KR20230043639A - 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 방법 및 이를 이용한 서버 - Google Patents

Abstract

본 발명에 따르면, 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 방법에 있어서, (a) 서버가, 정밀 지도 정보를 참조로 하여, 상기 라이다에 의해 커버되는 영역 중 차로를 세분화하여 차로별 메타데이터를 획득하는 단계; (b) 상기 서버가, 특정 라이다 데이터로부터 상기 차로 상의 오브젝트 정보를 획득하고, 연속된 복수의 프레임 내에 포함되는 상기 오브젝트 정보 중 오브젝트 ID를 참조로 하여, 상기 오브젝트 ID가 동일한 것끼리 분류하고, 상기 오브젝트 ID별 이동 경로를 저장하는 단계; 및 (c) 상기 서버가, 상기 오브젝트 정보, 상기 이동 경로, 및 상기 오브젝트가 위치한 상기 차로의 상기 메타데이터를 참조로 하여, 특정 차로 - 상기 특정 차로는 특정 메타데이터를 가짐 - 에 위치하는 특정 오브젝트의 특정 이동 경로가 상기 특정 메타데이터와 일치하지 않는 상태인 이상 패턴 상태를 나타내는지 여부를 판단하는 단계;를 포함하는 방법이 개시된다.

Description

고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 방법 및 이를 이용한 서버 {METHOD FOR DETECTTING STATUS OF CROSSROADS BY USING FIXED LIDAR AND SERVER USING THE SAME}

본 발명은 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 방법 및 이를 이용한 서버에 관한 것이다.

라이다는 레이저 펄스를 발사하고, 그 빛이 주위의 대상 물체에서 반사되어 돌아오는 것을 받아 물체까지의 거리 등을 측정함으로써 주변의 모습을 정밀하게 그려내는 장치이다. 라이다는 그 이름의 기원을 따지면 'light"와 'radar(radio detection and ranging)"를 혼합하여 만든 합성어이다. 즉, 라이다라는 명칭은 전파 대신에 빛을 쓰는 레이다를 뜻하는 것으로, 전통적인 레이다와 원리가 같으나 그 사용하는 전자기파의 파장이 다르므로 실제 이용 기술과 활용 범위는 차이가 있다.

최근에는 일반적인 자동차뿐만 아니라 자율주행 자동차, 오토바이, 전동 킥보드 등 다양한 교통 주체가 생기고 있으므로, 이러한 현실을 반영하여 좀 더 발전된 형태의 교통 인프라 시스템이 필요하게 되었다.

하지만, 이러한 교통 인프라 시스템에 라이다를 활용하여 좀 더 정확하고 빠르게 교통 데이터를 획득할 수 있는 시스템이 구현된 사례는 많지 않으며, 있다고 하더라도 자동차 등에 라이다를 탑재한 상태로 자동차를 운행하면서 교통 데이터를 획득하는 기술에 불과하였다. 가령, 라이다를 교통 인프라 시스템에 이용하는 사례는 대부분 자동차에 라이다가 장착되어 해당 자동차가 주행하는 동안 주변의 오브젝트를 검출하고 이를 회피하기 위해 운전자에게 경고를 주는 것으로서, 주로 자율주행 자동차에서 이를 많이 이용하고 있다.

그러나, 교차로 등과 같은 곳에 라이다를 고정적으로 설치하고 이를 이용하여 교차로의 복잡다단한 교통 데이터를 획득하고 이용하고자 하는 기술이 거의 없는 실정이다. 즉, 교차로 등에 라이다를 설치하고 교차로 주변을 지나가는 자동차, 보행자 등의 동적인 오브젝트를 검출하고, 특정 오브젝트의 특정 이동 경로가 이상 패턴 상태인지를 판단하는 방법 및 서버가 필요한 상황이다.

본 발명은 상술한 문제점들을 모두 해결하는 것을 그 목적으로 한다.

또한, 본 발명은 차로별 heading degree 값 및 오브젝트 ID별 heading degree 값을 참조로 하여, 특정 오브젝트가 특정 차로에 위치하는 것을 판단하고 이를 통해 이상 패턴 상태 여부를 판단하는 것을 다른 목적으로 한다.

또한, 본 발명은 전역이동경로계획정보와 특정 오브젝트의 위치로부터 임계치 이내의 특정 가상레퍼런스포인트를 참조로 하여, 특정 오브젝트의 이상 패턴 상태 여부를 판단하는 것을 또 다른 목적으로 한다.

본 발명의 일 태양에 따르면, 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 방법에 있어서, (a) 서버가, 정밀 지도 정보를 참조로 하여, 상기 라이다에 의해 커버되는 영역 중 차로를 세분화하여 차로별 메타데이터를 획득하는 단계; (b) 상기 서버가, 특정 라이다 데이터로부터 상기 차로 상의 오브젝트 정보를 획득하고, 연속된 복수의 프레임 내에 포함되는 상기 오브젝트 정보 중 오브젝트 ID를 참조로 하여, 상기 오브젝트 ID가 동일한 것끼리 분류하고, 상기 오브젝트 ID별 이동 경로를 저장하는 단계; 및 (c) 상기 서버가, 상기 오브젝트 정보, 상기 이동 경로, 및 상기 오브젝트가 위치한 상기 차로의 상기 메타데이터를 참조로 하여, 특정 차로 - 상기 특정 차로는 특정 메타데이터를 가짐 - 에 위치하는 특정 오브젝트의 특정 이동 경로가 상기 특정 메타데이터와 일치하지 않는 상태인 이상 패턴 상태를 나타내는지 여부를 판단하는 단계;를 포함하는 방법이 개시된다.

일례로서, 상기 (a) 단계에서, 상기 서버가, link 정보를 이용해 상기 차로를 세분화하여 차로별 heading degree 값을 상기 차로별 메타데이터로서 획득하고, 상기 (b) 단계에서, 상기 서버가, 상기 특정 라이다 데이터로부터 획득된 상기 오브젝트의 상기 이동 경로를 참조로 하여 상기 오브젝트 ID별 heading degree 값을 상기 오브젝트 ID별 이동 경로 중 일부로서 획득하고, 상기 (c) 단계에서, 상기 서버가, 상기 차로별 heading degree 값 중 적어도 일부 및 상기 오브젝트 ID별 heading degree 값 중 적어도 일부를 참조로 하여, 상기 특정 오브젝트가 상기 특정 차로에 위치하는 것을 판단하는 방법이 개시된다.

일례로서, 상기 (a) 단계에서, 상기 서버는, 상기 link 정보에 포함된 각각의 link의 시작점과 끝점을 잇는 직선을 수직으로 지나는 법선의 기울기 및 상기 직선의 방정식을 구한 후, 각 link 의 박스(box) 영역의 4 포인트를 구하고, 각 link 의 시작점 및 끝점을 이용해 구한 상기 차로별 heading degree 값을 이용하여 상기 차로를 세분화하고, 상기 link 정보는 상기 각 link 의 link ID, link 의 메타데이터, 이웃 link ID 를 포함하는 것을 특징으로 하는 방법이 개시된다.

일례로서, 상기 (c) 단계에서, 상기 오브젝트별로 오브젝트의 크기, 속도, 높이, heading degree 값 중 적어도 일부 및 상기 오브젝트 각각이 속해 있는 link 정보, 신호등 정보를 참조로 하여, 상기 오브젝트별 법규 위반, 비상 상황, 교통 상황 중 적어도 일부를 제공하는 것을 특징으로 하는 방법이 개시된다.

일례로서, 상기 (c) 단계에서, 상기 서버는, 특정 위치에 있는 상기 특정 차량이 제1 특정 차로 및 제2 특정 차로에 중복하여 위치해 있는 것으로 감지되면, 상기 제1 특정 차로의 제1_1 특정 heading degree 값 및 상기 특정 오브젝트의 제2 특정 heading degree 값의 차이인 제1 각도와, 상기 제2 특정 차로의 제1_2 특정 heading degree 값 및 상기 특정 오브젝트의 상기 제2 특정 heading degree 값의 차이인 제2 각도를 비교하여, 더 작은 각도인 특정 각도에 대응되는 차로를 상기 특정 차로로 결정하는 것을 특징으로 하는 방법이 개시된다.

일례로서, 상기 (a) 단계에서, 상기 서버가, 상기 정밀 지도를 참조로 하여, 복수의 오브젝트가 상기 차로별로 이동할 수 있는 이동 경로 후보군 정보를 포함하는 전역이동경로계획정보를 상기 차로별로 맵핑하여 관리하고, 상기 차로별로 복수의 가상레퍼런스포인트를 각각의 세부적 위치마다 맵핑하여 관리하며, 상기 (c) 단계에서, 상기 특정 오브젝트가 상기 특정 차로에 위치할 때, 상기 특정 차로의 특정 전역이동경로계획정보에 대응되는 상기 특정 메타데이터와, 상기 특정 오브젝트의 위치를 기준으로 하여 기설정된 임계치 이내의 특정 가상레퍼런스포인트를 참조로 하여, 상기 특정 오브젝트의 이상 패턴 상태 여부를 판단하는 방법이 개시된다.

일례로서, 상기 (c) 단계에서, 상기 서버는, 특정 위치에 있는 상기 특정 차량이 제1 특정 차로 및 제2 특정 차로에 중복하여 위치해 있는 것으로 감지되면, 상기 제1 특정 차로의 제1_1 특정 가상레퍼런스포인트 및 상기 특정 오브젝트 사이의 거리에 대응되는 제1 코스트와, 상기 제2 특정 차로의 제1_2 특정 가상레퍼런스포인트 및 상기 특정 오브젝트 사이의 거리에 대응되는 제2 코스트를 비교하여, 더 작은 코스트인 특정 코스트에 대응되는 차로를 상기 특정 차로로 결정하는 것을 특징으로 하는 방법이 개시된다.

일례로서, 상기 (a) 단계 이전에, (a01) 초기 라이다 데이터가 획득되면, 상기 서버가, 기설정된 기준에 따른 필터링을 수행하여 상기 초기 라이다 데이터 중에서 고정 오브젝트에 대응되는 고정 라이다 데이터를 분류하는 단계; 및 (a02) 상기 초기 라이다 데이터로부터 상기 고정 라이다 데이터를 제거하여 잔여 라이다 데이터를 상기 특정 라이다 데이터로서 획득하는 단계;를 더 포함하는 방법이 개시된다.

일례로서, 상기 (a01) 단계에서, 상기 서버가, 상기 라이다에 의해 커버되는 영역을 가상의 3차원 그리드 영역으로 구분하고, 적어도 하나의 관측 프레임 동안 상기 그리드 영역 내의 각각의 셀별로 상기 초기 라이다 데이터가 검출되는 수를 카운팅하고, 상기 셀들 중 카운팅된 수가 임계치 이상인 제1 특정 셀들에서 검출되는 상기 초기 라이다 데이터를 상기 고정 라이다 데이터로 판단하는 것을 특징으로 하는 방법이 개시된다.

일례로서, 상기 (a01) 단계에서, 상기 서버가, 상기 라이다에 의해 커버되는 영역을 가상의 3차원 그리드 영역으로 구분하고, 적어도 하나의 관측 프레임 동안 상기 그리드 영역 내의 각각의 셀별로 상기 초기 라이다 데이터의 관측 포인트 데이터 수를 카운팅하고 상기 각각의 셀의 기설정된 평균 포인트 데이터 수와 비교하여, 상기 관측 포인트 데이터 수와 상기 평균 포인트 데이터 수와의 차이의 비율이 임계비율 이하인 제2 특정 셀들에서 검출되는 상기 초기 라이다 데이터를 상기 고정 라이다 데이터로 판단하는 것을 특징으로 하는 방법이 개시된다.

일례로서, 상기 초기 라이다 데이터로부터 상기 고정 라이다 데이터를 제거하기 전에 상기 고정 라이다 데이터를 판단함에 있어서, 상기 (a01) 단계 이전에, 상기 서버가, 상기 초기 라이다 데이터로부터 획득되는 적어도 하나의 참조 프레임의 교통량을 획득하고, 상기 교통량이 기설정된 수치 이하인 것으로 판단되면 상기 참조 프레임에 대응되는 참조 로깅 데이터를 기록하며, 상기 (a01) 단계에서, 상기 서버가, 상기 참조 프레임보다 시간적으로 후행하는 적어도 하나의 관측 프레임 동안 상기 참조 로깅 데이터를 이용하여 상기 관측 프레임 동안의 상기 초기 라이다 데이터에 포함된 상기 고정 라이다 데이터를 판단하는 것을 특징으로 하는 방법이 개시된다.

본 발명의 다른 태양에 따르면, 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 서버에 있어서, 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 상기 인스트럭션들을 실행하기 위해 구성된 적어도 하나의 프로세서;를 포함하되, 상기 프로세서는, (I) 정밀 지도 정보를 참조로 하여, 상기 라이다에 의해 커버되는 영역 중 차로를 세분화하여 차로별 메타데이터를 획득하는 프로세스; (II) 특정 라이다 데이터로부터 상기 차로 상의 오브젝트 정보를 획득하고, 연속된 복수의 프레임 내에 포함되는 상기 오브젝트 정보 중 오브젝트 ID를 참조로 하여, 상기 오브젝트 ID가 동일한 것끼리 분류하고, 상기 오브젝트 ID별 이동 경로를 저장하는 프로세스; 및 (III) 상기 오브젝트 정보, 상기 이동 경로, 및 상기 오브젝트가 위치한 상기 차로의 상기 메타데이터를 참조로 하여, 특정 차로 - 상기 특정 차로는 특정 메타데이터를 가짐 - 에 위치하는 특정 오브젝트의 특정 이동 경로가 상기 특정 메타데이터와 일치하지 않는 상태인 이상 패턴 상태를 나타내는지 여부를 판단하는 프로세스;를 수행하는 서버가 제공된다.

일례로서, 상기 (I) 프로세스에서, 상기 프로세서가, link 정보를 이용해 상기 차로를 세분화하여 차로별 heading degree 값을 상기 차로별 메타데이터로서 획득하고, 상기 (II) 프로세스에서, 상기 프로세서가, 상기 특정 라이다 데이터로부터 획득된 상기 오브젝트의 상기 이동 경로를 참조로 하여 상기 오브젝트 ID별 heading degree 값을 상기 오브젝트 ID별 이동 경로 중 일부로서 획득하고, 상기 (III) 프로세스에서, 상기 프로세서가, 상기 차로별 heading degree 값 중 적어도 일부 및 상기 오브젝트 ID별 heading degree 값 중 적어도 일부를 참조로 하여, 상기 특정 오브젝트가 상기 특정 차로에 위치하는 것을 판단하는 서버가 제공된다.

일례로서, 상기 (I) 프로세스에서, 상기 프로세서는, 상기 link 정보에 포함된 각각의 link의 시작점과 끝점을 잇는 직선을 수직으로 지나는 법선의 기울기 및 상기 직선의 방정식을 구한 후, 각 link 의 박스(box) 영역의 4 포인트를 구하고, 각 link 의 시작점 및 끝점을 이용해 구한 상기 차로별 heading degree 값을 이용하여 상기 차로를 세분화하고, 상기 link 정보는 상기 각 link 의 link ID, link 의 메타데이터, 이웃 link ID 를 수행하는 것을 특징으로 하는 서버가 제공된다.

일례로서, 상기 (III) 프로세스에서, 상기 오브젝트별로 오브젝트의 크기, 속도, 높이, heading degree 값 중 적어도 일부 및 상기 오브젝트 각각이 속해 있는 link 정보, 신호등 정보를 참조로 하여, 상기 오브젝트별 법규 위반, 비상 상황, 교통 상황 중 적어도 일부를 제공하는 것을 특징으로 하는 서버가 제공된다.

일례로서, 상기 (III) 프로세스에서, 상기 프로세서는, 특정 위치에 있는 상기 특정 차량이 제1 특정 차로 및 제2 특정 차로에 중복하여 위치해 있는 것으로 감지되면, 상기 제1 특정 차로의 제1_1 특정 heading degree 값 및 상기 특정 오브젝트의 제2 특정 heading degree 값의 차이인 제1 각도와, 상기 제2 특정 차로의 제1_2 특정 heading degree 값 및 상기 특정 오브젝트의 상기 제2 특정 heading degree 값의 차이인 제2 각도를 비교하여, 더 작은 각도인 특정 각도에 대응되는 차로를 상기 특정 차로로 결정하는 것을 특징으로 하는 서버가 제공된다.

일례로서, 상기 (I) 프로세스에서, 상기 프로세서가, 상기 정밀 지도를 참조로 하여, 복수의 오브젝트가 상기 차로별로 이동할 수 있는 이동 경로 후보군 정보를 포함하는 전역이동경로계획정보를 상기 차로별로 맵핑하여 관리하고, 상기 차로별로 복수의 가상레퍼런스포인트를 각각의 세부적 위치마다 맵핑하여 관리하며, 상기 (III) 프로세스에서, 상기 특정 오브젝트가 상기 특정 차로에 위치할 때, 상기 특정 차로의 특정 전역이동경로계획정보에 대응되는 상기 특정 메타데이터와, 상기 특정 오브젝트의 위치를 기준으로 하여 기설정된 임계치 이내의 특정 가상레퍼런스포인트를 참조로 하여, 상기 특정 오브젝트의 이상 패턴 상태 여부를 판단하는 서버가 제공된다.

일례로서, 상기 (III) 프로세스에서, 상기 프로세서는, 특정 위치에 있는 상기 특정 차량이 제1 특정 차로 및 제2 특정 차로에 중복하여 위치해 있는 것으로 감지되면, 상기 제1 특정 차로의 제1_1 특정 가상레퍼런스포인트 및 상기 특정 오브젝트 사이의 거리에 대응되는 제1 코스트와, 상기 제2 특정 차로의 제1_2 특정 가상레퍼런스포인트 및 상기 특정 오브젝트 사이의 거리에 대응되는 제2 코스트를 비교하여, 더 작은 코스트인 특정 코스트에 대응되는 차로를 상기 특정 차로로 결정하는 것을 특징으로 하는 서버가 제공된다.

일례로서, 상기 (I) 프로세스 이전에, (I01) 초기 라이다 데이터가 획득되면, 상기 프로세서가, 기설정된 기준에 따른 필터링을 수행하여 상기 초기 라이다 데이터 중에서 고정 오브젝트에 대응되는 고정 라이다 데이터를 분류하는 프로세스; 및 (I02) 상기 초기 라이다 데이터로부터 상기 고정 라이다 데이터를 제거하여 잔여 라이다 데이터를 상기 특정 라이다 데이터로서 획득하는 프로세스;를 더 수행하는 서버가 제공된다.

일례로서, 상기 (I01) 프로세스에서, 상기 프로세서가, 상기 라이다에 의해 커버되는 영역을 가상의 3차원 그리드 영역으로 구분하고, 적어도 하나의 관측 프레임 동안 상기 그리드 영역 내의 각각의 셀별로 상기 초기 라이다 데이터가 검출되는 수를 카운팅하고, 상기 셀들 중 카운팅된 수가 임계치 이상인 제1 특정 셀들에서 검출되는 상기 초기 라이다 데이터를 상기 고정 라이다 데이터로 판단하는 것을 특징으로 하는 서버가 제공된다.

일례로서, 상기 (I01) 프로세스에서, 상기 프로세서가, 상기 라이다에 의해 커버되는 영역을 가상의 3차원 그리드 영역으로 구분하고, 적어도 하나의 관측 프레임 동안 상기 그리드 영역 내의 각각의 셀별로 상기 초기 라이다 데이터의 관측 포인트 데이터 수를 카운팅하고 상기 각각의 셀의 기설정된 평균 포인트 데이터 수와 비교하여, 상기 관측 포인트 데이터 수와 상기 평균 포인트 데이터 수와의 차이의 비율이 임계비율 이하인 제2 특정 셀들에서 검출되는 상기 초기 라이다 데이터를 상기 고정 라이다 데이터로 판단하는 것을 특징으로 하는 서버가 제공된다.

일례로서, 상기 초기 라이다 데이터로부터 상기 고정 라이다 데이터를 제거하기 전에 상기 고정 라이다 데이터를 판단함에 있어서, 상기 (I01) 프로세스 이전에, 상기 프로세서가, 상기 초기 라이다 데이터로부터 획득되는 적어도 하나의 참조 프레임의 교통량을 획득하고, 상기 교통량이 기설정된 수치 이하인 것으로 판단되면 상기 참조 프레임에 대응되는 참조 로깅 데이터를 기록하며, 상기 (I01) 프로세스에서, 상기 프로세서가, 상기 참조 프레임보다 시간적으로 후행하는 적어도 하나의 관측 프레임 동안 상기 참조 로깅 데이터를 이용하여 상기 관측 프레임 동안의 상기 초기 라이다 데이터에 포함된 상기 고정 라이다 데이터를 판단하는 것을 특징으로 하는 서버가 제공된다.

본 발명은 차로별 heading degree 값 및 오브젝트 ID별 heading degree 값을 참조로 하여, 특정 오브젝트가 특정 차로에 위치하는 것을 판단하고 이를 통해 이상 패턴 상태 여부를 판단하는 효과가 있다.

또한, 본 발명은 전역이동경로계획정보와 특정 오브젝트의 위치로부터 임계치 이내의 특정 가상레퍼런스포인트를 참조로 하여, 특정 오브젝트의 이상 패턴 상태 여부를 판단하는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 서버의 개략적인 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 이동 오브젝트에 대한 판단을 수행하는 일례를 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 이동 오브젝트에 대한 판단을 수행하는 다른 일례를 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 이동 오브젝트에 대한 판단을 수행함에 있어서, 라이다를 기준으로 하여 기설정된 거리마다 대응되는 가상 구역의 예를 나타내는 도면이다.
도 5a는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 고정 오브젝트에 대응되는 고정 라이다 데이터를 제거하기 전의 화면 예를 나타내는 도면이고, 도 5b는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 고정 오브젝트에 대응되는 고정 라이다 데이터를 제거한 후의 화면 예를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 이동 오브젝트를 2D 사각형에 피팅하고 피팅된 2D 사각형에 중앙값이 포함되어 있는 예를 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 정밀 지도를 생성하는 방법의 전체적인 순서를 설명하기 위한 흐름도이다.
도 8은 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 오브젝트가 지나온 이동 경로를 매칭하는 그리드 맵의 예를 나타내는 도면이다.
도 9a는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 고속 이동 오브젝트의 이동 경로의 예를 나타내는 도면이고, 도 9b는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 고속 이동 오브젝트를 참조로 하여 차로 영역을 판단하고, 차로 영역의 예를 나타내는 도면이다.
도 10a는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 고속 이동 오브젝트의 이동 경로 중에서 고속 이동 오브젝트가 정지한 영역의 예를 나타내는 도면이고, 도 10b는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 고속 이동 오브젝트를 참조로 하여 차량정지선영역을 판단하고, 차량정지선영역의 예를 나타내는 도면이다.
도 11a는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 저속 이동 오브젝트의 이동 경로의 예를 나타내는 도면이고, 도 11b는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 저속 이동 오브젝트를 참조로 하여 보행자횡단보도대기영역 및 보행자횡단보도보행영역을 판단하고, 보행자횡단보도대기영역 및 보행자횡단보도보행영역의 예를 나타내는 도면이다.
도 12는 본 발명의 일 실시예에 따른 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 방법의 전체적인 순서를 설명하기 위한 흐름도이다.
도 13은 정밀 지도의 link 정보를 참조로 하여, 차로를 세분화한 예를 나타내는 도면이다.
도 14 a, 도 14b, 도 14c는 link 박스 영역을 계산하는 예를 나타내는 도면이다.
도 15a, 도 15b, 도 15c는 불법 유턴 판단 예시, 신호 위반 판단 예시, 보행자 무단횡단 판단 예시를 나타내는 도면이다.
도 16은 차로별 heading degree 값 및 오브젝트 ID별 heading degree 값을 참조로 하여, 특정 오브젝트가 특정 차로에 위치하는 것을 판단하는 예를 나타내는 도면이다.
도 17은 전역이동경로계획정보에 따라 특정 오브젝트가 특정 차로에 위치하는 것을 판단하는 예를 나타내는 도면이다.
도 18은 다양한 교통 상황이 관제 뷰어 시스템 상에 표시된 예를 나타내는 도면이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 서버의 개략적인 구성을 나타내는 도면이다.

도 1에 도시된 바와 같이, 본 발명의 라이다를 이용하여 교차로에서의 상태를 검지하는 서버(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다.

교차로에서의 상태를 검지하는 서버(100)의 메모리(110)는 프로세서(120)에 의해 수행될 인스트럭션들을 저장할 수 있는데, 구체적으로, 인스트럭션들은 교차로에서의 상태를 검지하는 서버(100)로 하여금 특정의 방식으로 기능하게 하기 위한 목적으로 생성되는 코드로서, 컴퓨터 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장될 수 있다. 인스트럭션들은 본 발명의 명세서에서 설명되는 기능들을 실행하기 위한 프로세스들을 수행할 수 있다.

그리고, 교차로에서의 상태를 검지하는 서버(100)의 프로세서(120)는 MPU(Micro Processing Unit) 또는 CPU(Central Processing Unit), 캐쉬 메모리(Cache Memory), 데이터 버스(Data Bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.

또한, 교차로에서의 상태를 검지하는 서버(100)는 데이터베이스(미도시)와 연동될 수 있다. 여기서, 데이터베이스(미도시)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(ReadOnly Memory, ROM), EEPROM(Electrically Erasable Programmable ReadOnly Memory), PROM(Programmable ReadOnly Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있으며, 이에 한정되지 않으며 데이터를 저장할 수 있는 모든 매체를 포함할 수 있다. 또한, 데이터베이스(미도시)는 교차로에서의 상태를 검지하는 서버(100)와 분리되어 설치되거나, 이와는 달리 교차로에서의 상태를 검지하는 서버(100)의 내부에 설치되어 데이터를 전송하거나 수신되는 데이터를 기록할 수도 있고, 도시된 바와 달리 둘 이상으로 분리되어 구현될 수도 있으며, 이는 발명의 실시 조건에 따라 달라질 수 있다.

한편, 이하에서는 도 2 내지 도 6을 참조로 하여, 교차로에서의 상태를 검지하기 전에 고정 오브젝트를 제거하는 과정을 먼저 설명한다. 또한, 도 7 내지 도 11을 참조로 하여, 정밀 지도를 생성하는 과정을 설명하지만, 이러한 과정은 본 발명에 있어서 필수적인 것은 아닐 것이다. 다만, 설명의 편의상, 도 2 내지 도 11의 프로세스들이 사전적인 프로세스들로서 먼저 수행될 수 있는 특성이 있으므로, 본 발명의 주요 프로세스들에 대한 설명이 이루어질 도 12 이후의 내용이 나오기 전에 먼저 설명하는 것으로 이해되어야 할 것이다.

도 2는 본 발명의 일 실시예에 따른 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 이동 오브젝트에 대한 판단을 수행하는 일례를 설명하기 위한 흐름도이다.

먼저, 제1 라이다 데이터가 획득(S210)되면, 기설정된 기준에 따른 필터링(S221)을 수행하여 제1 라이다 데이터로부터 고정 오브젝트에 대응되는 고정 라이다 데이터를 제거(S222)하여 잔여 라이다 데이터를 획득할 수 있다.

이후, 상기 잔여 라이다 데이터를 참조로 하여, 이동 오브젝트를 트래킹할 수 있다(S230). 이동 오브젝트를 트래킹한 이후에는, 이를 저장(S235)하고 이동 오브젝트를 분류(S240)할 수 있다.

또한, 이동 오브젝트 분류(S240)가 완료되면, 이를 이용하여 정밀지도를 생성하고 교차로 상태를 검지(S245) 할 수도 있다.

여기서, 제1 라이다 데이터는 실시간 데이터일 수도 있고 이미 획득한 데이터일 수도 있을 것이다.

한편, 본 발명의 다른 실시예에 따라 이동 오브젝트에 대한 판단을 수행할 수도 있다. 이를 도 3에서 설명하면 다음과 같다.

도 3은 본 발명의 일 실시예에 따른 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 이동 오브젝트에 대한 판단을 수행하는 다른 일례를 설명하기 위한 흐름도이다.

즉, 도 3은 본 발명의 일 실시예에 따라 제1 라이다 데이터 및 제2 라이다 데이터를 이용하여 이동 오브젝트에 대한 판단을 수행하는 방법의 전체적인 순서를 설명하기 위한 흐름도이다.

먼저, 제1 라이다 데이터가 획득(S310)되면, 제1 라이다 데이터로부터 고정 오브젝트에 대응되는 고정 라이다 데이터를 판별(S320)하여 제1 잔여 라이다 데이터를 획득할 수 있다. 이러한 작업은 후술할 제2 라이다 데이터가 획득되기 전에 미리 수행될 수 있을 것이다. 다음으로, 제2 라이다 데이터가 획득(S330)되면, 제1 잔여 라이다 데이터 및 제2 라이다 데이터를 참조로 하여, 제2 잔여 라이다 데이터를 획득(S340)할 수 있다. 제2 잔여 라이다 데이터는 고정 라이다 데이터가 제거된 데이터이다.

여기서, 제2 라이다 데이터 및 고정 라이다 데이터를 참조로 하여 제2 잔여 라이다 데이터를 획득할 때, (i) 고정 라이다 데이터에 대응되는 복수의 제1 포인트 위치 및 (ii) 제2 라이다 데이터 각각을 획득한 복수의 제2 포인트 위치를 매칭할 수 있다. 즉, 제1 포인트 위치 및 제2 포인트 위치가 겹치는 특정 위치에 대응되는 특정 포인트로부터 검출되는 특정 라이다 데이터를 제2 라이다 데이터로부터 제거하여 제2 잔여 라이다 데이터를 획득할 수 있다.

다시 말해, 기존에 획득한 고정 오브젝트에 대한 포인트 위치를 실시간으로 획득한 오브젝트의 포인트 위치에 매칭하여, 실시간 라이다 데이터에서 고정 오브젝트에 대한 고정 라이다 데이터를 제거하여, 이동 오브젝트만 존재하는 제2 잔여 라이다 데이터를 획득할 수 있는 것이다.

이후, 제2 잔여 라이다 데이터를 참조로 하여, 이동 오브젝트를 트래킹할 수 있다(S350). 이동 오브젝트를 트래킹한 이후에는, 이를 저장(S355)하고 이동 오브젝트를 분류(S360)할 수 있다.

마찬가지로, 이동 오브젝트 분류(S360)가 완료되면, 이를 이용하여 정밀지도를 생성하고 교차로 상태를 검지(S365)할 수도 있다.

여기서, 제1 라이다 데이터는 이미 획득한 데이터일 수도 있으나, 제2 라이다 데이터는 실시간 데이터에 해당될 수 있다.

위의 실시예들에서, 고정 오브젝트에 대응되는 고정 라이다 데이터를 제거하기 전에 고정 라이다 데이터로 판단하는 방법의 예시는 다음과 같다.

고정 라이다 데이터를 판단하는 일례는, 먼저 라이다에 의해 커버되는 영역을 가상의 3차원 그리드 영역으로 구분한다. 라이다는 다수의 레이어로부터 포인트 데이터를 획득하기 때문에 X축, Y축, Z축으로 포함되는 3차원의 그리드 영역으로 구분할 수 있는 것이다.

그리고, 적어도 하나의 관측 프레임 동안 그리드 영역 내의 각각의 셀별로 제1 라이다 데이터가 검출되는 수를 카운팅하고, 셀들 중 카운팅된 수가 임계치 이상인 특정 셀들에서 검출되는 제1 라이다 데이터를 고정 라이다 데이터로 판단할 수 있다.

즉, 계속적으로 제1 라이다 데이터가 검출되는 셀에 고정 오브젝트가 있다고 판단하는 것이다. 가령, 제1 셀에서 100개의 관측 프레임 중 90개의 관측 프레임에서 제1 라이다 데이터가 검출되는 경우에는, 제1 셀에 고정 오브젝트가 존재한다고 판단하는 것이다. 반대로, 제2 셀에서 100개의 관측 프레임 중 80개의 관측 프레임에서 제1 라이다 데이터가 검출되는 경우에는, 제2 셀에는 고정 오브젝트가 존재하지 않는 것으로 판단하는 것이다. 여기서, 임계치는 사용자의 설정에 따라 변경될 수 있으나, 위의 예시에서 임계치는 "90개의 관측 프레임 이상"이라고 설정된 것으로 상정할 수 있다.

여기서, 임계치를 천편일률적으로 동일하게 설정할 수도 있지만, 바람직하게는 다음과 같이 라이다로부터의 거리에 따라 임계치를 다르게 설정할 수 있을 것이다.

가령, 라이다로부터의 기설정된 거리마다 대응되는 가상 구역이 설정된 상태에서, 관측 프레임 동안 제k 구역에 포함된 제k 셀들 중 제1 라이다 데이터가 검출되는 특정 관측 프레임의 수가 제k 임계치 이상인 제k 특정 셀들에서 검출되는 제1 라이다 데이터를 고정 라이다 데이터로 판단할 수 있다.

한편, 관측 프레임 동안 제k 구역보다 라이다로부터 더 멀리 떨어져 있는 인근 영역인 제(k+1) 구역에 포함된 제(k+1) 셀들 중 제1 라이다 데이터가 검출되는 특정 관측 프레임의 수가 제(k+1) 임계치 이상인 제(k+1) 특정 셀들에서 검출되는 제1 라이다 데이터를 고정 라이다 데이터로 판단할 수 있다.

여기서, 제(k+1) 임계치는 제k 임계치보다 낮거나 같은 값으로 설정할 수 있고, 가상 구역은 제1 구역 내지 제n 구역을 포함하며, 제1 구역이 라이다로부터 가장 가까운 가상 구역이고 제n 구역이 라이다로부터 가장 먼 가상 구역이다.

이를 도 4를 통해서 설명하고자 한다.

도 4는 본 발명의 일 실시예에 따른 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 이동 오브젝트에 대한 판단을 수행함에 있어서, 라이다를 기준으로 하여 기설정된 거리마다 대응되는 가상 구역의 예를 나타내는 도면이다.

도 4에서는 편의상 2개의 구역을 도시화하였다. 제k 영역(410) 및 제(k+1) 영역(420)이 있다. 제k 영역(410)이 제(k+1) 영역(420)보다 라이다가 설치된 지점으로부터 더 가까운 영역이다.

여기서, 제k 영역(410)에 포함된 셀의 개수가 10개이고 제(k+1) 영역(420)에 포함된 셀의 개수가 15개인 것으로 가정하였다. 또한, 임계치가 90% 인 것으로 가정하였다. 즉, 특정 셀에서 90% 이상의 라이다 데이터가 검출되어야 해당 특정 셀로부터 고정 라이다 데이터가 검출되는 것으로 판단하는 것으로 가정하였다.

이 때, 제k 영역(410)에 포함된 10개의 셀들 중에서 제1 라이다 데이터가 검출되는 특정 관측 프레임의 수가 90개(즉, 관측 프레임 100개 중에서 제1 라이다 데이터가 검출되는 특정 관측 프레임이 90개인 것임) 이상인 셀들이 2개라면, 2개의 셀에서 검출되는 제1 라이다 데이터를 고정 라이다 데이터로 판단할 수 있는 것이다. 특정 관측 프레임의 수가 90개 미만인 8개의 셀에서 검출되는 제1 라이다 데이터는 고정 라이다 데이터가 아닌 것으로 판단할 수 있다.

반면, 제(k+1) 영역(420)에 포함된 15개의 셀들 중에서 제1 라이다 데이터가 검출되는 특정 관측 프레임의 수가 90개(즉, 관측 프레임 100개 중에서 제1 라이다 데이터가 검출되는 특정 관측 프레임이 90개인 것임) 이상인 셀들을 고정 라이다 데이터에 해당되는 셀들로 판단하고자 한다면, 제k 영역(410)에 비해 오류가 많을 수 있다. 왜냐하면, 라이다로부터 먼 거리일수록 데이터의 부정확할 가능성이 높기 때문에 동일한 임계치 기준으로 적용한다면 실제로는 고정 라이다 데이터임에도 이를 고정 라이다 데이터로 판단하지 못하는 확률이 높아지기 때문이다. 따라서, 제(k+1) 영역(420)에 대해서는 임계치를 다소 낮춰서 제1 라이다 데이터가 검출되는 특정 관측 프레임의 수가 80개 이상이면 고정 라이다 데이터에 해당되는 셀들로 판단하게 해 줄 수 있을 것이다.

한편, 고정 라이다 데이터를 판단하는 다른 일례는, 라이다에 의해 커버되는 영역을 가상의 3차원 그리드 영역으로 구분하고, 적어도 하나의 관측 프레임 동안 그리드 영역 내의 각각의 셀별로 제1 라이다 데이터의 관측 포인트 데이터 수를 카운팅하고 각각의 셀의 기설정된 평균 포인트 데이터 수(이에 대해서는 과거의 프레임에서 이미 정보를 획득하고 분석하여 평균 포인트 데이터 수를 확보한 상태임)와 비교하여, 관측 포인트 데이터 수와 평균 포인트 데이터 수와의 차이의 비율이 임계 비율 이하인 특정 셀들에서 검출되는 제1 라이다 데이터를 고정 라이다 데이터로 판단할 수 있다.

더 자세하게 설명하면, 제k 영역(410)에 해당되는 거리에서는 고정 라이다 데이터로 판단 받은 셀의 포인트 데이터 수의 평균이 10이었다고 가정하면, 제k 영역(410)의 특정 셀에서 검출된 포인트 데이터가 9인 상태에서는, 평균치인 10 대비하여 90%에 해당되므로 해당 셀에서 검출되는 제1 라이다 데이터를 고정 라이다 데이터로 판단할 수 있다. 여기서, 임계 비율은 90% 로 설정된 것으로 가정하였다.

그런데, 제(k+1) 영역(420)에 해당되는 거리에서 고정 라이다 데이터로 판단 받은 셀의 포인트 데이터 수의 평균이 5이었다고 가정하면, 제(k+1) 영역(420)의 특정 셀에서 검출된 포인트 데이터가 4인 상태에서는, (임계 비율이 제k 영역(410)의 임계 비율과 마찬가지로 90% 에 해당된다면) 제(k+1) 영역(420)의 특정 셀에서 검출된 4개의 포인트 데이터는 평균치인 5 대비하여 80% 에 불과하므로 해당 셀에서 검출되는 제1 라이다 데이터를 고정 라이다 데이터로 판단할 수 없게 된다. 이는 특정 셀이 거리가 멀어서 노이즈에 취약할 수 있음에도 불구하고 동일한 임계 비율을 적용함으로써 고정 라이다 데이터로 판단을 받지 못하는 불합리한 판단결과가 생기게 되는 것이며, 이러한 불합리함을 막기 위하여 제(k+1) 영역(420)에 포함된 셀들에 대해서는 고정 라이다 데이터인지 여부를 판단하기 위한 임계 비율을 80% 로 낮출 수 있다는 것이다.

위와 같은 예시 중 적어도 어느 하나를 이용하여 고정 라이다 데이터를 판단하고 고정 라이다 데이터를 제거하여, 잔여 라이다 데이터를 획득할 수 있다.

다음으로 도 5a 및 도 5b를 살펴보자.

도 5a는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 고정 오브젝트에 대응되는 고정 라이다 데이터를 제거하기 전의 화면 예를 나타내는 도면이다.

도 5b는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 고정 오브젝트에 대응되는 고정 라이다 데이터를 제거한 후의 화면 예를 나타내는 도면이다.

도 5a와 같이, 고정 라이다 데이터를 제거하기 전에는 다수의 노랑 포인트들이 산재되어 있다. 이 경우 고정 라이다 데이터와 잔여 라이다 데이터와의 구분이 쉽지 않다.

하지만, 도 5b의 경우, 앞서 언급한 예시를 이용하여 고정 라이다 데이터가 제거된 상태이므로 도 5a와 비교하여 노랑 포인트들이 상당히 줄어들었음을 알 수 있고, 도 5b에 보이는 노랑 포인트들은 보다 정확도 높게 이동 오브젝트로 판단 받을 수 있는 것이다.

한편, 고정 라이다 데이터를 판단함에 있어서, 사전 프로세스로서, 제1 라이다 데이터로부터 교통량을 모니터링하는 도중에, 교통량이 기설정된 수치 이하인 것으로 판단되는 동안의 프레임들을 참조 프레임으로 설정하고 해당 참조 프레임에 대응되는 참조 로깅 데이터를 기록할 수 있다.

왜냐하면, 고정 오브젝트에 대응되는 고정 라이다 데이터를 판단할 때, 이동 오브젝트가 가능한 적은 시간대의 프레임을 참조 프레임으로 설정하고 측정을 해야 정확도를 더 높일 수 있기 때문이다. 그러므로, 라이다가 설치된 지역의 교통량을 분석하여 이동 오브젝트가 적은 시간대(가령, 새벽시간)에 측정한 로깅 데이터를 참조 로깅 데이터로 기록하고, 이후 참조 로킹 데이터를 이용하여 고정 라이다 데이터를 판단하는 것이다.

이후, 참조 프레임보다 시간적으로 후행하는 적어도 하나의 관측 프레임 동안 이동 오브젝트를 보다 정확하게 판단하기 위하여, 사전 프로세스로서 기록해두었던 참조 로깅 데이터를 불러와서 관측 프레임 동안의 제1 라이다 데이터에 포함된 고정 라이다 데이터를 판단하여 제거하는데에 도움을 받을 수 있다.

한편, 고정 라이다 데이터가 제거된 잔여 라이다 데이터를 참조로 하여, 이동 오브젝트를 트래킹할 수 있다. 여기서, 이동 오브젝트를 트래킹 하기 위하여, 이동 오브젝트의 이동경로포인트를 판단할 수 있다.

이동경로포인트를 판단하는 방법은, 이동 오브젝트의 MeanX, MeanY 값을 이용하거나, 이동 오브젝트를 2D 사각형에 피팅(Fitting)하고 피팅된 2D 사각형의 중앙값을 이용하거나, 이동 오브젝트를 3D 사각형에 피팅하고 피팅된 3D 사각형의 중앙값을 이용하여 이동경로포인트를 판단할 수 있다.

또한, 도 4에서 살펴본 바와 같이, 상기 라이다로부터의 기설정된 거리마다 대응되는 가상 구역(상기 가상 구역은 제1 구역 내지 제n 구역을 포함하며, 상기 제1 구역이 상기 라이다로부터 가장 가까운 가상 구역이고 상기 제n 구역이 상기 라이다로부터 가장 먼 가상 구역임)이 설정된 상태에서, 서버(100)는, 제k 구역(410)에 포함된 제1 카테고리의 이동 오브젝트의 특징과 제2 카테고리의 이동 오브젝트의 특징을 구분하기 위한 제k 기준값을, 제(k+1) 구역(420)에 포함된 상기 제1 카테고리의 이동 오브젝트의 특징과 상기 제2 카테고리의 이동 오브젝트의 특징을 구분하기 위한 제(k+1) 기준값보다 크거나 같게 설정할 수 있을 것이다. 여기서, 제1 카테고리는 차량이고 제2 카테고리는 보행자일 수 있으나 이에 한정되는 것은 아니고, 제1 카테고리가 제1 종류의 차량이고 제2 카테고리가 제2 종류의 차량일 수도 있을 것이며, 다양한 변형예를 상정할 수 있을 것이다. 또한, 제k 기준값과 제(k+1) 기준값이란, 가령 오브젝트의 크기 팩터와 오브젝트의 포인트 수 팩터 중 적어도 일부 팩터에 대한 기준값을 포함하는 개념일 수 있으며, 경우에 따라서는 두 가지 팩터 각각에 대한 기준값을 의미할 수도 있을 것이다. 또한, 제k 기준값과 제(k+1) 기준값은 상기 팩터들 각각에 대한 각각의 중앙값일 수 있으나 이에 한정되는 것은 아닐 것이다.

도 6은 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 이동 오브젝트를 2D 사각형에 피팅하고 피팅된 2D 사각형에 중앙값이 포함되어 있는 예를 나타내는 도면이다.

도 6과 같이, 이동 오브젝트를 2D 사각형에 피팅하였다. 2D 사각형의 중앙 포인트는 빨간 점이지만, 2D 사각형의 중앙값은 노랑 점이다. 노랑 점인 중앙값을 이용하여 이동 오브젝트의 이동경로포인트를 판단할 수 있는 것이다.

한편, 앞에서 계속 언급한 이동 오브젝트는, 차량 또는 보행자로 분류할 수 있다. 여기서, 이동 오브젝트의 특징 데이터 세트(Feature Data Set)를 참조로 하여, 이동 오브젝트의 특징(Feature) 각각의 중앙값(median)을 획득하고, 중앙값을 이용하여 이동 오브젝트를 분류할 수 있다.

여기서, 특징은 이동 오브젝트의 크기, 이동 오브젝트의 속도, 라이다로부터의 거리, 제1 라이다 데이터의 포인트 데이터 수 중 적어도 일부를 포함할 수 있다. 또한, 중앙값은, 서포트 벡터 머신(Support Vector Machine), 뉴럴 네트워크(Neural Network), 나이브 베이즈 분류(Na

ve Bayes Classification), 딥러닝(Deep Learning), 머신러닝(Machine Learning) 중 적어도 하나를 이용하여 획득될 수 있으며, 이에 한정하는 것은 아니다.

위와 같이, 이동 오브젝트의 분류가 완료되면, 이를 이용하여 정밀지도를 생성할 수 있다. 이제부터 정밀지도를 생성하는 방법에 대하여 설명하고자 한다.

도 7은 본 발명의 일 실시예에 따른 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 정밀 지도를 생성하는 방법의 전체적인 순서를 설명하기 위한 흐름도이다.

도 7과 같이, 먼저 오브젝트 정보를 획득할 수 있다(S710).

참조로, 오브젝트 정보에는, 오브젝트의 속도, 오브젝트의 크기, 오브젝트의 높이 데이터 중 적어도 일부가 포함되어 있다. 또한, 이러한 오브젝트의 정보를 참조로 하여 오브젝트를 차량 또는 보행자 중 어느 하나로 구분할 수 있다. 즉, 차량은 고속 이동 오브젝트이고, 보행자는 저속 이동 오브젝트로 지칭할 수 있을 것이다.

이후, 연속된 복수의 프레임 내에 포함되는 오브젝트 정보 중 오브젝트 ID 를 참조로 하여, 오브젝트 ID가 동일한 것끼리 분류하고, 오브젝트 ID별로 이동 경로를 저장할 수 있다(S720).

다음으로, 오브젝트 ID별로 저장된 각각의 이동 경로를 참조로 하여, 정밀 지도를 생성할 수 있다(S730).

여기서, 오브젝트 ID는 프레임마다 오브젝트가 트래킹되는 것을 관리하기 위하여 ID number를 부여하고, 각각의 오브젝트 ID에는 각각의 오브젝트 에이지가 매칭되어 있다.

오브젝트 에이지는 연속되는 복수의 프레임이 진행되면서 오브젝트가 계속적으로 트래킹되는 지를 카운트하는 것으로, 오브젝트 에이지 값이 높을수록 긴 시간동안 트래킹된 것을 의미한다.

여기서, 오브젝트 에이지 값을 증가시키는 일례는 다음과 같다.

먼저, 연속된 복수의 프레임 내에 포함되는 제(t-1) 프레임에서 트래킹되지 않은 제1 특정 오브젝트 ID가 제t 프레임에서 트래킹되는 경우, 제t 프레임에서 상기 제1 특정 오브젝트 ID의 제1 특정 오브젝트 에이지 값을 초기치로 생성할 수 있다.

가령, 제5 프레임까지 "고속 이동 오브젝트 A의 ID"가 트래킹되지 않았고, 제6 프레임에서 처음으로 "고속 이동 오브젝트 A의 ID"가 트래킹되었을 경우, 제6 프레임에서 "고속 이동 오브젝트 A의 ID"의 오브젝트 에이지 값은 1로 생성될 수 있다. 여기서, 1이 초기치이다.

두번째로, 제(t-1) 프레임에서 트래킹된 제2 특정 오브젝트 ID가 제t프레임에서도 트래킹되는 경우, 제t 프레임에서 제2 특정 오브젝트 ID의 제2 특정 오브젝트 에이지 값은 제(t-1) 프레임에서의 제2 특정 오브젝트 에이지 값보다 크게 증가되도록 할 수 있다.

가령, 제8 프레임에서 "저속 이동 오브젝트 B의 ID"의 오브젝트 에이지 값이 8인 경우, 제9 프레임에서도 "저속 이동 오브젝트 B의 ID"가 트래킹되면 제9 프레임에서의 "저속 이동 오브젝트 B의 ID"의 오브젝트 에이지 값은 9가 될 수 있다. 물론 9보다 더 큰 수가 될 수도 있으나, 편의상 연속되는 프레임마다 오브젝트 에이지 값이 1씩 증가된다고 가정할 경우 9가 될 것이다.

한편, 경우에 따라서는 오브젝트 에이지 값이 삭제될 수도 있다.

즉, 연속된 복수의 프레임 내에 포함되는 제(t-1) 프레임에서 트래킹된 제3 특정 오브젝트 ID가 제t 프레임에서 트래킹되지 않는 경우, 제t 프레임에서 제3 특정 오브젝트 ID의 제3 특정 오브젝트 에이지 값은 삭제될 수 있다. 물론, 곧바로 삭제하지 않고, 연속하여 x 프레임 동안 계속하여 제3 특정 오브젝트 ID가 트래킹되지 않는 경우에 해당 제3 특정 오브젝트 에이지 값이 삭제되도록 할 수도 있을 것이다.

여기서, 제3 특정 오브젝트 에이지 값이 삭제된 경우에는 삭제된 프레임으로부터 기설정된 기간의 프레임 동안 제3 특정 오브젝트 ID를 사용하지 못하도록 설정할 수 있다.

이는 삭제된지 얼마되지 않은 프레임에서 또 다시 삭제된 ID 와 동일한 ID 를 사용하게 된다면, 삭제된 ID와 동일한 ID로 판단될 수 있는 오류가 생길 수 있기 때문에 이를 방지하기 위함이다.

이와 같이, 각각의 오브젝트 ID에 포함된 각각의 오브젝트 에이지 값을 각각의 이동 경로와 맵핑하여 정밀 지도를 생성하는 것이다.

또한, 오브젝트를 구성하는 포인트들의 XY 좌표의 평균값을 참조로 하여, 오브젝트의 이동 경로를 저장할 수 있다. 여기서, 이동 경로를 보정하는 방법으로는 다항 회귀(Polynomial Fitting) 알고리즘을 이용하나 이에 한정하는 것은 아니다.

이하에서는 오브젝트 ID 별로 이동 경로를 참조하여 정밀 지도를 생성하는 것을 설명하고자 한다.

먼저, 이동 경로를 이용하여 정밀 지도를 생성하기 위해서는 오브젝트가 이동한 이동 경로를 그리드 맵에 매칭하는 작업이 필요하다. 그리드 맵은 라이다가 설치된 위치로부터 일정 반경 이내의 영역을 그리드로 구성하는 것으로, 도 8과 같다.

도 8은 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 오브젝트가 지나온 이동 경로를 매칭하는 그리드 맵의 예를 나타내는 도면이다. 참조로, 도 8은 편의상 각각의 그리드를 크게 도식화하였지만, 실제로는 더 작은 사이즈의 그리드로 구성될 수 있다.

도 8에 포함되어 있는 차로 영역(810), 차량정지선영역(820), 보행자횡단보도대기영역(미도시), 및 보행자횡단보도보행영역(830)을 생성하는 방법은 아래와 같다.

먼저, 차량으로 구분된 고속 이동 오브젝트를 참조로 하여 차로 영역(810) 및 차량정지선영역(820)을 판단하는 일례를 살펴보자.

도 9a는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 고속 이동 오브젝트의 이동 경로의 예를 나타내는 도면이고, 도 9b는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 고속 이동 오브젝트를 참조로 하여 판단된 차로 영역의 예를 나타내는 도면이다.

구체적으로, 차량으로 구분된 고속 이동 오브젝트 ID에 대한 이동 경로를 저장하고, 고속 이동 오브젝트 ID에 대응되는 고속 이동 오브젝트가 지나온 이동 경로를 그리드 맵의 복수의 주행 셀과 매칭할 수 있다. 이후, 주행 셀 각각을 지나간 고속 이동 오브젝트의 개수를 카운트하고, 이를 주행 셀별로 증가시켜 주행 셀의 카운트가 제1 임계치 이상이면, 해당 주행 셀을 차로 영역으로 판단하는 것이다.

즉, 도 9a를 참조하여 다시 설명하면, 도 9a의 오브젝트 중에서 고속 이동 오브젝트의 이동 경로를 주행 셀에 매칭하고, 가령, 제1 임계치가 90% 인 경우, 고속 이동 오브젝트의 카운트가 90% 이상인 주행 셀을 차로 영역으로 판단하는 것이다.

편의상 도 9a에서 제1 임계치 이상인 주행 셀은 주황색 박스(910, 920, 930)로 표시하였다. 이는 차로 영역인 것이다.

고속 이동 오브젝트의 흐름으로부터 획득된 도 9b에 있는 실선(940)은 "차로"를 나타내며, "차로"는 차량이 한 줄로 정해진 부분을 통행하도록 구분되는 차도를 말하는 것이다. 한편, 도 9b와 같이 차로 영역이 생기면, 추가로 차선 영역을 생성할 수도 있다. 여기서, "차선"은 "차로"의 양 옆에 차량의 주행을 돕거나 제한하기 위해 일정 방향으로 그은 선이다. 차선 영역은 차로 영역이 생성되면 동일하게 생성할 수 있으므로 자세한 설명은 생략한다.

도 10a는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 고속 이동 오브젝트의 이동 경로 중에서 고속 이동 오브젝트가 정지한 영역의 예를 나타내는 도면이다.

도 10b는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 고속 이동 오브젝트를 참조로 하여 차량정지선영역을 판단하고, 차량정지선영역의 예를 나타내는 도면이다.

즉, 오브젝트 정보 중 오브젝트의 속도를 참조로 하여 차량으로 구분된 고속 이동 오브젝트가 정지하는 제1 특정 셀을 주행 셀 중에서 선택하고, 제1 특정 셀에서 제1 시간 동안 정지한 고속 이동 오브젝트의 개수의 카운트를 제1 특정 셀별로 증가시키고, 제1 특정 셀의 카운트가 제2 임계치 이상이면, 제1 특정 셀을 차량정지선영역으로 판단하는 것이다.

앞에서 설명한 차로 영역을 판단하는 것과 동일하게 차량정지선영역을 판단하는 것으로, 도 10a 및 도 10b를 참조하면, 보라색 박스는 차량정지선영역이다.

이미 차로 영역 및 차선 영역을 판단했고, 주행 셀에서 정해진 시간(가령, 5분 이내)에 정지하는 고속 이동 오브젝트의 개수를 카운트하여, 역시 셀별로 그 카운트를 증가시키고, 가령 제2 임계치가 80% 이상인 경우, 고속 이동 오브젝트가 정지한 카운트가 80% 이상인 주행 셀 중 특정 셀을 차량정지선영역으로 판단하는 것이다.

차로 영역(940), 차선 영역(950), 차량정지선영역(1010)으로 판단된 부분을 매칭하면 도 10b와 같다.

도 11a는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 저속 이동 오브젝트의 이동 경로의 예를 나타내는 도면이다.

도 11b는 본 발명의 일 실시예에 따라 고정된 라이다를 이용하여 교차로에서의 상태를 검지하기 전에 저속 이동 오브젝트를 참조로 하여 보행자횡단보도대기영역 및 보행자횡단보도보행영역을 판단하고, 보행자횡단보도대기영역 및 보행자횡단보도보행영역의 예를 나타내는 도면이다.

즉, 오브젝트 정보 중 오브젝트의 속도를 참조로 하여 보행자로 구분된 저속 이동 오브젝트가 정지하는 제2 특정 셀을 주행 셀 이외의 셀 중에서 선택하고, 제2 특정 셀에서 제2 시간 동안 정지한 상기 저속 이동 오브젝트의 개수의 카운트를 제2 특정 셀별로 증가시키고, 제2 특정 셀의 카운트가 제3 임계치 이상이면, 제2 특정 셀을 보행자횡단보도대기영역으로 판단하는 것이다.

도 11a 및 도 11b를 참조하면, 앞에서 차로 영역(940) 및 차량정지선영역(1010)을 판단하는 것과 동일하게, 이번에는 저속 이동 오브젝트의 이동 경로를 판단하여 저속 이동 오브젝트가 정해진 시간(가령, 3분 이내)에 정지하는 셀을 카운트하여, 역시 셀별로 그 카운트를 증가시키고 가령 제3 임계치가 50% 이상인 경우, 저속 이동 오브젝트가 주행 셀이 아닌 셀 중에서 정지한 카운트가 50% 이상인 특정 셀을 보행자횡단보도대기영역(1110)으로 판단하는 것이다.

또한, 앞에서 언급한 차로 영역(940), 차선 영역(950), 차량정지선영역(1010), 및 보행자횡단보도대기영역(1110) 중 적어도 일부를 참조로 하여, 보행자횡단보도보행영역(1120)을 추가로 판단할 수도 있다.

한편, 앞에서 언급한 오브젝트 정보에는 아래와 같은 정보를 더 포함할 수도 있다.

이는, Max X(라이다 설치 지점을 기준으로 오브젝트를 구성하는 포인트의 X 좌표의 최대값), Max Y(라이다 설치 지점을 기준으로 오브젝트를 구성하는 포인트의 Y 좌표의 최대값), Min X(라이다 설치 지점을 기준으로 오브젝트를 구성하는 포인트의 X 좌표의 최소값), Min Y(라이다 설치 지점을 기준으로 오브젝트를 구성하는 포인트의 Y 좌표의 최소값), MinMax Box Size(X 좌표의 최소값, Y 좌표의 최소값, X 좌표의 최대값, Y 좌표의 최대값을 이용하여 만든 박스의 사이즈), Relative Vx(라이다를 기준으로 오브젝트의 X축 상대 속도), Relative Vy(라이다를 기준으로 오브젝트의 Y축 상대 속도), Absolute Vx(라이다를 기준으로 오브젝트의 X축 절대 속도), Absolute Vy(라이다를 기준으로 오브젝트의 Y축 절대 속도) 등이며, 이러한 오브젝트 정보를 추가로 이용하여 정밀 지도를 생성할 수 있다. 위와 같은 오브젝트 정보는 이에 한정하는 것은 아니며 이와 유사한 것을 상정할 수도 있다.

참조로, 앞에서 설명한 부분은 필수적인 부분은 아니고, 그 외 다양한 방법으로 구현할 수 있을 것이다.

이하에서는 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 방법에 대하여 자세하게 살펴보기로 한다.

도 12는 본 발명의 일 실시예에 따른 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 방법의 전체적인 순서를 설명하기 위한 흐름도이다.

먼저, 정밀 지도 정보를 참조로 하여, 라이다에 의해 커버되는 영역 중 차로를 세분화하여 차로별 메타데이터를 획득할 수 있다(S1210).

이후, 특정 라이다 데이터로부터 차로 상의 오브젝트 정보를 획득하고, 연속된 복수의 프레임 내에 포함되는 오브젝트 정보 중 오브젝트 ID를 참조로 하여, 오브젝트 ID가 동일한 것끼리 분류하고, 오브젝트 ID별 이동 경로를 저장할 수 있다(S1220).

다음으로, 오브젝트의 이동 경로 및 오브젝트가 위치한 차로의 메타데이터를 참조로 하여, 특정 차로에 위치하는 특정 오브젝트의 특정 이동 경로가 특정 메타데이터와 일치하지 않는 상태인 이상 패턴 상태를 나타내는지 여부를 판단할 수 있다(S1230). 여기서, 특정 차로 각각은 특정 메타데이터를 가지고 있다.

좀 더 자세하게 설명하면, 특정 차로에 위치하는 특정 오브젝트의 특정 이동 경로가 특정 메타데이터와 일치하는지 여부를 확인하는 첫번째 일례는 다음과 같다.

먼저, link 정보를 이용하여 차로를 세분화하고 차로 각각의 heading degree 값을 획득할 수 있다. 차로 각각의 heading degree 값이 차로별 메타데이터인 것이다. 여기서, link 정보는 차로를 세분화한 영역에 대한 정보이다.

도 13은 link 정보를 참조로 하여, 차로를 세분화한 예를 나타내는 도면이다.

도 13을 확인하면, link 정보에 포함된 각각의 link의 시작점(1310)과 끝점(1320)을 잇는 직선(1330)을 수직(1340)으로 지나는 법선의 기울기 및 직선의 방정식을 구할 수 있다. 이후, 각 link 의 박스(box) 영역의 4 포인트를 구하고, 각 link 의 시작점 및 끝점을 이용해 구한 차로별 heading degree 값을 이용하여 차로를 세분화하는 것이다.

여기서, link 정보는 각 link 의 link ID, link 의 메타데이터, 이웃 link ID 를 포함할 수 있다. link의 메타데이터는 해당 차로가 좌회전, 우회전, 직진, 유턴 중 어느 하나에 해당되는 차로인지에 대한 정보를 포함할 수 있다.

각 link 의 박스 영역의 4 포인트를 계산하는 예는 도 14a 내지 도 14c를 참조로 하여 설명하고자 한다.

도 14a, 도 14b, 도 14c는 link 박스 영역을 계산하는 예를 나타내는 도면이다.

도 14a 내지 도 14c에서와 같이, 차로는 선으로 구획되어 있다. 차로의 시작점(1410) 및 끝점(1420)을 잇고, 직선(1430)을 수직으로 지나는 법선(1440)의 기울기를 구할 수 있다. 또한, 직선의 방정식도 구할 수 있다. 따라서, 박스 영역의 4 포인트(1450, 1460, 1470, 1480)를 구할 수 있다. 이런 과정을 라이다의 일정 반경 내에 있는 모든 link에 대하여 수행하고, link 박스 영역의 4 포인트를 구하는 과정도 반복하는 것이다.

위와 같이 차로를 세분화하고 차로별 heading degree 값을 획득한 상태에서, 특정 라이다 데이터로부터 획득된 오브젝트의 이동 경로를 참조로 하여 오브젝트 ID별 heading degree 값을 획득할 수 있다. 여기서, 오브젝트 ID별 heading degree 값은 오브젝트 ID별 이동 경로 중 일부에 해당되는 것이다.

따라서, 차로별 heading degree 값 및 오브젝트 ID별 heading degree 값이 획득되면, 이를 참조로 하여 특정 오브젝트가 특정 차로에 위치하는 것을 판단할 수 있다. 이에 대해서는 도 16을 참조로 하여 자세히 후술하도록 한다.

이를 통하여, 오브젝트별로 오브젝트의 크기, 속도, 높이, heading degree 값 중 적어도 일부 및 오브젝트 각각이 속해 있는 link 정보, 신호등 정보를 참조로 하여, 오브젝트별 법규 위반, 비상 상황, 교통 상황 중 적어도 일부를 판단할 수 있다.

차로별 heading degree 값 및 오브젝트 ID별 heading degree 값을 참조로 하여 불법 유턴, 신호 위반, 무단횡단을 확인하는 예시를 살펴보자.

도 15a, 도 15b, 도 15c는 불법 유턴 판단 예시, 신호 위반 판단 예시, 보행자 무단횡단 판단 예시를 나타내는 도면이다.

좀 더 자세히 설명하면, 프레임이 계속 진행되는 동안 고속 이동 오브젝트(1510)가 움직이면, 고속 이동 오브젝트의 이동 경로를 따라서 고속 이동 오브젝트의 heading degree 값을 구할 수 있다. 고속 이동 오브젝트의 heading degree 값과 고속 이동 오브젝트가 위치하고 있는 link의 heading degree 값을 계속 비교하여 일정 각도 이상 차이가 나면 경로를 벗어난 것으로 판단하는 것이다.

먼저, 도 15a를 확인하여 불법 유턴을 판단하는 경우를 생각해보자.

도 15a에서와 같이, θ1이 고속 이동 오브젝트(1510)의 heading degree 값이고 θ2 가 link 의 heading degree 값이라고 할 때, θ2는 고정된 상태일 것이고 θ1이 θ1', θ1'', θ1''' 으로 점차 θ2와의 사이각이 유턴 판단용 임계치 이상으로 커지도록 변해가는 경우, 고속 이동 오브젝트(1510)가 불법 유턴하고 있다고 판단하는 것이 가능하다.

또한, 도 15b를 확인하여 신호 위반을 판단하는 경우를 생각해보자.

도 15b의 고속 이동 오브젝트(1510)가 있는 link는 좌회전이 가능한 차로인데, 신호등(1520)이 직진 차로에 대한 녹색 신호 동안에 고속 이동 오브젝트(1510)가 좌회전이 가능한 link 상을 이동하고 있음이 감지되면, 고속 이동 오브젝트(1510)가 신호 위반하고 있다고 판단하는 것이 가능하다.

또한, 도 15c를 확인하여 무단횡단 보행자를 판단할 수 있다.

도 15c의 고속 이동 오브젝트(1510)의 heading degree 값은 link의 heading degree 값과 큰 차이가 나지 않기 마련이다. 다만, 보행자와 같은 저속 이동 오브젝트(1530)가 횡단보도 이외의 link 영역에서 검출이 되고, 저속 이동 오브젝트(1530)의 heading degree값과 link의 heading degree 값이 일정 각도 이상 차이가 나면 저속 이동 오브젝트(1530)가 무단 횡단을 하고 있는 것으로 판단하고, 저속 이동 오브젝트(1530)가 횡단보도 이외의 link 영역에서 검출이 되고, 저속 이동 오브젝트(1530)의 heading degree값과 link의 heading degree 값이 일정 각도 미만으로 차이가 나면 무단 횡단은 아니더라도 도로 상에 불법으로 난입한 것으로 판단할 수 있다.

한편, 두 개의 차로가 중복되어 있는 경우를 생각해볼 수 있다. 이는 도 16을 통해서 자세하게 설명하고자 한다.

도 16은 차로별 heading degree 값 및 오브젝트 ID별 heading degree 값을 참조로 하여, 특정 오브젝트가 특정 차로에 위치하는 것을 판단하는 예를 나타내는 도면이다.

특정 위치에 있는 특정 차량이 제1 특정 차로 및 제2 특정 차로에 중복하여 위치해 있는 것으로 감지되면, 제1 특정 차로의 제1_1 특정 heading degree 값 및 특정 오브젝트의 제2 특정 heading degree 값의 차이인 제1 각도와, 제2 특정 차로의 제1_2 특정 heading degree 값 및 특정 오브젝트의 제2 특정 heading degree 값의 차이인 제2 각도를 비교하여, 더 작은 각도인 특정 각도에 대응되는 차로를 특정 차로로 결정할 수 있다.

구체적으로, 도 16을 참조하면, 1번 link(1610), 2번 link(1620), 3번 link(1630)가 있고, 고속 이동 오브젝트(1640)가 2번 link(1620) 및 3번 link(1630)에 중복되어 위치하고 있다. 이 경우, 먼저 2번 link(1620)의 heading degree 값과 고속 이동 오브젝트(1640)의 heading degree 값의 차이를 구할 수 있으며, 이를 제1 각도라고 하자. 가령, 제1 각도는 45도 일 수 있다.

또한, 3번 link(1630)의 heading degree 값과 고속 이동 오브젝트(1640)의 heading degree 값의 차이도 구할 수 있으며, 이를 제2 각도라고 하자. 가령, 제2 각도는 10도 일 수 있다.

이와 같이, 제1 각도(30도) 및 제2 각도(10도)를 각각 구한 뒤, 이를 비교하여 더 작은 각도에 대응하는 차로에 고속 이동 오브젝트(1640)가 위치하고 있다고 판단할 수 있는 것이다. 따라서 도 16에서는 고속 이동 오브젝트(1640)가 3번 link(1630)에 있다고 결정할 수 있다.

한편, 특정 차로에 위치하는 특정 오브젝트의 특정 이동 경로가 특정 메타데이터와 일치하는지 여부를 확인하는 두번째 일례는 다음과 같다.

정밀 지도를 참조로 하여, 복수의 오브젝트가 차로별로 이동할 수 있는 이동 경로 후보군 정보를 포함하는 전역이동경로계획정보를 차로별로 맵핑하여 관리하고, 차로별로 복수의 가상레퍼런스포인트를 각각의 세부적 위치마다 맵핑하여 관리하는 것이다.

이럴 경우, 특정 오브젝트가 특정 차로에 위치할 때, 특정 차로의 특정 전역이동경로계획정보에 대응되는 특정 메타데이터와, 특정 오브젝트의 위치로부터 기설정된 임계치 이내의 특정 가상레퍼런스포인트를 참조로 하여, 특정 오브젝트의 이상 패턴 상태 여부를 판단할 수 있다.

이를 도 17을 참조하여 설명하면 다음과 같다.

도 17은 전역이동경로계획정보에 따라 특정 오브젝트가 특정 차로에 위치하는 것을 판단하는 예를 나타내는 도면이다.

가령, 고속 이동 오브젝트(1710)가 4번 차로에서 있을 경우, 고속 이동 오브젝트(1710)의 전역이동경로계획은 4번 차로 - 8번 차로 - 11번 차로를 이동하는 좌회전 경로와, 4번 차로 - 5번 차로 - 6번 차로를 이동하는 직진 경로가 있다.

여기서, 고속 이동 오브젝트(1710)가 좌회전 할 경우, 5번 차로 및 8번 차로 둘 다 진입하게 된다. 그럼, 각 차로의 각 좌표마다 촘촘히 매칭되어 있는 가상레퍼런스포인트 각각을 고속 이동 오브젝트(1710)의 위치와 비교하여 이동 경로를 판단하는 것이다.

참조로, 도 17에는 도시되어 있지 않지만, 각각의 차로에는 매우 촘촘하게 다수의 가상레퍼런스포인트가 각각 위치하고 있다.

한편, 특정 위치에 있는 특정 차량이 제1 특정 차로 및 제2 특정 차로에 중복하여 위치해 있는 것으로 감지되면, 제1 특정 차로에 맵핑되어 있는 복수의 가상레퍼런스포인트 중 특정 오브젝트와 가장 가까운 거리에 위치하는 제1_1 특정 가상레퍼런스포인트 및 특정 오브젝트 사이의 거리에 대응되는 제1 코스트와, 제2 특정 차로에 맵핑되어 있는 복수의 가상레퍼런스포인트 중 특정 오브젝트와 가장 가까운 거리에 위치하는 제1_2 특정 가상레퍼런스포인트 및 특정 오브젝트 사이의 거리에 대응되는 제2 코스트를 비교하여, 더 작은 코스트인 특정 코스트에 대응되는 차로를 특정 차로로 결정할 수 있다. 즉, 특정 오브젝트가 특정 차로에 위치한 상태로 운행되고 있는 것으로 판단할 수 있다. 여기서, 특정 차로는 제1 특정 차로 및 제2 특정 차로 중 어느 하나일 것이다.

다시 도 17을 참조하면, 고속 이동 오브젝트(1710)가 좌회전 할 경우, 좌회전을 막 시작할 무렵에는 고속 이동 오브젝트(1710)의 위치를 볼 때 5번 차로 및 8번 차로 둘 다에 중복되어 위치하는 것으로 일견 판단될 여지가 있다. 하지만, 이 경우, 먼저 5번 차로에 맵핑되어 있는 복수의 가상레퍼런스포인트 중 고속 이동 오브젝트(1710)와 가장 가까운 거리에 위치하는 가상레퍼런스포인트와 고속 이동 오브젝트(1710) 사이의 거리에 대응되는 제1 코스트를 구할 수 있다. 가령, 제1 코스트는 9이라고 하자.

또한, 8번 차로에 맵핑되어 있는 복수의 가상레퍼런스포인트 중 고속 이동 오브젝트(1710)와 가장 가까운 거리에 위치하는 가상레퍼런스포인트와 고속 이동 오브젝트(1710) 사이의 거리에 대응되는 제2 코스트를 구할 수 있다. 가령, 제2 코스트는 6이라고 하자.

이와 같이, 제1 코스트 및 제2 코스트를 각각 구한 뒤, 이를 비교하여 더 작은 코스트에 대응하는 차로에 고속 이동 오브젝트(1710)가 위치하고 있다고 판단할 수 있는 것이다. 도 17에서는 고속 이동 오브젝트(1710)가 8번 차로에 있다고 결정할 수 있다.

앞에서 설명한 바와 같이, 다양한 교통 상황을 판단하고 관제 뷰어 시스템 상에 이러한 교통 상황을 표시할 수 있다.

도 18은 다양한 교통 상황이 관제 뷰어 시스템 상에 표시된 예를 나타내는 도면이다.

교차로 내 설치된 라이다를 이용하여 들어오는 정보를 활용하여 교통 상황을 판단하고 관제 뷰어 시스템으로 전달하면, 관제 뷰어 시스템에서는 이러한 교통 상황을 자율주행 차량으로 전달하여 자율 주행 중에 발생할 수 있는 위험 상황을 미리 판단하고 사고 위험률을 낮출 수 있는 것이다.

또한, 이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magnetooptical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (22)

1. 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 방법에 있어서,
   (a) 서버가, 정밀 지도 정보를 참조로 하여, 상기 라이다에 의해 커버되는 영역 중 차로를 세분화하여 차로별 메타데이터를 획득하는 단계;
   (b) 상기 서버가, 특정 라이다 데이터로부터 상기 차로 상의 오브젝트 정보를 획득하고, 연속된 복수의 프레임 내에 포함되는 상기 오브젝트 정보 중 오브젝트 ID를 참조로 하여, 상기 오브젝트 ID가 동일한 것끼리 분류하고, 상기 오브젝트 ID별 이동 경로를 저장하는 단계; 및
   (c) 상기 서버가, 상기 오브젝트 정보, 상기 이동 경로, 및 상기 오브젝트가 위치한 상기 차로의 상기 메타데이터를 참조로 하여, 특정 차로 - 상기 특정 차로는 특정 메타데이터를 가짐 - 에 위치하는 특정 오브젝트의 특정 이동 경로가 상기 특정 메타데이터와 일치하지 않는 상태인 이상 패턴 상태를 나타내는지 여부를 판단하는 단계;
   를 포함하는 방법.
2. 제1항에 있어서,
   상기 (a) 단계에서,
   상기 서버가, link 정보를 이용해 상기 차로를 세분화하여 차로별 heading degree 값을 상기 차로별 메타데이터로서 획득하고,
   상기 (b) 단계에서,
   상기 서버가, 상기 특정 라이다 데이터로부터 획득된 상기 오브젝트의 상기 이동 경로를 참조로 하여 상기 오브젝트 ID별 heading degree 값을 상기 오브젝트 ID별 이동 경로 중 일부로서 획득하고,
   상기 (c) 단계에서,
   상기 서버가, 상기 차로별 heading degree 값 중 적어도 일부 및 상기 오브젝트 ID별 heading degree 값 중 적어도 일부를 참조로 하여, 상기 특정 오브젝트가 상기 특정 차로에 위치하는 것을 판단하는 방법.
3. 제2항에 있어서,
   상기 (a) 단계에서,
   상기 서버는, 상기 link 정보에 포함된 각각의 link의 시작점과 끝점을 잇는 직선을 수직으로 지나는 법선의 기울기 및 상기 직선의 방정식을 구한 후, 각 link 의 박스(box) 영역의 4 포인트를 구하고, 각 link 의 시작점 및 끝점을 이용해 구한 상기 차로별 heading degree 값을 이용하여 상기 차로를 세분화하고, 상기 link 정보는 상기 각 link 의 link ID, link 의 메타데이터, 이웃 link ID 를 포함하는 것을 특징으로 하는 방법.
4. 제2항에 있어서,
   상기 (c) 단계에서,
   상기 오브젝트별로 오브젝트의 크기, 속도, 높이, heading degree 값 중 적어도 일부 및 상기 오브젝트 각각이 속해 있는 link 정보, 신호등 정보를 참조로 하여, 상기 오브젝트별 법규 위반, 비상 상황, 교통 상황 중 적어도 일부를 제공하는 것을 특징으로 하는 방법.
5. 제2항에 있어서,
   상기 (c) 단계에서,
   상기 서버는, 특정 위치에 있는 상기 특정 차량이 제1 특정 차로 및 제2 특정 차로에 중복하여 위치해 있는 것으로 감지되면, 상기 제1 특정 차로의 제1_1 특정 heading degree 값 및 상기 특정 오브젝트의 제2 특정 heading degree 값의 차이인 제1 각도와, 상기 제2 특정 차로의 제1_2 특정 heading degree 값 및 상기 특정 오브젝트의 상기 제2 특정 heading degree 값의 차이인 제2 각도를 비교하여, 더 작은 각도인 특정 각도에 대응되는 차로를 상기 특정 차로로 결정하는 것을 특징으로 하는 방법.
6. 제1항에 있어서,
   상기 (a) 단계에서,
   상기 서버가, 상기 정밀 지도를 참조로 하여, 복수의 오브젝트가 상기 차로별로 이동할 수 있는 이동 경로 후보군 정보를 포함하는 전역이동경로계획정보를 상기 차로별로 맵핑하여 관리하고, 상기 차로별로 복수의 가상레퍼런스포인트를 각각의 세부적 위치마다 맵핑하여 관리하며,
   상기 (c) 단계에서,
   상기 특정 오브젝트가 상기 특정 차로에 위치할 때, 상기 특정 차로의 특정 전역이동경로계획정보에 대응되는 상기 특정 메타데이터와, 상기 특정 오브젝트의 위치를 기준으로 하여 기설정된 임계치 이내의 특정 가상레퍼런스포인트를 참조로 하여, 상기 특정 오브젝트의 이상 패턴 상태 여부를 판단하는 방법.
7. 제6항에 있어서,
   상기 (c) 단계에서,
   상기 서버는, 특정 위치에 있는 상기 특정 차량이 제1 특정 차로 및 제2 특정 차로에 중복하여 위치해 있는 것으로 감지되면, 상기 제1 특정 차로의 제1_1 특정 가상레퍼런스포인트 및 상기 특정 오브젝트 사이의 거리에 대응되는 제1 코스트와, 상기 제2 특정 차로의 제1_2 특정 가상레퍼런스포인트 및 상기 특정 오브젝트 사이의 거리에 대응되는 제2 코스트를 비교하여, 더 작은 코스트인 특정 코스트에 대응되는 차로를 상기 특정 차로로 결정하는 것을 특징으로 하는 방법.
8. 제1항에 있어서,
   상기 (a) 단계 이전에,
   (a01) 초기 라이다 데이터가 획득되면, 상기 서버가, 기설정된 기준에 따른 필터링을 수행하여 상기 초기 라이다 데이터 중에서 고정 오브젝트에 대응되는 고정 라이다 데이터를 분류하는 단계; 및
   (a02) 상기 초기 라이다 데이터로부터 상기 고정 라이다 데이터를 제거하여 잔여 라이다 데이터를 상기 특정 라이다 데이터로서 획득하는 단계;
   를 더 포함하는 방법.
9. 제8항에 있어서,
   상기 (a01) 단계에서,
   상기 서버가, 상기 라이다에 의해 커버되는 영역을 가상의 3차원 그리드 영역으로 구분하고, 적어도 하나의 관측 프레임 동안 상기 그리드 영역 내의 각각의 셀별로 상기 초기 라이다 데이터가 검출되는 수를 카운팅하고, 상기 셀들 중 카운팅된 수가 임계치 이상인 제1 특정 셀들에서 검출되는 상기 초기 라이다 데이터를 상기 고정 라이다 데이터로 판단하는 것을 특징으로 하는 방법.
10. 제8항에 있어서,
    상기 (a01) 단계에서,
    상기 서버가, 상기 라이다에 의해 커버되는 영역을 가상의 3차원 그리드 영역으로 구분하고, 적어도 하나의 관측 프레임 동안 상기 그리드 영역 내의 각각의 셀별로 상기 초기 라이다 데이터의 관측 포인트 데이터 수를 카운팅하고 상기 각각의 셀의 기설정된 평균 포인트 데이터 수와 비교하여, 상기 관측 포인트 데이터 수와 상기 평균 포인트 데이터 수와의 차이의 비율이 임계비율 이하인 제2 특정 셀들에서 검출되는 상기 초기 라이다 데이터를 상기 고정 라이다 데이터로 판단하는 것을 특징으로 하는 방법.
11. 제8항에 있어서,
    상기 초기 라이다 데이터로부터 상기 고정 라이다 데이터를 제거하기 전에 상기 고정 라이다 데이터를 판단함에 있어서,
    상기 (a01) 단계 이전에,
    상기 서버가, 상기 초기 라이다 데이터로부터 획득되는 적어도 하나의 참조 프레임의 교통량을 획득하고, 상기 교통량이 기설정된 수치 이하인 것으로 판단되면 상기 참조 프레임에 대응되는 참조 로깅 데이터를 기록하며,
    상기 (a01) 단계에서,
    상기 서버가, 상기 참조 프레임보다 시간적으로 후행하는 적어도 하나의 관측 프레임 동안 상기 참조 로깅 데이터를 이용하여 상기 관측 프레임 동안의 상기 초기 라이다 데이터에 포함된 상기 고정 라이다 데이터를 판단하는 것을 특징으로 하는 방법.
12. 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 서버에 있어서,
    인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    상기 인스트럭션들을 실행하기 위해 구성된 적어도 하나의 프로세서;를 포함하되,
    상기 프로세서는, (I) 정밀 지도 정보를 참조로 하여, 상기 라이다에 의해 커버되는 영역 중 차로를 세분화하여 차로별 메타데이터를 획득하는 프로세스; (II) 특정 라이다 데이터로부터 상기 차로 상의 오브젝트 정보를 획득하고, 연속된 복수의 프레임 내에 포함되는 상기 오브젝트 정보 중 오브젝트 ID를 참조로 하여, 상기 오브젝트 ID가 동일한 것끼리 분류하고, 상기 오브젝트 ID별 이동 경로를 저장하는 프로세스; 및 (III) 상기 오브젝트 정보, 상기 이동 경로, 및 상기 오브젝트가 위치한 상기 차로의 상기 메타데이터를 참조로 하여, 특정 차로 - 상기 특정 차로는 특정 메타데이터를 가짐 - 에 위치하는 특정 오브젝트의 특정 이동 경로가 상기 특정 메타데이터와 일치하지 않는 상태인 이상 패턴 상태를 나타내는지 여부를 판단하는 프로세스;를 수행하는 서버.
13. 제12항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서가, link 정보를 이용해 상기 차로를 세분화하여 차로별 heading degree 값을 상기 차로별 메타데이터로서 획득하고,
    상기 (II) 프로세스에서,
    상기 프로세서가, 상기 특정 라이다 데이터로부터 획득된 상기 오브젝트의 상기 이동 경로를 참조로 하여 상기 오브젝트 ID별 heading degree 값을 상기 오브젝트 ID별 이동 경로 중 일부로서 획득하고,
    상기 (III) 프로세스에서,
    상기 프로세서가, 상기 차로별 heading degree 값 중 적어도 일부 및 상기 오브젝트 ID별 heading degree 값 중 적어도 일부를 참조로 하여, 상기 특정 오브젝트가 상기 특정 차로에 위치하는 것을 판단하는 서버.
14. 제13항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서는, 상기 link 정보에 포함된 각각의 link의 시작점과 끝점을 잇는 직선을 수직으로 지나는 법선의 기울기 및 상기 직선의 방정식을 구한 후, 각 link 의 박스(box) 영역의 4 포인트를 구하고, 각 link 의 시작점 및 끝점을 이용해 구한 상기 차로별 heading degree 값을 이용하여 상기 차로를 세분화하고, 상기 link 정보는 상기 각 link 의 link ID, link 의 메타데이터, 이웃 link ID 를 수행하는 것을 특징으로 하는 서버.
15. 제13항에 있어서,
    상기 (III) 프로세스에서,
    상기 오브젝트별로 오브젝트의 크기, 속도, 높이, heading degree 값 중 적어도 일부 및 상기 오브젝트 각각이 속해 있는 link 정보, 신호등 정보를 참조로 하여, 상기 오브젝트별 법규 위반, 비상 상황, 교통 상황 중 적어도 일부를 제공하는 것을 특징으로 하는 서버.
16. 제13항에 있어서,
    상기 (III) 프로세스에서,
    상기 프로세서는, 특정 위치에 있는 상기 특정 차량이 제1 특정 차로 및 제2 특정 차로에 중복하여 위치해 있는 것으로 감지되면, 상기 제1 특정 차로의 제1_1 특정 heading degree 값 및 상기 특정 오브젝트의 제2 특정 heading degree 값의 차이인 제1 각도와, 상기 제2 특정 차로의 제1_2 특정 heading degree 값 및 상기 특정 오브젝트의 상기 제2 특정 heading degree 값의 차이인 제2 각도를 비교하여, 더 작은 각도인 특정 각도에 대응되는 차로를 상기 특정 차로로 결정하는 것을 특징으로 하는 서버.
17. 제12항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서가, 상기 정밀 지도를 참조로 하여, 복수의 오브젝트가 상기 차로별로 이동할 수 있는 이동 경로 후보군 정보를 포함하는 전역이동경로계획정보를 상기 차로별로 맵핑하여 관리하고, 상기 차로별로 복수의 가상레퍼런스포인트를 각각의 세부적 위치마다 맵핑하여 관리하며,
    상기 (III) 프로세스에서,
    상기 특정 오브젝트가 상기 특정 차로에 위치할 때, 상기 특정 차로의 특정 전역이동경로계획정보에 대응되는 상기 특정 메타데이터와, 상기 특정 오브젝트의 위치를 기준으로 하여 기설정된 임계치 이내의 특정 가상레퍼런스포인트를 참조로 하여, 상기 특정 오브젝트의 이상 패턴 상태 여부를 판단하는 서버.
18. 제17항에 있어서,
    상기 (III) 프로세스에서,
    상기 프로세서는, 특정 위치에 있는 상기 특정 차량이 제1 특정 차로 및 제2 특정 차로에 중복하여 위치해 있는 것으로 감지되면, 상기 제1 특정 차로의 제1_1 특정 가상레퍼런스포인트 및 상기 특정 오브젝트 사이의 거리에 대응되는 제1 코스트와, 상기 제2 특정 차로의 제1_2 특정 가상레퍼런스포인트 및 상기 특정 오브젝트 사이의 거리에 대응되는 제2 코스트를 비교하여, 더 작은 코스트인 특정 코스트에 대응되는 차로를 상기 특정 차로로 결정하는 것을 특징으로 하는 서버.
19. 제12항에 있어서,
    상기 (I) 프로세스 이전에,
    (I01) 초기 라이다 데이터가 획득되면, 상기 프로세서가, 기설정된 기준에 따른 필터링을 수행하여 상기 초기 라이다 데이터 중에서 고정 오브젝트에 대응되는 고정 라이다 데이터를 분류하는 프로세스; 및
    (I02) 상기 초기 라이다 데이터로부터 상기 고정 라이다 데이터를 제거하여 잔여 라이다 데이터를 상기 특정 라이다 데이터로서 획득하는 프로세스;
    를 더 수행하는 서버.
20. 제19항에 있어서,
    상기 (I01) 프로세스에서,
    상기 프로세서가, 상기 라이다에 의해 커버되는 영역을 가상의 3차원 그리드 영역으로 구분하고, 적어도 하나의 관측 프레임 동안 상기 그리드 영역 내의 각각의 셀별로 상기 초기 라이다 데이터가 검출되는 수를 카운팅하고, 상기 셀들 중 카운팅된 수가 임계치 이상인 제1 특정 셀들에서 검출되는 상기 초기 라이다 데이터를 상기 고정 라이다 데이터로 판단하는 것을 특징으로 하는 서버.
21. 제19항에 있어서,
    상기 (I01) 프로세스에서,
    상기 프로세서가, 상기 라이다에 의해 커버되는 영역을 가상의 3차원 그리드 영역으로 구분하고, 적어도 하나의 관측 프레임 동안 상기 그리드 영역 내의 각각의 셀별로 상기 초기 라이다 데이터의 관측 포인트 데이터 수를 카운팅하고 상기 각각의 셀의 기설정된 평균 포인트 데이터 수와 비교하여, 상기 관측 포인트 데이터 수와 상기 평균 포인트 데이터 수와의 차이의 비율이 임계비율 이하인 제2 특정 셀들에서 검출되는 상기 초기 라이다 데이터를 상기 고정 라이다 데이터로 판단하는 것을 특징으로 하는 서버.
22. 제19항에 있어서,
    상기 초기 라이다 데이터로부터 상기 고정 라이다 데이터를 제거하기 전에 상기 고정 라이다 데이터를 판단함에 있어서,
    상기 (I01) 프로세스 이전에,
    상기 프로세서가, 상기 초기 라이다 데이터로부터 획득되는 적어도 하나의 참조 프레임의 교통량을 획득하고, 상기 교통량이 기설정된 수치 이하인 것으로 판단되면 상기 참조 프레임에 대응되는 참조 로깅 데이터를 기록하며,
    상기 (I01) 프로세스에서,
    상기 프로세서가, 상기 참조 프레임보다 시간적으로 후행하는 적어도 하나의 관측 프레임 동안 상기 참조 로깅 데이터를 이용하여 상기 관측 프레임 동안의 상기 초기 라이다 데이터에 포함된 상기 고정 라이다 데이터를 판단하는 것을 특징으로 하는 서버.
    

Images