KR102197251B1

KR102197251B1 - Rlr 판별 및 사고 방지를 위한 교통 신호 제어 방법 및 장치

Info

Publication number: KR102197251B1
Application number: KR1020190085142A
Authority: KR
Inventors: 김경대; 정호진
Original assignee: 재단법인대구경북과학기술원
Priority date: 2018-08-29
Filing date: 2019-07-15
Publication date: 2020-12-31
Also published as: KR20200026031A

Abstract

일 실시예에 따른 교통 신호 제어 방법은 미리 정해진 영역을 통과하는 하나 이상의 차량의 데이터를 수집하는 단계, 수집된 데이터를 가공하는 단계, 가공된 데이터를 미리 학습된 인공 신경망에 입력하여, 차량의 운전 패턴을 예측하는 단계, 운전 패턴에 기초하여, 차량 중 적색 신호에서 교차로를 통과하는 하나 이상의 차량(Red Light Runner; RLR)의 교차로 통과 시간을 예측하는 단계, 예측된 교차로 통과 시간에 기초하여, RLR의 안전 시간을 계산하는 단계, 및 안전 시간에 기초하여, 전체 적색 신호 종료 시간을 연장하는 단계를 포함한다.

Description

RLR 판별 및 사고 방지를 위한 교통 신호 제어 방법 및 장치{DEEP LEARNING BASED TRAFFIC SIGNAL CONTROL METHOD AND DEVICE FOR RLR DETECTION AND ACCIDENT PREVENTION}

아래의 실시예들은 교통 신호 제어 방법 및 장치에 관한 것이다.

적색 신호에서 교차로를 통과하는 하나 이상의 차량(Red Light Runner; RLR)은 교차로 안전에 큰 위험 요소일 수 있다. RLR에 대한 대처 방안을 운전자의 고의성을 기준으로 집행적 대책(enforcement countermeasure)과 공학적 대책(engineering countermeasure) 두 가지로 나눌 수 있다. 집행적 대책은 운전자가 적신호를 보아도 고의적으로 교차로를 지나는 RLR에 대한 법적 규제를 말한다. 하지만 집행적 대책은 고의적인 RLR의 수를 줄일 뿐 노란 신호에서 교차로를 지날지 말지 애매한 딜레마에 빠진 운전자가 RLR을 할 경우의 대처 방안을 제시하지 못한다. 공학적 대책은 이런 딜레마에 빠지는 운전자를 해결하고자 하는 방안으로, 예를 들어 신호 운영(signal operation), 운전자 정보(motorist information) 그리고 물리적 향상(physical improvement)의 세 가지 방안을 제시할 수 있다. 이 중 비용적인 문제와 운전자의 실수를 고려하였을 때 시스템적 대처 방안인 신호 운영이 가장 현실적인 방안일 수 있다.

신호는 녹색, 노란색, 그리고 적색으로 구성된다. 기술의 동향을 살펴보았을 때 합리적인 방법은 적색신호 연장이며 그 이유는 다음과 같다. 녹색 신호 연장은 운전자에게 교차로를 지나는 시간을 더 할당하여 딜레마를 줄임으로써 RLR의 수를 줄일 수 있지만 녹색 신호의 길이는 최대 값이 존재하기에 종래에는 결국 문제가 발생한다. 노란 신호를 연장하면 RLR의 수를 줄이고 RLR이 안전하게 교차로를 지나가도록 하지만 만약 운전자가 그 상황을 악용하면 더 큰 문제가 발생한다.

전체 적색 신호 연장을 위한 시스템에서 가장 중요한 부분은 RLR을 판별하는 것이며 판별하는 방법들을 데이터의 유형(순간 데이터(instant data)와 연속 데이터(continuous data))에 따라 크게 두 가지로 나눌 수 있다. 순간 데이터를 사용하는 기존의 판별 방법들은 차량 탐지를 하는 루프 검지기(inductive loop detector)와 신호 제어기로 차량과 신호등의 정보를 이용하여 확률적인 접근론(probabilistic framework) 또는 로지스틱 회귀 모델(logistic regression model)로 문제를 풀고 있으며, 연속 데이터를 사용하는 방법들은 차량의 궤적을 얻기 위해 카메라, 레이더, 그리고 차량통신으로 차량의 시간적 정보와 신호등의 정보를 이용하여 대부분 머신러닝 기법들로 RLR을 판별하였다. 기존의 방법들에서 사용한 머신러닝 기법들은 다음과 같다: tree model, Random Forest (RF), Artificial Neural Network (ANN), Support Vector Machine with a Bayesian Filter (SVM-BF), Hidden Markov Model (HMM), 그리고 Least Square Support Vector Machine (LS-SVM). 또한, 대부분의 머신러닝을 활용한 방법들은 RLR과 연관된 중요한 요소를 찾기 위해 노란 신호가 시작하는 시점의 데이터에 초점을 맞추고 있다. 하지만 노란 신호가 시작하는 시점은 운전자가 노란 신호에 바로 대처하지 못하는 상황을 포함하지 않는다는 문제점이 있다.

전체 적색 신호의 연장길이가 차량의 현재 속도에 의해서만 결정된다는 것은 RLR차량이 현재속도를 유지한다는 가정을 갖는다. 이러한 가정은 RLR차량이 현재속도를 유지하지 않는 경우, 예를 들어 가속하는 차량 또는 감속 후 가속하는 차량의 운전 패턴들이 존재할 경우 정확한 예측이 불가능할 수 있다. 예를 들어, 현재 속도에서 가속하는 차량의 경우에는 RLR을 위한 연장길이를 필요한 시간보다 더 주게 되는 것으로서 교차로의 처리량을 저해 시킬 수 있다. 반대로, 현재 속도에서 감속한 후 가속을 하는 차량의 경우에는 RLR을 위한 연장길이를 필요한 시간보다 적게 주어 교차로에서의 사고 위험성을 해결하지 못할 수 있다.

따라서, RLR에 의한 사고 방지를 위해서는 전체 적색 신호를 연장 할 때 RLR의 운전 패턴에 따라서 시간 연장을 하여야 할 필요성이 있다. 종래의 RLR 판별 기법은 그 차량이 RLR인지 아닌지만 판별하는 이진 결정 모델(binary decision model)로서 사고 방지 시스템에 적합한 방법이 아닐 수 있다. 또한 학습된 모델에서 사용한 데이터들과는 그 유형이 다른 새로운 데이터가 들어오면 기존 머신러닝 기법에서는 그 새로운 데이터를 구별하기 위해서 새롭게 의미 있는 정보를 추출하기 위하여 시간적 비용이 많이 소비되는 문제를 갖을 수 있다.

일 실시예에 따른 교통 신호 제어 방법은 미리 정해진 영역을 통과하는 하나 이상의 차량의 데이터를 수집하는 단계; 상기 수집된 데이터를 가공하는 단계; 상기 가공된 데이터를 미리 학습된 인공 신경망에 입력하여, 상기 차량의 운전 패턴을 예측하는 단계; 상기 운전 패턴에 기초하여, 상기 차량 중 적색 신호에서 교차로를 통과하는 하나 이상의 차량(Red Light Runner; RLR)의 교차로 통과 시간을 예측하는 단계; 상기 예측된 교차로 통과 시간에 기초하여, 상기 RLR의 안전 시간을 계산하는 단계; 및 상기 안전 시간에 기초하여, 전체 적색 신호 종료 시간을 연장하는 단계를 포함한다.

상기 차량의 데이터를 수집하는 단계는 데이터 수집 구간인지 여부를 판단하는 단계; 및 상기 데이터 수집 구간에 해당할 경우, 미리 정해진 시간 간격 마다 상기 차량의 속도, 가속도, 위치 정보 및 교차로의 지도 정보 중 적어도 하나를 수집하는 단계를 포함할 수 있다.

상기 데이터 수집 구간은 노란 신호 시작 시간 이후, 전체 적색 신호 시작 시간 이전에 해당하는 구간에 포함되는 미리 정해진 제1 구간을 포함할 수 있다.

상기 수집된 데이터를 가공하는 단계는 상기 차량의 위치 정보와 상기 교차로의 지도 정보에 기초하여, 상기 차량의 교차로 정지선까지의 거리를 획득하는 단계; 및 상기 차량의 교차로 정지선까지의 거리에 기초하여, 앞 차량과의 거리를 획득하는 단계를 포함할 수 있다.

상기 미리 학습된 인공 신경망은 MC-DCNN(Multi-Channel Deep Convolutional Neural Network)을 포함할 수 있다.

상기 운전 패턴은 노란 신호에 대한 반응 패턴에 따라 노란 신호 혹은 적색 신호에 교차로에서 정지하거나 노란 신호에서 교차로를 통과하는 Non-RLR 케이스 및 적색 신호에서 교차로를 통과하는 RLR 케이스로 분류될 수 있다.

상기 RLR 케이스는 노란 신호 이후 교차로 통과하기까지의 차량 속도 프로파일(speed profile)의 유사성에 따라 여러 운전 패턴들을 갖을 수 있다.

상기 운전 패턴을 예측하는 단계는 상기 RLR을 판별하는 단계; 및 상기 RLR의 노란 신호에 대한 반응 패턴을 예측하는 단계를 포함할 수 있다.

상기 교차로 통과 시간을 예측하는 단계는 상기 운전 패턴을 예측하는 단계에서 예측한 상기 RLR의 노란 신호에 대한 반응 패턴에 대응하는 통과 시간 예측 모델을 결정하는 단계; 및 상기 RLR의 속도, 가속도, 교차로 정지선까지의 거리를 상기 통과 시간 예측 모델에 입력하여, 상기 교차로 통과 시간을 예측하는 단계를 포함할 수 있다.

상기 통과 시간 예측 모델은 Hougen-Watson 회귀모델을 포함할 수 있다.

상기 안전 시간을 계산하는 단계는 상기 운전 패턴을 예측하는 단계에서 예측한 상기 RLR의 노란 신호에 대한 반응 패턴에 대응하는 안전 시간 예측 모델을 결정하는 단계; 및 상기 안전 시간 예측 모델에 기초하여, 상기 안전 시간을 예측하는 단계를 포함하고, 상기 안전 시간 예측 모델은 통과 시간 예측 모델에 기초하여 생성될 수 있다.

상기 안전 시간 예측 모델은 Quadratic polynomial 회귀모델을 포함할 수 있다.

상기 전체 적색 신호 종료 시간을 연장하는 단계는 상기 안전 시간이 가장 큰 RLR의 안전 시간과 상기 전체 적색 신호 종료 시간을 비교하는 단계; 및 상기 비교결과, 상기 안전 시간이 가장 큰 RLR의 안전 시간이 상기 전체 적색 신호 종료 시간보다 늦을 경우, 상기 안전 시간이 가장 큰 RLR의 안전 시간까지 상기 전체 적색 신호 종료 시간을 연장하는 단계를 포함할 수 있다.

일 실시예에 따른 교통 신호 제어 장치는 미리 정해진 영역을 통과하는 하나 이상의 차량의 데이터를 수집하는 데이터 수집부; 및 프로세서를 포함하고, 상기 프로세서는 상기 수집된 데이터를 가공하고, 상기 가공된 데이터를 미리 학습된 인공 신경망에 입력하여, 상기 차량의 운전 패턴을 예측하고, 상기 운전 패턴에 기초하여, 상기 차량 중 적색 신호에서 교차로를 통과하는 하나 이상의 차량(Red Light Runner; RLR)의 교차로 통과 시간을 예측하고, 상기 예측된 교차로 통과 시간에 기초하여, 상기 RLR의 안전 시간을 계산하고, 상기 안전 시간에 기초하여, 전체 적색 신호 종료 시간을 연장한다.

상기 데이터 수집부는 차량 데이터 수집 시스템(Vehicle Data Collection System ; VDCS)을 포함하고, 상기 차량 데이터 수집 시스템은 수집 범위 결정 모듈, 움직임 탐지 모듈, 추적 모듈, 카메라 칼리브레이션 모듈, 신호 탐지 모듈 및 파라미터 추출 모듈을 포함할 수 있다.

상기 프로세서는 데이터 수집 구간인지 여부를 판단하고, 상기 데이터 수집부는 상기 데이터 수집 구간에 해당할 경우, 미리 정해진 시간 간격 마다 상기 차량의 속도, 가속도, 위치 정보 및 교차로의 지도 정보 중 적어도 하나를 수집할 수 있다.

상기 프로세서는 상기 차량의 위치 정보와 상기 교차로의 지도 정보에 기초하여, 상기 차량의 교차로 정지선까지의 거리를 획득하고, 상기 차량의 교차로 정지선까지의 거리에 기초하여, 앞 차량과의 거리를 획득할 수 있다.

상기 운전 패턴은 교차로에서 정지하는 케이스, 적색 신호에서 교차로를 통과하는 케이스 및 노란 신호에서 교차로를 통과하는 케이스로 분류될 수 있고, 각각의 케이스는 노란 신호에 대한 반응 패턴에 따라 분류될 수 있다.

상기 프로세서는 상기 RLR을 판별하고, 상기 RLR의 노란 신호에 대한 반응 패턴을 예측할 수 있다.

상기 프로세서는 상기 운전 패턴을 예측하는 단계에서 예측한 상기 RLR의 노란 신호에 대한 반응 패턴에 대응하는 통과 시간 예측 모델을 결정하고, 상기 RLR의 속도, 가속도, 교차로 정지선까지의 거리를 상기 통과 시간 예측 모델에 입력하여, 상기 교차로 통과 시간을 예측할 수 있다.

상기 프로세서는 상기 운전 패턴을 예측하는 단계에서 예측한 상기 RLR의 노란 신호에 대한 반응 패턴에 대응하는 안전 시간 예측 모델을 결정하고, 상기 안전 시간 예측 모델에 기초하여, 상기 안전 시간을 예측하며, 상기 안전 시간 예측 모델은 통과 시간 예측 모델에 기초하여 생성될 수 있다.

상기 프로세서는 상기 안전 시간이 가장 큰 RLR의 안전 시간과 상기 전체 적색 신호 종료 시간을 비교하고, 상기 비교결과, 상기 안전 시간이 가장 큰 RLR의 안전 시간이 상기 전체 적색 신호 종료 시간보다 늦을 경우, 상기 안전 시간이 가장 큰 RLR의 안전 시간까지 상기 전체 적색 신호 종료 시간을 연장할 수 있다.

실시예들은 MC-DCNN 기반 네트워크를 사용하여 차량들의 운전 패턴을 올바르게 구분하여 RLR의 판별 및 운전 패턴을 구분하고, 그 RLR의 운전 패턴에 따라 Hougen-Watson과 이차 다항식 모델을 혼합한 회귀모델로 올바른 전체 적색 신호의 연장시간을 구하여 RLR에 의한 사고를 방지할 수 있다.

도 1은 일 실시예에 따른 교통 신호 제어 방법을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 교통 신호 제어 장치를 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 교통 신호 제어 장치 중, RLR을 판별하는 부분을 설명하기 위한 도면이다.
도 4는 카메라를 이용하여 데이터를 수집하는 시스템인 차량 데이터 수집 시스템(Vehicle Data Collection System ; VDCS)을 설명하기 위한 도면이다.
도 5는 차량의 운전 패턴을 예측하기 위한 컨볼루셔널 뉴럴 네트워크를 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 컨볼루셔널 뉴럴 네트워크의 입력을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 노란 신호에 대한 반응 패턴 중 RLR 케이스의 운전 패턴을 설명하기 위한 도면이다.
도 8은 RLR 판별 방법에 대한 순서도이다.
도 9는 일 실시예에 따른 교통 신호 제어 장치 중, RLR에 의한 사고 방지 부분을 설명하기 위한 도면이다.
도 10은 일 실시예에 따른 교통 시뮬레이션 기반으로 Hougen-Watson 모델을 구하였을 때 결과를 도시한 도면이다.
도 11은 RLR에 의한 사고 방지 방법에 대한 순서도이다.

본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.

본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 “연결되어” 있다거나 “접속되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 “직접 연결되어” 있다거나 “직접 접속되어” 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 “~사이에”와 “바로~사이에” 또는 “~에 직접 이웃하는” 등도 마찬가지로 해석되어야 한다.

본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, “포함하다” 또는 “가지다” 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.

도 1은 일 실시예에 따른 교통 신호 제어 방법을 설명하기 위한 도면이다.

도 1을 참조하면, 일 실시예에 따른 교통 신호 제어 방법은 적색 신호에서 교차로를 통과하는 하나 이상의 차량(Red Light Runner; RLR)을 판별하고 발생할 수 있는 사고를 방지하는 시스템으로서, 보다 상세하게는 차량의 운전 패턴을 분석하여 RLR을 판별하고 전체 적색 신호를 연장함으로써 다른 차량의 접근을 방지하여 RLR이 교차로를 무사히 지나가도록 할 수 있다.

일 실시예에 따른 교통 신호 제어 방법을 설명하기에 앞서, 도면(110)을 참조하여 일반적인 교통 신호 제어 시스템을 간략하게 설명한다. 기존 교통 신호 제어 시스템에 의하면, 신호 구간은 개별 신호등에 대응하여 녹색 신호 구간, 노란색 신호 구간, 전체 적색 신호 구간, 그리고 적색 신호 구간으로 구성되며 각 구간의 길이가 고정되어 있을 수 있다. 전체 적색 신호 구간은 동/서 방향과 남/북 방향이 모두 적색 신호인 구간을 의미할 수 있다. 기존의 교통 신호 제어 시스템에서는 RLR에 의한 사고에 대처 하기 어려울 수 있다.

도면(120)을 참조하면, 일 실시예에 따른 교통 신호 제어 방법은 RLR을 판별하기 위해 교통 신호등에 데이터 수집 장치를 부착하여 차량 데이터를 수집하고, 교통 신호 제어 장치(예를 들어, 도면(120)의 '교차로 매니저')의 프로세서에서 수집된 데이터를 기반으로 정보를 가공하여, 가공된 데이터에 기초하여 차량들의 운전 패턴을 분석하여 RLR을 판별할 수 있다. 구체적으로, 가공된 데이터를 미리 학습된 인공 신경망에 입력하여, 차량의 운전 패턴을 예측할 수 있다. 기존의 RLR 판별 방법이 RLR 여부만을 판별하는 것과는 달리, 일 실시예에 따른 교통 신호 제어 방법은 RLR 여부 뿐만 아니라 RLR의 노란 신호에 대한 반응 패턴을 예측할 수 있다. 예를 들어, 일 실시예에 따른 교통 신호 제어 방법에 따르면 가속하는 차량 또는 감속 후 가속하는 차량의 경우에도 정확한 예측이 가능할 수 있다.

일 실시예에 따른 운전 패턴은 노란 신호에 대한 반응 패턴에 따라 노란 신호 혹은 적색 신호에 교차로에서 정지하거나 노란 신호에서 교차로를 통과하는 Non-RLR 케이스 및 적색 신호에서 교차로를 통과하는 RLR 케이스로 분류될 수 있다.

본 발명에서는 노란 신호에 대한 반응 패턴인 RLR 케이스와 Non-RLR 케이스에 대한 정의를 다음과 같이 결정한다. RLR 케이스의 운전 패턴들을 정의하기 위해 노란 신호 시작시간부터 교차로 통과시간까지의 차량의 속력 데이터를 이용하여 비지도학습(unsupervised learning)인 시계열 데이터 군집 분석 (time-series clustering)을 사용한다. 일 실시예에 따르면, 클러스터링을 수행하기 위하여 속력 데이터간 유사성 관측(similarity measure)으로서 공증된 형태기반 Dynamic Time Warping(DTW)을 활용하였고 클러스터링 알고리즘으로 클러스터 개수에 대한 사전 정보가 필요 없는 계층적 클러스터링(hierarchical clustering)을 사용하였다. Non-RLR 케이스는 RLR 케이스가 아닌 모든 경우로 정의한다.

차량의 노란 신호에 대한 반응 패턴을 구분하기 위해 딥 뉴럴 네트워크 중 특징 추출에 적합한 컨볼루셔널 뉴럴 네트워크(convolutional neural network; CNN)를 사용할 수 있다. 일반적으로 컨볼루셔널 뉴럴네트워크는 이미지 구별에 특화되어 있다. 본 발명은 이미지를 구별하는 것이 아닌 RLR의 운전 패턴을 판별하는 것으로서 그에 알맞게 Multi-Channel Deep Convolutional Neural Network(MC-DCNN)를 기반으로 네트워크 구조를 변경하였다.

교통 신호 제어 장치는 신호 제어기를 포함하여, 신호 제어기 역할을 같이 수행할 수 있다. 예를 들어, RLR이 판별되면 교통 신호 제어 장치는 전체 적색 신호 구간을 연장하여 RLR이 지나가는 길에 다른 차량이 접근하지 못하도록 하여 RLR에 의한 사고를 방지할 수 있다. 또는, 교통 신호 제어 장치는 신호 제어기와 따로 분리되어 동작할 수도 있다. 예를 들어, RLR이 판별되면 교통 신호 제어 장치에서 신호 제어기에 전체 적색 신호 구간을 연장 명령을 할 수도 있다.

도 2는 일 실시예에 따른 교통 신호 제어 장치를 설명하기 위한 도면이다.

도 2를 참조하면, 일 실시예에 따른 교통 신호 제어 장치(200)는 RLR의 판별과 RLR에 의한 사고를 방지하는 부분으로 나뉠 수 있다. RLR의 판별을 위하여, 데이터 수집부(210), 정보 가공부(220), 차량패턴 분석부(240), RLR 판별부(250), 및 환경 정보부(230)가 구비될 수 있다. 또한, RLR에 의한 사고를 방지하기 위하여, 예측부(260), 안전부(270), 신호 연장부(280), 신호 제어기(290), 및 환경 정보부(230)가 구비될 수 있다. 도 2의 실시 예에서 데이터 수집부(210), 정보 가공부(220), 환경 정보부(230), 차량패턴 분석부(240), RLR 판별부(250), 예측부(260), 안전부(270), 신호 연장부(280) 및 신호 제어기(290)를 별도로 구성하여 도시한 것은 각 기능들을 구별하여 설명하기 위함이다. 실제로 제품을 구현하는 경우에 이들 모두를 적어도 하나의 프로세서에서 처리하도록 구성할 수도 있으며, 이들 중 일부만을 프로세서에서 처리하도록 구성할 수도 있다.

RLR 판별 부분은 아래의 도 3 내지 도 8을 참조하여 상세히 설명되고, RLR에 의한 사고 방지 부분은 아래의 도 9 내지 도 11을 참조하여 상세히 설명된다.

이하에서, 설명의 편의를 위해 다음과 같은 상황을 기준으로 설명한다: 1)기존 교통시스템의 노란 신호 구간은 3초이고 전체 적색 신호 구간은 1초이다; 2)차량 데이터는 0.1초마다 데이터가 저장된다; 3)차량 데이터를 수집하는 기간은 노란 신호 구간이 시작한 이후 1초부터 2초까지이며, 1초에서 2초 사이의 구간에서 수집되는 정보는 수집과 동시에 가공된다; 4) 노란 신호 구간의 시작 이후 2초부터 3초까지는 운전 패턴 분석 및 RLR을 판별한다. 5)노란 신호 구간이 끝나는 시점에 신호 연장을 신호제어기에 요청한다. 다만, 위 예시는 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 위 가정에 설명된 실시예들에 한정되지 않는다.

도 3은 일 실시예에 따른 교통 신호 제어 장치 중, RLR을 판별하는 부분을 설명하기 위한 도면이다.

도 3을 참조하면, 일 실시예에 따른 RLR을 판별하는 부분(300)은 데이터 수집부(210), 정보 가공부(220), 차량패턴 분석부(240), RLR 판별부(250), 및 환경 정보부(230)를 포함할 수 있다. RLR을 판별하는 부분(300)은 관찰된 차량의 데이터로 차량운전 패턴을 구분하여 RLR차량을 판별하고 RLR의 정보를 사고 방지 부분으로 전달할 수 있다.

데이터 수집부(210)는 미리 정해진 영역을 통과하는 하나 이상의 차량의 데이터를 수집할 수 있다. 차량의 데이터는 카메라를 통하여 외부에서 차량들을 관찰함으로써 얻을 수 있는 기본적인 데이터인 속도, 가속도, 그리고 위치를 포함할 수 있다. 미리 정해진 영역은 관찰하고자 하는 영역일 수 있다. 예를 들어, 정지선 이후 80m까지의 영역일 수 있다.

데이터 수집부(210)는 데이터 수집 구간에서만 데이터를 수집할 수 있다. 데이터 수집 구간은 노란 신호 시작 시간 이후, 전체 적색 신호 시작 시간 이전에 해당하는 구간에 포함되는 미리 정해진 제1 구간일 수 있다. 예를 들어, 우리가 관심이 있는 데이터는 노란 신호가 시작한 이후 1초부터 2초까지이므로 노란 신호가 아닌 차량들은 배제하며 그 순간에만 해당하는 전체 차량의 데이터를 수집할 수 있다.

데이터 수집부(210)는 데이터 수집 구간에 해당할 경우, 미리 정해진 시간 간격 마다 상기 차량의 속도, 가속도, 위치 정보 및 교차로의 지도 정보 중 적어도 하나를 수집할 수 있다. 예를 들어, 데이터 수집부(210)는 0.1초 마다 차량의 데이터를 수집 하여 한 차량당 속도, 가속도, 그리고 위치를 한 묶음으로 11개의 묶음을 갖는 데이터가 수집될 수 있다. 데이터 수집부(210)는 카메라 외에 레이더, 차량과 인프라스트럭쳐간 통신(vehicle-to-infrastructure communication; V2I)을 사용하여 데이터 수집이 가능하다.

도 4는 카메라를 이용하여 데이터를 수집하는 시스템인 차량 데이터 수집 시스템(Vehicle Data Collection System ; VDCS)을 설명하기 위한 도면이다.

도 4를 참조하면, 일 실시예에 따른 데이터 수집부(210)는 차량 데이터 수집 시스템을 포함할 수 있다. 차량 데이터 수집 시스템은 수집 범위 결정 모듈(211), 움직임 탐지 모듈(212), 추적 모듈(213), 카메라 칼리브레이션 모듈(214), 신호 탐지 모듈(215) 및 파라미터 추출 모듈(216)을 포함할 수 있다. 차량 데이터 수집 시스템은 처음 흥미 있는 탐지 범위를 선정하여 움직임이 탐지되면 이를 추적하여 차량의 정보를 얻는 시스템일 수 있다. 카메라 칼리브레이션 모듈(214)에서는 이미지의 위치를 이용하여 차량의 실제 위치가 계산할 수 있다. 본 발명에서는 이러한 시스템을 이용하여 데이터를 수집할 수 있으며 이 시스템은 교차로의 정지선으로부터 82m까지 관찰이 가능하다.

다시 도 3을 참조하면, 정보 가공부(220)는 데이터 수집부(210)에서 얻은 데이터를 가공하여 차량의 운전 패턴을 구분하는데 의미 있는 정보로 바꾸는 역할을 할 수 있다. 가공된 데이터는 차량의 속도, 가속도, 교차로의 정지선까지 거리(DTI), 그리고 앞 차량과의 거리(headway)를 포함할 수 있다.

데이터 수집부(210)에서 얻은 차량의 위치와 환경 정보부(230)에서 얻는 교차로의 지도 정보로부터 차량이 지도 상에 어느 위치에 있는지 확인하여 차량의 레인과 교차로의 정지선까지 거리를 구할 수 있다. 앞 차량과의 거리는 동일한 레인을 달리는 차량들의 가장 짧은 교차로의 정지선까지 거리의 차이로 구할 수 있다. 만약 앞 차량이 없으면 앞 차량과의 거리의 최대값을 설정할 수 있다.

차량 패턴 분석부(240)는 정보 가공부(220)에서 추출한 가공 데이터를 이용하여 운전 패턴을 파악하는 작업을 한다. 가공 데이터만으로는 운전 패턴을 구분하기에 어려움이 있기에 가공 데이터를 기반으로 더 의미 있는 정보로 만드는 것이 필요할 수 있다. 더 의미 있는 정보는 예를 들어, 차량의 운전 패턴일 수 있다. 가공된 데이터를 미리 학습된 인공 신경망에 입력하여, 차량의 운전 패턴을 예측할 수 있다.

도 5는 차량의 운전 패턴을 예측하기 위한 컨볼루셔널 뉴럴 네트워크를 설명하기 위한 도면이다.

도 5를 참조하면, 일 실시예에 따른 차량 패턴 분석부(240)는 컨볼루셔널 뉴럴 네트워크를 포함할 수 있다. 컨볼루셔널 뉴럴 네트워크는 필터들의 집합인 컨볼루션 계층(convolution layer), 다운 표본화하는 통합 계층(pooling layer) 그리고 분류를 위한 완전하게 연결된 계층(fully connected layer)으로 구성될 수 있다.

컨볼루셔널 뉴럴 네트워크는 가공 데이터들을 입력 받아 컨볼루션과 통합 계층을 두 번 거침으로써 더 의미 있는 정보들로 추출되며 그 정보들로 완전하게 연결된 계층(fully connected layer)에서 차량들의 운전 패턴이 구분될 수 있다. 또한, 본 발명은 MC-DCNN을 기반으로 네트워크를 만들고, 의미 없는 0(Zero padding)을 의미 있는 정보들 사이에 입력함으로써, 정보들 간의 간섭이나 상호작용을 방지할 수 있다. 도 5의 네트워크를 학습하기 위하여 비용 함수를 크로스엔트로피(cross entropy)함수의 평균으로 정하였다. 이 비용 함수의 최솟값을 찾기 위해 최적화 함수로 AdamOptimizer를 사용을 하였다. 이 최적화 함수는 Adagrad와 RMSProp의 장점을 섞어 놓은 것으로서 어떠한 비용 함수를 사용한다고 하더라도 안정적으로 최적화를 찾는 것을 가능케 하는 강점을 갖는다. 컨볼루셔널 뉴럴 네트워크의 입력과 차량들의 운전 패턴은 아래 도 6을 참조하여 상세히 설명된다.

도 6은 일 실시예에 따른 컨볼루셔널 뉴럴 네트워크의 입력을 설명하기 위한 도면이다.

도 6을 참조하면, 일 실시예에 따른 가공 데이터가 컨볼루셔널 뉴럴 네트워크의 입력일 수 있다. 가공 데이터의 구성은 RLR 여부를 판별하는 시기(prediction time)와 얼마만큼의 정보(window size)를 활용할지에 따라 달라질 수 있다. 예를 들어, RLR 여부를 판별하는 시기가 노란 신호가 시작한 이후 2초이고 활용할 데이터의 양을 1초로 정한다면, 네트워크 입력 값의 정보는 노란 신호가 시작된 이후 1초부터 2초까지의 정보로 구성될 수 있다. 데이터 수집부에서 0.1초마다 데이터를 수집하기 때문에 정보의 구성은 K x 11만큼의 양을 갖을 수 있다. 여기서 K는 데이터의 요소의 개수를 말하며, 예를 들어 속도, 가속도, 교차로의 정지선까지 거리(DTI), 그리고 앞 차량과의 거리(headway)를 가지는 경우 4의 값을 가질 수 있다.

일 실시예에 따른 네트워크 출력 값은 차량의 운전 패턴으로, 다음과 같이 나뉘어질 수 있다: RLR(1), … RLR(n), Non-RLR. RLR은 앞서 설명한 바와 같이 적색 신호에 교차로를 지나는 차량을 의미하고, Non-RLR은 RLR을 제외한 노란 신호 혹은 적색 신호에서 교차로에 멈추는 차량 그리고 노란 신호에서 교차로를 지나가는 차량을 의미할 수 있다.

괄호 안 숫자는 운전자가 노란 신호를 보고 어떠한 움직임을 갖는지 결정하는 노란 신호에 대한 반응 패턴을 의미할 수 있다. 예를 들어, 노란 신호에 대한 반응 패턴은 운전자가 노란 신호를 보았을 때 감속을 안하고 속도를 유지하는 패턴, 감속을 하였다가 가속을 하는 패턴 등이 있을 수 있다.

네트워크를 학습하기 위한 학습 데이터는 실제 교차로에서 얻은 정보 및/또는 시뮬레이터로부터 얻은 정보에 의하여 획득될 수 있다. 예를 들어, 가상 차량의 속도, 가속도, 위치를 정의하고, 가상 차량의 운전자가 노란 신호에 반응하는 모델을 정의한 뒤, 시뮬레이터를 구동 시키면, 해당 차량이 RLR인지 Stop인지 Go인지 여부의 결과가 도출될 수 있다. 시뮬레이션 결과를 입력 데이터에 레이블링 함으로써 학습 데이터가 구축될 수 있다. 물론 실제 교차로에서 얻은 정보도 실질적으로 동일한 방식으로 레이블링 될 수 있다. RLR 판별부(250)는 차량패턴 분석부(240)를 통해 얻은 차량의 운전 패턴들 중에 RLR에 해당하는 차량과 그에 해당하는 정보인 속도, 가속도, 교차로의 정지선까지 거리를 예측부(260)에 전달할 수 있다.

도 7은 일 실시예에 따른 노란 신호에 대한 반응 패턴 중 RLR 케이스의 운전 패턴을 설명하기 위한 도면이다.

도 7을 참조하면, x축은 노란 신호 이후의 상대적인 시간 그리고 y축은 차량의 속도를 나타내며 각 클러스터마다 두 차량 속도 프로파일을 확인할 수 있다. 각 클러스터는 앞서 말한 DTW와 계층적 클러스터링으로 결정되며 총 네 가지의 클러스터로 도출될 수 있다. 클러스터 1은 노란 신호를 보고 처음에 감속을 하다가 교차로를 지날 수 있다고 생각하여 가속하는 차량을 의미하고, 클러스터 2는 현재속도를 유지하여 교차로를 지나는 차량을 의미하며, 클러스터 3은 교차로에서 대기하는 차량들 중 가속을 하여 교차로를 지나는 차량 그리고 클러스터 4는 클러스터 1과 유사하지만 가속을 하다 앞차량에 의해 감속을 하였다가 다시 가속하는 차량을 의미할 수 있다.

도 8은 RLR 판별 방법에 대한 순서도이다.

도 8을 참조하면, 일 실시예에 따른 교통 신호 제어 장치는 데이터 수집 구간인지 여부를 판단할 수 있다(710). 차량 데이터 수집은 RLR 판별에 사용할 정보만 수집해야 하기에 판별시기(예를 들어, 노란 신호 구간의 2초지점)에서 사용할 정보의 시간(예를 들어, 1초)만큼을 뺀 시기(예를 들어, 노란 신호 구간의 1초지점)에 수집을 시작하여 판별시기(예를 들어, 노란 신호구간의 2초지점)까지만 수집을 할 수 있다(720). 교통 신호 제어 장치는 수집된 데이터를 가공할 수 있다(730). 판별 시기의 계산적 비용을 줄이기 위해 차량 데이터 수집과 차량 정보 추출이 잇따라 진행될 수 있다(740). 판별 시기가 되면 추출된 차량 정보들을 이용하여 본 발명에서 구성한 네트워크를 통하여 차량운전 패턴을 구분하며 차량의 대수만큼 이를 반복할 수 있다(750). 차량의 운전 패턴들 중 RLR이 속하면 이 차량과 차량에 대한 정보를 예측부(260)에 전달할 수 있다(760).

도 9는 일 실시예에 따른 교통 신호 제어 장치 중, RLR에 의한 사고 방지 부분을 설명하기 위한 도면이다.

도 9를 참조하면, 일 실시예에 따른 RLR에 의한 사고 방지 부분(800)은 예측부(260), 안전부(270), 신호 연장부(280), 신호 제어기(290), 및 환경 정보부(230)를 포함할 수 있다. RLR에 의한 사고 방지 부분(800)은 RLR로 판별된 차량들이 무사히 교차로를 지나가고 다른 차량이 교차로에 접근하지 못하도록 전체 적색 신호 구간을 연장할 수 있다.

전체 적색 신호 구간을 연장하는 방법은 RLR차량이 교차로를 통과하는 시간이 기존에 할당된 전체 적색 신호 구간의 길이보다 크다면 그 차이만큼 전체 적색 신호를 연장하는 것이다.

실시예들은 올바른 전체 적색 신호의 시간을 할당하기 위하여 RLR의 운전 패턴에 따라 다른 연장 시간을 설정하기 위하여 비선형 회귀 모델을 사용할 수 있다. 이 때 모델의 입력은 속도, 가속도, 그리고 교차로의 정지선까지 거리이며 출력은 교차로를 지나가는 시간일 수 있다. Hougen-Watson 모델만으로 전체 적색 신호의 시간을 연장할 경우 RLR에 의한 교차로내 사고 발생가능성이 완전히 해소되지 않을 수 있다. 이를 해결하기 위해 기존 자료점(data point)들 중 외곽에 존재하는 점(outer point)들을 대상으로 추가적인 이차 다항식(quadratic polynomial) 회귀모델을 적용할 수 있다.

예측부(260)는 차량의 속도, 가속도, DTI, 및 노란 신호에 대한 반응 패턴을 수신할 수 있다. 예측부(260)는 운전 패턴을 예측하는 단계에서 예측한 RLR의 노란 신호에 대한 반응 패턴에 대응하는 통과 시간 예측 모델을 결정할 수 있다. 예측부는 선택된 모델에 차량의 속도, 가속도, 및 DIT를 인가함으로써, 교차로 통과 시간을 예측할 수 있다. 예를 들어, 예측부(260)는 RLR의 속도, 가속도, 교차로 정지선까지의 거리를 결정된 통과 시간 예측 모델에 입력하여 RLR이 교차로를 통과하는 시간을 구할 수 있다. 통과 시간 예측 모델은 Hougen-Watson 회귀모델을 포함할 수 있다.

도 10은 일 실시예에 따른 교통 시뮬레이션 기반으로 Hougen-Watson 모델을 구하였을 때 결과를 도시한 도면이다.

도 10을 참조하면, x축은 모델로 얻은 교차로를 지나는 예측된 시간을 나타내며 y축은 RLR이 실제 교차로를 지난 시간일 수 있다. 1대1 관계를 나타내는 실선에 데이터가 분포한 것으로 보아 두 가지 관계가 밀접하다는 것을 알 수 있다. 앞서 도 7에서 설명한 바와 같이, 실시예에서의 클러스터는 총 네 가지로 나누어짐에 따라 예측 모델 또한 총 네 가지로 구성될 수 있다. RLR을 운전 패턴으로 나누어 모델을 만듦으로써 높은 정확성을 갖음을 알 수 있다.

다만, Hougen-Watson 모델을 통하여 구한 예측 시간보다 실제 RLR이 교차로를 지나는 시간이 더 클 경우, 전체 적색 신호 구간의 길이가 모델을 통하여 예측된 시간(통과 시간) 만큼만 연장되게 된다면 RLR이 완전히 교차로를 벗어나기 전에 다른 차량의 교차로 진입을 허용하게 되는 문제를 발생시킬 수 있다. 실선 위의 포인트들은 모두 이러한 리스크에 노출될 수 있다.

안전부(270)는 이러한 문제를 해결하기 위해 도 10의 외각 데이터(outer points)를 기반으로 이차(polynomial) 회귀 모델을 이용하여 점선과 같은 모델을 만들 수 있다. 자료점(data point)이 점선 밑으로 내려가도록 만들어 안전한 연장을 하도록 할 수 있다. 안전부(270)는 노란 신호에 대한 반응 패턴에 기초하여 안전 시간을 예측할 모델을 선택한다. 안전부(270)는 선택된 모델에 예측부(260)에 의하여 1차적으로 예측된 교차로 통과 시간을 인가함으로써, 안전 시간을 예측할 수 있다. 예를 들어, 안전부(270)는 운전 패턴을 예측하는 단계에서 예측한 RLR의 노란 신호에 대한 반응 패턴에 대응하는 안전 시간 예측 모델을 결정할 수 있고, 안전 시간 예측 모델에 기초하여, 안전 시간을 예측할 수 있다. 안전 시간 예측 모델은 통과 시간 예측 모델에 기초하여 생성될 수 있다. 안전 시간 예측 모델은 Quadratic polynomial 회귀모델을 포함할 수 있다.

신호 연장부(280)는 환경 정보부로부터 현재 할당된 전체 적색 신호 구간의 길이 혹은 전체 적색 신호 구간이 종료되는 지점의 마지막 시간을 획득할 수 있다. 신호 연장부(280)는 안전부(270)를 통해 얻은 안전 시간과 전체 적색 신호 구간을 비교함으로써 만약 할당된 시간이 부족하다면 그 차만큼 전체 적색 신호 구간을 연장할 수 있다. 예를 들어, 신호 연장부(280)는 안전 시간이 가장 큰 RLR의 안전 시간과 전체 적색 신호 종료 시간을 비교할 수 있다. 비교결과, 안전 시간이 가장 큰 RLR의 안전 시간이 전체 적색 신호 종료 시간보다 늦을 경우, 안전 시간이 가장 큰 RLR의 안전 시간까지 전체 적색 신호 종료 시간을 연장할 수 있다.

도 11은 RLR에 의한 사고 방지 방법에 대한 순서도이다.

도 11을 참조하면, 일 실시예에 따른 교통 신호 제어 장치는 RLR이 교차로를 지나는 시간인 통과 시간을 예측하고(1010), 통과 시간을 기반으로 구한 안전 시간을 계산할 수 있다(1020). 연장 시간은 안전 시간에 기초하여 결정될 수 있다. 통과 시간을 예측할 시에는 앞서 도 10에서 설명한 RLR 운전 패턴에 맞는 모델을 사용하여 계산할 수 있다.

모든 RLR차량의 안전을 확보하기 위해서는 RLR들의 안전시간들 중 가장 큰 값인 최대값 사용하여 전체 적색 신호 구간을 연장하여야 한다. 최대값의 초기값을 0으로 설정한 후에 모든 차량의 안전시간과 비교하여 최대 값을 업데이트함으로써 안전시간에 대한 전체 차량의 최대값을 구한다(1030, 1040, 1050). 이 최대값을 기존 교차로에 할당된 전체 적색 신호 구간의 마지막 시간과 비교하여 만약 부족하다면 그 차를 연장해준다(1060). 하지만 여기서 무조건적으로 연장하지 않고 표준에서 제시하는 최대값(예를 들어, 7초) 이내에서 연장할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate 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 콘트롤러를 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 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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

미리 정해진 영역을 통과하는 하나 이상의 차량의 데이터를 수집하는 단계;
상기 수집된 데이터를 가공하는 단계;
상기 가공된 데이터를 미리 학습된 인공 신경망에 입력하여, 상기 차량의 운전 패턴을 예측하는 단계;
상기 운전 패턴에 기초하여, 상기 차량 중 적색 신호에서 교차로를 통과하는 하나 이상의 차량(Red Light Runner; RLR)의 교차로 통과 시간을 예측하는 단계;
상기 예측된 교차로 통과 시간에 기초하여, 상기 RLR의 안전 시간을 계산하는 단계; 및
상기 안전 시간에 기초하여, 전체 적색 신호 종료 시간을 연장하는 단계를 포함하고,
상기 교차로 통과 시간을 예측하는 단계는,
상기 운전 패턴을 예측하는 단계에서 예측한 상기 RLR의 노란 신호에 대한 반응 패턴에 대응하는 통과 시간 예측 모델을 결정하는 단계; 및
상기 RLR의 속도, 가속도, 교차로 정지선까지의 거리를 상기 통과 시간 예측 모델에 입력하여, 상기 교차로 통과 시간을 예측하는 단계를 포함하는,
교통 신호 제어 방법.
제1항에 있어서,
상기 차량의 데이터를 수집하는 단계는
데이터 수집 구간인지 여부를 판단하는 단계; 및
상기 데이터 수집 구간에 해당할 경우, 미리 정해진 시간 간격 마다 상기 차량의 속도, 가속도, 위치 정보 및 교차로의 지도 정보 중 적어도 하나를 수집하는 단계
를 포함하는, 교통 신호 제어 방법.
제2항에 있어서,
상기 데이터 수집 구간은
노란 신호 시작 시간 이후, 전체 적색 신호 시작 시간 이전에 해당하는 구간에 포함되는 미리 정해진 제1 구간을 포함하는, 교통 신호 제어 방법.
제2항에 있어서,
상기 수집된 데이터를 가공하는 단계는
상기 차량의 위치 정보와 상기 교차로의 지도 정보에 기초하여, 상기 차량의 교차로 정지선까지의 거리를 획득하는 단계; 및
상기 차량의 교차로 정지선까지의 거리에 기초하여, 앞 차량과의 거리를 획득하는 단계
를 포함하는, 교통 신호 제어 방법.
제1항에 있어서,
상기 미리 학습된 인공 신경망은
MC-DCNN(Multi-Channel Deep Convolutional Neural Network)을 포함하는, 교통 신호 제어 방법.
제1항에 있어서,
상기 운전 패턴은
교차로에서 정지하는 케이스, 적색 신호에서 교차로를 통과하는 케이스 및 노란 신호에서 교차로를 통과하는 케이스로 분류될 수 있고,
각각의 케이스는
노란 신호에 대한 반응 패턴에 따라 분류되는, 교통 신호 제어 방법.
제1항에 있어서,
상기 운전 패턴을 예측하는 단계는
상기 RLR을 판별하는 단계; 및
상기 RLR의 노란 신호에 대한 반응 패턴을 예측하는 단계
를 포함하는, 교통 신호 제어 방법.
삭제
제1항에 있어서,
상기 통과 시간 예측 모델은
Hougen-Watson 회귀모델을 포함하는, 교통 신호 제어 방법.
제1항에 있어서,
상기 안전 시간을 계산하는 단계는
상기 운전 패턴을 예측하는 단계에서 예측한 상기 RLR의 노란 신호에 대한 반응 패턴에 대응하는 안전 시간 예측 모델을 결정하는 단계; 및
상기 안전 시간 예측 모델에 기초하여, 상기 안전 시간을 예측하는 단계
를 포함하고,
상기 안전 시간 예측 모델은 상기 통과 시간 예측 모델에 기초하여 생성되는, 교통 신호 제어 방법.
제10항에 있어서,
상기 안전 시간 예측 모델은
Quadratic polynomial 회귀모델을 포함하는, 교통 신호 제어 방법.
제1항에 있어서,
상기 전체 적색 신호 종료 시간을 연장하는 단계는
상기 안전 시간이 가장 큰 RLR의 안전 시간과 상기 전체 적색 신호 종료 시간을 비교하는 단계; 및
상기 비교결과, 상기 안전 시간이 가장 큰 RLR의 안전 시간이 상기 전체 적색 신호 종료 시간보다 늦을 경우, 상기 안전 시간이 가장 큰 RLR의 안전 시간까지 상기 전체 적색 신호 종료 시간을 연장하는 단계
를 포함하는, 교통 신호 제어 방법.
하드웨어와 결합되어 제1항 내지 제7항, 제9항 내지 제12항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터로 읽을 수 있는 매체에 저장된 컴퓨터 프로그램.
미리 정해진 영역을 통과하는 하나 이상의 차량의 데이터를 수집하는 데이터 수집부; 및
프로세서
를 포함하고,
상기 프로세서는
상기 수집된 데이터를 가공하고,
상기 가공된 데이터를 미리 학습된 인공 신경망에 입력하여, 상기 차량의 운전 패턴을 예측하고,
상기 운전 패턴에 기초하여, 상기 차량 중 적색 신호에서 교차로를 통과하는 하나 이상의 차량(Red Light Runner; RLR)의 교차로 통과 시간을 예측하고,
상기 예측된 교차로 통과 시간에 기초하여, 상기 RLR의 안전 시간을 계산하고,
상기 안전 시간에 기초하여, 전체 적색 신호 종료 시간을 연장하고,
상기 운전 패턴을 예측하는 단계에서 예측한 상기 RLR의 노란 신호에 대한 반응 패턴에 대응하는 통과 시간 예측 모델을 결정하고,
상기 RLR의 속도, 가속도, 교차로 정지선까지의 거리를 상기 통과 시간 예측 모델에 입력하여, 상기 교차로 통과 시간을 예측하는,
교통 신호 제어 장치.
제14항에 있어서,
상기 데이터 수집부는
차량 데이터 수집 시스템(Vehicle Data Collection System ; VDCS)을 포함하고,
상기 차량 데이터 수집 시스템은
수집 범위 결정 모듈, 움직임 탐지 모듈, 추적 모듈, 카메라 칼리브레이션 모듈, 신호 탐지 모듈 및 파라미터 추출 모듈을 포함하는, 교통 신호 제어 장치.
제14항에 있어서,
상기 프로세서는
데이터 수집 구간인지 여부를 판단하고,
상기 데이터 수집부는
상기 데이터 수집 구간에 해당할 경우, 미리 정해진 시간 간격 마다 상기 차량의 속도, 가속도, 위치 정보 및 교차로의 지도 정보 중 적어도 하나를 수집하는, 교통 신호 제어 장치.
제16항에 있어서,
상기 프로세서는
상기 차량의 위치 정보와 상기 교차로의 지도 정보에 기초하여, 상기 차량의 교차로 정지선까지의 거리를 획득하고,
상기 차량의 교차로 정지선까지의 거리에 기초하여, 앞 차량과의 거리를 획득하는, 교통 신호 제어 장치.
제14항에 있어서,
상기 운전 패턴은
교차로에서 정지하는 케이스, 적색 신호에서 교차로를 통과하는 케이스 및 노란 신호에서 교차로를 통과하는 케이스로 분류될 수 있고,
각각의 케이스는
노란 신호에 대한 반응 패턴에 따라 분류되는, 교통 신호 제어 장치.
제14항에 있어서,
상기 프로세서는
상기 RLR을 판별하고,
상기 RLR의 노란 신호에 대한 반응 패턴을 예측하는, 교통 신호 제어 장치.
삭제
제14항에 있어서,
상기 프로세서는
상기 운전 패턴을 예측하는 단계에서 예측한 상기 RLR의 노란 신호에 대한 반응 패턴에 대응하는 안전 시간 예측 모델을 결정하고,
상기 안전 시간 예측 모델에 기초하여, 상기 안전 시간을 예측하며,
상기 안전 시간 예측 모델은 상기 통과 시간 예측 모델에 기초하여 생성되는, 교통 신호 제어 장치.
제14항에 있어서,
상기 프로세서는
상기 안전 시간이 가장 큰 RLR의 안전 시간과 상기 전체 적색 신호 종료 시간을 비교하고,
상기 비교결과, 상기 안전 시간이 가장 큰 RLR의 안전 시간이 상기 전체 적색 신호 종료 시간보다 늦을 경우, 상기 안전 시간이 가장 큰 RLR의 안전 시간까지 상기 전체 적색 신호 종료 시간을 연장하는, 교통 신호 제어 장치.