KR20240062439A - 차선 검출 방법 및 이를 수행하는 전자 장치 - Google Patents

차선 검출 방법 및 이를 수행하는 전자 장치 Download PDF

Info

Publication number
KR20240062439A
KR20240062439A KR1020220143522A KR20220143522A KR20240062439A KR 20240062439 A KR20240062439 A KR 20240062439A KR 1020220143522 A KR1020220143522 A KR 1020220143522A KR 20220143522 A KR20220143522 A KR 20220143522A KR 20240062439 A KR20240062439 A KR 20240062439A
Authority
KR
South Korea
Prior art keywords
lane
templates
template
determined
determining
Prior art date
Application number
KR1020220143522A
Other languages
English (en)
Inventor
최진혁
신세호
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020220143522A priority Critical patent/KR20240062439A/ko
Priority to US18/194,799 priority patent/US20240142241A1/en
Publication of KR20240062439A publication Critical patent/KR20240062439A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • 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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/476—Contour-based spatial representations, e.g. vector-coding using statistical shape modelling, e.g. point distribution models
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

차선 검출 방법이 개시된다. 일 실시 예는 차량의 주변의 하나 이상의 동적 객체의 제1 궤적 정보 및 차량의 주변 환경에 관한 제2 궤적 정보를 기초로 메인 궤적 정보를 결정하고, 결정된 메인 궤적 정보를 기초로 복수의 차선 템플릿들 중에서 하나 이상의 후보 차선 템플릿을 결정하며, 결정된 후보 차선 템플릿을 조정하여 조정 차선 템플릿들을 생성하고, 입력 이미지를 기초로 획득된 차선 특징과 생성된 조정 차선 템플릿들 각각의 오버랩을 통해 상기 차선 특징과 상기 생성된 조정 차선 템플릿들 각각 사이의 유사도를 결정하고, 상기 차선 특징과 가장 큰 유사도를 갖는 조정 차선 템플릿에 상기 차선 특징이 오버랩된 오버랩 차선 템플릿을 차선으로 결정한다.

Description

차선 검출 방법 및 이를 수행하는 전자 장치{METHOD OF DETECTING LANE AND ELECTRONIC APPARATUS PERFORMING THEREOF}
아래의 개시는 차선 검출 방법 및 이를 수행하는 전자 장치에 관한 것이다.
자율 주행 기술에 대한 수요가 증가함에 따라, 운전을 지원하기 위한 다양한 기술들이 개발되고 있다. 예를 들어, LDWS(Lane Departure Warning System)은 주행 보조를 위해 자차(ego vehicle)가 주행 차로를 벗어나는지를 판별할 수 있고, ACC(Adaptive Cruse Control)는 앞차와 자차가 일정 간격을 유지하면서 자차의 속도를 자동으로 제어할 수 있다. 또한, 전술한 기술들을 포함하는 지능형 운전자 보조 시스템(Advanced Driver Assistance System; ADAS) 및/또는 자율 주행 시스템(Autonomous Driving system; AD)은 감지 센서, 영상 처리 장치, 통신 장치 등을 이용하여 주행 중 일부 상황을 차량이 인지 및 판단하여 차량의 동작을 제어하거나 운전자에게 알릴 수 있다.
일 실시 예에 따른 전자 장치에 의해 수행되는 차선 검출 방법은 차량의 주변의 하나 이상의 동적(dynamic) 객체의 제1 궤적(trajectory) 정보 및 상기 차량의 주변 환경에 관한 제2 궤적 정보를 기초로 메인 궤적 정보를 결정하는 단계; 상기 결정된 메인 궤적 정보를 기초로 복수의 차선 템플릿들 중에서 하나 이상의 후보 차선 템플릿(candidate lane template)을 결정하는 단계; 상기 결정된 후보 차선 템플릿을 조정하여 조정 차선 템플릿들을 생성하는 단계; 입력 이미지를 기초로 획득된 차선 특징(lane feature)과 상기 생성된 조정 차선 템플릿들 각각의 오버랩을 통해 상기 차선 특징과 상기 생성된 조정 차선 템플릿들 각각 사이의 유사도를 결정하는 단계; 및 상기 차선 특징과 가장 큰 유사도를 갖는 조정 차선 템플릿에 상기 차선 특징이 오버랩된 오버랩 차선 템플릿을 차선으로 결정하는 단계를 포함한다.
상기 메인 궤적 정보를 결정하는 단계는 상기 제1 궤적 정보와 상기 제2 궤적 정보를 통합하여 상기 메인 궤적 정보를 결정하는 단계를 포함할 수 있다.
상기 차선 검출 방법은 복수의 동적 객체들을 인식한 경우, 상기 인식된 동적 객체들 각각의 이동 경로를 결정하는 단계; 및 상기 결정된 각 이동 경로를 이용하여 상기 제1 궤적 정보를 결정하는 단계를 더 포함할 수 있다.
상기 차선 검출 방법은 레이더 센서를 통해 획득한 레이더 데이터로부터 정지 상태에 해당하는 정적(static) 포인트들을 검출하는 단계; 상기 검출된 포인트들 중 연속성이 있는 포인트들에 클러스터링을 수행하는 단계; 및 상기 클러스터링의 결과를 통해 상기 제2 궤적 정보를 결정하는 단계를 더 포함할 수 있다.
상기 후보 차선 템플릿을 결정하는 단계는 상기 메인 궤적 정보에서 라인 피팅(line fitting)과 관련된 파라미터를 추출하는 단계; 및 상기 차선 템플릿들 중 상기 추출된 파라미터와 유사성이 있는 파라미터를 가진 차선 템플릿을 상기 후보 차선 템플릿으로 결정하는 단계를 포함할 수 있다.
상기 조정 차선 템플릿들을 생성하는 단계는 상기 결정된 후보 차선 템플릿에 변환(transformations) 또는 상기 차량의 카메라의 움직임을 고려한 조정 중 적어도 하나를 수행하여 상기 조정 차선 템플릿들을 생성하는 단계를 포함할 수 있다.
상기 변환은 기하학적 변환(geometric transformation)을 포함할 수 있다.
상기 유사도를 결정하는 단계는 상기 생성된 조정 차선 템플릿들 각각과 상기 차선 특징 사이에 매칭되는 픽셀들의 개수를 파악하는 단계; 및 상기 파악된 각 개수를 상기 차선 특징과 상기 생성된 조정 차선 템플릿들 각각 사이의 유사도로 결정하는 단계를 포함할 수 있다.
상기 차선 검출 방법은 상기 차선이 결정된 이후에 결정된 제2 메인 궤적 정보 및 상기 오버랩 차선 템플릿을 기초로 차선 타입이 변경되는지 여부를 결정하는 단계; 상기 차선 타입이 변경된 것으로 결정된 경우, 상기 결정된 제2 메인 궤적 정보를 기초로 상기 차선 템플릿들 중에서 하나 이상의 제2 후보 차선 템플릿을 결정하는 단계; 상기 결정된 제2 후보 차선 템플릿을 조정하여 제2 조정 차선 템플릿을 생성하는 단계; 제2 입력 이미지를 기초로 획득된 제2 차선 특징과 상기 생성된 제2 조정 차선 템플릿들 각각의 오버랩을 통해 상기 제2 차선 특징과 상기 생성된 제2 조정 차선 템플릿들 각각 사이의 유사도를 결정하는 단계; 및 상기 제2 차선 특징과 가장 큰 유사도를 갖는 제2 조정 차선 템플릿에 상기 제2 차선 특징이 오버랩된 제2 오버랩 차선 템플릿을 차선으로 결정하는 단계를 더 포함할 수 있다.
상기 차선 타입이 변경되는지 여부를 결정하는 단계는 상기 결정된 제2 메인 궤적 정보에서 라인 피팅과 관련된 파라미터를 추출하는 단계; 상기 오버랩 차선 템플릿의 상기 라인 피팅과 관련된 파라미터와 상기 추출된 파라미터 사이의 차이가 임계값 이상인지 여부를 결정하는 단계; 및 상기 차이가 상기 임계값 미만인 경우, 상기 차선 타입이 변경된 것으로 결정하는 단계를 포함할 수 있다.
상기 차선 검출 방법은 상기 차선 타입이 변경되지 않은 것으로 결정된 경우, 상기 오버랩 차선 템플릿을 상기 차선으로 유지하는 단계를 더 포함할 수 있다.
일 실시 예에 따른 전자 장치는 복수의 차선 템플릿들을 저장하는 메모리; 및 차량의 주변의 하나 이상의 동적 객체의 제1 궤적 정보 및 상기 차량의 주변 환경에 관한 제2 궤적 정보를 기초로 메인 궤적 정보를 결정하고, 상기 결정된 메인 궤적 정보를 기초로 상기 차선 템플릿들 중에서 하나 이상의 후보 차선 템플릿을 결정하며, 상기 결정된 후보 차선 템플릿을 조정하여 조정 차선 템플릿들을 생성하고, 입력 이미지를 기초로 획득된 차선 특징과 상기 생성된 조정 차선 템플릿들 각각의 오버랩을 통해 상기 차선 특징과 상기 생성된 조정 차선 템플릿들 각각 사이의 유사도를 결정하고, 상기 차선 특징과 가장 큰 유사도를 갖는 조정 차선 템플릿에 상기 차선 특징이 오버랩된 오버랩 차선 템플릿을 차선으로 결정하는 프로세서를 포함한다.
상기 프로세서는 상기 제1 궤적 정보와 상기 제2 궤적 정보를 통합하여 상기 메인 궤적 정보를 결정할 수 있다.
상기 프로세서는 복수의 동적 객체들을 인식한 경우, 상기 인식된 동적 객체들 각각의 이동 경로를 결정하고, 상기 결정된 각 이동 경로를 어그리게이션하여 상기 제1 궤적 정보를 결정할 수 있다.
상기 프로세서는 상기 차량의 레이더 센서로부터 레이더 데이터를 수신하고, 상기 수신된 레이더 데이터로부터 정지 상태에 해당하는 정적 포인트들을 검출하며, 상기 검출된 포인트들 중 연속성이 있는 포인트들에 클러스터링을 수행하고, 상기 클러스터링의 결과를 통해 상기 제2 궤적 정보를 결정할 수 있다.
상기 프로세서는 상기 메인 궤적 정보에서 라인 피팅과 관련된 파라미터를 추출하고, 상기 차선 템플릿들 중 상기 추출된 파라미터와 유사성이 있는 파라미터를 가진 차선 템플릿을 상기 후보 차선 템플릿으로 결정할 수 있다.
상기 프로세서는 상기 결정된 후보 차선 템플릿에 변환 또는 상기 차량의 카메라의 움직임을 고려한 조정 중 적어도 하나를 수행하여 상기 조정 차선 템플릿들을 생성할 수 있다.
상기 프로세서는 상기 생성된 조정 차선 템플릿들 각각과 상기 차선 특징 사이에 매칭되는 픽셀들의 개수를 파악할 수 있고, 상기 파악된 각 개수를 상기 차선 특징과 상기 생성된 조정 차선 템플릿들 각각 사이의 유사도로 결정할 수 있다.
상기 프로세서는 상기 차선이 결정된 이후에 결정된 제2 메인 궤적 정보 및 상기 오버랩 차선 템플릿을 기초로 차선 타입이 변경되는지 여부를 결정하고, 상기 차선 타입이 변경된 것으로 결정된 경우, 상기 결정된 제2 메인 궤적 정보를 기초로 상기 차선 템플릿들 중에서 하나 이상의 제2 후보 차선 템플릿을 결정하며, 상기 결정된 제2 후보 차선 템플릿을 조정하여 제2 조정 차선 템플릿을 생성하고, 제2 입력 이미지를 기초로 획득된 제2 차선 특징과 상기 생성된 제2 조정 차선 템플릿들 각각의 오버랩을 통해 상기 제2 차선 특징과 상기 생성된 제2 조정 차선 템플릿들 각각 사이의 유사도를 결정하고, 상기 제2 차선 특징과 가장 큰 유사도를 갖는 제2 조정 차선 템플릿에 상기 제2 차선 특징이 오버랩된 제2 오버랩 차선 템플릿을 차선으로 결정할 수 있다.
상기 프로세서는 상기 결정된 제2 메인 궤적 정보에서 라인 피팅과 관련된 파라미터를 추출하고, 상기 오버랩 차선 템플릿의 상기 라인 피팅과 관련된 파라미터와 상기 추출된 파라미터 사이의 차이가 임계값 이상인지 여부를 결정하며, 상기 차이가 상기 임계값 미만인 경우, 상기 차선 타입이 변경된 것으로 결정할 수 있다.
도 1은 일 실시 예에 따른 차선 검출 방법이 수행되는 상황을 도시한 도면이다.
도 2는 일 실시 예에 따른 차선 검출기를 설명하는 도면이다.
도 3 내지 도 4는 일 실시 예에 따른 차선 검출기가 동적 궤적 정보를 결정하는 예시를 설명하는 도면이다.
도 5 내지 도 6은 일 실시 예에 따른 차선 검출기가 정적 궤적 정보를 결정하는 예시를 설명하는 도면이다.
도 7은 일 실시 예에 따른 차선 검출기가 메인 궤적 정보를 결정하는 예시를 설명하는 도면이다.
도 8은 일 실시 예에 따른 차선 검출기가 후보 차선 템플릿을 결정하는 예시를 설명하는 도면이다.
도 9는 일 실시 예에 따른 차선 검출기가 후보 차선 템플릿을 조정하는 예시를 설명하는 도면이다.
도 10은 일 실시 예에 따른 차선 검출기가 차선을 결정하는 예시를 설명하는 도면이다.
도 11은 일 실시 예에 따른 전자 장치를 설명하는 블록도이다.
도 12는 일 실시 예에 따른 차선 검출 방법을 설명하는 흐름도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
하기에서 설명될 실시예들은 스마트 차량 등의 증강 현실 내비게이션 (Augmented Reality Navigation) 시스템에서 차선을 표시하거나, 자율 주행 차량의 조향을 돕기 위한 시각 정보를 생성하는 데에 활용될 수 있다. 또한, 실시예들은 차량 내 주행 보조 또는 완전 자율 주행을 위해 설치된 HUD(Head Up Display) 등의 지능 시스템을 포함하는 기기에서 시각 정보(Visual Information)를 해석하여 안전하고 쾌적한 주행을 돕는 데에 사용될 수 있다. 실시예들은 예를 들어, 자율 주행 자동차, 지능형 자동차, 스마트 폰, 및 모바일 기기 등에 적용될 수 있다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시 예에 따른 차선 검출 방법이 수행되는 상황을 도시한 도면이다.
도 1을 참조하면, 일 실시 예에 따른 자차(ego vehicle)(101)와 동일한 주행 도로(110)에서 주변 차량(들)(103)이 운행 중인 상황을 나타낸 도면(100)이 도시된다.
자차(101)는, 예를 들어, 지능형 운전자 보조 시스템(Advanced Driver Assistance System; ADAS) 및/또는 자율 주행(Automatic Driving: AD) 시스템이 장착된 지능형 차량에 해당할 수 있다. 자차(101)의 ADAS 및/또는 AD 시스템은 자차(101)의 주행 동안 일부 상황을 인지하여 자차(101)의 동작을 제어하거나 운전자에게 알릴 수 있다. 자차(101)는 ADAS가 카메라로부터 얻어지는 이미지 및/또는 사전에 구축된 지도 정보를 활용하여 인식한 주행 도로(110)의 차선들 및 이와 관련한 주행 정보를 제공받을 수 있다. 자차(101)는 차량 내부에 구비된 내비게이션(120)을 통해 주행 도로(110)와 관련하여 인식된 차선을 포함하는 다양한 주행 정보를 제공받을 수 있다.
이하, 본 명세서에서, "차량(vehicle)"은 자동차, 버스, 오토바이 또는 트럭과 같이 구동 기관을 가지고 사람이나 물건을 이동시키기 위해 이용되는 모든 종류의 운송 수단을 포괄하는 의미로 사용될 수 있다. "도로(road)"는 차량들이 다니는 길을 의미할 수 있다. 도로는, 예를 들어, 고속도로, 국도, 지방도, 고속 국도, 자동차 전용 도로 등과 같은 다양한 유형의 도로를 포함할 수 있다. 도로는 하나 또는 다수 개의 차선(lane)을 포함할 수 있다. "주행 도로"(110)는 자차(101)가 주행 중인 도로를 의미할 수 있다.
주변 차량(들)(103)은 자차(101)와 동일한 주행 도로(110)를 주행할 수 있고, 자차(101) 주변에 위치하는 차량들을 의미할 수 있다. 주행하는 주변 차량(들)(103), 도 1에 도시되지 않았으나 정지 중인 차량, 나무, 표지판 등을 포괄하여 "주변 객체"라고 부를 수 있다. 주행하는 주변 차량(들)(103)과 같이 움직이는 객체는 "동적(dynamic) 객체"로 불릴 수 있고, 정지 중인 차량, 나무, 표지판 등과 같이 정지해 있는 객체는 "정적(static) 객체"로 불릴 수 있다.
일 실시 예에 따르면, 자차(101)는 차선 검출기(lane detector)(예: 도 2의 차선 검출기(210))를 포함할 수 있다. 차선 검출기는 자차(101)의 주변의 하나 이상의 동적 객체의 제1 궤적(trajectory) 정보 및 자차(101)의 주변 환경(예: 가드레일, 벽(wall))에 관한 제2 궤적 정보(또는 주변 환경의 형태(shape) 정보)를 기초로 메인 궤적 정보를 결정할 수 있다. 차선 검출기는 결정된 메인 궤적 정보를 기초로 차선 템플릿들 중에서 하나 이상의 후보 차선 템플릿을 결정할 수 있다. 차선 검출기는 결정된 후보 차선 템플릿을 조정(adjust)(예: 미세조정(refinement))하여 조정 차선 템플릿들을 생성할 수 있다. 차선 검출기는 현재 프레임(frame)으로부터 차선 특징(lane feature)을 획득할 수 있고, 획득된 차선 특징을 조정 차선 템플릿들 각각에 오버랩하여 오버랩 차선 탬플릿들을 생성할 수 있다. 차선 검출기는 생성된 오버랩 차선 템플릿들 중 스코어가 가장 높은 오버랩 차선 템플릿을 현재 프레임에서의 차선으로 결정할 수 있다.
GPS(Global Positioning System) 오작동 또는 GPS 신호 수신 불가로 인해 고정밀 지도(High Definition Map)를 사용하는 것이 불가능한 경우, 도로가 변화되었으나 지도 정보에 반영되어 있지 않은 경우, 입력 이미지로부터 잘못된 차선 특징을 검출하는 경우, 입력 이미지로부터 차선 특징을 검출하지 못한 경우, 또는 입력 이미지로부터 차선 특징을 검출하였으나 정보량이 많지 않은 경우 등 다양한 상황이 발생할 수 있다. 이러한 상황에서, 일 실시 예에 따른 차선 검출기는 안정적으로 차선을 결정(또는 검출)할 수 있고, 자차(101)의 ADAS/AD 시스템은 결정된 차선을 기초로 주행을 안정적으로 수행 또는 제어할 수 있다.
도 2는 일 실시 예에 따른 차선 검출기를 설명하는 도면이다.
도 2의 차선 검출기(210), 카메라(220), 및 레이더 센서(230)는 차량(예: 자차(101))의 ADAS/AD 시스템에 포함될 수 있다.
차선 검출기(210)는 카메라(220)로부터 하나 이상의 입력 이미지를 수신할 수 있다. 입력 이미지는, 예를 들어, 하나 이상의 동적 객체, 하나 이상의 정적 객체, 차선, 또는 주변 환경 중 적어도 하나 또는 이들의 조합을 포함하는 도로 이미지에 해당할 수 있다.
차선 검출기(210)는 카메라(220)를 이용하여 매 프레임마다 하나 또는 복수의 입력 이미지들을 획득할 수 있다.
차선 검출기(210)는 레이더 센서(230)로부터 레이더 데이터를 수신할 수 있다. 레이더 센서(230)는 레이더 신호(예: FMCW(Frequency Modulated Continuous Wave) 신호)를 방사할 수 있고, 반사 신호를 수신할 수 있다. 여기서, 반사 신호는 방사된 레이더 신호가 주변 객체 및/또는 주변 환경에 의해 반사된 신호를 나타낼 수 있다. 레이더 센서(230)는 레이더 신호 및 반사 신호를 기초로 레이더 데이터를 생성할 수 있다. 레이더 센서(230)는 레이더 데이터를 차선 검출기(210)로 전달할 수 있다.
차선 검출기(210)는 카메라(220)를 통해 획득된 입력 이미지를 기초로 동적 객체의 제1 궤적 정보(또는 동적 궤적 정보)를 결정할 수 있다. 제1 궤적 정보는 동적 객체의 과거 시점부터 현재 시점까지의 이동 경로(또는 주행 경로)를 포함할 수 있다. 제1 궤적 정보의 결정에 대해선 도 3 내지 도 4를 통해 자세히 설명한다.
차선 검출기(210)는 레이더 데이터를 기초로 자차(101)의 주변 환경에 대한 제2 궤적 정보(또는 정적 궤적 정보)를 결정할 수 있다. 제2 궤적 정보는 레이더 데이터로부터 추출된 정적 포인트들 중 연속성이 있는 정적 포인트들(예: 벽 또는 가드레일과 대응되는 정적 포인트들)이 클러스터링된 결과를 포함할 수 있다. 제2 궤적 정보의 결정에 대해선 도 5 내지 도 6을 통해 자세히 설명한다.
차선 검출기(210)는 결정된 제1 궤적 정보와 결정된 제2 궤적 정보를 이용하여 메인 궤적 정보를 결정할 수 있다. 예를 들어, 차선 검출기(210)는 결정된 제1 궤적 정보와 결정된 제2 궤적 정보를 통합하여 메인 궤적 정보를 결정할 수 있다. 이에 대해선 도 7을 통해 자세히 설명한다.
차선 검출기(210)는 메인 궤적 정보에서 라인 피팅(line fitting)과 관련된 파라미터를 추출 또는 획득할 수 있다. 라인 피팅과 관련된 파라미터는 라인 피팅 함수(또는 라인 피팅 방정식)(예: 다항 함수 또는 선형 함수)의 계수 및/또는 상수를 포함할 수 있다. 예를 들어, 라인 피팅 함수가 "ax2 + bx + c"와 같은 2차 함수인 경우, 라인 피팅과 관련된 파라미터는 라인 피팅 함수의 계수 a, 계수 b, 및 상수 c를 포함할 수 있다.
차선 검출기(210)는 메인 궤적 정보에 RANSAC(RANdom SAmple Consensus)을 수행하여, 메인 궤적 정보에서 라인 피팅과 관련된 하나 이상의 파라미터를 추출 또는 획득할 수 있다.
차선 검출기(210)는 차선 템플릿들 중 추출된 파라미터와 유사성이 있는 파라미터를 가진 차선 템플릿을 후보 차선 템플릿으로 결정할 수 있다. 후보 차선 템플릿의 결정에 대해선 도 8을 통해 자세히 설명한다.
차선 검출기(210)는 후보 차선 템플릿을 조정하여 복수의 조정 차선 템플릿들을 생성할 수 있다. 예를 들어, 차선 검출기(210)는 후보 차선 템플릿에 변환(transformations)(예: 이동(translation), 회전(rotation) 등의 기하학적(geometric) 변환) 또는 자차(101)의 카메라의 움직임(예: 피치(pitch) 움직임)을 고려한 조정 중 적어도 하나를 수행하여 조정 차선 템플릿들을 생성할 수 있다. 실시 예에 따라, 차선 검출기(210)는 후보 차선 템플릿에 리사이즈(또는 스케일링) 및/또는 반사(reflection)를 수행하거나 후보 차선 템플릿에 노이즈를 인가함으로써 조정 차선 템플릿들을 생성할 수 있다. 여기서, 반사는 후보 차선 템플릿의 거울 이미지를 획득하는 기하학적 변환을 나타낼 수 있다. 후보 차선 템플릿을 조정하는 내용에 대해선 도 9를 통해 자세히 설명한다.
차선 검출기(210)는 입력 이미지(예: 현재 프레임의 이미지)를 기초로 차선 특징을 획득할 수 있다. 예를 들어, 차선 검출기(210)는 입력 이미지에 이미지 세그먼테이션(image segmentation)을 수행하여 차선 특징(예: 차선에 해당하는 세그먼테이션 이미지)을 획득할 수 있다.
차선 검출기(210)는 차선 특징을 조정 차선 템플릿들 각각에 오버랩하여 오버랩 차선 탬플릿들을 생성할 수 있다. 차선 검출기(210)는 조정 차선 템플릿들 각각과 획득된 차선 특징에 비트와이즈 앤드(bitwise AND) 연산을 수행할 수 있다. 차선 검출기(210)는 각 비트와이즈 앤드 연산 결과로부터 조정 차선 템플릿들 각각과 차선 특징 사이에 매칭되는 픽셀들의 개수를 파악할 수 있다. 차선 검출기(210)는 파악된 각 개수를 오버랩 차선 템플릿들 각각의 스코어(또는 매칭 스코어)로 결정할 수 있다. 차선 검출기(210)는 오버랩 차선 템플릿들 중 스코어(또는 매칭 스코어)가 가장 높은 오버랩 차선 템플릿을 차선으로 결정할 수 있다. 이에 대해선 도 10을 통해 자세히 설명한다.
자차(101)의 ADAS/AD 시스템은 결정된 차선을 기초로 동작(예: ACC(Adaptive Cruise Control), AEB(Autonomous Emergency Braking), LKA(Lane Keeping Assistance) 등)을 수행할 수 있다.
GPS 오작동 또는 GPS 신호 수신 불가로 인해 고정밀 지도를 사용하는 것이 불가능한 경우, 도로가 변화되었으나 지도 정보에 반영되어 있지 않은 경우, 입력 이미지로부터 잘못된 차선 특징을 검출하는 경우, 입력 이미지로부터 차선 특징을 검출하지 못한 경우, 또는 입력 이미지로부터 차선 특징을 검출하였으나 정보량이 많지 않은 경우 등 다양한 상황이 발생할 수 있다. 이러한 상황에서, 일 실시 예에 따른 차선 검출기(210)(또는 ADAS/AD 시스템)은 안정적으로 차선 검출을 수행할 수 있고, 자차(101)가 안전 주행하도록 할 수 있다.
도 3 내지 도 4는 일 실시 예에 따른 차선 검출기가 동적 궤적 정보를 결정하는 예시를 설명하는 도면이다.
도 3을 참조하면, 자차(101)와 주변 차량들(310, 311, 312, 313)이 도시된다.
차선 검출기(210)는 카메라(220)를 이용하여 매 프레임 마다 입력 이미지를 획득할 수 있다.
차선 검출기(210)는 t-2 프레임의 입력 이미지에서 차량들(310, 311, 312, 313)을 인식할 수 있다. 차선 검출기(210)는 t-2 프레임에서 차량들(310, 311, 312, 313) 각각의 위치(또는 좌표)를 계산할 수 있다. 차량들(310, 311, 312, 313) 각각의 위치는 예를 들어 자차(101)에 대한 차량들(310, 311, 312, 313) 각각의 상대 위치(또는 상대 좌표)를 포함할 수 있으나 이에 제한되지 않는다.
차선 검출기(210)는 t-1 프레임의 입력 이미지에서 차량들(310, 311, 312, 313)을 인식할 수 있다. 차선 검출기(210)는 t-1 프레임에서 차량들(310, 311, 312, 313) 각각의 위치(또는 좌표)를 계산할 수 있다.
차선 검출기(210)는 t 프레임의 입력 이미지에서 차량들(310, 311, 312, 313)을 인식할 수 있다. 차선 검출기(210)는 t 프레임에서 차량들(310, 311, 312, 313) 각각의 위치(또는 좌표)를 계산할 수 있다.
도 3에 도시된 예에서, t 프레임은 현재 프레임에 해당할 수 있고, t-1 프레임과 t-2 프레임은 이전 프레임들에 해당할 수 있다.
차선 검출기(210)는 각 프레임에서의 차량들(310, 311, 312, 313) 각각의 계산된 위치를 통해 차량들(310, 311, 312, 313) 각각의 주행 궤적을 결정할 수 있다. 차선 검출기(210)는 자차(101)를 기준점(reference point)으로 설정할 수 있고, 결정된 각 주행 궤적을 자차(101)(즉, 기준점)로 이동시킬 수 있다. 도로 상에서 차량들(310, 311, 312, 313)은 서로 다른 위치에 있어, 결정된 각 주행 궤적의 시작 위치는 서로 다를 수 있다. 예를 들어, 차량(310)의 주행 궤적(310-1)의 시작 위치는 차량들(311, 312, 313) 각각의 주행 궤적의 시작 위치와 다를 수 있다. 차선 검출기(210)는 결정된 각 주행 궤적을 기준점으로 설정된 자차(101)로 이동(또는 평행 이동)시켜, 결정된 각 주행 궤적의 시작 위치가 동일하도록 할 수 있다.
차선 검출기(210)는 이동된 각 주행 궤적의 평균 주행 궤적을 결정할 수 있다. 차선 검출기(210)는 이동된 각 주행 궤적을 프레임 별로 어그리게이션(aggregation)할 수 있다. 평균 주행 궤적(또는 어그리케이션 결과)의 예시가 도 4에 도시된다. 도 4에 도시된 예에서, 차선 검출기(210)는 차량(310)의 결정된 주행 궤적을 기준점으로 설정된 자차(101)로 이동시키는 경우 t 프레임 내지 t-5 프레임 각각에서의 차량(310)의 위치(또는 좌표) 역시 이동할 수 있다. 이와 마찬가지로, 차선 검출기(210)는 차량들(311, 312, 313) 각각의 결정된 주행 궤적을 기준점으로 설정된 자차(101)로 이동시키는 경우 t 프레임 내지 t-5 프레임 각각에서의 차량들(311, 312, 313) 각각의 위치(또는 좌표) 역시 이동할 수 있다.
차선 검출기(210)는 t-5 프레임에서의 차량들(310, 311, 312, 313) 각각의 이동된 위치(또는 좌표)의 평균치를 계산할 수 있고, t-4 프레임에서의 차량들(310, 311, 312, 313) 각각의 이동된 위치(또는 좌표)의 평균치를 계산할 수 있으며, 차선 검출기(210)는 t-3 프레임에서의 차량들(310, 311, 312, 313) 각각의 이동된 위치(또는 좌표)의 평균치를 계산할 수 있다. 차선 검출기(210)는 t-2 프레임에서의 차량들(310, 311, 312, 313) 각각의 이동된 위치(또는 좌표)의 평균치를 계산할 수 있고, t-1 프레임에서의 차량들(310, 311, 312, 313) 각각의 이동된 위치(또는 좌표)의 평균치를 계산할 수 있으며, 차선 검출기(210)는 t 프레임에서의 차량들(310, 311, 312, 313) 각각의 이동된 위치(또는 좌표)의 평균치를 계산할 수 있다. 차선 검출기(210)는 계산된 각 평균치를 통해 차량들(310, 311, 312, 313)의 평균 주행 궤적을 계산할 수 있고, 평균 주행 궤적을 차량들(310, 311, 312, 313)의 제1 궤적 정보(또는 동적 궤적 정보)(410)로 결정할 수 있다.
도 5 내지 도 6은 일 실시 예에 따른 차선 검출기가 정적 궤적 정보를 결정하는 예시를 설명하는 도면이다.
도 5를 참조하면, 자차(101)의 레이더 센서(230)는 레이더 신호를 방사할 수 있다. 레이더 신호는 동적 객체(예: 차량들(501, 502)), 정적 객체, 및 주변 환경에 의해 반사될 수 있고, 레이더 센서(230)는 반사된 레이더 신호를 수신할 수 있다.
레이더 센서(230)는 레이더 신호와 반사된 레이더 신호를 이용하여 레이더 데이터를 생성할 수 있고, 레이더 데이터를 차선 검출기(210)로 전달할 수 있다.
차선 검출기(210)는 레이더 데이터로부터 정지 상태에 해당하는 정적 포인트들을 검출할 수 있다. 예를 들어, 차선 검출기(210)는 레이더 데이터로부터 속도 성분이 0을 갖는 정적 포인트들을 검출할 수 있다.
차선 검출기(210)는 검출된 정적 포인트들 중에서 라인 형태(line shape)로 연속성이 있는 정적 포인트들에 클러스터링을 수행할 수 있다. 도 5에 도시된 예에서, 차선 검출기(210)는 정적 포인트들(510)을 클러스터링할 수 있다. 차선 검출기(210)는 정적 포인트(520)와 정적 포인트(530) 각각은 라인 형태로 연속성이 있는 정적 포인트에 해당되지 않아, 정적 포인트(520)와 정적 포인트(530)를 클러스터링하지 않을 수 있다.
차선 검출기(210)는 클러스터링된 포인트들(510)의 라인 형태를 유지한 상태에서, 클러스터링된 포인트들(510)을 자차(101)로 이동(또는 평행 이동)할 수 있다. 이동 결과의 예시가 도 6에 도시된다. 도 6에 도시된 예에서, 차선 검출기(210)는 이동된 정적 포인트들(510)을 주변 환경에 대한 제2 궤적 정보(또는 형태 정보)(610)로 결정할 수 있다.
도 7은 일 실시 예에 따른 차선 검출기가 메인 궤적 정보를 결정하는 예시를 설명하는 도면이다.
도 7을 참조하면, 도 4를 통해 설명한 제1 궤적 정보(410)와 도 6을 통해 설명한 제2 궤적 정보(610)가 도시된다.
차량 검출기(210)는 제1 궤적 정보(410)와 제2 궤적 정보(610)를 통합하여 메인 궤적 정보를 결정할 수 있다. 도 7의 라인(710)은 메인 궤적 정보의 피팅 라인에 해당할 수 있다.
도 8은 일 실시 예에 따른 차선 검출기가 후보 차선 템플릿을 결정하는 예시를 설명하는 도면이다.
일 실시 예에 있어서, 차선 검출기(210)는 메인 궤적 정보에서 라인 피팅과 관련된 파라미터를 추출할 수 있다. 차선 검출기(210)는 복수의 차선 템플릿들 중 추출된 파라미터와 유사성이 있는 파라미터를 가진 차선 템플릿을 후보 차선 템플릿으로 결정할 수 있다. 복수의 차선 템플릿들의 예시가 도 8에 도시된다.
도 8에 도시된 차선 템플릿들(800)은 라인 피팅과 관련된 파라미터 또는 라인 형태 정보를 가질 수 있다. 차선 검출기(210)는 메인 궤적 정보에서 추출된 파라미터와 차선 템플릿들(800) 각각의 라인 피팅과 관련된 파라미터 사이의 유사도를 계산 또는 결정할 수 있다. 달리 표현하면, 차선 검출기(210)는 메인 궤적 정보와 차선 템플릿들(800) 각각의 라인 형태 정보 사이의 유사도를 계산 또는 결정할 수 있다. 예를 들어, 차선 검출기(210)는 메인 궤적 정보에서 추출된 파라미터와 차선 템플릿들(800) 각각의 라인 피팅과 관련된 파라미터 사이의 거리(예: 유클리디안 거리(Euclidean distance) 등)를 계산할 수 있다.
차선 검출기(210)는 계산된 각 유사도(예: 계산된 각 거리)와 임계값을 비교할 수 있다. 차선 검출기(210)는 차선 템플릿들(800) 중 유사도가 임계값 이상인 차선 템플릿을 후보 차선 템플릿으로 결정 또는 선정할 수 있다. 도 8에 도시된 예에서, 차선 검출기(210)는 차선 템플릿#1(810)의 라인 피팅과 관련된 파라미터와 메인 궤적 정보에서 추출된 파라미터 사이의 유사도(또는 거리)를 "N1"으로 계산할 수 있고, 차선 템플릿#2(820)의 라인 피팅과 관련된 파라미터와 메인 궤적 정보에서 추출된 파라미터 사이의 유사도(또는 거리)를 "N2"로 계산할 수 있다. 차선 검출기(210)는 차선 템플릿#3(830)의 라인 피팅과 관련된 파라미터와 메인 궤적 정보에서 추출된 파라미터 사이의 유사도(또는 거리)를 "N3"으로 계산할 수 있고, 차선 템플릿#4(840)의 라인 피팅과 관련된 파라미터와 메인 궤적 정보에서 추출된 파라미터 사이의 유사도(또는 거리)를 "N4"로 계산할 수 있으며, 차선 템플릿#5(850)의 라인 피팅과 관련된 파라미터와 메인 궤적 정보에서 추출된 파라미터 사이의 유사도(또는 거리)를 "N5"로 계산할 수 있다. N1 내지 N5 중에서, N4가 임계값 이상인 경우, 차선 검출기(210)는 차선 템플릿#4(840)을 후보 차선 템플릿으로 결정할 수 있다. 차선 템플릿#4(840)은 메인 궤적 정보(또는 메인 궤적 정보의 피팅 라인(710))와 유사한 라인 형태 정보를 가질 수 있다.
도 9는 일 실시 예에 따른 차선 검출기가 후보 차선 템플릿을 조정하는 예시를 설명하는 도면이다.
도 9를 참조하면, 후보 차선 템플릿(901)(예: 도 8의 차선 템플릿#4(840))이 도시된다.
도 9에 하나의 후보 차선 템플릿(901)이 도시되어 있으나 이는 예시적인 사항일 뿐, 차선 검출기(210)는 복수의 후보 차선 템플릿들을 결정할 수 있다.
차선 검출기(210)는 후보 차선 템플릿(901)을 조정(adjust)(또는 미세조정(refinement))하여 복수의 조정 차선 템플릿들(예: 도 9의 조정 차선 템플릿들(910))을 생성할 수 있다.
일 실시 예에 있어서, 차선 검출기(210)는 후보 차선 템플릿(901)에 변환(예: 이동(translation), 회전(rotation) 등)을 수행하여 하나 이상의 조정 차선 템플릿을 생성할 수 있다.
예를 들어, 차선 검출기(210)는 후보 차선 템플릿(901)에 이동(translation)을 수행하여 하나 이상의 조정 차선 템플릿(예: 이동된 차선 템플릿)을 생성할 수 있다. 차선 검출기(210)는 후보 차선 템플릿(901)을 좌(left)로 translation 값만큼 이동(translation)시켜 조정 차선 템플릿(911)을 생성할 수 있다. 차선 검출기(210)는 후보 차선 템플릿(901)을 우(right)로 translation 값만큼 이동(translation)시켜 조정 차선 템플릿(912)을 생성할 수 있다. 차선 검출기(210)는 translation 값을 변화시켜 가면서 후보 차선 템플릿(901)에 이동(translation)을 수행함으로써, 조정 차선 템플릿들(911, 912)과 다른 조정 차선 템플릿들을 생성할 수 있다.
예를 들어, 차선 검출기(210)는 후보 차선 템플릿(901)에 회전(rotation)을 수행하여 하나 이상의 조정 차선 템플릿(예: 회전된 차선 템플릿)할 수 있다. 차선 검출기(210)가 후보 차선 템플릿(901)에 제1 각도 만큼 회전을 수행하여 조정 차선 템플릿(913)을 생성할 수 있다. 차선 검출기(210)는 후보 차선 템플릿(901)에 제2 각도만큼 회전을 수행하여 조정 차선 템플릿(914)을 생성할 수 있다. 차선 검출기(210)는 후보 차선 템플릿(901)을 여러 각도로 회전시켜 조정 차선 템플릿들(913, 914)과 다른 조정 차선 템플릿들을 생성할 수 있다.
도 9에 도시되지 않았으나, 차선 검출기(210)는 후보 차선 템플릿에 리사이즈(또는 스케일링) 및/또는 반사(reflection)를 수행하거나 후보 차선 템플릿에 노이즈를 인가함으로써 하나 이상의 조정 차선 템플릿을 생성할 수 있다.
일 실시 예에 있어서, 차선 검출기(210)는 자차(101)의 카메라의 움직임(예: pitch 움직임)을 고려한 조정을 수행하여 하나 이상의 조정 차선 템플릿을 생성할 수 있다.
예를 들어, 차선 검출기(210)는 카메라가 지면을 향해 pitch 각도만큼 회전한 상태를 고려하여 후보 차선 템플릿(901)을 조정함으로써 조정 차선 템플릿(915)을 생성할 수 있다. 차선 검출기(210)는 후보 차선 템플릿(901)의 d1을 증가시키고 d2를 감소시켜 조정 차선 템플릿(915)을 생성할 수 있다. pitch 각도가 클수록 d1이 증가할 수 있고, d2가 감소할 수 있다.
예를 들어, 차선 검출기(210)는 카메라가 하늘을 향해 pitch 각도만큼 회전한 상태를 고려하여 후보 차선 템플릿(901)을 조정함으로써 조정 차선 템플릿(916)을 생성할 수 있다. 차선 검출기(210)는 후보 차선 템플릿(901)의 d1을 감소시키고 d2를 증가시켜 조정 차선 템플릿(916)을 생성할 수 있다. pitch 각도가 클수록 d2가 증가할 수 있고, d1이 감소할 수 있다.
도 9를 통해 설명한 조정 이외에 차선 검출기(210)는 후보 차선 템플릿(901)에 다양한 기하학적 변환을 수행하여 조정 차선 템플릿들을 생성할 수 있다.
도 10은 일 실시 예에 따른 차선 검출기가 차선을 결정하는 예시를 설명하는 도면이다.
도 10을 참조하면, 차선 특징(예: 차선에 해당하는 세그먼테이션 이미지)(1010)와 조정 차선 템플릿(1020)이 도시된다.
차선 검출기(210)는 현재 프레임(예: t 프레임)에 이미지 세그먼테이션을 수행하여 차선 특징(1010)을 획득할 수 있다.
차선 검출기(210)는 차선 특징(1010)과 복수의 조정 차선 템플릿들 각각의 오버랩을 통해 차선 특징(1010)과 복수의 조정 차선 템플릿들 각각 사이의 유사도를 결정할 수 있다.
일 실시 예에 있어서, 차선 검출기(210)는 차선 특징(1010)과 복수의 조정 차선 템플릿들(예: 도 9의 조정 차선 템플릿들(910)) 각각을 오버랩시켜 복수의 오버랩 차선 템플릿들을 생성할 수 있다. 예를 들어, 차선 검출기(210)는 차선 특징(1010)과 조정 차선 템플릿(1020)을 오버랩시켜 오버랩 차선 템플릿(1030)을 생성할 수 있다. 도 9에 도시되지 않았으나, 차선 특징(1010)과 나머지 조정 차선 템플릿들 각각을 오버랩시켜 오버랩 차선 템플릿들을 생성할 수 있다.
차선 검출기(210)는 조정 차선 템플릿(1020)과 차선 특징(1010)에 비트와이즈 앤드(bitwise AND) 연산을 수행할 수 있다. 조정 차선 템플릿(1020)과 차선 특징(1010)의 비트와이즈 앤드 연산의 결과(1040)가 도 10에 도시된다. 차선 검출기(210)는 비트와이즈 앤드 연산의 결과(1040)를 기초로 오버랩 차선 템플릿(1030)의 스코어(또는 매칭 스코어)를 계산할 수 있다. 예를 들어, 차선 검출기(210)는 비트와이즈 앤드 연산의 결과(1040)로부터 조정 차선 템플릿(1020)과 차선 특징(1010) 사이에 매칭되는 픽셀들의 개수를 파악할 수 있고, 파악된 개수를 오버랩 차선 템플릿(1030)의 스코어(또는 매칭 스코어)로 결정할 수 있다. 오버랩 차선 템플릿(1030)의 스코어는 조정 차선 템플릿(1020)과 차선 특징(1010) 사이의 유사도에 해당할 수 있다. 이와 유사하게, 차선 검출기(210)는 나머지 조정 차선 템플릿들 각각과 차선 특징(1010)에 비트와이즈 앤드 연산을 수행할 수 있다. 차선 검출기(210)는 각 비트와이즈 앤드 연산의 결과를 기초로 나머지 오버랩 차선 템플릿들 각각의 스코어(또는 매칭 스코어)를 계산할 수 있다.
실시 예에 따라, 차선 검출기(210)는 후보 차선 템플릿(901)과 차선 특징(1010)을 오버랩하여 오버랩 차선 템플릿을 생성할 수 있고, 후보 차선 템플릿(901)과 차선 특징(1010)에 비트와이즈 앤드 연산을 수행할 수 있다. 차선 검출기(210)는 비트와이즈 앤드 연산의 결과를 기초로 오버랩 차선 템플릿의 스코어(또는 매칭 스코어)를 계산할 수 있다.
차선 검출기(210)는 차선 특징(1010)과 가장 큰 유사도를 갖는 조정 차선 템플릿에 차선 특징(1010)이 오버랩된 오버랩 차선 템플릿(1030)을 차선으로 결정할 수 있다. 차선 검출기(210)는 계산된 스코어들 중 가장 높은 스코어를 갖는 오버랩 차선 템플릿을 차선으로 결정할 수 있다. 예를 들어, 차선 검출기(210)는 오버랩 차선 템플릿들 중 오버랩 차선 템플릿(1030)의 스코어가 가장 높은 경우 오버랩 차선 템플릿(1030)을 t 프레임에서의 차선으로 결정할 수 있다.
차선 검출기(210)는 차선이 결정된 이후에 차선 타입(lane type)이 변경되는지 여부를 결정할 수 있다. 차선 검출기(210)는 다음 프레임(예: t+1 프레임)의 입력 이미지를 기초로 하나 이상의 동적 객체에 대한 제1 궤적 정보를 결정할 수 있다. 차선 검출기(210)는 레이더 데이터로부터 주변 환경에 대한 제2 궤적 정보를 결정할 수 있다. 차선 검출기(210)는 제1 궤적 정보와 제2 궤적 정보를 통합하여 메인 궤적 정보(이하, "제2 메인 궤적 정보"라 지칭함)를 결정할 수 있다. 차선 검출기(210)는 제2 메인 궤적 정보에서 라인 피팅과 관련된 파라미터를 추출할 수 있고, 추출된 파라미터와 t 프레임에서의 오버랩 차선 템플릿(예: 오버랩 차선 템플릿(1030))의 라인 피팅과 관련된 파라미터 사이의 차이가 임계값 이상인지 여부를 결정할 수 있다. 전술한 차이가 임계값 미만인 경우, 차선 검출기(210)는 차선 타입이 변경되지 않은 것으로 결정할 수 있고, t 프레임에서 차선으로 사용된 오버랩 차선 템플릿을 t+1 프레임에서 차선으로 계속 사용할 수 있다. 전술한 차이가 임계값 이상인 경우, 차선 검출기(210)는 차선 타입이 변경된 것으로 결정할 수 있다. 일례로, 차선 검출기(210)는 직진 구간에서 커브 구간으로 차선 타입이 변경된 것을 결정(또는 검출)할 수 있다.
차선 검출기(210)는 차선 타입이 변경된 것으로 결정된 경우, 제2 메인 궤적 정보를 기초로 차선 템플릿들(예: 도 8의 차선 템플릿들(800)) 중에서 하나 이상의 후보 차선 템플릿(이하, "제2 후보 차선 템플릿"이라 지칭함)을 결정할 수 있다. 차선 검출기(210)는 차선 타입이 변경된 것으로 결정된 경우, t 프레임에서 차선으로 사용된 오버랩 차선 템플릿을 차선 템플릿들(예: 도 8의 차선 템플릿들(800))에 추가할 수 있다. 이로써, 주행 중에 실제 도로 특성이 반영된 차선 템플릿이 생성 및 저장될 수 있다.
차선 검출기(210)는 제2 후보 차선 템플릿을 조정하여 조정 차선 템플릿들(이하, "제2 조정 차선 템플릿들"이라 지칭함)을 생성할 수 있다.
차선 검출기(210)는 t+1 프레임의 입력 이미지(이하, 제2 입력 이미지)로부터 차선 특징을 획득할 수 있고, 획득된 차선 특징을 제2 조정 차선 템플릿들 각각에 오버랩하여 오버랩 차선 탬플릿들(이하, "제2 오버랩 차선 템플릿들"이라 지칭함)을 생성할 수 있다.
차선 검출기(210)는 제2 오버랩 차선 템플릿들 중 스코어가 가장 높은 제2 오버랩 차선 템플릿을 t+1 프레임에서의 차선으로 결정할 수 있다.
도 11은 일 실시 예에 따른 전자 장치를 설명하는 블록도이다.
도 11의 전자 장치(1100)는 차선 검출기(210) 또는 자차(101)의 ADAS/AD 시스템을 구현할 수 있다.
도 11을 참조하면, 전자 장치(1100)는 프로세서(1110) 및 메모리(1120)를 포함할 수 있다.
프로세서(1110)는 차선 검출기(210)의 동작을 수행할 수 있다.
메모리(1120)는 복수의 차선 템플릿들(예: 도 8의 차선 템플릿들(800))을 저장할 수 있다. 메모리(1120)는 프로세서(1110)의 연산 결과 또는 동작 결과를 저장할 수 있다.
프로세서(1110)는 차량(예: 자차(101))의 주변의 하나 이상의 동적 객체의 제1 궤적 정보 및 차량의 주변 환경에 관한 제2 궤적 정보를 기초로 메인 궤적 정보를 결정할 수 있다.
프로세서(1110)는 결정된 메인 궤적 정보를 기초로 메모리(1120)에 저장된 차선 템플릿들 중에서 하나 이상의 후보 차선 템플릿(예: 도 9의 후보 차선 템플릿(901))을 결정할 수 있다.
프로세서(1110)는 결정된 후보 차선 템플릿을 조정하여 조정 차선 템플릿들(예: 도 9의 조정 차선 템플릿들(910))을 생성할 수 있다.
프로세서(1110)는 입력 이미지(예: 현재 프레임의 입력 이미지)를 기초로 획득된 차선 특징(예: 도 10의 차선 특징(1010))과 생성된 조정 차선 템플릿들 각각의 오버랩을 통해 차선 특징과 생성된 조정 차선 템플릿들 각각 사이의 유사도(예: 스코어)를 결정할 수 있다. 예를 들어, 프로세서(1110)는 생성된 조정 차선 템플릿들 각각과 차선 특징 사이에 매칭되는 픽셀들의 개수를 파악할 수 있고, 파악된 각 픽셀 개수를 차선 특징과 생성된 조정 차선 템플릿들 각각 사이의 유사도로 결정할 수 있다.
프로세서(1110)는 차선 특징과 가장 큰 유사도를 갖는 조정 차선 템플릿에 차선 특징이 오버랩된 오버랩 차선 템플릿(예: 도 10의 오버랩 차선 템플릿(1030))을 차선으로 결정할 수 있다.
프로세서(1110)는 차선이 결정된 이후에 결정된 제2 메인 궤적 정보 및 결정된 차선에 해당하는 오버랩 차선 템플릿을 기초로 차선 타입이 변경되는지 여부를 결정할 수 있다. 프로세서(1110)는 차선 타입이 변경된 것으로 결정된 경우, 결정된 제2 메인 궤적 정보를 기초로 차선 템플릿들 중에서 하나 이상의 제2 후보 차선 템플릿을 결정할 수 있다. 프로세서(1110)는 결정된 제2 후보 차선 템플릿을 조정하여 제2 조정 차선 템플릿들을 생성할 수 있다. 프로세서(1110)는 제2 입력 이미지를 기초로 획득된 제2 차선 특징과 생성된 제2 조정 차선 템플릿들 각각의 오버랩을 통해 제2 차선 특징과 생성된 제2 조정 차선 템플릿들 각각 사이의 유사도(예: 스코어)를 결정할 수 있다. 프로세서(1110)는 제2 차선 특징과 가장 큰 유사도를 갖는 제2 조정 차선 템플릿에 제2 차선 특징이 오버랩된 제2 오버랩 차선 템플릿을 차선으로 결정할 수 있다.
도 1 내지 도 10을 통해 설명한 실시 예는 도 11의 전자 장치(1100)에 적용될 수 있다.
도 12는 일 실시 예에 따른 차선 검출 방법을 설명하는 흐름도이다.
도 12의 차선 검출 방법은 전자 장치(1100)에 의해 수행될 수 있다.
도 12를 참조하면, 단계 1210에서, 전자 장치(1100)는 차량(예: 자차(101))의 주변의 하나 이상의 동적 객체의 제1 궤적 정보 및 차량의 주변 환경에 관한 제2 궤적 정보를 기초로 메인 궤적 정보를 결정할 수 있다.
단계 1220에서, 전자 장치(1100)는 결정된 메인 궤적 정보를 기초로 차선 템플릿들 중에서 하나 이상의 후보 차선 템플릿을 결정할 수 있다.
단계 1230에서, 전자 장치(1100)는 결정된 후보 차선 템플릿을 조정하여 조정 차선 템플릿들을 생성할 수 있다.
단계 1240에서, 전자 장치(1100)는 입력 이미지를 기초로 획득된 차선 특징과 생성된 조정 차선 템플릿들 각각의 오버랩을 통해 차선 특징과 생성된 조정 차선 템플릿들 각각 사이의 유사도를 결정할 수 있다.
단계 1250에서, 전자 장치(1100)는 차선 특징과 가장 큰 유사도를 갖는 조정 차선 템플릿에 차선 특징이 오버랩된 오버랩 차선 템플릿을 차선으로 결정할 수 있다.
도 1 내지 도 11을 통해 설명한 실시 예는 도 12의 차선 검출 방법에 적용될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (20)

  1. 전자 장치에 의해 수행되는 차선(lane) 검출 방법에 있어서,
    차량의 주변의 하나 이상의 동적(dynamic) 객체의 제1 궤적(trajectory) 정보 및 상기 차량의 주변 환경에 관한 제2 궤적 정보를 기초로 메인 궤적 정보를 결정하는 단계;
    상기 결정된 메인 궤적 정보를 기초로 복수의 차선 템플릿들 중에서 하나 이상의 후보 차선 템플릿(candidate lane template)을 결정하는 단계;
    상기 결정된 후보 차선 템플릿을 조정하여 조정 차선 템플릿들을 생성하는 단계;
    입력 이미지를 기초로 획득된 차선 특징(lane feature)과 상기 생성된 조정 차선 템플릿들 각각의 오버랩을 통해 상기 차선 특징과 상기 생성된 조정 차선 템플릿들 각각 사이의 유사도를 결정하는 단계; 및
    상기 차선 특징과 가장 큰 유사도를 갖는 조정 차선 템플릿에 상기 차선 특징이 오버랩된 오버랩 차선 템플릿을 차선으로 결정하는 단계
    를 포함하는,
    차선 검출 방법.
  2. 제1항에 있어서,
    상기 메인 궤적 정보를 결정하는 단계는,
    상기 제1 궤적 정보와 상기 제2 궤적 정보를 통합하여 상기 메인 궤적 정보를 결정하는 단계
    를 포함하는,
    차선 검출 방법.
  3. 제1항에 있어서,
    복수의 동적 객체들을 인식한 경우, 상기 인식된 동적 객체들 각각의 이동 경로를 결정하는 단계; 및
    상기 결정된 각 이동 경로를 이용하여 상기 제1 궤적 정보를 결정하는 단계
    를 더 포함하는,
    차선 검출 방법.
  4. 제1항에 있어서,
    레이더 센서를 통해 획득한 레이더 데이터로부터 정지 상태에 해당하는 정적(static) 포인트들을 검출하는 단계;
    상기 검출된 포인트들 중 연속성이 있는 포인트들에 클러스터링을 수행하는 단계; 및
    상기 클러스터링의 결과를 통해 상기 제2 궤적 정보를 결정하는 단계
    를 더 포함하는,
    차선 검출 방법.
  5. 제1항에 있어서,
    상기 후보 차선 템플릿을 결정하는 단계는,
    상기 메인 궤적 정보에서 라인 피팅(line fitting)과 관련된 파라미터를 추출하는 단계; 및
    상기 차선 템플릿들 중 상기 추출된 파라미터와 유사성이 있는 파라미터를 가진 차선 템플릿을 상기 후보 차선 템플릿으로 결정하는 단계
    를 포함하는,
    차선 검출 방법.
  6. 제1항에 있어서,
    상기 조정 차선 템플릿들을 생성하는 단계는,
    상기 결정된 후보 차선 템플릿에 변환(transformations) 또는 상기 차량의 카메라의 움직임을 고려한 조정 중 적어도 하나를 수행하여 상기 조정 차선 템플릿들을 생성하는 단계
    를 포함하는,
    차선 검출 방법.
  7. 제6항에 있어서,
    상기 변환은 기하학적 변환(geometric transformation)을 포함하는,
    차선 검출 방법.
  8. 제1항에 있어서,
    상기 유사도를 결정하는 단계는,
    상기 생성된 조정 차선 템플릿들 각각과 상기 차선 특징 사이에 매칭되는 픽셀들의 개수를 파악하는 단계; 및
    상기 파악된 각 개수를 상기 차선 특징과 상기 생성된 조정 차선 템플릿들 각각 사이의 유사도로 결정하는 단계
    를 포함하는,
    차선 검출 방법.
  9. 제1항에 있어서,
    상기 차선이 결정된 이후에 결정된 제2 메인 궤적 정보 및 상기 오버랩 차선 템플릿을 기초로 차선 타입이 변경되는지 여부를 결정하는 단계;
    상기 차선 타입이 변경된 것으로 결정된 경우, 상기 결정된 제2 메인 궤적 정보를 기초로 상기 차선 템플릿들 중에서 하나 이상의 제2 후보 차선 템플릿을 결정하는 단계;
    상기 결정된 제2 후보 차선 템플릿을 조정하여 제2 조정 차선 템플릿들을 생성하는 단계;
    제2 입력 이미지를 기초로 획득된 제2 차선 특징과 상기 생성된 제2 조정 차선 템플릿들 각각의 오버랩을 통해 상기 제2 차선 특징과 상기 생성된 제2 조정 차선 템플릿들 각각 사이의 유사도를 결정하는 단계; 및
    상기 제2 차선 특징과 가장 큰 유사도를 갖는 제2 조정 차선 템플릿에 상기 제2 차선 특징이 오버랩된 제2 오버랩 차선 템플릿을 차선으로 결정하는 단계
    를 더 포함하는,
    차선 검출 방법.
  10. 제9항에 있어서,
    상기 차선 타입이 변경되는지 여부를 결정하는 단계는,
    상기 결정된 제2 메인 궤적 정보에서 라인 피팅과 관련된 파라미터를 추출하는 단계;
    상기 오버랩 차선 템플릿의 상기 라인 피팅과 관련된 파라미터와 상기 추출된 파라미터 사이의 차이가 임계값 이상인지 여부를 결정하는 단계; 및
    상기 차이가 상기 임계값 미만인 경우, 상기 차선 타입이 변경된 것으로 결정하는 단계
    를 포함하는,
    차선 검출 방법.
  11. 제9항에 있어서,
    상기 차선 타입이 변경되지 않은 것으로 결정된 경우, 상기 오버랩 차선 템플릿을 상기 차선으로 유지하는 단계
    를 더 포함하는,
    차선 검출 방법.
  12. 전자 장치에 있어서,
    복수의 차선 템플릿들을 저장하는 메모리; 및
    차량의 주변의 하나 이상의 동적 객체의 제1 궤적 정보 및 상기 차량의 주변 환경에 관한 제2 궤적 정보를 기초로 메인 궤적 정보를 결정하고, 상기 결정된 메인 궤적 정보를 기초로 상기 차선 템플릿들 중에서 하나 이상의 후보 차선 템플릿을 결정하며, 상기 결정된 후보 차선 템플릿을 조정하여 조정 차선 템플릿들을 생성하고, 입력 이미지를 기초로 획득된 차선 특징과 상기 생성된 조정 차선 템플릿들 각각의 오버랩을 통해 상기 차선 특징과 상기 생성된 조정 차선 템플릿들 각각 사이의 유사도를 결정하고, 상기 차선 특징과 가장 큰 유사도를 갖는 조정 차선 템플릿에 상기 차선 특징이 오버랩된 오버랩 차선 템플릿을 차선으로 결정하는 프로세서
    를 포함하는,
    전자 장치.
  13. 제12항에 있어서,
    상기 프로세서는,
    상기 제1 궤적 정보와 상기 제2 궤적 정보를 통합하여 상기 메인 궤적 정보를 결정하는,
    전자 장치.
  14. 제12항에 있어서,
    상기 프로세서는,
    복수의 동적 객체들을 인식한 경우, 상기 인식된 동적 객체들 각각의 이동 경로를 결정하고, 상기 결정된 각 이동 경로를 어그리게이션하여 상기 제1 궤적 정보를 결정하는,
    전자 장치.
  15. 제12항에 있어서,
    상기 프로세서는,
    상기 차량의 레이더 센서로부터 레이더 데이터를 수신하고, 상기 수신된 레이더 데이터로부터 정지 상태에 해당하는 정적 포인트들을 검출하며, 상기 검출된 포인트들 중 연속성이 있는 포인트들에 클러스터링을 수행하고, 상기 클러스터링의 결과를 통해 상기 제2 궤적 정보를 결정하는,
    전자 장치.
  16. 제12항에 있어서,
    상기 프로세서는,
    상기 메인 궤적 정보에서 라인 피팅과 관련된 파라미터를 추출하고, 상기 차선 템플릿들 중 상기 추출된 파라미터와 유사성이 있는 파라미터를 가진 차선 템플릿을 상기 후보 차선 템플릿으로 결정하는,
    전자 장치.
  17. 제12항에 있어서,
    상기 프로세서는,
    상기 결정된 후보 차선 템플릿에 변환 또는 상기 차량의 카메라의 움직임을 고려한 조정 중 적어도 하나를 수행하여 상기 조정 차선 템플릿들을 생성하는,
    전자 장치.
  18. 제12항에 있어서,
    상기 프로세서는,
    상기 생성된 조정 차선 템플릿들 각각과 상기 차선 특징 사이에 매칭되는 픽셀들의 개수를 파악하고, 상기 파악된 각 개수를 상기 차선 특징과 상기 생성된 조정 차선 템플릿들 각각 사이의 유사도로 결정하는,
    전자 장치.
  19. 제12항에 있어서,
    상기 프로세서는,
    상기 차선이 결정된 이후에 결정된 제2 메인 궤적 정보 및 상기 오버랩 차선 템플릿을 기초로 차선 타입이 변경되는지 여부를 결정하고, 상기 차선 타입이 변경된 것으로 결정된 경우, 상기 결정된 제2 메인 궤적 정보를 기초로 상기 차선 템플릿들 중에서 하나 이상의 제2 후보 차선 템플릿을 결정하며, 상기 결정된 제2 후보 차선 템플릿을 조정하여 제2 조정 차선 템플릿들을 생성하고, 제2 입력 이미지를 기초로 획득된 제2 차선 특징과 상기 생성된 제2 조정 차선 템플릿들 각각의 오버랩을 통해 상기 제2 차선 특징과 상기 생성된 제2 조정 차선 템플릿들 각각 사이의 유사도를 결정하고, 상기 제2 차선 특징과 가장 큰 유사도를 갖는 제2 조정 차선 템플릿에 상기 제2 차선 특징이 오버랩된 제2 오버랩 차선 템플릿을 차선으로 결정하는,
    전자 장치.
  20. 제19항에 있어서,
    상기 프로세서는,
    상기 결정된 제2 메인 궤적 정보에서 라인 피팅과 관련된 파라미터를 추출하고, 상기 오버랩 차선 템플릿의 상기 라인 피팅과 관련된 파라미터와 상기 추출된 파라미터 사이의 차이가 임계값 이상인지 여부를 결정하며, 상기 차이가 상기 임계값 미만인 경우, 상기 차선 타입이 변경된 것으로 결정하는,
    전자 장치.
KR1020220143522A 2022-11-01 2022-11-01 차선 검출 방법 및 이를 수행하는 전자 장치 KR20240062439A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220143522A KR20240062439A (ko) 2022-11-01 2022-11-01 차선 검출 방법 및 이를 수행하는 전자 장치
US18/194,799 US20240142241A1 (en) 2022-11-01 2023-04-03 Method and device with lane detection

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220143522A KR20240062439A (ko) 2022-11-01 2022-11-01 차선 검출 방법 및 이를 수행하는 전자 장치

Publications (1)

Publication Number Publication Date
KR20240062439A true KR20240062439A (ko) 2024-05-09

Family

ID=90834657

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220143522A KR20240062439A (ko) 2022-11-01 2022-11-01 차선 검출 방법 및 이를 수행하는 전자 장치

Country Status (2)

Country Link
US (1) US20240142241A1 (ko)
KR (1) KR20240062439A (ko)

Also Published As

Publication number Publication date
US20240142241A1 (en) 2024-05-02

Similar Documents

Publication Publication Date Title
US11042157B2 (en) Lane/object detection and tracking perception system for autonomous vehicles
KR102499398B1 (ko) 차선 검출 방법 및 장치
EP3373200B1 (en) Offline combination of convolutional/deconvolutional and batch-norm layers of convolutional neural network models for autonomous driving vehicles
JP6567617B2 (ja) 自律走行車の安定性を向上させるための方法、媒体、及びシステム
US10394245B2 (en) Method and system to predict vehicle traffic behavior for autonomous vehicles to make driving decisions
US11486727B2 (en) Map generation device, map generation method, and map generation computer program
US20190317507A1 (en) Automatic data labelling for autonomous driving vehicles
US11267463B2 (en) Information processing device, information processing method, and computer program product
KR102633140B1 (ko) 주행 정보를 결정하는 방법 및 장치
KR102339776B1 (ko) 차량의 주행 제어 방법 및 장치
US20200097016A1 (en) Curvature corrected path sampling system for autonomous driving vehicles
US11676393B2 (en) Method and system for training machine learning algorithm to detect objects at distance
JP2019099138A (ja) 車線維持補助方法及び装置
KR102541560B1 (ko) 객체 인식 방법 및 장치
US20190354785A1 (en) Method and system for improving object detection and object classification
US20210174113A1 (en) Method for limiting object detection area in a mobile system equipped with a rotation sensor or a position sensor with an image sensor, and apparatus for performing the same
US20190325234A1 (en) Lane post-processing in an autonomous driving vehicle
US11679783B2 (en) Method of and system for generating trajectory for self-driving car (SDC)
KR102331000B1 (ko) 자율주행차량의 관심 대상 신호등을 특정하기 위한 방법 및 이를 이용한 컴퓨팅 장치
WO2019207639A1 (ja) 行動選択装置、行動選択プログラム及び行動選択方法
WO2023179027A1 (zh) 一种道路障碍物检测方法、装置、设备及存储介质
US11562501B1 (en) Multi-mode visual geometry localization
KR20240062439A (ko) 차선 검출 방법 및 이를 수행하는 전자 장치
KR20230047040A (ko) 비전 기반 자율 주행 장치 및 그의 동작 방법
US20220055658A1 (en) System and method for avoiding collision based on vision