KR102545109B1

KR102545109B1 - 차량용 허위 타겟 제거 장치 및 그의 허위 타겟 제거 방법과 그를 포함하는 차량

Info

Publication number: KR102545109B1
Application number: KR1020180154448A
Authority: KR
Inventors: 유민균
Original assignee: 현대자동차주식회사; 기아 주식회사
Priority date: 2018-12-04
Filing date: 2018-12-04
Publication date: 2023-06-20
Anticipated expiration: 2038-12-04
Also published as: CN111352414B; US20200174488A1; CN111352414A; KR20200075911A

Abstract

센서퓨전 타겟으로부터 허위 타겟 여부를 판단하여 허위 타겟을 제거할 수 있는 차량용 허위 타겟 제거 장치 및 그의 허위 타겟 제거 방법과 그를 포함하는 차량에 관한 것으로, 센서퓨전 측정 정보를 수신하여 학습하는 학습부와, 현재 센서퓨전 측정 정보가 수신되면 학습부로부터 학습된 파라미터를 기반으로 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단하는 허위 판단부와, 허위 판단부로부터 판단된 결과값을 토대로 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성하는 센서퓨전 타겟 생성부를 포함할 수 있다.

Description

차량용 허위 타겟 제거 장치 및 그의 허위 타겟 제거 방법과 그를 포함하는 차량 {APPARATUS AND METHOD FOR REMOVING FALSE TARGET IN VEHICLE AND VEHICLE INCLUDING THE SAME}

본 발명은 차량용 허위 타겟 제거 장치에 관한 것으로, 더욱 상세하게는 센서퓨전 타겟으로부터 허위 타겟 여부를 판단하여 허위 타겟을 제거할 수 있는 차량용 허위 타겟 제거 장치 및 그의 허위 타겟 제거 방법과 그를 포함하는 차량에 관한 것이다

일반적으로, 차량에는 운전자 및 탑승자 보호와 운행 보조 및 승차감의 향상을 위한 다양한 시스템들이 탑재되고 있으며, 이러한 시스템들은 다양한 센서 및 정보통신기술을 활용하여 개량 발전되고 있다.

그 중에서도 카메라를 통한 영상 센서를 이용하여 차선을 인식하고 자동 조향을 수행하는 기술이 실용화되고 있다.

차량에 구비되는 영상 인식 처리장치는, 운행되는 도로 차선의 영상 정보와 후속 주행하는 차량에 관한 영상 정보 및 좌우 차선의 영상 정보를 검출한 후 표시수단을 통해 영상 정보를 디스플레이하여 운전자에게 편리한 차선의 인식과 운행되는 도로의 상황 및 주변 차량의 운행 정보를 제공할 수 있다.

또한, 최근에는 영상 센서 및 레이더를 통해 수집된 영상 정보 및 레이더 정보를 융합하여 필요한 정보를 추출해서 사용할 수 있는 센서 퓨전 시스템이 개발되고 있다.

이러한, 센서 퓨전 시스템은, 카메라를 이용하여 차선정보를 인식하고 차량의 자동 조향을 제어하는 자율주행시스템이나 차량의 스마트 크루즈 컨트롤 기능을 제공하기 위해 사용되고 있다.

하지만, 센서 퓨전 시스템은, 레이더의 속도 오류로 인하여 실제 고정물을 이동물로 판단하여 센서퓨전 타겟으로 생성할 수 있다.

이러한 현상은, 가드 레일 위나 도로 경계에서 센서퓨전 허위 타겟이 발생할 수 있는데, 이러한 현상의 원인은, 레이더에서 나오는 속도의 오류때문이다.

즉, 센서 퓨전 시스템은, 레이더에서 속도 오류가 발생할 경우, 센서 퓨전에서 이동물로 인지하여 센서퓨전 타겟을 생성할 수 있다.

이와 같이, 생성된 센서퓨전 타겟은, 허위 타겟이므로 차량 제어 또는 차량 인지 부분에서 문제가 발생할 수 있다.

따라서, 향후 센서퓨전 타겟으로부터 허위 타겟 여부를 판단하여 허위 타겟을 효율적으로 제거할 수 있는 차량용 허위 타겟 제거 장치의 개발이 요구되고 있다.

본 발명은 학습부로부터 학습된 파라미터를 기반으로 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단하여 허위 타겟 정보를 제거함으로써, 실제 센서퓨전의 허위 타겟 생성을 효율적으로 방지하고 센서퓨전의 신뢰성이 향상된 차량용 허위 타겟 제거 장치 및 그의 허위 타겟 제거 방법과 그를 포함하는 차량을 제공하는데 있다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 차량용 허위 타겟 제거 장치는, 센서퓨전 측정 정보를 수신하여 학습하는 학습부와, 현재 센서퓨전 측정 정보가 수신되면 학습부로부터 학습된 파라미터를 기반으로 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단하는 허위 판단부와, 허위 판단부로부터 판단된 결과값을 토대로 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성하는 센서퓨전 타겟 생성부를 포함할 수 있다.

또한, 본 발명 일 실시예에 따른 차량용 허위 타겟 제거 장치의 허위 타겟 제거 방법은, 센서퓨전 측정 정보를 수신하는 단계와, 수신한 센서퓨전 측정 정보를 학습하는 단계와, 학습된 파라미터를 기반으로 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단하는 단계와, 현재 센서퓨전 측정 정보가 허위이면 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성하는 단계를 포함할 수 있다.

또한, 본 발명의 일 실시예에 따른 차량용 허위 타겟 제거 장치의 허위 타겟 제거 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체는, 상기 허위 타겟 제거 방법에서 제공된 과정을 수행할 수 있다.

한편, 본 발명의 일 실시예에 따른 차량은, 타겟을 센싱하는 센서 퓨전 장치와, 센서 퓨전 장치에 통신 연결되어 타겟에 대한 허위 타겟 정보를 제거하는 허위 타겟 제거 장치를 포함하고, 허위 타겟 제거 장치는, 센서퓨전 측정 정보를 수신하여 학습하는 학습부와, 현재 센서퓨전 측정 정보가 수신되면 학습부로부터 학습된 파라미터를 기반으로 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단하는 허위 판단부와, 허위 판단부로부터 판단된 결과값을 토대로 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성하는 센서퓨전 타겟 생성부를 포함할 수 있다.

상기와 같이 구성되는 본 발명의 적어도 하나의 실시예에 관련된 차량용 허위 타겟 제거 장치 및 그의 허위 타겟 제거 방법과 그를 포함하는 차량은, 학습부로부터 학습된 파라미터를 기반으로 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단하여 허위 타겟 정보를 제거함으로써, 실제 센서퓨전의 허위 타겟 생성을 효율적으로 방지하고 센서퓨전의 신뢰성을 향상시킬 수 있는 효과를 제공한다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 차량용 허위 타겟 제거 장치를 설명하기 위한 블럭 구성도이다.
도 2는 도 1의 허위 타겟 제거 과정을 설명하기 위한 도면이다.
도 3은 도 2의 학습 과정을 설명하기 위한 도면이다.
도 4는 도 2의 허위 여부 판단 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 허위 타겟 제거 방법을 설명하기 위한 흐름도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서 전체에 걸쳐서 동일한 참조번호로 표시된 부분들은 동일한 구성요소들을 의미한다.

이하, 도 1 내지 도 5를 참조하여 본 발명의 실시예들에 적용될 수 있는 차량용 허위 타겟 제거 장치 및 그의 허위 타겟 제거 방법과 그를 포함하는 차량에 대해 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 차량용 허위 타겟 제거 장치를 설명하기 위한 블럭 구성도이다.

도 1에 도시된 바와 같이, 차량용 허위 타겟 제거 장치는, 센서퓨전 측정 정보를 수신하여 학습하는 학습부(100), 현재 센서퓨전 측정 정보가 수신되면 학습부(100)로부터 학습된 파라미터를 기반으로 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단하는 허위 판단부(200), 그리고 허위 판단부(200)로부터 판단된 결과값을 토대로 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성하는 센서퓨전 타겟 생성부(300)를 포함할 수 있다.

여기서, 학습부(100)는, 센서퓨전 측정 정보를 수신할 때, 자차의 레이더로부터 수신할 수 있다.

그리고, 학습부(100)는, 센서퓨전 측정 정보를 학습할 때, 횡 상대 속도 정보, 종 상대 속도 정보, 횡 위치 정보, 종 위치 정보, 절대 속도 정보, 종 상대 가속도 정보, 헤딩 각도 정보, 수신 파워 세기 정보 중 적어도 어느 하나를 학습할 수 있다.

일 예로, 절대 속도 정보는, 자차의 속도 정보를 토대로 연산된 값일 수 있다.

일 예로, 헤딩 각도 정보는, 레이더로부터 수신되는 횡 상대 속도 정보 및 종 상대 속도 정보를 토대로 연산된 값일 수 있다.

경우에 따라, 학습부(100)는, 센서퓨전 측정 정보를 학습할 때, 허위 플래그 정보를 더 학습할 수도 있다.

다음, 학습부(100)는, 센서퓨전 측정 정보를 학습할 때, DNN(Deep Neural Network) 학습 방법을 토대로 학습을 수행할 수 있다.

이어, 학습부(100)는, 센서퓨전 측정 정보를 학습할 때, 수신한 센서 퓨전 측정 정보로부터 레이더의 센서 값 및 자차의 특징점을 추출하고, 추출한 특징점을 학습할 수 있다.

여기서, 학습부(100)는, 특징점을 추출할 때, 횡 상대 속도, 종 상대 속도, 횡 위치, 종 위치, 절대 속도, 종 상대 가속도, 헤딩 각도, 수신 파워 세기 중 적어도 어느 하나를 추출할 수 있다.

그리고, 학습부(100)는, 추출한 특징점을 학습할 때, 횡 상대 속도, 종 상대 속도, 횡 위치, 종 위치, 절대 속도, 종 상대 가속도, 헤딩 각도, 수신 파워 세기 중 적어도 어느 하나를 학습할 수 있다.

경우에 따라, 학습부(100)는, 추출한 특징점을 학습할 때, 허위 플래그 정보를 더 학습할 수도 있다.

여기서, 학습부(100)는, 추출한 특징점을 학습할 때, DNN(Deep Neural Network) 학습 방법을 토대로 학습을 수행할 수 있다.

다음, 허위 판단부(200)는, 현재 센서퓨전 측정 정보가 수신되면 레이더의 센서 값 및 자차의 특징점을 추출하고, 추출한 특징점에 상응하는 학습 파라미터를 토대로 특징점의 입력 값에 대한 허위 여부를 판단하며, 판단 결과에 따라 특징점의 입력 값에 대한 허위 플래그 값을 연산하고, 연산된 허위 플래그 값에 따라 특징점의 입력 값을 분류할 수 있다.

여기서, 허위 판단부(200)는, 특징점을 추출할 때, 횡 상대 속도, 종 상대 속도, 횡 위치, 종 위치, 절대 속도, 종 상대 가속도, 헤딩 각도, 수신 파워 세기 중 적어도 어느 하나를 추출할 수 있다.

그리고, 허위 판단부(200)는, 특징점의 입력 값에 대한 허위 여부를 판단할 때, 미리 설정된 판단 기준값을 토대로 특징점의 입력 값에 대한 허위 여부를 판단할 수 있다.

일 예로, 판단 기준값은, 허위일 확률값 0.5일 수 있는데, 이에 한정되지는 않는다.

이어, 허위 판단부(200)는, 허위 플래그 값을 연산할 때, 특징점의 입력 값을 허위로 판단하면 허위 플래그 값을 1로 연산하고, 특징점의 입력 값을 허위로 판단하지 않으면 허위 플래그 값을 0으로 연산할 수 있는데, 이에 한정되는 것은 아니다.

다음, 센서퓨전 타겟 생성부(300)는, 센서퓨전 타겟을 생성할 때, 허위 판단부(200)로부터 수신되는 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인하고, 허위 플래그 값이 허위이면 상응하는 센서퓨전 측정 정보를 허위 타겟 정보로 인지하며, 인지한 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성할 수 있다.

여기서, 센서퓨전 타겟 생성부(300)는, 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인할 때, 레이더의 센서 값 및 자차의 특징점의 입력 값에 대한 허위 플래그 값을 확인할 수 있다.

일 예로, 센서퓨전 타겟 생성부(300)는, 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인할 때, 허위 플래그 값이 1이면 상응하는 센서퓨전 측정 정보를 허위 타겟 정보로 인지하고, 허위 플래그 값이 0이면 상응하는 센서퓨전 측정 정보를 실제 타겟 정보로 인지할 수 있다.

여기서, 센서퓨전 타겟 생성부(300)는, 허위 판단부(200)로부터 수신되는 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인할 때, 허위 플래그 값이 허위가 아니면 센서퓨전 측정 정보를 실제 타겟 정보로 인지하여 센서퓨전 타겟을 생성할 수 있다.

그리고, 센서퓨전 타겟 생성부(300)는, 센서퓨전 측정 정보를 실제 타겟 정보로 인지하여 센서퓨전 타겟을 생성할 때, 허위 플래그 값이 허위가 아닌 센서퓨전 측정 정보가 연속적으로 판단되면 상응하는 센서퓨전 측정 정보를 실제 타겟 정보로 인지하여 센서퓨전 타겟을 생성할 수 있다.

일 예로, 센서퓨전 타겟 생성부(300)는, 허위 플래그 값이 허위가 아닌 센서퓨전 측정 정보가 적어도 3회 이상 연속적으로 판단될 때, 상응하는 센서퓨전 측정 정보를 실제 타겟 정보로 인지할 수 있다.

이와 같이, 본 발명은, 학습부로부터 학습된 파라미터를 기반으로 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단하여 허위 타겟 정보를 제거함으로써, 실제 센서퓨전의 허위 타겟 생성을 효율적으로 방지하고 센서퓨전의 신뢰성을 향상시킬 수 있다.

도 2는 도 1의 허위 타겟 제거 과정을 설명하기 위한 도면이고, 도 3은 도 2의 학습 과정을 설명하기 위한 도면이며, 도 4는 도 2의 허위 여부 판단 과정을 설명하기 위한 도면이다.

도 2 및 도 3에 도시된 바와 같이, 본 발명의 학습부(100)는, 센서퓨전 측정 정보를 수신하여 학습할 수 있다.

즉, 학습부(100)는, 레이더의 센서 값 및 자차의 특징점을 추출하여 DNN(Deep Neural Network)으로 학습을 수행할 수 있다(110).

일 예로, 학습부(100)는, 센서퓨전 측정 정보를 수신할 때, 자차의 레이더로부터 수신할 수 있다.

그리고, 학습부(100)는, 센서퓨전 측정 정보를 학습할 때, 횡 상대 속도 정보, 종 상대 속도 정보, 횡 위치 정보, 종 위치 정보, 절대 속도 정보, 종 상대 가속도 정보, 헤딩 각도 정보, 수신 파워 세기 정보, 허위 플래그 정보 중 적어도 어느 하나를 학습할 수 있다.

여기서, 절대 속도 정보는, 자차의 속도 정보를 토대로 연산된 값일 수 있고, 헤딩 각도 정보는, 레이더로부터 수신되는 횡 상대 속도 정보 및 종 상대 속도 정보를 토대로 연산된 값일 수 있는데, 이에 한정되는 것은 아니다.

여기서, 학습부(100)는, 특징점을 추출할 때, 횡 상대 속도, 종 상대 속도, 횡 위치, 종 위치, 절대 속도, 종 상대 가속도, 헤딩 각도, 수신 파워 세기, 허위 플래그 정보 중 적어도 어느 하나를 추출할 수 있다.

이처럼, 학습부(100)는, DNN(Deep Neural Network) 학습 방법을 토대로 학습을 수행하여 학습 파라미터를 추출한 후에 분류기(220) 연산 블록을 구성할 수 있다.

도 2 및 도 4에 도시된 바와 같이, 허위 판단부(200)는, 현재 센서퓨전 측정 정보가 수신되면 학습부(100)로부터 학습된 파라미터를 기반으로 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단할 수 있다.

즉, 허위 판단부(200)는, 현재 센서퓨전 측정 정보가 수신되면 레이더의 센서 값 및 자차의 특징점을 추출할 수 있다(210).

이어, 허위 판단부(200)는, 추출한 특징점에 상응하는 학습 파라미터를 토대로 특징점의 입력 값에 대한 허위 여부를 판단할 수 있다(220).

여기서, 허위 판단부(200)는, 특징점의 입력 값에 대한 허위 여부를 판단할 때, 미리 설정된 판단 기준값을 토대로 특징점의 입력 값에 대한 허위 여부를 판단할 수 있다.

다음, 허위 판단부(200)는, 판단 결과에 따라 특징점의 입력 값에 대한 허위 플래그 값을 연산하고, 연산된 허위 플래그 값에 따라 특징점의 입력 값을 분류할 수 있다(230).

여기서, 허위 판단부(200)는, 허위 플래그 값을 연산할 때, 특징점의 입력 값을 허위로 판단하면 허위 플래그 값을 1로 연산하고, 특징점의 입력 값을 허위로 판단하지 않으면 허위 플래그 값을 0으로 연산할 수 있는데, 이에 한정되는 것은 아니다.

다음, 센서퓨전 타겟 생성부(300)는, 허위 판단부(200)로부터 판단된 결과값을 토대로 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성할 수 있다.

여기서, 센서퓨전 타겟 생성부(300)는, 센서퓨전 타겟을 생성할 때, 허위 판단부(200)로부터 수신되는 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인하고, 허위 플래그 값이 허위이면 상응하는 센서퓨전 측정 정보를 허위 타겟 정보로 인지하며, 인지한 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성할 수 있다.

센서퓨전 타겟 생성부(300)는, 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인할 때, 레이더의 센서 값 및 자차의 특징점의 입력 값에 대한 허위 플래그 값을 확인할 수 있다.

센서퓨전 타겟 생성부(300)는, 허위 판단부(200)로부터 수신되는 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인할 때, 허위 플래그 값이 허위가 아니면 센서퓨전 측정 정보를 실제 타겟 정보로 인지하여 센서퓨전 타겟을 생성할 수 있다.

이처럼, 센서퓨전 타겟 생성부(300)는, 분류기에서 분류된 파라미터를 추출하고 실시간으로 센서퓨전 로직에 내재화할 수 있다.

그리고, 센서퓨전 타겟 생성부(300)는, 센서퓨젼 로직 중 전처리 부분에 분류기에서 추출된 파라미터를 이용한 부분을 추가하여 실시간으로 측정되는 레이더 타겟의 허위 타겟 유무를 판단할 수 있다.

이어, 센서퓨전 타겟 생성부(300)는, 타겟 생성 부분에서 전처리의 결과 중 레이더 타겟이 허위 플래그가 1인 경우는 센서퓨젼 타겟 생성에서 제외한다.

여기서, 센서퓨전 타겟 생성부(300)는, 타겟 생성 시, 연속적인 타겟의 유효성이 판단되어야 하고, 실제 타겟으로 생성되는 부분에서 허위 플래그 때문에 연속성이 성립되지 않으면, 타겟이 생성되지 않는다.

도 5는 본 발명의 일 실시예에 따른 허위 타겟 제거 방법을 설명하기 위한 흐름도이다.

도 5에 도시된 바와 같이, 본 발명은, 센서퓨전 측정 정보를 수신할 수 있다(S10).

여기서, 센서퓨전 측정 정보는, 자차의 레이더로부터 수신할 수 있다.

그리고, 본 발명은, 수신한 센서퓨전 측정 정보를 학습할 수 있다(S20).

여기서, 본 발명은, 횡 상대 속도 정보, 종 상대 속도 정보, 횡 위치 정보, 종 위치 정보, 절대 속도 정보, 종 상대 가속도 정보, 헤딩 각도 정보, 수신 파워 세기 정보 중 적어도 어느 하나를 학습할 수 있다.

경우에 따라, 본 발명은, 허위 플래그 정보를 더 학습할 수도 있다.

이때, 절대 속도 정보는, 자차의 속도 정보를 토대로 연산된 값일 수 있는데, 이에 한정되지는 않는다.

그리고, 헤딩 각도 정보는, 레이더로부터 수신되는 횡 상대 속도 정보 및 종 상대 속도 정보를 토대로 연산된 값일 수 있는데, 이에 한정되지는 않는다.

또한, 일 예로, 본 발명은, 센서퓨전 측정 정보를 학습할 때, DNN(Deep Neural Network) 학습 방법을 토대로 학습을 수행할 수 있다.

본 발명에서, 센서퓨전 측정 정보를 학습하는 단계는, 수신한 센서퓨전 측정 정보로부터 레이더의 센서 값 및 자차의 특징점을 추출하는 단계와, 추출한 특징점을 학습하는 단계를 포함할 수 있다.

여기서, 특징점을 추출하는 단계는, 횡 상대 속도, 종 상대 속도, 횡 위치, 종 위치, 절대 속도, 종 상대 가속도, 헤딩 각도, 수신 파워 세기 중 적어도 어느 하나를 추출할 수 있다.

그리고, 추출한 특징점을 학습하는 단계는, 횡 상대 속도, 종 상대 속도, 횡 위치, 종 위치, 절대 속도, 종 상대 가속도, 헤딩 각도, 수신 파워 세기 중 적어도 어느 하나를 학습할 수 있다.

여기서, 추출한 특징점을 학습하는 단계는, 허위 플래그 정보를 더 학습할 수도 있다.

일 예로, 추출한 특징점을 학습하는 단계는, DNN(Deep Neural Network) 학습 방법을 토대로 학습을 수행할 수 있다.

다음, 본 발명은, 학습된 파라미터를 기반으로 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단할 수 있다(S30).

본 발명은, 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단할 때, 현재 센서퓨전 측정 정보가 수신되면 레이더의 센서 값 및 자차의 특징점을 추출하는 단계와, 추출한 특징점에 상응하는 학습 파라미터를 토대로 특징점의 입력 값에 대한 허위 여부를 판단하는 단계와, 판단 결과에 따라 특징점의 입력 값에 대한 허위 플래그 값을 연산하는 단계와, 연산된 허위 플래그 값에 따라 특징점의 입력 값을 분류하는 단계를 포함할 수 있다.

그리고, 특징점의 입력 값에 대한 허위 여부를 판단하는 단계는, 미리 설정된 판단 기준값을 토대로 특징점의 입력 값에 대한 허위 여부를 판단할 수 있다.

이어, 허위 플래그 값을 연산하는 단계는, 특징점의 입력 값을 허위로 판단하면 허위 플래그 값을 1로 연산하고, 특징점의 입력 값을 허위로 판단하지 않으면 허위 플래그 값을 0으로 연산할 수 있다.

다음, 본 발명은, 현재 센서퓨전 측정 정보가 허위이면 허위 타겟 정보를 제거하여(S40) 센서퓨전 타겟을 생성할 수 있다(S50).

본 발명은, 센서퓨전 타겟을 생성할 때, 수신되는 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인하는 단계와, 허위 플래그 값이 허위이면 상응하는 센서퓨전 측정 정보를 허위 타겟 정보로 인지하는 단계와, 인지한 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성하는 단계를 포함할 수 있다.

여기서, 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인하는 단계는, 레이더의 센서 값 및 자차의 특징점의 입력 값에 대한 허위 플래그 값을 확인할 수 있다.

또한, 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인하는 단계는, 허위 플래그 값이 1이면 상응하는 센서퓨전 측정 정보를 허위 타겟 정보로 인지하고, 허위 플래그 값이 0이면 상응하는 센서퓨전 측정 정보를 실제 타겟 정보로 인지할 수 있다.

또한, 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인하는 단계는, 허위 플래그 값이 허위가 아니면 센서퓨전 측정 정보를 실제 타겟 정보로 인지하여 센서퓨전 타겟을 생성할 수 있다.

여기서, 센서퓨전 측정 정보를 실제 타겟 정보로 인지하여 센서퓨전 타겟을 생성하는 단계는, 허위 플래그 값이 허위가 아닌 센서퓨전 측정 정보가 연속적으로 판단되면 상응하는 센서퓨전 측정 정보를 실제 타겟 정보로 인지하여 센서퓨전 타겟을 생성할 수 있다.

일 예로, 센서퓨전 측정 정보를 실제 타겟 정보로 인지하여 센서퓨전 타겟을 생성하는 단계는, 허위 플래그 값이 허위가 아닌 센서퓨전 측정 정보가 적어도 3회 이상 연속적으로 판단될 때, 상응하는 센서퓨전 측정 정보를 실제 타겟 정보로 인지할 수 있다.

또한, 본 발명은, 차량용 허위 타겟 제거 장치의 허위 타겟 제거 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체로서, 본 발명의 실시예에 따른 허위 타겟 제거 방법에서 제공된 과정을 수행할 수 있다.

즉, 본 발명은, 센서가 측정하는 값의 오차를 분석하기가 힘들기 때문에 최종 센서퓨전 타겟에서 허위 타겟을 DNN을 이용하여 허위 타겟인지 아닌지를 판단하고, 센서퓨전에서 타겟을 생성하는 부분의 로직을 DNN의 결과값을 사용하여 수행해서 센서퓨전 로직에서 허위 타겟의 생성을 방지한다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.

따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

100: 학습부
200: 허위 판단부
300: 센서퓨전 타겟 생성부

Claims

센서퓨전 측정 정보를 수신하여 레이더의 센서 값 및 자차의 특징점과 허위 정보를 포함한 학습 데이터를 이용해 딥러닝 학습을 수행하는 학습부;
현재 센서퓨전 측정 정보가 수신되면 상기 딥러닝 학습된 학습부로부터 그 학습된 파라미터를 기반으로 상기 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단하는 허위 판단부; 그리고,
상기 허위 판단부로부터 판단된 결과값을 토대로 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성하는 센서퓨전 타겟 생성부를 포함하는 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
제1 항에 있어서, 상기 학습부는,
상기 센서퓨전 측정 정보를 수신할 때, 자차의 레이더로부터 수신하는 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
제1 항에 있어서, 상기 학습부는,
상기 센서퓨전 측정 정보를 학습할 때, 횡 상대 속도 정보, 종 상대 속도 정보, 횡 위치 정보, 종 위치 정보, 절대 속도 정보, 종 상대 가속도 정보, 헤딩 각도 정보, 수신 파워 세기 정보 중 적어도 어느 하나를 상기 학습 데이터로 포함하는 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
제3 항에 있어서, 상기 절대 속도 정보는,
자차의 속도 정보를 토대로 연산된 값인 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
제3 항에 있어서, 상기 헤딩 각도 정보는,
레이더로부터 수신되는 횡 상대 속도 정보 및 종 상대 속도 정보를 토대로 연산된 값인 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
삭제
삭제
제1 항에 있어서, 상기 허위 판단부는,
상기 현재 센서퓨전 측정 정보가 수신되면 레이더의 센서 값 및 자차의 특징점을 추출하고, 상기 추출한 특징점에 상응하는 학습 파라미터를 토대로 상기 특징점의 입력 값에 대한 허위 여부를 판단하며, 상기 판단 결과에 따라 상기 특징점의 입력 값에 대한 허위 플래그 값을 연산하고, 상기 연산된 허위 플래그 값에 따라 상기 특징점의 입력 값을 분류하는 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
제8 항에 있어서, 상기 허위 판단부는,
상기 특징점을 추출할 때, 횡 상대 속도, 종 상대 속도, 횡 위치, 종 위치, 절대 속도, 종 상대 가속도, 헤딩 각도, 수신 파워 세기 중 적어도 어느 하나를 추출하는 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
제8 항에 있어서, 상기 허위 판단부는,
상기 특징점의 입력 값에 대한 허위 여부를 판단할 때, 미리 설정된 판단 기준값을 토대로 상기 특징점의 입력 값에 대한 허위 여부를 판단하는 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
제8 항에 있어서, 상기 허위 판단부는,
상기 허위 플래그 값을 연산할 때, 상기 특징점의 입력 값을 허위로 판단하면 상기 허위 플래그 값을 1로 연산하고, 상기 특징점의 입력 값을 허위로 판단하지 않으면 상기 허위 플래그 값을 0으로 연산하는 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
제1 항에 있어서, 상기 센서퓨전 타겟 생성부는,
상기 센서퓨전 타겟을 생성할 때, 상기 허위 판단부로부터 수신되는 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인하고, 상기 허위 플래그 값이 허위이면 상응하는 센서퓨전 측정 정보를 허위 타겟 정보로 인지하며, 상기 인지한 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성하는 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
제12 항에 있어서, 상기 센서퓨전 타겟 생성부는,
상기 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인할 때, 레이더의 센서 값 및 자차의 특징점의 입력 값에 대한 허위 플래그 값을 확인하는 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
제12 항에 있어서, 상기 센서퓨전 타겟 생성부는,
상기 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인할 때, 상기 허위 플래그 값이 1이면 상기 상응하는 센서퓨전 측정 정보를 허위 타겟 정보로 인지하고, 상기 허위 플래그 값이 0이면 상기 상응하는 센서퓨전 측정 정보를 실제 타겟 정보로 인지하는 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
제12 항에 있어서, 상기 센서퓨전 타겟 생성부는,
상기 허위 판단부로부터 수신되는 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인할 때, 상기 허위 플래그 값이 허위가 아니면 상기 센서퓨전 측정 정보를 실제 타겟 정보로 인지하여 센서퓨전 타겟을 생성하는 것을 특징으로 하는 차량용 허위 타겟 제거 장치.
센서퓨전 측정 정보를 수신하는 단계;
상기 수신한 센서퓨전 측정 정보의 레이더의 센서 값 및 자차의 특징점과 허위 정보를 포함한 학습 데이터를 이용해 딥러닝 학습을 수행하는 단계;
상기 딥러닝 학습된 파라미터를 기반으로 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단하는 단계; 그리고,
상기 현재 센서퓨전 측정 정보가 허위이면 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성하는 단계를 포함하는 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
제16 항에 있어서, 상기 센서퓨전 측정 정보를 수신하는 단계는,
상기 센서퓨전 측정 정보를 자차의 레이더로부터 수신하는 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
제16 항에 있어서, 상기 센서퓨전 측정 정보를 학습하는 단계는,
횡 상대 속도 정보, 종 상대 속도 정보, 횡 위치 정보, 종 위치 정보, 절대 속도 정보, 종 상대 가속도 정보, 헤딩 각도 정보, 수신 파워 세기 정보 중 적어도 어느 하나를 상기 학습 데이터로 포함해 학습하는 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
제18 항에 있어서, 상기 절대 속도 정보는,
자차의 속도 정보를 토대로 연산된 값인 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
제18 항에 있어서, 상기 헤딩 각도 정보는,
레이더로부터 수신되는 횡 상대 속도 정보 및 종 상대 속도 정보를 토대로 연산된 값인 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
삭제
삭제
제16 항에 있어서, 상기 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단하는 단계는,
상기 현재 센서퓨전 측정 정보가 수신되면 레이더의 센서 값 및 자차의 특징점을 추출하는 단계;
상기 추출한 특징점에 상응하는 학습 파라미터를 토대로 상기 특징점의 입력 값에 대한 허위 여부를 판단하는 단계;
상기 판단 결과에 따라 상기 특징점의 입력 값에 대한 허위 플래그 값을 연산하는 단계; 그리고,
상기 연산된 허위 플래그 값에 따라 상기 특징점의 입력 값을 분류하는 단계를 포함하는 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
제23 항에 있어서, 상기 특징점을 추출하는 단계는,
횡 상대 속도, 종 상대 속도, 횡 위치, 종 위치, 절대 속도, 종 상대 가속도, 헤딩 각도, 수신 파워 세기 중 적어도 어느 하나를 추출하는 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
제23 항에 있어서, 상기 특징점의 입력 값에 대한 허위 여부를 판단하는 단계는,
미리 설정된 판단 기준값을 토대로 상기 특징점의 입력 값에 대한 허위 여부를 판단하는 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
제23 항에 있어서, 상기 허위 플래그 값을 연산하는 단계는,
상기 특징점의 입력 값을 허위로 판단하면 상기 허위 플래그 값을 1로 연산하고, 상기 특징점의 입력 값을 허위로 판단하지 않으면 상기 허위 플래그 값을 0으로 연산하는 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
제16 항에 있어서, 상기 센서퓨전 타겟을 생성하는 단계는,
상기 수신되는 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인하는 단계;
상기 허위 플래그 값이 허위이면 상응하는 센서퓨전 측정 정보를 허위 타겟 정보로 인지하는 단계;
상기 인지한 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성하는 단계를 포함하는 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
제27 항에 있어서, 상기 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인하는 단계는,
레이더의 센서 값 및 자차의 특징점의 입력 값에 대한 허위 플래그 값을 확인하는 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
제27 항에 있어서, 상기 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인하는 단계는,
상기 허위 플래그 값이 1이면 상기 상응하는 센서퓨전 측정 정보를 허위 타겟 정보로 인지하고, 상기 허위 플래그 값이 0이면 상기 상응하는 센서퓨전 측정 정보를 실제 타겟 정보로 인지하는 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
제27 항에 있어서, 상기 센서퓨전 측정 정보에 대한 허위 플래그 값을 확인하는 단계는,
상기 허위 플래그 값이 허위가 아니면 상기 센서퓨전 측정 정보를 실제 타겟 정보로 인지하여 센서퓨전 타겟을 생성하는 것을 특징으로 하는 차량용 허위 타겟 제거 방법.
제16 항 내지 제20 항 및 제23 항 내지 제30 항 중 어느 한 항에 기재된 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
타겟을 센싱하는 센서 퓨전 장치; 그리고,
상기 센서 퓨전 장치에 통신 연결되어 상기 타겟에 대한 허위 타겟 정보를 제거하는 허위 타겟 제거 장치를 포함하고,
상기 허위 타겟 제거 장치는,
센서퓨전 측정 정보를 수신하여 레이더의 센서 값 및 자차의 특징점과 허위 정보를 포함한 학습 데이터를 이용해 딥러닝 학습을 수행하는 학습부;
현재 센서퓨전 측정 정보가 수신되면 상기 딥러닝 학습된 학습부로부터 학습된 파라미터를 기반으로 상기 현재 센서퓨전 측정 정보에 대한 허위 여부를 판단하는 허위 판단부; 그리고,
상기 허위 판단부로부터 판단된 결과값을 토대로 허위 타겟 정보를 제거하여 센서퓨전 타겟을 생성하는 센서퓨전 타겟 생성부를 포함하는 것을 특징으로 하는 차량.