JP7092383B2 - 各領域において最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレスパラメータ変更を遂行する方法及び装置 - Google Patents

Description

本発明は、自律走行車両に利用するための方法及び装置に関し、より詳しくは、各領域において最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレス（ｓｅａｍｌｅｓｓ）パラメータ変更を遂行する方法及び装置に関する。

ディープ・コンボリューション・ニューラル・ネットワーク（Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ；ＤｅｅｐＣＮＮ）は、ディープラーニング分野で起きた驚くべき発展の核心である。ＣＮＮは文字の認識問題を解決するために９０年代にも利用されたが、近年になって機械学習（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ）分野において広く利用されるようになった。例えば、このようなＣＮＮは、毎年開催されているソフトウェアコンテストであるイメージネットイメージ分類コンテスト（ＩｍａｇｅＮｅｔ Ｌａｒｇｅ Ｓｃａｌｅ Ｖｉｓｕａｌ Ｒｅｃｏｇｎｉｔｉｏｎ Ｃｈａｌｌｅｎｇｅ）で、２０１２年に他の競争相手に勝って優勝を収めた。それから、ＣＮＮは、機械学習分野で非常に有用なツールとなった。

このようなＣＮＮは、自律走行分野においても広く利用されている。自律走行分野において、ＣＮＮは物体検出、フリースペース（Ｆｒｅｅ Ｓｐａｃｅ）検出及びセマンティックセグメンテーション（Ｓｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ）などの動作を遂行することができる。

このように自律走行分野でＣＮＮを利用する上での問題は、数多くのコンボリューション演算を処理しなければならないため、コンピューティングパワーをたくさん所要するという点である。特に、自律走行車両で利用する際には、車両のコンピューティングパワーが限られているため、ＣＮＮが適切に作動しない恐れがある。

本発明は、前述した問題点を解決することを目的とする。

本発明は、それぞれの領域において最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレス（ｓｅａｍｌｅｓｓ）パラメータ変更を遂行する方法を提供することを他の目的とする。

また、本発明は、それぞれの前記領域において前記最適化された自律走行を遂行できるように、前記位置基盤アルゴリズムの選択によって前記シームレスパラメータの変更を遂行する前記方法を提供して、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）が使用するコンピューティングリソースを削減できるようにすることをまた他の目的とする。

また、本発明は、それぞれの前記領域において前記最適化された自律走行を遂行できるように前記位置基盤アルゴリズムの選択によって前記シームレスパラメータ変更を遂行する前記方法を提供して、ＣＮＮがより正確に遂行できるようにすることをまた別の目的とする。

また、本発明は、それぞれの前記領域において前記最適化された自律走行を遂行できるように時間基盤アルゴリズムの選択によって前記シームレスパラメータ変更を遂行する方法を提供して、それぞれの時間範囲ごとの最適化されたＣＮＮを利用できるようにすることをまた別の目的とする。

前記のような本発明の目的を達成し、後述する本発明の特徴的な効果を実現するための、本発明の特徴的な構成は次の通りである。

本発明の一態様によれば、位置基盤アルゴリズムの選択によってシームレス（ｓｅａｍｌｅｓｓ）パラメータ変更を遂行することで、対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにする学習方法において、（ａ）学習装置が、少なくとも一つの第Ｋ領域に対応する一つ以上第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の第Ｋ特徴マップを生成するようにする段階；（ｂ）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の第Ｋ予測自律走行ソース情報を生成するようにする段階；（ｃ）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴ（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を参照して少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーション（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにする段階；及び（ｄ）前記学習装置が、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付け（ｔａｇｇｉｎｇ）し、前記タグ付けされた第ＫのＣＮＮをデータベースに格納する段階；を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とする方法が開示される。

一実施例として、（ｅ）前記学習装置が、（ｉ）前記第１のＣＮＮないし前記第ＭのＣＮＮの中から選択される、前記第Ｋ領域からの距離が第１閾値未満である第Ｋ＿１領域ないし第Ｋ＿Ｎ領域（Ｎは、０より大きい任意の整数である）それぞれに対応する第Ｋ＿１ＣＮＮないし第Ｋ＿ＮのＣＮＮそれぞれに対する情報を取得し、（ｉｉ）前記第Ｋ＿１ＣＮＮの第Ｋ＿１パラメータと前記第Ｋパラメータとの間の第Ｋ＿１類似度ないし前記第Ｋ＿ＮのＣＮＮの第Ｋ＿Ｎパラメータと前記第Ｋパラメータとの間の第Ｋ＿Ｎ類似度を計算する段階；及び（ｆ）前記学習装置が、（ｉ）前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮのうち、類似度が第２閾値以上である一つ以上の特定ＣＮＮと（ｉｉ）前記第ＫのＣＮＮとのうちの少なくとも一部を参照して、前記第Ｋ領域を含む第Ｋ広域領域に対応する第Ｋ代表ＣＮＮを生成する段階；をさらに含む。

一実施例として、前記（ｆ）段階で、前記学習装置が、前記特定ＣＮＮ及び前記第ＫのＣＮＮそれぞれのすべてのパラメータのうちの、それぞれの相対的同一位置に対応するそれぞれの構成パラメータに対する平均をそれぞれ計算して、前記平均をパラメータとして含む前記第Ｋ代表ＣＮＮを生成する。

一実施例として、地形的特性、気象的特性及び建物配置特性のうちの少なくとも一部を含む共通特性を、前記第Ｋ広域領域内の各領域間に一つ以上有する。

一実施例として、前記（ａ）段階で、前記学習装置が、前記第Ｋコンボリューションレイヤに含まれた一つ以上の第Ｋコンボリューションニューロンそれぞれをもって、自身に入力された値に少なくとも一つのコンボリューション演算を適用して出力された値を自身の次の第Ｋコンボリューションニューロンに伝達するプロセスを繰り返すようにすることにより、前記第Ｋトレーニングイメージに前記第Ｋコンボリューション演算を適用する。

一実施例として、前記（ｂ）段階で、前記学習装置が、前記第Ｋコンボリューションレイヤに対応する第Ｋデコンボリューションレイヤで具現された前記第Ｋ出力レイヤをもって、第Ｋデコンボリューション演算に対応する前記第Ｋ出力演算を前記第Ｋ特徴マップに適用して、前記第Ｋトレーニングイメージに対応する第Ｋ予測セグメンテーションイメージに対する情報を含む前記第Ｋ予測自律走行ソース情報を生成するようにする。

一実施例として、前記（ｂ）段階で、前記学習装置が、第ＫのＦＣ（Ｆｕｌｌｙ－Ｃｏｎｎｅｃｔｅｄ）レイヤで具現された前記第Ｋ出力レイヤをもって、第ＫのＦＣネットワーク演算に対応する前記第Ｋ出力演算を前記第Ｋ特徴マップに適用して、前記第Ｋトレーニングイメージに対応する第Ｋ予測物体検出結果に対する情報を含む前記第Ｋ予測自律走行ソース情報を生成するようにさせる。

一実施例として、前記（ｄ）段階で、前記学習装置が、（ｉ）前記第Ｋトレーニングイメージが取得された第Ｋ時点に対応する第Ｋ時間情報とともに前記第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮを前記データベースに格納し、（ｉｉ）前記第１のＣＮＮないし前記第ＭのＣＮＮの中から選択される、前記第Ｋ時点との差異が第３閾値以下である第Ｋ＿１時点ないし第Ｋ＿Ｎ時点それぞれに対応する第Ｋ＿１ＣＮＮないし第Ｋ＿ＮのＣＮＮそれぞれに対する情報を取得し、（ｉｉｉ）前記第Ｋ＿１ＣＮＮの第Ｋ＿１パラメータと前記第Ｋパラメータとの間の第Ｋ＿１類似度ないし前記第Ｋ＿ＮのＣＮＮの第Ｋ＿Ｎパラメータと前記第Ｋパラメータとの間の第Ｋ＿Ｎ類似度を計算し、（ｉｖ）（１）前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮのうち、類似度が第４閾値以上である一つ以上の特定ＣＮＮと（２）前記第ＫのＣＮＮとのうちの少なくとも一部を参照して、前記第Ｋ時点を含む第Ｋ時間範囲に対応する第Ｋ代表ＣＮＮを生成する。

本発明の他の態様によれば、位置基盤アルゴリズムの選択によってシームレスパラメータ変更を遂行することで、対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト方法において、（ａ）（１）学習装置が、少なくとも一つの第Ｋ領域に対応する一つ以上第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の学習用第Ｋ特徴マップを生成するようにするプロセス、（２）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記学習用第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の学習用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、（３）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記学習用第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴを参照して少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにする段階；及び（４）前記学習装置が、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮをデータベースに格納するプロセスを遂行した状態で、テスト装置が、第Ｋ時点に前記対象車両が位置した前記第Ｋ領域に対応する前記第ＫのＣＮＮをもって、第Ｋテストイメージを利用してテスト用第Ｋ予測自律走行ソース情報を生成するようにする段階；及び（ｂ）前記テスト装置が、自律走行モジュールをもって、前記テスト用第Ｋ予測自律走行ソース情報を参照して前記対象車両の自律走行を遂行するようにする段階；を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とする方法が開示される。

一実施例として、前記テスト装置が、前記第Ｋ領域を含む第Ｋ広域領域に対する第Ｋ代表ＣＮＮを取得し、前記第Ｋ代表ＣＮＮをもって、前記テスト用第Ｋ予測自律走行ソース情報を生成するようにする。

一実施例として、前記（ａ）段階で前記テスト用第Ｋ予測自律走行ソース情報を生成するプロセス以前に、（ａ１）前記テスト装置が、前記第Ｋ時点より以前の時点である第Ｋ－１時点に前記第Ｋ領域に隣接した第Ｋ－１領域内に前記対象車両が位置した状態で、前記対象車両に搭載されたＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）から取得された対象位置情報を参照して、前記対象車両が前記第Ｋ－１領域内の第（Ｋ－１）＿１細部領域で前記第Ｋ－１領域内の第（Ｋ－１）＿２細部領域に移動したか否かをモニタリングする段階；及び（ａ２）前記テスト装置が、前記対象車両が前記第（Ｋ－１）＿１細部領域において、前記第（Ｋ－１）＿２細部領域に移動したことが感知された場合、前記対象車両の予想移動経路を参照して、前記第Ｋ時点に前記対象車両が位置する前記第Ｋ領域に対応する前記第ＫのＣＮＮを取得する段階；をさらに含む。

一実施例として、前記（ａ２）段階で、（ｉ）前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に自律走行モードで動作した状態である場合、前記テスト装置が、前記自律走行モジュールから前記予想移動経路に対する情報を取得し、（ｉｉ）前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に半自律走行モードで動作していて、前記対象車両の目的地情報が前記対象車両のＡＤＡＳ（Ａｄｖａｎｃｅｄ Ｄｒｉｖｉｎｇ Ａｓｓｉｓｔａｎｃｅ Ｓｙｓｔｅｍ）に入力された状態である場合、前記テスト装置が、前記ＡＤＡＳから取得した前記目的地情報を参照して前記予想移動経路に対する情報を取得する。

一実施例として、前記（ａ２）段階で、前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に手動走行モードで動作した状態であるか、前記対象車両が半自律走行モードで動作したが前記対象車両の目的地情報が前記対象車両のＡＤＡＳに入力されていない状態である場合、前記テスト装置が、第Ｋ－Ｐ時点（Ｐは、１以上Ｔ－１以下の整数である）ないし前記第Ｋ－１時点の時間範囲の間、前記対象車両が走行した過去の移動経路に対する情報を参照して逆強化学習（Ｉｎｖｅｒｓｅ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ）アルゴリズムを遂行することにより、前記予想移動経路を取得する。

一実施例として、前記（ａ）段階で、それぞれの前記第１のＣＮＮないし第ＭのＣＮＮが、それに対応するトレーニングイメージが取得されたそれぞれの取得位置及びそれぞれの取得時点に対する情報がタグ付けされて共に前記データベースに格納された場合、前記テスト装置が、前記第Ｋ領域に対応するだけでなく、前記第Ｋ時点を含む第Ｋ時間範囲に対応する前記第ＫのＣＮＮをもって、前記テスト用第Ｋ予測自律走行ソース情報を生成するようにする。

本発明のまた他の態様によれば、位置基盤アルゴリズムの選択によってシームレスパラメータ変更を遂行することで、対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにする学習装置において、一つの各インストラクションを格納する少なくとも一つのメモリ；及び（Ｉ）少なくとも一つの第Ｋ領域に対応する一つ以上第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の第Ｋ特徴マップを生成するようにするプロセス、（ＩＩ）前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の第Ｋ予測自律走行ソース情報を生成するようにするプロセス、（ＩＩＩ）前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴを参照して少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにするプロセス、及び（ＩＶ）前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付け（ｔａｇｇｉｎｇ）し、前記タグ付けされた第ＫのＣＮＮをデータベースに格納するプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ；を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とする装置が開示される。

一実施例として、前記プロセッサが、（Ｖ）（ｉ）前記第１のＣＮＮないし前記第ＭのＣＮＮの中から選択される、前記第Ｋ領域からの距離が第１閾値未満である第Ｋ＿１領域ないし第Ｋ＿Ｎ領域（Ｎは、０より大きい任意の整数である）それぞれに対応する第Ｋ＿１ＣＮＮないし第Ｋ＿ＮのＣＮＮそれぞれに対する情報を取得し、（ｉｉ）前記第Ｋ＿１ＣＮＮの第Ｋ＿１パラメータと前記第Ｋパラメータとの間の第Ｋ＿１類似度ないし前記第Ｋ＿ＮのＣＮＮの第Ｋ＿Ｎパラメータと前記第Ｋパラメータとの間の第Ｋ＿Ｎ類似度を計算するプロセス、及び（ＶＩ）（ｉ）前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮのうち、類似度が第２閾値以上である一つ以上の特定ＣＮＮと（ｉｉ）前記第ＫのＣＮＮとのうちの少なくとも一部を参照して、前記第Ｋ領域を含む第Ｋ広域領域に対応する第Ｋ代表ＣＮＮを生成するプロセスをさらに遂行する。

一実施例として、前記（ＶＩ）プロセスで、前記プロセッサが、前記特定ＣＮＮ及び前記第ＫのＣＮＮそれぞれのすべてのパラメータのうちの、それぞれの相対的同一位置に対応するそれぞれの構成パラメータに対する平均をそれぞれ計算して、前記平均をパラメータとして含む前記第Ｋ代表ＣＮＮを生成する。

一実施例として、地形的特性、気象的特性及び建物配置特性のうちの少なくとも一部を含む共通特性を、前記第Ｋ広域領域内の各領域間に一つ以上有する。

一実施例として、前記（Ｉ）プロセスで、前記プロセッサが、前記第Ｋコンボリューションレイヤに含まれた一つ以上の第Ｋコンボリューションニューロンそれぞれをもって、自身に入力された値に少なくとも一つのコンボリューション演算を適用して出力された値を自身の次の第Ｋコンボリューションニューロンに伝達するプロセスを繰り返すようにすることにより、前記第Ｋトレーニングイメージに前記第Ｋコンボリューション演算を適用する。

一実施例として、前記（ＩＩ）プロセスで、前記プロセッサが、前記第Ｋコンボリューションレイヤに対応する第Ｋデコンボリューションレイヤで具現された前記第Ｋ出力レイヤをもって、第Ｋデコンボリューション演算に対応する前記第Ｋ出力演算を前記第Ｋ特徴マップに適用して、前記第Ｋトレーニングイメージに対応する第Ｋ予測セグメンテーションイメージに対する情報を含む前記第Ｋ予測自律走行ソース情報を生成するようにする。

一実施例として、前記（ＩＩ）プロセスで、前記プロセッサが、第ＫのＦＣレイヤで具現された前記第Ｋ出力レイヤをもって、第ＫのＦＣネットワーク演算に対応する前記第Ｋ出力演算を前記第Ｋ特徴マップに適用して、前記第Ｋトレーニングイメージに対応する第Ｋ予測物体検出結果に対する情報を含む前記第Ｋ予測自律走行ソース情報を生成するようにさせる。

一実施例として、前記（ＩＶ）プロセスで、前記プロセッサが、（ｉ）前記第Ｋトレーニングイメージが取得された第Ｋ時点に対応する第Ｋ時間情報とともに前記第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮを前記データベースに格納し、（ｉｉ）前記第１のＣＮＮないし前記第ＭのＣＮＮの中から選択される、前記第Ｋ時点との差異が第３閾値以下である第Ｋ＿１時点ないし第Ｋ＿Ｎ時点それぞれに対応する第Ｋ＿１ＣＮＮないし第Ｋ＿ＮのＣＮＮそれぞれに対する情報を取得し、（ｉｉｉ）前記第Ｋ＿１ＣＮＮの第Ｋ＿１パラメータと前記第Ｋパラメータとの間の第Ｋ＿１類似度ないし前記第Ｋ＿ＮのＣＮＮの第Ｋ＿Ｎパラメータと前記第Ｋパラメータとの間の第Ｋ＿Ｎ類似度を計算し、（ｉｖ）（１）前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮのうち、類似度が第４閾値以上である一つ以上の特定ＣＮＮと（２）前記第ＫのＣＮＮとのうちの少なくとも一部を参照して、前記第Ｋ時点を含む第Ｋ時間範囲に対応する第Ｋ代表ＣＮＮを生成する。

本発明のまた他の態様によれば、位置基盤アルゴリズムの選択によってシームレスパラメータ変更を遂行することで、対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト装置において、一つの各インストラクションを格納する少なくとも一つのメモリ；及び（Ｉ）（１）学習装置が、少なくとも一つの第Ｋ領域に対応する一つ以上第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の学習用第Ｋ特徴マップを生成するようにするプロセス、（２）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記学習用第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の学習用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、（３）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記学習用第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴを参照して少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにする段階；及び（４）前記学習装置が、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮをデータベースに格納するプロセスを遂行した状態で、第Ｋ時点に前記対象車両が位置した前記第Ｋ領域に対応する前記第ＫのＣＮＮをもって、第Ｋテストイメージを利用してテスト用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、及び（ＩＩ）自律走行モジュールをもって、前記テスト用第Ｋ予測自律走行ソース情報を参照して前記対象車両の自律走行を遂行するようにするプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ；を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とする装置が開示される。

一実施例として、前記（Ｉ）プロセスで、前記プロセッサが、前記第Ｋ領域を含む第Ｋ広域領域に対する第Ｋ代表ＣＮＮを取得し、前記第Ｋ代表ＣＮＮをもって、前記テスト用第Ｋ予測自律走行ソース情報を生成するようにする。

一実施例として、前記（Ｉ）プロセスで前記テスト用第Ｋ予測自律走行ソース情報を生成するプロセス以前に、前記プロセッサが、（Ｉ－１）前記第Ｋ時点より以前の時点である第Ｋ－１時点に前記第Ｋ領域に隣接した第Ｋ－１領域内に前記対象車両が位置した状態で、前記対象車両に搭載されたＧＰＳから取得された対象位置情報を参照して、前記対象車両が前記第Ｋ－１領域内の第（Ｋ－１）＿１細部領域で前記第Ｋ－１領域内の第（Ｋ－１）＿２細部領域に移動したか否かをモニタリングするプロセス、及び（Ｉ－２）前記対象車両が前記第（Ｋ－１）＿１細部領域において、前記第（Ｋ－１）＿２細部領域に移動したことが感知された場合、前記対象車両の予想移動経路を参照して、前記第Ｋ時点に前記対象車両が位置する前記第Ｋ領域に対応する前記第ＫのＣＮＮを取得するプロセスをさらに遂行する。

一実施例として、前記（Ｉ－２）プロセスで、（ｉ）前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に自律走行モードで動作した状態である場合、前記プロセッサが、前記自律走行モジュールから前記予想移動経路に対する情報を取得し、（ｉｉ）前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に半自律走行モードで動作していて、前記対象車両の目的地情報が前記対象車両のＡＤＡＳに入力された状態である場合、前記プロセッサが、前記ＡＤＡＳから取得した前記目的地情報を参照して前記予想移動経路に対する情報を取得することを特徴とする。

一実施例として、前記（Ｉ－２）プロセスで、前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に手動走行モードで動作した状態であるか、前記対象車両が半自律走行モードで動作したが前記対象車両の目的地情報が前記対象車両のＡＤＡＳに入力されていない状態である場合、前記プロセッサが、第Ｋ－Ｐ時点（Ｐは、１以上Ｔ－１以下の整数である）ないし前記第Ｋ－１時点の時間範囲の間、前記対象車両が走行した過去の移動経路に対する情報を参照して逆強化学習（Ｉｎｖｅｒｓｅ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ）アルゴリズムを遂行することにより、前記予想移動経路を取得する。

一実施例として、前記（Ｉ）プロセスで、それぞれの前記第１のＣＮＮないし第ＭのＣＮＮが、それに対応するトレーニングイメージが取得されたそれぞれの取得の位置及びそれぞれの取得時点に対する情報がタグ付けされて共に前記データベースに格納された場合、前記プロセッサが、前記第Ｋ領域に対応するだけでなく、前記第Ｋ時点を含む第Ｋ時間範囲に対応する前記第ＫのＣＮＮをもって、前記テスト用第Ｋ予測自律走行ソース情報を生成するようにする。

この他にも、本発明の方法を実行するためのコンピュータプログラムを記録するためのコンピュータ読取可能な記録媒体がさらに提供される。

本発明によれば、それぞれの領域において最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレス（ｓｅａｍｌｅｓｓ）パラメータ変更を遂行する方法を提供できる効果がある。

また、本発明によれば、それぞれの前記領域において前記最適化された自律走行を遂行できるように、前記位置基盤アルゴリズムの選択によって前記シームレスパラメータの変更を遂行する前記方法を提供して、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）が使用するコンピューティングリソースを削減できるようにする効果がある。

また、本発明によれば、それぞれの前記領域において前記最適化された自律走行を遂行できるように前記位置基盤アルゴリズムの選択によって前記シームレスパラメータ変更を遂行する前記方法を提供して、ＣＮＮがより正確に遂行できるようにする効果がある。

また、本発明によれば、それぞれの前記領域において前記最適化された自律走行を遂行できるように時間基盤アルゴリズムの選択によって前記シームレスパラメータ変更を遂行する方法を提供して、それぞれの時間範囲ごとの最適化されたＣＮＮを利用できるようにする効果がある。

本発明の前記及び他の目的及び特長は、次の添付図面とともに与えられた好ましい実施例の説明において明らかになるであろう。

本発明の実施例の説明に利用されるために添付された以下の各図面は、本発明の実施例のうちの一部に過ぎず、本発明が属する技術分野でおいて、通常の知識を有する者（以下「通常の技術者」）は、発明的作業が行われることなくこの図面に基づいて他の図面が得られ得る。

図１は、本発明の一実施例に係るそれぞれの位置で最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレス（ｓｅａｍｌｅｓｓ）パラメータを変更する方法を遂行するコンピューティング装置の構成を概略的に示した図面である。 図２は、本発明の一実施例に係るそれぞれの前記位置で前記最適化された自律走行を遂行できるように前記位置基盤アルゴリズムの選択によって前記シームレスパラメータを変更する前記方法を遂行するために利用される第ＫのＣＮＮの構成を概略的に示した図面である。 図３は、本発明の一実施例に係るそれぞれの前記位置で前記最適化された自律走行を遂行できるように前記位置基盤アルゴリズムの選択によって前記シームレスパラメータを変更する前記方法を概略的に示したフローチャートである。 図４は、本発明の一実施例に係るそれぞれの前記位置で前記最適化された自律走行を遂行できるように前記位置基盤アルゴリズムの選択によって前記シームレスパラメータを変更する前記方法を遂行するために利用される、第Ｋトレーニングイメージのうちの一つ、及び前記第Ｋトレーニングイメージの領域と類似した少なくとも一つの領域で撮影されたが、前記第Ｋトレーニングイメージとは異なるトレーニングイメージの一実施例を概略的に示した図面である。 図５は、本発明の一実施例に係るそれぞれの前記位置で前記最適化された自律走行を遂行できるように前記位置基盤アルゴリズムの選択によって前記シームレスパラメータを変更する前記方法を遂行するために利用される、第（Ｋ－１）＿１細部領域及び第（Ｋ－１）＿２細部領域を概略的に示した図面である。

後述する本発明に対する詳細な説明は、本発明の各目的、技術的解決方法及び長所を明確にするために、本発明が実施され得る特定実施例を例示として示す添付図面を参照する。これらの実施例は当業者が本発明を実施することができるように充分詳細に説明される。

また、本発明の詳細な説明及び各請求項にわたって、「含む」という単語及びそれらの変形は、他の技術的各特徴、各付加物、構成要素又は段階を除外することを意図したものではない。通常の技術者にとって本発明の他の各目的、長所及び各特性が、一部は本説明書から、また一部は本発明の実施から明らかになるであろう。以下の例示及び図面は実例として提供され、本発明を限定することを意図したものではない。

さらに、本発明は、本明細書に示された実施例のあらゆる可能な組み合わせを網羅する。本発明の多様な実施例は相互異なるが、相互排他的である必要はないことを理解されたい。例えば、ここに記載されている特定の形状、構造及び特性は一例と関連して、本発明の精神及び範囲を逸脱せず、かつ他の実施例で実装され得る。また、各々の開示された実施例内の個別構成要素の位置または配置は、本発明の精神及び範囲を逸脱せずに変更され得ることを理解されたい。従って、後述する詳細な説明は限定的な意味で捉えようとするものではなく、本発明の範囲は、適切に説明されれば、その請求項が主張することと均等なすべての範囲と、併せて添付された請求項によってのみ限定される。図面で類似した参照符号は、いくつかの側面にかけて同一であるか類似した機能を指称する。

本発明で言及している各種イメージは、舗装または非舗装道路関連のイメージを含み得、この場合、道路環境で登場し得る物体（例えば、自動車、人、動物、植物、物、建物、飛行機やドローンのような飛行体、その他の障害物）を想定し得るが、必ずしもこれに限定されるものではなく、本発明で言及している各種イメージは、道路と関係のないイメージ（例えば、非舗装道路、路地、空き地、海、湖、川、山、森、砂漠、空、室内と関連したイメージ）でもあり得、この場合、非舗装道路、路地、空き地、海、湖、川、山、森、砂漠、空、室内環境で登場し得る物体（例えば、自動車、人、動物、植物、物、建物、飛行機やドローンのような飛行体、その他の障害物）を想定し得るが、必ずしもこれに限定されるものではない。

以下、本発明が属する技術分野で通常の知識を有する者が本発明を容易に実施することができるようにするために、本発明の好ましい実施例について添付の図面を参照して詳細に説明する。

図１は、本発明の一実施例に係るそれぞれの位置で最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレス（ｓｅａｍｌｅｓｓ）パラメータを変更する方法を遂行する学習装置の構成を概略的に示した図面である。

図１を参照すれば、前記学習装置１００は、後に詳しく説明する構成要素である第１のＣＮＮないし第ＭのＣＮＮを格納しているデータベース２００を含むことができる。前記データベース２００の入出力及び演算過程は、それぞれ少なくとも一つの通信部１１０及び少なくとも一つのプロセッサ１２０によって行われることができる。ただし、図１では、前記通信部１１０と、前記プロセッサ１２０との具体的な連結関係を省略した。この際、前記メモリ１１５は、後述されるいくつかのインストラクションを格納した状態でもあり得、前記プロセッサ１２０は、前記メモリ１１５に格納された前記インストラクションを実行するように設定され、インストラクションを実行することで、後で説明する本発明の各プロセスを遂行することができる。このように前記学習装置１００が描写されたところで、前記学習装置１００が本発明を実施するためのプロセッサ、メモリ、ミディアム（ｍｅｄｉｕｍ）、または他のコンピューティング構成要素が統合された形態である統合プロセッサを含む場合を排除するものではない。

以上、本発明の実施例に係るそれぞれの前記領域で前記最適化された自律走行を遂行できるように前記位置基盤アルゴリズムの選択によって前記シームレスパラメータを変更する方法を遂行する前記学習装置１００の構成について説明した。次に、シームレスパラメータ変更を遂行する学習方法を説明するために、図２を参照して第ＫのＣＮＮ２１０の構成について説明する。

図２は、本発明の一実施例に係るそれぞれの前記位置で前記最適化された自律走行を遂行できるように前記位置基盤アルゴリズムの選択によって前記シームレスパラメータを変更する前記方法を遂行するために利用される前記第ＫのＣＮＮの構成を概略的に示した図面である。

図２を参照すれば、前記第ＫのＣＮＮ２００は、少なくとも一つの第Ｋコンボリューションレイヤ２１１と、少なくとも一つの第Ｋ出力レイヤ２１２と、少なくとも一つの第Ｋロスレイヤ２１３とを含み得る。追って説明する一つ以上の第Ｋトレーニングイメージが前記第ＫのＣＮＮ２１０に入力されると、前記第Ｋコンボリューションレイヤ２１１及び前記第Ｋ出力レイヤ２１２によって処理（ｐｒｏｃｅｓｓｉｎｇ）され得る。ここで、前記第Ｋコンボリューションレイヤ２１１は、第Ｋコンボリューション演算を遂行することができるが、具体的には、前記学習装置１００が、前記第Ｋコンボリューションレイヤに含まれた一つ以上の第Ｋコンボリューションニューロンそれぞれをもって、自身に入力された値に少なくとも一つのコンボリューション演算を適用して出力された値を自身の次の第Ｋコンボリューションニューロンに伝達するプロセスを繰り返すようにすることにより、前記第Ｋトレーニングイメージに前記第Ｋコンボリューション演算を適用するようにすることができる。前記第Ｋコンボリューション演算の結果として、一つ以上の第Ｋ特徴マップが生成され得る。

前記第Ｋ特徴マップは、前記第Ｋ出力レイヤ２１２に入力され得るが、前記第Ｋ出力レイヤ２１２はこれを実施例によって他の方式で処理することができる。具体的には、後に説明する前記第ＫのＣＮＮ２１０の出力である第Ｋ予測自律走行ソース情報に前記第Ｋトレーニングイメージのセグメンテーション情報を含めようとする場合、前記第Ｋ出力レイヤ２１２は、前記第Ｋコンボリューションレイヤに対応する第Ｋデコンボリューションレイヤの形態で具現され得る。この場合、前記第Ｋ出力レイヤ２１２は、第Ｋ出力演算を前記第Ｋ特徴マップに適用して、前記第Ｋトレーニングイメージに対応する第Ｋ予測セグメンテーションイメージに対する情報を含む前記第Ｋ予測自律走行ソース情報を生成することができる。

または、前記第Ｋ予測自律走行ソース情報に前記第Ｋトレーニングイメージ内の物体に対する情報を含めようとする場合、前記第Ｋ出力レイヤ２１２は、第ＫのＦＣ（Ｆｕｌｌｙ－Ｃｏｎｎｅｃｔｅｄ）レイヤの形で具現され得る。この場合、前記第Ｋ出力レイヤ２１２は、前記第Ｋ出力演算を前記第Ｋ特徴マップに適用して、前記第Ｋトレーニングイメージに対する第Ｋ予測物体検出結果に対する情報を含む前記第Ｋ予測自律走行ソース情報を生成することができる。

このように、第Ｋ予測自律走行ソース情報が取得されると、前記第Ｋロスレイヤ２１３は、前記第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴ（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を参照して少なくとも一つの第Ｋロスを生成し、前記第Ｋロスを利用してバックプロパーゲーション（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を遂行することで前記第ＫのＣＮＮ２１０の第Ｋパラメータのうちの少なくとも一部を学習するようにすることができる。このような前記第ＫのＣＮＮ２１０は、前記第Ｋコンボリューションレイヤ２１１、前記第Ｋ出力レイヤ２１２及び前記第Ｋロスレイヤ２１３によって遂行される前述のプロセスによって、前記第ＫのＣＮＮに対応する前記第Ｋ領域で自律走行を遂行するのに利用される情報を生成するために最適化された状態であり得る。

以下、図３を参照して、前記第ＫのＣＮＮ２１０の前記学習方法について具体的に説明する。

図３は、本発明の一実施例に係るそれぞれの前記位置で前記最適化された自律走行を遂行できるように前記位置基盤アルゴリズムの選択によって前記シームレスパラメータを変更する前記方法を概略的に示したフローチャートである。

図３を参照にすれば、前記学習装置１００は、前記第Ｋ領域に対応する前記第Ｋトレーニングイメージが取得されると、前記第ＫのＣＮＮ２１０の前記第Ｋコンボリューションレイヤ２１１をもって、前記第Ｋトレーニングイメージに前記第Ｋコンボリューション演算を適用して、前記第Ｋ特徴マップを生成するようにすることができる（Ｓ０１）。そして、前記学習装置１００は、前記第ＫのＣＮＮ２１０の前記第Ｋ出力レイヤ２１２をもって、前記第Ｋ特徴マップに前記第Ｋ出力演算を適用して、前記第Ｋ予測自律走行ソース情報を生成するようにすることができる（Ｓ０２）。その後、前記学習装置１００は、前記第ＫのＣＮＮ２１０の前記第Ｋロスレイヤ２１３をもって、前記第Ｋ予測自律走行ソース情報及びこれに対応する第ＫのＧＴを参照して前記第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにすることができる（Ｓ０３）。その後、前記学習装置１００は、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮ２１０にタグ付け（ｔａｇｇｉｎｇ）し、前記タグ付けされた第ＫのＣＮＮを前記データベースに格納することができる（Ｓ０４）。

以上の段階は、本発明の前記学習方法の基本的な段階であり、前記学習方法の追加的段階を以下に説明する。前記学習装置１００は、前記第Ｋの位置に近接した位置に対応する近接ＣＮＮを取得することができ、前記近接ＣＮＮの一部は、前記第ＫのＣＮＮ２１０と統合され得る。具体的には、前記学習装置１００は、前記第１のＣＮＮないし前記第ＭのＣＮＮの中から選択される、前記第Ｋ領域からの距離が第１閾値未満である第Ｋ＿１領域ないし第Ｋ＿Ｎ領域それぞれに対応する第Ｋ＿１ＣＮＮないし第Ｋ＿ＮのＣＮＮそれぞれに対する情報を取得することができる。この際、Ｎは、０より大きい任意の整数（Ｉｎｔｅｇｅｒ）である。ここで、二つの領域間の前記距離は、それぞれの前記二つの領域の中心点を比較することで、またはそれぞれの前記二つの領域内で統計的に車両が主に位置する特定地点を比較することによって計算され得るが、これに限られるものではない。前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮに対する情報が取得されると、前記学習装置１００は、前記第Ｋ＿１ＣＮＮの第Ｋ＿１パラメータと前記第Ｋパラメータとの間の第Ｋ＿１類似度ないし前記第Ｋ＿ＮのＣＮＮの第Ｋ＿Ｎパラメータと第Ｋパラメータとの間の第Ｋ＿Ｎ類似度を計算することができる。その後、前記学習装置１００は、（ｉ）前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮのうち、類似度が第２閾値以上である一つ以上の特定ＣＮＮと（ｉｉ）前記第ＫのＣＮＮとのうちの少なくとも一部を参照して、前記第Ｋ領域及びこれに隣接する領域のうちの少なくとも一部を含む第Ｋ広域領域に対応する第Ｋ代表ＣＮＮを生成することができる。

このように計算された前記第Ｋ＿１類似度ないし前記第Ｋ＿Ｎ類似度を利用して前記特定ＣＮＮが決定されると、前記学習装置１００は、前記特定ＣＮＮ及び前記第ＫのＣＮＮ２１０それぞれの全てのパラメータのうち、それぞれの相対的同一位置に対応するそれぞれの構成パラメータの平均をそれぞれ計算することができる。

以下、このような過程がなぜ必要であるかについて簡明に説明する。まず、前記学習装置１００が取得した前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮは、前記第ＫのＣＮＮ２１０を学習するために前記第Ｋトレーニングイメージが取得された場所である前記第Ｋ領域と近い場所で取得されたイメージを利用して学習された状態であり得る。このようなＣＮＮに対する情報を、前記学習装置１００が取得する理由は、前記第Ｋ領域及びこれに隣接した領域のうちの少なくとも一部を含む前記第Ｋ広域領域に対象車両が位置する場合に利用される最適のＣＮＮ、つまり前記第Ｋ代表ＣＮＮを生成するためである。以降、前記学習装置１００は、前記第Ｋ＿１ＣＮＮないし前記Ｋ＿ＮのＣＮＮの中から、パラメータが前記第ＫのＣＮＮのパラメータと類似した前記特定ＣＮＮを選択することができる。ここで、前記特定ＣＮＮパラメータと前記第ＫのＣＮＮのパラメータとの間の差異の和が閾値未満であるか、前記差異の二乗の和が他の閾値未満であれば、前記特定ＣＮＮのパラメータは、前記第ＫのＣＮＮのパラメータと類似するであろう。前記近接ＣＮＮのすべてが前記第ＫのＣＮＮに統合されるに適しているわけではないが、前記近接ＣＮＮのうち、前記第ＫのＣＮＮと類似ている少なくとも一つのＣＮＮ、すなわち、前記少なくとも一つの特定ＣＮＮは、前記第ＫのＣＮＮと統合されるに適しているため、前記特定ＣＮＮが前記近接ＣＮＮの中から追加的に選択されなければならない。つまり、前記第Ｋ領域と近い場所で取得されたイメージのうちの一部は、前記イメージの一部が撮影された時点の状況または撮影された方向によって相違する場面を含み得、これは前記イメージの一部に対応する近接ＣＮＮと前記第ＫのＣＮＮとの間の差異を誘発し得る。この場合、相違するイメージの利用で前記第ＫのＣＮＮ２１０との差異の大きい、前記近接ＣＮＮのうちの一部が前記第ＫのＣＮＮと統合されたＣＮＮ、つまり前記第Ｋ代表ＣＮＮが適切に機能しないはずであるので、前記特定ＣＮＮが選択されなければならない。このような相違する場面の一例を、図４を参照して説明する。

図４は、本発明の一実施例に係るそれぞれの前記位置で前記最適化された自律走行を遂行できるように前記位置基盤アルゴリズムの選択によって前記シームレスパラメータを変更する前記方法を遂行するために利用される、前記第Ｋトレーニングイメージのうちの一つ、前記第Ｋトレーニングイメージの領域と類似した少なくとも一つの領域で撮影されたが、前記第Ｋトレーニングイメージとは異なるトレーニングイメージの一実施例を概略的に示した図面である。

図４を参照すれば、前記第Ｋトレーニングイメージの一つである特定第Ｋトレーニングイメージ４１０、及び前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮのうちの前記特定ＣＮＮではない一つのＣＮＮを学習するのに利用された例示イメージ４２０を確認することができる。前記特定第Ｋトレーニングイメージ４１０は、川を右側にして川沿い道路を走行する車両から撮影したイメージであり、前記例示イメージ４２０は、同じ川沿い道路を反対方向に、つまり前記川を左側にして走行する車両から撮影したイメージである。ここで、前記特定第Ｋトレーニングイメージ４１０と類似した前記第Ｋトレーニングイメージを利用して学習された状態の前第ＫのＣＮＮ２１０は、これに入力されたイメージの右側領域に対しては相対的に小さなパラメータを、左側領域及び中央領域対しては相対的に大きいパラメータを含むであろう。これに比べ、前記例示イメージ４２０と類似した少なくとも一つのイメージを利用して学習された、前記特定ＣＮＮではないＣＮＮは、これに入力されたイメージの左側領域に対して小さいパラメータを、右側領域及び中央領域に対して大きいパラメータを含むように学習された状態であり得る。前記特定第Ｋトレーニングイメージ４１０を参照して学習されたＣＮＮと前記例示イメージ４２０とを参照して学習されたＣＮＮいずれも第Ｋ領域に対応するが、二つのＣＮＮの特性が異なるので、これらを分離する必要がある。前記第Ｋ＿１類似度ないし前記第Ｋ＿Ｎ類似度を生成する前述した過程は、類似した関係のＣＮＮを前記二つのＣＮＮに分離するためである。

このような過程によって選択された前記特定ＣＮＮ及び前記第ＫのＣＮＮ２１０を利用して生成された前記第Ｋ代表ＣＮＮがカバーする領域である前記第Ｋ広域領域内の各領域は、これらの間に一つ以上の共通特性を有することができ、前記共通特性は、地形的特性、気象的特性及び建物配置の特性のうちの少なくとも一部を含む。一例として、前記第Ｋ広域領域内の各領域は、前記川を左側した川沿い道路に対応することができ、前記第Ｋ代表ＣＮＮは、これに入力されたイメージの中央領域及び右側領域に対する情報を抽出することができる。他の例示としては、前記第Ｋ広域領域内の各領域は、霧がよく発生する渓谷に対応でき、前記第Ｋ代表ＣＮＮは、これに入力されたイメージ上で微かに現れる物体を検出するように最適化された状態であり得る。

以上の過程は、位置基盤に最適化されたＣＮＮを生成する方法についての基本的な実施例である。以下、他の実施例として、位置基盤及び時間基盤に最適化されたＣＮＮを生成する方法について説明することにする。

つまり、図３を再び参照にすれば、前記基本的な実施例に係る前記Ｓ０４段階において、前記第Ｋ位置情報が前記第ＫのＣＮＮ２１０にタグ付けされて前記データベース２００に格納されるのだが、前記他の実施例の場合、前記第Ｋトレーニングイメージが取得された第Ｋ時点に対応する第Ｋ時間情報が前記第Ｋ位置情報と共に、前記第ＫのＣＮＮ２１０にタグ付けされ得る。その後、前記学習装置１００は、前記第１のＣＮＮないし前記第ＭのＣＮＮの中から選択される、前記第Ｋ時点との差異が第３閾値以下である第Ｋ＿１時点ないし第Ｋ＿Ｎ時点それぞれに対応する第Ｋ＿１ＣＮＮないし第Ｋ＿ＮのＣＮＮそれぞれに対する情報を取得することができる。その後、前記学習装置１００は、前記第Ｋ＿１ＣＮＮの第Ｋ＿１パラメータと前記第Ｋパラメータとの間の第Ｋ＿１類似度ないし前記第Ｋ＿ＮのＣＮＮの第Ｋ＿Ｎパラメータと第Ｋパラメータとの間の第Ｋ＿Ｎ類似度を計算し得る。そして、（ｉ）前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮのうち、類似度が第４閾値以上である一つ以上の他の特定ＣＮＮと（ｉｉ）前記第ＫのＣＮＮとのうちの少なくとも一部を参照して、前記第Ｋ時点を含む第Ｋ時間範囲に対応する第Ｋ代表ＣＮＮを生成することができる。その際、前記第Ｋ時間範囲は、前記第Ｋ時点のｘ秒前の時点から前記第Ｋ時点のｙ秒後の時点までの時間範囲であり得る。同じ地域であっても、昼と夜によってそのイメージが異なるはずなので、このような実施例が効率的であり得る。ここで、前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮ及び前記類似度のような表記の一部は、前記基本的な実施例と同一だが、前記表記の意味は相互異なり得る。

次に、本発明のテスティング方法について説明する。

まず、テスト装置は、対象車両と連動するコンピューティング装置であり得る。この際、（１）前記学習装置１００が、前記第Ｋ領域に対応する第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、前記第１のＣＮＮないし第ＭのＣＮＮのうちの一つである前記第ＫのＣＮＮ２１０の前記第Ｋコンボリューションレイヤ２１１をもって、前記第Ｋトレーニングイメージに前記第Ｋコンボリューション演算を適用して一つ以上の学習用第Ｋ特徴マップを生成するようにし、この際、Ｍは、１より大きい任意の整数であり、Ｋは、１以上Ｍ以下の整数であるプロセス、（２）前記学習装置１００が、前記第ＫのＣＮＮ２１０の前記第Ｋ出力レイヤ２１２をもって、前記学習用第Ｋ特徴マップに前記第Ｋ出力演算を適用して、一つ以上の学習用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、（３）前記学習装置１００は、前記第ＫのＣＮＮ２１０の前記第Ｋロスレイヤ２１３をもって、前記学習用第Ｋ予測自律走行ソース情報及びこれに対応する第ＫのＧＴを参照して前記第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにするプロセス、及び（４）前記学習装置１００が、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮをデータベース２００に格納するプロセスを遂行した状態で、前記テスト装置が、テスト用第Ｋ時点に前記対象車両が位置した前記第Ｋ領域に対応する前記第ＫのＣＮＮ２１０をもって、第Ｋテストイメージを利用してテスト用第Ｋ予測自律走行ソース情報を生成するようにすることができる。

そして、前記テスト装置が、自律走行モジュールをもって、前記テスト用第Ｋ予測自律走行ソース情報を参照して前記対象車両の自律走行を遂行するようにすることができる。

前記第Ｋ代表ＣＮＮが生成された状態の一実施例において、前記テスト装置は、前記第ＫのＣＮＮ２１０ではなく、前記第Ｋ代表ＣＮＮをもって、前記テスト用第Ｋ予測自律走行ソース情報を生成するようにすることができる。

このような第ＫのＣＮＮ２１０または第Ｋ代表ＣＮＮは、前記対象車両が前記第Ｋ領域または前記第Ｋ広域領域に進入する前に、前記データベース２００から取得されたものであり得る。次に、どのように前記第ＫのＣＮＮ２１０または前記第Ｋ代表ＣＮＮが取得されるかについて説明する。説明の便宜上、以下の説明は前記第ＫのＣＮＮ２１０を取得する場合に対応する。

まず、前記第Ｋ時点より以前の時点である第Ｋ－１時点に前記第Ｋ領域に隣接した第Ｋ－１領域内に前記対象車両が位置した状態で、前記テスト装置が、前記対象車両に搭載されたＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）から取得された対象位置情報を参照して、前記対象車両が前記第Ｋ－１領域内の第（Ｋ－１）＿１細部領域で前記第Ｋ－１領域内の第（Ｋ－１）＿２細部領域に移動したか否かをモニタリングすることができる。

この過程を説明するために、図５を参照する。

図５は、本発明の一実施例に係るそれぞれの前記位置で前記最適化された自律走行を遂行できるように前記位置基盤アルゴリズムの選択によって前記シームレスパラメータを変更する前記方法を遂行するために利用される、前記第（Ｋ－１）＿１細部領域及び前記第（Ｋ－１）＿２細部領域を概略的に示した図面である。

図５を参照にすれば、前記第（Ｋ－１）＿１細部領域は、前記第Ｋ－１領域の中心に位置したものであり得、前記第（Ｋ－１）＿２細部領域は、前記第Ｋ－１領域の端に位置したものであり得ることを確認することができる。前記対象車両が前記第（Ｋ－１）＿１細部領域において前記第Ｋ（Ｋ－１）＿２細部領域に移動する場合、前記対象車両が、他のＣＮＮに対応する他の細部領域に移動しようとすることものと見られるので、このような移動がモニタリングされなければならない。

前記対象車両が前記第（Ｋ－１）＿１細部領域において前記第（Ｋ－１）＿２細部領域に移動したことが感知された場合、前記テスト装置は、前記対象車両の予想移動経路を参照して、前記第Ｋ時点に前記対象車両が位置する前記第Ｋ領域に対応する前記第ＫのＣＮＮ２１０を取得することができる。以下、前記予想移動経路の取得方式について説明する。

もし、前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に自律走行モードで動作した状態である場合、前記テスト装置は、前記自律走行モジュールから前記予想移動経路に対する情報を取得することができるであろう。または、前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に半自律走行モードで動作していて、前記対象車両の目的地情報がＡＤＡＳ（Ａｄｖａｎｃｅｄ Ｄｒｉｖｉｎｇ Ａｓｓｉｓｔａｎｃｅ Ｓｙｓｔｅｍ）に入力された状態である場合、前記テスト装置は、前記ＡＤＡＳから前記予想移動経路に対する情報を取得することができるであろう。

これと異なって、前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に手動走行モードで動作した状態であるか、前記対象車両が前記半自律走行モードで動作したが前記対象車両の目的地情報が前記対象車両の前記ＡＤＡＳに入力されていない場合、前記テスト装置は、第Ｋ－Ｐ時点ないし前記第Ｋ－１時点の時間範囲の間、前記対象車両が走行した過去の移動経路に対する情報を参照して逆強化学習（Ｉｎｖｅｒｓｅ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ）アルゴリズムを遂行することで、前記予想移動経路を取得することができる。この際、Ｐは、１以上Ｔ－１以下の整数である。前記予想移動経路を生成するために前記逆強化学習アルゴリズムを前記過去移動経路に対する情報に適用するこれらの過程は、ジバート（Ｚｉｅｂａｒｔ）らが発表した論文「Ｍａｘｉｍｕｍ Ｅｎｔｒｏｐｙ Ｉｎｖｅｒｓｅ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ」に提示されているので、通常の技術者は前記説明を容易に理解することができるであろう。

一方、時間基盤に最適化されたＣＮＮに対する前述した別途の実施例が前記テスト方法に適用された場合、時間に対する情報によって前記第ＫのＣＮＮが取得できるであろう。つまり、それぞれの前記第１のＣＮＮないし第ＭのＣＮＮが、それに対応するトレーニングイメージが取得されたそれぞれの取得位置及びそれぞれの取得時点に対する情報がタグ付けされて共に前記データベースに格納された場合、前記テスト装置は、テスト用第Ｋ位置情報及びテスト用第Ｋ時間情報を参照してクエリ（ｑｕｅｒｙ）を発信することで前記ＫのＣＮＮを取得することができ、前記第Ｋ時点を含む前記第Ｋ時間範囲及び前記第Ｋ領域に対応する前記第ＫのＣＮＮをもって、前記テスト用第Ｋ予測自律走行ソース情報を生成するようにすることができるであろう。この場合、一例として、前記川が自動車の左側にある川沿い道路の朝の時間帯に最適化された前記第ＫのＣＮＮが自律走行遂行するために利用され得るということである。

このような方法を利用すれば、それぞれの状況ごとに最適化されたそれぞれのＣＮＮを活用できるようになるため、自律走行をさらに効率的に遂行できるようになるはずである。

以上で説明された本発明に係る実施例は、多様なコンピュータ構成要素を通じて遂行できるプログラム命令語の形態で具現されてコンピュータ読取り可能な記録媒体に記録され得る。前記コンピュータで読取り可能な記録媒体はプログラム命令語、データファイル、データ構造などを単独でまたは組み合わせて含まれ得る。前記コンピュータ読取り可能な記録媒体に記録されるプログラム命令語は、本発明のために特別に設計されて構成されたものであるか、コンピュータソフトウェア分野の当業者に公知となって利用可能なものでもよい。コンピュータで判読可能な記録媒体の例には、ハードディスク、フロッピィディスク及び磁気テープのような磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤのような光記録媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌｄｉｓｋ）のような磁気－光媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌｍｅｄｉａ）、及びＲＯＭ、ＲＡＭ、フラッシュメモリなどといったプログラム命令語を格納して遂行するように特別に構成されたハードウェア装置が含まれる。プログラム命令語の例には、コンパイラによって作られるもののような機械語コードだけでなく、インタプリタなどを用いてコンピュータによって実行され得る高級言語コードも含まれる。前記ハードウェア装置は、本発明に係る処理を遂行するために一つ以上のソフトウェアモジュールとして作動するように構成され得、その逆も同様である。

以上、本発明が具体的な構成要素などのような特定事項と限定された実施例及び図面によって説明されたが、これは本発明のより全般的な理解を助けるために提供されたものであるに過ぎず、本発明が前記実施例に限られるものではなく、本発明が属する技術分野において通常の知識を有する者であれば係る記載から多様な修正及び変形が行われ得る。

従って、本発明の思想は前記説明された実施例に局限されて定められてはならず、後述する特許請求の範囲だけでなく、本特許請求の範囲と均等または等価的に変形されたものすべては、本発明の思想の範囲に属するといえる。

Claims (26)

1. 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにする学習方法において、
   （ａ）学習装置が、少なくとも一つの第Ｋ領域に対応する一つ以上の第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の第Ｋ特徴マップを生成するようにする段階；
   （ｂ）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の第Ｋ予測自律走行ソース情報を生成するようにする段階；
   （ｃ）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴ（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を参照にして少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーション（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにする段階；及び
   （ｄ）前記学習装置が、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付け（ｔａｇｇｉｎｇ）し、前記タグ付けされた第ＫのＣＮＮをデータベースに格納する段階；
   を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とし、
   （ｅ）前記学習装置が、（ｉ）前記第１のＣＮＮないし前記第ＭのＣＮＮの中から選択される、前記第Ｋ領域からの距離が第１閾値未満である第Ｋ＿１領域ないし第Ｋ＿Ｎ領域（Ｎは、０より大きい任意の整数である）それぞれに対応する第Ｋ＿１ＣＮＮないし第Ｋ＿ＮのＣＮＮそれぞれに対する情報を取得し、（ｉｉ）前記第Ｋ＿１ＣＮＮの第Ｋ＿１パラメータと前記第Ｋパラメータとの間の第Ｋ＿１類似度ないし前記第Ｋ＿ＮのＣＮＮの第Ｋ＿Ｎパラメータと前記第Ｋパラメータとの間の第Ｋ＿Ｎ類似度を計算する段階；及び
   （ｆ）前記学習装置が、（ｉ）前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮのうち、類似度が第２閾値以上である一つ以上の特定ＣＮＮと（ｉｉ）前記第ＫのＣＮＮとのうちの少なくとも一部を参照にして、前記第Ｋ領域を含む第Ｋ広域領域に対応する第Ｋ代表ＣＮＮを生成する段階；
   をさらに含むことを特徴とする方法。
2. 前記（ｅ）段階で、
   前記学習装置が、以下数式によって前記第Ｋ＿１類似度ないし前記第Ｋ＿Ｎ類似度を計算し、
   

   

   
   前記数式で、
   

   

   は、前記第Ｋ＿１類似度ないし前記第Ｋ＿Ｎ類似度の一つである第Ｋ＿Ｑ類似度（Ｑは、１以上Ｎ以下の整数である）を意味し、
   

   

   は、前記第Ｋパラメータのｌ番目構成パラメータを意味し、
   

   

   は、前記第Ｋ＿Ｑ類似度に対応する第Ｋ＿ＱのＣＮＮの第Ｋ＿Ｑパラメータのｌ番目構成パラメータを意味することを特徴とする請求項１に記載の方法。
3. 前記（ｆ）段階で、
   前記学習装置が、前記特定ＣＮＮ及び前記第ＫのＣＮＮそれぞれのすべてのパラメータのうちの、それぞれの相対的同一位置に対応するそれぞれの構成パラメータに対する平均をそれぞれ計算して、前記平均をパラメータとして含む前記第Ｋ代表ＣＮＮを生成することを特徴とする請求項１に記載の方法。
4. 地形的特性、気象的特性及び建物配置特性のうちの少なくとも一部を含む共通特性を、前記第Ｋ広域領域内の各領域間に一つ以上有することを特徴とする請求項１に記載の方法。
5. 前記（ａ）段階で、
   前記学習装置が、前記第Ｋコンボリューションレイヤに含まれた一つ以上の第Ｋコンボリューションニューロンそれぞれをもって、自身に入力された値に少なくとも一つのコンボリューション演算を適用して出力された値を自身の次の第Ｋコンボリューションニューロンに伝達するプロセスを繰り返すようにすることにより、前記第Ｋトレーニングイメージに前記第Ｋコンボリューション演算を適用することを特徴とする請求項１に記載の方法。
6. 前記（ｂ）段階で、
   前記学習装置が、前記第Ｋコンボリューションレイヤに対応する第Ｋデコンボリューションレイヤで具現された前記第Ｋ出力レイヤをもって、第Ｋデコンボリューション演算に対応する前記第Ｋ出力演算を前記第Ｋ特徴マップに適用して、前記第Ｋトレーニングイメージに対応する第Ｋ予測セグメンテーションイメージに対する情報を含む前記第Ｋ予測自律走行ソース情報を生成するようにすることを特徴とする請求項１に記載の方法。
7. 前記（ｂ）段階で、
   前記学習装置が、第ＫのＦＣ（Ｆｕｌｌｙ－Ｃｏｎｎｅｃｔｅｄ）レイヤで具現された前記第Ｋ出力レイヤをもって、第ＫのＦＣネットワーク演算に対応する前記第Ｋ出力演算を前記第Ｋ特徴マップに適用して、前記第Ｋトレーニングイメージに対応する第Ｋ予測物体検出結果に対する情報を含む前記第Ｋ予測自律走行ソース情報を生成するようにさせることを特徴とする請求項１に記載の方法。
8. 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにする学習方法において、
   （ａ）学習装置が、少なくとも一つの第Ｋ領域に対応する一つ以上の第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の第Ｋ特徴マップを生成するようにする段階；
   （ｂ）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の第Ｋ予測自律走行ソース情報を生成するようにする段階；
   （ｃ）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴ（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を参照にして少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーション（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにする段階；及び
   （ｄ）前記学習装置が、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付け（ｔａｇｇｉｎｇ）し、前記タグ付けされた第ＫのＣＮＮをデータベースに格納する段階；
   を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とし、
   前記（ｄ）段階で、
   前記学習装置が、（ｉ）前記第Ｋトレーニングイメージが取得された第Ｋ時点に対応する第Ｋ時間情報とともに前記第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮを前記データベースに格納し、（ｉｉ）前記第１のＣＮＮないし前記第ＭのＣＮＮの中から選択される、前記第Ｋ時点との差異が第３閾値以下である第Ｋ＿１時点ないし第Ｋ＿Ｎ時点それぞれに対応する第Ｋ＿１ＣＮＮないし第Ｋ＿ＮのＣＮＮそれぞれに対する情報を取得し、（ｉｉｉ）前記第Ｋ＿１ＣＮＮの第Ｋ＿１パラメータと前記第Ｋパラメータとの間の第Ｋ＿１類似度ないし前記第Ｋ＿ＮのＣＮＮの第Ｋ＿Ｎパラメータと前記第Ｋパラメータとの間の第Ｋ＿Ｎ類似度を計算し、（ｉｖ）（１）前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮのうち、類似度が第４閾値以上である一つ以上の特定ＣＮＮと（２）前記第ＫのＣＮＮとのうちの少なくとも一部を参照にして、前記第Ｋ時点を含む第Ｋ時間範囲に対応する第Ｋ代表ＣＮＮを生成することを特徴とする方法。
9. 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト方法において、
   （ａ）（１）学習装置が、少なくとも一つの第Ｋ領域に対応する一つ以上の第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の学習用第Ｋ特徴マップを生成するようにするプロセス、（２）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記学習用第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の学習用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、（３）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記学習用第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴを参照にして少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにする段階；及び（４）前記学習装置が、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮをデータベースに格納するプロセスを遂行した状態で、テスト装置が、第Ｋ時点に前記対象車両が位置した前記第Ｋ領域に対応する前記第ＫのＣＮＮをもって、第Ｋテストイメージを利用してテスト用第Ｋ予測自律走行ソース情報を生成するようにする段階；及び
   （ｂ）前記テスト装置が、自律走行モジュールをもって、前記テスト用第Ｋ予測自律走行ソース情報を参照にして前記対象車両の自律走行を遂行するようにする段階；
   を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とし、
   前記（ａ）段階で、
   前記テスト装置が、前記第Ｋ領域を含む第Ｋ広域領域に対する第Ｋ代表ＣＮＮを取得し、前記第Ｋ代表ＣＮＮをもって、前記テスト用第Ｋ予測自律走行ソース情報を生成するようにすることを特徴とする方法。
10. 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト方法において、
    （ａ）（１）学習装置が、少なくとも一つの第Ｋ領域に対応する一つ以上の第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の学習用第Ｋ特徴マップを生成するようにするプロセス、（２）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記学習用第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の学習用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、（３）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記学習用第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴを参照にして少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにする段階；及び（４）前記学習装置が、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮをデータベースに格納するプロセスを遂行した状態で、テスト装置が、第Ｋ時点に前記対象車両が位置した前記第Ｋ領域に対応する前記第ＫのＣＮＮをもって、第Ｋテストイメージを利用してテスト用第Ｋ予測自律走行ソース情報を生成するようにする段階；及び
    （ｂ）前記テスト装置が、自律走行モジュールをもって、前記テスト用第Ｋ予測自律走行ソース情報を参照にして前記対象車両の自律走行を遂行するようにする段階；
    を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とし、
    前記（ａ）段階で前記テスト用第Ｋ予測自律走行ソース情報を生成するプロセス以前に、
    （ａ１）前記テスト装置が、前記第Ｋ時点より以前の時点である第Ｋ－１時点に前記第Ｋ領域に隣接した第Ｋ－１領域内に前記対象車両が位置した状態で、前記対象車両に搭載されたＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）から取得された対象位置情報を参照にして、前記対象車両が前記第Ｋ－１領域内の第（Ｋ－１）＿１細部領域から前記第Ｋ－１領域内の第（Ｋ－１）＿２細部領域に移動したか否かをモニタリングする段階；及び
    （ａ２）前記テスト装置が、前記対象車両が前記第（Ｋ－１）＿１細部領域から前記第（Ｋ－１）＿２細部領域に移動したことが感知された場合、前記対象車両の予想移動経路を参照にして、前記第Ｋ時点に前記対象車両が位置する前記第Ｋ領域に対応する前記第ＫのＣＮＮを取得する段階；
    をさらに含むことを特徴とする方法。
11. 前記（ａ２）段階で、
    （ｉ）前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に自律走行モードで動作した状態である場合、前記テスト装置が、前記自律走行モジュールから前記予想移動経路に対する情報を取得し、（ｉｉ）前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に半自律走行モードで動作していて、前記対象車両の目的地情報が前記対象車両のＡＤＡＳ（Ａｄｖａｎｃｅｄ Ｄｒｉｖｉｎｇ Ａｓｓｉｓｔａｎｃｅ Ｓｙｓｔｅｍ）に入力された状態である場合、前記テスト装置が、前記ＡＤＡＳから取得した前記目的地情報を参照にして前記予想移動経路に対する情報を取得することを特徴とする請求項１０に記載の方法。
12. 前記（ａ２）段階で、
    前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に手動走行モードで動作した状態であるか、前記対象車両が半自律走行モードで動作したが前記対象車両の目的地情報が前記対象車両のＡＤＡＳに入力されていない状態である場合、前記テスト装置が、第Ｋ－Ｐ時点（Ｐは、１以上Ｔ－１以下の整数である）ないし前記第Ｋ－１時点の時間範囲の間、前記対象車両が走行した過去の移動経路に対する情報を参照にして逆強化学習（Ｉｎｖｅｒｓｅ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ）アルゴリズムを遂行することにより、前記予想移動経路を取得することを特徴とする請求項１０に記載の方法。
13. 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト方法において、
    （ａ）（１）学習装置が、少なくとも一つの第Ｋ領域に対応する一つ以上の第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の学習用第Ｋ特徴マップを生成するようにするプロセス、（２）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記学習用第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の学習用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、（３）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記学習用第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴを参照にして少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにする段階；及び（４）前記学習装置が、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮをデータベースに格納するプロセスを遂行した状態で、テスト装置が、第Ｋ時点に前記対象車両が位置した前記第Ｋ領域に対応する前記第ＫのＣＮＮをもって、第Ｋテストイメージを利用してテスト用第Ｋ予測自律走行ソース情報を生成するようにする段階；及び
    （ｂ）前記テスト装置が、自律走行モジュールをもって、前記テスト用第Ｋ予測自律走行ソース情報を参照にして前記対象車両の自律走行を遂行するようにする段階；
    を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とし、
    前記（ａ）段階で、
    それぞれの前記第１のＣＮＮないし第ＭのＣＮＮが、それに対応するトレーニングイメージが取得されたそれぞれの取得位置及びそれぞれの取得時点に対する情報がタグ付けされて共に前記データベースに格納された場合、前記テスト装置が、前記第Ｋ領域に対応するだけでなく、前記第Ｋ時点を含む第Ｋ時間範囲に対応する前記第ＫのＣＮＮをもって、前記テスト用第Ｋ予測自律走行ソース情報を生成するようにすることを特徴とする方法。
14. 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにする学習装置において、
    一つの各インストラクションを格納する少なくとも一つのメモリ；及び
    （Ｉ）少なくとも一つの第Ｋ領域に対応する一つ以上の第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の第Ｋ特徴マップを生成するようにするプロセス、（ＩＩ）前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の第Ｋ予測自律走行ソース情報を生成するようにするプロセス、（ＩＩＩ）前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴを参照にして少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにするプロセス、及び（ＩＶ）前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付け（ｔａｇｇｉｎｇ）し、前記タグ付けされた第ＫのＣＮＮをデータベースに格納するプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ；
    を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とし、
    前記プロセッサが、（Ｖ）（ｉ）前記第１のＣＮＮないし前記第ＭのＣＮＮの中から選択される、前記第Ｋ領域からの距離が第１閾値未満である第Ｋ＿１領域ないし第Ｋ＿Ｎ領域（Ｎは、０より大きい任意の整数である）それぞれに対応する第Ｋ＿１ＣＮＮないし第Ｋ＿ＮのＣＮＮそれぞれに対する情報を取得し、（ｉｉ）前記第Ｋ＿１ＣＮＮの第Ｋ＿１パラメータと前記第Ｋパラメータとの間の第Ｋ＿１類似度ないし前記第Ｋ＿ＮのＣＮＮの第Ｋ＿Ｎパラメータと前記第Ｋパラメータとの間の第Ｋ＿Ｎ類似度を計算するプロセス、及び（ＶＩ）（ｉ）前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮのうち、類似度が第２閾値以上である一つ以上の特定ＣＮＮと（ｉｉ）前記第ＫのＣＮＮとのうちの少なくとも一部を参照にして、前記第Ｋ領域を含む第Ｋ広域領域に対応する第Ｋ代表ＣＮＮを生成するプロセスをさらに遂行することを特徴とする装置。
15. 前記（Ｖ）プロセスで、
    前記プロセッサが、以下数式によって前記第Ｋ＿１類似度ないし前記第Ｋ＿Ｎ類似度を計算し、
    

    

    
    前記数式で、
    

    

    は、前記第Ｋ＿１類似度ないし前記第Ｋ＿Ｎ類似度の一つである第Ｋ＿Ｑ類似度（Ｑは、１以上Ｎ以下の整数である）を意味し、
    

    

    は、前記第Ｋパラメータのｌ番目構成パラメータを意味し、
    

    

    は、前記第Ｋ＿Ｑ類似度に対応する第Ｋ＿ＱのＣＮＮの第Ｋ＿Ｑパラメータのｌ番目構成パラメータを意味することを特徴とする請求項１４に記載の装置。
16. 前記（ＶＩ）プロセスで、
    前記プロセッサが、前記特定ＣＮＮ及び前記第ＫのＣＮＮそれぞれのすべてのパラメータのうちの、それぞれの相対的同一位置に対応するそれぞれの構成パラメータに対する平均をそれぞれ計算して、前記平均をパラメータとして含む前記第Ｋ代表ＣＮＮを生成することを特徴とする請求項１４に記載の装置。
17. 地形的特性、気象的特性及び建物配置特性のうちの少なくとも一部を含む共通特性を、前記第Ｋ広域領域内の各領域間に一つ以上有することを特徴とする請求項１４に記載の装置。
18. 前記（Ｉ）プロセスで、
    前記プロセッサが、前記第Ｋコンボリューションレイヤに含まれた一つ以上の第Ｋコンボリューションニューロンそれぞれをもって、自身に入力された値に少なくとも一つのコンボリューション演算を適用して出力された値を自身の次の第Ｋコンボリューションニューロンに伝達するプロセスを繰り返すようにすることにより、前記第Ｋトレーニングイメージに前記第Ｋコンボリューション演算を適用することを特徴とする請求項１４に記載の装置。
19. 前記（ＩＩ）プロセスで、
    前記プロセッサが、前記第Ｋコンボリューションレイヤに対応する第Ｋデコンボリューションレイヤで具現された前記第Ｋ出力レイヤをもって、第Ｋデコンボリューション演算に対応する前記第Ｋ出力演算を前記第Ｋ特徴マップに適用して、前記第Ｋトレーニングイメージに対応する第Ｋ予測セグメンテーションイメージに対する情報を含む前記第Ｋ予測自律走行ソース情報を生成するようにすることを特徴とする請求項１４に記載の装置。
20. 前記（ＩＩ）プロセスで、
    前記プロセッサが、第ＫのＦＣレイヤで具現された前記第Ｋ出力レイヤをもって、第ＫのＦＣネットワーク演算に対応する前記第Ｋ出力演算を前記第Ｋ特徴マップに適用して、前記第Ｋトレーニングイメージに対応する第Ｋ予測物体検出結果に対する情報を含む前記第Ｋ予測自律走行ソース情報を生成するようにさせることを特徴とする請求項１４に記載の装置。
21. 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにする学習装置において、
    一つの各インストラクションを格納する少なくとも一つのメモリ；及び
    （Ｉ）少なくとも一つの第Ｋ領域に対応する一つ以上の第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の第Ｋ特徴マップを生成するようにするプロセス、（ＩＩ）前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の第Ｋ予測自律走行ソース情報を生成するようにするプロセス、（ＩＩＩ）前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴを参照にして少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにするプロセス、及び（ＩＶ）前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付け（ｔａｇｇｉｎｇ）し、前記タグ付けされた第ＫのＣＮＮをデータベースに格納するプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ；
    を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とし、
    前記（ＩＶ）プロセスで、
    前記プロセッサが、（ｉ）前記第Ｋトレーニングイメージが取得された第Ｋ時点に対応する第Ｋ時間情報とともに前記第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮを前記データベースに格納し、（ｉｉ）前記第１のＣＮＮないし前記第ＭのＣＮＮの中から選択される、前記第Ｋ時点との差異が第３閾値以下である第Ｋ＿１時点ないし第Ｋ＿Ｎ時点それぞれに対応する第Ｋ＿１ＣＮＮないし第Ｋ＿ＮのＣＮＮそれぞれに対する情報を取得し、（ｉｉｉ）前記第Ｋ＿１ＣＮＮの第Ｋ＿１パラメータと前記第Ｋパラメータとの間の第Ｋ＿１類似度ないし前記第Ｋ＿ＮのＣＮＮの第Ｋ＿Ｎパラメータと前記第Ｋパラメータとの間の第Ｋ＿Ｎ類似度を計算し、（ｉｖ）（１）前記第Ｋ＿１ＣＮＮないし前記第Ｋ＿ＮのＣＮＮのうち、類似度が第４閾値以上である一つ以上の特定ＣＮＮと（２）前記第ＫのＣＮＮとのうちの少なくとも一部を参照にして、前記第Ｋ時点を含む第Ｋ時間範囲に対応する第Ｋ代表ＣＮＮを生成することを特徴とする装置。
22. 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト装置において、
    一つの各インストラクションを格納する少なくとも一つのメモリ；及び
    （Ｉ）（１）学習装置が、少なくとも一つの第Ｋ領域に対応する一つ以上の第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の学習用第Ｋ特徴マップを生成するようにするプロセス、（２）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記学習用第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の学習用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、（３）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記学習用第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴを参照にして少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにする段階；及び（４）前記学習装置が、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮをデータベースに格納するプロセスを遂行した状態で、第Ｋ時点に前記対象車両が位置した前記第Ｋ領域に対応する前記第ＫのＣＮＮをもって、第Ｋテストイメージを利用してテスト用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、及び（ＩＩ）自律走行モジュールをもって、前記テスト用第Ｋ予測自律走行ソース情報を参照にして前記対象車両の自律走行を遂行するようにするプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ；
    を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とし、
    前記（Ｉ）プロセスで、
    前記プロセッサが、前記第Ｋ領域を含む第Ｋ広域領域に対する第Ｋ代表ＣＮＮを取得し、前記第Ｋ代表ＣＮＮをもって、前記テスト用第Ｋ予測自律走行ソース情報を生成するようにすることを特徴とする装置。
23. 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト装置において、
    一つの各インストラクションを格納する少なくとも一つのメモリ；及び
    （Ｉ）（１）学習装置が、少なくとも一つの第Ｋ領域に対応する一つ以上の第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の学習用第Ｋ特徴マップを生成するようにするプロセス、（２）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記学習用第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の学習用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、（３）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記学習用第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴを参照にして少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにする段階；及び（４）前記学習装置が、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮをデータベースに格納するプロセスを遂行した状態で、第Ｋ時点に前記対象車両が位置した前記第Ｋ領域に対応する前記第ＫのＣＮＮをもって、第Ｋテストイメージを利用してテスト用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、及び（ＩＩ）自律走行モジュールをもって、前記テスト用第Ｋ予測自律走行ソース情報を参照にして前記対象車両の自律走行を遂行するようにするプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ；
    を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とし、
    前記（Ｉ）プロセスで前記テスト用第Ｋ予測自律走行ソース情報を生成するプロセス以前に、
    前記プロセッサが、（Ｉ－１）前記第Ｋ時点より以前の時点である第Ｋ－１時点に前記第Ｋ領域に隣接した第Ｋ－１領域内に前記対象車両が位置した状態で、前記対象車両に搭載されたＧＰＳから取得された対象位置情報を参照にして、前記対象車両が前記第Ｋ－１領域内の第（Ｋ－１）＿１細部領域から前記第Ｋ－１領域内の第（Ｋ－１）＿２細部領域に移動したか否かをモニタリングするプロセス、及び（Ｉ－２）前記対象車両が前記第（Ｋ－１）＿１細部領域から前記第（Ｋ－１）＿２細部領域に移動したことが感知された場合、前記対象車両の予想移動経路を参照にして、前記第Ｋ時点に前記対象車両が位置する前記第Ｋ領域に対応する前記第ＫのＣＮＮを取得するプロセスをさらに遂行することを特徴とする装置。
24. 前記（Ｉ－２）プロセスで、
    （ｉ）前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に自律走行モードで動作した状態である場合、前記プロセッサが、前記自律走行モジュールから前記予想移動経路に対する情報を取得し、（ｉｉ）前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に半自律走行モードで動作していて、前記対象車両の目的地情報が前記対象車両のＡＤＡＳに入力された状態である場合、前記プロセッサが、前記ＡＤＡＳから取得した前記目的地情報を参照にして前記予想移動経路に対する情報を取得することを特徴とする請求項２３に記載の装置。
25. 前記（Ｉ－２）プロセスで、
    前記対象車両が前記第（Ｋ－１）＿２細部領域に移動した時点に手動走行モードで動作した状態であるか、前記対象車両が半自律走行モードで動作したが前記対象車両の目的地情報が前記対象車両のＡＤＡＳに入力されていない状態である場合、前記プロセッサが、第Ｋ－Ｐ時点（Ｐは、１以上Ｔ－１以下の整数である）ないし前記第Ｋ－１時点の時間範囲の間、前記対象車両が走行した過去の移動経路に対する情報を参照にして逆強化学習（Ｉｎｖｅｒｓｅ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ）アルゴリズムを遂行することにより、前記予想移動経路を取得することを特徴とする請求項２３に記載の装置。
26. 対象車両をもって、それぞれの領域において最適化された自律走行を遂行できるようにするテスト装置において、
    一つの各インストラクションを格納する少なくとも一つのメモリ；及び
    （Ｉ）（１）学習装置が、少なくとも一つの第Ｋ領域に対応する一つ以上の第Ｋトレーニングイメージが取得されると、前記学習装置に含まれた、第１のＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ないし第ＭのＣＮＮのうちの一つである第ＫのＣＮＮの少なくとも一つの第Ｋコンボリューションレイヤをもって、前記第Ｋトレーニングイメージに少なくとも一つの第Ｋコンボリューション演算を適用して一つ以上の学習用第Ｋ特徴マップを生成するようにするプロセス、（２）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋ出力レイヤをもって、前記学習用第Ｋ特徴マップに少なくとも一つの第Ｋ出力演算を適用して一つ以上の学習用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、（３）前記学習装置が、前記第ＫのＣＮＮの少なくとも一つの第Ｋロスレイヤをもって、前記学習用第Ｋ予測自律走行ソース情報及びこれに対応する一つ以上の第ＫのＧＴを参照にして少なくとも一つの第Ｋロスを生成するようにし、前記第Ｋロスを利用してバックプロパーゲーションを遂行することで前記第ＫのＣＮＮの第Ｋパラメータのうちの少なくとも一部を学習するようにする段階；及び（４）前記学習装置が、前記第Ｋ領域の第Ｋ位置情報を前記第ＫのＣＮＮにタグ付けし、前記タグ付けされた第ＫのＣＮＮをデータベースに格納するプロセスを遂行した状態で、第Ｋ時点に前記対象車両が位置した前記第Ｋ領域に対応する前記第ＫのＣＮＮをもって、第Ｋテストイメージを利用してテスト用第Ｋ予測自律走行ソース情報を生成するようにするプロセス、及び（ＩＩ）自律走行モジュールをもって、前記テスト用第Ｋ予測自律走行ソース情報を参照にして前記対象車両の自律走行を遂行するようにするプロセスを遂行するための、前記各インストラクションを実行するように構成された少なくとも一つのプロセッサ；
    を含み、Ｍは、１より大きな任意の整数（Ｉｎｔｅｇｅｒ）であり、Ｋは、１以上Ｍ以下の整数であることを特徴とし、
    前記（Ｉ）プロセスで、
    それぞれの前記第１のＣＮＮないし第ＭのＣＮＮが、それに対応するトレーニングイメージが取得されたそれぞれの取得の位置及びそれぞれの取得時点に対する情報がタグ付けされて共に前記データベースに格納された場合、前記プロセッサが、前記第Ｋ領域に対応するだけでなく、前記第Ｋ時点を含む第Ｋ時間範囲に対応する前記第ＫのＣＮＮをもって、前記テスト用第Ｋ予測自律走行ソース情報を生成するようにすることを特徴とする装置。

Images