KR102050426B1 - 운전자 모사 모델 기반의 자율주행 제어 장치 및 방법 - Google Patents

Abstract

본 발명은 운전자 모사 모델 기반의 자율주행 제어 장치 및 방법에 관한 것으로, 상기 자율주행 제어 장치는 운전자 모사 모델 기반의 자율주행 제어 장치는 차량의 주변상황을 수집하는 주변상황 수집부, 학습용 차량에 의해 이전에 수집되었던 학습용 주행상황과 학습용 운전자에 의해 이전에 수행되었던 학습용 운전상황을 포함하는 학습용 모집단을 기초로 생산적 적대 학습된 운전자 모사 모델을 수신하는 운전자 모사 모델 수신부, 상기 차량의 차선변경에 대한 필요 여부를 결정하는 차량 차선변경 결정부 및 상기 차선변경이 필요한 것으로 결정되면 상기 차량의 주행상황을 상기 운전자 모사 모델에 제공하여 향후 운전상황을 생성하는 운전상황 생성부를 포함한다.

Description

운전자 모사 모델 기반의 자율주행 제어 장치 및 방법{AUTONOMOUS DRIVING CONTROL APPARATUS AND METHOD BASED ON DRIVER MODEL}

본 발명은 운전자 모사 모델 기반의 자율주행 제어 기술에 관한 것으로, 보다 상세하게는 자율주행 차량의 차선변경 상황에서 실제 운전자 모델을 기반으로 주행을 제어할 수 있는 운전자 모사 모델 기반의 자율주행 제어 장치 및 방법에 관한 것이다.

현재 자율주행 기술에 대한 연구가 활발하게 진행되고 있다. 자율주행을 위한 플랫폼은 대부분 센서 위주로 구성되어 있다. 센서 위주의 기술 개발은 센서 장착으로 인한 비용 증가와 공차 중량의 증가로 인한 연비 감소라는 문제점을 가지고 있다. 따라서, 차량 고유 데이터를 사용하여 인공지능 기반 알고리즘을 통해 센서의 일정 부분을 대신할 수 있는 기술 개발이 필요하다.

또한, 센서 위주의 기술만으로는 다양한 상황에서 발생할 수 있는 돌발 상황에 대한 대처 능력이 충분하지 않기 때문에 고도화된 자율주행차 개발에 있어서 위험 상황에 효과적으로 대처할 수 있는 기술이 필수적으로 요구되고 있다.

한국등록특허 제10-0992761(2010.11.01)호

본 발명의 일 실시예는 자율주행 차량의 차선변경 상황에서 실제 운전자 모델을 기반으로 주행을 제어할 수 있는 운전자 모사 모델 기반의 자율주행 제어 장치 및 방법을 제공하고자 한다.

본 발명의 일 실시예는 실제 다양한 운전자들의 주행을 학습하여 고도화된 인공지능 운전자 모사 모델을 자율주행에 활용함으로써 향상된 대처 능력을 제공할 수 있는 운전자 모사 모델 기반의 자율주행 제어 장치 및 방법을 제공하고자 한다.

본 발명의 일 실시예는 자동으로 감지된 차선변경 상황에서 운전자 모사 모델을 통해 제공되는 주변차량의 양보 유무에 따른 운전상황을 자율주행에 적용하여 차선변경에 유연하게 대처할 수 있는 운전자 모사 모델 기반의 자율주행 제어 장치 및 방법을 제공하고자 한다.

실시예들 중에서, 운전자 모사 모델 기반의 자율주행 제어 장치는 차량의 주변상황을 수집하는 주변상황 수집부, 학습용 차량에 의해 이전에 수집되었던 학습용 주행상황과 학습용 운전자에 의해 이전에 수행되었던 학습용 운전상황을 포함하는 학습용 모집단을 기초로 생산적 적대 학습된 운전자 모사 모델을 수신하는 운전자 모사 모델 수신부, 상기 차량의 차선변경(Cut-in)에 대한 필요 여부를 결정하는 차량 차선변경 결정부 및 상기 차선변경이 필요한 것으로 결정되면 상기 차량의 주행상황을 상기 운전자 모사 모델에 제공하여 향후 운전상황을 생성하는 운전상황 생성부를 포함한다.

상기 주변상황 수집부는 적어도 하나의 레이더(radar) 센서를 통해 상기 차량의 전방, 측방 및 후방에 관한 주행상황과 상기 차량의 조향, 감속 및 가속에 관한 운전상황을 상기 주변상황으로서 수집할 수 있다.

상기 운전자 모사 모델은 상기 학습용 모집단에 대해 상기 학습용 주행상황과 상기 학습용 운전상황에 대한 동기화 및 상기 학습용 운전상황에 관한 정규화를 수행하는 전처리 과정을 적용한 후 상기 생산적 적대 학습을 수행하여 생성될 수 있다.

상기 운전자 모사 모델은 상기 생산적 적대 학습의 제1 학습과정으로서 상기 학습용 주행상황에 대한 후보 운전상황을 생성하고, 제2 학습과정으로서 상기 후보 운전상황에 대한 판별 확률을 생성할 수 있다.

상기 운전자 모사 모델은 상기 제2 학습과정을 통해 판별에 성공한 후보 운전상황을 상기 제1 학습과정에 반영하고, 판별에 실패한 후보 운전상황을 상기 제2 학습과정에 반영할 수 있다.

상기 운전상황 생성부는 상기 운전자 모사 모델에 대해 상기 제2 학습과정에 의한 판별 성공율이 기준 임계값을 초과한 시점에서 상기 제1 학습과정의 가중치를 그대로 적용하여 상기 향후 운전상황을 생성할 수 있다.

상기 운전상황 생성부는 상기 차선변경이 필요한 것으로 결정되면 상기 차선변경의 목표 차선에서 상기 차량에 근접하여 주행하는 주변차량의 양보 유무를 예측하고 상기 차량의 주행상황과 함께 상기 운전자 모사 모델에 제공할 수 있다.

상기 자율주행 제어 장치는 상기 향후 운전상황을 기초로 상기 차량의 차선변경에 관한 자율주행을 제어하는 자율주행 제어부를 더 포함할 수 있다.

상기 자율주행 제어부는 상기 향후 운전상황이 특정 시간 간격을 기준으로 연속하여 생성되고 복수의 향후 운전상황들 간의 중첩 구간이 발생하는 경우 상기 중첩 구간에 대해 복수의 향후 운전상황들 중 어느 하나를 선별하여 상기 자율주행에 적용할 수 있다.

실시예들 중에서, 운전자 모사 모델 기반의 자율주행 제어 방법은 차량의 주변상황을 수집하는 단계, 학습용 차량에 의해 이전에 수집되었던 학습용 주행상황과 학습용 운전자에 의해 이전에 수행되었던 학습용 운전상황을 포함하는 학습용 모집단을 기초로 생산적 적대 학습된 운전자 모사 모델을 수신하는 단계, 상기 차량의 차선변경(Cut-in)에 대한 필요 여부를 결정하는 단계 및 상기 차선변경이 필요한 것으로 결정되면 상기 차량의 주행상황을 상기 운전자 모사 모델에 제공하여 향후 운전상황을 생성하는 단계를 포함한다.

개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

본 발명의 일 실시예에 따른 운전자 모사 모델 기반의 자율주행 제어 장치 및 방법은 실제 다양한 운전자들의 주행을 학습하여 고도화된 인공지능 운전자 모사 모델을 자율주행에 활용함으로써 향상된 대처 능력을 제공할 수 있다.

본 발명의 일 실시예에 따른 운전자 모사 모델 기반의 자율주행 제어 장치 및 방법은 자동으로 감지된 차선변경 상황에서 운전자 모사 모델을 통해 제공되는 주변차량의 양보 유무에 따른 운전상황을 자율주행에 적용하여 차선변경에 유연하게 대처할 수 있다.

도 1은 본 발명의 일 실시예에 따른 운전자 모사 모델 기반의 자율주행 제어 시스템을 설명하는 도면이다.
도 2는 도 1에 있는 자율주행 제어 장치의 기능적 구성을 설명하는 블록도이다.
도 3은 도 1에 있는 자율주행 제어 장치에서 수행되는 자율주행 제어 과정을 설명하는 순서도이다.
도 4 및 5는 운전자 모사 모델 생성을 위한 생산적 적대 학습의 과정을 설명하는 예시도이다.
도 6은 도 1에 있는 자율주행 제어 장치에서 운전자 모사 모델을 통해 자율주행 제어를 수행하는 과정을 설명하는 예시도이다.

본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.

"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.

본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

본 명세서에서 사용되는 바와 같이 "차량(vehicle)", "차량의(vehicular)" 또는 다른 유사한 용어는 자동차들, 일반적으로 스포츠 유틸리티 차량들(SUV)을 포함하는 자가용들(passenger automobiles), 버스들, 트럭들, 다양한 상업 차량들, 다양한 보트들 및 배들을 포함하는 선박, 비행기 등을 포함하고, 그리고 하이브리드 자동차, 전기 자동차, 하이브리드 전기 자동차, 수소 동력 차량들과 다른 대체 연료(예를 들어, 석유가 아닌 자원들로부터 유도된 연료들) 차량들을 포함하는 것으로 이해된다. 본 명세서에서 언급되는 바와 같이, 전기 자동차(EV)는 자신의 이동 능력들(locomotion capabilities)의 부분으로서, 충전 가능한 에너지 저장 장치(예를 들어, 하나 이상의 재충전 가능한 전기 화학적 셀 또는 다른 유형의 배터리)로부터 얻어지는 전기 동력을 포함하는 차량이다. EV는 자동차에 한정되는 것이 아니고 모터 사이클들, 카트들, 스쿠터들 등을 포함할 수 있다. 또한, 하이브리드 자동차는, 두 개 이상의 전력 소스, 일례로 가솔린 기반 동력 및 전기 기반 동력을 갖는 차량이다(예를 들어, 하이브리드 전기 자동차(HEV)).

여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.

도 1은 본 발명의 일 실시예에 따른 운전자 모사 모델 기반의 자율주행 제어 시스템을 설명하는 도면이다.

도 1을 참조하면, 운전자 모사 모델 기반의 자율주행 제어 시스템(100)은 자율주행차량(110), 자율주행 제어 장치(130) 및 데이터베이스(150)를 포함할 수 있다.

자율주행차량(110)은 엔진에 의해 생산된 동력을 이용하여 승객이나 화물을 운반하는 교통수단으로서 자동차에 해당할 수 있다. 자율주행차량(110)은, 반드시 이에 한정되지 않고, 동력을 이용하여 움직일 수 있는 다양한 운송 수단을 포함할 수 있다. 일 실시예에서, 자율주행차량(110)은 주행 중에 발생하는 다양한 상황을 모니터링하기 위하여 관련 데이터를 수집할 수 있는 복수의 센서들을 포함하여 구현될 수 있다. 예를 들어, 자율주행차량(110)은 해당 차량의 조향, 가속 및 감속 등의 주행 데이터를 획득하기 위한 센서들을 포함할 수 있고, 해당 차량의 주변 상황으로서 주변 차량의 위치, 상대 속도 등의 상황 데이터를 획득하기 위한 센서들을 포함할 수 있다.

또한, 자율주행차량(110)은 외부 시스템과 통신할 수 있는 통신 장치를 포함하여 구현될 수 있고, 자율주행 제어 장치(130)와 네트워크를 통해 연결될 수 있으며, 복수의 자율주행차량(110)들은 자율주행 제어 장치(130)와 동시에 연결될 수 있다.

자율주행 제어 장치(130)는 자율주행차량(110)의 자율주행 과정에서 발생하는 끼어들기(또는 차선변경) 상황에 효과적으로 대응하기 위하여 사전에 학습된 결과로서 생성된 운전자 모사 모델을 이용하여 자율주행차량(110)의 주행을 제어할 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 자율주행 제어 장치(130)는 자율주행차량(110) 과 유선 네트워크 또는 블루투스, WiFi 등과 같은 무선 네트워크로 연결될 수 있고, 유선 또는 무선 네트워크를 통해 자율주행차량(110)과 통신을 수행할 수 있다.

일 실시예에서, 자율주행 제어 장치(130)는 데이터베이스(150)와 연동하여 자율주행차량(110)의 주행 제어 과정에서 필요한 정보를 저장할 수 있다. 한편, 자율주행 제어 장치(130)는 도 1과 달리, 데이터베이스(150)를 내부에 포함하여 구현될 수 있다. 또한, 자율주행 제어 장치(130)는 물리적 구성요소로서 프로세서, 메모리, 사용자 입출력부 및 네트워크 입출력부를 포함하여 구현될 수 있다.

데이터베이스(150)는 자율주행 제어 장치(130)가 운전자 모사 모델을 이용하여 자율주행차량(110)의 주행을 제어하는 과정에서 필요한 다양한 정보들을 저장할 수 있다. 예를 들어, 데이터베이스(150)는 자율주행차량(110)으로부터 주행 과정에서의 주변상황에 관한 정보를 저장할 수 있고, 사전에 학습된 결과로서 생성된 운전자 모사 모델에 관한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 운전자 모사 모델을 이용하여 자율주행차량(110)의 주행을 제어하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.

도 2는 도 1에 있는 자율주행 제어 장치의 기능적 구성을 설명하는 블록도이다.

도 2를 참조하면, 자율주행 제어 장치(130)는 주변상황 수집부(210), 운전자 모사 모델 수신부(220), 차량 차선변경 결정부(230), 운전상황 생성부(240), 자율주행 제어부(250) 및 제어부(260)를 포함할 수 있다.

주변상황 수집부(210)는 차량의 주변상황을 수집할 수 있다. 주변상황 수집부(210)는 차량에 설치된 복수의 센서들로부터 주변상황에 관한 데이터들을 수집할 수 있고, 수집된 데이터들에 대한 전처리를 통해 차량의 자율주행에 필요한 형태로 가공할 수 있다. 주변상황 수집부(210)는 데이터베이스(150)와 연동하여 수집된 정보들을 저장할 수 있고, 필요에 따라 분류 또는 정렬을 수행할 수 있다.

일 실시예에서, 주변상황 수집부(210)는 적어도 하나의 레이더(radar) 센서를 통해 측정되는 차량의 전방, 측방 및 후방에 관한 주행상황과 복수의 감지 센서들로부터 각각 측정되는 차량의 조향, 감속 및 가속에 관한 운전상황을 주변상황으로서 수집할 수 있다. 특히, 주변상황 수집부(210)는 차선변경(또는 끼어들기) 상황에서 발생하는 주행상황과 운전상황을 차량의 주변상황으로서 수집할 수 있다. 주행상황은 차량의 주행 중에 발생하는 상황 정보로서 차량에 설치된 레이더(radar) 센서를 통해 수집할 수 있으며, 차량에 부착된 위치 및 측정 지역에 따라 전방, 측방 및 후방으로 분류할 수 있다. 운전상황은 차량의 주행 과정에서 직접적으로 발생하는 조향각(steering wheel angle), 스로틀(throttle), 제동 압력(brake pressure) 등의 제어 데이터(control data)에 해당할 수 있고 차량에 설치된 복수의 감지 센서들을 통해 측정될 수 있다.

운전자 모사 모델 수신부(220)는 학습용 차량에 의해 이전에 수집되었던 학습용 주행상황과 학습용 운전자에 의해 이전에 수행되었던 학습용 운전상황을 포함하는 학습용 모집단을 기초로 생산적 적대 학습된 운전자 모사 모델을 수신할 수 있다. 여기에서, 생산적 적대 학습(Generative Adversarial Network, GAN)은 데이터를 생성해내는 생성자 모델과 생성된 데이터를 실제 데이터와 비교하여 판별해내는 판별자 모델이 상호작용하면서 데이터를 고도화하는 학습 방법에 해당할 수 있다. 판별자 모델은 생성자 모델이 출력한 데이터를 판별하기 위한 비교 대상으로서 학습용 주행상황과 학습용 운전상황으로 구성된 학습용 모집단을 사용할 수 있다. 생산적 적대 학습의 결과로서 생성자 모델과 판별자 모델이 각각 생성될 수 있으며, 운전자 모사 모델에는 생성자 모델의 가중치 정보가 적용될 수 있다.

일 실시예에서, 운전자 모사 모델은 학습용 모집단에 대해 학습용 주행상황과 학습용 운전상황에 대한 동기화 및 학습용 운전상황에 관한 정규화를 수행하는 전처리 과정을 적용한 후 생산적 적대 학습을 수행하여 생성될 수 있다. 운전자 모사 모델은 실제 주행 상황에서 발생하는 주행상황과 운전상황을 학습한 결과로서 생성할 수 있는데, 학습을 위한 전단계로서 수집된 정보에 대한 전처리 과정이 적용될 수 있다. 전처리 과정은 크게 두가지 형태로 진행될 수 있고 주행상황과 운전상황의 싱크(sync)를 일치시키는 동기화 과정과 학습 알고리즘의 성능 향상을 위해 운전상황에 대한 정규화 과정이 수행될 수 있다.

보다 구체적으로, 주행상황과 운전상황에 대한 동기화 과정은 레이더 데이터에 해당하는 주행상황을 20 fps로 가공하여 저장하고 운전자 제어 데이터에 해당하는 운전상황을 20 fps(0.05초)의 시계열로 조향각, 스로틀 및 제동 압력으로 분류하여 저장한 후 주행상황과 운전상황의 싱크(sync)를 일치시켜 하나의 데이터 집합(예를 들어, 하나의 pickle 형식)으로 생성하는 동작에 해당할 수 있다. 운전상황에 대한 정규화 과정은 운전상황에 해당하는 각 센서 데이터의 범위를 일정 범위, 예를 들어, -1 ~ 1 사이의 값으로 변환하는 동작에 해당할 수 있다.

일 실시예에서, 운전자 모사 모델은 생산적 적대 학습의 제1 학습과정으로서 학습용 주행상황에 대한 후보 운전상황을 생성하고, 제2 학습과정으로서 후보 운전상황에 대한 판별 확률을 생성할 수 있다. 생산적 적대 학습은 생성자 모델과 판별자 모델이 상호작용하는 과정을 통해 수행될 수 있고, 제1 학습과정은 생성자 모델 생성을 위한 학습과정에 해당하고 제2 학습과정은 판별자 모델 생성을 위한 학습과정에 해당할 수 있다.

즉, 제1 학습과정은 학습용 모집단에 포함된 학습용 주행상황에 대한 후보 운전상황을 생성할 수 있다. 후보 운전상황은 생산적 적대 학습 과정에서 생성자 모델에 의해 생성되는 임시적인 운전상황에 해당할 수 있다. 또한, 제2 학습과정은 제1 학습과정에 의해 생성된 후보 운전상황을 학습용 주행상황에 대응되는 학습용 운전상황과 비교하여 판별 확률을 생성할 수 있다. 여기에서, 판별 확률은 생성자 모델에 의해 생성된 후보 운전상황이 실제 운전상황과 유사한 정도에 해당할 수 있고, 후보 운전상황이 실제 운전상황에 유사할수록 판별 확률은 높아질 수 있다.

