JP2023038178A - ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法、装置およびコンピュータプログラム - Google Patents
ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法、装置およびコンピュータプログラム Download PDFInfo
- Publication number
- JP2023038178A JP2023038178A JP2022140888A JP2022140888A JP2023038178A JP 2023038178 A JP2023038178 A JP 2023038178A JP 2022140888 A JP2022140888 A JP 2022140888A JP 2022140888 A JP2022140888 A JP 2022140888A JP 2023038178 A JP2023038178 A JP 2023038178A
- Authority
- JP
- Japan
- Prior art keywords
- feature map
- generating
- artificial intelligence
- intelligence model
- lidar
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4808—Evaluating distance, position or velocity data
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
Abstract
【課題】ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法、装置およびコンピュータプログラムを提供する。
【解決手段】コンピューティング装置によって遂行される方法において、所定の地域に対する３次元ポイントクラウド形態のライダーセンサデータを収集する段階、予め定義された一つ以上の指標を基準として前記収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成する段階および前記生成された一つ以上の第１特徴マップと距離および角度を基準として予め生成された第２特徴マップそれぞれを個別的なチャネルとして結合して人工知能モデルの入力特徴マップを生成する段階を含む。
【選択図】図３
【解決手段】コンピューティング装置によって遂行される方法において、所定の地域に対する３次元ポイントクラウド形態のライダーセンサデータを収集する段階、予め定義された一つ以上の指標を基準として前記収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成する段階および前記生成された一つ以上の第１特徴マップと距離および角度を基準として予め生成された第２特徴マップそれぞれを個別的なチャネルとして結合して人工知能モデルの入力特徴マップを生成する段階を含む。
【選択図】図３
Description
本発明の多様な実施例はライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法、装置およびコンピュータプログラムに関する。
車両を運転する使用者の便宜のために、各種センサと電子装置など（例：車両運転者補助システム（ＡＤＡＳ：Ａｄｖａｎｃｅｄ Ｄｒｉｖｅｒ Ａｓｓｉｓｔａｎｃｅ Ｓｙｓｔｅｍ）が具備されている傾向であり、特に、運転者の介入なしに周辺環境を認識し、認識された周辺環境に応じて自ら与えられた目的地まで自動で走行する車両の自律走行システム（Ａｕｔｏｎｏｍｏｕｓ ｄｒｉｖｉｎｇ Ｓｙｓｔｅｍ）に対する技術開発が活発になされている。
ここで、自律走行車両は運転者の介入なしに周辺環境を認識し、認識された周辺環境に応じて自ら与えられた目的地まで自動で走行する自律走行システム機能を搭載した車両をいう。
運転者に介入なしに自律走行車両の走行動作を制御するためには、自律走行車両の周辺環境を認識して客体（例：障害物）を認識する動作が必須的に先行されなければならず、事故防止および安全のために客体をより正確に認識することが必要であるところ、各種センサデータを通じて自律走行車両周辺に位置する客体を探知する技術に対する開発が活発になされている。
従来には、自律走行車両内に備えられるセンサ（例：ライダーセンサ）を利用して自律走行車両周辺を感知したセンサデータを学習データにして人工知能モデルを学習させ、学習された人工知能モデルを利用してリアルタイムで収集されるライダーセンサデータを分析することによって、自律走行車両周辺の客体（例：障害物）を探知しこれを回避して走行するように制御した。
ここで、自律走行車両は運転者の介入なしに周辺環境を認識し、認識された周辺環境に応じて自ら与えられた目的地まで自動で走行する自律走行システム機能を搭載した車両をいう。
運転者に介入なしに自律走行車両の走行動作を制御するためには、自律走行車両の周辺環境を認識して客体（例：障害物）を認識する動作が必須的に先行されなければならず、事故防止および安全のために客体をより正確に認識することが必要であるところ、各種センサデータを通じて自律走行車両周辺に位置する客体を探知する技術に対する開発が活発になされている。
従来には、自律走行車両内に備えられるセンサ（例：ライダーセンサ）を利用して自律走行車両周辺を感知したセンサデータを学習データにして人工知能モデルを学習させ、学習された人工知能モデルを利用してリアルタイムで収集されるライダーセンサデータを分析することによって、自律走行車両周辺の客体（例：障害物）を探知しこれを回避して走行するように制御した。
しかし、従来の方式の場合、３次元ポイントクラウド形態のライダーセンサデータ（例：（ｘ、ｙ、ｚ）ポイントの集合）を人工知能モデルの学習データとして活用するか、学習された人工知能モデルの入力データとして活用するために、人工知能モデルの入力データとして適合なテンソル（Ｔｅｎｓｏｒ）の形態に変換する過程が必須であるが、３次元または２次元畳み込み（ｃｏｎｖｏｌｕｔｉｏｎ）のための入力特徴マップを生成する過程で演算量が多いため、客体を探知する過程で長時間が必要とされるという問題がある。
また、より正確な結果値導出のために入力特徴マップのチャネル数を増加させる場合、人工知能モデルの学習および推論動作に対する非効率性が増加するという問題がある。
また、より正確な結果値導出のために入力特徴マップのチャネル数を増加させる場合、人工知能モデルの学習および推論動作に対する非効率性が増加するという問題がある。
本発明が解決しようとする課題は、自律走行車両周辺の予め設定された客体探知領域に対する距離および角度を事前演算（Ｐｒｅ－ｃｏｍｐｕｔｅｄ）して生成および保存された距離および角度に関する特徴マップとリアルタイムで収集される３次元ポイントクラウド形態のライダーセンサを利用して生成された特徴マップをチャネル結合してライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成すなわち、事前演算を通じて予め生成された特徴マップを利用してよりはやく入力特徴マップを生成することによって、人工知能モデルのはやい学習および推論演算が可能なだけでなく、正確な結果値の導出が可能な入力特徴マップを生成できるライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法、装置およびコンピュータプログラムを提供することである。
本発明が解決しようとする課題は、以上で言及された課題に制限されず、言及されていないさらに他の課題は下記の記載から通常の技術者に明確に理解され得るであろう。
本発明が解決しようとする課題は、以上で言及された課題に制限されず、言及されていないさらに他の課題は下記の記載から通常の技術者に明確に理解され得るであろう。
前述した課題を解決するための本発明の一実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法は、コンピューティング装置によって遂行される方法において、所定の地域に対する３次元ポイントクラウド形態のライダーセンサデータを収集する段階、予め定義された一つ以上の指標を基準として前記収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成する段階および前記生成された一つ以上の第１特徴マップと距離および角度を基準として予め生成された第２特徴マップそれぞれを個別的なチャネルとして結合して人工知能モデルの入力特徴マップを生成する段階を含むことができる。
多様な実施例において、前記一つ以上の第１特徴マップを生成する段階は、ＸＹ平面を基準として前記収集されたライダーセンサデータを格子化して複数の格子柱（ｐｉｌｌａｒ）を生成する段階、前記生成された複数の格子柱それぞれに対して前記予め定義された一つ以上の指標を算出する段階；および前記算出された一つ以上の指標を前記収集されたライダーセンサデータに対応するマトリックス上に入力して前記一つ以上の第１特徴マップを生成する段階を含むことができる。
多様な実施例において、前記一つ以上の第１特徴マップを生成する段階は、ＸＹ平面を基準として前記収集されたライダーセンサデータを格子化して複数の格子柱（ｐｉｌｌａｒ）を生成する段階、前記生成された複数の格子柱それぞれに対して前記予め定義された一つ以上の指標を算出する段階；および前記算出された一つ以上の指標を前記収集されたライダーセンサデータに対応するマトリックス上に入力して前記一つ以上の第１特徴マップを生成する段階を含むことができる。
多様な実施例において、前記予め定義された一つ以上の指標は、ライダーセンサポイントの数、最大高さ、最小高さおよび平均高さを含み、前記一つ以上の第１特徴マップを生成する段階は、前記ライダーセンサポイントの数、前記最大高さ、前記最小高さおよび前記平均高さそれぞれに対応する第１特徴マップを独立的なチャネルとして生成する段階を含むことができる。
多様な実施例において、ＸＹ平面基準で予め設定された客体探知領域を格子化して所定の大きさを有する複数の格子を生成する段階、前記生成された複数の格子と基準点の間の距離に基づいて、距離に関する第２特徴マップを生成する段階および前記生成された複数の格子と前記基準点の間の角度に基づいて、角度に関する第２特徴マップを生成する段階をさらに含むことができる。
多様な実施例において、前記距離に関する第２特徴マップを生成する段階は、前記生成された複数の格子それぞれの中心点座標と前記基準点座標間の距離値を算出する段階、予め設定された最大距離値を利用して前記算出された距離値を標準化する段階および前記予め設定された客体探知領域に対応するマトリックス上に前記標準化された距離値を入力して前記距離に関する第２特徴マップを生成する段階を含むことができる。
多様な実施例において、前記距離に関する第２特徴マップを生成する段階は、前記生成された複数の格子それぞれの中心点座標と前記基準点座標間の距離値を算出する段階、事前に定義されたログ関数を利用して前記算出された距離値を変換する段階および前記予め設定された客体探知領域に対応するマトリックス上に前記変換された距離値を入力して前記距離に関する第２特徴マップを生成する段階を含むことができる。
多様な実施例において、ＸＹ平面基準で予め設定された客体探知領域を格子化して所定の大きさを有する複数の格子を生成する段階、前記生成された複数の格子と基準点の間の距離に基づいて、距離に関する第２特徴マップを生成する段階および前記生成された複数の格子と前記基準点の間の角度に基づいて、角度に関する第２特徴マップを生成する段階をさらに含むことができる。
多様な実施例において、前記距離に関する第２特徴マップを生成する段階は、前記生成された複数の格子それぞれの中心点座標と前記基準点座標間の距離値を算出する段階、予め設定された最大距離値を利用して前記算出された距離値を標準化する段階および前記予め設定された客体探知領域に対応するマトリックス上に前記標準化された距離値を入力して前記距離に関する第２特徴マップを生成する段階を含むことができる。
多様な実施例において、前記距離に関する第２特徴マップを生成する段階は、前記生成された複数の格子それぞれの中心点座標と前記基準点座標間の距離値を算出する段階、事前に定義されたログ関数を利用して前記算出された距離値を変換する段階および前記予め設定された客体探知領域に対応するマトリックス上に前記変換された距離値を入力して前記距離に関する第２特徴マップを生成する段階を含むことができる。
多様な実施例において、前記角度に関する第２特徴マップを生成する段階は、前記生成された複数の格子それぞれの中心点と前記基準点を連結する線とＸ軸またはＹ軸の間の角度値を算出する段階、オイラー角度変換を利用して前記算出された角度値を変換する段階および前記変換された角度値を前記予め設定された客体探知領域に対応するマトリックス上に入力して前記角度に関する第２特徴マップを生成する段階を含むことができる。
多様な実施例において、前記角度に関する第２特徴マップを生成する段階は、前記生成された複数の格子それぞれの中心点と前記基準点を連結する線とＸ軸またはＹ軸の間の角度値を算出する段階、前記算出された角度値に対する三角比を算出する段階および前記予め設定された客体探知領域に対応するマトリックス上に前記算出された三角比を入力して前記角度に関する二つの第２特徴マップを生成する段階を含むことができる。
多様な実施例において、前記角度に関する第２特徴マップを生成する段階は、前記生成された複数の格子それぞれの中心点と前記基準点を連結する線とＸ軸またはＹ軸の間の角度値を算出する段階、前記算出された角度値に対する三角比を算出する段階および前記予め設定された客体探知領域に対応するマトリックス上に前記算出された三角比を入力して前記角度に関する二つの第２特徴マップを生成する段階を含むことができる。
前述した課題を解決するための本発明の他の実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成装置は、プロセッサ、ネットワークインターフェース、メモリおよび前記メモリにロード（ｌｏａｄ）され、前記プロセッサによって実行されるコンピュータプログラムを含むものの、前記コンピュータプログラムは、所定の地域に対する３次元ポイントクラウド形態のライダーセンサデータを収集するインストラクション（ｉｎｓｔｒｕｃｔｉｏｎ）、予め定義された一つ以上の指標を基準として前記収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成するインストラクションおよび前記生成された一つ以上の第１特徴マップと距離および角度を基準として予め生成された第２特徴マップそれぞれを個別的なチャネルとして結合して人工知能モデルの入力特徴マップを生成するインストラクションを含むことができる。
前述した課題を解決するための本発明のさらに他の実施例に係るコンピュータで読み取り可能な記録媒体に記録されたコンピュータプログラムは、コンピューティング装置と結合されて所定の地域に対する３次元ポイントクラウド形態のライダーセンサデータを収集する段階、予め定義された一つ以上の指標を基準として前記収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成する段階および前記生成された一つ以上の第１特徴マップと距離および角度を基準として予め生成された第２特徴マップそれぞれを個別的なチャネルとして結合して人工知能モデルの入力特徴マップを生成する段階を実行させるためにコンピュータで読み取り可能な記録媒体に保存され得る。
本発明のその他の具体的な事項は詳細な説明および図面に含まれている。
前述した課題を解決するための本発明のさらに他の実施例に係るコンピュータで読み取り可能な記録媒体に記録されたコンピュータプログラムは、コンピューティング装置と結合されて所定の地域に対する３次元ポイントクラウド形態のライダーセンサデータを収集する段階、予め定義された一つ以上の指標を基準として前記収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成する段階および前記生成された一つ以上の第１特徴マップと距離および角度を基準として予め生成された第２特徴マップそれぞれを個別的なチャネルとして結合して人工知能モデルの入力特徴マップを生成する段階を実行させるためにコンピュータで読み取り可能な記録媒体に保存され得る。
本発明のその他の具体的な事項は詳細な説明および図面に含まれている。
本発明の多様な実施例によると、自律走行車両周辺の予め設定された客体探知領域に対する距離および角度を事前演算（Ｐｒｅ－ｃｏｍｐｕｔｅｄ）して生成および保存された距離および角度に関する特徴マップとリアルタイムで収集される３次元ポイントクラウド形態のライダーセンサを利用して生成された特徴マップをチャネル結合してライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成すなわち、事前演算を通じて予め生成された特徴マップを利用してよりはやく入力特徴マップを生成することによって、人工知能モデルのはやい学習および推論演算が可能なだけでなく、正確な結果値の導出が可能な入力特徴マップを生成することができるという利点がある。
本発明の効果は以上で言及された効果に制限されず、言及されていないさらに他の効果は下記の記載から通常の技術者に明確に理解され得るであろう。
本発明の効果は以上で言及された効果に制限されず、言及されていないさらに他の効果は下記の記載から通常の技術者に明確に理解され得るであろう。
本発明の利点および特徴、そしてそれらを達成する方法は添付される図面と共に詳細に後述されている実施例を参照すると明確になるであろう。しかし、本発明は以下で開示される実施例に制限されるものではなく互いに異なる多様な形態で具現され得、ただし本実施例は本発明の開示を完全なものとし、本発明が属する技術分野の通常の技術者に本発明の範疇を完全に知らせるために提供されるものであり、本発明は請求項の範疇によって定義されるのみである。
本明細書で使われた用語は、実施例を説明するためのものであり本発明を制限しようとするものではない。本明細書で、単数型は文面で特に言及しない限り複数型も含む。明細書で使われる「含む（ｃｏｍｐｒｉｓｅｓ）」および／または「含む（ｃｏｍｐｒｉｓｉｎｇ）」は、言及された構成要素の他に一つ以上の他の構成要素の存在または追加を排除しない。明細書全体に亘って同一の図面符号は同一の構成要素を指称し、「および／または」は言及された構成要素のそれぞれおよび一つ以上のすべての組み合わせを含む。たとえ「第１」、「第２」等が多様な構成要素を叙述するために使われるが、これら構成要素はこれら用語によって制限されないことは言うまでもない。これら用語は単に一つの構成要素を他の構成要素と区別するために使うものである。したがって、以下で言及される第１構成要素は本発明の技術的思想内で第２構成要素であってもよいことは言うまでもない。
本明細書で使われた用語は、実施例を説明するためのものであり本発明を制限しようとするものではない。本明細書で、単数型は文面で特に言及しない限り複数型も含む。明細書で使われる「含む（ｃｏｍｐｒｉｓｅｓ）」および／または「含む（ｃｏｍｐｒｉｓｉｎｇ）」は、言及された構成要素の他に一つ以上の他の構成要素の存在または追加を排除しない。明細書全体に亘って同一の図面符号は同一の構成要素を指称し、「および／または」は言及された構成要素のそれぞれおよび一つ以上のすべての組み合わせを含む。たとえ「第１」、「第２」等が多様な構成要素を叙述するために使われるが、これら構成要素はこれら用語によって制限されないことは言うまでもない。これら用語は単に一つの構成要素を他の構成要素と区別するために使うものである。したがって、以下で言及される第１構成要素は本発明の技術的思想内で第２構成要素であってもよいことは言うまでもない。
他の定義がない限り、本明細書で使われるすべての用語（技術および科学的用語を含む）は本発明が属する技術分野の通常の技術者に共通して理解され得る意味で使われ得るであろう。また、一般的に使われる辞書に定義されている用語は明白に特に定義されていない限り理想的にまたは過度に解釈されない。
明細書で使われる「部」または「モジュール」という用語はソフトウェア、ＦＰＧＡまたはＡＳＩＣのようなハードウェア構成要素を意味し、「部」または「モジュール」は何らかの役割を遂行する。しかし、「部」または「モジュール」はソフトウェアまたはハードウェアに限定される意味ではない。「部」または「モジュール」はアドレッシングできる保存媒体にあるように構成されてもよく、一つまたはそれ以上のプロセッサを再生させるように構成されてもよい。したがって、一例として「部」または「モジュール」はソフトウェア構成要素、客体指向ソフトウェア構成要素、クラス構成要素およびタスク構成要素のような構成要素と、プロセス、関数、属性、プロシーザー、サブルーチン、プログラムコードのセグメント、ドライバ、ファームウェア、マイクロコード、回路、データ、データベース、データ構造、テーブル、アレイおよび変数を含む。構成要素と「部」または「モジュール」内で提供される機能はさらに小さい数の構成要素および「部」または「モジュール」で結合されたり追加的な構成要素と「部」または「モジュール」にさらに分離され得る。
明細書で使われる「部」または「モジュール」という用語はソフトウェア、ＦＰＧＡまたはＡＳＩＣのようなハードウェア構成要素を意味し、「部」または「モジュール」は何らかの役割を遂行する。しかし、「部」または「モジュール」はソフトウェアまたはハードウェアに限定される意味ではない。「部」または「モジュール」はアドレッシングできる保存媒体にあるように構成されてもよく、一つまたはそれ以上のプロセッサを再生させるように構成されてもよい。したがって、一例として「部」または「モジュール」はソフトウェア構成要素、客体指向ソフトウェア構成要素、クラス構成要素およびタスク構成要素のような構成要素と、プロセス、関数、属性、プロシーザー、サブルーチン、プログラムコードのセグメント、ドライバ、ファームウェア、マイクロコード、回路、データ、データベース、データ構造、テーブル、アレイおよび変数を含む。構成要素と「部」または「モジュール」内で提供される機能はさらに小さい数の構成要素および「部」または「モジュール」で結合されたり追加的な構成要素と「部」または「モジュール」にさらに分離され得る。
空間的に相対的な用語である「下（ｂｅｌｏｗ）」、「下（ｂｅｎｅａｔｈ）」、「下部（ｌｏｗｅｒ）」、「上（ａｂｏｖｅ）」、「上部（ｕｐｐｅｒ）」等は、図面に図示されているように、一つの構成要素と他の構成要素との相関関係を容易に記述するために使われ得る。空間的に相対的な用語は、図面に図示されている方向に加えて使用時または動作時構成要素の互いに異なる方向を含む用語で理解されるべきである。例えば、図面に図示されている構成要素をひっくり返す場合、他の構成要素の「下（ｂｅｌｏｗ）」または「下（ｂｅｎｅａｔｈ）」と記述された構成要素は、他の構成要素の「上（ａｂｏｖｅ）」に置かれ得る。したがって、例示的な用語である「下」は下と上の方向をすべて含むことができる。構成要素は他の方向へも配向され得、これに伴い、空間的に相対的な用語は配向により解釈され得る。
本明細書で、コンピュータは少なくとも一つのプロセッサを含むすべての種類のハードウェア装置を意味するものであり、実施例により該当ハードウェア装置で動作するソフトウェア的構成も包括する意味として理解され得る。例えば、コンピュータはスマートフォン、タブレットＰＣ、デスクトップ、ノートパソコンおよび各装置で駆動される使用者クライアントおよびアプリケーションをすべて含む意味として理解され得、また、これに制限されるものではない。
また、本発明の多様な実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法は、自律走行車両の走行制御を目的として自律走行車両の周辺領域に対する客体を探知するための入力特徴マップを生成するものとして説明しているが、これに限定されず、一般車両（例：運転者が直接介入して走行制御をする車両）または半自律走行機能（例：運転者が直接介入して走行制御を遂行するものの、一部の機能に対してのみ部分的に自律制御を遂行する機能）により動作する車両に適用が可能である。
本明細書で、コンピュータは少なくとも一つのプロセッサを含むすべての種類のハードウェア装置を意味するものであり、実施例により該当ハードウェア装置で動作するソフトウェア的構成も包括する意味として理解され得る。例えば、コンピュータはスマートフォン、タブレットＰＣ、デスクトップ、ノートパソコンおよび各装置で駆動される使用者クライアントおよびアプリケーションをすべて含む意味として理解され得、また、これに制限されるものではない。
また、本発明の多様な実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法は、自律走行車両の走行制御を目的として自律走行車両の周辺領域に対する客体を探知するための入力特徴マップを生成するものとして説明しているが、これに限定されず、一般車両（例：運転者が直接介入して走行制御をする車両）または半自律走行機能（例：運転者が直接介入して走行制御を遂行するものの、一部の機能に対してのみ部分的に自律制御を遂行する機能）により動作する車両に適用が可能である。
この時、一般車両または半自律走行機能により動作する車両に適用される場合、客体を探知して走行を直接制御するために入力特徴マップを生成するのではなく、走行補助（例：客体探知を通じての衝突防止通知の提供など）のために入力特徴マップを生成するものであり得る。
以下、添付された図面を参照して本発明の実施例を詳細に説明する。
本明細書で説明される各段階はコンピュータによって遂行されるものとして説明されるが、各段階の主体はこれに制限されるものではなく、実施例により各段階の少なくとも一部が互いに異なる装置で遂行されてもよい。
図１は、本発明の一実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成システムを図示した図面である。
図１を参照すると、本発明の一実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成システムは、入力特徴マップ生成装置１００、使用者端末２００、外部サーバー３００およびネットワーク４００を含むことができる。
ここで、図１に図示されたライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成システムは一実施例に従ったものであり、その構成要素は図１に図示された実施例に限定されるものではなく、必要に応じて付加、変更または削除され得る。
以下、添付された図面を参照して本発明の実施例を詳細に説明する。
本明細書で説明される各段階はコンピュータによって遂行されるものとして説明されるが、各段階の主体はこれに制限されるものではなく、実施例により各段階の少なくとも一部が互いに異なる装置で遂行されてもよい。
図１は、本発明の一実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成システムを図示した図面である。
図１を参照すると、本発明の一実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成システムは、入力特徴マップ生成装置１００、使用者端末２００、外部サーバー３００およびネットワーク４００を含むことができる。
ここで、図１に図示されたライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成システムは一実施例に従ったものであり、その構成要素は図１に図示された実施例に限定されるものではなく、必要に応じて付加、変更または削除され得る。
一実施例で、入力特徴マップ生成装置１００は３次元ポイントクラウド形態のライダーセンサデータを分析して自律走行車両１０周辺の客体を探知する人工知能モデルを学習させ、予め学習された人工知能モデルを利用して自律走行車両１０周辺の客体を探知するために人工知能モデルの入力特徴マップを生成することができる。例えば、入力特徴マップ生成装置１００はネットワーク４００を通じて自律走行車両１０と連結され得、自律走行車両１０内に備えられるセンサ（例：ライダーセンサ）から収集されたライダーセンサデータの提供を受けて入力特徴マップを生成することができる。
ここで、人工知能モデルは３次元クラウド形態のライダーセンサデータを分析するためのディープラーニングモデル（例：ＣＮＮ）であり得るが、これに限定されない。
人工知能モデルは一つ以上のネットワーク関数で構成され、一つ以上のネットワーク関数は一般的に「ノード」と指称され得る互いに連結された計算単位の集合で構成され得る。このような「ノード」は「ニューロン（ｎｅｕｒｏｎ）」と指称されてもよい。一つ以上のネットワーク関数は少なくとも一つ以上のノードを含んで構成される。一つ以上のネットワーク関数を構成するノード（またはニューロン）は一つ以上の「リンク」によって互いに連結され得る。
人工知能モデル内で、リンクを通じて連結された一つ以上のノードは、相対的に入力ノードおよび出力ノードの関係を形成することができる。入力ノードおよび出力ノードの概念は相対的なものであって、一つのノードに対して出力ノード関係にある任意のノードは他のノードとの関係で入力ノード関係にあり得、その逆も成立することができる。前述した通り、入力ノード対出力ノード関係はリンクを中心に生成され得る。一つの入力ノードに一つ以上の出力ノードがリンクを通じて連結され得、その逆も成立することができる。
ここで、人工知能モデルは３次元クラウド形態のライダーセンサデータを分析するためのディープラーニングモデル（例：ＣＮＮ）であり得るが、これに限定されない。
人工知能モデルは一つ以上のネットワーク関数で構成され、一つ以上のネットワーク関数は一般的に「ノード」と指称され得る互いに連結された計算単位の集合で構成され得る。このような「ノード」は「ニューロン（ｎｅｕｒｏｎ）」と指称されてもよい。一つ以上のネットワーク関数は少なくとも一つ以上のノードを含んで構成される。一つ以上のネットワーク関数を構成するノード（またはニューロン）は一つ以上の「リンク」によって互いに連結され得る。
人工知能モデル内で、リンクを通じて連結された一つ以上のノードは、相対的に入力ノードおよび出力ノードの関係を形成することができる。入力ノードおよび出力ノードの概念は相対的なものであって、一つのノードに対して出力ノード関係にある任意のノードは他のノードとの関係で入力ノード関係にあり得、その逆も成立することができる。前述した通り、入力ノード対出力ノード関係はリンクを中心に生成され得る。一つの入力ノードに一つ以上の出力ノードがリンクを通じて連結され得、その逆も成立することができる。
一つのリンクを通じて連結された入力ノードおよび出力ノード関係で、出力ノードは入力ノードに入力されたデータに基づいてその値が決定され得る。ここで入力ノードと出力ノードを互いに連結するノードは加重値（ｗｅｉｇｈｔ）を有することができる。加重値は可変的であり得、人工知能モデルが望む機能を遂行するために、使用者またはアルゴリズムによって可変され得る。例えば、一つの出力ノードに一つ以上の入力ノードがそれぞれのリンクによって互いに連結された場合、出力ノードは前記出力ノードと連結された入力ノードに入力された値およびそれぞれの入力ノードに対応するリンクに設定された加重値に基づいて出力ノード値を決定することができる。
前述した通り、人工知能モデルは一つ以上のノードが一つ以上のリンクを通じて互いに連結されて人工知能モデル内で入力ノードおよび出力ノード関係を形成する。人工知能モデル内でノードとリンクの個数およびノードとリンクの間の相関関係、リンクそれぞれに付与された加重値の値により、人工知能モデルの特性が決定され得る。例えば、同じ個数のノードおよびリンクが存在し、リンクの間の加重値の値が異なる二つの人工知能モデルが存在する場合、二つの人工知能モデルは互いに異なるものと認識され得る。
人工知能モデルを構成するノードのうち一部は、最初入力ノードからの距離に基づいて、一つのレイヤ（ｌａｙｅｒ）を構成することができる。例えば、最初入力ノードから距離がｎであるノードの集合は、ｎレイヤを構成することができる。最初入力ノードから距離は、最初入力ノードから該当ノードまで到達するために経なければならないリンクの最小個数によって定義され得る。しかし、このようなレイヤの定義は説明のための任意的なものであり、人工知能モデル内でレイヤの次数は前述とは異なる方法で定義され得る。例えば、ノードのレイヤは最終出力ノードから距離によって定義されてもよい。
前述した通り、人工知能モデルは一つ以上のノードが一つ以上のリンクを通じて互いに連結されて人工知能モデル内で入力ノードおよび出力ノード関係を形成する。人工知能モデル内でノードとリンクの個数およびノードとリンクの間の相関関係、リンクそれぞれに付与された加重値の値により、人工知能モデルの特性が決定され得る。例えば、同じ個数のノードおよびリンクが存在し、リンクの間の加重値の値が異なる二つの人工知能モデルが存在する場合、二つの人工知能モデルは互いに異なるものと認識され得る。
人工知能モデルを構成するノードのうち一部は、最初入力ノードからの距離に基づいて、一つのレイヤ（ｌａｙｅｒ）を構成することができる。例えば、最初入力ノードから距離がｎであるノードの集合は、ｎレイヤを構成することができる。最初入力ノードから距離は、最初入力ノードから該当ノードまで到達するために経なければならないリンクの最小個数によって定義され得る。しかし、このようなレイヤの定義は説明のための任意的なものであり、人工知能モデル内でレイヤの次数は前述とは異なる方法で定義され得る。例えば、ノードのレイヤは最終出力ノードから距離によって定義されてもよい。
最初入力ノードは人工知能モデル内のノードのうち、他のノードとの関係でリンクを経ずにデータが直接入力される一つ以上のノードを意味し得る。または人工知能モデルネットワーク内で、リンクを基準としたノード間の関係において、リンクに連結された他の入力ノード有さないノードを意味し得る。これと同様に、最終出力ノードは人工知能モデル内のノードのうち他のノードとの関係で、出力ノードを有さない一つ以上のノードを意味し得る。また、隠れノードは最初入力ノードおよび最後出力ノードでない人工知能モデルを構成するノードを意味し得る。本開示の一実施例に係る人工知能モデルは、入力レイヤのノードが出力レイヤに近い隠れレイヤのノードより多くてもよく、入力レイヤから隠れレイヤに進行されるにつれてノードの数が減少する形態の人工知能モデルであり得る。
人工知能モデルは一つ以上の隠れレイヤを含むことができる。隠れレイヤの隠れノードは以前のレイヤの出力と周辺の隠れノードの出力を入力とすることができる。各隠れレイヤ別隠れノードの数は同一であってもよく、異なってもよい。入力レイヤのノードの数は入力データのデータフィールドの数に基づいて決定され得、隠れノードの数と同一であってもよく、異なってもよい。入力レイヤに入力された入力データは隠れレイヤの隠れノードによって演算され得、出力レイヤである完全連結レイヤ（ＦＣＬ：ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｌａｙｅｒ）により出力され得る。
多様な実施例において、人工知能モデルは客体に対する情報がラベリング（ｌａｂｅｌｉｎｇ）されたライダーセンサデータを学習データにして教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）され得る。しかし、これに限定されず、多様な学習方法が適用され得る。
ここで、教師あり学習は通常的に特定データと特定データに関連した情報をラベリングして学習データを生成し、これを利用して学習させる方法であって、因果関係を有する二つのデータをラベリングして学習データを生成し、生成された学習データを通じて学習する方法を意味する。
より具体的には、入力特徴マップ生成装置１００はラベリングされた学習データを利用して人工知能モデルを構成する一つ以上のネットワーク関数に対する学習を遂行できる。例えば、入力特徴マップ生成装置１００は学習入力データそれぞれを一つ以上のネットワーク関数に入力させ、一つ以上のネットワーク関数で演算された出力データそれぞれと学習入力データそれぞれのラベルに該当する学習出力データそれぞれを比較して誤差を導き出すことができる。すなわち、人工知能モデルの学習で学習入力データは一つ以上のネットワーク関数の入力レイヤに入力され得、学習出力データは一つ以上のネットワーク関数の出力と比較され得る。
人工知能モデルは一つ以上の隠れレイヤを含むことができる。隠れレイヤの隠れノードは以前のレイヤの出力と周辺の隠れノードの出力を入力とすることができる。各隠れレイヤ別隠れノードの数は同一であってもよく、異なってもよい。入力レイヤのノードの数は入力データのデータフィールドの数に基づいて決定され得、隠れノードの数と同一であってもよく、異なってもよい。入力レイヤに入力された入力データは隠れレイヤの隠れノードによって演算され得、出力レイヤである完全連結レイヤ（ＦＣＬ：ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｌａｙｅｒ）により出力され得る。
多様な実施例において、人工知能モデルは客体に対する情報がラベリング（ｌａｂｅｌｉｎｇ）されたライダーセンサデータを学習データにして教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）され得る。しかし、これに限定されず、多様な学習方法が適用され得る。
ここで、教師あり学習は通常的に特定データと特定データに関連した情報をラベリングして学習データを生成し、これを利用して学習させる方法であって、因果関係を有する二つのデータをラベリングして学習データを生成し、生成された学習データを通じて学習する方法を意味する。
より具体的には、入力特徴マップ生成装置１００はラベリングされた学習データを利用して人工知能モデルを構成する一つ以上のネットワーク関数に対する学習を遂行できる。例えば、入力特徴マップ生成装置１００は学習入力データそれぞれを一つ以上のネットワーク関数に入力させ、一つ以上のネットワーク関数で演算された出力データそれぞれと学習入力データそれぞれのラベルに該当する学習出力データそれぞれを比較して誤差を導き出すことができる。すなわち、人工知能モデルの学習で学習入力データは一つ以上のネットワーク関数の入力レイヤに入力され得、学習出力データは一つ以上のネットワーク関数の出力と比較され得る。
入力特徴マップ生成装置１００は学習入力データに対する一つ以上のネットワーク関数の演算結果と学習出力データ（ラベル）の誤差に基づいて人工知能モデルを学習させることができる。
また、入力特徴マップ生成装置１００は誤差に基づいて一つ以上のネットワーク関数の加重値を逆伝播方式で調整することができる。すなわち、入力特徴マップ生成装置１００は学習入力データに対する一つ以上のネットワーク関数の演算結果と学習出力データの誤差に基づいて一つ以上のネットワーク関数の出力が学習出力データに近づくように加重値を調整することができる。
入力特徴マップ生成装置１００は一つ以上のネットワーク関数の学習が事前決定されたエポック以上遂行された場合、検証データを利用して学習中断の可否を決定することができる。事前決定されたエポックは全体学習目標エポックの一部であり得る。
検証データはラベリングされた学習データのうち少なくとも一部で構成され得る。すなわち、入力特徴マップ生成装置１００は学習データを通じて人工知能モデルの学習を遂行し、人工知能モデルの学習が事前決定されたエポック以上繰り返された後、検証データを利用して人工知能モデルの学習効果が事前決定された水準以上であるかどうかを判断することができる。例えば、入力特徴マップ生成装置１００は１００個の学習データを利用して目標反復学習回数が１０回である学習を遂行する場合、事前決定されたエポックである１０回の反復学習を遂行した後、１０個の検証データを利用して３回の反復学習を遂行し、３回の反復学習の間人工知能モデル出力の変化が事前決定された水準以下である場合、それ以上の学習は無意味なものと判断して学習を終了することができる。
また、入力特徴マップ生成装置１００は誤差に基づいて一つ以上のネットワーク関数の加重値を逆伝播方式で調整することができる。すなわち、入力特徴マップ生成装置１００は学習入力データに対する一つ以上のネットワーク関数の演算結果と学習出力データの誤差に基づいて一つ以上のネットワーク関数の出力が学習出力データに近づくように加重値を調整することができる。
入力特徴マップ生成装置１００は一つ以上のネットワーク関数の学習が事前決定されたエポック以上遂行された場合、検証データを利用して学習中断の可否を決定することができる。事前決定されたエポックは全体学習目標エポックの一部であり得る。
検証データはラベリングされた学習データのうち少なくとも一部で構成され得る。すなわち、入力特徴マップ生成装置１００は学習データを通じて人工知能モデルの学習を遂行し、人工知能モデルの学習が事前決定されたエポック以上繰り返された後、検証データを利用して人工知能モデルの学習効果が事前決定された水準以上であるかどうかを判断することができる。例えば、入力特徴マップ生成装置１００は１００個の学習データを利用して目標反復学習回数が１０回である学習を遂行する場合、事前決定されたエポックである１０回の反復学習を遂行した後、１０個の検証データを利用して３回の反復学習を遂行し、３回の反復学習の間人工知能モデル出力の変化が事前決定された水準以下である場合、それ以上の学習は無意味なものと判断して学習を終了することができる。
すなわち、検証データは人工知能モデルの反復学習でエポック別学習の効果が一定以上であるか以下であるかに基づいて学習の完了を決定するのに利用され得る。前述した学習データ、検証データの数および反復回数は例示に過ぎず、本開示はこれに制限されない。
入力特徴マップ生成装置１００はテストデータを利用して一つ以上のネットワーク関数の性能をテストして一つ以上のネットワーク関数の活性化の有無を決定することによって、人工知能モデルを生成することができる。テストデータは人工知能モデルの性能を検証するために使われ得、学習データのうち少なくとも一部で構成され得る。例えば、学習データのうち７０％は人工知能モデルの学習（すなわち、ラベルに類似する結果値を出力するように加重値を調整するための学習）のために活用され得、３０％は人工知能モデルの性能を検証するためのテストデータとして活用され得る。入力特徴マップ生成装置１００は学習が完了した人工知能モデルにテストデータを入力し、誤差を測定して事前決定された性能以上であるかどうかにより人工知能モデルの活性化の有無を決定することができる。
入力特徴マップ生成装置１００は学習が完了した人工知能モデルにテストデータを利用して学習完了した人工知能モデルの性能を検証し、学習完了した人工知能モデルの性能が事前に決定された基準以上の場合、該当人工知能モデルを他のアプリケーションで使うように活性化することができる。
入力特徴マップ生成装置１００はテストデータを利用して一つ以上のネットワーク関数の性能をテストして一つ以上のネットワーク関数の活性化の有無を決定することによって、人工知能モデルを生成することができる。テストデータは人工知能モデルの性能を検証するために使われ得、学習データのうち少なくとも一部で構成され得る。例えば、学習データのうち７０％は人工知能モデルの学習（すなわち、ラベルに類似する結果値を出力するように加重値を調整するための学習）のために活用され得、３０％は人工知能モデルの性能を検証するためのテストデータとして活用され得る。入力特徴マップ生成装置１００は学習が完了した人工知能モデルにテストデータを入力し、誤差を測定して事前決定された性能以上であるかどうかにより人工知能モデルの活性化の有無を決定することができる。
入力特徴マップ生成装置１００は学習が完了した人工知能モデルにテストデータを利用して学習完了した人工知能モデルの性能を検証し、学習完了した人工知能モデルの性能が事前に決定された基準以上の場合、該当人工知能モデルを他のアプリケーションで使うように活性化することができる。
また、入力特徴マップ生成装置１００は学習完了した人工知能モデルの性能が事前に決定された基準以下である場合、該当人工知能モデルを非活性化して廃棄することができる。例えば、入力特徴マップ生成装置１００は正確度（ａｃｃｕｒａｃｙ）、精密度（ｐｒｅｃｉｓｉｏｎ）、再現率（ｒｅｃａｌｌ）等の要素を基準として生成された人工知能モデルモデルの性能を判断することができる。前述した性能評価基準は例示に過ぎず、本開示はこれに制限されない。本開示の一実施例により入力特徴マップ生成装置１００はそれぞれの人工知能モデルを独立的に学習させて複数の人工知能モデルを生成することができ、性能を評価して一定性能以上の人工知能モデルのみを使うことができる。しかし、これに限定されない。
多様な実施例において、入力特徴マップ生成装置１００はネットワーク４００を通じて使用者端末２００と連結され得、ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法により生成された入力特徴マップを利用して自律走行車両１０周辺の客体を探知した結果を提供したり、客体を探知した結果による案内（例：走行案内など）情報を提供することができる。
ここで、使用者端末２００は携帯性と移動性が保障される無線通信装置であり、ナビゲーション、ＰＣＳ（Ｐｅｒｓｏｎａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）、ＧＳＭ（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、ＰＤＣ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ｃｅｌｌｕｌａｒ）、ＰＨＳ（Ｐｅｒｓｏｎａｌ Ｈａｎｄｙｐｈｏｎｅ Ｓｙｓｔｅｍ）、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、ＩＭＴ（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ）－２０００、ＣＤＭＡ（Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）－２０００、Ｗ－ＣＤＭＡ（Ｗ－Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）、Ｗｉｂｒｏ（Ｗｉｒｅｌｅｓｓ Ｂｒｏａｄｂａｎｄ Ｉｎｔｅｒｎｅｔ）端末、スマートフォン（Ｓｍａｒｔｐｈｏｎｅ）、スマートパッド（Ｓｍａｒｔｐａｄ）、タブレットＰＣ（Ｔａｂｌｅｔ ＰＣ）などのようなすべての種類のハンドヘルド（Ｈａｎｄｈｅｌｄ）基盤の無線通信装置を含むことができるが、これに限定されず、使用者端末２００は車両１０内に備えられる車両用インフォテインメントシステムであり得る。
多様な実施例において、入力特徴マップ生成装置１００はネットワーク４００を通じて使用者端末２００と連結され得、ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法により生成された入力特徴マップを利用して自律走行車両１０周辺の客体を探知した結果を提供したり、客体を探知した結果による案内（例：走行案内など）情報を提供することができる。
ここで、使用者端末２００は携帯性と移動性が保障される無線通信装置であり、ナビゲーション、ＰＣＳ（Ｐｅｒｓｏｎａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）、ＧＳＭ（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、ＰＤＣ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ｃｅｌｌｕｌａｒ）、ＰＨＳ（Ｐｅｒｓｏｎａｌ Ｈａｎｄｙｐｈｏｎｅ Ｓｙｓｔｅｍ）、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、ＩＭＴ（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ）－２０００、ＣＤＭＡ（Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）－２０００、Ｗ－ＣＤＭＡ（Ｗ－Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）、Ｗｉｂｒｏ（Ｗｉｒｅｌｅｓｓ Ｂｒｏａｄｂａｎｄ Ｉｎｔｅｒｎｅｔ）端末、スマートフォン（Ｓｍａｒｔｐｈｏｎｅ）、スマートパッド（Ｓｍａｒｔｐａｄ）、タブレットＰＣ（Ｔａｂｌｅｔ ＰＣ）などのようなすべての種類のハンドヘルド（Ｈａｎｄｈｅｌｄ）基盤の無線通信装置を含むことができるが、これに限定されず、使用者端末２００は車両１０内に備えられる車両用インフォテインメントシステムであり得る。
また、ここで、ネットワーク４００は複数の端末およびサーバーのようなそれぞれのノード相互間に情報交換が可能な連結構造を意味するもので、このようなネットワークの一例には近距離通信網（ＬＡＮ：Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、広域通信網（ＷＡＮ：Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネット（ＷＷＷ：Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）、有無線データ通信網、電話網、有無線テレビ通信網などを含むことができる。ここで、無線データ通信網は３Ｇ、４Ｇ、５Ｇ、３ＧＰＰ（３ｒｄ Ｇｅｎｅｒａｔｉｏｎ Ｐａｒｔｎｅｒｓｈｉｐ Ｐｒｏｊｅｃｔ）、５ＧＰＰ（５ｔｈ Ｇｅｎｅｒａｔｉｏｎ Ｐａｒｔｎｅｒｓｈｉｐ Ｐｒｏｊｅｃｔ）、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、ＷＩＭＡＸ（Ｗｏｒｌｄ Ｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙ ｆｏｒ Ｍｉｃｒｏｗａｖｅ Ａｃｃｅｓｓ）、Ｗｉ－Ｆｉ（Ｗｉ－Ｆｉ）、インターネット（Ｉｎｔｅｒｎｅｔ）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、Ｗｉｒｅｌｅｓｓ ＬＡＮ（Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＲＦ（Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ）、ブルートゥース（Ｂｌｕｅｔｏｏｔｈ）ネットワーク、ＮＦＣ（Ｎｅａｒ－Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）ネットワーク、衛星放送ネットワーク、アナログ放送ネットワーク、ＤＭＢ（Ｄｉｇｉｔａｌ Ｍｕｌｔｉｍｅｄｉａ Ｂｒｏａｄｃａｓｔｉｎｇ）ネットワークなどが含まれ得るが、これに限定されはしない。
一実施例で、外部サーバー３００はネットワーク４００を通じて入力特徴マップ生成装置１００と連結され得、入力特徴マップ生成装置１００がライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成プロセスを遂行するために必要な情報／データおよびライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成プロセスを遂行することによって生成される情報／データを保存および管理することができる。以下、図２を参照して、ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法を遂行する入力特徴マップ生成装置１００のハードウェア構成について説明することにする。
図２は、本発明の他の実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成装置のハードウェア構成図である。
一実施例で、外部サーバー３００はネットワーク４００を通じて入力特徴マップ生成装置１００と連結され得、入力特徴マップ生成装置１００がライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成プロセスを遂行するために必要な情報／データおよびライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成プロセスを遂行することによって生成される情報／データを保存および管理することができる。以下、図２を参照して、ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法を遂行する入力特徴マップ生成装置１００のハードウェア構成について説明することにする。
図２は、本発明の他の実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成装置のハードウェア構成図である。
図２を参照すると、本発明の他の実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成装置１００（以下、「コンピューティング装置１００」）は、一つ以上のプロセッサ１１０、プロセッサ１１０によって実行されるコンピュータプログラム１５１をロード（Ｌｏａｄ）するメモリ１２０、バス１３０、通信インターフェース１４０およびコンピュータプログラム１５１を保存するストレージ１５０を含むことができる。ここで、図２には本発明の実施例と関連する構成要素のみが図示されている。したがって、本発明が属した技術分野の通常の技術者であれば図２に図示された構成要素の他に他の汎用的な構成要素がさらに含まれ得ることが分かる。
プロセッサ１１０はコンピューティング装置１００の各構成の全般的な動作を制御する。プロセッサ１１０はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｏｒ Ｕｎｉｔ）、ＭＣＵ（Ｍｉｃｒｏ Ｃｏｎｔｒｏｌｌｅｒ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）または本発明の技術分野に広く知られている任意の形態のプロセッサを含んで構成され得る。
プロセッサ１１０はコンピューティング装置１００の各構成の全般的な動作を制御する。プロセッサ１１０はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｏｒ Ｕｎｉｔ）、ＭＣＵ（Ｍｉｃｒｏ Ｃｏｎｔｒｏｌｌｅｒ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）または本発明の技術分野に広く知られている任意の形態のプロセッサを含んで構成され得る。
また、プロセッサ１１０は本発明の実施例に係る方法を実行するための少なくとも一つのアプリケーションまたはプログラムに対する演算を遂行でき、コンピューティング装置１００は一つ以上のプロセッサを具備することができる。
多様な実施例において、プロセッサ１１０はプロセッサ１１０内部で処理される信号（またはデータ）を一時的および／または永久的に保存するラム（ＲＡＭ：Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、図示されず）およびロム（ＲＯＭ：Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、図示されず）をさらに含むことができる。また、プロセッサ１１０はグラフィック処理部、ラムおよびロムのうち少なくとも一つを含むシステムオンチップ（ＳｏＣ：ｓｙｓｔｅｍ ｏｎ ｃｈｉｐ）形態で具現され得る。
メモリ１２０は各種データ、命令および／または情報を保存する。メモリ１２０は本発明の多様な実施例に係る方法／動作を実行するためにストレージ１５０からコンピュータプログラム１５１をロードすることができる。メモリ１２０にコンピュータプログラム１５１がロードされると、プロセッサ１１０はコンピュータプログラム１５１を構成する一つ以上のインストラクションを実行することによって前記方法／動作を遂行できる。メモリ１２０はＲＡＭのような揮発性メモリで具現され得るであろうが、本開示の技術的範囲はこれに限定されるものではない。
多様な実施例において、プロセッサ１１０はプロセッサ１１０内部で処理される信号（またはデータ）を一時的および／または永久的に保存するラム（ＲＡＭ：Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、図示されず）およびロム（ＲＯＭ：Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、図示されず）をさらに含むことができる。また、プロセッサ１１０はグラフィック処理部、ラムおよびロムのうち少なくとも一つを含むシステムオンチップ（ＳｏＣ：ｓｙｓｔｅｍ ｏｎ ｃｈｉｐ）形態で具現され得る。
メモリ１２０は各種データ、命令および／または情報を保存する。メモリ１２０は本発明の多様な実施例に係る方法／動作を実行するためにストレージ１５０からコンピュータプログラム１５１をロードすることができる。メモリ１２０にコンピュータプログラム１５１がロードされると、プロセッサ１１０はコンピュータプログラム１５１を構成する一つ以上のインストラクションを実行することによって前記方法／動作を遂行できる。メモリ１２０はＲＡＭのような揮発性メモリで具現され得るであろうが、本開示の技術的範囲はこれに限定されるものではない。
バス１３０はコンピューティング装置１００の構成要素間に通信機能を提供する。バス１３０はアドレスバス（ａｄｄｒｅｓｓ Ｂｕｓ）、データバス（Ｄａｔａ Ｂｕｓ）および制御バス（Ｃｏｎｔｒｏｌ Ｂｕｓ）等の多様な形態のバスで具現され得る。
通信インターフェース１４０はコンピューティング装置１００の有無線インターネット通信を支援する。また、通信インターフェース１４０はインターネット通信以外の多様な通信方式を支援してもよい。このために、通信インターフェース１４０は本発明の技術分野に広く知られている通信モジュールを含んで構成され得る。いくつかの実施例で、通信インターフェース１４０は省略されてもよい。
ストレージ１５０はコンピュータプログラム１５１を非臨時的に保存することができる。コンピューティング装置１００を通じてライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成プロセスを遂行する場合、ストレージ１５０はライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成プロセスを提供するために必要な各種情報を保存することができる。
ストレージ１５０はＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、フラッシュメモリなどのような不揮発性メモリ、ハードディスク、着脱型ディスク、または本発明が属する技術分野で広く知られている任意の形態のコンピュータで読み取り可能な記録媒体を含んで構成され得る。
通信インターフェース１４０はコンピューティング装置１００の有無線インターネット通信を支援する。また、通信インターフェース１４０はインターネット通信以外の多様な通信方式を支援してもよい。このために、通信インターフェース１４０は本発明の技術分野に広く知られている通信モジュールを含んで構成され得る。いくつかの実施例で、通信インターフェース１４０は省略されてもよい。
ストレージ１５０はコンピュータプログラム１５１を非臨時的に保存することができる。コンピューティング装置１００を通じてライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成プロセスを遂行する場合、ストレージ１５０はライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成プロセスを提供するために必要な各種情報を保存することができる。
ストレージ１５０はＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、フラッシュメモリなどのような不揮発性メモリ、ハードディスク、着脱型ディスク、または本発明が属する技術分野で広く知られている任意の形態のコンピュータで読み取り可能な記録媒体を含んで構成され得る。
コンピュータプログラム１５１はメモリ１２０にロードされる時に、プロセッサ１１０に本発明の多様な実施例に係る方法／動作を遂行するようにする一つ以上のインストラクションを含むことができる。すなわち、プロセッサ１１０は前記一つ以上のインストラクションを実行することによって、本発明の多様な実施例に係る前記方法／動作を遂行できる。
一実施例で、コンピュータプログラム１５１は所定の地域に対する３次元ポイントクラウド形態のライダーセンサデータを収集する段階、予め定義された一つ以上の指標を基準として前記収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成する段階および前記生成された一つ以上の第１特徴マップと距離および角度を基準として予め生成された第２特徴マップそれぞれを個別的なチャネルとして結合して人工知能モデルの入力特徴マップを生成する段階を含むライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法を遂行するようにする一つ以上のインストラクションを含むことができる。
本発明の実施例と関連して説明された方法またはアルゴリズムの段階はハードウェアで直接具現されたり、ハードウェアによって実行されるソフトウェアモジュールで具現されたり、またはこれらの結合によって具現され得る。ソフトウェアモジュールはＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、フラッシュメモリ（Ｆｌａｓｈ Ｍｅｍｏｒｙ）、ハードディスク、着脱型ディスク、ＣＤ－ＲＯＭ、または本発明が属する技術分野で広く知られている任意の形態のコンピュータ読み取り可能記録媒体に常駐してもよい。
一実施例で、コンピュータプログラム１５１は所定の地域に対する３次元ポイントクラウド形態のライダーセンサデータを収集する段階、予め定義された一つ以上の指標を基準として前記収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成する段階および前記生成された一つ以上の第１特徴マップと距離および角度を基準として予め生成された第２特徴マップそれぞれを個別的なチャネルとして結合して人工知能モデルの入力特徴マップを生成する段階を含むライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法を遂行するようにする一つ以上のインストラクションを含むことができる。
本発明の実施例と関連して説明された方法またはアルゴリズムの段階はハードウェアで直接具現されたり、ハードウェアによって実行されるソフトウェアモジュールで具現されたり、またはこれらの結合によって具現され得る。ソフトウェアモジュールはＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、フラッシュメモリ（Ｆｌａｓｈ Ｍｅｍｏｒｙ）、ハードディスク、着脱型ディスク、ＣＤ－ＲＯＭ、または本発明が属する技術分野で広く知られている任意の形態のコンピュータ読み取り可能記録媒体に常駐してもよい。
本発明の構成要素はハードウェアであるコンピュータと結合されて実行されるためにプログラム（またはアプリケーション）で具現されて媒体に保存され得る。本発明の構成要素はソフトウェアプログラミングまたはソフトウェア要素で実行され得、これと同様に、実施例はデータ構造、プロセス、ルーチンまたは他のプログラミング構成の組み合わせで具現される多様なアルゴリズムを含み、Ｃ、Ｃ＋＋、ジャバ（Ｊａｖａ）、アセンブラ（ａｓｓｅｍｂｌｅｒ）などのようなプログラミングまたはスクリプト言語で具現され得る。機能的な側面は一つ以上のプロセッサで実行されるアルゴリズムで具現され得る。以下、図３～８を参照して、コンピューティング装置１００が遂行するライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法について説明することにする。
図３は、本発明のさらに他の実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法のフローチャートである。
図３を参照すると、Ｓ１１０段階で、コンピューティング装置１００は所定の地域に対するライダーセンサデータを収集することができる。例えば、コンピューティング装置１００はネットワーク４００を通じて自律走行車両１０と連結され得、自律走行車両１０内に備えられたライダーセンサから収集されたライダーセンサデータの提供を受けることができる。しかし、これに限定されない。
ここで、ライダーセンサデータは３次元座標値を有する複数のライダーセンサポイントを含む３次元ポイントクラウド形態であり得るが、これに限定されない。
図３は、本発明のさらに他の実施例に係るライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法のフローチャートである。
図３を参照すると、Ｓ１１０段階で、コンピューティング装置１００は所定の地域に対するライダーセンサデータを収集することができる。例えば、コンピューティング装置１００はネットワーク４００を通じて自律走行車両１０と連結され得、自律走行車両１０内に備えられたライダーセンサから収集されたライダーセンサデータの提供を受けることができる。しかし、これに限定されない。
ここで、ライダーセンサデータは３次元座標値を有する複数のライダーセンサポイントを含む３次元ポイントクラウド形態であり得るが、これに限定されない。
また、ここで、コンピューティング装置１００は入力特徴マップ生成のためにライダーセンサデータを収集するものとして説明しているが、これに限定されず、自律走行車両１０周辺の客体探知のために活用されるセンサデータであればすべて適用が可能である。
Ｓ１２０段階で、コンピューティング装置１００はＳ１１０段階を経て収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００は事前に予め定義された一つ以上の指標（例：密度（例：ライダーセンサポイントの数）、最大高さ、最小高さ、平均高さなど）を基準として、３次元ポイントクラウド形態のライダーセンサデータを加工することによって、それぞれの指標に対応する第１特徴マップを生成することができる。以下、図４および５を参照して第１特徴マップを生成する方法についてより具体的に説明することにする。
図４は多様な実施例において、一つ以上の第１特徴マップを生成する方法を説明するためのフローチャートであり、図５は多様な実施例において、一つ以上の第１特徴マップを生成する過程を図示した図面である。
図４および５を参照すると、Ｓ２１０段階で、コンピューティング装置１００は複数の格子柱（ｐｉｌｌａｒ）２１を生成することができる。例えば、コンピューティング装置１００はＸＹ平面、ＸＺ平面およびＸＹ平面を含む３次元ポイントクラウド形態のライダーセンサデータ２０をＸＹ平面を基準として格子化することによって、複数の格子柱２１を生成することができる。例えば、コンピューティング装置１００は所定の大きさの格子（例：０．１ｍ＊０．１ｍ）を含むように格子化されたＸＹ平面を利用して３次元ポイントクラウド形態のライダーセンサデータ２０の空間を分割することによって、所定の大きさの格子と同一の大きさおよび形態の底面とＺ軸方向に所定の大きさの高さを有する複数の格子柱２１を生成することができる。しかし、これに限定されず、コンピューティング装置１００は３次元ポイントクラウド形態のライダーセンサデータ２０をＸＺ平面を基準として分割したり、ＹＺ平面を基準として分割するなど、多様な形態で具現され得る。
Ｓ１２０段階で、コンピューティング装置１００はＳ１１０段階を経て収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００は事前に予め定義された一つ以上の指標（例：密度（例：ライダーセンサポイントの数）、最大高さ、最小高さ、平均高さなど）を基準として、３次元ポイントクラウド形態のライダーセンサデータを加工することによって、それぞれの指標に対応する第１特徴マップを生成することができる。以下、図４および５を参照して第１特徴マップを生成する方法についてより具体的に説明することにする。
図４は多様な実施例において、一つ以上の第１特徴マップを生成する方法を説明するためのフローチャートであり、図５は多様な実施例において、一つ以上の第１特徴マップを生成する過程を図示した図面である。
図４および５を参照すると、Ｓ２１０段階で、コンピューティング装置１００は複数の格子柱（ｐｉｌｌａｒ）２１を生成することができる。例えば、コンピューティング装置１００はＸＹ平面、ＸＺ平面およびＸＹ平面を含む３次元ポイントクラウド形態のライダーセンサデータ２０をＸＹ平面を基準として格子化することによって、複数の格子柱２１を生成することができる。例えば、コンピューティング装置１００は所定の大きさの格子（例：０．１ｍ＊０．１ｍ）を含むように格子化されたＸＹ平面を利用して３次元ポイントクラウド形態のライダーセンサデータ２０の空間を分割することによって、所定の大きさの格子と同一の大きさおよび形態の底面とＺ軸方向に所定の大きさの高さを有する複数の格子柱２１を生成することができる。しかし、これに限定されず、コンピューティング装置１００は３次元ポイントクラウド形態のライダーセンサデータ２０をＸＺ平面を基準として分割したり、ＹＺ平面を基準として分割するなど、多様な形態で具現され得る。
Ｓ２２０段階で、コンピューティング装置１００はＳ２１０段階を経て生成された複数の格子柱２１それぞれに対して、予め定義された一つ以上の指標に対する値を算出することができる。例えば、コンピューティング装置１００は予め定義された一つ以上の指標がライダーセンサポイントの数（密度）、最大高さ、最小高さおよび平均高さを含む場合、複数の格子柱２１それぞれに対してライダーセンサポイントの数、最大高さ、最小高さおよび平均高さを算出することができる。
ここで、一つ以上の指標は自律走行車両１０周辺の客体を探知するための目的で使用者から事前に定義されたものであって、ライダーセンサポイントの数（密度）、最大高さ、最小高さおよび平均高さであると説明しているが、これに限定されず、客体探知のための指標であればすべて適用が可能である。
Ｓ２３０段階で、コンピューティング装置１００はＳ２２０段階を経て算出された指標を利用して第１特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００は複数の格子柱２１それぞれに対して算出された指標値をライダーセンサデータ２０に対応するマトリックス（Ｍａｔｒｉｘ）上に入力して第１特徴マップを生成することができる。
ここで、一つ以上の指標は自律走行車両１０周辺の客体を探知するための目的で使用者から事前に定義されたものであって、ライダーセンサポイントの数（密度）、最大高さ、最小高さおよび平均高さであると説明しているが、これに限定されず、客体探知のための指標であればすべて適用が可能である。
Ｓ２３０段階で、コンピューティング装置１００はＳ２２０段階を経て算出された指標を利用して第１特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００は複数の格子柱２１それぞれに対して算出された指標値をライダーセンサデータ２０に対応するマトリックス（Ｍａｔｒｉｘ）上に入力して第１特徴マップを生成することができる。
ここで、ライダーセンサデータ２０に対応するマトリックスは複数の格子柱２１それぞれに対する指標値を入力および配列することによって第１特徴マップを生成するために事前に設定されているテンプレートであって、Ｍ行Ｎ列の行列形態で具現されるものの、行列に含まれた行と列の数は複数の格子柱２１の個数および配置形態により決定され得る（例：複数の格子柱２１を生成するにおいて活用されたＸＹ平面（所定の大きさの複数の格子で格子化された平面）と同一の形態）。
多様な実施例において、コンピューティング装置１００は複数の格子柱２１のうち、第１行第１列に位置する格子柱２１に対する指標をマトリックスの第１行第１列に入力し、第１行第２列に位置する格子柱２１に対する指標をマトリックスの第１行第２列に入力することによって第１特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００はライダーセンサポイントの数、最大高さ、最小高さおよび平均高さそれぞれに対応する第１特徴マップを独立的なチャネルとして生成でき、独立的に生成された第１特徴マップをチャネル結合することで、３次元の第１特徴マップを生成することができる。例えば、コンピューティング装置１００は図５に図示された通り、ライダーセンサポイントに対応する第１特徴マップ、最大高さに対応する第１特徴マップ、最小高さに対応する第１特徴マップおよび平均高さに対応する第１特徴マップすなわち、算出された指標の個数に応じて総４個の第１特徴マップを生成することができ、４個の第１特徴マップをチャネル結合することで、横および縦の長さがｘおよびｙであり高さが４である３次元第１特徴マップ３０を生成することができる。
多様な実施例において、コンピューティング装置１００は複数の格子柱２１のうち、第１行第１列に位置する格子柱２１に対する指標をマトリックスの第１行第１列に入力し、第１行第２列に位置する格子柱２１に対する指標をマトリックスの第１行第２列に入力することによって第１特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００はライダーセンサポイントの数、最大高さ、最小高さおよび平均高さそれぞれに対応する第１特徴マップを独立的なチャネルとして生成でき、独立的に生成された第１特徴マップをチャネル結合することで、３次元の第１特徴マップを生成することができる。例えば、コンピューティング装置１００は図５に図示された通り、ライダーセンサポイントに対応する第１特徴マップ、最大高さに対応する第１特徴マップ、最小高さに対応する第１特徴マップおよび平均高さに対応する第１特徴マップすなわち、算出された指標の個数に応じて総４個の第１特徴マップを生成することができ、４個の第１特徴マップをチャネル結合することで、横および縦の長さがｘおよびｙであり高さが４である３次元第１特徴マップ３０を生成することができる。
再び、図３を参照すると、Ｓ１３０段階で、コンピューティング装置１００はＳ１２０段階を経て生成された一つ以上の第１特徴マップと距離および角度を基準として予め生成された第２特徴マップそれぞれを個別的なチャネルとして結合することで、人工知能モデルの入力特徴マップを生成することができる。
ここで、距離および角度を基準として予め生成された第２特徴マップは人工知能モデルがライダーセンサポイントに対する距離および角度を考慮して距離および角度による特徴を導出できるように客体探知領域に対して事前に生成および保存された特徴マップを意味し得る。
一般的に、ライダーセンサデータ２０をＸ、Ｙ空間で表現する場合、距離と角度による特徴を有する。例えば、ライダーセンサデータ２０は距離が遠くなるほどライダーセンサポイントの数（密度）が急激に減少することになる特徴を有する。また、ライダーセンサデータ２０はＸ、Ｙ空間上で隠れ（ｏｃｃｌｕｓｉｏｎ）が発生する場合に線で表示されるが、原点基準座標の位置により障害物の位置が変わる特徴を有する。
一方、従来の人工知能モデルの場合、位置に対して独立的に動作するため人工知能モデルの学習および推論のための入力特徴マップに複数の格子（ｐｉｘｅｌ）それぞれに対する位置情報が存在しないという点で、前記のような距離および角度に対する特徴を考慮できないという限界がある。
このような点を考慮して、コンピューティング装置１００は人工知能モデルがライダーセンサポイントに対する距離および角度を考慮できるように距離および角度に関する第２特徴マップを事前に生成および保存しておいて、リアルタイムで収集されるライダーセンサデータ２０を通じて生成される一つ以上の第１特徴マップとチャネル結合すなわち、前記のような距離および角度に対する特徴を考慮できるように距離および角度に対する情報を含む入力特徴マップを生成することができる。以下、図６～８を参照して、コンピューティング装置１００により遂行される距離および角度に関する第２特徴マップを生成する方法について説明することにする。
ここで、距離および角度を基準として予め生成された第２特徴マップは人工知能モデルがライダーセンサポイントに対する距離および角度を考慮して距離および角度による特徴を導出できるように客体探知領域に対して事前に生成および保存された特徴マップを意味し得る。
一般的に、ライダーセンサデータ２０をＸ、Ｙ空間で表現する場合、距離と角度による特徴を有する。例えば、ライダーセンサデータ２０は距離が遠くなるほどライダーセンサポイントの数（密度）が急激に減少することになる特徴を有する。また、ライダーセンサデータ２０はＸ、Ｙ空間上で隠れ（ｏｃｃｌｕｓｉｏｎ）が発生する場合に線で表示されるが、原点基準座標の位置により障害物の位置が変わる特徴を有する。
一方、従来の人工知能モデルの場合、位置に対して独立的に動作するため人工知能モデルの学習および推論のための入力特徴マップに複数の格子（ｐｉｘｅｌ）それぞれに対する位置情報が存在しないという点で、前記のような距離および角度に対する特徴を考慮できないという限界がある。
このような点を考慮して、コンピューティング装置１００は人工知能モデルがライダーセンサポイントに対する距離および角度を考慮できるように距離および角度に関する第２特徴マップを事前に生成および保存しておいて、リアルタイムで収集されるライダーセンサデータ２０を通じて生成される一つ以上の第１特徴マップとチャネル結合すなわち、前記のような距離および角度に対する特徴を考慮できるように距離および角度に対する情報を含む入力特徴マップを生成することができる。以下、図６～８を参照して、コンピューティング装置１００により遂行される距離および角度に関する第２特徴マップを生成する方法について説明することにする。
図６は、多様な実施例において、距離に関する第２特徴マップを生成する方法を説明するためのフローチャートである。
図６を参照すると、Ｓ３１０段階で、コンピューティング装置１００はＸＹ平面を基準として予め設定された客体探知領域を格子化して所定の大きさを有する複数の格子を生成することができる。
ここで、客体探知領域はライダーセンサを通じて自律走行車両１０を周辺をセンシングする領域であり得、Ｓ１１０段階を経て収集されたライダーセンサデータ２０の収集領域と同一の属性（例：大きさ、形態）を有する領域であり得るが、これに限定されない。
また、ここで、所定の大きさはライダーセンサデータ２０の空間を分割するために活用されたＸＹ平面（所定の大きさの格子を含むように格子化されたＸＹ平面）に含まれた格子と同一の大きさ（例：０．１ｍ＊０．１ｍ）であり得るが、これに限定されない。
Ｓ３２０段階で、コンピューティング装置１００はＳ３１０段階を経て生成された複数の格子と基準点の間の距離値を算出することができる。
多様な実施例において、コンピューティング装置１００は複数の格子それぞれの中心点座標と基準点座標（例：原点座標）間の距離値を算出でき、予め設定された最大距離値を利用して算出された距離値を標準化することができる。例えば、コンピューティング装置１００は下記の数学式１を利用して複数の格子それぞれの中心点座標と基準点座標間の標準化された距離値（例：第１距離値）を算出することができる。
図６を参照すると、Ｓ３１０段階で、コンピューティング装置１００はＸＹ平面を基準として予め設定された客体探知領域を格子化して所定の大きさを有する複数の格子を生成することができる。
ここで、客体探知領域はライダーセンサを通じて自律走行車両１０を周辺をセンシングする領域であり得、Ｓ１１０段階を経て収集されたライダーセンサデータ２０の収集領域と同一の属性（例：大きさ、形態）を有する領域であり得るが、これに限定されない。
また、ここで、所定の大きさはライダーセンサデータ２０の空間を分割するために活用されたＸＹ平面（所定の大きさの格子を含むように格子化されたＸＹ平面）に含まれた格子と同一の大きさ（例：０．１ｍ＊０．１ｍ）であり得るが、これに限定されない。
Ｓ３２０段階で、コンピューティング装置１００はＳ３１０段階を経て生成された複数の格子と基準点の間の距離値を算出することができる。
多様な実施例において、コンピューティング装置１００は複数の格子それぞれの中心点座標と基準点座標（例：原点座標）間の距離値を算出でき、予め設定された最大距離値を利用して算出された距離値を標準化することができる。例えば、コンピューティング装置１００は下記の数学式１を利用して複数の格子それぞれの中心点座標と基準点座標間の標準化された距離値（例：第１距離値）を算出することができる。
＜数学式１＞
ここで、Ｄ１（ｉｊ）はｉ行ｊ列に位置した格子と基準点の間の標準化された距離値（例：第１距離値）、ｘｉｊおよびｙｉｊ ｉ行ｊ列に位置した格子中心点のｘ座標およびｙ座標、ｘｒｅｆおよびｙｒｅｆは基準点のｘ座標およびｙ座標、Ｄｍａｘは予め設定された最大距離値であり得る。ここで、基準点は原点であり、基準点座標は（０、０）であり得るが、これに限定されない。
すなわち、コンピューティング装置１００は基準点座標と複数の格子それぞれの中心点座標間の距離値を算出するものの、算出された距離値を予め設定された最大距離値（例：１００ｍ）で割って標準化することによって、基準点座標と複数の格子それぞれの中心点座標間の距離値が０～１範囲の値となるようにすることができる。
多様な実施例において、コンピューティング装置１００は複数の格子それぞれの中心点座標と基準点座標（例：原点座標）間の距離値を算出でき、事前に定義されたログ関数を利用して算出された距離値を変換することができる。例えば、コンピューティング装置１００は下記の数学式２を利用して複数の格子それぞれの中心点座標と基準点座標間の変換された距離値（例：第２距離値）を算出することができる。
すなわち、コンピューティング装置１００は基準点座標と複数の格子それぞれの中心点座標間の距離値を算出するものの、算出された距離値を予め設定された最大距離値（例：１００ｍ）で割って標準化することによって、基準点座標と複数の格子それぞれの中心点座標間の距離値が０～１範囲の値となるようにすることができる。
多様な実施例において、コンピューティング装置１００は複数の格子それぞれの中心点座標と基準点座標（例：原点座標）間の距離値を算出でき、事前に定義されたログ関数を利用して算出された距離値を変換することができる。例えば、コンピューティング装置１００は下記の数学式２を利用して複数の格子それぞれの中心点座標と基準点座標間の変換された距離値（例：第２距離値）を算出することができる。
＜数学式２＞
ここで、Ｄ２（ｉｊ）￢はｉ行ｊ列に位置した格子と基準点の間の変換された距離値（例：第２距離値）、ｘｉｊおよびｙｉｊ ｉ行ｊ列に位置した格子中心点のｘ座標およびｙ座標、ｘｒｅｆおよびｙｒｅｆは基準点のｘ座標およびｙ座標であり得る。ここで、基準点は原点であり、基準点座標は（０、０）であり得るが、これに限定されない。
すなわち、コンピューティング装置１００は基準点座標と複数の格子それぞれの中心点座標間の距離値を算出するものの、ログ関数を通じて算出された距離値を変換することによって、入力される値の範囲を制限することができる。
Ｓ３３０段階で、コンピューティング装置１００はＳ３２０段階で算出された距離値を利用して距離に関する第２特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００は前記の方法により算出された距離値（例：標準化された距離値またはログ関数を通じて変換された距離値）を予め設定された客体探知領域に対応するマトリックス上に入力して第２特徴マップを生成することができる。
ここで、Ｄ２（ｉｊ）￢はｉ行ｊ列に位置した格子と基準点の間の変換された距離値（例：第２距離値）、ｘｉｊおよびｙｉｊ ｉ行ｊ列に位置した格子中心点のｘ座標およびｙ座標、ｘｒｅｆおよびｙｒｅｆは基準点のｘ座標およびｙ座標であり得る。ここで、基準点は原点であり、基準点座標は（０、０）であり得るが、これに限定されない。
すなわち、コンピューティング装置１００は基準点座標と複数の格子それぞれの中心点座標間の距離値を算出するものの、ログ関数を通じて算出された距離値を変換することによって、入力される値の範囲を制限することができる。
Ｓ３３０段階で、コンピューティング装置１００はＳ３２０段階で算出された距離値を利用して距離に関する第２特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００は前記の方法により算出された距離値（例：標準化された距離値またはログ関数を通じて変換された距離値）を予め設定された客体探知領域に対応するマトリックス上に入力して第２特徴マップを生成することができる。
ここで、客体探知領域に対応するマトリックスは基準点座標と複数の格子それぞれの中心点座標間の距離値を入力および配列することによって第２特徴マップを生成するために事前に設定されているテンプレートであって、Ｍ行Ｎ列の行列形態で具現され得る。この時、客体探知領域に対応するマトリックスは距離および角度に関する第２特徴マップと第１特徴マップをチャネル結合させるためにライダーセンサデータ２０に対応するマトリックスと同一の形態で具現され得るが、これに限定されない。
多様な実施例において、コンピューティング装置１００は図８に図示された通り、複数の格子のうち第２行第５列に位置する格子と基準点の間の距離値（Ｄ２５）（例：第１距離値または第２距離値）をマトリックスの第２行第５列に入力し、第５行第３列に位置する格子と基準点の間の距離値（Ｄ５３）をマトリックスの第５行第３列に入力することによって、距離に関する第２特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００は前記の方法により算出された第１距離値および第２距離値それぞれに対する第２特徴マップを独立的なチャネルとして生成でき、独立的に生成された第２特徴マップをチャネル結合することで、距離に関する３次元の第２特徴マップ４０を生成することができる。
図７は、多様な実施例において、角度に関する第２特徴マップを生成する方法を説明するためのフローチャートである。
図７を参照すると、Ｓ４１０段階で、コンピューティング装置１００はＸＹ平面基準で予め設定された客体探知領域を格子化して所定の大きさを有する複数の格子を生成することができる。ここで、コンピューティング装置１００により遂行される複数の格子生成動作は図６のＳ３１０段階で遂行される複数の格子生成動作と同一の形態で具現され得るが、これに限定されない。
Ｓ４２０段階で、コンピューティング装置１００はＳ４１０段階を経て生成された複数の格子と基準点の間の角度値を算出することができる。
多様な実施例において、コンピューティング装置１００は図８に図示された通り、複数の格子のうち第２行第５列に位置する格子と基準点の間の距離値（Ｄ２５）（例：第１距離値または第２距離値）をマトリックスの第２行第５列に入力し、第５行第３列に位置する格子と基準点の間の距離値（Ｄ５３）をマトリックスの第５行第３列に入力することによって、距離に関する第２特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００は前記の方法により算出された第１距離値および第２距離値それぞれに対する第２特徴マップを独立的なチャネルとして生成でき、独立的に生成された第２特徴マップをチャネル結合することで、距離に関する３次元の第２特徴マップ４０を生成することができる。
図７は、多様な実施例において、角度に関する第２特徴マップを生成する方法を説明するためのフローチャートである。
図７を参照すると、Ｓ４１０段階で、コンピューティング装置１００はＸＹ平面基準で予め設定された客体探知領域を格子化して所定の大きさを有する複数の格子を生成することができる。ここで、コンピューティング装置１００により遂行される複数の格子生成動作は図６のＳ３１０段階で遂行される複数の格子生成動作と同一の形態で具現され得るが、これに限定されない。
Ｓ４２０段階で、コンピューティング装置１００はＳ４１０段階を経て生成された複数の格子と基準点の間の角度値を算出することができる。
多様な実施例において、コンピューティング装置１００はオイラー角度変換を利用して複数の格子と基準点の間の角度をオイラー角度に変換することによって、第１角度値を算出することができる。ここで、オイラー角度変換を利用して角度値をオイラー角度に変換する方法は、事前に定義された変換行列（例：ｘ軸、ｙ軸およびｚ軸それぞれを回転軸として回転する時の変換行列）を利用して角度値をオイラー角度に変換する方式などの多様な技術が公知になっており、このような公知技術を選択的に適用できるところ、本明細書ではオイラー角度変換を利用して角度値をオイラー角度に変換する方法について具体的に限定しない。
多様な実施例において、コンピューティング装置１００は複数の格子と基準点の間の角度値に対する三角比を第２角度値として算出することができる。例えば、コンピューティング装置１００は複数の格子と基準点の間の角度に対するサイン（ｓｉｎ）値およびコサイン（ｃｏｓ）値を算出することができる。すなわち、コンピューティング装置１００は角度に関する第２特徴マップを生成するために複数の格子と基準点の間の角度に対するサイン値およびコサイン値を算出することによって、算出される角度値の範囲を－１～１範囲内の値に定形化できるだけでなく、オイラー空間で周期性が有する距離の誤差に対する問題を解消することができる。
Ｓ４３０段階で、コンピューティング装置１００はＳ４２０段階を経て算出された角度値を利用して角度に関する第２特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００は前記の方法により算出された角度値（例：第１角度値および第２角度値）を予め設定された客体探知領域に対応するマトリックス上に入力して第２特徴マップを生成することができる。例えば、コンピューティング装置１００は図８に図示された通り、複数の格子のうち第２行第５列に位置する格子と基準点の間の角度値（θ２５）をマトリックスの第２行第５列に入力し、第５行第３列に位置する格子と基準点の間の角度値（θ５３）をマトリックスの第５行第３列に入力することによって、角度に関する第２特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００は複数の格子と基準点の間の角度値に対する三角比を第２角度値として算出することができる。例えば、コンピューティング装置１００は複数の格子と基準点の間の角度に対するサイン（ｓｉｎ）値およびコサイン（ｃｏｓ）値を算出することができる。すなわち、コンピューティング装置１００は角度に関する第２特徴マップを生成するために複数の格子と基準点の間の角度に対するサイン値およびコサイン値を算出することによって、算出される角度値の範囲を－１～１範囲内の値に定形化できるだけでなく、オイラー空間で周期性が有する距離の誤差に対する問題を解消することができる。
Ｓ４３０段階で、コンピューティング装置１００はＳ４２０段階を経て算出された角度値を利用して角度に関する第２特徴マップを生成することができる。
多様な実施例において、コンピューティング装置１００は前記の方法により算出された角度値（例：第１角度値および第２角度値）を予め設定された客体探知領域に対応するマトリックス上に入力して第２特徴マップを生成することができる。例えば、コンピューティング装置１００は図８に図示された通り、複数の格子のうち第２行第５列に位置する格子と基準点の間の角度値（θ２５）をマトリックスの第２行第５列に入力し、第５行第３列に位置する格子と基準点の間の角度値（θ５３）をマトリックスの第５行第３列に入力することによって、角度に関する第２特徴マップを生成することができる。
この時、コンピューティング装置１００は前記の方法により算出された角度値が複数の格子と基準点の間の第２角度値が二つ以上の場合、すなわち、前記の方法により算出された角度値が複数の格子と基準点の間の角度を利用して算出された三角比がサイン値およびコサイン値である場合、サイン値に対応する第２特徴マップとコサイン値に対応する第２特徴マップをそれぞれ個別的なチャネルにして生成することができる。
多様な実施例において、コンピューティング装置１００は前記の方法により算出された第１角度値および第２角度値それぞれに対する第２特徴マップを独立的なチャネルとして生成でき、独立的に生成された第２特徴マップをチャネル結合することで、角度に関する３次元の第２特徴マップ４０を生成することができる。
すなわち、コンピューティング装置１００は距離に関する第２特徴マップと角度に関する第２特徴マップとリアルタイムで収集されるライダーセンサデータを加工して生成された第１特徴マップをチャネル結合して人工知能モデルの入力特徴マップを生成することによって、ライダーセンサデータの距離および角度に関する特徴を考慮できる入力特徴マップを生成することができるという利点がある。
また、コンピューティング装置１００は前記の方法（例：図６および７）により客体探知領域を対象に距離に関する第２特徴マップと角度に関する第２特徴マップを事前に生成しておいて、今後予め設定された周期またはリアルタイムで収集されるライダーセンサデータを加工して生成される複数の第１特徴マップに対して同一の第２特徴マップを共通して結合することで、効率的に入力特徴マップを生成できるという利点がある。
多様な実施例において、コンピューティング装置１００は前記の方法により算出された第１角度値および第２角度値それぞれに対する第２特徴マップを独立的なチャネルとして生成でき、独立的に生成された第２特徴マップをチャネル結合することで、角度に関する３次元の第２特徴マップ４０を生成することができる。
すなわち、コンピューティング装置１００は距離に関する第２特徴マップと角度に関する第２特徴マップとリアルタイムで収集されるライダーセンサデータを加工して生成された第１特徴マップをチャネル結合して人工知能モデルの入力特徴マップを生成することによって、ライダーセンサデータの距離および角度に関する特徴を考慮できる入力特徴マップを生成することができるという利点がある。
また、コンピューティング装置１００は前記の方法（例：図６および７）により客体探知領域を対象に距離に関する第２特徴マップと角度に関する第２特徴マップを事前に生成しておいて、今後予め設定された周期またはリアルタイムで収集されるライダーセンサデータを加工して生成される複数の第１特徴マップに対して同一の第２特徴マップを共通して結合することで、効率的に入力特徴マップを生成できるという利点がある。
前述したライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法は、図面に図示されたフローチャートを参照して説明した。簡単な説明のために、ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法は一連のブロックで図示して説明したが、本発明は前記ブロックの順序に限定されず、いくつかのブロックは本明細書に図示されて叙述されたものと異なる順序で遂行されたりまたは同時に遂行され得る。また、本明細書および図面に記載されていない新しいブロックが追加されたり、一部のブロックが削除または変更された状態で遂行され得る。
以上、添付された図面を参照して本発明の実施例を説明したが、本発明が属する技術分野の通常の技術者は本発明がその技術的思想や必須の特徴を変更することなく他の具体的な形態で実施され得ることが理解できるであろう。したがって、以上で記述した実施例はすべての面で例示的なものであり、制限的ではないものと理解されるべきである。
以上、添付された図面を参照して本発明の実施例を説明したが、本発明が属する技術分野の通常の技術者は本発明がその技術的思想や必須の特徴を変更することなく他の具体的な形態で実施され得ることが理解できるであろう。したがって、以上で記述した実施例はすべての面で例示的なものであり、制限的ではないものと理解されるべきである。
１００：入力特徴マップ生成装置（コンピューティング装置）
２００：使用者端末
３００：外部サーバー
４００：ネットワーク
２００：使用者端末
３００：外部サーバー
４００：ネットワーク
Claims (10)
- コンピューティング装置によって遂行される方法において、
所定の地域に対する３次元ポイントクラウド形態のライダーセンサデータを収集する段階；
予め定義された一つ以上の指標を基準として前記収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成する段階；および
前記生成された一つ以上の第１特徴マップと距離および角度を基準として予め生成された第２特徴マップそれぞれを個別的なチャネルとして結合して人工知能モデルの入力特徴マップを生成する段階を含む、ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法。 - 前記一つ以上の第１特徴マップを生成する段階は、
ＸＹ平面を基準として前記収集されたライダーセンサデータを格子化して複数の格子柱（ｐｉｌｌａｒ）を生成する段階；
前記生成された複数の格子柱それぞれに対して前記予め定義された一つ以上の指標を算出する段階；および
前記算出された一つ以上の指標を前記収集されたライダーセンサデータに対応するマトリックス上に入力して前記一つ以上の第１特徴マップを生成する段階を含む、請求項１に記載のライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法。 - 前記予め定義された一つ以上の指標は、
ライダーセンサポイントの数、最大高さ、最小高さおよび平均高さを含み、
前記一つ以上の第１特徴マップを生成する段階は、
前記ライダーセンサポイントの数、前記最大高さ、前記最小高さおよび前記平均高さそれぞれに対応する第１特徴マップを独立的なチャネルとして生成する段階を含む、請求項２に記載のライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法。 - ＸＹ平面基準で予め設定された客体探知領域を格子化して所定の大きさを有する複数の格子を生成する段階；
前記生成された複数の格子と基準点の間の距離に基づいて、距離に関する第２特徴マップを生成する段階；および
前記生成された複数の格子と前記基準点の間の角度に基づいて、角度に関する第２特徴マップを生成する段階をさらに含む、請求項１に記載のライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法。 - 前記距離に関する第２特徴マップを生成する段階は、
前記生成された複数の格子それぞれの中心点座標と前記基準点座標間の距離値を算出する段階；
予め設定された最大距離値を利用して前記算出された距離値を標準化する段階；および
前記予め設定された客体探知領域に対応するマトリックス上に前記標準化された距離値を入力して前記距離に関する第２特徴マップを生成する段階を含む、請求項４に記載のライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法。 - 前記距離に関する第２特徴マップを生成する段階は、
前記生成された複数の格子それぞれの中心点座標と前記基準点座標間の距離値を算出する段階；
事前に定義されたログ関数を利用して前記算出された距離値を変換する段階；および
前記予め設定された客体探知領域に対応するマトリックス上に前記変換された距離値を入力して前記距離に関する第２特徴マップを生成する段階を含む、請求項４に記載のライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法。 - 前記角度に関する第２特徴マップを生成する段階は、
前記生成された複数の格子それぞれの中心点と前記基準点を連結する線とＸ軸またはＹ軸の間の角度値を算出する段階；
オイラー角度変換を利用して前記算出された角度値を変換する段階；および
前記変換された角度値を前記予め設定された客体探知領域に対応するマトリックス上に入力して前記角度に関する第２特徴マップを生成する段階を含む、請求項４に記載のライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法。 - 前記角度に関する第２特徴マップを生成する段階は、
前記生成された複数の格子それぞれの中心点と前記基準点を連結する線とＸ軸またはＹ軸の間の角度値を算出する段階；
前記算出された角度値に対する三角比を算出する段階；および
前記予め設定された客体探知領域に対応するマトリックス上に前記算出された三角比を入力して前記角度に関する二つの第２特徴マップを生成する段階を含む、請求項４に記載のライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法。 - プロセッサ；
ネットワークインターフェース；
メモリ；および
前記メモリにロード（ｌｏａｄ）され、前記プロセッサによって実行されるコンピュータプログラムを含むものの、
前記コンピュータプログラムは、
所定の地域に対する３次元ポイントクラウド形態のライダーセンサデータを収集するインストラクション（ｉｎｓｔｒｕｃｔｉｏｎ）；
予め定義された一つ以上の指標を基準として前記収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成するインストラクション；および
前記生成された一つ以上の第１特徴マップと距離および角度を基準として予め生成された第２特徴マップそれぞれを個別的なチャネルとして結合して人工知能モデルの入力特徴マップを生成するインストラクションを含む、ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成装置。 - コンピューティング装置と結合されて、
所定の地域に対する３次元ポイントクラウド形態のライダーセンサデータを収集する段階；
予め定義された一つ以上の指標を基準として前記収集されたライダーセンサデータを加工して一つ以上の第１特徴マップを生成する段階；および
前記生成された一つ以上の第１特徴マップと距離および角度を基準として予め生成された第２特徴マップそれぞれを個別的なチャネルとして結合して人工知能モデルの入力特徴マップを生成する段階を実行させるためにコンピュータで読み取り可能な記録媒体に保存された、コンピュータで読み取り可能な記録媒体に記録されたコンピュータプログラム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2021-0118205 | 2021-09-06 | ||
| KR1020210118205A KR102382448B1 (ko) | 2021-09-06 | 2021-09-06 | 라이다 기반 객체 탐지를 위한 인공지능 모델의 입력 특징맵 생성방법, 장치 및 컴퓨터프로그램 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023038178A true JP2023038178A (ja) | 2023-03-16 |
| JP7426744B2 JP7426744B2 (ja) | 2024-02-02 |
Family
ID=81182664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022140888A Active JP7426744B2 (ja) | 2021-09-06 | 2022-09-05 | ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法、装置およびコンピュータプログラム |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US12474475B2 (ja) |
| EP (1) | EP4145177B1 (ja) |
| JP (1) | JP7426744B2 (ja) |
| KR (1) | KR102382448B1 (ja) |
| CN (1) | CN115775306B (ja) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230074860A1 (en) * | 2021-09-08 | 2023-03-09 | Motional Ad Llc | Machine learning-based point cloud alignment classification |
| KR102548866B1 (ko) * | 2022-06-24 | 2023-06-29 | 주식회사 와따 | 3d 지오펜스를 이용한 위험 발생 감지 방법, 서버 및 컴퓨터프로그램 |
| KR102597288B1 (ko) * | 2022-12-15 | 2023-11-02 | 주식회사 포도 | 라이다 포인트 클라우드 데이터 분류기 경량화를 위한 지식증류 장치 및 방법 |
| KR102646894B1 (ko) * | 2022-12-19 | 2024-03-14 | 주식회사 딥엑스 | 고정된 기기 또는 이동가능한 기기에 장착되고, 인공지능 반도체를 탑재한 전자 장치 |
| KR20250045263A (ko) | 2023-09-25 | 2025-04-01 | 서강대학교산학협력단 | 에너지 기반기술을 이용한 개인 탐색 장치 |
| KR20250127652A (ko) | 2024-02-19 | 2025-08-26 | 주식회사 그로브 | 퍼스널 컬러의 의류 매칭 시스템 및 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017203766A (ja) * | 2016-05-10 | 2017-11-16 | 株式会社デンソー | 立体物検出処理装置 |
| US20200150235A1 (en) * | 2018-11-08 | 2020-05-14 | Aptiv Technologies Limited | Deep learning for object detection using pillars |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10137890B2 (en) * | 2016-06-28 | 2018-11-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Occluded obstacle classification for vehicles |
| US20200047337A1 (en) * | 2016-07-13 | 2020-02-13 | Discovery Robotics | Robotic platform with event based mode change |
| CN107092020B (zh) * | 2017-04-19 | 2019-09-13 | 北京大学 | 融合无人机LiDAR和高分影像的路面平整度监测方法 |
| CN113228043B (zh) * | 2019-01-22 | 2025-05-16 | 深圳市卓驭科技有限公司 | 移动平台基于神经网络的障碍物检测及关联的系统和方法 |
| US12002361B2 (en) * | 2019-07-03 | 2024-06-04 | Cavh Llc | Localized artificial intelligence for intelligent road infrastructure |
| KR102211483B1 (ko) * | 2019-08-01 | 2021-02-02 | 연세대학교 산학협력단 | 레이저 어레이 패턴 분석 기반 물체 정보 추정 장치 및 방법 |
| CN110440811B (zh) * | 2019-08-29 | 2021-05-14 | 湖北三江航天红峰控制有限公司 | 一种通用型自主导航控制方法、装置及设备终端 |
| US11906660B2 (en) * | 2019-08-30 | 2024-02-20 | Nvidia Corporation | Object detection and classification using LiDAR range images for autonomous machine applications |
| GB2591171B (en) * | 2019-11-14 | 2023-09-13 | Motional Ad Llc | Sequential fusion for 3D object detection |
| US11532168B2 (en) * | 2019-11-15 | 2022-12-20 | Nvidia Corporation | Multi-view deep neural network for LiDAR perception |
| CN113065590B (zh) * | 2021-03-26 | 2021-10-08 | 清华大学 | 一种基于注意力机制的视觉与激光雷达多模态数据融合方法 |
-
2021
- 2021-09-06 KR KR1020210118205A patent/KR102382448B1/ko active Active
-
2022
- 2022-09-05 US US17/929,717 patent/US12474475B2/en active Active
- 2022-09-05 EP EP22193977.0A patent/EP4145177B1/en active Active
- 2022-09-05 JP JP2022140888A patent/JP7426744B2/ja active Active
- 2022-09-06 CN CN202211085378.7A patent/CN115775306B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017203766A (ja) * | 2016-05-10 | 2017-11-16 | 株式会社デンソー | 立体物検出処理装置 |
| US20200150235A1 (en) * | 2018-11-08 | 2020-05-14 | Aptiv Technologies Limited | Deep learning for object detection using pillars |
Non-Patent Citations (2)
| Title |
|---|
| LI, JIONG、他４名: "A Fast Obstacle Detection Method by Fusion of Double-Layer Region Growing Algorithm and Grid-SECOND", IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), IEEE ACCESS, JPN6023031810, 28 December 2019 (2019-12-28), pages 32053 - 32063, ISSN: 0005121155 * |
| TU, JIAYIN、他２名: "PP-RCNN: Point-Pillars Feature Set Abstraction for 3D Real-time Object Detection", INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), JPN6023031809, 18 July 2021 (2021-07-18), pages 1 - 8, ISSN: 0005121154 * |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7426744B2 (ja) | 2024-02-02 |
| US12474475B2 (en) | 2025-11-18 |
| CN115775306B (zh) | 2025-10-28 |
| US20230072682A1 (en) | 2023-03-09 |
| EP4145177B1 (en) | 2025-01-15 |
| CN115775306A (zh) | 2023-03-10 |
| EP4145177A1 (en) | 2023-03-08 |
| KR102382448B1 (ko) | 2022-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2023038178A (ja) | ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法、装置およびコンピュータプログラム | |
| US10705188B2 (en) | Laser point cloud positioning method and system | |
| US20210373161A1 (en) | Lidar localization using 3d cnn network for solution inference in autonomous driving vehicles | |
| KR102735874B1 (ko) | 3차원 포인트 클라우드 데이터로부터 지표면 데이터를 생성하는 방법, 장치 및 컴퓨터프로그램 | |
| US20230056869A1 (en) | Method of generating deep learning model and computing device performing the same | |
| KR102643538B1 (ko) | 자율주행 환경에서 이종 센서 데이터 간 오토 캘리브레이션 방법, 장치 및 컴퓨터프로그램 | |
| KR20230095162A (ko) | 이미지 데이터 및 라이다 센서 데이터를 이용한 객체의 동선 추적방법, 서버 및 컴퓨터프로그램 | |
| KR102606630B1 (ko) | 차량 인근의 장애물 예측 및 주행계획 수립을 위한 인공지능 모델을 이용한 점유 격자 지도 생성 방법, 장치 및 컴퓨터프로그램 | |
| KR20230095163A (ko) | 라이다 포인트 클라우드 데이터 기반 객체의 동선 추적방법, 서버 및 컴퓨터프로그램 | |
| CN116432690B (zh) | 基于马尔科夫的智能决策方法、装置、设备及存储介质 | |
| KR102481367B1 (ko) | 포인트 클라우드 데이터로부터 지표면 데이터를 생성하기 위한 인공지능 모델의 학습 방법, 장치 및 컴퓨터프로그램 | |
| KR102606632B1 (ko) | 인공지능 기반 자율주행 차량의 주행 경로 보정방법, 장치 및 컴퓨터프로그램 | |
| US12330666B2 (en) | Method, apparatus, and computer program for modeling driving route for automatic driving of vehicle | |
| JP7483236B2 (ja) | ライダポイントクラウド基盤の３ｄジオフェンスを利用した物流管理ソリューション提供方法、装置およびコンピュータプログラム | |
| KR102581969B1 (ko) | 객체 인식률 향상을 위한 라이다 포인트 클라우드의 보간 방법, 장치 및 컴퓨터프로그램 | |
| CN116302364B (zh) | 自动驾驶可靠性测试方法、装置、设备、介质和程序产品 | |
| CN119394287A (zh) | 一种地图轨迹优化方法、装置、计算机设备及存储介质 | |
| CN115376086A (zh) | 车道线生成方法、装置、计算机设备和存储介质 | |
| KR102507906B1 (ko) | 저용량 ndt 지도를 이용한 자율주행 차량의 측위 방법, 장치 및 컴퓨터프로그램 | |
| KR102826565B1 (ko) | 차량의 로깅 데이터 기반 차량의 동역학적 특성을 나타내는 차량 모델 추정방법, 장치 및 컴퓨터프로그램 | |
| CN113989188A (zh) | 一种物体检测方法及其相关设备 | |
| KR102866679B1 (ko) | 기상 데이터를 기반으로 학습된 인공지능 모델을 통해, 수소 충전소의 수요 예측량을 산출하는 전자 장치, 제어 방법, 및 컴퓨터 프로그램 | |
| KR102671815B1 (ko) | 자율주행을 위한 객체 인지 방법, 장치 및 컴퓨터프로그램 | |
| KR102839276B1 (ko) | 딥러닝 기반의 측위에서 액세스 포인트의 기여도 평가 방법 및 분석 장치 | |
| US12455173B2 (en) | Training machine learning models based on movement and timing data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220905 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230719 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230802 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231102 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240115 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240116 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7426744 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |