KR20210112293A - 주석 달기를 위한 데이터 샘플의 자동 선택 - Google Patents

주석 달기를 위한 데이터 샘플의 자동 선택 Download PDF

Info

Publication number
KR20210112293A
KR20210112293A KR1020217000660A KR20217000660A KR20210112293A KR 20210112293 A KR20210112293 A KR 20210112293A KR 1020217000660 A KR1020217000660 A KR 1020217000660A KR 20217000660 A KR20217000660 A KR 20217000660A KR 20210112293 A KR20210112293 A KR 20210112293A
Authority
KR
South Korea
Prior art keywords
bounding box
data samples
data
label
bounding
Prior art date
Application number
KR1020217000660A
Other languages
English (en)
Other versions
KR102593948B1 (ko
Inventor
홀거 채자르
오스카 올로프 베이봄
Original Assignee
모셔널 에이디 엘엘씨
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 모셔널 에이디 엘엘씨 filed Critical 모셔널 에이디 엘엘씨
Publication of KR20210112293A publication Critical patent/KR20210112293A/ko
Application granted granted Critical
Publication of KR102593948B1 publication Critical patent/KR102593948B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06K9/00791—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06K9/00671—
    • G06K9/623—
    • G06K9/6256—
    • G06K9/6267—
    • G06K9/6292—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G06N7/005—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Navigation (AREA)

Abstract

무엇보다도, 주석 달기를 위한 데이터 샘플을 자동으로 선택하기 위한 기술을 설명한다. 이 기술은, 주석 달기를 위한 데이터 샘플을 선택하기 위해, 경계 박스 점수 분포에 기초한 경계 박스 예측, 경계 박스 크기 및 위치로부터 결정된 공간 확률 밀도 및 다수의 머신 러닝 모델의 출력으로부터 결정된 앙상블 점수 분산을 사용한다. 일 실시예에서, 주석 달기를 위한 데이터 샘플을 선택하기 위해 시간적 불일치 단서가 사용된다. 일 실시예에서, 데이터 샘플을 주석 달기로부터 제외시키기 위해 디지털 맵 제약 또는 다른 맵 기반 데이터가 사용된다. 예시적인 애플리케이션에서, 주석이 달린 데이터 샘플은 자율 주행 차량 애플리케이션을 위한 인지 데이터를 출력하는 머신 러닝 모델을 트레이닝시키는 데 사용된다.

Description

주석 달기를 위한 데이터 샘플의 자동 선택
[관련 출원의 상호 참조]
본 출원은 2019년 1월 23일자로 출원된 미국 가출원 제62/796,064호의 이익을 주장한다.
[발명의 분야]
본 설명은 머신 러닝에 관한 것이며, 더 상세하게는 주석 달기(annotation)를 위한 데이터 샘플을 자동으로 선택하기 위해 능동 학습(active learning) 기술을 사용하는 것에 관한 것이다.
컨볼루션 신경 네트워크(convolutional neural network; CNN)는 자율 주행 운전 애플리케이션에서의 인지 태스크를 위해 성공적으로 사용되었다. CNN 구조는 트레이닝 데이터로 학습하는 계층을 포함한다. 이미지 및 비디오 샘플을 분류하도록 학습하는 것은 인간 어노테이터(human annotator)가 각각의 데이터 샘플에 레이블을 레이블링하는 것을 필요로 한다. 수천 개의 데이터 샘플에 주석을 달아야 하는 것은 지루하고 중복적이다.
인간이 주석을 달기 위한 데이터 샘플 풀(data sample pool)로부터 데이터 샘플(예를 들면, 이미지, 포인트 클라우드)을 자동으로 선택하기 위한 능동 학습 시스템 및 방법이 개시된다. 본 시스템 및 방법은, 주석 달기를 위한 데이터 샘플을 선택하기 위해, 경계 박스(bounding box) 점수 확률 분포에 기초한 경계 박스 예측, 데이터 샘플에서의 경계 박스 크기 및 위치로부터 결정된 공간 확률 밀도 및 다수의 머신 러닝 모델의 출력으로부터 결정된 앙상블 점수 분산을 사용한다. 일 실시예에서, 시간적 불일치 단서(temporal inconsistency cue)는 주석 달기를 위해 시간 잡음(예를 들면, 플리커)을 갖는 데이터 샘플(예를 들면, 연속적인 비디오 프레임)을 선택하는 데 사용된다. 일 실시예에서, 맵 제약(하드 제약 및/또는 통계 제약)을 위반하는 데이터 샘플을 주석 달기로부터 제외시키기 위해 디지털 맵이 사용된다. 예시적인 애플리케이션에서, 주석이 달린 데이터 샘플은 자율 주행 차량(autonomous vehicle) 애플리케이션을 위한 인지 데이터(예를 들면, 레이블링된 대상체 및 장면)를 출력하는 머신 러닝 모델(예를 들면, CNN)을 트레이닝시키는 데 사용된다. 일 실시예에서, 능동 학습 시스템은 자율 주행 차량의 계획 모듈에서 구현된다.
개시된 능동 학습 시스템의 장점은 인간 주석 달기를 위한 대규모 샘플 풀로부터의 데이터 서브세트를 자동으로 선택하고, 따라서 자율 주행 차량 애플리케이션을 위한 머신 러닝 모델을 위한 트레이닝 데이터 세트를 수동으로 준비하는 데 드는 시간과 비용의 양을 감소시키는 것이다.
일 실시예에서, 방법은: 컴퓨터 시스템을 사용하여, 데이터 샘플 세트를 획득하는 단계 - 각각의 데이터 샘플은 하나 이상의 경계 박스를 포함하고, 각각의 경계 박스는 환경 내의 잠재적인 대상체 또는 장면을 포함하며, 각각의 경계 박스는 레이블 및 레이블이 정확하다는 것에 대한 신뢰도를 나타내는 경계 박스 점수를 가짐 -; 및 컴퓨터 시스템을 사용하여, 경계 박스 점수의 확률 분포를 사용하여 결정된 경계 박스 예측 신뢰도, 및 다수의 머신 러닝 모델에 의해 출력된 예측 세트로부터 계산된 앙상블 점수의 차이에 기초한 앙상블 점수 분산에 기초하여 주석 달기를 위한 데이터 샘플 서브세트를 선택하는 단계를 포함한다.
일 실시예에서, 본 방법은: 컴퓨터 시스템을 사용하여, 경계 박스 예측 신뢰도, 경계 박스 크기 및 위치에 의해 파라미터화된 경계 박스의 공간 확률 밀도, 및 앙상블 점수 분산에 기초하여 주석 달기를 위한 데이터 샘플 서브세트를 선택하는 단계를 추가로 포함한다.
일 실시예에서, 경계 박스 예측은: 각각의 레이블에 대해, 경계 박스 점수의 확률 분포를 생성하는 단계; 및 분포에 기초하여, 특정 경계 박스가 부정확하게 레이블링될 우도(likelihood)를 결정하는 단계; 및 우도에 기초하여 주석 달기를 위한 특정 경계 박스를 선택하거나 제외시키는 단계를 추가로 포함한다.
일 실시예에서, 분포는 경계 박스 점수의 범위를 나타내는 빈(bin)을 갖는 히스토그램에 의해 근사화되고, 각각의 빈은 우도와 연관된다.
일 실시예에서, 각각의 빈에 대해 우도는 빈에 할당된 부정확하게 레이블링된 경계 박스의 개수 대 빈에 할당된 레이블링된 경계 박스의 개수의 비로부터 계산된다.
일 실시예에서, 본 방법은: 각각의 레이블, 센서 및 스케일에 대해, 레이블, 센서 및 스케일에 대한 경계 박스 세트에 걸쳐 가우시안 혼합 모델(Gaussian Mixture Model; GMM)을 사용하여 공간 확률 밀도를 결정하는 단계 - GMM은 경계 박스 크기 및 위치에 의해 파라미터화됨 - 를 추가로 포함한다.
일 실시예에서, 레이블에 대한 공간 확률 밀도는 레이블에 대한 공간 밀도를 레이블에 대한 모든 공간 밀도 값 중에서 가장 큰 밀도 값으로 나누는 것에 의해 결정된다.
일 실시예에서, 본 방법은: 복수의 상이한 머신 러닝 모델을 통해 데이터 샘플을 프로세싱하여 예측된 레이블링된 경계 박스를 생성하는 단계; 예측된 레이블링된 경계 박스의 각각의 쌍별 비교(pairwise comparison)를 위한 앙상블 점수를 계산하는 단계 - 각각의 예측된 레이블링된 경계 박스는 다른 예측된 레이블링된 경계 박스와의 비교를 위한 그라운드 트루스(ground truth)임 -; 및 앙상블 점수에 기초하여 앙상블 점수 분산을 계산하는 단계를 추가로 포함한다.
일 실시예에서, 복수의 상이한 머신 러닝 모델은 상이한 유형의 센서에 의해 제공되는 트레이닝 데이터 샘플에 의해 튜닝된 복수의 상이한 신경 네트워크를 포함한다.
일 실시예에서, 상이한 유형의 센서는 LiDAR, RADAR 및 카메라를 포함한다.
일 실시예에서, 복수의 상이한 신경 네트워크는 트레이닝 데이터 샘플의 상이한 랜덤 순서로 트레이닝된다.
일 실시예에서, 본 방법은: 컴퓨터 시스템에 의해, 연속적인 데이터 샘플들 사이의 시간적 불일치를 검출하는 단계; 및 시간적 불일치가 검출되는 것에 따라, 주석 달기를 위한 연속적인 데이터 샘플들을 선택하는 단계를 추가로 포함한다.
일 실시예에서, 본 방법은: 컴퓨터 시스템에 의해, 맵 제약을 사용하여 경계 박스와 연관된 오류를 검출하는 단계; 및 오류가 검출되는 것에 따라, 경계 박스를 주석 달기로부터 제외시키는 단계를 추가로 포함한다.
이들 및 다른 양태, 특징, 및 구현예는 기능을 수행하기 위한 방법, 장치, 시스템, 컴포넌트, 프로그램 제품, 수단 또는 단계로서, 및 다른 방식으로 표현될 수 있다.
이들 및 다른 양태, 특징, 및 구현은 청구항을 포함하여, 이하의 설명으로부터 명백해질 것이다.
도 1은 자율 주행 능력(autonomous capability)을 갖는 자율 주행 차량의 일 예를 도시한다.
도 2는 예시적인 "클라우드" 컴퓨팅 환경을 예시한다.
도 3은 컴퓨터 시스템을 예시한다.
도 4는 자율 주행 차량에 대한 예시적인 아키텍처를 도시한다.
도 5는 인지 모듈에 의해 사용될 수 있는 입력 및 출력의 일 예를 도시한다.
도 6은 LiDAR 시스템의 일 예를 도시한다.
도 7은 동작 중인 LiDAR 시스템을 도시한다.
도 8은 LiDAR 시스템의 동작을 추가적으로 상세하게 도시한다.
도 9는 계획 모듈의 입력과 출력 사이의 관계의 블록 다이어그램을 도시한다.
도 10은 경로 계획에서 사용되는 방향 그래프(directed graph)를 도시한다.
도 11은 제어 모듈의 입력 및 출력의 블록 다이어그램을 도시한다.
도 12는 제어기의 입력, 출력, 및 컴포넌트의 블록 다이어그램을 도시한다.
도 13은 경계 박스 및 대응하는 레이블과 경계 박스 점수를 포함하는 인지 모듈에 의해 출력된 장면을 도시한다.
도 14는 주석 달기를 위한 데이터 샘플을 자동으로 선택하기 위한 능동 학습 시스템의 블록 다이어그램을 도시한다.
도 15는 경계 박스 점수의 누적 히스토그램을 도시한다.
도 16은 특정 레이블 및 특정 센서에 대한 공간 GMM 밀도의 플롯을 도시한다.
도 17은 앙상블 시스템의 블록 다이어그램을 도시한다.
도 18은 주석 달기를 위한 샘플을 자동으로 선택하기 위한 능동 학습 프로세스의 흐름 다이어그램을 도시한다.
설명을 위한 이하의 기술에서는, 본 발명에 대한 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항이 제시된다. 그렇지만, 본 발명이 이러한 특정 세부 사항 없이 실시될 수 있음이 명백할 것이다. 다른 경우에, 공지된 구조 및 디바이스는 본 발명을 불필요하게 모호하게 하는 것을 피하기 위하여 블록 다이어그램 형태로 도시된다.
도면에서, 설명을 용이하게 하기 위해, 디바이스, 모듈, 명령어 블록 및 데이터 요소를 나타내는 것과 같은 개략적 요소의 특정 배열 또는 순서가 도시된다. 그렇지만, 본 기술 분야의 통상의 기술자라면, 도면에서의 개략적 요소의 특정 순서 또는 배열이 프로세싱의 특정한 순서 또는 시퀀스, 또는 프로세스의 분리가 요구됨을 암시한다는 것을 의미하지는 않는다는 점을 이해할 것이다. 게다가, 도면에 개략적 요소를 포함시키는 것은, 그러한 요소가 모든 실시예에서 요구됨을 암시한다는 것을 의미하지 않거나, 또는 그러한 요소에 의해 표현된 특징이 일부 실시예에서 포함되지 않을 수 있거나 다른 요소와 조합되지 않을 수 있음을 암시한다는 것을 의미하지 않는다.
또한, 도면에서, 2개 이상의 다른 개략적 요소 사이의 연결, 관계 또는 연관을 보여주기 위해 실선 또는 파선 또는 화살표와 같은 연결 요소가 사용되는 경우에, 임의의 그러한 연결 요소의 부재가 연결, 관계 또는 연관이 존재할 수 없다는 것을 암시하는 것을 의미하지 않는다. 환언하면, 요소들 사이의 일부 연결, 관계 또는 연관은 본 개시를 모호하게 하지 않기 위해 도면에 도시되지 않는다. 추가적으로, 예시를 용이하게 하기 위해, 요소들 사이의 다수의 연결, 관계 또는 연관을 나타내기 위해 단일의 연결 요소가 사용된다. 예를 들어, 연결 요소가 신호, 데이터 또는 명령어의 통신을 나타내는 경우에, 본 기술 분야의 통상의 기술자라면, 그러한 요소가, 통신을 수행하기 위해 필요할 수 있는, 하나 또는 다수의 신호 경로(예를 들면, 버스)를 나타낸다는 것을 이해할 것이다.
그 예가 첨부된 도면에 예시된 실시예가 이제 상세하게 언급될 것이다. 이하의 상세한 설명에서, 다양한 기술된 실시예에 대한 완전한 이해를 제공하기 위해 많은 특정 세부 사항이 기재된다. 그렇지만, 다양한 기술된 실시예가 이러한 특정 세부 사항 없이 실시될 수 있다는 것이 본 기술 분야의 통상의 기술자에게 명백할 것이다. 다른 경우에, 실시예의 양태를 불필요하게 모호하게 하지 않기 위해 공지된 방법, 절차, 컴포넌트, 회로, 및 네트워크는 상세히 기술되지 않았다.
서로 독립적으로 또는 다른 특징들의 임의의 조합과 함께 각각 사용될 수 있는 여러 특징이 이하에 기술된다. 그렇지만, 임의의 개별 특징은 위에서 논의된 문제들 중 임의의 것을 해결할 수 없거나 또는 위에서 논의된 문제들 중 단지 하나만을 해결할 수 있다. 위에서 논의된 문제들 중 일부가 본원에 기술된 특징들 중 임의의 것에 의해 완전히 해결되지는 않을 수 있다. 비록 여러 표제가 제공되어 있더라도, 특정 표제에 관련되지만 해당 표제를 갖는 섹션에서 발견되지는 않는 정보가 본 설명의 다른 곳에서 발견될 수도 있다. 실시예는 이하의 개요에 따라 본원에 기술된다:
1. 일반적 개관
2. 시스템 개관
3. 자율 주행 차량 아키텍처
4. 자율 주행 차량 입력
5. 자율 주행 차량 계획
6. 자율 주행 차량 제어
7. 능동 학습 시스템
일반적 개관
무엇보다도, 인간이 주석을 달기 위한 데이터 샘플(예를 들면, 이미지, 포인트 클라우드)을 자동으로 선택하기 위한 기술을 설명한다. 이 기술은, 주석 달기를 위한 데이터 샘플을 선택하기 위해, 경계 박스 예측, 경계 박스 크기 및 위치로부터 결정된 공간 확률 밀도 및 다수의 머신 러닝 모델의 출력으로부터 결정된 앙상블 점수 분산을 사용한다. 일 실시예에서, 주석 달기를 위한 데이터 샘플을 선택하기 위해 시간적 불일치 단서가 사용된다. 일 실시예에서, 데이터 샘플을 주석 달기로부터 제외시키기 위해 디지털 맵 제약 또는 다른 맵 기반 데이터가 사용된다. 예시적인 애플리케이션에서, 주석이 달린 데이터 샘플은 자율 주행 차량 애플리케이션을 위한 인지 데이터(예를 들면, 레이블링된 대상체 및 장면)를 출력하는 머신 러닝 모델(예를 들면, CNN)을 트레이닝시키는 데 사용된다. 일 실시예에서, 능동 학습 시스템은 자율 주행 차량의 계획 모듈에 의해 구현될 수 있다.
시스템 개관
도 1은 자율 주행 능력을 갖는 자율 주행 차량(100)의 일 예를 도시한다.
본원에서 사용되는 바와 같이, "자율 주행 능력"이라는 용어는, 완전한 자율 주행 차량, 고도의 자율 주행 차량, 및 조건부 자율 주행 차량을 제한 없이 포함하는, 실시간 인간 개입 없이 차량이 부분적으로 또는 완전하게 동작할 수 있게 하는 기능, 특징, 또는 설비를 지칭한다.
본원에서 사용되는 바와 같이, 자율 주행 차량(AV)은 자율 주행 능력을 갖는 차량이다.
본원에서 사용되는 바와 같이, "차량"은 상품 또는 사람의 운송 수단을 포함한다. 예를 들어, 자동차, 버스, 기차, 비행기, 드론, 트럭, 보트, 선박, 잠수함, 비행선 등. 무인 자동차는 차량의 일 예이다.
본원에서 사용되는 바와 같이, "궤적"은 AV를 제1 시공간적 위치로부터 제2 시공간적 위치로 운행시키는 경로 또는 루트를 지칭한다. 일 실시예에서, 제1 시공간적 위치는 초기 또는 시작 위치라고 지칭되고 제2 시공간적 위치는 목적지, 최종 위치, 목표, 목표 위치, 또는 목표 장소라고 지칭된다. 일부 예에서, 궤적은 하나 이상의 세그먼트(예를 들면, 도로의 섹션)로 구성되고, 각각의 세그먼트는 하나 이상의 블록(예를 들면, 차선 또는 교차로의 부분)으로 구성된다. 일 실시예에서, 시공간적 위치는 현실 세계 위치에 대응한다. 예를 들어, 시공간적 위치는 사람을 태우거나 내려주고 또는 상품을 싣거나 내리는 픽업(pick up) 위치 또는 드롭 오프(drop-off) 위치이다.
본원에서 사용되는 바와 같이, "센서"는 센서를 둘러싸는 환경에 관한 정보를 검출하는 하나 이상의 하드웨어 컴포넌트를 포함한다. 하드웨어 컴포넌트들 중 일부는 감지 컴포넌트(예를 들면, 이미지 센서, 생체 측정 센서), 송신 및/또는 수신 컴포넌트(예를 들면, 레이저 또는 라디오 주파수 파 송신기 및 수신기), 아날로그 대 디지털 변환기와 같은 전자 컴포넌트, 데이터 저장 디바이스(예컨대, RAM 및/또는 비휘발성 스토리지), 소프트웨어 또는 펌웨어 컴포넌트, 및 ASIC(application-specific integrated circuit), 마이크로프로세서 및/또는 마이크로컨트롤러와 같은 데이터 프로세싱 컴포넌트를 포함할 수 있다.
본원에서 사용되는 바와 같이, "장면 묘사(scene description)"는 AV 차량 상의 하나 이상의 센서에 의해 검출되거나 AV 외부의 소스에 의해 제공되는 하나 이상의 분류된 또는 레이블링된 대상체를 포함하는 데이터 구조(예를 들면, 리스트) 또는 데이터 스트림이다.
본원에서 사용되는 바와 같이, "도로"는 차량에 의해 횡단될 수 있는 물리적 영역이고, 명명된 주요 도로(예를 들면, 도시 거리, 주간 프리웨이(interstate freeway) 등)에 대응할 수 있거나, 또는 명명되지 않은 주요 도로(예를 들면, 주택 또는 사무실 건물 내의 사유 도로, 주차장 섹션, 공터 섹션, 시골 지역의 비포장 경로 등)에 대응할 수 있다. 일부 차량(예를 들면, 4륜 구동 픽업 트럭, 스포츠 유틸리티 차량 등)은 차량 주행에 특히 적합하지 않은 다양한 물리적 영역을 횡단할 수 있기 때문에, "도로"는 임의의 지자체 또는 다른 정부 또는 행정처에 의해 주요 도로로서 공식적으로 규정되지 않은 물리적 영역일 수 있다.
본원에서 사용되는 바와 같이, "차선"은 차량에 의해 횡단될 수 있는 도로의 일부이다. 차선은 때때로 차선 마킹(lane marking)에 기초하여 식별된다. 예를 들어, 차선은 차선 마킹 사이의 공간의 대부분 또는 전부에 대응할 수 있거나, 또는 차선 마킹 사이의 공간의 단지 일부(예를 들면, 50% 미만)에 대응할 수 있다. 예를 들어, 멀리 이격된 차선 마킹을 갖는 도로는 차선 마킹들 사이에 둘 이상의 차량을 수용할 수 있어서, 하나의 차량이 차선 마킹을 횡단하지 않으면서 다른 차량을 추월할 수 있고, 따라서 차선 마킹들 사이의 공간보다 더 좁은 차선을 갖거나 차선 마킹들 사이에 2개의 차선을 갖는 것으로 해석될 수 있다. 차선은 차선 마킹의 부재 시에도 해석될 수 있다. 예를 들어, 차선은 환경의 물리적 특징, 예를 들어, 시골 지역에서의 주요 도로를 따라 있는 바위 및 나무 또는, 예를 들어, 미개발 지역에서의 피할 자연 장애물에 기초하여 규정될 수 있다. 차선은 또한 차선 마킹 또는 물리적 특징과 무관하게 해석될 수 있다. 예를 들어, 차선은 차선 경계로서 해석될 특징이 달리 없는 영역에서 장애물이 없는 임의의 경로에 기초하여 해석될 수 있다. 예시적인 시나리오에서, AV는 들판 또는 공터의 장애물 없는 부분을 통해 차선을 해석할 수 있다. 다른 예시적인 시나리오에서, AV는 차선 마킹을 갖지 않는 넓은(예를 들면, 2개 이상의 차선을 위해 충분히 넓은) 도로를 통해 차선을 해석할 수 있다. 이 시나리오에서, AV는 차선에 관한 정보를 다른 AV에 전달할 수 있어서, 다른 AV가 동일한 차선 정보를 사용하여 그 자신들 간에 경로 계획을 조정할 수 있다.
"OTA(over-the-air) 클라이언트"라는 용어는 임의의 AV, 또는 AV에 내장되거나, AV에 결합되거나, 또는 AV와 통신하는 임의의 전자 디바이스(예를 들면, 컴퓨터, 컨트롤러, IoT 디바이스, 전자 제어 유닛(ECU))를 포함한다.
"OTA(over-the-air) 업데이트"라는 용어는, 셀룰러 모바일 통신(예를 들면, 2G, 3G, 4G, 5G), 라디오 무선 영역 네트워크(예를 들면, WiFi) 및/또는 위성 인터넷을 포함하지만 이에 제한되지 않는, 독점적인 및/또는 표준화된 무선 통신 기술을 사용하여 OTA 클라이언트에 전달되는 소프트웨어, 펌웨어, 데이터 또는 구성 설정, 또는 이들의 임의의 조합에 대한 임의의 업데이트, 변경, 삭제, 또는 추가를 의미한다.
"에지 노드"라는 용어는 AV와 통신하기 위한 포털을 제공하고 OTA 업데이트를 스케줄링하여 OTA 클라이언트에 전달하기 위해 다른 에지 노드 및 클라우드 기반 컴퓨팅 플랫폼과 통신할 수 있는 네트워크에 결합된 하나 이상의 에지 디바이스를 의미한다.
"에지 디바이스"라는 용어는 에지 노드를 구현하고 기업 또는 서비스 제공자(예를 들면, VERIZON, AT&T) 코어 네트워크에 물리적 무선 액세스 포인트(AP)를 제공하는 디바이스를 의미한다. 에지 디바이스의 예는 컴퓨터, 제어기, 송신기, 라우터, 라우팅 스위치, IAD(integrated access device), 멀티플렉서, MAN(metropolitan area network) 및 WAN(wide area network) 액세스 디바이스를 포함하지만, 이에 제한되지 않는다.
"하나 이상"은 하나의 요소에 의해 수행되는 기능, 하나 초과의 요소에 의해, 예를 들어, 분산 방식으로, 수행되는 기능, 하나의 요소에 의해 수행되는 여러 기능, 여러 요소에 의해 수행되는 여러 기능, 또는 이들의 임의의 조합을 포함한다.
또한, 제1, 제2 등의 용어가, 일부 예에서, 다양한 요소를 기술하기 위해 본원에서 사용되고 있지만, 이러한 요소가 이러한 용어에 의해 제한되지 않아야 한다는 것이 이해될 것이다. 이러한 용어는 하나의 요소를 다른 요소와 구별하는 데만 사용된다. 예를 들어, 기술된 다양한 실시예의 범위를 벗어나지 않으면서, 제1 접촉은 제2 접촉이라고 지칭될 수 있고, 유사하게 제2 접촉은 제1 접촉이라고 지칭될 수 있다. 제1 접촉과 제2 접촉 둘 모두가 접촉이지만, 동일한 접촉은 아니다.
본원에 기술된 다양한 실시예의 설명에서 사용된 용어는 단지 특정한 실시예를 기술하기 위한 것이며, 제한하는 것으로 의도되지 않는다. 기술된 다양한 실시예 및 첨부된 청구항의 설명에서 사용되는 바와 같이, 단수형은, 문맥이 달리 명확히 표시하지 않는 한, 복수형을 포함하는 것으로 의도되어 있다. "및/또는"이라는 용어가, 본원에서 사용되는 바와 같이, 열거된 연관 항목들 중 하나 이상의 항목의 임의의 및 모든 가능한 조합을 지칭하고 포함한다는 것이 또한 이해될 것이다. 게다가, "포함한다" 및/또는 "포함하는"이라는 용어가, 본 설명에서 사용될 때, 언급된 특징, 정수, 단계, 동작, 요소, 및/또는 컴포넌트의 존재를 명기하지만, 하나 이상의 다른 특징, 정수, 단계, 동작, 요소, 컴포넌트, 및/또는 그의 그룹의 존재 또는 추가를 배제하지 않는다는 것이 이해될 것이다.
본원에서 사용되는 바와 같이, "~ 경우"라는 용어는 선택적으로 문맥에 따라 "~할 때", 또는 "~시에" 또는 "결정에 응답하여" 또는 "검출에 응답하여"를 의미하는 것으로 해석된다. 마찬가지로, 문구 "~라고 결정된다면" 또는 "[언급된 조건 또는 이벤트]가 검출되는 경우"는 선택적으로 문맥에 따라, "결정할 시에" 또는 "결정에 응답하여" 또는 "[언급된 조건 또는 이벤트]의 검출 시에" 또는 "[언급된 조건 또는 이벤트]의 검출에 응답하여"를 의미하는 것으로 해석된다.
본원에서 사용되는 바와 같이, AV 시스템은 AV의 동작을 지원하는 하드웨어, 소프트웨어, 저장 데이터 및 실시간으로 생성된 데이터의 어레이와 함께 AV를 지칭한다. 일 실시예에서, AV 시스템은 AV 내에 포함된다. 일 실시예에서, AV 시스템은 여러 위치에 걸쳐 확산되어 있다. 예를 들어, AV 시스템의 소프트웨어 중 일부는 도 3과 관련하여 아래에서 기술되는 클라우드 컴퓨팅 환경(300)과 유사한 클라우드 컴퓨팅 환경 상에 구현된다.
일반적으로, 본원은 완전한 자율 주행 차량, 고도의 자율 주행 차량, 및 조건부 자율 주행 차량, 예를 들어, 각각 소위 레벨 5 차량, 레벨 4 차량 및 레벨 3 차량을 포함하는 하나 이상의 자율 주행 능력을 갖는 임의의 차량에 적용 가능한 기술을 개시한다(차량의 자율성의 레벨 분류에 대한 세부 사항은 본원에 그 전체가 참조로 포함된, SAE 국제 표준 J3016: 온로드 자동차 자동 운전 시스템에 관한 용어의 분류 및 정의(Taxonomy and Definitions for Terms Related to On-128-172020-02-28 Road Motor Vehicle Automated Driving Systems) 참조). 또한, 본원에서 개시된 기술은 부분적 자율 주행 차량 및 운전자 보조 차량, 예컨대, 소위 레벨 2 및 레벨 1 차량에도 적용 가능하다(SAE 국제 표준 J3016: 온로드 자동차 자동 운전 시스템에 관한 용어의 분류 및 정의 참조). 일 실시예에서, 레벨 1, 레벨 2, 레벨 3, 레벨 4 및 레벨 5 차량 시스템 중 하나 이상은 센서 입력의 프로세싱에 기초하여 특정의 동작 조건 하에서 특정의 차량 동작(예를 들면, 조향, 제동, 및 맵 사용)을 자동화할 수 있다. 본 문서에서 설명된 기술은, 완전한 자율 주행 차량으로부터 인간 운전 차량에 이르는, 임의의 레벨에 있는 차량에 혜택을 줄 수 있다.
자율 주행 차량은 사람 운전자를 필요로 하는 차량보다 장점이 있다. 한 가지 장점은 안전성이다. 예를 들어, 2016년에, 미국은 9100억 달러의 사회적 비용으로 추정되는 600만 건의 자동차 사고, 240만 건의 부상, 4만 명의 사망자, 및 1300만 건의 차량 충돌을 경험했다. 1억 마일 주행당 미국 교통 사망자 수는, 부분적으로 차량에 설치된 추가적인 안전 대책으로 인해, 1965년과 2015년 사이에 약 6명으로부터 1명으로 줄었다. 예를 들어, 충돌이 발생할 것이라는 추가적인 0.5초의 경고는 전후 충돌의 60%를 완화시키는 것으로 여겨진다. 그렇지만, 수동적 안전 특징(예를 들면, 안전 벨트, 에어백)은 이 수치를 개선시키는 데 한계에 도달했을 것이다. 따라서 차량의 자동 제어와 같은, 능동적 안전 대책이 이러한 통계치를 개선시키는 데 유망한 다음 단계이다. 인간 운전자가 충돌의 95%에서 중요한 충돌전 사건에 책임이 있는 것으로 여겨지기 때문에, 자동 운전 시스템은, 예를 들어, 중요한 상황을 인간보다 잘 신뢰성 있게 인식하고 피하는 것에 의해; 더 나은 의사 결정을 하고, 교통 법규를 준수하며, 미래의 사건을 인간보다 더 잘 예측하는 것에 의해; 그리고 차량을 인간보다 더 잘 신뢰성 있게 제어하는 것에 의해 더 나은 안전성 결과를 달성할 수 있다.
도 1을 참조하면, AV 시스템(120)은, 대상체(예를 들면, 자연 장애물(191), 차량(193), 보행자(192), 자전거 타는 사람, 및 다른 장애물)을 피하고 도로 법규(예를 들면, 동작 규칙 또는 운전 선호사항)를 준수하면서, AV(100)를 궤적(198)을 따라 환경(190)을 통과하여 목적지(199)(때때로 최종 위치라고 지칭됨)로 동작시킨다.
일 실시예에서, AV 시스템(120)은 컴퓨터 프로세서(146)로부터 동작 커맨드를 수신하고 이에 따라 동작하도록 설비된 디바이스(101)를 포함한다. 일 실시예에서, 컴퓨팅 프로세서(146)는 도 3을 참조하여 아래에서 기술되는 프로세서(304)와 유사하다. 디바이스(101)의 예는 조향 컨트롤(102), 브레이크(103), 기어, 가속기 페달 또는 다른 가속 제어 메커니즘, 윈드실드 와이퍼, 사이드 도어 락, 윈도 컨트롤, 및 방향 지시등을 포함한다.
일 실시예에서, AV 시스템(120)은 AV의 위치, 선속도와 각속도 및 선가속도와 각가속도, 및 헤딩(heading)(예를 들면, AV(100)의 선단의 배향)와 같은 AV(100)의 상태 또는 조건의 속성을 측정 또는 추론하기 위한 센서(121)를 포함한다. 센서(121)의 예는 GPS, 차량 선가속도 및 각도 변화율(angular rate) 둘 모두를 측정하는 IMU(inertial measurement unit), 휠 슬립률(wheel slip ratio)을 측정 또는 추정하기 위한 휠 속력 센서, 휠 브레이크 압력 또는 제동 토크 센서, 엔진 토크 또는 휠 토크 센서, 그리고 조향각 및 각도 변화율 센서이다.
일 실시예에서, 센서(121)는 AV의 환경의 속성을 감지 또는 측정하기 위한 센서를 또한 포함한다. 예를 들어, 가시광, 적외선 또는 열(또는 둘 모두) 스펙트럼의 단안 또는 스테레오 비디오 카메라(122), LiDAR(123), RADAR, 초음파 센서, TOF(time-of-flight) 깊이 센서, 속력 센서, 온도 센서, 습도 센서, 및 강우 센서.
일 실시예에서, AV 시스템(120)은 컴퓨터 프로세서(146)와 연관된 머신 명령어 또는 센서(121)에 의해 수집된 데이터를 저장하기 위한 데이터 저장 유닛(142) 및 메모리(144)를 포함한다. 일 실시예에서, 데이터 저장 유닛(142)은 도 3과 관련하여 아래에서 기술되는 ROM(308) 또는 저장 디바이스(310)와 유사하다. 일 실시예에서, 메모리(144)는 아래에서 기술되는 메인 메모리(306)와 유사하다. 일 실시예에서, 데이터 저장 유닛(142) 및 메모리(144)는 환경(190)에 관한 과거 정보, 실시간 정보, 및/또는 예측 정보를 저장한다. 일 실시예에서, 저장된 정보는 맵, 운전 성능, 교통 혼잡 업데이트 또는 기상 조건을 포함한다. 일 실시예에서, 환경(190)에 관한 데이터는 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)에 송신된다.
일 실시예에서, AV 시스템(120)은 다른 차량의 상태 및 조건, 예컨대, 위치, 선속도와 각속도, 선가속도와 각가속도, 및 AV(100)를 향한 선형 헤딩(linear heading)과 각도 헤딩(angular heading)의 측정된 또는 추론된 속성을 통신하기 위한 통신 디바이스(140)를 포함한다. 이러한 디바이스는 V2V(Vehicle-to-Vehicle) 및 V2I(Vehicle-to-Infrastructure) 통신 디바이스 및 포인트-투-포인트(point-to-point) 또는 애드혹(ad hoc) 네트워크 또는 둘 모두를 통한 무선 통신을 위한 디바이스를 포함한다. 일 실시예에서, 통신 디바이스(140)는 (라디오 및 광학 통신을 포함하는) 전자기 스펙트럼 또는 다른 매체(예를 들면, 공기 및 음향 매체)를 통해 통신한다. V2V(Vehicle-to-Vehicle), V2I(Vehicle-to-Infrastructure) 통신(및 일부 실시예에서, 하나 이상의 다른 유형의 통신)의 조합이 때때로 V2X(Vehicle-to-Everything) 통신이라고 지칭된다. V2X 통신은 전형적으로, 자율 주행 차량과의 통신 및 자율 주행 차량들 사이의 통신을 위한 하나 이상의 통신 표준을 준수한다.
일 실시예에서, 통신 디바이스(140)는 통신 인터페이스를 포함한다. 예를 들어, 유선, 무선, WiMAX, WiFi, 블루투스, 위성, 셀룰러, 광학, 근거리, 적외선, 또는 라디오 인터페이스. 통신 인터페이스는 원격에 위치된 데이터베이스(134)로부터 AV 시스템(120)으로 데이터를 송신한다. 일 실시예에서, 원격에 위치된 데이터베이스(134)는 도 2에 기술된 바와 같은 클라우드 컴퓨팅 환경(200)에 내장된다. 통신 인터페이스(140)는 센서(121)로부터 수집된 데이터 또는 AV(100)의 동작에 관련된 다른 데이터를 원격에 위치된 데이터베이스(134)에 송신한다. 일 실시예에서, 통신 인터페이스(140)는 원격 운영(teleoperation)에 관련되는 정보를 AV(100)에 송신한다. 일부 실시예에서, AV(100)는 다른 원격(예를 들면, "클라우드") 서버(136)와 통신한다.
일 실시예에서, 원격에 위치된 데이터베이스(134)는 또한 디지털 데이터를 저장 및 송신한다(예를 들면, 도로 및 거리 위치와 같은 데이터를 저장함). 그러한 데이터는 AV(100) 상의 메모리(144)에 저장되거나, 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)에 송신된다.
일 실시예에서, 원격에 위치된 데이터베이스(134)는 유사한 시각(time of day)에 궤적(198)을 따라 이전에 주행한 적이 있는 차량의 운전 속성(예를 들면, 속력 프로파일 및 가속도 프로파일)에 관한 과거 정보를 저장 및 송신한다. 일 구현예에서, 그러한 데이터는 AV(100) 상의 메모리(144)에 저장될 수 있거나, 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)에 송신될 수 있다.
AV(100) 상에 위치된 컴퓨팅 디바이스(146)는 실시간 센서 데이터 및 사전 정보(prior information) 둘 모두에 기초한 제어 액션을 알고리즘적으로 생성하여, AV 시스템(120)이 자율 주행 운전 능력을 실행할 수 있게 한다.
일 실시예에서, AV 시스템(120)은 AV(100)의 사용자(예를 들면, 탑승자 또는 원격 사용자)에게 정보 및 경고를 제공하고 그로부터 입력을 수신하기 위해 컴퓨팅 디바이스(146)에 결합된 컴퓨터 주변기기(132)를 포함한다. 일 실시예에서, 주변기기(132)는 도 3을 참조하여 아래에서 논의되는 디스플레이(312), 입력 디바이스(314), 및 커서 컨트롤러(316)와 유사하다. 결합은 무선 또는 유선이다. 인터페이스 디바이스들 중 임의의 둘 이상이 단일 디바이스에 통합될 수 있다.
도 2는 예시적인 "클라우드" 컴퓨팅 환경을 예시한다. 클라우드 컴퓨팅은 구성 가능한 컴퓨팅 리소스(예를 들면, 네트워크, 네트워크 대역폭, 서버, 프로세싱, 메모리, 스토리지, 애플리케이션, 가상 머신, 및 서비스)의 공유 풀에 대한 편리한 온-디맨드 네트워크 액세스를 가능하게 하기 위한 서비스 전달(service delivery)의 일 모델이다. 전형적인 클라우드 컴퓨팅 시스템에서는, 하나 이상의 대규모 클라우드 데이터 센터가 클라우드에 의해 제공되는 서비스를 전달하는 데 사용되는 머신을 수용한다. 이제 도 2를 참조하면, 클라우드 컴퓨팅 환경(200)은 클라우드(202)를 통해 상호연결되는 클라우드 데이터 센터(204a, 204b, 및 204c)를 포함한다. 데이터 센터(204a, 204b, 및 204c)는 클라우드 컴퓨팅 서비스를 클라우드(202)에 연결된 컴퓨터 시스템(206a, 206b, 206c, 206d, 206e, 및 206f)에 제공한다.
클라우드 컴퓨팅 환경(200)은 하나 이상의 클라우드 데이터 센터를 포함한다. 일반적으로, 클라우드 데이터 센터, 예를 들어, 도 2에 도시된 클라우드 데이터 센터(204a)는 클라우드, 예를 들어, 도 2에 도시된 클라우드(202) 또는 클라우드의 특정 부분을 구성하는 서버의 물리적 배열체를 지칭한다. 예를 들어, 서버는 클라우드 데이터 센터 내에 룸, 그룹, 로우(row), 및 랙(rack)으로 물리적으로 배열된다. 클라우드 데이터 센터는 하나 이상의 서버 룸을 포함하는 하나 이상의 구역(zone)을 갖는다. 각각의 룸은 하나 이상의 서버 로우를 가지며, 각각의 로우는 하나 이상의 랙을 포함한다. 각각의 랙은 하나 이상의 개별 서버 노드를 포함한다. 일부 구현예에서, 구역, 룸, 랙, 및/또는 로우 내의 서버는, 전력 요건, 에너지 요건, 열적 요건, 가열 요건, 및/또는 다른 요건을 포함하는, 데이터 센터 설비의 물리적 인프라스트럭처 요건에 기초하여 그룹으로 배열된다. 일 실시예에서, 서버 노드는 도 3에서 기술된 컴퓨터 시스템과 유사하다. 데이터 센터(204a)는 다수의 랙을 통해 분산된 다수의 컴퓨팅 시스템을 갖는다.
클라우드(202)는 클라우드 데이터 센터(204a, 204b, 및 204c)를 상호연결시키고 클라우드 컴퓨팅 서비스에 대한 컴퓨팅 시스템(206a 내지 206f)의 액세스를 용이하게 하는 것을 돕는 네트워크 및 네트워킹 리소스(예를 들어, 네트워킹 장비, 노드, 라우터, 스위치, 및 네트워킹 케이블)와 함께 클라우드 데이터 센터(204a, 204b, 및 204c)를 포함한다. 일 실시예에서, 네트워크는 지상 또는 위성 연결을 사용하여 배포된 유선 또는 무선 링크를 사용하여 결합된 하나 이상의 로컬 네트워크, 광역 네트워크, 또는 인터네트워크의 임의의 조합을 나타낸다. 네트워크를 거쳐 교환되는 데이터는, IP(Internet Protocol), MPLS(Multiprotocol Label Switching), ATM(Asynchronous Transfer Mode), 및 프레임 릴레이 등과 같은, 임의의 개수의 네트워크 계층 프로토콜을 사용하여 송신된다. 게다가, 네트워크가 다수의 서브 네트워크의 조합을 나타내는 실시예에서는, 기저 서브 네트워크(underlying sub-network) 각각에서 상이한 네트워크 계층 프로토콜이 사용된다. 일부 실시예에서, 네트워크는, 공중 인터넷과 같은, 하나 이상의 상호연결된 인터네트워크를 나타낸다.
컴퓨팅 시스템(206a 내지 206f) 또는 클라우드 컴퓨팅 서비스 소비자는 네트워크 링크 및 네트워크 어댑터를 통해 클라우드(202)에 연결된다. 일 실시예에서, 컴퓨팅 시스템(206a 내지 206f)은 다양한 컴퓨팅 디바이스, 예를 들어, 서버, 데스크톱, 랩톱, 태블릿, 스마트폰, IoT(Internet of Things) 디바이스, 자율 주행 차량(자동차, 드론, 셔틀, 기차, 버스 등을 포함함) 및 소비자 전자기기로서 구현된다. 일 실시예에서, 컴퓨팅 시스템(206a 내지 206f)은 다른 시스템 내에 또는 그 일부로서 구현된다.
도 3은 컴퓨터 시스템(300)을 예시한다. 일 구현예에서, 컴퓨터 시스템(300)은 특수 목적 컴퓨팅 디바이스이다. 특수 목적 컴퓨팅 디바이스는 기술을 수행하도록 고정-배선(hard-wired)되거나, 기술을 수행하도록 지속적으로 프로그래밍되는 하나 이상의 ASIC(application-specific integrated circuit) 또는 FPGA(field programmable gate array)와 같은 디지털 전자 디바이스를 포함하거나, 펌웨어, 메모리, 다른 스토리지 또는 조합 내의 프로그램 명령어에 따라 기술을 수행하도록 프로그래밍되는 하나 이상의 범용 하드웨어 프로세서를 포함할 수 있다. 그러한 특수 목적 컴퓨팅 디바이스는 또한 커스텀 고정 배선 로직, ASIC, 또는 FPGA를 커스텀 프로그래밍과 조합하여 기술을 실현할 수 있다. 다양한 실시예에서, 특수 목적 컴퓨팅 디바이스는 기술을 구현하기 위한 고정 배선 및/또는 프로그램 로직을 포함하는 데스크톱 컴퓨터 시스템, 휴대용 컴퓨터 시스템, 핸드헬드 디바이스, 네트워크 디바이스, 또는 임의의 다른 디바이스이다.
일 실시예에서, 컴퓨터 시스템(300)은 정보를 통신하기 위한 버스(302) 또는 다른 통신 메커니즘, 및 정보를 프로세싱하기 위해 버스(302)와 결합된 하드웨어 프로세서(304)를 포함한다. 하드웨어 프로세서(304)는, 예를 들어, 범용 마이크로프로세서이다. 컴퓨터 시스템(300)은 프로세서(304)에 의해 실행될 명령어 및 정보를 저장하기 위해 버스(302)에 결합된, RAM(random access memory) 또는 다른 동적 저장 디바이스와 같은, 메인 메모리(306)를 또한 포함한다. 일 구현예에서, 메인 메모리(306)는 프로세서(304)에 의해 실행될 명령어의 실행 동안 임시 변수 또는 다른 중간 정보를 저장하는 데 사용된다. 그러한 명령어는, 프로세서(304)에 의해 액세스 가능한 비-일시적 저장 매체에 저장되어 있을 때, 컴퓨터 시스템(300)을 명령어에 지정된 동작을 수행하도록 커스터마이징된 특수 목적 머신으로 만든다.
일 실시예에서, 컴퓨터 시스템(300)은, 프로세서(304)를 위한 정적 정보 및 명령어를 저장하기 위해 버스(302)에 결합된 ROM(read only memory)(308) 또는 다른 정적 저장 디바이스를 추가로 포함한다. 자기 디스크, 광학 디스크, 솔리드 스테이트 드라이브, 또는 3차원 크로스 포인트 메모리와 같은, 저장 디바이스(310)가 제공되고 정보 및 명령어를 저장하기 위해 버스(302)에 결합된다.
일 실시예에서, 컴퓨터 시스템(300)은 버스(302)를 통해, 정보를 컴퓨터 사용자에게 디스플레이하기 위한 CRT(cathode ray tube), LCD(liquid crystal display), 플라스마 디스플레이, LED(light emitting diode) 디스플레이, 또는 OLED(organic light emitting diode) 디스플레이와 같은 디스플레이(312)에 결합된다. 문자 숫자식 키 및 다른 키를 포함하는 입력 디바이스(314)는 정보 및 커맨드 선택을 프로세서(304)에 통신하기 위해 버스(302)에 결합된다. 다른 유형의 사용자 입력 디바이스는 방향 정보 및 커맨드 선택을 프로세서(304)에 통신하고 디스플레이(312) 상에서의 커서 움직임을 제어하기 위한, 마우스, 트랙볼, 터치식 디스플레이, 또는 커서 방향 키와 같은, 커서 컨트롤러(316)이다. 이러한 입력 디바이스는 전형적으로, 디바이스가 평면에서의 위치를 지정할 수 있게 하는 2개의 축, 즉 제1 축(예를 들면, x-축) 및 제2 축(예를 들면, y-축)에서의 2 자유도를 갖는다.
일 실시예에 따르면, 본원에서의 기술은 프로세서(304)가 메인 메모리(306)에 포함된 하나 이상의 명령어의 하나 이상의 시퀀스를 실행하는 것에 응답하여 컴퓨터 시스템(300)에 의해 수행된다. 그러한 명령어는, 저장 디바이스(310)와 같은, 다른 저장 매체로부터 메인 메모리(306) 내로 판독된다. 메인 메모리(306)에 포함된 명령어의 시퀀스의 실행은 프로세서(304)로 하여금 본원에서 기술된 프로세스 단계를 수행하게 한다. 대안적인 실시예에서는, 소프트웨어 명령어 대신에 또는 소프트웨어 명령어와 조합하여 고정 배선 회로가 사용된다.
"저장 매체"라는 용어는, 본 명세서에서 사용되는 바와 같이, 머신이 특정 방식으로 동작하게 하는 데이터 및/또는 명령어를 저장한 임의의 비-일시적 매체를 지칭한다. 그러한 저장 매체는 비휘발성 매체 및/또는 휘발성 매체를 포함한다. 비휘발성 매체는, 예를 들어, 광학 디스크, 자기 디스크, 솔리드 스테이트 드라이브, 또는 3차원 크로스 포인트 메모리, 예컨대, 저장 디바이스(310)를 포함한다. 휘발성 매체는 동적 메모리, 예컨대, 메인 메모리(306)를 포함한다. 저장 매체의 일반적인 형태는, 예를 들어, 플로피 디스크, 플렉서블 디스크, 하드 디스크, 솔리드 스테이트 드라이브, 자기 테이프, 또는 임의의 다른 자기 데이터 저장 매체, CD-ROM, 임의의 다른 광학 데이터 저장 매체, 홀 패턴을 갖는 임의의 물리적 매체, RAM, PROM, 및 EPROM, FLASH-EPROM, NV-RAM, 또는 임의의 다른 메모리 칩, 또는 카트리지를 포함한다.
저장 매체는 송신 매체와 별개이지만 송신 매체와 함께 사용될 수 있다. 송신 매체는 저장 매체들 사이에서 정보를 전달하는 데 참여한다. 예를 들어, 송신 매체는 버스(302)를 포함하는 와이어를 포함하여, 동축 케이블, 구리 와이어 및 광섬유를 포함한다. 송신 매체는 또한, 라디오 파 및 적외선 데이터 통신 동안 생성되는 것과 같은, 광파 또는 음향파의 형태를 취할 수 있다.
일 실시예에서, 실행을 위해 하나 이상의 명령어의 하나 이상의 시퀀스를 프로세서(304)에 반송하는 데 다양한 형태의 매체가 관여된다. 예를 들어, 명령어는 초기에 원격 컴퓨터의 자기 디스크 또는 솔리드 스테이트 드라이브에 보유된다. 원격 컴퓨터는 동적 메모리에 명령어를 로딩하고 모뎀을 사용하여 전화선을 통해 명령어를 전송한다. 컴퓨터 시스템(300)에 로컬인 모뎀은 전화선 상으로 데이터를 수신하고 적외선 송신기를 사용하여 데이터를 적외선 신호로 변환한다. 적외선 검출기는 적외선 신호로 반송되는 데이터를 수신하고 적절한 회로는 데이터를 버스(302)에 배치한다. 버스(302)는 데이터를 메인 메모리(306)로 반송하고, 프로세서(304)는 메인 메모리로부터 명령어를 리트리빙(retrieving) 및 실행한다. 메인 메모리(306)에 의해 수신된 명령어는 프로세서(304)에 의해 실행되기 전이나 실행된 후에 선택적으로 저장 디바이스(310)에 저장될 수 있다.
컴퓨터 시스템(300)은 버스(302)에 결합된 통신 인터페이스(318)를 또한 포함한다. 통신 인터페이스(318)는 로컬 네트워크(322)에 연결된 네트워크 링크(320)에 대한 2-웨이 데이터 통신(two-way data communication) 결합을 제공한다. 예를 들어, 통신 인터페이스(318)는 ISDN(integrated service digital network) 카드, 케이블 모뎀, 위성 모뎀, 또는 대응하는 유형의 전화선에 데이터 통신 연결을 제공하기 위한 모뎀이다. 다른 예로서, 통신 인터페이스(318)는 호환 가능한 LAN(local area network)에 데이터 통신 연결을 제공하기 위한 LAN 카드이다. 일부 구현예에서는, 무선 링크도 구현된다. 임의의 그러한 구현예에서, 통신 인터페이스(318)는 다양한 유형의 정보를 나타내는 디지털 데이터 스트림을 반송하는 전기 신호, 전자기 신호, 또는 광학 신호를 전송 및 수신한다.
네트워크 링크(320)는 전형적으로 하나 이상의 네트워크를 통한 다른 데이터 디바이스로의 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(320)는 로컬 네트워크(322)를 통해 호스트 컴퓨터(324)로의 연결 또는 ISP(Internet Service Provider)(326)에 의해 운영되는 클라우드 데이터 센터 또는 장비로의 연결을 제공한다. ISP(326)는 차례로 지금은 "인터넷(328)"이라고 통상적으로 지칭되는 월드-와이드 패킷 데이터 통신 네트워크(world-wide packet data communication network)를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(322) 및 인터넷(328) 둘 모두는 디지털 데이터 스트림을 반송하는 전기 신호, 전자기 신호, 또는 광학 신호를 사용한다. 컴퓨터 시스템(300)으로 및 컴퓨터 시스템(300)으로부터 디지털 데이터를 반송하는, 다양한 네트워크를 통한 신호 및 통신 인터페이스(318)를 통한 네트워크 링크(320) 상의 신호는 송신 매체의 예시적인 형태이다. 일 실시예에서, 네트워크(320)는 위에서 기술된 클라우드(202) 또는 클라우드(202)의 일부를 포함한다.
컴퓨터 시스템(300)은 네트워크, 네트워크 링크(320), 및 통신 인터페이스(318)를 통해, 프로그램 코드를 포함하여, 메시지를 전송하고 데이터를 수신한다. 일 실시예에서, 컴퓨터 시스템(300)은 프로세싱하기 위한 코드를 수신한다. 수신된 코드는 수신될 때 프로세서(304)에 의해 실행되고 그리고/또는 추후의 실행을 위해 저장 디바이스(310) 또는 다른 비휘발성 스토리지에 저장된다.
자율 주행 차량 아키텍처
도 4는 자율 주행 차량(예를 들면, 도 1에 도시된 AV(100))에 대한 예시적인 아키텍처(400)를 도시한다. 아키텍처(400)는 인지 모듈(402)(때때로 인지 회로라고 지칭됨), 계획 모듈(planning module)(404)(때때로 계획 회로라고 지칭됨), 제어 모듈(406)(때때로 제어 회로라고 지칭됨), 로컬화 모듈(localization module)(408)(때때로 로컬화 회로라고 지칭됨), 및 데이터베이스 모듈(410)(때때로 데이터베이스 회로라고 지칭됨)을 포함한다. 각각의 모듈은 AV(100)의 동작에서 소정의 역할을 한다. 다 함께, 모듈(402, 404, 406, 408, 및 410)은 도 1에 도시된 AV 시스템(120)의 일부일 수 있다. 일부 실시예에서, 모듈(402, 404, 406, 408, 및 410) 중 임의의 모듈은 컴퓨터 소프트웨어(예를 들면, 컴퓨터 판독 가능 매체 상에 저장된 실행 가능 코드) 및 컴퓨터 하드웨어(예를 들면, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, ASIC(application-specific integrated circuit), 하드웨어 메모리 디바이스, 다른 유형의 집적 회로, 다른 유형의 컴퓨터 하드웨어, 또는 이러한 것 중 임의의 것 또는 모든 것의 조합)의 조합이다. 모듈(402, 404, 406, 408, 및 410)의 각각의 모듈은 때때로 프로세싱 회로(예를 들면, 컴퓨터 하드웨어, 컴퓨터 소프트웨어, 또는 이 둘의 조합)라고 지칭된다. 모듈(402, 404, 406, 408, 및 410) 중 임의의 것 또는 모든 것의 조합은 또한 프로세싱 회로의 일 예이다.
사용 중에, 계획 모듈(404)은 목적지(412)를 나타내는 데이터를 수신하고 목적지(412)에 도달하기 위해(예를 들면, 도착하기 위해) AV(100)에 의해 주행될 수 있는 궤적(414)(때때로 루트라고 지칭됨)을 나타내는 데이터를 결정한다. 계획 모듈(404)이 궤적(414)을 나타내는 데이터를 결정하기 위해, 계획 모듈(404)은 인지 모듈(402), 로컬화 모듈(408), 및 데이터베이스 모듈(410)로부터 데이터를 수신한다.
인지 모듈(402)은, 예를 들면, 도 1에도 도시된 바와 같이, 하나 이상의 센서(121)를 사용하여 인근의 물리적 대상체를 식별한다. 대상체는 분류되고(예를 들면, 보행자, 자전거, 자동차, 교통 표지판 등과 같은 유형으로 그룹화되고), 분류된 대상체(416)를 포함하는 장면 묘사는 계획 모듈(404)에 제공된다. 일 실시예에서, 인지 모듈(402)은 대상체를 검출하고 레이블링하는 대상체 검출기를 포함한다. 예시적인 대상체 검출기는 컨볼루션 신경 네트워크(CNN)이다. 일 실시예에서, 대상체 검출기는 검출된 대상체를 둘러싸는 경계 박스, 대상체에 대한 레이블 및 검출된 대상체가 정확하게 레이블링되었다는 신뢰 정도(degree of confidence)를 나타내는 경계 박스 점수를 포함하는 이미지 또는 포인트 클라우드를 출력할 수 있다. 일 실시예에서, 경계 박스 점수는 [0.0 1.0]의 범위에 있을 수 있으며, 여기서 0.0은 부정확하게 레이블링된 대상체를 나타내고, 1.0은 정확하게 레이블링된 대상체를 나타내며, 그 사이의 값은 대상체가 정확하게 레이블링되었다는 신뢰 정도를 나타낸다.
계획 모듈(404)은 또한 로컬화 모듈(408)로부터 AV 위치(418)를 나타내는 데이터를 수신한다. 로컬화 모듈(408)은 위치를 계산하기 위해 센서(121)로부터의 데이터 및 데이터베이스 모듈(410)로부터의 데이터(예를 들면, 지리적 데이터)를 사용하여 AV 위치를 결정한다. 예를 들어, 로컬화 모듈(408)은 GNSS(Global Navigation Satellite System) 센서로부터의 데이터 및 지리적 데이터를 사용하여 AV의 경도 및 위도를 계산한다. 일 실시예에서, 로컬화 모듈(408)에 의해 사용되는 데이터는 도로 기하학적 속성의 고-정밀 맵, 도로망 연결 속성을 기술하는 맵, 도로 물리적 속성(예컨대, 교통 속력, 교통량, 차량 교통 차선과 자전거 타는 사람 교통 차선의 개수, 차선 폭, 차선 교통 방향, 또는 차선 마커 유형 및 위치, 또는 그 조합)을 기술하는 맵, 및 도로 특징부, 예컨대, 횡단보도, 교통 표지판 또는 다양한 유형의 다른 주행 신호(travel signal)의 공간적 위치를 기술하는 맵을 포함한다. 일 실시예에서, 고-정밀 맵은 자동 또는 수동 주석 달기를 통해 저-정밀 맵에 데이터를 추가함으로써 구성된다.
제어 모듈(406)은 궤적(414)을 나타내는 데이터 및 AV 위치(418)를 나타내는 데이터를 수신하고, AV(100)로 하여금 목적지(412)를 향해 궤적(414)을 주행하게 할 방식으로 AV의 제어 기능(420a 내지 420c)(예를 들면, 조향, 스로틀링, 제동, 점화)을 동작시킨다. 예를 들어, 궤적(414)이 좌회전을 포함하는 경우, 제어 모듈(406)은, 조향 기능의 조향각이 AV(100)로 하여금 왼쪽으로 회전하게 하고 스로틀링 및 제동이 AV(100)로 하여금 이러한 회전이 이루어지기 전에 지나가는 보행자 또는 차량을 위해 일시정지 및 대기하게 하는 방식으로, 제어 기능(420a 내지 420c)을 동작시킬 것이다.
자율 주행 차량 입력
도 5는 인지 모듈(402)(도 4)에 의해 사용되는 입력(502a 내지 502d)(예를 들면, 도 1에 도시된 센서(121)) 및 출력(504a 내지 504d)(예를 들면, 센서 데이터)의 일 예를 도시한다. 하나의 입력(502a)은 LiDAR(Light Detection and Ranging) 시스템(예를 들면, 도 1에 도시된 LiDAR(123))이다. LiDAR는 그의 시선에 있는 물리적 대상체에 관한 데이터를 획득하기 위해 광(예를 들면, 적외선 광과 같은 광의 버스트)을 사용하는 기술이다. LiDAR 시스템은 출력(504a)으로서 LiDAR 데이터를 생성한다. 예를 들어, LiDAR 데이터는 환경(190)의 표현을 구성하는 데 사용되는 3D 또는 2D 포인트(포인트 클라우드라고도 알려져 있음)의 집합체이다.
다른 입력(502b)은 RADAR 시스템이다. RADAR는 인근의 물리적 대상체에 관한 데이터를 획득하기 위해 라디오 파를 사용하는 기술이다. RADAR는 LiDAR 시스템의 시선 내에 있지 않은 대상체에 관한 데이터를 획득할 수 있다. RADAR 시스템(502b)은 출력(504b)으로서 RADAR 데이터를 생성한다. 예를 들어, RADAR 데이터는 환경(190)의 표현을 구성하는 데 사용되는 하나 이상의 라디오 주파수 전자기 신호이다.
다른 입력(502c)은 카메라 시스템이다. 카메라 시스템은 인근의 물리적 대상체에 관한 정보를 획득하기 위해 하나 이상의 카메라(예를 들면, CCD(charge-coupled device)와 같은 광 센서를 사용하는 디지털 카메라)를 사용한다. 카메라 시스템은 출력(504c)으로서 카메라 데이터를 생성한다. 카메라 데이터는 종종 이미지 데이터(예를 들면, RAW, JPEG, PNG 등과 같은 이미지 데이터 포맷의 데이터)의 형태를 취한다. 일부 예에서, 카메라 시스템은, 카메라 시스템이 깊이를 인지할 수 있게 하는, 예를 들어, 입체시(stereopsis)(스테레오 비전)를 위한, 다수의 독립적인 카메라를 갖는다. 비록 카메라 시스템에 의해 인지되는 대상체가 여기서 "인근"으로 기술되지만, 이것은 AV에 상대적인 것이다. 사용 중에, 카메라 시스템은 멀리 있는, 예를 들어, AV 전방으로 최대 1 킬로미터 이상에 있는 대상체를 "보도록" 구성될 수 있다. 따라서, 카메라 시스템은 멀리 떨어져 있는 대상체를 인지하도록 최적화되어 있는 센서 및 렌즈와 같은 특징부를 가질 수 있다.
다른 입력(502d)은 TLD(traffic light detection) 시스템이다. TLD 시스템은 하나 이상의 카메라를 사용하여, 시각적 운행 정보를 제공하는 교통 신호등, 거리 표지판, 및 다른 물리적 대상체에 관한 정보를 획득한다. TLD 시스템은 출력(504d)으로서 TLD 데이터를 생성한다. TLD 데이터는 종종 이미지 데이터(예를 들면, RAW, JPEG, PNG 등과 같은 이미지 데이터 포맷의 데이터)의 형태를 취한다. TLD 시스템은, 시각적 운행 정보를 제공하는 가능한 한 많은 물리적 대상체에 관한 정보를 획득하기 위해 TLD 시스템이 넓은 시야를 갖는 카메라(예를 들면, 광각 렌즈 또는 어안 렌즈를 사용함)를 사용하여, AV(100)가 이러한 대상체에 의해 제공되는 모든 관련 운행 정보에 액세스한다는 점에서, 카메라를 포함하는 시스템과 상이하다. 예를 들어, TLD 시스템의 시야각은 약 120도 이상일 수 있다.
일부 실시예에서, 출력(504a 내지 504d)은 센서 융합 기술을 사용하여 결합된다. 따라서, 개별 출력(504a 내지 504d) 중 어느 하나가 AV(100)의 다른 시스템에 제공되거나(예를 들면, 도 4에 도시된 바와 같은 계획 모듈(404)에 제공되거나), 또는 결합된 출력이 동일한 유형(동일한 결합 기술을 사용하는 것 또는 동일한 출력을 결합하는 것 또는 둘 모두)의 단일 결합 출력 또는 다중 결합 출력의 형태 또는 상이한 유형(예를 들면, 상이한 각자의 결합 기술을 사용하는 것 또는 상이한 각자의 출력을 결합하는 것 또는 둘 모두)의 단일 결합 출력 또는 다중 결합 출력의 형태 중 어느 하나로 다른 시스템에 제공될 수 있다. 일부 실시예에서, 조기 융합(early fusion) 기술이 사용된다. 조기 융합 기술은 하나 이상의 데이터 프로세싱 단계가 결합된 출력에 적용되기 전에 출력을 결합하는 것을 특징으로 한다. 일부 실시예에서, 늦은 융합(late fusion) 기술이 사용된다. 늦은 융합 기술은 하나 이상의 데이터 프로세싱 단계가 개별 출력에 적용된 후에 출력을 결합하는 것을 특징으로 한다.
도 6은 LiDAR 시스템(602)(예를 들면, 도 5에 도시된 입력(502a))의 일 예를 도시한다. LiDAR 시스템(602)은 광 방출기(606)(예를 들면, 레이저 송신기)로부터 광(604a 내지 604c)을 방출한다. LiDAR 시스템에 의해 방출되는 광은 전형적으로 가시 스펙트럼에 있지 않으며; 예를 들어, 적외선 광이 종종 사용된다. 방출되는 광(604b)의 일부는 물리적 대상체(608)(예를 들면, 차량)와 조우하고, LiDAR 시스템(602)으로 다시 반사된다. (LiDAR 시스템으로부터 방출되는 광은 전형적으로 물리적 대상체, 예를 들면, 고체 형태의 물리적 대상체를 관통하지 않는다). LiDAR 시스템(602)은 또한 반사된 광을 검출하는 하나 이상의 광 검출기(610)를 갖는다. 일 실시예에서, LiDAR 시스템과 연관된 하나 이상의 데이터 프로세싱 시스템은 LiDAR 시스템의 시야(614)를 나타내는 이미지(612)를 생성한다. 이미지(612)는 물리적 대상체(608)의 경계(616)를 나타내는 정보를 포함한다. 이러한 방식으로, 이미지(612)는 AV 인근의 하나 이상의 물리적 대상체의 경계(616)를 결정하는 데 사용된다.
도 7은 동작 중인 LiDAR 시스템(602)을 도시한다. 이 도면에 도시된 시나리오에서, AV(100)는 이미지(702) 형태의 카메라 시스템 출력(504c) 및 LiDAR 데이터 포인트(704) 형태의 LiDAR 시스템 출력(504a) 둘 모두를 수신한다. 사용 중에, AV(100)의 데이터 프로세싱 시스템은 이미지(702)를 데이터 포인트(704)와 비교한다. 특히, 이미지(702)에서 식별된 물리적 대상체(706)가 데이터 포인트(704) 중에서도 식별된다. 이러한 방식으로, AV(100)는 데이터 포인트(704)의 윤곽 및 밀도에 기초하여 물리적 대상체의 경계를 인지한다.
도 8은 LiDAR 시스템(602)의 동작을 추가적으로 상세하게 도시한다. 위에서 기술된 바와 같이, AV(100)는 LiDAR 시스템(602)에 의해 검출되는 데이터 포인트의 특성에 기초하여 물리적 대상체의 경계를 검출한다. 도 8에 도시된 바와 같이, 지면(802)과 같은 평평한 대상체는 LiDAR 시스템(602)으로부터 방출되는 광(804a 내지 804d)을 일관된 방식으로 반사할 것이다. 달리 말하면, LiDAR 시스템(602)이 일관된 간격을 사용하여 광을 방출하기 때문에, 지면(802)은 광을 동일한 일관된 간격으로 다시 LiDAR 시스템(602)으로 반사할 것이다. AV(100)가 지면(802) 위를 주행함에 따라, LiDAR 시스템(602)은 도로를 방해하는 것이 아무것도 없는 경우 다음 유효 지면 포인트(806)에 의해 반사되는 광을 계속 검출할 것이다. 그렇지만, 대상체(808)가 도로를 방해하는 경우, LiDAR 시스템(602)에 의해 방출되는 광(804e 및 804f)은 예상되는 일관된 방식과 부합하지 않는 방식으로 포인트(810a 및 810b)로부터 반사될 것이다. 이 정보로부터, AV(100)는 대상체(808)가 존재한다고 결정할 수 있다.
경로 계획
도 9는 (예를 들면, 도 4에 도시된 바와 같은) 계획 모듈(404)의 입력과 출력 사이의 관계의 블록 다이어그램(900)을 도시한다. 일반적으로, 계획 모듈(404)의 출력은 시작 포인트(904)(예를 들면, 소스 위치 또는 초기 위치)로부터 종료 포인트(906)(예를 들면, 목적지 또는 최종 위치)까지의 루트(902)이다. 루트(902)는 전형적으로 하나 이상의 세그먼트에 의해 정의된다. 예를 들어, 세그먼트는 거리, 도로, 간선도로, 사유 도로, 또는 자동차 주행에 적절한 다른 물리적 영역의 적어도 일 부분에 걸쳐 주행되는 거리이다. 일부 예에서, 예를 들어, AV(100)가 4륜 구동(4WD) 또는 상시 4륜구동(AWD) 자동차, SUV, 픽업 트럭 등과 같은 오프-로드 주행 가능 차량인 경우, 루트(902)는 비포장 경로 또는 탁 트인 들판과 같은 "오프-로드" 세그먼트를 포함한다.
루트(902)에 추가하여, 계획 모듈은 차선 레벨 루트 계획 데이터(908)도 출력한다. 차선 레벨 루트 계획 데이터(908)는 특정한 시간에서의 세그먼트의 조건에 기초하여 루트(902)의 세그먼트를 횡단하는 데 사용된다. 예를 들어, 루트(902)가 다중 차선 간선도로를 포함하는 경우, 차선 레벨 루트 계획 데이터(908)는, 예를 들어, 출구가 다가오고 있는지, 차선 중 하나 이상이 다른 차량을 갖는지, 또는 수 분 이하 동안에 걸쳐 변화되는 다른 인자에 기초하여, AV(100)가 다중 차선 중 한 차선을 선택하는 데 사용할 수 있는 궤적 계획 데이터(910)를 포함한다. 유사하게, 일부 구현예에서, 차선 레벨 루트 계획 데이터(908)는 루트(902)의 세그먼트에 특정적인 속력 제약(912)을 포함한다. 예를 들어, 세그먼트가 보행자 또는 예상치 못한 교통상황(traffic)을 포함하는 경우, 속력 제약(912)은 AV(100)를 예상된 속력보다 더 느린 주행 속력, 예를 들면, 세그먼트에 대한 속력 제한 데이터에 기초한 속력으로 제한할 수 있다.
일 실시예에서, 계획 모듈(404)에의 입력은 (예를 들면, 도 4에 도시된 데이터베이스 모듈(410)로부터의) 데이터베이스 데이터(914), 현재 위치 데이터(916)(예를 들면, 도 4에 도시된 AV 위치(418)), (예를 들면, 도 4에 도시된 목적지(412)에 대한) 목적지 데이터(918), 및 대상체 데이터(920)(예를 들면, 도 4에 도시된 인지 모듈(402)에 의해 인지되는 분류된 대상체(416))를 포함한다. 일 실시예에서, 데이터베이스 데이터(914)는 계획에 사용되는 규칙을 포함한다. 규칙은 형식 언어를 사용하여, 예를 들어, 불리언 로직을 사용하여 규정된다. AV(100)가 조우하는 임의의 주어진 상황에서, 규칙들 중 적어도 일부는 해당 상황에 적용될 것이다. 규칙이 AV(100)에 이용 가능한 정보, 예를 들면, 주위 환경에 관한 정보에 기초하여 충족되는 조건을 갖는 경우, 규칙이 주어진 상황에 적용된다. 규칙은 우선순위를 가질 수 있다. 예를 들어, "도로가 프리웨이인 경우, 최좌측 차선으로 이동하라"로 되어 있는 규칙은, 출구가 1마일 내로 다가오고 있는 경우, 최우측 차선으로 이동하라"는 것보다 더 낮은 우선순위를 가질 수 있다.
도 10은, 예를 들어, 계획 모듈(404)(도 4)에 의해 경로 계획에 사용되는 방향 그래프(1000)를 도시한다. 일반적으로, 도 10에 도시된 것과 같은 방향 그래프(1000)는 임의의 시작 포인트(1002)와 종료 포인트(1004) 사이의 경로를 결정하는 데 사용된다. 현실 세계에서는, 시작 포인트(1002)와 종료 포인트(1004)를 분리하는 거리는 상대적으로 클 수 있거나(예를 들면, 2개의 상이한 대도시 지역에 있음) 또는 상대적으로 작을 수 있다(예를 들면, 도시 블록과 맞닿아 있는 2개의 교차로 또는 다중 차선 도로의 2개의 차선).
일 실시예에서, 방향 그래프(1000)는 AV(100)에 의해 점유될 수 있는 시작 포인트(1002)와 종료 포인트(1004) 사이의 상이한 위치를 나타내는 노드(1006a 내지 1006d)를 갖는다. 일부 예에서, 예를 들면, 시작 포인트(1002)와 종료 포인트(1004)가 상이한 대도시 지역을 나타낼 때, 노드(1006a 내지 1006d)는 도로의 세그먼트를 나타낸다. 일부 예에서, 예를 들면, 시작 포인트(1002)와 종료 포인트(1004)가 동일한 도로 상의 상이한 위치를 나타낼 때, 노드(1006a 내지 1006d)는 해당 도로 상의 상이한 위치를 나타낸다. 이러한 방식으로, 방향 그래프(1000)는 다양한 레벨의 입도(granularity)로 정보를 포함한다. 일 실시예에서, 높은 입도를 갖는 방향 그래프는 또한 더 큰 스케일을 갖는 다른 방향 그래프의 서브그래프(subgraph)이다. 예를 들어, 시작 포인트(1002)와 종료 포인트(1004)가 멀리 떨어져 있는(예를 들면, 수 마일(many miles) 떨어져 있는) 방향 그래프는 그의 정보 대부분이 낮은 입도이고 저장된 데이터에 기초하지만, AV(100)의 시야 내의 물리적 위치를 나타내는 그래프의 부분에 대한 일부 높은 입도 정보도 포함한다.
노드(1006a 내지 1006d)는 노드와 오버랩될 수 없는 대상체(1008a 및 1008b)와 별개이다. 일 실시예에서, 입도가 낮을 때, 대상체(1008a 및 1008b)는 자동차에 의해 횡단될 수 없는 영역, 예를 들면, 거리 또는 도로가 없는 구역을 나타낸다. 입도가 높을 때, 대상체(1008a 및 1008b)는 AV(100)의 시야 내의 물리적 대상체, 예를 들면, 다른 자동차, 보행자, 또는 AV(100)와 물리적 공간을 공유할 수 없는 다른 엔티티를 나타낸다. 일 실시예에서, 대상체(1008a 및 1008b)의 일부 또는 전부는 정적 대상체(예를 들면, 가로등 또는 전신주와 같은 위치를 변경하지 않는 대상체) 또는 동적 대상체(예를 들면, 보행자 또는 다른 자동차와 같은 위치를 변경할 수 있는 대상체)이다.
노드(1006a 내지 1006d)는 에지(1010a 내지 1010c)에 의해 연결된다. 2개의 노드(1006a 및 1006b)가 에지(1010a)에 의해 연결되는 경우, AV(100)가, 예를 들면, 다른 노드(1006b)에 도착하기 전에 중간 노드로 주행할 필요 없이, 하나의 노드(1006a)와 다른 노드(1006b) 사이에서 주행하는 것이 가능하다. (노드들 사이에서 주행하는 AV(100)를 언급할 때, AV(100)가 각자의 노드에 의해 표현되는 2개의 물리적 위치 사이에서 주행한다는 것을 의미한다.) 에지(1010a 내지 1010c)는, AV(100)가 제1 노드로부터 제2 노드로, 또는 제2 노드로부터 제1 노드로 주행한다는 의미에서 종종 양방향성이다. 일 실시예에서, 에지(1010a 내지 1010c)는, AV(100)가 제1 노드로부터 제2 노드로 주행할 수 있지만, AV(100)가 제2 노드로부터 제1 노드로 주행할 수 없다는 의미에서 단방향성이다. 에지(1010a 내지 1010c)는, 예를 들어, 일방통행로, 거리, 도로, 또는 간선도로의 개별 차선, 또는 법적 또는 물리적 제약으로 인해 일 방향으로만 횡단될 수 있는 다른 특징부를 나타낼 때, 단방향성이다.
일 실시예에서, 계획 모듈(404)은 방향 그래프(1000)를 사용하여 시작 포인트(1002)와 종료 포인트(1004) 사이의 노드 및 에지로 이루어진 경로(1012)를 식별한다.
에지(1010a 내지 1010c)는 연관된 비용(1014a 및 1014b)을 갖는다. 비용(1014a 및 1014b)은 AV(100)가 해당 에지를 선택하는 경우 소비될 리소스를 나타내는 값이다. 전형적인 리소스는 시간이다. 예를 들어, 하나의 에지(1010a)가 다른 에지(1010b)의 물리적 거리의 2배인 물리적 거리를 나타내는 경우, 제1 에지(1010a)의 연관된 비용(1014a)은 제2 에지(1010b)의 연관된 비용(1014b)의 2배일 수 있다. 시간에 영향을 미치는 다른 인자는 예상된 교통상황, 교차로의 개수, 속력 제한 등을 포함한다. 다른 전형적인 리소스는 연비이다. 2개의 에지(1010a 및 1010b)는 동일한 물리적 거리를 나타낼 수 있지만, 예를 들면, 도로 조건, 예상된 날씨 등으로 인해, 하나의 에지(1010a)는 다른 에지(1010b)보다 더 많은 연료를 필요로 할 수 있다.
계획 모듈(404)이 시작 포인트(1002)와 종료 포인트(1004) 사이의 경로(1012)를 식별할 때, 계획 모듈(404)은 전형적으로, 비용에 최적화된 경로, 예를 들면, 에지의 개별 비용이 함께 가산될 때 가장 적은 전체 비용을 갖는 경로를 선택한다.
자율 주행 차량 제어
도 11은 (예를 들면, 도 4에 도시된 바와 같은) 제어 모듈(406)의 입력 및 출력의 블록 다이어그램(1100)을 도시한다. 제어 모듈은, 예를 들어, 프로세서(304)와 유사한 하나 이상의 프로세서(예를 들면, 마이크로프로세서 또는 마이크로컨트롤러 또는 둘 모두와 같은 하나 이상의 컴퓨터 프로세서), 메인 메모리(306)와 유사한 단기 및/또는 장기 데이터 스토리지(예를 들면, 메모리 랜덤 액세스 메모리 또는 플래시 메모리 또는 둘 모두), ROM(1308), 및 저장 디바이스(210)를 포함하는 제어기(1102), 및 메모리 내에 저장된 명령어에 따라 동작하는데, 명령어는, 명령어가 (예를 들면, 하나 이상의 프로세서에 의해) 실행될 때, 제어기(1102)의 동작을 수행한다.
일 실시예에서, 제어기(1102)는 원하는 출력(1104)을 나타내는 데이터를 수신한다. 원하는 출력(1104)은 전형적으로 속도, 예를 들어, 속력 및 헤딩을 포함한다. 원하는 출력(1104)은, 예를 들어, (예를 들면, 도 4에 도시된 바와 같은) 계획 모듈(404)로부터 수신되는 데이터에 기초할 수 있다. 원하는 출력(1104)에 따라, 제어기(1102)는 스로틀 입력(1106) 및 조향 입력(1108)으로서 사용 가능한 데이터를 생성한다. 스로틀 입력(1106)은 원하는 출력(1104)을 달성하기 위해, 예를 들면, 조향 페달에 관여하거나 또는 다른 스로틀 제어에 관여함으로써, AV(100)의 스로틀(예를 들면, 가속 제어)에 관여하는 정도를 나타낸다. 일부 예에서, 스로틀 입력(1106)은 AV(100)의 브레이크(예를 들면, 감속 제어)에 관여하는 데 사용 가능한 데이터를 또한 포함한다. 조향 입력(1108)은 조향각, 예를 들면, AV의 조향 컨트롤(예를 들면, 조향 휠, 조향각 액추에이터, 또는 조향각을 제어하기 위한 다른 기능성)이 원하는 출력(1104)을 달성하도록 위치설정되어야 하는 각도를 나타낸다.
일 실시예에서, 제어기(1102)는 스로틀 및 조향에 제공되는 입력을 조정하는 데 사용되는 피드백을 수신한다. 예를 들어, AV(100)가 언덕과 같은 방해물(1110)과 조우하면, AV(100)의 측정된 속력(1112)은 원하는 출력 속력 아래로 낮아진다. 일 실시예에서, 임의의 측정된 출력(1114)은, 예를 들어, 측정된 속력과 원하는 출력 사이의 차분(1113)에 기초하여, 필요한 조정이 수행되도록 제어기(1102)에 제공된다. 측정된 출력(1114)은 측정된 위치(1116), 측정된 속도(1118)(속력 및 헤딩을 포함), 측정된 가속도(1120), 및 AV(100)의 센서에 의해 측정 가능한 다른 출력을 포함한다.
일 실시예에서, 방해물(1110)에 관한 정보는, 예를 들면, 카메라 또는 LiDAR 센서와 같은 센서에 의해 미리 검출되고, 예측 피드백 모듈(1122)에 제공된다. 이후, 예측 피드백 모듈(1122)은 정보를 제어기(1102)에 제공하며, 제어기(1102)는 이 정보를 사용하여 그에 따라 조정할 수 있다. 예를 들어, AV(100)의 센서가 언덕을 검출한("본") 경우, 이 정보는 상당한 감속을 방지하도록 적절한 시간에 스로틀에 관여할 준비를 하기 위해 제어기(1102)에 의해 사용될 수 있다.
도 12는 제어기(1102)의 입력, 출력, 및 컴포넌트의 블록 다이어그램(1200)을 도시한다. 제어기(1102)는 스로틀/브레이크 제어기(1204)의 동작에 영향을 미치는 속력 프로파일러(1202)를 갖는다. 예를 들어, 속력 프로파일러(1202)는, 예를 들면, 제어기(1102)에 의해 수신되고 속력 프로파일러(1202)에 의해 프로세싱되는 피드백에 따라 스로틀/브레이크(1206)를 사용하여 가속에 관여하거나 감속에 관여하도록 스로틀/브레이크 제어기(1204)에 명령한다.
제어기(1102)는 또한 조향 제어기(1210)의 동작에 영향을 미치는 측방향 추적 제어기(1208)를 갖는다. 예를 들어, 측방향 추적 제어기(1208)는, 예를 들면, 제어기(1102)에 의해 수신되고 측방향 추적 제어기(1208)에 의해 프로세싱되는 피드백에 따라 조향각 액추에이터(1212)의 위치를 조정하도록 조향 제어기(1210)에 명령한다.
제어기(1102)는 스로틀/브레이크(1206) 및 조향각 액추에이터(1212)를 제어하는 방법을 결정하는 데 사용되는 여러 입력을 수신한다. 계획 모듈(404)은, 예를 들어, AV(100)가 동작을 시작할 때 헤딩을 선택하기 위해 그리고 AV(100)가 교차로에 도달할 때 어느 도로 세그먼트를 횡단할지를 결정하기 위해, 제어기(1102)에 의해 사용되는 정보를 제공한다. 로컬화 모듈(408)은, 예를 들어, 스로틀/브레이크(1206) 및 조향각 액추에이터(1212)가 제어되고 있는 방식에 기초하여 예상되는 위치에 AV(100)가 있는지를 제어기(1102)가 결정할 수 있도록, AV(100)의 현재 위치를 기술하는 정보를 제어기(1102)에 제공한다. 일 실시예에서, 제어기(1102)는 다른 입력(1214)으로부터의 정보, 예를 들어, 데이터베이스, 컴퓨터 네트워크 등으로부터 수신된 정보를 수신한다.
능동 학습 시스템
도 13은 대응하는 경계 박스 레이블 및 점수를 갖는 10개의 경계 박스(1301a 내지 1301k)를 포함하는 인지 모듈(402)에 의해 출력되는 예시적인 데이터 샘플(1300)을 도시한다. 도시된 예에서, 데이터 샘플은 비디오 카메라에 의해 캡처된 이미지이다. 경계 박스 레이블은 대상체를 식별해주고, 경계 박스 점수는 그의 대응하는 경계 박스가 정확하게 레이블링된 대상체를 포함한다는 신뢰 수준을 나타낸다. 임의의 주어진 데이터 샘플에서, 대상체를 포함하는 경계 박스, 대상체를 포함하지 않는 경계 박스 및 대상체를 포함할 수 있는 경계 박스가 있을 수 있다. 데이터 샘플(1300)에서, 경계 박스 점수는 0.00 내지 1.00의 범위에 있고, 여기서 0.00은 대상체가 검출되지 않았음을 의미하고, 1.00은 대상체가 검출되었고 정확하게 레이블링되었음을 의미하며, 그 사이의 숫자는 대상체가 검출되고 정확하게 레이블링되었다는 신뢰 정도를 나타낸다. 예를 들어, 경계 박스(1301c)는 자동차를 포함하고 1.00의 경계 박스 점수를 가지며, 1.00의 경계 박스 점수는 자동차가 검출되고 "자동차"로 정확하게 레이블링되었다는 것을 나타낸다. 마찬가지로, 경계 박스(1301d)는 보행자를 포함하고 0.96의 경계 박스 점수를 가지며, 0.96의 경계 박스 점수는 보행자가 "사람"으로 정확하게 레이블링되었다는 높은 신뢰도를 나타낸다. 경계 박스(1301k)는 어떠한 대상체도 포함하지 않으며 따라서 0.00의 경계 박스 점수를 갖는다. 실제로 각각의 경계 박스가 각각의 클래스에 대한 경계 박스 점수는 갖는다는 점에 유의한다. 그렇지만, 다양한 필터링 단계 후에, 높은 점수(지정된 임계치보다 더 높음)를 가진 경계 박스만이 인지 모듈의 출력에 포함된다.
경계 박스 및 경계 박스 점수를 갖는 수천 개의 데이터 샘플이 AV 내의 인지 모듈로부터 수집되고 데이터베이스에 저장될 수 있다. 수동 레이블링을 위한 비용과 시간을 줄이기 위해, 도 14를 참조하여 아래에서 기술되는 바와 같이, 어느 레이블링되지 않은 경계 박스가 레이블링되어야 하는지, 또는 어느 부정확하게 레이블링된 경계 박스가 다시 레이블링되어야 하는지를 인간 어노테이터에 자동으로 질의하기 위해 능동 학습 시스템이 사용된다. 일 실시예에서, 능동 학습 시스템은 AV(100)의 인지 모듈(402)에서 구현되고, 선택된 데이터 샘플은 AV(100)의 컴퓨터 시스템(300)에 의해 무선 송신 또는 다른 전달 메커니즘(예를 들면, 썸 드라이브(thumb drive))을 통해 인간 어노테이터에게 제공된다. 다른 실시예에서, AV(100)는 수집된 데이터 샘플을 인간 어노테이터에게 제공하고, AV(100)로부터 원격지에 있는 컴퓨터 시스템에 설치된 능동 학습 애플리케이션이 주석을 달 데이터 샘플을 자동으로 선택하는 데 사용된다.
실제 시스템에 저장할 센서 데이터가 너무 많기 때문에, 본원에서 개시된 능동 학습 시스템은 데이터베이스에서 잘못된 주석을 식별함으로써 데이터베이스에 저장된 데이터 샘플의 양을 감소시키는 데 그리고 시스템 성능 및 비용을 최적화할 데이터베이스에서의 데이터 샘플의 수량과 품질 사이의 균형을 찾는 데 도움이 된다. 더욱이, 성능에 대한 상이한 종류의 주석 달기 오류(예를 들면, 누락된 대상체, 부정확한 위치)의 영향이 분석될 수 있는 것은 물론, 상이한 양의 데이터로 동일한 신경 네트워크를 트레이닝시킬 수 있다.
도 14는 주석 달기를 위한 데이터 샘플(1401) 서브세트를 자동으로 선택하기 위한 능동 학습 시스템(1400)의 블록 다이어그램을 도시한다. 도시된 예에서, 능동 학습 시스템(1400)은 데이터 샘플(1401), 경계 박스 예측 모듈(1402), 공간 확률 밀도 모듈(1403), 앙상블 점수 분산 모듈(1404), 선택된 데이터 샘플(1405) 및 어노테이터(1406)를 포함한다.
레이블링되지 않았거나 부정확하게 레이블링된 데이터가 많지만 인간에 의한 수동 레이블링이 비용이 많이 드는 시나리오가 있다. 그러한 시나리오에서, 능동 학습 시스템(1400)은 레이블에 대해 어노테이터(1406)에게 자동으로 질의한다. 데이터 샘플(1401)(예를 들면, 이미지, 포인트 클라우드)은 알려진 레이블을 갖는 경계 박스 및 알려지지 않은 레이블을 갖는 경계 박스를 포함한다. 레이블링된 경계 박스는 정확하게 레이블링되거나 부정확하게 레이블링될 수 있다. 능동 학습 시스템(1400)은 어노테이터(1406)에 의한 수동 레이블링(주석 달기)을 위해 알려지지 않은 및/또는 부정확한 레이블을 갖는 경계 박스 서브세트를 자동으로 선택한다.
더 상세하게는, 제1 단계에서 경계 박스 예측 모듈(1402)은 입력 데이터 샘플(1401)로부터 레이블링된 경계 박스 세트 및 그의 대응하는 경계 박스 점수를 리트리빙한다. 경계 박스 예측 모듈(1402)은 이어서 레이블링된 경계 박스 세트에 걸쳐 경계 박스 점수의 확률 분포를 생성한다. 일 실시예에서, 확률 분포는, 도 15에 도시된 바와 같이, 누적 히스토그램에 의해 근사화된다.
도 15는 경계 박스 점수의 누적 히스토그램을 도시한다. 각각의 레이블에 대해, 레이블링된 경계 박스 세트 내의 정확하게 레이블링된 경계 박스와 부정확하게 레이블링된 경계 박스의 개수에 기초하여 누적 히스토그램이 생성된다. 이 예에서, 누적 히스토그램은 "보행자" 레이블에 대한 것이다. x 축은 경계 박스 점수의 범위(0.0 내지 1.0)를 나타내는 히스토그램의 빈을 포함한다. y 축은 각각의 빈에 있는 경계 박스의 개수이다. 각각의 빈은 부정확하게 레이블링된 경계 박스 개수(1501) 및 정확하게 레이블링된 경계 박스의 개수(1502)를 갖는다. 이러한 개수는 최적의 신뢰도 임계치(1503) 및 그라운드 트루스 레이블에 의존한다. 최적의 신뢰도 임계치(1503)는 거짓 양성(false positive)(너무 많은 검출)과 거짓 음성(false negative)(너무 많은 누락된 검출) 사이의 관계를 가중한다. 예를 들어, 최적의 신뢰도 임계치(1503)의 왼쪽에 속하는 점수를 갖는 경계 박스는 부정확한 레이블을 갖는 것으로 간주되고, 최적의 신뢰 임계치(1503)의 오른쪽에 속하는 점수를 갖는 경계 박스는 정확한 레이블을 갖는 것으로 간주된다.
주어진 경계 박스 점수가 부정확하게 분류될 우도(1504)는 부정확하게 레이블링된 경계 박스(1501)의 개수 대 부정확하게 레이블링된 경계 박스(1501)의 개수와 정확하게 레이블링된 경계 박스(1502)의 개수의 합계의 비에 의해 결정된다. 도 15로부터 관찰될 수 있는 바와 같이, 보행자 레이블의 최적의 신뢰도 임계치(1503)에 가깝게 우도(1504)의 피크(1505)가 있다. 주석 달기를 위한 레이블링되지 않은 경계 박스를 선택할 때, 능동 학습 시스템(1400)은 피크(1505) 주위의 경계 박스 점수를 갖는 경계 박스를 선택할 것이다.
도 14를 다시 참조하면, 능동 학습 시스템(1400)에 의해 수행되는 다음 단계는 각각의 레이블, 센서 및 스케일에 대해 경계 박스 세트에 걸쳐 공간 확률 밀도를 계산하는 것이다. 대부분의 데이터 샘플이 운전 레벨 동안 AV로부터 수집되기 때문에 그리고 센서(예를 들면, 카메라, LiDAR, RADAR)가 보통 위치가 고정되어 있기 때문에, 공간 확률 밀도는 주석 달기에 적합하지 않을 이상치 경계 박스를 식별하는 데 사용될 수 있다.
일 실시예에서, 각각의 레이블, 센서(예를 들면, 카메라) 및 스케일에 대해, 가우시안 혼합 모델(GMM)이 경계 박스 세트에 적용된다. GMM은 경계 박스 크기(폭, 높이) 및 샘플 기준 프레임에서의 경계 박스 위치(x, y)에 의해 파라미터화되고, 여기서 x, y는 샘플 기준 프레임(예를 들면, 이미지 기준 프레임)에서의 경계 박스의 좌측 상부 코너의 위치 좌표일 수 있다. 공간 밀도를 확률로서 다루기 위해, 공간 밀도를 경계 박스 세트에서 조우되는 가장 큰 공간 밀도 값으로 나누는 것에 의해 공간 밀도가 [0, 1] 범위에 있도록 정규화된다. 일 실시예에서, 정규화로 인한 0으로 나누는 오류를 피하기 위해 가장 큰 공간 밀도 값에 대한 최소 값이 강제(enforce)될 수 있다(예를 들면, 1e-4).
도 16을 다시 참조하면, 플롯은 중간 크기의 경계 박스 스케일(예를 들면, 1.0의 박스 인자)에 대해 "bike_without_rider" 레이블 및 카메라 B0에 대한 GMM의 공간 확률 밀도를 도시한다. 이 예에서, 카메라 B0은 후방으로 향하고 있으며, 이로 인해 공간 확률 밀도가 수직 축을 따라 대칭이다. 카메라가 AV(100)의 측면으로 향하고 있는 경우, 공간 확률 밀도가 대칭이 아닐 수 있다.
공간 확률 밀도는 라이더가 없는 자전거가 이미지 내의 어디에서 발견될 가능성이 있는지를 보여준다. 플롯은 이미지 공간에 걸친 라이더가 없는 자전거의 확률 분포로 볼 수 있다. 대부분의 밀도가 중간 대역(1600)에 군집되어 있고 플롯의 좌측 하부와 우측 하부로 연장되는 우도 피크가 있음이 플롯으로부터 관찰될 수 있다. 주석 달기를 위한 경계 박스를 선택할 때, 능동 학습 시스템(1400)은 중간 대역(1600)에서의 경계 박스를 선택할 것이다. 플롯의 상부 부분과 플롯의 하부 부분에 있는 경계 박스는 이상치일 가능성이 있다. 예를 들어, 상부 부분은 이미지에서 하늘을 나타내기 때문에(AV가 수평(level)이라고 가정함), 하늘에 있는 자전거를 검출할 가능성이 없을 것이다. 따라서, 주석 달기를 위해 중간 대역(1600) 밖에 있는 경계 박스는 제외된다.
도 14를 다시 참조하면, 능동 학습 시스템(1400)에 의해 수행되는 다음 단계는 앙상블 점수 분산 모듈(1404)이 앙상블 점수 분산을 계산하는 것이다. 도 17에 도시된 바와 같이, N개의 머신 러닝(ML) 모델(1701a 내지 1701n)(예를 들면, 3개의 신경 네트워크)이 트레이닝 데이터(예를 들면, 트레이닝 이미지)로 트레이닝된다. 일 실시예에서, 단일 기본 신경 네트워크가 트레이닝되고, 기본 신경 네트워크의 N개의 사본이 생성되며, 각각의 사본이 트레이닝 데이터의 상이한 랜덤 순서를 사용하여 미세 튜닝된다. 머신 러닝 모델(예를 들면, CNN)의 "앙상블"은 쌍별 비교기 모듈(1702)에 공급되는 N개의 예측 세트를 생성한다. 쌍별 비교기 모듈(1702)은 N개의 예측 세트 간의 쌍별 일치(pairwise agreement)를 계산하여 N개의 앙상블 점수(예를 들면, N개의 mAP(mean average precision) 값의 세트)를 생성하며, 여기서 각각의 예측 세트는, 차례로, 박스 레벨에서의 다른 예측 세트에 대한 "그라운드 트루스"이다. 앙상블 점수 분산 생성기(1703)는 이어서 N개의 앙상블 점수 간의 차이의 척도인 앙상블 점수 분산을 계산한다. 주석 달기를 위한 데이터 샘플(예를 들면, 이미지)을 선택할 때, 능동 학습 시스템(1400)은 가장 높은 앙상블 점수 분산(가장 높은 불확도)을 갖는 데이터 샘플을 선택한다. 대안적인 실시예에서, 다수의 상이한 센서(예를 들면, RADAR, LiDAR 및 카메라)에 의해 출력된 대상체 검출들 사이에 일치도(measure of agreement)가 이루어지는 경우에 교차-모달 앙상블(cross-modal ensemble)이 사용된다.
일 실시예에서, 연속적인 데이터 샘플 프레임(예를 들면, 연속적인 비디오 프레임)이 시간 잡음(예를 들면, "플리커")을 포함하는지를 결정하기 위해 시간적 불일치 단서가 사용된다. 예를 들어, 연속적인 비디오 프레임에서 대상체가 사라졌다가 다시 나타날 수 있다. 대상체 추적 알고리즘(예를 들면, 윤곽선 추적, 커널 기반 추적, CNN 기반 접근법)이 프레임들에 걸쳐 대상체를 추적하여 "플리커"를 검출하는 데 사용될 수 있다. 플리커를 야기하는 데이터 샘플이 주석 달기를 위해 선택된다.
일 실시예에서, 대상체가 맵 제약을 위반하는지를 결정하기 위해 디지털 맵이 사용된다. 예를 들어, 건물 내부에서 검출되는 자동차는 맵 제약을 위반한다. 맵 제약을 위반하는 경계 박스는 주석 달기를 위한 선택으로부터 제외된다. 맵 제약은 하드 제약일 필요가 없다. 일 실시예에서, 보행자가 도로, 인도 등에 있을 우도가 통계적으로 모델링된다.
도 18은 주석 달기를 위한 데이터 샘플을 자동으로 선택하기 위한 능동 학습 프로세스의 흐름 다이어그램을 도시한다. 프로세스(1800)는, 예를 들어, 도 3에 도시된 AV 컴퓨터 시스템(300)을 사용하여 도 14에 도시된 능동 학습 시스템에 의해 구현될 수 있다.
프로세스(1800)는 경계 박스 및 대응하는 경계 박스 점수를 포함하는 데이터 샘플을 획득하는 것(1801)으로 시작된다. 예를 들어, 데이터 샘플은, 도 4 및 도 5를 참조하여 기술된 바와 같은, AV의 인지 모듈 내의 대상체 검출기에 의해 생성될 수 있다. 대상체 검출기는 신경 네트워크(예를 들면, CNN)일 수 있다. 대상체 검출기는 카메라 및 LiDAR/RADAR에 의해, 제각기, 캡처된 이미지 및/또는 포인트 클라우드를 입력으로서 취할 수 있다. 대상체 검출기는 검출된 대상체를 둘러싸는 경계 박스, 대상체를 레이블링하는 레이블 및 경계 박스가 정확하게 레이블링되었다는 대상체 검출기의 신뢰도를 나타내는 경계 박스 점수를 갖는 이미지 또는 포인트 클라우드를 출력한다.
프로세스(1800)는 경계 박스 점수의 분포를 생성하는 것(1802)으로 계속된다. 예를 들어, 프로세스(1800)는 최적의 신뢰도 임계치(1503)(도 15)의 왼쪽에 있는 경계 박스 점수를 갖는 경계 박스를 부정확하게 레이블링된 것으로 식별하고 최적의 신뢰도 임계치(1503)의 오른쪽에 있는 경계 박스 점수를 갖는 경계 박스를 정확하게 레이블링된 것으로 식별할 수 있다. 이어서, 도 15를 참조하여 기술된 바와 같이, 부정확하게 레이블링된 경계 박스와 정확하게 레이블링된 경계 박스의 개수를 사용하여 분포를 근사화하기 위해 누적 히스토그램이 생성될 수 있다. 누적 히스토그램의 각각의 빈에 대한 우도가 계산되고 주석 달기를 위한 경계 박스를 선택하는 데 사용된다.
프로세스(1800)는 박스 크기 및 위치에 기초하여 각각의 레이블, 센서 및 스케일에 대한 경계 박스 세트에 걸친 공간 확률 밀도를 생성하는 것(1803)으로 계속된다. 예를 들어, 이미지 샘플에서의 박스 크기 및 위치에 의해 파라미터화된 GMM이 경계 박스 세트에 대한 공간 확률 밀도를 생성하는 데 사용될 수 있다. 공간 확률 밀도는, 도 16을 참조하여 기술된 바와 같이, 주석 달기를 위해 선택할 이상치 경계 박스를 결정하는 데 사용된다.
프로세스(1800)는 다수의 머신 러닝 모델로부터 출력된 예측 세트로부터 앙상블 점수 분산을 생성하는 것(1804)으로 계속된다. 예를 들어, N개의 머신 러닝(ML) 모델(예를 들면, 3개의 CNN)이 트레이닝 데이터(예를 들면, 트레이닝 이미지)로 트레이닝된다. 머신 러닝 모델의 "앙상블"은 쌍별 비교기 모듈에 공급되는 N개의 예측 세트를 생성한다. 쌍별 비교기 모듈은 N개의 예측 세트 간의 쌍별 일치를 계산하여 N개의 앙상블 점수(예를 들면, N개의 mAP 값의 세트)를 생성하며, 여기서 각각의 예측 세트는, 차례로, 박스 레벨에서의 다른 예측 세트에 대한 "그라운드 트루스"이다. 앙상블 점수 분산 생성기는 이어서 N개의 앙상블 점수 간의 차이의 척도인 앙상블 점수 분산을 계산한다. 주석 달기를 위한 경계 박스를 선택할 때, 능동 학습 시스템은 가장 높은 분산을 갖는 데이터 샘플을 선택할 것이다. 대안적인 실시예에서, 다수의 상이한 센서(예를 들면, RADAR, LiDAR 및 카메라)에 의해 출력된 대상체 검출들 사이에 일치도가 이루어지는 경우에 교차-모달 앙상블이 사용된다.
프로세스(1800)는 경계 박스 점수 분포, 공간 확률 밀도 및 앙상블 점수 분산의 특정 조합을 사용하여 주석 달기를 위한 데이터 샘플을 선택하는 것(1805)으로 계속된다. 일 실시예에서, 공간 확률 밀도를 사용하지 않고 주석 달기를 위한 데이터 샘플을 선택하기 위해 앙상블 점수 분산 및 경계 박스 점수의 분포가 사용된다. 일 실시예에서, 경계 박스 점수의 분포를 사용하지 않고 주석 달기를 위한 데이터 샘플을 선택하기 위해 앙상블 점수 분산 및 공간 확률 밀도가 사용된다. 일 실시예에서, 앙상블 점수 분산을 사용하지 않고 주석 달기를 위한 데이터 샘플을 선택하기 위해 경계 박스 점수의 분포 및 공간 확률 밀도가 사용된다.
전술한 설명에서, 본 발명의 실시예는 구현마다 달라질 수 있는 다수의 특정 세부 사항을 참조하여 기술되었다. 따라서, 상세한 설명 및 도면은 제한적인 관점보다는 예시적인 관점에서 보아야 한다. 본 발명의 범위의 유일한 독점적인 지표, 및 출원인이 본 발명의 범위이도록 의도한 것은, 본 출원에서 특정 형태로 나오는 일련의 청구항의 문언적 등가 범위이며, 그러한 청구항이 나오는 특정 형태는 임의의 후속 보정을 포함한다. 그러한 청구항에 포함된 용어에 대한 본원에서 명시적으로 기재된 임의의 정의는 청구항에서 사용되는 그러한 용어의 의미를 결정한다. 추가적으로, 전술한 설명 및 이하의 청구항에서 "추가로 포함하는"이라는 용어가 사용될 때, 이 문구에 뒤따르는 것은 추가적인 단계 또는 엔티티, 또는 이전에 언급된 단계 또는 엔티티의 서브-단계/서브-엔티티일 수 있다.

Claims (26)

  1. 방법으로서,
    하나 이상의 프로세서를 사용하여, 데이터 샘플 세트를 획득하는 단계 - 각각의 데이터 샘플은 하나 이상의 경계 박스(bounding box)를 포함하고, 각각의 경계 박스는 환경 내의 잠재적인 대상체 또는 장면을 포함하고, 각각의 경계 박스는, 레이블 및 상기 레이블이 정확하다는 것에 대한 신뢰도를 나타내는 경계 박스 점수를 가짐 - ; 및
    주석 달기(annotation)를 위해, 상기 하나 이상의 프로세서를 사용하여, 경계 박스 점수의 확률 분포를 사용하여 결정된 경계 박스 예측 신뢰도, 및 복수의 머신 러닝 모델에 의해 출력된 예측 세트로부터 계산된 앙상블 점수의 차이에 기초한 앙상블 점수 분산에 기초하여 데이터 샘플 서브세트를 선택하는 단계
    를 포함하는, 방법.
  2. 제2항에 있어서,
    주석 달기를 위해, 상기 하나 이상의 프로세서를 사용하여, 상기 경계 박스 예측 신뢰도, 경계 박스 크기 및 위치에 의해 파라미터화된 상기 경계 박스의 공간 확률 밀도, 및 상기 앙상블 점수 분산에 기초하여 상기 데이터 샘플 서브세트를 선택하는 단계
    를 더 포함하는, 방법.
  3. 제1항에 있어서, 상기 경계 박스 예측은,
    각각의 레이블에 대해,
    경계 박스 점수의 확률 분포를 생성하는 것;
    상기 분포에 기초하여, 특정 경계 박스가 부정확하게 레이블링될 우도(likelihood)를 결정하는 것; 및
    주석 달기를 위해, 상기 우도에 기초하여 상기 특정 경계 박스를 선택하거나 제외시키는 것
    을 더 포함하는, 방법.
  4. 제3항에 있어서, 상기 분포는, 경계 박스 점수의 범위를 나타내는 빈(bin)을 갖는 히스토그램에 의해 근사화되고, 각각의 빈은 우도와 연관되는, 방법.
  5. 제4항에 있어서, 각각의 빈에 대해 상기 우도는, 상기 빈에 할당된 부정확하게 레이블링된 경계 박스의 개수 대 상기 부정확하게 레이블링된 경계 박스의 개수와 상기 빈에 할당된 정확하게 레이블링된 경계 박스의 개수의 합계의 비로부터 계산되는, 방법.
  6. 제2항에 있어서,
    각각의 레이블, 센서 및 스케일에 대해,
    상기 레이블, 센서 및 스케일에 대한 경계 박스 세트에 걸쳐 가우시안 혼합 모델(Gaussian Mixture Model; GMM)을 사용하여 상기 공간 확률 밀도를 결정하는 단계 - 상기 GMM은 경계 박스 크기 및 위치에 의해 파라미터화됨 -
    를 더 포함하는, 방법.
  7. 제6항에 있어서, 상기 레이블에 대한 상기 공간 확률 밀도는, 상기 레이블에 대한 상기 공간 밀도를 상기 레이블에 대한 모든 공간 밀도 값 중에서 가장 큰 밀도 값으로 나누는 것에 의해 결정되는, 방법.
  8. 제1항에 있어서,
    복수의 상이한 머신 러닝 모델을 통해 상기 데이터 샘플을 프로세싱하여, 예측된 레이블링된 경계 박스를 생성하는 단계;
    상기 예측된 레이블링된 경계 박스의 각각의 쌍별 비교(pairwise comparison)를 위해 앙상블 점수를 계산하는 단계 - 각각의 예측된 레이블링된 경계 박스는 다른 예측된 레이블링된 경계 박스와의 비교를 위한 그라운드 트루스(ground truth)임 - ; 및
    상기 앙상블 점수에 기초하여 앙상블 점수 분산을 계산하는 단계
    를 더 포함하는, 방법.
  9. 제8항에 있어서, 상기 복수의 상이한 머신 러닝 모델은, 상이한 유형의 센서에 의해 제공되는 트레이닝 데이터 샘플에 의해 튜닝된 복수의 상이한 신경 네트워크를 포함하는, 방법.
  10. 제9항에 있어서, 상기 상이한 유형의 센서는 LiDAR, RADAR, 및 카메라를 포함하는, 방법.
  11. 제9항에 있어서, 상기 복수의 상이한 신경 네트워크는 상기 트레이닝 데이터 샘플의 상이한 랜덤 순서로 트레이닝되는, 방법.
  12. 제1항에 있어서,
    상기 하나 이상의 프로세서에 의해, 연속적인 데이터 샘플 사이의 시간적 불일치를 검출하는 단계;
    시간적 불일치가 검출되는 것에 따라, 주석 달기를 위해 상기 연속적인 데이터 샘플 중 적어도 하나를 선택하는 단계
    를 더 포함하는, 방법.
  13. 제1항에 있어서,
    상기 하나 이상의 프로세서에 의해, 맵 제약을 사용하여 경계 박스와 연관된 오류를 검출하는 단계; 및
    상기 오류가 검출되는 것에 따라, 상기 경계 박스를 주석 달기로부터 제외시키는 단계
    를 더 포함하는, 방법.
  14. 능동 학습 시스템으로서,
    데이터 샘플을 포함하는 저장 디바이스;
    하나 이상의 프로세서; 및
    명령어를 저장한 메모리 - 상기 명령어는, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서로 하여금 제1항 내지 제13항 중 어느 한 항의 방법을 수행하게 함 -
    를 포함하며, 상기 방법은,
    데이터 샘플 세트를 획득하는 단계 - 각각의 데이터 샘플은 하나 이상의 경계 박스를 포함하고, 각각의 경계 박스는 환경 내의 잠재적인 대상체 또는 장면을 포함하고, 각각의 경계 박스는, 레이블 및 상기 레이블이 정확하다는 것에 대한 신뢰도를 나타내는 경계 박스 점수를 가짐 - ; 및
    주석 달기를 위해, 경계 박스 점수의 확률 분포를 사용하여 결정된 경계 박스 예측 신뢰도, 및 복수의 머신 러닝 모델에 의해 출력된 예측 세트로부터 계산된 앙상블 점수의 차이에 기초한 앙상블 점수 분산에 기초하여 데이터 샘플 서브세트를 선택하는 단계
    를 포함하는, 능동 학습 시스템.
  15. 제14항에 있어서, 상기 방법은,
    주석 달기를 위해, 상기 경계 박스 예측 신뢰도, 경계 박스 크기 및 위치에 의해 파라미터화된 상기 경계 박스의 공간 확률 밀도, 및 상기 앙상블 점수 분산에 기초하여 상기 데이터 샘플 서브세트를 선택하는 단계
    를 더 포함하는, 능동 학습 시스템.
  16. 제14항에 있어서, 상기 경계 박스 예측은,
    각각의 레이블에 대해,
    경계 박스 점수의 확률 분포를 생성하는 것;
    상기 분포에 기초하여, 특정 경계 박스가 부정확하게 레이블링될 우도를 결정하는 것; 및
    주석 달기를 위해, 상기 우도에 기초하여 상기 특정 경계 박스를 선택하거나 제외시키는 것
    을 더 포함하는, 능동 학습 시스템.
  17. 제16항에 있어서, 상기 분포는, 경계 박스 점수의 범위를 나타내는 빈을 갖는 히스토그램에 의해 근사화되고, 각각의 빈은 우도와 연관되는, 능동 학습 시스템.
  18. 제17항에 있어서, 각각의 빈에 대해 상기 우도는, 상기 빈에 할당된 부정확하게 레이블링된 경계 박스의 개수 대 상기 부정확하게 레이블링된 경계 박스의 개수와 상기 빈에 할당된 정확하게 레이블링된 경계 박스의 개수의 합계의 비로부터 계산되는, 능동 학습 시스템.
  19. 제15항에 있어서, 상기 방법은,
    각각의 레이블, 센서 및 스케일에 대해,
    상기 레이블, 센서 및 스케일에 대한 경계 박스 세트에 걸쳐 가우시안 혼합 모델(GMM)을 사용하여 상기 공간 확률 밀도를 결정하는 단계 - 상기 GMM은 경계 박스 크기 및 위치에 의해 파라미터화됨 -
    를 더 포함하는, 능동 학습 시스템.
  20. 제19항에 있어서, 상기 레이블에 대한 상기 공간 확률 밀도는, 상기 레이블에 대한 상기 공간 밀도를 상기 레이블에 대한 모든 공간 밀도 값 중에서 가장 큰 밀도 값으로 나누는 것에 의해 결정되는, 능동 학습 시스템.
  21. 제14항에 있어서, 상기 방법은,
    복수의 상이한 머신 러닝 모델을 통해 상기 데이터 샘플을 프로세싱하여, 예측된 레이블링된 경계 박스를 생성하는 단계;
    상기 예측된 레이블링된 경계 박스의 각각의 쌍별 비교를 위해 앙상블 점수를 계산하는 단계 - 각각의 예측된 레이블링된 경계 박스는 다른 예측된 레이블링된 경계 박스와의 비교를 위한 그라운드 트루스임 - ; 및
    상기 앙상블 점수에 기초하여 앙상블 점수 분산을 계산하는 단계
    를 더 포함하는, 능동 학습 시스템.
  22. 제21항에 있어서, 상기 복수의 상이한 머신 러닝 모델은, 상이한 유형의 센서에 의해 제공되는 트레이닝 데이터 샘플에 의해 튜닝된 복수의 상이한 신경 네트워크를 포함하는, 능동 학습 시스템.
  23. 제22항에 있어서, 상기 상이한 유형의 센서는 LiDAR, RADAR, 및 카메라를 포함하는, 능동 학습 시스템.
  24. 제22항에 있어서, 상기 복수의 상이한 신경 네트워크는 상기 트레이닝 데이터 샘플의 상이한 랜덤 순서로 트레이닝되는, 능동 학습 시스템.
  25. 제14항에 있어서, 상기 방법은,
    연속적인 데이터 샘플 사이의 시간적 불일치를 검출하는 단계;
    시간적 불일치가 검출되는 것에 따라, 주석 달기를 위해 상기 연속적인 데이터 샘플 중 적어도 하나를 선택하는 단계
    를 더 포함하는, 능동 학습 시스템.
  26. 제14항에 있어서, 상기 방법은,
    맵 제약을 사용하여 경계 박스와 연관된 오류를 검출하는 단계; 및
    상기 오류가 검출되는 것에 따라, 상기 경계 박스를 주석 달기로부터 제외시키는 단계
    를 더 포함하는, 능동 학습 시스템.
KR1020217000660A 2019-01-23 2020-01-23 주석 달기를 위한 데이터 샘플의 자동 선택 KR102593948B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962796064P 2019-01-23 2019-01-23
US62/796,064 2019-01-23
PCT/IB2020/050542 WO2020152627A1 (en) 2019-01-23 2020-01-23 Automatically choosing data samples for annotation

Publications (2)

Publication Number Publication Date
KR20210112293A true KR20210112293A (ko) 2021-09-14
KR102593948B1 KR102593948B1 (ko) 2023-10-25

Family

ID=69467590

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217000660A KR102593948B1 (ko) 2019-01-23 2020-01-23 주석 달기를 위한 데이터 샘플의 자동 선택

Country Status (6)

Country Link
US (1) US11521010B2 (ko)
KR (1) KR102593948B1 (ko)
CN (1) CN113196291A (ko)
DE (1) DE112020000487T5 (ko)
GB (2) GB202304340D0 (ko)
WO (1) WO2020152627A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220138620A (ko) * 2021-04-06 2022-10-13 고려대학교 세종산학협력단 모델 앙상블을 이용한 객체 탐지 방법 및 장치

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11055540B2 (en) * 2019-06-28 2021-07-06 Baidu Usa Llc Method for determining anchor boxes for training neural network object detection models for autonomous driving
JP7215390B2 (ja) * 2019-10-10 2023-01-31 トヨタ自動車株式会社 路上障害物検知装置、路上障害物検知方法、及び路上障害物検知プログラム
US11776215B1 (en) * 2019-12-16 2023-10-03 Scale AI, Inc. Pre-labeling data with cuboid annotations
EP3935413A4 (en) * 2020-05-15 2022-03-30 Baidu.com Times Technology (Beijing) Co., Ltd. PARTLY POINT CLOUD BASED METHOD OF ESTIMATING THE SPEED OF A PEDESTRIAN
US11663486B2 (en) * 2020-06-23 2023-05-30 International Business Machines Corporation Intelligent learning system with noisy label data
US20220063666A1 (en) 2020-09-01 2022-03-03 Motional Ad Llc Scoring autonomous vehicle trajectories using reasonable crowd data
US11769318B2 (en) 2020-11-23 2023-09-26 Argo AI, LLC Systems and methods for intelligent selection of data for building a machine learning model
US20220188695A1 (en) * 2020-12-16 2022-06-16 Argo AI, LLC Autonomous vehicle system for intelligent on-board selection of data for training a remote machine learning model
CN112734035B (zh) * 2020-12-31 2023-10-27 成都佳华物链云科技有限公司 一种数据处理方法及装置、可读存储介质
US11657591B2 (en) * 2021-01-15 2023-05-23 Argo AI, LLC Autonomous vehicle system for intelligent on-board selection of data for building a remote machine learning model
CN112422590B (zh) * 2021-01-25 2021-04-27 中国人民解放军国防科技大学 基于主动学习的网络流量分类方法及装置
US11710254B2 (en) 2021-04-07 2023-07-25 Ford Global Technologies, Llc Neural network object detection
EP4092565A1 (en) * 2021-05-19 2022-11-23 Continental Autonomous Mobility Germany GmbH Device and method to speed up annotation quality check process
CN113408916B (zh) * 2021-06-28 2023-12-29 河南唐都科技有限公司 基于智能ai和移动app的消防设施检测及现场验收评定系统
US11887324B2 (en) * 2021-06-30 2024-01-30 Motional Ad Llc Cross-modality active learning for object detection
US11880428B2 (en) 2021-11-12 2024-01-23 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and systems for updating perception models based on geolocation features
WO2023225605A1 (en) * 2022-05-20 2023-11-23 Tesla, Inc. Systems and methods for labeling images for training machine learning model
CN117054968B (zh) * 2023-08-19 2024-03-12 杭州优航信息技术有限公司 基于线性阵列麦克风的声源定位系统及其方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180108137A1 (en) * 2016-10-18 2018-04-19 Adobe Systems Incorporated Instance-Level Semantic Segmentation System
KR20180065856A (ko) * 2016-12-07 2018-06-18 삼성전자주식회사 영역 기반 딥 러닝 모델을 이용한 객체 탐지 장치 및 방법, 그리고 이를 이용한 칩셋 제조 방법
US20180349785A1 (en) * 2017-06-06 2018-12-06 PlusAI Corp Method and system for on-the-fly object labeling via cross temporal validation in autonomous driving vehicles

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040205482A1 (en) * 2002-01-24 2004-10-14 International Business Machines Corporation Method and apparatus for active annotation of multimedia content
US8769396B2 (en) * 2009-06-05 2014-07-01 Microsoft Corporation Calibration and annotation of video content
US9070202B2 (en) * 2013-03-14 2015-06-30 Nec Laboratories America, Inc. Moving object localization in 3D using a single camera
US20160026898A1 (en) * 2014-07-24 2016-01-28 Agt International Gmbh Method and system for object detection with multi-scale single pass sliding window hog linear svm classifiers
US10037312B2 (en) * 2015-03-24 2018-07-31 Fuji Xerox Co., Ltd. Methods and systems for gaze annotation
US10410096B2 (en) * 2015-07-09 2019-09-10 Qualcomm Incorporated Context-based priors for object detection in images
US9767381B2 (en) * 2015-09-22 2017-09-19 Xerox Corporation Similarity-based detection of prominent objects using deep CNN pooling layers as features
US9972092B2 (en) * 2016-03-31 2018-05-15 Adobe Systems Incorporated Utilizing deep learning for boundary-aware image segmentation
US11144761B2 (en) * 2016-04-04 2021-10-12 Xerox Corporation Deep data association for online multi-class multi-object tracking
WO2018009552A1 (en) * 2016-07-05 2018-01-11 Nauto Global Limited System and method for image analysis
US10354159B2 (en) * 2016-09-06 2019-07-16 Carnegie Mellon University Methods and software for detecting objects in an image using a contextual multiscale fast region-based convolutional neural network
US11288551B2 (en) * 2016-10-24 2022-03-29 International Business Machines Corporation Edge-based adaptive machine learning for object recognition
US20180129742A1 (en) * 2016-11-10 2018-05-10 Qualcomm Incorporated Natural language object tracking
US10228693B2 (en) * 2017-01-13 2019-03-12 Ford Global Technologies, Llc Generating simulated sensor data for training and validation of detection models
EP3399465A1 (en) * 2017-05-05 2018-11-07 Dassault Systèmes Forming a dataset for fully-supervised learning
US10809361B2 (en) * 2017-05-31 2020-10-20 Uatc, Llc Hybrid-view LIDAR-based object detection
US10579897B2 (en) * 2017-10-02 2020-03-03 Xnor.ai Inc. Image based object detection
US10535138B2 (en) * 2017-11-21 2020-01-14 Zoox, Inc. Sensor data segmentation
US10671887B2 (en) * 2017-12-05 2020-06-02 Axis Ab Best image crop selection
CN108257148B (zh) * 2018-01-17 2020-09-25 厦门大学 特定对象的目标建议窗口生成方法及其在目标跟踪的应用
US10241588B1 (en) * 2018-01-31 2019-03-26 Piccolo Labs Inc. System for localizing devices in a room
US11537139B2 (en) * 2018-03-15 2022-12-27 Nvidia Corporation Determining drivable free-space for autonomous vehicles
US10649459B2 (en) * 2018-04-26 2020-05-12 Zoox, Inc. Data segmentation using masks
US10489918B1 (en) * 2018-05-09 2019-11-26 Figure Eight Technologies, Inc. Video object tracking
CN108830300A (zh) * 2018-05-28 2018-11-16 深圳市唯特视科技有限公司 一种基于混合监督检测的目标传输方法
CN108875600A (zh) * 2018-05-31 2018-11-23 银江股份有限公司 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
US11592818B2 (en) * 2018-06-20 2023-02-28 Zoox, Inc. Restricted multi-scale inference for machine learning
WO2020069525A1 (en) * 2018-09-28 2020-04-02 Jido, Inc. Method for detecting objects and localizing a mobile computing device within an augmented reality experience
US10936902B1 (en) * 2018-11-27 2021-03-02 Zoox, Inc. Training bounding box selection
US10509987B1 (en) * 2019-01-22 2019-12-17 StradVision, Inc. Learning method and learning device for object detector based on reconfigurable network for optimizing customers' requirements such as key performance index using target object estimating network and target object merging network, and testing method and testing device using the same
US10977518B1 (en) * 2019-03-15 2021-04-13 Amazon Technologies, Inc. Machine learning based adaptive instructions for annotation
US11294884B2 (en) * 2019-08-09 2022-04-05 International Business Machines Corporation Annotation assessment and adjudication

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180108137A1 (en) * 2016-10-18 2018-04-19 Adobe Systems Incorporated Instance-Level Semantic Segmentation System
KR20180065856A (ko) * 2016-12-07 2018-06-18 삼성전자주식회사 영역 기반 딥 러닝 모델을 이용한 객체 탐지 장치 및 방법, 그리고 이를 이용한 칩셋 제조 방법
US20180349785A1 (en) * 2017-06-06 2018-12-06 PlusAI Corp Method and system for on-the-fly object labeling via cross temporal validation in autonomous driving vehicles

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
William H. Beluch 외 3명 "The Power of Ensembles for Active Learning in Image Classification", IEEE/CVF, pp.9368-9377 (2018.12.16.) 1부.* *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220138620A (ko) * 2021-04-06 2022-10-13 고려대학교 세종산학협력단 모델 앙상블을 이용한 객체 탐지 방법 및 장치

Also Published As

Publication number Publication date
WO2020152627A1 (en) 2020-07-30
US20200272854A1 (en) 2020-08-27
KR102593948B1 (ko) 2023-10-25
GB2589751A8 (en) 2021-08-18
GB2589751A (en) 2021-06-09
GB202020160D0 (en) 2021-02-03
GB202304340D0 (en) 2023-05-10
US11521010B2 (en) 2022-12-06
GB2589751B (en) 2023-05-17
CN113196291A (zh) 2021-07-30
DE112020000487T5 (de) 2021-11-18

Similar Documents

Publication Publication Date Title
KR102593948B1 (ko) 주석 달기를 위한 데이터 샘플의 자동 선택
US20240025396A1 (en) Systems and methods for planning and updating a vehicle's trajectory
US20200216064A1 (en) Classifying perceived objects based on activity
US11858508B2 (en) Trajectory prediction from precomputed or dynamically generated bank of trajectories
KR102552520B1 (ko) 융합된 카메라/LiDAR 데이터 포인트를 사용한 자동화된 대상체 주석 달기
US11577754B2 (en) Autonomous vehicle operation using linear temporal logic
US11529955B2 (en) Traffic light estimation
US20220063663A1 (en) Conditional motion predictions
KR102549258B1 (ko) 이미지 시맨틱스 네트워크로부터의 단안 3d 대상체 검출
KR20220083534A (ko) 도로 특징부에 대한 폐색 표현을 구현하기 위한 시스템 및 방법
GB2616739A (en) Traffic light estimation
US20220357453A1 (en) Lidar point cloud segmentation using box prediction
US11946749B2 (en) Driving data guided spatial planning
US11958503B2 (en) Techniques for navigating an autonomous vehicle based on perceived risk
KR102580097B1 (ko) 교정 정보를 사용한 av 경로 계획
US11970183B2 (en) AV path planning with calibration information

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant