KR20210057886A - 차량 충돌 방지 장치 및 그 방법 - Google Patents

차량 충돌 방지 장치 및 그 방법 Download PDF

Info

Publication number
KR20210057886A
KR20210057886A KR1020190144352A KR20190144352A KR20210057886A KR 20210057886 A KR20210057886 A KR 20210057886A KR 1020190144352 A KR1020190144352 A KR 1020190144352A KR 20190144352 A KR20190144352 A KR 20190144352A KR 20210057886 A KR20210057886 A KR 20210057886A
Authority
KR
South Korea
Prior art keywords
vehicle
collision
possibility
image
determining
Prior art date
Application number
KR1020190144352A
Other languages
English (en)
Inventor
김현민
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190144352A priority Critical patent/KR20210057886A/ko
Priority to US16/811,589 priority patent/US11904853B2/en
Publication of KR20210057886A publication Critical patent/KR20210057886A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
    • B60Q9/008—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling for anti-collision purposes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R11/00—Arrangements for holding or mounting articles, not otherwise provided for
    • B60R11/04—Mounting of cameras operative during drive; Arrangement of controls thereof relative 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • B60W30/162—Speed limiting therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/181—Preparing for stopping
    • 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
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • 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
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • 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
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
    • B60R2300/30—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing
    • B60R2300/301—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing combining image information with other obstacle sensor information, e.g. using RADAR/LIDAR/SONAR sensors for estimating risk of collision
    • B60W2050/0077—
    • 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
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B60W2050/0215—Sensor drifts or sensor failures
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/04—Vehicle stop
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2554/402—Type
    • 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
    • B60W2554/4042—Longitudinal speed
    • 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
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/801—Lateral distance
    • 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
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance
    • 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
    • B60W2556/45—External transmission of data to or from 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/08—Predicting or avoiding probable or impending collision
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/14—Cruise control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/18—Propelling the vehicle
    • B60Y2300/18008—Propelling the vehicle related to particular drive situations
    • B60Y2300/18091—Preparing for stopping
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 차량 충돌을 방지하기 위한 장치 및 방법에 관한 것으로, 제1 차량에 탑재된 전자 장치에 의해 차량의 충돌 가능성을 판단하는 방법은 상기 제1 차량의 센서에 의해 촬영된 제1 영상을 획득하는 동작, 통신부를 통해 상기 차량 주변의 적어도 하나의 주변 차량으로부터 적어도 하나의 제2 영상을 획득하는 동작 및 상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단하는 동작을 포함할 수 있으며, 이에 의해 복수의 차량이 각자가 촬영한 영상을 기초로 자신뿐만 아니라 다른 차량의 충돌 가능성을 파악하여 알려줌으로써 사고 가능성을 현저히 낮출 수 있을 것이다.

Description

차량 충돌 방지 장치 및 그 방법{APPARATUS AND METHOD FOR PREVENTING VEHICLE COLLISION}
다양한 실시 예들은 차량 충돌을 방지하기 위한 장치 및 방법에 관한 것이다.
최근 자율 주행 차량에 대한 관심이 높아지고 있다. 세계 각국의 유명 자동차 회사 및 애플도 자율 주행 차량의 도입을 위한 연구 개발을 진행 중이다.
자율 주행 차량은 운전자가 차량을 조작하지 않아도 스스로 주행하는 차량을 말하는 것으로, 차량에 부착된 카메라 및 센서를 통해 주변의 차량 및 도로의 상황을 파악해 자동으로 주행하는 차량일 수 있다.
따라서, 자율 주행 차량에 있어서 눈 또는 귀가 되는 카메라 및 센서의 정상적인 동작은 필수적인 요소이며, 센서의 노후화 또는 카메라의 잘못된 인식을 통해서 주변 차량을 올바르게 파악하지 못하거나 도로 상황을 잘못 파악한다면 사고가 발생할 수 있다.
차량의 센서 또는 카메라의 고장에 의하여 자율 주행 차량이 상황을 잘못 판단할 수 있으며 사고에 이를 수 있다. 따라서 차량의 센서 또는 카메라의 고장 가능성이 있을 때에 이를 파악할 수 있거나 자율 주행이 가능하도록 하기 위한 방법 및 절차가 필요할 수 있다.
본 발명의 다양한 실시 예는 자신의 영상 자료에 기초한 충돌 가능성 판단뿐만 아니라 주변 차량의 영상 자료에 기초한 충돌 가능성을 판단할 수 있는 방법을 제공할 수 있다.
본 발명의 다양한 실시 예는 자신의 영상 자료와 전방 차량을 포함하는 주변 차량의 영상 자료에 기초한 충돌 가능성을 판단할 수 있는 전자 장치를 제공할 수 있다.
본 발명의 다양한 실시 예는 자신의 영상 자료에 기초하여 다른 차량의 충돌 가능성이 있다고 판단하면 해당 차량으로 사고 위험 및 회피 기동 방법을 알려줄 수 있는 방법 및 전자 장치를 제공할 수 있다.
본 문서에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 다양한 실시 예들에 따르면, 제1 차량에 구비되고, 차량의 충돌 가능성을 판단하는 전자 장치는 상기 제1 차량의 주변 정보를 획득하는 입력부, 상기 제1 차량 주변의 적어도 하나의 주변 차량과 통신하는 통신부, 상기 입력부 및 상기 통신부와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 입력부를 통해 제1 영상을 획득하고, 상기 통신부를 통해 상기 적어도 하나의 주변 차량으로부터 적어도 하나의 제2 영상을 획득하고, 상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 차량은 상기 차량의 주변 정보를 획득하는 적어도 하나의 센서, 상기 차량 및/또는 상기 차량 주변의 적어도 하나의 제2 차량의 충돌 가능성을 예측하는 전자 장치 및 브레이크 구동부를 포함하고, 상기 전자 장치는 상기 차량의 주변 정보를 획득하는 입력부, 상기 차량 주변의 주변 차량들과 통신하는 통신부, 상기 입력부 및 상기 통신부와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는 상기 입력부와 연결된 상기 적어도 하나의 센서를 통해 제1 영상을 획득하고, 상기 통신부를 통해 상기 주변 차량들로부터 적어도 하나의 제2 영상을 획득하고, 상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 차량 및/또는 상기 적어도 하나의 제2 차량의 충돌 가능성을 판단하고, 상기 판단 결과에 기초하여 상기 브레이크 구동부를 제어할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 제1 차량에 탑재된 전자 장치에 의해 차량의 충돌 가능성을 판단하는 방법은 상기 제1 차량의 센서에 의해 촬영된 제1 영상을 획득하는 동작, 통신부를 통해 상기 차량 주변의 적어도 하나의 주변 차량으로부터 적어도 하나의 제2 영상을 획득하는 동작 및 상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단하는 동작을 포함할 수 있다.
다양한 실시 예들에 따라, 자신의 영상 자료 및 주변 차량으로부터 오는 영상 자료에 기초하여 충돌 가능성을 파악할 수 있어, 센서 또는 카메라에 이상이 있더라도 미연에 사고를 방지할 수 있을 것이다.
다양한 실시 예들에 따라, 복수의 차량이 각자가 촬영한 영상을 기초로 자신뿐만 아니라 다른 차량의 충돌 가능성을 파악하여 알려줌으로써 사고 가능성을 현저히 낮출 수 있을 것이다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 다양한 실시 예들에 따른 AI 시스템을 도시한 도면이다.
도 2는 다양한 실시 예에 따른 인공지능 기술을 포함하는 AI 서버를 도시한 도면이다.
도 3은 다양한 실시 예에 따른 차량 충돌 가능성을 판단하는 전자 장치를 도시한 도면이다.
도 4는 다양한 실시 예에 따라, 전자 장치의 프로세서 및/또는 러닝 프로세서가 본 개시에서 제안하는 차량 충돌 가능성을 판단하는 방법을 수행하기 위한 기능들을 도시한 블록도이다.
도 5는 제1 차량과 전방에 있는 제2 차량 간의 충돌 가능성을 판단하는 일 예를 도시한 도면이다.
도 6은 주변 차량과 협력하여 제1 차량과 전방에 있는 제2 차량 간의 충돌 가능성을 판단하는 일 예를 도시한 도면이다.
도 7은 교차로에서 주변 차량이 제1 차량과 제2 차량 간의 충돌 가능성을 판단하는 일 예를 도시한 도면이다.
도 8은 교차로에서 주변 차량이 제1 차량과 제2 차량 간의 충돌 가능성을 판단하는 다른 일 예를 도시한 도면이다.
도 9는 주변 차량이 제1 차량과 제2 차량 간의 충돌 가능성을 판단하는 일 예를 도시한 도면이다.
도 10은 다양한 실시 예에 따른, 전자 장치(100)가 자차량의 충돌 가능성을 판단하고 회피 행동을 결정하는 동작을 도시한 흐름도이다.
도 11은 다양한 실시 예에 따른, 전자 장치(100)가 주변 차량의 충돌 가능성을 판단하는 동작을 도시한 흐름도이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 또는 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, '모듈' 또는 '부'는 소프트웨어 구성요소 또는 FPGA(field programmable gate array), ASIC(application specific integrated circuit)과 같은 하드웨어 구성요소를 의미할 수 있으며, '부' 또는 '모듈'은 어떤 역할들을 수행한다. 그렇지만 '부' 또는 '모듈'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부' 또는 '모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부' 또는 '모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함할 수 있다. 구성요소들과 '부' 또는 '모듈'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부' 또는 '모듈'들로 결합되거나 추가적인 구성요소들과 '부' 또는 '모듈'들로 더 분리될 수 있다.
본 발명의 몇몇 실시예들과 관련하여 설명되는 방법 또는 알고리즘의 단계는 프로세서에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM, 또는 당업계에 알려진 임의의 다른 형태의 기록 매체에 상주할 수도 있다. 예시적인 기록 매체는 프로세서에 커플링 되며, 그 프로세서는 기록 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 기록 매체는 프로세서와 일체형일 수도 있다. 프로세서 및 기록 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC은 사용자 단말기 내에 상주할 수도 있다.
본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
도 1은 다양한 실시 예들에 따른 AI 시스템(1)을 도시한 도면이다.
도 1을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)를 통해 연결될 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
다양한 실시 예들에 따라, AI 시스템(1)을 구성하는 각 전자 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 일 실시 예에 따라, 각 전자 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 인공지능 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 인공지능 기술을 포함하는 전자 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)를 통하여 연결되고, 연결된 전자 장치들(100a 내지 100e)의 인공지능 프로세싱의 적어도 일부를 도울 수 있다.
다양한 실시 예들에 따라, AI 서버(200)는 전자 장치들(100a 내지 100e)을 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 전자 장치들(100a 내지 100e)에 전송할 수 있다.
다양한 실시 예들에 따라, AI 서버(200)는 전자 장치들(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 전자 장치들(100a 내지 100e)로 전송할 수 있다.
다른 다양한 실시 예들에 따라, 전자 장치들(100a 내지 100e)은 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
본 발명에서 제안하는 방법 및 장치가 구비될 수 있는 자율 주행 차량(100b)은 인공 지능 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 주행할 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
도 2는 다양한 실시 예에 따른 인공지능 기술을 포함하는 AI 서버(200)를 도시한 도면이다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수도 있다. 일 실시 예에 따라, AI 서버(200)는 전자 장치(100)의 일부 구성으로 포함될 수 있다. 또한, AI 서버(200)는 인공지능 프로세싱 중 적어도 일부를 전자 장치(100)와 함께 수행할 수도 있다. 일 실시 예로, 전자 장치(100)의 컴퓨팅 파워가 부족할 경우 전자 장치(100)는 AI 서버(200)에 인공지능 프로세싱 중 적어도 일부 또는 전부를 수행하도록 요청할 수 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260)를 포함할 수 있다.
통신부(210)는 전자 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다. 일실시 예에 따라 통신부(210)는 클라우드 네트워크(10)를 통해 외부 장치와 데이터를 송수신할 수 있거나, 다른 실시 예에 따라 통신부(210)는 외부 장치와 직접 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킨 학습 모델을 생성할 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, 전자 장치(100)와 같은 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 다양한 실시 예에 따른 차량 충돌 가능성을 판단하는 전자 장치(100)를 도시한 도면이다.
전자 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰(100d), 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(settop box, STB), DMB(digital multimedia broadcasting) 수신기, 라디오, 세탁기, 냉장고, 디지털 사이니지(digital signage), 로봇, 차량, XR 장치를 포함하는 고정형 기기 또는 이동 가능한 기기일 수 있다. 또는 전자 장치(100)는 상술한 고정형 기기 또는 이동 가능한 기기에 구비되어 부여된 기능을 수행하기 위한 하나의 부속품, 칩, 모듈, ECU(electronic control unit)일 수 있다. 인공지능 기술을 포함하는 전자 장치(100)는 AI 장치로도 칭해질 수 있다.
도 3을 참조하면, 인공지능 기술을 포함하는 전자 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(160) 및 프로세서(180)를 포함할 수 있다.
다양한 실시 예들에 따르면, 통신부(110)는 유무선 통신 기술을 이용하여 다른 인공지능 기능을 포함하는 전자 장치나 AI 서버(200)와 같은 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G (fifth generation communication), WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), DSRC(dedicated short range communication), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication)을 포함하는 무선 통신 기술 또는 LAN(local area network), WAN(wide area network), MAN(metropolitan area network), 이더넷을 포함하는 유선 통신 기술을 이용할 수 있다.
다양한 실시 예들에 따르면, 입력부(120)는 다양한 종류의 데이터를 획득할 수 있다. 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부를 포함할 수 있다. 여기서, 카메라나 마이크로폰은 일종의 센서로 취급할 수 있고, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다. 따라서, 카메라나 마이크로폰은 센싱부(140)에 포함될 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징 점(input feature)을 추출할 수 있다.
다양한 실시 예들에 따르면, 러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델들(161a, 161b)을 학습시킬 수 있다. 일 실시 예에 따라, 러닝 프로세서(130)는 복수의 인공 신경망으로 구성된 모델들(161a, 161b)을 학습시킬 수 있는데, 이 경우, 각 모델을 위한 학습 데이터는 각 모델의 목적에 따라 상이할 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다. 일 실시 예에 따라, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 인공지능 프로세싱을 수행할 수 있다.
러닝 프로세서(130)는 전자 장치(100)의 프로세서(180)와 통합되어 구현될 수 있다. 또한, 러닝 프로세서(130)에서 실행되는 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(160), 전자 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리에 저장되어 있을 수 있다. 러닝 프로세서(130)는 해당 명령어를 메모리로부터 읽어 들여 실행함으로써 인공지능 프로세싱 프로그램을 실현할 수 있다.
다양한 실시 예들에 따르면, 센싱부(140)는 다양한 센서들을 이용하여 전자 장치(100) 내부 정보, 전자 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 카메라, 라이다, 레이더, 압력 센서, 힘(force) 센서 등을 포함할 수 있다.
다양한 실시 예들에 따르면, 출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(150)는 시각 정보를 출력하는 디스플레이, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등을 포함할 수 있다.
다양한 실시 예들에 따르면, 메모리(160)는 전자 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(160)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리, 러닝 프로세서(130)를 위한 명령어, 프로세서(180)를 위한 명령어, 러닝 프로세서(130)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망) 등을 저장할 수 있다.
다양한 실시 예들에 따르면, 프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, 전자 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 전자 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 프로세서(180)가 실행 시에 사용하는 프로그램은 메모리(160)에 저장되어 있을 수 있다.
프로세서(180)는 러닝 프로세서(130) 또는 메모리(160)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 전자 장치(100)의 구성 요소들을 제어할 수 있다.
프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치와의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
일 실시 예로, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다. STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 전자 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(160) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(160)에 저장된 응용 프로그램을 구동하기 위하여, 전자 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 또한, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, 전자 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작 시킬 수 있다.
도 4는 다양한 실시 예에 따라, 전자 장치(100)의 프로세서(180) 및/또는 러닝 프로세서(130)가 본 개시에서 제안하는 차량 충돌 가능성을 판단하는 방법을 수행하기 위한 기능들을 도시한 블록도이다. 도 4의 블록도는 전자 장치(100)가 차량 간의 충돌을 분석하기 위해 필요한 소프트웨어 구성요소들을 간략히 도시한 일 예이며, 일 실시 예에 따라 일부 구성요소들은 생략될 수 있으며, 다른 실시 예에 따라 미 도시된 다른 구성요소들이 더 추가될 수 있다. 또한, 몇 개의 구성요소들은 서로 통합될 수 있으며, 또는 하나의 구성요소들이 분할되어 복수의 구성요소로 구현될 수도 있다. 도 4에 도시한 각 구성요소들은 별도의 프로그램으로 구현되거나 또는 일부의 구성요소는 서로 밀접하게 연관되어 하나의 프로그램으로 구현될 수 있다.
도 4를 참조하면, 전자 장치(100)의 프로세서(180) 및/또는 러닝 프로세서(130)는 인터페이스부(410), 충돌 분석부(420) 및 제어부(430)의 기능을 수행할 수 있다.
다양한 실시 예들에 따르면, 인터페이스부(410)는 충돌 분석을 위해 필요한 영상 자료를 포함하는 센싱 데이터를 획득할 수 있다. 인터페이스부(410)는 입력부(120)의 카메라를 통해 획득한 영상 신호를 직접 수신하거나 또는 입력부(120)에 의해 메모리(160)에 저장된 영상 신호를 읽어 들임으로써 충돌 분석을 위해 필요한 영상 자료를 획득할 수 있다. 또한, 인터페이스부(410)는 센싱부(140)에 포함된 센서에 의해 검출된 추가적인 센싱 데이터를 획득할 수 있다. 센싱 데이터는 전방 차량까지의 거리 정보 등을 포함할 수 있다. 또한, 인터페이스부(410)는 통신부(110)를 통해 주변의 차량으로부터 영상 정보를 획득할 수 있다. 일실시 예에 따라, 인터페이스부(410)는 주변 차량으로부터 주기적으로 영상 정보를 획득할 수 있다. 다른 일실시 예에 따라, 인터페이스부(410)는 주변 차량의 판단 결과 차량 충돌 가능성이 있다고 판단되는 경우에 주변 차량이 전송한 충돌 가능성 판단 정보 및 영상 정보를 획득할 수 있다.
인터페이스부(410)는 입력부(120)의 카메라를 통해 획득한 영상을 통신부(110)를 통해 주변의 차량으로 영상 정보를 전달할 수 있다. 일실시 예에 따라, 인터페이스부(410)는 주변의 차량으로 주기적으로 영상 정보를 전달할 수 있다. 다른 일실시 예에 따라, 인터페이스부(410)는 충돌 분석부(420)의 판단 결과, 주변 차량의 충돌 가능성이 있다고 판단되는 경우에 해당 주변 차당으로 충돌 가능성 판단 정보와 영상 정보를 전달할 수 있다.
인터페이스부(410)는 사용자에게 자차량의 충돌 가능성에 대한 판단 결과를 알려줄 수 있다. 일실시 예에 따라 인터페이스부(410)는 충돌 가능성이 있다고 판단하여, 제어부(430)에 의해 차량의 속도를 줄이거나 차량을 멈추게 되는 경우, 해당 결과를 출력부(150)를 통해 시각, 청각 또는 촉각 정보로 출력할 수 있다.
다양한 실시 예들에 따르면, 충돌 분석부(420)는 인터페이스부(410)를 통해 획득한 영상 자료에 기초하여 충돌 가능성을 판단할 수 있다. 충돌 분석부(420)는 자차량의 충돌 가능성 및 주변 차량의 충돌 가능성을 판단할 수 있다.
충돌 분석부(420)는 인터페이스부(410)를 통해 획득한 영상 자료에 기초하여 자차량의 충돌 가능성을 판단할 수 있다. 충돌 분석부(420)는 영상 자료에 기초하여 자차량과 충돌 가능성이 있는 차량(예: 전방 차량) 사이의 거리, 자차량과 충돌 가능성이 있는 차량의 속도 또는 상대 속도, 차량의 종류, 차량의 상태(예: 직진, 좌회전, 우회전)를 획득할 수 있다. 일실시 예에 따라 충돌 분석부(420)는 자차량의 입력부(120)의 카메라에 의해서 촬영된 영상에 기초하여 충돌 가능성이 있는 차량까지의 거리, 차량의 속도 또는 상대 속도, 차량의 종류 및 차량의 상태를 획득할 수 있다. 충돌 분석부(420)는 상술한 정보를 획득하기 위하여 영상 자료 외에도 센싱 데이터를 추가적으로 이용할 수 있다. 다른 일실시 예에 따라 충돌 분석부(420)는 통신부(110)를 통해 주변 차량으로부터 수신한 영상 정보를 기초로 충돌 가능성이 있는 차량까지의 거리, 차량의 속도 또는 상대 속도, 차량의 종류 및 차량의 상태를 획득할 수 있다.
충돌 분석부(420)는 획득한 자차량과 충돌 가능성이 있는 차량까지의 거리, 차량의 속도 또는 상대 속도, 차량의 종류 및 차량의 상태에 기초하여 자차량의 충돌 가능성을 판단할 수 있다. 일실시 예에 따라 충돌 분석부(420)는 충돌 가능성이 있는 차량까지의 거리, 차량의 속도 또는 상대 속도, 차량의 종류 및 차량의 상태를 입력으로 하고, 충돌 가능성을 출력으로 하는 학습된 인공 신경망 모델을 이용하여 충돌 가능성을 판단할 수 있다. 학습된 인공 신경망 모델은 차량과 차량 간 거리, 두 차량의 속도 또는 상대 속도, 차량의 종류, 차량의 상태 및 충돌이 발생하였는 지를 나타내는 레이블 정보를 이용한 지도 학습에 기초하여 학습된 인공 신경망 모델일 수 있다. 따라서, 학습된 인공 신경망 모델은 차량과 차량 간 거리, 두 차량의 속도 또는 상대 속도, 차량의 종류 및 차량의 상태가 입력되는 경우 두 차량 간의 충돌 가능성을 판단할 수 있다.
일실시 예에 따라 학습된 인공 신경망 모델은 도 3에 도시된 것처럼 전자 장치(100)의 메모리(160)에 저장되어, 충돌 분석부(420)에 의해 사용될 수 있다. 다른 일실시 예에 따라, 학습된 인공 신경망 모델은 도 2에 도시된 것처럼 AI 서버(200)에서 실행될 수 있고, 충돌 분석부(420)는 자차량과 전방 차량 간 거리, 자차량과 전방 차량의 속도 또는 상대 속도 및 차량의 종류를 통신부(110)를 통해 AI 서버(200)로 전달하고, AI 서버(200)로부터 판단 결과를 획득할 수 있다. 학습된 인공 신경망 모델이 AI 서버(200)에서 실행되는 경우, 실시간으로 충돌 가능성을 판단하여야 하기 때문에 전자 장치(100)와 AI 서버(200) 간의 통신은 가능한 한 짧은 시간 내에 이루어질 필요가 있다.
충돌 분석부(420)는 추가적으로 충돌 가능성이 있는 차량의 동작을 예측할 수 있다. 예를 들면, 충돌 분석부(420)는 영상 자료 및/또는 센싱 데이터에 기초하여 충돌 가능성이 있는 차량이 멈출 것인지, 속도를 줄일 것인지 아니면 회피 기동을 할 것인지를 예측할 수 있다. 충돌 분석부(420)는 이러한 예측을 위하여 별도의 미리 학습된 인공 신경망 모델을 더 포함하고 있을 수 있다.
충돌 분석부(420)는 판단 결과 충돌이 예상되는 경우, 자차량의 행동을 어떻게 할 것인지를 결정할 수 있다. 예를 들면, 충돌 분석부(420)는 차량을 멈출 것인지, 속도를 줄일 것인지, 아니면 회피 기동을 할 것인지를 결정할 수 있다. 일실시 예에 따라, 충돌 분석부(420)는 예측한 충돌 가능성이 있는 상대방 차량의 동작을 참고하여 자차량의 행동을 결정할 수 있다.
충돌 분석부(420)는 충돌 예상 시의 행동 결정을 위하여 별도의 미리 학습된 인공 신경망 모델을 더 포함하고 있을 수 있다. 또는 충돌 분석부(420)는 상술한 충돌 가능성 여부를 판단하는 인공 신경망 모델과 결합하여 충돌 가능성 여부를 판단하면서 동시에 충돌이 예상되는 경우의 자차량의 행동을 결정하는 미리 학습된 인공 신경망 모델을 포함하고 있을 수 있다.
다양한 실시 예들에 따르면, 충돌 분석부(420)는 인터페이스부(410)에서 획득한 주변 차량 관련 영상 자료에 기초하여 주변 차량의 충돌 가능성을 판단할 수 있다. 여기서 영상 자료는 입력부(120)의 카메라를 통해 획득한 영상 자료일 수 있고, 또는 통신부(110)를 통해 주변 차량으로부터 수신한 영상 자료일 수 있다.
일실시 예에 따라 충돌 분석부(420)는 입력부(120)의 카메라를 통해 획득한 영상 자료에서 주변 차량과 해당 주변 차량의 전방 차량 간 거리, 주변 차량과 해당 전방 차량의 속도 또는 상대 속도 및 해당 차량의 종류를 획득할 수 있다. 여기서 해당 주변 차량의 전방 차량은 자차량이거나 또는 다른 차량일 수 있다. 충돌 분석부(420)는 획득한 주변 차량과 해당 주변 차량의 전방 차량 간 거리, 주변 차량과 해당 전방 차량의 속도 또는 상대 속도 및 해당 차량의 종류를 미리 학습된 인공 신경망 모델에 입력하고 충돌 가능성을 판단할 수 있다.
다른 일실시 예에 따라, 충돌 분석부(420)는 통신부(110)를 통해 주변 차량으로부터 수신한 영상 자료에서 주변 차량과 해당 주변 차량의 전방 차량 간 거리, 주변 차량과 해당 전방 차량의 속도 또는 상대 속도 및 해당 차량의 종류를 획득할 수 있다. 여기서 해당 주변 차량의 전방 차량은 자차량이거나 또는 다른 차량일 수 있다. 충돌 분석부(420)는 획득한 주변 차량과 해당 주변 차량의 전방 차량 간 거리, 주변 차량과 해당 전방 차량의 속도 또는 상대 속도 및 해당 차량의 종류를 미리 학습된 인공 신경망 모델에 입력하고 충돌 가능성을 판단할 수 있다.
충돌 분석부(420)가 주변 차량으로부터 수신한 영상 자료에 기초하여 충돌 가능성을 분석하는 것은 주변 차량의 요청에 의하여 수행하거나 또는 주기적으로 수행할 수 있다. 예를 들면, 주변 차량은 자신의 충돌 가능성 판단 결과를 확인하기 위하여 충돌 가능성 판단을 요청할 수 있고, 이 경우에만 충돌 분석부(420)는 해당 주변 차량으로부터 수신한 영상을 기초로 해당 주변 차량의 충돌 가능성을 판단할 수 있다.
다양한 실시 예들에 따르면, 제어부(430)는 충돌 분석부(420)의 판단 결과에 기초하여 자차량의 브레이크 및/또는 엑셀레이터를 제어하여 자차량의 속도를 줄이거나 자차량을 멈추도록 제어할 수 있다. 추가적으로 제어부(430)는 주변 차량으로부터 수신한 충돌 가능성 판단 정보에 기초하여 자차량의 브레이크 및/또는 엑셀레이터를 제어하여 자차량의 속도를 줄이거나 자차량을 멈추도록 제어할 수 있다. 일실시 예에 따라, 제어부(430)는 주변 차량으로부터 수신한 충돌 가능성 판단 정보에 기초하여 자차량의 속도를 우선 줄이고, 이후 충돌 분석부(420)의 판단 결과에 기초하여 자차량을 멈추도록 제어할 수 있다.
도 5는 제1 차량(510)과 전방에 있는 제2 차량(520) 간의 충돌 가능성을 판단하는 일 예를 도시한 도면이다.
도 5를 참조하면, 제1 차량(510)의 전자 장치(100)는 입력부(120)의 카메라를 이용하여 전방에 있는 제2 차량(520)을 포함하는 영상을 획득할 수 있다. 제1 차량(510)의 전자 장치(100)는 해당 영상에 기초하여 제2 차량(520)과의 충돌 가능성을 판단할 수 있다.
다른 일실시 예에 따라, 제1 차량(510)의 전자 장치(100)는 통신부(110)를 통해 제2 차량(520)으로 입력부(120)의 카메라가 촬영한 영상을 전달할 수 있다. 제2 차량(520)의 전자 장치(100)는 해당 영상을 기초로 영상을 전송한 제1 차량(510)과 자신의 제2 차량(520) 간의 충돌 가능성을 판단하고, 판단 결과를 제1 차량(510)의 전자 장치(100)로 전달할 수 있다. 일실시 예에 따라 제2 차량(520)의 전자 장치(100)는 충돌 가능성이 있다고 판단하면 충돌 가능성이 있음을 나타내는 신호와 분석에 사용한 영상을 제1 차량(510)의 전자 장치(100)로 전달하고, 충돌 가능성이 없다고 판단하면 아무 신호도 전송하지 않을 수 있다. 제1 차량(510)의 전자 장치(100)는 제2 차량(520)의 충돌 가능성이 있다는 판단 결과와 함께 수신한 영상에 기초하여 충돌 가능성을 다시 판단할 수 있다.
다른 일실시 예에 따라, 제1 차량(510)의 전자 장치(100)는 통신부(110)를 통해 제2 차량(520)의 전자 장치(100)의 입력부(120)의 카메라가 촬영한 제1 차량(510)을 포함하는 영상을 수신할 수 있다. 추가적으로 제1 차량(510)의 전자 장치(100)는 제2 차량(520)의 전자 장치(100)가 해당 영상을 기초로 수신한 충돌 가능성 판단 결과를 함께 수신할 수도 있다. 제1 차량(510)의 전자 장치(100)는 일실시 예에 따라 충돌 가능성이 있음을 나타내는 신호를 수신하는 경우, 또는 다른 일실시 예에 따라 주기적으로, 제2 차량(520)으로부터 수신한 영상을 기초로 충돌 가능성을 판단할 수 있다.
도 6은 주변 차량(630, 640)과 협력하여 제1 차량(610)과 전방에 있는 제2 차량(620) 간의 충돌 가능성을 판단하는 일 예를 도시한 도면이다.
도 6를 참조하면, 제1 차량(610)의 전자 장치(100)는 입력부(120)의 카메라를 이용하여 전방에 있는 제2 차량(620)을 포함하는 영상을 획득할 수 있다. 제1 차량(610)의 전자 장치(100)는 해당 영상에 기초하여 제2 차량(620)과의 충돌 가능성을 판단할 수 있다.
다른 일실시 예에 따라, 제1 차량(610)의 전자 장치(100)는 입력부(120)의 카메라를 이용하여 획득한 전방에 있는 제2 차량(620)을 포함하는 영상을 통신부(110)를 통해 주변 차량(630, 640)으로 송신할 수 있다. 주변 차량(630, 640)의 전자 장치(100)는 수신한 영상을 기초로 제1 차량(610)과 제2 차량(620) 간의 충돌 가능성을 판단하고, 판단 결과를 제1 차량(610)의 전자 장치(100)로 전달할 수 있다. 일실시 예에 따라 주변 차량(630, 640)의 전자 장치(100)는 충돌 가능성이 있다고 판단하면 충돌 가능성이 있음을 나타내는 신호와 분석에 사용한 영상을 제1 차량(610)의 전자 장치(100)로 전달하고, 충돌 가능성이 없다고 판단하면 아무 신호도 전송하지 않을 수 있다. 제1 차량(610)의 전자 장치(100)는 주변 차량(630, 640)의 충돌 가능성이 있다는 판단 결과에 함께 수신한 영상에 기초하여 충돌 가능성을 다시 판단할 수 있다.
다른 일실시 예에 따라, 제1 차량(610)의 전자 장치(100)는 통신부(110)를 통해 주변 차량(630, 640)의 전자 장치(100)의 입력부(120)의 카메라가 촬영한 제1 차량(610) 및 제2 차량(620)을 포함하는 영상을 수신할 수 있다. 추가적으로 제1 차량(610)의 전자 장치(100)는 주변 차량(630, 640)의 전자 장치(100)가 해당 영상을 기초로 수신한 충돌 가능성 판단 결과를 함께 수신할 수도 있다. 제1 차량(610)의 전자 장치(100)는 일실시 예에 따라 충돌 가능성이 있음을 나타내는 신호를 수신하는 경우, 또는 다른 일실시 예에 따라 주기적으로, 주변 차량(630, 640)으로부터 수신한 영상을 기초로 충돌 가능성을 판단할 수 있다.
도 7은 교차로에서 주변 차량(730)이 제1 차량(710)과 제2 차량(720) 간의 충돌 가능성을 판단하는 일 예를 도시한 도면이다.
도 7를 참조하면, 교차로에서 제1 차량(710)은 좌회전을 하고자하고 제2 차량(720)은 직진을 하고자 할 수 있다. 제1 차량(710)은 제2 차량(720)을 감지할 수 없고, 제2 차량(720)은 제1 차량(710)을 감지할 수 없다. 주변 차량(730)은 제1 차량(710)과 제2 차량(720)을 포함하는 영상을 획득할 수 있고, 획득한 영상에 기초하여 제1 차량(710)과 제2 차량(720)의 충돌 가능성이 있음을 판단할 수 있다. 주변 차량(730)은 충돌 가능성이 있다는 판단에 기초하여 제1 차량(710)에 제2 차량(720)을 포함하는 영상을 제공하면서 충돌 가능성이 있음을 알려줄 수 있다. 또한 주변 차량(730)은 제2 차량(720)에 제1 차량(710)을 포함하는 영상을 제공하면서 충돌 가능성이 있음을 알려줄 수 있다. 추가적으로, 주변 차량(730)은 제1 차량(710)과 제2 차량(720)에 충돌 가능성이 있는 상대 차의 속도, 상대 차와의 거리, 상대 차의 이동 방향 정보를 영상과 함께 제공할 수 있다. 예를 들면, 주변 차량(730)은 전자 장치(100)의 통신부(110)를 통해 제1 차량(710)에 상대 차의 속도는 40km/s이고, 상대 차와의 거리는 20M이고, 상대 차의 이동 방향은 직진임을 알리는 정보를 제공할 수 있다. 또한, 주변 차량(730)은 전자 장치(100)의 통신부(110)를 통해 제2 차량(720)에 상대 차의 속도는 30km/s이고, 상대 차와의 거리는 20M이고, 상대 차의 이동 방향은 좌회전임을 알리는 정보를 제공할 수 있다.
제1 차량(710) 및 제2 차량(720)은 주변 차량(730)으로부터 수신한 충돌 가능성이 있음을 나타내는 신호와 영상에 기초하여 전자 장치(100)의 충돌 분석부(420)에서 충돌 가능성을 분석하고, 분석 결과에 기초하여 각각 속도를 줄이거나 멈출 수 있다.
도 8은 교차로에서 주변 차량(830)이 제1 차량(810)과 제2 차량(820) 간의 충돌 가능성을 판단하는 다른 일 예를 도시한 도면이다.
도 8을 참조하면, 교차로에서 동일 차선에 있는 제1 차량(810)은 좌회전을 하고자하고 제2 차량(820)은 직진을 하고자 할 수 있다. 주변 차량(830)은 제1 차량(810)과 제2 차량(820)을 포함하는 영상을 획득할 수 있고, 획득한 영상에 기초하여 제1 차량(810)과 제2 차량(820)의 충돌 가능성이 있음을 판단할 수 있다. 주변 차량(830)은 충돌 가능성이 있다는 판단에 기초하여 제1 차량(810)에 제2 차량(820)을 포함하는 영상을 제공하면서 충돌 가능성이 있음을 알려줄 수 있다. 또한 주변 차량(830)은 제2 차량(820)에 제1 차량(810)을 포함하는 영상을 제공하면서 충돌 가능성이 있음을 알려줄 수 있다. 추가적으로, 주변 차량(830)은 제1 차량(810)과 제2 차량(820)에 충돌 가능성이 있는 상대 차의 속도, 상대 차와의 거리, 상대 차의 이동 방향 정보 및 충돌을 회피하기 위한 기동 방안을 영상과 함께 제공할 수 있다. 예를 들면, 주변 차량(830)은 전자 장치(100)의 통신부(110)를 통해 제1 차량(810)에 상대 차의 속도는 40km/s이고, 상대 차와의 거리는 20M이고, 상대 차의 이동 방향은 직진이며, 충돌을 회피하기 위해 빠르게 좌회전을 진행하는 것이 좋을 것이라는 정보를 제공할 수 있다. 또한, 주변 차량(830)은 전자 장치(100)의 통신부(110)를 통해 제2 차량(820)에 상대 차의 속도는 35km/s이고, 상대 차와의 거리는 20M이고, 상대 차의 이동 방향은 좌회전이며, 충돌을 회피하기 위해 속도를 줄이는 것이 좋을 것이라는 정보를 제공할 수 있다.
제1 차량(810) 및 제2 차량(820)은 주변 차량(830)으로부터 수신한 상대 차와 관련된 정보에 기초하여 주변 차량(830)이 제공한 기동 방안에 따라 회피 기동을 시도하거나 또는 수신한 영상에 기초하여 전자 장치(100)의 충돌 분석부(420)에서 충돌 가능성을 분석하고, 분석 결과에 기초하여 충돌을 회피하기 위한 기동을 수행할 수 있다.
도 9는 주변 차량(930)이 제1 차량(910)과 제2 차량(920) 간의 충돌 가능성을 판단하는 일 예를 도시한 도면이다.
도 9를 참조하면, 1차선에 있는 제1 차량(910)이 제2 차량(920)이 있는 2 차선으로 차선 변경을 하고자 할 수 있다. 주변 차량(930)은 제1 차량(910)과 제2 차량(920)을 포함하는 영상을 획득할 수 있고, 획득한 영상에 기초하여 제1 차량(910)과 제2 차량(920)의 충돌 가능성이 있음을 판단할 수 있다. 주변 차량(930)은 충돌 가능성이 있다는 판단에 기초하여 제1 차량(910)에 제2 차량(920)을 포함하는 영상을 제공하면서 충돌 가능성이 있음을 알려줄 수 있다. 또한 주변 차량(930)은 제2 차량(920)에 제1 차량(910)을 포함하는 영상을 제공하면서 충돌 가능성이 있음을 알려줄 수 있다. 추가적으로, 주변 차량(930)은 제1 차량(910)과 제2 차량(920)에 충돌 가능성이 있는 상대 차의 속도, 상대 차와의 거리, 상대 차의 이동 방향 정보 및 충돌을 회피하기 위한 기동 방안을 영상과 함께 제공할 수 있다. 예를 들면, 주변 차량(930)은 전자 장치(100)의 통신부(110)를 통해 제1 차량(910)에 상대 차의 속도는 35km/s이고, 상대 차와의 거리는 5M이고, 상대 차의 이동 방향은 직진이며, 충돌을 회피하기 위해서는 차선 변경을 하지 말고 일단 대기하는 것이 좋을 것이라는 정보를 제공할 수 있다. 또한, 주변 차량(930)은 전자 장치(100)의 통신부(110)를 통해 제2 차량(920)에 상대 차의 속도는 45km/s이고, 상대 차와의 거리는 5M이고, 상대 차의 이동 방향은 차선 변경이며, 충돌을 회피하기 위해 속도를 줄이는 것이 좋을 것이라는 정보를 제공할 수 있다.
제1 차량(910) 및 제2 차량(920)은 주변 차량(930)으로부터 수신한 상대 차와 관련된 정보에 기초하여 주변 차량(930)이 제공한 기동 방안에 따라 회피 기동을 시도하거나 또는 수신한 영상에 기초하여 전자 장치(100)의 충돌 분석부(420)에서 충돌 가능성을 분석하고, 분석 결과에 기초하여 충돌을 회피하기 위한 기동을 수행할 수 있다.
상술한 바와 같이 전자 장치(100)는 자차량의 타차량과의 충돌을 방지하기 위하여 자신의 입력부(120)의 영상에 기초한 판단에 더하여 주변 차량에서 촬영한 영상을 기초로 추가적으로 판단함으로써 사고가 발생하는 것을 현저히 줄일 수 있다.
다양한 실시 예들에 따르면, 충돌 분석부(420)에 의하여 충돌 가능성이 없다고 판단하였지만 주변 차량에 의하여 충돌 가능성이 있다고 판단하는 신호를 수신한 경우, 전자 장치(100)는 영상을 촬영하는 카메라를 포함하는 차량의 센서 및/또는 충돌 가능성을 판단하는 알고리즘에 문제가 있다고 판단하고, 점검을 수행하도록 할 수 있다.
다양한 실시 예들에 따르면, 제1 차량에 구비되고, 차량의 충돌 가능성을 판단하는 전자 장치(예: 도 3의 전자 장치(100))는 상기 제1 차량의 주변 정보를 획득하는 입력부(예: 도 3의 입력부(120)), 상기 제1 차량 주변의 적어도 하나의 주변 차량과 통신하는 통신부(예: 도 3의 통신부(110)), 상기 입력부 및 상기 통신부와 작동적으로 연결되는 적어도 하나의 프로세서(예: 도 3의 프로세서(180), 러닝 프로세서(130))를 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 상기 입력부를 통해 제1 영상을 획득하고, 상기 통신부를 통해 상기 적어도 하나의 주변 차량으로부터 적어도 하나의 제2 영상을 획득하고, 상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 상기 제1 영상에 기초하여 상기 제1 차량의 충돌 가능성을 판단(이하 제1 판단)하고, 상기 적어도 하나의 제2 영상에 기초하여 상기 제1 차량의 충돌 가능성을 판단(이하 제2 판단)하고, 상기 제1 판단 및 상기 제2 판단 중 적어도 하나에 의하여 충돌 가능성이 있다고 판단한 경우 상기 제1 차량의 충돌 가능성이 있다고 판단할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 상기 제1 차량의 충돌 가능성이 있다고 판단하는 경우, 충돌을 회피하기 위한 회피 행동을 결정하되, 상기 회피 행동은 상기 차량의 속도 줄임 및 상기 차량의 멈춤을 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 상기 제1 차량의 충돌 가능성이 있다고 판단하는 경우, 충돌 가능성 있는 상대 차량의 회피 행동을 예측하고, 상기 상대 차량의 회피 행동에 기초하여 상기 충돌을 회피하기 위한 회피 행동을 결정할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 상기 제1 영상 또는 상기 적어도 하나의 제2 영상에 기초하여 적어도 하나의 제2 차량의 충돌 가능성을 추가적으로 판단하고, 상기 적어도 하나의 제2 차량이 충돌 가능성이 있다고 판단하는 경우, 상기 통신부를 통해 상기 적어도 하나의 제2 차량으로 충돌 가능성이 있음을 나타내는 신호를 전송할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 상기 적어도 하나의 제2 차량이 충돌 가능성이 있다고 판단하는 경우, 상기 적어도 하나의 제2 차량의 충돌을 회피하기 위한 회피 행동을 결정하고, 상기 통신부를 통해 상기 적어도 하나의 제2 차량으로 상기 결정된 회피 행동을 전송할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 충돌 가능성을 검출하도록 미리 학습된 인공 신경망 모델을 이용하여 상기 제1 차량의 충돌 가능성 및/또는 상기 적어도 하나의 제2 차량의 충돌 가능성을 판단할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 상기 제1 영상 및/또는 상기 적어도 하나의 제2 영상에 기초하여 차량 간의 거리, 차량의 속도, 차량의 종류를 결정하고, 상기 차량 간의 거리, 차량의 속도, 차량의 종류를 상기 미리 학습된 인공 신경망 모델의 입력으로 하여 상기 제1 차량의 충돌 가능성 및/또는 상기 적어도 하나의 제2 차량의 충돌 가능성을 판단할 수 있다.
다양한 실시 예들에 따르면, 상기 통신부는 근거리 통신(dedicated short range communication), LTE 또는 5G 통신 방식 중 적어도 하나를 사용할 수 있다.
다양한 실시 예들에 따르면, 차량은 상기 차량의 주변 정보를 획득하는 적어도 하나의 센서, 상기 차량 및/또는 상기 차량 주변의 적어도 하나의 제2 차량의 충돌 가능성을 예측하는 전자 장치 및 브레이크 구동부를 포함하고, 상기 전자 장치는 상기 차량의 주변 정보를 획득하는 입력부, 상기 차량 주변의 주변 차량들과 통신하는 통신부, 상기 입력부 및 상기 통신부와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는 상기 입력부와 연결된 상기 적어도 하나의 센서를 통해 제1 영상을 획득하고, 상기 통신부를 통해 상기 주변 차량들로부터 적어도 하나의 제2 영상을 획득하고, 상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 차량 및/또는 상기 적어도 하나의 제2 차량의 충돌 가능성을 판단하고, 상기 판단 결과에 기초하여 상기 브레이크 구동부를 제어할 수 있다.
도 10은 다양한 실시 예에 따른, 전자 장치(100)가 자차량의 충돌 가능성을 판단하고 회피 행동을 결정하는 동작을 도시한 흐름도이다. 도 10에 도시된 흐름도에 따른 동작은 전자 장치(예: 도 3의 전자 장치(100)) 또는 전자 장치의 적어도 하나의 프로세서(예: 도 3의 프로세서(180), 러닝 프로세서(130))에 의해 실현될 수 있다.
도 10을 참조하면, 동작 1001에서, 전자 장치(100)는 입력부(120)를 통해 영상 정보 및/또는 센싱 데이터를 획득할 수 있다. 영상 정보에는 자차량 주변에 있는 주변 차량을 포함할 수 있다.
다양한 실시 예들에 따르면, 동작 1003에서, 전자 장치(100)는 획득한 영상 정보 및/또는 센싱 데이터에 기초하여 주변 차량과의 충돌 가능성을 판단할 수 있다. 일실시 예에 따라 전자 장치(100)는 차량 간의 충돌 가능성을 판단하도록 미리 학습된 인공 신경망 모델을 사용하여 충돌 가능성을 판단할 수 있다. 미리 학습된 인공 신경망 모델은 차량과 차량 간 거리, 두 차량의 속도 또는 상대 속도, 차량의 종류, 차량의 상태 및 충돌이 발생하였는 지를 나타내는 레이블 정보를 이용한 지도 학습에 기초하여 학습된 인공 신경망 모델일 수 있다. 따라서, 학습된 인공 신경망 모델은 차량과 차량 간 거리, 두 차량의 속도 또는 상대 속도, 차량의 종류 및 차량의 상태가 입력되는 경우 두 차량 간의 충돌 가능성을 판단할 수 있다. 여기서 차량의 상태는 상대방 차량이 직진하는 상태인지, 좌회전하는 상태인지 아니면 우회전하는 상태인지를 나타낼 수 있다. 전자 장치(100)는 동작 1001에서 획득한 영상 정보 및/또는 센싱 데이터에 기초하여 미리 학습된 인공 신경망 모델의 입력으로 사용될 충돌 가능성이 있는 차량까지의 거리, 차량의 속도 또는 상대 속도, 차량의 종류 및 차량의 상태를 획득할 수 있다. 그리고, 상술 정보를 미리 학습된 인공 신경망 모델에 입력하고, 결과로서 충돌 가능성을 판단 결과를 획득할 수 있다.
다양한 실시 예들에 따르면, 동작1005에서, 전자 장치(100)는 충돌 가능성이 있다고 판단한 경우(1005-예) 동작 1013으로 진행하여 회피 행동을 결정할 수 있다. 또한 전자 장치(100)는 충돌 가능성이 없다고 판단하는 경우(1005-아니오)에는 동작 1007로 진행하여 주변 차량으로부터 충돌 가능성을 수신하였는 지를 판단할 수 있다.
다양한 실시 예들에 따르면, 동작 1007에서, 전자 장치(100)는 주변 차량으로부터 충돌 가능성을 수신하였는 지를 판단하고, 판단 결과 충돌 가능성을 수신하지 않았다면(1007-아니오), 동작 1001로 진행한다. 판단 결과 충돌 가능성이 있다고 나타내는 정보를 수신하였다면(1007-예), 전자 장치(100)는 동작 1009로 진행하여 주변 차량으로부터 수신한 영상에 기초하여 충돌 가능성을 판단할 수 있다.
동작 1009에서, 전자 장치(100)는 주변 차량으로부터 수신한 영상에 기초하여 충돌 가능성이 있는 차량까지의 거리, 차량의 속도 또는 상대 속도, 차량의 종류 및 차량의 상태를 획득하고, 획득한 정보를 미리 학습된 인공 신경망 모델에 입력하여 결과로서 충돌 가능성을 판단할 수 있다.
동작 1011에서, 전자 장치(100)는 충돌 가능성이 없다고 판단하는 경우(1011-아니오) 동작 1001로 진행하고, 충돌 가능성이 있다고 판단하는 경우(1011-예), 동작 1013으로 진행할 수 있다.
동작 1013에서 전자 장치(100)는 충돌 가능성이 있다고 판단한 결과에 기초하여 회피 행동을 결정할 수 있다. 회피 행동은 차선을 변경하는 것과 같은 회피 기동을 하거나, 자차량의 속도를 줄이거나, 또는 자차량을 멈추는 동작을 포함할 수 있다.
동작 1013에서 전자 장치(100)는 충돌 가능성이 있는 상대 차량의 동작을 추가적으로 예측할 수 있다. 예를 들면, 전자 장치(100)는 상대 차량이 멈출 것인지, 속도를 줄일 것인지, 또는 회피 기동을 할 것인지를 예측할 수 있다. 전자 장치(100)는 상술한 예측을 위하여 별도의 미리 학습된 인공 신경망 모델을 이용할 수 있다. 또한, 전자 장치(100)는 자차량의 회피 행동을 결정함에 있어 예측한 상대방 차량의 회피 동작을 참고할 수 있다.
전자 장치(100)의 제어부(430)는 자차량이 결정된 회피 행동을 하도록 제어할 수 있다.
도 11은 다양한 실시 예에 따른, 전자 장치(100)가 주변 차량의 충돌 가능성을 판단하는 동작을 도시한 흐름도이다. 도 11에 도시된 흐름도에 따른 동작은 전자 장치(예: 도 3의 전자 장치(100)) 또는 전자 장치의 적어도 하나의 프로세서(예: 도 3의 프로세서(180), 러닝 프로세서(130))에 의해 실현될 수 있다.
도 11을 참조하면, 동작 1101에서, 전자 장치(100)는 주변 차량의 충돌 가능성을 판단할 수 있다. 일실시 예에 따라 전자 장치(100)는 주변 차량으로부터 충돌 가능성 판단 요청과 해당 주변 차량에서 획득한 영상 및/또는 센싱 데이터를 수신하고, 수신한 영상 및/또는 센싱 데이터에 기초하여 해당 주변 차량의 충돌 가능성을 판단할 수 있다. 전자 장치(100)는 자차량의 충돌 가능성을 판단하기 위한 미리 학습된 인공 신경망 모델을 사용하여 해당 주변 차량의 충돌 가능성을 판단할 수 있다. 예를 들면, 전자 장치(100)는 수신한 영상 및/또는 센싱 데이터로부터 해당 주변 차량과 충돌 가능성이 있는 차량을 파악하고, 양 차량 간의 거리, 양 차량의 속도 또는 상대 속도, 차량의 종류 및 차량의 상태를 획득하고, 획득한 정보를 미리 학습된 인공 신경망 모델에 입력하여 충돌 가능성을 판단할 수 있다.
또한, 동작 1101에서, 전자 장치(100)는 자차량에서 촬영한 영상에 포함된 주변 차량들의 관계를 통해 주변 차량의 충돌 가능성을 판단할 수 있다. 전자 장치(100)는 자차량에서 촬영한 영상에 포함된 두 차량 간의 거리, 두 차량의 속도 또는 상대 속도, 차량의 종류 및 차량의 상태를 획득하고, 획득한 정보를 미리 학습된 인공 신경망 모델에 입력하여 충돌 가능성을 판단할 수 있다.
다양한 실시 예들에 따르면, 동작 1103에서, 충돌이 가능하다고 판단하면(1103-예), 전자 장치(100)는 동작 1105로 진행하여 충돌이 가능하다고 판단된 주변 차량으로 충돌 판단 정보를 전송할 수 있다. 전자 장치(100)는 충돌이 가능하다는 것을 나타내는 충돌 판단 정보와 함께, 해당 판단을 내리는 데 사용한 영상 정보 및 센싱 데이터 정보를 해당 주변 차량으로 전송할 수 있다. 예를 들면, 전자 장치(100)는 영상 정보, 상대 차량의 속도, 상대 차량과의 거리, 상대 차량의 이동 방향 정보를 해당 주변 차량으로 전송할 수 있다.
또한, 전자 장치(100)는 추가적으로 각 충돌 가능 차량이 취해야 할 회피 행동을 권고할 수 있다. 일실시 예에 따라, 전자 장치(100)는 충돌 가능성을 판단한 이후 충돌을 회피하기 위해 각 주변 차량이 취해야 할 회피 행동에 대해 판단할 수 있다. 전자 장치(100)는 판단한 회피 행동을 상술한 정보와 함께 각 주변 차량으로 전송함으로써 각 충돌 가능 차량이 취해야 할 회피 행동을 권고할 수 있다.
상술한 도 10 및 도 11의 동작에 의하여 전자 장치(100)는 자차량의 충돌 가능성뿐만 아니라 주변 차량의 충돌 가능성을 판단할 수 있으며, 충돌 가능성이 있다고 판단하는 경우 해당 주변 차량에 충돌 가능함을 알려줄 수 있다. 또한, 전자 장치(100)는 자차량의 센서 이상 등으로 인하여 충돌 가능성 판단에 오류가 있는 경우에 주변의 다른 차량의 전자 장치를 이용하여 충돌 가능성을 판단하도록 할 수 있어, 장치의 오류 시에도 충분히 충돌 가능성을 파악할 수 있을 것이다.
다양한 실시 예들에 따르면, 제1 차량에 탑재된 전자 장치(예: 도 3의 전자 장치(100))에 의해 차량의 충돌 가능성을 판단하는 방법은 상기 제1 차량의 센서에 의해 촬영된 제1 영상을 획득하는 동작, 통신부를 통해 상기 차량 주변의 적어도 하나의 주변 차량으로부터 적어도 하나의 제2 영상을 획득하는 동작 및 상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단하는 동작을 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단하는 동작은 상기 제1 영상에 기초하여 상기 제1 차량의 충돌 가능성을 판단(이하 제1 판단)하는 동작, 상기 적어도 하나의 제2 영상에 기초하여 상기 제1 차량의 충돌 가능성을 판단(이하 제2 판단)하는 동작 및 상기 제1 판단 및 상기 제2 판단 중 적어도 하나에 의하여 충돌 가능성이 있다고 판단한 경우 상기 제1 차량의 충돌 가능성이 있다고 판단하는 동작을 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 방법은 상기 제1 차량의 충돌 가능성이 있다고 판단하는 경우, 충돌을 회피하기 위한 회피 행동을 결정하는 동작을 더 포함하되, 상기 회피 행동은 상기 차량의 속도 줄임 및 상기 차량의 멈춤을 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 회피 행동을 결정하는 동작은 상기 제1 차량의 충돌 가능성이 있다고 판단하는 경우, 충돌 가능성 있는 상대 차량의 회피 행동을 예측하는 동작 및 상기 상대 차량의 회피 행동에 기초하여 상기 충돌을 회피하기 위한 회피 행동을 결정하는 동작을 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 제1 영상 또는 상기 적어도 하나의 제2 영상에 기초하여 적어도 하나의 제2 차량의 충돌 가능성을 판단하는 동작 및 상기 적어도 하나의 제2 차량이 충돌 가능성이 있다고 판단하는 경우, 상기 통신부를 통해 상기 적어도 하나의 제2 차량으로 충돌 가능성이 있음을 나타내는 신호를 전송하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 방법은 상기 적어도 하나의 제2 차량이 충돌 가능성이 있다고 판단하는 경우, 상기 적어도 하나의 제2 차량의 충돌을 회피하기 위한 회피 행동을 결정하는 동작 및 상기 통신부를 통해 상기 적어도 하나의 제2 차량으로 상기 결정된 회피 행동을 전송하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단하는 동작은 충돌 가능성을 검출하도록 미리 학습된 인공 신경망 모델을 이용하여 상기 제1 차량의 충돌 가능성을 판단하는 동작을 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단하는 동작은 상기 제1 영상 및/또는 상기 적어도 하나의 제2 영상에 기초하여 차량 간의 거리, 차량의 속도, 차량의 종류를 결정하는 동작 및 상기 차량 간의 거리, 차량의 속도, 차량의 종류를 상기 미리 학습된 인공 신경망 모델의 입력으로 하여 상기 제1 차량의 충돌 가능성을 판단하는 동작을 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 통신부는 근거리 통신(dedicated short range communication), LTE 또는 5G 통신 방식 중 적어도 하나를 사용할 수 있다.
본 개시에서는 자차량 및 주변 차량의 전자 장치를 이용하여 충돌 가능성을 판단할 수 있도록 하는 전자 장치를 제안함으로써 전체적으로 충돌에 의한 사고를 미연에 방지할 수 있도록 할 수 있을 것이다.

Claims (19)

  1. 제1 차량에 구비되고, 차량의 충돌 가능성을 판단하는 전자 장치에 있어서,
    상기 제1 차량의 주변 정보를 획득하는 입력부;
    상기 제1 차량 주변의 적어도 하나의 주변 차량과 통신하는 통신부;
    상기 입력부 및 상기 통신부와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 입력부를 통해 제1 영상을 획득하고,
    상기 통신부를 통해 상기 적어도 하나의 주변 차량으로부터 적어도 하나의 제2 영상을 획득하고,
    상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단하는, 전자 장치.
  2. 제1항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제1 영상에 기초하여 상기 제1 차량의 충돌 가능성을 판단(이하 제1 판단)하고,
    상기 적어도 하나의 제2 영상에 기초하여 상기 제1 차량의 충돌 가능성을 판단(이하 제2 판단)하고,
    상기 제1 판단 및 상기 제2 판단 중 적어도 하나에 의하여 충돌 가능성이 있다고 판단한 경우 상기 제1 차량의 충돌 가능성이 있다고 판단하는, 전자 장치.
  3. 제1항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제1 차량의 충돌 가능성이 있다고 판단하는 경우, 충돌을 회피하기 위한 회피 행동을 결정하되, 상기 회피 행동은 상기 제1 차량의 속도 줄임 및 상기 제1 차량의 멈춤을 포함하는, 전자 장치.
  4. 제3항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제1 차량의 충돌 가능성이 있다고 판단하는 경우, 충돌 가능성 있는 상대 차량의 회피 행동을 예측하고,
    상기 상대 차량의 회피 행동에 기초하여 상기 충돌을 회피하기 위한 회피 행동을 결정하는, 전자 장치.
  5. 제1항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제1 영상 또는 상기 적어도 하나의 제2 영상에 기초하여 적어도 하나의 제2 차량의 충돌 가능성을 추가적으로 판단하고,
    상기 적어도 하나의 제2 차량이 충돌 가능성이 있다고 판단하는 경우, 상기 통신부를 통해 상기 적어도 하나의 제2 차량으로 충돌 가능성이 있음을 나타내는 신호를 전송하는, 전자 장치.
  6. 제5항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 적어도 하나의 제2 차량이 충돌 가능성이 있다고 판단하는 경우, 상기 적어도 하나의 제2 차량의 충돌을 회피하기 위한 회피 행동을 결정하고,
    상기 통신부를 통해 상기 적어도 하나의 제2 차량으로 상기 결정된 회피 행동을 전송하는, 전자 장치.
  7. 제5항에 있어서,
    상기 적어도 하나의 프로세서는,
    충돌 가능성을 검출하도록 미리 학습된 인공 신경망 모델을 이용하여 상기 제1 차량의 충돌 가능성 및/또는 상기 적어도 하나의 제2 차량의 충돌 가능성을 판단하는, 전자 장치.
  8. 제7항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제1 영상 및/또는 상기 적어도 하나의 제2 영상에 기초하여 차량 간의 거리, 차량의 속도, 차량의 종류를 결정하고, 상기 차량 간의 거리, 차량의 속도, 차량의 종류를 상기 미리 학습된 인공 신경망 모델의 입력으로 하여 상기 제1 차량의 충돌 가능성 및/또는 상기 적어도 하나의 제2 차량의 충돌 가능성을 판단하는, 전자 장치.
  9. 제1항에 있어서,
    상기 통신부는 근거리 통신(dedicated short range communication), LTE 또는 5G 통신 방식 중 적어도 하나를 사용하는, 전자 장치.
  10. 차량에 있어서,
    상기 차량의 주변 정보를 획득하는 적어도 하나의 센서;
    상기 차량 및/또는 상기 차량 주변의 적어도 하나의 제2 차량의 충돌 가능성을 예측하는 전자 장치; 및
    브레이크 구동부를 포함하고,
    상기 전자 장치는
    상기 차량의 주변 정보를 획득하는 입력부;
    상기 차량 주변의 주변 차량들과 통신하는 통신부;
    상기 입력부 및 상기 통신부와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 입력부와 연결된 상기 적어도 하나의 센서를 통해 제1 영상을 획득하고,
    상기 통신부를 통해 상기 주변 차량들로부터 적어도 하나의 제2 영상을 획득하고,
    상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 차량 및/또는 상기 적어도 하나의 제2 차량의 충돌 가능성을 판단하고,
    상기 판단 결과에 기초하여 상기 브레이크 구동부를 제어하는, 차량.
  11. 제1 차량에 탑재된 전자 장치에 의해 차량의 충돌 가능성을 판단하는 방법에 있어서,
    상기 제1 차량의 센서에 의해 촬영된 제1 영상을 획득하는 동작;
    통신부를 통해 상기 차량 주변의 적어도 하나의 주변 차량으로부터 적어도 하나의 제2 영상을 획득하는 동작; 및
    상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단하는 동작을 포함하는 방법.
  12. 제11항에 있어서,
    상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단하는 동작은,
    상기 제1 영상에 기초하여 상기 제1 차량의 충돌 가능성을 판단(이하 제1 판단)하는 동작;
    상기 적어도 하나의 제2 영상에 기초하여 상기 제1 차량의 충돌 가능성을 판단(이하 제2 판단)하는 동작; 및
    상기 제1 판단 및 상기 제2 판단 중 적어도 하나에 의하여 충돌 가능성이 있다고 판단한 경우 상기 제1 차량의 충돌 가능성이 있다고 판단하는 동작을 포함하는, 방법.
  13. 제11항에 있어서,
    상기 제1 차량의 충돌 가능성이 있다고 판단하는 경우, 충돌을 회피하기 위한 회피 행동을 결정하는 동작을 더 포함하되, 상기 회피 행동은 상기 제1 차량의 속도 줄임 및 상기 제1 차량의 멈춤을 포함하는, 방법.
  14. 제13항에 있어서,
    상기 회피 행동을 결정하는 동작은,
    상기 제1 차량의 충돌 가능성이 있다고 판단하는 경우, 충돌 가능성 있는 상대 차량의 회피 행동을 예측하는 동작; 및
    상기 상대 차량의 회피 행동에 기초하여 상기 충돌을 회피하기 위한 회피 행동을 결정하는 동작을 포함하는, 방법.
  15. 제11항에 있어서,
    상기 제1 영상 또는 상기 적어도 하나의 제2 영상에 기초하여 적어도 하나의 제2 차량의 충돌 가능성을 판단하는 동작; 및
    상기 적어도 하나의 제2 차량이 충돌 가능성이 있다고 판단하는 경우, 상기 통신부를 통해 상기 적어도 하나의 제2 차량으로 충돌 가능성이 있음을 나타내는 신호를 전송하는 동작을 더 포함하는, 방법.
  16. 제15항에 있어서,
    상기 적어도 하나의 제2 차량이 충돌 가능성이 있다고 판단하는 경우, 상기 적어도 하나의 제2 차량의 충돌을 회피하기 위한 회피 행동을 결정하는 동작; 및
    상기 통신부를 통해 상기 적어도 하나의 제2 차량으로 상기 결정된 회피 행동을 전송하는 동작을 더 포함하는 방법. 방법.
  17. 제11항에 있어서,
    상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단하는 동작은,
    충돌 가능성을 검출하도록 미리 학습된 인공 신경망 모델을 이용하여 상기 제1 차량의 충돌 가능성을 판단하는 동작을 포함하는, 방법.
  18. 제17항에 있어서,
    상기 제1 영상 및 상기 적어도 하나의 제2 영상에 기초하여, 상기 제1 차량의 충돌 가능성을 판단하는 동작은,
    상기 제1 영상 및/또는 상기 적어도 하나의 제2 영상에 기초하여 차량 간의 거리, 차량의 속도, 차량의 종류를 결정하는 동작; 및
    상기 차량 간의 거리, 차량의 속도, 차량의 종류를 상기 미리 학습된 인공 신경망 모델의 입력으로 하여 상기 제1 차량의 충돌 가능성을 판단하는 동작을 포함하는, 방법.
  19. 제11항에 있어서,
    상기 통신부는 근거리 통신(dedicated short range communication), LTE 또는 5G 통신 방식 중 적어도 하나를 사용하는, 방법.
KR1020190144352A 2019-11-12 2019-11-12 차량 충돌 방지 장치 및 그 방법 KR20210057886A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190144352A KR20210057886A (ko) 2019-11-12 2019-11-12 차량 충돌 방지 장치 및 그 방법
US16/811,589 US11904853B2 (en) 2019-11-12 2020-03-06 Apparatus for preventing vehicle collision and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190144352A KR20210057886A (ko) 2019-11-12 2019-11-12 차량 충돌 방지 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20210057886A true KR20210057886A (ko) 2021-05-24

Family

ID=75846320

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190144352A KR20210057886A (ko) 2019-11-12 2019-11-12 차량 충돌 방지 장치 및 그 방법

Country Status (2)

Country Link
US (1) US11904853B2 (ko)
KR (1) KR20210057886A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023090609A1 (ko) * 2021-11-19 2023-05-25 현대엠시스템즈 주식회사 스테레오 카메라와 초음파 센서를 이용한 무인 지게차 주행 제어 장치 및 주행 방법

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11475774B2 (en) * 2020-04-03 2022-10-18 Verizon Patent And Licensing Inc. Systems and methods for machine learning based collision avoidance
US12012096B2 (en) * 2020-12-22 2024-06-18 Toyota Jidosha Kabushiki Kaisha Information processing apparatus, information processing method, and storing medium
US11851068B2 (en) 2021-10-25 2023-12-26 Ford Global Technologies, Llc Enhanced target detection
DE102023005302A1 (de) 2022-12-24 2024-06-27 Mercedes-Benz Group AG Crash-Sicherheitssystem und Verfahren dazu

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101741433B1 (ko) * 2015-06-09 2017-05-30 엘지전자 주식회사 운전자 보조 장치 및 그 제어방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023090609A1 (ko) * 2021-11-19 2023-05-25 현대엠시스템즈 주식회사 스테레오 카메라와 초음파 센서를 이용한 무인 지게차 주행 제어 장치 및 주행 방법

Also Published As

Publication number Publication date
US20210139025A1 (en) 2021-05-13
US11904853B2 (en) 2024-02-20

Similar Documents

Publication Publication Date Title
KR20210057886A (ko) 차량 충돌 방지 장치 및 그 방법
US20210097852A1 (en) Moving robot
US11138453B2 (en) Driving guide method and apparatus for vehicle
JP2020004402A (ja) ニューラルネットワークに基づく自動運転車両用の安全監視システム
KR20190083317A (ko) 차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법
US20200010095A1 (en) Method and apparatus for monitoring driving condition of vehicle
KR20190110073A (ko) 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
KR20190102142A (ko) 차랑에 탑재되어 자가진단을 수행하는 인공 지능 장치 및 그 방법
US11436744B2 (en) Method for estimating lane information, and electronic device
US20200050894A1 (en) Artificial intelligence apparatus and method for providing location information of vehicle
US11508158B2 (en) Electronic device and method for vehicle driving assistance
US20200005643A1 (en) Method and apparatus for providing information on vehicle driving
KR20190098735A (ko) 차량 단말 및 그의 동작 방법
KR20190104489A (ko) 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법
KR20190106862A (ko) 인공지능 장치 및 그를 이용한 IoT 기기의 도난 감지 및 탐색 방법
WO2021090897A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
US20190377362A1 (en) Artificial intelligence device installed in vehicle and method therefor
US11863627B2 (en) Smart home device and method
KR102607390B1 (ko) 차량의 주변 상황 확인 방법
US20210193138A1 (en) Artificial intelligence device and method for recognizing speech with multiple languages
US11117580B2 (en) Vehicle terminal and operation method thereof
US11211045B2 (en) Artificial intelligence apparatus and method for predicting performance of voice recognition model in user environment
KR20190094313A (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
KR20190095186A (ko) 지능형 게이트웨이 장치 및 그를 포함하는 제어 시스템
KR20190095190A (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법