KR20210057649A

KR20210057649A - 이동체의 자율 주행 제어 방법 및 이를 수행하는 장치들

Info

Publication number: KR20210057649A
Application number: KR1020200072492A
Authority: KR
Inventors: 하영국; 김철진; 박호림; 이명재; 장성수; 황규홍
Original assignee: 건국대학교 산학협력단
Priority date: 2019-11-12
Filing date: 2020-06-15
Publication date: 2021-05-21
Also published as: KR102297578B1

Abstract

이동체의 자율 주행 제어 방법 및 이를 수행하는 장치들이 개시된다. 일 실시예에 따른 이동체의 자율 주행 제어 방법은 상기 이동체의 내부 및 외부가 촬영된 주행 이미지를 획득하는 단계와, 상기 주행 이미지로부터 상기 이동체의 전방 주행 이미지 및 상기 이동체의 주행 속도를 추출하는 단계와, 상기 전방 주행 이미지 및 상기 주행 속도에 기초하여 상기 이동체의 주행을 제어하기 위한 자율 주행 제어 정보를 생성하는 단계를 포함한다.

Description

이동체의 자율 주행 제어 방법 및 이를 수행하는 장치들{METHOD OF CONTROLLING AUTONOMOUS DRIVING OF MOVING OBJECT AND APPARATUSES PERFORMING THE SAME}

아래 실시예들은 이동체의 자율 주행 제어 방법 및 이를 수행하는 장치들에 관한 것이다.

최근에는 4차 산업혁명의 핵심으로 평가받고 있는 인공지능 기술, 특히 이미지를 빠르게 처리할 수 있는 합성곱 신경망(Convolutional Neural Network, CNN)의 등장으로 컴퓨터 비전과 관련된 다양한 산업이 발달하고 있다. 3차원 Convolution 연산을 하는 CNN의 특성은 인간의 시신경을 모방하여 컴퓨터 비전 산업을 크게 발전시켰고, 이미지를 처리해야하는 다양한 산업의 발달을 촉진하게 되었다.

특히, 최근에는 이미지를 처리하는 다양한 산업 중에서 자율주행 시스템 개발에 인공지능을 접목하여 다양한 연구가 진행되고 있다. 이미 google, NVIDIA, BMW 등 많은 대기업에서는 자율주행 시스템 개발을 오래전부터 진행해왔다. 기존 자율주행 시스템의 방식은 비싼 레이더, 라이다(LiDAR)와 같은 센서에 크게 의존해 왔고, 수집된 센서 데이터로부터 주행 방안을 결정하는 많은 연산량과 알고리즘을 필요로 했다.

하지만, 최근에는 NVIDIA에서 발표한 논문과 더불어 다양한 연구에서 종단간 학습 방식(End-to-End Learning)을 활용한 연구가 등장하고 있다. 종단간 학습 방식을 이용하는 경우에는 입력 영상을 한 번의 신경망에 통과시켜 주행 방안(스티어링 휠 등)을 출력으로 얻을 수 있다. 이때, 스티어링 휠은 차량의 운전대(또는 핸들)일 수 있다.

실시예들은 이동체의 주행 이미지에 포함된 이동체의 전방 주행 이미지 및 이동체의 주행 속도를 이용하여 종단간 학습 방식을 통해 이동체의 자율 주행을 제어하기 위한 자율 주행 제어 정보를 생성할 수 있다.

다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.

일 실시예에 따른 이동체의 자율 주행 제어 방법은 상기 이동체의 내부 및 외부가 촬영된 주행 이미지를 획득하는 단계와, 상기 주행 이미지로부터 상기 이동체의 전방 주행 이미지 및 상기 이동체의 주행 속도를 추출하는 단계와, 상기 전방 주행 이미지 및 상기 주행 속도에 기초하여 상기 이동체의 주행을 제어하기 위한 자율 주행 제어 정보를 생성하는 단계를 포함한다.

상기 주행 이미지는 상기 주행 이미지가 촬영된 날짜 및 시간에 대한 정보가 포함되거나 매칭될 수 있다.

상기 생성하는 단계는 CNN(Convolutional Neural Network)-LSTM(Long Short-term Memory) 융합 네트워크를 통해 상기 전방 주행 이미지에 대한 특징 맵을 생성하는 단계와, 상기 특징 맵 및 상기 주행 속도를 이용하여 상기 CNN-LSTM 융합 네트워크를 통해 상기 자율 주행 제어 정보를 생성하는 단계를 포함할 수 있다.

상기 특징 맵을 생성하는 단계는 상기 CNN-LSTM 융합 네트워크를 구성하는 CNN에 상기 전방 주행 이미지를 입력하여 상기 전방 주행 이미지의 특징을 추출하는 단계와, 상기 CNN-LSTM 융합 네트워크를 구성하는 LSTM에 상기 전방 주행 이미지의 특징을 입력하여 상기 특징 맵을 생성하는 단계를 포함할 수 있다.

상기 CNN-LSTM 융합 네트워크를 통해 상기 자율 주행 제어 정보를 생성하는 단계는 상기 이동체에 대한 과거 주행 이미지에 대응하는 과거 특징 맵이 있는지 여부에 기초하여 상기 자율 주행 제어 정보 생성시 상기 과거 특징 맵을 반영하는 단계를 포함할 수 있다.

상기 과거 주행 이미지는 상기 주행 이미지가 촬영된 시간 직전에 촬영된 주행 이미지일 수 있다.

상기 자율 주행 제어 정보는 상기 이동체의 주행 방향을 제어하기 위한 주행 방향 파라미터 및 상기 이동체의 주행 속도를 제어하기 위한 주행 속도 파라미터를 포함할 수 있다.

상기 주행 방향 파라미터는 상기 이동체의 스티어링 휠 각도 값일 수 있다.

상기 주행 속도 파라미터는 상기 이동체의 액셀러레이터(accelerator) 값 및 브레이크(break) 값일 수 있다.

상기 자율 주행 제어 방법은 상기 자율 주행 제어 정보에 기초하여 상기 이동체의 주행을 제어하는 단계를 더 포함할 수 있다.

일 실시예에 따른 이동체의 자율 주행을 제어하는 장치는 인스트럭션들을 포함하는 메모리와, 상기 인스트럭션들을 실행하기 위한 컨트롤러를 포함하고, 상기 컨트롤러는 상기 이동체의 내부 및 외부가 촬영된 주행 이미지를 획득하고, 상기 주행 이미지로부터 상기 이동체의 전방 주행 이미지 및 상기 이동체의 주행 속도를 추출하고, 상기 전방 주행 이미지 및 상기 주행 속도에 기초하여 상기 이동체의 주행을 제어하기 위한 자율 주행 제어 정보를 생성한다.

상기 컨트롤러는 CNN(Convolutional Neural Network)-LSTM(Long Short-term Memory) 융합 네트워크를 통해 상기 전방 주행 이미지에 대한 특징 맵을 생성하고, 상기 특징 맵 및 상기 주행 속도를 이용하여 상기 CNN-LSTM 융합 네트워크를 통해 상기 자율 주행 제어 정보를 생성할 수 있다.

상기 컨트롤러는 상기 CNN-LSTM 융합 네트워크를 구성하는 CNN에 상기 전방 주행 이미지를 입력하여 상기 전방 주행 이미지의 특징을 추출하고, 상기 CNN-LSTM 융합 네트워크를 구성하는 LSTM에 상기 전방 주행 이미지의 특징을 입력하여 상기 특징 맵을 생성할 수 있다.

상기 컨트롤러는 상기 이동체에 대한 과거 주행 이미지에 대응하는 과거 특징 맵이 있는지 여부에 기초하여 상기 자율 주행 제어 정보 생성시 상기 과거 특징 맵을 반영할 수 있다.

상기 컨트롤러는 상기 자율 주행 제어 정보에 기초하여 상기 이동체의 주행을 제어할 수 있다.

도 1은 기존의 차량 자율 주행 제어 시스템의 문제점을 설명하기 위한 일 예를 나타낸다.
도 2는 일 실시예에 따른 자율 주행 시스템의 개략적인 블록도를 나타낸다.
도 3은 도 2에 도시된 이미지 제공 장치가 제공하는 이미지의 일 예를 나타낸다.
도 4는 도 2에 도시된 차량 제어 장치의 개략적인 블록도를 나타낸다.
도 5는 도 4에 도시된 컨트롤러의 추출 동작을 설명하기 위한 일 예를 나타낸다.
도 6a는 도 4에 도시된 컨트롤러의 자율 주행 제어 정보 생성 동작을 설명하기 위한 일 예를 나타낸다.
도 6b는 도 4에 도시된 컨트롤러의 자율 주행 제어 정보 생성 동작을 설명하기 위한 다른 예를 나타낸다.
도 7은 도 4에 도시된 컨트롤러의 개략적인 블록도를 나타낸다.
도 8은 도 7에 도시된 주행 시뮬레이션 학습 모듈의 학습 동작을 설명하기 위한 일 예를 나타낸다.
도 9a는 자율 주행 제어 정보에 따른 주행 시뮬레이션 결과를 설명하기 위한 일 예를 나타낸다.
도 9b는 자율 주행 제어 정보에 따른 주행 시뮬레이션 결과를 설명하기 위한 다른 예를 나타낸다.
도 9c는 자율 주행 제어 정보에 따른 주행 시뮬레이션 결과를 설명하기 위한 또 다른 예를 나타낸다.
도 10은 도 2에 도시된 차량 제어 장치의 동작을 설명하기 위한 순서도를 나타낸다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

또한, 실시 예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

어느 하나의 실시 예에 포함된 구성요소와, 공통적인 기능을 포함하는 구성요소는, 다른 실시 예에서 동일한 명칭을 사용하여 설명하기로 한다. 반대되는 기재가 없는 이상, 어느 하나의 실시 예에 기재한 설명은 다른 실시 예에도 적용될 수 있으며, 중복되는 범위에서 구체적인 설명은 생략하기로 한다.

도 1은 기존의 차량 자율 주행 제어 시스템의 문제점을 설명하기 위한 일 예를 나타낸다.

도 1을 참조하면, 기존의 SAE Level 2 수준의 자율 주행 이동체들은 자율 주행 제어 알고리즘을 통해 복잡한 방식으로 제어될 수 있다. 이때, 이동체는 차량, 바이크, 전기 자전거 등 다양한 이동 수단일 수 있다. 이하에서는 자율 주행 이동체를 자율 주행 차량으로 가정하여 설명하도록 한다.

A 내지 C는 실제 차량을 자율 주행으로 제어하기 위한 자율 주행 제어 알고리즘을 요약한 것으로 실제로는 이보다 더 복잡한 알고리즘이 사용될 수 있다.

A) 기존의 자율 주행 차량은 자율 주행 차량의 LiDAR를 이용해 차량 주변에 존재하는 다양한 객체들의 모양을 확인하고, 자율 주행 차량의 Radar를 이용해 주변 객체들의 속도와 거리를 확인할 수 있다.

B) 기존의 자율 주행 차량은 자율 주행 차량의 카메라를 통해 얻은 영상을 분석할 수 있다.

C) 기존의 자율 주행 차량은 자율 주행 차량의 다양한 센서들을 통해 얻은 데이터를 주행 알고리즘에 대입하여 차량 제어 값을 얻어낼 수 있다.

기존의 자율 주행 제어 알고리즘으로 차량을 제어하기 위해서는 고가의 센서 장비가 필요하여 연구에 무리가 있고, 실제 개발이 되더라도 상용화하기 어려울 수 있다.

또한, 기존의 자율 주행 차량은 자율 주행 제어 알고리즘의 정확도가 높지 않기에, 완전한 자율 주행으로 제어되기에는 부족함이 많을 수 있다. 이는 기존의 자율 주행 차량의 수준이 SAE Level 2 수준인 이유이기도 하다. 기존의 차량 자율 주행 제어 알고리즘은 매우 복잡하기에, 실시간 처리가 중요한 차량 자율 주행 제어 시스템에서 문제가 발생할 수 있다.

기존의 차량 자율 주행 제어 시스템의 문제점을 해결하기 위해서 엔비디아(NVIDIA)에서는 종단간 학습 방식(End-to-End Learning)을 활용하여 자율 주행 차량을 제어하는 방법을 제시한 바 있다.

종단간 학습 방식에 따라 자율 주행 차량을 제어하는 방법은 차량의 전방 주행 영상을 좌측/중앙/우측으로 3개로 나눠 받아 하나의 프레임의 이미지를 신경망에 입력으로 넣고, 그 결과로 스티어링 휠(steering wheel) 각도 값을 예측하는 것이다. 예를 들어, 종단간 학습 방식을 이용하는 자율 주행 제어 시스템은 간단한 CNN을 이용하여 구현이 가능하다고 한다.

차량을 운전할 때에는 순간적인 전방 상황만 보고 주행 방안을 결정하는 것이 아닌 연속된 상황을 종합적으로 고려하여 주행방안을 결정한다.

차량의 주행 속도를 고려하지 않고 스티어링 휠을 제어하는 경우(특히, 고속 주행 상황인 경우), 종단간 학습 방식을 이용하여 자율 주행 차량을 제어하는 방법은 언더스티어(understeer)나 오버스티어(oversteer)와 같은 위험한 현상이 발생할 수 있다. 스티어링 휠은 차량의 운전대, 핸들을 의미한다.

도 2는 일 실시예에 따른 자율 주행 시스템의 개략적인 블록도를 나타내고, 도 3은 도 2에 도시된 이미지 제공 장치가 제공하는 이미지의 일 예를 나타낸다.

도 2 및 도 3을 참조하면, 자율 주행 시스템(10)은 이미지 제공 장치(100), 차량 제어 장치(300) 및 차량(500)을 포함할 수 있다. 도 1에서 가정한 바와 같이 이동체를 차량(500)으로 가정하여 설명하기에, 이하에서 설명되는 이미지 제공 장치(100) 및 차량 제어 장치(300)에 관한 내용은 다양한 이동체에 적용 가능하다.

이미지 제공 장치(100)는 차량(500)의 내부 및 외부가 촬영된 이미지를 차량 제어 장치(300)에 전송할 수 있다. 이때, 차량(500)의 주행 이미지는 차량(500)에 설치된 카메라를 통해 생성될 수 있다. 예를 들어, 이미지 제공 장치(100)는 도 3과 같이 주행 중인 차량(500)의 주변 환경과 차량(500)의 운전석을 함께 촬영하여 차량(500)의 주행 이미지를 생성할 수 있다. 이때, 차량(500)의 주행 이미지는 차량(500)의 전방 및 차량(500)의 주행 속도를 포함할 수 있다. 차량(500)의 주행 이미지는 주행 이미지가 촬영된 날짜 및/또는 시간에 대한 정보가 포함되거나 매칭되어 전송될 수 있다. 시간 정보는 타임 스탬프일 수 있다.

차량 제어 장치(300)는 이미지 제공 장치(100)가 제공한 차량(500)의 주행 이미지에 포함된 차량(500)의 전방 주행 이미지 및 차량(100)의 주행 속도를 이용하여 종단간 학습 방식을 통해 차량(500)의 자율 주행을 제어하기 위한 자율 주행 제어 정보를 생성할 수 있다. 차량 제어 장치(300)는 자율 주행 제어 정보에 기초하여 차량(500)의 주행을 제어할 수 있다.

이에, 차량 제어 장치(300)는 비싼 센서와 연산량이 많이 필요한 자율 주행 제어 알고리즘을 사용하지 않고 오직 차량(500)의 주행 이미지만을 이용하여 차량(500)의 자율 주행을 효율적으로 제어할 수 있다. 또한, 차량 제어 장치(300)는 차량(500)의 전방 이미지뿐만 아니라 차량(500)의 주행 속도를 고려하여 차량(00)의 자율 주행을 더 정확하게 제어하여 기존의 자율 주행 제어 방식 보다 인간의 주행 방식을 더 정확하게 모방할 수 있다.

도 4는 도 2에 도시된 차량 제어 장치의 개략적인 블록도를 나타낸다.

차량 제어 장치(300)는 메모리(310) 및 컨트롤러(330)를 포함할 수 있다.

메모리(310)는 컨트롤러(330)에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 컨트롤러(330)의 동작 및/또는 컨트롤러(330)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.

컨트롤러(330)는 메모리(310)에 저장된 데이터를 처리할 수 있다. 컨트롤러(330)는 메모리(310)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 컨트롤러(330)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.

컨트롤러(330)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.

예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.

컨트롤러(330)는 차량 제어 장치(300)의 전반적인 동작을 제어할 수 있다. 예를 들어, 컨트롤러(330)는 메모리(310)의 동작을 제어할 수 있다.

컨트롤러(330)는 이미지 제공 장치(100)로부터 전송된 차량(500)의 주행 이미지와 CNN(Convolutional Neural Network)-LSTM(Long Short-term Memory) 융합 네트워크를 이용하여 자율 주행 제어 정보를 생성할 수 있다. CNN-LSTM 융합 네트워크는 종단간 학습 방식에 기반한 네트워크로 CNN-LSTM이 융합되어 설계되어 시간의 흐름에 따른 변화를 고려할 수 있다. CNN은 공간적 특징을 추출하기 유리할 수 있다. LSTM은 시간의 흐름을 고려하여 시간적 특징을 추출하기 유리할 수 있다.

예를 들어, 컨트롤러(330)는 차량(500)의 주행 이미지로부터 차량(500)의 전방 주행 이미지 및 차량(500)의 주행 속도를 추출할 수 있다.

컨트롤러(330)는 CNN-LSTM 융합 네트워크에 전방 주행 이미지 및 주행 속도를 순차적으로 입력하여 주행 전방 이미지 및 주행 속도에 따른 자율 주행 제어 정보를 생성할 수 있다.

도 5는 도 4에 도시된 컨트롤러의 전방 주행 이미지 및 주행 속도 추출 동작을 설명하기 위한 일 예를 나타낸다.

컨트롤러(330)는 이미지 제공 장치(100)로부터 차량(500)의 주행 이미지인 image 1을 수신할 수 있다.

컨트롤러(330)는 CNN을 통해 image 1을 분석하여 image 1을 차량(500)의 전방 주행 이미지(image 2) 및 차량(500)의 주행 속도 이미지(image 3)로 분할(또는 추출)할 수 있다.

컨트롤러(330)는 image 3을 통해 차량(500)의 주행 속도를 획득할 수 있다.

도 6a는 도 4에 도시된 컨트롤러의 자율 주행 제어 정보 생성 동작을 설명하기 위한 일 예를 나타내고, 도 6b는 도 4에 도시된 컨트롤러의 자율 주행 제어 정보 생성 동작을 설명하기 위한 다른 예를 나타낸다.

도 6a 및 도 6b를 참조하면, 컨트롤러(330)는 차량(500)의 주행 이미지에서 전방 주행 이미지 및 주행 속도를 추출한 후, CNN-LSTM 융합 네트워크를 통해 전방 주행 이미지의 특징에 따른 특징 맵을 생성할 수 있다. 이때, 전방 주행 이미지 및 주행 속도는 CNN-LSTM 융합 네트워크에 입력되기 전에 정규화될 수 있다. 예를 들어, 전방 주행 이미지는 80 x 200 벡터의 크기로 조정하여 정규화될 수 있다.

예를 들어, 컨트롤러(330)는 CNN-LSTM 융합 네트워크를 구성하는 CNN에 전방 주행 이미지를 입력하여 전방 주행 이미지의 특징을 추출할 수 있다. 컨트롤러(330)는 CNN-LSTM 융합 네트워크를 구성하는 LSTM에 전방 주행 이미지의 특징을 입력하여 전방 주행 이미지의 특징 맵을 생성할 수 있다.

컨트롤러(330)는 특징 맵과 주행 속도를 이용하여 CNN-LSTM 융합 네트워크를 통해 자율 주행 제어 정보를 생성(또는 추론, 예측)할 수 있다. 예를 들어, 컨트롤러(330)는 CNN-LSTM 융합 네트워크를 구성하는 LSTM에 특징 맵 및 주행 속도를 입력하여 자율 주행 제어 정보를 생성할 수 있다. 예를 들어, 컨트롤러(330)는 전방 주행 이미지의 특징을 LSTM에 입력할 때 주행 속도도 함께 LSTM에 입력할 수 있다.

컨트롤러(330)는 차량(500)의 과거 주행 이미지에 대응하는 과거 특징 맵이 있는지 여부에 기초하여 자율 주행 제어 정보 생성시 과거 특징 맵을 반영할 수 있다. 과거 주행 이미지는 차량(500)의 주행 이미지가 촬영된 시간 직전에 촬영된 주행 이미지일 수 있다. 과거 특징 맵은 차량(500)의 과거 주행 이미지에 포함된 전방 주행 이미지의 특징에 따른 특징 맵일 수 있다.

자율 주행 제어 정보는 차량(100)의 주행을 제어할 정보로, LSTM과 완전히 연결된 레이어(fully connected layer)를 통해 추론될 수 있다. 자율 주행 제어 정보는 차량(500)의 주행 방향을 제어하기 위한 주행 방향 파라미터 및 차량(500)의 주행 속도를 제어하기 위한 주행 속도 파라미터를 포함할 수 있다. 추론된 주행 방향 파라미터 및 주행 속도 파라미터는 차량(500)의 부드러운 주행을 위해서 Hanning 평활 알고리즘(Hanning smoothing algorithm)으로 평활화될 수 있다.

주행 방향 파라미터는 차량(500)의 스티어링 휠 각도값일 수 있다. 주행 속도 파라미터는 차량(500)의 액셀러레이터(accelerator) 및 브레이크(break) 값일 수 있다. 차량(500)의 자율 주행은 추론되는 주행 방향 및 주행 속도가 함께 반영되어 제어되어, 고속 환경에서 언더스티어 또는 오버스티어와 같은 위험한 상황이 방지될 수 있다.

차량마다 데이터가 다르게 처리되기에, 실제 차량에서 데이터를 수집하는 것은 한계가 있을 수 있다.

따라서, 이하에서는 이미지 제공 장치(100)를 주행 시뮬레이터(driving simulator)로 가정하도록 한다. 또한, 이하에서는 차량 제어 장치(300)가 주행 시뮬레이터(driving simulator)를 통해 수집된 차량(100)에 대한 주행 데이터(또는 훈련 데이터, 이미지 데이터)를 이용하여 CNN-LSTM 융합 네트워크를 학습하는 동작에 대해서 설명하도록 한다.

도 7은 도 4에 도시된 컨트롤러의 개략적인 블록도를 나타내고, 도 8은 도 7에 도시된 주행 시뮬레이션 학습 모듈의 학습 동작을 설명하기 위한 일 예를 나타낸다.

컨트롤러(330)는 모듈화될 수 있다. 예를 들어, 컨트롤러(330)는 학습 데이터 수집 모듈(331) 및 주행 시뮬레이션 학습 모듈(333)을 포함할 수 있다.

데이터 수집 모듈(331)은 주행 시뮬레이터인 유로 트럭 시뮬레이터(euro truck driving simulator)에서 차량(500)에 대한 주행 데이터를 수집하여 클라우드 서버에 저장 및 관리할 수 있다. 클라우드 서버는 HDFS(Hadoop Distributed File System)-based cloud server일 수 있다. 데이터 수집 모듈(331)은 차량(500)에 대한 주행 데이터를 타임 스탬프와 동기화하여 저장할 수 있다. 주행 데이터는 시간대 별로 저장될 수 있다. 주행 데이터는 차량(500)의 주행 이미지, 주행 방향 파라미터 및 주행 속도 파라미터 등일 수 있다.

주행 시뮬레이션 학습 모듈(333)은 클라우드 서버에 저장된 주행 데이터를 시간 순서로 CNC-HLTM 융합 네트워크에 입력하여 자율 주행 제어 정보를 추론할 수 있다.

주행 시뮬레이션 학습 모듈(333)은 추론된 자율 주행 제어 정보와 클라우드 서버에 저장된 실제 주행 데이터를 비교하여 CNC-HLTM 융합 네트워크를 학습할 수 있다. 예를 들어, 주행 시뮬레이션 학습 모듈(333)은 추론된 주행 방향 및 주행 속도 파라미터와 실제 주행 방향 및 주행 속도 파라미터 간의 평균 제곱 오차가 최소화되도록 CNC-HLTM 융합 네트워크의 가중치를 학습할 수 있다.

도 9a는 자율 주행 제어 정보에 따른 주행 시뮬레이션 결과를 설명하기 위한 일 예를 나타내고, 도 9b는 자율 주행 제어 정보에 따른 주행 시뮬레이션 결과를 설명하기 위한 다른 예를 나타내고, 도 9c는 자율 주행 제어 정보에 따른 주행 시뮬레이션 결과를 설명하기 위한 또 다른 예를 나타낸다.

도 9a 내지 도 9c를 참조하면, 차량 제어 장치(300)가 생성한 자율 주행 제어 정보에 따른 주행 시뮬레이션 결과는 NVIDIA에서 연구한 End-to-End 자율주행 시스템에 의한 주행 시뮬레이션 결과보다 더 정확하다. 우측으로 굽은 도로에서의 주행 시뮬레이션 결과는 도 9a와 같고, 좌측으로 굽은 도로에서의 주행 시뮬레이션 결과는 도 9b와 같고, S로 굽은 도로에서의 주행 시뮬레이션 결과는 도 9c와 같다.

도 10은 도 2에 도시된 차량 제어 장치의 동작을 설명하기 위한 순서도를 나타낸다.

컨트롤러(330)는 이미지 제공 장치(100)로부터 전송된 차량(500)의 주행 이미지를 수집(또는 획득)할 수 있다(1010).

컨트롤러(330)는 주행 이미지를 분석하여 주행 이미지에서 전방 주행 이미지 및 주행 속도를 추출할 수 있다(1030).

컨트롤러(330)는 전방 주행 이미지의 특징을 추출하여 전방 주행 이미지의 특징에 따른 특징 맵을 생성할 수 있다(1050).

컨트롤러(330)는 특징 맵 및 주행 속도에 기초하여 차량(500)의 주행을 제어할 자율 주행 제어 정보를 생성할 수 있다(1070).

컨트롤러(330)는 자율 주행 제어 정보에 기초하여 차량(500)의 주행을 제어할 수 있다(1090).

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims

이동체의 자율 주행 제어 방법에 있어서,
상기 이동체의 내부 및 외부가 촬영된 주행 이미지를 획득하는 단계;
상기 주행 이미지로부터 상기 이동체의 전방 주행 이미지 및 상기 이동체의 주행 속도를 추출하는 단계; 및
상기 전방 주행 이미지 및 상기 주행 속도에 기초하여 상기 이동체의 주행을 제어하기 위한 자율 주행 제어 정보를 생성하는 단계
를 포함하는, 자율 주행 제어 방법.
제1항에 있어서,
상기 주행 이미지는 상기 주행 이미지가 촬영된 날짜 및 시간에 대한 정보가 포함되거나 매칭되는, 자율 주행 제어 방법.
제1항에 있어서,
상기 생성하는 단계는,
CNN(Convolutional Neural Network)-LSTM(Long Short-term Memory) 융합 네트워크를 통해 상기 전방 주행 이미지에 대한 특징 맵을 생성하는 단계; 및
상기 특징 맵 및 상기 주행 속도를 이용하여 상기 CNN-LSTM 융합 네트워크를 통해 상기 자율 주행 제어 정보를 생성하는 단계
를 포함하는, 자율 주행 제어 방법.
제3항에 있어서,
상기 특징 맵을 생성하는 단계는,
상기 CNN-LSTM 융합 네트워크를 구성하는 CNN에 상기 전방 주행 이미지를 입력하여 상기 전방 주행 이미지의 특징을 추출하는 단계; 및
상기 CNN-LSTM 융합 네트워크를 구성하는 LSTM에 상기 전방 주행 이미지의 특징을 입력하여 상기 특징 맵을 생성하는 단계
를 포함하는, 자율 주행 제어 방법.
제3항에 있어서,
상기 CNN-LSTM 융합 네트워크를 통해 상기 자율 주행 제어 정보를 생성하는 단계는,
상기 이동체에 대한 과거 주행 이미지에 대응하는 과거 특징 맵이 있는지 여부에 기초하여 상기 자율 주행 제어 정보 생성시 상기 과거 특징 맵을 반영하는 단계
를 포함하는, 자율 주행 제어 방법.
제5항에 있어서,
상기 과거 주행 이미지는 상기 주행 이미지가 촬영된 시간 직전에 촬영된 주행 이미지인, 자율 주행 제어 방법.
상기 제1항에 있어서,
상기 자율 주행 제어 정보는,
상기 이동체의 주행 방향을 제어하기 위한 주행 방향 파라미터 및 상기 이동체의 주행 속도를 제어하기 위한 주행 속도 파라미터를 포함하는, 자율 주행 제어 방법.
제6항에 있어서,
상기 주행 방향 파라미터는 상기 이동체의 스티어링 휠 각도 값인, 자율 주행 제어 방법.
제6항에 있어서,
상기 주행 속도 파라미터는 상기 이동체의 액셀러레이터(accelerator) 값 및 브레이크(break) 값인, 자율 주행 제어 방법.
제1항에 있어서,
상기 자율 주행 제어 정보에 기초하여 상기 이동체의 주행을 제어하는 단계
를 더 포함하는, 자율 주행 제어 방법.
이동체의 자율 주행을 제어하는 장치에 있어서,
인스트럭션들을 포함하는 메모리; 및
상기 인스트럭션들을 실행하기 위한 컨트롤러
를 포함하고,
상기 컨트롤러는,
상기 이동체의 내부 및 외부가 촬영된 주행 이미지를 획득하고, 상기 주행 이미지로부터 상기 이동체의 전방 주행 이미지 및 상기 이동체의 주행 속도를 추출하고, 상기 전방 주행 이미지 및 상기 주행 속도에 기초하여 상기 이동체의 주행을 제어하기 위한 자율 주행 제어 정보를 생성하는, 장치.
제11항에 있어서,
상기 주행 이미지는 상기 주행 이미지가 촬영된 날짜 및 시간에 대한 정보가 포함되거나 매칭되는, 장치.
제11항에 있어서,
상기 컨트롤러는,
CNN(Convolutional Neural Network)-LSTM(Long Short-term Memory) 융합 네트워크를 통해 상기 전방 주행 이미지에 대한 특징 맵을 생성하고, 상기 특징 맵 및 상기 주행 속도를 이용하여 상기 CNN-LSTM 융합 네트워크를 통해 상기 자율 주행 제어 정보를 생성하는, 장치.
제13항에 있어서,
상기 컨트롤러는,
상기 CNN-LSTM 융합 네트워크를 구성하는 CNN에 상기 전방 주행 이미지를 입력하여 상기 전방 주행 이미지의 특징을 추출하고, 상기 CNN-LSTM 융합 네트워크를 구성하는 LSTM에 상기 전방 주행 이미지의 특징을 입력하여 상기 특징 맵을 생성하는, 장치.
제13항에 있어서,
상기 컨트롤러는,
상기 이동체에 대한 과거 주행 이미지에 대응하는 과거 특징 맵이 있는지 여부에 기초하여 상기 자율 주행 제어 정보 생성시 상기 과거 특징 맵을 반영하는, 장치.
제15항에 있어서,
상기 과거 주행 이미지는 상기 주행 이미지가 촬영된 시간 직전에 촬영된 주행 이미지인, 장치.
상기 제11항에 있어서,
상기 자율 주행 제어 정보는,
상기 이동체의 주행 방향을 제어하기 위한 주행 방향 파라미터 및 상기 이동체의 주행 속도를 제어하기 위한 주행 속도 파라미터를 포함하는, 장치.
제16항에 있어서,
상기 주행 방향 파라미터는 상기 이동체의 스티어링 휠 각도 값인, 장치.
제16항에 있어서,
상기 주행 속도 파라미터는 상기 이동체의 액셀러레이터(accelerator) 값 및 브레이크(break) 값인, 장치.
제11항에 있어서,
상기 컨트롤러는,
상기 자율 주행 제어 정보에 기초하여 상기 이동체의 주행을 제어하는, 장치.