[go: up one dir, main page]

KR102819289B1 - 영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법 - Google Patents

영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법 Download PDF

Info

Publication number
KR102819289B1
KR102819289B1 KR1020160170271A KR20160170271A KR102819289B1 KR 102819289 B1 KR102819289 B1 KR 102819289B1 KR 1020160170271 A KR1020160170271 A KR 1020160170271A KR 20160170271 A KR20160170271 A KR 20160170271A KR 102819289 B1 KR102819289 B1 KR 102819289B1
Authority
KR
South Korea
Prior art keywords
image
road
learning data
vehicle
data
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
KR1020160170271A
Other languages
English (en)
Other versions
KR20180068511A (ko
Inventor
오도관
지대현
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020160170271A priority Critical patent/KR102819289B1/ko
Priority to US15/704,282 priority patent/US10579058B2/en
Publication of KR20180068511A publication Critical patent/KR20180068511A/ko
Application granted granted Critical
Publication of KR102819289B1 publication Critical patent/KR102819289B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/787—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/003—Maps
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Automation & Control Theory (AREA)
  • Library & Information Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)

Abstract

학습 데이터 생성 장치는 영상 및 영상이 촬영된 위치를 이용하여, 영상이 촬영된 위치에 대응하는 지도 데이터를 획득할 수 있다. 학습 데이터 생성 장치는 획득된 지도 데이터로부터 뉴럴 네트워크를 학습하는데 사용되는 학습 데이터를 생성할 수 있다. 학습 데이터는 영상 및 획득된 지도 데이터로부터 결정된 도로와 관련된 정보를 포함하는 진리 데이터를 포함할 수 있다. 학습 데이터 생성 장치가 뉴럴 네트워크를 학습시킴으로써, 뉴럴 네트워크가 영상에 기초하여 생성하는 출력 데이터는 진리 데이터에 수렴할 수 있다. 학습된 뉴럴 네트워크는 도로 인식 장치가 영상으로부터 도로와 관련된 정보를 결정하는데 활용될 수 있다. 도로 인식 장치는 결정된 도로와 관련된 정보를 이용하여, 차량을 제어할 수 있다.

Description

영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법{APPARATUS AND METHOD FOR GENERATING TRAINING DATA FOR TRAINING NEURAL NETWORK DETERMINING INFORMATION RELATED TO ROAD INCLUDED IN AN IMAGE}
이하의 실시예들은 영상으로부터 도로와 관련된 정보를 추출하는 뉴럴 네트워크 및 뉴럴 네트워크를 학습시키기 위하여 사용되는 학습 데이터를 생성하는 장치 및 방법에 관한 것이다.
뉴럴 네트워크는 인간의 생물학적 신경 세포의 특성을 수학적 표현에 의해 모델링 한 것으로, 입력 데이터 및 출력 데이터 간의 사상(mapping)을 생성할 수 있다. 기계 지도 학습(Machine supervised learning) 방법은 입력 데이터 및 입력 데이터에 대응하는 진리 데이터를 이용하여 뉴럴 네트워크를 학습시키는 방법이다. 즉, 뉴럴 네트워크가 진리 데이터를 이용하여 학습됨에 따라, 뉴럴 네트워크가 입력 데이터로부터 출력하는 출력 데이터는 입력 데이터에 대응하는 진리 데이터에 수렴할 수 있다.
뉴럴 네트워크를 학습시키기 위하여, 대량의 입력 데이터 및 학습 데이터가 생성될 수 있다. 사람이 입력 데이터로부터 직접 정보를 추출함으로써, 학습 데이터가 생성될 수 있다.
일실시예에 따르면, 차량의 전방이 촬영된 영상 및 상기 영상에 대응하는 차량의 위치 정보를 획득하는 단계, 상기 획득된 위치 정보에 대응하는 지도 데이터를 획득하는 단계, 상기 획득된 지도 데이터로부터 상기 전방의 도로와 관련된 정보를 포함하는 진리 데이터를 결정하는 단계 및 상기 영상 및 상기 결정된 진리 데이터를 포함하는 학습 데이터를 생성하는 단계를 포함하는 학습 데이터 생성 방법이 제공된다.
일실시예에 따르면, 상기 지도 데이터를 획득하는 단계는, 상기 획득된 위치 정보를 이용하여 지도 데이터베이스를 탐색함으로써, 상기 지도 데이터를 획득하는 학습 데이터 생성 방법이 제공된다.
일실시예에 따르면, 상기 지도 데이터를 획득하는 단계는, 상기 영상이 촬영된 방향을 고려하여 상기 지도 데이터를 획득하는 학습 데이터 생성 방법이 제공된다.
일실시예에 따르면, 상기 진리 데이터는, 상기 차량이 상기 방향을 따라 주행할 수 있는 확률을 포함하는 학습 데이터 생성 방법이 제공된다.
일실시예에 따르면, 상기 진리 데이터는, 상기 차량이 전방을 따라 주행할 때 진입할 수 있는 도로의 수를 포함하는 학습 데이터 생성 방법이 제공된다.
일실시예에 따르면, 상기 진리 데이터는, 상기 영상에 대응하는 차량의 위치의 좌표 및 상기 차량의 위치 주변의 좌표를 이용하여 결정된 상기 도로의 경사도를 포함하는 학습 데이터 생성 방법이 제공된다.
일실시예에 따르면, 상기 진리 데이터는, 상기 도로가 미리 설정된 도로의 종류에 매칭될 확률을 포함하는 학습 데이터 생성 방법이 제공된다.
일실시예에 따르면, 상기 생성된 학습 데이터를 이용하여 뉴럴 네트워크를 학습시키는 단계를 더 포함하는 학습 데이터 생성 방법이 제공된다.
일실시예에 따르면, 차량의 전방이 촬영된 영상으로부터 학습 데이터를 생성하는 학습 데이터 생성 장치에 있어서, 프로세서를 포함하고, 상기 프로세서는, 상기 영상 및 상기 영상에 대응하는 차량의 위치 정보를 획득하고, 상기 획득된 위치 정보에 대응하는 지도 데이터를 획득하고, 상기 획득된 지도 데이터로부터 상기 전방의 도로에 관련된 정보를 포함하는 진리 데이터를 결정하고, 상기 영상 및 상기 결정된 진리 데이터를 포함하는 상기 학습 데이터를 생성하는 학습 데이터 생성 장치가 제공된다.
일실시예에 따르면, 상기 프로세서는, 상기 획득된 위치 정보를 이용하여 지도 데이터베이스를 탐색함으로써, 상기 지도 데이터를 획득하는 학습 데이터 생성 장치가 제공된다.
일실시예에 따르면, 상기 프로세서는, 상기 영상이 촬영된 방향에 기초하여 상기 지도 데이터를 획득함으로써, 상기 차량이 상기 방향을 따라 주행할 수 있는 확률이 포함된 진리 데이터를 결정하는 학습 데이터 생성 장치가 제공된다.
일실시예에 따르면, 상기 진리 데이터는, 상기 도로가 미리 설정된 도로의 종류에 매칭될 확률을 포함하는 학습 데이터 생성 장치가 제공된다.
일실시예에 따르면, 상기 프로세서는, 상기 생성된 학습 데이터를 이용하여 뉴럴 네트워크를 학습시키는 학습 데이터 생성 장치가 제공된다.
일실시예에 따르면, 차량이 주행하는 도로를 촬영한 영상을 획득하는 단계, 상기 획득된 영상을 기계 학습된 뉴럴 네트워크에 입력하여, 상기 도로와 관련된 정보를 결정하는 단계 및 상기 결정된 정보를 이용하여 상기 차량을 제어하는 단계를 포함하는 도로 인식 방법이 제공된다.
일실시예에 따르면, 상기 결정하는 단계는, 상기 도로가 미리 설정된 도로의 종류에 매칭될 확률을 결정하는 도로 인식 방법이 제공된다.
일실시예에 따르면, 상기 제어하는 단계는, 상기 결정된 정보를 이용하여 상기 차량이 교차로에 진입하였는지를 판단하는 단계, 상기 차량이 교차로에 진입한 경우, 상기 차량의 전방에 위치한 전방 차량의 움직임에 기초하여 상기 차량을 제어하는 단계 및 상기 차량에 교차로에 진입하지 않은 경우, 상기 도로에 표시된 차선에 기초하여 상기 차량을 제어하는 단계를 포함하는 도로 인식 방법이 제공된다.
일실시예에 따르면, 상기 뉴럴 네트워크는, 상기 영상이 촬영된 위치 정보에 따라 지도 데이터베이스를 탐색하여 생성된 진리 데이터에 의해 학습된 도로 인식 방법이 제공된다.
일실시예에 따르면, 상기 뉴럴 네트워크를 학습하기 위하여, 상기 영상 및 상기 영상이 촬영된 위치 정보에 기초하여 학습 데이터를 생성할 것을 요청하는 단계를 더 포함하는 도로 인식 방법이 제공된다.
도 1은 일실시예에 따른 학습 데이터 생성 장치가 차량이 촬영한 영상으로부터 학습 데이터를 생성하는 동작을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 학습 데이터 생성 장치의 구조를 설명하기 위한 개념적인 도면이다.
도 3은 일실시예에 따른 학습 데이터 생성 장치가 영상들 각각에 대응하는 진리 데이터들을 결정하는 동작을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 학습 데이터 생성 장치가 수행하는 동작을 설명하기 위한 흐름도이다.
도 5는 일실시예에 따른 학습 데이터 생성 장치가 영상의 위치 정보를 이용하여 진리 데이터를 결정하는 동작을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 학습 데이터 생성 장치가 영상의 위치 정보를 이용하여 영상에 포함된 도로의 경사도를 측정하는 동작을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 학습 데이터 생성 장치에 의해 학습된 뉴럴 네트워크를 이용하는 도로 인식 장치의 구조를 개념적으로 도시한 도면이다.
도 8은 일실시예에 따른 도로 인식 장치가 수행하는 동작을 설명하기 위한 흐름도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다. 예를 들어, 실시예들은 스마트 폰, 모바일 기기, 스마트 홈 시스템 등에서 사용자를 인증하는데 적용될 수 있다. 실시예들은 사용자 인증을 통한 결제 서비스에 적용될 수 있다. 또한, 실시예들은 사용자를 인증하여 자동으로 시동을 거는 지능형 자동차 시스템 등에도 적용될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 학습 데이터 생성 장치가 차량(100)이 촬영한 영상(110)으로부터 학습 데이터를 생성하는 동작을 설명하기 위한 도면이다.
학습 데이터는 뉴럴 네트워크를 학습시키기 위하여 뉴럴 네트워크에 입력되는 데이터이다. 도 1을 참고하면, 학습 데이터는 영상(110) 및 영상(110)으로부터 결정된 진리 데이터(120)를 포함할 수 있다. 일실시예에 따른 학습 데이터 생성 장치는 영상(110) 및 영상(110)이 촬영된 위치 정보를 이용하여 진리 데이터(120)를 결정할 수 있다. 더 나아가서, 학습 데이터 생성 장치는 영상(110) 및 진리 데이터(120)를 포함하는 학습 데이터를 생성할 수 있다.
진리 데이터(120)는 뉴럴 네트워크가 영상(110)으로부터 출력해야 하는 올바른 정보를 포함할 수 있다. 진리 데이터(120)는 실제 참 값(ground truth)을 포함할 수 있다.
뉴럴 네트워크는 학습 데이터 생성 장치가 생성한 학습 데이터를 수신할 수 있다. 뉴럴 네트워크가 학습 데이터를 학습함에 따라, 영상(110)으로부터 출력하는 출력 데이터는 진리 데이터(120)로 수렴될 수 있다. 학습 데이터 생성 장치의 학습 데이터를 학습한 뉴럴 네트워크는 영상(110)으로부터 차량(100)이 주행하는 도로의 상황을 인식하는 도로 인식 장치에 활용될 수 있다.
도 1을 참고하면, 학습 데이터 생성 장치가 생성한 진리 데이터(120)는 영상(110)에 포함된 도로가 교차로일 확률(P(intersect)), 도로가 주행 가능한 도로일 확률(P(drivable road)), 영상(110)에 포함된 주행 가능한 도로의 수(N(drivable path)) 및 경사도(D(gradient)) 중에서 적어도 하나를 포함할 수 있다. 따라서, 진리 데이터(120)를 학습한 뉴럴 네트워크는 영상(110)으로부터 도로 및 차선을 구분할 뿐만 아니라, 영상(110)으로부터 도로의 종류를 탐지할 수 있다. 더 나아가서, 진리 데이터(120)를 학습한 뉴럴 네트워크는 영상(110)으로부터, 주행에 필요한 정보로써 도로에 대한 높은 수준의 정보를 결정할 수 있다.
따라서, 도로 인식 장치는 뉴럴 네트워크를 이용하여 영상(110)으로부터 도로의 종류를 곧바로 탐지할 수 있다. 도로의 종류를 곧바로 탐지함으로써, 도로 인식 장치는 보다 빠르게 차량(100)을 제어할 수 있다.
도 2는 일실시예에 따른 학습 데이터 생성 장치(230)의 구조를 설명하기 위한 개념적인 도면이다. 학습 데이터 생성 장치(230)는 차량의 전방이 촬영된 영상으로부터 학습 데이터를 생성할 수 있다. 학습 데이터 생성 장치(230)는 프로세서를 포함할 수 있다.
도 2를 참고하면, 학습 데이터 생성 장치(230)는 카메라(210)로부터 차량의 전방이 촬영된 영상을 획득할 수 있다. 영상은 차량이 주행하는 도로에 대한 이미지를 포함할 수 있다. 학습 데이터 생성 장치(230)는 획득된 영상에 대응하는 차량의 위치 정보를 GPS 센서(220)로부터 획득할 수 있다. 즉, 학습 데이터 생성 장치(230)는 영상이 촬영된 장소에 대한 정보를 획득할 수 있다.
도 2를 참고하면, 학습 데이터 생성 장치(230)는 획득된 위치 정보에 대응하는 지도 데이터를 획득하기 위하여, 지도 데이터베이스(240)와 연결될 수 있다. 지도 데이터베이스(240)는 인터넷 또는 기타 통신 네트워크를 통하여 학습 데이터 생성 장치(230)와 연결될 수 있다.
일실시예에 따르면, 학습 데이터 생성 장치(230)는 지도 데이터베이스(240)로부터 영상 및 영상에 대응하는 지도 데이터를 획득할 수 있다. 학습 데이터 생성 장치(230)는 지도 데이터베이스를 파싱(parsing)함으로써, 영상 및 영상에 대응하는 지도 데이터를 수신할 수 있다.
일실시예에 따르면, 학습 데이터 생성 장치(230)는 지도 데이터베이스(240)를 포함할 수 있다. 이 경우, 학습 데이터 생성 장치(230)는 통신 네트워크를 이용하지 않더라도 위치 정보에 대응하는 지도 데이터를 획득할 수 있다.
도 2를 참고하면, 학습 데이터 생성 장치(230)는 획득된 지도 데이터로부터 전방의 도로와 관련된 정보를 포함하는 진리 데이터를 결정할 수 있다. 진리 데이터는 도 1의 진리 데이터(120)에 따라, 전방의 도로와 관련된 정보를 수치화한 형태로 결정될 수 있다. 진리 데이터는 영상에 포함된 객체들이 무엇인지에 대한 정보뿐만 아니라, 지도 데이터로부터 얻을 수 있는 도로와 관련된 정보를 포함할 수 있다.
도 3은 일실시예에 따른 학습 데이터 생성 장치가 영상(310, 320, 330)들 각각에 대응하는 진리 데이터(312, 322, 332)들을 결정하는 동작을 설명하기 위한 도면이다. 도 3을 참고하면, 영상(310)은 교차로의 입구에서 교차로의 한복판의 영상을 촬영한 영상으로 가정한다. 영상(320)은 교차로에 연결된 도로 중 어느 하나를 교차로를 나가는 방향으로 촬영한 영상으로 가정한다. 영상(330)은 교차로 주변의 어느 지점에서 인도를 향하여 촬영한 영상으로 가정한다.
도 3을 참고하면, 학습 데이터 생성 장치는 영상(310) 및 영상(310)을 촬영한 위치에 대한 정보를 수신할 수 있다. 영상(310)이 주행중인 차량에 포함된 카메라에 의해 수집되는 경우, 영상(310)을 촬영한 위치에 대한 정보는 차량의 위치에 따라 결정될 수 있다. 영상(310)을 촬영한 위치에 대한 정보는 GPS 좌표를 포함할 수 있다.
학습 데이터 생성 장치는 영상(310)의 위치에 대한 정보를 이용하여, 지도 데이터베이스에 포함된 지도 데이터 중에서, 영상(310)의 위치에 대응하는 지도 데이터(311)를 획득할 수 있다. 지도 데이터(311)는 영상(310)이 촬영된 위치의 지리적 정보를 포함할 수 있다. 지리적 정보는 영상(310)이 촬영된 위치에 건설된 도로에 대한 정보 또는 영상(310)이 촬영된 위치를 통행할 때 필요한 정보를 포함할 수 있다.
일실시예에 따르면, 학습 데이터 생성 장치는 영상(310) 및 영상(310)에 대한 지도 데이터(311)를 제공하는 지도 데이터베이스에 연결될 수 있다. 학습 데이터 생성 장치는 연결된 지도 데이터베이스로부터 영상(310) 및 영상(310)에 대한 지도 데이터(311)를 동시에 수신할 수 있다. 이 경우, 학습 데이터 생성 장치는 영상(310)의 위치에 대한 정보를 이용하여 지도 데이터베이스를 탐색하지 않고, 지도 데이터(311)를 수신할 수 있다.
학습 데이터 생성 장치는 지도 데이터(311)를 이용하여, 영상(310)에 대응하는 진리 데이터(312)를 생성할 수 있다. 진리 데이터(312)는 영상(310)에 포함된 도로와 관련된 정보를 포함할 수 있다. 학습 데이터 생성 장치가 지도 데이터(311)를 참고하기 때문에, 진리 데이터(312)는 영상(310)에 포함된 도로의 종류를 정확하게 탐지할 수 있다.
학습 데이터 생성 장치는 지도 데이터를 영상(310)의 위치를 이용하여 정렬할 수 있다. 도 3을 참고하면, 영상(310, 320, 330)들 각각의 방위각(촬영 방향)이 지도 데이터(311, 321, 331)들 각각에 화살표로 도시된다. 학습 데이터 생성 장치는 영상(310)이 촬영된 방향 또는 방위각을 이용하여 지도 데이터를 정렬할 수 있다. 학습 데이터 생성 장치는 정렬된 지도 데이터를 고려하여 진리 데이터를 결정할 수 있다.
도 3을 참고하면, 진리 데이터(312)는 영상(310)에 포함된 도로가 교차로일 확률을 포함할 수 있다(P(intersect)). 진리 데이터(312)는 영상(310)에 포함된 도로가 주행 가능한 도로일 확률을 포함할 수 있다(P(drivable road)). 진리 데이터(312)는 영상(310)에 포함된 주행 가능한 도로의 수를 포함할 수 있다(N(drivable path)). 도 3의 진리 데이터(312)는 예시에 불과하며, 진리 데이터(312)는 영상(310)에 포함된 객체의 종류, 객체의 거리를 포함할 수 있다.
진리 데이터(312)는 지도 데이터(311) 및 영상(310)이 촬영된 방향에 따라 결정될 수 있다. 학습 데이터 생성 장치는 영상(310)의 위치를 이용하여 정렬된 지도 데이터(311)로부터, 영상(310)이 교차로의 입구에서 교차로의 한복판을 촬영한 영상임을 결정할 수 있다. 따라서, 학습 데이터 생성 장치는 영상(310)에 포함된 도로가 교차로일 확률을 최대값인 1.0으로 결정할 수 있다. 학습 데이터 생성 장치는 지도 데이터(311)로부터 영상(310)에 포함된 교차로에 4개의 도로가 연결됨을 탐지할 수 있다. 따라서, 학습 데이터 생성 장치는 영상(310)에 포함된 주행 가능한 도로의 수를 4로 결정할 수 있다. 학습 데이터 생성 장치는 지도 데이터(311)로부터 영상(310)에 포함된 도로가 주행 가능한 도로임을 탐지할 수 있다. 따라서, 학습 데이터 생성 장치는 영상(310)에 포함된 도로가 주행 가능한 도로일 확률을 최대값인 1.0으로 결정할 수 있다.
학습 데이터 생성 장치가 영상(320, 330)들에 대응하는 진리 데이터(322, 332)들을 결정하는 동작 또한 진리 데이터(312)가 결정되는 동작과 유사하게 수행될 수 있다. 학습 데이터 생성 장치는 영상(320)의 위치에 따라 정렬된 지도 데이터(321)를 이용하여, 영상(320)이 교차로에 연결된 도로 중 어느 하나를 교차로를 나가는 방향으로 촬영한 영상인 것으로 결정할 수 있다. 따라서, 학습 데이터 생성 장치는 영상(310)에 포함된 도로가 교차로일 확률을 최소값인 0.0으로 결정할 수 있다. 학습 데이터 생성 장치는 지도 데이터(321)로부터 영상(320)에 포함된 주행 가능한 도로의 수를 1로 결정할 수 있다. 학습 데이터 생성 장치는 지도 데이터(321)로부터 영상(310)에 포함된 도로가 주행 가능한 도로일 확률을 최대값인 1.0으로 결정할 수 있다.
학습 데이터 생성 장치는 영상(330)의 위치에 따라 정렬된 지도 데이터(321)를 이용하여, 영상(330)이 교차로 주변의 어느 지점에서 인도를 향하여 촬영한 영상인 것으로 결정할 수 있다. 학습 데이터 생성 장치는 영상(330)에 포함된 도로가 주행 가능한 도로일 확률을 도로 및 영상(330)을 촬영한 방향이 이루는 각도에 따라 결정할 수 있다. 도 3을 참고하면, 학습 데이터 생성 장치는 영상(330)에 포함된 도로가 주행 가능한 도로일 확률을, 영상(310) 및 영상(320)에 포함된 도로가 주행 가능한 도로일 확률보다 상대적으로 낮게(0.2) 결정할 수 있다.
도 3을 참고하면, 학습 데이터 생성 장치는 영상(310, 320, 330) 및 영상(310, 320, 330)들 각각에 대응하는 진리 데이터(312, 322, 332)를 쌍으로 하는 학습 데이터를 생성할 수 있다. 학습 데이터 생성 장치는 생성된 학습 데이터에 기초하여 뉴럴 네트워크를 학습시킬 수 있다. 학습 데이터에 의해 학습된 뉴럴 네트워크는 영상(310, 320, 330)들로부터, 영상(310, 320, 330)들에 포함된 도로가 교차로일 확률(P(intersect)), 영상(310, 320, 330)들에 포함된 도로가 주행 가능한 도로일 확률(P(drivable road)) 및 영상(310, 320, 330)들에 포함된 주행 가능한 도로의 수(N(drivable path))를 결정할 수 있다.
따라서, 학습 데이터에 의해 학습된 뉴럴 네트워크는 영상(310, 320, 330) 내에 포함된 객체를 식별할 뿐만 아니라, 영상(310, 320, 330) 내에 포함된 도로와 관련된 정보를 결정할 수 있다. 즉, 자율 주행 장치는 학습된 뉴럴 네트워크를 이용하여 영상을 분석함으로써, 도로와 관련된 정보를 영상으로부터 직접 결정할 수 있다.
도 4는 일실시예에 따른 학습 데이터 생성 장치가 수행하는 동작을 설명하기 위한 흐름도이다. 일실시예에 따른 학습 데이터 생성 방법을 실행하기 위한 프로그램이 기록된 컴퓨터에서 판독 가능한 기록 매체가 제공될 수 있다. 상기 프로그램은 아이템 추천 방법을 저장한 응용 프로그램, 디바이스 드라이버, 펌웨어, 미들웨어, 동적 링크 라이브러리(DLL) 및 애플릿 중 적어도 하나를 포함할 수 있다. 일실시예에 따르면, 학습 데이터 생성 장치는 프로세서를 포함하고, 프로세서는 학습 데이터 생성 방법이 기록된 기록 매체를 판독함으로써, 학습 데이터 생성 방법을 수행할 수 있다.
도 4를 참고하면, 단계(410)에서, 일실시예에 따른 학습 데이터 생성 장치는 차량의 전방이 촬영된 영상 및 영상에 대응하는 차량의 위치 정보를 획득할 수 있다. 학습 데이터 생성 장치가 차량에 포함되는 경우, 차량에 포함된 카메라에 의해 전방의 도로를 촬영한 영상이 수집될 수 있다. 학습 데이터 생성 장치는 차량에 포함된 카메라 및 GPS 센서로부터 영상 및 영상에 대응하는 차량의 위치 정보를 수신할 수 있다. 학습 데이터 생성 장치가 통신 네트워크에 접속하는 경우, 학습 데이터 생성 장치는 지도 데이터베이스로부터 영상 및 영상이 촬영된 위치를 수신할 수 있다.
도 4를 참고하면, 단계(420)에서, 일실시예에 따른 학습 데이터 생성 장치는 획득된 위치 정보에 대응하는 지도 데이터를 획득할 수 있다. 학습 데이터 생성 장치는 획득된 위치 정보를 이용하여 지도 데이터베이스를 탐색함으로써, 지도 데이터를 획득할 수 있다. 지도 데이터베이스는 학습 데이터 생성 장치의 일부로써 포함되거나, 또는 통신 네트워크를 통하여 학습 데이터 생성 장치와 연결될 수 있다. 학습 데이터 생성 장치는 영상이 촬영된 방향을 고려하여 지도 데이터를 획득할 수 있다.
도 4를 참고하면, 단계(430)에서, 일실시예에 따른 학습 데이터 생성 장치는 획득된 지도 데이터로부터 전방의 도로와 관련된 정보를 포함하는 진리 데이터를 결정할 수 있다. 학습 데이터 생성 장치는 영상에 포함된 객체를 분류한 결과를 포함하는 진리 데이터를 생성할 수 있다.
학습 데이터 생성 장치는 영상에 포함된 도로가 미리 설정된 도로의 종류에 매칭될 확률을 결정할 수 있다. 학습 데이터 생성 장치는 획득된 지도 데이터에 기초하여, 영상에 포함된 도로가 미리 설정된 도로의 종류에 매칭되는지 결정할 수 있다. 미리 설정된 도로의 종류는, 예를 들어, 고가 도로, 교차로, 일방 통행 도로, 지하 도로 또는 미리 설정된 각도 이상으로 굽은 커브 길을 포함할 수 있다. 학습 데이터 생성 장치는 결정된 확률을 포함하는 진리 데이터를 생성할 수 있다.
학습 데이터 생성 장치는 획득된 지도 데이터에 기초하여, 영상을 촬영한 방향을 따라 주행할 수 있는 확률을 결정할 수 있다. 영상을 촬영한 방향을 따라 주행할 수 있는 확률을 결정하기 위하여, 학습 데이터 생성 장치는 영상을 촬영한 방향 또는 방위각에 따라 지도 데이터를 정렬할 수 있다. 진리 데이터는 영상을 촬영한 방향을 따라 주행할 수 있는 확률을 포함할 수 있다.
학습 데이터 생성 장치는 획득된 지도 데이터에 기초하여, 영상을 촬영한 방향을 따라 주행할 때에 진입할 수 있는 도로의 수를 결정할 수 있다. 진리 데이터는 결정된 도로의 수를 포함할 수 있다.
학습 데이터 생성 장치는 획득된 지도 데이터에 기초하여, 영상을 촬영한 위치 주변의 지형을 식별할 수 있다. 보다 구체적으로, 학습 데이터 생성 장치는 영상을 촬영한 위치의 좌표 및 위치 주변의 좌표를 하나 이상 탐지할 수 있다. 식별된 지형에 기초하여, 학습 데이터 생성 장치는 영상에 포함된 도로의 경사도를 결정할 수 있다. 진리 데이터는 결정된 도로의 경사도를 포함할 수 있다.
학습 데이터 생성 장치는 획득된 지도 데이터에 기초하여, 영상에 포함된 도로의 형태를 식별할 수 있다. 진리 데이터는 식별된 도로의 형태를 포함할 수 있다. 진리 데이터에 포함된 도로의 형태는 지도 데이터를 이용하여 생성되므로, 사람이 영상으로부터 식별한 도로의 형태 보다 정확할 수 있다. 따라서, 학습 데이터 생성 장치가 생성한 학습 데이터를 학습한 뉴럴 네트워크는 보다 정확하게 도로의 형태를 탐지할 수 있다.
도 4를 참고하면, 단계(440)에서, 일실시예에 따른 학습 데이터 생성 장치는 영상 및 상기 결정된 진리 데이터를 포함하는 학습 데이터를 생성할 수 있다. 즉, 학습 데이터는 영상 및 영상에 대응하는 진리 데이터를 포함할 수 있다. 학습 데이터 생성 장치가 통신 네트워크를 통하여 지도 데이터베이스에 연결되는 경우, 학습 데이터 생성 장치는 지도 데이터베이스를 탐색하여 학습 데이터를 자동으로 생성할 수 있다.
도 4를 참고하면, 단계(450)에서, 일실시예에 따른 학습 데이터 생성 장치는 생성된 학습 데이터를 이용하여 뉴럴 네트워크를 학습시킬 수 있다. 뉴럴 네트워크는 입력 레이어, 출력 레이어를 포함할 수 있다. 뉴럴 네트워크는 입력 레이어 및 출력 레이어를 연결하는 하나 이상의 히든 레이어를 포함할 수 있다. 학습 데이터 생성 장치는 입력 레이어로 영상을 입력하였을 때 출력 레이어로 출력되는 출력 데이터가 입력된 영상에 대응하는 진리 데이터에 수렴하도록, 뉴럴 네트워크를 변경할 수 있다.
학습된 뉴럴 네트워크는 차량에 포함된 도로 인식 장치에 의해 활용될 수 있다. 도로 인식 장치는 학습된 뉴럴 네트워크에 영상을 입력하여, 도로와 관련된 정보를 결정할 수 있다. 도로 인식 장치가 결정한 도로와 관련된 정보는 학습 데이터의 진리 데이터의 포맷을 따를 수 있다. 예를 들어, 진리 데이터가 도로가 교차로일 확률, 진입 가능한 도로의 수, 도로의 경사도, 주행 가능한 도로일 확률 및 도로의 형태를 포함하는 것으로 가정하자. 이 경우, 도로 인식 장치는 영상으로부터, 도로가 교차로일 확률, 진입 가능한 도로의 수, 도로의 경사도, 주행 가능한 도로일 확률 및 도로의 형태를 결정할 수 있다. 도로 인식 장치는 결정된 도로와 관련된 정보를 이용하여 도로 인식 장치가 포함된 차량을 제어할 수 있다.
도 5는 일실시예에 따른 학습 데이터 생성 장치가 영상의 위치 정보를 이용하여 진리 데이터를 결정하는 동작을 설명하기 위한 도면이다.
도 5를 참고하면, 학습 데이터 생성 장치가 수신한 영상(511, 521)들 및 영상(511, 521)들 각각이 촬영된 위치(510, 520)들이 도시된다. 학습 데이터 생성 장치는 영상(511, 521)들에 대응하는 위치 정보를 이용하여 영상(511, 521)들 각각이 촬영된 위치(510, 520)들을 식별할 수 있다. 도 5를 참고하면, 영상(511, 521)들은 교차로에 진입하는 과정에서 촬영된 것으로 가정한다. 보다 구체적으로, 영상(511)은 교차로에 진입하기 전의 위치 A(510)에서 촬영되고, 영상(521)은 교차로 상의 위치 B(520)에서 촬영된 것으로 가정한다.
도 5를 참고하면, 학습 데이터 생성 장치는 위치에 따른 확률 분포를 이용하여 진리 데이터를 결정할 수 있다. 학습 데이터 생성 장치는 영상이 촬영된 위치를 이용하여 영상에 포함된 도로의 종류를 결정할 수 있다. 학습 데이터 생성 장치는 도로의 종류를 확률로 표시한 진리 데이터를 생성할 수 있다. 도로의 종류를 표시한 확률은 영상이 촬영된 위치에 따라 결정될 수 있다. 학습 데이터 생성 장치는 지도 데이터를 이용하여 위치에 따른 확률 분포를 생성할 수 있다.
이하에서는 도 5를 참고하여 학습 데이터 생성 장치가 영상이 촬영된 도로가 교차로일 확률을 결정하는 동작을 설명한다. 도 5를 참고하면, 위치에 대응하는 도로가 교차로일 확률이 그래프로 도시된다. 위치에 대응하는 도로가 교차로일 확률은 가우시안 분포에 따라 결정될 수 있다. 학습 데이터 생성 장치는 교차로의 가운데 지점에서 촬영된 영상에 대하여, 도로가 교차로일 확률을 최대값인 1.0으로 결정할 수 있다. 교차로의 가운데 지점에서 교차로의 밖으로 이동함에 따라, 도로가 교차로일 확률은 점차 감소할 수 있다. 교차로를 벗어난 뒤 일정한 거리 이상 이동하면, 도로가 교차로일 확률은 최소값인 0이 될 수 있다.
도 5를 참고하면, 학습 데이터 생성 장치는 위치에 따른 확률 분포를 이용하여, 영상(511, 521)들 각각에 포함된 도로가 교차로일 확률을 결정할 수 있다. 도 5를 참고하면, 학습 데이터 생성 장치는 영상(521)이 촬영된 위치 A(520)를 이용하여, 영상(521)에 포함된 도로가 교차로일 확률을 1.0으로 결정할 수 있다.
영상(521)이 교차로 상의 위치 B(520)에서 촬영되었으므로, 영상(521)은 교차로 상에서 촬영되었음에도 불구하고, 교차로의 일부분의 영상만을 포함할 수 있다. 이 경우, 사람은 영상(521)으로부터 영상(521)이 교차로에서 촬영되었는지, 또는 교차로에 몇 개의 도로가 연결되었는지를 식별하기 어렵다. 학습 데이터 생성 장치는 영상(521)이 교차로의 일부분만을 포함하더라도, 영상(521)이 교차로에서 촬영되었는지, 또는 교차로에 몇 개의 도로가 연결되었는지를 정확하게 탐지할 수 있다. 학습 데이터 생성 장치는 결정된 확률을 이용하여 진리 데이터를 생성함으로써, 영상(520)에 대한 정확한 정보를 진리 데이터에 입력할 수 있다.
비록 교차로에 대해서만 설명하였지만, 위치에 대한 확률 분포는 교차로 외의 다른 종류의 도로를 식별하는 동작에서도 활용될 수 있다. 예를 들어, 학습 데이터 생성 장치는 영상에 포함된 도로가 고가 도로일 확률을, 영상의 위치에 따른 확률 분포를 이용하여 결정할 수 있다. 다른 예로써, 학습 데이터 생성 장치는 영상에 포함된 도로가 지하 도로일 확률, 터널 내부의 도로일 확률을 결정할 수 있다. 학습 데이터 생성 장치는 결정된 확률에 따라 진리 데이터를 생성할 수 있다. 따라서, 진리 데이터를 학습한 뉴럴 네트워크는 영상에 포함된 객체를 식별할 뿐만 아니라, 영상에 포함된 도로와 관련된 정보를 결정할 수 있다.
도 6은 일실시예에 따른 학습 데이터 생성 장치가 영상의 위치 정보를 이용하여 영상에 포함된 도로의 경사도를 측정하는 동작을 설명하기 위한 도면이다. 이하에서는 도 6을 참고하여 학습 데이터 생성 장치가 영상(611, 621)들의 위치 정보로부터 영상(611, 621)들에 포함된 도로의 경사도가 포함된 진리 데이터를 결정하는 동작을 상세히 설명한다.
도 6을 참고하면, 위치 A(610) 및 위치 B(620)에서 촬영된 영상(611, 621)들이 도시된다. 영상(611, 621)들은 거리 정보를 포함하지 않을 수 있다. 이 경우, 영상(611, 621)들로부터 영상(611, 621)들에 포함된 도로의 경사도를 정확하게 결정하는데 한계가 있다. 학습 데이터 생성 장치는 영상(611, 621)들이 거리 정보를 포함하지 않더라도 도로의 경사도를 결정할 수 있다.
일실시예에 따른 학습 데이터 생성 장치는 영상(611, 621)들이 촬영된 위치 A(610) 및 위치 B(620)의 좌표를 이용하여, 영상(611, 621)들에 포함된 도로의 경사도를 정확하게 결정할 수 있다. 도 6을 참고하면, 학습 데이터 생성 장치는 위치 A(610)의 GPS 좌표(x1, y1, z1) 및 위치 B(620)의 GPS 좌표(x2, y2, z2)를 이용하여 영상(611, 621)들이 촬영된 도로의 경사도를 결정할 수 있다. 학습 데이터 생성 장치가 생성한 진리 데이터(630)는 결정된 도로의 경사도를 포함할 수 있다(D(gradient)). 도 6을 참고하면, 학습 데이터 생성 장치는 영상(611, 621)들이 촬영된 도로의 경사도를 30도로 결정할 수 있다.
학습 데이터 생성 장치는 도로의 경사도가 포함된 진리 데이터 및 영상(611, 621)들을 이용하여 뉴럴 네트워크를 학습시킬 수 있다. 학습된 뉴럴 네트워크는 영상으로부터 도로의 경사도를 결정할 수 있다.
비록 도로의 경사도에 대해서만 설명하였지만, 학습 데이터 생성 장치는 영상의 위치 정보를 이용하여 영상에 포함된 도로와 관련된 다른 정보를 결정할 수 있다. 예를 들어, 학습 데이터 생성 장치는 영상의 위치 정보 또는 지도 데이터를 이용하여 영상이 촬영된 도로의 곡률을 포함하는 진리 데이터를 생성할 수 있다. 학습 데이터 생성 장치는 생성된 진리 데이터로 뉴럴 네트워크를 학습시킴으로써, 뉴럴 네트워크는 영상으로부터 도로의 곡률을 결정할 수 있다.
도 7은 일실시예에 따른 학습 데이터 생성 장치에 의해 학습된 뉴럴 네트워크를 이용하는 도로 인식 장치(720)의 구조를 개념적으로 도시한 도면이다. 일실시예에 따른 도로 인식 장치(720)는 학습된 뉴럴 네트워크를 이용하여 영상을 분석할 수 있다. 이하에서는 도로 인식 장치(720)를 포함하는 차량의 움직임이 도로 인식 장치(720)에 기초하여 결정되는 동작을 상세히 설명한다.
도 7을 참고하면, 일실시예에 따른 도로 인식 장치(720)는 카메라(710)와 연결될 수 있다. 카메라(710) 및 도로 인식 장치(720)는 차량에 포함될 수 있다. 카메라(710)는 차량의 전방, 후방 또는 측방의 영상을 촬영할 수 있다. 카메라(710)는 촬영한 영상을 도로 인식 장치(720)로 전달할 수 있다.
도 7을 참고하면, 도로 인식 장치(720)는 학습 데이터 생성 장치에 의해 학습된 뉴럴 네트워크를 이용하여, 영상으로부터 영상에 포함된 도로와 관련된 정보를 결정할 수 있다. 앞서 설명한 바와 같이, 학습 데이터 생성 장치가 생성한 학습 데이터는 영상에 포함된 도로가 미리 설정된 도로의 종류에 매칭되는 지를 확률로 표시할 수 있다. 따라서, 도로 인식 장치(720)는 영상에 포함된 도로가 미리 설정된 도로의 종류에 매칭될 확률을 결정할 수 있다. 도로 인식 장치(720)는 영상에 포함된 도로 또는 차선을 식별할 수 있다. 더 나아가서, 도로 인식 장치(720)는 도로의 종류, 도로의 경사도 등을 식별할 수 있다.
일실시예에 따르면, 도로 인식 장치(720)는 결정된 도로와 관련된 정보를 이용하여, 차량을 제어할 수 있다. 도로 인식 장치(720)를 포함하는 차량은 운전자를 보조하여 차량을 제어하거나 또는 운전자의 조작 없이 차량의 움직임을 제어할 수 있다. 도로 인식 장치(720)는 영상으로부터 차선을 식별한 다음, 식별된 차선에 따라 차량을 제어할 수 있다. 도로 인식 장치(720)는 영상으로부터 전방을 주행하는 전방 차량을 식별한 다음, 식별된 전방 차량에 따라 차량을 제어할 수 있다.
도로 인식 장치(720)결정된 도로와 관련된 정보를 이용하여, 식별된 차선에 따라 차량을 제어할지 또는 식별된 전방 차량에 따라 차량을 제어할지를 결정할 수 있다. 차량이 일반적인 도로를 주행하는 경우, 도로 인식 장치(720)는 식별된 차선에 따라 차량을 제어할 수 있다. 하지만, 차량이 교차로에 진입한 경우, 차선이 교차로에 표시되지 않으므로, 도로 인식 장치(720)는 전방 차량에 따라 차량을 제어할 수 있다.
보다 구체적으로, 도로 인식 장치(720)는 영상으로부터, 차량이 교차로에 위치하는 확률을 결정할 수 있다. 차량이 교차로에 위치하는 확률을 미리 설정된 확률 임계치와 비교하여, 도로 인식 장치(720)는 차량을 식별된 차선에 따라 제어할지 또는 식별된 전방 차량에 따라 제어할지를 결정할 수 있다. 차량이 교차로에 위치하는 확률을 미리 설정된 확률 임계치 이상이면, 도로 인식 장치(720)는 차량을 식별된 전방 차량에 따라 제어할 수 있다. 따라서, 차선이 표시되지 않은 교차로에 진입하더라도, 도로 인식 장치(720)를 포함하는 차량은 차선을 인식할 수 없음에도 불구하고 교차로에서 주행할 수 있다.
앞서 설명한 바와 같이, 도로 인식 장치(720)는 뉴럴 네트워크를 이용하여 차량이 교차로에 위치하는 확률을 결정할 수 있다. 뉴럴 네트워크는 일실시예에 따른 학습 데이터 생성 장치에 의해 학습되며, 학습 데이터 생성 장치는 영상의 위치 정보를 이용하여 교차로에 위치하는 확률을 결정할 수 있다. 따라서, 도로 인식 장치(720)는 차량이 교차로에 위치하는 확률을 보다 정확하게 결정할 수 있다. 즉, 도로 인식 장치(720)는 차량을 식별된 차선에 따라 차량을 제어할지 또는 식별된 전방 차량에 따라 차량을 제어할지를 보다 정확하게 결정할 수 있다.
일실시예에 따르면, 도로 인식 장치(720)는 영상으로부터 결정된 도로와 관련된 정보가 오류를 포함하는 지를 결정할 수 있다. 도로와 관련된 정보가 오류를 포함하는 경우, 도로 인식 장치(720)는 학습 데이터 생성 장치로 학습 데이터를 생성할 것을 요청할 수 있다. 도로 인식 장치(720)가 뉴럴 네트워크가 학습하지 않은 상황에 있는 경우, 도로 인식 장치(720)가 결정한 정보는 오류를 포함할 수 있다.
예를 들어, 뉴럴 네트워크가 특정 국가의 도로의 영상 및 학습 데이터를 이용하여 학습되고, 도로 인식 장치(720)를 포함하는 차량이 특정 국가를 제외한 다른 국가를 주행하는 것으로 가정하자. 이 경우, 도로 인식 장치(720)가 수신하는 영상은 특정 국가와 다른 형태의 신호등 또는 특정 국가와 다른 형태의 차선을 포함할 수 있다. 더 나아가서, 특정 국가 및 다른 국가의 교통 법규가 서로 상이하여, 좌/우측 통행 여부가 상이할 수 있다. 이 경우, 뉴럴 네트워크가 학습하지 않은 영상이 도로 인식 장치(720)로 입력되므로, 도로 인식 장치(720)가 결정한 정보는 오류를 포함할 수 있다.
또 다른 예로써, 도로 인식 장치(720)를 포함하는 차량이 뉴럴 네트워크가 상대적으로 적게 학습한 환경에서 주행하는 경우, 도로 인식 장치(720)가 결정한 정보는 오류를 포함할 수 있다. 예를 들어, 뉴럴 네트워크가 맑은 날씨에 촬영된 영상 및 학습 데이터에 기초하여 학습된 것으로 가정하자. 도로 인식 장치(720)를 포함하는 차량이 비 또는 눈을 만나거나, 악천후 환경에서 주행하는 경우, 도로 인식 장치(720)가 결정한 정보는 오류를 포함할 수 있다. 낮 시간대에 촬영된 영상 및 학습 데이터로 학습된 뉴럴 네트워크를 이용하는 도로 인식 장치(720)를 포함하는 차량이 야간 시간대에 주행하는 경우, 도로 인식 장치(720)가 결정한 정보는 오류를 포함할 수 있다.
도로 인식 장치(720)는 운전자의 피드백에 기초하여, 영상으로부터 결정한 도로와 관련된 정보가 오류를 포함하는 지를 결정할 수 있다. 예를 들어, 운전자가 도로 인식 장치(720)가 결정한 도로의 형태와 상반되는 방향으로 차량을 제어할 수 있다. 다른 예로써, 도로 인식 장치(720)를 포함하는 차량이 운전자의 조작 없이 주행하는 상황에서, 운전자가 핸들 또는 브레이크를 조작함으로써 차량을 수동으로 제어할 수 있다. 이 경우, 도로 인식 장치(720)는 도로와 관련된 정보가 오류를 포함하는 것으로 결정할 수 있다.
도로와 관련된 정보가 오류를 포함하는 것으로 결정되면, 도로 인식 장치(720)는 학습 데이터 생성 장치로 학습 데이터를 생성할 것을 요청할 수 있다. 학습 데이터를 생성할 것을 요청하면서, 도로 인식 장치(720)는 영상 및 영상이 촬영된 위치 정보를 학습 데이터 생성 장치로 전달할 수 있다. 따라서, 뉴럴 네트워크는 도로 인식 장치(720)에 의해 사용되면서, 동시에 학습 데이터 생성 장치에 의해 학습될 수 있다.
도 8은 일실시예에 따른 도로 인식 장치가 수행하는 동작을 설명하기 위한 흐름도이다. 도로 인식 장치는 학습 데이터 생성 장치에 의해 학습된 뉴럴 네트워크를 이용할 수 있다.
도 8을 참고하면, 단계(810)에서, 일실시예에 따른 도로 인식 장치는 차량이 주행하는 도로를 촬영한 영상을 획득할 수 있다. 영상은 도로 인식 장치를 포함하는 차량의 카메라에서 도로 인식 장치로 실시간으로 전달될 수 있다.
도 8을 참고하면, 단계(820)에서, 일실시예에 따른 도로 인식 장치는 획득된 영상을 기계 학습된 뉴럴 네트워크에 입력하여, 도로와 관련된 정보를 결정할 수 있다. 예를 들어, 도로 인식 장치는 도로와 관련된 정보로써, 도로의 차선, 도로를 주행하는 전방 차량, 도로가 교차로일 확률, 진입 가능한 도로의 수, 도로의 경사도, 주행 가능한 도로일 확률 및 도로의 형태를 결정할 수 있다.
도 8을 참고하면, 단계(830)에서, 일실시예에 따른 도로 인식 장치는 결정된 정보를 이용하여 도로 인식 장치를 포함하는 차량을 제어할 수 있다. 예를 들어, 도로 인식 장치는 식별된 차선에 따라 차량을 제어할지 또는 식별된 전방 차량에 따라 차량을 제어할지를 결정할 수 있다. 특히, 도로 인식 장치는 도로가 교차로일 확률을 고려하여, 식별된 차선에 따라 차량을 제어할지 또는 식별된 전방 차량에 따라 차량을 제어할지를 결정할 수 있다.
도 8을 참고하면, 단계(840)에서, 일실시예에 따른 도로 인식 장치는 결정된 도로와 관련된 정보가 오류를 포함하는지를 결정할 수 있다. 도 7에서 설명한 바와 같이, 도로 인식 장치는 운전자가 차량을 제어하는 동작 및 도로와 관련된 정보를 비교하여, 도로와 관련된 정보가 오류를 포함하는지를 결정할 수 있다. 일실시예에 따른 도로 인식 장치는 영상으로부터 결정된 정보가 차량이 주행하는 도로와 유사한지 결정할 수 있다.
도 8을 참고하면, 도로와 관련된 정보가 오류를 포함하는 경우, 단계(850)에서, 일실시예에 따른 도로 인식 장치는 뉴럴 네트워크를 학습시킬 수 있다. 결정된 정보가 차량이 주행하는 도로와 유사하지 않은 경우, 도로 인식 장치는 뉴럴 네트워크를 다시 학습시킬 수 있다. 보다 구체적으로, 도로 인식 장치는 영상 및 영상이 촬영된 위치 정보에 기초하여 학습 데이터를 생성할 것을 학습 데이터 생성 장치로 요청할 수 있다. 학습 데이터 생성 장치는 요청에 기초하여 학습 데이터를 생성할 수 있다. 학습 데이터 생성 장치는 요청에 대응하여 뉴럴 네트워크를 학습시킬 수 있다. 이로써, 도로 인식 장치는 주행하는 도로를 이용하여 뉴럴 네트워크를 실시간으로 학습시킬 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
100: 차량
110: 영상
120: 진리 데이터

Claims (18)

  1. 차량의 전방이 촬영된 영상으로부터 학습 데이터를 생성하는 학습 데이터 생성 장치의 동작 방법에 있어서,
    상기 영상 및 상기 영상에 대응하는 차량의 위치 정보를 획득하는 단계;
    상기 획득된 위치 정보에 대응하는 지도 데이터를 획득하는 단계;
    상기 획득된 지도 데이터로부터 상기 전방의 도로와 관련된 정보를 포함하는 진리 데이터를 결정하는 단계; 및
    상기 영상 및 상기 결정된 진리 데이터를 포함하는 학습 데이터를 생성하는 단계를 포함하고,
    상기 진리 데이터는,
    상기 전방의 도로가 주행 가능할 확률을 포함하고,
    상기 확률은,
    상기 전방의 도로와 상기 영상의 방향(orentation)에 대응하는 방향(drection) 사이의 각도에 기초하여 결정되고,
    상기 전방의 도로와 상기 영상의 방향은,
    상기 차량의 전방에 대응하는 동작 방법.
  2. 제1항에 있어서,
    상기 지도 데이터를 획득하는 단계는,
    상기 획득된 위치 정보를 이용하여 지도 데이터베이스를 탐색함으로써, 상기 지도 데이터를 획득하는 동작 방법.
  3. 제1항에 있어서,
    상기 지도 데이터를 획득하는 단계는,
    상기 영상이 촬영된 방향을 고려하여 상기 지도 데이터를 획득하는 동작 방법.
  4. 제3항에 있어서,
    상기 진리 데이터는,
    상기 차량이 상기 방향을 따라 주행할 수 있는 확률을 포함하는 동작 방법.
  5. 제1항에 있어서,
    상기 진리 데이터는,
    상기 차량이 전방을 따라 주행할 때 진입할 수 있는 도로의 수를 포함하는 동작 방법.
  6. 제1항에 있어서,
    상기 진리 데이터는,
    상기 영상에 대응하는 차량의 위치의 좌표 및 상기 차량의 위치 주변의 좌표를 이용하여 결정된 상기 도로의 경사도를 포함하는 동작 방법.
  7. 제1항에 있어서,
    상기 진리 데이터는,
    상기 도로가 미리 설정된 도로의 종류에 매칭될 확률을 포함하는 동작 방법.
  8. 제1항에 있어서,
    상기 생성된 학습 데이터를 이용하여 뉴럴 네트워크를 학습시키는 단계
    를 더 포함하는 동작 방법.
  9. 차량의 전방이 촬영된 영상으로부터 학습 데이터를 생성하는 학습 데이터 생성 장치에 있어서,
    프로세서
    를 포함하고,
    상기 프로세서는,
    상기 영상 및 상기 영상에 대응하는 차량의 위치 정보를 획득하고,
    상기 획득된 위치 정보에 대응하는 지도 데이터를 획득하고,
    상기 획득된 지도 데이터로부터 상기 전방의 도로에 관련된 정보를 포함하는 진리 데이터를 결정하고,
    상기 영상 및 상기 결정된 진리 데이터를 포함하는 상기 학습 데이터를 생성하고,
    상기 진리 데이터는,
    상기 전방의 도로가 주행 가능할 확률을 포함하고,
    상기 확률은,
    상기 전방의 도로와 상기 영상의 방향(orientation)에 대응하는 방향(direction) 사이의 각도에 기초하여 결정되고,
    상기 전방의 도로와 상기 영상의 방향(orientation)은,
    상기 차량의 전방에 대응하는 학습 데이터 생성 장치.
  10. 제9항에 있어서,
    상기 프로세서는,
    상기 획득된 위치 정보를 이용하여 지도 데이터베이스를 탐색함으로써, 상기 지도 데이터를 획득하는 학습 데이터 생성 장치.
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
KR1020160170271A 2016-12-14 2016-12-14 영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법 Active KR102819289B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160170271A KR102819289B1 (ko) 2016-12-14 2016-12-14 영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법
US15/704,282 US10579058B2 (en) 2016-12-14 2017-09-14 Apparatus and method for generating training data to train neural network determining information associated with road included in image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160170271A KR102819289B1 (ko) 2016-12-14 2016-12-14 영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20180068511A KR20180068511A (ko) 2018-06-22
KR102819289B1 true KR102819289B1 (ko) 2025-06-11

Family

ID=62489281

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160170271A Active KR102819289B1 (ko) 2016-12-14 2016-12-14 영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법

Country Status (2)

Country Link
US (1) US10579058B2 (ko)
KR (1) KR102819289B1 (ko)

Families Citing this family (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101878490B1 (ko) * 2017-03-10 2018-07-13 만도헬라일렉트로닉스(주) 차선 인식 시스템 및 방법
US10678244B2 (en) 2017-03-23 2020-06-09 Tesla, Inc. Data synthesis for autonomous control systems
WO2018212538A1 (en) * 2017-05-16 2018-11-22 Samsung Electronics Co., Ltd. Electronic device and method of detecting driving event of vehicle
US11157441B2 (en) 2017-07-24 2021-10-26 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
US10671349B2 (en) 2017-07-24 2020-06-02 Tesla, Inc. Accelerated mathematical engine
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
CN107590479B (zh) * 2017-09-26 2020-04-10 京东方科技集团股份有限公司 一种道路分析处理方法及装置
US12307350B2 (en) 2018-01-04 2025-05-20 Tesla, Inc. Systems and methods for hardware-based pooling
JP7011472B2 (ja) * 2018-01-15 2022-01-26 キヤノン株式会社 情報処理装置、情報処理方法
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
WO2019178548A1 (en) 2018-03-15 2019-09-19 Nvidia Corporation Determining drivable free-space for autonomous vehicles
US11215999B2 (en) 2018-06-20 2022-01-04 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US11361457B2 (en) 2018-07-20 2022-06-14 Tesla, Inc. Annotation cross-labeling for autonomous control systems
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
WO2020033967A1 (en) 2018-08-10 2020-02-13 Buffalo Automation Group Inc. Training a deep learning system for maritime applications
US10782691B2 (en) 2018-08-10 2020-09-22 Buffalo Automation Group Inc. Deep learning and intelligent sensing system integration
CN110901638B (zh) * 2018-08-28 2021-05-28 大陆泰密克汽车系统（上海）有限公司 驾驶辅助方法及系统
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
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
JP6697522B2 (ja) * 2018-09-28 2020-05-20 株式会社Ｓｕｂａｒｕ 区画線認識装置
CA3115784A1 (en) 2018-10-11 2020-04-16 Matthew John COOPER Systems and methods for training machine models with augmented data
KR102521657B1 (ko) * 2018-10-15 2023-04-14 삼성전자주식회사 차량을 제어하는 방법 및 장치
US11196678B2 (en) 2018-10-25 2021-12-07 Tesla, Inc. QOS manager for system on a chip communications
US11263245B2 (en) * 2018-10-30 2022-03-01 Here Global B.V. Method and apparatus for context based map data retrieval
CN110379288B (zh) * 2018-11-13 2021-10-01 北京京东叁佰陆拾度电子商务有限公司 路口拓扑链接线的绘制方法及系统
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11030457B2 (en) * 2018-12-17 2021-06-08 Here Global B.V. Lane feature detection in aerial images based on road geometry
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US11150664B2 (en) 2019-02-01 2021-10-19 Tesla, Inc. Predicting three-dimensional features for autonomous driving
US10997461B2 (en) 2019-02-01 2021-05-04 Tesla, Inc. Generating ground truth for machine learning from time series elements
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
US10956755B2 (en) 2019-02-19 2021-03-23 Tesla, Inc. Estimating object properties using visual image data
KR102792125B1 (ko) * 2019-02-19 2025-04-08 삼성전자주식회사 전자 장치 및 그의 제어 방법
WO2020185779A1 (en) 2019-03-11 2020-09-17 Nvidia Corporation Intersection detection and classification in autonomous machine applications
US12399015B2 (en) 2019-04-12 2025-08-26 Nvidia Corporation Neural network training using ground truth data augmented with map information for autonomous machine applications
CN110135302B (zh) * 2019-04-30 2021-08-31 百度在线网络技术（北京）有限公司 训练车道线识别模型的方法、装置、设备和存储介质
KR102206512B1 (ko) 2019-05-10 2021-01-22 재단법인대구경북과학기술원 이동로봇의 센서 데이터를 활용한 교차점 패턴 인식모델 생성 방법 및 교차점 패턴 인식 시스템
WO2021042051A1 (en) 2019-08-31 2021-03-04 Nvidia Corporation Map creation and localization for autonomous driving applications
CN110837539B (zh) * 2019-09-25 2022-11-11 交控科技股份有限公司 一种铁路电子地图构建方法及电子地图位置匹配方法
DE112020006410T5 (de) 2019-12-31 2022-10-27 Nvidia Corporation Dreidimensionale kreuzungsstrukturvorhersage für anwendungen zum autonomen fahren
CN111854766B (zh) * 2020-01-13 2022-05-27 北京嘀嘀无限科技发展有限公司 一种道路信息确定方法、装置、电子设备及存储介质
US11328599B2 (en) * 2020-02-07 2022-05-10 Micron Technology, Inc. Crowdsourcing road conditions from abnormal vehicle events
CN111353441B (zh) * 2020-03-03 2021-04-23 成都大成均图科技有限公司 基于位置数据融合的道路提取方法和系统
US20210287096A1 (en) * 2020-03-13 2021-09-16 Nvidia Corporation Microtraining for iterative few-shot refinement of a neural network
WO2021206489A1 (ko) * 2020-04-08 2021-10-14 주식회사 별따러가자 운행 기록을 분석하는 방법 및 시스템, 및 운행 기록 장치
KR102325998B1 (ko) * 2020-04-08 2021-11-15 주식회사 별따러가자 운행 기록을 분석하는 방법 및 시스템, 및 운행 기록 장치
CN115917255B (zh) * 2020-07-31 2025-11-21 哈曼国际工业有限公司 基于视觉的位置和转弯标记预测
CN111999752B (zh) * 2020-08-25 2024-03-26 阿波罗智能技术(北京)有限公司 确定道路信息数据的方法、装置和计算机存储介质
CN112434556A (zh) * 2020-10-20 2021-03-02 深圳市悦保科技有限公司 宠物鼻纹识别方法、装置、计算机设备及存储介质
US11978266B2 (en) 2020-10-21 2024-05-07 Nvidia Corporation Occupant attentiveness and cognitive load monitoring for autonomous and semi-autonomous driving applications
CN114572275A (zh) * 2020-12-02 2022-06-03 晋城三赢精密电子有限公司 车辆行车辅助方法、车载装置、车辆及存储介质
CN112527940B (zh) * 2020-12-18 2024-07-16 上海商汤临港智能科技有限公司 一种仿真地图生成的方法、装置、电子设备及存储介质
JP7709321B2 (ja) * 2021-07-07 2025-07-16 株式会社Subaru 車両の運転支援装置
US20240362926A1 (en) * 2021-07-28 2024-10-31 Harman International Industries, Incorporated Method for predicting turn points
US12462575B2 (en) 2021-08-19 2025-11-04 Tesla, Inc. Vision-based machine learning model for autonomous driving with adjustable virtual camera
EP4388510A1 (en) 2021-08-19 2024-06-26 Tesla, Inc. Vision-based system training with simulated content
KR102487408B1 (ko) * 2021-09-07 2023-01-12 포티투닷 주식회사 로컬맵에 기초한 차량의 라우팅 경로 결정 장치, 방법 및 이를 기록한 기록매체
KR102475145B1 (ko) * 2022-04-18 2022-12-07 주식회사 판옵티콘 뉴럴 네트워크를 이용하여 3차원 모델링 정보에 기초한 아기의 상태를 분석하는 방법 및 장치
GB2617866A (en) * 2022-04-21 2023-10-25 Continental Automotive Romania Srl Computer implemented method for training a decision tree model for detecting an intersection, computer implemented method detecting an intersection,
KR20230155936A (ko) * 2022-05-04 2023-11-13 삼성전자주식회사 자동 레이블링을 위한 학습 데이터 생성 장치, 방법 및 학습 데이터를 이용한 학습 방법
DE102022207851A1 (de) * 2022-07-29 2024-02-01 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Erkennen einer Straßenkreuzung

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170008521A1 (en) 2015-02-10 2017-01-12 Mobileye Vision Technologies Ltd. Autonomous vehicle speed calibration

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080083823A (ko) 2007-03-13 2008-09-19 주식회사 현대오토넷 도로 안내를 위한 학습 기능을 가지는 내비게이션 장치
KR20100008716A (ko) 2008-07-16 2010-01-26 삼성전자주식회사 네비게이션 단말에서의 사용자 선호 경로 관리 방법 및 그네비게이션 단말
JP2012208052A (ja) 2011-03-30 2012-10-25 Panasonic Corp ナビゲーション装置
KR20150084143A (ko) 2014-01-13 2015-07-22 한양대학교 산학협력단 다양한 주행 환경 기반의 차량 자율 주행 장치 및 그 경로 계획 방법
US10510016B2 (en) 2014-11-17 2019-12-17 Optimitive S.L.U. Methods and systems using a composition of autonomous self-learning software components for performing complex real time data-processing tasks
KR102560700B1 (ko) * 2016-07-19 2023-07-28 주식회사 에이치엘클레무브 차량의 주행 지원장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170008521A1 (en) 2015-02-10 2017-01-12 Mobileye Vision Technologies Ltd. Autonomous vehicle speed calibration

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Ankit Laddha, "Road Detection and Semantic Segmentation without Strong Human Supervision," Master's Thesis, Tech. Report, Robotics Institute, Carnegie Mellon University (2016.07.29.)*

Also Published As

Publication number Publication date
KR20180068511A (ko) 2018-06-22
US10579058B2 (en) 2020-03-03
US20180164812A1 (en) 2018-06-14

Similar Documents

Publication Publication Date Title
KR102819289B1 (ko) 영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법
JP7239703B2 (ja) 領域外コンテキストを用いたオブジェクト分類
US11594011B2 (en) Deep learning-based feature extraction for LiDAR localization of autonomous driving vehicles
US11531110B2 (en) LiDAR localization using 3D CNN network for solution inference in autonomous driving vehicles
CN111771135B (zh) 自动驾驶车辆中使用rnn和lstm进行时间平滑的lidar定位
US12139164B2 (en) Validating vehicle sensor calibration
US10919543B2 (en) Learning method and learning device for determining whether to switch mode of vehicle from manual driving mode to autonomous driving mode by performing trajectory-based behavior analysis on recent driving route
US11348263B2 (en) Training method for detecting vanishing point and method and apparatus for detecting vanishing point
KR102565279B1 (ko) 객체 검출 방법, 객체 검출을 위한 학습 방법 및 그 장치들
KR102793522B1 (ko) 영상 및 맵 데이터 기반 측위 방법 및 장치
US12497081B2 (en) Pedestrian behavior prediction with 3D human keypoints
CN111179162B (zh) 一种特殊环境下的定位初始化方法及车载终端
US11755917B2 (en) Generating depth from camera images and known depth data using neural networks
CN112444258A (zh) 可行驶区域判定的方法、智能驾驶系统和智能汽车
CN114972494B (zh) 一种记忆泊车场景的地图构建方法及装置
Bag Deep learning localization for self-driving cars
Chipka et al. Estimation and navigation methods with limited information for autonomous urban driving
JP2023039926A (ja) 知覚フィールドベースの運転関連操作
CN117274840B (zh) 一种基于多模态的车辆违章检测方法、装置及处理设备
CN119502956B (zh) 位置检测方法、车辆控制方法、设备、车辆、介质和芯片
US20250377208A1 (en) Data layer augtmentation
Menon Lidar Based 3D Object Detection Using Yolov8
Ninh et al. A System for Recognizing Changes Between High-Resolution Map and Actual Ground Conditions
Shi et al. Localization Algorithms
Bhatia et al. Road Image Segmentation for Autonomous Car

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20161214

PG1501 Laying open of application
A201 Request for examination
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20211214

Comment text: Request for Examination of Application

Patent event code: PA02011R01I

Patent event date: 20161214

Comment text: Patent Application

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20241205

Patent event code: PE09021S01D

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

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20250415

PG1601 Publication of registration