KR20210018485A - 자율 주행 차량에 대한 필드 이론 기반 인지 - Google Patents

자율 주행 차량에 대한 필드 이론 기반 인지 Download PDF

Info

Publication number
KR20210018485A
KR20210018485A KR1020217000678A KR20217000678A KR20210018485A KR 20210018485 A KR20210018485 A KR 20210018485A KR 1020217000678 A KR1020217000678 A KR 1020217000678A KR 20217000678 A KR20217000678 A KR 20217000678A KR 20210018485 A KR20210018485 A KR 20210018485A
Authority
KR
South Korea
Prior art keywords
particle
sensor
cell
vehicle
density function
Prior art date
Application number
KR1020217000678A
Other languages
English (en)
Other versions
KR102419526B1 (ko
Inventor
드미트로 에스. 여쇼프
순-시엔 창
Original Assignee
모셔널 에이디 엘엘씨
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 모셔널 에이디 엘엘씨 filed Critical 모셔널 에이디 엘엘씨
Priority claimed from PCT/US2020/012659 external-priority patent/WO2020146447A1/en
Publication of KR20210018485A publication Critical patent/KR20210018485A/ko
Application granted granted Critical
Publication of KR102419526B1 publication Critical patent/KR102419526B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—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
    • B60W40/04—Traffic 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • G01C21/387—Organisation of map data, e.g. version management or database structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06K9/00791—
    • G06K9/6226—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0022—Gains, weighting coefficients or weighting functions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 문서에서 설명된 기술은, 환경에서 동작하는 차량의 하나 이상의 프로세싱 디바이스를 사용하여, 복수의 셀들을 포함하는, 환경의 이산화된 표현을 생성하는 단계를 포함하는 방법으로 구체화될 수 있다. 셀은 환경에서의 대상체 또는 자유 공간 중 적어도 하나를 나타내는 입자에 의해 점유된다. 적어도 하나의 입자의 상태를 나타내는 센서 데이터가 수신되고, 동적 점유 격자에서의 입자의 위치와 연관된 시변 입자 밀도 함수에 대한 업데이트가 센서 데이터 및 하나 이상의 모델로부터 계산된다. 본 방법은 업데이트된 입자 밀도 함수에 기초하여 이산화된 표현에서의 적어도 하나의 셀의 점유의 예측을 생성하는 단계, 및, 차량의 제어기 회로를 사용하여, 예측에 적어도 부분적으로 기초하여 차량을 동작시키는 단계를 추가로 포함한다.

Description

자율 주행 차량에 대한 필드 이론 기반 인지
관련 출원의 상호 참조
본 출원은 2019년 1월 8일자로 출원된 미국 가출원 제62/789,808호, 2019년 4월 24일자로 출원된 미국 가출원 제62/837,902호, 및 2019년 5월 10일자로 출원된 덴마크 출원 PA-2019-70302의 이익을 주장한다.
발명의 분야
이 설명은 자가 운전 자동차, 항공기, 보트, 및 다른 차량과 같은 자율 주행 차량(autonomous vehicle)에 관한 것이다.
자율 주행 차량은 자율 주행 차량을 둘러싼 환경에서 대상체의 위치를 결정하기 위해 하나 이상의 센서로부터의 입력을 통합하는 특수 프로세싱 회로(때로는 인지 회로라고 지칭됨)를 포함한다. 환경에 관해 결정된 정보는 차량을 운행시키는 데 사용될 수 있다.
일 양태에서, 본 문서는, 환경에서 동작하는 차량의 하나 이상의 프로세싱 디바이스를 사용하여, 환경의 이산화된 표현을 생성하는 단계 - 이산화된 표현은 복수의 셀을 포함함 - 를 포함하는 방법을 특징으로 한다. 복수의 셀의 각각의 셀은 환경에서의 대상체 또는 자유 공간 중 적어도 하나를 나타내는 입자(particle)에 의해 점유된다. 본 방법은, 차량의 하나 이상의 센서로부터, 환경에서의 다수의 입자 중 적어도 하나의 입자의 상태를 나타내는 센서 데이터를 수신하는 단계, 및, 하나 이상의 프로세싱 디바이스를 사용하여, 센서 데이터 및 하나 이상의 센서와 연관된 하나 이상의 모델로부터 동적 점유 격자에서의 적어도 하나의 입자의 위치와 연관된 시변 입자 밀도 함수에 대한 업데이트를 결정하는 단계를 또한 포함한다. 본 방법은, 하나 이상의 프로세싱 디바이스를 사용하여, 업데이트된 입자 밀도 함수에 기초하여 이산화된 표현에서의 적어도 하나의 셀의 점유의 예측을 생성하는 단계, 및, 차량의 제어기 회로를 사용하여, 예측에 적어도 부분적으로 기초하여 차량을 동작시키는 단계를 추가로 포함한다.
다른 양태에서, 본 문서는, 하나 이상의 컴퓨팅 디바이스에 의해 실행될 때, 상기 방법을 수행하게 하는 명령을 저장하는 하나 이상의 비-일시적 저장 매체를 특징으로 한다.
다른 양태에서, 본 문서는, 하나 이상의 센서에 탑재된 프로세싱 회로를 사용하여, 환경의 이산화된 표현의 셀의 내용물을 나타내는 상호작용 소프트웨어 컴포넌트 세트(set of interacting software components)를 인스턴스화하는 단계를 포함하는 방법을 특징으로 한다. 본 방법은, 하나 이상의 센서로부터, 상호작용 소프트웨어 컴포넌트 세트의 상호작용 소프트웨어 컴포넌트와 연관된 센서 관측치 벡터를 수신하는 단계를 또한 포함한다. 센서 관측치 벡터는 주어진 위치에서의 상호작용 소프트웨어 컴포넌트와 연관된 하나 이상의 파라미터를 포함한다. 본 방법은, 프로세싱 회로를 사용하여, 센서와 연관된 하나 이상의 센서 관측치에 기초한 센서 관측치 벡터로부터 주어진 위치에 대응하는 이산화된 표현의 셀들 중의 셀과 연관된 시변 입자 밀도 함수에 대한 업데이트를 결정하는 단계, 프로세싱 회로를 사용하여, 업데이트된 입자 밀도 함수에 기초하여 셀의 점유의 예측을 생성하는 단계, 및, 프로세싱 회로를 사용하여, 예측에 기초하여 차량의 동작을 보강하는 단계를 추가로 포함한다.
다른 양태에서, 본 문서는 하나 이상의 컴퓨터 프로세서; 및 명령을 저장하기 위한 하나 이상의 비-일시적 저장 매체를 포함하는 차량을 특징으로 한다. 명령은, 하나 이상의 프로세서에 의해 실행될 때, 다양한 동작들을 수행하게 한다. 동작들은 환경의 이산화된 표현을 생성하는 동작 - 이산화된 표현은 복수의 셀을 포함함 - 을 포함한다. 복수의 셀의 각각의 셀은 환경에서의 대상체 또는 자유 공간 중 적어도 하나를 나타내는 다수의 입자에 의해 점유된다. 이 동작들은 차량의 하나 이상의 센서로부터, 환경에서의 다수의 입자 중 적어도 하나의 입자의 상태를 나타내는 센서 데이터를 수신하는 동작, 및 센서 데이터 및 하나 이상의 센서와 연관된 하나 이상의 모델로부터 동적 점유 격자에서의 적어도 하나의 입자의 위치와 연관된 시변 입자 밀도 함수에 대한 업데이트를 결정하는 동작을 또한 포함한다. 이 동작들은 업데이트된 입자 밀도 함수에 기초하여 이산화된 표현에서의 적어도 하나의 셀의 점유의 예측을 생성하는 동작, 및 예측에 적어도 부분적으로 기초하여 차량을 동작시키는 동작을 추가로 포함한다.
다른 양태에서, 본 문서는, 하나 이상의 센서에 탑재된 프로세싱 회로를 사용하여, 환경의 이산화된 표현의 셀의 내용물을 나타내는 상호작용 소프트웨어 컴포넌트 세트를 인스턴스화하는 단계, 및, 하나 이상의 센서로부터, 상호작용 소프트웨어 컴포넌트 세트의 상호작용 소프트웨어 컴포넌트와 연관된 센서 관측치 벡터를 수신하는 단계를 포함하는 방법을 특징으로 한다. 센서 관측치 벡터는 주어진 위치에서의 상호작용 소프트웨어 컴포넌트와 연관된 하나 이상의 파라미터를 포함한다. 본 방법은, 프로세싱 회로를 사용하여 센서 관측치 벡터로부터, 주어진 위치에 대응하는 이산화된 표현의 셀들 중의 셀과 연관된 시변 입자 밀도 함수에 대한 업데이트를 결정하는 단계를 추가로 포함한다. 본 방법은, 프로세싱 회로를 사용하여, 업데이트된 입자 밀도 함수에 기초하여 셀의 점유의 예측을 생성하는 단계, 및, 프로세싱 회로를 사용하여, 예측에 기초하여 차량의 동작을 보강하는 단계를 또한 포함한다.
다른 양태에서, 본 문서는, 하나 이상의 컴퓨팅 디바이스에 의해 실행될 때, 상기 방법을 수행하게 하는 명령을 저장하는 하나 이상의 비-일시적 저장 매체를 특징으로 한다.
다른 양태에서, 본 문서는 하나 이상의 컴퓨터 프로세서; 및 명령을 저장하기 위한 하나 이상의 비-일시적 저장 매체를 포함하는 차량을 특징으로 한다. 명령은, 하나 이상의 프로세서에 의해 실행될 때, 다양한 동작들을 수행하게 한다. 이 동작들은 환경의 이산화된 표현의 셀의 내용물을 나타내는 상호작용 소프트웨어 컴포넌트 세트를 인스턴스화하는 동작, 및, 하나 이상의 센서로부터, 상호작용 소프트웨어 컴포넌트 세트의 상호작용 소프트웨어 컴포넌트와 연관된 센서 관측치 벡터를 수신하는 동작을 포함한다. 센서 관측치 벡터는 주어진 위치에서의 상호작용 소프트웨어 컴포넌트와 연관된 하나 이상의 파라미터를 포함한다. 이 동작들은 센서 관측치 벡터로부터 주어진 위치에 대응하는 이산화된 표현의 셀들 중의 셀과 연관된 시변 입자 밀도 함수에 대한 업데이트를 결정하는 동작을 또한 포함한다. 이 동작들은 업데이트된 입자 밀도 함수에 기초하여 셀의 점유의 예측을 생성하는 동작, 및 예측에 기초하여 차량의 동작을 보강하는 동작을 추가로 포함한다.
상기 양태의 구현은 이하의 특징들 중 하나 이상을 포함할 수 있다.
이산화된 표현은 직교 좌표계(Cartesian coordinate system) 또는 극 좌표계(polar coordinate system)를 사용하여 정의된 격자를 포함할 수 있다. 복수의 셀의 각각의 셀에 대해, 점유의 초기 값이 먼저 할당될 수 있고, 이어서 입자 밀도 함수의 진화(evolution)에 따라 업데이트될 수 있다. 레이블이 또한 다수의 입자에 할당될 수 있으며, 각각의 레이블은 대응하는 입자가 대상체를 나타내는지 또는 자유 공간을 나타내는지를 표시한다. 레이블은 센서 데이터에 따라 업데이트될 수 있다. 시변 입자 밀도 함수에 대한 업데이트를 결정하는 동작은, 오일러(Eulerian) 솔버 또는 라그랑지(Lagrangian) 솔버를 사용하여, 적어도 하나의 입자의 상태와 연관된 하나 이상의 파라미터에 대해 정의된 하나 이상의 미분 방정식의 해를 결정하는 동작을 포함할 수 있다. 적어도 하나의 입자의 상태는 적어도 하나의 입자와 연관된 적어도 하나의 속도를 포함할 수 있다. 적어도 하나의 입자의 상태는 (i) 대응하는 방향을 따른 다수의 속도 및 (ii) 다수의 속도와 연관된 공분산을 포함할 수 있다. 적어도 하나의 입자의 상태는 적어도 하나의 입자에 작용하는 힘을 포함할 수 있다. 하나 이상의 모델 각각은 이산화된 표현의 다양한 셀의 점유 확률에 대한 정보를 제공하도록 트레이닝된 센서 모델을 나타내며, 확률은 대응하는 센서 데이터를 조건으로 한다. 적어도 하나의 셀의 점유의 예측을 생성하는 동작은 적어도 하나의 셀의 점유 확률을 (i) 센서 데이터에 기초하여 생성된 조건부 확률과 하나 이상의 센서 모델에 기초하여 생성된 조건부 확률의 비와 (ii) 적어도 하나의 셀에 대한 업데이트된 시변 입자 밀도 함수의 곱으로서 결정하는 동작을 포함할 수 있다. 조건부 확률의 비는 (i) 적어도 하나의 셀이 점유된 것을 조건으로 센서 데이터를 수신할 제1 확률과 (ii) 적어도 하나의 셀이 점유되지 않은 것을 조건으로 센서 데이터를 수신할 제2 확률의 비일 수 있으며, 여기서 제1 확률과 제2 확률은 하나 이상의 센서 모델을 사용하여 결정된다. 특정 센서에 대응하는 센서 데이터가 특정 센서와 연관된 대응하는 모델을 사용하여 결정되는 예상된 값의 임계 범위를 벗어난 것으로 결정되는 경우, 이에 응답하여 특정 센서에 대한 고장 조건(fault condition)이 식별될 수 있다. 센서 데이터가 적어도 하나의 입자의 상태를 나타내는 적어도 하나의 파라미터를 누락하고 있는 것으로 결정되는 경우, 적어도 하나의 파라미터의 이전 값이 시변 입자 밀도 함수에 대한 업데이트를 결정하는 데 사용될 수 있다. 하나 이상의 프로세싱 디바이스의 적어도 일 부분은 차량의 인지 회로에 배치될 수 있다.
일부 구현예에서, 본원에서 설명된 기술은 이하의 장점들 중 하나 이상을 제공할 수 있다.
환경에서의 대상체 및 자유 공간을 입자의 집합체로서 표현하고(예를 들면, 유체 역학에서 필드 이론을 적용하는 것과 유사함) 오일러(Eulerian) 접근법을 사용하여 시변 입자 밀도 함수를 추적하는 것에 의해, 본원에서 설명된 기술은 개선된 다이내믹 레인지, 및, 예를 들어, 개별 격자 셀을 추적하는 것과 비교하여, 더 다루기 쉬운 계산 복잡도로 잠재적으로 더 높은 분해능을 가능하게 한다. 예를 들어, 본원에서 설명된 기술을 사용하지 않고 28 비트 정확도를 달성하기 위해서는, 격자당 228개의 입자를 추적하는 것이 필요할 수 있으며, 이는 엄청난 계산 부담을 초래한다. 대조적으로, 본원에서 설명된 기술을 사용하여 동등한 이산화된 공간에서 28 비트 정확도로 시변 입자 밀도 함수를 추적하는 것은, 적어도 이산화된 공간의 주어진 격자 셀 내의 개별 입자를 고려할 필요가 없기 때문에, 상당히 더 낮은 계산 부담으로 행해질 수 있다. 추가적으로, 제안된 접근법은 임의의 특정 격자에 독립적이며, 따라서 상이한 격자에 대해 실질적으로 수정될 필요가 없다. 또한, 자유 공간에 대해 입자가 정의되고 추적될 수 있기 때문에, 제안된 기술은 자유 공간을 추적하는 것을 가능하게 하고, 이는 차례로 자율 주행 차량의 운행 능력을 잠재적으로 개선시킬 수 있다. 입자 역학을 모델링하는 데 적절한 파라미터(속도, 힘 등)를 선택하는 것에 의해, 폐색되거나 부분적으로 보이는 대상체가 대응하는 입자 밀도 함수를 추적하는 것에 의해 정확하게 추적될 수 있다.
이들 및 다른 양태, 특징, 및 구현예는 기능을 수행하기 위한 방법, 장치, 시스템, 컴포넌트, 프로그램 제품, 수단 또는 단계로서, 및 다른 방식으로 표현될 수 있다.
이들 및 다른 양태, 특징, 및 구현은 청구항을 포함하여, 이하의 설명으로부터 명백해질 것이다.
도 1은 자율 주행 능력(autonomous capability)을 갖는 자율 주행 차량의 일 예를 도시한다.
도 2는 예시적인 "클라우드" 컴퓨팅 환경을 예시한다.
도 3은 컴퓨터 시스템을 예시한다.
도 4는 자율 주행 차량에 대한 예시적인 아키텍처를 도시한다.
도 5는 인지 모듈에 의해 사용될 수 있는 입력 및 출력의 일 예를 도시한다.
도 6a는 라이더(LiDAR) 시스템의 일 예를 도시한다.
도 6b는 동작 중인 라이더 시스템을 도시한다.
도 6c는 라이더 시스템의 동작을 추가적으로 상세하게 도시한다.
도 7은 계획 모듈의 입력과 출력 사이의 관계의 블록 다이어그램을 도시한다.
도 8은 경로 계획에서 사용되는 방향 그래프(directed graph)를 도시한다.
도 9는 제어 모듈의 입력 및 출력의 블록 다이어그램을 도시한다.
도 10은 제어기의 입력, 출력, 및 컴포넌트의 블록 다이어그램을 도시한다.
도 11은 입자가 특정 셀에서의 대상체 또는 자유 공간을 나타내는, 자율 주행 차량의 환경의 이산화된 표현을 예시한다.
도 12는 본원에서 설명된 기술을 구현하는 데 사용될 수 있는 인지 모듈의 일 예이다.
도 13a 내지 도 13c는 본원에서 설명된 기술에 따라 인지 모듈의 출력에 기초하여 생성된 사용자 인터페이스의 예를 도시한다.
도 14는 자율 주행 차량의 환경에서의 위치의 점유의 예측을 생성하기 위한 예시적인 프로세스의 플로차트이다.
도 15는 자율 주행 차량의 환경에서의 위치의 점유의 예측을 생성하기 위한 다른 예시적인 프로세스의 플로차트이다.
설명을 위한 이하의 기술에서는, 본 발명에 대한 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항이 제시된다. 그렇지만, 본 발명이 이러한 특정 세부 사항 없이 실시될 수 있음이 명백할 것이다. 다른 경우에, 공지된 구조 및 디바이스는 본 발명을 불필요하게 모호하게 하는 것을 피하기 위하여 블록 다이어그램 형태로 도시된다.
도면에서, 설명을 용이하게 하기 위해, 디바이스, 모듈, 명령 블록 및 데이터 요소를 나타내는 것과 같은 개략적 요소의 특정 배열 또는 순서가 도시된다. 그렇지만, 본 기술 분야의 통상의 기술자라면, 도면에서의 개략적 요소의 특정 순서 또는 배열이 프로세싱의 특정한 순서 또는 시퀀스, 또는 프로세스의 분리가 요구됨을 암시한다는 것을 의미하지는 않는다는 점을 이해할 것이다. 게다가, 도면에 개략적 요소를 포함시키는 것은, 그러한 요소가 모든 실시예에서 요구됨을 암시한다는 것을 의미하지 않거나, 또는 그러한 요소에 의해 표현된 특징이 일부 실시예에서 포함되지 않을 수 있거나 다른 요소와 조합되지 않을 수 있음을 암시한다는 것을 의미하지 않는다.
또한, 도면에서, 2개 이상의 다른 개략적 요소 사이의 연결, 관계 또는 연관을 보여주기 위해 실선 또는 파선 또는 화살표와 같은 연결 요소가 사용되는 경우에, 임의의 그러한 연결 요소의 부재가 연결, 관계 또는 연관이 존재할 수 없다는 것을 암시하는 것을 의미하지 않는다. 환언하면, 요소들 사이의 일부 연결, 관계 또는 연관은 본 개시를 모호하게 하지 않기 위해 도면에 도시되지 않는다. 추가적으로, 예시를 용이하게 하기 위해, 요소들 사이의 다수의 연결, 관계 또는 연관을 나타내기 위해 단일의 연결 요소가 사용된다. 예를 들어, 연결 요소가 신호, 데이터 또는 명령의 통신을 나타내는 경우에, 본 기술 분야의 통상의 기술자라면, 그러한 요소가, 통신을 수행하기 위해 필요할 수 있는, 하나 또는 다수의 신호 경로(예를 들면, 버스)를 나타낸다는 것을 이해할 것이다.
그 예가 첨부된 도면에 예시된 실시예가 이제 상세하게 언급될 것이다. 이하의 상세한 설명에서, 다양한 기술된 실시예에 대한 완전한 이해를 제공하기 위해 많은 특정 세부 사항이 기재된다. 그렇지만, 다양한 기술된 실시예가 이러한 특정 세부 사항 없이 실시될 수 있다는 것이 본 기술 분야의 통상의 기술자에게 명백할 것이다. 다른 경우에, 실시예의 양태를 불필요하게 모호하게 하지 않기 위해 공지된 방법, 절차, 컴포넌트, 회로, 및 네트워크는 상세히 기술되지 않았다.
서로 독립적으로 또는 다른 특징들의 임의의 조합과 함께 각각 사용될 수 있는 여러 특징이 이하에 기술된다. 그렇지만, 임의의 개별 특징은 위에서 논의된 문제들 중 임의의 것을 해결할 수 없거나 또는 위에서 논의된 문제들 중 단지 하나만을 해결할 수 있다. 위에서 논의된 문제들 중 일부가 본원에 기술된 특징들 중 임의의 것에 의해 완전히 해결되지는 않을 수 있다. 비록 여러 표제가 제공되어 있더라도, 특정 표제에 관련되지만 해당 표제를 갖는 섹션에서 발견되지는 않는 정보가 본 설명의 다른 곳에서 발견될 수도 있다. 실시예는 이하의 개요에 따라 본원에 기술된다:
1. 일반적 개관
2. 하드웨어 개관
3. 자율 주행 차량 아키텍처
4. 자율 주행 차량 입력
5. 경로 계획
6. 자율 주행 차량 제어
7. 필드 이론 기반 인지
일반적 개관
본 문서는 자율 주행 차량의 환경에서 대상체 및 자유 공간에 대한 인지를 개선시키는 기술을 제시한다. 특히, 이 기술은, 필드 이론 기반 유체 역학에서 유체가 모델링되는 방식과 유사하게, 대상체 및 자유 공간을 입자의 집합체로서 모델링하는 것을 가능하게 한다. 대상체 및 자유 공간의 표현으로서 인스턴스화된 입자는 환경의 이산화된 표현에 걸쳐 시변 입자 밀도 함수를 업데이트하는 것에 의해 추적될 수 있으며, 그러한 업데이트된 입자 밀도 함수가 이산화된 표현의 다양한 셀의 점유 확률을 계산(예를 들면, 예측)하는 데 사용될 수 있다.
일 실시예에서, 입자 밀도 함수에 대한 업데이트는 실시간 센서 관측치는 물론 센서에 대응하는 미리 계산된 모델을 사용하여 자율 주행 차량의 인지 모듈에 의해 계산될 수 있다. 일부 구현예에서, 센서 모델은 순방향 센서 모델일 수 있다. 미리 계산된 모델은, 예를 들어, 상이한 방향을 따른 입자의 속도, 속도 공분산, 및 어쩌면 입자에 가해지는 임의의 힘을 포함하여, 대응하는 입자 역학의 다수의 파라미터를 고려한다. 오일러 솔버 또는 라그랑지 솔버는 사용되는 다수의 파라미터에 대한 미분 방정식의 해를 계산하는 데 사용되며, 이는 차례로 인지 모듈이 격자 셀의 점유를 추적하는 다른 프로세스와 비교하여 더 높은 다이내믹 레인지 및 더 높은 분해능으로 이미지를 생성할 수 있게 한다. 게다가, (개별 입자보다는) 입자 밀도 함수의 통계가 추적되기 때문에, 이 기술은 계산 부담을 용인 가능하지 않은 레벨로 증가시키지 않으면서 그러한 높은 다이내믹 레인지 및 높은 분해능의 인지 이미지를 생성하는 것을 가능하게 한다. 본원에서 설명된 기술은 또한 강체(rigid-body) 및 등속(constant velocity) 가정과 같은 성능 제한 가정을 피하고, 자율 주행 차량의 후속하는 계획 및 제어 동작을 개선시키기 위해 다양한 센서(예를 들면, 레이더(RADAR) 및 라이더(LiDAR))로부터의 정보의 조기 융합(early fusion)을 가능하게 한다.
하드웨어 개관
도 1은 자율 주행 능력을 갖는 자율 주행 차량(100)의 일 예를 도시한다.
본원에서 사용되는 바와 같이, "자율 주행 능력"이라는 용어는, 완전한 자율 주행 차량, 고도의 자율 주행 차량, 및 조건부 자율 주행 차량을 제한 없이 포함하는, 실시간 인간 개입 없이 차량이 부분적으로 또는 완전하게 동작할 수 있게 하는 기능, 특징, 또는 설비를 지칭한다.
본원에서 사용되는 바와 같이, 자율 주행 차량(AV)은 자율 주행 능력을 갖는 차량이다. 본원에서 사용되는 바와 같이, "차량"은 상품 또는 사람의 운송 수단을 포함한다. 예를 들어, 자동차, 버스, 기차, 비행기, 드론, 트럭, 보트, 선박, 잠수함, 비행선 등. 무인 자동차는 차량의 일 예이다.
본원에서 사용되는 바와 같이, "궤적"은 AV를 제1 시공간적 위치로부터 제2 시공간적 위치로 운행시키는 경로 또는 루트를 지칭한다. 일 실시예에서, 제1 시공간적 위치는 초기 또는 시작 위치라고 지칭되고 제2 시공간적 위치는 목적지, 최종 위치, 목표, 목표 위치, 또는 목표 장소라고 지칭된다. 일부 예에서, 궤적은 하나 이상의 세그먼트(예를 들면, 도로의 섹션)로 구성되고, 각각의 세그먼트는 하나 이상의 블록(예를 들면, 차선 또는 교차로의 부분)으로 구성된다. 일 실시예에서, 시공간적 위치는 현실 세계 위치에 대응한다. 예를 들어, 시공간적 위치는 사람을 태우거나 내려주고 또는 상품을 싣거나 내리는 픽업(pick up) 위치 또는 드롭 오프(drop-off) 위치이다.
본원에서 사용되는 바와 같이, "센서(들)"는 센서를 둘러싸는 환경에 관한 정보를 검출하는 하나 이상의 하드웨어 컴포넌트를 포함한다. 하드웨어 컴포넌트들 중 일부는 감지 컴포넌트(예를 들면, 이미지 센서, 생체 측정 센서), 송신 및/또는 수신 컴포넌트(예를 들면, 레이저 또는 라디오 주파수 파 송신기 및 수신기), 아날로그 대 디지털 변환기와 같은 전자 컴포넌트, 데이터 저장 디바이스(예컨대, RAM 및/또는 비휘발성 스토리지), 소프트웨어 또는 펌웨어 컴포넌트, 및 ASIC(application-specific integrated circuit), 마이크로프로세서 및/또는 마이크로컨트롤러와 같은 데이터 프로세싱 컴포넌트를 포함할 수 있다.
본원에서 사용되는 바와 같이, "장면 묘사(scene description)"는 AV 차량 상의 하나 이상의 센서에 의해 검출되거나 AV 외부의 소스에 의해 제공되는 하나 이상의 분류된 또는 레이블링된 대상체를 포함하는 데이터 구조(예를 들어, 리스트) 또는 데이터 스트림이다.
본원에서 사용되는 바와 같이, "도로"는 차량에 의해 횡단될 수 있는 물리적 영역이고, 명명된 주요 도로(예를 들어, 도시 거리, 주간 프리웨이(interstate freeway) 등)에 대응할 수 있거나, 또는 명명되지 않은 주요 도로(예를 들어, 주택 또는 사무실 건물 내의 사유 도로, 주차장 섹션, 공터 섹션, 시골 지역의 비포장 경로 등)에 대응할 수 있다. 일부 차량(예를 들면, 4륜 구동 픽업 트럭, 스포츠 유틸리티 차량 등)은 차량 주행에 특히 적합하지 않은 다양한 물리적 영역을 횡단할 수 있기 때문에, "도로"는 임의의 지자체 또는 다른 정부 또는 행정처에 의해 주요 도로로서 공식적으로 규정되지 않은 물리적 영역일 수 있다.
본원에서 사용되는 바와 같이, "차선"은 차량에 의해 횡단될 수 있는 도로의 한 부분이고, 차선 마킹들 사이의 공간의 대부분 또는 전부에 대응할 수 있거나, 또는 차선 마킹들 사이의 공간의 단지 일부(예를 들면, 50% 미만)에 대응할 수 있다. 예를 들어, 멀리 이격된 차선 마킹을 갖는 도로는 차선 마킹들 사이에 둘 이상의 차량을 수용할 수 있어서, 하나의 차량이 차선 마킹을 횡단하지 않으면서 다른 차량을 추월할 수 있고, 따라서 차선 마킹들 사이의 공간보다 더 좁은 차선을 갖거나 차선 마킹들 사이에 2개의 차선을 갖는 것으로 해석될 수 있다. 차선은 차선 마킹의 부재 시에도 해석될 수 있다. 예를 들어, 차선은 환경의 물리적 특징, 예를 들어, 시골 지역에서의 주요 도로를 따라 있는 바위 및 나무에 기초하여 규정될 수 있다.
"하나 이상"은 하나의 요소에 의해 수행되는 기능, 하나 초과의 요소에 의해, 예를 들어, 분산 방식으로, 수행되는 기능, 하나의 요소에 의해 수행되는 여러 기능, 여러 요소에 의해 수행되는 여러 기능, 또는 이들의 임의의 조합을 포함한다.
또한, 제1, 제2 등의 용어가, 일부 예에서, 다양한 요소를 기술하기 위해 본원에서 사용되고 있지만, 이러한 요소가 이러한 용어에 의해 제한되지 않아야 한다는 것이 이해될 것이다. 이러한 용어는 하나의 요소를 다른 요소와 구별하는 데만 사용된다. 예를 들어, 기술된 다양한 실시예의 범위를 벗어나지 않으면서, 제1 접촉은 제2 접촉이라고 지칭될 수 있고, 유사하게 제2 접촉은 제1 접촉이라고 지칭될 수 있다. 제1 접촉과 제2 접촉 둘 모두가 접촉이지만, 동일한 접촉은 아니다.
본원에 기술된 다양한 실시예의 설명에서 사용된 용어는 단지 특정한 실시예를 기술하기 위한 것이며, 제한하는 것으로 의도되지 않는다. 기술된 다양한 실시예 및 첨부된 청구항의 설명에서 사용되는 바와 같이, 단수형은, 문맥이 달리 명확히 표시하지 않는 한, 복수형을 포함하는 것으로 의도되어 있다. "및/또는"이라는 용어가, 본원에서 사용되는 바와 같이, 열거된 연관 항목들 중 하나 이상의 항목의 임의의 및 모든 가능한 조합을 지칭하고 포함한다는 것이 또한 이해될 것이다. 게다가, "포함한다" 및/또는 "포함하는"이라는 용어가, 본 설명에서 사용될 때, 언급된 특징, 정수, 단계, 동작, 요소, 및/또는 컴포넌트의 존재를 명기하지만, 하나 이상의 다른 특징, 정수, 단계, 동작, 요소, 컴포넌트, 및/또는 그의 그룹의 존재 또는 추가를 배제하지 않는다는 것이 이해될 것이다.
본원에서 사용되는 바와 같이, "~ 경우"라는 용어는 선택적으로 문맥에 따라 "~할 때", 또는 "~시에" 또는 "결정에 응답하여" 또는 "검출에 응답하여"를 의미하는 것으로 해석된다. 마찬가지로, 문구 "~라고 결정된다면" 또는 "[언급된 조건 또는 이벤트]가 검출되는 경우"는 선택적으로 문맥에 따라, "결정할 시에" 또는 "결정에 응답하여" 또는 "[언급된 조건 또는 이벤트]의 검출 시에" 또는 "[언급된 조건 또는 이벤트]의 검출에 응답하여"를 의미하는 것으로 해석된다.
본원에서 사용되는 바와 같이, AV 시스템은 AV의 동작을 지원하는 하드웨어, 소프트웨어, 저장 데이터 및 실시간으로 생성된 데이터의 어레이와 함께 AV를 지칭한다. 일 실시예에서, AV 시스템은 AV 내에 포함된다. 일 실시예에서, AV 시스템은 여러 위치에 걸쳐 확산되어 있다. 예를 들어, AV 시스템의 소프트웨어 중 일부는 도 3와 관련하여 아래에서 기술되는 클라우드 컴퓨팅 환경(300)과 유사한 클라우드 컴퓨팅 환경 상에 구현된다.
일반적으로, 본원은 완전한 자율 주행 차량, 고도의 자율 주행 차량, 및 조건부 자율 주행 차량, 예를 들어, 각각 소위 레벨 5 차량, 레벨 4 차량 및 레벨 3 차량을 포함하는 하나 이상의 자율 주행 능력을 갖는 임의의 차량에 적용 가능한 기술을 개시한다(차량의 자율성의 레벨 분류에 대한 세부 사항은 본원에 그 전체가 참조로 포함된, SAE 국제 표준 J3016: 온로드 자동차 자동 운전 시스템에 관한 용어의 분류 및 정의(Taxonomy and Definitions for Terms Related to On-128-172020-02-28 Road Motor Vehicle Automated Driving Systems) 참조). 또한, 본원에서 개시된 기술은 부분적 자율 주행 차량 및 운전자 보조 차량, 예컨대, 소위 레벨 2 및 레벨 1 차량에도 적용 가능하다(SAE 국제 표준 J3016: 온로드 자동차 자동 운전 시스템에 관한 용어의 분류 및 정의 참조). 일 실시예에서, 레벨 1, 레벨 2, 레벨 3, 레벨 4 및 레벨 5 차량 시스템 중 하나 이상은 센서 입력의 프로세싱에 기초하여 특정의 동작 조건 하에서 특정의 차량 동작(예를 들면, 조향, 제동, 및 맵 사용)을 자동화할 수 있다. 본 문서에서 설명된 기술은, 완전한 자율 주행 차량으로부터 인간 운전 차량에 이르는, 임의의 레벨에 있는 차량에 혜택을 줄 수 있다.
도 1을 참조하면, AV 시스템(120)은, 대상체(예를 들면, 자연 장애물(191), 차량(193), 보행자(192), 자전거 타는 사람, 및 다른 장애물)을 피하고 도로 법규(예를 들면, 동작 규칙 또는 운전 선호사항)를 준수하면서, AV(100)를 궤적(198)을 따라 환경(190)을 통과하여 목적지(199)(때때로 최종 위치라고 지칭됨)로 동작시킨다.
일 실시예에서, AV 시스템(120)은 컴퓨터 프로세서(146)로부터 동작 커맨드를 수신하고 이에 따라 동작하도록 설비된 디바이스(101)를 포함한다. 일 실시예에서, 컴퓨팅 프로세서(146)는 도 3을 참조하여 아래에서 기술되는 프로세서(304)와 유사하다. 디바이스(101)의 예는 조향 컨트롤(102), 브레이크(103), 기어, 가속기 페달 또는 다른 가속 제어 메커니즘, 윈드실드 와이퍼, 사이드 도어 락, 윈도 컨트롤, 및 방향 지시등을 포함한다.
일 실시예에서, AV 시스템(120)은 AV의 위치, 선속도와 각속도 및 선가속도와 각가속도, 및 헤딩(heading)(예를 들면, AV(100)의 선단의 배향)와 같은 AV(100)의 상태 또는 조건의 속성을 측정 또는 추론하기 위한 센서(121)를 포함한다. 센서(121)의 예는 GPS, 차량 선가속도 및 각도 변화율(angular rate) 둘 모두를 측정하는 IMU(inertial measurement unit), 휠 슬립률(wheel slip ratio)을 측정 또는 추정하기 위한 휠 속력 센서, 휠 브레이크 압력 또는 제동 토크 센서, 엔진 토크 또는 휠 토크 센서, 그리고 조향각 및 각도 변화율 센서이다.
일 실시예에서, 센서(121)는 AV의 환경의 속성을 감지 또는 측정하기 위한 센서를 또한 포함한다. 예를 들어, 가시광, 적외선 또는 열(또는 둘 모두) 스펙트럼의 단안 또는 스테레오 비디오 카메라(122), 라이더(123), 레이더, 초음파 센서, TOF(time-of-flight) 깊이 센서, 속력 센서, 온도 센서, 습도 센서, 및 강우 센서.
일 실시예에서, AV 시스템(120)은 컴퓨터 프로세서(146)와 연관된 머신 명령 또는 센서(121)에 의해 수집된 데이터를 저장하기 위한 데이터 저장 유닛(142) 및 메모리(144)를 포함한다. 일 실시예에서, 데이터 저장 유닛(142)은 도 3과 관련하여 아래에서 기술되는 ROM(308) 또는 저장 디바이스(310)와 유사하다. 일 실시예에서, 메모리(144)는 아래에서 기술되는 메인 메모리(306)와 유사하다. 일 실시예에서, 데이터 저장 유닛(142) 및 메모리(144)는 환경(190)에 관한 과거 정보, 실시간 정보, 및/또는 예측 정보를 저장한다. 일 실시예에서, 저장된 정보는 맵, 운전 성능, 교통 혼잡 업데이트 또는 기상 조건을 포함한다. 일 실시예에서, 환경(190)에 관한 데이터는 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)에 송신된다.
일 실시예에서, AV 시스템(120)은 다른 차량의 상태 및 조건, 예컨대, 위치, 선속도와 각속도, 선가속도와 각가속도, 및 AV(100)를 향한 선형 헤딩(linear heading)과 각도 헤딩(angular heading)의 측정된 또는 추론된 속성을 통신하기 위한 통신 디바이스(140)를 포함한다. 이러한 디바이스는 V2V(Vehicle-to-Vehicle) 및 V2I(Vehicle-to-Infrastructure) 통신 디바이스 및 포인트-투-포인트(point-to-point) 또는 애드혹(ad hoc) 네트워크 또는 둘 모두를 통한 무선 통신을 위한 디바이스를 포함한다. 일 실시예에서, 통신 디바이스(140)는 (라디오 및 광학 통신을 포함하는) 전자기 스펙트럼 또는 다른 매체(예를 들면, 공기 및 음향 매체)를 통해 통신한다. V2V(Vehicle-to-Vehicle), V2I(Vehicle-to-Infrastructure) 통신(및 일부 실시예에서, 하나 이상의 다른 유형의 통신)의 조합이 때때로 V2X(Vehicle-to-Everything) 통신이라고 지칭된다. V2X 통신은 전형적으로, 자율 주행 차량과의 통신 및 자율 주행 차량들 사이의 통신을 위한 하나 이상의 통신 표준을 준수한다.
일 실시예에서, 통신 디바이스(140)는 통신 인터페이스를 포함한다. 예를 들어, 유선, 무선, WiMAX, Wi-Fi, 블루투스, 위성, 셀룰러, 광학, 근거리, 적외선, 또는 라디오 인터페이스. 통신 인터페이스는 원격에 위치된 데이터베이스(134)로부터 AV 시스템(120)으로 데이터를 송신한다. 일 실시예에서, 원격에 위치된 데이터베이스(134)는 도 2에 기술된 바와 같은 클라우드 컴퓨팅 환경(200)에 내장된다. 통신 인터페이스(140)는 센서(121)로부터 수집된 데이터 또는 AV(100)의 동작에 관련된 다른 데이터를 원격에 위치된 데이터베이스(134)에 송신한다. 일 실시예에서, 통신 인터페이스(140)는 원격 조작(teleoperation)에 관련되는 정보를 AV(100)에 송신한다. 일부 실시예에서, AV(100)는 다른 원격(예를 들면, "클라우드") 서버(136)와 통신한다.
일 실시예에서, 원격에 위치된 데이터베이스(134)는 또한 디지털 데이터를 저장 및 송신한다(예를 들면, 도로 및 거리 위치와 같은 데이터를 저장함). 그러한 데이터는 AV(100) 상의 메모리(144)에 저장되거나, 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)에 송신된다.
일 실시예에서, 원격에 위치된 데이터베이스(134)는 유사한 시각(time of day)에 궤적(198)을 따라 이전에 주행한 적이 있는 차량의 운전 속성(예를 들면, 속력 프로파일 및 가속도 프로파일)에 관한 과거 정보를 저장 및 송신한다. 일 구현예에서, 그러한 데이터는 AV(100) 상의 메모리(144)에 저장될 수 있거나, 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)에 송신될 수 있다.
AV(100) 상에 위치된 컴퓨팅 디바이스(146)는 실시간 센서 데이터 및 사전 정보(prior information) 둘 모두에 기초한 제어 액션을 알고리즘적으로 생성하여, AV 시스템(120)이 자율 주행 운전 능력을 실행할 수 있게 한다.
일 실시예에서, AV 시스템(120)은 AV(100)의 사용자(예를 들면, 탑승자 또는 원격 사용자)에게 정보 및 경고를 제공하고 그로부터 입력을 수신하기 위해 컴퓨팅 디바이스(146)에 결합된 컴퓨터 주변기기(132)를 포함한다. 일 실시예에서, 주변기기(132)는 도 3을 참조하여 아래에서 논의되는 디스플레이(312), 입력 디바이스(314), 및 커서 컨트롤러(316)와 유사하다. 결합은 무선 또는 유선이다. 인터페이스 디바이스들 중 임의의 둘 이상이 단일 디바이스에 통합될 수 있다.
도 2는 예시적인 "클라우드" 컴퓨팅 환경을 예시한다. 클라우드 컴퓨팅은 구성 가능한 컴퓨팅 리소스(예를 들면, 네트워크, 네트워크 대역폭, 서버, 프로세싱, 메모리, 스토리지, 애플리케이션, 가상 머신, 및 서비스)의 공유 풀에 대한 편리한 온-디맨드 네트워크 액세스를 가능하게 하기 위한 서비스 전달(service delivery)의 일 모델이다. 전형적인 클라우드 컴퓨팅 시스템에서는, 하나 이상의 대규모 클라우드 데이터 센터가 클라우드에 의해 제공되는 서비스를 전달하는 데 사용되는 머신을 수용한다. 이제 도 2를 참조하면, 클라우드 컴퓨팅 환경(200)은 클라우드(202)를 통해 상호연결되는 클라우드 데이터 센터(204a, 204b, 및 204c)를 포함한다. 데이터 센터(204a, 204b, 및 204c)는 클라우드 컴퓨팅 서비스를 클라우드(202)에 연결된 컴퓨터 시스템(206a, 206b, 206c, 206d, 206e, 및 206f)에 제공한다.
클라우드 컴퓨팅 환경(200)은 하나 이상의 클라우드 데이터 센터를 포함한다. 일반적으로, 클라우드 데이터 센터, 예를 들어, 도 2에 도시된 클라우드 데이터 센터(204a)는 클라우드, 예를 들어, 도 2에 도시된 클라우드(202) 또는 클라우드의 특정 부분을 구성하는 서버의 물리적 배열체를 지칭한다. 예를 들어, 서버는 클라우드 데이터 센터 내에 룸, 그룹, 로우(row), 및 랙(rack)으로 물리적으로 배열된다. 클라우드 데이터 센터는 하나 이상의 서버 룸을 포함하는 하나 이상의 구역(zone)을 갖는다. 각각의 룸은 하나 이상의 서버 로우를 가지며, 각각의 로우는 하나 이상의 랙을 포함한다. 각각의 랙은 하나 이상의 개별 서버 노드를 포함한다. 일부 구현예에서, 구역, 룸, 랙, 및/또는 로우 내의 서버는, 전력 요건, 에너지 요건, 열적 요건, 가열 요건, 및/또는 다른 요건을 포함하는, 데이터 센터 설비의 물리적 인프라스트럭처 요건에 기초하여 그룹으로 배열된다. 일 실시예에서, 서버 노드는 도 3에서 기술된 컴퓨터 시스템과 유사하다. 데이터 센터(204a)는 다수의 랙을 통해 분산된 다수의 컴퓨팅 시스템을 갖는다.
클라우드(202)는 클라우드 데이터 센터(204a, 204b, 및 204c)를 상호연결시키고 클라우드 컴퓨팅 서비스에 대한 컴퓨팅 시스템(206a 내지 206f)의 액세스를 용이하게 하는 것을 돕는 네트워크 및 네트워킹 리소스(예를 들어, 네트워킹 장비, 노드, 라우터, 스위치, 및 네트워킹 케이블)와 함께 클라우드 데이터 센터(204a, 204b, 및 204c)를 포함한다. 일 실시예에서, 네트워크는 지상 또는 위성 연결을 사용하여 배포된 유선 또는 무선 링크를 사용하여 결합된 하나 이상의 로컬 네트워크, 광역 네트워크, 또는 인터네트워크의 임의의 조합을 나타낸다. 네트워크를 거쳐 교환되는 데이터는, IP(Internet Protocol), MPLS(Multiprotocol Label Switching), ATM(Asynchronous Transfer Mode), 및 프레임 릴레이 등과 같은, 임의의 개수의 네트워크 계층 프로토콜을 사용하여 송신된다. 게다가, 네트워크가 다수의 서브 네트워크의 조합을 나타내는 실시예에서는, 기저 서브 네트워크(underlying sub-network) 각각에서 상이한 네트워크 계층 프로토콜이 사용된다. 일부 실시예에서, 네트워크는, 공중 인터넷과 같은, 하나 이상의 상호연결된 인터네트워크를 나타낸다.
컴퓨팅 시스템(206a 내지 206f) 또는 클라우드 컴퓨팅 서비스 소비자는 네트워크 링크 및 네트워크 어댑터를 통해 클라우드(202)에 연결된다. 일 실시예에서, 컴퓨팅 시스템(206a 내지 206f)은 다양한 컴퓨팅 디바이스, 예를 들어, 서버, 데스크톱, 랩톱, 태블릿, 스마트폰, IoT(Internet of Things) 디바이스, 자율 주행 차량(자동차, 드론, 셔틀, 기차, 버스 등을 포함함) 및 소비자 전자기기로서 구현된다. 일 실시예에서, 컴퓨팅 시스템(206a 내지 206f)은 다른 시스템 내에 또는 그 일부로서 구현된다.
도 3은 컴퓨터 시스템(300)을 예시한다. 일 구현예에서, 컴퓨터 시스템(300)은 특수 목적 컴퓨팅 디바이스이다. 특수 목적 컴퓨팅 디바이스는 기술을 수행하도록 고정-배선(hard-wired)되거나, 기술을 수행하도록 지속적으로 프로그래밍되는 하나 이상의 ASIC(application-specific integrated circuit) 또는 FPGA(field programmable gate array)와 같은 디지털 전자 디바이스를 포함하거나, 펌웨어, 메모리, 다른 스토리지 또는 조합 내의 프로그램 명령에 따라 기술을 수행하도록 프로그래밍되는 하나 이상의 범용 하드웨어 프로세서를 포함할 수 있다. 그러한 특수 목적 컴퓨팅 디바이스는 또한 커스텀 고정 배선 로직, ASIC, 또는 FPGA를 커스텀 프로그래밍과 조합하여 기술을 실현할 수 있다. 다양한 실시예에서, 특수 목적 컴퓨팅 디바이스는 기술을 구현하기 위한 고정 배선 및/또는 프로그램 로직을 포함하는 데스크톱 컴퓨터 시스템, 휴대용 컴퓨터 시스템, 핸드헬드 디바이스, 네트워크 디바이스, 또는 임의의 다른 디바이스이다.
일 실시예에서, 컴퓨터 시스템(300)은 정보를 통신하기 위한 버스(302) 또는 다른 통신 메커니즘, 및 정보를 프로세싱하기 위해 버스(302)와 결합된 하드웨어 프로세서(304)를 포함한다. 하드웨어 프로세서(304)는, 예를 들어, 범용 마이크로프로세서이다. 컴퓨터 시스템(300)은 프로세서(304)에 의해 실행될 명령 및 정보를 저장하기 위해 버스(302)에 결합된, RAM(random access memory) 또는 다른 동적 저장 디바이스와 같은, 메인 메모리(306)를 또한 포함한다. 일 구현예에서, 메인 메모리(306)는 프로세서(304)에 의해 실행될 명령의 실행 동안 임시 변수 또는 다른 중간 정보를 저장하는 데 사용된다. 그러한 명령은, 프로세서(304)에 의해 액세스 가능한 비-일시적 저장 매체에 저장되어 있을 때, 컴퓨터 시스템(300)을 명령에 지정된 동작을 수행하도록 커스터마이징된 특수 목적 머신으로 만든다.
일 실시예에서, 컴퓨터 시스템(300)은, 프로세서(304)를 위한 정적 정보 및 명령을 저장하기 위해 버스(302)에 결합된 ROM(read only memory)(308) 또는 다른 정적 저장 디바이스를 추가로 포함한다. 자기 디스크, 광학 디스크, 솔리드 스테이트 드라이브, 또는 3차원 크로스 포인트 메모리와 같은, 저장 디바이스(310)가 제공되고 정보 및 명령을 저장하기 위해 버스(302)에 결합된다.
일 실시예에서, 컴퓨터 시스템(300)은 버스(302)를 통해, 컴퓨터 사용자에게 정보를 디스플레이하기 위한 음극선관(CRT), 액정 디스플레이(LCD), 플라스마 디스플레이, 발광 다이오드(LED) 디스플레이, 액티브 매트릭스 유기 발광 다이오드(AMOLED) 디스플레이, 양자 점 발광 다이오드(QLED) 디스플레이, 진공 형광 디스플레이, 전자 잉크 디스플레이, 냉음극(닉시 튜브(nixie tube)) 디스플레이, 또는 유기 발광 다이오드(OLED) 디스플레이와 같은, 디스플레이(312)에 결합된다. 문자 숫자식 키 및 다른 키를 포함하는 입력 디바이스(314)는 정보 및 커맨드 선택을 프로세서(304)에 통신하기 위해 버스(302)에 결합된다. 다른 유형의 사용자 입력 디바이스는 방향 정보 및 커맨드 선택을 프로세서(304)에 통신하고 디스플레이(312) 상에서의 커서 움직임을 제어하기 위한, 마우스, 트랙볼, 터치식 디스플레이, 또는 커서 방향 키와 같은, 커서 컨트롤러(316)이다. 이러한 입력 디바이스는 전형적으로, 디바이스가 평면에서의 위치를 지정할 수 있게 하는 2개의 축, 즉 제1 축(예를 들면, x-축) 및 제2 축(예를 들면, y-축)에서의 2 자유도를 갖는다.
일 실시예에 따르면, 본원에서의 기술은 프로세서(304)가 메인 메모리(306)에 포함된 하나 이상의 명령의 하나 이상의 시퀀스를 실행하는 것에 응답하여 컴퓨터 시스템(300)에 의해 수행된다. 그러한 명령은, 저장 디바이스(310)와 같은, 다른 저장 매체로부터 메인 메모리(306) 내로 판독된다. 메인 메모리(306)에 포함된 명령의 시퀀스의 실행은 프로세서(304)로 하여금 본원에서 기술된 프로세스 단계를 수행하게 한다. 대안적인 실시예에서는, 소프트웨어 명령 대신에 또는 소프트웨어 명령과 조합하여 고정 배선 회로가 사용된다.
"저장 매체"라는 용어는, 본 명세서에서 사용되는 바와 같이, 머신이 특정 방식으로 동작하게 하는 데이터 및/또는 명령을 저장하는 임의의 비-일시적 매체를 지칭한다. 그러한 저장 매체는 비휘발성 매체 및/또는 휘발성 매체를 포함한다. 비휘발성 매체는, 예를 들어, 광학 디스크, 자기 디스크, 솔리드 스테이트 드라이브, 또는 3차원 크로스 포인트 메모리, 예컨대, 저장 디바이스(310)를 포함한다. 휘발성 매체는 동적 메모리, 예컨대, 메인 메모리(306)를 포함한다. 저장 매체의 일반적인 형태는, 예를 들어, 플로피 디스크, 플렉서블 디스크, 하드 디스크, 솔리드 스테이트 드라이브, 자기 테이프, 또는 임의의 다른 자기 데이터 저장 매체, CD-ROM, 임의의 다른 광학 데이터 저장 매체, 홀 패턴을 갖는 임의의 물리적 매체, RAM, PROM, 및 EPROM, FLASH-EPROM, NV-RAM, 또는 임의의 다른 메모리 칩, 또는 카트리지를 포함한다.
저장 매체는 송신 매체와 별개이지만 송신 매체와 함께 사용될 수 있다. 송신 매체는 저장 매체들 사이에서 정보를 전달하는 데 참여한다. 예를 들어, 송신 매체는 버스(302)를 포함하는 와이어를 포함하여, 동축 케이블, 구리 와이어 및 광섬유를 포함한다. 송신 매체는 또한, 라디오 파 및 적외선 데이터 통신 동안 생성되는 것과 같은, 광파 또는 음향파의 형태를 취할 수 있다.
일 실시예에서, 실행을 위해 하나 이상의 명령의 하나 이상의 시퀀스를 프로세서(304)에 반송하는 데 다양한 형태의 매체가 관여된다. 예를 들어, 명령은 초기에 원격 컴퓨터의 자기 디스크 또는 솔리드 스테이트 드라이브에 보유된다. 원격 컴퓨터는 동적 메모리에 명령을 로딩하고 모뎀을 사용하여 전화선을 통해 명령을 전송한다. 컴퓨터 시스템(300)에 로컬인 모뎀은 전화선 상으로 데이터를 수신하고 적외선 송신기를 사용하여 데이터를 적외선 신호로 변환한다. 적외선 검출기는 적외선 신호로 반송되는 데이터를 수신하고 적절한 회로는 데이터를 버스(302)에 배치한다. 버스(302)는 데이터를 메인 메모리(306)로 반송하고, 프로세서(304)는 메인 메모리로부터 명령을 검색 및 실행한다. 메인 메모리(306)에 의해 수신된 명령은 프로세서(304)에 의해 실행되기 전이나 실행된 후에 선택적으로 저장 디바이스(310)에 저장될 수 있다.
컴퓨터 시스템(300)은 버스(302)에 결합된 통신 인터페이스(318)를 또한 포함한다. 통신 인터페이스(318)는 로컬 네트워크(322)에 연결된 네트워크 링크(320)에 대한 2-웨이 데이터 통신(two-way data communication) 결합을 제공한다. 예를 들어, 통신 인터페이스(318)는 ISDN(integrated service digital network) 카드, 케이블 모뎀, 위성 모뎀, 또는 대응하는 유형의 전화선에 데이터 통신 연결을 제공하기 위한 모뎀이다. 다른 예로서, 통신 인터페이스(318)는 호환 가능한 LAN(local area network)에 데이터 통신 연결을 제공하기 위한 LAN 카드이다. 일부 구현예에서는, 무선 링크도 구현된다. 임의의 그러한 구현예에서, 통신 인터페이스(318)는 다양한 유형의 정보를 나타내는 디지털 데이터 스트림을 반송하는 전기 신호, 전자기 신호, 또는 광학 신호를 전송 및 수신한다.
네트워크 링크(320)는 전형적으로 하나 이상의 네트워크를 통한 다른 데이터 디바이스로의 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(320)는 로컬 네트워크(322)를 통해 호스트 컴퓨터(324)로의 연결 또는 ISP(Internet Service Provider)(326)에 의해 운영되는 클라우드 데이터 센터 또는 장비로의 연결을 제공한다. ISP(326)는 차례로 지금은 "인터넷(328)"이라고 통상적으로 지칭되는 월드-와이드 패킷 데이터 통신 네트워크(world-wide packet data communication network)를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(322) 및 인터넷(328) 둘 모두는 디지털 데이터 스트림을 반송하는 전기 신호, 전자기 신호, 또는 광학 신호를 사용한다. 컴퓨터 시스템(300)으로 및 컴퓨터 시스템(300)으로부터 디지털 데이터를 반송하는, 다양한 네트워크를 통한 신호 및 통신 인터페이스(318)를 통한 네트워크 링크(320) 상의 신호는 송신 매체의 예시적인 형태이다. 일 실시예에서, 네트워크(320)는 위에서 기술된 클라우드(202) 또는 클라우드(202)의 일부를 포함한다.
컴퓨터 시스템(300)은 네트워크(들), 네트워크 링크(320), 및 통신 인터페이스(318)를 통해, 프로그램 코드를 포함하여, 메시지를 전송하고 데이터를 수신한다. 일 실시예에서, 컴퓨터 시스템(300)은 프로세싱하기 위한 코드를 수신한다. 수신된 코드는 수신될 때 프로세서(304)에 의해 실행되고 그리고/또는 추후의 실행을 위해 저장 디바이스(310) 또는 다른 비휘발성 스토리지에 저장된다.
자율 주행 차량 아키텍처
도 4는 자율 주행 차량(예를 들면, 도 1에 도시된 AV(100))에 대한 예시적인 아키텍처(400)를 도시한다. 아키텍처(400)는 인지 모듈(402)(때때로 인지 회로라고 지칭됨), 계획 모듈(planning module)(404)(때때로 계획 회로라고 지칭됨), 제어 모듈(406)(때때로 제어 회로라고 지칭됨), 위치 측정 모듈(localization module)(408)(때때로 위치 측정 회로라고 지칭됨), 및 데이터베이스 모듈(410)(때때로 데이터베이스 회로라고 지칭됨)을 포함한다. 각각의 모듈은 AV(100)의 동작에서 소정의 역할을 한다. 다함께, 모듈(402, 404, 406, 408, 및 410)은 도 1에 도시된 AV 시스템(120)의 일부일 수 있다. 일부 실시예에서, 모듈(402, 404, 406, 408, 및 410) 중 임의의 모듈은 컴퓨터 소프트웨어(예를 들면, 컴퓨터 판독 가능 매체 상에 저장된 실행 가능 코드) 및 컴퓨터 하드웨어(예를 들면, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, ASIC(application-specific integrated circuit), 하드웨어 메모리 디바이스, 다른 유형의 집적 회로, 다른 유형의 컴퓨터 하드웨어, 또는 이러한 것 중 임의의 것 또는 모든 것의 조합)의 조합이다.
사용 중에, 계획 모듈(404)은 목적지(412)를 나타내는 데이터를 수신하고 목적지(412)에 도달하기 위해(예를 들면, 도착하기 위해) AV(100)에 의해 주행될 수 있는 궤적(414)(때때로 루트라고 지칭됨)을 나타내는 데이터를 결정한다. 계획 모듈(404)이 궤적(414)을 나타내는 데이터를 결정하기 위해, 계획 모듈(404)은 인지 모듈(402), 위치 측정 모듈(408), 및 데이터베이스 모듈(410)로부터 데이터를 수신한다.
인지 모듈(402)은, 예를 들면, 도 1에도 도시된 바와 같이, 하나 이상의 센서(121)를 사용하여 인근의 물리적 대상체를 식별한다. 대상체는 분류되고(예를 들면, 보행자, 자전거, 자동차, 교통 표지판 등과 같은 유형으로 그룹화되고), 분류된 대상체(416)를 포함하는 장면 묘사는 계획 모듈(404)에 제공된다.
계획 모듈(404)은 또한 위치 측정 모듈(408)로부터 AV 위치(418)를 나타내는 데이터를 수신한다. 위치 측정 모듈(408)은 위치를 계산하기 위해 센서(121)로부터의 데이터 및 데이터베이스 모듈(410)로부터의 데이터(예를 들면, 지리적 데이터)를 사용하여 AV 위치를 결정한다. 예를 들어, 위치 측정 모듈(408)은 GNSS(Global Navigation Satellite System) 센서로부터의 데이터 및 지리적 데이터를 사용하여 AV의 경도 및 위도를 계산한다. 일 실시예에서, 위치 측정 모듈(408)에 의해 사용되는 데이터는 도로 기하학적 속성의 고-정밀 맵, 도로망 연결 속성을 기술하는 맵, 도로 물리적 속성(예컨대, 교통 속력, 교통량, 차량 교통 차선과 자전거 타는 사람 교통 차선의 개수, 차선 폭, 차선 교통 방향, 또는 차선 마커 유형 및 위치, 또는 그 조합)을 기술하는 맵, 및 도로 특징부, 예컨대, 횡단보도, 교통 표지판 또는 다양한 유형의 다른 주행 신호(travel signal)의 공간적 위치를 기술하는 맵을 포함한다.
제어 모듈(406)은 궤적(414)을 나타내는 데이터 및 AV 위치(418)를 나타내는 데이터를 수신하고, AV(100)로 하여금 목적지(412)를 향해 궤적(414)을 주행하게 할 방식으로 AV의 제어 기능(420a 내지 420c)(예를 들면, 조향, 스로틀링, 제동, 및 점화)을 동작시킨다. 예를 들어, 궤적(414)이 좌회전을 포함하는 경우, 제어 모듈(406)은, 조향 기능의 조향각이 AV(100)로 하여금 왼쪽으로 회전하게 하고 스로틀링 및 제동이 AV(100)로 하여금 이러한 회전이 이루어지기 전에 지나가는 보행자 또는 차량을 위해 일시정지 및 대기하게 하는 방식으로, 제어 기능(420a 내지 420c)을 동작시킬 것이다.
자율 주행 차량 입력
도 5는 인지 모듈(402)(도 4)에 의해 사용되는 입력(502a 내지 502d)(예를 들면, 도 1에 도시된 센서(121)) 및 출력(504a 내지 504d)(예를 들면, 센서 데이터)의 일 예를 도시한다. 하나의 입력(502a)은 라이더(Light Detection and Ranging) 시스템(예를 들면, 도 1에 도시된 라이더(123))이다. 라이더는 그의 시선에 있는 물리적 대상체에 관한 데이터를 획득하기 위해 광(예를 들면, 적외선 광과 같은 광의 버스트)을 사용하는 기술이다. 라이더 시스템은 출력(504a)으로서 라이더 데이터를 생성한다. 예를 들어, 라이더 데이터는 환경(190)의 표현을 구성하는 데 사용되는 3D 또는 2D 포인트(포인트 클라우드라고도 알려져 있음)의 집합체이다.
다른 입력(502b)은 레이더 시스템이다. 레이더는 인근의 물리적 대상체에 관한 데이터를 획득하기 위해 라디오 파를 사용하는 기술이다. 레이더는 라이더 시스템의 시선 내에 있지 않은 대상체에 관한 데이터를 획득할 수 있다. 레이더 시스템(502b)은 출력(504b)으로서 레이더 데이터를 생성한다. 예를 들어, 레이더 데이터는 환경(190)의 표현을 구성하는 데 사용되는 하나 이상의 라디오 주파수 전자기 신호이다.
다른 입력(502c)은 카메라 시스템이다. 카메라 시스템은 인근의 물리적 대상체에 관한 정보를 획득하기 위해 하나 이상의 카메라(예를 들면, CCD(charge-coupled device)와 같은 광 센서를 사용하는 디지털 카메라)를 사용한다. 카메라 시스템은 출력(504c)으로서 카메라 데이터를 생성한다. 카메라 데이터는 종종 이미지 데이터(예를 들면, RAW, JPEG, PNG 등과 같은 이미지 데이터 포맷의 데이터)의 형태를 취한다. 일부 예에서, 카메라 시스템은, 카메라 시스템이 깊이를 인지할 수 있게 하는, 예를 들어, 입체시(stereopsis)(스테레오 비전)를 위한, 다수의 독립적인 카메라를 갖는다. 비록 카메라 시스템에 의해 인지되는 대상체가 여기서 "인근"으로 기술되지만, 이것은 AV에 상대적인 것이다. 사용 중에, 카메라 시스템은 멀리 있는, 예를 들어, AV 전방으로 최대 1 킬로미터 이상에 있는 대상체를 "보도록" 구성될 수 있다. 따라서, 카메라 시스템은 멀리 떨어져 있는 대상체를 인지하도록 최적화되어 있는 센서 및 렌즈와 같은 특징부를 가질 수 있다.
다른 입력(502d)은 TLD(traffic light detection) 시스템이다. TLD 시스템은 하나 이상의 카메라를 사용하여, 시각적 운행 정보를 제공하는 교통 신호등, 거리 표지판, 및 다른 물리적 대상체에 관한 정보를 획득한다. TLD 시스템은 출력(504d)으로서 TLD 데이터를 생성한다. TLD 데이터는 종종 이미지 데이터(예를 들면, RAW, JPEG, PNG 등과 같은 이미지 데이터 포맷의 데이터)의 형태를 취한다. TLD 시스템은, 시각적 운행 정보를 제공하는 가능한 한 많은 물리적 대상체에 관한 정보를 획득하기 위해 TLD 시스템이 넓은 시야를 갖는 카메라(예를 들면, 광각 렌즈 또는 어안 렌즈를 사용함)를 사용하여, AV(100)가 이러한 대상체에 의해 제공되는 모든 관련 운행 정보에 액세스한다는 점에서, 카메라를 포함하는 시스템과 상이하다. 예를 들어, TLD 시스템의 시야각은 약 120도 이상일 수 있다.
일부 실시예에서, 출력(504a 내지 504d)은 센서 융합 기술을 사용하여 결합된다. 따라서, 개별 출력(504a 내지 504d) 중 어느 하나가 AV(100)의 다른 시스템에 제공되거나(예를 들면, 도 4에 도시된 바와 같은 계획 모듈(404)에 제공되거나), 또는 결합된 출력이 동일한 유형(동일한 결합 기술을 사용하는 것 또는 동일한 출력을 결합하는 것 또는 둘 모두)의 단일 결합 출력 또는 다중 결합 출력의 형태 또는 상이한 유형(예를 들면, 상이한 각자의 결합 기술을 사용하는 것 또는 상이한 각자의 출력을 결합하는 것 또는 둘 모두)의 단일 결합 출력 또는 다중 결합 출력의 형태 중 어느 하나로 다른 시스템에 제공될 수 있다. 일부 실시예에서, 조기 융합 기술이 사용된다. 조기 융합 기술은 하나 이상의 데이터 프로세싱 단계가 결합된 출력에 적용되기 전에 출력을 결합하는 것을 특징으로 한다. 일부 실시예에서, 늦은 융합(late fusion) 기술이 사용된다. 늦은 융합 기술은 하나 이상의 데이터 프로세싱 단계가 개별 출력에 적용된 후에 출력을 결합하는 것을 특징으로 한다.
도 6a는 라이더 시스템(602)(예를 들면, 도 5에 도시된 입력(502a))의 일 예를 도시한다. 라이더 시스템(602)은 광 방출기(606)(예를 들면, 레이저 송신기)로부터 광(604a 내지 604c)을 방출한다. 라이더 시스템에 의해 방출되는 광은 전형적으로 가시 스펙트럼에 있지 않으며; 예를 들어, 적외선 광이 종종 사용된다. 방출되는 광(604b)의 일부는 물리적 대상체(608)(예를 들면, 차량)와 조우하고, 라이더 시스템(602)으로 다시 반사된다. (라이더 시스템으로부터 방출되는 광은 전형적으로 물리적 대상체, 예를 들면, 고체 형태의 물리적 대상체를 관통하지 않는다). 라이더 시스템(602)은 또한 반사된 광을 검출하는 하나 이상의 광 검출기(610)를 갖는다. 일 실시예에서, 라이더 시스템과 연관된 하나 이상의 데이터 프로세싱 시스템은 라이더 시스템의 시야(614)를 표현하는 이미지(612)를 생성한다. 이미지(612)는 물리적 대상체(608)의 경계(616)를 표현하는 정보를 포함한다. 이러한 방식으로, 이미지(612)는 AV 인근의 하나 이상의 물리적 대상체의 경계(616)를 결정하는 데 사용된다.
도 6b는 동작 중인 라이더 시스템(602)을 도시한다. 이 도면에 도시된 시나리오에서, AV(100)는 이미지(632) 형태의 카메라 시스템 출력(504c) 및 라이더 데이터 포인트(634) 형태의 라이더 시스템 출력(504a) 둘 모두를 수신한다. 사용 중에, AV(100)의 데이터 프로세싱 시스템은 이미지(632)를 데이터 포인트(634)와 비교한다. 특히, 이미지(632)에서 식별된 물리적 대상체(636)가 데이터 포인트(634) 중에서도 식별된다. 이러한 방식으로, AV(100)는 데이터 포인트(634)의 윤곽 및 밀도에 기초하여 물리적 대상체의 경계를 인지한다.
도 6c는 라이더 시스템(602)의 동작을 추가적으로 상세하게 도시한다. 위에서 기술된 바와 같이, AV(100)는 라이더 시스템(602)에 의해 검출되는 데이터 포인트의 특성에 기초하여 물리적 대상체의 경계를 검출한다. 도 6c에 도시된 바와 같이, 지면(652)과 같은 평평한 대상체는 라이더 시스템(602)으로부터 방출되는 광(654a 내지 654d)을 일관된 방식으로 반사할 것이다. 달리 말하면, 라이더 시스템(602)이 일관된 간격을 사용하여 광을 방출하기 때문에, 지면(652)은 광을 동일한 일관된 간격으로 다시 라이더 시스템(602)으로 반사할 것이다. AV(100)가 지면(652) 위를 주행함에 따라, 라이더 시스템(602)은 도로를 방해하는 것이 아무 것도 없는 경우 다음 유효 지면 포인트(656)에 의해 반사되는 광을 계속 검출할 것이다. 그렇지만, 대상체(658)가 도로를 방해하는 경우, 라이더 시스템(602)에 의해 방출되는 광(654e 및 654f)은 예상되는 일관된 방식과 부합하지 않는 방식으로 포인트(660a 및 660b)로부터 반사될 것이다. 이 정보로부터, AV(100)는 대상체(658)가 존재한다고 결정할 수 있다.
경로 계획
도 7은 (예를 들면, 도 4에 도시된 바와 같은) 계획 모듈(404)의 입력과 출력 사이의 관계의 블록 다이어그램(700)을 도시한다. 일반적으로, 계획 모듈(404)의 출력은 시작 포인트(704)(예를 들면, 소스 위치 또는 초기 위치)로부터 종료 포인트(706)(예를 들면, 목적지 또는 최종 위치)까지의 루트(702)이다. 루트(702)는 전형적으로 하나 이상의 세그먼트에 의해 정의된다. 예를 들어, 세그먼트는 거리, 도로, 간선도로, 사유 도로, 또는 자동차 주행에 적절한 다른 물리적 영역의 적어도 일 부분에 걸쳐 주행되는 거리이다. 일부 예에서, 예를 들어, AV(100)가 4륜 구동(4WD) 또는 상시 4륜구동(AWD) 자동차, SUV, 픽업 트럭 등과 같은 오프-로드 주행 가능 차량인 경우, 루트(702)는 비포장 경로 또는 탁트인 들판과 같은 "오프-로드" 세그먼트를 포함한다.
루트(702)에 추가하여, 계획 모듈은 차선 레벨 루트 계획 데이터(708)도 출력한다. 차선 레벨 루트 계획 데이터(708)는 특정한 시간에서의 세그먼트의 조건에 기초하여 루트(702)의 세그먼트를 횡단하는 데 사용된다. 예를 들어, 루트(702)가 다중 차선 간선도로를 포함하는 경우, 차선 레벨 루트 계획 데이터(708)는, 예를 들어, 출구가 다가오고 있는지, 차선 중 하나 이상이 다른 차량을 갖는지, 또는 수 분 이하 동안에 걸쳐 변화되는 다른 인자에 기초하여, AV(100)가 다중 차선 중 한 차선을 선택하는 데 사용할 수 있는 궤적 계획 데이터(710)를 포함한다. 유사하게, 일부 구현예에서, 차선 레벨 루트 계획 데이터(708)는 루트(702)의 세그먼트에 특정적인 속력 제약(712)을 포함한다. 예를 들어, 세그먼트가 보행자 또는 예상치 못한 교통상황(traffic)을 포함하는 경우, 속력 제약(712)은 AV(100)를 예상된 속력보다 더 느린 주행 속력, 예를 들면, 세그먼트에 대한 속력 제한 데이터에 기초한 속력으로 제한할 수 있다.
일 실시예에서, 계획 모듈(404)에의 입력은 (예를 들면, 도 4에 도시된 데이터베이스 모듈(410)로부터의) 데이터베이스 데이터(714), 현재 위치 데이터(716)(예를 들면, 도 4에 도시된 AV 위치(418)), (예를 들면, 도 4에 도시된 목적지(412)에 대한) 목적지 데이터(718), 및 대상체 데이터(720)(예를 들면, 도 4에 도시된 인지 모듈(402)에 의해 인지되는 분류된 대상체(416))를 포함한다. 일 실시예에서, 데이터베이스 데이터(714)는 계획에 사용되는 규칙을 포함한다. 규칙은 형식 언어를 사용하여, 예를 들어, 불리언 로직을 사용하여 규정된다. AV(100)가 조우하는 임의의 주어진 상황에서, 규칙들 중 적어도 일부는 해당 상황에 적용될 것이다. 규칙이 AV(100)에 이용 가능한 정보, 예를 들면, 주위 환경에 관한 정보에 기초하여 충족되는 조건을 갖는 경우, 규칙이 주어진 상황에 적용된다. 규칙은 우선순위를 가질 수 있다. 예를 들어, "도로가 프리웨이인 경우, 최좌측 차선으로 이동하라"로 되어 있는 규칙은, 출구가 1마일 내로 다가오고 있는 경우, 최우측 차선으로 이동하라"는 것보다 더 낮은 우선순위를 가질 수 있다.
도 8은, 예를 들어, 계획 모듈(404)(도 4)에 의해 경로 계획에 사용되는 방향 그래프(800)를 도시한다. 일반적으로, 도 8에 도시된 것과 같은 방향 그래프(800)는 임의의 시작 포인트(802)와 종료 포인트(804) 사이의 경로를 결정하는 데 사용된다. 현실 세계에서는, 시작 포인트(802)와 종료 포인트(804)를 분리하는 거리는 상대적으로 클 수 있거나(예를 들면, 2개의 상이한 대도시 지역에 있음) 또는 상대적으로 작을 수 있다(예를 들면, 도시 블록과 맞닿아 있는 2개의 교차로 또는 다중 차선 도로의 2개의 차선).
일 실시예에서, 방향 그래프(800)는 AV(100)에 의해 점유될 수 있는 시작 포인트(802)와 종료 포인트(804) 사이의 상이한 위치를 나타내는 노드(806a 내지 806d)를 갖는다. 일부 예에서, 예를 들면, 시작 포인트(802)와 종료 포인트(804)가 상이한 대도시 지역을 나타낼 때, 노드(806a 내지 806d)는 도로의 세그먼트를 나타낸다. 일부 예에서, 예를 들면, 시작 포인트(802)와 종료 포인트(804)가 동일한 도로 상의 상이한 위치를 나타낼 때, 노드(806a 내지 806d)는 해당 도로 상의 상이한 위치를 나타낸다. 이러한 방식으로, 방향 그래프(800)는 다양한 레벨의 입도(granularity)로 정보를 포함한다. 일 실시예에서, 높은 입도를 갖는 방향 그래프는 또한 더 큰 스케일을 갖는 다른 방향 그래프의 하위그래프이다. 예를 들어, 시작 포인트(802)와 종료 포인트(804)가 멀리 떨어져 있는(예를 들면, 수 마일(many miles) 떨어져 있는) 방향 그래프는 그의 정보 대부분이 낮은 입도이고 저장된 데이터에 기초하지만, AV(100)의 시야 내의 물리적 위치를 나타내는 그래프의 부분에 대한 일부 높은 입도 정보도 포함한다.
노드(806a 내지 806d)는 노드와 오버랩될 수 없는 대상체(808a 및 808b)와 별개이다. 일 실시예에서, 입도가 낮을 때, 대상체(808a 및 808b)는 자동차에 의해 횡단될 수 없는 영역, 예를 들면, 거리 또는 도로가 없는 구역을 나타낸다. 입도가 높을 때, 대상체(808a 및 808b)는 AV(100)의 시야 내의 물리적 대상체, 예를 들면, 다른 자동차, 보행자, 또는 AV(100)와 물리적 공간을 공유할 수 없는 다른 엔티티를 나타낸다. 일 실시예에서, 대상체(808a 내지 808b)의 일부 또는 전부는 정적 대상체(예를 들면, 가로등 또는 전신주와 같은 위치를 변경하지 않는 대상체) 또는 동적 대상체(예를 들면, 보행자 또는 다른 자동차와 같은 위치를 변경할 수 있는 대상체)이다.
노드(806a 내지 806d)는 에지(810a 내지 810c)에 의해 연결된다. 2개의 노드(806a 및 806b)가 에지(810a)에 의해 연결되는 경우, AV(100)가, 예를 들면, 다른 노드(806b)에 도착하기 전에 중간 노드로 주행할 필요 없이, 하나의 노드(806a)와 다른 노드(806b) 사이에서 주행하는 것이 가능하다. (노드들 사이에서 주행하는 AV(100)를 언급할 때, AV(100)가 각자의 노드에 의해 표현되는 2개의 물리적 위치 사이에서 주행한다는 것을 의미한다.) 에지(810a 내지 810c)는, AV(100)가 제1 노드로부터 제2 노드로, 또는 제2 노드로부터 제1 노드로 주행한다는 의미에서 종종 양방향성이다. 일 실시예에서, 에지(810a 내지 810c)는, AV(100)가 제1 노드로부터 제2 노드로 주행할 수 있지만, AV(100)가 제2 노드로부터 제1 노드로 주행할 수 없다는 의미에서 단방향성이다. 에지(810a 내지 810c)는, 예를 들어, 일방통행로, 거리, 도로, 또는 간선도로의 개별 차선, 또는 법적 또는 물리적 제약으로 인해 일 방향으로만 횡단될 수 있는 다른 특징부를 나타낼 때, 단방향성이다.
일 실시예에서, 계획 모듈(404)은 방향 그래프(800)를 사용하여 시작 포인트(802)와 종료 포인트(804) 사이의 노드 및 에지로 이루어진 경로(812)를 식별한다.
에지(810a 내지 810c)는 연관된 비용(814a 및 814b)을 갖는다. 비용(814a 및 814b)은 AV(100)가 해당 에지를 선택하는 경우 소비될 리소스를 나타내는 값이다. 전형적인 리소스는 시간이다. 예를 들어, 하나의 에지(810a)가 다른 에지(810b)의 물리적 거리의 2배인 물리적 거리를 나타내는 경우, 제1 에지(810a)의 연관된 비용(814a)은 제2 에지(810b)의 연관된 비용(814b)의 2배일 수 있다. 시간에 영향을 미치는 다른 인자는 예상된 교통상황, 교차로의 개수, 속력 제한 등을 포함한다. 다른 전형적인 리소스는 연비이다. 2개의 에지(810a 및 810b)는 동일한 물리적 거리를 나타낼 수 있지만, 예를 들면, 도로 조건, 예상된 날씨 등으로 인해, 하나의 에지(810a)는 다른 에지(810b)보다 더 많은 연료를 필요로 할 수 있다.
계획 모듈(404)이 시작 포인트(802)와 종료 포인트(804) 사이의 경로(812)를 식별할 때, 계획 모듈(404)은 전형적으로, 비용에 최적화된 경로, 예를 들면, 에지의 개별 비용이 함께 가산될 때 가장 적은 전체 비용을 갖는 경로를 선택한다.
자율 주행 차량 제어
도 9는 (예를 들면, 도 4에 도시된 바와 같은) 제어 모듈(406)의 입력 및 출력의 블록 다이어그램(900)을 도시한다. 제어 모듈은, 예를 들어, 프로세서(304)와 유사한 하나 이상의 프로세서(예를 들면, 마이크로프로세서 또는 마이크로컨트롤러 또는 둘 모두와 같은 하나 이상의 컴퓨터 프로세서), 메인 메모리(306)와 유사한 단기 및/또는 장기 데이터 스토리지(예를 들면, 메모리 랜덤 액세스 메모리 또는 플래시 메모리 또는 둘 모두), ROM(308), 및 저장 디바이스(210)를 포함하는 제어기(902), 및 메모리 내에 저장된 명령에 따라 동작하는데, 상기 명령은 명령이 (예를 들면, 하나 이상의 프로세서에 의해) 실행될 때 제어기(902)의 동작을 수행한다.
일 실시예에서, 제어기(902)는 원하는 출력(904)을 나타내는 데이터를 수신한다. 원하는 출력(904)은 전형적으로 속도, 예를 들어, 속력 및 헤딩을 포함한다. 원하는 출력(904)은, 예를 들어, (예를 들면, 도 4에 도시된 바와 같은) 계획 모듈(404)로부터 수신되는 데이터에 기초할 수 있다. 원하는 출력(904)에 따라, 제어기(902)는 스로틀 입력(906) 및 조향 입력(908)으로서 사용 가능한 데이터를 생성한다. 스로틀 입력(906)은 원하는 출력(904)을 달성하기 위해, 예를 들면, 조향 페달에 관여하거나 또는 다른 스로틀 제어에 관여함으로써, AV(100)의 스로틀(예를 들면, 가속 제어)에 관여하는 정도를 나타낸다. 일부 예에서, 스로틀 입력(906)은 AV(100)의 브레이크(예를 들면, 감속 제어)에 관여하는 데 사용 가능한 데이터를 또한 포함한다. 조향 입력(908)은 조향각, 예를 들면, AV의 조향 컨트롤(예를 들면, 조향 휠, 조향각 액추에이터, 또는 조향각을 제어하기 위한 다른 기능성)이 원하는 출력(904)을 달성하도록 위치설정되어야 하는 각도를 나타낸다.
일 실시예에서, 제어기(902)는 스로틀 및 조향에 제공되는 입력을 조정하는 데 사용되는 피드백을 수신한다. 예를 들어, AV(100)가 언덕과 같은 방해물(910)과 조우하면, AV(100)의 측정된 속력(912)은 원하는 출력 속력 아래로 낮아진다. 일 실시예에서, 임의의 측정된 출력(914)은, 예를 들어, 측정된 속력과 원하는 출력 사이의 차분(913)에 기초하여, 필요한 조정이 수행되도록 제어기(902)에 제공된다. 측정된 출력(914)은 측정된 위치(916), 측정된 속도(918)(속력 및 헤딩을 포함), 측정된 가속도(920), 및 AV(100)의 센서에 의해 측정 가능한 다른 출력을 포함한다.
일 실시예에서, 방해물(910)에 관한 정보는, 예를 들면, 카메라 또는 라이더 센서와 같은 센서에 의해 미리 검출되고, 예측 피드백 모듈(922)에 제공된다. 이후, 예측 피드백 모듈(922)은 정보를 제어기(902)에 제공하며, 제어기(902)는 이 정보를 사용하여 그에 따라 조정할 수 있다. 예를 들어, AV(100)의 센서가 언덕을 검출한("본") 경우, 이 정보는 상당한 감속을 방지하도록 적절한 시간에 스로틀에 관여할 준비를 하기 위해 제어기(902)에 의해 사용될 수 있다.
도 10은 제어기(902)의 입력, 출력, 및 컴포넌트의 블록 다이어그램(1000)을 도시한다. 제어기(902)는 스로틀/브레이크 제어기(1004)의 동작에 영향을 미치는 속력 프로파일러(1002)를 갖는다. 예를 들어, 속력 프로파일러(1002)는, 예를 들면, 제어기(902)에 의해 수신되고 속력 프로파일러(1002)에 의해 프로세싱되는 피드백에 따라 스로틀/브레이크(1006)를 사용하여 가속에 관여하거나 감속에 관여하도록 스로틀/브레이크 제어기(1004)에 명령한다.
제어기(902)는 또한 조향 제어기(1010)의 동작에 영향을 미치는 측방향 추적 제어기(1008)를 갖는다. 예를 들어, 측방향 추적 제어기(1008)는, 예를 들면, 제어기(902)에 의해 수신되고 측방향 추적 제어기(1008)에 의해 프로세싱되는 피드백에 따라 조향각 액추에이터(1012)의 위치를 조정하도록 조향 제어기(1004)에 명령한다.
제어기(902)는 스로틀/브레이크(1006) 및 조향각 액추에이터(1012)를 제어하는 방법을 결정하는 데 사용되는 여러 입력을 수신한다. 계획 모듈(404)은, 예를 들어, AV(100)가 동작을 시작할 때 헤딩을 선택하기 위해 그리고 AV(100)가 교차로에 도달할 때 어느 도로 세그먼트를 횡단할지를 결정하기 위해, 제어기(902)에 의해 사용되는 정보를 제공한다. 위치 측정 모듈(408)은, 예를 들어, 스로틀/브레이크(1006) 및 조향각 액추에이터(1012)가 제어되고 있는 방식에 기초하여 예상되는 위치에 AV(100)가 있는지를 제어기(902)가 결정할 수 있도록, AV(100)의 현재 위치를 기술하는 정보를 제어기(902)에 제공한다. 일 실시예에서, 제어기(902)는 다른 입력(1014)으로부터의 정보, 예를 들어, 데이터베이스, 컴퓨터 네트워크 등으로부터 수신된 정보를 수신한다.
필드 이론 기반 인지
일 실시예에서, 인지 모듈(402)(도 4)에 의해 인지되는 바와 같은 분류된 대상체(416)는 AV의 환경의 이산화된 표현 상에 배치된다. 그러한 이산화된 표현(1100)의 일 예가 도 11에 도시되어 있다. 이 예에서, 이산화된 표현(1100)은 각각이 환경의 단위 면적(또는 체적)을 나타내는 다수의 개별 셀(1105)(격자 셀이라고도 지칭됨)을 갖는 격자 맵을 포함한다. 일부 구현예에서, 인지 모듈(402)은 그러한 개별 격자 셀의 점유 확률을 업데이트하도록 구성되며, 점유 확률은 분류된 대상체들 중 하나 이상의 대상체가 개별 셀에 존재할 가능성을 나타낸다. 예를 들어, 새로운 센서 측정치를 대응하는 격자 셀에 대한 사후 확률의 현재 추정치와 재귀적으로 결합시키기 위해, 예를 들어, 베이지안 필터를 사용하여 차량의 환경의 이산화된 표현에서의 각각의 격자 셀의 점유 상태가 계산될 수 있다. 그러한 동적으로 업데이트되는 격자 맵은 종종 동적 점유 격자라고 지칭된다. 본 방법은 환경이 동적으로 변하고 있다고 가정하며, 환경의 역학은 뉴턴 운동 모델(Newtonian motion model)에 의해 기술된다. 따라서, 본 방법은 점유는 물론, 예를 들어, 속도, 힘 등과 같은, 동적 모델의 파라미터도 추정한다.
점유 격자 맵은 자율 주행 차량의 환경을 개별 격자 셀의 집합체로 분할하고, 개별 격자 셀의 점유 확률이 계산된다. 일부 구현예에서, 셀은 직교 격자(Cartesian grid), 극 좌표계, 구조화된 메시(structured mesh), 블록 구조화된 메시(block structured mesh), 또는 구조화되지 않은 메시(unstructured mesh)에 기초하여 맵(또는 운전 환경)을 분할하는 것에 의해 생성된다. 일부 구현예에서, 셀은, 예를 들면, 셀이 삼각형, 사변형, 오각형, 육각형, 또는 임의의 다른 다각형 또는 2차원 메시에 대한 다양한 다각형의 조합일 수 있는 구조화되지 않은 메시에 의해, 맵(또는 운전 환경)을 규칙적으로 또는 불규칙적으로 샘플링하는 것에 의해 생성된다. 유사하게, 셀은 불규칙한 사면체, 육면체, 또는 임의의 다른 폴리토프(polytope) 또는 3차원 메시에 대한 폴리토프의 조합일 수 있다. 구조화되지 않은 메시에서, 셀들 사이의 관계는 셀이 공유할 수 있는 공통 정점에 의해 결정된다. 예를 들어, 2개의 정점 인덱스 세트 [a, b, c] 및 [b, c, e]로서 정의된 2개의 삼각형은 정점 b와 정점 c 사이의 선분(line segment)으로서 정의되는 공통 모서리(common edge)를 공유한다. 일부 구현예에서, 셀은 그래프에 의해 기술될 수 있으며, 여기서 각각의 셀은 노드에 대응하고 2개의 인접한 셀은 그래프 상의 에지에 의해 특성화된다. 에지는 링크된 2개의 노드/셀 사이의 동적 상호작용(아래에서 기술됨)을 나타내는 값을 할당받을 수 있다. 각각의 격자 셀은 두 가지 상태 - 점유(occupied) 또는 비점유(free) - 중 하나에 있는 것으로 간주될 수 있다. 도 11을 참조하면, 주어진 셀이 비어 있을 확률이
Figure pct00001
로 표기되어 있다. 격자 셀의 상태는 센서 관측치에 기초하여 업데이트된다. 이것은, 예를 들어, 시간 t + 1에서의 측정치 zt+1에 기초하여 각각의 격자 셀에 이산적인 이진 점유 확률
Figure pct00002
을 할당하는 역 센서 모델(inverse sensor model)을 사용하여 행해질 수 있다. 그렇지만, 그러한 역 센서 모델의 사용은 AV에 대한 현실적인 가정이 아닐 수 있는 정적 환경의 가정을 필요로 할 수 있다. 격자 셀의 동적 상태는, 예를 들어, 필드 이론 기반 유체 역학에서 유체가 모델링되는 방식과 유사하게, 차량 또는 보행자와 같은 대상체를 입자의 집합체로서 모델링하는 것에 의해 다루어질 수 있다. 입자라는 용어는, 본원에서 사용되는 바와 같이, 물질의 물리적 단위를 지칭하지 않는다. 오히려, 소프트웨어 컴포넌트들이 함께 AV의 환경에서 대상체(예를 들면, 차량, 보행자 등) 및 자유 공간의 가상 표현을 형성하도록, 입자는 상호작용 소프트웨어 컴포넌트 세트를 나타낸다. 일부 구현예에서, 각각의 소프트웨어 컴포넌트는 개념 객체(conceptual object)의 단위의 인스턴스화를 나타내는 데이터이다. 도 11을 또다시 참조하면, 격자 셀(1110)의 확대 삽입도는 격자 셀(1110)의 내용물을 나타내는 다수의 입자(1115)를 예시한다. 입자(1115) 각각은 대응하는 입자의 상태를 나타내는 하나 이상의 파라미터와 연관될 수 있다. 예를 들어, 입자의 상태는 속도(x 방향, y 방향, z 방향 중 하나 이상을 따른 속도), 다수의 속도와 연관된 공분산, 및 입자에 작용하는 힘 중 하나 이상으로 표현될 수 있다. 그러한 파라미터는 입자의 다양한 동적 특성을 고려할 수 있다. 예를 들어, 힘 파라미터는 곡선 도로를 따른 역학 또는 가속 차량 등의 역학을 고려하는 것을 가능하게 한다.
그러한 필드 이론 기반 모델링에서, 특정 격자 셀 내의 입자의 개수 또는 특정 격자 셀에서의 입자 가중치의 합계는 대응하는 격자 셀의 점유 확률에 대한 척도를 나타낼 수 있다. 그렇지만, 그러한 격자 셀 특정 접근법은 주어진 격자 셀 내의 개별 입자 각각을 추적하는 것을 필요로 하며, 일부 경우에, 이것은 상당한 계산 부담을 야기할 수 있다. 예를 들어, 본원에서 설명된 기술을 사용하지 않고 28 비트 정확도를 달성하기 위해서는, 격자당 228개의 입자를 추적하는 것이 필요할 수 있으며, 이는 많은 AV 애플리케이션에서 달성 가능하지 않을 수 있는 계산 부담을 초래한다. 본원에서 설명된 기술은 큰 계산 부담을 피함으로써 필드 이론 기반 인지 모델을 개선시킬 수 있다. 특히, 셀의 점유를 결정하기 위해 개별 입자를 추적하는 대신에, 본원에서 설명된 기술은 입자 밀도 함수의 통계를 추적하는 것에 의해 셀의 점유 확률을 계산한다. 환언하면, 이 접근법에서의 격자 셀의 상태는 입자가 격자 셀들을 횡단할 때 입자의 결합 분포의 하나 이상의 파라미터에 의존한다. 오일러 솔버 또는 라그랑지 솔버는 하나 이상의 센서를 사용하여 획득된 하나 이상의 입자 역학 파라미터에 대해 정의된 미분 방정식의 해를 계산하는 것에 의해 시변 결합 분포를 결정하는 데 사용된다. 결과적인 업데이트된 입자 밀도 함수는 다양한 격자 셀의 점유 확률에 대한 예측을 생성하기 위해 대응하는 센서와 연관된 순방향 센서 모델과 함께 사용된다.
위에서 기술된 바와 같이, 주어진 셀이 비어 있을 확률이
Figure pct00003
로 표기되어 있다. 추가적으로, 본원에서 설명된 기술은, 2개의 서로 소(disjoint)인 체적
Figure pct00004
및
Figure pct00005
에 대해, 그 각자의 점유 확률(또는 비어 있을 확률)이 서로 관련이 없다고 가정한다. 이것은 다음과 같이 표현될 수 있다:
Figure pct00006
이러한 가정으로부터,
Figure pct00007
는 상태 공간에 대한 가법 측도(additive measure)로서 정의되며, 밀도 함수
Figure pct00008
는 다음과 같이 측도와 연관된 것으로 정의될 수 있다:
Figure pct00009
이것은 상태 공간의 체적 V 내의
Figure pct00010
개의 독립 항등 분포(identically distributed and independent) 입자의 확률 밀도 함수로서 해석될 수 있다. 특히, 입자가 동일한 것으로 간주되기 때문에, 본원에서 설명된 기술의 다른 내재된 가정은 센서 측정치가 입자를 구분하는 데 사용될 수 없다는 것이다. 오히려, 센서 측정치는 입자가 x에 위치된 경우의 관측치 γ의 확률로서 정의된다. 이러한 측정치는 순방향 센서 모델이라고 지칭되며,
Figure pct00011
로 표기된다. 또한, 센서 데이터가 입자를 구분할 수 없고 측정치가 단지 하나의 입자로부터 취해질 수 있기 때문에, 이산화된 표현에서의 격자 셀의 전체 체적 V가 점유된 경우(시각적 보조 목적으로,
Figure pct00012
로 표기된 상황)의 관측치 γ의 확률은 다음과 같이 표기될 수 있다:
Figure pct00013
자율 주행 차량 애플리케이션의 경우, 입자는 대상체, 자유 공간 등을 나타내며, 이산화된 표현의 격자 셀들을 가로질러 동적인 것으로 간주된다. 이러한 이유는 차량의 환경이 지속적으로 변하고 차량에 대한 입자의 위치가 시간에 따라 달라지기 때문이다. 입자 역학을 고려하기 위해, 입자 밀도 함수가 다차원 위상 공간(phase space)에 대해 정의될 수 있다. 예를 들어, 일부 구현예에서, 입자 밀도 함수는 시간-공간-속도 좌표 프레임에서 함수
Figure pct00014
로 정의될 수 있다. 이 함수는 시간 t에서, 위치 x에서, 속도 v로 이동하는 입자를 발견할 확률 밀도를 나타낼 수 있다. 일부 구현예에서, 확률 밀도는 센서 데이터로부터 경험적으로 추론된다. 일부 구현예에서, 확률 밀도가 알려진 확률 분포(예를 들면, 지수족(exponential family)) 또는 2개 이상의 알려진 확률 분포의 혼합으로서 모델링된다. 일부 구현예에서, 확률 밀도가 알려진 분포로서 모델링되지 않을 수 있고, 순전히 센서 데이터에 의해 특성화된다. 일부 구현예에서, 입자에 작용하는 힘, 하나 이상의 추가 방향을 따른 속도, 다수의 속도의 공분산 등과 같은 다른 입자 동적 파라미터가 시변 입자 밀도 함수에서 사용될 수 있다. 입자가 움직이지 않는(stationary) 것은 아니기 때문에, 입자 밀도 함수는 시간 경과에 따라 진화하고, 입자 밀도 함수를 구성하는 파라미터에 대해 정의된 미분 방정식 세트의 해를 결정하는 것에 의해 입자 밀도 함수의 시간 변화(time-variation)가 계산될 수 있다. 일부 구현예에서, 시간 경과에 따른 입자 밀도 함수의 진화는 확률 밀도 함수에 대한 볼츠만 방정식과 같은 운동 방정식(kinetic equation)을 사용하여 모델링될 수 있다. 예를 들어, 입자 수 보존(particle number conservation)의 기본 원칙으로부터, 다음과 같은 미분 방정식이 정의될 수 있다:
Figure pct00015
위치와 속도의 시간 도함수를 구하는 것에 의해, 다음과 같이 볼츠만 편미분 방정식이 유도될 수 있다:
Figure pct00016
상기 방정식에 기술된 역학은 직교 좌표계에 기초하지만, 임의의 좌표계에 대해 일반화될 수 있다. 일부 구현예에서, 셀 및 그 상호작용을 그래프로 설명할 때, 그래프에 대한 구배 연산자(gradient operator)는 볼츠만 방정식을 포착하는 데 사용될 수 있다.
수학식 4에 제공된 것과 같은, 다변수 편미분 방정식을 푸는 것은 계산 집약적일 수 있으며, 이는 AV의 환경에서 대상체 및 자유 공간을 찾는 데 사용되는 것과 같은 실시간 애플리케이션에 대해 이 프로세스를 바람직하지 않게 만들 수 있다. 이 프로세스를 덜 계산 집약적이고 실시간 AV 애플리케이션에 대해 실현 가능하게 만들기 위해, 본원에서 설명된 기술은 수치 근사를 사용하여 미분 방정식의 해를 계산하는 오일러 솔버를 사용한다. 오일러 솔버는 파라미터 세트의 알려진 초기 값을 사용하여 미분 방정식을 상미분 방정식(ODE)으로 근사하는 것에 의해 동작하며, 순방향 오일러 방법(forward Euler method)을 사용하여 미래 시점에서의 파라미터의 값을 예측한다.
도 12는 본원에서 설명된 기술을 구현하는 데 사용될 수 있는 인지 모듈의 일 예이다. 이 예에서, 인지 모듈(402)은 특정 시점 tn에서의 입자 밀도 함수를 계산하는 사전 분포(prior distribution) 계산기(1205)를 포함한다. 이것은, 예를 들어, 하나 이상의 센서(121)로부터 수신된 센서 데이터를 사용하여 행해질 수 있다. 일부 구현예에서, 센서 데이터는 입자에 관한 하나 이상의 파라미터에 대한 정보를 갖는 레이더 및/또는 라이더 정보를 포함할 수 있다. 예를 들어, 파라미터는 환경의 이산화된 표현을 지배하는 좌표계에 따라 정의되는 바와 같은 특정 방향을 따른 입자의 속도, 입자에 작용하는 힘, 입자의 위치 등 중 하나 이상을 포함할 수 있다. 일부 구현예에서, 사전 분포 계산기(1205)는 센서(121)로부터 수신된 정보에 기초하여 하나 이상의 추가 파라미터를 계산하도록 구성될 수 있다. 예를 들어, 센서(121)로부터 다수의 방향(예를 들면, 직교 좌표계에 따라 정의되는 바와 같은, x 방향 및 y 방향, 및 어쩌면 또한 z 방향)을 따른 속도에 대한 정보가 센서(121)로부터 수신되는 경우, 사전 분포 계산기(1205)는 그러한 속도의 공분산을 계산하도록 구성될 수 있다. 일부 구현예에서, 수신된 센서 정보가 x 방향 및 y 방향을 따른 속도 정보를 포함할 때, 사전 분포 계산기(1205)는 입자 역학과 연관된 다음과 같은 파라미터: 셀 내의 입자의 밀도 ρ, 제각기, x 방향 및 y 방향을 따른 속도 성분 vx 및 vy, 그리고 대응하는 공분산 σxx, σxy, 및 σyy를 포함하는 관측치 벡터 γ를 생성할 수 있다. 공분산 항은 속도 항에서의 불확실성을 고려하는 데 사용된다. 유체 역학에 필드 이론을 적용할 때, 이방성(anisotropic) 가정은 입자 속도가 모든 방향에서 똑같이 불확실할 것을 요구한다. 그러한 가정은 AV의 환경에서의 대상체에 대해 비현실적이며, 따라서 특별히 고려된다. 표기 목적으로, 입자 밀도 함수는 본 문서에서 위에서 표기된 바와 같이
Figure pct00017
로서, 또는 2차원 이산화된 표현의 경우
Figure pct00018
로서 표현된다. 일부 실시예에서, 극 좌표계가 사용될 수 있으며, 밀도 분포의 표기법은
Figure pct00019
가 되고, 여기서 r은 위치(x, y)의 반경이다.
이어서 관측치가 하나 이상의 파라미터에 대해 정의된 미분 방정식의 해를 계산하기 위해 오일러 솔버 또는 라그랑지 솔버(1210)에 제공될 수 있다. 오일러 솔버는 순방향 오일러 방법을 사용하여 미분 방정식의 수치 해(numerical solution)를 계산하도록 프로그래밍된 하나 이상의 프로세싱 디바이스를 포함할 수 있다. 이것은 미래 시점 tn+1에 대한 상이한 파라미터의 변동을 예측하는 것을 포함할 수 있다. 위에서 언급된 바와 같이, 점유 확률
Figure pct00020
을 계산하기 위해 셀 내의 개별 입자를 추적하는 입자 역학 기반 프로세스는, 확률
Figure pct00021
외에도, 그러한 프로세스가 또한,
Figure pct00022
와 같이, 각각의 셀 i에 대한 개별
Figure pct00023
의 계산을 필요로 하기 때문에, 계산 집약적이며, 여기서 p(x, y)는 특정 셀에 대한 입자 밀도 함수를 나타낸다. 오일러 솔버 접근법을 사용하는 것은, 그러한 프로세스와 비교하여, 계산 복잡도를 크게 감소시킬 수 있고, 계산 리소스에 대한 큰 부담 없이 더 높은 품질(예를 들면, 분해능) 및 다이내믹 레인지를 갖는 이미지를 생성할 수 있다.
오일러 솔버는 시점 tn+1에 대해 입자의 다양한 파라미터의 진화를 예측하고 그러한 예측된 값을 분포 계산기(1215)에 제공한다. 분포 계산기(1215)는 사전 분포 계산기(1205)에서의 것과 실질적으로 유사한 방식으로 입자 밀도 함수의 예측된 분포를 계산하고, 입자 밀도 함수
Figure pct00024
의 업데이트된 버전을 생성한다. 그러나 표기법 편의를 위해, 입자 밀도 함수가 또한 본 문서에서
Figure pct00025
로 표현될 수 있다. 분포 계산기(1215)에 의해 계산된 입자 밀도 함수는 사전 분포를 업데이트하기 위해 피드백 루프를 통해 사전 분포 계산기(1205)에 제공될 수 있다.
인지 모듈(402)은, 현재 관측치 벡터 γ가 주어진 경우, 미래 시점 tn+1에서 입자 위치가 점유될 가능성을 계산하는 사후 확률 계산기(1220)를 또한 포함한다. 이것은 사후 확률 계산기(1220)에 의해 다음과 같이 계산되고:
Figure pct00026
여기서
Figure pct00027
항은 순방향 센서 모델을 나타내고 점 (x, y)가 속도 v를 갖는 대상체에 의해 점유되어 있는 경우의 관측치 γ의 확률을 나타낸다. 다양한 센서 모달리티(예를 들면, 라이더, 레이더, 비전, 및 다른 센서 모달리티)에 대한 순방향 센서 모델은 주석이 달린 실측 데이터로부터 계산될 수 있다. 실측 데이터는, 예를 들어, 관측치의 통계 및 점유 정보를, 둘 모두를 독립적인 랜덤 샘플로 간주하여, 수집하는 것에 의해, 수집될 수 있다. 파라미터의 결합 분포를 점유를 조건으로 하기(condition) 위해 사후 확률 계산기(1220)에 의해 그러한 순방향 센서 모델이 사용된다. 일부 구현예에서, 측정치 및 점유 정보는 실질적으로 연속적인 분포로부터 도출된다. 그러한 연속 분포는 관측치 샘플을 적절히 이격된 빈에 배치함으로써 히스토그램을 기록하는 것 및 분석 밀도 함수를 이산 히스토그램에 피팅하는 것에 의해 근사화될 수 있다.
일부 구현예에서, 순방향 센서 모델은 또한 센서에서 고장 조건을 검출하도록 구성될 수 있다. 예를 들어, 그러한 모델로부터 획득된 실측 데이터는 수신된 센서 데이터가 해당 특정 센서에 대한 예상된 값의 범위를 임계 양만큼 벗어났는지, 및/또는 수신된 데이터가 다른 센서에 대해 수신된 데이터와 일치하지 않는지를 결정하는 데 사용될 수 있다. 특정 센서로부터의 센서 데이터가 임계 양만큼 그 범위를 벗어난 것으로 결정되는 경우, 해당 센서에 대해 고장 조건이 결정/플래깅될 수 있으며, 대응하는 센서 입력은 고장 조건이 해결될 때까지 무시될 수 있다.
따라서 사후 확률 계산기(1220)에 의해 생성된 출력은 입자 밀도 함수
Figure pct00028
에 대한 베이지안 추정치이다. 이 함수에서,
Figure pct00029
은 시간을 나타내고, (x, y)는 2차원 공간 W에서의 위치를 나타내며,
Figure pct00030
는 (x, y)에서의 속도 벡터이다. 이 출력은 동적 점유 격자와 같은 이산화된 표현에 걸쳐 다양한 방식으로 질의될 수 있다. 예를 들어, 질의의 한 형태는 위상 공간에 시간이 추가된 영역
Figure pct00031
에서 예상된 입자 수를 계산하는 것이다. 일부 구현예에서, 이것은 다음과 같이 계산될 수 있다:
Figure pct00032
입자가 독립적이고 항등적으로 분포되어 있고 입자 수가 매우 많다는 가정 하에서, 이것은 위상 공간에 시간이 추가된 영역이 비어 있을 확률이 다음과 같이 주어진다는 것을 산출한다:
Figure pct00033
따라서 본원에서 설명된 기술은 대상체뿐만 아니라 자유 공간도 추적하는 데 사용될 수 있다. 이것은, 예를 들어, AV가 어디로 조향될 수 있는지에 대한 정보로서, AV의 계획 모듈에 중요할 수 있다. 일부 구현예에서, 이 정보는, 어쩌면 AV가 그로부터 멀어지게 조향되어야 하는 대상체에 대한 정보와 함께, 예를 들어, 여러 가능성을 제공함으로써 AV의 제어를 개선시킬 수 있다.
일부 구현예에서, 입자 밀도 함수로부터 더 많은 정보를 획득하기 위해 하나 이상의 추가 수량이 정의될 수 있다. 예를 들어, 포인트 세트
Figure pct00034
에 대해, 닫힌 다각형은 이러한 포인트들 중 임의의 것에서 나오는 광선이 홀수 개의 세그먼트
Figure pct00035
와 교차하도록 월드(world) W에서의 포인트 세트로서 정의될 수 있다. 이러한 다각형은 P로서 표기될 수 있다. 일부 구현예에서, 다각형은 AV 환경의 이산화된 표현의 격자 셀을 나타낼 수 있다. 그렇지만, 특히, 다각형의 정의가 임의의 특정 격자에 의존하지 않기 때문에, 본원에서 설명된 기술은 격자 무관 방식(grid-agnostic manner)으로 구현될 수 있다. 게다가, 일부 경우에 특정 시점에서의 입자 밀도 함수를 나타내는 조건부 분포
Figure pct00036
, 속도에 관계없이 공간과 시간에서의 입자 밀도 함수를 나타내는 비조건부 분포(unconditional distribution)
Figure pct00037
, 및 둘 모두의 조합을 정의하는 것이 유용할 수 있다. 그러한 수량은 AV의 동작에 대한 다양한 관심 수량을 결정하는 데 사용될 수 있다. 예를 들어, 다각형 P가 특정 시간 t0에서 점유될 확률은 다음과 같이 계산될 수 있다:
Figure pct00038
다수의 속도(예를 들면, 상이한 방향을 따른 속도)를 고려할 때, 속도 벡터 공간에서 다른 다각형 Pv를 정의하는 것에 의해 이것이 확장될 수 있다. 이러한 확장 하에서, 대상체가 다각형 Px를 점유하고 Pv로부터의 속도로 주행할 확률은 다음과 같이 주어진다:
Figure pct00039
다른 예에서, 공간이 일정 시간 간격 동안 점유될 확률과 같은, 다양한 다른 확률이 위에서 설명된 입자 밀도 함수를 사용하여 계산될 수 있다. 그러한 확률은, 입자에 대한 레이블링과 함께, 무생물 대상체, 사람, 및 자유 공간을 포함한 다양한 분류된 대상체(416), 및 이들이 AV 환경의 이산화된 표현을 통해 시간 경과에 따라 어떻게 움직이는지를 식별하는 데 사용될 수 있다.
이산화된 표현에 걸쳐 입자 밀도 함수를 추적하기 전에, 인지 모듈(402)은 입자(보행자, 자동차, 자유 공간 등)를 정의하고 레이블링할 수 있으며, 개별 격자 셀에 초기 확률을 할당할 수 있다. 일부 구현예에서, 각각의 셀은 초기에 (예를 들면, 높은 점유 확률의 할당을 통해) 점유된 것으로 가정되고, 나중에 센서 데이터에 기초하여 업데이트된다. 일부 구현예에서, 입자는 대상체를 나타내는지(자동차, 보행자 등을 구분하기 위해 추가적인 색상 코딩을 사용함) 또는 자유 공간을 나타내는지에 따라 상이한 색상을 할당받을 수 있다. 일부 구현예에서, 입자는, 그 내용이 참조에 의해 본원에 포함되는, 문서 - Nuss et. al, “A Random Finite Set Approach for Dynamic Occupancy Grid Maps with Real-Time Application,” International Journal of Robotics Research, Volume: 37 issue: 8, page(s): 841-866 - 에 기술된 것과 같은 상호작용 소프트웨어 컴포넌트로서 정의되고, 레이블링되며, 업데이트될 수 있다.
도 13a는 본원에서 설명된 기술에 따라 동작하는 인지 모듈의 출력을 사용하여 생성된 사용자 인터페이스(1300)의 예를 도시한다. 인터페이스(1300)는 다수의 카메라 뷰(1305a 내지 1305d)는 물론 환경에서의 다양한 대상체에 상대적인 AV(100)의 상대 위치를 보여준다. 구체적으로, 1305는 전면 카메라 뷰를 나타내고, 1305b 및 1305c는 측면 카메라 뷰를 나타내며, 1305d는 후면 카메라 뷰를 나타낸다. 이 예에서, 도로만이 환경의 이산화된 표현의 일부인 것으로 간주되며, 입자는 대응하는 격자 셀에 걸쳐 초기화된다. 이 예에서, 대상체와 자유 공간은 상이하게 색상 코딩된다. 예를 들어, 전면 카메라 뷰(1305a)에서 보이는 자동차는 입자의 집합체(1310)로서 표현되고, 측면 카메라 뷰(1305b)에서 보이는 보행자는 입자의 집합체(1315)로서 표현된다. 입자가 격자 셀들을 횡단할 때의 입자의 집합체의 진화는 위에서 기술된 바와 같이 필드 이론 기반 인지를 사용하여 추적된다.
도 13b 및 도 13c는 본원에서 설명된 기술에 따라 제각기 생성된, 추가 사용자 인터페이스(1320 및 1330)의 예를 도시한다. 구체적으로, 인터페이스(1330)는 사용자 인터페이스(1320)에 표현된 시점보다 1초 미만 더 늦은 시점을 예시하고, 본원에서 설명된 기술의 주요 이점을 예시한다. 전면 카메라 뷰(1305a)로부터 알 수 있는 바와 같이, 자동차(1325)(입자의 집합체(1330)에 대응함)는 입자(1325)의 집합체에 대응하는 대상체/대상체들의 뷰를 폐색한다. 그렇지만, 인지 모듈이 격자 셀을 통해 입자의 진화를 예측할 수 있기 때문에, 입자의 집합체(1335)가 다른 대상체를 표현하는 연결된 입자로부터 분리되기 직전에 보여진다. 실제로, 도 13c에 도시된 바와 같이, 1초 미만 후에, 다른 자동차(1340)가 자동차(1325)에 의해 폐색된 부분으로부터 나오는 것이 보이고, 입자의 집합체(1335)의 진화로서 계속 추적된다. 따라서, 본원에서 설명된 기술은, 일부(및, 일부 경우에, 모든) 입자가 폐색되어 보이지 않게 될 때에도, 입자의 집합체의 진화를 정확하게 추적하는 데 사용될 수 있다. 구체적으로, 센서 데이터가 입자에 관련된 하나 이상의 파라미터를 누락하고 있는 경우, 입자(또는 입자의 집합체)에 대해 이전에 획득된 값이 대응하는 시변 입자 밀도 함수에 대한 업데이트를 결정하는 데 사용될 수 있다. 이것은 대상체가 카메라의 시야에 들어오기 전에도 대상체를 선제적으로 고려함으로써 계획 모듈에 상당한 이점을 제공할 수 있다.
도 14는 자율 주행 차량의 환경에서의 위치의 점유의 예측을 생성하기 위한 예시적인 프로세스(1400)의 플로차트이다. 일부 구현예에서, 프로세스(1400)의 적어도 일 부분은, 예를 들어, 하나 이상의 프로세싱 디바이스를 사용하여 AV의 인지 모듈(예를 들면, 도 4에 도시된 인지 모듈(402))에서 실행될 수 있다. 프로세스(1400)의 동작들은 AV가 동작하는 환경의 이산화된 표현을 생성하는 것(1402)을 포함한다. 이산화된 표현은 복수의 셀(본원에서 격자 셀이라고도 지칭됨)을 포함할 수 있다. 각각의 셀은 환경에서의 대상체 또는 자유 공간 중 적어도 하나를 나타내는 다수의 입자에 의해 점유된 것으로 정의될 수 있다. 입자는 물질의 물리적 단위가 아니라, 오히려 유체 역학에서 필드 이론의 원리에 따라 물리적 대상체의 가상 단위를 나타내는 상호작용 소프트웨어 컴포넌트 세트이다. 이산화된 표현은 직교 좌표계 또는 극 좌표계를 사용하여 정의된 격자를 포함할 수 있다. 일부 구현예에서, 이산화된 표현은 동적 점유 격자를 나타낼 수 있다.
일부 구현예에서, 이산화된 표현에서의 각각의 셀에는 점유의 초기 값이 할당되며, 이 초기 값은 이어서 입자 밀도 함수의 진화에 따라 업데이트된다. 예를 들어, 점유의 초기 값 또는 점유 확률은 AV 주변의 환경 전부가 점유되어 있다는 안전한 가정을 나타내기 위해 100%(또는 어떤 다른 높은 값)로 할당될 수 있다. 이어서 셀의 점유 확률이 입자 밀도 함수의 진화 및/또는 센서 데이터에 따라 업데이트된다. 일부 구현예에서, 레이블이 다수의 입자에 할당되고, 각각의 레이블은, 예를 들어, 대응하는 입자가 대상체를 나타내는지 또는 자유 공간을 나타내는지를 표시한다. 이러한 레이블은 수신된 센서 데이터에 따라 업데이트될 수 있다. 예를 들어, AV 전방의 자동차가 좌회전 또는 우회전하는 경우, 센서 데이터(및/또는 차량에 대응하는 입자 밀도 함수의 진화)는 AV 전방의 셀 내의 하나 이상의 입자를 자유 공간으로서 업데이트할 수 있다.
프로세스(1400)의 동작들은, AV의 하나 이상의 센서로부터, 환경에서의 다수의 입자 중 적어도 하나의 입자의 상태를 나타내는 센서 데이터를 수신하는 것(1404)을 또한 포함한다. 하나 이상의 센서는 위에서 기술된 센서(121)의 임의의 조합을 포함할 수 있다. 입자의 상태는, 예를 들어, 입자와 연관된 하나 이상의 속도(예를 들면, 상이한 방향을 따른 속도), 다수의 속도와 연관된 공분산, 및/또는 적어도 하나의 입자에 작용하는 힘을 포함할 수 있다. 힘을 고려하는 것은 대응하는 대상체 또는 자유 공간의 다양한 역학, 예를 들면, 곡선 경로를 따른 차량의 모션, 가속하는 차량 등을 고려하는 것을 가능하게 한다.
프로세스(1400)의 동작들은센서 데이터 및 하나 이상의 센서와 연관된 하나 이상의 모델로부터 동적 점유 격자에서의 적어도 하나의 입자의 위치와 연관된 시변 입자 밀도 함수에 대한 업데이트를 결정하는 것(1406)을 또한 포함한다. 시변 입자 밀도 함수에 대한 업데이트를 결정하는 것은, 오일러 솔버 또는 라그랑지 솔버를 사용하여, 적어도 하나의 입자의 상태와 연관된 하나 이상의 파라미터에 대해 정의된 하나 이상의 미분 방정식의 해를 결정하는 것을 포함할 수 있다. 오일러 솔버는 도 12를 참조하여 위에서 기술된 오일러 솔버(1210)와 실질적으로 유사할 수 있다. 하나 이상의 모델은 이산화된 표현의 다양한 셀의 점유 확률에 대한 정보를 제공하도록 트레이닝된 센서 모델을 나타낼 수 있다. 확률은, 예를 들어, 순방향 센서 모델을 참조하여 위에서 기술된 바와 같이, 대응하는 센서 데이터를 조건으로 할 수 있다. 일부 구현예에서, 입자 밀도 함수에 대한 업데이트를 결정하는 것은 센서 데이터가 적어도 하나의 입자의 상태를 나타내는 적어도 하나의 파라미터를 누락하고 있다고 결정하는 것, 및 이에 응답하여, 시변 입자 밀도 함수에 대한 업데이트를 결정하는 데 적어도 하나의 파라미터의 이전 값을 사용하는 것을 포함할 수 있다. 일부 경우에, 이것은 센서로부터 폐색되는 위치에 대응하는 입자 밀도 함수를 업데이트하는 것을 가능하게 한다.
프로세스(1400)의 동작들은 업데이트된 입자 밀도 함수에 기초하여 이산화된 표현에서의 적어도 하나의 셀의 점유의 예측을 생성하는 것(1408)을 또한 포함한다. 이것은, 예를 들어, 적어도 하나의 셀의 점유 확률을 (i) 센서 데이터에 기초하여 생성된 조건부 확률과 하나 이상의 센서 모델에 기초하여 생성된 조건부 확률의 비와 (ii) 적어도 하나의 셀에 대한 업데이트된 시변 입자 밀도 함수의 곱으로서 결정하는 것을 포함할 수 있다. 조건부 확률의 비는 (i) 적어도 하나의 셀이 점유된 것을 조건으로 센서 데이터를 수신할 제1 확률과 (ii) 적어도 하나의 셀이 점유되지 않은 것을 조건으로 센서 데이터를 수신할 제2 확률의 비일 수 있다. 제1 확률과 제2 확률은 하나 이상의 센서 모델을 사용하여 결정될 수 있다. 일부 구현예에서, 예측은, 예를 들어, 수학식 5에 따라 생성될 수 있다. 프로세스(1400)의 동작들은, 제어기 회로를 사용하여, 예측에 적어도 부분적으로 기초하여 AV를 동작시키는 것(1410)을 또한 포함한다.
도 15는 자율 주행 차량의 환경에서의 위치의 점유의 예측을 생성하기 위한 예시적인 프로세스(1500)의 플로차트이다. 일부 구현예에서, 프로세스(1500)의 적어도 일 부분은, 예를 들어, 하나 이상의 프로세싱 디바이스를 사용하여 AV의 인지 모듈(예를 들면, 도 4에 도시된 인지 모듈(402))에서 실행될 수 있다. 일부 구현예에서, 프로세스(1500)의 동작들의 적어도 일 부분은 하나 이상의 센서에 탑재된 프로세싱 회로에 의해 실행될 수 있다. 프로세스(1500)의 동작들은, 환경의 이산화된 표현의 셀의 내용물을 나타내는 상호작용 소프트웨어 컴포넌트 세트를 인스턴스화하는 것(1502)을 포함한다. 이산화된 표현은 동적 점유 격자에서와 같이 복수의 셀을 포함할 수 있다. 이산화된 표현은 도 14를 참조하여 위에서 기술된 것과 실질적으로 유사할 수 있다.
프로세스(1500)의 동작들은,AV의 하나 이상의 센서로부터, 상호작용 소프트웨어 컴포넌트 세트의 상호작용 소프트웨어 컴포넌트와 연관된 센서 관측치 벡터를 수신하는 것(1504)을 또한 포함한다. 센서 관측치 벡터는 주어진 위치에서의 상호작용 소프트웨어 컴포넌트와 연관된 하나 이상의 파라미터를 포함할 수 있다. 하나 이상의 센서는 위에서 기술된 센서(121)의 임의의 조합을 포함할 수 있다. 입자의 상태는, 예를 들어, 입자와 연관된 하나 이상의 속도(예를 들면, 상이한 방향을 따른 속도), 다수의 속도와 연관된 공분산, 및/또는 적어도 하나의 입자에 작용하는 힘을 포함할 수 있다.
프로세스(1500)의 동작들은센서 관측치 벡터로부터 주어진 위치에 대응하는 이산화된 표현의 셀들 중의 셀과 연관된 시변 입자 밀도 함수에 대한 업데이트를 결정하는 것(1506)을 또한 포함한다. 시변 입자 밀도 함수에 대한 업데이트를 결정하는 것은, 오일러 솔버 또는 라그랑지 솔버를 사용하여, 적어도 하나의 입자의 상태와 연관된 하나 이상의 파라미터에 대해 정의된 하나 이상의 미분 방정식의 해를 결정하는 것을 포함할 수 있다. 오일러 솔버는 도 12를 참조하여 위에서 기술된 오일러 솔버(1210)와 실질적으로 유사할 수 있다. 하나 이상의 모델은 이산화된 표현의 다양한 셀의 점유 확률에 대한 정보를 제공하도록 트레이닝된 센서 모델을 나타낼 수 있다. 확률은, 예를 들어, 순방향 센서 모델을 참조하여 위에서 기술된 바와 같이, 대응하는 센서 데이터를 조건으로 할 수 있다. 일부 구현예에서, 입자 밀도 함수에 대한 업데이트를 결정하는 것은 센서 데이터가 적어도 하나의 입자의 상태를 나타내는 적어도 하나의 파라미터를 누락하고 있다고 결정하는 것, 및 이에 응답하여, 시변 입자 밀도 함수에 대한 업데이트를 결정하는 데 적어도 하나의 파라미터의 이전 값을 사용하는 것을 포함할 수 있다. 일부 경우에, 이것은 센서로부터 폐색되는 위치에 대응하는 입자 밀도 함수를 업데이트하는 것을 가능하게 한다.
프로세스(1500)의 동작들은 업데이트된 입자 밀도 함수에 기초하여 셀의 점유의 예측을 생성하는 것(1508)을 또한 포함한다. 이것은, 예를 들어, 적어도 하나의 셀의 점유 확률을 (i) 센서 데이터에 기초하여 생성된 조건부 확률과 하나 이상의 센서 모델에 기초하여 생성된 조건부 확률의 비와 (ii) 적어도 하나의 셀에 대한 업데이트된 시변 입자 밀도 함수의 곱으로서 결정하는 것을 포함할 수 있다. 조건부 확률의 비는 (i) 적어도 하나의 셀이 점유된 것을 조건으로 센서 데이터를 수신할 제1 확률과 (ii) 적어도 하나의 셀이 점유되지 않은 것을 조건으로 센서 데이터를 수신할 제2 확률의 비일 수 있다. 제1 확률과 제2 확률은 하나 이상의 센서 모델을 사용하여 결정될 수 있다. 일부 구현예에서, 예측은, 예를 들어, 수학식 5에 따라 생성될 수 있다. 프로세스(1500)의 동작들은 예측에 기초하여 차량의 동작을 보강하는 것(1510)을 또한 포함한다. 이것은, 예를 들어, 대상체에 의해 점유될 것으로 예측되는 셀로부터 멀어지게 차량을 조향하는 것, 자유 공간을 가질 것으로 예측되는 영역으로 차량을 조향하는 것, 또는 하나 이상의 대상체에 의해 점유될 것으로 예측되는 영역을 피하기 위해 가속/제동하는 것을 포함할 수 있다.
일부 실시예에서, 방정식을 풀기 위해 사용되는 솔버는: 유한 차분법(finite difference scheme)(예를 들면, 상류 차분(upwind difference), Lax-Friedrichs, Lax-Wendroff, Warming-Beam, 인공 점성 방법(artificial viscosity method) 등) 또는 유한 체적법(finite volume scheme)(예를 들면, Godunov 방법, 플럭스 제한(flux limiting), 플럭스 분할(flux splitting), 무작위 선택(random choice) 등) 또는 유한 요소법(finite element scheme)(예를 들면, Galerkin, Petrov-Galerkin, 불연속 Galerkin, 1차 시스템 최소 제곱(first-order systems least squares) 등) 또는 입자-인-셀 방법(particle-in-cell method) 또는 격자 볼츠만 방법(lattice Boltzmann method) 또는 경계 요소 방법(boundary element method)을 포함한다.
대안적인 실시예
일 실시예에서, 하나 이상의 프로세싱 디바이스의 적어도 일 부분은 차량의 인지 회로에 배치된다.
일 실시예에서, 차량은 하나 이상의 컴퓨터 프로세서 및 명령을 저장하기 위한 하나 이상의 비-일시적 저장 매체를 포함한다. 명령은, 하나 이상의 컴퓨터 프로세서에 의해 실행될 때, 환경의 이산화된 표현을 생성하는 것을 포함한 동작들을 수행하게 한다. 이산화된 표현은 다수의 셀을 포함한다. 각각의 셀은 환경에서의 대상체 또는 자유 공간 중 적어도 하나를 나타내는 다수의 입자에 의해 점유된다. 차량의 하나 이상의 센서로부터, 환경에서의 다수의 입자 중 적어도 하나의 입자의 상태를 나타내는 센서 데이터가 수신된다. 센서 데이터 및 하나 이상의 센서와 연관된 하나 이상의 모델로부터 동적 점유 격자에서의 적어도 하나의 입자의 위치와 연관된 시변 입자 밀도 함수에 대한 업데이트가 결정된다. 업데이트된 입자 밀도 함수에 기초하여 이산화된 표현에서의 적어도 하나의 셀의 점유의 예측이 생성된다. 차량은 예측에 적어도 부분적으로 기초하여 동작된다.
일 실시예에서, 하나 이상의 센서에 탑재된 프로세싱 회로를 사용하여, 환경의 이산화된 표현의 셀의 내용물을 나타내는 상호작용 소프트웨어 컴포넌트 세트가 인스턴스화된다. 하나 이상의 센서로부터, 상호작용 소프트웨어 컴포넌트 세트의 상호작용 소프트웨어 컴포넌트와 연관된 센서 관측치 벡터가 수신된다. 센서 관측치 벡터는 주어진 위치에서의 상호작용 소프트웨어 컴포넌트와 연관된 하나 이상의 파라미터를 포함한다. 프로세싱 회로를 사용하여, 센서 관측치 벡터로부터 주어진 위치에 대응하는 이산화된 표현의 셀들 중의 셀과 연관된 시변 입자 밀도 함수에 대한 업데이트가 결정된다. 프로세싱 회로를 사용하여, 업데이트된 입자 밀도 함수에 기초하여 셀의 점유의 예측이 결정된다. 프로세싱 회로를 사용하여, 예측에 기초하여 차량이 동작되게 된다.
일 실시예에서, 이산화된 표현은 구조화된 메시, 블록 구조화된 메시, 또는 구조화되지 않은 메시를 사용하여 정의된 격자를 포함한다.
일 실시예에서, 격자는 직교 좌표계 또는 극 좌표계, 또는 그래픽 모델을 사용하여 정의된다.
일 실시예에서, 복수의 셀의 각각의 셀에 대해, 점유의 초기 값이 할당되고, 이 초기 값이 이어서 입자 밀도 함수의 진화에 따라 업데이트된다.
일 실시예에서, 레이블이 다수의 입자에 할당되고, 각각의 레이블은 대응하는 입자가 대상체를 나타내는지 또는 자유 공간을 나타내는지를 표시한다.
일 실시예에서, 레이블은 센서 데이터에 따라 업데이트된다.
일 실시예에서, 연속적인 가중치가 다수의 입자에 할당되며, 각각의 가중치는 누적 밀도 함수에 대한 개별 입자의 기여도를 나타낸다.
일 실시예에서, 시변 입자 밀도 함수에 대한 업데이트를 결정하는 것은, 오일러 솔버 또는 라그랑지 솔버를 사용하여, 적어도 하나의 입자의 상태와 연관된 하나 이상의 파라미터에 대해 정의된 하나 이상의 미분 방정식의 해를 계산하는 것을 포함한다.
일 실시예에서, 적어도 하나의 입자의 상태는 적어도 하나의 입자와 연관된 적어도 하나의 속도를 포함한다.
일 실시예에서, 적어도 하나의 입자의 상태는 (i) 대응하는 방향을 따른 다수의 속도 및 (ii) 다수의 속도와 연관된 공분산을 포함한다.
일 실시예에서, 적어도 하나의 입자의 상태는 적어도 하나의 입자에 작용하는 힘을 포함한다.
일 실시예에서, 하나 이상의 모델 각각은 이산화된 표현의 다양한 셀의 점유 확률에 대한 정보를 제공하도록 트레이닝된 센서 모델을 나타내며, 확률은 대응하는 센서 데이터를 조건으로 한다.
일 실시예에서, 적어도 하나의 셀의 점유의 예측을 생성하는 것은 적어도 하나의 셀의 점유 확률을 (i) 센서 데이터에 기초하여 생성된 조건부 확률과 하나 이상의 센서 모델에 기초하여 생성된 조건부 확률의 비와 (ii) 적어도 하나의 셀에 대한 업데이트된 시변 입자 밀도 함수의 곱으로서 결정하는 것을 포함할 수 있다.
일 실시예에서, 조건부 확률의 비는 (i) 적어도 하나의 셀이 점유된 것을 조건으로 센서 데이터를 수신할 제1 확률과 (ii) 적어도 하나의 셀이 점유되지 않은 것을 조건으로 센서 데이터를 수신할 제2 확률의 비이고, 여기서 제1 확률과 제2 확률은 하나 이상의 센서 모델을 사용하여 결정된다.
일 실시예에서, 특정 센서에 대응하는 센서 데이터가 특정 센서와 연관된 대응하는 모델을 사용하여 계산된 예상된 값의 임계 범위를 벗어난 것으로 결정한다. 특정 센서에 대응하는 센서 데이터가 임계 범위를 벗어난 것으로 결정하는 것에 응답하여, 특정 센서에 대한 고장 조건이 식별된다.
일 실시예에서, 센서 데이터가 적어도 하나의 입자의 상태를 나타내는 적어도 하나의 파라미터를 누락하고 있다고 결정된다. 센서 데이터가 적어도 하나의 파라미터를 누락하고 있는 것으로 결정하는 것에 응답하여, 적어도 하나의 파라미터의 이전 값이 시변 입자 밀도 함수에 대한 업데이트를 결정하는 데 사용된다.
일 실시예에서, 프로세싱 회로의 적어도 일 부분은 차량의 인지 회로에 배치된다.
일 실시예에서, 차량은 하나 이상의 컴퓨터 프로세서 및 명령을 저장하는 하나 이상의 비-일시적 저장 매체를 포함하며, 명령은, 하나 이상의 컴퓨터 프로세서에 의해 실행될 때, 환경의 이산화된 표현의 셀의 내용물을 나타내는 상호작용 소프트웨어 컴포넌트 세트를 인스턴스화하는 동작을 포함한 동작들을 수행하게 한다. 하나 이상의 센서로부터, 상호작용 소프트웨어 컴포넌트 세트의 상호작용 소프트웨어 컴포넌트와 연관된 센서 관측치 벡터가 수신된다. 센서 관측치 벡터는 주어진 위치에서의 상호작용 소프트웨어 컴포넌트와 연관된 하나 이상의 파라미터를 포함한다. 센서와 연관된 하나 이상의 센서 관측치에 기초한 센서 관측치 벡터로부터 주어진 위치에 대응하는 이산화된 표현의 셀들 중의 셀과 연관된 시변 입자 밀도 함수에 대한 업데이트가 결정된다. 업데이트된 입자 밀도 함수에 기초하여 셀의 점유의 예측이 생성된다. 예측에 기초하여 차량의 동작이 보강된다.
일 실시예에서, 환경에서 동작하는 차량의 하나 이상의 프로세싱 디바이스는 환경의 이산화된 표현을 생성하는 데 사용된다. 이산화된 표현은 다수의 셀을 포함한다. 각각의 셀은 환경에서의 대상체 또는 자유 공간 중 적어도 하나를 나타내는 입자에 의해 점유된다. 차량의 하나 이상의 센서로부터, 환경에서의 다수의 입자 중 적어도 하나의 입자의 상태를 나타내는 센서 데이터가 수신된다. 하나 이상의 프로세싱 디바이스를 사용하여, 센서 데이터 및 하나 이상의 센서와 연관된 하나 이상의 모델로부터 동적 점유 격자에서의 적어도 하나의 입자의 위치와 연관된 시변 입자 밀도 함수에 대한 업데이트가 결정된다. 하나 이상의 프로세싱 디바이스를 사용하여, 업데이트된 입자 밀도 함수에 기초하여 이산화된 표현에서의 적어도 하나의 셀의 점유의 예측이 생성된다. 차량의 제어기 회로를 사용하여, 예측에 적어도 부분적으로 기초하여 차량이 동작된다.
일 실시예에서, 이산화된 표현은 직교 좌표계 또는 극 좌표계 또는 그래픽 모델을 사용하여 정의된 격자를 포함한다.
일 실시예에서, 이산화된 표현은 그래프를 포함하고 여기서 각각의 셀은 노드에 대응하고 2개의 인접한 셀은 그래프에서의 에지에 의해 특성화된다.
일 실시예에서, 복수의 셀의 각각의 셀에 대해, 점유의 초기 값이 할당되고, 이 초기 값이 이어서 입자 밀도 함수의 진화에 따라 업데이트된다.
일 실시예에서, 레이블이 다수의 입자에 할당된다. 각각의 레이블은 대응하는 입자가 대상체를 나타내는지 또는 자유 공간을 나타내는지를 표시한다.
일 실시예에서, 레이블은 센서 데이터에 따라 업데이트된다.
일 실시예에서, 시변 입자 밀도 함수에 대한 업데이트를 결정하는 것은, 오일러 솔버를 사용하여, 적어도 하나의 입자의 상태와 연관된 하나 이상의 파라미터에 대해 정의된 하나 이상의 미분 방정식 또는 하나 이상의 구배 연산자의 해를 결정하는 것을 포함한다.
일 실시예에서, 적어도 하나의 입자의 상태는 적어도 하나의 입자와 연관된 적어도 하나의 속도를 포함한다.
일 실시예에서, 적어도 하나의 입자의 상태는 (i) 대응하는 방향을 따른 다수의 속도 및 (ii) 다수의 속도와 연관된 공분산을 포함한다.
일 실시예에서, 적어도 하나의 입자의 상태는 적어도 하나의 입자에 작용하는 힘을 포함한다.
일 실시예에서, 하나 이상의 모델 각각은 이산화된 표현의 다양한 셀의 점유 확률에 대한 정보를 제공하도록 트레이닝된 센서 모델을 나타내며, 확률은 대응하는 센서 데이터를 조건으로 한다.
일 실시예에서, 하나 이상의 모델 각각은 알려진 확률 분포, 2개 이상의 확률 분포의 혼합, 또는 경험적 분포(empirical distribution) 중 하나를 나타낸다.
일 실시예에서, 적어도 하나의 셀의 점유의 예측을 생성하는 것은 적어도 하나의 셀의 점유 확률을 (i) 센서 데이터에 기초하여 생성된 조건부 확률과 하나 이상의 센서 모델에 기초하여 생성된 조건부 확률의 비와 (ii) 적어도 하나의 셀에 대한 업데이트된 시변 입자 밀도 함수의 곱으로서 결정하는 것을 포함한다.
일 실시예에서, 조건부 확률의 비는 (i) 적어도 하나의 셀이 점유된 것을 조건으로 센서 데이터를 수신할 제1 확률과 (ii) 적어도 하나의 셀이 점유되지 않은 것을 조건으로 센서 데이터를 수신할 제2 확률의 비이고, 여기서 제1 확률과 제2 확률은 하나 이상의 센서 모델을 사용하여 결정된다.
일 실시예에서, 특정 센서에 대응하는 센서 데이터가 특정 센서와 연관된 대응하는 모델을 사용하여 결정된 예상된 값의 임계 범위를 벗어난 것으로 결정된다. 특정 센서에 대응하는 센서 데이터가 임계 범위를 벗어난 것으로 결정하는 것에 응답하여, 특정 센서에 대한 고장 조건이 식별된다.
일 실시예에서, 센서 데이터가 적어도 하나의 입자의 상태를 나타내는 적어도 하나의 파라미터를 누락하고 있다고 결정된다. 센서 데이터가 적어도 하나의 파라미터를 누락하고 있는 것으로 결정하는 것에 응답하여, 적어도 하나의 파라미터의 이전 값이 시변 입자 밀도 함수에 대한 업데이트를 결정하는 데 사용된다.
일 실시예에서, 하나 이상의 프로세싱 디바이스의 적어도 일 부분은 차량의 인지 회로에 배치된다.
일 실시예에서, 차량은 하나 이상의 컴퓨터 프로세서 및 명령을 저장하는 하나 이상의 비-일시적 저장 매체를 포함하며, 명령은, 하나 이상의 컴퓨터 프로세서에 의해 실행될 때, 환경의 이산화된 표현을 생성하는 동작을 포함한 동작들을 수행하게 한다. 이산화된 표현은 다수의 셀을 포함한다. 각각의 셀은 환경에서의 대상체 또는 자유 공간 중 적어도 하나를 나타내는 다수의 입자에 의해 점유된다. 차량의 하나 이상의 센서로부터, 환경에서의 다수의 입자 중 적어도 하나의 입자의 상태를 나타내는 센서 데이터가 수신된다. 센서 데이터 및 하나 이상의 센서와 연관된 하나 이상의 모델로부터 동적 점유 격자에서의 적어도 하나의 입자의 위치와 연관된 시변 입자 밀도 함수에 대한 업데이트가 결정된다. 업데이트된 입자 밀도 함수에 기초하여 이산화된 표현에서의 적어도 하나의 셀의 점유의 예측이 생성된다. 차량은 예측에 적어도 부분적으로 기초하여 동작된다.
일 실시예에서, 하나 이상의 센서에 탑재된 프로세싱 회로를 사용하여, 환경의 이산화된 표현의 셀의 내용물을 나타내는 상호작용 소프트웨어 컴포넌트 세트가 인스턴스화된다. 하나 이상의 센서로부터, 상호작용 소프트웨어 컴포넌트 세트의 상호작용 소프트웨어 컴포넌트와 연관된 센서 관측치 벡터가 수신된다. 센서 관측치 벡터는 주어진 위치에서의 상호작용 소프트웨어 컴포넌트와 연관된 하나 이상의 파라미터를 포함한다. 프로세싱 회로를 사용하여, 센서 관측치 벡터로부터 주어진 위치에 대응하는 이산화된 표현의 셀들 중의 셀과 연관된 시변 입자 밀도 함수에 대한 업데이트가 결정된다. 프로세싱 회로를 사용하여, 업데이트된 입자 밀도 함수에 기초하여 셀의 점유의 예측이 결정된다. 프로세싱 회로를 사용하여, 예측에 기초하여 차량의 동작이 수행된다.
일 실시예에서, 이산화된 표현은 직교 좌표계 또는 극 좌표계를 사용하여 정의된 격자를 포함한다.
일 실시예에서, 복수의 셀의 각각의 셀에 대해, 점유의 초기 값이 할당되고, 이 초기 값이 이어서 입자 밀도 함수의 진화에 따라 업데이트된다.
일 실시예에서, 레이블이 다수의 입자에 할당된다. 각각의 레이블은 대응하는 입자가 대상체를 나타내는지 또는 자유 공간을 나타내는지를 표시한다.
일 실시예에서, 레이블은 센서 데이터에 따라 업데이트된다.
일 실시예에서, 시변 입자 밀도 함수에 대한 업데이트를 결정하는 것은, 오일러 솔버를 사용하여, 적어도 하나의 입자의 상태와 연관된 하나 이상의 파라미터에 대해 정의된 하나 이상의 미분 방정식의 해를 결정하는 것을 포함한다.
일 실시예에서, 적어도 하나의 입자의 상태는 적어도 하나의 입자와 연관된 적어도 하나의 속도를 포함한다.
일 실시예에서, 적어도 하나의 입자의 상태는 (i) 대응하는 방향을 따른 다수의 속도 및 (ii) 다수의 속도와 연관된 공분산을 포함한다.
일 실시예에서, 적어도 하나의 입자의 상태는 적어도 하나의 입자에 작용하는 힘을 포함한다.
일 실시예에서, 하나 이상의 모델 각각은 이산화된 표현의 다양한 셀의 점유 확률에 대한 정보를 제공하도록 트레이닝된 센서 모델을 나타낸다. 확률은 대응하는 센서 데이터를 조건으로 한다.
일 실시예에서, 적어도 하나의 셀의 점유의 예측을 생성하는 것은 적어도 하나의 셀의 점유 확률을 (i) 센서 데이터에 기초하여 생성된 조건부 확률과 하나 이상의 센서 모델에 기초하여 생성된 조건부 확률의 비와 (ii) 적어도 하나의 셀에 대한 업데이트된 시변 입자 밀도 함수의 곱으로서 결정하는 것을 포함한다.
일 실시예에서, 조건부 확률의 비는 (i) 적어도 하나의 셀이 점유된 것을 조건으로 센서 데이터를 수신할 제1 확률과 (ii) 적어도 하나의 셀이 점유되지 않은 것을 조건으로 센서 데이터를 수신할 제2 확률의 비이다. 제1 확률과 제2 확률은 하나 이상의 센서 모델을 사용하여 결정된다.
일 실시예에서, 특정 센서에 대응하는 센서 데이터가 특정 센서와 연관된 대응하는 모델을 사용하여 결정된 예상된 값의 임계 범위를 벗어난 것으로 결정된다. 특정 센서에 대응하는 센서 데이터가 임계 범위를 벗어난 것으로 결정하는 것에 응답하여, 특정 센서에 대한 고장 조건이 식별된다.
일 실시예에서, 센서 데이터가 적어도 하나의 입자의 상태를 나타내는 적어도 하나의 파라미터를 누락하고 있다고 결정된다. 센서 데이터가 적어도 하나의 파라미터를 누락하고 있는 것으로 결정하는 것에 응답하여, 적어도 하나의 파라미터의 이전 값이 시변 입자 밀도 함수에 대한 업데이트를 결정하는 데 사용된다.
일 실시예에서, 프로세싱 회로의 적어도 일 부분은 차량의 인지 회로에 배치된다.
일 실시예에서, 차량은 하나 이상의 컴퓨터 프로세서 및 명령을 저장하는 하나 이상의 비-일시적 저장 매체를 포함하며, 명령은, 하나 이상의 컴퓨터 프로세서에 의해 실행될 때, 환경의 이산화된 표현의 셀의 내용물을 나타내는 상호작용 소프트웨어 컴포넌트 세트를 인스턴스화하는 동작을 포함한 동작들을 수행하게 한다. 하나 이상의 센서로부터, 상호작용 소프트웨어 컴포넌트 세트의 상호작용 소프트웨어 컴포넌트와 연관된 센서 관측치 벡터가 수신된다. 센서 관측치 벡터는 주어진 위치에서의 상호작용 소프트웨어 컴포넌트와 연관된 하나 이상의 파라미터를 포함한다. 센서와 연관된 하나 이상의 센서 관측치에 기초한 센서 관측치 벡터로부터 주어진 위치에 대응하는 이산화된 표현의 셀들 중의 셀과 연관된 시변 입자 밀도 함수에 대한 업데이트가 결정된다. 업데이트된 입자 밀도 함수에 기초하여 셀의 점유의 예측이 결정된다. 예측에 기초하여 차량의 동작이 보강된다.
전술한 설명에서, 본 발명의 실시예는 구현마다 달라질 수 있는 다수의 특정 세부 사항을 참조하여 기술되었다. 따라서, 상세한 설명 및 도면은 제한적인 관점보다는 예시적인 관점에서 보아야 한다. 본 발명의 범위의 유일한 독점적인 지표, 및 출원인이 본 발명의 범위이도록 의도한 것은, 본 출원에서 특정 형태로 나오는 일련의 청구항의 문언적 등가 범위이며, 그러한 청구항이 나오는 특정 형태는 임의의 후속 보정을 포함한다. 그러한 청구항에 포함된 용어에 대한 본원에서 명시적으로 기재된 임의의 정의는 청구항에서 사용되는 그러한 용어의 의미를 결정한다. 추가적으로, 전술한 설명 및 이하의 청구항에서 "추가로 포함하는"이라는 용어가 사용될 때, 이 문구에 뒤따르는 것은 추가적인 단계 또는 엔티티, 또는 이전에 언급된 단계 또는 엔티티의 서브-단계/서브-엔티티일 수 있다.

Claims (20)

  1. 방법으로서,
    환경에서 동작하는 차량의 하나 이상의 프로세싱 디바이스를 사용하여, 상기 환경의 이산화된 표현을 생성하는 단계 - 상기 이산화된 표현은 복수의 셀들을 포함하고, 상기 복수의 셀들의 셀 각각은 상기 환경에서의 대상체 또는 자유 공간 중 적어도 하나를 나타내는 입자들에 의해 점유됨 -;
    상기 차량의 하나 이상의 센서로부터, 상기 환경에서의 다수의 상기 입자들 중 적어도 하나의 입자의 상태를 나타내는 센서 데이터를 수신하는 단계;
    상기 하나 이상의 프로세싱 디바이스를 사용하여, 상기 센서 데이터 및 상기 하나 이상의 센서와 연관된 하나 이상의 모델로부터 동적 점유 격자에서의 상기 적어도 하나의 입자의 위치와 연관된 시변 입자 밀도 함수에 대한 업데이트를 결정하는 단계;
    상기 하나 이상의 프로세싱 디바이스를 사용하여, 상기 업데이트된 입자 밀도 함수에 기초하여 상기 이산화된 표현에서의 적어도 하나의 셀의 점유의 예측을 생성하는 단계; 및
    상기 차량의 제어기 회로를 사용하여, 상기 예측에 적어도 부분적으로 기초하여 상기 차량을 동작시키는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서, 상기 이산화된 표현은 구조화된 메시, 블록 구조화된 메시, 또는 구조화되지 않은 메시를 사용하여 정의된 격자를 포함하는 것인, 방법.
  3. 제2항에 있어서, 상기 격자는 직교 좌표계 또는 극 좌표계, 또는 그래픽 모델을 사용하여 정의되는 것인, 방법.
  4. 제1항에 있어서, 상기 이산화된 표현은 그래프를 포함하고 여기서 각각의 셀은 노드에 대응하고 2개의 인접한 셀들은 상기 그래프에서의 에지에 의해 특성화(characterize)되는 것인, 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 복수의 셀들의 셀 각각에 대해, 점유의 초기 값을 할당하는 단계 - 상기 초기 값은 이어서 상기 입자 밀도 함수의 진화에 따라 업데이트됨 -
    를 추가로 포함하는, 방법.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서, 레이블들을 다수의 상기 입자들에 할당하는 단계 - 각각의 레이블은 상기 대응하는 입자가 대상체를 나타내는지 또는 자유 공간을 나타내는지를 표시함 -
    를 추가로 포함하는, 방법.
  7. 제6항에 있어서, 상기 레이블들을 상기 센서 데이터에 따라 업데이트하는 단계
    를 추가로 포함하는, 방법.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서, 연속적인 가중치들을 다수의 상기 입자들에 할당하는 단계 - 각각의 가중치는 누적 밀도 함수에 대한 개별 입자의 기여도를 나타냄 -
    를 추가로 포함하는, 방법.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 시변 입자 밀도 함수에 대한 상기 업데이트를 결정하는 단계는, 오일러 솔버(Eulerian solver) 또는 라그랑지 솔버(Lagrangian solver)를 사용하여, 상기 적어도 하나의 입자의 상기 상태와 연관된 하나 이상의 파라미터에 대해 정의된 하나 이상의 미분 방정식 또는 하나 이상의 구배 연산자의 해를 결정하는 단계를 포함하는 것인, 방법.
  10. 제9항에 있어서, 상기 적어도 하나의 입자의 상기 상태는 상기 적어도 하나의 입자와 연관된 적어도 하나의 속도를 포함하는 것인, 방법.
  11. 제10항에 있어서, 상기 적어도 하나의 입자의 상기 상태는 (i) 대응하는 방향들을 따른 다수의 속도들 및 (ii) 상기 다수의 속도들과 연관된 공분산들을 포함하는 것인, 방법.
  12. 제1항 내지 제11항 중 어느 한 항에 있어서, 상기 적어도 하나의 입자의 상기 상태는 상기 적어도 하나의 입자에 작용하는 힘을 포함하는 것인, 방법.
  13. 제1항 내지 제12항 중 어느 한 항에 있어서, 상기 하나 이상의 모델 각각은 상기 이산화된 표현의 다양한 셀들의 점유 확률들에 대한 정보를 제공하도록 트레이닝된 센서 모델을 나타내며, 상기 확률들은 대응하는 센서 데이터를 조건으로 하는 것인, 방법.
  14. 제1항 내지 제13항 중 어느 한 항에 있어서, 상기 하나 이상의 모델 각각은 알려진 확률 분포, 2개 이상의 확률 분포들의 혼합, 또는 경험적 분포 중 하나를 나타내는 것인, 방법.
  15. 제1항 내지 제14항 중 어느 한 항에 있어서, 상기 적어도 하나의 셀의 상기 점유의 예측을 생성하는 단계는 상기 적어도 하나의 셀의 점유 확률을 (i) 상기 센서 데이터에 기초하여 생성된 조건부 확률과 상기 하나 이상의 센서 모델에 기초하여 생성된 조건부 확률의 비와 (ii) 상기 적어도 하나의 셀에 대한 업데이트된 시변 입자 밀도 함수의 곱으로서 결정하는 단계를 포함하는 것인, 방법.
  16. 제15항에 있어서, 상기 조건부 확률의 비는 (i) 상기 적어도 하나의 셀이 점유된 것을 조건으로 상기 센서 데이터를 수신할 제1 확률과 (ii) 상기 적어도 하나의 셀이 점유되지 않은 것을 조건으로 상기 센서 데이터를 수신할 제2 확률의 비이고, 상기 제1 확률과 상기 제2 확률은 상기 하나 이상의 센서 모델을 사용하여 결정되는 것인, 방법.
  17. 제1항 내지 제16항 중 어느 한 항에 있어서,
    특정 센서에 대응하는 상기 센서 데이터가 상기 특정 센서와 연관된 대응하는 모델을 사용하여 결정된 예상된 값들의 임계 범위를 벗어난 것으로 결정하는 단계; 및
    상기 특정 센서에 대응하는 상기 센서 데이터가 임계 범위를 벗어난 것으로 결정하는 것에 응답하여, 상기 특정 센서에 대한 고장 조건을 식별하는 단계
    를 추가로 포함하는, 방법.
  18. 제1항 내지 제17항 중 어느 한 항에 있어서,
    상기 센서 데이터가 상기 적어도 하나의 입자의 상기 상태를 나타내는 적어도 하나의 파라미터를 누락하고 있다고 결정하는 단계; 및
    상기 센서 데이터가 상기 적어도 하나의 파라미터를 누락하고 있는 것으로 결정하는 것에 응답하여, 상기 적어도 하나의 파라미터의 이전 값을 상기 시변 입자 밀도 함수에 대한 상기 업데이트를 결정하는 데 사용하는 단계
    를 추가로 포함하는, 방법.
  19. 차량으로서,
    하나 이상의 컴퓨터 프로세서; 및
    상기 하나 이상의 컴퓨터 프로세서에 의해 실행될 때, 동작들을 수행하게 하는 명령어들을 저장하는 하나 이상의 비-일시적 저장 매체
    를 포함하며, 상기 동작들은:
    환경의 이산화된 표현을 생성하는 동작 - 상기 이산화된 표현은 복수의 셀들을 포함하고, 상기 복수의 셀들의 셀 각각은 상기 환경에서의 대상체 또는 자유 공간 중 적어도 하나를 나타내는 입자에 의해 점유됨 -;
    상기 차량의 하나 이상의 센서로부터, 상기 환경에서의 다수의 상기 입자들 중 적어도 하나의 입자의 상태를 나타내는 센서 데이터를 수신하는 동작;
    상기 센서 데이터 및 상기 하나 이상의 센서와 연관된 하나 이상의 모델로부터 동적 점유 격자에서의 상기 적어도 하나의 입자의 위치와 연관된 시변 입자 밀도 함수에 대한 업데이트를 결정하는 동작;
    상기 업데이트된 입자 밀도 함수에 기초하여 상기 이산화된 표현에서의 적어도 하나의 셀의 점유의 예측을 생성하는 동작; 및
    상기 차량의 제어기 회로를 사용하여, 상기 예측에 적어도 부분적으로 기초하여 상기 차량을 동작시키는 동작을 포함하는 것인, 차량.
  20. 하나 이상의 컴퓨팅 디바이스에 의해 실행될 때, 동작들을 수행하게 하는 명령어들을 저장하는 하나 이상의 비-일시적 저장 매체로서, 상기 동작들은:
    환경의 이산화된 표현을 생성하는 동작 - 상기 이산화된 표현은 복수의 셀들을 포함하고, 상기 복수의 셀들의 셀 각각은 상기 환경에서의 대상체 또는 자유 공간 중 적어도 하나를 나타내는 입자에 의해 점유됨 -;
    차량의 하나 이상의 센서로부터, 상기 환경에서의 다수의 상기 입자들 중 적어도 하나의 입자의 상태를 나타내는 센서 데이터를 수신하는 동작;
    상기 센서 데이터 및 상기 하나 이상의 센서와 연관된 하나 이상의 모델로부터 동적 점유 격자에서의 상기 적어도 하나의 입자의 위치와 연관된 시변 입자 밀도 함수에 대한 업데이트를 결정하는 동작;
    상기 업데이트된 입자 밀도 함수에 기초하여 상기 이산화된 표현에서의 적어도 하나의 셀의 점유의 예측을 생성하는 동작; 및
    상기 차량의 제어기 회로를 사용하여, 상기 예측에 적어도 부분적으로 기초하여 상기 차량을 동작시키는 동작을 포함하는 것인, 하나 이상의 비-일시적 저장 매체.
KR1020217000678A 2019-01-08 2020-01-08 자율 주행 차량에 대한 필드 이론 기반 인지 KR102419526B1 (ko)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US201962789808P 2019-01-08 2019-01-08
US62/789,808 2019-01-08
US201962837902P 2019-04-24 2019-04-24
US62/837,902 2019-04-24
DKPA201970302A DK180694B1 (en) 2019-01-08 2019-05-10 FIELD THEORY-BASED PERCEPTION FOR AUTONOMIC VEHICLES
DKPA201970302 2019-05-10
PCT/US2020/012659 WO2020146447A1 (en) 2019-01-08 2020-01-08 Field theory based perception for autonomous vehicles

Publications (2)

Publication Number Publication Date
KR20210018485A true KR20210018485A (ko) 2021-02-17
KR102419526B1 KR102419526B1 (ko) 2022-07-11

Family

ID=72087343

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217000678A KR102419526B1 (ko) 2019-01-08 2020-01-08 자율 주행 차량에 대한 필드 이론 기반 인지

Country Status (5)

Country Link
KR (1) KR102419526B1 (ko)
CN (1) CN113056715B (ko)
DE (1) DE112020000138B4 (ko)
DK (1) DK180694B1 (ko)
GB (2) GB2599255B (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3132068A1 (fr) * 2022-01-24 2023-07-28 Psa Automobiles Sa Procédé et dispositif de contrôle d’un système d’aide à la conduite embarqué dans un véhicule

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013234919A (ja) * 2012-05-09 2013-11-21 Fujitsu Ltd 測位システム、測位方法、及びプログラム
JP2015197417A (ja) * 2014-04-03 2015-11-09 日本電信電話株式会社 位置推定装置、方法、及びプログラム
KR20170055953A (ko) * 2014-06-06 2017-05-22 앵리아 동적 장면 분석 방법 및 관련 분석 모듈 그리고 컴퓨터 프로그램
KR20180068711A (ko) * 2016-12-14 2018-06-22 현대자동차주식회사 차량의 위치 추정 장치 및 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050234679A1 (en) * 2004-02-13 2005-10-20 Evolution Robotics, Inc. Sequential selective integration of sensor data
US8577538B2 (en) * 2006-07-14 2013-11-05 Irobot Corporation Method and system for controlling a remote vehicle
CN107292321A (zh) * 2016-03-31 2017-10-24 日本电气株式会社 用于获得模型的方法和设备
US20180113209A1 (en) * 2016-10-21 2018-04-26 Waymo Llc Radar generated occupancy grid for autonomous vehicle perception and planning
US20180307245A1 (en) * 2017-05-31 2018-10-25 Muhammad Zain Khawaja Autonomous Vehicle Corridor
CN107180146B (zh) * 2017-06-28 2020-07-14 崔曼 一种基于新型交通仿真模型的无网格交通仿真方法
DE102018200683A1 (de) * 2018-01-17 2019-07-18 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Detektion eines Objektes

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013234919A (ja) * 2012-05-09 2013-11-21 Fujitsu Ltd 測位システム、測位方法、及びプログラム
JP2015197417A (ja) * 2014-04-03 2015-11-09 日本電信電話株式会社 位置推定装置、方法、及びプログラム
KR20170055953A (ko) * 2014-06-06 2017-05-22 앵리아 동적 장면 분석 방법 및 관련 분석 모듈 그리고 컴퓨터 프로그램
US20170256071A1 (en) * 2014-06-06 2017-09-07 Inria Institut National De Recherche En Informatiqe Et En Automatique Dynamic scene analysis method, and associated analysis module and computer programme
KR20180068711A (ko) * 2016-12-14 2018-06-22 현대자동차주식회사 차량의 위치 추정 장치 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Radu Danescu외 2명. Modeling and Tracking the Driving Enveironment With a Particle-Based Occupancy Grid. IEEE. 2011년 12월., pp. 1331-1342 1부* *

Also Published As

Publication number Publication date
GB2599255B (en) 2023-09-06
KR102419526B1 (ko) 2022-07-11
CN113056715B (zh) 2022-06-03
DE112020000138T5 (de) 2021-09-23
CN113056715A (zh) 2021-06-29
GB2587739A (en) 2021-04-07
DE112020000138B4 (de) 2023-04-20
GB2599255A (en) 2022-03-30
GB2587739B (en) 2021-12-29
DK180694B1 (en) 2021-12-02
GB202116363D0 (en) 2021-12-29
GB202019770D0 (en) 2021-01-27
DK201970302A1 (en) 2020-08-20

Similar Documents

Publication Publication Date Title
KR102537412B1 (ko) Radar를 사용한 확장 대상체 추적
KR102593948B1 (ko) 주석 달기를 위한 데이터 샘플의 자동 선택
KR102532546B1 (ko) 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측
US20200216064A1 (en) Classifying perceived objects based on activity
CN113012187B (zh) 用于运载工具的方法和前景提取系统以及存储介质
US11449705B2 (en) Field theory based perception for autonomous vehicles
KR20200129045A (ko) 차량의 궤적을 계획 및 업데이트하기 위한 시스템 및 방법
KR102617604B1 (ko) 동적 점유 격자를 사용하는 차량 동작
KR102505300B1 (ko) 복수의 모션 제약을 사용하는 차량의 동작
KR102523313B1 (ko) 차량에 대한 머신 러닝 모델의 튜닝/트레이닝을 위한 운전 시나리오 샘플링
KR102569135B1 (ko) 선형 시간 논리를 사용한 자율 주행 차량 동작
KR20220047713A (ko) Lidar 시맨틱 네트워크를 사용한 지평면 추정
US20220126876A1 (en) Vehicle operation using behavioral rule checks
KR102549258B1 (ko) 이미지 시맨틱스 네트워크로부터의 단안 3d 대상체 검출
KR102518680B1 (ko) 속력 프로파일 추정
US20220097725A1 (en) Av path planning with calibration information
US11733054B2 (en) Systems and methods for implementing occlusion representations over road features
US20220234575A1 (en) Vehicle operation using maneuver generation
KR20230004212A (ko) 대상체 검출을 위한 교차 모달리티 능동 학습
KR102419526B1 (ko) 자율 주행 차량에 대한 필드 이론 기반 인지
CN115220439A (zh) 用于运载工具的系统和方法以及存储介质

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
E902 Notification of reason for refusal
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant