KR20210100777A - 차량의 위치를 결정하는 장치 및 그의 동작 방법 - Google Patents

Abstract

본 개시물은 차량의 위치를 결정하는 장치 및 그의 동작 방법에 관한 것이다. 차량에 포함되는 전자 장치의 동작 방법은, 적어도 하나의 라이다로부터 주변 환경에 대응되는 제1 포인트 클라우드를 획득하는 동작, 맵 데이터에서 상기 차량의 위치 정보에 대응되는 제2 포인트 클라우드를 획득하는 동작, 및 상기 제1 포인트 클라우드의 적어도 일부와 상기 제2 포인트 클라우드를 매칭하여 상기 차량의 위치 정보를 보정하는 동작을 포함할 수 있다. 본 개시물의 자율 주행 차량(autonomous vehicle, autonomous driving), 사용자 단말기 및 서버 중 하나 이상이 인공지능(Artificial Intelligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(Virtual Reality, VR)장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.

Description

차량의 위치를 결정하는 장치 및 그의 동작 방법{APPARATUS FOR DETERMINING POSITION OF VEHICLE AND OPERATING METHOD THEREOF}

본 개시물의 다양한 실시예들은 차량의 위치를 결정하는 장치 및 그의 동작 방법에 관한 것이다.

자율 주행 차량은 사용자의 조작 없이, 스스로 운행 할 수 있는 기능을 갖는 차량을 의미한다. 자율 주행 차량은 차량에 장착된 적어도 하나의 센서로부터 획득되는 정보를 서버로 송신하고, 서버로부터 주변의 차량 및 도로의 상황에 대한 정보를 수신함으로써, 사용자의 조작없이 자동 주행을 수행할 수 있다.

자율 주행 차량은 차량의 GPS(Global Positioning System)를 이용하여 차량의 위치를 파악하고, 파악된 차량의 위치를 기반으로 자율 주행을 수행할 수 있다.

차량은 차량의 현재 위치를 기반으로 자율 주행을 수행하므로, 차량에서 파악한 현재 위치가 실제 차량의 위치와 상이할 경우, 차량 사고가 발생될 수 있다. 예를 들어, 차량이 다른 차량, 보행자, 또는 구조물과 충돌하는 사고가 발생되거나, 차량이 도로에서 이탈하는 사고가 발생될 수 있다.

따라서, 본 개시물의 다양한 실시예들은 차량의 위치를 결정하는 장치 및 그의 동작 방법에 대해 개시한다.

본 개시물의 다양한 실시예들은 적어도 하나의 센서를 이용하여 차량의 위치를 보정하는 장치 및 그의 동작 방법에 대해 개시한다.

본 문서에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시물이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시물의 다양한 실시예들에 따르면, 차량에 포함되는 전자 장치의 동작 방법은, 적어도 하나의 라이다로부터 주변 환경에 대응되는 제1 포인트 클라우드를 획득하는 동작, 맵 데이터에서 상기 차량의 위치 정보에 대응되는 제2 포인트 클라우드를 획득하는 동작, 및 상기 제1 포인트 클라우드의 적어도 일부와 상기 제2 포인트 클라우드를 매칭하여 상기 차량의 위치 정보를 보정하는 동작을 포함할 수 있다.

본 개시물의 다양한 실시예들에 따르면, 차량에 포함되는 전자 장치는, 프로세서, 및 상기 프로세서와 전기적으로 연결된 인터페이스를 포함하며, 상기 프로세서는, 상기 인터페이스를 통해 적어도 하나의 라이다로부터 주변 환경에 대응되는 제1 포인트 클라우드를 획득하고, 상기 인터페이스를 통해 맵 데이터에서 상기 차량의 위치 정보에 대응되는 제2 포인트 클라우드를 획득하고, 상기 제1 포인트 클라우드의 적어도 일부와 상기 제2 포인트 클라우드를 매칭하여 상기 차량의 위치 정보를 보정할 수 있다.

본 개시물의 다양한 실시예들은, 차량에서 적어도 하나의 센서를 이용하여 차량의 위치를 보정함으로써, 정확한 위치 정보를 획득할 수 있으며, 이에 따라 차량의 위치 오 측정으로 인해 사고가 발생되는 것을 방지할 수 있다.

본 개시물의 다양한 실시예들은, 차량에서 도로의 복잡도에 따라 적어도 하나의 센서를 선택적으로 이용하여 차량의 위치를 보정함으로써, 측위 정확도를 향상시킬 수 있다.

도 1은 다양한 실시예들에 따른 차량의 헤드 램프에 포함되는 센서들을 도시한다.
도 1b는 다양한 실시예들에 따른 헤드 램프 내 센서들의 FOV(field of view)를 도시한다.
도 2는 다양한 실시예들에 따른 차량의 제어 블럭도이다.
도 3은 다양한 실시예들에 따른 차량에 포함되는 전자 장치의 블럭도이다.
도 4는 다양한 실시예들에 따른 차량에서 위치 정보를 보정하는 흐름도이다.
도 5a 내지 도 5d는 포인트 기반의 맵 매칭 방식을 이용하여 위치를 보정하는 예시도이다.
도 6은 다양한 실시예들에 따른 차량에서 도로 복잡도에 기초하여 측위 방식을 선택하는 흐름도이다.
도 7a는 다양한 실시예들에 따른 차량에서 카메라를 이용하여 도로의 빈 공간(free-space) 탐지하는 예시도이다.
도 7b는 다양한 실시예들에 따른 차량에서 맵 데이터에서 획득된 도로 영역을 나타내는 예시도이다.
도 8은 다양한 실시예들에 따른 차량에서 카메라를 이용하여 도로의 오브젝트를 탐지하는 예시도이다.
도 9는 다양한 실시예들에 따른 차량에서 맵 매칭 방식을 이용하여 위치를 보정하는 흐름도이다.
도 10a 내지 도 10d는 다양한 실시예들에 따른 차량에서 포인트 기반의 맵 매칭 방식에 대한 예시도이다.
도 11은 다양한 실시예들에 따른 차량에서 포인트 기반의 맵 매칭을 위해 차량의 위치를 변경하는 예시도이다.
도 12는 다양한 실시예들에 따른 차량에서 랜드마크 기반의 맵 매칭 방식을 이용하여 위치를 보정하는 흐름도이다.
도 13a 내지 도 13c는 다양한 실시예들에 따른 차량에서 랜드마크 기반의 맵 매칭 방식에 대한 예시도이다.

본 개시물의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시물은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 개시물의 개시가 완전하도록 하며, 본 개시물이 속하는 기술분야에서 통상의 지식을 가진 자에게 개시물의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시물은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

하나의 구성 요소가 다른 구성 요소와 "연결된(connected to)" 또는 "커플링된(coupled to)" 이라고 지칭되는 것은, 다른 구성 요소와 직접 연결 또는 커플링된 경우 또는 중간에 다른 구성 요소를 개재한 경우를 모두 포함한다. 반면, 하나의 구성 요소가 다른 구성 요소와 "직접 연결된(directly connected to)" 또는 "직접 커플링된(directly coupled to)"으로 지칭되는 것은 중간에 다른 구성 요소를 개재하지 않은 것을 나타낸다. "및/또는"은 언급된 아이템들의 각각 및 하나 이상의 모든 조합을 포함한다.

본 개시물에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시물을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

비록 제1, 제2 등이 다양한 구성 요소들을 서술하기 위해서 사용되나, 이들 구성 요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성 요소를 다른 구성 요소와 구별하기 위하여 사용하는 것이다.

따라서, 이하에서 언급되는 제1 구성 요소는 본 개시물의 기술적 사상 내에서 제2 구성 요소 일 수도 있음은 물론이다. 다른 정의가 없다면, 본 개시물에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시물이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

본 실시예에서 사용되는 '부' 또는 '모듈'이라는 용어는 소프트웨어 또는 FPGA또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '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 구성 요소들과 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 개시물의 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 커플링되며, 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. ASIC는 사용자 단말기 내에 상주할 수도 있다.

본 개시물에서 기술되는 차량은 통신망을 통해 외부 서버에 연결되고, 자율 주행 기술을 이용하여 운전자 개입 없이 미리 설정된 경로를 따라 이동 가능하다. 본 개시물의 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 자율 주행 차량 시스템으로 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 개시물은 사용자의 목적지 입력 시 구간별로 필요한 보험을 안내하고 실시간으로 위험구간 모니터링을 통해 보험 안내를 업데이트 한다.

본 개시물의 자율 주행 차량, 사용자 단말기 및 서버 중 하나 이상이 인공 지능(Artificial Intelligence) 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.

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

예를 들어, 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)를 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.

실시예에 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.

이하의 본 개시물의 다양한 실시예들에서는 차량의 램프들 중에서 헤드 램프를 예로 들어 설명하나, 본 개시물의 다양한 실시예들은 헤드 램프에 한정되지 않을 것이다. 예를 들어, 본 개시물의 다양한 실시예들은, 차량의 후방 램프, 및/또는 측방 램프에도 동일하게 적용될 수 있다.

도 1a는 다양한 실시예들에 따른 차량의 헤드 램프에 포함되는 센서들을 도시한다.

도 1a를 참조하면, 다양한 실시예들에 따른 차량의 헤드 램프들(101, 103) 각각은, 적어도 두 개의 카메라(111, 113, 131, 133), 적어도 하나의 라이다(121, 123), 및 적어도 하나의 광원(141, 143)을 포함할 수 있다.

다양한 실시예들에 따르면, 제1 헤드 램프(101)는 제1 전방 카메라(111), 제1 측방 카메라(131), 제1 라이다(121), 및 적어도 하나의 제1 광원(141) 중 적어도 하나를 포함할 수 있다. 제1 헤드 램프(101)는 차량의 우측 전면에 장착되는 헤드 램프일 수 있으며, 제1 전방 카메라(111)는, 차량의 전방을 센싱하도록 배치되고, 제1 측방 카메라(131)는, 차량의 전방 중 적어도 일부 및 우측 방향을 센싱하도록 배치될 수 있다. 제1 라이다(121)는 차량의 전방 중 적어도 일부 및 우측 방향을 센싱하도록 배치될 수 있다. 예를 들어, 제1 전방 카메라(111)는, 차량의 전방 센싱을 위해 제1 헤드 램프(101)의 내부 공간 영역 중 좌측의 영역에 배치될 수 있다. 제1 측방 카메라(131)는, 차량의 전방 중 적어도 일부 및 우측 방향 센싱을 위해 제1 헤드 램프(101)의 내부 공간 영역 중 우측 영역에 배치될 수 있다. 제1 라이다(121)는, 차량의 전방 중 적어도 일부 및 우측 방향 센싱을 위해 제1 헤드 램프(101)의 내부 공간 영역 중 우측 영역에 배치될 수 있다. 도 1a에서는, 제1 측방 카메라(131)가 제1 라이다(121)의 하부에 배치되었으나, 이는 예시일 뿐, 본 개시물의 다양한 실시예들은 이에 한정되지 않는다. 예를 들어, 제1 측방 카메라(131)는 제1 라이다(121)의 상부, 하부, 좌측, 또는 우측 중 어느 하나의 방향에 배치될 수 있다. 일실시예에 따르면, 제1 측방 카메라(131)와 제1 라이다(121)는 서로 이격되어 배치될 수도 있고, 이격되지 않고 직접적으로 맞닿도록 배치될 수 있다. 적어도 하나의 제1 광원(141)은 제1 헤드 램프(101)의 내부 공간 영역 중 중앙 영역에 배치될 수 있다. 이는 예시일 뿐, 본 개시물의 다양한 실시예들은 이에 한정되지 않는다. 예를 들어, 적어도 하나의 제1 광원(141)은, 제1 헤드 램프(101)의 내부 공간 영역 중 제1 전방 카메라(111)에 인접한 좌측 영역에 배치되거나, 제1 측방 카메라(131)에 인접한 우측 영역에 배치될 수 있다. 적어도 하나의 제1 광원(141)은 복수 개일 수 있다. 예를 들어, 제1 헤드 램프(101)는 복수의 광원들을 포함할 수 있다.

