KR20210062791A

KR20210062791A - 자율 주행 차량을 위한 맵 데이터 생성 장치 및 방법

Info

Publication number: KR20210062791A
Application number: KR1020190150646A
Authority: KR
Inventors: 이동규; 박남용; 조종환; 한동우
Original assignee: 엘지전자 주식회사
Priority date: 2019-11-21
Filing date: 2019-11-21
Publication date: 2021-06-01

Abstract

본 발명의 일 실시 예에 따른 자율 주행 차량은 복수의 차량의 적어도 하나의 센서가 제1 시간에 차량의 주변 영역을 감지한 센서 감지 정보를 수신하는 단계, 센서 감지 정보 및 센서의 정확도에 기반하여 주변 영역의 안전 레벨과 관련된 정보를 포함하는 맵 데이터를 생성하는 단계 및 맵 데이터를 복수의 차량 또는 제2 서버 장치로 전송하는 단계를 포함할 수 있다. 본 발명의 자율 주행 차량은 인공 지능(Artificial Intelligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 등과 연계 혹은 융복합될 수 있고, 센서 감지 정보 및 맵 데이터는 5G 네트워크를 통해 전송될 수 있다.

Description

자율 주행 차량을 위한 맵 데이터 생성 장치 및 방법{MAP DATA GENERATING APPARATUS AND METHOD FOR AUTONOMOUS VEHICLE}

본 발명은 자율 주행 차량을 위한 맵(map) 데이터를 생성하는 장치 및 방법에 관한 것이다.

운전자의 주행 동작 제어를 돕기 위한 각종 센서와 전자 장치들이 차량에 장착되고 있으며, 대표적으로 차량 운전자 보조 시스템(ADAS: Advanced Driver Assistance System)을 예로 들 수 있다.

또한, 자율 주행 차량은 운전자의 개입이나 조작이 없이도 차량 스스로 또는 서버와 통신하여 주행 동작을 제어하도록 하거나, 또는 최소한의 운전자 개입만으로 스스로 운전이 가능하도록 하여 운전자에게 편의성을 제공할 수 있다.

자율주행차량은 레이더, LIDAR, 카메라, 초음파, 비전센서 등의 센서로 차량 주변 환경을 인식 가능하지만, 각 센서의 인식범위 한계로 인해 자기 차량에 장착된 센서만으로 도로 상의 모든 정보를 인지하는 것은 불가능하다.

따라서 자율주행차량의 센서가 제대로 작동되지 않을 경우 또는 센서 범위 밖의 상황을 고려해야 할 경우를 위해 자율주행차량의 인식 범위를 확장시킬 수 있는 기술이 필요하다.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 개시의 실시 예는 자율 주행 레벨이 낮은 차량들로 인한 위험성을 저감하기 위한 맵 데이터를 생성하는 방법 및 장치를 제공하는 것이다.

또한, 본 개시의 실시 예는 자율 주행 차량의 센서가 감지한 센서 감지 정보에 기반하여 맵 데이터를 생성하는 방법 및 장치를 제공하는 것이다.

또한, 본 개시의 실시 예는 자율 주행 차량의 센서의 정확도를 반영한 센서 감지 정보에 기반하여 맵 데이터를 생성하는 방법 및 장치를 제공하는 것이다.

또한, 본 개시의 실시 예는 센서의 정확도에 기반하여 복수의 자율 주행 차량들로부터 수신한 복수의 센서 감지 정보들이 병합된 맵 데이터를 생성하는 방법 및 장치를 제공하는 것이다.

본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

본 개시의 일 실시 예에 따른 서버 장치의 맵 데이터 생성 방법은 자율 주행 차량으로부터 수신한 센서 감지 정보를 센서의 정확도에 기반하여 자율 주행 차량의 주변 영역의 안전 레벨과 관련된 정보를 포함하는 맵(map) 데이터를 생성하도록 한다.

본 개시의 다른 실시 예에 따른 서버 장치의 맵 데이터 생성 방법은 자율 주행 레벨이 낮은 차량의 추정된 위치를 포함하는 맵 데이터를 생성하도록 한다.

본 개시의 다른 실시 예에 따른 서버 장치의 맵 데이터 생성 방법은 센서 감지 정보가 존재하지 않는 영역에 대해 안전 레벨을 추정하여 맵 데이터를 생성하도록 한다.

본 개시의 다른 실시 예에 따른 서버 장치의 맵 데이터 생성 방법은 맵 데이터를 수신하는 차량의 자율 주행 레벨 또는 주행 환경을 고려한 맵 데이터를 생성하도록 한다.

본 개시의 다른 실시 예에 따른 자율 주행 차량의 제어 방법은 수신한 맵 데이터에 포함된 주변 영역의 안전 레벨에 기반하여 차량을 제어하도록 한다.

구체적으로 본 개시의 일 실시 예에 따른 서버 장치의 맵 데이터 생성 방법은 복수의 차량 또는 제1 서버 장치로부터 복수의 차량의 적어도 하나의 센서가 제1 시간에 차량의 주변 영역을 감지한 센서 감지 정보를 수신하는 단계, 센서 감지 정보 및 센서의 정확도에 기반하여 주변 영역의 안전 레벨과 관련된 정보를 포함하는 맵(map) 데이터를 생성하는 단계 및 맵 데이터를 복수의 차량 또는 제2 서버 장치로 전송하는 단계를 포함할 수 있다.

구체적으로 본 개시의 일 실시 예에 따른 서버 장치는 프로세서 및 프로세서와 전기적으로 연결되고, 프로세서에서 수행되는 적어도 하나의 명령어 및 맵 데이터가 저장되는 메모리를 포함하고, 메모리는 자율 주행 차량의 센서가 주변 영역을 감지한 센서 감지 정보 및 센서의 정확도에 기반하여 주변 영역의 안전 레벨과 관련된 정보를 포함하는 맵 데이터를 생성하도록 야기하는 코드들을 저장할 수 있다.

구체적으로 본 개시의 일 실시 예에 따른 자율 주행 차량의 제어 방법은 복수의 차량의 센서의 정확도에 기반하여 주변 영역의 안전 레벨이 평가된 맵 데이터를 수신하는 단계 및 안전 레벨을 고려하여 차량을 제어하는 단계를 포함할 수 있다.

본 개시의 실시 예에 따른 맵 데이터 생성 방법 및 장치는 자율 주행 차량의 주행 안정성을 향상시킬 수 있다.

또한, 본 개시의 실시 예에 따른 맵 데이터 생성 방법 및 장치는 자율 주행 레벨이 낮은 차량들로 인한 위험성을 감소시킬 수 있다.

또한, 본 개시의 실시 예에 따른 맵 데이터 생성 방법 및 장치는 자기 차량이 보유한 센서의 감지 범위 밖의 영역에 대한 센서 감지 정보를 실시간으로 획득할 수 있다.

또한, 본 개시의 실시 예에 따른 맵 데이터 생성 방법 및 장치는 자율주행차량의 인식 범위를 확장시킬 수 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시 예에 따른 맵 데이터 생성 방법이 수행되는 환경의 예시도이다.
도 2는 5G 통신 시스템에서 자율 주행 차량과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 3은 5G 통신 시스템에서 자율 주행 차량과 5G 네트워크의 응용 동작의 일 예를 나타낸다.
도 4 내지 도 7은 5G 통신을 이용한 자율 주행 차량의 동작의 일 예를 나타낸다.
도 8은 자율 주행 차량을 포함하는 AI 장치의 일 예를 나타낸다.
도 9는 자율 주행 차량과 통신 가능한 AI 서버의 일 예를 나타낸다.
도 10은 자율 주행 차량을 포함하는 AI 장치가 연결되는 AI 시스템의 일 예를 나타낸다.
도 11은 본 발명의 일 실시 예에 따른 맵 데이터 생성 방법을 설명하는 흐름도이다.
도 12는 본 발명의 일 실시 예에 따른 맵 데이터 생성 방법을 설명하는 흐름도이다.
도 13 내지 도 18은 본 발명의 일 실시 예에 따른 맵 데이터 생성 방법을 설명하는 예시도이다.
도 19는 본 발명의 일 실시 예에 따른 자율 주행 차량을 도시한 블록도이다.

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" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 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.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수개의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 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.

본 명세서에서 기술되는 차량은, 자동차, 오토바이를 포함하는 개념일 수 있다. 이하에서는, 차량에 대해 자동차를 위주로 기술한다.

본 명세서에서 기술되는 차량은, 동력원으로서 엔진을 구비하는 내연기관 차량, 동력원으로서 엔진과 전기 모터를 구비하는 하이브리드 차량, 동력원으로서 전기 모터를 구비하는 전기 차량 등을 모두 포함하는 개념일 수 있다.

도 1은 본 발명의 일 실시 예에 따른 맵 데이터 생성 방법이 수행되는 환경의 예시도이다.

도 1을 참조하면, 맵 데이터 생성 장치(200)는 네트워크를 통하여 복수의 자율 주행 차량(Autonomous Vehicle)(100b)들로부터 센서가 자율 주행 차량(100b)의 주변 영역의 객체 존재 여부를 감지한 센서 감지 정보를 수신할 수 있다. 맵 데이터 생성 장치(200)는 센서 감지 정보에 기반하여 자율 주행 차량(100b)들의 주변 영역에 대한 안전 레벨과 관련된 정보를 포함하는 맵(map) 데이터를 생성할 수 있다. 상기 맵 데이터는 자율 주행 레벨이 낮은 차량(300)의 위치 정보를 포함할 수 있다.

본 명세서에서 맵 데이터는 반드시 지형 정보 또는 도로 정보가 포함된 것을 의미하지 않으며, 정적 또는 동적 객체들의 위치적 정보를 포함하는 모든 데이터를 포함한다.

이때, 자율주행 레벨 정보는, 0 단계부터 5 단계까지 6단계로 나뉘는 국제 자동차 기술자 협회(Society of Automotive Engineers International)에서 분류한 단계를 포함할 수 있으나, 이에 한정되지 않고, 미국 도로 교통 안전국(NHTSA)에서 정한 5단계를 포함할 수도 있다.

국제 자동차 기술자 협회에서 정한 자율 주행 레벨을 기준으로 각 레벨에 대하여 설명하면 다음과 같다.

0 단계인 비자동화 단계는, V2X 통신 기능이 제공되지 않는 수동주행 차량에 있어서, 주행 중 안전을 위해 시스템이 단순히 경고하고 일시 개입하는 전방 충돌방지 보조(Forward Collision-Avoidance Assist, FCA), 후측방 충돌경고(Blind-Spot Collision Warning, BCW)가 지원되는 단계를 의미한다. 따라서, 0 단계에 있어서는, 운전자가 차량 제어를 전부 수행해야 한다.

1 단계인 운전자 보조 단계는, 특정 주행모드에서 시스템이 조향 또는 감·가속 중 하나를 수행하는 수동주행 차량에 있어서, 차로 유지 보조(Lane Following Assist, LFA), 스마트 크루즈 컨트롤(Smart Cruise Control, SCC) 등이 지원되는 단계를 의미한다. 따라서, 1 단계에 있어서는, 운전자가 속도 등을 인지하고 있어야 한다.

2 단계인 부분 자동화 단계는, 특정 주행모드에서 시스템이 조향 및 감·가속을 모두 수행하는 자율주행 차량에 있어서, 고속도로 주행 보조(Highway Driving Assist, HDA) 등이 지원되는 단계를 의미한다. 따라서, 2 단계에 있어서는, 운전자가 물체 등을 인지하고 있어야 한다.

2 단계까지는 시스템이 차량의 일부 주행을 보조하나(어시스트), 3 단계부터는 시스템이 전체 주행을 수행할 수 있다(파일럿). 즉, 차량(100b)은 스스로 차선을 변경하거나 앞 차량을 추월할 수 있고, 장애물도 피할 수 있다.

3 단계인 조건부 자동화 단계는, 차량을 제어하는 동시에 주행 환경을 인식하지만, 비상 상황 시 운전 제어권 이양을 운전자에게 요청해야 하는 단계를 의미한다. 따라서, 3 단계에 있어서는, 운전자가 특정 도로 상황 등을 인지하고 있어야 한다.

4 단계인 고등 자동화 단계는, 3 단계와 동일하게 시스템이 전체 주행을 수행함과 아울러 위험 상황 발생 시에도 안전하게 대응할 수 있는 단계를 의미한다. 따라서, 4 단계에 있어서는, 운전자가 날씨, 재난, 사고에 대해 인지하고 있어야 한다.

5 단계인 완전 자동화 단계는, 4 단계와는 달리 자율주행을 할 수 있는 지역에 제한이 없는 단계를 의미한다. 5 단계에 있어서는, 운전자의 인식이 불필요하다.

자율 주행 차량(100b)은, 맵 데이터 생성 장치(200)로부터 5G 네트워크의 하향 링크 그랜트에 기초하여 실시간 교통 상황 또는 자율 주행 차량(100b)의 주변 영역의 안전 레벨과 관련된 정보를 포함하는 맵 데이터를 수신할 수 있다. 맵 데이터는 도 17을 참조하면 자율 주행 차량(100b)이 보유한 기본 맵(1810) 또는 맵 데이터 생성 장치(200)가 전송하는 기본 맵(1810)에 맵핑 가능한 레이어(1820) 형태일 수 있다. 추후 자세히 설명한다.

자율 주행 차량(100b)은 맵 데이터 생성 장치(200)와 통신 가능한 네트워크뿐만 아니라, 자율 주행 차량(100b) 내부의 네트워크(미도시)를 통해서 프로세서부(180), 센싱부(140) 등의 자율 주행 차량(100b) 내부의 각종 장치들 간에 정보를 송신 또는 수신할 수 있다.

일 실시 예에 따르면, 자율 주행 차량(100b)의 센싱부(140)는 광학식 카메라, 레이다(Radar), 라이다(Lidar), 초음파 센서, 적외선 센서 등을 포함할 수 있다. 센싱부(1160)는 또한 자이로 센서, 가속도 센서, 무게 센서, 지자기 센서, 압력 센서 진동 센서(충격 감지 센서) 등을 포함할 수 있다.

자율 주행 차량(100b)의 내부 네트워크는 유선 또는 무선 방식일 수 있다. 예를 들어, 자율 주행 차량(100b) 내부 네트워크는 CAN(Controller Area Network), USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 또는 POTS(Plain Old Telephone Service), UART(Universal asynchronous receiver/transmitter), LIN(Local Interconnect Network), MOST(Media Oriented Systems Transport), 이더넷(ethernet), 플렉스레이(FlexRay), Wi-Fi 기반 네트워크 등 중 적어도 하나를 포함할 수 있다.

자율 주행 차량(100b) 내부 네트워크는 통신 네트워크(telecommunications network), 예를 들어, 컴퓨터 네트워크(computer network)(예: LAN 또는 WAN) 중 적어도 하나를 포함할 수 있다.

일 실시 예에 따르면 자율 주행 차량(100b)은 맵 데이터 생성 장치(200)로부터 네트워크를 통해 지도 정보, 주행 경로, 교통 정보 또는 맵 데이터 생성 장치(200) 또는 다른 서버 장치에서 훈련된 (센서 데이터로부터 객체들을 인식하거나 인식된 환경에 따라 대응 주행 동작을 결정하기 위한) 학습 모델을 수신할 수 있다. 자율 주행 차량(100b)에서 지도 정보 및 교통 정보에 기반하여 주행 경로를 수정하여 주행할 수 있다.

도 2는 5G 통신 시스템에서 자율 주행 차량과 5G 네트워크의 기본동작의 일 예를 나타낸다.

자율 주행 차량(100b)은 특정 정보 전송을 5G 네트워크로 전송한다(S1).

상기 특정 정보는, 자율 주행 관련 정보를 포함할 수 있다.

상기 자율 주행 관련 정보는, 차량의 주행 제어와 직접적으로 관련된 정보일 수 있다. 예를 들어, 자율 주행 관련 정보는 차량 주변의 오브젝트를 지시하는 오브젝트 데이터, 맵 데이터(map data), 차량 상태 데이터, 차량 위치 데이터 및 드라이빙 플랜 데이터(driving plan data) 중 하나 이상을 포함할 수 있다.

상기 자율 주행 관련 정보는 자율 주행에 필요한 서비스 정보 등을 더 포함할 수 있다. 예를 들어, 상기 특정 정보는, 사용자 단말기를 통해 입력된 목적지와 차량의 안정 등급에 관한 정보를 포함할 수 있다. 그리고, 상기 5G 네트워크는 차량의 원격 제어 여부를 결정할 수 있다 (S2).

여기서, 상기 5G 네트워크는 자율 주행 관련 원격 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.

그리고, 상기 5G 네트워크는 원격 제어와 관련된 정보(또는 신호)를 상기 자율 주행 차량으로 전송할 수 있다(S3).

전술한 바와 같이, 상기 원격 제어와 관련된 정보는 자율 주행 차량에 직접적으로 적용되는 신호일 수도 있고, 나아가 자율 주행에 필요한 서비스 정보를 더 포함할 수 있다. 본 발명의 일 실시 예에서는 자율 주행 차량은, 상기 5G 네트워크에 연결된 서버를 통해 주행 경로 상에서 위험 구간 정보 등의 서비스 정보를 수신함으로써, 자율 주행과 관련된 서비스를 제공할 수 있다.

이하 도 3 내지 도 7에서는 본 발명의 일 실시 예에 따라 자율 주행 과정에서 주변 영역의 안전 레벨과 관련된 정보를 포함하는 맵 데이터를 수신하기 위하여, 자율 주행 차량과 5G 네트워크 간의 5G 통신을 위한 필수 과정(예를 들어, 차량과 5G 네트워크 간의 초기 접속 절차 등)을 개략적으로 설명한다.

도 3은 5G 통신 시스템에서 자율 주행 차량과 5G 네트워크의 응용 동작의 일 예를 나타낸다.

자율 주행 차량은 5G 네트워크와 초기 접속(initial access) 절차를 수행한다(S20).

상기 초기 접속 절차는 하향 링크(Downlink, DL) 동작 획득을 위한 셀 AI 서버 장치(200)(cell search), 시스템 정보(system information)를 획득하는 과정 등을 포함한다.

그리고, 상기 자율 주행 차량은 상기 5G 네트워크와 임의 접속(random access) 절차를 수행한다(S21).

상기 임의 접속 과정은 상향 링크(Uplink, UL) 동기 획득 또는 UL 데이터 전송을 위해 프리엠블 전송, 임의 접속 응답 수신 과정 등을 포함하며, 단락 G에서 보다 구체적으로 설명한다.

그리고, 상기 5G 네트워크는 상기 자율 주행 차량으로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송한다(S22).

상기 UL Grant 수신은 5G 네트워크로 UL 데이터의 전송을 위해 시간/주파수 자원 스케줄링을 받는 과정을 포함한다.

그리고, 상기 자율 주행 차량은 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다(S23).

그리고, 상기 5G 네트워크는 차량의 원격 제어 여부를 결정한다(S24).

그리고, 자율 주행 차량은 5G 네트워크로부터 특정 정보에 대한 응답을 수신하기 위해 물리 하향링크 제어 채널을 통해 DL grant를 수신한다(S25).

그리고, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 자율 주행 차량으로 원격 제어와 관련된 정보(또는 신호)를 전송한다(S26).

한편, 도 4에서는 자율 주행 차량과 5G 통신의 초기 접속 과정 및 또는 임의 접속 과정 및 하향링크 그랜트 수신 과정이 결합된 예를 S20 내지 S26의 과정을 통해 예시적으로 설명하였지만, 본 발명은 이에 한정되지 않는다.

예를 들어, S20, S22, S23, S24, S24 과정을 통해 초기 접속 과정 및/또는 임의접속 과정을 수행할 수 있다. 또한, 예를 들어 S21, S22, S23, S24, S26 과정을 통해 초기접속 과정 및/또는 임의 접속 과정을 수행할 수 있다. 또한 S23, S24, S25, S26을 통해 AI 동작과 하향링크 그랜트 수신과정이 결합되는 과정을 수행할 수 있다.

또한, 도 3에서는 자율 주행 차량 동작에 대하여 S20 내지 S26을 통해 예시적으로 설명한 것이며, 본 발명은 이에 한정되지 않는다.

예를 들어, 상기 자율 주행 차량 동작은, S20, S21, S22, S25가 S23, S26과 선택적으로 결합되어 동작할 수 있다. 또한 예를 들어, 상기 자율 주행 차량 동작은, S21, S22, S23, S26으로 구성될 수도 있다. 또한 예를 들어, 상기 자율 주행 차량 동작은, S20, S21, S23, S26으로 구성될 수 있다. 또한, 예를 들어, 상기 자율 주행 차량 동작은, S22, S23, S25, S26으로 구성될 수 있다.

도 4 내지 도 7은 5G 통신을 이용한 자율 주행 차량 동작의 일 예를 나타낸다.

먼저 도 4를 참고하면, 자율 주행 모듈을 포함하는 자율 주행 차량은 DL 동기 및 시스템 정보를 획득하기 위해 SSB(synchronization signal block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다(S30).

그리고, 상기 자율 주행 차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다(S31).

그리고, 상기 자율 주행 차량은 특정 정보를 전송하기 위해 5G 네트워크로 UL grant를 수신한다(S32).

그리고, 상기 자율 주행 차량은 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다(S33).

그리고, 상기 자율 주행 차량은 특정 정보에 대한 응답을 수신하기 위한 DL grant를 5G 네트워크로부터 수신한다(S34).

그리고, 상기 자율 주행 차량은 원격 제어와 관련된 정보(또는 신호)를 DL grant에 기초하여 5G 네트워크로부터 수신한다(S35).

S30에 빔 관리(beam management, BM) 과정이 추가될 수 있으며, S31에 PRACH(physical random access channel) 전송과 관련된 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, S32에 UL grant를 포함하는 PDCCH의 빔 수신 방향과 관련하여 QCL 관계 추가될 수 있으며, S33에 특정 정보를 포함하는 PUCCH (physical uplink control channel)/PUSCH (physical uplink shared channel)의 빔 전송 방향과 관련하여 QCL 관계 추가가 추가될 수 있다. 또한, S34에 DL grant를 포함하는 PDCCH의 빔 수신 방향과 관련하여 QCL 관계 추가될 수 있다.

도 5를 참고하면, 자율 주행 차량은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다(S40).

그리고, 상기 자율 주행 차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다(S41).

그리고, 상기 자율 주행 차량은 설정된 그랜트(configured grant)에 기초하여 특정 정보를 5G 네트워크로 전송한다(S42). 상기 5G 네트워크로부터 UL grant를 수행하는 과정 대신, 설정된 그랜트(configured grant)를 전송하는 과정은 단락 H에서 보다 구체적으로 설명한다.

그리고, 상기 자율 주행 차량은 원격 제어와 관련된 정보(또는 신호를) 상기 설정된 그랜트에 기초하여 5G 네트워크로부터 수신한다(S43).

도 6을 참고하면, 자율 주행 차량은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다(S50).

그리고, 상기 자율 주행 차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다(S51).

그리고, 상기 자율 주행 차량은 5G 네트워크로부터 DownlinkPreemption IE를 수신한다(S52).

그리고, 상기 자율 주행 차량은 상기 DownlinkPreemption IE에 기초하여 프리엠션 지시를 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다(S53).

그리고, 상기 자율 주행 차량은 pre-emption indication에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다(S54).

프리엠션 지시(preemption indication) 관련 동작은 단락 J에서 보다 구체적으로 설명한다.

그리고, 상기 자율 주행 차량은 특정 정보를 전송하기 위해 5G 네트워크로 UL grant를 수신한다(S55).

그리고, 상기 자율 주행 차량은 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다(S56).

그리고, 상기 자율 주행 차량은 특정 정보에 대한 응답을 수신하기 위한 DL grant를 5G 네트워크로부터 수신한다(S57).

그리고, 상기 자율 주행 차량은 원격제어와 관련된 정보(또는 신호)를 DL grant에 기초하여 5G 네트워크로부터 수신한다(S58).

도 7을 참고하면, 자율 주행 차량은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다(S60).

그리고, 상기 자율 주행 차량은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다(S61).

그리고, 상기 자율 주행 차량은 특정 정보를 전송하기 위해 5G 네트워크로 UL grant를 수신한다(S62).

상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송된다(S63).

그리고, 상기 자율 주행 차량은 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다.

그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다.

상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.

그리고, 상기 자율 주행 차량은 특정 정보에 대한 응답을 수신하기 위한 DL grant를 5G 네트워크로부터 수신한다(S64).

그리고, 상기 자율 주행 차량은 원격제어와 관련된 정보(또는 신호)를 DL grant에 기초하여 5G 네트워크로부터 수신한다(S65).

앞서 살핀 5G 통신 기술은 도 8 내지 도 16에서 후술할 본 명세서에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 명세서에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.

본 명세서에서 기술되는 차량은 통신망을 통해 외부 서버에 연결되고, 자율 주행 기술을 이용하여 운전자 개입 없이 또는 운전자의 일부 개입과 함께 미리 설정된 경로를 따라 이동 가능하다. 본 발명의 차량은 동력원으로서 엔진을 구비하는 내연기관 차량, 동력원으로서 엔진과 전기 모터를 구비하는 하이브리드 차량, 동력원으로서 전기 모터를 구비하는 전기 차량 등으로 구현될 수 있다.

이하의 실시 예에서, 사용자는 운전자, 탑승자 또는 사용자 단말기의 소유자로 해석될 수 있다. 사용자 단말기는 사용자가 휴대 가능하고 전화 통화와 다양한 어플리케이션(application)을 실행할 수 있는 이동 단말기 예를 들어, 스마트 폰일 수 있으나 이에 한정되지 않는다. 예를 들어, 사용자 단말기는 이동 단말기, PC(Personal computer), 노트북 컴퓨터 또는 도 1의 자율 주행 차량으로 해석될 수 있다.

자율주행 차량에서는 주변 위험 요소들을 실시간 센싱하는 능력에 따라 사고 발생 유형 및 빈도가 크게 달라질 수 있다. 목적지까지의 경로는 날씨, 지형 특성, 교통 혼잡도 등 다양한 원인에 의해 위험 수준이 서로 다른 구간들을 포함할 수 있다.

본 발명의 자율 주행 차량, 사용자 단말기 및 서버 중 하나 이상이 인공 지능(Artificial Inteligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR), 5G 서비스와 관련된 장치 등과 연계 혹은 융복합될 수 있다.

자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

예를 들어, 자율 주행 차량은 차량에 포함된 적어도 하나의 인공지능 모듈, 로봇과 연계되어 동작할 수 있다.

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

예를 들어, 자율 주행 차량은, 적어도 하나의 로봇(robot)과 상호 작용할 수 있다. 로봇은, 자력으로 주행이 가능한 이동 로봇(Autonomous Mobile Robot, AMR)일 수 있다. 이동 로봇은, 스스로 이동이 가능하여 이동이 자유롭고, 주행 중 장애물 등을 피하기 위한 다수의 센서가 구비되어 장애물을 피해 주행할 수 있다. 이동 로봇은, 비행 장치를 구비하는 비행형 로봇(예를 들면, 드론)일 수 있다. 이동 로봇은, 적어도 하나의 바퀴를 구비하고, 바퀴의 회전을 통해 이동되는 바퀴형 로봇일 수 있다. 이동 로봇은, 적어도 하나의 다리를 구비하고, 다리를 이용해 이동되는 다리식 로봇일 수 있다.

로봇은 차량 사용자의 편의를 보완하는 장치로 기능할 수 있다. 예를 들면, 로봇은, 차량에 적재된 짐을 사용자의 최종 목적지까지 이동하는 기능을 수행할 수 있다. 예를 들면, 로봇은, 차량에서 하차한 사용자에게 최종 목적지까지 길을 안내하는 기능을 수행할 수 있다. 예를 들면, 로봇은, 차량에서 하차한 사용자를 최종 목적지까지 수송하는 기능을 수행할 수 있다.

차량에 포함되는 적어도 하나의 전자 장치는, 통신 장치를 통해, 로봇과 통신을 수행할 수 있다.

차량에 포함되는 적어도 하나의 전자 장치는, 로봇에 차량에 포함되는 적어도 하나의 전자 장치에서 처리한 데이터를 제공할 수 있다. 예를 들면, 차량에 포함되는 적어도 하나의 전자 장치는, 차량 주변의 오브젝트를 지시하는 오브젝트 데이터, 맵 데이터(map data), 차량 상태 데이터, 차량 위치 데이터 및 드라이빙 플랜 데이터(driving plan data) 중 적어도 어느 하나를 로봇에 제공할 수 있다.

차량에 포함되는 적어도 하나의 전자 장치는, 로봇으로부터, 로봇에서 처리된 데이터를 수신할 수 있다. 차량에 포함되는 적어도 하나의 전자 장치는, 로봇에서 생성된 센싱 데이터, 오브젝트 데이터, 로봇 상태 데이터, 로봇 위치 데이터 및 로봇의 이동 플랜 데이터 중 적어도 어느 하나를 수신할 수 있다.

차량에 포함되는 적어도 하나의 전자 장치는, 로봇으로부터 수신된 데이터에 더 기초하여, 제어 신호를 생성할 수 있다. 예를 들면, 차량에 포함되는 적어도 하나의 전자 장치는, 오브젝트 검출 장치에 생성된 오브젝트에 대한 정보와 로봇에 의해 생성된 오브젝트에 대한 정보를 비교하고, 비교 결과에 기초하여, 제어 신호를 생성할 수 있다. 차량에 포함되는 적어도 하나의 전자 장치는, 차량의 이동 경로와 로봇의 이동 경로간의 간섭이 발생되지 않도록, 제어 신호를 생성할 수 있다.

차량에 포함되는 적어도 하나의 전자 장치는, 인공 지능(artificial intelligence, AI)을 구현하는 소프트웨어 모듈 또는 하드웨어 모듈(이하, 인공 지능 모듈)을 포함할 수 있다. 차량에 포함되는 적어도 하나의 전자 장치는, 획득되는 데이터를 인공 지능 모듈에 입력(input)하고, 인공 지능 모듈에서 출력(output)되는 데이터를 이용할 수 있다.

인공 지능 모듈은, 적어도 하나의 인공 신경망(artificial neural network, ANN)을 이용하여, 입력되는 데이터에 대한 기계 학습(machine learning)을 수행할 수 있다. 인공 지능 모듈은, 입력되는 데이터에 대한 기계 학습을 통해, 드라이빙 플랜 데이터를 출력할 수 있다.

차량에 포함되는 적어도 하나의 전자 장치는, 인공 지능 모듈에서 출력되는 데이터에 기초하여, 제어 신호를 생성할 수 있다.

실시 예에 따라, 차량에 포함되는 적어도 하나의 전자 장치는, 통신 장치를 통해, 외부 장치로부터, 인공 지능에 의해 처리된 데이터를 수신할 수 있다. 차량에 포함되는 적어도 하나의 전자 장치는, 인공 지능에 의해 처리된 데이터에 기초하여, 제어 신호를 생성할 수 있다.

도 8은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 8을 참조하면, AI 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

AI 장치(100)는 자율 주행 차량일 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 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)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 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 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 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.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)와 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 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.

이때, 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.

이때, 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 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 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(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 9는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타내고 도 1의 맵 데이터 생성 장치(200)일 수 있다.

도 9를 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 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 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 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 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.

프로세서(260)는 통신부(210)를 통해 자율 주행 차량(100b)들로부터 수신한 센서 감지 정보에 학습 모델을 적용하여 자율 주행 차량(100b)의 주변 영역의 안전 레벨을 평가할 수 있다.

프로세서(260)는 자율 주행 차량(100b)들로부터 수신한 센서 감지 정보 및 센서의 정확도에 기반하여 안전 레벨 정보를 포함하는 맵 데이터를 생성할 수 있다.

통신부(210)는 자율 주행 차량(100b) 또는 다른 서버 장치로 생성된 맵 데이터를 전송할 수 있다.

메모리(230)는 수신한 센서 감지 정보 및 생성된 맵 데이터를 저장할 수 있고, 프로세서(260)는 새롭게 수신한 센서 감지 정보에 기반하여 맵 데이터를 변경할 수 있다.

도 10은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.

도 10을 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)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 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.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(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 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 10에 도시된 AI 장치(100a 내지 100e)는 도 8에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)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.

로봇(100a)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 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

자율 주행 차량(100b)은 AI 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 자율 주행 차량(100b)을 주행시킬 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.

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부 또는 외부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링 하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

도 11은 본 발명의 일 실시 예에 따른 맵 데이터 생성 장치(200)의 맵 데이터 생성 방법을 설명하는 흐름도이다. 이하의 설명에서 도 1 내지 도 10에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

맵 데이터 생성 장치(200)는 복수의 자율 주행 차량(100b)들로부터 센서 감지 정보를 수신할 수 있다(S1110). 센서 감지 정보는 자율 주행 차량(100b)이 센서를 이용하여 주변 영역의 정적 또는 동적 객체들을 감지한 객체들의 위치를 포함할 수 있다.

맵 데이터 생성 장치(200)는 센서 감지 정보 및 자율 주행 차량(100b)의 주변 영역을 감지한 센서의 정확도에 기반하여 자율 주행 차량(100b)의 주변 영역의 안전 레벨과 관련된 정보를 포함하는 맵 데이터를 생성할 수 있다(S1120).

일 실시 예로서, 안전 레벨은 안전 영역, 위험 영역 및 미확인 영역으로 구분될 수 있다. 안전 영역 및 위험 영역은 맵 데이터 생성 장치(200)가 센서 감지 정보에 기반하여 안전도를 판단한 영역이고, 미확인 영역은 자율 주행 차량(100b)의 센서들의 감지 범위를 벗어난 영역으로서 맵 데이터 생성 장치(200)가 안전도를 평가하지 않은 영역일 수 있다.

맵 데이터 생성 장치(200)는 센서의 정확도를 반영하여 안전 레벨과 관련된 정보를 맵 데이터에 포함할 수 있으며, 센서의 정확도는 센서의 제원에 기반하여 센서가 감지 가능한 범위에서 객체 감지의 정확도를 의미할 수 있다. 센서의 정확도는 센서의 종류, 제조사에 따라 서로 다를 수 있고, 특정 센서의 경우 센서의 조사각 또는 센서로부터의 거리에 따라 다를 수 있다.

일 실시예에서, 맵 데이터 생성 장치는 센서 감지 정보를 전송한 차량의 식별 정보 또는 센서 감지 정보에 포함된 센서의 식별 정보에 기반하여 센서의 정확도를 확인할 수 있다.

맵 데이터 생성 장치(200)는 생성된 맵 데이터를 자율 주행 차량(100b)으로 5G 네트워크의 하향 링크 그랜트에 기초하여 전송할 수 있다(S1130).

도 12는 본 발명의 일 실시 예에 따른 맵 데이터 생성 방법을 설명하는 흐름도이다. 도 12를 참조하여 맵 데이터 생성 장치(200)의 맵 데이터 생성 방법을 설명한다.

맵 데이터 생성 장치(200)는 자율 주행 차량(100b)으로부터 센서 감지 정보를 수신(S1220)하고, 센서 감지 정보에 포함된 객체 감지 정보가 새로운 동적 객체인지 확인하고(S1221), 새로운 동적 객체가 맵 데이터 생성 장치(200)와 통신으로 연결되지 않는 차량 또는 센서가 미 탑재된 차량인지 확인할 수 있다(S1224).

일 실시예에서, 새로운 동적 객체로부터 수신한 센서 감지 정보가 맵 데이터 생성 장치(200)에 존재하지 않는 경우, 새로운 동적 객체를 맵 데이터 생성 장치(200)와 통신으로 연결되지 않는 차량 또는 센서가 미 탑재된 차량으로 판단할 수 있다.

일 실시예에서, 새로운 동적 객체와 통신이 불가능한 경우, 새로운 동적 객체를 자율 주행 레벨이 낮은 차량 또는 센서가 미 탑재된 차량으로 판단할 수 있다.

일 실시예에서, 새로운 동적 객체의 정보가 맵 데이터 생성 장치(200)에 존재하지 않는 경우, 새로운 동적 객체를 자율 주행 레벨이 낮은 차량 또는 센서가 미 탑재된 차량으로 판단할 수 있다.

도 13을 참조하면, 맵 데이터 생성 장치(200)는 자율 주행 차량들(1310a, 1320a)로부터 제1 시간에 센서 감지 정보를 수신할 수 있다. 자율 주행 차량(1310a)로부터 수신한 센서 감지 정보는 자율 주행 차량(1310a)의 센서에서 감지한 동적 객체(1330a)의 감지 정보가 포함되어 있고, 자율 주행 차량(1310b)로부터 수신한 센서 감지 정보는 센서 감지 범위를 벗어나므로 동적 객체(1330a)의 감지 정보가 포함하지 않을 수 있다.

동적 객체(1330a)로부터 수신한 센서 감지 정보가 존재하지 않으면, 맵 데이터 생성 장치(200)는 동적 객체(1330a)를 맵 데이터 생성 장치(200)와 통신으로 연결되지 않는 차량 또는 센서가 미 탑재된 차량으로 판단할 수 있다.

다른 실시 예에서, 동적 객체(1330a)로부터 수신한 센서 감지 정보가 존재하는 경우, 맵 데이터 생성 장치(200)는 동적 객체(1330a)로부터 수신한 센서 감지 정보의 종류 또는 정확도에 기반하여 동적 객체(1330a)의 자율 주행 레벨을 판단할 수 있다.

맵 데이터 생성 장치(200)는 동적 객체(1330a)의 위치에 기반하여, 자율 주행 차량(100b)이 보유한 기본 맵 데이터(1810) 또는 맵 데이터 생성 장치(200)가 전송할 기본 맵 데이터(1810)에 맵핑 가능한 레이어(1820)를 생성할 수 있다(S1226).

일 실시예에서, 맵 데이터 생성 장치(200)는 맵 데이터 생성 장치(200)와 통신으로 연결되지 않는 차량, 센서가 미 탑재된 차량 또는 미리 설정된 자율 주행 레벨 기준에 미치지 못하는 차량의 위치 정보만 기반하여 기본 맵 데이터(1810)에 맵핑 가능한 레이어(1820)를 생성할 수 있다.

맵 데이터 생성 장치(200)는 동적 객체(1330a)의 자율 주행 레벨을 고려하여 자율 주행 차량(100b)의 주변 영역의 안전 레벨을 평가할 수 있다(S1227).

일 실시 예에서, 맵 데이터 생성 장치(200)와 통신으로 연결되지 않는 차량, 센서가 미 탑재된 차량 또는 미리 설정된 자율 주행 레벨 기준에 미치지 못하는 차량인 동적 객체(1330a)가 존재하는 주변 영역(1345a)을 위험 영역으로 평가할 수 있다. 동적 객체(1330a)를 감지하지 못한 자율 주행 차량(1320a)은 수신한 맵 데이터에 포함된 주변 영역의 안전 레벨을 고려하여, 위험 영역으로 분류된 영역을 주행 경로에서 제외하거나 위험 영역을 회피하는 방향으로 주행 경로를 설정할 수 있다. 따라서, 자율 주행 차량이 자율 주행 레벨이 떨어지거나 없는 차량과의 충돌 위험 등을 미리 예방할 수 있는 효과가 있다.

맵 데이터 생성 장치(200)는 센서 감지 정보를 생성한 센서의 정확도에 기반하여 맵 데이터를 생성할 수 있다(S1228).

일 실시 예에서, 맵 데이터 생성 장치(200)가 동일한 영역에 대해 복수의 센서가 감지한 센서 감지 정보를 수신한 경우, 맵 데이터 생성 장치(200)는 정확도가 더 높은 센서의 센서 감지 정보에 기반하여 맵 데이터를 생성할 수 있다.

도 13을 참조하면, 맵 데이터 생성 장치(200)는 영역(1343a)에 대해 복수의 자율 주행 차량(1310a, 1320a)으로부터 센서 감지 정보를 수신할 수 있다. 맵 데이터 생성 장치(200)는 영역(1343a)에 대해 센서 감지 정보를 생성한 센서들의 제원 정보에 기반하여 정확도가 더 높은 센서를 판단하고, 정확도가 더 높은 센서의 센서 감지 정보에 기반하여 맵 데이터를 생성할 수 있다.

다른 실시 예에서, 맵 데이터 생성 장치(200)가 동일한 영역에 대해 복수의 센서가 감지한 센서 감지 정보를 수신한 경우, 맵 데이터 생성 장치(200)는 복수의 센서의 정확도를 반영한 센서 감지 정보에 기반하여 맵 데이터를 생성할 수 있다.

도 13을 참조하면, 맵 데이터 생성 장치(200)는 영역(1343a)에 대해 복수의 자율 주행 차량(1310a, 1320a)으로부터 센서 감지 정보를 수신할 수 있다. 맵 데이터 생성 장치(200)는 영역(1343a)에 대해 센서 감지 정보를 생성한 센서들의 제원 정보에 기반하여 정확도가 더 높은 센서의 센서 감지 정보에 다른 센서의 센서 감지 정보를 반영하여 맵 데이터를 생성할 수 있다. 예를 들어, 자율 주행 차량(1310a)로부터 수신한 센서 감지 정보는 영역(1343a)에 객체가 존재한다는 정보를 포함하고, 자율 주행 차량(1320a)로부터 수신한 센서 감지 정보는 영역(1343a)에 객체가 존재하지 않는다는 정보를 포함할 수 있다. 자율 주행 차량(1310a)에 장착된 센서의 정확도가 자율 주행 차량(1320a)에 장착된 센서의 정확도보다 높은 경우, 맵 데이터 생성 장치(200)는 영역(1343a)에 객체가 존재한다는 정보에 기반하고, 맵 데이터의 영역(1343a)에 대한 정확도를 자율 주행 차량(1310a)에 장착된 센서의 정확도보다 낮춘 값으로 맵 데이터를 생성할 수 있다. 다른 예로, 두 자율 주행 차량(1310a, 1320a)으로부터 수신한 센서 감지 정보 모두에 영역(1343a)에 객체가 존재한다는 정보를 포함한 경우, 맵 데이터의 영역(1343a)에 대한 정확도를 자율 주행 차량(1310a)에 장착된 센서의 정확도보다 높인 값으로 맵 데이터를 생성할 수 있다. 따라서, 특정 영역에 객체가 존재한다는 정보와 함께 복수의 자율 주행 차량들에 장착된 센서들의 센서 감지 정보들을 반영하여 맵 데이터의 정확도를 향상시킬 수 있다.

다른 실시 예에서, 맵 데이터 생성 장치(200)는 센서의 정확도를 맵핑한 레이어를 포함하여 맵 데이터를 생성할 수 있다. 예를 들어, 맵 데이터 생성 장치(200)는 감지된 동적 객체의 위치 및 해당 동적 객체의 존재 가능성에 대한 정확도를 포함하여 맵 데이터를 생성할 수 있다. 도 13을 참조하면, 영역(1345a)에 동적 객체(1330a)가 존재한다는 정보와 함께, 동적 객체(1330a)를 감지한 자율 주행 차량(1310a)의 센서의 정확도를 함께 포함하여 맵 데이터를 생성할 수 있다. 따라서, 맵 데이터를 수신한 자율 주행 차량(1320a)은 동적 객체(1330a)가 영역(1345a)에 존재할 정확도에 기반하여 주행 동작을 제어할 수 있다. 센서의 정확도를 맵핑한 레이어는 도 14의 레이어(1420)와 같은 형태일 수 있고, 또는 동적 객체(1330a)가 존재하는 위치의 정확도만 포함하는 형태일 수 있다.

센서의 정확도는 자율 주행 차량(100b)이 보유한 센서의 식별 정보를 센서 감지 정보와 함께 전송될 수 있다. 맵 데이터 생성 장치(200)는 등록되어 있는 자율 주행 차량(100b)의 식별 정보에 기반하여 보유한 센서를 확인하고, 센서의 식별 정보를 통해 센서의 제원 정보에 기반하여 센서의 정확도를 확인할 수 있다.

맵 데이터 생성 장치(200)는 자율 주행 차량(100b)의 주변 영역들(1341a, 1343a, 1345a, 1347a, 1349a)의 안전도를 센서 감지 정보에 기반하여 안전 영역, 위험 영역 및 미확인 영역으로 판단할 수 있다. 안전 영역(1341a, 1343a, 1347a)은 미리 설정된 자율 주행 레벨 이상의 자율 주행 차량이 존재하는 영역 또는 센서 감지 정보에 객체가 존재하지 않는 것으로 기록된 영역일 수 있고, 위험 영역(1345a)은 맵 데이터 생성 장치(200)와 통신으로 연결되지 않는 차량, 센서가 미 탑재된 차량 또는 미리 설정된 자율 주행 레벨 기준에 미치지 못하는 차량이 존재하는 영역일 수 있다. 미확인 영역(1349a)은 센서 감지 정보가 존재하지 않는 영역일 수 있다.

맵 데이터 생성 장치(200)는 안전 레벨에 센서의 정확도를 반영하여 맵 데이터를 생성할 수 있다. 센서의 객체 인식 정확도는 감지 거리에 따라 다를 수 있고, 일반적으로 센서에서 먼 거리에 위치한 객체일수록 정확도는 낮아질 수 있다.

도 14를 참조하면, 센서(1410)의 정확도(1420)는 거리에 따라 다를 수 있고, 예를 들어, 센서(1410)로부터 근거리 영역(1421)에 대한 센서의 정확도가 95%인데 반하여 그보다 먼 영역(1423)에 대한 센서의 정확도는 90%일 수 있다. 맵 데이터 생성 장치(200)는 영역별 센서의 정확도(1420)를 영역별 안전 레벨(1430)에 맵핑하거나 맵핑 가능하도록 별도의 레이어로 생성할 수 있다. 도 15를 참조하여 정확도가 반영된 안전 레벨을 도식화하여 표현하면, 안전 영역(1341a, 1343a, 1347a)을 파란 색으로 표시하고 위험 영역(1345a)을 빨간 색으로 표시할 경우, 각 영역의 안전 레벨에 센서의 정확도를 반영하여 색의 농도를 다르게 표현할 수 있다.

맵 데이터 생성 장치(200)는 미리 설정된 시간 간격 또는 기준에 따라 자율 주행 차량(100b)으로부터 센서 감지 정보를 주기적 또는 비 주기적으로 수신하여 맵 데이터를 변경할 수 있다. 맵 데이터 생성 장치(200)는 새롭게 수신한 센서 감지 정보에 포함된 동적 객체가 이전의 센서 감지 정보에 포함된 동적 객체인 경우(S1222), 동적 객체의 변경된 위치를 반영하고(S1226) 자율 주행 차량(100b)의 주변 영역의 안전 레벨을 다시 평가할 수 있다(S1227).

맵 데이터 생성 장치(200)는 이전에 수신한 센서 감지 정보에세 위험한 것으로 판단된 동적 객체가 자율 주행 차량(100b)의 센서 감지 범위를 벗어나서 새롭게 수신한 센서 감지 정보에 포함되지 않는 경우, 위험한 것으로 판단된 동적 객체의 위치를 추정하고(S1223), 추정된 위치에 해당하는 주변 영역을 위험 영역으로 판단할 수 있다. 또한, 위험한 것으로 판단된 동적 객체의 추정된 위치에 기반하여 이전 센서 감지 정보에서 위험 영역으로 판단된 영역을 안전 영역으로 변경할 수 있다.

도 13 및 도 16을 참조하여 위험한 것으로 판단된 동적 객체의 위치를 추정하는 방법을 설명한다.

맵 데이터 생성 장치(200)는 도 13과 같이 제1 시간에 수신한 센서 감지 정보에서 감지된 동적 객체(1330a)가 위치한 영역(1345a)을 위험 영역으로 판단한 후, 도 16과 같이 제2 시간에 수신한 센서 감지 정보에서 기존의 위험 영역(1345b)에 동적 객체(1330b)가 감지되지 않는 경우, 기존의 위험 영역(1345b)을 안전 영역으로 변경할 수 있다.

맵 데이터 생성 장치(200)는 이전에 수신한 센서 감지 정보에서 인식된 동적 객체(1330a)의 위치, 주행 방향 또는 주행 속도에 기반하여 제2 시간에 동적 객체(1330b)가 위치할 것으로 추정되는 영역(1349b)을 판단할 수 있다. 맵 데이터 생성 장치(200)는 판단 결과에 기반하여 이전에 미확인 영역(1349a)으로 분류한 영역을 위험 영역(1349b)으로 변경할 수 있다. 맵 데이터 생성 장치(200)는 변경된 맵 데이터를 다시 자율 주행 차량(100b)으로 전송할 수 있다.

도 17은 본 발명의 일 실시 예에 따른 맵 데이터 생성 방법을 설명하는 예시도이다. 도 17을 참조하여 맵 데이터 생성 장치(200)가 이전의 센서 감지 범위에 기반하여 안전 레벨을 평가한 영역에 대해 추정에 기반하여 안전 레벨을 변경하는 실시예를 설명한다.

도 17을 참조하면, 자율 주행 차량(100b)의 주변 영역은 맵 데이터 생성 장치(200)가 제2 시간에 수신한 센서 감지 정보가 존재하지 않는 영역(1720b)을 포함할 수 있다. 맵 데이터 생성 장치(200)는 제1 시간에 수신한 센서 감지 정보를 고려하여 판단하면, 센서 감지 정보가 존재하지 않는 영역(1720b)은 제1 시간에 자율 주행 차량(1710a)가 존재했던 영역(1720a)이었다. 또한, 제1 시간과 제2 시간 사이에 해당 영역(1720a)을 둘러싸고 있던 다른 자율 주행 차량들로 인해 센서가 미 탑재된 차량 또는 맵 데이터 생성 장치(200)와 연결되지 않은 차량이 센서 감지 범위를 통과하지 않고 진입할 수 없는 구역이었으므로, 맵 데이터 생성 장치(200)는 센서 감지 정보가 존재하지 않는 영역(1720b)을 안전 영역으로 판단할 수 있다.

맵 데이터 생성 장치(200)는 센서 감지 정보가 존재하지 않는 영역(1720b)을 안전 영역으로 판단한 이후, 다시 변경된 상황을 고려하여 해당 영역(1720b)의 안전 레벨을 변경할 수 있다.

도 17을 참조하면, 센서 감지 정보가 존재하지 않지만 안전 영역으로 판단된 영역(1720b)이 맵 데이터 생성 장치(200)와 연결된 자율 주행 차량들로 둘러 싸여 다른 차량이 센서 감지 범위를 통과하지 않고는 진입이 불가능한 상태를 유지하는 경우 계속 안전 영역으로 판단할 수 있다. 그러나, 다른 차량이 센서 감지 범위를 통과하지 않고 안전 영역으로 판단된 영역(1720b)에 진입이 가능한 지형과 해당 영역이 연결된 경우, 예를 들어 주행 도로에 진입하는 진입 도로(1730)와 해당 영역(1720c)이 연결된 경우 맵 데이터 생성 장치(200)는 해당 영역(1720c)의 안전 레벨을 다시 미확인 영역으로 변경할 수 있다.

맵 데이터 생성 장치(200)는 맵 데이터를 수신하는 차량의 자율 주행 레벨에 기반하여 맵 데이터를 생성할 수 있다.

일 실시 예에서, 맵 데이터를 수신하는 차량의 자율 주행 레벨보다 낮은 자율 주행 레벨을 가지는 차량에서 수신된 센서 감지 정보 중, 미리 설정된 정확도 이상의 센서 감지 정보에 기반하여 생성된 맵 데이터를 수신하는 차량에 전송할 수 있다.

예를 들어, 맵 데이터 생성 장치(200)는 맵 데이터를 수신하는 차량의 자율 주행 레벨이 레벨 3인 경우, 레벨 2의 차량으로부터 전송된 센서 감지 정보 중 센서의 정확도가 미리 설정된 기준 이하인 센서 감지 정보를 제외한 후 생성한 맵 데이터를 레벨 3의 차량으로 전송할 수 있다.

다른 실시 예에서, 맵 데이터를 수신하는 차량의 자율 주행 레벨이 미리 설정된 자율 주행 레벨 기준 이하인 경우, 수신하는 차량보다 높은 자율 주행 레벨을 가진 차량으로부터 수신한 센서 감지 정보 중 센서의 정확도가 낮은 센서 감지 정보도 맵 데이터의 생성 기반이 될 수 있다.

맵 데이터 생성 장치(200)는 맵 데이터를 수신하는 차량의 주행 환경에 기반하여 맵 데이터를 생성할 수 있다. 예를 들어, 맵 데이터 생성 장치(200)는 맵 데이터를 수신하는 차량의 주행 지형, 주행 시간 또는 날씨 등의 주행 환경을 고려하여 맵 데이터를 생성할 수 있다.

일 실시 예에서, 맵 데이터를 수신하는 차량의 주행 지형이 운전에 주의를 필요로 하는 지역으로 도로 정보 시스템에 설정이 되어 있는 지역이거나, 주행 시간이 야간인 경우, 날씨가 악천후인 경우 맵 데이터를 수신하는 차량은 보유한 센서의 감지 능력이 낮아질 수 있다. 따라서, 맵 데이터를 수신하는 차량보다 낮은 자율 주행 레벨을 가지는 차량에서 수신된 센서 감지 정보 또는 센서의 정확도가 낮은 센서 감지 정보에 기반하여 생성된 맵 데이터도 맵 데이터를 수신하는 차량에 전송될 수 있다.

도 18은 맵 데이터 생성 장치(200)가 생성하는 맵 데이터의 일 실시 예를 설명한다.

맵 데이터 생성 장치(200)는 도로 정보 및 지형 정보가 포함된 기본 맵 데이터(1810)에 맵핑될 수 있는 다양한 레이어에 필요한 정보들을 포함할 수 있다. 레이어들은 국제표준 ISO 17424의 LDM(Local Dynamic Map)의 레이어이거나 NDS(Navigation Data Standard)의 형식으로 구성된 레이어일 수 있다.

맵 데이터 생성 장치(200)는 갱신 주기가 상대적으로 낮은 정적인 정보들(1830, 1840), 예를 들어 도로 형상, 도로 시설물, 건물, 일시적 통제 정보 등이 포함된 레이어를 생성할 수 있다.

맵 데이터 생성 장치(200)는 갱신 주기가 상대적으로 빠른 동적인 정보들(1850, 1860), 예를 들어 사고 정보, 정체 정보, 날씨 정보, 동적 객체의 위치 정보 등이 포함된 레이어를 생성할 수 있다.

맵 데이터 생성 장치(200)는 맵 데이터를 수신하는 차량의 상황, 요청 또는 자율 주행 레벨에 따라 레이어들을 선택하여 생성된 맵 데이터를 자율 주행 차량(100b)으로 전송할 수 있다.

레이어들을 포함하는 맵 데이터를 수신한 자율 주행 차량(100b)은 ADASIS(Advanced Driver Assistant System Interface Specification)에 기반하여 맵 데이터에서 필요한 정보를 ADAS 어플리케이션에 전송할 수 있다.

도 19는 도 8과 같은 AI 장치(100)가 도 1의 자율 주행 차량(100b)으로서 구현된 본 발명의 일 실시 예에 따른 자율 주행 차량(100b)의 구성을 나타낸다. 이하의 설명에서 도 1 내지 도 18에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 19를 참조하면 일 실시 예에 따른 자율 주행 차량(100b)은 사용자에게 경고 등의 알림을 제공하는 사용자 인터페이스부(1910), 자율 주행 차량(100b)을 주행시키기 위한 구동부(1920), 맵 데이터 생성 장치(200)에서 수신한 주행 경로, 교통 정보 등을 포함하는 맵 데이터를 저장하고 구동부(1920)를 제어하기 위한 명령어들을 저장하는 저장부(1930), 사용자 인터페이스부(1910) 및 구동부(1920)를 제어하는 제어부(1940), 맵 데이터 생성 장치(200)로부터 맵 데이터를 수신하고 자율 주행 차량(100b) 내부의 장치들 간에 통신을 지원하는 통신부(1950), 자율 주행 차량(100b) 내 외부 환경을 모니터링하기 위한 센싱부(1960)를 포함할 수 있다.

자율 주행 차량(100b)은 통신부(1950)를 통해 맵 데이터 생성 장치(200)로부터 수신한 맵 데이터를 수신할 수 있고, 맵 데이터는 복수의 자율 주행 차량(100b)으로부터 수신한 센서 감지 정보에 기반하여 생성된 맵 데이터일 수 있다. 맵 데이터는 센서의 정확도에 기반하여 자율 주행 차량(100b)의 주변 영역의 안전 레벨이 평가된 정보를 포함할 수 있다.

제어부(1940)는 맵 데이터에 포함된 안전 레벨을 고려하여 주행 경로를 설정하고 구동부(1920)를 제어하여 자율 주행 차량(100b)을 운행할 수 있다.

일 실시 예에서, 제어부(1940)는 맵 데이터에 포함된 안전 레벨이 미리 설정된 기준보다 낮은 영역을 배제하여 주행 경로를 설정할 수 있다.

일 실시 예에서, 제어부(1940)는 맵 데이터에 포함된 안전 레벨이 미리 설정된 기준보다 낮은 영역을 미리 설정된 근접 거리 이상으로 회피하도록 주행 경로를 설정할 수 있다.

일 실시 예에서, 사용자 인터페이스부(1910)는 맵 데이터에 포함된 위험한 동적 객체의 위치와 관련된 알람을 표시할 수 있다.

알람은 소리 형태이거나, 계기판 또는 CID(Center Information Display)의 디스플레이에 표시되는 형태일 수 있고, 자동차 윈도우(전면, 측면, 후면 윈도우 중 어느 하나일 수 있음.)에 AR(Augmented Reality) 또는 홀로그램으로 표시되는 형태일 수 있다.

일 실시 예에서, 제어부(1940)는 자율 주행 차량(100b)의 주변 영역 중 위험 영역이 수신된 맵 데이터에 포함된 경우 사용자 인터페이스부(1910)를 통해 사용자가 제어권을 가질 것을 요청할 수 있다.

일 실시 예에서, 제어부(1940)는 자율 주행 차량(100b)의 주변 영역 중 센서가 미 탑재된 차량 또는 맵 데이터 생성 장치(200)와 연결되지 않는 차량이 수신된 맵 데이터에 포함된 경우 사용자 인터페이스부(1910)를 통해 사용자가 제어권을 가질 것을 요청할 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.

한편, 상기 프로그램은 본 개시를 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수 있다. 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 개시의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 개시에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 개시에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 개시가 한정되는 것은 아니다. 본 개시에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 개시를 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 개시의 범위가 한정되는 것은 아니다. 또한, 통상의 기술자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 폼 팩터(form factor)에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 개시의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 개시의 사상의 범주에 속한다고 할 것이다.

100b: 자율 주행 차량 200: 맵 데이터 생성 장치
300:자율 주행 레벨이 낮은 차량 1410:센서
1420:센서 정확도 레이어 1430:영역별 안전 레벨 레이어
1810: 기본 맵 1820:맵 데이터의 레이어

Claims

복수의 차량 또는 제1 서버 장치로부터 상기 복수의 차량의 적어도 하나의 센서가 제1 시간에 상기 차량의 주변 영역을 감지한 센서 감지 정보를 수신하는 단계;
상기 센서 감지 정보 및 상기 센서의 정확도에 기반하여 상기 주변 영역의 안전 레벨과 관련된 정보를 포함하는 맵(map) 데이터를 생성하는 단계; 및
상기 맵 데이터를 복수의 차량 또는 제2 서버 장치로 전송하는 단계를 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 1 항에 있어서,
상기 센서 감지 정보는 감지된 동적 객체의 위치 정보를 포함하고,
상기 맵 데이터를 생성하는 단계는,
상기 동적 객체의 자율 주행 레벨에 기반하여 상기 주변 영역의 상기 안전 레벨을 평가하는 단계를 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 2 항에 있어서,
상기 상기 안전 레벨을 평가하는 단계는,
상기 동적 객체와의 통신을 통해 상기 동적 객체의 자율 주행 레벨을 판단하는 단계를 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 3 항에 있어서,
상기 맵 데이터를 생성하는 단계는,
상기 자율 주행 레벨을 판단하는 단계 이후에,
자율 주행 레벨이 미리 설정된 자율 주행 레벨 기준보다 낮은 동적 객체의 위치를 반영한 동적 맵 레이어를 생성하는 단계; 및
상기 동적 맵 레이어를 포함하는 상기 맵 데이터를 생성하는 단계를 더 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 2 항에 있어서,
상기 안전 레벨을 평가하는 단계는,
상기 동적 객체 중에서 미리 설정된 자율 주행 레벨 기준 이하의 자율 주행 레벨을 가진 저 레벨 동적 객체가 위치하거나 위치할 것으로 예상되는 제1 영역과 상기 저 레벨 동적 객체가 위치하지 않거나 위치하지 않을 것으로 예상되는 제2 영역을 구별하는 단계를 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 5 항에 있어서,
상기 센서가 제2 시간에 상기 차량의 주변 영역을 감지한 센서 감지 정보를 수신하는 단계;
상기 제2 시간에 감지된 센서 감지 정보에 상기 저 레벨 동적 객체의 위치가 포함되었는지 확인하는 저 레벨 동적 객체의 위치 확인 단계;
상기 제1 시간에 감지된 동적 객체들 중, 상기 제2 시간에 감지되지 않은 동적 객체들에 대하여, 상기 제1 시간에 감지된 센서 감지 정보에 포함된 상기 저 레벨 동적 객체의 위치, 속도 또는 주행 방향 중 적어도 하나를 고려하여 상기 저 레벨 동적 객체가 위치할 것으로 예상되는 상기 제1 영역을 추정하는 단계;
상기 추정된 제1 영역에 기반하여 상기 맵 데이터를 변경하는 단계; 및
상기 변경된 맵 데이터를 상기 복수의 차량 또는 상기 제2 서버 장치로 전송하는 단계를 더 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 5 항에 있어서,
상기 센서가 제2 시간에 상기 차량의 주변 영역을 감지한 센서 감지 정보를 수신하는 단계;
상기 제2 시간에 감지된 센서 감지 정보에 포함되지 않은 미 확인 영역에 대해 상기 복수의 차량의 상기 제1 시간에서의 위치에 기반하여 저 레벨 동적 객체가 상기 제 2 시간에 상기 미 확인 영역에 존재할 가능성을 판단하는 단계; 및
상기 저 레벨 동적 객체가 존재할 가능성에 기반하여 상기 미 확인 영역이 상기 제1 영역인지 또는 상기 제2 영역인지 추정하는 단계를 더 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 7 항에 있어서,
상기 추정하는 단계 이후에,
상기 추정된 제2 영역이 상기 복수의 차량이 주행하는 도로에 진입하는 도로의 진입 지점을 거치는지 판단하는 단계; 및
상기 진입 지점을 거치는지 판단한 결과에 기반하여, 상기 추정된 제2 영역의 안전 레벨을 변경하는 단계를 더 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 1 항에 있어서,
상기 센서는 복수이고,
상기 맵 데이터를 생성하는 단계는,
동일한 영역에 대한 센서 감지 정보에 대하여 상기 복수의 센서 중 정확도가 더 높은 센서의 센서 감지 정보에 기반하여 상기 맵 데이터를 생성하는 단계를 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 1 항에 있어서,
상기 맵 데이터를 생성하는 단계는,
상기 센서 감지 정보가 존재하지 않는 주변 영역을 상기 센서 감지 정보가 존재하는 주변 영역과 구별하여 상기 안전 레벨을 평가하는 단계를 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 1 항에 있어서,
상기 센서는 복수이고,
상기 맵 데이터를 생성하는 단계는,
상기 복수의 센서의 정확도 모두에 기반하여 상기 맵 데이터를 생성하는 단계를 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 11 항에 있어서,
상기 맵 데이터를 생성하는 단계는,
상기 센서의 상기 정확도가 다른 복수의 주변 영역이 서로 구별되도록 상기 맵 데이터를 생성하는 단계를 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 1 항에 있어서,
상기 맵 데이터를 전송하는 단계 이전에,
상기 맵 데이터를 수신하는 차량의 자율 주행 레벨에 기반하여 상기 맵 데이터를 변경하는 단계를 포함하는,
서버 장치의 맵 데이터 생성 방법.
제 1 항에 있어서,
상기 맵 데이터를 전송하는 단계 이전에,
상기 맵 데이터를 수신하는 차량의 주행 환경에 기반하여 상기 맵 데이터 변경하는 단계를 포함하는,
서버 장치의 맵 데이터 생성 방법.
프로세서; 및
상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 명령어 및 맵 데이터가 저장되는 메모리를 포함하고,
상기 메모리는,
상기 프로세서가 복수의 차량의 적어도 하나의 센서가 상기 차량의 주변 영역을 감지한 센서 감지 정보 및 상기 센서의 정확도에 기반하여 상기 주변 영역의 안전 레벨과 관련된 정보를 포함하는 맵 데이터를 생성하도록 야기하는 코드들을 저장하는,
맵 데이터 생성 장치.
제 15 항에 있어서,
상기 센서 감지 정보는 감지된 동적 객체의 위치 정보를 포함하고,
상기 맵 데이터는 상기 동적 객체의 자율 주행 레벨에 기반하여 평가된 상기 안전 레벨과 관련된 정보를 포함하는,
맵 데이터 생성 장치.
제 15 항에 있어서,
상기 센서 감지 정보는 감지된 동적 객체의 위치 정보를 포함하고,
상기 메모리는,
상기 프로세서가 미리 설정된 자율 주행 레벨 기준보다 낮은 자율 주행 레벨을 가지는 상기 동적 객체의 위치를 반영한 동적 맵 레이어를 포함하는 상기 맵 데이터를 생성하도록 야기하는 코드들을 더 저장하는,
맵 데이터 생성 장치.
제 15 항에 있어서,
상기 센서는 복수이고,
상기 메모리는,
상기 프로세서가 동일한 영역에 대한 센서 감지 정보에 대하여, 상기 복수의 센서 중 정확도가 더 높은 센서의 센서 감지 정보에 기반하여 상기 맵 데이터를 생성하도록 야기하는 코드들 또는 상기 복수의 센서 모두의 정확도에 기반하여 상기 맵 데이터를 생성하도록 야기하는 코드들을 더 저장하는,
맵 데이터 생성 장치.
복수의 차량의 센서의 정확도에 기반하여 주변 영역의 안전 레벨이 평가된 맵 데이터를 수신하는 단계; 및
상기 안전 레벨을 고려하여 차량을 제어하는 단계를 포함하는,
자율 주행 차량의 제어 방법.
제 19 항에 있어서,
상기 차량을 제어하는 단계는,
상기 안전 레벨이 미리 설정된 기준보다 낮은 주변 영역이 배제된 주행 경로를 생성하는 단계를 포함하는,
자율 주행 차량의 제어 방법.