KR20230042430A - 자율 주행 차량에 대한 안전이 중요한 시나리오의 식별을 위한 학습 - Google Patents

자율 주행 차량에 대한 안전이 중요한 시나리오의 식별을 위한 학습 Download PDF

Info

Publication number
KR20230042430A
KR20230042430A KR1020210186221A KR20210186221A KR20230042430A KR 20230042430 A KR20230042430 A KR 20230042430A KR 1020210186221 A KR1020210186221 A KR 1020210186221A KR 20210186221 A KR20210186221 A KR 20210186221A KR 20230042430 A KR20230042430 A KR 20230042430A
Authority
KR
South Korea
Prior art keywords
action
distance
vehicle
agent
state
Prior art date
Application number
KR1020210186221A
Other languages
English (en)
Inventor
제임스 구오 밍 푸
스콧 디. 펜들턴
요우 홍 엥
유 판
지옹 양
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 KR20230042430A publication Critical patent/KR20230042430A/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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • 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
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0018—Planning or execution of driving tasks specially adapted for safety by employing degraded modes, e.g. reducing speed, in response to suboptimal conditions
    • B60W60/00186—Planning or execution of driving tasks specially adapted for safety by employing degraded modes, e.g. reducing speed, in response to suboptimal conditions related to the vehicle
    • 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
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • 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
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • 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
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
    • 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
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • B60W2050/0062—Adapting control system settings
    • 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
    • B60W2554/20—Static objects
    • 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
    • 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
    • B60W2554/80—Spatial relation or speed relative to objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

자율 주행 차량들에 대한 안전이 중요한 상황들을 식별하도록 학습하기 위한 방법들이 제공된다. 운전 상황의 제1 상태를 나타내는 제1 상태 정보가 수신된다. 이 정보는 차량의 상태 및 차량의 환경에 있는 에이전트의 상태를 포함한다. 차량의 인지 시스템에 의한 에이전트의 오인을 야기하는 인지 저하 행동을 포함하여, 에이전트에 의해 수행될 적어도 하나의 행동을 결정하기 위해 제1 상태 정보가 신경 네트워크로 프로세싱된다. 적어도 하나의 행동의 수행 이후에 운전 상황의 제2 상태를 나타내는 제2 상태 정보가 수신된다. 행동에 대한 보상이 결정된다. 적어도 하나의 행동에 대한 보상을 결정하기 위해 차량과 에이전트 사이의 제1 거리 및 제2 거리가 결정되고 비교된다. 보상에 기초하여 신경 네트워크의 적어도 하나의 가중치가 조정된다.

Description

자율 주행 차량에 대한 안전이 중요한 상황의 식별을 위한 학습{LEARNING TO IDENTIFY SAFETY-CRITICAL SCENARIOS FOR AN AUTONOMOUS VEHICLE}
자율 주행 차량(AV)의 개발은 AV의 작동 엔벨로프(operational envelope) 외부에서의 인지 저하를 정확하게 포착하는 시나리오들을 식별하는 과제를 포함한다. 예를 들어, AV의 작동 엔벨로프의 에지에서, AV의 작동을 제어하는 소프트웨어에서 모델링되지 않은 시나리오들이 있을 수 있다. 식별된 시나리오들은, 예를 들어, AV 또는 그의 탑승자(들)의 안전 문제를 일으킬 수 있는 다른 대상체들 주위에서의 AV의 운행을 개선시키는 데 사용된다. 인지 저하의 일 예는 AV가 대상체를 향해 이동할 때 대상체가 다른 대상체 후방으로 일시적으로 "사라질" 수 있는 대상체 명멸(object flicker)이다. 대상체 명멸은, 예를 들어, AV가 작동하고/하거나 접근하고 있는 교통을 향해 보행자가 자동차 후방에서 걷고 있는 것에 적용된다.
도 1은 자율 주행 시스템(autonomous system)의 하나 이상의 컴포넌트를 포함하는 차량이 구현되는 예시적인 환경이다.
도 2는 자율 주행 시스템을 포함하는 차량의 하나 이상의 시스템의 다이어그램이다.
도 3은 도 1 및 도 2의 하나 이상의 디바이스 및/또는 하나 이상의 시스템의 컴포넌트들의 다이어그램이다.
도 4a는 자율 주행 시스템의 특정 컴포넌트들의 다이어그램이다.
도 4b는 신경 네트워크의 구현의 다이어그램이다.
도 4c 및 도 4d는 CNN의 예시적인 동작을 예시하는 다이어그램들이다.
도 5는 자율 주행 차량에 대한 안전이 중요한 시나리오들을 식별하도록 학습하기 위한 프로세스의 구현의 다이어그램이다.
도 6은 자율 주행 차량이 사용할 시나리오들을 생성하거나 업데이트하는 데 사용되는 시나리오 학습 시스템의 다이어그램이다.
도 7은 자율 주행 차량에 대한 안전이 중요한 시나리오들을 식별하도록 학습하기 위한 프로세스의 플로차트이다.
이하의 설명에서는, 설명 목적으로 본 개시에 대한 완전한 이해를 제공하기 위해 다수의 특정 세부 사항들이 제시된다. 그렇지만, 본 개시에 의해 기술되는 실시예들이 이러한 특정 세부 사항들이 없더라도 실시될 수 있음이 명백할 것이다. 일부 경우에, 본 개시의 양태들을 불필요하게 모호하게 하는 것을 피하기 위해 잘 알려진 구조들 및 디바이스들은 블록 다이어그램 형태로 예시되어 있다.
시스템들, 디바이스들, 모듈들, 명령어 블록들, 데이터 요소들 등을 나타내는 것들과 같은, 개략적인 요소들의 특정 배열들 또는 순서들이 설명의 편의를 위해 도면들에 예시되어 있다. 그렇지만, 본 기술 분야의 통상의 기술자라면 도면들에서의 개략적인 요소들의 특정 순서 또는 배열이, 그러한 것으로 명시적으로 기술되지 않는 한, 프로세스들의 특정 프로세싱 순서 또는 시퀀스, 또는 프로세스들의 분리가 필요하다는 것을 암시하는 것으로 의미되지 않음을 이해할 것이다. 게다가, 도면에 개략적인 요소를 포함시키는 것은, 그러한 것으로 명시적으로 기술되지 않는 한 일부 실시예들에서, 그러한 요소가 모든 실시예들에서 필요하다는 것 또는 그러한 요소에 의해 표현되는 특징들이 다른 요소들에 포함되지 않을 수 있거나 다른 요소들과 결합되지 않을 수 있다는 것을 암시하는 것으로 의미되지 않는다.
게다가, 2 개 이상의 다른 개략적인 요소 사이의 연결, 관계 또는 연관을 예시하기 위해 실선 또는 파선 또는 화살표와 같은 연결 요소들이 도면들에서 사용되는 경우에, 임의의 그러한 연결 요소들의 부재는 연결, 관계 또는 연관이 존재할 수 없음을 암시하는 것으로 의미되지 않는다. 환언하면, 본 개시를 모호하게 하지 않기 위해 요소들 사이의 일부 연결들, 관계들 또는 연관들이 도면들에 예시되어 있지 않다. 추가적으로, 예시의 편의를 위해, 요소들 사이의 다수의 연결들, 관계들 또는 연관들을 나타내기 위해 단일의 연결 요소가 사용될 수 있다. 예를 들어, 연결 요소가 신호들, 데이터 또는 명령어들(예를 들면, "소프트웨어 명령어들")의 통신을 나타내는 경우에, 본 기술 분야의 통상의 기술자라면 그러한 요소가, 통신을 수행하기 위해 필요하게 될 수 있는, 하나 또는 다수의 신호 경로(예를 들면, 버스)를 나타낼 수 있다는 것을 이해할 것이다.
제1, 제2, 제3 등의 용어들이 다양한 컴포넌트들을 기술하는 데 사용되지만, 이러한 요소들이 이러한 용어들에 의해 제한되어서는 안된다. 제1, 제2, 제3 등의 용어들은 하나의 요소를 다른 요소와 구별하는 데만 사용된다. 예를 들어, 기술된 실시예들의 범위를 벗어나지 않으면서, 제1 접촉은 제2 접촉이라고 지칭될 수 있고, 유사하게 제2 접촉은 제1 접촉이라고 지칭될 수 있다. 제1 접촉과 제2 접촉은 둘 모두 접촉이지만, 동일한 접촉은 아니다.
본원에서의 다양한 기술된 실시예들에 대한 설명에서 사용되는 전문용어는 특정 실시예들을 기술하기 위해서만 포함되어 있으며, 제한하는 것으로 의도되지 않는다. 다양한 기술된 실시예들에 대한 설명 및 첨부된 청구항들에서 사용되는 바와 같이, 단수 형태들("a", "an" 및 "the")은 복수 형태들도 포함하는 것으로 의도되고, 문맥이 달리 명확히 나타내지 않는 한, "하나 이상" 또는 "적어도 하나"와 상호 교환 가능하게 사용될 수 있다. "및/또는"이라는 용어가, 본원에서 사용되는 바와 같이, 연관된 열거된 항목들 중 하나 이상의 항목의 임의의 및 모든 가능한 조합들을 지칭하고 포괄한다는 것이 또한 이해될 것이다. "포함한다(includes)", 포함하는(including), 포함한다(comprises)" 및/또는 "포함하는(comprising)"이라는 용어들이, 본 설명에서 사용될 때, 언급된 특징들, 정수들, 단계들, 동작들, 요소들, 및/또는 컴포넌트들의 존재를 명시하지만, 하나 이상의 다른 특징, 정수, 단계, 동작, 요소, 컴포넌트, 및/또는 이들의 그룹들의 존재 또는 추가를 배제하지 않는다는 것이 추가로 이해될 것이다.
본원에서 사용되는 바와 같이, "통신" 및 "통신하다"라는 용어들은 정보(또는, 예를 들어, 데이터, 신호들, 메시지들, 명령어들, 커맨드들 등에 의해 표현되는 정보)의 수신, 접수, 송신, 전달, 제공 등 중 적어도 하나를 지칭한다. 하나의 유닛(예를 들면, 디바이스, 시스템, 디바이스 또는 시스템의 컴포넌트, 이들의 조합들 등)이 다른 유닛과 통신한다는 것은 하나의 유닛이 직접 또는 간접적으로 다른 유닛으로부터 정보를 수신하고/하거나 다른 유닛으로 정보를 전송(예를 들면, 송신)할 수 있음을 의미한다. 이것은 본질적으로 유선 및/또는 무선인 직접 또는 간접 연결을 지칭할 수 있다. 추가적으로, 송신되는 정보가 제1 유닛과 제2 유닛 사이에서 수정, 프로세싱, 중계 및/또는 라우팅될 수 있을지라도 2 개의 유닛은 서로 통신하고 있을 수 있다. 예를 들어, 제1 유닛이 정보를 수동적으로 수신하고 정보를 제2 유닛으로 능동적으로 송신하지 않을지라도 제1 유닛은 제2 유닛과 통신하고 있을 수 있다. 다른 예로서, 적어도 하나의 중간 유닛(예를 들면, 제1 유닛과 제2 유닛 사이에 위치하는 제3 유닛)이 제1 유닛으로부터 수신되는 정보를 프로세싱하고 프로세싱된 정보를 제2 유닛으로 송신하는 경우 제1 유닛은 제2 유닛과 통신하고 있을 수 있다. 일부 실시예들에서, 메시지는 데이터를 포함하는 네트워크 패킷(예를 들면, 데이터 패킷 등)을 지칭할 수 있다.
본원에서 사용되는 바와 같이, "~ 경우"라는 용어는, 선택적으로, 문맥에 따라 "~할 때", 또는 "~시에" 또는 "~라고 결정하는 것에 응답하여", "~을 검출하는 것에 응답하여" 등을 의미하는 것으로 해석된다. 유사하게, 문구 "~라고 결정되는 경우" 또는 "[언급된 조건 또는 이벤트]가 검출되는 경우"는, 선택적으로, 문맥에 따라, "~라고 결정할 시에", "~라고 결정하는 것에 응답하여", "[언급된 조건 또는 이벤트]를 검출할 시에", "[언급된 조건 또는 이벤트]를 검출하는 것에 응답하여" 등을 의미하는 것으로 해석된다. 또한, 본원에서 사용되는 바와 같이, "갖는다"(has, have), "갖는(having)" 등의 용어들은 개방형(open-ended) 용어들인 것으로 의도된다. 게다가, 문구 "~에 기초하여"는, 달리 명시적으로 언급되지 않는 한, "~에 적어도 부분적으로 기초하여"를 의미하는 것으로 의도된다.
그 예가 첨부 도면들에 예시되어 있는 실시예들에 대해 이제 상세하게 언급될 것이다. 이하의 상세한 설명에서, 다양한 기술된 실시예들에 대한 완전한 이해를 제공하기 위해 수많은 특정 세부 사항들이 기재된다. 그렇지만, 다양한 기술된 실시예들이 이러한 특정 세부 사항들이 없더라도 실시될 수 있다는 것이 본 기술 분야의 통상의 기술자에게 명백할 것이다. 다른 경우에, 실시예들의 양태들을 불필요하게 모호하게 하지 않기 위해 잘 알려진 방법들, 절차들, 컴포넌트들, 회로들, 및 네트워크들은 상세하게 기술되지 않았다.
일반적 개관
일부 양태들 및/또는 실시예들에서, 본원에 기술된 시스템들, 방법들 및 컴퓨터 프로그램 제품들은 이하를 포함하고/하거나 구현한다. 운전 시나리오의 제1 상태를 나타내는 제1 상태 정보가 적어도 하나의 프로세서에 의해 수신된다. 제1 상태 정보는 차량의 상태 및 차량의 환경에 있는 에이전트의 상태를 포함한다. 제1 상태 정보는 에이전트에 의해 수행될 적어도 하나의 행동(action)을 결정하기 위해 적어도 하나의 프로세서에 의해 신경 네트워크로 프로세싱된다. 적어도 하나의 행동은 차량의 인지 시스템에 의한 에이전트의 잘못된 인지(misperception)를 야기하는 인지 저하 행동을 포함한다. 에이전트에 의한 적어도 하나의 행동의 수행 이후의 운전 시나리오의 제2 상태를 나타내는 제2 상태 정보가 적어도 하나의 프로세서에 의해 수신된다. 다음을 포함하여, 적어도 하나의 행동에 대한 보상이 적어도 하나의 프로세서에 의해 결정된다. 제1 상태 정보에 기초하여 제1 상태에서의 차량과 에이전트 사이의 제1 거리가 결정된다. 제2 상태 정보에 기초하여 제2 상태에서의 차량과 에이전트 사이의 제2 거리가 결정된다. 적어도 하나의 행동에 대한 보상을 결정하기 위해 제1 거리와 제2 거리가 비교된다. 제2 거리가 제1 거리를 충족시킬 때 보상이 더 크다. 적어도 하나의 행동에 대한 보상에 기초하여 적어도 하나의 프로세서에 의해 신경 네트워크의 적어도 하나의 가중치가 조정된다.
본원에 기술된 시스템들, 방법들 및 컴퓨터 프로그램 제품들의 구현들에 의해, 자율 주행 차량에 대한 안전이 중요한 시나리오들을 식별하도록 학습하기 위한 기술들은 이하의 장점들을 포함한다. 이 기술들은 에지 케이스(edge case) 시나리오들을 강제 퇴출시키기 위해 다른 에이전트들이 수행할 수 있는 적대적이지만 합리적인 행동들을 학습하는 데 사용될 수 있다. 인지 저하, 로컬화 저하 또는 다른 형태들의 시스템 저하가 드물 수 있기 때문에, 시뮬레이션에서 그러한 인스턴스들을 도출하는 것은 자율 주행 차량 시스템의 합리적인 최악의 가능한 고장들을 평가하는 데 중요하다. 이 기술은 고차원 시나리오 파라미터화에서의 균일 샘플링(uniform sampling) 또는 커버링 어레이(covering array)와 같은 대안들보다 계산상 이점들이 실현될 수 있는 많은 시나리오들로 확장될 수 있다. 상이한 인지 저하 상황들이 발견될 때, 그 상황들이 새로운 에지 케이스 시나리오들에 대해 탐색하기 위해 행동들 중 하나에 추가될 수 있다. 이것은, 차례로, 자율 주행 차량의 작동에 관여된 머신 러닝 모델들의 보다 정확한 트레이닝으로 이어질 수 있다. 식별된 테스트 시나리오들은 또한 시스템 저하의 존재 하에서 자율 주행 차량 작동의 거동을 검증하여, 완전 관측 가능(fully observable) 에고(ego) 및 에이전트 위치들에만 초점을 맞춘 대안들보다 종합적인 안전 분석을 제공하는 데 사용될 수 있다. 이러한 어려운 상황들에서의 에고 거동의 검토는 특정 안전 표준들이 충족된다는 것(예를 들면, ISO 21448에 따라 의도된 기능성의 안전)을 검증하는 데 도움이 될 수 있다. 거동 준수 검증(behavioral compliance verification)은 임의의 자율 주행 시스템에 광범위하게 적용 가능하며 자율 주행 차량의 계획 및 의사 결정을 위해 구현된 방법들(머신 러닝 기반 또는 다른 방식)에 무관하다.
이제 도 1을 참조하면, 자율 주행 시스템들을 포함하는 차량들은 물론 그렇지 않은 차량들이 작동되는 예시적인 환경(100)이 예시되어 있다. 예시된 바와 같이, 환경(100)은 차량들(102a 내지 102n), 대상체들(104a 내지 104n), 루트들(106a 내지 106n), 영역(108), 차량 대 인프라스트럭처(vehicle-to-infrastructure, V2I) 디바이스(110), 네트워크(112), 원격 자율 주행 차량(AV) 시스템(114), 플릿 관리 시스템(fleet management system)(116), 및 V2I 시스템(118)을 포함한다. 차량들(102a 내지 102n), 차량 대 인프라스트럭처(V2I) 디바이스(110), 네트워크(112), 자율 주행 차량(AV) 시스템(114), 플릿 관리 시스템(116), 및 V2I 시스템(118)은 유선 연결들, 무선 연결들, 또는 유선 또는 무선 연결들의 조합을 통해 상호연결한다(예를 들면, 통신 등을 위해 연결을 확립한다). 일부 실시예들에서, 대상체들(104a 내지 104n)은 유선 연결들, 무선 연결들 또는 유선 또는 무선 연결들의 조합을 통해 차량들(102a 내지 102n), 차량 대 인프라스트럭처(V2I) 디바이스(110), 네트워크(112), 자율 주행 차량(AV) 시스템(114), 플릿 관리 시스템(116), 및 V2I 시스템(118) 중 적어도 하나와 상호연결한다.
차량들(102a 내지 102n)(개별적으로 차량(102)이라고 지칭되고 집합적으로 차량들(102)이라고 지칭됨)은 상품 및/또는 사람을 운송하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 실시예들에서, 차량들(102)은 네트워크(112)를 통해 V2I 디바이스(110), 원격 AV 시스템(114), 플릿 관리 시스템(116), 및/또는 V2I 시스템(118)과 통신하도록 구성된다. 일부 실시예들에서, 차량들(102)은 자동차들, 버스들, 트럭들, 기차들 등을 포함한다. 일부 실시예들에서, 차량들(102)은 본원에 기술된 차량들(200)(도 2 참조)과 동일하거나 유사하다. 일부 실시예들에서, 일단의 차량들(200) 중의 차량(200)은 자율 주행 플릿 관리자와 연관된다. 일부 실시예들에서, 차량들(102)은, 본원에 기술된 바와 같이, 각자의 루트들(106a 내지 106n)(개별적으로 루트(106)라고 지칭되고 집합적으로 루트들(106)이라고 지칭됨)을 따라 주행한다. 일부 실시예들에서, 하나 이상의 차량(102)은 자율 주행 시스템(예를 들면, 자율 주행 시스템(202)과 동일하거나 유사한 자율 주행 시스템)을 포함한다.
대상체들(104a 내지 104n)(개별적으로 대상체(104)라고 지칭되고 집합적으로 대상체들(104)이라고 지칭됨)은, 예를 들어, 적어도 하나의 차량, 적어도 하나의 보행자, 적어도 하나의 자전거 타는 사람, 적어도 하나의 구조물(예를 들면, 건물, 표지판, 소화전(fire hydrant) 등) 등을 포함한다. 각각의 대상체(104)는 정지해(예를 들면, 일정 시간 기간 동안 고정 위치에 위치함) 있거나 움직이고(예를 들면, 속도를 가지며 적어도 하나의 궤적과 연관되어 있음) 있다. 일부 실시예들에서, 대상체들(104)은 영역(108) 내의 대응하는 위치들과 연관되어 있다.
루트들(106a 내지 106n)(개별적으로 루트(106)라고 지칭되고 집합적으로 루트들(106)이라고 지칭됨)은 각각 AV가 운행할 수 있는 상태들을 연결하는 행동들의 시퀀스(궤적이라고도 함)와 연관된다(예를 들면, 이를 규정한다). 각각의 루트(106)는 초기 상태(예를 들면, 제1 시공간적 위치, 속도 등에 대응하는 상태) 및 최종 목표 상태(예를 들면, 제1 시공간적 위치와 상이한 제2 시공간적 위치에 대응하는 상태) 또는 목표 영역(예를 들면, 허용 가능한 상태들(예를 들면, 종료 상태들(terminal states))의 부분 공간(subspace))에서 시작된다. 일부 실시예들에서, 제1 상태는 개인 또는 개인들이 AV에 의해 픽업(pick-up)되어야 하는 위치를 포함하고 제2 상태 또는 영역은 AV에 의해 픽업된 개인 또는 개인들이 하차(drop-off)해야 하는 위치 또는 위치들을 포함한다. 일부 실시예들에서, 루트들(106)은 복수의 허용 가능한 상태 시퀀스들(예를 들면, 복수의 시공간적 위치 시퀀스들)을 포함하며, 복수의 상태 시퀀스들은 복수의 궤적들과 연관된다(예를 들면, 이를 정의한다). 일 예에서, 루트들(106)은, 도로 교차로들에서의 회전 방향들을 지시하는 일련의 연결된 도로들과 같은, 상위 레벨 행동들 또는 부정확한 상태 위치들만을 포함한다. 추가적으로 또는 대안적으로, 루트들(106)은, 예를 들어, 특정 목표 차선들 또는 차선 영역들 내에서의 정확한 위치들 및 해당 위치들에서의 목표 속력과 같은, 보다 정확한 행동들 또는 상태들을 포함할 수 있다. 일 예에서, 루트들(106)은 중간 목표들에 도달하기 위해 제한된 룩어헤드 구간(lookahead horizon)을 갖는 적어도 하나의 상위 레벨 행동 시퀀스를 따른 복수의 정확한 상태 시퀀스들을 포함하며, 여기서 제한된 구간 상태 시퀀스들의 연속적인 반복들의 조합은 누적되어 복수의 궤적들에 대응하며 이 복수의 궤적들은 집합적으로 최종 목표 상태 또는 영역에서 종료하는 상위 레벨 루트를 형성한다.
영역(108)은 차량들(102)이 운행할 수 있는 물리적 영역(예를 들면, 지리적 영역)을 포함한다. 일 예에서, 영역(108)은 적어도 하나의 주(state)(예를 들면, 국가, 지방, 국가에 포함된 복수의 주들의 개개의 주 등), 주의 적어도 하나의 부분, 적어도 하나의 도시, 도시의 적어도 하나의 부분 등을 포함한다. 일부 실시예들에서, 영역(108)은 간선 도로(highway), 주간 간선 도로(interstate highway), 공원 도로, 도시 거리 등과 같은 적어도 하나의 명명된 주요 도로(thoroughfare)(본원에서 "도로"라고 지칭됨)를 포함한다. 추가적으로 또는 대안적으로, 일부 예들에서, 영역(108)은 진입로(driveway), 주차장의 섹션, 공터 및/또는 미개발 부지의 섹션, 비포장 경로 등과 같은 적어도 하나의 명명되지 않은 도로를 포함한다. 일부 실시예들에서, 도로는 적어도 하나의 차선(예를 들면, 차량(102)에 의해 횡단될 수 있는 도로의 일 부분)을 포함한다. 일 예에서, 도로는 적어도 하나의 차선 마킹과 연관된(예를 들면, 이에 기초하여 식별되는) 적어도 하나의 차선을 포함한다.
차량 대 인프라스트럭처(V2I) 디바이스(110)(때때로 차량 대 인프라스트럭처(V2X) 디바이스라고 지칭됨)는 차량들(102) 및/또는 V2I 인프라스트럭처 시스템(118)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 실시예들에서, V2I 디바이스(110)는 네트워크(112)를 통해 차량들(102), 원격 AV 시스템(114), 플릿 관리 시스템(116), 및/또는 V2I 시스템(118)과 통신하도록 구성된다. 일부 실시예들에서, V2I 디바이스(110)는 RFID(radio frequency identification) 디바이스, 사이니지(signage), 카메라(예를 들면, 2차원(2D) 및/또는 3차원(3D) 카메라), 차선 마커, 가로등, 주차 미터기 등을 포함한다. 일부 실시예들에서, V2I 디바이스(110)는 차량들(102)과 직접 통신하도록 구성된다. 추가적으로 또는 대안적으로, 일부 실시예들에서, V2I 디바이스(110)는 V2I 시스템(118)을 통해 차량들(102), 원격 AV 시스템(114), 및/또는 플릿 관리 시스템(116)과 통신하도록 구성된다. 일부 실시예들에서, V2I 디바이스(110)는 네트워크(112)를 통해 V2I 시스템(118)과 통신하도록 구성된다.
네트워크(112)는 하나 이상의 유선 및/또는 무선 네트워크를 포함한다. 일 예에서, 네트워크(112)는 셀룰러 네트워크(예를 들면, LTE(long term evolution) 네트워크, 3G(third generation) 네트워크, 4G(fourth generation) 네트워크, 5G(fifth generation) 네트워크, CDMA(code division multiple access) 네트워크 등), PLMN(public land mobile network), LAN(local area network), WAN(wide area network), MAN(metropolitan area network), 전화 네트워크(예를 들면, PSTN(public switched telephone network)), 사설 네트워크, 애드혹 네트워크, 인트라넷, 인터넷, 광섬유 기반 네트워크, 클라우드 컴퓨팅 네트워크 등, 이러한 네트워크들의 일부 또는 전부의 조합 등을 포함한다.
원격 AV 시스템(114)은 네트워크(112)를 통해 차량들(102), V2I 디바이스(110), 네트워크(112), 원격 AV 시스템(114), 플릿 관리 시스템(116), 및/또는 V2I 시스템(118)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일 예에서, 원격 AV 시스템(114)은 서버, 서버들의 그룹, 및/또는 다른 유사한 디바이스들을 포함한다. 일부 실시예들에서, 원격 AV 시스템(114)은 플릿 관리 시스템(116)과 동일 위치에 배치된다(co-located). 일부 실시예들에서, 원격 AV 시스템(114)은 자율 주행 시스템, 자율 주행 차량 컴퓨터, 자율 주행 차량 컴퓨터에 의해 구현되는 소프트웨어 등을 포함한, 차량의 컴포넌트들의 일부 또는 전부의 설치에 관여된다. 일부 실시예들에서, 원격 AV 시스템(114)은 차량의 수명 동안 그러한 컴포넌트들 및/또는 소프트웨어를 유지 관리(예를 들면, 업데이트 및/또는 교체)한다.
플릿 관리 시스템(116)은 차량들(102), V2I 디바이스(110), 원격 AV 시스템(114), 및/또는 V2I 인프라스트럭처 시스템(118)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일 예에서, 플릿 관리 시스템(116)은 서버, 서버들의 그룹, 및/또는 다른 유사한 디바이스들을 포함한다. 일부 실시예들에서, 플릿 관리 시스템(116)은 라이드 셰어링(ridesharing) 회사(예를 들면, 다수의 차량들(예를 들면, 자율 주행 시스템들을 포함하는 차량들 및/또는 자율 주행 시스템들을 포함하지 않는 차량들)의 작동을 제어하는 조직 등)와 연관된다.
일부 실시예들에서, V2I 시스템(118)은 네트워크(112)를 통해 차량들(102), V2I 디바이스(110), 원격 AV 시스템(114), 및/또는 플릿 관리 시스템(116)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, V2I 시스템(118)은 네트워크(112)와 상이한 연결을 통해 V2I 디바이스(110)와 통신하도록 구성된다. 일부 실시예들에서, V2I 시스템(118)은 서버, 서버들의 그룹, 및/또는 다른 유사한 디바이스들을 포함한다. 일부 실시예들에서, V2I 시스템(118)은 지자체 또는 사설 기관(예를 들면, V2I 디바이스(110) 등을 유지 관리하는 사설 기관)과 연관된다.
도 1에 예시된 요소들의 수 및 배열은 예로서 제공된다. 도 1에 예시된 것보다, 추가적인 요소들, 더 적은 요소들, 상이한 요소들 및/또는 상이하게 배열된 요소들이 있을 수 있다. 추가적으로 또는 대안적으로, 환경(100)의 적어도 하나의 요소는 도 1의 적어도 하나의 상이한 요소에 의해 수행되는 것으로 기술된 하나 이상의 기능을 수행할 수 있다. 추가적으로 또는 대안적으로, 환경(100)의 적어도 하나의 요소 세트는 환경(100)의 적어도 하나의 상이한 요소 세트에 의해 수행되는 것으로 기술된 하나 이상의 기능을 수행할 수 있다.
이제 도 2를 참조하면, 차량(200)은 자율 주행 시스템(202), 파워트레인 제어 시스템(204), 조향 제어 시스템(206), 및 브레이크 시스템(208)을 포함한다. 일부 실시예들에서, 차량(200)은 차량(102)(도 1 참조)과 동일하거나 유사하다. 일부 실시예들에서, 차량(102)은 자율 주행 능력을 갖는다(예를 들면, 완전 자율 주행 차량들(예를 들면, 인간 개입에 의존하지 않는 차량들), 고도 자율 주행 차량들(예를 들면, 특정 상황들에서 인간 개입에 의존하지 않는 차량들) 등을, 제한 없이, 포함한, 차량(200)이 인간 개입 없이 부분적으로 또는 완전히 작동될 수 있게 하는 적어도 하나의 기능, 특징, 디바이스 등을 구현한다). 완전 자율 주행 차량들 및 고도 자율 주행 차량들에 대한 상세한 설명에 대해서는, 그 전체가 참고로 포함되는, SAE 국제 표준 J3016: 온로드 자동차 자동 운전 시스템에 관한 용어의 분류 및 정의(SAE International's standard J3016: Taxonomy and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving Systems)가 참조될 수 있다. 일부 실시예들에서, 차량(200)은 자율 주행 플릿 관리자 및/또는 라이드 셰어링 회사와 연관된다.
자율 주행 시스템(202)은 카메라들(202a), LiDAR 센서들(202b), 레이더 센서들(202c), 및 마이크로폰들(202d)과 같은 하나 이상의 디바이스를 포함하는 센서 스위트(sensor suite)를 포함한다. 일부 실시예들에서, 자율 주행 시스템(202)은 보다 많거나 보다 적은 디바이스들 및/또는 상이한 디바이스들(예를 들면, 초음파 센서들, 관성 센서들, GPS 수신기들(아래에서 논의됨), 차량(200)이 주행한 거리의 표시와 연관된 데이터를 생성하는 주행 거리 측정 센서들 등)을 포함할 수 있다. 일부 실시예들에서, 자율 주행 시스템(202)은 자율 주행 시스템(202)에 포함된 하나 이상의 디바이스를 사용하여 본원에서 기술되는 환경(100)과 연관된 데이터를 생성한다. 자율 주행 시스템(202)의 하나 이상의 디바이스에 의해 생성되는 데이터는 차량(200)이 위치하는 환경(예를 들면, 환경(100))을 관측하기 위해 본원에 기술된 하나 이상의 시스템에 의해 사용될 수 있다. 일부 실시예들에서, 자율 주행 시스템(202)은 통신 디바이스(202e), 자율 주행 차량 컴퓨터(202f), 및 드라이브 바이 와이어(drive-by-wire, DBW) 시스템(202h)을 포함한다.
카메라들(202a)은 버스(예를 들면, 도 3의 버스(302)와 동일하거나 유사한 버스)를 통해 통신 디바이스(202e), 자율 주행 차량 컴퓨터(202f) 및/또는 안전 제어기(202g)와 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 카메라들(202a)은 물리적 대상체들(예를 들면, 자동차들, 버스들, 연석들, 사람들 등)을 포함하는 이미지들을 캡처하기 위한 적어도 하나의 카메라(예를 들면, CCD(charge-coupled device)와 같은 광 센서를 사용하는 디지털 카메라, 열 카메라, 적외선(IR) 카메라, 이벤트 카메라 등)를 포함한다. 일부 실시예들에서, 카메라(202a)는 카메라 데이터를 출력으로서 생성한다. 일부 예들에서, 카메라(202a)는 이미지와 연관된 이미지 데이터를 포함하는 카메라 데이터를 생성한다. 이 예에서, 이미지 데이터는 이미지에 대응하는 적어도 하나의 파라미터(예를 들면, 노출, 밝기 등과 같은 이미지 특성들, 이미지 타임스탬프 등)를 명시할 수 있다. 그러한 예에서, 이미지는 한 포맷(예를 들면, RAW, JPEG, PNG 등)으로 되어 있을 수 있다. 일부 실시예들에서, 카메라(202a)는 입체시(stereopsis)(스테레오 비전(stereo vision))를 위해 이미지들을 캡처하도록 차량 상에 구성된(예를 들면, 차량 상에 위치된) 복수의 독립적인 카메라들을 포함한다. 일부 예들에서, 카메라(202a)는 복수의 카메라들을 포함하고, 이 복수의 카메라들은 이미지 데이터를 생성하고 이미지 데이터를 자율 주행 차량 컴퓨터(202f) 및/또는 플릿 관리 시스템(예를 들면, 도 1의 플릿 관리 시스템(116)과 동일하거나 유사한 플릿 관리 시스템)으로 전송한다. 그러한 예에서, 자율 주행 차량 컴퓨터(202f)는 적어도 2 개의 카메라로부터의 이미지 데이터에 기초하여 복수의 카메라들 중 적어도 2 개의 카메라의 시야 내의 하나 이상의 대상체까지의 깊이를 결정한다. 일부 실시예들에서, 카메라들(202a)은 카메라들(202a)로부터 일정 거리(예를 들면, 최대 100 미터, 최대 1 킬로미터 등) 내의 대상체들의 이미지들을 캡처하도록 구성된다. 그에 따라, 카메라들(202a)은 카메라들(202a)로부터 하나 이상의 거리에 있는 대상체들을 인지하도록 최적화된 센서들 및 렌즈들과 같은 특징부들을 포함한다.
일 실시예에서, 카메라(202a)는 시각적 운행 정보를 제공하는 하나 이상의 교통 신호등, 거리 표지판 및/또는 다른 물리적 대상체와 연관된 하나 이상의 이미지를 캡처하도록 구성된 적어도 하나의 카메라를 포함한다. 일부 실시예들에서, 카메라(202a)는 하나 이상의 이미지와 연관된 교통 신호등 데이터를 생성한다. 일부 예들에서, 카메라(202a)는 한 포맷(예를 들면, RAW, JPEG, PNG 등)을 포함하는 하나 이상의 이미지와 연관된 TLD 데이터를 생성한다. 일부 실시예들에서, TLD 데이터를 생성하는 카메라(202a)는, 카메라(202a)가 가능한 한 많은 물리적 대상체들에 관한 이미지들을 생성하기 위해 넓은 시야를 갖는 하나 이상의 카메라(예를 들면, 광각 렌즈, 어안 렌즈, 대략 120도 이상의 시야각을 갖는 렌즈 등)를 포함할 수 있다는 점에서, 카메라들을 포함하는 본원에 기술된 다른 시스템들과 상이하다.
LiDAR(Laser Detection and Ranging) 센서들(202b)은 버스(예를 들면, 도 3의 버스(302)와 동일하거나 유사한 버스)를 통해 통신 디바이스(202e), 자율 주행 차량 컴퓨터(202f), 및/또는 안전 제어기(202g)와 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. LiDAR 센서들(202b)은 광 방출기(예를 들면, 레이저 송신기)로부터 광을 송신하도록 구성된 시스템을 포함한다. LiDAR 센서들(202b)에 의해 방출되는 광은 가시 스펙트럼 밖에 있는 광(예를 들면, 적외선 광 등)을 포함한다. 일부 실시예들에서, 작동 동안, LiDAR 센서들(202b)에 의해 방출되는 광은 물리적 대상체(예를 들면, 차량)와 조우하고 LiDAR 센서들(202b)로 다시 반사된다. 일부 실시예들에서, LiDAR 센서들(202b)에 의해 방출되는 광은 광이 조우하는 물리적 대상체들을 투과하지 않는다. LiDAR 센서들(202b)은 광 방출기로부터 방출된 광이 물리적 대상체와 조우한 후에 그 광을 검출하는 적어도 하나의 광 검출기를 또한 포함한다. 일부 실시예들에서, LiDAR 센서들(202b)과 연관된 적어도 하나의 데이터 프로세싱 시스템은 LiDAR 센서들(202b)의 시야에 포함된 대상체들을 나타내는 이미지(예를 들면, 포인트 클라우드, 결합된 포인트 클라우드(combined point cloud) 등)를 생성한다. 일부 예들에서, LiDAR 센서(202b)와 연관된 적어도 하나의 데이터 프로세싱 시스템은 물리적 대상체의 경계들, 물리적 대상체의 표면들(예를 들면, 표면들의 토폴로지) 등을 나타내는 이미지를 생성한다. 그러한 예에서, 이미지는 LiDAR 센서들(202b)의 시야 내의 물리적 대상체들의 경계들을 결정하는 데 사용된다.
레이더(radar, Radio Detection and Ranging) 센서들(202c)은 버스(예를 들면, 도 3의 버스(302)와 동일하거나 유사한 버스)를 통해 통신 디바이스(202e), 자율 주행 차량 컴퓨터(202f) 및/또는 안전 제어기(202g)와 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 레이더 센서들(202c)은 전파들을 (펄스형으로 또는 연속적으로) 송신하도록 구성된 시스템을 포함한다. 레이더 센서들(202c)에 의해 송신되는 전파들은 미리 결정된 스펙트럼 내에 있는 전파들을 포함한다. 일부 실시예들에서, 작동 동안, 레이더 센서들(202c)에 의해 송신되는 전파들은 물리적 대상체와 조우하고 레이더 센서들(202c)로 다시 반사된다. 일부 실시예들에서, 레이더 센서들(202c)에 의해 송신되는 전파들이 일부 대상체들에 의해 반사되지 않는다. 일부 실시예들에서, 레이더 센서들(202c)과 연관된 적어도 하나의 데이터 프로세싱 시스템은 레이더 센서들(202c)의 시야에 포함된 대상체들을 나타내는 신호들을 생성한다. 예를 들어, 레이더 센서(202c)와 연관된 적어도 하나의 데이터 프로세싱 시스템은 물리적 대상체의 경계들, 물리적 대상체의 표면들(예를 들면, 표면들의 토폴로지) 등을 나타내는 이미지를 생성한다. 일부 예들에서, 이미지는 레이더 센서들(202c)의 시야 내의 물리적 대상체들의 경계들을 결정하는 데 사용된다.
마이크로폰들(202d)은 버스(예를 들면, 도 3의 버스(302)와 동일하거나 유사한 버스)를 통해 통신 디바이스(202e), 자율 주행 차량 컴퓨터(202f) 및/또는 안전 제어기(202g)와 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 마이크로폰들(202d)은 오디오 신호들을 캡처하고 오디오 신호들과 연관된(예를 들면, 이를 나타내는) 데이터를 생성하는 하나 이상의 마이크로폰(예를 들면, 어레이 마이크로폰, 외부 마이크로폰 등)을 포함한다. 일부 예들에서, 마이크로폰들(202d)은 트랜스듀서 디바이스들 및/또는 유사 디바이스들을 포함한다. 일부 실시예들에서, 본원에 기술된 하나 이상의 시스템은 마이크로폰들(202d)에 의해 생성되는 데이터를 수신하고 데이터와 연관된 오디오 신호들에 기초하여 차량(200)을 기준으로 대상체의 위치(예를 들면, 거리 등)를 결정할 수 있다.
통신 디바이스(202e)는 카메라들(202a), LiDAR 센서들(202b), 레이더 센서들(202c), 마이크로폰들(202d), 자율 주행 차량 컴퓨터(202f), 안전 제어기(202g), 및/또는 DBW 시스템(202h)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 예를 들어, 통신 디바이스(202e)는 도 3의 통신 인터페이스(314)와 동일하거나 유사한 디바이스를 포함할 수 있다. 일부 실시예들에서, 통신 디바이스(202e)는 차량 대 차량(vehicle-to-vehicle, V2V) 통신 디바이스(예를 들면, 차량들 간의 데이터의 무선 통신을 가능하게 하는 디바이스)를 포함한다.
자율 주행 차량 컴퓨터(202f)는 카메라들(202a), LiDAR 센서들(202b), 레이더 센서들(202c), 마이크로폰들(202d), 통신 디바이스(202e), 안전 제어기(202g), 및/또는 DBW 시스템(202h)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, 자율 주행 차량 컴퓨터(202f)는 클라이언트 디바이스, 모바일 디바이스(예를 들면, 셀룰러 전화, 태블릿 등), 서버(예를 들면, 하나 이상의 중앙 프로세싱 유닛, 그래픽 프로세싱 유닛 등을 포함하는 컴퓨팅 디바이스) 등과 같은 디바이스를 포함한다. 일부 실시예들에서, 자율 주행 차량 컴퓨터(202f)는 본원에 기술된 자율 주행 차량 컴퓨터(400)와 동일하거나 유사하다. 추가적으로 또는 대안적으로, 일부 실시예들에서, 자율 주행 차량 컴퓨터(202f)는 자율 주행 차량 시스템(예를 들면, 도 1의 원격 AV 시스템(114)과 동일하거나 유사한 자율 주행 차량 시스템), 플릿 관리 시스템(예를 들면, 도 1의 플릿 관리 시스템(116)과 동일하거나 유사한 플릿 관리 시스템), V2I 디바이스(예를 들면, 도 1의 V2I 디바이스(110)와 동일하거나 유사한 V2I 디바이스), 및/또는 V2I 시스템(예를 들면, 도 1의 V2I 시스템(118)과 동일하거나 유사한 V2I 시스템)과 통신하도록 구성된다.
안전 제어기(202g)는 카메라들(202a), LiDAR 센서들(202b), 레이더 센서들(202c), 마이크로폰들(202d), 통신 디바이스(202e), 자율 주행 차량 컴퓨터(202f), 및/또는 DBW 시스템(202h)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, 안전 제어기(202g)는 차량(200)의 하나 이상의 디바이스(예를 들면, 파워트레인 제어 시스템(204), 조향 제어 시스템(206), 브레이크 시스템(208) 등)를 작동시키기 위한 제어 신호들을 생성 및/또는 송신하도록 구성된 하나 이상의 제어기(전기 제어기, 전기기계 제어기 등)를 포함한다. 일부 실시예들에서, 안전 제어기(202g)는 자율 주행 차량 컴퓨터(202f)에 의해 생성 및/또는 송신되는 제어 신호들보다 우선하는(예를 들면, 이를 오버라이드하는) 제어 신호들을 생성하도록 구성된다.
DBW 시스템(202h)은 통신 디바이스(202e) 및/또는 자율 주행 차량 컴퓨터(202f)와 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, DBW 시스템(202h)은 차량(200)의 하나 이상의 디바이스(예를 들면, 파워트레인 제어 시스템(204), 조향 제어 시스템(206), 브레이크 시스템(208) 등)를 작동시키기 위한 제어 신호들을 생성 및/또는 송신하도록 구성된 하나 이상의 제어기(예를 들면, 전기 제어기, 전기기계 제어기 등)를 포함한다. 추가적으로 또는 대안적으로, DBW 시스템(202h)의 하나 이상의 제어기는 차량(200)의 적어도 하나의 상이한 디바이스(예를 들면, 방향 지시등, 헤드라이트, 도어록, 윈도실드 와이퍼 등)를 작동시키기 위한 제어 신호들을 생성 및/또는 송신하도록 구성된다.
