KR102237230B1 - 차량용 도로 상태 추정 시스템 및 그 방법 - Google Patents

Abstract

본 발명은 주행과 관련된 둘 이상의 차량 상태들에 대한 제1 센싱 데이터를 출력하는 센서부와; 상기 제1 센싱 데이터를 이용하여 상기 차량이 운행 중인 도로의 상태가 제1 상태 또는 제2 상태인지를 판별하는 도로 판별부;를 포함하여 이루어지는 차량용 도로 상태 추정 시스템 및 그 방법에 관한 것으로, 현재 주행 중인 도로의 노면 상태가 건식 또는 습식 상태인지를 예측하여 운전자에게 알릴 수 있어서, 운전자의 안전 운전에 도움이 되는 효과를 제공한다.

Description

차량용 도로 상태 추정 시스템 및 그 방법{System and Method for estimating a state of road for a vehicle}

본 발명은 차량용 도로 상태 추정 시스템 및 그 방법에 관한 것으로, 보다 상세하게는 차량이 주행 중인 도로가 건조한 상태 또는 눈, 비에 의해 습한 상태인지를 추정하는 차량용 도로 상태 추정 시스템 및 그 방법에 관한 것이다.

종래의 선행 특허출원 1(10-2008-0103674호)는 차량의 속도, 횡가속도, 요레이트를 인공신경망으로 학습시켜, 횡미끄럼각(Sideslip angle)을 추정하고, 속도 영역을 30~150km/h에서 정현파 스윕 조타 입력을 주어 훈련시킨다.

그러나, 실제 차량은 속도가 다양하게 변화되고, 선행 특허출원 1의 방식으로는 연속적인 속도 변화에 대응하기 힘이 들고, 결정적으로 도로가 현재 건식 상태(Dry)인지 또는 눈, 비 등에 의해 습한 상태(Wet)인지를 고려하지 않는 문제점이 있다.

본 발명은 인공 신경망(Neural Network) 기법을 이용하여 현재 도로가 건식 상태(Dry) 또는 습한 상태(Wet)인지를 판별하여 이를 운전자에게 알리는 차량용 도로 상태 추정 시스템 및 그 방법을 제공하기 위한 것이다.

또한, 본 발명은 NARXNN(Nonlinear Auto Regressive with eXogenous input Neural Network) 알고리즘이 적용된 추정 모델을 이용하여, 현재 도로가 건식 상태(Dry) 또는 습한 상태(Wet)일 때에 차량에 구비되지 않은 센서의 센싱 값을 추정할 수 있는 차량용 도로 상태 추정 시스템 및 그 방법을 제공하기 위한 것이다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 차량용 도로 상태 추정 시스템은, 주행과 관련된 둘 이상의 차량 상태들에 대한 제1 센싱 데이터를 출력하는 센서부와; 상기 제1 센싱 데이터를 이용하여 상기 차량이 운행 중인 도로의 상태가 제1 상태 또는 제2 상태인지를 판별하는 도로 판별부;를 포함하여 이루어진다.

또한, 본 발명의 일 실시예에 따른 차량용 도로 상태 추정 시스템의 도로 상태 추정 방법은, 차량의 센서부를 통해 주행과 관련된 둘 이상의 차량 상태들에 대한 제1 센싱 데이터를 출력하는 단계와, 상기 제1 센싱 데이터를 이용하여 상기 차량이 운행 중인 도로의 상태가 제1 상태 또는 제2 상태인지를 판별하는 단계;를 포함하여 이루어진다.

상기와 같이 구성되는 본 발명의 적어도 하나의 실시예에 관련된 차량용 도로 상태 추정 시스템을 통해 현재 주행 중인 도로의 노면 상태가 건식 또는 습식 상태인지를 예측하여 운전자에게 알릴 수 있어서, 운전자의 안전 운전에 도움이 되는 효과를 제공할 수 있다.

또한, NARXNN(Nonlinear Auto Regressive with eXogenous input Neural Network) 알고리즘이 적용된 추정 모델을 이용하여, 현재 도로가 건식 상태(Dry) 또는 습한 상태(Wet)일 때에 차량에 구비되지 않은 센서의 센싱 값을 추정하여, 기존 차량에서 수행하지 못하는 제어 기능을 상기 추정된 센싱 값을 근거로 수행할 수 있는 효과를 제공한다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 차량용 도로 상태 추정 시스템의 일례를 나타내는 블럭도이다.
도 2 내지 도 5는 본 발명의 일 실시예에 따른 차량용 도로 상태 추정 시스템의 도로 상태 추정 과정을 설명하기 위한 도면이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서 전체에 걸쳐서 동일한 참조번호로 표시된 부분들은 동일한 구성요소들을 의미한다.

본 발명은 본 발명의 차량에 구비되지 않은 고가의 센서를 신경망 추정기(Neural Network Estimator)로 대체하여, 상기 차량에 구비된 저가의 기본 센서에 해당하는 센서부(110)를 통해 현재 주행 중인 차량의 조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)를 포함한 제1 센싱 데이터를 감지하고, 상기 감지된 제1 센싱 데이터만으로 현재 차량이 주행 중인 도로의 노면 상태가 건조한 정상적인 제1 상태(Dry Road Mode) 또는 눈/비에 의해 습한 비정상적인 제2 상태(Wet Road Mode)인지를 판별하여 이를 상기 차량의 운전자에게 알릴 수 있다.

또한, 상기 도로의 노면 상태가 제1 또는 제2 상태인지에 따라 그에 걸맞는 신경망 추정기를 선택하여 상기 차량에 구비되어 있지 않은 고가의 센서에서 측정 가능한 센서값을 추정할 수 있다.

상기 고가의 센서에서 측정되는 센서값으로는 GPS/INS을 포함한 센서값으로써, Longitudinal/Lateral stability control에 사용되는 Longitudinal/Lateral Velocity 센서값과, Lateral stability control, AYC(Active Yaw Control), BFDC(Brake Force Distribution Control), AWD(All Wheel Drive), TCL(Traction Control), 4WS(Four Wheel Streering) 등에 사용되는 Side Slip Angle 센서값과, Lateral Dynamics에 사용되는 Lateral Force 센서값과, RSC(Roll Stability Control)에 사용되는 Roll Rate 센서값과, Suspension control에 사용되는 Spring Compression 센서값과, Roll 센서값 및 Pitch 센서값 중 적어도 하나를 포함할 수 있다.

이하, 도 1 내지 도 5를 참조하여 본 발명의 실시예들에 적용될 수 있는 차량용 도로 상태 추정 시스템의 도로 상태 추정 과정에 대해 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 차량용 도로 상태 추정 시스템의 일례를 나타내는 블럭도이다.

도 2 내지 도 5는 본 발명의 일 실시예에 따른 차량용 도로 상태 추정 시스템의 도로 상태 추정 과정을 설명하기 위한 도면이다.

도 1 내지 도 5를 참조하면, 본 발명의 일 실시예에 따른 도로 상태 추정 시스템(100)은, 주행과 관련된 둘 이상의 차량 상태들에 대한 제1 센싱 데이터를 감지하여 출력하는 센서부(110)와, 상기 제1 센싱 데이터를 이용하여 상기 차량이 운행 중인 도로의 상태가 제1 상태 또는 제2 상태인지를 판별하는 도로 판별부(120)와, 상기 제1 센싱 데이터를 이용하여 상기 도로가 상기 제1 또는 제2 상태일 때에 상기 차량에 구비되어 있지 않은 센서에서 측정 가능한 적어도 하나의 제2 센싱 데이터를 추정하는 추정부(130)와, 메모리(140)와, 디스플레이부(150)를 포함하여 이루어진다.

먼저, 센서부(110)는 상기 제1 센싱 데이터로써, 주행 중인 차량의 조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)를 감지하여 출력한다.

도로 판별부(120)는 상기 제1 센싱 데이터를 이용하여 상기 차량이 운행 중인 도로의 노면 상태가 건조한 정상 상태인 제1 상태인지 또는 눈/비에 의해 노면이 물에 젖어서 비정상 상태인 제2 상태인지를 판별한다.

일 예로, 본 발명에서는 차량을 기 설정된 기간 동안 제1 및 제2 상태인도로를 테스트 주행시키고, 상기 차량이 상기 기 설정된 기간 동안 제1 및 제2 상태의 도로를 테스트 주행하였을 때마다 차량의 조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)를 포함한 센싱값들을 주기적으로 측정하고, 상기 주기적으로 측정된 센싱값들 각각에 대한 각각의 도로마찰계수를 계산하고, 상기 계산된 도로마찰계수들을 제1 및 제2 그룹으로 분류한 후 이들을 메모리(140)에 학습 데이터로 저장한다.

이후, 도로 판별부(120)는 센싱부(110)를 통해 현재 주행 중인 차량의 조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)가 상기 저장된 제1 그룹에 해당하는 센싱값들[조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)]에 속하면, 현재 도로가 제1 상태인 것으로 판별하고, 센싱부(110)를 통해 현재 주행 중인 차량의 조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)가 상기 저장된 제2 그룹에 해당하는 센싱값들[조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)]에 속하면, 현재 도로가 제2 상태인 것으로 판별할 수 있다.

일 예로, 도로의 상태가 건조한 정상 상태의 계수를 “1”로 가정하고, 완전히 젖어 있는 상태의 계수를 “0”으로 가정하고, 건조함과 젖어있는 상태의 중간 상태의 계수를 “0.5”로 가정한 후 테스트 차량을 기 설정된 기간 동안 도로를 주행시키고, “1” 상태에서의 센싱값들[조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)]과, “0” 상태에서의 센싱값들[조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)] 및 “0.5” 상태에서의 센싱값들[조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)]을 판별할 결과, 학습 데이터로서, “0.6~1” 도로마찰계수일 때에 실질적 도로가 제1 상태인 것으로 학습되었고, “0.2~0.5” 도로마찰계수일 때에 실질적 도로가 제2 상태인 것으로 학습되었다.

따라서, 도 2에 도시된 바와 같이, 도로 판별부(120)는 상기 학습된 “0.6~1” 도로마찰계수를 도로의 제1 상태에 해당하는 제1 그룹으로 저장하고, 상기 학습된 “0.2~0.5” 도로마찰계수를 도로의 제2 상태에 해당하는 제2 그룹으로 저장한 후, 센싱부(110)를 통해 현재 주행 중인 차량의 조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)를 포함한 제1 센싱 데이터를 감지하고, 메모리(140)에서 상기 제1 센싱 데이터의 센싱값들에 해당하는 도로마찰계수가 제1 그룹에 속하면, 현재 도로 상태가 제1 상태인 것으로 판별하고, 상기 제1 센싱 데이터의 센싱값들에 해당하는 도로마찰계수가 제2 그룹에 속하면, 현재 도로 상태가 제2 상태인 것으로 판별하는 것이다.

그리고, 도로 판별부(120)는 현재 차량이 주행 중인 도로 상태가 제1 또는 제2 상태로 판별되면, 상기 도로의 상태가 제1 상태 또는 제2 상태임을 나타내는 정보를 디스플레이부(150) 상에 표시하거나 또는 차량의 스피커를 통해 상기 도로의 상태가 제1 상태 또는 제2 상태임을 나타내는 음성 또는 알림음을 출력할 수 있다.

차량의 안전 향상을 위한 시스템에서 요구되는 차량 주행 정보는 현재 상용 차량에 일반적으로 장착되어 있는 기본 온보드 센서[본 발명의 센서부(110)에 해당함] 이외에 더 많은 정보를 필요로 한다.

가격 및 공간적인 측면, 센서의 기술력 한계로 Lateral stabilizer controller 및 각종 Active Safety control, Rollover와 관련된 제어인자 정보들을 모두 센서로 얻는 것은 어렵다.

따라서 사용 가능한 최소한의 센서 정보를 이용하여 필요한 정보를 추정하는 방법이 필요하다.

따라서, 본 발명에서는 이하의 도 3과 같이 신경망 추정기 형태의 추정부(130)를 이용하여 차량이 주행 중인 도로의 상태에 따라서 상기 차량에 구비되어 있지 않은 센서에서 측정 가능한 적어도 하나의 제2 센싱 데이터를 추정하고, 추정된 제2 센싱 데이터를 기반으로 각종 차량의 컨트롤 시스템을 위한 유용한 제어 인자로 사용할 수 있도록 할 수 있다.

도 3에 도시된 바와 같이, 추정부(130)는 상기 도로가 상기 제1 또는 제2 상태일 때에 상기 제1 센싱 데이터를 이용하여 상기 차량에 구비되어 있지 않은 센서에서 측정 가능한 적어도 하나의 제2 센싱 데이터를 추정한다.

상기 제2 센싱 데이터는 상기 차량에 구비되어 있지 않은 고가의 센서에서 측정되는 GPS/INS을 포함한 센서값으로써, 각종 차량의 컨트롤 시스템을 위한 유용한 제어 인자로 사용되고, 일 예로, Longitudinal/Lateral stability control에 사용되는 Longitudinal/Lateral Velocity 센서값과, Lateral stability control, AYC(Active Yaw Control), BFDC(Brake Force Distribution Control), AWD(All Wheel Drive), TCL(Traction Control), 4WS(Four Wheel Streering) 등에 사용되는 Side Slip Angle 센서값과, Lateral Dynamics에 사용되는 Lateral Force 센서값과, RSC(Roll Stability Control)에 사용되는 Roll Rate 센서값과, Suspension control에 사용되는 Spring Compression 센서값과, Roll 센서값 및 Pitch 센서값 중 적어도 하나를 포함할 수 있다.

이때, 추정부(130)는 도로가 제1 상태일 때의 제2 센싱 데이터를 추정하는 제1 추정기(131) 및 도로가 제2 상태일 때의 제2 센싱 데이터를 추정하는 제2 추정기(132)를 포함한다.

제1 추정기(131)는 도로가 제1 상태일 때의 제1 센싱 데이터[조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)]가 입력값일 때에 상기 차량에 구비되어 있지 않은 센서로부터 실제 측정되는 각각의 타겟 센싱 데이터(제2 센싱 데이터)가 출력값으로 연산되는 NARXNN(Nonlinear Auto Regressive with eXogenous input Neural Network) 알고리즘이 모델링되어 있는 모듈이다.

제2 추정기(132)는 도로가 제2 상태일 때의 제1 센싱 데이터[조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)]가 입력값일 때에 상기 차량에 구비되어 있지 않은 센서로부터 실제 측정되는 각각의 타겟 센싱 데이터(제2 센싱 데이터)가 출력값으로 연산되는 NARXNN(Nonlinear Auto Regressive with eXogenous input Neural Network) 알고리즘이 모델링되어 있는 모듈이다.

상기 NARXNN은 회귀신경망의 종류로써, 연속적인 Input과 피드백 된 추정 값들을 이용하여 시간에 흐름에 따른 sequence 패턴을 특징으로 사용하므로 Nonlinear time series model에 매우 강력한 모델링 기법이다.

즉, 본 발명은 차량의 센서를 다루기 때문에 시간의 흐름에 따른 동적인 시스템이며, 센서들 간의 관계는 서로 비선형성을 이루고 있기 때문에 NARX의 적용이 적합하고, 기본 온보드 센서만을 인풋으로 하여 필요로 하는 파라미터들(제2 센싱 데이터)를 추정해 낼 수 있다.

도 4를 참조하면, 먼저 ① 노면이 정상 상태인 제1 상태의 도로를 차량이 주행 중에 이고, ② 차량이 주행 중에 눈, 비 등에 의해 노면이 젖어서 비정상 상태인 제2 상태의 도로로 들어섰다고 가정한다.

이 경우, 도로 판별부(120)는 센서부(110)를 통해 현재 주행 중인 차량의 조향각(Steering angle)과, 요 레이트(Yaw rate)와, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)를 포함한 제1 센싱 데이터 값을 실시간으로 읽어 들이고, 차량의 엑셀레이터 페달 또는 브레이크 페달을 밟기 시작해서 상기 엑셀레이터 페달 또는 브레이크 페달에서 발을 뗄 때까지 읽어 들인 상기 제1 센싱 데이터를 수집한다.

그리고, 도로 판별부(120)는 앞서 설명한 바와 같이, 상기 수집된 제1 센싱 데이터가 “0.6~1” 범위의 도로마찰계수에 해당되면, 현재 차량이 주행 중인 도로가 ①과 같은 제1 상태의 도로로 판단하고, 상기 수집된 제1 센싱 데이터가 “0.2~0.5” 범위의 도로마찰계수에 해당되면, 현재 차량이 주행 중인 도로가 ②와 같은 제2 상태의 도로로 판단한다.

도로 판별부(120)는 상기 도로가 제1 상태의 도로로 판단되면, 디스플레이부(150) 상에 현재 주행 중인 도로가 정상인 제1 상태의 도로임을 알리는 정보를 표시하거나 또는 차량의 스피커에 현재 주행 중인 도로가 정상인 제1 상태의 도로임을 알리는 음성 또는 효과음을 출력하도록 제어한다.

또한, 도로 판별부(120)는 상기 도로가 제1 상태의 도로로 판단되면, 도로의 제1상태 전용의 제1 추정기(131)를 활성화시키고, 센싱부(110)를 통해 실시간 센싱되는 제1 센싱 데이터를 제1 추정기(131)의 입력값으로 입력하여, 제1 추정기(131)가 도로의 제1 상태일 때의 제2 센싱 데이터를 출력하도록 제어한다.

또한, 도로 판별부(120)는 상기 도로가 제2 상태의 도로로 판단되면, 디스플레이부(150) 상에 현재 주행 중인 도로가 눈 또는 비에 젖어서 비 정상인 제2 상태의 도로임을 알리는 정보를 표시하거나 또는 차량의 스피커에 현재 주행 중인 도로가 제2 상태의 도로임을 알리는 음성 또는 효과음을 출력하도록 제어한다.

또한, 도로 판별부(120)는 상기 도로가 제2 상태의 도로로 판단되면, 도로의 제2상태 전용의 제2 추정기(132)를 활성화시키고, 센싱부(110)를 통해 실시간 센싱되는 제1 센싱 데이터를 제2 추정기(132)의 입력값으로 입력하여, 제2 추정기(132)가 도로의 제2 상태일 때의 제2 센싱 데이터를 출력하도록 제어한다.

그 다음으로, 도 5에 도시된 바와 같이, 도로 판별부(120)는 센서부(110)를 통해 실시간 읽어 들인 제1 센싱 데이터 내의 센싱값들 및 상기 제1 센싱 데이터에 대한 제2 센싱 데이터의 센싱값들을 주기적으로 메모리(140)에 저장하여 데이터 베이스화한다.

그리고, 일 예로, 차량 주행 중 도로 판별부(120)는 센서부(110) 내의 요 레이트를 측정하는 제1 센서가 고장이 나서 조향각(Steering angle)과, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)만이 센싱되면, 추정부(130)의 제1 추정기(131) 또는 제2 추정기(132)에 현재 센싱된 조향각(Steering angle)과, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)만을 입력값으로 입력 하여 해당 제2 센싱 데이터를 획득하고, 메모리(140)에 저장된 제2 센싱 데이터들 중 상기 획득된 제2 센싱 데이터에 해당하는 제2 센싱 데이터를 검색하고, 상기 검색된 제2 센싱 데이터의 입력값에 해당하는 제1 센싱 데이터를 다시 검색하고, 상기 검색된 제1 센싱 데이터 내의 조향각(Steering angle)과, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)가 상기 현재 센싱된 조향각(Steering angle)과, 종가속도(Ax)와, 횡가속도(Ay) 및 휠 속도(Wheel speed)과 일치하면, 상기 검색된 제1 센싱 데이터 내의 요 레이트 값을 상기 고장난 센서의 센서값으로 추정할 수 있다.

물론, 조향각, 종가속도, 횡가속도 또는 휠 속도를 측정하는 각각의 센서가 고장날 경우에도 상기 동작에 의해 조향각, 종가속도, 횡가속도 또는 휠 속도값을 추정할 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.

따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

100: 차량용 도로 상태 추정 시스템 110: 센서부
120: 도로 판별부 130: 추정부
140: 메모리 150: 디스플레이부

Claims (16)

1. 주행과 관련된 둘 이상의 차량 상태들에 대한 제1 센싱 데이터를 감지하여 출력하는 센서부; 및
   상기 제1 센싱 데이터를 이용하여 상기 차량이 운행 중인 도로의 상태가 제1 상태 또는 제2 상태인지를 판별하는 도로 판별부; 및
   상기 제1 센싱 데이터를 이용하여 상기 도로가 상기 제1 또는 제2 상태일 때에 상기 차량에 구비되어 있지 않은 센서에서 측정 가능한 적어도 하나의 제2 센싱 데이터를 추정하는 추정부를 포함하되,
   상기 추정부는,
   도로가 제1 상태일 때의 제2 센싱 데이터를 추정하는 제1 추정기와, 도로가 제2 상태일 때의 제2 센싱 데이터를 추정하는 제2 추정기를 포함하고,
   상기 제1 및 제2 추정기는, 도로가 제1 상태 또는 제2 상태일 때의 각각의 제1 센싱 데이터가 입력값일 때에 상기 차량에 구비되어 있지 않은 센서로부터 실제 측정되는 각각의 타겟 센싱 데이터가 출력값으로 연산되는 NARXNN(Nonlinear Auto Regressive with eXogenous input Neural Network) 알고리즘이 모델링되어 있는, 차량용 도로 상태 추정 시스템.
2. 제1 항에 있어서,
   상기 제1 센싱 데이터는, 조향각(Steering angle), 요 레이트(Yaw rate), 종가속도(Ax), 횡가속도(Ay) 및 휠 속도(Wheel speed) 중 둘 이상을 포함하는, 차량용 도로 상태 추정 시스템.
3. 제1 항에 있어서,
   상기 제1 상태는, 노면이 정상 상태인 도로 상태를 포함하고,
   상기 제2 상태는, 노면에 비 또는 눈이 온 도로 상태를 포함하는, 차량용 도로 상태 추정 시스템.
4. 제3 항에 있어서,
   도로가 제1 및 제2 상태일 때에 각각 측정된 주행과 관련된 둘 이상의 차량 상태들에 대한 다수의 센싱 데이터가 학습 데이터로 저장된 메모리;를 더 포함하고,
   상기 도로 판별부는, 상기 제1 센싱 데이터와 상기 학습 데이터를 비교하여 상기 운행 중인 도로의 상태가 제1 상태 또는 제2 상태인지를 판별하는, 차량용 도로 상태 추정 시스템.
5. 제1 항에 있어서,
   상기 도로 판별부에 의한 판별 결과, 상기 운행 중인 도로의 상태가 제1 상태 또는 제2 상태임을 나타내는 정보를 표시하는 디스플레이부;를 더 포함하는, 차량용 도로 상태 추정 시스템.
6. 삭제
7. 삭제
8. 삭제
9. 차량의 센서부를 통해 주행과 관련된 둘 이상의 차량 상태들에 대한 제1 센싱 데이터를 감지하여 출력하는 단계;
   상기 제1 센싱 데이터를 이용하여 상기 차량이 운행 중인 도로의 상태가 제1 상태 또는 제2 상태인지를 판별하는 단계; 및
   상기 제1 센싱 데이터를 이용하여 상기 도로가 상기 제1 또는 제2 상태일 때에 상기 차량에 구비되어 있지 않은 센서에서 측정 가능한 적어도 하나의 제2 센싱 데이터를 추정부를 통해 추정하는 단계;를 포함하되,
   상기 추정부는,
   도로가 제1 상태일 때의 제2 센싱 데이터를 추정하는 제1 추정기와, 도로가 제2 상태일 때의 제2 센싱 데이터를 추정하는 제2 추정기를 포함하고,
   상기 제1 및 제2 추정기는, 도로가 제1 상태 또는 제2 상태일 때의 각각의 제1 센싱 데이터가 입력값일 때에 상기 차량에 구비되어 있지 않은 센서로부터 실제 측정되는 각각의 타겟 센싱 데이터가 출력값으로 연산되는 NARXNN(Nonlinear Auto Regressive with eXogenous input Neural Network) 알고리즘이 모델링되어 있는, 차량용 도로 상태 추정 시스템의 도로 상태 추정 방법.
10. 제9 항에 있어서,
    상기 제1 센싱 데이터는, 조향각(Steering angle), 요 레이트(Yaw rate), 종가속도(Ax), 횡가속도(Ay) 및 휠 속도(Wheel speed) 중 둘 이상을 포함하는, 차량용 도로 상태 추정 시스템의 도로 상태 추정 방법.
11. 제9 항에 있어서,
    상기 제1 상태는, 노면이 정상 상태인 도로 상태를 포함하고,
    상기 제2 상태는, 노면에 비 또는 눈이 온 도로 상태를 포함하는, 차량용 도로 상태 추정 시스템의 도로 상태 추정 방법.
12. 제11 항에 있어서,
    도로가 제1 및 제2 상태일 때에 각각 측정된 주행과 관련된 둘 이상의 차량 상태들에 대한 다수의 센싱 데이터가 학습 데이터로 메모리에 저장되는 단계;를 더 포함하고,
    상기 판별 단계는, 상기 제1 센싱 데이터와 상기 학습 데이터를 비교하여 상기 운행 중인 도로의 상태가 제1 상태 또는 제2 상태인지를 판별하는, 차량용 도로 상태 추정 시스템의 도로 상태 추정 방법.
13. 제9 항에 있어서,
    상기 판별 결과, 상기 운행 중인 도로의 상태가 제1 상태 또는 제2 상태임을 나타내는 정보를 표시하는 단계;를 더 포함하는, 차량용 도로 상태 추정 시스템의 도로 상태 추정 방법.
14. 삭제
15. 삭제
16. 삭제

Images