[go: up one dir, main page]

KR102592826B1 - 근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량 - Google Patents

근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량 Download PDF

Info

Publication number
KR102592826B1
KR102592826B1 KR1020180120628A KR20180120628A KR102592826B1 KR 102592826 B1 KR102592826 B1 KR 102592826B1 KR 1020180120628 A KR1020180120628 A KR 1020180120628A KR 20180120628 A KR20180120628 A KR 20180120628A KR 102592826 B1 KR102592826 B1 KR 102592826B1
Authority
KR
South Korea
Prior art keywords
vehicle
information
track
lateral
short
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
KR1020180120628A
Other languages
English (en)
Other versions
KR20200046136A (ko
Inventor
한슬기
조수민
이훈
송봉섭
이성우
이상원
이종관
Original Assignee
현대자동차주식회사
기아 주식회사
아주대학교산학협력단
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 현대자동차주식회사, 기아 주식회사, 아주대학교산학협력단 filed Critical 현대자동차주식회사
Priority to KR1020180120628A priority Critical patent/KR102592826B1/ko
Priority to CN201811494200.1A priority patent/CN111016919B/zh
Priority to US16/215,113 priority patent/US10818184B2/en
Publication of KR20200046136A publication Critical patent/KR20200046136A/ko
Application granted granted Critical
Publication of KR102592826B1 publication Critical patent/KR102592826B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future 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
    • 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
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • 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
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/50—Magnetic or electromagnetic sensors
    • B60W2420/506—Inductive sensors, i.e. passive wheel sensors
    • 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
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/801—Lateral distance
    • 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
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/804—Relative longitudinal speed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/932—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles using own vehicle data, e.g. ground speed, steering wheel direction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9322—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles using additional data, e.g. driver condition, road state or weather data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량에 관한 것으로, 주변 차량 정보가 수신되면 수신된 주변 차량 정보를 토대로 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 생성하는 정보 생성부와, 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 토대로 다수의 특징(feature)들을 추출하고, 추출된 특징들을 조합(combination)하여 다수의 특징 조합(feature combination)들을 생성하는 특징 조합 생성부와, 다수의 특징 조합들을 가중치(weight factor)에 따라 분류하여 학습하는 분류 학습부와, 분류 학습된 결과값을 토대로 주변 차량의 의도(intention)를 판단하여 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정하고, 선정된 최적의 특징 조합을 토대로 근거리 끼어들기 차량의 상황을 판단하는 차량 의도 판단부를 포함할 수 있다.

Description

근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량 {APPARATUS AND METHOD FOR IDENTIFICATING SHORT CUT IN VEHICLE AND VEHICLE INCLUDING THE SAME}
본 발명은 근거리 끼어들기 차량 판단 장치에 관한 것으로, 더욱 상세하게는 근거리 끼어들기 차량 판단에 최적인 특징 조합을 선정하여 이를 토대로 근거리에서 저속으로 끼어드는 상대 차량의 상황을 정확하게 판단할 수 있는 근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량에 관한 것이다.
일반적으로, 차량은, 운송수단으로서 연비 및 성능의 향상뿐만 아니라 발전된 정보통신기술을 이용하여 보다 향상된 안전성과 편의성을 제공할 수 있는 지능형 차량으로 발전하였다.
하지만, 지능형 차량은, 엔터테인먼트시스템, 공기정화장치, 편의장치 등의 많은 부가적인 기능들을 포함함으로써, 운전자가 운전을 위한 조작 장치 이외에도 다른 추가적인 조작 장치들을 조작해야 하므로 운전자의 부주의로 인한 차량 운행상의 위험이 증가하였다.
따라서, 최근에는, 차량 충돌을 예방 또는 회피할 수 있는 안전장치에 대한 연구가 다양하게 이루어지고 있다.
차량 충돌 방지 장치는, 감응순항제어장치(Adaptive Cruise Control System), 전방차량추돌경고장치(Forward Vehicle Collision Warning System), 차선유지경고시스템(Lane Departure Warning System) 등을 포함할 수 있는데, 이러한 차량 충돌 방지 장치들은, 주로 고속 주행에서 사용되어 큰 사고를 예방하고 있으며, 고속 상황에서 원거리에 있는 장애물을 감지하는 기술들이 대부분이다.
하지만, 실제 교통 사고의 대부분은, 도심 내에서 혼잡 교통 특성상 교통사고의 70% 이상이 약 30km/h 이하의 저속에서 많이 발생 되고 있으므로, 기존의 충돌 방지 장치로는, 근거리에서 저속으로 끼어드는 상대 차량을 정확하게 인지하여 충돌을 예방하기에는 적합하지 않았다.
일 예로, 상대 차량이 근거리에서 저속으로 끼어드는 경우, 자차량은, 측방 레이더 정보에 노이즈가 포함되고, 측방 레이더 정보가 정확하게 인지되지 않거나 또는 코스팅(coasting) 현상의 발생으로 인하여 근거리에서 저속으로 끼어드는 상대 차량의 상황을 정확하게 인지하지 못하고 상황 판단 오류를 일으킴으로써, 차량 충돌이 발생될 수 있다.
따라서, 향후 근거리 끼어들기 차량 판단에 최적인 특징 조합을 선정하여 이를 토대로 근거리에서 저속으로 끼어드는 상대 차량에 대한 다양한 상황을 정확하게 판단함으로써, 충돌을 미리 예방하고 안전성을 높일 수 있는 근거리 끼어들기 차량 판단 장치에 대한 개발이 요구되고 있다.
본 발명은, 근거리 끼어들기 차량 판단에 최적인 특징 조합을 선정하여 이를 토대로 근거리에서 저속으로 끼어드는 상대 차량에 대한 다양한 상황을 정확하게 판단함으로써, 충돌을 미리 예방하고 안전성을 높일 수 있는 근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량을 제공하는데 있다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 근거리 끼어들기 차량 판단 장치는, 주변 차량 정보가 수신되면 수신된 주변 차량 정보를 토대로 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 생성하는 정보 생성부와, 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 토대로 다수의 특징(feature)들을 추출하고, 추출된 특징들을 조합(combination)하여 다수의 특징 조합(feature combination)들을 생성하는 특징 조합 생성부와, 다수의 특징 조합들을 가중치(weight factor)에 따라 분류하여 학습하는 분류 학습부와, 분류 학습된 결과값을 토대로 주변 차량의 의도(intention)를 판단하여 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정하고, 선정된 최적의 특징 조합을 토대로 근거리 끼어들기 차량의 상황을 판단하는 차량 의도 판단부를 포함할 수 있다.
여기서, 정보 생성부는, 주변 차량 정보를 수신할 때, 자차량의 전방을 센싱하는 전방 레이더로부터 트랙(track) 정보을 포함하는 주변 차량 정보를 수신하고, 자차량의 측방을 센싱하는 측방 레이더로부터 트랙 정보 및 프리 스페이스(free space) 정보를 포함하는 주변 차량 정보를 수신할 수 있다.
그리고, 정보 생성부는, 센서 융합 정보를 생성할 때, 주변 차량 정보 중 전방 레이더 트랙 정보와 측방 레이더 트랙 정보를 융합한 제1 센서 융합 정보와, 주변 차량 정보 중 전방 레이더 트랙 정보, 측방 레이더 트랙 정보 및 측방 레이더 프리 스페이스 정보를 융합한 제2 센서 융합 정보를 생성할 수 있다.
여기서, 제1 센서 융합 정보는, 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 융합 트랙의 횡방향 상대속도, 융합 트랙의 종방향 상대속도, 측방 레이더의 헤딩각, 융합 트랙의 폭, 융합 트랙의 길이, 측방 레이더 트랙의 절대속도를 포함할 수 있다.
그리고, 제2 센서 융합 정보는, 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 융합 트랙의 횡방향 상대속도, 융합 트랙의 종방향 상대속도, 측방 레이더의 헤딩각, 측방 레이더 트랙의 폭, 측방 레이더 트랙의 길이를 포함할 수 있다.
이어, 정보 생성부는, 추정된 차량 상태 정보를 생성할 때, 측방 레이더 트랙의 횡방향 상대속도와 측방 레이더 트랙의 종방향 상대속도를 추정하여 추정값을 산출하고, 산출된 추정값을 포함하는 추정된 차량 상태 정보를 생성할 수 있다.
여기서, 추정된 차량 상태 정보는, 측방 레이더 트랙의 횡방향 상대속도에 대한 추정값과 측방 레이더 트랙의 종방향 상대속도에 대한 추정값을 포함할 수 있다.
다음, 정보 생성부는, 위험도 판단 정보를 생성할 때, 종방향 충돌 소요 시간(TTC: Time to Collision) 및 경고 지수(warning index)를 토대로 종방향 충돌 위험도(longitudinal collision risk index)를 산출하고, 차선 침범 소요 시간(TLC: Time to Lane Crossing) 및 종방향 충돌 위험도를 토대로 횡방향 충돌 위험도(lateral collision risk index)를 산출하고, 산출된 종방향 충돌 위험도와 횡방향 충돌 위험도를 포함하는 위험도 판단 정보를 생성할 수 있다.
여기서, 정보 생성부는, 종방향 충돌 위험도를 산출할 때, 상대 차량과 자차 사이의 거리 및 상대 차량의 종방향 상대 속도를 토대로 종방향 충돌 소요 시간을 산출하고, 두 차량 사이의 거리, 브레이크 임계 거리 및 경고 임계 거리를 토대로 경고 지수를 산출하며, 산출된 종방향 충돌 소요 시간 및 경고 지수와 미리 설정된 종방향 충돌 소요 시간의 문턱값과 경고 지수의 최대값을 토대로 종방향 충돌 위험도를 산출할 수 있다.
그리고, 정보 생성부는, 횡방향 충돌 위험도를 산출할 때, 상대 차량의 횡방향 위치와 상대 차량의 횡방향 상대 속도를 토대로 차선 침범 소요 시간을 산출하고, 차선 침범 소요 시간과 종방향 충돌 위험도 및 미리 설정된 차선 침범 소요 시간의 문턱값을 토대로 횡방향 충돌 위험도(lateral collision risk index)를 산출할 수 있다.
다음, 특징 조합 생성부는, 다수의 특징들을 추출할 때, 센서 융합 정보로부터 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 측방 레이더의 헤딩각, 측방 레이더 트랙의 절대속도를 포함하는 특징들을 추출하고, 추정된 차량 상태 정보로부터 측방 레이더 트랙의 횡방향 상대속도에 대한 추정값과 측방 레이더 트랙의 종방향 상대속도에 대한 추정값을 포함하는 특징들을 추출하며, 위험도 판단 정보로부터 종방향 충돌 소요 시간, 종방향 충돌 위험도, 차선 침범 소요 시간, 횡방향 충돌 위험도를 포함하는 특징들을 추출할 수 있다.
이어, 차량 의도 판단부는, 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정할 때, 분류 학습된 결과값을 토대로 주변 차량의 의도를 판단하고, 판단된 주변 차량의 의도에 대한 근거리 끼어들기의 정확도를 산출하며, 산출된 정확도를 토대로 최적의 특징 조합을 선정하고, 선정된 최적의 특징 조합에 포함된 가중치를 토대로 근거리 끼어들기 차량의 상황을 판단할 수 있다.
여기서, 차량 의도 판단부는, 주변 차량의 의도에 대한 근거리 끼어들기의 정확도를 산출할 때, TPR(True Positive Rate)과 FPR(Fulse Positive Rate)을 토대로 산출할 수 있다.
한편, 본 발명 일 실시예에 따른 근거리 끼어들기 차량 판단 장치의 근거리 끼어들기 차량 판단 방법은, 주변 차량 정보를 수신하는 단계와, 주변 차량 정보가 수신되면 수신된 주변 차량 정보를 토대로 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 생성하는 단계와, 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 토대로 다수의 특징(feature)들을 추출하는 단계와, 추출된 특징들을 조합(combination)하여 다수의 특징 조합(feature combination)들을 생성하는 단계와, 다수의 특징 조합들을 가중치(weight factor)에 따라 분류하여 학습하는 단계와, 분류 학습된 결과값을 토대로 주변 차량의 의도(intention)를 판단하여 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정하는 단계와, 선정된 최적의 특징 조합을 토대로 근거리 끼어들기 차량의 상황을 판단하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 근거리 끼어들기 차량 판단 장치의 근거리 끼어들기 차량 판단 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체는, 상기 근거리 끼어들기 차량 판단 방법에서 제공된 과정을 수행할 수 있다.
한편, 본 발명의 일 실시예에 따른 차량은, 주변 차량을 센싱하는 센싱 장치와, 센싱 장치로부터 수신된 주변 차량 정보를 토대로 근거리 끼어들기 차량의 상황을 판단하는 근거리 끼어들기 차량 장치를 포함하고, 근거리 끼어들기 차량 장치는, 수신된 주변 차량 정보를 토대로 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 생성하고, 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 토대로 다수의 특징들을 추출하며, 추출된 특징들을 조합하여 다수의 특징 조합들을 생성하고, 다수의 특징 조합들을 가중치에 따라 분류하여 학습하며, 분류 학습된 결과값을 토대로 주변 차량의 의도를 판단하여 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정하고, 선정된 최적의 특징 조합을 토대로 근거리 끼어들기 차량의 상황을 판단할 수 있다.
상기와 같이 구성되는 본 발명의 적어도 하나의 실시예에 관련된 근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량은, 근거리 끼어들기 차량 판단에 최적인 특징 조합을 선정하여 이를 토대로 근거리에서 저속으로 끼어드는 상대 차량에 대한 다양한 상황을 정확하게 판단함으로써, 충돌을 미리 예방하고 안전성을 높일 수 있는 효과를 제공한다.
또한, 본 발명은, 저속 차량의 근거리 끼어들기(short cut-in) 중 타이트 컷 인(tight cut-in), 루즈 컷 인(loose cut-in), 그리고 마일드 컷 인(mild cut-in) 상황에서 기계 학습 방법으로 주변 차량 메뉴버(maneuver)를 판단할 때, 필요한 최적의 특징 조합과 분류 파라메터(classifier parameter) 선정이 가능하다.
여기서, 타이트 컷 인(tight cut-in) 상황은, 전방차량과 자차량 사이의 간격이 좁을 때, 상대차량이 자차량의 헤드램프 근처로 끼어드는 상황이고, 루즈 컷 인(loose cut-in) 상황은, 전방차량과 자차량 사이의 간격이 넓을 때, 상대차량이 전방차량 근처로 끼어드는 상황이며, 마일드 컷 인(mild cut-in) 상황은, 전방차량과 자차량 사이의 간격이 넓을 때, 상대차량이 자차량과 전방차량의 사이로 끼어드는 상황을 의미한다.
또한, 본 발명은, 전체 시스템 구성 중 센서 융합 모듈, 추정 모듈, 위험도 판단 모듈의 알고리즘이 변경되더라도 제시된 프레임워크(framework) 적용이 가능하다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명에 따른 근거리 끼어들기 차량 판단 장치를 설명하기 위한 블록 구성도이다.
도 2 내지 도 4는 도 1의 정보 생성부의 센서 융합 정보 생성을 설명하기 위한 도면이다.
도 5는 도 1의 정보 생성부의 추정 차량 상태 정보 생성을 설명하기 위한 도면이다.
도 6 내지 도 8은 도 1의 정보 생성부의 위험도 판단 정보 생성을 설명하기 위한 도면이다.
도 9는 도 1의 특징 조합 생성부의 특징 조합 생성을 설명하기 위한 도면이다.
도 10은 도 1의 차량 의도 판단부의 최적의 특징 조합을 선정을 설명하기 위한 도면이다.
도 11 내지 도 13은 근거리 끼어들기 상황에 따른 최적의 특징 조합을 선정을 설명하기 위한 도면이다.
도 14는 본 발명에 따른 근거리 끼어들기 차량 판단 방법을 설명하기 위한 흐름도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 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.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서 전체에 걸쳐서 동일한 참조번호로 표시된 부분들은 동일한 구성요소들을 의미한다.
이하, 도 1 내지 도 14를 참조하여 본 발명의 실시예들에 적용될 수 있는 근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량에 대해 상세히 설명한다.
도 1은 본 발명에 따른 근거리 끼어들기 차량 판단 장치를 설명하기 위한 블록 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 근거리 끼어들기 차량 판단 장치는, 정보 생성부(100), 특징 조합 생성부(200), 분류 학습부(300), 그리고 차량 의도 판단부(400)를 포함할 수 있다.
정보 생성부(100)는, 센싱부(10)로부터 주변 차량 정보가 수신되면 수신된 주변 차량 정보를 토대로 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 생성할 수 있다.
여기서, 정보 생성부(100)는, 주변 차량 정보를 수신할 때, 자차량의 전방을 센싱하는 전방 레이더와, 자차량의 측방을 센싱하는 측방 레이더로부터 주변 차량 정보를 수신할 수 있다.
예를 들면, 정보 생성부(100)는, 주변 차량 정보를 수신할 때, 전방 레이더로부터 트랙(track) 정보을 포함하는 주변 차량 정보를 수신하고, 측방 레이더로부터 트랙 정보 및 프리 스페이스(free space) 정보를 포함하는 주변 차량 정보를 수신할 수 있다.
그리고, 정보 생성부(100)는, 센서 융합 정보를 생성할 때, 주변 차량 정보 중 전방 레이더 트랙 정보와 측방 레이더 트랙 정보를 융합한 제1 센서 융합 정보와, 주변 차량 정보 중 전방 레이더 트랙 정보, 측방 레이더 트랙 정보 및 측방 레이더 프리 스페이스 정보를 융합한 제2 센서 융합 정보를 생성할 수 있다.
여기서, 정보 생성부(100)는, 제1 센서 융합 정보를 생성할 때, 전방 레이더 트랙의 위치를 중심으로 측방 레이더 트랙의 위치를 확인하고, 측방 레이더 트랙의 위치를 전방 레이더 트랙 위치로 보정하여 융합 트랙을 산출하며, 산출된 융합 트랙을 포함하는 제1 센서 융합 정보를 생성할 수 있다.
일 예로, 제1 센서 융합 정보는, 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 융합 트랙의 횡방향 상대속도, 융합 트랙의 종방향 상대속도, 측방 레이더의 헤딩각, 융합 트랙의 폭, 융합 트랙의 길이, 측방 레이더 트랙의 절대속도를 포함할 수 있는데, 이에 한정되지는 않는다.
또한, 정보 생성부(100)는, 제2 센서 융합 정보를 생성할 때, 프리 스페이스를 측방 레이더 트랙에 융합하여 융합 트랙을 산출하고, 산출된 융합 트랙을 포함하는 제2 센서 융합 정보를 생성할 수 있다.
여기서, 정보 생성부(100)는, 프리 스페이스를 측방 레이더 트랙에 융합할 때, 파티클 필터(particle filter)를 기반으로 융합을 수행할 수 있는데, 이에 한정되지는 않는다.
일 예로, 제2 센서 융합 정보는, 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 융합 트랙의 횡방향 상대속도, 융합 트랙의 종방향 상대속도, 측방 레이더의 헤딩각, 측방 레이더 트랙의 폭, 측방 레이더 트랙의 길이를 포함할 수 있는데, 이에 한정되지는 않는다.
이어, 정보 생성부(100)는, 추정된 차량 상태 정보를 생성할 때, 측방 레이더 트랙의 횡방향 상대속도와 측방 레이더 트랙의 종방향 상대속도를 추정하여 추정값을 산출하고, 산출된 추정값을 포함하는 추정된 차량 상태 정보를 생성할 수 있다.
여기서, 정보 생성부(100)는, 측방 레이더 트랙의 횡방향 상대속도와 측방 레이더 트랙의 종방향 상대속도를 추정할 때, 칼만 필터(particle filter)를 기반으로 추정하여 추정값을 산출할 수 있는데, 이에 한정되지는 않는다.
일 예로, 추정된 차량 상태 정보는, 측방 레이더 트랙의 횡방향 상대속도에 대한 추정값과 측방 레이더 트랙의 종방향 상대속도에 대한 추정값을 포함할 수 있는데, 이에 한정되지는 않는다.
또한, 정보 생성부(100)는, 추정된 차량 상태 정보를 생성할 때, 주변 차량 상태 정보가 수신되지 않거나 또는 노이즈가 포함된 주변 차량 상태 정보가 수신되면 추정된 차량 상태 정보를 생성할 수 있다.
다음, 정보 생성부(100)는, 위험도 판단 정보를 생성할 때, 종방향 충돌 소요 시간(TTC: Time to Collision) 및 경고 지수(warning index)를 토대로 종방향 충돌 위험도(longitudinal collision risk index)를 산출하고, 차선 침범 소요 시간(TLC: Time to Lane Crossing) 및 종방향 충돌 위험도를 토대로 횡방향 충돌 위험도(lateral collision risk index)를 산출하고, 산출된 종방향 충돌 위험도와 횡방향 충돌 위험도를 포함하는 위험도 판단 정보를 생성할 수 있다.
여기서, 정보 생성부(100)는, 종방향 충돌 위험도를 산출할 때, 상대 차량과 자차 사이의 거리 및 상대 차량의 종방향 상대 속도를 토대로 종방향 충돌 소요 시간을 산출하고, 두 차량 사이의 거리, 브레이크 임계 거리 및 경고 임계 거리를 토대로 경고 지수를 산출하며, 산출된 종방향 충돌 소요 시간 및 경고 지수와 미리 설정된 종방향 충돌 소요 시간의 문턱값과 경고 지수의 최대값을 토대로 종방향 충돌 위험도를 산출할 수 있다.
일 예로, 정보 생성부(100)는, 경고 지수를 산출할 때, 두 차량 사이의 거리가 경고 임계 거리보다 더 멀면 경고 지수를 양의 값으로 산출하여 현재 상황이 안전하다는 정보를 제공할 수 있다.
그리고, 정보 생성부(100)는, 종방향 충돌 소요 시간의 문턱값을 미리 설정할 때, 상대 차량이 약 10kph 이하의 저속으로 운행하는 조건에 상응하는 문턱값으로 설정할 수도 있다.
일 예로, 정보 생성부(100)는, 종방향 충돌 소요 시간의 문턱값을 약 3으로 미리 설정할 수 있는데, 이에 한정되지는 않는다.
이처럼, 문턱값을 설정하는 이유는, 차량이 약 50kph 속도에서 종방향 충돌 소요 시간의 문턱값이 약 0.6 ~ 0.7인 것을 토대로 차량이 약 10kph 이하 속도에서 종방향 충돌 소요 시간의 문턱값을 설정하기 때문이다.
또한, 정보 생성부(100)는, 경고 지수의 최대값을 미리 설정할 때, 경고 지수의 변화율에 상응하는 종방향 충돌 위험도의 변화율이 기준값보다 커지도록 경고 지수의 최대값을 설정할 수도 있다.
일 예로, 정보 생성부(100)는, 경고 지수의 최대값을 약 8로 미리 설정할 수 있다.
이처럼, 경고 지수의 최대값을 설정하는 이유는, 튜닝 파라메터(Tuning parameter)로서 너무 큰 값으로 설정하면 종방향 충돌 위험도의 경고 지수 변화에 둔감해지기 때문이다.
일 예로, 종방향 충돌 위험도는, 경고 지수의 최대값이 커질수록 크게 나오는 경향을 보일 수 있다.
또한, 정보 생성부(100)는, 횡방향 충돌 위험도를 산출할 때, 상대 차량의 횡방향 위치와 상대 차량의 횡방향 상대 속도를 토대로 차선 침범 소요 시간을 산출하고, 차선 침범 소요 시간과 종방향 충돌 위험도 및 미리 설정된 차선 침범 소요 시간의 문턱값을 토대로 횡방향 충돌 위험도(lateral collision risk index)를 산출할 수 있다.
여기서, 정보 생성부(100)는, 차선 침범 소요 시간의 문턱값을 미리 설정할 때, 상대 차량이 약 10kph 이하의 저속으로 운행하는 조건에 상응하는 문턱값으로 설정할 수 있다.
그리고, 정보 생성부(100)는, 차선 침범 소요 시간의 문턱값을 미리 설정할 때, 종방향 충돌 소요 시간의 문턱값보다 더 작은 문턱값으로 설정할 수 있다.
일 예로, 정보 생성부(100)는, 차선 침범 소요 시간의 문턱값을 약 1.5로 미리 설정할 수 있다.
이처럼, 차선 침범 소요 시간의 문턱값을 설정하는 이유는, 차량 속도가 약 10kph 이하이지만 횡방향 움직임의 영향이 큰 근거리 끼어들기(cut in) 판단을 위해서 종방향 충돌 소요 시간의 문턱값에 비해 더 보수적으로 문턱값을 낮게 설정하기 때문이다.
또한, 정보 생성부(100)는, 횡방향 충돌 위험도를 산출할 때, 산출된 횡방향 충돌 위험도가 1의 값에 가까울수록 현재 상황이 위험하다는 정보를 제공하고, 산출된 횡방향 충돌 위험도가 0의 값에 가까울수록 현재 상황이 안전하다는 정보를 제공할 수 도 있다.
한편, 특징 조합 생성부(200)는, 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 토대로 다수의 특징(feature)들을 추출하고, 추출된 특징들을 조합(combination)하여 다수의 특징 조합(feature combination)들을 생성할 수 있다.
여기서, 특징 조합 생성부(200)는, 다수의 특징들을 추출할 때, 센서 융합 정보로부터 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 측방 레이더의 헤딩각, 측방 레이더 트랙의 절대속도를 포함하는 특징들을 추출하고, 추정된 차량 상태 정보로부터 측방 레이더 트랙의 횡방향 상대속도에 대한 추정값과 측방 레이더 트랙의 종방향 상대속도에 대한 추정값을 포함하는 특징들을 추출하며, 위험도 판단 정보로부터 종방향 충돌 소요 시간, 종방향 충돌 위험도, 차선 침범 소요 시간, 횡방향 충돌 위험도를 포함하는 특징들을 추출할 수 있다.
그리고, 특징 조합 생성부(200)는, 다수의 특징 조합들을 생성할 때, 각 특징 조합들에 포함되는 특징의 개수가 서로 다를 수 있다.
일 예로, 특징 조합들의 개수는, 추출된 특징들의 총 개수에 따라 가변될 수 있다.
다음, 분류 학습부(300)는, 다수의 특징 조합들을 가중치(weight factor)에 따라 분류하여 학습할 수 있다.
일 예로, 분류 학습부(300)는, 분류기로서, 소프트 마진 서포트 벡터 머신(Soft margin Support Vector Machine)을 이용할 수 있고, 분류 학습시키기 위해 서포트 벡터 머신(SVM)의 인자로서, 특징 후보(feature candidate)를 이용할 수 있다.
그리고, 가중치는, 튜닝 파라메터(tuning parameter)로서, 서포트 벡터 머신(SVM)이 서로 다른 데이터 사이의 거리 최대화와 학습데이터가 각 클래스(class)에서 벗어나는 정도 허용 중에서 어떤 쪽에 더 가중치를 주는지 의미할 수 있다.
이어, 차량 의도 판단부(400)는, 분류 학습된 결과값을 토대로 주변 차량의 의도(intention)를 판단하여 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정하고, 선정된 최적의 특징 조합을 토대로 근거리 끼어들기 차량의 상황을 판단할 수 있다.
여기서, 차량 의도 판단부(400)는, 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정할 때, 분류 학습된 결과값을 토대로 주변 차량의 의도를 판단하고, 판단된 주변 차량의 의도에 대한 근거리 끼어들기의 정확도를 산출하며, 산출된 정확도를 토대로 최적의 특징 조합을 선정하고, 선정된 최적의 특징 조합에 포함된 가중치를 토대로 근거리 끼어들기 차량의 상황을 판단할 수 있다.
일 예로, 차량 의도 판단부(400)는, 주변 차량의 의도에 대한 근거리 끼어들기의 정확도를 산출할 때, TPR(True Positive Rate)과 FPR(Fulse Positive Rate)을 토대로 산출할 수 있다.
또한, 차량 의도 판단부(400)는, 산출된 정확도를 토대로 최적의 특징 조합을 선정할 때, TPR(True Positive Rate)이 높고 FPR(Fulse Positive Rate)이 낮은 특징 조합을 선정할 수 있다.
이와 같이, 구성되는 본 발명은, 전방 레이더(Front Radar Track)의 트랙(trak), 측방 레이더(Corner Radar Track)의 트랙(track) 및 프리 스페이스(free space)를 통해 자차 주변 차량의 정보를 입력 받고, 각 센서에서 입력 받은 정보를 이용한 센서 융합 정보(상대 위치, 상대 속도, 헤딩각, 절대속도), 센서에서 출력되지 않거나 출력되더라도 노이지(noisy)한 측정값에 대해 추정된 상태정보(횡방향, 종방향 상대속도), 위험도 판단 알고리즘 정보을 생성하며, 반복을 통해 상기 3가지 정보와 소프트 마진 서포트 벡터 머신(soft margin SVM)의 가중치(weight factor)의 조합을 변경하면서 주변 차량의 의도 판단에 최적인 특징 조합을 선정할 수 있다.
따라서, 본 발명은, 근거리 끼어들기 차량 판단에 최적인 특징 조합을 선정하여 이를 토대로 근거리에서 저속으로 끼어드는 상대 차량에 대한 다양한 상황을 정확하게 판단함으로써, 충돌을 미리 예방하고 안전성을 높일 수 있다.
또한, 본 발명은, 저속 차량의 근거리 끼어들기(short cut-in) 중 타이트 컷 인(tight cut-in), 루즈 컷 인(loose cut-in), 그리고 마일드 컷 인(mild cut-in) 상황에서 기계 학습 방법으로 주변 차량 메뉴버(maneuver)를 판단할 때, 필요한 최적의 특징 조합과 분류 파라메터(classifier parameter) 선정이 가능하다.
여기서, 타이트 컷 인(tight cut-in) 상황은, 전방차량과 자차량 사이의 간격이 좁을 때, 상대차량이 자차량의 헤드램프 근처로 끼어드는 상황이고, 루즈 컷 인(loose cut-in) 상황은, 전방차량과 자차량 사이의 간격이 넓을 때, 상대차량이 전방차량 근처로 끼어드는 상황이며, 마일드 컷 인(mild cut-in) 상황은, 전방차량과 자차량 사이의 간격이 넓을 때, 상대차량이 자차량과 전방차량의 사이로 끼어드는 상황을 의미한다.
또한, 본 발명은, 전체 시스템 구성 중 센서 융합 모듈, 추정 모듈, 위험도 판단 모듈의 알고리즘이 변경되더라도 제시된 프레임워크(framework) 적용이 가능하다.
도 2 내지 도 4는 도 1의 정보 생성부의 센서 융합 정보 생성을 설명하기 위한 도면이고, 도 5는 도 1의 정보 생성부의 추정 차량 상태 정보 생성을 설명하기 위한 도면이며, 도 6 내지 도 8은 도 1의 정보 생성부의 위험도 판단 정보 생성을 설명하기 위한 도면이다.
도 2 내지 도 8에 도시된 바와 같이, 본 발명의 정보 생성부는, 센싱부로부터 주변 차량 정보가 수신되면 수신된 주변 차량 정보를 토대로 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 생성할 수 있다.
여기서, 정보 생성부는, 주변 차량 정보를 수신할 때, 자차량의 전방을 센싱하는 전방 레이더와, 자차량의 측방을 센싱하는 측방 레이더로부터 주변 차량 정보를 수신할 수 있다.
예를 들면, 정보 생성부는, 주변 차량 정보를 수신할 때, 전방 레이더로부터 트랙(track) 정보을 포함하는 주변 차량 정보를 수신하고, 측방 레이더로부터 트랙 정보 및 프리 스페이스(free space) 정보를 포함하는 주변 차량 정보를 수신할 수 있다.
그리고, 도 2 내지 도 4와 같이, 정보 생성부는, 센서 융합 정보를 생성할 때, 주변 차량 정보 중 전방 레이더 트랙 정보와 측방 레이더 트랙 정보를 융합한 제1 센서 융합 정보와, 주변 차량 정보 중 전방 레이더 트랙 정보, 측방 레이더 트랙 정보 및 측방 레이더 프리 스페이스 정보를 융합한 제2 센서 융합 정보를 생성할 수 있다.
여기서, 도 2와 같이, 정보 생성부는, 제1 센서 융합 정보를 생성할 때, 전방 레이더 트랙의 위치를 중심으로 측방 레이더 트랙의 위치를 확인하고, 측방 레이더 트랙의 위치를 전방 레이더 트랙 위치로 보정하여 융합 트랙을 산출하며, 산출된 융합 트랙을 포함하는 제1 센서 융합 정보를 생성할 수 있다.
일 예로, 제1 센서 융합 정보는, 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 융합 트랙의 횡방향 상대속도, 융합 트랙의 종방향 상대속도, 측방 레이더의 헤딩각, 융합 트랙의 폭, 융합 트랙의 길이, 측방 레이더 트랙의 절대속도를 포함할 수 있는데, 이에 한정되지는 않는다.
즉, 제1 센서 융합 정보는, 전방 레이더(Front Radar Track)와 측방 레이더(Corner Radar Track)의 융합으로서, 전방 레이더 트랙 중심으로 놈 게이팅(norm gating)하고, 측방 레이더가 존재하면 측방 레이더 트랙의 위치를 전방 레이더 쪽으로 보정할 수 있다.
그리고, 트랙 위치 외의 상태값은, 측방 레이더 트랙의 값을 사용할 수 있다.
융합 트랙의 출력은, 융합 트랙의 횡방향 위치(y), 융합 트랙의 종방향 위치(x), 융합 트랙의 횡방향 상대속도(vy), 융합 트랙의 종방향 상대속도(vx), 측방 레이더의 헤딩각(θ), 융합 트랙의 폭(width), 융합 트랙의 길이(length), 측방 레이더 트랙의 절대속도(V)를 포함할 수 있다.
즉, 융합 트랙의 출력: {y, x, vy, vx, θ, width, length, V}
일 예로, 도 2와 같이, 제1 센서 융합 정보는, 하기 수식에 의해 산출될 수 있다.
또한, 도 3 및 도 4와 같이, 정보 생성부(100)는, 제2 센서 융합 정보를 생성할 때, 프리 스페이스를 측방 레이더 트랙에 융합하여 융합 트랙을 산출하고, 산출된 융합 트랙을 포함하는 제2 센서 융합 정보를 생성할 수 있다.
여기서, 정보 생성부(100)는, 프리 스페이스를 측방 레이더 트랙에 융합할 때, 파티클 필터(particle filter)를 기반으로 융합을 수행할 수 있는데, 이에 한정되지는 않는다.
일 예로, 제2 센서 융합 정보는, 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 융합 트랙의 횡방향 상대속도, 융합 트랙의 종방향 상대속도, 측방 레이더의 헤딩각, 측방 레이더 트랙의 폭, 측방 레이더 트랙의 길이를 포함할 수 있는데, 이에 한정되지는 않는다.
즉, 제2 센서 융합 정보는, 전방 레이더(Front Radar Track)와 측방 레이더(Corner Radar Track) 및 프리 스페이스(Free Space)의 융합이다.
도 3은 근거리 끼어들기 차량에 대한 융합 알고리즘의 파티클을 보여주는 도면이고, 도 4는 근거리 끼어들기 차량에 대한 융합 알고리즘의 기대값 결과를 보여주는 도면으로서, 도 3 및 도 4와 같이, 여러 개의 점(point)으로 출력되는 프리 스페이스를 사각형으로 출력되는 측방레이더와 융합하기 위해 파티클 필터(particle filter) 활용할 수 있다.
여기서, 융합 트랙의 출력은, 융합 트랙의 횡방향 위치(y), 융합 트랙의 종방향 위치(x), 융합 트랙의 횡방향 상대속도(vy), 융합 트랙의 종방향 상대속도(vx), 측방 레이더의 헤딩각(θ), 융합 트랙의 폭(width), 융합 트랙의 길이(length)를 포함할 수 있다.
즉, 융합 트랙의 출력: {y, x, vy, vx, θ, width, length}
그리고, 도 5와 같이, 정보 생성부는, 추정된 차량 상태 정보를 생성할 때, 측방 레이더 트랙의 횡방향 상대속도와 측방 레이더 트랙의 종방향 상대속도를 추정하여 추정값을 산출하고, 산출된 추정값을 포함하는 추정된 차량 상태 정보를 생성할 수 있다.
여기서, 정보 생성부는, 측방 레이더 트랙의 횡방향 상대속도와 측방 레이더 트랙의 종방향 상대속도를 추정할 때, 칼만 필터(particle filter)를 기반으로 추정하여 추정값을 산출할 수 있는데, 이에 한정되지는 않는다.
일 예로, 추정된 차량 상태 정보는, 측방 레이더 트랙의 횡방향 상대속도에 대한 추정값과 측방 레이더 트랙의 종방향 상대속도에 대한 추정값을 포함할 수 있는데, 이에 한정되지는 않는다.
또한, 정보 생성부는, 추정된 차량 상태 정보를 생성할 때, 주변 차량 상태 정보가 수신되지 않거나 또는 노이즈가 포함된 주변 차량 상태 정보가 수신되면 추정된 차량 상태 정보를 생성할 수 있다.
도 5는 측방 레이터 트랙의 횡방향 및 종방향 상대 속도 오차 및 노이즈를 보여주는 도면으로서, 도 5와 같이, 센서에서 출력되지 않거나 출력되지만 노이지(noisy)한 상태값을 KF(Kalman filter) 기반 추정값으로 대체할 수 있다.
그리고, 정보 생성부는, 상대 속도를 추정할 때, 등속도(Constant velocity), 등가속도(Constant acceleration) 등과 같이, 다양한 모델 사용이 가능하다.
또한, 정보 생성부는, 추정 차량 상태 정보로서, 횡방향 상대속도(vy), 종방향 상대속도(vx) 추정값을 사용할 수 있다.
다음, 도 6 내지 도 8과 같이, 정보 생성부는, 위험도 판단 정보를 생성할 때, 종방향 충돌 소요 시간(TTC: Time to Collision) 및 경고 지수(warning index)를 토대로 종방향 충돌 위험도(longitudinal collision risk index)를 산출하고, 차선 침범 소요 시간(TLC: Time to Lane Crossing) 및 종방향 충돌 위험도를 토대로 횡방향 충돌 위험도(lateral collision risk index)를 산출하고, 산출된 종방향 충돌 위험도와 횡방향 충돌 위험도를 포함하는 위험도 판단 정보를 생성할 수 있다.
여기서, 정보 생성부는, 종방향 충돌 위험도를 산출할 때, 상대 차량과 자차 사이의 거리 및 상대 차량의 종방향 상대 속도를 토대로 종방향 충돌 소요 시간을 산출하고, 두 차량 사이의 거리, 브레이크 임계 거리 및 경고 임계 거리를 토대로 경고 지수를 산출하며, 산출된 종방향 충돌 소요 시간 및 경고 지수와 미리 설정된 종방향 충돌 소요 시간의 문턱값과 경고 지수의 최대값을 토대로 종방향 충돌 위험도를 산출할 수 있다.
일 예로, 정보 생성부는, 경고 지수를 산출할 때, 두 차량 사이의 거리가 경고 임계 거리보다 더 멀면 경고 지수를 양의 값으로 산출하여 현재 상황이 안전하다는 정보를 제공할 수 있다.
그리고, 정보 생성부는, 종방향 충돌 소요 시간의 문턱값을 미리 설정할 때, 상대 차량이 약 10kph 이하의 저속으로 운행하는 조건에 상응하는 문턱값으로 설정할 수도 있다.
일 예로, 정보 생성부는, 종방향 충돌 소요 시간의 문턱값을 약 3으로 미리 설정할 수 있는데, 이에 한정되지는 않는다.
이처럼, 문턱값을 설정하는 이유는, 차량이 약 50kph 속도에서 종방향 충돌 소요 시간의 문턱값이 약 0.6 ~ 0.7인 것을 토대로 차량이 약 10kph 이하 속도에서 종방향 충돌 소요 시간의 문턱값을 설정하기 때문이다.
또한, 정보 생성부는, 경고 지수의 최대값을 미리 설정할 때, 경고 지수의 변화율에 상응하는 종방향 충돌 위험도의 변화율이 기준값보다 커지도록 경고 지수의 최대값을 설정할 수도 있다.
일 예로, 정보 생성부는, 경고 지수의 최대값을 약 8로 미리 설정할 수 있다.
이처럼, 경고 지수의 최대값을 설정하는 이유는, 튜닝 파라메터(Tuning parameter)로서 너무 큰 값으로 설정하면 종방향 충돌 위험도의 경고 지수 변화에 둔감해지기 때문이다.
일 예로, 종방향 충돌 위험도는, 경고 지수의 최대값이 커질수록 크게 나오는 경향을 보일 수 있다.
일 예로, 도 6과 같이, 종방향 충돌 위험도는, 하기 수식들에 의해 산출될 수 있다.
Time to collision(TTC):
Warning index(xp):
Breaking-critical distance(dbr):
Warning-critical distance(dw):
여기서, dw은, 두 차량이 이 거리에서 출발하여 최대로 감속한다면 두 차량의 범퍼가 서로 마주 닿을 때 멈추게 되는 거리이고, 두 차량 사이의 거리가 dw 을 넘으면 경고 지수(warning index)는 양의 값을 가지고 현재 상황이 안전하다는 것을 나타낼 수 있다.
Longitudinal collision risk index (I long ):
또한, 정보 생성부는, 횡방향 충돌 위험도를 산출할 때, 상대 차량의 횡방향 위치와 상대 차량의 횡방향 상대 속도를 토대로 차선 침범 소요 시간을 산출하고, 차선 침범 소요 시간과 종방향 충돌 위험도 및 미리 설정된 차선 침범 소요 시간의 문턱값을 토대로 횡방향 충돌 위험도(lateral collision risk index)를 산출할 수 있다.
여기서, 정보 생성부는, 차선 침범 소요 시간의 문턱값을 미리 설정할 때, 상대 차량이 약 10kph 이하의 저속으로 운행하는 조건에 상응하는 문턱값으로 설정할 수 있다.
그리고, 정보 생성부는, 차선 침범 소요 시간의 문턱값을 미리 설정할 때, 종방향 충돌 소요 시간의 문턱값보다 더 작은 문턱값으로 설정할 수 있다.
일 예로, 정보 생성부는, 차선 침범 소요 시간의 문턱값을 약 1.5로 미리 설정할 수 있다.
이처럼, 차선 침범 소요 시간의 문턱값을 설정하는 이유는, 차량 속도가 약 10kph 이하이지만 횡방향 움직임의 영향이 큰 근거리 끼어들기(cut in) 판단을 위해서 종방향 충돌 소요 시간의 문턱값에 비해 더 보수적으로 문턱값을 낮게 설정하기 때문이다.
또한, 정보 생성부는, 횡방향 충돌 위험도를 산출할 때, 산출된 횡방향 충돌 위험도가 1의 값에 가까울수록 현재 상황이 위험하다는 정보를 제공하고, 산출된 횡방향 충돌 위험도가 0의 값에 가까울수록 현재 상황이 안전하다는 정보를 제공할 수 도 있다.
일 예로, 도 7 및 도 8과 같이, 횡방향 충돌 위험도는, 하기 수식들에 의해 산출될 수 있다.
Time to lane crossing(TLC):
Lateral collision risk index:
여기서, I lat 은 약 0 ~ 1사이의 값을 가질 수 있고, 횡방향 충돌 위험도의 값이 1에 가까울수록 현재 상황이 위험함을 나타낼 수 있다.
도 7은 끼어들기 상황인 횡방향 충돌 위험도를 보여주는 도면이고, 도 8은 주행 상황인 횡방향 충돌 위험도를 보여주는 도면으로서, 도 7과 같이 끼어들기(cut in) 상황에서는 횡방향 충돌 위험도가 1까지 올라가지만 도 8과 같이 주행 상황에서는 횡방향 충돌 위험도가 상대적으로 낮은 값을 유지하는 것을 확인할 수 있다.
도 9는 도 1의 특징 조합 생성부의 특징 조합 생성을 설명하기 위한 도면이다.
도 9에 도시된 바와 같이, 본 발명의 특징 조합 생성부는, 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 토대로 다수의 특징(feature)들을 추출하고, 추출된 특징들을 조합(combination)하여 다수의 특징 조합(feature combination)들을 생성할 수 있다.
여기서, 특징 조합 생성부(200)는, 다수의 특징들을 추출할 때, 센서 융합 정보로부터 융합 트랙의 횡방향 위치(y), 융합 트랙의 종방향 위치(x), 측방 레이더의 헤딩각(θ), 측방 레이더 트랙의 절대속도를 포함하는 특징들을 추출하고, 추정된 차량 상태 정보로부터 측방 레이더 트랙의 횡방향 상대속도에 대한 추정값(vy j)과 측방 레이더 트랙의 종방향 상대속도에 대한 추정값(vx j)을 포함하는 특징들을 추출하며, 위험도 판단 정보로부터 종방향 충돌 소요 시간(TTC), 종방향 충돌 위험도(Ilong), 차선 침범 소요 시간(TLC), 횡방향 충돌 위험도(Ilat)를 포함하는 특징들을 추출할 수 있다.
그리고, 특징 조합 생성부(200)는, 다수의 특징 조합들을 생성할 때, 각 특징 조합들에 포함되는 특징의 개수가 서로 다를 수 있다.
일 예로, 특징 조합들의 개수는, 추출된 특징들의 총 개수에 따라 가변될 수 있다.
도 9와 같이, 분류기(Classifier)인 서포트 벡터 머신(SVM)을 학습시키기 위해 사용할 각 축에 해당하는 인자 선정이 필요하고, 특징(Feature)은, 융합 트랙의 출력과 추정값(j), 위험도 인자를 이용하여 다음과 같이 추출할 수 있다.
일 예로, 특징
그리고, 특징의 조합은, 특징의 개수에 따라 서포트 벡터 머신(SVM)의 각 축에 해당하는 조합이 다음 수식으로 생성될 수 있다.
다음, 분류 학습부는, 다수의 특징 조합들을 가중치(weight factor)에 따라 분류하여 학습할 수 있다.
일 예로, 분류 학습부는, 분류기로서, 소프트 마진 서포트 벡터 머신(Soft margin Support Vector Machine)을 이용할 수 있고, 분류 학습시키기 위해 서포트 벡터 머신(SVM)의 인자로서, 특징 후보(feature candidate)(Pi)를 이용할 수 있다.
그리고, 가중치(λ)는, 튜닝 파라메터(tuning parameter)로서, 서포트 벡터 머신(SVM)이 서로 다른 데이터 사이의 거리 최대화와 학습데이터가 각 클래스(class)에서 벗어나는 정도 허용 중에서 어떤 쪽에 더 가중치를 주는지 의미할 수 있다.
도 10은 도 1의 차량 의도 판단부의 최적의 특징 조합을 선정을 설명하기 위한 도면이다.
도 10에 도시된 바와 같이, 차량 의도 판단부는, 분류 학습된 결과값을 토대로 주변 차량의 의도(intention)를 판단하여 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정하고, 선정된 최적의 특징 조합을 토대로 근거리 끼어들기 차량의 상황을 판단할 수 있다.
여기서, 차량 의도 판단부는, 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정할 때, 분류 학습된 결과값을 토대로 주변 차량의 의도를 판단하고, 판단된 주변 차량의 의도에 대한 근거리 끼어들기의 정확도를 산출하며, 산출된 정확도를 토대로 최적의 특징 조합을 선정하고, 선정된 최적의 특징 조합에 포함된 가중치를 토대로 근거리 끼어들기 차량의 상황을 판단할 수 있다.
일 예로, 차량 의도 판단부는, 주변 차량의 의도에 대한 근거리 끼어들기의 정확도를 산출할 때, TPR(True Positive Rate)과 FPR(Fulse Positive Rate)을 토대로 산출할 수 있다.
또한, 차량 의도 판단부는, 산출된 정확도를 토대로 최적의 특징 조합을 선정할 때, TPR(True Positive Rate)이 높고 FPR(Fulse Positive Rate)이 낮은 특징 조합을 선정할 수 있다.
도 10과 같이, 본 발명은, 특징의 조합에 따른 성능 확인을 통해(높은 TPR과 낮은 FPR) 최적의 특징 조합과 가중치(ight factor) 선정이 가능하다.
도 11 내지 도 13은 근거리 끼어들기 상황에 따른 최적의 특징 조합을 선정을 설명하기 위한 도면이다.
도 11 내지 도 13에 도시된 바와 같이, 본 발명은, 저속 차량의 근거리 끼어들기(short cut-in) 중 타이트 컷 인(tight cut-in), 루즈 컷 인(loose cut-in), 그리고 마일드 컷 인(mild cut-in) 상황에서 기계 학습 방법으로 주변 차량 메뉴버(maneuver)를 판단할 때, 필요한 최적의 특징 조합과 분류 파라메터(classifier parameter) 선정이 가능하다.
도 11과 같이, 타이트 컷 인(tight cut-in) 상황은, 전방차량과 자차량 사이의 간격이 좁을 때, 상대차량이 자차량의 헤드램프 근처로 끼어드는 상황이다.
즉, 타이트 컷 인(tight cut-in) 상황은, 정체가 심한 상황으로써, 전방차량과 자차량 사이의 공간이 좁아 상대 차량이 끼어들기를 위해 자차량의 헤드램프 쪽에서 정차하는 상황이다.
이 경우, 상대 차량은, 끼어들기를 위해 접근하는 속도가 느리며, 상대 차량이 회전할 공간이 부족하므로 위치, 속도, 헤딩각 등의 상태값의 크기가 작고 변화량 또한 적을 수 있다.
그리고, 상대 차량은, 자차량과의 거리가 가깝기 때문에 위치 또는 상대속도의 크기가 작더라도 위험도 인자가 높게 계산될 수 있다.
따라서, 본 발명은, 타이트 컷 인(tight cut-in) 상황인 경우에 위험도가 포함된 특징 조합을 사용하여 끼어들기 판단을 수행할 수 있다.
그리고, 도 12와 같이, 루즈 컷 인(loose cut-in) 상황은, 전방차량과 자차량 사이의 간격이 넓을 때, 상대차량이 전방차량 근처로 끼어드는 상황이다.
즉, 루즈 컷 인(loose cut-in) 상황은, 전방차량과 자차량 사이의 공간이 넓기 때문에 상대 차량이 끼어들기를 위해 타이트 컷 인(tight cut-in) 상황보다 더 빠른 속도로 접근하여 정차하는 상황이다.
이 경우, 상대 차량은, 전방차량에 가깝게 끼어들기 때문에 헤딩각의 변화가 적지만 위치와 속도의 변화가 클 수 있다.
따라서, 본 발명은, 루즈 컷 인(loose cut-in) 상황인 경우에 위치, 상대속도가 많이 포함된 ㅌ트특징 조합을 사용하여 끼어들기 판단을 수행할 수 있다.
다음, 도 13과 같이, 마일드 컷 인(mild cut-in) 상황은, 전방차량과 자차량 사이의 간격이 넓을 때, 상대차량이 자차량과 전방차량의 사이로 끼어드는 상황이다.
즉, 마일드 컷 인(mild cut-in) 상황은, 전방차량과 자차량 사이의 공간이 넓기 때문에 상대 차량이 끼어들기를 위해 타이트 컷 인(tight cut-in) 상황보다 더 빠른 속도로 접근하여 정차하는 상황이다.
이 경우, 상대 차량은, 전방차량과 자차량 사이에 끼어들기 때문에 헤딩각의 변화가 가장 클 수 있다.
따라서, 본 발명은, 마일드 컷 인(mild cut-in) 상황인 경우에 헤딩각이 포함된 특징 조합을 사용하여 끼어들기 판단을 수행할 수 있다.
도 14는 본 발명에 따른 근거리 끼어들기 차량 판단 방법을 설명하기 위한 흐름도이다.
도 14에 도시된 바와 같이, 본 발명은, 주변 차량 정보를 수신한다(S10).
여기서, 본 발명은, 주변 차량 정보를 수신할 때, 자차량의 전방을 센싱하는 전방 레이더로부터 트랙(track) 정보을 포함하는 주변 차량 정보를 수신하고, 자차량의 측방을 센싱하는 측방 레이더로부터 트랙 정보 및 프리 스페이스(free space) 정보를 포함하는 주변 차량 정보를 수신할 수 있다.
그리고, 본 발명은, 주변 차량 정보가 수신되면 수신된 주변 차량 정보를 토대로 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 생성한다(S20).
여기서, 본 발명은, 센서 융합 정보를 생성할 때, 주변 차량 정보 중 전방 레이더 트랙 정보와 측방 레이더 트랙 정보를 융합한 제1 센서 융합 정보와, 주변 차량 정보 중 전방 레이더 트랙 정보, 측방 레이더 트랙 정보 및 측방 레이더 프리 스페이스 정보를 융합한 제2 센서 융합 정보를 생성할 수 있다.
본 발명은, 제1 센서 융합 정보를 생성할 때, 전방 레이더 트랙의 위치를 중심으로 측방 레이더 트랙의 위치를 확인하고, 측방 레이더 트랙의 위치를 상기 전방 레이더 트랙 위치로 보정하여 융합 트랙을 산출하며, 산출된 융합 트랙을 포함하는 제1 센서 융합 정보를 생성할 수 있다.
여기서, 제1 센서 융합 정보는, 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 융합 트랙의 횡방향 상대속도, 융합 트랙의 종방향 상대속도, 측방 레이더의 헤딩각, 융합 트랙의 폭, 융합 트랙의 길이, 측방 레이더 트랙의 절대속도를 포함할 수 있다.
또한, 본 발명은, 제2 센서 융합 정보를 생성할 때, 프리 스페이스를 측방 레이더 트랙에 융합하여 융합 트랙을 산출하고, 산출된 융합 트랙을 포함하는 제2 센서 융합 정보를 생성할 수 있다.
여기서, 본 발명은, 프리 스페이스를 측방 레이더 트랙에 융합할 때, 파티클 필터(particle filter)를 기반으로 융합을 수행할 수 있다.
그리고, 제2 센서 융합 정보는, 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 융합 트랙의 횡방향 상대속도, 융합 트랙의 종방향 상대속도, 측방 레이더의 헤딩각, 측방 레이더 트랙의 폭, 측방 레이더 트랙의 길이를 포함할 수 있다.
이어, 본 발명은, 추정된 차량 상태 정보를 생성할 때, 측방 레이더 트랙의 횡방향 상대속도와 측방 레이더 트랙의 종방향 상대속도를 추정하여 추정값을 산출하고, 산출된 추정값을 포함하는 추정된 차량 상태 정보를 생성할 수 있다.
여기서, 본 발명은, 측방 레이더 트랙의 횡방향 상대속도와 측방 레이더 트랙의 종방향 상대속도를 추정할 때, 칼만 필터(particle filter)를 기반으로 추정하여 추정값을 산출할 수 있다.
이때, 추정된 차량 상태 정보는, 측방 레이더 트랙의 횡방향 상대속도에 대한 추정값과 측방 레이더 트랙의 종방향 상대속도에 대한 추정값을 포함할 수 있다.
또한, 본 발명은, 추정된 차량 상태 정보를 생성할 때, 주변 차량 상태 정보가 수신되지 않거나 또는 노이즈가 포함된 주변 차량 상태 정보가 수신되면 추정된 차량 상태 정보를 생성할 수 있다.
다음, 본 발명은, 위험도 판단 정보를 생성할 때, 종방향 충돌 소요 시간(TTC: Time to Collision) 및 경고 지수(warning index)를 토대로 종방향 충돌 위험도(longitudinal collision risk index)를 산출하고, 차선 침범 소요 시간(TLC: Time to Lane Crossing) 및 종방향 충돌 위험도를 토대로 횡방향 충돌 위험도(lateral collision risk index)를 산출하고, 산출된 종방향 충돌 위험도와 횡방향 충돌 위험도를 포함하는 위험도 판단 정보를 생성할 수 있다.
여기서, 본 발명은, 종방향 충돌 위험도를 산출할 때, 상대 차량과 자차 사이의 거리 및 상대 차량의 종방향 상대 속도를 토대로 종방향 충돌 소요 시간을 산출하고, 두 차량 사이의 거리, 브레이크 임계 거리 및 경고 임계 거리를 토대로 경고 지수를 산출하며, 산출된 종방향 충돌 소요 시간 및 경고 지수와 미리 설정된 종방향 충돌 소요 시간의 문턱값과 경고 지수의 최대값을 토대로 종방향 충돌 위험도를 산출할 수 있다.
이때, 본 발명은, 경고 지수를 산출할 때, 두 차량 사이의 거리가 경고 임계 거리보다 더 멀면 경고 지수를 양의 값으로 산출하여 현재 상황이 안전하다는 정보를 제공할 수 있다.
일 예로, 종방향 충돌 소요 시간의 문턱값은, 상대 차량이 10kph 이하의 저속으로 운행하는 조건에 상응하는 문턱값으로 설정할 수 있고, 경고 지수의 최대값은, 경고 지수의 변화율에 상응하는 종방향 충돌 위험도의 변화율이 기준값보다 커지도록 경고 지수의 최대값을 설정할 수 있다.
그리고, 본 발명은, 횡방향 충돌 위험도를 산출할 때, 상대 차량의 횡방향 위치와 상대 차량의 횡방향 상대 속도를 토대로 차선 침범 소요 시간을 산출하고, 차선 침범 소요 시간과 종방향 충돌 위험도 및 미리 설정된 차선 침범 소요 시간의 문턱값을 토대로 횡방향 충돌 위험도(lateral collision risk index)를 산출할 수 있다.
일 예로, 차선 침범 소요 시간의 문턱값은, 상대 차량이 10kph 이하의 저속으로 운행하는 조건에 상응하는 문턱값으로 설정할 수 있는데, 차선 침범 소요 시간의 문턱값은, 종방향 충돌 소요 시간의 문턱값보다 더 작은 문턱값으로 설정할 수 있다.
또한, 본 발명은, 횡방향 충돌 위험도를 산출할 때, 산출된 횡방향 충돌 위험도가 1의 값에 가까울수록 현재 상황이 위험하다는 정보를 제공하고, 산출된 횡방향 충돌 위험도가 0의 값에 가까울수록 현재 상황이 안전하다는 정보를 제공할 수 있다.
이어, 본 발명은, 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 토대로 다수의 특징(feature)들을 추출할 수 있다(S30).
여기서, 본 발명은, 다수의 특징들을 추출할 때, 센서 융합 정보로부터 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 측방 레이더의 헤딩각, 측방 레이더 트랙의 절대속도를 포함하는 특징들을 추출하고, 추정된 차량 상태 정보로부터 측방 레이더 트랙의 횡방향 상대속도에 대한 추정값과 측방 레이더 트랙의 종방향 상대속도에 대한 추정값을 포함하는 특징들을 추출하며, 위험도 판단 정보로부터 종방향 충돌 소요 시간, 종방향 충돌 위험도, 차선 침범 소요 시간, 횡방향 충돌 위험도를 포함하는 특징들을 추출할 수 있다.
그리고, 본 발명은, 추출된 특징들을 조합(combination)하여 다수의 특징 조합(feature combination)들을 생성할 수 있다(S40).
여기서, 본 발명은, 다수의 특징 조합들을 생성할 때, 각 특징 조합들에 포함되는 특징의 개수가 서로 다를 수 있다.
여기서, 특징 조합들의 개수는, 추출된 특징들의 총 개수에 따라 가변될 수 있다.
다음, 본 발명은, 다수의 특징 조합들을 가중치(weight factor)에 따라 분류하여 학습할 수 있다(S50).
이어, 본 발명은, 분류 학습된 결과값을 토대로 주변 차량의 의도(intention)를 판단하여 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정할 수 있다(S60).
여기서, 본 발명은, 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정할 때, 분류 학습된 결과값을 토대로 주변 차량의 의도를 판단하고, 판단된 주변 차량의 의도에 대한 근거리 끼어들기의 정확도를 산출하며, 산출된 정확도를 토대로 최적의 특징 조합을 선정하고, 선정된 최적의 특징 조합에 포함된 가중치를 토대로 근거리 끼어들기 차량의 상황을 판단할 수 있다.
일 예로, 본 발명은, 주변 차량의 의도에 대한 근거리 끼어들기의 정확도를 산출할 때, TPR(True Positive Rate)과 FPR(Fulse Positive Rate)을 토대로 산출할 수 있다.
또한, 본 발명은, 산출된 정확도를 토대로 최적의 특징 조합을 선정할 때, TPR(True Positive Rate)이 높고 FPR(Fulse Positive Rate)이 낮은 특징 조합을 선정할 수 있다.
그리고, 본 발명은, 선정된 최적의 특징 조합을 토대로 근거리 끼어들기 차량의 상황을 판단할 수 있다(S70).
이어, 본 발명은, 종료 요청이 있는지를 확인하고(S80), 종료 요청이 있으면 근거리 끼어들기 차량 판단 과정을 종료할 수 있다.
또한, 본 발명은, 근거리 끼어들기 차량 판단 장치의 근거리 끼어들기 판단 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체로서, 본 발명의 실시예에 따른 근거리 끼어들기 판단 방법에서 제공된 과정을 수행할 수 있다.
한편, 본 발명의 일 실시예에 따른 차량은, 주변 차량을 센싱하는 센싱 장치와, 센싱 장치로부터 수신된 주변 차량 정보를 토대로 근거리 끼어들기 차량의 상황을 판단하는 근거리 끼어들기 차량 장치를 포함하고, 근거리 끼어들기 차량 장치는, 수신된 주변 차량 정보를 토대로 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 생성하고, 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 토대로 다수의 특징들을 추출하며, 추출된 특징들을 조합하여 다수의 특징 조합들을 생성하고, 다수의 특징 조합들을 가중치에 따라 분류하여 학습하며, 분류 학습된 결과값을 토대로 주변 차량의 의도를 판단하여 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정하고, 선정된 최적의 특징 조합을 토대로 근거리 끼어들기 차량의 상황을 판단할 수 있다.
이와 같이, 본 발명은, 근거리 끼어들기 차량 판단에 최적인 특징 조합을 선정하여 이를 토대로 근거리에서 저속으로 끼어드는 상대 차량에 대한 다양한 상황을 정확하게 판단함으로써, 충돌을 미리 예방하고 안전성을 높일 수 있다.
또한, 본 발명은, 저속 차량의 근거리 끼어들기(short cut-in) 중 타이트 컷 인(tight cut-in), 루즈 컷 인(loose cut-in), 그리고 마일드 컷 인(mild cut-in) 상황에서 기계 학습 방법으로 주변 차량 메뉴버(maneuver)를 판단할 때, 필요한 최적의 특징 조합과 분류 파라메터(classifier parameter) 선정이 가능하다.
여기서, 타이트 컷 인(tight cut-in) 상황은, 전방차량과 자차량 사이의 간격이 좁을 때, 상대차량이 자차량의 헤드램프 근처로 끼어드는 상황이고, 루즈 컷 인(loose cut-in) 상황은, 전방차량과 자차량 사이의 간격이 넓을 때, 상대차량이 전방차량 근처로 끼어드는 상황이며, 마일드 컷 인(mild cut-in) 상황은, 전방차량과 자차량 사이의 간격이 넓을 때, 상대차량이 자차량과 전방차량의 사이로 끼어드는 상황을 의미한다.
또한, 본 발명은, 전체 시스템 구성 중 센서 융합 모듈, 추정 모듈, 위험도 판단 모듈의 알고리즘이 변경되더라도 제시된 프레임워크(framework) 적용이 가능하다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
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.
10: 센싱부
100: 정보 생성부
200: 특징 조합 생성부
300: 분류 학습부
400: 차량 의도 판단부

Claims (37)

  1. 주변 차량 정보가 수신되면 상기 수신된 주변 차량 정보를 토대로 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 생성하는 정보 생성부;
    상기 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 토대로 다수의 특징(feature)들을 추출하고, 상기 추출된 특징들을 조합(combination)하여 다수의 특징 조합(feature combination)들을 생성하는 특징 조합 생성부;
    상기 다수의 특징 조합들을 가중치(weight factor)에 따라 분류하여 학습하는 분류 학습부; 그리고,
    상기 분류 학습된 결과값을 토대로 상기 주변 차량의 의도(intention)를 판단하여 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정하고, 상기 선정된 최적의 특징 조합을 토대로 근거리 끼어들기 차량의 상황을 판단하는 차량 의도 판단부를 포함하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  2. 제1 항에 있어서, 상기 정보 생성부는,
    상기 주변 차량 정보를 수신할 때, 자차량의 전방을 센싱하는 전방 레이더와, 상기 자차량의 측방을 센싱하는 측방 레이더로부터 상기 주변 차량 정보를 수신하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  3. 제2 항에 있어서, 상기 정보 생성부는,
    상기 주변 차량 정보를 수신할 때, 상기 전방 레이더로부터 트랙(track) 정보을 포함하는 주변 차량 정보를 수신하고, 상기 측방 레이더로부터 트랙 정보 및 프리 스페이스(free space) 정보를 포함하는 주변 차량 정보를 수신하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  4. 제1 항에 있어서, 상기 정보 생성부는,
    상기 센서 융합 정보를 생성할 때, 상기 주변 차량 정보 중 전방 레이더 트랙 정보와 측방 레이더 트랙 정보를 융합한 제1 센서 융합 정보와, 상기 주변 차량 정보 중 전방 레이더 트랙 정보, 측방 레이더 트랙 정보 및 측방 레이더 프리 스페이스 정보를 융합한 제2 센서 융합 정보를 생성하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  5. 제4 항에 있어서, 상기 정보 생성부는,
    상기 제1 센서 융합 정보를 생성할 때, 전방 레이더 트랙의 위치를 중심으로 측방 레이더 트랙의 위치를 확인하고, 상기 측방 레이더 트랙의 위치를 상기 전방 레이더 트랙 위치로 보정하여 융합 트랙을 산출하며, 상기 산출된 융합 트랙을 포함하는 상기 제1 센서 융합 정보를 생성하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  6. 제4 항에 있어서, 상기 제1 센서 융합 정보는,
    융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 융합 트랙의 횡방향 상대속도, 융합 트랙의 종방향 상대속도, 측방 레이더의 헤딩각, 융합 트랙의 폭, 융합 트랙의 길이, 측방 레이더 트랙의 절대속도를 포함하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  7. 제4 항에 있어서, 상기 정보 생성부는,
    상기 제2 센서 융합 정보를 생성할 때, 프리 스페이스를 측방 레이더 트랙에 융합하여 융합 트랙을 산출하고, 상기 산출된 융합 트랙을 포함하는 상기 제2 센서 융합 정보를 생성하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  8. 제4 항에 있어서, 상기 제2 센서 융합 정보는,
    융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 융합 트랙의 횡방향 상대속도, 융합 트랙의 종방향 상대속도, 측방 레이더의 헤딩각, 측방 레이더 트랙의 폭, 측방 레이더 트랙의 길이를 포함하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  9. 제1 항에 있어서, 상기 정보 생성부는,
    상기 추정된 차량 상태 정보를 생성할 때, 측방 레이더 트랙의 횡방향 상대속도와 상기 측방 레이더 트랙의 종방향 상대속도를 추정하여 추정값을 산출하고, 상기 산출된 추정값을 포함하는 상기 추정된 차량 상태 정보를 생성하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  10. 제9 항에 있어서, 상기 추정된 차량 상태 정보는,
    상기 측방 레이더 트랙의 횡방향 상대속도에 대한 추정값과 상기 측방 레이더 트랙의 종방향 상대속도에 대한 추정값을 포함하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  11. 제1 항에 있어서, 상기 정보 생성부는,
    상기 추정된 차량 상태 정보를 생성할 때, 주변 차량 상태 정보가 수신되지 않거나 또는 노이즈가 포함된 주변 차량 상태 정보가 수신되면 상기 추정된 차량 상태 정보를 생성하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  12. 제1 항에 있어서, 상기 정보 생성부는,
    상기 위험도 판단 정보를 생성할 때, 종방향 충돌 소요 시간(TTC: Time to Collision) 및 경고 지수(warning index)를 토대로 종방향 충돌 위험도(longitudinal collision risk index)를 산출하고, 차선 침범 소요 시간(TLC: Time to Lane Crossing) 및 종방향 충돌 위험도를 토대로 횡방향 충돌 위험도(lateral collision risk index)를 산출하고, 상기 산출된 종방향 충돌 위험도와 횡방향 충돌 위험도를 포함하는 상기 위험도 판단 정보를 생성하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  13. 제12 항에 있어서, 상기 정보 생성부는,
    상기 종방향 충돌 위험도를 산출할 때, 상대 차량과 자차 사이의 거리 및 상기 상대 차량의 종방향 상대 속도를 토대로 상기 종방향 충돌 소요 시간을 산출하고, 두 차량 사이의 거리, 브레이크 임계 거리 및 경고 임계 거리를 토대로 경고 지수를 산출하며, 상기 산출된 종방향 충돌 소요 시간 및 경고 지수와 미리 설정된 종방향 충돌 소요 시간의 문턱값과 경고 지수의 최대값을 토대로 종방향 충돌 위험도를 산출하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  14. 제12 항에 있어서, 상기 정보 생성부는,
    상기 횡방향 충돌 위험도를 산출할 때, 상대 차량의 횡방향 위치와 상기 상대 차량의 횡방향 상대 속도를 토대로 차선 침범 소요 시간을 산출하고, 상기 차선 침범 소요 시간과 종방향 충돌 위험도 및 미리 설정된 차선 침범 소요 시간의 문턱값을 토대로 횡방향 충돌 위험도(lateral collision risk index)를 산출하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  15. 제1 항에 있어서, 상기 특징 조합 생성부는,
    상기 다수의 특징들을 추출할 때, 상기 센서 융합 정보로부터 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 측방 레이더의 헤딩각, 측방 레이더 트랙의 절대속도를 포함하는 특징들을 추출하고, 상기 추정된 차량 상태 정보로부터 측방 레이더 트랙의 횡방향 상대속도에 대한 추정값과 측방 레이더 트랙의 종방향 상대속도에 대한 추정값을 포함하는 특징들을 추출하며, 상기 위험도 판단 정보로부터 종방향 충돌 소요 시간, 종방향 충돌 위험도, 차선 침범 소요 시간, 횡방향 충돌 위험도를 포함하는 특징들을 추출하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  16. 제1 항에 있어서, 상기 차량 의도 판단부는,
    상기 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정할 때, 상기 분류 학습된 결과값을 토대로 상기 주변 차량의 의도를 판단하고, 상기 판단된 주변 차량의 의도에 대한 근거리 끼어들기의 정확도를 산출하며, 상기 산출된 정확도를 토대로 최적의 특징 조합을 선정하고, 상기 선정된 최적의 특징 조합에 포함된 가중치를 토대로 근거리 끼어들기 차량의 상황을 판단하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  17. 제16 항에 있어서, 상기 차량 의도 판단부는,
    상기 주변 차량의 의도에 대한 근거리 끼어들기의 정확도를 산출할 때, TPR(True Positive Rate)과 FPR(Fulse Positive Rate)을 토대로 산출하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  18. 제17 항에 있어서, 상기 차량 의도 판단부는,
    상기 산출된 정확도를 토대로 최적의 특징 조합을 선정할 때, 상기 TPR(True Positive Rate)이 높고 상기 FPR(Fulse Positive Rate)이 낮은 특징 조합을 선정하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 장치.
  19. 근거리 끼어들기 차량 판단 장치의 근거리 끼어들기 차량 판단 방법에 있어서,
    주변 차량 정보를 수신하는 단계;
    상기 주변 차량 정보가 수신되면 상기 수신된 주변 차량 정보를 토대로 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 생성하는 단계;
    상기 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 토대로 다수의 특징(feature)들을 추출하는 단계;
    상기 추출된 특징들을 조합(combination)하여 다수의 특징 조합(feature combination)들을 생성하는 단계;
    상기 다수의 특징 조합들을 가중치(weight factor)에 따라 분류하여 학습하는 단계;
    상기 분류 학습된 결과값을 토대로 상기 주변 차량의 의도(intention)를 판단하여 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정하는 단계; 그리고,
    상기 선정된 최적의 특징 조합을 토대로 근거리 끼어들기 차량의 상황을 판단하는 단계를 포함하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  20. 제19 항에 있어서, 상기 주변 차량 정보를 수신하는 단계는,
    자차량의 전방을 센싱하는 전방 레이더로부터 트랙(track) 정보을 포함하는 주변 차량 정보를 수신하고, 상기 자차량의 측방을 센싱하는 측방 레이더로부터 트랙 정보 및 프리 스페이스(free space) 정보를 포함하는 주변 차량 정보를 수신하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  21. 제19 항에 있어서, 상기 센서 융합 정보를 생성하는 단계는,
    상기 주변 차량 정보 중 전방 레이더 트랙 정보와 측방 레이더 트랙 정보를 융합한 제1 센서 융합 정보와, 상기 주변 차량 정보 중 전방 레이더 트랙 정보, 측방 레이더 트랙 정보 및 측방 레이더 프리 스페이스 정보를 융합한 제2 센서 융합 정보를 생성하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  22. 제21 항에 있어서, 상기 제1 센서 융합 정보를 생성하는 단계는,
    전방 레이더 트랙의 위치를 중심으로 측방 레이더 트랙의 위치를 확인하고, 상기 측방 레이더 트랙의 위치를 상기 전방 레이더 트랙 위치로 보정하여 융합 트랙을 산출하며, 상기 산출된 융합 트랙을 포함하는 상기 제1 센서 융합 정보를 생성하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  23. 제21 항에 있어서, 상기 제1 센서 융합 정보는,
    융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 융합 트랙의 횡방향 상대속도, 융합 트랙의 종방향 상대속도, 측방 레이더의 헤딩각, 융합 트랙의 폭, 융합 트랙의 길이, 측방 레이더 트랙의 절대속도를 포함하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  24. 제21 항에 있어서, 상기 제2 센서 융합 정보를 생성하는 단계는,
    프리 스페이스를 측방 레이더 트랙에 융합하여 융합 트랙을 산출하고, 상기 산출된 융합 트랙을 포함하는 상기 제2 센서 융합 정보를 생성하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  25. 제21 항에 있어서, 상기 제2 센서 융합 정보는,
    융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 융합 트랙의 횡방향 상대속도, 융합 트랙의 종방향 상대속도, 측방 레이더의 헤딩각, 측방 레이더 트랙의 폭, 측방 레이더 트랙의 길이를 포함하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  26. 제19 항에 있어서, 상기 추정된 차량 상태 정보를 생성하는 단계는,
    측방 레이더 트랙의 횡방향 상대속도와 상기 측방 레이더 트랙의 종방향 상대속도를 추정하여 추정값을 산출하고, 상기 산출된 추정값을 포함하는 상기 추정된 차량 상태 정보를 생성하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  27. 제26 항에 있어서, 상기 추정된 차량 상태 정보는,
    상기 측방 레이더 트랙의 횡방향 상대속도에 대한 추정값과 상기 측방 레이더 트랙의 종방향 상대속도에 대한 추정값을 포함하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  28. 제19 항에 있어서, 상기 추정된 차량 상태 정보를 생성하는 단계는,
    주변 차량 상태 정보가 수신되지 않거나 또는 노이즈가 포함된 주변 차량 상태 정보가 수신되면 상기 추정된 차량 상태 정보를 생성하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  29. 제19 항에 있어서, 상기 위험도 판단 정보를 생성하는 단계는,
    종방향 충돌 소요 시간(TTC: Time to Collision) 및 경고 지수(warning index)를 토대로 종방향 충돌 위험도(longitudinal collision risk index)를 산출하고, 차선 침범 소요 시간(TLC: Time to Lane Crossing) 및 종방향 충돌 위험도를 토대로 횡방향 충돌 위험도(lateral collision risk index)를 산출하고, 상기 산출된 종방향 충돌 위험도와 횡방향 충돌 위험도를 포함하는 상기 위험도 판단 정보를 생성하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  30. 제29 항에 있어서, 상기 종방향 충돌 위험도를 산출하는 단계는,
    상대 차량과 자차 사이의 거리 및 상기 상대 차량의 종방향 상대 속도를 토대로 상기 종방향 충돌 소요 시간을 산출하고, 두 차량 사이의 거리, 브레이크 임계 거리 및 경고 임계 거리를 토대로 경고 지수를 산출하며, 상기 산출된 종방향 충돌 소요 시간 및 경고 지수와 미리 설정된 종방향 충돌 소요 시간의 문턱값과 경고 지수의 최대값을 토대로 종방향 충돌 위험도를 산출하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  31. 제29 항에 있어서, 상기 횡방향 충돌 위험도를 산출하는 단계는,
    상대 차량의 횡방향 위치와 상기 상대 차량의 횡방향 상대 속도를 토대로 차선 침범 소요 시간을 산출하고, 상기 차선 침범 소요 시간과 종방향 충돌 위험도 및 미리 설정된 차선 침범 소요 시간의 문턱값을 토대로 횡방향 충돌 위험도(lateral collision risk index)를 산출하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  32. 제19 항에 있어서, 상기 다수의 특징들을 추출하는 단계는,
    상기 센서 융합 정보로부터 융합 트랙의 횡방향 위치, 융합 트랙의 종방향 위치, 측방 레이더의 헤딩각, 측방 레이더 트랙의 절대속도를 포함하는 특징들을 추출하고, 상기 추정된 차량 상태 정보로부터 측방 레이더 트랙의 횡방향 상대속도에 대한 추정값과 측방 레이더 트랙의 종방향 상대속도에 대한 추정값을 포함하는 특징들을 추출하며, 상기 위험도 판단 정보로부터 종방향 충돌 소요 시간, 종방향 충돌 위험도, 차선 침범 소요 시간, 횡방향 충돌 위험도를 포함하는 특징들을 추출하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  33. 제19 항에 있어서, 상기 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정하는 단계는,
    상기 분류 학습된 결과값을 토대로 상기 주변 차량의 의도를 판단하고, 상기 판단된 주변 차량의 의도에 대한 근거리 끼어들기의 정확도를 산출하며, 상기 산출된 정확도를 토대로 최적의 특징 조합을 선정하고, 상기 선정된 최적의 특징 조합에 포함된 가중치를 토대로 근거리 끼어들기 차량의 상황을 판단하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  34. 제33 항에 있어서, 상기 주변 차량의 의도에 대한 근거리 끼어들기의 정확도를 산출하는 단계는,
    TPR(True Positive Rate)과 FPR(Fulse Positive Rate)을 토대로 산출하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  35. 제34 항에 있어서, 상기 산출된 정확도를 토대로 최적의 특징 조합을 선정하는 단계는,
    상기 TPR(True Positive Rate)이 높고 상기 FPR(Fulse Positive Rate)이 낮은 특징 조합을 선정하는 것을 특징으로 하는 근거리 끼어들기 차량 판단 방법.
  36. 제19 항 내지 제35 항 중 어느 한 항에 기재된 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  37. 주변 차량을 센싱하는 센싱 장치; 그리고,
    상기 센싱 장치로부터 수신된 주변 차량 정보를 토대로 근거리 끼어들기 차량의 상황을 판단하는 근거리 끼어들기 차량 장치를 포함하고,
    상기 근거리 끼어들기 차량 장치는,
    상기 수신된 주변 차량 정보를 토대로 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 생성하고, 상기 센서 융합 정보, 추정된 차량 상태 정보, 그리고 위험도 판단 정보를 토대로 다수의 특징들을 추출하며, 상기 추출된 특징들을 조합하여 다수의 특징 조합들을 생성하고, 상기 다수의 특징 조합들을 가중치에 따라 분류하여 학습하며, 상기 분류 학습된 결과값을 토대로 상기 주변 차량의 의도를 판단하여 근거리 끼어들기 차량 판단에 상응하는 최적의 특징 조합을 선정하고, 상기 선정된 최적의 특징 조합을 토대로 근거리 끼어들기 차량의 상황을 판단하는 것을 특징으로 하는 차량.
KR1020180120628A 2018-10-10 2018-10-10 근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량 Active KR102592826B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020180120628A KR102592826B1 (ko) 2018-10-10 2018-10-10 근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량
CN201811494200.1A CN111016919B (zh) 2018-10-10 2018-12-07 用于识别近距离切入车辆的装置和方法以及包括该装置的车辆
US16/215,113 US10818184B2 (en) 2018-10-10 2018-12-10 Apparatus and method for identifying close cut-in vehicle and vehicle including apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180120628A KR102592826B1 (ko) 2018-10-10 2018-10-10 근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량

Publications (2)

Publication Number Publication Date
KR20200046136A KR20200046136A (ko) 2020-05-07
KR102592826B1 true KR102592826B1 (ko) 2023-10-23

Family

ID=70160345

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180120628A Active KR102592826B1 (ko) 2018-10-10 2018-10-10 근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량

Country Status (3)

Country Link
US (1) US10818184B2 (ko)
KR (1) KR102592826B1 (ko)
CN (1) CN111016919B (ko)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102592825B1 (ko) * 2018-08-31 2023-10-23 현대자동차주식회사 충돌 회피 제어 장치 및 그 방법
US12288166B2 (en) * 2019-06-28 2025-04-29 Intel Corporation Assessment and response mechanism for autonomous systems
US11884252B2 (en) * 2019-08-29 2024-01-30 Ford Global Technologies, Llc Enhanced threat assessment
KR20210062123A (ko) * 2019-11-20 2021-05-31 현대자동차주식회사 차량 및 그 제어 방법
KR102356612B1 (ko) * 2020-06-02 2022-01-28 주식회사 만도모빌리티솔루션즈 충돌 방지 장치, 그를 가지는 차량 및 그 제어 방법
CN111746527B (zh) * 2020-06-08 2022-04-15 武汉理工大学 一种汽车与行人碰撞的预测方法及系统
CN111731279B (zh) * 2020-06-24 2022-06-07 重庆长安汽车股份有限公司 融合侧视摄像头实现车辆侧面保护的方法、车载设备及车辆
CN114360289A (zh) * 2020-09-30 2022-04-15 奥迪股份公司 用于车辆的辅助系统、相应的方法、车辆和存储介质
EP4012603B1 (en) * 2020-12-10 2023-12-06 Aptiv Technologies Limited Method for classifying a tracked object
CN113741440B (zh) * 2021-08-24 2024-05-03 中国第一汽车股份有限公司 一种切入车辆的危险目标识别方法、装置、介质及设备
CN113815620B (zh) * 2021-10-26 2023-03-14 中国第一汽车股份有限公司 一种车辆安全行驶的评估方法、装置、设备及存储介质
US11993288B2 (en) * 2021-12-29 2024-05-28 Waymo Llc Automated cut-in identification and classification
KR20230125606A (ko) * 2022-02-21 2023-08-29 영남대학교 산학협력단 차량 및 보행자 안전을 위한 능동 알림 장치
CN114954523B (zh) * 2022-04-29 2024-07-23 重庆长安汽车股份有限公司 自动驾驶车辆周边目标切入概率预测方法及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008117073A (ja) 2006-11-01 2008-05-22 Fuji Heavy Ind Ltd 割り込み車両検出装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10218010A1 (de) * 2002-04-23 2003-11-06 Bosch Gmbh Robert Verfahren und Vorrichtung zur Querführungsunterstützung bei Kraftfahrzeugen
DE102007022589A1 (de) * 2007-05-14 2008-11-27 Robert Bosch Gmbh Vorausschauende Sicherheitsvorrichtung für Fahrzeuge
EP2085279B1 (en) * 2008-01-29 2011-05-25 Ford Global Technologies, LLC A system for collision course prediction
EP3159235B1 (en) * 2015-10-22 2021-08-04 Honda Research Institute Europe GmbH Method and system for assisting a driver of a vehicle in driving the vehicle and computer program
KR101874186B1 (ko) * 2016-08-19 2018-07-03 한양대학교 산학협력단 기계 학습을 통한 주변 차량의 주행 경로 예측 방법 및 이를 이용하는 차량 제어 방법
CN106364486B (zh) * 2016-09-08 2019-08-27 江苏大学 一种基于危害分析的智能车辆变道控制方法
CN106553655B (zh) * 2016-12-02 2019-11-15 深圳地平线机器人科技有限公司 危险车辆检测方法和系统以及包括该系统的车辆
EP3354525B1 (en) * 2017-01-26 2021-01-13 Volvo Car Corporation Arrangement and method for mitigating a forward collision between road vehicles
CN108569289A (zh) * 2017-05-19 2018-09-25 浙江工业职业技术学院 一种车载雷达及其逼近探测和目标判别方法
US10913495B2 (en) * 2017-06-12 2021-02-09 Steering Solutions Ip Holding Corporation Vehicle safety steering system
US10809355B2 (en) * 2017-07-18 2020-10-20 Veoneer Us, Inc. Apparatus and method for detecting alignment of sensor and calibrating antenna pattern response in an automotive detection system
JP6637946B2 (ja) * 2017-11-17 2020-01-29 株式会社Ｓｕｂａｒｕ 車両の車線逸脱防止制御装置
KR20190101909A (ko) * 2018-02-23 2019-09-02 주식회사 비트센싱 위험물 감지를 위한 차량용 레이더 시스템
US20200055402A1 (en) * 2018-08-14 2020-02-20 Sf Motors, Inc. Adaptive off-throttle regenerative braking
AT521647B1 (de) * 2018-09-14 2020-09-15 Avl List Gmbh Verfahren und System zur Datenaufbereitung, zum Trainieren eines künstlichen neuronalen Netzes und zum Analysieren von Sensordaten

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008117073A (ja) 2006-11-01 2008-05-22 Fuji Heavy Ind Ltd 割り込み車両検出装置

Also Published As

Publication number Publication date
US10818184B2 (en) 2020-10-27
CN111016919B (zh) 2024-07-09
KR20200046136A (ko) 2020-05-07
CN111016919A (zh) 2020-04-17
US20200118441A1 (en) 2020-04-16

Similar Documents

Publication Publication Date Title
KR102592826B1 (ko) 근거리 끼어들기 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량
EP3208165B1 (en) Vehicle safety assist system
KR102295577B1 (ko) Ecu, 상기 ecu를 포함하는 무인 자율 주행 차량, 및 이의 주행 차로 판단 방법
CN109927727B (zh) 用于判定附近车辆的动作的设备和方法
KR102295578B1 (ko) 자율주행 차량의 추월 제어방법
US20220314968A1 (en) Electronic control device
CN104044587A (zh) 用于提高处于自主驾驶模式下的车辆的传感器可视性的系统和方法
KR102408746B1 (ko) 충돌 위험 저감 장치 및 방법
JP7315680B2 (ja) 車両を安全化するための方法
KR102699145B1 (ko) 근거리 컷-인 차량 판단 장치 및 그의 판단 방법과 그를 이용하는 차량
KR20220056922A (ko) 자율주행 제어 장치 및 방법
EP3913392B1 (en) Method and apparatus for rear cross collision warning
CN112590778A (zh) 车辆控制的方法、装置、控制器和智能汽车
CN115867475A (zh) 用于车辆自动驾驶操作的方法和装置以及车辆
KR20220056923A (ko) 자율주행 제어 장치 및 방법
KR20220029859A (ko) 주행 제어 장치 및 방법
JP6394152B2 (ja) 車両制御装置
US12142056B2 (en) Information processing device, information processing method, and computer readable medium for determining a latent event
KR102732491B1 (ko) 근거리 컷인 타겟 판단 장치 및 그의 판단 방법
KR102524293B1 (ko) 전방 차량 오인식 제거 장치 및 그의 오인식 제거 방법과 그를 포함하는 차량
KR20160071164A (ko) 끼어들기를 고려한 차량 주행제어 장치 및 방법
KR20180126160A (ko) 끼어들기 상황에서 적응형 순항 제어 방법 및 장치
CN113771844B (zh) 用于车辆的安全驾驶控制系统、方法及存储介质
KR20220140087A (ko) 전방차량모션 기반 위험인지 및 사고회피 장치와 방법
KR20240084630A (ko) 자율주행차량의 컷인 대응 장치 및 방법

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20181010

PG1501 Laying open of application
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20210924

Comment text: Request for Examination of Application

Patent event code: PA02011R01I

Patent event date: 20181010

Comment text: Patent Application

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: 20230913

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20231018

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20231019

End annual number: 3

Start annual number: 1

PG1601 Publication of registration