다양한 실시예들에 따르면, 제2 헤드 램프(103)는 제2 전방 카메라(113), 제2 측방 카메라(133), 및 제2 라이다(123) 중 적어도 하나를 포함할 수 있다. 제2 헤드 램프(103)는 차량의 좌측 전면에 장착되는 헤드 램프일 수 있으며, 제2 전방 카메라(113)는, 차량의 전방을 센싱하도록 배치되고, 제2 측방 카메라(133)는, 차량의 전방 중 적어도 일부 및 좌측 방향을 센싱하도록 배치될 수 있다. 제2 라이다(123)는 차량의 전방 중 적어도 일부 및 우측 방향을 센싱하도록 배치될 수 있다. 예를 들어, 제2 전방 카메라(113)는, 차량의 전방 센싱을 위해 제2 헤드 램프(103)의 내부 공간 영역 중 우측의 영역에 배치될 수 있다. 제2 측방 카메라(133)는, 차량의 전방 중 적어도 일부 및 좌측 방향 센싱을 위해 제2 헤드 램프(103)의 내부 공간 영역 중 좌측 영역에 배치될 수 있다. 제2 라이다(123)는, 차량의 전방 중 적어도 일부 및 좌측 방향 센싱을 위해 제2 헤드 램프(103)의 내부 공간 영역 중 우측 영역에 배치될 수 있다. 도 1a에서는, 제2 측방 카메라(133)가 제2 라이다(123)의 하부에 배치되었으나, 이는 예시일 뿐, 본 개시물의 다양한 실시예들은 이에 한정되지 않는다. 예를 들어, 제2 측방 카메라(133)는 제2 라이다(123)의 상부, 하부, 좌측, 또는 우측 중 어느 하나의 방향에 배치될 수 있다. 일실시예에 따르면, 제2 측방 카메라(133)와 제2 라이다(123)는 서로 이격되어 배치될 수도 있고, 이격되지 않고 직접적으로 맞닿도록 배치될 수 있다. 적어도 하나의 제2 광원(143)은 제2 헤드 램프(103)의 내부 공간 영역 중 중앙 영역에 배치될 수 있다. 이는 예시일 뿐, 본 개시물의 다양한 실시예들은 이에 한정되지 않는다. 예를 들어, 적어도 하나의 제2 광원(143)은, 제2 헤드 램프(103)의 내부 공간 영역 중 제2 전방 카메라(113)에 인접한 좌측 영역에 배치되거나, 제2 측방 카메라(133)에 인접한 우측 영역에 배치될 수 있다. 적어도 하나의 제2 광원(143)은 복수 개일 수 있다. 예를 들어, 제2 헤드 램프(103)는 복수의 광원들을 포함할 수 있다.

도 1b는 다양한 실시예들에 따른 헤드 램프 내 센서들의 FOV(field of view)를 도시한다. 도 1b의 차량에 장착된 헤드 램프들은, 도 1a에 도시된 헤드 램프들(101, 103)일 수 있다.

도 1b를 참조하면, 차량은 제1 헤드 램프(101)에 포함된 제1 전방 카메라(111)와 제2 헤드 램프(103)에 포함된 제2 전방 카메라(113)를 이용하여 전방에 위치한 오브젝트를 센싱할 수 있다. 제1 전방 카메라(111), 및 제2 전방 카메라(113) 각각의 시야각(field of view)은, 예를 들어, 약 40도일 수 있다.

차량은 제1 헤드 램프(101)에 포함된 제1 측방 카메라(131)와 제2 헤드 램프(103)에 포함된 제2 측방 카메라(133)를 이용하여 전방 및/또는 측방에 위치한 오브젝트를 센싱할 수 있다. 제1 측방 카메라(131), 및 제2 측방 카메라(133) 각각의 시야각(field of view)은, 예를 들어, 약 140도일 수 있다.

차량은 제1 헤드 램프(101)에 포함된 제1 라이다(121)와 제2 헤드 램프(103)에 포함된 제2 라이다(123)를 이용하여 전방 및/또는 측방에 위치한 오브젝트를 센싱할 수 있다. 제1 라이다(121), 및 제2 라이다(123) 각각의 시야각(field of view)은, 예를 들어, 약 120도일 수 있다.

상술한 시야각들은 예시일 뿐, 본 개시물의 다양한 실시예들은 이에 한정되지 않을 것이다. 예를 들어, 제1 헤드 램프(101), 및 제2 헤드 램프(103)에 포함된 센서들(111, 131, 121, 123, 131, 133)의 시야각은 설계자에 의해 다른 각도로 설정될 수 있다.

또한, 상술한 도 1a, 및 도 1b와 후술되는 실시예들에서는, 차량의 전면에 위치한 두 개의 헤드 램프(101, 103)들을 가정하여 설명하나, 본 개시물의 다양한 실시예들은 이에 한정되지 않는다. 예를 들어, 본 개시물의 다양한 실시예들은, 차량의 측면, 및/또는 후면에 위치한 램프들 각각에 대해서도 동일한 방식으로 적용될 수 있다.

이하에서는, 설명의 편의를 위해, 도 1a 및 도 1b에 도시된 제1 전방 카메라(111)를 우측 전방 카메라로 지칭하고, 제2 전방 카메라(113)를 좌측 전방 카메라로 지칭하고, 제1 측방 카메라(131)를 우측 측방 카메라로 지칭하고, 제2 측방 카메라(133)를 좌측 측방 카메라로 지칭할 수 있다.

도 2는 본 개시물의 실시예에 따른 차량의 제어 블럭도이다.

도 2를 참조하면, 차량은, 사용자 인터페이스 장치(200), 오브젝트 검출 장치(210), 통신 장치(220), 운전 조작 장치(230), 메인 ECU(240), 구동 제어 장치(250), 자율 주행 장치(233), 센싱부(270) 및 위치 데이터 생성 장치(280)를 포함할 수 있다. 오브젝트 검출 장치(210), 통신 장치(220), 운전 조작 장치(230), 메인 ECU(240), 구동 제어 장치(250), 자율 주행 장치(233), 센싱부(270) 및 위치 데이터 생성 장치(280)는 각각이 전기적 신호를 생성하고, 상호간에 전기적 신호를 교환하는 전자 장치로 구현될 수 있다.

사용자 인터페이스 장치(200)는, 차량과 사용자와의 소통을 위한 장치이다. 사용자 인터페이스 장치(200)는, 사용자 입력을 수신하고, 차량에서 생성된 정보를 사용자에게 제공할 수 있다. 차량은, 사용자 인터페이스 장치(200)를 통해, UI(User Interface) 또는 UX(User Experience)를 구현할 수 있다. 사용자 인터페이스 장치(200)는, 입력 장치, 출력 장치 및 사용자 모니터링 장치를 포함할 수 있다.

오브젝트 검출 장치(210)는, 차량 외부의 오브젝트에 대한 정보를 생성할 수 있다. 오브젝트에 대한 정보는, 오브젝트의 존재 유무에 대한 정보, 오브젝트의 위치 정보, 차량과 오브젝트와의 거리 정보, 및 차량과 오브젝트와의 상대 속도 정보 중 적어도 어느 하나를 포함할 수 있다. 오브젝트 검출 장치(210)는, 차량 외부의 오브젝트를 검출할 수 있다. 오브젝트 검출 장치(210)는, 차량 외부의 오브젝트를 검출할 수 있는 적어도 하나의 센서를 포함할 수 있다. 오브젝트 검출 장치(210)는, 카메라, 레이다, 라이다, 초음파 센서 및 적외선 센서 중 적어도 하나를 포함할 수 있다. 오브젝트 검출 장치(210)는, 센서에서 생성되는 센싱 신호에 기초하여 생성된 오브젝트에 대한 데이터를 차량에 포함된 적어도 하나의 전자 장치에 제공할 수 있다.

카메라는 영상을 이용하여 차량 외부의 오브젝트에 대한 정보를 생성할 수 있다. 카메라는 적어도 하나의 렌즈, 적어도 하나의 이미지 센서, 및 적어도 하나의 이미지 시그널 프로세서를 포함할 수 있다. 이미지 시그널 프로세서는 이미지 센서와 전기적으로 연결되어 이미지 센서로부터 수신되는 신호를 처리하고, 처리된 신호에 기초하여 오브젝트에 대한 데이터를 생성할 수 있다. 카메라는, 모노 카메라, 스테레오 카메라, AVM(Around View Monitoring) 카메라 중 적어도 어느 하나일 수 있다. 카메라는, 다양한 영상 처리 알고리즘을 이용하여, 오브젝트의 위치 정보, 오브젝트와의 거리 정보 또는 오브젝트와의 상대 속도 정보를 획득할 수 있다. 예를 들면, 카메라는, 획득된 영상에서, 시간에 따른 오브젝트 크기의 변화를 기초로, 오브젝트와의 거리 정보 및 상대 속도 정보를 획득할 수 있다. 예를 들면, 카메라는, 핀홀(pin hole) 모델, 노면 프로파일링 등을 통해, 오브젝트와의 거리 정보 및 상대 속도 정보를 획득할 수 있다. 예를 들면, 카메라는, 스테레오 카메라에서 획득된 스테레오 영상에서 디스패러티(disparity) 정보를 기초로 오브젝트와의 거리 정보 및 상대 속도 정보를 획득할 수 있다.

카메라는, 차량 외부를 촬영하기 위해 차량에서 FOV(field of view) 확보가 가능한 위치에 장착될 수 있다. 카메라는, 차량 전방의 영상을 획득하기 위해, 차량의 실내에서, 프런트 윈드 쉴드에 근접하게 배치될 수 있다. 카메라는, 프런트 범퍼 또는 라디에이터 그릴 주변에 배치될 수 있다. 카메라는, 차량 후방의 영상을 획득하기 위해, 차량의 실내에서, 리어 글라스에 근접하게 배치될 수 있다. 카메라는, 리어 범퍼, 트렁크 또는 테일 게이트 주변에 배치될 수 있다. 카메라는, 차량 측방의 영상을 획득하기 위해, 차량의 실내에서 사이드 윈도우 중 적어도 어느 하나에 근접하게 배치될 수 있다. 또는, 카메라는, 사이드 미러, 휀더 또는 도어 주변에 배치될 수 있다.

레이다는 전파를 이용하여 차량 외부의 오브젝트에 대한 정보를 생성할 수 있다. 레이다는, 전자파 송신부, 전자파 수신부, 및 적어도 하나의 프로세서를 포함할 수 있다. 적어도 하나의 프로세서는, 전자파 송신부 및 전자파 수신부와 전기적으로 연결되어, 수신되는 신호를 처리하고, 처리되는 신호에 기초하여 오브젝트에 대한 데이터를 생성할 수 있다. 레이다는 전파 발사 원리상 펄스 레이다(Pulse Radar) 방식 또는 연속파 레이다(Continuous Wave Radar) 방식으로 구현될 수 있다. 레이다는 연속파 레이다 방식 중에서 신호 파형에 따라 FMCW(Frequency Modulated Continuous Wave)방식 또는 FSK(Frequency Shift Keying) 방식으로 구현될 수 있다. 레이다는 전자파를 매개로, TOF(Time of Flight) 방식 또는 페이즈 쉬프트(phase-shift) 방식에 기초하여, 오브젝트를 검출하고, 검출된 오브젝트의 위치, 검출된 오브젝트와의 거리 및 상대 속도를 검출할 수 있다. 레이다는, 차량의 전방, 후방 또는 측방에 위치하는 오브젝트를 감지하기 위해 차량의 외부의 적절한 위치에 배치될 수 있다.

라이다는, 레이저 광을 이용하여, 차량 외부의 오브젝트에 대한 정보를 생성할 수 있다. 라이다는, 광 송신부, 광 수신부 및 적어도 하나의 프로세서를 포함할 수 있다. 광 송신부 및 광 수신부와 전기적으로 연결되어, 수신되는 신호를 처리하고, 처리된 신호에 기초하여 오브젝트에 대한 데이터를 생성할 수 있다. 라이다는, TOF(Time of Flight) 방식 또는 페이즈 쉬프트(phase-shift) 방식으로 구현될 수 있다. 라이다는, 구동식 또는 비구동식으로 구현될 수 있다. 구동식으로 구현되는 경우, 라이다는, 모터에 의해 회전되며, 차량 주변의 오브젝트를 검출할 수 있다. 비구동식으로 구현되는 경우, 라이다는, 광 스티어링에 의해, 차량을 기준으로 소정 범위 내에 위치하는 오브젝트를 검출할 수 있다. 차량(100)은 복수의 비구동식 라이다를 포함할 수 있다. 라이다는, 레이저 광 매개로, TOF(Time of Flight) 방식 또는 페이즈 쉬프트(phase-shift) 방식에 기초하여, 오브젝트를 검출하고, 검출된 오브젝트의 위치, 검출된 오브젝트와의 거리 및 상대 속도를 검출할 수 있다. 라이다는, 차량의 전방, 후방 또는 측방에 위치하는 오브젝트를 감지하기 위해 차량의 외부의 적절한 위치에 배치될 수 있다.

통신 장치(220)는, 차량 외부에 위치하는 디바이스와 신호를 교환할 수 있다. 통신 장치(220)는, 인프라(예를 들면, 서버, 방송국), 타 차량, 단말기 중 적어도 어느 하나와 신호를 교환할 수 있다. 통신 장치(220)는, 통신을 수행하기 위해 송신 안테나, 수신 안테나, 각종 통신 프로토콜이 구현 가능한 RF(Radio Frequency) 회로 및 RF 소자 중 적어도 어느 하나를 포함할 수 있다.

예를 들어, 통신 장치는 V2X 기술을 기반으로 외부 디바이스와 신호를 교환할 수 있다. 예를 들어, V2X 기술은 LTE 기반의 사이드링크 통신 및/또는 NR 기반의 사이드링크 통신을 포함할 수 있다. 또한 통신 장치는 5G 네트워크를 기반으로 타 차량, 모바일 기기, 도로 등의 사물과 정보를 교환할 수 있다. V2X와 관련된 내용은 후술한다.

예를 들어, 통신 장치는 IEEE 80211p PHY/MAC 계층 기술과 IEEE 1609 Network/Transport 계층 기술 기반의 DSRC(Dedicated Short Range Communications) 기술 또는 WAVE(Wireless Access in Vehicular Environment), SAEJ2735, SAE J2945 표준을 기반으로 외부 디바이스와 신호를 교환할 수 있다. DSRC(또는 WAVE 표준) 기술은 차량 탑재 장치 간 혹은 노변 장치와 차량 탑재 장치 간의 단거리 전용 통신을 통해 ITS(Intelligent Transport System) 서비스를 제공하기 위해 마련된 통신 규격이다. DSRC 기술은 59GHz 대역의 주파수를 사용할 수 있고, 3Mbps~27Mbps의 데이터 전송 속도를 가지는 통신 방식일 수 있다. IEEE 80211p 기술은 IEEE 1609 기술과 결합되어 DSRC 기술 (혹은 WAVE 표준)을 지원할 수 있다.

본 개시물의 통신 장치는 V2X 기술 또는 DSRC 기술 중 어느 하나만을 이용하여 외부 디바이스와 신호를 교환할 수 있다. 또는, 본 개시물의 통신 장치는 V2X 기술 및 DSRC 기술을 하이브리드하여 외부 디바이스와 신호를 교환할 수 있다. V2X 표준은 전기 전자 분야 표 준화 기관인 IEEE(IEEE 80211p, IEEE 1609)와 자동차 엔지니어 모임인 SAE(SAE J2735, SAE J2945 등) 등을 통해 만들어졌으며, 각각 물리 계층, SW 스텍 표준화와 응용계층 표준화를 각각 담당한다. 특히, 메시지 표준과 관련하여, SAE에서는 V2X 통신을 위한 메시지 규격을 정의하기 위한 표준들을 제정하였다.

운전 조작 장치(230)는, 운전을 위한 사용자 입력을 수신하는 장치이다. 메뉴얼 모드인 경우, 차량은, 운전 조작 장치(230)에 의해 제공되는 신호에 기초하여 운행될 수 있다. 운전 조작 장치(230)는, 조향 입력 장치(예를 들면, 스티어링 휠), 가속 입력 장치(예를 들면, 가속 페달) 및 브레이크 입력 장치(예를 들면, 브레이크 페달)를 포함할 수 있다.

메인 ECU(240)는, 차량 내에 구비되는 적어도 하나의 전자 장치의 전반적인 동작을 제어할 수 있다.

구동 제어 장치(250)는, 차량내 각종 차량 구동 장치를 전기적으로 제어하는 장치이다. 구동 제어 장치(250)는, 파워 트레인 구동 제어 장치, 샤시 구동 제어 장치, 도어/윈도우 구동 제어 장치, 안전 장치 구동 제어 장치, 램프 구동 제어 장치 및 공조 구동 제어 장치를 포함할 수 있다. 파워 트레인 구동 제어 장치는, 동력원 구동 제어 장치 및 변속기 구동 제어 장치를 포함할 수 있다. 샤시 구동 제어 장치는, 조향 구동 제어 장치, 브레이크 구동 제어 장치 및 서스펜션 구동 제어 장치를 포함할 수 있다. 한편, 안전 장치 구동 제어 장치는, 안전 벨트 제어를 위한 안전 벨트 구동 제어 장치를 포함할 수 있다.

구동 제어 장치(250)는, 적어도 하나의 전자적 제어 장치(예를 들면, 제어 ECU(Electronic Control Unit))를 포함한다.

구동 제어 장치(250)는, 자율 주행 장치(233)에서 수신되는 신호에 기초하여, 차량 구동 장치를 제어할 수 있다. 예를 들면, 구동 제어 장치(250)는, 자율 주행 장치(233)에서 수신되는 신호에 기초하여, 파워 트레인, 조향 장치 및 브레이크 장치를 제어할 수 있다.

자율 주행 장치(233)는, 획득된 데이터에 기초하여, 자율 주행을 위한 패스를 생성할 수 있다. 자율 주행 장치(233)는, 생성된 경로를 따라 주행하기 위한 드라이빙 플랜을 생성할 수 있다. 자율 주행 장치(233)는, 드라이빙 플랜에 따른 차량의 움직임을 제어하기 위한 신호를 생성할 수 있다. 자율 주행 장치(233)는, 생성된 신호를 구동 제어 장치(250)에 제공할 수 있다.

자율 주행 장치(233)는, 적어도 하나의 ADAS(Advanced Drive Assistance System) 기능을 구현할 수 있다. ADAS는, 적응형 크루즈 컨트롤 시스템(ACC: Adaptive Cruise Control), 자동 비상 제동 시스템(AEB: Autonomous Emergency Braking), 전방 충돌 알림 시스템(FCW: Forward Collision Warning), 차선 유지 보조 시스템(LKA: Lane Keeping Assist), 차선 변경 보조 시스템(LCA: Lane Change Assist), 타겟 추종 보조 시스템(TFA: Target Following Assist), 사각 지대 감시 시스템(BSD: Blind Spot Detection), 적응형 헤드라이트 시스템(AHS: Adaptive Headlight System), 자동 주차 시스템(APS: Auto Parking System), 보행자 충돌 알림 시스템(PD collision warning system), 교통 신호 검출 시스템(TSR: Traffic Sign Recognition), 교통 신호 보조 시스템(TSA: Traffic Sign Assist), 나이트 비전 시스템(NV: Night Vision), 운전자 상태 모니터링 시스템(DSM: Driver Status Monitoring) 및 교통 정체 지원 시스템(TJA: Traffic Jam Assist) 중 적어도 어느 하나를 구현할 수 있다.

자율 주행 장치(233)는, 자율 주행 모드에서 수동 주행 모드로의 전환 동작 또는 수동 주행 모드에서 자율 주행 모드로의 전환 동작을 수행할 수 있다. 예를 들면, 자율 주행 장치(233)는, 사용자 인터페이스 장치(200)로부터 수신되는 신호에 기초하여, 차량의 모드를 자율 주행 모드에서 수동 주행 모드로 전환하거나 수동 주행 모드에서 자율 주행 모드로 전환할 수 있다.

센싱부(270)는, 차량의 상태를 센싱할 수 있다. 센싱부(270)는, IMU(inertial measurement unit) 센서, 충돌 센서, 휠 센서(wheel sensor), 속도 센서, 경사 센서, 중량 감지 센서, 방향 센서(heading sensor), 포지션 모듈(position module), 차량 전진/후진 센서, 배터리 센서, 연료 센서, 타이어 센서, 스티어링 센서, 온도 센서, 습도 센서, 초음파 센서, 조도 센서, 페달 포지션 센서 중 적어도 어느 하나를 포함할 수 있다. 한편, IMU(inertial measurement unit) 센서는, 가속도 센서, 자이로 센서, 자기 센서 중 하나 이상을 포함할 수 있다.

센싱부(270)는, 적어도 하나의 센서에서 생성되는 신호에 기초하여, 차량의 상태 데이터를 생성할 수 있다. 차량 상태 데이터는, 차량 내부에 구비된 각종 센서에서 감지된 데이터를 기초로 생성된 정보일 수 있다. 센싱부(270)는, 차량 자세 데이터, 차량 모션 데이터, 차량 요(yaw) 데이터, 차량 롤(roll) 데이터, 차량 피치(pitch) 데이터, 차량 충돌 데이터, 차량 방향 데이터, 차량 각도 데이터, 차량 속도 데이터, 차량 가속도 데이터, 차량 기울기 데이터, 차량 전진/후진 데이터, 차량의 중량 데이터, 배터리 데이터, 연료 데이터, 타이어 공기압 데이터, 차량 내부 온도 데이터, 차량 내부 습도 데이터, 스티어링 휠 회전 각도 데이터, 차량 외부 조도 데이터, 가속 페달에 가해지는 압력 데이터, 브레이크 페달에 가해지는 압력 데이터 등을 생성할 수 있다.

위치 데이터 생성 장치(280)는, 차량의 위치 데이터를 생성할 수 있다. 위치 데이터 생성 장치(280)는, GPS(Global Positioning System) 및 DGPS(Differential Global Positioning System) 중 적어도 어느 하나를 포함할 수 있다. 위치 데이터 생성 장치(280)는, GPS 및 DGPS 중 적어도 어느 하나에서 생성되는 신호에 기초하여 차량의 위치 데이터를 생성할 수 있다. 실시예에 따라, 위치 데이터 생성 장치(280)는, 센싱부(270)의 IMU(Inertial Measurement Unit) 및 오브젝트 검출 장치(210)의 카메라 중 적어도 어느 하나에 기초하여 위치 데이터를 보정할 수 있다. 위치 데이터 생성 장치(280)는, GNSS(Global Navigation Satellite System)로 명명될 수 있다.

차량은, 내부 통신 시스템(255)을 포함할 수 있다. 차량에 포함되는 복수의 전자 장치는 내부 통신 시스템(255)을 매개로 신호를 교환할 수 있다. 신호에는 데이터가 포함될 수 있다. 내부 통신 시스템(255)은, 적어도 하나의 통신 프로토콜(예를 들면, CAN, LIN, FlexRay, MOST, 이더넷)을 이용할 수 있다.

도 3은 다양한 실시예들에 따른 차량에 포함되는 전자 장치의 블럭도이다. 도 3의 전자 장치는, 상술한 도 1a, 도 1b, 및 도 2의 차량에 포함되는 전자 장치의 적어도 일부일 수 있다. 도 3에 도시된 전자 장치(300)의 구성은 일 실시 예로, 각각의 구성 요소는 하나의 칩, 부품 또는 전자 회로로 구성되거나, 칩, 부품 또는 전자 회로의 결합으로 구성될 수 있다. 다른 실시 예에 따라, 도 3에 도시된 구성 요소들 중 일부는 복수 개의 구성 요소로 분리되어 서로 다른 칩 또는 부품 또는 전자 회로로 구성될 수 있으며, 일부 구성 요소들은 결합되어 하나의 칩, 부품 또는 전자 회로로 구성될 수도 있다. 다른 실시 예에 따라, 도 3에 도시된 구성요소들 중 일부가 생략되거나, 도 3에 도시되지 않은 다른 구성 요소가 추가될 수 있다. 일실시예에 따르면, 도 3에 도시된 구성요소들 중 일부 구성 요소는, 전자 장치(300)에 포함되지 않고 차량에 포함됨으로써, 전자 장치(300)에 포함된 적어도 하나의 다른 구성 요소와 전기적으로 연결될 수 있다.

도 3을 참조하면, 다양한 실시예들에 따른 전자 장치(300)는 프로세서(310), 센서 모듈(320), 통신 트랜시버(330), 및 메모리(340)를 포함할 수 있다.

프로세서(310)는 차량의 자율 주행에 필요한 전반적인 제어 동작을 수행할 수 있다. 프로세서(310)는 도 2의 자율 주행 장치(233)를 포함할 수 있다.

다양한 실시예들에 따르면, 프로세서(310)는 위치 정보 모듈로부터 차량의 위치(또는 현재 위치) 정보를 획득할 수 있다. 위치 정보 모듈은, 예를 들어, GPS(Global Positioning System) 수신기를 포함할 수 있다. 프로세서(310)는 지정된 통신 인터페이스를 통해 전자 장치(300) 외부에 위치한 위치 정보 모듈로부터 위치 정보를 획득할 수 있다.

다양한 실시예들에 따르면, 프로세서(310)는 위치 결정 모듈(312)을 포함함으로써, 차량의 위치 정보를 결정 및/또는 보정할 수 있다. 일실시예에 따르면, 프로세서(310)의 위치 결정 모듈(312)은, 센서 모듈(320)에 포함된 적어도 하나의 센서로부터 수집되는 정보(또는 데이터)를 기반으로, 위치 정보를 결정 및/또는 보정할 수 있다. 예를 들어, 프로세서(310)의 위치 결정 모듈(312)은 카메라, 라이다, 레이더, 또는 IMU(inertial measurement unit) 중 적어도 하나를 이용하여, 위치 정보 모듈(미도시)로부터 제공되는 차량의 위치 정보를 보정할 수 있다. 일실시예에 따르면, 프로세서(310)의 위치 결정 모듈(312)은 센서 모듈(320)에 포함된 적어도 하나의 센서 이외에 차량 네트워크(IVN; in vehicle network)로부터 수신되는 정보(예: 거리 측정 정보)를 기반으로, 위치 정보를 보정할 수 있다.

다양한 실시예들에 따르면, 프로세서(310)의 위치 결정 모듈(312)은 센서 모듈(320)에 포함된 적어도 하나의 카메라를 이용하여, 차량이 위치한 도로의 복잡도를 측정하고, 도로의 복잡도에 기초하여 측위 방식을 선택할 수 있다. 측위 방식은, 포인트 기반의 맵 매칭(point-based map matching) 방식, 또는 랜드마크 기반의 맵 매칭(landmark-based map matching) 방식 중 적어도 하나를 포함할 수 있다. 포인트 기반의 맵 매칭 방식은, 맵 데이터에 포함된 포인트 클라우드와 차량의 라이다를 통해 획득되는 포인트 클라우드를 매칭하여 차량이 위치한 지점, 및/또는 차량이 향하는 방향(또는 각도)을 결정하는 방식일 수 있다. 랜드마크 기반의 맵 매칭 방식은, 차량의 카메라로부터 획득되는 이미지에서 도로의 랜드마크와 맵 데이터에 포함된 랜드마크 정보를 매칭하여 차량이 위치한 지점, 및/또는 차량이 향하는 방향(또는 각도)을 결정하는 방식일 수 있다. 도로의 랜드마크는, 예를 들어, 차선(lane), 도로 표면 마커(road surface marker), 간판(signboard), 도로 안내 기호, 또는 정지선 중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 프로세서(310)의 위치 결정 모듈(312)은 적어도 하나의 카메라를 기반으로, 도로 위의 빈 공간(free-space), 또는 오브젝트(object)를 탐지하고, 탐지된 빈 공간, 또는 오브젝트에 기초하여 도로의 복잡도를 측정할 수 있다. 예를 들어, 프로세서(310)의 위치 결정 모듈(312)은 적어도 하나의 카메라로부터 획득된 이미지를 기반으로 도로 영역 중 빈 공간을 탐지하고, 빈 공간에 해당하는 영역의 넓이를 측정할 수 있다. 프로세서(310)의 위치 결정 모듈(312)은 측정된 빈 공간에 해당하는 영역의 넓이와 맵 데이터로부터 획득된 도로 영역의 넓이의 비율을 도로 복잡도로 결정할 수 있다. 맵 데이터로부터 획득된 도로 영역의 넓이는, 위치 정보 모듈(미도시)로부터 획득된 차량의 위치 정보에 기반하여 획득될 수 있다. 다른 예로, 프로세서(310)의 위치 결정 모듈(312)은 적어도 하나의 카메라로부터 획득된 이미지를 기반으로 도로 영역에 위치한 오브젝트들을 탐지하고, 탐지된 오브젝트들의 크기 및 개수가 지정된 조건을 만족하는지 여부에 기초하여 도로 복잡도를 계산할 수 있다.

일실시예에 따르면, 프로세서(310)의 위치 결정 모듈(312)은 도로 복잡도가 지정된 임계 복잡도보다 큰 경우, 포인트 기반의 맵 매칭 방식을 측위 방식으로 선택할 수 있다. 프로세서(310)의 위치 결정 모듈(312)은 도로 복잡도가 지정된 임계 복잡도보다 작거나 같은 경우, 랜드마크 기반의 맵 매칭 방식을 측위 방식으로 선택할 수 있다. 일실시예에 따르면, 프로세서(310)의 위치 결정 모듈(312)은 도로 복잡도가 지정된 임계 복잡도보다 큰 경우, 도로 외부의 영역, 예컨대, 도로 영역을 제외한 나머지 영역을, 측위를 위한 관심 영역으로 설정하고, 도로 복잡도가 지정된 임계 복잡도보다 작거나 같은 경우, 도로 영역을 측위를 위한 관심 영역으로 설정할 수 있다.

일실시예에 따르면, 프로세서(310)의 위치 결정 모듈(312)은 포인트 기반의 맵 매칭 방식이 선택된 경우, 센서 모듈(320)에 포함된 적어도 하나의 라이다를 이용하여 차량의 주변 환경에 대응되는 제1 포인트 클라우드를 획득할 수 있다. 주변 환경에 대응되는 제1 포인트 클라우드는, 도로 외부의 지형지물, 및 도로 내부의 적어도 하나의 오브젝트들을 나타내는 포인트들을 포함할 수 있다. 프로세서(310)의 위치 결정 모듈(312)은 맵 데이터에서 차량의 현재 위치 정보에 대응되는 제2 포인트 클라우드를 획득할 수 있다. 제2 포인트 클라우드는, 차량의 현재 위치에 대응되는 도로, 및/또는 도로 외부의 지형 지물을 나타내는 포인트들을 포함할 수 있다.

일실시예에 따르면, 프로세서(310)의 위치 결정 모듈(312)은 포인트 매칭 모듈(314)을 통해 제1 포인트 클라우드의 적어도 일부와 제2 포인트 클라우드의 적어도 일부를 매칭시켜 차량의 위치를 추정할 수 있다. 예를 들어, 프로세서(310)의 위치 결정 모듈(312)은 제1 포인트 클라우드 중 관심 영역(예: 도로 외부의 영역)에 대응되는 부분의 포인트 클라우드가 제2 포인트 클라우드 중 관심 영역(예: 도로 외부의 영역)에 대응되는 부분의 포인트 클라우드 중 어느 부분과 매칭되는지 검색하여 차량의 위치를 추정할 수 있다. 예컨대, 프로세서(310)의 위치 결정 모듈(312)은 맵 데이터에 포함된 도로 정보를 기반으로, 제1 포인트 클라우드를, 관심 영역에 대응되는 도로 외부의 지형지물을 나타내는 제3 포인트 클라우드와 도로 내부의 적어도 하나의 오브젝트(예: 차량, 및/또는 보행자)를 나타내는 제4 포인트 클라우드로 구분할 수 있다. 프로세서(310)의 위치 결정 모듈(312)은 제2 포인트 클라우드에서 도로에 대응되는 포인트들을 제거하여 관심 영역에 대응되는 포인트 클라우드만을 획득할 수 있다. 프로세서(310)의 위치 결정 모듈(312)은 제3 포인트 클라우드와 도로에 대응되는 포인트들이 제거된 제2 포인트 클라우드를 매칭시켜, 차량의 위치를 추정할 수 있다.

일실시예에 따르면, 프로세서(310)의 위치 결정 모듈(312)은 제1 포인트 클라우드에서 관심 영역에 대응되는 포인트 클라우드가 지정된 조건을 만족하지 못하는 경우, 자율 주행을 통해 차량의 위치가 변경되도록 제어하고, 변경된 위치에서 적어도 하나의 라이다를 이용하여 제1 포인트 클라우드를 재획득할 수 있다. 예를 들어, 프로세서(310)의 위치 결정 모듈(312)은 제1 포인트 클라우드에서 관심 영역에 대응되는 제3 포인트 클라우드의 점유 영역의 크기가 지정된 크기보다 작은 경우, 자율 주행을 통해 차량의 위치가 변경되도록 제어하고, 변경된 위치에서 적어도 하나의 라이다를 이용하여 제1 포인트 클라우드를 재획득할 수 있다. 프로세서(310)의 위치 결정 모듈(312)은 재획득된 제1 포인트 클라우드의 적어도 일부와 제2 포인트 클라우드의 적어도 일부를 매칭시켜, 차량의 위치를 추정할 수 있다.

일실시예에 따르면, 프로세서(310)의 위치 결정 모듈(312)은 랜드마크 기반의 맵 매칭 방식이 선택된 경우, 센서 모듈(320)에 포함된 적어도 하나의 카메라를 이용하여 차량의 전방, 및/또는 측방의 도로 이미지를 획득할 수 있다. 프로세서(310)는 획득된 도로 이미지를 분석하여 랜드마크를 인식하고, 맵 데이터에서 차량의 현재 위치 정보에 대응되는 랜드마크 정보를 획득할 수 있다. 프로세서(310)는 랜드마크 매칭 모듈(316)을 통해, 인식된 랜드마크 정보와 맵 데이터에서 획득된 랜드마크 정보를 매칭시켜, 차량의 위치를 추정할 수 있다.

다양한 실시예들에 따르면, 프로세서(310)는 차량의 추정된 위치를 기반으로, 차량의 현재 위치 정보를 보정할 수 있다. 일실시예에 따르면, 프로세서(310)는 추정된 위치를 차량의 현재 위치 정보로 설정함으로써, 차량의 현재 위치 정보를 보정할 수 있다. 일실시예에 따르면, 프로세서(310)는 차량의 위치 추정에 이용된 차량의 현재 위치 정보와 차량의 추정된 위치 사이의 오프셋을 계산하고, 위치 정보 모듈(미도시)로부터 새롭게 수신되는 차량의 현재 위치 정보에 계산된 오프셋을 적용하여, 차량의 현재 위치 정보를 획득함으로써, 차량의 현재 위치 정보를 보정할 수 있다. 일실시예에 따르면, 프로세서(310)는 추정된 위치에 차량의 주행 거리를 더하여 차량의 현재 위치 정보를 획득함으로써, 차량의 현재 위치 정보를 보정할 수 있다. 차량의 주행 거리는, 차량의 위치 추정 시간 동안에 차량이 이동한 거리를 포함할 수 있다. 일실시예에 따르면, 차량의 주행 거리는, 차량에 포함된 적어도 하나의 구성 요소로부터 수신되거나, 카메라로부터 획득된 이미지를 분석하여 결정될 수 있다. 예를 들어, 프로세서(310)의 위치 결정 모듈(312)은 거리 측정 모듈(318)을 통해 카메라로부터 획득되는 이미지들을 분석하여 차량의 주행 거리를 측정할 수 있다. 다른 예로, 프로세서(310)의 위치 결정 모듈(312)은 IVN을 통해 차량에 포함된 적어도 하나의 구성 요소로부터 주행 거리 정보를 획득할 수 있다.

센서 모듈(320)은 복수의 센서들(320-1 내지 320-N)을 포함할 수 있다. 복수의 센서들(320-1 내지 320-N) 각각은, 카메라, 라이다, 레이더, 또는 IMU(inertial measurement unit) 일 수 있다. 일실시예에 따르면, 센서 모듈(320)은 도 2의 센싱부(270)를 포함할 수 있다.

일실시예에 따르면, 센서 모듈(320)은 적어도 하나의 카메라를 이용하여 적어도 하나의 이미지를 획득하고, 획득된 적어도 하나의 이미지를 프로세서(310)로 제공할 수 있다. 일실시예에 따르면, 센서 모듈(320)은 도 1a 및/또는 도 1b에 도시된 바와 같은, 좌측 측방 카메라(133), 좌측 전방 카메라(113), 우측 측방 카메라(131), 또는 우측 전방 카메라(111) 중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 센서 모듈(320)은 적어도 하나의 라이다를 이용하여 주변 환경에 대응되는 포인트 클라우드를 획득할 수 있다. 예를 들어, 적어도 하나의 라이다는 물체에 레이저 광을 조사한 후, 물체에 의해 반사되어 수신되는 레이저 광을 기반으로, 3차원 좌표 정보인 포인트 클라우드를 획득할 수 있다. 예를 들어, 포인트 클라우드는, 물체의 형상, 크기, 및/또는 특징점을 나타내는 포인트들의 3차원 집합을 의미할 수 있다. 일실시예에 따르면, 센서 모듈(320)은 도 1a 및/또는 도 1b에 도시된 바와 같은, 제1 라이다(121), 또는 제2 라이다(123) 중 적어도 하나를 포함할 수 있다.

통신 트랜시버(330)는 전자 장치(300)와 외부 장치(예: 서버, 및/또는 다른 차량의 전자 장치) 간의 무선 통신을 지원할 수 있다. 일실시예에 따르면, 통신 트랜시버(710)는 방송 수신 모듈, 이동통신 모듈, 무선 인터넷 모듈, 근거리 통신 모듈, 위치 정보 모듈, 또는 V2X(vechicle to everything) 모듈 중 적어도 하나를 포함할 수 있다. 일실시예에 따르면, 위치 정보 모듈은 전자 장치(300)의 현재 위치 정보를 획득하기 위한 모듈로서, 예를 들어, GPS(Global Positioning System) 모듈 및/또는 WiFi(Wireless Fidelity) 모듈을 포함할 수 있다. 일실시예에 따르면, 위치 정보 모듈은 도 2의 위치 데이터 생성 장치(180)를 포함할 수 있다. 일실시예에 따르면, 통신 트랜시버(330)는 V2X 기술을 기반으로, 적어도 하나의 외부 장치와 통신할 수 있다. 일실시예에 따르면, 통신 트랜시버(330)는 도 2의 통신 장치(220)의 적어도 일부를 포함할 수 있다.

메모리(340)는, 전자 장치(300)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 메모리(340)는 맵 데이터(342)를 저장할 수 있다. 맵 데이터(342)는 외부 장치로부터 획득된 고정밀 맵 데이터일 수 있다. 고정밀 맵 데이터는, 도로의 정보, 도로 외부의 지형지물의 정보, 및 도로 및 도로 외부의 지형지물에 대한 3D 좌표 정보를 포함할 수 있다. 도로의 정보는, 예를 들어, 도로의 형태, 도로의 크기, 도로 내 차선 정보, 또는 도로 내 랜드마크 정보 중 적어도 하나를 포함할 수 있다. 도로 외부의 지형지물의 정보는, 예를 들어, 지형의 고저, 지형의 곡률, 건물의 형태, 건물의 크기, 건물의 고저, 또는 건물의 위치 중 적어도 하나를 포함할 수 있다. 나열된 정보들은 예시일 뿐, 본 개시물의 다양한 실시예들은 이에 한정되지 않을 것이다. 도로 및 도로 외부의 지형지물에 대한 3D 좌표 정보는, 도로 및 도로 외부의 지형지물을 나타내는 포인트 클라우드 형태로 구성될 수 있다.

상술한 바와 같이, 도 3에서, 프로세서(310) 이외에 적어도 하나의 구성 요소가, 전자 장치(300)에 포함되지 않고 차량에 포함될 수 있다. 적어도 하나의 구성 요소는, 센서 모듈(320), 통신 트랜시버(330), 또는 메모리(340) 중 적어도 하나를 포함할 수 있다. 프로세서(310)는 인터페이스(미도시)를 통해 적어도 하나의 구성요소와 통신할 수 있다. 인터페이스는 적어도 하나의 구성 요소와 통신하는 적어도 하나의 지정된 프로토콜을 지원할 수 있다.

다양한 실시예들에 따르면, 차량에 포함되는 전자 장치(300)는, 프로세서(310), 및 상기 프로세서(310)와 전기적으로 연결된 인터페이스를 포함하며, 상기 프로세서(310)는, 상기 인터페이스를 통해 적어도 하나의 라이다로부터 주변 환경에 대응되는 제1 포인트 클라우드를 획득하고, 상기 인터페이스를 통해 맵 데이터에서 상기 차량의 위치 정보에 대응되는 제2 포인트 클라우드를 획득하고, 상기 제1 포인트 클라우드의 적어도 일부와 상기 제2 포인트 클라우드를 매칭하여 상기 차량의 위치 정보를 보정할 수 있다.

일실시예에 따르면, 상기 프로세서(310)는, 상기 차량에 장착된 적어도 하나의 카메라의 시야각이 지정된 크기 이상 차단된 상태인지 여부를 결정하고, 상기 적어도 하나의 카메라의 시야각이 지정된 크기 이상 차단된 상태인 경우, 상기 제1 포인트 클라우드를 획득하도록 상기 적어도 하나의 라이다를 제어할 수 있다.

일실시예에 따르면, 상기 프로세서(310)는, 상기 적어도 하나의 카메라의 시야각이 지정된 크기 이상 차단되지 않은 상태인 경우, 상기 적어도 하나의 카메라로부터 획득되는 이미지를 기반으로 상기 차량이 위치한 도로의 복잡도를 결정하고, 상기 도로의 복잡도가 지정된 복잡도 범위에 대응되는 경우, 상기 제1 포인트 클라우드를 획득하도록 상기 적어도 하나의 할 수 있다.

일실시예에 따르면, 상기 프로세서(310)는, 상기 적어도 하나의 카메라로부터 획득되는 이미지에서 적어도 하나의 오브젝트에 의해 점유되지 않은 빈 공간의 크기를 결정하고, 상기 맵 데이터의 도로 정보를 이용하여 상기 차량의 위치 정보에 대응되는 도로 영역의 크기를 획득하고, 및 상기 빈 공간의 크기와 상기 획득된 도로 영역의 크기의 비율에 기초하여 상기 도로의 복잡도를 결정할 수 있다.

일실시예에 따르면, 상기 프로세서(310)는, 상기 적어도 하나의 카메라로부터 획득되는 이미지에서 적어도 하나의 오브젝트를 탐지하고, 상기 탐지된 적어도 하나의 오브젝트에 대한 정보를 기반으로, 상기 도로의 복잡도를 결정하며, 상기 탐지된 적어도 하나의 오브젝트에 대한 정보는, 탐지된 오브젝트의 개수, 탐지된 오브젝트의 크기, 또는 탐지된 오브젝트의 이미지 내 위치 중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 상기 프로세서(310)는, 상기 이미지의 전체 영역 중 지정된 영역에 위치한 적어도 하나의 오브젝트를 탐지하고, 상기 지정된 영역은, 상기 이미지를 획득한 적어도 하나의 카메라의 배치 위치, 상기 적어도 하나의 카메라가 포함된 헤드 램프의 배치 위치, 상기 적어도 하나의 카메라의 촬영 각도, 또는 상기 적어도 하나의 카메라의 성능 정보 중 적어도 하나에 기초하여 결정될 수 있다.

일실시예에 따르면, 상기 프로세서(310)는, 상기 도로의 복잡도가 지정된 복잡도 범위에 대응되지 않는 경우, 상기 적어도 하나의 카메라로부터 획득되는 이미지에서 상기 차량이 위치한 도로의 랜드마크를 인식하고, 상기 맵 데이터에서 상기 차량의 위치 정보에 대응되는 도로 영역의 랜드마크에 대한 정보를 추출하고, 및 상기 인식된 랜드마크와 상기 추출된 랜드마크에 대한 정보를 기반으로 상기 차량의 위치 정보를 보정하며, 상기 랜드마크는, 차선, 도로 표면 마커, 간판, 도로 안내 기호, 또는 정지선 중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 상기 프로세서(310)는, 상기 맵 데이터의 도로 정보를 기반으로, 상기 제1 포인트 클라우드에서 도로에 관련된 포인트들을 제거된 제3 포인트 클라우드를 획득하고, 상기 제3 포인트 클라우드와 상기 제2 포인트 클라우드를 매칭하여 상기 차량의 위치를 추정하고, 및 상기 추정된 위치를 기반으로 상기 차량의 현재 위치 정보를 보정할 수 있다.

일실시예에 따르면, 상기 제3 포인트 클라우드는, 상기 도로 외부의 지형지물에 대응되는 포인트들을 포함할 수 있다.

일실시예에 따르면, 상기 도로에 관련된 포인트들은, 상기 도로에 대응되는 포인트들, 또는 상기 도로 상에 위치한 적어도 하나의 오브젝트에 대응되는 포인트들 중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 상기 프로세서(310)는, 상기 제1 포인트 클라우드의 적어도 일부의 양이 지정된 조건을 만족하는 경우, 상기 차량의 위치가 변경되도록 주행하고, 상기 변경된 위치에서 상기 적어도 하나의 라이다로부터 상기 주변 환경에 대응되는 상기 제1 포인트 클라우드를 재획득할 수 있다.

도 4는 다양한 실시예들에 따른 차량에서 위치 정보를 보정하는 흐름도이다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 여기에서, 차량은 도 3의 전자 장치(300)를 포함할 수 있다. 이하에서 도 4의 적어도 일부 동작은 도 5a 내지 도 5d를 참조하여 설명할 것이다. 도 5a 내지 도 5d는 포인트 기반의 맵 매칭 방식을 이용하여 위치를 보정하는 예시도이다.

도 4를 참조하면, 동작 401에서, 차량은 적어도 하나의 라이다를 이용하여 주변 환경에 대응되는 제1 포인트 클라우드를 획득할 수 있다. 예를 들어, 차량의 프로세서(310), 및/또는 센서 모듈(320)은 차량의 제1 라이다(121), 또는 제2 라이다(123) 중 적어도 하나를 이용하여 차량의 주변 환경에 대응되는 제1 포인트 클라우드를 획득할 수 있다. 제1 포인트 클라우드는, 차량이 위치한 도로 내부의 적어도 하나의 오브젝트들, 및 도로 외부의 지형지물을 나타내는 포인트들을 포함할 수 있다. 예컨대, 도 5a에 도시된 바와 같이, 차량(501)은 왕복 2차선의 직선 도로(511) 상에서 주행하는 중에 제1 라이다(121), 및 제2 라이다(123)를 이용하여 레이저 광을 송수신함으로써, 도 5c에 도시된 바와 같이, 도로 외부에 위치한 주변 건물들 중 적어도 일부 건물에 대응되는 제1 포인트 클라우드(531, 532, 533)를 획득할 수 있다.

동작 403에서, 차량은 맵 데이터에서 차량의 위치 정보에 대응되는 제2 포인트 클라우드를 획득할 수 있다. 예를 들어, 차량의 프로세서(310)는, 메모리(340)에 저장된 맵 데이터(342)에서 차량의 현재 위치 정보에 대응되는 영역의 제2 포인트 클라우드를 획득할 수 있다. 제2 포인트 클라우드는, 차량의 현재 위치에 대응되는 도로, 및/또는 차량의 현재 위치에 대응되는 도로 외부의 지형 지물을 나타내는 포인트들을 포함할 수 있다. 예컨대, 차량(501)은 도 5b에 도시된 바와 같이, 메모리(340)에 저장된 맵 데이터(342)에서 차량(501)이 현재 위치한 왕복 2차선 직선 도로의 외부에 위치한 주변 건물들을 나타내는 제2 포인트 클라우드(521, 522, 523, 524)를 획득할 수 있다.

동작 405에서, 차량은 제1 포인트 클라우드의 적어도 일부와 제2 포인트 클라우드를 매칭시켜 차량의 위치 정보를 보정할 수 있다. 예를 들어, 차량의 프로세서(310)는 도 5d에 도시된 바와 같이, 제1 포인트 클라우드(531, 532, 533)의 적어도 일부와 제2 포인트 클라우드(521, 522, 523, 534)를 비교하여, 제1 포인트 클라우드(531, 532, 533)의 적어도 일부가 제2 포인트 클라우드(521, 522, 523, 534)의 어느 부분과 매칭되는지 확인할 수 있다. 프로세서(310)는 제2 포인트 클라우드의 제1 부분(522, 523, 533)이 제1 포인트 클라우드(531, 532, 533)의 적어도 일부와 매칭되는 경우, 제2 포인트 클라우드의 제1 부분(522, 523, 533)을 기준으로 차량(501)의 위치를 추정할 수 있다. 예컨대, 프로세서(310)는 제1 포인트 클라우드(531, 532, 533)와 차량(501) 사이의 거리 정보를 획득하고, 제2 포인트 클라우드의 제1 부분(522, 523, 533)에 획득된 거리 정보를 적용하여, 차량이 위치한 지점, 및/또는 차량이 향하는 방향(또는 각도)을 추정할 수 있다. 프로세서(310)는 추정된 차량이 위치한 지점, 및/또는 차량이 향하는 방향을 기반으로, 위치 정보 모듈로부터 제공되는 차량의 현재 위치 정보를 보정할 수 있다.

상술한 도 5b, 도 5c, 및 도 5d에서는, 도시의 편의를 위해 제1 포인트 클라우드, 및 제2 포인트 클라우드들을 선, 및/또는 도형(예: 사각형)으로 표현하였으나, 제1 포인트 클라우드, 및 제2 포인트 클라우드들 각각은 3차원 점들의 집합일 수 있다.

도 6은 다양한 실시예들에 따른 차량에서 도로 복잡도에 기초하여 측위 방식을 선택하는 흐름도이다. 다양한 실시예들에 따르면, 도 6의 적어도 일부 동작은 도 4의 동작 401이 수행되기 이전에 수행될 수 있다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 여기에서, 차량은 도 3의 전자 장치(300)를 포함할 수 있다. 이하에서 도 6의 적어도 일부 동작은 도 7a, 7b, 및/또는 도 8을 참조하여 설명할 것이다. 도 7a는 다양한 실시예들에 따른 차량에서 카메라를 이용하여 도로의 빈 공간(free-space) 탐지하는 예시도이고, 도 7b는 다양한 실시예들에 따른 차량에서 맵 데이터에서 획득된 도로 영역을 나타내는 예시도이다. 도 8은 다양한 실시예들에 따른 차량에서 카메라를 이용하여 도로의 오브젝트를 탐지하는 예시도이다.

도 6을 참조하면, 동작 601에서, 차량은 적어도 하나의 카메라의 시야가 확보되었는지 여부를 결정할 수 있다. 일실시예에 따르면, 차량의 프로세서(310), 및/또는 센서 모듈(320)은 차량에 포함된 적어도 하나의 카메라를 이용하여 적어도 하나의 이미지를 획득하고, 획득된 이미지를 분석하여 인접 차량에 의해 적어도 하나의 카메라의 시야각 중 지정된 크기 이상의 시야각이 차단된 상태인지(또는 가려진 상태인지) 여부를 결정할 수 있다. 차량의 프로세서(310), 및/또는 센서 모듈(320)은 적어도 하나의 카메라의 시야각 중 지정된 크기 이상의 시야각이 차단되지 않은 경우, 적어도 하나의 카메라의 시야가 확보된 것으로 결정할 수 있다.

카메라의 시야가 확보된 경우, 차량은 동작 603에서 적어도 하나의 카메라를 이용하여 오브젝트를 탐지할 수 있다. 일실시예에 따르면, 차량의 프로세서(310), 및/또는 센서 모듈(320)은 시야가 확보된 적어도 하나의 카메라로부터 적어도 하나의 이미지를 획득하고, 획득된 적어도 하나의 이미지를 분석하여 도로 상에 위치한 오브젝트를 탐지할 수 있다. 도로 상에 위치한 오브젝트는, 차량, 오토바이, 자전거, 또는 보행자와 같이 이동이 가능한 오브젝트를 포함할 수 있다.

동작 605에서, 차량은 오브젝트 탐지 결과에 기반하여 도로의 복잡도를 결정할 수 있다. 일실시예에 따르면, 차량의 프로세서(310)는 오브젝트 탐지 결과를 기반으로, 도로 내 빈 공간(free-space)에 해당하는 영역을 탐지하고, 도로 내 빈 공간에 해당하는 영역의 크기에 기반하여 도로의 복잡도를 결정할 수 있다. 예를 들어, 도 7a에 도시된 바와 같이, 차량(701)은 좌측 전방 카메라(133), 및 우측 전방 카메라(131)를 이용하여 전방에 위치한 다른 차량들(711, 712, 721)을 탐지하고, 탐지 결과를 기반으로 도로의 빈 공간에 해당하는 영역 A(731)를 추출할 수 있다. 차량의 프로세서(310)는 추출된 영역 A(731)의 넓이를 계산하고, 메모리(340)에 저장된 맵 데이터(342)에서 차량의 현재 위치에 대응되는 도로 영역의 넓이를 획득할 수 있다. 예를 들어, 도 7b에 도시된 바와 같이, 차량(701)은 맵 데이터(342)에서 차량의 전방 영역에 위치한 도로 영역 B(741)의 넓이를 획득할 수 있다. 차량의 프로세서(310)는 빈 공간에 해당하는 영역 A(731)의 넓이 대 맵 데이터에서 획득된 도로 영역 B(741)의 넓이의 비(A의 넓이/B의 넓이)를 도로 복잡도로 결정할 수 있다.

일실시예에 따르면, 차량의 프로세서(310)는 오브젝트 탐지 결과를 기반으로, 도로 내에 위치하면서 이동이 가능한 오브젝트들의 수, 및 이미지 내에서 해당 오브젝트들에 의해 점유된 영역의 크기에 기초하여 도로 복잡도를 결정할 수 있다. 차량의 프로세서(310)는 카메라로부터 획득된 이미지에서 하단 영역을 점유한 오브젝트들을 도로 내에 위치한 오브젝트로 결정할 수 있다. 예를 들어, 차량의 프로세서(310)는 도 8에 도시된 바와 같이, 획득된 이미지(800)의 하단 영역(802)에 위치한 다른 차량들(811, 812, 813, 814) 및 보행자들(821, 822, 823)의 수, 및/또는 이미지의 하단 영역에서 다른 차량들(811, 812, 813, 814) 및 보행자들(821, 822, 823)에 의해 점유된 영역의 비율을 결정할 수 있다. 차량의 프로세서(310)는 이미지의 하단 영역에 위치한 오브젝트들의 수가 지정된 수보다 많고, 이미지의 하단 영역의 넓이 대 이미지의 하단 영역에 위치한 오브젝트들의 점유 영역의 넓이의 비가 지정된 비율보다 큰 경우, 도로 복잡도가 높은 것으로 결정될 수 있다. 차량의 프로세서(310)는 이미지의 하단 영역에 위치한 오브젝트들의 수가 지정된 수보다 많으나, 이미지의 하단 영역의 넓이 대 이미지의 하단 영역에 위치한 오브젝트들의 점유 영역의 넓이의 비가 지정된 비율보다 작은 경우, 도로 복잡도가 낮은 것으로 결정될 수 있다. 차량의 프로세서(310)는 이미지의 하단 영역에 위치한 오브젝트들의 수가 지정된 수보다 적거나 같고, 이미지의 하단 영역의 넓이 대 이미지의 하단 영역에 위치한 오브젝트들의 점유 영역의 넓이의 비가 지정된 비율보다 작은 경우, 도로 복잡도가 낮은 것으로 결정될 수 있다. 상술한 도로 복잡도를 결정하는 방식은, 예시적인 것으로서, 본 개시물의 다양한 실시예들은 이에 한정되지 않을 것이다. 예를 들어, 도로 복잡도는, 이미지의 하단 영역에 위치한 오브젝트들의 수, 또는 이미지 내에서 해당 오브젝트들에 의해 점유된 영역의 크기 중 적어도 하나를 기반으로 결정될 수 있다. 일실시예에 따르면, 이미지의 하단 영역의 크기는, 카메라의 위치, 카메라가 포함된 헤드 램프의 설치 위치, 카메라의 촬영 각도, 또는 카메라의 성능 정보 중 적어도 하나에 기초하여 설정 및/또는 변경될 수 있다.

동작 607에서, 차량은 도로의 복잡도가 지정된 복잡도보다 큰지 여부를 결정할 수 있다. 차량의 프로세서(310)는 도로의 복잡도와 지정된 복잡도를 비교할 수 있다. 지정된 복잡도는, 사업자 및/또는 설계자에 의해 설정 및/또는 변경될 수 있다.

도로의 복잡도가 지정된 복잡도보다 큰 경우, 또는 카메라의 시야가 확보되지 않은 경우, 차량은 동작 609에서 포인트 기반의 맵 매칭 방식을 선택할 수 있다. 예를 들어, 차량의 프로세서(310)는 도로의 복잡도가 지정된 복잡도보다 크거나 카메라의 시야가 확보되지 않은 경우, 도로 내 랜드마크의 인식이 어려운 상황임을 결정하고, 적어도 하나의 라이다를 이용한 포인트 기반의 맵 매칭 방식을 차량의 측위 방식으로 선택할 수 있다. 추가적으로, 차량의 프로세서(310)는 도로 외부의 영역, 예컨대, 도로 영역을 제외한 나머지 영역을, 측위를 위한 관심 영역으로 설정할 수 있다. 일실시예에 따르면, 맵 매칭 방식을 선택한 차량의 프로세서(310)는 도 4 및/또는 도 9의 동작들을 수행할 수 있다

도로의 복잡도가 지정된 복잡도보다 작거나 같은 경우, 차량은 동작 611에서 랜드마크 기반의 맵 매칭 방식을 선택할 수 있다. 예를 들어, 차량의 프로세서(310)는 도로의 복잡도가 지정된 복잡도보다 작거나 같은 경우, 도로 내 랜드마크의 인식이 가능한 상황임을 결정하고, 적어도 하나의 카메라를 이용한 랜드마크 기반의 맵 매칭 방식을 차량의 측위 방식으로 선택할 수 있다. 추가적으로, 차량의 프로세서(310)는 도로 내부의 영역, 예컨대, 도로 영역을 측위를 위한 관심 영역으로 설정할 수 있다. 일실시예에 따르면, 랜드마크 매칭 방식을 선택한 차량의 프로세서(310)는 도 12의 동작들을 수행할 수 있다.

도 9는 다양한 실시예들에 따른 차량에서 맵 매칭 방식을 이용하여 위치를 보정하는 흐름도이다. 일실시예에 따르면, 도 9의 적어도 일부 동작은 도 4의 동작 405의 상세한 동작 중 적어도 일부일 수 있다. 일실시예에 따르면, 도 9의 적어도 일부 동작은 도 6의 동작 609가 수행된 이후에 수행되거나, 도 6의 적어도 일부 동작과 관련없이 독립적으로 수행될 수 있다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 여기에서, 차량은 도 3의 전자 장치(300)를 포함할 수 있다. 이하에서 도 9의 적어도 일부 동작은 도 10a 내지 10d, 및/또는 도 11을 참조하여 설명할 것이다. 도 10a 내지 도 10d는 다양한 실시예들에 따른 차량에서 포인트 기반의 맵 매칭 방식에 대한 예시도이고, 도 11은 다양한 실시예들에 따른 차량에서 포인트 기반의 맵 매칭을 위해 차량의 위치를 변경하는 예시도이다.

도 9를 참조하면, 동작 901에서, 차량은 도로 정보를 기반으로 제1 포인트 클라우드를 도로 관련 포인트들과 도로 외 포인트들로 구분할 수 있다. 일실시예에 따르면, 차량의 프로세서(310)는 메모리(340)에 저장된 맵 데이터에서 차량의 현재 위치에 대응되는 영역의 도로 정보를 획득하고, 획득된 도로 정보를 기반으로 제1 포인트 클라우드를 도로 외부의 지형지물에 대응되는 제3 포인트 클라우드와 도로 및 도로 상의 오브젝트들에 대응되는 제4 포인트 클라우드로 구분할 수 있다. 일실시예에 따르면, 제4 포인트 클라우드는, 도로 외부에 위치한 이동성을 가지는 오브젝트(예: 보행자)에 대응되는 포인트 클라우드를 포함할 수 있다. 일실시예에 따르면, 차량의 현재 위치에 대응되는 영역의 도로 정보는, 도로의 크기, 도로의 차선 정보, 도로의 형태, 또는 도로에 대응되는 포인트 클라우드 중 적어도 하나를 포함할 수 있다. 예를 들어, 차량(1001)이 적어도 하나의 라이다를 이용하여 도 10a에 도시된 바와 같은, 제1 포인트 클라우드(1021, 1022, 1023, 1024)를 획득한 경우, 차량(1001)은 도로 정보를 이용하여 제1 포인트 클라우드(1021, 1022, 1023, 1024) 중에서 다른 차량(1012, 1013)들에 대응되는 일부 포인트 클라우드(1022, 1023)를 인식할 수 있다. 차량(1001)은 인식 결과에 기반하여 제1 포인트 클라우드(1021, 1022, 1023, 1024)를 도로 외부의 지형지물에 대응되는 제3 포인트 클라우드(1021, 1024)와 도로 및 도로 내부의 다른 차량들에 대응되는 제4 포인트 클라우드(1022, 1023)로 구분할 수 있다.

동작 903에서, 차량은 도로 관련 포인트가 제거된 제3 포인트 클라우드를 획득할 수 있다. 일실시예에 따르면, 차량의 프로세서(310)는 적어도 하나의 라이다를 이용하여 획득된 제1 포인트 클라우드에서, 도로 관련 포인트들을 포함하는 제4 포인트 클라우드를 제거하고, 도로 외 포인트들을 포함하는 제3 포인트 클라우드를 획득할 수 있다. 제3 포인트 클라우드는, 관심 영역에 대응되는 포인트 클라우드일 수 있다. 예를 들어, 도 10b에 도시된 바와 같이, 차량(1001)은 도로 상의 다른 차량들(1012, 1013)에 대응되는 포인트들(1022, 1023)이 제거된 제 3 포인트 클라우드(1021, 1024)를 획득할 수 있다.

동작 905에서, 차량은 제3 포인트 클라우드와 제2 포인트 클라우드를 매칭하여 차량의 위치를 추정할 수 있다. 차량의 프로세서(310)는 메모리(340)의 맵 데이터(342)에서 획득된 제2 포인트 클라우드를 제3 포인트 클라우드와 매칭할 수 있다. 제2 포인트 클라우드는, 도 4의 동작 403에서 설명한 바와 같이 획득될 수 있다. 예를 들어, 차량은 도 10c에 도시된 바와 같이, 메모리(340)에 저장된 맵 데이터(342)에서 차량(1001)이 현재 위치한 도로 외부의 지형지물에 대응되는 제2 포인트 클라우드(1031, 1032, 1033, 1034)를 획득하고, 도 10d에 도시된 바와 같이, 제2 포인트 클라우드(1031, 1032, 1033, 1034)와 제3 포인트 클라우드(1021, 1024)를 매칭시키고, 매칭 결과에 기초하여 차량이 위치한 지점, 및 차량의 방향(또는 각도)를 추정할 수 있다. 일실시예에 따르면, 차량(1001)은 맵 데이터(342)로부터 차량의 현재 위치 정보에 대응되는 영역을 확인하고, 확인된 영역의 도로 및 도로 외부의 지형지물에 대응되는 제2 포인트 클라우드를 획득할 수 있다. 이 경우, 차량(1001)은 동작 901에서 기재된 도로 정보를 기반으로, 제2 포인트 클라우드에서 도로에 대응되는 포인트들을 제거하여, 도로 외부의 지형지물에 대응되는 포인트들만을 포함하는 제2 포인트 클라우드를 획득할 수 있다. 일실시예에 따르면, 프로세서(310)는 RANSAC(random sample consensus) 알고리즘을 이용하여 제3 포인트 클라우드에서 이상치(outlier)를 제거하는 동작을 n회 반복적으로 수행한 후, 이상치가 제거된 제3 포인트 클라우드를 이용하여 매칭을 수행할 수 있다. 이상치 제거 동작을 반복하는 횟수 n은, 제3 포인트 클라우드에 포함된 이상치가 적을수록 감소될 수 있다. 예컨대, 본 개시물의 일실시예들에 따르면, 프로세서(310)는 RANSAC 알고리즘을 이용하여 적어도 하나의 라이다로부터 획득된 포인트 클라우드에서 이상치를 제거함으로써, 불확실한 정보를 제거하여 매칭 정확도를 향상시킬 수 있다.

동작 907에서 차량은 추정된 위치를 기반으로 차량의 현재 위치 정보를 보정할 수 있다. 일실시예에 따르면, 차량의 프로세서(310)는 차량의 위치 추정에 이용된 차량의 현재 위치 정보와 차량의 추정된 위치 사이의 오프셋을 계산하고, 위치 정보 모듈(미도시)로부터 새롭게 수신되는 차량의 현재 위치 정보에 계산된 오프셋을 적용하여, 차량의 현재 위치 정보를 획득할 수 있다. 일실시예에 따르면, 차량의 프로세서(310)는 차량의 프로세서(310)는 IVN을 통해 차량에 포함된 적어도 하나의 구성 요소로부터 차량의 위치를 추정하는 시간 동안에 차량이 주행한 거리에 대한 정보를 획득하고, 추정된 위치에 주행 거리 정보를 더하여 차량의 현재 위치 정보를 획득할 수 있다. 추정된 위치를 기반으로 차량의 현재 위치를 보정하는 방식은 예시적인 것으로서, 본 개시물의 다양한 실시예들은 이에 한정되지 않을 것이다.

일실시예에 따르면, 프로세서(310)는 차량의 추정된 위치를 기반으로, 차량의 현재 위치 정보를 보정할 수 있다. 예를 들어, 프로세서(310)는 추정된 위치를 차량의 현재 위치 정보로 설정할 수 있다. 다른 예로, 프로세서(310)는 차량의 위치를 추정하는 시간 동안에 차량이 주행한 거리와 추정된 위치를 이용하여 차량의 현재 위치 정보를 보정할 수 있다. 일실시예에 따르면, 차량이 주행한 거리는, 차량에 포함된 적어도 하나의 구성 요소로부터 수신되거나, 카메라로부터 획득된 이미지를 분석하여 결정될 수 있다. 예를 들어, 프로세서(310)의 위치 결정 모듈(312)은 거리 측정 모듈(318)을 통해 카메라로부터 획득되는 이미지들을 분석하여 차량의 주행 거리를 측정할 수 있다. 다른 예로, 프로세서(310)의 위치 결정 모듈(312)은 IVN을 통해 차량에 포함된 적어도 하나의 구성 요소로부터 주행 거리 정보를 획득할 수 있다.

상술한 도 9에서는, 관심 영역에 대응되는 제3 포인트 클라우드의 양에 관계없이, 포인트 기반의 맵 매칭 방식을 수행하는 방안에 대해 설명하였다. 그러나, 다양한 실시예들에 따르면, 차량은 관심 영역에 대응되는 제3 포인트 클라우드의 양에 기초하여, 차량의 위치를 변경하고, 제1 포인트 클라우드 및/또는 제3 포인트 클라우드를 재획득할 수 있다. 예를 들어, 도 11에 도시된 바와 같이, 차량(1101)이 복수의 라이다들을 이용하여 주변 환경에 대응되는 포인트 클라우드를 획득하였으나, 다른 차량들(1112, 1113)에 의해 관심 영역에 대응되는 제3 포인트 클라우드(1141, 1142)의 양이 지정된 조건을 만족하지 못하는 경우, 차량의 위치를 변경한 후, 복수의 라이다들을 이용하여 관심 영역에 대응되는 제3 포인트 클라우드(1151, 1152)를 재획득할 수 있다. 예컨대, 관심 영역에 대응되는 제3 포인트 클라우드의 양이 지정된 조건을 만족하지 못하는 경우, 제3 포인트 클라우드와 제2 포인트 클라우드를 정확하게 매칭시키기 어렵고, 이 경우 측위 정확도가 낮아질 수 있으므로, 이를 방지하기 위함이다.

도 12는 다양한 실시예들에 따른 차량에서 랜드마크 기반의 맵 매칭 방식을 이용하여 위치를 보정하는 흐름도이다. 다양한 실시예들에 따르면, 도 12의 적어도 일부 동작은 도 6의 동작 611이 수행된 이후에 수행되거나, 도 6의 적어도 일부 동작과 관련없이 독립적으로 수행될 수 있다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 여기에서, 차량은 도 3의 전자 장치(300)를 포함할 수 있다. 이하에서 도 12의 적어도 일부 동작은 도 13a 내지 13c를 참조하여 설명할 것이다. 도 13a 내지 도 13c는 다양한 실시예들에 따른 차량에서 랜드마크 기반의 맵 매칭 방식에 대한 예시도이다.

도 12를 참조하면, 동작 1201에서, 차량은 적어도 하나의 카메라를 이용하여 도로 내 랜드마크 정보를 획득할 수 있다. 일실시예에 따르면, 차량의 프로세서(310), 및/또는 센서 모듈(320)은 적어도 하나의 카메라를 이용하여 차량의 전방, 및/또는 측방의 도로 이미지를 획득할 수 있다. 프로세서(310)는 획득된 도로 이미지를 분석하여 랜드마크를 인식할 수 있다. 랜드마크는, 예를 들어, 레인(lane), 도로 표면 마커(road surface marker), 또는 간판(signboard) 중 적어도 하나를 포함할 수 있다. 예컨대, 차량은 도 13a에 도시된 바와 같이, 좌측 측방 카메라 영상(1301), 좌측 전방 카메라 영상(1302), 우측 전방 카메라 영상(1303), 및 우측 측방 카메라 영상(1304)을 획득하고, 좌측 측방 카메라 영상(1301)에서 차선(1311), 및 도로 안내 기호(1313)를 인식하고, 우측 측방 카메라 영상(1304)에서 차선(1315)을 인식할 수 있다. 다른 예로, 차량은 도 13b에 도시된 바와 같이, 좌측 측방 카메라 영상(1301)에서 차선(1321), 및 도로 안내 기호(1323)를 인식하고, 우측 측방 카메라 영상(1304)에서 도로 안내 기호(1325)를 인식할 수 있다. 또 다른 예로, 차량은 도 13c에 도시된 바와 같이, 좌측 측방 카메라 영상(1301)에서 정지선들(1331, 1333)을 인식하고, 우측 측방 카메라 영상(1301)에서 정지선(1335)을 인식할 수 있다.

동작 1203에서, 차량은 탐지된 랜드마크 정보와 맵 데이터의 랜드마크 정보를 매칭시켜 차량의 위치를 추정할 수 있다. 일실시예에 따르면, 차량의 프로세서(310)는 메모리(340)의 맵 데이터(342)로부터 차량의 현재 위치 정보에 대응되는 도로 영역에 대한 랜드마크 정보를 획득할 수 있다. 차량의 프로세서(310)는 카메라를 통해 인식된 랜드마크 정보가 맵 데이터로부터 획득된 랜드마크 정보 중 어느 랜드마크 정보와 매칭되는지 확인하여, 차량의 위치를 추정할 수 있다.

동작 1205에서, 차량은 추정된 위치 정보를 기반으로 차량의 현재 위치를 보정할 수 있다. 추정된 위치 정보를 기반으로, 차량의 현재 위치를 보정하는 동작은 도 9의 동작 907과 동일할 수 있다.

다양한 실시예들에 따르면, 차량에 포함되는 전자 장치(300)의 동작 방법은, 적어도 하나의 라이다로부터 주변 환경에 대응되는 제1 포인트 클라우드를 획득하는 동작, 맵 데이터에서 상기 차량의 위치 정보에 대응되는 제2 포인트 클라우드를 획득하는 동작, 및 상기 제1 포인트 클라우드의 적어도 일부와 상기 제2 포인트 클라우드를 매칭하여 상기 차량의 위치 정보를 보정하는 동작을 포함할 수 있다.

일실시예에 따르면, 차량에 포함되는 전자 장치(300)의 동작 방법은, 상기 차량에 장착된 적어도 하나의 카메라의 시야각이 지정된 크기 이상 차단된 상태인지 여부를 결정하는 동작을 더 포함하며, 상기 적어도 하나의 카메라의 시야각이 지정된 크기 이상 차단된 상태인 경우, 상기 전자 장치(300)는 상기 적어도 하나의 라이다로부터 주변 환경에 대응되는 상기 제1 포인트 클라우드를 획득하는 동작을 수행할 수 있다.

일실시예에 따르면, 차량에 포함되는 전자 장치(300)의 동작 방법은, 상기 적어도 하나의 카메라의 시야각이 지정된 크기 이상 차단되지 않은 상태인 경우, 상기 적어도 하나의 카메라로부터 획득되는 이미지를 기반으로 상기 차량이 위치한 도로의 복잡도를 결정하는 동작을 더 포함하며, 상기 전자 장치(300)는 상기 도로의 복잡도가 지정된 복잡도 범위에 대응되는 경우, 상기 제1 포인트 클라우드를 획득하는 동작을 수행할 수 있다.

일실시예에 따르면, 상기 차량이 위치한 도로의 복잡도를 결정하는 동작은, 상기 적어도 하나의 카메라로부터 획득되는 이미지에서 적어도 하나의 오브젝트에 의해 점유되지 않은 빈 공간의 크기를 결정하는 동작, 상기 맵 데이터의 도로 정보를 이용하여 상기 차량의 위치 정보에 대응되는 도로 영역의 크기를 획득하는 동작, 및 상기 빈 공간의 크기와 상기 획득된 도로 영역의 크기의 비율에 기초하여 상기 도로의 복잡도를 결정하는 동작을 포함할 수 있다.

일실시예에 따르면, 상기 차량이 위치한 도로의 복잡도를 결정하는 동작은, 상기 적어도 하나의 카메라로부터 획득되는 이미지에서 적어도 하나의 오브젝트를 탐지하는 동작, 및 상기 탐지된 적어도 하나의 오브젝트에 대한 정보를 기반으로, 상기 도로의 복잡도를 결정하는 동작을 포함하며, 상기 탐지된 적어도 하나의 오브젝트에 대한 정보는, 탐지된 오브젝트의 개수, 탐지된 오브젝트의 크기, 또는 탐지된 오브젝트의 이미지 내 위치 중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 상기 적어도 하나의 오브젝트를 탐지하는 동작은, 상기 이미지의 전체 영역 중 지정된 영역에 위치한 적어도 하나의 오브젝트를 탐지하는 동작을 포함하며, 상기 지정된 영역은, 상기 이미지를 획득한 적어도 하나의 카메라의 배치 위치, 상기 적어도 하나의 카메라가 포함된 헤드 램프의 배치 위치, 상기 적어도 하나의 카메라의 촬영 각도, 또는 상기 적어도 하나의 카메라의 성능 정보 중 적어도 하나에 기초하여 결정될 수 있다.

일실시예에 따르면, 상기 도로의 복잡도가 지정된 복잡도 범위에 대응되지 않는 경우, 상기 적어도 하나의 카메라로부터 획득되는 이미지에서 상기 차량이 위치한 도로의 랜드마크를 인식하는 동작, 상기 맵 데이터에서 상기 차량의 위치 정보에 대응되는 도로 영역의 랜드마크에 대한 정보를 추출하는 동작, 및 상기 인식된 랜드마크와 상기 추출된 랜드마크에 대한 정보를 기반으로 상기 차량의 위치 정보를 보정하는 동작을 더 포함하며, 상기 랜드마크는, 차선, 도로 표면 마커, 간판, 도로 안내 기호, 또는 정지선 중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 상기 차량의 위치 정보를 보정하는 동작은, 상기 맵 데이터의 도로 정보를 기반으로, 상기 제1 포인트 클라우드에서 도로에 관련된 포인트들을 제거된 제3 포인트 클라우드를 획득하는 동작, 상기 제3 포인트 클라우드와 상기 제2 포인트 클라우드를 매칭하여 상기 차량의 위치를 추정하는 동작, 및 상기 추정된 위치를 기반으로 상기 차량의 현재 위치 정보를 보정하는 동작을 포함할 수 있다.

일실시예에 따르면, 상기 제3 포인트 클라우드는, 상기 도로 외부의 지형지물에 대응되는 포인트들을 포함할 수 있다.

일실시예에 따르면, 상기 도로에 관련된 포인트들은, 상기 도로에 대응되는 포인트들, 또는 상기 도로 상에 위치한 적어도 하나의 오브젝트에 대응되는 포인트들 중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 상기 제1 포인트 클라우드를 획득하는 동작은, 상기 제1 포인트 클라우드의 적어도 일부의 양이 지정된 조건을 만족하는 경우, 상기 차량의 위치가 변경되도록 주행하는 동작, 및 상기 변경된 위치에서 상기 적어도 하나의 라이다로부터 상기 주변 환경에 대응되는 상기 제1 포인트 클라우드를 재획득하는 동작을 포함할 수 있다.

Claims (20)

1. 차량에 포함되는 전자 장치의 동작 방법에 있어서,
   적어도 하나의 라이다로부터 주변 환경에 대응되는 제1 포인트 클라우드를 획득하는 동작;
   맵 데이터에서 상기 차량의 위치 정보에 대응되는 제2 포인트 클라우드를 획득하는 동작; 및
   상기 제1 포인트 클라우드의 적어도 일부와 상기 제2 포인트 클라우드를 매칭하여 상기 차량의 위치 정보를 보정하는 동작을 포함하는 방법.
   
2. 제1항에 있어서,
   상기 차량에 장착된 적어도 하나의 카메라의 시야각이 지정된 크기 이상 차단된 상태인지 여부를 결정하는 동작을 더 포함하며,
   상기 적어도 하나의 카메라의 시야각이 지정된 크기 이상 차단된 상태인 경우, 상기 제1 포인트 클라우드를 획득하는 동작을 수행하는 방법.
   
3. 제2항에 있어서,
   상기 적어도 하나의 카메라의 시야각이 지정된 크기 이상 차단되지 않은 상태인 경우, 상기 적어도 하나의 카메라로부터 획득되는 이미지를 기반으로 상기 차량이 위치한 도로의 복잡도를 결정하는 동작을 더 포함하며,
   상기 도로의 복잡도가 지정된 복잡도 범위에 대응되는 경우, 상기 제1 포인트 클라우드를 획득하는 동작을 수행하는 방법.
   
4. 제3항에 있어서,
   상기 차량이 위치한 도로의 복잡도를 결정하는 동작은,
   상기 적어도 하나의 카메라로부터 획득되는 이미지에서 적어도 하나의 오브젝트에 의해 점유되지 않은 빈 공간의 크기를 결정하는 동작;
   상기 맵 데이터의 도로 정보를 이용하여 상기 차량의 위치 정보에 대응되는 도로 영역의 크기를 획득하는 동작; 및
   상기 빈 공간의 크기와 상기 획득된 도로 영역의 크기의 비율에 기초하여 상기 도로의 복잡도를 결정하는 동작을 포함하는 방법.
   
5. 제3항에 있어서,
   상기 차량이 위치한 도로의 복잡도를 결정하는 동작은,
   상기 적어도 하나의 카메라로부터 획득되는 이미지에서 적어도 하나의 오브젝트를 탐지하는 동작; 및
   상기 탐지된 적어도 하나의 오브젝트에 대한 정보를 기반으로, 상기 도로의 복잡도를 결정하는 동작을 포함하며,
   상기 탐지된 적어도 하나의 오브젝트에 대한 정보는, 탐지된 오브젝트의 개수, 탐지된 오브젝트의 크기, 또는 탐지된 오브젝트의 이미지 내 위치 중 적어도 하나를 포함하는 방법.
   
6. 제5항에 있어서,
   상기 적어도 하나의 오브젝트를 탐지하는 동작은,
   상기 이미지의 전체 영역 중 지정된 영역에 위치한 적어도 하나의 오브젝트를 탐지하는 동작을 포함하며,
   상기 지정된 영역은, 상기 이미지를 획득한 적어도 하나의 카메라의 배치 위치, 상기 적어도 하나의 카메라가 포함된 헤드 램프의 배치 위치, 상기 적어도 하나의 카메라의 촬영 각도, 또는 상기 적어도 하나의 카메라의 성능 정보 중 적어도 하나에 기초하여 결정되는 방법.
   
7. 제3항에 있어서,
   상기 도로의 복잡도가 지정된 복잡도 범위에 대응되지 않는 경우, 상기 적어도 하나의 카메라로부터 획득되는 이미지에서 상기 차량이 위치한 도로의 랜드마크를 인식하는 동작;
   상기 맵 데이터에서 상기 차량의 위치 정보에 대응되는 도로 영역의 랜드마크에 대한 정보를 추출하는 동작; 및
   상기 인식된 랜드마크와 상기 추출된 랜드마크에 대한 정보를 기반으로 상기 차량의 위치 정보를 보정하는 동작을 더 포함하며,
   상기 랜드마크는, 차선, 도로 표면 마커, 간판, 도로 안내 기호, 또는 정지선 중 적어도 하나를 포함하는 방법.
   
8. 제1항에 있어서,
   상기 차량의 위치 정보를 보정하는 동작은,
   상기 맵 데이터의 도로 정보를 기반으로, 상기 제1 포인트 클라우드에서 도로에 관련된 포인트들을 제거된 제3 포인트 클라우드를 획득하는 동작;
   상기 제3 포인트 클라우드와 상기 제2 포인트 클라우드를 매칭하여 상기 차량의 위치를 추정하는 동작; 및
   상기 추정된 위치를 기반으로 상기 차량의 현재 위치 정보를 보정하는 동작을 포함하는 방법.
   
9. 제8항에 있어서,
   상기 제3 포인트 클라우드는, 상기 도로 외부의 지형지물에 대응되는 포인트들을 포함하는 방법.
   
10. 제 8항에 있어서,
    상기 도로에 관련된 포인트들은, 상기 도로에 대응되는 포인트들, 또는 상기 도로 상에 위치한 적어도 하나의 오브젝트에 대응되는 포인트들 중 적어도 하나를 포함하는 방법.
    
11. 제1항에 있어서,
    상기 제1 포인트 클라우드를 획득하는 동작은,
    상기 제1 포인트 클라우드의 적어도 일부의 양이 지정된 조건을 만족하는 경우, 상기 차량의 위치가 변경되도록 주행하는 동작; 및
    상기 변경된 위치에서 상기 적어도 하나의 라이다로부터 상기 주변 환경에 대응되는 상기 제1 포인트 클라우드를 재획득하는 동작을 포함하는 방법.
    
12. 차량에 포함되는 전자 장치에 있어서;
    프로세서; 및
    상기 프로세서와 전기적으로 연결된 인터페이스를 포함하며,
    상기 프로세서는, 상기 인터페이스를 통해 적어도 하나의 라이다로부터 주변 환경에 대응되는 제1 포인트 클라우드를 획득하고,
    상기 인터페이스를 통해 맵 데이터에서 상기 차량의 위치 정보에 대응되는 제2 포인트 클라우드를 획득하고,
    상기 제1 포인트 클라우드의 적어도 일부와 상기 제2 포인트 클라우드를 매칭하여 상기 차량의 위치 정보를 보정하는 전자 장치.
    
13. 제12항에 있어서,
    상기 프로세서는, 상기 차량에 장착된 적어도 하나의 카메라의 시야각이 지정된 크기 이상 차단된 상태인지 여부를 결정하고,
    상기 적어도 하나의 카메라의 시야각이 지정된 크기 이상 차단된 상태인 경우, 상기 제1 포인트 클라우드를 획득하도록 상기 적어도 하나의 라이다를 제어하는 전자 장치.
    
14. 제13항에 있어서,
    상기 프로세서는, 상기 적어도 하나의 카메라의 시야각이 지정된 크기 이상 차단되지 않은 상태인 경우, 상기 적어도 하나의 카메라로부터 획득되는 이미지를 기반으로 상기 차량이 위치한 도로의 복잡도를 결정하고,
    상기 도로의 복잡도가 지정된 복잡도 범위에 대응되는 경우, 상기 제1 포인트 클라우드를 획득하도록 상기 적어도 하나의 라이다를 제어하는 전자 장치.
    
15. 제14항에 있어서,
    상기 프로세서는, 상기 적어도 하나의 카메라로부터 획득되는 이미지에서 적어도 하나의 오브젝트에 의해 점유되지 않은 빈 공간의 크기를 결정하고,
    상기 맵 데이터의 도로 정보를 이용하여 상기 차량의 위치 정보에 대응되는 도로 영역의 크기를 획득하고, 및
    상기 빈 공간의 크기와 상기 획득된 도로 영역의 크기의 비율에 기초하여 상기 도로의 복잡도를 결정하는 전자 장치.
    
16. 제14항에 있어서,
    상기 프로세서는, 상기 적어도 하나의 카메라로부터 획득되는 이미지에서 적어도 하나의 오브젝트를 탐지하고,
    상기 탐지된 적어도 하나의 오브젝트에 대한 정보를 기반으로, 상기 도로의 복잡도를 결정하며,
    상기 탐지된 적어도 하나의 오브젝트에 대한 정보는, 탐지된 오브젝트의 개수, 탐지된 오브젝트의 크기, 또는 탐지된 오브젝트의 이미지 내 위치 중 적어도 하나를 포함하는 전자 장치.
    
17. 제16항에 있어서,
    상기 프로세서는, 상기 이미지의 전체 영역 중 지정된 영역에 위치한 적어도 하나의 오브젝트를 탐지하고,
    상기 지정된 영역은, 상기 이미지를 획득한 적어도 하나의 카메라의 배치 위치, 상기 적어도 하나의 카메라가 포함된 헤드 램프의 배치 위치, 상기 적어도 하나의 카메라의 촬영 각도, 또는 상기 적어도 하나의 카메라의 성능 정보 중 적어도 하나에 기초하여 결정되는 전자 장치.
    
18. 제14항에 있어서,
    상기 프로세서는, 상기 도로의 복잡도가 지정된 복잡도 범위에 대응되지 않는 경우, 상기 적어도 하나의 카메라로부터 획득되는 이미지에서 상기 차량이 위치한 도로의 랜드마크를 인식하고,
    상기 맵 데이터에서 상기 차량의 위치 정보에 대응되는 도로 영역의 랜드마크에 대한 정보를 추출하고, 및
    상기 인식된 랜드마크와 상기 추출된 랜드마크에 대한 정보를 기반으로 상기 차량의 위치 정보를 보정하며,
    상기 랜드마크는, 차선, 도로 표면 마커, 간판, 도로 안내 기호, 또는 정지선 중 적어도 하나를 포함하는 전자 장치.
    
19. 제12항에 있어서,
    상기 프로세서는, 상기 맵 데이터의 도로 정보를 기반으로, 상기 제1 포인트 클라우드에서 도로에 관련된 포인트들을 제거된 제3 포인트 클라우드를 획득하고,
    상기 제3 포인트 클라우드와 상기 제2 포인트 클라우드를 매칭하여 상기 차량의 위치를 추정하고, 및
    상기 추정된 위치를 기반으로 상기 차량의 현재 위치 정보를 보정하며,
    상기 제3 포인트 클라우드는, 상기 도로 외부의 지형지물에 대응되는 포인트들을 포함하고,
    상기 도로에 관련된 포인트들은, 상기 도로에 대응되는 포인트들, 또는 상기 도로 상에 위치한 적어도 하나의 오브젝트에 대응되는 포인트들 중 적어도 하나를 포함하는 전자 장치.
    
20. 제12항에 있어서,
    상기 프로세서는, 상기 제1 포인트 클라우드의 적어도 일부의 양이 지정된 조건을 만족하는 경우, 상기 차량의 위치가 변경되도록 주행하고,
    상기 변경된 위치에서 상기 적어도 하나의 라이다로부터 상기 주변 환경에 대응되는 상기 제1 포인트 클라우드를 재획득하는 전자 장치.
    
    

Images