KR101958931B1 - 레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법 - Google Patents

레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법 Download PDF

Info

Publication number
KR101958931B1
KR101958931B1 KR1020170138160A KR20170138160A KR101958931B1 KR 101958931 B1 KR101958931 B1 KR 101958931B1 KR 1020170138160 A KR1020170138160 A KR 1020170138160A KR 20170138160 A KR20170138160 A KR 20170138160A KR 101958931 B1 KR101958931 B1 KR 101958931B1
Authority
KR
South Korea
Prior art keywords
road
state
road state
similarity
measurement data
Prior art date
Application number
KR1020170138160A
Other languages
English (en)
Inventor
김관호
Original Assignee
인천대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인천대학교 산학협력단 filed Critical 인천대학교 산학협력단
Priority to KR1020170138160A priority Critical patent/KR101958931B1/ko
Application granted granted Critical
Publication of KR101958931B1 publication Critical patent/KR101958931B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar
    • B60W2420/52—
    • B60W2550/14—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법은 다수의 도로 상태 값들과 측정 데이터 세트 수신 시점마다의 측정 데이터 세트를 이용하여 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하고, 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 이용하여 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하고, 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 이용하여 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별함으로써, 어느 상황에서도 도로 상태를 올바르게 식별할 수 있다.

Description

레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법{APPARATUS FOR IDENTIFYING ROAD STATE USING RADAR DETECTION DATA AND OPERATING METHOD THEREOF}
본 발명은 레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법에 대한 것이다.
이전에는 폐쇄회로 텔레비전(CCTV: closed-circuit television)으로부터 획득된 시각 정보에 의존하여 사람이 도로 상태를 식별하였기 때문에 기상 조건과 시간에 따라 도로 상태를 식별할 수 없는 경우가 많았다. 예를 들어, 안개가 낀 경우 또는 야간의 경우, 폐쇄회로 텔레비전가 도로의 상태를 시각적으로 포착할 수 없기 때문에 사람이 도로 상태를 식별할 수 없었다.
이에 따라, 최근 사람의 식별 행위 없이 레이더 센서 기술을 이용하여 자동적으로 도로 표면의 상태를 식별하는 기법이 개발되었다. 사람이 시각 정보에 의존하여 도로 표면의 상태를 식별하는 종래의 기법과 비교하여, 레이더 센서 기술을 이용하여 자동적으로 도로 상태를 식별하는 기법은 도로 상태를 레이더를 통해 포착하므로, 안개가 낀 경우 또는 야간의 경우에도 도로 상태를 식별할 수 있게 되었다.
그러나, 레이더가 어느 시점에 레이더 신호를 송신하고 반사파를 수신하였는지에 따라 도로 상태가 서로 다르게 식별될 수 있다. 예를 들어, 교통 체증이 많은 경우 또는 송신된 레이더 신호가 차량에 반사되는 경우에는 차량의 반사율이 도로와 다르기 때문에, 도로 상태가 실제와는 다르게 식별될 수 있다. 이러한 경우, 잘못 식별된 도로 상태가 도로 모니터링 시스템을 통해 근처의 차량에 제공되어 운전자들에게 혼란을 야기할 수 있다.
따라서, 어느 상황에서도 도로 상태를 올바르게 식별할 수 있는 도로 상태 식별 기법이 필요하다.
본 발명에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법은 다수의 도로 상태 값들과 측정 데이터 세트 수신 시점마다의 측정 데이터 세트를 이용하여 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하고, 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 이용하여 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하고, 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 이용하여 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별함으로써, 어느 상황에서도 도로 상태를 올바르게 식별할 수 있게 하고자 한다.
본 발명의 일실시예에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치는 도로를 다수의 도로 상태들을 중 하나의 도로 상태로 식별하기 위한 다수의 도로 상태 값들을 저장하고 있는 도로 상태 값 저장부, 상기 도로에 사전 설정된 간격으로 설치된 다수의 레이더들로부터 사전 설정된 시간 간격으로 측정 데이터 세트 - 상기 측정 데이터 세트는 상기 다수의 레이더들 각각으로부터의 측정 데이터를 포함함 - 를 수신하는 도로 정보 수신부, 상기 다수의 도로 상태 값들과 측정 데이터 세트 수신 시점마다의 측정 데이터 세트를 이용하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는 도로 상태 유사도 산출부 및 현재 수신 시점 및 상기 현재 수신 시점으로부터 t - 상기 t는 1 이상 및 T 이하의 정수이고, T는 1 이상의 정수임 - 번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 이용하여 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하고, 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 이용하여 상기 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별하는 도로 상태 식별부를 포함한다.
또한, 본 발명의 일실시예에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치의 동작 방법은 도로를 다수의 도로 상태들을 중 하나의 도로 상태로 식별하기 위한 다수의 도로 상태 값들을 저장하고 있는 도로 상태 값 저장부를 유지하는 단계, 상기 도로에 사전 설정된 간격으로 설치된 다수의 레이더들로부터 사전 설정된 시간 간격으로 측정 데이터 세트 - 상기 측정 데이터 세트는 상기 다수의 레이더들 각각으로부터의 측정 데이터를 포함함 - 를 수신하는 단계, 상기 다수의 도로 상태 값들과 측정 데이터 세트 수신 시점마다의 측정 데이터 세트를 이용하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는 단계 및 현재 수신 시점 및 상기 현재 수신 시점으로부터 t - 상기 t는 1 이상 및 T 이하의 정수이고, T는 1 이상의 정수임 - 번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 이용하여 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하고, 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 이용하여 상기 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별하는 단계를 포함한다.
본 발명에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법은 다수의 도로 상태 값들과 측정 데이터 세트 수신 시점마다의 측정 데이터 세트를 이용하여 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하고, 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 이용하여 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하고, 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 이용하여 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별함으로써, 어느 상황에서도 도로 상태를 올바르게 식별할 수 있다.
도 1은 본 발명의 일실시예에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치를 포함하는 도로 상태 식별 시스템의 구조를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치의 동작 방법을 도시한 순서도이다.
이하에서는 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명하기로 한다. 이러한 설명은 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였으며, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 본 명세서 상에서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치(100)를 포함하는 도로 상태 식별 시스템(10)의 구조를 도시한 도면이다.
도 1에 도시된 바와 같이, 도로 상태 식별 시스템(10)은 도로(20)에 사전 설정된 간격으로 설치된 다수의 레이더들(30 및 40), 관제 센터(70) 및 도로 상태 식별 장치(100)를 포함한다.
먼저, 도 1에 도시된 바와 같이, 도로(20)에는 다수의 레이더들(30 및 40)이 사전 설정된 간격으로 설치되어 있다. 이에 따라, 다수의 레이더들(30 및 40)은 도로(20)를 향해 사전 설정된 주파수의 레이더 신호를 송신하고, 도로(20)에서 반사된 반사 신호를 수신할 수 있으며, 송신된 레이더 신호와 수신된 반사 신호 간의 송수신비를 연산하고 연산된 송수신비를 도로 상태 식별 장치(100)에 전송할 수 있다. 이하에서는, 송수신비를 측정 데이터라고 지칭한다.
관제 센터(70)는 도로 상태 식별 장치(100)로부터 수신된 도로 상황 등을 도로(20)의 자동차들(50 및 60)에 송신할 수 있다.
다음으로, 도 1에 도시된 바와 같이, 도로 상태 식별 장치(100)는 도로 상태 값 저장부(110), 도로 정보 수신부(120), 도로 상태 유사도 산출부(130), 도로 상태 식별부(140) 및 도로 상태 알림부(150)를 포함한다.
도로 상태 값 저장부(110)는 도로(20)를 다수의 도로 상태들을 중 하나의 도로 상태로 식별하기 위한 다수의 도로 상태 값들을 저장한다. 여기에서, 도로(20)의 도로 상태는 건조(dry), 비(wet), 눈(snow) 및 알 수 없음(unknown)의 4가지 상태들 중 하나일 수 있다. 다수의 도로 상태 값들은 기존에 다수의 레이더들(30 및 40)을 통해 획득된 도로(20)에 대한 측정 데이터(즉, 송수신비)이거나, 측정 데이터를 목적에 따라 가공한 데이터일 수 있다. 도로 상태 값 저장부(110)에 저장되는 측정 데이터 또는 측정 데이터를 목적에 따라 가공한 데이터는 아래에서 정의한다.
다음으로, 도로 정보 수신부(120)는 상기 도로(20)에 사전 설정된 간격으로 설치된 다수의 레이더들(30 및 40)로부터 사전 설정된 시간 간격으로 측정 데이터 세트를 수신한다. 여기에서, 상기 측정 데이터 세트는 상기 다수의 레이더들(30 및 40) 각각으로부터의 측정 데이터를 포함하며, 사전 설정된 시간 간격은, 예를 들어, 1초일 수 있다.
예를 들어, 도로 정보 수신부(120)는 임의의 시간 동안 하기 표 1과 같은 측정 데이터 세트를 다수의 레이더들(30 및 40)로부터 수신할 수 있다.
데이터 세트 인덱스 수신 시각 레이더 1 레이더 2
측정 데이터 세트 1 08:00:01 0.57 0.45
측정 데이터 세트 2 08:00:02 0.58 0.46
측정 데이터 세트 3 08:00:03 0.81 0.44
측정 데이터 세트 4 08:00:04 0.57 0.87
표 1을 참조하면, 도로 정보 수신부(120)가 측정 데이터 세트 1은 08시 0분 1초에 레이더 1(30) 및 레이더 2(40) 각각으로부터 송수신비 0.57 및 0.45의 측정 데이터를 수신한 것을 나타내고, 측정 데이터 세트 2는 08시 0분 2초에 레이더 1(30) 및 레이더 2(40) 각각으로부터 송수신비 0.58 및 0.46의 측정 데이터를 수신한 것을 나타내고, 측정 데이터 세트 3은 08시 0분 3초에 레이더 1(30) 및 레이더 2(40) 각각으로부터 송수신비 0.81 및 0.44의 측정 데이터를 수신한 것을 나타내고, 측정 데이터 세트 4는 08시 0분 4초에 레이더 1(30) 및 레이더 2(40) 각각으로부터 송수신비 0.57 및 0.87의 측정 데이터를 수신한 것을 나타낸다.
다음으로, 도로 상태 유사도 산출부(130)는 상기 다수의 도로 상태 값들과 측정 데이터 세트 수신 시점마다의 측정 데이터 세트를 이용하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출한다. 구체적으로, 도로 상태 유사도 산출부(130)는 상기 다수의 도로 상태 값들과 측정 데이터 세트 수신 시점마다의 측정 데이터 세트를 이용하되, 논-러닝(Non-learning) 방식, 파라메트릭 러닝(Parametric learning) 방식 및/또는 논-파라메트릭 러닝(Non-parametric learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출할 수 있다. 여기에서, 논-러닝 방식은 일예로 코사인(Cosine) 기반 유사도를 이용한 논-러닝 방식이 있으며, 파라메트릭 러닝 방식은 일예로 나이브-베이시안(Naive-Bayesian) 기반 유사도를 이용한 파라메트릭 러닝 방식이 있으며, 논-파라메트릭 러닝 방식은 일예로 서포트 벡터 머신(Support Vector Machine) 기반 유사도를 이용한 논-파라메트릭 러닝 방식이 있다.
이하에서는, 코사인 기반 유사도를 이용한 논-러닝 방식, 나이브-베이시안 기반 유사도를 이용한 파라메트릭 러닝 방식 및 서포트 벡터 머신 기반 유사도를 이용한 논-파라메트릭 러닝 방식 각각을 이용하여 도로 상태 유사도 산출부(130)가 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는 방식을 설명한다.
1. 코사인 기반 유사도를 이용한 논-러닝 방식에 기초한 경우,
먼저, 도로 상태 값 저장부(110)에는 다수의 도로 상태 값들이 하기 표 2와 같이 저장되어 있을 수 있다.
도로 상태 값 인덱스 레이더 1 레이더 2 도로 상태
도로 상태 값 1 0.71 0.67 건조
도로 상태 값 2 0.70 0.68 건조
도로 상태 값 3 0.34 0.23 비
도로 상태 값 4 0.35 0.22 비
도로 상태 값 5 0.54 0.45 눈
도로 상태 값 6 0.57 0.48 눈
도로 상태 값 7 0.81 0.79 알 수 없음
도로 상태 값 8 0.12 0.05 알 수 없음
표 2를 참조하면, 도로 상태 값 저장부(110)에는 다수의 레이더들(30 및 40)로부터 사전에 동일 시각에 획득된 측정 데이터와 측정 데이터에 기초하여 사전 설정된 기준에 따라 건조, 비, 눈 및 알 수 없음의 4가지 도로 상태들 중 하나의 도로 상태로 분류된 도로 상태 값이 저장되어 있다. 구체적으로, 예를 들어, 도로 상태 값 1은 레이더 1(30) 및 레이더 2(40) 각각으로부터 사전에 획득된 송수신비 0.71 및 0.67의 측정 데이터와 이러한 측정 데이터에 기초하여 사전에 분류된 건조 상태를 포함하고, 도로 상태 값 3은 레이더 1(30) 및 레이더 2(40) 각각으로부터 사전에 획득된 송수신비 0.34 및 0.23의 측정 데이터와 이러한 측정 데이터에 기초하여 사전에 분류된 비 상태를 포함하고, 도로 상태 값 5는 레이더 1(30) 및 레이더 2(40) 각각으로부터 사전에 획득된 송수신비 0.54 및 0.45의 측정 데이터와 이러한 측정 데이터에 기초하여 사전에 분류된 눈 상태를 포함하고, 도로 상태 값 7은 레이더 1(30) 및 레이더 2(40) 각각으로부터 사전에 획득된 송수신비 0.81 및 0.79의 측정 데이터와 이러한 측정 데이터에 기초하여 사전에 분류된 알 수 없음 상태를 포함한다.
다음으로, 도로 상태 유사도 산출부(130)는 하기 수학식 1을 이용하여 상기 다수의 도로 상태들 각각에 대한 코사인 유사도를 산출하고, 산출된 코사인 유사도들의 상위 K개의 평균을 구하여 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출한다.
Figure 112017104845969-pat00001
여기에서,
Figure 112017104845969-pat00002
는
Figure 112017104845969-pat00003
및
Figure 112017104845969-pat00004
간의 코사인 유사도 측정 함수이고,
Figure 112017104845969-pat00005
는 현재 시점의 측정 데이터 세트이고,
Figure 112017104845969-pat00006
는 j번째 도로 상태 값을 나타내며,
Figure 112017104845969-pat00007
는 현재 시점의 측정 데이터 세트의 i번째 측정 데이터이고,
Figure 112017104845969-pat00008
는 j번째 도로 상태 값의 i번째 측정 데이터를 나타내며, N은 측정 데이터 세트(또는 도로 상태 값)에 포함된 측정 데이터의 개수이다.
예를 들어, 현재 시각이 8시 0분 4초인 경우, 도로 상태 유사도 산출부(130)는 측정 데이터 세트 4를 이용하여 건조 상태, 비 상태, 눈 상태 및 알 수 없음 상태에 대해 각각 2개의 코사인 유사도를 산출한다. 구체적으로, 도로 상태 유사도 산출부(130)는 측정 데이터 세트 4와 건조 상태인 도로 상태 값 1 및 2 간에 코사인 유사도를 산출하고, 측정 데이터 세트 4와 비 상태인 도로 상태 값 3 및 4 간에 코사인 유사도를 산출하며, 측정 데이터 세트 4와 눈 상태인 도로 상태 값 5 및 6 간에 코사인 유사도를 산출하고, 측정 데이터 세트 4와 알 수 없음 상태인 도로 상태 값 7 및 8 간에 코사인 유사도를 산출한다. 이후, 도로 상태 유사도 산출부(130)는 산출된 코사인 유사도들의 상위 K개의 평균을 구하여 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출한다. 이에 따라, 건조 상태, 비 상태, 눈 상태 및 알 수 없음 상태 각각에 대해 도로 상태 유사도가 산출된다. 여기에서, K가 1인 경우, 도로 상태 유사도 산출부(130)는 가장 높은 코사인 유사도를 도로 상태 유사도로 산출할 수 있다.
2. 나이브-베이시안 기반 유사도를 이용한 파라메트릭 러닝 방식에 기초한 경우,
먼저, 도로 상태 값 저장부(110)에는 다수의 도로 상태 값들이 하기 표 3과 같이 저장되어 있을 수 있다.
도로 상태 값 인덱스 레이더 1 레이더 2 도로 상태 조건부 확률
도로 상태 값 1 0.71 0.67 건조 조건부 확률 1
비 조건부 확률 2
눈 조건부 확률 3
알 수 없음 조건부 확률 4
도로 상태 값 2 0.57 0.87 건조 조건부 확률 5
비 조건부 확률 6
눈 조건부 확률 7
알 수 없음 조건부 확률 8
표 3을 참조하면, 도로 상태 값 저장부(110)에는 건조, 비, 눈 및 알 수 없음의 4가지 도로 상태들 중 하나의 도로 상태일 때 다수의 레이더들(30 및 40)로부터 측정 데이터가 측정될 확률을 포함하는 도로 상태 값이 저장되어 있다. 구체적으로, 예를 들어, 도로 상태 값 1은 건조 상태일 때 다수의 레이더들(30 및 40)로부터 0.71 및 0.67의 측정 데이터가 측정될 조건부 확률 1, 비 상태일 때 다수의 레이더들(30 및 40)로부터 0.71 및 0.67의 측정 데이터가 측정될 조건부 확률 2, 눈 상태일 때 다수의 레이더들(30 및 40)로부터 0.71 및 0.67의 측정 데이터가 측정될 조건부 확률 3 및 알 수 없음 상태일 때 다수의 레이더들(30 및 40)로부터 0.71 및 0.67의 측정 데이터가 측정될 조건부 확률 4를 포함하고, 도로 상태 값 2는 건조 상태일 때 다수의 레이더들(30 및 40)로부터 0.57 및 0.87의 측정 데이터가 측정될 조건부 확률 5, 비 상태일 때 다수의 레이더들(30 및 40)로부터 0.57 및 0.87의 측정 데이터가 측정될 조건부 확률 6, 눈 상태일 때 다수의 레이더들(30 및 40)로부터 0.57 및 0.87의 측정 데이터가 측정될 조건부 확률 7 및 알 수 없음 상태일 때 다수의 레이더들(30 및 40)로부터 0.57 및 0.87의 측정 데이터가 측정될 조건부 확률 8을 포함한다.
다음으로, 도로 상태 유사도 산출부(130)는 하기 수학식 2를 이용하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출한다.
Figure 112017104845969-pat00009
여기에서,
Figure 112017104845969-pat00010
는
Figure 112017104845969-pat00011
및
Figure 112017104845969-pat00012
간의 도로 상태 유사도이고,
Figure 112017104845969-pat00013
는 m번째 도로 상태를 나타내며, m은 1 이상 및 M 이하의 정수이고, M은 다수의 도로 상태들의 개수이고,
Figure 112017104845969-pat00014
는
Figure 112017104845969-pat00015
가 측정되었을 때, 도로(20)가 m번째 도로 상태일 조건부 확률이며,
Figure 112017104845969-pat00016
은 다수의 도로 상태들 중 m번째 도로 상태일 확률이고,
Figure 112017104845969-pat00017
는 도로(20)가 m번째 도로 상태일 때
Figure 112017104845969-pat00018
가 측정될 조건부 확률이다. 여기에서,
Figure 112017104845969-pat00019
은 다수의 레이더들(30 및 40)로부터 사전에 획득된 측정 데이터들 중 건조 상태로 분류된 측정 데이터의 개수, 비 상태로 분류된 측정 데이터의 개수, 눈 상태로 분류된 측정 데이터의 개수 및 알 수 없음 상태로 분류된 측정 데이터의 개수에 기초하여 정해진다.
예를 들어, 현재 시각이 8시 0분 4초인 경우, 도로 상태 유사도 산출부(130)는 측정 데이터 세트 4 및 측정 데이터 세트 4와 측정 데이터가 동일한 도로 상태 값 2를 이용하여 건조 상태, 비 상태, 눈 상태 및 알 수 없음 상태에 대한 도로 상태 유사도를 산출한다.
3. 서포트 벡터 머신 기반 유사도를 이용한 논-파라메트릭 러닝 방식에 기초한 경우,
먼저, 도로 상태 값 저장부(110)에는 다수의 도로 상태 값들이 하기 표 4와 같이 저장되어 있을 수 있다.
도로 상태 값 인덱스 파라미터 벡터 슬랙 변수 도로 상태
도로 상태 값 1 (a1, b1) c1 건조
도로 상태 값 2 (a2, b2) c2 비
도로 상태 값 3 (a3, b3) c3 눈
도로 상태 값 4 (a4, b4) c4 알 수 없음
표 4를 참조하면, 도로 상태 값 저장부(110)에는 건조, 비, 눈 및 알 수 없음의 4가지 도로 상태들 중 하나의 도로 상태를 식별하기 위한 파라미터 벡터와 슬랙 변수를 포함하는 도로 상태 값이 저장되어 있다. 구체적으로, 예를 들어, 도로 상태 값 1은 건조 상태를 식별하기 위한 파라미터 변수 (a1, b1)과 슬랙 변수 c1을 포함하고, 도로 상태 값 2는 건조 상태를 식별하기 위한 파라미터 변수 (a2, b2)와 슬랙 변수 c2를 포함하고, 도로 상태 값 3은 건조 상태를 식별하기 위한 파라미터 변수 (a3, b3)과 슬랙 변수 c3을 포함하고, 도로 상태 값 4는 건조 상태를 식별하기 위한 파라미터 변수 (a4, b4)와 슬랙 변수 c4를 포함한다. 여기에서, 파라미터 변수는 도로(20)에 설치된 레이더들의 개수에 대응하여 원소들을 가질 수 있다.
다음으로, 도로 상태 유사도 산출부(130)는 하기 수학식 3을 이용하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출한다.
Figure 112017104845969-pat00020
여기에서,
Figure 112017104845969-pat00021
는
Figure 112017104845969-pat00022
및
Figure 112017104845969-pat00023
간의 도로 상태 유사도이고,
Figure 112017104845969-pat00024
는 도로(20)가 m번째 도로 상태(
Figure 112017104845969-pat00025
)인지를 식별하기 위해 하기 수학식 4를 이용한
Figure 112017104845969-pat00026
와 m번째 도로 상태 값 간의 벡터 연산의 결과 값이고,
Figure 112017104845969-pat00027
은 1 이상 M 이하의 도로 상태들을 이용한 벡터 연산의 결과 값들 중 가장 작은 벡터 연산의 결과 값이고,
Figure 112017104845969-pat00028
은 1 이상 M 이하의 도로 상태들을 이용한 벡터 연산의 결과 값들 중 가장 큰 벡터 연산의 결과 값이다.
Figure 112017104845969-pat00029
여기에서,
Figure 112017104845969-pat00030
은 m번째 도로 상태 값에 포함된 파라미터 벡터이고,
Figure 112017104845969-pat00031
은 m번째 도로 상태 값에 포함된 슬랙 변수이다.
다음으로, 도로 상태 식별부(140)는 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 이용하여 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하고, 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 이용하여 상기 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별한다. 상기 t는 1 이상 및 T 이하의 정수이고, T는 1 이상의 정수이다.
구체적으로, 도로 상태 식별부(140)는 상기 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 가중 평균하여 상기 현재 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산함으로써 상기 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별할 수 있다. 이때, 도로 상태 식별부(140)는 상기 현재 수신 시점에 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들에
Figure 112017104845969-pat00032
를 곱하고, 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들에
Figure 112017104845969-pat00033
를 곱한 후 다수의 도로 상태들 각각하다 합산함으로써 가중 평균할 수 있다. 여기에서, 상기
Figure 112017104845969-pat00034
는 0 초과 및 1 이하의 실수이다.
즉, 도로 상태 식별부(140)는 하기 수학식 5를 이용하여 상기 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 가중 평균할 수 있다.
Figure 112017104845969-pat00035
여기에서,
Figure 112017104845969-pat00036
은
Figure 112017104845969-pat00037
및
Figure 112017104845969-pat00038
간의 도로 상태 식별 값이고,
Figure 112017104845969-pat00039
는 현재 시점의 측정 데이터 세트(
Figure 112017104845969-pat00040
)와 m번째 도로 상태(
Figure 112017104845969-pat00041
) 간의 도로 상태 유사도이고,
Figure 112017104845969-pat00042
는 현재 시점으로부터 1번째 전의 시점의 측정 데이터 세트(
Figure 112017104845969-pat00043
)와 m번째 도로 상태(
Figure 112017104845969-pat00044
) 간의 도로 상태 유사도이고,
Figure 112017104845969-pat00045
는 현재 시점으로부터 2번째 전의 시점의 측정 데이터 세트(
Figure 112017104845969-pat00046
)와 m번째 도로 상태(
Figure 112017104845969-pat00047
) 간의 도로 상태 유사도이고,
Figure 112017104845969-pat00048
는 현재 시점으로부터 T+1번째 전의 시점의 측정 데이터 세트(
Figure 112017104845969-pat00049
)와 m번째 도로 상태(
Figure 112017104845969-pat00050
) 간의 도로 상태 유사도이다. 여기에서, 유사도는 상술한 바와 같이 논-러닝 방식, 파라메트릭 러닝 방식 및/또는 논-파라메트릭 러닝 방식에 의해 산출될 수 있다.
이후, 도로 상태 식별부(140)는 사기 수학식 5를 이용하여 상기 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 가중 평균하여 획득된 도로 상태 식별 값을 이용하여 상기 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별할 수 있다.
다음으로, 도로 상태 알림부(150)는 식별된 도로(20)의 도로 상태를 주변에 위치한 자동차(50 및 60)에 송신하거나 관제 센터(70)에 송신할 수 있다.
상술한 바와 같은 본 발명의 일실시예에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치(100)는 기존에 구축된 데이터들을 이용하여 다수의 레이더들(30 및 40)로부터 사전 설정된 시간 간격으로 획득된 데이터를 누적적으로 분석함으로써 특정 시점에 반사 신호가 잘못 측정되더라도 도로 상태를 올바르게 식별할 수 있다.
도 2는 본 발명의 일실시예에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치의 동작 방법을 도시한 순서도이다.
도 2를 참조하면, 단계(S210)에서는 도로를 다수의 도로 상태들을 중 하나의 도로 상태로 식별하기 위한 다수의 도로 상태 값들을 저장하고 있는 도로 상태 값 저장부를 유지한다.
단계(S220)에서는 상기 도로에 사전 설정된 간격으로 설치된 다수의 레이더들로부터 사전 설정된 시간 간격으로 측정 데이터 세트를 수신한다. 여기에서, 상기 측정 데이터 세트는 상기 다수의 레이더들 각각으로부터의 측정 데이터를 포함한다.
단계(S230)에서는 상기 다수의 도로 상태 값들과 측정 데이터 세트 수신 시점마다의 측정 데이터 세트를 이용하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출한다.
단계(S230)에서는 논-러닝(Non-learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출할 수 있다. 상기 논-러닝(Non-learning) 방식은 코사인(Cosine) 기반 유사도를 이용한 논-러닝 방식일 수 있다.
단계(S230)에서는 파라메트릭 러닝(Parametric learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출할 수 있다. 상기 파라메트릭 러닝(Parametric learning) 방식은 나이브-베이시안(Naive-Bayesian) 기반 유사도를 이용한 파라메트릭 러닝 방식일 수 있다.
단계(S230)에서는 논-파라메트릭 러닝(Non-parametric learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출할 수 있다. 상기 논-파라메트릭 러닝(Non-parametric learning) 방식은 서포트 벡터 머신(Support Vector Machine) 기반 유사도를 이용한 논-파라메트릭 러닝 방식일 수 있다.
단계(S240)에서는 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 이용하여 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하고, 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 이용하여 상기 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별한다. 여기에서, 상기 t는 1 이상 및 T 이하의 정수이고, T는 1 이상의 정수이다.
단계(S240)에서는 상기 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 가중 평균하여 상기 현재 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산할 수 있다.
단계(S240)에서는 상기 현재 수신 시점에 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들에
Figure 112017104845969-pat00051
를 곱하고, 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들에
Figure 112017104845969-pat00052
를 곱한 후 다수의 도로 상태들 각각하다 합산함으로써 가중 평균할 수 있다. 여기에서, 상기
Figure 112017104845969-pat00053
는 0 초과 및 1 이하의 실수이다.
이상, 도 2를 참조하여 본 발명의 일실시예에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치의 동작 방법에 대해 설명하였다. 여기서, 본 발명의 일실시예에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치의 동작 방법은 도 1을 이용하여 설명한 본 발명의 일실시예에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치의 동작에 대한 구성과 대응될 수 있으므로, 이에 대한 보다 상세한 설명은 생략하기로 한다.
본 발명의 일실시예에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치의 동작 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
또한, 본 발명의 일실시예에 따른 레이더 검출 데이터를 이용한 도로 상태 식별 장치의 동작 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (20)

  1. 도로를 다수의 도로 상태들 중 하나의 도로 상태로 식별하기 위한 다수의 도로 상태 값들을 저장하고 있는 도로 상태 값 저장부;
    상기 도로에 사전 설정된 간격으로 설치된 다수의 레이더들로부터 사전 설정된 시간 간격으로 측정 데이터 세트 - 상기 측정 데이터 세트는 상기 다수의 레이더들 각각으로부터의 측정 데이터를 포함함 - 를 수신하는 도로 정보 수신부;
    상기 다수의 도로 상태 값들과 측정 데이터 세트 수신 시점마다의 측정 데이터 세트를 이용하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는 도로 상태 유사도 산출부; 및
    현재 수신 시점 및 상기 현재 수신 시점으로부터 t - 상기 t는 1 이상 및 T 이하의 정수이고, T는 1 이상의 정수임 - 번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 이용하여 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하고, 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 이용하여 상기 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별하는 도로 상태 식별부
    를 포함하는 도로 상태 식별 장치.
  2. 제1항에 있어서,
    상기 도로 상태 식별부는 상기 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 가중 평균하여 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하는
    도로 상태 식별 장치.
  3. 제2항에 있어서,
    상기 도로 상태 식별부는 상기 현재 수신 시점에 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들에
    Figure 112017104845969-pat00054
    - 상기
    Figure 112017104845969-pat00055
    는 0 초과 및 1 이하의 실수임 - 를 곱하고, 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들에
    Figure 112017104845969-pat00056
    를 곱한 후 다수의 도로 상태들 각각하다 합산함으로써 가중 평균하는
    도로 상태 식별 장치.
  4. 제3항에 있어서,
    상기 도로 상태 식별부는 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값 중 가장 큰 값을 가지는 도로 상태 식별 값에 대응하는 도로 상태를 상기 현재 수신 시점의 도로 상태로 식별하는
    도로 상태 식별 장치.
  5. 제4항에 있어서,
    상기 도로 상태 유사도 산출부는 논-러닝(Non-learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는
    도로 상태 식별 장치.
  6. 제5항에 있어서,
    상기 논-러닝(Non-learning) 방식은 코사인(Cosine) 기반 유사도를 이용한 논-러닝 방식인
    도로 상태 식별 장치.
  7. 제4항에 있어서,
    상기 도로 상태 유사도 산출부는 파라메트릭 러닝(Parametric learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는
    도로 상태 식별 장치.
  8. 제7항에 있어서,
    상기 파라메트릭 러닝(Parametric learning) 방식은 나이브-베이시안(Naive-Bayesian) 기반 유사도를 이용한 파라메트릭 러닝 방식인
    도로 상태 식별 장치.
  9. 제4항에 있어서,
    상기 도로 상태 유사도 산출부는 논-파라메트릭 러닝(Non-parametric learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는
    도로 상태 식별 장치.
  10. 제9항에 있어서,
    상기 논-파라메트릭 러닝(Non-parametric learning) 방식은 서포트 벡터 머신(Support Vector Machine) 기반 유사도를 이용한 논-파라메트릭 러닝 방식인
    도로 상태 식별 장치.
  11. 도로를 다수의 도로 상태들 중 하나의 도로 상태로 식별하기 위한 다수의 도로 상태 값들을 저장하고 있는 도로 상태 값 저장부를 유지하는 단계;
    상기 도로에 사전 설정된 간격으로 설치된 다수의 레이더들로부터 사전 설정된 시간 간격으로 측정 데이터 세트 - 상기 측정 데이터 세트는 상기 다수의 레이더들 각각으로부터의 측정 데이터를 포함함 - 를 수신하는 단계;
    상기 다수의 도로 상태 값들과 측정 데이터 세트 수신 시점마다의 측정 데이터 세트를 이용하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는 단계; 및
    현재 수신 시점 및 상기 현재 수신 시점으로부터 t - 상기 t는 1 이상 및 T 이하의 정수이고, T는 1 이상의 정수임 - 번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 이용하여 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하고, 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 이용하여 상기 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별하는 단계
    를 포함하는 도로 상태 식별 장치의 동작 방법.
  12. 제11항에 있어서,
    상기 도로 상태를 식별하는 단계는 상기 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 가중 평균하여 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하는
    도로 상태 식별 장치의 동작 방법.
  13. 제12항에 있어서,
    상기 도로 상태를 식별하는 단계는 상기 현재 수신 시점에 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들에
    Figure 112017104845969-pat00057
    - 상기
    Figure 112017104845969-pat00058
    는 0 초과 및 1 이하의 실수임 - 를 곱하고, 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들에
    Figure 112017104845969-pat00059
    를 곱한 후 다수의 도로 상태들 각각하다 합산함으로써 가중 평균하는
    도로 상태 식별 장치의 동작 방법.
  14. 제13항에 있어서,
    상기 도로 상태를 식별하는 단계는 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값 중 가장 큰 값을 가지는 도로 상태 식별 값에 대응하는 도로 상태를 상기 현재 수신 시점의 도로 상태로 식별하는
    도로 상태 식별 장치의 동작 방법.
  15. 제14항에 있어서,
    상기 도로 상태 유사도를 산출하는 단계는 논-러닝(Non-learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는
    도로 상태 식별 장치의 동작 방법.
  16. 제15항에 있어서,
    상기 논-러닝(Non-learning) 방식은 코사인(Cosine) 기반 유사도를 이용한 논-러닝 방식인
    도로 상태 식별 장치의 동작 방법.
  17. 제14항에 있어서,
    상기 도로 상태 유사도를 산출하는 단계는 파라메트릭 러닝(Parametric learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는
    도로 상태 식별 장치의 동작 방법.
  18. 제17항에 있어서,
    상기 파라메트릭 러닝(Parametric learning) 방식은 나이브-베이시안(Naive-Bayesian) 기반 유사도를 이용한 파라메트릭 러닝 방식인
    도로 상태 식별 장치의 동작 방법.
  19. 제14항에 있어서,
    상기 도로 상태 유사도를 산출하는 단계는 논-파라메트릭 러닝(Non-parametric learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는
    도로 상태 식별 장치의 동작 방법.
  20. 제19항에 있어서,
    상기 논-파라메트릭 러닝(Non-parametric learning) 방식은 서포트 벡터 머신(Support Vector Machine) 기반 유사도를 이용한 논-파라메트릭 러닝 방식인
    도로 상태 식별 장치의 동작 방법.
KR1020170138160A 2017-10-24 2017-10-24 레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법 KR101958931B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170138160A KR101958931B1 (ko) 2017-10-24 2017-10-24 레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170138160A KR101958931B1 (ko) 2017-10-24 2017-10-24 레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법

Publications (1)

Publication Number Publication Date
KR101958931B1 true KR101958931B1 (ko) 2019-07-02

Family

ID=67258194

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170138160A KR101958931B1 (ko) 2017-10-24 2017-10-24 레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법

Country Status (1)

Country Link
KR (1) KR101958931B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100858926B1 (ko) * 2007-01-31 2008-09-17 고려대학교 산학협력단 태그 리드 시스템을 이용한 주행 안내 장치
JP4202282B2 (ja) * 2003-09-23 2008-12-24 エレクトロニクス アンド テレコミュニケーションズ リサーチ インスチチュート 車両を用いたｒｆｉｄタグの設置システム及びその方法
KR20100122149A (ko) * 2009-05-12 2010-11-22 경희대학교 산학협력단 도로 상태를 판단하는 방법 및 장치
KR101191308B1 (ko) * 2010-05-31 2012-10-16 태성전장주식회사 지능형 운송 시스템의 도로 및 차선 검출 시스템 및 방법
JP6040096B2 (ja) * 2013-05-20 2016-12-07 国立大学法人 東京大学 路面状態推定装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4202282B2 (ja) * 2003-09-23 2008-12-24 エレクトロニクス アンド テレコミュニケーションズ リサーチ インスチチュート 車両を用いたｒｆｉｄタグの設置システム及びその方法
KR100858926B1 (ko) * 2007-01-31 2008-09-17 고려대학교 산학협력단 태그 리드 시스템을 이용한 주행 안내 장치
KR20100122149A (ko) * 2009-05-12 2010-11-22 경희대학교 산학협력단 도로 상태를 판단하는 방법 및 장치
KR101191308B1 (ko) * 2010-05-31 2012-10-16 태성전장주식회사 지능형 운송 시스템의 도로 및 차선 검출 시스템 및 방법
JP6040096B2 (ja) * 2013-05-20 2016-12-07 国立大学法人 東京大学 路面状態推定装置

Similar Documents

Publication Publication Date Title
US10607089B2 (en) Re-identifying an object in a test image
US20210129869A1 (en) Intelligent driving control methods and apparatuses, vehicles, electronic devices, and storage media
US11195412B2 (en) Predicting short-term traffic flow congestion on urban motorway networks
JP6570791B2 (ja) 処理装置
JP6673030B2 (ja) 情報処理装置、情報処理方法、及びプログラム
KR101255736B1 (ko) 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법
US10585172B2 (en) Radar detection method distinguishing rain echoes and radar implementing such a method
JP2010132056A (ja) 検知装置、検知方法および車両制御装置
KR102616571B1 (ko) 인공지능을 이용한 영상 분석 기반의 도로 교통정보 제공 방법 및 그를 위한 시스템
KR102060286B1 (ko) 이미지 정보를 활용한 레이더 오브젝트 검출 임계값 결정 방법 및 이를 이용한 레이더 오브젝트 정보 생성 장치
CN115331413A (zh) 一种道闸杆预警方法、装置、电子设备及存储介质
Ilina et al. Robustness study of a deep convolutional neural network for vehicle detection in aerial imagery
CN111553474A (zh) 船只检测模型训练方法及基于无人机视频的船只跟踪方法
CN108399391B (zh) 一种基于信号带宽特征的无人机信号识别的方法及装置
KR101958931B1 (ko) 레이더 검출 데이터를 이용한 도로 상태 식별 장치 및 이의 동작 방법
US12094330B2 (en) Traffic prediction apparatus, system, method, and non-transitory computer readable medium
KR101652193B1 (ko) 레이더를 이용한 타겟 검출 방법 및 그 장치
CN109283507B (zh) 一种基于时频域特征的雷达目标识别方法及系统
FR3082165A1 (fr) Système d’aide a la conduite
US20220408400A1 (en) System and method for facilitating localizing an external object
US10732255B2 (en) Method and apparatus for detection of a signal
CN111738185B (zh) 一种目标识别方法、装置及设备
Andika et al. Improved feature extraction network in lightweight YOLOv7 model for real-time vehicle detection on low-cost hardware
US20210396869A1 (en) Ship detection system, method, and program
Gao et al. Whether and how congested is a road? Indices, updating strategy and a vision‐based detection framework