KR102025491B1 - 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법 - Google Patents

차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법 Download PDF

Info

Publication number
KR102025491B1
KR102025491B1 KR1020180038480A KR20180038480A KR102025491B1 KR 102025491 B1 KR102025491 B1 KR 102025491B1 KR 1020180038480 A KR1020180038480 A KR 1020180038480A KR 20180038480 A KR20180038480 A KR 20180038480A KR 102025491 B1 KR102025491 B1 KR 102025491B1
Authority
KR
South Korea
Prior art keywords
braking distance
vehicle braking
collision warning
vbdp
prediction
Prior art date
Application number
KR1020180038480A
Other languages
English (en)
Inventor
조정호
김종원
Original Assignee
순천향대학교 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 순천향대학교 산학협력단 filed Critical 순천향대학교 산학협력단
Priority to KR1020180038480A priority Critical patent/KR102025491B1/ko
Application granted granted Critical
Publication of KR102025491B1 publication Critical patent/KR102025491B1/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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • 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
    • B60W40/068—Road friction coefficient
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B60W2550/148—
    • 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
    • B60W2552/40—Coefficient of friction

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법이 제시된다. 일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 방법은, 주행 데이터로부터 신경망(Neural Network: NN)을 통해 학습된 차량 제동거리 예측 시스템(Vehicle Braking Distance Predictor: VBDP)을 통해 제동거리를 예측하는 단계; 전방 추돌 경고 시스템(Forward Collision Warning System: FCWS)의 차량 제동거리 모델(Vehicle Braking Distance Model: VBDM)로부터 제동거리를 계산하는 단계; 및 상기 차량 제동거리 예측 시스템(VBDP)의 예측된 제동거리와 상기 전방 추돌 경고 시스템(FCWS)의 차량 제동거리 모델(VBDM)로부터 계산된 제동거리를 비교하여 유사성 여부를 통해 상기 전방 추돌 경고 시스템(FCWS)의 이상 유무를 판단하는 단계를 포함하여 이루어질 수 있다.

Description

차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법{AUGMENTED FORWARD COLLISION WARNING SYSTEM AND METHOD BASED ON PREDICTION OF VEHICLE BRAKING DISTANCE}
아래의 실시예들은 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법에 관한 것으로, 더욱 상세하게는, 신경망을 활용하여 시스템의 이상 유무 판단을 통해 사고를 예방하는 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법에 관한 것이다.
4차 산업혁명은 로봇이나 인공지능을 통해 실제와 가상이 통합되어 사물을 자동적, 지능적으로 제어할 수 있는 가상 물리 시스템의 구축이 기대되는 산업상의 변화를 일컫는다. 4차 산업혁명의 미래 산업으로 거론되고 있는 분야 중엔 운전자의 조작 없이도 스스로 도로 상황을 인식 및 판단하여 목적지에 도착할 수 있는 자율주행 자동차가 있으며, 2009년 구글이 개발과 상용화라는 화두를 공표한 이후 급격한 발전의 흐름 속에 있다. 자율주행 자동차에 탑재되는 핵심기술 중 하나는 운전자 보조 시스템(Advanced Driver Assistance System: ADAS)으로, 도로의 차선을 추적하기 위한 조향 제어, 충돌에 대한 경고, 원활한 교통의 흐름과 추돌 방지를 위한 속도제어 등을 들 수 있다.
전방 추돌 경고 시스템(Forward Collision Warning System: FCWS)은 최근 가장 광범위하게 연구 및 개발이 진행되고 있는 분야로, 전방 차량 검출 및 거리 측정을 통하여 운전자의 전방 미주시 또는 부주의에 의해 발생할 수 있는 추돌을 미연에 방지 및 회피하여 사고를 예방할 수 있게 한다.
전방 추돌 경고 시스템(FCWS)의 계산에 사용되는 데이터는 메가 데이터와 마이크로 데이터가 있으며, 메가 데이터는 교통량, 평균 속력 등의 공유데이터이며, 마이크로 데이터는 개별 차량 센서로 수집된 차간 거리, 속력 등의 데이터이다. 이때 마이크로 데이터의 수집은 레이더, 레이저 스캐너, 영상카메라 등 다양한 센서의 활용이 가능하나 각 센서는 저마다의 한계점이 존재한다. 레이더는 정확한 차량 검출과 100m 이상의 원거리 탐지가 뛰어나지만, 정지 상태 및 근접 차량 검출 정확성은 다소 떨어진다. 레이저 스캐너의 경우, 근접차량과 장애물 검출은 뛰어나지만 검출거리가 짧아 원거리 차량의 탐지가 어렵고 가격이 고가이다. 영상카메라는 특정 색상, 기하변수 등의 다양성으로 인해 실제 다양한 주행환경 적용에 한계가 있다.
한국등록특허 10-1504639호는 이러한 제동 거리 기반의 충돌 경고 시스템 및 방법에 관한 것으로, 차량의 제동 거리를 기반으로 충돌 위험 시점을 결정하여 충돌 위험을 경고하는 장치에 관한 기술을 기재하고 있다.
한국등록특허 10-1504639호
L. Zhang and P. N. Suganthan, "A survey of randomized algorithms for training neural networks", Information Sciences, Vol. 364-365, pp. 146-155, Oct, 2016. A. C. Miranda and V. M. Castano, "Smart frost control in greenhouses by neural networks models", Computers and Electronics in Agriculture, Vol. 137, pp. 102-114, May, 2017.
실시예들은 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법에 관하여 기술하며, 보다 구체적으로 차량 제동거리 예측을 위해 신경망을 활용하여 시스템의 이상 유무 판단을 통해 사고를 예방함으로써, 전방 추돌 경고 시스템의 신뢰성을 향상시키는 기술을 제공한다.
일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 방법은, 주행 데이터로부터 신경망(Neural Network: NN)을 통해 학습된 차량 제동거리 예측 시스템(Vehicle Braking Distance Predictor: VBDP)을 통해 제동거리를 예측하는 단계; 전방 추돌 경고 시스템(Forward Collision Warning System: FCWS)의 차량 제동거리 모델(Vehicle Braking Distance Model: VBDM)로부터 제동거리를 계산하는 단계; 및 상기 차량 제동거리 예측 시스템(VBDP)의 예측된 제동거리와 상기 전방 추돌 경고 시스템(FCWS)의 차량 제동거리 모델(VBDM)로부터 계산된 제동거리를 비교하여 유사성 여부를 통해 상기 전방 추돌 경고 시스템(FCWS)의 이상 유무를 판단하는 단계를 포함하여 이루어질 수 있다.
여기서, 상기 유사성 여부를 통해 유사하지 않은 것으로 판단되는 경우, 운전자 또는 관리자에게 알람하는 단계를 더 포함할 수 있다.
또한, 상기 유사성 여부를 통해 유사한 것으로 판단되는 경우, 소정 크기 이상의 충돌 위험 여부를 판단하는 단계를 더 포함하고, 상기 충돌 위험 여부의 판단 결과, 충돌 위험이 있는 경우 운전자 또는 관리자에게 알람할 수 있다.
상기 주행 데이터로부터 신경망을 통해 학습된 차량 제동거리 예측 시스템(VBDP)을 통해 제동거리를 예측하는 단계는, 기초 동역학 모델을 바탕으로 제동거리에 영향을 미치는 주행하는 속력, 노면 상태에 따른 마찰계수 그리고 상기 속력 및 상기 노면 상태에 따른 마찰계수인 두 변수에 의한 제동거리 데이터를 확보하여, 신경망 기반으로 차량 제동거리 예측 시스템(VBDP)을 학습시킬 수 있다.
상기 주행 데이터로부터 신경망을 통해 학습된 차량 제동거리 예측 시스템(VBDP)을 통해 제동거리를 예측하는 단계는, 상기 신경망의 구조가 다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조로 이루어진 상기 차량 제동거리 예측 시스템(VBDP)을 통해 제동거리를 예측할 수 있다.
상기 주행 데이터로부터 신경망을 통해 학습된 차량 제동거리 예측 시스템(VBDP)을 통해 제동거리를 예측하는 단계는, 상기 신경망은 학습을 통해 활성화 함수의 출력 값과 목표 값의 오차가 최소가 되도록 조정하는 최적의 학습률, 은닉층 노드 수 및 학습 횟수에 대한 매개변수를 찾을 수 있다.
상기 전방 추돌 경고 시스템(FCWS)의 차량 제동거리 모델(VBDM)로부터 제동거리를 계산하는 단계는, 차량 제동거리의 수학적 표준 모델인 차량 제동거리 모델(VBDM)을 이용하여 차량의 속력과 노면 상태에 따른 마찰계수에 따라 제동거리를 계산할 수 있다.
다른 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템은, 주행 데이터로부터 신경망(Neural Network: NN)을 통해 학습되어, 제동거리를 예측하는 차량 제동거리 예측 시스템(Vehicle Braking Distance Predictor: VBDP); 제동거리를 계산하는 전방 추돌 경고 시스템(Forward Collision Warning System: FCWS)의 차량 제동거리 모델(Vehicle Braking Distance Model: VBDM); 및 상기 차량 제동거리 예측 시스템(VBDP)의 예측된 제동거리와 상기 전방 추돌 경고 시스템(FCWS)의 차량 제동거리 모델(VBDM)로부터 계산된 제동거리를 비교하여 유사성 여부를 통해 상기 전방 추돌 경고 시스템(FCWS)의 이상 유무를 판단하는 이상 유무 판단부를 포함하여 이루어질 수 있다.
여기서, 상기 유사성 여부를 통해 유사하지 않은 것으로 판단되는 경우, 운전자 또는 관리자에게 알람하는 알람부를 더 포함하여 이루어질 수 있다.
상기 유사성 여부를 통해 유사한 것으로 판단되는 경우, 소정 크기 이상의 충돌 위험 여부를 판단하는 충돌 위험 판단부를 더 포함하고, 상기 충돌 위험 판단부는, 상기 충돌 위험 여부의 판단 결과, 충돌 위험이 있는 경우 상기 알람부를 통해 운전자 또는 관리자에게 알람할 수 있다.
상기 차량 제동거리 예측 시스템(VBDP)은, 기초 동역학 모델을 바탕으로 제동거리에 영향을 미치는 주행하는 속력, 노면 상태에 따른 마찰계수 그리고 상기 속력 및 상기 노면 상태에 따른 마찰계수인 두 변수에 의한 제동거리 데이터를 확보하여, 신경망 기반으로 학습될 수 있다.
상기 차량 제동거리 예측 시스템(VBDP)은, 상기 신경망의 구조가 다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조로 이루어진 상기 차량 제동거리 예측 시스템(VBDP)일 수 있다.
상기 차량 제동거리 예측 시스템(VBDP)은, 상기 신경망은 학습을 통해 활성화 함수의 출력 값과 목표 값의 오차가 최소가 되도록 조정하는 최적의 학습률, 은닉층 노드 수 및 학습 횟수에 대한 매개변수를 찾을 수 있다.
상기 차량 제동거리 모델(VBDM)은, 차량 제동거리의 수학적 표준 모델인 차량 제동거리 모델(VBDM)을 이용하여 차량의 속력과 노면 상태에 따른 마찰계수에 따라 제동거리를 계산할 수 있다.
또 다른 실시예에 따른 차량 제동거리 예측 시스템은, 기초 동역학 모델을 바탕으로 제동거리에 영향을 미치는 주행하는 속력, 노면 상태에 따른 마찰계수 그리고 상기 속력 및 상기 노면 상태에 따른 마찰계수인 두 변수에 의한 제동거리 데이터를 확보하여, 신경망(Neural Network: NN)을 통해 학습되어, 제동거리를 예측할 수 있다.
실시예들에 따르면 차량 제동거리 예측을 위해 신경망을 활용하여 시스템의 이상 유무 판단을 통해 사고를 예방함으로써, 전방 추돌 경고 시스템의 신뢰성을 향상시키는 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법을 제공할 수 있다.
도 1은 일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 방법을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 인공 신경망의 구조를 나타내는 도면이다.
도 4는 일 실시예에 따른 차량 정지거리를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 전략적 학습을 통한 매개변수 선정을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 학습 횟수에 따른 평균제곱오차(MSE)의 성능평가를 나타내는 도면이다.
도 7은 일 실시예에 따른 노면 상태에 따른 예측 오차의 성능평가를 나타내는 도면이다.
도 8은 일 실시예에 따른 차량 제동거리 예측 시스템(VBDP)와 표준 모델 차량 제동거리 모델(VBDM)의 잡음환경에서의 예측성능 비교를 나타낸다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
최근 자율주행 자동차가 각광받음에 따라 차량에 탑재되는 다양한 센서를 기반으로 한 지능형 운전자 보조 기술이 크게 발전되고 있다. 자율주행 차량의 핵심기술로써 여러 유형의 거리감지 센서의 정보를 기반으로 전방 차량 및 주행 차선을 감지하여 사고를 예방하는 전방 추돌 경고 시스템이 있으며, 이때 활용되는 센서는 주행 안전과 직결됨으로써 높은 신뢰성과 안정성이 보장되어야 한다. 하지만, 현재 개발 및 상용화 중인 전방 추돌 경고 시스템의 센서는 단독으로 운영될 경우 센서의 오동작 또는 실제 주행환경에서 발생하는 다양한 잡음에 취약 할 수 있다는 한계가 존재한다.
아래의 실시예들에서는 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템을 제안한다. 제안된 보강시스템은 차량 제동거리 예측을 위해 신경망을 활용하였으며, 시스템의 이상 유무 판단을 통해 사고를 예방함으로써 전방 추돌 경고 시스템의 신뢰성 향상을 목표로 한다. 차량 제동거리 모델을 기반으로 한 모의실험을 수행한 결과, 일 실시예에 따른 보강된 전방 추돌 경고 시스템은 기존 제동거리 모델과 비교하여 외부 환경 잡음에 대한 강인함과 우수성을 확인할 수 있다.
본 실시예들에서는 높은 안정성과 신뢰성이 보장되어야 할 전방 추돌 경고 시스템(Forward Collision Warning System: FCWS)의 거리 탐지 기능이 내재하고 있는 한계점 및 전방 추돌 가능성을 보다 안정적으로 감지하여 사고 예방 및 보강을 위한 차량 제동거리 예측 시스템(Vehicle Braking Distance Predictor: VBDP)을 제공한다.
기존의 제동거리 예측모델은 크게 기초 동역학 이론에 근거한 방법, 실차 실험을 통한 방법 그리고 전산해석에 입각한 예측방법 등이 있으나, 모두 표준화된 모델을 이용한 예측으로서 개별적인 주행환경 데이터를 기반으로 계산되는 전방 추돌 경고 시스템(FCWS)에 적용하기에는 어려움이 있다. 또한, 차량 탑승자뿐만 아니라 전방 운전자 및 보행자의 생명과도 직결되므로 제동거리 예측을 위해 표준화 모델을 사용하기에는 예측 부정확 가능성에 의한 안정성 및 신뢰성에 영향을 미치게 된다.
따라서, 제동거리 예측 시스템 구현을 위해 인공 신경망(Neural Network: NN)을 고려할 수 있다. 기계학습의 한 분야인 신경망(NN)은 뇌의 구조를 모방하여 다양성, 복잡성 및 비선형성을 갖는 입출력 데이터를 통해 학습 및 예측을 할 수 있는 것이 가장 큰 장점이다. 신경망(NN) 기반의 차량 제동거리 예측 시스템(VBDP) 학습을 위해 기초 동역학 모델을 바탕으로 제동거리에 영향을 미치는 주행 속도, 노면 상태에 따른 마찰계수 그리고 두 변수에 의한 제동거리 데이터를 확보할 수 있다(비특허문헌 1).
도 1은 일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템의 구성을 나타내는 도면이다.
도 1을 참조하면, 일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템의 구성을 나타내는 것으로, 주행 데이터(driving data set)(131)로부터 신경망(NN)(132)을 통해 학습된 차량 제동거리 예측 시스템(VBDP)(133)의 예측된 제동거리와 전방 추돌 경고 시스템(FCWS)(120)의 차량 제동거리 모델(123)로부터 계산된 제동거리를 비교하여 유사성 여부(134)를 통해 시스템의 이상 유무를 판단할 수 있다. 여기서, 차량 및 장애물 감지 여부(122)를 판단하여 차량 및 장애물 감지 시 차량 제동거리 모델(123)은 제동거리를 계산하게 된다.
즉, 학습된 차량 제동거리 예측 시스템(VBDP)(133)의 예측된 제동거리와 전방 추돌 경고 시스템(FCWS)(120)의 차량 제동거리 모델(123)로부터 계산된 제동거리를 비교하여 유사성 여부(134)를 통해 유사하지 않은 것으로 판단되는 경우 운전자 또는 관리자에게 알람(124)할 수 있다. 또한, 유사성 여부(134)를 통해 유사한 것으로 판단되는 경우에도 소정 크기 이상의 충돌 위험 여부를 판단하여 운전자 또는 관리자에게 알람(124)할 수 있다.
이를 통해 센서(121)의 오동작 및 주행 잡음에 의한 전방 추돌 사고를 사전 예방하고 전방 추돌 경고 시스템(FCWS)의 신뢰성을 향상시킬 수 있다. 전략적 학습을 통해 일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템을 최적 설계한 뒤, 기존 제동거리 모델 및 단층 구조의 예측 시스템과의 비교를 통해 예측력과 잡음에 대한 강인성을 평가하였다.
일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템은 단층 구조의 예측 시스템과 비교하였을 때 노면과 속력에 상관없이 높은 예측력을 보였으며, 기존 제동거리 모델과의 비교에서도 제동거리 오차가 크게 감소하여 외부 환경잡음에 대해 강인성이 중요해지는 고속구간에서 우수한 성능을 확인할 수 있다.
도 2는 일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 방법을 나타내는 흐름도이다.
일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 방법은 주행 데이터로부터 신경망(Neural Network: NN)을 통해 학습된 차량 제동거리 예측 시스템(Vehicle Braking Distance Predictor: VBDP)을 통해 제동거리를 예측하는 단계(210), 전방 추돌 경고 시스템(Forward Collision Warning System: FCWS)의 차량 제동거리 모델(Vehicle Braking Distance Model: VBDM)로부터 제동거리를 계산하는 단계(220) 및 차량 제동거리 예측 시스템(VBDP)의 예측된 제동거리와 전방 추돌 경고 시스템(FCWS)의 차량 제동거리 모델(VBDM)로부터 계산된 제동거리를 비교하여 유사성 여부를 통해 전방 추돌 경고 시스템(FCWS)의 이상 유무를 판단하는 단계(230)를 포함하여 이루어질 수 있다.
여기서, 유사성 여부를 통해 유사하지 않은 것으로 판단되는 경우, 운전자 또는 관리자에게 알람하는 단계(240)를 더 포함할 수 있다. 또한, 유사성 여부를 통해 유사한 것으로 판단되는 경우, 소정 크기 이상의 충돌 위험 여부를 판단하는 단계를 더 포함하고, 충돌 위험 여부의 판단 결과, 충돌 위험이 있는 경우 운전자 또는 관리자에게 알람할 수 있다.
아래에서 일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템을 이용하여 각 단계에 대해 하나의 예를 들어 보다 구체적으로 설명한다. 한편, 일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템은 차량 제동거리 예측 시스템(VBDP), 차량 제동거리 모델(VBDM) 및 이상 유무 판단부를 포함하여 이루어질 수 있다. 실시예에 따라 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템은 알람부 및 충돌 위험 판단부를 더 포함할 수 있다. 이는, 아래에서 보다 구체적으로 설명한다.
단계(210)에서, 차량 제동거리 예측 시스템(VBDP)은 주행 데이터로부터 신경망(Neural Network: NN)을 통해 학습되어, 제동거리를 예측할 수 있다. 이때, 기초 동역학 모델을 바탕으로 제동거리에 영향을 미치는 주행하는 속력, 노면 상태에 따른 마찰계수 그리고 속력 및 노면 상태에 따른 마찰계수인 두 변수에 의한 제동거리 데이터를 확보하여, 신경망 기반으로 차량 제동거리 예측 시스템(VBDP)을 학습시킬 수 있다.
특히, 차량 제동거리 예측 시스템(VBDP)은 신경망의 구조가 다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조로 이루어진 차량 제동거리 예측 시스템(VBDP)을 통해 제동거리를 예측할 수 있다.
신경망은 학습을 통해 활성화 함수의 출력 값과 목표 값의 오차가 최소가 되도록 조정하는 최적의 학습률, 은닉층 노드 수 및 학습 횟수에 대한 매개변수를 찾을 수 있다.
단계(220)에서, 차량 제동거리 모델(VBDM)은 제동거리를 계산할 수 있다. 이때, 차량 제동거리의 수학적 표준 모델인 차량 제동거리 모델(VBDM)을 이용하여 차량의 속력과 노면 상태에 따른 마찰계수에 따라 제동거리를 계산할 수 있다.
단계(230)에서, 이상 유무 판단부는 차량 제동거리 예측 시스템(VBDP)의 예측된 제동거리와 전방 추돌 경고 시스템(FCWS)의 차량 제동거리 모델(VBDM)로부터 계산된 제동거리를 비교하여 유사성 여부를 통해 전방 추돌 경고 시스템(FCWS)의 이상 유무를 판단할 수 있다.
단계(240)에서, 알람부는 이상 유무 판단부의 유사성 여부를 통해 유사하지 않은 것으로 판단되는 경우, 운전자 또는 관리자에게 알람할 수 있다.
또한, 충돌 위험 판단부는 유사성 여부를 통해 유사한 것으로 판단되는 경우, 소정 크기 이상의 충돌 위험 여부를 판단할 수 있다. 충돌 위험 판단부는 충돌 위험 여부의 판단 결과, 충돌 위험이 있는 경우 알람부를 통해 운전자 또는 관리자에게 알람할 수 있다.
도 3은 일 실시예에 따른 인공 신경망의 구조를 나타내는 도면이다.
도 3을 참조하면, 인간의 인식과정과 신경상태를 수학적으로 모형화한 신경망은 패턴 분석, 최적 및 근사화에서 탁월한 성능을 갖는다. 수많은 신경망 구조 중 다층 퍼셉트론(Multi-Layer Perceptron: MLP)이 뛰어난 비선형 문제 해결 방법으로써 신호 처리, 제어, 음성 인식 등과 같은 다양한 분야에 적용된다(비특허문헌 2).
신경망의 구조는 도 3과 같이 나타낼 수 있으며, 입력층(310) 노드의 출력 값
Figure 112018032942115-pat00001
에 대한 가중치
Figure 112018032942115-pat00002
을 합성하여 활성화 함수를 통해 연결강도를 조절하면 은닉층(320) 노드의 출력 값과 출력층(330) 노드의 출력 값이 다음 식과 같이 표현될 수 있다.
[수학식 1]
Figure 112018032942115-pat00003
여기서,
Figure 112018032942115-pat00004
는 편향값, f는 활성화 함수, z j 는 은닉층 노드의 출력 값, y k 는 출력층 노드의 출력 값이다. f는 일반적인 활성화 함수로써, 선형 포화함수를 미분 가능한 형태로 변형한
Figure 112018032942115-pat00005
의 시그모이드(Sigmoid) 함수를 사용하며, 신경망의 입출력 데이터는 크기와 범위가 다양하기에 안정적이고 빠른 학습을 위해 정규화가 선행되어 포화현상의 예방을 위해, 필요 시 데이터를 집합의 최댓값으로 나누어 0과 1사이로 정규화 할 수 있다.
신경망은 학습을 통해 활성화 함수의 출력 값과 목표 값의 오차가 최소가 되도록 조정하는 최적의 매개변수를 찾아야 한다. 제안하는 시스템의 오차함수 E은 최소자승법(Least Square: LS)을 기반으로 하여 매개변수의 기울기를 효율적으로 구할 수 있는 역전파(Back-Propagation: BP) 학습 알고리즘을 사용하며,
Figure 112018032942115-pat00006
로 정의될 수 있다.
여기서, y k 은 예측된 신경망의 k 번째 출력 노드의 출력 값이며, t k 는 k 번째 출력 노드의 목표 값이다. 오차함수를 바탕으로 신경망의 가중치가 다음의 수학식 2와 같이 갱신되며, 출력층 및 은닉층의 일반화된 오차를 각각
Figure 112018032942115-pat00007
와
Figure 112018032942115-pat00008
로 정의할 때 최종적으로 수학식 3과 같이 정리될 수 있다.
[수학식 2]
Figure 112018032942115-pat00009
[수학식 3]
Figure 112018032942115-pat00010
여기서
Figure 112018032942115-pat00011
는 학습 속도를 결정하는 학습률(Learning rate)이다.
아래에서는 일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템에 대해 하나의 예를 들어 보다 구체적으로 설명한다.
일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템은 차량 제동거리 예측 시스템(VBDP), 차량 제동거리 모델(VBDM) 및 이상 유무 판단부를 포함하여 이루어질 수 있다. 실시예에 따라 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템은 알람부 및 충돌 위험 판단부를 더 포함할 수 있다.
차량 제동거리 예측 시스템(VBDP)은 주행 데이터로부터 신경망(Neural Network: NN)을 통해 학습되어, 제동거리를 예측할 수 있다. 보다 구체적으로, 차량 제동거리 예측 시스템(VBDP)은 기초 동역학 모델을 바탕으로 제동거리에 영향을 미치는 주행하는 속력, 노면 상태에 따른 마찰계수 그리고 속력 및 노면 상태에 따른 마찰계수인 두 변수에 의한 제동거리 데이터를 확보하여, 신경망 기반으로 학습될 수 있다.
차량 제동거리 예측 시스템(VBDP)에서 신경망은 학습을 통해 활성화 함수의 출력 값과 목표 값의 오차가 최소가 되도록 조정하는 최적의 학습률, 은닉층 노드 수 및 학습 횟수에 대한 매개변수를 찾을 수 있다.
특히, 차량 제동거리 예측 시스템(VBDP)은 신경망의 구조가 다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조로 이루어진 차량 제동거리 예측 시스템(VBDP)일 수 있다.
차량 제동거리 모델(VBDM)은 제동거리를 계산할 수 있다. 보다 구체적으로, 차량 제동거리 모델(VBDM)은 차량 제동거리의 수학적 표준 모델인 차량 제동거리 모델(VBDM)을 이용하여 차량의 속력과 노면 상태에 따른 마찰계수에 따라 제동거리를 계산할 수 있다.
이상 유무 판단부는 차량 제동거리 예측 시스템(VBDP)의 예측된 제동거리와 전방 추돌 경고 시스템(FCWS)의 차량 제동거리 모델(VBDM)로부터 계산된 제동거리를 비교하여 유사성 여부를 통해 전방 추돌 경고 시스템(FCWS)의 이상 유무를 판단할 수 있다.
알람부는 이상 유무 판단부의 유사성 여부를 통해 유사하지 않은 것으로 판단되는 경우, 운전자 또는 관리자에게 알람할 수 있다.
충돌 위험 판단부는 유사성 여부를 통해 유사한 것으로 판단되는 경우, 소정 크기 이상의 충돌 위험 여부를 판단할 수 있다. 충돌 위험 판단부는 충돌 위험 여부의 판단 결과, 충돌 위험이 있는 경우 알람부를 통해 운전자 또는 관리자에게 알람할 수 있다.
한편, 다른 실시예에 따른 차량 제동거리 예측 시스템은 기초 동역학 모델을 바탕으로 제동거리에 영향을 미치는 주행하는 속력, 노면 상태에 따른 마찰계수 그리고 속력 및 노면 상태에 따른 마찰계수인 두 변수에 의한 제동거리 데이터를 확보하여, 신경망(Neural Network: NN)을 통해 학습되어, 제동거리를 예측할 수 있다.
아래에서 차량 제동거리 모델(VBDM) 및 차량 제동거리 예측 시스템(VBDP)에 대해 보다 구체적으로 설명하기로 한다.
먼저, 표준 모델인 차량 제동거리 모델(Vehicle Braking Distance Model: VBDM)에 대해 설명한다.
도 4는 일 실시예에 따른 차량 정지거리를 설명하기 위한 도면이다.
도 4를 참조하면, 차량의 정지거리(400)는 공주거리(410) 및 제동거리(420)로 구성될 수 있다. 운전자가 위험 인식 후, 브레이크를 밟아 제동이 시작 될 때까지 걸리는 시간을 반응시간(411)이라고 하고, 반응시간(411) 동안 이동한 거리를 공주거리(410)라 한다. 제동거리(420)는 제동이 시작된 제동 시작 시점부터 정지할 때까지의 이동거리로 정의되며, 이 때의 시간을 제동시간(421)으로 표현할 수 있다.
기초 동역학 이론에 따라 영향을 미치는 변수를 속력과 마찰계수로 한정하면 차량 제동거리의 수학적 표준 모델인 차량 제동거리 모델(VBDM)은 다음의 수학식 4와 같이 표현될 수 있으며, 노면 상태에 따른 마찰계수는 수학식 5로 표현될 수 있다.
[수학식 4]
Figure 112018032942115-pat00012
[수학식 5]
Figure 112018032942115-pat00013
여기서, g는 중력가속도(
Figure 112018032942115-pat00014
),
Figure 112018032942115-pat00015
는 노면 상태에 따른 자동차의 마찰계수, V는 차량의 속력이다. 마찰계수는 속력과 노면의 영향을 받아 건조 및 저속에서 최대가 되며, 습윤 및 고속에서 최소가 된다.
제안된 일 실시예에 따른 차량 제동거리 예측 시스템(VBDP)의 학습 데이터는 수학식 4의 차량 제동거리 모델(VBDM)을 기반으로 하며, 공주거리는 즉각 반응을 가정하여 0m, 속력은 자동차 2차선 이상 전용도로 기준의 50-100km/h의 범위로 한정한다.
또한, 마찰계수에 영향을 미치는 다양한 미세 주행 환경의 영향력을 고려하여 도로의 기울기를 나타내는 종단경사를 평지 아스팔트 최대 100km 속력 기준
Figure 112018032942115-pat00016
3% 내의 무작위 값을 마찰계수에 추가할 수 있다. 실시예들에서는 결빙상태의 노면은 고려하지 않으며, 노면의 건조 상태(dry state) 및 습윤 상태(wet state)에 따라 분리하여 제동거리 예측 모델을 고려하였다.
아래에서는 일 실시예에 따른 차량 제동거리 예측 시스템(Vehicle Braking Distance Predictor: VBDP)의 설계에 대해 보다 구체적으로 설명한다.
신경망 기반의 차량 제동거리 예측 시스템(VBDP)의 매개변수(parameter)는 문제의 복잡도와 입출력 데이터의 차원에 따른 최적 값의 다양성으로 효율적인 예측을 위해서는 전략적 학습 설계가 요구된다.
차량 제동거리 예측 시스템(VBDP)의 최적 설계와 성능평가에는 예측 값 y m 과 목표 값 y k 의 차이가 0에 가까울수록 오차가 작음을 나타내는 지표인 평균제곱오차(Mean Square Error: MSE)를 사용하며, 이는
Figure 112018032942115-pat00017
로 정의될 수 있다. 여기서, N은 전체 데이터 집합의 개수이다.
학습은 임의로 설정한 초기 값으로 시작하며, 도 5를 기반으로 최적의 학습률, 은닉층, 노드 수, 학습 횟수를 구하면 차량 제동거리 예측 시스템(VBDP)은 최적화될 수 있다.
도 5는 일 실시예에 따른 전략적 학습을 통한 매개변수 선정을 설명하기 위한 도면이다.
보다 구체적으로, 도 5의 (a)는 건조 상태(DRY STATE) 및 습윤 상태(WET STATE)의 노면에서의 학습률에 따른 평균제곱오차(MSE)를 나타내고, (b)는 건조 상태(DRY STATE) 및 습윤 상태(WET STATE)의 노면에서의 은닉 노드들의 수에 따른 평균제곱오차(MSE)를 나타내며, (c)는 건조 상태(DRY STATE) 및 습윤 상태(WET STATE)의 노면에서의 학습 횟수에 따른 평균제곱오차(MSE)를 나타낸다.
도 5의 (a) 및 (b)를 참조하면, 학습률과 은닉 노드 수에 따라 임의로 설정한 600번의 반복 학습 후의 평균제곱오차(MSE) 값으로써, 10회의 몬테카를로 모의실험의 평균을 나타낸 것이다.
학습 속도를 결정짓는 학습률은 각 노면 상태에 따라 안정성과 감소율을 감안하면 건조 상태(DRY STATE)의 노면은 0.45, 습윤 상태(WET STATE)의 노면은 0.55에서 최적 학습되었으며, 은닉 노드 수는 노면 상태와 상관없이 2개 이상에서 오차가 더 이상 크게 줄어들지 않으므로 2개로 선정하였다. 설계된 예측 시스템의 필요 학습 횟수는, 도 5의 (c)를 기반으로, 건조 상태 및 습윤 상태 노면 모두 400회 이후 오차가 정상 상태에 도달하므로 차량 제동거리 예측 시스템(VBDP)의 학습 횟수는 400회로 선정하였다.
도 6은 일 실시예에 따른 학습 횟수에 따른 평균제곱오차(MSE)의 성능평가를 나타내는 도면이다.
도 6을 참조하면, 학습 횟수에 따른 평균제곱오차(MSE)의 성능평가를 나타내는 것으로, 차량 제동거리 예측 시스템(VBDP)의 노면의 건조 상태(VBDP-DRY) 및 습윤 상태(VBDP-WET)와 단층 퍼셉트론(Single-Layer Perceptron: SLP) 예측기의 노면의 건조 상태(SLP-DRY) 및 습윤 상태(SLP-WET)를 비교할 수 있다.
최종적으로 최적 설계된 차량 제동거리 예측 시스템(VBDP)의 평균제곱오차(MSE)는 수렴하였다.
도 7은 일 실시예에 따른 노면 상태에 따른 예측 오차의 성능평가를 나타내는 도면이다.
보다 구체적으로, 도 7의 (a)는 건조 상태의 노면에서 차량 제동거리 예측 시스템(VBDP) 및 단층 퍼셉트론(SLP) 예측기의 속력(speed)에 따른 오차 거리(error distance)를 나타내며, 도 7의 (b)는 습윤 상태의 노면에서 차량 제동거리 예측 시스템(VBDP) 및 단층 퍼셉트론(SLP) 예측기의 속력(speed)에 따른 오차 거리(error distance)를 나타낸다.
도 7에 도시된 바와 같이, 차량 제동거리 예측 시스템(VBDP)는 단층 퍼셉트론(SLP) 예측기와 비교 결과, 전체적인 학습 오차는 모든 노면 상태에서 차량 제동거리 예측 시스템(VBDP)이 매우 낮은 오차 거리를 가졌으며, 구간에 따라 최대 10배 이상 뛰어난 예측을 수행함으로써 다층 퍼셉트론(MLP)을 기반으로 한 차량 제동거리 예측 시스템(VBDP)의 우수성을 확인할 수 있다.
일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템에 대한 성능평가를 수행할 수 있다. 아래는 하나의 예시로써 제시되며, 이를 통해 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템에 대한 성능평가의 결과를 확인할 수 있다.
실제 주행환경은 예측 불허한 다양한 상황과 변수에 의한 잡음 발생 가능성이 존재한다. 따라서 차량 제동거리 예측 시스템(VBDP)은 단순한 수치적 예측뿐만 아니라, 잡음환경에서의 안정성 및 강인성 또한 검증되어야 한다. 추가 검증을 위해 전략적 학습으로 최적 설계된 차량 제동거리 예측 시스템(VBDP)은 5~15%의 무작위 잡음이 포함된 테스트 데이터를 통해 표준 모델인 차량 제동거리 모델(VBDM)과의 예측 오차 거리의 비교를 통해 예측 값의 안정성 및 강인성을 평가하였다.
표 1은 일 실시예에 따른 차량 제동거리 예측 시스템(VBDP)의 성능평가를 나타낸다.
[표 1]
Figure 112018032942115-pat00018
노면 상태에 따라
Figure 112018032942115-pat00019
,
Figure 112018032942115-pat00020
의 잡음이 입력 데이터에 포함된 경우의 예측 오차 거리는 도 8을 통해 알 수 있으며, 속력 구간과 노면 상태, 잡음의 영향력에 따른 성능평가 결과는 표 1과 같이 나타낼 수 있다.
도 8은 일 실시예에 따른 차량 제동거리 예측 시스템(VBDP)와 표준 모델 차량 제동거리 모델(VBDM)의 잡음환경에서의 예측성능 비교를 나타낸다.
도 8의 (a)는 건조 상태의 노면에서 5%의 잡음이 입력 데이터에 포함된 경우(5% noise-dry)의 성능 평가를 나타내며, (b)는 습윤 상태의 노면에서 5%의 잡음이 입력 데이터에 포함된 경우(5% noise-wet)의 성능 평가를 나타낸다. 그리고, (c)는 건조 상태의 노면에서 15%의 잡음이 입력 데이터에 포함된 경우(15% noise-dry)의 성능 평가를 나타내며, (d)는 습윤 상태의 노면에서 15%의 잡음이 입력 데이터에 포함된 경우(15% noise-wet)의 성능 평가를 나타낸다. 또한, (e)는 건조 상태의 노면에서 고속일 때 15%의 잡음이 입력 데이터에 포함된 경우(15% noise-dry-high speed)의 성능 평가를 나타내며, (f)는 습윤 상태의 노면에서 고속일 때 15%의 잡음이 입력 데이터에 포함된 경우(15% noise-wet-high speed)의 성능 평가를 나타낸다.
도 8을 참조하면, 차량 제동거리 예측 시스템(VBDP)은 85km/h 이하의 저속구간에서 노면 상태와 무관하게 1% 이내의 근사한 예측 오차 차이로 차량 제동거리 모델(VBDM)과 유사한 예측 성능을 보여준다.
하지만, 85km/h 이상의 고속구간에서는 25-35% 이상 차이를 보이며 차량 제동거리 모델(VBDM) 대비 차량 제동거리 예측 시스템(VBDP)의 제동거리 예측 안정성의 우수성을 확인할 수 있다.
특히, 차량 제동거리 예측 시스템(VBDP)의 잡음 강인성은 잡음의 간섭이 높아질수록 증가하는데,
Figure 112018032942115-pat00021
잡음환경, 85km/h 이상 고속구간에서 노면 상태와 상관없이 차량 제동거리 모델(VBDM) 대비 2.5배 이상 낮은 예측 오차를 보여준다.
이상과 같이, 실시예들은 자율주행 자동차의 핵심 기술 중, 능동적 제어단계에서 활용되고 있는 전방 추돌 경고 시스템의 센서가 단독으로 운영될 경우 발생 가능한 사고 예방을 위해 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템을 제공할 수 있다.
제안된 보강 시스템은 전방 추돌 경고 시스템으로부터 획득한 제동거리와 제안된 차량 제동거리 예측 시스템(VBDP)의 예측 값 비교를 통해 센서의 오동작 및 주행 환경 잡음으로 인한 시스템의 이상 유무를 판단하여 오류를 감지하도록 하였다.
일 실시예에 따른 보강된 전방 추돌 경고 시스템의 예측 모델은 표준화된 모델을 기반으로 하는 기존 예측 시스템이 내포하고 있는 개별 주행환경 데이터 예측 부정확성 문제를 극복하기 위해 기계학습의 한 분야인 신경망을 도입하였으며, 신경망 기반의 예측 모델은 전략적 학습으로 최적 설계한 뒤 모의시험을 통해 기존 차량 제동거리 모델과 일 실시예에 따른 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템의 성능을 비교 평가하였다.
그 결과, 실제 주행환경에서 발생할 수 있는 잡음에 대한 강인성과 제동거리가 급증하여 예측 안정성이 중요해지는 고속구간에서 제안된 차량 제동거리 예측 시스템(VBDP)의 성능이 우위에 있음을 확인할 수 있다. 제안된 차량 제동거리 예측 시스템(VBDP)은 모의시험을 통해 높은 예측력과 잡음 강인성이 입증되어 실제 전방 차량 추돌 경고 시스템의 보강 시스템으로서 활용을 기대할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 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 실시예를 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 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (15)

  1. 주행 데이터로부터 신경망(Neural Network: NN)을 통해 학습된 차량 제동거리 예측 시스템(Vehicle Braking Distance Predictor: VBDP)을 통해 제동거리를 예측하는 단계;
    전방 추돌 경고 시스템(Forward Collision Warning System: FCWS)의 차량 제동거리 모델(Vehicle Braking Distance Model: VBDM)로부터 제동거리를 계산하는 단계; 및
    상기 차량 제동거리 예측 시스템(VBDP)의 예측된 제동거리와 상기 전방 추돌 경고 시스템(FCWS)의 차량 제동거리 모델(VBDM)로부터 계산된 제동거리를 비교하여 유사성 여부를 통해 상기 전방 추돌 경고 시스템(FCWS)의 이상 유무를 판단하는 단계
    를 포함하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 방법.
  2. 제1항에 있어서,
    상기 유사성 여부를 통해 유사하지 않은 것으로 판단되는 경우, 운전자 또는 관리자에게 알람하는 단계
    를 더 포함하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 방법.
  3. 제1항에 있어서,
    상기 유사성 여부를 통해 유사한 것으로 판단되는 경우, 소정 크기 이상의 충돌 위험 여부를 판단하는 단계
    를 더 포함하고,
    상기 충돌 위험 여부의 판단 결과, 충돌 위험이 있는 경우 운전자 또는 관리자에게 알람하는 것
    을 특징으로 하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 방법.
  4. 제1항에 있어서,
    상기 주행 데이터로부터 신경망을 통해 학습된 차량 제동거리 예측 시스템(VBDP)을 통해 제동거리를 예측하는 단계는,
    기초 동역학 모델을 바탕으로 제동거리에 영향을 미치는 주행하는 속력, 노면 상태에 따른 마찰계수 그리고 상기 속력 및 상기 노면 상태에 따른 마찰계수인 두 변수에 의한 제동거리 데이터를 확보하여, 신경망 기반으로 차량 제동거리 예측 시스템(VBDP)을 학습시키는 것
    을 특징으로 하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 방법.
  5. 제1항에 있어서,
    상기 주행 데이터로부터 신경망을 통해 학습된 차량 제동거리 예측 시스템(VBDP)을 통해 제동거리를 예측하는 단계는,
    상기 신경망의 구조가 다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조로 이루어진 상기 차량 제동거리 예측 시스템(VBDP)을 통해 제동거리를 예측하는 것
    을 특징으로 하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 방법.
  6. 제1항에 있어서,
    상기 주행 데이터로부터 신경망을 통해 학습된 차량 제동거리 예측 시스템(VBDP)을 통해 제동거리를 예측하는 단계는,
    상기 신경망은 학습을 통해 활성화 함수의 출력 값과 목표 값의 오차가 최소가 되도록 조정하는 최적의 학습률, 은닉층 노드 수 및 학습 횟수에 대한 매개변수를 찾는 것
    을 특징으로 하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 방법.
  7. 제1항에 있어서,
    상기 전방 추돌 경고 시스템(FCWS)의 차량 제동거리 모델(VBDM)로부터 제동거리를 계산하는 단계는,
    차량 제동거리의 수학적 표준 모델인 차량 제동거리 모델(VBDM)을 이용하여 차량의 속력과 노면 상태에 따른 마찰계수에 따라 제동거리를 계산하는 것
    을 특징으로 하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 방법.
  8. 주행 데이터로부터 신경망(Neural Network: NN)을 통해 학습되어, 제동거리를 예측하는 차량 제동거리 예측 시스템(Vehicle Braking Distance Predictor: VBDP);
    제동거리를 계산하는 전방 추돌 경고 시스템(Forward Collision Warning System: FCWS)의 차량 제동거리 모델(Vehicle Braking Distance Model: VBDM); 및
    상기 차량 제동거리 예측 시스템(VBDP)의 예측된 제동거리와 상기 전방 추돌 경고 시스템(FCWS)의 차량 제동거리 모델(VBDM)로부터 계산된 제동거리를 비교하여 유사성 여부를 통해 상기 전방 추돌 경고 시스템(FCWS)의 이상 유무를 판단하는 이상 유무 판단부
    를 포함하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템.
  9. 제8항에 있어서,
    상기 유사성 여부를 통해 유사하지 않은 것으로 판단되는 경우, 운전자 또는 관리자에게 알람하는 알람부
    를 더 포함하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템.
  10. 제9항에 있어서,
    상기 유사성 여부를 통해 유사한 것으로 판단되는 경우, 소정 크기 이상의 충돌 위험 여부를 판단하는 충돌 위험 판단부
    를 더 포함하고,
    상기 충돌 위험 판단부는,
    상기 충돌 위험 여부의 판단 결과, 충돌 위험이 있는 경우 상기 알람부를 통해 운전자 또는 관리자에게 알람하는 것
    을 특징으로 하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템.
  11. 제8항에 있어서,
    상기 차량 제동거리 예측 시스템(VBDP)은,
    기초 동역학 모델을 바탕으로 제동거리에 영향을 미치는 주행하는 속력, 노면 상태에 따른 마찰계수 그리고 상기 속력 및 상기 노면 상태에 따른 마찰계수인 두 변수에 의한 제동거리 데이터를 확보하여, 신경망 기반으로 학습된 것
    을 특징으로 하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템.
  12. 제8항에 있어서,
    상기 차량 제동거리 예측 시스템(VBDP)은,
    상기 신경망의 구조가 다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조로 이루어진 상기 차량 제동거리 예측 시스템(VBDP)인 것
    을 특징으로 하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템.
  13. 제8항에 있어서,
    상기 차량 제동거리 예측 시스템(VBDP)은,
    상기 신경망은 학습을 통해 활성화 함수의 출력 값과 목표 값의 오차가 최소가 되도록 조정하는 최적의 학습률, 은닉층 노드 수 및 학습 횟수에 대한 매개변수를 찾는 것
    을 특징으로 하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템.
  14. 제8항에 있어서,
    상기 차량 제동거리 모델(VBDM)은,
    차량 제동거리의 수학적 표준 모델인 차량 제동거리 모델(VBDM)을 이용하여 차량의 속력과 노면 상태에 따른 마찰계수에 따라 제동거리를 계산하는 것
    을 특징으로 하는, 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템.
  15. 삭제
KR1020180038480A 2018-04-03 2018-04-03 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법 KR102025491B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180038480A KR102025491B1 (ko) 2018-04-03 2018-04-03 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180038480A KR102025491B1 (ko) 2018-04-03 2018-04-03 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102025491B1 true KR102025491B1 (ko) 2019-09-25

Family

ID=68068144

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180038480A KR102025491B1 (ko) 2018-04-03 2018-04-03 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102025491B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102262782B1 (ko) * 2020-10-26 2021-06-09 임성빈 차량의 자율 주행 제어 장치의 자율 주행 제어 방법
CN113119890A (zh) * 2021-04-27 2021-07-16 东软睿驰汽车技术（沈阳）有限公司 车辆异常的预测方法、装置和电子设备
EP4224370A1 (en) 2022-02-02 2023-08-09 Volvo Truck Corporation System, server, device and method for training and using neural networks for prediction of vehicle braking distance
CN116605188A (zh) * 2023-06-30 2023-08-18 重庆大学 一种电动车-两轮车自动紧急制动控制系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0725327A (ja) * 1993-07-09 1995-01-27 Mazda Motor Corp 車両の制御装置
JPH08268013A (ja) * 1995-03-02 1996-10-15 Sumitomo Rubber Ind Ltd 走行中の車輌のタイヤ減圧を判定する方法
JPH09190600A (ja) * 1995-12-07 1997-07-22 Mando Mach Corp 自動車の衝突防止装置
JPH11255089A (ja) * 1998-03-12 1999-09-21 Fuji Heavy Ind Ltd 車両の自動ブレーキ制御装置
KR20020023993A (ko) * 2001-12-31 2002-03-29 김수영 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법
KR101504639B1 (ko) 2013-11-11 2015-03-23 한양대학교 산학협력단 제동 거리 기반의 충돌 경고 시스템 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0725327A (ja) * 1993-07-09 1995-01-27 Mazda Motor Corp 車両の制御装置
JPH08268013A (ja) * 1995-03-02 1996-10-15 Sumitomo Rubber Ind Ltd 走行中の車輌のタイヤ減圧を判定する方法
JPH09190600A (ja) * 1995-12-07 1997-07-22 Mando Mach Corp 自動車の衝突防止装置
JPH11255089A (ja) * 1998-03-12 1999-09-21 Fuji Heavy Ind Ltd 車両の自動ブレーキ制御装置
KR20020023993A (ko) * 2001-12-31 2002-03-29 김수영 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법
KR101504639B1 (ko) 2013-11-11 2015-03-23 한양대학교 산학협력단 제동 거리 기반의 충돌 경고 시스템 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A. C. Miranda and V. M. Castano, "Smart frost control in greenhouses by neural networks models", Computers and Electronics in Agriculture, Vol. 137, pp. 102-114, May, 2017.
L. Zhang and P. N. Suganthan, "A survey of randomized algorithms for training neural networks", Information Sciences, Vol. 364-365, pp. 146-155, Oct, 2016.

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102262782B1 (ko) * 2020-10-26 2021-06-09 임성빈 차량의 자율 주행 제어 장치의 자율 주행 제어 방법
CN113119890A (zh) * 2021-04-27 2021-07-16 东软睿驰汽车技术（沈阳）有限公司 车辆异常的预测方法、装置和电子设备
EP4224370A1 (en) 2022-02-02 2023-08-09 Volvo Truck Corporation System, server, device and method for training and using neural networks for prediction of vehicle braking distance
CN116605188A (zh) * 2023-06-30 2023-08-18 重庆大学 一种电动车-两轮车自动紧急制动控制系统
CN116605188B (zh) * 2023-06-30 2024-01-30 重庆大学 一种电动车-两轮车自动紧急制动控制系统

Similar Documents

Publication Publication Date Title
KR102025491B1 (ko) 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법
KR102138979B1 (ko) 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법
KR102342143B1 (ko) 딥 러닝 기반 자율 주행 차량, 딥 러닝 기반 자율 주행 제어 장치 및 딥 러닝 기반 자율 주행 제어 방법
JP6925796B2 (ja) 車両を運転する際に当該車両の運転者を支援する方法及びシステム、車両、並びにコンピュータプログラム
CN109305165B (zh) 智能超声系统、车辆后方碰撞警告装置及其控制方法
US10446033B2 (en) Vehicle detection and avoidance
US10011277B2 (en) Vehicle collision avoidance
US11518381B2 (en) Enhanced threat selection
US10035507B2 (en) Vehicle collision avoidance
US11577756B2 (en) Detecting out-of-model scenarios for an autonomous vehicle
US11702044B2 (en) Vehicle sensor cleaning and cooling
CN113291320A (zh) 一种车辆轨迹预测方法、装置、设备及存储介质
JP2013152551A (ja) 運転支援装置、状況学習装置、及びプログラム
CN114286770A (zh) 用于在自主车辆中实现安全停止释放的系统和方法
CN105303887B (zh) 用于监视车辆的期望轨迹的方法和设备
KR20200076129A (ko) Lstm 기반 조향 행동 모니터링 장치 및 그 방법
EP4017773B1 (en) A method for quantifying extreme traffic behavior
WO2020121612A1 (ja) 車両制御装置、車両制御方法、車両制御プログラム、非一時的記録媒体、および車両
CN112446466A (zh) 在深度神经网络中测量置信度
CN108944921B (zh) 一种用于车辆的纵向控制的方法与设备
Sandblom et al. Probabilistic threat assessment and driver modeling in collision avoidance systems
JPWO2020170301A1 (ja) 情報処理装置、プログラム及び情報処理方法
US9764718B2 (en) Management of vehicle braking
CN110347166B (zh) 用于自动驾驶系统的传感器控制方法
KR20230014008A (ko) 인공신경망을 이용한 주행 차량의 충돌 가능성 판단 방법 및 장치

Legal Events

Date Code Title Description
GRNT Written decision to grant