KR102246418B1 - 차선 유지 제어 방법 및 그 장치 - Google Patents

차선 유지 제어 방법 및 그 장치 Download PDF

Info

Publication number
KR102246418B1
KR102246418B1 KR1020190102233A KR20190102233A KR102246418B1 KR 102246418 B1 KR102246418 B1 KR 102246418B1 KR 1020190102233 A KR1020190102233 A KR 1020190102233A KR 20190102233 A KR20190102233 A KR 20190102233A KR 102246418 B1 KR102246418 B1 KR 102246418B1
Authority
KR
South Korea
Prior art keywords
coefficients
model
road curve
road
model unit
Prior art date
Application number
KR1020190102233A
Other languages
English (en)
Other versions
KR20210022891A (ko
Inventor
정정주
이승희
최우영
양진호
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 KR1020190102233A priority Critical patent/KR102246418B1/ko
Publication of KR20210022891A publication Critical patent/KR20210022891A/ko
Application granted granted Critical
Publication of KR102246418B1 publication Critical patent/KR102246418B1/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
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • 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
    • B60W40/072—Curvature of the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/114—Yaw movement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B60W2420/42—
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • 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
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/10—Weight
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/10—Path keeping
    • B60Y2300/12—Lane keeping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

차선 유지 제어 방법 및 그 장치가 개시된다. 차선 유지 제어 장치는, 전방 영상을 실시간으로 획득하는 카메라; 상기 전방 영상을 기학습된 도로 곡선 계수 회귀 모델부에 적용하여 도로 곡선 계수(c0, c1, c2, c3)를 예측하는 예측부; 및 상기 예측된 도로 곡선 계수(c0, c1, c2, c3)를 기반으로 차량의 거동을 모사하는 거동 모델에 적용하여 차량의 제어 입력을 도출하는 횡방향 제어기를 포함한다.

Description

차선 유지 제어 방법 및 그 장치{Lane keeping method and apparatus thereof}
본 발명은 전방 영상을 이용한 차선 유지 제어 방법 및 그 장치에 관한 것이다.
최근 운전자의 편의성과 능동적 안전을 위해 advanced driver assistant system (ADAS)에 대한 연구가 활발히 연구되고 있다. 특히 차량의 조향장치를 제어하여 자율적으로 차선을 유지하는 lane keeping system (LKS)은 vision sensor로부터 계산되어 얻어지는 계수들에 의해 성능이 좌우된다. 현재 LKS는 고속도로를 제외한 도심같이 복잡한 주행상황에서 신뢰할 수 있는 도로계수를 제공하지 못하며 이를 해결하기 위한 인공지능 기반의 연구가 진행되고 있다.
(01) 대한민국등록특허공보 제 10-1848198호(2018.04.05.)
본 발명은 전방 영상에 대한 신경망 학습을 이용하여 복잡하며 고전적인 영상전후처리 과정 없이 신뢰성 높은 도로 계수를 제공함으로써 차선 유지 제어가 가능하도록 할 수 있는 차선 유지 제어 방법 및 그 장치를 제공하기 위한 것이다.
또한, 본 발명은 기존 카메라 센서를 기반으로 차선 유지가 불가능한 경우에도 가상의 도로 곡선계수 추정을 통해 강인하고 복잡한 상황에서 신뢰성 높은 차선 유지 제어가 가능한 차선 유지 제어 방법 및 그 장치를 제공하기 위한 것이다.
또한, 본 발명은 차선 정보가 존재하지 않는 도로에서도 도로 모델의 곡선 계수 추정을 통해 차선 유지 제어가 가능한 차선 유지 제어 방법 및 그 장치를 제공하기 위한 것이다.
본 발명의 일 측면에 따르면, 영상을 이용한 차선 유지 제어 장치가 제공된다.
본 발명의 일 실시예에 따르면, 전방 영상을 실시간으로 획득하는 카메라; 상기 전방 영상을 기학습된 도로 곡선 계수 회귀 모델부에 적용하여 도로 곡선 계수(c0, c1, c2, c3)를 예측하는 예측부; 및 상기 예측된 도로 곡선 계수(c0, c1, c2, c3)를 기반으로 차량의 횡방향 거동을 모사하는 거동 모델에 적용하여 차량의 제어 입력을 도출하는 횡방향 제어기를 포함하는 차선 유지 제어 장치가 제공될 수 있다.
상기 도로 곡선 계수 회귀 모델부는, 상기 도로 곡선 계수를 속성에 따라 분류하여 예측하되, 상기 도로 곡선 계수(c0, c1, c2, c3) 중 제1 그룹은 제어 오차와 관련된 계수(c0, c1)이며, 제2 그룹은 도로 차선 모델의 모양과 관련된 계수(c2, c3)일 수 있다.
상기 차량의 거동 모델은 횡방향 모델이며, 상기 차량의 모션 상태 정보는, 전방 거리에서의 횡방향 위치 오프셋, 차량 무게 중심에서의 횡방향 속도 오프셋, 차량 무게 중심에서의 요(yaw)각 오프셋 및 차량 무게 중심에서의 요(yaw) 각속도를 포함할 수 있다.
상기 제어 입력은 조향각일 수 있다.
본 발명의 다른 실시예에 따르면, 영상을 이용한 차선 유지 제어 방법이 제공된다.
본 발명의 일 실시예에 따르면, (a) 전방 영상을 실시간으로 획득하는 단계; (b) 상기 전방 영상을 기학습된 도로 곡선 계수 회귀 모델부에 적용하여 도로 곡선 계수(c0, c1, c2, c3)를 예측하는 단계; 및 (c) 상기 예측된 도로 곡선 계수(c0, c1, c2, c3)를 기반으로 차량의 횡방향 거동을 모사하는 거동 모델에 적용하여 차량의 제어 입력을 도출하는 단계를 포함하는 차선 유지 제어 방법이 제공될 수 있다.
상기 (b) 단계는, 하나의 전방 영상을 이용하여 상기 도로 곡선 계수를 속성에 따라 분류하여 예측하되, 상기 도로 곡선 계수(c0, c1, c2, c3) 중 제1 그룹은 제어 오차와 관련된 계수(c0, c1)이며, 제2 그룹은 도로 차선 모델의 모양과 관련된 계수(c2, c3)일 수 있다.
본 발명의 일 실시예에 따른 차선 유지 제어 방법 및 그 장치를 제공함으로써, 전방 영상에 대한 신경망 학습을 이용하여 복잡하며 고전적인 영상전후처리 과정 없이 신뢰성 높은 도로 계수를 제공함으로써 차선 유지 제어가 가능하도록 할 수 있는 이점이 있다.
또한, 본 발명은 기존 카메라 센서를 기반으로 차선 유지가 불가능한 경우에도 가상의 도로 곡선계수 추정을 통해 강인하고 복잡한 상황에서 신뢰성 높은 차선 유지 제어가 가능한 이점이 있다.
또한, 본 발명은 차선 정보가 존재하지 않는 도로에서도 도로 모델의 곡선 계수 추정을 통해 차선 유지 제어가 가능한 이점이 있다.
도 1은 본 발명의 일 실시예에 따른 차선 유지 제어 장치의 구성을 개략적으로 도시한 블록도.
도 2는 본 발명의 일 실시예에 따른 도로 곡선 계수 회귀 모델부의 구성을 개략적으로 도시한 도면.
도 3은 본 발명의 일 실시예에 따른 ROI를 설명하기 위해 도시한 도면.
도 4는 본 발명의 일 실시예에 따른 횡방향 모델을 설명하기 위해 도시한 도면.
도 5는 본 발명의 일 실시예에 따른 차선 유지 제어 방법을 나타낸 순서도.
도 6은 종래와 본 발명의 제어 결과를 비교하기 위해 도시한 그래프.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 차선 유지 제어 장치의 구성을 개략적으로 도시한 블록도이며, 도 2는 본 발명의 일 실시예에 따른 도로 곡선 계수 회귀 모델부의 구성을 개략적으로 도시한 도면이고, 도 3은 본 발명의 일 실시예에 따른 ROI를 설명하기 위해 도시한 도면이며, 도 4는 본 발명의 일 실시예에 따른 횡방향 모델을 설명하기 위해 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 차선 유지 제어 장치(100)는 카메라(110), 예측부(120), 메모리(130), 상태 추정기(140) 및 횡방향 제어기(150)를 포함하여 구성된다.
카메라(110)는 차량에 장착되며, 차량의 전방 영상을 촬영하기 위한 수단이다.
예측부(120)는 전방 영상을 도로 곡선 계수 모델부에 적용하여 도로 곡선 계수 (c0, c1, c2, c3)를 예측하기 위한 수단이다.
도로 곡선 계수 모델부는 CNN과 같은 인공지능 모델로, 트레이닝 세트에 의해 사전 학습 과정이 선행될 수 있다.
도 2에는 도로 곡선 계수 모델부의 구성이 예시되어 있다. 도 2는 본 발명의 일 실시예에 따른 도로 곡선 계수 모델부가 CNN 모델인 것을 가정하여 이를 중심으로 설명하므로, 입력 레이어, 복수의 콘볼루션 레이어, 복수의 FC 레이어 및 출력 레이어로 구성되는 것으로 도시되어 있으나, 다른 인공지능 모델로 구현되는 경우 그 구성이 달라질 수 있음은 당연하다.
본 발명의 일 실시예에 따른 도로 곡선 계수 회귀 모델부는 제1 모델부와 제2 모델부를 각각 포함한다. 즉, 본 발명의 일 실시예에 따른 도로 곡선 계수 회귀 모델부는 복수의 모델부(제1 및 제2 모델부)를 통해 각 속성에 따라 분류된 도로 곡선 계수들을 각각 학습한 후 예측할 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 도로 곡선 계수 회귀 모델부는 4개의 도로 곡선 계수들(c0, c1, c2, c3)을 속성(또는 분류 기준)에 따라 두 그룹으로 분류할 수 있다. 예를 들어, 속성(또는 분류 기준)은 제어 오차에 관한 계수 및 도로 차선 모델의 모양에 관한 계수일 수 있다.
4개의 도로 곡선 계수들을 하나의 모델부를 통해 학습 및 예측하는 경우 상대적으로 예측이 부정확한 문제점이 있다. 따라서, 본 발명의 일 실시예에서는 도로 곡선 계수들을 속성(또는 분류 기준)에 따라 분류한 후 분류된 그룹 단위로 각각 별도의 모델부를 통해 학습 및 예측함으로써 예측 정확도를 높일 수 있다.
4개의 도로 곡선 계수들은 c0, c1, c2, c3는 각각 횡방향 중심 거리 오차, 방향각 오차, 곡률 및 곡률 변화량을 나타낸다. 즉, c0, c1, c2, c3 중 c0, c1는 횡방향 거동 제어에 대한 오차에 관련된 계수들인 것을 알 수 있다. 또한, c2, c3는 도로 차선 모델의 모양에 관한 계수들인 것을 알 수 있다.
따라서, 본 발명의 일 실시예에 따른 도로 곡선 회귀 모델부는 제1 모델부 및 제2 모델부를 각각 포함하되, 제1 모델부 및 제2 모델부 중 어느 하나는 제어 오차에 관련된 계수들(c0, c1)을 학습 및 예측하도록 하며, 제1 모델부 및 제2 모델부 중 다른 하나는 도로 차선 모델의 모양에 관련된 계수들(c2, c3)을 학습 및 예측하도록 할 수 있다.
제1 모델부 및 제2 모델부는 각각 트레이닝 세트를 이용하여 트레이닝 과정을 선행할 수 있다. 여기서, 트레이닝 세트는 전방 영상과 도로 곡선 계수일 수 있다. 다시 정리하면, 제1 모델부는 전방 영상과 제어 오차와 관련된 도로 곡선 계수(c0, c1)를 포함하는 트레이닝 세트를 이용하여 학습 과정을 수행하며, 제2 모델부는 전방 영상과 도로 차선 모델의 모양 관련된 도로 곡선 계수(c2, c3)를 포함하는 트레이닝 세트를 이용하여 학습 과정을 수행할 수 있다.
제1 모델부와 제2 모델부의 에러 함수는 수학식 1과 같이 나타낼 수 있다.
Figure 112019085777435-pat00001
여기서,
Figure 112019085777435-pat00002
이며, j는 영상 인덱스를 나타내며,
Figure 112019085777435-pat00003
는 전체 영상 개수를 나타내고, T는 전치 행렬(matrix transpose)을 나타낸다.
또한, 제1 모델부와 제2 모델부의 각각의 정규화 함수는 수학식 2와 같이 나타낼 수 있다.
Figure 112019085777435-pat00004
여기서,
Figure 112019085777435-pat00005
이며,
Figure 112019085777435-pat00006
는 전체 훈련 가능한 엔트리 개수를 나타내고, k는 훈련 가능한 엔트리 인덱스를 나타내며,
Figure 112019085777435-pat00007
는 가중치를 나타내며,
Figure 112019085777435-pat00008
는 정규화 파라미터를 나타낸다.
또한, 제1 모델부와 제2 모벨부의 적응적 예측을 위한 최적화 함수는 수학식 3과 같이 나타낼 수 있다.
Figure 112019085777435-pat00009
여기서,
Figure 112019085777435-pat00010
이며,
Figure 112019085777435-pat00011
이고,
Figure 112019085777435-pat00012
이며,
Figure 112019085777435-pat00013
과
Figure 112019085777435-pat00014
는 각각 모멘트를 나타내고,
Figure 112019085777435-pat00015
과
Figure 112019085777435-pat00016
는 각각 0 ~ 1 사이의 수를 나타내며, 위첨자 't'는 시간 t에서의 값을 나타내며,
Figure 112019085777435-pat00017
는 초기 학습률(0.001)을 나타내며,
Figure 112019085777435-pat00018
는 매우 작은 양의 정수를 나타낸다.
즉, 각각의 모델부(즉, 제1 모델부 및 제2 모델부)는 입력 레이어, 각각 복수의 콘볼루션 레이어, 복수의 FC 레이어 및 출력 레이어를 각각 포함할 수 있다. 제1 모델부는 입력 레이어의 입력으로 전방 영상을 입력받고, 출력 레이어로 해당 전방 영상에서 학습될 도로 곡선 계수(즉, c0, c1)를 매칭 설정함으로써, 내부의 각각 복수의 콘볼루션 레이어와 복수의 FC 레이어를 최적화하는 트레이닝 과정을 반복할 수 있다.
제2 모델부는 입력 레이어의 입력으로 전방 영상을 입력받고, 출력 레이어로 해당 전방 영상에서 학습될 도로 곡선 계수(즉, c2, c3)를 매칭함으로써, 내부의 각각 복수의 콘볼루션 레이어와 복수의 FC 레이어를 최적화하는 트레이닝 과정을 반복할 수 있다.
또한, 본 발명의 일 실시예에서는 전방 영상을 그대로 모두 이용하지 않으며, 관심 영역(ROI)을 설정하여 관심 영역을 입력 영상을 이용할 수 있다(도 3 참조).
예측부(120)는 전술한 바와 같이 학습이 완료된 도로 곡선 회귀 모델부에 전방 영상을 적용하여 도로 곡선 계수들을 예측할 수 있다.
메모리(130)는 본 발명의 일 실시예에 따른 전방 영상을 이용하여 예측된 도로 곡선 계수를 이용하여 차선 유지를 제어하는 방법을 수행하기 위해 필요한 다양한 명령어들(프로그램 코드들), 이 과정에서 파생된 다양한 데이터 등을 저장하기 위한 수단이다.
상태 추정기(140)는 예측된 도로 곡선 계수(c0, c1, c2, c3)를 기반으로 차량의 모션 상태 정보를 추정하기 위한 수단이다. 즉, 상태 추정기(140)는 서로 상이한 주기를 가지는 데이터들을 이용하여 차량 모션 상태 정보를 추정할 수 있다. 카메라(110)와 차량 내부의 센서들은 업데이트 주기가 서로 상이하다. 따라서, 상태 추정기(140)는 이와 같이 서로 상이한 주기의 데이터를 이용하여 차량의 모션 상태 정보를 추정할 수 있다.
도 1에는 상세히 도시되어 있지 않으나, 본 발명의 일 실시예에 따른 상태 추정기(140)는 차량내에 장착된 다양한 센서로부터 데이터를 획득하거나 차량의 ECU로부터 각 센서의 데이터를 획득할 수 있다.
횡방향 제어기(150)는 예측된 도로 곡선 계수를 이용하여 제어 입력(예를 들어, 조향각)을 도출하기 위한 수단이다. 즉, 횡방향 제어기(150)는 상태 추정기(140)에서 추정된 상태 정보와 레퍼런스 정보를 이용하여 차량의 횡방향 제어 입력을 도출할 수 있다.
클로소이드 도로 곡선 모델은 수학식 1과 같이 나타낼 수 있다. 즉, 도로 곡선 모델은 차선(lane marker)에 대한 이미지 처리 후 획득되는 3차 다항식(polynomial) 형태로 나타낼 수 있다. 아크 길이(arc length)를 s라 할대 클로소이드 곡선 모델은 수학식 4와 같이 나타낼 수 있다.
Figure 112019085777435-pat00019
여기서, c0, c1, c2, c3는 각각 횡방향 중심 거리 오차, 방향각 오차, 곡률 및 곡률 변화량을 각각 나타낸다.
본 발명의 일 실시예에서는 상술한 도로 곡선 계수들을 도로 곡선 모델을 이용하는 것이 아니라, 상술한 도로 곡선 회귀 모델부에 전방 영상을 적용하여 예측할 수 있다.
한장의 전방 영상을 이용하여 예측된 도로 곡선 계수들(c0, c1, c2, c3)을 이용하여 상태 추정기(140)는 횡방향 모델에 적용하여 차량의 횡방향 모션 상태 정보를 도출하여 차선 유지를 제어할 수 있다. 여기서, 차량의 횡방향 모션 상태 정보를 도출함에 있어 횡방향 제어기(150)로부터 입력되는 제어 입력(예를 들어, 조향각)을 더 이용할 수도 있다.
도 4는 본 발명의 일 실시예에 따른 횡방향 모델을 설명하기 위해 도시한 도면이다. 도 4에서 L은 전방 거리(look-ahead)로, 차량의 무게 중심으로부터 종방향으로 내다본 거리를 나타낸다. 병진 및 회전 운동을 뉴턴의 제2 법칙을 통해 정리하면 L이 고려된 횡방향 모델을 모사하는 동역학 모델의 상태 공간 표현은 수학식 2와 같이 나타낼 수 있다.
Figure 112019085777435-pat00020
여기서,
Figure 112019085777435-pat00021
Figure 112019085777435-pat00022
이며,
Figure 112019085777435-pat00023
,
Figure 112019085777435-pat00024
,
Figure 112019085777435-pat00025
,
Figure 112019085777435-pat00026
,
Figure 112019085777435-pat00027
이다.
도 5는 본 발명의 일 실시예에 따른 차선 유지 제어 방법을 나타낸 순서도이다.
단계 510에서 차선 유지 제어 장치(100)는 카메라(110)를 통해 전방 영상을 입력받는다.
단계 515에서 차선 유지 제어 장치(100)는 상기 전방 영상을 기학습된 도로 곡선 계수 회귀 모델부에 적용하여 도로 곡선 계수(c0, c1, c2, c3)를 예측한다. 이는 이미 전술한 바와 동일하므로 중복되는 설명은 생략하기로 한다.
단계 520에서 차선 유지 제어 장치(100)는 예측된 도로 곡선 계수(c0, c1, c2, c3)를 기반으로 차량의 횡방향 거동을 모사하는 거동 모델에 적용하여 차량의 제어 입력을 도출한다. 이는 이미 전술한 바와 같으므로, 중복되는 설명은 생략하기로 한다.
도 6은 종래와 본 발명의 일 실시예에 따른 제어 결과를 비교한 그래프이다. 도 6에서 보여지는 바와 같이, 본 발명의 일 실시예에 따른 제어 결과가 사람이 조향한 것과 더 유사하게 정확하게 제어되는 것을 알 수 있다.
본 발명의 실시 예에 따른 장치 및 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 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.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이제까지 본 발명에 대하여 그 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
100: 차선 유지 제어 장치
110: 카메라
120: 예측부
130: 메모리
140: 프로세서

Claims (7)

  1. 전방 영상을 실시간으로 획득하는 카메라;
    상기 전방 영상을 기학습된 딥러닝 기반 도로 곡선 계수 회귀 모델부에 적용하여 도로 곡선 계수(c0, c1, c2, c3)를 예측함에 있어, 상기 도로 곡선 계수를 속성에 따라 제어 오차와 관련된 계수(c0, c1)와 도로 차선 모델의 모양과 관련된 계수(c2, c3)로 분류하여 예측하는 예측부-상기 딥러닝 기반 도로 곡선 계수 회귀 모델부는 도로 곡선 계수를 속성에 따라 분류하여 학습됨; 및
    상기 예측된 도로 곡선 계수(c0, c1, c2, c3)를 기반으로 차량의 거동을 모사하는 거동 모델에 적용하여 차량의 제어 입력을 도출하는 횡방향 제어기를 포함하되,
    상기 도로 곡선 계수 회귀 모델부는 제1 모델부와 제2 모델부를 구비하되,
    상기 제1 모델부는 상기 전방 영상과 제어 오차와 관련된 계수(c0, c1)를 트레이닝 세트로 이용하여 학습하며, 제2 모델부는 상기 전방 영상과 도로 차선 모델의 모양과 관련된 계수(c2, c3)를 트레이닝 세트로 이용하여 학습되는 것을 특징으로 하는 차선 유지 제어 장치.
  2. 삭제
  3. 제1 항에 있어서,
    상기 차량의 거동을 모사하는 거동 모델은 횡방향 거동을 모사하는 모델이며, 상기 거동 모델은 상기 예측된 도로 곡선 계수를 이용하여 차량의 횡방향 모션 상태 정보를 도출하는 것을 특징으로 하는 차선 유지 제어 장치.
  4. 제1 항에 있어서,
    상기 제어 입력은 조향각인 것을 특징으로 하는 차선 유지 제어 장치.
  5. (a) 전방 영상을 실시간으로 획득하는 단계;
    (b) 상기 전방 영상을 기학습된 딥러닝 기반 도로 곡선 계수 회귀 모델부에 적용하여 도로 곡선 계수(c0, c1, c2, c3)를 예측함에 있어, 상기 도로 곡선 계수를 속성에 따라 제어 오차와 관련된 계수(c0, c1)와 도로 차선 모델의 모양과 관련된 계수(c2, c3)로 분류하여 예측하는 단계-상기 딥러닝 기반 도로 곡선 계수 회귀 모델부는 도로 곡선 계수를 속성에 따라 분류하여 학습됨; 및
    (c) 상기 예측된 도로 곡선 계수(c0, c1, c2, c3)를 기반으로 차량의 거동을 모사하는 거동 모델에 적용하여 차량의 제어 입력을 도출하는 단계를 포함하되,
    상기(a) 단계 이전에,
    상기 전방 영상과 제어 오차와 관련된 계수(c0, c1)를 트레이닝 세트로 이용하여 상기 딥러닝 기반 도로 곡선 회귀 모델부의 제1 모델부를 학습하며, 상기 전방 영상과 도로 차선 모델의 모양과 관련된 계수(c2, c3)를 트레이닝 세트로 이용하여 상기 딥러닝 기반 도로 곡선 회귀 모델부의 제2 모델부를 학습하는 것을 특징으로 하는 차선 유지 제어 방법.
  6. 삭제
  7. 제5 항에 따른 방법을 수행하기 위한 프로그램 코드를 기록한 컴퓨터로 판독 가능한 기록매체 제품.


KR1020190102233A 2019-08-21 2019-08-21 차선 유지 제어 방법 및 그 장치 KR102246418B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190102233A KR102246418B1 (ko) 2019-08-21 2019-08-21 차선 유지 제어 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190102233A KR102246418B1 (ko) 2019-08-21 2019-08-21 차선 유지 제어 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20210022891A KR20210022891A (ko) 2021-03-04
KR102246418B1 true KR102246418B1 (ko) 2021-04-29

Family

ID=75174941

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190102233A KR102246418B1 (ko) 2019-08-21 2019-08-21 차선 유지 제어 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102246418B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4243195A2 (en) 2021-01-19 2023-09-13 LG Energy Solution, Ltd. Electrode assembly, battery, and battery pack and vehicle comprising same
EP4270628A1 (en) 2021-02-19 2023-11-01 LG Energy Solution, Ltd. Electrode assembly and battery, and battery pack and vehicle comprising same
CN113320542B (zh) * 2021-06-24 2022-05-17 厦门大学 一种自动驾驶车辆的跟踪控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002079895A (ja) 2000-09-06 2002-03-19 Nissan Motor Co Ltd 車線逸脱判定装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100901411B1 (ko) * 2007-09-12 2009-06-05 현대자동차주식회사 차량의 차선 유지 지원시스템 및 그 방법
KR20180048407A (ko) * 2016-10-31 2018-05-10 삼성전자주식회사 차선 검출 장치 및 방법
KR101848198B1 (ko) 2017-02-06 2018-05-24 한양대학교 산학협력단 차선 추정 방법 및 장치
KR101954510B1 (ko) * 2017-02-22 2019-03-05 한양대학교 산학협력단 차선 유지 제어 방법 및 그 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002079895A (ja) 2000-09-06 2002-03-19 Nissan Motor Co Ltd 車線逸脱判定装置

Also Published As

Publication number Publication date
KR20210022891A (ko) 2021-03-04

Similar Documents

Publication Publication Date Title
JP7361775B2 (ja) 自律運転のための個人運転スタイル学習
Kuefler et al. Imitating driver behavior with generative adversarial networks
KR102373448B1 (ko) 사람의 주행 데이터를 트레이닝 데이터로서 사용하여 강화 학습을 지원함으로써 맞춤형 경로 플래닝을 수행하는 학습 방법 및 학습 장치
US11137762B2 (en) Real time decision making for autonomous driving vehicles
JP6869562B2 (ja) トラッキングネットワークを含むｃｎｎを使用して物体をトラッキングする方法、及びそれを利用した装置｛ｍｅｔｈｏｄ ｆｏｒ ｔｒａｃｋｉｎｇ ｏｂｊｅｃｔ ｂｙ ｕｓｉｎｇ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｎｃｌｕｄｉｎｇ ｔｒａｃｋｉｎｇ ｎｅｔｗｏｒｋ ａｎｄ ｃｏｍｐｕｔｉｎｇ ｄｅｖｉｃｅ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝
JP7222868B2 (ja) オブジェクト挙動のリアルタイム予測
KR102246418B1 (ko) 차선 유지 제어 방법 및 그 장치
CN109711557B (zh) 一种行车轨迹预测方法、计算机设备及存储介质
US11465650B2 (en) Model-free reinforcement learning
Min et al. Deep Q learning based high level driving policy determination
US10919543B2 (en) Learning method and learning device for determining whether to switch mode of vehicle from manual driving mode to autonomous driving mode by performing trajectory-based behavior analysis on recent driving route
CN112034834A (zh) 使用强化学习来加速自动驾驶车辆的轨迹规划的离线代理
JP6550678B2 (ja) 行動決定装置、未来予測モデル学習装置、ネットワーク学習装置、方法、及びプログラム
CN112034833A (zh) 规划用于自动驾驶车辆的开放空间轨迹的在线代理
CN111948938A (zh) 规划用于自动驾驶车辆的开放空间轨迹的松弛优化模型
KR102166811B1 (ko) 심층강화학습과 운전자보조시스템을 이용한 자율주행차량의 제어 방법 및 장치
US11964671B2 (en) System and method for improving interaction of a plurality of autonomous vehicles with a driving environment including said vehicles
JP7295282B2 (ja) 適応的ハイパーパラメータセットを利用したマルチステージ学習を通じて自律走行自動車のマシンラーニングネットワークをオンデバイス学習させる方法及びこれを利用したオンデバイス学習装置
US11893087B2 (en) Defending multimodal fusion models against single-source adversaries
Youssef et al. Comparative study of end-to-end deep learning methods for self-driving car
KR102196027B1 (ko) Lstm 기반 조향 행동 모니터링 장치 및 그 방법
US20230196749A1 (en) Training Neural Networks for Object Detection
KR102427366B1 (ko) 심층 신경망을 이용한 차선 추정 방법 및 장치
Oussama et al. End-to-End Deep Learning for Autonomous Vehicles Lateral Control Using CNN
US20240086709A1 (en) Deep learning compute paths for faster vehicle reaction times

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant