KR20200124268A

KR20200124268A - 차량의 예상 위치들이 한정되거나 비어 있는 가설 세트를 선택하는 방법

Info

Publication number: KR20200124268A
Application number: KR1020207027517A
Authority: KR
Inventors: 필리프 보니페; 프랑크 리; 하비에 이바녜스-구스만
Original assignee: 르노 에스.아.에스.
Priority date: 2018-02-27
Filing date: 2019-02-12
Publication date: 2020-11-02
Also published as: FR3078399A1; EP3759434A1; US20210293976A1; WO2019166220A1; JP2021515183A; FR3078399B1; CN111801549A

Abstract

본 발명은 복수의 가설들로부터 차량의 예상 위치들이 한정되거나 비어 있는 가설 세트(Z1-Z8))를 선택하는 방법에 관한 것이다. 본 발명은 - 측위 시스템을 통해 상기 차량의 적어도 하나의 측위 위치(P_o)를 획득하는 단계; - 상기 차량의 예상 위치들에 대한 복수의 가설들을 획득하는 단계; - 상기 차량의 측위 위치의 공분산(covariance)과 획득된 각각의 가설의 공분산을 결정하는 단계; - 획득된 각각의 가설에 대해, 마할라노비스 거리(Mahalanobis distance)를 계산하는 단계; 및 - 상기 획득된 가설들로부터 한정되거나 비어 있는 가설 세트를 선택하는 단계;를 포함한다.

Description

차량의 예상 위치들이 한정되거나 비어 있는 가설 세트를 선택하는 방법

본 발명은 일반적으로 매핑 분야에 관한 것이다.

더 구체적으로는, 복수의 가설들 중에서 차량의 예상 위치들이 한정되거나 비어 있는 가설 세트를 선택하는 방법에 관한 것이다.

본 발명은 또한,

- 맵을 기억하는 수단;

- 측위(測位) 시스템; 및

- 상기 맵 상에 차량을 사전에 위치시키고 위에서 언급한 바와 같은 가설 세트의 선택 방법을 구현하도록 구성된 컴퓨터;

를 포함하는 차량에 관한 것이다.

자율 주행 차량 및 부분적으로 자동화된 차량의 안전성을 보장하기 위해, 이러한 차량이 이동 중인 환경에 대한 깊은 지식을 갖는 것이 필요하다.

실제로, 차량이 차량의 환경을 인식하는 것은 2가지의 서로 다른 방식으로, 다시 말하면,

- 차량의 측위 시스템 및 맵을 사용함으로써, 그리고

- 외부 수용 센서들(카메라, 레이더 또는 라이더 센서 등)을 사용함으로써,

수행된다.

맵들을 개발하는 회사들은 현재 도로망의 특징들(차선 폭들, 지면 표시들, 표지판들 등)에 대한 매우 세부적인 정보를 얻는 것을 가능케 하는 소위 "고화질(high-definition)" 맵들을 개발하고 있다.

이러한 맵들은 측위 수단들이 장착된 차량들에 내장되어 있고, 그럼으로써 이러한 차량들을 경도 및 위도로 예측된 위치에서 맵 상에 위치시킬 수 있다.

공교롭게도, 이러한 위치가 항상 매우 정확하고 신뢰할 수 있는 것이 아니어서, 이러한 것이 그 후에 차량이 실제로 가고 있는 경로의 범위 한계를 넘어 위치하게 되도록 반영됨이 밝혀졌다. 이러한 문제는 상기 차량 방향에 대한 정보를 사용하는 자율 주행 차량의 경우에 특히 위험한 것임을 알 수 있다.

이러한 문제를 개선하기 위해, 제1의 기술적 해결수법은 가고 있는 도로와 측위 위치를 고려하여 차량의 여러 예상 위치를 결정하고 가장 유력한 위치를 선택하는 것이다.

이러한 해결수법의 가장 큰 단점은 궁극적으로 단일 위치만을 선택할 수 있게 함으로써, 오류가 발생하면 자동차가 이를 파악할 수 없어 매우 위험해질 수 있게 된다는 것이다.

또한, 문헌 EP1729145로부터 차량으로의 신호 전파 불량에 관련된 오류를 줄이기 위해 위성들로부터 수신된 측위 신호들을 처리하는 것으로 이루어진 또 다른 해결수법이 알려져 있다.

이러한 해결수법의 가장 큰 단점은 차량의 정확한 위치를 결정하기 위해 외부 수용 센서들(자이로스코프, 가속도계 등)를 사용한다는 것이어서, 상기 해결수법에는 비용이 많이 들고 상기 해결수법의 신뢰도가 사용된 센서들의 신뢰도에 종속된다.

위에서 언급한 최신 기술의 단점을 개선하기 위해, 본 발명은 차량의 예상 위치에 대한 가설들을 고려하고 이러한 가설들에 대한 일관성 테스트(consistency test)를 수행하여 상기 가설들의 개수를 최소로, 가능한 한 단일의 해결 수법으로 줄이는 것을 제안한다.

더 구체적으로는, 본 발명에 의하면, 도입부에서 정의된 가설들을 선택하는 방법이 제안되며, 상기 가설들의 선택 방법에서는,

- 측위 시스템을 통해 차량의 적어도 하나의 측위 위치를 획득하는 단계;

- 차량의 예상 위치들에 대한 복수의 가설들을 획득하는 단계;

- 차량의 측위 위치의 공분산(covariance)과 획득된 각각의 가설의 공분산을 결정하는 단계;

- 획득된 각각의 가설에 대해, 차량의 측위 위치의 공분산과 상기 가설의 공분산에 기초한 마할라노비스 거리(Mahalanobis distance)를 계산하는 단계; 및

- 계산된 각각의 마할라노비스 거리에 기초하여, 상기 획득된 가설들 중에서 한정되거나 비어 있는 가설 세트를 선택하는 단계;

가 제공된다.

따라서, 본 방법은 상기 선택된 가설이 사용 가능한 것인지 아닌지를 나타낼 수 있도록 차량의 측위 위치와 각각의 가설의 일관성을 검사하는 것을 가능하게 하는 중재 방법(arbitration method)을 포함한다.

본 발명의 해결수법은 수신된 측위 데이터의 정확성을 평가하는 것이 아니라 오히려 이러한 데이터를 사용하는 알고리즘의 실행에 대한 일관성을 평가한다는 점에서 유리하다. 그러므로 본 발명의 해결 수법은 추가 센서들을 사용할 필요가 없고, 결과적으로는 비용이 저렴하게 되고 신뢰도가 높아질 수 있게 된다.

더 일반적으로는, 본 발명의 해결수법은 선택된 가설에 완전한 확신을 지니는 것이 가능한 것인지 아닌지를 아는 문제를 매우 신뢰성 있게 해결함으로써 사용 가능한 데이터에서 한 걸음 물러나서 자율 주행 차량의 제어에 관련된 정보가 사용 가능한 것인지를 판단하는 것을 가능하게 한다.

본 발명의 해결수법의 또 다른 이점은 본 발명의 해결 수법이 알고리즘에 사용되는 데이터에 일관성이 있는 것인지를 나타내는 것을 가능하게 하기 때문에 본 발명의 해결 수법이 가설이 올바른 것인지를 결정하는 것뿐만 아니라 상기 측위 시스템의 결함을 진단하는 것을 가능하게 한다는 것이다. 이러한 이점은 본 설명의 나머지 부분을 이해하면 더 명확하게 부상(浮上)하게 된다.

본 발명에 따른 방법의 다른 유리하고 비-제한적인 특징들은 다음과 같다:

- 선택의 종료시, 선택된 가설들의 개수에 기초하여, 선택된 각각의 가설의 사용 가능하거나 또는 사용 불가능한 특성의 결정이 제공되고;

- 선택 단계에서 각각의 마할라노비스 거리에 대해 카이-스퀘어(chi-square) 테스트가 수행되며;

- 각각의 가설을 획득하는 단계에 앞서,

맵 상에서 차량의 측위 위치에 차량을 사전에 배치하는 것;

상기 맵 상에서 차량의 측위 위치 주변에 파티클(particle)들을 분포시키는 것 - 각각의 파티클은 차량의 예상 위치에 상응함 -;

특히 각각의 파티클에 가중치를 할당함으로써 파티클들에 파티클 필터를 적용하는 것; 및

파티클 필터로부터 획득된 파티클들을 한정된 개수의 가설들에 결합하는 것 - 각각의 가설은 상기 맵에 기억된 차선에 연계됨 -;

이 제공되고;

- 상기 선택 단계에서, 이러한 가설을 구성하는 파티클들의 가중치들에 따라 계산된 지표(indicator)가 결정된 임계 값보다 큰 가설들만을 선택하는 것이 제공되며;

- 결정 단계에서, 차량의 측위 위치에 대한 공분산 행렬과 획득된 각각의 가설에 대한 공분산 행렬이 계산되고;

- 선택된 가설 세트가 비어 있는 경우에 그리고/또는 여러 가설이 남아 있는 경우에 경보 전송 단계가 제공되는 것.

본 발명은 또한,

- 맵을 기억하는 수단;

- 측위 시스템; 및

- 상기 맵 상에 차량을 사전에 배치하고 위에서 언급한 선택 방법을 구현하도록 구성된 컴퓨터;

를 포함하는 차량에 관한 것이다.

비-제한적인 예로서 주어진 첨부 도면들에 비추어 이하에 주어지는 설명으로부터 본 발명이 무엇으로 구성되고 어떻게 제조될 수 있는지가 양호하게 이해될 것이다.

도 1은 본 발명에 따른 방법의 다른 단계를 보여주는 도면이다.
도 2는 도로를 주행하는 차량의 평면도이다.
도 3은 맵 상에 분포된 파티클들을 개략적으로 보여주는 도면이다.
도 4는 2개의 연속적인 도로 구간을 따라 위치한 2개의 파티클을 개략적으로 보여주는 도면이다.
도 5는 4개의 도로 구간 옆에 위치한 4개의 파티클을 개략적으로 보여주는 도면이다.

도 2에는, 차의 형태를 취하고 4개의 차선(V1, V2, V3, V4)을 지니는 도로의 일부를 주행하는 자동차(10)가 나타나 있다.

이하 설명에서는, 맵 상에서의 이러한 자동차(10)의 위치에 더 구체적으로 관심이 집중되겠지만, 본 발명은 이러한 예에 국한되지 않을 것이다. 따라서, 본 발명은 특히 맵 상에서의 모든 지상, 해상, 항공 또는 우주 차량의 위치에 특히 적용된다.

여기서 고려되는 자동차(10)는 통상적으로 섀시, 파워 트레인, 스티어링 시스템, 제동 시스템, 전자 및/또는 컴퓨팅 계산 유닛 - 이하, 컴퓨터라고 함 - 을 포함한다.

컴퓨터는 차량의 속도와 차량의 요 각속도(angular yaw velocity)를 정확하게 측정하는 것을 가능케 하는 소위 "고유 수용(proprioceptive)" 센서들에 연결되어 있다.

컴퓨터는 바람직하게는 자동차(10)의 즉각적인 환경들을 인지하는 것을 가능케 하는 소위 "외부 수용" 센서들(이들은 카메라들, 레이더 센서들, 라이더 센서들 등일 수 있음)에 연결되어 있다.

컴퓨터는 또한, 위도 및 경도로 여기서 정의된 차량(10)의 측위 위치(P₀)를 평가하는 것을 가능케 하는 측위 시스템에 연결되어 있다. 이는 예를 들어 GPS 시스템일 수 있다.

여기서 상기 측위 시스템은 "수평 보호 레벨(horizontal protection level: HPL)"이라는 데이터를 컴퓨터로 전송하도록 구성되어 있다고 간주될 것이다. 통상의 기술자에게 잘 알려진 이러한 데이터는 측위 위치(P₀)의 측정 불확도(measurement uncertainty)에 상응한다. 측정 불확도의 값은 예를 들어 측위 시스템이 데이터를 수신하는 위성들의 개수, 신호들의 수신 품질, 사용되는 측위 시스템의 품질 등에 따라 달라진다.

동일한 방식에 따라, 여기서는 이러한 측위 시스템이 상기 동일한 측정 불확도에 관련된 공분산 행렬을 컴퓨터에 전송하도록 구성되어 있다고도 간주될 것이다.

고려되는 자동차(10)는 반-자동화될 수 있고, 그럼으로써 예를 들어 운전자가 위험을 인지하지 않아서 적절한 조치를 운전자 스스로 취하지 않은 경우 상기 자동차(10)의 컴퓨터가 비상 제동을 트리거할 수 있게 된다. 설명되는 시스템은 또한, 예를 들어 운행 여건을 학습하는 맥락에서 종래의 차량에 배치될 수 있을 것이다.

그러나, 본 설명에서는, 자동차(10)가 자율적인 유형이고 컴퓨터가 차량의 파워 트레인, 스티어링 시스템 및 제동 시스템을 제어하도록 구성되어 있다고 간주될 것이다.

이때, 컴퓨터는 차량의 자율 제어의 맥락에서, 특히 이하에서 언급되는 방법의 맥락에서 사용되는 데이터를 저장하는 컴퓨터 메모리를 포함한다.

상기 컴퓨터 메모리는 특히 프로세서에 의한 실행으로 이하에서 설명되는 방법이 상기 컴퓨터에 의해 구현될 수 있는 명령어들을 포함하는 컴퓨터 프로그램들로 이루어진 컴퓨터 애플리케이션을 기억한다.

또한, 상기 컴퓨터 메모리는 소위 "고-화질(high-definition)" 지형 맵을 기억한다.

상기 맵에는 많은 양의 데이터가 저장되어 있다.

상기 맵에는 우선 도로의 지형에 관련된 정보가 포함되어 있다. 상기 지형은 도로 구간들(또는 "링크(link)들") 형태로 여기에 기억된다. 여기서, 각각의 도로 구간은 차선의 전체 길이에 걸쳐 일정한 특징들(도로 구간을 따라 동일한 지면 표시들의 형태, 상기 도로 구간의 일정한 폭 등)을 지니는 도로의 단일 차선 일부로서 정의된다.

상기 맵에는 차선의 폭, 차선의 양쪽 상에 위치한 지면 표시들의 형태, 도로 구간에서 도로에 접해 있는 각각의 패널의 위치 및 형태, 이전 및 다음 도로 구간들의 식별자들 등을 포함하는, 각각의 도로 구간을 특징짓는 다른 데이터도 저장된다.

상기 맵 상에서 자동차(10)의 정확한 위치(P_p)를 추정하기 위해 컴퓨터에 의해 구현되는 방법은 파티클 필터링 동작(100), 및 가설 선택 동작(200)을 포함하는 2가지 주요 동작을 포함한다(도 1 참조).

상기 가설 선택 동작(200)은 파티클 필터링 동작(100)의 결과를 사용하고, 그럼으로써 이는 파티클 필터링 동작(100) 후에 구현되게 된다.

그러므로, 제1 단계로 제1 파티클 필터링 동작(100)이 설명될 것이다.

상기 동작은 재귀적으로, 다시 말하면 루프 방식으로 그리고 규칙적인 시간 스텝(time step)들로 구현된다.

상기 동작은 3가지 주요 단계로 구성된다.

제1 단계(101)는 컴퓨터가 연결된 센서들을 통해 컴퓨터가 여러 데이터를 획득하는 것으로 이루어진다.

따라서, 컴퓨터는 자동차(10)의 측위 위치(P₀) 및 이와 연관된 수평 보호 레벨(horizontal protection level: HPL)을 획득한다. 상기 데이터는 위도, 경도 및 수평 보호 레벨(HPL)을 공급하는 측위 시스템을 사용하여 획득된다.

컴퓨터는 또한 자동차(10)의 동역학에 관련된 데이터를 획득한다. 따라서 컴퓨터는 차량의 속도(V) 및 차량의 요 각속도(angular yaw velocity: Ψ)를 획득한다.

제2 단계(102)는 획득된 측위 위치(P₀)에서 차량(10)을 맵 상에 사전 배치하는 단계이다.

제3 단계(103)는 파티클들(P_i)이라 불리는 차량의 예상 위치들(또는 더 정확하게는 차량의 예상 자세들)이 맵 상의 자동차(10)의 정확한 위치(P_p)(또는 더 정확하게는 맵 상의 차량의 정확한 자세)를 결정하기 위해 처리되는 파티클 필터링 단계이다.

각각의 파티클(P_i)은,

- 직교 기준 좌표계(Cartesian reference frame)에서 파티클의 위치를 정의하는 것을 가능케 하는 2개의 좌표(x_i, y_i)(이러한 좌표들은 획득 된 경도와 위도에 결부됨); 및

- 북(North)과 같은 주어진 방향에 대해 파티클이 이루는 각도를 정의하는 것을 가능케 하는 요 각도; 및

- 파티클(P_i)이 연관된 맵 구간의 식별자;

에 의해 정의될 수 있다.

도 3 내지 도 5에서는 이등변 삼각형들의 형태로 파티클들(P_i)이 표현되며, 각각의 이등변 삼각형은 맵 상의 파티클의 위치에 상응하는 중심(M_i) 및 맵 상의 파티클의 요(yaw) 각에 상응하는 배향을 지닌다.

도 1에 도시된 바와 같이, 제3 파티클 필터링 단계(103)는 더 정확하게는 지금부터 더 구체적으로 설명될 수 있는 여러 하위 단계로 이루어진다.

제1 하위 단계(110)는 현재 단계가 파티클 필터의 초기화 단계인지의 여부를 결정하는 것으로 이루어지며, 이는 예를 들어 자동차(10)를 시동할 때의 경우이다.

이때, 어떠한 파티클도 아직 생성되지 않은 경우에 이러한 상황을 채택하는 것이 가능하다.

다음 하위 단계(112)는 차량(10)의 측위 위치(P₀)가 주어지면, 맵 상에 파티클들(P_i)을 생성 및 분포하는 것으로 이루어진다.

이를 위해, 파티클들(P_i)은 자동차(10)의 측위 위치(P₀)를 중심으로 하는 디스크 내에 분포되며, 여기서 디스크의 반경은 수평 보호 레벨(HPL)과 동일하다.

파티클들(P_i)은 더 정확하게는 일정한 각도 차이를 가지고 나선형으로 분포된다. 파티클들(P_i) 간 나선 및 각도 차이의 특징들은 생성하고자 하는 파티클들(P_i)의 개수에 따라 선택된다.

상기 개수는 100보다 크고, 바람직하게는 1000 정도이다. 이는 컴퓨터를 달리 과부하시키지 않으면서 충분한 정밀도를 얻는 방식으로 결정된다.

이 시점에서는, 파티클들(P_i)이 아직 배향되어 있지 않다.

따라서, 각각의 파티클(P_i)은 측위 시스템에 영향을 미치는 오차를 고려하여 차량이 취할 수 있는 예상 위치에 상응한다.

도 3에서 볼 수 있는 바와 같이, 일부 파티클들은 도로에서 떨어져 있다. 이는 파티클들이 맵에 제약을 받지 않고 2-차원 공간에서 이동될 수 있다는 점을 보여준다. 따라서, 필터는 매우 유연하고, 초기에는 매우 많은 개수의 상이한 해결수법들을 고려하는 것을 가능하게 하며, 그 중에서 가장 불합리한 해결수법들은 이때 파티클 필터에 의해 제거된다.

다음 하위 단계(113) 동안, 컴퓨터는 각각의 파티클(P_i)을 각각의 파티클(P_i)의 가장 가까운 도로 구간에 연관시킨다.

여기에서 선택되는 방법은 "포인트 투 커브(point-to-curve)" 방법이다. 이는 각각의 파티클(P_i)을 유클리드 거리(Euclidean distance) 면에서 가장 가까운 도로 구간에 연관시키는 것으로 이루어진다.

대표적인 예에 의하면, 도 4에서 결과적으로 알 수 있는 바와 같이, 파티클(P₁)이 도로 구간(AB)에 연관되어 있다.

이 시점에서, 컴퓨터는 파티클들(P_i)을 특히 각각의 파티클이 연관된 도로 구간의 배향에 따라 (또 가능하다면 차량의 동역학에 따라) 배향시킬 수 있다.

그 후에, 상기 방법은 차후에 설명될 하위 단계(116)로 속행된다.

위에서 설명한 바와 같이, 제1 하위 단계(110)는 현재 단계가 파티클 필터의 초기화 단계인지의 여부를 결정하는 것으로 이루어진다.

현재 단계가 파티클 필터의 초기화 단계인 경우가 아니며 프로세스가 이미 사전에 초기화되어 있다고 현재 생각할 수 있다.

이 경우에, 하위 단계(114)에서, 컴퓨터는 맵 상의 파티클들(P_i)을 업데이트한다.

이를 위해, 파티클들(P_i)은 모두 차량의 동역학에 관련된 정보에 따라 맵 상에서 이동된다.

2개의 데이터, 다시 말하면 차량의 속도(V) 및 자동차(10)의 요 각속도(Ψ)는 소정의 거리만큼 모든 파티클들(P_i)을 이동시키고 소정의 각도로 파티클들을 재배향시키는데 실제로 채용된다. 상기 모든 파티클들(P_i)의 이동 후 상기 파티클들 간 위치 다양성position diversity)을 촉진하기 위해 각각의 파티클에 대해 독립적으로 이러한 2가지 데이터에 랜덤 노이즈(random noise)가 추가된다.

여기서 유념할 점은 상기 하위 단계가 이번에 자동차의 측위 위치(P₀)를 사용하지 않는다는 것이다.

다음 하위 단계(115) 동안, 컴퓨터는 각각의 파티클(P_i)을 도로 구간에 재-연관시킨다.

더 정확하게는 컴퓨터는 어느 파티클들(P_i)이 새로운 도로 구간에 연관되어야 하는지를 결정하고 컴퓨터는 이러한 새로운 도로 구간을 식별한다.

컴퓨터가 어떻게 작동하는지 이해하기 위해, 지점들(M1, M2)을 중심으로 하는 2개의 파티클(P₁, P₂)이 도시되고 도로 구간(AB)이 또한 도시된 도 4가 참조될 것이다.

여기서 고려된 점은 이전 시간 스텝에서, 2개의 파티클(P₁, P₂)이 하나의 동일한 도로 구간(AB)에 연관되었고, 그 후에 2개의 파티클(P₁, P₂)이 하위 단계(114) 동안 변위되었다는 것이다.

그리고 나서, 컴퓨터는 각각의 파티클이 새로운 도로 구간에 연관되어야 하는지 아니면 각각의 파티클이 새로운 도로 구간에 연관되어서는 아니 되는지를 확인하기 위해 각각의 파티클(P_i)에 대한 비율(r)을 결정한다.

상기 비율(r)은 이하의 수학식 1

에 따라 계산된다.

상기 비율(r)이 0과 1 사이에 있을 경우, 파티클(P_i)을 파티클(P_i)의 원래 도로 구간에 연관시키는 것이 변경되어서는 아니 된다. 이는 여기서 파티클(P₁)의 경우이다.

상기 비율이 음수일 경우, 파티클(P_i)을 파티클(P_i)의 도로 구간에 연관시키는 것이 변경되어야 한다. 상기 파티클은 더 정확하게는 이전 도로 구간 또는 이전 도로 구간들 중 하나에 연관되어야 한다.

상기 비율이 절대적으로 1보다 클 경우, 파티클(P_i)을 파티클(P_i)의 도로 구간에 연관시키는 것이 변경되어야 한다. 상기 파티클은 더 정확하게는 다음 도로 구간 또는 다음 도로 구간들 중 하나에 연관되어야 한다.

따라서 여러 상황이 직면하게 될 수 있다.

도로 구간(AB)이 단지 하나의 후속 구간(BB')을 포함하는 도 4의 상황에서는, 파티클(P₂)은 이러한 후속 구간(상기 비율(r)이 0과 1 사이에 있는 한은, 상기 새로운 도로 구간, 그러하지 않을 경우, 다른 후속 구간이 고려됨)에 연관된다.

도로 구간(AB)에 여러 개의 후속 구간(BC, BD, BE)이 포함되어 있는 도 5의 상황에서는, 이전 시간 스텝에서 고려되는 파티클(P₂)은 후속 구간들(BC, BD, BE)이 있는 만큼 많은 파티클(P₂₁, P₂₂, P₂₃)로 복제된다.

차량의 동역학을 고려하여 후속 구간들 중 일부가 고려되지 않을 경우 파티클을 더 적은 횟수로 복제하는 것이 또한 준비될 수 있다.

도면들에 도시되지 않은 다른 상황에서는, 파티클이 이전 시간 스텝(특히 차량이 예를 들어 다른 차량을 추월하기 위해 측 방향으로 차선 변경할 때 발생하게 됨)에 연관된 도로 구간과 평행한 다른 도로 구간에 연관되어야 하는 것이 가능하다. 이는 파티클들이 동일한 도로 구간 위로만 이동하는 것으로 제한되지 않기 때문에 가능하게 된다. 이러한 상황은 파티클들의 새로운 위치 및 맵에 저장된 데이터(지면 표시 정보, 차선 폭 등)가 주어지면 검출될 수 있다. 일 변형 예에서, 차량에 엠베드된 카메라를 사용하여 이러한 상황이 또한 검출되는 것을 고려할 수 있다.

하위 단계(115) 및 하위 단계(113) 양자 모두를 따르는 하위 단계(116) 동안, 컴퓨터는 각각의 파티클(P_i)의 공산을 계산한다.

파티클의 공산은 여기에서 파티클의 가중치(w_i)로 표현된다. 파티클의 가중치가 클수록, 고려되는 파티클이 자동차(10)의 정확한 위치에 상응할 가능성이 높아진다.

상기 가중치는 다양한 방식으로 계산될 수 있다.

제1 실시 예에서, 각각의 파티클(P_i)의 가중치(w_i)는 단지 맵으로부터 획득한 데이터에 따라 계산된다.

더 정확하게는, 이는 고려되는 파티클을 연관된 도로 구간으로부터 구분짓는 유클리드 거리에 따라 결정된다(상기 가중치는 예를 들어 상기 거리에 반비례한다).

제2 실시 예에서, 각각의 파티클(P_i)의 가중치(w_i)는 데이터가 신뢰할 수 있는 것으로 간주되는 조건에서, 외부 수용 센서들로부터 획득한 데이터에 따라 또한 계산된다.

차량의 카메라들(CAM)로부터 비롯된 측면 정보에 따라 고려되는 파티클의 가중치를 증가 또는 감소시키는 것을 상상할 수 있다. 상기 카메라들은 실제로 지면 표시 라인들을 검출하고 이들을 다항식 모델의 형태로 컴퓨터에 복귀시킬 수 있다. 이때, 컴퓨터는 이러한 라인들의 형태가 맵에 저장된 지면 표시들의 형태에 상응하는 지를 확인하고 그에 따라 파티클의 가중치를 조정할 수 있다.

여기서 알 수 있는 점은 지면 표시들이 항상 카메라들에 의해 검출됨이 아니라는 것이다. 이는 조명 부족, 젖은 도로, 지워진 표시들 등과 같은, 센서들에 난해한 조건들 때문일 수 있다. 이러한 특정의 경우에, 카메라는 컴퓨터에 신뢰 수준이 낮음을 나타내고 그 후에 가중치의 계산이 제1 실시 예에서 설명한 바와 같이 맵이 제공한 데이터에만 기초하여 이루어진다.

사용되는 방법에 관계없이, 상기 방법은 자동차(10)의 순간적인 측위 위치(P₀)로부터 너무 멀리 떨어져 있는 파티클들을 제거하기 위해, 한정된 세트의 파티클들(P_i)을 선택하는 하위 단계(117)로 계속된다.

상기 하위 단계를 구현하기 위해, 컴퓨터는 자동차(10)의 새로운 측위 위치(P₀)를 획득하고, 그리고 나서 컴퓨터는 각각의 파티클(P_i)을 상기 순간적인 측위 위치(P₀)로부터 구분짓는 거리를 계산한다.

상기 거리가 수평 보호 레벨(HPL)보다 길 경우에, 상응하는 파티클(P_i)의 가중치(w_i)는 0으로 설정되고, 그럼으로써 상기 파티클이 그 후 자동으로 제거될 수 있다.

상기 거리가 수평 보호 레벨(HPL)보다 길지 않을 경우에, 상응하는 파티클(P_i)의 가중치(w_i)가 변경되지 않는다.

다음의 하위 단계(118) 동안, 컴퓨터는 맵 상에 파티클들(P_i)을 재샘플링할 필요가 있는지 여부를 결정한다.

이를 위해, 컴퓨터는 파티클들(P_i)의 가중치(w_i) 및 파티클들(P_i)의 개수에 따라 계산되는 지표(indicator)(N_eff)를 사용한다.

상기 지표(N_eff)가 (컴퓨터의 판독 전용 메모리에 저장된) 사전에 결정된 임계값을 하회하는 경우, 컴퓨터는 맵 상에 파티클들(P_i)을 리샘플링한다. 상기 지표(N_eff)가 (컴퓨터의 판독 전용 메모리에 저장된) 사전에 결정된 임계값을 하회하지 않는 경우, 파티클들(P_i)은 파티클들(P_i)의 상태로 유지된다.

공지된 바와 같이, 리샘플링은 파티클들(이하 원래 파티클들이라고 함)을 파티클들의 세트로 고려하고 이러한 원래 세트로부터 새로운 파티클들을 인출하는 것으로 이루어진다.

파티클들을 재샘플링하기 위해, 컴퓨터는 원래 세트의 파티클들(P_i)로부터 사전에 정의된 개수의 새로운 파티클들을 컴퓨터가 무작위로 인출하게 하는 종래의 방법을 사용할 수 있으며, 각각의 파티클(P_i)을 인출할 확률은 상기 파티클(P_i)의 가중치(w_i)에 비례한다. 그러나 상기 방법은 일반적으로 파티클들의 고갈을 유발하는데, 그 이유는 큰 가중치를 지니는 파티클들이 항상 인출되기 때문이다.

여기서, 컴퓨터는 바람직하게는 "저분산(low-variance)"을 지니는 것으로 표현되는 리샘플링 방법("저분산 리샘플링(low-variance resampling)" 이라 함)을 상당히 사용한다. 실제로, 상기 방법은 맵 상의 파티클들의 양호한 분포 유지를 촉진한다. 상기 방법은 원래 세트의 파티클들(P_i)로부터 재정의된 개수의 새로운 파티클들을 랜덤하게 인출하는 것으로 이루어지며, 각각의 파티클(P_i)을 인출하는 확률은 상기 파티클(P_i)의 가중치(w_i)의 함수이지만, 이번에는 상기 가중치에 비례하지 않는다.

이 시점에서, 컴퓨터는 모두 하나의 동일한 지점 주위에 위치한 파티클들을 획득할 때까지 하위 단계들(114 내지 118)의 루프를 단순히 재개시할 수 있으며, 상기 하나의 동일한 지점은 맵 상의 자동차(10)의 정확한 위치(P_p)에 상응하는 것으로 간주되게 된다.

그러나 이는 여기에서 선택되는 옵션이 아니다. 따라서, 앞서 설명된 바와 같이, 일단 하위 단계(118)가 완료되면, 가설 선택 동작(200)이 제공된다.

상기 가설 선택 동작(200)은 일단 파티클 필터링 동작(100)이 한정된 개수의 해결수법들을 수렴하여 제공하면 구현된다(파티클들은 예를 들어 사전에 결정된 임계 값보다 적은 개수의 지점들 주위에 그룹화된다).

상기 가설 선택 동작(200)은 재귀적으로, 다시 말하면 루프 방식으로 그리고 규칙적인 시간 스텝으로 구현된다. 상기 가설 선택 동작(200)은 여러 하위 단계로 이루어진다.

제1 단계(201) 동안, 컴퓨터는 "가설들(hypotheses)"을 선택한다.

이를 위해, 컴퓨터는 여러 세트 내 파티클들(P_i)을 고려하며, 여러 세트들 각각 내에는 파티클들이 모두 하나의 동일한 차선(또는 하나의 변형 예로서, 하나의 동일한 도로 구간)에 연관된다.

가설들에 따른 작동의 이점은 가장 가능성이 높은 가설들 모두를 선택하는 것이 가능하게 되며, 그럼으로써 한편으로는 선택된 가설들로부터 양호한 가설을 유지할 수 있고 또 한편으로는 각각 선택된 시나리오의 유효성을 확인할 수 있다.

가설들은 "차량이 기준이…인 차선에 위치하는 것" 같은 어서션(assertion)들의 형태로 정형화될 수 있다.

가설이 본 설명의 의미 내에서 상응하는 것을 잘 이해하기 위해, 도 3에서는 파티클들이 모두 각각의 세트가 가설에 상응하는 8개의 세트(Z₁, Z₂, Z₃, Z₄, Z₅, Z₆, Z₇, Z₈)로 그룹화되었다.

일 예로, 상기 세트(Z₁)의 파티클들은 "차량이 도로(R₁)의 우측 차선에 위치한다"라는 가설에 상응한다.

상기 세트(Z₂)의 파티클들은 "차량이 도로(R₁)의 좌측 차선에 위치한다"라는 가설에 상응한다.

상기 세트(Z₃)의 파티클들은 "차량이 도로(R₂)의 좌측 차선에 위치한다"라는 가설에 상응한다.

상기 세트(Z₄)의 파티클들은 "차량이 도로들(R1, R₂)과의 차량 분기점들 간 로터리 상에 위치한다"라는 가설에 상응한다.

다수("J")(도 3에서는 J = 8) 개의 가설들이 발견됨을 고려하면, 각각의 가설은 성분들이 상기 가설의 파티클들(P_i)의 가중치(w_i)에 의해 가중되는, 상기 가설의 파티클들(P_i)의 좌표들의 합에 상응하는 평균 좌표들의 벡터(

)의 형태로 표현 될 수도 있다.

컴퓨터는 각각의 가설에 "신뢰도 지수(confidence index)"를 할당할 수 있으며, 이러한 신뢰도 지수는 상기 가설의 파티클들(P_i)의 가중치들(w_i)의 합과 동일하다.

제2 단계(202) 동안, 컴퓨터는 각각의 가설의 공분산 행렬(

) 및 자동차(10)의 측위 위치(P₀)의 공분산 행렬(

)을 결정하게 된다.

이러한 공분산 행렬들을 조작하면 실제로 각각의 가설에 연계되고 측위 시스템에 의해 공급된 측위 위치(P₀)에 연계되는 불확도를 특징화할 수 있다.

위에서 설명한 바와 같이, 자동차(10)의 측위 위치(P₀)에 연계되는 공분산 행렬(

)은 여기서 측위 시스템에 의해 컴퓨터로 직접 전송된다. 이는 여기서 2x2 행렬이다.

각각의 가설에 링크되는 공분산 행렬(

)에 대하여, 이는 상기 가설에 연관된 파티클들(P_i)의 세트의 가중치들(w_i)에 대해 계산된다. 이는 또한 2x2 행렬이며, 이의 표기는 이하 수학식 2

와 같으며, 상기 수학식 2에서,

이고,

이다.

이때, 측위 시스템에 의해 공급된 측위 위치(P₀)가 주어지고 이러한 측위 위치의 측정에 연계된 오류를 고려하여 각각의 가설이 "일관성이 있는" 정도를 결정하는 것이 필요하다.

이를 위해, 단계(203)에서, 마할라노비스 거리(Mahalanobis distance)(D_Mj)라 불리는 수학적 객체가 사용되며, 그의 표기는 이하의 수학식 3

와 같고, 상기 수학식 3에서 X_GNSS는 "측위 위치(P₀)"에 상응한다.

마할라노비스 거리는 실제로 변수들의 공분산들(다시 말하면, 각각의 변수에 연계된 다우트(doubt))을 고려함으로써, 2개의 불확도 상황 간 일관성을 평가하는 것을 가능하게 하는 객체이다.

그 후, 단계(204) 동안, 단계(201)에서 획득된 가설들 중에서 제1의 한정된(심지어는 비어있는) 가설 세트를 선택하는 것이 준비된다.

이를 위해, 각각의 마할라노비스 거리(D_Mj)에 대해 카이-스퀘어(Chi-square)(X²) 테스트가 수행된다.

실제로, 각각의 마할라노비스 거리(D_Mj)는 고려되는 가설이 측위 위치(P₀)와 일관성이 있는지 여부를 결정하기 위해 여기에서 주어진 오검출의 위험에 대해 결정되는 중요한 임계 값과 비교된다.

고려되는 가설과 측위 위치(P₀)가 카이-스케어 테스트의 의미 내에서 일관성이 있는 경우 상기 가설이 유지된다.

이와는 달리, 고려되는 가설과 측위 위치(P₀)가 카이-스케어 테스트의 의미 내에서 일관성이 없는 경우 상기 가설이 거부된다.

여기에서 유념할 점은 가설이 유지되는 경우에, 이것이 상기 상기 가설이 참(true)임을 반드시 의미하지 않는다는 것이다. 실제로, 이 시점에서 몇 가지 가설들이 유지될 수 있다.

반면에, 가설이 거부되는 경우, 이것이 상기 가설이 거짓(false)임을 반드시 의미하지 않는다. 실제로, 이는 큰 오차가 측위 위치(P₀)의 측정에 영향을 미치는 것일 수 있다. 이 경우에, 참인 가설이 거부될 수 있다. 본 설명의 이하 부분에서 명백하게 드러나겠지만, 이는 여기에서 제안된 방법의 신뢰도에 조금도 영향을 미치지 않게 된다.

후속 단계(205)에서, 단계(204)에서 선택된 가설들 중에서 제2의 한정된(심지어는 비어있는) 가설 세트를 선택하는 것이 준비된다.

여기에서 유념할 점은 상기 제2 선택이 상기 방법의 진행에 조금도 영향을 미치지 않으면서 제1 선택 전에 적용되어질 수 있다는 것이다.

상기 제2 선택은 상기 가설을 형성하는 파티클들(P_i)의 가중치들(w_i)에 연계된 지표가 결정된 임계 값보다 큰 "가능한" 가설들만을 유지하는 것으로 이루어진다. 상기 목적은 실제로 카이-스케어 일관성 테스트를 충족하지만 그럴 가능성이 없는 가설들을 제거하는 것이다.

이를 위해, 컴퓨터는 신뢰도 지수(상기된 것은 고려되는 가설의 파티클들(P_i)의 가중치들(w_i)의 합과 동일함)가 결정된 임계 값보다 낮은 가설들을 제거한다. 상기 임계 값은 여기서 변하지 않으며 컴퓨터의 판독 전용 메모리에 기억된다.

이들 2가지 가설 선택 단계의 종료시, 컴퓨터는 일관성이 있을 뿐만 아니라 가능성이 높은 다수(N) 개의 가설을 유지하게 된다.

단계(206)에서, 상기 개수(N)에 따라, 각각의 선택된 가설의 사용 가능한 또는 사용 불가능한 특성을 결정하는 것이 이때 제공된다.

3 가지 경우가 이때 예상될 수 있다.

첫 번째 경우는 상기 개수(N)가 1일 경우이다. 이 경우에, 하나의 가설이 유지되어 있기 때문에, 상기 가설은 적정하고 자율 주행 차량 운전 설정값을 생성하는데 사용될 수 있는 것으로 간주된다. 그 후에, 컴퓨터는 이를 신뢰할 수 있다. 이 경우에, 컴퓨터는 상기 가설의 파티클들의 평균 위치가 자동차(10)의 정확한 위치(P_p)에 상응하는 것으로 간주할 수 있다.

두 번째 경우는 상기 개수(N)가 절대적으로 1보다 클 경우이다. 이 경우에, 여러 가설이 유지되어 있기 때문에, 어떠한 것도 자율 주행 차량 운전 설정값을 생성하는 데 사용될 수 있는 것으로 간주되지 않는다.

마지막 경우는 상기 개수(N)가 0일 경우이다. 이 경우에, 이전의 경우에서와 같이, 어떠한 가설도 유지되어 있지 않기 때문에, 자율 주행 차량 운전 설정값을 생성하는데 어떠한 위치도 사용할 수 있는 것으로 간주되지 않는다. 더욱이, 컴퓨터는 이러한 상황으로부터 측위 시스템에 의해 수행된 측정치들과 획득된 가설들 간 불일치가 존재한다는 것을 유리하게 추론할 수 있으며, 이는 아마도 측위 시스템에 영향을 미치는 문제 때문이다. 이러한 만일의 경우에, 자율 모드에서 운전자에게 그리고/또는 차량의 제어 유닛에 경보를 전송하는 단계(207)가 제공되고, 그럼으로써 운전자 그리고/또는 차량의 제어 유닛이 필요한 조치(비상 정지, 저하 모드에서의 운전 등)를 취할 수 있게 된다.

Claims

복수의 가설들 중에서 차량(10)의 예상 위치들이 한정되거나 비어 있는 가설 세트를 선택하는 방법에 있어서,
상기 가설 세트의 선택 방법은,
- 측위 시스템을 통해 상기 차량(10)의 측위 위치(P_o)를 획득하는 단계;
- 상기 차량(10)의 예상 위치들에 대한 복수의 가설들을 획득하는 단계;
- 상기 차량(10)의 측위 위치(P_o)의 공분산(covariance)과 획득된 각각의 가설의 공분산을 결정하는 단계;
- 획득된 각각의 가설에 대해, 상기 차량(10)의 측위 위치(P_o)의 공분산과 상기 가설의 공분산에 기초한 마할라노비스 거리(Mahalanobis distance)(D_Mj)를 계산하는 단계; 및
- 계산된 각각의 마할라노비스 거리(D_Mj)에 기초하여, 상기 획득된 가설들 중에서 한정되거나 비어 있는 가설 세트를 선택하는 단계;
를 포함하는 것을 특징으로 하는, 가설 세트의 선택 방법.
제1항에 있어서,
상기 선택의 종료시, 선택된 가설들의 개수에 기초하여, 선택된 각각의 가설의 사용 가능하거나 또는 사용 불가능한 특성의 결정이 제공되는, 가설 세트의 선택 방법.
제1항 또는 제2항에 있어서,
상기 선택 단계에서, 각각의 마할라노비스 거리(D_Mj)에 대해 카이-스퀘어(chi-square) 테스트가 수행되는, 가설 세트의 선택 방법.
제1항 내지 제3항 중 한 항에 있어서,
각각의 가설을 획득하는 단계에 앞서,
- 맵 상에서 상기 차량(10)의 측위 위치(P_o)에 상기 차량(10)을 사전에 배치하는 것;
- 상기 맵 상에서 상기 측위 위치(P_o)의 주변에 파티클(particle)들을 분포시키는 것 - 각각의 파티클은 상기 차량(10)의 예상 위치에 상응함 -;
- 각각의 파티클(P_i)에 특히 가중치(w_i)를 할당함으로써 파티클들(P_i)에 파티클 필터를 적용하는 것; 및
- 상기 파티클 필터로부터 획득된 파티클들(P_i)을 한정된 개수의 가설들에 결합하는 것 - 각각의 가설은 상기 맵에 기억된 차선에 연계됨 -;
이 제공되는, 가설 세트의 선택 방법.
제1항 내지 제4항 중 한 항에 있어서,
상기 선택 단계에서, 상기 가설을 구성하는 파티클들(P_i)의 가중치들(w_i)에 따라 계산된 지표(indicator)가 결정된 임계 값보다 큰 가설들만을 선택하는 것이 제공되는, 가설 세트의 선택 방법.
제1항 내지 제5항 중 한 항에 있어서,
상기 결정 단계에서, 상기 차량(10)의 측위 위치(P_o)에 대한 공분산 행렬과 획득된 각각의 가설에 대한 공분산 행렬이 계산되는, 가설 세트의 선택 방법.
제1항 내지 제6항 중 한 항에 있어서,
선택된 가설 세트가 비어 있는 경우에 그리고/또는 여러 가설이 남아 있는 경우에 경보 전송 단계가 제공되는, 가설 세트의 선택 방법.
차량(10)으로서,
- 맵을 기억하는 수단;
- 측위 시스템; 및
- 상기 맵 상에 상기 차량(10)을 사전에 배치하도록 구성된 컴퓨터;
를 포함하는, 차량(10)에 있어서,
상기 컴퓨터는 청구항 제1항 내지 제7항 중 한 항에 따른 선택 방법을 구현하도록 구성되는, 차량.