KR102331746B1 - 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체 - Google Patents

교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체 Download PDF

Info

Publication number
KR102331746B1
KR102331746B1 KR1020200009958A KR20200009958A KR102331746B1 KR 102331746 B1 KR102331746 B1 KR 102331746B1 KR 1020200009958 A KR1020200009958 A KR 1020200009958A KR 20200009958 A KR20200009958 A KR 20200009958A KR 102331746 B1 KR102331746 B1 KR 102331746B1
Authority
KR
South Korea
Prior art keywords
traffic
roads
intersection
polygonal image
road
Prior art date
Application number
KR1020200009958A
Other languages
English (en)
Other versions
KR20210096464A (ko
Inventor
정희진
이홍석
Original Assignee
한국과학기술정보연구원
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 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR1020200009958A priority Critical patent/KR102331746B1/ko
Publication of KR20210096464A publication Critical patent/KR20210096464A/ko
Application granted granted Critical
Publication of KR102331746B1 publication Critical patent/KR102331746B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

이 개시는 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체에 관한 것이다. 실시예는 교차로와 연결된 도로들 상의 교통 데이터를 수신하는 단계; 상기 수신된 도로들 상의 교통 데이터 값들을 전처리하는 단계; 상기 교차로를 포함하고 상기 전처리한 교통 데이터의 값들에 대응되는 꼭지점들을 가지는 다각형 (polygon) 이미지를 생성하는 단계; 상기 생성된 다각형 이미지를 입력 데이터로 하는 딥 러닝(deep learning) 알고리즘을 수행하는 단계; 및 상기 딥 러닝 알고리즘의 수행 결과에 따라 교통 신호 제어 정보를 제공하는 단계;를 포함하는 교통 정보 제어 방법을 제공한다.

Description

교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체{APPARTUS FOR CONTROLLING TRAFFIC INFORMATION, METHOD THEREOF AND STORAGE MEDIA STORING A PROGRAM FOR CONTROLLING TRAFFIC INFORMATION}
이하의 개시는 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체에 관한 것이다.
교통 데이터는 교통 흐름에 따른 복잡성과 교통 상황에 따른 혼잡함 등의 특성으로 인해 이를 예측하고 표현하는데 어려움이 있었다.
인공지능 모델은 복잡한 패턴을 보이는 데이터에 대한 예측을 위해 우수한 결과를 보여왔다.
그러나 기존의 교통 정보의 경우 도로 상의 색 등의 표현으로 교통 상황을 표출하였기 때문에 이러한 인공지능 모델을 이용하는데 한계가 있었다. 특히 고속도로와 달리 도심지 도로망은 그물모양으로 연결되어 있어 도심지 소통 상황을 직관적으로 인지하는 데 어려움이 있었다.
교통의 소통 상황을 표출하는 지능형 교통체계에서 전통적인 방식은 링크 기반의 표출 방식이었다.
이러한 방식에 따르면 지도 위 도로 상에 통행 속도는 색으로 표시되고 반대 방향의 도로 상 통행 속도도 함께 색으로 표시는 경우가 많다. 이러한 데이터의 구조와 특성은 인공지능 모델로 사용되기 힘든 문제점이 있었다.
도심지 교통 상황의 경우 시작점과 종착점이 명확한 링크 기반으로 차량의 소통 상황을 표출한다. 이러한 표현 방식은 고속도로와 달리 차량이 어느 지점이든 출발하거나 멈출 수 있지만 링크 기반의 통행 속도에는 반영되지 않아 교통 통행 예측에 오류가 발생한다.
기존의 교통 소통 상황의 표출 방식은 지도 위 도로 상에 통행 속도를 색으로 표시한다. 양방향 도로의 소통 상황이 지도에 표시되므로 이러한 방식은 인공 지능이 습득하기 어렵다.
또한 기존의 방식은 주축 도로 중심으로 소통 상황 정보를 제공하므로 교통 정체가 확산되고 도로 간 상호 작용을 표출하기 어려운 문제점이 있었다.
이하의 개시의 목적은 도로의 소통 상황을 직관적으로 인지할 수 있고 교통 상황을 제어할 수 있는 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체를 제공하는 것이다.
이하 개시의 다른 목적은, 인공지능 모델이 교통 정보를 제어하는데 최적으로 사용될 수 있도록 하는 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체를 제공하는 것이다.
이하 개시의 다른 목적은, 교통 상황이나 도로의 상호 작용을 직관적으로 표출하여 교통 정보를 제어할 수 있는 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체를 제공하는 것이다.
일 실시예는, 교차로와 연결된 도로들 상의 교통 데이터를 수신하는 단계; 상기 수신된 도로들 상의 교통 데이터 값들을 전처리하는 단계; 상기 교차로를 포함하고 상기 전처리한 교통 데이터의 값들에 대응되는 꼭지점들을 가지는 다각형 (polygon) 이미지를 생성하는 단계; 상기 생성된 다각형 이미지를 입력 데이터로 하는 딥 러닝(deep learning) 알고리즘을 수행하는 단계; 및 상기 딥 러닝 알고리즘의 수행 결과에 따라 교통 신호 제어 정보를 제공하는 단계;를 포함하는 교통 정보 제어 방법을 제공한다.
상기 딥 러닝 알고리즘은 CNN(Convolutional Neural Network) 알고리즘일 수 있다.
상기 교통 데이터 값은 상기 도로들 상의 차량 속도 정보를 포함할 수 있다.
상기 다각형 이미지는, 상기 교차로를 중심으로 하고 상기 도로들의 방향들을 상기 꼭지점들의 위치들과 대응하도록 할 수 있다.
상기 다각형 이미지의 상기 중심으로부터 상기 꼭지점들까지 거리들이 상기 도로들 상의 차량 속도들과 각각 반비례하도록 할 수 있다.
상기 중심으로부터 상기 꼭지점들 중 제 1 꼭지점까지의 거리는 상기 중심과 상기 꼭지점에 대응되는 제 1 도로의 교통 정체 정도에 비례할 수 있다.
상기 다각형 이미지는, 상기 도로들 중 제 1 도로 상의 교통 정체 정도가 최대인 경우, 상기 다각형 이미지의 상기 중심으로부터 상기 제 1 도로에 대응되는 제 1 꼭지점까지의 거리는 최대가 되도록 할 수 있다.
상기 제 2 도로 상의 교통 정체 정도가 최소인 경우, 상기 다각형 이미지의 상기 중심으로부터 상기 제 2 도로에 대응되는 제 1 꼭지점까지의 거리는 최소가 될 수 있다.
다른 실시예는, 교차로와 연결된 도로들 상의 교통 데이터를 수신하는 수신 모듈; 상기 수신된 도로들 상의 교통 데이터 값들을 전처리하는 전처리 모듈; 상기 교차로를 포함하고 상기 전처리한 교통 데이터의 값들에 대응되는 꼭지점들을 가지는 다각형 (polygon) 이미지를 생성하는 데이터 생성모듈; 상기 생성된 다각형 이미지에 기초하여 딥 러닝(deep learning) 알고리즘을 수행하는 알고리즘 처리모듈; 및 상기 딥 러닝 알고리즘의 수행 결과에 따라 교통 신호 제어 정보를 제공하는 제어모듈;를 포함하는 교통 정보 제어 장치를 제공한다.
다른 실시예는, 도로들의 교차로와 연결된 상기 도로들 상의 교통 데이터를 수신하는 수신부; 상기 수신된 도로들 상의 교통 데이터 값들을 전처리하고, 상기 교차로를 포함하고 상기 전처리한 교통 데이터의 값들에 대응되는 꼭지점들을 가지는 다각형 (polygon) 이미지를 생성하고, 상기 생성된 다각형 이미지에 기초하여 딥 러닝(deep learning) 알고리즘을 수행하는 프로세서; 및 상기 딥 러닝 알고리즘의 수행 결과에 따라 교통 신호 제어 정보를 제공하는 제어부;를 포함하는 교통 정보 제어 장치를 제공한다.
다른 실시예는 교차로와 연결된 도로들 상의 교통 데이터를 수신하고; 상기 수신된 도로들 상의 교통 데이터 값들을 전처리하고, 상기 교차로를 포함하고 상기 전처리한 교통 데이터의 값들에 대응되는 꼭지점들을 가지는 다각형 (polygon) 이미지를 생성하고, 상기 생성된 다각형 이미지에 기초하여 딥 러닝(deep learning) 알고리즘을 수행하고, 상기 딥 러닝 알고리즘의 수행 결과에 따라 상기 도로들의 교통 상황을 정확히 판별하는; 교통 정보를 제어하는 프로그램을 저장하는 저장매체를 제공한다.
이하의 실시예에 따르면 도로의 소통 상황을 직관적으로 인지하고 교통 상황을 제어할 수 있다.
이하의 실시예에 따르면, 인공지능 모델이 교통 정보를 제어하는데 최적으로 사용될 수 있어 교통 정보를 효율적으로 제어할 수 있다.
이하의 실시예에 따르면, 교통 상황이나 도로의 상호 작용을 직관적으로 표출하여 교통 정보를 용이하게 제어할 수 있다.
도 1은 실시예에 따른 교통 정보 제어 방법의 예를 개시한 도면
도 2는 교차로의 교통 데이터로부터 폴리곤 이미지를 생성하는 일 예를 예시한 도면
도 3는 교통 신호 제어 장치의 일 실시예를 개시한 도면
도 4는 교통 신호 제어 장치의 다른 일 실시예를 개시한 도면
도 5는 실시예에 따라 교통 정체 상황을 이미지화한 예를 나타낸 도면
이하에서 도면을 참조하여 실시예들을 상세히 설명한다.
도 1은 실시예에 따른 교통 정보 제어 방법의 예를 개시한 도면이다.
교차로와 연결된 도로들 상의 교통 데이터를 수신한다(S100).
실시간 또는 실시간에 가까운 시점에서 도로상의 교통 데이터를 수신한다. 도로들이 만나는 지점의 교차로를 중심으로 도로 상의 차량 속도 등을 수신할 수 있다. 차량 속도를 포함하는 교통 데이터로부터 도로 상의 정체 상황을 판단할 수 있다.
도로들의 수신된 교통 데이터 값들을 전처리한다(S200).
위와 같이 수신된 교통 데이터는 실시예에서 처리할 수 있도록 단위 등을 일치시키고 도로 상에 여러 가지 종류의 데이터가 있을 경우 대표 데이터를 정하는 등 전처리를 수행할 수 있다.
상기 교차로를 포함하고 전처리한 교통 데이터의 값들에 대응되는 꼭지점을 가지는 다각형(polygon) 이미지를 생성한다(S300).
도로상의 교차로를 포함하는 다각형 이미지에서 상기 다각형의 꼭지점과 중심의 거리는 차량의 속도에 따라 달라지도록 할 수 있다.
예를 들어 다각형의 중심을 교차로로 하고, 상기 교차로로부터 꼭지점까지의 각각의 거리들은 상기 교차로와 연결된 도로들 상의 차량의 속도에 반비례하도록 할 수 있다.
다르게 설명하면 다각형 이미지의 중심으로부터 꼭지점들까지 거리들이 상기 도로들 상의 차량 속도들과 각각 반비례하도록 할 수 있다.
즉 교차로가 다각형의 중심이 되고, 다각형의 중심으로부터 제 1 꼭지점의 길이는 상기 교차로와 연결된 제 1 도로 상의 차량 속도에 대응되도록 할 수 있다.
제 1 도로 상의 차량 속도가 낮은 경우(차량이 정체에 가까운 경우), 상기 다각형의 중심으로부터 제 1 꼭지점의 길이는 길어질 수 있다.
제 1 도로 상의 차량 속도가 높은 경우(차량이 속도가 원활에 가까운 경우), 상기 다각형의 중심으로부터 제 1 꼭지점의 길이는 짧아질 수 있다.
따라서 위에서 다각형을 관찰하였을 때 교차로 상의 다각형에 대해 차량 속도가 빠른 곳은 상기 다각형상의 중심으로부터 꼭지점까지 짧고, 차량 속도가 느린 경우 상기 다각형상의 중심으로부터 꼭지점까지가 길다.
이와 같이 다각형의 중심으로부터 꼭지점까지의 선은 도로의 방향에 대응할 수 있다.
다각형의 중심으로부터 꼭지점까지의 거리는 상기 도로 상의 차량의 속도 등 교통 데이터의 값에 대응할 수 있다.
다른 예로서 다각형의 중심으로부터 꼭지점들 중 제 1 꼭지점까지의 거리는 상기 중심과 상기 꼭지점에 대응되는 제 1 도로의 교통 정체 정도에 비례할 수 있다.
다각형 이미지에 대한 예를 아래에서 상세하게 예시한다.
위와 방식에 따라 교차로마다 생성된 다각형들을 딥러닝 알고리즘에 입력한다(S400).
딥러닝 알고리즘은 입력된 다각형 이미지에 가까운 다각형 이미지를 식별한다.
예를 들어 딥 러닝 알고리즘은 CNN(Convolutional Neural Network) 알고리즘을 사용할 수 있다.
딥러닝 알고리즘의 결과에 따라 식별된 다각형 이미지에 대응되는 교통 정체상황을 정확하게 식별할 수 있다. 각 교통 정체 상황들에 따른 교통 신호 제어 정보는 기 저장할 수 있다.
따라서 다각형 이미지에 기반한 딥러닝 알고리즘에 따른 결과 데이터는 여러 가지 교통 정체 상황들을 정확하게 판단하도록 할 수 있다.
딥 러닝 알고리즘의 수행 결과에 따라 판단된 교통 정체 상황들에 따라 교통 신호 제어 정보를 제공한다(S500).
딥러닝 알고리즘 결과에 따른 교통 정체 상황에 대응하는 교통 신호 제어 정보를 출력하여 현재 교통 신호 제어를 수행할 수 있다.
특히 연동되어 수행되는 여러 개의 교차로들의 신호등들은 전체적인 정체 상황을 정확하게 판단하지 않으면 연동되어 동작하기 쉽지 않다.
그러나 실시예와 같이 딥러닝 알고리즘 수행 결과에 따라 정확한 정체 상황을 결정하고 교통 신호 제어 정보를 제공하면 여러 교차로들에 연동된 정체들도 효율적으로 제어가 가능하다.
도 2는 교차로의 교통 데이터로부터 폴리곤 이미지를 생성하는 일 예를 예시한다. 이 도면을 참고하여 교차로의 교통 데이터로부터 폴리곤 이미지를 생성하는 예를 설명하면 다음과 같다.
이 도면에서 (a) 는 도로의 교차로(10)와 교차로를 지나는 도로들 상의 교통 데이터 중 정체 정도를 이용하여 폴리곤 이미지를 생성하는 원리의 예를 나타낸다.
교차로(10)를 지나는 동서남북 (E, W, S, N로 각각 표시)의 선분들은 각각 교차로(10)에 이르는 도로들에 대응된다. 이 예는 설명의 편의상 교차로(10)를 지나는 도로들의 방향이 동서남북으로 이루어진 교차로를 예시한다.
폴리곤 이미지는 도로들의 방향에 꼭지점들이 생성되도록 한다. 따라서, 이 폴리곤 이미지는 동서남북 방향으로 꼭지점들을 가진다.
폴리곤 이미지는 각 도로들의 정체 정도가 모두 최대에 이르는 경우(최대교통정체) 최대 크기를 가지게 되고, 각 도로들의 정체 정도가 모두 최소인 경우(최소교통정체) 최소 크기를 가지도록 할 수 있다.
다른 게 표현하면 다각형 이미지의 상기 중심으로부터 상기 꼭지점들까지 거리들이 상기 도로들 상의 차량 속도들과 각각 반비례하도록 하도록 다각형 이미지를 구성할 수 있다.
이 도면에서 (b)는 교차로로부터 각 방향의 도로의 정체 정도에 따라 다각형 이미지의 꼭지점의 위치가 달라지는 것을 표현한다.
예를 들어 교차로와 동쪽 방향의 도로의 교통 정체가 최대인 경우 동쪽 방향에 대응하는 꼭지점은 폴리곤 이미지의 중심으로부터 가장 멀리 위치하도록 한다.
예를 들어 교차로와 남쪽 방향의 도로의 교통 정체가 혼잡한 경우, 혼잡 정도에 따라 남쪽 방향에 대응하는 꼭지점은 폴리곤 이미지 중심으로부터 최대 거리와 최소 거리 사이에 위치한다.
꼭지점의 위치는 각 도로 상의 혼잡 정도에 비례하게 위치하도록 할 수 있다.
즉, 폴리곤의 중심으로부터 꼭지점들 중 제 1 꼭지점까지의 거리는 상기 중심과 상기 제 1 꼭지점에 대응되는 제 1 도로의 교통 정체 정도에 비례할 수 있다.
다각형 이미지는 상기 도로들 중 제 1 도로 상의 교통 정체 정도가 최대인 경우, 상기 다각형 이미지의 상기 중심으로부터 상기 제 1 도로에 대응되는 제 1 꼭지점까지의 거리는 최대가 되도록 할 수 있다.
다각형 이미지는, 상기 제 2 도로 상의 교통 정체 정도가 최소인 경우, 상기 다각형 이미지의 상기 중심으로부터 상기 제 2 도로에 대응되는 제 2 꼭지점까지의 거리는 최소가 되도록 할 수 있다.
도면의 폴리곤 이미지의 구성 방식은 하나의 예시이다.
실시자의 의도에 따라 다르게 폴리곤 이미지 생성이 가능하다. 예를 들어 각 방향의 도로 상의 차량 정체가 최대인 경우 최소 크기를 가지는 폴리곤 이미지를 생성하고, 각 방향의 도로 상의 차량 정체가 최소인 경우 최대 크기를 가지는 폴리곤 이미지를 생성할 수도 있다.
또한 폴리곤 이미지의 중심은 반드시 교차지점일 필요는 없으며 교차로의 모양과 구성에 따라 폴리곤 이미지가 교차로를 포함하도록 하면 충분히 동일한 개념의 실시예를 구성할 수 있다.
도 3은 교통 신호 제어 장치의 일 실시예를 개시한다. 이 도면을 참조하여 교통 신호 제어 장치의 일 실시예를 설명하면 다음과 같다.
교통 신호 제어 장치의 일 실시예는 수신 모듈(110), 전처리 모듈(120), 데이터 생성 모듈(130), 알고리즘처리 모듈(140), 및 제어 모듈(150)을 포함한다.
수신 모듈(110)은 도로들의 교차로와 연결된 도로들 상의 교통 데이터를 수신한다.
전처리 모듈(120)은, 수신 모듈(110)이 수신한 도로들 상의 차량들의 속도 등을 포함하는 교통 데이터를 전처리한다.
데이터생성 모듈(130)은, 교차로를 중심으로 전처리된 교통 데이터를 이용하여 폴리곤 이미지를 생성한다. 예를 들어 폴리곤 이미지는 전처리된 교통 데이터 값들에 대응하는 꼭지점들과 교차로를 포함하도록 생성할 수 있다.
폴리곤 이미지의 생성 예는 위에서 설명하였다.
알고리즘처리 모듈(140)은, 생성된 다각형 이미지를 입력 데이터로 하는 딥러닝(deep learning) 알고리즘을 수행한다. 딥러닝 알고리즘은 CNN(Convolutional Neural Network) 알고리즘 등을 이용할 수 있으며 CNN 알고리즘을 변형하거나 딥러닝 알고리즘에 사용되는 어떤 알고리즘도 사용할 수도 있다.
알고리즘처리 모듈(140)은 다각형 이미지를 입력받고, 입력을 받은 다각형 이미지에 따라 현재의 교통 정체 상황을 정확하게 판별할 수 있다.
알고리즘처리 모듈(140)은 특정 교차로에 대한 교통 정체 상황뿐만 아니라 연동되어 제어되는 여러 개의 교차로의 정체 상황을 정확하게 판별할 수 있다.
제어 모듈(150)은, 딥 러닝 알고리즘의 수행 결과에 따라 판별된 교통 정체 상황에 대응하는 교통 신호 제어 정보를 제공할 수 있다.
도 4는 교통 신호 제어 장치의 다른 일 실시예를 개시한다. 이 도면을 참조하여 교통 신호 제어 장치의 다른 일 실시예를 설명하면 다음과 같다.
이 도면은 교통 신호 제어 장치의 일 실시예의 물리 구성을 보다 명확하게 나타낸 도면이다.
교통 신호 제어 장치의 일 실시예는 수신부(210), 프로세서(220) 및 제어신호 출력부(230)를 포함할 수 있다.
수신부(210)는 도로들의 교차 지점 또는 교차로와 연결된 도로들 상의 교통 데이터를 수신한다. 교통 데이터는 차량 속도 등을 포함하고 실시간 정체 상황을 표현할 수 있는 데이터는 수신 데이터에 포함될 수 있다.
프로세서(220)는 수신부(210)가 수신한 교통데이터를 전처리하고 설명한 바와 같이 교차로에 대응되는 폴리곤 이미지를 생성한다.
교통 데이터에 기초하여 생성하는 폴리곤 이미지는 교차로를 포함하고 각 도로 방향에 꼭지점을 가지는 형태일 수 있다.
이 도면에서 예시한 바와 같이 폴리곤 이미지는 각 교차로에 대응되도록 하고 프로세서(220)는 여러 개의 교차로들에 대응하는 폴리곤 이미지들을 생성한다.
프로세서(220)는 폴리곤 이미지들을 입력 받아 딥러닝 알고리즘을 수행하고 입력된 폴리곤 이미지들에 기초하여 대응되는 교차로들의 정체 상황을 정확하게 판별할 수 있다.
프로세서(220)는 딥러닝 알고리즘을 수행한 결과에 따라 다수의 교차로들에 대응되는 정체 상황을 판별하여 출력한다. 프로세서(220)는 다수의 교차로들의 정체 상황을 판별하고 도로의 소통 상황을 직관적으로 인지하도록 하며 최적의 교통 신호로 정체 상황을 제어할 수 있다.
제어신호 출력부(230)는 프로세서(220)로부터 수신된 교차로들의 정체 상황에 대응되는 제어신호를 출력한다.
따라서 실시예는 교통 상황이나 도로의 상호 작용을 직관적으로 표출할 수 있으며 최적의 교통 정보를 이용하여 교통 신호를 효율적으로 제어할 수 있다.
도 5는 실시예에 따라 교통 정체 상황을 이미지화한 예를 나타낸다.
이 도면은 실제 대전의 특정 도로들의 교통 상황에 따라 폴리곤 이미지를 생성하고(a), 그에 따라 정확한 정체 상황을 판단할 수 있도록 딥러닝 알고리즘을 수행한 결과(b)를 각각 나타낸다.
이 도면에서 왼쪽은 교통이 한가한 새벽시간(비첨두)의 교통 상황을, 오른쪽은 오전의 러시 아워(rush hour)의 정체 상황을 나타낸다.
이 도면은 남쪽(S)과 북쪽(N)으로 연결된 실제 도로 상에서 교차로에 대응되는 다각형 이미지를 생성한 예(a)와 생성된 다각형 이미지에 따라 딥러닝 알고리즘을 수행한 결과를 나타낸 예(b)를 각각 나타낸다.
남북으로 연결된 도로 상에 원은 교차로를 나타내는 교차로에서 정체된 상황은 폴리곤 이미지에서 음영으로 표시되었다. 교차로에 대응되는 폴리곤 이미지들은 도로의 남북 방향에 따라 아래 위로 겹쳐 표현되었다.
예를 들어 비첨두 또는 오전 첨두 시간에 실시간 수신된 교통 데이터에 기반한 폴리곤 이미지(a)에 대해 딥러닝 알고리즘을 수행하면 (b)와 같은 정체 상황이 판별할 수 있다.
각 시간대 별로 정체 상황이 판별된 이미지들 (b)에 대해서는 이미 준비된 교통 제어 알고리즘에 따라 각각의 정체 상황을 해결할 수 있는 제어 신호를 출력할 수 있다.
따라서 실시예에 따르면 도로의 소통 상황을 직관적으로 인지하고 교통 상황을 제어할 수 있다. 그리고, 실시예에 따르면 도로의 상호 작용을 용이하게 판별하고 이를 효율적으로 제어 할 수 있다.
그리고 실시예에 따르면 인공지능 모델을 이용하여 여러 개의 교차로에 대한 정체 상황을 정확히 판별할 수 있고 그에 따라 최적의 제어 신호를 출력할 수 있어 정체 상황을 빠르게 제어할 수 있다.
실시예에 따르면 교통 정체가 확산되고 도로 간 상호 작용을 표출하기 어려운 경우라도 교통 상황을 정확히 판별하고 이를 제어할 수 있다.
110: 수신모듈
120: 전처리모듈
130: 데이터 생성모듈
140: 알고리즘처리 모듈
150: 제어 모듈
210: 수신부
220: 프로세서
230: 제어신호 출력부

Claims (18)

  1. 교차로와 연결된 도로들 상의 교통 데이터를 수신하는 단계;
    상기 수신된 도로들 상의 교통 데이터 값들을 전처리하는 단계;
    상기 교차로를 포함하고 상기 전처리한 교통 데이터의 값들에 대응되는 꼭지점들을 가지는 다각형 (polygon) 이미지를 생성하는 단계;
    상기 생성된 다각형 이미지를 입력 데이터로 하는 딥 러닝(deep learning) 알고리즘을 수행하는 단계; 및
    상기 딥 러닝 알고리즘의 수행 결과에 따라 교통 신호 제어 정보를 제공하는 단계;를 포함하는 교통 정보 제어 방법.
  2. 제 1 항에 있어서,
    상기 딥 러닝 알고리즘은 CNN(Convolutional Neural Network) 알고리즘인 교통 정보 제어 방법.
  3. 제 1항에 있어서,
    상기 교통 데이터 값은 상기 도로들 상의 차량 속도 정보를 포함하는 교통 정보 제어 방법.
  4. 제 1항에 있어서,
    상기 다각형 이미지는,
    상기 교차로를 중심으로 하고 상기 도로들의 방향들을 상기 꼭지점들의 위치들과 대응하도록 하는 교통 정보 제어 방법.
  5. 제 4 항에 있어서,
    상기 다각형 이미지의 상기 중심으로부터 상기 꼭지점들까지 거리들이 상기 도로들 상의 차량 속도들과 각각 반비례하도록 하는 교통 정보 제어 방법.
  6. 제 4 항에 있어서,
    상기 중심으로부터 상기 꼭지점들 중 제 1 꼭지점까지의 거리는 상기 중심과 상기 꼭지점에 대응되는 제 1 도로의 교통 정체 정도에 비례하는 교통 정보 제어 방법.
  7. 제 4 항에 있어서,
    상기 다각형 이미지는,
    상기 도로들 중 제 1 도로 상의 교통 정체 정도가 최대인 경우,
    상기 다각형 이미지의 상기 중심으로부터 상기 제 1 도로에 대응되는 제 1 꼭지점까지의 거리는 최대가 되는, 교통 정보 제어 방법.
  8. 제 4 항에 있어서,
    상기 다각형 이미지는,
    상기 도로들 중 제 2 도로 상의 교통 정체 정도가 최소인 경우,
    상기 다각형 이미지의 상기 중심으로부터 상기 제 2 도로에 대응되는 제 1 꼭지점까지의 거리는 최소가 되는 교통 정보 제어 방법.
  9. 교차로와 연결된 도로들 상의 교통 데이터를 수신하는 수신 모듈;
    상기 수신된 도로들 상의 교통 데이터 값들을 전처리하는 전처리 모듈;
    상기 교차로를 포함하고 상기 전처리한 교통 데이터의 값들에 대응되는 꼭지점들을 가지는 다각형 (polygon) 이미지를 생성하는 데이터 생성모듈;
    상기 생성된 다각형 이미지에 기초하여 딥 러닝(deep learning) 알고리즘을 수행하는 알고리즘 처리모듈; 및
    상기 딥 러닝 알고리즘의 수행 결과에 따라 교통 신호 제어 정보를 제공하는 제어모듈;를 포함하는 교통 정보 제어 장치.
  10. 제 9항에 있어서,
    상기 다각형 이미지는,
    상기 교차로를 중심으로 하고 상기 도로들의 방향들을 상기 꼭지점들의 위치들과 대응하도록 하는 교통 정보 제어 장치.
  11. 제 10 항에 있어서,
    상기 다각형 이미지의 상기 중심으로부터 상기 꼭지점들까지 거리들이 상기 도로들 상의 차량 속도들과 각각 반비례하도록 하는 교통 정보 제어 장치.
  12. 제 10 항에 있어서,
    상기 중심으로부터 상기 꼭지점들 중 제 1 꼭지점까지의 거리는 상기 중심과 상기 제 1 꼭지점에 대응되는 제 1 도로의 교통 정체 정도에 비례하는 교통 정보 제어 장치.
  13. 제 10 항에 있어서,
    상기 다각형 이미지는,
    상기 도로들 중 제 1 도로 상의 교통 정체 정도가 최대인 경우,
    상기 다각형 이미지의 상기 중심으로부터 상기 제 1 도로에 대응되는 제 1 꼭지점까지의 거리는 최대가 되는 교통 정보 제어 장치.
  14. 제 10 항에 있어서,
    상기 다각형 이미지는,
    상기 도로들 중 제 2 도로 상의 교통 정체 정도가 최소인 경우,
    상기 다각형 이미지의 상기 중심으로부터 상기 제 2 도로에 대응되는 제 1 꼭지점까지의 거리는 최소가 되는 교통 정보 제어 장치.
  15. 제 9항에 있어서
    상기 딥 러닝 알고리즘은 CNN(Convolutional Neural Network) 알고리즘인 교통 정보 제어 장치.
  16. 제 9항에 있어서,
    상기 교통 데이터 값은 상기 도로들 상의 차량 속도 정보를 포함하는 교통 정보 제어 장치.
  17. 도로들의 교차로와 연결된 상기 도로들 상의 교통 데이터를 수신하는 수신 부;
    상기 수신된 도로들 상의 교통 데이터 값들을 전처리하고, 상기 교차로를 포함하고 상기 전처리한 교통 데이터의 값들에 대응되는 꼭지점들을 가지는 다각형 (polygon) 이미지를 생성하고, 상기 생성된 다각형 이미지에 기초하여 딥 러닝(deep learning) 알고리즘을 수행하는 프로세서; 및
    상기 딥 러닝 알고리즘의 수행 결과에 따라 교통 신호 제어 정보를 제공하는 제어부;를 포함하는 교통 정보 제어 장치.
  18. 교차로와 연결된 도로들 상의 교통 데이터를 수신하고; 상기 수신된 도로들 상의 교통 데이터 값들을 전처리하고, 상기 교차로를 포함하고 상기 전처리한 교통 데이터의 값들에 대응되는 꼭지점들을 가지는 다각형 (polygon) 이미지를 생성하고, 상기 생성된 다각형 이미지에 기초하여 딥 러닝(deep learning) 알고리즘을 수행하고, 상기 딥 러닝 알고리즘의 수행 결과에 따라 상기 도로들의 교통 상황을 정확히 판별하는; 교통 정보를 제어하는 프로그램을 저장하는 저장매체.
KR1020200009958A 2020-01-28 2020-01-28 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체 KR102331746B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200009958A KR102331746B1 (ko) 2020-01-28 2020-01-28 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200009958A KR102331746B1 (ko) 2020-01-28 2020-01-28 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체

Publications (2)

Publication Number Publication Date
KR20210096464A KR20210096464A (ko) 2021-08-05
KR102331746B1 true KR102331746B1 (ko) 2021-11-26

Family

ID=77316438

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200009958A KR102331746B1 (ko) 2020-01-28 2020-01-28 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체

Country Status (1)

Country Link
KR (1) KR102331746B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002310680A (ja) 2001-04-09 2002-10-23 Asia Air Survey Co Ltd 交通安全情報提供方法及び交通安全情報提供のプログラム
KR101974495B1 (ko) 2018-08-21 2019-05-03 한국과학기술정보연구원 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체
KR102021992B1 (ko) 2018-08-21 2019-09-18 한국과학기술정보연구원 교통신호 제어 장치, 교통신호 제어 방법 및 교통신호 제어 프로그램을 저장하는 저장매체
JP2020500319A (ja) 2017-09-13 2020-01-09 ダビオ インク．Ｄａｂｅｅｏ Ｉｎｃ． 機械学習とイメージプロセッシングを利用した地図製作装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101385057B1 (ko) * 2012-08-30 2014-04-14 경희대학교 산학협력단 Ｉｔｓ 데이터를 활용한 도심 구간의 정체도 예측 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002310680A (ja) 2001-04-09 2002-10-23 Asia Air Survey Co Ltd 交通安全情報提供方法及び交通安全情報提供のプログラム
JP2020500319A (ja) 2017-09-13 2020-01-09 ダビオ インク．Ｄａｂｅｅｏ Ｉｎｃ． 機械学習とイメージプロセッシングを利用した地図製作装置
KR101974495B1 (ko) 2018-08-21 2019-05-03 한국과학기술정보연구원 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체
KR102021992B1 (ko) 2018-08-21 2019-09-18 한국과학기술정보연구원 교통신호 제어 장치, 교통신호 제어 방법 및 교통신호 제어 프로그램을 저장하는 저장매체

Also Published As

Publication number Publication date
KR20210096464A (ko) 2021-08-05

Similar Documents

Publication Publication Date Title
US11899411B2 (en) Hybrid reinforcement learning for autonomous driving
JP7086911B2 (ja) 自動運転車両のためのリアルタイム意思決定
CN110562258B (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
WO2023207437A1 (zh) 一种基于动态轨迹流的场景流数字孪生方法及***
WO2022052406A1 (zh) 一种自动驾驶训练方法、装置、设备及介质
CN111874006B (zh) 路线规划处理方法和装置
EP3588226B1 (en) Method and arrangement for generating control commands for an autonomous road vehicle
CN114694123B (zh) 交通信号灯感知方法、装置、设备及存储介质
CN116129066A (zh) 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法
CN110646007B (zh) 一种基于形式化表示的车辆驾驶方法
KR102331746B1 (ko) 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체
US11157756B2 (en) System and method for detecting errors and improving reliability of perception systems using logical scaffolds
CN116776151A (zh) 可与车外人员进行自主交互的自动驾驶模型和训练方法
CN116225026A (zh) 自动驾驶车辆操作方法、电子设备以及计算机可读介质
CN116295497A (zh) 路径生成方法、装置、机器人和存储介质
CN116880462A (zh) 自动驾驶模型、训练方法和自动驾驶方法和车辆
US20220355824A1 (en) Predicting near-curb driving behavior on autonomous vehicles
KR102296576B1 (ko) 교통 정보 제공 장치, 교통 정보 제공 방법, 및 교통 정보를 제공하는 프로그램을 저장하는 저장매체
CN114120274A (zh) 一种应用于低光照场景的车道线检测方法及其***
CN111077893B (zh) 一种基于多灭点的导航方法、电子设备和存储介质
CN110795977B (zh) 交通信号识别方法、装置、存储介质及电子设备
US11814059B1 (en) Simulating autonomous driving using map data and driving data
CN116295469B (zh) 高精地图的生成方法、装置、设备及存储介质
CN116048096B (zh) 一种基于层次化深度感知的无人车运动规划方法
Ishihara Decomposing Trajectory Forecasting into Route and Motion: Enhancing End-to-end Autonomous Driving with Route Map Inputs

Legal Events

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