남운현
/ 서울특별시 송파구 송파대로**길 **, ***동 ***호 (가락동, 가락동부센트레빌)
부석훈
/ 서울특별시 강남구 테헤란로**길 **, ***호 (역삼동)
성명철
/ 경상북도 포항시 북구 장량로***번길 **, ***호
유우주
/ 경상북도 포항시 남구 희망대로 ***, ***동 ****호 (대잠동, 대잠센트럴하이츠아파트)
정경중
/ 경상북도 포항시 남구 지곡로 ***, ***동 ***호 (지곡동, 현대그린*차)
제홍모
/ 경상북도 포항시 남구 지곡로 **, *동 ****호 (효자동, 승리아파트)
조호진
/ 경상북도 포항시 북구 법원로**번길 **, ***호 (장성동)
출원인 / 주소
주식회사 스트라드비젼 / 경상북도 포항시 남구 지곡로 ***, 제*벤처동 ***호,***호,***호,***호,***호(지곡동, 포항테크노파크)
대리인 / 주소
특허법인 수
심사청구여부
있음 (2020-01-06)
심사진행상태
등록결정(일반)
법적상태
등록
초록▼
자율 주행용 뉴럴 네트워크의 검출 프로세스를 검증하는, 설명 가능한 인공지능(artificial intelligence, AI)을 사용하여 잠재적 위험 상황에 대해 운전자에게 경고함으로써 기능적 안전성을 제공하는 학습 방법이 개시된다. 즉, (a) 적어도 하나의 검증용 트레이닝 이미지가 획득되면, 검증용 학습 장치가, 속성 추출 모듈로 하여금, 상기 검증용 트레이닝 이미지의 특성에 대한 속성 정보를 추출하기 위해 추출 연산을 상기 검증용 트레이닝 이미지에 적용함으로써, 퀄리티 벡터를 생성하도록 하는 단계; (b) 상기 검증용 학습
자율 주행용 뉴럴 네트워크의 검출 프로세스를 검증하는, 설명 가능한 인공지능(artificial intelligence, AI)을 사용하여 잠재적 위험 상황에 대해 운전자에게 경고함으로써 기능적 안전성을 제공하는 학습 방법이 개시된다. 즉, (a) 적어도 하나의 검증용 트레이닝 이미지가 획득되면, 검증용 학습 장치가, 속성 추출 모듈로 하여금, 상기 검증용 트레이닝 이미지의 특성에 대한 속성 정보를 추출하기 위해 추출 연산을 상기 검증용 트레이닝 이미지에 적용함으로써, 퀄리티 벡터를 생성하도록 하는 단계; (b) 상기 검증용 학습 장치가, 상기 검증용 뉴럴 네트워크로 하여금, 상기 퀄리티 벡터에 제1 뉴럴 네트워크 연산을 적용함으로써, 예측된 안전성 정보를 생성하도록 하는 단계; 및 (c) 상기 검증용 학습 장치가, 로스 모듈로 하여금 로스를 생성하고, 상기 로스를 이용하여 백프로퍼게이션(backpropagation)을 수행함으로써 상기 검증용 뉴럴 네트워크에 포함된 파라미터를 학습하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법이 개시된다.
대표청구항▼
자율 주행용 뉴럴 네트워크의 검출 프로세스를 검증하는, 설명 가능한 인공지능(artificial intelligence, AI)을 사용하여 잠재적 위험 상황에 대해 운전자에게 경고함으로써 기능적 안전성을 제공하는 학습 방법에 있어서,(a) 적어도 하나의 검증용 트레이닝 이미지가 획득되면, 검증용 뉴럴 네트워크를 학습하는데 이용될 검증용 학습 장치가, 속성 추출 모듈로 하여금, 강도, 콘트라스트, 노이즈, 채도, 색상, 그래디언트, 명도, 및 카메라 각도 중 적어도 일부를 포함하는 상기 검증용 트레이닝 이미지의 특성 중 적어도 일부에
자율 주행용 뉴럴 네트워크의 검출 프로세스를 검증하는, 설명 가능한 인공지능(artificial intelligence, AI)을 사용하여 잠재적 위험 상황에 대해 운전자에게 경고함으로써 기능적 안전성을 제공하는 학습 방법에 있어서,(a) 적어도 하나의 검증용 트레이닝 이미지가 획득되면, 검증용 뉴럴 네트워크를 학습하는데 이용될 검증용 학습 장치가, 속성 추출 모듈로 하여금, 강도, 콘트라스트, 노이즈, 채도, 색상, 그래디언트, 명도, 및 카메라 각도 중 적어도 일부를 포함하는 상기 검증용 트레이닝 이미지의 특성 중 적어도 일부에 대한 속성 정보를 추출하기 위해 적어도 하나의 추출 연산을 상기 검증용 트레이닝 이미지에 적용함으로써, 상기 검증용 트레이닝 이미지에 대응하는 퀄리티 벡터를 생성하도록 하는 단계;(b) 상기 검증용 학습 장치가, 상기 검증용 뉴럴 네트워크로 하여금, 상기 퀄리티 벡터에 하나 이상의 제1 뉴럴 네트워크 연산을 적용함으로써, 상기 검증용 트레이닝 이미지를 사용하여 자율 주행을 수행하는 것이 안전할 확률에 대한 예측된 안전성 정보를 생성하도록 하는 단계; 및(c) 상기 검증용 학습 장치가, 로스 모듈로 하여금, 상기 예측 안전성 정보, 및 상기 검증용 트레이닝 이미지에 대응하는 GT(Ground-Truth) 안전성 정보를 참조로 하여 로스를 생성하고, 상기 로스를 이용하여 백프로퍼게이션(backpropagation)을 수행함으로써 상기 검증용 뉴럴 네트워크에 포함된 파라미터 중 적어도 일부를 학습하도록 하는 단계;를 포함하되,상기 (b) 단계에서,상기 검증용 학습 장치가, 상기 검증용 뉴럴 네트워크로 하여금, (i) 상기 퀄리티 벡터에 상기 제1 뉴럴 네트워크 연산 중 적어도 일부를 적용함으로써 리그레션(regression) 프로세스를 수행하여, 상기 검증용 트레이닝 이미지에 포함된 객체의 개수(r2)에 대한, 상기 검증용 트레이닝 이미지에 포함된 상기 객체 중 상기 자율 주행용 뉴럴 네트워크에 의해 정확히 검출될 것으로 예측되는 특정 객체의 개수(r1)의 비율에 대응하는 예측된 검출률을 생성하도록 하고, (ii) 상기 퀄리티 벡터에 상기 제1 뉴럴 네트워크 연산 중 적어도 일부를 적용함으로써 분류(classification) 프로세스를 수행하여, 상기 검증용 트레이닝 이미지를 이용하여 상기 자율 주행을 수행하는 것이 안전할지를 나타내는 예측된 바이너리(binary) 정보를 생성하도록 함으로써, 상기 예측된 검출률 및 상기 예측된 바이너리 정보를 포함하는 상기 예측된 안전성 정보를 생성하도록 하는 것을 특징으로 하는 방법.
연구과제 타임라인
LOADING...
LOADING...
LOADING...
LOADING...
LOADING...
이 특허에 인용된 특허 (1)
[유럽]
Vehicle, vehicle system and method for increasing safety and/or comfort during autonomous driving |
SOLYOM STEFAN,
COELINGH ERIK,
BRÄ,
NNSTRÖ,
M MATTIAS,
※ AI-Helper는 부적절한 답변을 할 수 있습니다.