KR102476292B1

KR102476292B1 - 인공지능을 이용하여 차량의 페달 박스 촬영 영상 데이터를 가공하는 블랙박스 관리 시스템

Info

Publication number: KR102476292B1
Application number: KR1020220103678A
Authority: KR
Inventors: 임영균; 윤민경
Original assignee: 다본다몰 주식회사; 윤민경
Priority date: 2022-08-19
Filing date: 2022-08-19
Publication date: 2022-12-13

Abstract

실시예들은 블랙박스 관리 시스템을 제공한다. 본 발명의 실시예에 따른 블랙박스 관리 시스템은, 복수의 카메라 각각으로부터 획득한 영상 데이터를 사전처리하여 영상 분석 데이터를 생성하는 사전처리 모듈; 상기 영상 분석 데이터를 기초로 차량의 이상 동작 발생 여부를 판별하는 인공지능 모듈; 상기 영상 데이터를 사용자 단말에 송신하는 사용자 관리 모듈;을 포함하되, 상기 복수의 카메라는, 차량의 페달 박스를 촬영하도록 설치되는 제1 카메라와, 상기 차량의 전방을 촬영하도록 설치되는 제2 카메라를 포함하고, 상기 인공지능 모듈은, 미리 저장된 복수의 가중치 마스크 중에서 어느 하나를 선택하고, 상기 선택된 가중치 마스크는 하나 이상의 주 기준점과 제1 서브 기준점, 제2 서브 기준점을 포함하고, 상기 인공지능 모듈은, 상기 주 기준점으로부터 상기 제1 서브 기준점으로 향하는 제1 벡터와, 상기 주 기준점으로부터 상기 제2 서브 기준점으로 향하는 제2 벡터를 연산하여 오브젝트 벡터를 생성하고, 상기 인공지능 모듈은, 상기 제1 카메라에 의해 촬영된 제1 영상 데이터를 기초로 복수의 이미지를 추출하고, 상기 오브젝트 벡터를 이용하여 상기 복수의 이미지 각각에서 상기 차량의 가속 페달에 대응하는 특정 영역을 인식하고, 상기 인공지능 모듈은, 상기 복수의 이미지 중, 제1 시각에 촬영된 제1 이미지 상의 제1 특정 영역과, 상기 제1 시각에 후속하는 제2 시각에 촬영된 제2 이미지 상의 제2 특정 영역을 기초로 페달 벡터를 생성하고, 상기 페달 벡터와 미리 설정된 임계값을 비교하고, 상기 비교 결과를 기초로 상기 차량의 이상 동작 발생 여부를 판별할 수 있다.

Description

인공지능을 이용하여 차량의 페달 박스 촬영 영상 데이터를 가공하는 블랙박스 관리 시스템{SYSTEM FOR PROCESSING PEDAL BOX PHOTOGRAPHING IMAGE DATA OF A VEHICLE USING ARTIFICIAL INTELLIGENCE}

본 발명의 실시예들은 인공지능을 이용하여 차량의 페달 박스 촬영 영상 데이터를 가공하는 블랙박스 관리 시스템에 관한 것으로, 보다 구체적으로는 차량의 페달 박스를 촬영하여 영상 데이터를 획득하고, 획득한 영상 데이터와 센싱 데이터를 인공지능을 이용하여 처리하여 차량의 이상 동작 발생 여부를 감지하는 시스템에 대한 것이다.

아래에서 설명할 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.

일반적으로 차량은 브레이크 페달, 및 가속 페달을 포함하고, 운전자가 가속 페달을 밟는 것에 대응하여 엔진에서 동력이 발생하며 차량의 주행이 이루어지게 된다. 한편, 전기전자기술의 발전에 따라 차량 엔진 및 변속기를 비롯한 주요 구성부에 다수의 전자제어장치가 적용되었다. 그런데 다수의 전자제어장치가 적용된 차량, 특히 자동변속기를 장착한 차량에서 정확한 원인을 추정할 수 없는 급발진 사고가 빈번하게 발생되어 현재 사회문제화되고 있다.

이러한 차량 급발진 사고 발생 시, 운전자는 사고의 원인이 차량의 전자제어장치의 오작동임을 입증하여야 하는데, 일반적으로 차량의 블랙박스 카메라는 차량의 전방 및 후방 촬영 영상만을 저장할 뿐, 차량의 페달 박스를 촬영하지는 않는다.

또한, 차량의 페달 박스를 단순히 촬영하여 저장하는 것만으로는, 차량 급발진 사고가 발생하였을 때 증거로서의 효과만을 가질 뿐이어서, 차량 급발진 사고가 발생하지 않았을 경우에는 아무런 가치가 없게 된다.

실시예들은, 차량의 페달 박스를 촬영한 영상을 저장하고, 촬영한 영상을 분석하여 차량의 급발진 사고가 발생하기 전에 차량의 이상 동작 발생 여부를 사전에 감지하는 시스템을 제공한다.

실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.

본 발명의 일 실시예에 따른 블랙박스 관리 시스템은, 복수의 카메라 각각으로부터 획득한 영상 데이터를 사전처리하여 영상 분석 데이터를 생성하는 사전처리 모듈; 상기 영상 분석 데이터를 기초로 차량의 이상 동작 발생 여부를 판별하는 인공지능 모듈; 상기 영상 데이터를 사용자 단말에 송신하는 사용자 관리 모듈;을 포함하되, 상기 복수의 카메라는, 차량의 페달 박스를 촬영하도록 설치되는 제1 카메라와, 상기 차량의 전방을 촬영하도록 설치되는 제2 카메라를 포함하고, 상기 인공지능 모듈은, 미리 저장된 복수의 가중치 마스크 중에서 어느 하나를 선택하고, 상기 선택된 가중치 마스크는 하나 이상의 주 기준점과 제1 서브 기준점, 제2 서브 기준점을 포함하고, 상기 인공지능 모듈은, 상기 주 기준점으로부터 상기 제1 서브 기준점으로 향하는 제1 벡터와, 상기 주 기준점으로부터 상기 제2 서브 기준점으로 향하는 제2 벡터를 연산하여 오브젝트 벡터를 생성하고, 상기 인공지능 모듈은, 상기 제1 카메라에 의해 촬영된 제1 영상 데이터를 기초로 복수의 이미지를 추출하고, 상기 오브젝트 벡터를 이용하여 상기 복수의 이미지 각각에서 상기 차량의 가속 페달에 대응하는 특정 영역을 인식하고, 상기 인공지능 모듈은, 상기 복수의 이미지 중, 제1 시각에 촬영된 제1 이미지 상의 제1 특정 영역과, 상기 제1 시각에 후속하는 제2 시각에 촬영된 제2 이미지 상의 제2 특정 영역을 기초로 페달 벡터를 생성하고, 상기 페달 벡터와 미리 설정된 임계값을 비교하고, 상기 비교 결과를 기초로 상기 차량의 이상 동작 발생 여부를 판별할 수 있다.

일 실시예에서, 상기 인공지능 모듈은, 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 다층 신경망; 및 상기 다층 신경망을 학습시켜 상기 영상 데이터를 기초로 추출되는 이미지의 분석에 최적화된 하이퍼파라미터(hyperparameter)를 산출하는 학습 엔진;을 포함하고, 상기 입력 레이어는, 상기 영상 분석 데이터와 상기 오브젝트 벡터를 포함하는 학습 데이터를 입력받고, 상기 하나 이상의 히든 레이어는, 상기 입력 레이어의 출력값 각각에 대하여 가중치를 곱하고, 바이어스를 더하여 출력하고, 상기 출력 레이어는, 상기 히든 레이어의 출력값을 입력받아 활성화 함수를 이용하여 출력 벡터를 출력하고, 상기 인공지능 모듈은, 상기 출력 벡터를 기초로 상기 오브젝트 벡터의 가중치를 생성하고, 상기 가중치를 이용하여 상기 특정 영역을 인식할 수 있다.

일 실시예에서, 상기 다층 신경망은 상기 출력 레이어에 연결된 손실함수 레이어를 포함하고, 상기 출력 벡터는 상기 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 다층 신경망의 파라미터는 상기 손실값이 작아지는 방향으로 학습될 수 있다.

일 실시예에서, 상기 인공지능 모듈은, 센싱 모듈로부터 센싱 데이터를 수신하고, 상기 센싱 데이터와 상기 영상 분석 데이터를 기초로 상기 차량의 이상 동작 발생 여부를 판별할 수 있다.

일 실시예에서, 상기 사용자 단말은, 디스플레이; 프로세서; 및 메모리;를 포함하고, 상기 메모리에는 블랙박스 관리 어플리케이션이 설치되고, 상기 프로세서는, 상기 블랙박스 관리 어플리케이션을 실행하여 상기 디스플레이에 제1 화면을 출력하고, 상기 제1 화면은, 쇼핑몰 링크를 출력하는 제1 영역과, 상기 제1 영상 데이터를 출력하는 제2 영역을 포함하고, 상기 프로세서는, 사용자의 상기 쇼핑몰 링크를 클릭 또는 터치하는 동작에 응답하여 상기 디스플레이에 제2 화면을 출력하고, 상기 프로세서는, 상기 차량의 이상 동작 발생 여부가 확인되는 경우, 상기 제1 화면의 상기 제1 영역에 이상 동작 발생 알림 신호를 출력할 수 있다.

[수학식]

일 실시예에서, 상기 인공지능 모듈은, 상기 수학식을 이용하여 상기 오브젝트 벡터를 생성하고, 상기 수학식에서, 벡터 v_ob는 오브젝트 벡터, 벡터 v_a는 제1 벡터, 벡터 v_b는 제2 벡터, 벡터 v_p는 제1 서브 기준점으로부터 제2 서브 기준점으로 향하는 벡터를 의미할 수 있다.

[수학식 1]

일 실시예에서, 상기 인공지능 모듈은, 상기 [수학식 1]을 이용하여, 상기 오브젝트 벡터와 상기 제1 서브 기준점으로부터 상기 제2 서브 기준점으로 향하는 벡터의 유사도를 계산하고, 상기 [수학식 1]에서, si는 상기 유사도, 벡터 v_ob는 상기 오브젝트 벡터, 벡터 v_p는 상기 제1 서브 기준점으로부터 상기 제2 서브 기준점으로 향하는 벡터, k는 벡터를 식별하기 위한 자연수이고,

[수학식 2]

상기 인공지능 모듈은, 상기 [수학식 2]를 이용하여, 상기 오브젝트 벡터의 상기 가중치를 생성하고, 상기 [수학식 2]에서, w는 가중치, si는 벡터의 유사도, 벡터 v_ob는 오브젝트 벡터, 벡터 v_p는 제1 서브 기준점으로부터 제2 서브 기준점으로 향하는 벡터, c는 보정 계수, n, k는 벡터를 식별하기 위한 자연수일 수 있다.

본 발명의 실시예들에 따른 블랙박스 관리 시스템은 차량의 페달 박스를 촬영하여 획득한 영상 데이터를 인공지능을 이용하여 정밀하게 분석하고, 차량의 페달이 움직였는지 여부를 정밀하게 판별할 수 있다. 또한, 사용자의 발이 페달에 접촉하지 않은 경우, 또는 페달에 충분한 압력이 가해지지 않은 경우에도 페달이 움직인 경우에는 이상 동작 발생 알림 신호를 사용자 단말에 출력함으로써, 차량의 이상 동작을 감지하여 급발진 사고를 미연에 방지할 수 있다.

실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.

실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 본 발명의 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 블랙박스 장치를 포함하는 차량(10)을 개략적으로 도시한 도면이다.
도 4는 도 3에 도시된 블랙박스 장치를 설명하기 위한 블록도이다.
도 5는 본 발명의 일 실시예에 따른 블랙박스 관리 장치를 도시한 블록도이다. 도 6은 도 5의 다층 신경망을 설명하기 위한 도면이다.
도 7 및 도 8은 사용자 단말의 디스플레이 화면을 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 블랙박스 영상 분석 방법을 설명하기 위한 흐름도이다.

이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.

도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.

또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.

도 1은 본 발명의 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일 실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.

무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일 실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일 실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 도스(DOS), 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 웹사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH등이 이용될 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.

제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.

데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.

도 2는 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.

도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일 실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.

운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.

미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.

어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일 실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.

데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.

시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.

어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일 실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.

장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.

본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.

또한, 메모리는 롬(ROM), 램(RAM), 비휘발성메모리, 휘발성메모리, 하드 디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), USB 메모리, 플래시 메모리 카드, 이에 상응하는 각종 이동식, 휴대식 저장매체(예컨대, SD(Secure Digital) 메모리 카드, microSD 메모리 카드, ISO 7816 표준의 저장장치 등)를 포함하지만, 이에 한정되지 않고 데이터를 저장하는 모든 종류의 저장 장치를 포함할 수 있다. 메모리는 저장 장치로 지칭될 수 있다.

도 3은 본 발명의 일 실시예에 따른 블랙박스 장치(300)를 포함하는 차량(10)을 개략적으로 도시한 도면이다. 도 4는 도 3에 도시된 블랙박스 장치(300)를 설명하기 위한 블록도이다.

도 3을 참조하면, 차량(10)에는 블랙박스 장치(300)가 탑재될 수 있다. 이어, 도 4를 참조하면, 블랙박스 장치(300)는 복수의 카메라, 센싱 모듈(340), 통신 모듈(350)을 포함할 수 있다. 복수의 카메라는 제1 카메라(311), 제2 카메라(312), 제3 카메라(313)를 포함할 수 있다. 제1 카메라(311), 제2 카메라(312), 제3 카메라(313)는 각각 서로 다른 방향을 촬영하도록 차량(10)에 설치될 수 있다. 일 실시예에서, 제1 카메라(310)는 차량(10)의 페달 박스를 촬영하도록 설치될 수 있다. 제2 카메라(320)는 차량(10)의 전방을 촬영하도록 설치될 수 있다. 제3 카메라(330)는 차량(10)의 후방을 촬영하도록 설치될 수 있다. 복수의 카메라 각각은 정지 영상 및 동영상을 촬영할 수 있다.

일 실시예에서, 제2 카메라(320)와 제3 카메라(330)는 동일한 카메라 모듈로서 구현될 수 있다. 즉, 제2 카메라(320)와 제3 카메라(330)는 전방 카메라 및 후방 카메라를 포함하는 하나의 카메라 모듈로서 구현될 수 있다.

일 실시예에서, 복수의 카메라 각각은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들을 포함할 수 있다. 비록 도 4에는 블랙박스 장치(300)이 3개의 카메라를 포함하는 것으로 도시되었으나, 본 발명의 실시예가 이에 제한되는 것은 아니다. 필요에 따라, 블랙박스 장치(300)은 4개 이상의 카메라를 포함할 수도 있다.

블랙박스 장치(300)에 포함된 복수의 카메라 각각은 차량(10)에 설치되어 영상을 촬영하고, 영상 데이터를 생성할 수 있다. 영상 데이터는 특정한 물체 또는 장면이 이미지 센서를 통해 광학적으로 기록된 데이터를 의미할 수 있다. 제1 내지 제3 카메라(310, 320, 330)은 각각 제1 내지 제3 영상 데이터를 생성할 수 있다. 각각의 영상 데이터는 영상 촬영 시기에 대응하는 시간 정보를 메타 데이터의 형태로 포함할 수 있다. 메타데이터는 IPTC (International Press Telecommunications Council), XMP (Extensible Metadata Platform from Adobe), EXIF(Exchangeable Image File Format) 등의 포맷으로 저장될 수 있다.

일 실시예에서, 블랙박스 장치(300)에 포함된 각각의 카메라들은 지정된 위치에 광원을 조사하는 플래시와, 지정된 위치의 조도를 감지하는 센서를 포함할 수 있다. 플래시는, 예를 들면, 페달 박스 부분에 광원을 조사하도록 설치될 수 있다. 블랙박스 장치(300)는 조도 감지 센서에서 측정되는 조도가 미리 설정된 임계값 이하가 되는 경우 플래시를 작동하도록 제어할 수 있다. 이를 통해, 블랙박스 장치(300)에 포함된 복수의 카메라 중 어느 하나의 카메라(예를 들면, 제1 카메라(310))가 어두운 장소를 촬영하는 경우에도, 블랙박스 장치(300)는 양질의 영상 데이터를 획득할 수 있다.

센싱 모듈(340)은 복수의 센서를 포함할 수 있다. 센싱 모듈(340)의 센서는, 차량(10)의 페달에 설치될 수 있다. 센싱 모듈(340)의 센서는 차량(10)의 페달에 가해지는 압력을 감지하여 전기 신호를 생성할 수 있다. 센싱 모듈(340)은 센서에서 생성된 전기 신호와, 차량(10)의 페달에 압력이 가해진 시간에 대응하는 시간 정보를 포함하는 센싱 데이터를 생성할 수 있다.

통신 모듈(350)은 블랙박스 장치(300)와 외부 전자 장치(예를 들면, 블랙박스 관리 장치(400), 또는 사용자 단말(500)) 간의 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(350)은 블랙박스 장치(300)의 구성요소(예를 들면, 제1 내지 제3 카메라, 또는 센싱 모듈)에서 생성된 신호 또는 데이터를 외부 전자 장치로 송신할 수 있고, 또는 외부 전자 장치로부터 데이터 또는 신호를 수신하여 블랙박스 장치(300)의 각 구성요소에 전달할 수도 있다. 통신 모듈(350)은 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크를 통하여 외부의 전자 장치와 통신할 수 있다.

메모리(360)는 블랙박스 장치(300)의 적어도 하나의 구성요소(예를 들면, 제1 내지 제3 카메라, 또는 센싱 모듈)에 의해 사용되는 다양한 데이터(예를 들면, 영상 데이터)를 저장할 수 있다. 일 실시예에서, 메모리(360)는 외부 저장 장치로 대체될 수 있다. 예를 들면, 블랙박스 장치(300)에는 외부 저장 장치(예를 들면, SD(Secure Digital) 카드)가 삽입될 수 있도록 그루브가 형성되며, 그루브 내에 외부 저장 장치를 수용할 수 있다. 이에 따라, 블랙박스 장치(300)의 복수의 카메라를 통해 생성된 영상 데이터들은 외부 저장 장치에 저장될 수 있다.

도 5는 본 발명의 일 실시예에 따른 블랙박스 관리 장치(400)를 도시한 블록도이다. 도 6은 도 5의 다층 신경망(421)을 설명하기 위한 도면이다.

도 5를 참조하면, 블랙박스 관리 장치(400)는 사전처리 모듈(410), 인공지능 모듈(420), 사용자 관리 모듈(430)을 포함할 수 있다.

사전처리 모듈(410)은 블랙박스 장치(300)로부터 복수의 영상 데이터를 수신할 수 있다. 사전처리 모듈(410)은 각각의 영상 데이터를 사전처리(preprocessing)하여 영상 분석 데이터를 생성할 수 있다.

일 실시예에서, 인공지능 모듈(420)은 각각의 영상 분석 데이터에 포함된 메타데이터를 참고하여 각각의 영상 데이터로부터 복수의 이미지를 추출할 수 있다. 복수의 이미지는 제 1시각에 촬영된 제1 이미지, 제1 시각에 후속하는 제2 시각에 촬영된 제2 이미지, 제2 시각에 후속하는 제3 시각에 촬영된 제3 이미지, ??를 포함할 수 있다. 인공지능 모듈(420)은 제1 이미지 상에 제1 특정 영역을 설정할 수 있다. 제1 특정 영역은, 예를 들면, 차량(10)의 가속 페달에 대응하는 이미지 영역일 수 있다. 인공지능 모듈(420)은 제1 이미지 상의 제1 특정 영역을 기초로 제1 특징점을 설정할 수 있다. 제1 특징점은 차량(10)의 가속 페달의 발판 일부에 대응하는 점일 수 있다.

인공지능 모듈(420)은 또한, 제2 이미지 상에, 제1 특정 영역에 대응하는 이미지 영역인 제2 특정 영역을 설정할 수 있다. 즉, 인공지능 모듈(420)은 제2 이미지 상에 차량(10)의 가속 페달에 대응하는 이미지 영역인 제2 특정 영역을 설정할 수 있다. 마찬가지로 인공지능 모듈(420)은 제2 이미지 상의 제2 특정 영역을 기초로 제2 특징점을 설정할 수 있다. 여기서, 제2 특징점은 제1 특징점과 마찬가지로 차량(10)의 가속 페달의 발판 일부에 대응하는 점일 수 있다.

인공지능 모듈(420)은 복수의 특징점을 기초로 하나 이상의 페달 벡터를 생성할 수 있다. 인공지능 모듈(420)은 제1 특징점과 제2 특징점을 기초로 제1 페달 벡터를 생성할 수 있다. 또한, 인공지능 모듈(420)은 제2 이미지를 기초로 설정된 제2 특징점과, 제3 이미지를 기초로 설정된 제3 특징점을 기초로 제2 페달 벡터를 생성할 수 있다. 마찬가지로, 인공지능 모듈(420)은 제n 이미지와 제n+1 이미지를 기초로 제n 페달 벡터를 생성할 수 있다.

일 실시예에서, 인공지능 모듈(420)는 복수의 가중치 마스크를 저장할 수 있다. 인공지능 모듈(420)은 가중치 마스크를 이용하여 특정 영역을 인식할 수 있다. 가중치 마스크는 복수의 기준점을 포함할 수 있다. 가중치 마스크에 포함된 복수의 기준점은 차량 정보와 사용자의 신체 정보에 따라 서로 다른 값을 가질 수 있다. 여기서, 각각의 기준점은 차량의 브레이크 페달 또는 가속 페달의 일부분에 대응하는 점일 수 있다.

인공지능 모듈(420)은 복수의 기준점을 기초로 오브젝트 벡터를 생성할 수 있다. 오브젝트 벡터는 어느 하나의 기준점으로부터, 다른 기준점들로 향하는 복수의 벡터의 합으로 표현될 수 있다. 일 실시예에서, 오브젝트 벡터는, 주 기준점으로부터 제1 서브 기준점으로 향하는 제1 벡터와, 주 기준점으로부터 제2 서브 기준점으로 향하는 제2 벡터의 합으로 표현될 수 있다. 여기서, 주 기준점은 차량(10)의 브레이크 페달의 일부분에 대응하는 점일 수 있다. 제1 서브 기준점 및 제2 서브 기준점은, 차량(10)의 가속 페달의 일부분에 대응하는 점일 수 있다. 제1 서브 기준점과 제2 서브 기준점은 차량(10)의 가속 페달의 서로 다른 일부분에 대응하는 점일 수 있다.

일 실시예에서, 인공지능 모듈(420)은 가중치 마스크를 이용하여 특정 영역을 인식할 수 있다. 인공지능 모듈(420)은 복수의 기준점을 기초로 오브젝트 벡터를 생성할 수 있다. 일 실시예에서, 인공지능 모듈(420)은 주 기준점으로부터 제1 서브 기준점으로 향하는 제1 벡터와, 주 기준점으로부터 제2 서브 기준점으로 향하는 제2 벡터를 연산하여 오브젝트 벡터를 생성할 수 있다.

일 실시예에서, 인공지능 모듈(420)은 [수학식 1]을 이용하여 오브젝트 벡터를 생성할 수 있다. [수학식 1]에서, 벡터 v_ob는 오브젝트 벡터, 벡터 v_a는 제1 벡터, 벡터 v_b는 제2 벡터, 벡터 v_p는 제1 서브 기준점으로부터 제2 서브 기준점으로 향하는 벡터를 의미할 수 있다.

인공지능 모듈(420)은 오브젝트 벡터를 이용하여 특정 영역을 인식하기 위해 이미지에 특징맵을 지정하는 프로세스를 단축할 수 있다. 즉, 특정 영역의 좌표 데이터와 오브젝트 벡터를 이용하여 페달 벡터를 추출할 범위를 지정함으로써 인공지능 모듈(420)은 불필요한 계산을 생략하여 추출한 이미지를 빠르게 처리할 수 있다.

이를 위해, 인공지능 모듈(420)은 다층 신경망(421), 학습 엔진(422)을 포함할 수 있다.

학습 엔진(422)은 복수의 학습 데이터를 사용하여 다층 신경망(421)을 미리 지도학습시킬 수 있다. 다층 신경망(Multilayer Neural Network)은 많은 수의 인공 뉴런(또는, 노드)들을 이용하여 생물학적인 시스템의 계산 능력을 모방하는 소프트웨어나 하드웨어로 구현된 예측 모델이다.

학습 엔진(422)은, 다층 신경망(421)이 영상 분석 데이터를 입력 받아 이미지 상의 특정 영역을 정확하게 인식할 수 있도록, 영상 분석 데이터와 오브젝트 벡터를 입력값으로 하고, 미리 설정된 임계값을 출력값으로 하는 학습 데이터를 사용하여 다층 신경망(421)을 지도학습시킬 수 있다. 이때, 지도학습이란, 입력값과 그에 따른 출력값이 있는 데이터를 학습 데이터로 이용하여 주어진 입력값에 따른 출력값을 찾는 학습을 의미하며, 정답을 알고 있는 상태에서 이루어지는 학습을 의미한다. 지도 학습에서 주어지는 입력값과 출력값 세트를 학습 데이터(Training Data)라고 한다. 즉, 상술한 영상 분석 데이터의 이미지를 분석하여 획득한 오브젝트 벡터와 임계값은 각각 입력값과 출력값으로서, 다층 신경망(421)의 지도학습을 위한 학습 데이터로 사용될 수 있다.

도 6을 참조하면, 다층 신경망(421)은 입력 레이어(421_a), 하나 이상의 히든 레이어(421_b), 및 출력 레이어(421_c)을 포함할 수 있다.

일 실시예에서, 다층 신경망(421)은, 입력값을 입력받고 제1 특징 벡터의 성분 개수에 상응하는 노드들을 갖는 입력 레이어(421_a), 입력 레이어(421_a)의 출력값 각각에 대하여 가중치를 곱하고, 바이어스(bias)를 더하여 출력하는 제1 히든 레이어(421_b1), 및 제1 히든 레이어(421_b1)의 출력값 각각에 대하여 가중치를 곱하고, 바이어스를 더하여 출력하는 제2 히든 레이어(제421_b2), 및 제2 히든 레이어(421_b2)의 출력값 각각에 대하여 가중치를 곱하고, 그 결과를 활성화 함수를 이용하여 출력하는 출력 레이어(output layer)(421_c)를 포함할 수 있다. 비록 도 4에서는 2개의 히든 레이어(421_b1, 421_b2)만이 도시되었으나, 하나 이상의 히든 레이어(421_b)은, 제1 히든 레이어(421_b1), 제2 히든 레이어(421_b2)외에 더 많은 수의 히든 레이어를 포함할 수 있다.

예를 들어, 활성화 함수는 Softmax 함수일 수 있으나, 본 발명의 실시예는 이에 제한되는 것은 아니고, 활성화 함수는 LeRU 함수 등 다른 다양한 함수일 수 있다. 가중치와 바이어스는 지도학습에 의해 지속적으로 갱신될 수 있다.

구체적으로, 출력 벡터는 출력 레이어(421_c)에 연결된 손실함수 레이어에 입력될 수 있다. 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력할 수 있다. 다층 신경망(421)의 파라미터는 손실값이 작아지는 방향으로 지도학습될 수 있다.

예를 들어, 손실함수 레이어는 [수학식 2]를 따라 손실 값을 계산할 수 있다. [수학식 2]에서, N은 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다.

또는, 손실함수 레이어는 [수학식 3]을 따라 손실 값을 계산할 수 있다. [수학식 3]에서, n은 클래스 별 학습 데이터의 수, y와 j는 클래스를 나타내는 식별자, C는 상수값, M은 클래스의 개수, x_y는 학습 데이터가 클래스 y에 속할 확률값, x_j는 학습 데이터가 클래스 j에 속할 확률값, L은 손실값을 의미할 수 있다.

인공지능 모듈(420)은 복수의 이미지 내에 포함된 객체를 식별하기 위한 기준을 학습할 수 있다. 예를 들면, 블랙박스 장치(300)의 제1 카메라(310)에 의해 획득된 이미지에는, 가속 페달뿐 아니라 운전자의 다리가 함께 나타날 수 있다. 이 경우 가속 페달이 움직였는지 여부를 정확하게 판별하기 위해서는, 이미지 중에서 페달이 포함된 이미지 영역이 정확하게 추출되어야 한다. 이를 위해, 인공지능 모듈(420)의 학습 엔진(422)은 다층 신경망(421)이 정확하게 이미지를 인식할 수 있도록 복수의 이미지를 이용하여 다층 신경망(421)의 파라미터를 학습시킬 수 있다.

일 실시예에서, 인공지능 모듈(420)은 [수학식 4]를 따라 오브젝트 벡터와 제1 서브 기준점으로부터 제2 서브 기준점으로 향하는 벡터의 유사도를 계산할 수 있다. [수학식 4]에서, si는 벡터의 유사도, 벡터 v_ob는 오브젝트 벡터, 벡터 v_p는 제1 서브 기준점으로부터 제2 서브 기준점으로 향하는 벡터, k는 벡터를 식별하기 위한 자연수일 수 있다.

일 실시예에서, 인공지능 모듈(420)은 특정 영역과 오브젝트 벡터를 비교하여 일치율을 계산할 수 있다. 인공지능 모듈(420)은 특정 영역과 오브젝트 벡터의 일치율을 기초로 오브젝트 벡터의 가중치를 생성할 수 있다. 인공지능 모듈(420)은 오브젝트 벡터의 가중치를 기초로 특정 영역을 인식할 수 있다.

인공지능 모듈(420)은 [수학식 5]를 따라 오브젝트 벡터의 가중치를 생성할 수 있다. [수학식 5]에서, w는 가중치, si는 벡터의 유사도, 벡터 v_ob는 오브젝트 벡터, 벡터 v_p는 제1 서브 기준점으로부터 제2 서브 기준점으로 향하는 벡터, c는 보정 계수, n, k는 벡터를 식별하기 위한 자연수일 수 있다.

인공지능 모듈(420)은 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스에 탑재될 수 있다. 예를 들어, 인공지능 모듈(420)은 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 디바이스에 탑재될 수도 있다.

이 경우, 인공지능 모듈(420)은 하나의 디바이스에 탑재될 수도 있으며, 또는 별개의 디바이스에 탑재될 수도 있다. 한편, 인공지능 모듈(420)은 소프트웨어 모듈로 구현될 수 있다. 인공지능 모듈(420)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 어플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 어플리케이션에 의해 제공될 수 있다.

사용자 관리 모듈(430)은, 블랙박스 관리 장치(400)가 제공하는 블랙박스 관리 어플리케이션 프로그램이 설치된 사용자 단말로부터 사용자 정보를 제공받아 저장하고, 사용자 단말을 관리할 수 있다. 사용자 관리 모듈(430)은 블랙박스 관리 어플리케이션에 대한 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 기능을 제공할 수도 있다. 사용자 관리 모듈(430)은 블랙박스 관리 어플리케이션 서비스의 사용자 인증이나, 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.

사용자 관리 모듈(430)은 사용자 단말(500)로부터 사용자 정보를 수신할 수 있다. 사용자 정보는 로그인 아이디 및 패스워드를 포함하는 계정 정보를 포함할 수 있다.

일 실시예에서, 사용자 관리 모듈(430)은 사용자 단말(500)로부터 제공받은 사용자 정보를 기초로, 사용자 단말(500)에 대한 고유 식별 정보를 추출하여 저장할 수 있다. 고유 식별 정보는, 예를 들면 사용자 단말 각각의 ID(Identification), 또는 고유 IP(Internet Protocol) 주소 등일 수 있다.

일 실시예에서, 사용자 관리 모듈(430)은 블랙박스 장치(300)의 외부 저장 장치 슬롯의 개폐 동작에 이용되는 사용자 개인 암호 키를 입력받아 저장할 수 있다. 블랙박스 장치(300)의 메모리(360)가 외부 저장 장치로 구현되는 경우, 블랙박스 장치(300)의 외부 저장 장치가 삽입되는 그루브는 셔터에 의해 개폐될 수 있다. 이 경우, 외부 저장 장치에 저장된 영상 데이터의 보안 유지를 위해, 셔터의 개폐는 사용자의 개인 암호 키 입력에 의해 제어될 수 있다. 사용자 관리 모듈(430)은 셔터의 개폐 제어를 위한 사용자의 개인 암호 키를 입력받고, 개인 암호 키 일치 여부를 확인 후 셔터의 개폐를 제어할 수 있다.

블랙박스 관리 장치(400)는 하드웨어적으로 통상적인 웹서버(Web Server) 또는 네트워크 서버와 동일한 하드웨어 모듈을 포함할 수 있다. 블랙박스 관리 장치(400)는 웹서버 또는 네트워크 서버의 형태로 구현될 수도 있고, 유형의 저장 장치 내부에 구축되어 있는 각종 데이터베이스를 포함하여 웹서버상에서 동작하는 일련의 응용 프로그램(Application Program)으로 구현될 수도 있다. 따라서 블랙박스 관리 장치(400)는 전술한 내용 중 어느 하나의 형태로 국한되지 않는 넓은 개념으로 이해되어야 할 것이다.

블랙박스 관리 장치(400)는 물리적인 서버를 통해 구현되는 것일 수 있다. 즉, 블랙박스 관리 장치(400)가 통신 장치를 포함하는 서버로 구현되어, 사용자 단말(500)로부터 데이터를 송신 또는 수신할 수 있다. 블랙박스 관리 장치(400)는 워크스테이션(workstation), 데이터 센터, 인터넷 데이터 센터(internet data center(IDC)), DAS(direct attached storage) 시스템, SAN(storage area network) 시스템, NAS(network attached storage) 시스템, RAID(redundant array of inexpensive disks, or redundant array of independent disks) 시스템, 및 EDMS(Electronic Document Management) 시스템 중 적어도 하나로 구현될 수 있으나, 본 실시예가 이에 제한되는 것은 아니다.

도 7 및 도 8은 사용자 단말(500)의 디스플레이 화면을 나타내는 도면이다.

사용자 단말(500)은 데스크톱 컴퓨터뿐만 아니라 노트북 컴퓨터, 워크스테이션, 팜톱(palmtop) 컴퓨터, UMPC(Ultra Mobile Personal Computer), 태블릿 PC, 개인 휴대 정보 단말기(Personal Digital Assistant, PDA), 웹 패드, 스마트폰, 휴대전화 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 단말장치로 이루어질 수 있다. 사용자 단말(500)은 도 1을 참조하여 설명한 전자 장치(101)과 동일하거나, 전자 장치(101)의 구성요소의 전부 또는 일부를 포함할 수 있다.

사용자 단말(500)의 메모리에는 블랙박스 관리 어플리케이션 프로그램이 설치되어 실행될 수 있다.

도 7을 참조하면, 사용자 단말(500)의 프로세서는 블랙박스 관리 어플리케이션 프로그램을 실행하여 사용자 단말(500)의 디스플레이에 제1 화면(D1)을 출력할 수 있다. 제1 화면(D1)은 제1 영역(R1)과 제2 영역(R2)을 포함할 수 있다. 제1 영역(R1)에는 쇼핑몰 링크를 포함하는 쇼핑몰 배너가 출력될 수 있다. 제2 영역(R2)에는 블랙박스 관리 장치(400)로부터 제공받은 영상 데이터가 출력될 수 있다. 사용자 단말(500)의 프로세서는, 사용자의 쇼핑몰 링크 클릭 또는 쇼핑몰 배너 터치 동작에 응답하여, 사용자 단말(500)의 디스플레이에 제2 화면(D2)을 출력할 수 있다.

도 8을 참조하면, 제2 화면(D2)에는 쇼핑몰 홈페이지 화면이 출력될 수 있다. 이를 통해, 사용자는 자신이 필요한 자동차 관련 용품을 편리하게 구매할 수 있다.

도 9는 본 발명의 일 실시예에 따른 블랙박스 영상 분석 방법을 설명하기 위한 흐름도이다.

도 9를 참조하면, 먼저, 블랙박스 장치(300)의 카메라(예를 들면, 제1 카메라(310))에 의해 차량(10)의 페달 박스를 촬영하여 영상 데이터를 획득하고, 센싱 모듈(340)에 포함된 센서에 의해 센싱 데이터를 획득한다(S910).

이어, 블랙박스 관리 장치(400)의 사전처리 모듈(410)에 의해, 영상 데이터를 분석하여 영상 분석 데이터와 페달 벡터를 생성한다(S920).

이를 위해, 사전처리 모듈(410)은 차량(10)의 페달 박스를 촬영하여 획득한 영상 데이터를 기초로 복수의 이미지를 추출할 수 있다. 복수의 이미지는 제 1시각에 촬영된 제1 이미지, 제1 시각에 후속하는 제2 시각에 촬영된 제2 이미지, 제2 시각에 후속하는 제3 시각에 촬영된 제3 이미지, ??를 포함할 수 있다. 사전처리 모듈(410)은 각각의 이미지 상에 특정 영역을 설정하고, 각각의 특정 영역을 기초로 특징점을 설정할 수 있다. 이 경우, 특정 영역은, 차량(10)의 가속 페달에 대응하는 이미지 영역일 수 있고, 특징점은 차량(10)의 가속 페달의 발판 일부에 대응하는 점일 수 있다. 사전처리 모듈(410)은 복수의 이미지 각각에 포함된 특징점들을 기초로 하나 이상의 페달 벡터를 생성할 수 있다.

블랙박스 관리 장치(400)의 인공지능 모듈(420)은 영상 데이터와 페달 벡터, 센싱 데이터를 기초로 차량(10)에 이상 동작이 발생했는지 여부를 판별한다(S930).

인공지능 모듈(420)은 생성된 페달 벡터의 크기가 미리 저장된 임계값을 초과하는 경우, 차량(10)의 가속 페달이 눌러졌다고 판단할 수 있다. 반대로, 인공지능 모듈(420)은 생성된 페달 벡터의 크기가 미리 저장된 임계값 이하임에도 차량(10)이 가속되는 경우, 차량(10)에 이상 동작이 발생한 것으로 판단할 수 있다. 또는, 인공지능 모듈(420)은 생성된 페달 벡터의 크기가 미리 저장된 제1 임계값 이하이고, 센싱 데이터에 포함된 전기 신호가 미리 저장된 제2 임계값 이하임에도, 차량(10)이 가속되는 경우, 차량(10)에 이상 동작이 발생한 것으로 판단할 수 있다. 이를 위해, 인공지능 모듈(420)은 영상 데이터의 메타데이터와 센싱 데이터의 시간 정보를 참조할 수 있다.

인공지능 모듈(420)의 다층 신경망(421)은 학습 엔진(422)에 의해 미리 학습될 수 있다. 인공지능 모듈(420)은 영상 분석 데이터와 페달 벡터, 센싱 데이터를 입력받고, 이를 기초로 이상 동작 발생 여부를 판별할 수 있다.

차량(10)에 이상 동작이 발생한 것으로 판별된 경우, 블랙박스 관리 장치(400)는 사용자 단말(500)의 디스플레이에 이상 동작 발생 알림 신호를 출력한다(S940).

전술한 바와 같이, 본 발명의 일 실시예에 따른 블랙박스 영상 분석 방법은 차량의 페달 박스를 촬영하여 획득한 영상 데이터를 인공지능을 이용하여 정밀하게 분석하고, 차량의 페달이 움직였는지 여부를 정밀하게 판별할 수 있다. 또한, 사용자의 발이 페달에 접촉하지 않은 경우, 또는 페달에 충분한 압력이 가해지지 않은 경우에도 페달이 움직인 경우에는 이상 동작 발생 알림 신호를 사용자 단말에 출력함으로써, 차량의 이상 동작을 감지하여 급발진 사고를 미연에 방지할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

복수의 카메라 각각으로부터 획득한 영상 데이터를 사전처리하여 영상 분석 데이터를 생성하는 사전처리 모듈;
상기 영상 분석 데이터를 기초로 차량의 이상 동작 발생 여부를 판별하는 인공지능 모듈;
상기 영상 데이터를 사용자 단말에 송신하는 사용자 관리 모듈;을 포함하되,
상기 복수의 카메라는, 차량의 페달 박스를 촬영하도록 설치되는 제1 카메라와, 상기 차량의 전방을 촬영하도록 설치되는 제2 카메라를 포함하고,
상기 인공지능 모듈은,
미리 저장된 복수의 가중치 마스크 중에서 어느 하나를 선택하고, 상기 선택된 가중치 마스크는 하나 이상의 주 기준점과 제1 서브 기준점, 제2 서브 기준점을 포함하고,
상기 인공지능 모듈은, 상기 주 기준점으로부터 상기 제1 서브 기준점으로 향하는 제1 벡터와, 상기 주 기준점으로부터 상기 제2 서브 기준점으로 향하는 제2 벡터를 연산하여 오브젝트 벡터를 생성하고,
상기 인공지능 모듈은, 상기 제1 카메라에 의해 촬영된 제1 영상 데이터를 기초로 복수의 이미지를 추출하고, 상기 오브젝트 벡터를 이용하여 상기 복수의 이미지 각각에서 상기 차량의 가속 페달에 대응하는 특정 영역을 인식하고,
상기 인공지능 모듈은, 상기 복수의 이미지 중, 제1 시각에 촬영된 제1 이미지 상의 제1 특정 영역과, 상기 제1 시각에 후속하는 제2 시각에 촬영된 제2 이미지 상의 제2 특정 영역을 기초로 페달 벡터를 생성하고,
상기 페달 벡터와 미리 설정된 임계값을 비교하고,
상기 비교 결과를 기초로 상기 차량의 이상 동작 발생 여부를 판별하는,
블랙박스 관리 시스템.
제1항에 있어서,
상기 인공지능 모듈은,
입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 다층 신경망; 및
상기 다층 신경망을 학습시켜 상기 영상 데이터를 기초로 추출되는 이미지의 분석에 최적화된 하이퍼파라미터(hyperparameter)를 산출하는 학습 엔진;을 포함하고,
상기 입력 레이어는, 상기 영상 분석 데이터와 상기 오브젝트 벡터를 포함하는 학습 데이터를 입력받고,
상기 하나 이상의 히든 레이어는, 상기 입력 레이어의 출력값 각각에 대하여 가중치를 곱하고, 바이어스를 더하여 출력하고,
상기 출력 레이어는, 상기 히든 레이어의 출력값을 입력받아 활성화 함수를 이용하여 출력 벡터를 출력하고,
상기 인공지능 모듈은, 상기 출력 벡터를 기초로 상기 오브젝트 벡터의 가중치를 생성하고, 상기 가중치를 이용하여 상기 특정 영역을 인식하는,
블랙박스 관리 시스템.
제2항에 있어서,
상기 다층 신경망은 상기 출력 레이어에 연결된 손실함수 레이어를 포함하고,
상기 출력 벡터는 상기 손실함수 레이어에 입력되고,
상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 다층 신경망의 파라미터는 상기 손실값이 작아지는 방향으로 학습되는,
블랙박스 관리 시스템.
제1항에 있어서,
상기 인공지능 모듈은,
센싱 모듈로부터 센싱 데이터를 수신하고, 상기 센싱 데이터와 상기 영상 분석 데이터를 기초로 상기 차량의 이상 동작 발생 여부를 판별하는,
블랙박스 관리 시스템.
제1항에 있어서,
상기 사용자 단말은,
디스플레이;
프로세서; 및
메모리;를 포함하고,
상기 메모리에는 블랙박스 관리 어플리케이션이 설치되고,
상기 프로세서는, 상기 블랙박스 관리 어플리케이션을 실행하여 상기 디스플레이에 제1 화면을 출력하고,
상기 제1 화면은, 쇼핑몰 링크를 출력하는 제1 영역과, 상기 제1 영상 데이터를 출력하는 제2 영역을 포함하고,
상기 프로세서는, 사용자의 상기 쇼핑몰 링크를 클릭 또는 터치하는 동작에 응답하여 상기 디스플레이에 제2 화면을 출력하고,
상기 프로세서는, 상기 차량의 이상 동작 발생 여부가 확인되는 경우, 상기 제1 화면의 상기 제1 영역에 이상 동작 발생 알림 신호를 출력하는,
블랙박스 관리 시스템.