일 실시예에서, 운전자 모사 모델의 제1 학습과정은 t초 동안의 주행상황(예를 들어, 레이더 데이터)를 기초로 다음 t초 동안의 운전상황(예를 들어, 주행 제어 데이터)를 생성할 수 있다. 운전자 모사 모델의 제2 학습과정은 t초 동안의 운전상황을 동시간대 실제 운전상황과 비교하여 해당 운전상황에 대한 판별 확률을 생성할 수 있다. 운전자 모사 모델은 제2 학습과정의 결과로서 판별자 모델이 판별에 성공하는 확률이 특정 기준(예를 들어, 0.5)에 근사하면 학습을 종료하고 해당 시점의 생성자 모델에 대한 가중치를 기초로 생성될 수 있다.

일 실시예에서, 운전자 모사 모델은 제2 학습과정을 통해 판별에 성공한 후보 운전상황을 제1 학습과정에 반영하고, 판별에 실패한 후보 운전상황을 제2 학습과정에 반영할 수 있다. 제2 학습과정에 의한 판별 확률이 기준 확률보다 높은 경우 해당 판별은 성공한 것으로 결정할 수 있고, 예를 들어, 판별 확률이 0.5보다 높은 경우 해당 판별은 성공한 것으로 결정할 수 있다. 운전자 모사 모델은 제2 학습과정을 통해 판별에 성공한 후보 운전상황을 제1 학습과정에 반영하고, 판별에 실패한 후보 운전상황은 제2 학습과정에 반영하는 반복 학습 과정을 통해 피드백 손실(feed back loss)이 최소화되는 방향으로 갱신(update) 과정이 수행될 수 있다. 운전자 모사 모델은 피드백 손실 산출을 위한 손실 함수(loss function)를 사용할 수 있고, 손실 함수 값이 각각의 학습 과정에 전달되어 학습 과정에 적용되는 가중치를 갱신할 수 있다.

차량 차선변경 결정부(230)는 차량의 차선변경에 대한 필요 여부를 결정할 수 있다. 차량 차선변경 결정부(230)는 주변상황 수집부(210)에 의해 수집된 차량의 주변상황 정보를 기초로 해당 차량의 차선변경에 대한 필요 여부를 결정할 수 있다. 예를 들어, 차량의 전방에 선행차량이 존재하고 주행차선의 좌측 또는 우측 차선을 통해 해당 선행차량을 추월할 수 있는 경우 차량 차선변경 결정부(230)는 차선변경이 필요한 것으로 결정할 수 있다. 차선변경의 필요 여부는 필요성 정도에 관한 수치화된 값으로 표현될 수 있고, 특정 기준 값과의 비교 결과를 기초로 필요 여부를 결정할 수 있다.

운전상황 생성부(240)는 차선변경이 필요한 것으로 결정되면 차량의 주행상황을 운전자 모사 모델에 제공하여 향후 운전상황을 생성할 수 있다. 운전상황 생성부(240)는 현재 시점으로부터 과거 t초 동안의 주행상황을 운전자 모사 모델에 입력으로 제공할 수 있고, 운전자 모사 모델은 주행상황에 대응되는 현재 시점으로부터 다음 t초 동안의 운전상황을 향후 운전상황으로서 출력할 수 있다.

일 실시예에서, 운전상황 생성부(240)는 운전자 모사 모델에 대해 제2 학습과정에 의한 판별 성공율이 기준 임계값을 초과한 시점에서 제1 학습과정의 가중치를 그대로 적용하여 향후 운전상황을 생성할 수 있다. 생산적 적대 학습은 제2 학습과정에 의한 판별 성공율이 기준 임계값을 초과할 때까지 피드백 손실이 최소화되는 방향으로 반복적으로 수행될 수 있고, 제2 학습과정에 의한 판별 성공율이 기준 임계값을 초과한 시점에서 생산자 모델에 적용되는 가중치를 운전자 모사 모델에 그대로 적용할 수 있다. 운전상황 생성부(240)는 운전자 모사 모델을 통해 현재의 주행상황에 대응되는 향후 운전상황을 생성할 수 있다.

일 실시예에서, 운전상황 생성부(240)는 차선변경이 필요한 것으로 결정되면 차선변경의 목표 차선에서 차량에 근접하여 주행하는 주변차량의 양보 유무를 예측하고 차량의 주행상황과 함께 운전자 모사 모델에 제공할 수 있다. 운전자 모사 모델은 차량의 주행상황 뿐만 아니라 주변차량의 양보 유무를 반영하여 차량의 향후 운전상황을 결정할 수 있다. 운전상황 생성부(240)는 차선변경이 필요한 것으로 결정된 경우 차선변경의 방향을 1차적으로 결정할 수 있고, 결정된 차선변경의 방향에 따라 해당 차선에서 주행 중인 후행차량을 결정할 수 있으며, 후행차량과의 거리 및 후행차량의 상대속도를 기초로 후행차량의 양보 유무를 2차적으로 결정할 수 있다. 운전상황 생성부(240)는 후행차량의 양보 유무에 관한 정보를 차량의 주행상황과 함께 운전자 모사 모델에 제공할 수 있고, 운전자 모사 모델은 이를 기초로 향후 운전상황을 결정할 수 있다.

일 실시예에서, 운전상황 생성부(240)는 차량의 주행상황을 기초로 차선변경의 방향을 결정하는 차선변경 방향 결정 모듈, 차선변경의 방향을 기초로 차선변경의 목표 차선을 결정하는 목표 차선 결정 모듈, 차선변경의 목표 차선에서 차량에 근접하여 주행하는 주변차량을 결정하는 주변차량 결정 모듈, 주변차량의 주행상황을 수집하는 주변차량 주행상황 수집 모듈 및 주변차량의 주행상황을 기초로 주변차량의 양보 유무를 예측하는 양보 유무 예측 모듈을 포함할 수 있다.

자율주행 제어부(250)는 향후 운전상황을 기초로 차량의 차선변경에 관한 자율주행을 제어할 수 있다. 자율주행 제어부(250)는 차량의 차선변경 상황에서 운전상황 생성부(240)에 의해 생성된 향후 운전상황을 기초로 차량의 자율주행을 제어할 수 있다. 즉, 자율주행 제어부(250)는 향후 운전상황에 포함된 차량의 조향각, 스로틀 및 제동 압력에 관한 정보를 이용하여 차량의 조향, 가속과 감속을 각각 제어함으로써 차량의 자율주행을 제어할 수 있다.

일 실시예에서, 자율주행 제어부(250)는 향후 운전상황이 특정 시간 간격을 기준으로 연속하여 생성되고 복수의 향후 운전상황들 간의 중첩 구간이 발생하는 경우 중첩 구간에 대해 복수의 향후 운전상황들 중 어느 하나를 선별하여 자율주행에 적용할 수 있다. 운전상황 생성부(240)는 자율주행의 실시간성을 고려하여 일정 시간 간격으로 타임 윈도우 슬라이딩(time window sliding) 방식을 적용함으로써 생성되는 향후 운전상황의 부자연스러운 흐름을 해결할 수 있다.

예를 들어, 운전상황 생성부(240)는 향후 운전상황을 매 1초 간격으로 연속하여 생성할 수 있고, 생성되는 향후 운전상황은 현재 시점을 기준으로 3초 동안의 운전상황에 해당할 수 있다. 따라서, 운전상황 생성부(240)에 의해 생성된 복수의 향후 운전상황들은 현재 시점을 기준으로 1초 ~ 2초 사이, 2초 ~ 3초 사이, 3초 ~ 4초 사이의 구간에서 각각 2개, 3개, 2개의 향후 운전상황들이 서로 중첩될 수 있다. 자율주행 제어부(250)는 서로 중첩되는 구간들에 대해 복수의 향후 운전상황들 중 어느 하나를 선별하여 차량의 자율주행에 활용할 수 있다.

일 실시예에서, 자율주행 제어부(250)는 복수의 향후 운전상황들 간의 중첩 구간이 발생하는 경우 중첩 구간에 대해 복수의 향후 운전상황들의 평균을 산출하여 자율주행에 적용할 수 있다. 즉, 자율주행 제어부(250)는 2개 이상의 향후 운전상황들이 중첩되는 구간에 대해 해당 향후 운전상황들에 포함된 조향각, 스로틀, 제동 압력들 각각에 대한 평균을 산출할 수 있고, 평균 조향각, 평균 스로틀, 평균 제동 압력을 기초로 차량에 대한 자율주행 제어를 수행할 수 있다.

제어부(260)는 자율주행 제어 장치(130)의 전체적인 동작을 제어하고, 주변상황 수집부(210), 운전자 모사 모델 수신부(220), 차량 차선변경 결정부(230), 운전상황 생성부(240) 및 자율주행 제어부(250) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.

도 3은 도 1에 있는 자율주행 제어 장치에서 수행되는 자율주행 제어 과정을 설명하는 순서도이다.

도 3을 참조하면, 자율주행 제어 장치(130)는 주변상황 수집부(210)를 통해 차량의 주변상황을 수집할 수 있다(단계 S310). 자율주행 제어 장치(130)는 운전자 모사 모델 수신부(220)를 통해 학습용 차량에 의해 이전에 수집되었던 학습용 주행상황과 학습용 운전자에 의해 이전에 수행되었던 학습용 운전상황을 포함하는 학습용 모집단을 기초로 생산적 적대 학습된 운전자 모사 모델을 수신할 수 있다(단계 S330). 자율주행 제어 장치(130)는 차량 차선변경 결정부(230)를 통해 차량의 차선변경에 대한 필요 여부를 결정할 수 있다(단계 S350).

자율주행 제어 장치(130)는 운전상황 생성부(240)를 통해 차선변경이 필요한 것으로 결정되면 차량의 주행상황을 운전자 모사 모델에 제공하여 향후 운전상황을 생성할 수 있다(단계 S370). 자율주행 제어 장치(130)는 자율주행 제어부(250)를 통해 향후 운전상황을 기초로 차량의 차선변경에 관한 자율주행을 제어할 수 있다(단계 S390).

도 4 및 5는 운전자 모사 모델 생성을 위한 생산적 적대 학습의 과정을 설명하는 예시도이다.

도 4를 참조하면, 생산적 적대 학습은 생성자 모델(Generator)을 생성하는 제1 학습과정과 판별자 모델(Discriminator)을 생성하는 제2 학습과정을 통해 수행될 수 있다. 제1 학습과정은 차량의 주행상황에 관한 정보(센서 데이터)와 주변차량 양보 의도를 입력으로 하여 차량의 제어 데이터에 해당하는 후보 운행상황(제어 데이터)을 출력하는 과정으로 수행될 수 있다. 제2 학습과정은 제1 학습과정에서 생성된 후보 운행상황을 입력으로 하여 판별 확률(유효성)을 출력하는 과정으로 수행될 수 있다. 제2 학습과정에는 후보 운행상황과의 비교를 위하여 수집된 센서 데이터와 실제 운행상황(제어 데이터)이 사용될 수 있다. 생산적 적대 학습은 제1 학습과정과 제2 학습과정의 상호작용을 통해 반복적으로 수행될 수 있고, 피드백 손실이 최소가 되는 방향으로 각각의 학습과정에 적용되는 가중치를 갱신할 수 있다.

도 5를 참조하면, 생산적 적대 학습을 위해 사용되는 학습용 모집단은 차량에 관한 주행상황과 운전상황으로 구성될 수 있다. 주행상황은 차량의 외부 상태에 관한 정보로서 레이더를 통해 측정되는 센서 데이터에 해당할 수 있고, 운전상황은 차량의 내부 상태에 관한 정보로서 실제 운전자가 운전한 주행을 통해 측정되는 제어 데이터에 해당할 수 있다. 일 실시예에서, 학습용 모집단은 전처리 과정이 적용될 수 있으며, 전처리 과정은 주행상황과 운전상황에 대한 동기화와 운전상황에 대한 정규화로 구분되어 처리될 수 있다.

생산적 적대 학습은 생성자 모델을 생성하는 제1 학습과정과 판별자 모델을 생성하는 제2 학습과정이 상호작용을 통해 반복적으로 수행될 수 있다. 특히, 생산적 적대 학습은 판별자 모델에 의한 판별 성공 확률이 특정 기준을 충족할 때까지 피드백 손실이 최소화되는 방향으로 반복 진행될 수 있다. 판별자 모델에 의한 판별 성공 확률이 특정 기준을 충족하여 학습이 완료된 경우 제1 학습과정의 결과로서 생성자 모델에 적용된 가중치가 생산적 적대 학습의 결과로서 저장될 수 있고, 운전자 모사 모델에 그대로 적용되어 차량의 자율주행 제어를 위해 활용될 수 있다.

도 6은 도 1에 있는 자율주행 제어 장치에서 운전자 모사 모델을 통해 자율주행 제어를 수행하는 과정을 설명하는 예시도이다.

도 6을 참조하면, 자율주행 제어 장치(130)는 주변상황 수집부(210)를 통해 차량의 주변상황을 수집할 수 있다. 주변상황은 차량의 주행상황을 포함할 수 있고, 주행상황은 레이더에 의해 측정되는 차량의 전방, 측방 및 후방 데이터를 포함할 수 있다. 자율주행 제어 장치(130)는 차량 차선변경 결정부(230)를 통해 차량의 차선변경에 대한 필요 여부가 결정된 경우 운전상황 생성부(240)를 통해 주변차량의 양보 유무를 예측할 수 있다. 운전상황 생성부(240)는 주변차량의 상대속도, 주변차량과의 거리를 기초로 양보 유무를 예측할 수 있다. 자율주행 제어 장치(130)는 차량의 주행상황과 주변차량의 양보 유무를 입력으로 하여 운전자 모사 모델을 통해 주변차량의 양보 유무 상황에 적합한 향후 운전상황을 생성할 수 있다. 자율주행 제어 장치(130)는 자율주행 제어부(250)를 통해 향후 운전상황을 기초로 차량의 차선변경에 관한 자율주행을 제어할 수 있다.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

100: 운전자 모사 모델 기반의 자율주행 제어 시스템
110: 자율주행차량 130: 자율주행 제어 장치
150: 데이터베이스
210: 주변상황 수집부 220: 운전자 모사 모델 수신부
230: 차량 차선변경 결정부 240: 운전상황 생성부
250: 자율주행 제어부 260: 제어부

Claims (10)

1. 차량의 주변상황을 수집하는 주변상황 수집부;
   학습용 차량에 의해 이전에 수집되었던 학습용 주행상황과 학습용 운전자에 의해 이전에 수행되었던 학습용 운전상황을 포함하는 학습용 모집단을 기초로 생산적 적대 학습된 운전자 모사 모델을 수신하는 운전자 모사 모델 수신부;
   상기 차량의 차선변경(Cut-in)에 대한 필요 여부를 결정하는 차량 차선변경 결정부; 및
   상기 차선변경이 필요한 것으로 결정되면 상기 차량의 주행상황을 상기 운전자 모사 모델에 제공하여 향후 운전상황을 생성하는 운전상황 생성부를 포함하되,
   상기 운전자 모사 모델은 상기 생산적 적대 학습의 제1 학습과정으로서 상기 학습용 주행상황에 대한 후보 운전상황을 생성하고 제2 학습과정으로서 상기 후보 운전상황에 대한 판별 확률을 생성하며,
   상기 제2 학습과정을 통해 판별에 성공한 후보 운전상황을 상기 제1 학습과정에 반영하고 판별에 실패한 후보 운전상황을 상기 제2 학습과정에 반영하는 것을 특징으로 하는 운전자 모사 모델 기반의 자율주행 제어 장치.
   
2. 제1항에 있어서, 상기 주변상황 수집부는
   적어도 하나의 레이더(radar) 센서를 통해 상기 차량의 전방, 측방 및 후방에 관한 주행상황과 상기 차량의 조향, 감속 및 가속에 관한 운전상황을 상기 주변상황으로서 수집하는 것을 특징으로 하는 운전자 모사 모델 기반의 자율주행 제어 장치.
   
3. 제1항에 있어서, 상기 운전자 모사 모델은
   상기 학습용 모집단에 대해 상기 학습용 주행상황과 상기 학습용 운전상황에 대한 동기화 및 상기 학습용 운전상황에 관한 정규화를 수행하는 전처리 과정을 적용한 후 상기 생산적 적대 학습을 수행하여 생성되는 것을 특징으로 하는 운전자 모사 모델 기반의 자율주행 제어 장치.
   
4. 삭제
5. 삭제
6. 제1항에 있어서, 상기 운전상황 생성부는
   상기 운전자 모사 모델에 대해 상기 제2 학습과정에 의한 판별 성공율이 기준 임계값을 초과한 시점에서 상기 제1 학습과정의 가중치를 그대로 적용하여 상기 향후 운전상황을 생성하는 것을 특징으로 하는 운전자 모사 모델 기반의 자율주행 제어 장치.
   
7. 제1항에 있어서, 상기 운전상황 생성부는
   상기 차선변경이 필요한 것으로 결정되면 상기 차선변경의 목표 차선에서 상기 차량에 근접하여 주행하는 주변차량의 양보 유무를 예측하고 상기 차량의 주행상황과 함께 상기 운전자 모사 모델에 제공하는 것을 특징으로 하는 운전자 모사 모델 기반의 자율주행 제어 장치.
   
8. 제1항에 있어서,
   상기 향후 운전상황을 기초로 상기 차량의 차선변경에 관한 자율주행을 제어하는 자율주행 제어부를 더 포함하는 것을 특징으로 하는 운전자 모사 모델 기반의 자율주행 제어 장치.
   
9. 제8항에 있어서, 상기 자율주행 제어부는
   상기 향후 운전상황이 특정 시간 간격을 기준으로 연속하여 생성되고 복수의 향후 운전상황들 간의 중첩 구간이 발생하는 경우 상기 중첩 구간에 대해 복수의 향후 운전상황들 중 어느 하나를 선별하여 상기 자율주행에 적용하는 것을 특징으로 하는 운전자 모사 모델 기반의 자율주행 제어 장치.
   
10. 자율주행 제어 장치에서 수행되는 자율주행 제어 방법에 있어서,
    차량의 주변상황을 수집하는 단계;
    학습용 차량에 의해 이전에 수집되었던 학습용 주행상황과 학습용 운전자에 의해 이전에 수행되었던 학습용 운전상황을 포함하는 학습용 모집단을 기초로 생산적 적대 학습된 운전자 모사 모델을 수신하는 단계;
    상기 차량의 차선변경(Cut-in)에 대한 필요 여부를 결정하는 단계; 및
    상기 차선변경이 필요한 것으로 결정되면 상기 차량의 주행상황을 상기 운전자 모사 모델에 제공하여 향후 운전상황을 생성하는 단계를 포함하되,
    상기 운전자 모사 모델은 상기 생산적 적대 학습의 제1 학습과정으로서 상기 학습용 주행상황에 대한 후보 운전상황을 생성하고 제2 학습과정으로서 상기 후보 운전상황에 대한 판별 확률을 생성하며,
    상기 제2 학습과정을 통해 판별에 성공한 후보 운전상황을 상기 제1 학습과정에 반영하고 판별에 실패한 후보 운전상황을 상기 제2 학습과정에 반영하는 것을 특징으로 하는 운전자 모사 모델 기반의 자율주행 제어 방법.
    

Images