KR102088428B1

KR102088428B1 - 운전 상태 추정을 위한 이동체, 서버, 운전 상태 추정 방법 및 시스템

Info

Publication number: KR102088428B1
Application number: KR1020180033310A
Authority: KR
Inventors: 배현섭; 최경화; 오승욱
Original assignee: 슈어소프트테크주식회사
Priority date: 2018-03-22
Filing date: 2018-03-22
Publication date: 2020-04-24
Also published as: KR20190111318A

Abstract

본 발명은 이동체, 운전 상태 추정 방법 및 시스템에 관한 것으로, 더욱 상세하게는 센싱 데이터를 입력으로 하는 학습 모델을 기계 학습시켜 이동체를 운전하는 운전하는 운전자의 운전 상태를 추정하는 이동체, 운전 상태 추정 방법 및 시스템에 관한 것이다.
실시 형태에 따른 이동체는, 센싱 데이터를 출력하는 하나 또는 그 이상의 센싱 데이터 출력부; 및 상기 센싱 데이터 출력부로부터 제공되는 상기 센싱 데이터에 기초하여 운전 상태를 추정하고 상기 센싱 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖는, 운전 상태 추정부;를 포함한다.

Description

운전 상태 추정을 위한 이동체, 서버, 운전 상태 추정 방법 및 시스템 {AUTOMOBILE, SERVER, METHOD AND SYSTEM FOR ESTIMATING DRIVING STATE}

본 발명은 운전 상태 추정을 위한 이동체, 서버, 운전 상태 추정 방법 및 시스템 관한 것으로, 더욱 상세하게는 센싱 데이터를 입력으로 하는 학습 모델을 기계 학습시켜 이동체를 운전하는 운전자의 운전 상태를 추정하는 운전 상태 추정을 위한 이동체, 서버, 운전 상태 추정 방법 및 시스템에 관한 것이다.

운전보조시스템은 첨단 감지 센서가 위험 사항을 감지하여 시각적, 청각적, 촉각적 요소를 통해 사고의 위험이 있음을 경고함은 물론, 전방 충돌 회피를 위한 속도 감속 또는 제동을 적극적으로 수행하는 차량의 안전장치이다.

또한, 운전보조시스템은 차선 이탈 경고, 사각지대 감시, 향상된 후방감시 등을 수행할 수 있다.

운전보조시스템은 그 기능에 따라 다양한 종류로 구분된다. 그 중에 전방충돌 경고 시스템(Forward Collision Warning System, FCW)은 주행 차선의 전방에서 동일한 방향으로 주행 중인 자동차를 감지하여 전방 자동차와의 충돌 회피를 목적으로 운전자에게 시각적, 청각적, 촉각적 경고를 주기 위한 시스템이다.

다음으로, 긴급자동제동시스템(Advanced Emergency Braking System, AEBS)은 주행 차선의 전방에 위치한 자동차와의 충돌 가능성을 감지하여 운전자에게 경고를 주고 운전자의 반응이 없거나 충돌이 불가피하다고 판단되는 경우, 충돌을 완화 및 회피시킬 목적으로 자동차를 자동적으로 감속시키기 위한 시스템이다.

그러나, 이러한 운전보조시스템은 차량의 외부 환경을 고려하여 자동차를 제어하는 것으로, 차량 내 운전자의 이상 행태를 감지하는 데에는 한계가 있다.

특히, 운전자의 이상한 운전 상태가 지속되는 경우, 차량 운전자에게 위험한 신호를 알리는 등 현재 운전에 제동을 가할 필요가 있다.

본 발명은 전술한 필요성에 의해 도출된 것으로, 차량 운전자의 운전 중 특히 이상한 운전 상태가 지속되는 경우, 차량 운전자에게 위험한 신호를 알리는 등 현재 운전에 제동을 가하는 것을 목적으로 한다.

특히, 차량 운전자의 이상한 운전 상태가 추정되는데에 필요한 운전 상태 정보를 획득하기 위해 차량 내 센서로부터 수집된 대용량의 빅데이터를 활용함으로서, 보다 정확한 정보를 수집하는 것을 목적으로 한다.

또한, 수집된 빅데이터로 기계 학습을 수행함으로서, 보다 자동화되고 실시간 빠른 정보를 수집하는 것을 목적으로 한다.

본 발명의 실시예에 따른 이동체는 센싱 데이터를 출력하는 하나 또는 그 이상의 센싱 데이터 출력부 및 상기 센싱 데이터 출력부로부터 제공되는 상기 센싱 데이터를 입력 데이터로 하는 학습 모델을 기초로 기계 학습을 수행하고, 상기 출력되는 센싱 데이터를 상기 학습 모델에 적용하여 출력되는 운전 상태 추정값을 기초로 운전자의 운전 상태를 추정하는, 운전 상태 추정부를 포함할 수 있다.

본 발명의 다른 실시예에 따른 운전 상태 추정 방법은 센싱 데이터 출력부로부터 하나 또는 그 이상의 센싱 데이터가 출력되는 데이터 출력 단계, 상기 출력되는 센싱 데이터를 입력 데이터로 하는 학습 모델을 기초로 기계 학습을 수행하는 기계 학습 단계 및 상기 출력되는 센싱 데이터를 상기 학습 모델에 적용하여 출력되는 운전 상태 추정값을 기초로 운전자의 운전 상태를 추정하는 운전 상태 추정 단계를 포함할 수 있다.

본 발명의 다른 실시예에 따른 운전 상태 추정 시스템은 이동체와 네트워크를 통하여 통신을 행하는 서버를 포함하고, 상기 이동체는 센싱 데이터를 출력하는 하나 또는 그 이상의 센싱 데이터 출력부 및 상기 출력된 센싱 데이터를 상기 서버에 송신하는 통신부를 포함하고, 상기 서버는, 상기 이동체로부터 상기 센싱 데이터를 수신하는 통신부 및 상기 수신된 상기 센싱 데이터를 입력 데이터로 하는 학습 모델을 기초로 기계 학습을 수행하고, 상기 출력되는 센싱 데이터를 상기 학습 모델에 적용하여 출력되는 운전 상태 추정값을 기초로 운전자의 운전 상태를 추정하는 운전 상태 추정부를 포함할 수 있다.

본 발명의 다른 실시예에 따라 이동체와 네트워크를 통하여 통신을 행하는 서버에서의 운전 상태 추정 방법은, 상기 이동체의 센싱 데이터 출력부로부터 센싱 데이터를 수신하는 단계, 상기 수신되는 센싱 데이터를 입력 데이터로 하는 학습 모델을 기초로 기계 학습을 수행하는 기계 학습 단계 및 상기 수신되는 센싱 데이터를 상기 학습 모델에 적용하여 출력되는 운전 상태 추정값을 기초로 운전자의 운전 상태를 추정하는 운전 상태 추정 단계;를 포함할 수 있다.

본 발명의 다른 실시예에 따라 이동체와 네트워크를 통하여 통신을 행하는 서버는 상기 이동체의 센싱 데이터 출력부로부터 센싱 데이터를 수신하는 통신부 및 상기 수신되는 센싱 데이터를 입력 데이터로 하는 학습 모델을 기초로 기계 학습을 수행하고, 상기 수신되는 센싱 데이터를 상기 학습 모델에 적용하여 출력되는 운전 상태 추정값을 기초로 운전자의 운전 상태를 추정하는 운전 상태 추정부를 포함할 수 있다.

본 발명의 다른 실시예에 따른 이동체는, 하나 또는 그 이상의 센싱 데이터를 출력하는 센싱 데이터 출력부, 상기 취득된 센싱 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 학습부, 상기 생성된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부 및 상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 운전 상태 추정부를 포함할 수 있다.

본 발명의 다른 실시예에 따른 이동체의 운전 상태 추정 방법은 하나 또는 그 이상의 센싱 데이터 출력부를 이용하여 센싱 데이터를 취득하는 단계, 상기 취득된 센싱 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 학습 단계, 상기 생성된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 단계 및 상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 운전 상태 추정 단계를 포함할 수 있다.

본 발명의 다른 실시예에 따라 이동체와 네트워크를 통하여 통신를 행하는 서버를 가지는 운전 상태 추정 시스템은, 이동체와 서버를 포함하고, 이동체는 하나 또는 그 이상의 센싱 데이터를 출력하는 센싱 데이터 출력부 및 기 취득된 센싱 데이터를 학습용 데이터로서 상기 서버에 송신하는 제1통신부를 포함하고, 서버는 상기 이동체로부터 상기 학습용 데이터를 수신하는 제2통신부 및 학습용 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 학습부를 포함하고, 상기 제2통신부는 상기 학습부로부터 상기 갱신 데이터를 수신하고, 상기 제1통신부는 상기 제2통신부로부터 상기 갱신 데이터를 수신하고, 상기 이동체는, 상기 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부; 및 상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 운전 상태 추정부;를 더 포함할 수 있다.

본 발명의 다른 실시예에 따라 서버와 네트워크를 통하여 통신을 행하는 이동체는, 하나 또는 그 이상의 센싱 데이터를 출력하는 센싱 데이터 출력부, 상기 취득된 센싱 데이터를 학습용 데이터로서 상기 서버에 송신하고, 상기 서버로부터 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 수신하는 제1통신부, 상기 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부 및 상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 운전 상태 추정부를 포함하고, 상기 학습용 데이터는 상기 서버에 송신되어, 상기 학습용 데이터를 입력하는 학습 모델에 기초하여 기계 학습이 수행되는 것을 특징으로 한다.

본 발명의 다른 실시예에 따라 서버와 네트워크를 통하여 통신을 행하는 이동체의 운전 상태 추정 방법은, 센싱 데이터 출력부로부터 하나 또는 그 이상의 센싱 데이터를 취득하는 단계, 상기 취득된 센싱 데이터를 학습용 데이터로서 상기 서버에 송신하는 단계, 상기 서버로부터 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 수신하는 단계, 상기 생성된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 단계 및 상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 단계를 포함하고, 상기 학습용 데이터는 상기 서버에 송신되어, 상기 학습용 데이터를 입력하는 학습 모델에 기초하여 기계 학습이 수행되는 것을 특징으로 한다.

본 발명의 다른 실시예에 따라 이동체와 네트워크를 통하여 통신을 행하는 서버는, 상기 이동체의 센싱 데이터 출력부로부터 센싱 데이터를 수신하는 제2통신부 및 상기 제2통신부로부터 수신한 센싱 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 학습부를 포함하고, 상기 제2통신부는 상기 학습부로부터 상기 갱신 데이터를 수신하고, 상기 갱신 데이터는 상기 이동체로 전송되어 상기 이동체에서 상기 소정의 변수를 갱신하는데 이용되고, 상기 갱신된 소정의 변수는 상기 이동체에서 상기 운전자의 운전 상태를 추정하는데 이용되는 것을 특징으로 한다.

본 발명의 다른 실시예에 따라 이동체와 네트워크를 통하여 통신을 행하는 서버의 운전 상태 추정 방법은, 상기 이동체의 센싱 데이터 출력부로부터 센싱 데이터를 수신하는 단계, 상기 수신한 센싱 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 수행하는 단계, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 단계를 포함하고, 상기 갱신 데이터는 상기 이동체로 전송되어 상기 이동체에서 상기 소정의 변수를 갱신하는데 이용되고, 상기 갱신된 소정의 변수는 상기 이동체에서 상기 운전자의 운전 상태를 추정하는데 이용되는 것을 특징으로 한다.

본 발명의 다른 실시예에 따라 이동체와 네트워크를 통하여 통신를 행하는 서버를 가지는 운전 상태 추정 시스템은 이동체와 서버를 포함하고, 상기 이동체는 하나 또는 그 이상의 센싱 데이터를 출력하는 센싱 데이터 출력부 및 상기 취득된 센싱 데이터를 학습용 데이터로서 상기 서버에 송신하는 제1통신부를 포함하고,

상기 서버는, 상기 이동체로부터 상기 학습용 데이터를 수신하는 제2통신부, 상기 학습용 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 학습부, 상기 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부 및 상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 운전 상태 추정부를 포함하고,

상기 제2통신부는 상기 운전 상태 추정부로부터 상기 운전 상태 추정 정보를 수신하고, 상기 이동체의 상기 제1통신부는 상기 제2통신부로부터 상기 운전 상태 추정 정보를 수신하는 것을 특징으로 한다.

본 발명의 다른 실시예에 따라 이동체와 네트워크를 통하여 통신를 수행하는 서버는, 상기 이동체의 센싱 데이터 출력부로부터 센싱 데이터를 수신하는 제2통신부, 상기 센싱 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 학습부, 상기 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부 및 상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 운전 상태 추정부를 포함하고,

상기 제2통신부는 상기 운전 상태 추정부로부터 수신한 상기 운전 상태 추정 정보를 상기 제1통신부로 전송하는 것을 특징으로 한다.

본 발명의 다른 실시예에 따라 이동체와 네트워크를 통하여 통신를 행하는 서버의 운전 상태 추정 방법은, 상기 이동체의 센싱 데이터 출력부로부터 센싱 데이터를 수신하는 단계, 상기 센싱 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 수행하는 단계, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 단계, 상기 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 단계, 상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 단계 및 상기 운전 상태 추정 정보를 상기 이동체로 전송하는 단계를 포함할 수 있다.

본 발명에 따르면, 차량 운전자의 운전 중 특히 이상한 운전 상태가 지속되는 경우, 차량 운전자에게 위험한 신호를 알리는 등 현재 운전에 제동을 가할 수 있게 된다.

특히, 차량 운전자의 이상한 운전 상태가 추정되는데에 필요한 운전 상태 정보를 획득하기 위해 차량 내 센서로부터 수집된 빅데이터를 활용함으로서, 실시간 빠르고 보다 정확한 정보를 수집할 수 있게 된다.

도 1은 본 발명의 실시 형태에 따른 이동체의 블록도이다.
도 2는 신경망의 기본 구조를 도시한다.
도 3은 본 발명의 다른 실시 형태에 따른 이동체의 블록도이다.
도 4는 본 발명의 또 다른 실시 형태에 따른 이동체의 블록도이다.
도 5는 본 발명의 또 다른 실시 형태에 따른 이동체의 블록도이다.
도 6은 본 발명의 실시 형태에 따른 운전 상태 추정 시스템의 블록도이다.
도 7은 본 발명의 또 다른 실시 형태에 따른 이동체의 블록도이다.
도 8은 본 발명의 다른 실시 형태에 따른 운전 상태 추정 시스템의 블록도이다.
도 9는 본 발명의 또 다른 실시 형태에 따른 운전 상태 추정 시스템의 블록도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시 형태를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 형태는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시 형태는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 형태에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시 형태로 구현될 수 있다.

또한, 각각의 개시된 실시 형태 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

도 1은 본 발명의 실시 형태에 따른 이동체의 블록도이다.

도 1에 도시된 본 발명의 실시 형태에 따른 이동체(100)는 이동체(100)를 운전하는 운전자의 운전 상태를 추정할 수 있다.

구체적으로, 도 1을 참조하면, 본 발명의 실시 형태에 따른 이동체(100)는 센싱 데이터 출력부(110), 운전 상태 추정부(150), 수행부(160)를 포함한다.

센싱 데이터 출력부(110)는 하나 또는 그 이상의 센싱 데이터를 출력한다. 센싱 데이터 출력부(110)는 하나 또는 그 이상의 센싱 데이터를 운전 상태 추정부(150)로 전송할 수 있다.

센싱 데이터 출력부(110)는 이동체에 구비 또는 장착된 이동체 센서일 수도 있다. 이동체 센서는 압력 센서, 가차속 센서, 각차속 센서, 유량 센서, 온도 센서, 흡기압 센서, 조향 센서, 충돌방지 센서, 에어백 센서, 스로틀 포지션 센서(TPS), 에어템프센서(ATS), 액셀페달센서(APS), 차속 센서, G 센서, 자이로 센서, 충돌감지센서, 차고센서, 서스펜션 조절 센서, 에어컨 센서, 레이더 센서, 라이더 센서, 관성측정센서, 위성항법센서, 카메라 센서, 페달 센서, 산소포화도 센서, 적외선 센서 등을 포함한다. 여기서, 이동체 센서가 앞서 나열한 것으로 한정되지 않고, 이동체에 구비 또는 장착 가능한 모든 센서를 의미하는 것으로 이해해야 한다.

또한, 센싱 데이터 출력부(110)의 센싱 데이터들은 바로 운전 상태 추정부(150)에서 운전 상태를 추정하는 데에 활용될 수도 있고, 다른 실시예에 따라 소정의 가공 프로세스를 거친 후에 운전 상태 추정부(150)에서 운전 상태를 추정하는 데에 활용될 수도 있다. 후자의 경우에, 센싱 데이터 출력부(110)는 앞서 언급한 하나 또는 그 이상의 이동체 센서로부터 수신된 센싱 데이터(들)를 처리, 분류 또는 가공하여 소정의 센싱 데이터(들)를 출력하는 제어기일 수 있다.

센싱 데이터 출력부(110)는 다수의 센싱 데이터 출력부(110a, 110b, …, 110n)을 포함할 수 있다. 다수의 센싱 데이터 출력부(110a, 110b, …, 110n)는 서로 다른 센싱 데이터를 출력할 수도 있다. 예를 들어, 제1 센싱 데이터 출력부(110a)는 G 센서로서, G 센서에 의해 감지된 데이터를 출력할 수 있고, 제2 센싱 데이터 출력부(110b)는 APS 센서로서 APS 센서로서, APS 센서에 의해 감지된 데이터를 출력할 수 있다. 한편, 다수의 센싱 데이터 출력부(110a, 110b, …, 110n)는 같은 종류의 센싱 데이터를 출력할 수도 있다.

센싱 데이터 출력부(110)는 하나 또는 그 이상의 센싱 데이터를 운전자가 이동체(100)를 운행하는 동안에 출력할 수 있다. 센싱 데이터 출력부(110)는 센싱 데이터를 실시간으로 출력할 수도 있고, 미리 설정된 시간이 지나면 자동으로 출력할 수도 있다.

운전 상태 추정부(150)는 센싱 데이터 출력부(110)로부터 제공되는 하나 또는 그 이상의 센싱 데이터에 기초하여 이동체(100)를 운전하는 운전자의 운전 상태를 추정한다.

운전 상태 추정부(150)는 운전자의 운전 상태를 추정하기 위해서, 적어도 하나 이상의 학습 모델(151)을 갖는다.

구체적으로, 운전 상태 추정부(150)는 센싱 데이터 출력부(110)로부터 제공되는 센싱 데이터를 입력 데이터로 하는 학습 모델(151)을 기초로 기계 학습을 수행하고, 기계 학습 결과가 반영된 학습 모델(151)에 센싱 데이터 출력부(110)로부터 출력되는 센싱 데이터를 적용하여 운전자의 운전 상태를 추정할 수 있다.

학습 모델(151)은 센싱 데이터 출력부(110)로부터 제공되는 하나 또는 그 이상의 센싱 데이터를 입력으로 하고, 운전자의 운전 상태와 연관된 출력 데이터를 출력하는 인공 신경회로망(이하, '신경망'이라 함.)일 수 있다. 도 2를 참조하여 신경망의 기본 구조를 설명한다.

수행부(160)는 운전 상태 추정부(150)에서 추정된 운전자의 운전 상태에 기초하여, 추정된 운전자의 운전 상태에 대응하는 동작을 수행한다. 예를 들어, 운전 상태가 부주의한 것으로 판단되거나, 졸음 운전 상태인 것으로 판단되거나, 음주 운전 상태인 것으로 판단되는 경우, 이동체에 구비된 경보기(미도시)를 통해 경보음을 출력할 수 있다. 또는, 동일한 경우에 있어서, 이동체에 구비된 스크린(미도시)을 통한 경보이미지를 출력할 수도 있다. 그밖에, 운전자의 운전을 제한하는 조치로, 시동을 자동 오프(off) 시키거나, 핸들에 진동을 발생시키거나, 핸들에 전기 자극 정보를 출력할 수도 있다.

도 2는 신경망의 기본 구조를 도시한다.

도 2를 참조하면, 신경망의 기본 구조는 입력층(input layer)과 출력층(output layer)을 포함한다. 입력층은 외부로부터 소정의 입력 데이터를 받아들이는 층이고, 출력층은 외부로 소정의 출력 데이터를 내는 층이다.

각각의 입력층과 출력층은 하나 또는 다수의 노드(node)를 포함한다. 입력층의 노드를 입력노드라 하고, 출력층의 노드를 출력노드라 한다. 입력층의 각 입력노드는, 도 2에 도시된 바와 같이, 출력층의 각 출력노드와 완전 연결(fullyconnected)될 수도 있고, 출력층의 일부 출력노드와 불완전 연결될 수도 있다.

출력층의 출력노드들 중 하나의 출력노드는 자신과 연결된 입력층의 입력노드(들)로부터 입력 데이터를 받아들이되, 소정의 변수(또는 가중치, w)를 곱하여 받아들인다. 그리고 하나의 출력노드는 받아들인 것들을 모두 합(가중합)한 후, 미리 설정된 활성화 함수를 통과시켜 소정의 출력 데이터를 출력한다.

하나의 출력노드는 활성화 함수를 갖는다. 활성화 함수는 계단 함수(step function), 부호 함수(sign function), 선형 함수(linear function), 로지스틱 시그모이드 함수(logistic sigmoid function), 하이퍼탄젠트 함수(hyper tangent function), ReLU 함수, 소프트맥스(softmax) 함수 중 어느 하나일 수 있다. 활성화 함수는 통상의 기술자라면 신경망의 학습 방법에 따라 적절히 결정될 수 있다.

신경망은 변수(w)를 반복적으로 적절한 값으로 갱신(또는 수정)하는 과정으로 기계 학습한다. 신경망이 기계 학습하는 방법에는 대표적으로 지도 학습과 비지도 학습이 있다.

지도 학습은 입력 데이터에 대해 임의의 신경망이 계산해내기를 바라는 목표 출력 데이터가 명확히 정해져 있는 상태에서, 상기 입력 데이터를 상기 신경망에 넣어서 얻은 출력 데이터를 상기 목표 데이터에 비슷해질 수 있도록 변수(w)를 갱신시키는 학습 방법이다. 지도 학습을 수행하는 대표적인 신경망에는 도 2에 도시된 바와 같은 단층 퍼셉트론과 다층 퍼셉트론이 있다. 여기서, 다층 퍼셉트론은 도 2에 도시된 입력층과 출력층 사이에 1개 이상의 은닉층을 더 갖는다. 은닉층은 하나 또는 다수의 은닉노드를 갖는다.

비지도 학습은 입력 데이터에 대해 임의의 신경망이 계산해내기를 바라는 목표 데이터가 정해져 있지 않고, 비슷한 입력 데이터에 대해서 일관된 출력 데이터를 내는 학습 방법이다. 비지도 학습을 수행하는 대표적인 신경망에는 자기조직화특징맵(SOM, Self-organizing feature map)과 볼쯔만머쉰(Boltzmann machine)이 있다.

다시, 도 1을 참조하면, 운전 상태 추정부(150)는 학습 모델(151)을 포함하고, 학습 모델(151)은 신경망을 포함한다.

학습 모델(151)이 도 2에 도시된 신경망일 경우, 센싱 데이터 출력부(110)에서 제공되는 센싱 데이터가 신경망의 입력층으로 입력된다. 여기서, 제공되는 센싱 데이터의 개수는 입력층의 입력노드의 개수와 일대일 대응할 수 있다. 그리고, 출력층의 출력노드 각각은 서로 다른 운전 상태에 연관될 수 있다.

예를 들어, 도 2에 도시된 바와 같이, 입력층의 4개의 입력노드 별로 제1 내지 제4 센싱 데이터가 각각 입력되고, 출력층의 제1 출력노드의 출력 데이터는 제1 운전 상태에 연관된 데이터가 되고, 제2 출력노드의 출력 데이터는 제2 운전 상태에 연관된 데이터가 될 수 있다.

학습 모델(151)은 센싱 데이터 출력부(110)에서 제공되는 하나 또는 그 이상의 센싱 데이터를 이용하여 기계 학습을 수행한다. 기계 학습을 수행한다는 의미는 신경망의 변수를 갱신하는 과정이다.

구체적으로, 학습 모델(151)의 입력층의 입력노드들로 하나 또는 그 이상의 센싱 데이터가 입력되면, 학습 모델(151)은 현재 셋팅된 변수를 이용하여 운전 상태에 대응되는 출력 데이터를 출력하고, 이와 함께, 학습 모델(151)은 출력되는 출력 데이터를 이용하여 현재 셋팅된 변수를 갱신한다. 셋팅된 변수의 갱신 과정이 기계 학습 과정이다. 그리고, 센싱 데이터는 갱신된 변수로 구성된 학습 모델(151)에 적용되어 운전자의 운전 상태를 추정하게 된다. 여기서, 학습 모델(151)이 지도 학습 방법에 따르면, 학습 모델(151)은 출력 데이터가 목표 데이터에 비슷해지도록 현재 셋팅된 변수를 갱신할 수 있다. 한편, 학습 모델(151)이 비지도 학습 방법에 따르면, 학습 모델(151)은 비슷한 센싱 데이터들이 일관된 출력 데이터가 되도록 현재 셋팅된 변수를 갱신할 수 있다.

학습 모델(151)은 도 2에 도시된 신경망을 이용하였으나, 이에 한정되는 것은 아니며 학습 모델(151)의 신경망은 다층 퍼셉트론, 자기조직화특징맵, 볼쯔만머쉰 등 어느 하나로 구현될 수도 있고, 앞서 언급하지 않은 다른 신경망으로도 구현될 수 있다.

학습 모델(151)로 제공되는 하나 또는 그 이상의 센싱 데이터와 학습 모델(151)에서 출력되는 출력 데이터가 다양한 예로 정의될 수 있다. 이하 구체적으로 설명하도록 한다.

<급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태 추정>

예를 들어, 학습 모델(151)의 입력노드(들)로 제공되는 하나 또는 그 이상의 센싱 데이터는, 페달 센서에 의해 센성된 페달 변위 각도 데이터 및 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고, 학습 모델(151)의 출력노드(들)는 급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태를 가리키는 출력 데이터를 포함한다. 이에 따라, 추정된 운전자의 운전 상태는 급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태를 포함한다.

예를 들어, 부주의 운전 상태는 졸음 운전 상태 또는 음주 운전 상태를 포함할 수 있고, 급가속(또는 급감속) 변화 정도가 크거나, 급가속(또는 급감속) 변화 주기가 많다면, 부주의한 운전 상태인 것으로 추정되는 것이다. 한편, 본 발명에서는 졸음 운전 또는 음주 운전 이외에도 정상 범위를 벗어나는 다른 운전 패턴을 보이는 경우, 이들을 포함하는 개념으로 부주의 운전을 정의한다.

또한, 이러한 급가속(또는 급감속) 변화 정도가 큰지 여부는 소정의 임계치를 기준으로 판단되어, 해당 임계치를 초과하는 경우 부주의한 운전 상태인 것으로 추정될 수 있다. 그리고 이러한 임계치 정보는 메모리(미도시)에 미리 설정되어 저장될 수 있다.

또 한편, 급가속(또는 급감속) 변화 주기가 많은지 여부는 또 다른 소정의 임계치를 기준으로 판단되어, 해당 임계치를 초과하는 경우 부주의한 운전 상태인 것으로 추정될 수 있다. 그리고 이러한 임계치 정보는 메모리(미도시)에 미리 설정되어 저장될 수 있다.

<조향각의 변화 정도에 따른 부주의 운전 상태 추정>

예를 들어, 학습 모델(151)의 입력노드(들)로 제공되는 하나 또는 그 이상의 센싱 데이터는, 차속 센서에 의해 센싱된 속도 데이터, 조향 센서에 의해 센싱된 핸들 회전 속도 데이터, 조향 센서에 의해 센싱된 핸들 회전 각도 데이터, 조향 센서에 의해 센싱된 핸들 회전 방향 데이터를 포함하고, 학습 모델(151)의 출력노드(들)는 조향각의 변화 정도에 따른 부주의 운전 상태를 가리키는 출력 데이터를 포함한다. 이에 따라, 추정된 운전자의 운전 상태는 조향각의 변화 정도에 따른 부주의 운전 상태를 포함한다.

예를 들어, 부주의 운전 상태는 졸음 운전 상태 또는 음주 운전 상태를 포함할 수 있고, 조향각의 변화 정도가 크거나, 조향각의 변화 주기가 많다면, 부주의한 운전 상태인 것으로 추정되는 것이다. 한편, 본 발명에서는 졸음 운전 또는 음주 운전 이외에도 정상 범위를 벗어나는 다른 운전 패턴을 보이는 경우, 이들을 포함하는 개념으로 부주의 운전을 정의한다.

또한, 이러한 조향각의 변화 정도가 큰지 여부는 소정의 임계치를 기준으로 판단되어, 해당 임계치를 초과하는 경우 부주의한 운전 상태인 것으로 추정될 수 있다. 그리고 이러한 임계치 정보는 메모리(미도시)에 미리 설정되어 저장될 수 있다.

또 한편, 조향각의 변화 주기가 많은지 여부는 또 다른 소정의 임계치를 기준으로 판단되어, 해당 임계치를 초과하는 경우 부주의한 운전 상태인 것으로 추정될 수 있다. 그리고 이러한 임계치 정보는 메모리(미도시)에 미리 설정되어 저장될 수 있다.

<운전자의 피로도 측정에 따른 졸음 운전 상태 추정>

예를 들어, 학습 모델(151)의 입력노드(들)로 제공되는 하나 또는 그 이상의 센싱 데이터는, 산소포화도 센서에 의한 산소량 정보를 포함하고, 학습 모델(151)의 출력노드(들)는 운전자의 피로도 측정에 따른 졸음 운전 상태를 가리키는 출력 데이터를 포함한다. 이에 따라, 추정된 운전자의 운전 상태는 운전자의 피로도 측정에 따른 졸음 운전 상태를 포함한다.

예를 들어, 측정된 혈액 내 산소포화도가 정상 범위를 벗어난 경우, 졸음 운전 중인 것으로 판단될 수 있다.

산소포화도의 정상 범위에 관련된 정보는 메모리(미도시)에 미리 설정되어 저장될 수 있다.

<운전자의 발열 상태에 따른 음주 운전 상태 추정>

예를 들어, 학습 모델(151)의 입력노드(들)로 제공되는 하나 또는 그 이상의 센싱 데이터는, 적외선 센서에 의한 온도 정보를 포함하고, 학습 모델(151)의 출력노드(들)는 운전자의 발열 상태에 따른 음주 운전 상태를 가리키는 출력 데이터를 포함한다. 이에 따라, 추정된 운전자의 운전 상태는 운전자의 발열 상태에 따른 음주 운전 상태를 포함한다.

예를 들어, 측정된 운전자의 발열 온도가 정상 범위를 벗어난 경우, 음주 운전 중인 것으로 판단될 수 있다.

발열 온도의 정상 범위에 관련된 정보는 메모리(미도시)에 미리 설정되어 저장될 수 있다.

이와 같이, 도 1에 도시된 실시 형태에 따른 이동체(100)는, 센싱 데이터 출력부(110)로부터 출력되는 하나 또는 그 이상의 센싱 데이터가 운전 상태 추정부(150)의 학습 모델(151)로 제공된다. 학습 모델(151)은 제공되는 센싱 데이터를 입력으로 하여 소정의 출력 데이터를 출력하는데, 출력 데이터는 소정의 운전 상태와 대응된다. 그리고, 학습 모델(151)은 출력 데이터를 기초로 학습 모델(151)의 내부의 변수를 갱신하여 기계 학습을 수행한다.

한편, 도 1에 도시하지 않았지만, 센싱 데이터 출력부(110)와 운전 상태 추정부(150) 사이에 전처리부(미도시)가 배치될 수 있다. 전처리부(미도시)는 운전 상태 추정부(150) 내의 학습 모델(151) 앞단에 배치될 수도 있다.

전처리부(미도시)는 센싱 데이터 출력부(110)에서 제공되는 하나 또는 그 이상의 센싱 데이터를 가공한다. 전처리부(미도시)에서 가공된 하나 또는 그 이상의 센싱 데이터가 운전 상태 추정부(150)로 제공된다. 여기서, 전처리부(미도시)가 하나 또는 그 이상의 센싱 데이터를 가공한다는 것은 센싱 데이터를 정규화하는 것일 수 있다. 정규화는 운전 상태 추정부(150)의 학습 모델(151)의 셀 포화 현상을 줄일 수 있다.

또한, 도 1에 도시하지 않았지만, 이동체(100)는 메모리부(미도시)를 더 포함할 수 있다. 메모리부(미도시)는 센싱 데이터 출력부(110)로부터 제공되는 하나 또는 그 이상의 센싱 데이터를 별도로 저장할 수 있다.

도 3은 본 발명의 다른 실시 형태에 따른 이동체의 블록도이다.

도 3에 도시된 본 발명의 다른 실시 형태에 따른 이동체(100')는, 도 1에 도시된 본 발명의 실시 형태에 따른 이동체(100)와 비교하여, 운전 상태 추정부(150')에서 차이가 있고, 센싱 데이터 출력부(110)와 수행부(160)는 동일하다. 따라서, 이하에서는 운전 상태 추정부(150')에 대해서 구체적으로 설명한다.

운전 상태 추정부(150')는 다수의 학습 모델(151a, 151b)을 포함한다. 다수의 학습 모델(151a, 151b)은 적어도 제1 학습 모델(151a)과 제2 학습 모델(151b)를 포함할 수 있다. 다수의 학습 모델(151a, 151b) 각각은 도 2에 도시된 신경망일 수 있다. 다수의 학습 모델(151a, 151b)은 센싱 데이터 출력부(110)로부터 제공되는 하나 또는 그 이상의 센싱 데이터(들)을 기초로 운전자의 운전 상태를 추정하고, 다수의 학습 모델(151a, 151b) 각각은 운전 상태의 추정과 함께 내부에 현재 셋팅된 변수를 갱신한다.

구체적으로, 센싱 데이터 출력부(110)로부터 제공되는 하나 또는 그 이상의 센싱 데이터(들)는 제1 학습 모델(151a)로 입력되고, 제1 학습 모델(151a)에서는 기계 학습 수행 결과 소정의 출력 데이터(들)를 출력한다. 제1 학습 모델(151a)에서 출력되는 소정의 출력 데이터(들)는 제2 학습 모델(151b)로 입력되고, 제2 학습 모델(151b)에서는 다시 기계 학습을 수행하여 소정의 출력 데이터(들)를 출력한다. 여기서, 제1 학습 모델(151a)에서 출력되는 출력 데이터(들)를 중간 데이터라고 명명할 수도 있다.

제2 학습 모델(151b)에서 출력하는 출력 데이터(들)는 운전자의 운전 상태와 연관된다. 즉, 제2 학습 모델(151b)에서 출력되는 출력 데이터(들)이 운전자의 운전 상태를 지시하는 값으로 이용될 수 있다.

한편, 센싱 데이터 출력부(110)에서 제공되는 모든 센싱 데이터가 제1 학습 모델(151a)로 입력되지 않을 수도 있다. 다시 말해, 센싱 데이터 출력부(110)에서 제공되는 센싱 데이터 중 일부 센싱 데이터가 제1 학습 모델(151a)로 입력되지 않고, 제2 학습 모델(151b)로 바로 입력될 수 있다. 제2 학습 모델(151b)은 제1 학습 모델(151a)로부터 출력되는 출력 데이터와 센싱 데이터 출력부(110)에서 제공되는 센싱 데이터를 입력 데이터로 이용할 수 있다.

도 3에서는 운전 상태 추정부(150') 내의 학습 모델을 2개 사용하였지만, 학습 모델은 3 이상일 수 있다. 여기서, 3 이상의 학습 모델은 이전 학습 모델의 출력 데이터가 다음 학습 모델의 입력 데이터로 이용될 수도 있고, 센싱 데이터 출력부(110)으로부터 제공되는 센싱 데이터 중 일부의 센싱 데이터가 하나의 학습 모델로 입력되고, 다른 일부의 센싱 데이터가 다른 하나의 학습 모델로 입력되며, 하나의 학습 모델과 다른 하나의 학습 모델에서 출력되는 출력 데이터가 또 다른 학습 모델로 입력될 수도 있다.

도 3에 도시된 본 발명의 다른 실시 형태에 따른 이동체(100')는, 도 1에 도시된 본 발명의 실시 형태에 따른 이동체(100)와 비교하여, 다수의 학습 모델을 이용하여 운전자의 운전 상태를 추정한다. 따라서, 운전 추정 결과가 더 빠르고 신속하게 이뤄질 수도 있고, 각 학습 모델 내의 변수의 최적화가 빠르게 이뤄질 수도 있는 이점이 있다.

한편, 도 3에 도시된 본 발명의 다른 실시 형태에 따른 이동체(100')에서도 앞서 설명한 <급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태 추정>, <조향각의 변화 정도에 따른 부주의 운전 상태 추정>, <운전자의 피로도 측정에 따른 졸음 운전 상태 추정>, <운전자의 발열 상태에 따른 음주 운전 상태 추정> 이 동일/유사하게 적용될 수 있다.

도 4는 본 발명의 또 다른 실시 형태에 따른 이동체의 블록도이다.

도 4에 도시된 본 발명의 또 다른 실시 형태에 따른 이동체(100'')는, 도 1에 도시된 본 발명의 실시 형태에 따른 이동체(100)와 비교하여, 운전 상태 추정부(150'')에서 차이가 있고, 센싱 데이터 출력부(110)와 수행부(160)는 동일하다. 따라서, 이하에서는 운전 상태 추정부(150'')에 대해서 구체적으로 설명한다.

운전 상태 추정부(150'')는 학습 모델(151)과 피드백부(153)을 포함한다. 학습 모델(151)은 도 1에 도시된 학습 모델(151)과 같은 것으로 구체적인 설명은 생략한다.

피드백부(153)는 학습 모델(151)의 변수의 갱신 여부를 판정하고, 판정 여부에 따라 학습 모델(151)의 변수 갱신을 제어할 수 있다.

피드백부(153)는 학습 모델(151)의 출력 데이터를 수신하고, 수신된 출력 데이터를 기초로 학습 모델(151)의 변수 갱신 여부를 판정한다. 예를 들어, 학습 모델(151)에서 출력되는 출력 데이터가 소정의 운전 상태 추정값을 나타내는 경우에, 피드백부(153)는 학습 모델(151)에서 출력되는 운전 상태 추정값이 비정상적인 출력 데이터인지를 판별한다. 즉, 운전 상태 추정값이 정상범위를 벗어난 데이터인지를 판별한다. 만약, 학습 모델(151)에서 출력되는 출력 데이터가 비정상적인 데이터가 아니면, 피드백부(153)는 학습 모델(151)의 추후의 변수 갱신, 즉 재 반복적인 기계학습을 허용하고, 반대로 비정상적인 데이터이면 피드백부(153)은 학습 모델(151)의 추후의 변수 갱신, 즉 재 반복적인 기계학습을 불허한다.

이러한 피드백부(153)를 통해 비정상적인 운전 상태인 것으로 판단되는 경우, 수행부(160)를 통한 경보음을 울리거나 경보이미지를 출력하고, 더 이상의 재 반복적인 기계학습을 불허함으로써, 운전 상태 추정부의 기계 학습 수행에 대한 과부하를 예방할 수 있게 된다.

한편, 도 4에 도시된 학습 모델(151)은 도 3에 도시된 다수의 학습 모델(151a, 151b)로 대체될 수 있다. 이 경우, 피드백부(153)는 다수의 학습 모델(151a, 151b) 각각의 변수 갱신 여부를 판별하고, 다수의 학습 모델(151a, 151b) 각각의 변수 갱신을 제어할 수 있다.

한편, 도 4에 도시된 본 발명의 다른 실시 형태에 따른 이동체(100'')에서도 앞서 설명한 <급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태 추정>, <조향각의 변화 정도에 따른 부주의 운전 상태 추정>, <운전자의 피로도 측정에 따른 졸음 운전 상태 추정>, <운전자의 발열 상태에 따른 음주 운전 상태 추정> 이 동일/유사하게 적용될 수 있다.

도 5는 본 발명의 또 다른 실시 형태에 따른 이동체의 블록도이다.

도 5에 도시된 본 발명의 또 다른 실시 형태에 따른 이동체(100''')는, 도 1에 도시된 본 발명의 실시 형태에 따른 이동체(100)와 비교하여, 운전 상태 추정부(150''')에서 차이가 있고, 센싱 데이터 출력부(110)와 수행부(160)는 동일하다.

따라서, 이하에서는 운전 상태 추정부(150''')에 대해서 구체적으로 설명한다.

운전 상태 추정부(150''')는 학습 모델(151)과 운전 상태 세분화부(155)를 포함한다. 학습 모델(151)은 도 1에 도시된 학습 모델(151)과 같은 것으로 구체적인 설명은 생략한다.

운전 상태 세분화부(155)는 학습 모델(151)로부터 출력되는 운전 상태 추정값을 세분화하고, 운전 상태 추정부(150''')는 운전 상태 세분화부(155)로부터 출력된 세분화된 운전 상태 추정값에 기초하여 운전자의 운전 상태를 추정할 수 있게 된다.

예를 들어, 학습 모델(151)로부터 출력되는 운전 상태 추정값은 더 이상 세분화가 필요없는 '졸음 운전 상태' 또는 '음주 운전 상태' 정보의 형태로 출력될 수 있으나, 또 한편, 학습 모델(151)로부터 출력되는 운전 상태 추정값은 '부주의 운전 상태' 정보의 형태로 출력될 수도 있다. 후자의 경우에, 운전 상태 추정값은 2차로 세분화될 필요가 있으며, 이에 따라 운전 상태 세분화부(155)는 이를 세분화하게 된다.

운전 상태 세분화부(155)는 학습 모델(151)에서 이용되는 신경망이 아닌, 별도의 소정의 알고리즘으로 구현될 수 있다.

운전 상태 추정부(150''')는 운전 상태 세분화부(155)로부터 출력된 세분화된 운전 상태 추정값에 기초하여 운전자의 운전 상태를 추정할 수 있게 되므로, 운전 성향 판단의 오류나 불완전성을 도 1에 도시된 운전 상태 추정부(150)보다 더 낮출 수 있는 이점이 있다.

한편, 도 5에 도시된 학습 모델(151)은 도 3에 도시된 다수의 학습 모델(151a, 151b)로 대체될 수 있다. 이 경우, 운전 상태 세분화부(155)는 하나 또는 다수의 학습 모델로부터 소정의 출력 데이터들을 제공받고, 제공된 출력 데이터들을 각각 세분화하여 출력할 수 있다.

한편, 도 5에 도시된 본 발명의 다른 실시 형태에 따른 이동체(100''')에서도 앞서 설명한 <급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태 추정>, <조향각의 변화 정도에 따른 부주의 운전 상태 추정>, <운전자의 피로도 측정에 따른 졸음 운전 상태 추정>, <운전자의 발열 상태에 따른 음주 운전 상태 추정> 이 동일/유사하게 적용될 수 있다.

도 6은 본 발명의 실시 형태에 따른 운전 상태 추정 시스템의 블록도이다.

도 6을 참조하면, 본 발명의 실시 형태에 따른 운전 상태 추정 시스템은, 이동체(100'''')와 서버(300)를 포함한다.

이동체(100'''')는 하나 또는 복수의 이동체를 포함한다. 이동체(100''')는 센싱 데이터 출력부(110), 수행부(160), 통신부(170)를 포함한다.

센싱 데이터 출력부(110)와 수행부(160)는 도 1에 도시된 센싱 데이터 출력부(110) 및 수행부(160)와 동일하다. 따라서, 구체적인 설명은 생략한다.

통신부(170)는 센싱 데이터 출력부(110)로부터 출력되는 하나 또는 그 이상의 센싱 데이터를 수신하고, 네트워크를 통하여 통신을 수행하는 서버(300)로 수신된 센싱 데이터를 전송한다. 통신부(170)는 수신된 센싱 데이터를 가공, 변조 또는 암호화 등의 처리를 한 후에 서버(300)로 전송할 수도 있다.

서버(300)는 운전 상태 추정부(350)와 통신부(370)을 포함한다. 운전 상태 추정부(350)는 도 1 내지 도 5에 도시된 운전 상태 추정부(150, 150', 150'', 150''') 중 어느 하나일 수 있다.

통신부(370)는 이동체(100'''')의 통신부(170)와 유/무선 네트워크를 통해 통신을 수행하여 이동체(100'''')의 통신부(170)로부터 소정의 데이터를 수신한다. 수신된 데이터는 이동체(100'''')의 센싱 데이터 출력부(110)로부터 출력된 하나 또는 그 이상의 센싱 데이터를 포함한다. 통신부(370)는 이동체(100'''')의 통신부(170)로부터 수신된 소정의 데이터를 가공, 복조 또는 복호화 등의 처리를 하여 센싱 데이터 출력부(110)로부터 출력된 하나 또는 그 이상의 센싱 데이터를 추출할 수 있다. 통신부(370)는 추출된 센싱 데이터를 운전 상태 추정부(350)로 제공한다.

운전 상태 추정부(350)는 통신부(370)로부터 하나 또는 그 이상의 센싱 데이터를 수신하고, 추정된 운전 상태에 관한 데이터를 통신부(370)로 제공할 수 있다. 또한, 통신부(370)는 추정된 운전 상태에 관한 데이터를 이동체(100'''')로 전송할 수 있다.

통신부(170)는 통신부(370)로부터 추정된 운전 상태에 관한 데이터를 수신하여 이동체(100'''')의 수행부(160)로 전송할 수 있다.

그리고 수행부(160)는 추정된 운전 상태에 관한 데이터를 이용하여, 추정된 운전자의 운전 상태에 대응하는 동작을 수행할 수 있다.

도 6에 도시된 운전 상태 추정 시스템은, 이동체(100'''')가 아닌 서버(300)에서 운전 상태를 추정한다는 점에서, 도 1, 도 3, 도 4 및 도 5에 도시된 이동체와 차이가 있다. 운전 상태 추정이 서버(300)에서 이뤄지므로, 운전 상태 추정부의 일괄적인 관리가 용이한 이점이 있다.

한편, 도 6에 도시된 본 발명의 실시 형태에 따른 운전 상태 시스템에서도 앞서 설명한 <급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태 추정>, <조향각의 변화 정도에 따른 부주의 운전 상태 추정>, <운전자의 피로도 측정에 따른 졸음 운전 상태 추정>, <운전자의 발열 상태에 따른 음주 운전 상태 추정> 이 동일/유사하게 적용될 수 있다.

도 7은 본 발명의 또 다른 실시 형태에 따른 이동체의 블록도이다.

도 7을 참조하면, 본 발명의 또 다른 실시 형태에 따른 이동체(200)는 센싱 데이터 출력부(210), 학습부(230), 갱신부(240), 운전 상태 추정부(250), 수행부(260)를 포함한다.

센싱 데이터 출력부(210) 및 수행부(260)는 도 1에 도시된 센싱 데이터 출력부(110) 및 수행부(160)와 동일할 수 있다. 따라서, 이에 대한 구체적인 설명은 도 1에 도시된 센싱 데이터 출력부(110) 및 수행부(160)의 설명으로 대체한다.

센싱 데이터 출력부(210)는 하나 또는 그 이상의 센싱 데이터를 출력하고, 출력되는 센싱 데이터는 학습부(230)와 운전 상태 추정부(250)로 제공될 수 있다.

학습부(230)는 센싱 데이터에 기초하여 기계 학습을 수행하는 학습 모델을 갖고, 해당 학습 모델에 기초하여 기계 학습을 수행할 수 있다. 여기서, 학습 모델은 도 2에 도시된 신경망일 수 있다.

학습부(230)는 운전 상태 추정부(250)의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성할 수 있다. 갱신 데이터는 학습부(230)의 기계 학습된 학습 모델의 변수(또는 가중치)에 관한 정보를 포함한다. 예를 들어, 센싱 데이터에 의해 기계 학습된 학습 모델이 현재 소정의 변수로 셋팅되어 있는 것으로 가정하면, 학습부(230)는 상기 현재의 소정의 변수에 관한 정보를 갱신 데이터로서 생성할 수 있다.

학습부(230)는 생성된 갱신 데이터를 갱신부(240)로 제공한다.

갱신부(240)는 학습부(230)로부터 제공된 갱신 데이터에 기초하여 운전 상태 추정부(250)를 제어한다. 구체적으로, 갱신부(240)는 제공된 갱신 데이터에 따라 운전 상태 추정부(250)의 소정의 변수를 갱신하도록 제어한다.

운전 상태 추정부(250)는 센싱 데이터 출력부(210)로부터 제공되는 하나 또는 그 이상의 센싱 데이터와 갱신부(240)로부터 제공되는 갱신된 소정의 변수에 기초하여 운전자의 운전 상태를 추정한다. 이를 위해, 운전 상태 추정부(250)는 소정의 학습 모델 또는 알고리즘을 가질 수 있다. 여기서, 운전 상태 추정부(250)가 갖는 학습 모델은 학습부(230)가 갖는 학습 모델과 동일할 수도 있고, 학습부(230)가 갖는 학습 모델과 다르지만 도 2에 도시된 바와 같은 또 다른 신경망일 수 있다. 이 경우, 운전 상태 추정부(250)의 학습 모델은 소정의 변수를 갖는다. 소정의 변수는 갱신부(240)에 의해 갱신된다. 한편, 운전 상태 추정부(250)는 소정의 알고리즘일 수 있는데, 이 경우 소정의 알고리즘은 갱신 데이터에 기초하여 제어될 수 있다.

일 예로, 학습부(230)의 학습 모델과 운전 상태 추정부(250)의 학습 모델이 동일한 경우, 센싱 데이터 출력부(210)로부터 출력되는 하나 또는 그 이상의 센싱 데이터는 학습부(230)의 학습 모델의 입력노드로 입력되고, 이를 통해 학습부(230)의 학습 모델은 기계 학습을 수행한다. 학습부(230)의 학습 모델의 기계 학습에 의해 학습 모델의 소정의 변수는 갱신된다. 학습부(230)는 갱신된 소정의 변수에 관한 정보를 갱신 데이터로서 출력한다. 출력된 갱신 데이터는 갱신부(240)로 제공되고, 갱신부(240)는 갱신 데이터에 기초하여 운전 상태 추정부(250)의 학습 모델의 소정의 변수를 갱신한다.

수행부(260)는 추정된 운전자의 운전 상태를 기초로 추정된 운전자의 운전 상태에 대응하는 동작을 수행한다.

도 7에 도시된 본 발명의 실시 형태에 따른 이동체(200)는, 도 1에 도시된 이동체(100)와 비교하여, 학습부(230)와 운전 상태 추정부(250)가 구분된다. 학습부(230)와 운전 상태 추정부(250)가 구분되는 것에 의해서, 도 1에 도시된 이동체(100)에서 얻을 수 없는 효과를 발휘할 수 있다.

예를 들어, 도 7에 도시된 본 발명의 실시 형태에 따른 이동체(200)는, 학습부(230)의 갱신된 변수 정보가 시스템 에러로 삭제되는 경우에도, 운전상태추정부(250)의 갱신된 변수 정보가 별도로 저장되어 있으므로, 학습부(230)의 변수 정보에 대한 복구가 용이해질 수 있다.

한편, 도 7에 도시된 운전 상태 추정부(250)는 도 3 내지 도 5에 도시된 운전 상태 추정부(150', 150'', 150''')로 대체될 수 있다. 이 경우, 도 3 내지 도 5에 도시된 운전 상태 추정부의 기능이 동일/유사하게 적용될 수 있다.

한편, 도 7에 도시된 본 발명의 실시 형태에 따른 이동체(200)에서도 앞서 설명한 <급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태 추정>, <조향각의 변화 정도에 따른 부주의 운전 상태 추정>, <운전자의 피로도 측정에 따른 졸음 운전 상태 추정>, <운전자의 발열 상태에 따른 음주 운전 상태 추정> 이 동일/유사하게 적용될 수 있다.

도 8은 본 발명의 다른 실시 형태에 따른 운전 상태 추정 시스템의 블록도이다.

도 8을 참조하면, 본 발명의 다른 실시 형태에 따른 운전 상태 추정 시스템은 이동체(200')와 서버(300)을 포함한다.

이동체(200')는 하나 또는 복수의 이동체로 구성되고, 센싱 데이터 출력부(210), 갱신부(240), 운전 상태 추정부(250), 제1통신부(270), 수행부(260)를 포함한다.

센싱 데이터 출력부(210)는 도 7에 도시된 센싱 데이터 출력부(210)와, 갱신부(240)는 도 7에 도시된 갱신부(240)와, 운전 상태 추정부(250)는 도 7에 도시된 운전 상태 추정부(250)와, 수행부(260)는 도 7에 도시된 수행부(260)와 동일하다. 다만, 센싱 데이터 출력부(210)는 하나 또는 그 이상의 센싱 데이터를 통신부(270)로 전송하고, 갱신부(240)는 제1통신부(270)로부터 갱신 데이터를 수신한다.

제1통신부(270)는 센싱 데이터 출력부(210)로부터 수신된 하나 또는 그 이상의 센싱 데이터를 네트워크를 통해 통신을 수행하는 서버(300)로 전송한다. 통신부(370)는 수신된 센싱 데이터를 가공, 변조 또는 암호화 등의 처리를 한 후에 서버(300)로 전송할 수도 있다.

서버(300)는 학습부(330)와 제2통신부(370)을 포함한다. 학습부(330)는 도 7에 도시된 학습부(230)와 동일하다. 다만, 학습부(230)는 통신부(370)로부터 하나 또는 그 이상의 센싱 데이터를 제공받는다.

통신부(370)는 이동체(200')의 통신부(270)로부터 소정의 데이터를 수신한다. 수신된 데이터는 이동체(200')의 센싱 데이터 출력부(210)로부터 출력된 하나 또는 그 이상의 센싱 데이터를 포함한다. 통신부(370)는 이동체(200')의 통신부(270)로부터 수신된 소정의 데이터를 가공, 복조 또는 복호화 등의 처리를 하여 센싱 데이터 출력부(210)로부터 출력된 하나 또는 그 이상의 센싱 데이터를 추출할 수 있다. 통신부(370)는 추출된 센싱 데이터를 학습부(330)로 제공한다.

도 8에 도시된 운전 상태 시스템은, 도 7과 다르게, 이동체(200')가 아닌 서버(300)에서 기계 학습을 수행하는 학습 모델이 구비되고, 서버(300)가 아닌 이동체(200')에서 운전 상태가 추정된다. 기계 학습이 서버(300)에서 이뤄지기 때문에, 신뢰할 수 있는 운전 상태를 추정할 수 있고, 관리가 용이한 이점이 있다.

한편, 도 8에 도시된 본 발명의 실시 형태에 따른 운전 상태 시스템에서도 앞서 설명한 <급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태 추정>, <조향각의 변화 정도에 따른 부주의 운전 상태 추정>, <운전자의 피로도 측정에 따른 졸음 운전 상태 추정>, <운전자의 발열 상태에 따른 음주 운전 상태 추정> 이 동일/유사하게 적용될 수 있다.

도 9는 본 발명의 또 다른 실시 형태에 따른 운전 상태 추정 시스템의 블록도이다.

도 9를 참조하면, 본 발명의 다른 실시 형태에 따른 운전 상태 추정 시스템은 이동체(200'')와 서버(300)을 포함한다.

이동체(200'')는 하나 또는 복수의 이동체로 구현되며, 센싱 데이터 출력부(210), 제1통신부(270), 수행부(260)를 포함한다.

센싱 데이터 출력부(210)는 도 7에 도시된 센싱 데이터 출력부(210)와 동일하다. 다만, 센싱 데이터 출력부(210)는 하나 또는 그 이상의 센싱 데이터를 제1통신부(270)로 전송한다. 수행부(260)는 도 7의 수행부(260)와 동일하다.

제1통신부(270)는 센싱 데이터 출력부(210)로부터 수신된 하나 또는 그 이상의 센싱 데이터를 네트워크를 통해 통신을 수행하는 서버(300)로 전송한다. 제1통신부(270)는 수신된 센싱 데이터를 가공, 변조 또는 암호화 등의 처리를 한 후에 서버(300)로 전송할 수도 있다.

서버(300')는 학습부(330), 갱신부(340), 운전 상태 추정부(350) 및 제2통신부(370)를 포함한다. 학습부(330)는 도 7에 도시된 학습부(230)와, 갱신부(340)는 도 7에 도시된 갱신부(240)와, 운전 상태 추정부(350)는 도 7에 도시된 운전 상태 추정부(250)와 동일하다. 다만, 학습부(230)는 통신부(370)로부터 하나 또는 그 이상의 센싱 데이터를 제공받는다.

제2통신부(370)는 이동체(200'')의 통신부(270)로부터 소정의 데이터를 수신한다. 수신된 데이터는 이동체(200'')의 센싱 데이터 출력부(210)로부터 출력된 하나 또는 그 이상의 센싱 데이터를 포함한다. 제2통신부(370)는 이동체(200'')의 제1통신부(270)로부터 수신된 소정의 데이터를 가공, 복조 또는 복호화 등의 처리를 하여 센싱 데이터 출력부(210)로부터 출력된 하나 또는 그 이상의 센싱 데이터를 추출할 수 있다. 통신부(370)는 추출된 센싱 데이터를 학습부(330)로 제공한다.

도 9에 있어서, 운전 상태 추정부(350)는 운전 상태 추정 정보를 제2통신부(370)로 전송하고, 제2통신부(370)는 해당 운전 상태 추정 정보를 제1통신부(270)로 전송함으로서, 수행부(260)는 제1통신부(270)로부터 수신한 운전 상태 추정 정보를 기초로 운전 상태 추정 정보에 해당하는 동작을 수행한다.

도 9에 도시된 운전 상태 추정 시스템은, 이동체(200'')가 아닌 서버(300)에서 기계 학습을 수행하는 학습 모델이 구비되고, 운전 상태가 추정된다. 도 9에 도시된 운전 상태 추정 시스템은 서버(300)에서 기계 학습과 운전 상태가 추정되므로, 신뢰할 수 있는 운전 상태를 추정할 수 있고, 관리가 용이한 이점이 있다.

한편, 도 9에 도시된 본 발명의 실시 형태에 따른 운전 상태 시스템에서도 앞서 설명한 <급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태 추정>, <조향각의 변화 정도에 따른 부주의 운전 상태 추정>, <운전자의 피로도 측정에 따른 졸음 운전 상태 추정>, <운전자의 발열 상태에 따른 음주 운전 상태 추정> 이 동일/유사하게 적용될 수 있다.

이상에서 실시 형태들에 설명된 특징, 구조, 효과 등은 본 발명의 하나의 실시 형태에 포함되며, 반드시 하나의 실시 형태에만 한정되는 것은 아니다. 나아가, 각 실시 형태에서 예시된 특징, 구조, 효과 등은 실시 형태들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 형태들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

센싱 데이터를 출력하는 하나 또는 그 이상의 센싱 데이터 출력부;
상기 센싱 데이터 출력부로부터 제공되는 상기 센싱 데이터를 입력 데이터로 하는 학습 모델을 기초로 기계 학습을 수행하고, 상기 출력되는 센싱 데이터를 상기 기계 학습이 수행된 학습 모델에 적용하여 출력되는 운전 상태 추정값을 기초로 운전자의 운전 상태를 추정하는, 운전 상태 추정부; 및
상기 추정된 운전자의 운전 상태에 기초하여, 상기 추정된 운전자의 운전 상태에 대응하는 동작을 수행하는 수행부;를 포함하고,
상기 운전 상태 추정부는, 상기 학습 모델로부터 출력되는 상기 운전 상태 추정값에 기초하여 상기 학습 모델의 추후 기계 학습 수행 여부를 판정하는 피드백부;를 더 포함하며,
상기 학습 모델로부터 출력되는 상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백부는 상기 학습 모델의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백부는 상기 학습 모델의 상기 재 기계학습을 불허하고 상기 수행부는 상기 운전자의 운전을 제한하는 동작을 수행하는,
이동체.
제 1 항에 있어서,
상기 학습 모델은 제1 학습 모델과 제2 학습 모델을 포함하고,
상기 운전 상태 추정부는, 상기 센싱 데이터를 입력 데이터로 하는 상기 제1 학습 모델에 기초하여 기계 학습을 수행하며, 상기 제1 학습 모델로부터 출력되는 출력 데이터를 입력 데이터로 하는 상기 제2 학습 모델에 기초하여 기계 학습을 수행하는, 이동체.
삭제
제 1 항에 있어서,
상기 운전 상태 추정부는, 상기 학습 모델로부터 출력되는 상기 운전 상태 추정값을 세분화하는 운전 상태 세분화부;를 더 포함하고,
상기 운전 상태 추정부는, 상기 운전 상태 세분화부로부터 출력된 상기 세분화된 운전 상태 추정값에 기초하여 상기 운전자의 운전 상태를 추정하는, 이동체.
삭제
센싱 데이터 출력부로부터 하나 또는 그 이상의 센싱 데이터가 출력되는 데이터 출력 단계;
상기 출력되는 센싱 데이터를 입력 데이터로 하는 학습 모델을 기초로 기계 학습을 수행하는 기계 학습 단계;
상기 출력되는 센싱 데이터를 상기 학습 모델에 적용하여 출력되는 운전 상태 추정값을 기초로 운전자의 운전 상태를 추정하는 운전 상태 추정 단계; 및
상기 추정된 운전자의 운전 상태에 기초하여, 상기 추정된 운전자의 운전 상태에 대응하는 동작을 수행하는 단계;를 포함하고,
상기 운전 상태 추정 단계는, 상기 학습 모델로부터 출력되는 상기 운전 상태 추정값에 기초하여 상기 학습 모델의 추가 기계 학습 여부를 판정하는 피드백 단계;를 더 포함하고,
상기 학습 모델로부터 출력되는 상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백 단계를 통해 상기 학습 모델의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백 단계를 통해 상기 학습 모델의 상기 재 기계학습을 불허하고 상기 운전자의 운전을 제한하는 동작을 수행하는,
운전 상태 추정 방법.
제 6 항에 있어서,
상기 학습 모델은 제1 학습 모델과 제2 학습 모델을 포함하고,
상기 기계 학습 단계는, 상기 센싱 데이터를 입력 데이터로 하는 상기 제1 학습 모델에 기초하여 기계 학습을 수행하는 단계 및 상기 제1 학습 모델로부터 출력되는 출력 데이터를 입력 데이터로 하는 상기 제2 학습 모델에 기초하여 기계 학습을 수행하는 단계를 포함하는, 운전 상태 추정 방법.
삭제
제 6 항에 있어서,
상기 운전 상태 추정 단계는, 상기 학습 모델로부터 출력되는 상기 운전 상태 추정값을 세분화하는 단계 및 상기 세분화된 운전 상태 추정값에 기초하여 상기 운전자의 운전 상태를 추정하는 단계를 포함하는, 운전 상태 추정 방법.
삭제
이동체와 네트워크를 통하여 통신을 행하는 서버를 갖는 운전 상태 추정 시스템으로서,
상기 이동체는,
센싱 데이터를 출력하는 하나 또는 그 이상의 센싱 데이터 출력부; 및
상기 출력된 센싱 데이터를 상기 서버에 송신하는 통신부;를
포함하고,
상기 서버는,
상기 이동체로부터 상기 센싱 데이터를 수신하는 통신부; 및
상기 수신된 상기 센싱 데이터를 입력 데이터로 하는 학습 모델을 기초로 기계 학습을 수행하고, 상기 출력되는 센싱 데이터를 상기 학습 모델에 적용하여 출력되는 운전 상태 추정값을 기초로 운전자의 운전 상태를 추정하는 운전 상태 추정부;를 포함하고,
상기 운전 상태 추정부는, 상기 학습 모델로부터 출력되는 상기 운전 상태 추정값에 기초하여 상기 학습 모델의 추후 기계 학습 수행 여부를 판정하는 피드백부;를 더 포함하며,
상기 학습 모델로부터 출력되는 상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백부는 상기 학습 모델의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백부는 상기 학습 모델의 상기 재 기계학습을 불허하고,
상기 이동체는 상기 운전 상태 추정부로부터 상기 피드백부의 결과를 수신하여 상기 운전자의 운전을 제한하는 동작을 수행하는 수행부;를 포함하는,
운전 상태 추정 시스템.
이동체와 네트워크를 통하여 통신을 행하는 서버에서의 운전 상태 추정 방법으로서,
상기 이동체의 센싱 데이터 출력부로부터 센싱 데이터를 수신하는 단계;
상기 수신되는 센싱 데이터를 입력 데이터로 하는 학습 모델을 기초로 기계 학습을 수행하는 기계 학습 단계;
상기 수신되는 센싱 데이터를 상기 학습 모델에 적용하여 출력되는 운전 상태 추정값을 기초로 운전자의 운전 상태를 추정하는 운전 상태 추정 단계; 및
상기 추정된 운전자의 운전 상태에 기초하여, 상기 추정된 운전자의 운전 상태에 대응하는 동작을 수행하는 단계;를 포함하고,
상기 운전 상태 추정 단계는, 상기 학습 모델로부터 출력되는 상기 운전 상태 추정값에 기초하여 상기 학습 모델의 추가 기계 학습 여부를 판정하는 피드백 단계;를 더 포함하고,
상기 학습 모델로부터 출력되는 상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백 단계를 통해 상기 학습 모델의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백 단계를 통해 상기 학습 모델의 상기 재 기계학습을 불허하고 상기 운전자의 운전을 제한하는 동작을 수행하는,
운전 상태 추정 방법.
이동체와 네트워크를 통하여 통신을 행하는 서버에 있어서,
상기 이동체의 센싱 데이터 출력부로부터 센싱 데이터를 수신하는 통신부; 및
상기 수신되는 센싱 데이터를 입력 데이터로 하는 학습 모델을 기초로 기계 학습을 수행하고, 상기 수신되는 센싱 데이터를 상기 학습 모델에 적용하여 출력되는 운전 상태 추정값을 기초로 운전자의 운전 상태를 추정하는 운전 상태 추정부;를 포함하고,
상기 운전 상태 추정부는, 상기 학습 모델로부터 출력되는 상기 운전 상태 추정값에 기초하여 상기 학습 모델의 추후 기계 학습 수행 여부를 판정하는 피드백부;를 더 포함하며,
상기 학습 모델로부터 출력되는 상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백부는 상기 학습 모델의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백부는 상기 학습 모델의 상기 재 기계학습을 불허하는,
서버.
하나 또는 그 이상의 센싱 데이터를 출력하는 센싱 데이터 출력부;
상기 센싱 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 학습부;
상기 생성된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부;
상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 운전 상태 추정부; 및
상기 추정된 운전자의 운전 상태에 기초하여, 상기 추정된 운전자의 운전 상태에 대응하는 동작을 수행하는 수행부;를 포함하고,
상기 운전 상태 추정부는, 상기 운전 상태를 추정한 운전 상태 추정값에 기초하여 상기 학습부의 추후 기계 학습 수행 여부를 판정하는 피드백부;를 더 포함하며,
상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백부는 상기 학습부의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백부는 상기 학습부의 상기 재 기계학습을 불허하고 상기 수행부는 상기 운전자의 운전을 제한하는 동작을 수행하는,
이동체.
하나 또는 그 이상의 센싱 데이터 출력부를 이용하여 센싱 데이터를 취득하는 단계;
상기 취득된 센싱 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 학습 단계;
상기 생성된 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 단계;
상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 운전 상태 추정 단계; 및
상기 추정된 운전자의 운전 상태에 기초하여, 상기 추정된 운전자의 운전 상태에 대응하는 동작을 수행하는 단계;를 포함하고,
상기 운전 상태 추정 단계는, 상기 운전 상태를 추정한 운전 상태 추정값에 기초하여 상기 학습 모델의 추가 기계 학습 여부를 판정하는 피드백 단계;를 더 포함하고,
상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백 단계를 통해 상기 학습 모델의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백 단계를 통해 상기 학습 모델의 상기 재 기계학습을 불허하고 상기 운전자의 운전을 제한하는 동작을 수행하는,
이동체의 운전 상태 추정 방법.
이동체와 네트워크를 통하여 통신를 행하는 서버를 가지는 운전 상태 추정 시스템으로서,
상기 이동체는,
하나 또는 그 이상의 센싱 데이터를 출력하는 센싱 데이터 출력부; 및
상기 센싱 데이터를 학습용 데이터로서 상기 서버에 송신하는 제1통신부;를 포함하고,
상기 서버는,
상기 이동체로부터 상기 학습용 데이터를 수신하는 제2통신부; 및
상기 학습용 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 학습부;를 포함하고,
상기 제2통신부는 상기 학습부로부터 상기 갱신 데이터를 수신하고,
상기 제1통신부는 상기 제2통신부로부터 상기 갱신 데이터를 수신하고,
상기 이동체는,
상기 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부; 및
상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 운전 상태 추정부; 및
상기 추정된 운전자의 운전 상태에 기초하여, 상기 추정된 운전자의 운전 상태에 대응하는 동작을 수행하는 수행부;를 포함하고,
상기 운전 상태 추정부는, 상기 운전 상태를 추정한 운전 상태 추정값에 기초하여 상기 학습부의 추후 기계 학습 수행 여부를 판정하는 피드백부;를 더 포함하며,
상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백부는 상기 학습 모델의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백부는 상기 학습부의 상기 재 기계학습을 불허하고 상기 수행부는 상기 운전자의 운전을 제한하는 동작을 수행하는,
운전 상태 추정 시스템.
서버와 네트워크를 통하여 통신을 행하는 이동체에 있어서,
하나 또는 그 이상의 센싱 데이터를 출력하는 센싱 데이터 출력부;
상기 센싱 데이터를 학습용 데이터로서 상기 서버에 송신하고, 상기 서버로부터 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 수신하는 제1통신부;
상기 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부;
상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 운전 상태 추정부; 및
상기 추정된 운전자의 운전 상태에 기초하여, 상기 추정된 운전자의 운전 상태에 대응하는 동작을 수행하는 수행부;를 포함하고,
상기 학습용 데이터는 상기 서버에 송신되어, 상기 학습용 데이터를 입력하는 학습 모델에 기초하여 기계 학습이 수행되고,
상기 운전 상태 추정부는, 상기 운전 상태를 추정한 운전 상태 추정값에 기초하여 상기 학습 모델의 추후 기계 학습 수행 여부를 판정하는 피드백부;를 더 포함하며,
상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백부는 상기 학습 모델의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백부는 상기 학습 모델의 상기 재 기계학습을 불허하고 상기 수행부는 상기 운전자의 운전을 제한하는 동작을 수행하는,
이동체.
서버와 네트워크를 통하여 통신을 행하는 이동체의 운전 상태 추정 방법에 있어서,
센싱 데이터 출력부로부터 하나 또는 그 이상의 센싱 데이터를 취득하는 단계;
상기 취득된 센싱 데이터를 학습용 데이터로서 상기 서버에 송신하는 단계;
상기 서버로부터 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 수신하는 단계;
상기 수신한 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 단계;
상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 단계; 및
상기 추정된 운전자의 운전 상태에 기초하여, 상기 추정된 운전자의 운전 상태에 대응하는 동작을 수행하는 단계;를 포함하고,
상기 학습용 데이터는 상기 서버에 송신되어, 상기 학습용 데이터를 입력하는 학습 모델에 기초하여 기계 학습이 수행되고,
상기 운전 상태 추정 단계는, 상기 운전 상태를 추정한 운전 상태 추정값에 기초하여 상기 학습 모델의 추가 기계 학습 여부를 판정하는 피드백 단계;를 더 포함하고,
상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백 단계를 통해 상기 학습 모델의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백 단계를 통해 상기 학습 모델의 상기 재 기계학습을 불허하고 상기 운전자의 운전을 제한하는 동작을 수행하는,
이동체의 운전 상태 추정 방법.
삭제
삭제
이동체와 네트워크를 통하여 통신를 행하는 서버를 가지는 운전 상태 추정 시스템으로서,
상기 이동체는,
하나 또는 그 이상의 센싱 데이터를 출력하는 센싱 데이터 출력부; 및
상기 센싱 데이터를 학습용 데이터로서 상기 서버에 송신하는 제1통신부;를 포함하고,
상기 서버는,
상기 이동체로부터 상기 학습용 데이터를 수신하는 제2통신부;
상기 학습용 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 학습부;
상기 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부; 및
상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 운전 상태 추정부;를 포함하고,
상기 제2통신부는 상기 운전 상태 추정부로부터 상기 운전 상태 추정 정보를 수신하고,
상기 이동체의 상기 제1통신부는 상기 제2통신부로부터 상기 운전 상태 추정 정보를 수신하고,
상기 운전 상태 추정부는, 상기 운전 상태를 추정한 운전 상태 추정값에 기초하여 상기 학습부의 추후 기계 학습 수행 여부를 판정하는 피드백부;를 더 포함하며,
상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백부는 상기 학습부의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백부는 상기 학습부의 상기 재 기계학습을 불허하는,
운전 상태 추정 시스템.
이동체와 네트워크를 통하여 통신를 행하는 서버에 있어서,
상기 서버는,
상기 이동체의 센싱 데이터 출력부로부터 센싱 데이터를 수신하는 제2통신부;
상기 센싱 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 행하고, 상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 학습부;
상기 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 갱신부; 및
상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 운전 상태 추정부;를 포함하고,
상기 제2통신부는 상기 운전 상태 추정부로부터 수신한 상기 운전 상태 추정 정보를 상기 이동체로 전송하고,
상기 운전 상태 추정부는, 상기 운전 상태를 추정한 운전 상태 추정값에 기초하여 상기 학습부의 추후 기계 학습 수행 여부를 판정하는 피드백부;를 더 포함하며,
상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백부는 상기 학습부의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백부는 상기 학습부의 상기 재 기계학습을 불허하는,
서버.
이동체와 네트워크를 통하여 통신를 행하는 서버의 운전 상태 추정 방법에 있어서,
상기 이동체의 센싱 데이터 출력부로부터 센싱 데이터를 수신하는 단계;
상기 센싱 데이터를 입력으로 하는 학습 모델에 기초하여 기계 학습을 수행하는 단계;
상기 기계 학습을 통해 운전자의 운전 상태를 추정하기 위한 소정의 변수를 갱신하는 갱신 데이터를 생성하는 단계;
상기 갱신 데이터에 기초하여 상기 소정의 변수를 갱신하는 단계;
상기 갱신된 소정의 변수에 기초하여 상기 운전자의 운전 상태를 추정하는 단계;
상기 운전 상태 추정 정보를 상기 이동체로 전송하는 단계; 및
상기 운전 상태 추정 단계는 상기 운전 상태를 추정한 운전 상태 추정값에 기초하여 상기 학습 모델의 추후 기계 학습 수행 여부를 판정하는 피드백 단계를 더 수행하고,
상기 운전 상태 추정값이 정상적인 데이터인 것으로 판별되면 상기 피드백 단계를 통해 상기 학습 모델의 재 기계학습을 허용하고, 상기 운전 상태 추정값이 비정상적인 출력 데이터인 것으로 판별되면 상기 피드백 단계를 통해 상기 학습 모델의 상기 재 기계학습을 불허하는,
서버의 운전 상태 추정 방법.
제 1항, 제 14항, 또는 제 17항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 페달 센서 및 TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터 및 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 추정된 운전 상태는, 급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태를 포함하는, 이동체.
제 1항, 제 14항, 또는 제 17항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 차속 센서 및 조향 센서를 포함하고,
상기 센싱 데이터는, 상기 차속 센서에 의해 센싱된 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 각도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 방향 데이터를 포함하고,
상기 추정된 운전 상태는, 조향각의 변화 정도에 따른 부주의 운전 상태를 포함하는, 이동체.
제 1항, 제 14항, 또는 제 17항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 산소포화도 센서를 포함하고,
상기 센싱 데이터는, 상기 산소포화도 센서에 의한 산소량 정보를 포함하고,
상기 추정된 운전 상태는, 운전자의 피로도 측정에 따른 졸음 운전 상태를 포함하는, 이동체.
제 1항, 제 14항, 또는 제 17항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 적외선 센서를 포함하고,
상기 센싱 데이터는, 상기 적외선 센서에 의한 온도 정보를 포함하고,
상기 추정된 운전 상태는, 운전자의 발열 상태에 따른 음주 운전 상태를 포함하는, 이동체.
제 13항 또는 제 22항에 있어서,
상기 센싱 데이터 출력부는, 페달 센서 및 TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터 및 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 추정된 운전 상태는, 급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태를 포함하는, 서버.
제 13항 또는 제 22항에 있어서,
상기 센싱 데이터 출력부는, 차속 센서 및 조향 센서를 포함하고,
상기 센싱 데이터는, 상기 차속 센서에 의해 센싱된 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 각도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 방향 데이터를 포함하고,
상기 추정된 운전 상태는, 조향각의 변화 정도에 따른 부주의 운전 상태를 포함하는, 서버.
제 13항 또는 제 22항에 있어서,
상기 센싱 데이터 출력부는, 산소포화도 센서를 포함하고,
상기 센싱 데이터는, 상기 산소포화도 센서에 의한 산소량 정보를 포함하고,
상기 추정된 운전 상태는, 운전자의 피로도 측정에 따른 졸음 운전 상태를 포함하는, 서버.
제 13항 또는 제 22항에 있어서,
상기 센싱 데이터 출력부는, 적외선 센서를 포함하고,
상기 센싱 데이터는, 상기 적외선 센서에 의한 온도 정보를 포함하고,
상기 추정된 운전 상태는, 운전자의 발열 상태에 따른 음주 운전 상태를 포함하는, 서버.
제 6항, 제12항, 제15항, 제 18항, 또는 제23항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 페달 센서 및 TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터 및 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 추정된 운전 상태는, 급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태를 포함하는,
운전 상태 추정 방법.
제 6항, 제12항, 제15항, 제 18항, 또는 제23항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 차속 센서 및 조향 센서를 포함하고,
상기 센싱 데이터는, 상기 차속 센서에 의해 센싱된 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 각도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 방향 데이터를 포함하고,
상기 추정된 운전 상태는, 조향각의 변화 정도에 따른 부주의 운전 상태를 포함하는, 운전 상태 추정 방법.
제 6항, 제12항, 제15항, 제 18항, 또는 제23항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 산소포화도 센서를 포함하고,
상기 센싱 데이터는, 상기 산소포화도 센서에 의한 산소량 정보를 포함하고,
상기 추정된 운전 상태는, 운전자의 피로도 측정에 따른 졸음 운전 상태를 포함하는, 운전 상태 추정 방법.
제 6항, 제12항, 제15항, 제 18항, 또는 제23항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 적외선 센서를 포함하고,
상기 센싱 데이터는, 상기 적외선 센서에 의한 온도 정보를 포함하고,
상기 추정된 운전 상태는, 운전자의 발열 상태에 따른 음주 운전 상태를 포함하는, 운전 상태 추정 방법.
제 11항, 제 16항, 또는 제 21항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 페달 센서 및 TPS 센서를 포함하고,
상기 센싱 데이터는, 상기 페달 센서에 의해 센성된 페달 변위 각도 데이터 및 상기 TPS 센서에 의해 센싱된 밸브 회전 각도 데이터를 포함하고,
상기 추정된 운전 상태는, 급가속 또는 급감속 변화 정도에 따른 부주의 운전 상태를 포함하는,
운전 상태 추정 시스템.
제 11항, 제 16항, 또는 제 21항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 차속 센서 및 조향 센서를 포함하고,
상기 센싱 데이터는, 상기 차속 센서에 의해 센싱된 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 속도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 각도 데이터, 상기 조향 센서에 의해 센싱된 핸들 회전 방향 데이터를 포함하고,
상기 추정된 운전 상태는, 조향각의 변화 정도에 따른 부주의 운전 상태를 포함하는, 운전 상태 추정 시스템.
제 11항, 제 16항, 또는 제 21항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 산소포화도 센서를 포함하고,
상기 센싱 데이터는, 상기 산소포화도 센서에 의한 산소량 정보를 포함하고,
상기 추정된 운전 상태는, 운전자의 피로도 측정에 따른 졸음 운전 상태를 포함하는, 운전 상태 추정 시스템.
제 11항, 제 16항, 또는 제 21항 중 어느 한 항에 있어서,
상기 센싱 데이터 출력부는, 적외선 센서를 포함하고,
상기 센싱 데이터는, 상기 적외선 센서에 의한 온도 정보를 포함하고,
상기 추정된 운전 상태는, 운전자의 발열 상태에 따른 음주 운전 상태를 포함하는, 운전 상태 추정 시스템.