KR102610968B1 - 도로 내 포트홀의 유무 및 위험도와 종단 평탄성을 추정하고 기록하는 방법 및 시스템 - Google Patents

도로 내 포트홀의 유무 및 위험도와 종단 평탄성을 추정하고 기록하는 방법 및 시스템 Download PDF

Info

Publication number
KR102610968B1
KR102610968B1 KR1020210189258A KR20210189258A KR102610968B1 KR 102610968 B1 KR102610968 B1 KR 102610968B1 KR 1020210189258 A KR1020210189258 A KR 1020210189258A KR 20210189258 A KR20210189258 A KR 20210189258A KR 102610968 B1 KR102610968 B1 KR 102610968B1
Authority
KR
South Korea
Prior art keywords
risk
road
pothole
time
potholes
Prior art date
Application number
KR1020210189258A
Other languages
English (en)
Other versions
KR20230099861A (ko
Inventor
김현우
최윤희
유광호
Original Assignee
주식회사 뉴로센스
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 주식회사 뉴로센스 filed Critical 주식회사 뉴로센스
Priority to KR1020210189258A priority Critical patent/KR102610968B1/ko
Publication of KR20230099861A publication Critical patent/KR20230099861A/ko
Application granted granted Critical
Publication of KR102610968B1 publication Critical patent/KR102610968B1/ko

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
    • E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/30—Transportation; Communications
    • G06Q50/40—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Abstract

본 발명의 일 실시예에 따르는, 차량의 휠 측에 부착된 스마트 휠센서에 의해 수행되는, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법은, (a) 주행 중인 차량의 휠에 대한 주행 신호를 실시간으로 수집하고 차속을 파악하는 단계; (b) 상기 주행 신호 및 차속을 기초로 상기 차량에 기 설정된 크기의 충격이 발생한 시점 및 상기 충격이 소멸한 시점을 파악하는 단계; 및 (c) 상기 충격이 발생한 시점부터 소멸한 시점까지의 주행 신호 및 차속을, 기 구축된 포트홀 추정 모델 또는 종단 평탄성 추정 모델에 입력하여, 도로 내 현재 위치에 대한 포트홀의 위험도 또는 종단 평탄성을 추정하는 단계;를 포함하되, 상기 주행 신호는 가속도센서 신호, 자이로(gyro)센서 신호 및 지자기센서 신호 중 적어도 하나의 신호를 포함하는 것이다.

Description

도로 내 포트홀의 유무 및 위험도와 종단 평탄성을 추정하고 기록하는 방법 및 시스템{METHOD AND SYSTEM FOR ESTIMATING AND RECORDING THE PRESENCE AND RISK OF POTHOLES AND LONGITUDINAL ROUGHNESS ON THE ROAD}
본 발명은 교통 정보를 도로 내 포트홀의 유무 및 위험도와 종단 평탄성을 추정하고 기록하는 방법 및 시스템으로서, 보다 상세하게는, 차량의 주행 중 감지되는 휠에 대한 주행 신호에 대하여 기계학습 모델을 적용하여 포트홀의 위험도 또는 종단 평탄성을 추정하는 기술에 관한 것이다.
포트홀(pothole)이란, 아스팔트나 콘크리트 도로 포장시에 표면에 생기는 국부적인 작은 구멍 또는 갈라진 틈으로서, 습한 환경에서 주로 발생하며 도로를 주행 중인 차량들의 사고를 유발하는 위험요소로 작용한다.
포트홀에 의한 국내 교통사고는 연간 삼백여 건으로 집계되며, 특히 비가 오는 지역에 위치한 국가들에서 피해가 심해, 국제적으로 포트홀 처리 및 보수가 요구되는 실정이다.
이러한 포트홀은 기후, 교통량, 포장 상태 등 도로의 환경에 따라 다양한 형태로 발생한다. 따라서, 포트홀을 처리하기 전에 이를 신속히 검출하고 위험도를 분석하는 과정이 필수적이다.
종래에는 도로 상태를 파악하는 전용 장비를 통해 정기적으로 검출을 실시하거나, 사람의 육안에 의해 식별되어 신고 조치되는 것이 일반적이었다. 즉, 수많은 도로에서 발생하는 포트홀을 사전에 발견하여 관리하기에는 현실적으로 불가능하였다.
이러한 상황을 타파하고자, 최근에는 인공지능을 활용하여 포트홀을 검출하는 기술이 등장하기 시작하였다.
예를 들어, 가로등과 같은 도로에 배치되는 장비에 카메라나 센서를 설치하여 도로 영상을 확보하고, 이를 기계학습 모델을 통한 IR분석을 수행하여 포트홀의 존재를 파악하는 기술이 개발되었다.
또한, 차량에 설치된 블랙박스를 통해 도로의 영상을 수집하고 이를 인공신경망 기법으로 학습시켜 포트홀을 탐지하는 기술이 개발되었다.
그러나, 이러한 기술들은 영상 분석에 인공지능을 접목한 것으로, 포트홀 존재 여부의 추정은 가능하나, 그 심각성을 판단하기에는 정밀도가 떨어지는 한계가 존재한다.
또한, 시각적인 분석을 기반으로 하므로, 주행 중인 차량에 끼치는 리스크가 실제로 어느 정도인지 파악하기에는 무리가 있으며, 이에 따라 포트홀의 정확한 정보를 제시할 수 없어 모니터링 단계까지 도달하지 못하는 실정이다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 차량의 휠에 부착된 센서에서 실시간으로 감지하는 데이터를 기계학습에 적용하여 포트홀 추정 모델 또는 종단 평탄성 추정 모델을 구축하고, 이를 통하여 주행 중인 도로의 포트홀 및 그 위험도 또는 종단 평탄성을 정확히 추정하는 것을 목적으로 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
본 발명의 일 실시예에 따르는, 차량의 휠 측에 부착된 스마트 휠센서에 의해 수행되는, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법은, (a) 주행 중인 차량의 휠에 대한 주행 신호를 실시간으로 수집하고 차속을 파악하는 단계; (b) 상기 주행 신호 및 차속을 기초로 상기 차량에 기 설정된 크기의 충격이 발생한 시점 및 상기 충격이 소멸한 시점을 파악하는 단계; 및 (c) 상기 충격이 발생한 시점부터 소멸한 시점까지의 주행 신호 및 차속을, 기 구축된 포트홀 추정 모델 또는 종단 평탄성 추정 모델에 입력하여, 도로 내 현재 위치에 대한 포트홀의 위험도 또는 종단 평탄성을 추정하는 단계;를 포함하되, 상기 주행 신호는 가속도센서 신호, 자이로(gyro)센서 신호 및 지자기센서 신호 중 적어도 하나의 신호를 포함하는 것이다.
본 발명의 일 실시예에 따르면, 상기 (a)단계는, 상기 주행 신호를 이용하여 실시간으로 차속을 산출하거나, 상기 차량의 차체 측에 위치한 속도 센서로부터 실시간으로 차속 신호를 수신하는 단계;를 포함한다.
본 발명의 일 실시예에 따르면, 상기 (b)단계는, 기 설정된 기준값을 초과하는 주행 신호가 발생하는 시점을 상기 충격의 발생 시점으로 결정하고 상기 기준값의 미만으로 떨어지는 주행 신호가 발생하는 시점을 상기 충격의 소멸 시점으로 결정하는 단계;를 포함하되, 상기 기준값은 차속에 따라 변경되는 값인 것이다.
본 발명의 일 실시예에 따르면, 상기 기준값은 상기 주행 신호의 순간기울기, 표준편차 및 실효값(root mean square, RMS) 중 적어도 하나에 기초하여 산출되는 것이다.
본 발명의 일 실시예에 따르면, 상기 포트홀 추정 모델은, 포트홀이 포함된 도로를 기 설정된 차속 별로 주행하였을 때 수집된 주행 신호의 파형을 상기 포트홀의 상태데이터와 레이블링(labeling)하여 훈련 데이터로 설정하고, 상기 훈련 데이터를 지도 학습함으로써 구축되는 것이며, 상기 상태데이터는 포트홀의 개수, 형상, 모양 및 크기를 포함하며 기 설정된 범위의 위험도 별로 분류되는 것이다.
본 발명의 일 실시예에 따르면, 상기 (c)단계는, (c-1) 상기 훈련 데이터의 주행 신호 중 상기 충격이 발생한 시점부터 소멸한 시점까지의 차속에 대응하는 주행 신호의 파형을 추출하는 단계; 및 (c-2) 상기 (c-1)단계에서 추출된 주행 신호 중 상기 충격이 발생한 시점부터 소멸한 시점까지의 주행 신호와 가장 유사한 파형을 가지는 주행 신호를 파악하여, 파악된 주행 신호의 파형에 레이블링된 상태데이터를 추출하는 단계;를 포함한다.
본 발명의 일 실시예에 따르면, 상기 포트홀 추정 모델을 구축하는 방법은, 기 설정된 위험도를 가진 것으로 판단된 포트홀에 대하여 기 설정된 차속 별 주행 신호를 수집하는 단계; 수집한 차속 별 주행 신호마다 기 설정된 시구간으로 분할하는 단계;및 분할된 각각의 시구간 별 특징값을 산출하여 차속 별 특징벡터를 생성하고 상기 위험도와 매칭하여 저장함으로써, 위험도 레벨 별로 상기 차속 별 특징벡터를 매칭하여 저장하는 단계;를 포함한다.
본 발명의 일 실시예에 따르면, 상기 (c)단계는, (c-1) 상기 충격이 발생한 시점부터 소멸한 시점까지의 주행 신호에 대한 특징벡터를 산출하는 단계; (c-2) 상기 포트홀 추정 모델에 저장된 특징벡터 중 상기 충격이 발생한 시점부터 소멸한 시점까지의 차속에 대응하는 특징벡터를 추출하는 단계; (c-3) 상기 (c-1)단계에서 산출된 특징벡터와 상기 (c-2)단계에서 추출된 특징벡터간 유사도를 파악하는 단계; 및 (c-4) 파악된 유사도에 기초하여 상기 도로 내 현재 위치에 대한 포트홀의 위험도 레벨을 추정하는 단계;를 포함한다.
본 발명의 일 실시예에 따르는, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법은, (d) 추정된 포트홀의 위험도 및 상기 위험도에 대응하는 포트홀의 상태데이터 또는 추정된 종단 평탄성 데이터를 상기 현재 위치에 대한 GPS(global positioning system)데이터와 매칭하는 단계;를 더 포함하되, 상기 상태데이터는 상기 포트홀 추정 모델을 학습하기 위해 미리 수집된 것으로, 포트홀의 개수, 형상, 모양 및 크기를 포함하며 기 설정된 범위의 위험도 별로 분류되는 것이다.
본 발명의 일 실시예에 따르면, 상기 (d)단계는, 상기 (d)단계는, 상기 포트홀의 위험도, 상기 포트홀의 상태데이터 및 상기 종단 평탄성 데이터마다 각각에 매칭된 GPS데이터와 함께 서버로 전송하는 단계;를 포함하되, 상기 서버로 전송된 포트홀의 위험도, 상기 포트홀의 상태데이터 및 상기 종단 평탄성 데이터는, 상기 서버에 의해 차량의 디스플레이부 또는 주행자 단말로 제공한 지도 인터페이스 내 상기 GPS데이터에 대응하는 위치에 표시됨으로써, 실시간 모니터링이 가능한 것이다.
본 발명의 일 실시예에 따르면, 상기 종단 평탄성 추정 모델은, 시범 주행 대상으로 미리 선정된 도로를 기 설정된 차속 별로 주행하였을 때 수집된 주행 신호의 파형마다 기 설정된 범위의 종단 평탄성 지수를 기준으로 군집되거나 분류되도록 기 설정된 기계학습 모델을 통해 학습되어 구축되는 것이다.
본 발명의 일 실시예에 따르면, 상기 시범 주행 대상으로 미리 선정된 도로는, 신규포장도로 구간 및 기 설정된 종단 평탄성 지수 별로 범위화된 노후화진행도로 구간을 포함한다.
본 발명의 일 실시예에 따르는, 차량의 휠 측에 부착되어, 도로 내 포트홀(pothole)의 위험도 또는 종단 평탄성을 추정하는 스마트 휠센서는, 가속도센서 신호, 자이로(gyro)센서 신호 및 지자기센서 신호 중 적어도 하나의 신호를 포함하는 주행 신호를 감지하는 감지부; 도로 내 포트홀(pothole)의 유무 및 위험도를 추정하는 방법을 수행하기 위한 프로그램이 저장된 기억부; 및 상기 프로그램을 수행하기 위한 제어부;를 포함하며, 상기 도로 내 포트홀(pothole)의 유무 및 위험도를 추정하는 방법은, (a) 상기 주행 중인 차량의 휠에 대한 주행 신호를 실시간으로 수집하고 차속을 파악하는 단계; (b) 상기 주행 신호 및 차속을 기초로 상기 차량에 기 설정된 크기의 충격이 발생한 시점 및 상기 충격이 소멸한 시점을 파악하는 단계; 및 (c) 상기 충격이 발생한 시점부터 소멸한 시점까지의 주행 신호 및 차속을, 기 구축된 포트홀 추정 모델 또는 종단 평탄성 추정 모델에 입력하여, 도로 내 현재 위치에 대한 포트홀의 위험도 또는 종단 평탄성을 추정하는 단계;를 포함한다.
본 발명의 개시는, 주행 중 도로에 존재하는 포트홀을 파악하고 이에 대한 위험도를 정확히 추정한다.
본 발명의 일 실시예에 따르면, 휠 가속도, 차체 속도 등 차량의 주행과 관련된 데이터를 활용하므로, 추정된 위험도의 실효성이 보장된다.
본 발명의 일 실시예에 따르면, 파악된 포트홀의 위험도 및 상태정보가 GPS정보와 함께 저장되며 지도 인터페이스에 표시된다. 따라서, 도로 내 포트홀의 상태를 원격으로 상시 모니터링하는 것이 가능하다.
본 발명의 일 실시예에 따르면, 포트홀을 검지하기 위한 별도의 카메라나 이미지센서가 요구되지 않으므로, 경제적이다.
본 발명의 일 실시예에 따르면, 휠에 장착된 센서단에서 기계학습 모델을 통해 포트홀의 유무 및 위험도를 추정한다.
즉, 포트홀 검출을 위해 센서단에서 ECU(electronic control unit)에 전달되는 데이터는 방대한 로우 데이터가 아닌 포트홀의 추정값으로 가공된 데이터이므로, 데이터 전송 효율이 증대된다.
또한, 데이터 전송 효율이 증대됨에 따라, 무선통신에 사용되는 전력이 감소되어 휠에 장착된 센서단의 배터리 수명이 연장된다.
이와 같이 추정된 포트홀에 대한 정보는 차량의 내구성 추정 및 유지보수에 활용될 수 있어, 차량 관리에 기여한다.
또한, 본 발명의 일 실시예를 다수의 차량에서 구현하는 경우, 수많은 도로의 포트홀을 지속적으로 신속하게 커버할 수 있어, 교통 안전에 기여한다.
한편, 본 발명의 일 실시예에 따르면, 도로의 종단 평탄성을 보기 좋게 추정함으로써, 타이어 마모에 효과적으로 대비할 수 있다.
도 1은 본 발명의 일 실시예에 따르는 도로 내 포트홀의 유무 및 위험도를 추정하고 기록하는 과정을 개략적으로 나타낸 개념도이다.
도 2는 본 발명의 일 실시예에 따르는 스마트 휠센서의 구성을 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따르는 도로 내 포트홀의 유무 및 위험도를 추정하는 방법의 순서도이다.
도 4 및 도 5는 본 발명의 포트홀 추정 모델 구축 및 위험도 추정에 관한 일 실시예를 설명하기 위한 순서도이다.
도 6은 본 발명의 일 실시예에 따르는 도로의 종단 평탄성을 추정하는 방법의 순서도이다.
도 7은 본 발명의 일 실시예에 따르는 지도 인터페이스에 대한 예시도이다.
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.
이하에서 언급되는 "단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), VR HMD(예를 들어, HTC VIVE, Oculus Rift, GearVR, DayDream, PSVR 등)등을 포함할 수 있다. 여기서, VR HMD 는 PC용 (예를 들어, HTC VIVE, Oculus Rift, FOVE, Deepon 등)과 모바일용(예를 들어, GearVR, DayDream, 폭풍마경, 구글 카드보드 등) 그리고 콘솔용(PSVR)과 독립적으로 구현되는 Stand Alone 모델(예를 들어, Deepon, PICO 등) 등을 모두 포함한다. 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 스마트폰(smart phone), 태블릿 PC, 웨어러블 디바이스뿐만 아니라, 블루투스(BLE, Bluetooth Low Energy), NFC, RFID, 초음파(Ultrasonic), 적외선, 와이파이(WiFi), 라이파이(LiFi) 등의 통신 모듈을 탑재한 각종 디바이스를 포함할 수 있다. 또한, "네트워크"는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
이하에서 언급되는 "차량"에는 본 발명의 일 실시예에 따르는 도로 내 포트홀의 유무 및 위험도를 추정하는 시스템이 구축되어 있다. 또한, 일 실시예에서는, 본 발명이 개시하는 스마트 휠센서가 각 휠에 장착되어 있다. 이에 따라, 차량이 특정 도로를 주행할 때, 일 실시예에 따르는 도로 내 포트홀의 유무 및 위험도를 추정하는 방법이 수행된다.
이하, 첨부된 도면을 활용하여 본 발명의 일 실시예를 상세히 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따르는 도로 내 포트홀의 유무 및 위험도를 추정하고 기록하는 과정을 개략적으로 나타낸 개념도이다.
도 1을 참조하면, 차량이 도로를 주행하게 되면, 기 설정된 주기마다 감지 단계, 추정 단계 및 기록 단계가 연속적으로 수행된다. 즉, 도로 내 각각의 지점마다 포트홀 유무 및 위험도 추정과 그 기록이 실시되며, 차량의 주행이 끝나면 종료된다.
도 1을 참조하면, 먼저, 각 휠마다 장착된 휠 상태 감지 센서가 주행 신호를 실시간으로 수집하는 감지 단계가 수행된다.
일 실시예에 따르면, 주행 신호는 가속도센서 신호, 자이로(gyro)센서 신호 및 지자기센서 신호 중 적어도 하나의 신호를 포함할 수 있으며, 가속도센서 신호는 필수적으로 포함되는 것이 바람직하다. 다만, 이에 한정되는 것은 아니며, 공기압센서 신호, 온도센서 신호 등 주행 및 휠 상태와 관련된 신호라면 여기에 포함될 수 있다.
주행 신호를 수집되면서, 차속 또한 계속적으로 수집된다. 일 실시예에 따르면, 차속은 휠 측 센서로부터 수집되는 주행 신호가 활용되어 기 설정된 연산을 통해 산출될 수 있다. 또는, 차체측에 실장된 속도 센서를 통해 실시간으로 수집될 수 있다.
또한, 차량에 장착된 GPS(global positioning system)를 통해 주행 중인 차량의 위치 데이터인 GPS데이터도 계속적으로 수집된다. 일 실시예에 따르면, GPS는 차체측 또는 휠측에 실장될 수 있으나, 스마트 휠센서의 내부에 실장되어 추후 기록 단계의 수행 시간을 단축하는 것이 바람직하다.
다음으로, 수집된 주행 신호와 차속을 활용하여 현재 주행 중인 위치에 대한 포트홀의 유무 및 위험도를 추정하는 추정 단계가 수행된다.
추정 단계에서는, 수집되는 주행 신호 및 차속을 기초로 기 설정된 크기의 충격이 발생한 시점과 소멸한 시점이 우선 파악될 수 있다. 이 때 기 설정된 크기의 충격은, 현재 주행 중인 위치가 포트홀의 존재가 의심되는 상태임을 의미할 수 있다.
이 후, 충격이 발생한 시점부터 소멸된 시점까지의 주행 신호 및 차속을 기 구축된 포트홀 추정 모델에 적용하여 포트홀의 위험도를 추정할 수 있다. 포트홀 추정 모델은, 포트홀이 포함된 도로들을 미리 주행하면서 수집한 주행 신호 및 차속과 해당 포트홀의 상태데이터를 활용하여, 현재 주행 중인 노면에 대한 포트홀의 위험도를 추정하기 위해 기계학습된 모델이다.
일 실시예에 따르면, 포트홀의 상태데이터는, 포트홀의 개수, 형상, 모양 및 크기를 포함하며 기 설정된 범위의 위험도 별로 분류되는 것일 수 있다.
예를 들어, n개의 포트홀이 구성되어 그 형상, 모양 및 크기를 고려하였을 때 위험도 k군에 속하는 것으로 미리 파악된 포트홀을, 차속을 달리하여 주행하면서 차속 별 주행 신호를 수집한다. 이 후, 차속과 이에 대응하는 주행 신호를 통해 위험도k군이 기 설정된 기계학습 모델에 의해 도출되도록, 다수의 포트홀을 주행하면서 학습을 반복함으로써, 포트홀 추정 모델을 구축한다.
다음으로, 추정 단계가 수행되어 포트홀 추정이 완료된 위치의 GPS데이터와, 포트홀 위험도 및 상태데이터를 매칭하여 기록하는 기록 단계가 수행된다. 이 때, 기 설정된 범위의 위험도마다 상태데이터들이 미리 분류된 상태이므로, 포트홀의 위험도가 추정되면 그 위험도에 속한 상태데이터들이 추출될 수 있으며, 이들 중 적어도 하나가 선택되어 기록될 수 있다.
일 실시예에 따르면, 기록된 데이터들은 차량의 디스플레이부 또는 주행자 단말로 제공된 지도 인터페이스 상에 실시간으로 표시됨에 따라, 즉각적인 주행자의 모니터링을 도모한다.
일 실시예에 따르면, 이와 같은 감지, 추정 및 기록 단계의 일부 또는 전부는 휠 측에 장착된 스마트 휠센서에 의해 수행될 수 있다. 즉, 스마트 휠센서는 주행 신호의 감지뿐 아니라 포트홀의 유무 및 위험도를 추정할 수 있으며, 추정 결과를 GPS데이터와 매칭하여 저장할 수 있다.
이러한 경우, 즉, 포트홀 검출을 위해 휠 측에 설치된 센서단에서 ECU(electronic control unit)에 전달되는 데이터는 방대한 로우 데이터가 아닌 포트홀의 추정값으로 가공된 데이터이므로, 데이터 전송 효율이 증대되며, 데이터 누락 또한 방지된다.
또한, 데이터 전송 효율이 증대됨에 따라, 무선통신에 사용되는 전력이 감소되어 휠에 장착된 스마트 휠센서의 배터리 수명이 연장된다.
나아가, ECU에 집중되는 연산량을 분산시킴으로써, 챠량에서 행해지는 전체적인 동작의 처리 속도가 개선되며 오류의 염려 또한 감소한다.
이하, 도 2 내지 도 5를 참조하여, 감지, 추정 및 기록 단계를 모두 수행하는 스마트 휠센서에 대한 일 실시예를 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따르는 스마트 휠센서의 구성을 나타내는 블록도이다.
본 발명의 일 실시예에 따르는 스마트 휠센서(10)는, 감지부(11), 기억부(12), 제어부(13) 및 통신부(14)를 포함할 수 있다.
감지부(11)는, 복수의 센서를 포함하며 차량이 주행 중일 때의 휠의 상태 및 동작을 나타내는 주행 신호를 실시간으로 감지한다. 센서는 예를 들어, 가속도센서, 자이로센서 및 지자기센서 중 적어도 하나를 포함할 수 있으나, 가속도센서는 필수로 구성되는 것이 바람직하다. 물론 전술한 바와 같이, 감지부(11)에 포함되는 센서의 종류가 이에 한정되는 것은 아니다.
일 실시예에 따르면, 감지부(11)는 타이어 또는 휠의 일 영역에 장착될 수 있으나, 휠 회전시마다 노면과의 접촉에 의한 주행 신호의 변화를 감도 좋게 감지하되 센서의 마모를 최소화하도록, 타이어 트레드 내측의 중심부에 부착되는 것이 바람직하다.
통신부(14)는, 스마트 휠센서(10)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. 또한, 통신부(14)는 포트홀 모니터링 서비스를 제공하는 서버(미도시)와의 통신을 수행할 수 있으며, 이에 따라, 실시간으로 스마트 휠센서(10)에 의해 감지되는 포트홀에 대한 데이터가 서버에 전송될 수 있다.
기억부(12)는, 본 발명의 일 실시예에 따르는 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법을 수행하기 위한 프로그램이 저장되어 있다.
제어부(13)는, 기억부(12)에 저장된 프로그램을 실행하여, 본 발명의 일 실시예에 따르는 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법을 수행하는데, 이에 대한 구체적인 내용은 도 3을 활용하여 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따르는 도로 내 포트홀의 유무 및 위험도를 추정하는 방법의 순서도이다.
도 3을 참조하면, 단계 S100에서, 제어부(13)는 포트홀의 유무 및 위험도를 추정하기 위한 포트홀 추정 모델을 구축한다.
여기서, 포트홀 추정 모델은, 포트홀이 포함된 도로를 시범 주행하여 수집한 자료들을 기 설정된 기계학습 모델을 통해 학습시킴으로써 구축되는 것이다.
일 실시예에 따르면, 기 설정된 기계학습 모델은 K-Means Clustering, Mean-Shift Clustering, DBSCAN(DensityBased Spatial Clustering of Applications with Noise) 등 군집 기반의 비지도 학습 모델을 포함할 수 있다.
이러한 경우, 동일 유사한 포트홀의 상태데이터 별로 동일한 차속으로 주행하였을 때 수집된 각각의 주행 신호들의 파형이, 유사한 흐름 및 특징을 보여 군집될 때까지, 비지도 학습을 반복하는 것이 바람직하다.
일 실시예에 따르면, 기 설정된 기계학습 모델은, 포트홀을 기 설정된 범위의 위험도로 분류하는, 분류 기반의 지도 학습 모델을 포함할 수 있다. 예를 들어, Decision Tree, KNN(K-Nearest Neighbors), Naive Bayes, SVM(Support Vector Machine), Random Forest, Neural Network 등의 기법이 적용되는 분류 모델이 활용될 수 있다.
또한, 신경망(Neural Network)은, DNN(Deep Neural Network), CNN(Convoultional Neural Network), RNN(Recurrent Neural Network), LSTM(Long Short Term Memory), GAN(Generative Adversarial Network) 등을 포함할 수 있다.
다만, 이와 같은 지도 학습 모델의 구성이 본 발명을 제한하는 것은 아니며, 미리 파악한 포트홀을 주행하는 것이 아닌 추가적인 학습이 필요한 경우 등, 목적에 따라 회귀 기반의 지도 학습 모델이 적용될 수 있다.
단계 S200에서, 제어부(13)는, 감지부(11)를 통해 주행 중인 차량의 휠에 대한 주행 신호를 실시간으로 수집한다. 물론, 차량의 휠 측에 장착된 스마트 휠센서(10)에는 단계 S100에서 구축된 포트홀 추정 모델이 구성되어 있다.
일 실시예에 따르면, 주행 신호는 3축 가속도센서 신호, 3축 자이로센서 신호 및 3축 지자기센서 신호 중 적어도 하나의 신호를 포함할 수 있다.
일 실시예에 따르면, 주행 신호는 3축 가속도센서 신호를 필수로 포함하되, 3축 자이로센서 신호 및 3축 지자기센서 신호 중 적어도 하나의 신호가 더 수집되어 포트홀 유무 및 위험도 추정에 대한 정확도 향상에 기인할 수 있다.
예를 들어, 타이어에 미치는 포트홀의 영향을 나타내기 위해, 가속도센서 신호를 FFT(fast Fourier transform)를 통한 주파수에 따른 타이어의 변형 신호로 변환할 수 있다. 또한, 타이어의 변형 신호와 자이로센서 신호를 활용하여 휠의 회전속도를 산출할 수 있으며, 이를 기초로 타이어의 마모 상태를 추정할 수 있다. 즉, 가속도센서 신호를 통해 실시간 타이어의 변형을 감지하되, 자이로센서 신호를 더 검출하여 타이어의 마모 상태가 보정된 정확도 높은 주행 신호를 수집할 수 있다.
단계 S200에서, 제어부(13)는 차속을 실시간으로 파악한다.
일 실시예에 따르면, 차체 측에 위치한 속도 센서로부터 실시간으로 차속 신호를 수신할 수도 있으나, 제어부(13)는 실시간으로 수집되는 주행 신호를 이용하여 자체적으로 차속을 산출할 수 있다. 이러한 경우, 주행 신호 감지와 차속 파악의 수행간 딜레이 시간이 줄어드는 효과가 존재한다.
단계 S300에서, 제어부(13)는 수집하는 주행 신호 및 차속을 기초로 차량에 기 설정된 크기의 충격이 발생한 시점 및 해당 충격이 소멸한 시점을 파악한다.
일 실시예에 따르면, 기 설정된 크기의 충격은, 포트홀의 존재가 의심되는 상태를 의미하며, 그 기준값이 주행 신호 레벨에 따라 제어부(13)에 의해 미리 산출되는 것일 수 있다.
예를 들어, 기준값은 실시간으로 수집되는 가속도센서 신호의 순간기울기, 표준편자 및 실효값(root mean square, RMS) 중 적어도 하나에 기초하여 산출될 수 있다.
일 실시예에 따르면, 제어부(13)는 주행 신호를 기 설정된 시구간으로 분할하고 각 시구간마다 기준값 이상의 충격이 발생하는지를 지속적으로 감지할 수 있다. 감지 결과, 제어부(13)는 기준값을 초과하는 주행 신호가 발생한 시구간에 대응하는 시점을 충격의 발생 시점으로 결정하고, 이 후 기준값 미만으로 떨어지는 주행 신호가 발생한 시구간에 대응하는 시점을 충격의 소멸 시점으로 결정할 수 있다.
일 실시예에 따르면, 제어부(13)는 실시간으로 차속을 수집하므로, 기준값은 고정된 값이 아니라 차속에 따라 실시간으로 조정되는 값일 수 있다. 예를 들어, 차속의 변경에 따라 충격 발생 시점에 적용되는 기준값과 소멸 시점에 적용되는 기준값은 서로 상이할 수 있다.
단계 S400에서, 제어부(13)는 충격이 발생한 시점부터 소멸한 시점까지의 주행 신호 및 차속을 추출하고, 이를 단계 S100에서 구축된 포트홀 추정 모델에 입력함으로써, 도로 내 현재 위치에 대한 포트홀의 위험도를 추정한다.
한편 도 4 및 도 5에는, 지도 학습 기반으로 포트홀 추정 모델을 구축하는 단계(S100) 및 이를 통하여 포트홀의 위험도를 추정(S400)하는 일 실시예를 설명하기 위한 순서도가 도시되어 있다.
이하, 도 4및 도 5를 참조하여, 포트홀 추정 모델이 구축되고 활용되는 실시예들을 소개하도록 하며, 단계 S200 및 단계 S300은 공통되는 과정으로 간략히 서술하고 전술한 내용에 갈음하도록 한다.
먼저, 도 4에 따른 실시예의 포트홀 추정 모델 구축 단계는, 포트홀이 포함된 도로를 기 설정된 차속 별로 시범 주행하는 과정부터 수행된다(S111).
일 실시예에 따르면, 시범 주행하는 도로의 포트홀에 대한 정보는 인지되어 있는 상태이다. 예를 들어, 포트홀의 개수, 형상, 모양, 깊이 및 크기를 포함하는 포트홀의 상태데이터는 미리 파악된 상태로, 시범 주행의 대상이 되는 각각의 포트홀에 대한 상태데이터는 기 설정된 범위 또는 레벨의 위험도를 기준으로 분류되어 있다. 즉, 포트홀의 개수, 형상, 모양, 깊이 및 크기에 기초하여 해당 포트홀의 위험도가 미리 설정되어 있다.
이와 같이, 포트홀에 대한 위험도의 범위(레벨)를 이미 알고 있는 상태에서, 해당 도로를 차속을 달리하여 주행하면서, 차속 별 주행 신호를 수집한다(S112).
시범 주행을 통해, 포트홀이 포함된 도로마다 차속 별 주행 신호가 수집되면, 해당 포트홀의 상태데이터와 차속 별 주행 신호의 파형을 레이블링(labeling)하여 훈련 데이터로 설정한다(S113).
예를 들어, 위험도 k군으로 분류된 포트홀이 포함된 도로를 50km/h-100km/h까지 5km/h 단위로 주행하면서, 휠 회전시 가속도의 변화를 나타내는 가속도센서 신호를 수집한다.
이 후, 위험도 k군인 해당 포트홀의 상태데이터에 대하여, 50km/h, 55km/h,??,100km/h의 총 11개 차속 별 가속도 신호에 대한 파형을 레이블링한다. 즉, 해당 포트홀을 반복하여 주행함에 따라, 위험도 k군으로 도출될 총 11개의 훈련 데이터가 확보된다.
일 실시예에 따르면, 이와 같이 여러 도로를 기 설정된 차속 별로 주행하면서, 최종적으로 훈련 데이터들이 분류된 훈련 테이블이 구축될 수 있다. 여기서 훈련 테이블은, 위험도가 대분류로, 포트홀의 상태데이터가 중분류로, 차속이 소분류로 설정되어 분류된 주행 신호의 파형들로 구성될 수 있다.
이와 같이 훈련 데이터들이 준비되면, 기 설정된 지도 학습 기법을 적용하여, 훈련 데이터들을 반복하여 학습시킨다. 즉, 특정 주행 신호가 입력되면 이에 레이블링된 포트홀의 상태데이터가 추출되도록, 포트홀의 위험도가 정확히 추정될 때까지 지도 학습을 수행함으로써, 포트홀 추정 모델을 구축한다(S114).
이 후, 단계 S200 및 단계 S300이 수행되어 충격 발생 시점부터 소멸 시점까지의 주행 신호 및 차속이 추출되며, 이는, 단계 S114에서 구축된 포트홀 추정 모델에 입력된다.
단계 S114에서 구축된 포트홀 추정 모델을 통해 포트홀의 위험도가 추정되는 과정은, 먼저 충격 발생 시점부터 소멸 시점까지의 주행 신호에 대한 파형이 추출된다(S411).
이 후, 훈련 데이터의 주행 신호 중 충격 발생 시점부터 소멸 시점까지의 차속에 대응하는 주행 신호의 파형이 추출된다. 이 중, 단계 S411에서 추출된 충격 상의 주행 신호와 가장 유사한 파형을 가지는 주행 신호가 파악된다(S412).
이에 따라, 단계 S412에서 파악된 주행 신호의 파형에 레이블링된 포트홀의 상태데이터가 추출된다(S413). 포트홀의 상태데이터는 특정 위험도의 범위나 레벨로 분류되어 있으므로, 현재 주행 중인 위치의 포트홀은 추출된 상태데이터가 해당하는 범위의 위험도로 추정된다(S414).
예를 들어, 충격 발생 시점부터 소멸 시점까지 현재 주행 중인 차량의 차속이 60km/h인 것으로 파악된 경우, 훈련 테이블에서 60km/h의 소분류에 해당하는 주행 신호만이 추출되며 이를 제외한 주행 신호들은 모두 필터링될 수 있다. 즉, 60km/h에 해당하는 주행 신호 각각은, 서로 다른 중분류인 포트홀의 상태데이터와 레이블링된 것이다.
이들 중 단계 S412에서 파악된 현재 주행 신호와 가장 유사한 주행 신호가 선정된다. 선정 방식의 예로, 단계 S412에서 파악된 주행 신호와 60km/h에 해당하는 주행 신호 각각이 서로 중첩된 상태에서, 같은 시구간에 해당하는 최고점(top peak)과 최저점(bottom peak)들간 차이값이 산출된다. 이러한 차이값의 총 합이나 평균값이 가장 작은 주행 신호가 가장 유사한 신호로서 선정될 수 있다.
훈련 테이블에서 가장 유사한 주행 신호가 선정되었으므로, 중분류인 포트홀의 상태데이터 및 대분류인 위험도의 범위 또는 레벨이 포트홀 추정 모델에 의해 최종 추출될 수 있다.
다음으로, 주행 신호의 로우 데이터가 아닌 이를 부분 별 특징적인 정보로 변환하여 지도 학습시키는 실시예를 도 5를 활용하여 설명하도록 한다.
이는, 도 4에 따른 실시예에서, 주행 신호를 특징벡터로 구현하는 과정이 추가된 것으로, 로우 데이터 전체가 아닌 특징적인 데이터만으로 위험도 추정이 수행되며, 이에 따라 오류 및 수행 속도가 감소하는 효과를 도모한다.
도 5에 따른 포트홀 추정 모델 구축 방법은, 도 4의 실시예와 같이, 포트홀에 대한 위험도의 범위(레벨)를 이미 알고 있는 상태에서, 해당 도로를 차속을 달리하여 주행하면서, 기 설정된 차속 별 주행 신호를 수집하는 과정부터 시작된다(S121, S122)
다만 추후에, 수집한 주행 신호에 대한 특징적인 데이터가 추출되므로, 보다 적은 훈련 데이터로 학습을 실시하더라도 정확한 추정이 가능한 장점이 존재한다. 즉, 포트홀 추정 모델 구축에 걸리는 비용 및 시간을 현저히 절감할 수 있다.
즉, 기 설정된 위험도를 가진 포트홀을 선정하고 이를 포함한 도로만을 사전 주행하는 것으로 충분하며, 이에 따라 주행 신호 수집 과정을 단축할 수 있다.
제어부(13)는, 단계 S122에서 수집한 차속 별 주행 신호들을 기 설정된 데이터 구간으로 분할하고 각 구간마다 특징적인 대표 데이터를 추출한다(S123). 예를 들어, 제어부(13)는 가속도센서 신호를 기 설정된 윈도우(window, 시구간)로 분할 할 수 있으며, 시구간 별로 대표값을 산출할 수 있다.
또한, 제어부(13)는 산출된 대표값들의 집합으로, 해당 주행 신호의 특징을 대표하는 특징벡터를 생성할 수 있다(S123). 예를 들어, 가속도센서 신호를 주파수 영역으로 변환하여 각 주파수 구간마다의 타이어 변형값으로 구성된 특징벡터를 생성할 수 있다.
일 실시예에 따르면, 시구간은 차속에 기초하여 타이어의 기 설정된 회전수에 대응하는 시간으로 설정될 수 있다. 이 때, 가속도센서가 설치된 부분이 노면에 접하는 경우를 대표값으로 추출할 수 있으며, 만약 기 설정된 회전수가 6인 경우, 6차원의 특징벡터가 추출될 수 있다.
일 실시예에 따르면, 제어부(13)는, 각 시구간 별로 기 설정된 수학적 연산을 수행하여 그 결과값들로 구성된 특징벡터를 생성할 수 있다. 예를 들어, 각 시구간에 포함된 타이어 변형값에 대한 평균값, 표준편차, 미분값 및 실효값을 산출하여 이들로 구성된 4차원의 특징벡터를 생성함으로써, 해당 시구간에 대한 특성이 부각되도록 주행 신호를 가공할 수 있다.
일 실시예에 따르면, 제어부(13)는, 기 설정된 통계적 패턴 분석을 통해 주행 신호의 변화에 대한 확률을 파악하거나, 다운샘플링을 통하여 주행 신호 파형의 변화를 나타내는 값들을 추출하여 이들로 특징벡터를 구성할 수 있다.
이와 같이, 기 설정된 위험도를 가진 것으로 판단된 포트홀에 대응하여 차속 별 특징벡터가 생성되면, 제어부(13)는 이를 해당 위험도와 매칭할 수 있다. 즉, 위험도 레벨 별로 차속 별 특징벡터를 매칭하여 저장함으로써, 포트홀 추정 모델을 구축할 수 있다(S124).
이 후, 단계 S200 및 단계 S300이 수행되어 충격 발생 시점부터 소멸 시점까지의 주행 신호 및 차속이 추출되며, 이는, 단계 S124에서 구축된 포트홀 추정 모델에 입력된다.
단계 S124에서 구축된 포트홀 추정 모델을 통해 포트홀의 위험도가 추정되는 과정은, 먼저 충격 발생 시점부터 소멸 시점까지의 주행 신호에 대한 특징벡터가 산출된다(S421). 여기서 특징벡터가 산출되는 방법은 전술한 단계 S123과 관련한 일 실시예의 내용으로 갈음하도록 한다.
추가 실시예로, 주행 신호는 주행 중 실시간으로 수집되는 것이므로, 노면 내 이물질이나 자갈 등에 의한 순간적인 충격에 영향을 받을 수 있다. 이는 위험도 추정에서 오류로 작용하는 것으로, 제어부(13)는 이를 방지하고자 산출된 특징벡터에 대한 사이즈 스케일링(scaling)을 수행할 수 있다. 예를 들어, 주행 신호를 양자화하고 순간적인 충격을 나타내는 초고주파 영역을 필터링하는 과정이 더 포함될 수 있다.
다음으로, 단계 S124에서 포트홀 추정 모델에 저장된 특징벡터 중에 S300에서 추출된 충격 상의 차속에 대응하는 특징벡터가 추출된다(S422).
이 후, 단계 S421에서 산출된 현재 위치에 대한 특징벡터와 단계 S422에서 추출된 특징벡터간 유사도가 파악된다(S423).
최종적으로, 단계 S423에서 파악된 유사도에 기초하여 도로의 현재 위치에 대한 포트홀의 위험도 레벨이 추정된다(S424).
예를 들어, 포트홀 추정 모델 구축을 위해 단계 S121에서 최고 위험도(위험도 레벨 10으로 가정)를 가진 포트홀이 선정될 수 있고, 해당 포트홀을 주행함에 따라 차속 별 주행 신호가 수집될 수 있으며, 이에 대한 특징벡터가 위험도 레벨10과 매칭되어 저장될 수 있다.
이 때, 현재 60km/h로 주행 중이고, 충격이 발생한 시점부터 소멸한 시점까지의 주행 신호에 대한 특징벡터가 산출되었다면, 저장된 특징벡터 중 60hm/h에 해당하는 특징벡터가 추출될 수 있으며, 양자 간의 비교가 수행될 수 있다.
비교 결과, 양자 간의 유사도가 1에 가까운 경우, 위험도 레벨 10으로 현재 포트홀의 위험도가 추정될 수 있다. 반면, 유사도가 0에 가까운 경우, 포트홀이 존재하지 않거나 위험도 레벨 1로 추정될 수 있다. 즉, 위험도 레벨과 유사도의 비례 관계에 따라 현재 주행 중인 위치의 포트홀에 대한 위험도가 정확하게 추정될 수 있다.
한편, 본 발명의 일 실시예에 따르면 제어부(13)는 도로의 종단 평탄성을 추정할 수 있다. 종단 평탄성은, 주행 쾌적성에 큰 영향을 끼치는 도로 노면의 요철 정도를 평가하는 지표이다. 일 실시예에 따라 추정되는 종단 평탄성은, 타이어의 마모도 추정에 활용될 수 있어 효과적인 타이어 관리에 기여할 수 있다.
이하, 본 발명의 도로의 종단 평탄성 추정 방법에 대한 일 실시예를 설명하도록 한다. 포트홀의 유무 및 위험도를 추정하는 방법과 유사한 원리로서, 중복되는 설명은 전술한 내용으로 갈음하도록 한다.
도 6은 본 발명의 일 실시예에 따르는 도로의 종단 평탄성을 추정하는 방법의 순서도이다.
단계 S110에서, 제어부(13)는 도로의 종단 평탄성을 파악하기 위한 종단 평탄성 추정 모델을 구축한다.
여기서, 종단 평탄성 추정 모델은 미리 선정된 도로를 기 설정된 구간(예로, 50m)으로 나눠 시범 주행하면서 수집한 자료들을 기 설정된 기계학습 모델을 통해 학습시킴으로써 구축되는 것이다.
일 실시예에 따르면, 종단 평탄성 추정 모델은, 시범 주행 대상으로 미리 선정된 도로를 기 설정된 차속 별로 주행하였을 때 수집된 주행 신호의 파형마다 기 설정된 범위의 종단 평탄성 지수를 기준으로 군집되거나 분류되도록 기 설정된 기계학습 모델을 통해 학습되어 구축되는 것이다.
일 실시예에 따르면, 시범 주행 대상으로 선정된 도로는 "신규포장도로" 구간과 "노후화진행도로" 구간을 포함할 수 있으며, "노후화진행도로"는 기 설정된 종단 평탄성 지수 별로 범위화될 수 있다.
일 실시예에 따르면, 기 설정된 기계학습 모델은 비지도 학습 모델 및 지도 학습 모델을 포함할 수 있으며, 그 종류는 포트홀 추정 모델 구축 단계와 동일하다.
일 실시예에 따르면, 기 설정된 범위의 종단 평탄성 지수를 갖는 구간이 군집되도록 비지도 학습이 반복될 수 있다.
일 실시예에 따르면, 기 설정된 범위의 종단 평탄성 지수를 갖는 구간들이 같은 출력값으로 분류되도록 지도 학습이 반복될 수 있다.
예를 들어, 종단 평탄성은 "좋음/보통/나쁨"의 세가지 출력값이나 군집으로 분류될 수 있다. 이러한 경우, "신규포장도로" 이하의 종단 평탄성 지수를 보이는 구간은 "좋음"으로, "신규포장도로"와 "노후화진행도로" 사이의 지수를 보이는 구간은 "보통"으로, "노후화진행도로" 이상의 지수를 보이는 구간은 "나쁨"으로 분류되도록 기계학습이 진행될 수 있다.
일 실시예에 따르면, 기 설정된 알고리즘을 통한 통계적 분석이 기계학습 모델을 대체하거나 기계학습 모델에 의한 학습 전 선행됨으로써, 시범 주행에 의해 수집된 자료가 구간 별로 프로파일링 될 수 있다.
단계 S210에서, 제어부(13)는, 감지부(11)를 통해 주행 중인 차량의 휠에 대한 주행 신호를 실시간으로 수집한다. 또한, 제어부(13)는 차속을 실시간으로 파악한다.
단계 S310에서, 제어부(13)는 수집하는 주행 신호 및 차속을 기초로 차량에 기 설정된 크기의 충격이 발생한 시점 및 해당 충격이 소멸한 시점을 파악한다.
일 실시예에 따르면, 기 설정된 크기의 충격은, 도로의 요철 정도(종단 평탄성 지수)별로 결정되는 것으로, 그 기준값이 주행 신호 레벨에 따라 제어부(13)에 의해 미리 산출되는 것일 수 있다.
단계 S410에서, 제어부(13)는 충격이 발생한 시점부터 소멸한 시점까지의 주행 신호 및 차속을 추출하고, 이를 단계 S110에서 구축된 종단 평탄성 추정 모델에 입력함으로써, 현재 주행 중인 구간에 대한 종단 평탄성을 추정한다. 예를 들어, 종단 평탄성 추정 모델에 의해 산출된 종단 평탄성 지수가 "노후화진행도로" 이상인 경우, 해당 구간의 종단 평탄성은 "나쁨"으로 추정될 수 있다.
한편, 종단 평탄성 추정 모델의 구축 및 적용에 대한 구체적인 실시예는, 도 4 및 도 5를 활용하여 설명한 포트홀 추정 모델에 대한 실시예와 동일한 원리로서, 전술한 내용으로 갈음한다.
본 발명의 일 실시예에 따르면, 단계 S400에서 포트홀의 위험도가 추정된 후, 제어부(13)는 추정된 포트홀의 위험도 및 해당 위험도에 대응하는 포트홀의 상태데이터를 현재 위치에 대한 GPS데이터와 매칭하여 저장할 수 있다.
일 실시예에 따르면, 단계 S410에서 종단 평탄성이 추정된 후, 제어부(13)는 추정된 종단 평탄성 데이터를 현재 주행 중인 구간에 대한 GPS데이터와 매칭하여 저장할 수 있다.
전술한 바와 같이, GPS는 차체측 또는 휠측에 실장될 수 있으나, 스마트 휠센서(10)의 내부에 실장되어 실시간으로 파악되는 포트홀 관련 정보에 대한 기록 시간을 단축하는 것이 바람직하다.
또한, 전술한 바와 같이, 포트홀의 상태데이터는 포트홀 추정 모델을 학습하기 위해 미리 수집된 것으로, 포트홀의 개수, 형상, 모양 및 크기를 포함할 수 있다, 또한, 기 설정된 범위나 레벨의 위험도 별로 분류되므로, 위험도가 추정이 되면 이에 대응하는 상태데이터 또한 추출될 수 있다.
일 실시예에 따르면, 제어부(13)는 통신부(14)를 통하여, 포트홀 모니터링 서비스를 제공하는 서버로, 매칭 저장한 포트홀의 위험도, 상태데이터 및 GPS데이터를 실시간으로 전송할 수 있다.
일 실시예에 따르면, 제어부(13)는 통신부(14)를 통하여, 포트홀 모니터링 서비스를 제공하는 서버로, 매칭 저장한 종단 평탄성 데이터 및 GPS데이터를 실시간으로 전송할 수 있다.
서버는, 이를 수신하여, 실시간 포트홀 모니터링을 위한 지도 인터페이스에 GPS데이터에 대응하는 위치에 포트홀의 위험도 및 상태데이터와 종단 평탄성 데이터를 표시할 수 있다.
도 6은 본 발명의 일 실시예에 따르는 지도 인터페이스에 대한 예시도이다.
일 실시예에 따르면, 지도 인터페이스(700)는 차량의 디스플레이부나 주행자 단말에 제공되는 것으로, 주행자는 이를 통해 실시간으로 업데이트되는 포트홀에 대한 정보 및 종탄 평탄성에 대한 정보를 쉽게 모니터링할 수 있다.
일 실시예에 따르는 지도 인터페이스(700)는, 현재 주행 중인 위치를 기준으로 기 설정된 축적을 가진 지도 영역을 포함할 수 있다. 도 7을 참조하면, 지도 영역은 기 설정된 플래그(701)들로 이루어진 도로 영역을 포함할 수 있다.
일 실시예에 따르면, 플래그(701)는 도로 내 해당 위치(기 설정된 구간)에 대한 종단 평탄성에 따라 소정의 시각적 효과가 부여되어 서로 구분되도록 표시될 수 있다.
예를 들어, 각각의 플래그(701)들은 "노란색/적색/녹색"으로 표시될 수 있는데, 이들은 각각 "좋음/보통/나쁨"의 종단 평탄성 정도에 대응하여 서버에 의해 미리 설정된 것일 수 있다. 또한, 종단 평탄성 정도는, 일 실시예에 따라 추정된 종단 평탄성 데이터가 적용되어 실시간으로 업데이트될 수 있으며, 이에 따라 플래그 또한 실시간으로 변경되어 지도 인터페이스(700)에 표시될 수 있다.
일 실시예에 따르면, 포트홀이 존재하는 것으로 파악된 위치에 대한 플래그(701)에는, 포트홀의 존재를 나타내는 기 설정된 아이콘(702)이 더 표시될 수 있다.
일 실시예에 따르면, 포트홀이 존재하는 것으로 파악된 위치에 대한 플래그(701)에는, 포트홀의 요약 정보마크(703)가 추가로 표시될 수 있다. 예를 들어 도 6에 도시된 바와 같이, 복수의 포트홀이 존재하는 것으로 추정된 구간의 경우, 포트홀의 상태데이터 중 개수 데이터가 숫자 형태로 표시될 수 있다.
또한, 일 실시예에 따르면, 포트홀이 존재하는 것으로 파악된 위치에 대한 플래그나 아이콘(702, 703)을 클릭하는 등 주행자의 소정의 입력이 수행되는 경우, 서버는 이에 대한 응답으로, 해당 포트홀의 상태데이터 및 위험도를 포함하는 포트홀의 상세 정보를 지도 인터페이스에 표시할 수 있다. 여기서 상세 정보는 해당 위치에 대하여 기 촬영된 도로영상데이터를 포함할 수 있다. 이에 따라, 주행자는 해당 위치의 위험성을 인지하여 보다 안전한 주행을 실시할 수 있다. 나아가, 도로를 주행 중인 차량들로부터 여러 도로에 대한 포트홀 관련 정보가 서버에 실시간으로 수집되고 지도 인터페이스(700)에 반영되므로, 도로 교통 환경 개선에 적극적으로 이바지할 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.
10: 스마트 휠센서 700: 지도 인터페이스

Claims (13)

  1. 차량의 휠 측에 부착된 스마트 휠센서에 의해 수행되는, 도로 내 포트홀(pothole)의 위험도 또는 종단 평탄성을 추정하는 방법에 있어서,
    (a) 주행 중인 차량의 휠에 대한 주행 신호를 실시간으로 수집하고 차속을 파악하는 단계;
    (b) 상기 주행 신호 및 차속을 기초로 상기 차량에 기 설정된 크기의 충격이 발생한 시점 및 상기 충격이 소멸한 시점을 파악하는 단계; 및
    (c) 상기 충격이 발생한 시점부터 소멸한 시점까지의 주행 신호 및 차속을, 기 구축된 포트홀 추정 모델 또는 종단 평탄성 추정 모델에 입력하여, 도로 내 현재 위치에 대한 포트홀의 위험도 또는 종단 평탄성을 추정하는 단계;를 포함하되,
    상기 주행 신호는 가속도센서 신호, 자이로(gyro)센서 신호 및 지자기센서 신호 중 적어도 하나의 신호를 포함하는 것이며,
    상기 (b)단계는,
    기 설정된 기준값을 초과하는 주행 신호가 발생하는 시점을 상기 충격의 발생 시점으로 결정하고 상기 기준값의 미만으로 떨어지는 주행 신호가 발생하는 시점을 상기 충격의 소멸 시점으로 결정하는 단계;를 포함하되,
    상기 기준값은 차속에 따라 변경되는 값인 것인,
    도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법.
  2. 제 1항에 있어서,
    상기 (a)단계는, 상기 주행 신호를 이용하여 실시간으로 차속을 산출하거나, 상기 차량의 차체 측에 위치한 속도 센서로부터 실시간으로 차속 신호를 수신하는 단계;를 포함하는, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법.
  3. 삭제
  4. 제 1항에 있어서,
    상기 기준값은 상기 주행 신호의 순간기울기, 표준편차 및 실효값(root mean square, RMS) 중 적어도 하나에 기초하여 산출되는 것인, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법.
  5. 제 1항에 있어서,
    상기 포트홀 추정 모델은,
    포트홀이 포함된 도로를 기 설정된 차속 별로 주행하였을 때 수집된 주행 신호의 파형을 상기 포트홀의 상태데이터와 레이블링(labeling)하여 훈련 데이터로 설정하고, 상기 훈련 데이터를 지도 학습함으로써 구축되는 것이며,
    상기 상태데이터는 포트홀의 개수, 형상, 모양 및 크기를 포함하며 기 설정된 범위의 위험도 별로 분류되는 것인, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법.
  6. 제 5항에 있어서,
    상기 (c)단계는,
    (c-1) 상기 훈련 데이터의 주행 신호 중 상기 충격이 발생한 시점부터 소멸한 시점까지의 차속에 대응하는 주행 신호의 파형을 추출하는 단계; 및
    (c-2) 상기 (c-1)단계에서 추출된 주행 신호 중 상기 충격이 발생한 시점부터 소멸한 시점까지의 주행 신호와 가장 유사한 파형을 가지는 주행 신호를 파악하여, 파악된 주행 신호의 파형에 레이블링된 상태데이터를 추출하는 단계;를 포함하는, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법.
  7. 제 1항에 있어서,
    상기 포트홀 추정 모델을 구축하는 방법은,
    기 설정된 위험도를 가진 것으로 판단된 포트홀에 대하여 기 설정된 차속 별 주행 신호를 수집하는 단계;
    수집한 차속 별 주행 신호마다 기 설정된 시구간으로 분할하는 단계;및
    분할된 각각의 시구간 별 특징값을 산출하여 차속 별 특징벡터를 생성하고 상기 위험도와 매칭하여 저장함으로써, 위험도 레벨 별로 상기 차속 별 특징벡터를 매칭하여 저장하는 단계;를 포함하는, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법.
  8. 제 7항에 있어서,
    상기 (c)단계는,
    (c-1) 상기 충격이 발생한 시점부터 소멸한 시점까지의 주행 신호에 대한 특징벡터를 산출하는 단계;
    (c-2) 상기 포트홀 추정 모델에 저장된 특징벡터 중 상기 충격이 발생한 시점부터 소멸한 시점까지의 차속에 대응하는 특징벡터를 추출하는 단계;
    (c-3) 상기 (c-1)단계에서 산출된 특징벡터와 상기 (c-2)단계에서 추출된 특징벡터간 유사도를 파악하는 단계; 및
    (c-4) 파악된 유사도에 기초하여 상기 도로 내 현재 위치에 대한 포트홀의 위험도 레벨을 추정하는 단계;를 포함하는, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법.
  9. 제 1항에 있어서,
    (d) 추정된 포트홀의 위험도 및 상기 위험도에 대응하는 포트홀의 상태데이터 또는 추정된 종단 평탄성 데이터를 상기 현재 위치에 대한 GPS(global positioning system)데이터와 매칭하는 단계;
    를 더 포함하되,
    상기 포트홀의 상태데이터는 상기 포트홀 추정 모델을 학습하기 위해 미리 수집된 것으로, 포트홀의 개수, 형상, 모양 및 크기를 포함하며 기 설정된 범위의 위험도 별로 분류되는 것인, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법.
  10. 제 9항에 있어서,
    상기 (d)단계는, 상기 포트홀의 위험도, 상기 포트홀의 상태데이터 및 상기 종단 평탄성 데이터마다 각각에 매칭된 GPS데이터와 함께 서버로 전송하는 단계;를 포함하되,
    상기 서버로 전송된 포트홀의 위험도, 상기 포트홀의 상태데이터 및 상기 종단 평탄성 데이터는, 상기 서버에 의해 차량의 디스플레이부 또는 주행자 단말로 제공한 지도 인터페이스 내 상기 GPS데이터에 대응하는 위치에 표시됨으로써, 실시간 모니터링이 가능한 것인, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법.
  11. 제 1항에 있어서,
    상기 종단 평탄성 추정 모델은, 시범 주행 대상으로 미리 선정된 도로를 기 설정된 차속 별로 주행하였을 때 수집된 주행 신호의 파형마다 기 설정된 범위의 종단 평탄성 지수를 기준으로 군집되거나 분류되도록 기 설정된 기계학습 모델을 통해 학습되어 구축되는 것인, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법.
  12. 제 11항에 있어서,
    상기 시범 주행 대상으로 미리 선정된 도로는, 신규포장도로 구간 및 기 설정된 종단 평탄성 지수 별로 범위화된 노후화진행도로 구간을 포함하는, 도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 방법.
  13. 차량의 휠 측에 부착되어, 도로 내 포트홀(pothole)의 위험도 또는 종단 평탄성을 추정하는 스마트 휠센서에 있어서,
    가속도센서 신호, 자이로(gyro)센서 신호 및 지자기센서 신호 중 적어도 하나의 신호를 포함하는 주행 신호를 감지하는 감지부;
    도로 내 포트홀(pothole)의 유무 및 위험도를 추정하는 방법을 수행하기 위한 프로그램이 저장된 기억부; 및
    상기 프로그램을 수행하기 위한 제어부;를 포함하며,
    상기 도로 내 포트홀(pothole)의 유무 및 위험도를 추정하는 방법은,
    (a) 상기 주행 중인 차량의 휠에 대한 주행 신호를 실시간으로 수집하고 차속을 파악하는 단계;
    (b) 상기 주행 신호 및 차속을 기초로 상기 차량에 기 설정된 크기의 충격이 발생한 시점 및 상기 충격이 소멸한 시점을 파악하는 단계; 및
    (c) 상기 충격이 발생한 시점부터 소멸한 시점까지의 주행 신호 및 차속을, 기 구축된 포트홀 추정 모델 또는 종단 평탄성 추정 모델에 입력하여, 도로 내 현재 위치에 대한 포트홀의 위험도 또는 종단 평탄성을 추정하는 단계;를 포함하고,
    상기 (b)단계는,
    기 설정된 기준값을 초과하는 주행 신호가 발생하는 시점을 상기 충격의 발생 시점으로 결정하고 상기 기준값의 미만으로 떨어지는 주행 신호가 발생하는 시점을 상기 충격의 소멸 시점으로 결정하는 단계;를 포함하되,
    상기 기준값은 차속에 따라 변경되는 값인 것인,
    도로 내 포트홀의 위험도 또는 종단 평탄성을 추정하는 스마트 휠센서.
KR1020210189258A 2021-12-28 2021-12-28 도로 내 포트홀의 유무 및 위험도와 종단 평탄성을 추정하고 기록하는 방법 및 시스템 KR102610968B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210189258A KR102610968B1 (ko) 2021-12-28 2021-12-28 도로 내 포트홀의 유무 및 위험도와 종단 평탄성을 추정하고 기록하는 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210189258A KR102610968B1 (ko) 2021-12-28 2021-12-28 도로 내 포트홀의 유무 및 위험도와 종단 평탄성을 추정하고 기록하는 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20230099861A KR20230099861A (ko) 2023-07-05
KR102610968B1 true KR102610968B1 (ko) 2023-12-08

Family

ID=87159193

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210189258A KR102610968B1 (ko) 2021-12-28 2021-12-28 도로 내 포트홀의 유무 및 위험도와 종단 평탄성을 추정하고 기록하는 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102610968B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100758705B1 (ko) * 2007-02-01 2007-09-21 위성동 도로의 포장상태 자동 조사장치
KR101048844B1 (ko) * 2011-01-31 2011-07-13 주식회사 코로스 콘크리트 포장 그라인딩 장치
KR101573744B1 (ko) * 2014-03-13 2015-12-14 재단법인 다차원 스마트 아이티 융합시스템 연구단 입력 사운드 신호에 기반한 영상 저장장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100758705B1 (ko) * 2007-02-01 2007-09-21 위성동 도로의 포장상태 자동 조사장치
KR101048844B1 (ko) * 2011-01-31 2011-07-13 주식회사 코로스 콘크리트 포장 그라인딩 장치
KR101573744B1 (ko) * 2014-03-13 2015-12-14 재단법인 다차원 스마트 아이티 융합시스템 연구단 입력 사운드 신호에 기반한 영상 저장장치 및 방법

Also Published As

Publication number Publication date
KR20230099861A (ko) 2023-07-05

Similar Documents

Publication Publication Date Title
CN111985494B (zh) 一种基于轻量化车载终端的道路病害检测及分类方法
CN105184262B (zh) 使用递归自适应学习和验证的道路表面状况检测
Xue et al. Pothole in the dark: Perceiving pothole profiles with participatory urban vehicles
US10987977B2 (en) Systems and methods for measuring tire wear using embedded image sensors
Khan et al. Weather and surface condition detection based on road-side webcams: Application of pre-trained convolutional neural network
Bello-Salau et al. Image processing techniques for automated road defect detection: A survey
Fox et al. Crowdsourcing undersampled vehicular sensor data for pothole detection
CN107766877A (zh) 一种桥梁监测系统中超重车动态识别方法
Kortmann et al. Detecting various road damage types in global countries utilizing faster r-cnn
CN103116757A (zh) 一种三维信息复原提取的道路遗洒物识别方法
CN113837150B (zh) 基于计算机视觉的非接触式轮胎气压获取方法及相关装置
Camilleri et al. Detecting road potholes using computer vision techniques
Zhou et al. Smartphone-based road manhole cover detection and classification
Zhang et al. Winter road surface condition classification using convolutional neural network (CNN): visible light and thermal image fusion
KR102610968B1 (ko) 도로 내 포트홀의 유무 및 위험도와 종단 평탄성을 추정하고 기록하는 방법 및 시스템
CN117133099A (zh) 一种用于高速公路高边坡灾变的自动监测系统
CN116843895A (zh) 一种基于图像识别的车辆胎压与重量联合预测方法及系统
Brisimi et al. Sensing and classifying roadway obstacles: The street bump anomaly detection and decision support system
Kim et al. Automated damping identification of long-span bridge using long-term wireless monitoring data with multiple sensor faults
Das et al. Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling
Liu et al. Pavement surface defect recognition method based on vehicle system vibration data and feedforward neural network
Zhao et al. CPDM: An efficient crowdsensing-based pothole detection and measurement system design
Khan et al. Weather and Surface Condition Detection based on Road-Side Webcams Utilizing AlexNet, GoogLeNet, and ResNet: Application of Pre-trained Convolutional Neural Network
Taleqani et al. Data Driven Analytics of Road Quality.
Hasanaath et al. Continuous and realtime road condition assessment using deep learning

Legal Events

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