WO2023128406A1 - 커넥티드 자율 주행차의 안전 모니터링 및 운영설계범위를 지원하는 관제 서버 - Google Patents

커넥티드 자율 주행차의 안전 모니터링 및 운영설계범위를 지원하는 관제 서버 Download PDF

Info

Publication number
WO2023128406A1
WO2023128406A1 PCT/KR2022/020339 KR2022020339W WO2023128406A1 WO 2023128406 A1 WO2023128406 A1 WO 2023128406A1 KR 2022020339 W KR2022020339 W KR 2022020339W WO 2023128406 A1 WO2023128406 A1 WO 2023128406A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
sampling
safety
road
driving
Prior art date
Application number
PCT/KR2022/020339
Other languages
English (en)
French (fr)
Inventor
탁세현
이동훈
김사리
박경아
Original Assignee
한국교통연구원
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 한국교통연구원 filed Critical 한국교통연구원
Publication of WO2023128406A1 publication Critical patent/WO2023128406A1/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
    • 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
    • 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
    • B60W30/14—Adaptive cruise control
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • 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
    • 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/097—Supervising of traffic control systems, e.g. by giving an alarm if two crossing streets have green light simultaneously

Definitions

  • the present invention relates to an autonomous vehicle, and more particularly, to a control server that supports safety monitoring and operating design scope (ODD) of a connected autonomous vehicle (CAV).
  • ODD safety monitoring and operating design scope
  • CAV connected autonomous vehicle
  • autonomous driving-based mobility which currently serves autonomous vehicles, does not consider various shapes or characteristics of actual roads. That is, the autonomous driving based mobility (AVM) service is implemented by determining whether the service can be provided under specific conditions without considering the operational design scope (ODD) that enables autonomous driving. Therefore, it is necessary to provide an operational design range (ODD) generated based on actual road driving data reflecting the type or geometric shape of the road.
  • ODD operational design range
  • An object of the present invention is to provide an optimal sampling period for data transmission that satisfies both the communication efficiency of an autonomous vehicle and the reliability of a safety figure of merit.
  • Another object of the present invention is to provide a technology that analyzes the safety performance of autonomous vehicles in various road types and geometrical characteristics from the viewpoint of mobility services and applies them to the operational design area (ODD).
  • ODD operational design area
  • a control server that receives sampling data and infrastructure data transmitted from an autonomous vehicle through a roadside base station includes at least one message server that receives the sampling data and infrastructure data, and the message server.
  • ODD Operational Design Domain
  • control unit includes a safety monitoring unit that calculates the safety index and updates the operational design range, wherein the safety monitoring unit extracts the safety index from the sampling data and monitors generating the sampling period.
  • ODD operational design range
  • the autonomous vehicle includes a vehicle module for transmitting the sampling data, and the vehicle module provides a connected autonomous driving (CAD) system that provides raw data collected as a sensing result from a plurality of sensors. and an onboard unit for sampling the raw data according to a sampling period determined by the control unit and transmitting the sampled data to the roadside base station.
  • CAD autonomous driving
  • the monitoring index management unit analyzes the difference between the sampling data and the raw data to analyze the characteristics of the safety index, detects a delay or error distribution of the sampling data in a risk event, and the The sampling period is determined by generating an objective function indicating reliability and communication efficiency of the safety index according to the sampling period.
  • the operational design range (ODD) support unit analyzes risk event data for each road type detected through actual road driving, evaluates safety performance according to the road shape for each road type based on the analysis result, and Create an operational design scope (ODD).
  • the control server can optimize the overall efficiency of a system for operating a connected autonomous vehicle by providing a sampling period that satisfies both the communication efficiency of the autonomous vehicle and the reliability of the safety performance index. .
  • it can be updated according to the road type or geometrical characteristics and can provide a diversified operating design range (ODD) for each vehicle specification.
  • ODD operating design range
  • FIG. 1 is a diagram briefly showing an autonomous cooperative driving system according to an embodiment of the present invention.
  • FIG. 2 is a block diagram showing the configuration of the vehicle module of FIG. 1 by way of example.
  • FIG. 3 is a block diagram showing the control server shown in FIG. 1 as an example.
  • FIG. 4 is a block diagram showing major functions of the safety monitoring unit shown in FIG. 3 .
  • FIG. 5 is a diagram sequentially showing functions of a system for generating a safety index for safety monitoring according to the present invention.
  • FIG. 6 is a flowchart illustrating a method of determining a sampling period of a safety index according to an embodiment of the present invention.
  • FIG. 10 is a flowchart briefly illustrating functions of the ODD support unit of the safety monitoring unit shown in FIG. 4 .
  • 11 exemplarily shows types of roads according to usage.
  • 12 is a table showing matching between road types and AVM service types.
  • 13 is a graph showing the number of occurrences of dangerous events for each road type by way of example.
  • 15 is a graph showing a relationship between occurrence of risk events and road shapes based on the CART model.
  • 16 shows the driver accident probability of each group classified as the risk probability of an autonomous vehicle.
  • 17 is a table summarizing the risk rates of autonomous vehicles and human-driven vehicles.
  • FIG. 3 A drawing showing the best mode for carrying out the present invention is FIG. 3 .
  • the autonomous cooperative driving system 1000 includes a vehicle module 1100, a C-ITS/ITS sensor 1200, a roadside base station 1300, and a control server 1400.
  • the vehicle module 1100 includes a plurality of sensors mounted on the self-driving vehicle and detecting information about the movement or state of the vehicle and the environment around the vehicle. For autonomous cooperative driving, the vehicle module 1100 may control longitudinal and lateral movements of the vehicle based on information from sensors installed in the vehicle. In addition, the vehicle module 1100 collects, samples, and transmits data from in-vehicle sensors such as chassis, vision sensors, radar sensors, lidar sensors, and GPS. In the vehicle module 1100, a large amount of data is generated for autonomous cooperative driving. The size of data generated by the vehicle module 1100 varies from 1 GB to 3 GB per minute, and current communication networks such as LTE or WAVE are difficult to guarantee a data rate sufficient to transmit such data in real time. The vehicle module 1100 of the present invention may sample and transmit raw data to the roadside base station 1300 at a sampling period considering both communication efficiency and data reliability for properly monitoring safety performance.
  • the C-ITS/ITS sensor 1200 detects the traffic condition or environment of the road and transmits it to the roadside base station 1300.
  • the C-ITS/ITS detector 1200 may include a roadside camera, radar, lidar sensor, and sensors for monitoring abnormal situations such as accidents or illegal parking occurring on the road.
  • the C-ITS/ITS sensor 1200 may include a signal that provides a vehicle or pedestrian signal in a section such as an intersection or a crosswalk, and a vision sensor installed near a stop to sense congestion or traffic conditions.
  • the C-ITS/ITS sensor 1200 may include equipment or systems (BIS, BMS, ATMS) that provide bus departure and arrival schedules at the stop.
  • BIOS equipment or systems
  • Infrastructure data detected or generated by the C-ITS/ITS sensor 1200 may be transmitted in real time to the control server 1400 through the roadside base station 1300 implemented as a cloud.
  • the C-ITS/ITS detector 1200 is, for example, VDS (Vehicle Detection System), AVI (Automatic Vehicle Identification), RSE (Road Side Equipment) and/or TSC (Toll Collection System) installed on the road, It may include at least one of Intelligent Transport Systems (ITS) and Cooperative-ITS (C-ITS).
  • the roadside base station (Roadside Equipment) 1300 is installed on the road where the autonomous vehicle is running and collects traffic data transmitted from the vehicle module 1100 and the C-ITS/ITS detector 1200.
  • the roadside base station 1300 transmits the collected traffic data to the control server 1400 .
  • the roadside base station 1300 provides a communication channel between the C-ITS/ITS detector and the control server 1400.
  • the roadside base station 1300 refers to a wireless or wired communication structure or cloud for exchanging information between nodes such as an autonomous vehicle or a control server 1400 .
  • the roadside base station 1300 may include vehicle to everything (V2X) communication for exchanging information between vehicles and things such as other vehicles, mobile devices, and roads.
  • V2X vehicle to everything
  • the roadside base station 1300 uses 3rd Generation Partnership Project (3GPP), Long Term Evolution (LTE), World Interoperability for Microwave Access (WIMAX), Wi-Fi, 2G, 3G, 4G, 5G, 6G, etc. It may include, but the present invention is not limited thereto.
  • 3GPP 3rd Generation Partnership Project
  • LTE Long Term Evolution
  • WIMAX World Interoperability for Microwave Access
  • Wi-Fi 2G, 3G, 4G, 5G, 6G, etc. It may include, but the present invention is not limited thereto.
  • the control server 1400 collects sampling data sampled and transmitted from the vehicle module 1100 through the roadside base station 1300 .
  • the control server 1400 collects infrastructure data transmitted in real time from the C-ITS/ITS sensor 1200 through the roadside base station 1300 .
  • the control server 1400 may calculate a safety index of the autonomous vehicle based on the collected sampling data and infrastructure data, and may set an optimal operating design range (ODD) of the autonomous vehicle.
  • ODD operating design range
  • the control server 1400 can be updated according to the type or shape of the road based on actual road driving data and can provide a diversified operational design range (ODD) for each vehicle specification.
  • a safety index of a vehicle may be extracted by processing sampling data and infrastructure data, and an optimal operational design range (ODD) may be generated.
  • ODD operational design range
  • the road 100 to which the autonomous cooperative driving system 1000 of the present invention is applied can be applied to various roads such as highways, arterial roads, general roads, industrial roads, and ports. It will be well understood that the road 100 to which the autonomous cooperative driving system 1000 of the present invention is applied is not limited to the above-described road type and can be applied to various roads where the C-ITS/ITS sensor 1200 is installed.
  • FIG. 2 is a block diagram showing the configuration of the vehicle module of FIG. 1 by way of example.
  • a vehicle module 1100 may include a Connected and Automated Driving (CAD) system 1110 including a plurality of sensors and an onboard unit 1130 .
  • CAD Connected and Automated Driving
  • the CAD system 1110 recognizes movement or surrounding environment, such as speed, acceleration, position, and yaw rate, which are sensed while driving the autonomous vehicle.
  • the CAD system 1110 may include a speed sensor 1111, an acceleration sensor 1112, a position sensor 1113, a vision sensor 1114, and the like to sense the motion characteristics of the autonomous vehicle.
  • the CAD system 1110 may include a lidar sensor 1115 or a radar sensor 1116 for recognizing objects or situations around the autonomous vehicle.
  • the CAD system 1110 transmits sensor data in the form of raw data provided as a result of sensing from the sensors 1111 to 1116 in the vehicle through middleware such as a Robot Operation System (ROS). collect Each sensor may have a different data collection period of less than 0.1 second, and the collected sensor data is forwarded to the onboard unit 1130 for communication.
  • ROS Robot Operation System
  • the onboard unit 1130 receives and processes sensor data provided from the plurality of sensors 1111 to 1116 included in the CAD system 1110 .
  • the onboard unit 1130 transmits data collected by the CAD system 1110 to the ROS 1300 .
  • the plurality of heterogeneous sensors 1111 to 1116 of the CAD system 1110 generate sensor data in the form of raw data at different time intervals. Therefore, the heterogeneous time intervals of the various sensors must be integrated before sending data to the roadside station 1300.
  • the onboard unit 1130 performs sampling to integrate sensor data transmitted from the CAD system 1110 at equal time intervals.
  • the transmission period of raw data is 0.01 second, it may be sampled and transmitted again in units of 0.1 second.
  • the accuracy (reliability) of the data is reduced by the sampling process, but the data capacity is also reduced.
  • the sampled data is packaged in a communication message format (V2X message), transmitted to the roadside base station 1300, and finally transmitted to the control server 1400.
  • communication state information of the roadside base station 1300 is generated and transmitted to the control server 1400 as well.
  • the onboard unit 1130 may convert sensor data transmitted from the CAD system 1110 into a data format for efficient transmission.
  • the onboard unit 1130 may be implemented using a processor or various computing cores.
  • the types of sensors included in the CAD system 1110 are not limited to the types shown. That is, the CAD system 1110 may include sensors for detecting various autonomous vehicle behaviors or surrounding environment information, including an altitude sensor or a temperature sensor.
  • the vehicle module 1100 described above may be integrally or modularly mounted in an autonomous vehicle.
  • control server 1400 includes message servers 1410, 1420, and 1430, a data storage unit 1440, a control unit 1450, a big data analysis unit 1460, and a result display unit 1470.
  • message servers 1410, 1420, and 1430 can include, but not limited to, a message server 1410, 1420, and 1430, a data storage unit 1440, a control unit 1450, a big data analysis unit 1460, and a result display unit 1470.
  • message servers 1410, 1420, and 1430 can include
  • the first message server 1410 is a message server that transmits, receives, and shares messages related to autonomous cooperative driving in real time. For example, Event Hubs can be used.
  • the first message server 1410 receives the sampling data transmitted from the vehicle module 1100 of the autonomous vehicle and shares it with at least one of the data storage unit 1440, the control unit 1450, and the third message server 1430.
  • the first message server 1410 may transmit control information about the self-driving vehicle generated by the controller 1450 via the roadside base station 1300 .
  • the second message server 1420 is a data message server for linking infrastructure data or external data with the control server 1400 .
  • the second message server 1420 transmits traffic data detected by the C-ITS/ITS detector 1200, roadside cameras, radars, and lidar sensors, and data about situations such as accidents or illegal parking that occur on the road. may be received and shared with the data storage unit 1440 or the third message server 1430.
  • infrastructure data or external data received by the second message server 1420 includes information from a signal that provides vehicle or pedestrian signals in a section such as an intersection or a crosswalk, and a vision sensor installed near a bus stop to sense congestion or traffic conditions. Sensed data may also be included.
  • infrastructure data or external data may include equipment or systems (BIS, BMS, ATMS) that provide bus departure and arrival schedules at stops.
  • the third message server 1430 provides data for online simulation and provides simulation results to the controller 1450 .
  • the third message server 1430 may provide real-time data or non-real-time data provided through the first and second message servers 1410 and 1420 or the data storage unit 1440 to the outside as data for online simulation. .
  • the third message server 1430 may transmit the online simulation results to the control unit 1450 .
  • the data storage unit 1440 stores real-time or non-real-time data shared from the first message server 1410 or the second message server 1420, and the control unit 1450 or the big data analysis unit 1460, the result display unit (1470), etc.
  • the data storage unit 1440 stores sampling data from the vehicle module 1100 provided in real time through the first message server 1410 . That is, the first message server 1410 transmits information collected from a location sensor such as a speed sensor, an acceleration sensor, a turn rate sensor, and a GPS sensor of an autonomous vehicle, a radar or lidar sensor for recognizing surrounding objects or situations, and a vision sensor. Store real-time data.
  • the data storage unit 1440 stores infrastructure data or external data collected from the C-ITS/ITS sensor 1200 . The stored data is processed into data for safety monitoring through the control unit 1450.
  • the storage unit 1430 may include storages for storing various data managed by the control server 1400 .
  • the control unit 1450 generates an index for safety monitoring based on sampling data and infrastructure/external data provided from the autonomous vehicle, or generates an optimal operating design range (ODD) for each driving environment of the autonomous vehicle based on the safety index. can do.
  • the control unit 1450 may include a safety monitoring unit 1451, a recommended speed limit management unit 1453, a route creation/update unit 1455, and a failure diagnosis/response management unit 1457.
  • the safety monitoring unit 1451 may generate a safety index based on sampling data and infrastructure/external data provided in real time.
  • the safety monitoring unit 1451 may calculate an optimal operating design range (ODD), such as a maximum driving speed, for each driving environment of a road on which the autonomous vehicle operates based on the calculated safety index.
  • the safety monitoring unit 1451 may update the previous incomplete operating design range (ODD) based on the calculated optimal operating design range (ODD) and provide diversified operational design ranges (ODD) for each vehicle characteristic or specification. there is.
  • the safety monitoring unit 1451 may determine a sampling period considering both communication efficiency and data reliability for monitoring safety performance of the vehicle module 1100 and provide the same to the vehicle module 1100 .
  • the recommended speed limit management unit 1453 generates a recommended speed limit for an autonomous vehicle using sampling data and infrastructure/external data provided from the vehicle module 1100 and the C-ITS/ITS detector 1200 .
  • the route creation/update unit 1455 provides an optimal route from the start to the destination of the autonomous vehicle using sampling data and infrastructure/external data provided from the vehicle module 1100 and the C-ITS/ITS detector 1200. can do. For example, the route creation/update unit 1455 may predict an uncertain future traffic situation and provide a reliable departure-destination travel route by considering a travel time related to the predicted situation.
  • the fault diagnosis/response management unit 1457 analyzes sampling data and infrastructure/external data to diagnose faults in vehicles or infrastructure.
  • the failure diagnosis/response management unit 1457 detects and responds to failures or abnormalities of the autonomous vehicle and communication failures or errors of infrastructures such as the C-ITS/ITS detector 1200 or the roadside base station 1300.
  • the big data analysis unit 1460 generates and analyzes big data using sampling data and infrastructure/external data provided from the vehicle module 1100 and the C-ITS/ITS detector 1200 .
  • the result display unit 1470 may display information related to the safety index generated by the safety monitoring unit 1451 to a manager as visual data.
  • the control server 1400 of the present invention described above generates a safety index using the sampling data and infrastructure/external data provided from the vehicle module 1100 and the C-ITS/ITS detector 1200 and optimizes operation design. You can create a range (ODD).
  • the control server 1400 may determine a sampling period of sensor data considering both communication efficiency and data reliability for monitoring safety performance of the vehicle module 1100 and provide the same to the vehicle module 1100 .
  • FIG. 4 is a block diagram showing major functions of the safety monitoring unit shown in FIG. 3 .
  • the safety monitoring unit 1451 may include a monitoring index management unit 1451a and an ODD support unit 1541b.
  • the monitoring index management unit 1451a generates and analyzes a safety index using sampling data provided from the vehicle module 1100 .
  • the safety index includes, for example, Severe Deceleration (SD), Lateral Position Variation (LPV), and Inverse Time to Collision (ITTC). can A detailed description of the safety index will be described through drawings to be described later.
  • the monitoring index management unit 1451a may determine a sampling period of raw data provided from heterogeneous sensors performed in the onboard unit 1130 (see FIG. 2 ) of the vehicle module 1100 .
  • the on-board unit 1130 performs sampling on heterogeneous sensor data according to a sampling period that can satisfy both the channel bandwidth between the roadside base station 1300 and the vehicle module 1100 of the CAD system 1110 and the reliability of the safety index.
  • a method of determining the sampling period by the monitoring index management unit 1451a a method of statistically comparing raw data and sampling data for each sampling interval (eg, a Kolmogorov-Smirnov test) may be used. A method of determining the sampling period will be described in detail through drawings to be described later.
  • the ODD support unit 1541b may analyze the safety performance of the self-driving vehicle according to the road type and geometrical characteristics from the mobility service point of view using sampling data and infrastructure/external data provided in real time from the vehicle module 1100. In addition, the ODD support unit 1541b may determine which service can be provided according to the type and shape of the road or which road design modification is required to introduce or expand autonomous driving-based mobility services according to the analysis result. That is, the ODD support unit 1541b may define and service an operational design area (ODD) for autonomous driving based mobility service based on actual road driving data.
  • ODD operational design area
  • FIG. 5 is a diagram sequentially showing functions of a system for generating a safety index for safety monitoring according to the present invention.
  • a CAD system 1110 in order to provide a safety monitoring function, a CAD system 1110, an onboard unit 1130, a roadside base station 1300, and a control server 1400 sequentially process data.
  • step S10 heterogeneous sensors of the CAD system 1110 first collect and synchronize sensor data generated according to the behavior of the autonomous vehicle for safety monitoring.
  • the heterogeneous sensors 1111 to 1116 for detecting the behavior of the autonomous vehicle will collect sensor data in the form of raw data at different time intervals through middleware such as a robot operating system (ROS).
  • ROS robot operating system
  • step S20 large-capacity raw data collected and synchronized by the CAD system 1110 is transmitted to the onboard unit 1130 .
  • step S30 the onboard unit 1130 samples the original data to reduce the size of the data, and generates a communication message for transmitting the sampled data.
  • step S40 the onboard unit 1130 packages sampling data and a communication message and transmits the package to the roadside base station 1300 .
  • the roadside base station 1300 calculates a communication network state based on the received sampling data and communication message. That is, a communication network state such as a failure of a communication channel provided by the roadside base station 1300, an error state, or a bandwidth state may be detected.
  • a communication network state such as a failure of a communication channel provided by the roadside base station 1300, an error state, or a bandwidth state may be detected.
  • the roadside base station 1300 transmits sampling data and communication network status to the control server 1400.
  • the control server 1400 In step S80, the control server 1400 generates a safety performance index based on the received sampling data and communication network state information, and performs safety monitoring of the self-driving vehicle based thereon.
  • the control server 1400 converts the communication message (eg, V2X message) transmitted from the roadside base station 1300 into a format that can be more easily analyzed by a server such as Jason. Then, the converted communication message is stored in the message server. data in real time and stored in a message broker where it can be easily stored and shared.
  • the control server 1400 calculates a safety index (eg, SD, LPV, ITTC, etc.) for each element of the self-driving vehicle based on data stored in the message server.
  • the safety level calculated through the generated safety index is displayed on the result display unit 1470, and related information is provided to the manager of the control server.
  • the safety index can be used for vehicle maintenance, performance improvement, and dangerous area warning for each vehicle/road section.
  • FIG. 6 is a flowchart briefly illustrating a method of determining a sampling period of a safety index according to an embodiment of the present invention.
  • a sampling period or interval capable of satisfying both the communication efficiency of an autonomous vehicle and the reliability of a safety index may be calculated based on actual driving data.
  • step S110 data collection is performed to analyze the effect of the sampling period for data transmission in the vehicle module 1100 on the reliability of the safety index and communication efficiency. It will be possible to acquire data on various dangerous situations while driving a vehicle equipped with various sensors for data collection on real roads.
  • the test drive for data collection it can be divided into two sessions: normal driving and abnormal driving.
  • the Connected Autonomous Vehicle (CAV) will drive one predefined route without triggering a safety-related event.
  • the Connected Autonomous Vehicle (CAV) will be able to generate safety-related events such as sudden deceleration (SD), left and right tilt, and sudden acceleration while driving on a predefined route six times.
  • Collected data may be stored in the data storage unit 1440 of the control server 1400 .
  • the control server 1400 may select collected data corresponding to any one of the plurality of safety indices for analysis. For example, among the collected data, one of sudden deceleration (SD), lateral position variation (LPV), and reverse collision time (ITTC) may be selected.
  • SD sudden deceleration
  • LDV lateral position variation
  • ITTC reverse collision time
  • step S130 the control server 1400 analyzes sampling points using data corresponding to any one selected safety index. For example, when Sudden Deceleration (SD) data is selected, the control server 1400 analyzes the difference between the raw data point and the sampling data point of the collected Sudden Deceleration (SD) data to analyze the characteristics of the safety index according to each sampling period. Analyze
  • SD Sudden Deceleration
  • step S140 errors and delay distributions of safety-related events are analyzed in various sampling periods. For example, it is possible to detect a case in which the occurrence of a sudden deceleration (SD) event is detected for each sampling period and a case in which the occurrence of the sudden deceleration (SD) event is missed.
  • SD sudden deceleration
  • a time difference between a peak point of raw data and a peak point of data sampled in each sampling period may be detected. At this time, the detected time difference represents a delay in detecting the sudden deceleration (SD) event.
  • Increasing the sampling period (or interval) has different effects on the distribution of detected and missed cases.
  • step S150 the overall performance for each sampling period is evaluated based on the objective function considering both the communication efficiency and the reliability of the safety index in the collection of the safety index.
  • communication efficiency can be evaluated by data compression rate (sampling cycle)
  • reliability can be evaluated by detection success rate (how many important events have been detected).
  • An objective function for this may be expressed as Equation 1 below.
  • 'w com ' is the communication efficiency weight
  • 'w rel ' is the reliability weight of the safety index
  • step S160 it is checked whether the safety index processed in step S150 is the last safety index among the plurality of safety indices collected. If the safety index processed in step S150 corresponds to the last safety index ('yes' direction), the procedure moves to step S170. On the other hand, if the safety index processed in step S150 is not the last safety index ('No' direction), the procedure returns to step S120 to select the safety index to be evaluated, and analyze the sampling point and delay and error for the selected safety index. will proceed with the procedure for
  • an optimal sampling period is determined using an objective function reflecting a trade-off between communication efficiency and reliability for each safety factor.
  • an increase in the sampling period has a similar effect on communication efficiency for all three safety indices.
  • the degree of change varies depending on the size of the raw data required for calculating the safety index
  • all three safety indexes showed that the communication efficiency improved by more than 90% when the sampling period (interval) was 0.5 seconds or more.
  • Different results are observed for the three safety indices with regard to the accuracy of the indices. In the case of sudden deceleration (SD), the success rate was about 0.7 when the sampling interval was 0.5 seconds, which was found to have a moderate effect on the accuracy among the three indices.
  • the accuracy was 0.996 when the sampling interval was 0.5 seconds, and there was little change in the success rate because the critical event period was long.
  • the success rate changed the most to 0.254 when the sampling interval was 0.5 seconds due to the short duration of the critical event. Since the success rate change patterns of the three safety indices are different, the optimal sampling interval for each indices was 0.2 seconds for rapid deceleration (SD), 5 seconds for lateral position variation (LPV), and 0.2 seconds for reverse impact time (ITTC). .
  • the communication message transmitted from the CAD system 1110 to the roadside base station 1300 and the control server 1400 utilizes safety monitoring of the CAD system 1110 integratedly, rather than individual indexes. designed to do If messages with different sampling intervals for each safety index are designed and applied to safety monitoring, the number of messages may increase and integration efficiency may decrease. Therefore, it is more advantageous to uniformly apply a sampling interval of 0.2 seconds in terms of applying indices having different characteristics.
  • an index with a long critical event period such as lateral position variation (LPV)
  • LUV lateral position variation
  • the increase in gain obtained by increasing the sampling period is not large compared to the other two indexes.
  • FIG. 7 is graphs showing changes in SD data per sampling period among safety indices by way of example.
  • changes in SD data for exemplary sampling periods 0.1 sec, 0.2 sec, 0.5 sec, 1 sec, 2 sec, 5 sec, and 10 sec.
  • gray solid lines and black double lines represent raw data and sampled data, respectively. Also, in the sampling data indicated by the black double line, the black square indicates the point where the data was collected.
  • the self-driving vehicle initially traveled at a constant speed with an acceleration close to 0, then rapidly decelerated to a maximum of -3.4m/s 2 , and then returned to an acceleration of 0 m/s 2 . In this case, the deceleration amount was increased for about 2 seconds and then the deceleration amount was decreased for 10 seconds. Peak points occurred at 282.05 and 282.33 seconds.
  • the deceleration peak point of the extracted data increases and is delayed compared to the original data.
  • Peak points in the original data occurred at 282.05 seconds and 282.33 seconds with a magnitude of -3.4 m/s 2 .
  • the peak points are -3.3, -3.3, -3.3, -3.2, -2.8, -2.7, -2, and -0.9 m/s 2 am.
  • the time at which the peak occurred was delayed by 282.47, 282.51, 282.49, 283.25, 283.19, 284.69, and 289.85 seconds.
  • FIG. 8 shows changes in delay and error distributions of sudden deceleration (SD) events at various sampling periods.
  • (a) and (c) show cases where the sudden deceleration (SD) event is detected
  • (b) and (d) show cases where the sudden deceleration (SD) event is missed.
  • (a) and (b) show the time difference between the peak point of the raw data and the peak point of the sampled data. This time difference represents the delay in detecting the Sudden Deceleration (SD) event. Increasing the sampling period has different effects on the distribution of detected and missed cases.
  • (a) shows the delay distribution when a sudden deceleration (SD) event is detected.
  • SD sudden deceleration
  • the delay mode increases from 0.088 seconds to 0.172 seconds and the standard deviation increases from 0.041 seconds to 1.30 seconds. Therefore, an increase in the standard deviation is observed more clearly than an increase in the delay mode interval when the sampling period is increased. This is related to the duration of the Sudden Deceleration (SD) event, which averages about 2.1 seconds. If the sampling period is greater than the average of the event period, it indicates that there is a possibility of missing a sudden deceleration (SD) event.
  • SD Sudden Deceleration
  • (c) and (d) show the change in error distribution of sampled data at different sampling intervals.
  • the effect of sampling interval on the distribution of data appears to be different for detected and missed cases.
  • the mode interval increases from 1.087 to 1.263 m/s 2 while the standard deviation changes from 0.133 to 0.342 m/s 2 . Since the difference between the peak point of the raw data and the critical event (-2.94 m/s 2 ) is greater than the difference between the peak point of the raw data and the peak point of the sampled data, the change in standard deviation is larger than the change in mode.
  • the mode of the detected case is limited by the peak point value and the threshold value of the raw data.
  • the mode increases from 0.329 to 3.040 m/s 2 as the sampling interval increases from 0.1 to 10 seconds.
  • the standard deviation changes from 0.312 to 0.978 m/s 2 , respectively. If the detection of an event is missed, the change in both the mode interval and standard deviation is large. Unlike the case of detection, in the case of miss, when the sampling interval increases, the sampled data is smoothed to 0 and the variation of the sampling data decreases. As a result, it moves away from the acceleration and standard deviation of the raw data.
  • FIG. 9 shows changes in the reliability of the safety index and communication efficiency when different sampling periods are applied.
  • a detection success rate, a compression rate, and a sum of weights of a safety index corresponding to a sudden deceleration (SD) event in the longitudinal direction are shown for each sampling interval.
  • the reliability of the safety index (in terms of detection success rate) is indicated by a solid black line and a circle. If the reliability of the safety index is close to 1, it means that all important events have been detected. The closer the reliability of the safety index is to 0, the less significant events are detected than in the raw data.
  • the compression rate corresponding to the communication efficiency is indicated by a black dotted line and a black diamond.
  • the compression ratio value is the ratio of the reduced sampling data amount to the original data amount. The closer the compression rate is to 1, the larger the size of data reduction, and the closer the compression rate is to 0, the smaller the degree of data reduction.
  • the weighted average of the detection success rate and compression rate is indicated by a black dotted line and a black triangle, and the weight is set to 0.5, respectively.
  • the detection success rate decreases as the sampling period increases from 0.1 second to 5 seconds.
  • the degree of reduction is different. If the sampling period is changed from 0 (raw data) to 1 second, the detection success rate decreases by 0.454, but if it is changed from 1 second to 5 seconds, it decreases by 0.329.
  • the compression rate continuously increases according to the sampling period. However, the increasing tendency was different depending on the sampling period. If the sampling period is changed from 0 (raw data) to 0.2 seconds, the compression rate increases by 0.905, but if it is changed from 0.2 to 5 seconds, the compression rate increases by 0.091.
  • the peak point of the weighted sum of the two values was observed at 0.2 seconds because the trends of the detection success rate and the compression rate were different. That is, before 0.2 seconds, the weighted sum increases because the rapid increase in the compression ratio has a large effect on the weighted sum. However, after 0.2 seconds, the effect of the detection success rate became larger and the weighted sum decreased. Considering these results, the sampling interval of SD data is preferably 0.2 seconds.
  • FIG. 10 is a flowchart briefly illustrating functions of the ODD support unit of the safety monitoring unit shown in FIG. 4 .
  • driving design conditions ODD
  • ODD driving design conditions
  • Conventional Automated Vehicle-based Mobility (AVM) services are implemented by determining whether services can be provided under specific conditions without considering ODD enabling autonomous driving. Therefore, it is necessary to determine which services can be provided depending on the type of road and which road design modifications are required to introduce or expand autonomous driving based mobility (AVM) services.
  • AVM autonomous vehicle-based Mobility
  • the ODD support unit 1541b may analyze the safety performance of the autonomous vehicle according to the type and geometrical characteristics of the road using sampling data and infrastructure/external data provided from the vehicle module 1100. In addition, the ODD support unit 1541b may determine which service can be provided according to the type of road or which road design modification is required to introduce or expand an autonomous driving-based mobility service according to the analysis result. That is, the ODD support unit 1541b may define and service an operational design area (ODD) for autonomous driving-based mobility services.
  • ODD operational design area
  • the ODD support unit 1541b analyzes the road type for the Automated Vehicle-based Mobility (AVM) service.
  • the type of road may be classified according to the purpose or use of the road. For example, depending on the road use, Expressway, BRT Lane, Principal arterial road, Minor arterial road, Collector road, and Local road road), etc.
  • the ODD support unit 1541b matches the classified road types with the AVM services S1 to S7.
  • AVM services are S1 (AV Fixed-Route Service-Only), S2 (AV Fixed-Route Service-Non-Private), S3 (AV Transportation-On-Demand Service-Group), S4 (AV Transportation-On-Demand Service-Bypass), S5 (Paratransit It can be divided into -on-demand, urban), S6 (paratransit-on-demand, rural), S7 (AV taxi), etc.
  • step S220 data related to the risk event of the self-driving vehicle is collected through a field test.
  • risk event data is defined as AV system malfunctions such as errors in adaptive cruise control (ACC) and lane keep assist functions.
  • ACC adaptive cruise control
  • lane keep assist functions The ACC function is often turned off due to severe perturbations caused by road geometry such as steep slopes or curves.
  • road geometry such as steep slopes or curves.
  • the lane keep assist feature usually fails, resulting in hitting or crossing the line.
  • step S230 the ODD support unit 1541b analyzes driving safety based on risk event data for each road type. For example, the ODD support unit 1541b may compare relative risks by counting the number of occurrences of dangerous events for each road type.
  • step S240 the ODD support unit 1541b performs pre-processing on road network and accident data.
  • Road network data can be composed of three main variables: longitudinal slope, horizontal alignment, and number of lanes.
  • the change in longitudinal inclination and curve radius values is generated as an attribute of each link, and can be calculated by subtracting the longitudinal inclination/curve radius value of the current link from the longitudinal inclination/curve radius value of the previous link.
  • Highway data used for preprocessing may be established for construction, maintenance, and management of highways. Thus, both the longitudinal slope and the change in curvature radius occur within a single link. Prior to the correlation analysis, the highway network data is pre-processed so that one link has homogeneous characteristics.
  • the Annual Average Daily Traffic is the annual traffic volume divided by 365 days for a particular segment.
  • the ODD support unit 1541b identifies and classifies dangerous road sections.
  • Risk occurrence data of the autonomous vehicle may be generated based on the driving image data collected in step S220.
  • the highway network data preprocessed in step S240 based on the highway post mile may be matched with the autonomous driving risk occurrence data.
  • the geometrical characteristics of the risk interval can be analyzed by matching data using a Classification And Regression Tree (CART) model.
  • CART was chosen because it can analyze both nominal and continuous variables.
  • the CART model uses the Gini index (G) to classify data sets by minimizing impurities.
  • the Gini index (G) can be calculated using Equation 3 below.
  • the CART model branches the decision tree when the impurity of G is minimal based on the input variables.
  • the input variables of this model are longitudinal slope, horizontal line, curve length, curve radius, lane number, longitudinal slope change, curve length change, and lane number change.
  • the output variable of this model is the occurrence of a dangerous situation caused by an autonomous vehicle.
  • step S260 the ODD support unit 1541b identifies and classifies dangerous road sections based on the Gini index (G) of the CART model.
  • roads are expressways, BRT lanes, principal arterial roads, minor arterial roads, collector roads, and It can be classified as a local road.
  • BRT Bus Rapid Transit
  • Arterial roads form the skeleton of cities and counties by handling public transportation between major regions within a city or county or between cities and counties.
  • Subarterial roads connect major arterial roads with collection roads or major traffic sources, allowing city or province traffic to converge to form the outskirts of neighboring residential areas.
  • Collector roads connect traffic in neighborhood residential areas with subarterial roads so that traffic in neighborhood residential areas can gather, disperse, and divide within neighborhood residential areas.
  • Local roads divide housing units (groups of areas surrounded by roads).
  • service type (S1) operates on BRT lanes and highways.
  • Service type (S2) operates on highways and arterial roads.
  • Service type (S3) operates on highways, arterial roads and minor arterial roads.
  • Service type (S4) operates on arterial and subarterial roads.
  • Service type (S5) operates on arterial roads, subarterial roads, and collection roads.
  • Service type (S6) operates on collection roads and local roads.
  • service type (S7) operates on all roads except BRT lanes.
  • FIG. 13 is a graph showing the number of occurrences of dangerous events for each road type by way of example.
  • the dangerous situation occurred once every 7.3 km, 1.8 km, and 6.9 km on average on highways, BRT lanes, and arterial roads, showing higher safety than other types of roads.
  • the minor arterial road and the collection road showed relatively low safety, with a risk situation occurring once per 1.1 km and 0.55 km, respectively.
  • lanes were lost or unclear, making testing impossible.
  • BRT lanes On the BRT lanes, an over-the-line event occurred once every 6 km on average, while a touched-the-line event occurred once every 4 km on average.
  • Factors that reduce the safety of BRT lanes include a narrow lane width compared to the size of the bus, rapid geometric changes in merging and diverging areas, and steep slopes at entry and exit of bridges and underpasses.
  • arterial roads showed an average of 1 case per 27 km and 1 case per 27 km on average, ranking second after highways.
  • Hazard events on arterial roads occurred in sharp curve sections and narrow lane sections, similar to highways. However, it can be seen that driving safety on arterial roads is poorer than highways because sharp curves occur more frequently.
  • 15 is a graph showing a relationship between occurrence of risk events and road shapes based on the CART model.
  • the input variables are longitudinal slope, horizontal line, curve length, curve radius, number of lanes, longitudinal slope change, curve length change, and lane number change.
  • the target variable is the occurrence of risk events in the road driving test results.
  • G Gini index
  • the first group included the most downhill roads
  • the second group included the most uphill roads.
  • Downhill roads were found to be slightly more dangerous than uphill roads.
  • Curved roads were classified into the 3rd to 15th groups (Group 3-Group 15). In general, the smaller the curve radius and the longer the curve, the higher the risk event occurrence rate.
  • the third group has a very small curve radius, but the risk event is unlikely to occur because the curve is very short. This means that an autonomous vehicle can drive safely even in a sharp curve section if the length of the curve is not long.
  • the fourth group (Group 4) to the ninth group include shapes that have small curvature radii and are characterized by many small, sharp curved sections. As a result, it was confirmed that safe autonomous driving is possible with proven self-driving technology even in sharp curves except for steep uphill roads.
  • the 10th to 15th groups include shapes with gentle longitudinal slope regions and large curve radii.
  • the 14th group (Group 14) with a probability of a hazardous event of 0.444 includes steep uphill sections with a vertical slope of 2.591% (approximately 1.484°) or more.
  • the 16 shows the driver accident probability of each group classified as the risk probability of an autonomous vehicle.
  • the 4th group (Group 4), the 5th group (Group 5), and the 14th group (Group 14) had the highest accident probability.
  • the fourth group (Group 4) and the fifth group (Group 5) include a downhill section with a sharp curve radius that may limit the driver's field of view. Therefore, the accident rate was high.
  • Group 14 is a gently winding road with a steep uphill section. In particular, this section includes a curved section of more than 1 km. This means that the accident rate is high due to the delay in forward object recognition because the curve is a long curved uphill section.
  • FIG. 17 is a table summarizing the risk rates of autonomous vehicles and human-driven vehicles.
  • the risk rate results of the self-driving vehicle and the human-driven vehicle are shown as numerical values.
  • the fifth group (Group 5) is a downhill road with a sharp curve section, but the direction of slope change is opposite to that of the fourth group (Group 4).
  • the fourth group (Group 4) In the case of drivers, accidents often occur due to limited visibility on uphill roads in steep curve sections. Nevertheless, it can be seen that self-driving cars can drive more safely on roads where the longitudinal gradient changes significantly from uphill to downhill. Because the vision sensor's height from the ground is usually higher than the driver's eyes, autonomous vehicles are generally better able to prevent dangerous situations.
  • red, yellow, and green parts represent highway sections where the autonomous vehicle and the driver, only the driver, and only the autonomous vehicle are dangerous, respectively.
  • Blue segments represent roads that have been identified as safe for both drivers and autonomous vehicles.
  • (a) shows the northwest highway with a total length of 4821.2 km.
  • the total length of the red section corresponding to group 4 and group 14 is 219.2 km or 4.5% of the road network.
  • the total length of the yellow section is 9.1 km or 0.2% of the road network.
  • the total length of the green section is 1483.1 km, which is 30.6% of the road network.
  • (b) shows the southeastbound highway with a total length of 4705 km.
  • the total length of sections judged to be dangerous for autonomous vehicles, drivers, only drivers, and autonomous vehicles on southeast-bound roads are 128.7km (2.7%), 6.4km (0.1%), and 1058.7km (22.5%), respectively.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Traffic Control Systems (AREA)
  • Operations Research (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명의 실시 예에 따른 노변 기지국을 통해 자율 주행차로부터 전송되는 샘플링 데이터와 인프라 데이터를 수신하는 관제 서버는, 상기 샘플링 데이터와 상기 인프라 데이터를 수신하는 적어도 하나의 메시지 서버, 상기 메시지 서버를 통해서 실시간 또는 비실시간으로 전송되는 상기 샘플링 데이터와 상기 인프라 데이터를 저장하는 데이터 저장부, 그리고 상기 샘플링 데이터와 상기 인프라 데이터를 사용하여 상기 자율 주행차의 안전 모니터링을 위해 안전 지수를 산출하고, 상기 자율 주행차가 운행하는 도로 구간별 최대 주행 속도를 포함하는 운영설계범위(Operational Design Domain: ODD)를 업데이트하는 제어부를 포함하되, 상기 샘플링 데이터는 상기 자율 주행차의 센서들에서 감지된 원데이터를 샘플링 주기에 따라 압축하여 생성되며, 상기 샘플링 주기는 상기 자율 주행차와 상기 노변 기지국 간의 통신 효율성과 상기 안전 지수의 신뢰성을 고려하여 상기 제어부에서 계산된다.

Description

커넥티드 자율 주행차의 안전 모니터링 및 운영설계범위를 지원하는 관제 서버
[이 발명을 지원한 국가연구개발사업]
*[과제고유번호] 1615012707
[과제번호] 160548
[부처명] 국토교통부
[과제관리(전문)기관명] 국토교통과학기술진흥원
[연구사업명] 자율주행 기술개발 혁신사업
[연구과제명] 교통약자(장애인, 노약자, 교통소외지역 등) 이동지원 모빌리티 서비스 기술 개발
[기여율] 1/1
[과제수행기관명] 한국교통연구원
[연구기간] 2022.01.01 ~ 2022.12.31
본 발명은 자율 주행차에 관한 것으로, 더욱 상세하게는 커넥티드 자율 주행차(CAV)의 안전 모니터링 및 운영설계범위(ODD)를 지원하는 관제 서버에 관한 것이다.
종래의 자율 주행차의 안전 모니터링은 자율 주행차의 실도로 운전 데이터를 비실시간으로 수집하여 처리하는 방식으로 이루어져 왔다. 하지만, 도시 교통 시스템의 안전도를 향상시키기 위해 커넥티드 자율 주행차(Connected Autonomous Vehicle: 이하, CAV)와 협동 지능형 교통 시스템(C-ITS)과 같은 도시 교통 시스템의 등장으로 자율 주행차의 안전 모니터링 기술에 대한 연구가 더욱 활발히 진행되고 있다. 나아가, 자율 주행차와 도로 인프라의 통합을 기반으로 다양한 모빌리티 서비스들이 등장하고 있다.
교통망의 안전을 적절하게 모니터링하고 적절한 교통 통제를 적용하려면 차량의 데이터 수집, 차량에서 클라우드 서버로의 데이터 전송, 클라우드 플랫폼에서의 데이터 처리 등의 새로운 프레임워크 설계를 개발하는 것이 중요하다. 특히, 커넥티드 자율 주행차(CAV)의 안전 주행을 위해 탑재되는 센서와 장비들은 급격히 증가하는 추세이다. 따라서, 커넥티드 자율 주행차(CAV)에서 관제 센터로 전송하는 데이터의 양은 급격히 증가하고 있다. 하지만, 통신망의 채널 대역폭은 한정되어 있다. 따라서, 커넥티드 자율 주행차(CAV)에서의 데이터 전송을 위한 통신 효율성과 안전 성능 지수의 데이터 신뢰성 간의 트레이드 오프(Trade-off)가 존재한다. 이러한 통신 효율성과 안전 성능 지수의 신뢰성을 모두 만족시킬 필요가 있다.
더불어, 현재 자율 주행차를 서비스하는 자율 주행 기반 모빌리티(AVM)에서는 실도로의 다양한 형상이나 특징을 고려하지 못하고 있다. 즉, 자율 주행 기반 모빌리티(AVM) 서비스는 자율 주행을 가능하게 하는 운영설계범위(ODD)를 고려하지 않고, 특정 조건에서 서비스가 제공될 수 있는지 여부만 판단하여 구현하고 있다. 따라서, 도로의 유형이나 기하적 형상을 반영하는 실도로 주행 데이터를 기초로 생성되는 운영설계범위(ODD)의 제공이 필요한 실정이다.
본 발명의 목적은, 자율 주행차의 통신 효율성과 안전 성능 지수의 신뢰성을 모두 충족하는 데이터 전송을 위한 최적의 샘플링 주기를 제공하는데 있다.
본 발명의 다른 목적은 다양한 도로 유형 및 기하학적 특징에서 자율 주행차의 안전 성능을 모빌리티 서비스의 관점에서 분석하고 이를 운영설계영역(ODD)에 적용하는 기술을 제공하는데 있다.
본 발명의 실시 예에 따른 노변 기지국을 통해 자율 주행차로부터 전송되는 샘플링 데이터와 인프라 데이터를 수신하는 관제 서버는, 상기 샘플링 데이터와 상기 인프라 데이터를 수신하는 적어도 하나의 메시지 서버, 상기 메시지 서버를 통해서 실시간 또는 비실시간으로 전송되는 상기 샘플링 데이터와 상기 인프라 데이터를 저장하는 데이터 저장부, 그리고 상기 샘플링 데이터와 상기 인프라 데이터를 사용하여 상기 자율 주행차의 안전 모니터링을 위해 안전 지수를 산출하고, 상기 자율 주행차가 운행하는 도로 구간별 최대 주행 속도를 포함하는 운영설계범위(Operational Design Domain: ODD)를 업데이트하는 제어부를 포함하되, 상기 샘플링 데이터는 상기 자율 주행차의 센서들에서 감지된 원데이터를 샘플링 주기에 따라 압축하여 생성되며, 상기 샘플링 주기는 상기 자율 주행차와 상기 노변 기지국 간의 통신 효율성과 상기 안전 지수의 신뢰성을 고려하여 상기 제어부에서 계산된다.
이 실시 예에서, 상기 제어부는 상기 안전 지수를 산출하고 상기 운영설계범위를 업데이트하는 안전 모니터링부를 포함하되, 상기 안전 모니터링부는, 상기 샘플링 데이터로부터 상기 안전 지수를 추출하고, 상기 샘플링 주기를 생성하는 모니터링 지수 관리부, 그리고 상기 인프라 데이터, 상기 샘플링 데이터, 그리고 상기 안전 지수 중에서 적어도 하나를 처리하여 상기 운영설계범위(ODD)를 생성하는 운영설계범위(ODD) 지원부를 포함한다.
이 실시 예에서, 상기 자율 주행차는 상기 샘플링 데이터를 전송하기 위한 차량 모듈을 포함하고, 상기 차량 모듈은, 복수의 센서들로부터 센싱 결과로 수집된 원데이터를 제공하는 커넥티드 자율 주행(CAD) 시스템, 그리고 상기 원데이터를 상기 제어부에서 결정된 샘플링 주기에 따라 샘플링하여 상기 노변 기지국으로 전송하는 온보드 유닛을 포함한다.
이 실시 예에서, 상기 모니터링 지수 관리부는, 상기 샘플링 데이터와 원데이터의 차이를 분석하여 상기 안전 지수의 특성을 분석하고, 위험 이벤트에서의 상기 샘플링 데이터의 지연이나 에러의 분포를 검출하고, 그리고 상기 샘플링 주기에 따른 상기 안전 지수의 신뢰성 및 통신 효율성을 지시하는 목적 함수를 생성하여, 상기 샘플링 주기를 결정한다.
이 실시 예에서, 상기 운영설계범위(ODD) 지원부는, 실도로 주행을 통해서 검출된 도로 유형별 위험 이벤트 데이터를 분석하고, 분석 결과에 기초하여 상기 도로 유형별로 도로 형상에 따른 안전 성능을 평가하여 상기 운영설계범위(ODD)를 생성한다.
상술한 본 발명의 실시 예에 따른 관제 서버는 자율 주행차의 통신 효율성과 안전 성능 지수의 신뢰성을 모두 충족하는 샘플링 주기를 제공하여 커넥티드 자율 주행차를 운행하는 시스템의 전체 효율성을 최적화시킬 수 있다. 더불어, 도로 유형이나 기하학적 특징에 따라 업데이트 가능하고 차량 스펙별로 다양화된 운영설계범위(ODD)를 제공할 수 있다.
도 1은 본 발명의 실시 예에 따른 자율협력주행 시스템을 간략히 보여주는 도면이다.
도 2는 도 1의 차량 모듈의 구성을 예시적으로 보여주는 블록도이다.
도 3은 도 1에 도시된 관제 서버를 예시적으로 보여주는 블록도이다.
도 4는 도 3에 도시된 안전 모니터링부의 주요 기능들을 보여주는 블록도이다.
도 5는 본 발명의 안전 모니터링을 위한 안전 지수를 생성하는 시스템의 기능을 순차적으로 보여주는 도면이다.
도 6은 본 발명의 실시 예에 따른 안전 지수의 샘플링 주기를 결정하는 방법을 보여주는 순서도이다.
도 7은 안전 지수들 중 샘플링 주기별 급감속(SD) 데이터의 변화를 예시적으로 보여주는 그래프들이다.
도 8은 다양한 샘플링 주기에서 급감속(SD) 이벤트의 지연 및 오류 분포의 변화를 보여준다.
도 9는 서로 다른 샘플링 주기를 적용했을 때의 안전 지수의 신뢰도와 통신 효율의 변화를 보여준다.
도 10은 도 4에 도시된 안전 모니터링부의 ODD 지원부의 기능을 간략히 보여주는 순서도이다.
도 11은 용도에 따른 도로의 유형들을 예시적으로 보여준다.
도 12는 도로 유형과 AVM 서비스 유형의 매칭을 보여주는 표이다.
도 13은 도로 유형별 위험 이벤트의 발생 횟수를 예시적으로 보여주는 그래프이다.
도 14는 도로 유형별 2가지 위험 상황(라인 초과와 라인 터치)의 발생 빈도를 보여준다.
도 15는 CART 모델 기반으로 위험 이벤트의 발생과 도로 형상간의 관계를 보여주는 그래프이다.
도 16은 자율 주행차의 위험 확률로 분류된 각 그룹의 운전자 사고 확률을 보여준다.
도 17은 자율 주행차와 사람이 운전하는 차량의 위험율을 정리한 표이다.
도 18은 한국의 고속도로의 위험 구간 매핑 결과를 보여준다.
본 발명의 실시를 위한 최선의 형태를 보여주는 도면은 도 3이다.
이하에서, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재될 것이다.
도 1은 본 발명의 실시 예에 따른 자율협력주행 시스템을 간략히 보여주는 도면이다. 도 1을 참조하면, 자율협력주행 시스템(1000)은 차량 모듈(1100), C-ITS/ITS 감지기(1200), 노변 기지국(1300) 그리고 관제 서버(1400)를 포함한다.
차량 모듈(1100)은 자율 주행차에 장착되어 차량의 움직임이나 상태, 차량 주변의 환경에 대한 정보를 감지하는 복수의 센서들을 포함한다. 자율협력주행을 위해 차량 모듈(1100)은 차량에 설치된 센서의 정보를 기반으로 차량의 종방향 및 횡방향 움직임을 제어할 수도 있다. 또한, 차량 모듈(1100)은 샤시, 비전 센서, 레이더 센서, 라이더 센서, GPS 등의 차량 내 센서로부터의 데이터를 수집하여 샘플링하고 전송한다. 차량 모듈(1100)에서는 자율협력주행을 위해 많은 양의 데이터가 생성된다. 차량 모듈(1100)에서 생성되는 데이터의 크기는 분당 1GB에서 3GB까지 다양하며, 현재의 LTE나 WAVE와 같은 통신망은 이러한 데이터를 실시간으로 전송하기에 충분한 데이터 속도를 보장하기 어려운 상태이다. 본 발명의 차량 모듈(1100)은 안전 성능을 적절하게 모니터링하기 위한 통신 효율성과 데이터 신뢰성을 모두 고려한 샘플링 주기로 원데이터(Raw data)를 샘플링하여 노변 기지국(1300)으로 전송할 수 있다.
C-ITS/ITS 감지기(1200)는 도로의 트래픽 상태나 환경을 감지하여 노변 기지국(1300)으로 전송한다. C-ITS/ITS 감지기(1200)는 노변에 설치된 카메라나 레이더, 라이다 센서, 그리고 도로에서 발생하는 사고나 불법 주정차 등의 비정상 상황을 모니터링하는 센서들을 포함할 수 있다. 더불어, C-ITS/ITS 감지기(1200)는 교차로나 횡단보도와 같은 구간에서 차량이나 보행자 신호를 제공하는 신호기, 정류장 근처에 설치되어 정체나 교통 상황을 센싱하는 비전 센서를 포함할 수도 있다. 또한, C-ITS/ITS 감지기(1200)는 정류장의 버스 출발 및 도착 스케줄을 제공하는 장비나 시스템(BIS, BMS, ATMS)을 포함할 수 있다. C-ITS/ITS 감지기(1200)에서 감지되거나 생성된 인프라 데이터는 클라우드로 구현되는 노변 기지국(1300)을 통해 관제 서버(1400)에 실시간으로 전송될 수 있다. C-ITS/ITS 감지기(1200)는, 예를 들면, 도로에 설치되어 있는 VDS(Vehicle Detection System), AVI(Automatic Vehicle Identification), RSE(Road Side Equipment) 및/또는 TSC(Toll Collection System), ITS(Intelligent Transport Systems), C-ITS(Cooperative-ITS)들 중 적어도 하나를 포함할 수도 있다.
노변 기지국(1300, Roadside Equipment)은 자율 주행차가 운행하는 도로에 설치되어, 차량 모듈(1100)과 C-ITS/ITS 감지기(1200)에서 전송하는 교통 데이터를 수집한다. 노변 기지국(1300)은 수집된 트래픽 데이터를 관제 서버(1400)에 전송하다. 노변 기지국(1300)은 C-ITS/ITS 감지기와 관제 서버(1400) 간의 통신 채널을 제공한다. 노변 기지국(1300)은 자율 주행차나 관제 서버(1400)와 같은 각각의 노드(Node)들 간에 정보의 교환을 위한 무선 또는 유선 통신 구조나 클라우드를 의미한다. 예를 들면, 노변 기지국(1300)은 차량이 다른 차량이나 모바일 기기, 도로 등의 사물과 정보를 교환하기 위한 차량사물통신(V2X, Vehicle to Everything)을 포함할 수 있다. 또는, 노변 기지국(1300)은 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 2G, 3G, 4G, 5G, 6G 등을 포함할 수 있으나, 본 발명은 여기에 한정되지는 않는다.
관제 서버(1400)는 차량 모듈(1100)에서 샘플링되어 전송된 샘플링 데이터를 노변 기지국(1300)을 통해 수집한다. 또한, 관제 서버(1400)는 C-ITS/ITS 감지기(1200)로부터 실시간으로 전송되는 인프라 데이터를 노변 기지국(1300)을 통해 수집한다. 관제 서버(1400)는 수집된 샘플링 데이터와 인프라 데이터에 기반하여 자율 주행차의 안전 지수를 산출하고, 자율 주행차의 최적 운영설계범위(ODD)를 설정할 수 있다. 특히, 관제 서버(1400)는 실도로 주행 데이터에 기반하여 도로 유형이나 형상에 따라 업데이트 가능하고 차량 스펙별로 다양화된 운영설계범위(ODD)를 제공할 수 있다.
이상에서 설명된 자율협력주행 시스템(1000)에서는 샘플링 데이터와 인프라 데이터를 처리하여 차량의 안전 지수를 추출하고, 최적 운영설계범위(ODD)를 생성할 수 있다. 본 발명의 자율협력주행 시스템(1000)이 적용되는 도로(100)는 고속도로나 간선도로, 일반도로, 산업 도로, 항만과 같은 다양한 도로에 적용될 수 있다. 본 발명의 자율협력주행 시스템(1000)이 적용되는 도로(100)는 상술한 도로 종류에만 국한되지 않고 C-ITS/ITS 감지기(1200)가 설치된 다양한 도로에서 적용될 수 있음은 잘 이해될 것이다.
도 2는 도 1의 차량 모듈의 구성을 예시적으로 보여주는 블록도이다. 도 2를 참조하면, 차량 모듈(1100)은 복수의 센서들을 포함하는 커넥티드 자율 주행(Connected and Automated Driving: 이하, CAD) 시스템(1110)과 온보드 유닛(1130)을 포함할 수 있다.
CAD 시스템(1110)은 자율 주행차의 운행시에 감지되는 속도나 가속도, 위치, 회전율(Yaw rate)과 같은 움직임이나 주변 환경을 인식한다. CAD 시스템(1110)는 자율 주행차의 움직임 특성을 센싱하기 위해 속도 센서(1111), 가속도 센서(1112), 위치 센서(1113), 비전 센서(1114) 등을 포함할 수 있다. 그리고 CAD 시스템(1110)는 자율 주행차 주변의 사물이나 상황을 인식하기 위한 라이다 센서(1115)나 레이더 센서(1116)를 포함할 수 있다. CAD 시스템(1110)은 차량 내의 센서들(1111~1116)로부터 센싱의 결과로 제공되는 원데이터(Raw data) 형태의 센서 데이터를 로봇 운용 시스템(Robot Operation System: 이하, ROS)과 같은 미들웨어를 통해 수집한다. 각 센서는 0.1초 미만의 다른 데이터 수집 주기를 가질 수 있고, 수집된 센서 데이터는 통신을 위해 온보드 유닛(1130)으로 전달된다.
온보드 유닛(1130)은 CAD 시스템(1110)에 포함되는 복수의 센서들(1111~1116)로부터 제공되는 센서 데이터를 제공받아 처리한다. 온보드 유닛(1130)은 CAD 시스템(1110)에서 수집한 데이터를 노변 기지국(1300)으로 전송한다. CAD 시스템(1110)의 이기종의 복수의 센서들(1111~1116)은 서로 다른 시간 간격으로 원데이터(Raw data) 형태의 센서 데이터를 생성한다. 따라서, 노변 기지국(1300)으로 데이터를 보내기 전에 다양한 센서의 이기종 시간 간격을 통합해야 한다. 또한, 제한된 채널 대역폭을 통해서 전송해야 하기 때문에, 원데이터(Raw data)의 사이즈를 축소할 필요가 있다. 따라서, 온보드 유닛(1130)은 동일한 시간 간격으로 CAD 시스템(1110)에서 전달하는 센서 데이터를 통합하기 위해 샘플링을 수행한다. 예를 들어, 원데이터(Raw data)의 전송 주기가 0.01초인 경우, 이를 다시 0.1초 단위로 샘플링하여 전송할 수 있다. 샘플링 처리에 의해서 데이터의 정확도(신뢰성)는 감소했지만 데이터 용량도 감소하게 된다. 이후 샘플링된 데이터는 통신 메시지 형식(V2X 메시지)으로 패키징되어 노변 기지국(1300)으로 전송되고, 최종적으로 관제 서버(1400)로 전달된다. 동시에, 노변 기지국(1300)의 통신 상태 정보가 생성되어 마찬가지로 관제 서버(1400)로 전송된다. 온보드 유닛(1130)은 CAD 시스템(1110)에서 전달되는 센서 데이터를 효율적인 전송을 위한 데이터 포맷으로 변환시킬 수도 있다. 온보드 유닛(1130)은 프로세서나 다양한 연산 코어들을 사용하여 구현될 수 있다.
CAD 시스템(1110)에 포함되는 센서의 종류는 도시된 종류에만 국한되지 않음은 잘 이해될 것이다. 즉, CAD 시스템(1110)은 고도 센서나 온도 센서를 비롯한 다양한 자율 주행차의 거동이나 주변 환경 정보를 감지하기 위한 센서들을 포함할 수 있다. 이상에서 설명된 차량 모듈(1100)은 자율 주행차에 일체형으로, 또는 모듈형으로 장착될 수 있을 것이다.
도 3은 도 1에 도시된 관제 서버를 예시적으로 보여주는 블록도이다. 도 3을 참조하면, 관제 서버(1400)는 메시지 서버들(1410, 1420, 1430), 데이터 저장부(1440), 제어부(1450), 빅데이터 분석부(1460), 그리고 결과 표출부(1470)를 포함할 수 있다.
제 1 메시지 서버(1410)는 자율협력주행과 관련된 메시지들을 실시간으로 송수신하고 공유하는 메시지 서버이다. 예를 들면, 이벤트 허브(Event Hubs)가 사용될 수 있다. 제 1 메시지 서버(1410)는 자율 주행차의 차량 모듈(1100)에서 전송되는 샘플링 데이터를 수신하여 데이터 저장부(1440), 제어부(1450), 제 3 메시지 서버(1430) 중 적어도 하나와 공유할 수 있다. 제 1 메시지 서버(1410)는 제어부(1450)에서 생성한 자율 주행차에 대한 제어 정보 등을 노변 기지국(1300)을 경유하여 전송할 수 있다.
제 2 메시지 서버(1420)는 인프라 데이터나 외부 데이터를 관제 서버(1400)와 연계하기 위한 데이터 메시지 서버이다. 제 2 메시지 서버(1420)는 C-ITS/ITS 감지기(1200)에서 감지된 트래픽 데이터나, 노변에 설치된 카메라나 레이더, 라이다 센서, 그리고 도로에서 발생하는 사고나 불법 주정차 등의 상황에 대한 데이터를 수신하고 데이터 저장부(1440)나 제 3 메시지 서버(1430)와 공유할 수 있다. 더불어, 제 2 메시지 서버(1420)가 수신하는 인프라 데이터나 외부 데이터에는 교차로나 횡단보도와 같은 구간에서 차량이나 보행자 신호를 제공하는 신호기, 정류장 근처에 설치되어 정체나 교통 상황을 센싱하는 비전 센서로부터 감지된 데이터도 포함될 수 있다. 또한, 인프라 데이터나 외부 데이터에는 정류장의 버스 출발 및 도착 스케줄을 제공하는 장비나 시스템(BIS, BMS, ATMS)을 포함할 수 있다.
제 3 메시지 서버(1430)는 온라인 시뮬레이션을 위한 데이터를 제공하고 시뮬레이션 결과를 제어부(1450)에 제공한다. 제 3 메시지 서버(1430)는 제 1 및 제 2 메시지 서버(1410, 1420)나 데이터 저장부(1440)를 통해서 제공되는 실시간 데이터나 비실시간 데이터를 온라인 시뮬레이션을 위한 자료로 외부에 제공할 수 있다. 더불어, 제 3 메시지 서버(1430)는 온라인 시뮬레이션 결과를 제어부(1450)에 전달할 수 있다.
데이터 저장부(1440)는 제 1 메시지 서버(1410) 또는 제 2 메시지 서버(1420)로부터 공유되는 실시간 또는 비실시간 데이터를 저장하고, 제어부(1450)나 빅데이터 분석부(1460), 결과 표출부(1470) 등에 제공한다. 데이터 저장부(1440)는 제 1 메시지 서버(1410)를 통해 실시간으로 제공되는 차량 모듈(1100)로부터 샘플링 데이터를 저장한다. 즉, 제 1 메시지 서버(1410)는 자율 주행차의 속도 센서, 가속도 센서, 회전율 센서, GPS 센서와 같은 위치 센서, 주변의 사물이나 상황을 인식하기 위한 레이더나 라이더 센서, 비전 센서 등으로부터 수집된 실시간 데이터를 저장한다. 더불어, 데이터 저장부(1440)는 C-ITS/ITS 감지기(1200)로부터 수집된 인프라 데이터나 외부 데이터를 저장한다. 저장된 데이터는 제어부(1450)를 통해서 안전 모니터링을 위한 데이터로 처리된다. 저장부(1430)는 관제 서버(1400)에서 관리하는 다양한 데이터를 저장하기 위한 스토리지들을 포함할 수 있다.
제어부(1450)는 자율 주행차로부터 제공되는 샘플링 데이터와 인프라/외부 데이터를 기초로 안전 모니터링을 위한 지수를 생성하거나 안전 지수를 기초로 자율 주행차의 주행 환경별로 최적 운영설계범위(ODD)를 생성할 수 있다. 제어부(1450)는 안전 모니터링부(1451), 권장 제한 속도 관리부(1453), 경로 생성/갱신부(1455), 그리고 고장 진단/대응 관리부(1457)를 포함할 수 있다.
안전 모니터링부(1451)는 실시간으로 제공되는 샘플링 데이터와 인프라/외부 데이터를 기초로 안전 지수를 생성할 수 있다. 그리고 안전 모니터링부(1451)는 산출된 안전 지수를 기초로 자율 주행차가 운행하는 도로의 주행 환경별로 최대 주행 속도와 같은 최적 운영설계범위(ODD)를 산출할 수 있다. 안전 모니터링부(1451)는 산출된 최적 운영설계범위(ODD)를 기초로 불완전한 이전의 운영설계범위(ODD)를 업데이트하고, 차량 특성이나 스펙별로 다양화된 운영설계범위(ODD)를 제공할 수 있다. 특히, 안전 모니터링부(1451)는 차량 모듈(1100)은 안전 성능을 모니터링하기 위한 통신 효율성과 데이터 신뢰성을 모두 고려한 샘플링 주기를 결정하고 차량 모듈(1100)에 제공할 수 있다.
권장 제한 속도 관리부(1453)는 차량 모듈(1100)과 C-ITS/ITS 감지기(1200)로부터 제공되는 샘플링 데이터와 인프라/외부 데이터를 사용하여 자율 주행차의 권장 제한 속도를 생성한다. 경로 생성/갱신부(1455)는 차량 모듈(1100)과 C-ITS/ITS 감지기(1200)로부터 제공되는 샘플링 데이터와 인프라/외부 데이터를 사용하여 자율 주행차의 출발-목적지까지의 최적 경로를 제공할 수 있다. 예를 들면, 경로 생성/갱신부(1455)는 불확실한 미래 교통 상황을 예측하고, 예측된 상황과 관련된 이동 시간을 고려하여 신뢰할 수 있는 출발지-목적지 이동 경로를 제공할 수 있다. 고장 진단/대응 관리부(1457)는 샘플링 데이터와 인프라/외부 데이터를 분석하여 차량이나 인프라 등에서의 고장을 진단한다. 고장 진단/대응 관리부(1457)는 자율 주행차의 고장이나 이상 여부, 그리고 C-ITS/ITS 감지기(1200)나 노변 기지국(1300)과 같은 인프라들이 통신 이상이나 에러를 검출하고 대응한다.
빅데이터 분석부(1460)는 차량 모듈(1100)과 C-ITS/ITS 감지기(1200)로부터 제공되는 샘플링 데이터와 인프라/외부 데이터를 사용하여 빅데이터를 생성하고 분석한다. 결과 표출부(1470)는 안전 모니터링부(1451)에서 생성된 안전 지수와 관련된 정보들을 관리자에게 시각적 데이터로 표시할 수 있다.
이상에서 설명된 본 발명의 관제 서버(1400)는 차량 모듈(1100)과 C-ITS/ITS 감지기(1200)로부터 제공되는 샘플링 데이터와 인프라/외부 데이터를 사용하여 안전 지수를 생성하고 최적의 운영설계범위(ODD)를 생성할 수 있다. 특히, 관제 서버(1400)는 차량 모듈(1100)은 안전 성능을 모니터링하기 위한 통신 효율성과 데이터 신뢰성을 모두 고려한 센서 데이터의 샘플링 주기를 결정하고 차량 모듈(1100)에 제공할 수 있다.
도 4는 도 3에 도시된 안전 모니터링부의 주요 기능들을 보여주는 블록도이다. 도 4를 참조하면, 안전 모니터링부(1451)는 모니터링 지수 관리부(1451a)와 ODD 지원부(1541b)를 포함할 수 있다.
모니터링 지수 관리부(1451a)는 차량 모듈(1100)에서 제공되는 샘플링 데이터를 사용하여 안전 지수를 생성하고 분석한다. 안전 지수에는, 예를 들면, 차량의 급감속(Severe Deceleration: 이하, SD), 측면 위치 변동(Lateral Position Variation: 이하, LPV) 및 역충돌 시간(Inverse Time to Collision: 이하, ITTC) 등이 포함될 수 있다. 이러한 안전 지수에 대한 구체적인 설명은 후술하는 도면들을 통해서 설명하기로 한다.
특히, 모니터링 지수 관리부(1451a)는 차량 모듈(1100)의 온보드 유닛(1130, 도 2 참조)에서 수행되는 이기종 센서들로부터 제공되는 원데이터(Raw data)의 샘플링 주기를 결정할 수 있다. 온보드 유닛(1130)은 CAD 시스템(1110)의 노변 기지국(1300)과 차량 모듈(1100) 간의 채널 대역폭과 안전 지수의 신뢰성을 모두 충족시킬 수 있는 샘플링 주기에 따라 이기종 센서 데이터에 대한 샘플링을 수행한다. 모니터링 지수 관리부(1451a)에 의한 샘플링 주기의 결정 방법은 원데이터와 샘플링 간격별 샘플링 데이터를 통계적으로 비교하는 방식(예를 들면, Kolmogorov-Smirnov 검정)이 사용될 수 있다. 샘플링 주기의 결정 방법은 후술하는 도면을 통해 상세히 설명될 것이다.
ODD 지원부(1541b)는 차량 모듈(1100)에서 실시간으로 제공되는 샘플링 데이터와 인프라/외부 데이터를 사용하여 도로 유형 및 기하학적 특징에 따른 자율 주행차의 안전 성능을 모빌리티 서비스 관점에서 분석할 수 있다. 더불어, ODD 지원부(1541b)는 분석 결과에 따라 도로 종류와 형상에 따라 어떤 서비스를 제공할 수 있는지 또는 자율주행 기반의 모빌리티 서비스를 도입하거나 확대하기 위해 어떤 도로 설계 수정이 필요한지 판단할 수 있다. 즉, ODD 지원부(1541b)는 실도로 주행 데이터에 기반하여 자율주행 기반의 모빌리티 서비스를 위한 운영설계영역(ODD)을 정의하고 서비스할 수 있다.
도 5는 본 발명의 안전 모니터링을 위한 안전 지수를 생성하는 시스템의 기능을 순차적으로 보여주는 도면이다. 도 5를 참조하면, 안전 모니터링 기능을 제공하기 위해서 CAD 시스템(1110), 온보드 유닛(1130), 노변 기지국(1300), 그리고 관제 서버(1400)가 순차적으로 데이터를 처리한다.
S10 단계에서, 안전 모니터링을 위해 먼저 CAD 시스템(1110)의 이기종 센서들이 자율 주행차의 거동에 따라 발생하는 센서 데이터들을 수집하고 동기화한다. 자율 주행차의 거동을 감지하기 위한 이기종의 센서들(1111~1116)은 서로 다른 시간 간격으로 원데이터(Raw data) 형태의 센서 데이터를 로봇 운용 시스템(ROS)과 같은 미들웨어를 통해 수집할 것이다. 이러한 복수의 원데이터(Raw data)를 취합하고 온보드 유닛(1130)에 전달하기 위해 CAD 시스템(1110)은 복수의 원데이터를 동기화할 것이다.
S20 단계에서, CAD 시스템(1110)에 의해서 수집 및 동기화된 대용량의 원데이터는 온보드 유닛(1130)에 전달된다.
S30 단계에서, 온보드 유닛(1130)은 원데이터를 샘플링하여 데이터의 사이즈를 축소시키고, 샘플링된 데이터를 전송하기 위한 통신 메시지를 생성한다.
S40 단계에서, 온보드 유닛(1130)은 샘플링 데이터와 통신 메시지를 패키지화하여 노변 기지국(1300)으로 전송한다.
S50 단계에서, 노변 기지국(1300)은 수신된 샘플링 데이터와 통신 메시지를 기반으로 통신망 상태를 계산한다. 즉, 노변 기지국(1300)에서 제공하는 통신 채널의 고장, 오류 상태나 대역폭 상태 등의 통신망 상태가 검출될 수 있다.
S60 및 S70 단계에서, 노변 기지국(1300)은 샘플링 데이터와 통신망 상태를 관제 서버(1400)로 전송한다.
S80 단계에서, 관제 서버(1400)는 수신된 샘플링 데이터와 통신망 상태 정보를 기초로 안전 성능 지수를 생성하고, 이를 기초로 자율 주행차의 안전 모니터링을 수행한다. 관제 서버(1400)는 노변 기지국(1300)에서 전송된 통신 메시지(예를 들면, V2X 메시지)를 Jason과 같은 서버에서 보다 쉽게 분석할 수 있는 형식으로 변환한다. 그리고 변환된 통신 메시지를 메시지 서버에 저장한다. 하여 실시간으로 데이터를 쉽게 저장하고 공유할 수 있는 메시지 브로커에 저장한다. 관제 서버(1400)는 메시지 서버에 저장된 데이터를 기반으로 자율 주행차의 각 요소에 대한 안전 지수(예를 들면, SD, LPV, ITTC 등)를 계산한다. 그리고 생성된 안전 지수를 통해 산출된 안전도를 결과 표출부(1470)에 표시하여 관련 정보를 관제 서버의 관리자에게 제공한다. 안전 지수는 차량/도로 구간별로 차량 정비, 성능 향상, 위험한 지역 경고 등에 활용될 수 있다.
도 6은 본 발명의 실시 예에 따른 안전 지수의 샘플링 주기를 결정하는 방법을 간략히 보여주는 순서도이다. 도 6을 참조하면, 실주행 데이터를 기반으로 자율 주행차의 통신 효율성과 안전 지수의 신뢰도를 모두 충족할 수 있는 샘플링 주기(또는, 간격)를 계산할 수 있다.
S110 단계에서, 차량 모듈(1100)에서의 데이터 전송을 위한 샘플링 주기가 안전 지수의 신뢰도와 통신 효율성에 미치는 영향을 분석하기 위한 데이터 수집이 진행된다. 데이터 수집을 위해 다양한 센서가 장착된 차량을 실제 도로에서 주행하면서 다양한 위험 상황에 대한 데이터를 획득할 수 있을 것이다. 데이터 수집을 위한 시승시, 정상 주행과 비정상 주행의 두 세션으로 나누어 진행될 수 있다. 정상 주행 세션에서는 커낵티드 자율 주행차(CAV)가 안전 관련 이벤트를 일으키지 않고 미리 정의된 하나의 경로를 주행할 것이다. 반면, 비정상 주행 세션에서 커낵티드 자율 주행차(CAV)는 미리 정의된 경로를 6회 주행하면서 급감속(SD), 좌우 틸트, 급가속 등 안전 관련 이벤트를 발생시킬 수 있을 것이다. 수집된 데이터는 관제 서버(1400)의 데이터 저장부(1440)에 저장될 수 있다.
S120 단계에서, 관제 서버(1400)는 복수의 안전 지수들 중 분석을 위한 어느 하나에 대응하는 수집 데이터가 선택될 수 있다. 예를 들면, 수집된 데이터들 중에서 급감속(SD), 측면 위치 변동(LPV), 그리고 역충돌 시간(ITTC) 들 중에서 어느 하나가 선택될 수 있다.
S130 단계에서, 관제 서버(1400)는 선택된 어느 하나의 안전 지수에 대응하는 데이터를 사용하여 샘플링 포인트를 분석한다. 예를 들면, 급감속(SD) 데이터가 선택된 경우, 관제 서버(1400)는 수집된 급감속(SD) 데이터의 원데이터 포인트와 샘플링 데이터 포인트 간의 차이를 분석하여 각 샘플링 주기에 따른 안전 지수의 특성을 분석한다.
S140 단계에서, 다양한 샘플링 주기에서 안전 관련 이벤트의 오류 및 지연 분포를 분석한다. 예를 들면, 각 샘플링 주기별로 급감속(SD) 이벤트의 발생을 감지한 경우와 급감속(SD) 이벤트의 발생을 놓친 경우를 검출해 낼 수 있다. 또한, 원데이터의 피크 지점과 각 샘플링 주기에서 샘플링된 데이터의 피크 지점 사이의 시간차를 검출할 수 있다. 이때 검출된 시간차는 급감속(SD) 이벤트 감지의 지연을 나타낸다. 샘플링 주기(또는 간격)의 증가는 탐지된 케이스와 누락된 케이스의 분포에 다른 영향을 나타낸다.
S150 단계에서, 안전 지수의 수집에서 통신 효율성과 안전 지수의 신뢰성을 모두 고려하여 목적 함수를 기반으로 각 샘플링 주기에 대한 전반적인 성능을 평가한다. 예를 들면, 데이터의 압축률(샘플링 주기)로 통신 효율성을 평가하고, 탐지 성공률(중요한 이벤트를 얼마나 많이 탐지했는지)로 신뢰성을 평가할 수 있다. 이를 위한 목적 함수는 아래 수학식 1로 표현될 수 있다.
Figure PCTKR2022020339-appb-img-000001
여기서, 'wcom'은 통신 효율 가중치, 'wrel'은 안전 지수의 신뢰성 가중치, 'xST=k comp rate'는 샘플링 주기 k로 샘플링된 데이터의 원데이터에 대한 압축율, 'xST=k suc rate'는 샘플링 주기 k로 샘플링된 데이터의 원데이터에 검출 성공율을 나타낸다.
S160 단계에서, 수집된 복수의 안전 지수들 중에서 S150 단계에서 처리한 안전 지수가 마지막 안전 지수인지 체크한다. 만일, S150 단계에서 처리한 안전 지수가 마지막 안전 지수에 해당하는 경우('예' 방향), 절차는 S170 단계로 이동한다. 반면에, S150 단계에서 처리한 안전 지수가 마지막 안전 지수가 아닌 경우('아니오' 방향), 절차는 S120 단계로 복귀하여 평가할 안전 지수를 선택하고, 선택된 안전 지수에 대한 샘플링 포인트 및 지연 및 오류 분석을 위한 절차를 진행할 것이다.
S170 단계에서, 각 안전 지수별 통신 효율성과 신뢰성의 트레이드 오프를 반영하는 목적 함수를 사용하여 최적 샘플링 주기를 결정한다. 본 발명의 실시 예에 따른 분석 결과에 따르면, 샘플링 주기의 증가는 3 가지 안전 지수 모두에 대해 통신 효율성에 유사한 영향을 미치는 것으로 나타났다. 안전 지수의 계산에 필요한 원데이터의 크기에 따라 변화 정도는 다르지만, 3 가지 안전 지수 모두 샘플링 주기(간격)가 0.5초 이상일 때 통신 효율이 90% 이상 향상되는 것으로 나타났다. 지수의 정확성과 관련하여 3 가지 안전 지수에 대해 다른 결과가 관찰된다. 급감속(SD)의 경우 샘플링 간격이 0.5초일 때 성공률은 약 0.7로 나타나, 3 개의 지수 중 정확도에 중간 정도의 영향을 미치는 것으로 나타났다. 측면 위치 변동(LPV)의 경우 샘플링 간격이 0.5초일 때 정확도는 0.996이었고 임계 이벤트 기간이 길기 때문에 성공률의 변화가 거의 없었다. 역충돌 시간(ITTC)의 경우 크리티컬 이벤트의 짧은 지속 시간으로 인해 샘플링 간격이 0.5초일 때 성공률이 0.254로 가장 크게 변경되었다. 3 가지 안전 지수의 성공률 변화 패턴이 다르기 때문에 각 지수에 대한 최적의 샘플링 간격은 급감속(SD)은 0.2초, 측면 위치 변동(LPV)은 5초, 역충돌 시간(ITTC)은 0.2초로 도출되었다.
도 6에서 도시된 데이터 흐름에 따르면, CAD 시스템(1110)에서 노변 기지국(1300)과 관제 서버(1400)로 전송되는 통신 메시지는 각각의 개별적인 지수가 아닌 CAD 시스템(1110)의 안전 모니터링을 통합 활용하도록 설계됐다. 안전 지수별 샘플링 간격이 다른 메시지를 설계하고, 안전 모니터링에 적용하면 메시지 수가 증가하여 통합 효율성이 떨어질 수 있다. 따라서, 특성이 다른 지수를 적용한다는 점에서 0.2초의 샘플링 간격을 균일하게 적용하는 것이 더 유리한다. 또한, 측면 위치 변동(LPV)과 같이 크리티컬 이벤트 기간이 긴 지수의 경우, 샘플링 주기를 늘림으로써 얻는 이득의 증가가 다른 두 지수에 비해 크지 않다. 시스템의 전체 효율성을 최적화하기 위해서는 급감속(SD), 측면 위치 변동(LPV), 그리고 역충돌 시간(ITTC) 각각의 안전 지수의 샘플링 주기를 0.2초로 설정하는 것이 바람직하다.
이하에서는 안전 지수별 샘플링 포인트, 데이터의 지연 및 오류, 그리고 목적함수 평가 절차를 급감속(SD)을 예로 들어 간략히 설명될 것이다.
도 7은 안전 지수들 중 샘플링 주기별 급감속(SD) 데이터의 변화를 예시적으로 보여주는 그래프들이다. 도 7을 참조하면, 예시적인 샘플링 주기들(0.1초, 0.2초, 0.5초, 1초, 2초, 5초, 10초)에 대한 급감속(SD) 데이터의 변화들이 각각 도시된다.
그래프들 (a)~(f) 각각에서 회색 실선과 검은색 이중선은 각각 원데이터와 샘플링된 데이터를 나타낸다. 또한, 검은색 이중선으로 표시된 샘플링 데이터에서 검은색 사각형은 데이터가 수집된 지점을 나타낸다. 도시된 그래프에서, 자율 주행차는 초기에 가속도가 0에 가까운 등속으로 주행하다가 최대 -3.4m/s2까지 급감속한 후 다시 가속도 0m/s2로 돌아갔다. 이 경우 약 2초 동안 감속량을 증가시킨 후 10초 동안 감속량을 감소시켰다. 피크 포인트는 282.05초와 282.33초에서 발생했다. 또한, 샘플링 간격이 증가할수록 추출된 데이터의 감속 피크 지점이 증가하여 원데이터에 비해 지연되는 것을 알 수 있다. 원데이터의 피크 포인트는 282.05초와 282.33초에서 -3.4m/s2의 크기로 발생했다. 그러나 샘플링 주기가 0.1, 0.2, 0.5, 1, 2, 5, 10초로 증가할수록 피크 포인트는 -3.3, -3.3, -3.3, -3.2, -2.8, -2.7, - 2 및 -0.9m/s2이다. 또한 피크가 발생한 시점이 282.47, 282.51, 282.49, 283.25, 283.19, 284.69, 289.85초로 지연되는 시간을 보였다. 전반적으로 샘플링 간격이 증가할수록 데이터가 평활화되고 검출이 지연됨을 알 수 있다.
도 8은 다양한 샘플링 주기에서 급감속(SD) 이벤트의 지연 및 오류 분포의 변화를 보여준다. (a)와 (c)는 급감속(SD) 이벤트의 발생을 탐지한 경우를, (b)와 (d)는 급감속(SD) 이벤트의 발생을 놓친 경우를 각각 보여준다. 더불어, (a)와 (b)는 원데이터의 피크 지점과 샘플링된 데이터의 피크 지점 사이의 시간차를 보여준다. 이 시간차는 급감속(SD) 이벤트 감지의 지연을 나타낸다. 샘플링 주기의 증가는 감지된 케이스와 누락된 케이스의 분포에 다른 영향을 나타낸다.
(a)는 급감속(SD) 이벤트가 감지된 경우의 지연 분포를 보여준다. 샘플링 간격이 0.1초에서 10초로 증가하면 지연 모드는 0.088초에서 0.172초로 증가하고 표준편차는 0.041초에서 1.30초로 증가한다. 따라서, 샘플링 주기가 증가할 때 지연 모드 간격의 증가보다 표준편차의 증가가 더 명확하게 관찰된다. 이는 평균 약 2.1초인 급감속(SD) 이벤트의 지속 시간과 관련이 있다. 샘플링 주기가 이벤트 기간의 평균보다 크면 급감속(SD) 이벤트를 놓칠 가능성이 있음을 지시한다.
(c)와 (d)는 서로 다른 샘플링 간격에서 샘플링된 데이터의 오차 분포의 변화를 보여준다. 데이터 분포에 대한 샘플링 간격의 효과는 탐지된 케이스와 누락된 케이스에서 다른 것으로 나타난다. 탐지된 경우, 샘플링 간격이 0.1초에서 10초로 증가하면 모드 간격은 1.087에서 1.263m/s2로 증가하는 반면 표준편차는 0.133에서 0.342 m/s2로 변한다. 원데이터의 피크 포인트와 임계 이벤트의 차이(-2.94m/s2)가 원데이터의 피크 포인트와 샘플링된 데이터의 피크 포인트 간의 차이보다 크기 때문에, 표준편차의 변화는 모드의 변화보다 더 크다.
결과적으로, 탐지된 케이스는 샘플링 간격이 증가함에 따라 누락된 케이스가 됨을 알 수 있다. 따라서, 탐지된 케이스의 모드는 원데이터의 피크 포인트 값과 임계값에 의해 제한된다. 반면, 이벤트의 탐지를 놓친 경우에는 샘플링 간격이 0.1초에서 10초로 증가함에 따라 모드가 0.329에서 3.040 m/s2으로 증가한다. 같은 상황에서 표준편차는 각각 0.312에서 0.978m/s2으로 변경된다. 이벤트의 탐지를 놓친 경우, 모드 간격과 표준 편차의 변화가 모두 크다. 탐지된 경우와 달리 놓친 경우에는 샘플링 간격이 증가할 때 샘플링된 데이터가 0으로 평활화되고 샘플링 데이터의 변화가 감소한다. 결과적으로, 원데이터의 가속도 및 표준편차에서 멀어진다.
도 9는 서로 다른 샘플링 주기를 적용했을 때의 안전 지수의 신뢰도와 통신 효율의 변화를 보여준다. 도 9를 참조하면, 종방향의 급감속(SD) 이벤트에 대응하는 안전 지수의 탐지 성공률, 압축률, 그리고 가중치 합이 샘플링 간격별로 도시된다.
안전 지수의 신뢰도(탐지 성공률 측면에서)는 검은색 실선과 원으로 표시된다. 안전 지수의 신뢰도가 1에 가까우면 모든 중요한 이벤트가 감지되었음을 의미한다. 안전 지수의 신뢰도가 0에 가까울수록 원데이터보다 더 적은 중요 이벤트가 감지됨을 나타낸다. 통신 효율성에 대응하는 압축률은 검은색 점선과 검은색 마름모로 표시된다. 압축률 값은 원데이터 양에 대한 감소된 샘플링 데이터 양의 비율이다. 압축률이 1에 가까울수록 데이터 축소 크기가 커지고, 압축률이 0에 가까울수록 데이터 축소 정도는 작아진다. 탐지 성공률과 압축률의 가중평균은 검은색 점선과 검은색 삼각형으로 표시하고 가중치를 각각 0.5로 설정하였다.
도시된 바와 같이, 샘플링 주기가 0.1초에서 5초로 증가할수록 탐지 성공률이 감소하는 것을 알 수 있다. 그러나 감소 정도는 다르다. 샘플링 주기가 0(원데이터)에서 1초로 변경되면 탐지 성공률이 0.454만큼 감소하지만 1초에서 5초로 변경하면 0.329만큼 감소한다. 탐지 성공률과 달리 압축률은 샘플링 주기에 따라 지속적으로 증가한다. 그러나 샘플링 주기에 따라 증가하는 경향이 다르게 나타났다. 샘플링 주기가 0(원데이터)에서 0.2초로 변경되면 압축률이 0.905 증가하지만, 0.2에서 5초로 변경하면 압축률이 0.091 증가한다. 또한, 탐지 성공률과 압축률의 경향이 다르기 때문에 두 값의 가중합의 피크점이 0.2초에서 관찰되었다. 즉, 0.2초 이전에는 압축율의 급격한 증가가 가중합에 큰 영향을 미치므로 가중합이 증가한다. 그러나 0.2초 이후에는 탐지 성공률의 효과가 더 커져 가중치 합이 감소하였다. 이러한 결과를 고려할 때, 급감속(SD) 데이터의 샘플링 간격은 0.2초가 바람직하다.
이상에서는 급감속(SD) 데이터를 예로 들어 샘플링 포인트, 데이터의 지연 및 오류, 그리고 목적 함수 평가 절차를 간략히 설명하였다. 급감속(SD) 데이터와 마찬가지로, 측면 위치 변동(LPV)이나 역충돌 시간(ITTC)에 대해서도 동일한 방식의 분석을 통해 최적 샘플링 주기(간격)의 설정이 가능하다.
도 10은 도 4에 도시된 안전 모니터링부의 ODD 지원부의 기능을 간략히 보여주는 순서도이다. SAE J3016(미국 자동차 공학회 자율주행 기술 기준)에 따르면, 운행설계조건(ODD)은 "주어진 주행 자동화 시스템 또는 그 기능이 작동하도록 특별히 설계된 작동 조건"으로 정의된다. 종래의 자율 주행차 기반의 모빌리티(Automated Vehicle-based Mobility: 이하, AVM) 서비스는 자율 주행을 가능하게 하는 ODD를 고려하지 않고 특정 조건에서 서비스가 제공될 수 있는지 여부만 판단하여 구현하고 있다. 따라서, 도로 종류에 따라 어떤 서비스를 제공할 수 있는지와, 자율 주행 기반 모빌리티(AVM) 서비스를 도입하거나 확대하기 위해 어떤 도로 설계 수정이 필요한지 판단하기 위한 방안이 필요하다. 본 발명에서는 다양한 도로 유형이나 기하학적 특징에서 자율 주행차(AV)의 안전 성능을 모빌리티 서비스의 관점에서 분석하고, 새로운 자율 주행 기술 개발을 위한 모빌리티 요구 사항을 식별하는 수단을 제공할 수 있다.
도 10을 참조하면, ODD 지원부(1541b)는 차량 모듈(1100)에서 제공되는 샘플링 데이터와 인프라/외부 데이터를 사용하여 도로의 유형과 기하학적 특징에 따라 자율 주행차의 안전 성능을 분석할 수 있다. 더불어, ODD 지원부(1541b)는 분석 결과에 따라 도로 유형에 따라 어떤 서비스를 제공할 수 있는지 또는 자율주행 기반의 모빌리티 서비스를 도입하거나 확대하기 위해 어떤 도로 설계 수정이 필요한지 판단할 수 있다. 즉, ODD 지원부(1541b)는 자율주행 기반의 모빌리티 서비스를 위한 운영설계영역(ODD)를 정의하고 서비스할 수 있다.
S210 단계에서, ODD 지원부(1541b)는 자율 주행차 기반의 모빌리티(Automated Vehicle-based Mobility: 이하, AVM) 서비스를 위한 도로 유형을 분석한다. 여기서, 도로의 유형은 도로의 목적 또는 용도에 따라 분류될 수 있다. 예를 들면, 도로의 용도에 따라 고속도로(Expressway), BRT 차로(BRT Lane), 간선 도로(Principal arterial road), 소간선 도로(Minor arterial road), 수집 도로(Collector road), 그리고 지역 도로(Local road) 등으로 분류 가능하다. 그리고 ODD 지원부(1541b)는 분류된 도로 유형과 AVM 서비스(S1~S7)를 매치시킨다. AVM 서비스는 S1(AV 고정 경로 서비스-전용), S2(AV 고정 경로 서비스-비전용), S3(AV 주문형 교통 서비스-그룹), S4(AV 주문형 교통 서비스-바이패스), S5(보조 대중 교통-주문형, 도시), S6(보조 대중 교통-주문형, 시골), S7(AV 택시) 등으로 구분될 수 있다.
S220 단계에서, 현장 테스트를 통해서 자율 주행차의 위험 이벤트와 관련된 데이터를 수집한다. 여기서, 위험 이벤트 데이터는 적응형 크루즈 컨트롤(ACC) 및 차선 유지 어시스트 기능의 오류와 같은 AV 시스템 오작동으로 정의된다. ACC 기능은 급경사 또는 커브와 같은 도로 형상에 의해 유발되는 심각한 섭동으로 인해 종종 꺼진다. 마찬가지로, 기하학적 도로 설계로 인해 차선 유지 어시스트 기능은 일반적으로 실패하여 선에 닿거나 선을 넘을 수 있다.
S230 단계에서, ODD 지원부(1541b)는 도로 유형별로 위험 이벤트 데이터를 기초로 주행 안전도를 분석한다. 예를 들면, ODD 지원부(1541b)는 도로 유형별로 위험 이벤트의 발생 횟수를 카운트하여 상대적인 위험도를 비교할 수 있다.
S240 단계에서, ODD 지원부(1541b)는 도로망 및 사고 데이터에 대한 전처리를 수행한다. 도로망 데이터는 종방향 경사, 수평 선형, 차선 수의 3 가지 주요 변수로 구성될 수 있다. 또한, 종방향 경사 및 곡선 반경 값의 변화는 각 링크의 속성으로 생성되었으며, 이전 링크의 종방향 경사/곡선 반경 값에서 현재 링크의 종방향 경사/곡선 반경 값을 빼서 계산할 수 있다. 전처리를 위해 사용한 고속도로 데이터는 고속도로 건설, 유지, 관리를 위해 구축된 것일 수 있다. 따라서, 길이 방향 기울기와 곡선 반경의 변화는 단일 링크 내에서 발생한다. 상관분석 전에 고속도로의 도로망 데이터를 전처리하여 하나의 링크가 동질적인 특성을 갖도록 한다. 하나의 링크에 대한 수평 선형, 원곡선 반경, 종방향 경사 및 차선 수 값은 변경되지 않았다. 예를 들어, 도로 링크가 직선에서 곡선 구간으로 변경되면 직선 도로와 곡선 도로의 두 링크로 나뉜다. 여기서, 링크별 사고 발생률은 아래 수학식 2로 표현될 수 있다.
Figure PCTKR2022020339-appb-img-000002
여기서, 여기서 연간 평균 일일 트래픽(AADT)은 연간 트래픽 볼륨을 특정 세그먼트에 대한 365일로 나눈 값이다.
S250 단계에서, ODD 지원부(1541b)는 위험 도로 구간을 식별하고 분류한다. 자율 주행차의 위험 발생 데이터는 S220 단계에서 수집한 주행 영상 데이터를 기반으로 생성할 수 있다. 위험 도로 구간의 기하학적 특성을 분석하기 위해 고속도로 포스트 마일을 기반으로 S240 단계에서 전처리한 고속도로망 데이터와 자율주행 위험 발생 데이터를 매칭할 수 있다. 위험 구간의 기하학적 특성은 분류 및 회귀 트리(Classification And Regression Tree: 이하, CART) 모델을 사용하여 데이터를 일치시켜 분석할 수 있다. CART 모델은 명목 변수와 연속 변수를 모두 분석할 수 있기 때문에 선택되었다. CART 모델은 지니 지수(G)를 사용하여 불순물을 최소화하여 데이터 세트를 분류한다. 지니 지수(G)는 다음 수학식 3을 사용하여 계산될 수 있다.
Figure PCTKR2022020339-appb-img-000003
여기서, P는 클래스 k에 속하는 샘플의 비율이고, k는 대상 변수의 클래스를 나타낸다(k = 1, 2, 3, …m). 지니 지수(G)의 범위는 0과 1 사이이며, 지니 지수(G)가 0.5에 가까워질수록 불순물이 증가한다. CART 모델은 입력 변수를 기반으로 G의 불순물이 최소일 때 결정 트리를 분기한다. 이 모델의 입력 변수는 종방향 경사, 수평선형, 원곡선 길이, 원곡선 반경, 차선수, 종방향 경사 변화, 원곡선 길이 변화, 차선수 변화이다. 이 모델의 출력 변수는 자율 주행차로 인한 위험상황 발생이다.
S260 단계에서, ODD 지원부(1541b)는 CART 모델의 지니 지수(G)를 기초로 위험 도로 구간을 식별하고 분류한다.
도 11은 용도에 따른 도로의 유형들을 예시적으로 보여준다. 도 11을 참조하면, 용도에 따라 도로는 고속도로(Expressway), BRT 차로(Bus Rapid Transit Lane), 간선 도로(Principal arterial road), 소간선 도로(Minor arterial road), 수집 도로(Collector road), 그리고 지역 도로(Local road)로 분류될 수 있다.
고속도로는 고속 주행이 가능하며 분류된 도로 중 종방향 경사와 곡선이 가장 작다. BRT(Bus Rapid Transit) 차로는 버스가 다른 차량과 섞이지 않고 효율적으로 운행할 수 있도록 설계되었다. 간선 도로는 시군 내 주요 지역 간 또는 시군간 대중 교통을 처리하여 시군의 골격을 형성한다. 소간선도로는 주요 간선도로와 수집도로 또는 주요 교통원을 연결하며, 시 또는 도의 교통량이 모여서 이웃 주거 지역의 외곽을 형성할 수 있도록 한다. 수집도로는 근린 주거 지역의 교통을 소간선도로와 연결하여 근린 주거 지역의 교통이 근린 주거 지역 내부에 모여 흩어지고 나눌 수 있도록 한다. 지역 도로는 주택 단위(도로로 둘러싸인 지역 그룹)를 나눈다.
도 12는 도로 유형과 AVM 서비스 유형의 매칭을 보여주는 표이다. 도 12를 참조하면, 서비스 유형(S1)은 BRT 차선과 고속도로에서 작동한다. 서비스 유형(S2)는 고속도로와 간선도로에서 운영된다. 서비스 유형(S3)은 고속도로, 간선도로 및 소간선도로에서 운영된다. 서비스 유형(S4)는 간선도로와 소간선도로에서 운영된다. 서비스 유형(S5)는 간선도로, 소간선도로 및 수집도로에서 운영된다. 서비스 유형(S6)은 수집 도로 및 지역 도로에서 운영된다. 마지막으로 서비스 유형(S7)은 BRT 차선을 제외한 모든 도로에서 운영된다.
도 13은 도로 유형별 위험 이벤트의 발생 횟수를 예시적으로 보여주는 그래프이다. 도 13을 참조하면, 위험 상황은 고속도로, BRT 차로, 간선도로에서 각각 평균 7.3km, 1.8km, 6.9km마다 1회씩 발생하여 다른 유형의 도로보다 높은 안전성을 보였다. 소간선 도로와 수집 도로는 각각 1.1km 및 0.55km당 1회의 위험 상황이 발생하는 것으로, 상대적으로 낮은 안전성을 보였다. 지방 도로에서는 차선이 유실되거나 명확하지 않아 테스트가 불가능할 정도로 성능이 좋지 않았다. 테스트 결과, 고속도로에서 AVM 서비스를 구현하는 것이 가장 쉽고 안전한 것으로 나타났고 그 다음이 간선 도로로 나타났다.
도 14는 도로 유형별 2가지 위험 상황(라인 초과와 라인 터치)의 발생 빈도를 보여준다. 도 14를 참조하면, 고속도로의 형상이 매끄럽게 변하도록 설계되었기 때문에 자율 주행 기능이 가장 잘 작동함을 알 수 있다. 고속도로에서는 평균 264km마다 1회씩 차량이 라인을 넘는 이벤트가 발생했으며, 이러한 현상은 급격한 곡선과 기하 형상이 급격하게 변하는 합류 구간에서 자주 발생하였다. 고속도로에서 라인 터치(touched-the-line) 이벤트는 평균 8km마다 한 번 발생했다. 그것은 차선이 이중으로 그려지고 약간 날카로운 커브에서 그리고 노면이 고르지 않은 구간에서 발생했다. 또한, 일반 차로보다 과도하게 넓은 차선과 홈이 있는 구간에서 반복적인 터치라인 이벤트로 인해 차량 제어의 불안정성이 발생하였다. 전반적으로 고속도로는 현재 기술 수준의 자율주행 기술 수준에서 AVM 서비스를 적용하기에 가장 실현 가능한 도로 유형임을 알 수 있다.
BRT 차로에서는 평균 6km에 1번의 라인 초과 이벤트(over-the-line event)가 발생한 반면, 평균 4km에 1번씩 라인 터치(touched-the-line) 이벤트가 발생했다. BRT 차로의 안전성을 저하시키는 요인은 버스 크기에 비해 좁은 차선 폭, 합류 및 분기 지역의 급격한 기하학적 변화, 교량 및 지하도의 진입 및 출구에서의 급격한 경사 등이 있다. 이에 비해 간선도로는 평균 27km당 1건, 평균 27km당 1건으로 고속도로에 이어 2위의 운전 안전성을 보였다. 간선도로의 위험 이벤트는 고속도로와 마찬가지로 급곡선 구간과 차로 폭이 좁은 구간에서 발생하였다. 그러나 간선도로에서의 운전 안전성은 고속도로보다 급커브가 빈번하게 발생하여 열악함을 알 수 있다.
간선도로에서는 평균 5km당 1건의 라인 초과 이벤트가, 평균 4km당 1건의 라인 터치 이벤트가 발생하여, BRT 차로와 유사한 주행 안전성을 보였다. 간선도로의 경우 잦은 급커브와 급격한 도로폭 변화로 인해 주행 성능이 저하되었다. 수집 도로는 평균 2km당 1건의 라인 초과 이벤트, 평균 1km당 1건의 라인 터치 이벤트가 발생하여 상대적으로 낮은 주행 안전성을 보였다. 이것은 열악한 차선 표시와 도로 상황 때문이다. 마지막으로, 지역 도로에서는 차선이 없어 운전이 거의 불가능했다. 따라서, 자율주행 기반 모빌리티(AVM) 서비스를 도입하기 위해서는 많은 기술적 개선이 필요함을 확인할 수 있다.
도 15는 CART 모델 기반으로 위험 이벤트의 발생과 도로 형상간의 관계를 보여주는 그래프이다. CART 모델에서, 입력 변수는 종방향 경사, 수평선형, 원곡선 길이, 원곡선 반경, 차선 수, 종방향 경사 변화, 원곡선 길이 변화, 차선 수 변화이다. 그리고 CART 모델에서 목표변수는 도로주행 테스트 결과에서 위험 이벤트의 발생이다. CART 분석에 기초하여 15개 그룹을 수학식 3의 지니 지수(G)로 분류하였다.
직선 도로 중에서 제 1 그룹(Group 1)은 가장 내리막길을 많이 포함하고, 제 2 그룹(Group 2)은 가장 오르막길을 많이 포함하였다. 내리막 길은 오르막 길보다 약간 더 위험한 것으로 나타났다. 곡선 도로는 제 3 내지 제 15 그룹(Group 3- Group 15)로 분류되었다. 일반적으로 곡선 반경이 작을수록, 그리고 곡선이 길수록 위험 이벤트의 발생률이 높아진다. 제 3 그룹(Group 3)은 곡선 반경이 매우 작았지만 곡선이 매우 짧기 때문에 위험 이벤트가 발생할 확률이 낮다. 이는 급격한 곡선 구간에서도 곡선의 길이가 길지 않으면 자율 주행차가 안전하게 주행할 수 있음을 의미한다. 제 4 그룹(Group 4) 내지 제 9 그룹(Group 9)은 작은 곡선 반경을 가지며, 작고 날카로운 많은 곡선 섹션들을 특징으로 하는 형상들을 포함한다. 그 결과 가파른 오르막길을 제외하고는 급격한 곡선 구간에서도 검증된 자율 주행 기술로 안전한 자율 주행이 가능함을 확인했다.
제 10 그룹 내지 제 15 그룹(Group ~ Group 15)에는 완만한 길이 방향 경사 영역과 큰 곡선 반경이 있는 형상이 포함된다. 위험한 사건이 발생할 확률이 0.444인 제 14 그룹(Group 14)에는 세로 경사가 2.591%(약 1.484°) 이상인 가파른 오르막 구간이 포함된다. 가파른 오르막 구간이 포함된 제 8 그룹(Group 8)도 위험 이벤트의 발생 확률이 높다.
전체적인 경향은 작은 곡률 반경과 오르막 경사가 있는 곡선 부분이 특징인 구간(제 14, 10, 4, 8, 6 그룹)에서 더 빈번한 위험 이벤트가 발생함을 보여준다. 거의 직선 또는 내리막 곡선 부분이 특징인 구간(제 5, 7, 12, 3, 15 그룹)에서 위험 이벤트가 더 적게 발생했다.
도 16은 자율 주행차의 위험 확률로 분류된 각 그룹의 운전자 사고 확률을 보여준다. 제 4 그룹(Group 4), 제 5 그룹(Group 5), 그리고 제 14 그룹(Group 14)은 사고 확률이 가장 높았다. 제 4 그룹(Group 4)과 제 5 그룹(Group 5)에서는 운전자의 시야를 제한할 수 있는 급격한 곡선 반경이 있는 내리막 구간이 포함된다. 따라서 사고율이 높았다. 제 14 그룹(Group 14)은 가파른 오르막 구간이 있는 완만하게 굽은 도로이다. 특히, 이 구간은 1km 이상의 곡선 구간을 포함한다. 이는 곡선이 긴 곡선 오르막 구간이기에 전방 물체 인식 지연으로 인해 사고율이 높다는 것을 의미한다.
도 17은 자율 주행차와 사람이 운전하는 차량의 위험율을 정리한 표이다. 도 17을 참조하면, 도 15와 도 16을 기반으로 자율 주행차와 사람이 운전하는 차량의 위험율 결과가 수치로 나타나 있다. 제 5 그룹(Group 5)은 자율 주행차의 경우 위험한 사건이 발생할 확률은 낮지만, 인명 사고율이 높은 것으로 나타났다. 제 5 그룹(Group 5)은 급곡선 구간이 있는 내리막 길이지만, 제 4 그룹(Group 4)과 경사 변화의 방향이 반대이다. 운전자의 경우 급곡선 구간에서 오르막길에 시야가 제한되어 사고가 자주 발생한다. 그럼에도 불구하고 자율 주행차는 길이 방향 경사가 오르막에서 내리막으로 크게 바뀌는 도로에서 더 안전하게 운전할 수 있음을 알 수 있다. 일반적으로 지면에서 비전 센서의 높이는 운전자의 눈보다 높기 때문에 자율 주행차는 일반적으로 위험한 상황을 더 잘 예방할 수 있다.
마찬가지로 제 11 그룹(Group 11)의 경우 커브가 완만에서 가파르게 갑자기 바뀌었을 때 사람이 운전하는 차량은 시각적 인식 오류로 인해 높은 사고율을 보인다. 만면, 자율 주행차는 도로 환경을 식별하고 차량을 보다 정확하게 조종할 수 있다. 한편, 3차선 오르막길과 급곡선 구간을 나타내는 제 8 그룹(Group 8)의 결과에서 볼 수 있듯이, 인명 사고율은 상대적으로 낮고, 반면 자율 주행차는 볼록형 종단 곡선(crest vertical curve)의 제한된 시거리(sight distance)로 인해 위험 이벤트의 가능성이 높다.
도 18은 한국의 고속도로의 위험 구간 매핑 결과를 보여준다. 도 18을 참조하면, 빨간색, 노란색, 초록색 부분은 각각 자율 주행차와 운전자, 운전자만, 자율 주행차만 위험한 고속도로 구간을 나타낸다. 파란색 부분은 운전자와 자율 주행차가 모두 안전한 것으로 확인된 도로를 나타낸다.
(a)는 총연장 4821.2km의 북서 방면 고속도로를 보여준다. 제 4 그룹 및 제 14 그룹에 해당하는 빨간색 섹션의 총 길이는 219.2km 또는 도로망의 4.5%이다. 노란색 구간의 총 길이는 9.1km 또는 도로망의 0.2%이다. 녹색 구간의 총 길이는 1483.1km로 도로망의 30.6%이다.
(b)는 총연장 4705km의 남동 방향 고속도로를 보여준다. 남동방향 도로에서 자율 주행차와 운전자, 운전자만, 자율주행차만 위험하다고 판단된 구간의 총길이는 각각 128.7km(2.7%), 6.4km(0.1%), 그리고 1058.7km(22.5%)이다.
이러한 결과는 현재의 자율 주행차가 사람이 운전하는 차량에 비해 취약한 부분에 노출될 확률이 더 높다는 것을 시사한다. 즉, 의사 결정자는 자율 주행차 기능의 긍정적인 효과를 무효화하지 않도록 AVM 서비스를 위한 공간 영역의 우선 순위를 지정할 수 있다.
상술된 내용은 본 발명을 실시하기 위한 구체적인 실시 예들이다. 본 발명은 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 발명은 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 발명의 범위는 상술된 실시 예들에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.

Claims (5)

  1. 노변 기지국을 통해 자율 주행차로부터 전송되는 샘플링 데이터와 인프라 데이터를 수신하는 관제 서버에 있어서:
    상기 샘플링 데이터와 상기 인프라 데이터를 수신하는 적어도 하나의 메시지 서버;
    상기 메시지 서버를 통해서 실시간 또는 비실시간으로 전송되는 상기 샘플링 데이터와 상기 인프라 데이터를 저장하는 데이터 저장부; 그리고
    상기 샘플링 데이터와 상기 인프라 데이터를 사용하여 상기 자율 주행차의 안전 모니터링을 위해 안전 지수를 산출하고, 상기 자율 주행차가 운행하는 도로 구간별 최대 주행 속도를 포함하는 운영설계범위(Operational Design Domain: ODD)를 업데이트하는 제어부를 포함하되,
    상기 샘플링 데이터는 상기 자율 주행차의 센서들에서 감지된 원데이터를 샘플링 주기에 따라 압축하여 생성되며, 상기 샘플링 주기는 상기 자율 주행차와 상기 노변 기지국 간의 통신 효율성과 상기 안전 지수의 신뢰성을 고려하여 상기 제어부에서 계산되는 관제 서버.
  2. 제 1 항에 있어서,
    상기 제어부는 상기 안전 지수를 산출하고 상기 운영설계범위를 업데이트하는 안전 모니터링부를 포함하되,
    상기 안전 모니터링부는:
    상기 샘플링 데이터로부터 상기 안전 지수를 추출하고, 상기 샘플링 주기를 생성하는 모니터링 지수 관리부; 그리고
    상기 인프라 데이터, 상기 샘플링 데이터, 그리고 상기 안전 지수 중에서 적어도 하나를 처리하여 상기 운영설계범위(ODD)를 생성하는 운영설계범위(ODD) 지원부를 포함하는 관제 서버.
  3. 제 2 항에 있어서,
    상기 자율 주행차는 상기 샘플링 데이터를 전송하기 위한 차량 모듈을 포함하고, 상기 차량 모듈은:
    복수의 센서들로부터 센싱 결과로 수집된 원데이터를 제공하는 커넥티드 자율 주행(CAD) 시스템; 그리고
    상기 원데이터를 상기 제어부에서 결정된 샘플링 주기에 따라 샘플링하여 상기 노변 기지국으로 전송하는 온보드 유닛을 포함하는 관제 서버.
  4. 제 2 항에 있어서,
    상기 모니터링 지수 관리부는:
    상기 샘플링 데이터와 원데이터의 차이를 분석하여 상기 안전 지수의 특성을 분석하고;
    위험 이벤트에서의 상기 샘플링 데이터의 지연이나 에러의 분포를 검출하고; 그리고
    상기 샘플링 주기에 따른 상기 안전 지수의 신뢰성 및 통신 효율성을 지시하는 목적 함수를 생성하여, 상기 샘플링 주기를 결정하는 관제 서버.
  5. 제 2 항에 있어서,
    상기 운영설계범위(ODD) 지원부는, 실도로 주행을 통해서 검출된 도로 유형별 위험 이벤트 데이터를 분석하고, 분석 결과에 기초하여 상기 도로 유형별로 도로 형상에 따른 안전 성능을 평가하여 상기 운영설계범위(ODD)를 생성하는 관제 서버.
PCT/KR2022/020339 2021-12-28 2022-12-14 커넥티드 자율 주행차의 안전 모니터링 및 운영설계범위를 지원하는 관제 서버 WO2023128406A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2021-0189830 2021-12-28
KR20210189830 2021-12-28
KR10-2022-0044067 2022-04-08
KR1020220044067A KR102508367B1 (ko) 2021-12-28 2022-04-08 커넥티드 자율 주행차의 안전 모니터링 및 운영설계범위를 지원하는 관제 서버

Publications (1)

Publication Number Publication Date
WO2023128406A1 true WO2023128406A1 (ko) 2023-07-06

Family

ID=84042448

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/020339 WO2023128406A1 (ko) 2021-12-28 2022-12-14 커넥티드 자율 주행차의 안전 모니터링 및 운영설계범위를 지원하는 관제 서버

Country Status (2)

Country Link
KR (3) KR102497716B1 (ko)
WO (1) WO2023128406A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180078973A (ko) * 2016-12-30 2018-07-10 기아자동차주식회사 목표차량의 운전패턴에 따른 협조 적응 순항 제어 시스템
KR20190048823A (ko) * 2017-10-31 2019-05-09 주식회사 건영이엔씨 도로 위험 지수 생성 시스템 및 방법
KR20200101517A (ko) * 2019-01-30 2020-08-28 한국자동차연구원 차량-도로인프라 정보융합 기반 자율협력주행 방법 및 시스템
KR20210026828A (ko) * 2019-09-02 2021-03-10 엘지전자 주식회사 자율 주행 제어 방법과 이를 이용한 자율 주행 시스템
KR20210060735A (ko) * 2019-11-18 2021-05-27 한국철도기술연구원 중앙제어 기반 자율주행 시스템

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100495017B1 (ko) * 2002-10-11 2005-06-10 에스케이 주식회사 교통 정보 제공 시스템 및 그 방법
KR100979724B1 (ko) * 2008-05-29 2010-09-02 (주)제이티 복합검지체계를 가진 교통정보 예측 복합 검지기 및교통정보 예측 방법
KR101817127B1 (ko) 2015-12-28 2018-01-10 한국건설기술연구원 교통밀도 기반의 도로혼잡도 추정 시스템 및 그 방법
KR101843683B1 (ko) 2017-04-28 2018-03-30 이영욱 개인 맞춤형 추천 경로를 제공하는 네비게이션 시스템 및 그 구동방법
KR20190057881A (ko) * 2017-11-21 2019-05-29 한국건설기술연구원 커넥티드 자율주행차량-기반 교통신호 시스템 및 그 제어방법
CN116968731A (zh) * 2018-03-20 2023-10-31 御眼视觉技术有限公司 用于导航主车辆和制动主车辆的系统
KR102179433B1 (ko) 2019-01-21 2020-11-16 한국과학기술원 분산 예측 기반의 교통신호 제어 시스템 및 그 방법
KR20210023364A (ko) * 2019-08-23 2021-03-04 한국전자통신연구원 계층적 시공간 그래프 기반 딥러닝을 적용한 교통 수요 추정 방법 및 장치
KR20210032617A (ko) * 2019-09-16 2021-03-25 현대자동차주식회사 자율주행차량의 거동 제어 장치 및 그 방법
KR20210090386A (ko) * 2020-01-10 2021-07-20 한국전자통신연구원 자율 주행 차량의 최적 속도 궤적을 예측하기 위한 방법 및 그 장치
KR20210134128A (ko) * 2020-04-29 2021-11-09 현대자동차주식회사 자율 주행 제어 방법 및 장치
KR102525191B1 (ko) 2020-08-07 2023-04-26 한국전자통신연구원 자율주행 차량에서의 주행 경로 생성 및 제어 시스템 및 방법
CN114527737A (zh) * 2020-11-06 2022-05-24 百度在线网络技术（北京）有限公司 用于自动驾驶的速度规划方法、装置、设备、介质和车辆

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180078973A (ko) * 2016-12-30 2018-07-10 기아자동차주식회사 목표차량의 운전패턴에 따른 협조 적응 순항 제어 시스템
KR20190048823A (ko) * 2017-10-31 2019-05-09 주식회사 건영이엔씨 도로 위험 지수 생성 시스템 및 방법
KR20200101517A (ko) * 2019-01-30 2020-08-28 한국자동차연구원 차량-도로인프라 정보융합 기반 자율협력주행 방법 및 시스템
KR20210026828A (ko) * 2019-09-02 2021-03-10 엘지전자 주식회사 자율 주행 제어 방법과 이를 이용한 자율 주행 시스템
KR20210060735A (ko) * 2019-11-18 2021-05-27 한국철도기술연구원 중앙제어 기반 자율주행 시스템

Also Published As

Publication number Publication date
KR102461362B1 (ko) 2022-11-01
KR102497716B1 (ko) 2023-02-08
KR102508367B1 (ko) 2023-03-09

Similar Documents

Publication Publication Date Title
CN111540237B (zh) 基于多数据融合的车辆安全行驶保障方案自动生成的方法
US11100795B2 (en) Driving service active sensing system and method in internet of vehicles environment
CN106846863B (zh) 基于增强现实和云端智能决策的事故黑点警告系统及方法
US10380886B2 (en) Connected automated vehicle highway systems and methods
TWI691927B (zh) 移動載具用外部座標即時三維路況輔助裝置及該系統
CN108007464B (zh) 高压输电线路巡线机器人自主导航方法和系统
CN109859500A (zh) 一种基于车路协同的高速合流区安全预警方法
CN109410567B (zh) 一种基于车联网的易发事故道路智慧分析系统及方法
CN113870553B (zh) 一种面向混合交通流的路网运行状态检测系统及方法
CN103500503A (zh) 一种基于众包模式的精准路况分析方法及系统
JP6994203B2 (ja) コネクテッド自動運転車のハイウエイシステムとそれを用いた方法
CN110992712A (zh) 一种基于云计算交通信号灯灯光控制系统
CN111833598A (zh) 一种高速公路无人机交通事件自动监测方法及系统
CN114387785A (zh) 一种基于智慧公路的安全管控方法、系统及可存储介质
GB2489655A (en) Identify traffic incidents using acceleration and location data
CN114363316A (zh) 一种跨区域道路基础设施智能联网监测与监管系统
WO2023128406A1 (ko) 커넥티드 자율 주행차의 안전 모니터링 및 운영설계범위를 지원하는 관제 서버
CN113256014B (zh) 一种5g通信工程智能检测系统
CN114519500A (zh) 道路安全风险等级的确定方法、装置、设备及存储介质
CN114724356A (zh) 基于气象数据整合的gis高速公路事故预警的方法及系统
CN117558129B (zh) 一种用于高速公路建设用的智能定位系统及方法
CN217606448U (zh) 一种基于车路协同的动态交通管控系统
CN115798247B (zh) 一种基于大数据的智慧公交云平台
CN114882702A (zh) 一种基于光视融合的公路拥堵移动检测预警系统及方法
CN117558129A (zh) 一种用于高速公路建设用的智能定位系统及方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22916550

Country of ref document: EP

Kind code of ref document: A1