KR20200072573A - 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법 - Google Patents

차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법 Download PDF

Info

Publication number
KR20200072573A
KR20200072573A KR1020180150424A KR20180150424A KR20200072573A KR 20200072573 A KR20200072573 A KR 20200072573A KR 1020180150424 A KR1020180150424 A KR 1020180150424A KR 20180150424 A KR20180150424 A KR 20180150424A KR 20200072573 A KR20200072573 A KR 20200072573A
Authority
KR
South Korea
Prior art keywords
vehicle
surrounding vehicle
longitudinal
prediction
surrounding
Prior art date
Application number
KR1020180150424A
Other languages
English (en)
Other versions
KR102138979B1 (ko
Inventor
금동석
윤승제
김재환
김산민
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020180150424A priority Critical patent/KR102138979B1/ko
Priority to US16/521,990 priority patent/US11433884B2/en
Publication of KR20200072573A publication Critical patent/KR20200072573A/ko
Application granted granted Critical
Publication of KR102138979B1 publication Critical patent/KR102138979B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • 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
    • 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
    • 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
    • B60W30/0956—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
    • B60W30/14—Adaptive cruise control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road 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
    • 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
    • B60W40/107—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • 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
    • B60W2520/105—Longitudinal acceleration
    • 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
    • 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
    • B60W2554/4041—Position
    • 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
    • B60W2554/4042—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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative 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
    • B60W2554/80—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
    • B60W2556/00—Input parameters relating to data
    • 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
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/10—Longitudinal speed
    • B60W2720/106—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/08—Predicting or avoiding probable or impending collision
    • B60Y2300/095—Predicting travel path or likelihood of collision

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법 및 장치가 제시된다. 본 발명에서 제안하는 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법은 센서를 통해 주변 차량 정보를 획득하는 단계, 획득된 주변 차량 정보를 이용하여 주변 차량의 목표 차선을 예측하는 단계, 각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측을 수행하는 단계 및 미래 불확실성이 고려된 주변 차량의 목표차선 및 경로를 이용하여 충돌 가능성에 대한 확률을 계산하고 충돌 회피를 위한 종방향 제어를 진행하는 단계를 포함한다.

Description

차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법{Lane-based Probabilistic Surrounding Vehicle Motion Prediction and its Application for Longitudinal Control}
본 발명은 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법 및 장치에 관한 것이다. 더욱 상세하게는 자율 주행 차량 및 운전자 보조 시스템을 위한 주변 차량의 거동에 대한 확률론적 예측 및 이를 이용한 종방향 제어 방법에 관한 것이다.
최근 자율 주행 및 운전자 보조 시스템 (Driver Assistance Systems; DAS) 등 지능형 자동차 기술에 대한 연구가 활발히 진행됨에 따라 자율 주행 차량의 안정성 확보 및 주행 경로 계획을 위해 주변 차량에 대한 거동 예측 연구가 중요해지고 있다. 하지만 기존 예측 기술들의 낮은 예측 정확성으로 인해 자율 주행 차량의 안전한 주행 및 충돌 회피 기술 또한 신뢰성을 얻지 못한다.
이러한 문제를 해결하기 위해서는 주변 차량의 거동에 대해 불확실성이 고려된 확률적인 예측이 필수적이며, 인공 신경망을 이용하여 주변 차량의 목표 차선 및 경로를 확률적으로 예측하는 알고리즘을 필요로 한다.
또한 주변 차량의 거동에 대한 예측이 확률적인 결과값으로 나오는 경우 대부분의 제어 알고리즘은 이를 제대로 적용하지 못하고 있다. 따라서 불확실성이 고려된 주변 차량에 대한 확률적 예측 결과값을 활용하여 충돌 회피 확률을 계산할 수 있는 종방향 차량 제어 알고리즘을 필요로 한다.
본 발명이 이루고자 하는 기술적 과제는 주변 차량의 거동에 대해 불확실성이 고려된 확률적인 거동 예측, 즉 인공 신경망을 이용하여 주변 차량의 목표 차선 및 경로를 확률적으로 예측하는 알고리즘을 제공하는데 있다. 또한, 불확실성이 고려된 주변 차량에 대한 확률적 예측 결과값을 활용하여 충돌 회피 확률을 계산할 수 있는 종방향 차량 제어 알고리즘을 제안한다.
일 측면에 있어서, 본 발명에서 제안하는 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법은 센서를 통해 주변 차량 정보를 획득하는 단계, 획득된 주변 차량 정보를 이용하여 주변 차량의 목표 차선을 예측하는 단계, 각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측을 수행하는 단계 및 미래 불확실성이 고려된 주변 차량의 목표차선 및 경로를 이용하여 충돌 가능성에 대한 확률을 계산하고 충돌 회피를 위한 종방향 제어를 진행하는 단계를 포함한다.
획득된 주변 차량 정보를 이용하여 인공 신경망 구조를 통해 주변 차량의 목표 차선을 예측하는 단계는 미리 정해진 시간 동안 주변 차량의 현재 및 과거의 시계열 횡방향 정보 및 도로 정보를 입력값으로 하는 인공 신경망 구조를 이용하고, 목표 차선에 대한 확률을 출력값으로 출력한다.
상기 목표 차선을 예측하는 방법은 인공신경망 구조 외에 Interacting Multiple Model 또는 Markov Chain 및 Gaussian distribution등의 확률 모델을 이용할 수 있다.
인공 신경망 구조를 통해 주행 경로 예측 및 확률 변환을 수행하는 단계는 목표 차선에 대한 확률을 이용하여 종방향/횡방향 위치를 입력값으로하는 인공신경망 구조를 이용하고, 종방향/횡방향 위치를 출력값으로 출력하며, 종방향/횡방향 위치로 출력된 출력값을 확률로 변환하는 과정을 거쳐 최종적으로는 종방향/횡방향 경로와 확률 분포를 출력값으로 출력한다.
상기 주행 경로를 예측하는 방법은 인공신경망 구조 또는 Polynomial fitting을 이용할 수 있다. 예를 들어, Polynomial fitting을 이용한 주행 경로 예측은 단순히 목표 차선이 정해지면 그 차선의 현재 위치와 목표 차선의 센터라인을 다항식으로 경로를 생성할 수 있다.
충돌 가능성에 대한 확률적인 결과값을 이용하여 충돌 회피를 위한 종방향 제어를 진행하는 단계는 종방향 목표 속도와 현재 속도의 차이 및 목표 가속도를 최소화하는 비용 함수를 이용하여, 충돌확률이 정해진 값을 넘지 않으면서도 상기 비용 함수가 최소화 되도록 최적의 종방향 제어를 진행한다.
주변 차량의 거동에 대한 확률적인 거동 예측을 이용함으로써 자차량과 주변 차량 간의 종방향 안전거리 제약을 기회 제약 형태를 사용하여 충돌에 대한 불확실성이 고려된 종방향 제어가 가능하고, 매개변수 조절을 통해 자차량 운전자의 주행 성향 반영이 가능하다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 장치는 주변 차량 정보를 획득하는 센서, 획득된 주변 차량 정보를 이용하여 주변 차량의 목표 차선을 예측하는 예측부, 각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측을 수행하는 확률 계산부 및 미래 불확실성이 고려된 주변 차량의 목표차선 및 경로를 이용하여 충돌 가능성에 대한 확률을 계산하고 충돌 회피를 위한 종방향 제어를 진행하는 종방향 제어부를 포함한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법은 센서를 통해 주변 차량 정보를 획득하는 단계, 획득된 주변 차량 정보를 이용하여 인공 신경망 구조를 통해 주변 차량의 목표 차선을 예측하는 단계, 각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측을 수행하는 단계 및 예측된 주변 차량의 목표 차선 및 주행 경로를 이용하여 종방향 목표 속도와 현재 속도의 차이 및 목표 가속도를 최소화하는 비용 함수를 계산하고, 충돌확률이 정해진 값을 넘지 않으면서도 상기 비용 함수가 최소화 되도록 최적의 종방향 제어를 진행하는 단계를 포함한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 장치는 주변 차량 정보를 획득하는 센서, 획득된 주변 차량 정보를 이용하여 인공 신경망 구조를 통해 주변 차량의 목표 차선을 예측하는 예측부, 각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측 을 수행하는 확률 계산부 및 예측된 주변 차량의 목표 차선 및 주행 경로를 이용하여 종방향 목표 속도와 현재 속도의 차이 및 목표 가속도를 최소화하는 비용 함수를 계산하고, 충돌확률이 정해진 값을 넘지 않으면서도 상기 비용 함수가 최소화 되도록 최적의 종방향 제어를 진행하는 종방향 제어부를 포함한다.
본 발명의 실시예들에 따르면 주변 차량의 거동에 대해 불확실성이 고려된 확률적인 거동 예측, 즉 인공 신경망을 이용하여 주변 차량의 목표 차선 및 경로를 확률적으로 예측할 수 있고, 불확실성이 고려된 주변 차량의 목표차선 및 경로를 이용하여 충돌 가능성에 대한 확률을 계산 및 충돌 회피를 위한 종방향 제어가 가능하다.
도 1은 본 발명의 일 실시예에 따른 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 인공신경망을 이용한 차선 기반의 주변 차량에 대한 확률적 거동 예측을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 목표 차선 예측을 위한 인공 신경망의 구조와 주변 차량의 목표 차선과 확률을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 종방향 및 횡방향 주행 경로 예측을 위한 인공 신경망 구조를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 불확실성이 고려된 주행 경로 예측 변환 과정을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 모델 예측 제어를 이용한 종방향 제어를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 모델 예측 제어의 비용 함수에 대한 정의와 제약 조건을 나타내는 수식이다.
도 8은 본 발명의 일 실시예에 따른 안전한 상황과 출동 상황을 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 장치의 구조를 나타내는 도면이다.
이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법을 설명하기 위한 흐름도이다.
제안하는 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법은 센서를 통해 주변 차량 정보를 획득하는 단계(110), 획득된 주변 차량 정보를 이용하여 주변 차량의 목표 차선을 예측하는 단계(120), 각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측을 수행하는 단계(130), 미래 불확실성이 고려된 주변 차량의 목표차선 및 경로를 이용하여 충돌 가능성에 대한 확률을 계산하고 충돌 회피를 위한 종방향 제어를 진행하는 단계(140)를 포함한다.
단계(110)에서, 센서를 통해 주변 차량 정보를 획득한다.
단계(120)에서, 획득된 주변 차량 정보를 이용하여 주변 차량의 목표 차선을 예측한다. 미리 정해진 시간 동안 주변 차량의 현재 및 과거의 시계열 횡방향 정보 및 도로 정보를 입력값으로 하는 인공 신경망 구조를 이용할 수 있다. 그리고, 목표 차선에 대한 확률을 출력값으로 출력한다. 상기 목표 차선을 예측하는 방법은 인공신경망 구조 외에 Interacting Multiple Model 또는 Markov Chain 및 Gaussian distribution등의 확률 모델을 이용할 수 있다.
단계(130)에서, 각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측을 수행한다. 미리 정해진 시간 동안 주변 차량의 현재 및 과거의 시계열 종방향/횡방향 위치 또는 속도를 입력값으로하는 인공신경망 구조를 이용하고, 종방향/횡방향 위치를 출력값으로 출력한다. 이 과정에서 종방향과 횡방향에 대해 각각 다른 인공 신경망을 사용한다. 또한 이 출력값을 확률로 변환하는 과정을 거쳐 최종적으로는 종방향/횡방향 위치에 대한 확률을 출력값으로 출력한다. 상기 주행 경로를 예측하는 방법은 인공신경망 구조 또는 다항식을 이용한 주행 경로 예측을 이용할 수 있다. 예를 들어, Polynomial fitting을 이용한 주행 경로 예측은 단순히 목표 차선이 정해지면 그 차선의 현재 위치와 목표 차선의 센터라인을 다항식으로 경로를 생성할 수 있다.
단계(140)에서, 미래 불확실성이 고려된 주변 차량의 목표차선 및 경로를 이용하여 충돌 가능성에 대한 확률을 계산하고 충돌 회피를 위한 종방향 제어를 진행한다. 종방향 목표 속도와 현재 속도의 차이 및 목표 가속도를 최소화하는 비용 함수를 이용하여, 충돌확률이 정해진 값을 넘지 않으면서도 상기 비용 함수가 최소화 되도록 최적의 종방향 제어를 진행한다.
주변 차량의 거동에 대한 확률적인 거동 예측을 이용함으로써 자차량과 주변 차량 간의 종방향 안전거리 제약을 기회 제약 형태를 사용하여 충돌에 대한 불확실성이 고려된 종방향 제어가 가능하다. 또한, 매개변수 조절을 통해 자차량 운전자의 주행 성향을 반영할 수 있다.
도 2는 본 발명의 일 실시예에 따른 인공신경망을 이용한 차선 기반의 주변 차량에 대한 확률적 거동 예측을 설명하기 위한 도면이다.
도 2에 나타낸 바와 같이 순서대로 센서를 통해 취득한 주변 차량에 대한 정보를 이용하여 인공 신경망을 통하여 주변 차량의 목표 차선 및 주행 경로를 예측하고 그 결과를 확률적인 결과값으로 변경하는 알고리즘을 제안한다.
센서를 통해 주변 차량 정보(210)를 획득하고, 획득된 주변 차량 정보를 이용하여 주변 차량의 목표 차선 예측(220)한다. 각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측(230)을 수행한다. 이때, 미리 정해진 시간 동안 주변 차량의 현재 및 과거의 시계열 위치 및 도로 정보를 입력값으로 하는 인공 신경망 구조를 이용할 수 있다. 또한, 미리 정해진 시간 동안 주변 차량의 현재 및 과거의 종방향 위치를 시계열 입력값으로 하고 미리 정해진 시간 동안 미래의 종방향 위치를 출력값으로 하는 인공 신경망 구조를 이용할 수 있다. 이후, 미래 불확실성이 고려된 주변 차량의 목표차선 및 경로를 이용하여 충돌 가능성에 대한 확률을 계산하고 충돌 회피를 위한 종방향 제어를 진행(240)할 수 있다.
도 3은 본 발명의 일 실시예에 따른 목표 차선 예측을 위한 인공 신경망의 구조와 주변 차량의 목표 차선과 확률을 설명하기 위한 도면이다.
도 3과 같이 미리 정해진 시간 동안 주변 차량의 현재 및 과거의 시계열 위치 및 로드 정보를 입력값으로 하는 인공 신경망 구조를 이용할 수 있다. 본 발명의 실시예에 따르면 주변 차량의 3초간 현재 및 과거의 시계열 위치 및 로드 정보를 입력값으로 하고 주변 차량의 목표 차선에 대한 확률을 결과값으로 하는 인공 신경망 구조를 이용한다.
도 4는 본 발명의 일 실시예에 따른 종방향 및 횡방향 주행 경로 예측을 위한 인공 신경망 구조를 나타내는 도면이다.
도 4와 같이 미리 정해진 시간 동안 주변 차량의 현재 및 과거의 종방향 위치를 시계열 입력값으로 하고 미리 정해진 시간 동안 미래의 종방향 위치를 출력값으로 하는 인공 신경망 구조를 이용할 수 있다. 본 발명의 실시예에 따르면 목표 차선에 대한 확률을 통해 주변 차량의 차선 변경 및 차선 유지를 예측하고 도 4 좌측과 같이 차선 변경 및 유지의 각각의 경우에 대해 3초간 현재 및 과거의 횡방향 위치를 시계열 입력값으로 하며 5초간 미래의 횡방향 위치를 출력값으로 하는 인공 신경망 구조를 이용한다.
도 5는 본 발명의 일 실시예에 따른 불확실성이 고려된 주행 경로 예측 변환 과정을 나타내는 도면이다.
예측된 위치 결과값을 통해 주변 차량의 경로를 예측하고, 도 5에 나타낸 것과 같이 주행 경로에 대한 결과값을 확률론적으로 변환하는 과정을 거쳐 일정 신뢰도를 가지는 확률적 경로 예측 결과 도출할 수 있다.
목표 차선에 대한 확률적인 결과값을 통해 주변 차량의 차선 변경 및 유지를 예측한다. 그리고, 주변 차량의 차선 변경 및 유지 각각의 경우에 대하여 미리 정해진 시간 동안 현재 및 과거의 횡방향 위치를 시계열 입력값으로 하고, 미리 정해진 시간 동안 미래의 횡방향 위치를 출력값으로 하는 인공 신경망 구조를 이용할 수 있다. 또한, 예측된 종방향 위치 결과값을 통해 주변 차량의 경로를 예측하고, 주행 경로에 대한 결과값을 확률적인 결과값으로 변환할 수 있다.
도 6은 본 발명의 일 실시예에 따른 모델 예측 제어를 이용한 종방향 제어를 설명하기 위한 도면이다.
인공 신경망 기법으로 주변 차량의 확률적 거동 예측 후, 도 6에서와 같이 이를 기반으로 충돌 가능성에 대한 확률을 이용하여 모델 예측 제어(Model Predictive Control)를 통해 충돌 회피 종방향 제어를 진행할 수 있다.
인공 신경망 구조를 통해 주변 차량의 확률적인 거동 예측 후, 충돌 가능성에 대한 확률을 이용하여 충돌 회피를 위한 종방향 제어를 진행한다. 종방향 목표 속도와 현재 속도의 차이 및 목표 가속도를 최소화하는 비용 함수를 이용하여, 충돌확률이 정해진 값을 넘지 않으면서도 상기 비용 함수가 최소화 되도록 최적의 종방향 제어를 진행한다.
주변 차량의 거동에 대한 확률적인 거동 예측을 이용함으로써 자차량과 주변 차량 간의 종방향 안전거리 제약을 기회 제약 형태를 사용하여 충돌에 대한 불확실성이 고려된 종방향 제어가 가능하다. 또한, 매개변수 조절을 통해 자차량 운전자의 주행 성향을 반영할 수 있다.
도 7은 본 발명의 일 실시예에 따른 모델 예측 제어의 비용 함수에 대한 정의와 제약 조건을 나타내는 수식이다.
도 7의 수학식(1)은 종방향 목표 속도와 현재 속도의 차이 및 목표 가속도를 최소화하는 비용 함수로 이 비용 함수가 최소화 되는 방향으로 최적 제어를 진행한다.
도 7의 수학식(2), (3), (4), (5)는 비용 함수를 최소화하는데 있어서 차량의 물리적 한계를 고려한 가속도 범위와 가속도 변화량 및 충돌 가능 확률을 제약 조건으로 이용할 수 있다.
도 8은 본 발명의 일 실시예에 따른 안전한 상황과 출동 상황을 나타내는 도면이다.
도 7의 수학식(5)의 경우 도 8과 같이 주변 차량의 거동에 대한 예측의 결과값이 확률론적 이기 때문에 자차량과 주변 차량 간의 종방향 안전거리 제약을 기회 제약 형태를 사용하여 충 돌에 대한 불확실성이 고려된 종방향 제어가 가능하며 매개변수 조절을 통해 자차량 운전자의 주행 성향을 반영할 수 있다.
도 9는 본 발명의 일 실시예에 따른 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 장치의 구조를 나타내는 도면이다.
제안하는 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 장치(900)는 센서(910), 예측부(920), 확률 계산부(930) 및 종방향 제어부(940)를 포함한다.
센서(910)는 주변 차량 정보를 획득한다.
예측부(920)는 획득된 주변 차량 정보를 이용하여 주변 차량의 목표 차선을 예측한다. 미리 정해진 시간 동안 주변 차량의 현재 및 과거의 시계열 횡방향 정보 및 도로 정보를 입력값으로 하는 인공 신경망 구조를 이용할 수 있다. 그리고, 목표 차선에 대한 확률을 출력값으로 출력한다.
확률 계산부(930)는 각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측을 수행한다. 목표 차선에 대한 확률을 이용하여 미리 정해진 시간 동안 주변 차량의 현재 및 과거의 시계열 종방향/횡방향 위치 또는 속도를 입력값으로하는 인공신경망 구조를 이용하고, 종방향/횡방향 위치를 출력값으로 출력한다. 이 과정에서 종방향과 횡방향에 대해 각각 다른 인공 신경망을 사용한다. 또한 이 출력값을 확률로 변환하는 과정을 거쳐 최종적으로는 종방향/횡방향 위치에 대한 확률을 출력값으로 출력한다.
종방향 제어부(940)는 미래 불확실성이 고려된 주변 차량의 목표차선 및 경로를 이용하여 충돌 가능성에 대한 확률을 계산하고 충돌 회피를 위한 종방향 제어를 진행한다. 종방향 목표 속도와 현재 속도의 차이 및 목표 가속도를 최소화하는 비용 함수를 이용하여, 충돌확률이 정해진 값을 넘지 않으면서도 상기 비용 함수가 최소화 되도록 최적의 종방향 제어를 진행한다.
주변 차량의 거동에 대한 확률적인 거동 예측을 이용함으로써 자차량과 주변 차량 간의 종방향 안전거리 제약을 기회 제약 형태를 사용하여 충돌에 대한 불확실성이 고려된 종방향 제어가 가능하다. 또한, 매개변수 조절을 통해 자차량 운전자의 주행 성향을 반영할 수 있다.
제안하는 차선 기반의 확률론적 주변 차량 거동움직임 예측 및 이를 이용한 종방향 제어 방법 및 장치는 도로 위의 차량은 고속도로 주행이나 도심 주행 모두 차선을 따라서 주행해야 하는 규칙성을 가지고 주행하지만, 기존의 기술들은 차선 기반의 모델을 사용하지 않았기 때문에 이에 대한 고려가 제대로 이루어지지 않았다. 하지만 본 발명에서는 주변 차량의 위치와 속도 또는 과거와 현재의 시계열 위치와 속도 정보를 입력값으로 하는 차선 기반의 주변 차량의 거동을 예측할 수 있다.
결정론적인 방법을 통한 주변 차량의 거동에 대한 예측은 절대 100%의 정확도를 가질 수 없다. 따라서 불확실성이 고려된 확률론적인 예측이 필요하다.
인공신경망을 이용한 주변 차량에 대한 확률론적 거동 예측에 있어서 기존의 NN기법은 오로지 미래의 위치만을 결정론적으로 추정하지만 본 발명은 확률론적 거동 예측을 통해 불확실성 이 고려된다. 또한 현재의 데이터만 이용하는 것이 아니라 과거와 현재의 데이터를 함께 입력값으로 사용하여 정확도를 더 높일 수 있다.
대부분의 제어기의 경우 제약 조건들이 예측 결과의 불확실성을 고려할 수 없지만 기회 제약을 이용한 모델 예측 제어의 경우 기회 제약 조건이 예측의 결과값에 포함된 불확실성을 이용하여 충돌 가능성을 표현해줄 수 있다.
본 발명의 실시예들에 따르면 차량의 자율 주행 기술 및 운전자지원시스템에 적용될 수 있다. 도로 내 주변 차량의 거동에 대한 예측의 낮은 정확성으로 인해 첨단 주행 시스템이 신뢰를 얻지 못하고 있는 현 시점에서 차량이 차선이라는 규칙을 따라서 움직여야 한다는 점에 착안하여 차선 기반으로 주변 차량의 거동을 인공 신경망을 이용하여 확률론적으로 예측함으로써 미래의 불확실성이 포함된 예측 결과값을 이용하여 자율 주행 차량의 주행 경로 계획 및 충돌 회피 동작 수행 기술뿐만 아니 라 SCC, AEB 등의 운전자지원시스템에까지 적용되어 사용할 수 있다.
글로벌 자동차 업계에서 자율 주행의 상용화 계획에 따라 자율 주행 기술 개발이 활발히 이루어지고 있다. 자동차 업계들은 자율주행 자동차의 상용화 시기를 2020 년으로 보고 있으며, 자율 주행 차량의 핵심 기술에 해당하는 주변 차량 예측 기술 역시 이에 따라 그 중요성이 커질 것으로 볼 수 있다.
주변 차량 예측은 자율주행 기술 개발에 있어서 필수적인 부분으로써 100%의 신뢰성을 확보하지 못한 현 시점을 고려했을 때 주변 차량의 거동에 대한 확률적인 예측은 모든 자율 주행 차량 개발에 사용될 것으로 예상된다.
자율 주행 기술의 시장이 커지고 있는 시점에서 핵심 기술을 선점함으로써 모든 자율 주행 기술에 접목되어 광범위하게 활용될 것으로 예상되므로 본 발명에서 제안하는 차선 기반의 확률론적 주변 차량 거동예측 및 이를 이용한 종방향 제어 방법이 중요한 역할을 할 것으로 기대된다.
또한 자율 주행 기술뿐만 아니라 현재 사용되고 있는 운전자보조시스템에도 적용되어 그 기술을 발전시킴으로써 자동사 산업 전반에 영향을 줄 것으로 기대된다.
완전 자율 주행을 위한 핵심 기술의 개발을 통하여 자율주행 시장을 주도할 수 있으며 기술 수출을 통하여 경제, 산업적 측면의 국산 기술의 위치가 비약적으로 상승 할 것으로 기대된다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다.　 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다.　 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다.　 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다.　 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.　 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다.　 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다.　 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.　 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.　 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.　 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.　
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (16)

  1. 센서를 통해 주변 차량 정보를 획득하는 단계;
    획득된 주변 차량 정보를 이용하여 주변 차량의 목표 차선을 예측하는 단계;
    각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측을 수행하는 단계; 및
    미래 불확실성이 고려된 주변 차량의 목표차선 및 경로를 이용하여 충돌 가능성에 대한 확률을 계산하고 충돌 회피를 위한 종방향 제어를 진행하는 단계
    를 포함하는 주변 차량 거동예측 및 자차량 제어 방법.
  2. 제1항에 있어서,
    획득된 주변 차량 정보를 이용하여 주변 차량의 목표 차선을 예측하는 단계는,
    미리 정해진 시간 동안 주변 차량의 현재 및 과거의 시계열 횡방향 정보 및 도로 정보를 입력값으로 하는 인공 신경망 구조를 이용하고, 목표 차선에 대한 확률을 출력값으로 출력하는
    주변 차량 거동 예측 및 자차량 제어 방법.
  3. 제2항에 있어서,
    상기 목표 차선을 예측하는 방법은 인공신경망 구조 외에 Interacting Multiple Model 또는 Markov Chain을 이용하는
    주변 차량 거동 예측 및 자차량 제어 방법.
  4. 제1항에 있어서,
    각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측을 수행하는 단계는,
    미리 정해진 시간 동안 주변 차량의 현재 및 과거의 시계열 종방향/횡방향 위치 또는 속도를 입력값으로하는 인공신경망 구조를 이용하고, 종방향/횡방향 위치를 출력값으로 출력하는
    주변 차량 거동 예측 및 자차량 제어 방법.
  5. 제4항에 있어서,
    상기 주행 경로를 예측하는 방법은 인공신경망 구조 외에 Polynomial fitting을 이용하는
    주변 차량 거동 예측 및 자차량 제어 방법.
  6. 제4항에 있어서,
    종방향/횡방향 위치로 출력된 출력값을 확률로 변환하는 과정을 거쳐 최종적으로는 종방향/횡방향 위치에 대한 확률을 출력값으로 출력하는
    주변 차량 거동 예측 및 자차량 제어 방법.
  7. 제1항에 있어서,
    미래 불확실성이 고려된 주변 차량의 목표차선 및 경로를 이용하여 충돌 가능성에 대한 확률적인 결과값을 계산하고 충돌 회피를 위한 종방향 제어를 진행하는 단계는,
    종방향 목표 속도와 현재 속도의 차이 및 목표 가속도를 최소화하는 비용 함수를 이용하여, 충돌확률이 정해진 값을 넘지 않으면서도 상기 비용 함수가 최소화 되도록 최적의 종방향 제어를 진행하는
    주변 차량 거동 예측 및 자차량 제어 방법.
  8. 제7항에 있어서,
    주변 차량의 거동에 대한 확률적인 거동 예측을 이용함으로써 자차량과 주변 차량 간의 종방향 안전거리 제약을 기회 제약 형태를 사용하여 충돌에 대한 불확실성이 고려된 종방향 제어가 가능하고, 매개변수 조절을 통해 자차량 운전자의 주행 성향 반영이 가능한
    주변 차량 거동예측 및 자차량 제어 방법.
  9. 주변 차량 정보를 획득하는 센서;
    획득된 주변 차량 정보를 이용하여 주변 차량의 목표 차선을 예측하는 예측부;
    각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측을 수행하는 확률 계산부; 및
    미래 불확실성이 고려된 주변 차량의 목표차선 및 경로를 이용하여 충돌 가능성에 대한 확률을 계산하고 충돌 회피를 위한 종방향 제어를 진행하는 종방향 제어부
    를 포함하는 주변 차량 거동 예측 및 자차량 제어 장치.
  10. 제9항에 있어서,
    예측부는,
    미리 정해진 시간 동안 주변 차량의 현재 및 과거의 시계열 횡방향 정보 및 도로 정보를 입력값으로 하는 인공 신경망 구조를 이용하고, 목표 차선에 대한 확률을 출력값으로 출력하는
    주변 차량 거동 예측 및 자차량 제어 장치.
  11. 제9항에 있어서,
    확률 계산부는,
    미리 정해진 시간 동안 주변 차량의 현재 및 과거의 시계열 종방향/횡방향 위치 또는 속도를 입력값으로하는 인공신경망 구조를 이용하고, 종방향/횡방향 위치를 출력값으로 출력하는
    주변 차량 거동 예측 및 자차량 제어 장치.
  12. 제9항에 있어서,
    종방향 제어부는,
    종방향 목표 속도와 현재 속도의 차이 및 목표 가속도를 최소화하는 비용 함수를 이용하여, 충돌확률이 정해진 값을 넘지 않으면서도 상기 비용 함수가 최소화 되도록 최적의 종방향 제어를 진행하는
    주변 차량 거동 예측 및 자차량 제어 장치.
  13. 센서를 통해 주변 차량 정보를 획득하는 단계;
    획득된 주변 차량 정보를 이용하여 인공 신경망 구조를 통해 주변 차량의 목표 차선을 예측하는 단계;
    각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측을 수행하는 단계; 및
    예측된 주변 차량의 목표 차선 및 주행 경로를 이용하여 종방향 목표 속도와 현재 속도의 차이 및 목표 가속도를 최소화하는 비용 함수를 계산하고, 충돌확률이 정해진 값을 넘지 않으면서도 상기 비용 함수가 최소화 되도록 최적의 종방향 제어를 진행하는 단계
    를 포함하는 차선 기반의 확률론적 주변 차량 거동 예측을 이용한 종방향 제어 방법.
  14. 제13항에 있어서,
    주변 차량의 거동에 대한 확률적인 거동 예측을 이용함으로써 자차량과 주변 차량 간의 종방향 안전거리 제약을 기회 제약 형태를 사용하여 충돌에 대한 불확실성이 고려된 종방향 제어가 가능하고, 매개변수 조절을 통해 자차량 운전자의 주행 성향 반영이 가능한
    차선 기반의 확률론적 주변 차량 거동 예측을 이용한 종방향 제어 방법.
  15. 주변 차량 정보를 획득하는 센서;
    획득된 주변 차량 정보를 이용하여 인공 신경망 구조를 통해 주변 차량의 목표 차선을 예측하는 예측부;
    각 목표 차선에 대하여 획득된 주변 차량 정보를 이용하여 주행 경로 예측 을 수행하는 확률 계산부; 및
    예측된 주변 차량의 목표 차선 및 주행 경로를 이용하여 종방향 목표 속도와 현재 속도의 차이 및 목표 가속도를 최소화하는 비용 함수를 계산하고, 충돌확률이 정해진 값을 넘지 않으면서도 상기 비용 함수가 최소화 되도록 최적의 종방향 제어를 진행하는 종방향 제어부
    를 포함하는 차선 기반의 확률론적 주변 차량 거동 예측을 이용한 종방향 제어 장치.
  16. 제15항에 있어서,
    주변 차량의 거동에 대한 확률적인 거동 예측을 이용함으로써 자차량과 주변 차량 간의 종방향 안전거리 제약을 기회 제약 형태를 사용하여 충돌에 대한 불확실성이 고려된 종방향 제어가 가능하고, 매개변수 조절을 통해 자차량 운전자의 주행 성향 반영이 가능한
    차선 기반의 확률론적 주변 차량 거동 예측을 이용한 종방향 제어 장치.
KR1020180150424A 2018-11-29 2018-11-29 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법 KR102138979B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180150424A KR102138979B1 (ko) 2018-11-29 2018-11-29 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법
US16/521,990 US11433884B2 (en) 2018-11-29 2019-07-25 Lane-based probabilistic motion prediction of surrounding vehicles and predictive longitudinal control method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180150424A KR102138979B1 (ko) 2018-11-29 2018-11-29 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법

Publications (2)

Publication Number Publication Date
KR20200072573A true KR20200072573A (ko) 2020-06-23
KR102138979B1 KR102138979B1 (ko) 2020-07-29

Family

ID=70849643

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180150424A KR102138979B1 (ko) 2018-11-29 2018-11-29 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법

Country Status (2)

Country Link
US (1) US11433884B2 (ko)
KR (1) KR102138979B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022066458A1 (en) * 2020-09-28 2022-03-31 Argo AI, LLC Method and system for using a reaction of other road users to ego-vehicle actions in autonomous driving
WO2022088761A1 (zh) * 2020-10-31 2022-05-05 华为技术有限公司 一种规划车辆驾驶路径的方法、装置、智能车以及存储介质
KR20220116855A (ko) * 2021-02-16 2022-08-23 충북대학교 산학협력단 자동차 전용도로 환경에서 강화학습을 이용한 자율주행 차량의 차선 변경 판단 방법 및 이를 기록한 기록매체

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10460534B1 (en) 2015-10-26 2019-10-29 Allstate Insurance Company Vehicle-to-vehicle accident detection
CN109703569B (zh) * 2019-02-21 2021-07-27 百度在线网络技术（北京）有限公司 一种信息处理方法、装置及存储介质
US11131993B2 (en) 2019-05-29 2021-09-28 Argo AI, LLC Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout
US11475774B2 (en) * 2020-04-03 2022-10-18 Verizon Patent And Licensing Inc. Systems and methods for machine learning based collision avoidance
GB2597264B (en) * 2020-07-17 2022-09-14 Continental Automotive Systems Srl Method of prediction of the trajectory, computer program, computer readable medium, and data stream
CN111857152B (zh) * 2020-07-31 2024-07-19 北京京东乾石科技有限公司 用于生成车辆控制信息的方法和装置
CN111898835B (zh) * 2020-08-11 2022-02-22 腾讯科技（深圳）有限公司 一种智能交通管理方法、装置、计算机及可读存储介质
US11814075B2 (en) * 2020-08-26 2023-11-14 Motional Ad Llc Conditional motion predictions
CN112238857B (zh) * 2020-09-03 2021-09-17 北京国家新能源汽车技术创新中心有限公司 自动驾驶车辆的控制方法
CN114148344B (zh) * 2020-09-08 2023-06-02 华为技术有限公司 一种车辆行为预测方法、装置及车辆
CN114500736B (zh) * 2020-10-23 2023-12-05 广州汽车集团股份有限公司 一种智能终端运动轨迹决策方法及其系统、存储介质
CN112319477B (zh) * 2020-11-02 2022-02-11 天津大学 一种用于无人驾驶的决策规划方法
CN114516342B (zh) * 2020-11-19 2024-05-03 上海汽车集团股份有限公司 一种车辆控制方法、装置及车辆
CN112406873B (zh) * 2020-11-19 2022-03-08 东风汽车有限公司 纵向控制模型参数确认方法、车辆控制方法、存储介质和电子设备
CN112308171A (zh) * 2020-11-23 2021-02-02 浙江天行健智能科技有限公司 一种基于模拟驾驶器的车辆位置预测建模方法
CN112885079B (zh) * 2021-01-11 2022-11-29 成都语动未来科技有限公司 一种基于全局注意力和状态共享的车辆轨迹预测方法
CN112800939A (zh) * 2021-01-26 2021-05-14 南京航空航天大学 一种网联线控底盘车辆综合运动预测方法
US12024204B2 (en) 2021-04-09 2024-07-02 Direct Cursus Technology L.L.C Method of and system for predicting a maneuver of an object
CN113391548A (zh) * 2021-04-27 2021-09-14 同济大学 一种用于网联车自动驾驶的交叉口引导方法、装置及介质
CN113859266B (zh) * 2021-10-12 2023-09-26 北京理工大学 一种非结构化道路目标车辆换道轨迹预测方法及系统
CN114084155B (zh) * 2021-11-15 2023-10-20 清华大学 预测型智能汽车决策控制方法、装置、车辆及存储介质
CN114261389B (zh) * 2021-11-29 2023-05-12 东风商用车有限公司 自动驾驶商用车的行驶轨迹碰撞风险分析方法
CN114312831B (zh) * 2021-12-16 2023-10-03 浙江零跑科技股份有限公司 一种基于空间注意力机制的车辆轨迹预测方法
CN117897749A (zh) * 2021-12-31 2024-04-16 深圳市大疆创新科技有限公司 一种车辆位置的预测方法、装置、车辆及存储介质
CN114291116B (zh) * 2022-01-24 2023-05-16 广州小鹏自动驾驶科技有限公司 周围车辆轨迹预测方法、装置、车辆及存储介质
CN114394091B (zh) * 2022-02-23 2023-06-06 吉林大学 一种自适应巡航系统中交通车并道场景下的车速控制方法
CN114464013B (zh) * 2022-04-11 2022-07-12 青岛慧拓智能机器有限公司 多车辆协同避碰方法、装置、系统、存储介质及终端
CN114802307B (zh) * 2022-05-23 2023-05-05 哈尔滨工业大学 自动与人工混合驾驶场景下的智能车辆横向控制方法
CN115056798B (zh) * 2022-05-30 2024-04-09 天津大学 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法
CN115339441A (zh) * 2022-08-31 2022-11-15 中国第一汽车股份有限公司 车辆的轨迹预测方法、装置、存储介质和处理器
CN115179949B (zh) * 2022-09-13 2022-11-29 毫末智行科技有限公司 车辆的压速变道控制方法、装置、设备及存储介质
CN116215569B (zh) * 2022-12-01 2024-01-19 东南大学 一种基于行车风险评估的自动驾驶汽车规划方法及系统
CN115610435B (zh) * 2022-12-02 2023-04-11 福思(杭州)智能科技有限公司 对象行驶意图的预测方法和装置、存储介质及电子装置
CN116259185B (zh) * 2023-01-30 2023-10-13 湖南大学无锡智能控制研究院 停车场场景下融合预测算法的车辆行为决策方法及装置
CN117302204B (zh) * 2023-11-30 2024-02-20 北京科技大学 依托强化学习的多风格车辆轨迹跟踪避撞控制方法及装置
CN118269968B (zh) * 2024-06-04 2024-09-24 吉林大学 融合在线地图不确定性的自动驾驶碰撞风险的预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100776860B1 (ko) * 2000-09-08 2007-11-16 레이던 컴퍼니 경로 예측 시스템 및 방법
JP2010023721A (ja) * 2008-07-22 2010-02-04 Hitachi Ltd 走行支援装置
KR101371275B1 (ko) * 2012-11-05 2014-03-26 재단법인대구경북과학기술원 스테레오 영상 기반 다중 객체 추적 방법 및 이의 프로그램을 기록한 기록매체
KR101610544B1 (ko) * 2014-11-21 2016-04-07 현대자동차주식회사 차량의 자율 주행 시스템 및 방법
KR101795251B1 (ko) * 2016-05-11 2017-11-07 현대자동차주식회사 운전자 제동성향을 고려한 제동력 제어 방법
KR20180025587A (ko) * 2016-09-01 2018-03-09 삼성전자주식회사 자율 주행 방법 및 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MX2019009392A (es) * 2017-02-10 2019-11-28 Nissan North America Inc Control de la administracion operacional de vehiculos autonomos.
EP3495220B1 (en) * 2017-12-11 2024-04-03 Volvo Car Corporation Path prediction for a vehicle
KR102423172B1 (ko) * 2018-03-20 2022-07-22 모빌아이 비젼 테크놀로지스 엘티디 차량의 항법을 위한 시스템 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100776860B1 (ko) * 2000-09-08 2007-11-16 레이던 컴퍼니 경로 예측 시스템 및 방법
JP2010023721A (ja) * 2008-07-22 2010-02-04 Hitachi Ltd 走行支援装置
KR101371275B1 (ko) * 2012-11-05 2014-03-26 재단법인대구경북과학기술원 스테레오 영상 기반 다중 객체 추적 방법 및 이의 프로그램을 기록한 기록매체
KR101610544B1 (ko) * 2014-11-21 2016-04-07 현대자동차주식회사 차량의 자율 주행 시스템 및 방법
KR101795251B1 (ko) * 2016-05-11 2017-11-07 현대자동차주식회사 운전자 제동성향을 고려한 제동력 제어 방법
KR20180025587A (ko) * 2016-09-01 2018-03-09 삼성전자주식회사 자율 주행 방법 및 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022066458A1 (en) * 2020-09-28 2022-03-31 Argo AI, LLC Method and system for using a reaction of other road users to ego-vehicle actions in autonomous driving
WO2022088761A1 (zh) * 2020-10-31 2022-05-05 华为技术有限公司 一种规划车辆驾驶路径的方法、装置、智能车以及存储介质
KR20220116855A (ko) * 2021-02-16 2022-08-23 충북대학교 산학협력단 자동차 전용도로 환경에서 강화학습을 이용한 자율주행 차량의 차선 변경 판단 방법 및 이를 기록한 기록매체

Also Published As

Publication number Publication date
KR102138979B1 (ko) 2020-07-29
US20200172093A1 (en) 2020-06-04
US11433884B2 (en) 2022-09-06

Similar Documents

Publication Publication Date Title
KR102138979B1 (ko) 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법
EP3517893B1 (en) Path and speed optimization fallback mechanism for autonomous vehicles
US20200250981A1 (en) Autonomous Vehicles Featuring Vehicle Intention System
JP2022516382A (ja) 自律型車両の計画および予測
EP3319065B1 (en) Route prediction device
US11724708B2 (en) Fail-safe handling system for autonomous driving vehicle
KR102133342B1 (ko) 차량의 주변 지도 이미지를 활용하는 딥러닝 기반 차량 경로 예측 방법 및 장치
US10571916B2 (en) Control method for autonomous vehicles
CN106164998B (zh) 路径预测装置
EP3659002B1 (en) Vehicle interface for autonomous vehicle
CN113561994B (zh) 轨迹规划方法、装置、存储介质及电子设备
US12103564B2 (en) Planning-aware prediction for control-aware autonomous driving modules
Gruber et al. Anytime safety verification of autonomous vehicles
KR102310491B1 (ko) 자율주행 자동차의 충돌 회피 경로 생성 방법 및 장치
KR20230167301A (ko) 동적 및 정적 물체 회피를 위한 정밀 도로지도 기반 지역 경로 계획 방법 및 장치
US20220274594A1 (en) Control system and control method
KR20200044169A (ko) 자율주행 차량의 충돌 회피 시스템 및 충돌 회피 방법
WO2018135397A1 (ja) 異常検出装置と、プログラムおよび記録媒体
KR102179835B1 (ko) 무선통신을 포함한 차량센서 기반의 객체선정 알고리즘 및 주변차량 주행 의도를 고려한 경로 예측 방법 및 시스템
EP4177124A1 (en) Lane change method and system
US11112795B1 (en) Maneuver-based interaction system for an autonomous vehicle
JP2012160128A (ja) 進路生成装置
WO2021198194A1 (en) Motion prediction
JP6599817B2 (ja) 演算装置、演算方法およびプログラム
WO2024180726A1 (ja) 情報処理装置、制御装置、制御方法、及びコンピュータ読み取り可能な記録媒体

Legal Events

Date Code Title Description
GRNT Written decision to grant