파워트레인 제어 시스템(204)은 DBW 시스템(202h)과 통신하도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, 파워트레인 제어 시스템(204)은 적어도 하나의 제어기, 액추에이터 등을 포함한다. 일부 실시예들에서, 파워트레인 제어 시스템(204)은 DBW 시스템(202h)으로부터 제어 신호들을 수신하고, 파워트레인 제어 시스템(204)은 차량(200)이 전진하는 것을 시작하게 하고, 전진하는 것을 중지하게 하며, 후진하는 것을 시작하게 하고, 후진하는 것을 중지하게 하며, 한 방향으로 가속하게 하고, 한 방향으로 감속하게 하며, 좌회전을 수행하게 하고, 우회전을 수행하게 하는 등을 한다. 일 예에서, 파워트레인 제어 시스템(204)은 차량의 모터에 제공되는 에너지(예를 들면, 연료, 전기 등)가 증가하게 하거나, 동일하게 유지되게 하거나, 또는 감소하게 하여, 이에 의해 차량(200)의 적어도 하나의 바퀴가 회전하거나 회전하지 않게 한다.
조향 제어 시스템(206)은 차량(200)의 하나 이상의 바퀴를 회전시키도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, 조향 제어 시스템(206)은 적어도 하나의 제어기, 액추에이터 등을 포함한다. 일부 실시예들에서, 조향 제어 시스템(206)은 차량(200)이 좌측 또는 우측으로 방향 전환하게 하기 위해 차량(200)의 전면 2 개의 바퀴 및/또는 후면 2 개의 바퀴가 좌측 또는 우측으로 회전하게 한다.
브레이크 시스템(208)은 차량(200)이 속력을 감소시키게 하고/하거나 정지해 있는 채로 유지하게 하기 위해 하나 이상의 브레이크를 작동시키도록 구성된 적어도 하나의 디바이스를 포함한다. 일부 예들에서, 브레이크 시스템(208)은 차량(200)의 대응하는 로터(rotor)에서 차량(200)의 하나 이상의 바퀴와 연관된 하나 이상의 캘리퍼(caliper)가 닫히게 하도록 구성된 적어도 하나의 제어기 및/또는 액추에이터를 포함한다. 추가적으로 또는 대안적으로, 일부 예들에서, 브레이크 시스템(208)은 자동 긴급 제동(automatic emergency braking, AEB) 시스템, 회생 제동 시스템 등을 포함한다.
일부 실시예들에서, 차량(200)은 차량(200)의 상태 또는 조건의 속성들을 측정 또는 추론하는 적어도 하나의 플랫폼 센서(명시적으로 예시되지 않음)를 포함한다. 일부 예들에서, 차량(200)은 GPS(global positioning system) 수신기, IMU(inertial measurement unit), 휠 속력 센서, 휠 브레이크 압력 센서, 휠 토크 센서, 엔진 토크 센서, 조향각 센서 등과 같은 플랫폼 센서들을 포함한다.
이제 도 3을 참조하면, 디바이스(300)의 개략 다이어그램이 예시되어 있다. 예시된 바와 같이, 디바이스(300)는 프로세서(304), 메모리(306), 저장 컴포넌트(308), 입력 인터페이스(310), 출력 인터페이스(312), 통신 인터페이스(314), 및 버스(302)를 포함한다. 일부 실시예들에서, 디바이스(300)는 차량들(102)의 적어도 하나의 디바이스(예를 들면, 차량들(102)의 시스템의 적어도 하나의 디바이스), 차량(200)의 적어도 하나의 컴포넌트, 및/또는 네트워크(112)의 하나 이상의 디바이스(예를 들면, 네트워크(112)의 시스템의 하나 이상의 디바이스)에 대응한다. 일부 실시예들에서, 차량들(102)의 하나 이상의 디바이스(예를 들면, 차량들(102)의 시스템의 하나 이상의 디바이스), 및/또는 네트워크(112)의 하나 이상의 디바이스(예를 들면, 네트워크(112)의 시스템의 하나 이상의 디바이스)는 적어도 하나의 디바이스(300) 및/또는 디바이스(300)의 적어도 하나의 컴포넌트를 포함한다. 도 3에 도시된 바와 같이, 디바이스(300)는 버스(302), 프로세서(304), 메모리(306), 저장 컴포넌트(308), 입력 인터페이스(310), 출력 인터페이스(312), 및 통신 인터페이스(314)를 포함한다.
버스(302)는 디바이스(300)의 컴포넌트들 간의 통신을 가능하게 하는 컴포넌트를 포함한다. 일부 실시예들에서, 프로세서(304)는 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현된다. 일부 예들에서, 프로세서(304)는 적어도 하나의 기능을 수행하도록 프로그래밍될 수 있는, 프로세서(예를 들면, 중앙 프로세싱 유닛(CPU), 그래픽 프로세싱 유닛(GPU), 가속 프로세싱 유닛(APU) 등), 마이크로폰, 디지털 신호 프로세서(DSP), 및/또는 임의의 프로세싱 컴포넌트(예를 들면, FPGA(field-programmable gate array), ASIC(application specific integrated circuit) 등)를 포함한다. 메모리(306)는 프로세서(304)가 사용할 데이터 및/또는 명령어들을 저장하는, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 및/또는 다른 유형의 동적 및/또는 정적 저장 디바이스(예를 들면, 플래시 메모리, 자기 메모리, 광학 메모리 등)를 포함한다.
저장 컴포넌트(308)는 디바이스(300)의 작동 및 사용에 관련된 데이터 및/또는 소프트웨어를 저장한다. 일부 예들에서, 저장 컴포넌트(308)는 하드 디스크(예를 들면, 자기 디스크, 광학 디스크, 광자기 디스크, 솔리드 스테이트 디스크 등), CD(compact disc), DVD(digital versatile disc), 플로피 디스크, 카트리지, 자기 테이프, CD-ROM, RAM, PROM, EPROM, FLASH-EPROM, NV-RAM 및/또는 다른 유형의 컴퓨터 판독 가능 매체를, 대응하는 드라이브와 함께, 포함한다.
입력 인터페이스(310)는 디바이스(300)가, 예컨대, 사용자 입력(예를 들면, 터치스크린 디스플레이, 키보드, 키패드, 마우스, 버튼, 스위치, 마이크로폰, 카메라 등)을 통해, 정보를 수신할 수 있게 하는 컴포넌트를 포함한다. 추가적으로 또는 대안적으로, 일부 실시예들에서, 입력 인터페이스(310)는 정보를 감지하는 센서(예를 들면, GPS(global positioning system) 수신기, 가속도계, 자이로스코프, 액추에이터 등)를 포함한다. 출력 인터페이스(312)는 디바이스(300)로부터의 출력 정보를 제공하는 컴포넌트(예를 들면, 디스플레이, 스피커, 하나 이상의 발광 다이오드(LED) 등)를 포함한다.
일부 실시예들에서, 통신 인터페이스(314)는 디바이스(300)가 유선 연결, 무선 연결, 또는 유선 연결과 무선 연결의 조합을 통해 다른 디바이스들과 통신할 수 있게 하는 트랜시버 유사 컴포넌트(예를 들면, 트랜시버, 개별 수신기 및 송신기 등)를 포함한다. 일부 예들에서, 통신 인터페이스(314)는 디바이스(300)가 다른 디바이스로부터 정보를 수신하고/하거나 다른 디바이스에 정보를 제공할 수 있게 한다. 일부 예들에서, 통신 인터페이스(314)는 이더넷 인터페이스, 광학 인터페이스, 동축 인터페이스, 적외선 인터페이스, RF(radio frequency) 인터페이스, USB(universal serial bus) 인터페이스, Wi-Fi® 인터페이스, 셀룰러 네트워크 인터페이스 등을 포함한다.
일부 실시예들에서, 디바이스(300)는 본원에 기술된 하나 이상의 프로세스를 수행한다. 디바이스(300)는 프로세서(304)가, 메모리(305) 및/또는 저장 컴포넌트(308)와 같은, 컴퓨터 판독 가능 매체에 의해 저장된 소프트웨어 명령어들을 실행하는 것에 기초하여 이러한 프로세스들을 수행한다. 컴퓨터 판독 가능 매체(예를 들면, 비일시적 컴퓨터 판독 가능 매체)는 본원에서 비일시적 메모리 디바이스로서 정의된다. 비일시적 메모리 디바이스는 단일의 물리 저장 디바이스 내부에 위치한 메모리 공간 또는 다수의 물리 저장 디바이스들에 걸쳐 분산된 메모리 공간을 포함한다.
일부 실시예들에서, 소프트웨어 명령어들은 통신 인터페이스(314)를 통해 다른 컴퓨터 판독 가능 매체로부터 또는 다른 디바이스로부터 메모리(306) 및/또는 저장 컴포넌트(308)로 판독된다. 실행될 때, 메모리(306) 및/또는 저장 컴포넌트(308)에 저장된 소프트웨어 명령어들은 프로세서(304)로 하여금 본원에 기술된 하나 이상의 프로세스를 수행하게 한다. 추가적으로 또는 대안적으로, 고정 배선(hardwired) 회로는 본원에 기술된 하나 이상의 프로세스를 수행하기 위해 소프트웨어 명령어들 대신에 또는 소프트웨어 명령어들과 결합하여 사용된다. 따라서, 본원에 기술된 실시예들은, 달리 명시적으로 언급되지 않는 한, 하드웨어 회로와 소프트웨어의 임의의 특정 조합으로 제한되지 않는다.
메모리(306) 및/또는 저장 컴포넌트(308)는 데이터 스토리지 또는 적어도 하나의 데이터 구조(예를 들면, 데이터베이스 등)를 포함한다. 디바이스(300)는 데이터 스토리지 또는 메모리(306) 또는 저장 컴포넌트(308) 내의 적어도 하나의 데이터 구조로부터 정보를 수신하는 것, 그에 정보를 저장하는 것, 그에게로 정보를 통신하는 것, 또는 그에 저장된 정보를 검색하는 것을 할 수 있다. 일부 예들에서, 정보는 네트워크 데이터, 입력 데이터, 출력 데이터, 또는 이들의 임의의 조합을 포함한다.
일부 실시예들에서, 디바이스(300)는 메모리(306)에 그리고/또는 다른 디바이스(예를 들면, 디바이스(300)와 동일하거나 유사한 다른 디바이스)의 메모리에 저장된 소프트웨어 명령어들을 실행하도록 구성된다. 본원에서 사용되는 바와 같이, "모듈"이라는 용어는, 프로세서(304)에 의해 그리고/또는 다른 디바이스(예를 들면, 디바이스(300)와 동일하거나 유사한 다른 디바이스)의 프로세서에 의해 실행될 때, 디바이스(300)(예를 들면, 디바이스(300)의 적어도 하나의 컴포넌트)로 하여금 본원에 기술된 하나 이상의 프로세스를 수행하게 하는 메모리(306)에 그리고/또는 다른 디바이스의 메모리에 저장된 적어도 하나의 명령어를 지칭한다. 일부 실시예들에서, 모듈(또는 엔진)은 소프트웨어, 펌웨어, 하드웨어 등으로 구현된다.
도 3에 예시된 컴포넌트들의 수 및 배열은 예로서 제공된다. 일부 실시예들에서, 디바이스(300)는 도 3에 예시된 것보다, 추가적인 컴포넌트들, 더 적은 컴포넌트들, 상이한 컴포넌트들, 또는 상이하게 배열된 컴포넌트들을 포함할 수 있다. 추가적으로 또는 대안적으로, 디바이스(300)의 컴포넌트 세트(예를 들면, 하나 이상의 컴포넌트)는 디바이스(300)의 다른 컴포넌트 또는 다른 컴포넌트 세트에 의해 수행되는 것으로 기술된 하나 이상의 기능을 수행할 수 있다.
이제 도 4a를 참조하면, 자율 주행 차량 컴퓨터(400)(때때로 "AV 스택"이라고 지칭됨)의 예시적인 블록 다이어그램이 예시되어 있다. 예시된 바와 같이, 자율 주행 차량 컴퓨터(400)는 인지 시스템(402)(때때로 인지 모듈이라고 지칭됨), 계획 시스템(404)(때때로 계획 모듈이라고 지칭됨), 로컬화 시스템(406)(때때로 로컬화 모듈이라고 지칭됨), 제어 시스템(408)(때때로 제어 모듈이라고 지칭됨) 및 데이터베이스(410)를 포함한다. 일부 실시예들에서, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 제어 시스템(408) 및 데이터베이스(410)는 차량의 자율 주행 운행 시스템(예를 들면, 차량(200)의 자율 주행 차량 컴퓨터(202f))에 포함되고/되거나 구현된다. 추가적으로 또는 대안적으로, 일부 실시예들에서, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 제어 시스템(408), 및 데이터베이스(410)는 하나 이상의 독립형 시스템(예를 들면, 자율 주행 차량 컴퓨터(400) 등과 동일하거나 유사한 하나 이상의 시스템)에 포함된다. 일부 예들에서, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 제어 시스템(408), 및 데이터베이스(410)는 본원에 기술된 바와 같이 차량 및/또는 적어도 하나의 원격 시스템에 위치하는 하나 이상의 독립형 시스템에 포함된다. 일부 실시예들에서, 자율 주행 차량 컴퓨터(400)에 포함된 시스템들 중 일부 및/또는 전부는 소프트웨어(예를 들면, 메모리에 저장된 소프트웨어 명령어들), 컴퓨터 하드웨어(예를 들면, 마이크로프로세서, 마이크로컨트롤러, ASIC(application-specific integrated circuit), FPGA(Field Programmable Gate Array) 등), 또는 컴퓨터 소프트웨어와 컴퓨터 하드웨어의 조합으로 구현된다. 일부 실시예들에서, 자율 주행 차량 컴퓨터(400)가 원격 시스템(예를 들면, 원격 AV 시스템(114)과 동일하거나 유사한 자율 주행 차량 시스템, 플릿 관리 시스템(116)과 동일하거나 유사한 플릿 관리 시스템, V2I 시스템(118)과 동일하거나 유사한 V2I 시스템 등)과 통신하도록 구성된다는 것이 또한 이해될 것이다.
일부 실시예들에서, 인지 시스템(402)은 환경에서의 적어도 하나의 물리적 대상체와 연관된 데이터(예를 들면, 적어도 하나의 물리적 대상체를 검출하기 위해 인지 시스템(402)에 의해 사용되는 데이터)를 수신하고 적어도 하나의 물리적 대상체를 분류한다. 일부 예들에서, 인지 시스템(402)은 적어도 하나의 카메라(예를 들면, 카메라들(202a))에 의해 캡처되는 이미지 데이터를 수신하고, 이미지는 적어도 하나의 카메라의 시야 내의 하나 이상의 물리적 대상체와 연관되어 있다(예를 들면, 이를 표현한다). 그러한 예에서, 인지 시스템(402)은 물리적 대상체들(예를 들면, 자전거들, 차량들, 교통 표지판들, 보행자들 등)의 하나 이상의 그룹화에 기초하여 적어도 하나의 물리적 대상체를 분류한다. 일부 실시예들에서, 인지 시스템(402)이 물리적 대상체들을 분류하는 것에 기초하여 인지 시스템(402)은 물리적 대상체들의 분류와 연관된 데이터를 계획 시스템(404)으로 송신한다.
일부 실시예들에서, 계획 시스템(404)은 목적지와 연관된 데이터를 수신하고 차량(예를 들면, 차량들(102))이 목적지를 향해 주행할 수 있는 적어도 하나의 루트(예를 들면, 루트들(106))와 연관된 데이터를 생성한다. 일부 실시예들에서, 계획 시스템(404)은 인지 시스템(402)으로부터의 데이터(예를 들면, 위에서 기술된, 물리적 대상체들의 분류와 연관된 데이터)를 주기적으로 또는 연속적으로 수신하고, 계획 시스템(404)은 인지 시스템(402)에 의해 생성되는 데이터에 기초하여 적어도 하나의 궤적을 업데이트하거나 적어도 하나의 상이한 궤적을 생성한다. 일부 실시예들에서, 계획 시스템(404)은 로컬화 시스템(406)으로부터 차량(예를 들면, 차량들(102))의 업데이트된 위치와 연관된 데이터를 수신하고, 계획 시스템(404)은 로컬화 시스템(406)에 의해 생성되는 데이터에 기초하여 적어도 하나의 궤적을 업데이트하거나 적어도 하나의 상이한 궤적을 생성한다.
일부 실시예들에서, 로컬화 시스템(406)은 한 영역에서의 차량(예를 들면, 차량들(102))의 한 위치와 연관된(예를 들면, 이를 나타내는) 데이터를 수신한다. 일부 예들에서, 로컬화 시스템(406)은 적어도 하나의 LiDAR 센서(예를 들면, LiDAR 센서들(202b))에 의해 생성되는 적어도 하나의 포인트 클라우드와 연관된 LiDAR 데이터를 수신한다. 특정 예들에서, 로컬화 시스템(406)은 다수의 LiDAR 센서들로부터의 적어도 하나의 포인트 클라우드와 연관된 데이터를 수신하고 로컬화 시스템(406)은 포인트 클라우드들 각각에 기초하여 결합된 포인트 클라우드를 생성한다. 이러한 예들에서, 로컬화 시스템(406)은 적어도 하나의 포인트 클라우드 또는 결합된 포인트 클라우드를 데이터베이스(410)에 저장되어 있는 해당 영역의 2차원(2D) 및/또는 3차원(3D) 맵과 비교한다. 로컬화 시스템(406)이 적어도 하나의 포인트 클라우드 또는 결합된 포인트 클라우드를 맵과 비교하는 것에 기초하여 로컬화 시스템(406)은 이어서 해당 영역에서의 차량의 위치를 결정한다. 일부 실시예들에서, 맵은 차량의 운행 이전에 생성되는 해당 영역의 결합된 포인트 클라우드를 포함한다. 일부 실시예들에서, 맵은, 제한 없이, 도로 기하학적 특성들의 고정밀 맵, 도로 네트워크 연결 특성들을 기술하는 맵, 도로 물리적 특성들(예컨대, 교통 속력, 교통량, 차량 교통 차선과 자전거 타는 사람 교통 차선의 수, 차선 폭, 차선 교통 방향, 또는 차선 마커 유형 및 위치, 또는 이들의 조합)을 기술하는 맵, 및 도로 특징물, 예컨대, 횡단보도, 교통 표지판 또는 다양한 유형의 다른 주행 신호들의 공간적 위치들을 기술하는 맵을 포함한다. 일부 실시예들에서, 맵은 인지 시스템에 의해 수신되는 데이터에 기초하여 실시간으로 생성된다.
다른 예에서, 로컬화 시스템(406)은 GPS(global positioning system) 수신기에 의해 생성되는 GNSS(Global Navigation Satellite System) 데이터를 수신한다. 일부 예들에서, 로컬화 시스템(406)은 해당 영역 내에서의 차량의 위치와 연관된 GNSS 데이터를 수신하고 로컬화 시스템(406)은 해당 영역 내에서의 차량의 위도 및 경도를 결정한다. 그러한 예에서, 로컬화 시스템(406)은 차량의 위도 및 경도에 기초하여 해당 영역에서의 차량의 위치를 결정한다. 일부 실시예들에서, 로컬화 시스템(406)은 차량의 위치와 연관된 데이터를 생성한다. 일부 예들에서, 로컬화 시스템(406)이 차량의 위치를 결정하는 것에 기초하여 로컬화 시스템(406)은 차량의 위치와 연관된 데이터를 생성한다. 그러한 예에서, 차량의 위치와 연관된 데이터는 차량의 위치에 대응하는 하나 이상의 시맨틱 특성과 연관된 데이터를 포함한다.
일부 실시예들에서, 제어 시스템(408)은 계획 시스템(404)으로부터 적어도 하나의 궤적과 연관된 데이터를 수신하고 제어 시스템(408)은 차량의 작동을 제어한다. 일부 예들에서, 제어 시스템(408)은 계획 시스템(404)으로부터 적어도 하나의 궤적과 연관된 데이터를 수신하고, 제어 시스템(408)은 파워트레인 제어 시스템(예를 들면, DBW 시스템(202h), 파워트레인 제어 시스템(204) 등), 조향 제어 시스템(예를 들면, 조향 제어 시스템(206)) 및/또는 브레이크 시스템(예를 들면, 브레이크 시스템(208))이 작동하게 하는 제어 신호들을 생성하여 송신하는 것에 의해 차량의 작동을 제어한다. 궤적이 좌회전을 포함하는 예에서, 제어 시스템(408)은 조향 제어 시스템(206)으로 하여금 차량(200)의 조향각을 조정하게 함으로써 차량(200)이 좌회전하게 하는 제어 신호를 송신한다. 추가적으로 또는 대안적으로, 제어 시스템(408)은 차량(200)의 다른 디바이스들(예를 들면, 헤드라이트, 방향 지시등, 도어록, 윈도실드 와이퍼 등)로 하여금 상태들을 변경하게 하는 제어 신호들을 생성하여 송신한다.
일부 실시예들에서, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 및/또는 제어 시스템(408)은 적어도 하나의 머신 러닝 모델(예를 들면, 적어도 하나의 다층 퍼셉트론(MLP), 적어도 하나의 콘볼루션 신경 네트워크(CNN), 적어도 하나의 순환 신경 네트워크(RNN), 적어도 하나의 오토인코더, 적어도 하나의 트랜스포머(transformer) 등)을 구현한다. 일부 예들에서, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 및/또는 제어 시스템(408)은 단독으로 또는 위에서 언급된 시스템들 중 하나 이상과 조합하여 적어도 하나의 머신 러닝 모델을 구현한다. 일부 예에서, 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406), 및/또는 제어 시스템(408)은 파이프라인(예를 들면, 환경에 위치한 하나 이상의 대상체를 식별하기 위한 파이프라인 등)의 일부로서 적어도 하나의 머신 러닝 모델을 구현한다. 머신 러닝 모델의 구현의 예는 도 4b 내지 도 4d와 관련하여 아래에 포함된다.
데이터베이스(410)는 인지 시스템(402), 계획 시스템(404), 로컬화 시스템(406) 및/또는 제어 시스템(408)으로 송신되며, 이들로부터 수신되고/되거나 이들에 의해 업데이트되는 데이터를 저장한다. 일부 예들에서, 데이터베이스(410)는 작동에 관련된 데이터 및/또는 소프트웨어를 저장하고 자율 주행 차량 컴퓨터(400)의 적어도 하나의 시스템을 사용하는 저장 컴포넌트(예를 들면, 도 3의 저장 컴포넌트(308)와 동일하거나 유사한 저장 컴포넌트)를 포함한다. 일부 실시예들에서, 데이터베이스(410)는 적어도 하나의 영역의 2D 및/또는 3D 맵과 연관된 데이터를 저장한다. 일부 예들에서, 데이터베이스(410)는 도시의 일 부분, 다수의 도시들의 다수의 부분들, 다수의 도시들, 카운티, 주, 국가(State)(예를 들면, 나라(country)) 등의 2D 및/또는 3D 맵과 연관된 데이터를 저장한다. 그러한 예에서, 차량(예를 들면, 차량들(102) 및/또는 차량(200)과 동일하거나 유사한 차량)은 하나 이상의 운전 가능한 영역(예를 들면, 단일 차선 도로, 다중 차선 도로, 간선도로, 시골 길(back road), 오프로드 트레일 등)을 따라 운전할 수 있고, 적어도 하나의 LiDAR 센서(예를 들면, LiDAR 센서들(202b)과 동일하거나 유사한 LiDAR 센서)로 하여금 적어도 하나의 LiDAR 센서의 시야에 포함된 대상체들을 나타내는 이미지와 연관된 데이터를 생성하게 할 수 있다.
일부 실시예들에서, 데이터베이스(410)는 복수의 디바이스들에 걸쳐 구현된다. 일부 예들에서, 데이터베이스(410)는 차량(예를 들면, 차량들(102) 및/또는 차량(200)과 동일하거나 유사한 차량), 자율 주행 차량 시스템(예를 들면, 원격 AV 시스템(114)과 동일하거나 유사한 자율 주행 차량 시스템), 플릿 관리 시스템(예를 들면, 도 1의 플릿 관리 시스템(116)과 동일하거나 유사한 플릿 관리 시스템), V2I 시스템(예를 들면, 도 1의 V2I 시스템(118)과 동일하거나 유사한 V2I 시스템) 등에 포함될 수 있다.
이제 도 4b를 참조하면, 머신 러닝 모델의 구현의 다이어그램이 예시되어 있다. 보다 구체적으로, 콘볼루션 신경 네트워크(convolutional neural network, CNN)(420)의 구현의 다이어그램이 예시되어 있다. 예시를 위해, CNN(420)에 대한 이하의 설명은 인지 시스템(402)에 의한 CNN(420)의 구현과 관련하여 이루어질 것이다. 그렇지만, 일부 예들에서 CNN(420)(예를 들면, CNN(420)의 하나 이상의 컴포넌트)이, 계획 시스템(404), 로컬화 시스템(406), 및/또는 제어 시스템(408)과 같은, 인지 시스템(402)과 상이하거나 그 이외의 다른 시스템들에 의해 구현된다는 것이 이해될 것이다. CNN(420)이 본원에 기술된 바와 같은 특정 특징부들을 포함하지만, 이러한 특징부들은 예시 목적으로 제공되며 본 개시를 제한하는 것으로 의도되지 않는다.
CNN(420)은 제1 콘볼루션 계층(422), 제2 콘볼루션 계층(424), 및 콘볼루션 계층(426)을 포함하는 복수의 콘볼루션 계층들을 포함한다. 일부 실시예들에서, CNN(420)은 서브샘플링 계층(428)(때때로 풀링 계층(pooling layer)이라고 지칭됨)을 포함한다. 일부 실시예들에서, 서브샘플링 계층(428) 및/또는 다른 서브샘플링 계층들은 업스트림 시스템의 차원보다 작은 차원(즉, 노드들의 양)을 갖는다. 서브샘플링 계층(428)이 업스트림 계층의 차원보다 작은 차원을 갖는 것에 의해, CNN(420)은 초기 입력 및/또는 업스트림 계층의 출력과 연관된 데이터의 양을 통합(consolidate)하여 이에 의해 CNN(420)이 다운스트림 콘볼루션 연산들을 수행하는 데 필요한 계산들의 양을 감소시킨다. 추가적으로 또는 대안적으로, (도 4c 및 도 4d와 관련하여 아래에서 기술되는 바와 같이) 서브샘플링 계층(428)이 적어도 하나의 서브샘플링 함수와 연관되는(예를 들면, 이를 수행하도록 구성되는) 것에 의해, CNN(420)은 초기 입력과 연관된 데이터의 양을 통합한다.
인지 시스템(402)이 제1 콘볼루션 계층(422), 제2 콘볼루션 계층(424), 및 콘볼루션 계층(426) 각각과 연관된 각자의 입력들 및/또는 출력들을 제공하여 각자의 출력들을 생성하는 것에 기초하여 인지 시스템(402)은 콘볼루션 연산들을 수행한다. 일부 예들에서, 인지 시스템(402)이 제1 콘볼루션 계층(422), 제2 콘볼루션 계층(424), 및 콘볼루션 계층(426)에 대한 입력으로서 데이터를 제공하는 것에 기초하여 인지 시스템(402)은 CNN(420)을 구현한다. 그러한 예에서, 인지 시스템(402)이 하나 이상의 상이한 시스템(예를 들면, 차량(102)과 동일하거나 유사한 차량의 하나 이상의 시스템), 원격 AV 시스템(114)과 동일하거나 유사한 원격 AV 시스템, 플릿 관리 시스템(116)과 동일하거나 유사한 플릿 관리 시스템, V2I 시스템(118)과 동일하거나 유사한 V2I 시스템 등으로부터 데이터를 수신하는 것에 기초하여, 인지 시스템(402)은 제1 콘볼루션 계층(422), 제2 콘볼루션 계층(424), 및 콘볼루션 계층(426)에 대한 입력으로서 데이터를 제공한다. 콘볼루션 연산들에 대한 상세한 설명은 도 4c와 관련하여 아래에 포함된다.
일부 실시예들에서, 인지 시스템(402)은 입력(초기 입력이라고 지칭됨)과 연관된 데이터를 제1 콘볼루션 계층(422)에 제공하고, 인지 시스템(402)은 제1 콘볼루션 계층(422)을 사용하여 출력과 연관된 데이터를 생성한다. 일부 실시예들에서, 인지 시스템(402)은 상이한 콘볼루션 계층에 대한 입력으로서 콘볼루션 계층에 의해 생성되는 출력을 제공한다. 예를 들어, 인지 시스템(402)은 서브샘플링 계층(428), 제2 콘볼루션 계층(424), 및/또는 콘볼루션 계층(426)에 대한 입력으로서 제1 콘볼루션 계층(422)의 출력을 제공한다. 그러한 예에서, 제1 콘볼루션 계층(422)은 업스트림 계층이라고 지칭되고, 서브샘플링 계층(428), 제2 콘볼루션 계층(424) 및/또는 콘볼루션 계층(426)은 다운스트림 계층들이라고 지칭된다. 유사하게, 일부 실시예들에서, 인지 시스템(402)은 서브샘플링 계층(428)의 출력을 제2 콘볼루션 계층(424) 및/또는 콘볼루션 계층(426)에 제공하고, 이 예에서, 서브샘플링 계층(428)은 업스트림 계층이라고 지칭될 것이며, 제2 콘볼루션 계층(424) 및/또는 콘볼루션 계층(426)은 다운스트림 계층들이라고 지칭될 것이다.
일부 실시예들에서, 인지 시스템(402)이 CNN(420)에 입력을 제공하기 전에 인지 시스템(402)은 CNN(420)에 제공되는 입력과 연관된 데이터를 프로세싱한다. 예를 들어, 인지 시스템(402)이 센서 데이터(예를 들면, 이미지 데이터, LiDAR 데이터, 레이더 데이터 등)를 정규화하는 것에 기초하여, 인지 시스템(402)은 CNN(420)에 제공되는 입력과 연관된 데이터를 프로세싱한다.
일부 실시예들에서, 인지 시스템(402)이 각각의 콘볼루션 계층과 연관된 콘볼루션 연산들을 수행하는 것에 기초하여, CNN(420)은 출력을 생성한다. 일부 예들에서, 인지 시스템(402)이 각각의 콘볼루션 계층과 연관된 콘볼루션 연산들을 수행하는 것 및 초기 데이터에 기초하여, CNN(420)은 출력을 생성한다. 일부 실시예들에서, 인지 시스템(402)은 출력을 생성하고 출력을 완전 연결 계층(430)에 제공한다. 일부 예들에서, 인지 시스템(402)은 콘볼루션 계층(426)의 출력을 완전 연결 계층(430)에 제공하고, 여기서 완전 연결 계층(430)은 F1, F2... FN이라고 지칭되는 복수의 특징 값들과 연관된 데이터를 포함한다. 이 예에서, 콘볼루션 계층(426)의 출력은 예측을 나타내는 복수의 출력 특징 값들과 연관된 데이터를 포함한다.
일부 실시예들에서, 인지 시스템(402)이 복수의 예측들 중에서 정확한 예측일 가능성이 가장 높은 것과 연관된 특징 값을 식별하는 것에 기초하여, 인지 시스템(402)은 복수의 예측들 중에서 예측을 식별한다. 예를 들어, 완전 연결 계층(430)이 특징 값들 F1, F2, ... FN을 포함하고, F1이 가장 큰 특징 값인 경우에, 인지 시스템(402)은 F1과 연관된 예측을 복수의 예측들 중에서 정확한 예측인 것으로 식별한다. 일부 실시예들에서, 인지 시스템(402)은 예측을 생성하도록 CNN(420)을 트레이닝시킨다. 일부 예들에서, 인지 시스템(402)이 예측과 연관된 트레이닝 데이터를 CNN(420)에 제공하는 것에 기초하여, 인지 시스템(402)은 예측을 생성하도록 CNN(420)을 트레이닝시킨다.
이제 도 4c 및 도 4d를 참조하면, 인지 시스템(402)에 의한 CNN(440)의 예시적인 작동의 다이어그램이 예시되어 있다. 일부 실시예들에서, CNN(440)(예를 들면, CNN(440)의 하나 이상의 컴포넌트)은 CNN(420)(예를 들면, CNN(420)의 하나 이상의 컴포넌트)(도 4b 참조)과 동일하거나 유사하다.
단계(450)에서, 인지 시스템(402)은 CNN(440)에 대한 입력으로서 이미지와 연관된 데이터를 제공한다(단계(450)). 예를 들어, 예시된 바와 같이, 인지 시스템(402)은 이미지와 연관된 데이터를 CNN(440)에 제공하고, 여기서 이미지는 2차원(2D) 어레이에 저장되는 값들로서 표현되는 그레이스케일 이미지이다. 일부 실시예들에서, 이미지와 연관된 데이터는 컬러 이미지와 연관된 데이터를 포함할 수 있고, 컬러 이미지는 3차원(3D) 어레이에 저장되는 값들로서 표현된다. 추가적으로 또는 대안적으로, 이미지와 연관된 데이터는 적외선 이미지, 레이더 이미지 등과 연관된 데이터를 포함할 수 있다.
단계(455)에서, CNN(440)은 제1 콘볼루션 함수를 수행한다. 예를 들어, CNN(440)이 이미지를 나타내는 값들을 제1 콘볼루션 계층(442)에 포함된 하나 이상의 뉴런(명시적으로 예시되지 않음)에 대한 입력으로서 제공하는 것에 기초하여, CNN(440)은 제1 콘볼루션 함수를 수행한다. 이 예에서, 이미지를 나타내는 값들은 이미지의 한 영역(때때로 수용 영역(receptive field)이라고 지칭됨)을 나타내는 값들에 대응할 수 있다. 일부 실시예들에서, 각각의 뉴런은 필터(명시적으로 예시되지 않음)와 연관된다. 필터(때때로 커널이라고 지칭됨)는 크기가 뉴런에 대한 입력으로서 제공되는 값들에 대응하는 값들의 어레이로서 표현될 수 있다. 일 예에서, 필터는 에지들(예를 들면, 수평 라인들, 수직 라인들, 직선 라인들 등)을 식별하도록 구성될 수 있다. 연속적인 콘볼루션 계층들에서, 뉴런들과 연관된 필터들은 연속적으로 보다 복잡한 패턴들(예를 들면, 호, 대상체 등)을 식별하도록 구성될 수 있다.
일부 실시예들에서, CNN(440)이 제1 콘볼루션 계층(442)에 포함된 하나 이상의 뉴런 각각에 대한 입력으로서 제공되는 값들을 하나 이상의 뉴런 각각에 대응하는 필터의 값들과 곱하는 것에 기초하여, CNN(440)은 제1 콘볼루션 함수를 수행한다. 예를 들어, CNN(440)은 제1 콘볼루션 계층(442)에 포함된 하나 이상의 뉴런 각각에 대한 입력으로서 제공되는 값들을 하나 이상의 뉴런 각각에 대응하는 필터의 값들과 곱하여 단일 값 또는 값들의 어레이를 출력으로서 생성할 수 있다. 일부 실시예들에서, 제1 콘볼루션 계층(442)의 뉴런들의 집합적 출력은 콘볼루션된 출력(convolved output)이라고 지칭된다. 일부 실시예들에서, 각각의 뉴런이 동일한 필터를 갖는 경우에, 콘볼루션된 출력은 특징 맵(feature map)이라고 지칭된다.
일부 실시예들에서, CNN(440)은 제1 콘볼루션 계층(442)의 각각의 뉴런의 출력들을 다운스트림 계층의 뉴런들에 제공한다. 명료함을 위해, 업스트림 계층은 데이터를 상이한 계층(다운스트림 계층이라고 지칭됨)으로 송신하는 계층일 수 있다. 예를 들어, CNN(440)은 제1 콘볼루션 계층(442)의 각각의 뉴런의 출력들을 서브샘플링 계층의 대응하는 뉴런들에 제공할 수 있다. 일 예에서, CNN(440)은 제1 콘볼루션 계층(442)의 각각의 뉴런의 출력들을 제1 서브샘플링 계층(444)의 대응하는 뉴런들에 제공한다. 일부 실시예들에서, CNN(440)은 다운스트림 계층의 각각의 뉴런에 제공되는 모든 값들의 집계들에 바이어스 값을 가산한다. 예를 들어, CNN(440)은 제1 서브샘플링 계층(444)의 각각의 뉴런에 제공되는 모든 값들의 집계들에 바이어스 값을 가산한다. 그러한 예에서, 각각의 뉴런에 제공되는 모든 값들의 집계들 및 제1 서브샘플링 계층(444)의 각각의 뉴런과 연관된 활성화 함수에 기초하여, CNN(440)은 제1 서브샘플링 계층(444)의 각각의 뉴런에 제공할 최종 값을 결정한다.
단계(460)에서, CNN(440)은 제1 서브샘플링 함수를 수행한다. 예를 들어, CNN(440)이 제1 콘볼루션 계층(442)에 의해 출력되는 값들을 제1 서브샘플링 계층(444)의 대응하는 뉴런들에 제공하는 것에 기초하여, CNN(440)은 제1 서브샘플링 함수를 수행할 수 있다. 일부 실시예들에서, CNN(440)은 집계 함수에 기초하여 제1 서브샘플링 함수를 수행한다. 일 예에서, CNN(440)이 주어진 뉴런에 제공되는 값들 중에서 최대 입력을 결정하는 것(맥스 풀링 함수(max pooling function)라고 지칭됨)에 기초하여, CNN(440)은 제1 서브샘플링 함수를 수행한다. 다른 예에서, CNN(440)이 주어진 뉴런에 제공되는 값들 중에서 평균 입력을 결정하는 것(평균 풀링 함수(average pooling function)라고 지칭됨)에 기초하여, CNN(440)은 제1 서브샘플링 함수를 수행한다. 일부 실시예들에서, CNN(440)이 제1 서브샘플링 계층(444)의 각각의 뉴런에 값들을 제공하는 것에 기초하여, CNN(440)은 출력을 생성하며, 이 출력은 때때로 서브샘플링된 콘볼루션된 출력(subsampled convolved output)이라고 지칭된다.
단계(465)에서, CNN(440)은 제2 콘볼루션 함수를 수행한다. 일부 실시예들에서, CNN(440)은 위에서 기술된, CNN(440)이 제1 콘볼루션 함수를 수행한 방식과 유사한 방식으로 제2 콘볼루션 함수를 수행한다. 일부 실시예들에서, CNN(440)이 제1 서브샘플링 계층(444)에 의해 출력되는 값들을 제2 콘볼루션 계층(446)에 포함된 하나 이상의 뉴런(명시적으로 예시되지 않음)에 대한 입력으로서 제공하는 것에 기초하여, CNN(440)은 제2 콘볼루션 함수를 수행한다. 일부 실시예들에서, 위에서 기술된 바와 같이, 제2 콘볼루션 계층(446)의 각각의 뉴런은 필터와 연관된다. 위에서 기술된 바와 같이, 제2 콘볼루션 계층(446)과 연관된 필터(들)는 제1 콘볼루션 계층(442)과 연관된 필터보다 복잡한 패턴들을 식별하도록 구성될 수 있다.
일부 실시예들에서, CNN(440)이 제2 콘볼루션 계층(446)에 포함된 하나 이상의 뉴런 각각에 대한 입력으로서 제공되는 값들을 하나 이상의 뉴런 각각에 대응하는 필터의 값들과 곱하는 것에 기초하여, CNN(440)은 제2 콘볼루션 함수를 수행한다. 예를 들어, CNN(440)은 제2 콘볼루션 계층(446)에 포함된 하나 이상의 뉴런 각각에 대한 입력으로서 제공되는 값들을 하나 이상의 뉴런 각각에 대응하는 필터의 값들과 곱하여 단일 값 또는 값들의 어레이를 출력으로서 생성할 수 있다.
일부 실시예들에서, CNN(440)은 제2 콘볼루션 계층(446)의 각각의 뉴런의 출력들을 다운스트림 계층의 뉴런들에 제공한다. 예를 들어, CNN(440)은 제1 콘볼루션 계층(442)의 각각의 뉴런의 출력들을 서브샘플링 계층의 대응하는 뉴런들에 제공할 수 있다. 일 예에서, CNN(440)은 제1 콘볼루션 계층(442)의 각각의 뉴런의 출력들을 제2 서브샘플링 계층(448)의 대응하는 뉴런들에 제공한다. 일부 실시예들에서, CNN(440)은 다운스트림 계층의 각각의 뉴런에 제공되는 모든 값들의 집계들에 바이어스 값을 가산한다. 예를 들어, CNN(440)은 제2 서브샘플링 계층(448)의 각각의 뉴런에 제공되는 모든 값들의 집계들에 바이어스 값을 가산한다. 그러한 예에서, 각각의 뉴런에 제공되는 모든 값들의 집계들 및 제2 서브샘플링 계층(448)의 각각의 뉴런과 연관된 활성화 함수에 기초하여, CNN(440)은 제2 서브샘플링 계층(448)의 각각의 뉴런에 제공할 최종 값을 결정한다.
단계(470)에서, CNN(440)은 제2 서브샘플링 함수를 수행한다. 예를 들어, CNN(440)이 제2 콘볼루션 계층(446)에 의해 출력되는 값들을 제2 서브샘플링 계층(448)의 대응하는 뉴런들에 제공하는 것에 기초하여, CNN(440)은 제2 서브샘플링 함수를 수행할 수 있다. 일부 실시예들에서, CNN(440)이 집계 함수를 사용하는 것에 기초하여, CNN(440)은 제2 서브샘플링 함수를 수행한다. 일 예에서, 위에서 기술된 바와 같이, CNN(440)이 주어진 뉴런에 제공되는 값들 중에서 최대 입력 또는 평균 입력을 결정하는 것에 기초하여, CNN(440)은 제1 서브샘플링 함수를 수행한다. 일부 실시예들에서, CNN(440)이 제2 서브샘플링 계층(448)의 각각의 뉴런에 값들을 제공하는 것에 기초하여, CNN(440)은 출력을 생성한다.
단계(475)에서, CNN(440)은 제2 서브샘플링 계층(448)의 각각의 뉴런의 출력을 완전 연결 계층들(449)에 제공한다. 예를 들어, CNN(440)은 제2 서브샘플링 계층(448)의 각각의 뉴런의 출력을 완전 연결 계층들(449)에 제공하여 완전 연결 계층들(449)로 하여금 출력을 생성하게 한다. 일부 실시예들에서, 완전 연결 계층들(449)은 예측(때때로 분류라고 지칭됨)과 연관된 출력을 생성하도록 구성된다. 예측은 CNN(440)에 대한 입력으로서 제공되는 이미지에 포함된 대상체가 대상체, 대상체 세트 등을 포함한다는 표시를 포함할 수 있다. 일부 실시예들에서, 인지 시스템(402)은, 본원에 기술된 바와 같이, 하나 이상의 동작을 수행하고/하거나 예측과 연관된 데이터를 상이한 시스템에 제공한다.
일부 실시예들에서, CNN(440)은 AV(예를 들면, 차량(200))의 개발 동안 시간 경과에 따라 업데이트(또는 확장)될 수 있다. 일부 실시예들에서, CNN(440)을 업데이트하는 것은 AV를 그의 작동 엔벨로프의 바로 밖으로 벗어나게 하는 인지 저하를 정확하게 포착하는 시나리오들을 식별하기 위해 시뮬레이터를 사용하는 것을 포함할 수 있다. 예를 들어, AV의 인지 시스템(예를 들면, 인지 시스템(402))은 인지 저하가 AV의 플래너(예를 들면, 플래너 시스템(404))에 어떻게 영향을 미치는지를 알기가 어려울 수 있는 다수의 방식들로 저하될 수 있다. 인지 저하의 일 예는 대상체 명멸과 연관되어 있다. 예를 들어, AV의 현재 환경(예를 들면, 환경(100)) 및 AV가 어느 기동을 실행 중이든 그 기동에 따라, 인지 저하는 특정 순간에 발생할 수 있으며 AV를 그의 정상 작동 엔벨로프로부터 벗어나게 하여 안전하지 않은 상태로 되게 할 수 있다. 이것은, 예를 들어, 인지 시스템에 이전에 통합되지 않은 조건이 환경에 존재할 때 발생할 수 있다.
일부 실시예들에서, CNN(440)을 업데이트하는 목표는 다른 에이전트들(예를 들어, 보행자들, 자전거들, 모터사이클들, 또는 다른 차량들)의 관점에서 에지 케이스 시나리오들을 구성하는 것을 포함할 수 있다. 에지 케이스 시나리오들은, 예를 들어, CNN(440)에 대한 부가물들로서 사용될 수 있다. 에지 케이스 시나리오들을 식별하는 것은 강화 학습 프로세스를 사용하여 올바른 정책, 예를 들면, 에이전트의 행동(예를 들면, 이동하는 것 또는 심지어 존재하는 것)과 같은, 어떤 상황을 통해 운행하기 위해 AV가 어떻게 안전하게 반응해야 하는지를 식별하는 것을 포함할 수 있다. 일부 실시예들에서, 인지 저하는 에이전트가 AV와 충돌하게 할 수 있는 에이전트의 가능한 행동들 중 하나이다. 일부 실시예들에서, 에이전트들의 행동들은 정상 거동 행동들(예컨대, 특정 방향으로 특정 속력으로 이동하는 것) 및 인지 저하(예를 들면, 인지 시스템에 의해 아직 고려되지 않은 행동을 수행하는 것)를 포함할 수 있다. 일부 실시예들에서, 에지 케이스 시나리오(예를 들면, AV를 작동 엔벨로프의 바로 밖으로 벗어나게 하는 시나리오)를 생성하는 것을 결과할 행동들의 시퀀스가 결정될 수 있다.
이제 도 5를 참조하면, 자율 주행 차량에 대한 안전이 중요한 시나리오들을 식별하도록 학습하기 위한 프로세스의 구현(500)의 다이어그램이 예시되어 있다. 예를 들어, 계획 시스템(404)은 인지 시스템(402)에 의해 인식되지 않는 상황의 발생으로 인해 AV에 대한 안전한 루트를 계획하지 못할 수 있다. 일부 실시예들에서, 구현(500)은 무단 횡단자(508)를 피하기 위해 AV(506)에 의해, 예를 들어, 주차된 자동차 회피 기동(502)(경로(504)에 의해 표시됨)을 수행하는 데 사용된다. 일 예로서, 무단 횡단자(508)는, 무단 횡단자(508)의 이동 방향(512)에 의해 도 5에 일반적으로 표시된 바와 같이, 주차된 자동차(510) 후방으로부터 걸어 나올 수 있다. 일부 구현예들에서, 주차된 자동차 회피 기동(502)은, 예를 들어, AV(506)의 제1 상태(예를 들면, 제1 위치(516)에서의 속력 및 방향) 및 제2 상태(예를 들면, 제2 위치(518)에서의 속력 및 방향) 이후에 도로(514) 상에서 발생한다. 일부 실시예들에서, 무단 횡단자(508)를 피하기 위해 AV(506)에 의해 수행되는 다른 회피 기동들이 있으며, 그 중 일부는 본 개시의 기술들에 의해 결정된다.
도 5를 참조하면, 일부 실시예들에서, 예를 들면, 주차된 자동차 회피 기동(502) 동안, 무단 횡단자(508)의 행동들에 의해 나타내어지는 시나리오를 시뮬레이션하기 위해 시뮬레이터가 사용된다. 이 경우에서의 시뮬레이션은 대상체(예를 들면, 무단 횡단자(508))가 (예를 들면, 카메라들(202a)로부터) 일시적으로 사라지는 대상체 명멸의 특정 인지 저하를 시뮬레이션하는 데 사용된다. 예를 들어, AV(506)가 주차된 자동차(510)에 접근함에 따라 AV(506)에 의해 처음에 인지된 무단 횡단자(508)가 주차된 자동차(510) 후방으로 일시적으로 사라질 수 있다. 일부 실시예들에서, 주차된 자동차(510)를 향한 AV(506)의 접근은, 제1 위치(516) 및 제2 위치(518)를 포함하여, 경로(504)를 따라 있는 다양한 위치들을 따라 발생한다.
이 예에서, 대상체 명멸이 언제 발생하는지(예를 들면, 무단 횡단자(508)가 언제 일시적으로 사라지는지)에 따라, 대상체 명멸은 AV(506)에 의한 충돌 또는 근접 충돌을 결과할 수 있거나 그렇지 않을 수 있다. 일반적으로, 보다 먼 거리들에서의 대상체 명멸은 대상체에 보다 가까운 거리들에서 발생하는 대상체 명멸보다 AV(506)에 대한 안전 문제가 덜하다. 구체적으로, AV(506)가 주차된 자동차(510)에 보다 가깝게 이동할 때, 제2 위치(518)에서의 대상체 명멸은 제1 위치(516)에서보다 AV(506) 및 다른 대상체들에 대해 해결 가능성이 더 낮을 수 있다(예를 들면, AV(506)가 무단 횡단자(508)와 접촉하게 되는 것을 피하도록 기동하기 위한 제한된 옵션들을 가질 수 있다).
일부 구현예들에서, 자율 주행 차량에 대한 안전이 중요한 시나리오들을 식별하도록 학습하기 위한 기술을 구현하는 데 (예를 들면, 구현(500)에 의해) 신경 네트워크가 사용된다. 일부 실시예들에서, 신경 네트워크는 순환 신경 네트워크(recurrent neural network, RNN)이다. RNN의 일 예는 장단기 메모리(long short-term memory, LSTM)이다. 일부 실시예들에서, RNN은 신경 네트워크에 대한 내부 가중치들을 학습하기 위해 CNN(440)에서 사용된다. 일부 실시예들에서, 그러한 기술들은, 예를 들어, 탐색 공간이 무한하고 따라서 실용적이지 않을 수 있는 무차별 대입(brute force) 기술들에 비해 개선을 제공한다.
일부 실시예들에서, LSTM에 대한 입력으로서 사용되는 관측된 메트릭들 중 하나는 규칙 위반, 예를 들면, (예를 들어, 주차된 자동차 및/또는 보행자에 의한) AV에 대한 근접성이다. 규칙 위반들의 보다 큰(또는 보다 높은) 값들 또는 범위들은 해당 행동을 학습하도록 LSTM 모델을 바이어스시킬 수 있다. 일부 실시예들에서, 정확한 가중치들을 학습하기 위해, 이 시스템은 동일한 시나리오를 여러 번 거친다.
도 6을 참조하면, 시나리오 학습 시스템(600)은 자율 주행 차량이 사용할 시나리오들을 생성하거나 업데이트하는 데 사용된다. 일부 실시예들에서, 시나리오 학습 시스템(600)은 클라이언트 디바이스(604), 운전 시뮬레이터(606), 및 저장 시스템(608)과 통신하는 시나리오 식별 시스템(602)을 포함한다. 일부 실시예들에서, 시나리오 식별 시스템(602)은 인지 시스템(402)이 사용할 CNN(440)을 생성하거나 업데이트하는 데 사용된다. 일부 실시예들에서, 클라이언트 디바이스(604)는 시나리오 식별 시스템(602)에 대한 프런트 엔드로서 역할하여, 사용자가 시나리오 식별 시스템(602)으로부터의 출력들을 제어하고 검토할 수 있게 한다. 일부 실시예들에서, 운전 시뮬레이터(606)는, 예컨대, AV를 작동 엔벨로프의 바로 밖으로 벗어나게 하는 시나리오들을 식별하기 위해, 운전 시뮬레이션들을 실행한다. 일부 실시예들에서, 저장 시스템(608)은, AV의 안전한 작동을 제어하는 데 사용되는 규칙들을 포함하여, 시뮬레이션에 의해 사용되는 데이터를 저장한다.
일부 실시예들에서, 시나리오 식별 시스템(602)은, AV(506)의 위치, 헤딩(heading) 및 속력을 포함하여, 행동들을 관측하고 추적하기 위한 AV 관측 엔진(610)을 포함한다. 일부 실시예들에서, 월드 관측 엔진(612)은, AV(506)의 경로에 있는(또는 AV(506)의 경로에 있을 확률이 있는) 대상체들을 포함하여, AV(506)의 환경에 있는 대상체들을 관측하고 추적하는 데 사용된다. 일부 실시예들에서, 규칙 위반 검사 엔진(614)은, 대상체가 AV(506)에 가까울 때 - 이는 AV(506)가 대상체 주위를 운행하는 것을 필요로 할 수 있음 - 를 검출하는 것과 같이, AV(506)의 작동에 대응하는 규칙들을 실행한다. 일부 실시예들에서, LTSM 엔진(616)은 인지 시스템(402)에 의해 사용되는 신경 네트워크들과 연관된 알고리즘들을 실행한다. 일부 실시예들에서, 가치 함수들 엔진(618)은 신경 네트워크에서 노드들을 연결시키는 에지에 값, 가중치, 또는 다른 수치적 양을 할당한다. 일부 실시예들에서, 에지들은 인지 시스템(402)의 작동을 개선시키는 데 도움이 되는 시나리오들을 식별하는 데 사용된다. 일부 실시예들에서, 행동들 엔진(620)은 AV(506)의 경로에서 또는 AV(506)의 경로 근처에서 대상체들에 의해 행해지는 행동들을 식별하는 데 사용된다. 일부 실시예들에서, 상태 엔진(622)은, 초기 시공간적 위치, 최종 목표 상태, 및 목표 영역에서의 허용 가능한 상태들의 부분 공간에 대응하는 상태들을 포함하여, AV의 상태들을 관리하는 데 사용된다. 일부 실시예들에서, 보상 엔진(624)은 신경 네트워크의 상이한 에지들에 대한 보상들을 관리하는 데 사용된다.
이제 도 7을 참조하면, 자율 주행 차량에 대한 안전이 중요한 시나리오들을 식별하도록 학습하기 위한 프로세스(700)의 플로차트가 예시되어 있다. 일부 실시예들에서, 프로세스(700)와 관련하여 기술된 단계들 중 하나 이상은 자율 주행 시스템(202)에 의해(예를 들면, 자율 주행 시스템(202)의 하나 이상의 시스템(또는 이들의 서브시스템들)에 의해) (예를 들면, 전체적으로, 부분적으로 등) 수행된다. 추가적으로 또는 대안적으로, 일부 실시예들에서, 프로세스(700)와 관련하여 기술된 하나 이상의 단계는, 디바이스(300)로부터 분리되거나 이를 포함하는 다른 디바이스 또는 디바이스 그룹에 의해 (예를 들면, 전체적으로, 부분적으로 등) 수행된다.
702에서, 운전 시나리오의 제1 상태를 나타내는 제1 상태 정보가 적어도 하나의 프로세서(예를 들면, 프로세서(304))에 의해 수신된다. 제1 상태 정보는 차량(예를 들면, AV(506))의 상태 및 차량의 환경(예를 들면, AV(506) 및 AV(506)의 계획된 루트를 포함하는 도로(514)의 영역)에 있는 에이전트(예를 들면, 무단 횡단자(508))의 상태를 포함한다. 차량의 상태는, 예를 들어, 차량의 위치, 속도 및 헤딩을 포함한다. 에이전트의 상태는, 예를 들어, 보행자, 자전거, 모터사이클, 또는 다른 차량과 같은, 차량의 환경에 있는 에이전트 또는 대상체의 위치, 속도 및 헤딩을 포함한다.
704에서, 에이전트에 의해 수행될 적어도 하나의 행동을 결정하기 위해 적어도 하나의 프로세서에 의해 제1 상태 정보(예를 들면, 제1 위치(516)에서의 속력 및 방향)가 신경 네트워크로 프로세싱된다. 일부 실시예들에서, 에이전트의 행동은, 특정 속도로 전진하는 것, 후진하는 것, 좌측으로 이동하는 것, 우측으로 이동하는 것 및/또는 인지 저하 행동과 같은, 정상적인 행동이다. 일부 실시예들에서, 인지 저하 행동은 차량의 인지 시스템에 의한 에이전트의 인지 실패(missed perception)(예를 들면, 명멸), (예를 들면, 보행자 대신 자전거로서) 차량의 인지 시스템에 의한 에이전트의 잘못된 분류(misclassification), 또는 차량의 인지 시스템에 의한 에이전트의 하나 이상의 특징부의 잘못된 특성 분석(mischaracterization)(예를 들면, 차량의 위치, 크기 및/또는 헤딩의 잘못된 특성 분석)을 포함한다.
적어도 하나의 행동은, 도로(514) 내로 걸어가 AV(506)의 경로 내로 들어갈 위험을 야기하는 무단 횡단자(508)와 같은, 차량의 인지 시스템에 의한 에이전트의 잘못된 인지를 야기하는 인지 저하 행동을 포함한다. 일부 실시예들에서, 잘못된 인지는, 예를 들어, 에이전트 행동이 대상체 명멸, 대상체의 잘못된 분류, 위치 오류, 크기 오류, 또는 헤딩 오류를 유발하는 것이다.
일부 실시예들에서, 제1 상태 정보는 차량에 의해 수행될 적어도 하나의 행동을 결정하기 위해 운전 모델을 사용하여 프로세싱되며, 여기서 제2 상태 정보는 차량에 의한 적어도 하나의 행동, 예를 들면, 위치(516)와 위치(518) 사이에서의 AV(506)의 방향 및/또는 속력의 변경의 수행 이후의 운전 시나리오의 제2 상태를 나타낸다. 일부 실시예들에서, 신경 네트워크는 장단기 메모리(LSTM)로서 구현되고, 제1 상태 정보는 제1 상태 및 제1 상태 이전에 발생한 적어도 하나의 상태를 나타낸다. 예를 들어, 일부 실시예들에서, 자율 주행 시스템(202)은 AV(506)가 제1 위치(516)에 도달하기 이전의 AV의 제1 위치 이전에서 또는 제1 위치(516)와 제2 위치(518) 사이에서 발생하는 AV(506)의 상태들에 관한 정보를 사용한다.
706에서, 운전 시나리오의 제2 상태(예를 들면, 제2 위치(518)에서의 속력 및 방향)를 나타내는 제2 상태 정보가 에이전트에 의한 적어도 하나의 행동의 수행 이후에 적어도 하나의 프로세서(예를 들면, 프로세서(304))에 의해 수신된다. 예를 들어, 무단 횡단자(508)는 다가오는 AV(506)의 경로를 향한 이동 방향(512)을 따라 몇 걸음 나아갈 수 있다.
708에서, 적어도 하나의 행동에 대한 보상이 적어도 하나의 프로세서에 의해 결정된다. 일부 실시예들에서, 보상은, 예를 들어, 에이전트가 주어진 상태에서 특정 행동을 취하도록 독려하는(또는 이를 단념시키는) 데 사용되는 보상 함수에 따라 결정되는 순간 또는 누적 값이다. 일 예로서, 일부 실시예들에서, 보상 엔진(624)은 무단 횡단자(508)에 응답하여 AV(506)에 의해 취해지는 행동에 기초하여 신경 네트워크의 상이한 에지들에 대한 보상 정보를 업데이트한다. 일부 실시예들에서, 적어도 하나의 행동에 대한 보상을 결정하는 것은 단계(710) 내지 단계(714)를 포함한다.
710에서, 제1 상태 정보에 기초하여 제1 상태에서의 차량과 에이전트 사이의 제1 거리가 결정된다. 일 예로서, 일부 실시예들에서, 자율 주행 시스템(202)은 (예를 들면, 제1 위치(516)에 있는) AV(506)와 무단 횡단자(508) 사이의 거리를 결정한다.
712에서, 제2 상태 정보에 기초하여 제2 상태에서의 차량과 에이전트 사이의 제2 거리가 결정된다. 예를 들어, 제2 거리는 제2 위치(518)로부터 무단 횡단자(508)까지의 거리이다.
714에서, 적어도 하나의 행동에 대한 보상을 결정하기 위해 제1 거리와 제2 거리가 비교된다. 제2 거리가 제1 거리를 충족시킬 때 보상이 더 크다. 일 예로서, 차량이 주어진 상태에서 선택된 행동을 수행한 결과로서 충돌에 보다 가까워진 경우, 주어진 상태에 대해 해당 행동이 보상된다.
일부 실시예들에서, 적어도 하나의 행동에 대한 보상을 결정하는 것은 행동들에 대한 유사성 메트릭들을 결정하는 것을 포함한다. 예를 들어, 일부 실시예들에서, 운전 시나리오의 이전 실행 동안 제1 상태에서 에이전트에 의해 취해진 이전 행동을 나타내는 정보가 수신된다. 일부 실시예들에서, 에이전트에 의한 적어도 하나의 행동이 이전 행동과 비교되어 적어도 하나의 행동과 이전 행동 사이의 비유사성 메트릭을 결정한다. 일부 실시예들에서, 보상은 비유사성 메트릭에 기초하여 결정되며, 여기서 비유사성 메트릭이 나타내는 적어도 하나의 행동과 이전 행동 사이의 비유사성이 클수록 보상이 더 커진다. 예를 들어, 동일한 운전 시나리오에 대해 발견된 다른 솔루션들에 비해 더 큰 비유사성을 갖는 행동들(또는 행동 세트들)에 더 높은 보상들이 주어진다.
일부 실시예들에서, 적어도 하나의 행동에 대한 보상을 결정하는 것은 폐색 거리들을 사용하는 것을 더 포함한다. 제1 상태에서의 차량에 대한 폐색 지점과 에이전트 사이의 제1 폐색 거리가 결정된다. 제2 상태에서의 차량에 대한 폐색 지점과 에이전트 사이의 제2 폐색 거리가 결정된다. 적어도 하나의 행동에 대한 보상을 결정하기 위해 제1 폐색 거리와 제2 폐색 거리가 비교되고, 여기서 제2 폐색 거리가 제1 폐색 거리보다 작을 때 보상이 더 크다.
일부 실시예들에서, 에이전트에 의한 미래의 인지 저하 행동에 대한 미래의 보상은 적어도 하나의 행동이 인지 저하 행동을 포함하는 것에 응답하여 감소된다. 일부 실시예들에서, 에이전트가 인지 저하 행동을 수행할 때마다 미래의 보상이 감소됨으로써, 그러한 행동에 대한 미래의 보상을 감소시킨다. 예를 들어, CNN(420)에서의 에지에 대한 가중치를 감소시키는 것에 의해, 미래의 보상이 감소된다.
716에서, 적어도 하나의 행동에 대한 보상에 기초하여 적어도 하나의 프로세서에 의해 신경 네트워크의 적어도 하나의 가중치가 조정된다. 예를 들어, 일부 실시예들에서, 자율 주행 시스템(202)은 에이전트가 CNN에 의해 표현되는 다양한 상태들에서 취하는 가능한 행동들을 나타낸다. 일부 실시예들에서, 적어도 하나의 행동에 대한 보상을 결정하는 것은 거리 기반 비교들 및 조정들을 포함한다. 일부 실시예들에서, 운전 시나리오의 이전 실행 동안 차량과 에이전트 사이의 가장 낮은 기록 거리(lowest recorded distance)를 나타내는 정보가 수신된다. 일부 실시예들에서, 제2 거리가 운전 시나리오에 대한 가장 낮은 기록 거리와 비교된다. 일부 실시예들에서, 제2 거리가 가장 낮은 기록 거리보다 작다는 결정에 응답하여 적어도 하나의 행동에 대한 보상이 증가된다. 일부 실시예들에서, 제2 거리가 가장 낮은 기록 거리보다 작다고 결정하는 것에 응답하여 적어도 하나의 행동 이전의 운전 시나리오에서의 에이전트에 의한 각각의 행동에 대한 보상이 증가된다. 예를 들어, 에이전트와 차량 사이의 전체적인 거리가 운전 시나리오의 이전 실행들로부터의 가장 낮은 기록 거리보다 낮은 경우, 취해진 모든 행동들에 대해 보상이 증가된다.
일부 실시예들에서, 차량이 에이전트에 접근할 때 차량의 운전 모델에 대한 테스트가 이루어진다. 일부 실시예들에서, 차량의 운전 모델은 자율 주행 차량 소프트웨어 스택이다. 일부 실시예들에서, 제2 상태에서의 차량과 에이전트 사이의 제2 거리가 임계(threshold) 거리보다 작다는 결정이 내려진다. 예를 들어, 일부 실시예들에서, 임계 거리는 차량과 에이전트 사이에 충돌 또는 근접 충돌이 발생한 거리를 나타낸다. 일부 실시예들에서, 제2 거리가 임계 거리보다 작다고 결정하는 것에 응답하여, 운전 시나리오, 제1 상태 정보 또는 제2 상태 정보 중 적어도 하나에 기초하여 운전 모델에 대한 테스트가 생성된다.
전술한 설명에서, 본 개시의 양태들 및 실시예들은 구현마다 달라질 수 있는 다수의 특정 세부 사항들을 참조하여 기술되었다. 그에 따라, 설명 및 도면들은 제한적인 의미가 아니라 예시적인 의미로 간주되어야 한다. 본 발명의 범위의 유일한 독점적인 지표, 및 출원인들이 본 발명의 범위이도록 의도한 것은, 본 출원에서 특정 형태로 나오는 일련의 청구항들의 문언적 등가 범위이며, 임의의 후속 보정을 포함한다. 그러한 청구항들에 포함된 용어들에 대한 본원에서 명시적으로 기재된 임의의 정의들은 청구항들에서 사용되는 그러한 용어들의 의미를 결정한다. 추가적으로, 전술한 설명 및 이하의 청구항들에서 "더 포함하는"이라는 용어가 사용될 때, 이 문구에 뒤따르는 것은 추가적인 단계 또는 엔티티, 또는 이전에 언급된 단계 또는 엔티티의 서브단계/서브엔티티일 수 있다.

Claims (30)

  1. 방법으로서,
    적어도 하나의 프로세서를 사용하여, 운전 시나리오의 제1 상태를 나타내는 제1 상태 정보를 수신하는 단계 - 상기 제1 상태 정보는 상기 차량의 상태 및 상기 차량의 환경에 있는 에이전트의 상태를 포함함 -;
    상기 적어도 하나의 프로세서를 사용하여, 상기 에이전트에 의해 수행될 적어도 하나의 행동을 결정하기 위해 상기 제1 상태 정보를 신경 네트워크로 프로세싱하는 단계 - 상기 적어도 하나의 행동은 상기 차량의 인지 시스템에 의한 상기 에이전트의 잘못된 인지를 야기하는 인지 저하 행동을 포함함 -;
    상기 적어도 하나의 프로세서를 사용하여, 상기 에이전트에 의한 상기 적어도 하나의 행동의 수행 이후의 상기 운전 시나리오의 제2 상태를 나타내는 제2 상태 정보를 수신하는 단계;
    상기 적어도 하나의 프로세서를 사용하여, 상기 적어도 하나의 행동에 대한 보상을 결정하는 단계 - 상기 결정하는 단계는:
    상기 제1 상태 정보에 기초하여, 상기 제1 상태에서의 상기 차량과 상기 에이전트 사이의 제1 거리를 결정하는 단계;
    상기 제2 상태 정보에 기초하여, 상기 제2 상태에서의 상기 차량과 상기 에이전트 사이의 제2 거리를 결정하는 단계; 및
    상기 적어도 하나의 행동에 대한 상기 보상을 결정하기 위해 상기 제1 거리와 상기 제2 거리를 비교하는 단계 - 상기 제2 거리가 상기 제1 거리를 충족시킬 때 상기 보상이 더 큼 - 를 포함함 -; 및
    상기 적어도 하나의 프로세서를 사용하여, 상기 적어도 하나의 행동에 대한 상기 보상에 기초하여 상기 신경 네트워크의 적어도 하나의 가중치를 조정하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 차량에 의해 수행될 적어도 하나의 행동을 결정하기 위해 운전 모델을 사용하여 상기 제1 상태 정보를 프로세싱하는 단계 - 상기 제2 상태 정보는 상기 차량에 의한 상기 적어도 하나의 행동의 수행 이후의 상기 운전 시나리오의 상기 제2 상태를 나타냄 -
    를 더 포함하는, 방법.
  3. 제1항에 있어서,
    상기 제2 상태에서의 상기 차량과 상기 에이전트 사이의 상기 제2 거리가 임계 거리보다 작다고 결정하는 단계; 및
    상기 제2 거리가 상기 임계 거리보다 작다고 결정하는 것에 응답하여, 상기 운전 시나리오, 상기 제1 상태 정보 또는 상기 제2 상태 정보 중 적어도 하나에 기초하여 운전 모델에 대한 테스트를 생성하는 단계
    를 더 포함하는, 방법.
  4. 제1항에 있어서, 상기 신경 네트워크는 장단기 메모리(LSTM)를 포함하고, 상기 제1 상태 정보는 상기 제1 상태 및 상기 제1 상태 이전에 발생한 적어도 하나의 상태를 나타내는, 방법.
  5. 제1항에 있어서,
    상기 에이전트에 의한 미래의 인지 저하 행동에 대한 미래의 보상을 상기 인지 저하 행동을 포함하는 상기 적어도 하나의 행동에 응답하여 감소시키는 단계
    를 더 포함하는, 방법.
  6. 제1항에 있어서, 상기 적어도 하나의 행동에 대한 상기 보상을 결정하는 단계는:
    상기 운전 시나리오의 이전 실행 동안 상기 차량과 상기 에이전트 사이의 가장 낮은 기록된 거리를 나타내는 정보를 수신하는 단계;
    상기 제2 거리를 상기 운전 시나리오에 대한 상기 가장 낮은 기록된 거리와 비교하는 단계; 및
    상기 제2 거리가 상기 가장 낮은 기록된 거리보다 작다는 결정에 응답하여 상기 적어도 하나의 행동에 대한 상기 보상을 증가시키는 단계를 더 포함하는, 방법.
  7. 제6항에 있어서,
    상기 제2 거리가 상기 가장 낮은 기록된 거리보다 작다고 결정하는 것에 응답하여 상기 적어도 하나의 행동 이전에 상기 운전 시나리오에서의 상기 에이전트에 의한 각각의 행동에 대한 보상을 증가시키는 단계
    를 더 포함하는, 방법.
  8. 제1항에 있어서, 상기 적어도 하나의 행동에 대한 상기 보상을 결정하는 단계는:
    상기 운전 시나리오의 이전 실행 동안 상기 제1 상태에서 상기 에이전트에 의해 취해진 이전 행동을 나타내는 정보를 수신하는 단계;
    상기 에이전트에 의한 상기 적어도 하나의 행동을 상기 이전 행동과 비교하여 상기 적어도 하나의 행동과 상기 이전 행동 사이의 비유사성 메트릭을 결정하는 단계; 및
    상기 비유사성 메트릭에 기초하여 상기 보상을 결정하는 단계 - 상기 비유사성 메트릭이 상기 적어도 하나의 행동과 상기 이전 행동 사이에 보다 큰 비유사성이 있음을 나타낼 때 상기 보상이 보다 큼 - 를 더 포함하는, 방법.
  9. 제1항에 있어서, 상기 적어도 하나의 행동에 대한 상기 보상을 결정하는 단계는:
    상기 제1 상태에서의 상기 차량에 대한 폐색 지점과 상기 에이전트 사이의 제1 폐색 거리를 결정하는 단계;
    상기 제2 상태에서의 상기 차량에 대한 상기 폐색 지점과 상기 에이전트 사이의 제2 폐색 거리를 결정하는 단계; 및
    상기 적어도 하나의 행동에 대한 상기 보상을 결정하기 위해 상기 제1 폐색 거리와 상기 제2 폐색 거리를 비교하는 단계 - 상기 제2 폐색 거리가 상기 제1 폐색 거리보다 작을 때 상기 보상이 더 큼 - 를 더 포함하는, 방법.
  10. 제1항에 있어서, 상기 인지 저하 행동은 상기 차량의 상기 인지 시스템에 의한 상기 에이전트의 누락된 인지, 상기 차량의 상기 인지 시스템에 의한 상기 에이전트의 잘못된 분류, 또는 상기 차량의 상기 인지 시스템에 의한 상기 에이전트의 하나 이상의 특징부의 잘못된 특성 분석을 포함하는, 방법.
  11. 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금 동작들을 수행하게 하는 명령어들을 포함하는 비일시적 컴퓨터 판독 가능 저장 매체로서, 상기 동작들은:
    운전 시나리오의 제1 상태를 나타내는 제1 상태 정보를 수신하는 동작 - 상기 제1 상태 정보는 상기 차량의 상태 및 상기 차량의 환경에 있는 에이전트의 상태를 포함함 -;
    상기 에이전트에 의해 수행될 적어도 하나의 행동을 결정하기 위해 상기 제1 상태 정보를 신경 네트워크로 프로세싱하는 동작 - 상기 적어도 하나의 행동은 상기 차량의 인지 시스템에 의한 상기 에이전트의 잘못된 인지를 야기하는 인지 저하 행동을 포함함 -;
    상기 에이전트에 의한 상기 적어도 하나의 행동의 수행 이후의 상기 운전 시나리오의 제2 상태를 나타내는 제2 상태 정보를 수신하는 동작;
    상기 적어도 하나의 행동에 대한 보상을 결정하는 동작 - 상기 결정하는 동작은:
    상기 제1 상태 정보에 기초하여, 상기 제1 상태에서의 상기 차량과 상기 에이전트 사이의 제1 거리를 결정하는 동작;
    상기 제2 상태 정보에 기초하여, 상기 제2 상태에서의 상기 차량과 상기 에이전트 사이의 제2 거리를 결정하는 동작; 및
    상기 적어도 하나의 행동에 대한 상기 보상을 결정하기 위해 상기 제1 거리와 상기 제2 거리를 비교하는 동작 - 상기 제2 거리가 상기 제1 거리보다 작을 때 상기 보상이 더 큼 - 을 포함함 -; 및
    상기 적어도 하나의 행동에 대한 상기 보상에 기초하여 상기 신경 네트워크의 적어도 하나의 가중치를 조정하는 동작을 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.
  12. 제11항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금 동작들을 수행하게 하는 명령어들을 포함하며, 상기 동작들은:
    상기 차량에 의해 수행될 적어도 하나의 행동을 결정하기 위해 운전 모델을 사용하여 상기 제1 상태 정보를 프로세싱하는 동작 - 상기 제2 상태 정보는 상기 차량에 의한 상기 적어도 하나의 행동의 수행 이후의 상기 운전 시나리오의 상기 제2 상태를 나타냄 - 을 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.
  13. 제11항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금 동작들을 수행하게 하는 명령어들을 포함하며, 상기 동작들은:
    상기 제2 상태에서의 상기 차량과 상기 에이전트 사이의 상기 제2 거리가 임계 거리보다 작다고 결정하는 동작; 및
    상기 제2 거리가 상기 임계 거리보다 작다고 결정하는 것에 응답하여, 상기 운전 시나리오, 상기 제1 상태 정보 또는 상기 제2 상태 정보 중 적어도 하나에 기초하여 운전 모델에 대한 테스트를 생성하는 동작을 더 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.
  14. 제11항에 있어서, 상기 신경 네트워크는 장단기 메모리(LSTM) 순환 신경 네트워크(RNN)를 포함하고, 상기 제1 상태 정보는 상기 제1 상태 및 상기 제1 상태 이전에 발생한 적어도 하나의 상태를 나타내는, 비일시적 컴퓨터 판독 가능 저장 매체.
  15. 제11항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금 동작들을 수행하게 하는 명령어들을 포함하며, 상기 동작들은:
    상기 에이전트에 의한 미래의 인지 저하 행동에 대한 미래의 보상을 상기 인지 저하 행동을 포함하는 상기 적어도 하나의 행동에 응답하여 감소시키는 동작을 더 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.
  16. 제11항에 있어서, 상기 적어도 하나의 행동에 대한 상기 보상을 결정하는 동작은:
    상기 운전 시나리오의 이전 실행 동안 상기 차량과 상기 에이전트 사이의 가장 낮은 기록된 거리를 나타내는 정보를 수신하는 동작;
    상기 제2 거리를 상기 운전 시나리오에 대한 상기 가장 낮은 기록된 거리와 비교하는 동작; 및
    상기 제2 거리가 상기 가장 낮은 기록된 거리보다 작다는 결정에 응답하여 상기 적어도 하나의 행동에 대한 상기 보상을 증가시키는 동작을 더 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.
  17. 제16항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금 동작들을 수행하게 하는 명령어들을 포함하며, 상기 동작들은:
    상기 제2 거리가 상기 가장 낮은 기록된 거리보다 작다고 결정하는 것에 응답하여 상기 적어도 하나의 행동 이전에 상기 운전 시나리오에서의 상기 에이전트에 의한 각각의 행동에 대한 보상을 증가시키는 동작을 더 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.
  18. 제11항에 있어서, 상기 적어도 하나의 행동에 대한 상기 보상을 결정하는 동작은:
    상기 운전 시나리오의 이전 실행 동안 상기 제1 상태에서 상기 에이전트에 의해 취해진 이전 행동을 나타내는 정보를 수신하는 동작;
    상기 에이전트에 의한 상기 적어도 하나의 행동을 상기 이전 행동과 비교하여 상기 적어도 하나의 행동과 상기 이전 행동 사이의 비유사성 메트릭을 결정하는 동작; 및
    상기 비유사성 메트릭에 기초하여 상기 보상을 결정하는 동작 - 상기 비유사성 메트릭이 상기 적어도 하나의 행동과 상기 이전 행동 사이에 보다 큰 비유사성이 있음을 나타낼 때 상기 보상이 보다 큼 - 을 더 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.
  19. 제11항에 있어서, 상기 적어도 하나의 행동에 대한 상기 보상을 결정하는 동작은:
    상기 제1 상태에서의 상기 차량에 대한 폐색 지점과 상기 에이전트 사이의 제1 폐색 거리를 결정하는 동작;
    상기 제2 상태에서의 상기 차량에 대한 상기 폐색 지점과 상기 에이전트 사이의 제2 폐색 거리를 결정하는 동작; 및
    상기 적어도 하나의 행동에 대한 상기 보상을 결정하기 위해 상기 제1 폐색 거리와 상기 제2 폐색 거리를 비교하는 동작 - 상기 제2 폐색 거리가 상기 제1 폐색 거리보다 작을 때 상기 보상이 더 큼 - 을 더 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.
  20. 제11항 내지 제19항 중 어느 한 항에 있어서, 상기 인지 저하 행동은 상기 차량의 상기 인지 시스템에 의한 상기 에이전트의 누락된 인지, 상기 차량의 상기 인지 시스템에 의한 상기 에이전트의 잘못된 분류, 또는 상기 차량의 상기 인지 시스템에 의한 상기 에이전트의 하나 이상의 특징부의 잘못된 특성 분석을 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.
  21. 시스템으로서,
    컴퓨터 실행 가능 명령어들을 저장하는 컴퓨터 판독 가능 매체; 및
    상기 컴퓨터 판독 가능 매체에 통신 가능하게 결합된 적어도 하나의 프로세서
    를 포함하고, 상기 적어도 하나의 프로세서는 동작들을 수행하기 위해 상기 컴퓨터 실행 가능 명령어들을 실행하도록 구성되며, 상기 동작들은:
    운전 시나리오의 제1 상태를 나타내는 제1 상태 정보를 수신하는 동작 - 상기 제1 상태 정보는 상기 차량의 상태 및 상기 차량의 환경에 있는 에이전트의 상태를 포함함 -;
    상기 에이전트에 의해 수행될 적어도 하나의 행동을 결정하기 위해 상기 제1 상태 정보를 신경 네트워크로 프로세싱하는 동작 - 상기 적어도 하나의 행동은 상기 차량의 인지 시스템에 의한 상기 에이전트의 잘못된 인지를 야기하는 인지 저하 행동을 포함함 -;
    상기 에이전트에 의한 상기 적어도 하나의 행동의 수행 이후의 상기 운전 시나리오의 제2 상태를 나타내는 제2 상태 정보를 수신하는 동작;
    상기 적어도 하나의 행동에 대한 보상을 결정하는 동작 - 상기 결정하는 동작은:
    상기 제1 상태 정보에 기초하여, 상기 제1 상태에서의 상기 차량과 상기 에이전트 사이의 제1 거리를 결정하는 동작;
    상기 제2 상태 정보에 기초하여, 상기 제2 상태에서의 상기 차량과 상기 에이전트 사이의 제2 거리를 결정하는 동작; 및
    상기 적어도 하나의 행동에 대한 상기 보상을 결정하기 위해 상기 제1 거리와 상기 제2 거리를 비교하는 동작 - 상기 제2 거리가 상기 제1 거리보다 작을 때 상기 보상이 더 큼 - 을 포함함 -; 및
    상기 적어도 하나의 행동에 대한 상기 보상에 기초하여 상기 신경 네트워크의 적어도 하나의 가중치를 조정하는 동작을 포함하는, 시스템.
  22. 제21항에 있어서, 상기 프로세서는 동작들을 수행하기 위해 상기 컴퓨터 실행 가능 명령어들을 실행하도록 더 구성되며, 상기 동작들은:
    상기 차량에 의해 수행될 적어도 하나의 행동을 결정하기 위해 운전 모델을 사용하여 상기 제1 상태 정보를 프로세싱하는 동작 - 상기 제2 상태 정보는 상기 차량에 의한 상기 적어도 하나의 행동의 수행 이후의 상기 운전 시나리오의 상기 제2 상태를 나타냄 - 을 포함하는, 시스템.
  23. 제21항 또는 제22항에 있어서, 상기 프로세서는 동작들을 수행하기 위해 상기 컴퓨터 실행 가능 명령어들을 실행하도록 더 구성되며, 상기 동작들은:
    상기 제2 상태에서의 상기 차량과 상기 에이전트 사이의 상기 제2 거리가 임계 거리보다 작다고 결정하는 동작; 및
    상기 제2 거리가 상기 임계 거리보다 작다고 결정하는 것에 응답하여, 상기 운전 시나리오, 상기 제1 상태 정보 또는 상기 제2 상태 정보 중 적어도 하나에 기초하여 운전 모델에 대한 테스트를 생성하는 동작을 더 포함하는, 시스템.
  24. 제21항 내지 제23항 중 어느 한 항에 있어서, 상기 신경 네트워크는 장단기 메모리(LSTM) 순환 신경 네트워크(RNN)를 포함하고, 상기 제1 상태 정보는 상기 제1 상태 및 상기 제1 상태 이전에 발생한 적어도 하나의 상태를 나타내는, 시스템.
  25. 제21항 내지 제24항 중 어느 한 항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금 동작들을 수행하게 하는 명령어들을 포함하며, 상기 동작들은:
    상기 에이전트에 의한 미래의 인지 저하 행동에 대한 미래의 보상을 상기 인지 저하 행동을 포함하는 상기 적어도 하나의 행동에 응답하여 감소시키는 동작을 더 포함하는, 시스템.
  26. 제21항 내지 제25항 중 어느 한 항에 있어서, 상기 적어도 하나의 행동에 대한 상기 보상을 결정하는 동작은:
    상기 운전 시나리오의 이전 실행 동안 상기 차량과 상기 에이전트 사이의 가장 낮은 기록된 거리를 나타내는 정보를 수신하는 동작;
    상기 제2 거리를 상기 운전 시나리오에 대한 상기 가장 낮은 기록된 거리와 비교하는 동작; 및
    상기 제2 거리가 상기 가장 낮은 기록된 거리보다 작다는 결정에 응답하여 상기 적어도 하나의 행동에 대한 상기 보상을 증가시키는 동작을 더 포함하는, 시스템.
  27. 제21항 내지 제26항 중 어느 한 항에 있어서, 상기 적어도 하나의 행동에 대한 상기 보상을 결정하는 동작은:
    상기 운전 시나리오의 이전 실행 동안 상기 제1 상태에서 상기 에이전트에 의해 취해진 이전 행동을 나타내는 정보를 수신하는 동작;
    상기 에이전트에 의한 상기 적어도 하나의 행동을 상기 이전 행동과 비교하여 상기 적어도 하나의 행동과 상기 이전 행동 사이의 비유사성 메트릭을 결정하는 동작; 및
    상기 비유사성 메트릭에 기초하여 상기 보상을 결정하는 동작 - 상기 비유사성 메트릭이 상기 적어도 하나의 행동과 상기 이전 행동 사이에 보다 큰 비유사성이 있음을 나타낼 때 상기 보상이 보다 큼 - 을 더 포함하는, 시스템.
  28. 제21항 내지 제27항 중 어느 한 항에 있어서, 상기 적어도 하나의 행동에 대한 상기 보상을 결정하는 동작은:
    상기 제1 상태에서의 상기 차량에 대한 폐색 지점과 상기 에이전트 사이의 제1 폐색 거리를 결정하는 동작;
    상기 제2 상태에서의 상기 차량에 대한 상기 폐색 지점과 상기 에이전트 사이의 제2 폐색 거리를 결정하는 동작; 및
    상기 적어도 하나의 행동에 대한 상기 보상을 결정하기 위해 상기 제1 폐색 거리와 상기 제2 폐색 거리를 비교하는 동작 - 상기 제2 폐색 거리가 상기 제1 폐색 거리보다 작을 때 상기 보상이 더 큼 - 을 더 포함하는, 시스템.
  29. 제21항 내지 제28항 중 어느 한 항에 있어서, 상기 인지 저하 행동은 상기 차량의 상기 인지 시스템에 의한 상기 에이전트의 누락된 인지, 상기 차량의 상기 인지 시스템에 의한 상기 에이전트의 잘못된 분류, 또는 상기 차량의 상기 인지 시스템에 의한 상기 에이전트의 하나 이상의 특징부의 잘못된 특성 분석을 포함하는, 시스템.
  30. 제21항 내지 제29항 중 어느 한 항에 있어서, 상기 인지 저하 행동은 상기 차량의 상기 인지 시스템에 의한 상기 에이전트의 누락된 인지, 상기 차량의 상기 인지 시스템에 의한 상기 에이전트의 잘못된 분류, 또는 상기 차량의 상기 인지 시스템에 의한 상기 에이전트의 하나 이상의 특징부의 잘못된 특성 분석을 포함하는, 시스템.
KR1020210186221A 2021-09-20 2021-12-23 자율 주행 차량에 대한 안전이 중요한 시나리오의 식별을 위한 학습 KR20230042430A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/479,197 2021-09-20
US17/479,197 US11400958B1 (en) 2021-09-20 2021-09-20 Learning to identify safety-critical scenarios for an autonomous vehicle

Publications (1)

Publication Number Publication Date
KR20230042430A true KR20230042430A (ko) 2023-03-28

Family

ID=82652521

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210186221A KR20230042430A (ko) 2021-09-20 2021-12-23 자율 주행 차량에 대한 안전이 중요한 시나리오의 식별을 위한 학습

Country Status (5)

Country Link
US (1) US11400958B1 (ko)
KR (1) KR20230042430A (ko)
CN (1) CN115840441A (ko)
DE (1) DE102021133740A1 (ko)
GB (1) GB2611119B (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11727671B1 (en) * 2022-08-26 2023-08-15 Motional Ad Llc Efficient and optimal feature extraction from observations

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9015093B1 (en) * 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
CN103942359B (zh) * 2014-03-13 2017-01-04 华南理工大学 无信号交叉口自行车冲突避让行为仿真模型的建模方法
US9934689B2 (en) 2014-12-17 2018-04-03 Toyota Motor Engineering & Manufacturing North America, Inc. Autonomous vehicle operation at blind intersections
WO2017209313A1 (ko) 2016-05-30 2017-12-07 엘지전자 주식회사 차량용 디스플레이 장치 및 차량
DE102019202634B3 (de) 2019-02-27 2020-07-23 Zf Friedrichshafen Ag Verfahren, Steuergerät für ein automatisiert betreibbares Straßenfahrzeug, Computerprogrammprodukt zum Erkennen von Objekten im Straßenverkehr und automatisiert betreibbares Straßenfahrzeug für Mobilitätsdienstleistungen
US11016492B2 (en) 2019-02-28 2021-05-25 Zoox, Inc. Determining occupancy of occluded regions
US11260852B2 (en) * 2019-03-26 2022-03-01 GM Global Technology Operations LLC Collision behavior recognition and avoidance
US20190225214A1 (en) * 2019-03-30 2019-07-25 Intel Corporation Advanced wild-life collision avoidance for vehicles
US11945440B2 (en) * 2019-08-23 2024-04-02 Motional Ad Llc Data driven rule books
US11993291B2 (en) 2019-10-17 2024-05-28 Perceptive Automata, Inc. Neural networks for navigation of autonomous vehicles based upon predicted human intents
US11912271B2 (en) * 2019-11-07 2024-02-27 Motional Ad Llc Trajectory prediction from precomputed or dynamically generated bank of trajectories
KR20200003355A (ko) 2019-12-16 2020-01-09 엘지전자 주식회사 전자 장치 및 그의 동작 방법
US20210213977A1 (en) * 2020-01-14 2021-07-15 Allstate Insurance Company Nearby Driver Intent Determining Autonomous Driving System
US11577759B2 (en) * 2020-05-26 2023-02-14 Toyota Research Institute, Inc. Systems and methods for hybrid prediction framework with inductive bias

Also Published As

Publication number Publication date
CN115840441A (zh) 2023-03-24
GB2611119B (en) 2023-11-29
DE102021133740A1 (de) 2023-03-23
US11400958B1 (en) 2022-08-02
GB2611119A (en) 2023-03-29

Similar Documents

Publication Publication Date Title
KR102628736B1 (ko) 딥 러닝 기반 카메라 교정
KR20230092673A (ko) 매핑에서의 향상된 시맨틱 라벨링을 위한 멀티 모달 분할 네트워크
US20230221128A1 (en) Graph Exploration for Rulebook Trajectory Generation
KR20230051035A (ko) Radar와 lidar 융합을 사용한 대상체 검출
WO2023249857A1 (en) Semi-closed loop rollouts for data augmentation
US11400958B1 (en) Learning to identify safety-critical scenarios for an autonomous vehicle
WO2023177920A1 (en) Agent importance prediction for autonomous driving
CN116892931A (zh) 用于运载工具的方法、系统和可读介质
US20230159033A1 (en) High fidelity data-driven multi-modal simulation
GB2613400A (en) Automatically detecting traffic signals using sensor data
US20230063368A1 (en) Selecting minimal risk maneuvers
US11727671B1 (en) Efficient and optimal feature extraction from observations
US20230331256A1 (en) Discerning fault for rule violations of autonomous vehicles for data processing
US11634158B1 (en) Control parameter based search space for vehicle motion planning
US20230391367A1 (en) Inferring autonomous driving rules from data
US20240059302A1 (en) Control system testing utilizing rulebook scenario generation
US20240025452A1 (en) Corridor/homotopy scoring and validation
US20230227032A1 (en) Vehicle Dynamics Classification for Collision and Loss of Control Detection
WO2023028437A1 (en) Selecting minimal risk maneuvers
WO2024026085A1 (en) Managing traffic light detections
WO2024035575A1 (en) Discriminator network for detecting out of operational design domain scenarios
GB2620025A (en) Generating corrected future maneuver parameters in a planner
GB2621205A (en) Trajectory generation utilizing diverse trajectories
WO2024040099A1 (en) Control system testing utilizing rulebook scenario generation
WO2023146799A1 (en) Counterexample-guided update of a motion planner

Legal Events

Date Code Title Description
E902 Notification of reason for refusal