KR102342298B1 - 3d 시뮬레이터 기반의 과실비율 산정 장치 및 방법 - Google Patents

3d 시뮬레이터 기반의 과실비율 산정 장치 및 방법 Download PDF

Info

Publication number
KR102342298B1
KR102342298B1 KR1020210053543A KR20210053543A KR102342298B1 KR 102342298 B1 KR102342298 B1 KR 102342298B1 KR 1020210053543 A KR1020210053543 A KR 1020210053543A KR 20210053543 A KR20210053543 A KR 20210053543A KR 102342298 B1 KR102342298 B1 KR 102342298B1
Authority
KR
South Korea
Prior art keywords
vehicle
factor
ratio
weight
calculating
Prior art date
Application number
KR1020210053543A
Other languages
English (en)
Inventor
김진관
유진우
최윤석
이원우
Original Assignee
국민대학교산학협력단
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 국민대학교산학협력단 filed Critical 국민대학교산학협력단
Priority to KR1020210053543A priority Critical patent/KR102342298B1/ko
Priority to KR1020210181894A priority patent/KR102429372B1/ko
Application granted granted Critical
Publication of KR102342298B1 publication Critical patent/KR102342298B1/ko
Priority to US17/729,592 priority patent/US20220340146A1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/18—Legal services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Accounting & Taxation (AREA)
  • Technology Law (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 과실비율 산정 장치 및 방법에 관한 것이다.
본 발명의 일 실시 예에 따른 과실비율 산정 방법은, 제1차량으로부터 수집한 영상 프레임들을 이용하여 제1차량이 주행하는 주행경로를 생성하는 단계와, 주행경로 및 영상 프레임들을 이용하여 교통사고 케이스의 분류 결과와, 제1차량 및 제2차량의 기본 과실비율을 포함하는 과실관련 정보를 획득하는 단계와, 제1인자 및 제2인자의 비율 조정분이 반영된 제1차량 및 제2차량으로 주행경로를 시뮬레이션 하여 복수의 시뮬레이션 주행 시나리오를 생성하는 단계와, 복수의 시뮬레이션 주행 시나리오 각각에 대응하여, 제1인자의 비율 및 제2인자의 비율에 할당된 가중치들을 로딩하여 과실비율 가중치를 산출하는 단계와, 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 수신에 대응하여, 가감요소에 기설정되어 있는 가감점수를 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성하는 단계와, 기본 과실비율에 수정 가감점수를 반영하여 제1차량 및 제2차량에 대한 최종 과실비율을 산정하는 단계를 포함할 수 있다.

Description

3D 시뮬레이터 기반의 과실비율 산정 장치 및 방법{APPARATUS AND METHOD FOR CALCULATING RATIO OF NEGLIGENCE BASED ON 3D SIMULATOR}
본 발명은 사고 차량의 블랙박스 영상 데이터를 이용하여 3D 지도를 작성한 후 가상환경에서 시뮬레이션 하여 사고 차량의 사고 과실비율을 산정하는 3D 시뮬레이터 기반의 과실비율 산정 장치 및 방법에 관한 것이다.
일반적으로 도로 등에서 사고가 발생하는 경우, 보험자 직원, 사고 당사자 간의 합의를 통해 과실비율이 결정되며, 블랙박스 영상이 있더라도 주관적인 판단을 기준으로 과실비율이 결정되고 있다.
주관적인 기준에 의해 과실비율이 정해지기 때문에 사고 당사자들이 불합리함을 느껴 소송으로 이어지는 경우도 발생하고 있으며, 비용적, 시간적 소모가 매우 크게 된다.
또한, 종래의 과실 비율 산정 기술로서 사고 상황의 몇 가지 분류 기준을 정형화한 후, 해당 기준에 따라 정해진 과실 비율을 가감하는 방식이 존재하지만, 정형화된 기준이 사고 당시의 운전자의 사고 회피 가능성에 기반하지 않으므로 과실 비율이 부정확한 문제가 있다.
동일한 사고에 대하여 보험사, 자동차사고 과실비율 분쟁심의위원회, 법원 등 평가 주체에 따라 산정되는 것은 이러한 문제점을 증명하고 있으며, 최근 매체의 발달로 사회적 문제로 대두되고 있다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
국내 등록특허공보 제10-1689805호(2016.12.20) 국내 등록특허공보 제10-2180933호(2020.11.13)
본 발명의 일 과제는, 제1차량의 블랙박스 영상 데이터를 이용하여 3D 맵을 작성한 후 가상환경에서 시뮬레이션 하여 객관적이고 정량적으로 사고 과실비율을 산정하는데 있다.
본 발명의 일 과제는, 객관적이고 정량적으로 사고 과실비율을 산정하여 사고 당사자들이 느끼는 불합리함을 줄이는데 있다.
본 발명의 일 과제는, 객관적이고 정량적으로 사고 과실비율을 산정하여 차량 사고에 대한 법적 소요를 줄임으로써, 당사자, 보험사, 법원 측의 시간적, 금전적 비용을 감소시키는데 있다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명이 해결하고자 하는 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 발명의 일 실시 예에 따른 과실비율 산정 방법은, 프로세서에 의해 각 단계의 적어도 일부가 실행되고, 교통사고가 발생한 제1차량 및 제2차량의 과실비율을 산정하는 방법으로서, 제1차량의 모노 카메라로부터 수집한 영상 프레임들로부터 추출한 특징점과, 영상 프레임들 중 인접한 두 개의 영상 프레임의 비교를 통해 획득한 깊이 추정 결과를 이용하여 3D 포인트 클라우드 맵을 생성하고, 3D 포인트 클라우드 맵을 기반으로 하여 제1차량이 주행하는 주행경로를 생성하는 단계와, 주행경로 및 영상 프레임들을 이용하여 교통사고 케이스의 분류 결과와, 교통사고 케이스의 분류 결과에 대응하는 제1차량 및 제2차량의 기본 과실비율을 포함하는 과실관련 정보를 획득하는 단계와, 제동성능을 나타내는 제1인자 및 조향성능을 나타내는 제2인자의 비율 조정분이 반영된 제1차량 및 제2차량으로 주행경로를 시뮬레이션 하여 복수의 시뮬레이션 주행 시나리오를 생성하는 단계와, 복수의 시뮬레이션 주행 시나리오 각각에 대응하는 제1차량 및 제2차량에 대하여, 제1인자의 비율 및 제2인자의 비율에 할당된 가중치들을 로딩하여 과실비율 가중치를 산출하는 단계와, 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 수신에 대응하여, 가감요소에 기설정되어 있는 가감점수를 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성하는 단계와, 기본 과실비율에 수정 가감점수를 반영하여 제1차량 및 제2차량에 대한 최종 과실비율을 산정하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 과실비율 산정 장치는, 교통사고가 발생한 제1차량 및 제2차량의 과실비율을 산정하는 장치로서, 프로세서 및 프로세서와 동작 가능하게 연결되고 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고, 메모리는 프로세서를 통해 실행될 때, 프로세서가 제1차량의 모노 카메라로부터 수집한 영상 프레임들로부터 추출한 특징점과, 영상 프레임들 중 인접한 두 개의 영상 프레임의 비교를 통해 획득한 깊이 추정 결과를 이용하여 3D 포인트 클라우드 맵을 생성하고, 3D 포인트 클라우드 맵을 기반으로 하여 제1차량이 주행하는 주행경로를 생성하고, 주행경로 및 영상 프레임들을 이용하여 교통사고 케이스의 분류 결과와, 교통사고 케이스의 분류 결과에 대응하는 제1차량 및 제2차량의 기본 과실비율을 포함하는 과실관련 정보를 획득하고, 제동성능을 나타내는 제1인자 및 조향성능을 나타내는 제2인자의 비율 조정분이 반영된 제1차량 및 제2차량으로 주행경로를 시뮬레이션 하여 복수의 시뮬레이션 주행 시나리오를 생성하고, 복수의 시뮬레이션 주행 시나리오 각각에 대응하는 제1차량 및 제2차량에 대하여, 제1인자의 비율 및 제2인자의 비율에 할당된 가중치들을 로딩하여 과실비율 가중치를 산출하고, 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 수신에 대응하여, 가감요소에 기설정되어 있는 가감점수를 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성하고, 기본 과실비율에 수정 가감점수를 반영하여 제1차량 및 제2차량에 대한 최종 과실비율을 산정하도록 야기하는 코드를 저장할 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명에 의하면, 실제 사고 당시의 영상 데이터를 이용하기 때문에 실제 사고와의 유사성이 뛰어난 시뮬레이션을 수행할 수 있다.
또한, 입력데이터(블랙박스 영상 데이터와) 기존 데이터(차량 동역학적 특성, 신호 등화 시간, 지도 정보 등)을 이용하여 실제 거동이 가능한 경우의 수를 새로 만들어 낼 수 있어, 사고 회피 가능성에 대한 주관적인 예측이 아닌 정량적이고 객관적인 예측이 가능할 수 있다.
또한, 시뮬레이션을 통해 과실비율을 산정하여 차량 사고에 대한 법적 소요를 줄일 수 있어, 당사자, 보험사, 법원 측의 시간적, 금전적 비용을 줄일 수 있다.
또한, 가중치에 따른 과실비율 산정으로 객관적, 정량적, 일관적 평가가 가능해지므로 사고 당사자들이 불합리함을 느끼는 경우를 줄일 수 있다.
또한, 사고 데이터가 축적될수록 시뮬레이션의 소요 시간은 짧아지고, 해당 도로에서의 사고 원인을 도출해 낼 수 있으며, 사고 원인 데이터를 기반으로 해당 도로를 개선할 수 있고, 이를 통해 차량 사고를 근본적으로 줄일 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 실시 예에 따른 과실비율 산정 장치, 사용자 단말기, 블랙박스 및 이들을 서로 연결하는 네트워크를 포함하는 3D 시뮬레이터 기반의 과실비율 산정 환경의 예시도이다.
도 2는 본 실시 예에 따른 과실비율 산정 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 3은 도 2의 과실비율 산정 장치 중 정보 처리부의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 4 내지 도 12는 도 3의 정보 처리부의 동작을 설명하는 예시도이다.
도 13은 다른 실시 예에 따른 과실비율 산정 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 14는 본 실시 예에 따른 3D 시뮬레이터 기반의 과실비율 산정 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 출원에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 실시 예에 따른 과실비율 산정 장치, 사용자 단말기, 블랙박스 및 이들을 서로 연결하는 네트워크를 포함하는 3D 시뮬레이터 기반의 과실비율 산정 환경의 예시도이다. 도 1을 참조하면, 3D 시뮬레이터 기반의 과실비율 산정 환경(1)은 과실비율 산정 장치(100), 사용자 단말기(200), 블랙박스(300) 및 네트워크(400)를 포함할 수 있다.
과실비율 산정 장치(100)는 사용자 단말기(200)로부터 블랙박스(300)에 저장된 영상을 수집하여 특징점과 깊이 추정 결과를 이용하여 3D 포인트 클라우드 맵을 생성하고, 3D 포인트 클라우드 맵을 기반으로 하여 제1차량이 주행하는 주행경로를 생성할 수 있다.
여기서 블랙박스(300)는 사고차량으로서의 제1차량에 구비될 수 있으며, 블랙박스(300)는 모노(mono) 카메라를 포함할 수 있다. 차량용 블랙박스(300)는 차량 충돌 사고의 전후 상황을 기록하여 신속한 사고 후처리 및 과학적인 사고 해석을 위한 것으로서, 최근에 차량 사고의 급격한 증가와 함께 그 중요성이 강력하게 인식되고 있으며, 특히 차량 사고를 효과적으로 방지하기 위해서는, 운전자, 차량 사고를 효과적으로 방지하기 위해서는, 운전자, 차량 운행 정보, 주위 환경 등의 제반 정보를 종합적으로 분석하여 차량사고의 발생 상황을 정확하게 파악하는 것이 매우 중요하다. 또한, 차량용 블랙박스(300)에 기록된 각종 데이터는 사고 원인 분석을 위한 자료로 사용될 뿐 아니라, 각종 민형사상의 분쟁을 해결하는 입증 자료로 활용될 수 있다. 이러한 차량용 블랙박스(300)는 영상 정보를 저장하기 위한 외부저장매체를 사용하여 외부 상황을 촬영한 영상 데이터와 차량 속도, 차량 위치 등의 차량 운행 정보를 생성하여 저장하고 있으며, 이러한 차량 운행 정보를 분석하면 차량을 운행할 때의 상황을 정확히 파악할 수 있다. 본 실시 예에서, 과실비율 산정 장치(100)는 블랙박스(300)에 저장된 영상을 반드시 네트워크(400)를 통해 수집하는 것에 제한하지 않고, 다양한 경로를 통하여 수집할 수 있다.
과실비율 산정 장치(100)는 모노 카메라로부터 수집한 영상 프레임들로부터 추출한 특징점과, 영상 프레임들 중 인접한 두 개의 영상 프레임의 비교를 통해 획득한 깊이 추정 결과를 이용하여 3D 포인트 클라우드 맵을 생성하고, 3D 포인트 클라우드 맵을 기반으로 하여 제1차량이 주행하는 주행경로를 생성할 수 있다. 여기서, 3D 데이터의 한 표현 방법인 포인트 클라우드(point cloud)는 방대한 양의 포인트 집합을 의미하며, 대용량의 3차원 데이터는 포인트 클라우드로 표현될 수 있다. 포인트 클라우드는 2D 이미지와는 비교되는 값으로, 3차원 상의 한 점을 표현하는 방법이고, 위치 좌표와 색상을 동시에 포함할 수 있는 벡터 형태이다. 예를 들어, 포인트 클라우드는 (x, y, z, R, G, B)와 같이 표현될 수 있다. 무수히 많은 색상과 위치 데이터들이 모여서 공간적인 구성을 이루는 포인트 클라우드는 밀도가 높아지면 높아질 수록 점점 더 구체적인 데이터가 될 수 있다. 3D 포인트 클라우드는 촬영 위치(예를 들어, 지역명 또는 그룹명), 영상 프레임에 포함된 특징점의 개수, 촬영 영상의 종류 및 특징점의 매칭 방법 중 적어도 하나의 정보를 포함할 수 있다. 과실비율 산정 장치(100)는 이러한 3D 포인트 클라우드와 내부에 포함된 정보를 이용하여 3D 포인트 클라우드 맵을 생성하고, 3D 포인트 클라우드 맵으로부터 제1 차량이 주행하는 주행경로를 생성할 수 있다.
과실비율 산정 장치(100)는 주행경로 및 영상 프레임들을 이용하여 교통사고 케이스의 분류 결과와, 교통사고 케이스의 분류 결과에 대응하는 제1차량 및 가해차량으로서의 제2차량의 기본 과실비율을 포함하는 과실관련 정보를 획득할 수 있다.
본 실시 예에서, 과실비율 산정 장치(100)는 주행경로와 영상 프레임들을 이용하여 과실관련 정보를 예측하도록 미리 훈련된 심층신경망 모델을 이용하여 주행경로와 영상 프레임들에 대응하는 과실관련 정보 예측 결과를 생성할 수 있다.
선택적 실시 예로, 과실비율 산정 장치(100)는 제1차량의 모노 카메라로부터 수집한 영상 프레임들 및 과실관련 정보 요청 신호를 분쟁심의위원회의 과실비율 정보 포털(미도시)로 전송하고, 분쟁심의위원회의 과실비율 정보 포털로부터 교통사고 케이스의 분류 결과, 제1차량 및 제2차량의 기본 과실비율, 제1차량 및 제2차량에 대한 가감요소에 따른 점수를 포함하는 과실관련 응답 신호를 수신할 수 있다.
과실비율 산정 장치(100)는 제동성능을 나타내는 제1인자 및 조향성능을 나타내는 제2인자의 비율 조정분이 반영된 제1차량 및 제2차량으로 상술한 주행경로를 시뮬레이션 하여 복수의 시뮬레이션 주행 시나리오를 생성할 수 있다. 과실비율 산정 장치(100)는 주행경로를 시뮬레이션 할 때, 제1차량 및 제2차량의 동역학적 특성을 반영할 수 있다. 여기서 동역학적 특성의 차량 모델과 차량의 세부사양 등을 포함할 수 있다.
본 실시 예에서, 과실비율 산정 장치(100)는 제1차량에 대하여, N개의 비율 조정분을 포함하는 제1인자 및 K개의 비율 조정분을 포함하는 제2인자를 이용하여, N×K개의 시뮬레이션 주행 시나리오를 생성할 수 있다. 또한 과실비율 산정 장치(100)는 제2차량에 대하여, M개의 비율 조정분을 포함하는 제1인자 및 J개의 비율 조정분을 포함하는 제2인자를 이용하여, M×J개의 시뮬레이션 주행 시나리오를 생성할 수 있다.
과실비율 산정 장치(100)는 복수의 시뮬레이션 주행 시나리오 각각에 대응하는 제1차량 및 제2차량에 대하여, 제1인자의 비율 및 제2인자의 비율에 할당된 가중치들을 로딩하여 과실비율 가중치를 산출할 수 있다. 본 실시 예에서, 과실비율 산정 장치(100)는 제1인자에 대한 복수개(N개 및 M개)의 비율 각각에 대응하는 제1인자 가중치들 및 제2인자에 대한 복수개(K개 및 J개)의 비율 각각에 대응하는 제2인자 가중치들이 데이터베이스로 구축되어 있으며, 과실비율 가중치 산출 시에 데이터베이스에 구축되어 있는 인자별 가중치를 로딩할 수 있다.
과실비율 산정 장치(100)는 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 수신에 대응하여, 가감요소에 기설정되어 있는 가감점수를 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성하고, 기본 과실비율에 수정 가감점수를 반영하여 제1차량 및 제2차량에 대한 최종 과실비율을 산정할 수 있다.
사용자 단말기(200)는 과실비율 산정 장치(100)가 제공하는 과실비율 산정 어플리케이션 및/또는 과실비율 산정 사이트에 접속하여, 과실비율 산정과 관련한 상술한 서비스를 제공 받을 수 있다.
이러한 사용자 단말기(200)는 컴퓨팅 장치(미도시)의 기능을 수행할 수 있는 통신 단말기를 포함할 수 있으며, 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 태블릿 PC, 노트북, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(200)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 이러한 사용자 단말기(200)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.
네트워크(400)는 과실비율 산정 장치(100)와, 사용자 단말기(200)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서, 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.
네트워크(400)는 허브, 브리지, 라우터, 스위치와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.
도 2는 본 실시 예에 따른 과실비율 산정 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 2를 참조하면, 과실비율 산정 장치(100)는 통신부(110), 저장 매체(120), 프로그램 저장부(130), 데이터베이스(140), 정보 처리부(150) 및 제어부(160)를 포함할 수 있다.
통신부(110)는 네트워크(400)와 연동하여 과실비율 산정 장치(100)와 사용자 단말기(200) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 나아가, 통신부(110)는 사용자 단말기(200)로부터 소정의 정보 요청 신호를 수신하는 역할을 할 수 있고, 정보 처리부(150)가 처리한 정보를 사용자 단말기(200)로 전송하는 역할을 수행할 수 있다. 여기서, 통신망이라 함은, 과실비율 산정 장치(100)와 사용자 단말기(200)를 연결하는 역할을 수행하는 매개체로써, 사용자 단말기(200)가 과실비율 산정 장치(100)에 접속한 후 정보를 송수신할 수 있도록 접속 경로를 제공하는 경로를 포함할 수 있다. 또한 통신부(110)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
저장 매체(120)는 제어부(160)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 여기서, 저장 매체(120)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
프로그램 저장부(130)는 사용자 단말기(200) 및/또는 블랙박스(300)로부터 수집한 영상 프레임들로부터 제1차량이 주행하는 주행경로를 생성하는 작업, 주행경로 및 영상 프레임들을 이용하여 교통사고 케이스의 분류 결과와, 제1차량 및 제2차량의 기본 과실비율을 포함하는 과실관련 정보를 획득하는 작업, 제1인자 및 제2인자의 비율 조정분이 반영된 제1차량 및 제2차량으로 주행경로를 시뮬레이션 하여 복수의 시뮬레이션 주행 시나리오를 생성하는 작업, 복수의 시뮬레이션 주행 시나리오 각각에 대응하는 제1차량 및 제2차량에 대하여, 제1인자의 비율 및 제2인자의 비율에 할당된 가중치들을 로딩하여 과실비율 가중치를 산출하는 작업, 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 수신에 대응하여, 가감요소에 기설정되어 있는 가감점수를 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성하는 작업 및 기본 과실비율에 수정 가감점수를 반영하여 제1차량 및 제2차량에 대한 최종 과실비율을 산정하는 작업 등을 수행하는 제어 소프트웨어를 탑재하고 있다.
데이터베이스(140)는 과실비율 산정을 위한 정보 및 알고리즘을 저장하는 관리 데이터베이스를 포함할 수 있다. 이러한 관리 데이터베이스에는 수집한 영상 프레임들로부터 특징점 및 깊이 추정정보를 이용하여 차량이 주행하는 공간에 대한 맵을 생성하는 SLAM(simultaneous localization and mapping) 알고리즘이 구축되어 있을 수 있다. 또한, 관리 데이터베이스에는 주행경로를 시뮬레이션 시에 차량의 동역학적 특성을 반영할 수 있도록 하는 3D 모델이 구축되어 있을 수 있다. 또한, 관리 데이터베이스에는 과실비율 가중치를 산출하기 위해, 제1인자에 대한 N개 및 M개의 비율 각각에 대응하는 제1인자 가중치들 및 제2인자에 대한 K개 및 J개의 비율 각각에 대응하는 제2인자 가중치들이 구축되어 있을 수 있다.
또한, 데이터베이스(140)는 과실비율 산정 서비스를 제공받을 사용자의 정보를 저장하는 유저 데이터베이스를 포함할 수 있다. 여기서, 사용자의 정보는 피검자의 이름, 소속, 인적 사항, 성별, 나이, 연락처, 이메일, 주소, 이미지 등에 대한 기본적인 정보와, 아이디(ID) (또는 이메일) 및 패스워드(password) 등 피검자의 인증(로그인)에 대한 정보, 접속 국가, 접속 위치, 접속에 이용한 장치에 대한 정보, 접속된 네트워크 환경 등 접속과 관련된 정보 등을 포함할 수 있다.
본 실시 예에서 유저 데이터베이스 또는 관리 데이터베이스에는 과실비율 산정 어플리케이션 또는 과실비율 산정 사이트에 접속한 사용자가 제공받은 정보 및/또는 카테고리 이력, 사용자가 설정한 환경 설정 정보, 사용자가 이용한 자원 사용량 정보, 사용자의 자원 사용량에 대응한 과금 및 결제 정보가 저장될 수 있다.
정보 처리부(150)는 사용자 단말기(200) 및/또는 블랙박스(300)로부터 수집한 영상 프레임들로부터 제1차량이 주행하는 주행경로를 생성할 수 있다.
정보 처리부(150)는 주행경로 및 영상 프레임들을 이용하여 교통사고 케이스의 분류 결과와, 제1차량 및 제2차량의 기본 과실비율을 포함하는 과실관련 정보를 획득할 수 있다.
정보 처리부(150)는 제1인자 및 제2인자의 비율 조정분이 반영된 제1차량 및 제2차량으로 주행경로를 시뮬레이션 하여 복수의 시뮬레이션 주행 시나리오를 생성할 수 있다.
정보 처리부(150)는 복수의 시뮬레이션 주행 시나리오 각각에 대응하는 제1차량 및 제2차량에 대하여, 제1인자의 비율 및 제2인자의 비율에 할당된 가중치들을 로딩하여 과실비율 가중치를 산출할 수 있다.
정보 처리부(150)는 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 수신에 대응하여, 가감요소에 기설정되어 있는 가감점수를 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성할 수 있다.
정보 처리부(150)는 기본 과실비율에 수정 가감점수를 반영하여 제1차량 및 제2차량에 대한 최종 과실비율을 산정할 수 있다.
제어부(160)는 일종의 중앙처리장치로서 프로그램 저장부(130)에 탑재된 제어 소프트웨어를 구동하여 과실비율 산정 장치(100) 전체의 동작을 제어할 수 있다. 제어부(160)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령어로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
도 3은 도 2의 과실비율 산정 장치 중 정보 처리부의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1 및 도 2에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 3을 참조하면, 정보 처리부(150)는 제1 생성부(151), 획득부(152), 제2 생성부(153), 산출부(154), 제3 생성부(155) 및 산정부(156)를 포함할 수 있다.
제1 생성부(151)는 데이터베이스(140)에 저장된 SALM 알고리즘을 로딩하고, 제1차량의 모노 카메라(블랙박스(300))로부터 수집한 영상 프레임들을 SLAM 알고리즘에 적용하여, 특징점을 추출하고, 영상 프레임들 중 인접한 두 개의 영상 프레임의 비교를 통해 획득한 깊이 추정 결과를 이용하여 3D 포인트 클라우드 맵을 생성하고, 3D 포인트 클라우드 맵을 기반으로 하여 제1차량이 주행하는 주행경로를 생성할 수 있다.
도 4에는 제1 생성부(151)가 수집한 영상 프레임들을 이용하여 3D 포인트 클라우드 맵을 생성한 예를 도시하고 있으며, 3D 포인트 클라우드 맵을 기반으로 주행 경로를 재구성할 수 있다. 도 4에서 410은 수집한 어느 한 영상 프레임을 나타내고, 도 4에서 420은 포인트 클라우드 맵을 나타낼 수 있다. 420에 도시된 포인트 클라우드 맵에서 파란색 삼각형은 키 프레임을 나타내며, 초록색 프레임은 현재 프레임을 나타낼 수 있다. 이는 카메라 포즈(위치)와 각도(시점), 속력을 포함하고 있으므로 경로점(waypoint)과 일치할 수 있다. 따라서 일정 시간마다 영상 프레임들의 일부를 추출하여 경로점으로 사용할 수 있으며, 각 영상 프레임은 타임 시퀀스를 포함할 수 있다.
제1 생성부(151)는 기설정된 시간 주기로 추출한 영상 프레임들에 대응하는 제1차량의 경로점 집합을 주행경로로 생성할 수 있다.
획득부(152)는 주행경로 및 영상 프레임들을 이용하여 교통사고 케이스의 분류 결과와, 교통사고 케이스의 분류 결과에 대응하는 제1차량 및 가해차량으로서의 제2차량의 기본 과실비율을 포함하는 과실관련 정보를 획득할 수 있다.
도 5에는 획득부(152)가 획득한 교통사고 케이스의 분류 결과와, 제1차량 및 제2 차량의 기본 과실비율을 포함하는 과실관련 정보를 도시하고 있다. 여기서 과실관련 정보에는 기본 과실비율을 포함하여 사고 상황, 적용 과실, 가감 요소를 더 포함할 수 있다.
본 실시 예에서, 획득부(152)는 주행경로와 영상 프레임들을 이용하여 과실관련 정보를 예측하도록 미리 훈련된 심층신경망 모델을 이용하여 주행경로와 영상 프레임들에 대응하는 과실관련 정보 예측 결과를 생성할 수 있다. 본 실시 예에서 심층신경망 모델은, 제1차량의 모노 카메라로부터 수집한 영상 프레임들과, 제1차량의 주행경로를 입력으로 하고, 교통사고 케이스 및 제1차량과 제2차량의 기본 과실비율을 레이블로 하는 훈련데이터에 의해 지도학습 방식으로 훈련된 모델일 수 있다.
획득부(152)는 레이블링된 훈련 데이터를 이용하여 초기에 설정된 심층신경망모델을 지도 학습 방식으로 훈련할 수 있다. 여기서, 초기에 설정된 심층신경망모델은 과실관련 정보를 예측할 수 있는 모델로 구성되기 위해 설계된 초기 모델로서 파라미터 값들은 임의의 초기값으로 설정되어 있는 상태이다. 초기 모델은 상술된 훈련 데이터를 통해 훈련되면서 파라미터 값들이 최적화되면서 과실관련 정보를 정확히 예측할 수 있는 과실 예측 모델로 완성될 수 있다.
선택적 실시 예로, 획득부(152)는 제1차량의 모노 카메라로부터 수집한 영상 프레임들 및 과실관련 정보 요청 신호를 분쟁심의위원회의 과실비율 정보 포털로 전송하고, 분쟁심의위원회의 과실비율 정보 포털로부터 교통사고 케이스의 분류 결과, 제1차량 및 제2차량의 기본 과실비율, 제1차량 및 제2차량에 대한 가감요소에 따른 점수를 포함하는 과실관련 응답 신호를 수신할 수 있다.
제2 생성부(153)는 제동성능을 나타내는 제1인자 및 조향성능을 나타내는 제2인자의 비율 조정분이 반영된 제1차량 및 제2차량으로 주행경로를 시뮬레이션 하여 복수의 시뮬레이션 주행 시나리오를 생성할 수 있다.
제2 생성부(153)는 주행경로를 시뮬레이션 할 때, 제1차량 및 제2차량의 동역학적 특성을 반영할 수 있다. 여기서 동역학적 특성의 차량 모델과 차량의 세부사양 등을 포함할 수 있다.
도 6에는 제2 생성부(153)가 복수의 시뮬레이션 주행 시나리오를 생성하기 위해 반영하는 차량 모델 데이터 셋 및 설정 화면(610)과 시뮬레이터 화면(620)을 도시하고 있다. 실제와 유사하고 데이터의 신뢰도가 높은 시뮬레이션 주행 시나리오를 생성하기 위해서는 차량의 동역학적 모델이 필수적일 수 있다. 이러한 차량의 동역학적 모델을 데이터베이스(140)로부터 로딩하여 제1차량 및 제2차량의 상황에 따라, 무게 등의 물성을 바꿀 수 있다. 차량 모델 데이터 셋 및 설정 화면(610)에서 611은 고유의 동역학적 특성을 가진 차량의 모델을 선택하는 부분이고, 612는 차량의 세부 사향을 선택하는 부분으로, 611 및 612를 이용하여 제1차량 및 제2차량의 상황에 따라 모델과 세부사항을 선택할 수 있다. 차량에 따른 성능 차이, 무게(과적)를 차량의 물성에 반영시킬 수 있으므로, 더욱 신뢰도 높은 결과를 획득할 수 있다.
제2 생성부(153)는 복수의 시뮬레이션 주행 시나리오를 생성할 때 주행경로 상에서 제1인자(제동성능) 제2인자(조향성능)의 비율 조정분을 반영하는 시작지점을 설정할 수 있다. 여기서, 시작지점은, 주행경로에 포함되는 영상 프레임들 중 오브젝트가 출현하고 특징점의 개수가 기설정된 개수 이상인 영상 프레임을 포함할 수 있다.
도 7에는 제1인자(제동성능) 제2인자(조향성능)의 비율 조정분을 반영하는 시작지점 설정을 설명하기 위한 영상 프레임들이 도시되어 있다. 도 7에서 711, 721, 731, 741은 주행경로에 포함되는 영상 프레임들을 도시하고 있고, 도 7에서 712는 711 영상 프레임의 특징점 추출 결과를 도시하고, 722는 721 영상 프레임의 특징점 추출 결과를 도시하고 732는 731 영상 프레임의 특징점 추출 결과를 도시하고, 742는 741 영상 프레임의 특징점 추출 결과를 도시하고 있다.
차량의 인자를 변경하는 시점인 시나리오 시작지점은 경로점 중 오브젝트(object)가 출현하는 영상 프레임을 기준으로 하며, 충분한 특징점(예를 들어, 기설정된 100개 이상)이 추출되는 영상 프레임을 기준으로 한다. 도 7로부터 711(712), 721(722), 731(732) 영상 프레임에는 기설정된 개수 이상의 특징점이 추출되지 않았으므로, 시작지점으로 설정될 수 없고, 741(742) 영상 프레임에는 기설정된 개수 이상의 특징점이 추출되었으므로 시작지점으로 설정될 수 있다.
본 실시 예에서, 제2 생성부(153)는 시작지점에 대응하는 3D 포인트 클라우드 맵으로부터 제1차량과 제2차량의 주행 속도에 대응하는 초기 제동성능들 및 주행 방향에 대응하는 초기 조향성능들을 획득할 수 있다.
제2 생성부(153)는 제1차량에 대하여, 초기 제동성능을 기준으로 조정한 제1인자에 대한 N개의 비율 및 초기 조향성능을 기준으로 조정한 제2인자에 대한 K개의 비율을 주행경로에 시뮬레이션 하여 제1차량에 대한 N×K개의 시뮬레이션 주행 시나리오를 생성할 수 있다.
또한, 제2 생성부(153)는 제2차량에 대하여, 초기 제동성능을 기준으로 조정한 제1인자에 대한 M개의 비율 및 초기 조향성능을 기준으로 조정한 제2인자에 대한 J개의 비율을 주행경로에 시뮬레이션 하여 제1차량에 대한 M×J개의 시뮬레이션 주행 시나리오를 생성할 수 있다.
산출부(154)는 복수의 시뮬레이션 주행 시나리오 각각에 대응하는 제1차량 및 제2차량에 대하여, 제1인자의 비율 및 제2인자의 비율에 할당된 가중치들을 로딩하여 과실비율 가중치를 산출할 수 있다.
산출부(154)는 과실비율 가중치를 산출하기 위해, 데이터베이스(140)로부터 제1인자에 대한 복수개(N개 및 M개)의 비율 각각에 대응하는 제1인자 가중치들 및 제2인자에 대한 복수개(K개 및 J개)의 비율 각각에 대응하는 제2인자 가중치들을 로딩할 수 있다.
도 8에는 제1인자에 대한 가중치를 설명하기 위한 파형도가 도시되어 있다. 도 8을 참조하면, 810은 페달 깊이에 따른 제1인자(제동성능, 제동압력)에 대한 그래프를 도시하고 있으며, 작은 페달 깊이에서 제동 압력이 급격히 증가하다가 약 25mm 이후에는 선형적으로 증가함을 할 수 있다. 이를 가중치에 반영하면 820과 같은 형태로 나타날 수 있으며, 선형적인 가중치가 아님을 할 수 있다. 이러한 비선형적인 제1인자에 대한 가중치는 데이터베이스(140)에 저장될 수 있으며, 과실비율 가중치 산출 시에 제1인자의 비율(예를 들어, 최대 감속도 대비 20%, 40%, 60%, 80% 등)에 할당된 가중치를 로딩하여 이용할 수 있다.
도 9에는 제2인자에 대한 가중치를 설명하기 위한 파형도가 도시되어 있다. 도 9를 참조하면, 910은 핸들을 조금 돌렸을 때 보다 한 바퀴(360도) 정도 돌렸을 때 조향비가 작아지므로, 핸들을 같은 각도로 돌려도 조향각이 더 커짐을 알 수 있다. 이러한 차이를 가중치에 반영하여 920과 같이 선형적인 가중치를 사용하지 않고, 930과 같은 비선형적인 가중치를 사용할 수 있다. 이러한 비선형적인 제2인자에 대한 가중치는 데이터베이스(140)에 저장될 수 있으며, 과실비율 가중치 산출 시에 제2인자의 비율(예를 들어, 최대 조향속도 대비 20%, 40%, 60%, 80% 등)에 할당된 가중치를 로딩하여 이용할 수 있다.
산출부(154)는 제1차량에 대하여, 제1시뮬레이션 주행 시나리오부터 N×K개의 시뮬레이션 주행 시나리오까지 각 시뮬레이션 주행 시나리오 각각에 대하여 제1인자 가중치 및 제2인자 가중치의 곱을 산출하고 합산하여 제1차량 과실비율 가중치를 산출할 수 있다.
여기서, 산출부(154)는 제1차량 과실비율 가중치를 산출 시에, N×K개의 시뮬레이션 주행 시나리오 중 교통사고가 발생한 하나 이상의 시뮬레이션 주행 시나리오에 대응하는 제1인자 가중치 및 제2인자 가중치의 곱을 제외시킬 수 있다. 이는 설정한 가중치의 합은 1이고, 시뮬레이션 하여 사고가 발생하면, 가중치에서 제외시켜, 결국 가중치의 함은 1이 되지 않게 된다.
또한, 산출부(154)는 제2차량에 대하여, 제1시뮬레이션 주행 시나리오부터 M×J개의 시뮬레이션 주행 시나리오까지 각 시뮬레이션 주행 시나리오 각각에 대하여 제1인자 가중치 및 제2인자 가중치의 곱을 산출하고 합산하여 제2차량 과실비율 가중치를 생성할 수 있다. 여기서, 산출부(154)는 제2차량 과실비율 가중치를 산출 시에, M×J개의 시뮬레이션 주행 시나리오 중 교통사고가 발생한 하나 이상의 시뮬레이션 주행 시나리오에 대응하는 제1인자 가중치 및 제2인자 가중치의 곱을 제외시킬 수 있다.
도 10에는 제1인자 및 제2인자를 결합한 복수의 주행시나리오를 도시하고 있다. 설명의 편의 상 제1인자(제동성능)의 비율을 최대 감속도의 20%, 40%, 60%, 80%로 조정한다고 가정하고, 제2인자(조향성능)의 비율을 최대 조향속도의 20%, 40%, 60%, 80%로 조정한다고 가정하면, 총 16개의 시뮬레이션 주행시나리오가 생성될 수 있다.
16개의 시뮬레이션 주행 시나리오 각각에 대하여 제1인자 가중치 및 제2인자 가중치의 곱을 산출하고 합산하여 제2차량 과실비율 가중치를 생성할 수 있다. 여기서, 교통사고가 발생한 하나 이상의 시뮬레이션 주행 시나리오에 대응하는 제1인자 가중치 및 제2인자 가중치의 곱을 제외시킬 수 있다.
제3 생성부(155)는 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 수신에 대응하여, 가감요소에 기설정되어 있는 가감점수를 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성할 수 있다.
제3 생성부(155)는 수정 가감점수를 생성할 때, 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 신호를 수신할 수 있다. 여기서, 가감요소는 제1차량 및 제2차량의 과실 정도에 따라 선택하여 과실비율을 변경하는 파라미터로서, 교통사고 케이스 분류 결과마다 서로 다를 수 있다. 예를 들어, 상술한 예시와 같이 교통사고 케이스 분류 결과가 차선 변경인 경우, 가감요소는 사고차량(제1차량, A)의 현저한 과실, 중과실 등을 포함할 수 있고, 가해차량(제1차량, B)의 진로변경 신호 불이행·지연, 버스·다인승전용차로 위반, 진로변경 금지장소, 현저한 과실, 중과실 등을 포함할 수 있다.
제3 생성부(155)는 선택 수신한 하나 이상의 가감요소가 제1인자 및 제2인자 중 하나 이상을 포함하고 있는지 여부를 판단할 수 있다. 여기서 가감요소들 중에는 제1인자와 제2인자와 거리가 먼 하나 이상의 가감요소가 존재하고, 제1인자와 제2인자와 관련이 없는 하나 이상의 가감요소를 수정 가감점수 생성에서 제외할 수 있다.
제3 생성부(155)는 선택 수신한 하나 이상의 가감요소가 제1인자 및 제2인자를 포함하고 있지 않음에 따라 가감요소에 기설정되어 있는 가감점수를 유지하고, 선택 수신한 하나 이상의 가감요소가 제1인자 및 제2인자 중 하나 이상이 포함되어 있음에 따라, 가감요소에 기설정되어 있는 가감점수를 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성할 수 있다.
산정부(156)는 기본 과실비율에 수정 가감점수를 반영하여 제1차량 및 제2차량에 대한 최종 과실비율을 산정할 수 있다.
도 11은 최종 과실비율 산정 결과를 도시한 예시도 있다. 도 11로부터 예를 들어, 제1차량의 가중치 합산값이 0.3, 제2차량의 가중치 합산값이 0.8이 나오고, 도 5로부터 교통사고 케이스 분류 결과(예를 들어, 차선 변경)에 따른 기본과실이 A(제1차량):B(제2차량)=30:70이라면, 가감요소에서 A(제1차량)의 현저한 과실(가감점수 10)×가중치 0.3, B(제2차량)의 현저한 과실(가감점수 10)×가중치 0.8이므로 A(제1차량):B(제2차량)=25:75의 결과를 얻을 수 있다.
여기서, 상술한 예에서, "가감점수 10×가중치 0.3=3점"에서 가감점수를 20점(중과실)이 아닌, 10점(현저한 과실)으로 잡은 이유는, 중과실은 운전자의 운전 미숙이 아닌 '음주운전, 약물운전, 무면허, 과속'에 해당하는 거라 제외하고 예를 든 것이다.
도 12는 현재의 가감점수 산정 결과와 본 실시 예에 따른 가중치를 반영한 가감점수 산정 결과를 비교한 그래프이다. 도 12를 참조하면, 1210에 도시된 바와 같은 이산적인(discrete) 방식의 가감점수 산정 결과는 과실의 정도가 다름에도 동일한 가감점수를 받는 경우가 비일비재하다. 그러나 1220에 도시된 바와 같이 가중치를 반영한 가감점수 산정을 이용하는 경우, 기존의 이산적인 가감점수와 달리 연속적인 형태의 가감점수를 획득할 수 있다. 이때 과실 정도와 시뮬레이션 주행 시나리오에서 조작 난이도는 반비례할 수 있다. 예를 들어 조작 난이도가 낮은, 최대 제동력의 20%만 사용한 시나리오에서 사고를 회피하였다면 이는 과실정도가 클 수 있다.
기존 방식은 사고 유형에 따라 기본 과실 점수를 기반으로 (예를 들어, A30:B70), 사고 상황에서 운전자가 실수를 했는지, 가감점수 0점(실수X), 가감점수 10점(실수O)로 평가하는데, 본 실시 예에서는 운전자가 얼마나 실수를 한 것인지 가감점수 0~10점(가중치 0~1×10(현저한 과실 가감점수))으로 세분화하는 게 목적이라고 할 수 있다.
도 13은 다른 실시 예에 따른 과실비율 산정 장치의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1 내지 도 12에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 13을 참조하면, 다른 실시 예에 따른 과실비율 산정 장치는 프로세서(170)와 메모리(180)를 포함할 수 있다.
본 실시 예에서 프로세서(170)는 도 2의 통신부(110), 저장 매체(120), 프로그램 저장부(130), 데이터베이스(140), 정보 처리부(150) 및 제어부(160)와, 도 3의 제1 생성부(151), 획득부(152), 제2 생성부(153), 산출부(154), 제3 생성부(155) 및 산정부(156)를 포함하는 정보 처리부(150)가 수행하는 기능을 처리할 수 있다.
본 실시 예에서, 프로세서(170)는 인공지능을 이용하여 과실관련 정보 예측 결과를 생성할 수 있다.
여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
이러한 인공신경망의 머신 러닝 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다. 또한, 머신 러닝의 일종인 딥러닝(deep learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습할 수 있다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.
이러한 프로세서(170)는 과실비율 산정 장치(100) 전체의 동작을 제어할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령어로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
메모리(180)는 프로세서(170)와 동작 가능하게 연결되고, 프로세서(170)에서 수행되는 동작과 연관하여 적어도 하나의 코드를 저장할 수 있다.
또한, 메모리(180)는 프로세서(170)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있으며, 일 실시 예로 도 1의 데이터베이스(140)에 저장되는 데이터를 저장할 수 있다. 여기서, 메모리(180)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(180)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD, CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.
도 14는 본 실시 예에 따른 3D 시뮬레이터 기반의 과실비율 산정 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 12에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 14를 참조하면, S1410단계에서, 과실비율 산정 장치(100)는 사고차량으로서의 제1차량의 모노 카메라로부터 수집한 영상 프레임들로부터 추출한 특징점과, 영상 프레임들 중 인접한 두 개의 영상 프레임의 비교를 통해 획득한 깊이 추정 결과를 이용하여 3D 포인트 클라우드 맵을 생성하고, 3D 포인트 클라우드 맵을 기반으로 하여 제1차량이 주행하는 주행경로를 생성할 수 있다.
본 실시 예에서, 과실비율 산정 장치(100)는, 주행경로를 생성 시에, 기설정된 시간 주기로 추출한 영상 프레임들에 대응하는 제1차량의 경로점 집합을 주행경로로 생성할 수 있다.
S1420단계에서, 과실비율 산정 장치(100)는 주행경로 및 영상 프레임들을 이용하여 교통사고 케이스의 분류 결과와, 교통사고 케이스의 분류 결과에 대응하는 제1차량 및 가해차량으로서의 제2차량의 기본 과실비율을 포함하는 과실관련 정보를 획득할 수 있다.
본 실시 예에서, 과실비율 산정 장치(100)는 과실관련 정보를 획득 시에, 주행경로와 영상 프레임들을 이용하여 과실관련 정보를 예측하도록 미리 훈련된 심층신경망 모델을 이용하여 주행경로와 영상 프레임들에 대응하는 과실관련 정보 예측 결과를 생성할 수 있다. 여기서, 심층신경망 모델은, 제1차량의 모노 카메라로부터 수집한 영상 프레임들과, 제1차량의 주행경로를 입력으로 하고, 교통사고 케이스 및 제1차량과 제2차량의 기본 과실비율을 레이블로 하는 훈련데이터에 의해 지도학습 방식으로 훈련된 모델일 수 있다.
S1430단계에서, 과실비율 산정 장치(100)는 제동성능을 나타내는 제1인자 및 조향성능을 나타내는 제2인자의 비율 조정분이 반영된 제1차량 및 제2차량으로 주행경로를 시뮬레이션 하여 복수의 시뮬레이션 주행 시나리오를 생성할 수 있다.
본 실시 예에서, 과실비율 산정 장치(100)는 주행경로를 시뮬레이션 할 때, 제1차량 및 제2차량의 동역학적 특성을 반영할 수 있다. 또한, 과실비율 산정 장치(100)는 주행경로 상에서 제1인자 및 제2인자의 비율 조정분을 반영하는 시작지점을 설정할 수 있다. 여기서, 시작지점은, 주행경로에 포함되는 영상 프레임들 중 오브젝트가 출현하고, 특징점의 개수가 기설정된 개수 이상인 영상 프레임을 포함할 수 있다. 과실비율 산정 장치(100)는 시작지점에 대응하는 3D 포인트 클라우드 맵으로부터 제1차량과 제2차량의 주행 속도에 대응하는 초기 제동성능들 및 주행 방향에 대응하는 초기 조향성능들을 획득할 수 있다. 과실비율 산정 장치(100)는 제1차량에 대하여, 초기 제동성능을 기준으로 조정한 제1인자에 대한 N개의 비율 및 초기 조향성능을 기준으로 조정한 제2인자에 대한 K개의 비율을 주행경로에 시뮬레이션 하여 제1차량에 대한 N×K개의 시뮬레이션 주행 시나리오를 생성할 수 있다. 과실비율 산정 장치(100)는 제2차량에 대하여, 초기 제동성능을 기준으로 조정한 제1인자에 대한 M개의 비율 및 초기 조향성능을 기준으로 조정한 제2인자에 대한 J개의 비율을 주행경로에 시뮬레이션 하여 제1차량에 대한 M×J개의 시뮬레이션 주행 시나리오를 생성할 수 있다.
S1440단계에서, 과실비율 산정 장치(100)는 복수의 시뮬레이션 주행 시나리오 각각에 대응하는 제1차량 및 제2차량에 대하여, 제1인자의 비율 및 제2인자의 비율에 할당된 가중치들을 로딩하여 과실비율 가중치를 산출할 수 있다.
본 실시 예에서, 과실비율 산정 장치(100)는 과실비율 가중치를 산출 시에, 데이터베이스로부터 제1인자에 대한 복수개(N개 및 M개)의 비율 각각에 대응하는 제1인자 가중치들 및 제2인자에 대한 복수개(K개 및 J개)의 비율 각각에 대응하는 제2인자 가중치들을 로딩할 수 있다. 과실비율 산정 장치(100)는 제1차량에 대하여, 제1시뮬레이션 주행 시나리오부터 N×K개의 시뮬레이션 주행 시나리오까지 각 시뮬레이션 주행 시나리오 각각에 대하여 제1인자 가중치 및 제2인자 가중치의 곱을 산출하고 합산하여 제1차량 과실비율 가중치를 산출할 수 있다. 과실비율 산정 장치(100)는 제1차량 과실비율 가중치를 산출 시에, N×K개의 시뮬레이션 주행 시나리오 중 교통사고가 발생한 하나 이상의 시뮬레이션 주행 시나리오에 대응하는 제1인자 가중치 및 제2인자 가중치의 곱을 제외시킬 수 있다. 과실비율 산정 장치(100)는 제2차량에 대하여, 제1시뮬레이션 주행 시나리오부터 M×J개의 시뮬레이션 주행 시나리오까지 각 시뮬레이션 주행 시나리오 각각에 대하여 제1인자 가중치 및 제2인자 가중치의 곱을 산출하고 합산하여 제2차량 과실비율 가중치를 생성할 수 있다. 과실비율 산정 장치(100)는 제2차량 과실비율 가중치를 산출 시에, M×J개의 시뮬레이션 주행 시나리오 중 교통사고가 발생한 하나 이상의 시뮬레이션 주행 시나리오에 대응하는 제1인자 가중치 및 제2인자 가중치의 곱을 제외시킬 수 있다.
S1450단계에서, 과실비율 산정 장치(100)는 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 수신에 대응하여, 가감요소에 기설정되어 있는 가감점수를 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성할 수 있다.
본 실시 예에서, 과실비율 산정 장치(100)는 수정 가감점수를 생성 시에, 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 신호를 수신할 수 있다. 과실비율 산정 장치(100)는 하나 이상의 가감요소가 제1인자 및 제2인자 중 하나 이상을 포함하고 있는지 여부를 판단할 수 있다. 과실비율 산정 장치(100)는 하나 이상의 가감요소가 제1인자 및 제2인자를 포함하고 있지 않음에 따라 가감요소에 기설정되어 있는 가감점수를 유지할 수 있다. 과실비율 산정 장치(100)는 하나 이상의 가감요소가 제1인자 및 제2인자 중 하나 이상이 포함되어 있음에 따라, 가감요소에 기설정되어 있는 가감점수를 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성할 수 있다.
S1460단계에서, 과실비율 산정 장치(100)는 기본 과실비율에 수정 가감점수를 반영하여 제1차량 및 제2차량에 대한 최종 과실비율을 산정할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 과실비율 산정 장치
200: 사용자 단말기
300: 블랙박스
400: 네트워크

Claims (20)

  1. 프로세서에 의해 각 단계의 적어도 일부가 실행되고, 교통사고가 발생한 제1차량 및 제2차량의 과실비율을 산정하는 방법으로서,
    제1차량의 모노 카메라로부터 수집한 영상 프레임들로부터 추출한 특징점과, 상기 영상 프레임들 중 인접한 두 개의 영상 프레임의 비교를 통해 획득한 깊이 추정 결과를 이용하여 3D 포인트 클라우드 맵을 생성하고, 상기 3D 포인트 클라우드 맵을 기반으로 하여 상기 제1차량이 주행하는 주행경로를 생성하는 단계;
    상기 주행경로 및 상기 영상 프레임들을 이용하여 교통사고 케이스의 분류 결과와, 상기 교통사고 케이스의 분류 결과에 대응하는 상기 제1차량 및 제2차량의 기본 과실비율을 포함하는 과실관련 정보를 획득하는 단계;
    제동성능을 나타내는 제1인자 및 조향성능을 나타내는 제2인자의 비율 조정분이 반영된 상기 제1차량 및 상기 제2차량으로 상기 주행경로를 시뮬레이션 하여 복수의 시뮬레이션 주행 시나리오를 생성하는 단계;
    상기 복수의 시뮬레이션 주행 시나리오 각각에 대응하는 상기 제1차량 및 상기 제2차량에 대하여, 상기 제1인자의 비율 및 상기 제2인자의 비율에 할당된 가중치들을 로딩하여 과실비율 가중치를 산출하는 단계;
    상기 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 수신에 대응하여, 상기 가감요소에 기설정되어 있는 가감점수를 상기 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성하는 단계; 및
    상기 기본 과실비율에 상기 수정 가감점수를 반영하여 상기 제1차량 및 상기 제2차량에 대한 최종 과실비율을 산정하는 단계를 포함하는,
    과실비율 산정 방법.
  2. 제 1 항에 있어서,
    상기 주행경로를 생성하는 단계는,
    기설정된 시간 주기로 추출한 영상 프레임들에 대응하는 상기 제1차량의 경로점 집합을 주행경로로 생성하는 단계를 포함하는,
    과실비율 산정방법.
  3. 제 1 항에 있어서,
    상기 과실관련 정보를 획득하는 단계는,
    주행경로와 영상 프레임들을 이용하여 과실관련 정보를 예측하도록 미리 훈련된 심층신경망 모델을 이용하여 상기 주행경로와 상기 영상 프레임들에 대응하는 과실관련 정보 예측 결과를 생성하는 단계를 포함하고,
    상기 심층신경망 모델은,
    제1차량의 모노 카메라로부터 수집한 영상 프레임들과, 상기 제1차량의 주행경로를 입력으로 하고, 교통사고 케이스 및 제1차량과 제2차량의 기본 과실비율을 레이블로 하는 훈련데이터에 의해 지도학습 방식으로 훈련된 모델인,
    과실비율 산정 방법.
  4. 제 1 항에 있어서,
    상기 복수의 시뮬레이션 주행 시나리오를 생성하는 단계는,
    상기 주행경로를 시뮬레이션 할 때, 상기 제1차량 및 상기 제2차량의 동역학적 특성을 반영하는 단계를 더 포함하는,
    과실비율 산정 방법.
  5. 제 1 항에 있어서,
    상기 복수의 시뮬레이션 주행 시나리오를 생성하는 단계는,
    상기 주행경로 상에서 상기 제1인자 및 상기 제2인자의 비율 조정분을 반영하는 시작지점을 설정하는 단계를 더 포함하고,
    상기 시작지점은,
    상기 주행경로에 포함되는 영상 프레임들 중 오브젝트가 출현하고, 특징점의 개수가 기설정된 개수 이상인 영상 프레임인,
    과실비율 산정 방법.
  6. 제 5 항에 있어서,
    상기 시작지점에 대응하는 상기 3D 포인트 클라우드 맵으로부터 상기 제1차량과 상기 제2차량의 주행 속도에 대응하는 초기 제동성능들 및 주행 방향에 대응하는 초기 조향성능들을 획득하는 단계를 더 포함하는,
    과실비율 산정 방법.
  7. 제 6 항에 있어서,
    상기 복수의 시뮬레이션 주행 시나리오를 생성하는 단계는,
    상기 제1차량에 대하여, 상기 초기 제동성능을 기준으로 조정한 상기 제1인자에 대한 N개의 비율 및 상기 초기 조향성능을 기준으로 조정한 상기 제2인자에 대한 K개의 비율을 상기 주행경로에 시뮬레이션 하여 상기 제1차량에 대한 N×K개의 시뮬레이션 주행 시나리오를 생성하는 단계; 및
    상기 제2차량에 대하여, 상기 초기 제동성능을 기준으로 조정한 상기 제1인자에 대한 M개의 비율 및 상기 초기 조향성능을 기준으로 조정한 상기 제2인자에 대한 J개의 비율을 상기 주행경로에 시뮬레이션 하여 상기 제1차량에 대한 M×J개의 시뮬레이션 주행 시나리오를 생성하는 단계를 포함하는,
    과실비율 산정 방법.
  8. 제 7 항에 있어서,
    상기 과실비율 가중치를 산출하는 단계는,
    데이터베이스로부터 상기 제1인자에 대한 복수개의 비율 각각에 대응하는 제1인자 가중치들 및 상기 제2인자에 대한 복수개의 비율 각각에 대응하는 제2인자 가중치들을 로딩하는 단계;
    상기 제1차량에 대하여, 제1시뮬레이션 주행 시나리오부터 상기 N×K개의 시뮬레이션 주행 시나리오까지 각 시뮬레이션 주행 시나리오 각각에 대하여 상기 제1인자 가중치 및 상기 제2인자 가중치의 곱을 산출하고 합산하여 제1차량 과실비율 가중치를 산출하는 단계; 및
    상기 제2차량에 대하여, 제1시뮬레이션 주행 시나리오부터 상기 M×J개의 시뮬레이션 주행 시나리오까지 각 시뮬레이션 주행 시나리오 각각에 대하여 상기 제1인자 가중치 및 상기 제2인자 가중치의 곱을 산출하고 합산하여 제2차량 과실비율 가중치를 산출하는 단계를 포함하는,
    과실비율 산정 방법.
  9. 제 8 항에 있어서,
    상기 제1차량 과실비율 가중치를 산출 시에, 상기 N×K개의 시뮬레이션 주행 시나리오 중 교통사고가 발생한 하나 이상의 시뮬레이션 주행 시나리오에 대응하는 상기 제1인자 가중치 및 상기 제2인자 가중치의 곱을 제외시키는 단계; 및,
    상기 제2차량 과실비율 가중치를 산출 시에, 상기 M×J개의 시뮬레이션 주행 시나리오 중 교통사고가 발생한 하나 이상의 시뮬레이션 주행 시나리오에 대응하는 상기 제1인자 가중치 및 상기 제2인자 가중치의 곱을 제외시키는 단계를 더 포함하는,
    과실비율 산정 방법.
  10. 제 1 항에 있어서,
    상기 수정 가감점수를 생성하는 단계는,
    상기 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 신호를 수신하는 단계;
    상기 하나 이상의 가감요소가 상기 제1인자 및 상기 제2인자 중 하나 이상을 포함하고 있는지 여부를 판단하는 단계;
    상기 하나 이상의 가감요소가 상기 제1인자 및 상기 제2인자를 포함하고 있지 않음에 따라 상기 가감요소에 기설정되어 있는 가감점수를 유지하는 단계; 및
    상기 하나 이상의 가감요소가 상기 제1인자 및 상기 제2인자 중 하나 이상이 포함되어 있음에 따라, 상기 가감요소에 기설정되어 있는 가감점수를 상기 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성하는 단계를 포함하는,
    과실비율 산정 방법.
  11. 교통사고가 발생한 제1차량 및 제2차량의 과실비율을 산정하는 장치로서,
    프로세서; 및
    상기 프로세서와 동작 가능하게 연결되고 상기 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고,
    상기 메모리는 상기 프로세서를 통해 실행될 때, 상기 프로세서가 사고차량으로서의 제1차량의 모노 카메라로부터 수집한 영상 프레임들로부터 추출한 특징점과, 상기 영상 프레임들 중 인접한 두 개의 영상 프레임의 비교를 통해 획득한 깊이 추정 결과를 이용하여 3D 포인트 클라우드 맵을 생성하고, 상기 3D 포인트 클라우드 맵을 기반으로 하여 상기 제1차량이 주행하는 주행경로를 생성하고,
    상기 주행경로 및 상기 영상 프레임들을 이용하여 교통사고 케이스의 분류 결과와, 상기 교통사고 케이스의 분류 결과에 대응하는 상기 제1차량 및 가해차량으로서의 제2차량의 기본 과실비율을 포함하는 과실관련 정보를 획득하고,
    제동성능을 나타내는 제1인자 및 조향성능을 나타내는 제2인자의 비율 조정분이 반영된 상기 제1차량 및 상기 제2차량으로 상기 주행경로를 시뮬레이션 하여 복수의 시뮬레이션 주행 시나리오를 생성하고,
    상기 복수의 시뮬레이션 주행 시나리오 각각에 대응하는 상기 제1차량 및 상기 제2차량에 대하여, 상기 제1인자의 비율 및 상기 제2인자의 비율에 할당된 가중치들을 로딩하여 과실비율 가중치를 산출하고,
    상기 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 수신에 대응하여, 상기 가감요소에 기설정되어 있는 가감점수를 상기 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성하고,
    상기 기본 과실비율에 상기 수정 가감점수를 반영하여 상기 제1차량 및 상기 제2차량에 대한 최종 과실비율을 산정하도록 야기하는 코드를 저장하는,
    과실비율 산정 장치.
  12. 제 11 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 주행경로를 생성 시에, 기설정된 시간 주기로 추출한 영상 프레임들에 대응하는 상기 제1차량의 경로점 집합을 주행경로로 생성하도록 야기하는 코드를 저장하는,
    과실비율 산정장치.
  13. 제 11 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 과실관련 정보를 획득 시에, 주행경로와 영상 프레임들을 이용하여 과실관련 정보를 예측하도록 미리 훈련된 심층신경망 모델을 이용하여 상기 주행경로와 상기 영상 프레임들에 대응하는 과실관련 정보 예측 결과를 생성하도록 야기하는 코드를 저장하고,
    상기 심층신경망 모델은,
    제1차량의 모노 카메라로부터 수집한 영상 프레임들과, 상기 제1차량의 주행경로를 입력으로 하고, 교통사고 케이스 및 제1차량과 제2차량의 기본 과실비율을 레이블로 하는 훈련데이터에 의해 지도학습 방식으로 훈련된 모델인,
    과실비율 산정 장치.
  14. 제 11 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 복수의 시뮬레이션 주행 시나리오를 생성 시에, 상기 주행경로를 시뮬레이션 할 때, 상기 제1차량 및 상기 제2차량의 동역학적 특성을 반영하도록 야기하는 코드를 더 저장하는,
    과실비율 산정 장치.
  15. 제 11 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 복수의 시뮬레이션 주행 시나리오를 생성 시에, 상기 주행경로 상에서 상기 제1인자 및 상기 제2인자의 비율 조정분을 반영하는 시작지점을 설정하도록 야기하는 코드를 더 저장하고,
    상기 시작지점은,
    상기 주행경로에 포함되는 영상 프레임들 중 오브젝트가 출현하고, 특징점의 개수가 기설정된 개수 이상인 영상 프레임인,
    과실비율 산정 장치.
  16. 제 15 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 시작지점에 대응하는 상기 3D 포인트 클라우드 맵으로부터 상기 제1차량과 상기 제2차량의 주행 속도에 대응하는 초기 제동성능들 및 주행 방향에 대응하는 초기 조향성능들을 획득하도록 야기하는 코드를 더 저장하는,
    과실비율 산정 장치.
  17. 제 16 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 복수의 시뮬레이션 주행 시나리오를 생성 시에, 상기 제1차량에 대하여, 상기 초기 제동성능을 기준으로 조정한 상기 제1인자에 대한 N개의 비율 및 상기 초기 조향성능을 기준으로 조정한 상기 제2인자에 대한 K개의 비율을 상기 주행경로에 시뮬레이션 하여 상기 제1차량에 대한 N×K개의 시뮬레이션 주행 시나리오를 생성하고,
    상기 제2차량에 대하여, 상기 초기 제동성능을 기준으로 조정한 상기 제1인자에 대한 M개의 비율 및 상기 초기 조향성능을 기준으로 조정한 상기 제2인자에 대한 J개의 비율을 상기 주행경로에 시뮬레이션 하여 상기 제1차량에 대한 M×J개의 시뮬레이션 주행 시나리오를 생성하도록 야기하는 코드를 저장하는,
    과실비율 산정 장치.
  18. 제 17 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 과실비율 가중치를 산출 시에, 데이터베이스로부터 상기 제1인자에 대한 복수개의 비율 각각에 대응하는 제1인자 가중치들 및 상기 제2인자에 대한 복수개의 비율 각각에 대응하는 제2인자 가중치들을 로딩하는 단계 로딩하고,
    상기 제1차량에 대하여, 제1시뮬레이션 주행 시나리오부터 상기 N×K개의 시뮬레이션 주행 시나리오까지 각 시뮬레이션 주행 시나리오 각각에 대하여 상기 제1인자 가중치 및 상기 제2인자 가중치의 곱을 산출하고 합산하여 제1차량 과실비율 가중치를 산출하고,
    상기 제2차량에 대하여, 제1시뮬레이션 주행 시나리오부터 상기 M×J개의 시뮬레이션 주행 시나리오까지 각 시뮬레이션 주행 시나리오 각각에 대하여 상기 제1인자 가중치 및 상기 제2인자 가중치의 곱을 산출하고 합산하여 제2차량 과실비율 가중치를 산출하도록 야기하는 코드를 저장하는,
    과실비율 산정 장치.
  19. 제 18 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 제1차량 과실비율 가중치를 산출 시에, 상기 N×K개의 시뮬레이션 주행 시나리오 중 교통사고가 발생한 하나 이상의 시뮬레이션 주행 시나리오에 대응하는 상기 제1인자 가중치 및 상기 제2인자 가중치의 곱을 제외시키고,
    상기 제2차량 과실비율 가중치를 산출 시에, 상기 M×J개의 시뮬레이션 주행 시나리오 중 교통사고가 발생한 하나 이상의 시뮬레이션 주행 시나리오에 대응하는 상기 제1인자 가중치 및 상기 제2인자 가중치의 곱을 제외시키도록 야기하는 코드를 더 저장하는,
    과실비율 산정 장치.
  20. 제 11 항에 있어서,
    상기 메모리는 상기 프로세서로 하여금,
    상기 수정 가감점수를 생성 시에, 상기 기본 과실비율을 변경할 수 있는 하나 이상의 가감요소에 대한 선택 신호를 수신하고,
    상기 하나 이상의 가감요소가 상기 제1인자 및 상기 제2인자 중 하나 이상을 포함하고 있는지 여부를 판단하고,
    상기 하나 이상의 가감요소가 상기 제1인자 및 상기 제2인자를 포함하고 있지 않음에 따라 상기 가감요소에 기설정되어 있는 가감점수를 유지하고,
    상기 하나 이상의 가감요소가 상기 제1인자 및 상기 제2인자 중 하나 이상이 포함되어 있음에 따라, 상기 가감요소에 기설정되어 있는 가감점수를 상기 과실비율 가중치를 기반으로 수정하여 수정 가감점수를 생성하도록 야기하는 코드를 저장하는,
    과실비율 산정 장치.
KR1020210053543A 2021-04-26 2021-04-26 3d 시뮬레이터 기반의 과실비율 산정 장치 및 방법 KR102342298B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210053543A KR102342298B1 (ko) 2021-04-26 2021-04-26 3d 시뮬레이터 기반의 과실비율 산정 장치 및 방법
KR1020210181894A KR102429372B1 (ko) 2021-04-26 2021-12-17 3d 시뮬레이터 기반의 과실비율 산정 장치 및 방법
US17/729,592 US20220340146A1 (en) 2021-04-26 2022-04-26 Apparatus and method for calculating ratio of negligence based on 3d simulator

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210053543A KR102342298B1 (ko) 2021-04-26 2021-04-26 3d 시뮬레이터 기반의 과실비율 산정 장치 및 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020210181894A Division KR102429372B1 (ko) 2021-04-26 2021-12-17 3d 시뮬레이터 기반의 과실비율 산정 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102342298B1 true KR102342298B1 (ko) 2021-12-21

Family

ID=79165447

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210053543A KR102342298B1 (ko) 2021-04-26 2021-04-26 3d 시뮬레이터 기반의 과실비율 산정 장치 및 방법
KR1020210181894A KR102429372B1 (ko) 2021-04-26 2021-12-17 3d 시뮬레이터 기반의 과실비율 산정 장치 및 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020210181894A KR102429372B1 (ko) 2021-04-26 2021-12-17 3d 시뮬레이터 기반의 과실비율 산정 장치 및 방법

Country Status (2)

Country Link
US (1) US20220340146A1 (ko)
KR (2) KR102342298B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304595A (zh) * 2023-05-11 2023-06-23 中南大学湘雅医院 基于共享云平台的智能运动分析系统及方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808437B (zh) * 2024-02-28 2024-05-17 山东金宇信息科技集团有限公司 一种基于虚拟仿真技术的交通管理方法、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100383721B1 (ko) * 2000-06-09 2003-05-12 이상조 영상 정보를 이용한 자동차용 사고 상황 기록 시스템
KR101689805B1 (ko) 2015-03-20 2016-12-27 동아대학교 산학협력단 Obd, gps 및 블랙박스 영상정보를 이용한 교통사고 현장 재현시스템 및 그 방법
KR20190126024A (ko) * 2019-08-23 2019-11-08 엘지전자 주식회사 교통 사고 처리 장치 및 교통 사고 처리 방법
KR102180933B1 (ko) 2019-12-11 2020-11-19 광주과학기술원 딥러닝을 이용한 사고 영상의 사고과실 평가 방법 및 장치
KR102232716B1 (ko) * 2019-07-09 2021-04-05 김영현 빅데이터 및 머신러닝 기반의 과실 비율 판정 방법 및 장치
KR20210053543A (ko) * 2019-11-04 2021-05-12 한국전기연구원 광원 파장 변조 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102400842B1 (ko) * 2020-01-30 2022-05-23 상명대학교산학협력단 교통사고 정보를 제공하기 위한 서비스 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100383721B1 (ko) * 2000-06-09 2003-05-12 이상조 영상 정보를 이용한 자동차용 사고 상황 기록 시스템
KR101689805B1 (ko) 2015-03-20 2016-12-27 동아대학교 산학협력단 Obd, gps 및 블랙박스 영상정보를 이용한 교통사고 현장 재현시스템 및 그 방법
KR102232716B1 (ko) * 2019-07-09 2021-04-05 김영현 빅데이터 및 머신러닝 기반의 과실 비율 판정 방법 및 장치
KR20190126024A (ko) * 2019-08-23 2019-11-08 엘지전자 주식회사 교통 사고 처리 장치 및 교통 사고 처리 방법
KR20210053543A (ko) * 2019-11-04 2021-05-12 한국전기연구원 광원 파장 변조 장치
KR102180933B1 (ko) 2019-12-11 2020-11-19 광주과학기술원 딥러닝을 이용한 사고 영상의 사고과실 평가 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
1020210053543_001

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304595A (zh) * 2023-05-11 2023-06-23 中南大学湘雅医院 基于共享云平台的智能运动分析系统及方法
CN116304595B (zh) * 2023-05-11 2023-08-04 中南大学湘雅医院 基于共享云平台的智能运动分析系统及方法

Also Published As

Publication number Publication date
US20220340146A1 (en) 2022-10-27
KR102429372B1 (ko) 2022-08-03

Similar Documents

Publication Publication Date Title
KR102635987B1 (ko) 이미지 시맨틱 세그멘테이션 네트워크를 트레이닝하기 위한 방법, 장치, 디바이스 및 저장 매체
JP7075366B2 (ja) 運転場面データを分類するための方法、装置、機器及び媒体
KR102429372B1 (ko) 3d 시뮬레이터 기반의 과실비율 산정 장치 및 방법
Arietta et al. City forensics: Using visual elements to predict non-visual city attributes
CN112749749B (zh) 基于分类决策树模型的分类方法、装置及电子设备
CN110223155A (zh) 投资推荐信息的推送方法、装置及计算机设备
US11164236B1 (en) Systems and methods for assessing needs
US10853720B1 (en) Traffic condition forecasting using matrix compression and deep neural networks
US20220261659A1 (en) Method and Apparatus for Determining Neural Network
US20180268295A1 (en) Risk evaluation method, computer-readable recording medium, and information processing apparatus
CN110929806B (zh) 基于人工智能的图片处理方法、装置及电子设备
CN110097450A (zh) 车贷风险评估方法、装置、设备和存储介质
Cai et al. A driving fingerprint map method of driving characteristic representation for driver identification
CN112819024A (zh) 模型处理方法、用户数据处理方法及装置、计算机设备
CN111885597B (zh) 一种安全认证的方法和系统
WO2022188599A1 (en) Selective redaction of images
Green et al. Mining administrative data to spur urban revitalization
CN114818484A (zh) 驾驶环境模型的训练方法及驾驶环境信息的预测方法
Cultrera et al. Explaining autonomous driving with visual attention and end-to-end trainable region proposals
Mohamed et al. Modeling Metaverse Perceptions for Bolstering Traffic Safety using Novel TrSS-Based OWCM-RAM MCDM Techniques: Purposes and Strategies
US11644331B2 (en) Probe data generating system for simulator
Hale et al. Vehicle Trajectory-Based Calibration Procedure for Microsimulation
US20240070198A1 (en) Intelligent graph analysis for network management
US20240177452A1 (en) Adaptive image classification
JP2023099336A (ja) データ処理方法及び電子機器

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant