KR101503473B1 - 차량의 주행 상황 판단 시스템 및 방법 - Google Patents

차량의 주행 상황 판단 시스템 및 방법 Download PDF

Info

Publication number
KR101503473B1
KR101503473B1 KR20140003285A KR20140003285A KR101503473B1 KR 101503473 B1 KR101503473 B1 KR 101503473B1 KR 20140003285 A KR20140003285 A KR 20140003285A KR 20140003285 A KR20140003285 A KR 20140003285A KR 101503473 B1 KR101503473 B1 KR 101503473B1
Authority
KR
South Korea
Prior art keywords
coordinate system
vehicle
information
road model
unit
Prior art date
Application number
KR20140003285A
Other languages
English (en)
Inventor
선우명호
김준수
조기춘
Original Assignee
한양대학교 산학협력단
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 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR20140003285A priority Critical patent/KR101503473B1/ko
Application granted granted Critical
Publication of KR101503473B1 publication Critical patent/KR101503473B1/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
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명의 일 실시예에 따른 차량의 주행 상황 판단 시스템은 곡선 좌표계 기반 도로 모델을 지도 데이터베이스(DB)에 저장하는 도로 모델 저장부; 차량에 탑재된 센서들을 이용하여 상기 차량의 주변 물체들의 상태를 인식하는 센서 데이터 융합부; 상기 곡선 좌표계 기반 도로 모델을 이용하여 상기 인식된 물체들 각각의 좌표를 직교 좌표계에서 곡선 좌표계로 변환하는 좌표계 변환부; 및 상기 인식된 물체들 각각의 곡선 좌표계상의 좌표를 이용하여 상기 차량의 주행 상황을 판단하는 주행 상황 판단부를 포함한다.

Description

차량의 주행 상황 판단 시스템 및 방법{SYSTEM AND METHOD FOR DECIDING DRIVING SITUATION OF VEHICLE}
본 발명의 실시예들은 차량의 주행 상황을 판단하는 시스템 및 방법에 관한 것이다.
차량주행환경에 대한 인식과 판단은 운전자 보조 시스템 (Advanced Driver Assistance System, ADAS) 이나 자율주행자동차 (Autonomous vehicle)와 같은 고도로 자동화된 자동차에서 안정적인 운행을 위해 필수적으로 요구되는 기술이다. 특히, 적응형 순향 제어 시스템 (Adaptive Cruise Control, ACC), 비상 정지 시스템 (Autonomous Emergency Braking, AEB), 차선유지보조 시스템 (Lane Keeping Assistance, LKA)과 같이 인식 및 판단 정보를 바탕으로 차량자세제어를 수행하는 기술에 있어서 정확하고 신뢰성 있는 정보의 제공을 필요로 한다.
하지만, 기존의 주행상황 인식 및 판단 시스템은 단일 센서만을 기반으로 하여 개발되었기 때문에 인식범위 제한, 측정오차, 오인식 등에 의하여 많은 문제점을 야기하고 있다. 자동차에서 주로 사용하는 센서로는 전/후방 차량위치 및 상태를 추정하기 위한 레이더, 차선 및 차량 위치 추정을 위한 카메라 등이 있다. 이와 같은 단일 센서들은 특성에 따른 한계치가 존재한다.
예를 들어, 레이더는 맨홀뚜껑, 가드레일 등 차량이 아닌 물체를 차량으로 오인식하는 경우가 존재하며, 단안 카메라의 경우 인식된 정보에서 종방향 거리 정보의 정확성은 거리가 멀어질수록 현저하게 떨어진다. 이와 같은 한계점을 단일 센서로 극복하기 위해서는 매우 고가의 장비가 필요하다.
단일 센서의 한계점을 극복하기 위해 고안된 센서융합시스템은 크게 측정치 레벨 융합(Measurement Level Fusion)과 추적치 레벨 융합(Track Level Fusion)으로 나눌 수 있다. 상기 측정치 레벨 융합은 각 센서로부터 측정된 데이터를 바로 하나의 중앙연산장치에 모아 주변 물체들의 상태를 추정한다. 상기 추적치 레벨융합은 각각의 센서가 측정된 데이터를 바탕으로 주변 물체들의 상태를 추정하고 중앙연산장치는 추정치를 융합하여 정보를 관리한다.
전자의 경우, 모든 센서 데이터를 활용하기 때문에 추정치의 정확도는 높아지나 많은 연산량을 요구하고 시스템 고장에 취약하다. 반대로, 후자의 경우는 연산 효율성이 높고 각 센서별로 병렬 시스템 개발이 용이하다. 하지만, 후자의 경우 또한 자차 기준의 상대 거리 및 속도만을 추정하기 때문에 다차선 도로 혹은 곡선 도로 등의 복잡한 환경에서 주행 상황을 판단하기에는 한계를 지닌다.
기존 도로 모델은 차량 네비게이션 시스템에서 운전자에게 주행 경로를 안내하는 목적으로, 도로의 형상보다 도로 네트워크를 표현하는 데 중점을 두어 개발되었다. 이와 같은 도로 모델은 도로의 곡률과 같은 형상을 표현하는 데 한계를 가지고 있고, 정밀도 또한 낮기 때문에 주행상황 판단에 활용하는 데 제약이 따른다.
따라서 이러한 단점들을 보완하고 보다 정확하고 신뢰성 있는 주행환경 정보를 제공하기 위해서, 다양한 센서 정보 및 도로 지도 정보의 융합을 통한 인식 및 판단 방법이 필요하다.
관련 선행기술로는 국내 공개특허공보 제10-2007-0059322호(발명의 명칭: 주행상황에 따른 충돌 방지 시스템 및 그 제어 방법, 공개일자: 2007년 06월 12일)가 있다.
본 발명의 일 실시예는 다중 센서의 차량 인식 정보 및 지도 DB의 도로 모델 정보를 융합하여 주행 상황을 인식하고 차선별 안전도를 평가할 수 있는 차량의 주행 상황 판단 시스템 및 방법을 제공한다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 차량의 주행 상황 판단 시스템은 곡선 좌표계 기반 도로 모델을 지도 데이터베이스(DB)에 저장하는 도로 모델 저장부; 차량에 탑재된 센서들을 이용하여 상기 차량의 주변 물체들의 상태를 인식하는 센서 데이터 융합부; 상기 곡선 좌표계 기반 도로 모델을 이용하여 상기 인식된 물체들 각각의 좌표를 직교 좌표계에서 곡선 좌표계로 변환하는 좌표계 변환부; 및 상기 인식된 물체들 각각의 곡선 좌표계상의 좌표를 이용하여 상기 차량의 주행 상황을 판단하는 주행 상황 판단부를 포함한다.
상기 곡선 좌표계 기반 도로 모델은 도로의 종 방향(s축) 및 횡 방향(n축)을 각각 기준으로 하는 sn 곡선 좌표계(Curvilinear coordinate)를 기준으로 설계될 수 있다.
상기 센서 데이터 융합부는 상기 센서들에 의해 측정된 센서 데이터들을 융합하여 상기 차량의 주변 물체들의 상태 인식을 위한 상태 정보들을 획득하고, 상기 차량의 위치 정보를 토대로 상기 획득된 상태 정보들을 직교 좌표계를 이용하여 표현할 수 있다.
상기 좌표계 변환부는 상기 차량의 위치 정보를 이용하여 상기 지도 데이터베이스에서 현재 위치한 도로의 형상에 대응하는 곡선 좌표계 기반 도로 모델을 추출하고, 상기 추출된 곡선 좌표계 기반 도로 모델을 이용하여 상기 직교 좌표계에 표현된 상태 정보들을 좌표 변환하여 곡선 좌표계에 표현할 수 있다.
상기 주행 상황 판단부는 상기 곡선 좌표계의 횡 방향(n축) 정보를 이용하여 상기 도로상에서 상기 각 물체의 차선 위치를 판단할 수 있다.
상기 주행 상황 판단부는 상기 각 물체의 차선 위치를 판단 시, 라이크후드 함수(Likehood function)를 이용하여 상기 각 물체가 각 차선별로 위치할 확률을 정량적으로 표현할 수 있다.
상기 주행 상황 판단부는 상기 곡선 좌표계의 종 방향(s축) 정보 및 횡 방향(n축) 정보를 이용하거나 라이크후드 함수를 이용하여 상기 차량의 충돌 위험도를 판단할 수 있다.
상기 주행 상황 판단부는 상기 물체들 각각의 차선별 위치 확률 및 상기 차량의 충돌 위험도에 대한 확률에 기초하여 각 차선별 안전도를 평가할 수 있다.
상기 센서 데이터 융합부는 측정치 레벨 융합(Measurement Level Fusion) 및 추적치 레벨 융합(Track Level Fusion) 중 적어도 하나의 방법을 이용하여 상기 차량의 주변 물체들의 상태를 인식할 수 있다.
상기 센서 데이터 융합부는 상기 추적치 레벨 융합 방법에 있어서, 칼만 필터 기반 NNF(Nearest Neighborhood Filter) 알고리즘을 활용한 재추적(Re-tracking) 방법을 적용하여 상기 센서들을 통해 획득하지 못한 센서 데이터를 획득할 수 있다.
본 발명의 일 실시예에 따른 차량의 주행 상황 판단 방법은 도로 모델 저장부에서, 곡선 좌표계 기반 도로 모델을 지도 데이터베이스(DB)에 저장하는 단계; 센서 데이터 융합부에서, 차량에 탑재된 센서들을 이용하여 상기 차량의 주변 물체들의 상태를 인식하는 단계; 좌표계 변환부에서, 상기 곡선 좌표계 기반 도로 모델을 이용하여 상기 인식된 물체들 각각의 좌표를 직교 좌표계에서 곡선 좌표계로 변환하는 단계; 및 주행 상황 판단부에서, 상기 인식된 물체들 각각의 곡선 좌표계상의 좌표를 이용하여 상기 차량의 주행 상황을 판단하는 단계를 포함한다.
상기 차량의 주변 물체들의 상태를 인식하는 단계는 상기 센서들에 의해 측정된 센서 데이터들을 융합하여 상기 차량의 주변 물체들의 상태 인식을 위한 상태 정보들을 획득하는 단계; 및 상기 차량의 위치 정보를 토대로 상기 획득된 상태 정보들을 직교 좌표계를 이용하여 표현하는 단계를 포함할 수 있다.
상기 인식된 물체들 각각의 좌표를 직교 좌표계에서 곡선 좌표계로 변환하는 단계는 상기 차량의 위치 정보를 이용하여 상기 지도 데이터베이스에서 현재 위치한 도로의 형상에 대응하는 곡선 좌표계 기반 도로 모델을 추출하는 단계; 및 상기 추출된 곡선 좌표계 기반 도로 모델을 이용하여 상기 직교 좌표계에 표현된 상태 정보들을 좌표 변환하여 곡선 좌표계에 표현하는 단계를 포함할 수 있다.
상기 차량의 주행 상황을 판단하는 단계는 상기 곡선 좌표계의 횡 방향(n축) 정보를 이용하여 상기 도로상에서 상기 각 물체의 차선 위치를 판단하는 단계를 포함할 수 있다.
상기 차량의 주행 상황을 판단하는 단계는 상기 각 물체의 차선 위치를 판단 시, 라이크후드 함수(Likehood function)를 이용하여 상기 각 물체가 각 차선별로 위치할 확률을 정량적으로 표현하는 단계를 포함할 수 있다.
상기 차량의 주행 상황을 판단하는 단계는 상기 곡선 좌표계의 종 방향(s축) 정보 및 횡 방향(n축) 정보를 이용하거나 라이크후드 함수를 이용하여 상기 차량의 충돌 위험도를 판단하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 차량의 주행 상황 판단 방법은 상기 주행 상황 판단부에서, 상기 물체들 각각의 차선별 위치 확률 및 상기 차량의 충돌 위험도에 대한 확률에 기초하여 각 차선별 안전도를 평가하는 단계를 더 포함할 수 있다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 첨부 도면들에 포함되어 있다.
본 발명의 일 실시예에 따르면, 다중 센서의 차량 인식 정보 및 지도 DB의 도로 모델 정보를 융합하여 주행 상황을 인식하고 차선별 안전도를 평가할 수 있는 차량의 주행 상황 판단 시스템 및 방법을 제공한다.
본 발명의 일 실시예에 따르면, 카메라, 레이더(RADAR), 라이다(LIDAR) 등 기존 운전자 보조 시스템을 위해 독립적으로 사용하던 센서의 정보를 이용하기 때문에 추가적인 센서의 설치 없이 주행 환경의 인식 범위를 확대하고, 각 센서의 단점을 보완할 수 있다.
본 발명의 일 실시예에 따르면, 곡선 좌표계 기반 도로 모델을 사용하여 융합된 센서 데이터를 좌표 변환함으로써 오인식된 정보를 제거 처리하고 상황 판단의 효율을 높일 수 있으며, 도로 모델 기준의 차량 위치가 차선상의 위치와 연관되기 때문에 효율적으로 차선별 안전도를 판단할 수 있다.
도 1은 본 발명의 일 실시예에 따른 차량의 주행 상황 판단 시스템을 설명하기 위해 도시한 블록도이다.
도 2는 직교 좌표계와 곡선 좌표계의 상관 관계 및 도로 모델의 수학적 표현을 나타낸 도면이다.
도 3은 차선별 안전도를 판단하는 방법 및 예제를 나타낸 도면이다.
도 4 내지 도 7은 본 발명의 일 실시예에 따른 차량의 주행 상황 판단 방법을 설명하기 위해 도시한 흐름도이다.
도 8은 추적치 레벨 융합 실험 결과의 두 가지 Test case를 나타낸 도면이다.
도 9는 곡률이 큰 고속도로 상에서 추적된 물체의 직교 좌표계 및 곡선 좌표계상의 위치를 나타낸 도면이다.
도 10은 차선별 안전도 판단 실험 결과를 나타낸 도면이다.
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 차량의 주행 상황 판단 시스템을 설명하기 위해 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 차량의 주행 상황 판단 시스템(100)은 도로 모델 저장부(110), 센서 데이터 융합부(120), 좌표계 변환부(130), 주행 상황 판단부(140), 및 제어부(150)를 포함할 수 있다.
상기 도로 모델 저장부(110)는 곡선 좌표계 기반 도로 모델을 지도 데이터베이스(DB)에 저장한다. 여기서, 상기 곡선 좌표계 기반 도로 모델은 도로의 종 방향(s축) 및 횡 방향(n축)을 각각 기준으로 하는 sn 곡선 좌표계(Curvilinear coordinate)를 기준으로 설계될 수 있다.
상기 센서 데이터 융합부(120)는 차량에 탑재된 센서들을 이용하여 상기 차량의 주변 물체들의 상태를 인식한다. 이를 위해, 상기 센서 데이터 융합부(120)는 상기 센서들에 의해 측정된 센서 데이터들을 융합하여 상기 차량의 주변 물체들의 상태 인식을 위한 상태 정보들을 획득하고, 상기 차량의 위치 정보를 토대로 상기 획득된 상태 정보들을 직교 좌표계를 이용하여 표현할 수 있다.
구체적으로, 상기 센서 데이터 융합부(120)는 측정치 레벨 융합(Measurement Level Fusion) 및 추적치 레벨 융합(Track Level Fusion) 중 적어도 하나의 방법을 이용하여 상기 차량의 주변 물체들의 상태를 인식할 수 있다. 상기 센서 데이터 융합부(120)는 상기 추적치 레벨 융합 방법에 있어서, 칼만 필터 기반 NNF(Nearest Neighborhood Filter) 알고리즘을 활용한 재추적(Re-tracking) 방법을 적용하여 상기 센서들을 통해 획득하지 못한 센서 데이터를 획득할 수 있다.
참고로, 상기 차량에 탑재된 센서들은 레이더(RADAR), 라이더(LIDAR), 카메라 등을 포함하며, 이 밖에도 차속 센서, 휠속 센서 등 운전자 보조를 위한 현존하는 모든 센서들을 포함할 수 있다. 따라서, 상기 센서 데이터는 주변 물체(예: 차량)와의 상대 거리, 상대 속도, 방향 등을 포함할 수 있다. 이러한 센서 데이터는 앞서 언급한 측정치 레벨 융합, 추적치 레벨 융합 등에 의해 융합 처리될 수 있다.
상기 측정치 레벨 융합은 각 센서로부터 측정된 데이터를 바로 하나의 중앙연산장치에 모아 주변 물체들의 상태를 추정하는 방법이고, 상기 추적치 레벨 융합은 각각의 센서가 측정한 데이터를 바탕으로 주변 물체들의 상태를 추정하고 중앙연산장치가 추정치를 융합하여 정보를 관리하는 방법이다.
본 발명은 상기 측정치 레벨 융합 및 상기 추적치 레벨 융합 중 어느 하나를 이용하여 상기 센서 데이터를 융합 처리할 수 있지만, 본 실시예에서는 상기 추적치 레벨 융합 방법을 적용하여 상기 센서 데이터를 융합 처리한다.
상기 추적치 레벨 융합 방법에서는 센서별로 다양하게 제공되는 출력 정보(센서 데이터)를 융합하여 하나의 형태로 관리하기 위해서 일차적으로 센서 출력을 처리하는 전처리 과정이 필요하다. 이 전처리 과정에서는 각 센서에서 측정된 물체의 위치 및 속도와 관련된 상태 정보뿐만 아니라 각 데이터의 신뢰도를 나타내는 분산 정보를 확보하여야 한다. 이때 사용되는 센서의 제원에 따라 관련 정보를 얻을 수 없는 경우, 앞서 설명한 바와 같이 칼만 필터(Kalman filter) 기반 NNF(Neighborhood Filter)와 같은 알고리즘을 활용한 Re-tracking 방법을 적용할 수 있다. 이와 같이 처리된 데이터는 데이터 융합(Data Fusion) 분야에서 널리 활용되고 있는 Cross covariance 방법을 활용하여 융합한다.
상기 좌표계 변환부(130)는 상기 곡선 좌표계 기반 도로 모델을 이용하여 상기 인식된 물체들 각각의 좌표를 직교 좌표계에서 곡선 좌표계로 변환한다.
즉, 상기 좌표계 변환부(130)는 상기 차량의 위치 정보를 이용하여 상기 지도 데이터베이스에서 현재 위치한 도로의 형상에 대응하는 곡선 좌표계 기반 도로 모델을 추출할 수 있다. 상기 좌표계 변환부(130)는 상기 추출된 곡선 좌표계 기반 도로 모델을 이용하여 상기 직교 좌표계에 표현된 상태 정보들을 좌표 변환하여 곡선 좌표계에 표현할 수 있다.
여기서, 상기 차량의 위치 정보는 GPS 모듈을 통해 획득될 수 있다. 상기 GPS 모듈은 상기 차량에 탑재된 것이나 네비게이션에 탑재되어 상기 차량과 연동되는 것이 이용될 수 있으며, 또 달리 상기 주행 상황 판단 시스템(100)에 자체 탑재된 것이 이용될 수 있다.
상기 주행 상황 판단부(140)는 상기 인식된 물체들 각각의 곡선 좌표계상의 좌표를 이용하여 상기 차량의 주행 상황을 판단한다. 즉, 상기 주행 상황 판단부(140)는 상기 곡선 좌표계의 횡 방향(n축) 정보를 이용하여 상기 도로상에서 상기 각 물체의 차선 위치를 판단할 수 있다. 상기 주행 상황 판단부(140)는 상기 각 물체의 차선 위치를 판단 시, 라이크후드 함수(Likehood function)를 이용하여 상기 각 물체가 각 차선별로 위치할 확률을 정량적으로 표현할 수 있다.
또한, 상기 주행 상황 판단부(140)는 상기 곡선 좌표계의 종 방향(s축) 정보 및 횡 방향(n축) 정보를 이용하거나 라이크후드 함수를 이용하여 상기 차량의 충돌 위험도를 판단할 수 있다. 또한, 상기 주행 상황 판단부(140)는 상기 물체들 각각의 차선별 위치 확률 및 상기 차량의 충돌 위험도에 대한 확률에 기초하여 각 차선별 안전도를 평가할 수 있다.
상기 제어부(150)는 본 발명의 일 실시예에 따른 차량의 주행 상황 판단 시스템(100), 즉 상기 도로 모델 저장부(110), 상기 센서 데이터 융합부(120), 상기 좌표계 변환부(130), 상기 주행 상황 판단부(140) 등의 동작을 전반적으로 제어할 수 있다.
도 2는 직교 좌표계와 곡선 좌표계의 상관 관계 및 도로 모델의 수학적 표현을 나타낸 도면이다.
도 2를 참조하여 도모 모델을 기반으로 곡선 좌표계로 변환하는 과정에 대해서 설명한다. 센서로부터 측정된 데이터는 통상 자차 기준의 Cartesian coordinate (xy 직교 좌표계)를 활용하여 표현한다. 이는 자차 기준의 상대적인 위치 및 속도 정보를 나타내는 데 용이하지만, 측정된 물체가 도로 또는 차선 상에 어디에 위치하는지 바로 판단하기에는 어려움이 따른다.
이와 같은 어려움을 해결하기 위해, 도로 형상을 나타내는 도로 모델을 활용한다. 상기 도로 모델은 도로의 종방향(s축) 및 횡방향 (n축)을 각각 기준으로 하는 Curvilinear coordinate (sn 곡선 좌표계) 를 기준으로 설계한다. 이는 측정된 웨이 포인트(Waypoint)를 기반으로 수학적 곡선을 활용하여 지도 DB에서 관리하고 실시간으로 사용한다.
자차의 위치 정보를 활용하여 지도 DB에서 현재 위치한 도로의 형상을 추출하고, 이를 바탕으로 앞서 융합된 물체 정보의 좌표를 직교 좌표계에서 곡선 좌표계로 변환한다.
도 3은 차선별 안전도를 판단하는 방법 및 예제를 나타낸 도면이다.
도 3을 참조하여 주행 상황을 판단하는 과정을 설명한다. 앞서 도로 모델 기준으로 곡선 좌표계로 좌표 변환을 수행한 각각의 물체 상태 정보 중 도로 횡방향축 (n축) 정보를 이용하면 물체별 차선의 위치를 바로 구할 수 있다. 하지만, 센서의 측정 오차, 융합된 정보의 불확실성 등을 반영하기 위해 Likelihood function을 이용하여 Tracking 된 물체의 각 차선상 위치할 확률을 정량적으로 표현한다(Lane association).
또한, Tracking 된 물체의 방향, 거리 및 속도 정보를 바탕으로 TTC (Time-To-Collision)과 같은 충돌 위험도 인자 및 Likelihood function를 활용하여 각 물체에 대한 위험도 [Dangerous / Occupied / Free ]를 각각 확률적으로 유도할 수 있다(Threat assessment).
최종적으로, 각 물체의 차선에 위치할 확률 및 충돌 위험도에 대한 확률을 바탕으로 차선별 안전도를 평가할 수 있다.
도 4 내지 도 7은 본 발명의 일 실시예에 따른 차량의 주행 상황 판단 방법을 설명하기 위해 도시한 흐름도이다.
도 1 및 도 4를 참조하면, 단계(410)에서 주행 상황 판단 시스템(100)의 도로 모델 저장부(110)는 곡선 좌표계 기반 도로 모델을 지도 DB에 저장한다.
다음으로, 단계(420)에서 상기 주행 상황 판단 시스템(100)의 센서 데이터 융합부(120)는 차량에 탑재된 센서들을 이용하여 상기 차량의 주변 물체들의 상태를 인식한다.
즉, 도 5에 도시된 바와 같이, 단계(510)에서 상기 주행 상황 판단 시스템(100)의 센서 데이터 융합부(120)는 상기 센서들에 의해 측정된 센서 데이터들을 융합하여 상기 차량의 주변 물체들의 상태 인식을 위한 상태 정보들을 획득한다. 이후, 단계(520)에서 상기 주행 상황 판단 시스템(100)의 센서 데이터 융합부(120)는 상기 차량의 위치 정보를 토대로 상기 획득된 상태 정보들을 직교 좌표계를 이용하여 표현한다.
다음으로, 단계(430)에서 상기 주행 상황 판단 시스템(100)의 좌표계 변환부(130)는 상기 곡선 좌표계 기반 도로 모델을 이용하여 상기 인식된 물체들 각각의 좌표를 직교 좌표계에서 곡선 좌표계로 변환한다.
즉, 도 6에 도시된 바와 같이, 단계(610)에서 상기 주행 상황 판단 시스템(100)의 좌표계 변환부(130)는 상기 차량의 위치 정보를 이용하여 상기 지도 DB에서 현재 위치한 도로의 형상에 대응하는 곡선 좌표계 기반 도로 모델을 추출한다. 이후, 단계(620)에서 상기 주행 상황 판단 시스템(100)의 좌표계 변환부(130)는 상기 추출된 곡선 좌표계 기반 도로 모델을 이용하여 상기 직교 좌표계에 표현된 상태 정보들을 좌표 변환하여 곡선 좌표계에 표현한다.
다음으로, 단계(440)에서 상기 주행 상황 판단 시스템(100)의 주행 상황 판단부(140)는 상기 인식된 물체들 각각의 곡선 좌표계상의 좌표를 이용하여 상기 차량의 주행 상황을 판단한다.
즉, 도 7에 도시된 바와 같이, 단계(710)에서 상기 주행 상황 판단 시스템(100)의 주행 상황 판단부(140)는 상기 곡선 좌표계의 횡 방향(n축) 정보를 이용하여 상기 도로상에서 상기 각 물체의 차선 위치를 판단한다. 이후, 단계(720)에서 상기 주행 상황 판단 시스템(100)의 주행 상황 판단부(140)는 상기 곡선 좌표계의 종 방향(s축) 정보 및 횡 방향(n축) 정보를 이용하거나 라이크후드 함수를 이용하여 상기 차량의 충돌 위험도를 판단한다. 이후, 단계(730)에서 상기 주행 상황 판단 시스템(100)의 주행 상황 판단부(140)는 상기 물체들 각각의 차선별 위치 확률 및 상기 차량의 충돌 위험도에 대한 확률에 기초하여 각 차선별 안전도를 평가한다.
실시예
1. 실험환경
운전자 보조를 위해 전방 RADAR (1 EA), 전방 Camera (1 EA) 및 후측방 RADAR (2 EA)가 장착되어 있는 차량을 대상으로 실험을 실시하였다. 각 센서는 주변차량에 대한 위치 및 속도정보만을 제공하며, 검증은 고속도로에서 주행한 데이터를 바탕으로 수행하였다.
2. 추적치 레벨 융합
고속도로는 다양한 차량이 동시에 주행하는 환경이기 때문에 여러 센서에서 하나의 차량을 대상으로 중복된 추정치를 출력하는 경우가 많다. 도 8의 두 가지 Test case는 후방 센서에서 중복된 추정을 하는 다양한 경우를 보여준다. 이와 같은 경우 파란색 원에서 보듯이 본 발명에서 제안하는 추적치 레벨 융합 방법을 적용하면 하나의 차량에 대해 하나의 추적치를 출력하는 것을 확인할 수 있다.
3. 도로 모델 기반 곡선 좌표계 변환
자차 기반의 직교 좌표계는 추적된 물체의 상대 거리 및 속도를 자차 기준으로 판단하기 때문에 곡률이 있는 도로에서는 차선상의 위치를 판단하기 어렵다.
도 9는 곡률이 큰 고속도로 상에서 추적된 물체의 직교 좌표계 및 곡선 좌표계상의 위치를 나타내고 있다. 도면상에서 확인 할 수 있듯이, 직교 좌표계 y축 기준으로는 전방에 인식된 물체는 모두 차량의 좌측에 위치하는 것만 파악할 수 있다. 보통의 직선 도로에서는 차량 좌측에 위치 시 좌측 차선에 물체가 있지만, 파란색 원 내부의 차량 정보에서 나타나듯이 차량 좌측에 위치하더라도 우측 차선에 물체가 존재할 수 있다.
이와 같은 문제를 해결하기 위해, 도로 모델 기반의 곡선 좌표계 변환을 적용하면 n축 기준으로 각각의 인식된 물체가 위치한 차선을 바로 예측할 수 있다.
4. 주행 상황 판단
앞서 곡선 좌표계로 변환된 물체 정보를 기반으로 각 물체의 차선별 위치 확률 및 TTC 충돌 위험도 인자를 활용하면 도 10과 같이 차선별 안전도를 평가할 수 있다.
도 10에서 좌측 차선에 후방 가까이에 위치한 차량이 높은 속력으로 가까워지고 있어, 좌측 차선의 위험도 중 Danger의 확률이 점차 증가한다. 가운데 차선은 전방 차량과 일정 거리를 유지하고 주행 중에 있기 때문에 Occupy 확률이 가장 높다. 마지막 우측 차선은 전후에 인접한 차량이 없어 Free의 확률이 가장 높다.
이와 같은 본 발명의 일 실시예에 따른 차량의 주행 상황 판단 시스템은 운전자 보조 시스템, 지능형 운송 시스템, 자율 주행 자동차 등의 응용 분야에 주행 상황 정보를 제공할 수 있다. 상기 응용 분야 각각의 효과는 다음과 같다.
가. 운전자 보조 시스템 (Advanced Driver Assistance System, ADAS)
운전자 보조 시스템은 차량자세제어에 기여도가 점차 증가함에 따라 정확한 판단을 위해 정밀한 주행환경정보 인식이 필수적이다. 기존의 단일 센서 기반의 인식 시스템은 센서의 인식범위제한, 특성에 따른 오인식 등 한계점 때문에 적용되는 범위가 제한되었다. 본 발명에서 제안한 시스템은 기존 ADAS 시스템에서 각기 사용하던 센서를 융합하여 주변 환경을 인식하는 범위를 증가시켜 줄 뿐만 아니라, 센서별 단점을 상호 보완하여 인식 성능을 향상시킬 수 있다.
나. 지능형 운송 시스템 (Intelligent Transportation System, ITS)
운전자 보조 시스템에서 나아가 많은 ITS 응용 분야에 있어서 하나의 시스템의 인식 성능의 향상은 전체 운송 시스템에 양질의 정보를 제공할 수 있게 한다. 본 발명에서 제안한 도로 모델 기반 정보 융합 방법은 하나의 차량만이 아니라 다수의 차량 또는 인프라 시스템에 적용함으로써 보다 신뢰성 있는 주행 환경 인식 및 판단을 가능하게 할 수 있다.
다. 자율 주행 자동차 (Autonomous Vehicle)
자율 주행 자동차가 경로를 생성하고 그 경로를 따라 충돌 없이 스스로 주행하기 위해서는 주변 환경에 대한 정확한 인식 및 판단이 필수적이다. 센서 정보만을 의존한 인식 시스템은 센서의 인식 성능 한계 및 단일 센서의 오인식에 따른 시스템 전체의 불안전성 증가 등의 문제가 존재하였다. 본 발명에서 제안한 시스템은 센서를 융합하는 데 있어, 센서별 불확실성을 고려하기 때문에 고장에 강인하며, 지도 DB상의 도로 모델 정보를 활용하기 때문에 자율 주행 자동차가 차선 변경 등을 판단하는 데 보다 정확한 정보 제공이 가능하다.
본 발명의 실시예들은 다양한 컴퓨터로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터 판독 가능 매체를 포함한다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크와 같은 자기-광 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
지금까지 본 발명에 따른 구체적인 실시예에 관하여 설명하였으나, 본 발명의 범위에서 벗어나지 않는 한도 내에서는 여러 가지 변형이 가능함은 물론이다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허 청구의 범위뿐 아니라 이 특허 청구의 범위와 균등한 것들에 의해 정해져야 한다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.
110: 도로 모델 저장부
120: 센서 데이터 융합부
130: 좌표계 변환부
140: 주행 상황 판단부
150: 제어부

Claims (11)

  1. 곡선 좌표계 기반 도로 모델을 지도 데이터베이스(DB)에 저장하는 도로 모델 저장부;
    차량에 탑재된 센서들을 이용하여 상기 차량의 주변 물체들의 상태를 인식하는 센서 데이터 융합부;
    상기 곡선 좌표계 기반 도로 모델을 이용하여 상기 인식된 물체들 각각의 좌표를 직교 좌표계에서 곡선 좌표계로 변환하는 좌표계 변환부; 및
    상기 인식된 물체들 각각의 곡선 좌표계상의 좌표를 이용하여 상기 차량의 주행 상황을 판단하는 주행 상황 판단부
    를 포함하는 것을 특징으로 하는 차량의 주행 상황 판단 시스템.
  2. 제1항에 있어서,
    상기 곡선 좌표계 기반 도로 모델은
    도로의 종 방향(s축) 및 횡 방향(n축)을 각각 기준으로 하는 sn 곡선 좌표계(Curvilinear coordinate)를 기준으로 설계되는 것을 특징으로 하는 차량의 주행 상황 판단 시스템.
  3. 제1항에 있어서,
    상기 센서 데이터 융합부는
    상기 센서들에 의해 측정된 센서 데이터들을 융합하여 상기 차량의 주변 물체들의 상태 인식을 위한 상태 정보들을 획득하고, 상기 차량의 위치 정보를 토대로 상기 획득된 상태 정보들을 직교 좌표계를 이용하여 표현하는 것을 특징으로 하는 차량의 주행 상황 판단 시스템.
  4. 제3항에 있어서,
    상기 좌표계 변환부는
    상기 차량의 위치 정보를 이용하여 상기 지도 데이터베이스에서 현재 위치한 도로의 형상에 대응하는 곡선 좌표계 기반 도로 모델을 추출하고, 상기 추출된 곡선 좌표계 기반 도로 모델을 이용하여 상기 직교 좌표계에 표현된 상태 정보들을 좌표 변환하여 곡선 좌표계에 표현하는 것을 특징으로 하는 차량의 주행 상황 판단 시스템.
  5. 제4항에 있어서,
    상기 주행 상황 판단부는
    상기 곡선 좌표계의 횡 방향(n축) 정보를 이용하여 상기 도로상에서 상기 각 물체의 차선 위치를 판단하는 것을 특징으로 하는 차량의 주행 상황 판단 시스템.
  6. 제5항에 있어서,
    상기 주행 상황 판단부는
    상기 각 물체의 차선 위치를 판단 시, 라이크후드 함수(Likehood function)를 이용하여 상기 각 물체가 각 차선별로 위치할 확률을 정량적으로 표현하는 것을 특징으로 하는 차량의 주행 상황 판단 시스템.
  7. 제4항에 있어서,
    상기 주행 상황 판단부는
    상기 곡선 좌표계의 종 방향(s축) 정보 및 횡 방향(n축) 정보를 이용하거나 라이크후드 함수를 이용하여 상기 차량의 충돌 위험도를 판단하는 것을 특징으로 하는 차량의 주행 상황 판단 시스템.
  8. 제1항에 있어서,
    상기 주행 상황 판단부는
    상기 물체들 각각의 차선별 위치 확률 및 상기 차량의 충돌 위험도에 대한 확률에 기초하여 각 차선별 안전도를 평가하는 것을 특징으로 하는 차량의 주행 상황 판단 시스템.
  9. 제1항에 있어서,
    상기 센서 데이터 융합부는
    측정치 레벨 융합(Measurement Level Fusion) 및 추적치 레벨 융합(Track Level Fusion) 중 적어도 하나의 방법을 이용하여 상기 차량의 주변 물체들의 상태를 인식하는 것을 특징으로 하는 차량의 주행 상황 판단 시스템.
  10. 제9항에 있어서,
    상기 센서 데이터 융합부는
    상기 추적치 레벨 융합 방법에 있어서, 칼만 필터 기반 NNF(Nearest Neighborhood Filter) 알고리즘을 활용한 재추적(Re-tracking) 방법을 적용하여 상기 센서들을 통해 획득하지 못한 센서 데이터를 획득하는 것을 특징으로 하는 차량의 주행 상황 판단 시스템.
  11. 도로 모델 저장부에서, 곡선 좌표계 기반 도로 모델을 지도 데이터베이스(DB)에 저장하는 단계;
    센서 데이터 융합부에서, 차량에 탑재된 센서들을 이용하여 상기 차량의 주변 물체들의 상태를 인식하는 단계;
    좌표계 변환부에서, 상기 곡선 좌표계 기반 도로 모델을 이용하여 상기 인식된 물체들 각각의 좌표를 직교 좌표계에서 곡선 좌표계로 변환하는 단계; 및
    주행 상황 판단부에서, 상기 인식된 물체들 각각의 곡선 좌표계상의 좌표를 이용하여 상기 차량의 주행 상황을 판단하는 단계
    를 포함하는 것을 특징으로 하는 차량의 주행 상황 판단 방법.
KR20140003285A 2014-01-10 2014-01-10 차량의 주행 상황 판단 시스템 및 방법 KR101503473B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR20140003285A KR101503473B1 (ko) 2014-01-10 2014-01-10 차량의 주행 상황 판단 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20140003285A KR101503473B1 (ko) 2014-01-10 2014-01-10 차량의 주행 상황 판단 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR101503473B1 true KR101503473B1 (ko) 2015-03-18

Family

ID=53027848

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20140003285A KR101503473B1 (ko) 2014-01-10 2014-01-10 차량의 주행 상황 판단 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101503473B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101749873B1 (ko) * 2016-11-28 2017-06-22 충북대학교 산학협력단 카메라 영상을 이용한 주행 정보 제공 방법 및 장치
US10229363B2 (en) 2015-10-19 2019-03-12 Ford Global Technologies, Llc Probabilistic inference using weighted-integrals-and-sums-by-hashing for object tracking
KR20190054352A (ko) 2017-11-13 2019-05-22 현대오트론 주식회사 차량 추적 장치 및 그것의 동작 방법
US20200302783A1 (en) * 2019-03-22 2020-09-24 Zf Active Safety Gmbh Control system and control method for path assignment of traffic objects
KR20210029323A (ko) * 2019-09-05 2021-03-16 현대모비스 주식회사 정밀 지도를 이용한 센서 퓨전의 인지 성능 향상을 위한 장치 및 방법
WO2022055231A1 (ko) * 2020-09-08 2022-03-17 포티투닷 주식회사 인공신경망을 이용한 주행 차량의 차로 판단 방법과 장치 및 이를 포함하는 내비게이션 장치
KR20230090957A (ko) 2021-12-15 2023-06-22 경북대학교 산학협력단 라이다 데이터 전송량 감소를 위한 라이다 데이터 전송방법, 이를 수행하기 위한 장치 및 시스템
WO2023149003A1 (ja) * 2022-02-07 2023-08-10 日立Astemo株式会社 車両制御装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100068917A (ko) * 2008-12-15 2010-06-24 현대모비스 주식회사 차량용 레이더 센서 오차 보정 장치
JP2012048642A (ja) 2010-08-30 2012-03-08 Denso Corp 走行環境認識装置
KR20120072020A (ko) * 2010-12-23 2012-07-03 한국전자통신연구원 자율주행 시스템의 주행정보 인식 방법 및 장치
JP2012242263A (ja) 2011-05-20 2012-12-10 Mazda Motor Corp 移動***置検出装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100068917A (ko) * 2008-12-15 2010-06-24 현대모비스 주식회사 차량용 레이더 센서 오차 보정 장치
JP2012048642A (ja) 2010-08-30 2012-03-08 Denso Corp 走行環境認識装置
KR20120072020A (ko) * 2010-12-23 2012-07-03 한국전자통신연구원 자율주행 시스템의 주행정보 인식 방법 및 장치
JP2012242263A (ja) 2011-05-20 2012-12-10 Mazda Motor Corp 移動***置検出装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10229363B2 (en) 2015-10-19 2019-03-12 Ford Global Technologies, Llc Probabilistic inference using weighted-integrals-and-sums-by-hashing for object tracking
KR101749873B1 (ko) * 2016-11-28 2017-06-22 충북대학교 산학협력단 카메라 영상을 이용한 주행 정보 제공 방법 및 장치
WO2018097595A1 (ko) * 2016-11-28 2018-05-31 충북대학교 산학협력단 카메라 영상을 이용한 주행 정보 제공 방법 및 장치
CN109070882A (zh) * 2016-11-28 2018-12-21 忠北国立大学产学合作基金会 利用摄像头影像的行驶信息提供方法及装置
CN109070882B (zh) * 2016-11-28 2019-09-20 忠北国立大学产学合作基金会 利用摄像头影像的行驶信息提供方法及装置
KR20190054352A (ko) 2017-11-13 2019-05-22 현대오트론 주식회사 차량 추적 장치 및 그것의 동작 방법
US20200302783A1 (en) * 2019-03-22 2020-09-24 Zf Active Safety Gmbh Control system and control method for path assignment of traffic objects
KR20210029323A (ko) * 2019-09-05 2021-03-16 현대모비스 주식회사 정밀 지도를 이용한 센서 퓨전의 인지 성능 향상을 위한 장치 및 방법
KR102596297B1 (ko) * 2019-09-05 2023-11-01 현대모비스 주식회사 정밀 지도를 이용한 센서 퓨전의 인지 성능 향상을 위한 장치 및 방법
WO2022055231A1 (ko) * 2020-09-08 2022-03-17 포티투닷 주식회사 인공신경망을 이용한 주행 차량의 차로 판단 방법과 장치 및 이를 포함하는 내비게이션 장치
KR20230090957A (ko) 2021-12-15 2023-06-22 경북대학교 산학협력단 라이다 데이터 전송량 감소를 위한 라이다 데이터 전송방법, 이를 수행하기 위한 장치 및 시스템
WO2023149003A1 (ja) * 2022-02-07 2023-08-10 日立Astemo株式会社 車両制御装置

Similar Documents

Publication Publication Date Title
KR101503473B1 (ko) 차량의 주행 상황 판단 시스템 및 방법
EP3647728B1 (en) Map information system
US10650253B2 (en) Method for estimating traffic lanes
EP3779922A1 (en) Method for estimating driving road and driving road estimation system
US10553117B1 (en) System and method for determining lane occupancy of surrounding vehicles
Kim et al. Curvilinear-coordinate-based object and situation assessment for highly automated vehicles
WO2020232648A1 (zh) 车道线的检测方法、电子设备与存储介质
EP3211374B1 (en) Travel route calculation device
CN111750886A (zh) 局部路径规划方法及装置
US10369993B2 (en) Method and device for monitoring a setpoint trajectory to be traveled by a vehicle for being collision free
US11703344B2 (en) Landmark location estimation apparatus and method, and computer-readable recording medium storing computer program programmed to perform method
Kim et al. Automated complex urban driving based on enhanced environment representation with GPS/map, radar, lidar and vision
Jeong et al. Bidirectional long shot-term memory-based interactive motion prediction of cut-in vehicles in urban environments
US10796571B2 (en) Method and device for detecting emergency vehicles in real time and planning driving routes to cope with situations to be expected to be occurred by the emergency vehicles
Lee et al. Collision risk assessment for possible collision vehicle in occluded area based on precise map
CN104395944A (zh) 定向车道的识别
KR20190109645A (ko) 차량의 측위 장치 및 그 방법
CN118235180A (zh) 预测可行驶车道的方法和装置
US20220253065A1 (en) Information processing apparatus, information processing method, and information processing program
CN116872921A (zh) 一种车辆规避风险方法、***、车辆及存储介质
US11210941B2 (en) Systems and methods for mitigating anomalies in lane change detection
US11531349B2 (en) Corner case detection and collection for a path planning system
Wang et al. Trajectory prediction for turning vehicles at intersections by fusing vehicle dynamics and driver’s future input estimation
Zindler et al. Real-time ego-motion estimation using Lidar and a vehicle model based Extended Kalman Filter
JP6609292B2 (ja) 車外環境認識装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee