KR20210044961A - 자율주행차량의 차선변경 전략 결정 장치 및 그 방법 - Google Patents
자율주행차량의 차선변경 전략 결정 장치 및 그 방법 Download PDFInfo
- Publication number
- KR20210044961A KR20210044961A KR1020190128052A KR20190128052A KR20210044961A KR 20210044961 A KR20210044961 A KR 20210044961A KR 1020190128052 A KR1020190128052 A KR 1020190128052A KR 20190128052 A KR20190128052 A KR 20190128052A KR 20210044961 A KR20210044961 A KR 20210044961A
- Authority
- KR
- South Korea
- Prior art keywords
- lane change
- autonomous vehicle
- strategy
- change strategy
- lane
- Prior art date
Links
- 230000008859 change Effects 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000008569 process Effects 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims description 18
- 230000003068 static effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 16
- 238000001514 detection method Methods 0.000 description 11
- 238000013075 data extraction Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 239000000470 constituent Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—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
- 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
- B60W30/14—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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- 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
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
-
- 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
-
- G05D2201/0213—
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Traffic Control Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Business, Economics & Management (AREA)
Abstract
본 발명은 자율주행차량의 차선변경 전략 결정 장치 및 그 방법에 관한 것으로, 자율주행차량의 차선변경(Lane Change)시 안전을 위해 고려되어야 할 다양한 상황정보들을 그룹별로 세분화하여 심층 학습을 수행하고, 이렇게 학습된 결과에 기초하여 자율주행차량의 차선변경 전략을 결정함으로써, 자율주행차량의 차선변경 과정에서 최적의 주행경로 생성을 가능하게 하는 자율주행차량의 차선변경 전략 결정 장치 및 그 방법을 제공하고자 한다.
이를 위하여, 본 발명은 자율주행차량의 차선변경 전략 결정 장치에 있어서, 자율주행차량의 차선변경시 고려되어야 할 상황정보들을 그룹별로 세분화하여 상황별 차선변경 전략을 학습하는 학습부; 및 상기 학습부에 의해 학습된 상황별 차선변경 전략에 기초하여 현재 상황에 맞는 차선변경 전략을 주기적으로 결정하는 제어부를 포함한다.
이를 위하여, 본 발명은 자율주행차량의 차선변경 전략 결정 장치에 있어서, 자율주행차량의 차선변경시 고려되어야 할 상황정보들을 그룹별로 세분화하여 상황별 차선변경 전략을 학습하는 학습부; 및 상기 학습부에 의해 학습된 상황별 차선변경 전략에 기초하여 현재 상황에 맞는 차선변경 전략을 주기적으로 결정하는 제어부를 포함한다.
Description
본 발명은 심층 학습을 기반으로 자율주행차량의 차선변경 전략을 결정하는 기술에 관한 것이다.
일반적으로, 심층 학습(Deep Learning or Deep Neural Network)은 기계 학습(Machine Learning)의 한 종류로서, 입력과 출력 사이에 여러 층의 인공 신경망(ANN, Artificial Neural Network)이 구성되어 있으며, 이러한 인공 신경망은 구조와 해결할 문제 및 목적 등에 따라 콘볼루션 신경망(CNN, Convolution Neural Network) 또는 순환 신경망(RNN, Recurrent Neural Network) 등을 포함할 수 있다.
심층 학습은 분류(classification), 회기(regression), 위치 인식(localization), 검출(detection), 분할(segmentation) 등 다양한 문제를 해결하기 위해 사용된다. 특히, 자율주행시스템에서는 동적, 정적 장애물의 위치와 종류를 판별할 수 있는 의미론적 분할(Semantic Segmentation)과 객체 검출(Object Detection)이 중요하게 사용된다.
의미론적 분할은 이미지 내에서 객체를 찾기 위해 픽셀 단위의 분류 예측을 수행하여 의미가 같은 픽셀 단위로 분할하는 것을 의미하며, 이를 통해 이미지 내에 어떤 객체가 있는지 확인할 수 있을 뿐만 아니라 동일한 의미(동일 객체)를 갖는 픽셀의 위치까지 정확하게 파악할 수 있다.
객체 검출은 이미지 내 객체의 종류를 분류 및 예측하고, 경계 상자(Bounding Box)를 회귀 예측하여 객체의 위치정보를 찾는 것을 의미하며, 이를 통해 단순 분류와는 다르게 이미지에 있는 객체의 종류가 무엇인지 뿐만 아니라 그 객체의 위치정보까지 파악할 수 있다.
이러한 심층 학습을 기반으로 자율주행차량의 차선변경 전략을 결정하는 기술은 제안된 바 없다.
상기와 같은 종래 기술의 문제점을 해결하기 위하여, 본 발명은 자율주행차량의 차선변경(Lane Change)시 안전을 위해 고려되어야 할 다양한 상황정보들을 그룹별로 세분화하여 심층 학습을 수행하고, 이렇게 학습된 결과에 기초하여 자율주행차량의 차선변경 전략을 결정함으로써, 자율주행차량의 차선변경 과정에서 최적의 주행경로 생성을 가능하게 하는 자율주행차량의 차선변경 전략 결정 장치 및 그 방법을 제공하는데 그 목적이 있다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명의 장치는, 자율주행차량의 차선변경 전략 결정 장치에 있어서, 자율주행차량의 차선변경시 고려되어야 할 상황정보들을 그룹별로 세분화하여 상황별 차선변경 전략을 학습하는 학습부; 및 상기 학습부에 의해 학습된 상황별 차선변경 전략에 기초하여 현재 상황에 맞는 차선변경 전략을 주기적으로 결정하는 제어부를 포함할 수 있다.
이러한 본 발명의 장치는 상황별로 복수의 차선변경 전략을 저장하는 저장부를 더 포함할 수 있다.
여기서, 상기 복수의 차선변경 전략은 상기 학습 결과에 상응하는 스코어와 매칭될 수 있다.
또한, 상기 복수의 차선변경 전략은 정상적으로 차선을 변경하는 전략과, 차선변경 도중 목표차선으로 진입하지 못한 상태에서 현재차선으로 회귀하는 전략과, 차선변경 도중 목표차선에 진입한 상태에서 현재차선으로 회귀하는 전략을 포함할 수 있다.
또한, 상기 제어부는 현재 상황에 상응하는 복수의 차선변경 전략 중에서 스코어가 가장 높은 유턴 전략을 상기 자율주행차량의 차선변경 전략으로 결정할 수 있다.
또한, 상기 제어부는 상기 자율주행차량의 차선변경 과정에서 획득한 위험도에 기초하여 현재 상황에 상응하는 각 차선변경 전략의 스코어를 조절할 수 있다. 이때, 상기 위험도는 충돌 경고 횟수일 수 있다.
이러한 본 발명의 장치는 현재 시점의 상황정보들에 대한 그룹별 데이터를 입력하는 입력부를 더 포함할 수 있다.
여기서, 상기 입력부는 자율주행차량의 차선변경시에 주변차량과의 충돌을 방지하기 위한 제1 그룹 데이터를 추출하는 제1 데이터 추출부와, 자율주행차량의 차선변경시에 전방에 위치한 다양한 신호등의 점등상태를 제2 그룹 데이터로서 추출하는 제2 데이터 추출부와, 정적 객체의 분포에 따른 주행가능영역과 공사구간에 따른 주행가능영역 및 사고구간에 따른 주행가능영역을 제3 그룹 데이터로서 추출하는 제3 데이터 추출부와, 도로의 구조에 따른 주행가능영역을 제4 그룹 데이터로서 추출하는 제4 데이터 추출부와, 상기 제3 데이터 추출부에 의해 추출된 주행가능영역과 제4 데이터 추출부에 의해 추출된 주행가능영역의 중첩영역을 제5 그룹 데이터로서 추출하는 제5 데이터 추출부 중 적어도 하나 이상을 포함할 수 있다.
상기 목적을 달성하기 위한 본 발명의 방법은, 자율주행차량의 차선변경 전략 결정 방법에 있어서, 학습부가 자율주행차량의 차선변경시 고려되어야 할 상황정보들을 그룹별로 세분화하여 상황별 차선변경 전략을 학습하는 단계; 및 제어부가 상기 학습부에 의해 학습된 상황별 차선변경 전략에 기초하여 현재 상황에 맞는 차선변경 전략을 주기적으로 결정하는 단계를 포함할 수 있다.
이러한 본 발명의 방법은 저장부가 상황별로 복수의 차선변경 전략을 저장하는 단계를 더 포함할 수 있다.
여기서, 상기 복수의 차선변경 전략은 상기 학습 결과에 상응하는 스코어와 매칭될 수 있다.
또한, 상기 복수의 차선변경 전략은 정상적으로 차선을 변경하는 전략과, 차선변경 도중 목표차선으로 진입하지 못한 상태에서 현재차선으로 회귀하는 전략과, 차선변경 도중 목표차선에 진입한 상태에서 현재차선으로 회귀하는 전략을 포함할 수 있다.
또한, 상기 차선변경 전략을 주기적으로 결정하는 단계는, 현재 상황에 상응하는 복수의 차선변경 전략 중에서 스코어가 가장 높은 차선변경 전략을 상기 자율주행차량의 차선변경 전략으로 결정할 수 있다.
이러한 본 발명의 방법은 상기 제어부가 자율주행차량의 차선변경 과정에서 획득한 위험도에 기초하여 현재 상황에 상응하는 각 차선변경 전략의 스코어를 조절하는 단계를 더 포함할 수 있다. 이때, 상기 위험도는 충돌 경고 횟수일 수 있다.
이러한 본 발명의 방법은 입력부가 현재 시점의 상황정보들에 대한 그룹별 데이터를 입력하는 단계를 더 포함할 수 있다.
여기서, 상기 그룹별 데이터를 입력하는 단계는, 자율주행차량의 차선변경시에 주변차량과의 충돌을 방지하기 위한 제1 그룹 데이터를 추출하는 단계; 자율주행차량의 차선변경시에 전방에 위치한 다양한 신호등의 점등상태를 제2 그룹 데이터로서 추출하는 단계; 정적 객체의 분포에 따른 주행가능영역과 공사구간에 따른 주행가능영역 및 사고구간에 따른 주행가능영역을 제3 그룹 데이터로서 추출하는 단계; 도로의 구조에 따른 주행가능영역을 제4 그룹 데이터로서 추출하는 단계; 및 상기 제3 그룹 데이터의 주행가능영역과 상기 제4 그룹 데이터의 주행가능영역의 중첩영역을 제5 그룹 데이터로서 추출하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치 및 그 방법은, 자율주행차량의 차선변경(Lane Change)시 안전을 위해 고려되어야 할 다양한 상황정보들을 그룹별로 세분화하여 심층 학습을 수행하고, 이렇게 학습된 결과에 기초하여 자율주행차량의 차선변경 전략을 결정함으로써, 자율주행차량의 차선변경 과정에서 최적의 주행경로 생성을 가능하게 하는 것은 물론 자율주행차량의 차선변경 과정에서 발생할 수 있는 사고를 획기적으로 감소시킬 수 있다.
도 1 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치의 구성도,
도 2a 내지 도 2c는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치가 상황별로 학습하는 차선변경 전략에 대한 예시도,
도 3 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치의 상세 구성도,
도 4a 내지 도 4c는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제1 데이터 추출부가 제1 그룹 데이터를 추출하는 상황을 나타내는 도면,
도 5 는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제2 데이터 추출부가 제2 그룹 데이터를 추출하는 상황을 나타내는 도면,
도 6a 및 도 6b는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제3 데이터 추출부가 제3 그룹 데이터를 추출하는 상황을 나타내는 도면,
도 7a 및 도 7b는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제4 데이터 추출부가 제4 그룹 데이터를 추출하는 상황을 나타내는 도면,
도 8 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제5 데이터 추출부가 제5 그룹 데이터로서 추출한 최종 차선변경 가능 영역을 나타내는 도면,
도 9 는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 위험도 판단부가 위험도를 판단하는 과정을 나타내는 도면,
도 10 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 방법에 대한 흐름도,
도 11 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 방법을 실행하기 위한 컴퓨팅 시스템을 보여주는 블록도이다.
도 2a 내지 도 2c는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치가 상황별로 학습하는 차선변경 전략에 대한 예시도,
도 3 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치의 상세 구성도,
도 4a 내지 도 4c는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제1 데이터 추출부가 제1 그룹 데이터를 추출하는 상황을 나타내는 도면,
도 5 는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제2 데이터 추출부가 제2 그룹 데이터를 추출하는 상황을 나타내는 도면,
도 6a 및 도 6b는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제3 데이터 추출부가 제3 그룹 데이터를 추출하는 상황을 나타내는 도면,
도 7a 및 도 7b는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제4 데이터 추출부가 제4 그룹 데이터를 추출하는 상황을 나타내는 도면,
도 8 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제5 데이터 추출부가 제5 그룹 데이터로서 추출한 최종 차선변경 가능 영역을 나타내는 도면,
도 9 는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 위험도 판단부가 위험도를 판단하는 과정을 나타내는 도면,
도 10 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 방법에 대한 흐름도,
도 11 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 방법을 실행하기 위한 컴퓨팅 시스템을 보여주는 블록도이다.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치의 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치(100)는, 저장부(10), 입력부(20), 학습부(30), 및 제어부(40)를 포함할 수 있다. 이때, 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치(100)를 실시하는 방식에 따라 각 구성요소는 서로 결합되어 하나로 구현될 수도 있고, 일부의 구성요소가 생략될 수도 있다. 특히, 학습부(30)는 제어부(40)의 하나의 기능 블록으로서 제어부(40)에 포함되도록 구현될 수 있다.
상기 각 구성요소들에 대하 살펴보면, 먼저 저장부(10)는 자율주행차량의 차선변경시 안전을 위해 고려되어야 할 다양한 상황정보들을 그룹별로 세분화하여 심층 학습을 수행하는 과정과, 이렇게 학습된 결과에 기초하여 자율주행차량의 차선변경 전략을 결정하는 과정에서 요구되는 각종 로직과 알고리즘 및 프로그램을 저장할 수 있다.
저장부(10)는 학습부(30)에 의한 학습된 결과로서 일례로 상황별 차선변경 전략 모델을 저장할 수 있다.
저장부(10)는 상황별로 복수의 차선변경 전략을 저장할 수도 있다. 이때, 각 차선변경 전략은 학습 결과에 상응하는 스코어(score)를 구비할 수 있다. 여기서, 스코어는 차선변경 전략으로 선택될 가능성을 나타낸다.
예를 들어, 특정 상황에서 제1 차선변경 전략의 스코어가 80%, 제2 차선변경 전략의 스코어가 10%, 제3 차선변경 전략의 스코어가 5%, 제4 차선변경 전략의 스코어가 3%, 제5 차선변경 전략의 스코어가 2%인 경우, 상기 특정 상황에서의 차선변경 전략은 스코어가 가장 높은 제1 차선변경 전략으로 결정될 수 있다.
저장부(10)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 마이크로 타입(micro type), 및 카드 타입(예컨대, SD 카드(Secure Digital Card) 또는 XD 카드(eXtream Digital Card)) 등의 메모리와, 램(RAM, Random Access Memory), SRAM(Static RAM), 롬(ROM, Read-Only Memory), PROM(Programmable ROM), EEPROM(Electrically Erasable PROM), 자기 메모리(MRAM, Magnetic RAM), 자기 디스크(magnetic disk), 및 광디스크(optical disk) 타입의 메모리 중 적어도 하나의 타입의 기록 매체(storage medium)를 포함할 수 있다.
다음으로, 입력부(20)는 상황별 최적의 차선변경 전략을 학습하는 과정에서 요구되는 데이터(학습 데이터)를 학습부(30)로 입력(제공)할 수 있다.
또한, 입력부(20)는 자율주행차량의 차선변경 전략을 결정하는 과정에서 요구되는 현재 시점의 데이터를 제어부(40)로 입력하는 기능을 수행할 수 있다.
다음으로, 학습부(30)는 심층 학습을 기반으로 입력부(20)를 통해 입력되는 학습 데이터를 학습한다. 이때, 학습 데이터는 자율주행차량의 차선변경시 안전을 위해 고려되어야 할 다양한 상황정보들이 그룹별로 세분화된 형태를 갖는다. 즉, 학습부(30)는 상황별 최적의 차선변경 전략을 학습한다. 이때, 차선변경 전략은 일례로 도 2a 내지 도 2c에 도시된 바와 같다.
도 2a 내지 도 2c는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치가 상황별로 학습하는 차선변경 전략에 대한 예시도이다.
도 2a는 본 발명의 일 실시예에 따른 제1 차선변경 전략으로서 정상 차선변경을 나타내고, 도 2b는 본 발명의 일 실시예에 따른 제2 차선변경 전략으로서 차선변경 도중 현재차선에서의 회귀를 나타내며, 도 2c는 본 발명의 일 실시예에 따른 제3 차선변경 전략으로서 차선변경 도중 목표차선으로부터의 회귀를 나타낸다. 즉, 도 2b는 차선변경 과정에서 목표차선으로 진입하지 못한 상태에서 현재차선을 그대로 주행하는 전략을 의미하고, 도 2c는 차선변경 과정에서 목표차선에 진입한 상태에서 현재차선으로 회귀하는 전략을 의미한다. 참고로, 자율주행차량이 차선을 변경하는 도중에도 주기적으로 현재 상황에 맞는 새로운 차선변경 전략을 결정하기 때문에 초기 결정된 현재차선에서의 회귀 전략 또는 목표차선으로부터의 회귀 전략에 따라 현재차선으로 회귀하지 않고 도 2a에 도시된 바와 같이 정상적으로 차선변경이 이루어질 수도 있다.
여기서, 정상 차선변경은 목표차선에서 주행중인 차량 전방으로의 차선변경, 목표차선에서 주행중인 차량과의 이격거리에 따른 차선변경, 목표차선에서 주행중인 차량의 후방으로의 차선변경 등 다양한 차선변경 케이스를 포함할 수 있다.
본 발명의 일 실시예에서는 3개의 차선변경 전략을 예로 들어 설명하였으나, 차선변경 전략의 수는 설계자의 의도에 따라 가변될 수 있으나, 본 발명에는 아무런 영향을 미치지 않는다.
한편, 학습부(30)는 다양한 방식으로 학습을 수행할 수 있는데, 일례로 학습이 전혀 안된 초기에는 시뮬레이션 기반으로 학습을 수행할 수 있고, 학습이 어느정도 이루어진 중기에는 클라우드 서버(미도시)를 기반으로 학습을 수행할 수 있으며, 학습이 완료된 후에는 개인의 차선변경 성향을 기반으로 추가 학습을 수행할 수도 있다. 이때, 클라우드 서버는 차선변경을 수행하는 복수의 차량 및 인프라로부터 각종 상황정보를 수집하고, 상기 수집된 상황정보를 학습데이터로서 자율주행차량으로 제공한다.
다음으로, 제어부(40)는 상기 각 구성요소들이 제 기능을 정상적으로 수행할 수 있도록 전반적인 제어를 수행한다. 이러한 제어부(40)는 하드웨어의 형태로 구현되거나, 또는 소프트웨어의 형태로 구현되거나, 또는 하드웨어 및 소프트웨어가 결합된 형태로 구현될 수 있다. 바람직하게는, 제어부(40)는 마이크로프로세서로 구현될 수 있으나 이에 한정되는 것은 아니다.
특히, 제어부(40)는 자율주행차량의 차선변경시 안전을 위해 고려되어야 할 다양한 상황정보들을 그룹별로 세분화하여 심층 학습을 수행하고, 이렇게 학습된 결과에 기초하여 자율주행차량의 차선변경 전략을 결정하는 과정에서 요구되는 각종 제어를 수행할 수 있다.
제어부(40)는 입력부(20)를 통해 입력되는 현재 시점의 주변상황에 대한 데이터를 학습부(30)의 학습결과에 적용하여 자율주행차량의 차선변경 전략을 결정할 수 있다.
제어부(40)는 자율주행차량의 차선변경 과정에서 획득한 위험도(일례로, 충돌 경고 횟수)에 기초하여 저장부(10)에 저장되어 있는 상황별 각 차선변경 전략의 스코어를 조절할 수도 있다.
예를 들어, 특정 상황에서 제1 차선변경 전략의 스코어가 80%, 제2 차선변경 전략의 스코어가 10%, 제3 차선변경 전략의 스코어가 5%, 제4 차선변경 전략의 스코어가 3%, 제5 차선변경 전략의 스코어가 2%인 경우, 제1 차선변경 전략에 기초하여 차선변경하는 과정에서 발생한 위험도 횟수에 따라 제1 차선변경 전략의 스코어를 80%에서 70%로 줄이고, 제2 차선변경 전략의 스코어를 10%에서 20%로 증가시킬 수 있다. 상기 특정 상황에서 제1 차선변경 전략이 적용되는 경우에 위험도가 빈번하게 발생하면 제2 차선변경 전략의 스코어가 제1 차선변경 전략의 스코어보다 커질 수도 있다.
도 3 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치의 상세 구성도이다.
도 3에 도시된 바와 같이, 입력부(20)는 라이다(LiDAR: Light Detection And Ranging, 211) 센서, 카메라(212), 레이더(RaDAR: Radio Detecting And Ranging) 센서(213), V2X 모듈(214), 정밀지도(215), GPS(Global Positioning System) 수신기(216), 및 차량 네트워크(217)를 포함할 수 있다.
라이다 센서(211)는 환경인지 센서의 한 종류로서, 자율주행차량에 탑재되어 회전하면서 전방위에 레이저를 쏘아 반사되어 돌아오는 시간에 기초하여 반사체의 위치좌표 등을 측정한다.
카메라(212)는 자율주행차량의 실내 룸 미러 뒷쪽에 장착되어 차량 주변에 위치한 차선, 차량, 사람 등을 포함하는 영상을 촬영한다.
레이더 센서(213)는 전자기파 발사 후 물체에서 반사되는 전자기파를 수신하여 물체와의 거리, 물체의 방향 등을 측정한다. 이러한 레이더 센서(213)는 자율주행차량의 전방 범퍼와 후측방에 장차될 수 있으며, 장거리 물체 인식이 가능하고 기상의 영향을 거의 받지 않는다.
V2X 모듈(214)는 V2V 모듈(Vehicle to Vehicle, 미도시)과 V2I 모듈(Vehicle to Infrastructure, 미도시)을 포함할 수 있으며, V2V 모듈은 주변차량과 통신하여 타 주변차량의 위치, 속도, 가속도, 요레이트, 진행방향 등을 획득할 수 있고, V2I 모듈은 기반시설(Infrastructure)로부터 도로의 형태, 주변 구조물, 신호등 정보(위치, 점등상태(적색, 황색, 녹색 등))를 획득할 수 있다.
정밀지도(215)는 자율주행용 지도로서, 차량의 정확한 위치 측정 및 자율주행의 안전성 강화를 위해 차선, 신호등, 표지판 정보 등을 포함할 수 있다.
GPS 수신기(216)는 3개 이상의 GPS 위성으로부터 GPS 신호를 수신한다.
차량 네트워크(217)는 자율주행차량 내 각 제어기 간의 통신을 위한 네트워크로서, CAN(Controller Area Network), LIN(Local Interconnect Network), 플렉스레이(FlexRay), MOST(Media Oriented Systems Transport), 이더넷(Ethernet) 등을 포함할 수 있다.
또한, 입력부(20)는 객체정보 검출부(221), 인프라정보 검출부(222), 및 위치정보 검출부(223)를 포함할 수 있다.
객체정보 검출부(221)는 라이다 센서(211), 카메라(212), 레이더 센서(213), 및 V2X 모듈(214)을 기반으로 자율주행차량 주변의 객체정보를 검출한다. 이때, 객체는 도로상에 위치한 차량과 사람 및 물체 등을 포함하며, 객체정보는 객체에 대한 정보로서 차량의 속도, 가속도, 요레이트, 시간에 따른 종가속도의 누적값 등을 포함할 수 있다.
인프라정보 검출부(222)는 라이다 센서(211), 카메라(212), 레이더 센서(213), V2X 모듈(214), 및 정밀지도(215)를 기반으로 자율주행차량 주변의 인프라정보를 검출한다. 이때, 인프라정보는 도로의 형태(차선, 중앙분리대 등), 주변 구조물, 신호등 점등상태, 횡단보도 외곽선, 도로 경계면 등을 포함한다.
위치정보 검출부(223)는 라이다 센서(211), 카메라(212), 레이더 센서(213), V2X 모듈(214), 정밀 지도(215), GPS 수신기(216), 차량 네트워크(217)를 기반으로 자율주행차량의 위치정보(일례로 위치좌표)를 검출한다. 이때, 위치정보는 상기 위치정보의 검출 정확도를 나타내는 신뢰도 정보를 포함할 수도 있다.
또한, 입력부(20)는 제1 데이터 추출부(231), 제2 데이터 추출부(232), 제3 데이터 추출부(233), 제4 데이터 추출부(234), 제5 데이터 추출부(235)를 포함할 수 있다.
이하, 도 4 내지 도 9를 참조하여 자율주행차량의 차선변경시 안전을 위해 고려되어야 할 다양한 상황정보들을 그룹별로 세분화하는 과정에 대해 살펴보기로 한다.
도 4a 내지 도 4c는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제1 데이터 추출부가 제1 그룹 데이터를 추출하는 상황을 나타내는 도면이다.
도 4a 내지 도 4c에 도시된 바와 같이, 제1 데이터 추출부(231)는 자율주행차량(410)의 차선변경시, 주변차량(420, 430, 440)과의 충돌을 방지하기 위한 제1 그룹 데이터를 객체정보와 인프라정보로부터 추출한다. 이때, 제1 그룹 데이터는 주변차량(420, 430, 440)의 위치, 속도, 가속도, 요레이트, 진행방향 등을 포함할 수 있다.
도 4a는 자율주행차량(410)의 차선변경시 목표 차선을 주행중인 주변차량(420)과의 충돌이 발생하는 경우를 나타내고, 도 4b는 자율주행차량(410)의 차선변경시 목표 차선으로 진입하는 주변차량(430)과의 충돌이 발생하는 경우를 나타내며, 도 3c는 자율주행차량(410)의 차선변경시 목표 차선에서 주변차량(440)이 이탈하여 과감한 차선변경이 가능한 경우를 나타낸다.
도 5 는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제2 데이터 추출부가 제2 그룹 데이터를 추출하는 상황을 나타내는 도면이다.
도 5에 도시된 바와 같이, 제2 데이터 추출부(232)는 인프라정보에 기초하여 자율주행차량(410)의 주변에 위치한 각 신호등의 점등상태를 획득하고, 상기 획득한 각 신호등의 점등상태 중에서 자율주행차량(410)의 차선변경과 관련된 신호등의 점등상태를 제2 그룹 데이터로서 추출한다. 이때, 신호등은 교차로에서 자율주행차량(410)의 차선변경과 관련된 차량 신호등 및 보행자 신호등을 포함할 수 있다.
도 6a 및 도 6b는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제3 데이터 추출부가 제3 그룹 데이터를 추출하는 상황을 나타내는 도면이다.
도 6a에 도시된 바와 같이, 제3 데이터 추출부(233)는 객체정보와 인프라정보에 기초하여 정적 객체(일례로 주차된 차량)의 분포에 따른 차선변경 가능 영역(610)을 제3 그룹 데이터로서 추출할 수 있다.
도 6b에 도시된 바와 같이, 제3 데이터 추출부(233)는 객체정보와 인프라정보에 기초하여 공사구간에 따른 차선변경 가능 영역(620) 및 사고구간에 따른 차선변경 가능 영역(630)을 제3 그룹 데이터로서 더 추출할 수 있다.
도 7a 및 도 7b는 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제4 데이터 추출부가 제4 그룹 데이터를 추출하는 상황을 나타내는 도면이다.
제4 데이터 추출부(234)는 인프라정보에 기초하여 도로의 구조에 따른 차선변경 가능 영역을 제4 그룹 데이터로서 추출할 수 있다.
도 7a에 도시된 바와 같이, 제4 데이터 추출부(234)는 카메라(212)에 의해 촬영된 영상으로부터 차선변경 가능 영역(711, 712)을 추출할 수 있다.
도 7b에 도시된 바와 같이, 제4 데이터 추출부(234)는 정밀지도(215)상의 자율주행차량(410)의 위치를 기준으로 차선변경 가능 영역(721, 722)을 추출할 수 있다.
도 8 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 장치에 구비된 제5 데이터 추출부가 제5 그룹 데이터로서 추출한 최종 차선변경 가능 영역을 나타내는 도면이다.
도 8에 도시된 바와 같이, 제5 데이터 추출부(235)는 제3 데이터 추출부(233)에 의해 추출된 차선변경 가능 영역(810)과 제4 데이터 추출부(234)에 의해 추출된 차선변경 가능 영역(820)의 중첩 영역(최종 차선변경 가능 영역, 830)을 제5 그룹 데이터로서 추출할 수 있다.
한편, 학습부(30)는 심층 학습을 기반으로, 제1 데이터 추출부(231)에 의해 추출된 데이터와, 제2 데이터 추출부(232)에 의해 추출된 데이터와, 제5 데이터 추출부(235)에 의해 추출된 데이터를 이용하여 상황별 차선변경 전략을 학습한다. 이렇게 학습부(30)에 의해 학습된 결과는 전략 결정부(41)가 자율주행차량의 차선변경 전략을 결정하는데 이용될 수 있다.
학습부(30)는 자율주행차량의 주행차선 전방에 이상 상황(공사, 사고, 낙석, 보행자)이 발생한 경우의 회피 차선정보를 더 입력받아 학습할 수 있다.
학습부(30)는 인공 신경망으로서 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), 제한 볼츠만 머신(Restricted Boltzmann Machine, RBM), 심층 신뢰 신경망(Deep Belief Network, DBN), 심층 Q-네트워크(Deep Q-Networks), GAN(Generative Adversarial Network), 소프트맥스(softmax) 중 적어도 하나를 이용할 수 있다. 이때, 인공 신경망의 히든 레이어는 적어도 10개 이상이고, 히든 레이어 내 히든 노드는 500개 이상이 바람직하지만 반드시 이에 한정되는 것은 아니다.
제어부(40)는 기능 블록으로서 전략 결정부(41)와 위험도 판단부(42)를 포함할 수 있다.
전략 결정부(41)는 제1 데이터 추출부(231)에 의해 추출된 데이터와, 제2 데이터 추출부(232)에 의해 추출된 데이터와, 제5 데이터 추출부(235)에 의해 추출된 데이터를 학습부(30)에 의해 학습된 결과에 적용하여 자율주행차량의 차선변경 전략을 결정할 수 있다.
전략 결정부(41)는 상기 결정된 차선변경 전략에 따라 차선을 변경하는 과정에서 위험도 판단부(42)에 의해 판단된 위험도(일례로, 충돌 경고 횟수)에 기초하여, 저장부(10)에 저장되어 있는 상황별 각 차선변경 전략의 스코어를 조절할 수도 있다.
위험도 판단부(42)는 TTC(Time To Collision), 주행 예상경로, 그리드 맵 등 다양한 방식으로 위험도를 판단할 수 있다.
예를 들어, TTC 기반으로 위험도를 판단하는 경우, 위험도 판단부(42)는 TTC가 임계치 이하가 되는 횟수(경고 횟수)를 카운팅하여 위험도를 판단할 수 있다. 예를 들어, 경고 횟수가 1회라도 발생하면 위험도가 있는 것으로 판단하고, 경고 횟수가 증가할수록 위험도가 큰 것으로 판단할 수 있다.
위험도 판단부(42)는 TTC 기반으로 위험도를 판단하는 경우, 도 9에 도시된 바와 같이 종방향 TTC는 물론 횡방향 TTC도 고려하여 위험도를 판단하는 것이 바람직하다.
도 10 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 방법에 대한 흐름도이다.
먼저, 학습부(30)가 자율주행차량의 차선변경시 고려되어야 할 상황정보들을 그룹별로 세분화하여 상황별 차선변경 전략을 학습한다(1001).
이후, 제어부(30)가 학습부(30)에 의해 학습된 상황별 차선변경 전략에 기초하여 현재 상황에 맞는 차선변경 전략을 주기적으로 결정한다(1002).
도 11 은 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 방법을 실행하기 위한 컴퓨팅 시스템을 보여주는 블록도이다.
도 11을 참조하면, 상술한 본 발명의 일 실시예에 따른 자율주행차량의 차선변경 전략 결정 방법은 컴퓨팅 시스템을 통해서도 구현될 수 있다. 컴퓨팅 시스템(1000)은 시스템 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.
프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory) 및 RAM(Random Access Memory)을 포함할 수 있다.
따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, SSD(Solid State Drive), 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10: 저장부
20: 입력부
30: 학습부
40: 제어부
20: 입력부
30: 학습부
40: 제어부
Claims (18)
- 자율주행차량의 차선변경시 고려되어야 할 상황정보들을 그룹별로 세분화하여 상황별 차선변경 전략을 학습하는 학습부; 및
상기 학습부에 의해 학습된 상황별 차선변경 전략에 기초하여 현재 상황에 맞는 차선변경 전략을 주기적으로 결정하는 제어부
를 포함하는 자율주행차량의 차선변경 전략 결정 장치.
- 제 1 항에 있어서,
상황별로 복수의 차선변경 전략을 저장하는 저장부
를 더 포함하는 자율주행차량의 차선변경 전략 결정 장치.
- 제 2 항에 있어서,
상기 복수의 차선변경 전략은,
상기 학습 결과에 상응하는 스코어와 매칭되는 것을 특징으로 하는 자율주행차량의 차선변경 전략 결정 장치.
- 제 2 항에 있어서,
상기 복수의 차선변경 전략은,
정상적으로 차선을 변경하는 전략과, 차선변경 도중 목표차선으로 진입하지 못한 상태에서 현재차선으로 회귀하는 전략과, 차선변경 도중 목표차선에 진입한 상태에서 현재차선으로 회귀하는 전략을 포함하는 자율주행차량의 차선변경 전략 결정 장치.
- 제 3 항에 있어서,
상기 제어부는,
현재 상황에 상응하는 복수의 차선변경 전략 중에서 스코어가 가장 높은 차선변경 전략을 상기 자율주행차량의 차선변경 전략으로 결정하는 것을 특징으로 하는 자율주행차량의 차선변경 전략 결정 장치.
- 제 3 항에 있어서,
상기 제어부는,
상기 자율주행차량의 차선변경 과정에서 획득한 위험도에 기초하여 현재 상황에 상응하는 각 차선변경 전략의 스코어를 조절하는 것을 특징으로 하는 자율주행차량의 차선변경 전략 결정 장치.
- 제 6 항에 있어서,
상기 위험도는,
충돌 경고 횟수인 것을 특징으로 하는 자율주행차량의 차선변경 전략 결정 장치.
- 제 1 항에 있어서,
현재 시점의 상황정보들에 대한 그룹별 데이터를 입력하는 입력부
를 더 포함하는 자율주행차량의 차선변경 전략 결정 장치.
- 제 8 항에 있어서,
상기 입력부는,
자율주행차량의 차선변경시에 주변차량과의 충돌을 방지하기 위한 제1 그룹 데이터를 추출하는 제1 데이터 추출부와, 자율주행차량의 차선변경시에 전방에 위치한 다양한 신호등의 점등상태를 제2 그룹 데이터로서 추출하는 제2 데이터 추출부와, 정적 객체의 분포에 따른 주행가능영역과 공사구간에 따른 주행가능영역 및 사고구간에 따른 주행가능영역을 제3 그룹 데이터로서 추출하는 제3 데이터 추출부와, 도로의 구조에 따른 주행가능영역을 제4 그룹 데이터로서 추출하는 제4 데이터 추출부와, 상기 제3 데이터 추출부에 의해 추출된 주행가능영역과 제4 데이터 추출부에 의해 추출된 주행가능영역의 중첩영역을 제5 그룹 데이터로서 추출하는 제5 데이터 추출부 중 적어도 하나 이상을 포함하는 자율주행차량의 차선변경 전략 결정 장치.
- 학습부가 자율주행차량의 차선변경시 고려되어야 할 상황정보들을 그룹별로 세분화하여 상황별 차선변경 전략을 학습하는 단계; 및
제어부가 상기 학습부에 의해 학습된 상황별 차선변경 전략에 기초하여 현재 상황에 맞는 차선변경 전략을 주기적으로 결정하는 단계
를 포함하는 자율주행차량의 차선변경 전략 결정 방법.
- 제 10 항에 있어서,
저장부가 상황별로 복수의 차선변경 전략을 저장하는 단계
를 더 포함하는 자율주행차량의 차선변경 전략 결정 방법.
- 제 11 항에 있어서,
상기 복수의 차선변경 전략은,
상기 학습 결과에 상응하는 스코어와 매칭되는 것을 특징으로 하는 자율주행차량의 차선변경 전략 결정 방법.
- 제 11 항에 있어서,
상기 복수의 차선변경 전략은,
정상적으로 차선을 변경하는 전략과, 차선변경 도중 목표차선으로 진입하지 못한 상태에서 현재차선으로 회귀하는 전략과, 차선변경 도중 목표차선에 진입한 상태에서 현재차선으로 회귀하는 전략을 포함하는 자율주행차량의 차선변경 전략 결정 방법.
- 제 12 항에 있어서,
상기 차선변경 전략을 주기적으로 결정하는 단계는,
현재 상황에 상응하는 복수의 차선변경 전략 중에서 스코어가 가장 높은 차선변경 전략을 상기 자율주행차량의 차선변경 전략으로 결정하는 것을 특징으로 하는 자율주행차량의 차선변경 전략 결정 방법.
- 제 12 항에 있어서,
상기 제어부가 자율주행차량의 차선변경 과정에서 획득한 위험도에 기초하여 현재 상황에 상응하는 각 차선변경 전략의 스코어를 조절하는 단계
를 더 포함하는 자율주행차량의 차선변경 전략 결정 방법.
- 제 15 항에 있어서,
상기 위험도는,
충돌 경고 횟수인 것을 특징으로 하는 자율주행차량의 차선변경 전략 결정 방법.
- 제 10 항에 있어서,
입력부가 현재 시점의 상황정보들에 대한 그룹별 데이터를 입력하는 단계
를 더 포함하는 자율주행차량의 차선변경 전략 결정 방법.
- 제 17 항에 있어서,
상기 그룹별 데이터를 입력하는 단계는,
자율주행차량의 차선변경시에 주변차량과의 충돌을 방지하기 위한 제1 그룹 데이터를 추출하는 단계;
자율주행차량의 차선변경시에 전방에 위치한 다양한 신호등의 점등상태를 제2 그룹 데이터로서 추출하는 단계;
정적 객체의 분포에 따른 주행가능영역과 공사구간에 따른 주행가능영역 및 사고구간에 따른 주행가능영역을 제3 그룹 데이터로서 추출하는 단계;
도로의 구조에 따른 주행가능영역을 제4 그룹 데이터로서 추출하는 단계; 및
상기 제3 그룹 데이터의 주행가능영역과 상기 제4 그룹 데이터의 주행가능영역의 중첩영역을 제5 그룹 데이터로서 추출하는 단계
를 포함하는 자율주행차량의 차선변경 전략 결정 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190128052A KR20210044961A (ko) | 2019-10-15 | 2019-10-15 | 자율주행차량의 차선변경 전략 결정 장치 및 그 방법 |
| US16/839,884 US20210107486A1 (en) | 2019-10-15 | 2020-04-03 | Apparatus for determining lane change strategy of autonomous vehicle and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190128052A KR20210044961A (ko) | 2019-10-15 | 2019-10-15 | 자율주행차량의 차선변경 전략 결정 장치 및 그 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210044961A true KR20210044961A (ko) | 2021-04-26 |
Family
ID=75382478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190128052A KR20210044961A (ko) | 2019-10-15 | 2019-10-15 | 자율주행차량의 차선변경 전략 결정 장치 및 그 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20210107486A1 (ko) |
| KR (1) | KR20210044961A (ko) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113997934B (zh) * | 2021-12-09 | 2024-05-03 | 中国第一汽车股份有限公司 | 车道变换方法、装置、计算机设备及存储介质 |
| US11987237B2 (en) * | 2021-12-20 | 2024-05-21 | Waymo Llc | Systems and methods to determine a lane change strategy at a merge region |
| CN114261400B (zh) * | 2022-01-07 | 2024-06-14 | 京东鲲鹏(江苏)科技有限公司 | 一种自动驾驶决策方法、装置、设备和存储介质 |
| CN115620521B (zh) * | 2022-10-20 | 2024-04-26 | 山东大学 | 一种多车道高速公路的动态渠化交通调整方法及*** |
| CN116691680B (zh) * | 2023-05-30 | 2024-06-07 | 上海智能汽车融合创新中心有限公司 | 一种基于多车运动模型的变道方法和装置 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR112012012635A2 (pt) * | 2009-12-18 | 2016-07-12 | Honda Motor Co Ltd | sistema e método para fornecer alerta de aviso de acidente em veículo |
| US8996228B1 (en) * | 2012-09-05 | 2015-03-31 | Google Inc. | Construction zone object detection using light detection and ranging |
| JP6280850B2 (ja) * | 2014-09-29 | 2018-02-14 | 日立建機株式会社 | 障害物回避システム |
| US9792821B1 (en) * | 2016-03-25 | 2017-10-17 | Toyota Jidosha Kabushiki Kaisha | Understanding road scene situation and semantic representation of road scene situation for reliable sharing |
| US20200066160A1 (en) * | 2016-07-25 | 2020-02-27 | Nissan Motor Co., Ltd. | Lane Change Assistance Method and Lane Change Assistance Device |
| EP3482347B1 (en) * | 2016-10-25 | 2021-02-17 | Owl Cameras, Inc. | Video-based data collection, image capture and analysis configuration |
| JP2018155894A (ja) * | 2017-03-17 | 2018-10-04 | パナソニックＩｐマネジメント株式会社 | 車両制御システム、データ処理装置、及び制御プログラム |
| US20180315314A1 (en) * | 2017-04-28 | 2018-11-01 | GM Global Technology Operations LLC | Automated vehicle route traversal |
| US20190061765A1 (en) * | 2017-08-23 | 2019-02-28 | Uber Technologies, Inc. | Systems and Methods for Performing Lane Changes Around Obstacles |
| US10618519B2 (en) * | 2017-11-06 | 2020-04-14 | Uatc Llc | Systems and methods for autonomous vehicle lane change control |
| US10528823B2 (en) * | 2017-11-27 | 2020-01-07 | TuSimple | System and method for large-scale lane marking detection using multimodal sensor data |
| EP3887762B1 (en) * | 2018-11-26 | 2024-05-15 | Mobileye Vision Technologies Ltd. | Lane mapping and navigation |
| JP2020182139A (ja) * | 2019-04-26 | 2020-11-05 | ソニー株式会社 | 撮像システム及び撮像素子 |
| US11548512B2 (en) * | 2019-08-23 | 2023-01-10 | Zoox, Inc. | Yield behavior modeling and prediction |
-
2019
- 2019-10-15 KR KR1020190128052A patent/KR20210044961A/ko active Search and Examination
-
2020
- 2020-04-03 US US16/839,884 patent/US20210107486A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| US20210107486A1 (en) | 2021-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11091161B2 (en) | Apparatus for controlling lane change of autonomous vehicle and method thereof | |
| US10937178B1 (en) | Image-based depth data and bounding boxes | |
| US11748909B2 (en) | Image-based depth data and localization | |
| KR20210044961A (ko) | 자율주행차량의 차선변경 전략 결정 장치 및 그 방법 | |
| US10984543B1 (en) | Image-based depth data and relative depth data | |
| US11294386B2 (en) | Device and method for determining U-turn strategy of autonomous vehicle | |
| US10864906B2 (en) | Method of switching vehicle drive mode from automatic drive mode to manual drive mode depending on accuracy of detecting object | |
| CN112660128B (zh) | 用于确定自动驾驶车辆的车道变更路径的设备及其方法 | |
| JP6627152B2 (ja) | 車両制御装置、車両制御方法、およびプログラム | |
| JP6575612B2 (ja) | 運転支援方法及び装置 | |
| WO2020123712A1 (en) | Fusion-based traffic light recognition for autonomous driving | |
| US20200098270A1 (en) | Method And Device For Providing An Environmental Image Of An Environment Of A Mobile Apparatus And Motor Vehicle With Such A Device | |
| CN111986128A (zh) | 偏心图像融合 | |
| CN114929543A (zh) | 预测周围因素的加塞概率 | |
| US20220343637A1 (en) | Traffic flow machine-learning modeling system and method applied to vehicles | |
| US11507093B2 (en) | Behavior control device and behavior control method for autonomous vehicles | |
| US20220266856A1 (en) | Platform for perception system development for automated driving systems | |
| KR20210005393A (ko) | 자율주행차량의 유턴 제어 장치 및 그 방법 | |
| CN113734191A (zh) | 人工地虚造传感器数据以发起用于自动驾驶车辆的安全动作 | |
| CN113460083A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
| US20220383646A1 (en) | Mobile object control device, mobile object control method, and storage medium | |
| CN115892076A (zh) | 车道障碍物筛选方法、装置和域控制器 | |
| US20220396290A1 (en) | Apparatus for Controlling Vehicle, System Including Same and Method Thereof | |
| US20240177014A1 (en) | Method and apparatus for predicting a vehicle collision with a surrounding object | |
| KR20240017183A (ko) | 자율주행 차량의 제어장치 및 그 제어방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |