[go: up one dir, main page]

KR102155054B1 - 인공지능을 활용한 주변차량 컷인 의도 예측 방법 - Google Patents

인공지능을 활용한 주변차량 컷인 의도 예측 방법 Download PDF

Info

Publication number
KR102155054B1
KR102155054B1 KR1020190155969A KR20190155969A KR102155054B1 KR 102155054 B1 KR102155054 B1 KR 102155054B1 KR 1020190155969 A KR1020190155969 A KR 1020190155969A KR 20190155969 A KR20190155969 A KR 20190155969A KR 102155054 B1 KR102155054 B1 KR 102155054B1
Authority
KR
South Korea
Prior art keywords
data
intention
surrounding vehicles
autonomous vehicle
vehicles
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020190155969A
Other languages
English (en)
Inventor
임세준
우찬희
설재민
Original Assignee
국민대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 국민대학교산학협력단 filed Critical 국민대학교산학협력단
Priority to KR1020190155969A priority Critical patent/KR102155054B1/ko
Application granted granted Critical
Publication of KR102155054B1 publication Critical patent/KR102155054B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W40/00Estimation 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
    • B60W40/02Estimation 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
    • B60W40/04Traffic conditions
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60RVEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013Electrical 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
    • B60R21/0134Electrical 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
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W30/00Purposes 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
    • B60W30/14Adaptive cruise control
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W30/00Purposes 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
    • B60W30/18Propelling the vehicle
    • B60W30/18009Propelling the vehicle related to particular drive situations
    • B60W30/18163Lane change; Overtaking manoeuvres
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W2554/00Input parameters relating to objects
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60YINDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00Purposes or special features of road vehicle drive control systems
    • B60Y2300/14Cruise control
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60YINDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00Purposes or special features of road vehicle drive control systems
    • B60Y2300/18Propelling the vehicle
    • B60Y2300/18008Propelling the vehicle related to particular drive situations
    • B60Y2300/18166Overtaking, changing lanes

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은, 인공지능을 활용한 주변차량 컷인 의도 예측 방법에 관한 것으로, 특히 PreScan과 Vissim을 활용하여 데이터 취득 및 3D CNN과 LSTM을 적용하여 주변차량의 컷인 의도를 판단하는 예측 방법에 관한 것이다. 본 발명은, 자율주행차량의 주변차량에 대하여 차량 시뮬레이터인 프리스캔(PreScan)과 교통 시뮬레이터인 비심(Vissim)을 적용하여 운전 모델이 적용된 데이터를 생성하는 단계; 상기 자율주행차량을 중심 데이터로 포함하여 상기 자율주행차량 및 주변차량에 대한 상기 운전 모델이 적용된 데이터를 9대의 차량 정보로 배열하여 데이터 스테이트 버퍼(Data states buffer)로 형성하여 상기 데이터를 전처리하는 단계; 및 상기 데이터 스테이트 버퍼에 3D CNN을 적용하여 상기 자율주행차량과 상기 주변차량과의 주행 정보를 바탕으로 상관관계를 산출하여 LSTM(Long Short Term Memory)을 적용하여 컷인 의도를 판단하는 단계를 포함하는 인공지능을 활용한 주변차량 컷인 의도 예측 방법을 제공한다. 본 발명에 따르면, 주변 차량의 의도 판단으로 자율주행차량이 차선변경을 하는 상황에서 일어날 수 있는 사고의 가능성을 신속하고 빠르게 경감시킬 수 있는 이점이 있다.

Description

인공지능을 활용한 주변차량 컷인 의도 예측 방법{METHOD FOR PREDICTING THE INTENTIONAL CUT-IN OF NEIGHBORING VEHICLES USING ARTIFICIAL INTELLIGENCE}
본 발명은 인공지능을 활용한 주변차량 컷인 의도 예측 방법에 관한 것으로, 특히 PreScan과 Vissim을 활용하여 데이터 취득 및 3D CNN과 LSTM을 적용하여 주변차량의 컷인 의도를 판단하는 예측 방법에 관한 것이다.
자동차 산업의 발전에 따라 운전자에게 편의성을 제공하기 위해 주변 차량의 위치, 속도, 회전각, 길이 및 폭 등과 같은 다양한 정보를 획득할 수 있는 센서 및 시스템의 개발이 지속적으로 이루어지고 있다. 예를 들어, 차량은 전방 레이더, 코너 레이더, 비전(visioin) 및 라이더(lidar) 등과 같은 다양한 센서들을 이용하여 주변 차량에 대한 정보를 획득할 수 있다. 차량은 센서와 인공지능 기술을 이용하여 주변 차량이 차량의 전방으로 컷인 의도를 갖는지 여부를 판단할 수 있고, 판단 결과에 기초하여 주변 차량과 충돌을 회피하는 기능 등과 같은 다양한 기능을 운전자에게 제공할 수 있다.
한편, 주로 스마트 크루즈 컨트롤 시스템이 적용되는 고속도로 상에는 나들목(interchange; IC), 분기점(junction; JC)과 같이 고속도로에 다른 도로와 합쳐지거나(합류지점) 분기되는 지점(분기지점)이 존재한다. 또한, 도로 공사가 있는 경우에는 차로가 줄어드는 병목지점과 차로가 확장되는 확장지점이 존재한다. 상기와 같은 구간들에 있어서는 차량들의 차로 변경이 매우 빈번하다. 즉, 자기 차량을 기준으로 볼 때 옆 차로의 타 차량이 끼어들거나(이른바 컷인(cut-in)), 동일 차로의 선행 차량이 옆 차로로 차로를 변경(이른바 컷아웃(cutout))하는 것이 자주 일어난다.
이와 관련, 종래의 한국공개특허 제10-2016-0047268호는 타겟차량이 차로를 변경할 확률을 미리 산출하여 차로 변경을 예측하는 장치 및 방법에 관한 기술을 개시하고 있다.
다만, 종래 기술은, 경로 상의 특이지점까지의 거리를 탐색하며 이에 기초한 가속도를 바탕으로 확률을 계산하는데, 이 경우 해당 차량에 대해서만 산출된 확률을 임계값과의 비교를 바탕으로 컷인을 예측하기 때문에, 이 외의 다양한 주행환경에서의 컷인 의도를 판단할 수 없는 문제점이 있다.
한국공개특허 제10-2019-0050217호
본 발명은 가상의 차량을 바탕으로 컷인 의도를 예측하는 알고리즘에 관한 것으로, 실제 자율 주행하는 차량과 같이 가상 차량을 만들어 이에 적용하는 기술로서, 자율주행에 적용할 수 있는 분야로써, 자율주행 차량 주행 시 주변 차량의 움직임 데이터를 CNN(Convolution Neural Network)과 LSTM을 활용하여 컷인 의도를 판단 및 예측하는 기술로서, 실주행 데이터를 모사하는 자동차 동역학 시뮬레이션을 통해 다양한 주행 상황을 생성한 데이터를 사용하며 이를 통해 실제 주행 상황과 비슷한 환경에서 차선 변경 의도를 예측하는 기술에 관한 것이다.
본 발명은 주행 차량 주변 차량의 정보에 대한 운전 모델이 적용된 데이터를 취득하여 차선 변경 의도가 있는 모든 시나리오로 판단하는 예측 방법을 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위하여 본 발명은, 자율주행차량의 주변차량에 대하여 차량 시뮬레이터인 프리스캔(PreScan)과 교통 시뮬레이터인 비심(Vissim)을 적용하여 운전 모델이 적용된 데이터를 생성하는 단계; 상기 자율주행차량을 중심 데이터로 포함하여 상기 자율주행차량 및 주변차량에 대한 상기 운전 모델이 적용된 데이터를 9대의 차량 정보로 배열하여 데이터 스테이트 버퍼(Data states buffer)로 형성하여 상기 데이터를 전처리하는 단계; 및 상기 데이터 스테이트 버퍼에 3D CNN을 적용하여 상기 자율주행차량과 상기 주변차량과의 주행 정보를 바탕으로 상관관계를 산출하여 LSTM을 적용하여 컷인 의도를 판단하는 단계를 포함하는 인공지능을 활용한 주변차량 컷인 의도 예측 방법을 제공한다.
실시 예에 따라, 상기 데이터를 생성하는 단계는, 상기 프리스캔 및 비심을 적용하여 차선변경 시나리오를 적용하는 단계; 및 상기 차선변경 시나리오에 따라 차선 변경 의도 여부를 판단하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 데이터를 전처리하는 단계는, 상기 자율주행차량을 기준으로 인접한 주변차량을 감지하는 단계; 및 상기 주변차량에 대한 데이터를 취득하여 상기 주행정보를 적용하는 단계를 포함할 수 있다.
상기 데이터를 전처리하는 단계는, 상기 자율주행차량과 주변차량을 포함한 9대의 차량에 시뮬레이션 시간을 적용한 4D 형태로 데이터 스테이트 버퍼를 형성하는 단계를 더 포함할 수 있다.
상기 주행정보는, 상기 데이터를 시뮬레이션하는 시간, 거리, 진행 방향 각도, 상대 위치, 상대 속도, 좌우 차선과의 거리 중 적어도 어느 하나 이상을 포함할 수 있다.
또한 본 발명은, 예측 방법을 구현하는 프로그램이 저장된 컴퓨터로 판독가능한 기록 매체를 포함할 수 있다.
전술한 바와 같은 구성을 갖는 본 발명에 따르면, 가상 환경에서의 예측 기술을 응용하여 실제 자율주행 차량과 주변 차량에 적용하여 컷인 의도를 예측할 수 있는 이점이 있다.
주변 차량의 의도 판단으로 자율주행차량이 차선변경을 하는 상황에서 일어날 수 있는 사고의 가능성을 신속하고 빠르게 경감시킬 수 있는 이점이 있다.
또한 본 발명은, 자율주행차량이 주변차량의 의도를 파악함으로써 최적의 주행 경로로 안전한 주행을 할 수 있는 이점이 있다.
도 1은 본 발명의 실시 예에 따른 예측 방법의 구성도를 나타낸다.
도 2는 본 발명의 실시 예에 따라 주행정보에 따라 운전 모델이 적용되어 취득된 데이터 테이블을 나타낸다.
도 3은 본 발명의 실시 예에 따라 데이터 4D 형태로 데이터 스테이트 버퍼를 형성하여 데이터를 전처리하는 모습을 나타낸다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 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. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 구성을 사이에 두고" 연결되어 있는 경우도 포함한다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 발명에서 사용하는 ‘주행정보’의 용어는, 상기 데이터를 시뮬레이션하는 시간, 거리, 진행 방향 각도, 상대 위치, 상대 속도, 좌우 차선과의 거리 중 적어도 어느 하나 이상을 포함하는 용어로 사용될 수 있다.
또한 본 발명은, 아래의 예측 방법을 프로그램으로 구현이 가능하고, 예측 방법을 구현하는 프로그램이 저장된 컴퓨터로 판독가능한 기록 매체를 제공할 수 있다.
도 1은 본 발명의 실시 예에 따른 예측 방법의 구성도를 나타낸다.
도 1을 참조하면, 본 발명은 데이터를 생성하는 단계, 데이터를 전처리하는 단계 및 컷인 의도를 판단하는 단계를 포함할 수 있다.
데이터를 생성하는 단계는, 자율주행차량의 주변차량에 대하여 동역학 시뮬레이터인 프리스캔(PreScan)과 교통 시뮬레이터인 비심(Vissim)을 적용하여 운전 모델이 적용시키는 과정이다.
데이터를 전처리하는 단계는, 상기 자율주행차량을 중심 데이터로 포함하여 상기 자율주행차량 및 주변차량에 대한 상기 운전 모델이 적용된 데이터를 9대의 차량 정보로 배열하여 데이터 스테이트 버퍼(Data states buffer)로 형성하는 과정이다.
컷인 의도를 판단하는 단계는, 상기 데이터 스테이트 버퍼에 3D CNN을 적용하여 상기 자율주행차량과 상기 주변차량과의 주행 정보를 바탕으로 상관관계를 산출하여 LSTM을 적용하는 과정이다.
도 2는 본 발명의 실시 예에 따라 주행정보에 따라 운전 모델이 적용되어 취득된 데이터 테이블을 나타낸다.
도 2를 참조하면, 시나리오 취득 데이터를 나타내는데, 이 과정은 상기 프리스캔 및 비심을 적용하여 차선변경 시나리오를 적용하는 단계 및 상기 차선변경 시나리오에 따라 차선 변경 의도 여부를 판단하는 단계를 포함할 수 있다.
데이터를 전처리하는 과정에 있어, 상기 자율주행차량을 기준으로 인접한 주변차량을 감지하는 단계 및 상기 주변차량에 대한 데이터를 취득하여 상기 주행정보를 적용하는 단계를 포함할 수 있다.
Cut-in 의도를 판단하기 위한 데이터 스테이트 버퍼는, 자동차 동역학 시뮬레이터인 프리스캔(PreScan)과 교통 시뮬레이터인 비심(Vissim)을 활용하고, 다양한 도로 상황과 주변 차량의 운전 모델이 적용된 데이터를 취득할 수 있다.
실시 예에 따라, 프리스캔(PreScan)으로 4개의 대표 차선변경 시나리오를 총 40명의 실험자를 대상으로 ‘차선 변경 의도 있음’과 ‘차선 변경 의도 없음’으로 구분하여 실험해서 운전자 실험 데이터를 취득할 수 있다.
또한 실시 예에 따라, 비심(Vissim) 자체 기능을 통하여 다양한 도로 상황에서 ‘차선 변경 의도 있음’과 ‘차선 변경 의도 없음’으로 구분하여 시나리오 주행 데이터를 취득할 수 있다.
도 3은 본 발명의 실시 예에 따라 데이터 4D 형태로 데이터 스테이트 버퍼를 형성하여 데이터를 전처리하는 모습을 나타낸다.
도 3을 참조하면, 좌측은 자율주행차량을 중심으로 주변차량과의 상대적인 연산을 하기 위해 감지하는 모습을 나타낸 것이고, 우측은 획득된 데이터에 시뮬레이션 시간 개념을 추가하여 4D 형태의 데이터 스테이트 버퍼로 형성한 데이터 형태를 나타낸다.
데이터를 전처리하는 단계는, 상기 자율주행차량과 주변차량을 포함한 9대의 차량에 시뮬레이션 시간을 적용한 4D 형태로 데이터 스테이트 버퍼를 형성하는 단계를 더 포함할 수 있다.
데이터를 전처리하는 단계는, 상술한 프리스캔(PreScan)과 비심(Vissim)을 통하여 생성한 데이터를 같은 포맷으로 전처리하여 데이터 스테이트 버퍼(Data states buffer)를 생성할 수 있다.
컷인 차량, 즉 주변차량에 대해 자율주행차량을 기준으로 각 차선에서 가장 가까운 차량들을 감지하여 9개의 분면으로 나누어 주변 차량의 상호관계를 정의하고, 여기에 시간에 따른 9대의 차량의 정보를 4D 형태(2D 형태의 9개 차량의 공간, 차량의 데이터, 시뮬레이션 시간)로 Data states buffer 생성할 수 있다.
마지막으로, 컷인 의도를 판단하는 단계는, 3D CNN을 적용하여 중심 차량과 타 차량과의 관계를 계산한 후, LSTM을 사용하여 차량의 Cut-in 의도 판단하는 과정이다.
CNN(Convolution Neural Network, 합성곱 신경망)은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다.
CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 풀링 계층(pooling layer)들을 추가로 활용할 수 있다.
본 발명의 실시 예에서, CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있고, 다른 딥 러닝 구조들과 비교해서 주행차량의 영상을 분석하는 면에서 좋은 성능을 보여줄 수 있다. 또한, CNN은 표준 역전달을 통해 훈련될 수 있고 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되며 적은 수의 매개변수를 사용한다는 장점이 있다.
본 발명의 실시 예에 따른 LSTM(Long Short Term Memory)은 이전 프레임의 신호를 현재 프레임에 반영하여 시간적으로 연속하는 데이터를 처리하는 기법으로서, LSTM은 메모리 셀(memory cell)에 이전의 정보들(예컨대, 주행차량의 시간에 따른 흐름에 대한 데이터들)을 저장하고 게이트들(gates)을 통하여 메모리 셀로 흐르는 정보의 양을 조절한다.
CNN을 통해 최소한의 전처리를 수행할 수 있고, 연속성을 고려하는 LSTM과 특징 벡터의 사상에 각 레이어 적층 구조로 쌓아 영상 신호를 처리할 수 있다. 실시 예에 따라, LSTM을 통하여 선택된 영상 품질을 향상시킬 수 있는 이점이 있다.
이상에서 대표적인 실시예를 통하여 본 발명을 상세하게 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명한 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 특허청구범위와 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태에 의하여 정해져야 한다.

Claims (6)

  1. 자율주행차량의 주변차량에 대하여 차량 시뮬레이터인 프리스캔(PreScan)과 교통 시뮬레이터인 비심(Vissim)을 적용하여 운전 모델이 적용된 데이터를 생성하는 단계;
    상기 자율주행차량을 중심 데이터로 포함하여 상기 자율주행차량 및 주변차량에 대한 상기 운전 모델이 적용된 데이터를 9대의 주행 정보로 배열하여 데이터 스테이트 버퍼(Data states buffer)로 형성하여 상기 데이터를 전처리하는 단계; 및
    상기 데이터에 3D CNN을 적용하여 상기 자율주행차량과 상기 주변차량과의 상관관계를 산출하고, 상기 상관관계에 LSTM(Long Short Term Memory)을 적용하여 컷인 의도를 판단하는 단계를 포함하는 인공지능을 활용한 주변차량 컷인 의도 예측 방법.
  2. 제 1 항에 있어서,
    상기 데이터를 생성하는 단계는,
    상기 자율주행차량의 주변차량에 대하여 프리스캔 및 비심을 적용하여 차선변경 시나리오를 생성하는 단계를 포함하는 인공지능을 활용한 주변차량 컷인 의도 예측 방법.
  3. 제 1 항에 있어서,
    상기 데이터를 생성하는 단계는,
    상기 자율주행차량을 기준으로 인접한 주변차량을 감지하는 단계; 및
    상기 주변차량에 대한 데이터를 취득하여 상기 주행정보를 생성하는 단계를 포함하는 인공지능을 활용한 주변차량 컷인 의도 예측 방법.
  4. 제 1 항에 있어서,
    상기 데이터를 전처리하는 단계는,
    상기 자율주행차량과 주변차량을 포함한 9대의 주행 정보에 시뮬레이션 시간을 적용한 4D 형태로 데이터 스테이트 버퍼를 형성하는 단계를 더 포함하는 인공지능을 활용한 주변차량 컷인 의도 예측 방법.
  5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
    상기 주행정보는,
    상기 데이터를 시뮬레이션하는 시간, 거리, 진행 방향 각도, 상대 위치, 상대 속도, 좌우 차선과의 거리 중 적어도 어느 하나 이상을 포함하는 것을 특징으로 하는 인공지능을 활용한 주변차량 컷인 의도 예측 방법.
  6. 제 1 항 내지 제 4 항 중 어느 한 항에 따른 의도 예측 방법을 구현하는 프로그램이 저장된 컴퓨터로 판독가능한 기록 매체.
KR1020190155969A 2019-11-28 2019-11-28 인공지능을 활용한 주변차량 컷인 의도 예측 방법 Active KR102155054B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190155969A KR102155054B1 (ko) 2019-11-28 2019-11-28 인공지능을 활용한 주변차량 컷인 의도 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190155969A KR102155054B1 (ko) 2019-11-28 2019-11-28 인공지능을 활용한 주변차량 컷인 의도 예측 방법

Publications (1)

Publication Number Publication Date
KR102155054B1 true KR102155054B1 (ko) 2020-09-11

Family

ID=72472544

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190155969A Active KR102155054B1 (ko) 2019-11-28 2019-11-28 인공지능을 활용한 주변차량 컷인 의도 예측 방법

Country Status (1)

Country Link
KR (1) KR102155054B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036556A (zh) * 2020-11-06 2020-12-04 西南交通大学 一种基于lstm神经网络的目标意图反演方法
KR20220076583A (ko) * 2020-11-30 2022-06-08 재단법인대구경북과학기술원 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190028386A (ko) * 2016-06-27 2019-03-18 모빌아이 비젼 테크놀로지스 엘티디. 검출된 주차 차량의 특징에 기반을 둔 호스트 차량의 제어
KR20190039648A (ko) * 2017-10-05 2019-04-15 주식회사 스트라드비젼 자동차의 블라인드 스팟 모니터링 방법 및 이를 이용한 블라인드 스팟 모니터
KR20190050217A (ko) 2017-11-02 2019-05-10 현대자동차주식회사 컷인 의도 판단 장치 및 방법
KR20190103093A (ko) * 2019-08-16 2019-09-04 엘지전자 주식회사 자율주행 차량의 차선 변경 장치 및 방법
KR20190104474A (ko) * 2019-08-20 2019-09-10 엘지전자 주식회사 차량 주행 제어 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190028386A (ko) * 2016-06-27 2019-03-18 모빌아이 비젼 테크놀로지스 엘티디. 검출된 주차 차량의 특징에 기반을 둔 호스트 차량의 제어
KR20190039648A (ko) * 2017-10-05 2019-04-15 주식회사 스트라드비젼 자동차의 블라인드 스팟 모니터링 방법 및 이를 이용한 블라인드 스팟 모니터
JP2019071057A (ja) * 2017-10-05 2019-05-09 株式会社ストラドビジョン 自動車のブラインドスポットモニタリング方法及びこれを利用したブラインドスポットモニタ
KR20190050217A (ko) 2017-11-02 2019-05-10 현대자동차주식회사 컷인 의도 판단 장치 및 방법
KR20190103093A (ko) * 2019-08-16 2019-09-04 엘지전자 주식회사 자율주행 차량의 차선 변경 장치 및 방법
KR20190104474A (ko) * 2019-08-20 2019-09-10 엘지전자 주식회사 차량 주행 제어 장치 및 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036556A (zh) * 2020-11-06 2020-12-04 西南交通大学 一种基于lstm神经网络的目标意图反演方法
KR20220076583A (ko) * 2020-11-30 2022-06-08 재단법인대구경북과학기술원 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 장치 및 방법
KR102585149B1 (ko) 2020-11-30 2023-10-10 재단법인대구경북과학기술원 인지 특징을 활용한 딥러닝 기반 맞춤형 자율주행 장치 및 방법

Similar Documents

Publication Publication Date Title
US11645916B2 (en) Moving body behavior prediction device and moving body behavior prediction method
US11661068B2 (en) Vehicle system for recognizing objects
US20230041975A1 (en) Vehicle trajectory control using a tree search
CN113165648B (zh) 用于基于采样对机动车辆的可能轨迹进行规划的控制系统和控制方法
CN116547495A (zh) 协作车辆路径生成
US11860634B2 (en) Lane-attention: predicting vehicles' moving trajectories by learning their attention over lanes
US10049578B2 (en) Travel command generation device
JP2024528425A (ja) オブジェクト軌道に基づくアクティブ予測
US12195036B2 (en) Dynamic scenario parameters for an autonomous driving vehicle
CN112292717A (zh) 预测控制装置
US20240211797A1 (en) Training a variable autoencoder using a diffusion model
US12339658B2 (en) Generating a scenario using a variable autoencoder conditioned with a diffusion model
US20240212360A1 (en) Generating object data using a diffusion model
KR102305673B1 (ko) 카메라와 v2v를 이용한 주변차량 차선변경 의도 및 경로 예측 방법
US12353979B2 (en) Generating object representations using a variable autoencoder
KR102155054B1 (ko) 인공지능을 활용한 주변차량 컷인 의도 예측 방법
US11663913B2 (en) Neural network with lane aggregation for lane selection prediction of moving objects during autonomous driving
JP2022042655A (ja) 車両制御装置、車両制御方法、およびプログラム
EP3925844A1 (en) Relative speed based speed planning for buffer area
JP2020111302A (ja) 車両運転支援システム及び方法
US20250108804A1 (en) Surrounding traffic speed management system
US20230053243A1 (en) Hybrid Performance Critic for Planning Module's Parameter Tuning in Autonomous Driving Vehicles
CN113654569A (zh) 一种路径规划方法、系统及存储介质
JP2023162129A (ja) 交通参加者行動を予測する方法、運転システムおよび車両
CN116929364A (zh) 用于未预见场景的自动驾驶车辆的轨迹规划

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20191128

PA0201 Request for examination
PA0302 Request for accelerated examination

Patent event date: 20191230

Patent event code: PA03022R01D

Comment text: Request for Accelerated Examination

Patent event date: 20191128

Patent event code: PA03021R01I

Comment text: Patent Application

PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20200131

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20200807

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20200907

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20200908

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20240723

Start annual number: 5

End annual number: 5