RnDcircle

번호	청구항
1	인공지능을 이용하여 객체 간 상호작용 분석을 통한 경로 예측 방법에 있어서,객체 그래프로부터 상기 객체 간의 예상 충돌 지점과의 위치에 기초하여 가중 인접 행렬을 산출하는 단계;고차원 그래프 모델의 그래프 컨볼루션 레이어를 통해, 상기 가중 인접 행렬을 이용하여 상기 객체 간의 M 홉 별 상호 관계를 정의한 M차 인접 행렬을 산출함과 아울러서, 상기 M차 인접 행렬 및 상기 객체의 속성을 정의한 피쳐 정보에 기초하여 M 홉 별 상호 관계에 따라 객체 속성 정보를 계산하는 단계;상기 고차원 그래프 모델의 콤비네이션 레이어를 통해, 상기 객체 속성 정보를 가중 합하여 누적 피쳐 정보를 생성하는 단계; 및 상기 누적 피쳐 정보를 상기 객체 그래프의 타겟 노드에 임베딩함과 아울러, 임베딩된 상기 객체 그래프에 기반하는 예측 경로 모델을 통해 객체의 예측 경로를 생성하는 단계를 포함하는, 경로 예측 방법.
2	제 1항에 있어서,상기 가중 인접 행렬을 산출하는 단계는,상기 객체 간의 연결 관계를 표현한 인접 행렬에 상기 객체와 상기 예상 충돌 지점과의 거리 및 상기 객체 간의 거리에 기초하여 가중하는 것인, 경로 예측 방법.
3	제 1항에 있어서,상기 예상 충돌 지점은,상기 객체의 현재 위치를 기준으로, 상기 객체의 방향 벡터에 따른 하프 라인 간의 교점에 의해 결정되는 것인, 경로 예측 방법.
4	제 1항에 있어서,상기 예상 충돌 지점은상기 객체의 환경에 대한 의미론적 위치 정보를 포함하고 있는 시맨틱 맵을 반영하여 계산되는 것인, 경로 예측 방법.
5	제 1항에 있어서,상기 객체 속성 정보를 계산하는 단계는,상기 피쳐 정보, 상기 M차 인접 행렬 및 해당 M 홉 별로 상기 객체 간의 상호 관계를 학습하는 가중치를 행렬 곱하는 것인, 경로 예측 방법.
6	제 1항에 있어서,상기 M차 인접 행렬은,상기 가중 인접 행렬을 M회 중첩함에 따라 각 중첩 횟수별로 산출되는 것인, 경로 예측 방법.
7	제 1항에 있어서,상기 누적 피쳐 정보는,상기 콤비네이션 레이어에 의해, M 홉 별 상호 관계에 따라 계산된 복수의 상기 객체 속성 정보를 단일의 정보로 추출하여 생성되는 것인, 경로 예측 방법.
8	제 7 항에 있어서,상기 단일의 정보로 추출하는 것은,상기 홉 별로 할당된 학습가능한 가중치에 의해 상기 M 홉 별 상기 객체 속성 정보를 가중 합하여 연결(concatenation)하고, 상기 가중 합으로 연결된 객체 속성 정보로부터 상기 단일의 정보를 추출하는 것인, 경로 예측 방법.
9	제 1항에 있어서,상기 고차원 그래프 모델은,플러그-앤-플레이(Plug-and-Play) 구조로 모듈화 되어 상기 예측 경로 모델에 결합되는, 경로 예측 방법.
10	제 1항에 있어서,상기 피쳐 정보는상기 객체의 클래스마다의 거동 정보 및 상태 정보를 포함하는, 경로 예측 방법.
11	인공지능을 이용하여 객체 간 상호작용 분석을 통한 경로 예측 모빌리티 장치에 있어서,적어도 하나의 인스트럭션을 저장하는 메모리; 및상기 메모리부터 획득된 데이터에 기초하여 상기 메모리에 저장된 상기 적어도 하나의 인스트럭션을 실행하는 프로세서를 포함하고,상기 프로세서는,객체 그래프로부터 상기 객체 간의 예상 충돌 지점과의 위치에 기초하여 가중 인접 행렬을 산출하고,고차원 그래프 모델의 그래프 컨볼루션 레이어를 통해, 상기 가중 인접 행렬을 이용하여 상기 객체 간의 M 홉 별 상호 관계를 정의한 M차 인접 행렬을 산출함과 아울러서, 상기 M차 인접 행렬 및 상기 객체의 속성을 정의한 피쳐 정보에 기초하여 M 홉 별 상호 관계에 따라 객체 속성 정보를 계산하고,상기 고차원 그래프 모델의 콤비네이션 레이어를 통해, 상기 객체 속성 정보를 가중 합하여 누적 피쳐 정보를 생성하며,상기 누적 피쳐 정보를 상기 객체 그래프의 타겟 노드에 임베딩함과 아울러, 임베딩된 상기 객체 그래프에 기반하는 예측 경로 모델을 통해 객체의 예측 경로를 생성하는, 경로 예측 모빌리티 장치.
12	제 11항에 있어서,상기 가중 인접 행렬을 산출하는 것은,상기 객체 간의 연결 관계를 표현한 인접 행렬에 상기 객체와 상기 예상 충돌 지점과의 거리 및 상기 객체 간의 거리에 기초하여 가중하는 것인, 경로 예측 모빌리티 장치.
13	제 11항에 있어서,상기 예상 충돌 지점은,상기 객체의 현재 위치를 기준으로, 상기 객체의 방향 벡터에 따른 하프 라인 간의 교점에 의해 결정되는 것인, 경로 예측 모빌리티 장치.
14	제 11항에 있어서,상기 예상 충돌 지점은상기 객체의 환경에 대한 의미론적 위치 정보를 포함하고 있는 시맨틱 맵을 반영하여 계산되는 것인, 경로 예측 모빌리티 장치.
15	제 11항에 있어서,상기 객체 속성 정보를 계산하는 것은,상기 피쳐 정보, 상기 M차 인접 행렬 및 해당 M 홉 별로 상기 객체 간의 상호 관계를 학습하는 가중치를 행렬 곱하는 것인, 경로 예측 모빌리티 장치.
16	제 11항에 있어서,상기 M차 인접 행렬은,상기 가중 인접 행렬을 M회 중첩함에 따라 각 중첩 횟수별로 산출되는 것인, 경로 예측 모빌리티 장치.
17	제 11항에 있어서,상기 누적 피쳐 정보는,상기 콤비네이션 레이어에 의해, M 홉 별 상호 관계에 따라 계산된 복수의 상기 객체 속성 정보를 단일의 정보로 추출하여 생성되는 것인, 경로 예측 모빌리티 장치.
18	제 17 항에 있어서,상기 단일의 정보로 추출하는 것은,상기 홉 별로 할당된 학습가능한 가중치에 의해 상기 M 홉 별 상기 객체 속성 정보를 가중 합하여 연결(concatenation)하고, 상기 가중 합으로 연결된 객체 속성 정보로부터 상기 단일의 정보를 추출하는 것인, 경로 예측 모빌리티 장치.
19	제 11항에 있어서,상기 고차원 그래프 모델은,플러그-앤-플레이(Plug-and-Play) 구조로 모듈화 되어 상기 예측 경로 모델에 결합되는, 경로 예측 모빌리티 장치.
20	제 11항에 있어서,상기 피쳐 정보는상기 객체의 클래스마다의 거동 정보 및 상태 정보를 포함하는, 경로 예측 모빌리티 장치.