 첨부한 청구항에 의해 정의된다.
자율주행차의 개요
본 기재에서 사용된 "자율주행차"라는 용어는 운전자의 입력 없이 적어도 하나의 주행 변경을 구현할 수 있는 차량을 의미한다. "주행 변경"이란 차량의 조향, 제동, 가속/감속의 하나 이상을 변경하는 것을 의미한다. 차량이 자율이기 위해서는 완전 자동(예, 운전자나 운전자의 입력 없이 완전히 동작)일 필요는 없다. 반면, 자율주행차는 특정 시간 동안은 운전자의 제어 하에 작동할 수 있고 다른 시간 동안은 운전자의 제어 없이 작동할 수 있는 차량을 포함한다. 자율주행차는 조향(예, 차량 진로의 차선 사이 유지) 또는 특정 상황 하(모든 상황 하에서가 아님)에서의 일부 조향 동작과 같은 일부 주행 요소만을 제어하고 나머지 요소(예, 제동 또는 특정 상황 하에서의 제동)는 운전자에게 맡기는 차량도 포함할 수 있다. 일부 경우에, 자율주행차는 차량의 제동 및/또는 속도 제어, 조향의 일부 또는 모든 요소를 처리할 수 있다.
운전자들은 차량을 제어하기 위해 흔히 시각적 신호와 관찰에 의존하므로, 교통 인프라는 이에 따라 구축되어, 차로 표시, 교통 표지, 신호등이 운전자들에게 시각적 정보를 제공하도록 설계되었다. 교통 인프라의 이러한 설계 특징을 고려하여, 자율주행차는 카메라 및 차량의 주변으로부터 확보한 시각적 정보를 분석하는 처리부를 포함할 수 있다. 시각적 정보는, 예를 들어, 운전자가 눈으로 확인할 수 있는 교통 인프라의 구성요소(예, 차로 표시, 교통 표지, 신호등 등) 및 기타 장애물(예, 다른 차량, 보행자, 잔해 등)을 나타내는 이미지를 포함할 수 있다. 또한, 자율주행차는 주행 시에 차량 주변상황의 모델을 제공하는 정보와 같은 저장 정보도 사용할 수 있다. 예를 들어, 차량은 이동 중의 차량 주변상황과 관련된 정보를 제공하기 위하여 GPS 데이터 및/또는 센서 데이터(예, 가속도계, 속력 센서, 서스펜션 센서 등으로부터의 데이터), 기타 지도 데이터를 활용할 수 있고, 차량(다른 차량도 함께)은 이런 정보를 이용하여 차량의 위치를 모델 상에서 알아낼 수 있다. 일부 차량들은 또한, 서로 통신이 가능하여, 정보를 교환하고, 차량 주변의 위험 또는 변화에 대해 상대 차량의 수정 등을 가능하게 한다.
시스템 개요
도 1은 본 발명 실시예의 일례에 따른 시스템(100)의 구성도이다. 시스템(100)은 해당 구현의 요구 조건에 따라 다양한 구성 요소를 포함할 수 있다. 일부 실시예에서, 시스템(100)은 처리부(110), 이미지획득부(120), 위치센서(120), 하나 이상의 메모리부(140, 150), 지도 데이터베이스(160), 사용자 인터페이스(170), 무선 송수신기(172)를 포함할 수 있다. 처리부(110)는 하나 이상의 처리 장치를 포함할 수 있다. 일부 실시예에서, 처리부(110)는 애플리케이션 프로세서(180), 이미지 프로세서(190), 또는 기타 적합한 처리 장치를 포함할 수 있다. 이와 마찬가지로, 이미지획득부(120)는 특정 애플리케이션의 요구 조건에 따라 여러 개의 이미지 획득 장치 및 소자를 포함할 수 있다. 일부 실시예에서, 이미지획득부(120)는 이미지캡처장치(122, 124, 126)와 같은 하나 이상의 이미지캡처장치(예, 카메라, CCD, 또는 기타 유형의 이미지센서)를 포함할 수 있다. 시스템(100)은 또한 처리부(110)와 이미지획득부(120)를 서로 통신하도록 연결하는 데이터 인터페이스(128)를 포함할 수 있다. 예를 들어, 데이터 인터페이스(128)는 이미지획득부(120)가 획득한 이미지 데이터를 처리부(110)로 전송하기 위한 단수 또는 복수의 유선 및/또는 무선 링크를 포함할 수 있다.
무선 송수신기(172)는 무선주파수, 또는 적외선주파수, 자기장, 전기장을 사용하여 무선 인터페이스를 통하여 전파를 하나 이상의 네트워크(예, 이동통신, 인터넷 등)와 주고받도록 구성된 하나 이상의 장치를 포함할 수 있다. 무선 송수신기(172)는 공지의 표준(예, Wi- Fi, Bluetooth®, Bluetooth Smart, 802.15.4, ZigBee 등)을 사용하여 데이터를 송신 및/또는 수신할 수 있다. 이러한 송신은 호스트 차량으로부터 하나 이상의 원격 서버로의 통신을 포함할 수 있다. 이러한 송신은 또한, 호스트 차량과 호스트 차량의 주변환경에 있는 한 대 이상의 타깃 차량 사이의 (일방 또는 쌍방) 통신(예, 호스트 차량의 주변환경에 있는 타깃 차량을 고려한/또는 타깃 차량과 함께 호스트 차량의 주행을 조정하기 위함) 또는 전송 차량의 주변에 있는 불특정 수신자에게 보내는 방송도 포함할 수 있다.
애플리케이션 프로세서(180)와 이미지 프로세서(190)는 모두 다양한 종류의 하드웨어 기반 처리 장치를 포함할 수 있다. 예를 들어, 애플리케이션 프로세서(180)와 이미지 프로세서(190) 중 하나 또는 모두는 마이크로프로세서, 전처리 장치(예, 이미지 전처리 장치), 그래픽 프로세서, 중앙 처리 장치(CPU), 보조 회로, 디지털 신호 처리 장치, 집적 회로, 메모리, 또는 애플리케이션을 실행하고 영상을 처리 및 분석하기에 적합한 유형의 장치를 포함할 수 있다. 일부 실시예에서, 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)는 단일 또는 멀티 코어 프로세서, 모바일 장치 마이크로컨트롤러, 중앙 처리 장치의 한 종류를 포함할 수 있다. Intel®, AMD® 등과 같은 업체가 제공하는 프로세서들을 포함하는 다양한 처리 장치들이 사용될 수 있으며, 다양한 아키텍처(예, x86 프로세서, ARM® 등)가 포함될 수 있다.
일부 실시예에서, 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)는 Mobileye®가 제공하는 EyeQ 시리즈의 프로세서 칩을 포함할 수 있다. 이러한 프로세서 설계는 로컬 메모리와 명령 집합을 가진 다중 처리 장치를 포함한다. 이러한 프로세서는 복수의 이미지 센서로부터 이미지 데이터를 수신하는 비디오 인풋을 포함할 수 있고 비디오 아웃풋 기능도 포함할 수 있다. 일례로, EyeQ2®는 332Mhz로 작동하는 90nm-마이크론 기술을 사용한다. EyeQ2® 아키텍처는 두 개의 부동 소수점(floating point) 하이퍼 스레드(hyper-thread) 32비트 RISC CPU(MIPS32® 34K® cores), 다섯 개의 Vision Computing Engines (VCE), 세 개의 Vector Microcode Processors(VMP®), Denali 64비트 Mobile DDR Controller, 128비트 내부 Sonics Interconnect, 듀얼 16비트 비디오 인풋 및 18비트 비디오 아웃풋 제어 장치, 16 채널 DMA 및 여러 주변 장치로 구성된다. MIPS34K CPU는 다섯 개의 VCE와 세 개의 VMP?, DMA, 두 번째 MIPS34K CPU, 다중 채널 DMA, 및 기타 주변 장치를 관리한다. 다섯 개의 VCE, 세 개의 VMP® 및 MIPS34K CPU는 다기능 묶음 애플리케이션이 요구하는 집중 시각 연산(intensive vision computations)을 수행할 수 있다. 다른 일례에서, EyeQ2®보다 6배 강력한 3세대 프로세서인 EyeQ3®가 실시예에 사용될 수 있다. 다른 일례에서, EyeQ4® 및/또는 EyeQ5®가 기재된 실시예에 사용될 수 있다. 물론, 신형 또는 미래의 EyeQ 처리 장치도 기재된 실시예와 함께 사용될 수 있다.
여기에 기재된 처리 장치는 각각 특정한 기능을 수행하도록 구성될 수 있다. 특정한 기능을 수행하도록 상기의 EyeQ 프로세서 또는 기타 제어 장치 또는 마이크로프로세서와 같은 처리 장치를 구성하는 것은 컴퓨터 실행 명령을 프로그램하고 이러한 명령을 처리 장치가 작동하는 동안에 처리 장치에 제공하여 실행하도록 하는 것을 포함할 수 있다. 일부 실시예에서, 처리 장치를 구성하는 것은 구조적 명령으로 처리 장치를 직접 프로그램하는 것을 포함할 수 있다. 다른 실시예에서, 처리 장치를 구성하는 것은 작동 중에 처리 장치에 접속 가능한 메모리에 실행을 위한 명령을 저장하는 것을 포함할 수 있다. 예를 들어, 처리 장치는 작동 중에 메모리에 접속하여 저장된 명령을 획득하고 실행할 수 있다. 어느 경우이든, 여기에 기재된 검출, 이미지 분석, 및/또는 주행 기능을 수행하도록 구성된 처리 장치는 호스트 차량의 복수의 하드웨어 기반 구성요소를 제어하는 특화된 하드웨어 기반 시스템을 나타낸다.
도 1에는 두 개의 처리 장치가 처리부(110)에 포함된 것을 예시하였지만, 이보다 많거나 적은 처리 장치가 사용될 수 있다. 예를 들면, 일부 실시예에서, 애플리케이션 프로세서(180)와 이미지 프로세서(190)의 작업을 수행하기 위하여 단일 처리 장치를 사용할 수 있다. 다른 실시예에서, 이러한 작업은 2개 이상의 처리 장치를 사용하여 수행될 수 있다. 또한, 일부 실시예에서, 시스템(100)은 하나 이상의 처리부(110)를 포함하되 이미지획득부(120) 등과 같은 다른 구성요소를 포함하지 않을 수도 있다.
처리부(110)는 다양한 유형의 장치를 포함할 수 있다. 예를 들어, 처리부(110)는 제어 장치, 이미지 전처리 장치, 중앙 처리 장치(CPU), 보조 회로, 디지털 신호 처리 장치, 집적 회로, 메모리, 또는 이미지의 처리 및 분석을 위한 기타 유형의 장치 등과 같은 다양한 장치를 포함할 수 있다. 이미지 전처리 장치는 이미지 센서로부터 이미지를 캡처, 디지털화, 처리하기 위한 이미지 프로세서를 포함할 수 있다. CPU는 단수 또는 복수의 마이크로컨트롤러 또는 마이크로프로세서를 포함할 수 있다. 보조 회로는 캐시, 전원, 클락, 입/출력 회로 등과 같이 본 발명의 분야에서 일반적으로 공지된 단수 또는 복수의 회로를 포함할 수 있다. 메모리는 처리 장치에 의해 실행될 때 시스템의 동작을 제어하는 소프트웨어를 저장할 수 있다. 메모리는 단수 또는 복수의 RAM(random access memory), ROM(read only memory), 플래시 메모리, 디스크 드라이브, 광 저장 장치, 테이프 저장 장치, 탈착형 저장 장치, 및 기타 유형의 저장 장치를 포함할 수 있다. 일례에서, 메모리는 처리부(110)와 분리되어 있을 수 있다. 다른 예에서, 메모리는 처리부(110)와 일체로 구성될 수 있다.
메모리(140, 150) 각각은 처리 장치(예, 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190))에 의해 실행될 때 시스템(100)의 다양한 측면의 동작을 제어할 수 있는 소프트웨어 명령을 포함할 수 있다. 이러한 메모리 장치는 다양한 데이터베이스 및 이미지 처리 소프트웨어뿐만 아니라, 예를 들어, 신경망(neural network), 심층 신경망(deep neural network)과 같은 학습 시스템(trained system)을 포함할 수 있다. 이러한 메모리 장치는 RAM, ROM, 플래시 메모리, 디스크 드라이브, 광 저장 장치, 테이프 저장 장치, 탈착형 저장 장치 및/또는 기타 유형의 저장 장치를 포함할 수 있다. 일부 실시예에서, 메모리 장치(140, 150)는 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)와 분리되어 있을 수 있다. 다른 실시예에서, 이러한 메모리 장치는 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)와 일체로 구성될 수 있다.
위치센서(130)는 시스템(100)의 적어도 한 구성요소와 연관된 위치를 판단하기에 적합한 유형의 장치를 포함할 수 있다. 일부 실시예에서, 위치센서(130)는 GPS 수신기를 포함할 수 있다. 이러한 수신기는 GPS 위성이 송신하는 신호를 처리하여 사용자의 위치와 속도를 판단할 수 있다. 위치센서(130)로부터의 위치 정보는 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)로 제공될 수 있다.
일부 실시예에서, 시스템(100)은 차량(200)의 속도를 측정하기 위한 속력 센서(예, 속도계)를 포함할 수 있다. 시스템(100)은 또한 하나 이상의 축을 따라 차량(200)의 가속을 측정하기 위한 하나 이상의 가속도계(단축 또는 다축)를 포함할 수 있다.
메모리(10, 150)는 알려진 랜드마크의 위치를 나타내는 데이터베이스 또는 다른 형태로 구성된 데이터를 포함할 수 있다. 차량 주변상황의 감지 정보(예, 이미지, 레이더 신호, 라이더로 또는 둘 이상의 이미지의 입처 처리로부터의 깊이 정보)는 GPS 좌표, 차량의 자체 움직임 등과 같은 위치 정보와 함께 처리되어, 알려진 랜드마크에 대한 차량의 상대적 현재 위치를 판단하고, 차량의 위치의 정확도를 개선할 수 있다. 이러한 기술의 특정 측면은 본 출원의 양수인이 판매하고 있는 REMTM으로 알려진 위치 인식 기술에 포함된다.
사용자 인터페이스(170)는 시스템(100)의 하나 이상의 사용자에게 정보를 제공하고 사용자로부터 입력을 수신하기 적합한 장치를 포함할 수 있다. 일부 실시예에서, 사용자 인터페이스(170)는 예를 들어 터치스크린, 마이크, 키보드, 포인터 장치, 트랙휠, 카메라, 노브, 버튼 등의 사용자 입력 장치를 포함할 수 있다. 이러한 입력 장치는 사용자로 하여금 명령 또는 정보를 타이핑하거나, 음성 명령을 제공하거나, 버튼, 포인터, 또는 눈동자 추적 기능을 사용하여 화면 상의 메뉴를 선택하거나, 시스템(100)과 정보를 교환하기 위한 기타 적합한 기술을 통하여 시스템(100)에 정보 입력 또는 명령을 제공할 수 있게 해준다.
사용자 인터페이스(170)는 사용자에게 정보를 제공하고 사용자로부터 정보를 수신하며 이러한 정보를 예를 들어 애플리케이션 프로세서(180)가 사용하게 처리하도록 구성된 하나 이상의 처리 장치를 구비할 수 있다. 일부 실시예에서, 이러한 처리 장치는 눈동자의 움직임을 인식 및 추적하고, 음성 명령을 수신 및 해석하고, 터치스크린 상의 터치 및/또는 제스처를 인식 및 해석하고, 키보드 입력 또는 메뉴 선택에 응답하는 등을 위한 지시를 수행할 수 있다. 일부 실시예에서, 사용자 인터페이스(170)는 디스플레이, 스피커, 촉감 장치, 및/또는 사용자에게 출력 정보를 제공하는 기타 장치를 포함할 수 있다.
지도 데이터베이스(160)는 시스템(100)에서 사용 가능한 지도 데이터를 저장하기 위한 모든 유형의 데이터베이스를 포함할 수 있다. 일부 실시예에서, 지도 데이터베이스(160)는 도로, 하천 지형, 지리적 지형, 사업체, 관심 지점, 식당, 주유소 등의 다양한 항목의 기준 좌표계 상 위치와 관련된 데이터를 포함할 수 있다. 지도 데이터베이스(160)는 이런 항목의 위치뿐만 아니라, 예를 들면, 저장된 지점 관련 명칭 등을 포함하는 설명을 저장할 수 있다. 일부 실시예에서, 지도 데이터베이스(160)는 시스템(100)의 다른 구성요소와 함께 물리적으로 배치될 수 있다. 대안적으로, 또는 추가적으로, 지도 데이터베이스(160) 또는 지도 데이터베이스(160)의 일부는 시스템(100)의 다른 구성요소(예, 처리부(110))에 대하여 원격으로 배치될 수 있다. 이 경우, 지도 데이터베이스(160)로부터의 정보는 네트워크와의 유선 또는 무선 데이터 연결(예, 이동통신망 및/또는 인터넷 등)을 통하여 다운로드 될 수 있다. 일부의 경우, 지도 데이터베이스(160)는 특정 도로 특징(예, 차로 표시) 또는 호스트 차량의 목표 궤적의 다항식 표현을 포함하는 스파스 맵 모델을 저장할 수 있다. 지도 데이터베이스(160)는 또한 목표 궤적에 대한 호스트 차량의 알려진 위치를 판단 또는 업데이트하기 위해 사용될 수 있는 다양한 인지된 랜드마크의 저장된 표현을 포함할 수 있다. 랜드마크 표현은 랜드마크 식별자, 랜드마크 위치, 기타 잠재적 식별자와 같은 데이터 필드를 포함할 수 있다.
이미지캡처장치(122, 124, 126)는 각각 주변 환경으로부터 적어도 하나의 이미지를 캡처하기에 적합한 유형의 장치를 포함할 수 있다. 또한, 이미지 프로세서로의 입력에 필요한 이미지를 캡처하기 위하여 여러 개의 이미지캡처장치를 사용할 수 있다. 일부 실시예는 단일 이미지캡처장치를 포함할 수 있는 반면, 다른 실시예는 두 개, 세 개, 또는 4개 이상의 이미지캡처장치를 포함할 수 있다. 이미지캡처장치(122, 124, 126)는 도 2b 내지 도 2e를 참조하여 하기에 추가로 설명한다.
하나 이상의 카메라(예, 이미지캡처장치(122, 124, 126))는 차량에 포함된 감지 블록(sensing block)의 일부일 수 있다. 다양한 기타 센서들이 감지 블록에 포함될 수 있으며, 센서들의 일부 또는 모두에 의존하여 차량의 항법 상태에 대해 파악을 구축할 수 있다. 카메라(전방, 측방, 후방 등) 외에도 레이더, 라이더, 음향 센서와 같은 기타 센서들이 감지 블록에 포함될 수 있다. 추가적으로, 감지 블록은 차량의 주변환경에 관한 정보를 통신 및 송수신하도록 구성된 하나 이상의 구성요소를 포함할 수 있다. 예를 들면, 이러한 구성요소는 호스트 차량에 관한 센서 기반 정보 또는 기타 유형의 정보를 호스트 차량에 대해 원격으로 위치한 소스로부터 수신할 수 있는 무선 송수신기(RF 등)를 포함할 수 있다. 이러한 정보는 호스트 차량이 아닌 다른 차량으로부터 수신한 센서 출력 정보 또는 관련 정보를 포함할 수 있다. 일부 실시예에서, 이러한 정보는 원격 컴퓨팅 장치, 중앙 서버 등으로부터 수신된 정보를 포함할 수 있다. 나아가, 카메라는 단일 카메라 장치, 복수의 카메라, 카메라 클러스터, 망원 시야, 근거리 시야, 광각, 어안 등, 다양한 구성을 가질 수 있다.
시스템(100), 혹은 시스템(100)의 다양한 구성요소는 다양한 플랫폼에 구현될 수 있다. 일부 실시예에서, 시스템(100)은, 도 2A에 예시된 바와 같이, 차량(200)에 포함될 수 있다. 예를 들면, 차량(200)에는 도 1에 설명한 처리부(110) 및 시스템(100)의 기타 구성요소가 구비될 수 있다. 일부 실시예의 차량(200)에는 단일 이미지캡처장치(예, 카메라)만 구비될 수 있는 반면, 다른 실시예의 차량에는, 도 2b 내지 2E에 예시된 바와 같이, 여러 개의 이미지캡처장치가 사용될 수 있다. 예를 들어, 도 2a에 예시된 차량(200)의 이미지캡처장치(122, 124)는 첨단 운전자 지원 시스템(Advanced Driver Assistance Systems; ADAS) 이미징 세트의 일부일 수 있다.
이미지획득부(120)의 일부로서 차량(200)에 포함된 이미지캡처장치는 적합한 장소에 위치될 수 있다. 일부 실시예에서, 도 2A 내지 2E, 3A 내지 3C에 도시된 바와 같이, 이미지캡처장치(122)는 백미러 주위에 배치될 수 있다. 이 위치는 차량(200)의 운전자와 유사한 시선을 제공할 수 있으며, 이에 따라 운전자에게 보이는 것과 보이지 않는 것을 판단하는데 도움이 될 수 있다. 이미지캡처장치(122)는 백미러 주변의 임의의 위치에 배치될 수 있지만, 백미러의 운전자 측에 이미지캡처장치(122)를 배치하면 운전자의 시야 및/또는 시선을 나타내는 이미지를 획득하는데 더욱 도움이 될 수 있다.
이미지획득부(120)의 이미지캡처장치는 다른 위치에 배치될 수도 있다. 예를 들면, 이미지캡처장치(124)는 차량(200)의 범퍼 내부 또는 범퍼 상에 배치될 수 있다. 이런 위치는 광시야를 가진 이미지캡처장치에 특히 적합할 수 있다. 범퍼에 위치한 이미지캡처장치의 시선은 운전자의 시선과 다를 수 있기 때문에 범퍼에 위치한 이미지캡처장치와 운전자는 항상 같은 대상을 보는 것이 아닐 수 있다. 이미지캡처장치(예, 122, 124, 126)는 또한, 다른 위치에 배치될 수 있다. 예를 들어, 이미지캡처장치는 차량(200)의 일측 또는 양측의 사이드 미러 상 또는 내부에, 차량(200)의 지붕 상에, 차량(200)의 보닛 상에, 차량(200)의 측면에, 차량(200)의 윈도우 상, 후면 또는 전면에, 차량(200)의 전면 및/또는 후면 등화장치 상에 또는 주변 등의 위치에 배치될 수 있다.
차량(200)은 이미지캡처장치 외에도 시스템(100)의 다양한 기타 구성요소를 포함할 수 있다. 예를 들면, 처리부(110)는 차량(200)의 엔진제어장치(engine control unit, ECU)와 일체 또는 분리된 형태로 차량(200)에 포함될 수 있다. 차량(200)은 또한 GPS 수신기 등과 같은 위치센서(130), 지도 데이터베이스(160), 메모리부(140, 150)도 포함할 수 있다.
앞서 설명한 바와 같이, 무선 송수신기(172)는 하나 이상의 네트워크(예, 이동통신망, 인터넷 등)를 통하여 데이터를 송신 및/또는 수신할 수 있다. 예를 들어, 무선 송수신기(172)는 시스템(100)이 수집한 데이터를 하나 이상의 서버로 업로드하고 하나 이상의 서버로부터 데이터를 다운로드할 수 있다. 시스템(100)은 무선 송수신기(172)를 통하여, 예를 들어, 지도 데이터베이스(160) 및/또는 메모리(140, 150)에 저장된 데이터의 주기적 또는 일시적 업데이트를 수신할 수 있다. 마찬가지로, 무선 송수신기(172)는 시스템(100)으로부터의 데이터(예, 이미지획득부(120)가 캡처한 이미지, 위치센서(130), 기타 센서, 또는 차량 제어 시스템이 수신한 데이터 등) 및/또는 처리부(110)에 의해 처리된 데이터를 하나 이상의 서버에 업로드할 수 있다.
시스템(100)은 개인정보보호 설정에 근거하여 서버(예, 클라우드)로 데이터를 업로드할 수 있다. 예를 들면, 시스템(100)은 개인정보보호 설정을 실행하여 서버로 보내지는 차량과 차량의 운전자/소유자를 개별적으로 확인해주는 데이터(메타데이터 포함)의 유형을 규제 또는 제한할 수 있다. 이런 설정은, 예를 들어ㅡ 사용자에 의해 무선 송수신기(172)를 통해 설정되거나, 공장설정으로 초기화되거나, 무선 송수신기(172)가 수신한 데이터에 의해 설정될 수 있다.
일부 실시예에서, 시스템(100)은 "높은" 개인정보보호 수준에 의거하여 데이터를 업로드할 수 있으며, 이렇게 설정하면 시스템(100)은 특정 차량 및/또는 운전자/소유자 정보 없이 데이터(예, 경로 관련 위치정보, 캡처 이미지 등)를 전송할 수 있다. 예를 들어, "높은" 개인정보보호 수준에 의거하여 데이터를 업로드할 경우, 시스템(100)은 차대번호 또는 차량 운전자 또는 소유자의 이름을 포함하지 않을 수 있고, 그대신 캡처 이미지 및/또는 경로와 관련된 제한된 위치 정보 등의 데이터를 전송할 수 있다.
다른 개인정보보호 수준도 가능하다. 예를 들어, 시스템(100)은 "중간" 개인정보보호 수준에 의거하여 서버로 데이터를 전송할 수 있으며, 이 경우, "높은" 개인정보보호 수준 하에서 포함되지 않은 차량의 제조사 및/또는 모델 및/또는 차량 종류(예, 승용차, SUV, 트럭 등) 등의 추가 정보를 포함할 수 있다. 일부 실시예에서, 시스템(100)은 "낮은" 개인정보보호 수준에 의거하여 데이터를 업로드할 수 있다. "낮은" 개인정보보호 수준 하에서, 시스템(100)은 개별 차량, 소유자/운전자, 및/또는 차량이 이동한 전체 또는 일부 경로 등을 특정할 수 있는 정보를 포함하는 데이터를 업로드할 수 있다. 이러한 "낮은" 개인정보보호 수준 데이터는 예를 들어, 차대번호, 운전자/소유자 이름, 차량의 출발점, 차량의 목적지, 차량의 제조사 및/또는 모델, 차량의 종류 등을 포함할 수 있다.
도 2a는 기재된 실시예에 따른 차량 이미징 시스템의 일례의 측면도이다. 도 2b는 도 2a에 도시된 실시예의 평면도이다. 도 2b에 도시된 바와 같이, 본 실시예에 따른 차량(200)은 백미러 주변 및/또는 운전자 가까이 배치된 제1 이미지캡처장치(122), 범퍼 영역(예, 범퍼 영역(210)의 일 영역) 상 또는 내부에 배치된 제2 이미지캡처장치(124), 및 처리부(110)를 구비한 시스템(100)을 차체 내부에 포함한다.
도 2c에 도시된 바와 같이, 이미지캡처장치(122, 124)는 모두 차량(200)의 백미러 주변 및/또는 운전자 가까이 배치될 수 있다. 또한, 도 2b와 2c에는 이미지캡처장치(122, 124)가 두 개로 예시되었지만, 다른 실시예에서는 세 개 이상의 이미지캡처장치가 포함될 수 있음은 당연할 것이다. 예를 들어, 도 2d와 2e에 도시된 실시예에서는, 제1, 제2, 제3 이미지캡처장치(122, 124, 126)가 차량(200)의 시스템(100)에 포함되어 있다.
도 2d에 도시된 바와 같이, 이미지캡처장치(122)는 차량(200)의 백미러 주변 및/또는 운전자 가까이 배치될 수 있고, 이미지캡처장치(124, 126)는 차량(200)의 범퍼 영역(예, 범퍼 영역(210)의 일 영역) 상 또는 내부에 배치될 수 있다. 또한, 도 2e에 도시된 바와 같이, 이미지캡처장치(122, 124, 126)는 차량(200)의 백미러 주변 및/또는 운전자 가까이 배치될 수 있다. 본 실시예는 특정 수량 및 구성의 이미지캡처장치에 제한되지 않고, 이미지캡처장치는 차량의 내부 및/또는 차량 상의 적절한 모든 위치에 배치될 수 있다.
기재된 실시예들은 차량에 한정되는 것이 아니라 당연히 다른 상황에도 적용될 수 있다. 또한, 기재된 실시예들은 특정 유형의 차량(200)에 한정되는 것이 아니라, 당연히 자동차, 트럭, 트레일러, 및 기타 유형의 차량 등, 모든 유형의 차량에 적용될 수 있다.
제1 이미지캡처장치(122)는 적합한 유형의 이미지캡처장치를 포함할 수 있다. 이미지캡처장치(122)는 광축을 포함할 수 있다. 일례에서, 이미지캡처장치(122)는 글로벌 셔터 방식의 Aptina M9V024 WVGA 센서를 포함할 수 있다. 다른 실시예에서, 이미지캡처장치(122)는 1280x960 픽셀의 해상도를 제공하고 롤링 셔터 방식을 포함할 수 있다. 이미지캡처장치(122)는 다양한 광학 소자를 포함할 수 있다. 일부 실시예에서, 하나 이상의 렌즈를 포함하여 이미지캡처장치가 요구하는 초점거리 및 시야 등을 제공할 수 있다. 일부 실시예에서, 이미지캡처장치(122)는 6mm 렌즈 또는 12mm 렌즈와 결합될 수 있다. 일부 실시예에서, 이미지캡처장치(122)는, 도 2d에 도시된 바와 같이, 필요한 시야(202)를 확보하도록 구성될 수 있다. 예를 들면, 이미지캡처장치(122)는, 46도 시야, 50도 시야, 52도 또는 그 이상의 시야 등과 같은, 40 내지 56도 범위의 일반 시야를 확보하도록 구성될 수 있다. 또는, 이미지캡처장치(122)는, 28도 시야 또는 36도 시야 등과 같은, 23 내지 40도 범위의 좁은 시야를 확보하도록 구성될 수 있다. 또한, 이미지캡처장치(122)는 100 내지 180도 범위의 넓은 시야를 확보하도록 구성될 수 있다. 일부 실시예에서, 이미지캡처장치(122)는 광각 범퍼 카메라 또는 180도 시야까지 확보 가능한 카메라를 포함할 수 있다. 일부 실시예에서, 이미지캡처장치(122)는 약 2:1(예, HxV=3800x1900 픽셀)의 종횡비와 약 100도의 수평 시야를 가진 7.2 메가픽셀 이미지캡처장치일 수 있다. 이러한 이미지캡처장치는 3개의 이미지캡처장치 구성을 대신할 수 있다. 방사상으로 대칭인 렌즈를 사용하는 이러한 이미지캡처장치의 수직 시야는 렌즈 왜곡으로 인하여 50도 이하로 구현될 수 있다. 예를 들어, 방사상으로 비대칭인 렌즈를 사용하여 수평 시야가 100도인 경우에 수직 시야가 50도 이상이 되게 할 수 있다.
제1 이미지캡처장치(122)는 차량(200)과 관련된 장면에 대한 복수의 제1 이미지를 획득할 수 있다. 복수의 제1 이미지 각각은 롤링 셔터를 사용하여 캡처 된 연속 주사선으로 획득될 수 있다. 각 주사선은 복수의 픽셀을 포함할 수 있다.
제1 이미지캡처장치(122)는 제1 연속 주사선 획득 관련 주사율을 가질 수 있다. 주사율이란 이미지 센서가 특정 주사선에 포함된 각 픽셀과 관련된 이미지 데이터를 획득하는 속도를 의미할 수 있다.
이미지캡처장치(122, 124, 126)는, 예를 들어, CCD 센서 또는 CMOS 센서와 같은, 적합한 유형과 개수의 이미지 센서를 포함할 수 있다. 일 실시예에서, 롤링 셔터 방식의 CMOS 이미지 센서를 도입하여 한 열의 각 픽셀을 하나씩 읽고, 전체 이미지 프레임이 캡처될 때까지 열별로 주사가 진행될 수 있다. 일부 실시예에서, 프레임에 대하여 각 열이 위에서 아래로 순차적으로 캡처될 수 있다.
일부 실시예에서, 여기에 기재된 하나 이상의 이미지캡처장치(122, 124, 126)는 고해상 이미저(imager)를 구성하고 5메가, 7메가, 10메가 또는 그 이상의 픽셀의 해상도를 가질 수 있다.
롤링 셔터를 사용하면, 서로 다른 열의 픽셀이 서로 다른 시간에 노출되고 캡처 될 수 있어서, 캡처 된 이미지 프레임에 왜곡(skew)과 기타 이미지 결함(artifact)이 나타날 수 있다. 반면, 이미지캡처장치(122)가 글로벌 셔터 방식 또는 동기화 셔터(synchronous shutter) 방식으로 작동하도록 구성된 경우, 모든 픽셀은 동일 시간만큼 그리고 일반적인 노출 시간 동안 노출될 수 있다. 그 결과, 글로벌 셔터 방식을 적용한 시스템에서 수집된 프레임의 이미지 데이터는 특정 시간의 전체 시야(예, 202)의 스냅 샷을 나타낸다. 반면, 롤링 셔터 방식에서는, 서로 다른 시간에 한 프레임의 각 열이 노출되고 데이터가 수집된다. 따라서, 롤링 셔터 방식 이미지캡처장치의 이미지 내의 움직이는 물체는 왜곡돼 보일 수 있다. 이 현상에 대해서는 하기에서 더 자세히 설명한다.
제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 각각 적합한 유형의 이미지캡처장치일 수 있다. 제1 이미지캡처장치(122)와 마찬가지로, 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 각각 광축을 포함할 수 있다. 일 실시예에서, 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 각각 글로벌 셔터 방식의 Aptina M9V024 WVGA 센서를 포함할 수 있다. 또는, 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 각각 롤링 셔터 방식을 포함할 수 있다. 제1 이미지캡처장치(122)와 마찬가지로, 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 각각 다양한 렌즈와 광학 소자를 포함하도록 구성될 수 있다. 일부 실시예에서, 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)와 관련된 렌즈는 제1 이미지캡처장치(122)와 관련된 시야(예, 202)와 동일하거나 이보다 좁은 시야(204, 206)를 제공할 수 있다. 예를 들어, 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)의 시야는 각각 40도, 30도, 26도, 20도, 또는 그 이하일 수 있다.
제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 차량(200)과 관련된 장면에 대한 복수의 제2 및 제3 이미지를 획득할 수 있다. 복수의 제2 및 제3 이미지 각각은 롤링 셔터를 사용하여 캡처 된 제2 및 제3 연속 주사선으로 획득될 수 있다. 각 주사선 또는 열은 복수의 픽셀을 포함할 수 있다. 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 제2 및 제3 연속 주사선 획득 관련 제2 및 제3 주사율을 가질 수 있다.
이미지캡처장치(122, 124, 126)는 각각 차량(200)의 적합한 위치와 자세로 배치될 수 있다. 이미지캡처장치(122, 124, 126)의 상대적 배치는 이미지캡처장치로부터 획득된 정보의 융합이 용이하도록 선택될 수 있다. 예를 들어, 일부 실시예에서, 제2 이미지캡처장치(124)의 시야(예, 204)는 제1 이미지캡처장치(122)의 시야(예, 202) 및 제3 이미지캡처장치(126)의 시야(예, 206)와 부분적으로 또는 완전히 겹칠 수도 있다.
이미지캡처장치(122, 124, 126)는 차량(200)의 적합한 상대 높이에 배치될 수 있다. 일례에서, 이미지캡처장치(122, 124, 126) 사이의 높이에 차이를 두어 입체 분석을 가능하게 하는 시차 정보를 제공할 수 있다. 예를 들면, 도 2A에 도시된 바와 같이, 이미지캡처장치(122)와 이미지캡처장치(124)는 서로 높이가 다르다. 이미지캡처장치(122, 124, 126) 사이에 횡방향 변위 차이도 있어 처리부(110) 등에 의한 입체 분석을 위한 추가 시차 정보도 제공할 수 있다. 도 2c와 도 2d에 도시된 바와 같이, 횡방향 변위의 차이는 dx로 표시될 수 있다. 일부 실시예에서, 이미지캡처장치(122, 124, 126) 사이에 전방 또는 후방 변위(예, 범위 변위)가 있을 수 있다. 예를 들어, 이미지캡처장치(122)는 이미지캡처장치(124) 및/또는 이미지캡처장치(126)의 0.5 내지 2미터 후방에 배치될 수 있다. 이런 유형의 변위로 인해, 이미지캡처장치 중 하나가 나머지 이미지캡처장치의 사각 지대를 보완할 수 있다.
이미지캡처장치(122)는 적합한 해상도(예, 이미지 센서 관련 픽셀 수)를 가질 수 있고, 이미지캡처장치(122)와 연관된 이미지 센서의 해상도는 이미지캡처장치(124, 126)와 연관된 이미지 센서의 해상도와 비교하여 높거나, 낮거나, 같을 수 있다. 일부 실시예에서, 이미지캡처장치(122) 및/또는 이미지캡처장치(124, 126)와 연관된 이미지 센서의 해상도는 640 x 480, 1024 x 768, 1280 x 960, 또는 기타 적합한 해상도일 수 있다.
프레임 속도(frame rate, 즉, 이미지캡처장치가 다음 이미지 프레임의 픽셀 데이터를 획득하기 위해 넘어가기 전에 한 이미지 프레임의 픽셀 데이터 집합을 획득하는 속도)는 제어 가능하다. 이미지캡처장치(122)의 프레임 속도는 이미지캡처장치(124, 126)의 프레임 속도보다 높거나, 낮거나, 같을 수 있다. 이미지캡처장치(122, 124, 126)의 프레임 속도는 프레임 속도의 타이밍에 영향을 주는 다양한 요소에 의거할 수 있다. 예를 들면, 하나 이상의 이미지캡처장치(122, 124, 126)는 탑재한 이미지 센서의 하나 이상의 픽셀 관련 이미지 데이터를 획득하기 전 또는 후에 부과되는 선택적 픽셀 지연 기간(selectable pixel delay period)을 포함할 수 있다. 일반적으로, 각 픽셀에 상응하는 이미지 데이터는 해당 장치의 클락 속도(clock rate)에 의거하여(예, 클락 주파수(clock cycle) 당 1 픽셀) 획득된다. 또한, 롤링 셔터 방식을 포함하는 실시예에서, 하나 이상의 이미지캡처장치(122, 124, 126)는 탑재한 이미지 센서의 한 열의 픽셀 관련 이미지 데이터를 획득하기 전 또는 후에 부과되는 선택적 수평 귀선 기간(selectable horizontal blanking period)을 포함할 수 있다. 나아가, 하나 이상의 이미지캡처장치(122, 124, 126)는 이미지 프레임 관련 이미지 데이터를 획득하기 전 또는 후에 부과되는 선택적 수직 귀선 기간(selectable vertical blanking period)을 포함할 수 있다.
이러한 타이밍 제어로 인해, 이미지캡처장치(122, 124, 126)의 선주사 속도(line scan rate)가 서로 다른 경우에도 이미지캡처장치(122, 124, 126)의 프레임 속도의 동기화가 가능하다. 또한, 하기에 더 자세히 설명하겠지만, 여러 요소(예, 이미지 센서 해상도, 최고 선주사 속도 등) 중에서 이러한 타이밍 제어로 인해, 이미지캡처장치(122)의 시야가 이미지캡처장치(124, 126)의 시야와 다른 경우에도, 이미지캡처장치(122)의 시야와 이미지캡처장치(124, 126)의 하나 이상의 시야가 겹치는 영역으로부터 캡처 된 이미지의 동기화가 가능할 수 있다.
이미지캡처장치(122, 124, 126)의 프레임 속도 타이밍은 상응하는 이미지 센서의 해상도에 의거할 수 있다. 예를 들어, 두 장치의 선주사 속도가 유사하다고 가정할 때, 한 장치의 이미지 센서의 해상도가 640×480이고 다른 장치의 이미지 센서의 해상도가 1280×960일 경우, 높은 해상도를 가진 센서로부터 이미지 데이터의 프레임을 획득하는데 더 많은 시간이 걸릴 것이다.
이미지캡처장치(122, 124, 126)의 이미지 데이터 획득 타이밍에 영향을 주는 또다른 요소는 최고 선주사 속도(maximum line scan rate)이다. 예를 들면, 이미지캡처장치(122, 124, 126)에 포함된 이미지 센서로부터 한 열의 이미지 데이터를 획득하려면 최소 시간 이상이 걸릴 수 있다. 픽셀 지연 기간이 추가되지 않았다고 가정할 때, 한 열의 이미지 데이터를 획득하기 위한 최저 시간은 특정 장치의 최고 선주사 속도와 관계가 있을 것이다. 최고 선주사 속도가 높은 장치는 최고 선주사 속도가 낮은 장치보다 높은 프레임 속도를 제공할 가능성이 있다. 일부 실시예에서, 하나 이상의 이미지캡처장치(124, 126)의 최고 선주사 속도는 이미지캡처장치(122)의 최고 선주사 속도보다 높을 수 있다. 일부 실시예에서, 이미지캡처장치(124 및/또는 126)의 최고 선주사 속도는 이미지캡처장치(122)의 최고 선주사 속도보다 1.25배, 1.5배, 1.75배, 2배, 또는 그 이상 높을 수 있다.
다른 실시예에서, 이미지캡처장치(122, 124, 126)의 최고 선주사 속도는 모두 동일하지만, 이미지캡처장치(122)는 최고 주사 속도 이하의 주사 속도로 동작할 수 있다. 시스템은 하나 이상의 이미지캡처장치(124, 126)가 이미지캡처장치(122)의 선주사 속도와 동일한 선주사 속도로 동작하도록 구성될 수 있다. 다른 예에서, 시스템은 이미지캡처장치(124 및/또는 126)의 선주사 속도가 이미지캡처장치(122)의 선주사 속도보다 1.25배, 1.5배, 1.75배, 2배, 또는 그 이상 높도록 구성될 수 있다.
일부 실시예에서, 이미지캡처장치(122, 124, 126)는 비대칭일 수 있다. 즉, 이미지캡처장치(122, 124, 126)는 시야와 초점거리가 서로 다른 카메라를 포함할 수 있다. 이미지캡처장치(122, 124, 126)의 시야는 차량(200)의 주변상황 등과 관련된 필요 영역을 포함할 수 있다. 일부 실시예에서, 하나 이상의 이미지캡처장치(122, 124, 126)는 차량(200)의 전방, 후방, 측방, 또는 그 조합의 주변상황으로부터 이미지 데이터를 획득하도록 구성될 수 있다.
또한, 각 이미지캡처장치가 차량(200)에 대한 특정 거리 범위에 있는 물체의 이미지를 획득하도록 각 이미지캡처장치(122, 124, 126)의 초점거리가 선택될(예, 적합한 렌즈 적용) 수 있다. 예를 들어, 일부 실시예에서, 이미지캡처장치(122, 124, 126)는 차량으로부터 몇 미터 내에 있는 물체의 클로즈업 이미지를 획득할 수 있다. 이미지캡처장치(122, 124, 126)는 차량으로부터 멀리 떨어진 범위(예, 25m, 50m, 100m, 150m, 또는 그 이상)에 있는 물체의 이미지를 획득하도록 구성될 수도 있다. 또한, 한 이미지캡처장치(예, 122)는 차량과 상대적으로 가까운(예, 10m 또는 20m 이내) 물체의 이미지를 획득하고 나머지 이미지캡처장치(예, 124, 126)는 이보다 멀리 있는(예, 20m, 50m, 100m, 150m 이상) 물체의 이미지를 획득하도록 이미지캡처장치(122, 124, 126)의 초점거리가 선택될 수 있다.
일부 실시예에 의하면, 하나 이상의 이미지캡처장치(122, 124, 126)의 시야는 광각일 수 있다. 예를 들면, 차량(200) 주변 영역의 이미지를 획득하기 위해 사용되는 이미지캡처장치(122, 124, 126)의 시야는 140도일 경우가 유리할 수 있다. 예를 들어, 이미지캡처장치(122)는 차량(200)의 우측 또는 좌측 영역의 이미지를 캡처하기 위해 사용될 수 있고, 이런 실시예에서 이미지캡처장치(122)는 넓은 시야(예, 140도 이상)를 가지는 것이 바람직할 수 있다.
이미지캡처장치(122, 124, 126)의 시야는 각 초점거리에 의거할 수 있다. 예를 들어, 초점거리가 증가하면, 이에 상응하는 시야는 감소한다.
이미지캡처장치(122, 124, 126)는 적합한 시야를 가지도록 구성될 수 있다. 일례에서, 이미지캡처장치(122)의 수평 시야는 46도이고, 이미지캡처장치(124)의 수평 시야는 23도이며, 이미지캡처장치(126)의 수평 시야는 23도 내지 46도일 수 있다. 다른 예에서, 이미지캡처장치(122)의 수평 시야는 52도이고, 이미지캡처장치(124)의 수평 시야는 26도이며, 이미지캡처장치(126)의 수평 시야는 26도 내지 52도일 수 있다. 일부 실시예에서, 이미지캡처장치(122)의 시야 대 이미지캡처장치(124) 및/또는 이미지캡처장치(126)의 시야 비율은 1.5 내지 2.0일 수 있다. 다른 실시예에서, 이 비율은 1.25 내지 2.25일 수 있다.
시스템(100)은 이미지캡처장치(126)의 일부 또는 전체 시야가 이미지캡처장치(124) 및/또는 이미지캡처장치(126)의 시야와 겹치도록 구성될 수 있다. 일부 실시예에서, 시스템(100)은 이미지캡처장치(124, 126)의 시야가 이미지캡처장치(126)의 시야의 중심에 들어가고(예를 들어, 시야가 좁은 경우) 중심이 서로 맞도록 구성될 수 있다. 다른 실시예에서, 이미지캡처장치(122, 124, 126)는 인접하는 시야를 캡처하거나 인접하는 시야와 부분적으로 겹칠 수 있다. 일부 실시예에서, 이미지캡처장치(122, 124, 126)의 시야는 시야가 좁은 이미지캡처장치(124 및/또는 126)의 중심이 시야가 넓은 이미지캡처장치(122)의 시야의 하부에 배치되도록 정렬될 수 있다.
도 2f는 기재된 실시예에 따른 자동차 제어 시스템의 일례의 개략도이다. 도 2f에 도시된 바와 같이, 차량(200)은 구동 시스템(220), 제동 시스템(230), 조향 시스템(240)을 포함할 수 있다. 시스템(100)은 하나 이상의 데이터 링크(예, 데이터 송신용 유선 및/또는 무선 링크)를 통하여 구동 시스템(220), 제동 시스템(230), 조향 시스템(240) 중 하나 이상으로 입력(예, 제어신호)을 제공할 수 있다. 예를 들어, 이미지캡처장치(122, 124, 126)가 획득한 이미지의 분석에 근거하여, 시스템(100)은 차량(200)을 주행(예, 가속, 회전, 차선 변경 등)하기 위한 제어 신호를 구동 시스템(220), 제동 시스템(230), 조향 시스템(240) 중 하나 이상으로 제공할 수 있다. 또한, 시스템(100)은 차량(200)의 작동 상황(예, 속도, 제동 및/또는 회전 여부 등)을 나타내는 입력을 구동 시스템(220), 제동 시스템(230), 조향 시스템(240) 중 하나 이상으로부터 수신할 수 있다. 이에 대하여는 도 4 내지 7을 참조하여 하기에 자세히 설명한다.
도 3a에 도시된 바와 같이, 차량(200)은 또한 차량(200)의 운전자 또는 탑승자와 상호 작용하기 위한 사용자 인터페이스(170)를 포함한다. 예를 들어, 차량에 적용된 사용자 인터페이스(170)는 터치스크린(320), 다이얼(330), 버튼(340), 마이크(350)를 포함할 수 있다. 차량(200)의 운전자 혹은 탑승자는 또한 손잡이(예, 차량의 조향축 상 또는 주위에 배치된 방향등 손잡이 등), 버튼(예, 차량의 조향 핸들에 배치된 버튼 등) 등을 사용하여 시스템(100)과 상호 작용할 수도 있다. 일부 실시예에서, 마이크(350)는 백미러(310)에 인접하여 배치될 수 있다. 이와 유사하게, 일부 실시예에서, 이미지캡처장치(122)는 백미러(310) 부근에 배치될 수 있다. 일부 실시예에서, 사용자 인터페이스(170)는 또한 하나 이상의 스피커(360: 예, 차량 오디오 시스템의 스피커)도 포함할 수 있다. 예를 들어, 시스템(100)은 스피커(360)를 통하여 다양한 안내(예, 경보)를 제공할 수 있다.
도 3b 내지 3d는 기재된 실시예에 따른 백미러(예, 310) 뒤의 차량 전면 유리에 위치되도록 구성된 카메라 마운트(370)의 일례이다. 도 3b에 도시된 바와 같이, 카메라 마운트(370)는 이미지캡처장치(122, 124, 126)를 포함할 수 있다. 이미지캡처장치(124, 126)는, 차량 전면 유리에 맞닿아 있고 필름 및/또는 반사 방지 물질의 구조를 포함하는, 눈부심 가림막(380) 후면에 배치될 수 있다. 예를 들어, 눈부심 가림막(380)은 차량 전면 유리에 상응하는 기울기를 가지고 차량 전면 유리에 대해 정렬되도록 배치될 수 있다. 일부 실시예에서, 각 이미지캡처장치(122, 124, 126)는 도 3d에 도시된 바와 같이 눈부심 가림막(380)의 후면에 배치될 수 있다. 여기에 기재된 실시예들은 어느 특정한 구성의 이미지캡처장치(122, 124, 126), 카메라 마운트(370), 눈부심 가림막(380)으로 한정되지 않는다. 도 3c는 도 3b에 도시된 카메라 마운트(370)를 정면에서 바라본 예시이다.
상기 실시예들은 다양한 변형 및/또는 수정이 가능함을 본 발명의 당업자는 이해할 것이다. 예를 들어, 시스템(100)의 동작을 위하여 모든 구성요소가 반드시 필요한 것은 아니다. 또한, 기재된 실시예들의 기능을 제공하면서, 어느 구성요소라도 시스템(100)의 적합한 부분에 배치될 수 있으며, 구성요소들은 다양한 구성으로 재배치될 수 있다. 따라서, 상기 구성들은 예시에 불과하고, 시스템(100)은 상기 구성들과 무관하게 광범위한 기능을 제공하여 차량(200)의 주변상황을 분석하고 이 분석에 대응하여 차량(200)을 주행할 수 있다.
하기의 설명과 기재된 다양한 실시예에 따라, 시스템(100)은 자율 주행 및/또는 운전자 보조 기술과 관련된 다양한 특징을 제공할 수 있다. 예를 들면, 시스템(100)은 이미지 데이터, 위치 데이터(예, GPS 위치 정보), 지도 데이터, 속도 데이터, 및/또는 차량(200)에 포함된 센서들로부터의 데이터를 분석할 수 있다. 시스템(100)은 분석할 데이터를, 예를 들어, 이미지획득부(120), 위치센서(130), 및 기타 센서들로부터 수집할 수 있다. 또한, 시스템(100)은 수집한 데이터를 분석하여 차량(200)이 특정 동작을 수행해야 할지 여부를 판단한 후, 판단한 동작을 인간의 개입 없이 자동으로 수행할지 여부를 판단할 수 있다. 예를 들어, 차량(200)이 인간의 개입 없이 주행하는 경우, 시스템(100)은 차량(200)의 제동, 가속, 및/또는 조향을 자동으로 제어(예, 구동 시스템(220), 제동 시스템(230), 조향 시스템(240)의 하나 이상에 제어신호를 전송)할 수 있다. 또한, 시스템(100)은 수집된 데이터를 분석하고 이 분석 결과에 따라 차량 탑승자들에게 주의 및/또는 경보를 제공할 수 있다. 시스템(100)이 제공하는 다양한 실시예들에 관해서는 하기에 추가로 설명한다.
전방 다중 이미징 시스템
상기에 설명한 바와 같이, 시스템(100)은 다중 카메라 시스템을 사용하는 운전 지원 기능을 제공할 수 있다. 다중 카메라 시스템은 차량의 전방을 향하는 하나 이상의 카메라를 사용할 수 있다. 다른 실시예에서, 다중 카메라 시스템은 차량의 측방 또는 후방을 향하는 하나 이상의 카메라를 포함할 수 있다. 예를 들어, 일 실시예에서, 시스템(100)은 이중 카메라 이미징 시스템을 사용하여, 제1 카메라와 제2 카메라(예, 이미지캡처장치(122, 124))가 차량(200)의 전방 및/또는 측방에 배치될 수 있다. 기재된 실시예에 따른 다른 카메라 구성도 있으며, 여기에 기재된 구성은 예시일 뿐이다. 예를 들면, 시스템(100)은 다양한 개수의 카메라(예, 1개, 2개, 3개, 4개, 5개, 6개, 7개, 8개 등)의 구성을 포함할 수 있다. 나아가, 시스템(100)은 카메라의 "클러스터"를 포함할 수 있다. 예를 들어, 카메라 클러스터(1개, 4개, 8개 등과 같은 다양한 개수의 카메라를 포함함)는 차량의 전방을 향하거나 다른 방향(예, 후방, 측방, 특정 각도 등)을 향하고 있을 수 있다. 이에 따라, 시스템(100)은 복수의 카메라 클러스터를 포함하고, 각 클러스터는 특정 방향을 향하여 차량 주변의 특정 영역으로부터 이미지를 캡처할 수 있다.
제1 카메라의 시야는 제2 카메라의 시야보다 넓거나, 좁거나, 부분적으로 겹칠 수 있다. 뿐만 아니라, 제1 카메라는 제1 이미지 프로세서와 연결되어 제1 카메라가 제공한 이미지의 단안 이미지 분석을 수행하고, 제2 카메라는 제2 이미지 프로세서와 연결되어 제2 카메라가 제공한 이미지의 단안 이미지 분석을 수행할 수 있다. 제1 및 제2 이미지 프로세서의 출력(예, 처리된 정보)은 합쳐질 수 있다. 일부 실시예에서, 제2 이미지 프로세서는 제1 및 제2 카메라 모두로부터 이미지를 수신하여 입체 분석을 수행할 수 있다. 다른 실시예에서, 시스템(100)은 각 카메라의 시야가 서로 다른 3중 카메라 이미징 시스템을 사용할 수 있다. 따라서, 이런 시스템은 차량의 전방 및 측방의 다양한 거리에 위치한 물체로부터 얻은 정보에 근거한 판단을 내릴 수 있다. 단안 이미지 분석이란 단일 시야로부터 캡처 된 이미지(예, 단일 카메라에서 캡처 된 이미지)에 근거하여 이미지 분석을 수행하는 경우를 말할 수 있다. 입체 이미지 분석이란 하나 이상의 이미지 캡처 파라미터로 캡처 된 두 개 이상의 이미지에 근거하여 이미지 분석을 수행하는 경우를 말할 수 있다. 예를 들면, 입체 이미지 분석에 적합한 캡처 된 이미지는 둘 이상의 위치로부터 캡처 된 이미지, 서로 다른 시야로부터 캡처 된 이미지, 서로 다른 초점거리를 사용하여 캡처 된 이미지, 시차 정보에 따라 캡처 된 이미지 등을 포함할 수 있다.
예를 들어, 일 실시예에서, 시스템(100)은 이미지캡처장치(122 내지 126)를 사용하여 3중 카메라 구성을 구현할 수 있다. 이런 구성에서, 이미지캡처장치(122)는 좁은 시야(예, 34도, 또는 약 20 내지 45도 범위에서 선택한 시야)를 제공할 수 있고, 이미지캡처장치(124)는 광시야(예, 150도 또는 약 100 내지 180도 범위에서 선택한 시야)를 제공할 수 있으며, 이미지캡처장치(126)는 중간 시야(예, 46도 또는 약 35 내지 60도 범위에서 선택한 시야)를 제공할 수 있다. 일부 실시예에서, 이미지캡처장치(126)는 주 카메라 역할을 할 수 있다. 이미지캡처장치(122 내지 126)는 백미러(310) 후면에 배치되고 실질적으로 서로 나란히(예, 6cm 간격으로) 배치될 수 있다. 또한, 상기에 설명한 바와 같이, 일부 실시예에서, 하나 이상의 이미지캡처장치(122 내지 126)는 차량(200)의 전면 유리에 맞닿아 있는 눈부심 가림막(380) 뒤에 탑재될 수 있다. 이러한 가림막은 차량 내부로부터의 반사가 이미지캡처장치(122 내지 126)에 끼치는 영향을 최소화할 수 있다.
다른 실시예에서, 상기에 도 3b 내지 3c를 참조하여 설명한 바와 같이, 광시야 카메라(예, 상기 예에서의 이미지캡처장치(124))는 좁은 시야 카메라와 주 시야 카메라(예, 상기 예에서의 이미지캡처장치(122, 126))보다 낮은 위치에 탑재될 수 있다. 이런 구성은 광시야 카메라로부터 탁 트인 시선을 제공할 수 있다. 반사를 줄이기 위하여, 카메라들은 차량(200)의 전면 유리 가까이 탑재될 수 있고, 반사광을 완화하기 위하여 편광판을 포함할 수 있다.
3중 카메라 시스템은 특정 성능을 제공할 수 있다. 예를 들면, 일부 실시예는 한 카메라가 검출한 물체에 대해 다른 카메라의 검출 결과에 근거하여 검증하는 능력을 포함할 수 있다. 상기에 설명한 3중 카메라 구성에서, 처리부(110)는 예를 들어 3개의 처리 장치(예, 3개의 EyeQ 시리즈 프로세서 칩)를 포함하고, 각 처리 장치는 하나 이상의 이미지캡처장치(122 내지 126)가 캡처한 이미지를 전용으로 처리할 수 있다.
3중 카메라 시스템에서, 제1 처리 장치는 주 카메라와 좁은 시야 카메라로부터 이미지를 수신하고, 좁은 시야 카메라의 시각 처리를 수행하여, 예를 들어, 다른 차량, 보행자, 차로 표시, 교통 표지, 신호등, 기타 도로상의 물체 등을 검출할 수 있다. 나아가, 제1 처리 장치는 주 카메라와 좁은 시야 카메라 사이의 픽셀 차이를 산출하여 차량(200) 주변상황의 3차원 재구성(3d reconstruction)을 생성한 후, 3차원 재구성을 3차원 지도 데이터 또는 다른 카메라로부터 수신한 정보에 근거하여 계산한 3차원 정보와 조합할 수 있다.
제2 처리 장치는 주 카메라로부터 이미지를 수신하고, 시각 처리를 수행하여 다른 차량, 보행자, 차로 표시, 교통 표지, 신호등, 기타 도로상의 물체 등을 검출할 수 있다. 뿐만 아니라, 제2 처리 장치는 카메라 변위를 계산하고, 계산된 변위에 근거하여 연속된 이미지 사이의 픽셀 차이를 계산하여 장면(예, 동작의 구조)의 3차원 재구성을 생성할 수 있다. 제2 처리 장치는 3차원 재구성에 근거한 동작의 구조를 제1 처리 장치에 전송하여 3차원 입체 이미지와 조합할 수 있다.
제3 처리 장치는 광시야 카메라로부터 이미지를 수신하고 이미지를 처리하여 차량, 보행자, 차로 표시, 교통 표지, 기타 도로상의 물체 등을 검출할 수 있다. 제3 처리 장치는 또한 이미지 분석을 위한 추가 처리 명령을 수행하여 차선을 변경하는 차량, 보행자 등과 같은 움직이는 물체를 식별할 수 있다.
일부 실시예에서, 이미지 기반 정보의 스트림을 독립적으로 캡처하고 처리함으로써, 시스템 상의 중복성을 제공할 수 있다. 여기서, 중복성이란, 예를 들면, 제1 이미지캡처장치와 이 장치로부터 처리된 이미지를 사용하여 적어도 제2 이미지캡처장치로부터 이미지 정보를 캡처하고 처리하여 획득된 정보를 검증 및/또는 보완하는 것을 포함할 수 있다.
일부 실시예에서, 시스템(100)은 2개의 이미지캡처장치(예, 122, 124)를 사용하여 차량(200)의 항법 보조를 제공하고 제3 이미지캡처장치(예, 126)을 사용하여 상기 2개의 이미지캡처장치로부터 수신한 데이터의 분석 결과의 중복성 및 검증을 제공할 수 있다. 예를 들면, 이런 구성에서, 이미지캡처장치(122, 124)는 차량(200)의 항법을 위해 시스템(100)에 의한 입체 분석을 위한 이미지를 제공하고, 이미지캡처장치(126)는 시스템(100)에 의한 단안 분석을 위한 이미지를 제공하여 이미지캡처장치(122 및/또는 126)가 캡처한 이미지에 근거하여 캡처한 정보의 중복성 및 검증을 제공할 수 있다. 즉, 이미지캡처장치(126)(및 상응하는 처리 장치)는 이미지캡처장치(122, 124)로부터 얻은 분석에 대한 확인을 제공(예, 자동긴급제동(AEB, automatic emergency braking) 제공) 하기 위한 중복 서브시스템을 제공하는 것으로 간주될 수 있다. 나아가, 일부 실시예에서, 수신된 데이터의 중복성 및 검증은 하나 이상의 센서로부터 수신된 정보(예, 레이더, 라이더, 음향 센서, 차량 외부의 하나 이상의 송수신기로부터 수신된 정보 등)에 기반하여 보완될 수 있다.
상기 카메라의 구성, 배치, 개수, 위치 등은 예시에 불과하다는 것을 당업자는 인식할 수 있을 것이다. 전체적인 시스템과 연관하여 설명하는 이러한 구성요소들과 기타 구성요소들은 기재된 실시예들의 범위를 벗어나지 않고 다양한 구성으로 조합되고 사용될 수 있다. 운전자 지원 및/또는 자율 주행 기능을 제공하기 위한 다중 카메라 시스템의 사용과 관련된 내용은 하기에 설명한다.
도 4는 기재된 실시예에 따른 하나 이상의 동작의 수행을 위한 명령을 저장/프로그램하도록 구성된 메모리(140 및/또는 150)를 예시한 기능 구성도이다. 하기에는 메모리(140)에 관하여 설명하지만, 명령이 메모리(140) 및/또는 메모리(150)에 저장될 수 있음은 당업자에게 당연할 것이다.
도 4에 도시된 바와 같이, 메모리(140)은 단안 이미지 분석 모듈(402), 입체 이미지 분석 모듈(404), 속도 및 가속 모듈(406), 주행 반응 모듈(408)을 저장할 수 있다. 여기에 기재된 실시예들은 메모리(14)의 어느 특정 구성으로 한정되지 않는다. 또한, 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)는 메모리(140)에 포함된 모든 모듈(402-408)에 저장된 명령을 실행할 수 있다. 본 발명의 기술분야의 당업자라면 하기의 설명에서 처리부(110)란 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)를 개별적으로 또는 총괄하여 지칭할 수 있다는 것을 이해할 것이다. 이에 따라, 하기에 설명한 프로세스의 단계들은 하나 이상의 처리 장치에 의해 수행될 수 있다.
일 실시예에서, 단안 이미지 분석 모듈(402)은, 처리부(110)에 의해 실행될 경우 이미지캡처장치(122, 124, 126) 중의 하나가 확보한 이미지 세트의 단안 이미지 분석을 수행하는, 명령(예, 컴퓨터 시각 소프트웨어)를 저장할 수 있다. 일부 실시예에서, 처리부(110)는 이미지 세트의 정보를 추가 감지 정보(예, 레이더로부터 얻은 정보)와 병합하여 단안 이미지 분석을 수행할 수 있다. 하기에 도 5a 내지 5d를 참조하여 설명하겠지만, 단안 이미지 분석 모듈(402)은 차로 표시, 차량, 보행자, 도로 표지, 고속도로 나들목, 신호등, 위험 물체, 및 차량의 주변상황과 연관된 기타 특성 등과 같은 특징들을 이미지 세트 내에서 검출하기 위한 명령을 포함할 수 있다. 시스템(100)은 이 분석에 근거하여, 예를 들어 처리부(110)를 통하여, 차량(200)의 회전, 차선 변경, 가속 변화 등과 같은 하나 이상의 주행 반응을 야기할 수 있으며, 이에 대해서는 하기에 주행 반응 모듈(408)에서 설명한다.
일 실시예에서, 단안 이미지 분석 모듈(402)은, 처리부(110)에 의해 실행될 경우 이미지캡처장치(122, 124, 126) 중의 하나가 확보한 이미지 세트의 단안 이미지 분석을 수행하는, 명령(예, 컴퓨터 시각 소프트웨어)를 저장할 수 있다. 일부 실시예에서, 처리부(110)는 이미지 세트의 정보를 추가 감지 정보(예, 레이더, 라이더 등으로부터 얻은 정보)와 병합하여 단안 이미지 분석을 수행할 수 있다. 하기에 도 5a 내지 5d를 참조하여 설명하겠지만, 단안 이미지 분석 모듈(402)은 차로 표시, 차량, 보행자, 도로 표지, 고속도로 나들목, 신호등, 위험 물체, 및 차량의 주변상황과 연관된 기타 특성 등과 같은 특징들을 이미지 세트 내에서 검출하기 위한 명령을 포함할 수 있다. 시스템(100)은 이 분석에 근거하여, 예를 들어 처리부(110)를 통하여, 차량(200)의 회전, 차선 변경, 가속 변화 등과 같은 하나 이상의 주행 반응을 야기할 수 있으며, 이에 대해서는 하기에 주행 반응의 판단에서 설명한다.
일 실시예에서, 입체 이미지 분석 모듈(404)은, 처리부(110)에 의해 실행될 경우 이미지캡처장치(122, 124, 126) 중에서 선택된 이미지캡처장치의 조합에 의해 확보된 제1 및 제2 이미지 세트의 입체 이미지 분석을 수행하는, 명령(예, 컴퓨터 시각 소프트웨어)을 저장할 수 있다. 일부 실시예에서, 처리부(110)는 제1 및 제2 이미지 세트의 정보를 추가 감지 정보(예, 레이다로부터 얻은 정보)와 병합하여 입체 이미지 분석을 수행할 수 있다. 예를 들어, 입체 이미지 분석 모듈(404)은 이미지캡처장치(124)가 확보한 제1 이미지 세트와 이미지캡처장치(126)가 확보한 제2 이미지 세트에 근거하여 입체 이미지 분석을 수행하기 위한 명령을 포함할 수 있다. 하기에 도 6을 참조하여 설명하겠지만, 입체 이미지 분석 모듈(404)은 차로 표시, 차량, 보행자, 도로 표지, 고속도로 나들목, 신호등, 위험 물체, 및 차량의 주변환경과 연관된 기타 특성 등과 같은 특징들을 제1 및 제2 이미지 세트 내에서 검출하기 위한 명령을 포함할 수 있다. 처리부(110)는 이 분석에 근거하여 차량(200)의 회전, 차선 변경, 가속 변화 등과 같은 하나 이상의 주행 반응을 야기할 수 있으며, 이에 대해서는 하기에 주행 반응 모듈(408)에서 설명한다. 또한, 일부 실시예에서, 입체 이미지 분석 모듈(404)은 학습 시스템(예, 신경망 또는 심층 신경망) 또는 비학습 시스템과 관련된 방법을 구현할 수 있다.
일 실시예에서, 속도 및 가속 모듈(406)은 차량(200)의 속도 및/또는 가속 변화를 야기하도록 구성된 차량(200)에 구비된 하나 이상의 컴퓨팅 및 기전 장치로부터 수신한 데이터를 분석하도록 구성된 소프트웨어를 저장할 수 있다. 예를 들어, 처리부(110)는 속도 및 가속 모듈(406)과 연계된 명령을 수행함으로써 단안 이미지 분석 모듈(402) 및/또는 입체 이미지 분석 모듈(404)를 실행하여 얻은 데이터에 근거하여 차량(200)의 목표 속도를 산출할 수 있다. 상기 데이터는 예를 들어 목표 위치, 속도, 및/또는 가속, 부근의 차량, 보행자 또는 도로상의 물체에 대한 차량(200)의 위치 및/또는 속도, 도로의 차로 표시에 대한 차량(200)의 위치 정보 등을 포함할 수 있다. 또한, 처리부(110)는 감지 입력(예, 레이더로부터 얻은 정보) 및 차량(200)의 구동 시스템(220), 제동 시스템(230), 및/또는 조향 시스템(240)과 같은 기타 시스템의 입력에 근거하여 차량(200)의 목표 속도를 산출할 수 있다. 산출된 목표 속도에 근거하여, 처리부(110)는 차량(200)의 구동 시스템(220), 제동 시스템(230), 및/또는 조향 시스템(240)으로 전자 신호를 전송하여, 예를 들면, 물리적으로 차량(200)의 브레이크 페달을 누르거나 가속 페달을 감압하여 속도 및/또는 가속의 변화를 일으킬 수 있다.
일 실시예에서, 주행 반응 모듈(408)은 단안 이미지 분석 모듈(402) 및/또는 입체 이미지 분석 모듈(404)를 실행하여 얻은 데이터에 근거하여 필요한 주행 반응을 판단하기 위하여 처리부(110)에 의해 실행 가능한 소프트웨어를 저장할 수 있다. 상기 데이터는 부근의 차량, 보행자, 및 도로상의 물체에 대한 위치 및 속도, 차량(200)의 목표 위치 정보 등을 포함할 수 있다. 뿐만 아니라, 일부 실시예에서, 주행 반응은 지도 데이터, 미리 설정한 차량(200)의 위치, 및/또는 단안 이미지 분석 모듈(402) 및/또는 입체 이미지 분석 모듈(404)를 실행하여 얻은 차량(200)과 하나 이상의 물체 사이의 상대 속도 또는 상대 가속에 부분적으로 또는 전적으로 근거할 수 있다. 주행 반응 모듈(408)은 또한 감지 입력(예, 레이더로부터 얻은 정보) 및 차량(200)의 구동 시스템(220), 제동 시스템(230), 및/또는 조향 시스템(240)과 같은 기타 시스템의 입력에 근거하여 필요한 주행 반응을 판단할 수 있다. 필요한 주행 반응에 근거하여, 처리부(110)는 차량(200)의 구동 시스템(220), 제동 시스템(230), 및/또는 조향 시스템(240)으로 전자 신호를 전송하여, 예를 들면, 차량(200)의 조향 핸들을 회전하여 미리 설정한 각도의 회전을 유도함으로써 필요한 주행 반응을 일으킬 수 있다. 일부 실시예에서, 처리부(110)는 주행 반응 모듈(408)의 출력(예, 필요한 주행 반응)을 차량(200)의 속도 변경을 산출하기 위한 속도 및 가속 모듈(406)의 실행을 위한 입력으로 사용할 수 있다.
또한, 여기에 기재된 어느 모듈(예, 402, 404, 406)이라도 학습 시스템(예, 신경망 또는 심층 신경망) 또는 비학습 시스템과 연관된 방법을 구현할 수 있다.　
도 5a는 기재된 실시예에 따른 단안 이미지 분석에 근거한 하나 이상의 주행 반응을 야기하는 프로세스(500A)의 일례를 예시한 순서도이다. 단계 510에서, 처리부(110)는 처리부(110)와 이미지획득부(120) 사이의 데이터 인터페이스(128)를 통하여 복수의 이미지를 수신할 수 있다. 예를 들어, 이미지획득부(120)에 포함된 카메라(예, 시야(202)를 가진 이미지캡처장치(122))는 차량(200)의 전방 영역(또는 측방 또는 후방 영역)의 복수의 이미지를 캡처하고 이 이미지를 데이터 연결(예, 디지털, 유선, USB, 무선, 블루투스 등)을 통하여 처리부(110)로 전송할 수 있다. 처리부(110)는 단계 520에서 단안 이미지 분석 모듈(402)을 실행하여 복수의 이미지를 분석할 수 있다. 이에 대해서는 도 5b 내지 5d를 참조하여 상세히 설명한다. 분석을 수행함으로써, 처리부(110)는 이미지 세트에서 차로 표시, 차량, 보행자, 도로 표지, 고속도로 나들목, 신호등 등의 특징들을 검출할 수 있다.
처리부(110)는 또한 단계 520에서 단안 이미지 분석 모듈(402)을 실행하여, 예를 들면, 트럭 타이어 조각, 도로에 떨어진 표지판, 적재 불량 차량, 동물 등의 다양한 도로상의 위험을 검출할 수 있다. 도로상의 위험은 그 구조, 모양, 크기, 색 등이 다양하여 이런 위험을 검출하는 것은 더욱 어렵다. 일부 실시예에서, 처리부(110)는 단안 이미지 분석 모듈(402)을 실행하여 복수의 이미지에 대한 다중 프레임 분석을 수행하여 도로상의 위험을 검출할 수 있다. 예를 들어, 처리부(110)는 연속 프레임 사이의 카메라 움직임을 예측하고 프레임 사이의 픽셀 차이를 계산하여 도로의 3차원 지도를 구축할 수 있다. 이후, 처리부(110)는 3차원 지도를 사용하여 도로면 뿐만 아니라 도로면 상에 존재하는 위험을 검출할 수 있다.
단계 530에서, 처리부(110)는 주행 반응 모듈(408)을 실행하여 단계 520에서 수행한 분석 및 상기에서 도 4를 참조하여 설명한 방법에 근거하여 차량(200)에 하나 이상의 주행 반응을 일으킬 수 있다. 주행 반응은 예를 들어 회전, 차선 변경, 가속 변경 등을 포함할 수 있다. 일부 실시예에서, 처리부(110)는 속도 및 가속 모듈(406)을 실행하여 얻은 데이터를 활용하여 하나 이상의 주행 반응을 야기할 수 있다. 또한, 복수의 주행 반응이 동시에, 순차적으로, 또는 결합된 형태로 일어날 수 있다. 예를 들면, 처리부(110)는 제어 신호를 차량(200)의 조향 시스템(240)과 구동 시스템(220)에 순차적으로 전송하여 차량(200)이 차로를 변경한 후 가속을 하게 할 수 있다. 또는, 처리부(110)는 차량(200)의 제동 시스템(230)과 조향 시스템(240)에 제어 신호를 동시에 전송하여 차량(200)이 제동을 하면서 동시에 차로를 변경하게 할 수 있다.
도 5b는 본 발명의 실시예에 따른 이미지 세트에서 하나 이상의 차량 및/또는 보행자를 검출하는 프로세스(500B)의 일례를 예시한 순서도이다. 처리부(110)는 단안 이미지 분석 모듈(402)을 실행하여 이 프로세스(500B)를 구현할 수 있다. 단계 540에서, 처리부(110)는 차량 및/또는 보행자일 가능성을 나타내는 후보 물체 모음을 판단할 수 있다. 예를 들어, 처리부(110)는 하나 이상의 이미지를 스캔하고, 이 이미지를 하나 이상의 미리 설정한 패턴과 비교하여, 각 이미지 내에서 관심 물체(예, 차량, 보행자 등)가 있을 만한 위치를 파악할 수 있다. 미리 설정한 패턴은 높은 비율의 '오탐(false hits)'과 낮은 비율의 '누락(misses)'을 달성하도록 설계될 수 있다. 예를 들어, 처리부(110)는 차량 또는 보행자일 가능성이 있는 후보 물체를 식별하기 위하여 미리 설정한 패턴에 낮은 유사 한계치를 사용할 수 있다. 이 결과, 처리부(110)가 차량 또는 보행자를 나타내는 후보 물체를 놓칠(즉, 식별하지 못할) 확률을 낮출 수 있다.
단계 542에서, 처리부(110)는 분류 기준에 근거하여 후보 물체 모음을 필터링하여 특정 후보(예, 관련이 없거나 적은 물체)를 제외할 수 있다. 여기서, 기준은 데이터베이스(예, 메모리(140)에 저장된 데이터베이스)에 저장된 물체 유형의 다양한 성질로부터 확보할 수 있다. 여기서, 물체 유형의 성질은 물체의 모양, 크기, 질감, 위치(예, 차량(200)에 대한 상대적 위치) 등을 포함할 수 있다. 따라서, 처리부(110)는 하나 이상의 기준을 사용하여 후보 물체 모음 중에서 거짓 후보를 제외시킬 수 있다.
단계 544에서, 처리부(110)는 이미지의 다중 프레임을 분석하여 후보 물체 모음의 물체가 차량 및/또는 보행자를 나타내는지 여부를 판단할 수 있다. 예를 들면, 처리부(110)는 검출된 후보 물체를 연속 프레임에 걸쳐 추적하여 검출된 물체와 연관된 프레임 별 데이터(예, 차량(200)과 관련된 크기, 위치 등)를 축적할 수 있다. 또한, 처리부(110)는 검출된 물체의 파라미터를 추정하고 물체의 프레임 별 위치 데이터를 예측 위치와 비교할 수 있다.
단계 546에서, 처리부(110)는 검출된 물체의 측정치 모음을 구성할 수 있다. 여기서, 측정치는 예를 들어 검출된 물체와 연계된 위치, 속도, 및 가속값(즉, 차량(200)에 대한 상대 가속값)을 포함할 수 있다. 일부 실시예에서, 처리부(110)는 칼만 필터(Kalman filters) 또는 선형 2차 곡선 추정(LQE, linear quadratic estimation) 등과 같은 시간 기준 관찰을 사용한 추정 방법 및/또는 기타 물체 유형(예, 차, 트럭, 보행자, 자전거, 도로 표시 등)에 대한 기존 모델링 데이터에 근거하여 측정치를 구성할 수 있다. 칼만 필터는 물체 크기의 측정치에 근거하고, 크기 측정치는 충돌까지의 시간(예, 차량(200)이 물체에 도달하는 시간)에 비례할 수 있다. 따라서, 단계 540 내지 546을 수행함으로써, 처리부(110)는 캡처 된 이미지 세트 내에 등장하는 차량과 보행자를 식별하고 이 차량과 보행자와 관련된 정보(예, 위치, 속도, 크기)를 도출할 수 있다. 식별된 내용과 도출한 정보에 근거하여, 처리부(110)는 상기에서 도 5a를 참조하여 설명한 바와 같이, 차량(200)이 하나 이상의 주행 반응을 하도록 할 수 있다.
단계 548에서, 처리부(110)는 하나 이상의 이미지에 대한 광류 분석(optical flow analysis)을 수행하여 차량 또는 보행자를 나타내는 후보 물체에 대한 '오탐'과 누락 확률을 낮출 수 있다. 여기서, 광류 분석이란, 예를 들어, 다른 차량과 보행자와 관련된 하나 이상의 이미지에서 차량(200)에 대한, 그리고 도로 표면 움직임과 다른, 동작 패턴을 분석하는 것을 의미할 수 있다. 처리부(110)는 후보 물체의 움직임을 계산하기 위하여 위치값 및 시간값을 수학적 모델의 입력으로 사용할 수 있다. 따라서, 광류 분석은 차량(200)에 근접한 차량과 보행자를 검출하는 또 다른 방법을 제공할 수 있다. 처리부(110)는 광류 분석을 단계 540 내지 546과 함께 수행함으로써 차량과 보행자를 검출하는 중복성을 제공하고 시스템(100)의 신뢰도를 향상시킬 수 있다.
도 5c는 기재된 실시예에 따른 이미지 세트에서 도로 표시 및/또는 차로 형상 정보를 검출하는 프로세스(500C)의 일례를 예시한 순서도이다. 처리부(110)는 단안 이미지 분석 모듈(402)을 실행하여 본 프로세스(500C)를 구현할 수 있다. 단계 550에서, 처리부(110)는 하나 이상의 이미지를 스캔하여 물체 모음을 검출할 수 있다. 차로 표시의 일부분, 차로 형상 정보, 및 기타 해당 도로 표시를 검출하기 위하여, 처리부(110)는 물체 모음을 필터링하여 관련 없는 것으로 판단된 물체(예, 대수롭지 않은 포트홀(pothole), 자갈 등)를 제외시킬 수 있다. 단계 552에서, 처리부(110)는 동일 도로 표시 또는 차로 표시에 속하는, 단계 550에서 검출된, 조각들을 함께 묶을 수 있다. 이러한 묶음에 근거하여, 처리부(110)는 검출된 조각들을 나타낼 모델, 예를 들면, 수학적 모델을 생성할 수 있다.
단계 554에서, 처리부(110)는 검출된 조각들에 상응하는 측정치 모음을 구성할 수 있다. 일부 실시예에서, 처리부(110)는 검출된 조각들을 이미지 플레인(image plane)으로부터 실세계 플레인(real-world plane)으로 투영할 수 있다. 여기서, 투영은 검출된 도로의 위치, 경사, 곡률, 및 곡률 미분계수 등과 같은 물리적 성질에 상응하는 계수를 가진 3차 다항식을 사용하는 특징이 있을 수 있다. 투영을 생성할 때, 처리부(110)는 도로면의 변화뿐만 아니라 차량(200)의 피치(pitch)와 롤(roll)을 고려할 수 있다. 또한, 처리부(110)는 도로면에 존재하는 위치 및 모션 신호를 분석하여 도로의 높낮이를 추정할 수 있다. 나아가, 처리부(110)는 하나 이상의 이미지의 특징점 모음을 추적하여 차량(200)의 피치 및 롤 비율을 추정할 수 있다.
단계 556에서, 처리부(110)는 예를 들어 검출된 조각들을 연속 이미지 프레임에 걸쳐 추적하고 검출된 조각과 관련된 프레임별 데이터를 축적하여 다중 프레임 분석을 수행할 수 있다. 처리부(110)가 다중 프레임 분석을 수행함에 따라, 단계 554에서 구성된 측정치 모음은 더욱 신뢰할 수 있게 되고 더욱 높은 신뢰 수준을 갖게 된다. 따라서, 단계 550 내지 556을 수행함으로써, 처리부(110)는 캡처 된 이미지 세트 내에 등장하는 도로 표시를 식별하고 차로 형상 정보를 도출할 수 있게 된다. 이러한 식별과 도출된 정보에 근거하여, 처리부(110)는, 상기에서 도 5a를 참조하여 설명한 바와 같이, 차량(200)이 주행 반응을 취하게 할 수 있다.
단계 558에서, 처리부(110)는 추가 정보를 고려하여 차량(200) 주변에 관한 안전 모델을 생성할 수 있다. 처리부(110)는 안전 모델을 사용하여 시스템(100)이 차량(200)의 자율 제어를 안전하게 할 수 있는 환경을 정의할 수 있다. 일부 실시예에서, 안전 모델을 생성하기 위하여, 처리부(100)는 다른 차량의 위치와 움직임, 검출된 도로 가장자리 및 배리어(barrier), 및/또는 지도 데이터(예, 지도 데이터베이스(160)의 데이터)에서 추출한 일반적인 도로 형상 설명을 고려할 수 있다. 추가 정보를 고려함으로써, 처리부(110)는 도로 표시 및 차로 형상에 대한 중복성을 제공하고 시스템(100)의 신뢰도를 향상시킬 수 있다.
도 5d는 기재된 실시예에 따른 이미지 세트에서 신호등을 검출하는 프로세스(500D)의 일례를 예시한 순서도이다. 처리부(110)는 단안 이미지 분석 모듈(402)을 실행하여 본 프로세스(500D)를 구현할 수 있다. 단계 560에서, 처리부(110)는 이미지 세트를 스캔하고 신호등 포함 가능성이 있는 이미지의 위치에 나타나는 물체를 식별한다. 예를 들면, 처리부(110)는 식별된 물체를 필터링하여 신호등에 상응할 가능성이 없는 물체들을 제외한 후보 물체 모음을 구성할 수 있다. 필터링은 신호등의 모양, 크기, 질감, 위치(예, 차량(200)에 대한 상대적 위치) 등의 다양한 성질에 근거하여 수행될 수 있다. 이러한 성질은 여러 예의 신호등과 교통 제어 신호에 근거할 수 있고 데이터베이스에 저장될 수 있다. 일부 실시예에서, 처리부(110)는 신호등 가능성이 있는 후보 물체 모음에 대한 다중 프레임 분석을 수행할 수 있다. 예를 들어, 처리부(110)는 연속 이미지 프레임에 걸쳐 후보 물체를 추적하고, 후보 물체의 실세계 위치를 추정하고, 움직이는 물체(즉, 신호등일 가능성이 적은 물체)를 필터링할 수 있다. 일부 실시예에서, 처리부(110)는 후보 물체에 대한 색 분석을 실시하고 신호등 가능성이 있는 물체 내부에서 검출된 색의 상대적 위치를 식별할 수 있다.
단계 562에서, 처리부(110)는 교차로의 기하를 분석할 수 있다. 이 분석은 (i) 차량(200) 양 측에 검출된 차로의 수, (ii) 도로상에 검출된 표시(화살표 등), (iii) 지도 데이터(예, 데이터베이스(160)에 저장된 지도 데이터)에서 추출된 교차로 설명의 조합에 근거하여 수행될 수 있다. 처리부(110)는 단안 분석 모듈(402)을 실행하여 도출한 정보를 활용하여 분석을 수행할 수 있다. 또한, 처리부(110)는 단계 560에서 검출된 신호등이 차량(200) 부근에 보이는 차로와 상응하는지 판단할 수 있다.
차량(200)이 교차로에 접근함에 따라, 단계 564에서, 처리부(110)는 분석된 교차로 기하 구조와 검출된 신호등에 관한 신뢰 수준을 업데이트 할 수 있다. 예를 들어, 교차로에 나타날 것으로 추정된 신호등의 수와 실제로 교차로에 나타난 신호등의 수를 비교하면 신뢰 수준을 파악할 수 있다. 따라서, 이 신뢰 수준에 근거하여, 처리부(110)는 안전 조건을 향상하기 위하여 차량(200)의 제어를 운전자에게 맡길 수 있다. 단계 560 내지 564를 수행함으로써, 처리부(110)는 캡처된 이미지 세트 내에 나타나는 신호등을 식별하고 교차로 기하 정보를 분석할 수 있다. 이러한 식별과 분석을 근거로, 처리부(110)는 상기에 도 5a를 참조하여 설명한 하나 이상의 주행 반응을 차량(200)이 하도록 할 수 있다.
도 5e는 기재된 실시예에 따른 차량 경로에 근거한 하나 이상의 주행 반응을 차량(200)에 야기하는 프로세스(500E)의 일례를 예시한 순서도이다. 단계 570에서, 처리부(110)는 차량(200)의 초기 차량 경로를 구성할 수 있다. 차량 경로는 좌표 (x, z)로 표현되는 한 세트의 점으로 나타낼 수 있고, 한 세트의 점의 두 점 간의 간격인 d i 는 1 내지 5 미터의 범위 내에 있을 수 있다. 일 실시예에서, 처리부(110)는 좌측 도로 다항식과 우측 도로 다항식과 같은 두 개의 다항식을 사용하여 초기 차량 경로를 구성할 수 있다. 처리부(110)는 두 개의 다항식 사이의 중간점을 계산하고, 오프셋이 있는 경우(오프셋이 0인 경우는 차로의 중앙을 주행하는 경우에 해당함), 차량 경로 결과에 포함된 각 점을 미리 설정한 오프셋(예, 스마트 차로 오프셋)만큼 오프셋 할 수 있다. 오프셋은 차량 경로 내의 두 점 사이의 구간에 수직인 방향일 수 있다. 다른 실시예에서, 처리부(110)는 하나의 다항식과 추정된 차로 폭을 사용하여 차량 경로의 각 점을 추정된 차로 폭에 미리 설정한 오프셋(예, 스마트 차선 오프셋)을 더한 값만큼 오프셋 할 수 있다.
단계 572에서, 처리부(110)는 단계 570에서 구성한 차량 경로를 업데이트 할 수 있다. 처리부(110)는 단계 570에서 구성한 차량 경로를 더 높은 해상도를 사용하여 재구성하여 차량 경로를 나타내는 한 세트의 점의 두 점 사이이 거리 dk가 상기에 설명한 거리 d i 보다 작도록 할 수 있다. 예를 들어, dk는 0.1 내지 0.3 미터의 범위 내에 있을 수 있다. 처리부(110)는 차량 경로의 전체 길이에 해당하는(즉, 차량 경로를 나타내는 점들의 세트에 근거한) 누적 거리 벡터 S 를 산출하는 파라볼릭 스플라인 알고리즘(parabolic spline algorithm)을 사용하여 차량 경로를 재구성할 수 있다.
단계 574에서, 처리부(110)는 단계 572에서 구성된 업데이트된 차량 경로에 근거하여 예견점(look-ahead point)(좌표 (x l , z l )로서 표현)을 결정할 수 있다. 처리부(110)는 누적 거리 벡터 S로부터 예견점을 추출할 수 있고, 예견점은 예견 거리 및 예견 시간과 연계될 수 있다. 하한계가 10 내지 20미터일 수 있는 예견 거리는 차량(200)의 속도와 예견 시간을 곱한 값으로 산출될 수 있다. 예를 들어, 차량(200)의 속도가 감소하면, 예견 거리도 감소(예, 하한계에 도달할 때까지)할 수 있다. 범위가 0.5 내지 1.5초일 수 있는 예견 시간은 차량(200)에 주행 반응을 야기하는 것과 관계 있는 하나 이상의 제어 루프(control loop)(예, 방위각 오차 추적 제어 루프)의 게인(gain)에 반비례할 수 있다. 예를 들어, 방위각 오차 추적 제어 루프의 게인은 요 레이트 루프(yaw rate loop)의 대역폭, 조향 액추에이터 루프, 차량 측방향 동역학 등에 따라 다를 수 있다. 따라서, 방위각 오차 추적 제어 루프의 게인이 클수록, 예견 시간은 작아질 수 있다.
단계 576에서, 처리부(110)는 단계 574에서 판단한 예견점에 근거하여 방위각 오차 및 요 레이트 명령을 결정할 수 있다. 처리부(110)는 예견점의 역탄젠트, 예를 들어 arctan (x l / z l )를 산출하여 결정할 수 있다. 처리부(110)는 방위각 오차와 고레벨 제어 게인의 곱을 산출하여 요 레이트 명령을 결정할 수 있다. 고레벨 제어 게인은, 예견 거리가 하한계에 있지 않은 경우, (2/예견 시간)과 같을 수 있다. 아니면, 고레벨 제어 게인은 (2 * 차량 속도 /예견 거리)와 같을 수 있다.
도 5f는 기재된 실시예에 따른 선두 차량이 차로 변경을 하는지를 판단하는 프로세스(500F)의 일례를 예시한 순서도이다. 단계 580에서, 처리부(110)는 선두 차량(예, 차량(200)에 앞서 주행하는 차량)에 대한 항법 정보를 판단할 수 있다. 예를 들면, 처리부(110)는, 선두 차량의 위치, 속도(예, 방향과 속력), 및/또는 가속도를 판단할 수 있다. 처리부(110)는 또한 상기의 도 5e를 참조하여 설명한 방법을 활용하여 하나 이상의 도로 다항식, 예견점(차량(200)과 관련된 예견점), 및/또는 스네일 트레일(snail trail: 선두 차량의 경로를 묘사하는 한 세트의 점)을 판단할 수 있다.
단계 582에서 처리부(110)는 단계 580에서 판단한 항법 정보를 분석할 수 있다. 일 실시예에서, 처리부(110)는 스네일 트레일과 도로 다항식(예, 스네일 트레일을 따라가는 다항식) 사이의 거리를 계산할 수 있다. 스네일 트레일을 따라가는 거리의 분산이 미리 설정한 임계치(예, 직선 도로에서 0.1 내지 0.2, 완만한 커브길에서 0.3 내지 0.4, 급커브길에서 0.5 내지 0.6)를 초과하는 경우, 처리부(110)는 선두 차량이 차로 변경을 하고 있을 가능성이 있는 것으로 판단할 수 있다. 차량(200)의 앞에 여러 차량이 검출된 경우, 처리부(110)는 각 차량의 스네일 트레일을 비교할 수 있다. 처리부(110)는 비교 결과에 근거하여 다른 차량들의 스네일 트레일과 일치하지 않는 스네일 트레일의 차량이 차로 변경의 가능성이 있는 것으로 판단할 수 있다. 처리부(110)는 추가적으로 선두 차량의 스네일 트레일의 곡률과 선두 차량이 주행하고 있는 도로 구간의 예상 곡률을 비교할 수 있다. 예상 곡률은 지도 데이터(예, 데이터베이스(160)의 데이터), 도로 다항식, 다른 차량의 스네일 트레일, 도로에 대한 사전 지식 등으로부터 추출될 수 있다. 스네일 트레일의 곡률과 도로 구간의 예상 곡률의 차이가 미리 설정된 임계값을 초과하는 경우, 처리부(110)는 선두 차량이 차로 변경을 하고 있을 가능성이 있는 것으로 판단할 수 있다.
다른 실시예에서, 처리부(110)는 특정 시간(예, 0.5 내지 1.5초)에 대한 선두 차량의 순간 위치와 예견점(차량(200)의 예견점)을 비교할 수 있다. 특정 시간 동안에 선두 차량의 순간 위치와 예견점 사이의 거리가 변화하고 변화의 누적 합이 미리 설정한 임계치(예, 직선도로상 0.3 내지 0.4 미터, 완만한 커브길의 0.7 내지 0.8 미터, 급커브길의 1.3 내지 1.8 미터)를 초과할 경우, 처리부(110)는 선두 차량이 차로 변경을 하고 있을 가능성이 있는 것으로 판단할 수 있다. 다른 실시예에서, 처리부(110)는 스네일 트레일을 따라 주행한 횡방향 거리와 스네일 트레일의 예상 곡률을 비교하여 스네일 트레일의 기하를 분석할 수 있다. 예상 곡률 반경은 수학식
Figure pat00001
을 통하여 판단할 수 있다. 여기서,
Figure pat00002
는 횡방향 주행 거리이고,
Figure pat00003
는 종방향 주행 거리이다. 횡방향 주행 거리와 예상 곡률 사이의 차이가 미리 설정한 임계치(예, 500 내지 700미터)를 초과하는 경우, 처리부(110)는 선두 차량이 차로 변경을 하고 있을 가능성이 있는 것으로 판단할 수 있다. 다른 실시예에서, 처리부(110)는 선두 차량의 위치를 분석할 수 있다. 선두 차량의 위치가 도로 다항식을 안 보이게 하는 경우(예, 선두 차량이 도로 다항식의 상부에 덮어씌워 있는 경우), 처리부(110)는 선두 차량이 차로 변경을 하고 있을 가능성이 있는 것으로 판단할 수 있다. 다른 차량이 선두 차량의 앞에 검출되고 선두 차량과 앞 차량의 스네일 트레일이 서로 평행하지 않은 경우, 처리부(110)는 선두 차량(즉, 차량(200)과 가까운 차량)이 차로 변경을 하고 있을 가능성이 있는 것으로 판단할 수 있다.
단계 584에서, 처리부(110)는 단계 582에서 수행한 분석에 근거하여 선두 차량의 차로 변경 여부를 판단할 수 있다. 예를 들어, 처리부(110)는 단계 582에서 수행한 개별 분석의 가중 평균에 근거하여 판단을 할 수 있다. 이 방법에서, 예를 들면, 특정 유형의 분석에 근거하여 선두 차량이 차로 변경을 하고 있을 가능성이 있다는 판단을 처리부(110)가 내릴 경우, "1"의 값을 부여할 수 있다(선두 차량이 차로 변경을 하지 않고 있을 가능성 판단일 경우, "0"의 값 부여). 단계 582에서 수행되는 다른 분석에는 다른 가중치가 부여될 수 있으며, 본 실시예는 특정 조합의 분석 및 가중치에 한정되지 않는다. 또한, 일부 실시예에서, 예를 들어 현재 위치에서 캡처된 이미지에 기반하여 차량의 현재 위치 전방의 향후 경로를 추정할 수 있는, 학습 시스템9예, 머신러닝 도는 딥러닝 시스템)을 활용하여 분석을 할 수 있다.
도6은 기재된 실시예에 따른 입체 이미지 분석에 근거한 하나 이상의 주행 반응을 야기하는 프로세스(600)의 일례를 예시한 순서도이다. 단계 610에서, 처리부(110)는 복수의 제1 및 제2 이미지를 데이터 인터페이스(128)를 통하여 수신할 수 있다. 예를 들면, 이미지획득부(120, 시야(202, 204)를 가진 이미지캡처장치(122, 124) 등)에 포함된 카메라가 차량(200) 전면 영역의 복수의 제1 및 제2 이미지를 캡처하고 디지털 연결(예, USB, 무선통신, 블루투스 등)을 통해 처리부(110)로 전송할 수 있다. 일부 실시예에서, 처리부(110)는 둘 이상의 데이터 인터페이스를 통해 복수의 제1 및 제2 이미지를 수신할 수 있다. 여기에 기재된 실시예들은 특정 데이터 인터페이스 구성 또는 프로토콜에 제한되지 않는다.
단계 620에서, 처리부(110)는 입체 이미지 분석 모듈(404)을 실행하여 복수의 제1 및 제2 이미지에 대한 입체 이미지 분석을 수행하여 차량 전면 도로의 3차원 지도를 생성하고, 이미지 내에서 차로 표시, 차량, 보행자, 도로 표지, 고속도로 나들목, 신호등, 도로상의 위험물 등과 같은 특징을 검출할 수 있다. 입체 이미지 분석은 상기에서 도 5a 내지 5d를 참조하여 설명한 단계와 유사한 방법으로 수행될 수 있다. 예를 들어, 처리부(110)는 입체 이미지 분석 모듈(404)을 실행하여 복수의 제1 및 제2 이미지 내에서 후보 물체(예, 차량, 보행자, 도로 표시, 신호등, 도로상의 위험물 등)을 검출하고, 다양한 기준에 근거하여 후보 물체의 모음을 필터링하고, 다중 프레임 분석을 수행하고, 측정치를 구성하고, 나머지 후보 물체에 대한 신뢰 수준을 판단할 수 있다. 상기 단계들을 수행함에 있어서, 처리부(110)는 한 세트의 이미지보다는 복수의 제1 및 제2 이미지 모두의 정보를 고려할 수 있다. 예를 들어, 처리부(110)는 복수의 제1 및 제2 이미지에 모두 등장하는 후보 물체에 대한 픽셀 단계 데이터(또는 두 스트림의 캡처된 이미지의 기타 데이터 서브세트)의 차이를 분석할 수 있다. 다른 예로서, 처리부(110)는 후보 물체가 복수의 이미지 중 하나에 등장하지만 다른 이미지에 등장하지 않는다는 것을 관찰하거나, 두 이미지 스트림에 등장하는 물체와 관련하여 존재하는 다른 차이점들을 통하여, 후보 물체(예, 차량(200)에 대한 후보 물체)의 위치 및/또는 속도를 추정할 수 있다. 예를 들어, 차량(200)과 관련된 위치, 속도, 및/또는 가속도는 이미지 스트림의 하나 또는 모두에 등장하는 물체와 연관된 특징의 궤적, 위치, 동작 특성 등에 근거하여 판단될 수 있다.
단계 630에서, 처리부(110)는 주행 반응 모듈(408)을 실행하여 단계 620에서 수행한 분석 및 도 4를 참조하여 상기에 설명한 방법에 근거한 하나 이상의 주행 반응을 차량(200)에 발생시킬 수 있다. 주행 반응은, 예를 들어, 회전, 차로 변경, 가속도 변경, 속도 변경, 제동 등을 포함할 수 있다. 일부 실시예에서, 처리부(110)는 속도 및 가속 모듈(406)을 실행하여 도출한 데이터를 사용하여 하나 이상의 주행 반응을 발생시킬 수 있다. 뿐만 아니라, 다중 주행 반응이 동시에, 순차적으로, 또는 이들의 조합으로 발생될 수 있다.
도 7은 본 발명의 실시예에 따른 3세트의 이미지에 근거한 하나 이상의 주행 반응을 발생시키는 프로세스(700)의 일례를 예시한 순서도이다. 단계 710에서, 처리부(110)는 데이터 인터페이스(128)를 통하여 복수의 제1, 제2, 제3 이미지를 수신할 수 있다. 예를 들어, 이미지획득부(120, 시야(202, 204, 206)를 가진 이미지캡처장치(122, 124, 126) 등)에 포함된 카메라가 차량(200) 전면 및/또는 측면 영역의 복수의 제1, 제2, 제3 이미지를 캡처하고 디지털 연결(예, USB, 무선통신, 블루투스 등)을 통해 처리부(110)로 전송할 수 있다. 일부 실시예에서, 처리부(110)는 셋 이상의 데이터 인터페이스를 통해 복수의 제1, 제2, 제3 이미지를 수신할 수 있다. 예를 들어, 이미지캡처장치(122, 124, 126)는 처리부(110)와 데이터를 통신하기 위해 각 장치에 연관된 데이터 인터페이스가 있을 수 있다. 기재된 실시예들은 특정 데이터 인터페이스 구성 또는 프로토콜로 제한되지 않는다.
단계 720에서, 처리부(110)는 복수의 제1, 제2, 제3 이미지를 분석하여 차로 표시, 차량, 보행자, 도로 표지, 고속도로 나들목, 신호등, 도로상의 위험물 등과 같은 특징을 이미지 내에서 검출할 수 있다. 본 분석은 상기에서 도 5a 내지 5d 및 도6을 참조하여 설명한 단계와 유사한 방법으로 수행될 수 있다. 예를 들어, 처리부(110)는 복수의 제1, 제2, 제3 이미지 각각에 대한 단안 이미지 분석(예, 단안 이미지 분석 모듈(402) 실행 및 도 5a 내지 5d를 참조하여 설명한 상기 단계)을 수행할 수 있다. 또는, 처리부(110)는 복수의 제1 및 제2 이미지, 복수의 제2 및 제3 이미지, 및/또는 복수의 제1 및 제3 이미지에 대한 입체 이미지 분석(예, 입체 이미지 분석 모듈(404) 실행 및 도6을 참조하여 설명한 상기 단계)을 수행할 수 있다. 복수의 제1, 제2 및/또는 제3 이미지에 상응하는 처리 정보는 병합될 수 있다. 일부 실시예에서, 처리부(110)는 단안 이미지 분석과 입체 이미지 분석을 조합하여 수행할 수 있다. 예를 들면, 처리부(110)는 복수의 제1 이미지에 대해 단안 이미지 분석(예, 단안 이미지 분석 모듈(402) 실행)을 수행하고, 복수의 제2 및 제3 이미지에 대해 입체 이미지 분석(예, 입체 이미지 분석 모듈(404) 실행)을 수행할 수 있다. 상응하는 위치와 시야(202, 204, 206)를 가진 이미지캡처장치(122, 124, 126)의 구성은 복수의 제1, 제2, 제3 이미지에 대해 수행되는 분석의 유형에 영향을 줄 수 있다. 기재된 실시예들은 특정 구성의 이미지캡처장치(122, 124, 126) 또는 복수의 제1, 제2, 제3 이미지에 수행되는 분석의 유형으로 제한되지 않는다.
일부 실시예에서, 처리부(110)는 단계 710과 720에서 획득하고 분석한 이미지에 근거하여 시스템(100)의 검사를 수행할 수 있다. 이러한 검사는 이미지캡처장치(122, 124, 126)의 특정 구성을 위한 시스템(100)의 전체적인 성능에 대한 지시자를 제공할 수 있다. 예를 들어, 처리부(110)는 '오탐'(예, 시스템(100)이 차량 또는 보행자가 존재하는 것으로 오판하는 경우) 및 '누락'의 비율을 판단할 수 있다.
단계 730에서, 처리부(110)는 복수의 제1, 제2, 제3 이미지 중 둘로부터 도출된 정보에 근거하여 차량(200)에 하나 이상의 주행 반응을 발생시킬 수 있다. 복수의 제1, 제2, 제3 이미지 중 둘은, 예를 들어, 복수의 이미지 각각에 검출된 물체의 개수, 유형, 크기 등과 같은 다양한 요소에 의거하여 선택될 수 있다. 처리부(110)는 또한 이미지의 품질 및 해상도, 이미지에 반영된 유효 시야, 캡처 된 프레임의 수, 관심 물체가 프레임에 실제로 등장하는 정도(예, 물체가 등장하는 프레임의 퍼센트, 각 프레임에 등장하는 물체가 차지하는 비율 등) 등에 따라 이미지를 선택할 수 있다.
일부 실시예에서, 처리부(110)는 한 이미지 소스로부터 도출된 정보가 다른 이미지 소스로부터 도출된 정보와 어느 정도 일관되는지를 판단하여 복수의 제1, 제2, 제3 이미지 중 둘로부터 도출된 정보를 선택할 수 있다. 예를 들어, 처리부(110)는 이미지캡처장치(122, 124, 126) 각각으로부터 도출(단안 분석, 입체 분석, 또는 이들의 조합)된 처리 정보를 병합하고 이미지캡처장치(122, 124, 126) 각각으로부터 캡처 된 이미지 전반에 걸쳐 일관된 시각적 지시자(예, 차로 표시, 검출된 차량 및 그 위치 및/또는 경로, 검출된 신호등 등)를 판단할 수 있다. 처리부(110)는 또한 캡처 된 이미지 전반에 걸쳐 일관되지 않은 정보(예, 차로를 변경하는 차량, 차량(200)과 너무 가까운 차량을 나타내는 차로 모델 등)를 제외시킬 수 있다. 따라서, 처리부(110)는 일관된 정보 및 일관되지 않은 정보의 판단에 근거하여 복수의 제1, 제2, 제3 이미지 중 둘로부터 도출된 정보를 선택할 수 있다.
주행 반응은, 예를 들면, 회전, 차로 변경, 가속도 변경 등을 포함할 수 있다. 처리부(110)는 단계 720에서 수행된 분석과 도 4를 참조하여 설명한 방법에 근거하여 하나 이상의 주행 반응을 발생시킬 수 있다. 처리부(110)는 또한 속도 및 가속 모듈(406)을 실행하여 도출한 데이터를 사용하여 하나 이상의 주행 반응을 발생시킬 수 있다. 일부 실시예에서, 처리부(110)는 차량(200)과 복수의 제1, 제2, 제3 이미지 중 어느 하나 내에서 검출된 물체 사이의 상대적 위치, 상대적 속도, 및/또는 상대적 가속도에 근거하여 하나 이상의 주행 반응을 발생시킬 수 있다. 다중 주행 반응은 동시에, 순차적으로 또는 이들의 조합으로 발생될 수 있다.
강화 학습 및 학습된 항법 시스템
하기의 설명은 자율 주행뿐만 아니라 차량의 자율 제어를 위한 시스템 및 방법에 관한 것으로서, 여기서 제어는 완전 자율(예, 자율주행차)이거나 부분 자율(예, 하나 이상의 운전자 보조 시스템 또는 기능)일 수 있다. 도8에 도시된 바와 같이, 자율 주행 작업은 감지 모듈(801), 주행 방침 모듈(803), 및 제어 모듈(805)를 포함하는 3개의 주요 모듈로 구분될 수 있다. 일부 실시예에서, 모듈들(801, 803, 805)은 시스템(100)의 메모리(140) 및/또는 메모리(150)에 저장될 수 있고, 모듈들(801, 803, 805)은(또는 그 일부는) 시스템(100)으로부터 원격으로 저장(예, 무선 송수신기(172)를 통하여 시스템(100)에 접속 가능한 서버에 저장)될 수 있다. 나아가, 여기에 기재된 모듈들(801, 803, 805)의 하나 또는 그 이상은 학습 시스템(예, 신경망 또는 심층 신경망) 또는 비학습 시스템과 연관된 방법을 실행할 수 있다.
감지 모듈(801)은 처리부(110)를 활용하여 실행될 수 있고 호스트 차량의 주변상황 내의 항법 상태의 감지에 관한 다양한 작업을 처리할 수 있다. 이러한 작업은 호스트 차량과 연관된 다양한 센서 및 센싱 시스템으로부터의 입력에 의존할 수 있다. 이러한 입력에는 하나 이상의 탑재된 카메라로부터의 이미지 또는 이미지 스트림, GPS 위치 정보, 가속도계 출력, 사용자 피드백, 또는 하나 이상의 사용자 인터페이스 장치, 레이더, 라이더 등으로의 사용자 입력이 포함될 수 있다. 감지는 지도 정보와 함께 카메라 및/또는 기타 모든 가능한 센서로부터의 데이터가 포함할 수 있고, 수집되고 분석되어 '감지된 상태'로 만들어져 호스트 차량의 주변상황 내의 장면으로부터 추출된 정보를 묘사할 수 있다. 감지된 상태는 타깃 차량, 차로 표시, 보행자, 신호등, 도로 기하, 차로 형상, 장애물, 다른 사물/차량까지의 거리, 상대 속도, 상대 가속도, 및 기타 잠재적 감지 정보 등에 관한 감지 정보를 포함할 수 있다. 감지 모듈(801)로 제공되는 감지 데이터에 의거한 감지하는 상태 출력을 생성하기 위하여 지도형 머신 러닝(supervised machine learning)이 도입될 수 있다. 감지 모듈의 출력은 호스트 차량의 감지된 항법 '상태'를 나타낼 수 있고 주행 방침 모듈(803)로 전달될 수 있다.
감지된 상태가 호스트 차량과 연관된 하나 이상의 카메라 또는 이미지 센서로부터 수신된 이미지 데이터에 의거하여 만들어질 수 있는 반면, 항법에 사용될 감지된 상태는 적합한 센서 또는 센서들의 조합을 활용하여 만들어질 수 있다. 일부 실시예에서, 감지된 상태는 캡처된 이미지 데이터에 의존하지 않고 만들어질 수 있다. 실제로, 여기에 설명된 모든 항법 원리는 캡처된 이미지 데이터에 의거하여 만들어진 감지된 상태뿐만 아니라 기타 비이미지 기반 센서를 활용하여 만들어진 감지된 상태에도 적용될 수 있다. 감지된 상태는 또한 호스트 차량 외부의 소스를 통해 판단될 수 있다. 예를 들어, 감지된 상태는 호스트 차량으로부터 원격에 있는 소스로부터 수신된 정보에 의거하여(예, 다른 차량, 중앙 서버, 또는 호스트 차량의 항법 상태에 관한 정보의 기타 모든 소스와 공유된 센서 정보, 처리된 상태 정보 등에 의거하여) 모두 또는 일부가 만들어질 수 있다.
주행 방침 모듈(803)은 하기에 더 상세히 설명할 것이며 처리부(110)를 활용하여 실행될 수 있고, 감지된 항법 상태에 대응하여 취할 호스트 차량에 대한 하나 이상의 항법 동작을 결정하기 위하여 원하는 주행 방침을 실행할 수 있다. 호스트 차량의 주변상황 내에 다른 요소(예, 타깃 차량 또는 보행자)가 존재하지 않는 경우, 주행 방침 모듈(803)로 입력되는 감지된 상태는 간단 명료하게 처리될 수 있지만, 이런 경우는 드물다. 감지된 상태가 하나 이상의 기타 요소와의 절충을 요구하는 경우에 이러한 작업은 복잡해진다. 주행 방침 모듈(803)의 출력을 생성하기 위해 활용되는 기술은 강화 학습(reinforcement learning)을 포함할 수 있고, 이에 대하여 하기에 상세히 설명한다. 주행 방침 모듈(803)의 출력은 호스트 차량에 대한 적어도 하나의 항법 동작을 포함할 수 있고, 원하는 가속(호스트 차량에 대한 업데이트된 속력을 의미), 호스트 차량에 대한 원하는 요 레이트(yaw rate), 원하는 궤적, 및 기타 원하는 잠재적 항법 동작 등을 포함할 수 있다.
주행 방침 모듈(803)의 출력에 의거하여, 역시 처리부(110)를 활용하여 실행될 수 있는 제어 모듈(805)이 호스트 차량과 연관된 하나 이상의 액추에이터 또는 제어된 장치에 대한 제어 명령을 생성할 수 있다. 이러한 액추에이터 및 장치는 가속기, 하나 이상의 조향 제어기, 브레이크, 신호 전송기, 디스플레이, 또는 호스트 차량과 연관된 항법 동작의 일부로서 제어될 수 있는 기타 모든 액추에이터 또는 장치를 포함할 수 있다. 제어 모듈(805)의 출력을 생성하기 위하여 제어 이론의 양상이 활용될 수 있다. 제어 모듈(805)은 원하는 항법 목적 또는 주행 방침 모듈(803)의 요구사항을 실현하기 위하여 호스트 차량의 제어가능한 요소로의 명령 생성 및 출력을 담당할 수 있다.
다시 주행 방침 모듈(803)에 대한 설명으로 돌아와서, 일부 실시예에서, 강화 학습을 통하여 학습된 학습 시스템을 활용하여 주행 방침 모듈(803)을 실행할 수 있다. 다른 실시예에서, 주행 방침 모듈(803)은 자율 주행 중에 발생할 수 있는 다양한 상황에 '수동'으로 대응하는 특수 알고리즘을 사용함으로써 머신 러닝 방식을 사용하지 않고 실행될 수 있다. 그러나 이러한 접근은 실행 가능할지는 몰라도 너무 단순한 주행 방침을 채택할 수 있고, 머신 러닝에 의거한 학습 시스템이 갖는 유연성이 부족할 수 있다. 학습 시스템은 복잡한 항법 상태를 처리하기에 더 적합할 수 있고, 예를 들어, 택시가 주차중인지, 아니면 승객의 승하차를 위해 정지한 것인지 여부; 보행자가 호스트 차량 전방의 도로를 횡단하려고 하는지 여부; 다른 운전자의 예기치 않은 행동에 대한 방어적 균형; 타깃 차량 및/또는 보행자가 개입된 혼잡한 교통상황 절충; 일부 항법 규칙을 중단할 시점 또는 다른 규칙을 중시할 시점에 대한 결정; 감지되지 않았지만 예상된 조건(예, 차량 또는 장애물의 뒤에서 보행자가 튀어나올지 여부)에 대한 예상 등을 더 잘 판단할 수 있다.
강화 학습을 활용한 시스템의 학습은 감지된 상태로부터 항법 동작으로 매핑하기 위하여 주행 방침을 학습하는 것을 포함할 수 있다. 주행 방침은
Figure pat00004
의 함수이고, 여기서, S는 상태의 집합이고
Figure pat00005
는 동작 공간(예, 원하는 속력, 가속, 요 명령(yaw command) 등)이다. 상태 공간은
Figure pat00006
이고, 여기서
Figure pat00007
는 감지하는 상태이고,
Figure pat00008
는 주행 방침에 의해 저장된 상태에 관한 추가 정보이다. 이산 시간 간격(discrete time intervals)에서 보자면, 시간 t에, 현재 상태
Figure pat00009
가 관찰될 수 있고, 주행 방침이 적용되어 원하는 동작
Figure pat00010
을 획득할 수 있다.
시스템은 다양한 항법 상태에 대한 노출을 통해 학습될 수 있고, 시스템으로 하여금 주행 방침을 적용하고 보상을 제공할 수(원하는 항법 동작에 보상을 주도록 설계된 보상 함수에 의거하여) 있다. 보상 피드백에 의거하여, 시스템은 주행 방침을 '학습'할 수 있고 원하는 항법 동작의 생성에 학습된다. 예를 들어, 학습 시스템은 현재 상태
Figure pat00011
를 관찰하고 방침
Figure pat00012
에 의거하여 동작
Figure pat00013
를 결정할 수 있다. 결정된 동작(및 이 동작의 실행)에 의거하여, 주변상황은 다음 상태
Figure pat00014
로 이동하여 학습 시스템에 의한 관찰을 할 수 있다. 관찰된 상태에 대응하여 생성된 각 동작에 대해, 학습 시스템으로의 피드백은 보상 신호
Figure pat00015
이다.
강화 학습(RL)의 목표는 방침 π를 구하는 것이다. 일반적으로, 시간 t에, 상태
Figure pat00016
에 있는 것과 동작
Figure pat00017
를 취하는 것의 즉각적인 품질을 측정하는 보상 함수
Figure pat00018
가 있는 것으로 추정한다. 그러나, 시간 t에 동작
Figure pat00019
를 취하는 것은 주변상황에 영향을 주고, 따라서 미래 상태의 값에도 영향을 준다. 이에 따라, 취할 동작을 결정함에 있어, 현재의 보상뿐만 아니라 미래의 보상도 고려해야 한다. 일부 경우에서, 낮은 보상을 지금 선택하면 나중에 더 큰 보상이 실현될 수 있다고 시스템이 판단하는 경우에, 특정 동작이 다른 선택보다 낮은 보상과 연관된다고 하더라도, 시스템은 특정 동작을 취해야 할 수 있다. 이를 공식화하기 위해, 요소가 상태
Figure pat00020
에서 시작하고 이로부터 방침 π를 따르는 경우, 방침 π와 초기 상태 s가
Figure pat00021
에 걸친 분포를 유도함을 관찰한다. 여기서, 벡터
Figure pat00022
의 확률은 보상
Figure pat00023
을 관찰하는 확률이다. 초기 상태 s의 값은 다음과 같이 정의될 수 있다.
Figure pat00024
시간 지평(time horizon)을 T로 한정하는 대신에, 추후 보상은 일부 고정
Figure pat00025
에 대해 다음과 같이 정의할 수 있다.
Figure pat00026
결국, 최적의 방침은 다음의 해법이다.
Figure pat00027
여기서, 예상은 초기 상태 s 이상이다.
주행 방침 시스템을 학습시키는 방법에는 여러가지가 있다. 예컨대, 시스템이 상태/동작 쌍으로부터 학습하는 모방 방식(예, 행동 복제)이 활용될 수 있는데, 여기서 동작은 관찰된 특정 상태에 대응하여 양호한 요소(예, 사람)에 의해 선택될 수 있는 것들이다. 사람 운전자가 관찰된다고 가정하면, 이러한 관찰을 통하여 많은 예의 형태
Figure pat00028
가 획득되고, 관찰되며, 주행 방침 시스템의 학습을 위한 기반으로 사용될 수 있다. 여기서, St는 상태이고,
Figure pat00029
는 사람 운전자의 동작이다. 예를 들면,
Figure pat00030
가 되도록, 방침 π를 학습하기 위하여 지도형 러닝을 활용할 수 있다. 이 방식에는 여러 잠재적 장점이 있다. 첫째, 보상 함수를 정의할 필요가 없다. 둘째, 학습을 지도할 수 있고, 오프라인 학습이 가능하다(학습 프로세스에 요소를 적용할 필요가 없음). 이 방법의 단점은 서로 다른 사람 운전자(심지어 동일한 사람 운전자)는 방침 선택에 결정적이지 못하다는 것이다. 따라서,
Figure pat00031
이 매우 작은 함수의 학습이 실행 불가능한 경우가 많다. 또한, 작은 오차가 시간과 함께 누적되어 큰 오차를 낼 수 있다.
또 다른 방식으로 방침 기반 학습이 활용될 수 있다. 여기서, 방침은 파라미터 형식으로 표현될 수 있고 적합한 최적화 방식(예, SGD(stochastic gradient descent))을 활용하여 직접 최적화 될 수 있다. 이 방식은
Figure pat00032
에 주어진 문제를 직접 풀기 위한 것이다. 물론, 문제를 푸는 방법은 많다. 이 방식의 한 가지 장점은 문제를 직접 풀 수 있고, 따라서 현실적으로 좋은 결과가 나오는 경우가 많다. 한 가지 잠재적 단점은 'on-policy' 학습을 요구하는 경우가 많은데, 즉, π의 학습은 반복 프로세스이며, 여기서, 반복 j에서 방침 πj는 완벽하지 않고(non-perfect), 다음 방침 πj를 구성하려면 πj에 기반한 동작을 하면서 주변상황과 상호작용을 해야 한다는 것을 의미한다.
시스템은 또한 가치 기반 학습(Q 또는 V 함수 학습)을 통해 학습될 수 있다. 최적값 함수
Figure pat00033
에 대한 상당히 정확한 근사치가 학습될 수 있다고 가정하면, 최적 방침이 구성될 수 있다(예, 벨만 방정식(Bellman equation)에 의존하여). 일부 버전의 가치 기반 학습은 오프라인으로 실행('off-policy' 학습으로 지칭)될 수 있다. 가치 기반 방식의 일부 단점은 마코비안 가정(Markovian assumptions)에 매우 의존해야 한다는 것과 복잡한 함수의 추정이 요구된다는 것이다(가치 함수를 추정하는 것이 방침을 직접 추정하는 것보다 어려울 수 있음).
다른 방식으로 모델 기반 러닝과 플래닝(상태 이행의 확률 학습 및 최적 V 검색의 최적화 문제 해결)이 포함될 수 있다. 또한 이러한 방식의 조합을 활용하여 러닝 시스템을 학습시킬 수 있다. 이 방식에서, 프로세스의 역학, 즉,
Figure pat00034
를 취하여 다음 상태
Figure pat00035
에 걸친 분포를 산출하는 함수가 학습될 수 있다. 이 함수가 학습되면, 최적화 문제가 해결되어 값이 최적인 방침 π를 구할 수 있다. 이를 '플래닝(planning)'이라 부른다. 이 방식의 한 가지 장점은 러닝 부분의 지도가 가능하고 트리플릿
Figure pat00036
을 관찰함으로써 오프라인으로 적용이 가능하다는 것이다. 이 방식의 한 가지 단점은, '모방' 방식과 마찬가지로, 러닝 프로세스의 작은 에러가 누적되어 방침을 부적절하게 수행하게 될 수 있다는 것이다.
주행 방침 모듈(803)의 학습을 위한 다른 방식에는 주행 방침 함수를 의미론적으로 유의미한 요소들로 분해하는 것이 포함될 수 있다. 이로써, 방침의 일부는 수동으로 실행되도록 하여 방침의 안전을 보장할 수 있고, 방침의 다른 부분은 강화 학습 방식을 활용하여 실행되도록 하여 다양한 상황에 대한 적응성, 방어적/공격적 행위 사이의 인간과 같은 균형, 및 다른 운전자와의 인간과 같은 절충 등을 가능하게 할 수 있다. 기술적 측면에서 볼 때, 강화 학습 방식은 몇 가지 방법론을 조합하고 다루기 쉬운 학습 절차를 제공할 수 있고, 학습의 대부분이 기록된 데이터 또는 자체 제작된 시뮬레이터를 활용해 수행될 수 있다.
일부 실시예에서, 주행 방침 모듈(803)의 학습은 '옵션' 메커니즘에 의존할 수 있다. 이를 설명하기 위하여 2차선 고속도로에 대한 주행 방침의 단순한 상황을 가정하면, 직접 RL 방식에서, 방침π는 상태를
Figure pat00037
로 매핑하고, 여기서, π(s)의 제1 컴포넌트는 원하는 가속 명령이고 π(s)의 제2 컴포넌트는 요 레이트(yaw rate)이다. 수정 방식에서, 다음과 같은 방침이 구성될 수 있다.
자동 크루즈 컨트롤(Automatic Cruise Control (ACC)) 방침
Figure pat00038
: 본 방침은 항상 요 레이트로 0을 출력하고 부드럽고 사고 없는 주행을 실행하도록만 속력을 변경한다.
ACC+좌측 방침
Figure pat00039
: 본 방침의 종방향 명령은 ACC 명령과 동일하다. 요 레이트는 차량을 좌측 차로의 중앙으로 조정하면서 안전한 횡방향 이동을 유지하는(예, 좌측에 차량이 있는 경우에 이동을 하지 않는) 단순한 실행이다.
ACC+우측 방침
Figure pat00040
: o L 과 동일하되 차량을 우측 차로의 중앙으로 조정할 수 있다.
이러한 방침들은 '옵션'이라 불릴 수 있다. 이러한 '옵션'에 의존하여, 옵션
Figure pat00041
를 선택하는 방침이 학습될 수 있다. 여기서, O는 사용 가능한 옵션의 집합이다. 한 경우에서,
Figure pat00042
이다. 옵션-선택자 방침 π0는 각 s에 대해
Figure pat00043
를 설정함으로써 실제 방침인
Figure pat00044
를 정의한다.
실질적으로, 방침 함수는 도 9에 도시된 바와 같은 옵션 그래프(901)로 분해될 수 있다. 다른 예시적인 옵션 그래프(1000)가 도 10에 도시되어 있다. 옵션 그래프는 방향성 비순환 그래프(Directed Acyclic Graph (DAG))로서 정리된 결정의 계층적 집합을 나타낸다. 그래프에는 루트 노드(root node)(903)이라고 불리는 특별 노드가 있다. 이 노드에는 들어오는 노드가 없다. 결정 프로세스는 그래프의 루트 노드에서 시작하고 더 이상 다음 결정 라인이 없는 노드를 말하는 리프 노드(leaf node)에 도달할 때까지 이어진다. 도9에 도시된 바와 같이, 리프 노드는 노드(905), 노드(907), 노드(909) 등을 포함할 수 있다. 리프 노드에 도달하면, 주행 방침 모듈(803)은 리프 노드와 연관되어 원하는 항법 동작과 연관된 가속 및 조향 명령을 출력할 수 있다.
노드(911), 노드(913), 노드(915) 등과 같은 내부 노드는 유효한 옵션 중에서 자식(child)을 선택하는 방침을 실행할 수 있다. 내부 노드의 유효한 자식의 집합은 결정 라인을 통해 특정 내부 노드와 연관된 노드를 모두 포함할 수 있다. 예를 들면, 도9에서 '병합'으로 지정된 내부 노드(913)는 결정 라인에 의해 각각 노드(913)과 연결된 3개의 자식 노드(909, 915, 917)('차선 유지', '우측 차로 점유', '좌측 차로 점유')를 포함한다.
의사 결정 시스템의 유연성은 노드가 옵션 그래프의 계층 내의 위치를 조정할 수 있게 함으로써 증가될 수 있다. 예를 들면, 어느 노드라도 스스로를 '중대'하다고 선언하는 것이 허용될 수 있다. 각 노드는 방침 실행의 중대한 섹션에 있는 경우에 '참'을 출력하는 '중대하다' 함수를 실행할 수 있다. 예를 들면, 차로 점유를 담당하는 노드는 실행 중에 스스로를 중대하다고 선언할 수 있다. 이로써 노드 u의 유효한 자식 집합에 제약을 부여할 수 있다. 여기서, 노드 u는 노드 u의 자식인 노드 v의 모두를 포함할 수 있고, 중대한 것으로 지정된 모든 노드를 거쳐서 노드 u로부터 리프 노드까지 이어지는 경로가 있다. 이러한 방식은, 한편으로는 옵션 그래프 상의 원하는 경로를 각 시간 단계에서 선언할 수 있게 하는 반면, 방침의 안정성이, 특히 방침의 중대한 부분이 실행되는 동안에, 보존될 수 있다.
옵션 그래프를 정의함으로써, 주행 방침
Figure pat00045
학습의 문제는 옵션 그래프의 각 노드에 대한 방침 정의의 문제로 분해될 수 있고, 각 내부 노드에서의 방침은 유효 자식 노드 중에서 선택해야 한다. 일부 노드에 대하여, 각 방침이 수동으로 실행(예, 관찰된 상태에 대응한 동작의 세트를 명시하는 if-then 유형의 알고리즘을 통해 실행)될 수 있는 반면에, 다른 노드에 대해서는 강화 학습을 통해 구축된 학습 시스템을 활용하여 방침이 실행될 수 있다. 수동 방식과 학습 방식 사이의 선택은 작업과 연관된 안전 측면과 상대적 단순성에 달려 있다. 옵션 그래프는 일부 노드들이 간단하게 실행되는 반면 다른 노드들은 학습 모델에 의존하도록 구성될 수 있다. 이러한 방식을 통해, 시스템의 안전한 동작이 보장될 수 있다.
이하, 주행 방침 모듈(803) 내에서 도9의 옵션 그래프의 역할에 대해 상세히 설명한다. 앞서 설명한 바와 같이, 주행 방침 모듈로의 입력은, 예를 들면, 사용 가능한 센서로부터 획득된 것과 같은 주변 상황 지도를 요약하는 '감지된 상태'이다. 주행 방침 모듈(803)의 출력은 궤적을 최적화 문제의 해법으로 정의하는 욕구의 집합(선택적으로, 하드 제약(hard constraints)의 집합과 함께)이다.
앞서 설명한 바와 같이, 옵션 그래프는 결정의 계층적 집합을 DAG로 나타낸 것이다. 그래프에는 '루트'로 불리는 특별 노드가 있다. 루트 노드는 그 안으로 들어오는 선(예, 결정 라인)이 없는 유일한 노드이다. 결정 프로세스는 그래프의 루트 노드에서 시작하고 더 이상 나가는 선이 없는 노드를 말하는 리프 노드에 도달할 때까지 이어진다. 각 내부 노드는 유효한 자식들 중에서 자식을 선택하는 방침을 실행해야 한다. 각 리프 노드는 루트로부터 리프까지의 전체 경로에 의거하여 욕구(Desires)의 집합(예, 호스트 차량에 대한 항법 목표의 집합)을 정의하는 방침을 실행해야 한다. 욕구의 집합은 감지된 상태에 직접 의거하여 정의된 하드 제약의 집합과 함께 해법이 차량에 대한 궤적인 최적화 문제를 설정한다. 하드 제약은 시스템의 안전성을 더 향상하기 위해 활용될 수 있고, 욕구는 시스템의 주행 편의와 인간과 같은 운전 행동을 제공하기 위해 활용될 수 있다. 최적화 문제의 해법으로 제공되는 궤적은 결과적으로 궤적을 완수하기 위해 제동, 및/또는 엔진 액추에이터에 제공되어야 하는 명령을 정의한다.
도9를 다시 참조하면, 옵션 그래프(901)는 병합 차로를 포함하는(즉, 제3의 차로가 어느 지점에서 도로의 우측 또는 좌측 차로로 병합해 들어옴) 2차선 도로에 대한 옵션 그래프를 나타낸다. 루트 노드(903)은 우선 호스트 차량이 평범한 도로상황에 있는지 또는 병합 상황에 접근하고 있는지를 결정한다. 이는 감지하는 상태에 의거하여 실행될 수 있는 결정의 예이다. 평범한 도로 노드(911) 는 3개의 자식 노드, 즉, 유지 노드(909), 좌측 점유 노드(917), 및 우측 점유 노드(195)를 포함한다. '유지'란 호스트 차량이 동일한 차로에서 계속 주행하고 싶은 상황을 의미한다. 유지 노드는 리프 노드(뻗어 나가는 선이 없음)이다. 따라서, 유지 노드는 욕구의 집합을 정의한다. 유지 노드가 정의하는 제1 욕구는 횡방향 위치(예, 현재 주행 중인 차로의 중앙에 최대한 가까이)를 포함할 수 있다. 부드러운 항법(예, 미리 정해진 또는 허용된 최대 가속)의 욕구도 있을 수 있다. 유지 노드는 호스트 차량이 다른 차량에 대해 반응하는 방법을 정의할 수도 있다. 예를 들면, 유지 노드는 감지된 타깃 차량을 검토하고 각 의미론적 의미를 지정하여 궤적의 요소로 이행되게 할 수 있다.
다양한 의미론적 의미가 호스트 차량의 주변상황 내에 있는 타깃 차량에 부여될 수 있다. 예를 들면, 일부 실시예에서, 다음과 같이 지정된 의미론적 의미가 포함될 수 있다. 1) 관련 없음: 장면 내의 감지된 차량이 현재 관련이 없음을 나타낸다. 2) 옆 차로: 감지된 차량이 인접 차로에 있고 이 차량에 대해 적절한 오프셋을 유지해야 한다는 것을 나타낸다(정확한 오프셋은 욕구 및 하드 제약을 고려하여 궤적을 구축하는 최적화 문제에서 계산될 수 있고 잠재적으로 차량에 따라 다를 수 있으며, 옵션 그래프의 차선 유지 리프는 타깃 차량의 의미론적 유형을 설정하여 타깃 차량에 대한 상대적 욕구를 정의한다. 3) 양보: 호스트 차량은 예를 들어 감속을 함으로써(특히 타깃 차량이 호스트 차량의 차로로 끼어들어올 것으로 호스트 차량이 판단한 경우) 감지된 차량에 양보를 하려 할 것이다. 4) 선행: 호스트 차량은 예를 들어 가속을 함으로써 선행권(right of way) 점유를 시도할 것이다. 5) 추적: 호스트 차량은 타깃 차량을 따라가며 부드러운 주행을 유지하기를 바란다. 6) 좌/우측 점유: 호스트 차량이 좌측 또는 우측 차로로 차로 변경을 시도하고자 한다. 좌측 점유 노드(917)와 우측 점유 노드(915)는 아직 욕구를 정의하지 않는 내부 노드이다.
옵션 그래프(901)의 다음 노드는 간격 선택 노드(919)이다. 이 노드는 호스트 차량이 진입하고자 하는 특정 타깃 차로의 타깃 차량 두 대 사이의 간격의 선택을 담당할 수 있다. IDj 형태의 노드를 선택함으로써, 특정 j값에 대하여, 호스트 차량은 궤적 최적화 문제에 대한 욕구를 지정하는 리프에 도달한다. 예를 들면, 호스트 차량은 선택된 간격에 도달하도록 조작을 하고자 한다. 이러한 조작은 현재 차로에서 먼저 가속/제동을 한 후에 적절한 시간에 타깃 차로로 진행하여 선택된 간격에 진입하는 것을 포함할 수 있다. 간격 선택 노드(919)가 적절한 간격을 찾을 수 없는 경우에는, 현재 차로의 중앙으로 돌아오고 점유를 취소하고자 하는 욕구를 정의하는 노드인 중단 노드(921)로 이동한다.
병합 모드(913)를 다시 참조하면, 호스트 차량이 병합에 접근하는 경우, 호스트 차량은 특정 상황에 따라 다를 수 있는 몇 가지 옵션이 있다. 예를 들면, 도 11a에 도시된 바와 같이, 호스트 차량(1105)은 검출된 타깃 차량이 없는 2차선 도로를 따라 2차선 도로의 주요 차로 또는 병합 차로(1111)에서 이동하고 있다. 본 상황에서, 주행 방침 모듈(803)은 병합 노드(913)에 도달하면 유지 노드(909)를 선택할 수 있다. 즉, 병합해 들어오는 타깃 차량이 감지되지 않는 상황에서 현재의 차선을 유지하는 것을 원할 수 있다.
도 11b의 상황은 약간 다르다. 여기서, 호스트 차량(1105)은 병합 차로(1111)로부터 주요 도로(1112)로 진입하는 한 대 이상의 타깃 차량(1107)을 감지한다. 이 상황에서, 주행 방침 모듈(803)이 병합 노드(913)를 접하면 병합 상황을 회피하기 위하여 좌측 차로 점유 동작을 취하기로 선택할 수 있다.
도 11c에서, 호스트 차량(1105)은 병합 차로(1111)로부터 주요 도로(1112)로 진입하는 한 대 이상의 타깃 차량(1107)을 마주한다. 호스트 차량(1105)은 또한 호스트 차량의 차로에 인접한 차로에서 이동중인 타깃 차량(1109)을 검출한다. 호스트 차량은 또한 호스트 차량(1105)과 동일한 차로에서 이동중인 한 대 이상의 타깃 차량(1110)을 검출한다. 이러한 상황에서, 주행 방침 모듈(803)은 호스트 차량(1105)의 속력을 조정하여 타깃 차량(1107)에 양보하고 타깃 차량(1115) 앞으로 진행하기로 결정할 수 있다. 이는 예를 들어 간격 선택 노드(919)로 진행함으로써 완수될 수 있는데, 간격 선택 노드(919)는 결과적으로 ID0(차량(1107))과 ID1(차량(1115)) 사이의 간격을 적합한 병합 간격으로 선택할 것이다. 이러한 경우, 병합 상황의 적합한 간격은 궤적 계획 최적화 문제에 대한 목적을 정의한다.
앞서 설명한 바와 같이, 옵션 그래프의 노드들은 스스로를 '중대'하다고 선언할 수 있고, 이로써 선택된 옵션이 중대한 노드들을 거쳐가도록 할 수 있다. 공식적으로, 각 노드는 IsCritical 함수를 실행할 수 있다. 옵션 그래프 상에서 루트로부터 리프까지의 포워드 패스(forward pass)를 수행하고 궤적 계획의 최적화 문제를 해결한 이후, 다시 리프로부터 루트까지의 백워드 패스(backward pass)가 수행될 수 있다. 이러한 백워드 패스를 따라, 모든 노드의 IsCritical 함수가 호출되고, 모든 중대한 노드의 목록이 저장될 수 있다. 다음 시간 프레임에 상응하는 포워드 경로에서, 주행 방침 모듈(803)은 중대한 노드를 모두 거쳐가는 루트 노드로부터 리프까지의 경로를 선택하도록 요구될 수 있다.
도 11a 내지 도 11c는 이 방법의 잠재적 장점을 보여주기 위해 활용될 수 있다. 예를 들면, 점유 동작이 시작되고 주행 방침 모듈(803)이 Idk에 상응하는 리프에 도달하는 상황에서, 호스트 차량이 점유 동작 중에 있는 경우에 예를 들어 유지 노드(909)를 선택하는 것은 바람직하지 않을 것이다. 이러한 불안정(jumpiness)를 피하기 위해, IDj 노드는 스스로를 중대한 노드로 지정할 수 있다. 동작 중에, 궤적 계획의 성공이 모니터 될 수 있고, IsCritical 함수는 점유 동작이 의도한대로 진행될 경우에 ‘True’ 값을 산출할 것이다. 이 방식은 다음 시간 프레임에서 점유 동작이 계속될 것을(초기에 선택된 동작의 완료 이전에 잠재적으로 일관되지 않은 다른 동작으로 건너뛰지 않고) 보장할 수 있다. 반면에, 동작의 모니터 결과, 선택된 동작이 의도한대로 진행되지 않는 것으로 나타나는 경우, 또는 동작이 필요 없거나 불가능해진 경우, IsCritical 함수는 ‘False’ 값을 산출할 수 있다. 이로써, 간격 선택 노드가 다음 시간 프레임에서 다른 간격을 선택하거나 점유 동작을 아예 중단할 수 있다. 이 방식은 한 편으로는 각 시간 단계에서 옵션 그래프 상의 원하는 경로를 선언할 수 있게 해주는 반면, 다른 한 편으로는 실행의 중대한 부분에 있는 동안에 방침의 안정성을 도모할 수 있다.
하기에 상세히 설명할 하드 제약은 항법 욕구와 구별될 수 있다. 예를 들면, 하드 제약은 예정 항법 동작의 필터링 레이어를 추가함으로써 안전한 운전을 기할 수 있다. 강화 학습에 기반한 학습 시스템의 활용을 통하기 보다는 수동으로 프로그램 및 정의될 수 있는 시사된 하드 제약은 감지된 상태로부터 판단될 수 있다. 그러나, 일부 실시예에서, 학습 시스템은 적용되고 준수할 해당 하드 제약을 학습할 수 있다. 이러한 방법은 추후 수정이 필요할 수 있는 선택된 동작을 감소 또는 제거할 수 있는 해당 하드 제약을 이미 준수하는 선택된 동작에 도달하는 주행 방침 모듈(803)이 해당 하드 제약을 준수하게 도모할 수 있다. 그러나, 다중 안전 조치로서, 주행 방침 모듈(803)이 미리 정해진 하드 제약을 담당하도록 학습된 상황에서마저 주행 방침 모듈(803)의 출력에 하드 제약이 적용될 수 있다.
잠재적 하드 제약에는 많은 예가 있다. 예를 들면, 하드 제약은 도로의 가장자리에 있는 가드레일과 함께 정의될 수 있다. 어느 경우에도 호스트 차량이 가드레일을 통과하도록 해서는 안된다. 이러한 규칙은 호스트 차량의 궤적에 대한 횡방향 하드 제약을 초래한다. 하드 제약의 다른 예에는 도로 턱(예, 속도방지턱)이 포함될 수 있다. 즉, 방지턱 이전과 통과시의 속력에 대한 하드 제약을 초래할 수 있다. 하드 제약은 안전에 결정적인 것으로 간주될 수 있으므로 학습 동안에 제약을 학습하는 학습 시스템에만 의존하기보다는 수동으로 정의될 수 있다.
하드 제약과 대조적으로, 욕구의 목표는 편안한 주행일 수 있다. 앞서 설명한 바와 같이, 욕구의 예에는 호스트 차량 차로의 중앙에 상응하는 차로 내의 횡방향 위치에 호스트 차량을 위치시키고자 하는 목표가 포함될 수 있다. 다른 욕구는 들어갈 간격의 ID를 포함할 수 있다. 여기서, 호스트 차량이 차로의 중앙에 정확하게 있어야 한다는 요건은 없지만, 중앙에 최대한 가까이 있고자 하는 욕구는 호스트 차량이 차로의 중앙으로부터 이탈하는 경우에조차 차로의 중앙으로 이동하려는 경향을 보장할 수 있다. 욕구는 안전에 결정적이지 않을 수 있다. 일부 실시예에서, 욕구는 다른 운전자 및 보행자와의 절충을 요구할 수 있다. 욕구를 구성하기 위한 한 가지 방법은 옵션 그래프에 의존하는 것이며, 옵션 그래프의 적어도 일부 노드에 실행된 방침은 강화 학습에 기반할 수 있다.
러닝에 기반하여 학습된 노드로서 실행된 옵션 그래프(901 또는 1000)의 노드에 대하여, 학습 프로세스는 문제를 지도형 학습 단계와 강화 학습 단계로 분해하는 것을 포함할 수 있다. 지도형 학습 단계에서,
Figure pat00046
이 성립되도록
Figure pat00047
로부터
Figure pat00048
로의 구별 가능한 매핑이 학습될 수 있다. 이는 '모델 기반' 강화 학습과 유사할 수 있다. 그러나, 네트워크의 포워드 루프(forward loop)에서,
Figure pat00049
은
Figure pat00050
의 실제값으로 대체될 수 있고, 따라서 오차 누적의 문제를 제거할 수 있다.
Figure pat00051
의 예측의 역할은 미래로부터의 메시지를 과거의 동작으로 다시 전파하는 것이다. 이러한 차원에서, 알고리즘은 '모델 기반' 강화 학습과 '방침 기반 학습'의 조합일 수 있다.
일부 상황에서 제공될 수 있는 중요한 한 요소는 미래의 손실/보상으로부터 다시 동작에 대한 결정으로의 구별 가능한 경로이다. 옵션 그래프 구조에서 안전 제약이 관여된 옵션의 실행은 보통 구별 가능하지 않다. 이 문제를 극복하기 위하여, 학습된 정책 노드에서 자식의 선택은 추계적(stochastic)일 수 있다. 즉, 노드는 특정 노드의 자식 각각의 선택에 활용되는 확률을 부여하는 확률 벡터 p를 출력할 수 있다. 한 노드에 k만큼의 자식이 있고
Figure pat00052
가 각 자식부터 리프까지의 경로의 동작이라고 가정하면, 결과적으로 예측된 동작은 동작에서 p까지의 구별 가능한 경로가 될 수 있는
Figure pat00053
Figure pat00054
이다. 실제로, 동작
Figure pat00055
는
Figure pat00056
에 대해
Figure pat00057
로 뽑힐 수 있고,
Figure pat00058
와
Figure pat00059
사이의 차이는 상가성 잡음(additive noise)으로 불릴 수 있다.
Figure pat00060
,
Figure pat00061
를 고려한
Figure pat00062
의 학습에서, 지도형 학습을 실제 데이터와 함께 활용할 수 있다. 노드의 방침을 학습시키기 위해, 시뮬레이터가 사용될 수 있다. 추후에, 실제 데이터를 사용하여 방침을 미세 조정할 수 있다. 두 가지 개념을 통해 시뮬레이션이 더욱 현실적이 될 수 있다. 첫째, 모방을 활용하여, '행동 복제(behavior cloning)' 패러다임을 사용하고 큰 실제 데이터 세트를 사용하여 초기 방침이 구성될 수 있다. 일부의 경우, 그 결과의 에이전트(agent)가 적합할 수 있다. 다른 경우, 그 결과의 에이전트는 적어도 도로상의 다른 에이전트에 대한 매우 훌륭한 초기 방침을 형성한다. 둘째, 셀프 플레이(self-play)를 활용하여, 우리 자신의 방침을 사용하여 학습을 증강시킬 수 있다. 예를 들어, 경험될 수 있는 다른 에이전트(차/보행자)의 초기 실행을 고려할 때, 방침은 시뮬레이터에 의거하여 학습될 수 있다. 다른 에이전트의 일부는 새로운 방침으로 대체될 수 있고, 프로세스는 반복될 수 있다. 그 결과, 방침은 다른 차원의 세련도를 가진 더욱 다양한 다른 에이전트에 대응해야 하므로 지속적으로 향상될 수 있다.
나아가, 일부 실시예에서, 시스템은 멀티-에이전트(multi-agent) 방식을 실행할 수 있다. 예를 들면, 시스템은 다양한 소스로부터의 데이터 및/또는 여러 각도에서 캡처하는 이미지를 고려할 수 있다. 또한, 호스트 차량이 직접 관여되지 않지만 호스트 차량에 영향을 미치는 이벤트의 예상이 고려되거나, 심지어 다른 차량이 관여된 예측할 수 없는 상황을 초래할 수 있는 이벤트의 예상이 고려될 수 있으므로(예, 레이더가 호스트 차량에 영향을 미칠 피할 수 없는 또는 매우 가능성이 높은 이벤트와 선두 차량을 '간파'할 수 있음), 일부 기재된 실시예는 에너지의 경제를 제공할 수 있다.
부과된 항법 제약이 있는 학습 시스템
자율 주행의 맥락에서, 한 가지 중요한 관심사는 학습 항법 네트워크의 학습된 방침이 안전할지를 어떻게 보장하느냐는 것이다. 일부 실시예에서, 주행 방침 시스템은 학습 시스템에 의해 선택된 동작이 해당 안전 제약의 이유가 이미 될 수 있도록 제약을 활용하여 학습될 수 있다. 또한, 일부 실시예에서, 학습 시스템의 선택된 동작을 호스트 차량의 주변상황 내의 특정 감지된 장면에 의해 연루된 하나 이상의 하드 제약을 거쳐가게 함으로써 추가적인 안전 레이어가 제공될 수 있다. 이러한 접근을 통해, 호스트 차량에 의해 취해진 동작이 해당 안전 제약을 만족하는 것으로 확인된 동작으로 제한됐음을 확실히 할 수 있다.
그 핵심에서, 항법 시스템은 관찰된 상태를 하나 이상의 원하는 동작으로 매핑하는 방침 함수에 의거한 학습 알고리즘을 포함할 수 있다. 일부 실시예에서, 학습 알고리즘은 심층 학습 알고리즘이다. 원하는 동작은 차량에 대한 기대 보상을 극대화할 것으로 예상되는 적어도 하나의 동작을 포함할 수 있다. 일부의 경우에서는 차량이 취한 실제 동작이 원하는 동작의 하나에 상응할 수 있는 반면, 다른 경우에서는 차량이 취한 실제 동작은 관찰된 상태, 하나 이상의 원하는 동작, 및 학습 항법 엔진에 부과된 학습되지 않은 하드 제약(예, 안전 제약)에 의거하여 판단될 수 있다. 이러한 제약은 다양한 유형의 검출된 물체(예, 타깃 차량, 보행자, 도로변 또는 도로 내의 고정 물체, 도로변 또는 도로 내의 이동 물체, 가드레일 등)를 둘러싼 주행 금지 구역을 포함할 수 있다. 일부의 경우, 주행 금지 구역의 크기는 검출된 물체의 검출된 움직임(예, 속력 및/또는 방향)에 따라 다를 수 있다. 기타 제약에는 보행자의 영향 구역 이내에서 통과하는 경우의 최고 이동 속력, 최고 감속(호스트 차량 후방의 타깃 차량 공간을 고려하기 위함), 감지된 횡단보도 또는 철도 건널목에서의 의무적 정지 등이 포함될 수 있다.
머신 러닝을 통해 학습된 시스템과 함께 활용되는 하드 제약은 학습 시스템의 출력에만 의거하여 가능한 안전 수준을 능가할 수 있는 자율 주행의 안전 수준을 제공할 수 있다. 예컨대, 머신 러닝 시스템은 원하는 제약 세트를 학습 가이드라인으로 활용하여 학습될 수 있고, 따라서 학습 시스템은 해당 항법 제약의 한계의 이유가 되고 해당 항법 제약의 한계를 따르는 감지된 항법 상태에 대응하여 동작을 선택할 수 있다. 그래도, 학습 시스템은 항법 동작을 선택하는데 있어서 약간의 유연성이 있고, 따라서 학습 시스템에 의해 선택된 동작이 관련 항법 제약을 엄격하게 따르지 않을 수 있는 적어도 일부 상황이 있을 수 있다. 따라서, 선택된 동작이 관련 항법 제약을 엄격히 따르도록 하기 위하여, 학습 시스템의 출력은 관련 항법 제약의 엄격한 적용을 보장하는 학습 프레임워크 외부의 비머신러닝 요소(non-machine learning component)를 활용하여 병합, 비교, 여과, 조정, 수정 등이 될 수 있다.
하기의 설명은 학습 시스템과 학습 시스템을 학습 프레임워크 외부의 알고리즘적 요소와 병합함으로써 얻을 수 있는 잠재적 혜택(특히 안전의 관점에서)에 관한 추가적인 내용을 제공한다. 설명한 바와 같이, 방침에 의한 강화 학습 목적은 확률적 경사 상승(stochastic gradient ascent)을 통해 최적화될 수 있다. 목적(예, 예상 보상)은
Figure pat00063
로 정의될 수 있다.
예상을 포함하는 목적이 머신러닝 상황에서 활용될 수 있다. 그러나 항법 제약에 얽매이지 않는 이러한 목적은 상기 제약에 엄격히 얽매이는 동작을 산출하지 않을 수 있다. 예를 들어, 회피할 흔치 않은 '코너' 이벤트(예, 사고)를 나타내는 궤적에 대해
Figure pat00064
이고 나머지 궤적에 대해
Figure pat00065
인 보상 함수를 고려할 때, 학습 시스템의 한 가지 목표는 점유 동작을 수행하도록 학습하는 것일 수 있다. 일반적으로, 사고가 없는 궤적에서
Figure pat00066
는 성공적이고 원활한 점유를 보상하지만 점유를 완료하지 않고 차로에 남아있는 것을 처벌할 것이고, 따라서 [-1, 1] 범위가 될 것이다. 시퀀스
Figure pat00067
가 사고를 나타내는 경우, 보상
Figure pat00068
는 이런 일이 발생되지 않도록 하기 충분한 높은 처벌을 제공해야 한다. 문제는, 무사고 운전을 보장하기 위해서는
Figure pat00069
의 값이 무엇이 되어야 하느냐는 것이다.
Figure pat00070
상의 사고의 영향이 애디티브 텀(additive term)
Figure pat00071
이고, 여기서 p는 사고 이벤트가 있는 궤적의 확률 질량(probability mass)일 때, 이 텀이 무시할 수 있는 경우라면, 즉,
Figure pat00072
라면, 학습 시스템은 방어적이면서 일부 점유 동작을 성공적으로 완료하지 않는 방침보다는 점유 동작을 성공적으로 완료하기 위하여 사고를 수행(또는 일반적으로 난폭 운전 방침을 채택)하는 방침을 더 선호할 수 있다. 다시 말해, 사고의 확률이 최고 p이어야 할 경우,
Figure pat00073
은
Figure pat00074
이 되도록 설정되어야 한다. P는 매우 작은(예, 대략 p = 10-9) 것이 바람직할 수 있다. 따라서,
Figure pat00075
은 커야 한다. 폴리시 그래디언트(policy gradient)에서,
Figure pat00076
의 그래디언트는 추정될 수 있다. 다음의 렘마(lemma)에서 알 수 있듯이, 확률변수
Figure pat00077
의 분산은
Figure pat00078
로 증가하고, 이는
Figure pat00079
에 대해
Figure pat00080
보다 크다. 따라서, 목적의 추정은 어려울 수 있고, 그 그래디언트의 추정은 더욱 어려울 수 있다.
확률 p로
Figure pat00081
이 획득되고 확률 1- p로
Figure pat00082
이 획득되도록 π0이 방침이고 p와 r이 스칼라(scalar)이라고 하면,
Figure pat00083
이다.
여기서, 최종 근사값은
Figure pat00084
의 경우에 대해 유효하다.
본 설명은
Figure pat00085
형태의 이의는 분산 문제를 야기하지 않고 기능 안전성(functional safety)을 보장하지 않을 수도 있음을 보여준다. 문제는 높은 분산의
Figure pat00086
에서 추정이 수치 불안정 문제를 똑같이 안고 있을 똑같이 높은 분산의 베이스라인 상수로 이동할 것이기 때문에 분산 감소에 대한 베이스라인 감산(baseline subtraction) 방법은 문제에 대한 충분한 해결을 제공하지 않을 수도 있다. 또한, 사고의 확률이 p라고 하면, 사고 이벤트를 획득하기 전에 평균적으로 적어도 1/p 시퀀스가 샘플링 되어야 한다. 이는
Figure pat00087
를 최소화 하고자 하는 학습 알고리즘에 대한 시퀀스의 1/p 샘플의 하한(lower bound)을 시사한다. 이 문제에 대한 해법은 수치상 조절 방식을 통하기 보다는 여기에 설명하는 아키텍처 설계에서 찾을 수 있다. 여기에 설명하는 접근법은 하드 제약은 학습 프레임워크 외부에 주입돼야 한다는 개념에 의거한다. 즉, 방침 함수는 학습 가능 부분과 학습 불가능 부분으로 분해될 수 있다. 형식상, 방침 함수는
Figure pat00088
의 구조일 수 있는데, 여기서
Figure pat00089
는 (애그노스틱(agnostic)) 상태 공간을 욕구의 집합(예, 원하는 항법 목표 등)으로 매핑하는 반면,
Figure pat00090
는 욕구를 궤적(차량의 단거리 이동 방법을 판단)으로 매핑한다. 함수
Figure pat00091
는 안락한 주행과, 어느 차를 추월하거나 양보할 것인지 및 차로 내에서 호스트 차량이 원하는 위치가 어디인지 등과 같은, 전략적 결정을 담당한다. 감지된 항법 상태로부터 욕구로의 매핑은 기대 보상을 극대화하여 경험으로부터 학습될 수 있는 방침
Figure pat00092
이다.
Figure pat00093
에 의해 생성된 욕구는 주행 궤적에 걸쳐 비용 함수로 변환될 수 있다. 학습된 함수가 아닌 함수
Figure pat00094
는 기능 안전성에 대한 하드 제약에 구속되는 비용을 최소화하는 궤적을 찾음으로써 실행될 수 있다. 이러한 분해는 기능 안전성을 보장함과 동시에 안락한 주행을 제공할 수 있다.
도 11d에 도시된 바와 같은 이중 병합 항법 상황은 이러한 개념을 더 보여주는 예를 제공한다. 이중 병합에서는, 차량들이 좌우측 모두로부터 병합 구역(1130)에 접근한다. 또한, 각 측으로부터, 차량(1133) 또는 차량(1135)과 같은 차량은 병합 구역(1130)의 타측에 있는 차로로 병합할지 여부를 결정할 수 있다. 붐비는 교통에서 이중 병합을 성공적으로 실행하려면 상당한 절충 기술과 경험이 있어야 할 수 있고, 장면 내의 모든 에이전트가 취할 수 있는 모든 가능한 궤적을 나열하여 휴리스틱(heuristic) 또는 브루트 포스(brute force) 기법으로 실행하기도 어려울 수 있다. 본 이중 병합의 예에서, 이중 병합 동작에 적합한 욕구의 집합
Figure pat00095
가 정의될 수 있다.
Figure pat00096
는 집합
Figure pat00097
의 데카르트 곱(Cartesian product)일 수 있다. 여기서, [0, v max]는 호스트 차량의 원하는 목표 속력이고, L {1, 1.5, 2, 2.5, 3, 3.5, 4}는 정수는 차로 중앙을 나타내고 분수는 차로 경계를 나타내는 차로 단위 내의 원하는 횡방향 위치이고, {g, t, o}는 n대의 다른 차량들 각각에 지정된 분류 라벨이다. 다른 차량들에는, 호스트 차량이 양보해야 할 경우에 "g"가 배정되고, 다른 차량에 대해 점유해야 할 경우에 "t"가 배정되고, 다른 차량에 대한 오프셋 거리를 유지해야 할 경우에 "o"가 배정될 수 있다.
이하, 욕구의 집합
Figure pat00098
를 주행 궤적에 걸쳐 비용 함수로 변환하는 방법에 대해 설명한다. 주행 궤적은
Figure pat00099
로 나타낼 수 있고, 여기서,
Figure pat00100
는 시간
Figure pat00101
에서 호스트 차량의 (횡방향, 종방향) 위치(자아중심적 단위)이다. 일부 실험에서,
Figure pat00102
이고, k = 10이다. 물론, 다른 값도 선택될 수 있음은 당연하다 할 것이다. 궤적에 배정된 비용은 횡방향 위치, 원하는 속력에 배정된 개별 비용, 및 n대의 다른 차량들 각각에 배정된 라벨의 가중합을 포함할 수 있다.
원하는 속력
Figure pat00103
를 고려할 때, 속력과 연관된 궤적의 비용은 다음과 같다.
Figure pat00104
원하는 횡방향 위치
Figure pat00105
을 고려할 때, 원하는 횡방향 위치와 연관된 비용은 다음과 같다.
Figure pat00106
여기서, dist(x, y, l)은 (x , y) 점으로부터 위치 l까지의 거리이다. 다른 차량들로 인한 비용에 관하여,
Figure pat00107
는 호스트 차량의 자아중심적 단위(egocentric units)로 나타낸 다른 차량일 수 있고, i는 (x i , y i )와 (x' j , y' j ) 사이의 거리가 작도록 j가 존재하는 가장 빠른 지점일 수 있다. 이러한 지점이 없는 경우, i는 i = ∞로 설정될 수 있다. 다른 차가 "양보"로 분류되는 경우,
Figure pat00108
가 바람직할 수 있다. 이는 호스트 차량이 궤적 교차 지점으로 다른 차량보다 적어도 0.5초 나중에 도착할 것이라는 것을 의미한다. 상기 제약을 비용으로 변환하기 위해 가능한 한 가지 공식은
Figure pat00109
이다.
마찬가지로, 다른 차가 "점유"로 분류되는 경우,
Figure pat00110
가 바람직할 수 있고, 이는 비용
Figure pat00111
로 변환될 수 있다. 다른 차가 "오프셋"으로 분류되는 경우, i = ∞가 바람직할 수 있고, 이는 호스트 차량의 궤적과 오프셋 차량의 궤적이 교차하지 않음을 의미한다. 이 조건은 궤적 간의 거리에 대하여 처벌함으로써 비용으로 변환될 수 있다.
이러한 비용 각각에 가중치를 부여함으로써 궤적 계획
Figure pat00112
에 대한 단일 목적 함수를 제공할 수 있다. 가급적 부드러운 주행을 하도록 하는 비용이 목적에 추가될 수 있다. 또한, 궤적의 기능 안전성을 보장하기 위하여, 하드 제약이 목적에 추가될 수 있다. 예를 들어, (x i , y i )는 도로 이탈이 금지될 수 있고, (x i , y i )는 |i - j|가 작은 경우에 다른 차량의 궤적 지점 (x' j , y' j )에 대해 (x' j , y' j )에 근접하는 것이 금지될 수 있다.
요약하면, 방침
Figure pat00113
는 애그노스틱 상태로부터 욕구의 집합으로의 매핑과 욕구로부터 실제 궤적으로의 매핑으로 분해될 수 있다. 후자의 매핑은 학습에 기반한 것이 아니며, 그 비용이 욕구에 따라 다르고 그 하드 제약이 방침의 기능 안전성을 보장할 수 있는 최적화 문제를 풀어서 실행될 수 있다.
이하, 애그노스틱 상태로부터 욕구의 집합으로의 매핑에 대해 설명한다. 앞서 설명한 바와 같이, 기능 안전성을 준수하기 위하여, 강화 학습에만 의존하는 시스템은 보상
Figure pat00114
의 분산이 너무 크고 다루기 어려운 문제가 있을 수 있다. 이러한 결과는 문제를 폴리시 그래디언트 반복을 활용한 (애그노스틱) 상태 공간으로부터 욕구의 집합으로의 매핑 후 머신 러닝에 기반하여 학습된 시스템을 개입시키지 않는 실제 궤적으로의 매핑으로 분해하여 회피될 수 있다.
다양한 이유 때문에, 의사 결정은 의미론적으로 의미 있는 요소로 더 분해될 수 있다. 예컨대,
Figure pat00115
의 사이즈는 클 수도 있고, 연속적일 수 있다. 앞서 도 11d를 참조하여 설명한 이중 병합 상황에서,
Figure pat00116
이다. 또한, 그래디언트 추정기(gradient estimator)는 기간
Figure pat00117
를 포함할 수 있다. 이러한 표현에서, 분산은 시간지평(time horizon) T와 함께 증가할 수 있다. 일부의 경우, T의 값은 대략 250일 수 있는데, 이는 상당한 분산을 일으킬 만큼 높은 값일 수 있다. 샘플링 속도가 10Hz 범위이고 병합 구역(1130)이 100미터라고 가정하면, 병합을 위한 준비는 병합 구역의 약 300미터 앞에서 시작할 수 있다. 호스트 차량이 초속 16미터(시속 약 60km)로 이동할 경우, 사건에 대한 T의 값은 대략 250일 수 있다.
다시 옵션 그래프의 개념으로 돌아와서, 도 11d에 도시된 이중 병합 상황을 나타낼 수 있는 옵션 그래프가 도 11e에 도시되어 있다. 앞서 설명한 바와 같이, 옵션 그래프는 DAG로 정리된 결정의 계층적 집합을 나타낸 것일 수 있다. 그래프에는 '루트' 노드(1140)로 불리는 특별 노드가 있을 수 있다. 루트 노드는 그 안으로 들어오는 선(예, 결정 라인)이 없는 유일한 노드일 수 있다. 결정 프로세스는 루트 노드에서 시작하여 더 이상 나가는 선이 없는 노드를 말하는 '리프' 노드에 도달할 때까지 그래프를 횡단할 수 있다. 각 내부 노드는 유효한 자식들 중에서 자식을 선택하는 방침 함수를 실행할 수 있다. 옵션 그래프에 걸친 횡단 집합으로부터 욕구의 집합
Figure pat00118
로의 미리 정의된 매핑이 있을 수 있다. 즉, 옵션 그래프 상의 횡단은 자동으로
Figure pat00119
의 욕구로 변환될 수 있다. 그래프의 노드 v를 고려할 때, 파라미터 벡터 θv는 v의 자식을 선택하는 방침을 명시할 수 있다. θ가 모든 θv ,의 연속이라면,
Figure pat00120
는 그래프의 루트에서 리프까지 횡단함으로써 정의될 수 있고, 각 노드 v에서 θv에 의해 정의된 방침을 활용하여 자식 노드를 선택할 수 있다.
도 11e의 이중 병합 옵션 그래프에서, 루트 노드(1140)는 우선 호스트 차량이 병합 구역(예, 도 11d의 1130) 내에 있는지 또는 호스트 차량이 병합 구역에 접근하고 있고 병합 준비를 해야 하는지 여부를 결정할 수 있다. 양 경우 모두에서, 호스트 차량은 차로를 변경(예, 좌측 또는 우측으로)할 것인지 또는 현재 차로에 남아있을 것인지를 결정할 수 있다. 호스트 차량이 차로를 변경하기로 결정한 경우, 호스트 차량은 이 결정을 진행하고 차로 변경 동작을 수행(예, '진행' 노드(1142)에서)하기 적합한 조건인지 여부를 결정할 필요가 있을 수 있다. 차로 변경이 가능하지 않은 경우, 호스트 차량은 차로 표시를 향함으로써 원하는 차로로 '끼어들기' 시도(예, 노드(1144)에서 원하는 차로 내의 차량과의 절출의 일환으로)를 할 수 있다. 또는, 호스트 차량은 동일 차로에 '유지'하기로(예, 노드(1146)) 할 수 있다. 이러한 프로세스는 자연스러운 방식으로 호스트 차량에 대한 횡방향 위치를 결정할 수 있다.
이에 따라 원하는 횡방향 위치를 자연스러운 방식으로 가능하게 할 수 있다. 예를 들어, 호스트 차량이 2차선에서 3차선으로 차로를 변경하는 경우, '진행' 노드는 원하는 횡방향 위치를 3으로 설정할 수 있고, '유지' 노드는 원하는 횡방향 위치를 2로 설정할 수 있고, '끼어들기' 노드는 원하는 횡방향 노드를 2.5로 설정할 수 있다. 다음으로, 호스트 차량은 '정속'(1148)을 유지할지, '가속'(1150)을 할지, 또는 '감속'(1152)을 할지를 결정할 수 있다. 다음으로, 호스트 차량은 다른 차량들을 검토하고 그 차량들의 의미론적 의미를 {g, t, o} 집합 내의 값으로 설정하는 '사슬 형태' 구조(1154)에 들어갈 수 있다. 이러한 프로세스는 다른 차량들에 대한 상대적인 욕구를 설정할 수 있다. 이러한 사슬 내의 모든 노드의 파라미터는 공유될 수 있다(순환 신경망(Recurrent Neural Networks)과 유사).
옵션의 잠재적 혜택은 결과의 설명 가능성이다. 또 다른 잠재적 혜택은 집합
Figure pat00121
의 분해 가능한 구조를 신뢰할 수 있고, 따라서 각 노드에서의 방침이 적은 수의 가능성에서 선택될 수 있다는 것이다. 또한, 이 구조는 폴리시 그래디언트 추정기의 분산을 감소시킬 수 있다.
앞서 설명한 바와 같이, 이중 병합 상황에서 사건의 길이는 대략 T = 250 단계일 수 있다. 이러한 값(또는 특정 항법 상황에 따른 기타 적합한 값)은 호스트 차량 동작의 결과를 볼 수 있는 충분한 시간을 제공할 수 있다(예, 호스트 차량이 병합에 대한 준비로 차로를 변경하기로 결정한 경우, 호스트 차량은 병합의 성공적 완료 이후에만 그 혜택을 볼 것이다). 반면에, 운전의 역학으로 인해, 호스트 차량은 충분히 빠른 빈도로 결정을 내려야 한다(예, 상기 설명한 경우에는 10Hz).
옵션 그래프는 적어도 두 가지 방법으로 T의 유효값의 감소를 가능하게 할 수 있다. 첫째, 높은 수준의 결정을 고려할 때, 보상은 짧은 사건을 고려하면서 낮은 수준의 결정에 대해 정의될 수 있다. 예를 들면, 호스트 차량이 이미 '차로 변경'과 '진행' 노드를 선택한 경우, 2-3초(T가 250 대신에 20-30이 됨을 의미)의 사건을 바라봄으로써 의미론적 의미의 차량 배정에 대한 방침이 학습될 수 있다. 둘째, 높은 수준의 결정(차로를 변경할 것인지 또는 동일 차로를 유지할 것인지 등)에 대하여, 호스트 차량이 0.1초마다 결정을 내리지 않아도 될 수 있다. 대신에, 호스트 차량은 낮은 빈도(예, 1초마다)로 결정을 내리거나 '옵션 중단' 함수를 실행할 수 있고, 그래디언트는 옵션의 매번 중단 이후에 계산될 수 있다. 두 경우 모두, T의 유효값은 원래 값보다 작은 규모 정도일 수 있다. 대체로, 각 노드에서의 추정기는 즉시 작은 분산으로 바꿀 수 있는 원래의 250 단계보다 작은 정도인 T의 값에 달려있을 수 있다.
앞서 설명한 바와 같이, 하드 제약은 안전 운전 도모에 기여할 수 있으며, 여러 다른 유형의 제약이 있을 수 있다. 예를 들면, 정적 하드 제약은 감지 상태로부터 직접 정의될 수 있다. 여기에는 차량 속력, 진행 방향, 가속, 제동(감속) 등에 대한 하나 이상의 제약을 시사할 수 있는 호스트 차량의 주변상황 내의 속도방지턱, 속도제한표지판, 도로 만곡, 교차로 등이 포함될 수 있다. 정적 하드 제약에는 또한 호스트 차량의 이탈과 물리적 배리어 등에 지나친 근접이 금지되는 의미론적 빈 공간도 포함될 수 있다. 정적 하드 제약은 또한 차량의 운동학적 움직임의 다양한 양상에 따르지 않는 동작을 제한(예, 금지)할 수 있다. 예컨대, 호스트 차량이 뒤집어지거나, 미끄러지거나, 기타 제어력을 잃을 수 있는 동작을 금지하도록 정적 하드 제약을 활용할 수 있다.
하드 제약은 또한 차량과 연관될 수 있다. 예를 들어, 제약은 차량이 다른 차량들과 적어도 1미터의 종방향 거리와 적어도 0.5미터의 횡방향 거리를 유지할 것을 요구하며 적용될 수 있다. 제약은 또한 호스트 차량이 한 대 이상의 다른 차량들과의 충돌 진로를 유지하는 것을 회피하도록 적용될 수 있다. 예를 들면, 시간 τ는 특정 장면에 의거한 시간 척도일 수 있다. 호스트 차량과 한 대 이상의 다른 차량들의 예상 궤적은 현재 시간으로부터 시간 τ까지 고려될 수 있다. 두 궤적이 교차하는 지점에서,
Figure pat00122
는 차량 i의 교차점 도착 시간과 출발 시간을 나타내는 것일 수 있다. 즉, 각 차량은 차량의 첫 부분이 교차점을 통과할 때 교차점에 도달할 것이고, 차량의 끝 부분이 교차점을 통과할 때까지 어느 정도의 시간이 필요할 것이다. 이 시간이 도착 시간과 출발 시간을 분리한다.
Figure pat00123
(즉, 차량 1의 도착 시간이 차량 2의 도착 시간보다 작음)라고 가정하면, 차량 2가 도착하기 전에 차량 1이 교차점을 출발했어야 할 것이다. 그렇지 않으면, 충돌이 일어날 것이다. 따라서, 하드 제약은
Figure pat00124
가 되도록 실행될 수 있다. 또한, 차량 1과 차량 2가 최소의 시간에 의해 서로 비껴가지 않게 하기 위하여, 제약에 버퍼 시간(예, 0.5초 또는 기타 적합한 값)을 추가함으로써 추가 안전 한도가 확보될 수 있다. 두 차량의 예상 교차 궤적에 관한 하드 제약은
Figure pat00125
로 표현될 수 있다.
호스트 차량과 한 대 이상의 다른 차량들의 궤적이 추적되는 시간 τ는 다를 수 있다. 그러나, 속도가 느린 것이 특징인 교차로 상황에서, τ는 더 길 수 있고, 호스트 차량이 τ초보다 짧은 시간에 교차로에 진입 및 진출하도록 τ가 정의될 수 있다.
물론, 차량 궤적에 하드 제약을 적용하려면 이러한 차량들의 궤적이 예측되어야 한다. 호스트 차량은 일반적으로 항상 의도된 궤적을 이미 알고 있고 실제로 그 궤적을 따를 계획이므로, 호스트 차량에 대한 궤적 예측은 상대적으로 간단할 수 있다. 그러나 다른 차량들에 대한 궤적 예측은 그리 간단하지 않을 수 있다. 다른 차량들에 대한 예상 궤적을 판단하기 위한 베이스라인 계산은 호스트 차량에 탑재된 하나 이상의 카메라 및/또는 다른 센서들(레이더, 라이더, 음향 센서 등)에 의해 캡처된 이미지 스트림의 분석 등에 의거하여 판단된 다른 차량들의 현재 속력과 진행 방향에 의존할 수 있다.
그러나, 문제를 단순화 하거나 다른 차량에 대해 예측된 궤적에 적어도 신뢰도를 추가적으로 제공할 수 있는 일부 예외가 있을 수 있다. 예를 들면, 차로 표시가 있고 양보 규칙이 있는 체계적인 도로에 대하여, 다른 차량들의 궤적은 차로에 대한 다른 차량들의 상대적 위치와 적용 가능한 양보 규칙에 적어도 부분적으로 기반할 수 있다. 따라서, 일부의 경우에서, 관찰된 차로 구조가 있는 경우, 옆차로의 차량이 차로 경계를 준수할 것이라고 추정할 수 있다. 즉, 호스트 차량은 옆차로의 차량이 호스트 차량의 차로로 끼어들어 올 것이라는 것을 나타내는 특별히 관찰된 증거(예, 신호등, 빠른 횡방향 이동, 차로 경계를 넘는 이동)가 없는 한, 차선을 유지할 것이라고 추정할 수 있다.
다른 상황들도 다른 차량들의 예상 궤적에 관한 단서를 제공할 수 있다. 예를 들면, 호스트 차량이 선행권이 있는 일시정지표지판, 신호등, 로터리 등에서는, 다른 차량들이 선행권을 준수할 것이라고 추정할 수 있다. 따라서, 규칙 위반의 증거가 관찰되지 않는 한, 다른 차량들이 호스트 차량이 가진 선행권을 준수하는 궤적을 따라 진행할 것이라고 추정할 수 있다.
하드 제약은 또한 호스트 차량의 주변상황 내의 보행자와 관련하여 적용될 수 있다. 예를 들면, 호스트 차량이 관찰된 보행자에 대한 미리 정해진 버퍼 거리보다 가까이 주행하지 못하게 하도록 보행자에 대한 버퍼 거리가 설정될 수 있다. 보행자 버퍼 거리는 적합한 거리이면 아무 거리라도 상관 없다. 일부 실시예에서, 버퍼 거리는 관찰된 보행자에 대해 적어도 1미터일 수 있다.
차량을 포함한 상황과 마찬가지로, 하드 제약은 보행자와 호스트 차량 사이의 상대 운동에 대하여 적용될 수도 있다. 예를 들면, 보행자의 궤적(진행방향과 속력에 의거)은 호스트 차량의 예상 궤적에 대하여 모니터링 될 수 있다. 특정 보행자 궤적을 고려할 때, 궤적 상의 각 지점 p에서 t(p)는 보행자가 지점 p에 도달하기 위해 필요한 시간을 나타내는 것일 수 있다. 보행자로부터 1미터의 요구 버퍼 거리를 유지하기 위하여, t(p)는 호스트 차량이 지점 p에 도달하는 시간보다 크거나(호스트 차량이 보행자 앞에서 적어도 1미터의 거리를 두고 통과하기에 충분한 시간차) 호스트 차량이 지점 p에 도달하는 시간보다 작야야(예, 호스트 차량이 제동을 하여 보행자에게 양보) 한다. 그러나, 후자의 경우에도, 하드 제약은 호스트 차량이 보행자 뒤로 통과하고 적어도 1미터의 필요한 버퍼 거리를 유지할 수 있도록 호스트 차량이 보행자보다 충분히 나중에 지점 p에 도달할 것을 요구할 것이다. 물론, 보행자 하드 제약에 예외가 있을 수 있다. 예컨대, 호스트 차량에 선행권이 있는 경우나 속력이 매우 느린 경우, 그리고 보행자가 호스트 차량에 양보하기를 거부하거나 아니면 호스트 차량을 향해 진행할 것이라는 증거가 관찰되지 않는 한, 보행자 하드 제약은 완화(예, 적어도 0.75미터 또는 0.5미터의 작은 버퍼로 축소)될 수 있다.
일부 예에서, 모든 제약이 준수될 수 없는 상황에서 제약은 완화될 수 있다. 예를 들면, 도로 양 측의 도로 경계석으로부터 또는 도로 경계석과 주차된 차량으로부터 요구 간격(예, 0.5미터)을 남겨두기에 도로가 너무 좁은 상황에서, 하나 이상의 제약은 정상 참작 상황이 있으면 완화될 수 있다. 예를 들면, 인도에 보행자(또는 기타 사물)가 없으면, 도로 경계석으로부터 0.1미터 거리에서 천천히 진행할 수 있다. 일부 실시예에서, 제약을 완화하는 것이 사용자 경험을 향상시킬 수 있다면 제약이 완화될 수 있다. 예를 들어, 포트홀(pothole)을 피하기 위하여, 차량이 평소에 허용되는 것보다 차로 가장자리, 도로 경계석, 또는 보행자에 가까이 주행할 수 있도록 제약이 완화될 수 있다. 또한, 어느 제약을 완화할 것이지 결정하는 경우에, 일부 실시예에서, 완화하기로 선택된 하나 이상의 제약은 안전에 가장 부정적인 영향이 없는 것으로 판단되는 것들이다. 예를 들면, 도로 경계석이나 콘크리트 배리어(barrier)에 얼마나 가까이 붙어서 이동할 수 있는지에 관한 제약은 다른 차량에 얼마나 가까이 붙어서 이동할 수 있는지에 관한 제약을 완화하기 이전에 완화될 수 있다. 일부 실시예에서, 보행자 제약은 최후에 완화되거나 일부의 경우에는 절대 완화되지 않을 수 있다.
도 12는 호스트 차량의 항법 중에 캡처 및 분석될 수 있는 장면의 예를 도시한 것이다. 예를 들면, 호스트 차량은 호스트 차량과 연관된 카메라(예, 이미지캡처장치(122, 124, 126) 중의 적어도 하나)로부터 호스트 차량의 주변상황을 나타내는 복수의 이미지를 수신할 수 있는 앞서 설명한 바와 같은 항법 시스템(예, 시스템(100))을 포함할 수 있다. 도 12에 도시된 장면은 예상 궤적(1212)을 따라 차로(1210)에서 이동하는 호스트 차량의 주변상황으로부터 시간 t에 캡처될 수 있는 이미지의 하나의 예이다. 항법 시스템은 복수의 이미지를 수신하고 분석하여 장면에 대응한 동작을 결정하도록 특별히 프로그램 된 적어도 하나의 처리 장치(예, 앞서 설명한 EyeQ 프로세서 또는 기타 장치)를 포함할 수 있다. 구체적으로, 적어도 하나의 처리 장치는 도8에 도시된 바와 같은 감지 모듈(801), 주행 방침 모듈(803), 및 제어 모듈(805)을 실행할 수 있다. 감지 모듈(801)은 카메라로부터 수집된 이미지 정보의 수집 및 출력하고 이 정보를 식별된 항법 상태의 형태로 지도형 학습, 강화 학습 등과 같은 머신 러닝 기술을 통하여 학습된 학습 항법 시스템을 구성할 수 있는 주행 방침 모듈(803)로 제공하는 역할을 담당할 수 있다. 감지 모듈(801)에 의해 주행 방침 모듈(803)로 제공된 항법 상태 정보에 의거하여, 주행 방침 모듈(803)은 식별된 항법 상태에 대응하여 호스트 차량에 의해 실행될 원하는 항법 동작을 생성할 수 있다.
일부 실시예에서, 적어도 하나의 처리 장치는 예를 들어 제어 모듈(805)을 활용하여 원하는 항법 동작을 항법 명령으로 직접 변환할 수 있다. 그러나, 다른 실시예에서, 주행 방침 모듈(803)에 의해 제공된 원하는 항법 동작을 장면 및 원하는 항법 동작에 의해 연루될 수 있는 다양한 미리 정해진 항법 제약에 비교하여 시험하도록 하드 제약이 적용될 수 있다. 예를 들어, 주행 방침 모듈(803)이 호스트 차량으로 하여금 궤적(1212)을 따라 가도록 하는 항법 동작을 출력하는 경우에, 호스트 차량의 주변상황의 다양한 양상과 연관된 하나 이상의 하드 제약을 상대로 이 항법 동작을 시험할 수 있다. 예를 들면, 캡처된 이미지(1201)은 장면 안에 존재하는 도로 경계석(1213), 보행자(1215), 타깃 차량(1217), 및 고정 물체(예, 뒤집혀 있는 상자)를 보여줄 수 있다. 이들 각각은 하나 이상의 하드 제약과 연관될 수 있다. 예들 들면, 도로 경계석(1213)은 호스트 차량이 도로 경계속 안쪽으로 또는 도로 경계석을 넘어 인도(1214)로 주행하지 못하게 하는 고정 제약(static constraint)과 연관될 수 있다. 도로 경계석(1213)은 또한 도로 경계석으로부터 떨어져서(예, 0.1미터, 0.25미터, 0.5미터, 1미터 등의 간격으로) 도로 경계석을 따라 이어지는 거리(예, 버퍼 구역)를 정의하여 호스트 차량에 대한 주행 금지 구역을 정의하는 도로 배리어 포락선(road barrier envelope)과 연관될 수 있다. 물론, 고정 제약은 다른 유형의 도로변 경계(예, 가드레일, 콘크리트 기둥, 원뿔형 도로표지, 파일론(pylon), 또는 기타 유형의 도로변 배리어)와도 연관될 수 있다.
여기서, 거리와 범위는 적합한 방법에 의해 판단될 수 있다. 예를 들어, 일부 실시예에서, 거리 정보는 탑재된 레이더 및/또는 라이더 시스템에 의해 제공될 수 있다. 대안적으로 또는 추가적으로, 거리 정보는 호스트 차량의 주변상황으로부터 캡처된 하나 이상의 이미지의 분석으로부터 도출될 수 있다. 예를 들면, 이미지에 표현된 인지된 물체의 픽셀 수가 판단되고 이미지캡처장치의 주지의 시야와 초점 거리 기하에 비교되어 비율과 거리를 판단할 수 있다. 속도와 가속도는 예를 들어 주지의 시간 간격에 이미지와 이미지 사이의 물체의 비율 변화를 관찰하여 판단될 수 있다. 이러한 분석은 호스트 차량을 향한 또는 호스트 차량으로부터 멀어지는 이동 방향 뿐만 아니라 물체가 호스트 차량으로부터 또는 호스트 차량을 향해 얼마나 빠르게 이동하고 있는지를 나타낼 수 있다. 가로지르는 속력은 주지의 시간 주기에 한 이미지로부터 다른 이미지까지의 물체의 X좌표 위치의 변화를 분석하여 판단될 수 있다.
보행자(1215)는 버퍼 구역(1216)을 정의하는 보행자 포락선(pedestrian envelope)과 연관될 수 있다. 일부의 경우, 부과된 하드 제약은 호스트 차량이 보행자(1215)로부터 1미터 이내의 거리(보행자에 대한 모든 방향)에서 주행하지 못하게 할 수 있다. 보행자(1215)는 또한 보행자 영향 구역(1220)의 위치를 정의할 수 있다. 이러한 영향 구역은 영향 구역 내에서 호스트 차량의 속력을 제한하는 제약과 연관될 수 있다. 영향 구역은 보행자(1215)로부터 5미터, 10미터, 20미터 등만큼 이어질 수 있다. 영향 구역의 각 단계적 차이는 다른 속도 제한과 연관될 수 있다. 예를 들면, 보행자(1215)로부터 1 내지 5미터의 구역 내에서, 호스트 차량은 5 내지 10미터 이어진 보행자 영향 구역의 속도 제한보다 작은 제1 속도(예, 시속 10킬로미터, 시속 30킬로미터 등)로 제한될 수 있다. 영향 구역의 다양한 단계에 대한 모든 가능한 단계적 차이가 활용될 수 있다. 일부 실시예에서, 제1 단계는 1 내지 5미터보다 좁고 1 내지 2미터만 이어질 수 있다. 다른 실시예에서, 영향 구역의 제1 단계는 1미터(보행자 주변의 주행 금지 구역의 경계) 내지 적어도 10미터의 거리까지 이어질 수 있다. 반면, 제2 단계는 10미터 내지 적어도 약 20미터까지 이어질 수 있다. 제2 단계는 보행자 영향 구역의 제1 단계와 연관된 최고 이동 속도보다 큰 호스트 차량의 최고 이동 속도와 연관될 수 있다.
호스트 차량의 주변상황 내에 검출된 장면에 의해 하나 이상의 고정 물체 제약도 연루될 수 있다. 예를 들면, 이미지(1201)에서, 적어도 하나의 처리 장치는 도로에 존재하는 상자(1219)와 같은 고정 물체를 검출할 수 있다. 검출된 고정 물체는 나무, 기둥, 도로 표지판, 및 도로 내의 물체 중의 적어도 하나와 같은 다양한 물체를 포함할 수 있다. 하나 이상의 미리 정해진 항법 제약이 검출된 고정 물체와 연관될 수 있다. 예를 들면, 이러한 제약은 고정 물체 포락선을 포함할 수 있는데, 여기서 고정 물체 포락선은 호스트 차량의 항법이 금지될 수 있는 물체 주변의 버퍼 구역을 정의한다. 버퍼 구역의 적어도 일부는 검출된 고정 물체의 가장자리로부터 미리 정해진 거리만큼 이어질 수 있다. 예를 들어, 이미지(1201)로 표현된 장면에서, 적어도 0.1미터, 0.25미터, 0.5미터 또는 그 이상의 버퍼 구역이 상자(1219)와 연관되어 검출된 고정 물체와의 충돌을 회피하기 위하여 호스트 차량이 적어도 일정 거리(예, 버퍼 구역 거리)를 두고 상자의 우측 또는 좌측으로 지나가도록 할 수 있다.
미리 정해진 하드 제약은 또한 하나 이상의 타깃 차량 제약을 포함할 수 있다. 예를 들면, 타깃 차량(1217)은 이미지(1201) 내에서 검출될 수 있다. 호스트 차량이 타깃 차량(1217)과 충돌하지 않도록 보장하기 위해서, 하나 이상의 하드 제약이 도입될 수 있다. 일부의 경우, 타깃 차량 포락선이 단일 버퍼 구역 거리와 연관될 수 있다. 예를 들어, 버퍼 구역은 타깃 차량의 모든 방향 둘레 1미터 거리로 정의될 수 있다. 버퍼 구역은 호스트 차량의 주행이 금지되는 타깃 차량으로부터 적어도 1미터 이어진 구역을 정의할 수 있다.
그러나, 타깃 차량(1217)을 둘러싼 포락선은 고정된 버퍼 거리에 의해 정의될 필요는 없다. 일부의 경우, 타깃 차량(또는 호스트 차량의 주변상황에서 검출된 기타 모든 이동 물체)과 연관된 미리 정해진 하드 제약은 검출된 타깃 차량에 대한 호스트 차량의 진행방향에 따라 다를 수 있다. 예를 들면, 일부 경우에서, 종방향 버퍼 구역 거리(예, 호스트 차량이 타깃 차량을 향해 주행하는 경우와 같이, 타깃 차량으로부터 호스트 차량의 앞 또는 뒤로 이어지는 버퍼 구역 거리)는 적어도 1미터일 수 있다. 횡방향 버퍼 구역 거리(예, 호스트 차량이 타깃 차량과 동일한 또는 반대의 방향으로 이동하여 호스트 차량의 측면이 타깃 차량의 측면에 인접하여 지나가는 경우와 같이, 타깃 차량으로부터 호스트 차량의 측면으로 이어지는 버퍼 거리 구역)은 적어도 0.5미터일 수 있다.
앞서 설명한 바와 같이, 호스트 차량의 주변상황에서 타깃 차량 또는 보행자를 검출하여 다른 제약도 연루될 수 있다. 예를 들면, 호스트 차량과 타깃 차량(1217)의 예측 궤적이 고려될 수 있고, 두 궤적이 교차하는 곳(예, 교차점(1230))에서 하드 제약은
Figure pat00126
또는
Figure pat00127
를 요구할 수 있다. 여기서, 호스트 차량은 차량 1이고, 타깃 차량(1217)은 차량 2이다. 마찬가지로, 보행자(1215)의 궤적(진행 방향과 속력에 의거)이 호스트 차량의 예상 궤적에 대하여 관찰될 수 있다. 특정 보행자 궤적을 고려할 때, 궤적 상의 각 지점 p에 대하여, t(p)는 보행자가 지점 p(예, 도 12의 지점(1231))에 도달하기 위해 필요한 시간을 나타낸다. 필요한 버퍼 거리인 보행자로부터 적어도 1미터를 유지하기 위하여, t(p)는 호스트 차량이 지점 p에 도달할 시간보다 크거나(호스트 차량이 보행자 앞에서 적어도 1미터의 거리를 두고 통과하기에 충분한 시간차) 호스트 차량이 지점 p에 도달하는 시간보다 작야야(예, 호스트 차량이 제동을 하여 보행자에게 양보) 한다. 그러나, 후자의 경우에도, 하드 제약은 호스트 차량이 보행자 뒤로 통과하고 적어도 1미터의 필요한 버퍼 거리를 유지할 수 있도록 호스트 차량이 보행자보다 충분히 나중에 지점 p에 도달할 것을 요구할 것이다.
다른 하드 제약도 활용될 수 있다. 예를 들어, 적어도 일부의 경우에서 호스트 차량의 최고 감속 속도가 도입될 수 있다. 이러한 최고 감속 속도는 호스트 차량을 따라오는 타깃 차량의 검출된 거리(후방 카메라로부터 수집된 이미지를 활용)에 의거하여 판단될 수 있다. 하드 제약은 감지된 횡단보도 또는 철도 건널목 또는 기타 해당 제약에서의 의무적 정지를 포함할 수 있다.
호스트 차량의 주변상황 내의 장면 분석의 결과, 하나 이상의 미리 정해진 항법 제약이 연루될 수 있는 것으로 나타나는 경우, 이러한 제약은 호스트 차량에 대한 하나 이상의 예정 항법 동작에 대해 부과될 수 있다. 예를 들면, 장면의 분석 결과, 주행 방침 모듈(803)이 원하는 항법 동작을 출력하는 경우, 원하는 항법 동작은 하나 이상의 연루된 제약에 비교하여 시험될 수 있다. 원하는 항법 동작이 연루된 제약의 양상을 위반하는 것으로 판단되는 경우(예, 미리 정해진 하드 제약은 호스트 차량이 보행자(1215)로부터 적어도 1.0미터을 유지할 것을 요구하지만, 원하는 항법 동작이 보행자(1215)로부터 0.7미터 이내에서 호스트 차량을 이동시키는 경우), 하나 이상의 미리 정해진 항법 제약에 의거하여 원하는 항법 동작에 적어도 하나의 수정을 할 수 있다. 이런 방식의 원하는 항법 동작의 조정을 통해 호스트 차량의 주변상황 내에서 검출된 특정 장면에 의해 연루된 제약을 준수하는 실제 항법 동작을 호스트 차량에 대해 제공할 수 있다.
호스트 차량에 대한 실제 항법 동작을 결정한 후에, 호스트 차량에 대해 결정된 실제 항법 동작에 대응하여 호스트 차량의 항법 액추에이터에 적어도 하나의 조정을 유발함으로써 이러한 항법 동작이 실행될 수 있다. 이러한 항법 액추에이터에는 호스트 차량의 조향 메커니즘, 브레이크, 가속장치 중의 적어도 하나가 포함될 수 있다.
우선 제약
앞서 설명한 바와 같이, 다양한 하드 제약을 항법 시스템과 함께 활용하여 호스트 차량의 안전한 작동을 보장할 수 있다. 제약에는 보행자, 타깃 차량, 도로 배리어, 또는 검출된 물체에 대한 최소 안전 운전 거리, 검출된 보행자의 영향 구역 이내에서 통과하는 경우의 최고 이동 속도, 또는 호스트 차량의 최고 감속 속도 등이 포함될 수 있다. 이러한 제약은 머신 러닝(지도형, 강화형, 또는 그 조합) 기반의 학습 시스템으로 부과될 수 있지만, 비학습 시스템(예, 호스트 차량 주변상황의 장면에 등장하는 예상 상황을 직접 처리하는 알고리즘을 활용하는 시스템)으로도 유용할 수 있다.
어느 경우에나, 제약의 계층이 있을 수 있다. 즉, 일부 항법 제약은 다른 제약에 우선할 수 있다. 따라서, 연루된 모든 제약이 충족되는 항법 동작이 없는 상황에서, 항법 시스템은 우선순위가 가장 높은 제약을 먼저 따르는 항법 동작을 결정할 수 있다. 예를 들면, 보행자를 회피하는 항법의 결과로 다른 차량 또는 도로에 검출된 물체와의 충돌이 일어날 수 있는 경우, 시스템은 차량으로 하여금 보행자를 회피하도록 할 수 있다. 다른 예를 들면, 시스템은 보행자를 회피하기 위하여 차량으로 하여금 도로 경계석을 올라가도록 할 수 있다.
도 13은 호스트 차량의 주변상황 내의 장면의 분석에 의거하여 판단된 연루된 제약의 계층을 실행하는 알고리즘을 도시한 순서도이다. 예컨대, 단계 1301에서, 항법 시스템과 연관된 적어도 하나의 처리 장치(예, EyeQ 프로세서 등)는 호스트 차량에 탑재된 카메라로부터 호스트 차량의 주변상황을 나타내는 복수의 이미지를 수신할 수 있다. 단계 1303에서, 호스트 차량 주변상황의 장면을 나타내는 이미지의 분석을 통하여, 호스트 차량과 연관된 항법 상태가 식별될 수 있다. 예를 들어, 항법 상태는 도 12에 도시된 바와 같이 호스트 차량이 2차선 도로에서 이동하고 있다는 속성, 타깃 차량(1217)이 호스트 차량의 앞에서 교차로를 지나가고 있다는 속성, 보행자(1215)가 호스트 차량이 이동 중인 도로를 건너기 위해 기다리고 있다는 속성, 물체(1219)가 호스트 차량 차로에 앞쪽에 있다는 속성, 및 기타 장면의 다양한 속성을 나타낼 수 있다.
단계 1305에서, 호스트 차량의 항법 상태에 의해 연루된 하나 이상의 항법 제약이 결정될 수 있다. 예를 들어, 적어도 하나의 처리 장치는 하나 이상의 캡처된 이미지에 의해 표현된 호스트 차량의 주변상황의 장면을 분석한 후에 캡처된 이미지의 이미지 분석을 통하여 인지된 물체, 차량, 보행자 등에 의해 연루된 하나 이상의 항법 제약을 결정할 수 있다. 일부 실시예에서, 적어도 하나의 처리 장치는 항법 상태에 의해 연루된 적어도 제1 사전 정의된 항법 제약과 제2 사전 정의된 항법 제약을 결정할 수 있고, 제1 사전 정의된 항법 제약은 제2 사전 정의된 항법 제약과 다를 수 있다. 예를 들어, 제1 사전 정의된 항법 제약은 호스트 차량의 주변상황에서 검출된 한 대 이상의 타깃 차량에 관한 것일 수 있고, 제2 사전 정의된 항법 제약은 호스트 차량의 주변상황에서 검출된 보행자에 관한 것일 수 있다.
단계 1307에서, 적어도 하나의 처리 장치는 단계 1305에서 식별된 제약과 연관된 우선순위를 결정할 수 있다. 상기의 예에서, 보행자에 관한 제2 사전 정의된 항법 제약 타깃 차량에 관한 제1 사전 정의된 항법 제약보다 높은 우선순위일 수 있다. 항법 제약과 연관된 우선순위는 다양한 요소에 의거하여 결정되거나 배정될 수 있지만, 일부 실시예에서, 항법 제약의 우선순위는 안전의 관점에서의 상대적 중요도와 관련될 수 있다. 예를 들면, 이행(implement)된 모든 항법 제약이 최대한 많은 상황에서 준수되고 충족되는 것이 중요할 수 있지만, 일부 제약은 다른 제약보다 더 큰 안전상 위험과 연관될 수 있고, 따라서 더 높은 우선순위가 배정될 수 있다. 예컨대, 호스트 차량이 보행자로부터 적어도 1미터의 간격을 유지할 것을 요구하는 항법 제약은 호스트 차량이 타깃 차량으로부터 적어도 1미터의 간격을 유지할 것을 요구하는 제약보다 더 높은 우선순위일 수 있다. 이는 보행자와의 충돌의 결과가 다른 차량과의 충돌의 결과보다 더 심각할 수 있기 때문이다. 마찬가지로, 호스트 차량과 타깃 차량 사이의 간격 유지는 호스트 차량이 도로 위의 상자를 피해가라는 제약, 속도 방지턱을 특정 속도보다 빠르게 넘어가지 말라는 제약, 또는 호스트 차량에 승객이 있을 때 최고 가속 수준을 넘지 말라는 제약보다 높은 우선순위일 수 있다.
주행 방침 모듈(803)은 특정 장면 또는 항법 상태에 의해 연루된 항법 제약을 충족시킴으로써 안전을 극대화하도록 설계되었지만, 일부 상황에서, 연루된 모든 제약을 충족시키는 것은 물리적으로 불가능할 수 있다. 이러한 상황에서, 단계 1309에 도시된 바와 같이, 연루된 각 제약의 우선순위를 활용하여 어느 제약부터 먼저 충족시킬지를 결정할 수 있다. 상기 예에서, 보행자 간격 제약과 타깃 차량 간격 제약을 모두 충족하는 것이 불가능하지만 둘 중의 한 제약을 충족할 수 있는 상황에서, 보행자 간격 제약의 우선순위가 높으므로 타깃 차량과의 간격을 유지하려고 시도하기 전에 이 제약을 먼저 충족시킬 수 있다. 따라서, 정상적인 상황에서, 단계 1311에 도시된 바와 같이, 적어도 하나의 처리 장치는 호스트 차량의 식별된 항법 상태에 의거하여 제1 사전 정의된 항법 제약과 제2 사전 정의된 항법 제약이 모두 충족될 수 있는 경우에 제1 사전 정의된 항법 제약과 제2 사전 정의된 항법 제약을 모두 충족하는 호스트 차량에 대한 제1 항법 동작을 결정할 수 있다. 그러나, 다른 상황에서, 연루된 모든 제약이 충족될 수 없는 경우에, 단계 1313에 도시된 바와 같이, 적어도 하나의 처리 장치는 제1 사전 정의된 항법 제약과 제2 사전 정의된 항법 제약이 함께 충족될 수 없는 경우에, 식별된 항법 상태에 의거하여 제2 사전 정의된 항법 제약(즉, 우선순위가 높은 제약)을 충족하지만 제1 사전 정의된 항법 제약(제2 항법 제약보다 낮은 우선순위)을 충족하지 않는 호스트 차량에 대한 제2 항법 동작을 결정할 수 있다.
다음으로, 단계 1315에서, 호스트 차량에 대해 결정된 항법 동작을 이행(implement)하기 위하여, 적어도 하나의 처리 장치는 호스트 차량에 대해 결정된 제1 항법 동작 또는 제2 항법 동작에 대한 대응으로 호스트 차량의 항법 액추에이터의 적어도 하나의 조정을 유발할 수 있다. 이전의 예와 마찬가지로, 항법 액추에이터에는 조향 메커니즘, 브레이크, 가속장치 중의 적어도 하나가 포함될 수 있다.
제약 완화
앞서 설명한 바와 같이, 항법 제약은 안전상의 목적으로 부과될 수 있다. 제약에는 보행자, 타깃 차량, 도로 배리어, 또는 검출된 물체에 대한 최소 안전 운전 거리, 검출된 보행자의 영향 구역 이내에서 통과하는 경우의 최고 이동 속도, 또는 호스트 차량의 최고 감속 속도 등이 포함될 수 있다. 이러한 제약은 학습 또는 비학습 항법 시스템에서 부과될 수 있다. 특정 상황에서, 이러한 제약은 완화될 수 있다. 예를 들어, 호스트 차량이 보행자 근처에서 속도를 줄이거나 정지한 후에 보행자 옆으로 지나가겠다는 의도를 나타내기 위해 천천히 진행하는 경우에, 확보된 이미지로부터 보행자의 반응이 검출될 수 있다. 보행자의 반응이 가만히 있거나 움직임을 중단하는 것인(및/또는 보행자와 시선이 마주친 것이 감지된) 경우에, 항법 시스템이 보행자 옆으로 지나가고자 하는 의도를 보행자가 인지한 것으로 이해될 수 있다. 이러한 상황에서, 시스템은 하나 이상의 사전 정의된 제약을 완화하고 덜 엄격한 제약(예, 보행자로부터 1미터 경계 이내보다 덜 엄격한 0.5미터 이내로 차량이 주행하게 허용)을 이행(implement)할 수 있다.
도 14는 하나 이상의 항법 제약의 완화에 의거하여 호스트 차량의 제어를 이행(implement)하기 위한 순서도를 도시한 것이다. 단계 1401에서, 적어도 하나의 처리 장치는 호스트 차량과 연관된 카메라로부터 호스트 차량의 주변상황을 나타내는 복수의 이미지를 수신할 수 있다. 단계 1403의 이미지 분석을 통해, 호스트 차량과 연관된 항법 상태를 식별할 수 있다. 단계 1405에서, 적어도 하나의 프로세서는 호스트 차량의 항법 상태와 연관된 항법 제약을 판단할 수 있다. 항법 제약은 항법 상태의 적어도 한 양상에 의해 연루된 제1 사전 정의된 항법 제약을 포함할 수 있다. 단계 1407에서, 복수의 이미지의 분석을 통해 적어도 하나의 항법 제약 완화 요소의 존재를 확인할 수 있다.
항법 제약 완화 요소는 하나 이상의 항법 제약의 적어도 하나의 양상이 중단, 변경, 또는 완화될 수 있는 모든 적합한 지시자를 포함할 수 있다. 일부 실시예에서, 적어도 하나의 항법 제약 완화 요소는 보행자의 눈이 호스트 차량의 방향을 바라보고 있다는 판단(이미지 분석에 의거)을 포함할 수 있다. 이 경우, 보행자가 호스트 차량을 인식하고 있다고 안심하고 추정할 수 있다. 그 결과, 보행자가 호스트 차량의 진로로 이동해 들어오게 하는 예상치 못한 동작을 보행자가 취하지 않을 것이라는 신뢰 수준이 높을 수 있다. 다른 제약 완화 요소도 활용될 수 있다. 예를 들어, 적어도 하나의 항법 제약 완화 요소에는 움직이지 않는 것으로 판단된 보행자(예, 호스트 차량의 진로로 들어올 가능성이 낮은 것으로 추정된 보행자), 또는 움직이는 속도를 늦추는 것으로 판단된 보행자가 포함될 수 있다. 항법 제약 완화 요소에는, 호스트 차량이 정지한 후에 움직이지 않는 것으로 판단되었다가 다시 움직이기 시작한 보행자와 같이, 복잡한 동작도 포함될 수 있다. 이러한 상황에서, 호스트 차량이 선행권이 있다는 것을 보행자가 이해하고 있음이 추정될 수 있고, 보행자가 멈춘다는 것은 보행자가 호스트 차량에게 양보하려는 의도가 있음을 시사할 수 있다. 하나 이상의 제약을 완화하도록 할 수 있는 다른 상황에는 도로 경계석의 유형(예, 도로 경계석이 낮거나 완만한 경사가 있는 경우에는 완화된 거리 제약 가능), 인도 상의 보행자 또는 기타 물체의 부재, 엔진이 꺼져 있는 차량, 또는 보행자가 호스트 차량의 진행 방향과 반대편을 보고 있거나 멀어지고 있는 상황 등이 포함될 수 있다.
항법 제약 완화 요소의 존재가 식별된 경우에(예, 단계 1407), 제약 완화 요소의 검출에 대응하여 제2 항법 제약이 결정되거나 발생될 수 있다. 이 제2 항법 제약은 제1 항법 제약과 다를 수 있고, 제1 항법 제약에 대하여 완화된 적어도 하나의 특성을 포함할 수 있다. 제2 항법 제약은 제1 항법 제약에 의거하여 새롭게 생성된 제약을 포함할 수 있고, 이 경우, 새롭게 생성된 제약은 제1 항법 제약의 적어도 한 양상을 완화하는 적어도 하나의 수정을 포함한다. 대안적으로, 제2 항법 제약은 제1 항법 제약보다 적어도 한 양상에서 덜 엄격한 미리 정해진 제약을 구성할 수 있다. 일부 실시예에서, 이러한 제2 항법 제약은 호스트 차량의 주변상황에서 제약 완화 요소가 식별되는 상황에서만 사용하도록 준비될 수 있다. 제2 항법 제약이 새롭게 생성되거나 완전히 또는 부분적으로 사용 가능한 미리 정해진 제약의 모음 중에서 선택되거나에 상관없이, 더 엄격한 제1 항법 제약(관련 항법 제약 완화 요소가 검출되지 않을 경우에 적용 가능)을 대신한 제2 항법 제약의 적용은 제약 완화로 칭할 수 있고 단계 1409에서 수행될 수 있다.
단계 1407에서 적어도 하나의 제약 완화 요소가 검출되고 단계 1409에서 적어도 하나의 제약이 완화된 경우에, 호스트 차량에 대한 항법 동작이 단계 1411에서 결정될 수 있다. 호스트 차량에 대한 항법 동작은 식별된 항법 상태에 의거할 수 있고, 제2 항법 제약을 충족할 수 있다. 항법 동작은 결정된 항법 동작에 대응하여 호스트 차량의 항법 액추에이터의 적어도 하나의 조정을 유발함으로써 단계 1413에서 이행(implement)될 수 있다.
앞서 설명한 바와 같이, 항법 제약과 완화된 항법 제약은 학습(예, 머신 러닝을 통한 학습) 또는 비학습(예, 특정 항법 상태에 미리 정해진 동작으로 대응하도록 프로그램된 시스템) 항법 시스템과 함께 활용될 수 있다. 학습 항법 시스템이 활용되는 경우에, 특정 항법 상황에 대해 완화된 항법 제약을 이용할 수 있다는 것은 학습 시스템 반응에서 비학습 시스템 반응으로의 모드 전환을 나타내는 것을 수 있다. 예를 들어, 학습 항법 네트워크는 제1 항법 제약에 의거하여 호스트 차량에 대한 원래의 항법 동작을 결정할 수 있다. 그러나 차량이 취한 동작은 제1 항법 제약을 충족하는 항법 동작과 다른 것일 수 있다. 오히려, 차량이 취한 동작은 완화된 제2 항법 제약을 충족할 수 있고 비학습 시스템에 의해 발생된 동작(예, 항법 제약 완화 요소의 존재와 같은, 호스트 차량의 주변상황 내에서의 특정 조건의 검출에 대한 대응)일 수 있다.
호스트 차량의 주변상황 내에서 제약 완화 요소의 검출에 대한 대응으로 완화될 수 있는 항법 제약에는 많은 예가 있다. 예컨대, 사전 정의된 항법 제약이 검출된 보행자와 연관된 버퍼 구역을 포함하고, 버퍼 구역의 적어도 일부가 검출된 보행자로부터 일정한 거리만큼 이어지는 경우에, 완화된 항법 제약(새롭게 발생, 미리 정해진 모음으로부터 메모리에서 호출, 또는 기존 제약의 완화 버전으로 생성)은 다른 또는 수정된 버퍼 구역을 포함할 수 있다. 예를 들면, 다른 또는 수정된 버퍼 구역은 검출된 보행자에 대한 원래의 또는 수정되지 않은 버퍼 구역보다 작은 거리일 수 있다. 그 결과, 완화된 제약으로 인하여, 적절한 제약 완화 요소가 호스트 차량의 주변상황에서 검출되는 경우에 호스트 차량은 검출된 보행자에 가까이 주행하도록 허용될 수 있다.
항법 제약의 완화된 특성에는, 앞서 설명한 바와 같이, 적어도 한 명의 보행자와 연관된 버퍼 구역의 감소된 폭이 포함될 수 있다. 그러나, 완화된 특성에는 또한 타깃 차량, 검출된 물체, 도로변 배리어, 또는 호스트 차량의 주변상황에서 검출된 기타 물체 등과 연관된 버퍼 구역의 감소된 폭도 포함될 수 있다.
적어도 하나의 완화된 특성은 항법 제약 특성의 기타 유형의 수정도 포함할 수 있다. 예를 들면, 완화된 특성은 적어도 하나의 사전 정의된 항법 제약과 연관된 속도의 증가를 포함할 수 있다. 완화된 특성에는 또한 적어도 하나의 사전 정의된 항법 제약과 연관된 최대 허용 감속/가속의 증가도 포함될 수 있다.
앞서 설명한 바와 같이 제약은 특정 상황에서 완화될 수 있는 반면, 다른 상황에서는 항법 제약이 강화될 수 있다. 예를 들면, 일부 상황에서, 항법 시스템은 항법 제약의 일반적인 모음을 증강하는 조건이라고 판단할 수 있다. 이러한 증강에는 사전 정의된 제약 모음에 새로운 제약의 추가 또는 사전 정의된 제약의 하나 이상의 양상의 조정이 포함될 수 있다. 이러한 추가 또는 조정의 결과, 정상 주행 조건 하에서 적용될 수 있는 사전 정의된 제약 모음에 비하여 보수적인 항법을 할 수 있다. 제약 강화를 필요로 할 수 있는 조건에는 센서 불량, 열악한 환경 조건(비, 눈, 안개, 또는 시야 또는 접지력 저하와 관련된 기타 조건) 등이 포함될 수 있다.
도 15는 하나 이상의 항법 제약의 강화에 의거하여 호스트 차량의 제어를 이행(implement)하는 순서도를 도시한 것이다. 단계 1501에서, 적어도 하나의 처리 장치는 호스트 차량과 연관된 카메라로부터 호스트 차량의 주변상황을 나타내는 복수의 이미지를 수신할 수 있다. 단계 1503의 이미지 분석을 통해, 호스트 차량과 연관된 항법 상태를 식별할 수 있다. 단계 1505에서, 적어도 하나의 프로세서는 호스트 차량의 항법 상태와 연관된 항법 제약을 판단할 수 있다. 항법 제약은 항법 상태의 적어도 한 양상에 의해 연루된 제1 사전 정의된 항법 제약을 포함할 수 있다. 단계 1507에서, 복수의 이미지의 분석을 통해 적어도 하나의 항법 제약 강화 요소의 존재를 확인할 수 있다.
연루된 항법 제약은 앞서 설명한(도 12 참조) 항법 제약 또는 기타 적합한 항법 제약을 포함할 수 있다. 항법 제약 강화 요소는 하나 이상의 항법 제약이 적어도 한 양상에서 보완/강화될 수 있다는 지시자를 포함할 수 있다. 항법 제약의 보완 또는 강화는 모음별로 수행(예, 미리 정해진 제약 모음에 새로운 항법 제약 추가)되거나 제약별로 수행(예, 특정 제약을 원래보다 엄격하도록 수정 또는 미리 정해진 제약에 상응하고 적어도 한 양상에서 더욱 엄격한 새로운 제약을 추가)될 수 있다. 추가적으로 또는 대안적으로, 항법 제약의 보완 또는 강화는 계층에 의거한 미리 정해진 제약의 모음에서의 선택을 참조할 수 있다. 예를 들면, 항법 강화 요소가 호스트 차량의 주변환경에서 또는 호스트 차량에 대하여 검출되는지 여부에 따라 강화 제약의 모음에서의 선택이 가능할 수 있다. 강화 요소가 검출되지 않는 정상 조건하에서, 연루된 항법 제약은 정상 조건에 적용 가능한 제약들로부터 가져올 수 있다. 반면에, 하나 이상의 제약 강화 요소가 검출되는 경우에, 연루된 제약은 하나 이상의 강화 요소에 대하여 생성되거나 사전 정의된 강화 제약들로부터 가져올 수 있다. 강화 제약은 이에 상응하는 정상 조건하의 제약보다 적어도 한 양상에서 더욱 엄격할 수 있다.
일부 실시예에서, 적어도 하나의 항법 제약 강화 요소는 호스트 차량의 주변상황의 도로면 상의 얼음, 눈, 또는 물의 존재의 검출(예, 이미지 분석에 의거)을 포함할 수 있다. 이러한 판단은, 예를 들어, 건조한 도로에서 예상되는 것보다 반사가 높은 영역(예, 도로상의 얼음 또는 물)의 검출, 눈의 존재를 나타내는 도로상의 하얀 구역, 종방향 도랑의 존재에 따른 도로상의 그림자(예, 눈길의 타이어 자국), 호스트 차량의 앞유리의 물방울 또는 얼음/눈 입자, 또는 도로면에 물 또는 얼음/눈의 존재를 나타내는 기타 적합한 지시자에 의거할 수 있다.
적어도 하나의 항법 제약 강화 요소는 또한 호스트 차량의 앞유리 외면상의 입자의 검출을 포함할 수 있다. 이러한 입자는 호스트 차량과 연관된 하나 이상의 이미지캡처장치의 이미지의 질을 악화시킬 수 있다. 여기서는 호스트 차량의 앞유리 뒤에 설치된 카메라와 관련 있는 호스트 차량의 앞유리에 관하여 설명하고 있지만, 호스트 차량과 연관된 다른 표면(예, 카메라의 렌즈 또는 렌즈 커버, 전조등 렌즈, 뒷유리, 후미등 렌즈, 또는 이미지캡처장치에 보이는(또는 센서에 의해 검출되는) 호스트 차량의 기타 표면) 상의 입자 검출도 또한 항법 제약 강화 요소의 존재를 나타낼 수 있다.
항법 제약 강화 요소는 또한 하나 이상의 이미지획득장치의 속성으로서 검출될 수 있다. 예를 들면, 호스트 차량과 연관된 이미지캡처장치(예, 카메라)에 의해 캡처된 하나 이상의 이미지의 이미지 품질의 저하가 검출되면 이 또한 항법 제약 강화 요소의 요건이 될 수 있다. 이미지 품질의 저하는 이미지캡처장치 또는 이미지캡처장치와 연관된 어셈블리와 연관된 하드웨어의 고장 또는 부분적 고장과 연관될 수 있다. 이러한 이미지 품질의 저하는 또한 주변상황 조건에 기인한 것일 수 있다. 예를 들어, 호스트 차량 주변 공기에 연기, 안개, 비, 눈 등이 존재하면 이 또한 호스트 차량 주변의 도로, 보행자, 타깃 차량 등에 관한 이미지 품질의 저하의 요건이 될 수 있다.
항법 제약 강화 요소는 또한 호스트 차량의 다른 양상에 관한 것일 수 있다. 예를 들면, 일부 상황에서, 항법 제약 강화 요소에는 호스트 차량과 연관된 시스템 또는 센서의 검출된 고장 도는 부분적 고장이 포함될 수 있다. 이러한 강화 요소에는 예를 들어 속도계, GPS 수신기, 가속도계, 카메라, 레이더, 라이더, 브레이크, 타이어, 또는 호스트 차량이 호스트 차량의 항법 상태와 연관된 항법 제약에 대해 주행하는 능력에 영향을 줄 수 있는 호스트 차량과 연관된 기타 시스템의 고장 또는 부분적 고정의 검출이 포함될 수 있다.
항법 제약 강화 요소가 식별되는 경우(예, 단계 1507), 제약 강화 요소의 검출에 대응하여 제2 항법 제약이 결정 또는 생성될 수 있다. 제2 항법 제약은 제1 항법 제약과 다를 수 있고 제1 항법 제약에 대해 강화된 적어도 하나의 특성을 포함할 수 있다. 호스트 차량의 주변상황에서 또는 호스트 차량과 연관하여 제약 강화 요소가 검출된다는 것은 호스트 차량의 적어도 하나의 항법 능력이 정상 작동 조건보다 저하됨을 의미하는 것일 수 있기 때문에 제2 항법 제약은 제1 항법 제약보다 더 엄격할 수 있다. 이러한 저하된 능력에는 도로 접지력 저하(예, 도로상의 얼음, 눈, 또는 물; 타이어 공기압 저하 등), 저하된 시야(예, 캡처된 이미지 품질을 저하하는 비, 눈, 먼지, 연기, 안개 등), 저하된 검출 능력(예, 센서 고장 또는 부분적 고장, 센서 성능 저하 등), 또는 호스트 차량이 검출된 항법 상태에 대응하여 주행하는 능력의 기타 모든 저하가 포함될 수 있다.
단계 1507에서 적어도 하나의 항법 강화 요소가 검출되고 단계 1509에서적어도 하나의 제약이 강화된 경우, 단계 1511에서 호스트 차량에 대한 항법 동작이 결정될 수 있다. 호스트 차량에 대한 항법 동작은 식별된 항법 상태에 의거할 수 있고 제2 항법 제약(즉, 강화된 제약)을 충족할 수 있다. 단계 1513에서, 항법 동작은 결정된 항법 동작에 대응하여 호스트 차량의 항법 액추에이터에 적어도 하나의 조정을 유발함으로써 이행(implement)될 수 있다.
앞서 설명한 바와 같이, 항법 제약과 강화된 항법 제약은 학습(예, 머신 러닝을 통한 학습) 또는 비학습(예, 특정 항법 상태에 미리 정해진 동작으로 대응하도록 프로그램 된 시스템) 항법 시스템과 함께 활용될 수 있다. 학습 항법 시스템이 활용되는 경우에, 특정 항법 상황에 대해 강화된 항법 제약을 이용할 수 있다는 것은 학습 시스템 반응에서 비학습 시스템 반응으로의 모드 전환을 나타내는 것을 수 있다. 예를 들어, 학습 항법 네트워크는 제1 항법 제약에 의거하여 호스트 차량에 대한 원래의 항법 동작을 결정할 수 있다. 그러나 차량이 취한 동작은 제1 항법 제약을 충족하는 항법 동작과 다른 것일 수 있다. 오히려, 차량이 취한 동작은 강화된 제2 항법 제약을 충족할 수 있고 비학습 시스템에 의해 발생된 동작(예, 항법 제약 강화 요소의 존재와 같은, 호스트 차량의 주변상황 내에서의 특정 조건의 검출에 대한 대응)일 수 있다.
호스트 차량의 주변상황 내에서 제약 강화 요소의 검출에 대한 대응으로 생성, 보완, 또는 강화될 수 있는 항법 제약에는 많은 예가 있다. 예컨대, 사전 정의된 항법 제약이 검출된 보행자, 물체, 차량 등과 연관된 버퍼 구역을 포함하고, 버퍼 구역의 적어도 일부가 검출된 보행자/물체/차량으로부터 일정한 거리만큼 이어지는 경우에, 강화된 항법 제약(새롭게 발생, 미리 정해진 모음으로부터 메모리에서 호출, 또는 기존 제약의 강화 버전으로 생성)은 다른 또는 수정된 버퍼 구역을 포함할 수 있다. 예를 들면, 다른 또는 수정된 버퍼 구역은 검출된 보행자/물체/차량에 대한 원래의 또는 수정되지 않은 버퍼 구역보다 큰 거리일 수 있다. 그 결과, 강화된 제약으로 인하여, 적절한 제약 강화 요소가 호스트 차량의 주변상황에서 또는 호스트 차량에 대하여 검출되는 경우에 호스트 차량은 검출된 보행자/물체/차량에 더 떨어져서 주행하도록 강제될 수 있다.
적어도 하나의 강화된 특성은 항법 제약 특성의 기타 유형의 수정도 포함할 수 있다. 예를 들면, 강화된 특성은 적어도 하나의 사전 정의된 항법 제약과 연관된 속도의 감소를 포함할 수 있다. 강화된 특성에는 또한 적어도 하나의 사전 정의된 항법 제약과 연관된 최대 허용 감속/가속의 감소도 포함될 수 있다.
장기 계획에 의거한 항법
일부 실시예에서, 기재된 항법 시스템은 호스트 차량의 주변상황에서 검출된 항법 상태에 대한 대응 뿐만 아니라 장기 계획에 의거한 하나 이상의 항법 동작의 결정도 할 수 있다. 예를 들어, 시스템은 검출된 항법 상태에 대한 항법을 위한 옵션으로 사용 가능한 하나 이상의 항법 동작의 미래 항법 상태에 대한 잠재적 영향을 고려할 수 있다. 미래 상태에 대한 사용 가능한 동작의 영향을 고려하면 항법 시스템이 현재 검출된 항법 상태뿐만 아니라 장기 계획에 의거하여 항법 동작을 결정할 수 있다. 장기 계획 방식을 활용한 항법은 하나 이상의 보상 함수가 사용 가능한 옵션 중에서 항법 동작을 선택하는 방식으로 항법 시스템에 의해 활용되는 경우에 특히 적용 가능하다. 잠재적 보상은 호스트 차량의 검출된 현재 항법 상태에 대한 대응으로 취할 수 있는 사용 가능한 항법 동작에 대해 분석될 수 있다. 그러나 잠재적 보상은 사용 가능한 동작으로부터 현재 항법 상태의 결과를 가져올 것으로 예상되는 미래 항법 상태에 대응하여 취할 수 있는 동작에 대하여 분석될 수도 있다. 그 결과, 일부 경우에서, 기재된 항법 시스템은 선택된 항법 동작이 현재 항법 상태에 대응하여 취할 수 있는 사용 가능한 동작 중에서 가장 높은 보상을 산출하지 않을 수 있는 경우에도 검출된 항법 상태에 대응하여 항법 상태를 선택할 수 있다. 이는 시스템이 판단하기에 선택된 동작이 선택된 동작보다 또는 일부의 경우에서 현재 항법 상태에 대하여 사용 가능한 모든 동작보다 더 큰 보상을 제공하는 하나 이상의 잠재적 항법 동작을 낳는 미래 항법 상태의 결과를 가져올 수 있는 경우에 특히 그렇다. 원리를 더욱 간단히 표현하자면, 나중의 더 큰 보상을 위하여 지금은 덜 선호하는 동작을 취하는 것이다. 따라서, 장기 계획이 가능한 기재된 항법 시스템은 단기적인 보상의 손실의 결과로 장기적인 보상의 이익을 가져올 수 있다는 장기적 예상이 되는 경우에 최적 이하의 단기적 동작을 선택할 수 있다.
일반적으로, 자율주행 애플리케이션에는 일련의 계획 문제가 있을 수 있고, 항법 시스템은 장기적 목적을 최적화하기 위하여 즉각적인 동작을 결정할 수 있다. 예를 들어, 차량이 로터리에서 병합 상황과 마주칠 경우, 항법 시스템은 로터리로 진입하는 항법을 개시하기 위하여 즉각적인 가속 도는 제동 명령을 결정할 수 있다. 로터리에서의 검출된 항법 상태에 대한 즉각적인 동작은 검출된 상태에 대응한 가속 또는 제동 명령을 포함할 수 있지만, 장기적 목적은 성공적인 병합이고, 선택된 명령의 장기적인 결과는 병합의 성공/실패이다. 계획 문제는 문제를 두 단계로 나눔으로써 접근할 수 있다. 첫째, 지도형 학습을 적용하여 현재에 의거한 가까운 미래를 예측할 수 있다(현재의 표현에 대해 예측자가 구별 가능하다는 전제). 둘째, 순환 신경망을 활용하여 에이전트의 전체 궤적이 모델링 될 수 있고, 여기서, 설명되지 않은 요소들이 (애디티브) 입력 노드로 모델링 된다. 이로써, 장기적 계획 문제에 대한 솔루션이 지도형 학습 방식과 순환 신경망에 걸친 직접 최적화를 활용하여 결정될 수 있다. 이러한 접근은 또한 적대적 요소를 주변상황에 포함시킴으로써 탄탄한 방침(robust policies)의 학습을 가능하게 한다.
자율주행 시스템의 가장 기본적인 요소 두 가지는 감지와 계획이다. 감지는 주변상황의 현재 상태의 축소형 표현을 찾는 것에 해당하는 것이고, 계획은 미래의 목적이 최적화되도록 취할 동작을 결정하는 것에 해당하는 것이다. 지도형 머신 러닝 방식은 감지 문제의 해결에 유용하다. 머신 러닝 알고리즘 프레임워크, 특히 앞서 설명한 바와 같은 강화 학습(RL) 프레임워크는 또한, 계획 부분에 대해서도 유용할 수 있다.
RL은 연속 라운드의 시퀀스로 수행될 수 있다. 라운드 t에서, 계획자(즉, 에이전트 또는 주행 방침 모듈(803))은 에이전트와 주변상황을 나타내는 상태
Figure pat00128
를 관찰할 수 있다. 이후 동작
Figure pat00129
를 결정해야 한다. 동작을 수행한 후에, 에이전트는 즉각적인 보상
Figure pat00130
을 수신하고, 새로운 상태
Figure pat00131
로 이동된다. 일례로, 호스트 차량은 앞서 가는 차량과 적절한 거리를 유지하면서 부드러운 주행을 유지하도록 가속/제동을 자동으로 이행(implement)하는 적응형 순항장치(adaptive cruise control 또는 ACC) 시스템을 포함하고 있을 수 있다. 상태는
Figure pat00132
의 쌍으로 모델링 될 수 있고, 여기서, xt는 앞에 가는 차량과의 거리이고, vt는 앞에 가는 차량의 속도에 대한 호스트 차량의 상대적 속도이다. 동작
Figure pat00133
는 가속 명령(
Figure pat00134
인 경우, 호스트 차량은 감속)이 될 것이다. 보상은
Figure pat00135
(주행의 부드러움을 반영)와 s t (호스트 차량이 앞서 가는 차량과 안전 거리를 유지함을 반영)에 의존하는 함수일 수 있다. 계획자는 누적 보상을 최대화(미래 보상의 시간 지평 또는 할인 합계까지)하는 것을 목표로 한다. 이를 위해, 계획자는 상태를 동작으로 매핑하는
Figure pat00136
방침에 의존할 수 있다.
지도형 학습(Supervised Learning 또는 SL)은 RL의 특별한 경우로 볼 수 있다. 여기서, s t 는 S에서의 일부 배포로부터 샘플링된 것이고, 보상 함수는
Figure pat00137
의 형태일 수 있다. 여기서,
Figure pat00138
은 손실 함수이고, 학습자는 상태 st를 볼 경우에 취할 최적 동작의 (잡음) 값인 yt의 값을 관찰한다. 일반적인 RL 모델과 특정 경우의 SL 사이에 여러 차이가 있을 수 있고, 이러한 차이는 일반적인 RL 문제를 더욱 어렵게 만들 수 있다.
일부 SL 상황에서, 학습자가 취한 동작(또는 예측)은 주변상황에 아무 효과가 없을 수 있다. 즉,
Figure pat00139
과
Figure pat00140
는 별개이다. 이는 두가지 중요한 점을 시사한다. 첫째, SL에서, 샘플
Figure pat00141
는 사전에 수집될 수 있고, 그래야만 샘플에 대해 상대적으로 정확할 수 있는 방침(또는 예측)에 대한 검색을 시작할 수 있다. 이에 반해, RL에서는, 상태
Figure pat00142
는 일반적으로 취해진 동작(또한 이전 상태)에 달려있는데, 결구, 동작을 생성하도록 활용된 방침에 달려있다. 이는 데이터 생성 프로세스를 방침 학습 프로세스와 연결한다. 둘째, 동작은 SL에서 주변상황에 영향이 없기 때문에, π의 성능에 대한
Figure pat00143
의 선택의 기여는 로컬이다. 특히,
Figure pat00144
는 즉각적인 보상의 값에만 영향이 있다. 이에 반해, RL에서는, 라운드 t에서 취한 동작은 미래 라운드의 보상 값에 장기적 영향이 있다.
SL에서, '정확한' 답 yt와 함께 보상
Figure pat00145
의 형상을 알면
Figure pat00146
의 모든 가능한 선택을 알 수 있고,
Figure pat00147
에 대하여 보상의 미분계수를 계산할 수 있다. 이에 반해, RL에서는, 보상의 '1회 한'의 값이 선택된 특정 동작에 대해 관찰될 수 있는 전부일 수 있다. 이를 '밴딧' 피드백("bandit" feedback)으로 칭할 수 있다. 이는, RL 기반의 시스템에서 '밴딧' 피드백만이 사용 가능하면 시스템은 취한 동작이 가장 좋은 동작인지를 항상 알 수 없기 때문에, 장기적 항법 계획의 일부로서 '탐사'가 필요한 가장 중요한 이유 중의 하나이다.
많은 RL 알고리즘은 수학적으로 세련된 마르코프 결정 프로세스(Markov Decision Process 또는 MDP) 모델에 적어도 부분적으로 의존한다. 마코비안 가정에서, st와
Figure pat00148
를 고려할 때
Figure pat00149
의 분포가 완전히 판단된다. 이는 MDP의 상태에 걸친 고정 분포의 차원에서 기정 방침의 누적 보상에 대해 폐쇄 형태 표현을 출력한다. 방침의 고정 분포는 선형 프로그래밍 문제에 대한 솔루션으로 표현될 수 있다. 이는 두 부류의 알고리즘을 출력한다. 즉, 1) 방침 검색으로 불릴 수 있는 원시적 문제에 대한 최적화 및 2) 변수가 가치 함수
Figure pat00150
로 불리는 이중 문제에 대한 최적화이다. MDP가 초기 상태 s로부터 시작하고 여기서부터 π에 따라 동작이 선택되는 경우, 가치 함수는 예상된 누적 보상을 결정한다. 관련된 양은 상태 s로부터 시작하고, 동작 가 즉각적으로 선택되고, 여기서부터 π에 따라 동작이 선택된다는 전제하에 누적 보상을 결정하는 상태-동작 가치 함수
Figure pat00151
이다.
Figure pat00152
함수는 최적 방침(벨만 방정식(Bellman's equation) 활용)의 정의를 유도할 수 있다. 특히,
Figure pat00153
함수는 최적 방침이 S에서 A까지의 결정적 함수임을 보여줄 수 있다(실제로, 최적의
Figure pat00154
함수에 대해 '과욕'의 방침으로 정의될 수 있다).
MDP 모델의 한 가지 잠재적 장점은
Figure pat00155
함수를 활용하여 미래가 현재와 결합되게 할 수 있다는 것이다. 예컨대, 호스트 차량이 현재 상태 s에 있다고 할 때,
Figure pat00156
의 값은 동작 α수행의 미래에 대한 효과를 나타낼 수 있다. 따라서,
Figure pat00157
함수는 동작 α의 품질의 로컬 척도를 제공하여 RL 문제를 SL 상황과 더욱 유사하게 만들 수 있다.
많은 RL 알고리즘은 여러 방법으로 V 함수 또는
Figure pat00158
함수에 근접한다. 가치 반복 알고리즘, 예를 들면,
Figure pat00159
러닝 알고리즘은 최적 방침의 V 함수 및
Figure pat00160
함수가 벨만 방정식으로부터 도출된 일부 작동자(operator)의 고정 지점일 수 있다는 사실에 의존할 수 있다. 배우-비평가(actor-critic) 방침 반복 알고리즘은 반복적인 방법으로 방침을 학습하는 것을 목표로 하고, 여기서, 반복 t에서 '비평가'는
Figure pat00161
를 추정하고, 이 추정에 의거하여 '배우'는 방침을 개선한다.
MDP의 수학적 세련도와
Figure pat00162
함수 표현으로 전환의 편리성에도 불구하고, 이러한 접근 방식에는 여러 한계가 있을 수 있다. 예를 들어, 일부 경우에서는 마코비안 방식으로 행동하는 상태의 대략적인 개념이 검색될 수 있는 모두일 수 있다. 또한, 상태의 전환은 에이전트의 행동 외에도 주변상황의 다른 참가자의 행동에 달려있을 수 있다. 예를 들면, 앞서 언급한 ACC의 예에서, 자율주행차의 역학이 마코비안일 수 있는 반면, 다음 상태는 다른 차량의 운전자의 행동에 달려있을 수 있고, 이는 반드시 마코비안은 아니다. 이 문제에 대한 한 가지 가능한 솔루션은 부분적으로 관찰된 MDP를 활용하는 것이다. 부분적으로 관찰된 MDP에서는, 마코비안 상태가 있지만, 감춰진 상태에 따라 분포된 관찰이 보여질 수 있는 것이라고 추정된다.
더욱 직접적인 접근 방식은 MDP의 게임 이론 일반화(game theoretical generalizations)를 고려하는 것이다(예, 확률 게임(Stochastic Games) 프레임워크). 실제로, MDP에 대한 알고리즘은 멀티-에이전트 게임(예, 미니맥스-Q 러닝(minimax-Q learning) 또는 내쉬-Q 러닝(Nash-Q learning)) 으로 일반화될 수 있다. 다른 접근 방식에는 다른 참가자의 명시적 모델링과 배니싱 리그렛 러닝(vanishing regret learning) 알고리즘이 포함될 수 있다. 멀티-에이전트 설정에서의 학습은 단일 에이전트 설정에서보다 복잡할 수 있다.
Figure pat00163
함수 표현의 두번째 한계는 표 설정을 벗어남으로써 일어날 수 있다. 표 설정은 상태와 동작의 수가 적은 경우이며, 따라서
Figure pat00164
는
Figure pat00165
행과
Figure pat00166
열을 가진 표로 표현될 수 있다. 그러나, S와 A의 자연적 표현이 유클리드 공간(Euclidean space)을 포함하고 상태 및 동작 공간이 불연속되는(discretized) 경우, 상태/동작의 수는 차원적으로 기하급수적일 수 있다. 이러한 경우, 표 설정을 활용하는 것은 현실적으로 적합하지 않을 수 있다. 대신에,
Figure pat00167
함수는 모수적가설(parametric hypothesis) 부류(예, 특정 아키텍처의 신경망)로부터의 일부 함수에 의해 근접될 수 있다. 예를 들어, DQN (deep-Q-network) 러닝 알고리즘이 활용될 수 있다. DQN에서, 상태 공간은 연속적일 수 있지만, 동작 공간은 작은 이산 집합으로 남아있을 수 있다. 연속적인 동작 공간에 관한 접근 방식이 있을 수 있으나,
Figure pat00168
함수의 근사치에 의존할 수 있다. 어쨌든,
Figure pat00169
함수는 복잡하고 잡음에 민감하므로 학습하기에 어려울 수 있다.
다른 접근 방식은 순환 신경망(RNN)을 활용하여 RL 문제에 접근하는 것이다. 일부의 경우, RNN은 멀티-에이전트 게임과 게임 이론의 적대적 환경에 대한 강건성(robustness)의 개념과 병합될 수 있다. 또한, 이 접근 방식은 마코비안 가정에 명시적으로 의존하지 않는 방식일 수 있다.
이하, 예측에 의거한 계획에 의한 항법 방식에 대해 상세히 설명한다. 이 방식에서, 상태 공간 S는
Figure pat00170
의 부분 집합이고, 동작 공간 A는
Figure pat00171
의 부분 집합인 것으로 가정할 수 있다. 이는 많은 애플리케이션에서 자연적 표현일 수 있다. 앞서 설명한 바와 같이, RL과 SL 사이에는 두 가지 중요한 차이가 있다. (1) 과거의 동작이 미래의 보상에 영향을 미치므로, 미래로부터의 정보가 과거로 전파될 필요가 있다. (2) 보상의 '밴딧(bandit)' 성질이 (상태, 동작)과 보상 사이의 의존관계를 모호하게 할 수 있어서 러닝 프로세스를 어렵게 할 수 있다.
접근 방식의 첫 단계로, 보상의 밴딧 성질이 문제가 되지 않는다는 흥미로운 문제가 있다는 점이 관찰될 수 있다. 예를 들어, ACC 애플리케이션에 대한 보상 가치(하기에 상세히 설명)는 현재의 상태 및 동작에 대하여 구별 가능할 수 있다. 실제로, 보상이 '밴딧' 방식으로 주어져도,
Figure pat00172
가 되도록 하는 미분 가능한 함수
Figure pat00173
를 학습하는 문제는 상대적으로 간단한 SL 문제(예, 1차원 회귀 문제)일 수 있다. 따라서, 접근 방식의 첫 단계는 s 및 α에 대하여 미분 가능한 함수
Figure pat00174
를 보상으로 정의하는 것이거나 인스턴스 벡터가
Figure pat00175
이고 타깃 스칼라가
Figure pat00176
인 샘플에서 적어도 일부 회귀 손실을 최소화하는 미분 가능한 함수
Figure pat00177
를 학습하기 위해 회귀 학습 알고리즘을 사용하는 것일 수 있다. 일부 상황에서, 학습 세트를 생성하기 위하여, 탐사의 요소가 활용될 수 있다.
과거와 미래 사이의 연결 문제에 대처하기 위하여, 유사한 아이디어가 활용될 수 있다. 예를 들어,
Figure pat00178
이 되도록 미분 가능 함수
Figure pat00179
가 학습될 수 있다고 가정하면, 이러한 함수를 학습하는 것은 SL 문제로 정의될 수 있을 것이다.
Figure pat00180
은 가까운 미래에 대한 예측변수(predictor)로 볼 수 있다. 다음으로, S에서 A로 매핑하는 방침은 파라미터 함수
Figure pat00181
를 통해 묘사될 수 있다.
Figure pat00182
를 신경망으로 표현하면 수환 신경망(RNN)을 활용하여 T 라운드에 대해 에이전트를 실행하는 에피소드를 표현할 수 있고, 다음 상태는
Figure pat00183
로 정의된다. 여기서,
Figure pat00184
는 주변상황에 의해 정의될 수 있고 가까운 미래의 예측할 수 없는 양상을 표현할 수 있다.
Figure pat00185
가 구별 가능한 방식으로
Figure pat00186
와
Figure pat00187
에 달려있다는 사실로 인해, 미래 보상 가치와 과거 동작 사이의 연결이 가능할 수 있다.
Figure pat00188
로 표현되는 방침 함수의 파라미터 벡터는 결과 RNN에 역전파(back-propagation)함으로써 학습될 수 있다. 여기서, 명시적인 확률론적 추정이
Figure pat00189
에 부과될 필요는 없다. 특히, 마코비안 관계에 대한 요건이 있을 필요가 없다. 대신에, 과거와 미래 사이에 '충분한' 정보를 전파하기 위하여 순환망에 의존될 수 있다. 직감적으로,
Figure pat00190
가 가까운 미래의 예측 가능한 부분을 묘사할 수 있는 반면에,
Figure pat00191
는 주변상황의 다른 참가자의 행동으로 기인하여 발생할 수 있는 예측 불가능한 양상을 표현할 수 있다. 러닝 시스템은 다른 참가자의 행동에 강건할 방침을 학습해야 한다.
Figure pat00192
가 큰 경우, 과거 동작과 미래 보상 가치 사이의 연결은 의미 있는 방침을 학습하기에 너무 잡음이 많을 수 있다. 시스템의 역학을 투명하게 명시적으로 표현하면 과거의 지식을 더욱 손쉽게 활용할 수 있다. 예를 들면, 과거의 지식은
Figure pat00193
을 정의하는 문제를 단순화할 수 있다.
앞서 설명한 바와 같이, 러닝 시스템은 예상 못한 방식으로 행동할 수 있는 여러 명의 다른 운전자를 포함할 수 있는 호스트 차량의 주변상황과 같은 적대적 환경에 대한 강건성으로부터 혜택을 받을 수 있다. 확률론적 추정을
Figure pat00194
에 부과하지 않는 모델에서,
Figure pat00195
가 적대적 방식으로 선택되는 주변상황이 고려될 수 있다. 일부의 경우,
Figure pat00196
에 제한이 부과될 수 있고, 그렇지 않은 경우, 상대방은 계획 문제를 어렵게 하거나 아예 불가능하게 만들 수 있다. 자연적인 제한의 한 가지는
Figure pat00197
가 상수에 의해 얽메이게 하는 것이다.
적대적 환경에 대한 강건성은 자율 주행 애플리케이션에 유용할 수 있다. 적대적인 방법으로
Figure pat00198
를 선택하면 러닝 시스템을 강건한 최적의 방침으로 집중할 수 있기 때문에 러닝 프로세스를 더 빠르게 할 수 있다. 단순한 게임을 사용하여 이 개념을 설명할 수 있다. 상태는
Figure pat00199
이고, 동작은
Figure pat00200
이며, 즉각적인 손실 함수는
Figure pat00201
이며, 여기서,
Figure pat00202
은 ReLU(rectified linear unit) 함수이다. 다음 상태는
Figure pat00203
이고, 여기서,
Figure pat00204
는 적대적인 방식으로 주변상황에 대하여 선택된다. 여기서, 최적의 방침은 ReLU:
Figure pat00205
Figure pat00206
로 두 계층의 네트워크로서 기록될 수 있다.
Figure pat00207
인 경우에, 최적의 동작은 α= 0인 동작보다 즉각적인 손실이 클 수 있다. 따라서, 시스템은 미래에 대해 계획할 수 있고 즉각적인 손실에 전적으로 의존하지 않을 수 있다.
Figure pat00208
에 관한 손실의 미분계수는
Figure pat00209
이고,
Figure pat00210
에 관한 미분계수는
Figure pat00211
이다.
Figure pat00212
인 상황에서,
Figure pat00213
의 적대적 선택은
Figure pat00214
로 설정될 것이므로
Figure pat00215
인 경우마다
Figure pat00216
라운드 상에 비제로(non-zero) 손실이 있을 수 있다. 이러한 경우, 손실의 미분계수는
Figure pat00217
로 바로 역전파할 수 있다. 따라서,
Figure pat00218
의 적대적 선택은
Figure pat00219
의 선택이 최적 이하인 경우에서 항법 시스템이 비제로 역전파 메시지를 획득하게 할 수 있다. 이러한 관계는 항법 시스템이 현재의 동작(최적 이하의 보상 또는 손실마저 가져올 수 있는 동작일지라도) 이 더 높은 보상을 가져오는 더욱 최적의 동작에 대한 기회를 미래에 제공할 것이라는 기대에 의거한 현재의 동작을 선택하는데 도움이 될 수 있다.
이러한 접근은 사실상 일어날 수 있는 모든 항법 상황에 적용될 수 있다. 이하, 일례로 적응형 순항장치(ACC)에 적용되는 접근 방식을 설명한다. ACC 문제에서, 호스트 차량은 앞에 있는 타깃 차량까지 충분한 거리(예, 타깃 차량까지 1.5초)를 유지하려고 시도할 수 있다. 또 한 가지 목표는 원하는 간격을 유지하면서 최대한 부드럽게 주행하는 것일 수 있다. 이 상황을 나타내는 모델은 다음과 같이 정의될 수 있다. 상태 공간은
Figure pat00220
이고, 동작 공간은
Figure pat00221
이다. 상태의 첫번째 좌표는 타깃 차량의 속도이고, 두번째 좌표는 호스트 차량의 속도이고, 마지막 좌표는 호스트 차량과 타깃 차량 사이의 거리(예, 도로 커브를 따라 호스트 차량의 위치에서 타깃 차량의 위치를 뺀 좌표)이다. 호스트 차량이 취할 동작은 가속이고 a t 로 나타낼 수 있다.
Figure pat00222
로 표시되는 양은 연속 라운드 사이의 시간 차를 나타내는 것일 수 있다.
Figure pat00223
는 모든 적합한 양으로 설정될 수 있지만, 일례에서,
Figure pat00224
는 0.1초일 수 있다. 위치인
Figure pat00225
는
Figure pat00226
로 나타낼 수 있고, 타깃 차량의 가속도(알 수 없음)는
Figure pat00227
로 나타낼 수 있다.
시스템의 전체 역학은 다음과 같이 기술될 수 있다.
Figure pat00228
이는 두 벡터의 합으로 기술될 수 있다.
Figure pat00229
첫번째 벡터는 예측 가능한 부분이고, 두번째 벡터는 예측 불가능한 부분이다. t 라운드에 대한 보상은 다음과 같이 정의될 수 있다.
Figure pat00230
첫번째 항의 결과는 비제로 가속에 대한 벌칙이고, 따라서 부드러운 주행을 유도한다. 두번째 항은 타깃 차량까지의 거리 xt와, 1미터의 거리와 1.5초의 제동 거리 사이의 최대로 정의된, 원하는 거리
Figure pat00231
사이의 비율에 의존한다. 일부의 경우, 이 비율은 정확히 1일 수 있지만, 이 비율이 [0.7, 1.3] 이내이면, 방침은 벌칙을 무시하고 어느 정도 느슨한 항법을 호스트 차량에 허용할 수 있다. 이는 부드러운 주행을 달성하기 위해 중요한 특성일 수 있다.
상기에 설명한 접근 방식을 이행함에 있어서, 호스트 차량의 항법 시스템(예, 항법 시스템의 처리부(110) 내의 주행 방침 모듈(803))은 관찰된 상태에 대응하여 동작을 선택할 수 있다. 선택된 동작은 감지된 항법 상태와 관련되어 사용 가능한 대응 동작과 연관된 보상의 분석뿐만 아니라 미래의 상태, 미래의 생태에 대응한 잠재적 동작, 및 잠재적 동작과 연관된 보상의 고려 및 분석에 의거할 수 있다.
도 16은 검출과 장기 계획에 의거한 항법에 대한 알고리즘 접근 방식을 도시한 것이다. 예컨대, 단계 1601에서, 호스트 차량에 대한 항법 시스템의 적어도 하나의 처리 장치(110)는 복수의 이미지를 수신할 수 있다. 이 이미지들은 호스트 차량의 주변상황을 나타내는 장면을 캡처할 수 있고 앞서 설명한 이미지캡처장치(예, 카메라, 센서 등) 중의 하나 이상에 의해 공급될 수 있다. 단계 1603에서, 하나 이상의 이미지의 분석을 통해 적어도 하나의 처리 장치(110)가 앞서 설명한 바와 같이 호스트 차량과 연관된 현재의 항법 상태를 식별할 수 있다.
단계 1605, 1607, 1609에서, 감지된 항법 상태에 대응하는 다양한 잠재적 항법 동작이 결정될 수 있다. 이러한 잠재적 항법 동작(예, 제N 사용 가능한 항법 동작을 통한 제1 항법 동작)은 감지된 상태와 항법 시스템의 장기 목표(예, 병합 완료하기, 앞에 가는 차량을 부드럽게 따라가기, 타깃 차량을 추월하기, 도로상의 물체를 피하기, 일시정지표지판에 대해 감속하기, 끼어드는 타깃 차량을 피하기, 또는 항법 시스템의 항법 목적을 진행시킬 수 있는 기타 모든 항법 동작)에 의거하여 결정될 수 있다.
결정된 각 잠재적 항법 동작에 대해, 시스템은 기대 보상을 판단할 수 있다. 기대 보상은 앞서 설명한 모든 방법에 따라 판단될 수 있고 하나 이상의 보상 함수에 대한 특정 잠재적 동작의 분석을 포함할 수 있다. 기대 보상(1606, 1608, 1610)은 단계 1605, 1607, 1609에서 각각 결정된 잠재적 항법 동작(예, 제1, 제2, 제N)에 대해 판단될 수 있다.
일부 경우에서, 호스트 차량의 항법 시스템은 기대 보상(1606, 1608, 1610)과 연관된 값(또는 기대 보상의 기타 유형의 지시자)에 의거하여 사용 가능한 잠재적 동작 중에서 선택할 수 있다. 예를 들어, 일부의 경우, 가장 높은 기대 보상을 제공하는 동작이 선택될 수 있다.
일부의 경우, 특히 항법 시스템이 장기 계획을 활용하여 호스트 차량에 대한 항법 동작을 결정하는 경우에, 시스템은 가장 높은 기대 보상을 제공하는 잠재적 동작을 선택하지 않을 수도 있다. 오히려, 시스템은 미래를 바라보고 현재의 항법 상태에 대응하여 낮은 보상 동작을 선택할 경우에 나중에 더 높은 보상을 실현할 기회가 있을 수 있는지 여부를 분석할 수 있다. 예를 들면, 단계 1605, 1607, 1609에서 결정된 잠재적 항법 동작의 어느 하나 또는 모두에 대해, 미래의 상태가 판단될 수 있다. 단계 1613, 1615, 1617에서 판단된 각 미래 상태는 각 잠재적 동작(예, 단계 1605, 1607, 1609에서 결정된 잠재적 동작)에 의해 수정된 바와 같은 현재의 항법 상태에 의거한 결과일 것으로 기대되는 미래의 항법 상태를 나타내는 것일 수 있다.
단계 1613, 1615, 1617에서 예측된 미래의 상태 각각에 대하여, 하나 이상의 미래의 동작(판단된 미래의 상태에 대응하여 사용 가능한 항법 옵션으로서)이 결정되고 평가될 수 있다. 예를 들어, 단계 1619, 1621, 1623에서, 하나 이상의 미래의 동작과 연관된 기대 보상의 가치 또는 기타 유형의 지시자가 발생(예, 하나 이상의 보상 함수에 의거하여)될 수 있다. 하나 이상의 미래의 동작과 연관된 기대 보상은 각 미래 동작과 연관된 보상 함수의 가치를 비교하거나 기대 보상과 연관된 기타 지시자를 비교하여 평가될 수 있다.
단계 1625에서, 호스트 차량에 대한 항법 시스템은, 현재의 항법 상태에 대해 식별된(예, 단계 1605, 1607, 1609) 잠재적 동작에만 의거하지 않고 예측된 미래의 상태(예, 단계 1613, 1615, 1617에서 판단)에 대응하여 사용 가능한 잠재적 미래 동작의 결과로서 판단된 기대 보상에도 의거하여, 기대 보상의 비교에 의거하여 호스트 차량에 대한 항법 동작을 선택할 수 있다. 단계 1625에서의 선택은 단계 1619, 1621, 1623에서 수행된 옵션 및 보상 분석에 의거할 수 있다.
단계 1625에서의 항법 동작의 선택은 미래의 동작 옵션과 연관된 기대 보상의 비교에만 의거할 수 있다. 이 경우, 항법 시스템은 동작에서 기인하는 기대 보상과 잠재적 미래 항법 상태의 비교에만 오로지 의거하여 현재 상태에 대한 동작을 선택할 수 있다. 예컨대, 시스템은 단계 1619, 1621, 1623의 분석을 통하여 판단된 가장 높은 미래 보상 가치와 연관된 단계 1605, 1607, 또는 1609에서 식별된 잠재적 동작을 선택할 수 있다.
단계 1625에서의 항법 동작의 선택은 또한 현재 동작 옵션의 비교에만(앞서 설명한 바와 같이) 의거할 수 있다. 이 경우, 항법 시스템은 단계 가장 높은 기대 보상(1606, 1608, 또는 1610)과 연관된 단계 1605, 1607, 또는1609에서 식별된 잠재적 동작을 선택할 수 있다. 이러한 선택은 미래의 항법 상태에 대한 고려가 거의 또는 전혀 없이, 또는 기대 미래 항법 상태에 대응하여 사용가능한 항법 동작에 대한 미래 기대 보상에 대한 고려가 거의 또는 전혀 없이 수행될 수 있다.
반면, 일부 경우에서, 단계 1625에서의 항법 동작의 선택은 미래 동작 옵션과 현재 동작 옵션 모두와 연관된 기대 보상의 비교에 의거할 수 있다. 사실, 이는 장기 계획에 의거한 항법의 원리 중의 하나일 수 있다. 예를 들어, 미래 동작에 대한 기대 보상을 분석하여, 미래 항법 상태에 대응하여 사용 가능할 것으로 기대되는 추후의 항법 동작에 대응한 잠재적으로 더 큰 보상을 달성하기 위하여 현재 항법 상태에 대응하여 작은 보상 동작을 선택할지 여부를 결정할 수 있다. 일례로, 기대 보상(1606)의 가치 또는 기타 지시자는 보상(1606, 1608, 1610) 중에서 가장 높은 기대 보상을 나타낼 수 있다. 반면에, 기대 보상(1608)은 보상(1606, 1608, 1610) 중에서 가장 낮은 기대 보상을 나타낼 수 있다. 단계1605에서 결정된 잠재적 동작(즉, 가장 높은 기대 보상(1606)을 제공하는 동작)을 단순히 선택하기보다, 미래 상태, 잠재적 미래 동작, 및 미래 보상의 분석을 활용하여 단계 1625에서 항법 동작을 선택할 수 있다. 일례로, 단계 1621에서 식별된 보상(단계 1607에서 결정된 제2 잠재적 동작에 의거하여 단계 1615에서 판단된 미래 상태에 대한 적어도 하나의 미래 동작에 대응한 보상)이 기대 보상(1606)보다 높을 수 있다고 판단될 수 있다. 이러한 비교에 의거하여, 기대 보상(1606)이 기대 보상(1608)보다 큼에도 불구하고, 단계 1605에서 결정된 제1 잠재적 동작보다 단계 1607에서 결정된 제2 잠재적 동작이 선택될 수 있다. 일례로, 단계 1605에서 결정된 잠재적 항법 동작은 검출된 타깃 차량 앞으로의 병합을 포함할 수 있는 반면, 단계 1607에서 결정된 잠재적 항법 동작은 검출된 타깃 차량 뒤로의 병합을 포함할 수 있다. 타깃 차량 앞으로의 병합의 기대 보상(1606)이 타깃 차량 뒤로의 병합과 연관된 기대 보상(1608)보다 클 수 있지만, 타깃 차량 뒤로의 병합의 결과로 기대 보상(1606, 1608)보다 큰, 또는 현재의 감지된 항법 상태에 대응하여 사용 가능한 동작에 의거한 다른 보상보다 큰 잠재적 보상을 제공하는 동작 옵션이 있을 수 있는 미래 상태가 될 것이라고 판단할 수 있다.
단계 1625에서의 잠재적 동작 중에서의 선택은 기대 보상의 모든 적절한 비교(또는 한 잠재적 동작이 다른 잠재적 동작보다 나은 장점의 기타 모든 메트릭 또는 지시자)에 의거할 수 있다. 일부의 경우, 앞서 설명한 바와 같이, 제2 잠재적 동작이 제1 잠재적 동작과 연관된 보상보다 큰 기대 보상과 연관된 적어도 하나의 미래 동작을 제공할 것으로 예상되는 경우, 제1 잠재적 동작보다 제2 잠재적 동작이 선택될 수 있다. 즉, 더욱 복잡한 비교가 활용될 수 있다. 예를 들면, 예상되는 미래 상태에 대응한 동작 옵션과 연관된 보상이 결정된 잠재 동작과 연관된 하나 이상의 기대 보상에 비교될 수 있다.
일부 상황에서, 예상되는 미래 상태에 의거한 동작과 기대 보상은, 미래 동작의 적어도 하나가 현재 상태에 대한 잠재적 동작의 결과로 기대되는 어떤 보상(예, 1606, 1608, 1610 등)보다 큰 보상을 제공할 것으로 기대되는 경우, 현재 상태에 대한 잠재적 동작의 선택에 영향이 있을 수 있다. 일부의 경우, 가장 큰 기대 보상(감지된 현재 상태에 대한 잠재적 동작과 연관된 기대 보상 또는 잠재적 미래 항법 상태에 관한 잠재적 미래 동작 옵션과 연관된 기대 보상 중의 하나)을 제공하는 미래 동작 옵션이 현재 항법 상태에 대한 잠재적 동작의 선택을 위한 가이드로 활용될 수 있다. 즉, 가장 큰 기대 보상(또는 미리 정해진 임계값 이상의 보상)을 제공하는 미래 동작 옵션을 식별한 후에, 단계 1625에서, 가장 큰 기대 보상을 제공하는 식별된 미래 동작과 연관된 미래 상태로 이어질 잠재적 행동이 선택될 수 있다.
다른 경우에, 기대 보상 사이에 판단된 차이에 의거하여 사용 가능한 동작이 선택될 수 있다. 예컨대, 단계 1607에서 결정된 제2 잠재적 동작은 단계 1621에서 판단된 미래 동작과 연관된 기대 보상과 기대 보상(1606) 사이의 차이가 기대 보상(1608)과 기대 보상(1606) 사이의 차이(플러스(+) 부호 차이라는 가정)보다 큰 경우에 선택될 수 있다. 다른 예에서, 단계 1607에서 결정된 제2 잠재적 동작은 단계 1621에서 판단된 미래 동작과 연관된 기대 보상과 단계 1619에서 판단된 미래 동작과 연관된 기대 보상 사이의 차이가 기대 보상(1608)과 기대 보상(1606) 사이의 차이보다 큰 경우에 선택될 수 있다.
현재 항법 상태에 대한 잠재적 동작 중에서의 선택을 위한 몇 가지 예시를 설명하였다. 그러나, 예상되는 미래 상태로 이어지는 동작 및 보상 분석에 의거한 장기 계획을 통한 사용 가능한 동작의 선택을 위해 기타 모든 적합한 비교 방법 또는 기준이 활용될 수 있다. 또한, 도 16에서는 두 계층의 장기 계획 분석(예, 현재 상태에 대한 잠재적 동작에서 기인하는 보상을 고려하는 제1 계층, 및 예상 미래 상태에 대응한 미래 동작 옵션에서 기인하는 보상을 고려하는 제2 계층)을 도시하였지만, 더 많은 계층에 기반한 분석도 가능할 수 있다. 예를 들어, 장기 계획 분석을 하나 또는 두 계층에 의거하기보다, 3, 4, 또는 그 이상의 계층의 분석을 활용하여 현재 항법 상태에 대응한 사용 가능한 잠재적 동작 중에서 선택할 수 있다.
단계 1627에서, 감지된 항법 상태에 대응하여 잠재적 동작 중에서 선택을 한 다음에, 적어도 하나의 프로세서는 선택된 잠재적 항법 동작에 대응하여 호스트 차량의 항법 액추에이터의 적어도 하나의 조정을 유발할 수 있다. 항법 액추에이터에는 호스트 차량의 적어도 한 양상을 제어하기 적합한 장치가 포함될 수 있다. 예를 들면, 항법 액추에이터에는 조향 메커니즘, 브레이크, 및 가속장치 중의 적어도 하나가 포함될 수 있다.
타인의 추론된 공격성에 의거한 항법
획득된 이미지 스트림의 분석을 통하여 타깃 차량을 모니터링 함으로써 난폭 운전의 지시자를 판단할 수 있다. 본 기재에서 난폭이란 정성적 또는 정량적 파라미터이지만, 인지된 집중도(예, 운전자의 잠재적 장애, 산만―휴대폰, 졸음 등)와 같은 다른 특성도 활용될 수 있다. 일부의 경우에서, 타깃 차량이 방어적인 자세인 것으로 여겨질 수 있고, 일부의 경우에서, 타깃 차량이 공격적인 자세인 것으로 판단될 수 있다. 항법 동작은 공격성의 지시자에 의거하여 선택되거나 생성될 수 있다. 예를 들어, 일부 경우에서, 호스트 차량에 대한 상대적 속도, 상대적 가속도, 상대적 가속도의 증가, 추종 거리 등을 추적하여 타깃 차량이 공격적인지 또는 방어적인지 판단할 수 있다. 타깃 차량이 예를 들어 임계값을 초월하는 공격성 수준인 것으로 판단되는 경우, 호스트 차량은 타깃 차량에 양보하는 쪽으로 기울 수 있다. 타깃 차량의 공격성 수준은 또한 타깃 차량의 경로 또는 주변의 하나 이상의 장애물(예, 선두 차량, 도로의 장애물, 신호등 등)에 대해 판단된 타깃 차량의 행동에 의거하여 파악될 수 있다.
본 개념에 대한 입문으로서, 항법 목표가 통과하여 진출하는 것인 로터리로 호스트 차량이 병합하는 것에 대한 예시적인 실험을 설명하기로 한다. 이 상황은 호스트 차량이 로터리의 진입로에 접근하면서 시작하여 호스트 차량이 로터리의 진출로(예, 두번째 진출로)에 도달하면서 종료될 수 있다. 성공은 호스트 차량이 항상 다른 모든 차량으로부터 안전 거리를 유지하는지 여부, 호스트 차량이 최대한 신속히 경로를 완료하는지 여부, 및 호스트 차량이 부드러운 가속 방침을 준수하는지 여부에 의거하여 판단될 수 있다. 본 예시에서, NT타깃 차량이 로터리에 임의로 배치될 수 있다. p의 확률로 적대적 행동과 전형적 행동이 섞인 모델을 형성하기 위하여, 호스트 차량이 타깃 차량 앞으로 병합을 시도하는 경우에 타깃 차량이 가속하도록 타깃 차량이 '공격적' 주행 방침에 의해 모델링 될 수 있다. 1-p의 확률로, 타깃 차량이 감속을 하고 호스트 차량을 병합해 들어오게 하도록 타깃 차량이 '방어적' 주행 방침에 의해 모델링 될 수 있다. 이 실험에서, p = 0.5이고, 호스트 차량의 항법 시스템은 다른 운전자의 유형에 대한 정보를 전혀 제공받지 못할 수도 있다. 다른 운전자의 유형은 에피소드가 시작될 때 임의로 선택될 수 있다.
항법 상태는 호스트 차량(에이전트)의 속도와 위치, 및 타깃 차량의 위치, 속도, 및 가속도로 나타낼 수 있다. 타깃 가속도 관찰을 유지하는 것은 현재 상태에 의거하여 공격적 운전자와 방어적 운전자 사이를 구별하기 위해 중요할 수 있다. 모든 타깃 차량은 로터리 경로를 보여주는 1차원 커브 상에서 이동할 수 있다. 호스트 차량은 병합 지점에서 타깃 차량의 커브와 교차하는 자체적인 1차원 커브 상에서 이동할 수 있고, 이 병합 지점은 두 커브의 원점이다. 합리적인 주행을 모델링하려면, 모든 차량의 가속도의 절대값의 상한은 상수일 수 있다. 후진 주행은 허용되지 않기 때문에, 속도도 ReLU를 거칠 수 있다. 후진 주행을 허용하지 않음으로써, 에이전트는 과거의 동작을 되돌릴 수 없기 때문에, 장기 계획이 필수가 될 수 있다.
앞서 설명한 바와 같이, 다음 상태
Figure pat00232
는 예측 가능한 부분
Figure pat00233
와 예측 불가능한 부분
Figure pat00234
로 분해될 수 있다.
Figure pat00235
라는 표현은 차량 위치와 속도의 역학을 나타내는 것일 수 있고(명확히 구별 가능한 방식),
Figure pat00236
는 타깃 차량의 가속도를 나타내는 것일 수 있다.
Figure pat00237
가 아핀변환(affine transformation) 상의 ReLU 함수의 조합으로 표현될 수 있으므로, s t 와
Figure pat00238
에 대하여 미분 가능하다. 벡터
Figure pat00239
는 미분 불가능한 방식으로 시뮬레이터에 의해 정의될 수 있고, 일부 타깃에 대해서는 공격적 행동, 다른 타깃에 대해서는 방어적 행동을 이행(implement)할 수 있다. 이러한 시뮬레이터로부터의 두 프레임이 도 17a와 도 17b에 도시되어 있다. 본 예시적인 실험에서, 호스트 차량(1701)은 로터리의 입구에 접근하며 속도를 줄이도록 학습했다. 또한, 공격적 차량(예, 1703, 1705)에게 양보하고 방어적 차량(예, 1706, 1708, 1710) 앞으로 병합할 경우에 안전하게 진행하도록 학습했다. 도 17a와 도 17b에 도시된 예시에서, 호스트 차량(1701)의 항법 시스템은 타깃 차량의 유형이 제공되지 않는다. 대신에, 특정 차량이 공격적인지 또는 방어적인지에 대한 판단은 예를 들어 관찰된 타깃 차량의 위치와 가속도에 의거하여 이루어진다. 도 17a에서, 위치, 속도, 및/또는 상대적 가속도에 의거하여, 호스트 차량(1701)은 차량(1703)이 공격적 성향이라고 판단할 수 있고, 따라서 호스트 차량(1701)은 타깃 차량(1703) 앞으로 병합해 들어가기보다는 타깃 차량(1703)이 지나가도록 정지하여 기다릴 수 있다. 그러나 도 17b에서, 호스트 차량(1701)은 차량(1703) 뒤에서 이동하는 타깃 차량(1710)이 방어적 성향임을 인지하고(차량(1710)의 위치, 속도, 및/또는 상대적 가속도의 관찰에 의거), 따라서 타깃 차량(1710) 앞과 타깃 차량(1703) 뒤로 성공적으로 병합을 완수했다.
도 18은 다른 차량의 예상 공격성에 의거한 호스트 차량의 항법을 위한 예시적인 알고리즘을 나타내는 순서도를 도시한 것이다. 도 18의 예에서, 적어도 한 대의 타깃 차량과 연관된 공격성의 수준은 타깃 차량의 주변상황 내의 물체에 대한 타깃 차량의 관찰된 행동에 의거하여 파악될 수 있다. 예를 들면, 단계 1801에서, 호스트 차량 항법 시스템의 적어도 하나의 처리 장치(예, 처리 장치(110))는 호스트 차량의 주변상황을 나타내는 복수의 이미지를 호스트 차량과 연관된 카메라로부터 수신할 수 있다. 단계 1803에서, 수신된 이미지의 하나 이상을 분석하여 적어도 하나의 프로세서는 호스트 차량(1701)의 주변상황 내에서 타깃 차량(예, 1703)을 식별할 수 있다. 단계 1805에서, 수신된 이미지의 하나 이상을 분석하여 적어도 하나의 처리 장치는 호스트 차량의 주변상황 내에서 타깃 차량에 대한 적어도 하나의 장애물을 식별할 수 있다. 장애물은 도로에 있는 잔해, 신호등, 보행자, 다른 차량(예, 타깃 차량 앞에서 이동하는 차량, 주차된 차량 등), 도로에 있는 상자, 도로 배리어, 도로 경계석, 또는 호스트 차량의 주변상황에서 마주칠 수 있는 다른 유형의 물체를 포함할 수 있다. 단계 1807에서, 수신된 이미지의 하나 이상을 분석하여 적어도 하나의 처리 장치는 타깃 차량에 대해 적어도 하나의 식별된 장애물에 대한 타깃 차량의 적어도 하나의 항법 특성을 판단할 수 있다.
타깃 차량에 대한 적절한 항법 대응을 마련하기 위하여, 다양한 항법 특성을 활용하여 검출된 타깃 차량의 공격성 수준을 파악할 수 있다. 예컨대, 이러한 항법 특성은 타깃 차량과 적어도 하나의 식별된 장애물 사이의 상대적 가속도, 장애물로부터 타깃 차량까지의 거리(예, 다른 차량 뒤의 타깃 차량의 추종 거리), 및/또는 타깃 차량과 장애물 사이의 상대적 속도 등이 포함될 수 있다.
일부 실시예에서, 타깃 차량의 항법 특성은 호스트 차량과 연관된 센서(예, 레이더, 속력 센서, GPS 등)로부터의 출력에 의거하여 판단될 수 있다. 그러나, 일부 경우에서, 타깃 차량의 항법 특성은 호스트 차량의 주변상황의 이미지의 분석에 부분적으로 또는 전적으로 의거하여 판단될 수 있다. 예를 들면, 앞서 설명하고 예를 들어 본 발명에 참조를 통해 포함된 미국 특허 번호 9,168,868에 기재된 이미지 분석 방법을 활용하여 호스트 차량의 주변상황 이내의 타깃 차량을 인지할 수 있다. 또한, 캡처된 이미지에서 타깃 차량의 위치를 시간에 걸쳐 모니터링 및/또는 캡처된 이미지에서 타깃 차량과 연관된 하나 이상의 특징(예, 후미등, 전조등, 범퍼, 바퀴 등)의 위치를 모니터링 하면 타깃 차량과 호스트 차량 간 또는 타깃 차량과 호스트 차량의 주변상황 내의 하나 이상의 기타 물체 간의 상대적 거리, 속도, 및/또는 가속도를 판단할 수 있다.
식별된 타깃 차량의 공격성 수준은 타깃 차량에서 관찰된 적절한 항법 특성 또는 관찰된 항법 특성의 조합으로부터 파악될 수 있다. 예를 들면, 공격성은 관찰된 특성과 하나 이상의 미리 정해진 임계값 또는 기타 적절한 정성적 또는 정량적 분석으로부터 판단될 수 있다. 일부 실시예에서, 타깃 차량이 호스트 차량이나 다른 차량을 미리 정해진 공격적 거리 임계값보다 작은 거리에서 쫓아가고 있는 것으로 관찰되는 경우, 타깃 차량은 공격적인 것으로 여겨질 수 있다. 반면에, 호스트 차량이나 다른 차량을 미리 정해진 방어적 거리 임계값보다 큰 거리에서 쫓아가고 있는 것으로 관찰된 타깃 차량은 방어적인 것으로 여겨질 수 있다. 미리 정해진 공격적 거리 임계값은 미리 정해진 방어적 거리 임계값과 같을 필요는 없다. 추가적으로, 미리 정해진 공격적 거리 임계값과 미리 정해진 방어적 거리 임계값 중의 하나 또는 모두는 휘선값(bright line value) 보다는 일정한 범위의 값을 포함할 수 있다. 나아가, 미리 정해진 공격적 거리 임계값과 미리 정해진 방어적 거리 임계값은 모두 고정값이 아니다. 오히려, 이 값들 또는 범위의 값들은 시간에 따라 달라지고, 타깃 차량의 관찰된 특성에 따라 다른 임계값/임계값 범위가 적용될 수 있다. 예를 들어, 적용된 임계값은 타깃 차량의 하나 이상의 다른 특성에 따라 다를 수 있다. 상대적 속도 및/또는 가속도가 높은 것으로 관찰되는 경우, 높은 임계값/범위의 적용이 필요할 수 있다. 반대로, 상대적 속도 및/또는 가속도가 낮거나 0이면, 공격성/방어성 파악에 있어서 낮은 임계값/범위의 적용이 필요할 수 있다.
공격성/방어성 파악은 또한 상대적 속도 및/또는 상대적 가속도 임계값에 의거할 수 있다. 다른 차량에 대한 타깃 차량의 관찰된 상대적 속도 및/또는 상대적 가속도가 미리 정해진 수준 또는 범위를 초과하는 경우, 타깃 차량은 공격적인 것으로 여겨질 수 있다. 다른 차량에 대한 타깃 차량의 관찰된 상대적 속도 및/또는 상대적 가속도가 미리 정해진 수준 또는 범위에 못 미치는 경우, 타깃 차량은 방어적인 것으로 여겨질 수 있다.
관찰된 항법 특성만을 의거하여 공격성/방어성을 판단할 수 있지만, 관찰된 특성의 조합에 의거하여 판단할 수도 있다. 예를 들어, 앞서 설명한 바와 같이, 일부의 경우에서, 타깃 차량이 다른 차량을 특정 임계값 또는 범위 이하의 거리에서 쫓아가고 있다는 관찰에만 의거하여 타깃 차량이 공격적인 것으로 여겨질 수 있다. 그러나, 다른 경우에서, 타깃 차량이 다른 차량을 미리 정해진 값(거리에만 의거한 판단에 적용된 임계값과 같거나 다를 수 있음) 미만에서 쫓아가고 있고 미리 정해진 값 또는 범위보다 큰 상대적 속도 및/또는 상대적 가속도인 경우에 타깃 차량이 공격적인 것으로 여겨질 수 있다. 마찬가지로, 타깃 차량이 다른 차량을 특정 임계값 또는 범위 이상의 거리에서 쫓아가고 있다는 관찰에만 의거하여 타깃 차량이 방어적인 것으로 여겨질 수 있다. 그러나, 다른 경우에서, 타깃 차량이 다른 차량을 미리 정해진 값(거리에만 의거한 판단에 적용된 임계값과 같거나 다를 수 있음) 이상에서 쫓아가고 있고 미리 정해진 값 또는 범위보다 작은 상대적 속도 및/또는 상대적 가속도인 경우에 타깃 차량이 방어적인 것으로 여겨질 수 있다. 시스템(100)은, 예를 들어, 차량의 가속도 또는 감속도가 05G를 초과하는 경우(예, 5m/s3 저크), 차로 변경이나 커브 상황에서 차량의 횡방향 가속도가 0.5G인 경우, 차량이 다른 차량에게 상기 중의 어느 하나를 유발하는 경우, 차량이 차로를 변경하고 다른 차량에게 0.3G 이상의 감속 또는 3m/s3의 저크로 양보를 유발하는 경유, 및/또는 차량이 멈추지 않고 두 차로를 변경하는 경우에 공격성/방어성 파악을 할 수 있다.
여기서, 범위를 초과하는 양에 대한 설명은 그 양이 범위와 연관된 모든 값을 초과하거나 범위 내에 포함됨을 나타낸다는 것으로 이해돼야 한다. 마찬가지로, 범위에 미달하는 양에 대한 설명은 그 양이 범위와 연관된 모든 값에 미달하거나 범위 내에 포함됨을 나타낸다는 것으로 이해돼야 한다. 또한, 공격성/방어성 파악에 대해 설명한 예시들을 거리, 상대적 가속, 및 상대적 속도와 관련하여 설명했지만, 기타 적합한 수량도 활용될 수 있다. 예를 들면, 충돌까지의 시간을 활용할 수 있다. 상기의 예시들은 다른 차량에 대한 타깃 차량 중심으로 설명하였지만, 다른 유형의 장애물(예, 보행자, 도로 배리어, 신호등, 잔해 등)에 대한 타깃 차량의 항법 특성을 관찰하여 공격성/방어성 파악을 할 수도 있다.
도 17a와 도 17b에 도시된 예시로 돌아와서, 호스트 차량(1701)이 로터리에 접근함에 따라, 적어도 하나의 처리 장치를 포함하는 항법 시스템은 호스트 차량과 연관된 카메라로부터 이미지 스트림을 수신할 수 있다. 수신된 이미지의 하나 이상의 분석에 의거하여, 한 대 이상의 타깃 차량(1703, 1705, 1706, 1708, 1710)이 식별될 수 있다. 또한, 항법 시스템은 식별된 한 대 이상의 타깃 차량의 항법 특성을 분석할 수 있다. 항법 시스템은 타깃 차량(1703)과 타깃 차량(1705) 사이의 틈이 로터리로 병합해 들어갈 수 있는 첫 번째 기회임을 인지할 수 있다. 항법 시스템은 타깃 차량(1703)을 분석하여 타깃 차량(1703)과 연관된 공격성을 판단할 수 있다. 타깃 차량(1703)이 공격적인 것으로 여겨지는 경우, 호스트 차량의 항법 시스템은 타깃 차량(1703) 앞으로 병합하지 않고 타깃 차량(1703)에게 양보하기로 선택할 수 있다. 반면에, 타깃 차량(1703)이 방어적인 것으로 여겨지는 경우, 호스트 차량의 항법 시스템은 타깃 차량(1703) 앞에서 병합 동작의 완수를 시도할 수 있다.
호스트 차량(1701)이 로터리에 접근하면서, 항법 시스템의 적어도 하나의 처리 장치는 캡처된 이미지를 분석하여 타깃 차량(1703)과 연관된 항법 특성을 판단할 수 있다. 예를 들어, 이미지에 의거하여, 호스트 차량(1701)이 안전하게 진입할 수 있는 충분한 틈을 제공하는 거리로 차량(1703)이 차량(1705)을 쫓아가고 있다고 판단될 수 있다. 실제로, 공격적 거리 임계값을 초과하는 거리로 차량(1703)이 차량(1705)을 쫓아가고 있다고 판단될 수 있고, 따라서, 이 정보에 의거하여, 호스트 차량의 항법 시스템은 타깃 차량(1703)을 방어적인 것으로 식별할 가능성이 있다. 그러나 일부 상황에서, 앞서 설명한 바와 같이, 공격성/방어성 판단에 타깃 차량의 하나 이상의 항법 특성이 분석될 수 있다. 분석에 더하여, 호스트 차량의 항법 시스템은 타깃 차량(1703)이 비공격적 거리에서 타깃 차량(1705)을 따라가지만 타깃 차량(1705)에 대한 상대적 속도 및/또는 상대적 가속도는 공격적 행동과 연관된 하나 이상의 임계값을 초과한다고 판단할 수 있다. 실제로, 호스트 차량(1701)은 타깃 차량(1703)이 차량(1705)에 대하여 가속하고 있고 차량(1703)과 차량(1705) 사이에 존재하는 틈을 좁히고 있다고 판단할 수 있다. 상대적 속도, 가속도, 및 거리(또한 차량(1703)과 차량(1705) 사이에 존재하는 틈이 좁아지는 속도)의 추가 분석에 의거하여, 호스트 차량(1701)은 타깃 차량(1703)이 공격적으로 행동하고 있다고 판단할 수 있다. 따라서, 호스트 차량이 안전하게 들어갈 수 있는 틈이 있을 수 있어도, 호스트 차량(1701)은 타깃 차량(1703) 앞으로 병합하면 공격적 항법을 하는 차량이 호스트 차량의 바로 뒤에 있게 되는 결과가 발생할 것으로 예상할 수 있다. 또한, 이미지 분석 또는 기타 센서 출력을 통해 관찰된 행동에 의거하여, 호스트 차량(1701)이 차량(1703) 앞으로 병합하여 들어가면, 타깃 차량(1703)이 호스트 차량(1701)을 향하여 계속 가속하거나 비제로 상대적 속도로 호스트 차량(1701)을 향해 주행할 것이 예상될 수 있다. 이러한 상황은 안전 차원에서 바람직하지 않을 수 있고 호스트 차량의 승객이 불편해 할 수 있다. 이러한 이유로, 호스트 차량(1701)은 도 17b에 도시된 바와 같이, 차량(1703)에 양보하고, 차량(1703)의 뒤와 항법 특성의 하나 이상의 분석에 의거하여 방어적인 것으로 여겨지는 차량(1710)의 앞으로 로터리에 병합할 수 있다.
다시 도 18을 참조하면, 단계 1809에서, 호스트 차량의 항법 시스템의 적어도 하나의 처리 장치는 식별된 장애물에 대한 타깃 차량의 적어도 하나의 식별된 항법 특성에 의거하여 호스트 차량에 대한 항법 동작(예, 차량(1710)의 앞과 차량(1703)의 뒤로 병합)을 결정할 수 있다. 항법 동작을 이행(implement)(단계 1811)하기 위하여, 적어도 하나의 처리 장치는 결정된 항법 동작에 대응하여 호스트 차량의 항법 액추에이터의 적어도 하나의 조정을 유발할 수 있다. 예를 들면, 도 17a의 차량(1703)에 양보하기 위하여 브레이크가 작동될 수 있고, 도 17b에 도시된 바와 같이, 호스트 차량이 차량(1703)의 뒤로 로터리에 진입하게 하기 위하여 호스트 차량의 조향과 함께 가속장치가 작동될 수 있다.
상기 예에서 설명한 바와 같이, 호스트 차량의 항법은 다른 차량 또는 물체에 대한 타깃 차량의 항법 특성에 의거할 수 있다. 또한, 호스트 차량의 항법은 다른 차량 또는 물체와 무관하게 타깃 차량의 항법 특성에만 의거할 수 있다. 예를 들어, 도 18의 단계 1807에서, 호스트 차량의 주변상황으로부터 캡처된 복수의 이미지의 분석을 통하여 타깃 차량과 연관된 공격성 수준을 나타내는 식별된 타깃 차량의 적어도 하나의 항법 특성을 판단할 수 있다. 항법 특성은 공격성/방어성 판단을 하기 위해 다른 차량 또는 타깃 차량에 대하여 참조할 필요 없는 속도, 가속도 등을 포함할 수 있다. 예를 들어, 미리 정해진 임계값을 초과하거나 임계값 범위 이내에 있거나 초과하는 타깃 차량과 연관되어 관찰된 가속도 및/또는 속도는 공격적 행동을 나타내는 것일 수 있다. 반대로, 미리 정해진 임계값에 미달하거나 임계값 범위 이내에 있거나 초과하는 타깃 차량과 연관되어 관찰된 가속도 및/또는 속도는 방어적 행동을 나타내는 것일 수 있다.
물론, 일부의 경우에서, 관찰된 항법 특성(예, 위치, 거리, 가속도 등)는 공격성/방어성 판단을 위해 호스트 차량에 대해 참조될 수 있다. 예를 들면, 타깃 차량과 연관된 공격성 수준을 나타내는 타깃 차량의 관찰된 항법 특성에는 타깃 차량과 호스트 차량 사이의 상대적 가속도의 증가, 호스트 차량의 뒤에서 따라오는 타깃 차량의 거리, 타깃 차량과 호스트 차량 사이의 상대적 속도 등이 포함될 수 있다.
사고 책임 제약에 의거한 항법
앞서 설명한 바와 같이, 특정 규칙을 준수하게 하기 위하여, 예정 항법 동작이 미리 정해진 제약에 대비하여 시험 될 수 있다. 일부 실시예에서, 이 개념은 잠재적 사고 책임의 고려에까지 이어질 수 있다. 하기에 설명하는 바와 같이, 자율 주행의 최우선 목표는 안전이다. 절대적 안전은 불가능할지 몰라도(예, 적어도 자율 제어 하의 특정 호스트 차량이 주변의 다른 차량을 제어할 수 없고 자신의 동작만을 제어할 수 있기 때문), 자율 주행의 고려사항과 계획된 동작에 대한 제약으로 잠재적 사고 책임을 사용하여 특정 자율주행차가 안전하지 않은 것으로 여겨지는 동작(예, 호스트 차량에 잠재적 사고 책임을 지우는 동작)을 취하지 않게 할 수 있다. 호스트 차량이 안전한 동작과 호스트 차량의 과실 또는 책임인 사고를 유발하지 않는 것으로 판단된 동작만을 취할 경우, 원하는 수준의 사고 회피(예, 주행 시간당 10-9 이하)가 달성될 수 있다.
자율 주행에 대한 현재의 접근 방식에 의해 제기되는 도전은 안전 보증의 부족(또는 적어도 원하는 수준의 안전 제공 불능)을 포함한다. 멀티-에이전트 안전 운전의 보증 문제를 고려하면, 기계에 의해 발생한 도로 사고 사망에 대한 사회적 용납 가능성이 낮으므로, 안전의 허용 수준은 자율주행차의 허용에 가장 중요하다. 목표는 완전 무사고이지만, 일반적으로 복수의 에이전트가 사고에 개입되고 전적으로 다른 에이전트의 책임으로 사고가 발생하는 경우를 생각할 수 있기 때문에 이는 불가능한 목표일 수 있다. 예를 들어, 도 19에 도시된 바와 같이, 호스트 차량(1901)이 다차선 고속도로에서 주행하고, 타깃 차량(1903, 1905, 1907, 1909)에 대한 자신의 동작을 제어할 수 있지만, 주변의 타깃 차량의 동작은 제어할 수 없다. 그 결과, 호스트 차량(1901)은 예를 들어 차량(1905)이 호스트 차량과의 충돌이 불가피하게 호스트 차량의 차로로 갑자기 끼어드는 경우에 타깃 차량 중의 적어도 한 대와의 사고를 피할 수 없을 수 있다. 이 문제에 대처하는 자율주행차 기술자의 일반적인 대응은 통계적 데이터 주도의 접근 방식을 도입하는 것으로서, 마일리지가 증가하며 데이터를 수집하면 안전 검증이 더욱 치밀 해진다.
그러나, 데이터 주도의 접근 방식의 문제적 본질을 제대로 인식하기 위해, (인간) 운전 한 시간당 사고로 인한 치사 확률이 10-6인 것으로 알려져 있다는 점을 고려해야 한다. 인간의 운전 작업을 기계가 대신하는 것을 사회가 받아들이려면 치사율이 3승만큼 감소해야, 즉, 시간당 10-9의 확률로 감소해야 한다고 가정하는 것이 합리적이다. 이 가정은 에어백의 추정 치사율과 항공 표준의 추정 치사율과 유사하다. 예컨대, 10-9는 항공기의 날개가 공중에서 즉흥적으로 떨어져나갈 확률이다. 그러나, 마일리지가 누적되면서 추가적인 신뢰도를 제공하는 데이터 주도의 통계적 접근 방식을 활용하여 안전을 보증하려는 시도는 현실적이지 않다. 운행 시간 당 10-9의 치사 확률을 보증하기 위해 필요한 데이터의 양은 반비례(즉, 109 시간의 데이터)로 대략 300억 마일 정도이다. 또한, 멀티-에이전트 시스템은 주변상황과 상호 작용하고 오프라인으로 검증될 수 없을 가능성이 높다(난폭 운전과 같은 다양하고 복잡한 실제 인간 운전을 모방하는 실제 같은 시뮬레이터가 있는 경우가 아닌 한. 그러나, 시뮬레이터의 검증 문제는 안전한 자율주행차 에이전트를 생성하는 것보다 더 어려울 수 있다). 또한, 소프트웨어에 대한 계획과 제어의 모든 변경에는 동일한 규모의 새로운 데이터 수집이 필요할 것이고, 이는 분명히 어렵고 비현실적이다. 나아가, 데이터를 통한 시스템의 개발에는 취해진 동작이 해석 불가능하고 설명 불가능하다는 문제가 여전히 있다(즉, 자율주행차(autonomous vehicle 또는 AV)가 치사 사고를 내면, 그 이유를 알아야 한다). 결과적으로, 안전에 대한 모델 기반의 접근 방식이 요구되지만, 자동차 업계의 기존 '기능적 안전'과 ASIL 요건은 멀티-에이전트 환경에 맞게 설계되지 않았다.
자율주행차에 대한 안전 운전 모델 생성의 두번째 주요 도전은 확장성에 대한 요구이다. 자율주행차의 기본적 전제는 '더 나은 세상 만들기'를 너머 운전자 없는 이동성이 운전자가 있는 것보다 낮은 비용으로 지속 가능해야 한다는 것이다. 이 전제는, 자율주행차의 양산(수백만대 단위)이라는 차원과 더욱 중요하게는 무시할만한 비용 증가로 신규 도시에서의 주행 가능 지원이라는 차원에서, 여전히 확장성 개념과 연결되어 있다. 따라서, 자율주행차가 양산되어야 한다면, 전산과 감지의 비용은 중요한 사안이 되고, 검증의 비용 및 특정 몇 도시에서만이 아니라 '모든 곳'에서 주행할 수 있는 능력 또한 사업을 지속하기 위한 필수적인 요건이다.
대부분의 현재 접근 방식의 문제는 3축의 '브루트 포스' 심리 상태, 즉, (i) 요구되는 '컴퓨팅 밀도', (ii) 고화질 지도의 정의 및 생성 방법, (iii) 요구되는 센서로부터의 사양이다. 브루트 포스 접근 방식은 확장성에 반대 되고, 중심을 무제한 온보드 컴퓨팅(unlimited on-board computing)이 유비쿼터스한 미래를 향해 이동하며, 고화질 지도의 구축 및 유지 비용은 무시할 정도이고 확장 가능하며, 색다른 초첨단 센서가 무시할 정도의 비용으로 자동차 등급에 맞게 개발 및 상품화될 것이다. 상기 내용의 하나 이상이 결실을 맺을 미래는 실제로 그럴듯해 보이지만 상기 내용의 모두가 구현되는 것은 가능성이 낮다. 따라서, 선진국 어디에서나 주행하는 수백만 대의 차량을 지원한다는 차원에서 사회가 수용할 수 있고 확장 가능한 자율주행차 프로그램으로 안전과 확장성을 설계하는 형식적인 모델을 제공할 필요가 있다.
기재된 실시예는 목표 수준의(또는 안전 목표를 초과하는) 안전을 제공할 수 있고 또한, 수백만 대의(또는 그 이상의) 자율주행차를 포함하는 시스템으로 확장 가능할 수 있는 솔루션을 나타낸다. 안전 차원에서, '사고 책임'의 개념을 공식화하는 RSS(Responsibility Sensitive Safety)라 불리는 모델이 도입되고, 해석 가능하고 설명 가능하며, '책임'감을 로봇 에이전트의 동작에 포함시킨다. RSS의 정의는 이행(implement)되는 방식에 대해 애그노스틱 하며, 이는 설득력 있는 글로벌 안전 모델을 생성하는 목표를 가능하게 하는 핵심 특징이다. RSS는 일반적으로 한 에이전트만이 사고의 책임이 있고 따라서 책임을 져야 하는 사고에서 에이전트는 비대칭 역할을 한다는 관찰(도 19에 도시)이 동기가 된다. RSS 모델은 또한 모든 에이전트가 항상 보이는 게 아닌(예, 폐색 때문) 제한된 감지 조건하에서 '주의 운전'의 공식적인 처리도 포함한다. RSS 모델의 한 가지 주요 목표는 에이전트가 '책임'이 있는 사고를 내지 않도록 하는 것이다. 모델은 RSS를 준수하는 효율적인 방침(예, '감지 상태'를 동작에 매핑하는 기능)이 있을 때만 쓸모가 있다. 예를 들어, 현재 순간에 결백해 보이는 동작이 나중에 파국적인 이벤트가 될 수도 있다('나비 효과'). RSS는 호스트 차량의 동작의 결과로 미래에 사고가 발생하지 않을 것을 보증(또는 적어도 사실상 보증)할 수 있는 단기적 미래에 대한 로컬 제약의 집합을 구성하기 위해 유용할 수 있다.
또 다른 기여는 단위, 치수, 및 동작 공간, 그리고 이들이 자율주행차의 계획, 감지, 및 작동에 포함되는 방식에 관한 사양을 포함하는 '의미론적' 언어의 도입에 관한 것이다. 여기서, 의미론의 이해를 위하여, 운전 교육을 받는 인간이 어떤 식으로 '주행 방침'에 대하여 생각하도록 지시받는지에 대하여 생각해 보기로 하자. 이러한 지시는 기하학적이 아니다. 예를 들면, '13.7미터를 현재 속도로 주행한 후, 0.8 m/s로 가속하라.'라는 식의 지시가 아니다. 대신에, 지시는 의미론적 성질을 가지고 있다. 예를 들면, '전방의 차를 따라가라.' 또는 '좌측의 차 앞으로 들어가라.'라는 등의 지시이다. 인간의 주행 방침의 일반적인 언어는 종방향과 횡방향 목표에 관한 것이지 가속 벡터의 기하학적 단위를 통한 것이 아니다. 형식 의미론적 언어는 시간과 에이전트의 수에 비례하여 기하급수적으로 확장하지 않는 계획의 계산 복잡도, 안전과 안락이 상호 작용하는 방식, 감지의 계산이 정의되는 방식과 센서 양상의 사양과 융합 방법론에서 상호 작용하는 방식과 연결되는 많은 분야에서 유용할 수 있다. 융합 방법론(의미론적 언어에 의거)은 105 시간의 주행 데이터 정도의 데이터세트로 오프라인 검증만을 수행하면서 RSS 모델이 운전 시간당 10-9 치사율 요건을 충족하도록 할 수 있다.
예를 들어, 강화 학습 설정에서, Q 함수(예, 에이전트가
Figure pat00240
상태에 있는 A 동작 수행의 장기적 품질을 평가하는 함수; 이러한 Q 함수에서, 동작의 당연한 선택은 가장 높은 품질
Figure pat00241
을 선택하는 것일 수 있다)는 주어진 시간에 검사될 궤적의 수가 계획에 사용된 시간 지평과 무관하게 104로 한정되는 의미론적 공간에서 정의될 수 있다. 이 공간의 신호 대 잡음비는 높을 수 있어서, 효과적인 머신 러닝 접근 방식이 Q 함수의 모델링을 성공적으로 할 수 있게 한다. 감지의 계산의 경우, 의미론은 안전에 영향을 미치는 실수와 안락한 주행에 영향을 미치는 실수를 구별할 수 있게 해줄 수 있다. Q 함수와 묶여있는 감지에 대한 PAC 모델(Valiant의 PAC-러닝 용어에서 따온 Probably Approximate Correct (PAC))를 정의하여, RSS를 준수하지만 안락한 주행의 최적화를 가능하게 하는 방식으로 측정 실수가 어떻게 계획에 포함되는지를 보여준다. 글로벌 좌표 시스템에 대한 오차와 같은 다른 표준 오차 측정은 PAC 감지 모델을 준수하지 않을 수 있으므로, 의미론의 언어는 이 모델의 특정 양상의 성공을 위해 중요할 수 있다. 또한, 의미론적 언어는 저대역폭 감지 데이터를 활용하여 구축될 수 있어서 크라우드소싱을 통해 구축될 수 있고 확장성을 지원할 수 있는 HD지도의 정의를 가능하게 하기 위해 중요할 수 있다.
요약하면, 기재된 실시예는 자율주행차의 중요한 요소인 감지, 계획, 실행을 다루는 형식적인 모델을 포함할 수 있다. 이 모델은 계획 관점에서부터 자율주행차의 책임이 있는 사고가 없도록 할 수 있다. 또한, PAC 감지 모델을 통하여, 감지 오차가 있어도, 앞서 설명한 융합 방법론은 매우 적당한 규모의 오프라인 데이터 수집만으로 앞서 설명한 안전 모델을 준수할 수 있다. 또한, 이 모델은 의미론적 언어를 통하여 안전과 확장성을 서로 묶음으로써 안전하고 확정성이 있는 자율주행차에 대한 완전한 방법론을 제공할 수 있다. 결국, 업계와 규제 기관이 채택할 안전 모델의 개발이 자율주행차의 성공을 위해 필요한 조건이라는 점이 중요하다 할 것이다.
RSS 모델은 전형적인 감지-계획-실행 로봇 제어 방법론을 일반적으로 따를 수 있다. 감지 시스템은 호스트 차량 주변상황의 현재 상태의 이해를 담당할 수 있다. '주행 방침'이라 불릴 수 있고 하드 코딩된 지시, 학습 시스템(예, 신경망), 또는 이들의 조합을 통해 이행(implement)될 수 있는 계획 부분은 주행 목표(예, 고속도로에서 빠져나가기 위해 좌측 차로에서 우측 차로로 이동)를 달성하기 위해 사용 가능한 옵션 중에서 최적의 다음 동작의 결정을 담당할 수 있다. 실행 부분은 계획의 이행을 담당할 수 있다(예, 선택된 항법 동작을 이행하기 위하여 차량을 조향, 가속, 및/또는 제동하기 위한 액추에어터 및 하나 이상의 컨트롤러의 시스템). 하기에 기재되는 실시예는 감지 부분과 계획 부분에 대해 주로 설명한다.
사고는 감지 오류 또는 계획 오류에서 기인할 수 있다. 계획은 멀티-에이전트 노력인데, 이는 자율주행차의 동작에 반응하는 다른 사용자(사람 및 기계)가 도로에 있기 때문이다. 기재된 RSS 모델은 무엇보다도 계획 부분에 대한 안전 문제를 처리하도록 설계되었다. 이를 멀티-에이전트 안전이라 부를 수 있다. 통계적 접근 방식에서, 계획 오류의 확률의 추정은 '온라인'으로 이루어질 수 있다. 즉, 소프트웨어 업데이트를 할 때마다, 허용할 만한 수준의 계획 오류의 빈도의 추정을 제공하려면 새로운 버전으로 수십억 마일을 주행해야 한다. 이는 분명히 실행 불가능하다. 그 대안으로, RSS 모델은 계획 모듈이 자율주행차의 책임('책임'의 개념은 형식적으로 정의)이 있는 실수를 하지 않을 것이라는 100% 보증(또는 사실상 100% 보증)을 제공할 수 있다. RSS 모델은 또한 온라인 시험에 의존하지 않는 검증을 위한 효율적인 수단을 제공할 수 있다.
감지는 차량 동작과 별개이기 때문에, 감지 시스템의 오류는 검증이 쉽고, 따라서 '오프라인' 데이터를 활용하여 심각한 감지 에러의 확률을 검증할 수 있다. 그러나, 109시간 이상의 주행의 오프라인 데이터를 수집하는 것 조차도 쉽지 않다. 기재된 감지 시스템의 설명의 일부로서, 훨씬 적은 양의 데이터를 활용하여 검증될 수 있는 융합 접근 방식을 설명하기로 한다.
기재된 RSS 시스템은 또한 수백만 대의 차량으로 확장 가능하다. 예를 들어, 설명한 의미론적 주행 방침과 적용된 안전 제약은 오늘날의 기술에서도 수백만 대의 차량으로 확장할 수 있는 감지 및 매핑 요건에 따른 것일 수 있다.
이러한 시스템의 기초적인 빌딩 블록은 철저한 안전 정의, 즉, 자율주행차 시스템이 준수해야 할 최소의 기준이다. 다음의 기술 렘마에서, 자율주행차 시스템의 검증에 대한 통계적 접근 방식이 실행 불가능함을 보여준다. 이는 '시스템은 시간당 N회의 사고를 낸다'와 같은 단순한 주장의 검증에 대해서도 마찬가지이다. 이는 모델 기반 안전 정의가 자율주행차 시스템의 검증을 위한 유일한 실행 가능한 툴임을 시사한다.
렘마1: X가 확률 공간이고, A가 Pr(A) =
Figure pat00242
인 이벤트일 때, X로부터
Figure pat00243
샘플을 샘플링한다고 가정하고,
Figure pat00244
이면,
Figure pat00245
이다.
증명: 부등식
Figure pat00246
를 활용하여(proven for completeness in Appendix 첨부 A.1에서 완전성에 대해 입증됨)
Figure pat00247
를 얻는다.
귀결1: 자율주행차 시스템 AV 1 이 작지만 충분치 않은 확률 p 1 의 사고를 낸다고 가정하면, 1/p 1 샘플이 주어진 확정적 검증 절차는, 일정한 확률로, AV 1 과 사고를 전혀 내지 않는 다른 자율자동차 시스템인 AV 0 사이의 구별을 하지 않을 것이다.
이러한 확률의 일반적인 값에 대해 이해하기 위해 시간당 사고 확률이 10-9이어야 하고, 특정 자율자동차 시스템이 10-8의 확률을 제공한다고 가정하면, 시스템이 108시간의 주행을 확보한다고 하더라도 시스템이 위험하다고 검증 프로세스가 나타낼 수 없을 것이라는 일정한 확률이 있다.
최종적으로, 이 문제는 특정한 단일의 위험한 자율자동차 시스템의 무효화에 관한 것이라는 점에 주목해야 한다. 완전한 솔루션은 새로운 버전, 버그 수정, 및 업데이트가 필요할 것이기 때문에 단일 시스템으로 볼 수 없다. 아무리 단일 라인의 코드라고 할지라도, 각 변경은 검증자의 시각에서 보면 새로운 시스템을 생성한다. 따라서, 통계적으로 검증되는 솔루션은 새로운 샘플에 대해 작은 수정이나 변경이 있을 때마다 새로운 시스템에 의해 관찰되고 도출된 상태의 분포 변경을 설명하기 위해 온라인으로 검증돼야 한다. 이러한 방대한 수의 샘플을 반복적이고 체계적으로 확보하는 것(확보한다고 하더라도, 일정한 확률로 시스템의 검증에 실패하는 것)은 실행 불가능하다.
나아가, 모든 통계적 주장은 측정되려면 형식화 되어야 한다. 시스템이 내는 사고의 수에 대한 통계적 특성의 주장은 '안전한 방식으로 주행한다'는 주장보다 매우 약하다. 이러한 주장을 하기 위해서는, 안전이 무엇인지에 대해 형식화된 정의를 내려야 한다.
절대적 안전은 불가능하다.
차량 C가 취한 동작 α는 그 동작 이후에 사고가 발생할 수 없으면 절대적으로 안전한 것으로 여겨질 수 있다. 도 19에 도시된 단순한 주행 상황을 일례로 관찰해보면 절대적 안전을 달성하는 것을 불가능하다는 것을 알 수 있다. 차량(1901)의 관점에서, 어떤 동작도 주변의 어떤 차도 차량(1901)과 충돌하지 않을 것이라고 보장해줄 수 없다. 자율주행차가 이러한 상황에 있지 못하게 함으로써 이 문제를 해결하는 것도 불가능하다. 2차선 이상의 모든 고속도로에서는 언젠가 이런 문제가 있을 수 있으므로, 이러한 상황을 막으려면 차고에서 나오지 말아야 한다. 일단, 이런 사실이 실망스러워 보일 수 있다. 절대적으로 안전한 것은 없다. 그러나, 앞서 정의한 바와 같은 절대적 안전에 대한 요건은 너무 엄격할 수 있고, 인간 운전자는 절대적 안전에 대한 요건을 고수하지 않는다는 사실만 봐도 그렇다. 인간은 오히려 책임에 의존하는 안전 개념에 따라 행동한다.
책임감에 민감한 안전
절대적 안전 개념에서 빠져있는 중요한 양상은 대부분 사고의 비대칭성이다. 즉, 사고의 책임은 주로 한쪽의 운전자에게 있다는 것이다. 도 19의 예에서, 가운데 차량(1901)은 예를 들어 좌측의 차량(1909)이 갑자기 가운데 차량(1901)으로 돌진해 들어오는 경우에 책임이 없다. 책임이 없다는 사실을 형식화하기 위하여, 차선을 유지하고 있는 자율주행차(1901)의 행동은 안전한 것으로 간주될 수 있다. 이를 위해, 안전 주행 접근 방식에 대한 전제가 될 수 있는 '사고 책임'의 형식적 개념이 설명된다.
일례로, 직선 도로를 따라 서로 앞뒤에서 동일한 속도로 주행하는 두 차량 Cf, Cr의 단수한 경우에서, 앞에 있는 차량 Cf가 도로상에 나타난 장애물로 인해 갑자기 제동을 하여 장애물을 간신히 회피한다고 가정하면, Cf로부터 충분한 거리를 유지하지 않던 Cr은 반응 시간이 부족하여 Cf를 추돌한다. 당연히, 앞차와의 안전 거리를 유지하고 급작스럽지만 합리적인 제동을 할 준비가 돼있어야 할 책임은 뒤차에 있으므로, 사고의 책임은 명확하게 Cr에 있다.
다음으로, 차들이 자유롭게 차선을 변경하고, 다른 차의 경로 앞으로 끼어들고, 서로 다른 속도로 주행하는 등의 다차선 도로 주행의 훨씬 광범위한 부류의 상황 중에서, 설명의 편의상 평평한 면의 직선 도로에서 횡방향 축과 종방향 축을 각각 x축과 y축이라고 가정하면, 이는 실제 커브 길과 직선 도로 사이의 준동형(homomorphism)을 정의함으로써 온화한 조건하에서 달성될 수 있다. 또한, 이산 시간 공간(discrete time space)을 고려하면, 정의는 두 직관적으로 상이한 경우, 즉, 중요한 횡방향 동작이 수행되지 않은 단순한 경우와 횡방향 이동이 포함된 복잡한 경우 사이의 구별에 도움이 될 수 있다.
정의1(차량 통로): 차량 c의 통로는
Figure pat00248
이다( 여기서,
Figure pat00249
는 차량 c의 최좌측 코너와 최우측 코너의 위치이다.)
정의2(끼어들기): 차량 c1(도 20a와 도 20b의 차량(2003))이 시간 t-1에 차량 c 0 (도 20a와 도 20b의 차량(2001))의 통로와 교차하지 않은 경우에 시간 t에 차량 c 0 의 통로로 끼어들고 차량 c 0 의 통로와 교차한다.
통로의 앞 부분과 뒷부분 사이가 추가적으로 구별될 수 있다. '끼어드는 방향'이라는 용어는 관련 통로 경계의 방향으로의 이동을 묘사하는 것일 수 있다. 이러한 정의는 횡방향 이동이 있는 경우를 정의할 수 있다. 다른 차를 단순히 따라가는 경우와 같이, 이러한 이동이 발생하지 않는 단순한 경우에 대해, 안전한 종방향 거리가 정의된다.
정의3(안전한 종방향 거리): 차량 c r (2103)과 c r 의 전방 통로에 있는 다른 차량 c f (2105) 사이의 종방향 거리(도 21의 2101)는 제동 명령 α에 대하여 c f 에 의해 수행된
Figure pat00250
인 경우에 반응 시간 p에 대하여 안전하고, c r 이 시간 p로부터 완전 정지까지 최대 제동을 한다면 c f 와 충돌하지 않을 것이다.
하기의 렘마 2는 c r , c f 의 속도, 반응 시간 ρ, 및, 최대 가속도
Figure pat00251
의 함수로서 α를 계산한다. ρ와
Figure pat00252
는 모두 상수이고, 규제상 적합한 값으로 정해져야 한다.
렘마2: c r 이 종방향 축 상에서 c f 의 뒤에 있는 차량이고,
Figure pat00253
,
Figure pat00254
이 각각 최대 제동 명령과 최대 가속 명령이고, ρ가 c r 의 반응 시간이고, v r , v f 가 각 차량의 종방향 속도이고, l f , l r 이 각 차량의 길이라면,
Figure pat00255
이라고 정의하고,
Figure pat00256
그리고
Figure pat00257
라고 정의한다.
Figure pat00258
이라고 하면, c r 에 대한 최대 안전 종방향 거리는
Figure pat00259
이다.
증명: dt가 시간 t에서의 거리라고 하면, 사고를 방지하기 위하여, 모든 t에 대해 dt > L이어야 한다. dmin를 구성하려면, d0에 대한 가장 엄격하게 요구되는 하한값을 찾아야 한다. 분명, d0은 적어도 L이다. T ≥ρ초 이후에 두 차량이 정지하지 않은 한, 앞서 가는 차량의 속도는
Figure pat00260
일 것이고, c r 의 속도의 상한값은
Figure pat00261
일 것이다. 따라서, T초 이후의 차량 사이의 거리의 하한값은
Figure pat00262
일 것이다.
T r 은 c r 이 완전히 정지(0의 속도)할 때까지의 시간이고, T f 는 다른 차량이 완전히 정지할 때까지의 시간이다.
Figure pat00263
이므로, T r ≤T f 인 경우, d0 > L일 것을 요구하기에 충분하다. T r > T f 인 경우,
Figure pat00264
이다. d Tr > L일 것을 요구하고 조건을 재조정하면 입증이 완결된다.
최종적으로, '차이'의 개념과의 비교를 허용하는 비교 연산자가 정의된다. 예컨대, 길이, 속도 등을 비교할 경우, 매우 비슷한 수치를 '동일'한 것으로 수용할 필요가 있다.
정의 4 (μ -비교) a, b 두 수의 μ-비교는 α> b +μ,α인 경우, α＜ μ b이고, α< b -μ인 경우, α< μ b이고, |α - b|≤μ인 경우, α= μ b이다.
하기의 비교(argmin, argmax 등)는 일부 적합한 μ에 대한 μ-비교이다. 차량 c 1과 c 2 간에 사고가 났다고 가정하면, 누구에게 사고의 책임이 있는지 고려하기 위하여, 조사해야 할 관련 순간이 정의된다. 이는 사고 전의 어느 시점이며, 직관적으로 '되돌릴 수 없는 시점'으로서, 이 순간이 지나면 사고를 방지하기 위하여 할 수 있는 것이 아무 것도 없는 순간이다.
정의5 (책임 시간): 사고의 책임 시간(Blame Time)은 다음과 같은 조건을 포함하는 사고 이전의 가장 빠른 시간이다.
ㆍ차량 중의 한대와 다른 차량의 통로 사이에 교차로가 있다.
ㆍ종방향 거리가 안전하지 않았다.
사고의 순간에 두 조건 모두 충족하므로, 이러한 시간이 분명히 있다. 책임 시간은 별개의 두 부류로 분리될 수 있다.
ㆍ끼어들기도 발생하는 부류. 즉, 한 차량과 다른 차량의 통로의 교차가 처음으로 발생하는 순간이고, 안전하지 않은 거리이다.
ㆍ끼어들기가 발생하지 않는 부류. 즉, 통로와의 교차가 이미 있었고, 안전한 종방향 거리였지만, 이 거리가 책임 시간에 안전하지 않은 거리로 변경되었다.
정의6 (횡방향 속도에 의한 μ -패배(Losing): 차량 c 1 , c 2 사이에 끼어들기가 발생한다고 가정하면, 끼어들기의 방향에 대한 c 1 의 횡방향 속도가 c 2 의 횡방향 속도보다 μ만큼 높은 경우, c 1 이 횡방향 속도에 의해 μ패배(Loses)한다고 할 수 있다.
속도의 방향은 중요하다. 예를 들면, 속도가 -1과 1이면(즉, 두 차량이 서로 충돌) 동등하지만, 속도가 1과 1+μ/2이면, 다른 차량을 향한 양수의 방향을 가진 차량에 책임이 있다. 직관적으로, 이 정의로 인해, 횡방향으로 매우 빠르게 다른 차를 향해 주행하는 차량에 책임을 물을 수 있게 해준다.
정의7 (횡방향 위치에 의한 (μ 1 , μ 2)-승리(Winning): 차량 c 1 , c 2 사이에 끼어들기가 발생한다고 가정하면, 끼어들기 차로의 중앙(끼어들기 관련 통로에 가장 가까운 중앙)에 대한 c 1 의 횡방향 위치가 μ 1 (절대값)보다 작고 c 2 의 횡방향 위치보다 μ 2 만큼 작은 경우, c 1(μ 1, μ 2)이 횡방향 위치에 의해 -승리(wins)한다고 할 수 있다.
직관적으로, 차로 중앙(μ 1)에 매우 가까이 있는, 또한 다른 차량에 비해 (μ 2만큼) 더 가까이 있는, 차량에 책임을 묻지 않을 것이다.
정의8 (책임): 차량 c 1 , c 2 사이의 사고에 대한 책임은 책임 시간의 상태의 함수이고, 다음과 같이 정의된다.
ㆍ책임 시간이 끼어들기 시간이 아닌 경우, 책임은 뒤차에 있다.
ㆍ책임 시간이 끼어들기 시간인 경우, 한 차량(일반적으로 c 1 )에 대해 다음의 조건이 사전 정의된 μ에 대해 성립되지 않는 한, 책임은 두 차량 모두에 있다.
ㆍ횡방향 속도에 의해 패배하지 않는다.
ㆍ횡방향 위치에 의해 승리한다.
이 경우, c1은 책임을 모면한다. 즉, 안전하지 않은 끼어들기가 발생한 경우, 두 차량 모두 책임이 있지만, 두 차량 중의 한대가 횡방향으로 (매우) 빠르지 않고 차로 중앙에 (매우) 가까운 경우에는 그렇지 않다. 이로써, 원하는 행동이 캡처된다. 즉, 차량을 뒤따르는 경우, 안전 거리를 유지하고, 자신의 차로에서 단순히 주행하는 차량의 통로로 끼어드는 경우, 안전 거리로만 끼어들기를 한다. 앞서 설명한 안전 가이드라인을 준수하는 자동화된 컨트롤러 기반 시스템은 지나치게 방어적인 주행을 해서는 안되며, 이에 대해서는 하기에 상세히 설명한다.
제한된 감지에 대한 대처
고속도로의 예시에 대한 고려 다음으로, 두 번째 예시는 제한된 감지의 문제에 대해 다룬다. 사람들에게 사고의 책임을 물으면 흔히 하는 대답이 '못 봤다'는 것이다. 많은 경우에, 사실이다. 인간의 감지 능력은 때론 도로의 다른 부분에 집중하고 있는 것을 인지하지 못하기 때문에, 때론 부주의 때문에, 때론 물리적 제한 때문에(예, 주차된 차량 뒤에 가려진 보행자를 볼 수 없음), 제한적이다. 이러한 인간의 한계 중에서, 첨단 자동 감지 시스템에 해당되는 것은 맨 마지막 이유뿐일 것이다. 360° 도로 뷰와 함께 컴퓨터는 부주의하지 않는다는 사실은 첨단 자동 감지 시스템을 인간의 감지 능력보다 우월하게 한다. 다시 '못 봤다'는 예로 돌아가서, 이에 어울리는 대답은 '더 조심했어야지.'일 것이다. 제한된 감지에 대해 무엇을 조심해야 하는지를 형식화하기 위하여, 도 22에 도시된 상황을 보면, 차량(2201, c 0)이 주차장에서 나가려고 붐비는 도로로 병합하지만, 빌딩(2203)에 의해 시야가 가려지기 때문에 도로에 차량들이 있는지를 볼 수 없다. 속도 제한이 30　km/h 인 좁은 도로의 도심 상황이라고 가정하면, 인간 운전자의 행동은 서서히 도로로 병합하여 감지 한계가 사라질 때까지 더 큰 시야를 확보하는 것이다. 시간의 중요한 순간, 즉, 가려졌던 물체가 보이기 시작하는 순간이 정의돼야 한다. 보이기 시작한 이후, 감지할 수 있는 물체와 다름없이 대처하게 된다.
정의9 (노출 시간) 물체의 노출 시간은 물체가 보이기 시작하는 시간이다.
정의 10 (불합리한 속도로 인한 책임) 노출 시간 또는 그 이후에, 차량 c 1 (2205)이 v＞vlimit 의 속도로 주행하고 있었고, c 0 는 그러지 않았다고 가정하면, 책임은 c 1 에만 있다. c 1 은 불합리한 속도로 인해 책임이 있다고 할 수 있다.
이러한 연장은 c0이 안전하게 주차장을 빠져나올 수 있게 해준다. 상기 책임감에 민감한 안전 정의와 동적 vlimit 정의(도로 조건과 속도 제한과 함께 합리적 차이를 활용)를 함께 활용하여, 도면에 도시된 바와 같이, 최악의 경우, c 1이 vlimit을 초과하지 않을 것이라는 가정하에, 끼어들기가 안전한 종방향 거리인지를 확인하기만 하면 된다. 직관적으로, c 0으로 하여금 속도를 줄이고 시야를 가리는 물체로부터 멀어지도록 할 것이고, 서서히 시야를 증가한 후에 도로로 안전하게 병합할 수 있게 할 것이다.
사고 책임 정의를 감지가 제한된 본 기본적 사례로 연장함에 따라, 일군의 연장은 비슷한 사례에 접근할 수 있다. 무엇이 가려질 수 있는지(빠르게 달리는 차는 가까이 주차된 차량 두 대 사이에서 가려질 수 없지만 보행자는 가려질 수 있다), 최악의 동작은 무엇인지(보행자의 vlimit은 차량의 vlimit 보다 훨씬 작다)에 대한 단순한 가정은 주행에 대한 제한을 시사한다. 즉, 최악의 경우에 대비해야 하고 갑자기 노출 시간이 될 경우에 대응할 수 있어야 한다. 도심 상황의 더 자세한 사례로, 주차된 차량에 의해 가려진 보행자의 상황을 들 수 있다. 보행자가 포함된 사고의 과실이 정의될 수 있다.
정의 11 (보행자가 포함된 사고의 과실) 보행자가 포함된 사고의 과실은 항상 차량에 있다. 단, 다음 세 가지의 조건에 부합하면 예외이다.
ㆍ차량의 측면으로 보행자와 충돌하고, 차량의 횡방향 속도는 충돌의 방향에 대하여 μ보다 작다.
ㆍ노출 시간 또는 그 이후의 보행자의 속도가 vlimit 보다 컸다.
ㆍ차량이 완전 정지 상태이다.
비공식적으로, 차량이 보행자를 향해 μ보다 빠르게 달리지 않는 상황에서 보행자가 차량의 측면으로 달려들거나, 차량이 정지해 있거나, 보행자가 반드시 충돌 방향이 아니더라도 특정 방향으로 초인적인 속도로 달린 경우, 차량에는 과실이 없다.
기재된 시스템은 절대적 안전을 보장할 수는 없지만 자율주행차 사이에 사고가 매우 적게 발생하는 상황을 가져올 수는 있다. 예를 들어, 모든 차량(및 기타 도로 사용자)이 각자가 취한 동작의 결과로 인한 사고에 대한 과실이 없을 것이라는 것을 성공적으로 검증할 수 있다면, 사고는 없을 것이다. 정의에 의하면, 모든 사고에는 적어도 한 대의 차량에 책임이 있다. 따라서, 사고에 대한 책임이 있을만한 동작(상기 설명한 RSS 모델에 의거)을 어떤 차량도 취하지 않는다면, 사고는 절대로 일어나지 않을 것이고, 다루기 어렵고 비현실적인 통계적 방법이 추구하는 유형의 절대적 안전 또는 거의 절대적 안전을 달성할 수 있을 것이다.
모든 도로가 단순한 구조인 것은 아니다. 어떤 도로에는, 교차로와 로터리처럼, 복잡한 상황과 다양한 선행권 규칙이 있다. 모든 가려진 물체가 차량이나 보행자인 것도 아니다. 자전거, 오토바이, 및 기타 정당한 도로 사용자들이 고려돼야 한다. 여기서 소개한 원리는 이러한 추가적인 상황으로도 이어질 수 있다.
책임감에 민감한 안전에 대해 효율적으로 확인된 조건
여기서는 RSS의 이행 양상에 대해 설명하기로 한다. 우선, 지금 수행되는 동작은 예를 들어 10분의 주행 후에 사고와 함께 일련의 사건으로 이어질 나비 효과가 있을 수 있다. 모든 가능한 미래의 결과를 확인하는 '브루트 포스(brute-force)' 접근 방식은 비현실적일뿐더러 불가능할 것이다. 이 문제를 극복하기 위하여, 앞서 설명한 책임감에 민감한 안전 정의와 함께 이를 확인하는 전산 효율적 방법에 대해 설명하기로 한다.
전산적으로 실행 가능한 안전 확인
전산적으로 실행 가능한 확인을 위한 주요 수학적 툴은 '유도(induction)'이다. 한 주장을 유도에 의해 입증하려면, 이 주장을 단순한 사례에 대해 입증하는 것으로 시작한 후, 각 유도 단계에서 이 입증을 사례를 추가하면서 연장한다. 이 유도(induction) 툴이 어떻게 안전 확인에 활용될 수 있는지를 보여주기 위하여, 차량 c r 이 다른 차량 c f 를 뒤따르는 단순한 예시(도 21)를 다시 보기로 한다. 다음의 제약은 c r 의 방침에 적용될 수 있다. 각 시간 단계 t에서, c f 가
Figure pat00265
의 감속을 하더라도 그 결과로 다음 시간 단계에서의 c r 과c f 사이의 거리가 적어도 안전 종방향 거리(정의 3과 렘마 2에 정의)가 되도록, 방침은 가속 명령을 선택할 수 있다. 이러한 동작이 없는 경우, c r 은 감속
Figure pat00266
를 적용해야 한다. 다음의 렘마는 유도를 활용하여 상기 제약을 준수하는 방침은 c f 와 사고를 절대 내지 않을 것이라는 것을 입증한다.
렘마3: 정의 3에 주어진 가정 하에, c r 의 방침이 상기 제약을 준수하는 경우, c f 와의 사고가 절대 일어나지 않을 것이다.
입증: 유도(induction)에 의해 입증된다. 입증의 바탕으로, 두 차량 사이의 거리가 안전한(렘마 2에 의거) 초기 상태로 시작한다. 유도 단계는 다음과 같다. 특정 시간 t에 c r 과 c f 사이의 거리를 고려한다. 결과가 안전 거리인(c f 가 최대 감속을 하여도) 동작이 있는 경우, 아무 문제가 없다. 어떤 동작도 안전 거리를 보장하지 못하는 경우, 최대 감속이 아닌 동작을 취한 최대 시간이 t'＜t가 되게 한다. 유도 가설에 의해, 시간 t' + 1에 안전한 거리였지만, 그 이후엔 최대 감속을 수행했다. 따라서, 안전 거리의 정의에 의해, 시간 t'로부터 현재까지 충돌이 없었고, 이로써 입증이 완료된다.
상기의 예시는 더욱 일반적인 개념을 보여준다. 즉, 극한의 경우에 c r 에 의해 수행되어 다시 '안전 상태'로 이끌 수 있는 비상 동작이 있다는 것이다. 상기에 설명한 방침에 대한 제약은 하나의 미래 시간 단계에 의존하는 것을 알 수 있으므로, 전산적으로 효율적인 방식으로 입증될 수 있다.
RSS의 충분한 로컬 특성의 개념을 일반화하기 위하여, 우선 디폴트 비상 방침(Default Emergency Policy (DEP))을 정의하고 '신중'하다고 부르는 동작 이행의 로컬 특성에 대한 빌딩 블록으로 사용한다. 이후, 신중한 명령만을 취하는 것이 RSS에 충분하다는 것을 알 수 있다.
정의12 (디폴트 비상 방침) DEP는 차로에 대하여 최대 제동력을 가하고 0을 향해 최대 진행방향 변경을 하는 것이다. 최대 제동력과 진행방향 변경은 차량의 물리적 파라미터로부터 도출된다(또한 날씨와 도로 상황으로부터 도출될 수 있다). 정의13 (안전한 상태) 상태 s는 그로부터 DEP를 수행해도 과실이 있는 사고를 유발하지 않게 될 경우 안전한 것이다. 한 차량이 다른 차량을 뒤따르는 단순한 사례에서와 같이, 어떤 명령이 안전한 상태로 이어지는 경우 그 명령을 신중하다고 정의한다.
정의 14 (신중한 명령) 현재, 상태 s 0 에 있다고 가정하면, 다음 상태 s 1 이 다른 차량들이 지금 수행할 수 있는 명령의 집합 A에 대하여 안전할 것인 경우, 명령 α는 신중한 것이다. 상기 정의는 집합 A에서 다른 차량들이 수행할 수 있는 최악의 경우 명령에 의존한다. 집합 A는 최대 제동/가속과 횡방향 움직임에 대한 적당한 상한에 의거하여 구성된다.
다음의 정리는 신중한 명령만 하면 과실이 있는 사고가 일어나지 않을 것이라는 것을 유도에 의해 입증한다.
정리1: 시간 0에 c는 안전한 상태에 있고, 각 시간 단계에 대하여 c는 신중한 명령만 하고, 어느 시간 단계에서 할 수 있는 신중한 명령이 없으면 c는 DEP를 적용한다고 가정하면, c는 c에게 과실이 있는 사고를 내지 않을 것이다.
유도에 의한 입증: 유도의 바탕은 안전한 상태의 정의와 신중한 명령의 정의로부터의 단계에 따른 것이다.
이 접근 방식의 한 가지 장점은 신속하게 안전한 상태로 돌아갈 수 있고 그로부터 안전하게 진행할 수 있으므로 무한의 미래를 확인하지 않아도 된다는 것이다. 또한, t + 1에 다시 계획을 할 것이므로 필요한 경우 DEP를 수행할 수 있을 것이라는 사실에 따라, 시간 t에 하는 명령만을 확인하면 되고 염두에 두고 있을 수 있는 장기적 계획(시간 t + 1에서 변경 가능)은 확인하지 않아도 된다. 이제, 이러한 투명한 모델에 의해 런타임에 확인되는 경우, 시스템에 러닝 요소를 포함시키는 것이 가능해진다. 최종적으로, 이러한 로컬 확인은 원하는 목표인 완전한 미래 RSS를 시사한다. 한 가지 이행상의 어려움은 신중성 정의는 적정 tbrake에 대하여도 방대한 공간인 tbrakee까지 다른 에이전트가 수행할 수 있는 모든 궤적을 포함한다는 것이다. 이 문제의 극복을 위하여, 효율적으로 전산 가능한 방법을 개발하여 확장 가능한 방식으로 신중성 및 RSS를 확인한다.
효율적인 신중성 확인
첫번째 관찰은, DEP를 실행하는 동안 과실이 있는 사고로 이어지는 명령을 집합 A로부터 수행할 수 있는 특정 차량
Figure pat00267
가 있는 경우에만 상태가 안전하지 않다는 것이다. 따라서,
Figure pat00268
로 표시되는 단일 타깃 차량이 있는 장면에서, 그리고 일반적인 사례에서, 절차는 장면 내의 다른 차량 각각에 대하여, 순차적으로 실행될 수 있다.
단일 타깃 차량을 고려할 때, 집합 A에 모두 있는,
Figure pat00269
로 표시되는,
Figure pat00270
에 대한, c의 과실인 사고의 결과를 가져오는, 순차적인 명령이 있는 경우에만 동작 α는 신중하지 않은 것이다. 앞서 입증된 바와 같이, 시간 0에
Figure pat00271
가 c의 전방 통로에 있다는 것이 사실인 경우, α의 신중성을 확인할 수 있는 단순한 방법이 있다. 즉, c가 어떤 시간 단계에 대해 최대 제동을 가한다고 하더라도(또한 α가 수행된다고 하더라도) 그 결과의 종방향 거리는 여전히 안전할 것이라는 것을 확인하기만 하면 된다. 아래의 렘마는 횡방향 동작도 고려되는 더 많은 사례의 신중성에 대한 충분한 조건을 제공한다.
렘마4: 시간 T = 0에,
Figure pat00272
가 c의 전방 통로에 있지 않다고 가정하면,
Figure pat00273
각각에 c의 과실인 안전하지 않은 끼어들기가 없는 경우, α는 신중한 것이다.
입증: α가 신중하지 않은 것으로 가정하면, 즉, c의 과실인 사고로 이어지는
Figure pat00274
가 있는 것으로 가정하면, 사고 전에 끼어들기 시간 T가 분명히 있다. 우선, T＞ 0라고 가정하면, 끼어들기가 안전한 종방향 거리에서 있었다면, DEP가
Figure pat00275
의 선언에 의해 실행되고 안전한 종방향 거리의 정의에 의거하여 실행된다는 사실로 인해(또한 반응 시간 ρ가 단계들의 시간 해상도보다 큰 것으로 추정) 우리 과실의 사고가 있을 수 없다. 끼어들기가 안전하지 않은 것이었다면, 렘마의 가정에 의해, 끼어들기는 c의 과실이 아니었고, 따라서 사고 또한 c의 과실이 아니다.
최종적으로, T < 0인 경우, 렘마의 가정에 의해, 끼어들기의 순간에 c는 c의 후방 통로에 있었다. 유도에 의해, c는 과거에 안전한 끼어들기만 수행했고, 따라서 끼어들기는 안전했거나 c의 과실이었다. 두 경우 모두, 현재의 사고는 c의 과실이 아니다.
렘마4의 관점에서, c의 과실인 안전하지 않은 끼어들기가 있을 수 있는지 여부에 대한 확인 문제는 여전히 있다. 시간 t에 안전하지 않은 끼어들기의 가능성을 확인하기 위한 효율적인 알고리즘이 아래에 제시된다. 전체 궤적을 확인하기 위하여, 시간 간격 [0, t brake]를 이산화(discretize) 하고 모든 시간 간격에 알고리즘을 적용한다(이산화가 피해를 주지 않게 하기 위해 안전 거리의 정의에 약간 증가된 p의 값을 적용). c를 한정하는 최소 사각형의 대각선의 길이를
Figure pat00276
라고 할 때, 각 시간 t∈ [0, t brake]에 대하여, c length(t)는 시간 t에서의 c의 종방향 '폭(span)'이고,
Figure pat00277
라고 할 때, c width[t]는 유사하게 정의되고,
Figure pat00278
이다.
Figure pat00279
다음의 정리는 상기 알고리즘이 맞다는 것을 입증한다.
정리2 알고리즘 1의 결과가 '실행 불가능'으로 나오는 경우, 시간 t에 자기 차량의 과실인 안전하지 않은 끼어들기가 있을 수 없다. 이 정리를 입증하기 위해, 알고리즘1의 두 빌딩 블록이 맞다는 것을 입증하는 하기의 주요 렘마들이 필요하다. 종방향 실행 가능성부터 시작한다.
렘마5 알고리즘 1에 표기된 바에 따라, 상기 check longitudinal feasibility 절차가 '실행 불가능(non-feasible)'이라는 결과로 완료되는 경우, 시간 t에 자기 차량의 과실인 안전하지 않은 끼어들기가 있을 수 없다.
입증 끼어들기 동작의 횡방향 양상은 무시하고, c와 c 사이의 종방향 거리가 안전하지 않을 가능성만을 단순히 검사한다. 위치
Figure pat00280
가 시간 t에
Figure pat00281
에 의해 획득될 수 있는 위치를 한정한다는 것은 분명하다.
Figure pat00282
, 이라는 사실에 따라, ≥L인 획득 가능한 종방향으로 안전하지 않은 거리를 구한다.
Figure pat00283
이라고 가정하고,
Figure pat00284
으로 표기되는 안전하지 않은 종방향 위치와 속도를
Figure pat00285
,
Figure pat00286
로 한정된 가속 명령을 활용하여 획득할 수 있다고 가정하면,
Figure pat00287
의 정의에 의해,
Figure pat00288
이 되고, 따라서 차량 사이의 거리가 증가하게, 즉,
Figure pat00289
이 된다.
Figure pat00290
는
Figure pat00291
에 대하여 종방향으로 안전하므로, 종방향 비안전(longitudinal non-safety)의 정의에 의해, 획득된 속도
Figure pat00292
는
Figure pat00293
보다 작야야 된다. 그러나, 낮은 속도에 도달하려면,
Figure pat00294
는 시간 윈도우 [0, t] 내내
Figure pat00295
보다 낮은 평균 가속도를 사용해야하는 것이 분명하므로,종방향 비안전이
Figure pat00296
,
Figure pat00297
로 한정된 명령을 활용하여 획득됐다는 사실과 상충된다.
Figure pat00298
사례에 대한 대칭적 주장을 고려함으로써, 이 입증은 완료된다.
다음으로, 횡방향 실행 가능성에 대해 설명한다.
렘마6 알고리즘 1에 표기된 바에 따라, 상기 check lateral feasibility 절차가 '실행 불가능(non-feasible)'이라는 결과로 완료되는 경우, 시간 t에 자기 차량의 과실인 안전하지 않은 끼어들기가 있을 수 없다.
입증 우선, 좌표의 단순한 변경과 상대 속도의 고려에 의해,
Figure pat00299
의 가정과 v x [t]에 관한 가정으로 일반성이 상실되지 않는 것이 분명하다. 또한, 유사한 논리로,
Figure pat00300
인 경우에 사례로 연장하는 것은 어렵지 않다.
본 사례에서 (x[t], x[t] - W)인 끼어들기에 개입된 차량들의 위치는 일부 횡방향 위치에 의한 (μ1, μ2)-승리를 시사하여, 과실에 영향을 미친다. vx[t]에 대한 가정에 의해, c에게 과실이 있다는 가정 하에 시간 t에
Figure pat00301
가 활용할 수 있는 최대 횡방향 속도는 0이다. 이는, 횡방향 속도를 μ-'무승부(tie)'(c가 횡방향 위치에 의한 (μ1, μ2)-승리하지 않는 경우, 이는 c에 과실을 묻기에 충분할 수 있다)하기 위해서 또는 횡방향 속도를 μ-승리(c가 횡방향 위치에 의한 (μ1, μ2)-승리하는 경우, 이는 c에 과실을 묻기 위해 필수적이다)하기 위해서이다. 남은 일은
Figure pat00302
에 의해 한정된 횡방향 가속을 활용하여
Figure pat00303
에서 시작하고
Figure pat00304
에서 종료하는 최종 위치가
Figure pat00305
인 동작이 있는지 여부를 확인하는 것이다. 즉, 원하는 횡방향 속도 0으로 끝나는 끼어들기이다.
상기 알고리즘에서
Figure pat00306
로 정의됨에 따라, t top ＜0이라고 가정하면, 이는 최대 횡방향 가속도, 즉,
Figure pat00307
를 활용하는 경우에 횡방향 속도 0에 도달하기 위해 c에 의해 요구되는 시간은 t보다 작다는 것을 시사한다. 이는 원하는 속도를 시간 내에 도달하기 위해 수행할 수 있는 동작이 없다는 것을 시사하므로, 문제가 되는 동작이 없다. 따라서, 절차가 t top ＜0으로 인해 결과가 '실행 불가능'으로 나오는 경우, 실제로 c의 과실인 안전하지 않은 끼어들기의 실행 가능성은 없다.
t top > 0의 경우를 고려하면, 절차는 xmax <-W로 인해 결과가 '실행 불가능'으로 나왔다.
Figure pat00308
로 표기되고 α에 의해 파라미터로 나타내어진 시간 범위 [0, t]에서
Figure pat00309
에 대한 일군의 횡방향 속도 프로필을 고려하면, 각 α에 대해 상기 알고리즘에 사용된 것과 유사한 방식으로
Figure pat00310
라고 정의한다. 여기서, 모든
Figure pat00311
에 대해 t top(α) > 0이다. 이제, 모든 시간 t' 0 [0, t]에 대해 속도 프로필
Figure pat00312
를 다음과 같이 정의한다.
Figure pat00313
첫째,
Figure pat00314
가 제약
Figure pat00315
를 만족시킴을 알 수 있다. 둘째,
Figure pat00316
를 활용하면서 이동한 거리는 구분적 선형 함수의 적분에 상응하므로 계산이 가능하다. 도착한 위치를
Figure pat00317
로 정의하고, 알고리즘에서 정의된
Figure pat00318
는 정확히
Figure pat00319
이다. 셋째, 이동한 거리는 a와 함께 단조적으로(monotonically) 증가하고 한정되지 않는 것을 알 수 있다. 따라서, 원하는 최종 위치 position
Figure pat00320
에 대해,
Figure pat00321
인 α의 값이 존재한다. 특히, x = x[t] - W에 대해, 이러한 값이 존재하는데, 이를
Figure pat00322
로 표기한다.
상기 알고리즘에서 정의된 x max가 <x[t] - W이므로,
Figure pat00323
이다. 이는 ≥x[t] - W의 위치로 이끌 수 있는 유효한 동작이 없다는 것을 보여주기 위해 충분하지 않고, U그룹의 멤버들에 대해서만 시사된다. U의 밖에서도 x[t] - W의 최종 위치를 획득하는 모든 속도 프로필은 그 과정에서 적어도
Figure pat00324
의 가속도 값을 활용해야 된다는 것을 입증하며, 따라서 무효가 되고, 입증이 완료된다.
일부 속도 프로필 u가 경계 제약
Figure pat00325
를 만족시킨다고 가정하고, 나아가 최종 위치
Figure pat00326
를 획득한다고 가정하면, 다음을 구할 수 있다.
Figure pat00327
모든 τ에 대해
Figure pat00328
t라고 가정하고, 특히
Figure pat00329
라고 가정하면, 평균값의 정리(mean value theorem)로부터, 다음이 성립되도록 하는
Figure pat00330
이 존재한다.
Figure pat00331
Figure pat00332
이는,
Figure pat00333
를 초과하는 가속도(즉, 속도의 미분계수인 u')를 사용하므로 u의 실행 불가능성을 시사한다.
이제, 모든 τ에 대해 반드시
Figure pat00334
는 아니라고 가정하면,
Figure pat00335
라는 사실로 인해,
Figure pat00336
인 지점이 있어야 한다. 이러한 지점
Figure pat00337
이
Figure pat00338
내에 존재하는 경우, 상기와 유사한 방식으로 손쉽게 평균값의 정리를 활용하여, 너무 큰 가속도를 사용하는 경우의
Figure pat00339
를 구할 수 있다. 이러한 지점이
Figure pat00340
내에만 존재하는 경우, 비슷한 논리를 통해
Figure pat00341
보다 작은 가속도 값을 사용하는 지점
Figure pat00342
를 구할 수 있고, 이로써 입증이 완료된다. 상기 렘마를 통해, 정리 2는 바로 입증된다.
안전 확인 - 시야 가림
관찰된 물체에 대한 방식과 유사한 방식으로, 가려진 물체에 대한 조심성에 대한 연장을 정리1과 유사한 정리로 정의하여, 조심성이 우리 과실인 사고가 절대 없다는 것을 시사함을 입증할 수 있다.
정의15 (가려진 물체에 대한 조심성) 시간 t에 주어진 명령은, 물체의 노출 시간이 t+1이고 t+1에 DEP(Default Emergency Policy)를 명령하는 경우, 우리 과실인 사고가 나지 않을 경우에 가려진 물체(Occluded Objects)에 대하여 주의(Cautious)이다.
렘마7 가려진 물체와 가려지지 않은 물체에 대하여 주의 명령만을 내리는 경우, 우리 과실인 사고가 절대 일어나지 않을 것이다.
입증 우리 과실인 사고가 시간 t에 발생했고, 노출 시간이 t'≤t라고 가정하면, 조심성 가정에 의하여, t' - 1에 내린 명령 덕분에 사고의 과실일 염려 없이 t'에 DEP 명령을 내릴 수 있다. 우리 과실의 사고가 있었으므로, t'에 DEP 명령을 내리지 않은 것으로 보인다. 그러나 t' 이후로, 가려지지 않은 물체에 대하여 안전하므로, 우리가 내린 명령은 안전하였고, 우리 과실의 사고가 없었다.
여기서도, 가려짐 물체의 최악의 가정에 대하여 조심성을 확인하는 효율적인 방법을 제공하여, 실행 가능하고 확장 가능한 RSS를 가능하게 한다.
주행 방침
주행 방침은 감지 상태(우리 주변 세상의 묘사)로부터 주행 명령(예, 차량이 지금으로부터 1초 후에 어디에 어떤 속도로 있어야 하는지를 결정하는 다음 1초에 대한 횡방향 및 종방향 가속)으로의 매핑이다. 주행 명령은 실제로 차량을 원하는 위치/속도로 움직이는 것을 목표로 하는 제어 장치로 전달된다.
앞서, 형식화된 안전 모델과 안전을 보장하는 주행 방침에 의해 내려진 명령에 대해 제안된 제약에 관해 설명하였다. 안전에 대한 제약은 극한의 경우에 대해 설계된다. 전형적으로, 이러한 제약이 필요하길 바라지 않고, 안락한 탑승으로 이어지는 주행 방침을 구축하기를 원한다. 여기서는, 효율적인 주행 방침, 특히 수백만 대의 차량으로 확장 가능한 전산 자원을 요구하는 주행 방침을 구축하는 방법에 대해 집중하고자 한다. 일단, 여기서는 감지 상태를 획득하는 방법에 대해 다루지 않고 아무 제한도 없는 우리 주변의 세상을 그대로 나타내는 이상적인 감지 상태를 가정하지 않는다. 주행 방침 상의 감지 상태에서의 부정확의 결과에 대해서는 하기에 논의한다.
주행 방침을 정의하는 문제는 앞서 설명한 바와 같이 강화 학습(RL)의 언어에 들어있다. RL의 각 반복에서, 에이전트는 s t 로 표기되는 세상을 묘사하는 상태를 관찰하고, 상태를 동작으로 매핑하는 방침 함수 ð에 의거하여 a t 로 표기되는 동작을 선택해야 한다. 에이전트의 동작과 에이전트의 통제 밖의 다른 요소(다른 에이전트의 동작 등)의 결과, 세상의 상태는 s t +1로 변경된다. (상태, 동작) 시퀀스는
Figure pat00343
로 표시한다. 모든 방침은 (상태, 동작) 시퀀스에 대해 확률 함수를 유도한다. 이러한 확률 함수는 에이전트가 취한 동작에 영향을 받을 수 있지만, 주변상황(특히, 다른 에이전트의 행동)에도 달려있다. π에 유도된 (상태, 동작) 시퀀스에 대한 확률은 Pπ로 표시한다. 방침의 질은
Figure pat00344
인 것으로 정의되고, 여기서
Figure pat00345
는 시퀀스
Figure pat00346
의 품질을 측정하는 보상 함수이다. 대부분의 경우,
Figure pat00347
는
Figure pat00348
의 형태를 취하고, 여기서 p(s, α)는 상태 s에 있고 동작 α를 수행하는 품질을 즉각적으로 측정하는 순간 보상 함수이다. 설명을 단순화 하기 위하여, 이러한 단순한 경우에 한해 논의하기로 한다.
주행 방침 문제를 상기 RL 언어로 묘사하기 위해, s t 를 통해 도로, 및 본 차량과 다른 도로 사용자의 위치, 속도, 및 가속도를 나타내기로 한다.
Figure pat00349
는 횡방향 및 종방향 가속 명령으로 정한다. 다음 상태
Figure pat00350
은
Figure pat00351
뿐만 아니라 다른 에이전트의 행동에 달려있다. 순간 보상 ρ(
Figure pat00352
,
Figure pat00353
)는 다른 차량들에 대한 상대적 위치/속도/가속도, 우리 속도와 원하는 속도 사이의 차이, 우리가 원하는 경로를 따라가는지 여부, 우리 가속이 편안한지 여부 등에 달려있다.
시간 t에 방침이 어떤 동작을 취해야 하는지를 결정하는데 있어서 한가지의 도전은 이 동작이 보상이 미칠 장기적 결과를 추정해야 한다는 사실에서 비롯된다. 예를 들면, 주행 방침의 맥락에서, 시간 t에 취해진 동작은 현재 훌륭한 동작으로 보이지만(즉, 보상값 ρ(
Figure pat00354
,
Figure pat00355
)가 훌륭하다), 5초 후에는 사고로 이어질 수 있다(즉, 5초 후의 보상값은 재앙적이다). 따라서, 에이전트가 상태 s에 있을 때 동작 α수행의 장기적 품질을 추정해야 한다. 이를 종종 Q-함수라고 부르며, 즉, Q(s, α)는 시간 s에 동작 α수행의 장기적 품질을 반영해야 한다. 이러한 Q-함수를 고려하여, 동작의 당연한 선택은 가장 높은 품질, 즉
Figure pat00356
인 동작을 선택하는 것이다.
즉각적인 질문은 Q를 어떻게 정의하고 어떻게 Q를 효율적으로 평가하느냐는 것이다. 일단, st+1이 (
Figure pat00357
,
Figure pat00358
)의 결정적 함수, 즉, st+1 = f(
Figure pat00359
,
Figure pat00360
)라고 단순하게 (완전히 비현실적으로) 가정하자. 마르코프 결정 프로세스(MDP)에 대해 잘 아는 경우, 이 가정은 MDP의 마르코프 가정보다 강력하다는 것을 알 수 있다(즉, (
Figure pat00361
,
Figure pat00362
)를 고려할 때, st+1 은 과거와 조건부로 별개이다). [5]에서 알 수 있듯이, 마르코프 가정마저도 주행과 같은 멀티-에이전트 상황에 충분하지 않고, 따라서 나중에 가정을 완화할 것이다.
본 단순화 가정 하에서, st를 고려하여, T 단계
Figure pat00363
에 대한 모든 시퀀스의 결정에 대해, 미래 상태
Figure pat00364
뿐만 아니라 시간 t, .　.　.　, T에 대한 보상값을 정확하게 계산할 수 있다.
이러한 모든 보상값을, 예를 들어 보상값의 합
Figure pat00365
을 취하여, 단일 수로 정리하면, Q(s, α)를 다음과 같이 정의할 수 있다.
Figure pat00366
를 만족시키는
Figure pat00367
즉, Q(s, α)는 우리가 현재 상태 s에 있고 동작 α를 즉시 수행하는 경우에 우리가 희망할 수 있는 최상의 미래이다.
어떻게 Q를 계산하는지 살펴보면, 우선, 가능한 동작의 집합 A를 유한의 집합
Figure pat00368
로 이산화 하고, 이산화된 집합 내의 모든 동작 시퀀스를 단순히 횡단한다. 이후, 런타임이 이산 동작 시퀀스의 수
Figure pat00369
에 의해 지배된다.
Figure pat00370
가 10 횡방향 가속과 10 종방향 가속을 나타내는 경우, 100T의 가능성을 얻게 되는데, 이는 작은 값의 T에 대해서도 실행 불가능한 것이다. 검색을 더 빠르게 하는 휴리스틱(heuristics)이 있긴 하지만(예, coarse-to-fine search), 이러한 브루트 포스 접근 방식에는 엄청난 계산력이 요구된다.
파라미터 T는 종종 '계획의 시간 지평'이라고 불리며, 계산 시간과 평가의 질 사이의 자연스런 균형을 제어한다. 즉, T가 클수록, 현재 동작의 평가가 훌륭한 반면(현재 동작의 결과를 미래 안으로 더 깊게 명시적으로 검사하기 때문), T가 클수록, 계산 시간은 기하급수적으로 증가한다. 더 큰 값의 T가 필요한 이유를 이해하기 위해, 나가야 하는 고속도로 출구가 200미터 전방에 있는 상황을 보기로 하자. 시간 지평이 충분히 긴 경우, 누적 보상은 t와 t+T 사이의 어떤 시간 τ에 출구 차로에 도달했는지 여부를 나타낼 것이다. 반면에, 시간 지평이 짧으면, 올바른 동작을 즉각적으로 수행해도, 그 동작이 궁극적으로 출구 차로로 이끌 것인지 알 수 없을 것이다.
다른 접근 방식은
Figure pat00371
로 표기되는
Figure pat00372
의 근사치를 구성하기 위하여 오프라인 계산을 수행한 후, 방침의 온라인 런 동안에 명시적으로 미래를 롤 아웃 하지 않고
Figure pat00373
를
Figure pat00374
의 근사치로 활용하는 것이다. 이러한 근사치를 구성하는 한가지 방법은 동작 영역과 상태 영역을 모두 이산화하는 것이다. 이러한 이산화 집합은
Figure pat00375
,
Figure pat00376
로 표기된다. 오프라인 계산은 모든
Figure pat00377
에 대해 Q(s, α)의 값을 평가할 수 있다. 이후, 모든
Figure pat00378
,
Figure pat00379
(s t , α)는
Figure pat00380
에 대해 Q(s, α)인 것으로 정의한다. 또한, 벨만 [2, 3]의 선구적 연구에 의거하여, 모든
Figure pat00381
에 대해 Q(s, α)를 다이나믹 프로그래밍 절차(예, 가치 반복 알고리즘)에 의거하여 계산할 수 있고, 우리의 가정하에, 전체 런타임은 대략
Figure pat00382
이다. 이 접근 방식의 주요 문제는 모든 합리적 근사치에서
Figure pat00383
가 극도로 크다는 것이다(차원수(dimensionality)의 저주에 기인). 실제로, 감지 상태는 장면 내 모든 다른 관련 차량에 대하여 6 파라미터를 대표해야 한다. 즉, 종방향 및 황방향 위치, 속도, 및 가속이다. 각 차원을 10개의 값으로 이산화 하여도(매우 투박한 이산화), 6차원이 있기 때문에, 단일 차량을 설명하려면 106의 상태가 필요하고, k대의 차량을 설명하려면 106k의 상태가 필요하다. 이는 모든 (s, α)에 대해 Q의 값을
Figure pat00384
에 저장하기 위한 비현실적인 메모리 요건으로 이끈다.
이러한 차원수의 저주를 처리하기 위한 한가지 접근 방식은 Q가 수동으로 판단된 특징에 대한 선형 함수 또는 심층 신경망과 같은 제한된 부류의 함수(종종 가설 부류로 칭함)로부터 오도록 제한하는 것이다. 예를 들어, 아타리(Atari) 게임을 하는 맥락에서 Q의 근사치를 구하는 심층 신경망을 고려하자. 이는 Q의 근사치를 구하는 함수의 부류가 효율적으로 평가될 수 있다는 전제하에서, 자원 효율적인 솔루션으로 이끌 수 있다. 그러나 이러한 접근 방식에도 몇 가지 단점이 있다. 첫째, 선택된 부류의 함수가 원하는 Q 함수에 대한 훌륭한 근사치를 포함하는지 여부를 모른다. 둘째, 이러한 함수가 존재한다고 하여도, 기존의 알고리즘이 효율적으로 그 함수를 학습할 수 있는지 여부를 모른다. 아직까지, 우리가 주행에서 직면하고 있는 것과 같은 복잡한 멀티-에이전트 문제에 대한 Q함수 학습에 대한 성공 사례가 많지 않다. 이 작업이 왜 어려운지에 대한 몇 가지 이론적인 이유가 있다. 마르코프 가정에 관하여 언급한 바와 같이, 근본적인 기존 방법들은 문제가 있다. 그러나, 더욱 심각한 문제는 의사 결정의 시간 해상도로 인한 신호 대 잡음비가 매우 작다는 것이다. 이에 대해서는 하기에 설명한다.
차량이 200미터 전방의 고속도로 출구로 나가기 위해 차로를 변경해야 하고 도로에 현재 다른 차가 없는 단순한 상황을 고려해보자. 최선의 결정은 차로 변경을 시작하는 것이다. 결정은 0.1초마다 이루어져서 현재 시간 t에 Q(st, α)의 최선의 값이 우측으로의 작은 횡방향 가속에 상응하는 동작 α가 되어야 한다. 제로 횡방향 가속에 상응하는 동작 α'를 고려하자. 차로 변경 시점인 지금과 0.1초 이후의 차이가 매우 작으므로, Q(st, α)와 Q(st, α')의 값은 거의 동일하다. 다시 말하면, α대신 α'를선택하는 것에 대한 장점이 거의 없다. 반면, Q에 대한 함수 근사치를 사용하고 있고 상태 st의 측정에 잡음이 있기 때문에, Q값에 대한 근사치에는 잡음이 있을 가능성이 높다. 따라서 매우 작은 신호 대 잡음비를 산출하고 학습이 극도로 느리게 하는데, 신경망 근사치 측정 부류에서 많이 사용되는 확률적(stochastic) 학습 알고리즘에 대해선 특히 그렇다. 그러나, 앞서 언급한 바와 같이, 이 문제는 어느 특정 함수 근사치 부류의 성질이 아니라 Q함수의 정의에 내재된 것이다.
정리하면, 사용 가능한 접근 방식은 대략 두 부류로 나뉠 수 있다. 첫 번째 부류는 많은 시퀀스의 동작에 걸쳐 검색 또는 감지 상태 영역의 이산화와 메모리에 방대한 표의 유지를 포함하는 브루트 포스 접근 방식이다. 이 접근 방식은 Q의 매우 정확한 근사치 측정으로 이끌 수 있지만, 계산 시간 또는 메모리의 차원에서 무제한의 자원을 요구한다. 두 번째 부류는 짧은 시퀀스의 동작을 검색하거나 함수 근사치를 Q에 적용하는 자원 효율적 접근 방식이다. 두 경우 모두, Q의 근사치가 덜 정확한 문제를 가지고 있으므로 나쁜 결정을 이끌 수 있다.
여기에 설명한 접근 방식은 자원 효율적이면서 동시에 정확한 Q함수 구축을 포함하며 기하학적 동작을 떠나 의미론적 동작 공간을 받아들여야 한다. 이에 대해서는 다음에서 설명한다.
의미론적 접근 방식
기재된 의미론적 접근 방식의 바탕으로, 운전면허를 취득한 지 얼마 되지 않은 10대 운전자의 상황을 고려하기로 한다. 이 10대 운전자의 옆에 앉아 '주행 방침'을 지시한다. 이러한 지시는 기하학적이 아니다. 예를 들면, '현재 속도로 13.7미터를 운전한 후에 0.8 m/s2의 가속도로 가속하라.'라는 형태를 취하지 않는다. 대신, 지시는 의미론적 성질을 가지고 있다. 예를 들면, '전방의 차를 따라 가라' 또는 '좌측의 차를 재빨리 추월하라.'라는 형태이다. 이러한 지시에 대한 의미론적 언어는 형식화되고 의미론적 동작 공간으로 사용된다. 이후, 의미론적 동작 공간에 대해 Q 함수를 정의한다. 의미론적 동작의 시간 지평이 매우 길 수 있음을 알 수 있고, 이로써 많은 미래의 의미론적 동작에 대한 계획을 하지 않고 Q(s, α)를 추정할 수 있다. 의미론적 동작의 전체 개수는 여전히 적다. 이로써, 여전히 자원 효율적이면서 Q 함수의 정확한 추정을 확보할 수 있다. 나아가, 나중에 설명하겠지만, 품질 함수를 더 개선하기 위한 학습 방법을 병합하면서, 서로 다른 의미론적 동작 사이의 중대한 차이로 인한 작은 신호 대 잡음비의 문제로부터 자유로울 수 있다.
이제 의미론적 동작 공간을 정의한다. 핵심 개념은 횡방향 및 종방향 목표를 정의하고, 이 목표를 달성하는 공격성 수준도 정의하는 것이다. 횡방향 목표는 차로 좌표 시스템에서의 원하는 위치이다(예, '내 목표는 2차선 차로의 중앙에 가는 것이다'). 종방향 목표에는 3가지 유형이 있다. 첫 번째는 다른 차량들에 대한 상대적 위치와 속도이다(예, '나의 목표는 같은 속도로 2초 거리를 두고 3번 차량의 뒤에 있는 것이다'). 두 번째는 속도 목표이다(예, '이 도로의 속도 제한의 110% 속도로 달리자'). 세 번째는 특정 위치에서의 속도 제약이다(예, 교차로에 접근하는 경우, '정지선에서의 속도 0', 급커브를 지나는 경우, '커브의 특정 위치에서는 시속 60km 이하'). 세 번째 옵션에 대해, '속도 프로필'을 대신 적용할 수 있다(경로 상에 거의 없는 이산점 및 각각에 요구되는 속도). 횡방향 목표의 적당한 수는 16 = 4×4로 한정된다(최대 4차선의 4 위치). 첫 번째 유형의 종방향 목표의 적당한 수는 8×2×3 = 48로 한정된다(서로 앞 또는 뒤에 있는 8대의 관련 차량과 3 연관 거리). 절대 속도 목표의 적당한 수는 10이고, 속도 제약의 수에 대한 적당한 상한은 2이다. 주어진 횡방향 또는 종방향 목표를 이행하기 위하여, 가속을 한 후 감속을 해야(또는 반대) 한다. 목표를 달성하는 공격성은 목표를 달성하기 위한 최대(절대값으로) 가속/감속이다. 정의된 목표와 공격성으로, 운동학적 연산을 활용하여 목표를 이행하기 위한 폐쇄 형태 공식을 얻는다. 유일하게 남은 것은 횡방향 목표와 종방향 목표 사이의 조합을 결정하는 것이다(예, '횡방향 목표로 시작해서, 정확하게 그 중간에 종방향 목표 적용을 시작'). 5 혼합 시간과 3 공격성 수준은 충분해 보인다. 대략 크기가
Figure pat00385
104인 의미론적 동작 공간이 확보됐다.
이러한 의미론적 동작을 이행하기 위해 필요한 가변적 시간은 의사 결정 프로세스의 빈도와 동일하지 않다는 것에 유의해야 한다. 동적인 세상에 반응하기 위하여, 높은 빈도로(본 이행에서는 10 ms마다) 의사 결정을 해야한다. 반면에, 이러한 각 결정은 시간 지평이 훨씬 긴(예, 10초) 일부 의미론적 동작을 이행하는 궤적의 구성에 의거한다. 긴 시간 지평을 사용하는 이유는 궤적의 단기 접두부(prefix)의 평가에 도움이 되기 때문이다. 의미론적 동작의 평가에 대해 하기에 설명하기에 앞서, 의미론적 동작이 충분한 검색 공간을 유도한다는 점을 논하고자 한다.
앞서 설명한 바와 같이, 의미론적 동작 공간은 그 크기가 모든 가능한 기하학적 곡선을 나열하는 것보다 기하급수적으로 작은(T의 차원에서) 부분 집합을 유도한다. 즉각적으로 드는 첫 번째 의문은 이러한 작은 검색 공간은 단기 접두부의 집합이 우리가 언젠가는 사용하고자 할 모든 기하학적 명령을 포함하는지 여부이다. 이는 다음과 같은 차원에서 실제로 충분하다. 도로에 다른 에이전트가 없는 경우, 횡방향 목표 및/또는 절대 가속 명령 및/또는 특정 위치에 대한 속도 제약의 설정 외에 어떤 변경을 할 이유가 없다. 도로에 다른 에이전트가 있는 경우, 그 에이전트와 선행권을 절충하고자 할 수 있다. 이 경우, 다른 에이전트에 상대적으로 종방향 목표를 설정하면 된다. 장기적 측면에서의 이러한 목표의 정확한 이행은 다를 수 있지만, 단기적 접두부는 그리 다르지 않을 것이다. 따라서, 유의미한 단기 기하학적 명령에 매우 잘 대비하게 된다.
의미론적 동작에 대한 평가 함수 구성
동작의 의미론적 집합을 정의하였고 As로 표기한다. 현재에 상태 s에 있다는 전제하에, 최선의
Figure pat00386
를 선택하는 방법이 필요하다. 이 문제를 풀기 위하여, [6]의 옵션 메커니즘에 대한 접근 방식과 유사한 접근 방식을 따른다. 기본 개념은
Figure pat00387
를 메타 액션(meta-action)(또는 옵션)으로 간주하는 것이다. 메타 액션의 각 선택에 대해, 메타 액션
Figure pat00388
의 이행을 나타내는 기하학적 궤적 (s1, α1),..., (s T , αT)를 구성한다. 이를 위해, 다른 에이전트가 우리의 동작에 어떻게 반응할 것인지를 알아야 하는 것이 물론이지만, 일단은 일부 알려진 결정적 함수 f에 대해 s t +1 = f(s t , α t )인 가정에 여전히 의존한다. 이제,
Figure pat00389
를 상태 s 1에 있을 때 의미론적 동작
Figure pat00390
를 수행하는 품질의 근사치로 사용할 수 있다.
이러한 접근 방식은 유력한 주행 방침을 제공할 수 있다. 그러나, 일부 경우에서, 더욱 정교한 품질의 함수가 필요할 수 있다. 예를 들면, 느린 속도로 가는 트럭을 따라가고 있고, 출구 차로로 들어가야 하는 상황을 고려해볼 수 있다. 한가지 의미론적 옵션은 트럭 뒤에 계속 느린 속도로 따라가는 것이다. 다른 옵션은 트럭을 추월하고, 출구 차로로 나중에 다시 들어가서 늦지 않게 출구로 나갈 수 있기를 바라는 것이다. 앞서 설명한 품질 조치는 트럭을 추월한 이후에 어떤 일이 발생할지 고려하지 않고, 따라서 트럭을 추월하고 출구 차로로 다시 들어올 시간이 충분하다고 하더라도 우리는 두번째 의미론적 동작을 취하지 않을 것이다. 머신 러닝은 당장의 의미론적 동작 이상을 고려할 의미론적 동작의 향상된 평가를 구성하게 해준다. 앞서 설명한 바와 같이, 당장의 기하학적 동작에 대한 Q 함수의 학습은 낮은 신호 대 잡음비로 인해(장점 부족) 문제가 있다. 이는, 서로 다른 의미론적 동작의 수행 사이에는 커다란 차이가 있고, 의미론적 시간 지평(얼마나 많은 의미론적 동작을 고려하는지)은 매우 작기(대부분의 경우 3 미만) 때문에, 의미론적 동작을 고려할 때 문제가 되지 않는다.
머신 러닝 적용의 또 다른 잠재적 장점은 일반화를 위한 것이다. 즉, 시행착오가 일부 포함될 수 있는 도로 특성의 수동 검사에 의해, 모든 도로에 대해 충분한 평가 함수를 설정할 수 있다. 그러나 모든 도로에 대해 자동으로 일반화가 가능한가 여기서, 앞서 설명한 바와 같이, 머신 러닝 접근 방식은 보이지 않는 도로도 일반화하도록 매우 다양한 도로 유형에 대해 학습될 수 있다. 기재된 실시예에 따른 의미론적 동작 공간은 잠재적 장점을 가능하게 한다. 즉, 의미론적 동작은 긴 시간 지평 상의 정보를 포함하므로 자원 효율적이면서도 의미론적 동작의 품질의 매우 정확한 평가를 확보할 수 있다.
다른 에이전트의 역학
이제까지, s t +1는 s t 와 α t 의 결정적 함수라는 가정에 의존했다. 앞서 강조한 바와 같이, 우리의 동작이 다른 도로 사용자들의 행동에 영향을 미치므로 이러한 가정은 완전히 현실적이지 않다. 다른 에이전트의 일부 반응을 우리의 동작에 참작하지만(예, 안전하게 끼어들기를 할 경우, 뒤의 차량은 속도를 조절하여 추돌을 하지 않도록 할 것이라는 가정), 다른 에이전트의 모든 역학을 모델링한다고 가정하는 것을 현실적이지 않다. 이 문제에 대한 솔루션은 높은 빈도로 의사 결정을 다시 적용하는 것이고, 이로써 방침을 모델링 너머의 주변상황 부분으로 적응시키는 것이다. 어떤 의미에서는, 이를 각 단계에서 세상을 마르코프화(Markovization) 하는 것으로 간주할 수 있을 것이다.
감지
여기서는, 장면의 유의미한 정보의 묘사이고 주행 방침 모듈로의 입력을 형성하는 감지 상태에 대해 설명하기로 한다. 개괄적으로, 감지 상태는 정적 물체와 동적 물체를 포함한다. 정적 물체는 차로, 물리적 도로 구분 표시, 속도에 대한 제약, 선행권에 대한 제약, 및 시야를 가리는 물체(예, 병합 도로의 관련 부분을 가리는 펜스)에 대한 정보를 포함한다. 동적 물체는 차량(예, 경계 박스(bounding box), 속도, 가속도), 보행자(예, 경계 박스, 속도, 가속도), 신호등, 동적 도로 구분 표시(예, 공사 구역에 있는 원뿔형 도로표지), 임시 교통 표지판과 경찰 활동, 및 도로 상의 기타 장애물(예, 동물, 트럭에서 떨어진 짐 등)을 포함한다.
모든 합리적인 센서 설정에서, 정확한 감지 상태 s를 확보할 것으로 기대할 수는 없다. 그러나 x 0 X로 표기하는 미가공(raw) 센서 및 매핑 데이터를 보고, x를 취해 근사한 감지 상태를 생성하는 감지 시스템이 있다.
정의16 (감지 시스템) S가 감지 상태의 영역을 나타내고, X가 미가공 센서 및 매핑 데이터의 영역이라고 가정하면, 감지 시스템은 함수
Figure pat00391
이다.
Figure pat00392
에 대한 합리적인 근사치로 허용할 수 있는 경우를 이해하는 것이 중요하다. 이 질문에 대한 궁극적인 답은 이러한 근사치가 주행 방침의 수행에 일반적으로 시사하는 바와 특히 안전에 시사하는 바를 검사하는 것이다. 앞서 구별한 안전-안락 차이에 따라, 안전하지 않은 행동으로 이어지는 감지 오류와 안락한 탑승에 영향을 미치는 감지 오류 사이의 차이를 다시 구별한다. 상세한 내용으로 들어가기에 앞서, 감지 시스템은 다음과 같은 유형의 오류를 낼 수 있다.
ㆍ부정 오류(false negative): 감지 시스템이 물체를 누락한다.
ㆍ긍정 오류(false positive): 감지 시스템이 '유령' 물체를 지시한다.
ㆍ부정확한 측정: 감지 시스템이 물체를 정확하게 검출하지만 그 위치 또는 속도를 부정확하게 추정한다.
ㆍ 부정확한 의미론: 감지 시스템이 물체를 정확하게 검출하지만 그 의미론적 의미, 예를 들어, 신호등의 색을 잘못 이해한다.
안락
앞서 살펴본 바와 같이, 의미론적 동작 α에 대하여, 현재의 감지 상태가 s라는 전제 하에, α의 평가는 Q(s, α)로 표현한다. 방침은 동작
Figure pat00393
=
Figure pat00394
를 선택한다. s대신에
Figure pat00395
를 주입하면, 선택된 의미론적 동작은
Figure pat00396
가 될 것이다.
Figure pat00397
s)인 경우,
Figure pat00398
는 s의 알맞은 근사치로 인정돼야 한다. 그러나, 실제 상태 s에 대한 π의 품질
Figure pat00399
이 거의 최적, 즉, 일부 파라미터
Figure pat00400
에 대해
Figure pat00401
이라면,
Figure pat00402
를 선택하는 것도 전혀 나쁘지 않다. 당연히, 감지 시스템이 항상
Figure pat00403
가 정확하기를 기대할 수는 없다.
Figure pat00404
따라서, 감지 시스템이 약간의 확률 δ의 오류를 내는 것도 허용한다. 이 경우, 는 Probably(적어도 1 - δ), Approximately(
Figure pat00405
까지), Correct, 또는 약어로 PAC(Valiant의 PAC-러닝 용어에서 따옴)이라고 할 수 있다.
시스템의 서로 다른 양상을 평가하기 위해 여러 (ε, δ) 쌍을 활용할 수 있다. 예를 들어, 경미한, 중간의, 및 중대한 오류를 나타내기 위해 임계값 ε1＜ε2＜ε3을 선택하고, 각 임계값에 대해 다른 값의 δ를 설정할 수 있다. 이로써 다음과 같은 정의로 이어진다.
정의17 (PAC 감지 시스템)
Figure pat00406
가 (정확도, 신뢰도) 쌍이라고 하고, S가 감지 상태 영역이라고 하고, X가 미가공 센서 및 매핑 데이터 영역이라고 하고, D가 X × S 상의 분포라고 하고, A가 동작 공간이라고 하고,
Figure pat00407
가 품질 함수라고 하고,
Figure pat00408
가 되로록 S → A라고 할 때, 감지시스템
Figure pat00409
는 각
Figure pat00410
모두에 대해
Figure pat00411
인 경우 상기 파라미터에 대해 PAC(Probably-Approximately-Correct)이다.
여기서, 상기 정의는 X ×S 상의 분포 D에 달렸다. 중요한 것은 이 분포는 자율주행차의 특정 방침을 따르지 않고 많은 사람 운전자의 데이터를 기록하여 구성된다는 것이다. 자율주행차의 특정 방침을 따르는 것이 더 적절해 보이지만, 온라인 검증을 필요로 하기 때문에 감지 시스템의 개발이 현실적이지 못하게 된다. D에 대한 어떠한 적당한 방침의 영향도 사소하므로, 단순한 데이터 증강 방법을 적용하여 적절한 분포를 구성한 후, 감지 시스템의 각 주요 업데이트 후에 오프라인 확인을 수행할 수 있다. 상기 정의는
Figure pat00412
를 활용하여 충분한, 그러나 반드시 필요한 것이 아닌, 안락한 승차의 조건을 제공한다. 단기적인 잘못된 결정이 승차의 안락성에 미치는 영향이 거의 없다는 중요한 사실을 간과하고 있기 때문에 반드시 필요한 것이 아니다. 예를 들어, 전방 100미터에 차량이 있고, 호스트 차량보다 느린 속도인 것으로 가정하면, 최선의 결정은 서서히 가속을 시작하는 것일 것이다. 감지 시스템이 이 차량을 감지하지 못하지만 다음 순간에(100ms 후에) 검출한다면, 두 순간 사이의 차이는 미미할 것이다. 단순히 말해, 이러한 문제는 무시하고 더 강력한 조건을 요구했다. 멀티 프레임 PAC 정의로의 적응은 개념적으로 간단하지만 기술적으로 더 복잡하다.
다음으로, 상기 PAC 정의로부터 후속 설계 원칙을 도출한다. 앞서 설명한 여러 유형의 감지 오류에서, 부정 오류, 긍정 오류, 및 부정확한 의미론 유형의 오류는 관련 없는 물체(예, 직진하는 경우의 좌회전 신호)에 대한 것이거나 상기 정의의 δ 부분에 의해 캡처될 것이다. 따라서, 자주 발생하는 '부정확한 측정' 오류에 대해 집중하기로 한다.
약간은 의외이지만, 자아 정확도(ego-accuracy)를 통한 감지 시스템의 정확도를 측정(예, 모든 물체의 위치의 정확도를 호스트 차량에 상대적으로 측정)하는 흔한 접근 방식은 PAC 감지 시스템을 보장하기에 충분하지 않다는 것을 알 수 있게 된다. 이에 따라, PAC 감지 시스템을 보장하는 다른 접근 방식을 제시하고 효율적으로 확보하는 방법을 설명할 것이다. 일단, 몇 가지 추가적인 정의로부터 시작하기로 한다.
장면의 각 물체 o 모두에 대하여,
Figure pat00413
를
Figure pat00414
에 따른 호스트 차량의 좌표 시스템에서의 o의 위치라고 하면, o 와 호스트 차량 사이의 거리를
Figure pat00415
라고 할 때,
Figure pat00416
의 첨가 오류는
Figure pat00417
이고, o 와 호스트 차량 사이의 거리에 대한
Figure pat00418
의 상대적 오류는 상기 첨가 오류를
Figure pat00419
로 나눈 것, 즉,
Figure pat00420
이다.
멀리 있는 물체에 대해 첨가 오류가 적도록 요구하는 것은 현실적이지 않다. 사실, o 가 호스트 차량으로부터 150미터 떨어져 있는 차량이라고 하고,
Figure pat00421
가 보통 크기, 예를 들어
Figure pat00422
=0.1이라고 하면, 첨가 오류에 대하여, 차량의 위치를 10cm의 정확도까지 알아야 한다는 것을 의미한다. 이는 적절한 가격의 센서에 대해 현실적이지 않다. 반면에, 상대적 정확도에 대해, 15m의 정확도인 10%까지 위치를 추정할 필요가 있다. 이는 달성 가능하다(하기에 설명).
각 o ∈ O 모두에 대해
Figure pat00423
와
Figure pat00424
사이의 (상대적) 오류가 최대 인 경우, 감지 시스템
Figure pat00425
는 물체의 집합 O를
Figure pat00426
-자아 정확한(
Figure pat00427
-ego-accurate) 방식으로 위치한다. 다음의 예는
Figure pat00428
-자아 정확한 감지 상태가 모든 적절한 Q에 대하여 PAC감지 시스템을 보장하지 않는다는 것을 보여준다. 실제로, 호스트 차량이 30 m/s의 속도로 주행하고 있고 150미터 전방에 정지된 차량이 있는 상황을 고려하면, 이 차량이 호스트 차량의 차로에 있고 시간 내에 차로를 변경할 옵션이 없는 경우, 적어도 3m/s2로 지금 감속을 시작해야 한다(안 그러면, 시간 내에 정지를 못하거나 나중에 더 급감속을 해야 한다). 반면에, 차량이 도로변에 있는 경우, 급감속을 할 필요가 없다.
Figure pat00429
가 이 중의 한 경우이고,
Figure pat00430
가 이 중의 다른 경우이고, 이 두 위치 사이에 5미터의 차이가 있다고 하면,
Figure pat00431
의 상대적 오류는
Figure pat00432
이다.
즉, 감지 시스템은 작은 값의
Figure pat00433
(3.5% 오류 미만)에 대해
Figure pat00434
-자아-정확(
Figure pat00435
-ego-accurate) 할 수 있지만, 급제동을 해야 하는 상황과 급제동을 하지 않아도 되는 상황을 혼동하기 때문에, 모든 합리적 Q 함수에 대해, Q의 값들은 서로 완전히 다르다.
상기 예는
Figure pat00436
-자아 정확(
Figure pat00437
-ego-accurate)도가 감지 시스템이 PAC라고 보장하지 않는다는 것을 보여준다. PAC 감지 시스템에 적합한 다른 특성이 있는지 여부는 Q에 달렸다. PAC 감지 시스템을 보장하는 위치 잡기의 단순한 특성이 있는 일군의 Q 함수에 대해 설명할 것이다.
Figure pat00438
-자아정확(
Figure pat00439
-ego-accurate)도의 문제는 의미론적 오류로 이어질 수 있다는 것이다. 상기의 예에서,
Figure pat00440
가
Figure pat00441
＜3.5%로
Figure pat00442
-자아-정확(
Figure pat00443
-ego-accurate)했지만, 차량을 정확한 차로로 잘못 배정했다. 이 문제를 해결하기 위하여, 횡방향 위치에 대한 의미론적 단위에 의존한다.
정의18 (의미론적 단위) 차로 중앙은 자연스런 단순 곡선, 즉, 미분 가능한, 단사, 매핑 함수
Figure pat00444
이고, 여기서 각
Figure pat00445
모두에 대해 길이
Figure pat00446
는 t 2 - t 1 과 동일하다. 차로의 폭은 함수
Figure pat00447
이다. 곡선에 투영한 지점
Figure pat00448
은 곡선 상의 x에 가장 가까운 지점, 즉,
Figure pat00449
에 대한 지점
Figure pat00450
이다. 차로에 대한 x의 의미론적 종방향 위치는 t x 이고, 차로에 대한 x의 의미론적 횡방향 위치는
Figure pat00451
이다. 의미론적 속도와 가속도는 각각 상기의 제1 및 제2 미분계수이다.
기하학적 단위와 유사하게, 의미론적 종방향 거리에 대해 상대적 오류를 사용한다.
Figure pat00452
가 일부 물체에 대한
Figure pat00453
의 의미론적 종방향 거리를 유도하는 경우, 실제 거리는
Figure pat00454
이지만, 상대적 오류는
Figure pat00455
이다(여기서, 분모의 최댓값은 물체의 종방향 거리가 거의 동일한 경우(예, 다른 차로에서 바로 옆에 있는 차량)에 해당한다). 의미론적 횡방향 거리는 작기 때문에 첨부 오류를 사용할 수 있다. 이에 따라 다음의 정의가 가능하다.
정의19(의미론적 단위의 오류):
Figure pat00456
하나의 차로이고, 상기 차로에 대한 호스트 차량의 의미론적 종방향 거리가 0이라고 가정하고,
Figure pat00457
이 하나의 지점이고,
Figure pat00458
가 상기 차로에 대한 상기 지점까지의 의미론적 횡방향 및 종방향 거리라고 하고,
Figure pat00459
가 근사값이라고 가정하면, x에 대한
Figure pat00460
와
Figure pat00461
사이의 거리는
Figure pat00462
로 정의된다.
횡방향 및 종방향 속도의 거리는 유사하게 정의된다. 상기 정의가 내려짐에 따라, Q의 특성과 PAC 감지 시스템에 대한 상응하는 충분한 조건을 정의할 수 있다.
정의20(의미론적 립쉬츠(Semantically-Lipschitz) Q): 각
Figure pat00463
모두에대해
Figure pat00464
인 경우, Q 함수는 L-의미론적-립쉬츠이다. 여기서,
Figure pat00465
는 물체 o 상에서
Figure pat00466
에 의해 유도된 측정치이다.
즉각적으로 다음과 같이 귀결된다.
렘마8: Q는 L-의미론적-립쉬츠이고, 감지 시스템
Figure pat00467
는 적어도 1-δ의 확률로
Figure pat00468
가 되도록 의미론적 측정치를 생성하는 경우,
Figure pat00469
는 파라미터가 0, δ인 PAC 감지 시스템이다.
안전
본 섹션에서는 원하지 않는 행동으로 이어질 수 있는 감지 오류에 대한 잠재성에 대해 설명한다. 앞서 설명한 바와 같이, 방침은 호스트 자율주행차의 과실인 사고로 이어지지 않을 것이라는 차원에서 아마도 안전하다. 이러한 사고는 하드웨어 고장(예, 센서 모두의 고장 또는 고속도로에서의 타이어 파손), 소프트웨어 고장(예, 일부 모듈 내의 심각한 버그), 또는 감지 오류로 인해 여전히 발생할 수 있다. 우리의 궁극적인 목표는 이러한 이벤트의 확률이 매우 작은 것(예를 들어, 10-9 의 시간당 사고 확률)이다. 2016년 기준으로 미국 운전자의 평균 도로 주행 시간은 300시간이 안 된다. 따라서, 이러한 세 가지 유형의 이벤트의 결과로 사고가 나려면 330만년을 살아야 한다.
우선, 안전 관련 감지 오류가 무엇인지를 정의한다. 앞서 본 바와 같이, 각 단계에서, 방침은 Q(s, α)를 극대화하는 α의 값을 선택한다. 즉,
Figure pat00470
이다. 신중하지 않은 각 동작 α에 대해, Q(s, α)= -∞라고 함으로써 안전을 보장할 수 있다(정의 14 참조). 따라서, 첫번째 유형의 안전 결정적 감지 오류는 감지 시스템이 안전하지 않은 동작을 선택하는 것이다. 형식상,
Figure pat00471
를 s^에 따른 결정이라고 하면,
Figure pat00472
인 경우에 안전 결정적 누락으로 이어진다고 할 수 있다. 두번째 유형의 안전 결정적 감지 오류는 모든 동작이
Figure pat00473
에 따라 안전하지 않은 것이고, s에 따르면 안전한 동작이 있지만, 즉,
Figure pat00474
이지만, 표준 비상 방침(예, 급제동)을 적용해야 하는 것이다. 이는 속도가 높고 후방에 차량이 있는 경우에 위험하다. 이런 오류는 안전 결정적 유령(safety-critic ghost)이라고 부른다.
보통, 안전 결정적 누락은 부정 오류에 기인하고, 안전 결정적 유령은 긍정 오류에 기인한다. 이러한 오류들은 매우 부정확한 측정에 기인할 수도 있지만, 대부분의 경우, 안락 목표는 안전 정의의 경계로부터 멀도록 하므로 어느 정도의 측정 오류가 안전 결정적 오류로 이어질 가능성은 작다. 어떻게 하면 안전 결정적 오류의 확률이 매우 낮도록, 예를 들면 시간당 10-9 미만이 되게 할 수 있을까 렘마 1에서처럼, 추가적인 가정을 하지 않고, 109 이상의 주행 시간에 대해 시스템을 확인해야 한다. 이는 비현실적(또는 적어도 매우 어려움)으로, 1년에 330만 대 차량의 주행을 기록하는 것과 같다. 또한, 이렇게 높은 정확도를 달성하는 시스템을 구축하는 것은 매우 어려운 일이다. 시스템 설계와 검증 문제에 대한 솔루션은 여러 서브 시스템(sub-system)에 의존하는 것이며, 여기서 각 서브 시스템은 서로 다른 기술에 의존하고 개별적으로 생성되어 개별적 정확도를 향상하도록 서로 융합된다.
s 1 , s 2, s 3로 표기되는 3개의 서브 시스템을 구축한다고 가정하면(3개 이상도 마찬가지), 각 서브 시스템은 α를 수신하고 안전/비안전을 출력해야 한다. 과반수의 서브 시스템(이 경우, 2개의 서브 시스템)이 안전한 것으로 인정하는 동작이 안전한 것으로 고려된다. 적어도 2개의 서브 시스템에 의해 안전한 것으로 고려되는 동작이 없는 경우, 디폴트 비상 방침이 적용된다. 이러한 융합 스키마의 성능은 다음과 같은 정의에 의거하여 다음과 같이 분석된다.
정의21 (일측 c-근사 독립): 두 개의 베르누이 랜덤 변수(Bernoulli random variables) r 1 , r 2 는
Figure pat00475
인 경우에 일측 c-근사 독립(one side c-approximate independent)이라 불린다.
i 0 {1,2,3}에 대하여, 서브 시스템 i가 각각 안전 결정적 누락/유령을 수행하는지 여부를 나타내는 베르누이 랜덤 변수를
Figure pat00476
로 표기한다. 마찬가지로,
Figure pat00477
는 융합 시스템의 안전 결정적 누락/유령을 나타낸다.
Figure pat00478
인 모든 쌍에 대하여, 랜덤 변수
Figure pat00479
은 일측의 c-근사 독립이라는 가정에 의존하고,
Figure pat00480
에 대해서도 마찬가지이다. 이 가정이 합리적인 이유를 설명하기 이전에, 이것이 시사하는 바를 먼저 분석하기로 한다.
Figure pat00481
의 확률은 다음으로 경계를 지을 수 있다.
Figure pat00482
따라서, 모든 서브 시스템이
Figure pat00483
이면,
Figure pat00484
이다. 안전 결정적 유령 오류에 대해서도 완전히 동일한 도출이 성립된다. 따라서, 합집합 한도(union bound)를 적용함으로써, 다음과 같은 결론을 내릴 수 있다.
귀결2 :
Figure pat00485
인 모든 쌍에 대하여, 랜덤 변수
Figure pat00486
가 일측의 c-근사 독립인 것으로 가정하고,
Figure pat00487
에 대해서도 동일한 가정이 성립된다고 가정하고, 모든 i에 대하여
Figure pat00488
및
Figure pat00489
라고 가정하면,
Figure pat00490
이다.
이러한 귀결로 인해, 감지 시스템을 확인하기 위해 상당히 작은 데이터 세트를 사용할 수 있다. 예를 들어, 10-9 확률의 안전 결정적 오류를 달성하고자 한다면, 약 109의 사례 대신에 약 105의 사례로도 충분히 시스템을 개별적으로 검사할 수 있다.
서로 상관없는 오류를 내는 센서의 쌍이 있을 수 있다. 예를 들면, 레이더는 나쁜 기후 조건에서는 잘 작동하지만 연관없는 금속 물체로 인해 오류를 낼 수 있는 반면, 카메라는 나쁜 기후에 영향을 받지만 금속 물체에는 영향을 받을 가능성이 작다. 카메라와 라이더는 같은 이유의 오류가 있을 수 있다. 예를 들면, 카메라와 라이더 모두 안개, 호우, 눈 등의 영향을 받는다. 그러나 카메라와 라이더에 대한 오류의 유형은 다를 수 있다. 예를 들면, 카메라는 나쁜 기후로 인해 물체를 누락할 수 있지만, 라이더는 대기 중의 입자로부터의 반사로 인해 유령을 검출할 수 있다. 두 유형의 오류를 구별하였으므로, 근사 독립성이 여전히 성립될 가능성이 크다고 할 것이다.
안전에 중요한 유령의 정의가 성립하려면 모든 동작이 적어도 두 센서에 의해 안전하지 않아야 한다. 어려운 조건(예, 짙은 안개)에서도, 이런 일이 발생할 가능성은 작다. 이는, 이러한 상황에서는 어려운 조건에 영향을 받는 시스템(예, 라이더)은 고속과 횡방향 조작이 안전하지 않은 동작이라고 판단함으로써 매우 방어적인 주행을 지시할 것이기 때문이다. 그 결과, 호스트 자율주행차는 저속으로 주행할 것이고, 비상 정지가 요구되더라도 저속 주행으로 인하여 위험하지 않을 것이다. 따라서, 본 정의는 주행 방식이 도로의 조건에 적응하게 한다.
확장 가능한 감지 시스템의 구축
안락과 안전의 차원에서의 감지 시스템으로부터의 요건에 대하여 설명하였다. 다음으로, 이러한 요건을 충족하면서 확장 가능한 감지 시스템의 구축을 위한 접근 방식에 대해 설명하기로 한다. 감지 시스템에는 세 가지 주요 요소가 있다. 첫째는 카메라에 기반한 긴 범위의 360도 커버리지이다. 카메라의 3가지 주요 장점은 (1) 고해상도, (2) 질감, (3) 가격이다. 낮은 가격은 시스템을 확장 가능하게 해준다. 질감은 차로 표시, 신호등, 보행자의 의도 등을 포함하는 장면의 의미론을 이해하게 해준다. 고해상도는 긴 범위의 검출을 가능하게 해준다. 나아가, 동일한 영역에서 차로 표시와 물체를 검출함으로써 훌륭한 의미론적 횡방향 정확도가 가능하다. 카메라의 2가지 주요 단점은, (1) 정보가 2차원적이고 종방향 거리의 추정이 어렵다는 것과, (2) 조명 조건(예, 어두운 햇빛, 나쁜 날씨)에 민감하다는 것이다. 감지 시스템의 나머지 두 요소를 활용하여 이러한 문제를 극복한다.
시스템의 두 번째 요소는 REM(Road Experience Managemen)으로 불리는 의미론적 고화질 매핑 기술(도로 구간에 대해 미리 정해지고 저장된 목표 궤적에 의거한 항법 및 호스트 차량의 주변상황에서 식별된 인지된 랜드마크의 위치(예, 이미지 내의 위치)에 의거하여 목표 궤적 상의 정확한 위치를 판단하는 능력을 포함)이다. 지도 생성의 일반적인 기하학적 접근 방식은 맵 생성 프로세스에서 3D 지점(라이더에 의해 확보)의 클라우드를 기록한 후에 기존의 라이더 지점을 지도 내의 지점과 일치하여 지도상의 위치 확인을 하는 것이다. 이러한 접근 방식에는 몇 가지 단점이 있다. 첫째, 많은 지점을 저장해야 하므로, 매핑 데이터에 필요한 거리당 메모리가 크다. 이는 고가의 통신 인프라를 필요로 한다. 둘째, 모든 차량이 라이더 센서를 구비한 것이 아니므로, 지도 업데이트의 빈도가 매우 낮다. 도로 내 변경(예, 공사 구간, 위험물)이 발생할 수 있으므로, 이는 문제가 되고, 라이더 기반 매핑 솔루션의 '현실 반영 시간'이 길다. 반면, REM은 의미론 기반의 접근 방식을 따른다. 즉, 장면에서 의미론적으로 유의미한 물체(예, 차로 표시, 도로 경계석, 기둥, 신호등 등)를 검출하는 소프트웨어와 카메라를 구비한 많은 수의 차량을 활용한다는 개념이다. 오늘날, 많은 신형 차량들은 크라우드소싱 된 맵 생성을 위해 활용될 수 있는 ADAS 시스템을 구비하고 있다. 처리가 차량 측에서 이루어지기 때문에, 적은 양의 의미론적 데이터만 클라우드로 통신되면 된다. 이에 따라, 지도가 확장 가능한 방법으로 매우 빈번하게 업데이트 될 수 있다. 또한, 자율주행차는 기존의 통신 플랫폼(이동통신망)을 통해 작은 크기의 매핑 데이터를 수신할 수 있다. 최종적으로, 고가의 라이더가 필요없이, 카메라에 의거하여 매우 정확한 위치가 지도 상에서 확보될 수 있다.
REM은 몇 가지 목적을 위해 사용될 수 있다. 첫째, 도로의 정적인 구조에 대한 예지력을 제공한다(예, 고속도로 출구에 대해 아주 일찍 계획할 수 있다). 둘째, 정적 정보 전체의 또 다른 정보 소스가 되어 카메라 검출과 함께 세상의 정적인 부분의 강건한 시야를 제공한다. 셋째, 2D 정보를 이미지 면에서 3D 세상으로 올리는 문제를 해결한다. 지도는 3D 세상에서 모든 차로를 곡선으로 묘사한다. 지도 상에서 자체 차량의 위치를 확정하면 도로상의 모든 물체 각각을 이미지 면으로부터 그 물체의 3D 위치로 평범하게 올릴 수 있다. 이로써, 의미론적 단위로 정확성을 고수하는 위치 결정 시스템이 가능하다. 시스템의 세 번째 요소는 상호 보완적인 레이더 및 라이더 시스템일 수 있다. 이 시스템들은 두 가지 목적을 위한 것일 수 있다. 첫째, 안전의 증강을 위해 극도로 높은 수준의 정교함을 제공할 수 있다. 둘째, 탑승의 안락함을 더욱 향상시키는 속도와 거리에 대한 직접적인 측정을 제공할 수 있다.
다음은 RSS 시스템의 기술적 렘마와 몇 가지 현실적 고려사항이다.
렘마9: 모든
Figure pat00491
에 대하여,
Figure pat00492
가 성립된다.
입증:
Figure pat00493
라고 할 때, 우리의 목표는
Figure pat00494
에 대하여 ≥0임을 입증하는 것이다.
Figure pat00495
이므로, 상기 범위에서
Figure pat00496
이 성립되기에 충분하다. 명시적으로,
Figure pat00497
이다. 분명히,
Figure pat00498
이고 단조적으로 감소하고 있으므로,
Figure pat00499
임을 확인하기에 충분하고, 간단히 계수적으로
Figure pat00500
이다.
효율적인 조심성 검증 - 가려진 물체
가려지지 않은 물체와 마찬가지로, 현재의 명령 DEP를 내리는 것이, 그리고 그 이후가, RSS인지 여부를 확인할 수 있다. 이를 위해, 노출 시간이 1이라고 가정하에 t brake까지 미래를 펼친 후, 정의상 조심성을 위해 충분한 DEP를 명령한다. 모든
Figure pat00501
에 대해, 가려진 물체에 대한 최악의 경우를 가정하는 경우, 과실성 사고가 발생할 수 있는지 여부를 확인한다. 최악의 경우 동작과 안전 거리 규칙의 일부를 사용한다. 가리는 물체에 기반한 접근 방식을 택하여 관심 지점을 검색한다. 즉, 가리는 물체 각각에 대하여, 최악의 경우를 계산한다. 이는 중대한 효율 구동 접근 방식이다. 예를 들면, 보행자는 차량 뒤의 많은 위치에서 가려질 수 있고 많은 동작을 수행할 수 있지만 수행할 수 있는 단일의 최악의 위치가 있다.
다음으로, 더욱 자세한 경우로, 가려진 보행자의 경우를 고려하고, 주차된 차량 뒤쪽에 가려진 영역이 있다고 하자. 가려진 영역의 가장 가까운 지점과 우리 차량 c의 정면/측면은 예를 들어 기하학적 특성(삼각형, 사각형 등)에 의해 검색될 수 있다. 형식상, 가려진 영역을 단순한 형상의 적은 수의 볼록 영역의 합집합으로 간주하고 각각을 개별적으로 취급할 수 있다. 또한, 보행자가 가장 짧은 경로를 활용하여 가려진 영역으로부터 차량의 앞으로 뛰어들 수 있는(
Figure pat00502
하에서) 경우에만 그렇게 할 수 있음을 알 수 있다. 보행자가 이동할 수 있는 최대 거리가
Figure pat00503
'라는 사실을 통해, 전면 충돌의 가능성을 간단히 확인할 수 있다. 측면 충돌에 대해서는, 경로가
Figure pat00504
보다 짧은 경우, 우리의 횡방향 속도가 충돌의 방향에서 μ보다 작은 경우에만 우리에게 책임이 있다는 것을 알 수 있다. 가려진 보행자에 대한 조심성을 확인하기 위한 알고리즘이 기재되며, 여기서는 개방 의사 코드(free pseudo code)로 기재된다. 차량에 의해 가려진 보행자와의 과실성 사고의 가능성의 존재를 확인하는 중요한 부분은 아래에 기재된 간단한 방법으로 수행된다.
Figure pat00505
시뮬레이터 검증 문제
앞서 설명한 바와 같이, 멀티 에이전트 안전은 '온라인' 방식으로 검증돼야 하기 때문에 통계적으로 검증하기가 어려울 수 있다. 주행 환경의 시뮬레이터를 구성함으로써 주행 방침을 '실험실'에서 검증할 수 있다고 생각할 수 있다. 그러나 시뮬레이터가 현실을 있는 그대로 나타냄을 검증하는 것은 방침 그 자체를 검증하는 것만큼 어려운 일이다. 그 이유를 이해하기 위해, 주행 방침 π를 시뮬레이터에 적용하면
Figure pat00506
의 사고 확률로 이어진다는 차원에서 시뮬레이터가 검증된다고 가정하고, 실세계에서 π의 사고 확률이 p이고,
Figure pat00507
이라고 가정하자. (0이 10-9보다 작아야 한다.) 다음으로, 주행 방침이 π'가 되도록 대체한다. 10-8의 확률로, π'는 사람 운전자를 혼란스럽게 하고 사고로 이어지는 이상한 동작을 수행한다고 가정하자. 이러한 이상한 동작은, 원래의 방침 π의 수행을 추정하는 훌륭한 능력에 모순되지 않고는, 시뮬레이터에서 모델링 될리 없다(또는 가능성이 작다). 따라서, 시뮬레이터가 주행 방침 π에 대해 현실을 반영하는 것으로 알려졌어도, 다른 주행 방침에 대해 현실을 반영할 것으로 보장할 수 없다는 것을 입증한다.
차로 기반의 좌표 시스템
RSS 정의에서, 도로는 인접하고, 똑바르고, 폭이 일정한 차로로 구성된다고 단순하게 가정할 수 있다. 횡방향 축과 종방향 축 사이의 구별과 종방향 위치의 순서는 RSS에서 중요한 역할을 할 수 있다. 또한, 이러한 방향은 명백히 차로 형상에 의거하여 정의된다. 평면상의 (글로벌) 위치로부터 차로 기반 좌표 시스템으로의 변형은 원래의 '일정한 폭의 직선 차로' 경우에 대한 문제를 줄여준다.
차로의 중앙이 평면상의 부드럽게 진행되는 커브 r이고, r (1),... ,r ( k )로 표기되는 각 부분이 선형 또는 원호라고 가정하자. 커브가 부드럽다는 것은 한 쌍의 연속된 부분이 선형인 부분이 없다는 것을 시사한다. 형식상, 이 커브는 '종방향' 파라미터
Figure pat00508
를 평면으로 매핑한다. 즉, 이 커브는 형식
Figure pat00509
의 함수이다. 종방향 위치 Y를 양수의 차로폭 값으로 매핑하는 연속 차로폭 함수를
Figure pat00510
로 정의한다. 각 Y에 대해, r의 완만함으로부터, 위치 Y에서 커브에 대한 법선 단위-벡터(normal unit-vector)를 정의하고
Figure pat00511
로 표기한다. 따라서, 차로 내에 있는 평면 상의 지점의 서브세트를 다음과 같이 정의한다.
Figure pat00512
비형식적인 목표는 차로 상에 있는 두 대의 차량에 대하여 '논리적 순서'가 보존되도록 R의 변형φ를 구성하는 것이다. 커브 상에서 c r 이 c f 의 '뒤'에 있는 경우, φ(c r ) y < φ(c f ) y 이다. 커브 상에서 c l 이 c r 의 '좌측'에 있는 경우, φ(c l )x < φ(c r )x이다. 여기서, RSS에서와 같이, y축은 '종방향' 축이고, x축은 '횡방향' 축이다.
φ를 정의하기 위하여, 모든 i에 대하여, r ( i )가 반지름이 ρ인 원호인 경우, r ( i )의 전체 차로의 폭은 ≤ρ/2라는 가정을 따른다. 이 가정은 모든 실제 도로에 성립된다. 사소하지만 본 가정은 모든
Figure pat00513
에 대하여,
Figure pat00514
를 성립하는 고유한
Figure pat00515
쌍이 있다는 것을 시사한다. 이제,
Figure pat00516
가 되도록 정의할 수 있고, 여기서
Figure pat00517
를 만족하는 고유의 값이다.
본 정의는 '횡방향 동작'의 개념을 차로의 좌표 시스템으로 포착한다. 일례로, 폭이 넓어지는 차로에서 차량이 정확히 이 차로의 한 가장자리 상에서 주행하고 있는 경우(도 23 참조)를 보자. 차로(2301)이 넓어진다는 것은 차량(2303)이 차로의 중앙으로부터 멀어지고 있다는 것을 의미하고, 따라서 차로에 대해 횡방향 속도가 있다는 것을 의미한다. 그러나, 그렇다고 횡방향 동작을 수행하고 있다는 의미는 아니다. φ(x', y')x = α'의 정의, 즉, 차로의 중앙까지의 w(Y')-단위의 횡방향 거리가 시사하는 것은 차로 가장자리의 고정 횡방향 위치는 ±1/2이라는 것이다. 따라서, 차로 가장자리 중의 하나에 붙어있는 차량은 횡방향 이동을 하고 있는 것으로 고려되지 않는다. 최종적으로, 가 준동형(homomorphism)임을 알 수 있다. 차로 기반 좌표 시스템이라는 용어는 (R) = [Ymin, Ymax]× [±1/2]를 설명할 때 사용된다. 따라서 일반적인 차로 기하학으로부터 단순화한 직선의 종방향/횡방향 좌표 시스템을 확보했다.
일반적인 도로 구조로의 RSS 연장
이하, 모든 도로 구조에 성립되는 RSS의 완전한 정의에 대해 설명한다. 여기서는 RSS의 정의에 대해 설명하고, 방침이 RSS를 준수하도록 하는 효율적인 방법에 대해서는 설명하지 않는다. 다음으로, 경로 우선권의 개념을 소개하고 단일 차로 기하학 이상이 존재하는 상황, 예를 들어, 교차로를 예시한다.
두 번째 일반화는 서로 반대 방향으로 주행하는 두 대의 차량이 있을 수 있는 양방향 도로에 관한 것이다. 이 경우에서, 이미 확립한 RSS 정의는 그대로 유효하지만, 맞은편 차량에 대한 '안전 거리'에 대해서만 사소하게 일반화한다. 통제된 교차로(교통 흐름을 지시하는 신호등을 사용하는 교차로)는 경로 우선권과 양방향 도로의 개념에 의해 완전히 처리될 수 있다. 선명한 경로 정의가 없는 체계가 없는 도로(예, 주차장)도 RSS로 처리될 수 있다. RSS는 이 경우에 대해서도 유효하고, 가상 경로를 정의하는 방법과 각 차량을 경로에 배정하는 방법만 변경하면 된다.
경로 우선권
이제, 경로 우선권의 개념을 소개하고 한 장면에 복수의 서로 다른 도로 기하가 있고 특정 구역에서 서로 겹치는 상황에 대해 다루기로 한다. 도 24의 (A) 내지 (D)에 도시된 바와 같은 예시에는 로터리, 교차로, 및 고속도로 입구가 포함되어 있다. 종방향 축과 횡방향 축에 대한 일관된 의미로 일반적인 차로 기하를 차로 기반 기하로 변형하는 방법을 설명하였다. 이제, 서로 다른 도로 기하를 가진 복수의 경로가 있는 상황을 다룬다. 두 차량이 겹치는 구역에 접근하는 경우, 두 차량 모두 상대방의 전방 통로로 끼어들기를 수행하게 된다. 이런 현상은 두 경로의 기하가 동일한 경우(예, 고속도로의 인접한 두 차로의 경우)에 발생할 수 없다. 개략적으로 말해서, 경로 우선권의 원칙에 따르면, 경로 r 1, r 2가 서로 겹치고 r 1이 r 2보다 우선권이 있는 경우, r 2에서 오는 차량의 전방 통로로 들어오는 r 1에서 오는 차량은 끼어들기를 하는 것으로 고려되지 않는다고 할 수 있다.
개념을 형식적으로 설명하기 위하여, 앞서 설명한 바와 같이, 사고의 과실은 차로의 좌표 시스템으로부터 도출되는 기하학적 특성 및 이에 의존하는 최악의 경우 가정에 달렸다. r 1,... ,r k 가 도로의 구조를 정의하는 경로라고 가정하자. 단순한 예로, 도 24의 (a)에 도시된 바와 같은 병합 상황을 보기로 한다. 참조 번호 2401(c 1)과 2402(c 2)로 표시된 두 대의 차량이 각각 경로 r 1, r 2 상에서 주행하고 있고, r 1이 선행권이 있는 도로라고 가정하기로 한다. 예를 들어, r 1은 고속도로 차로이고, r 2는 병합 차로라고 가정한다. 각 경로에 대한 경로 기반의 좌표 시스템을 정의함에 따라, 모든 동작을 모든 경로의 좌표 시스템으로 고려할 수 있음을 알 수 있다. 예를 들면, r 2의 좌표 시스템을 사용하는 경우, r 1 상의 직진 주행은 r 2의 좌측 차로로 병합해 들어오는 것으로 보인다. RSS의 정의에 대한 한가지 접근 방식은, r i 에 대하여 안전한 경우,
Figure pat00518
인 경우에만 각 차량이 동작을 수행할 수 있다는 것일 수 있다. 그러나 이는, c2는 정확히 경로 상에서 주행할 수 있으므로 횡방향 위치에 의한 승리(win by lateral position)를 할 수 있기 때문에, 선행권이 있는 경로 상에서 주행하는 c1이 병합 차로인 c2에 대하여 매우 보수적이어야 함을 시사하는 것이다. 이 경우에 고속도로상의 차량들이 선행권이 있기 때문에, 이는 자연스럽지 않다. 이 문제를 극복하기 위하여, 경로 우선권이 정의된 특정 구역을 정의하고, 경로들의 일부만이 안전에 대해 유의미한 것으로 고려한다.
정의 22 (사고 책임과 경로 우선권) 서로 겹치는 서로 다른 기하를 가진 두 경로를 r 1 , r 2 라고 하고, r 1 좌표 시스템의 종방향 간격 [b, e] (도25)에서 r 1 이 r 2 보다 우선권이 있다는 것을
Figure pat00519
로 표시하고, 경로 r 1 , r 2 상에서 주행하는 차량 c 1 , c 2 간에 사고가 났다고 가정하고,
Figure pat00520
에 대해,
Figure pat00521
가 r i 의 좌표 시스템의 관점에서 사고의 과실이 있는 차량을 나타낸다고 하면, 사고의 과실은 다음과 같다.
ㆍ
Figure pat00522
, r 1 에 대한 과실 시간에 이 중 한 대의 차량이 r 1 시스템의 종방향 축의 간격 [b, e]에 있었다면, 과실은 b 1 에 따른다.
ㆍ그렇지 않은 경우, 과실은
Figure pat00523
에 따른다.
이 정의를 설명하기 위하여, 고속도로로의 병합 예시를 다시 보기로 한다. 도 25에서 'b'와 'e'로 표시된 선은 r 1 >[b,e] r 2인 b, e의 값을 나타낸다. 따라서, 차량들이 자연스럽게 고속도로상에서 주행하도록 함과 동시에, 병합하는 차량은 이 차량들에 대해 안전해야 한다는 것을 시사한다. 특히, c 1 차량(2401)이 우선권이 있는 차로의 중앙에서 횡방향 속도가 없이 주행하는 경우에, c 2 차량(2402)이 안전한 거리로 c 1차량(2401)의 통로로 끼어들지 않는 한, 우선권이 없는 차로로 주행하는 c 2차량(2402)과의 사고에 대해 c 1차량(2401)에게 과실을 묻지 않을 것이다. 여기에서 볼 수 있듯이, 최종 결과는 일반적인 RSS와 매우 유사하다. 즉, 직선 도로상의 차량이 차로 변경을 시도하는 경우와 완전히 동일하다. 다른 에이전트에 의해 사용되는 경로을 모르는 경우도 있을 수 있다. 예를 들면, 도 26에서, 차량(2601)은 차량(2602)이 'a' 경로를 택할지 또는 'b' 경로를 택할지 판단할 수 없을 수 있다. 이러한 경우, RSS는 모든 가능성을 반복적으로 확인함으로써 확보될 수 있다.
양방향 통행
양방향 통행을 처리하기 위하여, 전방/후방 관계에 의존하는 부분은 양방향 통행의 경우에서 서로 약간 다른 의미를 가지므로 이러한 부분을 더 분명하게 함으로써 과실의 정의를 수정한다. 2차선 직선 도로상에서 서로 반대의 종방향으로 달리는, 즉,
Figure pat00524
인 두 대의 차량 c 1, c 2가 있다고 하면, 주차된 화물차를 피하기 위해 반대 차로로 벗어나는 차량이나 주차할 자리로 들어가려고 후진하는 차량과 같이, 차로에 대한 주행 방향은 일반적인 도심 상황에서 마이너스(negative)일 수 있다. 따라서, 앞서 마이너스 횡방향 속도가 비현실적인 것으로 가정한 경우에 대해 소개한 안전 종방향 거리의 정의를 확대할 필요가 있다. 앞서, c f 에 의한 최대 제동이 c r 이 c f 에 추돌하기 전에 대응할 충분한 시간을 줄 수 있는 경우에 c r , c f 사이의 거리는 안전하다고 하였다. 우리의 경우에서, 반대 차량에 의한 '최악의 경우'를 다시 약간 다른 식으로 고려한다. 물론, '최악의 경우'에서 차량이 돌진해 들어올 것이라고 가정하지는 않고, 실제로는 적당한 제동력만으로 제동을 하여 충돌을 피할 것이다. 차량 사이의 책임 차이를 포착하기 위하여, 차량 중의 한 대가 반대 방향으로 주행하는 것이 명백한 경우, '올바른' 주행 방향을 정의하는 것부터 시작한다.
평행 차로에 대한 RSS 정의에서, 연관 차로는 그 차로의 중앙이 끼어들기 위치와 가장 가까운 차로로 정의되었다. 이제 이러한 차로(또는 대칭의 경우, 정의 22에서와 같이 두 차로를 개별적으로)에 국한하여 설명할 수 있다. 하기의 정의에서, '진행 방향'이라는 용어는 종방향 속도로 나눈 횡방향 속도의 아크탄젠트(라디안으로 표시)를 말한다.
정의23 (정확한 주행 방향에 의한 ( μ 1 , μ 2 , μ 3 )-승리) c 1 , c 2 가 서로 반대 방향으로 주행하고 있고, 즉,
Figure pat00525
이라고 가정하고, x i ,h i 가 차로에 대한 이 차량들의 횡방향 위치와 진행 방향이라고 하면, 다음의 조건이 성립되면 c 1 이 정확한 주행 방향에 의한 (μ 1, μ 2, μ 3 )- 승리한다고 할 수 있다.
Figure pat00526
,
Figure pat00527
,
Figure pat00528
.
이러한 이벤트의 지시자는 WCDD(i)로 표시한다.
풀어서 설명하면, c 2가 반대 방향으로 가는 반면에, c 1이 올바른 방향으로 차로 중앙에 가까이 주행하면 c 1이 승리하는 것이다. 최대 한 대까지만 승리할 수 있다. 여기에 설명한 상황에서 사고가 있다고 가정하면, 정확한 주행 방향에 의해 패배하는 c 1 차량에 더 큰 책임을 묻는 것이 당연하다 할 것이다. 이는 차량이 정확한 주행 방향에 의해 승리하는 경우에 대해 αmax,brake를 재정의 함으로써 이루어진다.
*정의 24 (적절한 제동력) α max,brake,wcdd > 0 이 α max,brake 보다 작은 상수라고 하고, c 1, c 2 가 서로 반대 방향으로 주행하고 있다고 가정하면, RBP i 로 표시되는 각 차량 c i 의 적절한 제동력은, c i 이 정확한 주행 방향에 의해 (μ 1, μ 2, μ 3 )-승리하는 경우, α max,brake,wcdd 이고, 그렇지 않은 경우, α max,brake 이다.
정확한 주행 방향에 의한 승리/패배의 경우에 대한 αmax,brake,wcdd, αmax,brake의 정확한 값은 정의돼야 하는 상수이고, 각 차량이 주행하는 도로의 유형과 차로에 달렸다. 예컨대, 도심의 좁은 도로에서, 정확한 주행 방향에 의한 승리가 훨씬 작은 제동력을 시사하는 것이 아니다. 빈번한 교통에서, 다른 차량이 명백히 자기 차로로 이탈해 들어오는지 여부에 관계없이, 유사한 제동력을 가할 것으로 예상할 수 있다. 그러나 고속 주행이 허용되는 2차선 시골 도로의 예를 고려해보면, 반대편 차로로 이탈하는 경우, 정확한 방향으로 주행하는 차량이 호스트 차량과의 충돌을 피하기 위해 매우 강한 제동력을 가할 것으로 기대할 수 없다(호스트 차량에게 더 큰 책임을 물을 것임). 두 차량이 동일한 차로에 있고 그 중의 한대가 주차할 자리로 후진하는 경우에 대해서는 서로 다른 상수가 정의될 수 있다.
다음으로, 서로 반대 방향으로 주행하는, 그리고 그 정확한 값을 도출하는 차량 사이의 안전 거리를 정의한다.
정의25 (안전한 종방향 거리 - 양방향 통행): 서로 반대 방향으로 주행하고 서로의 전방 통로에 있는 차량 c 1 과 다른 차량 c 2 사이의 종방항 거리는 가속 명령 a에 대해 반응 시간 ρ까지 c 1 , c 2 에 의해 수행되는 |a| < α max,accel 인 경우에 반응 시간 ρ에 대해 안전하고, c 1 , c 2 가 시간 ρ로부터 완전히 정지할 때까지 적절한 제동력을 가할 경우, 서로 충돌하지 않을 것이다.
렘마10: c 1 , c 2 를 정의 25에서와 같이 정의하고, RBP i , α max,accel 을 적절한 제동 명령(각 i에 대해)과 가속 명령이라고 하고, ρ를 차량의 반응 시간이라고 하고, v 1 ,v 2 를 차량의 종방향 속도라고 하고, l 1 ,l 2 를 차량의 길이라고 하고, v i,ρ,max = |v i | + ρ * α max,accel 라고 정의하고, L = (l r + l f )/2.라고 하면, 최소의 안전 종방향 거리는 다음과 같다.
Figure pat00529
상기 합의 항은 정의25의 동작을 수행함에 있어서 각 차량이 완전 정지할 때까지 이동한 최대 거리임을 알 수 있다. 따라서, 완전 정지가 L보다 큰 거리가 되기 위해서는, 초기 거리는 상기 합과 L의 추가 항보다 커야 한다.
정의 25에서 정의된 안전하지 않은 종방향 거리와 동일한 RSS의 과실 시간 정의가 양방향 통행 상황에 대한 과실/사고 책임을 정의하기 위해 사용된다.
정의 26 (양방향 통행에서의 과실) 서로 반대 방향으로 주행하는 c 1 , c 2 사이의 양방향 통행에서의 사고 과실은 과실 시간의 상태의 함수이고, 다음과 같이 정의된다.
ㆍ과실 시간이 끼어들기 시간이기도 한 경우, 과실은 일반적인 RSS 정의와 동일하게 정의된다.
ㆍ그렇지 않은 경우, 각 i에 대하여, 과실 시간 이후의 시간 t에 c i 가 적어도 RBP i 의 제동력으로 제동하지 않은 경우, 과실은 c i 에 있다.
예를 들어, 과실 시간 이전에 안전한 끼어들기가 발생한 경우를 가정하자. 예를 들면, c 1이 안전한 거리를 두고 반대 차로로 이탈하고 c 2의 통로로 끼어들기를 수행했다. C 2는 정확한 주행 방향에 의해 승리(win by correct driving direction)하므로 이 거리는 매우 클 수 있다. 즉, C 2가 강한 제동력을 사용하지 않고 적당한 제동력만을 사용할 것이라고 예상된다. 그렇다면, 두 차량 모두 서로를 충돌하지 않을 책임이 있다. 그러나 끼어들기가 안전한 거리를 두고 일어나지 않았다면, 일반적인 정의를 사용하고, C 2가 자기 차로의 중앙에서 주행하고 횡방향 이동이 없었다면 과실을 묻지 않을 것이다. 과실은 C 1에게만 물을 것이다. 이로 인해, 차량은 안전하지 않기 자기 통로로 이탈해 들어올지도 모르는 교통에 대해 우려하지 않으면서 자기 차로의 중앙에서 자연스럽게 주행할 수 있다. 반면에, 번잡한 도심 교통에서 흔히 필요한 동작인 반대 차로로의 안전한 이탈은 허용된다. 후진 주차 동작을 시도하는 차량의 예를 고려하면, 차량은 후방의 차량까지의 거리가 안전한 것을 확인하면서 후진을 시작해야 한다.
신호등
신호등이 있는 교차로를 포함하는 상황에서, 신호등 상황에 대한 단순한 규칙이 '한 차량의 경로는 녹색 신호등이고 다른 차량의 경로는 적색 신호등이면 적색 신호등 경로의 차량이 과실'이라고 생각할 수 있다. 그러나 이는 올바른 규칙이 아니고, 모든 경우에서는 특히 그렇다. 도 27에 도시된 예를 보면, 차량(2701)이 녹색 신호등이 켜진 경로에 있어도, 이미 교차로에 진입해 있는 차량(2703)을 무시할 것으로 기대하지 않는다. 올바른 규칙은 녹색 신호등이 켜진 경로는 적색 신호등이 켜진 경로보다 우선권이 있다는 것이다. 따라서, 신호등으로부터 앞서 설명한 경로 우선권의 개념으로 명백하게 단순화할 수 있다.
체계 없는 도로
명백한 경로 기하가 정의되지 않은 도로에 대해 설명하기 위해, 우선 차로 구조가 전혀 없는 상황(예, 주차장)을 예를 들어본다. 사고가 일어나지 않게 하는 한 가지 방법은 모든 차량이 직선으로 주행하게 하고 진행 방향을 변경하는 경우에는 주변에 가까이 있는 차량이 없는 경우에만 하게 하는 것이다. 이렇게 하는 논리적 근거는, 차량은 다른 차량이 무얼 할지를 예측할 수 있고 이에 따라 행동할 것이라는 것이다. 다른 차량이 이 예측에서 벗어나면(예, 진행 방향 변경), 충분히 긴 거리를 두고 하고, 따라서 이 예측을 수정할 시간이 충분할 수 있다. 차로 구조가 있는 경우, 다른 차량이 어떻게 행동할지를 더 현명하게 예측할 수 있을 것이다. 차로 구조가 전혀 없는 경우, 차량의 현재의 진행 방향을 따라 계속 진행할 것이다. 기술적으로 말해서, 이는 모든 차량을 그 진행 방향에 따라 사실상의 직선 경로로 배정하는 것과 동등하다. 다음으로, 체계가 없는 커다란 로터리(파리의 개선문 둘레)의 상황을 고려해보자. 여기서, 합리적인 예측은 차량이 오프셋을 유지하면서 로터리의 기하에 따라 진행한다고 가정하는 것이다. 기술적으로, 이는 모든 차량을 로터리의 중앙으로부터의 현재 오프셋을 따라 사실상의 원호 경로에 배정하는 것과 동등하다.
상기 설명한 주행 방침 시스템(예, RL 시스템)은 앞서 설명한 하나 이상의 사고 책임 규칙과 함께 이행되어 특정 항법 명령의 이행을 결정하는 경우에 잠재적 사고 책임을 고려하는 항법 시스템을 제공할 수 있다. 이러한 규칙은 계획 단계에서 적용될 수 있다. 예를 들면, 프로그램된 명령의 집합 내에서 또는 학습된 모델 내에서 적용되어 제안된 항법 동작이 이미 규칙을 준수하는 시스템에 의해 생성되도록 할 수 있다. 예를 들면, 주행 방침 모듈이 RSS가 의거하는 하나 이상의 항법 규칙을 처리하고 이 항법 규칙으로 학습될 수 있다. 추가적으로 또는 대안적으로, RSS 안전 제약이 필터 레이어로 적용되어, 이를 통해 계획 단계에 의해 제안된 모든 항법 동작이 연관 사고 책임 규칙에 비교하여 검사되어 제안된 항법 동작이 규칙을 준수하는 것을 보장할 수 있다. 특정 동작이 RSS 안전 제약을 준수하는 경우, 이 동작은 이행될 수 있다. 반대로, 제안된 항법 동작이 RSS 안전 제약을 준수하지 않는 경우(예, 제안된 동작의 결과로 상기 설명한 규칙의 하나 이상에 의거하여 호스트 차량에 사고 책임이 있는 경우), 이 동작은 이행되지 않는다.
실제로, 특정 이행은 호스트 차량에 대한 항법 시스템을 포함할 수 있다. 호스트 차량은 작동 중에 호스트 차량의 주변상황을 나타내는 이미지를 캡처하는 이미지캡처장치(예, 앞서 설명한 바와 같은 하나 이상의 카메라)를 구비할 수 있다. 이미지 정보를 활용하여, 주행 방침은 복수의 입력을 수신하고, 호스트 차량의 항법 목표를 달성하기 위한 예정 항법 동작을 출력할 수 있다. 항법 방침은 다양한 입력(예, 하나 이상의 카메라로부터 수신된 타깃 차량, 도로, 물체, 보행자 등을 포함하여 호스트 차량의 주변을 보여주는 이미지; 라이더 또는 레이더 시스템으로부터의 출력; 속력 센서, 서스펜션 센서 등으로부터의 출력; 승객을 특정 위치로 태우고 가기 위한 항법 계획 등과 같은 호스트 차량의 하나 이상의 목표를 나타내는 정보)을 수신할 수 있는 프로그램된 명령의 집합, 학습 네트워크 등을 포함할 수 있다. 이러한 입력에 의거하여, 프로세서는 예를 들어 카메라 이미지, 라이더 출력, 레이더 출력 등을 분석하여 호스트 차량의 주변상황에서 타깃 차량을 식별할 수 있다. 일부 실시예에서, 프로세서는 하나 이상의 카메라 이미지, 라이더 출력, 및/또는 레이더 출력과 같은 하나 이상의 입력을 분석하여 호스트 차량의 주변상황에서 타깃 차량을 식별할 수 있다. 또한, 일부 실시예에서, 프로세서는 센서 입력의 대부분의 일치 또는 조합에 의거하여(예, 하나 이상의 카메라 이미지, 라이더 출력 및/또는 레이더 출력을 분석하고, 입력의 대부분의 일치 또는 조합에 의거하여 타깃 차량을 식별하는 검출 결과를 수신하여) 호스트 차량의 주변상황에서 타깃 차량을 식별할 수 있다.
주행 방침 모듈이 활용할 수 있는 정보에 의거하여, 호스트 차량의 항법 목표를 달성하기 위한 출력이 하나 이상의 예정 항법 동작의 형태로 제공될 수 있다. 일부 실시예에서, RSS 안전 제약이 예정 항법 동작의 필터로 적용될 수 있다. 즉, 예정 항법 동작은 생성된 후에 적어도 하나의 사고 책임 규칙(예, 앞서 설명한 사고 책임 규칙)에 비교하여 시험되어, 식별된 타깃 차량과 연관하여 호스트 차량에 대한 잠재적 사고 책임을 판단할 수 있다. 또한, 앞서 설명한 바와 같이, 적어도 하나의 사고 책임 규칙에 비교한 예정 항법 동작의 시험의 결과, 예정 항법 동작을 취할 경우에 호스트 차량에 잠재적 사고 책임이 있을 수 있는 것으로 나오는 경우, 프로세서는 호스트 차량이 예정 항법 동작을 이행하지 않도록 할 수 있다. 반면에, 적어도 하나의 사고 책임 규칙에 비교한 예정 항법 동작의 시험의 결과, 예정 항법 동작을 취할 경우에 호스트 차량에 잠재적 사고 책임이 없을 것으로 나오는 경우, 프로세서는 호스트 차량이 예정 항법 동작을 이행하도록 할 수 있다.
일부 실시예에서, 시스템은 복수의 잠재적 항법 동작을 적어도 하나의 사고 책임 규칙에 비교하여 검사할 수 있다. 검사의 결과에 의거하여, 시스템은 잠재적 항법 동작을 복수의 잠재적 항법 동작의 부분집합으로 거를 수 있다. 예컨대, 일부 실시예에서, 이러한 부분집합에는 적어도 하나의 사고 책임 규칙에 비교한 검사의 결과, 잠재적 항법 동작을 취할 경우, 호스트 차량에 사고 책임이 없을 것으로 나오는 잠재적 항법 동작만이 포함될 수 있다. 이후, 시스템은 사고 책임이 없는 잠재적 항법 동작의 점수 및/또는 우선순위를 매기고, 예를 들어 최적의 점수 또는 가장 높은 우선순위에 의거하여, 이행할 항법 동작의 하나를 선택할 수 있다. 점수 및/또는 우선순위는 예를 들어 가장 안전한, 가장 효율적인, 승차감이 가장 편안한 등의 것으로 여겨지는 잠재적 항법 동작과 같은 하나 이상의 요인에 의거하는 것일 수 있다.
일부 실시예에서, 특정 예정 항법 동작을 이행할지 여부의 결정은 또한 계획된 동작의 후속 상태에 DEP가 사용 가능한지 여부에 달여 있을 수 있다. DEP가 사용 가능한 경우, RSS 필터는 계획된 동작을 승인할 수 있다. 반면에, DEP가 사용 가능하지 않은 경우, 다음 상태는 안전하지 않은 것으로 여겨질 수 있고, 예정 항법 동작은 승인되지 않을 수 있다. 일부 실시예에서, 예정 항법 동작은 적어도 하나의 DEP를 포함할 수 있다.
상기 설명한 시스템의 한 가지 장점은 차량에 의한 안전 동작을 보장하기 위하여 특정 타깃 차량에 대한 호스트 차량의 동작만을 고려하면 된다는 것이다. 따라서, 한 대 이상의 타깃 차량이 있는 상황에서, 호스트 차량에 대한 계획된 동작은 호스트 차량 주변의 영향 구역 내(25미터 이내, 50미터 이내, 100미터 이내, 200미터 이내 등)의 타깃 차량에 대해 순차적으로 사고 책임 규칙에 대해 검사될 수 있다. 실제로, 적어도 하나의 프로세서는 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지의 분석에 의거하여(또는 라이더 또는 레이더 정보 등에 의거하여) 호스트 차량의 주변상황에서 복수의 다른 타깃 차량을 식별하고 복수의 다른 타깃 차량 각각에 대한 호스트 차량의 잠재적 사고 책임을 판단하기 위해 적어도 하나의 사고 책임 규칙과 비교하여 예정 항법 동작의 시험을 반복하도록 더 프로그램될 수 있다. 적어도 하나의 사고 책임 규칙에 비교한 예정 항법 동작의 반복 시험의 결과, 예정 항법 동작을 취할 경우에 호스트 차량에 대한 잠재적 사고 책임이 있는 것으로 나타나는 경우, 프로세서는 호스트 차량이 예정 항법 동작을 이행하지 않도록 할 수 있다. 적어도 하나의 사고 책임 규칙에 비교한 예정 항법 동작의 반복 시험의 결과, 예정 항법 동작을 취할 경우에 호스트 차량에 대한 잠재적 사고 책임이 없는 것으로 나타나는 경우, 프로세서는 호스트 차량이 예정 항법 동작을 이행하도록 할 수 있다.
설명한 바와 같이, 상기 규칙은 모두 RSS 안전 검사에 대한 기준으로 사용될 수 있다. 일부 실시예에서, 적어도 하나의 사고 책임 규칙은 호스트 차량이 잠재적 사고 책임이 없이 진행할 수 없는 범위인 식별된 타깃 차량 뒤의 거리를 정의하는 추적 규칙(following rule)을 포함한다. 다른 경우에서, 적어도 하나의 사고 책임 규칙은 호스트 차량이 잠재적 사고 책임이 없이 진행할 수 없는 범위인 식별된 타깃 차량 앞의 거리를 정의하는 선두 규칙(leading rule)을 포함한다.
상기에 설명한 시스템은 단일의 예정 항법 동작에 RSS 안전 시험을 적용하여 호스트 차량이 취한 동작의 결과로 발생할 수 있는 사고의 책임이 있을만한 동작을 취해서는 안된다는 규칙을 준수하는지 검사할 수 있는 반면, 상기 시험은 하나 이상의 예정 항법 동작에 적용될 수 있다. 예를 들면, 일부 실시예에서, 적어도 하나의 프로세서는 적어도 하나의 주행 방침의 적용에 의거하여 호스트 차량의 항법 목표를 달성하기 위한 둘 이상의 예정 항법 동작을 결정할 수 있다. 이러한 상황에서, 프로세서는 잠재적 사고 책임을 판단하기 위하여 둘 이상의 예정 항법 동작 각각을 적어도 하나의 사고 책임 규칙에 비교하여 시험할 수 있다. 또한, 둘 이상의 예정 항법 동작 각각에 대하여, 둘 이상의 예정 항법 동작의 어느 특정 동작을 취할 경우에 호스트 차량에 대한 잠재적 사고 책임이 존재하는 것으로 시험의 결과가 나오는 경우, 프로세서는 호스트 차량이 예정 항법 동작의 상기 특정 동작을 이행하지 않도록 할 수 있다. 반면에, 둘 이상의 예정 항법 동작 각각에 대하여, 둘 이상의 예정 항법 동작의 어느 특정 동작을 취할 경우에 호스트 차량에 대한 잠재적 사고 책임이 없는 것으로 시험의 결과가 나오는 경우, 프로세서는 둘 이상의 예정 항법 동작의 상기 특정 동작을 이행 가능한 후보로 식별할 수 있다. 이후, 프로세서는 적어도 하나의 비용 함수에 의거하여 이행 가능한 후보들 중에서 취할 항법 동작을 선택하고 선택된 항법 동작을 호스트 차량이 이행하도록 할 수 있다.
RSS의 이행은 호스트 차량과 한 대 이상의 타깃 차량 사이의 사고에 대한 상대적 잠재 책임의 판단과 함께 안전 준수에 대한 예정 항법 동작의 검사와 연관이 있기 때문에, 시스템은 마주치는 차량들에 대한 사고 책임 잠재성을 추적할 수 있다. 예를 들면, 호스트 차량 시스템은 호스트 차량에 책임을 묻게 될 동작을 취하는 것을 방지할 수 있을 뿐만 아니라 한 대 이상의 타깃 차량을 추적하고 타깃 차량이 위반한 사고 책임 규칙을 식별 및 추적할 수도 있다. 일부 실시예에서, 호스트 차량의 사고 책임 추적 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고 이 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황에서 타깃 차량을 식별하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있다. 적어도 하나의 이미지의 분석에 의거하여, 프로세서는 식별된 타깃 차량의 항법 상태의 하나 이상의 특징을 판단하도록 프로그램될 수 있다. 항법 상태는 차량 속도, 차로 중앙까지의 거리, 횡방향 속도, 이동 방향, 호스트 차량으로부터의 거리, 진행 방향, 또는 상기 규칙에 의거한 잠재적 사고 책임의 판단에 활용될 수 있는 기타 파라미터와 같은 타깃 차량의 다양한 동작 특징을 포함할 수 있다. 프로세서는 식별된 타깃 차량의 항법 상태의 하나 이상의 판단된 특징을 적어도 하나의 사고 책임 규칙(예, 횡방향 속도에 의한 승리, 방향 우선권, 차로 중앙까지의 거리에 의한 승리, 추적 또는 선구 거리 및 끼어들기 등과 같은 앞서 설명한 규칙)과 비교할 수 있다. 상태와 하나 이상의 규칙의 비교에 의거하여, 프로세서는 식별된 타깃 차량 측의 잠재적 사고 책임을 나타내는 적어도 하나의 값을 저장할 수 있다. 사고가 발생하는 경우, 프로세서는 저장된 적어도 하나의 값의 출력을 제공(예, 유/무선의 적합한 데이터 인터페이스를 통해)할 수 있다. 이러한 출력은 예를 들어 호스트 차량과 적어도 한 대의 타깃 차량 사이의 사고 이후에 제공될 수 있고, 사고에 대한 책임을 밝히는데 활용될 수 있다.
잠재적 사고 책임을 나타내는 상기 적어도 하나의 값은 모든 적합한 시간에 모든 적합한 조건 하에 저장될 수 있다. 일부 실시에에서, 적어도 하나의 처리 장치는 호스트 차량이 식별된 타깃 차량과의 충돌을 피할 수 없다고 판단되는 경우에 식별된 타깃 차량에 대해 충돌 책임값을 배정 및 저장할 수 있다.
사고 책임 추적 능력은 단일 타깃 차량으로만 한정되지 않고 마주치는 복수의 타깃 차량에 대한 잠재적 사고 책임을 추적하는데 활용될 수 있다. 예를 들어, 적어도 하나의 처리 장치는 호스트 차량의 주변상황에서 복수의 타깃 차량을 검출하고, 복수의 타깃 차량 각각에 대한 항법 상태 특징을 판단하고, 복수의 타깃 차량 각각에 대한 항법 상태 특징과 적어도 하나의 사고 책임 규칙의 비교에 의거하여 각 복수의 타깃 차량 측의 잠재적 사고 책임을 나타내는 값을 판단 및 저장하도록 프로그램될 수 있다. 앞서 설명한 바와 같이, 책임 추적을 위한 기준으로 사용되는 사고 책임 규칙은 모든 상기 규칙 또는 기타 모든 적합한 규칙을 포함할 수 있다. 예를 들면, 적어도 하나의 사고 책임 규칙은 횡방향 속도 규칙, 횡방향 위치 규칙, 주행 방향 우선권 규칙, 신호등 기반 규칙, 교통표지판 기반 규칙, 경로 우선권 규칙 등을 포함할 수 있다. 사고 책임 추적 기능은 또한 RSS를 고려한(예, 호스트 차량의 동작이 그 결과로 발생하는 사고에 대한 잠재적 책임이 있을지 여부에 의거한) 안전 항법과 결합될 수 있다.
RSS에 따른 사고 책임 고려에 의거한 항법 외에도, 항법은 또한 차량 항법 상태와 특정 향후 항법 상태가 안전한 것으로 여겨지는지(앞서 상세히 설명한 바와 같이, 사고를 피할 수 있도록 하는 또는 사고가 발생해도 호스트 차량의 잘못으로 여겨지지 않도록 하는 DEP가 존재하는지) 여부의 판단이라는 차원에서 고려될 수 있다. 호스트 차량은 안전 상태에서 안전 상태로 항법하도록 제어될 수 있다. 예를 들어, 특정 상태에서, 주행 방침을 활용하여 하나 이상의 예정 항법 동작을 생성할 수 있고, 각 계획된 동작에 상응하는 예측된 향후 상태가 DEP를 제공할지를 판단하여 이러한 동작을 검사할 수 있다. DEP를 제공할 수 있는 것으로 판단되면, 예정 항법 동작 또는 DEP를 제공하는 동작은 안전한 것으로 여겨지고 이행 자격을 획득할 수 있다.
일부 실시예에서, 호스트 차량의 항법 시스템은, 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고; 호스트 차량의 항법 목표를 달성하기 위한 예정 항법 동작을 적어도 하나의 주행 방침에 의거하여 결정하고; 상기 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황에서 타깃 차량을 식별하고; 식별된 타깃 차량에 대한 호스트 차량의 잠재적 사고 책임을 판단하기 위해 상기 예정 항법 동작을 적어도 하나의 사고 책임 규칙에 비교하여 시험하고; 상기 적어도 하나의 사고 책임 규칙에 비교한 상기 예정 항법 동작의 시험의 결과, 상기 예정 항법 동작을 취할 경우에 호스트 차량에 대한 잠재적 사고 책임이 존재하는 것으로 나타나는 경우, 호스트 차량이 상기 예정 항법 동작을 이행하지 않도록 하고; 상기 적어도 하나의 사고 책임 규칙에 비교한 상기 예정 항법 동작의 시험의 결과, 상기 예정 항법 동작을 취할 경우에 호스트 차량에 대한 잠재적 사고 책임이 없는 것으로 나타나는 경우, 호스트 차량이 상기 예정 항법 동작을 이행하게 하도록 프로그램된, 적어도 하나의 처리 장치를 포함할 수 있다.
일부 실시예에서, 호스트 차량의 항법 시스템은, 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고; 호스트 차량에 대한 복수의 잠재적 항법 동작을 적어도 하나의 주행 방침에 의거하여 결정하고; 상기 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황에서 타깃 차량을 식별하고; 식별된 타깃 차량에 대한 호스트 차량의 잠재적 사고 책임을 판단하기 위해 상기 복수의 잠재적 항법 동작을 적어도 하나의 사고 책임 규칙에 비교하여 시험하고; 상기 시험의 결과, 잠재적 항법 동작을 선택하여 취해도 호스트 차량에 대한 사고 책임이 없는 것으로 나타나는 잠재적 항법 동작의 하나를 선택하고; 호스트 차량이 상기 선택된 항법 동작을 이행하게 하도록 프로그램된, 적어도 하나의 처리 장치를 포함할 수 있다. 일부의 경우, 선택된 잠재적 항법 동작은 복수의 잠재적 항법 동작의 부분집합을 선택하여 취해도 호스트 차량에 대한 사고 책임이 없는 것으로 시험의 결과에 나타나는 상기 복수의 잠재적 항법 동작의 부분집합으로부터 선택될 수 있다. 또한, 일부의 경우, 선택된 잠재적 항법 동작은 점수 파라미터에 따라 선택될 수 있다.
일부 실시예에서, 호스트 차량의 항법을 위한 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신하고 호스트 차량의 항법 목표를 달성하기 위한 예정 항법 동작을 적어도 하나의 주행 방침에 의거하여 결정하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있다. 프로세서는 또한, 상기 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황에서 타깃 차량을 식별하고; 상기 예정 항법 동작을 취할 경우에 호스트 차량과 타깃 차량 사이에 발생할 다음 단계 거리를 판단하고; 호스트 차량의 최대 제동 능력과 호스트 차량의 현재 속도를 판단하고; 타깃 차량의 현재 속도를 판단하고 타깃 차량의 적어도 하나의 인지된 특징에 의거하여 타깃 차량의 최대 제동 능력을 가정하고; 호스트 차량의 상기 최대 제동 능력과 현재 속도의 고려하에 타깃 차량의 현재 속도와 가정된 최대 제동 능력에 의거하여 판단된 타깃 차량 이동 거리와 합하여 판단된 다음 단계 거리보다 작은 정지거리 이내에서 호스트 차량이 정지될 수 있는 경우, 상기 예정 항법 동작을 이행할 수 있다. 상기 정지거리는 호스트 차량이 반응 시간 동안에 제동하지 않고 이동하는 거리를 더 포함할 수 있다.
타깃 차량의 최대 제동 능력이 판단되는 근거가 되는 타깃 차량의 인지된 특징은 모든 적합한 특징을 포함할 수 있다. 일부 실시예에서, 이 특징은 차량 유형(예, 각각 서로 다른 제동 프로필과 연관된 오토바이, 승용차, 버스, 트럭 등), 차량 사이즈, 예측 또는 공지의 차량 무게, 차량 모델(예, 공지의 제동 능력 검색에 활용) 등을 포함할 수 있다.
일부의 경우, 안전 상태는 한 대 이상의 타깃 차량에 대해 판단될 수 있다. 예를 들어, 일부의 경우, (거리 및 제동 능력에 의거한) 안전 상태 판단은 호스트 차량의 앞에서 가는 두 대 이상의 식별된 타깃 차량에 의거할 수 있다. 이러한 판단은 가장 앞에서 가는 타깃 차량의 앞에 무엇이 있는지에 대한 정보가 없는 경우에 특히 유용할 수 있다. 이런 경우, 안전 상태, 안전 거리, 및/또는 사용 가능한 DEP의 목적상, 맨 앞에서 검출될 수 있는 차량이 움직이지 않는 또는 거의 움직이지 않는 물체와의 충돌에 임박했다고 가정하여, 뒤따르는 차량이 자신의 제동 프로필이 허용하는 것보다 더 신속하게 정지할 수 있도록 할 수 있다(예, 두 번째 차량을 맨 앞의 첫 번째 차량과 충돌할 수 있고, 따라서 예상 최대 제동 조건보다 더 신속하게 정지할 수 있다). 이 경우, 안전 상태, 안전 추종 거리, DEP 판단을 식별된 타깃 차량의 호스트 차량에 대한 위치에 의거하는 것이 중요할 수 있다.
일부 실시예에서, 이러한 안전 상태에서 안전 상태로의 항법 시스템은 호스트 장치의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로브터 수신하도록 프로그램된 적어도 하나의 처리 장치를 포함할 수 있다. 여기서, 다른 실시예들과 마찬가지로, 이미지캡처장치(예, 카메라)에 의해 캡처된 이미지 정보는 라이더 또는 레이더 시스템과 같은 하나 이상의 다른 센서로부터 확보된 정보로 보충될 수 있다. 일부 실시예에서, 항법에 활용되는 이미지 정보는 광학적 카메라보다는 라이더 또는 레이더 시스템으로부터 유래될 수도 있다. 적어도 하나의 프로세서는 호스트 차량의 항법 목표를 달성하기 위한 예정 항법 동작을 적어도 하나의 주행 방침에 의거하여 결정할 수 있다. 프로세서는 적어도 하나의 이미지(카메라, 레이더, 라이더, 또는 광학 기반이거나 거리 지도 기반 여부에 관계없이 호스트 차량 주변상황의 이미지가 확보될 수 있는 기타 모든 장치로부터 확보된 이미지)를 분석하여 호스트 차량 앞의 제1 타깃 차량과 제1 타깃 차량 앞의 제2 타깃 차량을 식별할 수 있다. 이후, 프로세서는 예정 항법 동작을 취할 경우의 결과인 호스트 차량과 제2 타깃 차량 사이의 다음 상태 거리를 판단할 수 있다. 다음으로, 프로세서는 호스트 차량의 현재 최대 제동 능력과 현재 속력을 판단할 수 있다. 프로세서는 호스트 차량의 최대 제동력과 호스트 차량의 현재 속력을 고려할 때, 호스트 차량과 제2 타깃 차량 사이의 판단된 다음 상태 거리보다 작은 정지거리 이내에서 호스트 차량이 정지될 수 있는 경우에 상기 예정 항법 동작을 실행할 수 있다.
즉, 호스트 차량의 프로세서가 시야에 보이는 선두 차량과 호스트 차량 사이에 충돌을 하지 않고 또는 호스트 차량에 책임이 있을 충돌을 하지 않고 정지를 할 충분한 거리가 다음 상태 거리에 있다고 판단하고 시야에 보이는 선두 차량이 어느 순간에 완전 정지할 것으로 가정하면, 호스트 차량의 프로세서는 예정 항법 동작을 취할 수 있다. 반면, 충돌하지 않고 호스트 차량을 정지할 충분한 공간이 없다면, 예정 항법 동작을 취하지 않을 수 있다.
또한, 다음 상태 거리를 일부 실시예에서 벤치마크로 사용할 수 있는 반면, 다른 경우에서는 예정 항법 동작을 취할지 여부를 판단하기 위해 다른 거리 값이 사용될 수 있다. 일부의 경우, 앞서 설명한 바와 같이, 호스트 차량이 충돌을 피하기 위해 정지돼야 할 실제 거리는 예상 다음 상태 거리보다 작을 수 있다. 예컨대, 시야에 보이는 앞서가는 타깃 차량의 뒤로 한 대 이상의 다른 차량(예, 상기 예의 제1 타깃 차량)이 따라가는 경우에서, 실제 예상 요구 정지거리는 예상 다음 상태 거리에서 시야에 보이는 선두 타깃 차량을 따라가는 타깃 차량의 길이만큼 뺀 거리일 것이다. 시야에 보이는 선두 타깃 차량이 갑자기 정지하는 경우, 뒤따르는 타깃 차량이 시야에 보이는 선두 타깃 차량과 충돌할 것이므로 호스트 차량은 충돌을 피하기 위하여 이 타깃 차량도 피해야 한다. 따라서, 호스트 차량의 프로세서는 호스트 차량과 시야에 보이는/검출된 선두 타깃 차량 사이에 끼어있는 타깃 차량의 총 길이를 뺀 다음 상태 거리를 평가하여 충돌하지 않고 호스트 차량을 최대 제동 조건하의 정지 상태로 가져올 충분한 공간이 있는지 여부를 판단할 수 있다.
다른 실시예에서, 호스트 차량과 한 대 이상의 선두 타깃 차량 사이의 충돌을 평가하기 위한 벤치마크 거리는 예상 다음 상태 거리보다 클 수 있다. 예를 들어, 일부 경우에서, 시야에 보이는/검출된 선두 타깃 차량은 가정된 충돌 이후에 짧은 거리를 이동하도록 신속하지만 즉각적이지 않은 정지를 할 수 있다. 예를 들면, 차량이 주차된 차량을 들이받으면, 충돌하는 차량은 여전히 약간의 거리를 진행한 후에 완전히 정지할 수 있다. 가정된 충돌 이후에 진행한 거리는 연관 타깃 차량에 대해 가정되거나 판단된 최소 정지거리보다 작을 수 있다. 따라서, 일부 경우에서, 호스트 차량의 프로세서는 예정 항법 동작을 취할지 여부의 평가에서 다음 상태 거리를 증가할 수 있다. 예를 들어, 이러한 판단에서, 시야에 보이는 선두 타깃 차량이 가정된 즉각적인 충돌 이후에 진행할 수 있는 합리적인 거리를 고려하기 위하여, 다음 상태 거리가 5%, 10%, 20% 등만큼 증가되거나 미리 정해진 일정 거리(10미터, 20미터, 50미터 등)만큼 보충될 수 있다.
다음 상태 거리를 평가에서 가정된 거리값만큼 증가하는 것 외에도, 다음 상태 거리는 충돌 이후에 시야에 보이는/검출된 선두 타깃 차량이 진행하는 거리와 시야에 보이는/검출된 선두 타깃 차량을 따라가는 타깃 차량(시야에 보이는/검출된 선두 타깃 차량이 갑자기 정지한 이후에 연쇄적으로 충돌할 것으로 가정할 수 있음)의 길이를 고려하여 수정될 수 있다.
예정 항법 동작을 취할지 여부의 판단을 호스트 차량과 시야에 보이는/검출된 선두 타깃 차량 사이의 다음 상태 거리(시야에 보이는/검출된 선두 타깃 차량의 충돌 후 이동 및/또는 시야에 보이는/검출된 선두 타깃 차량을 따라가는 차량의 길이를 고려하여 수정된 거리)에 의거하는 것 외에도, 호스트 차량은 한 대 이상의 선두 차량의 제동 능력을 판단에 계속 고려할 수 있다. 예를 들어, 호스트 차량의 프로세서는 계속해서, 예정 항법 동작을 취할 경우의 결과일 수 있는 호스트 차량과 제1 타깃 차량(예, 시야에 보이는/검출된 선두 타깃 차량을 따라가는 타깃 차량) 사이의 다음 상태 거리를 판단하고, 제1 타깃 차량의 현재 속도를 판단하고 제1 타깃 차량의 적어도 하나의 인지된 특징에 의거하여 제1 타깃 차량의 최대 제동 능력을 가정하고, 호스트 차량의 최대 제동 능력과 현재 속도를 고려하여 호스트 차량과 제1 타깃 차량 사이의 판단된 다음 상태 거리에 제1 타깃 차량의 현재 속도와 가정된 최대 제동 능력에 의거하여 판단된 제1 타깃 차량 진행 거리를 더한 거리보다 작은 정지거리 내에서 호스트 차량이 정지될 수 없는 경우에 예정 항법 동작을 이행하지 않을 수 있다. 여기서, 상기의 예에서와 같이, 제1 타깃 차량의 인지된 특징은 차량 유형, 차량 사이즈, 차량 모델 등을 포함할 수 있다.
일부의 경우(예, 다른 차량들의 동작을 통해), 호스트 차량은 충돌이 임박하고 피할 수 없다고 판단할 수 있다. 이러한 경우, 호스트 차량의 프로세서는 결과적인 충돌이 호스트 차량의 책임이 아닐 항법 동작(사용 가능한 항법 동작이 있는 경우)을 선택하도록 구성될 수 있다. 추가적으로 또는 대안적으로, 호스트 차량의 프로세서는 현재의 궤적보다 또는 하나 이상의 다른 항법 옵션에 대해 상대적으로 작은 잠재적 손상을 호스트 차량 또는 타깃 물체에 입힐 항법 동작을 선택하도록 구성될 수 있다. 또한, 일부 경우에서, 호스트 차량의 프로세서는 물체 또는 충돌이 예상되는 물체의 유형의 고려에 의거하여 항법 동작을 선택할 수 있다. 예를 들어, 제1 항법 동작에 대해 주차된 차량과의 충돌에 직면하거나 제2 항법 동작에 대해 움직일 수 없는 물체와의 충돌에 직면하는 경우, 호스트 차량에 입히는 잠재적 손상이 더 낮은 동작(예, 주차된 차량과 충돌하는 결과를 낳는 동작)이 선택될 수 있다. 제1 항법 동작에 대해 호스트 차량과 비슷한 방향으로 이동하는 차량과의 충돌에 직면하거나 제2 항법 동작에 대해 주차된 차량과의 충돌에 직면하는 경우, 호스트 차량에 입히는 잠재적 손상이 더 낮은 동작(예, 움직이는 차량과 충돌하는 결과를 낳는 동작)이 선택될 수 있다. 제1 항법 동작의 결과로 보행자와의 충돌에 직면하거나 제2 항법 동작의 결과로 다른 물체와의 충돌에 직면하는 경우, 보행자와의 충돌이 아닌 동작이 선택될 수 있다.
실제로, 호스트 차량의 항법을 위한 시스템은, 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지(예, 가시적 이미지, 라이더 이미지, 레이더 이미지 등)를 이미지캡처장치로부터 수신하고; 호스트 차량의 현재 항법 상태의 지시자를 적어도 하나의 센서로부터 수신하고; 상기 적어도 하나의 이미지의 분석에 의거하고 호스트 차량의 현재 항법 상태의 상기 지시자에 의거하여 호스트 차량과 하나 이상의 물체와의 충돌이 불가피하다고 판단하도록 프로그램된, 적어도 하나의 처리 장치를 포함할 수 있다. 프로세서는 사용 가능한 대안을 평가할 수 있다. 예를 들면, 프로세서는 적어도 하나의 주행 방침에 의거하여 제1 물체와의 예상 충돌을 포함하는 호스트 차량의 제1 예정 항법 동작 및 제2 물체와의 예상 충돌을 포함하는 호스트 차량의 제2 예정 항법 동작을 결정할 수 있다. 제1 및 제2 예정 항법 동작은 잠재적 사고 책임을 판단하기 위해 적어도 하나의 사고 책임 규칙과 비교하여 검사될 수 있다. 적어도 하나의 사고 책임 규칙에 비교한 제1 예정 항법 동작의 시험 결과, 제1 예정 항법 동작을 취할 경우에 호스트 차량에 잠재적 사고 책임이 존재할 수 있는 것으로 나타나는 경우, 프로세서는 호스트 차량이 제1 예정 항법 동작을 이행하지 않도록 할 수 있다. 적어도 하나의 사고 책임 규칙에 비교한 제2 예정 항법 동작의 시험 결과, 제2 예정 항법 동작을 취할 경우에 호스트 차량에 잠재적 사고 책임이 없을 것으로 나타나는 경우, 프로세서는 호스트 차량이 제2 예정 항법 동작을 이행하도록 할 수 있다. 목적에는 다른 차량 또는 차량이 아닌 물체(예, 도로 상의 잔해, 나무, 기둥, 표지판, 보행자 등)가 포함될 수 있다.
하기의 도면과 설명은 기재된 시스템과 방법의 항법 및 이행시 발생할 수 있는 다양한 상황의 예를 제공한다. 이러한 예에서, 호스트 차량은 해당 동작을 취할 경우에 발생할 사고에 대해 호스트 차량에 과실이 있을 동작을 취하지 않을 수 있다.
도 28a와 도 28b는 다른 차량을 따라가는 예시적인 상황과 규칙을 도시한다. 도 28a에 도시된 바와 같이, 차량(2804)(예, 타깃 차량)을 에워싸는 구역은 차량(2804) 뒤에서 일정 거리를 두고 동일 차로 내에서 이동하고 있는 차량(2802)(예, 호스트 차량)에 대한 최소 안전 거리 통로를 나타낸다. 기재된 실시예에 따른 한 가지 규칙에 따르면, 과실이 차량(2802)에 기인할 수 있는 사고를 피하려면, 차량(2802)은 차량(2802)을 둘러싼 구역에 머물러서 최소 안전 거리를 유지해야 한다. 그에 반해서, 도 28b에 도시된 바와 같이, 차량(2804)이 제동하는 경우, 사고가 나면 차량(2802)의 잘못이 될 것이다.
도 29a와 도 29b는 끼어들기 상황에서의 예시적인 책임을 도시한다. 본 상황에서, 차량(2902) 주변의 안전 통로들이 끼어들기 동작의 과실을 결정한다. 도 29a에 도시된 바와 같이, 차량(2902)이 차량(2904) 앞으로 끼어들어서 안전 거리(차량(2904)을 에워싼 구역으로 표현)를 위반하고 있고, 따라서 과실이 있다. 도 29b에 도시된 바와 같이, 차량(2902)은 차량(2904) 앞으로 끼어들고 있지만 차량(2904) 앞의 안전 거리를 유지한다.
도 30a와 도 30b는 끼어들기 상황에서의 예시적인 책임을 도시한다. 본 상황에서, 차량(3004) 둘레의 안전 통로들이 차량(3002)의 과실 여부를 결정한다. 도 30a에서, 차량(3002)은 차량(3006) 뒤에서 이동하다가 차량(3004)이 이동중인 차로로 차로를 변경한다. 이 상황에서, 차량(3002)이 안전 거리를 위반하므로 사고가 나는 경우 과실이 있다. 도 30b에서, 차량(3002)이 차량(3004) 뒤로 끼어들고 안전 거리를 유지한다.
도 31a 내지 도 31d는 미끄러지는 상황에서의 예시적인 책임을 도시한다. 도 31a에서, 상황은 차량(3104)이 약간의 횡방향 동작으로 차량(3102)의 넓은 통로로 끼어들면서 시작한다. 도 31b에서, 차량(3104)은 계속해서 차량(3102)의 정상 통로로 끼어들어 안전 거리 구역을 위반한다. 사고가 날 경우, 과실은 차량(3104)에 있다. 도 31c에서, 차량(3104)은 초기 위치를 유지하는 반면, 차량(3102)은 횡방향으로 이동하여 '강제로' 정상 안전 거리 통로를 위반하게 한다. 사고가 날 경우, 과실은 차량(3102)에 있다. 도 31d에서, 차량(3102)과 차량(3104)은 서로를 향해 횡방향으로 이동한다. 사고가 날 경우, 과실은 두 차량 모두에게 있다.
도 32a와 도 32b는 양방향 통행 상황에서의 예시적인 책임을 도시한다. 도 32a에서, 차량(3202)은 차량(3206)을 추월하고, 차량(3202)은 차량(3204)으로부터 안전 거리를 유지하는 끼어들기 동작을 수행했다. 사고가 날 경우, 차량(3204)은 적당한 제동력으로 제동하지 않은 과실이 있다. 도 32b에서, 차량(3202)은 차량(3204)으로부터 안전한 종방향 거리를 유지하지 않고 끼어든다. 사고가 날 경우, 과실은 차량(3202)에 있다.
도 33a와 도 33b는 양방향 통행 상황에서의 예시적인 책임을 도시한다. 도 33a에서, 차량(3302)이 안전 거리를 유지하면서 맞은편 차량(3204)의 경로로 미끄러져 들어간다. 사고가 날 경우, 차량(3304)은 적당한 제동력으로 제동하지 않은 과실이 있다. 도 33b에서, 차량(3302)은 안전한 종방향 거리를 위반하면서 맞은편 차량(3304)의 경로로 미끄러져 들어온다. 사고가 날 경우, 과실은 차량(3304)에 있다.
도 34a와 도 34b는 경로 우선권 상황에서의 예시적인 책임을 도시한다. 도 34a에서, 차량(3402)은 일시정지표지판을 무시하고 통과한다. 차량(3402)은 신호등에 의해 차량(3404)에 부여된 우선권을 무시한 과실이 있다. 도 34b에서, 차량(3402)에 우선권이 있지는 않았지만 차량(3404)의 신호등이 녹색으로 바뀔 당시에 이미 교차로 내에 있었다. 차량(3404)이 차량(3402)과 충돌할 경우, 과실은 차량(3404)에 있다.
도 35a와 도 35b는 경로 우선권 상황에서의 예시적인 책임을 도시한다. 도 35A에서, 차량(3502)은 다가오는 차량(3504)의 경로 안으로 후진해 들어오고 있다. 차량(3502)은 안전 거리를 유지하면서 끼어들기 동작을 수행한다. 사고가 날 경우, 차량(3504)은 적당한 제동력으로 제동하지 않은 과실이 있다. 도 35b에서, 차량(3502)은 안전한 종방향 거리를 유지하지 않고 끼어들고 있다. 사고가 날 경우, 과실은 차량(3502)에 있다.
도 36a와 도 36b는 경로 우선권 상황에서의 예시적인 책임을 도시한다. 도 36a에서, 차량(3602)과 차량(3604)은 동일 방향으로 주행하고 있지만, 차량(3602)이 차량(3604)의 경로를 가로질러서 좌회전 한다. 차량(3602)은 안전 거리를 유지하면서 끼어들기 동작을 한다. 사고가 날 경우, 차량(3604)은 적당한 제동력으로 제동하지 않은 과실이 있다. 도 36b에서, 차량(3602)은 안전한 종방향 거리를 유지하지 않고 끼어들고 있다. 사고가 날 경우, 과실은 차량(3602)에 있다.
도 37a와 도 37b는 경로 우선권 상황에서의 예시적인 책임을 도시한다. 도 37a에서, 차량(3702)은 좌회전을 하고자 하지만 다가오는 차량(3704)에게 양보를 해야 한다. 차량(3702)은 차량(3704)에 대한 안전 거리를 위반하면서 좌회전 한다. 과실은 차량(3702)에 있다. 도 37b에서, 차량(3702)은 차량(3704)에 대한 안전 거리를 유지하면서 좌회전 한다. 사고가 날 경우, 차량(3704)은 적당한 제동력으로 제동하지 않은 과실이 있다.
도 38a와 도 38b는 경로 우선권 상황에서의 예시적인 책임을 도시한다. 도 38a에서, 차량(3802)과 차량(3804)은 각각 직진하고 있고, 차량(3802)에게는 일시정지표지판이 있다. 차량(3802)은 차량(3804)에 대한 안전 거리를 위반하면서 교차로에 진입한다. 과실은 차량(3802)에 있다. 도 38b에서, 차량(3802)은 차량(3804)에 대한 안전 거리를 유지하면서 교차로에 진입한다. 사고가 날 경우, 차량(3804)은 적당한 제동력으로 제동하지 않은 과실이 있다.
도 39a와 도 39b는 경로 우선권 상황에서의 예시적인 책임을 도시한다. 도 39a에서, 차량(3902)은 좌회전을 하고자 하지만 우측에서 다가오는 차량(3904)에게 양보를 해야 한다. 차량(3902)은 차량(3904)에 대한 선행권과 안전 거리를 위반하면서 교차로에 진입한다. 과실은 차량(3902)에 있다. 도 39b에서, 차량(3902)은 차량(3904)에 대한 선행권과 안전 거리를 유지하면서 교차로에 진입한다. 사고가 날 경우, 차량(3904)은 적당한 제동력으로 제동하지 않은 과실이 있다.
도 40a와 도 40b는 신호등 상황에서의 예시적인 책임을 도시한다. 도 40a에서, 차량(4002)은 적색 신호를 받으면서 달리고 있다. 차량(4002)은 신호등에 의해 차량(4004)에 부여된 우선권을 존중하지 않은 과실이 있다. 도 40b에서, 차량(4002)은 우선권이 없지만 차량(4004)에 대한 신호가 녹색으로 바뀌었을 때 이미 교차로 내에 진입해 있었다. 차량(4004)이 차량(4002)과 충돌할 경우, 과실은 차량(4004)에 있다.
도 41a와 도 41b는 신호등 상황에서의 예시적인 책임을 도시한다. 차량(4102)은 다가오는 차량(4104)의 경로를 가로질러서 좌회전하고 있다. 차량(4104)은 우선권이 있다. 도 41a에서, 차량(4102)은 차량(4104)에 대한 안전 거리를 위반하면서 좌회전한다. 과실은 차량(4102)에 있다. 도 41b에서, 차량(4102)은 차량(4104)에 대한 안전 거리를 유지하면서 좌회전한다. 사고가 날 경우, 차량(4104)은 적당한 제동력으로 제동하지 않은 과실이 있다.
도 42a와 도 42b는 신호등 상황에서의 예시적인 책임을 도시한다. 도 42a에서, 차량(4202)은 직진하고 있는 차량(4204)의 경로로 끼어들면서 우회전 하고 있다. 적색 신호에서의 우회전은 적법한 동작인 것으로 가정하지만, 차량(4202)이 차량(4204)에 대한 안전 거리를 위반함에 따라, 차량(4204)은 우선권이 있다. 과실은 차량(4202)에 있다. 도 42b에서, 차량(4202)은 차량(4204)에 대한 안전 거리를 유지하면서 우회전 한다. 사고가 날 경우, 차량(4204)은 적당한 제동력으로 제동하지 않은 과실이 있다.
도 43a 내지 도 43c는 예시적인 교통 약자(vulneraale road users 또는 VRUs) 상황을 도시한다. 차량이 동작을 수행하는 경우의 동물 또는 VRU와의 사고는 끼어들기의 변형으로 취급하고, 일부 예외가 있기는 하지만 과실은 디폴트로 차량에 있다. 도 43a에서, 차량(4302)은 안전 거리를 유지하고 사고가 일어나지 않도록 하면서 동물(또는 VRU)의 경로로 끼어들기 한다. 도 43b에서, 차량(4302)은 안전 거리를 위반하면서 동물(또는 VRU)의 경로로 끼어들기 한다. 과실은 차량(4302)에 있다. 도 43c에서, 차량(4302)은 동물을 알아보고 정지하여 동물에게 정지할 충분한 시간을 제공한다. 동물이 차량을 들이받는 경우, 과실은 동물에 있다.
도 44a 내지 도 44c는 예시적인 VRU 상황을 도시한다. 도 44a에서, 차량(4402)은 신호등이 있는 교차로에서 좌회전을 하고 있고 횡단보도 내의 보행자를 마주한다. 차량(4402)은 적색 신호를 받고 있고, VRU는 녹색 신호를 받고 있다. 과실은 차량(4402)에 있다. 도 44b에서, 차량(4402)은 녹색 신호를 받고 있고, VRU는 적색 신호를 받고 있다. VRU가 횡단보도에 진입하는 경우, 과실은 VRU에 있다. 도 44c에서, 차량(4402)은 녹색 신호를 받고 있고, VRU는 적색 신호를 받고 있다. VRU가 이미 횡단보도 내에 있는 경우, 과실은 차량(4402)에 있다.
도 45a 내지 도 45c는 예시적인 VRU 상황을 도시한다. 도 45a에서, 차량(4502)은 우회전을 하고 있고 자전거를 탄 사람을 마주한다. 자전거를 탄 사람은 녹색 신호를 받고 있다. 과실은 차량(4502)에 있다. 도 45b에서 자전거를 탄 사람은 적색 신호를 받고 있다. 자전거를 탄 사람이 교차로에 진입하는 경우, 과실은 자전거를 탄 사람에게 있다. 도 45c에서, 자전거를 탄 사람은 적색 신호를 받고 있지만 이미 교차로에 진입해 있다. 과실은 차량(4502)에 있다.
도 46a 내지 도 46d는 예시적인 VRU 상황을 도시한다. 차량이 동작을 수행하지 않는 경우의 VRU와의 사고는, 일부 예외는 있지만, 디폴트로 차량의 과실이다. 도 46a에서, 차량(4602)은 항상 안전 거리를 유지하도록 해야 하고 VRU와의 사고를 회피할 수 있도록 해야 한다. 도 46b에서, 차량(4602)이 안전 거리를 유지하지 않는 경우, 과실은 차량(4602)에 있다. 도 46c에서, 차량(4602)이 차량(4604)에 의해 잠재적으로 가려지는 VRU와의 충돌을 회피할 만큼 충분한 저속을 유지하지 않는 경우, 또는 법정 속도 이상으로 주행하는 경우, 과실은 차량(4602)에 있다. 도 46d에서, VRU가 차량(4604)에 의해 잠재적으로 가려지는 다른 상황에서, 차량(4602)이 충분한 저속을 유지하지만 VRU의 속도가 합리적 임계값 이상인 경우, 과실은 VRU에 있다.
여기에 기재된 바와 같이, RSS는 멀티 에이전트 상황에 대한 프레임워크를 정의한다. 고정 물체, 도로 이탈, 제어 상실, 또는 차량 고장이 포함된 사고는 호스트의 과실이다. RSS는 다른 물체가 호스트의 경로로 위험하게 들어오지(이 경우, 다른 물체의 과실) 않는 한, 다른 물체와의 사고를 허용하지 않을 조심스러운 동작을 정의한다. 타깃의 과실인 충돌이 확실시 되는 경우, 호스트는 브레이크를 작동할 것이다. 시스템은 동작이 '조심스러운'(다른 사고를 유발하지 않을 것으로 인지되는) 경우에만 회피적 조향을 고려할 수 있다.
충돌이 아닌 사건에는 차량 화재, 포트홀, 낙하물 등에 의해 발생하는 사고가 포함된다. 이러한 경우, 과실은, '고정 물체'로 분류될 수 있는 포트홀과 낙하물과 같이 안전한 거리를 두고 시야에 들어오거나 이들에 대한 조심스러운 회피 동작이 존재한다는 가정하에 호스트가 회피할 수 있는 상황을 제외하고, 디폴트로 호스트에 있을 수 있다. 호스트 차량이 움직이지 않은 멀티 에이전트 상황에서, 과실은 호스트에 있지 않다. 이 경우, 타깃이 근본적으로 안전하지 않은 끼어들기를 수행한 것이다. 예를 들면, 자전거를 탄 사람이 움직이지 않는 차량으로 돌진하는 경우, 호스트는 과실이 없다.
RSS는 또한 차로 표시가 없는 주차장이나 넓은 로터리와 같이 도로에 명확한 체계가 없는 경우의 과실에 대한 가이드라인을 포함한다. 이러한 체계가 없는 도로 상황에서, 각 차량의 경로 이탈을 검사하여 다른 물체가 구역 내에서 조정하도록 충분한 거리를 허용했는지를 판단함으로써 과실이 배정된다.
상기의 설명은 예시의 목적으로 제시되었다. 이 설명은 모든 것을 망라한 것이 아니며 기재된 그대로의 형태 또는 실시예로 제한되는 것이 아니다. 수정 및 응용은 본 명세서를 고려하고 기재된 실시예를 실시함으로써 당업자에게 당연할 것이다. 또한, 기재된 실시예의 양상들이 메모리에 저장되는 것으로 설명되었지만, 당업자라면 이러한 양상들이, 예를 들어, 하드 디스크 또는 CD ROM, 또는 다른 유형의 RAM 또는 ROM, USB 매체, DVD, 블루레이, 4K UHD 블루레이, 또는 기타 광드라이브 매체 등의 2차 저장장치와 같은 다른 유형의 컴퓨터 가독 매체에 저장될 수도 있음을 이해할 것이다.
기재된 설명과 방법에 기반한 컴퓨터 프로그램은 당업자에게는 당연한 기술이다. 다양한 프로그램 또는 프로그램 모듈이 당업자에게 공지인 기술을 사용하여 생성되거나 기존의 소프트웨어와 관련되어 설계될 수 있다. 예를 들어, 프로그램 섹션 또는 프로그램 모듈은 .Net Framework, .Net Compact Framework (및 Visual Basic, C 등과 같은 관련 언어), Java, C++, Objective-C, HTML, HTML/AJAX 조합, XML, 또는 자바 애플릿(Java applet)을 포함하는 HTML로 설계될 수 있다.
또한, 예시된 실시예들을 여기에 설명하였지만, 모든 실시예의 범위는 균등한 구성요소, 수정, 누락, 조합(예, 다양한 실시예에 걸친 양상의 조합), 응용, 및/또는 변경을 가짐은 본 발명의 당업자에게 당연하다. 청구항의 한정은 청구항에 사용된 언어에 근거하여 넓게 해석되어야 하며 본 명세서에서 또는 본 발명의 출원 중에 설명된 예시에 한정되지 않는다. 예시들은 배타적이지 않은 것으로 이해되어야 한다. 나아가, 기재된 방법의 단계들은 단계들의 순서를 재배열 및/또는 단계를 삽입 또는 삭제하는 등의 다양한 방법으로 수정될 수 있다. 따라서, 본 명세서와 예시들은 예시의 목적으로만 고려되고, 진정한 범위와 기술적 사상은 하기의 청구항과 그 균등한 범위에 의해 정의된다.

Claims (1)

  1. 호스트 차량의 항법을 위한 시스템에 있어서, 상기 시스템은:
    적어도 하나의 처리 장치를 포함하고,
    상기 적어도 하나의 처리 장치는:
    상기 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 이미지캡처장치로부터 수신;
    적어도 하나의 센서로부터 상기 호스트 차량의 현재 항법 상태의 지시자를 수신;
    상기 적어도 하나의 이미지의 분석과 상기 호스트 차량의 상기 현재 항법 상태의 상기 지시자에 의거하여, 상기 호스트 차량과 하나 이상의 물체 사이의 충돌이 불가피하다고 판단;
    적어도 하나의 주행 방침에 의거하여, 제1 물체와의 예상 충돌을 수반하는 상기 호스트 차량에 대한 제1 예정 항법 동작 및 제2 물체와의 예상 충돌을 수반하는 상기 호스트 차량에 대한 제2 예정 항법 동작을 결정;
    잠재적 사고 책임을 판단하기 위해 상기 제1 및 제2 예정 항법 동작을 적어도 하나의 사고 책임 규칙에 대비하여 시험;
    상기 적어도 하나의 사고 책임 규칙에 대비한 상기 제1 예정 항법 동작의 상기 시험에서 상기 제1 예정 항법 동작을 취할 경우에 상기 호스트 차량에 대한 잠재적 사고 책임이 존재하는 것으로 나타나는 경우, 상기 호스트 차량이 상기 제1 예정 항법 동작을 이행하지 못하게 유발; 및
    상기 적어도 하나의 사고 책임 규칙에 대비한 상기 제2 예정 항법 동작의 상기 시험에서 상기 제2 예정 항법 동작을 취할 경우에 상기 호스트 차량에 대한 잠재적 사고 책임이 없는 것으로 나타나는 경우, 상기 호스트 차량이 상기 제2 예정 항법 동작을 이행하게 유발; 하도록 프로그램된 것을 특징으로 하는, 시스템.
KR1020207012258A 2016-12-23 2017-12-21 부과된 책임 제약이 있는 항법 시스템 KR102316406B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020217028363A KR102426734B1 (ko) 2016-12-23 2017-12-21 부과된 책임 제약이 있는 항법 시스템

Applications Claiming Priority (10)

Application Number Priority Date Filing Date Title
US201662438563P 2016-12-23 2016-12-23
US62/438,563 2016-12-23
US201762546343P 2017-08-16 2017-08-16
US62/546,343 2017-08-16
US201762565244P 2017-09-29 2017-09-29
US62/565,244 2017-09-29
US201762582687P 2017-11-07 2017-11-07
US62/582,687 2017-11-07
KR1020197021476A KR20190091366A (ko) 2016-12-23 2017-12-21 부과된 책임 제약이 있는 항법 시스템
PCT/IB2017/001684 WO2018115963A2 (en) 2016-12-23 2017-12-21 Navigational system with imposed liability constraints

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020197021476A Division KR20190091366A (ko) 2016-12-23 2017-12-21 부과된 책임 제약이 있는 항법 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020217028363A Division KR102426734B1 (ko) 2016-12-23 2017-12-21 부과된 책임 제약이 있는 항법 시스템

Publications (2)

Publication Number Publication Date
KR20200049888A true KR20200049888A (ko) 2020-05-08
KR102316406B1 KR102316406B1 (ko) 2021-10-25

Family

ID=61054425

Family Applications (4)

Application Number Title Priority Date Filing Date
KR1020217028363A KR102426734B1 (ko) 2016-12-23 2017-12-21 부과된 책임 제약이 있는 항법 시스템
KR1020227025821A KR102469732B1 (ko) 2016-12-23 2017-12-21 부과된 책임 제약이 있는 항법 시스템
KR1020207012258A KR102316406B1 (ko) 2016-12-23 2017-12-21 부과된 책임 제약이 있는 항법 시스템
KR1020197021476A KR20190091366A (ko) 2016-12-23 2017-12-21 부과된 책임 제약이 있는 항법 시스템

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020217028363A KR102426734B1 (ko) 2016-12-23 2017-12-21 부과된 책임 제약이 있는 항법 시스템
KR1020227025821A KR102469732B1 (ko) 2016-12-23 2017-12-21 부과된 책임 제약이 있는 항법 시스템

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020197021476A KR20190091366A (ko) 2016-12-23 2017-12-21 부과된 책임 제약이 있는 항법 시스템

Country Status (7)

Country Link
US (6) US10937107B2 (ko)
EP (6) EP3805889A1 (ko)
JP (2) JP6708793B2 (ko)
KR (4) KR102426734B1 (ko)
CN (2) CN112629551B (ko)
IL (3) IL288191B2 (ko)
WO (1) WO2018115963A2 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220102694A (ko) * 2021-01-13 2022-07-21 부경대학교 산학협력단 비신호 교차로에서 자율주행차량의 개선된 통행을 위한 장치 및 방법

Families Citing this family (176)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017154967A1 (ja) * 2016-03-11 2017-09-14 日本電気株式会社 異常走行検出装置、異常走行検出方法とそのプログラムを格納する記憶媒体、および異常走行検出システム
JP6524943B2 (ja) * 2016-03-17 2019-06-05 株式会社デンソー 走行支援装置
EP3805889A1 (en) * 2016-12-23 2021-04-14 Mobileye Vision Technologies Ltd. Navigational system monitoring host and target vehicle behaviour
US20180208203A1 (en) * 2017-01-26 2018-07-26 International Business Machines Corporation System, method and computer program product for braking control when approaching a traffic signal
JP6890757B2 (ja) 2017-02-10 2021-06-18 ニッサン ノース アメリカ，インク 部分観測マルコフ決定過程モデルインスタンスを動作させることを含む自律走行車動作管理
US11074510B2 (en) * 2017-03-06 2021-07-27 International Business Machines Corporation Embodied cognition platform for use in and control of a device
CN115855022A (zh) * 2017-04-07 2023-03-28 辉达公司 使用深度神经网络执行自主路径导航
EP3401849A1 (de) * 2017-05-09 2018-11-14 dSPACE digital signal processing and control engineering GmbH Produktreifebestimmung eines technischen systems
WO2018215833A1 (en) * 2017-05-23 2018-11-29 1.21 Gigawatts Ltd. Traffic monitoring and management systems and methods
EP3422132B1 (en) * 2017-06-27 2020-06-03 TTTech Auto AG Method and fault tolerant computer architecture for reducing false negatives in fail-safe trajectory planning for a moving entity
US10705531B2 (en) * 2017-09-28 2020-07-07 Nec Corporation Generative adversarial inverse trajectory optimization for probabilistic vehicle forecasting
US10019011B1 (en) * 2017-10-09 2018-07-10 Uber Technologies, Inc. Autonomous vehicles featuring machine-learned yield model
US11093829B2 (en) * 2017-10-12 2021-08-17 Honda Motor Co., Ltd. Interaction-aware decision making
US10739776B2 (en) * 2017-10-12 2020-08-11 Honda Motor Co., Ltd. Autonomous vehicle policy generation
US11657266B2 (en) * 2018-11-16 2023-05-23 Honda Motor Co., Ltd. Cooperative multi-goal, multi-agent, multi-stage reinforcement learning
US11702070B2 (en) 2017-10-31 2023-07-18 Nissan North America, Inc. Autonomous vehicle operation with explicit occlusion reasoning
JP6939428B2 (ja) * 2017-11-01 2021-09-22 トヨタ自動車株式会社 車両制御装置
US11360475B2 (en) * 2017-12-05 2022-06-14 Waymo Llc Real-time lane change selection for autonomous vehicles
JP7200946B2 (ja) * 2017-12-12 2023-01-10 ソニーグループ株式会社 情報処理装置、制御システム、情報処理方法及びプログラム
EP3724868A4 (en) * 2017-12-14 2021-08-11 Saab Ab VIEWING SYSTEM AND METHOD FOR REPRESENTING IMAGES FROM THE SURROUNDING AREA OF AN AIRCRAFT IN AN VIEWING SYSTEM
US20190185012A1 (en) 2017-12-18 2019-06-20 PlusAI Corp Method and system for personalized motion planning in autonomous driving vehicles
US11273836B2 (en) * 2017-12-18 2022-03-15 Plusai, Inc. Method and system for human-like driving lane planning in autonomous driving vehicles
US11130497B2 (en) 2017-12-18 2021-09-28 Plusai Limited Method and system for ensemble vehicle control prediction in autonomous driving vehicles
KR102463720B1 (ko) * 2017-12-18 2022-11-07 현대자동차주식회사 차량의 경로 생성 시스템 및 방법
US11874120B2 (en) 2017-12-22 2024-01-16 Nissan North America, Inc. Shared autonomous vehicle operational management
US11262756B2 (en) * 2018-01-15 2022-03-01 Uatc, Llc Discrete decision architecture for motion planning system of an autonomous vehicle
DE102018200814B3 (de) * 2018-01-18 2019-07-18 Audi Ag Verfahren zum Betrieb eines zur vollständig automatischen Führung eines Kraftfahrzeugs ausgebildeten Fahrzeugführungssystems des Kraftfahrzeugs und Kraftfahrzeug
US11282389B2 (en) * 2018-02-20 2022-03-22 Nortek Security & Control Llc Pedestrian detection for vehicle driving assistance
JP6976414B2 (ja) * 2018-03-14 2021-12-08 本田技研工業株式会社 鞍乗り型車両の情報報知装置、鞍乗り型車両、および情報報知方法
DE102018002156A1 (de) * 2018-03-16 2019-09-19 Trw Automotive Gmbh Ein verbessertes Steuerungssystem und ein verbessertes Steuerungsverfahren für das autonome Steuern eines Kraftfahrzeugs
US10809735B2 (en) * 2018-04-09 2020-10-20 SafeAI, Inc. System and method for a framework of robust and safe reinforcement learning application in real world autonomous vehicle application
US11467590B2 (en) 2018-04-09 2022-10-11 SafeAI, Inc. Techniques for considering uncertainty in use of artificial intelligence models
US11625036B2 (en) 2018-04-09 2023-04-11 SafeAl, Inc. User interface for presenting decisions
US11169536B2 (en) 2018-04-09 2021-11-09 SafeAI, Inc. Analysis of scenarios for controlling vehicle operations
US11561541B2 (en) 2018-04-09 2023-01-24 SafeAI, Inc. Dynamically controlling sensor behavior
US11874666B2 (en) * 2018-04-20 2024-01-16 Honda Motor Co., Ltd. Self-location estimation method
WO2020014683A1 (en) * 2018-07-13 2020-01-16 Kache.AI Systems and methods for autonomous object detection and vehicle following
US10703370B2 (en) * 2018-08-24 2020-07-07 Ford Global Technologies, Llc Vehicle action control
US10832062B1 (en) * 2018-09-28 2020-11-10 Zoox, Inc. Image embedding for object tracking
US10793123B2 (en) 2018-10-04 2020-10-06 Waymo Llc Emergency braking for autonomous vehicles
US10816987B2 (en) * 2018-10-15 2020-10-27 Zoox, Inc. Responsive vehicle control
US20200133308A1 (en) * 2018-10-18 2020-04-30 Cartica Ai Ltd Vehicle to vehicle (v2v) communication less truck platooning
KR20230030029A (ko) * 2018-10-30 2023-03-03 모셔널 에이디 엘엘씨 자율 주행 차량에서의 리던던시
US10926855B2 (en) 2018-11-01 2021-02-23 Brunswick Corporation Methods and systems for controlling low-speed propulsion of a marine vessel
US11198494B2 (en) 2018-11-01 2021-12-14 Brunswick Corporation Methods and systems for controlling propulsion of a marine vessel to enhance proximity sensing in a marine environment
US11209820B2 (en) * 2018-11-14 2021-12-28 Honda Motor Co., Ltd. System and method for providing autonomous vehicular navigation within a crowded environment
US11346950B2 (en) 2018-11-19 2022-05-31 Huawei Technologies Co., Ltd. System, device and method of generating a high resolution and high accuracy point cloud
US11443637B2 (en) 2018-11-21 2022-09-13 Brunswick Corporation Proximity sensing system and method for a marine vessel
US11436927B2 (en) 2018-11-21 2022-09-06 Brunswick Corporation Proximity sensing system and method for a marine vessel with automated proximity sensor location estimation
US11794865B1 (en) 2018-11-21 2023-10-24 Brunswick Corporation Proximity sensing system and method for a marine vessel
US11403955B2 (en) 2018-12-14 2022-08-02 Brunswick Corporation Marine propulsion control system and method with proximity-based velocity limiting
CN111338333B (zh) * 2018-12-18 2021-08-31 北京航迹科技有限公司 用于自动驾驶的系统和方法
US10955853B2 (en) 2018-12-18 2021-03-23 Beijing Voyager Technology Co., Ltd. Systems and methods for autonomous driving
DE102018222611A1 (de) * 2018-12-20 2020-06-25 Robert Bosch Gmbh Verfahren zum Betreiben eines automatisierten Fahrzeugs
US11373537B2 (en) 2018-12-21 2022-06-28 Brunswick Corporation Marine propulsion control system and method with collision avoidance override
WO2020133415A1 (en) * 2018-12-29 2020-07-02 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for constructing a high-definition map based on landmarks
US10627823B1 (en) * 2019-01-30 2020-04-21 StradVision, Inc. Method and device for performing multiple agent sensor fusion in cooperative driving based on reinforcement learning
KR102319036B1 (ko) * 2019-01-30 2021-10-28 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 자율 주행 차량을 위한 포인트 클라우드 고스트 효과 검출 시스템
EP3710984A1 (en) * 2019-01-30 2020-09-23 Baidu.com Times Technology (Beijing) Co., Ltd. Map partition system for autonomous vehicles
US11702178B2 (en) * 2019-01-31 2023-07-18 Brunswick Corporation Marine propulsion control system, method, and user interface for marine vessel docking and launch
US11257378B2 (en) 2019-01-31 2022-02-22 Brunswick Corporation Marine propulsion control system and method
CN113498391B (zh) * 2019-03-08 2023-05-16 马自达汽车株式会社 汽车用运算装置
US11550320B2 (en) * 2019-03-18 2023-01-10 Pony Ai Inc. Vehicle redundant processing resource usage
JP2020164045A (ja) * 2019-03-29 2020-10-08 マツダ株式会社 車両走行制御装置
JP7189329B2 (ja) * 2019-03-29 2022-12-13 日産自動車株式会社 車両制御方法及び車両制御装置
GB2588983B (en) * 2019-04-25 2022-05-25 Motional Ad Llc Graphical user interface for display of autonomous vehicle behaviors
KR102653342B1 (ko) * 2019-05-20 2024-04-02 현대모비스 주식회사 자율 주행 장치 및 방법
US20220073104A1 (en) * 2019-05-30 2022-03-10 Lg Electronics Inc. Traffic accident management device and traffic accident management method
WO2020241971A1 (ko) * 2019-05-30 2020-12-03 엘지전자 주식회사 교통 사고 처리 장치 및 교통 사고 처리 방법
DE102020206660A1 (de) * 2019-05-30 2020-12-03 Robert Bosch Gesellschaft mit beschränkter Haftung Redundante umgebungswahrnehmungsverfolgung für automatisierte fahrsysteme
US11643115B2 (en) * 2019-05-31 2023-05-09 Waymo Llc Tracking vanished objects for autonomous vehicles
JP7251629B2 (ja) * 2019-07-15 2023-04-04 株式会社Soken 走行記憶システム、および走行記憶方法
CN112242069B (zh) * 2019-07-17 2021-10-01 华为技术有限公司 一种确定车速的方法和装置
JP7268740B2 (ja) 2019-07-26 2023-05-08 株式会社Soken 車両制御装置、及び車両制御方法
US11048256B2 (en) * 2019-08-09 2021-06-29 Waymo Llc Parking behaviors for autonomous vehicles
US11161502B2 (en) * 2019-08-13 2021-11-02 Zoox, Inc. Cost-based path determination
JP7275993B2 (ja) * 2019-08-21 2023-05-18 株式会社Soken 車両制御装置および車両制御方法
US11167754B2 (en) 2019-08-22 2021-11-09 Argo AI, LLC Systems and methods for trajectory based safekeeping of vehicles
US11072326B2 (en) * 2019-08-22 2021-07-27 Argo AI, LLC Systems and methods for trajectory based safekeeping of vehicles
CN110502033B (zh) * 2019-09-04 2022-08-09 中国人民解放军国防科技大学 一种基于强化学习的固定翼无人机群集控制方法
FR3100515B1 (fr) * 2019-09-05 2021-09-17 Renault Sas Procédé de commande d’un système de régulation d’une distance inter-véhicules
JP7313998B2 (ja) * 2019-09-18 2023-07-25 株式会社トプコン 測量データ処理装置、測量データ処理方法および測量データ処理用プログラム
SG11202006803VA (en) * 2019-09-23 2021-04-29 Advanced New Technologies Co Ltd System And Method For Routing Optimization
US11279349B2 (en) * 2019-09-26 2022-03-22 Intel Corporation Safety module, automated driving system, and methods thereof
WO2021071878A1 (en) * 2019-10-07 2021-04-15 Gentex Corporation 3d display system for camera monitoring system
DE112020004876T5 (de) 2019-10-09 2022-07-21 Denso Corporation Fahrzeugführungsumschaltvorrichtung, fahrzeugführungssystem und fahrzeugführungsumschaltverfahren
CN114555449A (zh) 2019-10-14 2022-05-27 株式会社电装 车载装置以及驾驶辅助方法
JP7207257B2 (ja) * 2019-10-15 2023-01-18 トヨタ自動車株式会社 車両制御システム
US11273806B2 (en) * 2019-10-17 2022-03-15 Ford Global Technologies, Llc Enhanced collision mitigation
WO2021092334A1 (en) * 2019-11-06 2021-05-14 Ohio State Innovation Foundation Systems and methods for vehicle dynamics and powertrain control using multiple horizon optimization
CN110949381B (zh) * 2019-11-12 2021-02-12 深圳大学 一种驾驶行为危险度的监测方法及装置
CN111123738B (zh) * 2019-11-25 2023-06-30 的卢技术有限公司 提高仿真环境中深度强化学习算法训练效率的方法及系统
US11635758B2 (en) 2019-11-26 2023-04-25 Nissan North America, Inc. Risk aware executor with action set recommendations
JP7279623B2 (ja) * 2019-11-26 2023-05-23 トヨタ自動車株式会社 情報処理装置、情報処理システム、およびプログラム
US11899454B2 (en) 2019-11-26 2024-02-13 Nissan North America, Inc. Objective-based reasoning in autonomous vehicle decision-making
CN114283040A (zh) * 2019-12-04 2022-04-05 蚂蚁胜信(上海)信息技术有限公司 交通事故处理方法和装置、电子设备
US10969232B1 (en) * 2019-12-06 2021-04-06 Ushr Inc. Alignment of standard-definition and High-Definition maps
US11513520B2 (en) 2019-12-10 2022-11-29 International Business Machines Corporation Formally safe symbolic reinforcement learning on visual inputs
CN110906935B (zh) * 2019-12-13 2023-06-13 河海大学常州校区 一种无人艇路径规划方法
WO2021125249A1 (ja) 2019-12-18 2021-06-24 株式会社Ｓｏｋｅｎ 自動運転装置、ルール判断装置、自動運転方法、およびルール判断方法
US11613269B2 (en) 2019-12-23 2023-03-28 Nissan North America, Inc. Learning safety and human-centered constraints in autonomous vehicles
RU2750243C2 (ru) 2019-12-24 2021-06-24 Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" Способ и система для формирования траектории для беспилотного автомобиля (sdc)
US11300957B2 (en) 2019-12-26 2022-04-12 Nissan North America, Inc. Multiple objective explanation and control interface design
CN113085845A (zh) * 2020-01-07 2021-07-09 标致雪铁龙汽车股份有限公司 一种基于自动驾驶车辆安全完整性等级的责任划分方法
DE102020200183A1 (de) 2020-01-09 2021-07-15 Continental Automotive Gmbh Verfahren zum Erstellen einer probabilistischen Freiraumkarte mit statischen und dynamischen Objekten
WO2021146910A1 (zh) * 2020-01-21 2021-07-29 深圳元戎启行科技有限公司 基于图计算的车辆驾驶数据处理方法、装置和计算机设备
US11714971B2 (en) 2020-01-31 2023-08-01 Nissan North America, Inc. Explainability of autonomous vehicle decision making
US11577746B2 (en) 2020-01-31 2023-02-14 Nissan North America, Inc. Explainability of autonomous vehicle decision making
CN111324120A (zh) * 2020-02-26 2020-06-23 中汽研汽车检验中心（天津）有限公司 一种自动驾驶前车切入切出场景提取方法
US11385642B2 (en) 2020-02-27 2022-07-12 Zoox, Inc. Perpendicular cut-in training
US11782438B2 (en) 2020-03-17 2023-10-10 Nissan North America, Inc. Apparatus and method for post-processing a decision-making model of an autonomous vehicle using multivariate data
DE102020107880A1 (de) * 2020-03-23 2021-09-23 Ford Global Technologies, Llc Verfahren zum Steuern eines Geschwindigkeitsregelsystems in einem Kurvenverlauf
CN111402449A (zh) * 2020-03-27 2020-07-10 斑马网络技术有限公司 行车安全预警方法、行车记录仪及服务器
WO2021203385A1 (zh) * 2020-04-09 2021-10-14 华为技术有限公司 一种生成指令单元组的方法及装置
CN111497842B (zh) * 2020-04-30 2023-03-24 重庆大学 一种人机双闭环分层协同纵向跟车控制方法
US11708093B2 (en) 2020-05-08 2023-07-25 Zoox, Inc. Trajectories with intent
JP2023525054A (ja) * 2020-05-08 2023-06-14 ズークス インコーポレイテッド 軌道分類
US11554790B2 (en) 2020-05-08 2023-01-17 Zoox, Inc. Trajectory classification
CN111780981B (zh) * 2020-05-21 2022-02-18 东南大学 一种智能车辆编队变道性能测评方法
KR102342070B1 (ko) * 2020-05-21 2021-12-22 계명대학교 산학협력단 단안 카메라를 이용한 자동긴급제동시스템의 검증 장치와 방법
US11511751B2 (en) 2020-05-29 2022-11-29 Toyota Research Institute, Inc. Merge situation exposure algorithms to maximize exposure time
US11030893B1 (en) * 2020-06-05 2021-06-08 Samuel Messinger System for reducing speed of a vehicle and method thereof
US20210389138A1 (en) * 2020-06-15 2021-12-16 Google Llc Vehicle Communication System for Optimizing Traffic Flow
CN111562118B (zh) * 2020-06-30 2022-04-15 中汽院智能网联科技有限公司 一种夜间环境下aeb vru性能的测试方法
US11256937B2 (en) * 2020-07-17 2022-02-22 Toyota Motor Engineering & Manufacturing North America, Inc. Anomalous event detection and/or validation using inherent human behavior
US20220028273A1 (en) * 2020-07-24 2022-01-27 Autobrains Technologies Ltd Bypass assistance
JP7466396B2 (ja) 2020-07-28 2024-04-12 株式会社Soken 車両制御装置
CN111824182B (zh) * 2020-07-30 2022-03-22 吉林大学 一种基于深度强化学习的三轴重型车自适应巡航控制算法
US20220034673A1 (en) * 2020-08-03 2022-02-03 GM Global Technology Operations LLC Trailer-considerate route recommendations
CN112149344B (zh) * 2020-08-24 2023-03-28 同济大学 一种基于强化学习的足球机器人带球策略选择方法
US11814075B2 (en) * 2020-08-26 2023-11-14 Motional Ad Llc Conditional motion predictions
US20230410531A1 (en) * 2020-09-23 2023-12-21 Bayerische Motoren Werke Aktiengesellschaft Determining Correctness of Image Data of Camera System
KR102528759B1 (ko) * 2020-09-29 2023-05-08 주식회사 더코더 자율 주행 차량의 안전 운전 제어 시스템 및 이의 실행 방법
CN112249008B (zh) * 2020-09-30 2021-10-26 南京航空航天大学 针对复杂动态环境的无人驾驶汽车预警方法
US11358598B2 (en) 2020-10-01 2022-06-14 Argo AI, LLC Methods and systems for performing outlet inference by an autonomous vehicle to determine feasible paths through an intersection
US11618444B2 (en) 2020-10-01 2023-04-04 Argo AI, LLC Methods and systems for autonomous vehicle inference of routes for actors exhibiting unrecognized behavior
US11731661B2 (en) 2020-10-01 2023-08-22 Argo AI, LLC Systems and methods for imminent collision avoidance
US12103560B2 (en) 2020-10-01 2024-10-01 Argo AI, LLC Methods and systems for predicting actions of an object by an autonomous vehicle to determine feasible paths through a conflicted area
GB2601110A (en) * 2020-11-10 2022-05-25 Sony Interactive Entertainment Inc Latency mitigation system and method
US12017645B1 (en) * 2020-11-24 2024-06-25 Zoox, Inc. Controlling merging vehicles
US12024170B2 (en) 2020-12-14 2024-07-02 Zoox, Inc. Lane change gap finder
CN112590791B (zh) * 2020-12-16 2022-03-11 东南大学 一种基于博弈论的智能车换道间隙选择方法及装置
CN115777088B (zh) * 2020-12-17 2024-08-02 移动眼视力科技有限公司 车辆运行安全模型测试系统
US11807267B2 (en) 2020-12-31 2023-11-07 Toyota Research Institute, Inc. Systems and methods for risk-sensitive sequential action control for robotic devices
CN113485099B (zh) * 2020-12-31 2023-09-22 中国电子科技集团公司信息科学研究院 一种非线性离散时间系统的在线学习控制方法
CN113111003B (zh) * 2021-01-11 2022-05-03 北京赛目科技有限公司 一种场景无关的无人驾驶仿真测试评估方法及装置
DE112021006871T5 (de) 2021-01-22 2023-11-30 Denso Corporation Verarbeitungsverfahren, verarbeitungssystem, verarbeitungsprogramm und verarbeitungsvorrichtung
CN112947415B (zh) * 2021-01-26 2022-07-29 同济大学 一种基于障碍物语义信息的室内路径规划方法
CN112902969B (zh) * 2021-02-03 2023-08-01 重庆大学 一种无人机在数据收集过程中的路径规划方法
JP7428273B2 (ja) 2021-02-05 2024-02-06 株式会社デンソー 処理方法、処理システム、処理プログラム、記憶媒体、処理装置
US11993281B2 (en) 2021-02-26 2024-05-28 Nissan North America, Inc. Learning in lane-level route planner
EP4068241A1 (en) * 2021-03-30 2022-10-05 Siemens Industry Software NV Driving assistance system and method of controlling autonomous vehicles
CN113264064B (zh) * 2021-03-31 2022-05-10 志行千里(北京)科技有限公司 用于交叉路口场景的自动驾驶方法及相关设备
US11945441B2 (en) 2021-03-31 2024-04-02 Nissan North America, Inc. Explainability and interface design for lane-level route planner
US11708075B2 (en) * 2021-04-08 2023-07-25 Ford Global Technologies, Llc Enhanced adaptive cruise control
US20220381579A1 (en) * 2021-05-26 2022-12-01 Robert Bosch Gmbh Turning path guidance system for vehicles
US11921506B2 (en) * 2021-05-28 2024-03-05 Nissan North America, Inc. Belief state determination for real-time decision-making
KR20230001071A (ko) * 2021-06-25 2023-01-04 현대자동차주식회사 자율 주행 차량, 그를 원격 제어하는 관제 시스템 및 그 방법
US20230020503A1 (en) * 2021-07-08 2023-01-19 Ford Global Technologies, Llc Machine control
DE112021007955T5 (de) * 2021-07-12 2024-05-08 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Vorrichtung und Verfahren zur automatischen Kennzeichnung von Einschermanövern
US11724739B2 (en) * 2021-07-22 2023-08-15 GM Global Technology Operations LLC Vehicle actuation commands to affect transient handling
CN113401144B (zh) * 2021-07-27 2022-10-11 阿波罗智能技术(北京)有限公司 自动驾驶车辆的控制方法、装置、设备和介质
US20230053243A1 (en) * 2021-08-11 2023-02-16 Baidu Usa Llc Hybrid Performance Critic for Planning Module's Parameter Tuning in Autonomous Driving Vehicles
CN113781816B (zh) * 2021-09-24 2022-11-08 神华准格尔能源有限责任公司 矿用车辆控制方法、存储介质及电子设备
TWI790825B (zh) 2021-11-19 2023-01-21 財團法人工業技術研究院 安全距離估算系統及其估算方法
US11987237B2 (en) 2021-12-20 2024-05-21 Waymo Llc Systems and methods to determine a lane change strategy at a merge region
CN114415688A (zh) * 2022-01-24 2022-04-29 广州佩誉电子科技有限公司 一种汽车自动驾驶遥控控制系统
CN114291092B (zh) * 2022-01-26 2023-05-16 中国联合网络通信集团有限公司 车辆换道控制方法、装置、电子控制单元及存储介质
CN114241778B (zh) * 2022-02-23 2022-05-17 东南大学 高速公路网联车协同匝道汇入多目标优化控制方法和系统
CN114727415A (zh) * 2022-03-08 2022-07-08 中国科学院上海微系统与信息技术研究所 一种用于大规模wsn多目标跟踪的传感器调度方法
US20230331256A1 (en) * 2022-04-15 2023-10-19 Motional Ad Llc Discerning fault for rule violations of autonomous vehicles for data processing
WO2023204098A1 (ja) * 2022-04-19 2023-10-26 大学共同利用機関法人情報・システム研究機構 安全ルール生成装置、ナビゲーションシステム、安全ルール生成方法、ナビゲーション方法及びプログラム
CN114639246A (zh) * 2022-05-18 2022-06-17 哈尔滨工业大学 一种高速公路匝道合流区车路协同控制方法及系统
CN114771542B (zh) 2022-06-17 2022-09-20 中汽研汽车检验中心（天津）有限公司 车辆行驶工况确定方法、设备和存储介质
CN115107759B (zh) * 2022-06-30 2024-07-16 重庆长安汽车股份有限公司 车辆的辅助驾驶方法、装置、车辆及存储介质
US12077174B2 (en) 2022-08-24 2024-09-03 Toyota Motor Engineering & Manufacturing North America, Inc. Compensating mismatch in abnormal driving behavior detection

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130110368A1 (en) * 2011-10-26 2013-05-02 GM Global Technology Operations LLC Collision avoidance system and method of operating the same
JP2014089691A (ja) * 2012-10-30 2014-05-15 Google Inc 車両横方向レーン位置決め制御
KR20140119787A (ko) * 2012-01-30 2014-10-10 구글 인코포레이티드 인식 불확실성에 기초한 차량 제어
US20150151725A1 (en) * 2013-12-04 2015-06-04 Mobileye Vision Technologies Ltd. Systems and methods for implementing a multi-segment braking profile for a vehicle
KR20160075607A (ko) * 2013-10-31 2016-06-29 앵리아 충돌 회피를 위한 운전 보조 방법 및 시스템

Family Cites Families (64)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0520592A (ja) 1991-07-11 1993-01-29 Taku Kumagai 自動車運行状況記録方法および同方法を実施する装置
EP0913751B1 (de) 1997-11-03 2003-09-03 Volkswagen Aktiengesellschaft Autonomes Fahrzeug und Verfahren zur Steuerung eines autonomen Fahrzeuges
US7117137B1 (en) 1999-12-29 2006-10-03 Ge Harris Railway Electronics, Llc Adaptive train model
JP2003063273A (ja) 2001-08-30 2003-03-05 Hitachi Ltd 車両走行制御装置
US7124027B1 (en) 2002-07-11 2006-10-17 Yazaki North America, Inc. Vehicular collision avoidance system
JP3925474B2 (ja) * 2003-07-18 2007-06-06 日産自動車株式会社 車線変更支援装置
EP3454315A1 (en) 2004-04-08 2019-03-13 Mobileye Vision Technologies Ltd. Collision warning system
JP4327062B2 (ja) * 2004-10-25 2009-09-09 三菱電機株式会社 ナビゲーション装置
US20070010944A1 (en) 2005-07-09 2007-01-11 Ferrebee James H Jr Driver-adjustable sensor apparatus, system, & method for improving traffic safety
JP4684954B2 (ja) * 2005-08-31 2011-05-18 本田技研工業株式会社 車両の走行安全装置
KR100761664B1 (ko) * 2005-12-16 2007-10-01 주식회사 대우일렉트로닉스 주행 상황 정보를 저장하는 자동차 내비게이션 장치
KR100823787B1 (ko) * 2006-04-03 2008-04-21 정양권 내비게이션 기능이 부가된 교통사고 블랙박스 장치 및 그에 따른 방법
US8244408B2 (en) * 2009-03-09 2012-08-14 GM Global Technology Operations LLC Method to assess risk associated with operating an autonomic vehicle control system
JP5195672B2 (ja) * 2009-05-29 2013-05-08 トヨタ自動車株式会社 車両制御装置、車両および車両制御方法
EP2289754B1 (en) * 2009-08-31 2015-04-29 Toyota Motor Europe NV/SA Vehicle or traffic control method and system
JP5240316B2 (ja) * 2010-10-26 2013-07-17 株式会社デンソー 車両乗員非操作運転システム
JP2013003928A (ja) * 2011-06-18 2013-01-07 Hitachi Solutions Ltd 車両事故原因推定システム
TWI627084B (zh) * 2011-09-19 2018-06-21 塔塔顧問服務有限公司 用於感測器驅動車輛遙測應用與服務之開發及部署的運算平台
JP2013170877A (ja) * 2012-02-20 2013-09-02 Denso Corp センター装置及びナビゲーションシステム
US9429943B2 (en) 2012-03-05 2016-08-30 Florida A&M University Artificial intelligence valet systems and methods
CN103065371B (zh) * 2012-12-03 2016-04-06 深圳市元征科技股份有限公司 交通事故责任界定方法
KR101491256B1 (ko) * 2013-05-28 2015-02-06 현대자동차주식회사 무선통신을 이용한 차선인식 장치 및 방법
US9174672B2 (en) * 2013-10-28 2015-11-03 GM Global Technology Operations LLC Path planning for evasive steering maneuver in presence of target vehicle and surrounding objects
KR101559886B1 (ko) 2013-12-27 2015-10-26 한국과학기술원 이동 수단의 집단 제어를 위한 장치 및 방법
EP2892020A1 (en) * 2014-01-06 2015-07-08 Harman International Industries, Incorporated Continuous identity monitoring for classifying driving data for driving performance analysis
US9340207B2 (en) * 2014-01-16 2016-05-17 Toyota Motor Engineering & Manufacturing North America, Inc. Lateral maneuver planner for automated driving system
US20150247719A1 (en) * 2014-03-03 2015-09-03 Tomorrow's Transportation Today Position sensing system for intelligent vehicle guidance
KR20150115288A (ko) 2014-04-03 2015-10-14 한화테크윈 주식회사 자동 주행 장치 제어 시스템 및 그 제어 방법
US9792656B1 (en) 2014-05-20 2017-10-17 State Farm Mutual Automobile Insurance Company Fault determination with autonomous feature use monitoring
DE102014212898A1 (de) * 2014-07-03 2016-01-07 Robert Bosch Gmbh Verfahren zum Ermitteln einer Notfall-Trajektorie und Verfahren zum teilautomatisierten oder automatisierten Führen eines Ego-Fahrzeugs
KR20160013713A (ko) * 2014-07-28 2016-02-05 현대자동차주식회사 자율주행차량의 전역경로 생성장치 및 방법
JP6307383B2 (ja) * 2014-08-07 2018-04-04 日立オートモティブシステムズ株式会社 行動計画装置
JP6304384B2 (ja) * 2014-08-11 2018-04-04 日産自動車株式会社 車両の走行制御装置及び方法
DE102014221898A1 (de) 2014-10-28 2016-04-28 Bayerische Motoren Werke Aktiengesellschaft Faserverbundbauteil mit Versagensverhalten eines duktilen Werkstoffs
KR101664582B1 (ko) * 2014-11-12 2016-10-10 현대자동차주식회사 자율주행차량의 주행경로 생성장치 및 방법
US10192283B2 (en) 2014-12-22 2019-01-29 Cognex Corporation System and method for determining clutter in an acquired image
US9505405B2 (en) * 2015-01-16 2016-11-29 Ford Global Technologies, Llc Rear collision avoidance and mitigation system
US9679487B1 (en) * 2015-01-20 2017-06-13 State Farm Mutual Automobile Insurance Company Alert notifications utilizing broadcasted telematics data
JP6082415B2 (ja) * 2015-03-03 2017-02-15 富士重工業株式会社 車両の走行制御装置
KR101675306B1 (ko) 2015-03-20 2016-11-11 현대자동차주식회사 사고 정보 관리 장치, 이를 포함하는 차량 및 사고 정보 관리 방법
KR101665553B1 (ko) 2015-03-20 2016-10-24 현대자동차주식회사 사고 정보 분석 장치, 이를 포함하는 서버 및 사고 정보 분석 방법
US9868443B2 (en) * 2015-04-27 2018-01-16 GM Global Technology Operations LLC Reactive path planning for autonomous driving
KR101724887B1 (ko) * 2015-08-10 2017-04-07 현대자동차주식회사 전방 도로 형상과 연결을 분석해 차선 변경과 타이밍을 결정하는 자율주행 제어 장치 및 방법
US10839302B2 (en) * 2015-11-24 2020-11-17 The Research Foundation For The State University Of New York Approximate value iteration with complex returns by bounding
US9862364B2 (en) 2015-12-04 2018-01-09 Waymo Llc Collision mitigated braking for autonomous vehicles
JP2017142145A (ja) * 2016-02-10 2017-08-17 株式会社ゼンリン 車線変更支援装置、車両制御装置およびその方法
CA3014656C (en) * 2016-02-15 2021-10-26 Allstate Insurance Company Early notification of non-autonomous area
WO2017142935A1 (en) * 2016-02-15 2017-08-24 Allstate Insurance Company Real time risk assessment and operational changes with semi-autonomous vehicles
CN106114507B (zh) * 2016-06-21 2018-04-03 百度在线网络技术（北京）有限公司 用于智能车辆的局部轨迹规划方法和装置
US9953535B1 (en) 2016-06-27 2018-04-24 Amazon Technologies, Inc. Annotated virtual track to inform autonomous vehicle control
CN106157614B (zh) * 2016-06-29 2020-09-04 北京奇虎科技有限公司 汽车事故责任确定方法及系统
WO2018046102A1 (en) * 2016-09-10 2018-03-15 Swiss Reinsurance Company Ltd. Automated, telematics-based system with score-driven triggering and operation of automated sharing economy risk-transfer systems and corresponding method thereof
JP6577926B2 (ja) * 2016-09-26 2019-09-18 本田技研工業株式会社 走行支援装置及び走行支援方法
US10452068B2 (en) 2016-10-17 2019-10-22 Uber Technologies, Inc. Neural network system for autonomous vehicle control
US10248874B2 (en) 2016-11-22 2019-04-02 Ford Global Technologies, Llc Brake light detection
EP3805889A1 (en) * 2016-12-23 2021-04-14 Mobileye Vision Technologies Ltd. Navigational system monitoring host and target vehicle behaviour
CN107067718B (zh) * 2016-12-29 2020-05-01 盯盯拍（深圳）技术股份有限公司 交通事故责任评估方法、交通事故责任评估装置以及交通事故责任评估系统
CN108305477B (zh) * 2017-04-20 2019-08-13 腾讯科技（深圳）有限公司 一种车道选择方法及终端
CA3071780A1 (en) * 2017-08-02 2019-02-07 Nissan Motor Co., Ltd. Travel assistance method and travel assistance device
US10668925B2 (en) * 2017-09-05 2020-06-02 Baidu Usa Llc Driver intention-based lane assistant system for autonomous driving vehicles
US11360475B2 (en) * 2017-12-05 2022-06-14 Waymo Llc Real-time lane change selection for autonomous vehicles
EP3724868A4 (en) 2017-12-14 2021-08-11 Saab Ab VIEWING SYSTEM AND METHOD FOR REPRESENTING IMAGES FROM THE SURROUNDING AREA OF AN AIRCRAFT IN AN VIEWING SYSTEM
JP7295684B2 (ja) * 2019-03-29 2023-06-21 株式会社日本総合研究所 事故責任特定方法、事故責任特定装置及びコンピュータプログラム
WO2020205655A1 (en) * 2019-03-29 2020-10-08 Intel Corporation Autonomous vehicle system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130110368A1 (en) * 2011-10-26 2013-05-02 GM Global Technology Operations LLC Collision avoidance system and method of operating the same
KR20140119787A (ko) * 2012-01-30 2014-10-10 구글 인코포레이티드 인식 불확실성에 기초한 차량 제어
JP2014089691A (ja) * 2012-10-30 2014-05-15 Google Inc 車両横方向レーン位置決め制御
KR20160075607A (ko) * 2013-10-31 2016-06-29 앵리아 충돌 회피를 위한 운전 보조 방법 및 시스템
US20150151725A1 (en) * 2013-12-04 2015-06-04 Mobileye Vision Technologies Ltd. Systems and methods for implementing a multi-segment braking profile for a vehicle

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220102694A (ko) * 2021-01-13 2022-07-21 부경대학교 산학협력단 비신호 교차로에서 자율주행차량의 개선된 통행을 위한 장치 및 방법

Also Published As

Publication number Publication date
US11727497B2 (en) 2023-08-15
EP3828657A1 (en) 2021-06-02
KR20220110857A (ko) 2022-08-09
KR20190091366A (ko) 2019-08-05
EP3559600A2 (en) 2019-10-30
IL284500A (en) 2021-08-31
WO2018115963A3 (en) 2018-09-27
IL288191B2 (en) 2023-10-01
WO2018115963A2 (en) 2018-06-28
EP3805889A1 (en) 2021-04-14
IL284500B (en) 2021-12-01
JP2020187754A (ja) 2020-11-19
US10970790B2 (en) 2021-04-06
KR102469732B1 (ko) 2022-11-23
CN112629551B (zh) 2024-04-26
IL288191B1 (en) 2023-06-01
US11164264B2 (en) 2021-11-02
IL288191A (en) 2022-01-01
US20210110483A1 (en) 2021-04-15
US20240046363A1 (en) 2024-02-08
US11416943B2 (en) 2022-08-16
EP3836122A1 (en) 2021-06-16
KR102316406B1 (ko) 2021-10-25
IL266725B (en) 2021-08-31
IL266725A (en) 2019-07-31
US20190295179A1 (en) 2019-09-26
EP3832419A1 (en) 2021-06-09
JP2020504860A (ja) 2020-02-13
CN112629551A (zh) 2021-04-09
CN110214264A (zh) 2019-09-06
JP6708793B2 (ja) 2020-06-10
US10937107B2 (en) 2021-03-02
KR20210113694A (ko) 2021-09-16
US20190299983A1 (en) 2019-10-03
US20210166325A1 (en) 2021-06-03
US20190291727A1 (en) 2019-09-26
EP4220603A1 (en) 2023-08-02
KR102426734B1 (ko) 2022-07-29

Similar Documents

Publication Publication Date Title
KR102127741B1 (ko) 차량의 항법을 위한 시스템 및 방법
KR102316406B1 (ko) 부과된 책임 제약이 있는 항법 시스템
EP3842303B1 (en) Systems and methods for navigating with safe distances
US11210744B2 (en) Navigation based on liability constraints
KR20190107057A (ko) 차량 움직임에 기반한 항법
CN114364591A (zh) 用于交通工具导航系统和方法
KR20190123757A (ko) 감지 불확실성이 있는 항법을 위한 시스템 및 방법
WO2022090800A1 (en) Systems and methods for evaluating domain-specific navigation system capabilities

Legal Events

Date Code Title Description
A107 Divisional application of patent
A201 Request for examination
AMND Amendment
E902 Notification of reason for refusal
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant