车辆的速度预测装置及方法与流程

车辆的速度预测装置及方法
1.相关申请的交叉引用
2.本技术要求于2020年9月15日提交的申请号为10-2020-0118481的韩国专利申请的优先权，该韩国专利申请的全部内容为了所有目的通过引用并入本文。
技术领域
3.本发明涉及一种基于变分自动编码器(vae)来预测车速的技术。


背景技术：

4.通常，深度学习或深度神经网络是一种机器学习，并且由输入和输出之间的多层人工神经网络(ann)组成。
5.根据结构、要解决的问题和目的，除了主要在视觉领域中使用的卷积神经网络(cnn)和主要处理诸如自然语言、声音等的序列数据的递归神经网络(rnn)之外，ann还可以包括vae。
6.vae是一种无监督的数据学习技术，该技术将输入变量的数据集(x)建模为表示正态分布的平均值的低维表示(low-dimensional representation)(z)并从z中提取x的特征。通过重复学习将重构的输出(x')与数据集(x)匹配的过程，vae可以以低维表示(z)的形式提取数据集(x)的特征。此时，vae的输入和输出是彼此相同的变量。
7.本发明提供了一种通过基于vae接收过去的时序数据(例如，驾驶概况)并输出未来的时序数据(例如，车速)来预测车速的方法。
8.包括在本发明的背景技术部分中的信息仅用于增强对本发明的一般背景的理解，并且不能被视为对该信息构成本领域技术人员已知的现有技术的承认或任何形式的暗示。


技术实现要素：

9.本发明的各个方面旨在提供一种车辆的速度预测装置和方法，车辆的速度预测装置和方法可以将预测时间点之前的驾驶概况的时序数据输入到编码器中，基于作为编码器的输出的低维表示(z)、另外输入的预测时间点的车速和预测时间点的驾驶概况来生成用于预测车速的车速模型，并且基于车速模型来预测车速，从而以时序数据的形式高精度地预测车速。
10.本发明的各个方面提供一种车辆的速度预测装置和方法，车辆的速度预测装置和方法可以将预测时间点之前的驾驶概况的时序数据和预测时间点的驾驶概况输入到编码器中，基于作为编码器的输出的低维表示(z)和另外输入的预测时间点的车速来生成用于预测车速的车速模型，并且基于车速模型来预测车速，从而以时序数据的形式高精度地预测车速。
11.本发明的目的不限于上述目的，并且从以下描述中将理解未提及的本发明的其它目的和优点，并且将从本发明的各个示例性实施例中显而易见地理解本发明的其它目的和优点。此外，将容易理解的是，本发明的目的和优点通过所附权利要求书中描述的手段和组
合来实现。
12.本发明构思要解决的技术问题不限于上述问题，并且本发明的各个示例性实施例所属领域的技术人员将从以下描述中清楚地理解本文中未提及的任何其它技术问题。
13.根据本发明的各个方面，一种基于变分自动编码器(vae)的车辆的速度预测装置可以包括：输入装置，将预测时间点之前的驾驶概况的时序数据输入到编码器中；学习装置，通过利用作为编码器的输出的低维表示、预测时间点的车速和预测时间点的驾驶概况来学习车速模型；以及控制器，基于车速模型来预测车速。
14.在本发明的各个示例性实施例中，驾驶概况可以包括车辆的油门踏板位置(gpp)值、道路坡度、车辆的转向角、车辆的制动状态、车辆与在前车辆的隔开距离、车辆的挡位、车辆的每分钟转数(rpm)、车辆的制动压力、车辆与在前车辆的相对速度和道路曲率中的至少一个。
15.在本发明的各个示例性实施例中，车速模型可以用于以时序数据的形式输出车速。
16.在本发明的各个示例性实施例中，编码器可以将预测时间点之前的驾驶概况的时序数据的特征建模为分布在第一区域中的低维表示。
17.根据本发明的各个方面，一种基于vae的车辆的速度预测方法可以包括：通过输入装置，将预测时间点之前的驾驶概况的时序数据输入到编码器中；通过包括编码器的学习装置，通过利用作为编码器的输出的低维表示、预测时间点的车速和预测时间点的驾驶概况来学习车速模型；以及通过控制器，基于车速模型来预测车速。
18.根据本发明的各个方面，一种基于vae的车辆的速度预测装置可以包括：输入装置，将预测时间点之前的驾驶概况的时序数据和预测时间点的驾驶概况输入到编码器中；学习装置，通过利用作为编码器的输出的低维表示和预测时间点的车速来学习车速模型；以及控制器，基于车速模型来预测车速。
19.在本发明的另一示例性实施例中，驾驶概况可以包括车辆的油门踏板位置(gpp)值、道路坡度、车辆的转向角、车辆的制动状态、车辆与在前车辆的隔开距离、车辆的挡位、车辆的每分钟转数(rpm)、车辆的制动压力、车辆与在前车辆的相对速度和道路曲率中的至少一个。
20.在本发明的另一示例性实施例中，车速模型可以用于以时序数据的形式输出车速。
21.在本发明的另一示例性实施例中，编码器可以将预测时间点之前的驾驶概况的时序数据和预测时间点的驾驶概况的特征建模为分布在第一区域中的低维表示。
22.根据本发明的各个方面，一种基于vae的车辆的速度预测方法可以包括：通过输入装置，将预测时间点之前的驾驶概况的时序数据和预测时间点的驾驶概况输入到编码器中；通过包括编码器的学习装置，通过利用作为编码器的输出的低维表示和预测时间点的车速来学习车速模型；以及通过控制器，基于车速模型来预测车速。
23.本发明的方法和装置具有其它特征和优点，这些特征和优点将从一起用于解释本发明的某些原理的并入本文的附图和下面的具体实施方式中显而易见或在附图和具体实施方式中更详细地阐述。
附图说明
24.图1是根据本发明的各个示例性实施例的车辆的速度预测装置的框图；
25.图2是示出根据本发明的各个示例性实施例的车辆的速度预测装置中包括的学习装置的学习过程的示例性示图；
26.图3是示出根据本发明的各个示例性实施例的车辆的速度预测装置中包括的学习装置生成的第一车速模型中的低维表示的分布的示例性示图；
27.图4是示出根据本发明的各个示例性实施例的车辆的速度预测装置中包括的学习装置的学习过程的另一示例性示图；
28.图5是示出根据本发明的各个示例性实施例的车辆的速度预测装置中包括的学习装置生成的第二车速模型中的低维表示的分布的示例性示图；
29.图6a和图6b是根据本发明的各个示例性实施例的车辆的速度预测装置的性能分析图的示例性示图；
30.图7是根据本发明的各个示例性实施例的车辆的速度预测方法的流程图；
31.图8是根据本发明的各个示例性实施例的车辆的速度预测方法的流程图；以及
32.图9是示出根据本发明的各个示例性实施例的用于执行车辆的速度预测方法的计算系统的框图。
33.可以理解的是，附图不一定按比例绘制，呈现了示出本发明的基本原理的各种特征的略微简化的表示。包括例如特定尺寸、方向、位置和形状的如本文所包括的本发明的特定设计特征将由特别预期的应用和使用环境来部分地确定。
34.在附图中，附图标记贯穿附图的几幅图指代本发明的相同或等同部分。
具体实施方式
35.现在将详细参考本发明的各个实施例，实施例的示例在附图中示出并且在下面进行描述。尽管将结合本发明的示例性实施例描述本发明，但是将理解的是，本说明书并不旨在将本发明限制于那些示例性实施例。另一方面，本发明旨在不仅涵盖本发明的示例性实施例，而且涵盖如所附权利要求书所限定的本发明的思想和范围内可以包括的各种替代形式、修改形式、等同形式和其它实施例。
36.在下文中，将参照示例性附图详细描述本发明的各个示例性实施例。在将附图标记添加到每个附图的组件时，应注意的是，即使相同或等同的组件显示在其它附图上，也由相同的附图标记表示。此外，在描述本发明的示例性实施例时，将排除对公知特征或功能的详细描述，以免不必要地使本发明的主旨不清楚。
37.在描述根据本发明的各个示例性实施例的示例性实施例的组件时，可以使用诸如“第一”、“第二”、“a”、“b”、“(a)”、“(b)”等术语。这些术语仅旨在将一个组件与另一组件区分开，并且这些术语不限制组成组件的性质、顺序或次序。除非另有定义，否则本文使用的包括技术术语或科学术语的所有术语具有与本发明的各个示例性实施例所属领域的技术人员通常理解的含义相同的含义。诸如在通用词典中定义的术语的术语将被解释为具有与相关技术领域的上下文含义相同的含义，并且除非在本技术中明确定义为具有理想或过分形式化的含义，否则将不被解释为具有理想或过分形式化的含义。
38.图1是根据本发明的各个示例性实施例的车辆的速度预测装置的框图。
39.如图1所示，根据本发明的各个示例性实施例的车辆的速度预测装置可以包括存储装置10、输入装置20、学习装置30和控制器40。此时，根据本发明的各个示例性实施例，根据一种车辆的速度预测装置的操作方法，每个组件可以在彼此联接之后被实现为一个装置，或者可以省略组件的一部分。特别地，学习装置30的功能可以被实现为由控制器40执行。
40.参照每个组件，首先，存储装置10可以存储在将预测时间点(尝试预测的时间点)之前的驾驶概况的时序数据输入到编码器中，基于作为编码器的输出的低维表示(z)、另外输入的预测时间点的车速和预测时间点的驾驶概况来学习用于预测车速的第一车速模型，以及基于完成学习的第一车速模型来预测车速的过程中所需的各种逻辑、算法和程序。此时，存储装置10可以存储完成学习的第一车速模型，使得控制器40被配置为使用第一车速模型。
41.在本发明的另一示例性实施例中，存储装置10可以存储在将预测时间点之前的驾驶概况的时序数据和预测时间点的驾驶概况输入到编码器中，基于作为编码器的输出的低维表示(z)和另外输入的预测时间点的车速来学习用于预测车速的第二车速模型，以及基于完成学习的第二车速模型来预测车速的过程中所需的各种逻辑、算法和程序。此时，存储装置10可以存储完成学习的第二车速模型，使得控制器40被配置为使用第二车速模型。
42.存储装置10可以包括闪存类型的存储器、硬盘类型的存储器、微型类型的存储器和卡(例如，安全数字(sd)卡或extream数字(xd)卡)类型的存储器、随机存取存储器(ram)类型的存储器、静态ram(sram)类型的存储器、只读存储器(rom)类型的存储器、可编程rom(prom)类型的存储器、电可擦除prom(eeprom)类型的存储器、磁性ram(mram)类型的存储器、磁盘类型的存储器和光盘类型的存储器中的至少一种类型的存储介质。
43.在本发明的各个示例性实施例中，在学习第一车速模型的过程中，输入装置20可以将预测时间点之前的驾驶概况的时序数据输入到vae的编码器中，并可以将作为编码器的输出的低维表示(z)、预测时间点的车速和预测时间点的驾驶概况输入到vae的解码器中。
44.在此，预测时间点之前的驾驶概况是在基于当前时间点的之前的预定时段期间测量的值，并且是指用于形成车辆的驾驶模式的信息。驾驶概况可以包括油门踏板位置(gpp)值、每分钟转数(rpm)、挡位、车速、道路坡度、道路曲率、转向角、制动踏板位置(bpp)值(制动开/关或制动压力)、与在前车辆的隔开距离、与在前车辆的相对速度、前方的交通信号灯信息等。此时，驾驶概况是在预定时段期间测量的时序数据。
45.此外，预测时间点的驾驶概况表示在当前时间点测量的值。此时，可以通过车辆网络获得gpp值、rpm、挡位、车速、转向角和bpp值。可以从设置在车辆中的导航装置获得道路坡度和道路曲率。可以从设置在车辆中的雷达获得与在前车辆的隔开距离和与在前车辆的相对速度。可以从交通信号灯控制器获得前方的交通信号灯信息(与打开/关闭交通信号灯有关的信息)。
46.此外，在基于完成学习的第一车速模型来预测车速的过程中，输入装置20可以将预测时间点之前的驾驶概况的时序数据输入到vae的编码器中，并且可以将作为编码器的输出的低维表示(z)、预测时间点的车速和预测时间点的驾驶概况输入到vae的解码器中。
47.在本发明的另一示例性实施例中，在学习第二车速模型的过程中，输入装置20可
以将预测时间点之前的驾驶概况的时序数据和预测时间点的驾驶概况输入到vae的编码器中，并且可以将作为编码器的输出的低维表示(z)和预测时间点的车速输入到vae的解码器中。
48.此外，在基于完成学习的第二车速模型来预测车速的过程中，输入装置20可以将预测时间点之前的驾驶概况的时序数据和预测时间点的驾驶概况输入到vae的编码器中，并且可以将作为编码器的输出的低维表示(z)和预测时间点的车速输入到vae的解码器中。
49.在本发明的各个示例性实施例中，学习装置30可以基于作为编码器的输出的低维表示(z)、另外输入的预测时间点的车速和预测时间点的驾驶概况来学习用于预测车速的第一车速模型。即，学习装置30可以生成完成学习的第一车速模型。在下文中，将参照图2和图3描述学习装置30的学习过程。
50.图2是示出根据本发明的各个示例性实施例的车辆的速度预测装置中包括的学习装置的学习过程的示例性示图。
51.如图2所示，根据本发明的各个示例性实施例的车辆的速度预测装置中包括的学习装置30可以基于vae学习第一车速模型。
[0052]“100”表示编码器(probabilistic encoder)。“110”是针对驾驶概况的学习数据，并表示预测时间点(t
当前
)之前的参考时间(t
过去
～t
当前
)期间的时序数据(x)。“200”表示解码器(probabilistic decoder)。“210”表示作为编码器的输出的低维表示(z)。“220”表示预测时间点的车速(当前车速)。“230”表示预测时间点的驾驶概况。“240”表示预测的未来车速(y')。此时，y'可以是当前时间点之后的参考时间(t
当前
～t
未来
)期间的车速，并且可以以时序数据的形式表示。此外，μ表示分布的平均值，σ表示分布的方差。
[0053]
编码器100可以具有卷积神经网络(cnn)和多感知器层(mpl)。解码器200可以包括mpl和cnn。
[0054]
在本发明的各个示例性实施例中，解码器(pθ(x|z))通过具有参数θ的深度神经网络参数化。编码器(pφ(x|z))通过具有参数φ的深度神经网络参数化。低维表示z被定义为使与数据x有关的压缩信息嵌入。编码器100将数据空间映射到潜在空间(potential space)。编码器100和解码器200通过使用对角高斯分布参数化。
[0055]
图3是示出根据本发明的各个示例性实施例的车辆的速度预测装置中包括的学习装置生成的第一车速模型中的低维表示的分布的示例性示图。
[0056]
如图3所示，根据本发明的各个示例性实施例的车辆的速度预测装置中包括的学习装置30可以基于编码器100，将预测时间点之前的驾驶概况的时序数据的特征建模为分布在相对窄空间中的低维表示(z)。
[0057]
在本发明的另一示例性实施例中，学习装置30可以基于作为编码器的输出的低维表示(z)和另外输入的预测时间点的车速来学习用于预测车速的第二车速模型。即，学习装置30可以生成完成学习的第二车速模型。
[0058]
在下文中，将参照图4和图5描述学习装置30的学习过程。
[0059]
图4是示出根据本发明的各个示例性实施例的车辆的速度预测装置中包括的学习装置的学习过程的另一示例性示图。
[0060]
如图4所示，根据本发明的各个示例性实施例的车辆的速度预测装置中包括的学习装置30可以基于vae学习第二车速模型。
[0061]
图5是示出根据本发明的各个示例性实施例的车辆的速度预测装置中包括的学习装置生成的第二车速模型中的低维表示的分布的示例性示图。
[0062]
如图5所示，根据本发明的各个示例性实施例的车辆的速度预测装置中包括的学习装置30可以基于编码器100，将输入数据(预测时间点之前的驾驶概况的时序数据和预测时间点的驾驶概况)的特征建模为分布在相对宽空间中的低维表示(z)。原因是反映了预测时间点的驾驶概况信息。
[0063]
同时，控制器40可以执行整体控制，使得每个组件被配置为正常执行组件的功能。控制器40可以以硬件的形式实现，可以以软件的形式实现，或者可以以硬件和软件的组合的形式实现。有利地，控制器40可以被实现为微处理器，但是不限于此。
[0064]
控制器40可以控制学习装置30，以将预测时间点之前的驾驶概况的时序数据输入到编码器中，并基于作为编码器的输出的低维表示(z)、另外输入的预测时间点的车速和预测时间点的驾驶概况来学习用于预测车速的第一车速模型。此时，控制器40可以基于完成学习的第一车速模型来预测车速。
[0065]
控制器40可控制学习装置30，以将预测时间点之前的驾驶概况的时序数据和预测时间点的驾驶概况输入到编码器中，并基于作为编码器的输出的低维表示(z)和另外输入的预测时间点的车速来学习用于预测车速的第二车速模型。此时，控制器40可以基于完成学习的第二车速模型来预测车速。
[0066]
图6a和图6b是根据本发明的各个示例性实施例的车辆的速度预测装置的性能分析图的示例性示图。
[0067]
图6a中示出的曲线图是预测时间点之前的驾驶概况的时序数据。“611”表示gpp值。“612”表示道路坡度。“613”表示转向角。“614”表示制动开/关。“616”表示挡位。“617”表示rpm。“618”表示制动压力。“619”表示与在前车辆的相对速度。“620”表示道路曲率。“621”表示车速。时序数据可以进一步包括表示与在前车辆的隔开距离的曲线图。
[0068]
图6b中示出的“670”曲线图表示在如图6a所示的条件下实际测量的车速。图6b中所示的“680”曲线图表示基于图6a所示的时序数据(x)预测的车速。此时，时序数据(x)已经被映射到z(-0.00688，-0.06，-0.00746)。
[0069]
图7是根据本发明的各个示例性实施例的车辆的速度预测方法的流程图。
[0070]
首先，输入装置20将预测时间点之前的驾驶概况的时序数据输入到编码器中(701)。
[0071]
之后，学习装置30通过利用作为编码器的输出的低维表示、预测时间点的车速和预测时间点的驾驶概况来学习车速模型(702)。
[0072]
之后，控制器40基于车速模型来预测车速(703)。
[0073]
图8是根据本发明的各个示例性实施例的车辆的速度预测方法的流程图。
[0074]
首先，输入装置20将预测时间点之前的驾驶概况的时序数据和预测时间点的驾驶概况输入到编码器中(801)。
[0075]
之后，学习装置30通过利用作为编码器的输出的低维表示和预测时间点的车速来学习车速模型(802)。
[0076]
之后，控制器40基于车速模型来预测车速(803)。
[0077]
图9是示出根据本发明的各个示例性实施例的用于执行车辆的速度预测方法的计
算系统的框图。
[0078]
参照图9，可以通过计算系统来实现根据本发明的各个示例性实施例的车辆的速度预测方法。计算系统1000可以包括经由系统总线1200彼此连接的至少一个处理器1100、存储器1300、用户界面输入装置1400、用户界面输出装置1500、存储装置1600和网络接口1700。
[0079]
处理器1100可以是中央处理单元(cpu)或处理存储在存储器1300和/或存储装置1600中的指令的半导体装置。存储器1300和存储装置1600可以包括各种类型的易失性或非易失性存储介质。例如，存储器1300可以包括只读存储器(rom)1310和随机存取存储器(ram)1320。
[0080]
因此，结合本文包括的示例性实施例描述的方法或算法的操作可以直接以由处理器1100运行的硬件或软件模块或者硬件和软件模块的组合实现。软件模块可以驻留在诸如ram、闪存、rom、eprom、eeprom、寄存器、硬盘、固态驱动器(ssd)、可移除磁盘和cd-rom的存储介质(即，存储器1300和/或存储装置1600)中。示例性存储介质可以联接到处理器1100，处理器1100可以从存储介质中读取信息并且可以将信息记录在存储介质中。可选地，存储介质可以与处理器1100集成。处理器和存储介质可以驻留在专用集成电路(asic)中。asic可以驻留在用户终端内。在另一种情况下，处理器和存储介质可以作为单独的组件驻留在用户终端中。
[0081]
在上文中，尽管已经参考示例性实施例和附图描述了本发明，但是本发明不限于此，而是本发明的各个示例性实施例所属领域的技术人员可以在不脱离所附权利要求书中要求保护的本发明的思想和范围的情况下对本发明进行各种修改和改变。
[0082]
因此，提供本发明的示例性实施例以解释本发明的思想和范围，但不限制本发明的思想和范围，因此，本发明的思想和范围不受实施例的限制。可以基于所附权利要求书来解释本发明的范围，并且在等同于权利要求书的范围内的所有技术思想可以包括在本发明的范围内。
[0083]
根据本发明的各个示例性实施例，一种车辆的速度预测装置和方法可以将预测时间点之前的驾驶概况的时序数据输入到编码器中，基于作为编码器的输出的低维表示(z)、另外输入的预测时间点的车速和预测时间点的驾驶概况来学习用于预测车速的车速模型，并且基于完成学习的车速模型来预测车速，从而以时序数据的形式高精度地预测车速。
[0084]
根据本发明的各个示例性实施例，一种车辆的速度预测装置和方法可以将预测时间点之前的驾驶概况的时序数据和预测时间点的驾驶概况输入到编码器中，基于作为编码器的输出的低维表示(z)和另外输入的预测时间点的车速来学习用于预测车速的车速模型，并且基于完成学习的车速模型来预测车速，从而以时序数据的形式高精度地预测车速。
[0085]
为了说明和描述的目的，已经给出了本发明的特定示例性实施例的前述描述。前述描述并不旨在穷举本发明或将本发明限制为所公开的精确形式，并且显然，根据以上教导，许多修改和变型是可能的。选择和描述示例性实施例以解释本发明的某些原理及其实际应用，以使本领域技术人员能够实现和利用本发明的各个示例性实施例及其各种替代形式和修改形式。本发明的范围旨在由所附权利要求书及其等同内容来限定。