KR20210055617A - 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측 - Google Patents

미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측 Download PDF

Info

Publication number
KR20210055617A
KR20210055617A KR1020200146838A KR20200146838A KR20210055617A KR 20210055617 A KR20210055617 A KR 20210055617A KR 1020200146838 A KR1020200146838 A KR 1020200146838A KR 20200146838 A KR20200146838 A KR 20200146838A KR 20210055617 A KR20210055617 A KR 20210055617A
Authority
KR
South Korea
Prior art keywords
data
trajectory
training
agent
vehicle
Prior art date
Application number
KR1020200146838A
Other languages
English (en)
Other versions
KR102532546B1 (ko
Inventor
텅 민 판
에릭 울프
에밀리오 프라졸리
엘레나 코리나 그리고레
프레디 볼턴
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
Publication of KR20210055617A publication Critical patent/KR20210055617A/ko
Priority to KR1020230060315A priority Critical patent/KR20230070193A/ko
Application granted granted Critical
Publication of KR102532546B1 publication Critical patent/KR102532546B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/10—Path keeping
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
    • 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
    • G01S13/867—Combination of radar systems with cameras
    • 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
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • 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
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/481—Constructional features, e.g. arrangements of optical elements
    • G01S7/4814—Constructional features, e.g. arrangements of optical elements of transmitters alone
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G05D1/0263—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means using magnetic strips
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
    • G05D1/22—
    • G05D1/60—
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to 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
    • B60W2420/40—Photo or light sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4044—Direction of movement, e.g. backwards
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4049—Relationship among other objects, e.g. converging dynamic objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2754/00—Output or target parameters relating to objects
    • B60W2754/10—Spatial relation or speed relative to objects
    • 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
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • 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
    • G01S13/865—Combination of radar systems with lidar systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Abstract

무엇보다도, 에이전트(예를 들면, 차량, 자전거, 보행자 등)가 이전 움직임, 도로망, 주변 대상체 및/또는 다른 관련 환경 인자에 기초하여 환경에서 어떻게 이동할 것인지를 예측하기 위한 기술이 설명된다. 하나의 궤적 예측 기술은 에이전트의 움직임에 대한 확률 맵을 생성하는 것을 포함한다. 다른 궤적 예측 기술은 에이전트의 움직임에 대한 궤적 격자를 생성하는 것을 포함한다. 추가적으로, 상이한 궤적 예측 기술은 각각의 모델이 현재 입력에 기초하여 궤적을 생성하도록 분류기(예를 들면, 신경 네트워크)가 다수의 (학습된) 모드의 확률을 분류하도록 트레이닝되는 멀티 모달 회귀를 포함한다.

Description

미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측{TRAJECTORY PREDICTION FROM PRECOMPUTED OR DYNAMICALLY GENERATED BANK OF TRAJECTORIES}
관련 출원의 상호 참조
본 출원은, 참조에 의해 그 전체가 본 명세서에 포함되는, 2019년 11월 7일자로 출원된 미국 가출원 제62/932,164호, 및 2020년 5월 26일자로 출원된 미국 출원 제16/883,899호의 이익을 주장한다.
발명의 분야
본 설명은 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측에 관한 것이다.
자율 주행 차량은, 예를 들어, 도로 사망자수, 교통 정체, 주차 혼잡을 감소시키는 것 및 연비를 개선시키는 것에 의해, 인간 운전 차량에 비해 이점이 있다. 운전 결정을 할 때, 전형적인 자율 주행 차량 시스템은 센서 데이터를 활용하여 차량의 환경에 있다고 자율 주행 차량 시스템이 알고 있는 주변 환경의 대상체 - 예컨대, 다른 차량 및 장애물 - 를 고려한다. 자율 주행 차량은 궤적 계획을 개선시키기 위해 환경 내의 다른 대상체(예를 들면, 다른 차량, 자전거, 보행자 등)가 어떻게 이동할 것인지를 예측하는 것으로부터 이익을 얻을 수 있다.
도 1은 자율 주행 능력을 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 6은 LiDAR 시스템의 일 예를 도시한다.
도 7은 동작 중인 LiDAR 시스템을 도시한다.
도 8은 LiDAR 시스템의 동작을 부가적으로 상세하게 도시한다.
도 9는 계획 모듈의 입력과 출력 사이의 관계의 블록 다이어그램을 도시한다.
도 10은 경로 계획에서 사용되는 방향 그래프를 도시한다.
도 11은 제어 모듈의 입력 및 출력의 블록 다이어그램을 도시한다.
도 12는 제어기의 입력, 출력, 및 컴포넌트의 블록 다이어그램을 도시한다.
도 13은 위치 데이터 및 과거 궤적 데이터로서 수신될 수 있는 이미지의 일 예를 도시한다.
도 14는 확률 맵을 사용하여 대상체의 하나 이상의 궤적을 예측하기 위해 시스템이 수행할 수 있는 액션의 블록 다이어그램이다.
도 15는 에이전트에 대한 확률 맵의 데이터 구조의 일 부분의 일 예이다.
도 16은 궤적 격자(trajectory lattice)를 사용하여 에이전트의 하나 이상의 궤적을 예측하기 위해 시스템이 수행할 수 있는 액션의 블록 다이어그램이다.
도 17은 다양한 궤적을 갖는 다양한 궤적 격자를 예시한다.
도 18은 다수의 예측 궤적 및 에이전트의 진행 궤적을 예시한다.
도 19는 멀티 모달 궤적 예측을 위한 모델을 트레이닝시키기 위해 시스템이 수행할 수 있는 액션의 블록 다이어그램이다.
설명을 위한 이하의 기술에서는, 본 발명에 대한 완전한 이해를 제공하기 위해 다수의 특정 세부사항이 기재된다. 그렇지만, 본 발명이 이 특정 세부 사항 없이 실시될 수 있음이 명백할 것이다. 다른 예에서, 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 요구된다는 것을 암시하는 것을 의미하지는 않는다는 점을 이해할 것이다. 게다가, 도면에 개략적 요소를 포함시키는 것은, 그러한 요소가 모든 실시예에서 요구된다는 것을 암시하는 것을 의미하지 않거나, 또는 그러한 요소에 의해 표현된 특징이 일부 실시예에서 포함되지 않거나 또는 다른 요소와 조합되지 않을 수 있다는 점을 암시하는 것을 의미하지 않는다.
게다가, 도면에서, 2개 이상의 다른 개략적 요소 사이의 연결, 관계 또는 연관을 예시하기 위해 실선 또는 파선 또는 화살표와 같은 연결 요소가 사용되는 경우에, 임의의 그러한 연결 요소의 부재는 연결, 관계 또는 연관이 존재할 수 없다는 점을 암시하는 것을 의미하지 않는다. 환언하면, 요소들 사이의 일부 연결, 관계, 또는 연관은 본 개시를 모호하게 하지 않기 위해 도면에 도시되지 않는다. 그에 부가하여, 예시를 용이하게 하기 위해, 요소들 사이의 다수의 연결, 관계 또는 연관을 표현하기 위해 단일의 연결 요소가 사용된다. 예를 들어, 연결 요소가 신호, 데이터 또는 명령의 통신을 표현하는 경우, 본 기술 분야의 통상의 기술자라면, 그러한 요소가, 통신을 수행하기 위해 필요할 수 있는, 하나 또는 다수의 신호 경로(예를 들면, 버스)를 표현한다는 것을 이해할 것이다.
그 예가 첨부 도면에 예시되어 있는, 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 이 특정 세부 사항 없이 실시될 수 있다는 것이 본 기술 분야의 통상의 기술자에게 명백할 것이다. 다른 예에서, 실시예의 양태를 불필요하게 모호하게 하지 않기 위해 공지된 방법, 절차, 컴포넌트, 회로, 및 네트워크는 상세하게 기술되지 않았다.
서로 독립적으로 또는 다른 특징들의 임의의 조합과 함께 각각 사용될 수 있는 여러 특징이 이하에서 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 일부는 본원에 기술된 특징들 중 임의의 것에 의해 완전히 해결되지는 않을 수 있다. 비록 여러 표제가 제공되어 있더라도, 특정 표제에 관련되지만 해당 표제를 갖는 섹션에서 발견되지 않은 정보가 본 설명의 다른 곳에서 발견될 수도 있다. 실시예는 이하의 개요에 따라 본원에 기술된다.
1. 일반적 개관
2. 시스템 개관
3. 자율 주행 차량 아키텍처
4. 자율 주행 차량 입력
5. 자율 주행 차량 계획
6. 자율 주행 차량 제어
7. 미리 계산되거나 동적으로 생성된 확률 맵으로부터의 궤적 예측
8. 궤적 격자로부터의 궤적 예측
9. 멀티 모달 궤적 예측
일반적 개관
이 문서는 환경에서 주변 대상체의 움직임에 기초하여 에이전트(예를 들면, 차량, 자전거, 보행자 등)가 어떻게 이동할 것인지를 예측하기 위한 다양한 기술을 설명한다. 하나의 기술은 확률 맵을 생성하는 것을 포함한다. 본 시스템은 에이전트에서부터 특정 거리 내에 있는 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신한다. 해당 대상체는 해당 에이전트에 의해 검출되었을 수 있다(예를 들면, 에이전트가 차량인 경우, 대상체는 차량의 센서에 의해 검출되었을 수 있다). 본 시스템은 해당 대상체로부터 특징 세트를 결정하고 세트 내의 특징을 에이전트의 움직임 데이터(예를 들면, 속력, 가속도, 요 레이트(yaw rate) 등)와 조합한다. 본 시스템은 이어서 (예를 들면, 신경 네트워크를 사용하여) 연결 데이터 세트(concatenated data set)로부터 확률 맵을 생성한다. 각각의 물리적 위치에 에이전트가 해당 물리적 위치를 횡단할 확률이 할당되도록 확률 맵은 다수의 물리적 위치(예를 들면, 1 미터 분해능의 정사각형)를 포함한다. 확률 맵에 기초하여, 본 시스템은 에이전트에 대한 하나 이상의 예측 궤적을 생성한다. 예측 시스템은 사용 이전에 트레이닝되는 신경 네트워크를 사용할 수 있다. 트레이닝 동안, 입력은 에이전트가 진행한 궤적을 포함할 수 있다. 비록 이 기술이 단일 에이전트에 대해 궤적 예측을 수행하는 것으로 기술되지만, 본 시스템은 특정 입력 세트(예를 들면, 위치 데이터와 과거 궤적 데이터의 세트)에서의 다수의 또는 모든 에이전트에 대한 궤적을 예측할 수 있다.
다른 기술은 궤적 격자를 생성하는 것을 포함한다. 본 시스템은 에이전트에서부터 특정 거리 내에 있는 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신하고, 해당 대상체로부터 특징 세트를 결정하며, 세트 내의 특징을 에이전트의 움직임 데이터(예를 들면, 속력, 가속도, 요 레이트 등)와 조합한다. 일 실시예에서, 과거 궤적 데이터는 교통 신호 데이터, 방향 지시등 데이터, 주의력의 추정치, 브레이크 라이트 표시, 에이전트 타입, 및 다른 적합한 과거 궤적 데이터를 포함하는 과거 맵 데이터를 포함할 수 있다. 본 시스템은 이어서 (예를 들면, 신경 네트워크를 사용하여) 연결 데이터 세트로부터 궤적 격자를 생성한다. 궤적 격자는 에이전트에 대한 다수의 가능한 궤적 및 대응하는 확률을 포함한다. 궤적 격자에 기초하여, 본 시스템은 에이전트에 대한 하나 이상의 예측 궤적을 생성한다. 비록 이 기술이 단일 에이전트에 대해 궤적 예측을 수행하는 것으로 기술되지만, 본 시스템은 특정 입력 세트(예를 들면, 위치 데이터와 과거 궤적 데이터의 세트)에서의 다수의 또는 모든 에이전트에 대한 궤적을 예측할 수 있다.
상이한 기술은 멀티 모달 예측 방법에 대한 분류기(예를 들어, 신경 네트워크)를 트레이닝시키는 것을 포함한다. 본 시스템은, 상기 2개의 기술에서와 같이, 에이전트에서부터 특정 거리 내에 있는 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신하고, 해당 대상체로부터 특징 세트를 결정하며, 해당 특징을 에이전트의 움직임 데이터(예를 들면, 속력, 가속도, 요 레이트 등)와 조합한다. 그렇지만, 이 경우, 수신된 데이터는, 때때로 실측치(ground truth)라고도 지칭되는, 에이전트가 실제로 진행한 궤적을 또한 포함하는 트레이닝 데이터이다. 본 시스템은 이어서 (예를 들면, 신경 네트워크를 사용하여) 다수의 예측 궤적 - 각각의 궤적은 대응하는 확률을 가짐 - 을 생성하고 각각의 예측 궤적과 에이전트가 진행한 궤적 사이의 각도를 계산한다. 예측 시스템은 각도들 중 임의의 것이 임계치(예를 들면, 임계 각도) 내에 있는지 여부를 결정한다. 각도들 중 어느 것도 임계치 내에 있지 않다고 결정하는 것에 기초하여, 본 시스템은 함수를 사용하여 최상의 궤적(최상의 모드라고도 지칭됨)을 선택한다. 일 실시예에서, 이 계산에서 각도를 사용하는 대신에, 본 시스템은 상이한 메트릭을 사용할 수 있다. 따라서, 본 시스템은, 메트릭을 사용하여, 각각의 예측 궤적과 에이전트가 진행한 궤적 사이의 값을 계산하여 각각의 값이 임계치 내에 있는지 여부를 결정할 수 있다. 예를 들어, 이 함수는 (예를 들면, 난수 생성기를 사용하여) 랜덤한 궤적이 선택되게 할 수 있다. 일 실시예에서, 함수는 최상의 궤적을 선택하기 위해 하나 이상의 템플릿(예를 들어, 템플릿 궤적)을 사용할 수 있다. 템플릿은 정적이거나 에이전트의 현재 상태(예를 들면, 속력, 가속도, 요 레이트, 또는 다른 적합한 상태 컴포넌트)에 기초하여 동적으로 생성될 수 있다. 본 시스템은 (예를 들면, 멀티 모달 손실 함수를 사용하여) 최상의 궤적과 에이전트가 진행한 궤적 사이의 차이를 계산하고 이 차이에 기초하여(예를 들면, 트레이닝 데이터에 걸쳐 손실을 최소화하는 것에 의해) 모델의 가중치를 조정한다. 에이전트에 대한 다수의 궤적을 예측하는 모델(예를 들어, 신경 네트워크)을 개발하기 위해 트레이닝 세트(예를 들면, 위치 데이터 및 과거 궤적 데이터의 수천 개의 인스턴스)에 대해 이 프로세스가 반복될 수 있다. 비록 이 기술이 단일 에이전트에 대해 궤적 예측을 수행하는 것으로 기술되지만, 본 시스템은 특정 입력 세트(예를 들면, 위치 데이터와 과거 궤적 데이터의 세트)에서의 다수의 또는 모든 에이전트에 대한 궤적을 예측할 수 있다.
이러한 기술의 장점들 중 일부는 에이전트(예를 들면, 차량, 자전거, 또는 보행자)의 움직임을 예측하고 해당 움직임에 기초하여 모션 계획(motion planning)을 수행할 수 있는 것을 포함한다. 따라서, 이러한 기술은 자율 주행 차량을 운행하기에 더 안전하고 더 효율적으로 만든다.
시스템 개관
도 1은 자율 주행 능력을 갖는 자율 주행 차량(100)의 일 예를 도시한다.
본원에서 사용되는 바와 같이, 용어 "자율 주행 능력"은, 완전한 자율 주행 차량, 고도의 자율 주행 차량, 및 조건부 자율 주행 차량을 제한 없이 포함하는, 실시간 인간 개입 없이 차량이 부분적으로 또는 완전하게 동작될 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) 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, 생체측정 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 라벨링된 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 고속도로 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 진행에 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 일부이다. 차선은 때때로 차선 마킹(lane marking)에 기초하여 식별된다. 예를 들어, 차선은 차선 마킹 사이의 공간의 대부분 또는 전부에 대응할 수 있거나, 또는 차선 마킹 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 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 나무 또는, 예를 들어, 미개발 지역에서의 피할 자연 장애물에 기초하여 규정될 수 있다. 차선은 또한 차선 마킹 또는 물리적 특징과 무관하게 해석될 수 있다. 예를 들어, 차선은 차선 경계로서 해석될 특징이 달리 없는 영역에서 장애물이 없는 임의의 경로에 기초하여 해석될 수 있다. 예시적인 시나리오에서, AV는 들판 또는 공터의 장애물 없는 부분을 통해 차선을 해석할 수 있다. 다른 예시적인 시나리오에서, AV는 차선 마킹을 갖지 않는 넓은(예를 들면, 2개 이상의 차선을 위해 충분히 넓은) 도로를 통해 차선을 해석할 수 있다. 이 시나리오에서, AV는 차선에 관한 정보를 다른 AV에 전달할 수 있어서, 다른 AV가 동일한 차선 정보를 사용하여 그 자신들 간에 경로 계획을 조정할 수 있다.
용어 "OTA(over-the-air) 클라이언트"는 임의의 AV, 또는 AV에 내장되거나, AV에 결합되거나, 또는 AV와 통신하는 임의의 전자 디바이스(예를 들어, 컴퓨터, 제어기, IoT 디바이스, 전자 제어 유닛(ECU))를 포함한다.
용어 "OTA(over-the-air) 업데이트"는, 셀룰러 모바일 통신(예를 들어, 2G, 3G, 4G, 5G), 라디오 무선 영역 네트워크(예를 들어, WiFi) 및/또는 위성 인터넷을 포함하지만 이들로 제한되지 않는, 독점적인 및/또는 표준화된 무선 통신 기술을 사용하여 OTA 클라이언트에 전달되는 소프트웨어, 펌웨어, 데이터 또는 구성 설정, 또는 이들의 임의의 조합에 대한 임의의 업데이트, 변경, 삭제, 또는 추가를 의미한다.
용어 "에지 노드"는 AV와 통신하기 위한 포털을 제공하고 OTA 업데이트를 스케줄링하여 OTA 클라이언트에 전달하기 위해 다른 에지 노드 및 클라우드 기반 컴퓨팅 플랫폼과 통신할 수 있는 네트워크에 결합된 하나 이상의 에지 디바이스를 의미한다.
용어 "에지 디바이스"는 에지 노드를 구현하고 기업 또는 서비스 제공자(예를 들어, VERIZON, AT&T) 코어 네트워크에 물리적 무선 액세스 포인트(AP)를 제공하는 디바이스를 의미한다. 에지 디바이스의 예는 컴퓨터, 제어기, 송신기, 라우터, 라우팅 스위치, IAD(integrated access device), 멀티플렉서, MAN(metropolitan area network) 및 WAN(wide area network) 액세스 디바이스를 포함하지만, 이에 제한되지 않는다.
"하나 이상"은 하나의 요소에 의해 수행되는 기능, 하나보다 많은 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, 용어, 제1, 제2 등이 일부 예에서 다양한 요소를 기술하기 위해 본원에 사용되었지만, 이 요소는 이러한 용어에 의해 제한되지 않아야 한다는 것이 이해될 것이다. 이들 용어는 하나의 요소를 다른 요소와 구별하는 데만 사용된다. 예를 들어, 기술된 다양한 실시예의 범위를 벗어나지 않으면서, 제1 접촉은 제2 접촉이라 지칭될 수 있고, 유사하게 제2 접촉은 제1 접촉이라 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 명시적으로 나타내지 않는 이상, 복수형도 포함하는 것으로 의도된다. 또한, 용어 "및/또는"이, 본원에서 사용되는 바와 같이, 열거된 연관 항목들 중 하나 이상의 항목의 임의의 그리고 모든 가능한 조합을 지칭하고 포함한다는 것이 이해될 것이다. 또한, 용어 "포함한다" 및/또는 "포함하는"이, 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 것도 이해될 것이다.
본원에서 사용되는 바와 같이, 용어 "~ 경우"는 선택적으로 문맥에 따라 "~할 때", 또는 "~시에" 또는 "결정에 반응하여" 또는 "검출에 반응하여"를 의미하는 것으로 해석된다. 마찬가지로, 문구 "~라고 결정된다면" 또는 "[언급된 조건 또는 이벤트]가 검출되는 경우"는 선택적으로 문맥에 따라, "결정할 시에" 또는 "결정에 반응하여" 또는 "[언급된 조건 또는 이벤트]의 검출 시에" 또는 "[언급된 조건 또는 이벤트]의 검출에 반응하여"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 세부사항은 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, 예를 들어, 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. 본원에서 개시된 기술은, 완전한 자율 주행 차량으로부터 인간-운전 차량에 이르는, 임의의 레벨에 있는 차량에 혜택을 줄 수 있다.
자율 주행 차량은 사람 운전자를 필요로 하는 차량보다 장점이 있다. 한 가지 장점은 안전성이다. 예를 들어, 2016년에, 미국은 9100억 달러의 사회적 비용으로 추정되는 600만 건의 자동차 사고, 240만 건의 부상, 4만 명의 사망자, 및 1300만 건의 차량 충돌을 경험했다. 1억 마일 주행당 미국 교통 사망자수는, 부분적으로 차량에 설치된 추가적인 안전 대책으로 인해, 1965년과 2015년 사이에 약 6명으로부터 1명으로 줄었다. 예를 들어, 충돌이 발생할 것이라는 추가적인 0.5초의 경고는 전후 충돌의 60%를 완화시키는 것으로 여겨진다. 그렇지만, 수동적 안전 특징(예를 들면, 시트 벨트, 에어백)은 이 수치를 개선시키는 데 한계에 도달했을 것이다. 따라서 차량의 자동 제어와 같은, 능동적 안전 대책이 이러한 통계치를 개선시키는 데 유망한 다음 단계이다. 인간 운전자가 95%의 충돌에서 중요한 충돌전 사건에 책임있는 것으로 여겨지기 때문에, 자동 운전 시스템은, 예를 들어, 중요한 상황을 인간보다 잘 신뢰성있게 인식하고 피하는 것에 의해; 더 나은 의사 결정을 하고, 교통 법규를 준수하며, 미래의 사건을 인간보다 더 잘 예측하는 것에 의해; 그리고 차량을 인간보다 더 잘 신뢰성 있게 제어하는 것에 의해 더 나은 안전성 결과를 달성할 수 있다.
도 1을 참조하면, AV 시스템(120)은, 대상체(예를 들어, 자연 장애물(191), 차량(193), 보행자(192), 자전거 운전자, 및 다른 장애물)을 회피하고 도로 법규(예를 들어, 동작 규칙 또는 운전 선호도)를 준수하면서, 환경(190)을 통해 궤적(198)을 따라 AV(100)를 목적지(199)(때때로 최종 위치라고 지칭됨)로 동작시킨다.
일 실시예에서, AV 시스템(120)은 컴퓨터 프로세서(146)로부터의 동작 커맨드를 수신하고 이에 따라 작동하도록 설비된 디바이스(101)를 포함한다. 차량이 액션(예를 들면, 운전 기동)을 수행하게 하는 실행가능 명령(또는 명령 세트)을 의미하기 위해 용어 "동작 커맨드"를 사용한다. 동작 커맨드는, 제한 없이, 차량이 전진을 시작하고, 전진을 중지하며, 후진을 시작하고, 후진을 중지하며, 가속하고, 감속하며, 좌회전을 수행하고, 우회전을 수행하기 위한 명령을 포함할 수 있다. 일 실시예에서, 컴퓨팅 프로세서(146)는 도 3을 참조하여 아래에서 기술되는 프로세서(304)와 유사하다. 디바이스(101)의 예는 조향 제어(102), 브레이크(103), 기어, 가속기 페달 또는 다른 가속 제어 메커니즘, 앞유리 와이퍼, 사이드-도어 락, 윈도 제어, 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 특성을 측정 또는 추론하기 위한 센서(121)를 포함한다. 센서(121)의 예는 GPS, 차량 선가속도 및 각속도(angular rate) 둘 모두를 측정하는 IMU(inertial measurement unit), 휠 슬립률(wheel slip ratio)을 측정 또는 추산하기 위한 휠 속력 센서, 휠 브레이크 압력 또는 제동 토크 센서, 엔진 토크 또는 휠 토크 센서, 및 조향각(steering angle) 및 각속도 센서이다.
또한, 일 실시예에서, 센서(121)는 AV의 환경의 특성을 감지 또는 측정하기 위한 센서를 포함한다. 예를 들어, 가시광, 적외선 또는 열(또는 둘 모두) 스펙트럼식 단안 또는 스테레오 비디오 카메라(122), LiDAR(123), RADAR, 초음파 센서, TOF(time-of-flight) 심도 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 이력, 실시간, 및/또는 예측 정보를 저장한다. 일 실시예에서, 저장된 정보는 맵, 운전 성능, 교통 정체 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 차량 상태 및 조건, 예컨대, 위치, 선속도와 각속도, 선가속도와 각가속도, 및 AV(100)를 향한 선형 헤딩과 각도 헤딩의 측정된 또는 추론된 특성을 통신하기 위한 통신 디바이스(140)를 포함한다. 이 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 광학적 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 타입의 통신)의 조합이 때때로 V2X(Vehicle-to-Everything) 통신이라고 지칭된다. V2X 통신은 전형적으로, 자율 주행 차량과의 통신 및 자율 주행 차량들 간의 통신을 위한 하나 이상의 통신 표준에 따른다.
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 (예를 들어, 도로 및 거리 위치와 같은 데이터를 저장하는) 디지털 데이터를 저장 및 송신한다. 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 하루 중 유사한 시간에서 궤적(198)을 따라 이전에 진행된 차량의 운전 특성(예를 들어, 속력 및 가속도 프로파일)에 관한 이력 정보를 저장 및 송신한다. 일 실시예에서, 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 이전 정보 양자 모두에 기초한 제어 액션을 알고리즘적으로 생성하여, AV 시스템(120)이 자율 주행 능력을 실행할 수 있게 한다.
일 실시예에서, AV 시스템(120)은 AV(100)의 사용자(예를 들어, 탑승자 또는 원격 사용자)에게 정보 및 경보를 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 제어기(316)와 유사하다. 결합은 무선 또는 유선이다. 인터페이스 디바이스들 중 임의의 둘 이상이 단일 디바이스에 통합될 수 있다.
일 실시예에서, AV 시스템(120)은, 예를 들어, 승객에 의해 특정되거나 승객과 관련된 프로파일에 저장된, 승객의 프라이버시 레벨을 수신하고 시행한다. 승객의 프라이버시 레벨은 승객과 연관된 특정한 정보(예를 들면, 승객 편의 데이터, 생체 데이터 등)가 사용되도록, 승객 프로파일에 저장되도록, 및/또는 클라우드 서버(136)에 저장되어 승객 프로필과 연관되도록 할 수 있는 방법을 결정한다. 일 실시예에서, 프라이버시 레벨은 일단 라이드가 완료되면 삭제되는 승객과 연관된 특정한 정보를 특정한다. 일 실시예에서, 프라이버시 레벨은 승객과 연관된 특정한 정보를 특정하고 정보에 액세스하도록 인가되는 하나 이상의 엔티티를 식별해준다. 정보에 액세스하도록 인가되는 특정된 엔티티의 예는 다른 AV, 서드파티 AV 시스템, 또는 정보에 잠재적으로 액세스할 수 있는 임의의 엔티티를 포함할 수 있다.
승객의 프라이버시 레벨은 하나 이상의 입도 레벨로 특정될 수 있다. 일 실시예에서, 프라이버시 레벨은 저장 또는 공유될 특정 정보를 식별해준다. 일 실시예에서, 승객이 자신의 개인 정보가 저장 또는 공유되지 않도록 특정할 수 있도록 승객과 연관된 모든 정보에 프라이버시 레벨이 적용된다. 특정한 정보에 액세스하도록 허용되는 엔티티의 지정이 다양한 입도 레벨로 특정될 수 있다. 특정한 정보에 액세스하도록 허용되는 다양한 엔티티 세트는, 예를 들어, 다른 AV, 클라우드 서버(136), 특정 서드파티 AV 시스템 등을 포함할 수 있다.
일 실시예에서, AV 시스템(120) 또는 클라우드 서버(136)는 승객과 연관된 특정 정보가 AV(100) 또는 다른 엔티티에 의해 액세스될 수 있는지를 결정한다. 예를 들어, 특정한 시공간적 위치와 관련된 승객 입력에 액세스하려고 시도하는 서드파티 AV 시스템은 승객과 연관된 정보에 액세스하기 위해, 예를 들어, AV 시스템(120) 또는 클라우드 서버(136)로부터 인가를 획득해야 한다. 예를 들어, AV 시스템(120)은 시공간적 위치와 관련된 승객 입력이 서드파티 AV 시스템, AV(100), 또는 다른 AV에 제공될 수 있는지 여부를 결정하기 위해 승객의 특정된 프라이버시 레벨을 사용한다. 이것은 승객의 프라이버시 레벨이 어느 다른 엔티티가 승객의 액션에 관한 데이터 또는 승객과 연관된 다른 데이터를 수신하도록 허용되는지를 특정할 수 있게 한다.
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 간편한 온-디맨드 네트워크 액세스를 가능하게 하기 위한 서비스 전달(service delivery)의 일 모델이다. 전형적인 클라우드 컴퓨팅 시스템에서는, 하나 이상의 대형 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 특정한 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 구역을 갖는다. 각각의 룸은 하나 이상의 서버 로우를 가지며, 각각의 로우는 하나 이상의 랙을 포함한다. 각각의 랙은 하나 이상의 개별 서버 노드를 포함한다. 일부 실시예에서, 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 배치된 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. 또한, 네트워크가 다수의 서브 네트워크의 조합을 나타내는 실시예에서, 상이한 네트워크 계층 프로토콜은 기저 서브 네트워크(underlying sub-network) 각각에서 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 도시한다. 일 실시예에서, 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 조합에서 프로그램 명령에 따라 기술을 수행하도록 프로그래밍되는 하나 이상의 범용 하드웨어 프로세서를 포함할 수 있다. 또한, 그러한 특수-목적 컴퓨팅 디바이스는 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, 포터블 컴퓨터 시스템, 휴대용 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 버스(302)에 결합된, 프로세서(304)에 의해 실행될 명령 및 정보를 저장하기 위한, RAM(random access memory) 또는 다른 동적 저장 디바이스와 같은, 메인 메모리(306)를 또한 포함한다. 일 실시예에서, 메인 메모리(306)는 프로세서(304)에 의해 실행될 명령의 실행 동안 일시적 변수 또는 다른 중간 정보를 저장하는 데 사용된다. 그러한 명령은, 프로세서(304)에 의해 액세스 가능한 비-일시적 저장 매체에 저장될 때, 컴퓨터 시스템(300)을 명령에서 특정된 동작을 수행하도록 커스터마이징된 특수-목적 머신으로 렌더링한다.
일 실시예에서, 컴퓨터 시스템(300)은, 프로세서(304)를 위한 정적 정보 및 명령을 저장하기 위해 버스(302)와 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, 정보를 컴퓨터 사용자에게 디스플레이하기 위한 CRT(cathode ray tube), LCD(liquid crystal display), 플라스마 디스플레이, LED(light emitting diode) 디스플레이, 또는 OLED(organic light emitting diode) 디스플레이와 같은 디스플레이(312)에 결합된다. 문자 숫자식 및 다른 키를 포함하는 입력 디바이스(314)는 정보 및 커맨드 선택을 프로세서(304)에 통신하기 위해 버스(302)에 결합된다. 다른 타입의 사용자 입력 디바이스는, 디스플레이(312) 상에서 커서 움직임을 제어하고 방향 정보 및 커맨드 선택을 프로세서(304)에 통신하기 위한, 마우스, 트랙볼, 터치식 디스플레이, 또는 커서 방향 키와 같은, 커서 제어기(316)이다. 이 입력 디바이스는 전형적으로, 디바이스가 평면에서 위치를 특정할 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 반응하여 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.
본원에서 사용되는 바와 같은 용어 "저장 매체"는 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 간에 정보를 전달하는 데 참여한다. 예를 들어, 송신 매체는 버스(302)를 포함하는 와이어를 포함하여, 동축 케이블, 구리 와이어 및 광섬유를 포함한다. 또한, 송신 매체는 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 수반된다. 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)와 결합된 통신 인터페이스(318)도 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 타입의 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. 일 실시예에서, 무선 링크도 구현된다. 임의의 그러한 구현예에서, 통신 인터페이스(318)는 다양한 타입의 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 제공할 수 있다. ISP(326)는 차례로 지금은 "인터넷(328)"이라고 통칭되는 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. 다양한 네트워크를 통한 신호 및 컴퓨터 시스템(300)으로 그리고 컴퓨터 시스템(300)으로부터 디지털 데이터를 반송하는 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 포함하는 메시지 및 데이터를 전송 및 수신한다. 일 실시예에서, 컴퓨터 시스템(300)은 프로세싱하기 위한 코드를 수신한다. 수신된 코드는 수신될 때 프로세서(304)에 의해 실행되고 및/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), 로컬화 모듈(localization module)(408)(때때로 로컬화 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 가능한 코드) 및 컴퓨터 하드웨어(예를 들면, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, ASIC(application-specific integrated circuit), 하드웨어 메모리 디바이스, 다른 타입의 집적 회로, 다른 타입의 컴퓨터 하드웨어, 또는 이러한 것 중 임의의 것 또는 모든 것의 조합)의 조합이다. 모듈(402, 404, 406, 408, 및 410)의 각각의 모듈은 때때로 프로세싱 회로(예를 들면, 컴퓨터 하드웨어, 컴퓨터 소프트웨어, 또는 이 둘의 조합)라고 지칭된다. 모듈(402, 404, 406, 408, 및 410) 중 임의의 것 또는 모든 것의 조합은 또한 프로세싱 회로의 일 예이다.
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 진행될 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), 로컬화 모듈(408), 및 데이터베이스 모듈(410)로부터 데이터를 수신한다.
인지 모듈(402)은, 예를 들어, 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 타입으로 그룹화되고), 분류된 대상체(416)를 포함하는 장면 묘사는 계획 모듈(404)에 제공된다.
또한, 계획 모듈(404)은 로컬화 모듈(408)로부터 AV 위치(418)를 나타내는 데이터를 수신한다. 로컬화 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, 로컬화 모듈(408)은 GNSS(Global Operation Satellite System) 센서로부터의 데이터 및 지리적 데이터를 사용하여 AV의 경도 및 위도를 계산한다. 일 실시예에서, 로컬화 모듈(408)에 의해 사용되는 데이터는 도로 기하학적 특성의 고-정밀 맵, 도로망 연결 특성을 기술하는 맵, 도로 물리적 특성(예컨대, 교통 속력, 교통량, 차량 및 자전거 운전자 교통 차선의 개수, 차선 폭, 차선 교통 방향, 또는 차선 마커 타입 및 위치, 또는 그 조합)을 기술하는 맵, 및 도로 특징부, 예를 들어, 횡단보도, 교통 표지판 또는 다양한 타입의 다른 진행 신호(travel signal)의 공간적 위치를 기술하는 맵을 포함한다. 일 실시예에서, 고-정밀 맵은 자동 또는 수동 주석 달기(annotation)를 통해 저-정밀 맵에 데이터를 추가함으로써 구성된다.
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 진행하게할 방식으로 AV의 제어 기능(420a 내지 420c)(예를 들면, 조향, 스로틀링, 제동, 점화)을 동작시킨다. 예를 들어, 궤적(414)이 좌회전을 포함하는 경우, 제어 모듈(406)은, 조향 기능의 조향각이 AV(100)로 하여금 좌측으로 회전하게 하고 스로틀링 및 제동이 AV(100)로 하여금 이러한 회전이 이루어지기 전에 통과하는 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 LiDAR(Light Detection and Ranging) 시스템(예를 들면, 도 1에 도시된 LiDAR(123))이다. LiDAR는 그의 시선에 있는 물리적 대상체에 관한 데이터를 획득하기 위해 광(예를 들면, 적외선 광과 같은 광의 버스트)을 사용하는 기술이다. LiDAR 시스템은 출력(504a)으로서 LiDAR 데이터를 생성한다. 예를 들어, LiDAR 데이터는 환경(190)의 표현을 구성하는 데 사용되는 3D 또는 2D 포인트(포인트 클라우드라고도 알려져 있음)의 집합체이다.
다른 입력(502b)은 RADAR 시스템이다. RADAR는 인근의 물리적 대상체에 관한 데이터를 획득하기 위해 라디오 파를 사용하는 기술이다. RADAR는 LiDAR 시스템의 시선 내에 있지 않은 대상체에 관한 데이터를 획득할 수 있다. RADAR 시스템(502b)은 출력(504b)으로서 RADAR 데이터를 생성한다. 예를 들어, RADAR 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 형식의 데이터)의 형태를 취한다. 일부 예에서, 카메라 시스템은, 카메라 시스템이 심도를 인지할 수 있게 하는, 예를 들어, 입체시(stereopsis)(스테레오 비전)를 위한, 다수의 독립적인 카메라를 갖는다. 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 인지하기 위해 최적화되는 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 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 형식의 데이터)의 형태를 취한다. TLD 시스템은, 시각적 운행 정보를 제공하는 가능한 한 많은 물리적 대상체에 관한 정보를 획득하기 위해 TLD 시스템이 넓은 시계를 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 조합된다. 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 조합된 출력이 동일한 타입(동일한 조합 기술을 사용하는 것 또는 동일한 출력을 조합하는 것 또는 둘 모두)의 단일 조합 출력 또는 다중 조합 출력의 형태 또는 상이한 타입(예를 들면, 상이한 각자의 조합 기술을 사용하는 것 또는 상이한 각자의 출력을 조합하는 것 또는 둘 모두)의 단일 조합 출력 또는 다중 조합 출력의 형태 중 어느 하나로 다른 시스템에 제공될 수 있다. 일부 실시예에서, 조기 융합(early fusion) 기술이 사용된다. 조기 융합 기술은 하나 이상의 데이터 프로세싱 단계가 조합 출력에 적용되기 전에 출력을 조합하는 것을 특징으로 한다. 일부 실시예에서, 늦은 융합(late fusion) 기술이 사용된다. 늦은 융합 기술은 하나 이상의 데이터 프로세싱 단계가 개별 출력에 적용된 후에 출력을 조합하는 것을 특징으로 한다.
도 6은 LiDAR 시스템(602)(예를 들면, 도 5에 도시된 입력(502a))의 일 예를 도시한다. LiDAR 시스템(602)은 광 이미터(606)(예를 들면, 레이저 송신기)로부터 광(604a 내지 604c)을 방출한다. LiDAR 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, LiDAR 시스템(602)으로 다시 반사된다. (LiDAR 시스템으로부터 방출되는 광은 전형적으로 물리적 대상체, 예를 들어, 고체 형태의 물리적 대상체를 관통하지 않는다). 또한, LiDAR 시스템(602)은 반사된 광을 검출하는 하나 이상의 광 검출기(610)를 갖는다. 일 실시예에서, LiDAR 시스템과 연관된 하나 이상의 데이터 프로세싱 시스템은 LiDAR 시스템의 시계(614)를 나타내는 이미지(612)를 생성한다. 이미지(612)는 물리적 대상체(608)의 경계(616)를 나타내는 정보를 포함한다. 이러한 방식으로, 이미지(612)는 AV 인근의 하나 이상의 물리적 대상체의 경계(616)를 결정하는 데 사용된다.
도 7은 동작 중인 LiDAR 시스템(602)을 도시한다. 이 도면에 도시된 시나리오에서, AV(100)는 이미지(702) 형태의 카메라 시스템 출력(504c) 및 LiDAR 데이터 포인트(704) 형태의 LiDAR 시스템 출력(504a) 둘 모두를 수신한다. 사용 중에, AV(100)의 데이터 프로세싱 시스템은 이미지(702)를 데이터 포인트(704)와 비교한다. 특히, 이미지(702)에서 식별된 물리적 대상체(706)가 데이터 포인트(704) 중에서도 식별된다. 이러한 방식으로, AV(100)는 데이터 포인트(704)의 윤곽 및 밀도에 기초하여 물리적 대상체의 경계를 인지한다.
도 8은 LiDAR 시스템(602)의 동작을 추가적으로 상세하게 도시한다. 위에서 기술된 바와 같이, AV(100)는 LiDAR 시스템(602)에 의해 검출되는 데이터 포인트의 특성에 기초하여 물리적 대상체의 경계를 검출한다. 도 8에 도시된 바와 같이, 지면(802)과 같은 평평한 대상체는 LiDAR 시스템(602)으로부터 방출되는 광(804a 내지 804d)을 일관된 방식으로 반사할 것이다. 달리 말하면, LiDAR 시스템(602)이 일관된 간격을 사용하여 광을 방출하기 때문에, 지면(802)은 광을 동일한 일관된 간격으로 다시 LiDAR 시스템(602)으로 반사할 것이다. AV(100)가 지면(802) 위에서 진행함에 따라, LiDAR 시스템(602)은 도로를 방해하는 것이 없는 경우 다음 유효 지면 포인트(806)에 의해 반사되는 광을 계속 검출할 것이다. 그렇지만, 대상체(808)가 도로를 방해하는 경우, LiDAR 시스템(602)에 의해 방출되는 광(804e 내지 804f)은 예상되는 일관된 방식과 불일치하는 방식으로 포인트(810a 내지 810b)로부터 반사될 것이다. 이 정보로부터, AV(100)는 대상체(808)가 존재한다고 결정할 수 있다.
경로 계획
도 9는 (예를 들면, 도 4에 도시된 바와 같은) 계획 모듈(404)의 입력과 출력 사이의 관계의 블록 다이어그램(900)을 도시한다. 일반적으로, 계획 모듈(404)의 출력은 시작 포인트(904)(예를 들면, 소스 위치 또는 초기 위치)로부터 종료 포인트(906)(예를 들면, 목적지 또는 최종 위치)까지의 루트(902)이다. 루트(902)는 전형적으로 하나 이상의 세그먼트에 의해 규정된다. 예를 들어, 세그먼트는 거리, 도로, 공도, 사유 도로, 또는 자동차 진행에 적절한 다른 물리적 영역의 적어도 일 부분에 걸쳐 진행되는 거리이다. 일부 예에서, 예를 들어, AV(100)가 4륜 구동(4WD) 또는 상시 4륜 구동(AWD) 자동차, SUV, 픽업 트럭 등과 같은 오프-로드 주행 가능 차량인 경우, 루트(902)는 비포장 경로 또는 탁트인 들판과 같은 "오프-로드" 세그먼트를 포함한다.
루트(902)에 추가하여, 계획 모듈은 차선-레벨 루트 계획 데이터(908)도 출력한다. 차선-레벨 루트 계획 데이터(908)는 특정한 시간에서의 세그먼트의 조건에 기초하여 루트(902)의 세그먼트를 횡단하는 데 사용된다. 예를 들어, 루트(902)가 다중 차선 공도를 포함하는 경우, 차선-레벨 루트 계획 데이터(908)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(910)를 포함한다. 유사하게, 일 실시예에서, 차선-레벨 루트 계획 데이터(908)는 루트(902)의 세그먼트에 특정적인 속력 제약(912)을 포함한다. 예를 들어, 세그먼트가 보행자 또는 예상치 않은 교통상황(traffic)을 포함하는 경우, 속력 제약(912)은 AV(100)를 예상된 속력보다 더 느린 진행 속력, 예를 들어, 세그먼트에 대한 속력 제한 데이터에 기초한 속력으로 제한할 수 있다.
일 실시예에서, 계획 모듈(404)로의 입력은 (예를 들면, 도 4에 도시된 데이터베이스 모듈(410)로부터의) 데이터베이스 데이터(914), 현재 위치 데이터(916)(예를 들면, 도 4에 도시된 AV 위치(418)), (예를 들면, 도 4에 도시된 목적지(412)에 대한) 목적지 데이터(918), 및 대상체 데이터(920)(예를 들면, 도 4에 도시된 인지 모듈(402)에 의해 인지되는 분류된 대상체(416))를 포함한다. 일 실시예에서, 데이터베이스 데이터(914)는 계획에 사용되는 규칙을 포함한다. 규칙은 형식 언어를 사용하여, 예를 들어, 불리언 로직을 사용하여 특정된다. AV(100)와 조우하는 임의의 주어진 상황에서, 규칙 중 적어도 일부는 해당 상황에 적용될 것이다. 규칙이 AV(100)에 이용 가능한 정보, 예를 들어, 주위 환경에 관한 정보에 기초하여 충족되는 조건을 갖는 경우, 규칙이 주어진 상황에 적용된다. 규칙은 우선순위를 가질 수 있다. 예를 들어, "도로가 공도인 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 10은, 예를 들어, 계획 모듈(404)(도 4)에 의해 경로 계획에 사용되는 방향 그래프(1000)를 도시한다. 일반적으로, 도 10에 도시된 것과 같은 방향 그래프(1000)는 임의의 시작 포인트(1002)와 종료 포인트(1004) 사이의 경로를 결정하는 데 사용된다. 현실 세계에서는, 시작 포인트(1002)와 종료 포인트(1004)를 분리하는 거리는 상대적으로 클 수 있거나(예를 들면, 2개의 상이한 대도시 지역 내) 또는 상대적으로 작을 수 있다(예를 들면, 도시 블록과 맞닿아 있는 2개의 교차로 또는 다중 차선 도로의 2개의 차선).
일 실시예에서, 방향 그래프(1000)는 AV(100)에 의해 점유될 수 있는 시작 포인트(1002)와 종료 포인트(1004) 사이의 상이한 위치를 나타내는 노드(1006a 내지 1006d)를 갖는다. 일부 예에서, 예를 들어, 시작 포인트(1002) 및 종료 포인트(1004)가 상이한 대도시 지역을 나타낼 때, 노드(1006a 내지 1006d)는 도로의 세그먼트를 나타낸다. 일부 예에서, 예를 들어, 시작 포인트(1002) 및 종료 포인트(1004)가 동일한 도로 상의 상이한 위치를 나타낼 때, 노드(1006a 내지 1006d)는 해당 도로 상의 상이한 위치를 나타낸다. 이러한 방식으로, 방향 그래프(1000)는 다양한 레벨의 입도(granularity)로 정보를 포함한다. 또한, 일 실시예에서, 높은 입도를 갖는 방향 그래프는 또한 더 큰 스케일을 갖는 다른 방향 그래프의 하위그래프이다. 예를 들어, 시작 포인트(1002) 및 종료 포인트(1004)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 시계 내의 물리적 위치를 나타내는 그래프의 부분에 대한 일부 높은 입도 정보도 포함한다.
노드(1006a 내지 1006d)는 노드와 중첩할 수 없는 대상체(1008a 내지 1008b)와 별개이다. 일 실시예에서, 입도가 낮을 때, 대상체(1008a 내지 1008b)는 자동차에 의해 횡단될 수 없는 구역, 예를 들어, 거리 또는 도로가 없는 영역을 나타낸다. 입도가 높을 때, 대상체(1008a 내지 1008b)는 AV(100)의 시계 내의 물리적 대상체, 예를 들어, 다른 자동차, 보행자, 또는 AV(100)가 물리적 공간을 공유할 수 없는 다른 엔티티를 나타낸다. 일 실시예에서, 대상체(1008a 내지 1008b)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(1006a 내지 1006d)는 에지(1010a 내지 1010c)에 의해 연결된다. 2개의 노드(1006a 내지 1006b)가 에지(1010a)에 의해 연결되는 경우, AV(100)가, 예를 들어, 다른 노드(1006b)에 도착하기 전에 중간 노드로 진행할 필요 없이, 하나의 노드(1006a)와 다른 노드(1006b) 사이에서 진행하는 것이 가능하다. (노드 사이에서 진행하는 AV(100)를 언급할 때, AV(100)가 각자의 노드에 의해 표현되는 2개의 물리적 위치 사이에서 진행한다는 것을 의미한다.) 에지(1010a 내지 1010c)는, AV(100)가 제1 노드로부터 제2 노드로, 또는 제2 노드로부터 제1 노드로 진행한다는 의미에서 종종 양방향성이다. 일 실시예에서, 에지(1010a 내지 1010c)는, AV(100)가 제1 노드로부터 제2 노드로 진행할 수 있지만, AV(100)가 제2 노드로부터 제1 노드로 진행할 수 없다는 의미에서 단방향성이다. 에지(1010a 내지 1010c)는, 예를 들어, 일방통행로, 거리, 도로, 또는 공도의 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(1000)를 사용하여 시작 포인트(1002)와 종료 포인트(1004) 사이의 노드 및 에지로 이루어진 경로(1012)를 식별한다.
에지(1010a 내지 1010c)는 연관된 비용(1014a 내지 1014b)을 갖는다. 비용(1014a 내지 1014b)은 AV(100)가 해당 에지를 선택하는 경우 소비될 리소스를 나타내는 값이다. 전형적인 리소스는 시간이다. 예를 들어, 하나의 에지(1010a)가 다른 에지(1010b)의 물리적 거리의 2배인 물리적 거리를 나타내면, 제1 에지(1010a)의 연관된 비용(1014a)은 제2 에지(1010b)의 연관된 비용(1014b)의 2배일 수 있다. 시간에 영향을 미치는 다른 인자는 예상된 교통상황, 교차로의 개수, 속력 제한 등을 포함한다. 다른 전형적인 리소스는 연비이다. 2개의 에지(1010a 및 1010b)는 동일한 물리적 거리를 나타낼 수 있지만, 예를 들어, 도로 조건, 예상된 날씨 등으로 인해, 하나의 에지(1010a)는 다른 에지(1010b)보다 더 많은 연료를 요구할 수 있다.
계획 모듈(404)이 시작 포인트(1002)와 종료 포인트(1004) 사이의 경로(1012)를 식별할 때, 계획 모듈(404)은 전형적으로, 비용에 최적화된 경로, 예를 들어, 에지의 개별 비용이 함께 가산될 때 가장 적은 전체 비용을 갖는 경로를 선택한다.
자율 주행 차량 제어
도 11은 (예를 들면, 도 4에 도시된 바와 같은) 제어 모듈(406)의 입력 및 출력의 블록 다이어그램(1100)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(310)를 포함하는 제어기(1102), 및 메모리 내에 저장된 명령에 따라 동작하는데, 상기 명령은 명령이 (예를 들면, 하나 이상의 프로세서에 의해) 실행될 때 제어기(1102)의 동작을 수행한다.
일 실시예에서, 제어기(1102)는 원하는 출력(1104)을 나타내는 데이터를 수신한다. 원하는 출력(1104)은 전형적으로 속도, 예를 들어, 속력 및 헤딩을 포함한다. 원하는 출력(1104)은, 예를 들어, (예를 들면, 도 4에 도시된 바와 같은) 계획 모듈(404)로부터 수신되는 데이터에 기초할 수 있다. 원하는 출력(1104)에 따라, 제어기(1102)는 스로틀 입력(1106) 및 조향 입력(1108)으로서 사용 가능한 데이터를 생성한다. 스로틀 입력(1106)은 원하는 출력(1104)을 달성하기 위해 조향 페달에 관여하거나 또는 다른 스로틀 제어에 관여함으로써, AV(100)의 스로틀(예를 들면, 가속도 제어)에 관여하는 정도를 나타낸다. 일부 예에서, 스로틀 입력(1106)은 AV(100)의 브레이크(예를 들면, 감속 제어)에 관여하는 데 사용 가능한 데이터를 또한 포함한다. 조향 입력(1108)은 조향각, 예를 들어, AV의 조향 제어(예를 들면, 조향 휠, 조향각 액추에이터, 또는 조향각을 제어하기 위한 다른 기능성)가 원하는 출력(1104)을 달성하도록 위치설정되어야 하는 각도를 나타낸다.
일 실시예에서, 제어기(1102)는 스로틀 및 조향에 제공되는 입력을 조정하는 데 사용되는 피드백을 수신한다. 예를 들어, AV(100)가 언덕과 같은 방해물(1110)과 조우하면, AV(100)의 측정된 속력(1112)은 원하는 출력 속력 아래로 낮아진다. 일 실시예에서, 임의의 측정된 출력(1114)은, 예를 들어, 측정된 속력과 원하는 출력 사이의 차분(1113)에 기초하여, 필요한 조정이 수행되도록 제어기(1102)에 제공된다. 측정된 출력(1114)은 측정된 위치(1116), 측정된 속도(1118)(속력 및 헤딩을 포함), 측정된 가속도(1120), 및 AV(100)의 센서에 의해 측정 가능한 다른 출력을 포함한다.
일 실시예에서, 방해물(1110)에 관한 정보는, 예를 들어, 카메라 또는 LiDAR 센서와 같은 센서에 의해 미리 검출되고, 예측 피드백 모듈(1122)에 제공된다. 이후, 예측 피드백 모듈(1122)은 정보를 제어기(1102)에 제공하며, 제어기(1102)는 이 정보를 사용하여 그에 따라 조정할 수 있다. 예를 들어, AV(100)의 센서가 언덕을 검출한("본") 경우, 이 정보는 상당한 감속을 방지하기 위해 적절한 시간에 스로틀에 관여할 준비를 하도록 제어기(1102)에 의해 사용될 수 있다.
도 12는 제어기(1102)의 입력, 출력, 및 컴포넌트의 블록 다이어그램(1200)을 도시한다. 제어기(1102)는 스로틀/브레이크 제어기(1204)의 동작에 영향을 미치는 속력 프로파일러(1202)를 갖는다. 예를 들어, 속력 프로파일러(1202)는, 예를 들어, 제어기(1102)에 의해 수신되고 속력 프로파일러(1202)에 의해 프로세싱되는 피드백에 따라 스로틀/브레이크(1206)를 사용하여 가속에 관여하거나 감속에 관여하도록 스로틀/브레이크 제어기(1204)에 명령한다.
또한, 제어기(1102)는 조향 제어기(1210)의 동작에 영향을 미치는 측방향 추적 제어기(1208)를 갖는다. 예를 들어, 측방향 추적 제어기(1208)는, 예를 들어, 제어기(1102)에 의해 수신되고 측방향 추적 제어기(1208)에 의해 프로세싱되는 피드백에 따라 조향 각도 액추에이터(1212)의 위치를 조정하도록 조향 제어기(1204)에 명령한다.
제어기(1102)는 스로틀/브레이크(1206) 및 조향각 액추에이터(1212)를 제어하는 방법을 결정하는 데 사용되는 여러 입력을 수신한다. 계획 모듈(404)은, 예를 들어, AV(100)가 동작을 시작할 때 헤딩을 선택하고 AV(100)가 교차로에 도달할 때 어느 도로 세그먼트를 횡단할지를 결정하기 위해, 제어기(1102)에 의해 사용되는 정보를 제공한다. 로컬화 모듈(408)은, 예를 들어, 스로틀/브레이크(1206) 및 조향각 액추에이터(1212)가 제어되고 있는 방식에 기초하여 예상되는 위치에 AV(100)가 있는지를 제어기(1102)가 결정할 수 있도록, AV(100)의 현재 위치를 기술하는 정보를 제어기(1102)에 제공한다. 일 실시예에서, 제어기(1102)는 다른 입력(1214)으로부터의 정보, 예를 들어, 데이터베이스, 컴퓨터 네트워크 등으로부터 수신된 정보를 수신한다.
궤적 예측 개관
위에서 언급된 바와 같이, 이 문서는 환경에서 주변 대상체의 움직임에 기초하여 에이전트(예를 들면, 차량, 자전거, 보행자 등)가 어떻게 이동할 것인지를 예측하기 위한 다양한 기술을 설명한다. 아래에서 설명되는 기술은 에이전트에서부터 특정 거리 내에 있는 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신하는 시스템을 포함한다. 본원에서 사용되는 바와 같이, 용어 에이전트는 본 시스템이 가능한 궤적에 대한 분포를 예측하려고 시도하는 대상체(예를 들면, 차량, 자전거, 보행자, 또는 다른 적합한 대상체)를 지칭한다. 본원에서 사용되는 바와 같이, 용어 "위치 데이터"는 검출 범위 내의 에이전트 또는 다른 대상체와 관련하여 대상체(예를 들면, 차량, 자전거, 보행자, 또는 다른 적합한 대상체)의 위치를 지칭한다. 본원에서 사용되는 바와 같이, 용어 "과거 궤적 데이터"는 특정 양의 시간(예를 들어, 1초, 2초, 3초 또는 다른 적절한 시간)에 대한 특정 대상체(예를 들면, 차량, 자전거, 보행자, 또는 다른 적합한 대상체)의 궤적을 지칭한다. 일 실시예에서, 과거 궤적 데이터는 과거 시간 구간(예를 들면, 1초전, 2초전, 3초전, 또는 다른 적합한 시간)에 걸쳐 기록된 원시 센서 데이터를 포함할 수 있다.
도 13은 위치 데이터 및 과거 궤적 데이터로서 수신될 수 있는 이미지(1300)의 일 예를 도시한다. 이미지(1300)는 각각의 차량의 현재 위치 및 각각의 차량의 과거 궤적 이력을 갖는 차선을 따라 진행하는 차량의 묘사(1302 및 1304)를 포함한다. 다른 묘사(1306)는 횡단보도에서 도로를 건너가는 다수의 보행자를 보여준다. 이미지(1300)는 아래에서 기술되는 다양한 예측 기술을 수행하기 위해 본 시스템에 의해 수신될 수 있다. 일 실시예에서, 이미지는 맵 데이터와 다수의 시간(예를 들어, 1초전, 2초전, 3초전 또는 다른 적합한 시간)에 대한 다른 대상체 데이터를 오버랩하는 것에 의해 구성된다.
아래에서 기술되는 다양한 도면(예를 들면, 도 14, 도 16, 및 도 19)에서의 액션은 이 문서에서 앞서 기술된 다양한 컴포넌트에 의해 수행될 수 있다. 예를 들어, 도 1의 하나 이상의 프로세서(146)는 이러한 액션을 수행할 수 있다. 일 실시예에서, 아래에서 기술되는 액션의 일부 또는 전부는 하나의 데이터 센터(예를 들어, 데이터 센터(204A))에서 또는 다수의 데이터 센터(예를 들면, 도 2에 도시된 바와 같은 데이터 센터(204A, 204B, 및/또는 204C))에서 수행될 수 있다. 일 실시예에서, 아래에서 기술되는 액션은 인지 회로(402), 계획 회로(404), 및/또는 이들 회로 둘 모두의 조합에 의해 수행될 수 있다. 그렇지만, 명확성을 위해, 본 개시는 이 액션을 수행하는 시스템을 예측 시스템이라고 지칭할 것이다.
미리 계산되거나 동적으로 생성된 확률 맵으로부터의 궤적 예측
하나의 궤적 예측 기술은, 때때로 코스트 맵(cost map) 또는 히트 맵(heat map)이라고 지칭되는, 확률 맵을 생성하는 것을 포함한다. 예측 시스템은 에이전트에서부터 특정 거리 내에 있는 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신한다. 해당 대상체는 해당 에이전트에 의해 검출되었을 수 있다(예를 들면, 에이전트가 차량인 경우, 대상체는 차량의 센서에 의해 검출되었을 수 있다). 예측 시스템은 대상체로부터 특징 세트를 결정하고, 세트 내의 해당 특징을 에이전트의 움직임 데이터(예를 들면, 속력, 가속도, 요 레이트 등)와 조합하며, (예를 들면, 신경 네트워크를 사용하여) 연결 데이터 세트로부터 확률 맵을 생성한다. 각각의 물리적 위치에 에이전트가 해당 물리적 위치를 횡단할 확률이 할당되도록 확률 맵은 다수의 물리적 위치(예를 들면, 1 미터 분해능의 정사각형)를 포함한다. 확률 맵에 기초하여, 예측 시스템은 에이전트에 대한 하나 이상의 예측 궤적을 생성한다.
도 14는 대상체의 하나 이상의 궤적을 예측하기 위해 수행될 수 있는 프로세스(1400)의 블록 다이어그램이다. 1405에서, 예측 시스템은 하나 이상의 센서에 의해 검출된 하나 이상의 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신한다. 예를 들어, 위에서 논의된 바와 같이, 도 13의 이미지(1300)가 위치 데이터 및 과거 궤적 데이터로서 수신될 수 있다. 일 실시예에서, 예측 시스템은 위치 데이터와 과거 궤적 데이터를 상이한 포맷으로 수신할 수 있다. 예측 시스템은 과거 시간 구간(예를 들어, 1초, 2초, 3초, 또는 다른 적합한 시간 구간)에 대한 과거 궤적 데이터를 수신할 수 있다. 위치 데이터 및 과거 궤적 데이터가 이미지의 일부로서 수신될 때, 이미지는 하나 이상의 대상체의 각각의 대상체에 대한 대응하는 과거 궤적을 표시하기 위해 색상 코딩된 포맷으로 하나 이상의 대상체에 대한 과거 궤적 데이터를 포함할 수 있다. 예를 들어, 대상체(1302) 각각은 과거 궤적 데이터에 대한 시간 진행을 보여주기 위해 색상이 점진적으로 변하는 다수의 색상을 갖는 것으로 보여진다.
1410에서, 예측 시스템은, 하나 이상의 프로세서를 사용하여 위치 데이터 및 과거 궤적 데이터에 기초하여, 하나 이상의 대상체에 대한 특징 세트를 결정한다. 예를 들어, 위치 데이터 및 과거 궤적 데이터가 이미지로서 수신되는 실시예에서, 예측 시스템은 이미지를 분류기에 입력하고, 분류기로부터 이미지에 대한 복수의 특징을 수신할 수 있다. 이미지에 대한 특징은 다양한 대상체의 속도, 해당 대상체의 위치 및 거리, 및 다른 적합한 정보를 포함할 수 있다. 1415에서, 예측 시스템은 (예를 들면, 하나 이상의 프로세서를 사용하여) 특징 세트를 에이전트의 움직임 데이터와 조합하여 연결 데이터 세트를 형성한다. 예를 들어, 예측 시스템은 에이전트의 속력, 가속도 및 요 레이트를 포함하는 벡터를, 특징 세트에, 추가할 수 있다.
1420에서, 예측 시스템은, 하나 이상의 프로세서를 사용하여 연결 데이터 세트에 기초하여, 복수의 물리적 위치를 포함하는 확률 맵을 생성하며, 여기서 복수의 물리적 위치의 각각의 물리적 위치에는 에이전트가 해당 위치를 통해 이동할 확률이 할당된다. 일 실시예에서, 확률 맵을 생성하는 것은 연결 데이터 세트를 신경 네트워크에 입력하는 것을 포함한다. 신경 네트워크는 연결 데이터 세트를 입력으로서 받아들이도록 구성될 수 있다.
신경 네트워크는 트레이닝 세트를 사용하여 트레이닝된다. 예를 들어, 트레이닝 세트는 다수의 대상체에 대한 위치 데이터와 과거 궤적 데이터의 다수의 세트를 포함할 수 있다. 일 실시예에서, 트레이닝 세트는 (예를 들면, 이미지(1300)와 동일한 포맷의) 다수의 이미지를 포함한다. 추가적으로, 트레이닝 세트는 에이전트의 궤적(예를 들면, 에이전트가 진행한 경로)을 포함한다. 위치 데이터 및 궤적 데이터(예를 들면, 이미지(1300)와 동일한 포맷의 이미지)는 신경 네트워크에 입력될 수 있고, 신경 네트워크는 예측 궤적 및 해당 궤적의 확률을 반환할 수 있다. 일 실시예에서, 신경 네트워크는 다수의 예측 궤적 및 대응하는 확률을 반환한다. 예측 시스템은 에이전트의 궤적을 예측 궤적과 비교하여 두 궤적 사이의 차이를 결정할 수 있다. 예측 시스템은 차이와 확률을 받아서 해당 정보를 신경 네트워크를 통해 역전파할 수 있다. 예를 들어, 예측 시스템은 차이와 확률에 기초하여 노드 가중치를 조정하도록 신경 네트워크에 지시할 수 있다. 다수의 예측 궤적과 다수의 확률이 제공될 때, 예측 시스템은 다수의 차이를 생성하고 해당 차이와 해당 확률을 신경 네트워크를 통해 역전파할 수 있다. 예측 시스템은 신경 네트워크를 트레이닝시키기 위해 트레이닝 세트의 모든 입력에 대해 이 프로세스를 반복할 수 있다.
일 실시예에서, 예측 시스템은 신경 네트워크를 트레이닝시키기 위해 이하의 액션을 취할 수 있다. 일 실시예에서, 예측 시스템은 차량의 리소스(예를 들면, 프로세서(들), 메모리, 및 다른 적합한 리소스)를 사용하여 트레이닝을 수행할 수 있다. 트레이닝은 차량 외부에서(예를 들면, 도 2에 도시된 바와 같은 데이터 센터(204A)에서) 수행될 수 있다. 예측 시스템은 하나 이상의 트레이닝 대상체에 대한 트레이닝 위치 데이터 및 트레이닝 과거 궤적 데이터(예를 들면, 1초, 2초, 또는 다른 적합한 이동 시간 구간)를 수신할 수 있다. 트레이닝 위치 데이터 및 트레이닝 과거 궤적 데이터는 도 13의 이미지(1300)와 동일한 포맷의 이미지로서 수신될 수 있다. 예측 시스템은, 트레이닝 위치 데이터 및 트레이닝 과거 궤적 데이터에 기초하여, 하나 이상의 트레이닝 대상체에 대한 트레이닝 특징 세트를 결정할 수 있다. 예를 들어, 위치 데이터 및 과거 궤적 데이터가 이미지로서 수신될 때, 예측 시스템은 이미지를 분류기에 입력하고, 분류기로부터 이미지에 대한 복수의 특징을 수신할 수 있다. 이미지에 대한 특징은 다양한 대상체의 속도, 해당 대상체의 위치 및 거리, 및 다른 적합한 정보를 포함할 수 있다. 예측 시스템은 트레이닝 특징 세트를 에이전트의 트레이닝 움직임 데이터와 조합하여 트레이닝 연결 데이터 세트를 형성한다. 예를 들어, 예측 시스템은 각각의 대상체에 대한 속력, 가속도, 및 요 레이트를 포함하는 벡터를 추가할 수 있다.
연결 데이터 세트는 이어서 복수의 트레이닝 물리적 위치를 포함하는 트레이닝 확률 맵을 생성하는 데 사용되며, 여기서 복수의 트레이닝 물리적 위치 각각에는 트레이닝 에이전트가 해당 위치를 통해 이동할 트레이닝 확률이 할당된다. 예측 시스템은 이어서, 트레이닝 확률 맵에 기초하여, 트레이닝 에이전트에 대한 하나 이상의 트레이닝 궤적을 결정한다. 이 액션 및 신경 네트워크를 트레이닝시키는 상기 액션은 예측 궤적을 얻기 위해 신경 네트워크가 실행될 때의 해당 액션과 유사하다. 그렇지만, 예측이 생성된 후에는, 상이한 액션이 수행된다. 구체적으로, 예측 시스템은 하나 이상의 트레이닝 궤적을 트레이닝 에이전트의 알려진 궤적과 비교한다. 위치 데이터와 과거 궤적 데이터가 트레이닝 세트의 일부이기 때문에, 트레이닝 세트는 에이전트가 이동한 궤적을 포함한다. 따라서, 하나 이상의 예측 궤적(트레이닝 궤적)이 에이전트가 이동한 궤적과 비교될 수 있다. 예측 시스템은 이어서 비교에 따라 모델(예를 들면, 트레이닝되는 신경 네트워크)의 가중치를 업데이트한다. 위에서 논의된 바와 같이, 비교의 결과(예를 들면, 궤적의 차이(들))는 신경 네트워크의 가중치를 조정하기 위해 신경 네트워크를 통해 역전파될 수 있다. 따라서, 비교에 따라 모델의 가중치를 업데이트하는 것은 모델을 통해 하나 이상의 트레이닝 궤적 각각과 알려진 궤적 사이의 차이를 전파하는 것에 의해 수행될 수 있다.
일 실시예에서, 예측 시스템은 에이전트의 하나 이상의 센서의 검출 범위를 나타내는 그리드에 대한 데이터 구조를 생성할 수 있다. 그리드는 다수의 위치를 포함할 수 있으며, 확률 맵을 나타낼 수 있다. 예측 시스템은, 그리드 내의 각각의 위치에, 에이전트가 그리드 내의 해당 위치에 존재할 확률을 할당할 수 있다. 도 15는 에이전트에 대한 확률 맵의 데이터 구조의 일 부분의 일 예이다. 도 15의 데이터 구조(1500)에 의해 도시된 바와 같이, 확률 맵(예를 들면, 그리드) 내의 각각의 위치(1502)는 그리드에서의 대응하는 위치에 대한 확률(1504)을 저장한다. 일 실시예에서, 데이터 구조(1500)는 그리드 내의 각각의 위치에 대한 시간(1506)을 저장할 수 있다. 시간은 장면으로부터 시간이 경과함에 따라 위치 데이터 및 과거 궤적 데이터의 입력으로부터 경과된 시간을 나타낸다. 데이터 구조는 파라미터 1 필드(1508)에 의해 표시된 바와 같은 다른 파라미터를 포함할 수 있다. 일 실시예에서, 그리드는 적응적으로 크기가 조정될 수 있다. 예를 들어, 그리드 내의 영역은 에이전트에 공간적으로 가까울수록 더 작은 크기로 되어 있을 수 있고 에이전트로부터 공간적으로 멀리 떨어질수록 더 큰 크기로 되어 있을 수 있다. 이러한 크기 조정(sizing)은 더 많은 예측 포인트가 에이전트에 가까이 있는 것을 가능하게 한다. 다른 예에서, 그리드는 시간에 기초하여 크기가 조정될 수 있다. 예를 들어, 처음 몇 초 동안, 예측 시스템은 다음 몇 초 동안보다 더 많은 좌표를 생성할 수 있어, 더 많은 예측 데이터가 처리될 수 있게 한다.
다시 도 14를 참조하면, 1425에서, 예측 시스템은, 확률 맵에 기초하여, 차량에 대한 하나 이상의 예측 궤적을 결정한다. 예측 시스템은 결과적인 확률 맵으로부터 최고 확률 궤적을 선택할 수 있다. 선택 프로세스 동안, 예측 시스템은 그리드와 연관된 데이터 구조에 액세스하고 각각의 시간 구간(예를 들면, 1초, 2초, 및/또는 3초)에 대해 그리드 내에서의 최고 확률 위치를 검색할 수 있다. 예측 시스템은 이어서 선택된 위치를 에이전트에 대한 예측 궤적으로서 사용할 수 있다. 일 실시예에서, 예측 시스템은 다수의 궤적을 선택할 수 있다. 예를 들어, 상이한 확률을 갖는 3개의 예측 궤적이 있을 수 있으며, 하나는 직진하는 것에 대한 것이고, 하나는 우회전하는 것에 대한 것이며, 다른 하나는 좌회전하는 것에 대한 것이다.
1430에서, 예측 시스템은, 차량의 계획 회로를 사용하여 하나 이상의 예측 궤적에 기초하여, 차량에 대한 하나 이상의 운전 커맨드를 생성한다. 예측 시스템은, 적어도 부분적으로, 예측 시스템을 사용하여 다른 대상체(예를 들면, 에이전트)가 어떻게 이동할 것인지를 예측하는 차량에 위치될 수 있다. 따라서, 차량의 계획 회로는 대상체에 대한 하나 이상의 예측 궤적을 사용하여 차량에 대한 운전 커맨드를 생성할 수 있다. 따라서, 차량은 컴퓨터 실행 가능 명령을 저장하는 하나 이상의 컴퓨터 판독 가능 매체 및 프로세스(1400)를 수행하는 컴퓨터 실행 가능 명령을 실행하도록 구성된 하나 이상의 프로세서를 포함할 수 있다.
일 실시예에서, 예측 시스템은, 적어도 부분적으로, 차량 외부에(예를 들면, 도 2에 도시된 바와 같은 데이터 센터(204A)에) 존재한다. 따라서, 예측 시스템은 차량에 의해 검출된 대상체에 대한 예측 궤적을 차량에 송신할 수 있고, 차량은 (예를 들면, 계획 회로를 사용하여) 수신된 궤적에 기초하여 운전 커맨드를 생성할 수 있다. 일 실시예에서, 운전 커맨드는 차량으로부터 원격지에서(예를 들면, 도 2에 도시된 바와 같은 데이터 센터(204A)에서) 생성될 수 있고, 실행을 위해 차량에 송신된다.
1435에서, 예측 시스템은, 차량의 제어 회로를 사용하여, 하나 이상의 운전 커맨드에 기초하여 차량을 동작시킨다. 예를 들어, 계획 회로는 운전 커맨드를 실행을 위해 제어 회로에 송신할 수 있다. 차량의 제어 회로는 검출된 대상체(예를 들면, 에이전트)의 예측 궤적에 기초하여 해당 대상체를 피하는 궤적에서 차량을 운전하기 위해 커맨드를 해석하고 실행할 수 있다.
미리 계산되거나 동적으로 생성된 확률 맵으로부터의 궤적 예측과 관련하여 기술된 액션은 (예를 들면, 차량에 있는, 데이터 센터에 있는, 또는 다른 적합한 위치에 있는) 하나 이상의 프로세서에 의해 실행하기 위한 하나 이상의 프로그램으로서 비-일시적 컴퓨터 판독 가능 저장 매체에 저장될 수 있다. 하나 이상의 프로그램은, 하나 이상의 프로세서에 의해 실행될 때, 위에서 기술된 컴퓨터 구현 방법(들)을 수행하는 명령을 포함할 수 있다.
궤적 격자로부터의 궤적 예측
다른 궤적 예측 기술은 에이전트(예를 들면, 차량, 자전거, 보행자, 또는 다른 적합한 대상체)에 대한 궤적 격자를 생성하는 것을 포함한다. 예측 시스템은 에이전트에서부터 특정 거리 내에 있는 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신한다. 해당 대상체는 해당 에이전트에 의해 검출되었을 수 있다(예를 들면, 에이전트가 차량인 경우, 대상체는 차량의 센서에 의해 검출되었을 수 있다). 예측 시스템은 해당 대상체로부터 특징 세트를 결정하고, 세트 내의 특징을 에이전트의 움직임 데이터(예를 들면, 속력, 가속도, 요 레이트 등)와 조합하며, (예를 들면, 신경 네트워크를 사용하여) 에이전트에 대한 궤적 격자를 생성한다. 궤적 격자는 에이전트에 대한 다수의 궤적을 포함한다. 일 실시예에서, 궤적 격자 내의 각각의 궤적은 대응하는 확률을 갖는다. 궤적 격자에 기초하여, 예측 시스템은 에이전트에 대한 하나 이상의 예측 궤적을 생성한다.
도 16은 에이전트의 하나 이상의 궤적을 예측하기 위해 수행될 수 있는 프로세스(1600)의 블록 다이어그램이다. 1605에서, 예측 시스템은 하나 이상의 센서에 의해 검출된 하나 이상의 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신한다. 예를 들어, 위에서 논의된 바와 같이, 도 13의 이미지(1300)가 위치 데이터 및 과거 궤적 데이터로서 수신될 수 있다. 일 실시예에서, 예측 시스템은 위치 데이터와 과거 궤적 데이터를 이미지와 상이한 포맷으로 수신할 수 있다. 예측 시스템은 과거 시간 구간(예를 들어, 1초, 2초, 3초, 또는 다른 적합한 시간 구간)에 대한 과거 궤적 데이터를 수신할 수 있다. 위치 데이터 및 과거 궤적 데이터가 이미지의 일부로서 수신될 때, 이미지는 하나 이상의 대상체의 각각의 대상체에 대한 대응하는 과거 궤적을 표시하기 위해 색상 코딩된 포맷으로 하나 이상의 대상체에 대한 과거 궤적 데이터를 포함할 수 있다. 예를 들어, 대상체(1302) 각각은 과거 궤적 데이터에 대한 시간 진행을 보여주기 위해 색상이 점진적으로 변하는 다수의 색상을 갖는 것으로 보여진다.
1610에서, 예측 시스템은, 하나 이상의 프로세서를 사용하여 위치 데이터 및 과거 궤적 데이터에 기초하여, 하나 이상의 대상체에 대한 특징 세트를 결정한다. 예를 들어, 위치 데이터 및 과거 궤적 데이터가 이미지로서 수신되는 실시예에서, 예측 시스템은 이미지를 분류기에 입력하고, 분류기로부터 이미지에 대한 복수의 특징을 수신할 수 있다. 이미지에 대한 특징은 다양한 대상체의 속도, 해당 대상체의 위치 및 거리, 및 다른 적합한 정보를 포함할 수 있다. 1615에서, 예측 시스템은 (예를 들면, 하나 이상의 프로세서를 사용하여) 특징 세트를 에이전트의 움직임 데이터와 조합하여 연결 데이터 세트를 형성한다. 예를 들어, 예측 시스템은 에이전트의 속력, 가속도 및 요 레이트를 포함하는 벡터를, 특징 세트에, 추가할 수 있다.
1620에서, 예측 시스템은, 연결 데이터 세트에 기초하여, 에이전트에 대한 복수의 가능한 궤적을 포함하는 궤적 격자를 생성하며, 여기서 궤적 격자에서의 각각의 궤적에는 확률이 할당된다. 예를 들어, 예측 시스템은 연결 데이터 세트를 신경 네트워크에 입력하고, 신경 네트워크로부터, 궤적 격자에 대한 데이터를 수신할 수 있다. 도 17은 예측 시스템에 의해 생성될 수 있는 하나의 가능한 궤적 격자(1702)를 도시한다. 일 실시예에서, 예측 시스템은 궤적 격자에 대한 데이터 구조를 생성한다. 데이터 구조는 궤적 격자에서의 각각의 궤적에 대한 복수의 필드를 포함할 수 있다. 필드는 각각의 궤적에 대한 좌표를 저장하기 위한 좌표 필드 및 각각의 궤적에 대한 확률을 저장하기 위한 확률 필드를 포함할 수 있다. 다른 필드가 궤적 격자에 포함될 수 있다.
일 실시예에서, 예측 시스템은 (예를 들면, 이전에 트레이닝된) 신경 네트워크를 사용하여 궤적 격자를 생성할 수 있다. 예측 시스템은 신경 네트워크를 트레이닝시키기 위해 이하의 액션을 취할 수 있다. 예측 시스템은 차량의 리소스(예를 들면, 프로세서(들), 메모리, 및 다른 적합한 리소스)를 사용하여 트레이닝을 수행할 수 있다. 일 실시예에서, 트레이닝은 차량 외부에서(예를 들면, 도 2에 도시된 바와 같은 데이터 센터(204A)에서) 수행된다. 예측 시스템은 하나 이상의 트레이닝 대상체에 대한 트레이닝 위치 데이터 및 트레이닝 과거 궤적 데이터(예를 들면, 1초, 2초, 또는 다른 적합한 이동 시간 구간)를 수신할 수 있다. 트레이닝 위치 데이터 및 트레이닝 과거 궤적 데이터는 도 13의 이미지(1300)와 동일한 포맷의 이미지로서 수신될 수 있다. 예측 시스템은, 트레이닝 위치 데이터 및 트레이닝 과거 궤적 데이터에 기초하여, 하나 이상의 트레이닝 대상체에 대한 트레이닝 특징 세트를 결정할 수 있다. 예를 들어, 위치 데이터 및 과거 궤적 데이터가 이미지로서 수신될 때, 예측 시스템은 이미지를 분류기에 입력하고, 분류기로부터 이미지에 대한 복수의 특징을 수신할 수 있다. 이미지에 대한 특징은 다양한 대상체의 속도, 해당 대상체의 위치 및 거리, 및 다른 적합한 정보를 포함할 수 있다. 예측 시스템은 트레이닝 특징 세트를 에이전트의 트레이닝 움직임 데이터와 조합하여 트레이닝 연결 데이터 세트를 형성한다. 예를 들어, 예측 시스템은 각각의 대상체에 대한 속력, 가속도, 및 요 레이트를 포함하는 벡터를 추가할 수 있다.
연결 데이터 세트는 이어서 복수의 트레이닝 예측 궤적을 포함하는 트레이닝 궤적 격자를 생성하는 데 사용되며, 여기서 복수의 트레이닝 예측 궤적 각각에는 트레이닝 에이전트의 트레이닝 확률(예를 들면, 에이전트가 특정 궤적을 진행할 확률)이 할당된다. 예측 시스템은 이어서, 트레이닝 궤적 격자에 기초하여, 트레이닝 에이전트에 대한 하나 이상의 트레이닝 궤적을 결정한다. 이 액션 및 신경 네트워크를 트레이닝시키는 상기 액션은 예측 궤적을 얻기 위해 신경 네트워크가 실행될 때의 해당 액션과 유사하다. 그렇지만, 예측이 생성된 후에는, 상이한 액션이 수행된다. 구체적으로, 예측 시스템은 하나 이상의 트레이닝 궤적을 트레이닝 에이전트의 알려진 궤적과 비교한다. 위치 데이터와 과거 궤적 데이터가 트레이닝 세트의 일부이기 때문에, 트레이닝 세트는 에이전트가 이동한 궤적을 포함한다. 따라서, 하나 이상의 예측 궤적(트레이닝 궤적)이 에이전트가 이동한 궤적과 비교될 수 있다. 예측 시스템은 이어서 비교에 따라 모델(예를 들면, 트레이닝되는 신경 네트워크)의 가중치를 업데이트한다. 위에서 논의된 바와 같이, 비교의 결과(예를 들면, 궤적의 차이(들))는 신경 네트워크의 가중치를 조정하기 위해 신경 네트워크를 통해 역전파될 수 있다. 따라서, 비교에 따라 모델의 가중치를 업데이트하는 것은 모델을 통해 하나 이상의 트레이닝 궤적 각각과 알려진 궤적 사이의 차이를 전파하는 것에 의해 수행될 수 있다. 이 프로세스는 이용 가능한 각각의 트레이닝 데이터 세트에 대해 반복할 수 있다. 따라서, 궤적 격자는 에이전트 상태(예를 들면, 속력, 가속도, 요 레이트, 및/또는 다른 상태 컴포넌트)에 기초하여 동적으로 생성될 수 있다. 위에서 논의된 바와 같이, 일 실시예에서, 궤적 격자는 또한 에이전트에 대한 환경적 맥락(예를 들면, 도로망, 맵 데이터, 다른 대상체 등)에 기초할 수 있다.
다시 도 16을 참조하면, 1625에서, 예측 시스템은, 궤적 격자에 기초하여, 에이전트에 대한 하나 이상의 예측 궤적을 결정한다. 예를 들어, 예측 시스템은 최고 확률을 갖는 궤적을 선택할 수 있다. 일 실시예에서, 예측 시스템은 에이전트의 움직임 데이터를 사용하여 하나 이상의 예측 궤적을 결정한다. 예측 시스템은 에이전트의 속력, 가속도, 및 요 레이트 중 하나 이상을 수신하고, 궤적 격자에서, 에이전트가 에이전트의 속력, 가속도, 및 요 레이트 중 하나 이상에 기초하여 진행할 수 없는 해당 궤적을 식별할 수 있다. 예측 시스템은 궤적 격자로부터 해당 궤적을 제거할 수 있다. 예측 시스템은 (예를 들면, 궤적 격자에서의 각각의 궤적의 확률에 기초하여) 업데이트된 궤적 격자로부터 하나 이상의 궤적을 선택할 수 있다.
궤적 격자(1704) 및 궤적 격자(1706)는 차량의 속력에 기초한 상이한 가능한 궤적을 예시한다. 궤적 격자(1704)는 에이전트의 2 미터/초의 속력에 대한 가능한 궤적을 예시한다. 해당 속력에 기초하여, 많은 방향으로의 많은 궤적이 가능하다. 궤적 격자(1706)는 10 미터/초의 속력에 대한 가능한 궤적을 예시한다. 궤적 격자(1706)에 예시된 바와 같이, 에이전트(예를 들면, 차량)는 해당 속도로 특정 회전을 할 수 없으며, 따라서 그러한 회전을 필요로 하는 해당 궤적은 궤적 격자(1706)에 포함되지 않는다(예를 들면, 그로부터 제거된다). 특정 속도로 실행될 수 없는 궤적을 식별하기 위해, 예측 시스템은 (예를 들면, 차량, 자전거, 보행자, 또는 다른 대상체 타입과 같은 각각의 대상체 타입에 대해) 대응하는 속력으로 실행될 수 없는 다양한 기동(예를 들면, 회전)을 저장할 수 있다. 예를 들어, U턴 기동이 10 미터/초의 속력으로 실행될 수 없는 경우, 예측 시스템은 해당 정보를 저장하고 해당 정보에 액세스하여 궤적 격자를 그에 따라 프루닝(prune)할 수 있다.
일 실시예에서, 예측 시스템은 도로 규칙 데이터를 사용하여 하나 이상의 예측 궤적을 결정한다. 예측 시스템은 도로 규칙 데이터(예를 들면, 교통 규칙을 나타내는 데이터) 및 도로 마킹 데이터(예를 들면, 차선 마킹, 횡단보도 마킹 등) 중 하나 이상을 수신할 수 있다. 교통 규칙을 나타내는 데이터는 속력 제한 데이터, 교통 신호등 데이터(예를 들면, 녹색, 적색, 또는 황색), 및 다른 적합한 교통 규칙 데이터를 포함할 수 있다. 도로 마킹 데이터는 차선 마킹(예를 들면, 어떤 차선이 어느 방향으로 진행하는지), 횡단보도 마킹(예를 들면, 보행자가 어디에서 건너갈 가능성이 있는지를 결정하기 위한 것임), 및 다른 적합한 도로 마킹 데이터를 포함할 수 있다. 예측 시스템은, 궤적 격자에서, 도로 규칙 데이터 및 도로 마킹 데이터 중 하나 이상에 기초하여 에이전트가 진행할 수 없는 해당 궤적을 식별하고, 해당 궤적을 궤적 격자로부터 제거할 수 있다. 예를 들어, 에이전트(예를 들면, 차량)가 좌회전을 하는 예측 궤적이 존재하지만 도로 규칙에 따르면 해당 위치에서 좌회전이 허용되지 않는 경우, 예측 시스템은 해당 궤적을 궤적 격자로부터 제거할 수 있다.
궤적 격자(1708)는 도로 규칙 및/또는 도로 마킹에 기초하여 제거된 다수의 궤적을 갖는 궤적 격자를 예시한다. 이 예시는 좌회전을 위한 궤적이 없음을 보여준다(예를 들어, 좌회전이 교통의 방향을 위반하는 것을 요구할 것이기 때문임).
도 16을 다시 참조하면, 1630에서, 예측 시스템은, 차량의 계획 회로를 사용하여 하나 이상의 예측 궤적에 기초하여, 차량에 대한 하나 이상의 운전 커맨드를 생성한다. 일 실시예에서, 예측 시스템은, 적어도 부분적으로, 예측 시스템을 사용하여 에이전트(예를 들면, 차량, 보행자, 자전거 운전자, 및/또는 다른 적합한 에이전트)가 어떻게 이동할 것인지를 예측하는 차량에 위치된다. 따라서, 차량의 계획 회로는 대상체에 대한 하나 이상의 예측 궤적을 사용하여 차량에 대한 운전 커맨드를 생성할 수 있다. 따라서, 차량은 컴퓨터 실행 가능 명령을 저장하는 하나 이상의 컴퓨터 판독 가능 매체 및 프로세스(1600)를 수행하는 컴퓨터 실행 가능 명령을 실행하도록 구성된 하나 이상의 프로세서를 포함할 수 있다.
일 실시예에서, 예측 시스템은, 적어도 부분적으로, 차량 외부에(예를 들면, 도 2에 도시된 바와 같은 데이터 센터(204A)에) 존재한다. 따라서, 예측 시스템은 차량에 의해 검출된 대상체에 대한 예측 궤적을 차량에 송신할 수 있고, 차량은 (예를 들면, 계획 회로를 사용하여) 수신된 궤적에 기초하여 운전 커맨드를 생성할 수 있다. 따라서, 운전 커맨드는 차량으로부터 원격지에서(예를 들면, 도 2에 도시된 바와 같은 데이터 센터(204A)에서) 생성될 수 있고, 실행을 위해 차량에 송신된다.
1635에서, 예측 시스템은, 차량의 제어 회로를 사용하여, 하나 이상의 운전 커맨드에 기초하여 차량을 동작시킨다. 예를 들어, 계획 회로는 운전 커맨드를 실행을 위해 제어 회로에 송신할 수 있다. 차량의 제어 회로는 검출된 대상체(예를 들면, 에이전트)의 예측 궤적에 기초하여 해당 대상체를 피하는 궤적에서 차량을 운전하기 위해 커맨드를 해석하고 실행할 수 있다.
궤적 격자로부터의 궤적 예측과 관련하여 기술된 액션은 (예를 들면, 차량에 있는, 데이터 센터에 있는, 또는 다른 적합한 위치에 있는) 하나 이상의 프로세서에 의해 실행하기 위한 하나 이상의 프로그램으로서 비-일시적 컴퓨터 판독 가능 저장 매체에 저장될 수 있다. 하나 이상의 프로그램은, 하나 이상의 프로세서에 의해 실행될 때, 위에서 기술된 컴퓨터 구현 방법(들)을 수행하는 명령을 포함할 수 있다.
도 18은 다수의 예측 궤적 및 에이전트(이 경우에, 차량)의 진행 궤적을 예시한다. 진행 궤적은 때때로 실측치라고 지칭된다. 궤적(1802 및 1806)은 2개의 예측 궤적을 도시하는 반면, 궤적(1804)은 진행 궤적을 예시한다. 도 18로부터 예시된 바와 같이, 궤적(1806)은, 진행 궤적(실측치)에 가장 가깝기 때문에, 예측 궤적 세트 중의 최상의 궤적이다.
멀티 모달 회귀로부터의 궤적 예측
다른 궤적 예측 기술은 에이전트(예를 들면, 차량, 자전거, 보행자, 또는 다른 적합한 대상체)에 대한 다수의 궤적 예측을 생성하도록 분류기(예를 들면, 신경 네트워크)를 트레이닝시키는 것을 포함한다. 구체적으로, 모델은 좌표를 회귀시키고 또한 회귀된 궤적 각각과 연관된 확률 값이 생성되도록 손실에 분류 컴포넌트를 적용한다. 이 실시예에서 사용되는 데이터는 에이전트가 진행한 궤적을 또한 포함하는 트레이닝 데이터이다. 트레이닝 프로세스의 일부로서, 예측 시스템은, 아래에서 기술되는 바와 같이, 해당 데이터를 사용할 수 있다. 예측 시스템은 에이전트에서부터 특정 거리 내에 있는 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신한다. 해당 대상체는 해당 에이전트에 의해 검출되었을 수 있다(예를 들면, 에이전트가 차량인 경우, 대상체는 차량의 센서에 의해 검출되었을 수 있다). 예측 시스템은 해당 대상체로부터 특징 세트를 학습하거나 결정하고 세트 내의 특징을 에이전트의 움직임 데이터(예를 들면, 속력, 가속도, 요 레이트 등)와 조합한다. 예측 시스템은, 연결 데이터 세트에 기초하여, (예를 들면, 좌표로 회귀하고 손실에 분류 컴포넌트를 사용하여 해당 궤적과 연관된 확률을 예측하는 것에 의해) 복수의 예측 궤적을 생성한다. 예측 시스템은 이어서 예측 궤적들 사이의 각도를 사용하여 복수의 예측 궤적 중에서 실측치(즉, 진행 궤적)와 가장 잘 매칭하는 궤적을 선택한다. 선택된 궤적은 이어서 예측이 실측치로부터 얼마나 멀리 떨어져 있는지를 계산하는 데 사용된다. 해당 정보는 이어서 신경 네트워크를 트레이닝시키는 데 사용된다. 일 실시예에서, 예측 궤적과 진행 궤적 사이의 각도를 사용하여 모델을 트레이닝시키는 대신에, 본 시스템은 상이한 메트릭을 사용할 수 있다. 트레이닝된 모델에 기초하여, 예측 시스템은 에이전트에 대해 하나 이상의 예측 궤적을 생성하고 해당 정보를 차량의 계획 및 운전 알고리즘에 사용한다.
도 19는 에이전트의 하나 이상의 궤적을 예측하도록 분류기를 트레이닝시키기 위해 수행될 수 있는 프로세스(1900)의 블록 다이어그램이다. 1905에서, 예측 시스템은 하나 이상의 센서에 의해 검출된 하나 이상의 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신한다. 예를 들어, 위에서 논의된 바와 같이, 도 13의 이미지(1300)가 위치 데이터 및 과거 궤적 데이터로서 수신될 수 있다. 일 실시예에서, 예측 시스템은 위치 데이터와 과거 궤적 데이터를 이미지(1300)와 상이한 포맷으로 수신할 수 있다. 예측 시스템은 과거 시간 구간(예를 들어, 1초, 2초, 3초, 또는 다른 적합한 시간 구간)에 대한 과거 궤적 데이터를 수신할 수 있다. 위치 데이터 및 과거 궤적 데이터가 이미지의 일부로서 수신될 때, 이미지는 하나 이상의 대상체의 각각의 대상체에 대한 대응하는 과거 궤적을 표시하기 위해 색상 코딩된 포맷으로 하나 이상의 대상체에 대한 과거 궤적 데이터를 포함할 수 있다. 예를 들어, 대상체(1302) 각각은 과거 궤적 데이터에 대한 시간 진행을 보여주기 위해 색상이 점진적으로 변하는 다수의 색상을 갖는 것으로 보여진다.
1910에서, 예측 시스템은, 하나 이상의 프로세서를 사용하여 위치 데이터 및 과거 궤적 데이터에 기초하여, 하나 이상의 대상체에 대한 특징 세트를 결정한다. 위치 데이터 및 과거 궤적 데이터가 이미지로서 수신되는 실시예에서, 예측 시스템은 이미지를 입력으로서 수신하고, 이미지에 대한 복수의 특징을 중간 결과로서 출력한다. 1915에서, 예측 시스템은 (예를 들면, 하나 이상의 프로세서를 사용하여) 특징 세트를 에이전트(예를 들어, 차량, 자전거, 보행자, 또는 다른 적합한 에이전트)의 움직임 데이터와 조합하여 연결 데이터 세트를 형성한다. 예를 들어, 예측 시스템은 에이전트의 속력, 가속도 및 요 레이트를 포함하는 벡터를, 특징 세트에, 추가할 수 있다.
1920에서, 예측 시스템은, 연결 데이터 세트에 기초하여, 복수의 예측 궤적을 생성한다. 예를 들어, 예측 시스템은 연결 데이터 세트를 신경 네트워크에 입력하고, 신경 네트워크로부터, 예측 궤적에 대한 데이터를 수신할 수 있다. 예측 궤적에 대한 데이터는 각각의 예측 궤적에 대한 복수의 필드를 포함할 수 있는 데이터 구조에 저장될 수 있다. 필드는 각각의 궤적에 대한 좌표를 저장하기 위한 좌표 필드 및 각각의 궤적에 대한 확률을 저장하기 위한 확률 필드를 포함할 수 있다. 다른 필드가 데이터 구조에 포함될 수 있다. 추가적으로, 예측 시스템은 메모리로부터 다수의 원하는 예측 궤적을 검색할 수 있다. 예측 궤적이 대응하는 확률과 함께 검색될 수 있다. 일 실시예에서, 궤적 및 대응하는 확률 값 둘 모두가 신경 네트워크에 의해 병렬로 예측될 수 있다. 따라서, 복수의 필드 각각은 좌표를 포함할 수 있고 각각의 궤적에 대한 확률 값을 또한 포함할 수 있다. 따라서, 신경 네트워크의 손실은 2개의 컴포넌트: 각각의 궤적에 대한 확률 값을 예측하는 분류를 위한 컴포넌트 및 좌표로 회귀하는 회귀를 위한(즉, 궤적을 구성하는 실제 좌표 값을 예측하기 위한) 컴포넌트를 포함할 수 있다.
1925에서, 예측 시스템은 복수의 예측 궤적 각각과 에이전트가 진행한 궤적 사이의 복수의 각도를 계산한다. 예를 들어, 주어진 예측 궤적에 대해, 해당 예측 궤적과 에이전트가 진행한 궤적(즉, 실측치) 사이의 각도는 에이전트의 중심과 진행 궤적(실측치)에서의 마지막 포인트 사이의 직선 라인 및 차량의 중심과 예측 궤적에서의 마지막 포인트 사이의 직선 라인을 취하고, 2개의 라인 사이의 각도 값(예를 들면, 0 내지 180의 범위의 도 단위의 각도)을 계산하는 것에 의해 계산될 수 있다. 일 실시예에서, 각도 대신에, 예측 시스템에서 상이한 메트릭이 사용될 수 있다. 예측 시스템은 복수의 예측 궤적 각각과 에이전트가 진행한 궤적 사이의 복수의 메트릭을 계산할 수 있다.
1930에서, 예측 시스템은 복수의 각도 중 하나 이상이 임계치 내에 있는지 여부를 결정한다. 임계치는 임의의 적합한 각도(예를 들면, 7도, 8도, 9도, 또는 다른 적합한 각도)일 수 있으며 경험적으로 획득될 수 있다. 예측 시스템은, 각각의 예측 궤적에 대해, (위에서 기술된 바와 같은) 해당 궤적 사이의 각도와 임계 각도(예를 들면, 7도)를 비교할 수 있다. 일 실시예에서, 예측 시스템은 복수의 메트릭 중 하나 이상이 임계치 내에 있는지 여부를 결정할 수 있다.
1935에서, 예측 시스템이 복수의 각도 중 어느 것도 임계치 내에 있지 않다고 결정하면, 예측 시스템은 함수를 사용하여 복수의 예측 궤적 중 최상의 궤적을 선택한다. 많은 경우에, 복수의 각도 중 어느 것도 임계치 내에 있지 않은 시나리오는 신경 네트워크에 대한 트레이닝 루틴의 시작에서 발생한다. 신경 네트워크가 아직 잘 트레이닝되지 않았기 때문에, 예측 궤적은 일반적으로 매우 정확하지 않아, 예측 궤적과 진행 궤적(즉, 실측치) 사이에 큰 차이(예를 들면, 큰 각도)를 결과한다. 일 실시예에서, 함수는 복수의 예측 궤적 중 한 궤적을 랜덤하게 선택한다. 예를 들어, 예측 시스템은 예측 궤적의 개수를 검색하고 해당 개수를 난수 생성기에 입력할 수 있다. 예측 시스템은 난수 생성기의 출력을 수신하고 출력에 기초하여 대응하는 예측 궤적을 선택한다. 예측 시스템이 임계치 미만의 각도 값을 갖는 모드 서브세트를 결정하는 경우, 예측 시스템은 해당 모드 서브세트 중에서 L2 노름의 평균을 최소화하는 모드를 선택한다. 일 실시예에서, 각도 대신에, 예측 시스템은 상이한 메트릭을 사용할 수 있다.
예측 궤적을 선택하기 위해, 때때로 최상의 모드라고 지칭되는, 다양한 다른 방법이 사용될 수 있다. 예를 들어, 매번마다 특정 메트릭(예를 들면, 각각의 예측 궤적과 진행 궤적 사이의 L2 노름)의 평균을 최소화하는 것에 기초하여 예측 궤적이 선택될 수 있다. 해당 접근법을 취하면, 예측 시스템은 모드 붕괴(mode collapse)의 문제에 직면할 것이다. 이러한 이유는 예측 시스템(예를 들면, 신경 네트워크)이 처음에 하나의 예측 궤적(예를 들면, 하나의 모드)을 선택하고, 이어서 해당 예측 궤적 모드를 사용하여 에이전트별 손실(아래에서 기술됨)을 계산하여, 역전파 프로세스 동안 해당 궤적에 대응하는 가중치를 업데이트하기 때문이다. 다음 트레이닝 입력에서, 예측 시스템은, 해당 궤적을 이제 개선시켰기 때문에, 최상의 궤적과 동일한 예측 궤적을 또다시 선택할 것이며, 결과적으로 해당 동일한 예측 궤적이 최상의 메트릭(예를 들면, L2 노름의 평균)을 제공한다. 이 시나리오는 예측 시스템이 하나의 예측 궤적에 대해서만 모델(예를 들면, 신경 네트워크)을 트레이닝시키는 모드 붕괴 문제로 이어질 것이다. 따라서, 다른 가능한 궤적 트레이닝 기회가 상실된다. 어떠한 각도도 임계치 내에 있지 않을 때 트레이닝될 랜덤한 궤적을 선택하는 것은 트레이닝 동안 모든 궤적을 탐색하는 것을 가능하게 한다.
일 실시예에서, 함수는 복수의 템플릿에 기초하여 복수의 예측 궤적 중 한 궤적을 선택한다. 이 문서에서 언급된 바와 같이, 템플릿은 템플릿 궤적을 지칭한다. 예측 시스템은 트레이닝의 시작에서 선택되는 예측 궤적의 개수와 동일한 개수의 템플릿을 획득하기 위해 트레이닝 세트 데이터에 대해 클러스터링 기술을 이용함으로써 템플릿을 생성할 수 있다. 예를 들어, 예측 시스템은 트레이닝 세트 내의 각각의 진행 궤적을 분석하고 해당 트레이닝 세트 내의 복수의 궤적 클러스터를 결정할 수 있다. 예를 들어, 특정 각도로 우회전하기 위한 궤적 클러스터, 특정 각도로 좌회전하기 위한 궤적 클러스터, 직진하기 위한 궤적 클러스터, 또는 다른 적합한 궤적 클러스터가 있을 수 있다. 예측 시스템이 트레이닝 동안 템플릿을 사용하도록 구성되는 경우, (예를 들면, 예측 궤적과 진행 궤적 사이의 각도가 임계치 초과인 것에 기초하여) 각각의 예측 궤적에 대해 각각의 템플릿 궤적과의 각도 비교가 있다. 따라서, 예측 궤적이 선택된 템플릿의 인덱스에 기초하여 선택된다. 즉, 예측 시스템이 0, 1, 2로 번호가 매겨진 템플릿을 포함하고 예측 시스템이 템플릿 2를 최상의 매칭 템플릿으로서 선택하는 경우, 예측 시스템은 모델에서 추가로 사용할 최상의 매칭 모드로서 모드 2를 선택한다.
일 실시예에서, 모드 붕괴를 방지하기 위해, 예측 시스템은 고레벨 클래스에 기초하여 템플릿 궤적을 생성한다. 이러한 템플릿 궤적이 에이전트에 대해 생성되고 에이전트의 상이한 움직임 또는 상태에 따라 변하지 않기 때문에, 이러한 템플릿 궤적은 "고정된 템플릿"이라고 지칭된다. 예를 들어, 트레이닝을 위해 선택된 궤적의 개수가 3개이면, 예측 시스템은 좌회전 궤적, 우회전 궤적 및 직진 궤적에 대한 템플릿을 생성할 수 있다. 트레이닝을 위해 선택된 궤적이 5개이면, 예측 시스템은 5개의 상이한 방향에서의 템플릿 궤적을 생성할 수 있다. 따라서, 예측 시스템은 에이전트에 대해 가능한 궤적에 기초하여 복수의 템플릿을 생성한다.
예측 시스템은 에이전트 상태(예를 들면, 속도, 가속도, 요 레이트, 헤딩, 및/또는 다른 적합한 조건)에 기초하는 초기 조건 세트에 기초하여 템플릿을 생성할 수 있다. 이러한 템플릿은, 에이전트의 상이한 움직임 또는 상태에 따라 변하기 때문에, 때때로 동적 템플릿이라고 지칭된다. 이 경우에, 예측 시스템은 각각의 조건에 대해 상이한 템플릿 세트를 생성한다. 따라서, 예측 시스템은 에이전트의 상태(예를 들면, 속도, 가속도, 요 레이트, 헤딩 및/또는 다른 적합한 조건)에 기초하여 복수의 템플릿을 생성한다.
예측 시스템은 예측 궤적과 진행 궤적(예를 들면, 실측치) 사이의 각도가 임계치 내에 있지 않을 때 (예를 들면, 랜덤한 예측 궤적을 선택하는 대신에) 템플릿을 사용할 수 있다. 그렇지만, 템플릿은 또한, 예를 들어, 트레이닝 프로세스의 시작에서 어떤 고정된 횟수의 반복 동안 사용될 수 있으며, 그 후에 예측 시스템은 메트릭(예를 들어, L2 노름)에 기초하여 최상의 예측 궤적을 선택하는 것으로 전환한다. 따라서, 예측 시스템은, (예를 들면, 특정 횟수의 트레이닝 반복 후에) 복수의 각도 중 하나 이상이 임계치 내에 있다고 결정하는 것에 기초하여, 에이전트가 진행한 궤적과 복수의 예측 궤적의 각각의 예측 궤적에 대한 대응하는 궤적 사이의 차이에 기초하여 복수의 예측 궤적 중 한 궤적을 선택한다.
일 실시예에서, 예측 시스템은 랜덤하게 템플릿을 선택하고, 선택된 템플릿을 동일한 인덱스를 갖는 예측 궤적에 대한 진행 궤적(즉, 실측치)으로서 사용한다. 이것은 상이한 예측 궤적을 템플릿과 유사하기 시작하도록 트레이닝시키는 것을 결과한다. 일 실시예에서, 예측 궤적이 더 타당하게 보이도록 트레이닝된 후에(예측 시스템이 임계치 미만의 예측 궤적과 진행 궤적 사이의 임의의 각도를 식별하지 못할 때, 때때로 "번인(burn-in)" 단계라고 지칭됨) 예측 시스템은 템플릿을 사용하는 것을 중지하고 진행 궤적(즉, 실측치)을 사용한다.
도 19를 다시 참조하면, 1940에서, 예측 시스템은 최상의 매칭 궤적으로서 선택된 궤적과 에이전트가 진행한 궤적 사이의 차이를 계산한다. 예를 들어, 예측 시스템은 선택된 예측 궤적(즉, 최상의 모드)에 대한 회귀 손실과 또한 예측 궤적(즉, 모드) 전부에 대한 분류 손실을 합산하여 에이전트별 손실을 계산할 수 있다. 예를 들어, 회귀 손실을 합산하는 하나의 방법은 Smooth L1 손실을 사용하는 것이고 분류 손실을 합산하는 하나의 방법은 교차 엔트로피를 사용하는 것이다. 따라서, 총 손실은 Smooth L1 손실과 교차 엔트로피를 사용한 회귀 손실의 합일 수 있다. 전체 트레이닝 세트에 걸친 손실을 계산하기 위해, 예측 시스템은 모든 에이전트별 손실(예를 들면, 위치 데이터 및 과거 궤적 데이터, 예를 들어, 이미지(1300)의 각각의 인스턴스에 대한 손실)을 합산한다.
1945에서, 예측 시스템은 차이에 기초하여 모델(예를 들면, 신경 네트워크)의 가중치를 조정한다. 예를 들어, 다음 반복 동안 더 나은 성능을 위해 모델의 가중치를 조정하기 위해 차이가 모델을 통해 역전파된다.
1950에서, 예측 시스템은, 차량의 계획 회로를 사용하여 모델에 기초하여, 차량에 대한 하나 이상의 운전 커맨드를 생성한다. 예측 시스템은, 적어도 부분적으로, 예측 시스템을 사용하여 에이전트(예를 들면, 차량, 보행자, 자전거 운전자)가 어떻게 이동할 것인지를 예측하는 차량에 위치될 수 있다. 따라서, 차량의 계획 회로는 대상체에 대한 하나 이상의 예측 궤적을 사용하여 차량에 대한 운전 커맨드를 생성할 수 있다. 일 실시예에서, 계획 회로는 예측 궤적 및 연관된 확률을 사용하여 운전 커맨드를 생성할 수 있다. 즉, 예측 시스템은 가능한 궤적의 계획 및 또한 각각의 궤적이 발생할 가능성을 알려줄 수 있다. 따라서, 차량은 컴퓨터 실행 가능 명령을 저장하는 하나 이상의 컴퓨터 판독 가능 매체 및 프로세스(1600)를 수행하는 컴퓨터 실행 가능 명령을 실행하도록 구성된 하나 이상의 프로세서를 포함할 수 있다.
예측 시스템은, 적어도 부분적으로, 차량 외부에(예를 들면, 도 2에 도시된 바와 같은 데이터 센터(204A)에) 존재할 수 있다. 따라서, 예측 시스템은 차량에 의해 검출된 대상체에 대한 예측 궤적을 차량에 송신할 수 있고, 차량은 (예를 들면, 계획 회로를 사용하여) 수신된 궤적에 기초하여 운전 커맨드를 생성할 수 있다. 이 시나리오에서, 운전 커맨드는 차량으로부터 원격지에서(예를 들면, 도 2에 도시된 바와 같은 데이터 센터(204A)에서) 생성될 수 있고, 실행을 위해 차량에 송신된다.
1655에서, 예측 시스템은, 차량의 제어 회로를 사용하여, 하나 이상의 운전 커맨드에 기초하여 차량을 동작시킨다. 예를 들어, 계획 회로는 운전 커맨드를 실행을 위해 제어 회로에 송신할 수 있다. 차량의 제어 회로는 검출된 대상체의 예측 궤적에 기초하여 해당 대상체를 피하는 궤적에서 차량을 운전하기 위해 커맨드를 해석하고 실행할 수 있다.
일 실시예에서, 실측치의 ε(엡실론) 값 내에 있는 궤적은 페널티를 받지 않는다. 하나의 접근법에서, 분류는 다중 레이블 문제로서 재공식화(reformulate)된다. 예를 들어, y는 1과 0의 어레이를 표기하는 데 사용되고, 여기서 궤적 세트 내의 해당 궤적이 실측치에서부터 ε 내에 있으면 각각의 엔트리는 1이고 그렇지 않으면 0이다. 새로운 분류 손실 함수는, 수학식 1에서 다음과 같이 정의된, 수정된 엔트로피 손실 함수 MCE이다.
Figure pat00001
수학식 1에서, i는 궤적(클래스)을 인덱싱하는 데 사용된다. MCE 손실은 실측치에서부터 ε 값 내에 있는 궤적에 대한 로짓(logit)의 로그 소프트맥스(log softmax) 값을 평균화한다. softmax 함수는 K개의 실수로 된 벡터를 입력으로 받아 이를 입력된 숫자의 지수에 비례하는 K개의 확률을 포함하는 확률 분포로 정규화하는 함수를 지칭한다. logit 함수는 확률 값의 맵을 생성하는 일종의 함수를 지칭한다. 상이한 거리 함수 및 ε 값, 예를 들어, mean 또는 max L2 거리 함수가 사용될 수 있다.
다른 접근법에서, 가중 교차 엔트로피 손실 함수가 사용된다. 예를 들어, d는 궤적 세트 내의 각각의 궤적과 실측치 사이의 요소별 L2 거리를 저장하는 벡터를 표기하는 데 사용된다. ε보다 작은 d 내의 각각의 엔트리에 대해, 엔트리는 0으로 대체된다. d의 정규화는 dnorm으로 표기된다. 벡터 d의 합은 1이다. 어레이 y는 1과 0의 어레이를 표기하며, 여기서 해당 궤적이 실측치에 가장 가까운 궤적 세트이면 각각의 엔트리는 1이고 그렇지 않으면 0이다. 새로운 분류 손실 함수는 수학식 2에서 다음과 같이 표현된다.
Figure pat00002
수학식 2에서, K는 궤적의 크기를 표기한다. 수학식 2는 거리에 의해 가중된 교차 엔트로피 손실을 나타낸다.
일 실시예에서, 도로를 벗어나는 궤적에 대해 패널티가 추가된다. 하나의 접근법에서, 모델은 어느 궤적이 도로에서 벗어나 있는지를 분류하는 데 사용된다. 예를 들어, 표현식
Figure pat00003
는 위에서 기술된 분류 손실 함수 중 임의의 것 또는 기본 CoverNet 손실 함수를 표기한다. 어레이 r은 1과 0의 어레이를 표기하고 여기서 궤적 세트 내의 해당 궤적이 완전히 운전 가능 영역 내에 있으면 각각의 엔트리는 1이고 그렇지 않으면 0이다. 오프로드(off-road) 패널티는 수학식 3에서 다음과 같이 정의된다.
Figure pat00004
bce 항은 이진 교차 엔트로피를 표기한다. 새로운 손실 함수는 수학식 4에서 다음과 같이 표현된다.
Figure pat00005
수학식 4에서,
Figure pat00006
이다. 이 접근법의 장점은 오프로드 페널티가 분류 문제로서 공식화(formulate)되고 따라서 단위를 재조정(rescaling)하지 않고도 분류 손실 함수와 오프로드 페널티가 자연스럽게 조합될 수 있다는 것이다.
추가 실시예
일 실시예에서, 하나 이상의 프로세서는 하나 이상의 센서에 의해 검출된 하나 이상의 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신한다. 하나 이상의 프로세서는, 위치 데이터 및 과거 궤적 데이터에 기초하여, 하나 이상의 대상체에 대한 특징 세트를 결정한다. 하나 이상의 프로세서는 특징 세트를 에이전트의 움직임 데이터와 조합하여 연결 데이터 세트를 형성한다. 연결 데이터 세트에 기초하여, 에이전트에 대한 다수의 가능한 궤적을 포함하는 궤적 격자가 생성된다. 궤적 격자에서의 각각의 궤적에는 확률이 할당된다. 궤적 격자에 기초하여, 에이전트에 대한 하나 이상의 예측 궤적이 결정된다. 차량의 계획 회로를 사용하여 하나 이상의 예측 궤적에 기초하여, 차량에 대한 하나 이상의 운전 커맨드가 생성된다. 차량의 제어 회로를 사용하여, 하나 이상의 운전 커맨드에 기초하여 차량이 동작된다.
일 실시예에서, 에이전트에 대한 궤적 격자를 생성하는 것은 연결된 데이터 세트를 신경 네트워크에 입력하는 것을 포함한다. 신경 네트워크로부터, 궤적 격자에 대한 데이터가 수신된다.
일 실시예에서, 궤적 격자에 기초하여, 에이전트에 대한 궤적을 결정하는 것은 에이전트의 속력, 가속도, 및 요 레이트 중 하나 이상을 수신하는 것을 포함한다. 궤적 격자에서, 에이전트의 속력, 가속도, 및 요 레이트 중 하나 이상에 기초하여 에이전트가 진행할 수 없는 해당 궤적이 식별된다. 해당 궤적은 궤적 격자로부터 제거된다.
일 실시예에서, 궤적 격자에 기초하여, 에이전트에 대한 궤적을 식별하는 것은 도로 규칙 데이터 및 도로 마킹 데이터 중 하나 이상을 수신하는 것을 포함한다. 궤적 격자에서, 도로 규칙 데이터 및 도로 마킹 데이터 중 하나 이상에 기초하여 에이전트가 진행할 수 없는 해당 궤적이 식별된다. 해당 궤적은 궤적 격자로부터 제거된다.
일 실시예에서, 과거 궤적 데이터를 수신하는 것은 과거 시간 구간에 대한 하나 이상의 대상체의 각각의 대상체의 궤적을 수신하는 것을 포함한다.
일 실시예에서, 위치 데이터 및 과거 궤적 데이터를 수신하는 것은 이미지를 수신하는 것을 포함한다. 이미지는 하나 이상의 대상체에 대한 위치 데이터 및 하나 이상의 대상체에 대한 과거 궤적 데이터를 포함한다. 과거 궤적 데이터는 위치 데이터와 관련하여 하나 이상의 대상체의 각각의 대상체에 대한 대응하는 과거 궤적을 표시하기 위해 색상 코딩된다.
일 실시예에서, 하나 이상의 대상체에 대한 특징 세트를 결정하는 것은 이미지를 분류기에 입력하는 것, 및 이미지에 대한 다수의 특징을 분류기로부터 수신하는 것을 포함한다.
일 실시예에서, 하나 이상의 프로세서는 차량에 위치된다.
일 실시예에서, 하나 이상의 프로세서는 차량으로부터 원격지에 위치된다.
일 실시예에서, 트레이닝 위치 데이터(예를 들면, 차량, 자전거, 보행자 등에 대한 위치 데이터) 및 하나 이상의 트레이닝 대상체에 대한 트레이닝 과거 궤적 데이터가 수신된다. 트레이닝 위치 데이터 및 트레이닝 과거 궤적 데이터에 기초하여, 하나 이상의 트레이닝 대상체에 대한 트레이닝 특징 세트가 결정된다. 트레이닝 특징 세트는 트레이닝 에이전트의 트레이닝 움직임 데이터(예를 들면, 차량의 속력, 가속도, 및 요 레이트)와 조합되어 트레이닝 연결 데이터 세트를 형성한다. 트레이닝 연결 데이터 세트에 기초하여, 트레이닝 궤적 격자가 결정된다. 트레이닝 궤적 격자는 트레이닝 예측 궤적 세트를 포함한다. 궤적 격자에서의 각각의 궤적에는 확률이 할당된다. 트레이닝 궤적 격자에 기초하여, 트레이닝 에이전트에 대한 하나 이상의 트레이닝 궤적이 결정된다. 하나 이상의 트레이닝 궤적은 트레이닝 에이전트의 알려진 궤적과 비교된다. 비교에 따라 모델의 가중치가 업데이트된다.
일 실시예에서, 비교에 따라 모델의 가중치를 업데이트하는 것은 모델을 통해 하나 이상의 트레이닝 궤적 각각과 알려진 궤적 사이의 차이를 전파하는 것을 포함한다.
일 실시예에서, 하나 이상의 대상체에 대한 위치 데이터 및 과거 궤적 데이터가 수신된다. 하나 이상의 프로세서는, 위치 데이터 및 과거 궤적 데이터에 기초하여, 하나 이상의 대상체에 대한 특징 세트를 결정한다. 특징 세트는 에이전트의 움직임 데이터와 조합되어 연결 데이터 세트를 형성한다. 연결 데이터 세트로부터, 다수의 예측 궤적이 결정된다. 다수의 예측 궤적 각각과 에이전트가 진행한 궤적 사이의 다수의 각도가 계산된다. 다수의 각도 중 하나 이상이 임계치 내에 있는지 여부가 결정된다. 다수의 각도 중 어느 것도 임계치 내에 있지 않다고 결정하는 것에 기초하여, 함수를 사용하여 다수의 예측 궤적 중 최상의 궤적이 선택된다. 최상의 궤적과 에이전트가 진행한 궤적 사이의 차이가 계산된다. 차이에 기초하여 모델의 가중치가 조정된다. 차량의 계획 회로를 사용하여 모델에 기초하여, 차량에 대한 하나 이상의 운전 커맨드가 생성된다. 차량의 제어 회로는 하나 이상의 운전 커맨드에 기초하여 차량을 동작시킨다.
일 실시예에서, 다수의 예측 궤적을 생성하는 것은 연결 데이터 세트를 신경 네트워크에 입력하는 것을 포함한다. 신경 네트워크로부터, 다수의 예측 궤적이 수신된다.
일 실시예에서, 다수의 각도 중 하나 이상이 임계치 내에 있다고 결정하는 것에 기초하여, 에이전트가 진행한 궤적과 다수의 예측 궤적의 각각의 예측 궤적에 대한 대응하는 궤적 사이의 차이에 기초하여 다수의 예측 궤적 중 한 궤적이 선택된다.
일 실시예에서, 함수는 다수의 예측 궤적 중 한 궤적을 랜덤하게 선택한다.
일 실시예에서, 함수는 다수의 템플릿에 기초하여 다수의 예측 궤적 중 한 궤적을 선택한다.
일 실시예에서, 다수의 템플릿을 획득하기 위해 트레이닝 세트에 대해 클러스터링 동작이 수행된다.
일 실시예에서, 다수의 템플릿은 하나 이상의 에이전트에 대한 가능한 궤적에 기초하여 생성된다.
일 실시예에서, 다수의 템플릿의 각각의 템플릿은 에이전트의 상태에 기초하여 생성된다.
일 실시예에서, 위치 데이터 및 과거 궤적 데이터를 수신하는 것은 이미지를 수신하는 것을 포함한다. 이미지는 하나 이상의 대상체에 대한 위치 데이터 및 하나 이상의 대상체에 대한 과거 궤적 데이터를 포함한다. 과거 궤적 데이터는 하나 이상의 대상체의 각각의 대상체에 대한 대응하는 과거 궤적을 표시하기 위해 색상 코딩된다.
멀티 모달 궤적 예측과 관련하여 기술된 액션은 (예를 들면, 차량에 있는, 데이터 센터에 있는, 또는 다른 적합한 위치에 있는) 하나 이상의 프로세서에 의해 실행하기 위한 하나 이상의 프로그램으로서 비-일시적 컴퓨터 판독 가능 저장 매체에 저장될 수 있다. 하나 이상의 프로그램은, 하나 이상의 프로세서에 의해 실행될 때, 위에서 기술된 컴퓨터 구현 방법(들)을 수행하는 명령을 포함할 수 있다.
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 범위가 되도록 의도한 것은, 본 출원에서 특정 형태로 나오는 청구항 세트의 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 용어 "추가로 포함하는"이 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. 컴퓨터 구현(computer implemented) 방법에 있어서,
    차량의 하나 이상의 프로세서에 의해, 하나 이상의 센서에 의해 검출된 하나 이상의 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신하는 단계;
    상기 하나 이상의 프로세서에 의해, 상기 위치 데이터 및 상기 과거 궤적 데이터에 기초하여 상기 하나 이상의 대상체에 대한 특징 세트(set of features)를 결정하는 단계;
    상기 하나 이상의 프로세서에 의해, 상기 특징 세트를 에이전트의 움직임 데이터와 조합하여 연결 데이터 세트(concatenated data set)를 형성하는 단계;
    상기 하나 이상의 프로세서에 의해, 상기 연결 데이터 세트에 기초하여 확률 맵을 생성하는 단계 - 상기 확률 맵은 복수의 물리적 위치를 포함하고, 상기 복수의 물리적 위치의 각각의 물리적 위치에는 상기 에이전트가 해당 위치를 통해 이동할 확률이 할당됨 -;
    상기 하나 이상의 프로세서에 의해, 상기 확률 맵에 기초하여 상기 에이전트에 대한 하나 이상의 예측 궤적을 결정하는 단계;
    상기 하나 이상의 프로세서에 의해, 상기 하나 이상의 예측 궤적에 기초하여 상기 차량에 대한 하나 이상의 운전 커맨드를 생성하는 단계; 및
    상기 차량의 제어 회로에 의해, 상기 하나 이상의 운전 커맨드에 기초하여 상기 차량을 동작시키는 단계
    를 포함하는, 컴퓨터 구현 방법.
  2. 제1항에 있어서, 상기 확률 맵을 생성하는 단계는, 상기 하나 이상의 프로세서에 의해, 상기 연결 데이터 세트를 신경 네트워크에 입력하는 단계를 포함하는 것인, 컴퓨터 구현 방법.
  3. 제1항 또는 제2항에 있어서, 상기 과거 궤적 데이터를 수신하는 단계는, 상기 하나 이상의 프로세서에 의해, 과거 시간 구간에 대한 상기 하나 이상의 대상체의 각각의 대상체의 궤적을 수신하는 단계를 포함하는 것인, 컴퓨터 구현 방법.
  4. 제1항 또는 제2항에 있어서, 상기 위치 데이터 및 상기 과거 궤적 데이터를 수신하는 단계는, 상기 하나 이상의 프로세서에 의해, 상기 하나 이상의 대상체에 대한 상기 위치 데이터 및 상기 하나 이상의 대상체에 대한 상기 과거 궤적 데이터를 포함하는 이미지를 수신하는 단계를 포함하고, 상기 과거 궤적 데이터는 상기 하나 이상의 대상체의 각각의 대상체에 대한 대응하는 과거 궤적을 표시하기 위해 색상 코딩되는 것인, 컴퓨터 구현 방법.
  5. 제4항에 있어서, 상기 하나 이상의 대상체에 대한 상기 특징 세트를 결정하는 단계는:
    상기 하나 이상의 프로세서에 의해, 상기 이미지를 분류기에 입력하는 단계; 및
    상기 하나 이상의 프로세서에 의해, 상기 분류기로부터 상기 이미지에 대한 복수의 특징을 수신하는 단계
    를 포함하는 것인, 컴퓨터 구현 방법.
  6. 제1항 또는 제2항에 있어서, 상기 확률 맵을 생성하는 단계는:
    상기 하나 이상의 프로세서에 의해, 상기 에이전트의 하나 이상의 센서의 검출 범위를 표현하는 그리드에 대한 데이터 구조를 생성하는 단계 - 상기 그리드는 복수의 위치를 포함함 -; 및
    상기 하나 이상의 프로세서에 의해, 상기 그리드 내의 각각의 위치에 상기 에이전트가 상기 그리드 내의 해당 위치에 존재할 확률을 할당하는 단계
    를 포함하는 것인, 컴퓨터 구현 방법.
  7. 제1항 또는 제2항에 있어서, 상기 확률 맵 내의 각각의 위치는 각각의 확률에 대한 시간을 저장하는 것인, 컴퓨터 구현 방법.
  8. 제1항 또는 제2항에 있어서, 상기 하나 이상의 프로세서는 상기 차량에 위치되는 것인, 컴퓨터 구현 방법.
  9. 제1항 또는 제2항에 있어서, 상기 하나 이상의 프로세서는 상기 차량으로부터 원격지에 위치되는 것인, 컴퓨터 구현 방법.
  10. 제1항 또는 제2항에 있어서,
    상기 하나 이상의 프로세서에 의해, 하나 이상의 트레이닝 대상체에 대한 트레이닝 위치 데이터 및 트레이닝 과거 궤적 데이터를 수신하는 단계;
    상기 하나 이상의 프로세서에 의해, 상기 트레이닝 위치 데이터 및 상기 트레이닝 과거 궤적 데이터에 기초하여 상기 하나 이상의 트레이닝 대상체에 대한 트레이닝 특징 세트를 결정하는 단계;
    상기 하나 이상의 프로세서에 의해, 상기 트레이닝 특징 세트를 에이전트의 트레이닝 움직임 데이터와 조합하여 트레이닝 연결 데이터 세트를 형성하는 단계;
    상기 트레이닝 연결 데이터 세트에 기초하여, 트레이닝 확률 맵을 생성하는 단계 - 상기 트레이닝 확률 맵은 트레이닝용 복수의 물리적 위치를 포함하고, 상기 트레이닝용 복수의 물리적 위치 각각에는 트레이닝 에이전트가 해당 위치를 통해 이동할 트레이닝 확률이 할당됨 -;
    상기 트레이닝 확률 맵에 기초하여, 상기 트레이닝 에이전트에 대한 하나 이상의 트레이닝 궤적을 결정하는 단계;
    상기 하나 이상의 트레이닝 궤적을 상기 트레이닝 에이전트의 알려진 궤적과 비교하는 단계; 및
    상기 비교에 따라 모델의 가중치를 업데이트하는 단계
    를 더 포함하는, 컴퓨터 구현 방법.
  11. 제10항에 있어서, 상기 비교에 따라 상기 모델의 상기 가중치를 업데이트하는 단계는 상기 모델을 통해 상기 하나 이상의 트레이닝 궤적 각각과 상기 알려진 궤적 사이의 차이를 전파하는 단계를 포함하는 것인, 컴퓨터 구현 방법.
  12. 하나 이상의 프로세서에 의해 실행하기 위한 하나 이상의 프로그램을 포함하는 비-일시적 컴퓨터 판독 가능 저장 매체에 있어서,
    상기 하나 이상의 프로그램은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서로 하여금:
    하나 이상의 센서에 의해 검출된 하나 이상의 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신하게 하고;
    상기 위치 데이터 및 상기 과거 궤적 데이터에 기초하여 상기 하나 이상의 대상체에 대한 특징 세트를 결정하게 하며;
    상기 특징 세트를 에이전트의 움직임 데이터와 조합하여 연결 데이터 세트를 형성하게 하고;
    상기 연결 데이터 세트에 기초하여 확률 맵을 생성하게 하며 - 상기 확률 맵은 복수의 물리적 위치를 포함하고, 상기 복수의 물리적 위치의 각각의 물리적 위치에는 상기 에이전트가 해당 위치를 통해 이동할 확률이 할당됨 -;
    상기 확률 맵에 기초하여 상기 에이전트에 대한 하나 이상의 예측 궤적을 결정하게 하고;
    상기 하나 이상의 예측 궤적에 기초하여 차량에 대한 하나 이상의 운전 커맨드를 생성하게 하며;
    상기 차량의 제어 회로에 의해, 상기 하나 이상의 운전 커맨드에 기초하여 상기 차량을 동작시키게 하는
    명령을 포함하는 것인, 비-일시적 컴퓨터 판독 가능 저장 매체.
  13. 제12항에 있어서, 상기 확률 맵을 생성하는 것은 상기 연결 데이터 세트를 신경 네트워크에 입력하는 것을 포함하는 것인, 비-일시적 컴퓨터 판독 가능 저장 매체.
  14. 제12항 또는 제13항에 있어서, 상기 과거 궤적 데이터를 수신하는 것은 과거 시간 구간에 대한 상기 하나 이상의 대상체의 각각의 대상체의 궤적을 수신하는 것을 포함하는 것인, 비-일시적 컴퓨터 판독 가능 저장 매체.
  15. 제12항 또는 제13항에 있어서, 상기 위치 데이터 및 상기 과거 궤적 데이터를 수신하는 것은 상기 하나 이상의 대상체에 대한 상기 위치 데이터 및 상기 하나 이상의 대상체에 대한 상기 과거 궤적 데이터를 포함하는 이미지를 수신하는 것을 포함하고, 상기 과거 궤적 데이터는 상기 하나 이상의 대상체의 각각의 대상체에 대한 대응하는 과거 궤적을 표시하기 위해 색상 코딩되는 것인, 비-일시적 컴퓨터 판독 가능 저장 매체.
  16. 제15항에 있어서, 상기 하나 이상의 대상체에 대한 상기 특징 세트를 결정하는 것은:
    상기 이미지를 분류기에 입력하는 것; 및
    상기 분류기로부터 상기 이미지에 대한 복수의 특징을 수신하는 것
    을 포함하는 것인, 비-일시적 컴퓨터 판독 가능 저장 매체.
  17. 차량에 있어서,
    컴퓨터 실행 가능 명령을 저장하는 하나 이상의 컴퓨터 판독 가능 매체; 및
    상기 컴퓨터 실행 가능 명령을 실행하도록 구성된 하나 이상의 프로세서
    를 포함하고,
    상기 컴퓨터 실행 가능 명령은,
    하나 이상의 센서에 의해 검출된 하나 이상의 대상체에 대한 위치 데이터 및 과거 궤적 데이터를 수신하고;
    상기 위치 데이터 및 상기 과거 궤적 데이터에 기초하여 상기 하나 이상의 대상체에 대한 특징 세트를 결정하며;
    상기 특징 세트를 에이전트의 움직임 데이터와 조합하여 연결 데이터 세트를 형성하고;
    상기 연결 데이터 세트에 기초하여 확률 맵을 생성하며 - 상기 확률 맵은 복수의 물리적 위치를 포함하고, 상기 복수의 물리적 위치의 각각의 물리적 위치에는 상기 에이전트가 해당 위치를 통해 이동할 확률이 할당됨 -;
    상기 확률 맵에 기초하여 상기 에이전트에 대한 하나 이상의 예측 궤적을 결정하고;
    상기 하나 이상의 예측 궤적에 기초하여 차량에 대한 하나 이상의 운전 커맨드를 생성하며;
    상기 차량의 제어 회로에 의해, 상기 하나 이상의 운전 커맨드에 기초하여 상기 차량을 동작시키기
    위한 것인, 차량.
  18. 제17항에 있어서, 상기 확률 맵을 생성하는 것은 상기 연결 데이터 세트를 신경 네트워크에 입력하는 것을 포함하는 것인, 차량.
  19. 제17항 또는 제18항에 있어서, 상기 과거 궤적 데이터를 수신하는 것은 과거 시간 구간에 대한 상기 하나 이상의 대상체의 각각의 대상체의 궤적을 수신하는 것을 포함하는 것인, 차량.
  20. 제17항 또는 제18항에 있어서, 상기 위치 데이터 및 상기 과거 궤적 데이터를 수신하는 것은 상기 하나 이상의 대상체에 대한 상기 위치 데이터 및 상기 하나 이상의 대상체에 대한 상기 과거 궤적 데이터를 포함하는 이미지를 수신하는 것을 포함하고, 상기 과거 궤적 데이터는 상기 하나 이상의 대상체의 각각의 대상체에 대한 대응하는 과거 궤적을 표시하기 위해 색상 코딩되는 것인, 차량.
KR1020200146838A 2019-11-07 2020-11-05 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측 KR102532546B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230060315A KR20230070193A (ko) 2019-11-07 2023-05-10 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962932164P 2019-11-07 2019-11-07
US62/932,164 2019-11-07
US16/883,899 US11912271B2 (en) 2019-11-07 2020-05-26 Trajectory prediction from precomputed or dynamically generated bank of trajectories
US16/883,899 2020-05-26

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230060315A Division KR20230070193A (ko) 2019-11-07 2023-05-10 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측

Publications (2)

Publication Number Publication Date
KR20210055617A true KR20210055617A (ko) 2021-05-17
KR102532546B1 KR102532546B1 (ko) 2023-05-12

Family

ID=74046469

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200146838A KR102532546B1 (ko) 2019-11-07 2020-11-05 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측
KR1020230060315A KR20230070193A (ko) 2019-11-07 2023-05-10 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020230060315A KR20230070193A (ko) 2019-11-07 2023-05-10 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측

Country Status (5)

Country Link
US (3) US11912271B2 (ko)
KR (2) KR102532546B1 (ko)
CN (1) CN112783151A (ko)
DE (1) DE102020129456A1 (ko)
GB (3) GB2591330B (ko)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018083667A1 (en) * 2016-11-04 2018-05-11 Deepmind Technologies Limited Reinforcement learning systems
US11348332B2 (en) * 2019-09-25 2022-05-31 Toyota Research Institute, Inc. Object location analysis
US11912271B2 (en) 2019-11-07 2024-02-27 Motional Ad Llc Trajectory prediction from precomputed or dynamically generated bank of trajectories
JP7234967B2 (ja) * 2020-02-17 2023-03-08 トヨタ自動車株式会社 衝突回避支援装置
CA3139481A1 (en) * 2020-11-17 2022-05-17 Uatc, Llc Systems and methods for actor motion forecasting within a surrounding environment of an autonomous vehicle
US11921504B1 (en) * 2020-12-29 2024-03-05 Zoox, Inc. Vehicle controller validation
US11708066B2 (en) * 2021-01-21 2023-07-25 Motional Ad Llc Road surface condition guided decision making and prediction
CN113341407B (zh) * 2021-06-02 2024-02-06 中国水产科学研究院南海水产研究所 一种基于雷达探测的渔业捕捞追踪系统及方法
US20230001953A1 (en) * 2021-06-17 2023-01-05 Toyota Research Institute, Inc. Planning-aware prediction for control-aware autonomous driving modules
CN113535861B (zh) * 2021-07-16 2023-08-11 子亥科技(成都)有限公司 一种多尺度特征融合与自适应聚类的轨迹预测方法
US11400958B1 (en) * 2021-09-20 2022-08-02 Motional Ad Llc Learning to identify safety-critical scenarios for an autonomous vehicle
WO2023148298A1 (en) * 2022-02-03 2023-08-10 Five AI Limited Trajectory generation for mobile agents
CN114460945B (zh) * 2022-02-14 2023-03-14 四川大学 移动机器人轨迹跟踪方法、装置及电子设备
CN115249270B (zh) * 2022-09-22 2022-12-30 广州市德赛西威智慧交通技术有限公司 一种雷视一体机自动重标注方法及系统
US11801871B1 (en) * 2022-12-28 2023-10-31 Aurora Operations, Inc. Goal-based motion forecasting
CN116841307B (zh) * 2023-09-01 2023-12-01 中国民用航空飞行学院 基于Koopman神经网络的飞行轨迹预测方法和装置
CN117077042B (zh) * 2023-10-17 2024-01-09 北京鑫贝诚科技有限公司 一种农村平交路口安全预警方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011100492A (ja) * 2011-02-07 2011-05-19 Toyota Motor Corp 移動領域予測装置
JP2015225366A (ja) * 2014-05-26 2015-12-14 株式会社リコー 事故防止システム、事故防止装置、事故防止方法
KR101951595B1 (ko) * 2018-05-18 2019-02-22 한양대학교 산학협력단 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법

Family Cites Families (57)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8611585B2 (en) 2008-04-24 2013-12-17 GM Global Technology Operations LLC Clear path detection using patch approach
US8699754B2 (en) 2008-04-24 2014-04-15 GM Global Technology Operations LLC Clear path detection through road modeling
US8332134B2 (en) 2008-04-24 2012-12-11 GM Global Technology Operations LLC Three-dimensional LIDAR-based clear path detection
US8670592B2 (en) 2008-04-24 2014-03-11 GM Global Technology Operations LLC Clear path detection using segmentation-based method
DE102012009297A1 (de) 2012-05-03 2012-12-13 Daimler Ag Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs
CN103558856A (zh) 2013-11-21 2014-02-05 东南大学 动态环境下服务动机器人导航方法
WO2016156236A1 (en) 2015-03-31 2016-10-06 Sony Corporation Method and electronic device
US20170349181A1 (en) 2016-06-02 2017-12-07 Delphi Technologies, Inc. Lane management system for an automated vehicle
DE102016009760A1 (de) 2016-08-11 2018-02-15 Trw Automotive Gmbh Steuerungssystem und Steuerungsverfahren zum Führen eines Kraftfahrzeugs entlang eines Pfades
US9805595B1 (en) 2016-10-27 2017-10-31 International Business Machines Corporation Vehicle and non-vehicle traffic flow control
US10595037B2 (en) 2016-10-28 2020-03-17 Nec Corporation Dynamic scene prediction with multiple interacting agents
US10515390B2 (en) 2016-11-21 2019-12-24 Nio Usa, Inc. Method and system for data optimization
US10449956B2 (en) * 2017-01-18 2019-10-22 Ford Global Technologies, Llc Object tracking by unsupervised learning
DE102017204404B3 (de) 2017-03-16 2018-06-28 Audi Ag Verfahren und Vorhersagevorrichtung zum Vorhersagen eines Verhaltens eines Objekts in einer Umgebung eines Kraftfahrzeugs und Kraftfahrzeug
JP6722280B2 (ja) 2017-06-22 2020-07-15 バイドゥドットコム タイムズ テクノロジー （ベイジン） カンパニー リミテッドＢａｉｄｕ．ｃｏｍ Ｔｉｍｅｓ Ｔｅｃｈｎｏｌｏｇｙ （Ｂｅｉｊｉｎｇ） Ｃｏ．， Ｌｔｄ． 自律走行車の交通予測における予測軌跡の評価フレームワーク
US10579063B2 (en) 2017-07-21 2020-03-03 Uatc, Llc Machine learning for predicting locations of objects perceived by autonomous vehicles
GB2564897A (en) * 2017-07-27 2019-01-30 Kompetenzzentrum Das Virtuelle Fahrzeug Method and process for motion planning in (un-)structured environments with pedestrians and use of probabilistic manifolds
US11112796B2 (en) * 2017-08-08 2021-09-07 Uatc, Llc Object motion prediction and autonomous vehicle control
US10782694B2 (en) 2017-09-07 2020-09-22 Tusimple, Inc. Prediction-based system and method for trajectory planning of autonomous vehicles
US10649458B2 (en) 2017-09-07 2020-05-12 Tusimple, Inc. Data-driven prediction-based system and method for trajectory planning of autonomous vehicles
DE102017217056B4 (de) 2017-09-26 2023-10-12 Audi Ag Verfahren und Einrichtung zum Betreiben eines Fahrerassistenzsystems sowie Fahrerassistenzsystem und Kraftfahrzeug
WO2019089591A1 (en) 2017-10-30 2019-05-09 Mobileye Vision Technologies Ltd. Vehicle navigation based on human activity
US10562538B2 (en) 2017-11-22 2020-02-18 Uatc, Llc Object interaction prediction systems and methods for autonomous vehicles
EP3495219B1 (en) 2017-12-11 2023-07-05 Volvo Car Corporation Path prediction for a vehicle
WO2019136479A1 (en) * 2018-01-08 2019-07-11 The Regents On The University Of California Surround vehicle tracking and motion prediction
WO2019140042A1 (en) 2018-01-12 2019-07-18 Xtelligent, Inc. Traffic control utilizing vehicle-sources sensor data, and systems, methods, and software therefor
US11789449B2 (en) 2018-02-09 2023-10-17 Nvidia Corporation Controlling autonomous vehicles using safe arrival times
US20190361454A1 (en) * 2018-05-24 2019-11-28 GM Global Technology Operations LLC Control systems, control methods and controllers for an autonomous vehicle
US10745011B2 (en) 2018-05-31 2020-08-18 Nissan North America, Inc. Predicting yield behaviors
US10564643B2 (en) 2018-05-31 2020-02-18 Nissan North America, Inc. Time-warping for autonomous driving simulation
WO2019231456A1 (en) 2018-05-31 2019-12-05 Nissan North America, Inc. Probabilistic object tracking and prediction framework
US10569773B2 (en) 2018-05-31 2020-02-25 Nissan North America, Inc. Predicting behaviors of oncoming vehicles
US10663305B2 (en) 2018-07-16 2020-05-26 Here Global B.V. Map matched aggregation for K-anonymity in trajectory data
CN109272108A (zh) 2018-08-22 2019-01-25 深圳市亚博智能科技有限公司 基于神经网络算法的移动控制方法、系统和计算机设备
JP7169832B2 (ja) 2018-09-27 2022-11-11 株式会社Subaru 車両の移動体監視装置、およびこれを用いる車両制御システム
CN111328411B (zh) 2018-09-28 2022-11-29 百度时代网络技术（北京）有限公司 用于自动驾驶车辆的行人概率预测系统
US11077878B2 (en) * 2018-11-02 2021-08-03 Zoox, Inc. Dynamic lane biasing
US10969789B2 (en) 2018-11-09 2021-04-06 Waymo Llc Verifying predicted trajectories using a grid-based approach
US11034348B2 (en) 2018-11-20 2021-06-15 Waymo Llc Agent prioritization for autonomous vehicles
US10739777B2 (en) 2018-11-20 2020-08-11 Waymo Llc Trajectory representation in behavior prediction systems
US11215997B2 (en) 2018-11-30 2022-01-04 Zoox, Inc. Probabilistic risk assessment for trajectory evaluation
US11427225B2 (en) 2018-12-26 2022-08-30 Uatc, Llc All mover priors
US11635764B2 (en) 2019-02-22 2023-04-25 Uatc, Llc. Motion prediction for autonomous devices
US11548533B2 (en) 2019-03-23 2023-01-10 Uatc, Llc Perception and motion prediction for autonomous devices
US11136023B2 (en) 2019-05-07 2021-10-05 Baidu Usa Llc Method for determining exiting intersection of moving objects for autonomous driving vehicles
US20200363800A1 (en) * 2019-05-13 2020-11-19 Great Wall Motor Company Limited Decision Making Methods and Systems for Automated Vehicle
US11574089B2 (en) 2019-06-28 2023-02-07 Zoox, Inc. Synthetic scenario generator based on attributes
US11269341B2 (en) 2019-06-28 2022-03-08 Woven Planet North America, Inc. Systems and methods for automated trajectory prediction
US11568100B2 (en) 2019-06-28 2023-01-31 Zoox, Inc. Synthetic scenario simulator based on events
KR20220030270A (ko) 2019-07-03 2022-03-10 웨이모 엘엘씨 앵커 궤적들을 이용하는 에이전트 궤적 예측
US20210035442A1 (en) 2019-07-31 2021-02-04 Nissan North America, Inc. Autonomous Vehicles and a Mobility Manager as a Traffic Monitor
US11754408B2 (en) 2019-10-09 2023-09-12 Argo AI, LLC Methods and systems for topological planning in autonomous driving
US20210181758A1 (en) 2019-10-26 2021-06-17 Zoox, Inc. Object detection and tracking
US11351996B2 (en) 2019-11-01 2022-06-07 Denso International America, Inc. Trajectory prediction of surrounding vehicles using predefined routes
US11693415B2 (en) 2019-11-06 2023-07-04 Waymo Llc Predicting cut-in probabilities of surrounding agents
US11912271B2 (en) * 2019-11-07 2024-02-27 Motional Ad Llc Trajectory prediction from precomputed or dynamically generated bank of trajectories
US11407431B2 (en) 2019-11-22 2022-08-09 Samsung Electronics Co., Ltd. System and method for object trajectory prediction in an autonomous scenario

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011100492A (ja) * 2011-02-07 2011-05-19 Toyota Motor Corp 移動領域予測装置
JP2015225366A (ja) * 2014-05-26 2015-12-14 株式会社リコー 事故防止システム、事故防止装置、事故防止方法
KR101951595B1 (ko) * 2018-05-18 2019-02-22 한양대학교 산학협력단 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
이준영 등, 전방향 주변 차량의 확률적 거동 예측을 이용한 모델 예측 제어 기법 기반 자율주행자동차 조향 제어, 제어 로봇 시스템학회 논문지(2015.03.01.)* *

Also Published As

Publication number Publication date
GB2606638B (en) 2023-08-02
US20210284147A1 (en) 2021-09-16
KR102532546B1 (ko) 2023-05-12
US20230111121A1 (en) 2023-04-13
KR20230070193A (ko) 2023-05-22
GB202215274D0 (en) 2022-11-30
GB2609783A (en) 2023-02-15
US11858508B2 (en) 2024-01-02
GB2591330A (en) 2021-07-28
GB202017591D0 (en) 2020-12-23
US11535248B2 (en) 2022-12-27
GB2591330B (en) 2022-06-15
GB2606638A (en) 2022-11-16
CN112783151A (zh) 2021-05-11
GB2609783B (en) 2023-08-23
GB202206502D0 (en) 2022-06-15
US20210139026A1 (en) 2021-05-13
DE102020129456A1 (de) 2021-05-12
US11912271B2 (en) 2024-02-27

Similar Documents

Publication Publication Date Title
KR102532546B1 (ko) 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측
US11320826B2 (en) Operation of a vehicle using motion planning with machine learning
KR20200129045A (ko) 차량의 궤적을 계획 및 업데이트하기 위한 시스템 및 방법
US11945440B2 (en) Data driven rule books
KR20210112293A (ko) 주석 달기를 위한 데이터 샘플의 자동 선택
KR102505300B1 (ko) 복수의 모션 제약을 사용하는 차량의 동작
US11577754B2 (en) Autonomous vehicle operation using linear temporal logic
US11814075B2 (en) Conditional motion predictions
KR102518680B1 (ko) 속력 프로파일 추정
KR20230004212A (ko) 대상체 검출을 위한 교차 모달리티 능동 학습
US20220357453A1 (en) Lidar point cloud segmentation using box prediction
KR102601860B1 (ko) 운전 데이터 기반 공간 계획
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
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant