| 1 |
1
객체의 종류에 따라 분류된 클래스 중 오검출 객체에 의한 노이즈 클래스에 상응하는 데이터 셋을 포함하는 학습 데이터를 기반으로 딥러닝(DEEP LEARNING) 기반의 다중 객체 분류 모델을 학습시키는 단계;자율 주행 차량에 각각 구비된 라이다 센서(LiDAR SENSOR)와 카메라를 통해 포인트 클라우드(POINT CLOUD) 및 영상 데이터를 획득하는 단계;상기 영상 데이터에서 상기 포인트 클라우드를 기반으로 인식된 적어도 하나의 객체에 상응하는 크롭(CROP) 영상을 추출하여 상기 다중 객체 분류 모델로 입력하는 단계; 및상기 다중 객체 분류 모델에 의해 상기 적어도 하나의 객체 중 상기 노이즈 클래스로 분류된 오검출 객체를 제거하는 단계를 포함하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 방법
|
| 2 |
2
청구항 1에 있어서,상기 다중 객체 분류 모델은 상기 크롭 영상에 포함된 객체에 대한 클래스 별 확률 값을 출력하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 방법
|
| 3 |
3
청구항 2에 있어서,상기 제거하는 단계는상기 클래스 별 확률 값 중 상기 노이즈 클래스의 확률 값이 가장 큰 경우에 해당 객체의 클래스를 상기 노이즈 클래스로 분류하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 방법
|
| 4 |
4
청구항 2에 있어서,상기 다중 객체 분류 모델은상기 영상 데이터에 대한 제1 가중치 및 상기 포인트 클라우드에 대한 제2 가중치를 설정하고, 상기 제1 가중치와 상기 제2 가중치를 반영하여 상기 클래스 별 확률 값을 출력하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 방법
|
| 5 |
5
청구항 4에 있어서,상기 제1 가중치는 상기 제2 가중치보다 크게 설정되는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 방법
|
| 6 |
6
청구항 1에 있어서,상기 학습시키는 단계는상기 라이다 센서와 상기 카메라를 기반으로 학습용 포인트 클라우드 및 학습용 영상 데이터를 획득하는 단계;상기 학습용 포인트 클라우드 및 상기 학습용 영상 데이터를 이용하여 주석 데이터를 생성하는 단계; 및클래스 별로 분류된 상기 주석 데이터를 기반으로 상기 학습 데이터에 상응하는 학습 및 검증 데이터 셋을 생성하는 단계를 포함하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 방법
|
| 7 |
7
청구항 6에 있어서,상기 주석 데이터를 생성하는 단계는상기 학습용 포인트 클라우드를 기반으로 적어도 하나의 학습용 객체를 검출하고, 투영 행렬(PROJECTION MATRIX)을 이용하여 상기 적어도 하나의 학습용 객체를 상기 학습용 영상 데이터에 투영하여 상기 적어도 하나의 학습용 객체에 대한 2차원 이미지에 상응하게 상기 주석 데이터를 생성하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 방법
|
| 8 |
8
청구항 7에 있어서,상기 크롭 영상은상기 주석 데이터를 생성하는 과정에 상응하게 추출되는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 방법
|
| 9 |
9
청구항 1에 있어서,상기 라이다 센서와 상기 카메라를 캘리브레이션하는 단계를 더 포함하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 방법
|
| 10 |
10
청구항 9에 있어서,상기 캘리브레이션하는 단계는상기 라이다 센서와 상기 카메라를 동기화(SYNCHRONIZATION)하기 위해, 상기 라이다 센서의 레이저 빔이 상기 카메라의 화각(FIELD OF VIEW)의 중심을 지나는 순간에 상기 카메라의 조리개를 열어 영상을 획득하는 방식으로 캘리브레이션하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 방법
|
| 11 |
11
객체의 종류에 따라 분류된 클래스 중 오검출 객체에 의한 노이즈 클래스에 상응하는 데이터 셋을 포함하는 학습 데이터를 기반으로 딥러닝(DEEP LEARNING) 기반의 다중 객체 분류 모델을 학습시키고, 자율 주행 차량에 각각 구비된 라이다 센서(LiDAR SENSOR)와 카메라를 통해 포인트 클라우드(POINT CLOUD) 및 영상 데이터를 획득하고, 상기 영상 데이터에서 상기 포인트 클라우드를 기반으로 인식된 적어도 하나의 객체에 상응하는 크롭(CROP) 영상을 추출하여 상기 다중 객체 분류 모델로 입력하고, 상기 다중 객체 분류 모델에 의해 상기 적어도 하나의 객체 중 상기 노이즈 클래스로 분류된 오검출 객체를 제거하는 프로세서; 및상기 다중 객체 분류 모델을 저장하는 메모리를 포함하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 장치
|
| 12 |
12
청구항 11에 있어서,상기 다중 객체 분류 모델은 상기 크롭 영상에 포함된 객체에 대한 클래스 별 확률 값을 출력하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 장치
|
| 13 |
13
청구항 12에 있어서,상기 프로세서는상기 클래스 별 확률 값 중 상기 노이즈 클래스의 확률 값이 가장 큰 경우에 해당 객체의 클래스를 상기 노이즈 클래스로 분류하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 장치
|
| 14 |
14
청구항 12에 있어서,상기 다중 객체 분류 모델은상기 영상 데이터에 대한 제1 가중치 및 상기 포인트 클라우드에 대한 제2 가중치를 설정하고, 상기 제1 가중치와 상기 제2 가중치를 반영하여 상기 클래스 별 확률 값을 출력하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 장치
|
| 15 |
15
청구항 14에 있어서,상기 제1 가중치는 상기 제2 가중치보다 크게 설정되는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 장치
|
| 16 |
16
청구항 11에 있어서,상기 프로세서는상기 라이다 센서와 상기 카메라를 기반으로 학습용 포인트 클라우드 및 학습용 영상 데이터를 획득하고, 상기 학습용 포인트 클라우드 및 상기 학습용 영상 데이터를 이용하여 주석 데이터를 생성하고, 클래스 별로 분류된 상기 주석 데이터를 기반으로 상기 학습 데이터에 상응하는 학습 및 검증 데이터 셋을 생성하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 장치
|
| 17 |
17
청구항 16에 있어서,상기 프로세서는상기 학습용 포인트 클라우드를 기반으로 적어도 하나의 학습용 객체를 검출하고, 투영 행렬(PROJECTION MATRIX)을 이용하여 상기 적어도 하나의 학습용 객체를 상기 학습용 영상 데이터에 투영하여 상기 적어도 하나의 학습용 객체에 대한 2차원 이미지에 상응하게 상기 주석 데이터를 생성하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 장치
|
| 18 |
18
청구항 17에 있어서,상기 크롭 영상은상기 주석 데이터를 생성하는 과정에 상응하게 추출되는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 장치
|
| 19 |
19
청구항 11에 있어서,상기 프로세서는상기 라이다 센서와 상기 카메라는 캘리브레이션하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 장치
|
| 20 |
20
청구항 19에 있어서,상기 프로세서는상기 라이다 센서와 상기 카메라를 동기화(SYNCHRONIZATION)하기 위해, 상기 라이다 센서의 레이저 빔이 상기 카메라의 화각(FIELD OF VIEW)의 중심을 지나는 순간에 상기 카메라의 조리개를 열어 영상을 획득하는 방식으로 캘리브레이션하는 것을 특징으로 하는 자율 주행 시스템의 객체 인식 장치
|
