KR102180036B1 - 대상체의 예측 경로 데이터를 생성하는 방법, 장치 및 무인 차량 - Google Patents

대상체의 예측 경로 데이터를 생성하는 방법, 장치 및 무인 차량 Download PDF

Info

Publication number
KR102180036B1
KR102180036B1 KR1020180047256A KR20180047256A KR102180036B1 KR 102180036 B1 KR102180036 B1 KR 102180036B1 KR 1020180047256 A KR1020180047256 A KR 1020180047256A KR 20180047256 A KR20180047256 A KR 20180047256A KR 102180036 B1 KR102180036 B1 KR 102180036B1
Authority
KR
South Korea
Prior art keywords
generating
path data
predicted
predicted path
unmanned vehicle
Prior art date
Application number
KR1020180047256A
Other languages
English (en)
Other versions
KR20190140491A (ko
Inventor
곽동준
신종호
Original Assignee
국방과학연구소
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 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020180047256A priority Critical patent/KR102180036B1/ko
Publication of KR20190140491A publication Critical patent/KR20190140491A/ko
Application granted granted Critical
Publication of KR102180036B1 publication Critical patent/KR102180036B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명의 일실시예에 따르면, 무인 차량의 환경 인식 정보로부터 획득된 무인 차량 주변의 대상체에 대해 대상체의 위치, 속도, 방향각 정보 및 대상체의 타입에 따른 불확실성을 고려한 예측 경로 데이터를 생성하고, 온라인 학습을 통해 예측 경로상 연속적인 시공간 상에 무인 차량과 대상체간 충돌 위험 정보를 표시함으로써, 무인 차량의 경로 계획 시 대상체와의 충돌위험을 최소화하는 최적의 경로를 생성할 수 있다.

Description

대상체의 예측 경로 데이터를 생성하는 방법, 장치 및 무인 차량 {METHOD FOR GENERATING PREDICTED PATH DATA OF OBJECTS, APPARATUS THEREFOR, AND UNMANNED GROUND VEHICLE}
본 발명은 무인 차량의 자율 주행에 관한 것으로, 특히 무인 차량 주변의 대상체의 예측 경로 데이터를 생성하는 방법, 장치 및 무인 차량에 관한 것이다.
일반적으로, 무인 차량이 외부 충돌위험을 최소화하며 안전한 자율주행을 수행하기 위해서는 매순간 변화하는 수십 미터 내 충돌위험 정보를 경로계획 시 반영하기 용이하도록 표현하고, 이를 실시간으로 서비스 할 수 있어야 한다. 또한, 정지 상태에 있는 장애물뿐만 아니라 이동 장애물이 존재하는 복잡한 주행 상황에서 안정적인 자율주행을 위해서는 매순간 환경인식을 통해 획득한 수개의 이동 장애물 정보를 토대로 이동 장애물의 불확실성을 포함한 미래예측정보를 반영하여 시공간 상에 충돌 가능성을 예측할 수 있는 기술이 필수적이다.
이와 관련하여 종래에는 장애물과 무인 차량의 절대 위치를 인식하고, 이동 장애물의 이동 경로를 산출하여 미래 시점에서의 이동 장애물과의 충돌을 회피시키는 기술이 제안되어 왔다. 여기서 이동 장애물의 이동 경로를 산출할 때 3차 함수로 근사화하여 일정 시점에서의 이동 장애물의 위치를 신뢰성 있게 예측하였다.
그러나 위와 같은 종래 방법은 이동 장애물의 이동 경로에 불확실성을 포함하고 있지 않기 때문에 불확실성에 따른 최대 위험도(Risk)를 최소화하는 경로 최적화 문제에 적용하기 어려운 문제점이 있었다.
(특허문헌)
대한민국 등록특허번호 10-1207903호(등록일자 2012년 11월 28일)
따라서, 본 발명의 일실시예에서는 무인 차량의 환경 인식 정보로부터 획득된 무인 차량 주변의 대상체에 대해 대상체의 위치, 속도, 방향각 정보 및 대상체의 타입에 따른 불확실성을 고려한 예측 경로 데이터를 생성하고, 온라인 학습을 통해 예측 경로상 연속적인 시공간 상에 무인 차량과 대상체간 충돌 위험 정보를 표시함으로써, 무인 차량의 경로 계획 시 대상체와의 충돌위험을 최소화하는 최적의 경로를 생성하는 대상체의 예측 경로 데이터를 생성하는 방법, 장치 및 무인 차량을 제공하고자 한다.
상술한 본 발명의 일실시예에 따른 대상체(objects)의 예측 경로 데이터를 생성하는 방법으로서, 무인 차량의 주행 경로에 대한 환경 인식 정보에 기초하여, 상기 무인 차량 주변의 적어도 하나 이상의 대상체의 움직임 정보 및 상기 대상체의 타입을 획득하는 단계와, 상기 대상체의 움직임 정보 및 상기 대상체의 타입에 따른 불확실성에 기초하여, 상기 대상체의 예측 경로 데이터를 생성하는 단계를 포함한다.
또한, 상기 환경 인식 정보는 상기 무인 차량에 탑재된 환경 인식 센서를 이용하여 획득되는 것을 특징으로 한다.
또한, 상기 대상체의 움직임 정보는 상기 대상체의 위치, 속도, 방향각 중 하나 이상을 포함하는 것을 특징으로 한다.
또한, 상기 예측 경로 데이터를 생성하는 단계는, 소정의 시간 간격마다, 복수개의 예측 경로 데이터를 생성하는 단계를 포함하는 것을 특징으로 한다.
또한, 상기 대상체의 타입이 보행자인 경우, 상기 불확실성과 관련된 불확실성 계수가 소정의 기준값보다 낮게 설정되는 것을 특징으로 한다.
또한, 상기 대상체의 타입이 차량인 경우, 상기 불확실성과 관련된 불확실성 계수가 소정의 기준값보다 크게 설정되는 것을 특징으로 한다.
또한, 상기 예측 경로 데이터를 생성하는 단계는, 상기 소정의 시간 간격마다 생성된 상기 복수개의 예측 경로 데이터의 평균과 분산을 산출하는 단계와, 상기 평균과 분산에 기초하여, 상기 예측 경로 데이터에 대응하는 위치의 절대 좌표에서의 위험 여부를 나타내는 레이블 정보를 생성하여 저장하는 단계를 더 포함하는 것을 특징으로 한다.
또한, 상기 레이블 정보에 기초하여 상기 절대 좌표들 사이의 연속 공간에 대한 상기 무인 차량과 상기 대상체의 충돌 확률을 산출하는 단계를 더 포함하는 것을 특징으로 한다.
또한, 상기 충돌 확률은 절대 좌표에 대해, 복수개의 스파스 커널(sparse kernel)과 각 스파스 커널에 할당된 가중치(
Figure 112018040636967-pat00001
)로 구성된 로지스틱 회귀 분류기를 이용하여 산출되는 것을 특징으로 한다.
또한, 상기 가중치는 SGD(stochastic gradient descent)를 이용하는 온라인 학습을 통해 갱신되는 것을 특징으로 한다.
또한, 상기 충돌 확률에 기초하는 상기 대상체의 위험도 정보를 생성하여 표시하는 단계를 더 포함하는 것을 특징으로 한다.
또한, 본 발명의 일실시예에 따른 대상체의 예측 경로 데이터를 생성하는 장치로서, 무인 차량의 주행 경로에 대한 환경 인식 정보에 기초하여, 상기 무인 차량 주변의 적어도 하나 이상의 대상체의 움직임 정보 및 상기 대상체의 타입을 획득하는 대상체 인식부와, 상기 대상체의 움직임 정보 및 상기 대상체의 타입에 따른 불확실성에 기초하여, 상기 대상체의 예측 경로 데이터를 생성하는 대상체 경로 예측부를 포함한다.
또한, 상기 대상체의 움직임 정보는 상기 대상체의 위치, 속도, 방향각 중 하나 이상을 포함하는 것을 특징으로 한다.
또한, 상기 대상체 경로 예측부는 소정의 시간 간격마다 복수개의 예측 경로 데이터를 생성하는 것을 특징으로 한다.
또한, 상기 대상체 경로 예측부는 상기 대상체의 타입이 보행자인 경우, 상기 불확실성과 관련된 불확실성 계수를 소정의 기준값보다 낮게 설정하여 상기 예측 경로 데이터를 생성하는 것을 특징으로 한다.
또한, 상기 대상체 경로 예측부는 상기 대상체의 타입이 차량인 경우, 상기 불확실성과 관련된 불확실성 계수를 소정의 기준값보다 크게 설정하여 상기 예측 경로 데이터를 생성하는 것을 특징으로 한다.
또한, 상기 대상체 경로 예측부는, 상기 소정의 시간 간격마다 생성된 상기 복수개의 예측 경로 데이터의 평균과 분산을 산출하고, 상기 평균과 분산에 기초하여, 상기 예측 경로 데이터에 대응하는 위치의 절대 좌표에서의 위험 여부를 나타내는 레이블 정보를 생성하여 저장하는 것을 특징으로 한다.
또한, 상기 장치는 상기 레이블 정보에 기초하여 상기 절대 좌표들 사이의 연속 공간에 대한 상기 무인 차량과 상기 대상체의 충돌 확률을 산출하는 대상체 위험도 생성부를 더 포함하는 것을 특징으로 한다.
또한, 상기 대상체 위험도 생성부는, 절대 좌표에 대해, 복수개의 스파스 커널(sparse kernel)과 각 스파스 커널에 할당된 가중치(
Figure 112018040636967-pat00002
)로 구성된 로지스틱 회귀 분류기를 이용하여 상기 충돌 확률을 산출하는 것을 특징으로 한다.
또한, 본 발명의 일실시예에 따른 무인 차량으로서, 상기 무인 차량은 대상체의 예측 경로 데이터를 생성하는 장치를 포함하며, 상기 대상체의 예측 경로 데이터를 생성하는 장치는, 상기 무인 차량의 주행 경로에 대한 환경 인식 정보에 기초하여, 상기 무인 차량 주변의 적어도 하나 이상의 대상체의 움직임 정보 및 상기 대상체의 타입을 획득하는 대상체 인식부와, 상기 대상체의 움직임 정보 및 상기 대상체의 타입에 따른 불확실성에 기초하여, 상기 대상체의 예측 경로 데이터를 생성하는 대상체 경로 예측부를 포함한다.
본 발명의 일실시예에 따르면, 무인 차량의 환경 인식 정보로부터 획득된 무인 차량 주변의 대상체에 대해 대상체의 위치, 속도, 방향각 정보 및 대상체의 타입에 따른 불확실성을 고려한 예측 경로 데이터를 생성하고, 온라인 학습을 통해 예측 경로상 연속적인 시공간 상에 무인 차량과 대상체간 충돌 위험 정보를 표시함으로써, 무인 차량의 경로 계획 시 대상체와의 충돌위험을 최소화하는 최적의 경로를 생성할 수 있다.
도 1은 본 발명의 일실시예에 따른 대상체의 예측 경로 데이터 생성 장치의 상세 블록 구성도.
도 2 내지 도 6은 본 발명의 일실시예에 따라 대상체의 예측 경로 데이터 생성 장치에서 예측된 시간 간격별 대상체의 예측 이동 위치와 위험도 정보 예시도.
도 7은 본 발명의 일실시예에 따른 대상체의 예측 경로 데이터 생성 장치에서의 동작 제어 흐름도.
이하, 첨부된 도면을 참조하여 본 발명의 동작 원리를 상세히 설명한다. 하기에서 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일실시예에 따른 대상체의 예측 경로 데이터를 생성하는 장치의 상세 블록 구성을 도시한 것이다.
이하, 도 1을 참조하여 본 발명의 일실시예에 따른 대상체(objects)의 예측 경로 데이터 생성 장치(100)의 각 구성 요소에서의 동작을 상세히 설명하기로 한다.
먼저, 대상체 인식부(110)는 무인 차량과 무인 차량의 주행 경로 상 위치한 적어도 하나 이상의 대상체의 절대 위치를 인식하고, 환경 인식 정보를 통해 대상체에 대한 움직임 정보 및 대상체의 타입을 인식한다. 이때 대상체에 대한 움직임 정보는 대상체의 위치, 속도, 방향각 등의 정보를 포함할 수 있으며, 대상체의 타입은 보행자, 차량 등의 될 수 있고, 환경 인식 정보는 무인 차량에 탑재되는 카메라(Camera), 라이다(Lidar), 레이다(Radar) 등의 환경 인식 센서들을 통해 획득되어 대상체 인식부(110)로 제공될 수 있으나, 이에 한정되는 것은 아니다.
대상체 경로 예측부(120)는 대상체 인식부(110)에서 획득된 대상체의 위치, 속도, 방향각 등의 정보와 대상체의 타입과 연관에 따른 불확실성에 기초하여 대상체의 예측 경로 데이터를 생성한다.
또한, 대상체 경로 예측부(120)는 대상체의 예측 경로 데이터를 생성함에 있어서, 소정의 시간 간격마다 복수개의 예측 경로 데이터를 생성할 수 있다.
이때, 대상체의 타입은 대상체가 보행자 경우와 차량인 경우로 구별될 수 있으나 이에 한정되는 것은 아니다.
또한, 대상체 경로 예측부(110)는 예측 경로 데이터를 생성함에 있어서, 대상체의 타입이 보행자인 경우 대상체의 불확실성과 관련된 불확실성 계수를 소정의 기준값보다 낮게 설정하여 예측 경로 데이터를 생성할 수 있다. 또한, 대상체의 타입이 차량인 경우 대상체의 불확실성과 관련된 불확실성 계수를 소정의 기준값보다 크게 설정하여 예측 경로 데이터를 생성할 수 있다. 이때, 차량은 보행자와 비교하여 소정 시간 간격마다 속도, 방향각 등의 급격히 바뀔 확률이 상대적으로 낮으므로 차량에 대해서는 불확실성 계수를 소정의 기준값보다 낮게 설정하는 것이다.
또한, 대상체 경로 예측부(120)는 소정의 시간 간격마다 생성된 복수개의 예측 경로 데이터의 평균과 분산을 산출하고, 평균과 분산에 기초하여 예측 경로 데이터에 대응하는 위치의 절대 좌표에서의 위험 여부를 나타내는 레이블 정보를 생성할 수 있다.
이하에서는, 대상체 경로 예측부(120)에서 불확실성을 고려하여 대상체의 예측 경로 데이터를 생성하는 동작을 보다 상세히 설명하기로 한다.
대상체 경로 예측부(120)는 대상체 인식부(110)에서 획득된 대상체의 위치, 속도, 방향각 등의 정보와 대상체의 타입과 연관된 불확실성에 기초하여 대상체의 예측 경로 데이터를 생성한다.
아래 [표 1]에서와 같은 Pseudo 코드는 대상체 경로 예측부(120)에서 기설정된 시간 간격으로 구분된 전체
Figure 112018040636967-pat00003
스텝에서 대상체의 타입에 따라
Figure 112018040636967-pat00004
개의 샘플 경로에 대해 불확실성을 고려한 예측 경로 데이터를 생성한 후, 샘플링된 예측 경로 데이터로부터 각 스텝에서의 평균과 분산을 계산하는 과정을 나타낸다.
[표 1]
Figure 112018040636967-pat00005
위 [표 1]에서 보여지는 바와 같이 대상체 경로 예측부(120)는
Figure 112018040636967-pat00006
값으로
Figure 112018040636967-pat00007
사이의 균등 난수를 생성하여 대상체의 예측 경로 데이터에 불확실성을 부여한다. 여기서,
Figure 112018040636967-pat00008
는 불확실성 강도조절 계수이며 시간 간격
Figure 112018040636967-pat00009
는 0.1초로 정한다. 이때, 본 발명의 일실시예에서는 위 시간 간격을 위에서 보여지는 바와 같이"0.1"로 설정한 것을 예를 들어 설명하나 이에 한정되는 것은 아니다.
또한, 대상체 경로 예측부(120)는 앞서 구한
Figure 112018040636967-pat00010
번째 스텝에서의 평균과 분산에 따라 아래의 [수학식 1]에서와 같은 정규분포로부터
Figure 112018040636967-pat00011
개의 대상체 각각에 대한 2차원 공간상에 위치
Figure 112018040636967-pat00012
정보와 해당 위치에서의 무인 차량과 대상체간 충돌 등과 같은 위험 여부에 대한 레이블 정보
Figure 112018040636967-pat00013
를 저장한다.
Figure 112018040636967-pat00014
도 2는 내지 도 6은 본 발명의 일실시예에 따라 대상체의 예측 경로 데이터 생성 장치(100)에서 예측된 시간 간격별 대상체의 예측 이동 위치와 위험도 정보를 예시한 것이다.
도 2은 1번째 스텝(0.1초)에서 획득된 대상체의 위치와 위험도를 도시한 것이다.
도 2를 참조하면, 제1 대상체의 2차원 공간상 초기 위치(200, 210)는 x(east)=25, y(north)=22 이고, 속도는 1m/s, 방향각은 ??90ㅀ이고, 제2 대상체의 2차원 공간상 초기 위치는 x(east)=12, y(north)=15 이고, 속도는 4m/s, 방향각은 +90ㅀ인 것을 알 수 있다.
도 3 내지 도 6은 각각 10번째 스텝(1초), 20번째 스텝(2초), 30번째 스텝(3초), 40번째 스텝(4초)에서의 제1 대상체와 제2 대상체의 예상 위치(200', 210')와 예측 경로 데이터 및 위험도를 도시한 것이다.
위 도 3 내지 도 6 중 도 6은 40번째 스텝에서의 제1 대상체와 제2 대상체의 예상 경로 데이터 및 위험도를 도시한 것으로, 검은색 점으로 표시된 D개의 대상체 각각의 예측 경로 데이터이며, 빨간색과 노란색 등으로 표시된 것이 무인 차량과의 충돌 확률에 기초한 위험도를 표시한 것이다.
도 6에서 보여지는 바와 같이 본 발명의 일실시예에서는 각 대상체의 불확실성이 고려되어 예측 경로 데이터가 각 대상체의 초기 위치(200, 210)로부터 예상 위치(200', 210')까지 랜덤하게 분포되는 것을 알 수 있으며, 이에 따라 위와 같은 정보를 이용하는 경우 무인 차량이 대상체와 충돌하지 않는 경로를 보다 정확히 산출할 수 있게 된다.
다음으로, 대상체 위험도 생성부(130)는 대상체 경로 예측부(120)에서 생성된 예측 경로 데이터와 예측 경로 데이터에 대응하는 위치의 절대 좌표에서의 위험 여부를 나타내는 레이블 정보를 기초로 온라인 학습을 수행하여 절대 좌표들 사이의 연속 공간에서의 무인 차량과 대상체간 충돌 확률을 산출하고, 충돌 확률을 기초로 연속적인 시공간상 대상체의 위험도를 생성하여 표시한다. 이러한 위험도는 무인 차량과 대상체의 충돌 확률을 의미할 수 있으며, 도 6에서 보여지는 바와 같이 대상체의 중심점에서 가장 높게 표시될 수 있고, 중심점에서 멀어질수록 낮게 표시되는 것을 알 수 있다.
이때, 대상체 위험도 생성부(130)는 충돌 확률을 산출함에 있어서, 예측 경로 데이터상 연속 공간에 대응하는 절대 좌표에 대해, 복수개의 스파스 커널(sparse kernel)과 각 스파스 커널에 할당된 가중치(
Figure 112018040636967-pat00015
)로 구성된 로지스틱 회귀 분류기(Logistic regression classifier)를 이용하여 충돌 확률을 산출할 수 있다. 또한, 대상체 위험도 생성부(130)는 SGD(stochastic gradient descent)를 이용한 온라인 학습을 통해 가중치를 갱신할 수 있다.
이하에서는, 대상체 위험도 생성부(130)에서 대상체 경로 예측부(120)로부터 생성된 예측 경로 데이터를 기초로 주행 경로상 대상체의 위험도를 생성하는 동작을 보다 상세히 설명하기로 한다.
대상체 위험도 생성부(130)는 대상체의 예측 경로 데이터와 예측 경로 데이터상 충돌 위험 여부를 나타내는 레이블 정보를 기초로 아래의 [수학식 2]에서와 같이 스파스 커널
Figure 112018040636967-pat00016
과 학습이 필요한 가중치(
Figure 112018040636967-pat00017
)로 구성된 로지스틱 회귀 분류기를 통해 온라인 학습을 수행하여 무인 차량과 대상체간 충돌 확률을 산출하고, 충돌 확률을 기초로 연속적인 시공간상 대상체의 위험도를 표시한다. 이때, 대상체 위험도 생성부(130)는 연속 공간상에 충돌 확률에 기반한 위험도를 정의하기 위해 Hilbert maps 기법을 활용할 수 있으나, 이에 한정되는 것은 아니다.
Figure 112018040636967-pat00018
여기서, 스파스 커널
Figure 112018040636967-pat00019
은 아래의 [수학식 3]과 같이 나타낼 수 있다.
Figure 112018040636967-pat00020
또한, 대상체 위험도 생성부(130)는 가중치(
Figure 112018040636967-pat00021
)를 학습하기 위한 목적함수
Figure 112018040636967-pat00022
를 아래의 [수학식 4]에서와 같이 Negative log-likelihood로 정의할 수 있다.
Figure 112018040636967-pat00023
여기서, 대상체 위험도 생성부(130)는 Stochastic Gradient Descent(SGD)를 이용하여 아래의 [수학식 5]에서와 같이 가중치(
Figure 112018040636967-pat00024
)를 점진적으로 갱신시킬 수 있다.
Figure 112018040636967-pat00025
여기서 학습율(learning rate)
Figure 112018040636967-pat00026
는 아래의 [수학식 6]과 같이 [수학식 7]의 공간에 대한 학습율과 [수학식 8]의 시간에 대한 학습율의 곱으로 정의될 수 있다.
Figure 112018040636967-pat00027
Figure 112018040636967-pat00028
Figure 112018040636967-pat00029
여기서
Figure 112018040636967-pat00030
는 강도조절 계수이고
Figure 112018040636967-pat00031
는 감소 비율이다. 학습된
Figure 112018040636967-pat00032
는 전체
Figure 112018040636967-pat00033
개의 각
Figure 112018040636967-pat00034
번째 스텝에서의 대상체의 위험도 정보는 무인 차량의 경로 계획 시 비용함수로 활용될 수 있다.
도 7은 본 발명의 일실시예에 따른 대상체의 예측 경로 데이터 생성 장치에서의 동작 제어 흐름을 도시한 것이다. 이하, 도 1 내지 도 7을 참조하여 본 발명의 일실시예를 상세히 설명하기로 한다.
먼저, 대상체의 예측 경로 데이터 생성 장치(100)는 무인 차량과 무인 차량의 주행 경로 상 위치한 적어도 하나 이상의 대상체의 절대 위치를 인식하고(S700), 환경 인식 정보를 통해 획득한 대상체에 대한 움직임 정보 및 대상체의 타입과 연관된 불확실성에 기초하여, 대상체의 예측 경로 데이터를 생성한다.(S702).
이때 대상체에 대한 정보는 대상체의 타입, 위치, 속도, 방향각 등의 정보를 포함할 수 있으며, 위와 같은 환경 인식 정보는 무인 차량에 탑재되는 카메라(Camera), 라이다(Lidar), 레이다(Radar) 등의 환경 인식 센서들을 통해 획득될 수 있으나, 이에 한정되는 것은 아니다.
여기서, 대상체의 예측 경로 데이터 생성 장치(100)는 예측 경로 데이터를 생성함에 있어서, 환경 인식 정보를 기초로 대상체의 타입, 속도, 방향각 등의 정보를 분석하고, 소정의 시간 간격마다 복수개의 예측 경로 데이터를 생성할 수 있다.
또한, 대상체의 예측 경로 데이터 생성 장치(100)는 소정의 시간 간격마다 생성된 복수개의 예측 경로 데이터의 평균과 분산을 산출하고, 평균과 분산에 기초하여 예측 경로 데이터에 대응하는 위치의 절대 좌표에서의 위험 여부를 나타내는 레이블 정보를 생성할 수 있다(S704). 이때, 위와 같은 위험은 무인 차량과 대상체간 충돌 위험을 나타낼 수 있으나 이에 한정되는 것은 아니다.
이어, 대상체의 예측 경로 데이터 생성 장치(100)는 대상체 경로 예측부(120)에서 생성된 예측 경로 데이터와 예측 경로 데이터에 대응하는 위치의 절대 좌표에서의 위험 여부를 나타내는 레이블 정보를 기초로 온라인 학습을 수행하여 절대 좌표들 사이의 연속 공간에서의 무인 차량과 대상체간 충돌 확률을 산출하고(S706), 충돌 확률을 기초로 연속적인 시공간상 대상체의 위험도를 생성하여 표시한다(S708).
이때, 이러한 위험도는 무인 차량과 대상체의 충돌 확률을 의미할 수 있으며, 도 6에서 보여지는 바와 같이 대상체의 중심점에서 가장 높게 표시될 수 있고, 중심점에서 멀어질수록 낮게 표시될 수 있다.
상술한 바와 같이, 본 발명의 일실시예에 따르면, 무인 차량의 환경 인식 정보로부터 획득된 무인 차량 주변의 대상체에 대해 대상체의 위치, 속도, 방향각 정보 및 대상체의 타입에 따른 불확실성을 고려한 예측 경로 데이터를 생성하고, 온라인 학습을 통해 예측 경로상 연속적인 시공간 상에 무인 차량과 대상체간 충돌 위험 정보를 표시함으로써, 무인 차량의 경로 계획 시 대상체와의 충돌위험을 최소화하는 최적의 경로를 생성할 수 있다.
본 발명에 첨부된 각 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
한편 상술한 본 발명의 설명에서는 구체적인 실시예에 관해 설명하였으나, 여러 가지 변형이 본 발명의 범위에서 벗어나지 않고 실시될 수 있다. 따라서 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.
100 : 대상체의 예측 경로 데이터 생성 장치
110 : 대상체 인식부
120 : 대상체 경로 예측부
130 : 대상체 위험도 생성부

Claims (20)

  1. 대상체(objects)의 예측 경로 데이터를 생성하는 방법으로서,
    무인 차량의 주행 경로에 대한 환경 인식 정보에 기초하여, 상기 무인 차량 주변의 적어도 하나 이상의 대상체의 움직임 정보 및 상기 대상체의 타입을 획득하는 단계와,
    상기 대상체의 움직임 정보 및 상기 대상체의 타입에 따른 불확실성에 기초하여, 상기 대상체의 예측 경로 데이터를 생성하는 단계를 포함하고,
    상기 예측 경로 데이터를 생성하는 단계는,
    소정의 시점에서, 상기 대상체에 대하여 복수개의 예측 경로 데이터를 생성하는 단계와,
    상기 소정의 시점에서 생성된 상기 복수개의 예측 경로 데이터를 이용하여, 상기 복수개의 예측 경로 데이터의 평균과 분산을 산출하는 단계와,
    상기 평균과 분산에 기초하여 결정된 상기 예측 경로 데이터에 대응하는 절대 좌표에서의 위험 여부를 나타내는 정보를 생성하는 단계를 포함하는
    대상체의 예측 경로 데이터 생성 방법.
  2. 제 1 항에 있어서,
    상기 환경 인식 정보는 상기 무인 차량에 탑재된 환경 인식 센서를 이용하여 획득되는
    대상체의 예측 경로 데이터 생성 방법.
  3. 제 1 항에 있어서,
    상기 대상체의 움직임 정보는 상기 대상체의 위치, 속도, 방향각 중 하나 이상을 포함하는
    대상체의 예측 경로 데이터 생성 방법.
  4. 삭제
  5. 제 1 항에 있어서,
    상기 대상체의 타입이 보행자인 경우, 상기 불확실성과 관련된 불확실성 계수가 소정의 기준값보다 낮게 설정되는
    대상체의 예측 경로 데이터 생성 방법.
  6. 제 1 항에 있어서,
    상기 대상체의 타입이 차량인 경우, 상기 불확실성과 관련된 불확실성 계수가 소정의 기준값보다 크게 설정되는
    대상체의 예측 경로 데이터 생성 방법.
  7. 삭제
  8. 제 1 항에 있어서,
    상기 절대 좌표에서의 위험 여부를 나타내는 정보에 기초하여, 상기 절대 좌표들 사이의 연속 공간에 대한 상기 무인 차량과 상기 대상체의 충돌 확률을 산출하는 단계를 더 포함하는
    대상체의 예측 경로 데이터 생성 방법.
  9. 제 8 항에 있어서,
    상기 충돌 확률은 절대 좌표에 대해, 복수개의 스파스 커널(sparse kernel)과 각 스파스 커널에 할당된 가중치(
    Figure 112018040636967-pat00035
    )로 구성된 로지스틱 회귀 분류기를 이용하여 산출되는
    대상체의 예측 경로 데이터 생성 방법.
  10. 제 9 항에 있어서,
    상기 가중치는 SGD(stochastic gradient descent)를 이용하는 온라인 학습을 통해 갱신되는
    대상체의 예측 경로 데이터 생성 방법.
  11. 제 10 항에 있어서,
    상기 충돌 확률에 기초하는 상기 대상체의 위험도 정보를 생성하여 표시하는 단계를 더 포함하는
    대상체의 예측 경로 데이터 생성 방법.
  12. 대상체의 예측 경로 데이터를 생성하는 장치로서,
    무인 차량의 주행 경로에 대한 환경 인식 정보에 기초하여, 상기 무인 차량 주변의 적어도 하나 이상의 대상체의 움직임 정보 및 상기 대상체의 타입을 획득하는 대상체 인식부와,
    상기 대상체의 움직임 정보 및 상기 대상체의 타입에 따른 불확실성에 기초하여, 상기 대상체의 예측 경로 데이터를 생성하는 대상체 경로 예측부를 포함하고,
    상기 대상체 경로 예측부는,
    소정의 시점에서, 상기 대상체에 대하여 복수개의 예측 경로 데이터를 생성하고,
    상기 소정의 시점에서 생성된 상기 복수개의 예측 경로 데이터를 이용하여 상기 복수개의 예측 경로 데이터의 평균과 분산을 산출하고,
    상기 평균과 분산에 기초하여 결정된 상기 예측 경로 데이터에 대응하는 절대 좌표에서의 위험 여부를 나타내는 정보를 생성하는
    대상체 예측 경로 생성 장치.
  13. 제 12 항에 있어서,
    상기 대상체의 움직임 정보는 상기 대상체의 위치, 속도, 방향각 중 하나 이상을 포함하는
    대상체 예측 경로 생성 장치.
  14. 삭제
  15. 제 12 항에 있어서,
    상기 대상체 경로 예측부는 상기 대상체의 타입이 보행자인 경우, 상기 불확실성과 관련된 불확실성 계수를 소정의 기준값보다 낮게 설정하여 상기 예측 경로 데이터를 생성하는
    대상체 예측 경로 생성 장치.
  16. 제 12 항에 있어서,
    상기 대상체 경로 예측부는 상기 대상체의 타입이 차량인 경우, 상기 불확실성과 관련된 불확실성 계수를 소정의 기준값보다 크게 설정하여 상기 예측 경로 데이터를 생성하는
    대상체 예측 경로 생성 장치.
  17. 삭제
  18. 제 12 항에 있어서,
    상기 장치는, 상기 절대 좌표에서의 위험 여부를 나타내는 정보에 기초하여, 상기 절대 좌표들 사이의 연속 공간에 대한 상기 무인 차량과 상기 대상체의 충돌 확률을 산출하는 대상체 위험도 생성부를 더 포함하는
    대상체 예측 경로 생성 장치.
  19. 제 18 항에 있어서,
    상기 대상체 위험도 생성부는, 절대 좌표에 대해, 복수개의 스파스 커널(sparse kernel)과 각 스파스 커널에 할당된 가중치(
    Figure 112018040636967-pat00036
    )로 구성된 로지스틱 회귀 분류기를 이용하여 상기 충돌 확률을 산출하는
    대상체 예측 경로 생성 장치.
  20. 무인 차량으로서,
    상기 무인 차량은 대상체의 예측 경로 데이터를 생성하는 장치를 포함하며,
    상기 대상체의 예측 경로 데이터를 생성하는 장치는,
    상기 무인 차량의 주행 경로에 대한 환경 인식 정보에 기초하여, 상기 무인 차량 주변의 적어도 하나 이상의 대상체의 움직임 정보 및 상기 대상체의 타입을 획득하는 대상체 인식부와,
    상기 대상체의 움직임 정보 및 상기 대상체의 타입에 따른 불확실성에 기초하여, 상기 대상체의 예측 경로 데이터를 생성하는 대상체 경로 예측부를 포함하고,
    상기 대상체 경로 예측부는,
    소정의 시점에서, 상기 대상체에 대하여 복수개의 예측 경로 데이터를 생성하고,
    상기 소정의 시점에서 생성된 상기 복수개의 예측 경로 데이터를 이용하여, 상기 복수개의 예측 경로 데이터의 평균과 분산을 산출하고,
    상기 평균과 분산에 기초하여 결정된 상기 예측 경로 데이터에 대응하는 절대 좌표에서의 위험 여부를 나타내는 정보를 생성하는
    무인 차량.
KR1020180047256A 2018-04-24 2018-04-24 대상체의 예측 경로 데이터를 생성하는 방법, 장치 및 무인 차량 KR102180036B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180047256A KR102180036B1 (ko) 2018-04-24 2018-04-24 대상체의 예측 경로 데이터를 생성하는 방법, 장치 및 무인 차량

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180047256A KR102180036B1 (ko) 2018-04-24 2018-04-24 대상체의 예측 경로 데이터를 생성하는 방법, 장치 및 무인 차량

Publications (2)

Publication Number Publication Date
KR20190140491A KR20190140491A (ko) 2019-12-20
KR102180036B1 true KR102180036B1 (ko) 2020-11-17

Family

ID=69062970

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180047256A KR102180036B1 (ko) 2018-04-24 2018-04-24 대상체의 예측 경로 데이터를 생성하는 방법, 장치 및 무인 차량

Country Status (1)

Country Link
KR (1) KR102180036B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11292449B2 (en) 2018-10-19 2022-04-05 GEOSAT Aerospace & Technology Unmanned ground vehicle and method for operating unmanned ground vehicle
CN111061277B (zh) 2019-12-31 2022-04-05 歌尔股份有限公司 一种无人车全局路径规划方法和装置
KR102501352B1 (ko) * 2020-11-24 2023-02-21 한국전자기술연구원 IoT 기반 위치데이터 수집 환경에서 이동체 충돌 방지 서비스 제공 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4760715B2 (ja) * 2004-12-28 2011-08-31 株式会社豊田中央研究所 車両運動制御装置
US20140079297A1 (en) * 2012-09-17 2014-03-20 Saied Tadayon Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities
KR101621649B1 (ko) * 2015-01-28 2016-05-16 한양대학교 산학협력단 동적 장애물에 대한 위치 분포 정보 생성 방법, 위치 분포 정보를 이용한 차량 제어 방법 및 시스템
KR101793827B1 (ko) * 2016-06-09 2017-11-03 한양대학교 산학협력단 도로 형상에 기반한 충돌 위험 판단 방법 및 충돌 회피 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101207903B1 (ko) 2010-10-11 2012-12-04 국방과학연구소 자율 이동 차량용 장애물 정보 제공장치 및 그 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4760715B2 (ja) * 2004-12-28 2011-08-31 株式会社豊田中央研究所 車両運動制御装置
US20140079297A1 (en) * 2012-09-17 2014-03-20 Saied Tadayon Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities
KR101621649B1 (ko) * 2015-01-28 2016-05-16 한양대학교 산학협력단 동적 장애물에 대한 위치 분포 정보 생성 방법, 위치 분포 정보를 이용한 차량 제어 방법 및 시스템
KR101793827B1 (ko) * 2016-06-09 2017-11-03 한양대학교 산학협력단 도로 형상에 기반한 충돌 위험 판단 방법 및 충돌 회피 방법

Also Published As

Publication number Publication date
KR20190140491A (ko) 2019-12-20

Similar Documents

Publication Publication Date Title
CN113366496B (zh) 用于粗略和精细对象分类的神经网络
CN111670468B (zh) 移动体行为预测装置以及移动体行为预测方法
US11783568B2 (en) Object classification using extra-regional context
US20180281785A1 (en) System and Method for Controlling Lateral Motion of Vehicle
KR20220030270A (ko) 앵커 궤적들을 이용하는 에이전트 궤적 예측
CN111201448B (zh) 用于产生反演传感器模型的方法和设备以及用于识别障碍物的方法
US11693415B2 (en) Predicting cut-in probabilities of surrounding agents
US10789488B2 (en) Information processing device, learned model, information processing method, and computer program product
KR102180036B1 (ko) 대상체의 예측 경로 데이터를 생성하는 방법, 장치 및 무인 차량
US11727690B2 (en) Behavior prediction of surrounding agents
US20210150199A1 (en) Spatio-temporal-interactive networks
EP4060626A1 (en) Agent trajectory prediction using context-sensitive fusion
US20210319287A1 (en) Predicting occupancy probabilities of surrounding agents
CN114846523A (zh) 使用记忆注意力的多对象跟踪
US20220289209A1 (en) Evaluating multi-modal trajectory predictions for autonomous driving
KR102054321B1 (ko) 연속 공간 가동성 정보를 생성하는 장치, 방법 및 무인 차량
US20220180549A1 (en) Three-dimensional location prediction from images
EP4123582A1 (en) Generating optical flow labels from point clouds

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant