KR102389160B1

KR102389160B1 - 기계학습을 이용한 스마트휠센서 기반의 노면상태추정 방법 및 장치

Info

Publication number: KR102389160B1
Application number: KR1020200163596A
Authority: KR
Inventors: 정성환
Original assignee: 주식회사 뉴로센스
Priority date: 2020-11-30
Filing date: 2020-11-30
Publication date: 2022-04-25

Abstract

본 발명의 일 실시예에 따르는, 노면 상태 추정 방법은, (a)차량의 각 휠측마다 위치한 각각의 스마트휠센서가 소정의 휠상태데이터를 수집하고 상기 휠상태데이터를 기 학습된 기계학습모델에 입력하여 제 1노면상태값을 추정하고 각 스마트휠센서가 위치한 휠의 위치데이터를 판단하는 단계; (b)차량의 본체측에 위치한 노면상태결정부가 상기 스마트휠센서로부터 수신한 상기 제 1노면상태값 및 휠측을 제외한 차량 내 다른 센서들로부터 수집된 데이터를 기초로 최종노면상태값을 결정하는 단계; 및 (c) 차량의 제어부가 상기 노면상태결정부로부터 수신한 상기 최종노면상태값에 따라 상기 차량의 제동 및 주행을 제어하는 단계를 포함한다.

Description

기계학습을 이용한 스마트휠센서 기반의 노면상태추정 방법 및 장치{METHOD AND APPARATUS FOR ESTIMATING ROAD SURFACE CONDITION BASED ON SMART WHEEL SENSOR USING MACHINE-LEARNING TECHNIQUE}

본 발명은 노면 상태 추정 방법 및 시스템에 관한 것으로서, 보다 상세하게는, 차량의 각 휠측마다 위치한 각각의 스마트휠센서 자체에서 1차적으로 노면 상태 추정이 수행되는 기술에 관한 것이다.

최근 차량에는 ABS(Anti-lock Brake System), ESC(Electronic Stability Control) 시스템, SCC(Smart Cruise Control) 시스템 등 운전자의 안전을 도모하기 위한 차량의 거동을 제어하는 시스템이 장착되고 있다.

이러한 시스템들은 최적의 성능을 발휘하기 위하여 노면의 상태가 고려된다. 즉, 주행 안정성을 높이기 위하여 주행 중인 노면의 상태를 추정하고, 차량 제어에 피드백하는 과정이 요구된다.

일반적으로, 노면 판단 방법은 차량의 휠이나 타이어 측에 배치된 특정 센서로부터 주행 중 발생하는 휠속도, 차량속도, 가속도, 엔진 토크 등 동역학적인 데이터를 기반으로 수학적 연산모델을 이용하거나 기계학습모델에 적용하여 노면 상태를 추정하는 방법이 제안되었다.

다만 종래에는, 차체 내 ECU(Electronic Control Unit)에서 각 센서로부터 감지된 데이터를 수신하고 가공한 후, 노면 상태를 추정하는 연산을 수행하였는데, 이러한 경우, ECU로 전송되는 데이터 양이 방대하여, 전송 중, 데이터 손실이 발생할 가능성이 높고, 각 센서의 배터리 소모가 빨라지는 경향이 있다.

또한, ECU자체에서 수행하는 연산량이 많아 시간이 오래 걸리고, 오류 발생 빈도가 많아질 수 있다.

특히, 노면 상태를 보다 정밀하게 추정하기 위하여, 다양한 데이터를 고려한 기계학습모델을 적용하는 경우, 이를 정밀하게 구축하는 데는 어려움이 따르며, 실제 주행데이터 적용시, 과적합 문제, 연산속도 문제 등을 감안해야 한다.

설사, 위와 같은 문제를 최소화한 시스템을 구축한다 하더라도 많은 비용과 시간이 소모될 것이고, 휠 측에 추가적인 센서의 장착이 요구되는 등 차량의 생산비용 또한 과도하게 증가되는 문제점이 있다.

본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 차량의 휠측에 위치한 스마트휠센서에서 소정의 휠상태데이터를 수집하고, 이를 기초로 자체적으로 노면 상태를 판단하고, 그 결과만을 차체측에 전달하는 것을 목적으로 한다. 또한, 1차 추정된 노면상태에 차량의 다른 구성요소로부터 수집된 다양한 데이터를 적용하여 최종 결정함으로써, 노면상태 인식률을 높이되, 보다 신속하게 수행될 수 있는 노면 추정 시스템을 제공하는데 목적이 있다.

본 발명의 일 실시예에 따르는, 노면 상태 추정 방법은, (a)차량의 각 휠측마다 위치한 각각의 스마트휠센서가 소정의 휠상태데이터를 수집하고 상기 휠상태데이터를 기 학습된 기계학습모델에 입력하여 제 1노면상태값을 추정하고 각 스마트휠센서가 위치한 휠의 위치데이터를 판단하는 단계; (b) 차량의 본체측에 위치한 노면상태결정부가 상기 스마트휠센서로부터 수신한 상기 제 1노면상태값을 기초로 최종노면상태값을 결정하는 단계; 및 (c) 차량의 제어부가 상기 노면상태결정부로부터 수신한 상기 최종노면상태값에 따라 상기 차량의 제동 및 주행을 제어하는 단계를 포함한다.

본 발명의 일 실시예에 따르는, 상기 스마트휠센서는 상기 휠상태데이터를 감지하는 감지부를 포함하되, 상기 감지부는 지자기센서, 가속도센서, 압력센서, 온도센서 및 자이로센서 중 적어도 하나를 포함한다.

본 발명의 일 실시예에 따르는, 상기 스마트휠센서는 제 1노면상태추정부를 포함하되, 상기 제 1노면상태추정부에 의해 수행되는, 상기 제 1노면상태값을 추정하는 방법은, (a-1) 상기 휠상태데이터를 기 설정된 데이터구간으로 분류하는 단계; 및 (a-2) 상기 특징벡터를 상기 기계학습모델에 입력하여 상기 제 1 노면상태값을 출력하는 단계를 포함하며, 상기 기계학습모델은 휠의 가속도값, 자이로센싱값, 및 지자기값을 포함한 입력값과 ICE/WET/DRY/SNOW의 4가지 노면상태값을 포함하는 출력값을 기초로 기 설정된 분류모델에 적용되어 학습된 것이다.

본 발명의 일 실시예에 따르는, 노면 상태 추정 방법은, 상기 (a)단계는, 상기 제 1노면상태추정부가 상기 특징벡터 내 고주파수데이터를 추출하고 상기 고주파수데이터에 대응하는 진폭레벨과 기 설정된 임계치를 비교하여 노면상태추론값을 추출하는 단계를 포함하되, 상기 고주파수데이터에 대응하는 진폭레벨은 상기 스마트휠센서가 위치한 휠 영역이 노면과 접하는 순간에 수집되는 진동데이터 내에 포함되는 것이고, 상기 기계학습모델의 입력값으로 적용 가능한 것이다.

본 발명의 일 실시예에 따르는, 노면 상태 추정 방법은, 상기 (b)단계는, (b-1) 상기 노면상태결정부가 휠측을 제외한 차량 내 다른 센서들로부터 수집된 데이터를 기초로 상기 최종노면상태값을 보정하여 결정하는 단계를 포함한다.

본 발명의 일 실시예에 따르는, 노면 상태 추정 방법은, 상기 (b-1)단계는, 차량의 본체측에 위치한 보조데이터산출부가 상기 휠상태데이터 및 상기 휠측을 제외한 차량 내 다른 센서들로부터 수집된 데이터를 가공하여 소정의 가공데이터를 산출하는 단계를 포함하되, 상기 가공데이터는 슬립율(slip ratio) 및 마찰계수를 포함하는 것이고, 상기 가공데이터와 상기 제1노면상태값을 고려하여 상기 최종노면상태값을 결정하는 것이다.

본 발명의 일 실시예에 따르는, 노면 상태 추정 방법은, 상기 (b-1)단계는, 상기 보조데이터산출부가 상기 휠상태데이터 및 상기 휠측을 제외한 차량 내 다른 센서들로부터 수집된 데이터를 기초로 제 2노면상태값을 추정하는 단계; 및 상기 노면상태결정부가 상기 제 1노면상태값 및 제 2노면상태값을 비교하고 비교결과에 따라 상기 최종노면상태값을 결정하는 단계를 포함한다.

본 발명의 일 실시예에 따르는, 노면 상태 추정 방법은, 상기 (b-1)단계는, 상기 보조데이터산출부가 상기 휠측을 제외한 차량 내 다른 센서들로부터 수집된 데이터를 기초로 상기 차량의 주행상황을 판단하는 단계; 및 상기 노면상태결정부가 상기 주행상황에 따라 상기 제 1노면상태값을 보정하여 상기 최종노면상태값을 결정하는 단계를 포함한다.

본 발명의 일 실시예에 따르는, 노면 상태 추정 방법은, 상기 (b)단계는, 상기 노면상태결정부가 각 휠 위치에 대응하는 최종노면상태값에 따라 스플릿노면으로 판단하는 경우, 상기 노면상태결정부가 상기 제어부에 상기 스플릿노면 관련 기 설정된 제동신호를 전달하는 단계를 포함한다.

본 발명의 일 실시예에 따르는, 노면 상태 추정 시스템은, 차량의 각 휠측마다 위치한 각각의 스마트휠센서; 차량의 본체측에 위치한 노면상태결정부; 상기 노면상태결정부로부터 수신한 최종노면상태값에 따라 상기 차량의 제동 및 주행을 제어하는 제어부;를 포함하되, 상기 스마트휠센서는 소정의 휠상태데이터를 수집하고 상기 휠상태데이터를 기 학습된 기계학습모델에 입력하여 제 1노면상태값을 추정하고 각 스마트휠센서가 위치한 휠의 위치데이터를 판단하고, 상기 노면상태결정부는 상기 스마트휠센서로부터 수신한 상기 제 1노면상태값를 기초로 상기 최종노면상태값을 결정하는 것이다.

본 발명의 일 실시예에 따르는 스마트휠센서는 미리 기계학습된 모델을 통해 자체적으로 노면 상태를 추정함으로써, 차체측 연산부에 전송되는 노면 결정에 필요한 데이터의 양을 효과적으로 줄일 수 있다. 즉, 실시간으로 휠측 센서에서 감지한 방대한 데이터가 전송되는 것이 아니라, 가공된 최소한의 데이터가 전송되므로, 전송 중 발생할 수 있는 데이터 손실의 문제를 방지할 수 있다.

또한, 타이어 또는 휠에 장착된 센서는 노면과의 크랙 문제 등으로 자체 배터리가 필수적으로 요구되는데, 상술한 바와 같이, 데이터 전송효율이 개선됨에 따라, 센서의 무선통신에 사용되는 전력을 줄이고 배터리 수명이 연장되는 효과를 기대할 수 있다.

본 발명의 일 실시예에 따르면, 본체측 연산부에 집중되는 연산량을 분산시킴으로써, 연산속도가 개선되고 수행 오류를 줄일 수 있다.

또한, 다양한 주행 관련 변수를 적용하여 노면 상태를 결정하면서도, 휠측 센서에서 수집된 데이터만 이용하여 기계학습모델을 적용하기 때문에, 학습모델 구축에 동반되는 알고리즘의 복잡성, 이에 따른 과적합 문제를 효과적으로 해결할 수 있다.

즉, 스마트휠센서에서 1차 인식을 하고, 본체측 연산부에서 2차적인 판단을 수행하기 때문에, 하드웨어 복잡도는 낮으면서도 정확한 노면 상태 데이터를 추출할 수 있다.

나아가, 이와 같이 노면 상태를 추정하면, 브레이크 시스템의 효율성을 극대화할 수 있으며 제동거리를 적절히 조정할 수 있다. 또한, 추정된 노면 상태를 GPS, 날씨 등 주행과 관련된 다른 정보들과 결합하여 자율주행보조, 차량관리 정보제공 등으로 활용할 수 있다.

도 1은 본 발명의 일 실시예에 따르는 노면 상태 추정 시스템의 구조도이다.
도 2는 본 발명의 일 실시예에 따르는 노면 상태 추정 방법의 순서도이다.
도 3은 본 발명의 일 실시예에 따르는 스마트휠센서의 내부 구조도이다.
도 4는 본 발명의 일 실시예에 따르는 제 1노면상태값을 추정하는 방법의 순서도이다.
도 5는 본 발명의 일 실시예에 따르는 제 2노면상태값을 추정하는 방법을 설명하기 위한 그래프이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 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 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

이하, 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따르는 노면 상태 추정 시스템의 구조도이다.

도 1을 참조하면, 본 발명의 일 실시예에 따르는 노면 상태 추정 시스템은 차량 내 센서부(100), 연산부(200), 제어부(300)로 구성될 수 있다.

먼저 센서부(100)는 각 휠측마다 위치한 각각의 스마트휠센서(110) 및 휠측을 제외한 차량 내 다른 센서(120)들로 구성될 수 있다. 스마트휠센서(110)는 타이어 또는 휠의 일 영역에 장착될 수 있으나, 바람직하게는, 타이어 트레드 내측의 중심부에 부착되어, 휠 회전시마다 노면과의 접촉에 의한 휠상태데이터의 변화를 감도 좋게 감지하되, 센서의 마모를 최소화하는 방향으로 설치될 수 있다.

한편, 차량 내 다른 센서(120)는 주행과 관련된 차량의 다양한 데이터를 측정하도록 구성될 수 있다. 예를 들어, 차체속도, 차체가속도, 차량무게, 조향각, 요레이트(yaw rate), 브레이크 제동력, 엔진토크, 엔진회전수, 슬립각 등 노면 상태 또는 마찰과 관련된 데이터라면 이에 한정되지 않는다. 이와 관련된 각 센서(120)들은 대응하는 데이터에 따라 차량 내 적절한 위치에 설치될 수 있다. 예를 들어, 조향각을 측정하는 센서는 차량 내 스티어링 유닛측에, 속도, 가속도 및 엔진과 관련된 변수를 측정하는 센서는 스로틀(Throttle) 유닛측 또는 제구동 유닛측에 설치되어 주행 중 발생하는 각 데이터의 변화를 감도 좋게 감지하되, 열이나 압력에 의한 센서의 마모를 최소화하는 방향으로 설치될 수 있다.

연산부(200)는 차량 본체측에 위치하여 노면상태결정부(210) 및 보조데이터산출부(220)로 구성될 수 있다. 노면상태결정부(210)는 스마트휠센서(110)로부터 수신한 제 1노면상태값 및 차량 내 다른 센서들(120)로부터 수집된 데이터를 기초로 최종노면상태값을 결정하는 역할을 수행한다. 보조데이터산출부(220)는 스마트휠센서(110)로부터 수신한 휠상태데이터 및 차량 내 다른 센서들(120)로부터 수집된 데이터를 기초로 제 2노면상태값를 추정할 수 있고, 소정의 가공데이터를 산출할 수 있다. 이들은 노면상태결정부(210)로 전송되어 최종노면상태값을 결정하는 데이터로 구성될 수 있다.

제어부(300)는 제동제어부(310)와 주행제어부(320)를 포함하며, 노면상태결정부(210)로부터 최종노면상태값을 수신하고 이에 따라 차량의 다른 시스템을 제어하여 탑승자에게 안전 운행 및 승차감을 제공할 수 있다.

이하, 도 3을 참조하여, 스마트휠센서(110)의 내부 구성도를 구체적으로 설명하도록 한다.

본 발명의 일 실시예에 따른 스마트휠센서(110)는 감지부(111), 제 1노면상태추정부(112), 휠 위치 판단부(113), 통신부(114), 배터리(115)를 포함하되, 감지부(111)는 지자기센서, 가속도센서, 압력센서, 온도센서 및 자이로센서 중 적어도 하나 이상을 포함할 수 있다.

제 1노면상태추정부(112)는 감지부(111)의 각 센서들로부터 감지된 휠상태데이터들을 수집하고, 이에 기초하여 제 1노면상태값을 추정하는 역할을 수행한다. 본 발명의 일 실시예에 따르면, 제 1노면상태추정부(112)는 각 휠상태데이터에 대응하는 특성이 잘 드러나도록 수집된 데이터를 가공하는 전처리 유닛(Pre-processing unit)과 미리 수집된 다양한 데이터들에 기초하여 노면상태값을 출력하도록 학습된 기계학습모델을 포함할 수 있다. 여기서 기계학습모델은 기 설정된 분류모델에 따라 복수로 구성되어, 차량의 주행특성과 관련되어 적절한 모델이 선택됨으로써, 보다 효율적으로 제 1노면상태값을 추정할 수 있다.

휠 위치 판단부(113)는, 감지부(111)의 각 센서들로부터 휠상태데이터들을 수신하여 이를 기초로 각 스마트휠센서(110)가 위치한 휠의 위치데이터를 판단한다. 즉, 수집된 지자기값, 가속도값, 자이로센싱값 등을 기반으로 이에 해당하는 스마트휠센서가 전/후, 좌/우 어느쪽 휠에 위치한 것인지 판단하여, 판단 결과를 연산부(200)에 전송할 수 있다.

통신부(114)는 스마트휠센서(110)와 차량 내 다른 구성요소 사이 차량 네트워크를 연결하는 역할을 수행한다. 여기서 차량 네트워크는 CAN(Controller Area Network)버스가 바람직하나, 다양한 방식이 채택될 수 있다.

배터리(115)는 스마트휠센서에 전력을 공급하되, 본 발명의 일 실시예에 따르면, 연산부(200)로 전송되는 데이터의 양이 줄어 수명이 연장되는 효과를 얻을 수 있다.

이하, 도 2를 참조하여, 본 발명의 일 실시예에 따르는 노면 상태 추정 방법에 대하여 설명하도록 한다.

도 2는 본 발명의 일 실시예에 따르는 노면 상태 추정 방법의 순서도이다.

단계 S10에서, 차량의 각 휠측마다 위치한 각각의 스마트휠센서(110)가 소정의 휠상태데이터를 수집하고 이를 기 학습된 기계학습모델에 입력하여 제 1노면상태값을 추정할 수 있다.

도 4를 참조하여, 이를 구체적으로 살펴보면, 단계 S11에서, 스마트휠센서(110) 내 제 1노면상태추정부(112)는 소정의 휠상태데이터를 수집할 수 있다. 여기서 휠상태데이터는 감지부(111) 내 각 센서에 따라 각 휠의 3축(종방향, 횡방향, 수직방향) 지자기값, 3축 가속도값, 3축 자이로센싱값(각가속도값), 압력값, 온도값일 수 있고, 이들은 시간에 따라 수집되는 신호값일 수 있다. 따라서, 수집된 각 휠상태데이터들을 동일한 시간 별로 동기화할 수 있다.

또한, 제 1노면상태추정부(112)는 수집된 각 휠상태데이터를 이용하여 기 설정된 연산을 통해 변환된 데이터를 산출할 수 있다. 예를 들어, 감지부(111) 내 가속도센서로부터 시간에 따른 휠 회전시 가속도의 변화데이터를 수집하고 FFT(fast Fourier transform)를 통하여 주파수에 따른 타이어의 변형 데이터로 변환할 수 있다. 또한, 가속도값 및 자이로센싱값을 통하여 휠의 회전속도를 산출하고 이를 기 설정된 마모임계치와 비교함으로써, 타이어의 마모상태 데이터로 변환할 수 있다. 또한, 이와 같은 변환된 데이터는 제 1노면상태값을 추정하는 자료로 활용될 수 있다.

상술한 휠상태데이터와 변환된 데이터의 구성은 실시예에 한정되는 것은 아니나, 연산속도 및 기계학습로직을 고려하여 적절한 수로 구성되는 것이 바람직하다.

단계 S12에서, 제 1노면상태추정부(112)는 휠상태데이터를 기 설정된 데이터구간으로 분류할 수 있다. 예를 들어, 감지부(111) 내 가속도센서로부터 수집된 시간에 따른 휠가속데이터를 기 설정된 윈도우(window, 시구간)로 분할 할 수 있다. 이와 같이, 감지부(111)를 통하여 휠상태데이터는 시간에 따라 검출되기 때문에, 이들을 효율적으로 전처리하기 위하여 소정의 시구간으로 분류하는 것이 일반적일 것이나 이에 한정하지 않고, 다양한 방식이 채택될 수 있다.

단계 S13에서, 제 1노면상태추정부(112)는 분류된 데이터구간 별 대표데이터를 추출하여 특징벡터를 산출할 수 있다. 즉, 각 데이터구간 별로 특징적인 정량정보를 추출할 수 있다. 예를 들어, 가속도센서와 관련된 데이터를 FFT하여 각 주파수마다의 타이어 변형강도를 벡터화할 수 있다. 이 때, 바람직하게는 가속도센서가 설치된 부분이 지면에 접한 경우를 포함한 타이어 일 회전시에 대응하는 데이터구간에 따라 차원화 할 수 있다. 예를 들어, 타이어 일 회전시에 대응하는 전체 윈도우가 6개의 주파수 특성을 나타내는 경우 6차원 특징벡터가 구성될 수 있다.

또한, 기 설정된 데이터범위 내 각 데이터구간에 해당하는 값들의 평균값, 표준편차를 산출하거나, 그 미분값을 산출하여 이들을 소정의 다차원 벡터로 구성함으로써 해당 휠상태데이터의 특성이 부각되도록 가공할 수 있다. 또한, 가속도센서로부터 수집된 타이어의 변형 및 자이로센싱값으로부터 산출된 휠의 방위각을 이용하여, 기 설정된 연산에 따라 타이어와 노면이 접할시, 휠에 작용하는 횡력, 종력, 수직항력 및 회전토크 등을 구하여 이들을 특징벡터로 구성할 수 있다.

또한, 소정의 통계적 패턴 분석을 통하여 휠상태데이터에 대한 변화 확률값을 산출하거나, 다운샘플링을 통한 데이터 축소기법을 이용할 수 있다. 이와 같이, 가속도값, 자이로센싱값, 지자기값, 압력값, 온도값을 포함한 휠상태데이터 각각의 특징을 추출함으로써, 추후 기계학습모델 적용시, 정확한 결과값이 도출되되, 불필요한 연산을 줄이고 복잡한 알고리즘이 지양되는 효과를 얻을 수 있다.

단계 S14에서, 제 1노면상태추정부(112)는 산출된 특징벡터에 대한 사이즈 스케일링(scaling)을 수행할 수 있다. 예를 들어, 특징벡터에 대한 값을 양자화하고 필터링하여 불필요한 초고주파 영역의 데이터를 배제하는 등 특징벡터에 대한 데이터의 크기를 기 설정된 사이즈로 축소할 수 있다. 이에 따라, 추후 기계학습모델 적용에 따른 제 1노면상태값을 추정하는 연산량을 대폭 줄일 수 있다. 또한, 기계학습모델을 구축할 시 미리 학습된 데이터의 최대, 최소값에 기 설정된 퍼센트를 곱한 값을 특징벡터에 대한 최대, 최소 범위에 할당하는 방법 등으로 추후 기계학습모델 적용에 따른 제 1노면상태값 추정에 관한 정확도를 향상시킬 수 있다.

단계 S15에서, 제 1노면상태추정부(112)는 각 특징벡터를 기 학습된 기계학습모델에 입력하여 제 1노면상태값을 출력할 수 있다. 즉, 각 휠에 위치한 스마트휠센서(100)에 의해 수집된 휠상태데이터가 소정의 전처리 과정을 거치고 기계학습모델에 입력되면 곧바로 제 1노면상태값이 추정되어 차체측의 연산부(200)로 전송될 수 있다.

본 발명의 일 실시예에 따르면, 기계학습모델은 휠의 가속도값, 자이로센싱값 및 지자기값을 포함한 입력값과 ICE/WET/DRY/SNOW의 4가지 노면상태값을 포함하는 출력값을 기초로 기 설정된 분류모델에 적용되어 미리 학습된 것일 수 있다.

추가 실시예로, 분류모델 내 설정되는 로직에 따라, 입력값은 상술한 바와 같은 전처리된 데이터가 포함될 수 있다. 또한, 출력값은 더욱 세분화된 노면상태값으로 구성되거나 노면상태결정부(210)에서 수행되는 최종노면상태값 결정에 함께 적용될 수 있는 각 휠의 슬립율, 마찰계수 등 다른 값들이 포함될 수 있다. 예를 들어, 다양한 주행 및 노면 상황에서 고려될 수 있는 휠상태데이터가 샘플링되어 초기 입력되면, 분류모델 내 회귀적 분석이 접목되어, 학습 도중 발생하는 중간 단계의 값이 입력값으로 추가되거나 출력값이 다시 입력값으로 추가되는 등의 형식을 취할 수 있다. 따라서, 이러한 과정을 통하여, 출력값 또한 세분화되어 추가적으로 도출될 수 있다.

즉, 감지부(110)의 각 센서에서 수집된 휠상태데이터가 그대로 기계학습모델에 입력되더라도 제 1노면상태값 또는 이와 유사한 목적을 지닌 다른 값들을 출력할 수 있으며, 본 발명의 일 실시예에 따라 특징벡터로 산출되어 입력되는 경우, 더욱 신속하게 노면상태에 관한 출력값이 도출될 수 있다.

한편, 본 발명의 일 실시예에 따르면, 기 설정된 분류모델은 KNN(kth nearest neighbor), RBF(Radial Basis Function), SVM(support vector machine), 디시전트리, 인공신경망 등이 사용될 수 있으나 이에 한정되는 것은 아니다. 또한, 차량의 종류, 목적, 주된 운행장소 등 다양한 기준에 따라 적합한 분류모델이 선택되어 학습될 수 있다.

추가 실시예로, 스마트휠센서(110) 내 기계학습모델은 분류모델에 따라 복수로 구성될 수 있으며, 주행 특성을 고려하여 기계학습모델이 선택되어 적용될 수 있다. 예를 들어, 제 1노면상태추정부(112)는 휠의 가속도 변화량, 각가속도의 변화량 및 자기력의 변화량을 수집하고 이에 기초하여 가속, 감속, 등속, 선회주행 등 소정의 주행 특성의 판단을 수행할 수 있다. 또한, 각각의 주행 특성에 대응하는 전처리 과정이 선별되어 수행될 수 있으며, 기계학습모델은 각각의 주행 특성에 적합한 분류 모델이 적용되어 기 학습될 수 있다. 예를 들어, 휠속도와 종가속도 및 종가속도의 평균, 분산값을 입력값으로 하는 인공신경망 모델이 적용되어 감속주행에 대응하는 기계학습모델로 구성될 수 있다. 이 경우, 제 1노면상태추정부(112)가 감속주행으로 판단하는 경우, 수집된 휠센서데이터 중 가속도값을 추출하고 평균, 분산값에 대한 특징벡터를 산출하여 상기 기계학습모델에 입력할 수 있다. 이와 같이, 최적화된 기계학습을 적용함에 따라, 데이터 전처리 과정 및 기계학습모델의 연산과정의 수행 시간을 감축할 수 있다.

본 발명의 일 실시예에 따르면, 제 1노면상태추정부(112)는 특징벡터에 대한 데이터를 주파수 영역으로 변환하고 이 중 고주파수데이터를 추출할 수 있다. 예를 들어, 스마트휠센서(110)가 위치한 휠 영역이 노면과 접하는 순간, 가속도센서가 감지한 시간축상 데이터의 진폭레벨은 최고치(Top peak)를 나타낼 수 있고, 접하고 떨어지는 순간, 최저치(Bottom peak)를 나타낼 수 있다. 고주파수데이터는 이러한 최고치와 최저치 사이의 진동데이터 내 포함될 수 있으며, 이에 대응하는 진폭 레벨을 기 설정된 임계치들과 비교함으로써, 노면상태추론값을 추출할 수 있다. 예를 들어, 고주파수데이터 내 진폭레벨이 a로 측정되고 기 설정된 DRY노면에 대응하는 임계치가 b인데, a>b 로 분석된 경우, 노면상태추론값은 DRY노면으로 추출될 수 있다. 이러한 노면상태추론값은 제 1노면상태값과 별개로 노면상태결정부(210)로 전송될 수 있으며, 기계학습모델의 입력값으로 구성될 수도 있다.

다시 도 2를 참조하면, 단계 S210에서, 스마트휠센서(110)는 휠상태데이터에 기초하여 각 스마트휠센서(110)가 위치한 휠의 위치데이터를 판단할 수 있다. 예를 들어, 스마트휠센서(110) 내 휠 위치 판단부(113)는 지자기센서로부터 지자기데이터를 수신하고 자이로센서로부터 휠 회전에 관련된 데이터를 수신하여 이들을 기초로 휠 위치데이터를 판단할 수 있다. 또한, 휠 위치 판단에 기초가 되는 데이터를 연산부(200)로 전송하여 정확한 휠 위치를 판단하게 할 수 있다. 예를 들어, 휠 위치 판단부(113)는 지자기센서로부터 얻어진 출력으로부터 각 휠의 방위데이터를 연산하고, 이들을 보조데이터산출부(220)로 전송한 후, 보조데이터산출부(220)에서 수집된 차량의 조향각데이터와 비교하여 전륜/후륜 여부를 판단할 수 있다. 이와 같이, 본 발명의 일 실시예에 따르면, 각 휠 별로 대응되는 노면의 상태를 추정할 수 있다.

이와 같이, 본 발명의 일 실시예에 따르면, 각 휠측에 위치한 스마트휠센서(110)가 수집한 방대한 데이터를 바로 전송하는 것이 아니라, 자체적으로 노면 상태에 관한 데이터로 분석하여 연산부(200)에 제공함으로써, 전송 중 발생하는 데이터 손실의 염려가 없으며, 휠측 센서의 배터리 소비 부담 또한 덜어 줄 수 있다.

단계 S220에서, 차량의 본체측에 위치한 노면상태결정부(210)는 스마트휠센서(110)로부터 제 1노면상태값을 수신하고, 이를 기초로 최종노면상태값을 결정할 수 있다. 또한, 노면상태결정부(210)는 차량 내 다른 센서(120)로부터 다양한 데이터를 수집하여 이를 기초로 최종노면상태값을 보정하여 최종 결정할 수 있다.

한편, 차량 내 다른 센서(120)들이 각각 수집한 데이터들은 연산부(200) 내 보조데이터산출부(220)를 통하여 소정의 연산을 거친 뒤 노면상태결정부(210)로 제공될 수 있다. 즉, 보조데이터산출부(220)는 수집된 데이터들을 노면 상태 결정에 직접적으로 적용될 수 있도록 가공하여 노면상태결정부(210)로 제공할 수 있다. 이처럼 각 센서들로부터 수집된 방대한 데이터의 양을 효율적으로 압축함으로써, 노면상태결정부(210)의 연산량을 대폭 줄여 연산속도를 높이고, 복잡한 알고리즘을 요하지 않으므로 오류를 최소화할 수 있다.

본 발명의 일 실시예에 따르면, 보조데이터산출부(220)는 스마트휠센서(110)으로부터 수신한 휠상태데이터 및 차량 내 다른 센서(120)로부터 수집된 데이터를 가공하여 소정의 가공데이터를 산출할 수 있다. 예를 들어, 휠상태데이터와 차체속도센서로부터 수집한 차체속도데이터를 이용하여 기 설정된 연산을 통해 슬립율(slip rate)을 산출할 수 있다. 또한, 휠상태데이터, 차체속도데이터, 차체가속도데이터 및 차체무게를 기반으로 휠 또는 차량에 인가되는 종, 횡방향의 힘 및 수직항력을 산출하여 마찰계수를 추정할 수 있다. 이러한 가공데이터들은 노면 상태에 직접적인 관련성이 있는 데이터로서, 예시에 한정되는 것은 아니다.

노면상태결정부(210)는 이러한 가공데이터를 기반으로 제 1노면상태값을 보정할 수 있다. 예를 들어, 스마트휠센서(110)로부터 제 1노면상태값이 DRY상태로 추정되었고, 가공데이터 내 슬립율이 기 설정된 범위 이상이어서 타이어의 마모, 공기압 저하 등이 의심되는 경우, WET상태로 보정하여 최종노면상태값을 결정할 수 있다.

본 발명의 일 실시예에 따르면, 보조데이터산출부(220)는 휠상태데이터 및 차량 내 다른 센서(120)로부터 수집된 데이터를 기초로 제 2노면상태값을 추정할 수 있다. 예를 들어, 상술한 바와 같이, 보조데이터산출부(220)가 산출한 가공데이터를 이용하여 제 2노면상태값을 추정할 수 있다. 도 5를 참조하면, 슬립율과 마찰계수에 따른 노면상태가 추정된 그래프가 도시되어 있다. 따라서, 이러한 그래프에 근거하여 제 2노면상태값을 추정할 수 있다. 물론, 예시에 한정되는 것이 아니라 기 분석된 다양한 자료가 적용될 수 있다.

노면상태결정부(210)는 제 1노면상태값과 제 2노면상태값을 비교분석하여 결과에 따라 최종노면상태값을 결정할 수 있다. 여기서, 제 1, 제 2노면상태값이 다른 노면상태를 지칭하는 경우, 더 낮은 마찰계수에 대응하는 노면상태를 최종노면상태값으로 결정하고, 제어부(300)에 전송함으로써, 보수적인 운행을 유도하여 탑승자의 안전운행이 이루어지도록 할 수 있다.

본 발명의 일 실시예에 따르면, 보조데이터산출부(220)는 차량 내 다른 센서들(120)로부터 수집된 데이터를 기초로 차량의 주행상황을 판단할 수 있다. 예를 들어, 수집된 조향각, 요레이트, 브레이크제동력, 엔진토크, 엔진회전수, 슬립각 등의 데이터들을 이용하여 차량이 코너링하거나 브레이킹되는 상황인지 판단할 수 있다. 이러한 상황으로 판단하는 경우, 상술한 가공데이터를 해당 상황에 맞게 보정할 수 있다. 예로, 급코너의 주행상황으로 판단되면, 산출된 마찰계수를 더 낮게 보정할 수 있다. 보조데이터산출부(220)는 보정된 마찰계수에 대한 데이터를 노면상태결정부(210)로 제공함으로써, 주행상황에 따른 제 1노면상태값이 보정되어 최종노면상태값이 결정될 수 있다.

본 발명의 일 실시예에 따르면, 노면상태결정부(210)가 각 휠 위치에 대응하는 최종노면상태값에 따라 스플릿노면으로 판단하는 경우, 제어부(300)에 스플릿노면과 관련하여 기 설정된 제동신호를 전달할 수 있다. 예를 들어, 전륜의 좌/우륜이 위치한 노면이 현저히 다른 상태라고 판단되는 경우, 수막현상 또는 급회전을 예방하기 위하여 후륜의 제동력을 변경하도록 하는 신호를 제동제어부(310)에 전달할 수 있다.

추가 실시예로, 제 1노면상태값, 제 2노면상태값 및 가공데이터의 충분한 양이 수집된 경우, 이를 기초로 최종노면상태값을 추출하는 기계학습모델을 구축하여 노면상태결정부(210) 내 구성할 수 있다. 분류모델은 한정되지 않고 다양한 방식이 채택될 수 있다. 각 데이터들은 스마트휠센서(110) 및 보조데이터산출부(220)에서 1차적으로 분석된 결과들이기 때문에, 기계학습모델의 고급된 입력값으로 적용될 수 있다. 따라서, 복잡한 알고리즘을 통하지 않더라도 효율적으로 최종노면상태를 결정할 수 있는 기계학습모델이 구축될 수 있으며, 이에 따라 노면상태결정부(210)의 연산량을 감소시킬 수 있다.

상술한 바와 같이, 노면상태 추정에 관련된 과정들이 분산되어 수행되고 각 과정들의 결과만을 수신하여 노면상태를 최종 판단함으로써, 다양한 데이터들이 종합적으로 고려되어 정확도는 높이되, 기존에 집중된 연산량이 감소되어 처리속도가 빨라지는 효과를 얻을 수 있다.

다시 도 2를 참조하면, 단계 S230에서, 차량의 제어부(300)는 노면상태결정부(210)로부터 최종노면상태값을 수신하고 이에 기초하여 차량의 제동 및 주행을 제어할 수 있다. 즉, 차량의 브레이크 시스템을 극대화할 수 있고, 안전한 주행이 이루어지도록 다른 주행 시스템을 조정할 수 있다.

예를 들어, 제어부(300) 내 제동제어부(310)는 최종노면상태값에 따라 제동거리를 줄이도록 하는 신호를 브레이크 시스템에 전달하여, 타이어의 상태를 보존하고 엔진의 효율성을 높일 수 있다. 또한, 급코너링, 급경사 등 특정한 주행상황이나 결빙, 눈길 등의 노면인 경우, 브레이크 시스템을 미리 준비시키도록 하여 안전한 주행을 탑승자에게 제공할 수 있다.

또한, 주행제어부(320)는 최종노면상태값에 따라 다양한 편의를 제공할 수 있다. 예를 들어, 해당 노면상태에 따라 서스펜션의 댐핑을 조절함으로써, 탑승자에게 편안한 승차감을 제공할 수 있다. 또한, 노면상태에 따라 앞차와의 간격을 일정 유지시켜주는 등, 자율주행을 보조하는 역할을 수행할 수 있다. 이는, 차량 내 클라우드시스템에서 수집된 주행거리, 차량정보, GPS정보, 날씨정보 등과 같이 고려되어 극대화 될 수 있다. 또한, 노면상태에 따른 차량관리에 대한 정보를 제공하는 등 다양한 목적으로 활용될 수 있다.

본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 센서부 110: 스마트휠센서
120: 차량 내 다른센서 200: 연산부
210: 노면상태결정부 220: 보조데이터산출부
300: 제어부 310: 제동제어부
320: 주행제어부

Claims

노면 상태 추정 방법에 있어서,
(a) 차량의 각 휠측마다 위치한 각각의 스마트휠센서가 소정의 휠상태데이터를 수집하고 상기 휠상태데이터를 기 학습된 기계학습모델에 입력하여 제 1노면상태값을 추정하고 각 스마트휠센서가 위치한 휠의 위치데이터를 판단하는 단계;
(b) 차량의 본체측에 위치한 노면상태결정부가 상기 스마트휠센서로부터 수신한 상기 제 1노면상태값을 기초로 최종노면상태값을 결정하는 단계; 및
(c) 차량의 제어부가 상기 노면상태결정부로부터 수신한 상기 최종노면상태값에 따라 상기 차량의 제동 및 주행을 제어하는 단계;
를 포함하고,
상기 스마트휠센서는 제 1노면상태추정부를 포함하되,
상기 제 1노면상태추정부에 의해 수행되는, 상기 제 1노면상태값을 추정하는 방법은,
(a-1) 상기 휠상태데이터를 기 설정된 데이터구간으로 분류하는 단계;및
(a-2) 상기 기 설정된 데이터구간으로 분류된 각각의 휠상태데이터를 상기 기계학습모델에 입력하여 상기 제 1 노면상태값을 출력하는 단계;
를 포함하며,
상기 기계학습모델은 휠의 가속도값, 자이로센싱값 및 지자기값을 포함한 입력값과 ICE/WET/DRY/SNOW의 4가지 노면상태값을 포함하는 출력값을 기초로 기 설정된 분류모델에 적용되어 학습된 것인,
노면 상태 추정 방법.
제 1항에 있어서,
상기 스마트휠센서는 상기 휠상태데이터를 감지하는 감지부를 포함하되, 상기 감지부는 지자기센서, 가속도센서, 압력센서, 온도센서 및 자이로센서 중 적어도 하나를 포함하는 것인,
노면 상태 추정 방법.
삭제
제 1항에 있어서,
상기 (a)단계는,
상기 (a-1)단계에서 분류된 데이터구간 별로 대표데이터를 추출하여 특징벡터를 산출하는 단계; 및
상기 제 1노면상태추정부가 상기 특징벡터 내 고주파수데이터를 추출하고 상기 고주파수데이터에 대응하는 진폭레벨과 기 설정된 임계치를 비교하여 노면상태추론값을 추출하는 단계;를 포함하되,
상기 고주파수데이터에 대응하는 진폭레벨은 상기 스마트휠센서가 위치한 휠 영역이 노면과 접하는 순간에 수집되는 진동데이터 내에 포함되는 것이고, 상기 기계학습모델의 입력값으로 적용 가능한 것인,
노면 상태 추정 방법.
제 1항에 있어서,
상기 (b)단계는,
(b-1) 상기 노면상태결정부가 휠측을 제외한 차량 내 다른 센서들로부터 수집된 데이터를 기초로 상기 최종노면상태값을 보정하여 결정하는 단계;
를 포함하는,
노면 상태 추정 방법.
제 5항에 있어서,
상기 (b-1)단계는,
차량의 본체측에 위치한 보조데이터산출부가 상기 휠상태데이터 및 상기 휠측을 제외한 차량 내 다른 센서들로부터 수집된 데이터를 가공하여 소정의 가공데이터를 산출하는 단계;를 포함하되,
상기 가공데이터는 슬립율(slip ratio) 및 마찰계수를 포함하는 것이고,
상기 가공데이터와 상기 제1노면상태값을 고려하여 상기 최종노면상태값을 결정하는 것인,
노면 상태 추정 방법.
제 5항에 있어서,
상기 (b-1)단계는,
차량의 본체측에 위치한 보조데이터산출부가 상기 휠상태데이터 및 상기 휠측을 제외한 차량 내 다른 센서들로부터 수집된 데이터를 기초로 제 2노면상태값을 추정하는 단계; 및
상기 노면상태결정부가 상기 제 1노면상태값 및 제 2노면상태값을 비교하고 비교결과에 따라 상기 최종노면상태값을 결정하는 단계;
를 포함하는,
노면 상태 추정 방법.
제 5항에 있어서,
상기 (b-1)단계는,
차량의 본체측에 위치한 보조데이터산출부가 상기 휠측을 제외한 차량 내 다른 센서들로부터 수집된 데이터를 기초로 상기 차량의 주행상황을 판단하는 단계; 및
상기 노면상태결정부가 상기 주행상황에 따라 상기 제 1노면상태값을 보정하여 상기 최종노면상태값을 결정하는 단계;를 포함하는,
노면 상태 추정 방법.
제 1항에 있어서,
상기 (b)단계는,
상기 노면상태결정부가 각 휠 위치에 대응하는 최종노면상태값에 따라 스플릿노면으로 판단하는 경우, 상기 노면상태결정부가 상기 제어부에 상기 스플릿노면 관련 기 설정된 제동신호를 전달하는 단계;
를 포함하는,
노면 상태 추정 방법.
노면 상태 추정 시스템에 있어서,
차량의 각 휠측마다 위치한 각각의 스마트휠센서;
차량의 본체측에 위치한 노면상태결정부;
상기 노면상태결정부로부터 수신한 최종노면상태값에 따라 상기 차량의 제동 및 주행을 제어하는 제어부;
를 포함하되,
상기 스마트휠센서는 소정의 휠상태데이터를 수집하고 상기 휠상태데이터를 기 학습된 기계학습모델에 입력하여 제 1노면상태값을 추정하고 각 스마트휠센서가 위치한 휠의 위치데이터를 판단하고,
상기 노면상태결정부는 상기 스마트휠센서로부터 수신한 상기 제 1노면상태값을 기초로 상기 최종노면상태값을 결정하는 것이고,
상기 스마트휠센서는 제 1노면상태추정부를 포함하되,
상기 제 1노면상태추정부에 의해 수행되는, 상기 제 1노면상태값을 추정하는 방법은,
(a-1) 상기 휠상태데이터를 기 설정된 데이터구간으로 분류하는 단계;및
(a-2) 상기 기 설정된 데이터구간으로 분류된 각각의 휠상태데이터를 상기 기계학습모델에 입력하여 상기 제 1 노면상태값을 출력하는 단계;
를 포함하며,
상기 기계학습모델은 휠의 가속도값, 자이로센싱값 및 지자기값을 포함한 입력값과 ICE/WET/DRY/SNOW의 4가지 노면상태값을 포함하는 출력값을 기초로 기 설정된 분류모델에 적용되어 학습된 것인,
노면 상태 추정 시스템.