KR102044193B1

KR102044193B1 - 기계학습기법에 의한 자동차 충돌 경보 시스템 및 방법

Info

Publication number: KR102044193B1
Application number: KR1020130033604A
Authority: KR
Inventors: 김소연
Original assignee: 현대모비스 주식회사
Priority date: 2013-03-28
Filing date: 2013-03-28
Publication date: 2019-12-02
Also published as: KR20140118157A

Abstract

본 발명은 기계학습기법에 의한 자동차 충돌 경보 시스템에 관한 것으로서, 차량의 위치를 인식하는 차량 위치 인식부와; 초음파를 이용하여 장애물을 탐지하는 센서부와; 장애물의 영상 데이터를 획득하는 영상 장치와; 상기 센서와 상기 영상 장치를 통하여 수집된 정보를 기반으로 장애물의 종류를 판단하는 장애물 패턴 분류부를 포함한다. 여기서, 상기 장애물 패턴 분류부는 상기 영상 장치를 통하여 수집된 영상 데이터를 기반으로 기계학습기법(Support Vector Machine)을 통해 상기 영상 장치를 통하여 추출된 장애물의 패턴 및 종류를 인식하는 것을 특징으로 한다. 이에 따라, 기계학습기법 즉, 주성분 분석법과 독립성분 분석법을 결합하고, 장애물 및 유사장애물의 특징을 표현하는 특징값으로 잔여오차값을 이용함으로써 장애물 학습 및 장애물 검출 성능을 크게 향상시킬 수 있다.

Description

기계학습기법에 의한 자동차 충돌 경보 시스템 및 방법{System and Method for alarming collision of vehicle with support vector machine}

본 발명은 자동차 충돌 경보 시스템 및 방법에 관한 것이다. 더욱 상세하게는 자동 주차 시스템 상에서 기계학습기법을 이용하여 장애물 패턴의 기준을 구축하여, 장애물 분류 속도를 향상시키고 신뢰성을 높인 기계학습기법에 의한 자동차 충돌 경보 시스템 및 방법에 관한 것이다.

차량의 수요 증가로 인한 주차 문제가 사회의 이슈로 등장하고 있으며, 특히 좁은 공간에 차량을 주차시킬 때 운전자가 어려움을 겪는 경우가 많다. 운전을 잘하는 사람이라도 좁은 공간에 주차를 하려면 차를 몇 번 앞뒤로 전진 후진하여 반복해야지 주차를 하는 경우가 많으며, 다른 누군가가 차량이 제대로 주차할 수 있도록 안내를 해주어야 하는 상황이 발생하곤 한다. 이에 따라 자동 주차 시스템을 장착한 차량에 대한 수요가 점점 증가하고 있다.

일반적인 자동 주차 시스템은 차량의 각종 센서로부터 정보를 수신하고, 수신된 정보를 이용하여 주차 공간을 판단하고 차량의 주차 목표점을 연산하여 궤적을 산출하고 차량을 제어하여 주차를 하는 방식이다.

기존의 이러한 방식을 이용하여 정확한 자동 주차가 이루어지기 위해서는 주차 공간에 대한 정확한 탐색이 필요하며, 이는 주차 공간 주변의 장애물에 관한 정보를 이용하여 탐색된다.

도 1을 참조하여 살펴보면, 자동 주차 시스템은 소프트웨어적으로 크게 애플리케이션 소프트웨어(Application software)와 베이스 소프트웨어(Base software)로 구성된다. 애플리케이션 소프트웨어는 시스템 관리부(10)와 HMI(Human Machine Interface)(20)를 포함한다. 그리고 시스템 관리부(10)는 자동 주차 시스템을 구성하는 각 블록, 즉 차량 위치 추종부(11)와 주차 공간 판단부(12) 및 주차 경로 생성/추종부(13)를 통합 관리하는 기능을 수행한다. 차량 위치 추종부(11)는 차량 정보를 받아서 차량의 상태 및 위치를 판단하여 주차 경로 생성/추종부(13)로 전달한다. 그리고 주차 공간 판단부(12)는 초음파 센서로부터 받은 정보를 이용하여 주차 공간을 판단하고, 차량의 주차 목표점을 연산하여 주차 경로 생성/추종부(13)로 전달한다. 주차 경로 생성/추종부(13)는 차량 위치 추종부(11)로부터 전달된 차량의 상태 및 위치 정보와 주차 공간 판단부(12)로부터 전달된 주차 목표점 정보를 받아서 주차 유도 궤적을 산출하며, 주차 공간 판단부(12)로부터 전달된 차량 주변의 장애물 정보와 산출된 주차 유도 궤적을 이용하여 주차 공간 추종을 유도한다.

특히, 주차 공간 판단부(12)에서는 차량에 장착되는 장애물 탐지 장치를 이용하여 운전석에서 사각으로 인지되는 차량의 전후, 좌우 구역의 장애물을 탐지하여 운전자에게 알려준다. 즉, 도 2에 도시된 바와 같이, 차량의 프런트 범퍼 및 리어 범퍼에 각각 2개의 센서가 설치되어 장애물을 감지한다. 여기서, 센서 탐지 구역은 센서를 중심으로한 반구형의 형태로, 상기 센서 탐지 구역 내에 장애물이 감지되면 컨트롤 유닛을 통해 일정 간격으로 알람이 울린다.

그리고, 카메라 영상으로부터 장애물의 후보 영역을 확보한 후, 장애물의 유무를 판별한다.

이를 위해 장애물 샘플 패턴으로부터 결정 바운더리(decision boundary)를 학습시켜 장애물 인식에 적용한다. 예컨대, 대표적인 방법으로 주어진 샘플 데이터로부터 에러만을 최소화시키는 MLP(Multi Layer Perceptron)가 있다.

그러나, 단순한 센서의 장착만으로는 지상의 돌과 같이 센서 보다 낮게 위치하는 물체를 인지하지 못하여 사고가 발생하는 문제가 있다. 즉, 차량 상하 방향의 장애물 탐지가 곤란한 문제가 있다.

또한, 센서를 통한 장애물 인지의 경우 장애물의 종류를 판단하지 못하는 문제가 있다.

또한, 상기 MLP 방법의 경우 학습 데이터에서는 정확도를 보장받을 수 있으나, 비학습 데이터에서는 낮은 정확도를 보여 신뢰성을 확보하지 못하는 문제가 있다.

본 발명은 상술한 종래 기술의 문제점을 해결하기 위한 것으로서, 기계학습기법을 이용하여 장애물 패턴의 기준을 구축하여, 장애물 분류 속도를 향상시키고 신뢰성을 높인 기계학습기법에 의한 자동차 충돌 경보 시스템 및 방법을 제공하는 것을 그 목적으로 한다.

상기 목적은 본 발명에 따라, 차량의 위치를 인식하는 차량 위치 인식부와; 초음파를 이용하여 장애물을 탐지하는 센서부와; 장애물의 영상 데이터를 획득하는 영상 장치와; 상기 센서와 상기 영상 장치를 통하여 수집된 정보를 기반으로 장애물의 종류를 판단하는 장애물 패턴 분류부를 포함하는 것을 특징으로 하는 기계학습기법에 의한 자동차 충돌 경보 시스템에 의하여 달성된다.

여기서, 상기 장애물 패턴 분류부는 상기 영상 장치를 통하여 수집된 영상 데이터를 기반으로 기계학습기법(Support Vector Machine)을 통해 상기 영상 장치를 통하여 추출된 장애물의 패턴 및 종류를 인식하는 것을 특징으로 한다.

또한, 상기 장애물 패턴 분류부는 상기 영상 장치를 통하여 수집된 영상 데이터를 상기 기계학습기법의 학습데이터로 이용하여 기계학습기법 모듈을 생성하는 것을 특징으로 한다.

여기서, 상기 장애물 패턴 분류부는 상기 영상 데이터를 통하여 장애물 또는 유사 장애물로 분류되는 패턴을 수집하고, 주성분 분석법(PCA, Principle Component Analysis)과 독립 성분 분석법(ICA, Indepependent Component Analysis)을 수행해서 장애물 또는 유사 장애물 각각의 기저 벡터를 추출하는 기저 벡터 추출부와; 상기 기저 벡터 추출부로부터 출력된 상기 기저 벡터로부터 특징 벡터를 추출하는 특징 벡터 추출부와; 상기 특징 벡터 추출부의 상기 특징 벡터를 서브 클래스로 분류하는 클러스터링부와; 상기 클러스터링부에 의하여 분류된 상기 특징 벡터를 상기 기계학습기법 모듈을 이용하여 장애물의 종류를 인식하는 SVM 모듈부를 포함하는 것을 특징으로 한다.

또한, 상기 SVM 모듈부는 상기 클러스터링부에 의하여 분류된 상기 특징 벡터를 이용하여 서포트 벡터를 생성하는 SVM 학습 모듈과; 상기 서포트 벡터와 상기 영상 장치를 통하여 얻어진 장애물의 영상 데이터를 통하여 획득되는 특징 벡터 간의 유사도 비교를 통하여 장애물의 종류를 인식하는 SVM 분류 모듈을 포함하는 것을 특징으로 한다.

한편, 상기 장애물 패턴 분류부의 판단에 따라 장애물의 종류를 인지시키는 장애물 종류 출력부를 더 포함할 수 있다.

또한, 상기 장애물 종류 출력부의 장애물 종류 인지에 따라, 장애물의 존재 및 종류를 인지시키는 경보부를 더 포함하며, 상기 경보부는 물적 손해를 발생시킬 수 있는 장애물의 경우, 전동안전벨트와 조향 엑추에이터 중 적어도 어느 하나를 이용하여 인지되게 하는 것을 특징으로 한다.

그리고, 상기 경보부는 인적 손해를 발생시킬 수 있는 장애물의 경우, 표시등 및 버져 중 적어도 어느 하나를 더 이용하여 인지되게 하는 것을 특징으로 한다.

상기 목적은 본 발명에 따라, 차량의 위치를 인식하는 단계와; 장애물을 탐지하는 단계와; 장애물의 종류를 판단하는 장애물 패턴 분류부를 이용하여 탐지된 장애물의 종류를 인식하는 단계와; 상기 장애물 종류의 인식에 따라 장애물의 종류를 출력하는 단계와; 출력된 상기 장애물의 종류에 따라 상기 장애물을 인지시키는 단계를 포함하는 것을 특징으로 하는 기계학습기법에 의한 자동차 충돌 경보 방법에 의하여 달성된다.

여기서, 상기 장애물 패턴 분류부는, 상기 장애물을 탐지 단계에 있어서 장애물을 탐지하는 영상 장치를 통하여 수집된 영상 데이터를 기반으로 기계학습기법(Support Vector Machine)을 통해 상기 영상 장치를 통하여 추출된 장애물의 패턴 및 종류를 인식하는 것을 특징으로 한다.

그리고, 상기 장애물을 인지시키는 단계에서는 물적 손해를 발생시킬 수 있는 장애물의 경우, 전동안전벨트와 조향 엑추에이터 중 적어도 어느 하나를 이용하여 인지되게 하는 것을 특징으로 한다.

또한, 상기 장애물을 인지시키는 단계에서는 인적 손해를 발생시킬 수 있는 장애물의 경우, 표시등 및 버져 중 적어도 어느 하나를 더 이용하여 인지되게 하는 것을 특징으로 한다.

상기와 같은 구성을 갖는 본 발명에 따른 기계학습기법에 의한 자동차 충돌 경보 시스템은 기계학습기법 즉, 주성분 분석법과 독립성분 분석법을 결합하고, 장애물 및 유사장애물의 특징을 표현하는 특징값으로 잔여오차값을 이용함으로써 장애물 학습 및 장애물 검출 성능을 크게 향상시킬 수 있다.

특히, 데이터의 특징 벡터를 추출하는 기계학습 알고리즘(SVM)을 사용하여 분류함으로써 복잡도가 감소한다.

그리고, 장애물 영상뿐만 아니라, 유사장애물 영상을 SVM의 학습데이터로서 이용하여 장애물 패턴 분류시 학습함으로써, 조명이나 포즈 등이 학습된 데이터와는 다른 장애물 영상이 들어오면 장애물이 아니라고 판단하거나, 장애물이 아니지만 장애물과 어느 정도 유사한 패턴을 장애물이라고 판단하는 오류를 크게 줄일 수 있다.

또한, 자동적으로 장애물을 탐지하고 종류를 인식하며, 장애물의 위험 정도에 따라 촉각 정보나 표시등, 버저 등의 경보를 이용하여 장애물을 알려주기 때문에, 운전자가 별도로 조작할 필요가 없어 편리하다.

또한, 장애물 위험군에 따라 경보수단을 달리함으로써, 안전성을 제고할 수 있다.

도 1은 종래의 자동 주차 시스템을 나타내는 블럭도이고,
도 2는 종래의 차량에 설치되는 센서의 위치 및 탐지 범위를 나타내는 도면이고,
도 3은 본 발명에 다른 기계학습기법에 의한 자동차 충돌 경보 시스템을 나타내는 블럭도이고,
도 4 및 도 5는 본 발명의 장애물 패턴 분류부를 나타내는 블럭도 및 흐름도이고,
도 6은 본 발명의 기저 벡터 추출부를 나타내는 흐름도이고,
도 7은 본 발명의 특징 벡터 추출부를 나타내는 흐름도이고,
도 8은 도 4의 SVM 모듈부의 one-against-all 기법이 적용된 것을 나타내는 도면이고,
도 9는 본 발명에 다른 기계학습기법에 의한 자동차 충돌 경보 시스템을 나타내는 흐름도이다.

이하, 본 발명의 기술적 과제에 관한 해결 방안을 명확화하기 위해 첨부도면을 참조하여 본 발명의 바람직한 실시 예들을 상세하게 설명한다. 다만, 본 발명을 설명함에 있어서 관련 공지기술에 관한 설명이 오히려 본 발명의 요지를 불명료하게 하는 경우 그에 관한 설명은 생략하기로 한다. 또한, 후술하는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 설계자, 제조자 등의 의도 또는 관례 등에 따라 달라질 수 있을 것이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 또한, 명세서 전체에 걸쳐서 동일한 도면번호(참조번호)로 표시된 부분은 동일한 요소들을 나타낸다.

이하, 본 발명에 따른 기계학습기법에 의한 자동차 충돌 경보 시스템(1)에 대하여 살펴보기로 한다.

도 3을 참조하여 살펴보면, 본 발명에 따른 기계학습기법에 의한 자동차 충돌 경보 시스템(1)은 차량 위치 인식부(100), 센서부(200), 영상 장치(300), 장애물 패턴 분류부(400), 장애물 종류 출력부(500) 및 경보부(600)를 포함할 수 있다.

차량 위치 인식부(100)는, 도 3에 도시된 바와 같이, 차량 정보에 기반하여 차량의 위치를 인식한다. 여기서, 차량 정보에는 조향각(Steering Angle), 휠 펄스(Wheel Pulse), 요 각속도(Yaw rate), 온도(Temparature) 정보 중 적어도 일부 정보가 포함된다.

센서부(200)는 초음파 센서(Ultrasonic sensor)를 이용하여 획득된 센싱 값을 기반으로 차량의 측방 및 전후방의 장애물을 탐지한다. 즉, 상기 센싱 값을 통하여 장애물의 존재 여부를 판단한다.

영상 장치(300)는 카메라 등으로 영상 데이터 값을 획득한다. 그리고, 획득된 영상 데이터는 장애물 패턴 분류부(400)의 학습 데이터로 이용될 뿐만 아니라, 상기 학습 데이터를 기반으로 장애물의 종류가 인지되고, 인지된 장애물의 종류에 따라 경보부(600)는 운전자에게 장애물을 인지시킨다.

장애물 패턴 분류부(400)는 차량 위치 인식부(100)에 의한 차량의 위치 정보, 센서부(200)로부터 센싱된 값, 및 영상 장치(300)의 영상 데이터를 기반으로 기계학습기법의 SVM(Support Vector Machine) 모듈을 생성하며, 상기 SVM 모듈을 이용하여 인지된 장애물을 분석하여 장애물 패턴 및 종류를 인식한다.

도 4 내지 도 8을 참조하여 살펴보면, 장애물 패턴 분류부(400)는 기저 벡터 추출부(410), 특징 벡터 추출부(420), 클러스터링부(430) 및 SVM 모듈부(440)를 포함할 수 있다.

기저 벡터 추출부(410)는, 도 6에 도시된 바와 같이, 장애물 DB(Data Base)(411) 및 유사 장애물 DB(412), PCA 기저 벡터 추출부(413), 제1 장애물 DB(414) 및 제1 유사 장애물 DB(415), ICA 기저 벡터 추출부(416), 제2 장애물 DB(417) 및 제2 유사 장애물 DB(418)를 포함할 수 있다.

장애물 DB(411)는 다양한 조명과 포즈 등이 반영된 장애물 영상으로부터 구축된다. 또한, 장애물이 아니더라도 장애물과 패턴이 유사하여 오류를 일으킬 수 있는 패턴 또한 수집된다. 이때, 평균 장애물 영상 패턴과 유클리디안 거리(Eculidean Distance)를 이용해 일정 값 이하인 영상 패턴을 수집하여 유사 장애물 DB(412)를 구축하게 된다. 여기서, 장애물이 아닌 패턴들의 경우 그 종류가 다양하기 때문에 모델링에 의미가 없어서 샘플 데이터로 수집하지 않는다. 그리고, 장애물 패턴 분류의 결과값으로 장애물이 아니라고 판단된 패턴의 경우 유사 장애물 샘플 데이터로 수집하여 유사 장애물 DB(412)에 저장해서 학습을 반복적으로 수행한다.

PCA 기저 벡터 추출부(413)는 장애물 DB(Data Base) 및 유사 장애물 DB로부터 입력된 영상에 주성분 분석법(PCA, Principle Component Analysis)을 수행해 PCA 기저 벡터를 추출한다.

또한, PCA 기저 벡터 추출부(413)는 장애물 DB(411) 및 유사 장애물 DB(412) 각각으로부터 입력된 영상의 좌표를 통해 장애물 영상의 위치 및 크기를 정규화한다. 그리고, 주성분 분석법을 수행하여 장애물 및 유사 장애물을 표현하는 공간(space)의 PCA 기저 벡터를 추출한다.

즉, 주성분 분석법을 이용하여 영상 특징 벡터가 표현하고 있던 분산을 최대화하는 방향으로 특징 공간을 선형 사영하여 차원을 줄인다. 그리고, 분산을 이용하여 고유값과 특징 벡터를 구한다. 또한, 고유값들의 크기순으로 나열하여 이에 해당하는 기 설정된 차원의 특징 벡터를 추출한다. 일반적으로 누적 기여율(누적 분산)이 전체 고유값 합의 99%를 차지하는 k개를 선택한다.

그리고, 상기 PCA 기저 벡터는 각각 제1 장애물 DB(414) 및 제1 유사 장애물 DB(415) 각각에 축적된다.

그리고, 제1 장애물 DB(414) 및 제1 유사 장애물 DB(415) 각각에 저장된 기저 벡터들 중에 고유값이 큰 기저 벡터들은 ICA 기저 벡터 추출부(416)로 출력된다.

ICA 기저 벡터 추출부(416)는 출력된 기저 벡터들에 독립 성분 분석법(ICA, Indepependent Component Analysis)을 수행해서 ICA 기저 벡터를 추출한다. 그리고 추출된 상기 ICA 기저 벡터들은 각각 제2 장애물 DB(417) 및 제2 유사 장애물 DB(418) 각각에 축적된다.

그리고, 제2 장애물 DB(417) 및 제2 유사 장애물 DB(418)에 각각 축적된 ICA 기저 벡터들은 특징 벡터 추출부(420)로 출력되어 장애물 및 유사 장애물 영상의 특징 벡터 추출에 사용된다.

도 7을 참조하여 살펴보면, 특징 벡터 추출부(420)는 기저 벡터 추출부(410)로부터 추출된 장애물 기저 벡터 및 유사 장애물 기저 벡터에 장애물 DB(411) 및 유사 장애물 DB(412)에 저장되는 장애물 및 유사 장애물 영상을 각각 투영시켜 특징 벡터를 추출한다.

예를 들어, 하나의 장애물 영상을 장애물 영상들로부터 추출된 N개의 장애물 기저 벡터에 투영하여 N개의 특징값(투영 계수)들을 추출하고, 동일한 영상을 유사 장애물 영상들로부터 추출한 N개의 유사 장애물 기저 벡터에 투영하여 N개의 특징값(투영 계수)들을 추출하여, 총 2N개의 특징값을 얻는다.

또한, 잔여오차값을 계산하여 특징값으로 이용한다. 여기서, 잔여오차값(residual error)이란 각 영상을 N개의 기저 벡터에 투영하여 얻어진 특징값을 상기 기저 벡터에 곱하여 영상을 복원하였을 때 복원된 영상 벡터와 투영 전 실제 영상 벡터 간의 거리를 의미한다.

따라서, 장애물 영상을 장애물 기저 벡터 N개를 이용해서 복원하는 경우에는 잔여오차값이 작지만, 유사 장애물 영상을 장애물 기저 벡터N개를 이용해서 복원하는 경우에는 잔여오차값이 크게 된다.

종합해보면, 특징 벡터 추출부(420)는 하나의 영상에서 얻어진 2N개의 특징 값과 두 개의 잔여 오차 값을 포함한 2N+2의 특징값을 이용해서 하나의 특징 벡터로 추출한다.

그리고, 추출된 장애물 영상에 대한 특징 벡터는 장애물 특징 벡터 DB(421)에 유사 장애물 영상에 대한 특징 벡터는 유사 장애물 특징 벡터 DB(422)에 저장된 후 클러스터링부로 추출된다.

클러스터링부(430)는 k-means clustering 알고리즘에 따라서 장애물 영상특징 벡터들간의 유클리디안 거리를 측정하고, 유클리디안 거리가 가까운 것끼리 묶어서 소정의 서브 클래스로 장애물 특징 벡터를 분류하여 특징 클래스 DB에 저장한다. 그 후, 각 서브 클래스에 저장된 장애물 특징 벡터들의 벡터 평균에 가장 근접한 장애물 특징 벡터를 각 서브 클래스를 대표하는 중심 장애물 특징 벡터로 선정한다. 여기서, 유사 장애물 영상 특징 벡터 또한 동일한 방법으로 수행한다.

SVM 모듈부(440)는, 도 3에 도시된 바와 같이, SVM 학습 모듈(441)과 SVM 분류 모듈(442)를 포함할 수 있다.

도 8을 참조하여 살펴보면, 장애물 및 유사 장애물 종류 분류가 다중 클래스 분류이기 때문에 one-against-all 기법을 적용하여 다중 SVM을 설계한다. 따라서, SVM 학습 모듈(441)은 SVM 학습을 통해 서포트 벡터를 생성하며, SVM 분류 모듈(442)은 서포트 벡터와 장애물 또는 유사장애물의 특징 벡터 간의 유사도 비교를 통해 장애물 종류를 인식한다.

우선, 전처리된 데이터를 SVM의 학습 데이터로 이용한다. 그리고, 각각의 서브 클래스마다 이진 분류가 가능한 SVM을 생성하여, 총 M개의 SVM을 설계한다. 그 다음 SVM 학습은 학습용 데이터 집합과 학습에 사용되는 내부 커널함수와 조정 파라미터인 C값에 의존한다. 여기서, SVM 커널 함수는 고차원의 비선형의 입력 값을 선형으로 변환시켜줌으로써 SVM의 연산속도를 높이는 역할을 한다. 따라서 실험을 통해 최적의 파라미터를 설정하여 SVM 분류 모듈(442)을 설계한다.

그리고, 실제 장애물 탐지 및 종류 인식시, 학습 단계에서 생성된 SVM 분류 모듈(442)에 시험 데이터를 넣어 자동적으로 분류한다. 출력값에 따른 SVM에 해당하는 서브클래스로 장애물 및 유사 장애물 영상 특징 벡터를 분류한다.

따라서, 도 4의 실선 화살표를 참조하여 살펴보면, 영상 장치(300)에 의하여 입력된 장애물의 영상의 경우 특징 벡터 추출부(420)와 클러스터링부(430)를 이용하여 특징 벡터를 추출하고 서브 클래스를 분류한다. 그 후, SVM 분류 모듈(442)은 SVM 학습 모듈(441)의 서포트 벡터와 영상 장치(300)에 의하여 입력된 장애물의 영상의 특징 벡터 간의 유사도를 비교하여 장애물의 종류를 인식하게 된다.

장애물 패턴 분류부(400)의 장애물 분류에 따라, 장애물 종류 출력부(500)는 실시간으로 장애물의 종류가 무엇인지 운전자에게 소리, 문자 또는 영상 등으로 인지시켜 장애물과의 충돌을 회피하게 한다.

경보부(600)는 시스템에 정지 신호를 발생하여 운전자에게 장애물이 탐지됨을 알린다. 예컨데, 경보부(600)는 장애물과의 거리가 약 50㎝가 되면 표시등을 점멸시키고, 버져를 단발적으로 계속 울리게 한다. 또한, 장애물에 가까이 접근함에 따라, 점멸 주기 및 버져 주기를 더욱 빠르게 하고, 장애물과의 거리가 약 20㎝ 이내가 되면 표시등은 연속 점등함과 동시에 버져도 연속적으로 울리게 한다.

또한, 경보부(600) 인적 손실 및 물적 손실의 가능성에 따라 제1 경보 수단(610)과 제2 경보 수단(620)으로 이원화하여 인지시킬 수 있다.

제1 경보 수단(610)은 탐지된 장애물이 1군 장애물 위험군에 속하는 경우 전동안전벨트와 조향 엑추에이터 중 어느 하나를 이용하여 운전자의 촉각 정보를 통해 인지시킨다. 여기서, 1군 장애물 위험군이란 예컨데, 박스, 사각기둥 및 원기둥과 같은 장애물과 같이 운전자의 상해를 입히지 않고 차량 손상만을 입힐 수 있는 위험군으로써, 물적 손해만 발생하는 장애물을 의미한다.

제2 경보 수단(620)은 탐지된 장애물이 2군 장애물 위험군에 속하는 경우 상기 촉각 정보를 통하여 운전자에게 인지시킴과 동시에 표시등 및 버져 중 적어도 어느 하나를 통하여 운전자에게 2군 장애물 위험군에 속하는 장애물이 존재함을 알린다. 여기서, 2군 장애물 위험군이란 예컨데, 연석, 자동차, 벽, 사람 등과 같이 차량의 손상뿐만 아니라 운전자 및 사고자의 상해를 입힐 수 있는 위험군으로써, 인적 손해를 동반하는 장해물을 의미한다.

도 5를 참조하여 장애물의 종류를 인식하는 과정을 종합해보면, 장애물 패턴 분류부(400)는 차량 위치 인식부(100), 센서부(200) 및 영상 장치(300)를 통하여 장애물 DB(411)와 유사 장애물 DB(412)를 구축한다(S10). 그리고, 상술 된 바와 같이, PCA 기저 벡터 추출부(413)와 ICA 기저 벡터 추출부(416)를 통하여 기저 벡터를 추출한다(S11). 그 후, 상기 기저 벡터를 기반으로 특징 벡터 추출부(420)에서 장애물 특징 벡터 및 유사 장애물 특징 벡터를 추출하고 잔여 오차값을 계산하여 추출된 장애물 영상에 대한 특징 벡터는 장애물 특징 벡터 DB(421)에 유사 장애물 영상에 대한 특징 벡터는 유사 장애물 특징 벡터 DB(422)에 저장한다(S12). 그리고나서, 클러스터링부(430)는 상기 특징 벡터들을 서브 클래스로 분류한다(S13).

실제 장애물 탐지 및 종류 인식을 위한 영상이 입력된다(S20). 상기 입력 영상으로부터 특징 벡터를 추출하고(S21), 잔여 오차값을 계산한다(S22). 그에 따라, 입력 영상의 특징 벡터들이 속한 서브 클래스를 분류하고(S23), 서브 클래스의 SVM으로 장애물을 탐지 및 종류를 인식한다(S24).

이하, 도 9를 참조하여, 본 발명에 따른 기계학습기법에 의한 자동차 충돌 경보 시스템(1)을 이용하여 운전자에게 장애물을 경보하는 방법에 대하여 살펴보기로 한다.

본 발명에 따른 기계학습기법에 의한 자동차 충돌 경보 방법(S1)은 차량의 위치를 인식하는 단계(S100), 장애물을 탐지하는 단계(S200), 장애물의 종류를 인식하는 단계(S300), 장애물의 종류를 출력하는 단계(S400), 제1 위험 장애물군에 포함되는지를 판단하는 단계(S500), 제1 경보 수단 발생 단계(S600), 제2 위험 장애물군에 포함되는지를 판단하는 단계(S700) 및 제2 경보 수단 발생 단계(S800)를 포함할 수 있다.

차량의 위치를 인식하는 단계(S100)에서는 상술 된 차량 정보에 기반하여 차량의 위치를 인식한다. 그리고, 장애물을 탐지하는 단계(S200)는 센서부(200)의 초음파 센서와 장애물의 영상 데이터를 획득하여 장애물을 탐지한다.

장애물의 종류를 인식하는 단계(S300)는 장애물 패턴 분류부(400)의 상기 SVM 모듈을 이용하여 인지된 장애물을 분석하여 장애물 패턴 및 종류를 인식한다.

장애물의 종류를 출력하는 단계(S400)는 장애물 종류 출력부(500)에 의하여 실시간으로 장애물의 종류가 무엇인지 운전자에게 인지시켜 사전에 장애물과의 충돌을 회피하게 한다.

따라서, 상기 자동차 충돌 경보 시스템(1)은 장애물 종류 출력부(500)에 의하여 송신되는 장애물 종류 신호에 따라, 제1 위험 장애물군에 포함되는 장애물인지를 판단하고(S500), 제1 위험 장애물군에 포함되는 장애물이라면, 제1 경보 수단(610)에 의하여 물적 손해만을 발생시키는 장애물이라는 것을 운전자에게 인지시킨다(S600). 여기서, 제1 경보 수단(610)은 탐지된 장애물이 1군 장애물 위험군에 속하는 경우 전동안전벨트와 조향 엑추에이터 중 어느 하나를 이용하여 운전자의 촉각 정보를 통해 인지시킨다.

만일, 제1 위험 장애물군에 포함되는 장애물이 아니라면, 제2 위험 장애물군에 포함되는 장애물인지를 판단하고(S700), 제2 위험 장애물군에 포함되는 장애물이라면 제2 경보 수단(620)에 의하여 물적 손해와 인적 손해 모두를 발생시키는 장애물이라는 것을 운전자에게 인지시킨다(S800). 여기서, 제2 경보 수단(620)은 탐지된 장애물이 2군 장애물 위험군에 속하는 경우 상기 촉각 정보를 통하여 운전자에게 인지시킴과 동시에 표시등 및 버져 중 적어도 어느 하나를 통하여 운전자에게 2군 장애물 위험군에 속하는 장애물이 존재함을 알린다.

본 발명에 따른 다양한 실시 예들은, 당해 기술 분야는 물론 관련 기술 분야에서 본 명세서에 언급된 내용 이외의 다른 여러 기술적 과제들을 해결할 수 있음은 물론이다.

지금까지 본 발명에 대해 실시 예들을 참고하여 설명하였다. 그러나 당업자라면 본 발명의 본질적인 기술적 사상으로부터 벗어나지 않는 범위에서 본 발명이 변형된 형태로 구현될 수 있음을 자명하게 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 즉, 본 발명의 진정한 기술적 범위는 첨부된 특허청구범위에 나타나 있으며, 그와 균등범위 내에 있는 모든 차이점은 본 발명에 포함되는 것으로 해석되어야 할 것이다.

1 : 본 발명에 따른 기계학습기법에 의한 자동차 충돌 경보 시스템
100 : 차량 위치 인식부 200 : 센서부
300 : 영상 장치 400 : 장애물 패턴 분류부
500 : 장애물 종류 출력부 600 : 경보부

Claims

차량의 위치를 인식하는 차량 위치 인식부와;
초음파를 이용하여 장애물을 탐지하는 센서부와;
장애물의 영상 데이터를 획득하는 영상 장치와;
상기 센서부와 상기 영상 장치를 통하여 수집된 정보를 기반으로 장애물의 종류를 판단하는 장애물 패턴 분류부를 포함하며,
상기 장애물 패턴 분류부는 상기 영상 장치를 통하여 수집된 영상 데이터를 기반으로 기계학습기법(Support Vector Machine)을 통해 상기 영상 장치를 통하여 추출된 장애물의 패턴 및 종류를 인식하고,
상기 장애물 패턴 분류부는 상기 영상 장치를 통하여 수집된 영상 데이터를 상기 기계학습기법의 학습데이터로 이용하여 기계학습기법 모듈을 생성하고,
상기 장애물 패턴 분류부는
상기 영상 데이터를 통하여 장애물 또는 유사 장애물로 분류되는 패턴을 수집하고, 주성분 분석법(PCA, Principle Component Analysis)을 수행하여 영상 특징 벡터가 표현하고 있는 분산을 통해 고유값을 구하는 방식을 이용하여 PCA 기저 벡터를 추출한 후, 추출된 PCA 기저 벡터에 독립 성분 분석법(ICA, Independent Component Analysis)을 수행하여 장애물 또는 유사 장애물 각각의 ICA 기저 벡터를 추출하는 기저 벡터 추출부와,
상기 기저 벡터 추출부로부터 출력된 상기 ICA 기저 벡터에 대한 잔여오차값을 이용하여 특징 벡터를 추출하는 특징 벡터 추출부와;
상기 특징 벡터 추출부의 상기 특징 벡터를, 특징 벡터들 간의 유클리디안 거리를 이용하여 서브 클래스로 분류하는 클러스터링부와;
상기 기계학습기법 모듈을 이용하여, 상기 클러스터링부에 의하여 분류된 상기 특징 벡터로부터 장애물의 종류를 인식하는 SVM 모듈부를 포함하고,
상기 SVM 모듈부는
상기 클러스터링부에 의하여 분류된 상기 특징 벡터를 이용하여 서포트 벡터를 생성하는 SVM 학습 모듈과;
상기 서포트 벡터와 상기 영상 장치를 통하여 얻어진 장애물의 영상 데이터를 통하여 획득되는 특징 벡터 간의 유사도 비교를 통하여 장애물의 종류를 인식하는 SVM 분류 모듈을 포함하는 것을 특징으로 하는 기계학습기법에 의한 자동차 충돌 경보 시스템.
삭제
삭제
삭제
제1항에 있어서,
상기 장애물 패턴 분류부의 판단에 따라 장애물의 종류를 인지시키는 장애물 종류 출력부를 더 포함하는 것을 특징으로 하는 기계학습기법에 의한 자동차 충돌 경보 시스템.
제5항에 있어서,
상기 장애물 종류 출력부의 장애물 종류 인지에 따라, 장애물의 존재 및 종류를 인지시키는 경보부를 더 포함하며,
상기 경보부는 물적 손해를 발생시킬 수 있는 장애물의 경우, 전동안전벨트와 조향 엑추에이터 중 적어도 어느 하나를 이용하여 인지되게 하는 것을 특징으로 하는 기계학습기법에 의한 자동차 충돌 경보 시스템.
제6항에 있어서,
상기 경보부는 인적 손해를 발생시킬 수 있는 장애물의 경우, 표시등 및 버져 중 적어도 어느 하나를 더 이용하여 인지되게 하는 것을 특징으로 하는 기계학습기법에 의한 자동차 충돌 경보 시스템.
차량의 위치를 인식하는 단계와;
장애물을 탐지하는 단계와;
장애물의 종류를 판단하는 장애물 패턴 분류부를 이용하여 탐지된 장애물의 종류를 인식하는 단계와;
상기 장애물 종류의 인식에 따라 장애물의 종류를 출력하는 단계와;
출력된 상기 장애물의 종류에 따라 상기 장애물을 인지시키는 단계를 포함하고,
상기 장애물 패턴 분류부는, 상기 장애물을 탐지하는 단계에 있어서 장애물을 탐지하는 영상 장치를 통하여 수집된 영상 데이터를 기반으로 기계학습기법(Support Vector Machine)을 통해 상기 영상 장치를 통하여 추출된 장애물의 패턴 및 종류를 인식하되, 상기 영상 장치를 통하여 수집된 영상 데이터를 상기 기계학습기법의 학습데이터로 이용하여 기계학습기법 모듈을 생성하고,
상기 장애물의 종류를 인식하는 단계에서, 상기 장애물 패턴 분류부는,
상기 영상 데이터를 통하여 장애물 또는 유사 장애물로 분류되는 패턴을 수집하고, 주성분 분석법(PCA, Principle Component Analysis)을 수행하여 영상 특징 벡터가 표현하고 있는 분산을 통해 고유값을 구하는 방식을 이용하여 PCA 기저 벡터를 추출한 후, 추출된 PCA 기저 벡터에 독립 성분 분석법(ICA, Independent Component Analysis)을 수행하여 장애물 또는 유사 장애물 각각의 ICA 기저 벡터를 추출하고,
상기 ICA 기저 벡터에 대한 잔여오차값을 이용하여 특징 벡터를 추출하며,
상기 추출된 특징 벡터를, 특징 벡터들 간의 유클리디안 거리를 이용하여 서브 클래스로 분류하고,
상기 기계학습기법 모듈을 이용하여, 상기 분류된 특징 벡터로부터 장애물의 종류를 인식하되, 상기 분류된 상기 특징 벡터를 이용하여 서포트 벡터를 생성하고, 상기 서포트 벡터와 상기 영상 장치를 통하여 얻어진 장애물의 영상 데이터를 통하여 획득되는 특징 벡터 간의 유사도 비교를 통하여 장애물의 종류를 인식하는 것을 특징으로 하는 기계학습기법에 의한 자동차 충돌 경보 방법.
삭제
제8항에 있어서,
상기 장애물을 인지시키는 단계에서는 물적 손해를 발생시킬 수 있는 장애물의 경우, 전동안전벨트와 조향 엑추에이터 중 적어도 어느 하나를 이용하여 인지되게 하는 것을 특징으로 하는 기계학습기법에 의한 자동차 충돌 경보 방법.
제10항에 있어서,
상기 장애물을 인지시키는 단계에서는 인적 손해를 발생시킬 수 있는 장애물의 경우, 표시등 및 버져 중 적어도 어느 하나를 더 이용하여 인지되게 하는 것을 특징으로 하는 기계학습기법에 의한 자동차 충돌 경보 방법.