KR101876051B1

KR101876051B1 - 기계 학습 시스템 및 그의 사용자 제어 패턴 학습 방법

Info

Publication number: KR101876051B1
Application number: KR1020160111305A
Authority: KR
Inventors: 서해진; 김시준
Original assignee: 현대자동차주식회사
Priority date: 2016-08-31
Filing date: 2016-08-31
Publication date: 2018-08-02
Also published as: CN107783528B; KR20180024660A; CN107783528A

Abstract

본 발명은 기계 학습 시스템 및 그의 사용자 제어 패턴 학습 방법에 관한 것으로, 차량에 장착된 둘 이상의 센서들을 통해 둘 이상의 학습 데이터(learning dataset)를 검출하는 검출기, 기계 학습 로직을 이용하여 상기 둘 이상의 학습 데이터에 따른 사용자 제어 패턴을 출력하고 출력된 사용자 제어 패턴에 따라 차량 제어 시스템을 제어하는 처리기 및 상기 둘 이상의 학습 데이터 및 상기 사용자 제어 패턴을 저장하는 메모리를 포함하되, 상기 처리기는 상기 메모리에 저장된 둘 이상의 학습 데이터에 따른 사용자 제어 패턴을 예측하고, 예측된 사용자 제어 패턴과 상기 메모리에 저장된 사용자 제어 패턴의 유사도를 비교하여 기계 학습 로직의 학습 파라미터를 업데이트하는 것을 특징으로 한다.

Description

기계 학습 시스템 및 그의 사용자 제어 패턴 학습 방법{MACHINE LEARNING SYSTEM AND METHOD FOR LEARNING USER CONTROLLING PATTERN THEREOF}

본 발명은 사전에 학습된 시스템에서 사용자 제어 패턴에 따라 각 학습 파라미터의 영향도를 재정의하여 시스템 성능 및 효율을 증대시키는 기계 학습 시스템 및 그의 사용자 제어 패턴 학습 방법에 관한 것이다.

기계 학습 시스템(machine learning system)은 외부에서 주어지는 데이터를 통해 학습하고, 학습결과를 토대로 입력에 따른 출력을 예측하는 시스템이다.

예를 들어, 기계 학습 시스템이 운전자의 와이퍼 사용 패턴을 학습하는 경우, 강수량, 조도, 온도 및 차속 중 어떤 요소에 의해 운전자의 와이퍼 사용 패턴이 결정되는지 알 수 없기 때문에 기존 차량에 탑재된 센서들 중 와이퍼 시스템의 사용 패턴에 영향을 줄 수 있는 요소를 모두 학습 파라미터로 적용한다. 물론, 특정 사용자의 경우엔 모든 파라미터의 값에 따라 민감하게 와이퍼 시스템을 조작할 수도 있지만, 어떤 사용자는 강수량에 의해서만 시스템을 조작할 수도 있다. 하지만, 시스템 구현 시 일반화를 위해 모든 파라미터를 적용할 수 밖에 없다.

그러나, 일반화를 위해 많은 파라미터를 적용하게 되면, 시스템은 코드 사이즈나 연산량이 늘어나 효율적인 구현이 힘들다는 문제점이 있다.

JP 2003-004129 A (2003.01.08)

본 발명은 상기한 종래기술의 문제점을 해결하기 위하여 안출된 것으로, 사전에 학습된 시스템에서 사용자 제어 패턴에 따라 각 학습 파라미터의 영향도를 재정의하여 시스템 성능 및 효율을 증대시키는 기계 학습 시스템 및 그의 사용자 제어 패턴 학습 방법을 제공하고자 한다.

상기한 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 기계 학습 시스템은 차량에 장착된 둘 이상의 센서들을 통해 둘 이상의 학습 데이터(learning dataset)를 검출하는 검출기, 기계 학습 로직을 이용하여 상기 둘 이상의 학습 데이터에 따른 사용자 제어 패턴을 출력하고 출력된 사용자 제어 패턴에 따라 차량 제어 시스템을 제어하는 처리기 및 상기 둘 이상의 학습 데이터 및 상기 사용자 제어 패턴을 저장하는 메모리를 포함하되, 상기 처리기는 상기 메모리에 저장된 둘 이상의 학습 데이터에 따른 사용자 제어 패턴을 예측하고, 예측된 사용자 제어 패턴과 상기 메모리에 저장된 사용자 제어 패턴의 유사도를 비교하여 기계 학습 로직의 학습 파라미터를 업데이트하는 것을 특징으로 한다.

상기 둘 이상의 센서들은, 레인 센서, 조도 센서, 온도 센서 및 차속 센서을 포함하는 것을 특징으로 한다.

상기 기계 학습 시스템은 사용자가 차량 제어 시스템의 제어 모드를 선택하기 위한 입력 데이터를 발생시키는 사용자 인터페이스를 더 포함하는 것을 특징으로 한다.

상기 처리기는, 상기 기계 학습 기법을 통해 상기 둘 이상의 학습 데이터에 따른 차량 제어값을 예측하는 예측 로직, 상기 차량 제어 시스템의 제어 모드에 따라 상기 차량 제어값 또는 사용자 입력을 최종 차량 제어값으로 결정하는 결정 로직 및 상기 예측 로직의 학습 파라미터를 갱신하는 파라미터 최적화 로직을 포함하는 것을 특징으로 한다.

상기 예측 로직은, 두 개의 입력을 가지며, 인공신경망을 이용한 커브 피팅 기법을 이용하여 두 입력에 따른 출력을 예측하는 둘 이상의 제1서브 학습 로직 및 각 제1서브 학습 로직의 출력에 대응하는 가중치를 곱하고 더해 상기 차량 제어값을 출력하는 통합 로직을 포함하는 것을 특징으로 한다.

상기 파라미터 최적화 로직은, 상기 메모리에 저장된 학습 데이터를 이용하여 차량 제어값을 예측하는 둘 이상의 제2서브 학습 로직 및 상기 제2서브 학습 로직의 출력과 상기 메모리에 저장된 최종 차량 제어값의 유사도를 비교하고 비교결과에 따라 상기 예측 로직 내 각 서브 학습 로직의 가중치를 결정하는 유사도 측정 및 가중치 결정 로직을 포함하는 것을 특징으로 한다.

상기 파라미터 최적화 로직은, 상기 메모리에 저장된 학습 데이터 및 최종 차량 제어값을 이용하여 상기 제2서브 학습 로직 각각의 재학습을 수행하는 재학습 로직을 더 포함하는 것을 특징으로 한다.

한편, 본 발명의 일 실시예에 따른 기계 학습 시스템의 사용자 제어 패턴 학습 방법은 차량에 탑재된 둘 이상의 센서들을 통해 둘 이상의 학습 데이터를 검출하는 단계, 기계 학습 로직을 이용하여 상기 둘 이상의 학습 데이터에 따른 사용자 제어 패턴을 출력하여 차량 제어 시스템을 제어하는 단계, 상기 둘 이상의 학습 데이터 및 상기 사용자 제어 패턴을 샘플링하여 저장하는 단계, 기계 학습 로직을 이용하여 저장된 둘 이상의 학습 데이터에 따른 사용자 제어 패턴을 예측하는 단계, 예측된 사용자 제어 패턴과 저장된 사용자 제어 패턴의 유사도를 비교하는 단계, 상기 유사도의 비교결과에 따라 학습 파라미터를 결정하는 단계 및 상기 학습 파라미터로 상기 기계 학습 로직의 학습 파라미터를 업데이트하는 단계를 포함하는 것을 특징으로 한다.

상기 둘 이상의 학습 데이터를 검출하는 단계은, 차량에 탑재된 레인 센서, 조도 센서, 온도 센서 및 차속 센서에 의해 측정된 센서값을 검출하는 것을 특징으로 한다.

상기 차량 제어 시스템을 제어하는 단계는, 상기 차량 제어 시스템의 제어 모드가 자동 제어 모드인지를 확인하는 단계, 상기 제어 모드가 상기 자동 제어 모드이면 사용자 입력이 있는지를 확인하는 단계 및 상기 사용자 입력이 없으면, 상기 둘 이상의 학습 데이터에 따른 차량 제어값을 예측하여 예측된 차량 제어값에 따라 상기 차량 제어 시스템을 제어하는 단계를 포함하는 것을 특징으로 한다.

상기 자동 제어 모드인지를 확인하는 단계에서, 상기 제어 모드가 수동 제어 모드이면, 사용자 입력에 따라 상기 차량 제어 시스템을 제어하는 것을 특징으로 한다.

상기 사용자 입력이 있는지를 확인하는 단계에서, 상기 사용자 입력이 있으면, 상기 제어 모드를 상기 자동 제어 모드에서 수동 제어 모드로 변경하고 사용자 입력에 따라 상기 차량 제어 시스템을 제어하는 것을 특징으로 한다.

상기 사용자 제어 패턴을 예측하는 단계는, 둘 이상의 서브 학습 로직을 통해 상기 둘 이상의 학습 데이터들에 대한 차량 제어값을 예측하는 것을 특징으로 한다.

상기 학습 파라미터는, 각 서브 학습 로직의 가중치인 것을 특징으로 한다.

상기 유사도를 비교하는 단계는, 상호상관계수를 이용하여 유사도 비교를 수행하는 것을 특징으로 한다.

본 발명은 사전에 학습된 시스템에서 사용자 제어 패턴에 따라 각 학습 파라미터의 영향도를 재정의하므로, 시스템 성능 및 효율을 증대시킬 수 있다.

또한, 본 발명에 따르면, 사용자 제어 패턴에 영향을 미치는 학습 데이터를 판별하여 시스템에 적용(update)하므로 사용자 맞춤형 기계 학습 시스템을 제공할 수 있으며, 시스템의 성능 및 효율성을 증대시킬 수 있다.

또한, 본 발명의 기계 학습 시스템 내 각 로직을 표준화하여 다양한 사용자의 학습 파라미터를 프로파일링 한다면 특정 시스템의 지역별, 나이별, 또는 성별 사용자 제어 패턴에 영향을 미치는 요소를 유추할 수 있으며, 이를 이용해 신규 시스템 개발 시 최적화된 로직 및 시스템 개발이 가능하다.

또한, 본 발명에 따르면, 기계 학습 로직 적용이 힘든 시스템에 사용자 특성에 맞게 사전에 최적화한 로직을 적용하여, 사용자 맞춤형 기계 학습 시스템을 제공할 수 있다.

도 1은 본 발명의 일 실시예에 따른 기계 학습 시스템을 도시한 블록구성도.
도 2는 도 1에 도시된 예측 로직을 도시한 블록구성도.
도 3은 도 1에 도시된 파라미터 최적화 로직의 블록구성도.
도 4는 본 발명의 일 실시예에 따른 기계 학습 시스템의 예측 과정을 도시한 흐름도.
도 5는 본 발명의 일 실시예에 따른 기계 학습 시스템의 학습 과정을 도시한 흐름도.
도 6은 본 발명의 다른 실시예에 따른 기계 학습 시스템을 도시한 블록구성도.

본 명세서에 기재된 "포함하다", "구성하다", "가지다" 등의 용어는 특별히 반대되는 기재가 없는 한 해당 구성요소가 내재될 수 있음을 의미하는 것이므로 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

또한, 본 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일", "하나" 및 "그" 등의 관사는 본 발명을 기술하는 문맥에 있어서 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

이하에서는 첨부된 도면들을 참조하여 본 발명의 실시예를 상세하게 설명한다.

도 1은 본 발명의 일 실시예에 따른 기계 학습 시스템(Machine Learning System)을 도시한 블록구성도이다. 본 실시예에서는 사용자의 차량 와이퍼(wiper) 제어 패턴을 학습하는 경우를 예로 들어 설명한다.

기계 학습 시스템(러닝 머신 시스템)(100)은 차량 내 탑재되어 기계 학습 기법을 이용하여 차량 제어를 훈련(training)한다. 본 발명에 따른 기계 학습 시스템(100)은 사용자의 제어 패턴을 학습하여 차량 제어를 훈련할 수 있다. 여기서, 차량 제어는 와이퍼 시스템, 오토라이트 시스템(auto light system), 및 차량 윈도우 시스템 등의 시스템 제어을 의미한다.

기계 학습 시스템(100)은 검출기(110), 사용자 인터페이스(120), 메모리(130), 및 처리기(140)를 포함한다.

검출기(110)는 차량에 탑재된 둘 이상의 센서들을 통해 학습 데이터(learning dataset)를 검출(센싱)한다. 검출기(110)는 차량에 탑재된 레인 센서(rain sensor), 조도 센서(오토라이트 센서, auto light sensor), 온도 센서, 및 차속 센서 등의 센서들을 통해 학습 데이터(x1, x2, x3, 및 x4)를 검출하여 수집한다. 학습 데이터는 강수량, 조도, 실외 온도, 실내 온도, 및 차량 속도(차속) 등을 포함한다. 즉, 학습 데이터는 각 센서들에 의해 측정된 센서값이다. 검출기(110)는 일정 주기로 검출(샘플링)한 학습 데이터를 메모리(130)에 저장한다.

사용자 인터페이스(120)는 사용자가 차량 내 제어 장치(차량 제어 시스템)의 제어 모드를 선택하거나 차량 제어 시스템의 제어를 위한 입력 데이터를 발생시킨다. 사용자 인터페이스(120)는 버튼, 조그 휠, 또는 조그 스위치 등으로 구성될 수 있다.

메모리(130)는 기계 학습 알고리즘(machine learning algorithm) 및 서브 학습 알고리즘 등을 저장할 수 있고, 기계 학습 시스템(100)의 입력 데이터 및/또는 출력 데이터를 임시 저장할 수 있다.

메모리(130)에는 검출기(110)를 통해 검출되는 센서값(학습 데이터)과 후술되는 최종 차량 제어값이 저장된다. 센서값과 최종 차량 제어값은 정해진 시간 주기로 샘플링된다.

메모리(130)는 플래시 메모리(flash memory), 하드디스크(hard disk), SD 카드(Secure Digital Card), 램(Random Access Memory, RAM), 롬(Read Only Memory, ROM), 및 웹 스토리지(web storage) 등의 저장매체 중 어느 둘 이상의 저장매체로 구현될 수 있다.

처리기(140)는 기계 학습 로직(machine learning logic)을 이용하여 사용자 제어 패턴을 학습하고, 학습된 사용자 제어 패턴에 기반하여 차량 제어를 수행한다.

이러한 처리기(140)는 예측 로직(Estimation Logic)(141), 결정 로직(Final Decision Logic)(143) 및 파라미터 최적화 로직(Parameter Optimization Logic)(145)을 포함한다.

예측 로직(141)은 검출기(110)로부터 학습 데이터들(x1, x2, x3, 및 x4)을 입력 받는다. 예측 로직(141)은 기계 학습 기법을 통해 학습 데이터들에 따른 차량 제어값(y)을 예측한다. 예를 들어, 예측 로직(141)은 기계 학습 알고리즘을 통해 강수량, 조도, 실외온도 및 차속 등을 분석하여 와이퍼 제어 레벨을 예측한다.

예측 로직(141)는 사전에 학습된 사용자 제어 패턴을 토대로 검출기(110)로부터 입력되는 입력 데이터(학습 데이터)에 따른 출력 데이터(차량 제어값)을 예측한다.

결정 로직(143)은 예측 로직(141)의 출력(y)과 사용자 인터페이스(120)로부터 입력되는 사용자 입력(v) 중 어느 하나를 최종 차량 제어값(z)으로 결정한다. 결정 로직(143)은 사용자에 의해 선택된 차량 제어 시스템의 제어 모드에 따라 예측 로직(141)의 출력(y) 또는 사용자 인터페이스(120)의 출력(v)을 최종 차량 제어값(z)으로 결정한다. 여기서, 제어 모드는 수동 제어 모드 및 자동 제어 모드로 구분된다.

결정 로직(143)은 최종 결정된 최종 차량 제어값(z)을 차량 제어 시스템으로 출력하여 차량 제어 시스템이 최종 차량 제어값에 따라 제어 객체를 제어하도록 한다. 예컨대, 차량 제어 시스템이 결정 로직(143)으로부터 출력되는 와이퍼 제어 레벨에 따라 와이퍼를 동작시킨다.

또한, 결정 로직(143)은 최종 차량 제어값(z)을 메모리(130)에 저장한다.

파라미터 최적화 로직(145)은 메모리(130)에 저장된 학습 데이터(x1', x2', x3' 및 x4') 및 최종 차량 제어값(z')을 판독(read)한다. 파라미터 최적화 로직(145)은 저장된 학습 데이터(x1', x2', x3' 및 x4') 및 최종 차량 제어값(z')으로부터 예측 로직(141)의 학습 파라미터(학습 데이터) 및 가중치(weights)(w1, w2, 및 w3)를 갱신(update)한다. 즉, 파라미터 최적화 로직(145)은 사용자 제어 패턴에 미치는 학습 파라미터(학습 데이터)의 영향도를 평가하여 그 평가결과에 따라 가중치를 결정한다.

도 2는 도 1에 도시된 예측 로직(141)을 도시한 블록구성도이다.

예측 로직(141)은 둘 이상의 서브 학습 로직(ML1, ML2, 및 ML3)을 포함한다. 예측 로직(141)은 둘 이상의 서브 학습 로직으로부터 출력되는 출력들(y1, y2, 및 y3)의 가중치(w1, w2, 및 w3)의 합을 비퍼지화(de-fuzzification)하여 최종 출력(y)을 생성한다.

여기서, 각 서브 학습 로직(ML1, ML2, 또는 ML3)을 함수 f_MLx로 가정하면, 예측 로직(141)은 다음 [수학식 1]과 같은 수식으로 정의될 수 있다.

여기서, t는 시간이다.

[수학식 1]에서 각 서브 학습 로직 f_MLx의 출력(y1, y2, 또는 y3)은 차량 제어 시스템(예: 와이퍼 시스템)을 제어하기 위한 제어 레벨(1차원 값)이고, 입력 데이터들(x1, x2, x3, 및 x4)에 의해 변경된다.

각 서브 학습 로직(ML1, ML2, 또는 ML3)은 두 개의 입력단을 가진다. 각 서브 학습 로직(ML1, ML2, 또는 ML3)의 입력단에는 검출기(110)에 의해 검출된 학습 데이터들 중 2개의 학습 데이터(센서값)가 입력된다. 각 서브 학습 로직(ML1, ML2, 또는 ML3)은 입력 데이터(학습 데이터)에 따른 사용자 제어 패턴(출력 데이터)을 학습한다.

이때, 학습 방법으로 ANN(Artificial Neural Network)을 이용한 커브 피팅(curve fitting) 기법을 적용할 수 있다. 또는, 각 서브 학습 로직(ML1, ML2, 또는 ML3)의 출력을 제어 레벨별(예, 0, 1, 2, 3, … 10) 확률로 본다면 패턴 인식(pattern recognition) 기법을 적용할 수 있다.

각 서브 학습 로직(ML1, ML2, 또는 ML3)의 출력 y1(t), y2(t) 및 y3(t)가 각각 3.5, 2, 및 5로 각기 다른 예측값을 갖는 경우, 통합 로직(Integration Logic, IL)은 w1+w2+w3=1을 만족하는 가중치(w1, w2, 및 w3)를 대응되는 서브 학습 로직(ML1, ML2, 또는 ML3)의 출력과 곱하여 더함으로써 최종 결과 y(t)를 생성한다. 만약, 서브 학습 로직(ML1, ML2, 및 ML3)의 ANN을 커브 피팅 방식이 아닌 1에서 10까지의 출력 노드에 대한 확률로 구성한다면 통합 로직(IL)은 퍼지 논리합(fuzzy-OR)과 같은 방식으로 구성되어야 한다.

도 3은 도 1에 도시된 파라미터 최적화 로직(145)의 블록구성도를 도시한다.

파라미터 최적화 로직(145)은 둘 이상의 서브 학습 로직(ML1', ML2', 및 ML3')과 유사도 측정 및 가중치 결정 로직(Similarity Measurement & Weight Decision, SMWD)를 포함한다.

또한, 파라미터 최적화 로직(145)은 재학습 로직(Re-Learning, RL)을 선택적으로 포함할 수 있다. 파라미터 최적화 로직(145)의 재학습 로직(RL)은 메모리(130)에 일정한 시간 간격으로 저장된 입력 및 출력값(x1, x2, x3, x4, 및 z)을 이용해 각 서브 학습 로직(ML1', ML2', 및 ML3')의 재학습을 수행한다. 재학습 로직(RL)은 강화 학습(reinforcement learning) 방식으로 재학습을 수행하며 선택적으로 수행할 수 있다. 파라미터 최적화 로직(145)은 재학습을 수행하지 않고 사전 학습된 결과의 변경없이 활용할 수 있다.

둘 이상의 서브 학습 로직(ML1', ML2', 및 ML3')은 메모리(130)로부터 샘플링된 둘 이상의 학습 데이터들(x1', x2', x3', 및 x4') 및 최종 차량 제어값(z')을 판독한다. 각 서브 학습 로직(ML1', ML2', 또는 ML3')은 기계 학습 기법을 통해 샘플링된 둘 이상의 학습 데이터들(x1', x2', x3', 및 x4')에 대한 차량 제어값(y1', y2', 또는 y3')을 예측한다.

유사도 측정 및 가중치 결정 로직(SMWD)은 각 서브 학습 로직(ML1', ML2', 또는 ML3')로부터 출력되는 예측된 차량 제어값들(y1', y2', 및 y3')과 메모리(130)에 저장된 데이터(z') 간의 유사도를 비교한다. 여기서, 유사도 비교는 z'(t)와 yx'(t) 간의 상호상관계수(Cross-Correlation Coefficient)를 이용하여 판단한다. z'(t)와 y1'(t)의 유사도 r는 [수학식 2]와 같이 정의할 수 있다.

여기서, n은 저장된 샘플 개수이다.

유사도 r은 -1이상 1이하의 범위를 가지며, 1에 가까울수록 두 신호가 유사한 형태를 띄고, 0에 가까울수록 관계가 없으며, -1에 가까울수록 반대의 형태를 띈다.

유사도 측정 및 가중치 결정 로직(SMWD)은 유사도 비교결과에 따라 학습 파라미터에 대한 가중치를 결정한다. 예를 들어, 가중치 w1_new를 다음 [수학식 3]과 같이 정의할 수 있다.

여기서, r(z', y1')가 0이하의 값을 가지면 이를 0으로 대입하여 [수학식 3]을 계산하고, 가중치 w2_new 및 w3_new도 같은 방식으로 계산한다.

그리고, 파라미터 최적화 로직(145)는 재학습된 f_MLx'와 wx_new를 f_MLx 및 wx로 업데이트 한다.

도 4는 본 발명의 일 실시예에 따른 기계 학습 시스템의 예측 과정을 도시한 흐름도이다. 예측 과정은 학습된 로직을 이용하여 입력에 의한 출력에 따라 차량 시스템을 제어하는 과정이다.

기계 학습 시스템의 처리기(140)는 차량 제어 시스템의 제어 모드가 자동 제어 모드인지 확인한다(S110). 여기서, 차량 제어 시스템은 차량 내 탑재되는 와이퍼 시스템, 오토라이트 시스템, 또는 차량 윈도우 시스템 등일 수 있다.

처리기(140)는 제어 모드가 자동 제어 모드이면 사용자 입력이 있는지를 확인한다(S120). 처리기(140)는 사용자 인터페이스(120)로부터 입력되는 데이터가 있는지를 확인한다.

처리기(140)는 사용자 입력이 있는 경우, 제어 모드를 자동 제어 모드에서 수동 제어 모드로 모드 변경한다(S130).

처리기(140)는 사용자 입력 v(t)에 따른 최종 제어값 z(t)에 따라 차량 제어 시스템을 제어한다(S140). 즉, 처리기(140)는 사용자 입력에 따라 수동 제어를 수행한다.

처리기(140)는 차량 제어 시스템의 제어를 수행하는 동안 일정한(정해진) 시간 간격으로 검출기(110)에 의해 검출된 학습 데이터(x1, x2, x3, 및 x4) 및 최종 차량 제어값 z(t)을 메모리(130)에 저장한다(S160). 처리기(140)는 일정 주기로 기계 학습 시스템의 입력 데이터(x1, x2, x3, 및 x4)와 출력 데이터 z(t)를 샘플링하여 메모리(130)에 저장한다.

한편, 상기 단계(S110)에서 제어 모드가 자동 제어 모드가 아니면 처리기(140)는 수동 제어를 수행한다(S130). 즉, 처리기(140)는 제어 모드가 수동 제어 모드인 경우 사용자 입력을 최종 제어값으로 하고 그 최종 제어값에 따라 차량 제어 시스템을 제어한다.

한편, S120에서 사용자 입력이 없는 경우, 처리기(140)는 자동 제어를 수행한다(S150). 처리기(140)는 기계 학습 기법을 통해 검출기(110)로부터 입력되는 학습 데이터에 대응하는 차량 제어값을 최종 차량 제어값으로 출력하여 차량 제어를 수행한다. 다시 말해서, 처리기(140)는 기계 학습 알고리즘을 통해 검출기(110)로부터 입력되는 학습 데이터를 분석하고 그 분석결과에 따른 차량 제어값을 예측한다. 처리기(140)는 제어 모드가 자동 제어 모드이며 사용자 입력이 없는 경우, 예측된 차량 제어값을 최종 차량 제어값으로 출력하여 차량 제어 시스템을 제어한다.

도 5는 본 발명의 일 실시예에 따른 기계 학습 시스템의 학습 과정을 도시한 흐름도이다. 학습 과정은 예측 과정을 통해 충분한 데이터가 축적되면 각 서브 학습 로직을 재학습하고 그 재학습 결과를 기계 학습 시스템에 적용하는 과정이다.

처리기(140)는 기저장된 학습 데이터들 및 최종 제어값들을 이용하여 각 서브 학습 로직을 재학습한다(S210). 처리기(140)는 메모리(130)에 일정 주기로 샘플링되어 저장된 학습 데이터들 및 최종 차량 제어값들을 이용하여 각 서브 학습 로직에 대한 재학습을 수행한다. 재학습 과정은 시스템의 성능(computation power)에 따라 선택적으로 수행할 수 있다.

처리기(140)는 서브 학습 로직(ML1', ML2', 및 ML3')의 출력 데이터와 메모리(130)에 저장된 데이터 간의 유사도를 비교한다(S220). 각 서브 학습 로직(ML1', ML2', 또는 ML3')은 기저장된 샘플링된 학습 데이터들 중 둘 이상의 학습 데이터를 입력으로 받고, 그 입력된 학습 데이터에 따른 출력 데이터(차량 제어값)를 예측한다. 처리기(140)는 예측된 출력 데이터(y1', y2', y3')와 기저장된 샘플링된 최종 차량 제어값(z')의 유사도를 비교한다.

처리기(140)는 유사도 비교결과에 따라 각 서브 학습 로직의 가중치를 결정한다(S230). 이때, 각 서브 학습 로직의 가중치의 합(w1_new+w2_new+w3_new)은 1이다.

처리기(140)는 결정된 가중치로 학습 파라미터를 업데이트 한다(S240). 처리기(140)는 파라미터 최적화 로직(145)로부터 출력되는 결정된 가중치로 예측 로직(141)의 파라미터를 업데이트한다.

도 6은 본 발명의 다른 실시예에 따른 기계 학습 시스템을 도시한 블록구성도이다.

도 6에 도시된 바와 같이, 기계 학습 시스템은 차량 내 탑재된 학습기(200)와 원격에 위치하는 서버(300)로 구성될 수 있다. 학습기(200)와 서버(300)는 무선 통신을 통해 상호간에 정보(데이터)를 주고받는다.

학습기(200)는 통신 모듈(210), 검출기(220), 사용자 인터페이스(230), 메모리(240), 및 처리기(250)를 포함한다.

통신 모듈(210)은 서버(300)와의 무선 통신을 수행한다. 무선 통신 기술로는 이동통신, WLAN(Wireless LAN)(WiFi), 또는 Wibro(Wireless broadband) 등이 이용될 수 있다.

검출기(220)는 차량에 탑재된 둘 이상의 센서들로부터 센서값(학습 데이터)을 검출한다. 둘 이상의 센서들은 레인 센서(rain sensor), 조도 센서, 온도 센서 및 차속 센서 등을 포함한다. 검출기(220)는 검출된 센서값들을 메모리(240)에 저장한다.

사용자 인터페이스(230)는 사용자가 차량 제어 시스템의 제어 모드를 선택하거나 차량 제어 시스템의 제어(차량 제어)를 위한 사용자 입력에 따른 제어 명령을 발생시킨다.

메모리(240)는 기계 학습 알고리즘 및 학습기(200)의 동작 제어를 위한 프로그램을 저장하고 있다. 메모리(240)는 학습기(200)의 입출력 데이터를 임시 저장한다. 메모리(240)는 플래시 메모리(flash memory), 하드디스크(hard disk), SD 카드(Secure Digital Card), 램(Random Access Memory, RAM), 롬(Read Only Memory, ROM), 및 웹 스토리지(web storage) 등의 저장매체 중 어느 둘 이상의 저장매체로 구현될 수 있다.

처리기(250)는 예측 로직(251)와 결정 로직(253)을 포함한다.

처리기(250)의 예측 로직(251)은 기계 학습 알고리즘을 통해 검출기(220)로부터 출력되는 센서값을 학습 데이터로 이용하여 차량 제어값을 예측한다. 예측 로직(251)은 입력되는 학습 데이터에 따른 차량 제어값을 예측한다.

결정 로직(253)은 차량 제어 시스템의 제어 모드에 따라 예측 로직(251)으로부터 출력되는 예측된 차량 제어값과 사용자 입력 중 어느 하나를 최종 차량 제어값으로 결정한다. 결정 로직(253)은 제어 모드가 자동 제어 모드이면 예측 로직(251)의 출력인 예측된 차량 제어값을 최종 차량 제어값으로 결정한다. 한편, 결정 로직(253)은 제어 모드가 수동 제어 모드이면 사용자 입력을 최종 차량 제어값으로 결정한다.

처리기(250)는 결정 로직(253)으로부터 출력되는 최종 차량 제어값(최종 결정)에 따라 차량 제어 시스템을 제어한다. 이때, 처리기(250)는 최종 차량 제어값을 메모리(240)에 저장한다.

서버(300)는 통신 모듈(310), 파라미터 최적화 로직(320), 및 메모리(330)를 포함한다.

통신 모듈(310)은 차량(200)의 통신 모듈(210)과 무선 통신을 수행한다. 무선 통신 기술로는 이동통신, WLAN(Wireless LAN)(WiFi), 또는 Wibro(Wireless broadband) 등이 이용될 수 있다.

서버(300)는 통신 모듈(310)을 통해 차량(200)으로부터 전송되는 샘플링된 학습 데이터 및 최종 차량 제어값을 수신하고, 학습된 결과를 차량(200)으로 전송한다.

파라미터 최적화 로직(320)은 프로세서(processor)에 의해 수행되며, 샘플링된 학습 데이터 및 최종 차량 제어값을 이용하여 각 서브 학습 로직(ML1', ML2' 또는 ML3')의 학습을 수행한다. 파라미터 최적화 로직(320)은 학습된 결과를 차량(200)에 제공하여 차량(200)의 예측 로직(251)의 학습 파라미터를 갱신하게 한다.

파라미터 최적화 로직(320)은 차량(200)으로부터 제공받은 샘플링된 학습 데이터에 따른 각 서브 학습 로직의 출력과 샘플링된 최종 차량 제어값의 유사도를 비교한다. 파라미터 최적화 로직(320)은 유사도 비교 결과에 따라 각 서브 학습 로직에 대한 가중치를 결정한다. 그리고, 파라미터 최적화 로직(320)은 결정된 가중치를 학습된 결과(업데이트된 학습 파라미터)로 차량(200)에 제공한다. 이때, 파라미터 최적화 로직(320)은 예측 로직(251)의 각 서브 학습 로직을 위한 최적화된 로직이 포함된 코드(프로그램)을 제공한다. 차량(200)의 예측 로직(251)은 최적화된 로직이 포함된 코드를 받아 리프로그래밍한다. 차량(200)의 예측 로직(251)는 업데이트된 학습 파라미터를 전송받아 각 서브 학습 로직을 최적화한다.

메모리(330)는 기계 학습 알고리즘을 저장하고, 파라미터 최적화 로직(320)의 입출력 데이터를 임시 저장한다.

이러한 메모리(330)는 플래시 메모리(flash memory), 하드디스크(hard disk), SD 카드(Secure Digital Card), 램(Random Access Memory, RAM), 롬(Read Only Memory, ROM), 및 웹 스토리지(web storage) 등의 저장매체 중 어느 둘 이상의 저장매체로 구현될 수 있다.

이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다.

100: 기계 학습 시스템
110, 220: 검출기
120, 230: 사용자 인터페이스
130, 240, 330: 메모리
140: 처리기
141, 251: 예측 로직
143, 253: 결정 로직
145, 320: 파라미터 최적화 로직
200: 차량
210, 310: 통신 모듈
300: 서버

Claims

차량에 장착된 둘 이상의 센서들을 통해 둘 이상의 학습 데이터(learning dataset)를 검출하는 검출기;
기계 학습 로직을 이용하여 상기 둘 이상의 학습 데이터에 따른 사용자 제어 패턴을 출력하고 출력된 사용자 제어 패턴에 기반하여 최종 차량 제어값을 결정하여 차량 제어 시스템을 제어하는 처리기; 및
상기 둘 이상의 학습 데이터, 상기 사용자 제어 패턴 및 상기 최종 차량 제어값을 저장하는 메모리를 포함하되,
상기 처리기는 상기 메모리에 저장된 둘 이상의 학습 데이터에 따른 사용자 제어 패턴을 예측하고, 예측된 사용자 제어 패턴과 상기 메모리에 저장된 사용자 제어 패턴의 유사도를 비교하여 기계 학습 로직의 학습 파라미터를 업데이트하고,
상기 메모리에 저장된 학습 데이터를 이용하여 차량 제어값을 예측하는 둘 이상의 제2서브 학습 로직을 포함하며, 상기 기계 학습 로직의 학습 파라미터를 업데이트할 때, 상기 메모리에 저장된 학습 데이터 및 최종 차량 제어값을 이용하여 둘 이상의 제2서브 학습 로직 각각의 재학습을 수행하는 것을 특징으로 하는 기계 학습 시스템.
제1항에 있어서,
상기 둘 이상의 센서들은,
레인 센서, 조도 센서, 온도 센서 및 차속 센서을 포함하는 것을 특징으로 하는 기계 학습 시스템.
제1항에 있어서,
사용자가 차량 제어 시스템의 제어 모드를 선택하기 위한 입력 데이터를 발생시키는 사용자 인터페이스를 더 포함하는 것을 특징으로 하는 기계 학습 시스템.
제3항에 있어서,
상기 처리기는,
상기 기계 학습 로직을 통해 상기 둘 이상의 학습 데이터에 따른 차량 제어값을 예측하는 예측 로직;
상기 차량 제어 시스템의 제어 모드에 따라 상기 차량 제어값 또는 사용자 입력을 최종 차량 제어값으로 결정하는 결정 로직; 및
상기 예측 로직의 학습 파라미터를 갱신하는 파라미터 최적화 로직을 포함하는 것을 특징으로 하는 기계 학습 시스템.
제4항에 있어서,
상기 예측 로직은,
두 개의 입력을 가지며, 인공신경망을 이용한 커브 피팅 기법을 이용하여 두 입력에 따른 출력을 예측하는 둘 이상의 제1서브 학습 로직; 및
각 제1서브 학습 로직의 출력에 대응하는 가중치를 곱하고 더해 상기 차량 제어값을 출력하는 통합 로직을 포함하는 것을 특징으로 하는 기계 학습 시스템.
제4항에 있어서,
상기 파라미터 최적화 로직은,
상기 제2서브 학습 로직의 출력과 상기 메모리에 저장된 최종 차량 제어값의 유사도를 비교하고 비교결과에 따라 상기 예측 로직 내 각 서브 학습 로직의 가중치를 결정하는 유사도 측정 및 가중치 결정 로직을 포함하는 것을 특징으로 하는 기계 학습 시스템.
삭제
기계 학습 시스템이 수행하는 사용자 제어 패턴 학습 방법으로,
차량에 탑재된 둘 이상의 센서들을 통해 둘 이상의 학습 데이터를 검출하는 단계;
기계 학습 로직을 이용하여 상기 둘 이상의 학습 데이터에 따른 사용자 제어 패턴을 출력하여 차량 제어 시스템을 제어하는 단계;
상기 둘 이상의 학습 데이터 및 상기 사용자 제어 패턴을 샘플링하여 저장하는 단계;
기계 학습 로직을 이용하여 저장된 둘 이상의 학습 데이터에 따른 사용자 제어 패턴을 예측하는 단계;
예측된 사용자 제어 패턴과 저장된 사용자 제어 패턴의 유사도를 비교하는 단계;
상기 유사도의 비교결과에 따라 학습 파라미터를 결정하는 단계; 및
상기 학습 파라미터로 상기 기계 학습 로직의 학습 파라미터를 업데이트하는 단계를 포함하되,
상기 사용자 제어 패턴을 예측하는 단계는, 둘 이상의 서브 학습 로직을 통해 상기 둘 이상의 학습 데이터에 대한 차량 제어값을 예측하고,
상기 기계 학습 로직의 학습 파라미터를 업데이트하는 단계에서, 메모리에 저장된 학습 데이터 및 최종 차량 제어값을 이용하여 상기 둘 이상의 서브 학습 로직 각각의 재학습을 수행하는 것을 특징으로 하는 기계 학습 시스템의 사용자 제어 패턴 학습 방법.
제8항에 있어서,
상기 둘 이상의 학습 데이터를 검출하는 단계는,
차량에 탑재된 레인 센서, 조도 센서, 온도 센서 및 차속 센서에 의해 측정된 센서값을 검출하는 것을 특징으로 하는 기계 학습 시스템의 사용자 제어 패턴 학습 방법.
제8항에 있어서,
상기 차량 제어 시스템을 제어하는 단계는,
상기 차량 제어 시스템의 제어 모드가 자동 제어 모드인지를 확인하는 단계;
상기 제어 모드가 상기 자동 제어 모드이면 사용자 입력이 있는지를 확인하는 단계; 및
상기 사용자 입력이 없으면, 상기 둘 이상의 학습 데이터에 따른 차량 제어값을 예측하여 예측된 차량 제어값에 따라 상기 차량 제어 시스템을 제어하는 단계를 포함하는 것을 특징으로 하는 기계 학습 시스템의 사용자 제어 패턴 학습 방법.
제10항에 있어서,
상기 자동 제어 모드인지를 확인하는 단계에서,
상기 제어 모드가 수동 제어 모드이면, 사용자 입력에 따라 상기 차량 제어 시스템을 제어하는 것을 특징으로 하는 기계 학습 시스템의 사용자 제어 패턴 학습 방법.
제10항에 있어서,
상기 사용자 입력이 있는지를 확인하는 단계에서,
상기 사용자 입력이 있으면, 상기 제어 모드를 상기 자동 제어 모드에서 수동 제어 모드로 변경하고 사용자 입력에 따라 상기 차량 제어 시스템을 제어하는 것을 특징으로 하는 기계 학습 시스템의 사용자 제어 패턴 학습 방법.
삭제
제8항에 있어서,
상기 학습 파라미터는,
각 서브 학습 로직의 가중치인 것을 특징으로 하는 기계 학습 시스템의 사용자 제어 패턴 학습 방법.
제8항에 있어서,
상기 유사도를 비교하는 단계는,
상호상관계수를 이용하여 유사도 비교를 수행하는 것을 특징으로 하는 기계 학습 시스템의 사용자 제어 패턴 학습 방법.