KR20190083317A - 차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법 - Google Patents

차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법 Download PDF

Info

Publication number
KR20190083317A
KR20190083317A KR1020190073734A KR20190073734A KR20190083317A KR 20190083317 A KR20190083317 A KR 20190083317A KR 1020190073734 A KR1020190073734 A KR 1020190073734A KR 20190073734 A KR20190073734 A KR 20190073734A KR 20190083317 A KR20190083317 A KR 20190083317A
Authority
KR
South Korea
Prior art keywords
vehicle
lane
information
lane change
processor
Prior art date
Application number
KR1020190073734A
Other languages
English (en)
Inventor
맹지찬
김태현
김범오
신원호
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190073734A priority Critical patent/KR20190083317A/ko
Publication of KR20190083317A publication Critical patent/KR20190083317A/ko
Priority to US16/524,863 priority patent/US20190351918A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • 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
    • 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
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
    • 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
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • 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
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • 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
    • 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
    • B60W40/08—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 drivers or passengers
    • B60W40/09—Driving style or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0063—Manual parameter input, manual setting means, manual initialising or calibrating means
    • B60W2050/0068—Giving intention of direction, e.g. by indicator lights, steering input
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/143—Alarm means
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146—Display means
    • 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
    • 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
    • B60W2420/408—Radar; Laser, e.g. lidar
    • B60W2420/42—
    • B60W2420/52—
    • 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
    • B60W2520/10—Longitudinal 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle
    • B60W2550/40—
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • 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
    • B60Y2300/08—Predicting or avoiding probable or impending collision
    • 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
    • B60Y2300/14—Cruise control
    • 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
    • B60Y2300/18—Propelling the vehicle
    • B60Y2300/18008—Propelling the vehicle related to particular drive situations
    • B60Y2300/18166—Overtaking, changing lanes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/005—Moving wireless networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명의 실시 예는 이미지 센서, 레이더 센서 또는 라이다 센서 중 적어도 하나 이상을 포함하는 센서부; 및 상기 센서부로부터 주변 도로 및 적어도 하나 이상의 외부 차량 각각에 대한 센서 정보를 수신하고, 상기 센서 정보를 이용하여 상기 차량에 대한 상기 도로 위에서의 위치, 속도 및 조향 상태를 포함하는 제1 주행 정보를 획득하고, 상기 센서 정보를 이용하여 상기 적어도 하나 이상의 외부 차량 각각에 대한 위치, 거리 및 속도를 포함하는 제2 주행 정보를 산출하고, 상기 제1 주행 정보 및 상기 제2 주행 정보에 기초하여 차선 변경 적합성을 판단하고, 상기 차선 변경 적합성의 판단 결과에 기초하여 차선 변경에 관련된 알림을 출력하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.

Description

차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법 {AN ARTIFICIAL INTELLIGENCE APPARATUS FOR PROVIDING NOTIFICATION RELATED TO LANE-CHANGE OF VEHICLE AND METHOD FOR THE SAME}
본 발명은 차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법에 관한 것이다. 구체적으로, 본 발명은 차량에 탑재된 상태에서 사용자의 차선 변경 의도를 판단하고, 차선 변경에 적합한지 여부를 판단하고, 차선 변경에 적합하다고 판단된 경우 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법에 관한 것이다.
최근 차량에 인공 지능 기술을 이용하여 운전자의 주행을 위한 조작을 보조하는 주행 보조 기능을 제공하거나, 운전자의 주행을 위한 조작을 대체하는 자율 주행 기능을 제공하는 추세이다. 주행 보조 기능 (또는, 주행 보조 시스템)에는 크루즈 컨트롤 기능, 차량 간격 조절 기능, 차선 유지 기능 등이 포함된다. 그리고, 자율 주행 기능은 주행 보조 기능들을 모두 포함하는 것으로 볼 수 있다.
실제 주행 환경에서 차량이 차선을 변경해야 하는 상황이 필연적으로 발생하는데, 차량이 차선을 변경할 때 목적지 차선에서 주행중인 차량과의 사고 발생 위험이 높다. 특히, 운전석에서 운전자가 직접 확인할 수 있는 범위는 한정되고 시야에 사각지대도 존재하므로 차선 변경시의 위험성이 다른 주행 상황에 비하여 훨씬 위험성이 높다.
따라서, 차량이 차선을 변경할 때 안전하게 차선 변경을 유도할 수 있는 기능이 있다면, 주행 중 사고 위험을 크게 줄일 수 있을 것이다.
본 발명은 차선 변경 의도를 판단하고, 차선 변경에 적합한지 차선 변경 적합성을 판단하고, 차선 변경 적합성 판단 결과에 기초하여 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 차량이 목적지 차선에서 차량이 진입할 위치에 조명으로 가이드 이미지를 출력하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 차량이 변경할 차선에서 목적지 차선에서 인접한 차량에 차량간 통신에 기초하여 차선 변경 알림을 제공하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
본 발명의 일 실시 예는 차량에 대한 차선 변경 의도를 판단하고, 차선 변경 적합성을 판단하고, 차선 변경 적합성에 기초하여 차선 변경에 관련된 알림을 출력하는 인공 지능 장치 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는 차량의 속도, 조향 상태, 위치, 방향 지시등 점등 상태 또는 운전자의 동작 중에서 적어도 하나를 이용하여 차선 변경 의도를 판단하는 인공 지능 장치 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는 차량의 주행 정보와 외부 차량의 주행 정보에 기초하여 사고 가능성을 산출하고, 사고 가능성에 기초하여 차선 변경 적합성을 판단하는 인공 지능 장치 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는 차선 변경에 적합한 경우에 광출력부를 제어하여 차선 변경 경로나 도착 지점에 상응하는 도로 위에 가이드 이미지를 출력하는 인공 지능 장치 및 그 방법을 제공한다.
본 발명의 다양한 실시 예에 따르면, 차선 변경 시 차선 변경 적합성에 기초한 차선 변경에 관련된 알림을 제공함으로써, 차선 변경 중에 발생할 수 있는 사고의 위험성을 효과적으로 줄일 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 목적지 차선에서 차량이 진입할 위치에 조명으로 가이드 이미지를 출력함으로써, 해당 차량의 운전자뿐만 아니라 인접한 다른 차량에도 차량의 움직임을 구체적으로 알릴 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 목적지 차선의 인접한 차량으로 차량간 통신에 기초하여 차선 변경 알림을 제공함으로써, 해당 인접한 차량에 미리 차선 변경에 대처할 수 있는 기회를 제공할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 5 및 도 6은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 차량의 차선 변경에 관련된 알림을 제공하는 방법을 나타낸 동작 흐름도이다.
도 8은 도 7에 도시된 차량에 대한 차선 변경 의도를 판단하는 단계(S705)의 일 예를 나타낸 동작 흐름도이다.
도 9는 본 발명의 일 실시 예에서 운전자의 상태를 모니터링하는 과정을 나타낸 도면이다.
도 10은 본 발명의 일 실시 예에 따른 차선 변경에 부적합한 경우의 차선 변경에 관련된 알림을 제공하는 방법을 나타낸 도면이다.
도 11은 본 발명의 일 실시 예에 따른 차선 변경에 적합한 경우의 차선 변경에 관련된 알림을 제공하는 방법을 나타낸 도면이다.
도 12 내지 도 14는 본 발명의 일 실시 예에 따른 차선 변경에 적합한 경우의 차선 변경에 관련된 알림을 제공하는 방법을 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 및 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
<인공 지능(AI: Artificial Intelligence)>
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
<로봇(Robot)>
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
<자율 주행(Self-Driving)>
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
<확장 현실(XR: eXtended Reality)>
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth?), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예컨대, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 1과 중복되는 설명은 생략한다.
도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
센싱부(140)는 센서부라고 칭할 수 있다.
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
이때, 광출력부(154)는 LED, 레이저 등의 다양한 광원을 포함하여 구성될 수 있으며, 조명이라 칭할 수 있다.
이때, 광출력부(154)는 발산하는 조명의 크기와 방향을 조절할 수 있는 구동부를 포함하거나, 구동부와 연결될 수 있다.
이때, 광출력부(154)는 프로젝터(projector)로 구성되어, 빛을 투사하여 이미지를 출력할 수 있다.
도 5 및 도 6은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸 도면이다.
도 5 및 도 6을 참조하면, 본 발명의 일 실시 예에 따른 사용자의 위치를 결정하는 AI 시스템(501 또는 601)은 AI 장치(100), AI 서버(200) 또는 차량(300) 중에서 적어도 하나 이상을 포함할 수 있다.
도 5의 AI 시스템(501)에서는 AI 장치(100)와 차량(300)이 서로 구분되는 구성이며, AI 장치(100)가 차량(300)에 탑재된다. 즉, 통상의 차량이나 인공 지능 기능을 갖춘 차량에 차선 변경에 관련된 알림을 제공하는 AI 장치(100)를 탑재될 수 있다.
이때, AI 장치(100)는 모듈화되어 차량(300)에 탑재되는 것일 수 있다.
도 6의 AI 시스템(601)에서는 AI 장치(100)와 차량이 하나의 구성이며, 인공 지능 기능을 탑재한 차량을 AI 장치(100)라 칭하는 것으로 볼 수 있다.
즉, 본 발명에서의 차량은 AI 장치(100)의 제어 대상이 되거나 기능을 제공하는 대상이 되는 차량을 의미한다.
AI 장치(100), AI 서버(200), 차량(300)은 서로 유무선 통신 기술을 이용하여 서로 통신할 수 있다.
이때, 각 장치들(100, 200, 300)은 기지국, 라우터 등을 통하여 서로 통신할 수도 있지만, 근거리 통신 기술 등을 이용하여 직접 서로 통신할 수도 있다.
예컨대, 각 장치들(100, 200, 300)은 5G(5th generation) 통신을 이용하여 기지국을 통하거나 또는 직접 서로 통신할 수 있다.
AI 장치(100) 및 차량(300)은 외부 차량(400)과 유무선 통신 기술을 이용하여 서로 통신할 수 있다.
이때, AI 장치(100) 및 차량(300)은 V2V(Vehicle to Vehicle) 또는 V2X(Vehicle to Everything)에 따라 외부 차량(400)과 통신할 수 있다.
이때, AI 장치(100) 및 차량(300)은 5G 통신을 이용하여 기지국을 통하거나 또는 직접 외부 차량(400)과 통신할 수 있다.
도 7은 본 발명의 일 실시 예에 따른 차량의 차선 변경에 관련된 알림을 제공하는 방법을 나타낸 동작 흐름도이다.
도 7을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 주변 도로 및 적어도 하나 이상의 외부 차량 각각에 대한 센서 정보를 수신한다(S701).
여기서, 차량은 도 5 및 도 6과 함께 설명한 것과 같이, 인공 지능 장치(100)가 제어하는 대상을 가리킨다.
인공 지능 장치(100)가 차량을 의미하는 경우에는 자기 자신을 의미하고, 차량과 구분되는 구성인 경우에는 차량에 탑재되어 차량을 제어하거나 차량의 기능을 돕는 장치를 의미할 수 있다.
이하에서, 차선 변경의 주체이며 인공 지능 장치(100)에 의하여 제어되는 차량을, 인공 지능 장치(100) 자신인지 또는 인공 지능 장치(100)와 구분되는 구성인지와 상관 없이 차량 또는 인공 지능 차량이라고 칭한다. 즉, 차량은 인공 지능 장치(100) 자신을 가리킬 수도 있다.
프로세서(180)는 센서부(140)에서 수집한 센서 정보를 수신할 수 있다.
상술한 바와 같이, 센서부(140)에는 이미지 센서, 레이더 센서 또는 라이다 센서 중에서 적어도 하나 이상을 포함할 수 있고, 따라서 센서부(140)에서 수집된 센서 정보에는 RGB 이미지 데이터, 깊이 이미지 데이터, 물체까지의 거리 정보, 물체의 방향 정보 등이 포함될 수 있다.
센서 정보는 차량의 주변 도로에 대하여 센싱된 데이터 및 적어도 하나 이상의 외부 차량에 대하여 센싱된 데이터를 포함한다.
프로세서(180)는 차량의 전방에 설치된 센서들로부터 주변 도로에 대한 센서 정보를 수신할 수 있다.
프로세서(180)는 차량의 측면, 후방 또는 측후방에 설치된 센서들로부터 적어도 하나 이상의 외부 차량 각각에 대한 센서 정보를 수신할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 차량에 대한 제1 주행 정보를 획득한다(S703).
차량에 대한 제1 주행 정보에는 차량의 도로 위에서의 위치, 차량의 속도, 차량의 가속도 또는 차량의 조향 상태 중에서 적어도 이상이 포함될 수 있다.
프로세서(180)는 차량의 전자 제어 유닛(ECU: Electronic Control Unit)으로부터 차량의 속도, 차량의 가속도, 차량의 조향 상태 등의 제1 주행 정보를 수신할 수 있다.
속도는 속력과 방향에 대한 정보를 포함하는 벡터이다.
프로세서(180)는 센서 정보로부터 차량이 주행 중인 도로에서의 차선을 인식할 수 있고, 이를 기초로 차량의 도로 상에서의 위치를 결정하여 제1 주행 정보를 획득할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 차량에 대한 차선 변경 의도를 판단한다(S705).
단계(S705)의 차량에 대한 차선 변경 의도를 판단하는 것은 차량에 대한 차선 변경 의도가 존재하는지 여부를 판단하는 것을 의미할 수 있다.
프로세서(180)는 차량에 대하여 자율 주행 기능 또는 주행 보조 기능에 의하여 사용자의 입력 없이도 프로세서(180), ECU 또는 기타 제어 장치들(예컨대, 자율 주행 제어부)로부터 차선을 변경하려는 제어 신호나 차선 변경 명령이 생성되었는지 여부를 기초로 차량에 대한 차선 변경 의도가 존재하는지 여부를 판단할 수 있다.
예컨대, 자율 주행 제어부가 차선을 변경하는 제어 신호를 생성하면, 프로세서(180)는 차량에 대한 차선 변경 의도가 존재하는 것으로 판단할 수 있다.
프로세서(180)는 운전자(또는, 사용자)의 행동이나 운전자의 차량 조작으로부터 운전자가 차선을 변경할 의도가 있는지 여부를 판단할 수 있다.
예컨대, 운전자가 방향 지시등을 조작하거나, 운전자가 측면 창이나 사이드 미러(또는, 백 미러)나 룸 미러를 평소보다 많이 바라보거나, 운전자가 스티어링 휠을 다른 차선 방향으로 향하여 조종하는 등의 차선 변경을 위한 운전자의 행동이 인식되면, 프로세서(180)는 차량에 대한 차선 변경 의도가 존재하는 것으로 판단할 수 있다.
이때, 프로세서(180)는 카메라(121)로부터 운전자의 안면을 포함하는 이미지 데이터를 획득하고, 획득한 이미지 데이터를 기초로 운전자의 시선 방향, 머리 방향, 졸음 운전 여부 등을 포함하는 운전자의 상태 정보를 획득할 수 있다.
예컨대, 프로세서(180)는 이미지 데이터로부터 운전자가 졸고 있는지 여부를 파악할 수 있으며, 운전자가 졸고 있는 것이라고 파악되는 경우라면 운전자에 의한 차량에 대한 차선 변경 의도는 없는 것으로 판단할 수 있다.
여기서, 운전자에 의한 차량에 대한 차선 변경 의도라는 것은 운전자가 직접 차선을 변경하고자 하는 의도가 있는지를 나타내는 것으로, 차량에 탑재된 자율 주행 기능에서의 차선 변경 의도와 구분하기 위한 표현이다.
즉, 운전자가 졸고 있는 것이라 판단된다고 하더라도, 현재 차량에 자율 주행 기능이 활성화되어 있으며, 자율 주행 기능이 차량에 대하여 차선을 변경하려고 하는 경우라면, 프로세서(180)는 차선 변경 의도가 있는 것이라고 판단할 수 있다.
프로세서(180)는 사용자가 별도의 네비게이션 단말기를 이용하거나, 차량에 탑재된 네비게이션 기능을 이용하는 경우, 네비게이션 시스템에서 제공하는 경로 정보를 고려하여 차선 변경 의도가 존재하는지 여부를 판단할 수 있다.
예컨대, 네비게이션 시스템에서 제공하는 경로 정보에 현재 주행 중인 차선을 변경하라는 내용이 포함된 경우, 이를 추가적으로 고려하여 차선 변경 의도가 존재하는지 여부를 판단할 수 있다. 즉, 네비게이션 시스템에서 차선을 특정 차선으로 변경하라고 안내하고 있는 상황에서, 운전자가 해당 차선 방향을 바라보거나 스티어링 휠을 해상 차선 방향으로 조작하는 경우라면, 프로세서(180)는 차량에 대한 차선 변경 의도가 존재하는 것으로 판단할 수 있다.
단계(S705)의 판단 결과 차선 변경 의도가 존재하지 않는 경우, 센서 정보를 수신하는 단계(S701)로 돌아간다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 센서 정보를 이용하여 적어도 하나 이상의 외부 차량 각각에 대한 제2 주행 정보를 산출한다(S707).
적어도 하나 이상의 외부 차량 각각에 대한 제2 주행 정보에는 각 외부 차량들에 대한 위치, 거리 또는 속도 중에서 적어도 하나 이상이 포함될 수 있다.
프로세서(180)는 카메라 또는 이미지 센서로부터 획득한 센서 정보로부터 외부 차량들을 인식할 수 있다.
이때, 프로세서(180)는 차량 인식 모델을 이용하여 외부 차량들을 인식 및 식별할 수 있으며, 차량 인식 모델은 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 인공 신경망 기반의 모델일 수 있다.
차량 인식 모델은 인공 지능 장치(100)의 러닝 프로세서(130)에서 학습된 것일 수도 있고, 인공 지능 서버(200)의 러닝 프로세서(240)에서 학습된 것일 수도 있다. 그리고, 프로세서(180)는 메모리(170)에 저장된 차량 인식 모델을 직접 이용하여 외부 차량들을 인식할 수도 있고, 인공 지능 서버(200)에 센서 정보를 전송하고, 인공 지능 서버(200)로부터 차량 인식 모델을 이용하여 인식된 외부 차량의 인식 정보를 수신할 수도 있다.
프로세서(180)는 라이다 센서 또는 레이다 센서 등으로부터 획득한 센서 정보로부터 외부 차량들의 방향, 외부 차량들까지의 거리를 산출할 수 있다. 그리고, 프로세서(180)는 외부 차량들의 방향과 거리를 기초로 외부 차량의 현재 차량에 대한 상대적인 위치를 판단할 수 있다.
프로세서(180)는 각 외부 차량들에 대한 위치 정보와 거리 정보를 이용하여 각 외부 차량들에 대한 속도를 산출할 수 있다.
따라서, 프로세서(180)는 센서 정보를 이용하여 각 외부 차량들에 대한 위치, 거리 및 속도를 산출할 수 있다.
프로세서(180)는 통신부(110)를 이용하여 외부 차량들과 V2X 통신을 통해 외부 차량에 대한 제2 주행 정보 중 적어도 일부를 수신할 수 있다.
예컨대, 프로세서(180)는 통신부(110)를 통해 외부 차량과 직접 통신을 수행할 수 있고, 외부 차량으로부터 해당 차량의 위치, 속도 등의 주행 정보를 수신할 수 있다.
각 차량의 위치 정보는 도로 위에서의 위치로서, 해당 차량이 몇 번째 차선에 위치하는지 또는 해당 차량이 차선과의 관계에서 어디에 위치하는지를 나타낼 수도 있고, 보다 거시적으로는 GPS 등을 통한 지리적 위치를 나타낼 수도 있다.
예컨대, 프로세서(180)는 (인공 지능) 차량과 외부 차량 사이의 거리를 두 차량 각각의 GPS상의 위치의 차이 값으로써 산출할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 차선 변경 적합성을 판단한다(S709).
차선 변경 적합성은 차량이 차선 변경 의도에 따라 차선을 변경할 때 사고가 발생할 것인지 여부를 의미할 수 있다.
프로세서(180)는 제1 주행 정보 및 제2 주행 정보를 이용하여 차선 변경 시 외부 차량 각각과의 사고 가능성을 산출하고, 산출된 사고 가능성이 미리 설정된 기준값을 초과하는지 여부에 따라 차선 변경의 적합성을 판단할 수 있다.
제1 주행 정보는 인공 지능 차량의 주행 상태를 나타내는 정보이며, 제2 주행 정보는 외부 차량 각각의 주행 상태를 나타내는 정보이다. 따라서, 제1 주행 정보와 제2 주행 정보를 이용하면 인공 지능 차량과 외부 차량 사이의 사고 가능성을 판단할 수 있다.
여기서, 사고 가능성은 충돌/추돌 가능성을 의미할 수 있다.
프로세서(180)는 외부 차량들 각각에 대하여 차선 변경 시의 사고 가능성을 산출하고, 가장 큰 값의 사고 가능성에 기초하여 차선 변경 적합성을 판단할 수 있다.
예컨대, 프로세서(180)는 총 4대의 외부 차량을 인식하였고, 각 외부 차량들에 대하여 차선 변경 시의 사고 가능성을 1%, 5%, 2% 그리고 10%라고 산출하였다면, 가장 큰 값의 사고 가능성 10%를 기준값과 비교하여 차선 변경의 적합성을 판단할 수 있다.
이때, 사고 가능성은 사고 가능성 산출 모델을 이용하여 산출할 수 있고, 사고 가능성 산출 모델은 회귀 모델, 인공 신경망 모델 등이 사용될 수 있다.
이때, 사고 가능성은 인공 지능 차량의 속도, 조향 상태 등과 외부 차량까지의 거리, 외부 차량의 속도, 외부 차량의 위치 등으로부터 산출될 수 있다.
프로세서(180)는 외부 차량까지의 거리, 외부 차량의 속도, 외부 차량의 위치에 미리 설정된 가중치에 따라 가중합을 하거나, 미리 정한 사고 가능성 산출 함수에 기초하여 사고 가능성을 산출할 수도 있다.
또는, 프로세서(180)는 외부 차량까지의 거리, 외부 차량의 속도, 외부 차량의 위치에 기초하여 바로 차선 변경 적합성을 판단할 수도 있다.
예컨대, 프로세서(180)는 외부 차량까지의 거리가 제1 기준값보다 낮거나, 외부 차량까지의 거리가 제1 기준값보다 크고 제2 기준값보다 작지만 외부 차량의 속도가 제3 기준값보다 큰 경우에는 차선 변경에 부적합한 것으로 판단할 수도 있다.
즉, 외부 차량까지의 거리와 외부 차량의 속도는 서로 독립적인 인자가 아니므로, 프로세서(180)는 이들을 종합적으로 판단하여 차선 변경 적합도를 판단할 수 있다.
또한, 프로세서(180)는 제1 주행 정보에 기초하여 차선 변경 시의 차량의 차선 변경 경로와 도착지 차선에서의 도착 위치를 결정할 수 있다.
구체적으로, 프로세서(180)는 현재 차량의 속도, 현재 차량의 도로 위에서의 위치, 현재 조향 상태 등에 기초하여 차선 변경 경로와 도착 위치를 결정할 수 있다.
나아가, 프로세서(180)는 방향 지시등의 점등 상태나 운전자의 시선 방향 등에 기초하여 도착지 차선을 판단할 수 있고, 이를 이용하여 차선 변경 경로와 도착 위치를 결정할 수 있다.
이때, 프로세서(180)는 경로 예측 모델을 이용하여 차선 변경 경로 및 도착 위치를 결정할 수 있으며, 경로 예측 모델은 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 인공 신경망 기반의 모델일 수 있다.
경로 예측 모델은 인공 지능 장치(100)의 러닝 프로세서(130)에서 학습된 것일 수도 있고, 인공 지능 서버(200)의 러닝 프로세서(240)에서 학습된 것일 수도 있다. 그리고, 프로세서(180)는 메모리(170)에 저장된 경로 예측 모델을 직접 이용하여 차선 변경 경로 및 도착 위치를 결정할 수도 있고, 인공 지능 서버(200)에 제1 주행 정보를 전송하고, 인공 지능 서버(200)로부터 경로 예측 모델을 이용하여 결정된 차선 변경 경로 및 도착 위치를 수신할 수도 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 차선 변경 적합성에 기초한 차선 변경에 관련된 알림을 출력한다(S711).
차선 변경에 부적합하다고 판단된 경우, 프로세서(180)는 출력부(150)를 통해 차선 변경에 부적합하다는 알림 또는 경고를 출력할 수 있다.
차선 변경에 관련된 알림은 다양한 형태로서 출력할 수 있다.
프로세서(180)는 차선 변경에 관련된 알림으로써, 디스플레이부(151)를 통해 화상으로 가이드를 출력할 수도 있고, 음향 출력부(152)를 통해 소리로 가이드를 출력할 수도 있으며, 햅틱 모듈(153)을 통해 진동으로써 가이드를 출력할 수도 있다.
프로세서(180)는 차량의 HUD(Head Up Display)를 통해 차선 변경에 부적합함을 알리는 경고를 출력할 수 있다.
반면, 차선 변경에 적합하다고 판단된 경우, 프로세서(180)는 차량의 차선 변경을 알리는 차선 변경에 관련된 알림을 출력할 수 있다.
프로세서(180)는 투사하는 빛의 방향과 크기를 조절할 수 있는 광출력부(154)를 제어하여, 차선 변경 경로 또는 도착지 차선의 도착 위치에 상응하는 도로 위에 차선 변경을 알리는 가이드 이미지를 출력할 수 있다.
여기서, 가이드 이미지는 차량의 크기와 종류에 대응하여 미리 설정된 차량 이미지일 수 있다.
이때, 프로세서(180)는 광출력부(154)를 제어하여, 가이드 이미지를 차량의 도착 위치에 출력하거나, 가이드 이미지를 차선 변경 경로를 따라 움직이는 애니메이션으로 출력할 수 있다.
또한, 차선 변경에 적합하다고 판단된 경우, 프로세서(180)는 통신부(110)를 통해 외부 차량들에 대하여 차선 변경 알림을 전송할 수 있다. 즉, V2X 또는 V2V를 통해 외부 차량으로 차선 변경 알림을 제공할 수 있다.
이때, 프로세서(180)는 통신부(110)를 통해 외부 차량들 중에서 일정 거리 이내의 인접한 차량들 중에서 적어도 하나 이상으로 차선 변경 알림을 전송할 수 있다.
이는 모든 외부 차량에 대하여 차선 변경 알림을 제공하게 되는 경우에 멀리 떨어진 외부 차량들에게 불필요한 알림을 제공하는 문제점을 해결하기 위함이다.
따라서, 프로세서(180)는 외부 차량들 중에서 일정 거리 이내에 인접한 차량들에 대해서만 차선 변경 알림을 제공할 수 있다.
이때, 프로세서(180)는 현재 차량의 GPS 정보와 외부 차량들의 GPS 정보를 비교하여, 일정 거리 이내의 인접한 외부 차량들에 대하여만 차선 변경 알림을 제공할 수 있다.
이와 같이, 차선 변경에 관련된 알림을 차량 내부, 외부 차량 또는 차량 외부의 도로에 출력함으로써 차선 변경시의 안정성을 확보할 수 있다.
또한, 기존의 후측방 경고 장치 등과 연계하여 사용할 경우, 차선 이동 시의 안정성을 더욱 높일 수 있다.
또한, 자율 주행 기능에 적용했을 때에도 보다 안정성 높은 차선 변경이 가능하다.
도 8은 도 7에 도시된 차량에 대한 차선 변경 의도를 판단하는 단계(S705)의 일 예를 나타낸 동작 흐름도이다.
도 8을 참조하면, 인공 지능 장치(100)의 카메라(121)는 운전자의 안면을 포함하는 이미지 데이터를 획득한다(S801).
카메라(121)는 운전자의 안면을 포함하는 이미지 데이터를 획득할 수 있도록, 운전자의 전방에서 운전자를 바라보는 방향으로 설치될 수 있다.
예컨대, 카메라(121)는 스티어링 휠, 대시보드, 룸 미러, 전방 천장 등의 위치에 설치될 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 획득한 이미지 데이터로부터 운전자의 머리 방향, 시선 방향, 졸음 운전 여부 등을 포함하는 운전자의 상태 정보를 획득한다(S803).
프로세서(180)는 운전자가 눈을 깜빡이는 빈도, 눈을 감고 있는지 여부, 눈을 감고 있는 시간, 하품 빈도 등을 고려하여 운전자의 졸음 운전 여부를 판단할 수 있다.
이때, 프로세서(180)는 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 안구 인식 모델, 시선 인식 모델 등을 이용하여 운전자의 머리 방향, 시선 방향 또는 졸음 운전 여부를 판단할 수 있다.
이와 같이, 운전자의 안면을 포함하는 이미지 데이터를 획득하여 운전자의 상태 정보를 획득하는 것을 운전자 상태 모니터링(DSM: Driver Status Monitoring)이라 칭할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 운전자의 상태 정보, 차량의 조향 상태 및 차량의 방향 지시등의 점등 상태를 고려하여 차선 변경 의도를 판단한다(S805).
이때, 프로세서(180)는 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 차선 변경 의도 판단 모델을 이용하여, 차량에 대한 차선 변경 의도를 판단할 수 있다.
예컨대, 차선 변경 의도 판단 모델은 인공 신경망으로 구성되며, 운전자의 시선 방향, 운전자의 머리 방향, 운전자가 눈을 감고 있는 시간, 운전자의 하품 빈도, 차량의 조향 상태 또는 차량의 방향 지시등 점등 상태 중에서 적어도 하나 이상을 포함하는 입력 특징점 벡터가 입력되면, 차선 변경 의도가 존재하는지 여부를 출력하는 모델일 수 있다.
이때, 차선 변경 의도 판단 모델은 학습 데이터에 차선 변경 의도가 존재하는지 여부가 라벨링된 학습 데이터를 이용하여 지도 학습될 수 있다.
도 9는 본 발명의 일 실시 예에서 운전자의 상태를 모니터링하는 과정을 나타낸 도면이다.
도 9의 (a)를 참조하면, 프로세서(180)는 차량의 내부에 설치된 카메라(121)를 통하여 운전자(901)의 안면을 포함하는 이미지 데이터(911, 912)를 획득할 수 있다.
이때, 프로세서(180)는 카메라(121)의 종류에 따라 다양한 종류의 이미지 데이터를 획득할 수 있다.
예컨대, 프로세서(180)는 뎁스(depth) 카메라를 이용하여 뎁스 이미지 데이터(911)를 획득할 수도 있고, 통상의 RGB 카메라를 이용하여 RGB 이미지 데이터(912)를 획득할 수도 있다.
도 9의 (b)를 참조하면, 프로세서(180)는 뎁스 이미지 데이터(911)로부터 운전자(901)의 안면에서 특징점들을 추출(921)하여 안면을 인식(921)할 수 있다.
그리고, 프로세서(180)는 안면 인식을 통해 복수의 운전자들을 식별하여 구분하거나, 운전자의 머리 방향을 판단하거나, 입을 벌리고 있는지 여부 등을 판단할 수 있다.
도 9의 (c)를 참조하면, 프로세서(180)는 RGB 이미지 데이터(912)에서 운전자(901)의 안구를 인식(922)할 수 있다.
여기서, 안구의 인식(922)은 시선 방향을 인식하는 것을 포함할 수 있다.
도 9의 (d)를 참조하면, 프로세서(180)는 RGB 이미지 데이터(912)에서 운전자(901)가 눈을 감았는지 여부를 인식(923)하거나 눈꺼풀을 인식할 수 있다.
여기서, 눈을 감았는지 여부의 인식(923)는 눈꺼풀 사이의 간격을 측정하는 것으로 판단할 수도 있고, 안구가 위치하는 것으로 인식된 위치에 안구가 인식되지 않는지 여부 등으로 판단할 수도 있다.
즉, 프로세서(180)는 운전자(901)의 안면을 인식함으로써 운전자들을 서로 구분하고, 운전자가 하품하는지 여부를 판단할 수 있으며, 안구를 인식함으로써 운전자(901)가 측면 창, 사이드 미러 또는 룸 미러를 바라보는지 여부를 판단할 수 있으며, 눈꺼풀을 인식함으로써 운전자가 졸고 있는지 여부를 판단할 수 있다.
그리고, 프로세서(180)는 인식된 정보를 이용하여 운전자가 차선 변경 의도를 갖고 있는지 여부를 판단할 수 있다.
도 10은 본 발명의 일 실시 예에 따른 차선 변경에 부적합한 경우의 차선 변경에 관련된 알림을 제공하는 방법을 나타낸 도면이다.
차량(1001)에는 운전자가 확인할 수 없는 사각 지대(1002)가 존재한다. 그리고, 도 10에 도시된 것과 같이, 사각 지대(1002)에 외부 차량(1003)이 위치하는 경우에는, 차량(1001)의 운전자는 해당 외부 차량(1003)을 확인할 수 없거나 확인하기 매우 어렵다.
이 경우, 프로세서(180)는 차량(1001)에 대하여 차선을 왼쪽으로 변경(1004)하려는 차선 변경 의도가 존재한다고 판단하였을 경우, 사각 지대(1002)에서 주행 중인 외부 차량(1003)의 존재로 인하여 차선 변경에 부적합하다고 판단할 수 있다.
그리고, 프로세서(180)는 스피커 또는 음향 출력부를 통하여 "측후방에 다른 차량이 있어서, 차선을 변경하면 위험합니다!"와 같은 알림 또는 경고를 출력(1005)할 수 있다.
또는, 프로세서(180)는 디스플레이부를 통하여 차선을 변경하기에 위험하다는 알림 또는 경고를 출력할 수 있다.
도 11은 본 발명의 일 실시 예에 따른 차선 변경에 적합한 경우의 차선 변경에 관련된 알림을 제공하는 방법을 나타낸 도면이다.
도 11를 참조하면, 외부 차량(1103)은 인공 지능 차량(1101)의 사각 지대(1102)에 밖에서 주행 중이다.
이 경우, 프로세서(180)는 차량(1101)에 대하여 차선을 왼쪽으로 변경(1104)하려는 차선 변경 의도가 존재한다고 판단하였을 경우, 외부 차량(1103)과의 사고 가능성이 낮아 차선 변경에 적합하다고 판단할 수 있다.
그리고, 프로세서(180)는 V2X 또는 V2V(1105)를 통해, 외부 차량(1103)에 차선 변경에 대한 음성 알림을 출력하는 음성 출력 신호를 전송할 수 있고, 외부 차량(1103)은 수신한 음성 출력 신호에 기초하여 스피커 또는 음향 출력부를 통해 "전방 우측 차량이 전방으로 차선을 변경합니다."와 같은 알림을 출력(1106)할 수 있다.
또는, 프로세서(180)는 V2X 또는 V2V(1105)를 통해, 외부 차량(1103)에 차선 변경에 대한 화상 알림을 출력하는 화상 출력 신호를 전송할 수 있고, 외부 차량(1103)은 수신한 화상 출력 신호에 기초하여 디스플레이부를 통하여 차선 변경 알림을 출력할 수 있다.
도 12 내지 도 14는 본 발명의 일 실시 예에 따른 차선 변경에 적합한 경우의 차선 변경에 관련된 알림을 제공하는 방법을 나타낸 도면이다.
도 12 내지 도 14를 참조하면, 외부 차량(1203)은 인공 지능 차량(1201)의 사각 지대(1202)에 밖에서 주행 중이다.
이 경우, 프로세서(180)는 차량(1201)에 대하여 차선을 왼쪽으로 변경(1204)하려는 차선 변경 의도가 존재한다고 판단하였을 경우, 외부 차량(1203)과의 사고 가능성이 낮아 차선 변경에 적합하다고 판단할 수 있다.
도 12에 도시된 것과 같이, 프로세서는(180)는 차량(1201)의 전방에 설치된 카메라 또는 이미지 센서로부터 전방 도로에 대한 이미지 데이터(1206)를 획득하고, 획득한 이미지 데이터를 기초로 도로의 차선(1207, 1208)을 인식하고, 차량(1201)의 도로 위에서의 위치를 결정할 수 있다.
그리고, 프로세서(180)는 차량(1201)에 대한 제1 주행 정보에 기초하여 차량(1201)의 차선 변경 경로(1211) 및 도착 지점(1212)을 결정할 수 있다.
상술한 바와 같이, 제1 주행 정보에는 차량(1201)의 속도, 가속도, 도로 위에서의 위치, 조향 상태 등이 포함될 수 있다. 즉, 차량(1201)의 현재 속도, 가속도, 도로 위에서의 위치, 조향 상태 등의 정보가 사용된다면 차량(1201)이 차선 변경시의 경로(1211)와 도착 위치(1212)를 결정할 수 있다.
도 13에 도시된 것과 같이, 프로세서(180)는 광출력부(1321)를 제어하여 결정된 차선 변경 경로(1211)를 따라 가이드 이미지들(1331, 1332, 1333)을 애니메이션으로 출력할 수 있다.
즉, 프로세서(180)는 광출력부(1321)를 제어함으로써, 차량(1201)의 모양과 크기에 상응하는 차량 모양의 가이드 이미지가 차선 변경 경로(1211)를 따라서 움직이는 애니메이션을 출력할 수 있다.
이때, 가이드 이미지 애니메이션은 차선이 변경되는 동안 복수 회 반복되어 출력될 수 있다.
가이드 이미지 애니메이션에 포함되는 가이드 이미지는 차량 모양의 가이드 이미지에 한정되지 않는다. 예컨대, 차량의 동선이라는 점을 강조하기 위하여, 프로세서(180)는 화살표 모양의 가이드 이미지가 움직이는 가이드 이미지 애니메이션을 광출력부(1321)를 통하여 출력할 수 있다.
도 14에 도시된 것과 같이, 프로세서(180)는 광출력부(1321)를 제어하여 결정된 도착 위치(1212)에 가이드 이미지(1333)를 출력할 수 있다.
즉, 프로세서(180)는 광출력부(1321)를 제어함으로써, 차량(1201)의 모양과 크기에 상응하는 차량 모양의 가이드 이미지를 도착 위치(1212)에 출력할 수 있다.
그리고, 프로세서(180)는 차량(1201)이 차선을 변경하는 도중에도 결정된 차선 변경 경로(1211) 또는 도착 위치(1212)에 맞추어 가이드 이미지를 출력하도록 광출력부(1321)를 제어할 수 있다.
또한, 프로세서(180)는 차량(1201)이 차선을 변경하는 도중에도 제1 주행 정보를 이용하여 차선 변경 경로와 도착 위치를 갱신할 수 있고, 갱신된 차선 변경 경로 또는 갱신된 도착 위치에 기초하여 가이드 이미지를 출력할 수 있다.
또한, 프로세서(180)는 차량(1201)이 차선 변경을 종료한 경우거나, 차선 변경 의도가 사라진 경우에는 가이드 이미지의 출력을 중단할 수 있다.
이와 같이, 차량이 차선을 변경하고자 할 때, 차선 변경 경로나 도착 위치에 조명으로 가이드 이미지를 조사해줌으로써, 외부 차량의 운전자는 차량의 차선 변경 의도를 명확하게 인지하여 보다 빠른 대응이 가능하므로 사고 가능성을 효과적으로 낮출 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다.

Claims (15)

  1. 차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치에 있어서,
    이미지 센서, 레이더 센서 또는 라이다 센서 중 적어도 하나 이상을 포함하는 센서부; 및
    상기 센서부로부터 주변 도로 및 적어도 하나 이상의 외부 차량 각각에 대한 센서 정보를 수신하고, 상기 센서 정보를 이용하여 상기 차량에 대한 상기 도로 위에서의 위치, 속도 및 조향 상태를 포함하는 제1 주행 정보를 획득하고, 상기 센서 정보를 이용하여 상기 적어도 하나 이상의 외부 차량 각각에 대한 위치, 거리 및 속도를 포함하는 제2 주행 정보를 산출하고, 상기 제1 주행 정보 및 상기 제2 주행 정보에 기초하여 차선 변경 적합성을 판단하고, 상기 차선 변경 적합성의 판단 결과에 기초하여 차선 변경에 관련된 알림을 출력하는 프로세서
    를 포함하는, 인공 지능 장치.
  2. 청구항 1에 있어서,
    상기 프로세서는
    상기 제1 주행 정보 및 상기 제2 주행 정보를 이용하여 차선 변경 시 상기 적어도 하나 이상의 외부 차량 각각과의 사고 가능성을 산출하고, 상기 산출된 사고 가능성이 미리 설정된 기준값을 초과하는지 여부에 기초하여 상기 차선 변경 적합성을 판단하는, 인공 지능 장치.
  3. 청구항 2에 있어서,
    상기 프로세서는
    상기 제1 주행 정보에 기초하여 차선 변경 시의 상기 차량의 차선 변경 경로와 도착지 차선에서의 도착 위치를 결정하는, 인공 지능 장치.
  4. 청구항 3에 있어서,
    투사하는 빛의 방향과 크기를 조절할 수 있는 광출력부
    를 포함하고,
    상기 프로세서는
    상기 차선 변경 적합성이 적합하다고 판단된 경우, 상기 광출력부를 제어하여 상기 차선 변경 경로 또는 상기 도착 위치에 상응하는 상기 도로 위에 차선 변경을 알리는 가이드 이미지를 출력하는, 인공 지능 장치.
  5. 청구항 4에 있어서,
    상기 프로세서는
    상기 가이드 이미지를 상기 도착 위치에 출력하거나, 상기 가이드 이미지를 상기 차선 변경 경로를 따라 움직이는 애니메이션으로 출력하는, 인공 지능 장치.
  6. 청구항 5에 있어서,
    상기 가이드 이미지는
    상기 차량의 크기와 상기 차량의 모양에 대응되는 차량 이미지인, 인공 지능 장치.
  7. 청구항 3에 있어서,
    상기 프로세서는
    머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 경로 예측 모델을 이용하여 상기 제1 주행 정보로부터 상기 차선 변경 경로 및 상기 도착 위치를 결정하는, 인공 지능 장치.
  8. 청구항 2에 있어서,
    상기 외부 차량들과 데이터를 송수신하는 통신부
    를 더 포함하고,
    상기 프로세서는
    상기 차선 변경 적합성이 적합하다고 판단된 경우, 상기 통신부를 통해 상기 적어도 하나 이상의 외부 차량 중 상기 차량으로부터 일정 거리 이내의 인접 차량들 중 적어도 하나 이상에 차선 변경 알림을 전송하는, 인공 지능 장치.
  9. 청구항 2에 있어서,
    화상 신호를 출력하는 디스플레이부; 또는
    소리 신호를 출력하는 스피커
    중 적어도 하나 이상을 더 포함하고,
    상기 프로세서는
    상기 차선 변경 적합성이 부적합하다고 판단된 경우, 상기 디스플레이부 또는 상기 스피커를 통해 상기 사용자에게 차선 변경에 부적합한 상황임을 알리는 알림을 출력하는, 인공 지능 장치.
  10. 청구항 1에 있어서,
    상기 프로세서는
    머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 차량 인식 모델을 이용하여 상기 센서 정보로부터 상기 적어도 하나 이상의 외부 차량을 인식하는, 인공 지능 장치.
  11. 청구항 1에 있어서,
    상기 프로세서는
    상기 차량에 대한 차선 변경 의도를 판단하고, 상기 차선 변경 의도가 존재하는 경우에 상기 차선 변경 적합성을 판단하는, 인공 지능 장치.
  12. 청구항 11에 있어서,
    상기 프로세서는
    자율 주행 기능을 제어하는 자율 주행 제어부에서의 차선 변경 명령의 발생 여부에 기초하여 상기 차선 변경 의도를 판단하는, 인공 지능 장치.
  13. 청구항 11에 있어서,
    운전자의 안면을 포함하는 이미지 데이터를 획득하는 카메라
    를 더 포함하고,
    상기 프로세서는
    상기 이미지 데이터로부터 상기 운전자의 상태 정보를 획득하고, 상기 차량의 방향 지시등 점등 상태, 상기 차량의 조향 상태 및 상기 운전자의 상태 정보에 기초하여 상기 차선 변경 의도를 판단하고,
    상기 상태 정보는
    상기 운전자의 머리 방향 또는 상기 운전자의 시선 방향 정보 중 적어도 하나 이상을 포함하는, 인공 지능 장치.
  14. 차량의 차선 변경에 관련된 알림을 제공하는 방법에 있어서,
    이미지 센서, 레이더 센서 또는 라이다 센서 중 적어도 하나 이상으로부터 주변 도로 및 적어도 하나 이상의 외부 차량에 대한 센서 정보를 수신하는 단계;
    상기 센서 정보를 이용하여 상기 차량에 대한 상기 도로 위에서의 위치, 속도 및 조향 상태를 포함하는 제1 주행 정보를 획득하는 단계;
    상기 차량에 대한 차선 변경 의도를 판단하는 단계;
    상기 센서 정보를 이용하여 상기 적어도 하나 이상의 외부 차량 각각에 대한 위치, 거리 및 속도를 포함하는 제2 주행 정보를 산출하는 단계;
    상기 제1 주행 정보 및 상기 제2 주행 정보에 기초하여 차선 변경 적합성을 판단하는 단계; 및
    상기 차선 변경 적합성의 판단 결과에 기초하여 차선 변경에 관련된 알림을 출력하는 단계
    를 포함하는, 방법.
  15. 차량의 차선 변경에 관련된 알림을 제공하는 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서,
    상기 차량의 차선 변경에 관련된 알림을 제공하는 방법은
    이미지 센서, 레이더 센서 또는 라이다 센서 중 적어도 하나 이상으로부터 주변 도로 및 적어도 하나 이상의 외부 차량 각각에 대한 센서 정보를 수신하는 단계;
    상기 센서 정보를 이용하여 상기 차량에 대한 상기 도로 위에서의 위치, 속도 및 조향 상태를 포함하는 제1 주행 정보를 획득하는 단계;
    상기 차량에 대한 차선 변경 의도를 판단하는 단계;
    상기 센서 정보를 이용하여 상기 적어도 하나 이상의 외부 차량 각각의 위치, 거리 및 속도를 포함하는 제2 주행 정보를 산출하는 단계;
    상기 제1 주행 정보 및 상기 제2 주행 정보에 기초하여 차선 변경 적합성을 판단하는 단계; 및
    상기 차선 변경 적합성의 판단 결과에 기초하여 차선 변경에 관련된 알림을 출력하는 단계
    를 포함하는, 기록 매체.
KR1020190073734A 2019-06-20 2019-06-20 차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법 KR20190083317A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190073734A KR20190083317A (ko) 2019-06-20 2019-06-20 차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법
US16/524,863 US20190351918A1 (en) 2019-06-20 2019-07-29 Artificial intelligence apparatus for providing notification related to lane-change of vehicle and method for the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190073734A KR20190083317A (ko) 2019-06-20 2019-06-20 차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20190083317A true KR20190083317A (ko) 2019-07-11

Family

ID=67254572

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190073734A KR20190083317A (ko) 2019-06-20 2019-06-20 차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법

Country Status (2)

Country Link
US (1) US20190351918A1 (ko)
KR (1) KR20190083317A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530202A (zh) * 2020-11-23 2021-03-19 中国第一汽车股份有限公司 一种车辆变道的预测方法、装置、设备及车辆
CN112835362A (zh) * 2020-12-29 2021-05-25 际络科技(上海)有限公司 一种自动变道规划方法及装置、电子设备和存储介质
CN113291308A (zh) * 2021-06-02 2021-08-24 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种考虑驾驶行为特性的车辆自学习换道决策***及方法
KR20210123626A (ko) * 2020-04-03 2021-10-14 주식회사 만도모빌리티솔루션즈 운전자 보조 시스템
KR20220116855A (ko) * 2021-02-16 2022-08-23 충북대학교 산학협력단 자동차 전용도로 환경에서 강화학습을 이용한 자율주행 차량의 차선 변경 판단 방법 및 이를 기록한 기록매체
KR20230014008A (ko) * 2021-07-20 2023-01-27 한양대학교 산학협력단 인공신경망을 이용한 주행 차량의 충돌 가능성 판단 방법 및 장치

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298219A (zh) * 2018-03-23 2019-10-01 广州汽车集团股份有限公司 无人驾驶车道保持方法、装置、计算机设备和存储介质
KR20200143965A (ko) * 2019-06-17 2020-12-28 현대자동차주식회사 음향 통신 시스템 및 그의 데이터 송수신 방법
US11423672B2 (en) * 2019-08-02 2022-08-23 Dish Network L.L.C. System and method to detect driver intent and employ safe driving actions
KR20210044960A (ko) * 2019-10-15 2021-04-26 현대자동차주식회사 자율주행차량의 차선변경 제어 장치 및 그 방법
US11520342B2 (en) * 2020-03-12 2022-12-06 Pony Ai Inc. System and method for determining realistic trajectories
KR102440255B1 (ko) * 2020-08-14 2022-09-07 주식회사 에이치엘클레무브 운전자 보조 시스템 및 그 제어 방법
CN111959511B (zh) * 2020-08-26 2022-06-03 腾讯科技（深圳）有限公司 车辆控制方法及装置
CN112590984B (zh) * 2020-12-03 2022-07-29 江门市大长江集团有限公司 摩托车后视镜防撞报警装置、方法和计算机设备
CN112634655B (zh) * 2020-12-15 2022-11-22 阿波罗智联(北京)科技有限公司 基于车道线的变道处理方法、装置、电子设备及存储介质
CN112918478B (zh) * 2021-02-25 2022-04-01 中南大学 一种车辆变道的预测方法、装置及计算机存储介质
CN113276861B (zh) * 2021-06-21 2023-03-28 上汽通用五菱汽车股份有限公司 车辆控制方法、车辆控制***及存储介质
CN114664083A (zh) * 2022-01-14 2022-06-24 深圳市精艺宏图电子科技有限公司 一种实现辅助驾驶功能的装置和实现方法
CN117325762A (zh) * 2022-06-27 2024-01-02 深圳市中兴微电子技术有限公司 一种车辆控制方法、***及ar头显
CN115158327B (zh) * 2022-08-16 2024-04-12 中国第一汽车股份有限公司 换道意图确定方法、装置及存储介质
CN115416486A (zh) * 2022-09-30 2022-12-02 江苏泽景汽车电子股份有限公司 车辆变道信息显示方法、装置、电子设备及存储介质
CN116032985B (zh) * 2023-01-09 2024-04-23 中南大学 基于智能网联车辆的均匀换道方法、***、设备及介质
US12008166B1 (en) * 2023-06-08 2024-06-11 Ford Global Technologies, Llc Automatic in-vehicle haptic feedback and force touch adjustment systems and methods

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210123626A (ko) * 2020-04-03 2021-10-14 주식회사 만도모빌리티솔루션즈 운전자 보조 시스템
US11890939B2 (en) 2020-04-03 2024-02-06 Hl Klemove Corp. Driver assistance system
CN112530202A (zh) * 2020-11-23 2021-03-19 中国第一汽车股份有限公司 一种车辆变道的预测方法、装置、设备及车辆
CN112530202B (zh) * 2020-11-23 2022-01-04 中国第一汽车股份有限公司 一种车辆变道的预测方法、装置、设备及车辆
CN112835362A (zh) * 2020-12-29 2021-05-25 际络科技(上海)有限公司 一种自动变道规划方法及装置、电子设备和存储介质
KR20220116855A (ko) * 2021-02-16 2022-08-23 충북대학교 산학협력단 자동차 전용도로 환경에서 강화학습을 이용한 자율주행 차량의 차선 변경 판단 방법 및 이를 기록한 기록매체
CN113291308A (zh) * 2021-06-02 2021-08-24 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种考虑驾驶行为特性的车辆自学习换道决策***及方法
CN113291308B (zh) * 2021-06-02 2022-04-29 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种考虑驾驶行为特性的车辆自学习换道决策***及方法
KR20230014008A (ko) * 2021-07-20 2023-01-27 한양대학교 산학협력단 인공신경망을 이용한 주행 차량의 충돌 가능성 판단 방법 및 장치

Also Published As

Publication number Publication date
US20190351918A1 (en) 2019-11-21

Similar Documents

Publication Publication Date Title
KR20190083317A (ko) 차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법
US11455792B2 (en) Robot capable of detecting dangerous situation using artificial intelligence and method of operating the same
US11042766B2 (en) Artificial intelligence apparatus and method for determining inattention of driver
US11383379B2 (en) Artificial intelligence server for controlling plurality of robots and method for the same
US20210173614A1 (en) Artificial intelligence device and method for operating the same
US11755033B2 (en) Artificial intelligence device installed in vehicle and method therefor
KR20190096307A (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
US11511422B2 (en) Artificial intelligence server for determining route of robot and method for the same
US20200041159A1 (en) Artificial intelligence air conditioner and method for calibrating sensor data of air conditioner
KR20190084912A (ko) 사용자의 액션에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
KR20190098931A (ko) 로봇의 언어를 설정하는 인공 지능 서버 및 그 방법
KR20190085895A (ko) 사용자의 시선에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
US11769047B2 (en) Artificial intelligence apparatus using a plurality of output layers and method for same
US11455529B2 (en) Artificial intelligence server for controlling a plurality of robots based on guidance urgency
US20210373574A1 (en) Robot for providing guidance service using artificial intelligence and method of operating the same
US11074814B2 (en) Portable apparatus for providing notification
US11977384B2 (en) Control system for controlling a plurality of robots using artificial intelligence
KR20190098934A (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
KR20190095190A (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
US11550328B2 (en) Artificial intelligence apparatus for sharing information of stuck area and method for the same
US20210133561A1 (en) Artificial intelligence device and method of operating the same
US11093795B2 (en) Artificial intelligence server for determining deployment area of robot and method for the same
KR102247911B1 (ko) 인공 지능 로봇 및 인공 지능 서버

Legal Events

Date Code Title Description
G15R Request for early publication
A201 Request for examination