KR20210106049A - Apparatus and method for setting driving route - Google Patents
Apparatus and method for setting driving route Download PDFInfo
- Publication number
- KR20210106049A KR20210106049A KR1020200020278A KR20200020278A KR20210106049A KR 20210106049 A KR20210106049 A KR 20210106049A KR 1020200020278 A KR1020200020278 A KR 1020200020278A KR 20200020278 A KR20200020278 A KR 20200020278A KR 20210106049 A KR20210106049 A KR 20210106049A
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- route
- driving
- information
- setting
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 6
- 238000013531 bayesian neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design 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
- 230000001151 other effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
- B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
- B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
- B60R21/0134—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to imminent contact with an obstacle, e.g. using radar systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
-
- 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
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0026—Lookup tables or parameter maps
-
- 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
- B60W2554/00—Input parameters relating to objects
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/402—Type
- B60W2554/4029—Pedestrians
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
본 출원은 주행경로 설정장치 및 주행경로 설정방법에 관한 것으로, 자율주행차량의 주행경로를 자동으로 설정할 수 있는 주행경로 설정장치 및 주행경로 설정방법에 관한 것이다. The present application relates to a driving route setting device and a driving route setting method, and to a driving route setting device and a driving route setting method capable of automatically setting a driving route of an autonomous vehicle.
자율주행자동차에 대한 관심이 커지면서 자율주행을 가능하게 해주는 기술들이 주목을 받고 있다. 운전자가 조작하지 않고 자동차가 스스로 움직이기 위해서는 ① 자동차 외부 환경을 인식하는 기술, ② 인식된 정보를 종합해 가속, 정지, 선회 등의 동작을 결정하고 주행 경로를 판단하는 기술, ③ 판단된 정보를 이용해 자동차의 움직임을 제어하는 기술 등이 필요하다. 자율주행이 되기 위해서는 모든 기술들이 유기적으로 결합돼야겠지만, 자동차의 외부 환경을 인식하는 기술이 점점 중요해지고 있다. 외부 환경을 인식하는 것이 자율주행의 첫 번째 요소일 뿐만 아니라, 외부 환경을 인식하기 위해서는 전기전자, IT기술과의 융합이 필요하기 때문이다.As interest in autonomous vehicles grows, technologies that enable autonomous driving are attracting attention. In order for the car to move on its own without the driver's manipulation, ① technology to recognize the external environment of the car, ② technology to synthesize the recognized information to determine actions such as acceleration, stop, and turning, and to determine the driving route, ③ to use the determined information It requires technology to control the movement of a vehicle using the All technologies must be organically combined for autonomous driving, but the technology that recognizes the external environment of the car is becoming increasingly important. This is because not only recognizing the external environment is the first element of autonomous driving, but also convergence with electrical and electronic and IT technologies is required to recognize the external environment.
외부 환경을 인식하는 기술은 크게 센서기반 인식기술과 연결기반 인식기술 두 가지로 분류될 수 있다. 자율주행을 위해 차량에 장착되는 센서는 초음파(Ultrasonic), 카메라(Camera), 레이다(Radar), 라이다(Lidar) 등이 있는데, 이들 센서들은 자동차에 장착되어 단독으로 또는 다른 센서와 같이 자동차의 외부 환경 및 지형을 인식하여 운전자와 차량에 정보를 제공한다.Technology for recognizing the external environment can be broadly classified into two types: sensor-based recognition technology and connection-based recognition technology. Sensors installed in vehicles for autonomous driving include Ultrasonic, Camera, Radar, and Lidar. It provides information to the driver and vehicle by recognizing the external environment and terrain.
자율주행을 위한 연결기반 인식기술은 V2X와 정밀 측위 기술이 있다. V2X는 Vehicle to Something의 약자로, 자동차간 통신하는 V2V(Vehicle to Vehicle), 인프라와 통신하는 V2I(Vehicle to Infrastructure), 보행자와 통신하는 V2P(Vehicle to Pedestrian) 등이 있다. V2X는 운행중인 자동차와 주위의 자동차, 교통 인프라, 보행자들을 연결해주는 무선 통신 기술이다. 연결된 통신망을 통해 자동차간 위치, 거리, 속도 등의 정보를 주고 받을수 있고, 주변의 교통 정보 및 보행자의 위치 등의 정보를 자동차에게 제공할 수 있다.Connection-based recognition technology for autonomous driving includes V2X and precision positioning technology. V2X is an abbreviation of Vehicle to Something, and there are V2V (Vehicle to Vehicle) that communicates between vehicles, V2I (Vehicle to Infrastructure) that communicates with infrastructure, and V2P (Vehicle to Pedestrian) that communicates with pedestrians. V2X is a wireless communication technology that connects a running car with surrounding cars, traffic infrastructure, and pedestrians. Information such as location, distance, and speed can be exchanged between vehicles through a connected communication network, and information such as surrounding traffic information and the location of pedestrians can be provided to the vehicle.
본 출원은, 딥러닝 모델을 이용하여, 다양한 상황에 대하여 확률적으로 주행판단을 수행하여 적응적으로 주행경로를 설정할 수 있는 주행경로 설정장치 및 주행경로 설정방법을 제공하고자 한다. An object of the present application is to provide a driving route setting apparatus and a driving route setting method that can adaptively set a driving route by performing a driving judgment probabilistically for various situations using a deep learning model.
본 발명의 일 실시예에 의한 주행경로 설정방법은, 자율주행을 수행하는 자차(ego vehicle)의 주행경로 설정방법에 관한 것으로, 주행 중 자차가 획득한 측정정보 및 지도정보를 이용하여, 상기 자차의 주변에 위치하는 주변차량의 예상경로를 생성하는 단계; 및 자차의 주행정보, 지도정보 및 상기 주변차량의 예상경로를 이용하여, 자차의 주행경로를 설정하는 단계를 포함할 수 있다. A driving route setting method according to an embodiment of the present invention relates to a driving route setting method of an ego vehicle performing autonomous driving, and by using measurement information and map information obtained by the own vehicle while driving, the own vehicle generating an expected route of surrounding vehicles located in the vicinity of the ; and setting the driving route of the own vehicle by using the own vehicle's driving information, map information, and the predicted path of the surrounding vehicle.
여기서 상기 예측경로를 생성하는 단계는, 자차의 센서부를 이용하여, 주변에 위치하는 객체들에 대한 분류정보, 객체위치정보 및 객체속도정보를 포함하는 상기 측정정보를 획득하는 단계; 상기 측정정보를 이용하여, 상기 주변차량을 검출하고, 상기 자차의 운행조건을 검증하는 단계; 및 상기 주변차량이 검출되고, 상기 운행조건에 대한 검증을 통과하면, 지도정보 및 상기 주변차량에 대한 측정정보를 예측모델에 입력하여, 상기 주변차량의 예상경로를 연산하는 단계를 포함할 수 있다. Here, the generating of the predicted path may include: using a sensor unit of the own vehicle, obtaining the measurement information including classification information, object location information, and object speed information for objects located in the vicinity; detecting the surrounding vehicle by using the measurement information, and verifying operating conditions of the own vehicle; and when the surrounding vehicle is detected and the driving condition is verified, inputting map information and measurement information for the surrounding vehicle into a prediction model, and calculating an expected route of the surrounding vehicle. .
여기서 상기 예측모델은, 복수의 측정정보 및 지도정보에 따른 주변차량들의 주행경로들을 기계학습기법으로 학습하여 생성할 수 있다.Here, the predictive model may be generated by learning the driving routes of surrounding vehicles according to a plurality of measurement information and map information using a machine learning technique.
여기서 상기 운행조건을 검증하는 단계는, 상기 주변차량이 검출되지 않으면, 상기 예상경로 생성을 중단할 수 있다. Here, in the verifying of the driving condition, when the surrounding vehicle is not detected, generation of the predicted route may be stopped.
여기서 상기 운행조건을 검증하는 단계는, 상기 운행조건이 검증을 통과하지 못하면 상기 자차를 정지시키되, 상기 운행조건은 교통신호가 주행신호에 해당하고, 동시에 도로 내 보행자가 미검출되는 경우일 수 있다. Here, the step of verifying the driving condition may include stopping the own vehicle if the driving condition does not pass the verification, and the operating condition may be a case in which a traffic signal corresponds to a driving signal and a pedestrian on the road is not detected at the same time. .
여기서 상기 자차의 주행경로를 설정하는 단계는, 자차의 위치정보 및 속도정보를 포함하는 주행정보를 획득하는 단계; 상기 주행정보를 이용하여, 상기 자차의 경로정보를 도출하는 단계; 및 지도정보, 상기 경로정보 및 상기 예측경로를 경로설정모델에 입력하여, 복수의 후보경로 중에서 추천경로를 도출하고, 상기 추천경로로 상기 자차의 주행경로를 설정하는 단계를 포함할 수 있다. Here, the step of setting the driving route of the own vehicle may include: acquiring driving information including location information and speed information of the own vehicle; deriving route information of the own vehicle by using the driving information; and inputting map information, the route information, and the predicted route into a route setting model, deriving a recommended route from among a plurality of candidate routes, and setting the driving route of the own vehicle as the recommended route.
여기서 상기 경로설정모델은, 자차가 주행가능한 복수의 후보경로들에 대하여, 각각의 경로정보, 지도정보 및 예측경로에 따른 사고확률을 기계학습기법으로 학습하여 생성할 수 있다.Here, the route setting model may be generated by learning an accident probability according to each route information, map information, and predicted route with respect to a plurality of candidate routes on which the own vehicle can travel using a machine learning technique.
여기서 상기 경로설정모델은, 상기 자차의 경로정보로부터 주행가능한 복수의 후보경로들을 추출하고, 상기 후보경로에 대한 각각의 사고확률을 연산한 후, 상기 사고확률이 가장 낮은 후보경로를 상기 추천경로로 도출할 수 있다. Here, the route setting model extracts a plurality of drivable candidate routes from the route information of the own vehicle, calculates each accident probability for the candidate route, and selects the candidate route with the lowest accident probability as the recommended route can be derived
여기서 상기 자차의 주행경로를 설정하는 단계는, 상기 추천경로의 사고확률이 설정값 이하이면, 상기 자차를 정지시킬 수 있다. In the setting of the driving route of the own vehicle, if the accident probability of the recommended route is equal to or less than a set value, the host vehicle may be stopped.
본 발명의 일 실시예에 의하면, 상술한 주행경로 설정방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램이 존재할 수 있다. According to an embodiment of the present invention, there may be a computer program stored in the medium to execute the above-described driving route setting method.
본 발명의 일 실시예에 의한 주행경로 설정장치는, 자율주행을 수행하는 자차(ego vehicle)의 주행경로 설정장치에 관한 것으로, 주행 중 자차가 획득한 측정정보 및 지도정보를 이용하여, 주변에 위치하는 주변차량의 예상경로를 생성하는 경로예측부; 및 자차의 주행정보, 지도정보 및 상기 주변차량의 예상경로를 이용하여, 자차의 주행경로를 설정하는 경로설정부를 포함할 수 있다. The driving route setting device according to an embodiment of the present invention relates to a driving route setting device for an ego vehicle that performs autonomous driving, and using measurement information and map information acquired by the own vehicle while driving, a path predictor for generating an expected path of a nearby vehicle; and a route setting unit configured to set a driving route of the own vehicle by using the own vehicle's driving information, map information, and the predicted path of the surrounding vehicle.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.Incidentally, the means for solving the above problems do not enumerate all the features of the present invention. Various features of the present invention and its advantages and effects may be understood in more detail with reference to the following specific embodiments.
본 발명의 일 실시예에 의한 주행경로 설정장치 및 주행경로 설정방법에 의하면, 계층적 구조를 가지는 딥러닝 모델을 이용하여 주변환경에 따른 확률적 주행판단을 수행하므로, 돌발상황 등 다양한 상황에서 가장 사고확률이 낮은 주행경로를 적응적으로 설정할 수 있다. According to the driving route setting apparatus and the driving route setting method according to an embodiment of the present invention, a probabilistic driving decision is performed according to the surrounding environment using a deep learning model having a hierarchical structure, so that the most A driving route with a low probability of an accident can be adaptively set.
다만, 본 발명의 일 실시예에 따른 주행경로 설정장치 및 주행경로 설정방법이 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다. However, the effects that can be achieved by the driving route setting apparatus and the driving route setting method according to an embodiment of the present invention are not limited to those mentioned above, and other effects not mentioned are the effects of the present invention from the description below. It will be clearly understood by those of ordinary skill in the art.
도1은 본 발명의 일 실시예에 의한 자율주행차량의 주행경로 설정을 나타내는 개략도이다.
도2는 본 발명의 일 실시예에 의한 주행경로 설정장치를 나타내는 블록도이다.
도3은 본 발명의 일 실시예에 의한 경로예측부의 동작을 나타내는 개략도이다.
도4는 본 발명의 일 실시예에 의한 경로설정부의 동작을 나타내는 개략도이다.
도5는 본 발명의 일 실시예에 의한 경로설정모델의 추천경로 설정을 나타내는 개략도이다.
도6은 본 발명의 일 실시예에 의한 자율주행을 수행하는 자차의 주행경로 설정방법을 나타내는 순서도이다. 1 is a schematic diagram illustrating setting of a driving route of an autonomous vehicle according to an embodiment of the present invention.
2 is a block diagram illustrating an apparatus for setting a driving route according to an embodiment of the present invention.
3 is a schematic diagram illustrating an operation of a path predictor according to an embodiment of the present invention.
4 is a schematic diagram illustrating an operation of a route setting unit according to an embodiment of the present invention.
5 is a schematic diagram illustrating a recommended route setting of a route setting model according to an embodiment of the present invention.
6 is a flowchart illustrating a method of setting a driving route of a host vehicle performing autonomous driving according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.Hereinafter, preferred embodiments will be described in detail so that those of ordinary skill in the art can easily practice the present invention with reference to the accompanying drawings. However, in describing a preferred embodiment of the present invention in detail, if it is determined that a detailed description of a related known function or configuration may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, the same reference numerals are used throughout the drawings for parts having similar functions and functions.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 명세서에 기재된 "~부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. In addition, throughout the specification, when a part is 'connected' with another part, it is not only 'directly connected' but also 'indirectly connected' with another element interposed therebetween. include In addition, 'including' a certain component means that other components may be further included, rather than excluding other components, unless otherwise stated. In addition, terms such as "~ unit" and "module" described in the specification mean a unit that processes at least one function or operation, which may be implemented as hardware or software, or a combination of hardware and software.
도1은 본 발명의 일 실시예에 의한 자율주행차량의 주행경로 설정을 나타내는 개략도이다. 도1을 참조하면, 자율주행차량(A)은 주변환경을 인식하여, 주행경로를 설정할 수 있으며, 설정된 주행경로에 따라 스스로 주행할 수 있다. 여기서, 자율주행차량(A)은 주행경로 설정을 위한 주행경로 설정장치(미도시)를 포함할 수 있다. 즉, 자율주행차량(A)은 주행경로 설정장치를 이용하여, 주행경로를 설정하도록 할 수 있다. 실시예에 따라서는, 자율주행차량 이외에, 운전자 보조 시스템(ADAS: Advanced Driver Assistance System)을 이용하는 차량에 주행경로 설정장치를 적용하여, 해당 차량에 대한 주행경로를 제공하도록 하는 것도 가능하다.1 is a schematic diagram illustrating setting of a driving route of an autonomous vehicle according to an embodiment of the present invention. Referring to FIG. 1 , the autonomous vehicle A may set a driving route by recognizing the surrounding environment, and may drive itself according to the set driving route. Here, the autonomous vehicle A may include a driving path setting device (not shown) for setting the driving path. That is, the autonomous vehicle A may set the driving path by using the driving path setting device. According to an embodiment, it is possible to provide a driving route for the vehicle by applying the driving route setting device to a vehicle using an Advanced Driver Assistance System (ADAS) other than the autonomous vehicle.
주행경로 설정장치는 자율주행차량(A) 또는 자체에 구비된 센싱부로부터 센싱정보를 수신할 수 있으며, 수신한 센싱정보를 이용하여 자차(ego vehicle, A)으로부터 소정 거리 내에 존재하는 주변차량(B)을 인식할 수 있다. 여기서, 주변차량(B)은 자차(A)와 동일한 차선 또는 상이한 차선을 주행하는 차량일 수 있으며, 경우에 따라서는 정차 중인 차량일 수도 있다. The driving route setting device may receive sensing information from the autonomous vehicle A or a sensing unit provided therein, and using the received sensing information, a neighboring vehicle (ego vehicle, A) within a predetermined distance ( B) can be recognized. Here, the surrounding vehicle B may be a vehicle traveling in the same lane or a different lane as the host vehicle A, and in some cases may be a stopped vehicle.
자율주행차량 또는 주행경로 설정장치 내에 포함된 센싱부는, 이미지 센서(예컨대, 전방 스테레오 카메라, 어라운드 뷰 카메라 등), 라이다(LiDAR: Light Detecting And Ranging) 센서, 레이더(Radar: Radio Detecting And Ranging) 센서, 초음파 센서, 적외선 센서(예컨대, 열감지 적외선 카메라), 레이저 스캐너, 깊이 센서, 위치 센서(예컨대, GPS(Global Positioning System), DGPS(Differential GPS), 관성항법장치(INS: Inertial Navigation System)) 등을 포함할 수 있다. The sensing unit included in the autonomous vehicle or driving route setting device includes an image sensor (eg, a front stereo camera, an around-view camera, etc.), a LiDAR (Light Detecting And Ranging) sensor, and a Radar (Radio Detecting And Ranging) Sensors, ultrasonic sensors, infrared sensors (eg, thermal infrared cameras), laser scanners, depth sensors, position sensors (eg, Global Positioning System (GPS), Differential GPS (DGPS), Inertial Navigation System (INS)) ) and the like.
도1을 참조하면, 자율주행차량(A)은 주행 중에 획득한 센싱정보 등을 이용하여, 자차(A)의 주행경로를 설정할 수 있다. 예를들어, 도1에 도시한 바와 같이, 자차(A)의 전방에 주변차량(B)이 존재하는 경우, 자차(A)는 주변차량(B)을 따라 직진하는 제1 주행경로(①), 주변차량(B)의 좌측으로 차선변경 후 추월하는 제2 주행경로(②) 및 주변차량(B)의 좌측 전방으로 차선변경 후 추월하는 제3 주행경로(③) 등을 고려할 수 있다. 여기서, 자율주행차량(A)은 주변차량(B)과, 인식한 주변환경 등을 고려하여, 가장 적절한 주행경로를 선택하여 주행할 수 있다. Referring to FIG. 1 , the autonomous vehicle A may set the driving route of the own vehicle A using sensing information obtained while driving. For example, as shown in FIG. 1 , when the surrounding vehicle B exists in front of the own vehicle A, the own vehicle A travels straight along the surrounding vehicle B along the first driving path (①) , the second driving path (②) overtaking after changing the lane to the left of the surrounding vehicle (B) and the third driving path (③) overtaking after changing the lane to the left front of the surrounding vehicle (B) may be considered. Here, the autonomous vehicle A may select and drive the most appropriate driving route in consideration of the surrounding vehicle B and the recognized surrounding environment.
종래의 자율주행차량의 경우, 주변환경 등이 미리 정의된 상황에 해당하면, 그에 대응하여 정해진 주행경로로 주행하도록 하였으므로, 자율주행차량의 주행경로 설정 알고리즘 구축시, 모든 주행상황을 정의한 후 각각의 주행상황에 대응하는 주행경로를 설정하도록 설계할 필요가 있었다. 그러나, 실제 주행시에는 예측하지 못한 상황 등이 발생할 수 있으므로, 주행 중 발생할 수 있는 다양한 상황에 대한 적절한 대처가 어려운 문제점이 존재하였다. 또한, 초기 설정한 주행경로 설정 알고리즘에 대한 지속적인 수정과 추가 작업이 필요하므로, 많은 시간과 인력이 소모되었다. In the case of a conventional autonomous vehicle, when the surrounding environment corresponds to a predefined situation, the vehicle is driven on a predetermined driving path in response. It was necessary to design to set the driving route corresponding to the driving situation. However, since unexpected situations may occur during actual driving, there is a problem in that it is difficult to properly cope with various situations that may occur during driving. In addition, since continuous correction and additional work on the initially set driving route setting algorithm are required, a lot of time and manpower was consumed.
반면에, 본 발명의 일 실시예에 의한 주행경로 설정장치에 의하면, 딥러닝 모델을 이용하여, 다양한 상황에 대하여 확률적으로 주행판단을 수행하여 적응적으로 주행경로를 설정하여 안정적으로 주행하는 것이 가능하다. 또한, 본 발명의 일 실시예에 의한 주행경로 설정장치는, 주변차량(B)의 주행경로를 예측한 후, 이를 바탕으로 자차(A)의 주행경로를 설정하는 계층적 구조의 딥러닝 모델을 활용하므로, 보다 다양하고 돌발적인 상황에 대한 적절한 주행경로 설정이 가능하다. 이하, 도2를 참조하여 본 발명의 일 실시예에 의한 주행경로 설정장치를 설명한다. On the other hand, according to the driving route setting device according to an embodiment of the present invention, using a deep learning model, it is possible to perform a driving judgment probabilistically for various situations to adaptively set a driving route and to drive stably. possible. In addition, the driving path setting apparatus according to an embodiment of the present invention predicts the driving path of the surrounding vehicle (B), and then based on this, a deep learning model of a hierarchical structure to set the driving path of the own vehicle (A). Therefore, it is possible to set an appropriate driving route for more diverse and unexpected situations. Hereinafter, a driving route setting apparatus according to an embodiment of the present invention will be described with reference to FIG. 2 .
도2는 본 발명의 일 실시예에 의한 주행경로 설정장치를 나타내는 블록도이다. 도2를 참조하면 본 발명의 일 실시예에 의한 주행경로 설정장치(100)는, 경로예측부(110) 및 경로설정부(120)를 포함할 수 있다. 2 is a block diagram illustrating an apparatus for setting a driving route according to an embodiment of the present invention. Referring to FIG. 2 , the driving
경로예측부(110)는 주행 중 자차(A)가 획득한 측정정보 및 지도정보를 이용하여, 주변에 위치하는 주변차량(B)의 예상경로를 생성할 수 있다. 경로예측부(110)는 자차(A) 또는 주행경로 설정장치(100) 자체의 센서부(10)로부터 주변환경에 대한 측정정보를 수신할 수 있으며, 현재 주행 중인 도로에 대한 지도정보는 미리 저장하고 있을 수 있다. 여기서, 지도정보에는 자차(A)가 주행 중인 도로의 도로정보 등이 포함될 수 있다. 도로정보에는 각각의 도로의 링크, 각 링크의 속성, 각 링크별 교차로의 노드 리스트, 각 노드의 좌표 등이 포함될 수 있다. 또한, 각 링크의 속성에는 링크 ID, 링크 거리, 링크의 연결유형, 도로등급, 차선개수, 각각의 차선 ID 등이 포함될 수 있다. The
구체적으로, 도3에 도시한 바와 같이, 경로예측부(110)는 먼저 센서부를 이용하여, 자차(A)의 주변에 위치하는 객체들에 대한 측정정보를 획득할 수 있다. 이때 측정정보에는 각각의 객체들에 대한 분류정보, 객체위치정보 및 객체속도정보 등이 포함될 수 있다. 즉, 자차(A)의 주변에 차량 등 객체가 위치하는지를 판별할 수 있으며, 객체가 검출된 경우 해당 객체가 차량인지, 보행자인지 등을 구별하여 분류정보를 생성할 수 있다. 여기서, 분류정보에는 각각의 차량을 승용차, 화물차, 버스 등으로 구별한 차량종류정보도 포함될 수 있다. 또한, 차량인 경우에는 해당 차량의 위치와 속도를 판별하여, 각각의 객체위치정보와 객체속도정보를 생성할 수 있다. 나아가, 측정정보에는 교통신호 등에 대한 정보도 포함될 수 있으며, 측정정보는 실시간으로 수집하거나, 일정한 시간간격마다 주기적으로 수집할 수 있다(S11). Specifically, as shown in FIG. 3 , the
이후, 경로예측부(110)는 측정정보를 바탕으로, 자차(A)에 대한 운행조건을 검증할 수 있으며(S12), 운행조건을 만족하지 못하는 경우에는 자차(A)를 정지시킬 수 있다(S13). 여기서, 운행조건은 교통신호가 주행신호에 해당하는지 여부, 도로 내에 보행자가 존재하는지 여부 등일 수 있다. 즉, 교통신호가 주행신호(파란불)이고, 동시에 도로 내 보행자가 미검출되는 경우에 한하여 운행조건을 만족하는 것으로 판단하고, 자차(A)를 주행하도록 할 수 있다. 반면에, 교통신호가 정지신호(빨간불)이거나, 도로 내 보행자가 존재하는 경우에는 자차(A)를 정지시켜 사고를 방지하도록 할 수 있다. Thereafter, the
운행조건이 검증을 통과한 경우에는, 주변차량(B)의 검출여부를 확인할 수 있으며(S14), 주변차량(B)이 검출되지 않은 경우에는 예상경로 생성을 중단할 수 있다(S15). 즉, 주변차량(B)이 검출되지 않은 경우에는 주변차량(B)에 대한 예상경로를 생성할 필요가 없으므로, 예상경로 생성을 중단하고 다음 주기의 주행차량 검출 등을 대기할 수 있다. When the driving condition passes the verification, it is possible to check whether the surrounding vehicle B is detected (S14), and when the surrounding vehicle B is not detected, the generation of the predicted route can be stopped (S15). That is, when the surrounding vehicle B is not detected, it is not necessary to generate the predicted route for the surrounding vehicle B, so the generation of the predicted route may be stopped and the detection of the driving vehicle in the next cycle may be waited.
반면에, 운행조건에 대한 검증을 통과하고(S14), 주변차량이 검출된 경우(S15)에는, 지도정보 및 주변차량에 대한 측정정보를 예측모델에 입력하여, 주변차량의 예상경로를 연산할 수 있다(S16). On the other hand, if the verification of the driving conditions is passed (S14) and a nearby vehicle is detected (S15), the map information and measurement information about the surrounding vehicle are input into the prediction model to calculate the predicted route of the surrounding vehicle. can be (S16).
여기서 예측모델은, 복수의 측정정보 및 지도정보에 따른 주변차량들의 주행경로들을 기계학습기법으로 학습하여 생성한 것일 수 있다. 실시예에 따라서는, 베이지안 신경망(Bayesian Neural Network) 기법을 이용하여 예측모델을 형성할 수 있으며, 자차(A)와 주변차량(B)의 위치를 미리 설정한 후, 각각의 상황에 대응하는 측정정보를 수집하는 지도학습(supervised learning) 기법 등을 활용하는 것도 가능하다. 이외에도 다양한 종류의 딥러닝 모델 등을 적용하여 예측모델을 구축할 수 있다. Here, the predictive model may be generated by learning the driving routes of surrounding vehicles according to a plurality of measurement information and map information using a machine learning technique. According to an embodiment, a predictive model may be formed using a Bayesian Neural Network technique, and after setting the positions of the own vehicle (A) and the surrounding vehicle (B) in advance, measurement corresponding to each situation It is also possible to use a supervised learning technique that collects information. In addition, various types of deep learning models can be applied to build a predictive model.
예측모델에 각각의 지도정보와 측정정보를 입력하면, 대응하는 주변차량(B)의 예측경로를 추출될 수 있으며, 예를들어, 복수의 차선 중에서 주변차량(B)이 주행할 것으로 예측되는 차선에 대응하는 차선 ID가 예측경로로 추출될 수 있다. When each map information and measurement information are input into the prediction model, the predicted route of the corresponding surrounding vehicle B can be extracted, for example, a lane in which the surrounding vehicle B is predicted to travel among a plurality of lanes. A lane ID corresponding to may be extracted as a predicted path.
경로설정부(120)는 자차(A)의 주행정보, 지도정보 및 주변차량(B)의 예상경로를 이용하여, 자차의 주행경로를 설정할 수 있다. 경로설정부(120)는 자차(A)의 ECU(Electronic Control Unit, 20)으로부터 자차(A)의 위치정보, 속도정보 등을 포함하는 주행정보를 획득할 수 있으며, 기존에 설정된 자차(A)의 주행경로에 대한 정보도 제공받을 수 있다. The
이후, 도4에 도시한 바와 같이, 자차(A)의 위치정보, 속도정보, 기존 주행경로 등을 가공하여 전처리할 수 있으며(S21), 전처리된 정보들을 이용하여, 자차(A)의 경로정보를 도출할 수 있다(S24). 여기서, 자차(A의 경로정보는 현재 자차(A)의 전역경로(Global path)에 해당한다.Thereafter, as shown in FIG. 4 , the location information, speed information, and the existing driving route of the own vehicle A may be processed and pre-processed (S21), and using the pre-processed information, route information of the own vehicle A can be derived (S24). Here, the path information of the own vehicle A corresponds to the global path of the current own vehicle A.
또한, 경로설정부(120)는 제공받은 지도정보(S22), 주변차량(B)의 예상경로(S23)와, 자차(A)의 경로정보(S24)를 경로설정모델(S25)에 입력할 수 있으며, 이를 통하여 복수의 후보경로들 중에서 추천경로를 도출할 수 있다. In addition, the
구체적으로, 경로설정모델은 자차(A)가 주변차량(B)과의 관계에서 주행가능한 복수의 후보경로들을 추출할 수 있으며, 각각의 후보경로들에 대한 각각의 사고확률들을 연산할 수 있다. 이후, 사고확률이 가장 낮은 후보경로를 추천경로로 도출할 수 있으며, 경로설정부(120)는 해당 추천경로를 자차(A)의 주행경로로 설정할 수 있다. Specifically, the route setting model may extract a plurality of candidate routes in which the host vehicle A can travel in a relationship with the surrounding vehicle B, and may calculate respective accident probabilities for each candidate route. Thereafter, a candidate route having the lowest probability of an accident may be derived as a recommended route, and the
예를들어, 도5에 도시한 바와 같이, 경로설정모델은 좌측으로 차선변경한 후 추월하는 제1 경로, 좌측 전방으로 차선변경한 후 추월하는 제2 경로, 주변차량(B)을 따라가는 제3 경로를, 각각 가속, 정속, 감속하는 9가지의 후보 경로를 추출할 수 있다. 여기서, 각각의 후보 경로들에 대한 사고확률은 각각의 우측에 표시한 바와 같이 연산될 수 있다. 이때, 경로설정모델은 각각의 경로 중에서 사고확률이 가장 낮은 경로를 추천경로로 설정할 수 있으며, 여기서는 도5(b)의 제1 경로로 정속 주행하는 후보 경로의 사고확률이 2%로 가장 낮음을 확인할 수 있다. 따라서, 경로설정모델은 도5(b)의 후보경로를 추천경로로 제공할 수 있으며, 경로설정부(120)는 해당 추천경로를 자차(A)의 주행경로로 설정할 수 있다.For example, as shown in FIG. 5 , the route setting model includes a first route overtaking after changing a lane to the left, a second route overtaking after changing a lane forward to the left, and a third route following the surrounding vehicle B. It is possible to extract 9 candidate paths that accelerate, constant, and decelerate the path, respectively. Here, the accident probability for each of the candidate paths may be calculated as indicated on the right side of each. At this time, the route setting model can set the route with the lowest accident probability among each route as the recommended route. can be checked Accordingly, the route setting model may provide the candidate route of FIG. 5(b) as the recommended route, and the
추가적으로, 경로설정모델은 가능한 후보 경로 중에는 자차(A)를 정지시키는 경로도 포함할 수 있으나, 자차(A)를 정지시키는 경로는 전체 후보경로들의 사고확률이 설정값(예를들어, 10%) 이하인 경우에 한하여 선택가능하도록 할 수 있다. 일반적으로 자차(A)를 정지시키면 사고확률이 가장 낮은 것으로 판단될 수 있으나, 자차(A)가 정지하게 되면 목적지로의 이동이 불가하므로, 일반적으로는 자차(A)를 정지시키는 경로는 제외시킬 수 있다. 다만, 나머지 후보경로들의 사고확률이 모두 설정값 이상으로 높은 경우에는 주행의 안전이 보장되지 않으므로, 자차(A)를 일단 정지시켜 위험에서 벗어나도록 할 수 있다. 그러나, 실시예에 따라서는, 자차(A)를 정지하는 경우의 사고확률이 더 높은 경우도 존재할 수 있으므로, 이 경우에는 나머지 후보경로들의 사고확률이 설정값 이상인 경우에도 정지시키지 않고, 사고확률이 가장 낮은 후보경로를 추천경로로 설정할 수 있다. Additionally, the route setting model may include a route for stopping the own vehicle (A) among possible candidate routes, but the route for stopping the own vehicle (A) is a set value (eg, 10%) of the accident probability of all candidate routes It can be made selectable only in the following cases. In general, when the own vehicle (A) is stopped, it can be determined that the probability of an accident is the lowest, but when the own vehicle (A) is stopped, it is impossible to move to the destination. can However, since the safety of driving is not guaranteed when the accident probability of all of the remaining candidate routes is higher than the set value, the host vehicle A can be stopped once to get out of the danger. However, depending on the embodiment, since there may exist a case where the accident probability is higher when the host vehicle A is stopped, in this case, even if the accident probability of the remaining candidate routes is greater than or equal to the set value, the accident probability is not stopped The lowest candidate path may be set as the recommended path.
한편, 경로설정모델은, 자차가 주행가능한 복수의 후보경로들에 대하여, 각각의 경로정보, 지도정보 및 예측경로에 따른 사고확률을 기계학습기법으로 학습하여 생성하는 것일 수 있다. 실시예에 따라서는, 베이지안 신경망(Bayesian Neural Network) 기법을 이용하여 예측모델을 형성할 수 있으며, 주변차량(B)의 주행경로와, 그에 따른 자차(A)의 각각의 주행경로에 따른 사고발생여부를 나타내는 학습데이터들을 이용하는 지도학습 기법 등을 활용할 수 있다. 여기서, 경로설정모델은 예측모델의 예상경로를 입력으로 하므로, 계층적 구조를 가지는 병렬적 모델로 경로설정모델을 구현할 수 있다.On the other hand, the route setting model may be generated by learning the accident probability according to each route information, map information, and predicted route with respect to a plurality of candidate routes on which the own vehicle can travel using a machine learning technique. According to an embodiment, a predictive model can be formed using a Bayesian Neural Network technique, and an accident occurs according to the driving path of the surrounding vehicle (B) and the driving path of the own vehicle (A) accordingly. Supervised learning techniques using learning data indicating whether or not Here, since the path setting model takes the predicted path of the prediction model as an input, the path setting model can be implemented as a parallel model having a hierarchical structure.
도6은 본 발명의 일 실시예에 의한 자율주행을 수행하는 자차(ego vehicle)의 주행경로 설정방법을 나타내는 순서도이다. 6 is a flowchart illustrating a method of setting a driving route of an ego vehicle performing autonomous driving according to an embodiment of the present invention.
도6을 참조하면, 자율주행차량은 주행 중 자차가 획득한 측정정보 및 지도정보를 이용하여, 자차의 주변에 위치하는 주변차량의 예상경로를 생성할 수 있다(S110). 자율주행차량은, 자차의 센서부로부터 주변환경에 대한 측정정보를 수신할 수 있으며, 현재 주행 중인 도로에 대한 지도정보는 미리 저장하고 있을 수 있다. 여기서, 지도정보에는 자차가 주행 중인 도로의 도로정보 등이 포함될 수 있다. 도로정보에는 각각의 도로의 링크, 각 링크의 속성, 각 링크별 교차로의 노드 리스트, 각 노드의 좌표 등이 포함될 수 있다. 또한, 각 링크의 속성에는 링크 ID, 링크 거리, 링크의 연결유형, 도로등급, 차선개수, 각각의 차선 ID 등이 포함될 수 있다. Referring to FIG. 6 , the autonomous vehicle may use the measurement information and map information acquired by the autonomous vehicle while driving to generate an expected route of the surrounding vehicles located in the vicinity of the own vehicle ( S110 ). The autonomous vehicle may receive measurement information about the surrounding environment from a sensor unit of the own vehicle, and may store map information for a road currently being driven in advance. Here, the map information may include road information of the road on which the own vehicle is traveling. The road information may include links of each road, properties of each link, a node list of an intersection for each link, coordinates of each node, and the like. In addition, the properties of each link may include a link ID, a link distance, a connection type of a link, a road grade, the number of lanes, and each lane ID.
구체적으로, 자율주행차량은 먼저 센서부를 이용하여, 자차의 주변에 위치하는 객체들에 대한 측정정보를 획득할 수 있다. 이때 측정정보에는 각각의 객체들에 대한 분류정보, 객체위치정보 및 객체속도정보 등이 포함될 수 있다. 즉, 자차의 주변에 차량 등 객체가 위치하는지를 판별할 수 있으며, 객체가 검출된 경우 해당 객체가 차량인지, 보행자인지 등을 구별하여 분류정보를 생성할 수 있다. 여기서, 분류정보에는 각각의 차량을 승용차, 화물차, 버스 등으로 구별한 차량종류정보도 포함될 수 있다. 또한, 차량인 경우에는 해당 차량의 위치와 속도를 판별하여, 각각의 객체위치정보와 객체속도정보를 생성할 수 있다. 나아가, 측정정보에는 교통신호 등에 대한 정보도 포함될 수 있으며, 측정정보는 실시간으로 수집하거나, 일정한 시간간격마다 주기적으로 수집할 수 있다. Specifically, the autonomous vehicle may first acquire measurement information on objects located in the vicinity of the own vehicle by using the sensor unit. In this case, the measurement information may include classification information for each object, object location information, and object speed information. That is, it is possible to determine whether an object such as a vehicle is located in the vicinity of the own vehicle, and when the object is detected, classification information can be generated by distinguishing whether the object is a vehicle or a pedestrian. Here, the classification information may also include vehicle type information in which each vehicle is classified into a passenger car, a freight car, a bus, and the like. In addition, in the case of a vehicle, it is possible to determine the position and speed of the corresponding vehicle to generate respective object location information and object speed information. Furthermore, the measurement information may include information on traffic signals, etc., and the measurement information may be collected in real time or periodically at regular time intervals.
이후, 자율주행차량은 측정정보를 바탕으로, 자차에 대한 운행조건을 검증할 수 있으며, 운행조건을 만족하지 못하는 경우에는 자차를 정지시킬 수 있다. 여기서, 운행조건은 교통신호가 주행신호에 해당하는지 여부, 도로 내에 보행자가 존재하는지 여부 등일 수 있다. 즉, 교통신호가 주행신호(파란불)이고, 동시에 도로 내 보행자가 미검출되는 경우에 한하여 운행조건을 만족하는 것으로 판단하고, 자차를 주행하도록 할 수 있다. 반면에, 교통신호가 정지신호(빨간불)이거나, 도로 내 보행자가 존재하는 경우에는 자차를 정지시켜 사고를 방지하도록 할 수 있다. Thereafter, the autonomous vehicle may verify the operating conditions for the own vehicle based on the measurement information, and may stop the own vehicle if the operating conditions are not satisfied. Here, the driving condition may be whether a traffic signal corresponds to a driving signal, whether a pedestrian exists in the road, and the like. That is, only when the traffic signal is a driving signal (blue light) and a pedestrian on the road is not detected at the same time, it is determined that the driving condition is satisfied, and the vehicle can be driven. On the other hand, when the traffic signal is a stop signal (red light) or there is a pedestrian on the road, it is possible to prevent an accident by stopping the own vehicle.
운행조건이 검증을 통과한 경우에는, 주변차량의 검출여부를 확인할 수 있으며, 주변차량이 검출되지 않은 경우에는 예상경로 생성을 중단할 수 있다. 즉, 주변차량이 검출되지 않은 경우에는 주변차량에 대한 예상경로를 생성할 필요가 없으므로, 예상경로 생성을 중단하고 다음 주기의 주행차량 검출 등을 대기할 수 있다. When the driving condition passes the verification, it is possible to check whether the surrounding vehicle is detected, and when the surrounding vehicle is not detected, the generation of the predicted route can be stopped. That is, when the surrounding vehicle is not detected, it is not necessary to generate the predicted route for the surrounding vehicle, so the generation of the predicted route may be stopped and the detection of the driving vehicle in the next cycle may be waited.
반면에, 운행조건에 대한 검증을 통과하고, 주변차량이 검출된 경우에는, 지도정보 및 주변차량에 대한 측정정보를 예측모델에 입력하여, 주변차량의 예상경로를 연산할 수 있다. On the other hand, if the driving condition is verified and a surrounding vehicle is detected, map information and measurement information on the surrounding vehicle are input to the prediction model to calculate the predicted route of the surrounding vehicle.
여기서 예측모델은, 복수의 측정정보 및 지도정보에 따른 주변차량들의 주행경로들을 기계학습기법으로 학습하여 생성한 것일 수 있다. 실시예에 따라서는, 베이지안 신경망(Bayesian Neural Network) 기법을 이용하여 예측모델을 형성할 수 있으며, 자차와 주변차량의 위치를 미리 설정한 후, 각각의 상황에 대응하는 측정정보를 수집하는 지도학습 기법 등을 활용하는 것도 가능하다. 이외에도 다양한 종류의 딥러닝 모델 등을 적용하여 예측모델을 구축할 수 있다. Here, the predictive model may be generated by learning the driving routes of surrounding vehicles according to a plurality of measurement information and map information using a machine learning technique. According to an embodiment, a predictive model can be formed using a Bayesian Neural Network technique, and after setting the location of the own vehicle and surrounding vehicles in advance, supervised learning that collects measurement information corresponding to each situation It is also possible to use techniques, etc. In addition, various types of deep learning models can be applied to build a predictive model.
예측모델에 각각의 지도정보와 측정정보를 입력하면, 대응하는 주변차량의 예측경로를 추출될 수 있으며, 예를들어, 복수의 차선 중에서 주변차량이 주행할 것으로 예측되는 차선에 대응하는 차선 ID가 예측경로로 추출될 수 있다. When each map information and measurement information are input into the prediction model, the predicted route of the corresponding surrounding vehicle can be extracted, for example, a lane ID corresponding to the lane in which the surrounding vehicle is expected to drive among a plurality of lanes is It can be extracted as a predictive path.
자율주행차량은, 자차의 주행정보, 지도정보 및 주변차량의 예상경로를 이용하여, 자차의 주행경로를 설정할 수 있다(S120). 자율주행차량은 자차의 ECU(Electronic Control Unit)으로부터 자차의 위치정보, 속도정보 등을 포함하는 주행정보를 획득할 수 있으며, 기존에 설정된 자차의 주행경로에 대한 정보도 제공받을 수 있다. The autonomous vehicle may set a driving route of the own vehicle by using the own vehicle's driving information, map information, and predicted routes of surrounding vehicles (S120). The autonomous vehicle may obtain driving information including location information and speed information of the own vehicle from the ECU (Electronic Control Unit) of the own vehicle, and may also receive information on the previously set driving route of the own vehicle.
이후, 자차의 위치정보, 속도정보, 기존 주행경로 등을 가공하여 전처리할 수 있으며, 전처리된 정보들을 이용하여, 자차의 경로정보를 도출할 수 있다. 여기서, 자차의 경로정보는 현재 자차의 전역경로(Global path)에 해당한다.Thereafter, the location information of the own vehicle, the speed information, the existing driving route, etc. may be processed and pre-processed, and route information of the own vehicle may be derived using the pre-processed information. Here, the path information of the own vehicle corresponds to the current global path of the own vehicle.
또한, 자율주행차량은 제공받은 지도정보, 주변차량의 예상경로와, 자차의 경로정보를 경로설정모델에 입력할 수 있으며, 이를 통하여 복수의 후보경로들 중에서 추천경로를 도출할 수 있다. In addition, the autonomous vehicle may input the provided map information, the predicted route of the surrounding vehicle, and the route information of the own vehicle to the route setting model, and through this, a recommended route may be derived from among a plurality of candidate routes.
구체적으로, 경로설정모델은 자차가 주변차량과의 관계에서 주행가능한 복수의 후보경로들을 추출할 수 있으며, 각각의 후보경로들에 대한 각각의 사고확률들을 연산할 수 있다. 이후, 사고확률이 가장 낮은 후보경로를 추천경로로 도출할 수 있으며, 해당 추천경로를 자차의 주행경로로 설정할 수 있다. Specifically, the route setting model may extract a plurality of candidate routes that the host vehicle can drive in a relationship with a surrounding vehicle, and may calculate respective accident probabilities for each candidate route. Thereafter, a candidate route having the lowest probability of an accident may be derived as a recommended route, and the recommended route may be set as a driving route of the own vehicle.
여기서, 경로설정모델은 가능한 후보 경로 중에는 자차를 정지시키는 경로도 포함할 수 있으나, 자차를 정지시키는 경로는 전체 후보경로들의 사고확률이 설정값(예를들어, 10%) 이하인 경우에 한하여 선택가능하도록 할 수 있다. 일반적으로 자차를 정지시키면 사고확률이 가장 낮은 것으로 판단될 수 있으나, 자차가 정지하게 되면 목적지로의 이동이 불가하므로, 일반적으로는 자차를 정지시키는 경로는 제외시킬 수 있다. 다만, 나머지 후보경로들의 사고확률이 모두 설정값 이상으로 높은 경우에는 주행의 안전이 보장되지 않으므로, 자차를 일단 정지시켜 위험에서 벗어나도록 할 수 있다. Here, the route setting model may include a route for stopping the own vehicle among possible candidate routes, but the route for stopping the own vehicle can be selected only when the accident probability of all candidate routes is less than or equal to a set value (eg, 10%) can make it In general, when the own vehicle is stopped, it can be determined that the probability of an accident is the lowest, but when the own vehicle is stopped, it is impossible to move to the destination, so a route that generally stops the own vehicle can be excluded. However, if the accident probability of all of the remaining candidate routes is higher than the set value, driving safety is not guaranteed.
한편, 경로설정모델은, 자차가 주행가능한 복수의 후보경로들에 대하여, 각각의 경로정보, 지도정보 및 예측경로에 따른 사고확률을 기계학습기법으로 학습하여 생성하는 것일 수 있다. 실시예에 따라서는, 베이지안 신경망(Bayesian Neural Network) 기법을 이용하여 예측모델을 형성할 수 있으며, 주변차량의 주행경로와, 그에 따른 자차의 각각의 주행경로에 따른 사고발생여부를 나타내는 학습데이터들을 이용하는 지도학습 기법 등을 활용할 수 있다. 여기서, 경로설정모델은 예측모델의 예상경로를 입력으로 하므로, 계층적 구조를 가지는 병렬적 모델로 경로설정모델을 구현할 수 있다.On the other hand, the route setting model may be generated by learning the accident probability according to each route information, map information, and predicted route with respect to a plurality of candidate routes on which the own vehicle can travel using a machine learning technique. According to an embodiment, a predictive model can be formed using a Bayesian Neural Network technique, and learning data indicating whether an accident has occurred according to the driving path of the surrounding vehicle and the respective driving path of the own vehicle accordingly Supervised learning techniques can be used. Here, since the path setting model takes the predicted path of the prediction model as an input, the path setting model can be implemented as a parallel model having a hierarchical structure.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.The present invention described above can be implemented as computer-readable code on a medium in which a program is recorded. The computer-readable medium may continuously store a computer-executable program, or may be temporarily stored for execution or download. In addition, the medium may be various recording means or storage means in the form of a single or several hardware combined, it is not limited to a medium directly connected to any computer system, and may exist distributed on a network. Examples of the medium include a hard disk, a magnetic medium such as a floppy disk and a magnetic tape, an optical recording medium such as CD-ROM and DVD, a magneto-optical medium such as a floppy disk, and those configured to store program instructions, including ROM, RAM, flash memory, and the like. In addition, examples of other media may include recording media or storage media managed by an app store that distributes applications, sites that supply or distribute various other software, and servers. Accordingly, the above detailed description should not be construed as restrictive in all respects but as exemplary. The scope of the present invention should be determined by a reasonable interpretation of the appended claims, and all modifications within the equivalent scope of the present invention are included in the scope of the present invention.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.The present invention is not limited by the above embodiments and the accompanying drawings. For those of ordinary skill in the art to which the present invention pertains, it will be apparent that the components according to the present invention can be substituted, modified and changed without departing from the technical spirit of the present invention.
10: 센서부
20: ECU(Electronic Control Unit)
100: 주행경로 설정장치
110: 경로예측부
120: 경로설정부10: sensor unit 20: ECU (Electronic Control Unit)
100: driving route setting device 110: route prediction unit
120: route setting unit
Claims (11)
주행 중 자차가 획득한 측정정보 및 지도정보를 이용하여, 상기 자차의 주변에 위치하는 주변차량의 예상경로를 생성하는 단계; 및
자차의 주행정보, 지도정보 및 상기 주변차량의 예상경로를 이용하여, 자차의 주행경로를 설정하는 단계를 포함하는 주행경로 설정방법.
In a method for setting a driving route of an ego vehicle that performs autonomous driving,
generating an expected route of a surrounding vehicle located in the vicinity of the own vehicle by using the measurement information and map information acquired by the own vehicle while driving; and
A driving route setting method comprising the step of setting a driving route of the own vehicle by using the own vehicle's driving information, map information, and the predicted routes of the surrounding vehicles.
자차의 센서부를 이용하여, 주변에 위치하는 객체들에 대한 분류정보, 객체위치정보 및 객체속도정보를 포함하는 상기 측정정보를 획득하는 단계;
상기 측정정보를 이용하여, 상기 주변차량을 검출하고, 상기 자차의 운행조건을 검증하는 단계; 및
상기 주변차량이 검출되고, 상기 운행조건에 대한 검증을 통과하면, 지도정보 및 상기 주변차량에 대한 측정정보를 예측모델에 입력하여, 상기 주변차량의 예상경로를 연산하는 단계를 포함하는 주행경로 설정방법.
The method of claim 1, wherein the generating of the prediction path comprises:
obtaining the measurement information including classification information, object location information, and object speed information on objects located in the vicinity by using the sensor unit of the own vehicle;
detecting the surrounding vehicle by using the measurement information, and verifying operating conditions of the own vehicle; and
When the surrounding vehicle is detected and the driving condition verification is passed, map information and measurement information for the surrounding vehicle are input into a prediction model to calculate the predicted route of the surrounding vehicle; Way.
복수의 측정정보 및 지도정보에 따른 주변차량들의 주행경로들을 기계학습기법으로 학습하여 생성하는 것을 특징으로 하는 주행경로 설정방법.
The method of claim 2, wherein the predictive model is
A driving route setting method, characterized in that the driving route is generated by learning the driving routes of surrounding vehicles according to a plurality of measurement information and map information using a machine learning technique.
상기 주변차량이 검출되지 않으면, 상기 예상경로 생성을 중단하는 것을 특징으로 하는 주행경로 설정방법.
The method of claim 2, wherein the verifying the operating conditions comprises:
When the surrounding vehicle is not detected, the driving route setting method, characterized in that the generation of the predicted route is stopped.
상기 운행조건이 검증을 통과하지 못하면 상기 자차를 정지시키되,
상기 운행조건은 교통신호가 주행신호에 해당하고, 동시에 도로 내 보행자가 미검출되는 경우인 것을 특징으로 하는 주행경로 설정방법.
The method of claim 2, wherein the verifying the operating conditions comprises:
If the driving conditions do not pass the verification, stop the own vehicle,
The driving path setting method, characterized in that the driving condition is a case in which a traffic signal corresponds to a driving signal and a pedestrian on the road is not detected at the same time.
자차의 위치정보 및 속도정보를 포함하는 주행정보를 획득하는 단계;
상기 주행정보를 이용하여, 상기 자차의 경로정보를 도출하는 단계; 및
지도정보, 상기 경로정보 및 상기 예측경로를 경로설정모델에 입력하여, 복수의 후보경로 중에서 추천경로를 도출하고, 상기 추천경로로 상기 자차의 주행경로를 설정하는 단계를 포함하는 것을 특징으로 하는 주행경로 설정방법.
The method of claim 1, wherein the setting of the driving route of the own vehicle comprises:
obtaining driving information including location information and speed information of the own vehicle;
deriving route information of the own vehicle by using the driving information; and
and inputting the map information, the route information, and the predicted route into a route setting model, deriving a recommended route from among a plurality of candidate routes, and setting the driving route of the own vehicle as the recommended route. How to set the route.
자차가 주행가능한 복수의 후보경로들에 대하여, 각각의 경로정보, 지도정보 및 예측경로에 따른 사고확률을 기계학습기법으로 학습하여 생성하는 것을 특징으로 하는 주행경로 설정방법.
The method of claim 6, wherein the route setting model is
A driving route setting method, characterized in that for a plurality of candidate routes on which the own vehicle can travel, an accident probability according to each route information, map information, and predicted route is learned and generated using a machine learning technique.
상기 자차의 경로정보로부터 주행가능한 복수의 후보경로들을 추출하고, 상기 후보경로에 대한 각각의 사고확률을 연산한 후, 상기 사고확률이 가장 낮은 후보경로를 상기 추천경로로 도출하는 것을 특징으로 하는 주행경로 설정방법.
The method of claim 7, wherein the route setting model is
Driving, characterized in that, after extracting a plurality of drivable candidate routes from the route information of the own vehicle, calculating each accident probability for the candidate routes, and deriving the candidate route having the lowest accident probability as the recommended route How to set the route.
상기 추천경로의 사고확률이 설정값 이하이면, 상기 자차를 정지시키는 것을 특징으로 하는 주행경로 설정방법.
The method of claim 8, wherein the setting of the driving route of the own vehicle comprises:
When the accident probability of the recommended route is less than or equal to a set value, the driving route setting method, characterized in that the vehicle is stopped.
A computer program stored in a medium in combination with hardware to execute the driving route setting method of any one of claims 1 to 9.
주행 중 자차가 획득한 측정정보 및 지도정보를 이용하여, 주변에 위치하는 주변차량의 예상경로를 생성하는 경로예측부; 및
자차의 주행정보, 지도정보 및 상기 주변차량의 예상경로를 이용하여, 자차의 주행경로를 설정하는 경로설정부를 포함하는 주행경로 설정장치.
In the driving route setting device of an ego vehicle that performs autonomous driving,
a route predictor for generating an expected route of a nearby vehicle by using the measurement information and map information acquired by the own vehicle while driving; and
A driving route setting apparatus comprising a route setting unit configured to set a driving route of the own vehicle by using the own vehicle's driving information, map information, and the predicted path of the surrounding vehicle.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200020278A KR102350197B1 (en) | 2020-02-19 | 2020-02-19 | Apparatus and method for setting driving route |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200020278A KR102350197B1 (en) | 2020-02-19 | 2020-02-19 | Apparatus and method for setting driving route |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210106049A true KR20210106049A (en) | 2021-08-30 |
| KR102350197B1 KR102350197B1 (en) | 2022-01-12 |
Family
ID=77502019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200020278A KR102350197B1 (en) | 2020-02-19 | 2020-02-19 | Apparatus and method for setting driving route |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102350197B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116878531A (en) * | 2023-07-14 | 2023-10-13 | 山东科技大学 | Intelligent navigation method based on road resource prediction |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180075745A1 (en) * | 2016-09-15 | 2018-03-15 | Volkswagen Ag | Method for providing information about a vehicle's anticipated driving intention |
| KR20180099215A (en) * | 2017-02-28 | 2018-09-05 | 현대자동차주식회사 | Apparatus and method for estimating location of vehicle and vehicle using the same |
| US20180292833A1 (en) * | 2017-04-05 | 2018-10-11 | Hyundai Motor Company | Autonomous driving control system and control method using the same |
| KR20190068372A (en) * | 2017-12-08 | 2019-06-18 | 현대모비스 주식회사 | Apparatus, method and system for autonomous driving |
| KR20190073038A (en) * | 2017-12-18 | 2019-06-26 | 현대자동차주식회사 | System and Method for creating driving route of vehicle |
| JP2019106049A (en) * | 2017-12-13 | 2019-06-27 | 株式会社豊田中央研究所 | Vehicle control device, risk map generation device, and program |
-
2020
- 2020-02-19 KR KR1020200020278A patent/KR102350197B1/en active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180075745A1 (en) * | 2016-09-15 | 2018-03-15 | Volkswagen Ag | Method for providing information about a vehicle's anticipated driving intention |
| KR20180099215A (en) * | 2017-02-28 | 2018-09-05 | 현대자동차주식회사 | Apparatus and method for estimating location of vehicle and vehicle using the same |
| US20180292833A1 (en) * | 2017-04-05 | 2018-10-11 | Hyundai Motor Company | Autonomous driving control system and control method using the same |
| KR20190068372A (en) * | 2017-12-08 | 2019-06-18 | 현대모비스 주식회사 | Apparatus, method and system for autonomous driving |
| JP2019106049A (en) * | 2017-12-13 | 2019-06-27 | 株式会社豊田中央研究所 | Vehicle control device, risk map generation device, and program |
| KR20190073038A (en) * | 2017-12-18 | 2019-06-26 | 현대자동차주식회사 | System and Method for creating driving route of vehicle |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116878531A (en) * | 2023-07-14 | 2023-10-13 | 山东科技大学 | Intelligent navigation method based on road resource prediction |
| CN116878531B (en) * | 2023-07-14 | 2024-03-12 | 山东科技大学 | Intelligent navigation method based on road resource prediction |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102350197B1 (en) | 2022-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112368662B (en) | Directional adjustment actions for autonomous vehicle operation management | |
| JP6822564B2 (en) | Vehicle information storage method, vehicle travel control method, and vehicle information storage device | |
| JP7098883B2 (en) | Vehicle control methods and equipment | |
| US9494438B1 (en) | System and method for verifying map data for a vehicle | |
| US11498577B2 (en) | Behavior prediction device | |
| JP6838241B2 (en) | Mobile behavior prediction device | |
| EP3971526B1 (en) | Path planning in autonomous driving environments | |
| CN103158705A (en) | Method and system for controlling a host vehicle | |
| WO2019030916A1 (en) | Traffic lane information management method, running control method, and traffic lane information management device | |
| WO2019089015A1 (en) | Autonomous vehicle operation with explicit occlusion reasoning | |
| WO2019106789A1 (en) | Processing device and processing method | |
| US10684135B2 (en) | Method for updating an electronic card of a vehicle | |
| JP7181354B2 (en) | Vehicle routing with a connected data analytics platform | |
| CN111731294B (en) | Travel control device, travel control method, and storage medium storing program | |
| CN110568847B (en) | Intelligent control system and method for vehicle, vehicle-mounted equipment and storage medium | |
| US11935417B2 (en) | Systems and methods for cooperatively managing mixed traffic at an intersection | |
| CN110562269A (en) | Method for processing fault of intelligent driving vehicle, vehicle-mounted equipment and storage medium | |
| CN113734193A (en) | System and method for estimating take over time | |
| KR102350197B1 (en) | Apparatus and method for setting driving route | |
| US20210206392A1 (en) | Method and device for operating an automated vehicle | |
| JP6962367B2 (en) | Event map generation method and event map generation system, driving support method and driving support system | |
| US20230080281A1 (en) | Precautionary observation zone for vehicle routing | |
| KR20190115435A (en) | Electronic device for vehicle and method for operating the same | |
| KR102366073B1 (en) | Apparatus and method for setting driving route | |
| US20230415773A1 (en) | Validating protolanes with actor behavior flowcharts |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |