KR20220141206A - 자율 주행 차량을 위한 적응형 포인트 클라우드 생성 - Google Patents

자율 주행 차량을 위한 적응형 포인트 클라우드 생성 Download PDF

Info

Publication number
KR20220141206A
KR20220141206A KR1020210062802A KR20210062802A KR20220141206A KR 20220141206 A KR20220141206 A KR 20220141206A KR 1020210062802 A KR1020210062802 A KR 1020210062802A KR 20210062802 A KR20210062802 A KR 20210062802A KR 20220141206 A KR20220141206 A KR 20220141206A
Authority
KR
South Korea
Prior art keywords
lidar
point cloud
points
processor
point
Prior art date
Application number
KR1020210062802A
Other languages
English (en)
Inventor
이무 왕
닝 수
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 KR20220141206A publication Critical patent/KR20220141206A/ko

Links

Images

Classifications

    • 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
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/42—Simultaneous measurement of distance and other co-ordinates
    • 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
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • G01S17/10—Systems determining position data of a target for measuring distance only using transmission of interrupted, pulse-modulated waves
    • 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
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • 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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/06—Systems determining the position data of a target
    • G01S15/08—Systems for measuring distance only
    • G01S15/10—Systems for measuring distance only using transmission of interrupted, pulse-modulated waves
    • G01S15/102—Systems for measuring distance only using transmission of interrupted, pulse-modulated waves using transmission of pulses having some particular characteristics
    • G01S15/105—Systems for measuring distance only using transmission of interrupted, pulse-modulated waves using transmission of pulses having some particular characteristics using irregular pulse repetition frequency
    • 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
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/46—Indirect determination of position data
    • 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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/483—Details of pulse systems
    • G01S7/486—Receivers
    • G01S7/487—Extracting wanted echo signals, e.g. pulse detection
    • G01S7/4876—Extracting wanted echo signals, e.g. pulse detection by removing unwanted 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
    • G05D1/0212—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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • B60W2050/005—Sampling
    • B60W2420/408—
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/52—Radar, Lidar
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/08—Predicting or avoiding probable or impending collision
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

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

Abstract

자율 주행 차량을 위한 적응형 포인트 클라우드 필터링을 위한 방법, 장치 및 시스템이 개시된다. 적어도 하나의 프로세서가 LiDAR 시스템으로부터 다수의 LiDAR 포인트를 수신한다. 다수의 LiDAR 포인트는 차량이 주행하는 환경에 있는 하나 이상의 대상체를 나타낸다. 적어도 하나의 프로세서는 각각의 LiDAR 포인트의 유클리드 거리를 결정한다. 적어도 하나의 프로세서는 각각의 LiDAR 포인트의 유클리드 거리를 유클리드 거리의 표준 정규 분포로부터의 각자의 샘플링된 유클리드 거리와 비교한다. LiDAR 포인트의 유클리드 거리가 각자의 샘플링된 유클리드 거리보다 작은 것에 응답하여, 적어도 하나의 프로세서는 다수의 LiDAR 포인트로부터 해당 LiDAR 포인트를 제거하여 포인트 클라우드를 생성한다. 적어도 하나의 프로세서는 포인트 클라우드에 기초하여 차량을 동작시킨다.

Description

자율 주행 차량을 위한 적응형 포인트 클라우드 생성{ADAPTIVE POINT CLOUD GENERATION FOR AUTONOMOUS VEHICLES}
이 설명은 일반적으로 차량의 동작 및 특히 자율 주행 차량(autonomous vehicle)을 위한 적응형 포인트 클라우드 생성(adaptive point cloud generation)에 관한 것이다.
로컬화 및 대상체 인지를 위해 자율 주행 차량에 의해 LiDAR 센서 및 시스템이 종종 사용된다. 그렇지만, LiDAR 시스템을 사용하여 획득되는 LiDAR 포인트 클라우드는 때때로 중복 정보 및 불균일한 밀도 분포를 포함한다. 그 결과, 그러한 LiDAR 포인트 클라우드를 프로세싱하는 것의 계산 복잡도가 증가하고 자율 주행 차량의 효율적이고 안전한 동작에 문제를 제기할 수 있다.
자율 주행 차량을 위한 적응형 포인트 클라우드 생성을 위한 방법, 장치 및 시스템이 개시된다. 일 실시예에서, 차량의 적어도 하나의 프로세서는 차량의 LiDAR 시스템으로부터 다수의 LiDAR 포인트를 수신한다. 다수의 LiDAR 포인트는 차량이 주행하는 환경에 있는 하나 이상의 대상체를 나타낸다. 적어도 하나의 프로세서는 다수의 LiDAR 포인트의 각각의 LiDAR 포인트의 유클리드 거리를 결정한다. 적어도 하나의 프로세서는 다수의 LiDAR 포인트의 각각의 LiDAR 포인트의 유클리드 거리를 유클리드 거리의 표준 정규 분포로부터의 각자의 샘플링된 유클리드 거리와 비교한다. 다수의 LiDAR 포인트의 LiDAR 포인트의 유클리드 거리가 각자의 샘플링된 유클리드 거리보다 작은 것에 응답하여, 적어도 하나의 프로세서는 다수의 LiDAR 포인트로부터 해당 LiDAR 포인트를 제거하여 포인트 클라우드를 생성한다. 적어도 하나의 프로세서는 포인트 클라우드에 기초하여 차량을 동작시킨다.
일 실시예에서, 다수의 LiDAR 포인트는 제1 밀도 변동을 갖고, 포인트 클라우드는 제1 밀도 변동보다 작은 제2 밀도 변동을 갖는다.
일 실시예에서, 포인트 클라우드를 생성하는 것은, 적어도 하나의 프로세서에 의해, 제2 밀도 변동을 제공하기 위해 다수의 LiDAR 포인트를 다운 샘플링하는 것을 포함한다.
일 실시예에서, 다수의 LiDAR 포인트로부터 LiDAR 포인트를 제거하는 것은 제1 밀도 변동에 기초한다.
일 실시예에서, 적어도 하나의 프로세서는 제1 밀도 변동에 기초하여 LiDAR 포인트를 포인트 클라우드에 추가할 가능성을 결정한다.
일 실시예에서, 적어도 하나의 프로세서는 LiDAR 시스템의 측정 범위를 LiDAR 시스템으로부터 적어도 하나의 대상체까지의 거리와 비교한다.
일 실시예에서, LiDAR 시스템은 적어도 하나의 LiDAR를 포함한다. 적어도 하나의 프로세서는 광속 및 적어도 하나의 LiDAR의 펄스 반복 주파수에 기초하여 LiDAR 시스템의 측정 범위를 결정한다.
일 실시예에서, 적어도 하나의 프로세서는 각자의 샘플링된 유클리드 거리를 난수로서 결정한다.
일 실시예에서, 적어도 하나의 프로세서는 적어도 하나의 대상체를 식별하기 위해 제2 밀도 변동에 기초하여 포인트 클라우드를 세그먼트화한다.
일 실시예에서, 차량을 동작시키는 것은 적어도 하나의 대상체와의 충돌을 피하기 위해 세그먼트화된 포인트 클라우드에 추가로 기초한다.
일 실시예에서, 적어도 하나의 프로세서는 제2 밀도 변동에 기초하여 포인트 클라우드에서의 노이즈 양을 감소시킨다.
일 실시예에서, 적어도 하나의 프로세서는 제2 밀도 변동에 기초하여 포인트 클라우드를 스무딩한다.
이들 및 다른 양태, 특징, 및 구현예는 기능을 수행하기 위한 방법, 장치, 시스템, 컴포넌트, 프로그램 제품, 수단 또는 단계로서, 및 다른 방식으로 표현될 수 있다.
이들 및 다른 양태, 특징, 및 구현은 청구항을 포함하여, 이하의 설명으로부터 명백해질 것이다.
도 1은 하나 이상의 실시예에 따른, 자율 주행 능력(autonomous capability)을 갖는 자율 주행 차량(AV)의 예를 예시하는 블록 다이어그램이다.
도 2는 하나 이상의 실시예에 따른, 예시적인 "클라우드" 컴퓨팅 환경을 예시하는 블록 다이어그램이다.
도 3은 하나 이상의 실시예에 따른, 컴퓨터 시스템을 예시하는 블록 다이어그램이다.
도 4는 하나 이상의 실시예에 따른, AV에 대한 예시적인 아키텍처를 예시하는 블록 다이어그램이다.
도 5는 하나 이상의 실시예에 따른, 인지 모듈에 의해 사용될 수 있는 입력 및 출력의 예를 예시하는 블록 다이어그램이다.
도 6은 하나 이상의 실시예에 따른, LiDAR 시스템의 예를 예시하는 블록 다이어그램이다.
도 7은 하나 이상의 실시예에 따른, 동작 중인 LiDAR 시스템을 예시하는 블록 다이어그램이다.
도 8은 하나 이상의 실시예에 따른, LiDAR 시스템의 동작을 추가적으로 상세히 예시하는 블록 다이어그램이다.
도 9는 하나 이상의 실시예에 따른, 계획 모듈의 입력과 출력 사이의 관계를 예시하는 블록 다이어그램이다.
도 10은 하나 이상의 실시예에 따른, 경로 계획에서 사용되는 방향 그래프(directed graph)를 예시한다.
도 11은 하나 이상의 실시예에 따른, 제어 모듈의 입력 및 출력의 블록 다이어그램을 예시하는 블록 다이어그램이다.
도 12는 하나 이상의 실시예에 따른, 제어기의 입력, 출력, 및 컴포넌트를 예시하는 블록 다이어그램이다.
도 13은 하나 이상의 실시예에 따른, 자율 주행 차량을 위한 적응형 포인트 클라우드 생성의 예를 예시하는 개략도이다.
도 14는 하나 이상의 실시예에 따른, 자율 주행 차량을 위한 예시적인 LiDAR 포인트 클라우드를 예시하는 개략도이다.
도 15는 하나 이상의 실시예에 따른, 자율 주행 차량을 위한 적응형 포인트 클라우드 생성을 위한 예시적인 프로세스를 예시한다.
도 16은 하나 이상의 실시예에 따른, 자율 주행 차량을 위한 단일 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다.
도 17은 하나 이상의 실시예에 따른, 자율 주행 차량을 위한 단일 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다.
도 18은 하나 이상의 실시예에 따른, 자율 주행 차량을 위한 단일 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다.
도 19는 하나 이상의 실시예에 따른, 자율 주행 차량을 위한 단일 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다.
도 20은 하나 이상의 실시예에 따른, 자율 주행 차량을 위한 누적 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다.
도 21은 하나 이상의 실시예에 따른, 자율 주행 차량을 위한 누적 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다.
도 22는 하나 이상의 실시예에 따른, 자율 주행 차량을 위한 누적 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다.
도 23은 하나 이상의 실시예에 따른, 자율 주행 차량을 위한 누적 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다.
도 24는 하나 이상의 실시예에 따른, 자율 주행 차량을 위한 적응형 포인트 클라우드 생성을 위한 프로세스를 예시하는 흐름 다이어그램이다.
이하의 기술에서는, 설명 목적으로, 본 발명에 대한 완전한 이해를 제공하기 위해 다수의 특정 세부 사항이 기재되어 있다. 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, 설명의 용이성을 위해, 디바이스, 모듈, 명령 블록 및 데이터 요소를 나타내는 것과 같은 개략적 요소의 특정 배열 또는 순서가 도시되어 있다. 그렇지만, 본 기술 분야의 통상의 기술자라면, 도면에서의 개략적 요소의 특정 순서 또는 배열이 프로세싱의 특정 순서 또는 시퀀스, 또는 프로세스의 분리가 요구됨을 암시하는 것으로 의미되지 않는다는 점을 이해할 것이다. 또한, 도면에 개략적 요소를 포함시키는 것은, 그러한 요소가 모든 실시예에서 요구됨을 암시하는 것으로 의미되지 않거나, 또는 그러한 요소에 의해 표현된 특징이 일 실시예에서 포함되지 않을 수 있거나 다른 요소와 조합되지 않을 수 있음을 암시하는 것으로 의미되지 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, 예시의 용이성을 위해, 요소들 사이의 다수의 연결, 관계 또는 연관을 나타내기 위해 단일의 연결 요소가 사용된다. 예를 들어, 연결 요소가 신호, 데이터 또는 명령의 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 첨부 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.
각각이 서로 독립적으로 또는 다른 특징들의 임의의 조합과 함께 사용될 수 있는 여러 특징이 이하에서 기술된다. 그렇지만, 임의의 개별 특징은 위에서 논의된 문제들 중 어떤 것도 해결할 수 없거나 또는 위에서 논의된 문제들 중 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. 적응형 포인트 클라우드 생성을 사용하는 자율 주행 차량 동작
8. 적응형 포인트 클라우드 생성을 위한 프로세스
일반적 개관
이 문서는 자율 주행 차량(AV)을 위한 적응형 포인트 클라우드 생성을 위한 방법, 시스템 및 장치를 제시한다. 개시된 적응형 포인트 클라우드 생성 기술의 목적은 추가 프로세싱 및 AV 동작에 더 효과적인 더 낮은 변동의 LiDAR 포인트 클라우드를 획득하는 것이다. 일부 실시예에서, LiDAR 시스템에 의해 생성된 LiDAR 포인트 클라우드에 포함된 각각의 LiDAR 포인트를 AV 내의 하나 이상의 시스템에 의한 사용을 위해 출력되는 포인트 클라우드에 포함시킬지(예를 들면, 추가할지) 또는 포함시키는 것을 보류할지를 결정하는 데 통계 프로세싱이 사용된다. 예에서, 각각의 포인트를 포함시킬지 또는 포함시키는 것을 보류할지의 결정은 LiDAR 포인트 클라우드에 포함된 LiDAR 포인트의 분포 특성에 기초한다. 실제로, (대부분은 아니지만) 많은 LiDAR 포인트가 LiDAR 센서에 더 가까운 거리와 연관되어(예를 들면, LiDAR 센서에 더 가까운 거리에 그룹화되어) 있고, 따라서 더 가까운 LiDAR 포인트가 더 많은 중복 정보를 갖기 때문에, 더 가까운 LiDAR 포인트가 더 멀리 떨어진 LiDAR 포인트보다 제거될 가능성이 더 높도록, LiDAR 포인트가 거리별로 다운 샘플링된다.
기술된 실시예를 사용하는 AV를 위한 적응형 포인트 클라우드 생성의 장점 및 이점은 환경의 일 부분을 나타내면서 동시에 AV의 동작 동안 다운스트림 시스템에 의한 더 적은 계산을 필요로 하는 포인트 클라우드를 생성하기 위해 원시 LiDAR 포인트 클라우드를 필터링하는 것을 포함한다. 기술된 구현은 또한 추가 파라미터의 필요성을 제거하면서 LiDAR 데이터의 전반적인 강건성을 증가시킨다. 이 방법은 계산적으로 효율적이며, 따라서 실시간 포인트 클라우드 프로세싱을 가능하게 한다. 이 구현은 LiDAR 포인트 클라우드에 의존하는 대상체의 로컬화, 인지 및 예측을 개선시킨다. 또한, 포인트 클라우드 생성을 위한 기술된 시스템은, AV의 동작을 위한 포인트 클라우드 세그먼트화, 노이즈 제거(de-noising) 및 스무딩과 같은, 애플리케이션을 위한 효율적인 프리-프로세싱 단계를 제공한다.
시스템 개관
도 1은 하나 이상의 실시예에 따른, 자율 주행 능력을 갖는 자율 주행 차량(100)의 예를 예시하는 블록 다이어그램이다.
본원에서 사용되는 바와 같이, "자율 주행 능력"이라는 용어는, 완전한 자율 주행 차량, 고도의 자율 주행 차량, 및 조건부 자율 주행 차량을 제한 없이 포함하는, 실시간 인간 개입 없이 차량이 부분적으로 또는 완전하게 동작할 수 있게 하는 기능, 특징, 또는 설비를 지칭한다.
본원에서 사용되는 바와 같이, 자율 주행 차량(AV)은 자율 주행 능력을 갖는 차량이다.
본원에서 사용되는 바와 같이, "차량"은 상품 또는 사람의 운송 수단을 포함한다. 예를 들어, 자동차, 버스, 기차, 비행기, 드론, 트럭, 보트, 선박, 잠수함, 비행선 등. 무인 자동차는 차량의 예이다.
본원에서 사용되는 바와 같이, "궤적"은 제1 시공간적 위치로부터 제2 시공간적 위치로 AV를 동작시키는 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 건물에서의 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 한 부분이고, 차선 마킹들 사이의 공간의 대부분 또는 전부에 대응할 수 있거나, 또는 차선 마킹들 사이의 공간의 단지 일부(예를 들면, 50% 미만)에 대응할 수 있다. 예를 들어, 멀리 이격된 차선 마킹을 갖는 도로는 차선 마킹들 사이에 둘 이상의 차량을 수용할 수 있어서, 하나의 차량이 차선 마킹을 횡단하지 않으면서 다른 차량을 추월할 수 있고, 따라서 차선 마킹들 사이의 공간보다 더 좁은 차선을 갖거나 차선 마킹들 사이에 2개의 차선을 갖는 것으로 해석될 수 있다. 차선은 차선 마킹의 부재 시에도 해석될 수 있다. 예를 들어, 차선은 환경의 물리적 특징, 예를 들어, 시골 지역에서의 주요 도로를 따라 있는 바위 및 나무에 기초하여 규정될 수 있다.
"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.
본원에 기술된 다양한 실시예에 대한 설명에서 사용된 용어는 단지 특정한 실시예를 기술하기 위한 것이며, 제한하는 것으로 의도되지 않는다. 기술된 다양한 실시예 및 첨부된 청구항에 대한 설명에서 사용되는 바와 같이, 단수형은, 문맥이 달리 명확히 나타내지 않는 한, 복수형을 포함하는 것으로 의도된다. "및/또는"이라는 용어가, 본원에서 사용되는 바와 같이, 연관된 열거된 항목들 중 하나 이상의 항목의 일부 및 모든 가능한 조합을 지칭하고 포함한다는 것이 또한 이해될 것이다. 게다가, "포함한다" 및/또는 "포함하는"이라는 용어는 본 설명에서 사용될 때, 언급된 특징, 정수, 단계, 동작, 요소, 및/또는 컴포넌트의 존재를 명시하지만, 하나 이상의 다른 특징, 정수, 단계, 동작, 요소, 컴포넌트, 및/또는 그의 그룹의 존재 또는 추가를 배제하지 않는다는 것도 이해될 것이다.
본원에서 사용되는 바와 같이, "~ 경우"라는 용어는, 선택적으로, 문맥에 따라 "~할 때", 또는 "~시에" 또는 "~라고 결정하는 것에 응답하여" 또는 "~을 검출하는 것에 응답하여"를 의미하는 것으로 해석된다. 마찬가지로, 문구 "~라고 결정되는 경우" 또는 "[언급된 조건 또는 이벤트]가 검출되는 경우"는, 선택적으로, 문맥에 따라, "~라고 결정할 시에" 또는 "~라고 결정하는 것에 응답하여" 또는 "[언급된 조건 또는 이벤트]를 검출할 시에" 또는 "[언급된 조건 또는 이벤트]를 검출하는 것에 응답하여"를 의미하는 것으로 해석된다.
본원에서 사용되는 바와 같이, AV 시스템은 AV의 동작을 지원하는 하드웨어, 소프트웨어, 저장된 데이터 및 실시간으로 생성되는 데이터의 어레이와 함께 AV를 지칭한다. 일 실시예에서, AV 시스템은 AV 내에 포함된다. 일 실시예에서, AV 시스템은 여러 위치에 걸쳐 확산되어 있다. 예를 들어, AV 시스템의 소프트웨어 중 일부는 도 3과 관련하여 아래에서 기술되는 클라우드 컴퓨팅 환경(300)과 유사한 클라우드 컴퓨팅 환경 상에 구현된다.
일반적으로, 본원은 완전한 자율 주행 차량, 고도의 자율 주행 차량, 및 조건부 자율 주행 차량, 예를 들어, 각각 소위 레벨 5 차량, 레벨 4 차량 및 레벨 3 차량을 포함하는 하나 이상의 자율 주행 능력을 갖는 임의의 차량에 적용 가능한 기술을 개시한다(차량의 자율성의 레벨 분류에 대한 세부 사항은 본원에 그 전체가 참조로 포함된, SAE 국제 표준 J3016: 온로드 자동차 자동 운전 시스템에 관한 용어의 분류 및 정의(Taxonomy and Definitions for Terms Related to On-128-172020-02-28 Road Motor Vehicle Automated Driving Systems) 참조). 또한, 본원에서 개시된 기술은 부분적 자율 주행 차량 및 운전자 보조 차량, 예컨대, 소위 레벨 2 및 레벨 1 차량에도 적용 가능하다(SAE 국제 표준 J3016: 온로드 자동차 자동 운전 시스템에 관한 용어의 분류 및 정의 참조). 일 실시예에서, 레벨 1, 레벨 2, 레벨 3, 레벨 4 및 레벨 5 차량 시스템 중 하나 이상은 센서 입력의 프로세싱에 기초하여 특정의 동작 조건 하에서 특정의 차량 동작(예를 들면, 조향, 제동, 및 맵 사용)을 자동화할 수 있다. 본 문서에서 설명된 기술은, 완전한 자율 주행 차량으로부터 인간 운전 차량에 이르는, 임의의 레벨에 있는 차량에 혜택을 줄 수 있다.
도 1을 참조하면, AV 시스템(120)은, 대상체(예를 들면, 자연 장애물(191), 차량(193), 보행자(192), 자전거 타는 사람, 및 다른 장애물)을 피하고 도로 법규(예를 들면, 동작 규칙 또는 운전 선호사항)를 준수하면서, AV(100)를 궤적(198)을 따라 환경(190)을 통과하여 목적지(199)(때때로 최종 위치라고 지칭됨)로 동작시킨다.
일 실시예에서, AV 시스템(120)은 컴퓨터 프로세서(146)로부터 동작 커맨드를 수신하고 이에 따라 동작하도록 설비된 디바이스(101)를 포함한다. 일 실시예에서, 컴퓨팅 프로세서(146)는 도 3을 참조하여 아래에서 기술되는 프로세서(304)와 유사하다. 디바이스(101)의 예는 조향 컨트롤(102), 브레이크(103), 기어, 가속기 페달 또는 다른 가속 제어 메커니즘, 윈드실드 와이퍼, 사이드 도어 락, 윈도 컨트롤, 및 방향 지시등을 포함한다.
일 실시예에서, AV 시스템(120)은, AV의 위치, 선속도 및 선가속도, 각속도 및 각가속도, 및 헤딩(heading)(예를 들면, AV(100)의 선단의 배향)과 같은, AV(100)의 상태 또는 조건의 속성을 측정 또는 추론하기 위한 센서(121)를 포함한다. 센서(121)의 예는 GNSS, 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 센서, 휠 브레이크 압력 또는 제동 토크 센서, 엔진 토크 또는 휠 토크 센서, 그리고 조향각 및 각도 변화율 센서이다.
일 실시예에서, 센서(121)는 AV의 환경의 속성을 감지 또는 측정하기 위한 센서를 또한 포함한다. 예를 들어, 가시광, 적외선 또는 열(또는 둘 모두) 스펙트럼의 단안 또는 스테레오 비디오 카메라(122), LiDAR(123), RADAR, 초음파 센서, 비행 시간(time-of-flight, TOF) 깊이 센서, 속력 센서, 온도 센서, 습도 센서, 및 강수 센서.
일 실시예에서, AV 시스템(120)은 컴퓨터 프로세서(146)와 연관된 머신 명령 또는 센서(121)에 의해 수집된 데이터를 저장하기 위한 데이터 저장 유닛(142) 및 메모리(144)를 포함한다. 일 실시예에서, 데이터 저장 유닛(142)은 도 3과 관련하여 아래에서 기술되는 ROM(308) 또는 저장 디바이스(310)와 유사하다. 일 실시예에서, 메모리(144)는 아래에서 기술되는 메인 메모리(306)와 유사하다. 일 실시예에서, 데이터 저장 유닛(142) 및 메모리(144)는 환경(190)에 관한 과거 정보, 실시간 정보, 및/또는 예측 정보를 저장한다. 일 실시예에서, 저장된 정보는 맵, 운전 성능, 교통 혼잡 업데이트 또는 기상 조건을 포함한다. 일 실시예에서, 환경(190)에 관한 데이터는 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)로 송신된다.
일 실시예에서, AV 시스템(120)은 다른 차량의 상태 및 조건, 예컨대, 위치, 선속도와 각속도, 선가속도와 각가속도, 및 AV(100)를 향한 선형 헤딩(linear heading)과 각도 헤딩(angular heading)의 측정된 또는 추론된 속성을 통신하기 위한 통신 디바이스(140)를 포함한다. 이러한 디바이스는 V2V(Vehicle-to-Vehicle) 및 V2I(Vehicle-to-Infrastructure) 통신 디바이스 및 포인트-투-포인트(point-to-point) 또는 애드혹(ad hoc) 네트워크 또는 둘 모두를 통한 무선 통신을 위한 디바이스를 포함한다. 일 실시예에서, 통신 디바이스(140)는 (라디오 및 광학 통신을 포함하는) 전자기 스펙트럼 또는 다른 매체(예를 들면, 공기 및 음향 매체)를 통해 통신한다. V2V(Vehicle-to-Vehicle), V2I(Vehicle-to-Infrastructure) 통신(및 일 실시예에서 하나 이상의 다른 유형의 통신)의 조합이 때때로 V2X(Vehicle-to-Everything) 통신으로 지칭된다. V2X 통신은 전형적으로, 자율 주행 차량과의 통신 및 자율 주행 차량들 사이의 통신을 위한 하나 이상의 통신 표준을 준수한다.
일 실시예에서, 통신 디바이스(140)는 통신 인터페이스를 포함한다. 예를 들어, 유선, 무선, WiMAX, 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 인터페이스(140)는 센서(121)로부터 수집된 데이터 또는 AV(100)의 동작에 관련된 다른 데이터를 원격에 위치된 데이터베이스(134)로 송신한다. 일 실시예에서, 통신 인터페이스(140)는 원격 운용(teleoperation)에 관련되는 정보를 AV(100)로 송신한다. 일 실시예에서, AV(100)는 다른 원격(예를 들어, "클라우드") 서버(136)와 통신한다.
일 실시예에서, 원격에 위치된 데이터베이스(134)는 또한 디지털 데이터를 저장 및 송신한다(예를 들면, 도로 및 거리 위치와 같은 데이터를 저장함). 그러한 데이터는 AV(100) 상의 메모리(144)에 저장되거나, 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)로 송신된다.
일 실시예에서, 원격에 위치된 데이터베이스(134)는 유사한 하루 중 시간(time of day)에 궤적(198)을 따라 이전에 주행한 차량의 운전 속성(예를 들면, 속력 프로파일 및 가속도 프로파일)에 관한 과거 정보를 저장 및 송신한다. 일 구현예에서, 그러한 데이터는 AV(100) 상의 메모리(144)에 저장될 수 있거나, 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)로 송신될 수 있다.
AV(100) 상에 위치된 컴퓨팅 디바이스(146)는 실시간 센서 데이터 및 사전 정보(prior information) 둘 모두에 기초한 제어 액션을 알고리즘적으로 생성하여, AV 시스템(120)이 자율 주행 운전 능력을 실행할 수 있게 한다.
일 실시예에서, AV 시스템(120)은 AV(100)의 사용자(예를 들면, 탑승자 또는 원격 사용자)에게 정보 및 경고를 제공하고 그로부터 입력을 수신하기 위해 컴퓨팅 디바이스(146)에 결합된 컴퓨터 주변기기(132)를 포함한다. 일 실시예에서, 주변기기(132)는 도 3을 참조하여 아래에서 논의되는 디스플레이(312), 입력 디바이스(314), 및 커서 컨트롤러(316)와 유사하다. 결합은 무선 또는 유선이다. 인터페이스 디바이스들 중 임의의 둘 이상이 단일 디바이스에 통합될 수 있다.
예시적인 클라우드 컴퓨팅 환경
도 2는 하나 이상의 실시예에 따른, 예시적인 "클라우드" 컴퓨팅 환경을 예시하는 블록 다이어그램이다. 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 서버들의 물리적 배열체를 지칭한다. 예를 들어, 서버는 클라우드 데이터 센터에서 룸(room), 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 요구사항, 에너지 요구사항, 열적 요구사항, 발열 요구사항, 및/또는 다른 요구사항을 포함하는, 데이터 센터 설비의 물리적 인프라스트럭처 요구사항에 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 통해 교환되는 데이터는, IP(Internet Protocol), MPLS(Multiprotocol Label Switching), ATM(Asynchronous Transfer Mode), 및 프레임 릴레이 등과 같은, 임의의 개수의 네트워크 계층 프로토콜을 사용하여 전송된다. 게다가, 네트워크가 다수의 서브 네트워크의 조합을 나타내는 실시예에서는, 기저 서브 네트워크(underlying sub-network) 각각에서 상이한 네트워크 계층 프로토콜이 사용된다. 일 실시예에서, 네트워크는 공중 인터넷과 같은 하나 이상의 상호연결된 인터네트워크를 나타낸다.
컴퓨팅 시스템(206a 내지 206f) 또는 클라우드 컴퓨팅 서비스 소비자는 네트워크 링크 및 네트워크 어댑터를 통해 클라우드(202)에 연결된다. 일 실시예에서, 컴퓨팅 시스템(206a 내지 206f)은 다양한 컴퓨팅 디바이스, 예를 들어, 서버, 데스크톱, 랩톱, 태블릿, 스마트폰, IoT(Internet of Things) 디바이스, 자율 주행 차량(자동차, 드론, 셔틀, 기차, 버스 등을 포함함) 및 소비자 전자기기로서 구현된다. 일 실시예에서, 컴퓨팅 시스템(206a 내지 206f)은 다른 시스템 내에 또는 그 일부로서 구현된다.
컴퓨터 시스템
도 3은 하나 이상의 실시예에 따른, 컴퓨터 시스템(300)을 예시하는 블록 다이어그램이다. 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 명령에 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 위한, 버스(302)와 결합된 하드웨어 프로세서(304)를 포함한다. 하드웨어 프로세서(304)는, 예를 들어, 범용 마이크로프로세서이다. 컴퓨터 시스템(300)은 프로세서(304)에 의해 실행될 명령 및 정보를 저장하기 위한, 버스(302)에 결합된 메인 메모리(306), 예컨대, RAM(random access memory) 또는 다른 동적 저장 디바이스를 또한 포함한다. 일 구현예에서, 메인 메모리(306)는 프로세서(304)에 의해 실행될 명령의 실행 동안 임시 변수 또는 다른 중간 정보를 저장하는 데 사용된다. 그러한 명령은, 프로세서(304)에 의해 액세스 가능한 비-일시적 저장 매체에 저장되어 있을 때, 컴퓨터 시스템(300)을 명령에 명시된 동작을 수행하도록 커스터마이징된 특수 목적 머신으로 만든다.
일 실시예에서, 컴퓨터 시스템(300)은, 프로세서(304)를 위한 정적 정보 및 명령어를 저장하기 위한, 버스(302)에 결합된 ROM(read only memory)(308) 또는 다른 정적 저장 디바이스를 추가로 포함한다. 정보 및 명령어를 저장하기 위한, 자기 디스크, 광학 디스크, 솔리드 스테이트 드라이브, 또는 3차원 크로스 포인트 메모리와 같은, 저장 디바이스(310)가 제공되고 버스(302)에 결합된다.
일 실시예에서, 컴퓨터 시스템(300)은 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 버스(302)를 통해 결합된다. 정보 및 커맨드 선택을 프로세서(304)에 통신하기 위한 문자 숫자식 키 및 다른 키를 포함하는 입력 디바이스(314)가 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 명시할 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 명령의 하나 이상의 시퀀스를 실행하는 것에 응답하여 컴퓨터 시스템(300)에 의해 수행된다. 그러한 명령은, 저장 디바이스(310)와 같은, 다른 저장 매체로부터 메인 메모리(306) 내로 판독된다. 메인 메모리(306)에 포함된 명령 시퀀스의 실행은 프로세서(304)로 하여금 본원에서 기술된 프로세스 단계를 수행하게 한다. 대안적인 실시예에서, 소프트웨어 명령 대신에 또는 소프트웨어 명령과 조합하여 고정 배선 회로가 사용된다.
"저장 매체"라는 용어는, 본원에서 사용되는 바와 같이, 머신으로 하여금 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, 음향파 또는 광파의 형태를 취할 수 있다.
일 실시예에서, 실행을 위해 하나 이상의 명령의 하나 이상의 시퀀스를 프로세서(304)로 반송하는 데 다양한 형태의 매체가 관여된다. 예를 들어, 명령은 초기에 원격 컴퓨터의 자기 디스크 또는 솔리드 스테이트 드라이브에 보유된다. 원격 컴퓨터는 자신의 동적 메모리에 명령어를 로딩하고 모뎀을 사용하여 전화선을 통해 명령어를 전송한다. 컴퓨터 시스템(300)에 로컬인 모뎀은 전화선을 통해 데이터를 수신하고 적외선 송신기를 사용하여 데이터를 적외선 신호로 변환한다. 적외선 검출기는 적외선 신호로 반송되는 데이터를 수신하고 적절한 회로는 데이터를 버스(302)에 둔다. 버스(302)는 데이터를 메인 메모리(306)로 반송하고, 프로세서(304)는 메인 메모리로부터 명령어를 검색 및 실행한다. 메인 메모리(306)에 의해 수신된 명령은 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 대한 데이터 통신 연결을 제공하기 위한 모뎀이다. 다른 예로서, 통신 인터페이스(318)는 호환 가능한 LAN(local area network)에 대한 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)에 대한 연결 또는 ISP(Internet Service Provider)(326)에 의해 운영되는 클라우드 데이터 센터 또는 장비에 대한 연결을 제공한다. ISP(326)는 차례로 지금은 "인터넷(328)"이라고 통상적으로 지칭되는 월드-와이드 패킷 데이터 통신 네트워크(world-wide packet data communication network)를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(322) 및 인터넷(328) 둘 모두는 디지털 데이터 스트림을 반송하는 전기 신호, 전자기 신호, 또는 광학 신호를 사용한다. 컴퓨터 시스템(300)으로 및 컴퓨터 시스템(300)으로부터 디지털 데이터를 반송하는, 다양한 네트워크를 통한 신호 및 통신 인터페이스(318)를 통한 네트워크 링크(320) 상의 신호는 송신 매체의 예시적인 형태이다. 일 실시예에서, 네트워크(320)는 위에서 기술된 클라우드(202) 또는 클라우드(202)의 일부를 포함한다.
컴퓨터 시스템(300)은 네트워크(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/되거나 추후의 실행을 위해 저장 디바이스(310) 또는 다른 비휘발성 스토리지에 저장된다.
자율 주행 차량 아키텍처
도 4는 하나 이상의 실시예에 따른, 자율 주행 차량(예를 들면, 도 1에 도시된 AV(100))에 대한 예시적인 아키텍처(400)를 예시하는 블록 다이어그램이다. 아키텍처(400)는 인지 모듈(402)(때때로 인지 회로라고 지칭됨), 계획 모듈(404)(때때로 계획 회로라고 지칭됨), 제어 모듈(406)(때때로 제어 회로라고 지칭됨), 로컬화 모듈(408)(때때로 로컬화 회로라고 지칭됨), 및 데이터베이스 모듈(410)(때때로 데이터베이스 회로라고 지칭됨)을 포함한다. 각각의 모듈은 AV(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. 일 실시예에서, 모듈(402, 404, 406, 408, 및 410) 중 임의의 모듈은 컴퓨터 소프트웨어(예를 들면, 컴퓨터 판독 가능 매체 상에 저장된 실행 가능한 코드) 및 컴퓨터 하드웨어(예를 들면, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, ASIC(application-specific integrated circuit), 하드웨어 메모리 디바이스, 다른 타입의 집적 회로, 다른 타입의 컴퓨터 하드웨어, 또는 이러한 것 중 임의의 것 또는 모든 것의 조합)의 조합이다.
사용 중에, 계획 모듈(404)은 목적지(412)를 나타내는 데이터를 수신하고 목적지(412)에 도달하기 위해(예를 들면, 도착하기 위해) AV(100)에 의해 주행될 수 있는 궤적(414)(때때로 루트라고 지칭됨)을 나타내는 데이터를 결정한다. 계획 모듈(404)이 궤적(414)을 나타내는 데이터를 결정하기 위해, 계획 모듈(404)은 인지 모듈(402), 로컬화 모듈(408), 및 데이터베이스 모듈(410)로부터 데이터를 수신한다.
인지 모듈(402)은, 예를 들면, 도 1에도 도시된 바와 같이, 하나 이상의 센서(121)를 사용하여 인근의 물리적 대상체를 식별한다. 대상체는 분류되고(예를 들면, 보행자, 자전거, 자동차, 교통 표지판 등과 같은 유형으로 그룹화되고), 분류된 대상체(416)를 포함하는 장면 묘사는 계획 모듈(404)에 제공된다.
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 글로벌 내비게이션 위성 시스템(GNSS) 유닛으로부터의 데이터 및 지리적 데이터를 사용하여 AV의 경도 및 위도를 계산한다. 일 실시예에서, 로컬화 모듈(408)에 의해 사용되는 데이터는 도로 기하학적 속성의 고정밀 맵, 도로망 연결 속성을 기술하는 맵, 도로 물리적 속성(예컨대, 교통 속력, 교통량, 차량 교통 차선들과 자전거 타는 사람 교통 차선들의 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.
제어 모듈(406)은 궤적(414)을 나타내는 데이터 및 AV 위치(418)를 나타내는 데이터를 수신하고, AV(100)로 하여금 목적지(412)를 향해 궤적(414)을 주행하게 할 방식으로 AV의 제어 기능(420a 내지 420c)(예를 들면, 조향, 스로틀링, 제동, 점화)을 동작시킨다. 예를 들어, 궤적(414)이 좌회전을 포함하는 경우, 제어 모듈(406)은, 조향 기능의 조향각이 AV(100)로 하여금 왼쪽으로 회전하게 하고 스로틀링 및 제동이 AV(100)로 하여금 이러한 회전이 이루어지기 전에 지나가는 보행자 또는 차량을 위해 일시정지 및 대기하게 하는 방식으로, 제어 기능(420a 내지 420c)을 동작시킬 것이다.
자율 주행 차량 입력
도 5는 하나 이상의 실시예에 따른, 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 예를 예시하는 블록 다이어그램이다. 하나의 입력(502a)은 LiDAR(Light Detection and Ranging) 시스템(예를 들면, 도 1에 도시된 LiDAR(123))이다. LiDAR는 그의 가시선에 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. ㅅ예를 들어, LiDAR 데이터는 환경(190)의 표현을 구성하는 데 사용되는 3D 또는 2D 포인트(포인트 클라우드라고도 알려져 있음)의 집합체이다.
다른 입력(502b)은 RADAR 시스템이다. RADAR는 인근의 물리적 대상체에 관한 데이터를 획득하기 위해 라디오 파를 사용하는 기술이다. RADAR는 LiDAR 시스템의 가시선 내에 있지 않은 대상체에 관한 데이터를 획득할 수 있다. RADAR 시스템(502b)은 출력(504b)으로서 RADAR 데이터를 생성한다. 예를 들어, RADAR 데이터는 환경(190)의 표현을 구성하는 데 사용되는 하나 이상의 라디오 주파수 전자기 신호이다.
다른 입력(502c)은 카메라 시스템이다. 카메라 시스템은 인근의 물리적 대상체에 관한 정보를 획득하기 위해 하나 이상의 카메라(예를 들면, CCD(charge-coupled device)와 같은 광 센서를 사용하는 디지털 카메라)를 사용한다. 카메라 시스템은 출력(504c)으로서 카메라 데이터를 생성한다. 카메라 데이터는 종종 이미지 데이터(예를 들면, RAW, JPEG, PNG 등과 같은 이미지 데이터 포맷의 데이터)의 형태를 취한다. 일부 예에서, 카메라 시스템은, 카메라 시스템이 깊이를 인지할 수 있게 하는, 예를 들면, 입체시(stereopsis)(스테레오 비전)를 위한, 다수의 독립적인 카메라를 갖는다. 비록 카메라 시스템에 의해 인지되는 대상체가 여기서 "인근"으로 기술되지만, 이것은 AV를 기준으로 한 것이다. 사용 중에, 카메라 시스템은 멀리 있는, 예를 들어, AV 전방으로 최대 1 킬로미터 이상에 있는 대상체를 "보도록" 구성될 수 있다. 따라서, 카메라 시스템은 멀리 떨어져 있는 대상체를 인지하도록 최적화되어 있는 센서 및 렌즈와 같은 특징부를 가질 수 있다.
다른 입력(502d)은 TLD(traffic light detection) 시스템이다. TLD 시스템은 하나 이상의 카메라를 사용하여, 시각적 운행 정보를 제공하는 교통 신호등, 거리 표지판, 및 다른 물리적 대상체에 관한 정보를 획득한다. TLD 시스템은 출력(504d)으로서 TLD 데이터를 생성한다. TLD 데이터는 종종 이미지 데이터(예를 들면, RAW, JPEG, PNG 등과 같은 이미지 데이터 포맷의 데이터)의 형태를 취한다. TLD 시스템은, 시각적 운행 정보를 제공하는 가능한 한 많은 물리적 대상체에 관한 정보를 획득하기 위해 TLD 시스템이 넓은 시야를 갖는 카메라(예를 들면, 광각 렌즈 또는 어안 렌즈를 사용함)를 사용하여, AV(100)가 이러한 대상체에 의해 제공되는 모든 관련 운행 정보에 액세스한다는 점에서, 카메라를 포함하는 시스템과 상이하다. 예를 들어, TLD 시스템의 시야각은 약 120도 이상일 수 있다.
일 실시예에서, 출력(504a 내지 504d)은 센서 융합 기술을 사용하여 조합된다. 따라서, 개별 출력(504a 내지 504d) 중 어느 하나가 AV(100)의 다른 시스템에 제공되거나(예를 들면, 도 4에 도시된 바와 같은 계획 모듈(404)에 제공되거나), 또는 결합된 출력이 동일한 유형(동일한 결합 기술을 사용하는 것 또는 동일한 출력을 결합하는 것 또는 둘 모두)의 단일 결합 출력 또는 다중 결합 출력의 형태 또는 상이한 유형(예를 들면, 상이한 각자의 결합 기술을 사용하는 것 또는 상이한 각자의 출력을 결합하는 것 또는 둘 모두)의 단일 결합 출력 또는 다중 결합 출력의 형태 중 어느 하나로 다른 시스템에 제공될 수 있다. 일 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 하나 이상의 실시예에 따른, LiDAR 시스템(602)(예를 들면, 도 5에 도시된 입력(502a))의 예를 예시하는 블록 다이어그램이다. 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 하나 이상의 실시예에 따른, 동작 중인 LiDAR 시스템(602)을 예시하는 블록 다이어그램이다. 이 도면에 도시된 시나리오에서, AV(100)는 이미지(702) 형태의 카메라 시스템 출력(504c) 및 LiDAR 데이터 포인트(704) 형태의 LiDAR 시스템 출력(504a) 둘 모두를 수신한다. 사용 중에, AV(100)의 데이터 프로세싱 시스템은 이미지(702)를 LiDAR 데이터 포인트(704)와 비교한다. 특히, 이미지(702)에서 식별된 물리적 대상체(706)가 LiDAR 데이터 포인트(704) 중에서도 식별된다. 이러한 방식으로, AV(100)는 데이터 포인트(704)의 윤곽 및 밀도에 기초하여 물리적 대상체의 경계를 인지한다.
도 8은 하나 이상의 실시예에 따른, LiDAR 시스템(602)의 동작을 추가적으로 상세히 예시하는 블록 다이어그램이다. 위에서 기술된 바와 같이, AV(100)는 LiDAR 시스템(602)에 의해 검출되는 데이터 포인트의 특성에 기초하여 물리적 대상체의 경계를 검출한다. 도 8에 도시된 바와 같이, 지면(802)과 같은 평평한 대상체는 LiDAR 시스템(602)으로부터 방출되는 광(804a 내지 804d)을 일관된 방식으로 반사할 것이다. 달리 말하면, LiDAR 시스템(602)이 일관된 간격을 사용하여 광을 방출하기 때문에, 지면(802)은 광을 동일한 일관된 간격으로 LiDAR 시스템(602)으로 다시 반사할 것이다. AV(100)가 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, AV(100)는 대상체(808)가 존재한다고 결정할 수 있다.
경로 계획
도 9는 하나 이상의 실시예에 따른, (예를 들면, 도 4에 도시된 바와 같은) 계획 모듈(404)의 입력과 출력 사이의 관계를 예시하는 블록 다이어그램(900)이다. 일반적으로, 계획 모듈(404)의 출력은 시작 포인트(904)(예를 들면, 소스 위치 또는 초기 위치)로부터 종료 포인트(906)(예를 들면, 목적지 또는 최종 위치)까지의 루트(902)이다. 루트(902)는 전형적으로 하나 이상의 세그먼트에 의해 정의된다. 예를 들어, 세그먼트는 거리, 도로, 간선도로, 사유 도로, 또는 자동차 주행에 적절한 다른 물리적 영역의 적어도 일 부분에 걸쳐 주행되는 거리이다. 일부 예에서, 예를 들어, AV(100)가 4륜 구동(4WD) 또는 상시 4륜구동(AWD) 자동차, SUV, 픽업 트럭 등과 같은 오프-로드 주행 가능 차량인 경우, 루트(902)는 비포장 경로 또는 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 특정 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, 차선들 중 하나 이상이 다른 차량을 갖는지, 또는 수 분 이하 동안에 걸쳐 변화되는 다른 인자에 기초하여, AV(100)가 다중 차선 중 한 차선을 선택하는 데 사용할 수 있는 궤적 계획 데이터(910)를 포함한다. 유사하게, 일부 구현예에서, 차선 레벨 루트 계획 데이터(908)는 루트(902)의 세그먼트에 특정적인 속력 제약(912)을 포함한다. 예를 들어, 세그먼트가 보행자 또는 예상치 못한 교통상황(traffic)을 포함하는 경우, 속력 제약(912)은 AV(100)를 예상된 속력보다 더 느린 주행 속력, 예를 들면, 세그먼트에 대한 속력 제한 데이터에 기초한 속력으로 제한할 수 있다.
일 실시예에서, 계획 모듈(404)에의 입력은 (예를 들면, 도 4에 도시된 데이터베이스 모듈(410)로부터의) 데이터베이스 데이터(914), 현재 위치 데이터(916)(예를 들면, 도 4에 도시된 AV 위치(418)), (예를 들면, 도 4에 도시된 목적지(412)에 대한) 목적지 데이터(918), 및 대상체 데이터(920)(예를 들면, 도 4에 도시된 인지 모듈(402)에 의해 인지되는 분류된 대상체(416))를 포함한다. 일 실시예에서, 데이터베이스 데이터(914)는 계획에 사용되는 규칙을 포함한다. 규칙은 형식 언어를 사용하여, 예를 들면, 불리언 논리를 사용하여 명시된다. AV(100)가 조우하는 임의의 주어진 상황에서, 규칙들 중 적어도 일부는 해당 상황에 적용될 것이다. 규칙이 AV(100)에 이용 가능한 정보, 예를 들면, 주위 환경에 관한 정보에 기초하여 충족되는 조건을 갖는 경우, 규칙이 주어진 상황에 적용된다. 규칙은 우선순위를 가질 수 있다. 예를 들어, "도로가 프리웨이인 경우, 최좌측 차선으로 이동하라"로 되어 있는 규칙은, 출구가 1마일 내로 다가오고 있는 경우, 최우측 차선으로 이동하라"는 것보다 낮은 우선순위를 가질 수 있다.
도 10은 하나 이상의 실시예에 따른, 예를 들어, 계획 모듈(404)(도 4)에 의해 경로 계획에 사용되는 방향 그래프(1000)를 예시한다. 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 지역에 있음) 또는 상대적으로 작을 수 있다(예를 들면, 도시 블록과 맞닿아 있는 2개의 교차로 또는 다중 차선 도로의 2개의 차선).
일 실시예에서, 방향 그래프(1000)는 AV(100)에 의해 점유될 수 있는 시작 포인트(1002)와 종료 포인트(1004) 사이의 상이한 위치를 나타내는 노드(1006a 내지 1006d)를 갖는다. 일부 예에서, 예를 들면, 시작 포인트(1002)와 종료 포인트(1004)가 상이한 대도시 지역을 나타낼 때, 노드(1006a 내지 1006d)는 도로의 세그먼트를 나타낸다. 일부 예에서, 예를 들면, 시작 포인트(1002)와 종료 포인트(1004)가 동일한 도로 상의 상이한 위치를 나타낼 때, 노드(1006a 내지 1006d)는 해당 도로 상의 상이한 위치를 나타낸다. 이러한 방식으로, 방향 그래프(1000)는 다양한 입도 레벨로 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 떨어져 있는) 방향 그래프는 그의 정보 대부분이 낮은 입도이고 저장된 데이터에 기초하지만, AV(100)의 시야 내의 물리적 위치를 나타내는 그래프의 부분에 대한 일부 높은 입도 정보도 포함한다.
노드(1006a 내지 1006d)는 노드와 중첩될 수 없는 대상체(1008a 및 1008b)와 별개이다. 일 실시예에서, 입도가 낮을 때, 대상체(1008a 및 1008b)는 자동차에 의해 횡단될 수 없는 영역, 예를 들면, 거리 또는 도로가 없는 구역을 나타낸다. 입도가 높을 때, 대상체(1008a 및 1008b)는 AV(100)의 시야 내의 물리적 대상체, 예를 들면, 다른 자동차, 보행자, 또는 AV(100)와 물리적 공간을 공유할 수 없는 다른 엔티티를 나타낸다. 일 실시예에서, 대상체(1008a 및 1008b)의 일부 또는 전부는 정적 대상체(예를 들면, 가로등 또는 전신주와 같은 위치를 변경하지 않는 대상체) 또는 동적 대상체(예를 들면, 보행자 또는 다른 자동차와 같은 위치를 변경할 수 있는 대상체)이다.
노드(1006a 내지 1006d)는 에지(1010a 내지 1010c)에 의해 연결된다. 2개의 노드(1006a 및 1006b)가 에지(1010a)에 의해 연결되는 경우, AV(100)가, 예를 들면, 다른 노드(1006b)에 도착하기 전에 중간 노드로 주행할 필요 없이, 하나의 노드(1006a)와 다른 노드(1006b) 사이에서 주행하는 것이 가능하다. (노드들 사이에서 주행하는 AV(100)를 언급할 때, AV(100)가 각자의 노드에 의해 표현되는 2개의 물리적 위치 사이에서 주행한다는 것을 의미한다.) 에지(1010a 내지 1010c)는, AV(100)가 제1 노드로부터 제2 노드로, 또는 제2 노드로부터 제1 노드로 주행한다는 의미에서 종종 양방향성이다. 일 실시예에서, 에지(1010a 내지 1010c)는, AV(100)가 제1 노드로부터 제2 노드로 주행할 수 있지만, AV(100)가 제2 노드로부터 제1 노드로 주행할 수 없다는 의미에서 단방향성이다. 에지(1010a 내지 1010c)는, 예를 들어, 일방통행로, 거리, 도로, 또는 간선도로의 개별 차선, 또는 법적 또는 물리적 제약으로 인해 일 방향으로만 횡단될 수 있는 다른 특징부를 나타낼 때, 단방향성이다.
일 실시예에서, 계획 모듈(404)은 방향 그래프(1000)를 사용하여 시작 포인트(1002)와 종료 포인트(1004) 사이의 노드 및 에지로 구성된 경로(1012)를 식별한다.
에지(1010a 내지 1010c)는 연관된 비용(1014a 및 1014b)을 갖는다. 비용(1014a 및 1014b)은 AV(100)가 해당 에지를 선택하는 경우 소비될 리소스를 나타내는 값이다. 전형적인 리소스는 시간이다. 예를 들어, 하나의 에지(1010a)가 다른 에지(1010b)의 물리적 거리의 2배인 물리적 거리를 나타내는 경우, 제1 에지(1010a)의 연관된 비용(1014a)은 제2 에지(1010b)의 연관된 비용(1014b)의 2배일 수 있다. 시간에 영향을 미치는 다른 인자는 예상된 교통, 교차로들의 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 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 총 비용을 갖는 경로를 선택한다.
자율 주행 차량 제어
도 11은 하나 이상의 실시예에 따른, (예를 들면, 도 4에 도시된 바와 같은) 제어 모듈(406)의 입력 및 출력을 예시하는 블록 다이어그램(1100)이다. 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(210)를 포함하는 제어기(1102), 및 메모리 내에 저장된 명령에 따라 동작하는데, 상기 명령은 명령이 (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 들면, 속력 및 헤딩을 포함한다. 원하는 출력(1104)은, 예를 들어, (예를 들면, 도 4에 도시된 바와 같은) 계획 모듈(404)로부터 수신되는 데이터에 기초할 수 있다. 원하는 출력(1104)에 따라, 제어기(1102)는 스로틀 입력(1106) 및 조향 입력(1108)으로서 사용 가능한 데이터를 생성한다. 스로틀 입력(1106)은 원하는 출력(1104)을 달성하기 위해, 예를 들면, 조향 페달에 관여하거나 또는 다른 스로틀 제어에 관여함으로써, AV(100)의 스로틀(예를 들면, 가속 제어)에 관여하는 정도를 나타낸다. 일부 예에서, 스로틀 입력(1106)은 AV(100)의 브레이크(예를 들면, 감속 제어)에 관여하는 데 사용 가능한 데이터를 또한 포함한다. 조향 입력(1108)은 조향각, 예를 들면, AV의 조향 컨트롤(예를 들면, 조향 휠, 조향각 액추에이터, 또는 조향각을 제어하기 위한 다른 기능성)이 원하는 출력(1104)을 달성하도록 위치설정되어야 하는 각도를 나타낸다.
일 실시예에서, 제어기(1102)는 스로틀 및 조향에 제공되는 입력을 조정하는 데 사용되는 피드백을 수신한다. 예를 들어, AV(100)가 언덕과 같은 방해물(1110)과 조우하면, AV(100)의 측정된 속력(1112)은 원하는 출력 속력 아래로 낮아진다. 일 실시예에서, 임의의 측정된 출력(1114)은, 예를 들어, 측정된 속력과 원하는 출력 사이의 차분(1113)에 기초하여, 필요한 조정이 수행되도록 제어기(1102)에 제공된다. 측정된 출력(1114)은 측정된 위치(1116), 측정된 속도(1118)(속력 및 헤딩을 포함함), 측정된 가속도(1120), 및 AV(100)의 센서에 의해 측정 가능한 다른 출력을 포함한다.
일 실시예에서, 방해물(1110)에 관한 정보는, 예를 들면, 카메라 또는 LiDAR 센서와 같은 센서에 의해 미리 검출되고, 예측 피드백 모듈(1122)에 제공된다. 이어서, 예측 피드백 모듈(1122)은 정보를 제어기(1102)에 제공하며, 제어기(1102)는 이 정보를 사용하여 그에 따라 조정할 수 있다. 예를 들어, AV(100)의 센서가 언덕을 검출한("본") 경우, 이 정보는 상당한 감속을 방지하도록 적절한 시간에 스로틀에 관여할 준비를 하기 위해 제어기(1102)에 의해 사용될 수 있다.
도 12는 하나 이상의 실시예에 따른, 제어기(1102)의 입력, 출력, 및 컴포넌트를 예시하는 블록 다이어그램(1200)이다. 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 횡방향 추적 제어기(1208)를 갖는다. 예를 들어, 횡방향 추적 제어기(1208)는, 예를 들면, 제어기(1102)에 의해 수신되고 횡방향 추적 제어기(1208)에 의해 프로세싱되는 피드백에 따라 조향각 액추에이터(1212)의 위치를 조정하도록 조향 제어기(1204)에 명령한다.
제어기(1102)는 스로틀/브레이크(1206) 및 조향각 액추에이터(1212)를 제어하는 방법을 결정하는 데 사용되는 여러 입력을 수신한다. 계획 모듈(404)은, 예를 들어, AV(100)가 동작을 시작할 때 헤딩을 선택하기 위해 그리고 AV(100)가 교차로에 도달할 때 어느 도로 세그먼트를 횡단할지를 결정하기 위해, 제어기(1102)에 의해 사용되는 정보를 제공한다. 로컬화 모듈(408)은, 예를 들어, 스로틀/브레이크(1206) 및 조향각 액추에이터(1212)가 제어되고 있는 방식에 기초하여 예상되는 위치에 AV(100)가 있는지를 제어기(1102)가 결정할 수 있도록, AV(100)의 현재 위치를 기술하는 정보를 제어기(1102)에 제공한다. 일 실시예에서, 제어기(1102)는 다른 입력(1214)으로부터의 정보, 예를 들어, 데이터베이스, 컴퓨터 네트워크 등으로부터 수신된 정보를 수신한다.
자율 주행 차량을 위한 적응형 포인트 클라우드 생성
도 13은 하나 이상의 실시예에 따른, AV(100)를 위한 적응형 포인트 클라우드 생성의 예를 예시하는 개략도이다. AV(100)는 도 1을 참조하여 더 상세히 예시되고 기술되어 있다. AV(100)는 적어도 하나의 프로세서를 사용하여 AV(100)의 LiDAR 시스템으로부터 다수의 LiDAR 포인트(1304, 1308, 1312, 1316)를 수신한다. 프로세서는, 도 1을 참조하여 더 상세히 예시되고 기술된, 프로세서(146)와 동일하거나 유사하다. 예를 들어, 프로세서(146)는, 도 4를 참조하여 더 상세히 예시되고 기술된, 계획 모듈(404) 또는 인지 모듈(402)의 일부일 수 있다. LiDAR 시스템(602)은 적어도 하나의 LiDAR 센서(123)를 포함한다. LiDAR 시스템(602) 및 LiDAR 센서로부터 LiDAR 포인트를 수신하는 프로세스는 도 6을 참조하여 더 상세히 예시되고 기술되어 있다. LiDAR 센서(123)는 도 1를 참조하여 더 상세히 예시되고 기술되어 있다.
다수의 LiDAR 포인트(1304, 1308, 1312, 1316)는 AV(100)가 주행하는 환경에 있는 적어도 하나의 대상체를 나타낸다. 그러한 대상체의 예는, 도 1을 참조하여 더 상세히 예시되고 기술된, 차량(193)이다. 환경은, 도 1을 참조하여 더 상세히 예시되고 기술된, 환경(190)과 동일하거나 유사하다. LiDAR 센서(123)는 대상체 인식, 세그먼트화 및 로컬화에 중요한 역할을 한다. 그렇지만, LiDAR 센서(123)를 사용하여 획득되는 원시(프로세싱되지 않은) LiDAR 포인트는 때때로 중복 정보 및 불균일한 밀도 분포를 포함할 수 있다. 따라서, LiDAR 시스템(602)에 더 가까운 LiDAR 포인트(1304, 1316)의 밀도는 LiDAR 시스템(602)으로부터 더 멀리 떨어진 LiDAR 포인트(1308, 1312)의 밀도보다 클 수 있다. 본원에서 개시된 실시예는 AV(100)의 동작 동안 다운스트림 시스템(예를 들면, 계획 모듈)의 정확도를 유지하면서 LiDAR 시스템(602)에 의해 획득되는 LiDAR 데이터의 밀도 변동을 감소시킨다. 예시적인 계획 모듈(404)은 도 4를 참조하여 더 상세히 예시되고 기술되어 있다.
일부 실시예에서, 프로세서는 다수의 LiDAR 포인트(1304, 1308, 1312, 1316)의 각각의 LiDAR 포인트(예를 들어, LiDAR 포인트(1304))의 유클리드 거리(d1)를 결정한다. LiDAR 포인트(1304)의 유클리드 거리(d1)는 LiDAR 포인트(1304)와 LiDAR 시스템(602) 사이의 유클리드 거리를 지칭한다. 다른 LiDAR 포인트에 비해 더 먼 거리에 위치된 LiDAR 포인트(예를 들면, LiDAR 포인트(1308, 1312))는 더 희박하다. 따라서, 더 멀리 떨어진 LiDAR 포인트(1308, 1312)는 더 많은 정보를 전달한다. 예를 들어, LiDAR 포인트(1308)의 유클리드 거리(d2)는 LiDAR 포인트(1308)와 LiDAR 시스템(602) 사이의 유클리드 거리를 지칭한다. 도 13에 예시된 스캔 라인에서, 2개의 연속적인 LiDAR 포인트(1304, 1316) 사이의 거리(예를 들면, 거리(e1))는 LiDAR 시스템(602)으로부터 대상체(예를 들어, 차량(193))까지의 거리(d1)에 비례한다. 도 13에 예시된 바와 같이, e1 = tanθ×d1이고, 여기서 θ는 LiDAR 포인트(1304, 1316)에 대응하는 2개의 스캔 라인 사이의 각도를 표기한다. 따라서, tan θ
Figure pat00001
θ이기 때문에, e1
Figure pat00002
θ×d1이다. 유사하게, e2 = tanθ×d2이고, 여기서 θ는 LiDAR 포인트(1308, 1312)에 대응하는 2개의 스캔 라인 사이의 각도를 표기한다. 그러므로, tan θ
Figure pat00003
θ이기 때문에, 따라서 e2
Figure pat00004
θ×d2이다.
프로세서는 각각의 LiDAR 포인트(예를 들면, LiDAR 포인트(1304))의 유클리드 거리(d1)를 유클리드 거리의 표준 정규 분포로부터의 각자의 샘플링된 유클리드 거리(du)와 비교한다. 일부 실시예에서, 각자의 샘플링된 유클리드 거리(du)는 0과 dmax 사이의 값을 취하는 난수 또는 확률 변수이다. 여기서, dmax는, 때때로 "최대 비모호 측정 범위(maximum unambiguous measurement range)"라고 지칭되는, LiDAR 시스템(602)의 범위를 지칭한다. 범위(dmax)는 LiDAR 시스템(602)으로부터의 방출 광(604)의 특성에 의해 제한된다. 방출 광(604)은 도 6을 참조하여 더 상세히 예시되고 기술되어 있다.
일부 실시예에서, 프로세서는 광속(c)에 기초한 LiDAR 시스템(602)의 측정 범위(dmax) 및 LiDAR 센서(123)의 펄스 반복 주파수(PRF)를 결정한다. LiDAR 시스템(602)은 광(604)을 방출하고 광(604)의 펄스가 송신될 때마다 타깃 대상체(예를 들면, 차량(193))로부터의 에코가 수신된다. PRF가 높을수록, 더 많은 대상체가 페인팅(paint)될 수 있다. 대상체(예를 들면, 차량(193))를 "페인팅"하는 것은 대상체로부터 다시 반사되는 광(604)에 기초하여 대상체의 3차원(3D) 표현을 생성하는 것을 의미한다. 반사 광(604)은 대상체를 표현하는 포인트 클라우드(3D 표현)를 생성하는 데 사용된다.
LiDAR 센서(123)의 방출 광(604)은 광속(c)으로 진행한다. 그 결과, LiDAR 센서(123)와 타깃 대상체 사이의 거리(일반적으로 di로 표기됨)는 di = c × t/2에 의해 주어지고, 여기서 t는 광(604)을 방출하는 것과 에코를 수신하는 것 사이의 시간을 표기한다. 광(604)이 양 방향으로 거리(di)를 진행해야 하기 때문에 시간(t)은 2로 나누어진다. LiDAR 광(604)의 펄스가 반복될 때, 광의 측정 모호성을 피하기 위해, 광(604)의 각각의 펄스는 다음 펄스가 방출되기 전에 LiDAR 센서(123)로 복귀해야 한다. 주어진 PRF에 대해, 이 시간 제한은 1 / PRF로 결정될 수 있다. 그러므로, 광속(c)을 사용하여, 광(604)이 진행할 수 있는 최대 거리는 (c / PRF)로서 결정되고, LiDAR 센서(123)와 타깃 대상체 사이의 최대 거리(최대 비모호 측정 범위)는 dmax = 1/2 × c / PRF로서 결정된다.
일부 실시예에서, 각자의 샘플링된 유클리드 거리는 상수(k)이다. 예를 들어, AV(100)는 도 13을 참조하여 예시된 바와 같이 LiDAR 시스템(602)으로부터 LiDAR 포인트(1304, 1308, 1312, 1316)를 수신한다. 프로세서는 각각의 LiDAR 포인트(예를 들면, LiDAR 포인트(1304))의 유클리드 거리(di)를 결정한다. 프로세서는 다수의 LiDAR 포인트(1304, 1308, 1312, 1316)의 밀도 변동에 기초하여 출력 포인트 클라우드에 LiDAR 포인트(1304)를 추가할 가능성을 결정할 수 있다. 예시적인 출력 포인트 클라우드(1408)가 도 14를 참조하여 더 상세히 예시되고 기술된다. 예를 들어, 다수의 LiDAR 포인트(1304, 1308, 1312, 1316)의 분포 특성에 기초하여 LiDAR 포인트를 유지할 가능성을 결정하는 데 통계 프로세싱이 사용된다.
각각의 LiDAR 포인트에 대해, 프로세서는 LiDAR 포인트의 유클리드 거리(di)에 기초하여 LiDAR 포인트를 유지할 확률을 결정한다. 일부 실시예에서, 프로세서는 각각의 LiDAR 포인트의 유클리드 거리(di )를 상수(k)와 비교한다. 더 멀리 떨어진 LiDAR 포인트는 더 희박하고 더 많은 정보를 전달한다. 그러므로, LiDAR 포인트를 유지할 확률은 유클리드 거리(di)가 상수(k)와 동일할 때까지 그의 유클리드 거리(di)가 증가함에 따라 증가한다. di가 상수(k)와 동일하거나 이를 초과할 때 LiDAR 포인트를 유지할 확률은 1이다. 상수(k)의 값은 도 15 내지 도 23에 도시된 바와 같이 실험 결과에 기초하여 결정 및 조정될 수 있다. 예를 들어, 상수(k)는 (dmax / 2), (dmax / 4) 또는 어떤 다른 값으로 설정될 수 있다. 상수(k)의 값은 또한 계산 실행 시간(computational runtime)의 변화 및 출력 포인트 클라우드에서 요망되는 LiDAR 포인트의 개수에 기초하여 조정될 수 있다. 예를 들어, 상수(k)의 값이 클수록, 더 적은 수의 LiDAR 포인트가 출력 포인트 클라우드에 나타날 것이다. 따라서, 출력 포인트 클라우드의 밀도 및 AV 동작을 위한 출력 포인트 클라우드를 프로세싱하는 것의 복잡도가 감소한다. LiDAR 포인트의 유클리드 거리(di)가 상수(k)보다 작을 때, 프로세서는 LiDAR 포인트를 출력 포인트 클라우드에 포함시키지 않는다.
다른 실시예에서, 도 15를 참조하여 더 상세히 예시되고 기술된 바와 같이, 각자의 샘플링된 유클리드 거리는 0과 1 사이의 확률 변수이다. 그러한 실시예에서, 각자의 샘플링된 유클리드 거리는 유클리드 거리 비(Rd)이다. 프로세서는 각각의 LiDAR 포인트(예를 들면, LiDAR 포인트(1304))에 대한 유클리드 거리 비(Rd)를 결정한다. 유클리드 거리 비(Rd)는 LiDAR 범위(dmax)에 대한 (LiDAR 시스템(602)과 LiDAR 포인트(1304) 사이의) 거리(di)의 비이다. 프로세서는 유클리드 거리 비(Rd = di / dmax)를 유클리드 거리 비의 표준 정규 분포로부터의 샘플링된 유클리드 거리 비(Ru)와 비교한다. 유클리드 거리 비(Rd)는 각각의 LiDAR 포인트(1304)가 그를 측정하는 LiDAR 센서(123)로부터 얼마나 멀리 떨어져 있는지의 척도이다. 샘플링된 유클리드 거리 비(Ru)는 거리 비의 가우시안 분포를 반영하는 0과 1 사이의 확률 변수이다.
LiDAR 포인트(예를 들면, LiDAR 포인트(1304))의 유클리드 거리(일반적으로 di로 표기됨)가 각자의 샘플링된 유클리드 거리(du)보다 작은 것에 응답하여, 프로세서는 다수의 LiDAR 포인트(1304, 1308, 1312, 1316)로부터 LiDAR 포인트(1304)를 제거하여 출력 포인트 클라우드를 생성한다. 예시적인 출력 포인트 클라우드(1408)가 도 14를 참조하여 더 상세히 예시되고 기술된다. 기술된 실시예는 기술된 바와 같이 다수의 LiDAR 포인트(1304, 1308, 1312, 1316)를 다운 샘플링 및 필터링하는 것에 의해 다수의 LiDAR 포인트(1304, 1308, 1312, 1316)를 프로세싱하는 것의 계산 복잡도를 감소시킨다. 확률 변수에 의해 주어지는 거리(du)보다 LiDAR 센서(123)로부터 더 멀리 떨어진 각각의 LiDAR 포인트가 출력 포인트 클라우드로 집계된다. 프로세서는 출력 포인트 클라우드에 기초하여 AV(100)를 동작시킨다. 예를 들어, 프로세서는 도 4를 참조하여 더 상세히 예시되고 기술된 제어 모듈(406)의 일부일 수 있다. 생성된 출력 포인트 클라우드는 추가 프로세싱에도 적합한 감소된 밀도의 포인트 클라우드이다.
도 14는 하나 이상의 실시예에 따른, AV를 위한 예시적인 LiDAR 포인트 클라우드(1404, 1408)를 예시하는 개략도이다. AV는, 도 1 및 도 13을 참조하여 더 상세히 예시되고 기술된, AV(100)와 동일하거나 유사하다. AV는 AV의 LiDAR 시스템으로부터 입력 LiDAR 포인트 세트(예를 들면, LiDAR 포인트(1412, 1416))를 수신한다. LiDAR 시스템은, 도 6 및 도 13을 참조하여 더 상세히 예시되고 기술된, LiDAR 시스템(602)과 동일하거나 유사하다. 입력 LiDAR 포인트 세트는 도 14에 도시된 포인트 클라우드(1404)를 구성한다. 포인트 클라우드(1404)는 다중 채널 LiDAR 스캔 원시 포인트 클라우드이다. LiDAR 시스템을 사용하여 획득되는 포인트 클라우드(1404)는 중복 정보 및 불균일한 밀도 분포를 가질 수 있다. 예를 들어, LiDAR 시스템(602)으로부터 더 멀리 떨어진 LiDAR 포인트(1412)는 LiDAR 시스템(602)에 더 가까운 LiDAR 포인트(1416)에 비해 더 희박하다. 이에 따라, LiDAR 시스템에 더 가까운 LiDAR 포인트(1416)가 더 조밀하다. 따라서, 포인트 클라우드(1404) 및 LiDAR 포인트(1412, 1416)는 제1 밀도 변동을 갖는다. 도 14에 도시된 심벌(dmax)은 도 13을 참조하여 더 상세히 기술된 LiDAR 범위를 지칭한다.
다수의 LiDAR 포인트(1412, 1416)의 LiDAR 포인트(예를 들면, LiDAR 포인트(1416))의 유클리드 거리(di)가 유클리드 거리의 표준 정규 분포로부터의 각자의 샘플링된 유클리드 거리(du)보다 작은 것에 응답하여, AV는 출력 포인트 클라우드(1408)를 생성하기 위해 다수의 LiDAR 포인트(1412, 1416)로부터 LiDAR 포인트(1416)를 제거한다. 유클리드 거리(di) 및 각자의 샘플링된 유클리드 거리(du)는 도 13을 참조하여 더 상세히 기술되어 있다.
포인트 클라우드(1408)에서, LiDAR 시스템으로부터 더 멀리 떨어진 LiDAR 포인트(1420)의 밀도는 LiDAR 시스템에 더 가까운 LiDAR 포인트(1424)의 밀도에 더 가깝다. 따라서, 다수의 LiDAR 포인트(1412, 1416)(포인트 클라우드(1404))는 제1 밀도 변동을 갖고, 포인트 클라우드(1408)는 제1 밀도 변동보다 작은 제2 밀도 변동을 갖는다. 일부 실시예에서, 포인트 클라우드(1408)를 생성하는 것은, AV에 의해, 제2 밀도 변동을 생성하기 위해 수신된 LiDAR 포인트(1412, 1416)를 다운 샘플링하는 것을 포함한다. 대부분의 LiDAR 포인트(예를 들면, LiDAR 포인트(1416))가 LiDAR 시스템의 LiDAR 센서에 더 가깝기 때문에, 더 가까운 LiDAR 포인트(1416)는 더 많은 중복 정보를 갖는다. LiDAR 센서는, 도 1을 참조하여 더 상세히 예시되고 기술된, LiDAR 센서(123)와 동일하거나 유사하다. LiDAR 시스템으로부터 수신되는 다수의 LiDAR 포인트(1412, 1416)는 더 큰 변동을 갖는 제1 밀도 분포를 갖는다. 이러한 이유는 다수의 LiDAR 포인트(1412, 1416)가 LiDAR 시스템에 더 가깝게 위치된 더 조밀하게 이격된(denser-spaced) LiDAR 포인트(1416)는 물론 LiDAR 시스템으로부터 더 멀리 떨어져 위치된 더 희박하게 이격된(sparser-spaced) LiDAR 포인트(1412)를 포함하기 때문이다.
일부 실시예에서, 다수의 LiDAR 포인트(1412, 1416)로부터 LiDAR 포인트(1416)를 제거하는 것은 제1 밀도 변동에 기초한다. 예를 들어, 대부분의 LiDAR 포인트(예를 들면, LiDAR 포인트(1416))는 LiDAR 센서에 더 가깝고; 따라서 더 가까운 LiDAR 포인트(1416)는 더 많은 중복 정보를 갖는다. 포인트 클라우드(1408)로서 유지되는 다수의 LiDAR 포인트(1412, 1416)의 서브세트는 제1 밀도 변동보다 작은 제2 밀도 변동을 갖는데, 그 이유는 LiDAR 포인트의 밀도가 다운 샘플링에 의해 스무딩되었기 때문이다.
일부 실시예에서, AV는 대상체를 식별하기 위해 제2 밀도 변동에 기초하여 포인트 클라우드(1408)를 세그먼트화한다. 대상체는, 도 1을 참조하여 더 상세히 예시되고 기술된, 차량(193)과 동일하거나 유사하다. 예를 들어, 포인트 클라우드(1408)는 전경과 배경으로 세그먼트화될 수 있다. 대상체를 로컬화 및 인식하는 것, 분류 및 특징 추출을 위해 유사한 특성을 갖는 LiDAR 포인트(1420, 1424)가 동질 영역으로 세그먼트화될 수 있다. 예를 들어, AV는 포인트 클라우드(1408)로부터 그래프를 작성하고 그래프를 클러스터링하여, 경계를 따른 평탄성(smoothness) 또는 오목성(concavity)을 사용하여 세그먼트화를 생성할 수 있다. AV를 동작시키는 것은 대상체와의 충돌을 피하기 위해 세그먼트화된 포인트 클라우드(1408)에 추가로 기초할 수 있다. 대상체 분류는, 도 4를 참조하여 더 상세히 예시되고 기술된, 인지 모듈(402)과 동일하거나 유사한 인지 모듈에 의해 수행된다. (충돌을 피하기 위한) 경로 계획은, 도 4를 참조하여 더 상세히 예시되고 기술된, 계획 모듈(404)과 동일하거나 유사한 계획 모듈에 의해 수행된다.
일부 실시예에서, AV는 제2 밀도 변동에 기초하여 포인트 클라우드(1408)에서의 노이즈 양을 감소시킨다. 예를 들어, 제2 밀도 변동에 기초하여 노이즈 있는 포인트 클라우드로부터 이상치를 스무딩하기 위해 통계적 노이즈 필터링(예를 들면, 커널 클러스터링)이 사용될 수 있다. 노이즈를 나타내는 LiDAR 포인트는 비-노이즈(non-noise) LiDAR 포인트보다 낮은 밀도를 가질 것이고, 따라서 제거될 수 있다. 일부 실시예에서, AV는 제2 밀도 변동에 기초하여 포인트 클라우드(1408)를 스무딩한다. 예를 들어, 포인트 클라우드(1408)의 서브세트를 새로운 포인트 클라우드 상으로 투영하여 노이즈를 감소시키기 위해 포인트 클라우드(1408)에 대해 투영 연산자(projection operator)가 사용될 수 있다. 계획 모듈과 제어 모듈을 사용하여 AV의 동작을 위한 균등 분포된 새로운 포인트 클라우드를 생성하기 위해 제2 밀도 변동이 연산자에게 통합된다. 제어 모듈은, 도 4를 참조하여 더 상세히 예시되고 기술된, 제어 모듈(406)과 동일하거나 유사하다.
도 15는 하나 이상의 실시예에 따른, AV를 위한 적응형 포인트 클라우드 생성을 위한 예시적인 프로세스를 예시한다. AV는, 도 1을 참조하여 더 상세히 예시되고 기술된, AV(100)와 동일하거나 유사하다. AV는 Pin으로 표기된 원시 입력 포인트 클라우드를 수신한다. 입력 포인트 클라우드(Pin)는, 도 14를 참조하여 더 상세히 예시되고 기술된, 포인트 클라우드(1404)와 동일하거나 유사하다. 입력 포인트 클라우드(Pin)는 AV의 LiDAR 시스템으로부터 수신되는 다수의 LiDAR 포인트를 포함한다. 다수의 LiDAR 포인트는, 도 14를 참조하여 더 상세히 예시되고 기술된, LiDAR 포인트(1412, 1416)와 동일하거나 유사하다. LiDAR 시스템은, 도 6을 참조하여 더 상세히 예시되고 기술된, LiDAR 시스템(602)과 동일하거나 유사하다. 다수의 LiDAR 포인트 각각은 도 15에 도시된 바와 같이 pi로 표기된다. 일부 실시예에서, LiDAR 범위(dmax)가 또한 도 15에 도시된 예시적인 프로세스에 대한 입력이다. 다른 실시예에서, LiDAR 범위(dmax)는 도 13을 참조하여 기술된 방법을 사용하여 결정된다. 도 15에 도시된 예시적인 프로세스의 출력은 Pout으로 표기된 필터링된 포인트 클라우드이다. 포인트 클라우드(Pout)는, 도 14를 참조하여 더 상세히 예시되고 기술된, 출력 포인트 클라우드(1408)와 동일하거나 유사하다.
원시 입력 포인트 클라우드(Pin)에서의 각각의 LiDAR 포인트(pi)에 대해, AV는 유클리드 거리 비(Rd)를 결정한다. 유클리드 거리 비(Rd)는 LiDAR 범위(dmax)에 대한 (LiDAR 시스템과 LiDAR 포인트(pi) 사이의) 거리(di)의 비이다. 따라서, 도 15에 도시된 바와 같이, Rd = di / dmax이다. 유클리드 거리 비(Rd)는 LiDAR 포인트(pi)가 그를 측정하는 LiDAR 센서로부터 얼마나 멀리 떨어져 있는지의 척도이다. LiDAR 센서는, 도 1을 참조하여 더 상세히 예시되고 기술된, LiDAR 센서(123)와 동일하거나 유사하다.
AV는 0과 1 사이의 값을 가지는 난수(Ru)를 생성한다. 난수(Ru)는 유클리드 거리 비의 표준 정규 분포로부터의 샘플링된 유클리드 거리 비를 나타낸다. 샘플링된 비(Ru)는 거리 비의 가우시안 분포를 반영하는 0과 1 사이의 확률 변수이다. AV는, LiDAR 시스템에 더 가까운 LiDAR 포인트가 LiDAR 시스템으로부터 더 멀리 떨어진 LiDAR 포인트보다 제거될 가능성이 더 높도록, LiDAR 포인트(pi)를 거리별로 다운 샘플링하기 위해 Rd와 Ru의 값을 비교한다. 더 멀리 떨어진 LiDAR 포인트는 더 희박하고 따라서 더 멀리 떨어진 LiDAR 포인트는 더 많은 정보를 전달한다.
Rd가 Ru보다 크거나 같은 것에 응답하여, LiDAR 포인트(pi)가 생성된 출력 포인트 클라우드(Pout)에 추가된다. 따라서, 모든 원시 입력 LiDAR 포인트(pi)를 프로세싱하는 것이 계산적으로 비용이 많이 들 수 있기 때문에, 입력 포인트 클라우드(Pin)가 다운 샘플링되고 필터링된다. 확률 변수(Ru)에 의해 주어진 유클리드 거리보다 LiDAR 센서로부터 더 멀리 떨어진 LiDAR 포인트(pi)는 포인트 클라우드(Pout)를 생성하기 위해 LiDAR 포인트의 서브세트로 집계된다. 확률 변수(Ru)에 의해 주어진 유클리드 거리보다 LiDAR 센서에 더 가까운 LiDAR 포인트(pi)는 제거된다. 생성된 포인트 클라우드(Pout)는 추가 프로세싱 및 AV를 동작시키는 것을 위해 사용된다.
도 16은 하나 이상의 실시예에 따른, AV를 위한 단일 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다. 일반적으로, 도 16 내지 도 19는 단일 스캔 LiDAR 포인트 클라우드 및 이어서 상이한 설정(예를 들면, 상이한 LiDAR 범위, 출력 포인트 클라우드의 크기 또는 상이한 실행 시간)을 갖는 본원에 기술된 바와 같은 도 15의 프로세스로부터 생성된다. AV는, 도 1을 참조하여 더 상세히 예시되고 기술된, AV(100)와 동일하거나 유사하다. 실행 시간과 정확도를 트레이드오프하기 위해 단일 LiDAR 스캔이 사용될 수 있다. 도 16에서 생성된 예시적인 포인트 클라우드를 생성하기 위한 실험은 20 미터(m)의 LiDAR 범위(dmax)를 사용하였다. 다운 샘플링된 LiDAR 포인트(출력 포인트 클라우드)의 개수는 100,000이었고 실험을 위한 실행 시간은 5000 ms(5초)였다. 출력 포인트 클라우드는, 도 14를 참조하여 더 상세히 예시되고 기술된, 포인트 클라우드(1408)와 동일하거나 유사하다.
도 17은 하나 이상의 실시예에 따른, AV를 위한 단일 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다. AV는, 도 1을 참조하여 더 상세히 예시되고 기술된, AV(100)와 동일하거나 유사하다. 도 17에서 생성된 예시적인 포인트 클라우드를 생성하기 위한 실험은 60 m의 LiDAR 범위(dmax)를 사용하였다. 다운 샘플링된 LiDAR 포인트(출력 포인트 클라우드)의 개수는 30,000이었고 실험을 위한 실행 시간은 600 ms였다. 출력 포인트 클라우드는, 도 14를 참조하여 더 상세히 예시되고 기술된, 포인트 클라우드(1408)와 동일하거나 유사하다.
도 18은 하나 이상의 실시예에 따른, AV를 위한 단일 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다. AV는, 도 1을 참조하여 더 상세히 예시되고 기술된, AV(100)와 동일하거나 유사하다. 도 18에서 생성된 예시적인 포인트 클라우드를 생성하기 위한 실험은 200 m의 LiDAR 범위(dmax)를 사용하였다. 다운 샘플링된 LiDAR 포인트(출력 포인트 클라우드)의 개수는 7,000이었고 실험을 위한 실행 시간은 165 ms였다. 출력 포인트 클라우드는, 도 14를 참조하여 더 상세히 예시되고 기술된, 포인트 클라우드(1408)와 동일하거나 유사하다.
도 19는 하나 이상의 실시예에 따른, AV를 위한 단일 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다. AV는, 도 1을 참조하여 더 상세히 예시되고 기술된, AV(100)와 동일하거나 유사하다. 도 19에서 생성된 예시적인 포인트 클라우드를 생성하기 위한 실험은 500 m의 LiDAR 범위(dmax)를 사용하였다. 다운 샘플링된 LiDAR 포인트(출력 포인트 클라우드)의 개수는 2,000이었고 실험을 위한 실행 시간은 60 ms였다. 출력 포인트 클라우드는, 도 14를 참조하여 더 상세히 예시되고 기술된, 포인트 클라우드(1408)와 동일하거나 유사하다. 따라서, 도 16 내지 도 19에 도시된 바와 같이, 실행 시간과 정확도 사이의 효율적인 트레이드오프가 개시된 실시예를 사용하여 달성된다.
도 20은 하나 이상의 실시예에 따른, AV를 위한 누적 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다. 일반적으로, 도 20 내지 도 23은 누적 LiDAR 스캔 및 상이한 설정(예를 들면, 상이한 필터링 범위, 상이한 다운 샘플링된 LiDAR 포인트 및 상이한 실행 시간)을 사용하는 도 15의 적응형 포인트 클라우드 생성 프로세스의 사용에 기초한다. AV는, 도 1을 참조하여 더 상세히 예시되고 기술된, AV(100)와 동일하거나 유사하다. 누적 LiDAR 스캔은 LiDAR 센서의 희박 축(sparse axis)을 따라 LiDAR 센서의 분해능을 개선시키는 데 사용될 수 있다. 누적 LiDAR 스캔을 사용하면, 출력 포인트 클라우드에서의 정보(정확도)가 보존되는 것은 물론 더 많은 효율성(실행 시간)이 달성된다. 출력 포인트 클라우드는, 도 14를 참조하여 더 상세히 예시되고 기술된, 포인트 클라우드(1408)와 동일하거나 유사하다. 도 20에서 생성된 예시적인 포인트 클라우드를 생성하기 위한 실험은 20 m의 LiDAR 범위(dmax)를 사용하였다. 다운 샘플링된 LiDAR 포인트(출력 포인트 클라우드)의 개수는 100,000이었고 실험을 위한 실행 시간은 5000 ms(5초)였다.
도 21은 하나 이상의 실시예에 따른, AV를 위한 누적 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다. AV는, 도 1을 참조하여 더 상세히 예시되고 기술된, AV(100)와 동일하거나 유사하다. 도 21에서 생성된 예시적인 포인트 클라우드를 생성하기 위한 실험은 60 m의 LiDAR 범위(dmax)를 사용하였다. 다운 샘플링된 LiDAR 포인트(출력 포인트 클라우드)의 개수는 30,000이었고 실험을 위한 실행 시간은 600 ms였다. 출력 포인트 클라우드는, 도 14를 참조하여 더 상세히 예시되고 기술된, 포인트 클라우드(1408)와 동일하거나 유사하다.
도 22는 하나 이상의 실시예에 따른, AV를 위한 누적 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다. AV는, 도 1을 참조하여 더 상세히 예시되고 기술된, AV(100)와 동일하거나 유사하다. 도 22에서 생성된 예시적인 포인트 클라우드를 생성하기 위한 실험은 200 m의 LiDAR 범위(dmax)를 사용하였다. 다운 샘플링된 LiDAR 포인트(출력 포인트 클라우드)의 개수는 7,000이었고 실험을 위한 실행 시간은 165 ms였다. 출력 포인트 클라우드는, 도 14를 참조하여 더 상세히 예시되고 기술된, 포인트 클라우드(1408)와 동일하거나 유사하다.
도 23은 하나 이상의 실시예에 따른, AV를 위한 누적 LiDAR 스캔 및 적응형 포인트 클라우드 생성을 사용하여 생성된 예시적인 포인트 클라우드를 예시한다. AV는, 도 1을 참조하여 더 상세히 예시되고 기술된, AV(100)와 동일하거나 유사하다. 도 23에서 생성된 예시적인 포인트 클라우드를 생성하기 위한 실험은 500 m의 LiDAR 범위(dmax)를 사용하였다. 다운 샘플링된 LiDAR 포인트(출력 포인트 클라우드)의 개수는 2,000이었고 실험을 위한 실행 시간은 60 ms였다. 출력 포인트 클라우드는, 도 14를 참조하여 더 상세히 예시되고 기술된, 포인트 클라우드(1408)와 동일하거나 유사하다. 따라서, 도 20 내지 도 23에 도시된 바와 같이, 실행 시간과 정확도 사이의 효율적인 트레이드오프가 개시된 실시예를 사용하여 달성된다. 본원에서 개시된 실시예는 많은 파라미터를 도입하지 않으면서 LiDAR 포인트 클라우드의 전체적인 강건성을 개선시키는 확률적 방법을 제공한다. 이 방법은 효율적이고, AV에 의한 실시간 포인트 클라우드 프로세싱에 적합한, O(n) 선형 시간 복잡도를 갖는다. 개시된 방법은 LiDAR 포인트 클라우드에 의존하는 로컬화, 인지 및 예측 작업에 광범위하게 적용 가능하다. 이 방법은 또한 포인트 클라우드 세그먼트화, 노이즈 제거 및 스무딩과 같은 애플리케이션에 효과적이고 효율적인 프리-프로세싱 단계를 제공한다.
도 24는 하나 이상의 실시예에 따른, AV를 위한 적응형 포인트 클라우드 생성을 위한 프로세스(2400)를 예시하는 흐름 다이어그램이다. AV는, 도 1을 참조하여 더 상세히 예시되고 기술된, AV(100)와 동일하거나 유사하다. 일 실시예에서, 도 24의 프로세스는 AV에 의해 수행된다. 특정 엔티티, 예를 들어, 인지 모듈 또는 계획 모듈은 다른 실시예에서 프로세스의 단계들의 일부 또는 전부를 수행한다. 마찬가지로, 실시예는 상이한 및/또는 추가적인 단계를 포함할 수 있거나, 또는 단계들을 상이한 순서로 수행할 수 있다. 인지 모듈 및 계획 모듈은, 제각기, 도 4를 참조하여 더 상세히 예시되고 기술된, 인지 모듈(402) 및 계획 모듈(404)과 동일하거나 유사하다.
AV는 적어도 하나의 프로세서를 사용하여 AV의 LiDAR 시스템으로부터 다수의 LiDAR 포인트를 수신한다(2404). 프로세서는, 도 1을 참조하여 더 상세히 예시되고 기술된, 프로세서(146)와 동일하거나 유사하다. 다수의 LiDAR 포인트는, 도 14를 참조하여 더 상세히 예시되고 기술된, LiDAR 포인트(1404)와 동일하거나 유사하다. 예시적인 LiDAR 시스템(602) 및 LiDAR 시스템으로부터 LiDAR 포인트(LiDAR 데이터)를 수신하는 프로세스는 도 6을 참조하여 더 상세히 예시되고 기술되어 있다. 다수의 LiDAR 포인트는 AV(100)가 주행하는 환경에 있는 적어도 하나의 대상체(예를 들면, 차량)를 나타낸다. 예시적인 차량(193) 및 예시적인 환경(190)은 도 1을 참조하여 더 상세히 예시되고 기술되어 있다. 따라서 LiDAR 시스템은 대상체의 로컬화에 중요한 역할을 한다. 일부 실시예에서, 다수의 LiDAR 포인트는 제1 밀도 변동을 갖는다. 따라서 LiDAR 시스템을 사용하여 획득되는 다수의 LiDAR 포인트는 중복 정보 및 불균일한 밀도 분포를 가질 수 있다.
AV는 프로세서를 사용하여 각각의 LiDAR 포인트의 유클리드 거리(di)를 결정한다(2408). 예시적인 LiDAR 포인트(1304)의 예시적인 유클리드 거리(d1)는 도 13을 참조하여 더 상세히 예시되고 기술되어 있다. 유클리드 거리(di)는 LiDAR 시스템으로부터 LiDAR 포인트까지의 거리이다. 일부 실시예에서, LiDAR 시스템은 적어도 하나의 LiDAR 센서를 포함한다. LiDAR 시스템의 예시적인 LiDAR 센서(123)는 도 1을 참조하여 더 상세히 예시되고 기술되어 있다. 프로세서는 광속 및 LiDAR 센서의 펄스 반복 주파수에 기초하여 LiDAR 시스템의 측정 범위를 결정한다. 프로세서(146)는 LiDAR 시스템의 측정 범위를 LiDAR 시스템으로부터 대상체까지의 거리(예를 들면, di)와 비교한다.
AV(100)은 프로세서를 사용하여 각각의 LiDAR 포인트의 유클리드 거리(di)를 유클리드 거리의 표준 정규 분포로부터의 각자의 샘플링된 유클리드 거리(du)와 비교한다(2412). 일부 실시예에서, 각자의 샘플링된 유클리드 거리(du)는 거리의 가우시안 분포를 반영하는 확률 변수이다. 프로세서는 또한 각자의 샘플링된 유클리드 거리(du)를 난수 또는 의사 난수로서 생성할 수 있다.
LiDAR 포인트의 유클리드 거리(di)가 각자의 샘플링된 유클리드 거리(du)보다 작은 것에 응답하여, AV는 프로세서를 사용하여 다수의 LiDAR 포인트로부터 해당 LiDAR 포인트를 제거하여 출력 포인트 클라우드를 생성한다(2416). 출력 포인트 클라우드는, 도 14를 참조하여 더 상세히 예시되고 기술된, 예시적인 포인트 클라우드(1408)와 동일하거나 유사하다. 일부 실시예에서, 출력 포인트 클라우드는 제1 밀도 변동보다 작은 제2 밀도 변동을 갖는다. 출력 포인트 클라우드를 생성하는 것은 제2 밀도 변동을 생성하기 위해 다수의 LiDAR 포인트를 다운 샘플링하는 것을 포함할 수 있다. 다수의 LiDAR 포인트로부터 LiDAR 포인트를 제거하는 것은 제1 밀도 변동에 기초한다. 프로세서는 제1 밀도 변동에 기초하여 LiDAR 포인트를 출력 포인트 클라우드에 추가할 가능성을 결정할 수 있다.
AV는 프로세서를 사용하여 출력 포인트 클라우드에 기초하여 AV를 동작시킨다(2420). 생성된 출력 포인트 클라우드는 추가 프로세싱에도 적합한 감소된 밀도의 포인트 클라우드이다. 제어 모듈은 AV(100)를 동작시키는 데 사용된다. 예시적인 제어 모듈(406)은 도 4를 참조하여 더 상세히 예시되고 기술되어 있다. 예를 들어, 프로세서는, 도 13 및 도 14를 참조하여 더 상세히 예시되고 기술된 바와 같이, 대상체를 식별하기 위해 제2 밀도 변동에 기초하여 출력 포인트 클라우드를 세그먼트화한다. AV를 동작시키는 것은 대상체와의 충돌을 피하기 위해 세그먼트화된 포인트 클라우드에 추가로 기초한다. 프로세서는 제2 밀도 변동에 기초하여 출력 포인트 클라우드에서의 노이즈 양을 감소시킬 수 있다. 프로세서는 제2 밀도 변동에 기초하여 포인트 클라우드를 스무딩할 수 있다.
전술한 설명에서, 본 발명의 실시예는 구현마다 달라질 수 있는 다수의 특정 세부 사항을 참조하여 기술되었다. 따라서, 상세한 설명 및 도면은 제한적인 의미보다는 예시적인 의미로 간주되어야 한다. 본 발명의 범위의 유일한 독점적인 지표, 및 출원인이 본 발명의 범위이도록 의도한 것은, 본 출원에서 특정 형태로 나오는 일련의 청구항의 문언적 등가 범위이며, 임의의 후속 보정을 포함한다. 그러한 청구항에 포함된 용어에 대한 본원에서 명시적으로 기재된 임의의 정의는 청구항에서 사용되는 그러한 용어의 의미를 결정한다. 그에 부가하여, 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 (20)

  1. 방법에 있어서,
    차량의 적어도 하나의 프로세서에 의해, 상기 차량의 LiDAR 시스템으로부터 복수의 LiDAR 포인트를 수신하는 단계 ― 상기 복수의 LiDAR 포인트는 상기 차량이 주행하는 환경에 있는 적어도 하나의 대상체를 나타냄 ―;
    상기 적어도 하나의 프로세서에 의해, 상기 복수의 LiDAR 포인트의 각각의 LiDAR 포인트의 유클리드 거리를 결정하는 단계;
    상기 적어도 하나의 프로세서에 의해, 상기 복수의 LiDAR 포인트의 각각의 LiDAR 포인트의 상기 유클리드 거리를 유클리드 거리의 표준 정규 분포로부터의 각자의 샘플링된 유클리드 거리와 비교하는 단계;
    상기 복수의 LiDAR 포인트의 각각의 LiDAR 포인트의 상기 유클리드 거리가 상기 각자의 샘플링된 유클리드 거리보다 작은 것에 응답하여, 상기 적어도 하나의 프로세서에 의해, 상기 복수의 LiDAR 포인트로부터 상기 LiDAR 포인트를 제거하여 포인트 클라우드를 생성하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 상기 포인트 클라우드에 기초하여 상기 차량을 동작시키는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서, 상기 복수의 LiDAR 포인트는 제1 밀도 변동을 갖고, 상기 포인트 클라우드는 상기 제1 밀도 변동보다 작은 제2 밀도 변동을 갖는, 방법.
  3. 제2항에 있어서, 상기 포인트 클라우드를 생성하는 단계는, 상기 적어도 하나의 프로세서에 의해, 상기 제2 밀도 변동을 제공하기 위해 상기 복수의 LiDAR 포인트를 다운 샘플링하는 단계를 포함하는, 방법.
  4. 제2항에 있어서, 상기 복수의 LiDAR 포인트로부터 상기 LiDAR 포인트를 제거하는 단계는 상기 제1 밀도 변동에 기초하는, 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 적어도 하나의 프로세서에 의해, 상기 제1 밀도 변동에 기초하여 상기 LiDAR 포인트를 상기 포인트 클라우드에 추가할 가능성을 결정하는 단계
    를 더 포함하는, 방법.
  6. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 적어도 하나의 프로세서에 의해, 상기 LiDAR 시스템의 측정 범위를 상기 LiDAR 시스템으로부터 상기 적어도 하나의 대상체까지의 거리와 비교하는 단계
    를 더 포함하는, 방법.
  7. 제6항에 있어서, 상기 LiDAR 시스템은 적어도 하나의 LiDAR를 포함하고, 상기 방법은, 상기 적어도 하나의 프로세서에 의해, 광속 및 상기 적어도 하나의 LiDAR의 펄스 반복 주파수에 기초하여 상기 LiDAR 시스템의 상기 측정 범위를 결정하는 단계
    를 더 포함하는, 방법.
  8. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 적어도 하나의 프로세서에 의해, 상기 각자의 샘플링된 유클리드 거리를 난수로서 결정하는 단계
    를 더 포함하는, 방법.
  9. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 적어도 하나의 프로세서에 의해, 상기 적어도 하나의 대상체를 식별하기 위해 상기 제2 밀도 변동에 기초하여 상기 포인트 클라우드를 세그먼트화하는 단계
    를 더 포함하는, 방법.
  10. 제9항에 있어서, 상기 차량을 동작시키는 단계는 상기 적어도 하나의 대상체와의 충돌을 피하기 위해 상기 세그먼트화된 포인트 클라우드에 추가로 기초하는, 방법.
  11. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 적어도 하나의 프로세서에 의해, 상기 제2 밀도 변동에 기초하여 상기 포인트 클라우드에서의 노이즈 양을 감소시키는 단계
    를 더 포함하는, 방법.
  12. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 적어도 하나의 프로세서에 의해, 상기 제2 밀도 변동에 기초하여 상기 포인트 클라우드를 스무딩(smoothing)하는 단계
    를 더 포함하는, 방법.
  13. 차량에 있어서,
    적어도 하나의 컴퓨터 프로세서; 및
    상기 적어도 하나의 컴퓨터 프로세서에 의해 실행될 때, 상기 적어도 하나의 컴퓨터 프로세서로 하여금:
    상기 차량의 LiDAR 시스템으로부터 복수의 LiDAR 포인트를 수신하게 하고 ― 상기 복수의 LiDAR 포인트는 상기 차량이 주행하는 환경에 있는 적어도 하나의 대상체를 나타냄 ―;
    상기 복수의 LiDAR 포인트의 각각의 LiDAR 포인트의 유클리드 거리를 결정하게 하며;
    상기 복수의 LiDAR 포인트의 각각의 LiDAR 포인트의 상기 유클리드 거리를 유클리드 거리의 표준 정규 분포로부터의 각자의 샘플링된 유클리드 거리와 비교하게 하고;
    상기 복수의 LiDAR 포인트의 각각의 LiDAR 포인트의 상기 유클리드 거리가 상기 각자의 샘플링된 유클리드 거리보다 작은 것에 응답하여, 상기 복수의 LiDAR 포인트로부터 상기 LiDAR 포인트를 제거하여 포인트 클라우드를 생성하게 하며;
    상기 포인트 클라우드에 기초하여 상기 차량을 동작시키게 하는
    명령어를 저장하는 적어도 하나의 비-일시적 저장 매체
    를 포함하는, 차량.
  14. 제13항에 있어서, 상기 복수의 LiDAR 포인트는 제1 밀도 변동을 갖고, 상기 포인트 클라우드는 상기 제1 밀도 변동보다 작은 제2 밀도 변동을 갖는, 차량.
  15. 제14항에 있어서, 상기 포인트 클라우드를 생성하게 하는 명령어는 상기 적어도 하나의 컴퓨터 프로세서로 하여금 상기 제2 밀도 변동을 생성하기 위해 상기 복수의 LiDAR 포인트를 다운 샘플링하게 하는, 차량.
  16. 제14항에 있어서, 상기 적어도 하나의 컴퓨터 프로세서로 하여금 상기 복수의 LiDAR 포인트로부터 상기 LiDAR 포인트를 제거하게 하는 것은 상기 제1 밀도 변동에 기초하는, 차량.
  17. 적어도 하나의 비-일시적 저장 매체에 있어서,
    적어도 하나의 컴퓨팅 디바이스에 의해 실행될 때, 상기 적어도 하나의 컴퓨팅 디바이스로 하여금:
    차량의 LiDAR 시스템으로부터 복수의 LiDAR 포인트를 수신하게 하고 ― 상기 복수의 LiDAR 포인트는 상기 차량이 주행하는 환경에 있는 적어도 하나의 대상체를 나타냄 ―;
    상기 복수의 LiDAR 포인트의 각각의 LiDAR 포인트의 유클리드 거리를 결정하게 하며;
    상기 복수의 LiDAR 포인트의 각각의 LiDAR 포인트의 상기 유클리드 거리를 유클리드 거리의 표준 정규 분포로부터의 각자의 샘플링된 유클리드 거리와 비교하게 하고;
    상기 복수의 LiDAR 포인트의 각각의 LiDAR 포인트의 상기 유클리드 거리가 상기 각자의 샘플링된 유클리드 거리보다 작은 것에 응답하여, 상기 복수의 LiDAR 포인트로부터 상기 LiDAR 포인트를 제거하여 포인트 클라우드를 생성하게 하며;
    상기 포인트 클라우드에 기초하여 상기 차량을 동작시키게 하는
    명령어를 저장하는 적어도 하나의 비-일시적 저장 매체.
  18. 제17항에 있어서, 상기 복수의 LiDAR 포인트는 제1 밀도 변동을 갖고, 상기 포인트 클라우드는 상기 제1 밀도 변동보다 작은 제2 밀도 변동을 갖는, 적어도 하나의 비-일시적 저장 매체.
  19. 제18항에 있어서, 상기 포인트 클라우드를 생성하게 하는 명령어는 상기 적어도 하나의 컴퓨팅 디바이스로 하여금 상기 제2 밀도 변동을 생성하기 위해 상기 복수의 LiDAR 포인트를 다운 샘플링하게 하는, 적어도 하나의 비-일시적 저장 매체.
  20. 제18항에 있어서, 상기 적어도 하나의 컴퓨팅 디바이스로 하여금 상기 복수의 LiDAR 포인트로부터 상기 LiDAR 포인트를 제거하게 하는 것은 상기 제1 밀도 변동에 기초하는, 적어도 하나의 비-일시적 저장 매체.

KR1020210062802A 2021-04-09 2021-05-14 자율 주행 차량을 위한 적응형 포인트 클라우드 생성 KR20220141206A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/227,253 US20220326382A1 (en) 2021-04-09 2021-04-09 Adaptive point cloud generation for autonomous vehicles
US17/227,253 2021-04-09

Publications (1)

Publication Number Publication Date
KR20220141206A true KR20220141206A (ko) 2022-10-19

Family

ID=77021655

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210062802A KR20220141206A (ko) 2021-04-09 2021-05-14 자율 주행 차량을 위한 적응형 포인트 클라우드 생성

Country Status (5)

Country Link
US (1) US20220326382A1 (ko)
KR (1) KR20220141206A (ko)
CN (1) CN115201854A (ko)
DE (1) DE102021132728A1 (ko)
GB (1) GB2605656A (ko)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9582939B2 (en) * 2015-06-11 2017-02-28 Nokia Technologies Oy Structure preserved point cloud simplification
US10444759B2 (en) * 2017-06-14 2019-10-15 Zoox, Inc. Voxel based ground plane estimation and object segmentation
US20190005667A1 (en) * 2017-07-24 2019-01-03 Muhammad Zain Khawaja Ground Surface Estimation
US10338223B1 (en) * 2017-12-13 2019-07-02 Luminar Technologies, Inc. Processing point clouds of vehicle sensors having variable scan line distributions using two-dimensional interpolation and distance thresholding
US10726567B2 (en) * 2018-05-03 2020-07-28 Zoox, Inc. Associating LIDAR data and image data
CN109509256B (zh) * 2018-06-21 2023-07-18 华南理工大学 基于激光雷达的建筑结构自动测量及3d模型生成方法
US10860023B2 (en) * 2018-06-25 2020-12-08 Mitsubishi Electric Research Laboratories, Inc. Systems and methods for safe decision making of autonomous vehicles
US11790542B2 (en) * 2019-07-29 2023-10-17 Board Of Trustees Of Michigan State University Mapping and localization system for autonomous vehicles
CN111861933B (zh) * 2020-07-29 2023-07-21 北方工业大学 基于空间划分的点云去噪方法及装置

Also Published As

Publication number Publication date
CN115201854A (zh) 2022-10-18
US20220326382A1 (en) 2022-10-13
DE102021132728A1 (de) 2022-10-13
GB2605656A (en) 2022-10-12

Similar Documents

Publication Publication Date Title
KR102537412B1 (ko) Radar를 사용한 확장 대상체 추적
CN113012187B (zh) 用于运载工具的方法和前景提取系统以及存储介质
US20200216064A1 (en) Classifying perceived objects based on activity
EP3651064A1 (en) Deep learning for object detection using pillars
KR20200129045A (ko) 차량의 궤적을 계획 및 업데이트하기 위한 시스템 및 방법
GB2591171A (en) Sequential fusion for 3D object detection
KR20210112293A (ko) 주석 달기를 위한 데이터 샘플의 자동 선택
KR20210077617A (ko) 융합된 카메라/LiDAR 데이터 포인트를 사용한 자동화된 대상체 주석 달기
DK201970131A1 (en) Merging data from multiple lidar devices
US11529955B2 (en) Traffic light estimation
KR20210139181A (ko) 동적 점유 격자를 사용하는 차량 동작
US11814044B2 (en) Resolving range rate ambiguity in sensor returns
KR102549258B1 (ko) 이미지 시맨틱스 네트워크로부터의 단안 3d 대상체 검출
KR102507216B1 (ko) 도로 특징부에 대한 폐색 표현을 구현하기 위한 시스템 및 방법
KR20210019393A (ko) 환경의 미리 정의된 특징부에 기초한 로컬화
GB2598410A (en) Conditional motion predictions
US20220185324A1 (en) Merging LiDAR Information and Camera Information
KR20220147055A (ko) 내비게이션 정보의 이용 가능성에 기반한 자율 주행 차량의 동작
GB2616739A (en) Traffic light estimation
US20220357453A1 (en) Lidar point cloud segmentation using box prediction
KR20220144296A (ko) 인지된 위험에 기초하여 자율 주행 차량을 운행하기 위한 기술
KR20220128233A (ko) 운전 데이터 기반 공간 계획
GB2616372A (en) Classifying perceived objects based on activity
KR20220141206A (ko) 자율 주행 차량을 위한 적응형 포인트 클라우드 생성
US20220258761A1 (en) Controlling an autonomous vehicle using variable time periods

Legal Events

Date Code Title Description
E902 Notification of reason for refusal