KR102515353B1 - 차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치 및 이의 동작 방법 - Google Patents

차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치 및 이의 동작 방법 Download PDF

Info

Publication number
KR102515353B1
KR102515353B1 KR1020210019211A KR20210019211A KR102515353B1 KR 102515353 B1 KR102515353 B1 KR 102515353B1 KR 1020210019211 A KR1020210019211 A KR 1020210019211A KR 20210019211 A KR20210019211 A KR 20210019211A KR 102515353 B1 KR102515353 B1 KR 102515353B1
Authority
KR
South Korea
Prior art keywords
vehicle
state
driving
information
accident
Prior art date
Application number
KR1020210019211A
Other languages
English (en)
Other versions
KR20210150957A (ko
Inventor
김제리
조현준
김덕수
김의석
김도
Original Assignee
아우토크립트 주식회사
상하이 판치 인포메이션 테크놀로지 컴퍼니
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 아우토크립트 주식회사, 상하이 판치 인포메이션 테크놀로지 컴퍼니 filed Critical 아우토크립트 주식회사
Publication of KR20210150957A publication Critical patent/KR20210150957A/ko
Application granted granted Critical
Publication of KR102515353B1 publication Critical patent/KR102515353B1/ko

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
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • 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
    • B60W40/10—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 vehicle motion
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • B60W2040/0872—Driver physiology
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0063—Manual parameter input, manual setting means, manual initialising or calibrating means
    • B60W2050/0064—Manual parameter input, manual setting means, manual initialising or calibrating means using a remote, e.g. cordless, transmitter or receiver unit, e.g. remote keypad or mobile phone
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/143—Alarm means
    • 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
    • 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
    • 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/20—Steering systems
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/221—Physiology, e.g. weight, heartbeat, health or special needs
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/08—Predicting or avoiding probable or impending collision
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명의 실시예에 따른 차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치의 동작 방법은, 무선 통신을 위한 송수신기 및 적어도 하나의 센서를 이용하여 제1 차량의 차량 데이터를 획득하는 단계와, 상기 차량 데이터에 기반하여 상기 제1 차량이 이상 상태에 있는지 여부 및 상기 제1 차량에 사고 이벤트가 발생했는지 여부를 결정하는 단계와, 상기 제1 차량이 상기 이상 상태에 있고 상기 제1 차량에 상기 사고 이벤트가 발생하지 않은 경우, 상기 제1 차량를 위기 상태로 결정하는 단계와, 상기 위기 상태에 관한 정보에 기반하여 상기 제1 차량의 주행 이벤트를 예측하는 단계를 포함한다.

Description

차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치 및 이의 동작 방법{APPARATUS FOR DETECTING DRIVING STATE OF VEHICLE AND PREDICTING DRIVING EVENT AND OPERATING METHOD THEREOF}
본 발명은 텔레매틱스(telematics)와 센서를 활용하여 차량의 주행 상태를 탐지하고 차량의 주행 이벤트를 예측하는 방법에 관한 것이다.
일반적으로 차량을 운전하는 운전자는 자신 혹은 타인의 졸음운전, 운전미숙, 난폭운전, 도로여건 등의 사유로 예기치 못한 수 많은 위험 상황에 직면할 수 있다.
이에 안전한 운전을 위해 운전 중에 발생할 수 있는 수 많은 위험 상황중의 일부를 차량이 스스로 판단하도록 하여 운전자의 안전운전을 보조하는 첨단 운전자 지원 시스템(Advanced Driver Assistance Systems, ADAS)이 최근 각광을 받고 있다.
또한, 많은 차량 텔레매틱스 시스템에서 생체 센서, 광학 센서 등을 활용하여 운전자의 상태를 모니터링하고 차량 상태 및 사고가 발생하였을 ‹š의 상태를 파악하여 사고 위험률을 분석하는 기능을 제공하고 있다.
본 발명은 텔레매틱스와 센서를 활용하여 차량의 주행 상태를 탐지하고, 차량의 주행 이벤트를 예측함으로써 사고 위험률이 높은 상황이나 위기 상황을 감지하고 차량의 사고율을 감소시킬 수 있는 방법 및 장치를 제공한다.
본 발명의 실시예에 따른 차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치의 동작 방법은, 무선 통신을 위한 송수신기 및 적어도 하나의 센서를 이용하여 제1 차량의 차량 데이터를 획득하는 단계와, 상기 차량 데이터에 기반하여 상기 제1 차량이 이상 상태에 있는지 여부 및 상기 제1 차량에 사고 이벤트가 발생했는지 여부를 결정하는 단계와, 상기 제1 차량이 상기 이상 상태에 있고 상기 제1 차량에 상기 사고 이벤트가 발생하지 않은 경우, 상기 제1 차량를 위기 상태로 결정하는 단계와, 상기 위기 상태에 관한 정보에 기반하여 상기 제1 차량의 주행 이벤트를 예측하는 단계를 포함한다.
실시예에 따라, 상기 동작 방법은 상기 차량 데이터에 기반하여 상기 제1 차량의 제1 주행 상태 정보를 결정하는 단계와, 상기 제1 차량의 주변에 위치하는 제2 차량의 제2 주행 상태 정보를 수신하는 단계를 더 포함할 수 있다.
실시예에 따라, 상기 동작 방법은 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보에 기반하여 상기 제1 차량의 복수의 주행 시나리오 각각에 대한 복수의 사고 위험률 값들을 결정하는 단계와, 상기 제1 차량에 대한 상기 복수의 사고 위험률 값들 중에서 최대값이 임계값을 초과하는지 결정하는 단계와, 상기 제1 차량의 상기 사고 위험률 값이 임계값을 초과하면, 상기 제1 차량에 대한 경고 신호를 제공하는 단계를 포함할 수 있다.
실시예에 따라, 상기 임계값은 상기 복수의 주행 시나리오 각각에 대한 차량의 평균 사고율 정보에 기반하여 결정될 수 있다.
실시예에 따라, 상기 제1 주행 상태 정보는 상기 제1 차량의 과거 주행 정보 및 상기 제1 차량의 현재 주행 정보를 포함하고, 상기 제2 주행 상태 정보는 상기 제2 차량의 과거 주행 정보 및 상기 제2 차량의 현재 주행 정보를 포함할 수 있다.
실시예에 따라, 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보 각각은, 차량의 사고 방지 시스템 가동 여부에 관한 정보, 상기 차량의 급 회전에 관한 정보, 상기 차량의 급 브레이크에 관한 정보, 상기 차량 내 탑승자의 심박수 변화 정보, 상기 탑승자의 호흡 정보, 상기 탑승자의 체온 정보, 상기 차량의 소음 정보, 상기 탑승자의 발한 정보, 및 상기 탑승자의 상태 정보 중에서 적어도 하나를 포함할 수 있다.
실시예에 따라, 상기 송수신기는 텔레매틱스(telematics) 기반 통신장치 또는 V2X(vehicle to everything) 기반 통신장치 내에 구현될 수 있다.
실시예에 따라, 상기 적어도 하나의 센서는 상기 제1 차량 내에 구현되는 생체 센서 및 광학 센서 중에서 적어도 하나를 포함할 수 있다.
실시예에 따라, 상기 방법은 상기 제1 차량의 상기 위기 상태를 결정하기 위해 상기 차량 데이터 및 머신 러닝(machine learning)에 기반하여 상기 위기 상태로 분류되는 상기 제1 차량의 주행 조건을 결정하는 단계를 더 포함할 수 있다.
본 발명의 실시예에 따른 차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치는, 무선 통신을 위한 송수신기 및 적어도 하나의 센서를 이용하여 제1 차량의 차량 데이터를 획득하는 데이터 획득부와, 상기 차량 데이터에 기반하여 상기 제1 차량이 이상 상태에 있는지 여부 및 상기 제1 차량에 사고 이벤트가 발생했는지 여부를 결정하거. 상기 제1 차량이 상기 이상 상태에 있고 상기 제1 차량에 상기 사고 이벤트가 발생하지 않은 경우 상기 제1 차량를 위기 상태로 결정하는 차량 상태 결정부와, 상기 위기 상태에 관한 정보에 기반하여 상기 제1 차량의 주행 이벤트를 예측하는 차량 주행 예측부를 포함한다.
실시예에 따라, 상기 차량 상태 결정부는 상기 차량 데이터에 기반하여 상기 제1 차량의 제1 주행 상태 정보를 결정하고, 상기 데이터 획득부는 상기 제1 차량의 주변에 위치하는 제2 차량의 제2 주행 상태 정보를 수신할 수 있다.
실시예에 따라, 상기 차량 주행 예측부는, 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보에 기반하여 상기 제1 차량의 복수의 주행 시나리오 각각에 대한 복수의 사고 위험률 값들을 결정하고, 상기 제1 차량에 대한 상기 복수의 사고 위험률 값들 중에서 최대값이 임계값을 초과하는지 결정하고, 상기 제1 차량의 상기 사고 위험률 값이 임계값을 초과하면, 상기 제1 차량에 대한 경고 신호를 제공할 수 있다.
실시예에 따라, 상기 임계값은, 상기 복수의 주행 시나리오 각각에 대한 차량의 평균 사고율 정보에 기반하여 결정될 수 있다.
실시예에 따라, 상기 제1 주행 상태 정보는 상기 제1 차량의 과거 주행 정보 및 상기 제1 차량의 현재 주행 정보를 포함하고, 상기 제2 주행 상태 정보는 상기 제2 차량의 과거 주행 정보 및 상기 제2 차량의 현재 주행 정보를 포함할 수 있다.
실시예에 따라, 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보 각각은, 차량의 사고 방지 시스템 가동 여부에 관한 정보, 상기 차량의 급 회전에 관한 정보, 상기 차량의 급 브레이크에 관한 정보, 상기 차량 내 탑승자의 심박수 변화 정보, 상기 탑승자의 호흡 정보, 상기 탑승자의 체온 정보, 상기 차량의 소음 정보, 상기 탑승자의 발한 정보, 및 상기 탑승자의 상태 정보 중에서 적어도 하나를 포함할 수 있다.
실시예에 따라, 상기 송수신기는 텔레매틱스(telematics) 기반 통신장치 또는 V2X(vehicle to everything) 기반 통신장치 내에 구현되고, 상기 적어도 하나의 센서는 상기 제1 차량 내에 구현되는 생체 센서 및 광학 센서 중에서 적어도 하나를 포함할 수 있다.
실시예에 따라, 상기 차량 상태 결정부는, 상기 제1 차량의 상기 위기 상태를 결정하기 위해 상기 차량 데이터 및 머신 러닝(machine learning)에 기반하여 상기 위기 상태로 분류되는 상기 제1 차량의 주행 조건을 결정할 수 있다.
본 발명은 텔레매틱스와 센서를 활용하여 차량의 주행 상태를 탐지하고, 차량의 주행 이벤트를 예측함으로써 사고 위험률이 높은 상황이나 위기 상황을 감지하고 차량의 사고율을 감소시킬 수 있는 효과가 있다.
본 발명은 정상 상태인 차량들 사이에서의 사고 가능성, 이상 상태인 차량들 사이에서의 사고 가능성, 정상 상태와 이상 상태가 혼재된 차량들 사이에서의 사고 가능성을 예측함으로써 차량의 사고율을 감소시킬 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 주행 이벤트 예측 장치를 도시하는 도면이다.
도 2는 본 발명의 실시예에 따른 위기 상태를 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따라 각 주행 상태 별 주행 이벤트를 분류하는 과정을 나타내는 순서도이다.
도 4는 본 발명의 실시예에 따라 현재 차량의 주행 조건을 위기 상태로 분류하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따라 주행 상태를 기반으로 차량의 사고 위험률을 계산하는 과정을 나타내는 순서도이다.
도 6은 본 발명의 일 실시예에 따라 차량에 경고 신호를 제공하는 상황을 나타내는 도면이다.
도 7은 도 6에 도시된 경고 신호를 제공하는 상황을 설명하기 위한 순서도이다.
도 8은 본 발명의 다른 실시예에 따라 차량에 경고 신호를 제공하는 상황을 나타내는 도면이다.
도 9는 도 8에 도시된 경고 신호를 제공하는 상황을 설명하기 위한 순서도이다.
이하, 첨부된 도면을 참조하여 본 개시(present disclosure)를 설명한다. 본 개시는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들이 도면에 예시되고 관련된 상세한 설명이 기재되어 있다. 그러나, 이는 본 개시를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경 및/또는 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용되었다.
본 개시 가운데 사용될 수 있는 "포함한다" 또는 "포함할 수 있다" 등의 표현은 개시된 해당 기능, 동작 또는 구성요소 등의 존재를 가리키며, 추가적인 하나 이상의 기능, 동작 또는 구성요소 등을 제한하지 않는다. 또한, 본 개시에서, "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.
본 개시에서 "또는" 등의 표현은 함께 나열된 단어들의 어떠한, 그리고 모든 조합을 포함한다. 예를 들어, "A 또는 B"는, A를 포함할 수도, B를 포함할 수도, 또는 A 와 B 모두를 포함할 수도 있다.
본 개시 가운데 "제 1," "제2," "첫째," 또는 "둘째," 등의 표현들이 본 개시의 다양한 구성요소들을 수식할 수 있지만, 해당 구성요소들을 한정하지 않는다. 예를 들어, 상기 표현들은 해당 구성요소들의 순서 및/또는 중요도 등을 한정하지 않는다. 상기 표현들은 한 구성요소를 다른 구성요소와 구분 짓기 위해 사용될 수 있다. 예를 들어, 제1 사용자 기기와 제 2 사용자 기기는 모두 사용자 기기이며, 서로 다른 사용자 기기를 나타낸다. 예를 들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해될 수 있어야 할 것이다.
본 개시에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 개시를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 개시에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
많은 차량 텔레매틱스 시스템에서 생체 센서, 광학 센서 등을 활용하여 운전자의 상태를 모니터링하고 차량 상태 및 사고가 발생하였을 ‹š의 상태를 파악하여 사고 위험률을 분석하는 기능을 제공하고 있다.
하지만, 종래의 차량 텔레매틱스 시스템에서는 사고가 발생하는 이벤트만을 측정하다보니 사고 위험율이 높은 상황이나 사고가 날뻔한 상황(위기 상황 또는 Close Call 상황)에 관한 정보는 파악하지 않고 있으며 주변 차량과 통신을 하고 있지 않아 고립된 측정만을 수행하고 있다.
따라서, 본 발명에서 제안하는 주행 이벤트 탐지 시스템에서는 사고 위험율이 높은 상황 및 위기 상황을 감지하고, 생체 데이터, 카메라 기반 모니터링, V2X 데이터 등 다양한 데이터를 활용하여 차량 데이터를 수집함으로써 차량의 사고율을 더욱 감소시킬 수 있다.
즉, 본 발명은 차량 사용자로 하여금 사고 위험이 있는 순간들을 파악할 수 있게 해주고 이를 사고 방지 시스템과 연계해주는 방식에 대한 특허이다. 본 발명에서 제안하는 사고 방지 시스템은 차량의 주행 상태를 파악하고 어떤 주행 이벤트 상태에 있는지 파악하며, 파악된 주행 상태를 활용하여 향후 차량이 어떤 주행 이벤트 상태가 될지 예측할 수 있다.
도 1은 본 발명의 실시예에 따른 주행 이벤트 예측 장치를 도시하는 도면이다.
도 1을 참조하면, 주행 이벤트 예측 장치(100)는 데이터 획득부(110), 차량 상태 결정부(120), 및 차량 주행 예측부(130)를 포함한다. 데이터 획득부(110)는 송수신부(111)와 센서부(113)를 포함할 수 있다.
주행 이벤트 예측 장치(100)는 차량 내부에 구현되고, 차량의 주행 상태를 검출하고 주행 이벤트를 예측할 수 있다.
데이터 획득부(110)는 무선 통신을 위한 송수신부(111) 및 센서부(113)를 이용하여 차량의 차량 데이터를 획득할 수 있다.
송수신부(111)는 텔레매틱스(telematics) 기반 통신장치 또는 V2X(vehicle to everything) 기반 통신장치 내에 구현될 수 있다.
텔레매틱스 기반 통신장치 내에 구현되는 송수신부(111)는 차량의 속도, 브레이크 포지션, 조향각 등에 관한 정보 중에서 적어도 하나를 획득할 수 있다. V2X 기반 통신장치 내에 구현되는 송수신부(111)는 차량 간 위치, 근처 사물의 위치, 주변 차량의 주행 정보(예를 들어, 주변 차량의 주행 의도) 중에서 적어도 하나의 정보를 획득할 수 있다.
실시예에 따라, 데이터 획득부(110)는 데이터 획득부(110)를 포함하는 차량의 주변에 위치하는 주변 차량의 주행 상태 정보를 수신할 수 있다.
센서부(113)는 차량 내부에 구현되는 생체 센서 및 광학 센서 중에서 적어도 하나를 포함할 수 있다.
상기 생체 센서는 차량 탑승자의 생체 정보를 감지할 수 있다. 상기 생체 정보는 차량 탑승자에 대한 발한, 호흡, 심박수, 체온, 소음 등에 관한 정보 중에서 적어도 하나를 포함할 수 있다.
상기 광학 센서는 차량 탑승자의 신체 변화 정보를 감지할 수 있다. 상기 신체 변화 정보는 차량 탑승자에 대한 눈 크기, 눈 깜박이는 정도, 얼굴 근육 변화 등에 관한 정보 중에서 적어도 하나를 포함할 수 있다.
차량 상태 결정부(120)는 데이터 획득부(110)에서 획득한 차량 데이터에 기반하여 차량이 이상 상태에 있는지 여부 및 차량에 사고 이벤트가 발생했는지 여부를 결정할 수 있다.
차량 상태 결정부(120)는 데이터 획득부(110)에서 획득한 차량 데이터에 기반하여 차량의 주행 상태 및 차량에 발생한 주행 이벤트를 감지(또는 결정)할 수 있다.
차량 상태 결정부(120)는 데이터 획득부(110)에서 획득한 차량 데이터에 기반하여 차량의 주행 상태가 정상 상태인지 이상 상태인지 여부를 감지(또는 결정)할 수 있다.
또한, 차량 상태 결정부(120)는 데이터 획득부(110)에서 획득한 차량 데이터에 기반하여 차량의 주행 상태가 정상 상태이지만 사고 이벤트가 발생했는지 여부 및 차량의 주행 상태가 이상 상태이며 사고 이벤트가 발생했는지 여부를 감지(또는 결정)할 수 있다.
또한, 차량 상태 결정부(120)는 차량이 이상 상태에 있고 차량에 사고 이벤트가 발생하지 않은 경우 해당 차량를 위기 상태로 결정할 수 있다.
실시예에 따라, 차량 상태 결정부(120)는 상기 차량의 상기 위기 상태를 결정하기 위해 차량 데이터 및 머신 러닝(machine learning)에 기반하여 상기 위기 상태로 분류되는 상기 차량의 주행 조건을 결정할 수 있다.
차량 주행 예측부(130)는 차량 상태 결정부(120)에서 감지(또는 결정)된 차량의 과거 및 현재의 주행 상태 및 주행 이벤트에 관한 정보에 기반하여 향후 차량의 주행 상태 및 주행 이벤트를 예측할 수 있다.
특히, 차량 주행 예측부(130)는 차량 상태 결정부(120)에서 결정한 위기 상태에 관한 정보에 기반하여 향후 차량의 주행 이벤트를 예측할 수 있다.
차량 주행 예측부(130)는 차량 주행 예측부(130)를 포함하는 차량의 제1 주행 상태 정보 및 주변 차량의 제2 주행 상태 정보에 기반하여 상기 차량의 복수의 주행 시나리오 각각에 대한 복수의 사고 위험률 값들을 결정할 수 있다.
실시예에 따라, 상기 제1 주행 상태 정보는 상기 제1 차량의 과거 주행 정보 및 상기 제1 차량의 현재 주행 정보를 포함하고, 상기 제2 주행 상태 정보는 상기 제2 차량의 과거 주행 정보 및 상기 제2 차량의 현재 주행 정보를 포함할 수 있다.
실시예에 따라, 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보 각각은, 차량의 사고 방지 시스템 가동 여부에 관한 정보, 상기 차량의 급 회전에 관한 정보, 상기 차량의 급 브레이크에 관한 정보, 상기 차량 내 탑승자의 심박수 변화 정보, 상기 탑승자의 호흡 정보, 상기 탑승자의 체온 정보, 상기 차량의 소음 정보, 상기 탑승자의 발한 정보, 및 상기 탑승자의 상태 정보 중에서 적어도 하나를 포함할 수 있다.
차량 주행 예측부(130)는 상기 차량에 대한 복수의 사고 위험률 값들 중에서 최대값이 임계값을 초과하는지 결정하고, 상기 차량의 상기 사고 위험률 값이 임계값을 초과하면, 상기 차량에 대한 경고 신호를 제공할 수 있다.
실시예에 따라, 상기 임계값은, 상기 복수의 주행 시나리오 각각에 대한 차량의 평균 사고율 정보에 기반하여 결정될 수 있다.
도 2는 본 발명의 실시예에 따른 위기 상태를 설명하기 위한 도면이다.
도 1 및 도 2를 참조하면, 주행 이벤트 예측 장치(100)는 획득한 차량 데이터에 기반하여 해당 차량이 정상 상태(a)에 있는지 또는 이상 상태(b)에 있는지 여부를 결정할 수 있다.
또한, 주행 이벤트 예측 장치(100)는 획득한 차량 데이터에 기반하여 해당 차량에 사고 이벤트(A)가 발생했는지 결정할 수 있다. 해당 차량에 사고 이벤트(A)가 발생한 경우, 주행 이벤트 예측 장치(100)는 정상 상태(a) 중 사고 이벤트(A)가 발생했는지 및 이상 상태(b) 중 사고 이벤트(A)가 발생했는지 여부를 결정할 수 있다.
또한, 주행 이벤트 예측 장치(100)는 해당 차량이 이상 상태(b)이지만 사고 이벤트(A)는 발생하지 않은 경우, 해당 차량의 상태를 위기 상태(C = b-d)로 결정할 수 있다.
도 3은 본 발명의 실시예에 따라 각 주행 상태 별 주행 이벤트를 분류하는 과정을 나타내는 순서도이다.
도 1 내지 도 3을 참조하면, 주행 이벤트 예측 장치(100)는 차량의 주행 이벤트를 파악할 수 있다.
주행 이벤트 예측 장치(100)는 차량 데이터를 수집하고(S310), 상기 차량 데이터에 기반하여 기준이 되는 차량의 정상 상태에 대한 주행 이벤트를 분류할 수 있다(S320).
주행 이벤트 예측 장치(100)는 차량의 이상 상태의 주행 이벤트를 분류하고(S330), 차량의 정상 상태 또는 이상 상태 중에서 사고 상태인 주행 이벤트를 분류할 수 있다(S340).
이후, 주행 이벤트 예측 장치(100)는 차량이 이상 상태 및 사고 상태를 경우를 위기 상태로 결정하고, 사고 위험률이 높거나 위기 상태인 주행 이벤트를 분류할 수 있다(S350).
도 4는 본 발명의 실시예에 따라 현재 차량의 주행 상태를 위기 상태로 분류하는 과정을 설명하기 위한 도면이다.
도 4는 도 3에서 도시한 주행 이벤트 분류 방법에 대한 구체화된 일 실시예를 나타낸다. 도 4에 도시된 주행 조건(driving condition, DC)은 현재 차량의 주행 상태를 의미할 수 있다.
여기서, 주행 조건(또는 현재 차량의 주향 상태)은 차량의 사고 방지 시스템 가동 여부에 관한 정보, 상기 차량의 급 회전에 관한 정보, 상기 차량의 급 브레이크에 관한 정보, 상기 차량 내 탑승자의 심박수 변화 정보, 상기 탑승자의 호흡 정보, 상기 탑승자의 체온 정보, 상기 차량의 소음 정보, 상기 탑승자의 발한 정보, 및 상기 탑승자의 상태 정보 중에서 적어도 하나를 포함할 수 있다.
도 1 내지 도 4를 참조하면, 주행 이벤트 예측 장치(100)는 차량이 주행 중인지 여부를 판단할 수 있다(S401). S401 단계에 따라 차량이 주행 중인 경우, 주행 이벤트 예측 장치(100)는 현재 주행 상태에 상응하는 Di 값을 도출할 수 있다(S403).
주행 이벤트 예측 장치(100)는 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하는지 여부를 판단할 수 있다(S405). S405 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하면, 주행 이벤트 예측 장치(100)는 현재 차량의 주행 상태(DC)를 정상 상태로 분류할 수 있다.
S405 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하지 않으면, 주행 이벤트 예측 장치(100)는 현재 차량의 주행 상태(DC)를 이상 상태로 분류할 수 있다(S411).
S401 단계에 따라 차량이 주행 중이지 않은 경우, 주행 이벤트 예측 장치(100)는 차량의 현재 주행 상태에 상응하는 Di 값을 차량의 이전 주행 상태에 상응하는 Di-1 값으로 설정(Di = Di-1)할 수 있다(S409).
S409 단계 이후 주행 이벤트 예측 장치(100)는 차량의 현재 주행 상태에 상응하는 Di 값이 사고 상태의 범위(A) 내에 속하는지 여부를 판단할 수 있다(S413).
S413 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 사고 상태의 범위(A) 내에 속하면, 주행 이벤트 예측 장치(100)는 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하는지 여부를 판단할 수 있다(S415).
S415 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하면, 주행 이벤트 예측 장치(100)는 현재 차량의 주행 상태(DC)를 정상-사고 이벤트로 분류할 수 있다(S417).
S413 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 사고 상태의 범위(A) 내에 속하지 않으면, 주행 이벤트 예측 장치(100)는 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하는지 여부를 판단할 수 있다(S419).
S415 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하지 않으면, 주행 이벤트 예측 장치(100)는 현재 차량의 주행 상태(DC)를 이상-사고 이벤트로 분류할 수 있다(S421).
S419 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하지 않으면, 주행 이벤트 예측 장치(100)는 현재 차량의 주행 상태(DC)를 위기 상태(C)로 분류할 수 있다(S423).
S419 단계에서 차량의 현재 주행 상태에 상응하는 Di 값이 정상 상태의 범위(a) 내에 속하면, 주행 이벤트 예측 장치(100)는 현재 차량의 주행 상태(DC)를 정상 상태(a)로 분류할 수 있다(S425).
도 4에 도시된 주행 조건(또는 주행 상태) 분류 방법은 머신 러닝 환경에서 "labeling"을 이용하여 구현될 수 있다. 'labeling'된 데이터는 하나 혹은 그 이상의 태그(metadata)가 부착된 샘플 데이터의 집합이다.
'labeling'은 일반적으로 태그가 부착되지 않은 데이터 집합을 사용하며 해당 데이터 파악을 통해 각 부분의 상태를 표현할 수 있는 태그를 부착시켜가는 행위를 뜻한다.
예를 들어, 동물 사진에 “다리가 4개이다”, “파충류이다” 등의 태그를 부착할 수 있을 것이다.
본 특허의 'labeling' 기능 순서는 아래와 같다.
1) 각각의 입력값들의 기준점을 정의하고 해당 기준점을 중심으로 특성들을 추출한다.
A. 초기 기준점의 정의는 기존 기법(졸음 운전이나 위험 운전 등을 판단하는 데에 사용되었던)을 통해 새로 수집한 데이터 혹은 과거 데이터들을 분석하여 결정한다.
B. driving Condition은 기존 기법의 평가를 기반으로 기준점과 정해진 시간 프레임 속에서의 변화 값을 일반화하여 결정한다. (정해진 시간 프레임은 데이터 소스 및 유형에 따라 달라짐)
2) 기준점을 활용하여 정상 상태의 데이터를 'labeling'한다.
A. 기준점 데이터를 활용하여 특정 범위의 데이터를 일반적인 통계 기법 및 관련 데이터들의 참조를 통해 정상 데이터로 분류한다.
B. 오차범위는 기존 통계기법을 활용하여 분류한다.
3) 기준점에서 벗어난 데이터들을 비정상 데이터로 분류한다.
A. 기준점 데이터를 활용하여 특정 범위를 벗어난 데이터를 일반적인 통계 기법 및 관련 데이터들의 참조를 통해 비정상 데이터로 분류한다.
4) 이벤트 유형에 따라 데이터를 'labeling'한다.
A. 사고가 발생하였을 때에 일어나는 이벤트 정보(에어백이 터짐, 가속도계가 일정 범위를 넘어섬 등)를 활용하여 관련 데이터들을 사고 데이터로 'labeling'한다.
B. 사고 데이터로 'labeling' 되지 않고 비정상 데이터로 분류된 데이터들을 “close call”로 'labeling'한다.
도 5는 본 발명의 실시예에 따라 주행 상태를 기반으로 차량의 사고 위험률을 계산하는 과정을 나타내는 순서도이다.
도 1 내지 도 5를 참조하면, 주행 이벤트 예측 장치(100)는 향후 차량의 주행 이벤트를 예측할 수 있다.
주행 이벤트 예측 장치(100)는 차량 데이터를 수집하고(S510), 수집된 차량 데이터에 기반하여 차량의 주행 상태를 파악할 수 있다(S520). 이후, 주행 이벤트 예측 장치(100)는 파악된 주행 상태를 기반으로 과거 데이터와 대조하여 차량의 사고 위험률을 계산할 수 있다(S530).
주행 이벤트 예측 장치(100)는 계산된 사고 위험률에 기반하여 향후 차량에 발생할 수 있는 주행 이벤트를 예측할 수 있다.
도 6은 본 발명의 일 실시예에 따라 차량에 경고 신호를 제공하는 상황을 나타내는 도면이다.
도 1, 도 2, 및 도 6을 참조하면, 제1 차량(V1) 또는 제2 차량(V2) 내에 구현되는 주행 이벤트 예측 장치(100)는 제1 차량(V1)의 현재 주행 상태(Di,1) 및 제2 차량(V2)의 현재 주행 상태(Di,2)에 기반하여 케이스 별로 사고 위험 확률(Pk,l(x))을 계산할 수 있다.
더불어, 주행 이벤트 예측 장치(100)는 케이스 별 사고 위험 확률(Pk,l(x)) 중에서 사고 이벤트와 관련된 통합 사고 위험률(
Figure 112021017242014-pat00001
)을 계산할 수 있다.
도 6에서, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 정상 상태(a)이며(Di,2 = a) 주행 결과가 사고 이벤트가 발생하지 않은 정상 상태일 경우 확률은 Pa,a(a)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 정상 상태(a)이며(Di,2 = a) 주행 결과가 사고 이벤트가 발생한 정상 상태일 경우 확률은 Pa,a(c)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않은 정상 상태일 경우 확률은 Pa,b(a)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않은 이상 상태일 경우 확률은 Pa,b(b)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하는 정상 상태일 경우 확률은 Pa,b(c)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하는 이상 상태일 경우 확률은 Pa,b(d)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 이상 상태(b)이고(Di,1 = b)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않는 이상 상태일 경우 확률은 Pb,b(b)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 이상 상태(b)이고(Di,1 = b)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않는 이상 상태일 경우 확률은 Pb,b(b)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 이상 상태(b)이고(Di,1 = b)이고 제2 차량(V2)의 현재 주행 상태(Di,2)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하는 이상 상태일 경우 확률은 Pb,b(d)로 표현될 수 있다.
케이스 별 사고 위험 확률(Pk,l(x)) 중에서 사고 이벤트와 관련된 통합 사고 위험률(
Figure 112021017242014-pat00002
)은 "
Figure 112021017242014-pat00003
= Pa,a(c) + Pa,b(c) + Pa,b(d) + Pb,b(d)"의 수식에 의해 결정될 수 있다.
제1 차량(V1) 또는 제2 차량(V2) 내에 구현되는 주행 이벤트 예측 장치(100)는 통합 사고 위험률(
Figure 112021017242014-pat00004
)이 임계값(
Figure 112021017242014-pat00005
) 보다 큰지 여부를 판단하고, 통합 사고 위험률(
Figure 112021017242014-pat00006
)이 임계값(
Figure 112021017242014-pat00007
) 보다 크면, 제1 차량(V1) 또는 제2 차량(V2)에 경고 신호를 제공할 수 있다.
실시예에 따라, 차량에 사고 이벤트가 발생했을 때 해당 상황에서의 통합 사고 위험률(
Figure 112021017242014-pat00008
) 값들을 수집하고 임계값(
Figure 112021017242014-pat00009
)이 될 수 있는 후보값들을 데이터 풀에 추가할 수 있다. 이후, 데이터 풀을 분석하여 임계값(
Figure 112021017242014-pat00010
) 값을 도출할 수 있다. (기상청에서 비 올 확률이 ~%일 때부터 '강수'라고 정의하는 방식과 유사하게)
다른 실시예에 따라, 차량의 사고율을 특성으로 추출하고 주행 이벤트에 따라 데이터를 'labeling'하고, 데이터 풀을 분석하여 적절한 임계값(
Figure 112021017242014-pat00011
)을 도출할 수 있다.
도 7은 도 6에 도시된 경고 신호를 제공하는 상황을 설명하기 위한 순서도이다.
도 1 내지 도 7을 참고하면, 주행 이벤트 예측 장치(100)는 차량 데이터를 수집할 수 있다(S710).
주행 이벤트 예측 장치(100)는 주행 이벤트 예측 장치(100)를 포함하는 제1 차량의 현재 주행 상태(Di,1) 및 제1 차량의 주변에 위치하는 제2 차량의 현재 주행 상태(Di,2)를 파악할 수 있다(S720).
주행 이벤트 예측 장치(100)는 제1 차량의 현재 주행 상태(Di,1) 및 제2 차량의 현재 주행 상태(Di,2)를 기반으로 과거 데이터와 대조하여 결과 케이스 별 확률(Pk,l(x))을 계산할 수 있다(S730).
주행 이벤트 예측 장치(100)는 케이스 별 확률(Pk,l(x)) 중에서 사고 이벤트와 관련된 통합 사고 위험률(
Figure 112021017242014-pat00012
)을 계산할 수 있다(S740).
주행 이벤트 예측 장치(100)는 통합 사고 위험률(
Figure 112021017242014-pat00013
)이 임계값(
Figure 112021017242014-pat00014
) 보다 큰지 여부를 판단할 수 있다(S750). 통합 사고 위험률(
Figure 112021017242014-pat00015
)이 임계값(
Figure 112021017242014-pat00016
) 보다 크면, 주행 이벤트 예측 장치(100)는 차량에 경고 신호를 제공할 수 있다(S760).
도 8은 본 발명의 다른 실시예에 따라 차량에 경고 신호를 제공하는 상황을 나타내는 도면이다.
도 6에서는 제1 차량(V1) 근처에 하나의 주변 차량(V2)이 존재하는 반면, 도 8에서는 제1 차량(V1) 근처에 복수의 주변 차량들(V2, V3, V4...Vn)이 존재하는 점에서 양 실시예는 차이가 있다.
도 1, 도 2, 및 도 8을 참조하면, 제1 차량(V1) 또는 제n 차량(Vn) 내에 구현되는 주행 이벤트 예측 장치(100)는 제1 차량(V1)의 현재 주행 상태(Di,1) 및 제n 차량(Vn)의 현재 주행 상태(Di,n)에 기반하여 케이스 별로 사고 위험 확률(Pk,l(x))을 계산할 수 있다.
더불어, 주행 이벤트 예측 장치(100)는 케이스 별 사고 위험 확률(Pk,l(x)) 중에서 사고 이벤트와 관련된 통합 사고 위험률(
Figure 112021017242014-pat00017
)을 계산할 수 있다.
도 8에서, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 정상 상태(a)이며(Di,2 = a) 주행 결과가 사고 이벤트가 발생하지 않은 정상 상태일 경우 확률은 Pa,a(a)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 정상 상태(a)이며(Di,2 = a) 주행 결과가 사고 이벤트가 발생한 정상 상태일 경우 확률은 Pa,a(c)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않은 정상 상태일 경우 확률은 Pa,b(a)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않은 이상 상태일 경우 확률은 Pa,b(b)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하는 정상 상태일 경우 확률은 Pa,b(c)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 정상 상태(a)이고(Di,1 = a)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하는 이상 상태일 경우 확률은 Pa,b(d)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 이상 상태(b)이고(Di,1 = b)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않는 이상 상태일 경우 확률은 Pb,b(b)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 이상 상태(b)이고(Di,1 = b)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하지 않는 이상 상태일 경우 확률은 Pb,b(b)로 표현될 수 있다.
또한, 제1 차량(V1)의 현재 주행 상태(Di,1)가 이상 상태(b)이고(Di,1 = b)이고 제n 차량(Vn)의 현재 주행 상태(Di,n)가 이상 상태(b)이며(Di,2 = b) 주행 결과가 사고 이벤트가 발생하는 이상 상태일 경우 확률은 Pb,b(d)로 표현될 수 있다.
상기 사고 위험 확률(Pk,l(x)) 중에서 사고 이벤트와 관련된 통합 사고 위험률(
Figure 112021017242014-pat00018
)은 "
Figure 112021017242014-pat00019
= Pa,a(c) + Pa,b(c) + Pa,b(d) + Pb,b(d)"의 수식에 의해 결정될 수 있다.
이후, 제1 차량(V1)과 복수의 주변 차량들(V2, V3, V4...Vn) 간 발생한 케이스 중 최고 통합 사고 위험률(MAX(
Figure 112021017242014-pat00020
))이 결정될 수 있다.
제1 차량(V1) 내에 구현되는 주행 이벤트 예측 장치(100)는 최고 통합 사고 위험률(MAX(
Figure 112021017242014-pat00021
))이 임계값(
Figure 112021017242014-pat00022
) 보다 큰지 여부를 판단하고, 최고 통합 사고 위험률(MAX(
Figure 112021017242014-pat00023
))이 임계값(
Figure 112021017242014-pat00024
) 보다 크면, 제1 차량(V1)에 경고 신호를 제공할 수 있다.
도 9는 도 8에 도시된 경고 신호를 제공하는 상황을 설명하기 위한 순서도이다.
도 1 내지 도 9를 참고하면, 주행 이벤트 예측 장치(100)는 차량 데이터를 수집할 수 있다(S910).
주행 이벤트 예측 장치(100)는 주행 이벤트 예측 장치(100)를 포함하는 차량의 현재 주행 상태(Di,1) 및 상기 차량의 주변에 위치하는 복수의 주변 차량들의 현재 주행 상태(Di,j)를 파악할 수 있다(S920).
주행 이벤트 예측 장치(100)는 차량의 현재 주행 상태(Di,1) 및 복수의 주변 차량들의 현재 주행 상태(Di,j)를 기반으로 과거 데이터와 대조하여 결과 케이스 별 확률(Pk,l(x))을 계산할 수 있다(S930).
주행 이벤트 예측 장치(100)는 케이스 별 확률(Pk,l(x)) 중에서 사고 이벤트와 관련된 통합 사고 위험률(
Figure 112021017242014-pat00025
)을 계산할 수 있다(S940).
주행 이벤트 예측 장치(100)는 발생한 케이스 중 최고 통합 사고 위험률(MAX(
Figure 112021017242014-pat00026
))을 결정할 수 있다(S950).
주행 이벤트 예측 장치(100)는 최고 통합 사고 위험률(MAX(
Figure 112021017242014-pat00027
))이 임계값(
Figure 112021017242014-pat00028
) 보다 큰지 여부를 판단할 수 있다(S960). 최고 통합 사고 위험률(MAX(
Figure 112021017242014-pat00029
))이 임계값(
Figure 112021017242014-pat00030
) 보다 크면, 주행 이벤트 예측 장치(100)는 차량에 경고 신호를 제공할 수 있다(S970).
상기 실시예들에 따른 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 본 발명의 실시예들에서 사용될 수 있는 데이터 구조, 프로그램 명령, 혹은 데이터 파일은 컴퓨터로 읽을 수 있는 기록매체에 다양한 수단을 통하여 기록될 수 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 저장 장치를 포함할 수 있다.
컴퓨터로 읽을 수 있는 기록매체의 예로는 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 포함될 수 있다. 또한, 컴퓨터로 읽을 수 있는 기록매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 전송 매체일 수도 있다. 프로그램 명령의 예로는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
본 명세서와 도면에 개시된 실시 예들은 본 개시의 내용을 쉽게 설명하고, 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 개시의 범위를 한정하고자 하는 것은 아니다. 따라서 본 개시의 범위는 여기에 개시된 실시 예들 이외에도 본 개시의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.
100: 주행 이벤트 예측 장치 110: 데이터 획득부
111: 송수신부 113: 센서부
120: 차량 상태 결정부 130: 차량 주행 예측부

Claims (16)

  1. 차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치의 동작 방법에 있어서,
    무선 통신을 위한 송수신기 및 적어도 하나의 센서를 이용하여 제1 차량의 차량 데이터를 획득하는 단계;
    상기 차량 데이터에 기반하여 상기 제1 차량이 이상 상태에 있는지 여부 및 상기 제1 차량에 사고 이벤트가 발생했는지 여부를 결정하는 단계;
    상기 제1 차량이 상기 이상 상태에 있고 상기 제1 차량에 상기 사고 이벤트가 발생하지 않은 경우, 상기 제1 차량를 위기 상태로 결정하는 단계; 및
    상기 위기 상태에 관한 정보에 기반하여 상기 제1 차량의 주행 이벤트를 예측하는 단계;
    상기 차량 데이터에 기반하여 상기 제1 차량의 제1 주행 상태 정보를 결정하는 단계; 및
    상기 제1 차량의 주변에 위치하는 제2 차량의 제2 주행 상태 정보를 수신하는 단계;
    상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보에 기반하여 상기 제1 차량의 복수의 주행 시나리오 각각에 대한 복수의 사고 위험률 값들을 결정하는 단계;
    상기 복수의 위험률 값을 합하여 통합 사고 위험률 값을 결정하는 단계;
    상기 통합 사고 위험률 값이 임계값을 초과하는지 결정하는 단계; 및
    상기 통합 사고 위험률 값이 임계값을 초과하면, 상기 제1 차량 및 상기 제2 차량에 경고 신호를 제공하는 단계를 포함하고,
    상기 통합 사고 위험률 값은
    상기 제1 차량의 현재 주행 상태가 정상 상태이고 상기 제2 차량의 현재 주행 상태가 정상 상태이며 주행 결과가 사고 이벤트가 발생한 정상 상태일 경우의 사고 위험률 값;
    상기 제1 차량의 현재 주행 상태가 정상 상태이고 상기 제2 차량의 현재 주행 상태가 이상 상태이며 주행 결과가 사고 이벤트가 발생하는 정상 상태일 경우의 사고 위험률 값;
    상기 제1 차량의 현재 주행 상태가 정상 상태이고 상기 제2 차량의 현재 주행 상태가 이상 상태이며 주행 결과가 사고 이벤트가 발생하는 이상 상태일 경우의 사고 위험률 값; 및
    상기 제1 차량의 현재 주행 상태가 이상 상태이고 상기 제2 차량의 현재 주행 상태가 이상 상태이며 주행 결과가 사고 이벤트가 발생하는 이상 상태일 경우의 사고 위험률 값의 합인 것을 특징으로 하는 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서, 상기 임계값은,
    상기 복수의 주행 시나리오 각각에 대한 차량의 평균 사고율 정보에 기반하여 결정되는 것을 특징으로 하는 방법.
  5. 제1항에 있어서,
    상기 제1 주행 상태 정보는 상기 제1 차량의 과거 주행 정보 및 상기 제1 차량의 현재 주행 정보를 포함하고,
    상기 제2 주행 상태 정보는 상기 제2 차량의 과거 주행 정보 및 상기 제2 차량의 현재 주행 정보를 포함하는 것을 특징으로 하는 방법.
  6. 제1항에 있어서, 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보 각각은,
    차량의 사고 방지 시스템 가동 여부에 관한 정보, 상기 차량의 급 회전에 관한 정보, 상기 차량의 급 브레이크에 관한 정보, 상기 차량 내 탑승자의 심박수 변화 정보, 상기 탑승자의 호흡 정보, 상기 탑승자의 체온 정보, 상기 차량의 소음 정보, 상기 탑승자의 발한 정보, 및 상기 탑승자의 상태 정보 중에서 적어도 하나를 포함하는 것을 특징으로 하는 방법.
  7. 제1항에 있어서,
    상기 송수신기는 텔레매틱스(telematics) 기반 통신장치 또는 V2X(vehicle to everything) 기반 통신장치 내에 구현되고,
    상기 적어도 하나의 센서는 상기 제1 차량 내에 구현되는 생체 센서 및 광학 센서 중에서 적어도 하나를 포함하는 것을 특징으로 하는 방법.
  8. 제1항에 있어서,
    상기 제1 차량의 상기 위기 상태를 결정하기 위해 상기 차량 데이터 및 머신 러닝(machine learning)에 기반하여 상기 위기 상태로 분류되는 상기 제1 차량의 주행 조건을 결정하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  9. 차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치에 있어서,
    무선 통신을 위한 송수신기 및 적어도 하나의 센서를 이용하여 제1 차량의 차량 데이터를 획득하는 데이터 획득부;
    상기 차량 데이터에 기반하여 상기 제1 차량이 이상 상태에 있는지 여부 및 상기 제1 차량에 사고 이벤트가 발생했는지 여부를 결정하거. 상기 제1 차량이 상기 이상 상태에 있고 상기 제1 차량에 상기 사고 이벤트가 발생하지 않은 경우 상기 제1 차량를 위기 상태로 결정하는 차량 상태 결정부; 및
    상기 위기 상태에 관한 정보에 기반하여 상기 제1 차량의 주행 이벤트를 예측하는 차량 주행 예측부를 포함하고,
    상기 차량 상태 결정부는 상기 차량 데이터에 기반하여 상기 제1 차량의 제1 주행 상태 정보를 결정하고,
    상기 데이터 획득부는 상기 제1 차량의 주변에 위치하는 제2 차량의 제2 주행 상태 정보를 수신하며,
    상기 차량 주행 예측부는,
    상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보에 기반하여 상기 제1 차량의 복수의 주행 시나리오 각각에 대한 복수의 사고 위험률 값들을 결정하고,
    상기 복수의 위험률 값들을 합하여 통합 사고 위험률 값을 결정하고,
    상기 통합 사고 위험률 값이 임계값을 초과하면, 상기 제1 차량 및 상기 제2 차량에 경고 신호를 제공하며,
    상기 통합 사고 위험률 값은
    상기 제1 차량의 현재 주행 상태가 정상 상태이고 상기 제2 차량의 현재 주행 상태가 정상 상태이며 주행 결과가 사고 이벤트가 발생한 정상 상태일 경우의 사고 위험률 값;
    상기 제1 차량의 현재 주행 상태가 정상 상태이고 상기 제2 차량의 현재 주행 상태가 이상 상태이며 주행 결과가 사고 이벤트가 발생하는 정상 상태일 경우의 사고 위험률 값;
    상기 제1 차량의 현재 주행 상태가 정상 상태이고 상기 제2 차량의 현재 주행 상태가 이상 상태이며 주행 결과가 사고 이벤트가 발생하는 이상 상태일 경우의 사고 위험률 값; 및
    상기 제1 차량의 현재 주행 상태가 이상 상태이고 상기 제2 차량의 현재 주행 상태가 이상 상태이며 주행 결과가 사고 이벤트가 발생하는 이상 상태일 경우의 사고 위험률 값의 합인 것을 특징으로 하는 장치.
  10. 삭제
  11. 삭제
  12. 제9항에 있어서, 상기 임계값은,
    상기 복수의 주행 시나리오 각각에 대한 차량의 평균 사고율 정보에 기반하여 결정되는 것을 특징으로 하는 장치.
  13. 제9항에 있어서,
    상기 제1 주행 상태 정보는 상기 제1 차량의 과거 주행 정보 및 상기 제1 차량의 현재 주행 정보를 포함하고,
    상기 제2 주행 상태 정보는 상기 제2 차량의 과거 주행 정보 및 상기 제2 차량의 현재 주행 정보를 포함하는 것을 특징으로 하는 장치.
  14. 제9항에 있어서, 상기 제1 주행 상태 정보 및 상기 제2 주행 상태 정보 각각은,
    차량의 사고 방지 시스템 가동 여부에 관한 정보, 상기 차량의 급 회전에 관한 정보, 상기 차량의 급 브레이크에 관한 정보, 상기 차량 내 탑승자의 심박수 변화 정보, 상기 탑승자의 호흡 정보, 상기 탑승자의 체온 정보, 상기 차량의 소음 정보, 상기 탑승자의 발한 정보, 및 상기 탑승자의 상태 정보 중에서 적어도 하나를 포함하는 것을 특징으로 하는 장치.
  15. 제9항에 있어서,
    상기 송수신기는 텔레매틱스(telematics) 기반 통신장치 또는 V2X(vehicle to everything) 기반 통신장치 내에 구현되고,
    상기 적어도 하나의 센서는 상기 제1 차량 내에 구현되는 생체 센서 및 광학 센서 중에서 적어도 하나를 포함하는 것을 특징으로 하는 장치.
  16. 제9항에 있어서, 상기 차량 상태 결정부는,
    상기 제1 차량의 상기 위기 상태를 결정하기 위해 상기 차량 데이터 및 머신 러닝(machine learning)에 기반하여 상기 위기 상태로 분류되는 상기 제1 차량의 주행 조건을 결정하는 것을 특징으로 하는 장치.
KR1020210019211A 2020-06-02 2021-02-10 차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치 및 이의 동작 방법 KR102515353B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010490871.1A CN113753056A (zh) 2020-06-02 2020-06-02 行驶事件预测装置装置及其操作方法
CN202010490871.1 2020-06-02

Publications (2)

Publication Number Publication Date
KR20210150957A KR20210150957A (ko) 2021-12-13
KR102515353B1 true KR102515353B1 (ko) 2023-03-30

Family

ID=78782894

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210019211A KR102515353B1 (ko) 2020-06-02 2021-02-10 차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치 및 이의 동작 방법

Country Status (2)

Country Link
KR (1) KR102515353B1 (ko)
CN (1) CN113753056A (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008072282A1 (ja) * 2006-12-08 2008-06-19 Pioneer Corporation 情報記録装置、情報処理装置、情報記録方法、情報処理方法、情報記録プログラム、情報処理プログラムおよびコンピュータに読み取り可能な記録媒体
JP5082372B2 (ja) * 2006-10-16 2012-11-28 トヨタ自動車株式会社 車両用走行支援装置
WO2016103460A1 (ja) * 2014-12-26 2016-06-30 横浜ゴム株式会社 衝突回避システム
JP2017084352A (ja) * 2015-10-22 2017-05-18 ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーＨｏｎｄａ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ Ｅｕｒｏｐｅ ＧｍｂＨ 車両を運転する際に当該車両の運転者を支援する方法及びシステム、車両、並びにコンピュータプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102442061B1 (ko) * 2017-04-06 2022-09-13 삼성전자주식회사 전자 장치, 그의 경고 메시지 제공 방법 및 비일시적 컴퓨터 판독가능 기록매체

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5082372B2 (ja) * 2006-10-16 2012-11-28 トヨタ自動車株式会社 車両用走行支援装置
WO2008072282A1 (ja) * 2006-12-08 2008-06-19 Pioneer Corporation 情報記録装置、情報処理装置、情報記録方法、情報処理方法、情報記録プログラム、情報処理プログラムおよびコンピュータに読み取り可能な記録媒体
WO2016103460A1 (ja) * 2014-12-26 2016-06-30 横浜ゴム株式会社 衝突回避システム
JP2017084352A (ja) * 2015-10-22 2017-05-18 ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーＨｏｎｄａ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ Ｅｕｒｏｐｅ ＧｍｂＨ 車両を運転する際に当該車両の運転者を支援する方法及びシステム、車両、並びにコンピュータプログラム

Also Published As

Publication number Publication date
CN113753056A (zh) 2021-12-07
KR20210150957A (ko) 2021-12-13

Similar Documents

Publication Publication Date Title
US11640717B2 (en) Image analysis technologies for identifying abnormal vehicle conditions
CN107067718B (zh) 交通事故责任评估方法、交通事故责任评估装置以及交通事故责任评估系统
CN110532976B (zh) 基于机器学习和多特征融合的疲劳驾驶检测方法及系统
Aloul et al. iBump: Smartphone application to detect car accidents
JP6499514B2 (ja) ドライブレコーダ、データ記録システム、データ記録方法、及び、プログラム
CN109427114B (zh) 信息处理方法、信息处理装置和记录介质
US20150006023A1 (en) System and method for determination of vheicle accident information
US20130166098A1 (en) System and method for use of pattern recognition in assessing or monitoring vehicle status or operator driving behavior
US11810373B2 (en) Cognitive function estimation device, learning device, and cognitive function estimation method
CN105292125B (zh) 驾驶员状态监测方法
US20230161342A1 (en) Methods and systems to reduce false calls in self driving vehicles
SG188578A1 (en) Vehicle behavior analysis device, vehicle behavior analysis program and drive recorder
US20150365810A1 (en) Vehicular emergency report apparatus and emergency report system
CN112744174B (zh) 车辆碰撞监测方法、装置、设备及计算机可读存储介质
CN103700220A (zh) 一种疲劳驾驶监控装置
Anitha et al. A two fold expert system for yawning detection
KR102515353B1 (ko) 차량의 주행 상태를 검출하고 주행 이벤트를 예측하는 장치 및 이의 동작 방법
US10279793B2 (en) Understanding driver awareness through brake behavior analysis
US11260874B2 (en) Driver assistance device that can be mounted on a vehicle
JP7223275B2 (ja) 学習方法、運転支援方法、学習プログラム、運転支援プログラム、学習装置、運転支援システム及び学習システム
US20220165092A1 (en) Accident detection device and accident detection method
KR20170027093A (ko) 차량용 이동체 정보 제공 장치
WO2021095153A1 (ja) ドライバー異常対応システム、ドライバー異常対応方法、及びプログラム
EP4343733A1 (en) Information notification system and information notification method
CN113420725B (zh) Bsd产品的漏报场景识别方法、设备、系统和存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant