[发明专利]车辆的速度预测装置及方法

说明书

本发明涉及一种车辆的速度预测装置及方法。为了以时序数据的形式高精度地预测车速，本发明可以包括：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。

相关申请的交叉引用

本申请要求于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

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

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。

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。

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。

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。

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。

发明内容

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。

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。

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。

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。

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。

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。

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。