Loading the company…
Loading the company…
㈜오토노머스에이투지
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-10-11 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Gyeongbuk, founded in 2018. Industry: Software & IT Services. Group consolidated revenue for 2025 was ₩16.3bn — this includes subsidiaries and is not the revenue of this entity alone. It has 232 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”. 1 funding round is confirmed by press reports.
Loading…
Latest filing 2025-03-04 · latest registration 2026-08-18 · newest first
본 발명에 따르면, 자율주행차량의 주행 도중에 발생되는 이벤트를 실시간으로 판단하는 방법에 있어서, (a) 컴퓨팅 장치가, 자율주행차량이 주행하는 도중에 테스트용 주행 명령 데이터 및 테스트용 센싱 데이터를 획득하고, 상기 테스트용 주행 명령 데이터 및 상기 테스트용 센싱 데이터 - 상기 테스트용 센싱 데이터는 적어도 테스트용 Yaw rate 센싱 데이터를 포함함 - 를 Yaw rate 추정 모델에 입력하여, 상기 Yaw rate 추정 모델로 하여금, 상기 자율주행차량의 테스트용 Yaw rate 추정 데이터를 출력하도록 하는 단계; 및 (b) 상기 컴퓨팅 장치가, 상기 테스트용 Yaw rate 추정 데이터를 참조하여 상기 자율주행차량과 관련하여 발생된 이벤트를 판단하기 위한 기준인 Yaw rate 임계범위를 설정하고, 상기 테스트용 Yaw rate 추정 데이터 및 상기 테스트용 Yaw rate 센싱 데이터의 차이 값이 상기 Yaw rate 임계범위를 초과하는 것으로 판단되면, 상기 이벤트가 발생한 것으로 판단하고 상기 이벤트와 관련된 데이터를 차량 관제 서버로 전송하는 단계;를 포함하는 방법 및 이를 이용한 컴퓨팅 장치가 개시된다.
차량의 센서를 이용하여 상기 차량의 주행 상태를 판단하고 상기 차량을 제어하는 방법에 있어서, (a) 컴퓨팅 장치가, 상기 차량의 요구 가속도 궤적, 상기 차량의 가속도 센서로부터 측정되는 IMU 가속도 궤적 및 상기 차량의 휠 속도 센서로부터 측정되는 휠 속도 궤적을 미분하여 획득되는 휠 속도 미분 궤적을 획득하는 단계; 및 (b) 상기 요구 가속도 궤적, 상기 IMU 가속도 궤적 및 상기 휠 속도 미분 궤적을 참조로 하여, (i) 상기 휠 속도 미분 궤적이 상기 요구 가속도 궤적을 추종하는 상태인 것으로 판단된 확률이 기설정된 제1 추종 판단용 임계치 이상이고 상기 IMU 가속도 궤적이 상기 요구 가속도 궤적을 추종하지 않는 상태인 것으로 판단된 확률이 기설정된 제1 비추종 판단용 임계치 이상인 것으로 감지되면, 상기 컴퓨팅 장치가 상기 가속도 센서가 이상 상태인 것으로 판단하여 상기 IMU 가속도 궤적을 상기 휠 속도 미분 궤적으로 대체하여 제1 임시 주행하도록 지원하고, (ii) 상기 IMU 가속도 궤적이 상기 요구 가속도 궤적을 추종하는 상태인 것으로 판단된 확률이 기설정된 제2 추총 판단용 임계치 이상이고 상기 휠 속도 미분 궤적이 상기 요구 가속도 궤적을 추종하지 않는 상태인 것으로 판단된 확률이 기설정된 제2 비추종 판단용 임계치 이상인 것으로 감지되면, 상기 컴퓨팅 장치가 상기 휠 ...(이하생략)
대상 차량에 탑재된 라이다의 복수의 포인트 데이터들을 이용하여 적어도 하나의 전방 차량 각각의 적어도 하나의 타겟 영역 각각을 검출하고 이를 참조로 하여 상기 전방 차량 각각에 대한 적어도 하나의 3D box 각각을 재조정하는 방법에 있어서, (a) 컴퓨팅 장치는, 상기 복수의 포인트 데이터들을 검출하기 위한 후보 영역을 결정하고, 상기 복수의 포인트 데이터들을 대상으로 클러스터링을 수행하여 상기 전방 차량 각각을 검출하여 상기 3D box 각각을 도출하고, 상기 전방 차량 각각의 상기 3D box 각각에 포함된 상기 복수의 포인트 데이터들 각각의 복수의 포인트 인텐시티 값 각각을 획득하는 단계; (b) 상기 전방 차량 각각에 포함된 상기 복수의 포인트 데이터들 각각의 상기 복수의 포인트 인텐시티 값 각각 중에서 기설정된 제1 임계 인텐시티 값 이상으로 판단되는 적어도 하나의 특정 포인트 데이터가 확인되면, 상기 컴퓨팅 장치는, 기설정된 상기 제1 임계 인텐시티 값 이상으로 판단되는 상기 특정 포인트 데이터를 상기 전방 차량 각각의 상기 타겟 영역 각각에 대응되는 것으로 결정하는 단계; (c) 상기 전방 차량 각각의 상기 타겟 영역 각각이 제1 타겟 영역 각각 및 제2 타겟 영역 각각을 포함하는 것으로 확인되고, 상기 제1 타겟 영역 각각 및 상기 제2 타겟 영역 각각 사이의 거리가 기설정된 임계 ...(이하생략)
자율주행 자동차의 안정적인 주행을 위하여, 상기 자율주행 자동차를 제어하는 VCU(Vehicle Control Unit) 및 상기 VCU를 모니터링하는 VCU_R(Vehicle Control Unit Redundancy)을 포함하는 이중화 아키텍처를 기반으로 위험을 최소화하는 방법에 있어서, (a) 컴퓨팅 장치는, 상기 자율주행 자동차의 주변 상태를 참조로 하여 상기 자율주행 자동차를 감속해야 하는 제1 상태 또는 상기 자율주행 자동차를 주정차해야 하는 제2 상태임을 감지하는 단계; 및 (b) (b_1) 상기 자율주행 자동차가 상기 제1 상태에 해당되면, 상기 컴퓨팅 장치는, (i) 상기 VCU가 작동되면서, 브레이크 페달 또는 가상의 브레이크 페달에 대응되는 BPCU(Brake Pedal Control Unit)가 작동되지 않는 것으로 감지되면, 상기 VCU로 하여금, 상기 자율주행 자동차의 주변 차량과의 거리를 참조로 하여 동작하는 ACC(Adaptive Cruise Control)를 통해, 메인 브레이크 시스템에 대응되는 EPB(Electric Parking Brake)와 연동하여 상기 자율주행 자동차를 감속시키도록 지원하는 제1 서브 프로세스, (ii) 상기 VCU가 작동되면서, 상기 ACC가 작동되지 않는 것으로 감지되면, 상기 VCU로 하여금, 상기 BPCU를 통해, 상기 EPB와 연동하...(이하생략)
신호등 데이터를 인지하기 위한 방법에 있어서, (a) 자율주행차량에 설치된 주행용 컴퓨팅 장치에 포함된 신호등 검출 모듈에 의해 특정 신호등 데이터에 대한 인식에 실패한 것으로 감지되면, 상기 주행용 컴퓨팅 장치가, 영상 합성 모듈로 하여금 상기 자율주행차량에 설치된 n개의 카메라들 중 상기 자율주행차량의 전방을 촬영하는 m개의 렌즈가 장착된 전방 카메라의 전방 영상을 획득하도록 하고, (i) 상기 전방 영상으로부터 획득된 정지 화상 데이터에 포함된 복수의 ROI 영역 중 상기 특정 신호등 데이터를 포함하는 특정 ROI 영역을 크롭하여 특정 ROI 크롭 데이터를 생성하고 상기 특정 ROI 크롭 데이터를 인코딩하여 제1 인코디드 신호등 데이터 - 상기 제1 인코디드 신호등 데이터는 상기 특정 신호등 데이터에 대한 제1 소스 데이터를 인코딩하여 생성됨 - 를 생성하는 서브 프로세스, 및 (ii) 상기 n개의 카메라들 중 적어도 일부로부터 획득된 n 개의 영상들 중 적어도 일부 각각에서의 촬영 방향에 대응되는 개별 프레임들 각각에 대해 다운 샘플링 및 크롭 중 적어도 일부를 수행한 결과를 하나의 통합 템플릿 내의 기설정된 합성 영역들 각각에 삽입하여 합성 프레임 데이터를 생성하고 상기 합성 프레임 데이터를 인코딩하도록 하여 제2 인코디드 신호등 데이터 - 상기 제2 인코디드 신호등 데이터는 적어도 하나의...(이하생략)
본 발명은 차량용 카메라 영상 합성을 통한 3차원 객체 검출 방법에 있어서, (a) 차량에 탑재된 제1 카메라의 제1 카메라 자세에서 입력 영상이 촬영되면, 3차원 객체 검출 장치가, 상기 입력 영상과 상기 입력 영상의 제1 픽셀들의 깊이값들을 나타내는 뎁스맵을 획득하는 단계; (b) 상기 3차원 객체 검출 장치가, 3차원 객체 검출 딥러닝 모델의 학습에 이용된 학습 영상을 촬영한 기준 카메라의 제2 카메라 자세와 상기 제1 카메라 자세를 참조하여 상기 제1 카메라 자세에 대한 상기 제2 카메라 자세의 상대 자세를 획득하고, 상기 뎁스맵을 참조하여 상기 상대 자세에 따라 상기 제1 픽셀들 중에서 기설정된 개수의 상기 제1 픽셀들을 상기 기준 카메라에 대응되는 기준 영상으로 투영하며, 상기 기설정된 개수의 상기 제1 픽셀들이 상기 기준 영상의 상기 기설정된 개수의 제2 픽셀들로 투영됨에 따른 변환 관계를 획득하고, 상기 변환 관계를 참조하여 상기 기준 영상의 상기 제2 픽셀들을 상기 입력 영상의 상기 제1 픽셀들에 역방향 맵핑함으로써 상기 입력 영상을 상기 기준 영상 상에 합성한 합성 영상을 획득하는 단계; 및 (c) 상기 3차원 객체 검출 장치가, 상기 합성 영상과 상기 제2 카메라 자세에 대응되는 제2 카메라 자세 정보를 상기 3차원 객체 검출 딥러닝 모델에 입력하여 상기 3차원 객체 검출 딥러닝...(이하생략)
본 발명은 차량의 주행 중에 획득되는 도로 상황 정보를 이용하여 차로를 변경하도록 학습하는 방법에 있어서, (a) 학습용 제1 프레임 이미지 내지 학습용 제t 프레임 이미지를 포함하는 학습용 비디오 데이터 및 학습용 차로 변경과 관련된 학습용 프롬프트 텍스트 데이터 셋을 포함하는 학습용 텍스트 데이터가 학습용 배치 데이터로서 획득되면, 컴퓨팅 장치가, (i) 상기 학습용 텍스트 데이터를 텍스트 인코더 모델에 입력하여 상기 텍스트 인코더 모델로 하여금 상기 학습용 텍스트 데이터에 대응되는 학습용 텍스트 피처를 출력하도록 하는 서브 프로세스 및 (ii) 상기 학습용 비디오 데이터를 이미지 인코더 모델에 입력하여 상기 이미지 인코더 모델로 하여금 상기 학습용 제1 프레임 이미지 내지 상기 학습용 제t 프레임 이미지 각각에 대응되는 2D 피처맵인 학습용 제1 프레임 이미지 피처 내지 학습용 제t 프레임 이미지 피처 각각을 출력하도록 한 후, 상기 학습용 제1 프레임 이미지 피처 내지 상기 학습용 제t 프레임 이미지 피처를 비디오 트랜스포머 모델로 입력하여 상기 비디오 트랜스포머 모델로 하여금 상기 학습용 제1 프레임 이미지 피처 내지 상기 학습용 제t 프레임 이미지 피처 사이의 시간적 상호 작용을 적용한 학습용 비디오 피처를 출력하도록 하고, 상기 학습용 비디오 피처에 pooling 연산을 적용하여 학습용...(이하생략)
본 발명에 따르면, 자율주행 차량의 상태를 외부에 표출하는 방법에 있어서, (a) 자율주행 차량이 정차할 정류장이 결정되면, 컴퓨팅 장치가, 상기 정류장 근방의 동적 오브젝트 또는 정적 오브젝트를 검색하여 정차 예정 구역 및 상기 정차 예정 구역까지의 상기 자율주행 차량의 예상 이동 경로를 결정하는 단계; 및 (b) 상기 자율주행 차량과 상기 정차 예정 구역의 거리가 기설정된 거리 이내로 가까워졌음이 확인되면, 상기 컴퓨팅 장치가, 상기 예상 이동 경로에 대한 프로젝션을 수행하는 서브 프로세스 및 상기 자율주행 차량의 상기 정차 예정 구역에 자율주행 차량 정차 정보에 대한 프로젝션을 수행하는 서브 프로세스 중 적어도 일부를 수행하는 단계; 를 포함하는 것을 특징으로 하는 방법이 제공된다.
주행용 객체를 제어하기 위한 칵핏으로 영상을 안정적으로 송신하기 위한 방법에 있어서, (a) 주행용 객체에 설치된 복수 개의 카메라들로부터 상기 주행용 객체의 주변 환경을 촬영한 n개의 영상들이 획득되는 상태에서, 상기 주행용 객체에 설치된 주행용 컴퓨팅 장치가, 합성 영상 생성부로 하여금 상기 복수 개의 카메라들에 의해 촬영된 상기 n개의 영상들 중 적어도 일부에 대한 ON 신호 및 OFF 신호를 참조로 하여 상기 n 개의 영상들 각각에서의 촬영 방향에 대응되는 n개의 개별 프레임들 각각을 하나의 통합 템플릿 내의 기설정된 합성 영역들 각각에 합성하여 합성 프레임들을 생성하도록 하되, 상기 n개의 개별 프레임들 중 적어도 일부는 ON 상태 개별 프레임이고 나머지가 OFF 상태 개별 프레임인 상태로 합성하여 상기 합성 프레임들을 생성하도록 하는 단계; 및 (b) 상기 주행용 컴퓨팅 장치가, 인코딩부로 하여금 상기 합성 프레임들을 최소 이미지 프레임 그룹값에 따라 인코딩하도록 하여 인코디드 합성 프레임들을 생성하도록 하고, 통신 모듈을 통해 상기 인코디드 합성 프레임들을 칵핏용 컴퓨팅 장치로 전송하도록 하여, 상기 칵핏용 컴퓨팅 장치로 하여금 상기 인코디드 합성 프레임들을 디코딩하여 디스플레이 장치에 표시하도록 지원하는 단계;를 포함하는 방법에 관한 것이다.
본 발명에 따르면, 본 발명의 일 태양에 따르면 자율주행차량이 정류장에 근접한 상태에서 휠체어 슬로프를 전개하기 위한 정차 목표 지점을 결정하는 방법에 있어서, (a) 상기 컴퓨팅 장치가, 상기 자율주행차량의 현재 측위를 참조로 하여, 상기 자율주행차량이 연석에 기설정된 연석 인접 임계 거리 이내에 접근했는지 여부를 판단하는 단계; (b) 상기 자율주행차량이 상기 연석 인접 임계 거리 이내에 접근한 것으로 판단되면, 상기 컴퓨팅 장치가, 상기 연석으로부터 인도의 횡방향으로 떨어진 횡경계를 정의하고 상기 정류장을 기준으로 상기 인도의 종방향의 소정의 전방 거리 및 소정의 후방 거리의 적어도 일부를 포함하는 종경계를 정의하며, 상기 횡경계 및 상기 종경계에 의해 규정되는 검사 영역을 결정하는 단계; (c) 상기 컴퓨팅 장치가, 상기 검사 영역 내에 존재하는 적어도 하나의 구조물의 위치 및 형상에 관한 정보인 주변 구조물 정보를 획득하고, 상기 검사 영역 내의 상기 인도의 노면의 높이 및 상기 인도의 노면의 기울기를 측정하고, 상기 인도의 노면의 높이가 기설정된 제1 높이 범위 내에 해당되는지 여부 및 상기 인도의 노면의 기울기가 기설정된 제1 기울기 범위 내에 해당되는지 여부를 판단하는 단계; 및 (d) 상기 컴퓨팅 장치가, 상기 인도의 노면의 높이가 상기 기설정된 제1 높이 범위 내에 해당되고 상기 ...(이하생략)
라이다를 이용하여 그리드 맵 상의 오브젝트에 대응되는 복수의 대상 유효 셀들을 기반으로 상기 라이다의 복수의 포인트 데이터들을 클러스터링하는 방법에 있어서, (a) 컴퓨팅 장치는, 상기 그리드 맵에 포함된 복수의 그리드를 [x, y] 인덱스 단위로서 구분한 상기 그리드 맵의 전체 영역에서 상기 오브젝트에 대응되는 상기 포인트 데이터들을 포함하는 상기 대상 유효 셀들을 결정하는 단계; (b) 상기 컴퓨팅 장치는, 상기 대상 유효 셀들 각각에 대해 상기 [x, y] 인덱스 단위를 기준으로 이웃하는 인접 유효 셀이 존재하는지 판단하여, 상기 대상 유효 셀들 각각을 적어도 하나의 클러스터 중 어느 하나로 군집화하여 적어도 하나의 클러스터링 인덱스를 상기 대상 유효 셀들 별로 부여한 상태인 제1 클러스터링 인덱스 배열 상태를 획득하는 제1 클러스터링 절차를 수행하는 단계; (c) 상기 컴퓨팅 장치는, 상기 포인트 데이터들을 참조로 하여 피처 라인들을 생성하는 단계; 및 (d) 상기 컴퓨팅 장치는, 상기 피처 라인들에 대응되는 상기 대상 유효 셀들 각각에 적어도 하나의 클러스터링 인덱스가 부여된 상태인 상기 제1 클러스터링 인덱스 배열 상태 및 상기 피처 라인들 간의 연결 관계를 참조로 하여, 상기 제1 클러스터링 인덱스 배열 상태를 업데이트하여 제2 클러스터링 인덱스 배열 상태로 조정하는 제2 클러스터링 절...(이하생략)
본 발명은 자율주행차량에서 생성된 포인트 클라우드 피처를 기반으로 정밀지도의 랜드마크를 업데이트하는 방법에 있어서, (a) 정밀지도 서버가, 정밀지도와 복수의 라이다 센서를 기반으로 맵 매칭을 통해 위치를 추정하며 특정 영역을 주행하는 복수의 자율주행차량들 중 어느 하나인 특정 자율주행자동차로부터, 특정 라이다 센서의 특정 가시 범위에 따른 특정 라이다 그리드 맵에 상기 정밀지도에서의 상기 특정 가시 범위에 위치하는 적어도 하나의 제1 특정 랜드마크를 투영한 특정 라이다 그리드 맵 정보 및 상기 특정 라이다 센서의 특정 센싱 라이다 포인트 정보를 획득하는 프로세스, 및 상기 맵 매칭에서 매칭이 되지 않은 특정 비매칭 라이다 포인트 정보를 획득하는 프로세스 중 어느 하나의 프로세스를 수행하는 단계; 및 (b) 상기 정밀지도 서버가, (i) 상기 특정 라이다 그리드 맵 정보 및 상기 특정 센싱 라이다 포인트 정보를 참조하여, 상기 특정 라이다 그리드 맵에서 상기 제1 특정 랜드마크가 투영된 특정 랜드마크 그리드 영역에 특정 센싱 라이다 포인트들 중 적어도 일부가 매칭되는지를 확인하며, 상기 특정 랜드마크 그리드 영역에 매칭되는 상기 특정 센싱 라이다 포인트들이 없을 경우에는 상기 제1 특정 랜드마크가 허구축된 것으로 판단하고, 상기 제1 특정 랜드마크를 상기 정밀지도에서 삭제함으로써 상기 정밀지도를 업...(이하생략)
본 발명은 전역경로 데이터를 이용하여 비정형 구간을 회피하기 위한 자율주행 자동차의 경로 추정 모델을 학습하는 방법에 있어서, (a) 학습용 자동차가 학습용 비정형 구간을 주행하는 동안 획득한 학습용 카메라 영상 데이터 및 상기 학습용 자동차의 학습용 주행 경로 정보가 획득되면, 학습 장치가, 오브젝트 디텍션 모듈을 통해 상기 학습용 카메라 영상 데이터의 연속된 학습용 이미지 프레임들에서 학습용 비정형 오브젝트가 검출되는 지를 확인하는 단계; (b) 상기 학습 장치가, 특정 학습용 이미지 프레임에서 상기 학습용 비정형 오브젝트가 검출되면, 상기 특정 학습용 이미지 프레임 및 상기 학습용 주행 경로 정보에 포함된 학습용 전역경로 데이터를 경로 추정 모델에 입력하여 상기 경로 추정 모델로 하여금, (i) 상기 학습용 전역경로 데이터를 상기 특정 학습용 이미지 프레임에 프로젝션하여 학습용 전역경로 마스크를 생성하도록 하고, (ii) 상기 학습용 전역경로 마스크와 상기 특정 학습용 이미지 프레임을 컨캐이터네이트하여 학습용 입력 이미지를 생성하며, (iii) 피처 추출 네트워크를 통해 상기 학습용 입력 이미지에서 상기 학습용 비정형 오브젝트에 대응되는 학습용 비정형 구간에 대한 학습용 피처를 추출하도록 하고, (iv) 경로 추정 네트워크를 통해 상기 학습용 피처를 러닝 연산하여 상기 학습용 비정형 구간을 회...(이하생략)
본 발명의 일 태양에 따르면, 멀티태스크 기반으로 도로 특징을 추출하기 위한 딥러닝 모델을 학습하는 방법에 있어서, (a) 컴퓨팅 장치가, 도로 상의 차선의 추정을 위한 제1 학습 태스크, 상기 도로와 관련된 구조물의 선 추정을 위한 제2 학습 태스크, 상기 도로의 상기 차선 및 상기 구조물에 대한 시맨틱 세그멘테이션을 위한 제3 학습 태스크 및 상기 제1 학습 태스크 내지 상기 제3 학습 태스크를 설정하고, 상기 제1 학습 태스크 내지 상기 제3 학습 태스크 각각에 대한 선택 확률 초기값을 설정하며, 상기 제1 학습 태스크 내지 상기 제3 학습 태스크 각각에 대해 하나의 epoch을 완료하는데 필요한 제1 학습 스텝 수 내지 제3 학습 스텝 수를 설정하고, 상기 제1 학습 스텝 수 내지 상기 제3 학습 스텝 수를 참조로 하여 전체 epoch에 포함되는 총 스텝 수를 결정하는 단계; (b) 총 학습 진행률이 제1 임계 진행률 이하이거나 제1 임계 스텝 수 이하인 것으로 판단되면, 상기 컴퓨팅 장치는, 상기 제1 학습 태스크 내지 상기 제3 학습 태스크 각각에 대한 상기 선택 확률 초기값을 참조로 하여, 상기 제1 학습 태스크 내지 상기 제3 학습 태스크 중에서 학습을 수행할 특정 학습 태스크를 랜덤 선택하고, 상기 특정 학습 태스크에 대한 로스를 산출하는 단계; 및 (c) 상기 컴퓨팅 장치가, 상기...(이하생략)
라이다 센서를 통해 획득된 포인트 데이터를 참조로 하여 우천 환경 정보를 제공하는 방법에 있어서, (a) 자율주행차량에 탑재되어 있는 라이다 센서의 소정 거리에 검지 영역이 설정되고, 상기 라이다 센서를 통하여, 제1 레이어 내지 제N 레이어 각각으로 레이저 전송 펄스를 발사하면, 컴퓨팅 장치가, 상기 검지 영역 내에서, 상기 레이저 전송 펄스에 대응되어 반환되는 레이저 반사 펄스로부터 전체 포인트 데이터를 획득하는 단계; (b) 상기 컴퓨팅 장치가, 상기 전체 포인트 데이터 중에서 우천 환경에 대한 소정 기준을 충족하는 적어도 일부인 특정 포인트 데이터를 소정 기간 동안 누적하고, 누적된 상기 특정 포인트 데이터를 참조로 하여 우천 환경을 검출하는 단계;를 포함하는 방법 및 이를 이용한 컴퓨팅 장치가 개시된다.
본 발명은 씬플로우를 이용하여 자율주행 경로 추정 모델을 학습하는 방법에 있어서, (a) 학습용 자동차가 주행하는 동안 획득한 t_1 내지 t_n 시간 동안의 학습용 카메라 영상 데이터, 학습용 고정밀 지도 데이터, 및 학습용 라이다 데이터를 포함하는 학습 데이터가 획득되면, 학습 장치가, 상기 t_1 내지 t_n 시간에서의 각각의 시각인 t_i 시각에 대응되는 상기 학습용 카메라 영상 데이터의 학습용 제i 이미지 프레임을 이미지 피처 추출 네트워크로 입력하여 상기 이미지 피처 추출 네트워크로 하여금 상기 학습용 제i 이미지 프레임에서 자율주행 경로 추정을 위한 학습용 이미지 피처를 추출한 학습용 제i 이미지 피처맵을 생성하도록 하고, 상기 t_i 시각에 대응되는 상기 학습용 고정밀 지도 데이터의 학습용 제i 지도 프레임을 지도 피처 추출 네트워크로 입력하여 상기 지도 피처 추출 네트워크로 하여금 상기 학습용 제i 지도 프레임에서 상기 자율주행 경로 추정을 위한 학습용 지도 피처를 추출한 학습용 제i 지도 피처맵을 생성하도록 하며, 상기 t_i 시각에 대응되는 상기 학습용 라이다 데이터의 학습용 제i 라이다 프레임 및 학습용 제(i-1) 라이다 프레임을 포인트 피처 추출 네트워크로 입력하여 상기 포인트 피처 추출 네트워크로 하여금 상기 학습용 제i 라이다 프레임 및 상기 학습용 제(i-1) 라이다 ...(이하생략)
카메라에 오염이 발생했는지 여부를 실시간으로 판단하는 방법에 있어서, (a) 카메라에 의해 입력 영상이 생성되면, 오염 검출 시스템이, 오염 검출 시점 판단부로 하여금 상기 입력 영상이 오염 검출에 적합한지를 나타내는 신뢰도가 적어도 하나의 기설정된 조건을 만족하는지 여부를 판단하도록 하는 단계; (b) 상기 입력 영상이 상기 기설정된 조건을 만족하는 것으로 판단되면, 상기 오염 검출 시스템이, (i) 상기 입력 영상을 오염도 계산부에 제공한 후 상기 오염도 계산부로 하여금 상기 입력 영상에 대해 컨벌루션 뉴럴 네트워크(Convolutional Neural Network)의 연산을 적용하여 오염 상태를 소정의 세부 영역 별로 분류하고 이를 기초로 상기 세부 영역 별로 프레임 오염도를 도출하도록 하는 프로세스, 및 (ii) 상기 입력 영상을 선명도 계산부에 제공한 후 상기 선명도 계산부로 하여금 상기 입력 영상에 대해 인접 픽셀 간의 밝기 차이를 이용하여 에지 맵을 상기 세부 영역 별로 획득하고, 이를 기초로 상기 세부 영역 별로 프레임 선명도를 도출하도록 하는 프로세스를 수행하는 단계; 및 (c) 상기 오염 검출 시스템이, 오염 판단부로 하여금 상기 프레임 오염도 및 상기 프레임 선명도를 참조로 하여, 상기 카메라의 오염 여부를 판단하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법 및 컴퓨팅 ...(이하생략)
본 발명에 따르면, 자율주행차량의 정차 위치를 결정하는 방법에 있어서, (a) 이용자 위치 정보가 획득되면, 컴퓨팅 장치가, 정밀지도를 기반으로 하여 상기 이용자 위치 정보에 따른 이용자의 근방에 대응되는 도로의 차선 정보, 차로 정보, 정지선 정보, 도로경계선 정보 중 적어도 일부를 포함하는 도로 정보를 획득하고, 상기 도로 정보를 참조로 하여 상기 도로의 정적 상황을 판단하여 후보군 영역을 결정하는 단계; (b) 상기 컴퓨팅 장치가, 이용자가 인프라 영역 내에 존재하는 것으로 판단되면, 상기 인프라 영역에 대응되어 획득된 인프라 유래 판단 정보를 참조로 하여 상기 후보군 영역 내의 객체의 존재 여부에 대한 정보를 포함하는 상기 도로의 제1 동적 상황을 판단하고, 상기 이용자가 상기 인프라 영역 내에 존재하지 않는 것으로 판단되면, 상기 자율주행차량에 탑재된 센서로부터 획득된 차량 유래 판단 정보를 참조로 하여 상기 후보군 영역 내의 상기 객체의 존재 여부에 대한 정보를 포함하는 상기 도로의 제2 동적 상황을 판단하는 단계; 및 (c) 상기 컴퓨팅 장치가, 상기 제1 동적 상황 및 상기 제2 동적 상황 중 적어도 일부를 참조로 하여 상기 후보군 영역 중에서 상기 객체가 존재하지 않는 적어도 하나의 정차 가능 영역을 결정하고, 상기 정차 가능 영역 각각의 특성 정보를 참조로 하여 상기 정차 가능 영...(이하생략)
자율주행차량에 설치된 프로젝터의 고장을 판단하는 방법에 있어서, (a) 프로젝터 고장 진단 장치가, 프로젝터 제어기로 하여금 상기 자율주행차량의 상태에 대응되는 특정 컨텐츠를 생성하여 상기 프로젝터로 전달하도록 하는 단계; 및 (b) 상기 자율주행차량이 주행 중인 것으로 판단되면, 상기 프로젝터 고장 진단 장치가, (b1) 상기 프로젝터로 하여금 상기 특정 컨텐츠를 바닥면에 투사하도록 하고, 카메라로 하여금 상기 바닥면에 투사된 상기 특정 컨텐츠를 촬영하여 컨텐츠 이미지를 획득하도록 하고, (b2) 딥러닝 네트워크로 하여금 상기 컨텐츠 이미지에 대해 연산을 수행하도록 하고, 영상처리 제어기로 하여금, 상기 프로젝터 제어기로부터 획득된 상기 특정 컨텐츠에 대한 정보 및 상기 딥러닝 네트워크에 의해 출력된 판단 정보를 참조로 하여, 상기 프로젝터의 고장 여부를 판단하도록 하는 단계;를 포함하는 방법이 개시된다.
본 발명은 자율주행 자동차의 주행 데이터로부터 자율주행 딥러닝 모델을 학습하기 위한 비정형 상황에 대한 학습 데이터를 생성하는 방법에 있어서, (a) 도로를 주행 중인 자율주행 자동차의 자율주행 딥러닝 모델로부터 주변 오브젝트들을 검출한 오브젝트 디텍션 결과가 획득되면, 학습 데이터 생성 장치가, 상기 오브젝트 디텍션 결과를 참조하여 상기 자율주행 자동차의 전방에 적어도 하나의 비정형 오브젝트가 위치하는지를 확인하는 단계; (b) 상기 자율주행 자동차의 전방에 상기 비정형 오브젝트가 위치하는 것으로 확인되면, 상기 학습 데이터 생성 장치가, 비정형 오브젝트 확인을 위한 타겟 거리를 설정하며, 상기 타겟 거리에 도달할 때까지의 상기 자율주행 자동차의 위치들 각각에서 검출된 비정형 오브젝트들의 위치 정보들을 획득하고, 상기 비정형 오브젝트들의 위치 정보들을 참조하여 상기 도로에서의 비정형 상황 정보를 생성하는 단계; 및 (c) 상기 학습 데이터 생성 장치가, 상기 타겟 거리에서의 상기 자율주행 자동차의 위치들을 참조하여 상기 비정형 상황 정보에 대응되는 상기 자율주행 자동차의 행동 그라운드 트루스를 생성하며, 상기 비정형 상황 정보와 상기 행동 그라운드 트루스를 비정형 상황에 대한 학습 데이터로 생성하는 단계; 를 포함하는 방법에 관한 것이다.
적어도 하나의 보행자 시야 정보를 참조로 하여 상기 보행자의 주변에 위치하는 적어도 하나의 자율주행차량의 주행을 유도하는 방법에 있어서, (a) 상기 자율주행차량 각각에 탑재된 센서에 의해 상기 보행자 중 적어도 일부의 보행자 위치 정보 및 상기 보행자 시야 정보가 획득되면, 서버가, 상기 보행자 중 적어도 일부의 상기 보행자 시야 정보를 상기 자율주행차량 각각으로부터 획득하는 단계; (b) 상기 서버가, 상기 보행자 중 적어도 일부의 상기 보행자 시야 정보를 참조로 하여, 상기 보행자 각각에 대응되는 시야맵을 생성하는 단계; 및 (c) 상기 서버는, 상기 보행자 위치 정보 및 상기 시야맵을 참조로 하여, 상기 자율주행차량 각각이 상기 보행자 각각의 시야 확보 영역 내에 있는지 여부를 판단할 수 있도록 지원하는 단계;를 포함하는 방법 및 이를 이용한 컴퓨팅 장치가 개시된다.
본 발명은 도로의 경사도에 따라 자율주행 자동차의 가속도를 제어하는 방법에 있어서, (a) 종방향 제어기가, 자율주행 제어기로부터 자율주행 자동차의 주행을 위한 목표 가속도와, 고정밀 지도 데이터에서의 주행 도로에서의 기설정된 포인트들에 대한 고도 정보들을 이용하여 연산한 제1 도로 경사각을 획득하며, 상기 자율주행 자동차에 설치된 가속도 센서로부터 획득되는 센싱 신호로부터 상기 자율주행 자동차의 종방향 가속도를 획득하는 단계; (b) 상기 종방향 제어기가, 상기 종방향 가속도를 이용하여 상기 자율주행 자동차의 제1 피치를 연산하며, 상기 제1 피치와 상기 제1 도로 경사각을 이용하여 상기 종방향 가속도를 보정하여 상기 제1 도로 경사각에 적응된 상기 자율주행 자동차의 제1 보정 가속도를 연산하는 단계; 및 (c) 상기 종방향 제어기가, 상기 제1 보정 가속도와 상기 목표 가속도를 참조하여 상기 자율주행 자동차의 제1 가감속 제어값을 연산하며, 상기 제1 가감속 제어값에 따라 상기 자율주행 자동차의 브레이크 또는 액셀러레이터를 제어하는 단계; 를 포함하는 방법에 관한 것이다.
본 발명에 따르면, 특정 자율주행 차량의 측위를 수행하기 위한 방법에 있어서, (a) 특정 자율주행 차량의 컴퓨팅 장치가, 서버로부터 특정 자율주행 차량의 위치로부터 일정 거리 이내의 지도 데이터를 수신하는 단계; (b) 컴퓨팅 장치가, 지도 데이터에 포함된 적어도 하나의 객체에 대한 지도 객체 데이터 및 특정 자율주행 차량의 특정 센서로부터 획득된 특정 센싱 데이터를 참조하여, 특정 객체 기준 섹터 및 특정 차량 기준 섹터 - 특정 객체 기준 섹터는 객체로부터 특정 자율주행 차량을 바라보는 방향에 대응되는 영역이고, 특정 차량 기준 섹터는 특정 자율주행 차량의 헤딩 방향에 대응되는 영역임 - 를 획득하는 단계; 및 (c) 컴퓨팅 장치가, 특정 객체 기준 섹터, 특정 차량 기준 섹터 및 지도 객체 데이터를 참조하여, 특정 센싱 데이터의 유효성을 판단하고, 특정 센싱 데이터의 유효성이 있는 것으로 판단된 경우, 지도 객체 데이터와 특정 센싱 데이터를 매칭하여 생성된 특정 매칭 결과 데이터를 참조로 하여, 특정 자율주행 차량의 측위를 수행하는 단계;를 포함하는, 특정 자율주행 차량의 측위를 수행하기 위한 방법이 개시된다.
본 발명에 따르면, 차량의 스티어 바이 와이어 장치에 있어서, 랙 기어가 설치되어 있으며, 직선 운동에 의해 차량 휠의 조향 각도를 조정하는 랙 샤프트; 랙 기어에 치합되며, 회전 운동에 따라 랙 기어를 직선 운동시키는 피니언 기어; 서로 대향되게 설치된 제1 선 기어 및 제2 선 기어, 제1 선 기어 및 제2 선 기어에 치합되며 제1 선 기어 및 제2 선 기어 중 적어도 하나의 선 기어의 회전 운동에 대응하여 제1 선 기어의 중심점과 제2 선 기어의 중심점을 잇는 공전축을 중심으로 공전하는 적어도 하나의 플래닛 기어, 및 플래닛 기어에 결합되어 공전축을 중심으로 회전 운동하며 피니언 기어에 결합된 케이스를 포함하는 차동 기어 모듈; 제1 선 기어 및 제2 선 기어 각각을 회전 운동시키는 제1 액추에이터 및 제2 액추에이터; 및 조향 입력 정보에 대응하여 제1 액추에이터 및 제2 액추에이터를 제어하는 적어도 하나의 컨트롤러; 랙 기어 및 피니언 기어 중 적어도 일부의 운동량을 감지하는 조향 센서;를 포함하는, 스티어 바이 와이어 장치가 개시된다.
본 발명은 자율주행시 통행우선권에 기초한 충돌 위험도 관리 장치에 관한 것으로, 충돌 위험도 관리 장치는 자율주행 차량의 내부 또는 외부에 배치되는 하나 이상의 센서로부터 정보를 획득하는 정보 획득부, 상기 획득된 정보에 기초하여 자율주행 차량의 주변에 위치하는 객체를 인식하는 객체 인식부 및 인식되는 객체에 대하여 통행우선권에 기초하여 객체와의 충돌 위험도 레벨을 설정하는 충돌 위험도 판단부를 포함하는 것을 특징으로 한다.
도로의 이벤트 상황 인식을 통하여 자율주행차량의 주행가능 경로를 생성하는 방법에 있어서, (a) 소정 도로에서 주행중인 상기 자율주행차량의 컴퓨팅 장치가, 상기 자율주행차량에 탑재된 카메라를 이용한 영상 인식 기술을 활용해 도로 영역 및 비도로 영역을 인식하고, 객체를 분할하고 상기 객체를 인식하는 단계; (b) 상기 컴퓨팅 장치가, 상기 도로 영역에 대한 인식 정보, 상기 객체에 대한 인식 정보 및 상기 객체에 대한 위치 정보를 참조로 하여, 상기 도로 영역 내 이벤트의 존재 여부를 판단하기 위하여, 상기 객체에 대한 인식 정보가 상기 이벤트에 대응되는 기설정된 조건과 임계치 이상의 관련도를 가지는 특정 객체를 포함하는지 여부 및 상기 특정 객체에 대한 위치 정보가 상기 도로 영역 상에 위치하는지 여부를 판단하는 단계; 및 (c) 상기 객체에 대한 인식 정보가 상기 이벤트에 대응되는 기설정된 조건과 임계치 이상의 관련도를 가지는 상기 특정 객체를 포함하고 상기 특정 객체에 대한 상기 위치 정보가 상기 도로 영역 상에 위치하는 것으로 판단되면, 상기 컴퓨팅 장치가, 상기 도로 영역 상의 특정 도로 영역을 주행가능 영역으로서 결정할 수 있는지 여부를 판단하는 단계;를 포함하는 것을 특징으로 하는 방법 및 이를 이용한 컴퓨팅 장치가 개시된다.
자율주행차량이 추종하고 있는 주행경로 중 합류 경로에서의 시야 범위 및 위험도를 판단하는 방법에 있어서, (a) 컴퓨팅 장치가, 저장되어 있는 목적지까지의 전역경로정보를 이용하여, 운행중인 자율주행차량의 현재 위치를 기준으로 기설정된 거리범위 내에서의 상기 자율주행차량이 주행해야 하는 경로인 레인링크 경로에 대한 정보, 상기 기설정된 거리범위 내에서 상기 레인링크 경로와 연결되는 경로인 합류 경로에 대한 정보 및 상기 기설정된 거리범위 내에 위치해 있는 복수의 구조물에 대한 정보를 포함하는 주변경로정보를 생성하는 단계; (b) 상기 컴퓨팅 장치가, 상기 복수의 구조물에 정보를 참조로 하여 상기 복수의 구조물 각각에 대해, 해당 구조물에 대응되는 복수의 좌표 정보를 내부에 포함하는 바운딩 박스를 생성하고 이에 대한 정보를 저장하는 단계; (c) 상기 컴퓨팅 장치가, 상기 자율주행차량에 장착되어 있는 적어도 하나의 센서에 대한 정보, 상기 센서에 의해 검출된 센싱 정보, 상기 레인링크 경로에 대한 정보, 상기 합류 경로에 대한 정보 및 상기 복수의 바운딩 박스에 대한 정보를 이용하여 상기 자율주행차량의 시야가 확보되는 경로에 대한 정보인 시야 범위 정보를 획득하는 단계; 및 (d) 상기 컴퓨팅 장치가, (i) 상기 시야 범위 정보를 이용하여, 상기 합류 경로에서 상기 시야가 확보되는 지점 중 상기 합류...(이하생략)
머신러닝에 기반하여 주변 차량 정보를 생성함으로써 자율 주행을 지원하기 위한 학습 방법에 있어서, (a) 현재 입력 이미지에 포함된 주변 차량을 검출하여 획득되는 현재 검출 이미지 또는 이로부터 생성된 현재 가공 이미지, 및 소스 사운드 데이터로부터 생성된 가공 사운드 데이터가 컨캐터네이션됨으로써 생성된 컨캐터네이티드 입력 데이터가 획득되면, 학습 장치가, (i) 상기 컨캐터네이티드 입력 데이터를 공유 인코더에 입력하여, 상기 공유 인코더로 하여금 현재 공유 특징 맵을 생성하도록 하고, (ii) 상기 현재 공유 특징 맵을 시계열 특징 맵 융합 레이어에 입력하여 상기 시계열 특징 맵 융합 레이어로 하여금 상기 현재 공유 특징 맵 및 이에 대응되는 적어도 하나의 과거 공유 특징 맵을 참조하여 시계열 융합 특징 맵을 생성하도록 하는 단계; (b) 상기 학습 장치가, (i) 상기 시계열 융합 특징 맵을 자동차 타입 헤더 레이어에 입력하여 상기 자동차 타입 헤더 레이어로 하여금 현재 자동차 타입 특징 맵을 생성하도록 하고, 상기 현재 자동차 타입 특징 맵을 자동차 타입 추정 레이어에 입력하여 상기 자동차 타입 추정 레이어로 하여금 상기 현재 검출 이미지 또는 상기 현재 가공 이미지에 포함된 상기 주변 차량의 종류를 나타내는 현재 예측 자동차 타입 정보를 출력하도록 하는 프로세스, (ii) 상기 시계열 융합 ...(이하생략)
인프라 서버와 통신을 통한 자율주행차량에 탑재된 센서의 사각지역을 주행하는 방법에 있어서, (a) 소정 도로에서 운행중인 상기 자율주행차량의 컴퓨팅 장치가 정밀지도정보, 센서정보 및 GPS 정보 중 적어도 일부를 이용하여 상기 자율주행차량의 측위를 수행하고, 상기 측위를 바탕으로 상기 자율주행차량이 소정 시간 범위 내에 특정 이벤트를 만나는 것이 예상되는 경우, 상기 컴퓨팅 장치가, 상기 측위에 대한 차량위치 데이터, 상기 자율주행차량에 상기 센서가 탑재된 위치에 대한 탑재위치 데이터, 상기 자율주행차량의 진행 방향에 대한 방향 데이터, 상기 자율주행차량에 대한 차량구조데이터, 및 상기 센서에 대한 시야각 데이터를 상기 인프라 서버에 전송함으로써, 상기 도로 내에서 상기 특정 이벤트에 대응되는 관심영역이 상기 센서의 상기 사각지역에 대한 사각지역 후보 데이터에 해당되는지에 대해 상기 인프라 서버에 질의하는 단계; (b) 상기 컴퓨팅 장치가, 상기 차량위치 데이터, 상기 탑재위치 데이터, 상기 방향 데이터, 상기 차량구조데이터, 상기 시야각 데이터와 더불어 상기 사각지역 후보 데이터에 포함되는 적어도 하나의 차폐물에 대한 3차원 차폐물구조데이터를 참조로 하여 계산된 사각지역 입체 데이터를 상기 인프라 서버로부터 수신하는 단계; 및 (c) 상기 컴퓨팅 장치가, 상기 사각지역 입체 데이터를 참조하여 상기...(이하생략)
머신러닝에 기반하여 주변 차량 정보를 생성함으로써 자율 주행을 지원하기 위한 학습 방법에 있어서, (a) 현재 입력 이미지에 포함된 주변 차량을 검출하여 획득되는 현재 검출 이미지 또는 이로부터 생성된 현재 가공 이미지가 획득되면, 학습 장치가, 상기 현재 검출 이미지 또는 상기 현재 가공 이미지를 공유 인코더에 입력하여, 상기 공유 인코더로 하여금 현재 공유 특징 맵을 생성하도록 하는 단계; (b) 상기 학습 장치가, (i) 상기 현재 공유 특징 맵을 자동차 타입 헤더 레이어에 입력하여 상기 자동차 타입 헤더 레이어로 하여금 현재 자동차 타입 특징 맵을 생성하도록 하고, 상기 현재 자동차 타입 특징 맵을 자동차 타입 추정 레이어에 입력하여 상기 자동차 타입 추정 레이어로 하여금 상기 현재 검출 이미지 또는 상기 현재 가공 이미지에 포함된 상기 주변 차량의 종류를 나타내는 현재 예측 자동차 타입 정보를 출력하도록 하는 프로세스, (ii) 상기 현재 공유 특징 맵을 자동차 포즈 헤더 레이어에 입력하여 상기 자동차 포즈 헤더 레이어로 하여금 현재 자동차 포즈 특징 맵을 생성하도록 하고, 상기 현재 자동차 포즈 특징 맵을 자동차 포즈 추정 레이어에 입력하여 상기 자동차 포즈 추정 레이어로 하여금 상기 주변 차량의 포즈를 나타내는 현재 예측 자동차 포즈 정보를 출력하도록 하는 프로세스, (iii) 상기 현...(이하생략)
카메라에 오염이 발생했는지 여부를 실시간으로 판단하는 방법에 있어서, (a) 이동체에 장착된 특정 카메라로부터 제(t-k) 시점에 대응되는 특정 제(t-k) 이미지가 획득되고, 상기 이동체에 장착된 깊이 센서로부터 상기 제(t-k) 시점에 대응되는 복수의 제(t-k) 3차원 포인트 정보가 획득되면, 오염도 추정 장치가, 적어도 하나의 특정 제(t-k) 3차원 포인트 정보를 상기 특정 제(t-k) 이미지에 투영함으로써 상기 제(t-k) 시점에 대응되는 적어도 하나의 특정 제(t-k) 이미지 포인트 정보를 획득하는 단계; (b) 상기 특정 카메라로부터 제t 시점에 대응되는 특정 제t 이미지가 획득되고, 상기 깊이 센서로부터 상기 제t 시점에 대응되는 복수의 제t 3차원 포인트 정보가 획득되면, 상기 오염도 추정 장치가, 적어도 하나의 변환 제(t-k) 3차원 포인트 정보 - 상기 변환 제(t-k) 3차원 포인트 정보는, 상기 특정 제(t-k) 3차원 포인트 정보 및 이동체 움직임 정보가 참조되어 획득되며, 상기 이동체 움직임 정보는, 상기 제(t-k) 3차원 포인트 정보 중 적어도 일부 및 상기 제t 3차원 포인트 정보 중 적어도 일부가 참조되어 획득되거나, 상기 제(t-k) 이미지 및 상기 제t 이미지가 참조되어 획득됨 - 를 상기 특정 제t 이미지에 투영함으로써 상기 제t 시점에 대응되는 적어도 하...(이하생략)
본 발명은 자율주행시스템에서 차량의 원격제어주행을 위한 영상을 송수신하는 방법에 있어서, (a) 차량에 설치된 n - 상기 n은 2 이상의 정수임- 개의 카메라들로부터 상기 차량의 주변 환경을 촬영한 n개의 영상들이 획득되면, 상기 차량에 설치된 원격제어주행 컴퓨팅 장치가, 상기 n개의 영상들 각각에서의 동일한 시각에 대응되는 n개의 프레임들 각각을 각각의 촬영 방향들에 따라 기설정된 다운 해상도들로 다운샘플링한 n개의 다운샘플링된 프레임들을 생성하며, 상기 n개의 다운샘플링된 프레임들을 각각의 촬영 방향들에 따라 하나의 프레임 내에서의 기설정된 합성 영역들 각각에 합성하여 합성 프레임들을 생성하는 단계; 및 (b) 상기 원격제어주행 컴퓨팅 장치가, 상기 합성 프레임들을 포함하는 단일 영상을 하나의 영상 송신기를 통해 원격제어 칵핏의 칵핏용 컴퓨팅 장치로 전송하여 상기 칵핏용 컴퓨팅 장치로 하여금, 상기 단일 영상의 각각의 상기 합성 프레임들로부터 상기 n개의 다운샘플링된 프레임들을 획득하도록 하고, 상기 n개의 다운샘플링된 프레임들의 해상도들을 기설정된 업 해상도들로 업샘플링하여 n개의 업샘플링된 프레임들을 생성하도록 하며, 상기 원격제어 칵핏의 적어도 하나의 디스플레이 장치를 통해 상기 n개의 업샘플링된 프레임들을 각각의 기설정된 디스플레이 영역들에 표시하도록 지원하는 단계; 를 포함하는 방법에...(이하생략)
차량에 탑재된 카메라 센서에 기반하여 신호등의 신호 주기를 예측하는 방법에 있어서, (a) 차로를 운행중인 상기 차량에 탑재된 상기 카메라 센서로부터 상기 신호등에 대한 이미지가 획득되면, 서버가, 상기 신호등에 대한 상기 이미지를 참조하여 상기 신호등의 좌표 정보, 주기 데이터 생성용 신호등 검출 신호 정보 및 주기 데이터 생성용 신호등 검출 시각 정보를 획득하는 단계; (b) 상기 서버가, 상기 신호등의 상기 좌표 정보를 참조하여 상기 신호등에 대응되는 식별 ID를 결정하고, 상기 주기 데이터 생성용 신호등 검출 신호 정보 및 상기 주기 데이터 생성용 신호등 검출 시각 정보를 참조하여 주기 데이터 생성용 검출 타임 테이블에 상기 식별 ID 및 이에 대한 상기 주기 데이터 생성용 신호등 검출 신호 정보와 상기 주기 데이터 생성용 신호등 검출 시각 정보를 저장하거나 업데이트 하는 단계; (c) 상기 서버가, 상기 주기 데이터 생성용 검출 타임 테이블을 참조하여 상기 신호등의 상기 주기 데이터 생성용 신호등 검출 신호 정보가 변경되는 지점인 신호 엣지 정보를 획득하고, 상기 신호 엣지 정보를 참조하여 상기 신호 엣지 정보가 반복되는 구간 정보인 특정 신호 주기 후보를 획득하며, 상기 특정 신호 주기 후보에 대응되는 하나의 주기 데이터를 제1 시간 구간으로 확장한 예측 타임 테이블을 생성하는 단계; 및...(이하생략)
본 발명에 따르면, 자동차의 비상용 제동을 수행하는 페일-세이프 브레이크 장치에 있어서, 자동차의 브레이크 작동부에 설치되며, 인가되는 구동전원에 의해 동작하여 상기 브레이크 작동부에 답력을 전달하는 액츄에이터; 액츄에이터의 동작 상태를 센싱하는 센서 모듈; 자동차의 CAN 통신을 통해 자동차의 상태를 모니터링하며, 자동차의 상태가 페일-세이프인 상태로 확인되면, 센서 모듈로부터 센싱되는 액츄에이터의 동작 상태를 참조하여 액츄에이터에 인가되는 구동전원을 제어하는 페일-세이프 제어부; 액츄에이터, 센서 모듈, 및 페일-세이프 제어부로 구동전원을 공급하며, 자동차의 메인 배터리와는 별개로 구성된 페일-세이프 배터리;를 포함하는 자동차의 페일-세이프 브레이크 장치가 개시된다.
신호등이 없는 교차로에 설치된 라이다와 상기 교차로에 대응되는 맵 정보를 연동하여 차량의 통행을 제어하는 방법에 있어서, (a) 라이다 인프라 시스템이, 상기 맵 정보를 이용하여, 차로 각각에 대응되는 정지선 각각에 대한 정보를 획득하고, 상기 정지선 각각으로부터 상기 차로 각각의 진행 방향의 역 방향으로 상기 차로 각각에 지정된 임계 거리 각각까지의 영역 각각을 상기 차로 각각에 대한 큐잉 존(Queueing Zone)으로서 결정하는 단계; (b) 상기 라이다로부터 제1 차로를 운행하는 제1 이동 객체 및 제2 차로를 운행하는 제2 이동 객체가 상기 교차로에 진입하는 객체로서 적어도 검출되면, 상기 라이다 인프라 시스템이, 상기 제1 이동 객체 및 상기 제2 이동 객체 각각이 상기 제1 차로에 대응되는 제1 큐잉 존에 도착한 제1 객체 도착 정보 및 상기 제2 차로에 대응되는 제2 큐잉 존에 도착한 제2 객체 도착 정보를 큐(Queue)에 등록하는 단계; 및 (c) 상기 라이다 인프라 시스템이, 상기 제1 객체 도착 정보 및 상기 제2 객체 도착 정보를 참조하여 상기 제1 이동 객체 및 상기 제2 이동 객체의 상기 교차로에 대한 통행 우선 순위 정보인 제1 통행 우선 순위 및 제2 통행 우선 순위를 산출하고, 상기 제1 통행 우선 순위 및 상기 제2 통행 우선 순위 각각을 V2X(Vehicle t...(이하생략)
라이다 센서 외부에 오염이 발생했는지 여부를 실시간으로 판단하는 방법에 있어서, (a) (i) 이동체에 장착된 라이다 센서로부터의 제1 레이어 내지 제n 레이어 각각에 대응되는 복수의 제1 레이어 기존 센싱 포인트 정보 내지 복수의 제n 레이어 기존 센싱 포인트 정보, 및 (ii) 상기 제1 레이어 기존 센싱 포인트 정보 내지 상기 제n 레이어 기존 센싱 포인트 정보를 참조로 하여 계산된 복수의 제1 레이어 기존 평균 누락 포인트 정보 내지 복수의 제n 레이어 기존 평균 누락 포인트 정보 및 복수의 제1 레이어 기존 최대 누락 포인트 정보 내지 복수의 제n 레이어 기존 최대 누락 포인트 정보 중 적어도 일부가 획득된 상태에서, 제1 레이어 추가 센싱 포인트 정보 내지 제n 레이어 추가 센싱 포인트 정보가 획득되면, 컴퓨팅 장치가, (I) 상기 제1 레이어 기존 센싱 포인트 정보 내지 상기 제n 레이어 기존 센싱 포인트 정보 중 적어도 일부 및 상기 제1 레이어 추가 센싱 포인트 정보 내지 상기 제n 레이어 추가 센싱 포인트 정보를 참조하여, 제1 레이어 갱신 평균 누락 포인트 정보 내지 제n 레이어 갱신 평균 누락 포인트 정보 및 제1 레이어 갱신 최대 누락 포인트 정보 내지 제n 레이어 갱신 최대 누락 포인트 정보 중 적어도 일부를 출력하는 프로세스; 및 (II) 상기 제1 레이어 갱신 평균 누락...(이하생략)
고정형 라이다를 이용하여 이동형 오브젝트를 검출하기 위한 전처리 방법에 있어서, (a) 고정형 라이다에 의해 획득된 사전 데이터는, 상기 고정형 라이다의 복수의 채널 각각에 대응되는 레이어별로 해당 레이어에 의해 커버되는 복수의 고정 포인트 각각에 대한 정보로서 해당 고정 포인트의 사전 수평 각도 정보 및 사전 거리 정보가 데이터베이스에 저장되어 있는 상태에서, 상기 고정형 라이다에 의해 센싱된 정보인 실시간 데이터가 입력되면, 컴퓨팅 장치가, 상기 실시간 데이터를 이용하여 상기 레이어별로 상기 각각의 레이어에 의해 커버되는 복수의 실시간 포인트 각각의 실시간 수평 각도 정보 및 실시간 거리 정보를 획득하는 단계; (b) 상기 컴퓨팅 장치가, 상기 레이어별로 해당 레이어에 의해 커버되는 상기 복수의 실시간 포인트 각각의 상기 실시간 거리 정보를, 해당 복수의 실시간 포인트 각각의 상기 실시간 수평 각도와 동일한 수평 각도를 가지고 있는 상기 복수의 고정 포인트 각각의 상기 사전 거리 정보와 비교하여, 상기 복수의 고정 포인트 중 적어도 하나의 특정 고정 포인트의 특정 사전 거리 정보보다 작은 특정 실시간 거리 정보를 가지는 것으로 판단된 적어도 하나의 특정 실시간 포인트를 특정 잠정 오브젝트 포인트로서 획득하는 단계; (c) 상기 컴퓨팅 장치가, 상기 특정 잠정 오브젝트 포인트에 대해, (i) 상기...(이하생략)
라이다를 이용하여 신호등 사이클 정보를 예측하기 위한 방법에 있어서, (a) 상기 라이다로 커버할 수 있는 특정 영역 내에 포함된 복수의 가상 박스별로 메타데이터가 할당된 상태에서, 서버가, 상기 가상 박스별로 복수의 차량의 출발 타이밍 정보 및 정차 타이밍 정보 중 적어도 일부를 획득하는 단계; (b) 상기 서버는, 상기 가상 박스별 상기 복수의 차량의 상기 출발 타이밍 정보 및 상기 정차 타이밍 정보 중 적어도 일부를 참조로 하여, 상기 가상 박스별로 대응되는 각각의 신호등 정보의 변화 상태를 제k 시간 구간 동안 예측하여 제k 트래킹 정보를 획득하는 단계; 및 (c) 상기 서버는, 상기 가상 박스별로 획득한 상기 각각의 신호등 정보에 대한 상기 제k 트래킹 정보를 참조로 하여, 제k 신호 사이클 정보를 획득하는 단계;를 포함하는 것을 특징으로 하는 방법 및 이를 이용한 서버가 개시된다.
라이다 센서의 오염을 검출하는 방법에 있어서, (a) 오염 검출 장치가, 라이다 센서의 복수의 레이어 중에서 지면과 인터랙션하는 것으로 판단되는 제L_1 레이어 내지 제L_n 레이어 각각을 통해 제L_1 모니터링 데이터 내지 제L_n 모니터링 데이터를 획득하고, 상기 제L_1 모니터링 데이터 내지 상기 제L_n 모니터링 데이터 각각의 적어도 일부가 지면 데이터인지 비(非)지면 데이터인지 판단하는 단계; 및 (b) 상기 오염 검출 장치가, 상기 (a) 단계를 시간에 따라 복수 회 수행하여 상기 제L_1 모니터링 데이터 내지 상기 제L_n 모니터링 데이터 각각에 포함된 제L_1 비지면 데이터 내지 제L_n 비지면 데이터의 누적 카운트 중 적어도 일부가 제L_1 임계 카운트를 초과하는지 여부를 판단하고, 상기 제L_1 임계 카운트를 초과하는 것으로 판단된 적어도 하나의 특정 비지면 데이터에 대응되는 적어도 하나의 제L_특정 레이어에 대해 오염이 된 것으로 판단하는 단계를 포함하는 방법이 개시된다.
일 실시예에 따른 차량 장치는, 상기 차량 장치의 구동력을 제공하는 구동부, 서로 다른 위치에 배치되고, 상기 차량 장치의 외부로부터 신호를 수신하는 복수의 센서들, 상기 복수의 센서들 각각에 대응되는 복수의 클리닝 모듈들 및 상기 구동부, 상기 복수의 센서들 및 상기 복수의 클리닝 모듈들과 작동적으로 결합된 프로세서를 포함하고, 상기 프로세서는, 상기 수신된 신호에 기초하여, 외부 환경 정보를 획득하고, 상기 복수의 센서들 중 적어도 하나의 센서가 오염되었는지 여부를 판단하고, 상기 오염된 적어도 하나의 센서의 개수를 판단하고, 상기 획득된 외부 환경 정보, 및 상기 오염된 적어도 하나의 센서의 개수에 기초하여, 상기 복수의 클리닝 모듈들 중 적어도 하나의 클리닝 모듈의 동작 순서를 결정하고, 상기 결정된 동작 순서에 기초하여, 상기 적어도 하나의 클리닝 모듈의 클리닝 동작을 제어할 수 있다.
이미지 세그멘테이션을 위한 학습 방법에 있어서, (a) 학습 이미지가 획득되면, 학습 장치가, 상기 학습 이미지를 컨볼루셔널 엔코더-디코더 네트워크에 입력하여 상기 컨볼루셔널 엔코더-디코더 네트워크로 하여금 컨볼루션 연산들에 의해 상기 학습 이미지를 다운 샘플링한 다음 디컨볼루션 연산들에 의해 업 샘플링하여 제1 해상도를 가지는 제1 피처 맵 내지 제n 해상도를 가지는 제n 피처 맵을 생성하도록 하고, 상기 제1 피처 맵 내지 상기 제n 피처 맵 각각을 쉐어링 레이어에 입력하여 상기 쉐어링 레이어로 하여금 상기 제1 피처 맵 내지 상기 제n 피처 맵 각각을 적어도 한 번 컨볼루션 연산하여 해상도 변경에 강건한 제1 쉐어링 피처 맵 내지 제n 쉐어링 피처 맵을 출력하도록 하는 단계; (b) 상기 학습 장치가, 상기 제1 쉐어링 피처 맵 내지 상기 제n 쉐어링 피처 맵 각각을 제1 채널 와이즈 공간 컨볼루션(channel-wised spatial convolution) 레이어 내지 제n 채널 와이즈 공간 컨볼루션 레이어 각각에 입력하여 상기 제1 채널 와이즈 공간 컨볼루션 레이어 내지 제n 채널 와이즈 공간 컨볼루션 레이어 각각으로 하여금 상기 제1 쉐어링 피처 맵 내지 상기 제n 쉐어링 피처 맵 각각에 제1 채널 와이즈 공간 컨볼루션 내지 제n 채널 와이즈 공간 컨볼루션을 각각 적용하여 기설정된 출력...(이하생략)
자율주행차량의 운행설계영역(ODD: Operational Design Domain)을 고려하여 차선 단위로 경로를 탐색하는 방법에 있어서, 관제 서버로부터 전역경로 정보가 상기 자율주행차량으로 송신되고 있는 상태에서, (a) 특정 전역경로 정보가 송신되면, 경로탐색장치가, 상기 운행설계영역 및 저장되어 있는 정밀지도 정보를 참조로 하여, (i) 상기 특정 전역경로 정보에 상기 자율주행차량의 운행 조건을 만족하지 않는 정보가 포함되는지 여부를 판단하는 제1 프로세스, (ii) 상기 특정 전역경로 정보에 포함되어 있는 특정 경로거리 값이 상기 자율주행차량이 차선을 변경하는데 필요한 거리인 차선변경 거리값보다 이상인 값인지 여부를 판단하는 제2 프로세스, 및 (iii) 상기 특정 전역경로 정보에 정밀측위를 위해 필요한 랜드마크가 상기 자율주행차량이 주행해야 하는 주행경로 상에 포함되어 있는지 여부를 판단하는 제3 프로세스 중 적어도 일부를 수행하는 단계; (b) 상기 수행한 적어도 일부의 프로세스의 결과로서, 상기 제1 프로세스의 결과가 상기 특정 전역경로 정보에 상기 자율주행차량의 상기 운행 조건을 만족하지 않는 정보가 없는 것으로 판단되고, 상기 제2 프로세스의 결과가 상기 특정 전역경로 정보에 포함되어 있는 상기 특정 경로거리 값이 상기 자율주행차량이 차선을 변경하는데 필요한 거리인 상기 차선변경 ...(이하생략)
본 발명은 단안 카메라를 이용하여 도로의 종단 구배를 예측하는 방법에 있어서, (a) 자율주행 자동차에 설치된 단안 카메라로부터 상기 자율주행 자동차의 전방을 촬영한 전방 영상이 획득되면, 구배 예측 장치가, 상기 전방 영상의 각각의 프레임들에서 상기 자율주행 자동차의 전방에 위치하는 오브젝트들을 검출하는 단계; 및 (b) 상기 구배 예측 장치가, 상기 오브젝트들을 정적 오브젝트들과 동적 오브젝트들로 구분하며, (i) 상기 정적 오브젝트들 각각의 클래스들에 대응되는 정적 오브젝트 속성 정보들과, 상기 각각의 프레임들에서 검출된 상기 정적 오브젝트들 각각의 정적 오브젝트 인식 정보들을 참조하여 상기 정적 오브젝트들 각각의 위치인 정적 오브젝트 위치들 각각의 제1 종단 구배 정보들을 획득하는 프로세스, 및 (ii) 상기 동적 오브젝트들 각각의 모션들을 예측하고, 상기 자율주행 자동차의 모션을 예측하며, 상기 자율주행 자동차의 모션과 상기 동적 오브젝트들 각각의 모션들을 이용하여 상기 자율주행 자동차와 상기 동적 오브젝트들 사이의 상대적 모션들을 예측하고, 상기 상대적 모션들을 참조하여 상기 동적 오브젝트들 각각의 위치인 동적 오브젝트 위치들 각각의 제2 종단 구배 정보들을 획득하는 프로세스를 수행하는 단계; 를 포함하는 방법에 관한 것이다.
본 발명에 따르면, 자율주행 이동 오브젝트로부터 획득된 데이터를 가공하고 관리하기 위한 방법에 있어서, (a) 자율주행토탈데이터가 오퍼레이터로부터 지역거점에지컴퓨팅장치로 전송되고, 상기 자율주행토탈데이터에 포함되어 있는 적어도 하나의 자율주행파트데이터에 대한 정보를 포함하는 자율주행파트데이터리스트가 상기 오퍼레이터로부터 관리서버로 전송된 상태에서, 상기 관리서버는, 상기 지역거점에지컴퓨팅장치로부터 이전구간의 특정자율주행파트데이터에 대한 정보를 포함하는 특정자율주행파트데이터리스트에 대한 요청을 수신하는 단계; 및 (b) 상기 관리서버는, 상기 특정자율주행파트데이터리스트에 대한 요청에 응답하여 상기 특정자율주행파트데이터리스트를 상기 지역거점에지컴퓨팅장치로 전송하여, 상기 지역거점에지컴퓨팅장치로 하여금 (i) 상기 특정자율주행파트데이터리스트를 참조로 하여 상기 자율주행토탈데이터로부터 상기 특정자율주행파트데이터를 추출하도록 지원하는 제1 프로세스 및 (ii) 상기 추출된 특정자율주행파트데이터를 파트스토리지에 전송하도록 지원하는 제2 프로세스를 수행하는 단계;를 포함하는 방법이 개시된다.
본 발명은 정밀지도 기반으로 자율주행자동차의 종방향 주행을 제어하는 방법에 있어서, (a) 자율주행 제어 장치가, 자율주행자동차가 주행 중인 지역에 대한 정밀지도 정보, 정밀지도 상의 상기 자율주행자동차의 위치를 측위한 정밀 측위 정보, 및 상기 자율주행자동차의 주행 정보를 이용하여 상기 자율주행자동차의 자율주행 플랜을 설정하며, 상기 자율주행 플랜을 참조하여 상기 정밀지도 상에서 상기 자율주행 플랜을 수행하기 위한 센싱 필요 영역을 결정하는 단계; (b) 상기 자율주행 제어 장치가, 상기 자율주행자동차에 설치된 센서들로부터 획득되는 센싱 데이터들 및 상기 센서들에 대한 센서 정보들 - 상기 센서 정보들은 상기 센서들의 설치 위치 정보들 및 FOV(Field Of View) 정보들을 포함함 - 을 참조하여 상기 센싱 필요 영역 중 센싱 가능 영역을 확인하는 단계; 및 (c) 상기 자율주행 제어 장치가, 상기 센싱 가능 영역을 참조하여 상기 자율주행자동차의 안전속도를 결정하며, 상기 안전속도에 따라 상기 자율주행자동차의 가감속 제어를 수행하는 단계; 를 포함한다.
시험로 직관화 인터페이스 기반 자율주행 차량 시험 설정 지원 방법이 개시된다. 즉, (a) 컴퓨팅 장치가, 상기 자율주행 차량에 대한 시험 프로세스별로 설정된 제1 내지 제N 시험로 - N은 1 이상의 정수임 - 중 적어도 하나인 제K 시험로 - K는 1 이상 N 이하의 정수임 - 에 대하여, (i) 상기 제K 시험로 상의 각각의 지점이 자신 상의 각각의 지점에 대응되도록 가상으로 설정된 제K 시각화 도로 모델을 제1 영역에 제공하고, (ii) 복수 개의 시험 설정들 중 상기 사용자가 수행할 특정 시험 설정을 선택할 수 있도록 하는 툴바를 제2 영역에 제공하는 단계; 및 (b) 상기 컴퓨팅 장치가, 상기 사용자의 상기 제1 영역 상의 상기 제K 시각화 도로 모델 상에서의 조작에 따라, 상기 제2 영역 상에서 선택된 상기 특정 시험 설정에 대응하는 시험 설정용 객체가 상기 제K 시각화 도로 모델 상에 설정될 수 있도록 지원하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
본 발명에 따르면, 고정된 라이다를 이용하여 교차로에서의 상태를 검지하는 방법에 있어서, (a) 서버가, 정밀 지도 정보를 참조로 하여, 상기 라이다에 의해 커버되는 영역 중 차로를 세분화하여 차로별 메타데이터를 획득하는 단계; (b) 상기 서버가, 특정 라이다 데이터로부터 상기 차로 상의 오브젝트 정보를 획득하고, 연속된 복수의 프레임 내에 포함되는 상기 오브젝트 정보 중 오브젝트 ID를 참조로 하여, 상기 오브젝트 ID가 동일한 것끼리 분류하고, 상기 오브젝트 ID별 이동 경로를 저장하는 단계; 및 (c) 상기 서버가, 상기 오브젝트 정보, 상기 이동 경로, 및 상기 오브젝트가 위치한 상기 차로의 상기 메타데이터를 참조로 하여, 특정 차로 - 상기 특정 차로는 특정 메타데이터를 가짐 - 에 위치하는 특정 오브젝트의 특정 이동 경로가 상기 특정 메타데이터와 일치하지 않는 상태인 이상 패턴 상태를 나타내는지 여부를 판단하는 단계;를 포함하는 방법이 개시된다.
교차로에 설치된 라이다를 이용하여 신호등을 제어하기 위한 방법에 있어서, (a) 서버가, 상기 라이다를 이용하여, 차로별 대기 차량의 수 및 차로별 차량의 속도 중 적어도 일부를 감지하는 단계; 및 (b) 상기 서버가, 상기 차로별 대기 차량의 수 및 상기 차로별 차량의 속도 중 적어도 일부를 참조하여, 상기 차로별로 대응되는 신호등 각각을 제어하는 단계;를 포함하는 방법 및 이를 이용한 서버가 개시된다.
본 발명에 따르면, 라이다를 이용하여 신호등 정보를 예측하기 위한 방법에 있어서, (a) 상기 라이다로 커버할 수 있는 영역 내에 포함된 복수의 가상 박스별로 메타데이터가 할당된 상태에서, 서버가, 상기 가상 박스별로 복수의 차량의 출발 타이밍 정보 및 정차 타이밍 정보 중 적어도 일부를 획득하는 단계; 및 (b) 상기 서버가, 상기 가상 박스별 상기 복수의 차량의 출발 타이밍 정보 및 정차 타이밍 정보 중 적어도 일부를 참조로 하여, 상기 가상 박스별로 대응되는 각각의 신호등 정보를 예측하는 단계;를 포함하는 것을 특징으로 하는 방법 및 이를 이용한 서버가 개시된다.
본 발명에 따르면, 라이다(Lidar)를 이용하여 이동 오브젝트에 대한 판단을 수행하기 위한 방법에 있어서, (a) 제1 라이다 데이터가 획득되면, 서버가, 기설정된 기준에 따른 필터링을 수행하여 상기 제1 라이다 데이터로부터 고정 오브젝트에 대응되는 고정 라이다 데이터를 제거하여 잔여 라이다 데이터를 획득하는 단계; (b) 상기 서버가, 상기 잔여 라이다 데이터를 참조로 하여, 상기 이동 오브젝트를 트래킹하는 단계; 및 (c) 상기 서버가, 상기 이동 오브젝트에 대한 트래킹 데이터를 참조로 하여, 상기 이동 오브젝트를 분류하는 단계;를 포함하는 방법이 개시된다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 50 of 75 · titles and abstracts are in Korean as filed · click a row for details ▾
For now we hold public records only (National Pension Service · DART filings · patents · registers · press). When the company files material in our IR Room, it moves to L1. We do not score or rate companies — we only state how far we have checked.
Compiled from press reports — not confirmed by the company.
| KRW bn | 2024 | 2025 |
|---|---|---|
| Revenue | 9.2 | 16.3 |
| Cost of sales | 5.4 | 7.5 |
| Gross profit (loss) | 3.8 | 8.8 |
| Selling, general and administrative expenses | 26.7 | 30.6 |
| Operating income (loss) | (22.9) | (21.8) |
| Non-operating income | 0.9 | 0.8 |
| Other gains | 0.0 | 0.1 |
| Finance income | 0.9 | 0.7 |
| Non-operating expenses | 17.1 | 28.8 |
| Other losses | 0.2 | 0.1 |
| Finance costs | 16.9 | 28.8 |
| Profit (loss) before tax | (39.1) | (49.8) |
| Income tax expense | — | 0.0 |
| Net income (loss) | (39.1) | (49.8) |
Revenue ₩16.3bn, up 76.4% YoY.
Operating margin -134.0% (prior -248.4%).
Net income ₩-49.8bn.
Need more than is shown here? Ask for more information — full review report · valuation · executive teaser · IM · competitor analysis · due diligence. Tell us what you need and we will reply by email with scope, cost and timing.
Is this your company?
If anything here is wrong, tell us — we check it against the original and correct it. You do not need to join. If you would like your financials verified and this page completed, that is a separate process.
Headlines and links to public articles only · not checked by us (original ↗) · articles are in Korean — English headlines are our translation; where none is shown, “Read in English ›” opens a machine translation · “Broker view” is a forecast, not reported results · checked 2026-11-06