KR102624587B1 - 작업 및 움직임 계획을 위한 의미론적 정보의 압축 - Google Patents
작업 및 움직임 계획을 위한 의미론적 정보의 압축 Download PDFInfo
- Publication number
- KR102624587B1 KR102624587B1 KR1020180120770A KR20180120770A KR102624587B1 KR 102624587 B1 KR102624587 B1 KR 102624587B1 KR 1020180120770 A KR1020180120770 A KR 1020180120770A KR 20180120770 A KR20180120770 A KR 20180120770A KR 102624587 B1 KR102624587 B1 KR 102624587B1
- Authority
- KR
- South Korea
- Prior art keywords
- indices
- candidate
- state space
- vector
- compressed
- Prior art date
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 159
- 238000007906 compression Methods 0.000 title claims abstract description 45
- 230000006835 compression Effects 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000000638 solvent extraction Methods 0.000 claims abstract description 8
- 230000001149 cognitive effect Effects 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 16
- 239000003795 chemical substances by application Substances 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000010391 action planning Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3863—Structures of map data
- G01C21/387—Organisation of map data, e.g. version management or database structures
- G01C21/3881—Tile-based structures
-
- 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
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
-
- 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
움직임 계획의 컴퓨터 구현 방법 및 그 방법을 실행하는 자율 주체가 제공된다. 방법은 연속적인 상태 공간에서 서술을 나타내는 색인들의 제1 세트를 생성하는 단계, 후보 움직임들의 라이브러리를 액세스하는 단계, 후보 움직임들의 각각은 연속적인 상태 공간에서 궤적을 나타내는 색인들의 제2 세트를 갖고, 색인들의 제1 세트 및 색인들의 제2 세트를 압축하여 압축된 색인들의 제1 세트 및 압축된 색인들의 제2 세트를 생성하는 단계, 압축된 색인들의 제1 세트 및 압축된 색인들의 제2 세트 사이의 교차가 있는지 판단하는 단계를 포함한다. 압축은 상태 공간을 영역들로 분할함으로써 행해지고, 각 영역은 동일한 후보 움직임들의 세트에 의해 점유된다. 대안으로, 압축은 지역성을 보전하는 힐버트 곡선 또는 Z-오더 곡선과 같은 공간 채움 곡선을 이용하여 생성된 이진 벡터들에 실행 길이 부호화를 적용함으로써 행해진다.
Description
여기에 기재된 기술적 사상은 자율 주체(autonomous agent)에서 움직임 및 작업 계획을 위한 방법 및 장치에 관한 것이다.
오늘날, 무인 항공기들, 자율 주행 자동차들, 다양한 작업들을 처리하기 위해 배회하는 로봇들 등과 같은 자율 주체들을 가능하게 하기 위해 수많은 연구가 행해지고 있다. 자율 주체들이 신뢰성 있게 단독으로 배회하고 작업들을 처리하게 하는 것은 인간들이 더 생산적이 되고 그리고 그들이 즐기는 것들에 시간을 쓸 수 있게 한다. 자율 주체들은 향상된 안전성, 감소된 혼잡, 연료 효율성, 그리고 더 큰 이동성과 같은 다면적 장점들을 제공한다. 그러나 이러한 장점들을 얻기 위해, 자율 주체들은 안전하고 신뢰성이 있어야만 한다. 안전성 및 신뢰성은 정확한 실시간 의사 결정(decision making)을 가능하게 하는 견고한 계획 방법들에 의존한다. 의사 결정은 이동 중에 마주치는 교통 상황들 및 장애물들에 적절히 대응하는 것뿐 아니라 일반적인 경로/노선 선택을 포함한다.
병렬 연산에 의해 제공되는 더 고속의 충실한 의사 결정은 자율 주체들에 의한 정확하고 시의 적절한 의사 결정을 돕는다. 그러나 이동 중에, 예를 들어 공용 도로에서, 자율 주체는 종종 대응할 수 있는 많은 가용한 길들이 있는 상황들에 마주할 수 있다. 활동의 최적 코스에 대한 결정이 행해지기 위해, 가능성들은 수분의 일초 내에 처리되어야만 한다. 적절한 결정을 행하기 위해 확장 가능한 접근은 미리 연산된 움직임들의 큰 라이브러리의 대규모의 병렬 평가이다. 이런 식으로, 미리 계획된 후보 움직임들의 큰 용량을 관통하는 효과적이고 정확한 필터링의 수단이 요구된다.
본 발명의 목적은 후보 움직임들 및 환경 서술들을 압축함으로써 연산들의 수를 줄이는 자율 주체 및 방법을 제공하는 데에 있다.
일 측면에서, 본 기술적 사상은 움직임 계획의 컴퓨터-구현 방법을 포함한다. 방법은 연속적인 상태 공간에서 서술을 나타내는 색인들의 제1 세트를 생성하는 단계, 후보 움직임들의 라이브러리를 액세스하는 단계, 후보 움직임들의 각각은 연속적인 상태 공간에서 궤적을 나타내는 색인들의 제2 세트를 갖고, 색인들의 제1 세트 및 색인들의 제2 세트를 압축하여 압축된 색인들의 제1 세트 및 압축된 색인들의 제2 세트를 생성하는 단계, 그리고 압축된 색인들의 제1 세트 및 압축된 색인들의 제2 세트 사이의 교차가 있는지 판단하는 단계를 수반한다.
다른 측면에서, 본 기술적 사상은 인지 시스템, 작업 및 움직임 계획 시스템, 그리고 의사 결정 시스템을 포함하는 자율 주체(autonomous agent)를 포함한다. 인지 시스템은 환경 데이터를 주기적으로 수집하기 위한 센서들 및 맵 데이터를 저장하기 위한 메모리를 포함한다. 움직임 계획 시스템은 상태 공간을 셀들로 분할하고, 상태 공간을 동일한 후보 움직임들의 세트에 의해 점유된 영역들로 분할함으로써 환경 서술 및 후보 움직임을 압축하고, 그리고 환경 서술 및 후보 움직임 사이에 교차가 있는지 평가함으로써 환경 서술 및 후보 움직임 사이의 교차를 평가하기 위한 프로세서를 포함한다. 각 후보 움직임은 자율 주체에 의해 실행 가능한 하나 또는 그보다 많은 기동들(maneuvers)과 연관된다. 작업 및 움직임 계획 시스템으로부터의 출력에 기반하여 후보 움직임을 선택하는 의사 결정 시스템을 포함한다.
또 다른 측면에서, 본 기술적 사상은 인지 시스템, 작업 및 움직임 계획 시스템, 그리고 의사 결정 시스템을 포함하는 자율 주체(autonomous agent)를 포함한다. 인지 시스템은 환경 데이터를 수집하기 위한 센서들 및 맵 데이터를 저장하기 위한 메모리를 포함한다. 작업 및 움직임 계획 시스템은 후보 움직임들을 저장하기 위한 메모리, 그리고 상태 공간을 셀들로 분할하고, 힐버트 곡선(Hilbert curve)을 이용하여 환경 서술 및 후보 움직임에 색인들을 부여하여 환경 서술을 나타내는 제1 이진 벡터 및 후보 움직임을 나타내는 제2 이진 벡터를 생성하고, 그리고 압축을 위해 제1 및 제2 이진 벡터들에 실행 길이 부호화를 적용하여 출력을 생성함으로써 환경 서술 및 후보 움직임 사이의 교차를 평가하고, 각 후보 움직임은 자율 주체에 의해 실행되는 하나 또는 그보다 많은 기동들과 연관되는 프로세서를 포함한다. 의사 결정 시스템은 작업 및 움직임 계획 시스템으로부터의 출력에 기반하여 활동의 코스를 선택한다.
본 발명에 따르면, 환경 서술들 및 후보 움직임들은 지역들로 분할되어 압축되거나 정수 벡터들로 압축된다. 따라서, 연산들의 수가 감소된 자율 주체 및 방법이 제공된다.
도 1은 인지 시스템 및 계획 시스템 사이의 직렬연결을 갖는 자율 주체를 보여준다.
도 2는 3차원 공간에서 육면체 셀들에 의해 구형의 형태를 갖는 상태 공간의 근사를 보여준다.
도 3은 본 기술적 사상의 일 실시 예에 따라, 100개의 셀들을 갖는 의미론적으로 표지된 상태 공간의 예를 보여준다.
도 4a는 후보 움직임들의 더미를 의미론적으로 분할된 상태 공간과 교차하기 위한 베이스라인(baseline) 시도를 나타내는 블록도를 보여준다.
도 4b는 상태 공간의 의미론적으로 표지된 영역들이 압축된 포맷에 사상되고 그리고 실시간으로 교차 평가를 받는 본 기술적 사상에 따른 절차를 보여주는 블록도를 보여준다.
도 5는 본 기술적 사상의 일 실시 예에 따른 상태 공간 압축 프로세서(100)를 보여준다.
도 6은 일 실시 예에 따라 상태 공간을 분할함으로써 압축 맵이 어떻게 생성되는지를 보여준다.
도 7은 일 실시 예에 따라 도 6의 압축 맵이 후보 움직임에 어떻게 적용되어 압축된 후보 움직임을 생성하는지를 보여준다.
도 8은 일 실시 예에 따라 교차 평가가 압축된 후보 움직임들 및 압축된 서술 사이에서 어떻게 수행되는지를 보여준다.
도 9는 일 실시 예에 따라 상태 공간이 선택적으로 셀들을 병합함에 의해 어떻게 분할될 수 있는지의 예이다.
도 10은 일 실시 예에 따라 2차원 힐버트 곡선이 이진 벡터를 생성하는 데에 어떻게 사용될 수 있는지를 보여준다.
도 11은 일 실시 예에 따라 상태 공간의 힐버트 곡선 기반 색인 부여가 실행 길이 부호화 타입 압축과 어떻게 조합될 수 있는지를 요약하는 순서도이다.
도 12는 힐버트 곡선의 3차원 변형을 보여준다.
도 2는 3차원 공간에서 육면체 셀들에 의해 구형의 형태를 갖는 상태 공간의 근사를 보여준다.
도 3은 본 기술적 사상의 일 실시 예에 따라, 100개의 셀들을 갖는 의미론적으로 표지된 상태 공간의 예를 보여준다.
도 4a는 후보 움직임들의 더미를 의미론적으로 분할된 상태 공간과 교차하기 위한 베이스라인(baseline) 시도를 나타내는 블록도를 보여준다.
도 4b는 상태 공간의 의미론적으로 표지된 영역들이 압축된 포맷에 사상되고 그리고 실시간으로 교차 평가를 받는 본 기술적 사상에 따른 절차를 보여주는 블록도를 보여준다.
도 5는 본 기술적 사상의 일 실시 예에 따른 상태 공간 압축 프로세서(100)를 보여준다.
도 6은 일 실시 예에 따라 상태 공간을 분할함으로써 압축 맵이 어떻게 생성되는지를 보여준다.
도 7은 일 실시 예에 따라 도 6의 압축 맵이 후보 움직임에 어떻게 적용되어 압축된 후보 움직임을 생성하는지를 보여준다.
도 8은 일 실시 예에 따라 교차 평가가 압축된 후보 움직임들 및 압축된 서술 사이에서 어떻게 수행되는지를 보여준다.
도 9는 일 실시 예에 따라 상태 공간이 선택적으로 셀들을 병합함에 의해 어떻게 분할될 수 있는지의 예이다.
도 10은 일 실시 예에 따라 2차원 힐버트 곡선이 이진 벡터를 생성하는 데에 어떻게 사용될 수 있는지를 보여준다.
도 11은 일 실시 예에 따라 상태 공간의 힐버트 곡선 기반 색인 부여가 실행 길이 부호화 타입 압축과 어떻게 조합될 수 있는지를 요약하는 순서도이다.
도 12는 힐버트 곡선의 3차원 변형을 보여준다.
자율 주행/이동 맥락에서 움직임들의 수집의 편리함, 적법성, 그리고 안전성을 효과적으로 평가하기 위한 방법이 제공된다. 방법은 일반적으로 유한한 수의 셀들로 만들어지는 상태 공간을 정의하고, 셀들의 색인들을 만들고, 그리고 획득된 가능한 움직임들이 환경 서술과 교차하는지 또는 교차하지 않는지를 판단하는 것을 수반한다. 환경적 서술들은 보행자들, 인도, 차선 표시들 등과 같은 환경 내의 다양한 항목들을 포함한다. 전통적인 움직임 계획 알고리즘들의 연산 병목은 환경에서 연관된 영역들에 대한 후보 움직임들의 실시간 충돌 검사이다. 여기에 제공된 작업 및 움직임 계획 방법의 실시 예들은 복잡한 작업들을 실행하기 위해 움직임을 계획할 수 있는 의사 결정 프로세스들의 원칙적인 구조를 제공한다. 일 실시 예에서, 여기에 기재된 기술은 응용-특화 집적 회로(ASIC)(Application-Specific Integrated Circuit)로 구현될 수 있다.
대부분의 시스템들은 자율 주체가 실행할 수 있는 작업들의 타입들과 연관된 유한한 수의 서술들로부터 그들의 언어들을 구성한다. 언어의 각 서술은 자율 주체의 환경의 잠재적 상태들의 각각에 대한 일부 논리적 값(참 또는 거짓)을 가질 것이다. 따라서, 각 서술은 상태 공간의 부분 집합과 연관되고, 그리고 서술들의 더미는 상태 공간의 분할 또는 나눔을 유도하고, 파티션의 각 요소에서, 각 서술의 논리 값은 상수이다. 따라서, 유한한 수의 특성들이 선택되어 환경의 충분한 요약을 나타내어 각 서술의 논리 값을 평가한다. 파라미터들에 의해 포괄된 유한한 차원 벡터 공간은 "상태 공간"이라 불린다. 자율 주체가 자율 차량일 때, 시스템의 상태들은 차량 위치, 방향, 그리고 종적 속도(longitudinal velocity)와 같은 특성들을 포함할 수 있다. 여기에서 사용되는 바와 같이, "주행" 또는 "운전"은 주체의 GPS 좌표들을 변경하는 방식으로 다니는 또는 이동하는 것을 가리킨다.
일반적으로, 여기에 기재된 방법은 작업 계획 명세(specification)의 기재의 도메인 내의 논리적 서술과 연관된 자율 주체의 작업 공간 내의 지역 또는 용적(volume)을 수신하는 것을 수반한다. 지역 또는 용적은 유한한 수의 작은 지역들 또는 용적들로 래스터 화(rasterized) 되고, 이들의 각각은 서술이 정수들의 세트로 부호화되도록 정수 값에 할당된다. 각 미리 계산된 움직임에 의해 훑어진 지역 또는 용적 또한 정수들의 세트로 부호화된다. 논리적 서술과 각 움직임의 교차는 정수들의 세트들의 교차를 평가하는 것에 의해 판단된다. 여기에 기재된 기술은 또한 정수 데이터에 적용 가능한 압축 방법 또한 포함하며, 이는 압축된 형태에 대해 교차가 직접 평가되게 한다.
여기에 기재된 방법은 압축 맵 방법 및 실행 길이 부호화 기반 방법을 포함한다. 두 실시 예들 모두에서, 정수들의 두 개의 부분 집합들이 존재한다. 첫 번째는 특정한 서술(예를 들어, 보행자, 흰 파선)로 표지된 계획 환경의 하이퍼-큐비클(hyper-cubicle)의 영역들을 나타내는 정수들의 부분 집합이고, 두 번째는 움직임 기초 요소들(motion primitives)의 더미(collection)의 각각에 의해 환경에서 훑어진 용적(volume)에 대응하는 정수들의 부분 집합이다. 원래의 색인 세트가 환경 서술 및 각 움직임 사이에서 "교차하는" 또는 "교차하지 않는" 동일한 논리 값을 연산하는 더 작은 세트에 사상된다.
도 1은 인지 시스템(10) 및 계획 시스템(20) 사이의 직렬연결을 갖는 자율 주체(1)를 보여준다. 어떤 움직임을 실행할지 추론할 때, 각 서술 및 움직임의 논리 값은 평가를 위해 해석된다. 인지 시스템(10)은 센서(12)(예를 들어, 카메라 및 LIDAR 측정들)에 의해 실시간으로 수집된 데이터를 이용하여 상태 공간으로부터 특성들을 추출한다. 인지 시스템(10)은 센서 데이터를 액세스 가능한 메모리 또는 스토리지에 저장된 이전 정보(예를 들어, 지도 데이터)와 조합할 수 있다. 이렇게 해서, 인지 시스템(10)은 정의된 상태 공간을 분할할 수 있다.
작업 및 움직임 계획 시스템(20)은 후보 움직임들의 라이브러리를 사용하며, 후보 움직임들의 각각은 자율 주체에 의해 취해질 수 있는 서로 다른 가능한 활동들과 연관된다. 후보 움직임들의 라이브러리는 메모리(24)에 저장될 수 있다. 움직임은 단순하거나(강하게 제동) 또는 복잡한 기동들의 조합일 수 있다. 각 후보 움직임은 공간의 부분 집합으로서 상태 공간에 사상 될 수 있는 궤적을 갖는다. 작업 및 움직임 계획 시스템(20)은 각 후보 움직임에 의해 훑어진 상태 공간의 부분 집합을 프로세서(22)를 통해 의미론적으로(semantically) 표지된 서술 영역들의 각각과 교차하여, 후보 움직임을 서술 값들로 궁극적으로 표지한다. 의사 결정 시스템은 작업 및 움직임 계획 시스템(20)의 결과들을 이용하여 움직임을 선택한다.
도 1은 용이한 시각화를 위해 분할된 상태 공간을 2차원들로 보여준다. 그러나 이는 본 기재의 한정이 아니며, 상태 공간은 명세 언어(specification language)에서 서술의 논리적 값을 평가할 정도로 충분히 큰 임의의 수의 차원들을 가질 수 있다. 작업 및 움직임 계획 시스템(20)은 움직임을 위한 기계 장치(예를 들어, 기계적 다리들, 바퀴들, 날개들, 회전자, 엔진 등)에 직접 부착되거나, 또는 이동을 행하는 부분들로부터 원격일 수 있다.
도 2는 3차원 공간에서 육면체 셀들에 의해 구형의 형태를 갖는 상태 공간의 근사를 보여준다. 상태 공간의 부분 집합이 그 특정한 부분 집합을 교차하는 셀들에 의해 근사화되도록, 연속적인 상태 공간은 하이퍼-큐비클 셀들의 격자에 의해 근사화된다. 상태 공간의 큐비클 영역들의 색인들을 생성함으로써, 각 후보 움직임 및 서술은 그 객체에 의해 교차되는 하이퍼-큐비클 셀들과 연관된 색인들의 더미(collection)로 표현될 수 있다. 후보 움직임들의 라이브러리는 오프라인으로 미리 연산되고 그리고 실시간 계획을 위해 활용될 수 있다. 실시간으로 계획할 때, 상태 공간의 파티션은 빈번히 갱신되어 인지 시스템(10)에 의해 행해진 새로운 측정들을 반영한다. 따라서, 환경적 서술들 및 후보 움직임들 사이의 교차들의 계산은 실시간 이용을 위해 충분히 낮은 레이턴시로 발생할 수 있다. 가장 나쁜 케이스에서, 후보 움직임들을 서술들의 갱신된 논리 값들로 재표지하기 위한 동작들(ops)의 수는 다음의 수학식 1에 의해 주어진다.
여기에서, p는 언어 내의 서술들의 수이고, m은 라이브러리 내의 후보 움직임들의 수이고, n은 상태 공간을 근사화하는 셀들의 수이다. m 개의 움직임 후보들의 각각은 p 개의 서술들의 각각과 교차하며, p*m 개의 메타 연산들(meta-operations)을 필요로 한다. 서술 및 움직임 사이의 단일 쌍별 비교(pair-wise comparison)를 위한 가장 나쁜 케이스에서, 움직임은 상태 공간의 색인들의 절반을 점유하며, 서술은 나머지 절반을 점유한다. 이 케이스에서, 움직임의 색인은 총 n/2의 연산들 동안 검토되고, 서술의 색인은 총 n/2의 연산들 동안 검토된다. 일 실시 예에서, 후보 동작의 색인 i는 특정한 서술에서 존재하는지 검사된다. 특정한 서술에 대한 개별 후보 움직임들을 검사하는 프로세스는 연산적으로 방대하고 그리고 종종 하드웨어(ASCI들)의 많은 양을 사용한다.
일반적으로, 작업 및 움직임 계획에서, 주체의 환경은 명목상의 레인(nominal lane), 보행자 등과 같은 특징들을 갖는 의미론적으로 표지된(semantically-labeled) 상태 공간들로 표현된다. 움직임들은 색인 목록들을 이용하여 유사한 방법으로 저장된다. 교차는 교차 색인 세트들에 의해 평가된다. 이러한 색인 기반 교차 방법을 활용하기 위해, 움직임들의 기초 요소들의 세트가 평가될 수 있다. 세트가 커짐에 따라, 분명히 레벨 4 또는 5의 자율 주행 소프트웨어 스택에서 10^6 또는 그보다 많음에 따라, 압축이 활용될 수 있다. 이 움직임들의 세트에서 달성될 수 있는 압축의 레벨은 계획 사이클에서 필요한 연산들의 수의 감소에 직접 대응한다. 이는 이 작업에 지정된 ASIC에서 필요한 트랜지스터들의 수를 줄이는 데에 영향을 줄 수 있다.
본 기술적 사상은 온라인 연산들의 수를 줄일 수 있는 후보 움직임들 및 분할된 영역들을 위한 압축된 표현을 활용하며, 따라서 방대한 연산과 연관된 부담을 줄인다. 아래에서 기술되는 바와 같이, 인지 데이터의 추가적인 온라인 압축뿐 아니라, 추가적인 오프라인 프로세싱 스테이지는 압축된 표현을 판단하는 데에 유용할 수 있다.
도 3은 본 기술적 사상의 일 실시 예에 따라, 100개의 셀들을 갖는 의미론적으로 표지된(semantically labeled) 상태 공간의 예를 보여준다. 하나의 후보 움직임(각 사각형의 우 상단 모서리로부터 좌 하단 모서리로 신장하는 대각선들로 표시된)이 상태 공간에 사상된다. 서술, 또는 의미론적으로 지명된 영역(각 사각형에서 좌 상단 모서리로부터 우 하단 모서리로 신장하는 대각선들로 표시된) 또한 상태 공간에 사상된다. 사상은 후보 움직임 및 서술 모두에 의해 교차로 점유된 셀들을 식별하며, 이 케이스에서 교차는 (6,6), (7,6), 그리고 (8,6) 이다. 교차는 도 3에서 격자 패턴으로 표시되어 보여진다. 특정한 움직임을 위한 교차 평가의 결과는 "교차"일 수 있다.
도 4a는 후보 움직임들의 더미를 의미론적으로 분할된 상태 공간과 교차하기 위한 베이스라인(baseline) 시도를 나타내는 블록도를 보여준다. 파선 박스에 의해 포함된 연산들은 온라인으로 수행된다. 따라서, 후보 움직임들의 각각은 의미론적으로 표지된 상태 공간과 모두 실시간으로 비교되어, 의미론적으로 표지된 움직임들을 생성한다. 의미론적으로 표지된 움직임은 해당 움직임을 각 논리적 서술과 교차 평가한 결과에 따라 각 논리적 서술에 대한 진리 값(truth value)으로 할당된다.
도 4b는 상태 공간의 의미론적으로 표지된 영역들이 압축된 포맷에 사상되고 그리고 실시간으로 교차 평가를 받는 본 기술적 사상에 따른 절차를 보여주는 블록도를 보여준다. 의미론적으로 표지된 상태 공간의 압축은 교차들을 평가하는 데에 사용되는 연산들의 수를 줄일 수 있다. 의미론적으로 표지된 상태 공간은 환경 서술 데이터를 포함할 수 있다. 이 케이스에서, 서술 데이터의 온라인 압축은 움직임 데이터 및 분할된 영역들 사이의 교차를 평가하는 복잡도를 줄일 수 있는 작은 추가적인 연산을 포함할 수 있다. 후보 움직임 데이터의 라이브러리는 오프라인으로 압축되고 그리고 작업 및 움직임 계획 시스템(20)에 의해 액세스될 수 있는 어딘가(예를 들어, 도 1에 도시된 메모리(24))에 저장될 것이다. 압축 프로세스는 움직임 데이터의 본질적인 특성들을 추출하는 것을 수반하며, 따라서 움직임 데이터가 더 간결하게 저장되는 것을 가능하게 한다. 저장된 움직임 데이터는 실시간 교차 평가에 사용되어 의미론적으로 표지된 움직임들을 생성한다. 압축들의 전체 효과는 필요한 온라인 연산들의 전체 수의 감소일 것이다.
여기에서 사용되는 바와 같이, 압축된 포맷과 비교하여 원래 포맷에서 사용되는 공간의 비율은 "압축 인자(compression factor)"로 불릴 것이다. 압축이 큰 차이를 생성하는 케이스에서, 압축 인자(f)는 {n/(m+1),1}보다 클 것이며, 여기에서 n은 하이퍼-큐비클 셀들의 수이고, m은 후보 움직임들의 수이다. 압축이 없는 케이스에서, 압축 인자는 1일 것이다. 이는 특정한 응용에서 어떤 이득을 제공하는 시도를 위해 n이 m보다 훨씬 커야 함을 시사한다. 또 다른 논평은, 고정된 수의 서술들(p) 및 후보 움직임들(m)에 대해, 압축 인자는 셀들의 수(n)에 비율적으로 비례한다는 것이다. 즉, 'f∈θ(n)'이다. 따라서, 압축 인자가 해상도에 비례하여 증가할 것이므로, 상태 공간의 분할의 해상도는 임의로 높게 만들어질 수 있다.
움직임들 및 상태 공간의 분할된 영역들 사이의 교차 연산은 압축된 포맷에러 수행되어 f의 인자에 의해 연산들의 수를 줄일 수 있다. 그러나 이는 분할된 상태 공간을 온라인으로 압축하는 것을 수반하며, 서술 당 n 연산들을 필요로 한다. 수정된 교차 절차로, 온라인 연산들의 수는 수학식 2가 된다.
이 시도의 장점은 n을 무한대로 향하면서 고정된 수의 서술들(p) 및 움직임들(m)을 고려하면 스스로 밝혀진다. 'f∈θ(n)'이므로, 모든 'n>N'에 대해 'f(n)>c·n'인 상수 c 및 충분히 큰 N이 존재한다. 따라서, 'n>N'에 대해, 연산들의 수는 수학식 3에 의해 제한된다.
수학식 1에서와 같이 수학식 3이 n을 선형으로 조정하며, 수학식 3의 ops의 값이 수학식 1의 것보다 실질적으로 작아지도록 자율 주행의 맥락에서 p, m 및 n은 각각 큰 수들일 것이다. 위에 기술된 시도는 그것의 유효성이 특정한 응용 및 고려 중인 파라미터들에 의존하므로, 모든 응용들에서 동작하거나 동작하지 않을 수 있다.
도 5는 본 기술적 사상의 일 실시 예에 따른 상태 공간 압축 프로세서(100)를 보여준다. 프로세스(100)는 상태 공간을 정의하고(110) 그리고 유한한 수의 색인된 하이퍼 큐비클 셀들에 의해 상태 공간을 근사화(112)하는 것으로 시작한다. 예를 들어, (x, y, t)와 같은 좌표에 의해 임의의 적절한 색인 생성 시스템이 사용될 수 있다. 후보 움직임들은 수집되고 그리고 색인들이 부여되고(114), 각 후보 움직임은 Mi로 표시되고, 이는 제i 움직임을 나타내는 색인들의 세트이다. 각 후보 움직임은 상태 공간에서, 예를 들어 좌표(x, y, t)에 의해, 색인들이 부여된다. 후보 움직임들은 상태 공간에 사상되고, 그리고 특정한 셀들이 병합되어야 하는지를 판단하기 위해 도 9에 도시된 절차에 따라 영역들로 분할된다(116). 동일한 서술/움직임의 세트(하나의 "세트"는 영, 하나, 또는 다수의 서술/움직임들을 포함할 수 있음)에 의해 채워진 두 개의 셀들은 하나의 영역으로 병합될 수 있다. 116 단계의 분할은 압축 맵(C)을 유발하고, 이는 후보 움직임들(118)에 적용된다. 압축이 있는 경우, 압축 맵(C)의 적용은 셀들의 수보다 적은 영역들을 유발하고, 연산들을 아래로 단순화한다.
인지 시스템(10)은 지속적으로 갱신된 환경 서술 데이터를 수집한다(130). 실시간으로, 환경 서술들은 112 단계의 색인 생성 시스템들 이용하여 색인들이 부여된다(132). 환경 서술은 상태 공간에 사상되고, 116 단계에서 생성된 압축 맵이 환경 서술에 적용되며(136), 이제 이는 셀들의 수보다 적은 수의 영역들로 표현된다. 압축된 후보 움직임 및 압축된 환경 서술을 이용하여, 교차 평가가 행해진다(140).
인지 시스템(10)(도 1에 도시된)은 명세 언어 내의 서술에 따라 상태 공간의 의미론적 표지를 갱신한다. 갱신된 정보는 압축 맵(C)을 이용하여 압축된 상태 공간에 사상된다. 특정한 서술 및 후보 움직임을 기술하는 영역의 색인들 사이의 교차를 검색할 때 더 적은 수의 상태들이 존재하므로, 표지된 영역들은 더 적은 수의 연산들로 후보 움직임들과 교차될 수 있다.
도 6, 도 7 및 도 8은 압축 맵의 생성을 보여주는 도 5 및 도 6의 프로세스(100)를 보여주며, 2차원 좌표들(x, y)에서 색인들이 부여된 100-셀 상태 공간에 사상되는 두 후보 움직임들(움직임(M1) 및 움직임(M2))을 보여준다. 두 움직임들(M1, M2)의 사상에 기반하여, 상태 공간은 네 개의 일반 영역들로 분할된다. 제0 영역은 제2 움직임(M2)만이 사상된다. 제1 영역은 제1 움직임(M1) 및 제2 움직임(M2) 모두가 사상되지 않는다. 제2 영역은 제1 움직임(M1)만이 사상된다. 제3 영역은 제1 움직임(M1) 및 제2 움직임(M2) 모두에 의해 점유된다. 제0 영역은 우 상단으로부터 좌 하단 모퉁이로 신장하는 대각선들에 의해 표시된다. 제2 영역은 좌 상단으로부터 우 하단 모퉁이로 향하는 대각선들로 표시된다. 제3 영역은 교차 해칭(cross hatching)으로 표시된다. 제1 영역은 빈 사각형들로 보여진다. 100 셀들을 네 개의 영역들에 사상하는 데에 유용한 압축 맵이 생성된다.
출력은 근사화된 상태 공간 내의 색인으로부터 근사화된 상태 공간의 압축된 버전 내의 색인으로의 사상을 정의하는 효과적인 정수들(C)의 어레이이다. 각 움직임에 대해, 부분 집합은 해당 움직임 내에 포함되거나 또는 해당 움직임으로부터 떨어진다. 제j 요소(Cj)는 상태 공간에 대한 원래 상태 근사화 내의 제j 색인과 연관된 압축된 상태 공간 내의 색인을 포함한다. 이 압축 절차는 도 9에서 드러난다. 도 9에 도시된 바와 같이, 환경 색인들의 부분 집합(명목상 비단일 개체)은 (i) 움직임의 색인들의 부분 집합 또는 (ii) 움직임의 색인들로부터 떨어지며, 부분 집합은 압축된 색인 세트 내의 단일 색인에 사상될 수 있다.
도 7은 도 4에서 생성된 압축 맵이 어떻게 제2 움직임(M2)에 적용되는지를 보여준다. 제2 움직임(M2)에 의해 점유된 영역은 좌측에서 보여지는 바와 같이 원래 (x, y) 좌표들에서 색인이 부여된다. 압축 맵이 네 영역들 내의 100 셀들을 표현하는 데에 적용되면, 압축된 움직임(M2)은 우측에서 보여지는 바와 같이 제0 영역 및 제3 영역을 점유한다. 이 예에서, 100 상태들에 의해 근사화된 상태 공간은 4 상태들을 갖는 상태 공간으로 압축되며, 25의 압축 인자를 갖는다. 움직임들(M1, M2)의 특정한 레이아웃으로, 압축된 상태 공산은 근사화 내의 셀들의 최초 개수에 관계없이 4 상태들을 가질 것이다.
도 8은 움직임(M1) 및 서술(P) 사이의 교차가 어떻게 평가되는지를 보여준다. 도 4b에 도시된 바와 같이, 움직임들(M1, M2)은 압축된 표현으로 오프라인으로 변환되고 테이블에 저장될 수 있다. 통상적으로 환경 항목(예를 들어, 보행자, 인도 등)인 서술(P)은 굵은 외곽선으로 도시된 셀들을 점유한다. 100 셀들은 도 4의 압축 맵을 이용하여 4 영역들로 압축되고, 동일한 압축 맵이 서술(P)에 적용될 수 있다. 결과는 서술 및 움직임들이 두 색인들에 각각 사상되는 것이다. 더 구체적으로 압축 맵을 적용하면, 서술(P)은 제1 영역 및 제2 영역을 점유한다. 움직임(M1)은 제2 영역 및 교차 해칭된 제3 영역을 점유한다. 서술(P) 및 움직임(M1) 모두가 제2 영역을 접촉하므로, 교차가 존재한다. 반면, 움직임(M2)은 제0 영역 및 교차 해칭된 제3 영역을 접촉하며, 따라서 서술(P)과 교차하지 않는다.
압축 상태 공간의 상태들의 수는 최소 (n, 2^m)(n은 근사화 내의 상태들의 수이고, m은 후보 움직임들의 수)보다 많지 않은 상태들/영역들을 가질 것이며, 'n>>2^m'이면 압축 인자(f)가 고정된 m에 대해 n을 선형으로 조정하게 한다.
위에서 도시된 예시적인 실시 예들은 원본 셀 색인 생성 방법으로 좌표들(x, y)을 사용하고, 이들을 압축 맵(C)을 이용하여 정소들로 변환한다. 대안적인 색인 생성 방법은 위에서 기술된 압축 맵(C) 및 분할을 이용하는 대신, 실행 길이 부호화(RLE)(Run Length Encoding)를 활용하여 의미론적으로 표지된 영역의 점유된 공간을 나타낸다. 앞선 압축 스킴에서와 같이, 세트 교차를 판단하는 핵심 연산은 압축된 데이터 포맷에 대해 직접 연산될 수 있으며, 메모리 별로 그리고 연산적으로 효과적이다. 대안적인 방법에서, 실행 길이 인코딩은 환경 내에서 교차되는 움직임들의 표현을 압축하는 데에 사용된다.
일 실시 예에서, 힐버트 곡선들이 색인 부여를 위해 사용될 수 있다. 도 10은 2차원 힐버트 곡선이 1 값을 갖는 점유된 셀들(어두운 사각형들로 도시된) 및 0 값을 갖는 점유되지 않은 셀들을 가리키는 이진 벡터를 생성하는 데에 어떻게 사용될 수 있는지를 보여준다. 두 벡터들에 있지만, 연관된 이진 벡터들의 일부 색인에서, 세트들 모두가 색인에서 1의 값으로 할당되면(이진 벡터들의 논리적 곱(AND)이 1), 두 벡터들은 비어 있지 않은 교차를 갖는다. 이 교차는 도 11에 도시된 바와 같이 이진 벡터들의 각 색인을 철저하게 검사함으로써 발견될 수 있다.
도 11은 또한 이진 벡터들을 비교하는 것의 대안으로서, 교차가 RLE-유사 포맷을 이용하여 평가될 수 있음을 보여준다. M 및 R이 RLE-유사 포맷에서 n차원 영역의 부분 집합들임을 가정하면, 모든 i 및 j에 대해 다음의 수학식 4의 조건이 만족될 때에 이들의 교차는 비어있다.
여기에서, i 및 j의 범위는 대응하는 정수 벡터들의 길이의 절반에 걸친다. 일부 케이스들에서, RLE-유사 포맷은 더 적은 메모리를 사용하고, 수학식 8은 두 이진 벡터들 사이의 논리적 곱(AND) 연산보다 더 적은 연산들로 평가될 수 있다.
일련의 심볼들(이 예에서, 심볼들은 0들 및 1들임)에서 복수의 순차적으로 반복되는 값들이 있을 때, 데이터는 심볼이 반복되는 횟수가 이어지는 심볼의 타입을 나타내는 일련의 쌍들로 표현될 수 있다. 이진 벡터는 다음의 세 단계들에서 정수들의 벡터로 압축된다.
제1 단계로, 정수 벡터의 첫 번째 색인에서 정수는 이진 벡터 내의 첫 번째 1의 색인이다.
제2 단계로, 정수 벡터 내의 첫 번째 정수의 예외를 갖고, 각 정수는 이진 벡터의 색인의 값이 0들 및 1들의 스트링에서 좌측으로부터 우측으로 읽음에 따라 선행 색인과 다른 경우의 해당 색인을 나타낸다.
제3 단계로, 이진 벡터의 마지막 엔트리의 값이 1이면, 정수 벡터의 마지막 엔트리는 이진 벡터의 사이즈이다.
위의 3단계 방법을 이용하여 이진 벡터의 정수 벡터로의 RLE 기반 압축의 예는 수학식 5의 수학식 6으로의 변환이다.
이진 벡터에서 첫 번째 1이 색인 0(0번째 위치)에서 나타나므로, 정수 벡터에서 첫 번째 값은 0이다. 여덟 개의 1들(벡터에서 색인 0 내지 7)이 있고, 선행 색인과 다른 첫 번째 값은 색인 8에서 0 값이 나타날 때이다. 따라서, 제2 단계에 따라, 정수 벡터의 두 번째 값은 8이다. 일련의 0들 후에, 색인 15에서 값은 1로 변경되고, 이후에 색인 17에서 0으로 돌아간다. 따라서, 제2 단계에 이어, "15" 및 "17"이 정수 벡터에서 다음 값들로 나타난다. 이진 벡터의 마지막 엔트리는 0이므로, 제3 단계로 기록될 값은 없다.
반대로, 위의 3-단계 방법은 정수 벡터를 이진 벡터로 압축 해제하는 데에 사용될 수 있다. 수학식 7의 수학식 8로의 압축 해제의 예이다.
제1 단계를 수학식 6에 적용하는 것은 이진 벡터에서 "1" 값이 나타나는 첫 번째 위치는 색인 위치 3(첫 색인은 0)임을 가리킨다. 이후에, 제2 단계를 적용하는 것은 위치 14가 1로부터 0으로의 색인 값의 변화가 있는 때임을 가리키고, 색인 19에서 0으로부터 1로의 또 다른 변화가 있음을 가리킨다. 이후에, 제3 단계를 적용하면, 마지막 값은 이진 벡터에 21 값들이 있음을 보여준다.
두 세트들이 비어 있지 않은 교차를 갖는지를 평가하는 대신 또는 그것에 더하여, 평가는 하나의 세트가 다른 세트에 포함되는지에 대해 행해질 수 있다. 이러한 부분 집합 평가는 몇몇 다른 세트 연산들이 효과적으로 평가되게 한다. 예를 들어, L이 명목상 레인 영역을 나타내는 것을 가정한다. 필요한 레인에 차량이 남아있는지 검증하기 위해, 움직임 M이 L의 부분 집합인지 검사되어야 한다. 이러한 판단은 L의 보수 또는 LC에 대한 세트 교차 문제, 다시 말하면 움직임(M) 및 L의 보수(필요한 레인의 바깥 영역) 사이에 교차가 없음을 검증하는 것으로 변환될 수 있다. 이러한 판단을 하는 것은 LC로부터 L의 압축된 포맷을 생성하는 것을 포함한다. 이는 다음의 방법을 중 하나에 의해 달성될 수 있다.
1. 현재 첫 번째 요소가 0이 아니면, 정수 벡터의 첫 번째 요소에 0을 추가하고, 마지막 요소를 제거한다.
2. 첫 번째 요소가 0이면, 정수 벡터의 첫 번째 요소로부터 0을 제거하고, 이진 벡터의 길이와 동일한 정수를 벡터의 끝에 추가한다.
예를 들어, 정수 벡터 [0, 8, 15, 17]는 이진 벡터 [1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0]에 대응한다. 정수 벡터의 보수는 첫 번째 요소가 0이므로 위의 두 케이스들 중 두 번째에 의해 판단될 수 있다. 두 번째 방법을 적용하면, 보수는 [8, 15, 17, 21]이 된다. 보수 연산은 효과적이며, 환경 데이터에 적용될 수 있다.
도 10의 예는 2차원 힐버트 곡선을 보여주지만, 이는 여기에 기재된 사상의 제한이 아니다. 도 12는 힐버트 곡선의 3차원 변형을 보여주며, 유사한 곡선이 임의의 유한 차원 공간들을 위해 도출될 수 있다.
실시 예들이 방법 또는 기술의 관점에서 설명되었지만, 본 기재는 또한 방법의 실시 예들을 수행하기 한 컴퓨터로 독출 가능한 명령들이 저장된 비임시의 컴퓨터로 독출 가능한 매체를 포함하는 제조의 물품을 포괄할 수 있다. 컴퓨터로 독출 가능한 매체는, 예를 들어, 반도체, 자기, 광-자기, 광학, 또는 컴퓨터로 독출 가능한 코드를 저장하기 위한 컴퓨터로 독출 가능한 매체의 다른 형태들을 포함할 수 있다. 또한, 본 기재는 여기에 기재된 본 기술적 사상의 실시 예들을 실시하기 위한 장치들을 포괄할 수 있다. 이러한 장치는 실시 예들에 관한 연산들을 수행하는 전용의 그리고/또는 프로그램 가능한 회로들을 포함할 수 있다.
이러한 장치의 예들은 범용 컴퓨터 그리고/또는 적절히 프로그램된 때의 전용의 컴퓨팅 장치를 포함하며, 실시 예들에 관한 다양한 연산들을 수행하도록 구성된 컴퓨터/컴퓨팅 장치 및 전용의/프로그램 가능한 하드웨어 회로들(전기적, 기계적, 그리고/또는 광학적 회로들과 같은)을 포함할 수 있다.
본 기술적 사상이 모범적인 실시 예들을 참조하여 설명되었지만, 다양한 변경들 및 수정들이 본 기술적 사상의 정신 및 범위로부터 멀어지지 않으면서 행하질 수 있음이 이 분야에 숙련된 자들에게 명백할 것이다.
1: 자율 주체
10: 인지 시스템
12: 센서들
20: 계획 시스템
22: 프로세서
24: 메모리
10: 인지 시스템
12: 센서들
20: 계획 시스템
22: 프로세서
24: 메모리
Claims (20)
- 움직임 계획의 컴퓨터-구현 방법에 있어서:
연속적인 상태 공간에서 서술을 나타내는 색인들의 제1 세트를 생성하는 단계;
후보 움직임들의 라이브러리를 액세스하는 단계;
후보 움직임들의 각각은 연속적인 상태 공간에서 궤적을 나타내는 색인들의 제2 세트를 갖고,
상기 색인들의 상기 제1 세트 및 상기 색인들의 상기 제2 세트를 압축하여 압축된 색인들의 제1 세트 및 압축된 색인들의 제2 세트를 생성하는 단계; 그리고
상기 압축된 색인들의 상기 제1 세트 및 상기 압축된 색인들의 상기 제2 세트 사이의 교차가 있는지 판단하는 단계를 포함하는 방법. - 제1항에 있어서,
상기 압축된 색인들의 상기 제2 세트는 오프라인으로 생성되어 저장되고, 상기 압축된 색인들의 상기 제1 세트는 센서들의 입력에 기반하여 연속적으로 생성되는 방법. - 제1항에 있어서,
상기 색인들의 상기 제2 세트의 압축은 상기 상태 공간의 셀들을 영역들로 분할하는 것을 포함하고,
상기 영역들의 각 영역은 동일한 후보 움직임들의 세트에 의해 점유되는 방법. - 제3항에 있어서,
상기 상태 공간을 상기 영역들로 정의하는 압축 맵을 생성하는 단계를 더 포함하고, 상기 영역들의 수는 상기 셀들의 수보다 적은 방법. - 제4항에 있어서,
상기 압축된 색인들의 상기 제1 세트를 생성하는 것은 상기 색인들의 상기 제1 세트를 상기 색인들의 상기 제1 세트에 의해 점유된 영역들의 관점에서 나타내는 것을 포함하는 방법. - 제1항에 있어서,
상기 상태 공간의 동일한 셀이 상기 색인들의 상기 제1 세트 및 상기 제2 세트 모두에 의해 점유되면, 상기 색인들의 상기 제1 세트 및 상기 색인들의 상기 제2 세트 사이에 교차가 있음을 판단하는 단계를 더 포함하는 방법. - 제1항에 있어서,
상기 색인들의 상기 제1 세트는 상기 상태 공간에서 힐버트 곡선을 이용하여 생성되고, 상기 색인들의 상기 제1 세트는 제1 이진 벡터인 방법. - 제7항에 있어서,
상기 색인들의 상기 제2 세트는 제2 이진 벡터이고, 상기 교차가 있는지 판단하는 단계는 상기 제1 이진 벡터 및 상기 제2 이진 벡터의 동일한 위치에서 동일한 값이 나타나는지를 평가하는 것에 의존하는 방법. - 제8항에 있어서,
상기 교차가 있는지 판단하는 단계는 상기 색인들의 상기 제1 및 제2 세트들 중 하나가 상기 색인들의 상기 제1 및 제2 세트들 중 다른 하나에 포함되는지 평가하는 것을 포함하는 방법. - 제8항에 있어서,
상기 압축하는 것은 상기 제1 이진 벡터 및 상기 제2 이진 벡터에 실행 길이 부호화 기술을 적용하는 것을 포함하고,
상기 압축된 색인들의 상기 제1 세트는 제1 정수 벡터이고, 상기 압축된 색인들의 상기 제2 세트는 제2 정수 벡터인 방법. - 제10항에 있어서,
상기 교차가 있는지 판단하는 단계는:
상기 제1 정수 벡터의 보수를 판단하는 단계; 그리고
상기 제2 정수 벡터가 상기 상태 공간에서 상기 제1 정수 벡터의 보수와 동일한 공간을 점유하는지 평가하는 단계를 포함하는 방법. - 자율 주체(autonomous agent)에 있어서:
환경 데이터를 주기적으로 수집하기 위한 센서들 및 맵 데이터를 저장하기 위한 메모리를 포함하는 인지 시스템;
후보 움직임들을 저장하기 위한 메모리 및 프로세서를 포함하는 작업 및 움직임 계획 시스템;
상기 프로세서는 상태 공간을 셀들로 분할하고, 상기 상태 공간을 동일한 후보 움직임들의 세트에 의해 점유된 영역들로 분할함으로써 상기 환경 데이터가 가리키는 환경 서술 및 후보 움직임을 압축하고, 그리고 상기 환경 서술 및 상기 후보 움직임 사이에 교차가 있는지 평가함으로써 상기 환경 서술 및 상기 후보 움직임 사이의 교차를 평가하고,
각 후보 움직임은 상기 자율 주체에 의해 실행 가능한 하나 또는 그보다 많은 기동들(maneuvers)과 연관되고, 그리고
상기 작업 및 움직임 계획 시스템으로부터의 출력에 기반하여 후보 움직임을 선택하는 의사 결정 시스템을 포함하는 자율 주체. - 제12항에 있어서,
상기 후보 움직임의 압축은 오프라인으로 수행되어 저장되는 자율 주체. - 제13항에 있어서,
상기 상태 공간의 각 셀과 상기 영역들 사이의 관계를 가리키는 압축 맵을 저장하는 메모리를 더 포함하는 자율 주체. - 제14항에 있어서,
상기 인지 시스템은 갱신된 환경 데이터를 연속적으로 수집하고, 그리고 상기 작업 및 움직임 계획 시스템은 상기 갱신된 환경 데이터를 이용하여 상기 환경 서술을 갱신하여 상기 환경 서술 및 상기 후보 움직임 사이의 상기 교차를 평가하는 자율 주체. - 자율 주체(autonomous agent)에 있어서:
환경 데이터를 수집하기 위한 센서들 및 맵 데이터를 저장하기 위한 메모리를 포함하는 인지 시스템;
후보 움직임들을 저장하기 위한 메모리 및 프로세서를 포함하는 작업 및 움직임 계획 시스템;
상기 프로세서는 상태 공간을 셀들로 분할하고, 힐버트 곡선(Hilbert curve)을 이용하여 환경 서술 및 후보 움직임에 색인들을 부여하여 상기 환경 서술을 나타내는 제1 이진 벡터 및 상기 후보 움직임을 나타내는 제2 이진 벡터를 생성하고, 그리고 압축을 위해 상기 제1 및 제2 이진 벡터들에 실행 길이 부호화를 적용하여 출력을 생성함으로써 상기 환경 서술 및 상기 후보 움직임 사이의 교차를 평가하고, 각 후보 움직임은 상기 자율 주체에 의해 실행되는 하나 또는 그보다 많은 기동들과 연관되고, 그리고
상기 작업 및 움직임 계획 시스템으로부터의 상기 출력에 기반하여 활동의 코스를 선택하는 의사 결정 시스템을 포함하는 자율 주체. - 제16항에 있어서,
상기 작업 및 움직임 계획 시스템은 상기 제1 이진 벡터를 상기 제2 이진 벡터와 비교함으로써 상기 환경 서술 및 상기 후보 움직임 사이에 상기 교차가 있는지 평가하는 자율 주체. - 제16항에 있어서,
상기 작업 및 움직임 계획 시스템은 실행 길이 부호화를 상기 제1 이진 벡터에 적용하여 제1 정수 벡터를 생성하고, 상기 실행 길이 부호화를 상기 제2 이진 벡터에 적용하여 제2 정수 벡터를 생성하고, 그리고 상기 제1 및 제2 정수 벡터들 중 하나가 상기 제1 및 제2 정수 벡터들 중 다른 하나에 포함되는지 평가하는 자율 주체. - 제16항에 있어서,
상기 작업 및 움직임 계획 시스템은 실행 길이 부호화를 상기 제1 이진 벡터에 적용하여 제1 정수 벡터를 생성하고, 상기 실행 길이 부호화를 상기 제2 이진 벡터에 적용하여 제2 정수 벡터를 생성하고, 그리고 상기 제1 및 제2 정수 벡터들 중 하나가 상기 제1 및 제2 정수 벡터들 중 다른 하나의 보수에 포함되는지 평가하는 자율 주체. - 제16항에 있어서,
상기 작업 및 움직임 계획 시스템은 실행 길이 부호화를 상기 제2 이진 벡터에 적용하여 제2 정수 벡터를 생성하고, 그리고 상기 제2 정수 벡터가 갱신된 환경 서술과의 상호 작용을 위해 평가되기 위해 상기 제2 정수 벡터를 저장하는 자율 주체.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762596625P | 2017-12-08 | 2017-12-08 | |
US62/596,625 | 2017-12-08 | ||
US15/997,609 US11073828B2 (en) | 2017-12-08 | 2018-06-04 | Compression of semantic information for task and motion planning |
US15/997,609 | 2018-06-04 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190070252A KR20190070252A (ko) | 2019-06-20 |
KR102624587B1 true KR102624587B1 (ko) | 2024-01-12 |
Family
ID=66696771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180120770A KR102624587B1 (ko) | 2017-12-08 | 2018-10-10 | 작업 및 움직임 계획을 위한 의미론적 정보의 압축 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11073828B2 (ko) |
KR (1) | KR102624587B1 (ko) |
CN (1) | CN109902141B (ko) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101868374B1 (ko) * | 2016-10-20 | 2018-06-18 | 엘지전자 주식회사 | 이동 로봇의 제어방법 |
US11073828B2 (en) * | 2017-12-08 | 2021-07-27 | Samsung Electronics Co., Ltd. | Compression of semantic information for task and motion planning |
SE544208C2 (en) * | 2019-08-23 | 2022-03-01 | Scania Cv Ab | Method and control arrangement for vehicle motion planning and control algorithms |
US11754408B2 (en) * | 2019-10-09 | 2023-09-12 | Argo AI, LLC | Methods and systems for topological planning in autonomous driving |
US12030518B2 (en) | 2021-04-06 | 2024-07-09 | Atieva, Inc. | Lane changing based only on local information |
US11675877B2 (en) | 2021-08-31 | 2023-06-13 | EMC IP Holding Company LLC | Method and system for federated deployment of prediction models using data distillation |
US11762895B2 (en) * | 2021-08-31 | 2023-09-19 | EMC IP Holding Company LLC | Method and system for generating and assigning soft labels for data node data |
CN117950355B (zh) * | 2024-03-27 | 2024-06-11 | 西安爱生无人机技术有限公司 | 一种侦察型无人机监督控制***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120277907A1 (en) | 2011-04-28 | 2012-11-01 | Waseda University | Trajectory planning method, trajectory planning system and trajectory planning and control system |
US20160322059A1 (en) | 2015-04-29 | 2016-11-03 | Nuance Communications, Inc. | Method and apparatus for improving speech recognition processing performance |
US20190179311A1 (en) | 2017-12-08 | 2019-06-13 | Samsung Electronics Co., Ltd. | Compression of semantic information for task and motion planning |
Family Cites Families (83)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3613086A (en) * | 1969-01-03 | 1971-10-12 | Ibm | Compressed index method and means with single control field |
US3916387A (en) * | 1971-04-23 | 1975-10-28 | Ibm | Directory searching method and means |
JP2510687B2 (ja) * | 1987-08-13 | 1996-06-26 | 日本電信電話株式会社 | 高速欠陥検出方法および装置 |
US5781906A (en) * | 1996-06-06 | 1998-07-14 | International Business Machines Corporation | System and method for construction of a data structure for indexing multidimensional objects |
US5963642A (en) * | 1996-12-30 | 1999-10-05 | Goldstein; Benjamin D. | Method and apparatus for secure storage of data |
CA2219809A1 (en) * | 1997-10-31 | 1999-04-30 | Shen-En Qian | System for interactive visualization and analysis of imaging spectrometry datasets over a wide-area network |
US6963837B1 (en) * | 1999-10-06 | 2005-11-08 | Multimodal Technologies, Inc. | Attribute-based word modeling |
US8050495B2 (en) * | 2000-01-27 | 2011-11-01 | Marger Johnson & Mccollom, P.C. | Rich media file format and delivery methods |
US6816856B2 (en) * | 2001-06-04 | 2004-11-09 | Hewlett-Packard Development Company, L.P. | System for and method of data compression in a valueless digital tree representing a bitset |
US6654760B2 (en) * | 2001-06-04 | 2003-11-25 | Hewlett-Packard Development Company, L.P. | System and method of providing a cache-efficient, hybrid, compressed digital tree with wide dynamic ranges and simple interface requiring no configuration or tuning |
US20030103637A1 (en) * | 2001-12-04 | 2003-06-05 | Jui-Shu Huang | Headphone |
US20060036633A1 (en) * | 2004-08-11 | 2006-02-16 | Oracle International Corporation | System for indexing ontology-based semantic matching operators in a relational database system |
US7414549B1 (en) * | 2006-08-04 | 2008-08-19 | The Texas A&M University System | Wyner-Ziv coding based on TCQ and LDPC codes |
US8180486B2 (en) | 2006-10-02 | 2012-05-15 | Honda Motor Co., Ltd. | Mobile robot and controller for same |
US7698285B2 (en) * | 2006-11-09 | 2010-04-13 | International Business Machines Corporation | Compression of multidimensional datasets |
US7920749B1 (en) * | 2006-12-20 | 2011-04-05 | Nvidia Corporation | Modified high dynamic range color decompression |
US8179775B2 (en) * | 2007-08-14 | 2012-05-15 | Texas Instruments Incorporated | Precoding matrix feedback processes, circuits and systems |
US7983498B1 (en) * | 2007-08-06 | 2011-07-19 | Nvidia Corporation | Low dynamic range 3-channel color compression |
US7978921B1 (en) * | 2007-08-06 | 2011-07-12 | Nvidia Corporation | Low dynamic range 3-channel color decompression |
KR20090077547A (ko) | 2008-01-11 | 2009-07-15 | 삼성전자주식회사 | 이동 로봇의 경로 계획 방법 및 장치 |
US8078394B2 (en) * | 2008-02-26 | 2011-12-13 | Microsoft Corp. | Indexing large-scale GPS tracks |
US8571745B2 (en) * | 2008-04-10 | 2013-10-29 | Robert Todd Pack | Advanced behavior engine |
US8166041B2 (en) * | 2008-06-13 | 2012-04-24 | Microsoft Corporation | Search index format optimizations |
US8032495B2 (en) * | 2008-06-20 | 2011-10-04 | Perfect Search Corporation | Index compression |
KR101581415B1 (ko) | 2009-02-23 | 2015-12-30 | 삼성전자주식회사 | 맵 빌딩 장치 및 방법 |
WO2011024220A1 (ja) * | 2009-08-26 | 2011-03-03 | 三菱電機株式会社 | 駐車支援装置 |
IT1399129B1 (it) * | 2010-04-01 | 2013-04-05 | Paoletti | Sistema di sorveglianza adattivo modulare per mezzi strutture persone |
US8990017B2 (en) * | 2010-04-23 | 2015-03-24 | Tomtom International B.V. | Navigation devices and methods carried out thereon |
FR2965377A1 (fr) * | 2010-09-24 | 2012-03-30 | Univ D Avignon Et Des Pays De Vaucluse | Procede de classification de donnees biometriques |
JP5747191B2 (ja) | 2010-12-27 | 2015-07-08 | 株式会社国際電気通信基礎技術研究所 | 移動体遠隔操縦システムおよびそのための制御プログラム |
US9323250B2 (en) * | 2011-01-28 | 2016-04-26 | Intouch Technologies, Inc. | Time-dependent navigation of telepresence robots |
US9201652B2 (en) * | 2011-05-03 | 2015-12-01 | Qualcomm Incorporated | Methods and apparatus for storage and translation of entropy encoded software embedded within a memory hierarchy |
US9092520B2 (en) * | 2011-06-20 | 2015-07-28 | Microsoft Technology Licensing, Llc | Near-duplicate video retrieval |
US8958817B1 (en) * | 2012-01-19 | 2015-02-17 | Google Inc. | Weighted-distance spatial indexing |
KR20130112507A (ko) | 2012-04-04 | 2013-10-14 | 인하대학교 산학협력단 | S* 알고리즘을 이용한 이동로봇의 안전경로계획 수립방법 |
CN103674042A (zh) * | 2012-09-18 | 2014-03-26 | 三星电子(中国)研发中心 | 基于用户建模的路径引导***和方法 |
DE102012021282A1 (de) * | 2012-10-29 | 2014-04-30 | Audi Ag | Verfahren zur Koordination des Betriebs von vollautomatisiert fahrenden Kraftfahrzeugen |
US9080878B2 (en) * | 2013-02-21 | 2015-07-14 | Apple Inc. | Automatic identification of vehicle location |
US9445003B1 (en) * | 2013-03-15 | 2016-09-13 | Pelican Imaging Corporation | Systems and methods for synthesizing high resolution images using image deconvolution based on motion and depth information |
US10394848B2 (en) * | 2013-07-29 | 2019-08-27 | Amazon Technologies, Inc. | Generating a multi-column index for relational databases by interleaving data bits for selectivity |
US8694503B1 (en) * | 2013-07-31 | 2014-04-08 | Linkedin Corporation | Real-time indexing of data for analytics |
KR101489089B1 (ko) * | 2013-09-04 | 2015-02-04 | 주식회사 만도 | 차량의 주차 보조 장치 및 방법 |
US20150156075A1 (en) * | 2013-10-23 | 2015-06-04 | Jba 360 Llc | Mobile Information Management System And Methods Of Use And Doing Business |
CN103837154B (zh) * | 2014-03-14 | 2017-01-04 | 北京工商大学 | 路径规划的方法及*** |
GB201407643D0 (en) * | 2014-04-30 | 2014-06-11 | Tomtom Global Content Bv | Improved positioning relatie to a digital map for assisted and automated driving operations |
US9576073B2 (en) * | 2014-06-02 | 2017-02-21 | Microsoft Technology Licensing, Llc | Distance queries on massive networks |
JP6251940B2 (ja) * | 2014-06-30 | 2017-12-27 | 日立オートモティブシステムズ株式会社 | 駐車軌跡算出装置および駐車軌跡算出方法 |
JP6100221B2 (ja) * | 2014-09-12 | 2017-03-22 | アイシン精機株式会社 | 出庫支援装置および出庫支援方法 |
KR101877553B1 (ko) | 2014-11-14 | 2018-07-11 | 한국전자통신연구원 | 차량 자율주행 시스템 및 이를 이용한 차량 주행 방법 |
US9575993B2 (en) * | 2014-12-30 | 2017-02-21 | Here Global B.V. | Binary difference operations for navigational bit streams |
JP6193898B2 (ja) | 2015-02-10 | 2017-09-06 | 本田技研工業株式会社 | 自律走行作業車の制御装置 |
JP6545507B2 (ja) * | 2015-03-31 | 2019-07-17 | アイシン・エィ・ダブリュ株式会社 | 自動運転支援システム、自動運転支援方法及びコンピュータプログラム |
CN107531467B (zh) * | 2015-05-06 | 2019-12-17 | 克朗设备公司 | 用于工业车辆操作的标签布局 |
EP3751304A1 (en) * | 2015-05-12 | 2020-12-16 | HERE Global B.V. | Compressing and decompressing data about radio signals |
KR102366402B1 (ko) * | 2015-05-21 | 2022-02-22 | 엘지전자 주식회사 | 운전자 보조 장치 및 그 제어방법 |
KR101741433B1 (ko) * | 2015-06-09 | 2017-05-30 | 엘지전자 주식회사 | 운전자 보조 장치 및 그 제어방법 |
US10336318B2 (en) * | 2015-06-22 | 2019-07-02 | Ford Global Technologies, Llc | Systems and methods for vehicle park assist |
US9731765B2 (en) * | 2015-08-12 | 2017-08-15 | Hyundai Motor Company | Parking assist apparatus and method |
US11789923B2 (en) * | 2015-10-23 | 2023-10-17 | Oracle International Corporation | Compression units in an index block |
US9507346B1 (en) * | 2015-11-04 | 2016-11-29 | Zoox, Inc. | Teleoperation system and method for trajectory modification of autonomous vehicles |
US9910441B2 (en) * | 2015-11-04 | 2018-03-06 | Zoox, Inc. | Adaptive autonomous vehicle planner logic |
US9612123B1 (en) * | 2015-11-04 | 2017-04-04 | Zoox, Inc. | Adaptive mapping to navigate autonomous vehicles responsive to physical environment changes |
CN106705951A (zh) * | 2015-11-13 | 2017-05-24 | 恩斯迈电子(深圳)有限公司 | 移动装置 |
EP3171133B1 (en) * | 2015-11-19 | 2020-03-11 | Sikorsky Aircraft Corporation | Kinematic motion planning with regional planning constraints |
US20170166216A1 (en) * | 2015-12-10 | 2017-06-15 | Uber Technologies, Inc. | Motion planning for a vehicle using traction information |
US10012984B2 (en) * | 2015-12-14 | 2018-07-03 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling autonomous vehicles |
US10705528B2 (en) * | 2015-12-15 | 2020-07-07 | Qualcomm Incorporated | Autonomous visual navigation |
US10372968B2 (en) * | 2016-01-22 | 2019-08-06 | Qualcomm Incorporated | Object-focused active three-dimensional reconstruction |
DE102016212292A1 (de) * | 2016-01-28 | 2017-08-03 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Bereitstellen einer Plantrajektorie für ein Kraftfahrzeug |
CN105737819B (zh) * | 2016-02-25 | 2018-10-23 | 西北工业大学 | 基于空间压缩和查表计算的无人机三维航路规划方法 |
US9846050B2 (en) | 2016-03-21 | 2017-12-19 | Ford Global Technologies, Llc | Systems, methods, and devices for communicating drive history path attributes |
CN107291077B (zh) * | 2016-04-12 | 2021-03-16 | 苏州宝时得电动工具有限公司 | 自动工作***,自移动设备及其控制方法 |
CN105835820B (zh) * | 2016-04-28 | 2018-04-13 | 姜锡华 | 车载传感器信息筛选方法及应用该方法的车辆避撞*** |
CN106250523B (zh) * | 2016-08-04 | 2019-04-16 | 北京国电通网络技术有限公司 | 一种分布式列存储***索引的方法 |
US9715495B1 (en) * | 2016-12-15 | 2017-07-25 | Quid, Inc. | Topic-influenced document relationship graphs |
US10417787B2 (en) * | 2017-02-15 | 2019-09-17 | Microsoft Technology Licensing, Llc | Index buffer block compression |
US10133275B1 (en) * | 2017-03-01 | 2018-11-20 | Zoox, Inc. | Trajectory generation using temporal logic and tree search |
CN107168305B (zh) * | 2017-04-01 | 2020-03-17 | 西安交通大学 | 路口场景下基于Bezier和VFH的无人车轨迹规划方法 |
US11080496B2 (en) * | 2017-04-18 | 2021-08-03 | Berkshire Grey, Inc. | Systems and methods for separating objects using vacuum diverts with one or more object processing systems |
US10346214B2 (en) * | 2017-07-13 | 2019-07-09 | Macau University Of Science And Technology | Systems and methods for reducing CPU time to compute state space of resource allocation system |
WO2019079211A1 (en) * | 2017-10-19 | 2019-04-25 | DeepMap Inc. | LIDAR-CAMERA CALIBRATION TO GENERATE HIGH DEFINITION MAPS |
US10600142B2 (en) * | 2017-11-02 | 2020-03-24 | Advanced Micro Devices, Inc. | Compression and decompression of indices in a graphics pipeline |
CN108417087B (zh) * | 2018-02-27 | 2021-09-14 | 浙江吉利汽车研究院有限公司 | 一种车辆安全通行***及方法 |
-
2018
- 2018-06-04 US US15/997,609 patent/US11073828B2/en active Active
- 2018-10-10 KR KR1020180120770A patent/KR102624587B1/ko active IP Right Grant
- 2018-12-07 CN CN201811497540.XA patent/CN109902141B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120277907A1 (en) | 2011-04-28 | 2012-11-01 | Waseda University | Trajectory planning method, trajectory planning system and trajectory planning and control system |
US20160322059A1 (en) | 2015-04-29 | 2016-11-03 | Nuance Communications, Inc. | Method and apparatus for improving speech recognition processing performance |
US20190179311A1 (en) | 2017-12-08 | 2019-06-13 | Samsung Electronics Co., Ltd. | Compression of semantic information for task and motion planning |
Also Published As
Publication number | Publication date |
---|---|
KR20190070252A (ko) | 2019-06-20 |
US11073828B2 (en) | 2021-07-27 |
US20190179311A1 (en) | 2019-06-13 |
CN109902141B (zh) | 2024-02-09 |
CN109902141A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102624587B1 (ko) | 작업 및 움직임 계획을 위한 의미론적 정보의 압축 | |
Ye et al. | Tpcn: Temporal point cloud networks for motion forecasting | |
Kumar et al. | Deviant: Depth equivariant network for monocular 3d object detection | |
Xie et al. | Point clouds learning with attention-based graph convolution networks | |
CN112015847B (zh) | 一种障碍物的轨迹预测方法、装置、存储介质及电子设备 | |
JP7194685B2 (ja) | 八分木に基づく畳み込みニューラルネットワーク | |
KR101949609B1 (ko) | 대표 광선 기반의 점유맵 업데이트 방법 및 시스템 | |
KR102305230B1 (ko) | 객체 경계정보의 정확도 개선방법 및 장치 | |
CN113052955B (zh) | 一种点云补全方法、***及应用 | |
US20160239597A1 (en) | Apparatus and method for performing finite element computation | |
CN114970216B (zh) | 一种基于剖分网格的电磁环境可视化表达方法 | |
He et al. | Learning scene dynamics from point cloud sequences | |
CN111009034B (zh) | 一种三维模型单体化方法、***、存储介质及设备 | |
CN111738040A (zh) | 一种减速带识别方法及*** | |
Chen et al. | Polydiffuse: Polygonal shape reconstruction via guided set diffusion models | |
Khine et al. | Predictive geospatial analytics using principal component regression | |
Ghadai et al. | Multi-resolution 3D convolutional neural networks for object recognition | |
Chidanand et al. | Multi-scale voxel class balanced ASPP for LIDAR pointcloud semantic segmentation | |
US20230351547A1 (en) | Methods and control systems that use dimensional-transform-based three-dimensional searching and voxel mapping | |
CN116523970A (zh) | 基于二次隐式匹配的动态三维目标跟踪方法及装置 | |
Rachmadi et al. | Road edge detection on 3D point cloud data using Encoder-Decoder Convolutional Network | |
Tang et al. | Hexagon‐Based Generalized Voronoi Diagrams Generation for Path Planning of Intelligent Agents | |
JP7310932B2 (ja) | 3次元点群識別装置、学習装置、3次元点群識別方法、学習方法、及びプログラム | |
CN110490235B (zh) | 一种面向2d图像的车辆对象视点预测与三维模型恢复方法及装置 | |
Liu | Hardware-efficient deep learning for 3D point cloud |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |