KR102314816B1 - 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템 - Google Patents

재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템 Download PDF

Info

Publication number
KR102314816B1
KR102314816B1 KR1020210023825A KR20210023825A KR102314816B1 KR 102314816 B1 KR102314816 B1 KR 102314816B1 KR 1020210023825 A KR1020210023825 A KR 1020210023825A KR 20210023825 A KR20210023825 A KR 20210023825A KR 102314816 B1 KR102314816 B1 KR 102314816B1
Authority
KR
South Korea
Prior art keywords
wheeled vehicle
information
accident
vehicle accident
depth prediction
Prior art date
Application number
KR1020210023825A
Other languages
English (en)
Inventor
나종열
Original Assignee
나종열
(주)포그
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 나종열, (주)포그 filed Critical 나종열
Priority to KR1020210023825A priority Critical patent/KR102314816B1/ko
Application granted granted Critical
Publication of KR102314816B1 publication Critical patent/KR102314816B1/ko
Priority to PCT/KR2021/018942 priority patent/WO2022181946A1/ko
Priority to US17/920,708 priority patent/US20230192220A1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62J—CYCLE SADDLES OR SEATS; AUXILIARY DEVICES OR ACCESSORIES SPECIALLY ADAPTED TO CYCLES AND NOT OTHERWISE PROVIDED FOR, e.g. ARTICLE CARRIERS OR CYCLE PROTECTORS
    • B62J27/00—Safety equipment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62J—CYCLE SADDLES OR SEATS; AUXILIARY DEVICES OR ACCESSORIES SPECIALLY ADAPTED TO CYCLES AND NOT OTHERWISE PROVIDED FOR, e.g. ARTICLE CARRIERS OR CYCLE PROTECTORS
    • B62J45/00—Electrical equipment arrangements specially adapted for use as accessories on cycles, not otherwise provided for
    • B62J45/40—Sensor arrangements; Mounting thereof
    • B62J45/41—Sensor arrangements; Mounting thereof characterised by the type of sensor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62J—CYCLE SADDLES OR SEATS; AUXILIARY DEVICES OR ACCESSORIES SPECIALLY ADAPTED TO CYCLES AND NOT OTHERWISE PROVIDED FOR, e.g. ARTICLE CARRIERS OR CYCLE PROTECTORS
    • B62J50/00—Arrangements specially adapted for use on cycles not provided for in main groups B62J1/00 - B62J45/00
    • B62J50/20—Information-providing devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62J—CYCLE SADDLES OR SEATS; AUXILIARY DEVICES OR ACCESSORIES SPECIALLY ADAPTED TO CYCLES AND NOT OTHERWISE PROVIDED FOR, e.g. ARTICLE CARRIERS OR CYCLE PROTECTORS
    • B62J6/00—Arrangement of optical signalling or lighting devices on cycles; Mounting or supporting thereof; Circuits therefor
    • B62J6/20—Arrangement of reflectors, e.g. on the wheel spokes ; Lighting devices mounted on wheel spokes
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/005—Alarm destination chosen according to a hierarchy of available destinations, e.g. if hospital does not answer send to police station
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
    • G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62J—CYCLE SADDLES OR SEATS; AUXILIARY DEVICES OR ACCESSORIES SPECIALLY ADAPTED TO CYCLES AND NOT OTHERWISE PROVIDED FOR, e.g. ARTICLE CARRIERS OR CYCLE PROTECTORS
    • B62J45/00—Electrical equipment arrangements specially adapted for use as accessories on cycles, not otherwise provided for
    • B62J45/40—Sensor arrangements; Mounting thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)
  • Public Health (AREA)

Abstract

본 발명은 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템에 관한 것으로서, 이륜차에 장착되는 몸체; 일단이 상기 몸체의 하단에 고정되어, 부챗살 모양으로 접었다 펼 수 있게 구성되고, 빛을 반사시키는 재귀반사 커버; 및 상기 몸체의 일측에 탑재되고, 복수의 센서를 이용하여 상기 이륜차의 속도 및 위치를 측정하고, 사고 발생시 무선통신망을 통해 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 이륜차 사고 심도 예측 서버로 전송하는 제어 보드를 포함한다.

Description

재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템{TWO-WHEELED VEHICLE ACCIDENT REPORTING DEVICE HAVING RETROREFLECTIVE COVER, TWO-WHEELED VEHICLE ACCIDENT DEPTH PREDICTION SERVER BASED ON DEEP LEARNING RECOGNITION, AND TWO-WHEELED VEHICLE ACCIDENT DEPTH PREDICTION SYSTEM INCLUDING THE SAME}
본 발명은 사고 예측 시스템에 관한 것으로, 더욱 상세하게는 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템에 관한 것이다.
이륜차는 도로를 이용하기 때문에 가속을 하는 경우가 많다. 따라서 이륜차는 도로의 차와 접촉 사고가 나거나, 탑승자의 부주의로 인해 사고가 날 때 사망률이 높다.
차대 이륜차 예를 들어, 자전거 혹은 킥보드 혹은 전동 킥보드, 전동휠 등의단독 사고의 경우, 대부분 동승자가 없기 때문에, 사고 후 처리 지연으로 인해 피해가 확대되는 경우가 많다.
신속한 후처리를 위해 일정 임계값 이상의 충격량이 감지되면, 모바일 앱을 통해 일괄적으로 경찰서에 신고하는 기존 기술이 있으나, 사고의 심도에 대한 판단 없이 일괄적으로 신고에 연계되는 것이 비효율적이며 불필요한 사회적 비용이 소요된다.
예를 들어, 경찰관과 소방관이 출동하였지만, 경미한 사고라서 보험사 간의 합의로 끝나는 다빈도 건의 경우가 있을 수 있으며, 혹은 경찰관이 출동하였으나, 생각보다 심각한 중상해 사고라서 조치가 늦어지는 경우 등이 발생할 수 있다. 즉, 기존에는 이륜차에 대해 신고 당시 사고의 심각도 정도를 판단할 수 있는 방법이 없었다.
일본등록특허 제4345948호 국내등록특허 제10-1948768호
본 명세서는 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로서, 이륜차의 사고 발생시 신속, 적절하게 구호 조치가 이루어질 수 있는 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템을 제공하는 데 그 목적이 있다.
본 발명의 다른 목적은 기존 리플렉터의 전후면 위주의 반사 기능의 한계점과 작은 크기의 단점을 보완하여 높은 시인성을 보여주는 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치를 제공한다.
본 발명의 또 다른 목적은 피해자의 사고 처리 과정에서의 극한의 스트레스를 완화할 수 있는 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템을 제공한다.
이와 같은 목적을 달성하기 위한, 본 명세서의 실시예에 따르면, 본 명세서에 따른 이륜차 사고 발생 보고 장치는, 이륜차에 장착되는 몸체; 일단이 상기 몸체의 하단에 고정되어, 부챗살 모양으로 접었다 펼 수 있게 구성되고, 빛을 반사시키는 재귀반사 커버; 및 상기 몸체의 일측에 탑재되고, 복수의 센서를 이용하여 상기 이륜차의 속도 및 위치를 측정하고, 사고 발생시 무선통신망을 통해 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 이륜차 사고 심도 예측 서버로 전송하는 제어 보드를 포함한다.
바람직하게는, 상기 몸체는 상기 이륜차의 탑튜브의 하부에 장착되는 것을 특징으로 한다.
바람직하게는, 상기 재귀반사 커버는 펼쳐졌을 때 타단이 상기 이륜차의 다운 튜브에 고정되는 것을 특징으로 한다.
바람직하게는, 상기 제어 보드는 상기 이륜차의 속도 및 충격량을 측정하는 가속도 센서 및 상기 이륜차의 위치를 측정하는 GPS 센서를 포함하는 것을 특징으로 한다.
바람직하게는, 상기 몸체는 이륜차의 탑튜브, 타운튜브, 시트튜브, 헤드튜브 또는 핸들축 중 어느 하나에 장착되고, 재귀반사 커버는 상기 몸체의 일부에 고정되어 부챗살 모양으로 접었다 펼 수 있으며, 펴진 상태에서는 재귀반사 커버의 타단이 기언급한 이륜차의 탑튜브, 타운튜브, 시트튜브, 헤드튜브 또는 핸들축 중 어느 하나 이상에 고정될 수 있다.
또한, 상기 재귀반사 커버의 타단이 상기 이륜차의 탑튜브, 타운튜브, 시트튜브, 헤드튜브 또는 핸들축에 반드시 고정될 필요는 없으며, 접었다 펼 수 있는 요철의 고정력에 의해 재귀반사 커버가 펴진 상태에서 타단이 원하는 위치에 위치하도록 유지하여도 무방하다.
본 명세서의 다른 실시예에 따르면, 본 명세서에 따른 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버는, 복수의 신체 정보를 저장하는 메모리; 및 사고 발생시 이륜차에 장착된 이륜차 사고 발생 보고 장치로부터 무선통신망을 통해 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 수신하고, 상기 위치 정보에 기반하여 해당 위치의 도로 정보 및 날씨 정보를 분석한 후, 상기 복수의 신체 정보 중 상기 운전자 식별 정보에 대응되는 신체 정보와, 상기 속도 정보, 상기 충격량 정보, 상기 도로 정보, 상기 날씨 정보, 및 상기 시간 정보를 딥러닝함으로써, 사고 심도를 판단하는 신경망을 구성하는 하나 이상의 프로세서를 포함한다.
바람직하게는, 상기 하나 이상의 프로세서는 상기 딥러닝 결과에 따른 사고 심도별로 상이한 구호 기관에 사고를 통보하는 것을 특징으로 한다.
바람직하게는, 딥러닝시 정해지는 하이퍼 파라미터(Hyper Parameter)인 학습률(Learning Rate), 목표(Goal), 및 에포크 수(Number of Epochs)는 0.00002, 0.000001, 100으로 각각 설정되는 것을 특징으로 한다.
바람직하게는, 상기 신체 정보는 키, 몸무게, 혈액형, 기왕증 부위를 포함하는 것을 특징으로 한다.
바람직하게는, 상기 하나 이상의 프로세서는 상기 운전자가 소지하고 있는 휴대 단말의 통화 횟수, 통화 시간, 통화 시간 내역, 문자 횟수, 모바일 메신저에 접속 횟수, 상기 모바일 메신저에 태그 횟수 및 저장된 사진과 연계된 횟수 중 적어도 하나를 기초로 연락처에 우선순위를 부여하고, 상기 딥러닝 결과에 따른 사고 심도별로 대응되는 연락처에 통보하는 것을 특징으로 한다.
본 명세서의 또 다른 실시예에 따르면, 본 명세서에 따른 이륜차 사고 심도 예측 시스템은, 이륜차에 장착되어, 복수의 센서를 이용하여 상기 이륜차의 속도 및 위치를 측정하고, 사고 발생시 무선통신망을 통해 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 전송하는 이륜차 사고 발생 보고 장치; 및 복수의 신체 정보를 저장하고, 상기 이륜차 사고 발생 보고 장치로부터 수신한 상기 위치 정보에 기반하여 해당 위치의 도로 정보 및 날씨 정보를 분석한 후, 상기 복수의 신체 정보 중 상기 운전자 식별 정보에 대응되는 신체 정보와, 상기 속도 정보, 상기 충격량 정보, 상기 도로 정보, 상기 날씨 정보, 및 상기 시간 정보를 딥러닝함으로써, 사고 심도를 판단하며, 상기 딥러닝 결과에 따른 사고 심도별로 상이한 구호 기관에 사고를 통보하는 신경망을 구성하는 하나 이상의 프로세서를 포함하는 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버를 포함한다.
이상에서 설명한 바와 같이 본 명세서에 의하면, 부챗살 모양으로 접었다 펼 수 있게 구성되고, 빛을 반사시키는 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치를 제공함으로써, 기존 리플렉터(후면 리플렉터, 페달 리플렉터 및 사이드 리플렉터)의 전후면 위주의 반사 기능의 한계점과 작은 크기의 단점을 보완하여 높은 시인성을 보여 교통사고를 줄여줄 수 있다. 또한, 야광띠, 야광 의류를 장착하지 않더라도 본 발명에 따른 재귀반사 커버가 그 기능을 대신할 수 있다.
또한, 사고 발생시 사고 심도를 딥러닝 판단하는 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버 및 이륜차 사고 심도 예측 시스템을 제공함으로써, 신속, 적절한 구호 조치가 이루어질 수 있다.
또한, 사고 이후 처리에 관한 사고자 맞춤형 원스톱 서비스를 제공하는 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버 및 이륜차 사고 심도 예측 시스템을 제공함으로써, 피해자의 사고 처리 과정에서의 극한의 스트레스를 완화할 수 있다.
도 1은 본 발명의 일실시예에 따른 이륜차 사고 심도 예측 시스템의 개략적인 구성을 나타낸 도면,
도 2는 본 발명의 일실시예에 따른 이륜차 사고 발생 보고 장치의 외형을 나타낸 도면,
도 3은 본 발명의 일실시예에 따른 제어 보드 내부의 개략적인 구성을 나타낸 블럭 구성도,
도 4는 본 발명의 일실시예에 따른 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버 내부의 개략적인 구성을 나타낸 블럭 구성도,
도 5는 본 발명의 실시 형태에 관한 이륜차 사고 심도 예측 서버의 기능을 실현 가능한 하드웨어의 일례를 도시한 블록도,
도 6은 본 발명의 일실시예에 따른 딥러닝 인식 기반의 이륜차 사고 심도 예측 방법을 나타낸 흐름도,
도 7, 9, 11은 이륜차에 이륜차 사고 발생 보고 장치가 장착되어, 재귀반사 커버가 펼쳐진 모습을 보여주는 도면, 및
도 8, 10은 재귀반사 커버가 접어진 모습을 보여주는 도면이다.
도 12는 본 발명의 다른 실시예에 따른 이륜차 장착 모습을 보여주는 도면이다.
본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 명세서에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는 데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니됨을 유의해야 한다.
도 1은 본 발명의 일실시예에 따른 이륜차 사고 심도 예측 시스템의 개략적인 구성을 나타낸 도면이다.
도 1을 참조하면, 본 발명에 따른 이륜차 사고 심도 예측 시스템은 운전자 단말(110), 이륜차 사고 발생 보고 장치(120) 및 이륜차 사고 심도 예측 서버(130)를 포함할 수 있다.
운전자 단말(110)은 자전거, 오토바이, 킥보드 및 전동 킥보드, 전동휠 등과 같은 이륜차의 운전자가 소지하고 있는 휴대 단말로서, 이륜차 사고 심도 예측 서버(130)에 접속하여 운전자의 이름, 나이, 주민등록번호 및 전화번호를 포함하는 운전자 정보와 함께 몸무게, 키, 혈액형 및 기왕증 부위(사고 전 다친 부위)를 포함하는 신체 정보를 입력하여 사고 발생 신고 서비스에 가입할 수 있다. 한편, 본 명세서에서는 이륜차를 적시하였으나 상기 이륜차에는 바퀴가 하나 또는 두 개를 갖는 전동휠도 포함한다.
또한, 운전자 단말(110)은 이륜차에 장착된 이륜차 사고 발생 보고 장치(120)와 페어링되어 이륜차 사고 발생 보고 장치(120)와 이륜차 사고 심도 예측 서버(130) 사이에서 데이터를 전달할 수 있다. 즉, 운전자 단말(110)은 이륜차 사고 발생 보고 장치(120)로부터 수신한 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 이륜차 사고 심도 예측 서버(130)로 전달할 수 있다. 또한, 운전자 단말(110)은 이륜차 사고 심도 예측 서버(130)의 요청에 따라 통화 횟수, 통화 시간, 통화 시간 내역, 문자 횟수, 모바일 메신저에 접속 횟수, 모바일 메신저에 태그 횟수 및 저장된 사진과 연계된 횟수 등을 이륜차 사고 심도 예측 서버(130)에 제공할 수 있다.
본 명세서에서 설명되는 운전자 단말(110)은 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말, PDA(personal digital assistants), PMP(portable multimedia player), 내비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultra book), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말(smart watch), 글라스형 단말(smart glass), HMD(head mounted display)) 등을 포함할 수 있다.
그러나, 본 명세서에 기재된 실시예에 따른 구성은 이동 단말에만 적용 가능한 경우를 제외하면, 디지털 TV, 데스크탑 컴퓨터, 디지털 사이니지 등과 같은 고정 단말에도 적용될 수도 있음을 본 기술분야의 당업자라면 쉽게 알 수 있을 것이다.
한편, 본 발명에 따른 운전자 단말(110)은 이륜차 사고 발생 보고 장치(120) 와 이륜차 사고 심도 예측 서버(130)가 무선통신망을 통해 서로 직접 연결되어 데이터를 송수신하는 경우에는 생략될 수 있다.
이륜차 사고 발생 보고 장치(120)는 이륜차에 장착되어, 이륜차의 속도, 충격량 및 위치를 측정하고, 운전자 단말(110)과 페어링되어, 사고 발생시 운전자 단말(110)을 통해 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 이륜차 사고 심도 예측 서버(130)로 전송한다. 이때, 이륜차 사고 발생 보고 장치(120)는 충격량이 기설정된 임계값 이상인 경우, 사고가 발생한 것으로 판단하고, 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 이륜차 사고 심도 예측 서버(130)로 전송할 수 있다.
또한, 이륜차 사고 발생 보고 장치(120)는 부챗살 모양으로 접었다 펼 수 있게 구성되고, 빛을 반사시키는 재귀반사 커버를 포함할 수 있으며, 이륜차 사고 발생 보고 장치(120)의 구체적인 구성에 대해서는 도 2 및 도 3에서 설명하기로 한다.
이륜차 사고 심도 예측 서버(130)는 복수의 신체 정보를 저장하고, 이륜차의 사고 발생시 이륜차 사고 발생 보고 장치(120)로부터 운전자 단말(110)을 통해 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 수신하며, 위치 정보에 기반하여 해당 위치의 도로 정보 및 날씨 정보를 분석한 후, 저장된 복수의 신체 정보 중 운전자 식별 정보에 대응되는 신체 정보와, 속도 정보, 충격량 정보, 도로 정보, 날씨 정보, 및 시간 정보를 딥러닝함으로써, 사고 심도를 판단한다. 즉, 이륜차 사고 심도 예측 서버(130)는 2개의 은닉층을 갖는 사고 심도 예측 딥러닝 알고리즘을 이용하여 입력값을 바탕으로 해당 사고를 미상해, 경상해, 중상해 및 치명적 상해의 4가지 형태로 분류한다. 여기서, 입력값은 자전거 사고 피해자의 신체 정보인 키, 몸무게, 혈액형 및 기왕증 부위의 4가지 정보와 사고 발생시 정보인 충격량, 사고 발생 직전 주행 속도, 도로 형태, 날씨 및 사고 시간의 5가지 정보로 구성될 수 있다. 즉, 총 9가지의 입력값이 딥러닝 알고리즘의 학습으로 결정된 최적화된 가중치 및 활성화 함수를 거쳐, 최종 4가지 형태의 사고 종류로 분류될 수 있다. 이때, 학습시 정해지는 하이퍼 파라미터(Hyper Parameter)인 학습률(Learning Rate), 목표(Goal), 및 에포크 수(Number of Epochs)는 0.00002, 0.000001, 100으로 각각 설정될 수 있다.
이륜차 사고 심도 예측 서버(130)는 딥러닝 결과에 따른 사고 심도별로 상이한 구호 기관에 사고를 통보한다. 예를 들면, 이륜차 사고 심도 예측 서버(130)는 사고 발생 직후에는 사고 심도가 미상해인 경우 지인에게 연락하고, 사고 심도가 경상해인 경우 지인 및 보험사(또는 관할시청(단체보험의 경우))에 연락하고, 사고 심도가 중상해인 경우 지인, 보험사 및 경찰서에 연락하고, 사고 심도가 치명적 상해인 경우 지인, 보험사, 경찰서 및 구급차에 연락할 수 있다. 또한, 이륜차 사고 심도 예측 서버(130)는 사고 발생 직후 일정 시간이 경과한 사고 후 처리시 병원, 손해사정사, 수리업체 및 상조업체 등 사고 심도에 적합한 업체를 매칭하여 운전자 단말(110)에 제공할 수 있다.
추가로, 이륜차 사고 심도 예측 서버(130)는 운전자 단말(110)의 통화 횟수, 통화 시간, 통화 시간 내역, 문자 횟수, 모바일 메신저에 접속 횟수, 모바일 메신저에 태그 횟수 및 저장된 사진과 연계된 횟수 중 적어도 하나를 기초로 연락처에 우선순위를 부여하고, 딥러닝 결과에 따른 사고 심도별로 대응되는 연락처에 통보할 수도 있다. 한편, 본 발명에 따른 이륜차 사고 심도 예측 서버(130)의 구체적인 구성에 대해서는 도 4 및 도 5에서 설명하기로 한다.
도 2는 본 발명의 일실시예에 따른 이륜차 사고 발생 보고 장치의 외형을 나타낸 도면이다.
도 2를 참조하면, 본 발명에 따른 이륜차 사고 발생 보고 장치(120)는 몸체(210), 제어 보드(220), 재귀반사 커버(230), 제1 고정구(240) 및 제2 고정구(250)를 포함할 수 있다.
몸체(210)는 길쭉한 판형상의 프레임으로 구성되고, 제1 고정구(240) 및 제2 고정구(250)에 의해 이륜차의 탑튜브 하부에 마련된다.
제어 보드(220)는 몸체(210)의 일측에 탑재되고, 복수의 센서를 이용하여 이륜차의 속도, 충격량 및 위치를 측정하고, 사고 발생시 운전자 단말(110)을 통해 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 이륜차 사고 심도 예측 서버(130)로 전송한다. 한편, 제어 보드(220)의 구체적인 구성에 대해서는 도 3에서 설명하기로 한다.
재귀반사 커버(230)는 부챗살 모양으로 접었다 펼 수 있게 구성되는데, 일단이 몸체(210)의 하단에 고정되고, 펼쳐졌을 때 타단이 이륜차의 다운 튜브에 고정된다. 운전자는 주간에는 재귀반사 커버(230)를 접어서 운행하고, 야간에는 재귀반사 커버(230)를 펼쳐서 운행할 수 있다.
재귀반사 커버(230)는 높은 광도의 넓은 재귀반사면(예컨대, 가로 50 cm ×세로 40 cm, 면적 1,200 cm2)을 가질 수 있다. 여기서, 재귀반사 커버(230)는 빛을 반사시킬 수 있는 반사섬유 재질로 구성되는 것이 바람직하다. 따라서, 자동차 운전자로 하여금 시인성을 획기적으로 높여줄 수 있다.
제1 고정구(240)는 몸체(210)의 일단에 고리 형태로 마련되어, 이륜차의 헤드 튜브에 끼워진다. 제2 고정구(250)는 몸체(210)의 타단에 고리 형태로 마련되어, 이륜차의 시트 튜브에 끼워진다. 제1 고정구(240) 및 제2 고정구(250)가 이륜차의 헤드 튜브 및 시트 튜브에 각각 고정된 구성에 대해서는 도 7에서 설명하기로 한다.
추가로, 이륜차 사고 발생 보고 장치(120)는 재귀반사 커버(230)가 접어져 있을 때, 재귀반사 커버(230)를 몸체(210)에 고정하기 위한 고정 밴드(260)를 더 포함할 수 있다.
도 3은 본 발명의 일실시예에 따른 제어 보드 내부의 개략적인 구성을 나타낸 블럭 구성도이다.
도 3을 참조하면, 본 발명에 따른 제어 보드(220)는 GPS 센서(310), 가속도 센서(320), 타이머(330), 통신부(340) 및 제어부(350)를 포함할 수 있다.
GPS 센서(310)는 이륜차의 현재 이동 패턴을 감지하고, 이를 전기적 신호로 변환하여 제어부(350)에 출력한다. 즉, GPS 센서(310)는 이륜차의 현재 위치를 감지하고, 이에 대한 정보를 제어부(350)에 출력한다. 다시 말해, GPS 센서(310)는 이륜차 사고 발생 보고 장치(120)가 장착된 이륜차의 위치 정보를 제어부(350)에 출력한다.
가속도 센서(320)는 이륜차의 속도 및 충격량을 감지하고, 이를 전기적 신호로 변환하여 제어부(350)에 출력한다. 즉, 가속도 센서(320)는 사고 발생시 정보인 충격량 및 사고 발생 직전 주행 속도를 감지하고, 이에 대한 정보를 제어부(350)에 출력한다. 다시 말해, 가속도 센서(320)는 이륜차의 속도 정보 및 충격량 정보를 제어부(350)에 출력한다.
타이머(330)는 계속해서 시간을 측정하고, 사고 발생시 시간 정보를 제어부(350)에 출력한다.
통신부(340)는 이륜차 사고 발생 보고 장치(120)와 운전자 단말(110) 사이, 또는 이륜차 사고 발생 보고 장치(120)와 이륜차 사고 심도 예측 서버(130)가 위치한 네트워크 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 예를 들어, 통신부(340)는 이동통신 모듈 및 근거리 통신 모듈을 포함할 수 있다.
이동통신 모듈은 이동 통신망 상에서 기지국, 외부의 단말기, 서버 중 적어도 하나와 무선 신호를 송수신한다. 이러한 무선 신호는 음성 호 신호, 화상 통화 호 신호, 문자 메시지 또는 멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
근거리 통신 모듈은 근거리 통신을 위한 모듈을 말한다. 근거리 통신(short range communication) 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다.
제어부(350)는 이륜차 사고 발생 보고 장치(120)의 전반적인 동작을 제어하는 컨트롤러(Controller)로서, GPS 센서(310) 및 가속도 센서(320)를 제어하여 이륜차의 속도, 충격량 및 위치를 측정하고, 이륜차 사고 발생 보고 장치(120)를 운전자 단말(110)과 페어링하여, 사고 발생시 운전자 단말(110)을 경유하여 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 이륜차 사고 심도 예측 서버(130)로 전송한다. 이때, 제어부(350)는 충격량이 기설정된 임계값 이상인 경우, 사고가 발생한 것으로 판단하고, 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 이륜차 사고 심도 예측 서버(130)로 전송할 수 있다.
한편, 도 3에는 도시되어 있지 않지만, 이륜차 사고 발생 보고 장치(120)는 제어부(350)의 동작을 위한 프로그램을 저장할 수 있고, 입력 및 출력되는 데이터들(예를 들어, 폰북, 메시지, 정지영상, 동영상 등)을 임시 저장할 수는 저장부 및 제어부(350)의 제어에 의해 외부의 전원, 내부의 전원을 인가받아 각 구성요소들의 동작에 필요한 전원을 공급하는 전원 공급부를 더 포함할 수 있다.
도 4는 본 발명의 일실시예에 따른 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버 내부의 개략적인 구성을 나타낸 블럭 구성도이다.
도 4를 참조하면, 본 발명에 따른 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버(130)는 데이터베이스부(410) 및 제어부(420)를 포함할 수 있다.
데이터베이스부(410)는 복수의 신체 정보를 저장한다. 여기서, 신체 정보는 키, 몸무게, 혈액형, 기왕증 부위를 포함할 수 있다.
제어부(420)는 이륜차 사고 발생 보고 장치(120)로부터 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 수신하고, 위치 정보에 기반하여 해당 위치의 도로 정보 및 날씨 정보를 분석한 후, 데이터베이스부(410)에 저장된 복수의 신체 정보 중 운전자 식별 정보에 대응되는 신체 정보와, 속도 정보, 충격량 정보, 도로 정보, 날씨 정보, 및 시간 정보를 이륜차 사고 심도 예측 모델에 입력하여 딥러닝함으로써, 사고 심도를 판단한다. 이때, 학습시 정해지는 하이퍼 파라미터인 학습률, 목표 및 에포크 수는 0.00002, 0.000001, 100으로 각각 설정될 수 있다.
또한, 제어부(420)는 딥러닝 결과에 따른 사고 심도별로 상이한 구호 기관에 사고를 통보할 수 있다.
또한, 제어부(420)는 운전자 단말(110)의 통화 횟수, 통화 시간, 통화 시간 내역, 문자 횟수, 모바일 메신저에 접속 횟수, 모바일 메신저에 태그 횟수 및 저장된 사진과 연계된 횟수 중 적어도 하나를 기초로 연락처에 우선순위를 부여하고, 딥러닝 결과에 따른 사고 심도별로 대응되는 연락처에 통보할 수 있다.
도 5를 참조하면, 이륜차 사고 심도 예측 서버(130)의 기능을 실현 가능한 하드웨어에 대해서 설명한다. 도 5는 본 발명의 실시 형태에 관한 이륜차 사고 심도 예측 서버의 기능을 실현 가능한 하드웨어의 일례를 도시한 블록도이다.
이륜차 사고 심도 예측 서버(130)가 갖는 기능은, 예컨대, 도 5에 도시하는 하드웨어 자원을 이용하여 실현하는 것이 가능하다. 즉, 이륜차 사고 심도 예측 서버(130)가 갖는 기능은, 컴퓨터 프로그램을 이용하여 도 5에 도시하는 하드웨어를 제어함으로써 실현된다.
도 5에 도시한 바와 같이, 이 하드웨어는, 주로, CPU(502), ROM(Read Only Memory)(504), RAM(506), 호스트 버스(508), 및 브리지(510)를 갖는다. 또한, 이 하드웨어는, 외부 버스(512), 인터페이스(514), 입력부(516), 출력부(518), 기억부(520), 드라이브(522), 접속 포트(524), 및 통신부(526)를 갖는다.
CPU(502)는, 예컨대, 연산 처리 장치 또는 제어 장치로서 기능하여, ROM(504), RAM(506), 기억부(520), 또는 리무버블 기록 매체(528)에 기록된 각종 프로그램에 기초하여 각 구성 요소의 동작 전반 또는 그 일부를 제어한다. ROM(504)은, CPU(502)에 판독되는 프로그램이나 연산에 이용하는 데이터 등을 저장하는 기억 장치의 일례이다. RAM(506)에는, 예컨대, CPU(502)에 판독되는 프로그램이나, 그 프로그램을 실행할 때 변화하는 각종 파라미터 등이 일시적 또는 영속적으로 저장된다.
이들 요소는, 예컨대, 고속의 데이터 전송이 가능한 호스트 버스(508)를 통해서 서로 접속된다. 한편, 호스트 버스(508)는, 예컨대, 브리지(510)를 통해서 비교적 데이터 전송 속도가 저속인 외부 버스(512)에 접속된다. 또한, 입력부(516)로서는, 예컨대, 마우스, 키보드, 터치 패널, 터치 패드, 버튼, 스위치, 및 레버 등이 이용된다. 또한, 입력부(516)로서는, 적외선이나 그 밖의 전파를 이용하여 제어 신호를 송신하는 것이 가능한 리모트 컨트롤러가 이용될 수 있다.
출력부(518)로서는, 예컨대, CRT(Cathode Ray Tube), LCD(Liquid Crystal Display), PDP(Plasma Display Panel), 또는 ELD(Electro-Luminescence Display) 등의 디스플레이 장치가 이용될 수 있다. 또한, 출력부(518)로서, 스피커나 헤드폰 등의 오디오 출력 장치, 또는 프린터 등이 이용될 수 있다.
기억부(520)는, 각종 데이터를 저장하기 위한 장치이다. 기억부(520)로서는, 예컨대, HDD 등의 자기 기억 디바이스가 이용된다. 또한, 기억부(520)로서, SSD(Solid State Drive)나 RAM 디스크 등의 반도체 기억 디바이스, 광기억 디바이스, 또는 광자기 기억 디바이스 등이 이용되어도 된다.
드라이브(522)는, 착탈 가능한 기록매체인 리무버블 기록 매체(528)에 기록된 정보를 판독하거나, 또는 리무버블 기록 매체(528)에 정보를 기록하는 장치이다. 리무버블 기록 매체(528)로서는, 예컨대, 자기 디스크, 광디스크, 광자기 디스크, 또는 반도체 메모리 등이 이용된다. 또한, 리무버블 기록 매체(528)에는, 이륜차 사고 심도 예측 서버(130)의 동작을 규정하는 프로그램이 저장될 수 있다.
접속 포트(524)는, 예컨대, USB(Universal Serial Bus) 포트, IEEE 1394 포트, SCSI(Small Computer System Interface), RS-232C 포트, 또는 광오디오 단자 등, 외부 접속 기기(530)를 접속하기 위한 포트이다. 외부 접속 기기(530)로서는, 예컨대, 프린터 등이 이용된다.
통신부(526)는, 네트워크(532)에 접속하기 위한 통신 디바이스이다. 통신부(526)로서는, 예컨대, 유선 또는 무선 LAN용 통신 회로, WUSB(Wireless USB)용 통신 회로, 휴대 전화 네트워크용 통신 회로 등이 이용될 수 있다. 네트워크(532)는, 예컨대, 유선 또는 무선에 의해 접속된 네트워크이다.
이상, 이륜차 사고 심도 예측 서버(130)의 하드웨어에 대해서 설명하였다. 또한, 상술한 하드웨어는 일례이며, 일부의 요소를 생략하는 변형이나, 새로운 요소를 추가하는 변형 등이 가능하다.
도 6은 본 발명의 일실시예에 따른 딥러닝 인식 기반의 이륜차 사고 심도 예측 방법을 나타낸 흐름도이다.
도 6을 참조하면, 이륜차 사고 발생 보고 장치(120)는 이륜차에 장착되어, 이륜차의 속도, 충격량 및 위치를 측정한다(S610).
이륜차 사고 발생 보고 장치(120)는 충격량이 기설정된 임계값 이상인지 여부를 판단하여 사고가 발생한지 여부를 판단한다(S620).
이륜차 사고 발생 보고 장치(120)는 사고가 발생하였다고 판단한 경우, 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 이륜차 사고 심도 예측 서버(130)로 전송한다(S630). 이때, 이륜차 사고 발생 보고 장치(120)는 운전자 식별 정보 및 사고 발생 정보를 이륜차 사고 심도 예측 서버(130)로 직접 전송하거나, 운전자 식별 정보 및 사고 발생 정보를 운전자 단말(110)을 통해 이륜차 사고 심도 예측 서버(130)로 전송할 수 있다.
이륜차 사고 심도 예측 서버(130)는 이륜차 사고 발생 보고 장치(120)로부터 수신한 위치 정보에 기초하여 해당 위치의 도로 정보 및 날씨 정보를 분석한다(S640).
이륜차 사고 심도 예측 서버(130)는 기저장된 복수의 신체 정보 중 운전자 식별 정보에 대응되는 신체 정보와, 속도 정보, 충격량 정보, 도로 정보, 날씨 정보, 및 시간 정보를 딥러닝함으로써, 사고 심도를 판단한다(S650). 즉, 이륜차 사고 심도 예측 서버(130)는 2개의 은닉층을 갖는 사고 심도 예측 딥러닝 알고리즘을 이용하여 입력값을 바탕으로 해당 사고를 미상해, 경상해, 중상해 및 치명적 상해의 4가지 형태로 분류한다. 여기서, 입력값은 자전거 사고 피해자의 신체 정보인 키, 몸무게, 혈액형 및 기왕증 부위의 4가지 정보와 사고 발생시 정보인 충격량, 사고 발생 직전 주행 속도, 도로 형태, 날씨, 사고 시간의 5가지 정보로 구성될 수 있다. 즉, 총 9가지의 입력값이 딥러닝 알고리즘의 학습으로 결정된 최적화된 가중치 및 활성화 함수를 거쳐, 최종 4가지 형태의 사고 종류로 분류될 수 있다. 이때, 학습시 정해지는 하이퍼 파라미터인 학습률, 목표, 및 에포크 수는 0.00002, 0.000001, 100으로 각각 설정될 수 있다.
이어서, 이륜차 사고 심도 예측 서버(130)는 딥러닝 결과에 따른 사고 심도별로 상이한 구호 기관에 사고를 통보한다(S660). 예를 들면, 이륜차 사고 심도 예측 서버(130)는 사고 발생 직후에는 사고 심도가 미상해인 경우 지인에게 연락하고, 사고 심도가 경상해인 경우 지인 및 보험사(또는 관할시청(단체보험의 경우))에 연락하고, 사고 심도가 중상해인 경우 지인, 보험사 및 경찰서에 연락하고, 사고 심도가 치명적 상해인 경우 지인, 보험사, 경찰서 및 구급차에 연락할 수 있다. 또한, 이륜차 사고 심도 예측 서버(130)는 사고 발생 직후 일정 시간이 경과한 사고 후 처리시 병원, 손해사정사, 수리업체 및 상조업체 등 사고 심도에 적합한 업체를 매칭하여 운전자 단말(110)에 제공할 수 있다.
추가로, 이륜차 사고 심도 예측 서버(130)는 사고 발생 직후 및 사고 후 처리시 기저장된 운전자의 신체 정보를 보험사, 병원 및 손해사정사 등에 제공할 수 있다.
전술한 방법은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(Firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로컨트롤러 및 마이크로프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
도 7은 이륜차에 이륜차 사고 발생 보고 장치가 장착되어, 재귀반사 커버가 펼쳐진 모습을 보여주는 도면이다.
도 7을 참조하면, 이륜차 사고 발생 보고 장치(120)의 제1 고정구(240)가 이륜차의 헤드 튜브(710)에 끼워지고, 제2 고정구(250)가 이륜차의 시트 튜브(720)에 끼워짐으로써, 이륜차 사고 발생 보고 장치(120)가 이륜차에 장착될 수 있다.
그리고, 재귀반사 커버(230)는 부챗살 모양으로 펼쳐지고, 그 타단이 이륜차의 다운 튜브(730)에 고정된다.
도 8은 재귀반사 커버가 접어진 모습을 보여주는 도면이다.
도 8을 참조하면, 재귀반사 커버(230)는 접어졌을 때, 고정 밴드(260)에 의해 이륜차 사고 발생 보고 장치(120)의 몸체(210)에 고정된다.
이상에서 본 명세서에 개시된 실시예들을 첨부된 도면들을 참조로 설명하였다. 이와 같이 각 도면에 도시된 실시예들은 한정적으로 해석되면 아니되며, 본 명세서의 내용을 숙지한 당업자에 의해 서로 조합될 수 있고, 조합될 경우 일부 구성 요소들은 생략될 수도 있는 것으로 해석될 수 있다.
여기서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 본 명세서에 개시된 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
도 9 역시 본 발명에 따른 다른 실시예로서, 킥보드에 본 발명에 따른 장치가 장착된 모습을 도시한다. 도 10의 경우, 도 9의 장치가 접어진 모습을 나타낸다. 도 11의 경우, 본 발명에 따른 다른 실시예로서, 전동휠에 본 발명에 따른 장치가 장착된 모습을 도시한다. 더욱 구체적으로 본 실시예는 전동휠에 덮을 수 있는 구조로 되어 있고, 전동휠의 양측면에 재귀반사 커버를 두고 있다. 이 전동휘에 장착된 다른 실시예 역시 접어져서 휴대될 수 있음은 물론이다.
도 12 역시 본 발명에 따른 다른 실시예로서, 이륜차의 차체를 이루는 탑튜브, 타운튜브, 시트튜부, 헤드튜브 또는 핸드축 어느 하나에 본 발명의 장치의 몸체가 장착되고, 본 몸체에 고정되어 접힌 재귀반사 커버가 열리는 것을 도시한다. 재귀반사 커버는 열려서 이륜차의 차체 중 일부에 고정될 수도 있고, 혹은 재귀반사 커버 자체의 강성으로 열린 상태를 유지할 수 있다.
한편, 이는 자전거 뿐만 아니라 킥보드 등 다양한 형태의 이륜차의 차체에 본 발명에 따른 장치의 몸체가 장착될 수 있음은 물론이다.
따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 명세서에 개시된 실시예에 불과할 뿐이고, 본 명세서에 개시된 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
210: 몸체 220: 제어 보드
230: 재귀반사 커버 240: 제1 고정구
250: 제2 고정구 310: GPS 센서
320: 가속도 센서 330: 타이머
340: 통신부 350: 제어부

Claims (11)

  1. 이륜차에 장착되어, 복수의 센서를 이용하여 상기 이륜차의 속도 및 위치를 측정하고, 사고 발생시 무선통신망을 통해 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 전송하는 이륜차 사고 발생 보고 장치; 및
    복수의 신체 정보를 저장하고, 상기 이륜차 사고 발생 보고 장치로부터 수신한 상기 위치 정보에 기반하여 해당 위치의 도로 정보 및 날씨 정보를 분석한 후, 상기 복수의 신체 정보 중 상기 운전자 식별 정보에 대응되는 신체 정보와, 상기 속도 정보, 상기 충격량 정보, 상기 도로 정보, 상기 날씨 정보, 및 상기 시간 정보를 딥러닝함으로써, 사고 심도를 판단하며, 상기 딥러닝 결과에 따른 사고 심도별로 상이한 구호 기관에 사고를 통보하는 신경망을 구성하는 하나 이상의 프로세서를 포함하는 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버;를 포함하는 이륜차 사고 심도 예측 시스템에 있어서,
    상기 이륜차 사고 발생 보고 장치는
    이륜차에 장착되는 몸체;
    일단이 상기 몸체의 하단에 고정되어, 부챗살 모양으로 접었다 펼 수 있게 구성되고, 빛을 반사시키는 재귀반사 커버; 및
    상기 몸체의 일측에 탑재되고, 복수의 센서를 이용하여 상기 이륜차의 속도 및 위치를 측정하고, 사고 발생시 무선통신망을 통해 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 이륜차 사고 심도 예측 서버로 전송하는 제어 보드;
    를 포함하는 것을 특징으로 하는 이륜차 사고 심도 예측 시스템.
  2. 제1항에 있어서,
    상기 몸체는 상기 이륜차의 탑튜브의 하부에 장착되는 것을 특징으로 하는 재귀반사 커버를 갖는 것을 특징으로 하는 이륜차 사고 심도 예측 시스템.
  3. 제1항에 있어서,
    상기 재귀반사 커버는 펼쳐졌을 때 타단이 상기 이륜차의 다운 튜브에 고정되는 것을 특징으로 하는 이륜차 사고 심도 예측 시스템.
  4. 제1항에 있어서,
    상기 제어 보드는 상기 이륜차의 속도 및 충격량을 측정하는 가속도 센서 및 상기 이륜차의 위치를 측정하는 GPS 센서를 포함하는 것을 특징으로 하는 이륜차 사고 심도 예측 시스템.
  5. 삭제
  6. 삭제
  7. 제1항에 있어서,
    딥러닝시 정해지는 하이퍼 파라미터(Hyper Parameter)인 학습률(Learning Rate), 목표(Goal), 및 에포크 수(Number of Epochs)는 0.00002, 0.000001, 100으로 각각 설정되는 것을 특징으로 하는 이륜차 사고 심도 예측 시스템.
  8. 제1항에 있어서,
    상기 신체 정보는 키, 몸무게, 혈액형, 기왕증 부위를 포함하는 것을 특징으로 하는 이륜차 사고 심도 예측 시스템.
  9. 제1항에 있어서,
    상기 하나 이상의 프로세서는 상기 운전자가 소지하고 있는 휴대 단말의 통화 횟수, 통화 시간, 통화 시간 내역, 문자 횟수, 모바일 메신저에 접속 횟수, 상기 모바일 메신저에 태그 횟수 및 저장된 사진과 연계된 횟수 중 적어도 하나를 기초로 연락처에 우선순위를 부여하고, 상기 딥러닝 결과에 따른 사고 심도별로 대응되는 연락처에 통보하는 것을 특징으로 하는 이륜차 사고 심도 예측 시스템.
  10. 삭제
  11. 이륜차에 장착되어, 복수의 센서를 이용하여 상기 이륜차의 속도 및 위치를 측정하고, 사고 발생시 무선통신망을 통해 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 전송하는 이륜차 사고 발생 보고 장치; 및
    복수의 신체 정보를 저장하고, 상기 이륜차 사고 발생 보고 장치로부터 수신한 상기 위치 정보에 기반하여 해당 위치의 도로 정보 및 날씨 정보를 분석한 후, 상기 복수의 신체 정보 중 상기 운전자 식별 정보에 대응되는 신체 정보와, 상기 속도 정보, 상기 충격량 정보, 상기 도로 정보, 상기 날씨 정보, 및 상기 시간 정보를 딥러닝함으로써, 사고 심도를 판단하며, 상기 딥러닝 결과에 따른 사고 심도별로 상이한 구호 기관에 사고를 통보하는 신경망을 구성하는 하나 이상의 프로세서를 포함하는 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버;를 포함하는 이륜차 사고 심도 예측 시스템에 있어서,
    상기 이륜차 사고 발생 보고 장치는
    이륜차의 탑튜브, 타운튜브, 시트튜브, 헤드튜브 또는 핸들축 중 어느 하나에 장착되는 몸체;
    일단이 상기 몸체에 고정되어, 부챗살 모양으로 접었다 펼 수 있게 구성되고, 빛을 반사시키는 재귀반사 커버; 및
    상기 몸체의 일측에 탑재되고, 복수의 센서를 이용하여 상기 이륜차의 속도 및 위치를 측정하고, 사고 발생시 무선통신망을 통해 운전자 식별 정보와 함께 속도 정보, 충격량 정보, 위치 정보, 및 시간 정보를 포함하는 사고 발생 정보를 이륜차 사고 심도 예측 서버로 전송하는 제어 보드;
    를 포함하는 것을 특징으로 하는 이륜차 사고 심도 예측 시스템.
KR1020210023825A 2021-02-23 2021-02-23 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템 KR102314816B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210023825A KR102314816B1 (ko) 2021-02-23 2021-02-23 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템
PCT/KR2021/018942 WO2022181946A1 (ko) 2021-02-23 2021-12-14 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템
US17/920,708 US20230192220A1 (en) 2021-02-23 2021-12-14 Two-wheeled vehicle accident occurrence report device having retroreflection cover, deep learning recognition-based two-wheeled vehicle accident severity prediction server, and two-wheeled vehicle accident severity prediction system comprising same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210023825A KR102314816B1 (ko) 2021-02-23 2021-02-23 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템

Publications (1)

Publication Number Publication Date
KR102314816B1 true KR102314816B1 (ko) 2021-10-19

Family

ID=78228052

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210023825A KR102314816B1 (ko) 2021-02-23 2021-02-23 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템

Country Status (3)

Country Link
US (1) US20230192220A1 (ko)
KR (1) KR102314816B1 (ko)
WO (1) WO2022181946A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022181946A1 (ko) * 2021-02-23 2022-09-01 (주)포그 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04345948A (ja) 1991-05-24 1992-12-01 Mitsubishi Electric Corp 磁気記録再生装置
KR20010039701A (ko) * 1999-10-18 2001-05-15 이주형 차량의 자가 진단 정보 전송 및 사고 처리 서비스 제공시스템
JP2002015107A (ja) * 2000-04-27 2002-01-18 Shibaura Institute Of Technology 危険度推定方法、危険度推定システム、および、危険度推定プログラム
KR101882478B1 (ko) * 2017-03-06 2018-07-30 주식회사 아이오티스퀘어 센서를 이용한 이륜차의 위험 상황 감지 시스템 및 이를 이용한 응급 구난 신호 전송 방법
KR20190009476A (ko) * 2017-07-19 2019-01-29 주식회사 디프에이 자동긴급요청기 및 이를 이용한 긴급콜 서비스 제공시스템 및 방법
US20190031268A1 (en) * 2016-05-14 2019-01-31 Peter Cooper Smartpack device for a bike
KR101948768B1 (ko) 2017-07-10 2019-02-18 금오공과대학교 산학협력단 헬멧과 스마트폰을 이용한 이륜차 사고 알림 시스템
KR20200072581A (ko) * 2018-11-29 2020-06-23 (재)울산테크노파크 자율주행차량의 운전자 응급상황발생판단에 기반한 주행예측 및 안전주행시스템

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7502772B2 (en) * 2006-02-27 2009-03-10 Injury Sciences Llc Method and apparatus for obtaining and using impact severity triage data
US7468673B2 (en) * 2006-06-23 2008-12-23 Delphi Technologies, Inc. System and method for determining whether a vehicle operator has an impaired cognitive state
US20100012696A1 (en) * 2008-07-18 2010-01-21 Thomas Ferdinand Prager Bicycle article carrier
DE102016225437A1 (de) * 2016-12-19 2018-06-21 Volkswagen Aktiengesellschaft Vorrichtung, Verfahren und Computerprogramm für ein Fahrzeug zum Bereitstellen einer Unfallmeldung über einen Unfall an eine Notrufstelle
US20200102043A1 (en) * 2018-09-28 2020-04-02 Arizona Board Of Regents On Behalf Of Arizona State University Robotic steering mechanism for autonomous bicycle
US20200188733A1 (en) * 2018-12-12 2020-06-18 Riddell, Inc. Systems and methods for providing training opportunities based on data collected from monitoring a physiological parameter of persons engaged in physical activity
US20230394962A1 (en) * 2020-10-28 2023-12-07 University Of South Florida Systems and methods for predictive safety assessment
KR102314816B1 (ko) * 2021-02-23 2021-10-19 나종열 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템
US20240161266A1 (en) * 2022-11-15 2024-05-16 Mobile Video Computing Solutions, LLC Remote verification of image collection equipment for crash event detection, response, and reporting systems

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04345948A (ja) 1991-05-24 1992-12-01 Mitsubishi Electric Corp 磁気記録再生装置
KR20010039701A (ko) * 1999-10-18 2001-05-15 이주형 차량의 자가 진단 정보 전송 및 사고 처리 서비스 제공시스템
JP2002015107A (ja) * 2000-04-27 2002-01-18 Shibaura Institute Of Technology 危険度推定方法、危険度推定システム、および、危険度推定プログラム
US20190031268A1 (en) * 2016-05-14 2019-01-31 Peter Cooper Smartpack device for a bike
KR101882478B1 (ko) * 2017-03-06 2018-07-30 주식회사 아이오티스퀘어 센서를 이용한 이륜차의 위험 상황 감지 시스템 및 이를 이용한 응급 구난 신호 전송 방법
KR101948768B1 (ko) 2017-07-10 2019-02-18 금오공과대학교 산학협력단 헬멧과 스마트폰을 이용한 이륜차 사고 알림 시스템
KR20190009476A (ko) * 2017-07-19 2019-01-29 주식회사 디프에이 자동긴급요청기 및 이를 이용한 긴급콜 서비스 제공시스템 및 방법
KR20200072581A (ko) * 2018-11-29 2020-06-23 (재)울산테크노파크 자율주행차량의 운전자 응급상황발생판단에 기반한 주행예측 및 안전주행시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022181946A1 (ko) * 2021-02-23 2022-09-01 (주)포그 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템

Also Published As

Publication number Publication date
US20230192220A1 (en) 2023-06-22
WO2022181946A1 (ko) 2022-09-01

Similar Documents

Publication Publication Date Title
US11341784B2 (en) Electronic device for transmitting relay message to external vehicle and method thereof
US20150321606A1 (en) Adaptive conveyance operating system
KR102479072B1 (ko) 탑승자 단말 및 디스트랙션 확인을 통한 컨텐츠 표시 방법
US10424199B2 (en) Communication apparatus, operation assistance apparatus, and operation assistance system
CN108665678B (zh) 一种请求救援的方法和装置
US20170120813A1 (en) Systems and methods to safely transport passengers
CN104978024A (zh) 用可佩戴计算设备来检测驾驶
KR101539217B1 (ko) 차량 상태를 이용한 도로 환경 분석 방법, 이를 위한 시스템 및 장치
US20150281430A1 (en) Method and apparatus for providing information based on movement of an electronic device
KR102314816B1 (ko) 재귀반사 커버를 갖는 이륜차 사고 발생 보고 장치, 딥러닝 인식 기반의 이륜차 사고 심도 예측 서버, 그리고 이를 포함하는 이륜차 사고 심도 예측 시스템
US11551590B2 (en) Messaging display apparatus
US20190012836A1 (en) Device and method for hierarchical object recognition
CN107167147A (zh) 基于窄带物联网的导航方法、眼镜及可读存储介质
KR20140020217A (ko) 감지 기능을 구비한 착용형 디스플레이 장치
US10609510B2 (en) Mobile electronic apparatus, mobile electronic apparatus control method, a non-transitory computer readable recording medium, for providing warnings to a user of the apparatus based on the location of the electronic apparatus
WO2014022142A1 (en) Adaptive keyboard lighting
KR102598270B1 (ko) 차량 탑승 인식 방법 및 이를 구현한 전자 장치
US11842577B1 (en) Map-based notification system
CN204790331U (zh) 用于激烈碰撞紧急报警的求救手表
KR101849594B1 (ko) 라이다를 이용하는 무선 헤드셋, 보행 보조 시스템 및 보행 보조 제어 방법
US10824329B2 (en) Methods and systems for displaying query status information on a graphical user interface
US11500471B2 (en) Personal mobility and control method thereof
JP2017003929A (ja) 乗務員訓練支援システム
KR102356259B1 (ko) 전자 장치 및 전자 장치 제어 방법
WO2018184175A1 (zh) 终端的控制方法及装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant