1 |
1
인코더 및 디코더를 포함하는 경로 예측 시스템에 의해 수행되는 경로 예측 방법에 있어서,상기 인코더에서, 자차 또는 자차와 주변에 존재하는 주변 차량의 주행 데이터에 기반하여 시퀀스 정보를 분석하는 단계; 및 상기 디코더에서, 상기 시퀀스 정보를 분석한 분석 결과를 빔 서치(beam search)를 적용하여 주변 차량의 미래 경로를 예측하는 단계를 포함하고,적어도 하나 이상의 순환 신경망 구조로 구성된 결합형 순환 신경망에 기반하여 각각 딥 러닝 학습이 수행되는 것을 포함하고,상기 시퀀스 정보를 분석하는 단계는,상기 인코더가 FC(Fully-Connected) 신경망 계층과 LSTM(Long-Short Term Memory) 순환 신경망 계층이 혼합된 형태로 구성되는 것을 포함하고,상기 인코더의 FC 신경망 계층은, 아핀 변환(affine transformation)과 ReLU(Rectifed Linear Unit) 활성화 함수로 구성되고, 데이터의 차원을 일치시키고 상기 자차와 상기 주변 차량간의 움직임과 관련된 관계 정보를 추출하고, 상기 인코더의 LSTM 순환 신경망 계층은 복수 개의 LSTM 순환 신경망이 연결된 구조로 구성되고, 상기 복수 개의 LSTM 에서 입력 시퀀스에 대한 재귀적 연산을 수행함에 따라 각각의 셀 벡터를 획득하는 것을 특징으로 하는 경로 예측 방법
|
2 |
2
제1항에 있어서,상기 시퀀스 정보를 분석하는 단계는,상기 인코더에서, 자차 또는 자차와 주변에 존재하는 주변 차량의 주행 데이터에 기반하여 딥 러닝 학습을 수행함에 따라 자차의 운전 상태 정보 및 주변 차량의 이동 경로 정보를 포함하는 시퀀스 정보를 분석하는 단계를 포함하는 경로 예측 방법
|
3 |
3
제2항에 있어서,상기 시퀀스 정보를 분석하는 단계는,상기 자차 또는 상기 주변 차량의 센서로부터 수집된 상기 자차의 속력, 상기 자차의 조향 각속도, 상기 주변 차량의 상대 좌표 및 상기 주변 차량의 상대 속도를 포함하는 주행 데이터가 입력되고, 상기 입력된 상기 자차의 속력, 상기 자차의 조향 각속도, 상기 주변 차량의 상대 좌표 및 상기 주변 차량의 상대 속도에 기초하여 시퀀스 정보를 분석함에 따라 상기 차량 또는 상기 주변 차량간 패턴 정보를 추출 및 요약하는 단계 를 포함하는 경로 예측 방법
|
4 |
4
삭제
|
5 |
5
제1항에 있어서,상기 주변 차량의 미래 경로를 예측하는 단계는,상기 디코더에서, 상기 시퀀스 정보를 분석함에 따라 요약된 요약 시퀀스로부터 빔 탐색에 기반한 재귀적 연산을 기 설정된 예측 시간에 도달할 때까지 반복하여 출력 시퀀스를 생성하고, 상기 생성된 출력 시퀀스에 기반하여 기 설정된 가능성 이상의 가설을 출력하는 단계를 포함하는 경로 예측 방법
|
6 |
6
인코더 및 디코더를 포함하는 경로 예측 시스템에 의해 수행되는 경로 예측 방법에 있어서,상기 인코더에서, 자차 또는 자차와 주변에 존재하는 주변 차량의 주행 데이터에 기반하여 시퀀스 정보를 분석하는 단계; 및 상기 디코더에서, 상기 시퀀스 정보를 분석한 분석 결과를 빔 서치(beam search)를 적용하여 주변 차량의 미래 경로를 예측하는 단계를 포함하고,적어도 하나 이상의 순환 신경망 구조로 구성된 결합형 순환 신경망에 기반하여 각각 딥 러닝 학습이 수행되는 것을 포함하고,상기 주변 차량의 미래 경로를 예측하는 단계는,상기 디코더에서, 상기 시퀀스 정보를 분석함에 따라 요약된 요약 시퀀스로부터 빔 탐색에 기반한 재귀적 연산을 기 설정된 예측 시간에 도달할 때까지 반복하여 출력 시퀀스를 생성하고, 상기 생성된 출력 시퀀스에 기반하여 기 설정된 가능성 이상의 가설을 출력하고, 상기 디코더가 적어도 하나 이상의 FC 신경망 계층, 적어도 하나 이상의 LSTM 순환 신경망 계층, 확률 분포의 계산을 위한 Softmax 계층 및 출력을 피드백하기 위한 임베딩 계층으로 구성되는 것을 포함하고,상기 디코더의 FC 신경망 계층과 LSTM 순환 신경망 계층에서 상기 인코더로부터 전달받은 복수 개의 셀 벡터를 사용하여 재귀적으로 계산한 출력값을 상기 Softmax 계층에 통과시킴에 따라 자차 또는 주변 차량이 점유 격자 지도(Occupancy Grid Map)를 점유하는 조건부 확률로 표현되고, 상기 조건부 확률을 기반으로 빔 탐색을 적용하여 자차 또는 주변 차량의 위치에 대한 기 설정된 개수의 후보를 선정하고, 상기 선정된 후보를 상기 임베딩 계층을 통하여 피드백하는 단계를 포함하는 경로 예측 방법
|
7 |
7
제6항에 있어서,상기 주변 차량의 미래 경로를 예측하는 단계는,상기 디코더의 상기 임베딩 계층에서 상기 점유 격자 지도의 종축과 횡축의 격자 수에 대응하는 복수 개의 행렬로 구성되고, 상기 빔 탐색에 기초하여 선정된 격자 좌표에 대응하는 열 벡터를 각각의 행렬로부터 추출한 후, 상기 추출된 열 벡터를 결합(vector concatenation)하여 상기 디코더의 LSTM 순환 신경망 계층의 입력으로 피드백하는 단계를 포함하는 경로 예측 방법
|
8 |
8
경로 예측 시스템에 있어서,자차 또는 자차와 주변에 존재하는 주변 차량의 주행 데이터에 기반하여 시퀀스 정보를 분석하는 인코더; 및 상기 시퀀스 정보를 분석한 분석 결과를 빔 서치(beam search)를 적용하여 주변 차량의 미래 경로를 예측하는 디코더를 포함하고,적어도 하나 이상의 순환 신경망 구조로 구성된 결합형 순환 신경망에 기반하여 각각 딥 러닝 학습이 수행되는 것을 포함하고,상기 인코더는, 상기 인코더가 FC(Fully-Connected) 신경망 계층과 LSTM(Long-Short Term Memory) 순환 신경망 계층이 혼합된 형태로 구성되는 것을 포함하고,상기 인코더의 FC 신경망 계층은, 아핀 변환(affine transformation)과 ReLU(Rectifed Linear Unit) 활성화 함수로 구성되고, 데이터의 차원을 일치시키고 상기 자차와 상기 주변 차량간의 움직임과 관련된 관계 정보를 추출하고, 상기 인코더의 LSTM 순환 신경망 계층은 복수 개의 LSTM 순환 신경망이 연결된 구조로 구성되고, 상기 복수 개의 LSTM 에서 입력 시퀀스에 대한 재귀적 연산을 수행함에 따라 각각의 셀 벡터를 획득하는 것을 특징으로 하는 경로 예측 시스템
|
9 |
9
제8항에 있어서,상기 인코더는, 상기 인코더에서, 자차 또는 자차와 주변에 존재하는 주변 차량의 주행 데이터에 기반하여 딥 러닝 학습을 수행함에 따라 자차의 운전 상태 정보 및 주변 차량의 이동 경로 정보를 포함하는 시퀀스 정보를 분석하는 것을 특징으로 하는 경로 예측 시스템
|
10 |
10
제9항에 있어서,상기 인코더는, 상기 자차 또는 상기 주변 차량의 센서로부터 수집된 상기 자차의 속력, 상기 자차의 조향 각속도, 상기 주변 차량의 상대 좌표 및 상기 주변 차량의 상대 속도를 포함하는 주행 데이터가 입력되고, 상기 입력된 상기 자차의 속력, 상기 자차의 조향 각속도, 상기 주변 차량의 상대 좌표 및 상기 주변 차량의 상대 속도에 기초하여 시퀀스 정보를 분석함에 따라 상기 차량 또는 상기 주변 차량간 패턴 정보를 추출 및 요약하는 것을 특징으로 하는 경로 예측 시스템
|
11 |
11
삭제
|
12 |
12
제8항에 있어서,상기 디코더는, 상기 시퀀스 정보를 분석함에 따라 요약된 요약 시퀀스로부터 빔 탐색에 기반한 재귀적 연산을 기 설정된 예측 시간에 도달할 때까지 반복하여 출력 시퀀스를 생성하고, 상기 생성된 출력 시퀀스에 기반하여 기 설정된 가능성 이상의 가설을 출력하는 것을 특징으로 하는 경로 예측 시스템
|
13 |
13
경로 예측 시스템에 있어서,자차 또는 자차와 주변에 존재하는 주변 차량의 주행 데이터에 기반하여 시퀀스 정보를 분석하는 인코더; 및 상기 시퀀스 정보를 분석한 분석 결과를 빔 서치(beam search)를 적용하여 주변 차량의 미래 경로를 예측하는 디코더를 포함하고,적어도 하나 이상의 순환 신경망 구조로 구성된 결합형 순환 신경망에 기반하여 각각 딥 러닝 학습이 수행되는 것을 포함하고,상기 디코더는, 상기 시퀀스 정보를 분석함에 따라 요약된 요약 시퀀스로부터 빔 탐색에 기반한 재귀적 연산을 기 설정된 예측 시간에 도달할 때까지 반복하여 출력 시퀀스를 생성하고, 상기 생성된 출력 시퀀스에 기반하여 기 설정된 가능성 이상의 가설을 출력하고, 상기 디코더가 적어도 하나 이상의 FC 신경망 계층, 적어도 하나 이상의 LSTM 순환 신경망 계층, 확률 분포의 계산을 위한 Softmax 계층 및 출력을 피드백하기 위한 임베딩 계층으로 구성되는 것을 포함하고,상기 디코더의 FC 신경망 계층과 LSTM 순환 신경망 계층에서 상기 인코더로부터 전달받은 복수 개의 셀 벡터를 사용하여 재귀적으로 계산한 출력값을 상기 Softmax 계층에 통과시킴에 따라 자차 또는 주변 차량이 점유 격자 지도(Occupancy Grid Map)를 점유하는 조건부 확률로 표현되고, 상기 조건부 확률을 기반으로 빔 탐색을 적용하여 자차 또는 주변 차량의 위치에 대한 기 설정된 개수의 후보를 선정하고, 상기 선정된 후보를 상기 임베딩 계층을 통하여 피드백하는것을 특징으로 하는 경로 예측 시스템
|
14 |
14
제13항에 있어서,상기 디코더는, 상기 디코더의 상기 임베딩 계층에서 상기 점유 격자 지도의 종축과 횡축의 격자 수에 대응하는 복수 개의 행렬로 구성되고, 상기 빔 탐색에 기초하여 선정된 격자 좌표에 대응하는 열 벡터를 각각의 행렬로부터 추출한 후, 상기 추출된 열 벡터를 결합(vector concatenation)하여 상기 디코더의 LSTM 순환 신경망 계층의 입력으로 피드백하는 것을 특징으로 하는 경로 예측 시스템
|