KR20200080396A - 자율 주행 방법 및 장치 - Google Patents

자율 주행 방법 및 장치 Download PDF

Info

Publication number
KR20200080396A
KR20200080396A KR1020180164137A KR20180164137A KR20200080396A KR 20200080396 A KR20200080396 A KR 20200080396A KR 1020180164137 A KR1020180164137 A KR 1020180164137A KR 20180164137 A KR20180164137 A KR 20180164137A KR 20200080396 A KR20200080396 A KR 20200080396A
Authority
KR
South Korea
Prior art keywords
autonomous driving
companion
compensation
neural network
driving device
Prior art date
Application number
KR1020180164137A
Other languages
English (en)
Inventor
김경록
장준원
조준기
하태신
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020180164137A priority Critical patent/KR20200080396A/ko
Priority to US16/704,807 priority patent/US11579619B2/en
Publication of KR20200080396A publication Critical patent/KR20200080396A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • 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
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • 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
    • G05D1/12—Target-seeking control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

동반 주행을 위한 자율 주행 방법 및 장치가 제공된다. 센서부가 동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보를 감지하고, 센서가 감지한 정보에 기초하여 현재 상태를 정의하고, 현재 상태에 기초하여, 동반자의 위치 주변의 미리 정해진 복수의 추종 위치들 중 어느 하나의 추종 위치를 결정하고, 결정된 추종 위치로 이동하도록 구동부가 제어된다.

Description

자율 주행 방법 및 장치{AUTONOMOUS DRIVING METHOD AND APPARATUS THEREOF}
아래의 실시예들은 사람을 추종하기 위한 자율 주행 방법 및 장치에 관한 것으로, 보다 상세하게는 사람이 이동하는 경우, 사람을 추종하여 함께 이동하는 방법 및 장치에 관한 것이다.
최근 사람과 공존하는 환경에서 사람과 함께 이동하는 이동 로봇에 대한 관심이 높아지고 있으며, 현재 다양한 서비스 로봇들이 실제 환경에서 사람을 고려하여 이동하는 서비스들을 제공하기 위해 개발되고 있다. 종래의 경우, 새로운 서비스, 환경, 로봇이 주어지면 내비게이션(navigation) 전문가들에 의하여 새로운 룰(rule)과 이동 전략을 구현하는 방법을 통해 각각의 경우에 적합한 지엽적인 이동 전략들을 제시하고 있다.
앞서 소개한 종래 기술들은 사람과 동반주행 시 발생하는 다양한 문제들을 해결하기 위해 다양한 시도를 하고 있지만, 각각의 문제에 적합한 지엽적인 이동 전략들을 제시할 뿐 다양한 상황에 대해 포괄적으로 해결 가능한 통합적인 방법은 제시하지 못한다. 또한 이러한 접근법들은 한번 구현이 되고 나면 지속적인 성능향상이 이루어지지 않고 비슷한 오류를 반복적으로 발생 시킨다는 문제점이 있다.
일 측에 따른 동반 주행을 위한 자율 주행 방법은 동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보에 기초하여 현재 상태를 정의하는 단계; 상기 현재 상태에 기초하여, 상기 동반자의 위치 주변의 미리 정해진 복수의 추종 위치들 중 어느 하나의 추종 위치를 결정하는 단계; 및 상기 결정된 추종 위치로 이동하는 단계를 포함한다.
상기 현재 상태를 정의하는 단계는 목적지의 위치에 대한 정보를 더 고려하여 상기 현재 상태를 정의하는 단계를 포함할 수 있다.
상기 추종 위치를 결정하는 단계는 상기 현재 상태를 인공 신경망에 입력함으로써, 상기 복수의 추종 위치들에 대응하는 상기 인공 신경망의 출력들을 획득하는 단계; 및 상기 출력들에 기초하여, 상기 어느 하나의 추종 위치를 결정하는 단계를 포함할 수 있다.
상기 인공 신경망은 동반 주행을 위한 제1 보상 기준, 충돌 회피를 위한 제2 보상 기준, 및 에너지 최적화를 위한 제3 보상 기준을 고려하여, 특정 상태에서 특정 추종 위치로 이동함으로써 생성되는 에피소드에 대한 보상을 예측할 수 있다.
상기 인공 신경망은 목적지로의 근접 여부에 관한 제4 보상 기준을 더 고려하여, 상기 보상을 예측할 수 있다.
상기 결정된 추종 위치는 상기 주변의 미리 정해진 복수의 추종 위치들 중 상기 보상이 가장 큰 출력에 대응하는 추종 위치일 수 있다.
상기 결정된 추종 위치로 이동하는 단계는 상기 이동에 관한 동작 정보를 결정하는 단계; 및 상기 결정된 동작 정보에 따라 동작을 제어하는 단계를 포함할 수 있다.
상기 동작 정보를 결정하는 단계는 상기 이동에 관한 속도를 결정하는 단계; 및 상기 이동에 관한 각속도를 결정하는 단계를 포함할 수 있다.
상기 인공 신경망은 강화학습 기반의 신경망을 포함할 수 있다.
상기 추종 위치를 결정하는 단계는 상기 현재 상태에 기초하여, 상기 동반자의 움직임을 예측하여 미래의 추종 위치를 결정하는 단계를 포함할 수 있다.
일 측에 따른 자율 주행 학습 방법은 동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보에 기초하여 현재 상태를 수신하는 단계; 상기 현재 상태를 인공 신경망에 입력하여, 예측 Q값(prediction Q value)을 결정하는 단계; 상기 예측 Q값에 기초하여 추종 위치를 결정하는 단계; 상기 추종 위치에서의 새로운 상태에 기초하여 보상을 계산하는 단계; 상기 보상에 기초하여, 목표 Q값(target Q value)을 결정하는 단계; 및 상기 목표 Q값과 상기 예측 Q값에 기초하여, 상기 인공 신경망을 학습시키는 단계를 포함한다.
상기 보상은 동반 주행을 위한 제1 보상 기준, 충돌 회피를 위한 제2 보상 기준, 및 에너지 최적화를 위한 제3 보상 기준을 고려하여 결정될 수 있다.
상기 자율 주행 학습 방법은 미리 정해진 에피소드 내에서 상기 새로운 상태 및 상기 보상을 반복적으로 결정하는 단계를 더 포함할 수 있다.
상기 목표 Q값을 결정하는 단계는 사용자가 미리 정해진 목표 Q값을 결정하는 단계를 포함할 수 있다.
일 측에 따른 동반 주행을 위한 자율 주행 장치는 동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보를 감지하는 센서부; 상기 센서가 감지한 정보에 기초하여 현재 상태를 정의하고, 상기 현재 상태에 기초하여, 상기 동반자의 위치 주변의 미리 정해진 복수의 추종 위치들 중 어느 하나의 추종 위치를 결정하는 적어도 하나의 프로세서; 및 상기 결정된 추종 위치로 이동하는 구동부를 포함한다.
상기 프로세서는 목적지의 위치에 대한 정보를 더 고려하여 상기 현재 상태를 정의할 수 있다.
상기 프로세서는 상기 현재 상태를 인공 신경망에 입력함으로써, 상기 복수의 추종 위치들에 대응하는 상기 인공 신경망의 출력들을 획득하고, 상기 출력들에 기초하여, 상기 어느 하나의 추종 위치를 선택할 수 있다.
상기 인공 신경망은 동반 주행을 위한 제1 보상 기준, 충돌 회피를 위한 제2 보상 기준, 및 에너지 최적화를 위한 제3 보상 기준을 고려하여, 특정 상태에서 특정 추종 위치로 이동함으로써 생성되는 에피소드에 대한 보상을 예측할 수 있다.
상기 인공 신경망은 목적지로의 근접 여부에 관한 제4 보상 기준을 더 고려하여, 상기 보상을 예측할 수 있다.
도 1은 일 실시예에 따른 동반 주행을 위한 자율 주행 방법을 설명하는 순서도.
도 2는 일 실시예에 따른 동반 주행을 위한 자율 주행 방법을 설명하는 동작 흐름도.
도 3은 일 실시예에 따른 자율 주행 장치의 구성도.
도 4는 일 실시예에 따른 현재 상태를 설명하기 위한 도면.
도 5는 일 실시예에 따른 동반자의 위치 주변의 미리 정해진 복수의 추종 위치들 중 어느 하나의 추종 위치를 결정하는 방법을 도시한 도면.
도 6은 일 실시예에 따른 목적지 안내를 위한 자율 주행 방법을 도시한 도면.
도 7은 일 실시예에 따른 강화 학습을 설명하는 도면.
도 8은 일 실시예에 따른 동반 주행을 위한 자율 주행 학습 방법을 도시한 순서도.
도 9는 일 실시예에 따른 DQN을 이용한 동반 주행을 위한 자율 주행 학습 방법을 도시한 도면.
도 10은 일 실시예에 따른 동반 주행을 위한 자율 주행 장치의 기능에 따른 동작을 설명하는 동작 흐름도.
도 11은 일 실시예에 따른 추종 위치가 결정된 자율 주행 장치의 동작 방법을 도시한 도면.
도 12는 일 실시예에 따른 동반자 움직임을 예측하는 자율 주행 장치의 동작 방법을 도시한 도면.
도 13은 일 실시예에 따른 자율 주행 장치의 동작 방법을 도시한 도면.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 “연결되어” 있다거나 “접속되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 “직접 연결되어” 있다거나 “직접 접속되어” 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 “~사이에”와 “바로~사이에” 또는 “~에 직접 이웃하는” 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, “포함하다” 또는 “가지다” 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 일 실시예에 따른 동반 주행을 위한 자율 주행 방법을 설명하는 순서도이다.
도 1을 참조하면, 일 실시예에 따른 동반 주행을 위한 자율 주행 방법은 동반자와 자율 주행 장치가 동반 주행 시, 자율 주행 장치는 동반자와 어떤 위치 관계를 결정하고, 결정된 위치 관계를 이용하여 어떤 이동 전략을 수립하는 지에 대한 내용을 포함한다.
동반 주행을 위한 자율 주행 방법은 동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보에 기초하여 현재 상태를 정의하는 단계(110)를 포함한다.
동반 주행을 위한 자율 주행 방법에 따라 자율 주행을 수행하는 주체를 자율 주행 장치라 할 수 있다. 예를 들어, 자율 주행 장치는 이동 수단이 장착되어 이동 가능한 로봇일 수 있다. 다만, 자율 주행 장치의 실시예는 상술한 예시에 제한되지 않고, 설계 의도에 따라 다양하게 변형될 수 있다.
동반 주행은 동반자와 로봇이 미리 정해진 거리 이내에서 함께 이동하는 것을 의미할 수 있다. 동반 주행에 대해, 아래에서 도 4 내지 도 6을 참조하여 상세히 설명된다.
자율 주행 장치가 추종하는 객체를 동반자라 할 수 있다. 예를 들어, 동반자는 자율 주행 장치의 타겟이 되는 사람일 수 있다. 또는, 자율 주행 장치의 타겟이 되는 복수의 사람일 수도 있다.
현재 상태는, 자율 주행 장치와 동반자 및 주변 장애물 사이의 위치 정보일 수 있다. 예를 들어, 현재 상태는 자율 주행 장치와 동반자 및 주변 장애물의 절대적인 위치를 이용하여 정의될 수 있다. 또는, 동반자 및 주변 장애물의 위치에 대한 자율 주행 장치의 상대적인 위치를 이용하여 정의될 수도 있다.
동반 주행을 위한 자율 주행 방법은 현재 상태에 기초하여, 동반자의 위치 주변의 미리 정해진 복수의 추종 위치들 중 어느 하나의 추종 위치를 결정하는 단계(120)를 포함한다.
동반 주행 시, 주변 상황에 따라 동반자와 자율 주행 장치간 상대 위치가 달라져야 효율적이고 안전한 이동이 가능할 수 있다. 동반자가 이동할 때 자율 주행 장치는 이동 효율과 장애물과의 안전 거리 등을 고려하여 매 순간 마다 동반자와의 위치 관계를 달리 하며 이동 가능해야 할 수 있다.
매 순간 마다 동반자와의 위치 관계를 달리 하며 이동하기 위해서, 동반자와의 위치 관계에 대하여 동반자 주변에 자율 주행 장치의 추종 위치 후보들을 정의 하고 현재 상황에서 가장 적합한 추종 위치를 결정할 수 있다. 예를 들어, 동반자의 위치 주변의 미리 정해진 복수의 추종 위치들 중 어느 하나의 추종 위치를 결정할 수 있다. 추종 위치를 결정하는 방법에 대해, 아래에서 도 7 내지 도 10을 참조하여 상세히 설명된다.
동반 주행을 위한 자율 주행 방법은 결정된 추종 위치로 이동하는 단계(130)를 포함한다. 추종 위치를 결정하면, 자율 주행 장치는 결정된 추종 위치로 이동할 수 있다. 결정된 추종 위치로 이동하는 단계(130)는 이동에 관한 동작 정보를 결정하는 단계를 포함할 수 있다. 추종 위치가 특정되어도, 자율 주행 장치가 추종 위치로 이동하는 방법은 다양할 수 있다. 예를 들어, 이동에 관한 동작 정보가 다양할 수 있다. 이동에 관한 동작 정보는 자율 주행 장치의 이동 속도 또는 각속도일 수 있다.
결정된 추종 위치로 이동하는 단계(130)는 결정된 동작 정보에 따라 동작을 제어하는 단계를 포함할 수 있다. 자율 주행 장치는 구비된 이동 수단을 이용하여, 결정된 추종 위치와 자율 주행 장치의 동작 정보에 따라 이동할 수 있다.
도 2는 일 실시예에 따른 동반 주행을 위한 자율 주행 방법을 설명하는 동작 흐름도이다.
도 2를 참조하면, 단계들(210 내지 270)은 자율 주행 장치에 의해 수행될 수 있다. 자율 주행 장치는 하나 또는 그 이상의 하드웨어 모듈, 하나 또는 그 이상의 소프트웨어 모듈, 또는 이들의 다양한 조합에 의하여 구현될 수 있다.
단계(210)에서, 자율 주행 장치는 적어도 하나의 센서로부터 동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보를 수신할 수 있다. 센서는 영상 센서를 포함할 수 있다. 영상 센서는, 일 예로, 카메라일 수 있다. 영상 센서는 자율 주행 장치에 구비되어, 영상 센서를 이용하여 동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보를 획득할 수 있다.
단계(220)에서, 자율 주행 장치는 센서로부터 수신한 정보에 기초하여 현재 상태를 정의할 수 있다. 현재 상태는, 자율 주행 장치와 동반자 및 주변 장애물 사이의 위치 정보일 수 있다.
단계(240)에서, 자율 주행 장치는 현재 상태에 기초하여, 복수의 추종 위치들에 대응하는 Q값을 결정할 수 있다. 자율 주행 장치는 Q값을 결정하기 위하여, 미리 학습된 인공 신경망을 이용할 수 있다. 예를 들어, 자율 주행 자치는 현재 상태를 인공 신경망에 입력함으로써, 복수의 추종 위치들에 대응하여 인공 신경망에 의하여 출력되는 Q값을 획득할 수 있다. 인공 신경망은 강화학습 기반의 신경망을 포함할 수 있다. 예를 들어, 인공 신경망은 DQN(Deep Q-network)을 포함할 수 있다.
단계(250)에서, 자율 주행 장치는 추종 위치를 결정할 수 있다. 예를 들어, 자율 주행 장치는 추종 위치들 중 가장 높은 Q값을 출력하는 추종 위치를 선택할 수 있다.
단계(260)에서, 자율 주행 장치는 이동에 관한 동작 정보를 결정할 수 있다. 예를 들어, 자율 주행 장치는 추종 위치로 이동하기 위한 자율 주행 장치의 이동 속도 또는 각속도를 결정할 수 있다.
단계(270)에서, 자율 주행 장치는 결정된 동작 정보에 따라 동작을 제어할 수 있다. 예를 들어, 자율 주행 장치는 구비된 이동 수단을 이용하여, 결정된 추종 위치와 동작 정보에 따라 이동할 수 있다.
도 3은 일 실시예에 따른 자율 주행 장치의 구성도이다.
도 3을 참조하면, 일 실시예에 따른 자율 주행 장치(300)는 센서부(310), 프로세서(330), 및 구동부(350)를 포함한다. 자율 주행 장치(300)는 통신부(320), 및 메모리(340)를 더 포함할 수 있다.
센서부(310)는 영상 센서를 포함할 수 있다. 영상 센서는, 일 예로, 깊이 카메라(depth camera)일 수 있다. 영상 센서는 자율 주행 장치에 구비되어, 동반자의 위치에 대한 정보를 획득할 수 있다. 센서부(310)는 레이저 스캐너(laser scanner)를 포함할 수 있다. 레이저 스캐너는 자율 주행 장치에 구비되어, 주변 장애물의 위치에 대한 정보를 획득할 수 있다.
통신부(320)는 센서(310), 프로세서(330) 및 메모리(340)와 연결되어 데이터를 송수신할 수 있다. 통신부(320)는 외부의 다른 장치와 연결되어 데이터를 송수신할 수 있다. 이하에서 "A"를 송수신한다라는 표현은 "A를 나타내는 정보(information) 또는 데이터"를 송수신하는 것을 나타낼 수 있다.
통신부(320)는 자율 주행 장치(300) 내의 회로망(circuitry)으로 구현될 수 있다. 예를 들어, 통신부(320)는 내부 버스(internal bus) 및 외부 버스(external bus)를 포함할 수 있다. 다른 예로, 통신부(320)는 자율 주행 장치(300)와 외부의 장치를 연결하는 요소일 수 있다. 통신부(320)는 인터페이스(interface)일 수 있다. 통신부(320)는 외부의 장치로부터 데이터를 수신하여, 프로세서(330) 및 메모리(340)에 데이터를 전송할 수 있다.
프로세서(330)는 통신부(320)가 수신한 데이터 및 메모리(340)에 저장된 데이터를 처리할 수 있다. "프로세서"는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다. 예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
프로세서(330)는 메모리(예를 들어, 메모리(340))에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(330)에 의해 유발된 인스트럭션들을 실행할 수 있다.
메모리(340)는 통신부(320)가 수신한 데이터 및 프로세서(330)가 처리한 데이터를 저장할 수 있다. 예를 들어, 메모리(340)는 프로그램을 저장할 수 있다. 저장되는 프로그램은 사용자의 보행을 보조할 수 있도록 코딩되어 프로세서(220)에 의해 실행 가능한 신텍스(syntax)들의 집합일 수 있다.
일 측면에 따르면, 메모리(340)는 하나 이상의 휘발성 메모리, 비휘발성 메모리 및 RAM(Random Access Memory), 플래시 메모리, 하드 디스크 드라이브 및 광학 디스크 드라이브를 포함할 수 있다.
메모리(340)는 자율 주행 장치(300)를 동작 시키는 명령어 세트(예를 들어, 소프트웨어)를 저장할 수 있다. 자율 주행 장치(300)를 동작 시키는 명령어 세트는 프로세서(330)에 의해 실행될 수 있다.
자율 주행 장치(300)는 추종 위치로 이동하는데 필요한 구동부(350)를 포함할 수 있다. 구동부(350)는 자율 주행 장치(300)를 이동시키기 위한 기계적인 장치들을 포함할 수 있다. 예를 들어, 구동부(550)는 모터를 포함할 수 있고, 모터에 의해 출력되는 토크는 자율 주행 장치(300)를 이동시킬 수 있다.
센서(310), 통신부(320), 프로세서(330), 메모리(340) 및 구동부(350)에 대해, 아래에서 도 4 내지 도 12를 참조하여 상세히 설명된다.
도 4는 일 실시예에 따른 현재 상태를 설명하기 위한 도면이다.
도 4를 참조하면, 일 실시예에 따른 자율 주행 장치(450)는 도3을 참조하여 전술된 자율 주행 장치(300)에 대응할 수 있다.
자율 주행 장치(450)는 주변 장애물(430)에 충돌하지 않으면서 동반자(410)와 동행할 수 있어야 한다. 주변 장애물(430)은 자율 주행 장치(450)의 이동 방향에 있어서, 미리 정해진 범위 이내에 존재하는 동반자(410)를 제외한 일체의 사람 또는 사물일 수 있다. 주변 장애물(430)은 정지되어 있는 대상뿐만 아니라, 이동하는 대상일 수도 있다.
자율 주행 장치(450)가 주변 장애물(430)에 충돌하지 않으면서 동반자와 동행하기 위하여, 센서를 통해 수신한 동반자(410)의 위치에 대한 정보 및 주변 장애물(430)의 위치에 대한 정보가 필요할 수 있다.
동반자(410)의 위치에 대한 정보 및 주변 장애물(430)의 위치에 대한 정보를 이용하여 현재 상태를 정의할 수 있다. 예를 들어, 현재 상태는 동반자(410) 및 주변 장애물(430)의 위치에 대한 자율 주행 장치(450)의 상대적인 위치일 수 있다.
도 5는 일 실시예에 따른 동반자의 위치 주변의 미리 정해진 복수의 추종 위치들 중 어느 하나의 추종 위치를 결정하는 방법을 도시한 도면이다.
도 5를 참조하면, 일 실시예에 따른 자율 주행 장치(550)는 동반자(510)의 위치에 대한 정보 및 주변 장애물(530)의 위치에 대한 정보를 이용하여 결정된 현재 상태에 기초하여, 동반자(510)의 위치 주변의 미리 정해진 복수의 추종 위치들 중 어느 하나의 추종 위치(570)를 결정할 수 있다.
동반자(510)의 위치 주변의 복수의 추종 위치들의 개수와 위치는 미리 정해질 수 있다. 예를 들어, 동반자(510)의 현재 위치를 중심으로 하는 미리 정해진 길이의 원의 원주 위에 분포할 수 있다. 또는, 미리 정해진 복수의 추종 위치들은 미리 정해진 영역에 분포할 수 있다. 미리 정해진 복수의 추종 위치들은 동반자(510)와 자율 주행 장치(510) 사이에 위치할 수 있다. 다만, 미리 정해진 복수의 추종 위치들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
자율 주행 장치(550) 동반자(510)의 위치 주변의 미리 정해진 복수의 추종 위치들 중, 특정 위치를 추종 위치로 결정할 수 있다. 추종 위치를 결정 시 다양한 기준들이 이용될 수 있다. 예를 들어, 주변 장애물(530)에 충돌하지 않으면서 동반자(510)와 동행할 수 있는 위치 중, 최단 거리에 있는 위치를 추종 위치(예를 들어, 570)로 결정할 수 있다.
도 6은 일 실시예에 따른 목적지 안내를 위한 자율 주행 방법을 도시한 도면이다.
도 6을 참고하면, 일 실시예에 따른 자율 주행 장치(650)는 목적지(630)의 위치를 모르는 동반자(610)를 목적지(630)까지 안내할 수 있다. 예를 들어, 자율 주행 장치(650)는 길 안내 로봇일 수 있다. 목적지 안내를 위한 자율 주행 장치(650)는 동반자(610)를 따라가지 않고, 동반자(610)보다 앞장서서 동반자(610)를 목적지(630)까지 안내할 수 있다. 동반자(610)보다 앞장서서 이동하는 경우에도, 동반자(610)와 일정 거리를 유지해야 할 수 있다. 예를 들어, 동반자(610)가 잠시 멈추는 경우, 자율 주행 장치(650)도 멈춰야 하고, 동반자(610)의 속도에 맞춰서 자율 주행 장치(650)가 이동해야 할 수 있다.
목적지(630)의 위치에 대한 정보를 더 고려하여 현재 상태를 정의할 수 있다. 자율 주행 장치(650)가 목적지(630)까지 이동해야 하기 때문에, 현재 상태를 정의함에 있어서, 목적지(630)의 위치에 대한 정보를 더 고려할 수 있다. 예를 들어, 현재 상태는 동반자(610), 주변 장애물(미도시)의 위치 및 목적지(630)의 위치에 대한 자율 주행 장치(650)의 상대적인 위치일 수 있다.
목적지 안내를 위한 자율 주행 방법의 경우, 미리 정해진 복수의 추종 위치들과 동반자(610) 사이에 자율 주행 장치(650)가 위치할 수 있다.
자율 주행 장치(650) 동반자(610)의 위치 주변의 미리 정해진 복수의 추종 위치들 중, 특정 한 위치를 추종 위치로 결정할 수 있다. 추종 위치를 결정하는 방법은 여러 개일 수 있다. 예를 들어, 목적지(630)에 근접하면서 동반자(610)와 동행할 수 있는 위치 중, 최단 거리에 있는 위치를 추종 위치(예를 들어, 670)로 결정할 수 있다.
추종 위치는 현재 상태, 주변 상황에 따라 가변할 수 있다. 예를 들어, 주변 장애물의 위치가 바뀌거나, 목적지(630)가 바뀌면, 추종 위치가 바뀔 수 있다. 기존의 룰(rule)과 이동 전략을 구현하는 방법에 따를 경우, 모든 상황에 따라 추종위치를 결정하는 룰을 만들기 어려울 수 있다.
일 실시예에 동반 주행을 위한 자율 주행 방법은 인공 신경망을 이용한 학습 기반이기 때문에, 개발자가 상황에 따라 적절한 추종위치를 결정하는 룰을 만드는 어려움을 피할 수 있고, 룰로 정의 하기 애매한 부분들을 스스로 동작의 결과로부터 학습할 수 있다. 추종 위치를 결정하는 방법에 대해, 아래에서 도 7 내지 도 10을 참조하여 상세히 설명된다.
도 7은 일 실시예에 따른 강화 학습을 설명하는 도면이다.
도 7을 참조하면, 일 실시예에 따른 동반 주행을 위한 자율 주행 방법은 기계 학습(machine learning)에 기초한 신경망을 이용하여 동작할 수 있으며, 특히 강화 학습(Reinforcement learning)에 기초한 신경망 통해 동작할 수 있다.
강화 학습은 환경(environment)(730), 에이전트(Agent)(710), 상태(state), 행동(action), 그리고 보상(reward)으로 구성된 알고리즘일 수 있다. 강화 학습은 기계 학습의 한 영역으로, 어떤 환경(730) 안에서 정의된 에이전트(710)가 현재의 상태를 인식하여, 선택 가능한 행동들 중 보상을 최대화하는 행동 혹은 행동 순서를 선택하는 방법일 수 있다. 강화 학습은 행동에 대한 보상을 주는 시퀀스를 반복하면서 궁극적으로는 보상이 최대가 되는 행동을 학습 할 수 있다.
강화 학습은 Q 학습(Q-learning)을 포함할 수 있다. Q 학습은 모델 없이 학습하는 강화 학습 기법 가운데 하나일 수 있다. Q 학습은 주어진 상태에서 주어진 행동을 수행하는 것이 가져다줄 효용의 기댓값을 예측하는 함수인 Q 함수를 학습함으로써 최적의 정책을 학습할 수 있다. 정책이란 주어진 상태에서 어떤 행동을 수행할지 나타내는 규칙일 수 있다. Q 함수를 학습하고 나면 각 상태에서 가장 큰 Q값을 주는 행동을 수행함으로써 최적의 정책을 유도할 수 있다. Q값은 각 상태에서 Q함수의 함수값일 수 있다.
예를 들어, S={s1,..,sn}을 주어진 시스템에서 가능한 모든 상태들의 집합, A={a1,..,an}을 가능한 모든 행동들의 집합이라고 가정하면, 에이전트(710)는 환경(730) s∈S에서 행동 a∈A를 취할 수 있다. 에이전트(710)는 환경(730) s∈S에서 행동 a∈A를 취하면, 에이전트(710)는 이에 따른 보상을 얻을 수 있다. 에이전트(710)의 목표는 보상의 총합을 최대화하는 것일 수 있다. 에이전트(710)는 각 상태에서 어떤 행동을 취하는 것이 최적인지 학습할 수 있다. 각 상태에서 최적의 행동이란, 그 상태에서 장기적으로 가장 큰 보상을 얻을 수 있도록 하는 행동을 의미할 수 있다.
알고리즘이 시작되기 전에 Q 함수는 고정된 임의의 값을 가질 수 있다. 각 시간 t에 에이전트는 어떠한 상태 st에서 행동 at를 취하고 새로운 상태 st+1로 전이할 수 있다. 새로운 상태 st+1로 전이하는 경우, 보상rt가 얻어지며, Q 함수가 갱신될 수 있다. 도달한 상태 st+1가 종결 상태일 경우 알고리즘의 에피소드 하나가 끝날 수 있다. Q 함수는 수학식 1과 같을 수 있다.
Figure pat00001
이 때
Figure pat00002
는 0과 1 사이의 값을 가지는 할인 계수(discount factor)로, 현재 얻는 보상이 미래에 얻는 보상보다 얼마나 더 중요한지를 나타내는 값일 수 있다. Q 함수를 충분히 학습하고 나면 각 상태에서 가장 큰 Q값을 주는 행동을 수행함으로써 최적의 정책을 유도할 수 있다. 예를 들어, 동반 주행을 위한 자율 주행 방법에 대한 Q 함수가 충분히 학습되었다면, 자율 주행 장치(300)는 각 상태에서 가장 큰 Q값을 주는 행동을 수행함으로써 동반자의 위치 주변의 미리 정해진 복수의 추종 위치들 중 어느 하나의 추종 위치를 결정할 수 있다.
Q 학습을 통해 동반 주행을 위한 자율 주행 방법을 동작 시키기 위해서 상태와 보상을 정의할 수 있다. 상태는 에이전트(710)가 정책에 의해 행동을 선택하기 위한 판단기준 정보를 제공할 수 있다. 일 실시예에 따른 상태는, 본 명세서의 현재 상태일 수 있다. 예를 들어, 상태는 동반자, 주변 장애물의 위치 및 목적지의 위치에 대한 자율 주행 장치(300)의 상대적인 위치일 수 있다. 보상은 하나 이상의 보상 기준에 따라 결정될 수 있다. 예를 들어, 동반 주행을 위한 제1 보상 기준, 충돌 회피를 위한 제2 보상 기준, 및 에너지 최적화를 위한 제3 보상 기준을 종합적으로 고려하여 보상을 결정할 수 있다. 보상을 이용하여 Q 함수를 결정할 수 있고, 결정된 Q함수를 이용하여 추종 위치를 결정할 수 있다.
Q 학습의 단위를 에피소드(episode)라 할 수 있다. 에이전트(710)는 한 에피소드가 끝날 때까지 행동을 반복할 수 있다. Q 학습을 통해 동반 주행을 위한 자율 주행 방법을 동작 시키기 위해서 에피소드 종료 조건을 정의할 수 있다. 주행 보조 장치(300)가 장애물에 충돌하는 경우 에피소드를 종료할 수 있다. 주행 보조 장치(300)가 보행자로부터 미리 정해진 추종 거리보다 멀어지는 경우 에피소드를 종료할 수 있다. 주행 보조 장치(300)가 미리 정해진 시간 이상 보행자로부터 미리 정해진 추종 거리를 유지하는 경우 에피소드를 종료할 수 있다. 에피소드 종료 시 해당 에피소드에 대한 보상을 결정할 수 있다. 예를 들어, 주행 보조 장치(300)가 보행자로부터 미리 정해진 추종 거리보다 멀어지는 경우 에피소드를 종료하면서 해당 행동에 대한 보상을 감소시킬 수 있다. 주행 보조 장치(300)가 보행자로부터 미리 정해진 추종 거리보다 멀어지는 경우 에피소드를 종료하면서 해당 행동에 대한 보상을 감소시킬 수 있다. 주행 보조 장치(300)가 미리 정해진 시간 이상 보행자로부터 미리 정해진 추종 거리를 유지하는 경우 에피소드를 종료하면서 해당 행동에 대한 보상을 증가시킬 수 있다.
Q 학습 방법은 여러가지일 수 있다. 예를 들어, Q 테이블(Q table)을 업데이트하는 방식으로 Q 학습을 할 수 있다. 또는 Q 학습은 다양한 반복 행동이 필요하기 때문에, 인공 신경망을 이용하여 Q 학습을 하는 경우 효과적일 수 있다. 인공 신경망을 이용한 Q 학습 방법에 대해, 아래에서 도 8 내지 도 10을 참조하여 상세히 설명된다.
도 8은 일 실시예에 따른 동반 주행을 위한 자율 주행 학습 방법을 도시한 순서도이다.
도 8을 참조하면, 일 실시예에 따른 동반 주행을 위한 자율 주행 학습 방법은 인공 신경망을 이용할 수 있다. 인공 신경망은 DQN(Deep Q-network)인 강화학습 기반의 신경망을 포함할 수 있다.
인공 신경망은 복수의 추종 위치들에 대응하는 예측 Q값(prediction Q value)을 출력할 수 있다. 인공 신경망을 이용하여 Q값이 예측되고, 예측된 Q값에 대응하는 추종 위치에서의 새로운 상태에 기초하여 보상이 계산될 수 있다. Q값을 예측하고 예측된 Q값에 의한 새로운 상태의 보상을 계산하는 과정은 에피소드 내에서 반복될 수 있다. 에피소드 내에서 계산된 보상들에 기초하여, 목표 Q값(target Q value)이 결정될 수 있다. 목표 Q값과 예측 Q값의 차이가 최소화되도록 인공 신경망이 학습될 수 있다.
단계들(810 내지 850)은 자율 주행 장치(300)에 의해 수행될 수 있다. 자율 주행 장치(300)는 하나 또는 그 이상의 하드웨어 모듈, 하나 또는 그 이상의 소프트웨어 모듈, 또는 이들의 다양한 조합에 의하여 구현될 수 있다.
단계(810)에서, 자율 주행 장치(300)는 동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보에 기초하여 현재 상태를 수신한다. 센서는 영상 센서를 포함할 수 있다. 영상 센서는, 일 예로, 카메라일 수 있다. 영상 센서는 자율 주행 장치에 구비되어, 동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보를 획득할 수 있다. 현재 상태는 동반자, 주변 장애물의 위치 및 목적지의 위치에 대한 자율 주행 장치(300)의 상대적인 위치일 수 있다. 현재 상태는 도 7을 통해 설명된 Q 학습을 구성하는 요소 중 하나인 상태일 수 있다.
단계(820)에서, 자율 주행 장치(300)는 현재 상태에 기초하여, 예측 Q값을 결정할 수 있다. 현재 상태를 인공 신경망에 입력함으로써, 인공 신경망의 가중치(weight)
Figure pat00003
에 따라 출력되는 예측 Q값을 결정할 수 있다.
인공 신경망의 가중치
Figure pat00004
는 에피소드 내에서 결정된 목표 Q값에 의해 학습될 수 있다. 보다 구체적으로, 단계(830)에서, 자율 주행 장치(300)는 예측된 Q값에 따른 액션을 수행함으로써 도달되는 새로운 상태에 기초하여, 보상을 계산한다. 미리 정해진 보상 기준은 동반 주행을 위한 제1 보상 기준, 충돌 회피를 위한 제2 보상 기준, 및 에너지 최적화를 위한 제3 보상 기준 및 목적지로의 근접 여부에 관한 제4 보상 기준을 포함할 수 있다. 동반 주행을 위한 제1 보상 기준은 자율 주행 장치(300)와 동반자 사이의 거리 유지에 따른 보상 기준일 수 있다. 예를 들어, 자율 주행 장치(300)가 동반자로부터 미리 정해진 거리를 오래 유지할 수록 보상을 증가시킬 수 있다. 충돌 회피를 위한 제2 보상 기준은 자율 주행 장치(300)와 장애물 사이의 거리 유지에 따른 보상 기준일 수 있다. 예를 들어, 자율 주행 장치(300)가 장애물에 충돌하는 경우 보상을 감소시킬 수 있다. 에너지 최적화를 위한 제3 보상 기준은 자율 주행 장치(300)의 이동 효율에 따른 보상 기준일 수 있다. 예를 들어, 자율 주행 장치(300)가 최단 거리에 가깝게 이동할수록 보상을 증가시킬 수 있다. 또는, 에너지 최적화를 위한 제3 보상 기준은 회전 속도에 따른 보상 기준일 수 있다. 예를 들어, 제3 보상 기준은 수학식 2와 같을 수 있다.
Figure pat00005
수학식 2에 따르면, 회전 속도(w) 변화가 크면 보상을 감소시키고, 회전 속도(w) 변화가 작으면 보상을 증가시킬 수 있다. 목적지로의 근접 여부에 관한 제4 보상 기준은 자율 주행 장치(300)와 목적지 사이의 거리에 따른 보상 기준일 수 있다. 예를 들어, 목적지가 존재하는 경우, 자율 주행 장치(300)가 목적지와 멀어질수록 보상을 감소시킬 수 있다.
단계(840)에서, 단계(830)에서 계산된 보상을 이용하여 목표 Q값을 계산할 수 있다. 목표 Q값은 Q 학습 알고리즘에 따라 결정될 수 있다. 단계(850)에서, 자율 주행 장치(300)의 인공 신경망은 목표 Q값과 예측 Q값에 기초하여 학습된다. 예측 Q값이 목표 Q값에 가까워지도록 인공 신경망이 학습될 수 있다. 예를 들어, 인공 신경망의 가중치
Figure pat00006
는, 목표 Q값과 예측 Q값의 차이가 최소가 되는 방향으로 결정될 수 있다.
도 9는 일 실시예에 따른 DQN을 이용한 동반 주행을 위한 자율 주행 학습 방법을 도시한 도면이다.
도 9를 참조하면, 일 실시예에 따른 DQN는 강화 학습을 통하여 제1 인공 신경망(910)에서 제2 인공 신경망(930)으로 갱신될 수 있다.
보다 구체적으로, 제1 인공 신경망(910)은 예측 Q값(prediction Q value)에 따라 추종 위치 예측을 위한 인공 신경망일 수 있다. 제1 인공 신경망(910)은 예측 인공 신경망일 수 있다.
자율 주행 장치는 현재 상태를 제1 인공 신경망(910)에 입력하여 예측 Q값을 획득하고, 예측 Q값에 기초하여 결정된 추종 위치로 이동할 수 있다. 자율 주행 장치는 새로운 위치에서의 주변 환경을 기초로, 미리 정해진 보상 기준에 따라 생성되는 보상을 계산할 수 있다. 미리 정해진 보상 기준은 동반 주행을 위한 제1 보상 기준, 충돌 회피를 위한 제2 보상 기준, 및 에너지 최적화를 위한 제3 보상 기준 및 목적지로의 근접 여부에 관한 제4 보상 기준 등을 포함할 수 있다.
자율 주행 장치는 계산한 보상을 이용하여 목표 Q값을 계산할 수 있다. 목표 Q값(
Figure pat00007
)은 수학식 3과 같을 수 있다.
Figure pat00008
Figure pat00009
는 제2 인공 신경망(930)의 가중치일 수 있다. 제2 인공 신경망(930)은 타겟 인공 신경망일 수 있다. 목표 Q값은, 미리 정해진 보상 기준에 부합되는 Q값일 수 있다. 예를 들어, 자율 주행 장치(300)가 충돌의 가능성을 낮추면서, 대상과의 거리도 잘 유지하고 회전을 최소화할 수 있는 추종 위치에 관한 Q값일 수 있다.
자율 주행 장치는 현재 상태를 제1 인공 신경망에 입력함으로써, 제1 인공 신경망의 가중치
Figure pat00010
에 따른 제1 인공 신경망의 출력인 예측 Q값(
Figure pat00011
)을 결정할 수 있다. 예측 Q값(
Figure pat00012
)은 수학식 4와 같을 수 있다.
Figure pat00013
자율 주행 장치(300)의 제1 인공 신경망(910)은 목표 Q값과 예측 Q값에 기초하여 학습된다. 예측 Q값이 목표 Q값에 가까워지도록 제1 인공 신경망(910)이 학습될 수 있다. 예를 들어, 제1 인공 신경망(910)의 가중치
Figure pat00014
는, 목표 Q값과 예측 Q값의 차이가 최소가 되는 방향으로 결정될 수 있고, 이는 수학식 5와 같이 나타낼 수 있다.
Figure pat00015
제1 인공 신경망(910)의 가중치
Figure pat00016
가 수학식 5와 같이 학습되면, 제1 인공 신경망(910)의 예측 Q값에 기초하여 자율 주행 장치(300)는 추종 위치를 결정할 수 있다. 결정된 추종 위치는 주변의 미리 정해진 복수의 추종 위치들 중 보상이 가장 큰 출력에 대응하는 추종 위치일 수 있다.
제1 인공 신경망(910)의 가중치
Figure pat00017
가 학습되는동안, 제2 인공 신경망(930)의 가중치
Figure pat00018
, 목표 Q값은 학습되지 않고 기존의 값을 유지하고 있을 수 있다. 미리 정해진 주기 마다 제2 인공 신경망(930)이 업데이트될 수 있다. 예를 들어, 미리 정해진 주기 마다 제1 인공 신경망(910)을 복사하여 제2 인공 신경망(930)을 업데이트 할 수 있다.
도 10은 일 실시예에 따른 동반 주행을 위한 자율 주행 장치의 기능에 따른 동작을 설명하는 동작 흐름도이다.
도 10을 참조하면, 일 실시예에 따른 동반 주행을 위한 자율 주행 장치는 도 3를 참조하여 전술된 자율 주행 장치(300)일 수 있다.
자율 주행 장치(300)의 로봇 센서부(1010)는 적어도 하나의 센서로부터 동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보를 수신할 수 있다. 센서는 영상 센서를 포함할 수 있다. 영상 센서는, 일 예로, 카메라일 수 있다. 영상 센서는 자율 주행 장치에 구비되어, 동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보를 획득할 수 있다.
자율 주행 장치(300)의 현재 상태 정의부(1020)는 로봇 센서부(1010)로부터 수신한 위치 정보에 기초하여 현재 상태를 정의할 수 있다. 현재 상태는, 자율 주행 장치와 동반자 및 주변 장애물 사이의 위치 정보일 수 있다.
자율 주행 장치(300)의 보상(reward) 결정부(1030)는 현재 상태에 기초하여, 생성되는 보상을 계산할 수 있다. 예를 들어, 현재 상태를 제2 인공 신경망에 입력하여 미리 정해진 보상 기준에 따라 생성되는 보상을 계산할 수 있다. 미리 정해진 보상 기준은 동반 주행을 위한 제1 보상 기준, 충돌 회피를 위한 제2 보상 기준, 및 에너지 최적화를 위한 제3 보상 기준 및 목적지로의 근접 여부에 관한 제4 보상 기준을 포함할 수 있다.
자율 주행 장치(300)의 학습 목표(target) 결정부(1040)는 보상 계산부(1030)에서 계산한 보상을 이용하여, 제2 인공 신경망에서 목표 Q값을 계산할 수 있다. 목표 Q값은 Q 학습 알고리즘에 따라 결정될 수 있다.
자율 주행 장치(300)의 사용자 티칭 입력 처리부(1080)는 사용자가 미리 정한 학습 명령(teaching command)을 기반으로 목표 Q값을 결정할 수 있다. 예를 들어, 사용자가 미리 정한 목표 Q값에 기반하여 빠르게 정답에 가까운 학습이 가능할 수 있다.
보상 계산부(1030), 학습 목표 결정부(1040) 및 사용자 티칭 입력 처리부(1080)는 학습 과정에서만 이용되고, 추론 과정에서는 이용되지 않을 수 있다. 이 경우, 자율 주행 장치는 강화 학습이 완료된 신경망의 파라미터들을 저장하고, 보상 계산부(1030), 학습 목표 결정부(1040) 및 사용자 티칭 입력 처리부(1080)를 포함하지 않을 수 있다.
자율 주행 장치(300)의 추종 위치 결정부(1050)는 인공 신경망을 포함할 수 있다. 자율 주행 장치(300)의 동작 결정부(1060)는 이동에 관한 동작 정보를 결정할 수 있다. 예를 들어, 자율 주행 장치의 이동 속도 또는 각속도를 결정할 수 있다.
자율 주행 장치(300)의 동작 제어부(1070)는 결정된 동작 정보에 따라 동작을 제어할 수 있다. 예를 들어, 자율 주행 장치는 구비된 이동 수단을 이용하여, 결정된 추종 위치와 동작 정보에 따라 이동할 수 있다.
도 11은 일 실시예에 따른 추종 위치가 결정된 자율 주행 장치의 동작 방법을 도시한 도면이다.
도 11을 참고하면, 일 실시예에 따른 자율 주행 장치(1110)는 동반자(1130)의 위치 주변의 미리 정해진 복수의 추종 위치들 중 어느 하나의 추종 위치(1150)를 결정할 수 있다. 추종 위치(1150)가 결정되면, 자율 주행 장치(1110)의 프로세서는 추종 위치에 도달하기 위해 구동부에 제어 명령을 내릴 수 있다. 제어 명령은, 예를 들어, 자율 주행 장치의 이동 속도 또는 각속도를 포함할 수 있다. 제어 명령을 받은 구동부는 동작 정보에 따라 동작을 제어할 수 있다. 예를 들어, 자율 주행 장치는 구비된 이동 수단을 이용하여, 결정된 추종 위치와 동작 정보에 따라 이동할 수 있다. 본 발명의 개념에 따른 자율 주행 장치(1110) 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
도 12는 일 실시예에 따른 동반자 움직임을 예측하는 자율 주행 장치의 동작 방법을 도시한 도면이다.
도 12를 참조하면, 일 실시예에 따른 자율 주행 장치(1230)는 동반자 움직임을 예측하고, 예측된 움직임에 대응하여 위치를 추종할 수 있다. 자율 주행 장치(1230)는 동반자 추종 위치 후보들의 위치를 통해 동반자의 움직임을 예측하여, 미래의 추종 위치를 선정할 수 있다. 예를 들어, 자율 주행 장치(1230)는 t시점의 동반자(1210)의 추종 위치 후보들의 위치와 (t+1)시점의 동반자(1211)의 추종 위치 후보들의 위치를 통해, (t+2)시점의 동반자(1213)의 움직임을 예측하여, 미래의 추종 위치(1250)를 선정할 수 있다.
도 13은 일 실시예에 따른 자율 주행 장치의 동작 방법을 도시한 도면이다.
도 13을 참조하면, 일 실시예에 따른 자율 주행 장치(1330)는 깊이 카메라를 이용하여 동반자(1310)의 위치에 대한 정보를 획득할 수 있다. 자율 주행 장치(1330)는 레이저 스캐너를 이용하여 주변 장애물의 위치에 대한 정보를 획득할 수 있다. 자율 주행 장치(1330)는 동반자를 추종하면서 다양한 안내 서비스를 제공할 수 있다. 예를 들어, 자율 주행 장치(1330)는 동반자(1310)가 이동 중 시청 가능한 영상을 제공할 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. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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 (20)

  1. 동반 주행을 위한 자율 주행 방법에 있어서,
    동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보에 기초하여 현재 상태를 정의하는 단계;
    상기 현재 상태에 기초하여, 상기 동반자의 위치 주변의 미리 정해진 복수의 추종 위치들 중 어느 하나의 추종 위치를 결정하는 단계; 및
    상기 결정된 추종 위치로 이동하는 단계
    를 포함하는 자율 주행 방법.
  2. 제1항에 있어서,
    상기 현재 상태를 정의하는 단계는
    목적지의 위치에 대한 정보를 더 고려하여 상기 현재 상태를 정의하는 단계
    를 포함하는, 자율 주행 방법.
  3. 제1항에 있어서,
    상기 추종 위치를 결정하는 단계는
    상기 현재 상태를 인공 신경망에 입력함으로써, 상기 복수의 추종 위치들에 대응하는 상기 인공 신경망의 출력들을 획득하는 단계; 및
    상기 출력들에 기초하여, 상기 어느 하나의 추종 위치를 결정하는 단계
    를 포함하는, 자율 주행 방법.
  4. 제3항에 있어서,
    상기 인공 신경망은
    동반 주행을 위한 제1 보상 기준, 충돌 회피를 위한 제2 보상 기준, 및 에너지 최적화를 위한 제3 보상 기준을 고려하여, 특정 상태에서 특정 추종 위치로 이동함으로써 생성되는 에피소드에 대한 보상을 예측하는, 자율 주행 방법.
  5. 제4항에 있어서,
    상기 인공 신경망은
    목적지로의 근접 여부에 관한 제4 보상 기준을 더 고려하여, 상기 보상을 예측하는, 자율 주행 방법.
  6. 제3항에 있어서,
    상기 결정된 추종 위치는
    상기 주변의 미리 정해진 복수의 추종 위치들 중 상기 보상이 가장 큰 출력에 대응하는 추종 위치인, 자율 주행 방법.
  7. 제1항에 있어서,
    상기 결정된 추종 위치로 이동하는 단계는
    상기 이동에 관한 동작 정보를 결정하는 단계; 및
    상기 결정된 동작 정보에 따라 동작을 제어하는 단계
    를 포함하는, 자율 주행 방법.
  8. 제7항에 있어서,
    상기 동작 정보를 결정하는 단계는
    상기 이동에 관한 속도를 결정하는 단계; 및
    상기 이동에 관한 각속도를 결정하는 단계
    를 포함하는, 자율 주행 방법.
  9. 제1항에 있어서,
    상기 인공 신경망은 강화학습 기반의 신경망을 포함하는, 자율 주행 방법.
  10. 제1항에 있어서,
    상기 추종 위치를 결정하는 단계는
    상기 현재 상태에 기초하여, 상기 동반자의 움직임을 예측하여 미래의 추종 위치를 결정하는 단계
    를 포함하는, 자율 주행 방법.
  11. 동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보에 기초하여 현재 상태를 수신하는 단계;
    상기 현재 상태를 인공 신경망에 입력하여, 예측 Q값(prediction Q value)을 결정하는 단계;
    상기 예측 Q값에 기초하여 추종 위치를 결정하는 단계;
    상기 추종 위치에서의 새로운 상태에 기초하여 보상을 계산하는 단계;
    상기 보상에 기초하여, 목표 Q값(target Q value)을 결정하는 단계; 및
    상기 목표 Q값과 상기 예측 Q값에 기초하여, 상기 인공 신경망을 학습시키는 단계
    를 포함하는 자율 주행 학습 방법.
  12. 제11항에 있어서,
    상기 보상은 동반 주행을 위한 제1 보상 기준, 충돌 회피를 위한 제2 보상 기준, 및 에너지 최적화를 위한 제3 보상 기준을 고려하여 결정되는, 자율 주행 학습 방법.
  13. 제11항에 있어서,
    미리 정해진 에피소드 내에서 상기 새로운 상태 및 상기 보상을 반복적으로 결정하는 단계
    를 더 포함하는 자율 주행 학습 방법.
  14. 제11항에 있어서,
    상기 목표 Q값을 결정하는 단계는
    사용자가 미리 정해진 목표 Q값을 결정하는 단계
    를 포함하는, 자율 주행 학습 방법
  15. 하드웨어와 결합되어 제1항 내지 제14항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
  16. 동반 주행을 위한 자율 주행 장치에 있어서,
    동반자의 위치에 대한 정보 및 주변 장애물의 위치에 대한 정보를 감지하는 센서부;
    상기 센서가 감지한 정보에 기초하여 현재 상태를 정의하고, 상기 현재 상태에 기초하여, 상기 동반자의 위치 주변의 미리 정해진 복수의 추종 위치들 중 어느 하나의 추종 위치를 결정하는 적어도 하나의 프로세서; 및
    상기 결정된 추종 위치로 이동하는 구동부
    를 포함하는 자율 주행 장치.
  17. 제16항에 있어서,
    상기 프로세서는 목적지의 위치에 대한 정보를 더 고려하여 상기 현재 상태를 정의하는, 자율 주행 장치.
  18. 제16항에 있어서,
    상기 프로세서는
    상기 현재 상태를 인공 신경망에 입력함으로써, 상기 복수의 추종 위치들에 대응하는 상기 인공 신경망의 출력들을 획득하고,
    상기 출력들에 기초하여, 상기 어느 하나의 추종 위치를 선택하는,
    자율 주행 방법.
  19. 제18항에 있어서,
    상기 인공 신경망은
    동반 주행을 위한 제1 보상 기준, 충돌 회피를 위한 제2 보상 기준, 및 에너지 최적화를 위한 제3 보상 기준을 고려하여, 특정 상태에서 특정 추종 위치로 이동함으로써 생성되는 에피소드에 대한 보상을 예측하는, 자율 주행 장치.
  20. 제19항에 있어서,
    상기 인공 신경망은
    목적지로의 근접 여부에 관한 제4 보상 기준을 더 고려하여, 상기 보상을 예측하는, 자율 주행 장치.
KR1020180164137A 2018-12-18 2018-12-18 자율 주행 방법 및 장치 KR20200080396A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180164137A KR20200080396A (ko) 2018-12-18 2018-12-18 자율 주행 방법 및 장치
US16/704,807 US11579619B2 (en) 2018-12-18 2019-12-05 Autonomous driving methods and apparatuses

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180164137A KR20200080396A (ko) 2018-12-18 2018-12-18 자율 주행 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20200080396A true KR20200080396A (ko) 2020-07-07

Family

ID=71071558

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180164137A KR20200080396A (ko) 2018-12-18 2018-12-18 자율 주행 방법 및 장치

Country Status (2)

Country Link
US (1) US11579619B2 (ko)
KR (1) KR20200080396A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102203015B1 (ko) * 2020-07-20 2021-01-14 국방과학연구소 복수의 로봇들을 위한 운용 디바이스 및 그의 동작 방법

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7459238B2 (ja) * 2019-10-24 2024-04-01 ネイバー コーポレーション ユーザ選好による強化学習基盤の自律走行最適化方法およびシステム
US11592828B2 (en) * 2020-01-16 2023-02-28 Nvidia Corporation Using neural networks to perform fault detection in autonomous driving applications
CN113126620B (zh) * 2021-03-23 2023-02-24 北京三快在线科技有限公司 路径规划模型训练方法及装置
CN113393495B (zh) * 2021-06-21 2022-02-01 暨南大学 基于强化学习的高空抛物轨迹识别方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3467487B2 (ja) 2001-07-27 2003-11-17 株式会社ナムコ プログラム、情報記憶媒体、及びゲーム装置
KR100935879B1 (ko) 2009-05-07 2010-01-07 포텍마이크로시스템(주) 친생활 지능형 로봇을 이용한 헬스 케어 및 위험 진단 모니터링 방법 및 시스템
CN101618050B (zh) * 2009-07-23 2011-06-15 无限极（中国）有限公司 一种具有增强免疫力功能的复合真菌多糖及其应用
US9321173B2 (en) * 2012-06-22 2016-04-26 Microsoft Technology Licensing, Llc Tracking and following people with a mobile robotic device
US9792546B2 (en) 2013-06-14 2017-10-17 Brain Corporation Hierarchical robotic controller apparatus and methods
KR20160049111A (ko) 2014-10-24 2016-05-09 케어로보시스템스(주) 타격 훈련용 로봇
US10722775B2 (en) 2016-09-27 2020-07-28 Adidas Ag Robotic training systems and methods
KR101907548B1 (ko) 2016-12-23 2018-10-12 한국과학기술연구원 휴먼 추종을 위한 이동로봇의 주행 및 탐색방법
KR101845398B1 (ko) 2017-02-28 2018-04-04 숙명여자대학교산학협력단 기계학습기반의 단말 접속 제어를 위한 차단 인자 설정 방법 및 장치
US10621448B2 (en) * 2017-08-02 2020-04-14 Wing Aviation Llc Systems and methods for determining path confidence for unmanned vehicles
KR20210017452A (ko) * 2019-08-08 2021-02-17 엘지전자 주식회사 로봇의 주행방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102203015B1 (ko) * 2020-07-20 2021-01-14 국방과학연구소 복수의 로봇들을 위한 운용 디바이스 및 그의 동작 방법

Also Published As

Publication number Publication date
US11579619B2 (en) 2023-02-14
US20200192392A1 (en) 2020-06-18

Similar Documents

Publication Publication Date Title
KR20200080396A (ko) 자율 주행 방법 및 장치
JP2022516382A (ja) 自律型車両の計画および予測
WO2018120739A1 (zh) 路径规划方法、装置及机器人
KR20190077067A (ko) 강화 학습을 이용한 환경 네비게이션
WO2017144350A1 (en) Method for motion planning for autonomous moving objects
Parhi et al. Navigational control of several mobile robotic agents using Petri-potential-fuzzy hybrid controller
US11851081B2 (en) Predictability-based autonomous vehicle trajectory assessments
WO2017197170A1 (en) Safely controlling an autonomous entity in presence of intelligent agents
KR102303126B1 (ko) 사용자 선호에 따른 강화학습 기반 자율주행 최적화 방법 및 시스템
EP3670109B1 (en) Method and apparatus for controlling behavior of service robot
JP2020160603A (ja) 経路決定装置、ロボット及び経路決定方法
JP7490193B2 (ja) ロボット、移動経路生成装置及びそのプログラム、並びに、移動予測装置
Singh et al. Intelligent controller for mobile robot: Fuzzy logic approach
US20230001953A1 (en) Planning-aware prediction for control-aware autonomous driving modules
Kobayashi et al. Robot navigation based on predicting of human interaction and its reproducible evaluation in a densely crowded environment
US11631028B2 (en) Method of updating policy for controlling action of robot and electronic device performing the method
JP5446765B2 (ja) 経路探索システム、経路探索方法、経路探索プログラム、及び移動体
WO2020157863A1 (ja) 制御装置、制御方法および記録媒体
Kundu et al. Behavior-based navigation of multiple robotic agents using hybrid-fuzzy controller
Jin et al. Proactive-cooperative navigation in human-like environment for autonomous robots
US11703871B2 (en) Method of controlling a vehicle and apparatus for controlling a vehicle
CN113590455A (zh) 用于经由多次迭代训练用于控制装置的控制策略的设备和方法
KR102097715B1 (ko) 실시간 웨이포인트 경로 개선 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램
Poon et al. Learning from demonstration for locally assistive mobility aids
WO2020136977A1 (ja) 経路決定装置、ロボット及び経路決定方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right