KR20220083534A - 도로 특징부에 대한 폐색 표현을 구현하기 위한 시스템 및 방법 - Google Patents

도로 특징부에 대한 폐색 표현을 구현하기 위한 시스템 및 방법 Download PDF

Info

Publication number
KR20220083534A
KR20220083534A KR1020210006635A KR20210006635A KR20220083534A KR 20220083534 A KR20220083534 A KR 20220083534A KR 1020210006635 A KR1020210006635 A KR 1020210006635A KR 20210006635 A KR20210006635 A KR 20210006635A KR 20220083534 A KR20220083534 A KR 20220083534A
Authority
KR
South Korea
Prior art keywords
interest
occlusion
region
information
vehicle
Prior art date
Application number
KR1020210006635A
Other languages
English (en)
Other versions
KR102507216B1 (ko
Inventor
지안카를로 발단
이판 양
스콧 디 펜들턴
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 KR20220083534A publication Critical patent/KR20220083534A/ko
Priority to KR1020230027543A priority Critical patent/KR102639008B1/ko
Application granted granted Critical
Publication of KR102507216B1 publication Critical patent/KR102507216B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3476—Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/10—Path keeping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3885—Transmission of map data to client devices; Reception of map data by client devices
    • G01C21/3889—Transmission of selected map data, e.g. depending on route
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/865—Combination of radar systems with lidar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G05D1/0263—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means using magnetic strips
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/0052—Filtering, filters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4042—Longitudinal speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Optics & Photonics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Ecology (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Traffic Control Systems (AREA)

Abstract

무엇보다도, 도로 특징부에 대한 폐색 표현을 구현하기 위한 기술이 설명되어 있다. 일반적으로, 본 명세서에 기술된 주제의 하나의 혁신적인 양태는 차량에 대한 적어도 하나의 관심 구역의 구역 정보를 획득하는 단계, 적어도 하나의 관심 구역과 연관된 폐색 데이터를 식별하는 단계, 구역 정보 및 폐색 데이터에 기초하여 적어도 하나의 관심 구역과 연관된 폐색 정보를 결정하는 단계, 차량에 대한 루트를 계획하기 위해 폐색 정보를 제공하는 단계, 및 계획된 루트에 따라 차량을 동작시키는 단계를 포함하는 방법으로 구체화될 수 있다. 폐색 데이터는 폐색 정보와 연관된 데이터를 포함하고, 폐색 정보는 폐색 데이터보다 더 작은 데이터 크기를 갖는다.

Description

도로 특징부에 대한 폐색 표현을 구현하기 위한 시스템 및 방법{SYSTEMS AND METHODS FOR IMPLEMENTING OCCLUSION REPRESENTATIONS OVER ROAD FEATURES}
본 설명은 도로 특징부에 대한 폐색 표현(occlusion representation)을 구현하기 위한 시스템 및 방법에 관한 것이다.
운전 결정을 할 때, 전형적인 자율 주행 차량(autonomous vehicle; AV) 시스템은, AV 상의 센서 시스템이 대상체를 관측하기 때문에 또는 대상체가 맵 또는 다른 데이터 소스에 의해 식별되기 때문에, AV의 환경에 있는 것으로 AV 시스템이 알고 있는 대상체 - 예컨대, 다른 차량 및 장애물 - 를 고려한다. 운전 결정을 하기 위해, AV 시스템은 AV의 환경에 있는 것으로 알려진 대상체를 포함하는 모델을 유지할 수 있다. 좋은 운전 결정에 대한 도전 과제는 또한 AV가 관측할 수 없거나 인지할 수 없고 이용 가능한 데이터에 기초하여 존재하는 것으로 달리 알아채지 못하거나 알지 못하는 차량 및 장애물로 인해 발생한다.
도 1은 자율 주행 능력(autonomous capability)을 갖는 자율 주행 차량(AV)의 예를 도시한다.
도 2는 예시적인 "클라우드" 컴퓨팅 환경을 도시한다.
도 3는 컴퓨터 시스템을 도시한다.
도 4는 AV에 대한 예시적인 아키텍처를 도시한다.
도 5는 인지 모듈에 의해 사용될 수 있는 입력 및 출력의 예를 도시한다.
도 6은 LiDAR 시스템의 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 도로 특징부에 대한 폐색 표현을 구현하기 위한 아키텍처(1300)의 블록 다이어그램을 예시한다.
도 14a 내지 도 14c는 도로 특징부에 대한 폐색 표현을 구현하기 위한 구역 정보를 생성하는 예를 예시한다.
도 15는 도로 특징부에 대한 폐색 표현을 구현하기 위한 프로세스를 예시한다.
설명을 위한 이하의 기술에서는, 본 발명에 대한 완전한 이해를 제공하기 위해 다수의 특정 세부 사항이 기재된다. 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 도시되어 있지 않다. 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. 도로 특징부에 대한 폐색 표현을 구현하기 위한 아키텍처
8. 도로 특징부에 대한 폐색 표현을 구현하기 위한 프로세스
일반적 개관
차량(예를 들면, 자율 주행 차량)은 안전한 의사 결정을 위해 중요한 도로 특징부(예를 들면, 정지 표지판 구역, 교차로, 주행/인접 차선, 또는 횡단보도)에 대한 폐색 및 가시성 불확도(visibility uncertainty)를 해결하도록 구성될 수 있다. 특히, 차량의 인지 모듈은 빠르고 안전한 루트 계획을 위해 관심 구역(예를 들면, 들어오는 교차 교통 차선 구역과 같은 우선 구역(precedence area) 또는 차량 근방의 정지 표지판 구역과 같은 정지 구역(stop area))에서의 계산 효율적인 폐색 정보를 차량의 계획 모듈에 제공할 수 있다. 예를 들어, 조밀 폐색 맵(dense occlusion map)으로부터의 전체 폐색 데이터(예를 들면, 2D 또는 3D 데이터)를 제공하는 대신에, 인지 모듈은 관심 구역 내의 일련의 조악하게 파티셔닝된 세그먼트(coarsely partitioned segment)에 각자의 폐색 레벨을 할당하는 것에 의해 폐색 정보의 효율적인 표현(예를 들면, 교통 흐름 방향을 따라 들어오는 차선을 세그먼트화하는 것)을 제공할 수 있다. 더욱이, 인지 모듈은 루트 계획에 대한 계획 모듈의 가시성을 더욱 증가시키기 위해 시간 필터링에 의해 폐색 정보를 업데이트할 수 있다. 인지 모듈은 또한, 예를 들면, 계획 모듈로부터의 현재 루트에 기초하여 현재 관심 구역 내에서 선택적으로 차량에 대한 폐색 정보를 주기적으로 업데이트할 수 있다.
이러한 기술의 장점들 중 일부는 다음과 같다. 첫째, 이 기술은 알려진 특징부만을 제공하고 알려지지 않은 특징부를 제외시킬 수 있으며(예를 들면, 자동차 대 자전거 타는 사람의 유형 분류, 또는 폐색된 대상체의 풋프린트 크기를 보고하지 않음), 이는 명확성을 추가하고 다운스트림 의사 결정에서의 위조된 속성(faked attribute)의 악용으로부터 보호할 수 있다. 둘째, 이 기술은 조악한 1D 폐색 정보를 처리하기만 하면 되는데, 이는 전체 폐색 매핑 데이터(2D 또는 3D)를 사용하는 것에 비해 더 메모리 효율적이고 상이한 모듈들 간의 더 낮은 대역폭 및 더 높은 전송 속도를 결과한다. 셋째, 이 기술은 AV의 계획된 루트 및 선행 맵 정보를 활용하여 가장 중요한 위치에 초점을 맞출 수 있으며, 이는 인지 모듈을 더 계산 효율적으로 만든다. 넷째, 이 기술은 정적 AV가 정적 대상체에 의해 폐색될 때에도 유용한 정보를 제공하기 위해, 예를 들면, 이전에 관측된 인접한 도로 섹션으로부터, 시간 필터링을 적용할 수 있다. 다섯째, 이 기술은 또한 차선 변경에 대비하여 인접 차선의 폐색을 평가할 수 있다. 여섯째, 이 기술은 추가로 안전한 의사 결정을 위해 폐색된 격자 셀에 추정된 점유 가능성 및 예상된 속도 범위를 추가할 수 있다. 마지막으로, 이 기술은 차선 세그먼트 분해(lane segment breakdown)를 사용하여 플래너(planner)에 관련성 있는 차선/차선 커넥터(lane connector)에 대한 폐색을 보고할 수 있을 뿐만 아니라, 예를 들면, 언덕, 굴곡이 많은 도로 또는 악천후로 감소된 가시 거리(visibility range)를 처리하기 위해, 차선 유지를 위해 전방 차선에도 적용될 수 있다.
시스템 개관
도 1은 자율 주행 능력을 갖는 AV(100)의 예를 도시한다.
본원에서 사용되는 바와 같이, "자율 주행 능력"이라는 용어는, 완전한 AV, 고도의 AV, 및 조건부 AV를 제한 없이 포함하는, 실시간 인간 개입 없이 차량이 부분적으로 또는 완전하게 동작될 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 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(들)"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 일 부분이다. 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 특징부, 예를 들면, 시골 지역에서의 주요 도로를 따라 있는 바위 및 나무 또는, 예를 들면, 미개발 지역에서의 피할 자연 장애물에 기초하여 규정될 수 있다. 차선은 또한 차선 마킹 또는 물리적 특징부와 무관하게 해석될 수 있다. 예를 들어, 차선은 차선 경계로서 해석될 특징부가 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 통신할 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, 둘 이상의 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.
다양한 현실 세계의 실시예에서, 시스템이 데이터를 업데이트하거나 데이터의 수정의 결과로서 디스플레이하는 데 유한한 양의 프로세싱 시간이 걸릴 수 있으며, 따라서 본원에서 사용되는 바와 같이 "실시간(real-time)" 또는 "실시간(real time)”이라는 개념은 전자 시스템의 프로세서의 능력으로 인해 그 유한한 지연(lag)이 발생할 수 있다는 가정 하에 2개의 이벤트가 서로 가깝게 발생하는 시간 프레임을 나타내는 데 사용된다는 점이 이해될 것이다. 일부 실시예에서, 지연은 대략 1초 이하 정도일 수 있고, 예를 들어, 1초, 0.5초, 또는 수 밀리초 내지 수십 밀리초 정도일 수 있다. 그렇지만, 이러한 타임라인이 예로서 의도된 것이고, 다른 실시예에서, 지연이 설명된 것보다 더 크거나 더 작을 수 있음이 이해될 것이다.
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 2와 관련하여 아래에서 기술되는 클라우드 컴퓨팅 환경(200)과 유사한 클라우드 컴퓨팅 환경 상에 구현된다.
일반적으로, 본원은 완전한 AV, 고도의 AV, 및 조건부 AV, 예컨대, 제각기 소위 레벨 5, 레벨 4 및 레벨 3 차량을 포함하는 하나 이상의 자율 주행 능력을 갖는 임의의 차량에 적용 가능한 기술을 개시한다(차량의 자율성의 레벨 분류에 대한 세부 사항은 참조에 의해 그 전체가 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 AV 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 AV로부터 인간 운전 차량에 이르는, 임의의 레벨에 있는 차량에 혜택을 줄 수 있다.
AV는 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 사망자수는, 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 특징부(예를 들면, 안전 벨트, 에어백)는 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 책임있는 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. 차량이 액션(예를 들면, 운전 기동)을 수행하게 하는 실행가능 명령어(또는 명령어 세트)를 의미하기 위해 용어 "동작 커맨드"를 사용한다. 동작 커맨드는, 제한 없이, 차량이 전진을 시작하고, 전진을 중지하며, 후진을 시작하고, 후진을 중지하며, 가속하고, 감속하며, 좌회전을 수행하고, 우회전을 수행하기 위한 명령어를 포함할 수 있다. 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, 차량(100)의 선단의 배향)와 같은 차량(100)의 상태 또는 조건의 특성을 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 특성을 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 차량(100)에 송신된다.
일 실시예에서, AV 시스템(120)은 다른 차량의 상태 및 조건의 측정된 또는 추론된 특성, 예컨대, 위치, 선속도와 각속도, 선가속도와 각가속도, 및 선형 헤딩(linear heading)과 각도 헤딩(angular heading)을 차량(100)에 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, AV와의 통신 및 AV들 간의 통신을 위한 하나 이상의 통신 표준에 따른다.
일 실시예에서, 통신 디바이스(140)는 통신 인터페이스를 포함한다. 예를 들어, 유선, 무선, WiMAX, Wi-Fi, 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 디바이스(140)는 센서(121)로부터 수집된 데이터 또는 차량(100)의 동작에 관련된 다른 데이터를 원격에 위치된 데이터베이스(134)에 송신한다. 일 실시예에서, 통신 디바이스(140)는 원격 운영(teleoperation)에 관련되는 정보를 차량(100)에 송신한다. 일부 실시예에서, 차량(100)은 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 차량(100) 상의 메모리(144)에 저장되거나, 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 차량(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 특성(예를 들면, 속력 프로파일 및 가속도 프로파일)에 관한 과거 정보를 저장 및 송신한다. 일 구현예에서, 그러한 데이터는 차량(100) 상의 메모리(144)에 저장될 수 있거나, 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 차량(100)에 송신될 수 있다.
차량(100) 상에 위치된 컴퓨팅 프로세서(146)는 실시간 센서 데이터 및 사전 정보(prior information) 둘 모두에 기초한 제어 액션을 알고리즘적으로 생성하여, AV 시스템(120)이 자율 주행 능력을 실행할 수 있게 한다.
일 실시예에서, AV 시스템(120)은 차량(100)의 사용자(예를 들면, 탑승자 또는 원격 사용자)에게 정보 및 경고를 제공하고 사용자로부터 입력을 수신하기 위해 컴퓨터 프로세서(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.
일 실시예에서, AV 시스템(120)은, 예를 들어, 승객에 의해 지정되거나 승객과 연관된 프로파일에 저장된, 승객의 프라이버시 레벨을 수신하고 시행한다. 승객의 프라이버시 레벨은 승객과 연관된 특정 정보(예를 들면, 승객 편의 데이터, 생체 측정 데이터 등)가 사용되도록, 승객 프로파일에 저장되도록, 그리고/또는 클라우드 서버(136)에 저장되어 승객 프로파일과 연관되도록 할 수 있는 방법을 결정한다. 일 실시예에서, 프라이버시 레벨은 일단 라이드(ride)가 완료되면 삭제되는 승객과 연관된 특정 정보를 지정한다. 일 실시예에서, 프라이버시 레벨은 승객과 연관된 특정 정보를 지정하고 정보에 액세스하도록 인가된 하나 이상의 엔티티를 식별해준다. 정보에 액세스하도록 인가되어 있는 지정된 엔티티의 예는 다른 AV, 서드파티 AV 시스템, 또는 정보에 잠재적으로 액세스할 수 있는 임의의 엔티티를 포함할 수 있다.
승객의 프라이버시 레벨은 하나 이상의 입도 레벨로 지정될 수 있다. 일 실시예에서, 프라이버시 레벨은 저장 또는 공유될 특정 정보를 식별해준다. 일 실시예에서, 승객이 자신의 개인 정보가 저장 또는 공유되지 않게 지정할 수 있도록 승객과 연관된 모든 정보에 프라이버시 레벨이 적용된다. 특정 정보에 액세스하도록 허용된 엔티티의 지정은 다양한 입도 레벨로 지정될 수 있다. 특정 정보에 액세스하도록 허용되는 다양한 엔티티 세트는, 예를 들어, 다른 AV, 클라우드 서버(136), 특정 서드파티 AV 시스템 등을 포함할 수 있다.
일 실시예에서, AV 시스템(120) 또는 클라우드 서버(136)는 승객과 연관된 특정 정보가 AV(100) 또는 다른 엔티티에 의해 액세스될 수 있는지를 결정한다. 예를 들어, 특정 시공간적 위치에 관련된 승객 입력에 액세스하려고 시도하는 서드파티 AV 시스템은 승객과 연관된 정보에 액세스하기 위해, 예를 들어, AV 시스템(120) 또는 클라우드 서버(136)로부터 인가를 획득해야 한다. 예를 들어, AV 시스템(120)은 시공간적 위치에 관련된 승객 입력이 서드파티 AV 시스템, AV(100), 또는 다른 AV에 제공될 수 있는지 여부를 결정하기 위해 승객의 지정된 프라이버시 레벨을 사용한다. 이것은 승객의 프라이버시 레벨이 어느 다른 엔티티가 승객의 액션에 관한 데이터 또는 승객과 연관된 다른 데이터를 수신하도록 허용되는지를 지정할 수 있게 한다.
도 2는 예시적인 "클라우드" 컴퓨팅 환경을 도시한다. 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, AV(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 도시한다. 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 프로세서(304)를 포함한다. 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 저장하는 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 검색 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 양방향 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(200)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(들), 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 AV(예를 들면, 도 1에 도시된 차량(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 차량(100)의 동작에서 소정의 역할을 한다. 다함께, 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) 차량(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.
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 특성의 고정밀 맵, 도로망 연결 특성을 기술하는 맵, 도로 물리적 특성(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, 고정밀 맵은 자동 또는 수동 주석 달기(annotation)를 통해 저정밀 맵에 데이터를 추가함으로써 구성된다.
제어 모듈(406)은 궤적(414)을 나타내는 데이터 및 AV 위치(418)를 나타내는 데이터를 수신하고, 차량(100)으로 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 차량(100)으로 하여금 좌회전하게 하고 스로틀링 및 제동이 차량(100)으로 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 함)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 시스템은 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. 일부 실시예에서, 카메라 시스템은 멀리 있는, 예를 들면, AV 전방으로 최대 1 킬로미터 이상에 있는 대상체를 "보도록" 구성된다. 따라서, 일부 실시예에서, 카메라 시스템은 멀리 떨어져 있는 대상체를 인지하도록 최적화되어 있는 센서 및 렌즈와 같은 특징부를 갖는다.
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, 차량(100)이 이러한 대상체에 의해 제공되는 모든 관련 운행 정보에 액세스한다는 점에서, 카메라를 포함하는 시스템과 상이하다. 예를 들어, TLD 시스템의 시야각은 약 120도 이상이다.
일부 실시예에서, 출력(504a 내지 504d)은 센서 융합 기술을 사용하여 결합된다. 따라서, 개별 출력(504a 내지 504d) 중 어느 하나가 차량(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 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, 차량(100)은 이미지(702) 형태의 카메라 시스템 출력(504c) 및 LiDAR 데이터 포인트(704) 형태의 LiDAR 시스템 출력(504a) 둘 모두를 수신한다. 사용 중에, 차량(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, 차량(100)은 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, 차량(100)은 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. 차량(100)이 지면(802) 위를 주행함에 따라, LiDAR 시스템(602)은 도로를 방해하는 것이 아무 것도 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, 차량(100)은 대상체(808)가 존재한다고 결정할 수 있다.
자율 주행 차량 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 들면, 차량(100)이 4륜 구동(4WD) 또는 상시 4륜구동(AWD) 자동차, SUV, 픽업 트럭 등과 같은 오프-로드 주행 가능 차량(off-road capable vehicle)인 경우, 루트(902)는 비포장 경로 또는 탁트인 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 여부, 차선 중 하나 이상이 다른 차량을 갖는지 여부, 또는 수 분 이하 동안에 걸쳐 변화되는 다른 인자에 기초하여, 차량(100)이 다수의 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 차량(100)을 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. 차량(100)이 조우하는 임의의 주어진 상황에서, 규칙들 중 적어도 일부는 해당 상황에 적용될 것이다. 규칙이 차량(100)에 이용 가능한 정보, 예를 들면, 주변 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 분리시키는 거리는 상대적으로 클 수 있거나(예를 들면, 2개의 상이한 대도시 지역 내) 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 차량(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, 차량(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 차량(100)의 시야 내의 물리적 대상체, 예를 들면, 차량(100)과 물리적 공간을 공유할 수 없는 다른 자동차, 보행자, 또는 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, 차량(100)이, 예를 들면, 다른 노드(1006b)에 도착하기 전에 중간 노드로 주행할 필요 없이, 하나의 노드(1006a)와 다른 노드(1006b) 사이를 주행하는 것이 가능하다. (노드들 사이를 주행하는 차량(100)을 언급할 때, 차량(100)이 각자의 노드에 의해 표현되는 2개의 물리적 위치 사이를 주행한다는 것을 의미한다.) 에지(1010a 내지 1010c)는, 차량(100)이 제1 노드로부터 제2 노드로, 또는 제2 노드로부터 제1 노드로 주행한다는 의미에서, 종종 양방향성이다. 일 실시예에서, 에지(1010a 내지 1010c)는, 차량(100)이 제1 노드로부터 제2 노드로 주행할 수 있지만, 차량(100)이 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 차량(100)이 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(308), 및 저장 디바이스(310)를 포함하는 제어기(1102), 및 메모리 내에 저장된 명령어에 따라 동작하는데, 상기 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, 차량(100)의 스로틀(예를 들면, 가속 제어)에 관여하는 정도를 나타낸다. 일부 예에서, 스로틀 입력(1106)은 차량(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, 차량(100)이 언덕과 같은 방해물(1110)과 조우하면, 차량(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 포함함), 측정된 가속도(1120), 및 차량(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, 차량(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, 차량(100)이 동작을 시작할 때 헤딩을 선택하기 위해 그리고 차량(100)이 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 차량(100)이 있는지를 제어기(1102)가 결정할 수 있도록, 차량(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.
도로 특징부에 대한 폐색 표현을 구현하기 위한 아키텍처
도 13은 하나 이상의 실시예에 따른, 차량의 동작 동안 도로 특징부에 대한 폐색 표현을 구현하기 위한 아키텍처(1300)의 블록 다이어그램을 예시한다. 일 실시예에서, 아키텍처(1300)는 차량의 차량 시스템에서 구현된다. 일부 예에서, 차량은 도 1에 도시된 AV(100)의 실시예이다. 일부 예에서, 차량 시스템은 도 1에 도시된 AV 시스템(120)의 실시예이다. 아키텍처(1300)는, 차량 시스템이 안전한 의사 결정을 위해 환경에서의 폐색 및 불확도에 대해 추론하도록, 차량에 대한 환경(예를 들면, 도 1에 도시된 환경(190))에서의 주변 폐색 정보를 표현하는 효율적인 방법을 제공한다. 예를 들어, 아래에서 더욱 상세히 예시되는 바와 같이, 아키텍처(1300)는 우선 구역에 캡슐화되어 있는 교차로에서의 들어오는 교차 교통 차선/차선 커넥터의 조악한 1D 가시성 격자 분해(visibility grid breakdown)와 비슷한 경량의 계산 효율적인 폐색 인터페이스 및/또는 다방향 정지 교차로 우선순위 결정을 위한 정지 구역에서의 가시성의 독립적인 보고를 제공한다.
도 13을 참조하면, 아키텍처(1300)는 인지 모듈(1310)(예를 들면, 도 4에 도시된 인지 모듈(402)) 및 계획 모듈(1320)(예를 들면, 도 4에 도시된 계획 모듈(404))을 포함한다. 인지 모듈(1310)은 사전 매핑 데이터(1308)로부터 차량에 대한 적어도 하나의 관심 구역의 구역 정보를 획득하고, 폐색 맵(1304)으로부터 적어도 하나의 관심 구역과 연관된 폐색 데이터(1306)를 식별한다. 이어서 인지 모듈(1310)은 구역 정보 및 폐색 데이터(1306)에 기초하여 적어도 하나의 관심 구역과 연관된 폐색 정보(1315)를 결정한다. 폐색 정보(1315)는 폐색 데이터(1306)보다 더 작은 데이터 크기를 갖는다. 인지 모듈(1310)은 폐색 정보(1315)를 계획 모듈(1320)에 제공한다. 계획 모듈(1320)은 폐색 정보(1315) 및, 예를 들면, 도 4의 로컬화 모듈(408) 및 데이터베이스 모듈(410)로부터의 다른 데이터에 기초하여 차량에 대한 루트(1325)를 계획한다. 차량은, 제어 모듈, 예를 들면, 도 4에 도시된 제어 모듈(406)에 의해, 계획된 루트(1325)에 따라 동작된다. 계획 모듈(1320)은 계획된 루트(1325)를 다시 인지 모듈(1310)에 제공하고, 인지 모듈(1310)은 차량에 대한 관심 구역을 업데이트한다.
아키텍처(1300)는 차량 환경의 특성을 감지하거나 측정하기 위한 센서 시스템(1302)(예를 들면, 도 1 또는 도 4에 도시된 센서(121))을 포함한다. 일 실시예에서, 센서 시스템(1302)은 LiDAR 시스템(1302a)(예를 들면, 도 5에 도시된 LiDAR 시스템(502a)), RADAR 시스템(1302b)(예를 들면, 도 5에 도시된 RADAR 시스템(502b)), 및 카메라 시스템(1302c)(예를 들면, 도 5에 도시된 카메라 시스템(502c))을 포함한다. 센서 시스템(1302)(예를 들면, 센서 시스템(1302)의 적어도 하나의 센서)은 인근의 물리적 대상체, 예를 들면, 센서 시스템(1302)의 적어도 하나의 센서에 의해 생성된 데이터와 연관된(예를 들면, 이에 의해 표현되는) 대상체를 식별한다. 일부 예에서, 대상체는, 예를 들면, 카메라 시스템(1302c) 또는 LiDAR 시스템(1302a)에 의해 인지되는, 가시 거리(sight range) 내에 있는 보이는 대상체를 포함한다. 일부 예에서, 대상체는, 예를 들면, RADAR 시스템(1302b)에 의해 인지되는, 가시 거리를 벗어나 있는 보이지 않는 대상체를 포함한다. 일부 예에서, 대상체는 보행자, 자전거, 자동차, 교통 표지판과 같은 유형, 예를 들면, 도 4에 도시된 분류된 대상체(416)로 분류된다. 센서 시스템(1302)의 출력(예를 들면, 도 5에 도시된 출력(504a, 504b, 504c))은 차량에 의해 센서 융합 기술을 사용하여 차량의 환경에 대한 폐색 맵(1304)으로 결합된다. 일부 예에서, 폐색 맵(1304)은, 장면 묘사와 함께, 2D 또는 3D 포인트, 라인, 또는 형상으로 표현된다.
일 실시예에서, 차량 시스템은 도로망 정보를 포함하는 데이터베이스에 액세스하는 것, 센서 시스템(1302)으로부터의 출력을 사용하는 것, 또는 둘 모두에 의해 폐색 맵(1304)을 유지한다. 폐색 맵(1304)은 차량의 센서 시스템(1302)에 의해 인지되거나 다른 방식으로 알려져 있는 기지의(보이는 또는 보이지 않는) 대상체를 포함한다.
일 실시예에서, 폐색 맵(1304)은 센서 시스템(1302)에 의해 인지될 수 없는 가상의(또는 미지의) 대상체를 포함한다. 일부 예에서, 차량 시스템은, 다양한 인자 및 접근법에 기초하여, 인지되지 않는 환경에 가능한 미지의 대상체의 존재 또는 속성를 가정하는 것에 의해 가상의 대상체를 생성한다. 가상의 대상체는 움직이는 대상체, 또는 차량이 제외된 주행 경로를 사용하는 대상체, 또는 둘 모두를 포함한다. 예를 들어, 가상의 대상체는 제2 차량, 자전거, 버스, 기차, 보행자, 및 동물 중 적어도 하나를 포함한다.
일 예에서, 폐색 맵(1304)은 적어도 하나의 폐색된 대상체를 포함한다. 일 실시예에서, 폐색 맵(1304)에서의 폐색된 대상체는 센서 시스템(1302)에 의해 인지되는 보이지 않지만 알려진 대상체이다. 일 실시예에서, 폐색된 대상체는 가상의 대상체이다. 차량 시스템은 폐색된 대상체의 폐색 데이터를 폐색 맵(1304)에 저장한다. 일부 예에서, 폐색 데이터는 폐색된 대상체에 대한 대표 요소(representative element) 및 폐색된 대상체의 속성를 포함한다. 대표 요소는 폐색된 대상체의 유형에 기초하여 결정된다. 속성는 크기 또는 모션 상태(motion state) 또는 둘 모두를 포함한다. 모션 상태는 정지 조건(stationary condition), 또는 이동 조건(moving condition), 또는 속력, 또는 이동 방향(moving direction), 또는 이들 중 둘 이상의 조합이다. 예를 들어, 폐색된 대상체인 차량은, 차량이 시동되지 않고 도로에 주차되어 있을 때, 정지 조건에 있고, 차량은 차량이 시동되어 도로에서 이동 방향을 따라 일정 속력으로 이동하고 있을 때 이동 조건에 있다. 속력은 미리 결정된 최대 값 이하로 설정된다. 미리 결정된 최대 값은 속력 제한을 포함한다. 일부 경우에, 미리 결정된 최대 값은 환경에서 동시발생적으로 또는 이전에 관측된 다른 대상체로부터 도출된 수량을 포함한다. 미리 결정된 최대 값은 과거 데이터, 도로 구성, 교통 규칙, 이벤트, 시간, 기상 조건, 또는 이들 중 둘 이상의 조합으로부터 도출된 수량이다.
인지 모듈(1310)은, 예를 들면, 매핑 데이터베이스 내의 사전 매핑 데이터(1308)로부터, 차량에 대한 적어도 하나의 관심 구역의 구역 정보를 획득하기 위한 맵 정보 추출기(1312)를 포함한다. 일 실시예에서, 매핑 데이터베이스는 도 4에 도시된 데이터베이스 모듈(410)에 구현된다. 사전 매핑 데이터(1308)는 도로망 정보, 예를 들면, 도로 기하학적 특성의 고정밀 맵, 도로망 연결 특성을 기술하는 맵, 도로 물리적 특성(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, 고정밀 맵은 자동 또는 수동 주석 달기를 통해 저정밀 맵에 데이터를 추가함으로써 구성된다.
일 실시예에서, 인지 모듈(1310)은 차량에 대한 적어도 하나의 관심 구역을 차량에 대한 현재 루트 상의 정지선(또는 정지 표지판)과 연관된 적어도 하나의 정지 구역인 것으로 결정한다. 일부 예에서, 예를 들면, 다방향 정지 교차로에 정지 구역이 있을 때, 정지 구역은 폐색된다. 정지 구역은 매핑 데이터(1308)에서 형상, 예를 들어, 직사각형에 의해 표현된다. 일부 예에서, 정지 구역의 길이는 2 내지 3 미터이다. 맵 정보 추출기(1312)는 매핑 데이터(1308)로부터 정지 구역의 구역 정보를 추출한다. 일부 예에서, 정지 구역의 구역 정보는 매핑 데이터(1308)에서의 정지 구역의 식별자(ID)를 포함한다. 일 실시예에서, 관심 구역은 적어도 하나의 횡단보도, 가파른 언덕 바로 뒤에 있는 차량의 차선 구역, 또는 차량의 주행 차선에 인접한 차선 구역을 포함한다.
일 실시예에서, 인지 모듈(1310)은 차량에 대한 적어도 하나의 관심 구역을 차량에 대한 현재 루트를 따라 있는 교차로와 연관된 적어도 하나의 우선 구역(예를 들면, 들어오는 차선 구역의 캡슐화부(encapsulation))인 것으로 결정한다. 예를 들어, 대응하는 차선의 방향을 따라 있는 우선 구역 또는 우선 구역의 연장부가 차량의 현재 루트를 따라 있는 차선 또는 교차로에서의 차량에 대한 임의의 잠재적인 루트와 중첩한다. 일부 예에서, 우선 구역은 폐색되거나 또는 차량이 교차로를 통한 비보호 회전을 실행하려고 시도할 때 차량보다 우선순위를 가질 보이지 않는 에이전트를 포함한다. 일부 예에서, 우선 구역은 매핑 데이터(1308)에서 형상, 예를 들어, 직사각형에 의해 표현된다. 일부 예에서, 우선 구역의 길이는 도로 규칙 준수를 위한 이격거리 요건에 의존하는 미리 결정된 거리, 예를 들면, 10 미터, 20 미터, 30 미터, 40 미터, 50 미터, 또는 60 미터 초과이다. 맵 정보 추출기(1312)는 매핑 데이터(1308)로부터 우선 구역의 구역 정보를 추출한다. 일부 예에서, 우선 구역의 구역 정보는 매핑 데이터(1308)에서의 우선 구역의 구역 식별자, 대응하는 차선의 식별자, 또는 교차로의 식별자 중 적어도 하나를 포함한다.
일 실시예에서, 도 14b에 더욱 상세하게 예시된 바와 같이, 우선 구역은 우선 구역 내에서 대응하는 차선의 적어도 하나의 차선 방향을 따라 있는 순차적으로 이산화된 기준 경로 포인트에 의해 표현된다. 일부 예에서, 이산화된 기준 경로 포인트는 차선 방향을 따라 미리 정해진 거리를 두고 균등하게 분리된다. 일 실시예에서, 도 14c에 더욱 상세하게 예시된 바와 같이, 우선 구역은 적어도 하나의 차선 방향을 따라(예를 들면, 차선 방향을 따라 우선 구역의 전방으로부터 우선 구역의 후방으로) 순차적으로 정렬된 복수의 차선 세그먼트에 의해 표현된다. 각각의 차선 세그먼트는 적어도 하나의 이산화된 기준 경로 포인트를 포함한다. 각각의 차선 세그먼트는 각자의 식별자를 갖는다. 각각의 차선 세그먼트는 형상, 예를 들면, 다각형에 의해 표현된다. 일 실시예에서, 우선 구역은 동일한 차선 방향을 따라 있는 다수의 차선에 대응한다. 다수의 차선 각각은 각자의 식별자를 각각 갖는 각자의 복수의 차선 세그먼트로 파티셔닝된다. 일 실시예에서, 우선 구역 내의 각각의 차선 또는 각각의 차선 커넥터 또는 둘 모두를 저장하기 위해 그래프 구조 또는 트리 구조가 사용된다.
일 실시예에서, 우선 구역의 구역 정보는 이산화된 기준 경로 포인트, 또는 파티셔닝된 세그먼트, 또는 둘 모두를 포함한다. 구역 정보는 이산화된 기준 경로 포인트 및 파티셔닝된 차선 세그먼트에 대한 정보, 예를 들면, 각각의 차선 세그먼트의 길이 또는 인접한 기준 경로 포인트들 사이의 거리를 또한 포함한다. 일 실시예에서, 구역 정보는, 예를 들어, 우선 구역 내의 세그먼트화된 차선 또는 이산화된 기준 경로 포인트를 포함하는 이산화된 계층을 매핑 데이터베이스에 추가하는 것에 의해, 사전 매핑 데이터(1308)에 포함된다. 인지 모듈(1310)은 사전 매핑 데이터(1308)로부터 직접적으로 구역 정보를 획득한다. 일 실시예에서, 인지 모듈(1310)은, 예를 들면, 폐색 표현을 구현하는 프로세스의 시작에서, 사전 매핑 데이터(1308)로부터의 우선 구역의 매핑 데이터에 기초하여 우선 구역의 구역 정보를 생성한다.
일 실시예에서, 인지 모듈(1310)은 우선 구역 내의 모든 차선 포인트를 분석하기 위해 브루트 포스 알고리즘(brute force algorithm)에 의해 우선 구역의 구역 정보를 생성한다. 일 실시예에서, 도 14a 내지 도 14c에 더욱 상세하게 예시된 바와 같이, 인지 모듈(1310)은 먼저 차선 방향을 따라 차량의 현재 루트와 우선 구역 간의 교차 지점 또는 우선 구역의 연장부를 결정하고 교차 지점으로부터, 우선 구역 내에서 차선 방향과 반대 방향을 따라 일련의 이산화된 기준 경로 포인트 또는 파티셔닝된 차선 세그먼트 또는 둘 모두를 결정하는 것에 의해 우선 구역의 구역 정보를 생성한다.
맵 정보 추출기(1312)는 또한 계획 모듈(1320)로부터 차량의 계획된 루트(1325)를 수신한다. 인지 모듈(1310)은 계획된 루트(1325)에 기초하여 차량에 대한 적어도 하나의 관심 구역을 업데이트한다. 일 실시예에서, 인지 모듈(1310)은 차량으로부터 미리 결정된 거리 내의 복수의 관심 구역을 주기적으로 질의하고, 차량 근방의 복수의 관심 구역을 주기적으로 질의하는 것에 기초하여 복수의 관심 구역과 연관된 폐색 정보를 계획 모듈(1320)에 주기적으로 제공한다. 일 실시예에서, 인지 모듈(1310)은 복수의 관심 구역으로부터 제1 복수의 관심 구역을 필터링한다. 대응하는 차선 방향을 따라 제1 복수의 관심 구역 각각으로부터 연장되는 경로는 차량의 현재 루트와는 상이한 경로와 상호작용한다. 즉, 제1 복수의 관심 구역 각각은 현재 루트로부터 멀어지는 방향으로 있다. 인지 모듈(1310)은 제2 복수의 관심 구역과 연관된 폐색 정보를 계획 모듈(1320)에 게시한다. 제2 복수의 관심 구역은 제1 복수의 관심 구역과는 상이한, 복수의 관심 구역에 포함된 관심 구역이다.
인지 모듈(1310)은 폐색 정보를 생성하도록 구성된 폐색 정보 생성기(1314)를 포함한다. 차량에 대한 적어도 하나의 관심 구역(예를 들면, 적어도 하나의 우선 구역 또는 적어도 하나의 정지 구역 또는 둘 모두)을 결정한 후에, 인지 모듈(1310)(예를 들면, 폐색 정보 생성기(1314))은 폐색 맵(1304)으로부터 적어도 하나의 관심 구역과 연관된 폐색 데이터(1306)를 식별한다. 일 실시예에서, 인지 모듈(1310)은 먼저 폐색 맵(1304)에서 적어도 하나의 관심 구역을 식별하고 이어서 폐색 맵(1304)에서 적어도 하나의 관심 구역과 연관된 폐색 데이터(1306)를 결정한다. 폐색 데이터(1306)는 적어도 하나의 관심 구역 내의 적어도 하나의 폐색된 대상체(예를 들면, 보이지 않는 대상체)의 폐색 데이터를 포함한다. 적어도 하나의 폐색된 대상체의 폐색 데이터는 폐색된 대상체의 속성를 포함한다. 대표 요소는 폐색된 대상체의 유형과 연관되어 있다. 속성는 크기 또는 모션 상태 또는 둘 모두를 포함한다. 일 실시예에서, 속성는 속도 속성(예를 들면, 추정된 속력 범위) 및 방향 속성(예를 들면, 모션 방향)을 포함한다. 일 실시예에서, 인지 모듈(1310)은 폐색 맵(1304)에서 적어도 하나의 관심 구역과 연관된 대표 요소를 질의한다. 일부 예에서, 대표 요소는 질의된 구역(예를 들면, 적어도 하나의 관심 구역 내의 파티셔닝된 세그먼트)의 중심점 또는 다각형이다. 이어서, 인지 모듈(1310)은 폐색 맵(1304)으로부터 대표 요소와 연관된 폐색 데이터(1306)를 획득한다. 일부 예에서, 폐색 데이터(1306)는 2D 또는 3D 데이터에 의해 표현된다.
인지 모듈(1310)(예를 들면, 폐색 정보 생성기(1314))은 적어도 하나의 관심 구역과 연관된 구역 정보 및 적어도 하나의 관심 구역과 연관된 폐색 데이터(1306)에 기초하여 적어도 하나의 관심 구역과 연관된 폐색 정보(1315)를 결정한다. 일 실시예에서, 인지 모듈(1310)은 차선 세그먼트 각각에 대한 각자의 폐색(또는 비폐색(non-occlusion)) 레벨을 결정하는 것에 의해 적어도 하나의 관심 구역 내의 파티셔닝된 차선 세그먼트(예를 들면, 다각형에 의해 표현됨)에 기초하여 폐색 정보(1315)를 결정한다. 폐색(또는 비폐색) 레벨은 폐색(또는 비폐색)의 신뢰 수준을 나타낸다. 일부 예에서, 폐색(또는 비폐색) 레벨은 0 내지 1의 값이며, 여기서 1은 100%의 신뢰도를 나타낸다. 일 예에서, 폐색 레벨은 0 또는 1의 불 결정(boolean decision)을 나타낸다. 폐색 정보(1315)는 각자의 폐색 레벨(예를 들면, 0 내지 1의 값)을 갖는 일련의 형상(예를 들면, 포인트 또는 다각형)을 포함하는 1D 데이터에 의해 표현된다. 폐색 정보(1315)는 폐색 데이터(1306)보다 더 작은 데이터 크기를 갖는다.
일 실시예에서, 인지 모듈(1310)은 적어도 하나의 관심 구역 내의 각각의 폐색된 대상체에 대한 대응하는 폐색 레벨을 결정한다. 폐색된 대상체는 대표 요소(예를 들면, 다각형)에 의해 표현된다. 폐색 정보(1315)는 폐색된 대상체의 대표 요소 및 대응하는 폐색 레벨을 포함한다.
일 실시예에서, 인지 모듈(1310)은 폐색 맵(1304)에서 적어도 하나의 관심 구역과 연관된 점유 데이터를 식별한다. 점유 데이터는 폐색 데이터와 비폐색 데이터를 포함한다. 점유 데이터는 구역이 적어도 하나의 대상체, 예를 들면, 폐색된 대상체 또는 폐색되지 않은 대상체 또는 둘 모두에 의해 점유되는지 여부를 나타낸다. 인지 모듈(1310)은 적어도 하나의 관심 구역과 연관된 각각의 파티셔닝된 세그먼트(예를 들면, 차선 세그먼트)에 대한 각자의 점유(또는 비점유) 레벨을 결정한다. 점유(또는 비점유) 레벨은 점유(또는 비점유)의 신뢰 수준을 나타낸다. 일부 예에서, 점유(또는 비점유) 레벨은 0 내지 1의 값이며, 여기서 1은 100%의 신뢰도를 나타낸다. 인지 모듈(1310)은 루트를 계획하기 위해 적어도 하나의 관심 구역과 연관된 파티셔닝된 세그먼트에 대한 각자의 점유 레벨을 포함하는 점유 정보를 계획 모듈(1320)에 제공한다. 점유 정보는 각자의 점유 레벨(예를 들면, 0 내지 1의 값)을 갖는 일련의 형상(예를 들면, 포인트 또는 다각형)을 포함하는 1D 데이터에 의해 표현된다. 점유 정보는 점유 데이터보다 더 작은 데이터 크기를 갖는다.
차량의 동작 중에, 인지 모듈(1310)은 재귀적으로(미리 결정된 빈도로 주기적으로 또는 실시간으로) 차량으로부터 미리 결정된 거리 내에 있는 또는 루트(현재 루트 또는 잠재적인 루트)를 따라 있는 또는 둘 모두인 복수의 관심 구역을 질의하고, 폐색 맵(1304)으로부터 관심 구역과 연관된 폐색 데이터를 식별한다. 폐색 정보 생성기(1314)는 폐색 맵(1304)으로부터 폐색 데이터를 획득하고 맵 정보 추출기(1312)로부터 관심 구역의 구역 정보를 획득하며, 폐색 데이터 및 구역 정보에 기초하여 관심 구역에 대한 폐색 정보를 생성한다. 일 실시예에서, 폐색 정보 생성기(1314)는 폐색 맵(1304)으로부터 획득된, 차량의 적어도 하나의 관심 구역과 연관된 폐색 데이터를 업데이트하고, 업데이트된 폐색 데이터에 기초하여 적어도 하나의 관심 구역과 연관된 업데이트된 폐색 정보를 생성한다.
일 실시예에서, 인지 모듈(1310)(또는 폐색 정보 생성기(1314))은 관심 구역과 연관된 폐색 데이터에 기초하여 차량에 대한 관심 구역의 폐색 정보를 업데이트하기 위해 시간 필터링(또는 스무딩(smoothing)) 알고리즘을 적용한다. 관심 구역과 연관된 폐색 데이터(예를 들면, 폐색된 대상체)가 시간 경과(time course)에 걸쳐 재귀적으로 생성되기 때문에, 시간 필터링 또는 스무딩 알고리즘은 다양한 시간 단계에서 생성된 폐색 데이터의 시간적 관계를 사용하여 폐색 데이터가 지속적으로 변화하게 하고, 이는 센서 측정치에서의 잡음 또는 누락되거나 지연된 센서 측정치로 인한 폐색 데이터의 플리커링(flickering)을 포함한 문제를 완화시킨다. 예를 들어, 폐색 정보 생성기(1314)는 관심 구역 내의 적어도 하나의 폐색된 대상체의 속도 속성(예를 들면, 추정된 속력 범위) 및 방향 속성(예를 들면, 모션 방향)에 기초하여 폐색 정보를 업데이트한다. 폐색 정보 생성기(1314)는 적어도 하나의 폐색된 대상체의 모션에 따라 관심 구역 내의 적어도 하나의 파티셔닝된 세그먼트의 적어도 하나의 대응하는 폐색 레벨을 업데이트한다. 모션은 적어도 하나의 폐색된 대상체의 방향 속성를 따라 가고 적어도 하나의 폐색된 대상체의 속도 속성에 기초한다. 일 실시예에서, 인지 모듈(1310)은 또한 관심 구역과 연관된 점유 데이터에 기초하여 차량에 대한 관심 구역의 점유 정보를 업데이트하기 위해 시간 필터링을 적용한다.
일 실시예에서, 인지 모듈(1310)은 차량의 적어도 하나의 관심 구역 및 대응하는 폐색 정보를 구조(예를 들면, 그래픽 구조, 계층적 구조, 또는 트리 구조)로 표현한다. 각각의 관심 구역은 각자의 식별자를 갖는다. 각각의 차선은 구조에서의 노드이고 그의 대응하는 연결성을 유지한다. 이산화(또는 파티션) 정보 및 폐색 정보는 각각의 노드에 또는 다른 맵에 저장된다. 구조로부터 적절한 정보를 얻기 위해 순회 액션이 필요하다.
인지 모듈(1310)은 적어도 하나의 관심 구역의 식별자 및 적어도 하나의 관심 구역과 연관된 대응하는 폐색 정보(1315)를 계획 모듈(1320)에 제공한다. 일 실시예에서, 인지 모듈(1310)은 적어도 하나의 관심 구역과 연관된 차선 세그먼트 및 각자의 폐색 레벨에 기초하여 그래픽 구조(또는 인터페이스)와 연관된 데이터를 제공한다. 그래픽 구조(또는 인터페이스)는 관심 구역의 식별자를 대응하는 폐색 정보와 연관시키는 맵이다. 계획 모듈(1320)은 그래픽 구조(또는 인터페이스)를 차량의 디스플레이 상에 디스플레이한다.
일 실시예에서, 그래픽 구조(또는 인터페이스)와 연관된 데이터는 아래와 같은 구조를 갖는다:
Struct OcclusionInfo
{
uint32 timestamp;
std::vector<PrecedenceAreaOcclusionInfo> PAOcclusionInfo; //우선 구역에 대한 폐색 정보.
std::vector<StopAreasOcclusionInfo> SAOcclusionInfo; //정지 구역에 대한 폐색 정보.
};
Struct StopAreasOcclusionInfo
{
ID areaID; // 정지 구역의 식별자(ID)
double confidenceLevel; // 비폐색의 신뢰 수준을 기술하는 0 내지 1의 값. 1은 신뢰도가 높음을 의미한다.
};
Struct PrecedenceAreaOcclusionInfo
{
ID areaID; // 우선 구역의 ID
std::unordered_map<ID, LaneOcclusionNode> PrecedenceAreaOcclusionInfo;
// laneID로부터 LaneOcclusionNode로의 매핑. laneID는 우선 구역과 연관된 차선/차선 커넥터를 나타낸다
};
Struct LaneOcclusionNode
{
double segDist; // 차선을 세그먼트화하는 데 사용되는 거리.
ID laneID; // 현재 차선의 ID;
vector<DiscretizedOcclusionInfo> occlusionInfo; // 차선 방향의 순서로 정렬된 세그먼트 각각에 대한 폐색 정보.
};
Struct DiscretizedOcclusionInfo
{
Point2D pt; // 질의된 차선 세그먼트의 중심.
Polygon poly; // 차선 세그먼트는 다각형에 의해 표현된다
double confidenceLevel; // 차선 세그먼트에 대한 비폐색의 신뢰 수준을 기술하는 0 내지 1의 값. 1은 신뢰도가 높음을 의미한다.
}.
도로 특징부에 대한 폐색 표현을 구현하기 위한 프로세스
도 14a 내지 도 14c는 도로 특징부에 대한 폐색 표현을 구현하기 위한 구역 정보를 생성하는 예를 예시한다. 생성은 오프라인으로, 예를 들면, 도 4의 데이터베이스 모듈(410)에서, 또는 온라인으로, 예를 들면, 도 13의 인지 모듈(1310)에서 수행된다.
도 14a는 차량(1410)(예를 들면, 도 1의 AV(100))이 도로(1402)에서 주행하는 환경(1400)을 예시한다. 도로(1402)는 다른 도로(1404)와 교차한다. 도로(1402)는 적어도 하나의 차선을 포함한다. 도로(1404)는 적어도 하나의 차선, 예를 들면, 차선(1406) 및 차선(1408)을 포함한다. 각각의 차선은 차선 방향을 갖는다. 차선(1406)은 차선 방향(1407)을 가지며 차선(1408)은 차선 방향(1407)과 반대인 차선 방향(1409)을 갖는다. 도로(1402)의 차선은 차선 커넥터(1403)에 의해 도로(1404)의 차선(1406)과 연결된다. 도로(1402, 1404), 차선(1406, 1408), 및 차선 커넥터(1403)의 정보는, 예를 들면, 도 4의 데이터베이스 모듈(410)에 구현되는, 도로망 데이터베이스에 저장된다. 일 실시예에서, 정보는 각각의 도로, 각각의 차선, 및 각각의 차선 커넥터에 대한 각자의 식별자를 포함한다.
차량(1410)은 루트를 따라 주행한다. 일 예에서, 루트는 차량(1410)이 도로(1402)로부터 도로(1404)의 차선(1406)으로 우회전하는 루트(1412)이다. 일 예에서, 루트는 차량(1410)이 도로(1402)와 도로(1404) 사이의 교차로를 통해 직진하여 주행하는 루트(1414)이다. 일 예에서, 루트는 차량(1410)이 도로(1402)로부터 도로(1404)의 차선(1408)으로 좌회전하는 루트(1416)이다.
차량(1410)이 루트를 따라 주행할 때, 차량(1410)의 인지 모듈, 예를 들면, 도 13의 인지 모듈(1310)은 루트, 잠재적인 루트, 또는 차량(1410)으로부터 미리 결정된 거리 중 적어도 하나에 기초하여 차량(1410)에 대한 적어도 하나의 관심 구역을 결정한다. 일부 예에서, 인지 모듈은 미리 결정된 시간 주기로 또는 미리 결정된 빈도로 주기적으로 적어도 하나의 관심 구역을 결정한다.
도 14a에 예시된 바와 같이, 차량(1410)에 대한 적어도 관심 구역은 정지 구역(1420) 및 우선 구역(1430, 1432)을 포함한다. 정지 구역(1420)은 루트에서 정지선 뒤에 있다. 정지 구역(1420)은 직사각형 형상에 의해 표현된다. 우선 구역(1430)은 차선(1406)에 있으며 직사각형 형상에 의해 표현된다. 우선 구역(1430)의 연장부는 루트(1412)와 교차한다. 우선 구역(1432)은 차선(1408)에 있으며 역시 직사각형 형상에 의해 표현된다. 우선 구역(1432)의 연장부는 루트(1414)와 교차한다. 일 실시예에서, 인지 모듈은 정지 구역(1420) 및 우선 구역(1430, 1432)의 특성(예를 들면, 위치, 크기, 또는 면적)을 결정한다. 일 실시예에서, 데이터베이스 모듈, 예를 들면, 도 4의 데이터베이스 모듈(410)은, 예를 들면, 데이터베이스 모듈에 구현된 도로망 데이터베이스에서의 도로망 정보에 기초하여, 정지 구역(1420) 및 우선 구역(1430, 1432)의 특성을 결정한다. 데이터베이스 모듈은 정지 구역(1420) 및 우선 구역(1430, 1432)의 특성을 도로망 데이터베이스에 저장한다. 도로망 데이터베이스는 또한 정지 구역(1420) 및 우선 구역(1430, 1432)에 대한 각자의 식별자를 저장한다. 인지 모듈은 적어도 하나의 관심 구역을 식별하고, 도로망 데이터베이스로부터 적어도 하나의 관심 구역의 정보를 획득한다.
도 14b는 루트(1412)를 따라 있는 차량(1410)에 대한 우선 구역(1430)이 이산화되어 있는 환경(1450)을 예시한다. 우선 구역(1430)에 대응하는 차선(1406)의 차선 방향(1407)을 따라 우선 구역(1430)을 연장하는 것에 의해 교차 지점(1452)이 먼저 결정된다. 이어서, 차선 방향(1407)과 반대인 이산화 방향(1454)을 따라 우선 구역(1430)의 제1 단부로부터 우선 구역(1430)의 제2 단부까지 일련의 이산화된 기준 경로 포인트(1460)가 결정된다. 일 예에서, 이산화된 기준 경로 포인트(1460)는 이산화 방향(1454)을 따라 미리 결정된 거리를 두고 균등하게 분포된다. 일 예에서, 이산화된 기준 경로 포인트는 이산화 방향(1454)을 따라 균등하게 분포되지 않으며, 차선 커넥터(1430)에 더 가까운 인접한 기준 경로 포인트는 우선 구역에서 차선 커넥터(1430)로부터 더 멀리 떨어져 있는 인접한 기준 경로 포인트보다 더 작은 거리를 갖는다.
도 14c는 루트(1412)를 따라 있는 차량(1410)에 대한 우선 구역(1430)이 일련의 파티셔닝된 세그먼트(1472)로 파티셔닝되는 환경(1470)을 예시한다. 파티셔닝된 세그먼트(1472)는 차선(1406)에서의 차선 세그먼트이다. 일 실시예에서, 각각의 파티셔닝된 세그먼트(1472)는 파티셔닝된 세그먼트(1472)의 중심점인 이산화된 기준 경로 포인트(1460)를 포함한다. 각각의 파티셔닝된 세그먼트(1472)는 다각형에 의해 표현된다. 우선 구역(1430)의 구역 정보는 이산화된 기준 경로 포인트(1460) 및 파티셔닝된 세그먼트(1472)를 포함한다. 일 실시예에서, 구역 정보는 이산화된 기준 경로 포인트(1460) 및 파티셔닝된 세그먼트(1472)에 대한 정보, 예를 들면, 각각의 파티셔닝된 세그먼트의 길이 또는 인접한 이산화된 기준 경로 포인트들(1460) 사이의 거리를 또한 포함한다.
도 15는 하나 이상의 실시예에 따른, 차량, 예를 들면, 도 1에 도시된 AV(100)의 동작 동안 도로 특징부에 대한 폐색 표현을 구현하기 위한 프로세스(1500)를 예시한다. 프로세스(1500)는 차량 시스템, 예를 들면, 도 1에 도시된 AV 시스템(120)에 의해 수행된다. 차량 시스템은 인지 모듈(예를 들면, 도 13에 도시된 인지 모듈(1310)), 계획 모듈(예를 들면, 도 13에 도시된 계획 모듈(1320)), 및 제어 모듈(예를 들면, 도 4에 도시된 제어 모듈(406))을 포함한다. 마찬가지로, 실시예는 상이한 및/또는 추가적인 단계를 포함할 수 있거나, 또는 단계들을 상이한 순서로 수행할 수 있다.
인지 모듈은 차량에 대한 적어도 하나의 관심 구역의 구역 정보를 획득한다(1502). 인지 모듈은 차량의 현재 루트(예를 들면, 도 14a에 도시된 루트(1412)), 차량의 잠재적인 루트(예를 들면, 도 14a에 도시된 루트(1414))에 기초하여, 또는 차량으로부터 미리 정해진 거리 내에서 적어도 하나의 관심 구역을 결정한다. 적어도 하나의 관심 구역은 적어도 하나의 정지 구역(예를 들면, 도 14a에 도시된 정지 구역(1420)), 또는 적어도 하나의 우선 구역(도 14a에 도시된 우선 구역(1430 또는 1432)), 또는 둘 모두를 포함한다.
구역 정보는 이산화된 기준 경로 포인트(예를 들면, 도 14b에 도시된 기준 경로 포인트(1460)) 또는 파티셔닝된 세그먼트(예를 들면, 도 14c의 파티셔닝된 차선 세그먼트(1472)), 또는 둘 모두를 포함한다. 일 실시예에서, 인지 모듈은 적어도 하나의 관심 구역에 대응하는 적어도 하나의 차선 방향을 따라 이산화된 기준 경로 포인트를 획득하는 것에 의해 적어도 하나의 관심 구역의 구역 정보를 획득한다. 일 실시예에서, 인지 모듈은 적어도 하나의 차선 방향을 따라 순차적으로 정렬된 복수의 차선 세그먼트를 획득하는 것에 의해 적어도 하나의 관심 구역의 구역 정보를 획득하고, 각각의 차선 세그먼트는 적어도 하나의 이산화된 기준 경로 포인트를 포함한다.
일 실시예에서, 인지 모듈은 매핑 데이터베이스, 예를 들면, 도 4에 도시된 데이터베이스 모듈(410)과 같은 데이터베이스 모듈에 구현된 도로망 데이터베이스로부터 적어도 하나의 관심 구역의 구역 정보를 획득한다. 구역 정보는 적어도 하나의 관심 구역에 대응하는 각각의 차선(예를 들면, 도 14a에 도시된 차선(1406)) 또는 차선 커넥터(예를 들면, 도 14a에 도시된 차선 커넥터(1403))의 식별자를 또한 포함한다.
일 실시예에서, 인지 모듈은 매핑 데이터베이스로부터의 매핑 데이터에 기초하여 적어도 하나의 관심 구역의 구역 정보를 생성하는 것에 의해 적어도 하나의 관심 구역의 구역 정보를 획득한다. 도 14b에 예시된 바와 같이, 인지 모듈은 차량의 현재 루트(예를 들면, 루트(1412))와 관심 구역(예를 들면, 우선 구역(1430)) 또는 차선 방향(예를 들면, 차선 방향(1407))을 따라 있는 적어도 하나의 관심 구역 중의 관심 구역의 연장부 사이의 교차 지점을 결정하고, 교차 지점으로부터, 관심 구역 내에서 차선 방향과 반대인 방향(예를 들면, 이산화 방향(1454))을 따라 일련의 이산화된 기준 경로 포인트를 결정한다. 도 14c에 예시된 바와 같이, 인지 모듈은 적어도 하나의 차선 방향을 따라 순차적으로 정렬된 복수의 차선 세그먼트(예를 들면, 차선 세그먼트(1472))를 결정하고, 각각의 차선 세그먼트는 적어도 하나의 이산화된 기준 경로 포인트를 포함한다.
인지 모듈은 폐색 맵, 예를 들면, 도 13에 도시된 폐색 맵(1304)에서 적어도 하나의 관심 구역과 연관된 폐색 데이터를 식별한다(1504). 일부 예에서, 폐색 맵은, 장면 묘사와 함께, 2D 또는 3D 포인트, 라인, 또는 형상으로 표현된다. AV 시스템은 도로망 정보를 포함하는 데이터베이스(예를 들면, 도로망 데이터베이스)에 액세스하는 것, 또는 센서 시스템(1302)(예를 들면, 도 13에 도시된 센서 시스템(1302))으로부터의 출력을 사용하는 것, 또는 둘 모두에 의해 폐색 맵을 유지한다. 일 예에서, 폐색 맵은 적어도 하나의 폐색된 대상체, 예를 들면, 가상의 대상체 또는 보이지 않지만 알려진 대상체를 포함한다. AV 시스템은 폐색된 대상체의 폐색 데이터를 폐색 맵에 저장한다. 일 실시예에서, 폐색 데이터는 폐색된 대상체에 대한 대표 요소 및 폐색된 대상체의 속성를 포함한다. 일부 예에서, 대표 요소는 폐색된 대상체의 유형에 기초하여 결정된다. 속성는 크기 또는 모션 상태 또는 둘 모두를 포함한다. 폐색 데이터는 2D 또는 3D 데이터를 포함한다.
일 실시예에서, 인지 모듈은 적어도 하나의 관심 구역 내의 대표 요소를 질의하는 것 및 대표 요소에 기초하여 폐색 데이터를 획득하는 것에 의해 적어도 하나의 관심 구역과 연관된 폐색 데이터를 식별한다. 일 실시예에서, 대표 요소는 적어도 하나의 관심 구역 내의 폐색된 대상체에 대응한다. 일 실시예에서, 대표 요소는 적어도 하나의 관심 구역 내의 이산화된 기준 경로 포인트(예를 들면, 도 14b에 도시된 기준 경로 포인트(1460)) 또는 파티셔닝된 세그먼트(예를 들면, 도 14c에 도시된 차선 세그먼트(1472))에 대응한다.
인지 모듈은 적어도 하나의 관심 구역의 구역 정보 및 적어도 하나의 관심 구역과 연관된 폐색 데이터에 기초하여 적어도 하나의 관심 구역과 관련된 폐색 정보를 결정한다(1506). 폐색 데이터는 폐색 정보와 연관된 데이터를 포함한다. 폐색 정보는 폐색 데이터보다 더 작은 데이터 크기를 갖는다.
일 실시예에서, 인지 모듈은 이산화된 기준 경로 포인트에 기초하여 적어도 하나의 관심 구역과 연관된 폐색 정보를 결정하는 것에 의해 적어도 하나의 관심 구역과 연관된 폐색 정보를 결정한다. 일 실시예에서, 인지 모듈은 적어도 하나의 관심 구역과 연관된 폐색 데이터에 기초하여 각각의 파티셔닝된 세그먼트에 대한 각자의 폐색 레벨을 결정하는 것에 의해 폐색 정보를 결정한다. 일 실시예에서, 인지 모듈은 적어도 하나의 관심 구역 내의 적어도 하나의 폐색된 대상체에 대응하는 적어도 하나의 대표 형상에 대한 적어도 하나의 폐색 레벨을 결정하는 것에 의해 폐색 정보를 결정한다.
일 실시예에서, 인지 모듈은 적어도 하나의 관심 구역에서의 폐색 정보를 업데이트하기 위해 폐색 데이터에 시간 필터링 알고리즘을 적용한다. 일 실시예에서, 인지 모듈은 적어도 하나의 관심 구역 내의 적어도 하나의 폐색된 대상체의 속도 속성 및 방향 속성에 기초하여 폐색 정보를 업데이트하기 위해 시간 필터링 알고리즘을 적용한다. 일 실시예에서, 인지 모듈은 적어도 하나의 관심 구역 내의 적어도 하나의 폐색된 대상체의 모션에 따라 복수의 파티셔닝된 세그먼트 중 적어도 하나의 파티셔닝된 세그먼트의 적어도 하나의 각자의 폐색 레벨을 업데이트하며, 모션은 적어도 하나의 폐색된 대상체의 속도 속성에 기초한다.
인지 모듈은 차량에 대한 루트를 계획하기 위해 폐색 정보를 계획 모듈에 제공한다(1508). 일 실시예에서, 인지 모듈은, 각각의 관심 구역에 대응하는 폐색 정보와 함께, 복수의 구역 중 각각의 관심 구역에 대한 각자의 고유 식별자를 계획 모듈에 제공한다. 일 실시예에서, 인지 모듈은 적어도 하나의 관심 구역과 연관된 복수의 차선 세그먼트 및 각자의 폐색 레벨에 기초하여 그래픽 인터페이스와 연관된 데이터를 제공한다. 일 실시예에서, 계획 모듈은 디스플레이로 하여금 그 데이터에 기초하여 출력으로서 그래픽 인터페이스를 생성하게 한다.
일 실시예에서, 인지 모듈은 차량으로부터 미리 결정된 거리 내에 있는 복수의 관심 구역을 주기적으로 질의하고, 복수의 관심 구역을 주기적으로 질의하는 것에 기초하여 복수의 관심 구역과 연관된 폐색 정보를 계획 회로에 주기적으로 제공한다. 일 실시예에서, 인지 모듈은 복수의 관심 구역으로부터 제1 복수의 관심 구역을 필터링한다. 대응하는 차선 방향을 따라 제1 복수의 관심 구역 각각으로부터 연장되는 경로는 차량의 현재 루트와는 상이한 경로와 상호작용한다. 인지 모듈은 제2 복수의 관심 구역과 연관된 폐색 정보를 계획 모듈에 게시한다. 제2 복수의 관심 구역은 제1 복수의 관심 구역과는 상이한, 복수의 관심 구역에 포함된 관심 구역이다.
일 실시예에서, 인지 모듈은, 예를 들면, 폐색 맵 또는 점유 맵으로부터, 적어도 하나의 관심 구역과 연관된 점유 데이터를 식별한다. 점유 데이터는 폐색 데이터 및/또는 비폐색 데이터를 포함한다. 인지 모듈은 적어도 하나의 관심 구역과 연관된 점유 데이터에 기초하여 복수의 차선 세그먼트 각각에 대한 각자의 점유 레벨을 결정하고, 복수의 차선 세그먼트에 대한 각자의 점유 레벨을 포함하는 점유 정보를 계획 모듈에 제공한다.
계획 모듈은 인지 모듈로부터의 폐색 정보를 기반으로 계획된 루트를 생성한다. 제어 모듈은 계획된 루트에 따라 차량을 동작시킨다(1510). 일 실시예에서, 도 13에 예시된 바와 같이, 인지 모듈은 계획 모듈로부터 차량의 계획된 루트(예를 들면, 계획된 루트(1325))를 수신하고, 계획된 루트 상의 차량에 대한 적어도 하나의 관심 구역을 업데이트한다.
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 (23)

  1. 방법으로서,
    인지 회로에 의해, 차량에 대한 적어도 하나의 관심 구역의 구역 정보를 획득하는 단계;
    상기 인지 회로에 의해, 상기 적어도 하나의 관심 구역과 연관된 폐색 데이터를 식별하는 단계;
    상기 인지 회로에 의해, 상기 적어도 하나의 관심 구역의 구역 정보 및 상기 적어도 하나의 관심 구역과 연관된 폐색 데이터에 기초하여 상기 적어도 하나의 관심 구역과 연관된 폐색 정보를 결정하는 단계 - 상기 폐색 데이터는 상기 폐색 정보와 연관된 데이터를 포함하고, 상기 폐색 정보는 상기 폐색 데이터보다 더 작은 데이터 크기를 가짐 -;
    상기 인지 회로에 의해, 상기 차량에 대한 루트를 계획하기 위해 상기 폐색 정보를 계획 회로에 제공하는 단계; 및
    상기 계획된 루트에 따라 상기 차량을 동작시키는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 적어도 하나의 관심 구역의 구역 정보를 획득하는 단계는,
    상기 적어도 하나의 관심 구역에 대응하는 적어도 하나의 차선 방향을 따라 있는 이산화된 기준 경로 포인트를 획득하는 단계
    를 포함하고,
    상기 적어도 하나의 관심 구역과 연관된 폐색 정보를 결정하는 단계는,
    상기 이산화된 기준 경로 포인트에 기초하여 상기 적어도 하나의 관심 구역과 연관된 폐색 정보를 결정하는 단계
    를 포함한 것인, 방법.
  3. 제2항에 있어서,
    상기 적어도 하나의 관심 구역의 구역 정보를 획득하는 단계는,
    상기 적어도 하나의 차선 방향을 따라 순차적으로 정렬된 복수의 차선 세그먼트를 획득하는 단계
    를 포함하며,
    각각의 차선 세그먼트는 적어도 하나의 이산화된 기준 경로 포인트를 포함한 것인, 방법.
  4. 제3항에 있어서,
    상기 폐색 정보를 결정하는 단계는,
    상기 적어도 하나의 관심 구역과 연관된 폐색 데이터에 기초하여 상기 복수의 차선 세그먼트 각각에 대한 각자의 폐색 레벨을 결정하는 단계
    를 포함한 것인, 방법.
  5. 제4항에 있어서,
    상기 복수의 차선 세그먼트 및 상기 각자의 폐색 레벨에 기초하여 그래픽 인터페이스와 연관된 데이터를 제공하는 단계
    를 더 포함하는, 방법.
  6. 제3항 내지 제5항 중 어느 한 항에 있어서,
    상기 적어도 하나의 관심 구역과 연관된 점유 데이터를 결정하는 단계;
    상기 적어도 하나의 관심 구역과 연관된 상기 점유 데이터에 기초하여 상기 복수의 차선 세그먼트 각각에 대한 각자의 점유 레벨을 결정하는 단계; 및
    상기 복수의 차선 세그먼트에 대한 상기 각자의 점유 레벨을 포함하는 점유 정보를 상기 계획 회로에 제공하는 단계
    를 더 포함하는, 방법.
  7. 제2항 내지 제5항 중 어느 한 항에 있어서,
    상기 적어도 하나의 관심 구역의 구역 정보를 획득하는 단계는,
    매핑 데이터베이스로부터 상기 적어도 하나의 관심 구역의 구역 정보를 획득하는 단계
    를 포함한 것인, 방법.
  8. 제2항 내지 제5항 중 어느 한 항에 있어서,
    상기 적어도 하나의 관심 구역의 구역 정보를 획득하는 단계는,
    매핑 데이터베이스로부터의 매핑 데이터에 기초하여 상기 적어도 하나의 관심 구역의 구역 정보를 생성하는 단계
    를 포함한 것인, 방법.
  9. 제8항에 있어서,
    상기 적어도 하나의 관심 구역의 구역 정보를 생성하는 단계는,
    상기 차량의 현재 루트와, 상기 적어도 하나의 관심 구역 중의 관심 구역 또는 차선 방향을 따라 있는 상기 관심 구역의 연장부 사이의 교차 지점을 결정하는 단계; 및
    상기 교차 지점으로부터, 상기 관심 구역 내에서 상기 차선 방향과 반대인 방향을 따라 일련의 이산화된 기준 경로 포인트를 결정하는 단계
    를 포함한 것인, 방법.
  10. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 폐색 정보를 결정하는 단계는,
    상기 적어도 하나의 관심 구역 내의 적어도 하나의 폐색된 대상체에 대응하는 적어도 하나의 대표 형상에 대한 적어도 하나의 폐색 레벨을 결정하는 단계
    를 포함한 것인, 방법.
  11. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 적어도 하나의 관심 구역과 연관된 폐색 데이터를 식별하는 단계는,
    상기 적어도 하나의 관심 구역 내의 대표 요소를 질의하는 단계; 및
    상기 대표 요소에 기초하여 상기 폐색 데이터를 획득하는 단계
    를 포함한 것인, 방법.
  12. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 적어도 하나의 관심 구역에서의 폐색 정보를 업데이트하기 위해 상기 폐색 데이터에 시간 필터링 알고리즘을 적용하는 단계
    를 더 포함하는, 방법.
  13. 제12항에 있어서,
    상기 시간 필터링 알고리즘을 적용하는 단계는,
    상기 적어도 하나의 관심 구역 내의 적어도 하나의 폐색된 대상체의 속도 속성 및 방향 속성에 기초하여 상기 폐색 정보를 업데이트하는 단계
    를 포함한 것인, 방법.
  14. 제13항에 있어서,
    상기 적어도 하나의 관심 구역과 연관된 폐색 정보를 결정하는 단계는,
    상기 적어도 하나의 관심 구역의 구역 정보에 기초하여 복수의 파티셔닝된 세그먼트에 대한 각자의 폐색 레벨을 결정하는 단계
    를 포함하고,
    상기 폐색 정보를 업데이트하는 단계는,
    상기 적어도 하나의 관심 구역 내의 상기 적어도 하나의 폐색된 대상체의 모션에 따라 상기 복수의 파티셔닝된 세그먼트 중 적어도 하나의 파티셔닝된 세그먼트의 적어도 하나의 각자의 폐색 레벨을 업데이트하는 단계
    를 포함하며,
    상기 모션은 상기 적어도 하나의 폐색된 대상체의 속도 속성에 기초한 것인, 방법.
  15. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 계획 회로로부터 상기 차량의 상기 계획된 루트를 수신하는 단계; 및
    상기 계획된 루트에 기초하여 상기 차량에 대한 상기 적어도 하나의 관심 구역을 업데이트하는 단계
    를 더 포함하는, 방법.
  16. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 차량으로부터 미리 결정된 거리 내의 복수의 관심 구역을 주기적으로 질의하는 단계; 및
    상기 복수의 관심 구역을 주기적으로 질의하는 것에 기초하여 상기 복수의 관심 구역과 연관된 폐색 정보를 상기 계획 회로에 주기적으로 제공하는 단계
    를 더 포함하는, 방법.
  17. 제16항에 있어서,
    상기 복수의 관심 구역으로부터 제1 복수의 관심 구역을 필터링하는 단계 - 대응하는 차선 방향을 따라 상기 제1 복수의 관심 구역 각각으로부터 연장되는 경로는 상기 차량의 현재 루트와는 상이한 경로와 상호작용함 -; 및
    제2 복수의 관심 구역과 연관된 폐색 정보를 상기 계획 회로에 게시하는 단계 - 상기 제2 복수의 관심 구역은 상기 제1 복수의 관심 구역과는 상이한, 상기 복수의 관심 구역에 포함된 관심 구역임 -
    를 더 포함하는, 방법.
  18. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 적어도 하나의 관심 구역을 상기 차량에 대한 현재 루트에 있는 교차로와 연관된 적어도 하나의 우선 구역인 것으로 결정하는 단계
    를 더 포함하는, 방법.
  19. 제18항에 있어서,
    상기 적어도 하나의 관심 구역의 구역 정보를 획득하는 단계는,
    상기 적어도 하나의 우선 구역에 대응하는 차선의 식별자, 또는
    상기 적어도 하나의 우선 구역에 대응하는 차선 커넥터의 식별자 중 적어도 하나를 획득하는 단계
    를 포함한 것인, 방법.
  20. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 적어도 하나의 관심 구역을 상기 차량에 대한 현재 루트에 있는 정지선과 연관된 적어도 하나의 정지 구역인 것으로 결정하는 단계
    를 더 포함하고,
    상기 폐색 정보를 결정하는 단계는,
    상기 적어도 하나의 정지 구역의 폐색 레벨을 결정하는 단계
    를 포함한 것인, 방법.
  21. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 적어도 하나의 관심 구역의 구역 정보를 획득하는 단계는,
    복수의 구역 중 각각의 관심 구역에 대한 각자의 고유 식별자를 획득하는 단계
    를 포함하고,
    상기 방법은,
    각각의 관심 구역에 대응하는 폐색 정보와 함께, 각각의 관심 구역에 대한 상기 각자의 고유 식별자를 상기 계획 회로에 제공하는 단계
    를 더 포함한 것인, 방법.
  22. 차량으로서,
    하나 이상의 컴퓨터 프로세서; 및
    상기 하나 이상의 컴퓨터 프로세서에 의해 실행될 때, 제1항 내지 제5항 중 어느 한 항의 방법을 수행하게 하는 명령어를 저장하는 하나 이상의 비-일시적 저장 매체
    를 포함하는, 차량.
  23. 명령어를 저장하는 하나 이상의 비-일시적 저장 매체로서, 상기 명령어는, 하나 이상의 컴퓨팅 디바이스에 의해 실행될 때, 제1항 내지 제5항 중 어느 한 항에 열거된 방법을 수행하게 하는 것인, 하나 이상의 비-일시적 저장 매체.
KR1020210006635A 2020-12-11 2021-01-18 도로 특징부에 대한 폐색 표현을 구현하기 위한 시스템 및 방법 KR102507216B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230027543A KR102639008B1 (ko) 2020-12-11 2023-03-02 도로 특징부에 대한 폐색 표현을 구현하기 위한 시스템 및 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/119,259 2020-12-11
US17/119,259 US11733054B2 (en) 2020-12-11 2020-12-11 Systems and methods for implementing occlusion representations over road features

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230027543A Division KR102639008B1 (ko) 2020-12-11 2023-03-02 도로 특징부에 대한 폐색 표현을 구현하기 위한 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20220083534A true KR20220083534A (ko) 2022-06-20
KR102507216B1 KR102507216B1 (ko) 2023-03-06

Family

ID=74566595

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210006635A KR102507216B1 (ko) 2020-12-11 2021-01-18 도로 특징부에 대한 폐색 표현을 구현하기 위한 시스템 및 방법
KR1020230027543A KR102639008B1 (ko) 2020-12-11 2023-03-02 도로 특징부에 대한 폐색 표현을 구현하기 위한 시스템 및 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020230027543A KR102639008B1 (ko) 2020-12-11 2023-03-02 도로 특징부에 대한 폐색 표현을 구현하기 위한 시스템 및 방법

Country Status (5)

Country Link
US (2) US11733054B2 (ko)
KR (2) KR102507216B1 (ko)
CN (1) CN114625118A (ko)
DE (1) DE102021131844A1 (ko)
GB (1) GB2602166A (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220404167A1 (en) * 2021-06-22 2022-12-22 GM Global Technology Operations LLC Roadway occlusion detection and reasoning
DE102021214977A1 (de) 2021-12-23 2023-06-29 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines automatisierten Fahrzeugs an einer Verkehrskreuzung
CN115507873B (zh) * 2022-11-03 2023-03-10 广汽埃安新能源汽车股份有限公司 基于公交车尾红绿灯的路径规划方法、装置、设备和介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170129251A (ko) * 2015-04-23 2017-11-24 닛산 지도우샤 가부시키가이샤 오클루전 제어 장치
WO2020146659A1 (en) * 2019-01-11 2020-07-16 Zoox, Inc. Occlusion prediction and trajectory evaluation

Family Cites Families (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3831548B2 (ja) 1999-06-16 2006-10-11 ペンタックス株式会社 写真測量画像処理装置、写真測量画像処理方法、および写真測量画像処理プログラムを格納した記憶媒体
WO2006060518A2 (en) 2004-11-30 2006-06-08 Circumnav Networks, Inc. Methods for deducing road geometry and connectivity
US9002638B2 (en) 2005-09-13 2015-04-07 Michael John Safoutin Method and apparatus for geometric search and display for a digital map
CA2632267C (en) 2005-12-05 2012-05-15 Global Precision Solutions, Llp Distance correction for damage prevention system
WO2007102367A1 (ja) 2006-02-28 2007-09-13 Toyota Jidosha Kabushiki Kaisha 物体進路予測方法、装置、プログラム、および自動運転システム
JP4400584B2 (ja) 2006-03-01 2010-01-20 トヨタ自動車株式会社 障害物検出方法及び障害物検出装置
TWI314115B (en) 2007-09-27 2009-09-01 Ind Tech Res Inst Method and apparatus for predicting/alarming the moving of hidden objects
WO2009085233A2 (en) 2007-12-21 2009-07-09 21Ct, Inc. System and method for visually tracking with occlusions
US8775073B2 (en) 2008-05-30 2014-07-08 Navteq B.V. Data mining in a digital map database to identify insufficient merge lanes along roads and enabling precautionary actions in a vehicle
JP4957747B2 (ja) 2009-05-18 2012-06-20 トヨタ自動車株式会社 車両環境推定装置
JP5080602B2 (ja) 2010-03-19 2012-11-21 日立オートモティブシステムズ株式会社 車両制御装置
EP2615596A4 (en) 2010-09-08 2017-12-06 Toyota Jidosha Kabushiki Kaisha Moving-object prediction device, virtual-mobile-object prediction device, program, mobile-object prediction method, and virtual-mobile-object prediction method
JP5389002B2 (ja) 2010-12-07 2014-01-15 日立オートモティブシステムズ株式会社 走行環境認識装置
CN103189898B (zh) 2011-03-22 2016-01-20 松下电器产业株式会社 移动体检测装置以及移动体检测方法
US9070100B2 (en) 2011-03-31 2015-06-30 United Parcel Service Of America, Inc. Calculating speed and travel times with travel delays
US20120275524A1 (en) 2011-04-28 2012-11-01 Industrial Technology Research Institute Systems and methods for processing shadows in compressed video images
US9476970B1 (en) 2012-03-19 2016-10-25 Google Inc. Camera based localization
US20130328861A1 (en) 2012-06-06 2013-12-12 Apple Inc. Generation of Road Data
US9633564B2 (en) 2012-09-27 2017-04-25 Google Inc. Determining changes in a driving environment based on vehicle behavior
US9367065B2 (en) 2013-01-25 2016-06-14 Google Inc. Modifying behavior of autonomous vehicles based on sensor blind spots and limitations
US9404754B2 (en) 2013-03-25 2016-08-02 Raytheon Company Autonomous range-only terrain aided navigation
US9600768B1 (en) 2013-04-16 2017-03-21 Google Inc. Using behavior of objects to infer changes in a driving environment
DE102013215100A1 (de) 2013-08-01 2015-02-05 Bayerische Motoren Werke Aktiengesellschaft Bereitstellen eines Umfeldmodells beim Ausfall eines Sensors eines Fahrzeugs
US9354070B2 (en) 2013-10-31 2016-05-31 Crown Equipment Corporation Systems, methods, and industrial vehicles for determining the visibility of features
JP6272347B2 (ja) 2013-11-08 2018-01-31 株式会社日立製作所 自律走行車両、及び自律走行システム
EP3805706B1 (en) 2014-11-05 2022-05-18 Sierra Nevada Corporation Systems and methods for generating improved environmental displays for vehicles
US9821813B2 (en) 2014-11-13 2017-11-21 Nec Corporation Continuous occlusion models for road scene understanding
JP6470039B2 (ja) 2014-12-26 2019-02-13 日立オートモティブシステムズ株式会社 車両制御システム
CA2976344A1 (en) 2015-02-10 2016-08-18 Mobileye Vision Technologies Ltd. Sparse map for autonomous vehicle navigation
US9434382B1 (en) 2015-03-19 2016-09-06 Toyota Motor Engineering & Manufacturing North America, Inc. Vehicle operation in environments with second order objects
JP6581379B2 (ja) 2015-03-31 2019-09-25 株式会社デンソー 車両制御装置、及び車両制御方法
EP3091370B1 (en) 2015-05-05 2021-01-06 Volvo Car Corporation Method and arrangement for determining safe vehicle trajectories
US9836895B1 (en) 2015-06-19 2017-12-05 Waymo Llc Simulating virtual objects
CN107180220B (zh) 2016-03-11 2023-10-31 松下电器（美国）知识产权公司 危险预测方法
US9645577B1 (en) 2016-03-23 2017-05-09 nuTonomy Inc. Facilitating vehicle driving and self-driving
DE102016205972A1 (de) 2016-04-11 2017-11-09 Volkswagen Aktiengesellschaft Verfahren zur autonomen oder teilautonomen Durchführung eines kooperativen Fahrmanövers
JP6649178B2 (ja) 2016-05-24 2020-02-19 株式会社東芝 情報処理装置、および、情報処理方法
US10137890B2 (en) 2016-06-28 2018-11-27 Toyota Motor Engineering & Manufacturing North America, Inc. Occluded obstacle classification for vehicles
US10152058B2 (en) 2016-10-24 2018-12-11 Ford Global Technologies, Llc Vehicle virtual map
KR102524851B1 (ko) 2016-10-31 2023-04-25 모빌아이 비젼 테크놀로지스 엘티디. 차로 병합 및 차로 분리의 항법을 위한 시스템 및 방법
US20180217233A1 (en) 2017-01-31 2018-08-02 Toyota Research Institute, Inc. Systems and methods for estimating objects using deep learning
US10234864B2 (en) * 2017-03-07 2019-03-19 nuTonomy Inc. Planning for unknown objects by an autonomous vehicle
US10095234B2 (en) 2017-03-07 2018-10-09 nuTonomy Inc. Planning for unknown objects by an autonomous vehicle
US10281920B2 (en) * 2017-03-07 2019-05-07 nuTonomy Inc. Planning for unknown objects by an autonomous vehicle
US10788585B2 (en) * 2017-09-15 2020-09-29 Toyota Research Institute, Inc. System and method for object detection using a probabilistic observation model
KR102198809B1 (ko) * 2017-12-26 2021-01-05 한국자동차연구원 객체 추적 시스템 및 방법
WO2019164531A1 (en) * 2018-02-26 2019-08-29 Nissan North America, Inc. Centralized shared autonomous vehicle operational management
US10642275B2 (en) * 2018-06-18 2020-05-05 Zoox, Inc. Occulsion aware planning and control
US10824148B2 (en) * 2018-12-14 2020-11-03 Waymo Llc Operating an autonomous vehicle according to road user reaction modeling with occlusions
US11016492B2 (en) 2019-02-28 2021-05-25 Zoox, Inc. Determining occupancy of occluded regions
US11354912B2 (en) * 2019-08-27 2022-06-07 Waymo Llc Detecting potentially occluded objects for autonomous vehicles
US11480977B2 (en) * 2019-11-25 2022-10-25 Gm Cruise Holdings Llc Sharing sensor data to assist in maneuvering of an autonomous vehicle

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170129251A (ko) * 2015-04-23 2017-11-24 닛산 지도우샤 가부시키가이샤 오클루전 제어 장치
WO2020146659A1 (en) * 2019-01-11 2020-07-16 Zoox, Inc. Occlusion prediction and trajectory evaluation

Also Published As

Publication number Publication date
GB202100099D0 (en) 2021-02-17
KR102639008B1 (ko) 2024-02-20
DE102021131844A1 (de) 2022-06-15
GB2602166A (en) 2022-06-22
US20230341232A1 (en) 2023-10-26
US20220187090A1 (en) 2022-06-16
KR102507216B1 (ko) 2023-03-06
CN114625118A (zh) 2022-06-14
US11733054B2 (en) 2023-08-22
KR20230035020A (ko) 2023-03-10

Similar Documents

Publication Publication Date Title
CN111915917B (zh) 计算机实现的方法、存储介质和运载工具
KR20210112293A (ko) 주석 달기를 위한 데이터 샘플의 자동 선택
KR20200141477A (ko) 다수의 lidar 디바이스로부터의 데이터의 병합
KR102505717B1 (ko) 교통 신호등 추정
KR102639008B1 (ko) 도로 특징부에 대한 폐색 표현을 구현하기 위한 시스템 및 방법
US11731653B2 (en) Conditional motion predictions
KR102580097B1 (ko) 교정 정보를 사용한 av 경로 계획
US20220185324A1 (en) Merging LiDAR Information and Camera Information
KR20220124616A (ko) 근접 규칙을 사용한 자율 주행 차량의 제어
KR20230035440A (ko) 교통 신호등 추정
KR20230093184A (ko) 제약으로서의 차선 커넥터
KR102663570B1 (ko) 차량의 궤적을 계획 및 업데이트하기 위한 시스템 및 방법

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
A107 Divisional application of patent
GRNT Written decision to grant