KR102630485B1 - 차량 제어 방법 - Google Patents

차량 제어 방법 Download PDF

Info

Publication number
KR102630485B1
KR102630485B1 KR1020197020223A KR20197020223A KR102630485B1 KR 102630485 B1 KR102630485 B1 KR 102630485B1 KR 1020197020223 A KR1020197020223 A KR 1020197020223A KR 20197020223 A KR20197020223 A KR 20197020223A KR 102630485 B1 KR102630485 B1 KR 102630485B1
Authority
KR
South Korea
Prior art keywords
vehicle
driver
information
processor
air
Prior art date
Application number
KR1020197020223A
Other languages
English (en)
Other versions
KR20220011816A (ko
Inventor
김태현
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Publication of KR20220011816A publication Critical patent/KR20220011816A/ko
Application granted granted Critical
Publication of KR102630485B1 publication Critical patent/KR102630485B1/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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W56/00—Synchronisation arrangements
    • H04W56/001—Synchronization between nodes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/00735—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models
    • B60H1/00742—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models by detection of the vehicle occupants' presence; by detection of conditions relating to the body of occupants, e.g. using radiant heat detectors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/00735—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models
    • B60H1/008—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models the input being air quality
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/00814—Control systems or circuits characterised by their output, for controlling particular components of the heating, cooling or ventilating installation
    • B60H1/00821—Control systems or circuits characterised by their output, for controlling particular components of the heating, cooling or ventilating installation the components being ventilating, air admitting or air distributing devices
    • B60H1/00835—Damper doors, e.g. position control
    • B60H1/00849—Damper doors, e.g. position control for selectively commanding the induction of outside or inside air
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/00978—Control systems or circuits characterised by failure of detection or safety means; Diagnostic methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K28/00—Safety devices for propulsion-unit control, specially adapted for, or arranged in, vehicles, e.g. preventing fuel supply or ignition in the event of potentially dangerous conditions
    • B60K28/02—Safety devices for propulsion-unit control, specially adapted for, or arranged in, vehicles, e.g. preventing fuel supply or ignition in the event of potentially dangerous conditions responsive to conditions relating to the driver
    • B60K28/06—Safety devices for propulsion-unit control, specially adapted for, or arranged in, vehicles, e.g. preventing fuel supply or ignition in the event of potentially dangerous conditions responsive to conditions relating to the driver responsive to incapacity of driver
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K35/00—Arrangement of adaptations of instruments
    • B60K35/23—
    • B60K35/28—
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/181—Preparing for stopping
    • 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
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/005—Handover processes
    • B60W60/0051—Handover processes from occupants to vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/48—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for in-vehicle communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • B60K2360/21—
    • 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
    • B60W2040/0818—Inactivity or incapacity of driver
    • B60W2040/0827—Inactivity or incapacity of driver due to sleepiness
    • 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
    • B60W2050/007—Switching between manual and automatic parameter input, and vice versa
    • 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
    • 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
    • B60W2050/146—Display 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
    • B60W2420/40—Photo or light 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/04—Vehicle stop
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/229—Attention level, e.g. attentive to driving, reading or sleeping
    • 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

Abstract

차량 제어 방법을 개시한다. 본 발명의 일실시 예에 따른 차량 제어 방법은 차량의 프로세서는 차량 내부의 센서로부터 획득되는 운전자의 상태 정보를 AI 프로세싱을 통해 운전자가 졸음 상태를 판단할 수 있다. 프로세서는 운전자가 졸음 상태인 것으로 판단되면, 차량에 외부 공기를 유입시키거나 차량의 실내 공기를 순환시킴으로써, 차량 내부의 이산화탄소의 농도, 일산화탄소의 농도, 미세먼지의 농도 및 냉방효율을 제어할 수 있다. 프로세서는 운전자가 계속해서 졸음 상태라고 판단되면, 2차 경고를 출력하고, 2차 경고에 따라 차량의 주행이 제어되도록 한다. 이에 따라, 운전자의 졸음으로 인한 사고 발생을 줄일 수 있다.
본 발명의 자율 주행 차량, 사용자 단말기 및 서버 중 하나 이상이 인공 지능(Artificail Intelligenfce) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.

Description

차량 제어 방법
본 발명은 차량 제어 방법에 관한 것으로서, 보다 구체적으로는 운전자의 상태 정보를 센싱하고, 센싱된 운전자의 상태를 반영하여 차량의 내부 공기를 쾌적하게 유지하도록 제어할 수 있는 차량 제어 방법에 관한 것이다.
차량은 탑승한 사용자를 원하는 방향으로 이동시키는 교통수단의 하나로서 대표적으로 자동차를 예로 들 수 있다. 이러한 차량은 사용자에게 이동의 편의성을 제공하는 대신에 주행 중 전방 및 후방을 주의 깊게 주시하여야 한다. 여기서, 전방 및 후방은 차량 주의에 접근하거나 위치한 물체 즉, 사람, 차량 및 장애물 등의 주행 방해 요소를 의미할 수 있다.
운전자는 겨울철 또는 여름철에 차량을 운행하는 동안, 차량의 공기 순환을 내부 공기로만 할 경우 일산화탄소 농도가 높아져 운전자로 하여금 졸음 및 운전 중 부주의 상태(distraction)가 발생하였다.
종래에는 운전자는 부주의 상태 또는 졸음 상태를 벗어나게 하기 위해 운전 중 운전자가 직접 차량의 창문을 열어 외부 공기를 유입시키거나 실내 공기 순환 버튼을 클릭하여 실내 공기를 순환하였다.
외부 공기를 유입하여 실내 공기를 순환하는 경우 차량의 실내 온도는 상승하여 에어컨 효율이 크게 떨어뜨리지는 문제가 발생하였다.
본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은 운전자의 상태를 판단하고, 운전자의 상태에 따라 차량의 내부 공기 또는 내부 온도를 자동으로 제어함으로써, 차량 내부를 쾌적한 상태로 계속해서 유지하도록 하는 것을 목적으로 한다.
또한, 본 발명은 AI 프로세싱을 통해 운전자의 졸음 상태를 판단함으로써, 졸음 방지 시스템의 신뢰성을 향상시키는 것을 목적으로 한다.
또한, 본 발명은 차량 내부를 쾌적한 상태로 계속해서 유지함에도 불구하고 운전자가 졸음 상태일 경우 자율 주행 모드로 전환함으로써, 운전자의 부주의로 인한 사고 발생을 방지하는 것을 목적으로 한다.
본 발명의 일 양상에 따른 차량 제어 방법은 운전자의 상태 정보를 1차 획득하고, 상기 운전자의 상태 정보에 기초하여 상기 운전자의 졸음 상태(drowsy state)를 판단하는 단계; 상기 운전자의 졸음 상태를 인식하는 경우, 1차 경고를 출력하는 단계; 상기 1차 경고 이후 차량의 실내 공기를 1차 측정하는 단계; 상기 차량의 실내 공기를 측정하고, 미리 설정된 쾌적 공기 설정 값과 비교하여 그 결과에 따라 외기 순환 모드 또는 내기 순환 모드로 변환하는 단계; 상기 외기 순환 모드 또는 상기 내기 순환 모드로 변환시킨 후 상기 차량의 실내 공기를 2차 측정하는 단계; 상기 2차 측정 후 차량의 내부 카메라를 통해 상기 운전자의 상태 정보를 2차 획득하는 단계; 및 상기 운전자의 상태 정보에 기초하여 상기 운전자의 졸음 상태를 인식하는 경우, 2차 경고를 출력하고, 상기 2차 경고에 따라 상기 차량을 제어하는 단계;를 포함한다.
상기 차량의 실내 공기는, 유해 가스, 미세 먼지의 농도, 이산화탄소의 농도, 일산화탄소의 농도 중 적어도 하나를 측정할 수 있다.
측정된 상기 차량의 실내 공기는, 실내 대기질 지수로 표시하되, 헤드 업 디스플레이(HUD)에 출력하여 시각화할 수 있다.
측정된 상기 차량의 실내 공기는, 상기 유해 가스, 상기 미세 먼지의 농도, 상기 이산화탄소의 농도, 상기 일산화탄소의 농도로부터 유해 물질 값들을 추출할 수 있다.
상기 운전자의 상태 정보는 카메라 영상을 분석하여 획득되는 상기 운전자의 눈꺼풀 감는 횟수, 눈꺼풀의 오픈 사이즈 또는 눈꺼풀의 이동속도 중 적어도 하나를 포함할 수 있다.
상기 운전자의 상태 정보는 적어도 하나의 심박수(HR) 센서를 통해 획득되는 심박수(Heart Rate: HR) 정보를 포함하고, 상기 심박수 정보는 심박 변이도(Heart Rate Variability: HRV) 신호를 포함할 수 있다.
상기 운전자의 졸음 상태를 판단하는 단계는 적어도 하나의 센서를 통해 획득되는 센싱 정보로부터 특징값들을 추출하는 단계; 상기 특징값들을 상기 탑승자가 깨어 있는 상태인지 졸음 상태인지 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력하고, 상기 인공 신경망의 출력으로부터 상기 운전자의 졸음 상태를 판단하는 단계;를 더 포함하고, 상기 특징값들은 상기 운전자의 깨어 있는 상태(wakeful state)와 졸음 상태(drowsy state)를 구분할 수 있는 값일 수 있다.
상기 차량 제어 방법은 상기 운전자의 졸음 상태와 관련된 정보를 포함하는 V2X 메시지를 상기 차량과 통신 연결된 다른 단말에 전송하는 단계;를 더 포함할 수 있다.
상기 2차 경고에 따라 상기 차량을 제어하는 단계는 상기 차량의 주행 모드를 수동 주행 모드에서 자율 주행 모드로 전환하는 단계; 및 상기 자율 주행 모드에서 상기 차량을 정차시킬 위치를 탐색하고, 탐색된 위치에 상기 차량을 이동시켜 주행을 종료하도록 제어하는 단계;를 더 포함할 수 있다.
상기 차량 제어 방법은 상기 차량의 내부에 구비된 적어도 하나의 센서로부터 획득되는 상기 운전자의 상태 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계;를 더 포함하고, 상기 운전자의 상태 정보는 상기 DCI에 기초하여 상기 네트워크로 전송될 수 있다.
상기 차량 제어 방법은 SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;를 더 포함하고, 상기 운전자의 상태 정보는 PUSCH를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있다.
상기 차량 제어 방법은 상기 운전자의 상태 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하는 단계; 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하는 단계;를 더 포함하고, 상기 AI 프로세싱된 정보는 상기 운전자의 상태를 깨어 있는 상태(wakeful state) 또는 졸음 상태(drowsy state) 중 어느 하나로 판단한 정보일 수 있다.
본 발명에 따른 차량 제어 방법의 효과에 대해 설명하면 다음과 같다.
본 발명은 운전자의 운전 상태에 대응하여 차량의 실내 공기를 쾌적하게 유지하도록 차량의 공기 순환을 제어함으로써, 운전자의 졸음 상태 또는 운전자의 부주의로 인한 사고 발생을 방지할 수 있다.
또한, 본 발명은 AI 프로세싱을 통해 운전자의 졸음 상태를 판단함으로써, 졸음 방지 시스템의 신뢰성을 향상시킬 수 있다.
또한, 본 발명은 차량의 실내 공기를 쾌적하게 유지하는데도 불구하고 운전자가 졸음 상태가 인지될 경우 자율 주행 모드로 전환함으로써, 운전자의 부주의로 인한 사고 발생을 방지할 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 실시 예에 따른 차량을 도시한 도면이다.
도 5는 본 발명의 일실시 예에 따른 AI 장치의 블록도이다.
도 6은 본 발명의 일실시 예에 따른 자율 주행 차량과 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 7은 본 발명의 일실시 예에 따른 센싱부를 설명하기 위한 도면이다.
도 8은 본 발명의 일실시 예에 따른 공기 정화부를 설명하기 위한 도면이다.
도 9는 본 발명의 일실시 예에 따른 차량 제어 방법의 흐름도이다.
도 10은 본 발명의 일실시 예에서 졸음 상태를 판단하는 예를 설명하기 위한 도면이다.
도 11은 본 발명의 일실시 예에서 졸음 상태를 판단하는 다른 예를 설명하기 위한 도면이다.
도 12는 본 발명의 일실시 예에 따라 차량의 내부 공기를 측정하고, 측정된 차량의 내부 공기에 대응하여 차량의 내부 공기를 제어하는 방법이다.
도 11 내지 도 12는 도 10에 도시된 예를 설명하기 위한 도면들이다.
도 13 내지 도 16은 본 발명의 일실시 예에 따라 차량의 내부에서 측정된 이산화탄소와 온도를 설명하기 위한 도면이다.
도 17 내지 도 19는 본 발명의 일실시 예에 따라 차량의 내부에서 측정된 이산화탄소와 미세 먼지를 설명하기 위한 도면이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는 첨부 도면은 본 발명에 대한 실시 예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
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 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 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.
이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.
A. UE 및 5G 네트워크 블록도 예시
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제 1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.
AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.
도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)는 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)은 각각의 안테나(926)를 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서(921)는 프로그램 코드 및 데이터를 저장하는 메모리(924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.
UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
본 발명의 일실시 예에 의하면, 상기 제 1 통신 장치는 차량이 될 수 있으며, 상기 제 2 통신 장치는 5G 네트워크가 될 수 있다.
B. 무선 통신 시스템에서 신호 송/수신 방법
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.
상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.
도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.
UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.
SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.
셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.
336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다
SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.
다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.
SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.
도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.
임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.
UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.
BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.
상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.
C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차
BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.
SSB를 이용한 DL BM 과정에 대해 살펴본다.
SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.
- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ??}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.
- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.
UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.
다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.
CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.
먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.
- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.
- UE는 자신의 Rx 빔을 결정한다.
- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.
다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.
- UE는 최상의(best) 빔을 선택(또는 결정)한다.
- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.
다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.
- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.
- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.
- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.
다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.
빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.
D. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
E. mMTC (massive MTC)
mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.
mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.
즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF)리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)을 통해 송/수신될 수 있다.
F. 5G 통신을 이용한 AI 기본 동작
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1). 그리고 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).
G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고 UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고 UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
도 4는 본 발명의 실시 예에 따른 차량을 도시한 도면이다.
도 4를 참조하면, 본 발명의 실시 예에 따른 차량(10)은 도로나 선로 위를 주행하는 수송 수단으로 정의된다. 차량(10)은 자동차, 기차, 오토바이를 포함하는 개념이다. 차량(10)은 동력원으로서 엔진을 구비하는 내연기관 차량, 동력원으로서 엔진과 전기 모터를 구비하는 하이브리드 차량, 동력원으로서 전기 모터를 구비하는 전기 차량등을 모두 포함하는 개념일 수 있다. 차량(10)은 개인이 소유한 차량일 수 있다. 차량(10)은 공유형 차량일 수 있다. 차량(10)은 자율 주행 차량일 수 있다.
도 5는 본 발명의 일실시 예에 따른 AI 장치의 블록도이다.
상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 1에 도시된 차량(10)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 프로세싱은 도 4에 도시된 차량(10)의 주행과 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 자율주행 차량은 센싱 데이터 또는 운전자 데이터를 AI 프로세싱하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 예를 들어, 자율주행 차량은 상기 차량 내에 구비된 다른 전자 기기와의 인터랙션을 통해 획득되는 데이터를 AI 프로세싱하여 자율주행 제어를 수행할 수 있다.
상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 차량 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 차량 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 발명의 일실시 예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
여기서 외부 전자 기기는 자율 주행 차량으로 정의될 수 있다. 또한, 상기 AI 장치(20)는 상기 자율 주행 모듈 차량과 통신하는 다른 차량 또는 5G 네트워크로 정의될 수 있다. 한편, 상기 AI 장치(20)는 차량 내에 구비된 자율주행 모듈에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 상기 5G 네트워크는 자율 주행 관련 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.
한편, 도 5에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
도 6은 본 발명의 실시 예에 따른 자율 주행 차량과 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 6을 참조하면, 자율 주행 차량(10)은 AI 프로세싱이 필요한 데이터를 통신부를 통해 AI 장치(20)로 전송할 수 있고, 딥러닝 모델(26)을 포함하는 AI 장치(20)는 상기 딥러닝 모델(26)을 이용한 AI 프로세싱 결과를 자율 주행 차량(10)으로 전송할 수 있다. AI 장치(20)는 도 2에 설명한 내용을 참조할 수 있다.
자율 주행 차량(10)은 메모리(140), 프로세서(170), 전원 공급부(190)를 포함할 수 있으며, 상기 프로세서(170)는 자율 주행 모듈(260)과 AI 프로세서(261)를 더 구비할 수 있다. 또한, 상기 자율 주행 차량(10)은 차량 내에 구비되는 적어도 하나의 전자 장치와 유선 또는 무선으로 연결되어 자율 주행 제어에 필요한 데이터를 교환할 수 있는 인터페이스부를 포함할 수 있다. 상기 인터페이스부를 통해 연결된 적어도 하나의 전자 장치는 오브젝트 검출부(210), 통신부(220), 운전 조작부(230), 메인 ECU(240), 차량 구동부(250), 센싱부(270), 위치 데이터 생성부(280)를 포함할 수 있다.
상기 인터페이스부는 통신 모듈, 단자, 핀, 케이블, 포트, 회로, 소자 및 장치 중 적어도 어느 하나로 구성될 수 있다.
메모리(140)는 프로세서(170)와 전기적으로 연결된다. 메모리(140)는 유닛에 대한 기본데이터, 유닛의 동작제어를 위한 제어데이터, 입출력되는 데이터를 저장할 수 있다. 메모리(140)는 프로세서(170)에서 처리된 데이터를 저장할 수 있다. 메모리(140)는 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 중 적어도 어느 하나로 구성될 수 있다. 메모리(140)는 프로세서(170)의 처리 또는 제어를 위한 프로그램 등, 자율 주행 차량(10) 전반의 동작을 위한 다양한 데이터를 저장할 수 있다. 메모리(140)는 프로세서(170)와 일체형으로 구현될 수 있다. 실시 예에 따라, 메모리(140)는 프로세서(170)의 하위 구성으로 분류될 수 있다.
전원 공급부(190)는 자율 주행 장치(10)에 전원을 공급할 수 있다. 전원 공급부(190)는 자율 주행 차량(10)에 포함된 파워 소스(예를 들면, 배터리)로부터 전원을 공급받아, 자율 주행 차량(10)의 각 유닛에 전원을 공급할 수 있다. 전원 공급부(190)는 메인 ECU(240)로부터 제공되는 제어 신호에 따라 동작될 수 있다. 전원 공급부(190)는 SMPS(switched-mode power supply)를 포함할 수 있다.
프로세서(170)는 메모리(140), 인터페이스부(280), 전원 공급부(190)와 전기적으로 연결되어 신호를 교환할 수 있다. 프로세서(170)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
프로세서(170)는 전원 공급부(190)로부터 제공되는 전원에 의해 구동될 수 있다. 프로세서(170)는 전원 공급부(190)에 의해 전원이 공급되는 상태에서 데이터를 수신하고, 데이터를 처리하고, 신호를 생성하고, 신호를 제공할 수 있다.
프로세서(170)는 인터페이스부부를 통해, 자율 주행 차량(10) 내 다른 전자 장치로부터 정보를 수신할 수 있다. 프로세서(170)는 인터페이스부를 통해, 자율 주행 차량(10) 내 다른 전자 장치로 제어 신호를 제공할 수 있다.
자율 주행 차량(10)은 적어도 하나의 인쇄 회로 기판(printed circuit board, PCB)을 포함할 수 있다. 메모리(140), 인터페이스부, 전원 공급부(190) 및 프로세서(170)는 인쇄 회로 기판에 전기적으로 연결될 수 있다.
이하, 상기 인터페이스부와 연결된 차량 내 다른 전자 장치 및 AI 프로세서(261), 자율 주행 모듈(260)에 대하여 보다 구체적으로 설명한다. 이하, 설명의 편의를 위해 자율 주행 차량(10)을 차량(10)으로 호칭하기로 한다.
먼저, 오브젝트 검출부(210)는 차량(10) 외부의 오브젝트에 대한 정보를 생성할 수 있다. AI 프로세서(261)는 오브젝트 검출부(210)를 통해 획득된 데이터에 신경망 모델을 적용함으로써, 오브젝트의 존재 유무, 오브젝트의 위치 정보, 차량과 오브젝트의 거리 정보, 차량과 오브젝트와의 상대 속도 정보 중 적어도 하나를 생성할 수 있다.
오브젝트 검출부(210)는 차량(10) 외부의 오브젝트를 검출할 수 있는 적어도 하나의 센서를 포함할 수 있다. 상기 센서는 카메라, 레이더, 라이다, 초음파 센서 및 적외선 센서 중 적어도 하나를 포함할 수 있다. 오브젝트 검출부(210)는 센서에서 생성되는 센싱 신호에 기초하여 생성된 오브젝트에 대한 데이터를 차량에 포함된 적어도 하나의 전자 장치에 제공할 수 있다.
한편, 차량(10)은 상기 적어도 하나의 센서를 통해 획득된 데이터를 통신부(220)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 차량(10)으로 전송할 수 있다. 차량(10)은 수신된 AI 프로세싱 데이터에 기초하여 검출된 오브젝트에 대한 정보를 인식하고, 자율 주행 모듈(260)은 상기 인식한 정보를 이용하여 자율 주행 제어 동작을 수행할 수 있다.
통신부(220)는 차량(10) 외부에 위치하는 디바이스와 신호를 교환할 수 있다. 통신부(220)는 인프라(예를 들면, 서버, 방송국), 타 차량, 단말기 중 적어도 어느 하나와 신호를 교환할 수 있다. 통신부(220)는 통신을 수행하기 위해 송신 안테나, 수신 안테나, 각종 통신 프로토콜이 구현 가능한 RF(Radio Frequency) 회로 및 RF 소자 중 적어도 어느 하나를 포함할 수 있다.
오브젝트 검출부(210)를 통해 획득된 데이터에 신경망 모델을 적용함으로써, 오브젝트의 존재 유무, 오브젝트의 위치 정보, 차량과 오브젝트의 거리 정보, 차량과 오브젝트와의 상대 속도 정보 중 적어도 하나를 생성할 수 있다.
운전 조작부(230)는 운전을 위한 사용자 입력을 수신하는 장치이다. 메뉴얼 모드인 경우, 차량(10)은 운전 조작부(230)에 의해 제공되는 신호에 기초하여 운행될 수 있다. 운전 조작부(230)는 조향 입력 장치(예를 들면, 스티어링 휠), 가속 입력 장치(예를 들면, 가속 페달) 및 브레이크 입력 장치(예를 들면, 브레이크 페달)를 포함할 수 있다.
한편, AI 프로세서(261)는 자율 주행 모드에서, 자율 주행 모듈(260)을 통해 생성된 드라이빙 플랜에 따른 차량의 움직임을 제어하기 위한 신호에 따라 상기 운전자 조작부(230)의 입력 신호를 생성할 수 있다.
한편, 차량(10)은 운전자 조작부(230)의 제어에 필요한 데이터를 통신부(220)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 차량(10)으로 전송할 수 있다. 차량(10)은 수신된 AI 프로세싱 데이터에 기초하여 운전자 조작부(230)의 입력 신호를 차량의 움직임 제어에 이용할 수 있다.
메인 ECU(240)는 차량(10) 내에 구비되는 적어도 하나의 전자 장치의 전반적인 동작을 제어할 수 있다.
차량 구동부(250)는 차량(10)내 각종 차량 구동 장치를 전기적으로 제어하는 장치이다. 차량 구동부(250)는 파워 트레인 구동 제어 장치, 샤시 구동 제어 장치, 도어/윈도우 구동 제어 장치, 안전 장치 구동 제어 장치, 램프 구동 제어 장치 및 공조 구동 제어 장치를 포함할 수 있다. 파워 트레인 구동 제어 장치는 동력원 구동 제어 장치 및 변속기 구동 제어 장치를 포함할 수 있다. 샤시 구동 제어 장치는 조향 구동 제어 장치, 브레이크 구동 제어 장치 및 서스펜션 구동 제어 장치를 포함할 수 있다. 한편, 안전 장치 구동 제어 장치는 안전 벨트 제어를 위한 안전 벨트 구동 제어 장치를 포함할 수 있다.
차량 구동부(250)는 적어도 하나의 전자적 제어 장치(예를 들면, 제어 ECU(Electronic Control Unit))를 포함한다.
차량 구동부(250)는 자율 주행 모듈(260)에서 수신되는 신호에 기초하여, 파워 트레인, 조향장치 및 브레이크 장치를 제어할 수 있다. 상기 자율 주행 모듈(260)에서 수신되는 신호는 AI 프로세서(261)에서 차량 관련 데이터를 신경망 모델을 적용함으로써, 생성되는 구동 제어 신호일 수 있다. 상기 구동 제어 신호는 통신부(220)를 통해 외부의 AI 장치(20)로부터 수신된 신호일 수도 있다.
센싱부(270)는 차량의 상태를 센싱할 수 있다. 센싱부(270)는 IMU(inertial measurement unit) 센서, 충돌 센서, 휠 센서(wheel sensor), 속도 센서, 경사 센서, 중량 감지 센서, 헤딩 센서(heading sensor), 포지션 모듈(position module), 차량 전진/후진 센서, 배터리 센서, 연료 센서, 타이어 센서, 스티어링 센서, 온도 센서, 공기 센서, 습도 센서, 초음파 센서, 조도 센서, 페달 포지션 센서 중 적어도 어느 하나를 포함할 수 있다. 한편, IMU(inertial measurement unit) 센서는 가속도 센서, 자이로 센서, 자기 센서 중 하나 이상을 포함할 수 있다.
AI 프로세서(261)는 적어도 하나의 센서에서 생성되는 센싱 데이터에 신경망 모델을 적용함으로써, 차량의 상태 데이터를 생성할 수 있다. 신경망 모델을 적용하여 생성되는 AI 프로세싱 데이터는 차량 자세 데이터, 차량 모션 데이터, 차량 요(yaw) 데이터, 차량 롤(roll) 데이터, 차량 피치(pitch) 데이터, 차량 충돌 데이터, 차량 방향 데이터, 차량 각도 데이터, 차량 속도 데이터, 차량 가속도 데이터, 차량 기울기 데이터, 차량 전진/후진 데이터, 차량의 중량 데이터, 배터리 데이터, 연료 데이터, 타이어 공기압 데이터, 차량 내부 온도 데이터, 차량 내부 습도 데이터, 스티어링 휠 회전 각도 데이터, 차량 외부 조도 데이터, 가속 페달에 가해지는 압력 데이터, 브레이크 페달에 가해지는 압력 데이터 등을 포함할 수 있다.
자율 주행 모듈(260)은 AI 프로세싱된 차량의 상태 데이터에 기초하여 주행 제어 신호를 생성할 수 있다.
한편, 차량(10)은 적어도 하나의 센서를 통해 획득된 센싱 데이터를 통신부(22)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가 전달된 센싱 데이터에 신경망 모델(26)을 적용함으로써, 생성된 AI 프로세싱 데이터를 차량(10)으로 전송할 수 있다.
위치 데이터 생성부(280)는 차량(10)의 위치 데이터를 생성할 수 있다. 위치 데이터 생성부(280)는 GPS(Global Positioning System) 및 DGPS(Differential Global Positioning System) 중 적어도 어느 하나를 포함할 수 있다.
AI 프로세서(261)는 적어도 하나의 위치 데이터 생성 장치에서 생성되는 위치 데이터에 신경망 모델을 적용함으로써, 보다 정확한 차량의 위치 데이터를 생성할 수 있다.
일실시 예에 따라, AI 프로세서(261)는 센싱부(270)의 IMU(Inertial Measurement Unit) 및 오브젝트 검출 장치(210)의 카메라 영상 중 적어도 어느 하나에 기초하여 딥러닝 연산을 수행하고, 생성된 AI 프로세싱 데이터에 기초하여 위치 데이터를 보정할 수 있다.
한편, 차량(10)은 위치 데이터 생성부(280)로부터 획득된 위치 데이터를 통신부(220)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 수신한 위치 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 차량(10)으로 전송할 수 있다.
차량(10)은 내부 통신 시스템(미도시)을 포함할 수 있다. 차량(10)에 포함되는 복수의 전자 장치는 내부 통신 시스템(미도시)을 매개로 신호를 교환할 수 있다. 신호에는 데이터가 포함될 수 있다. 내부 통신 시스템(미도시)은 적어도 하나의 통신 프로토콜(예를 들면, CAN, LIN, FlexRay, MOST, 이더넷)을 이용할 수 있다.
자율 주행 모듈(260)은 획득된 데이터에 기초하여, 자율 주행을 위한 패스를 생성하고, 생성된 경로를 따라 주행하기 위한 드라이빙 플랜을 생성할 수 있다.
자율 주행 모듈(260)은 적어도 하나의 ADAS(Advanced Driver Assistance System) 기능을 구현할 수 있다. ADAS는 적응형 크루즈 컨트롤 시스템(ACC : Adaptive Cruise Control), 자동 비상 제동 시스템(AEB : Autonomous Emergency Braking), 전방 충돌 알림 시스템(FCW : Foward Collision Warning), 차선 유지 보조 시스템(LKA : Lane Keeping Assist), 차선 변경 보조 시스템(LCA : Lane Change Assist), 타겟 추종 보조 시스템(TFA : Target Following Assist), 사각 지대 감시 시스템(BSD : Blind Spot Detection), 적응형 하이빔 제어 시스템(HBA : High Beam Assist), 자동 주차 시스템(APS : Auto Parking System), 보행자 충돌 알림 시스템(PD collision warning system), 교통 신호 검출 시스템(TSR : Traffic Sign Recognition), 교통 신호 보조 시스템(TSA : Trafffic Sign Assist), 나이트 비전 시스템(NV : Night Vision), 운전자 상태 모니터링 시스템(DSM : Driver Status Monitoring) 및 교통 정체 지원 시스템(TJA : Traffic Jam Assist) 중 적어도 어느 하나를 구현할 수 있다.
AI 프로세서(261)는 차량에 구비된 적어도 하나의 센서, 외부 기기로부터 수신된 교통 관련 정보, 상기 차량과 통신하는 다른 차량으로부터 수신된 정보를 신경망 모델에 적용함으로써, 전술한 적어도 하나의 ADAS 기능들을 수행 가능한 제어 신호를 자율 주행 모듈(260)로 전달할 수 있다.
또한, 차량(10)은 ADAS 기능들을 수행하기 위한 적어도 하나의 데이터를 통신부(220)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 수신된 데이터에 신경망 모델을 적용함으로써, ADAS 기능을 수행할 수 있는 제어 신호를 차량(10)으로 전달할 수 있다.
자율 주행 모듈(260)은 AI 프로세서(261)를 통해 운전자의 상태 정보 및/또는 차량의 상태 정보를 획득하고, 이에 기초하여 자율 주행 모드에서 수동 주행 모드로의 전환 동작 또는 수동 주행 모드에서 자율 주행 모드로의 전환 동작을 수행할 수 있다.
또한, 차량(10)은 공기 정화부(290)를 포함할 수 있다, 공기 정화부(280)는 차량(10)의 차량의 내부로 유입되는 외부 공기를 정화하거나 차량의 실내를 순환시키는 내부 공기를 정화할 수 있다.
AI 프로세서(261)는 공기 정화부(290)에서 필터링되는 다양한 먼지 또는 이물질을 센싱하고, 센싱된 다양한 먼지 또는 이물질을 기초하여 딥러닝 연산을 수행하고, 생성된 AI 프로세싱 데이터에 기초하여 필터를 보정할 수 있다.
한편, 차량(10)은 승객 지원을 위한 AI 프로세싱 데이터를 주행 제어에 이용할 수 있다. 예를 들어, 전술한 바와 같이 차량 내부에 구비된 적어도 하나의 센서를 통해 운전자, 탑승자의 상태를 확인할 수 있다.
또는 차량(10)은 AI 프로세서(261)를 통해 운전자 또는 탑승자의 음성 신호를 인식하고, 음성 처리 동작을 수행하고, 음성 합성 동작을 수행할 수 있다.
이상, 본 발명의 일실시 예에 따른 차량 제어 방법을 구현하기 위하여 필요한 5G 통신 및 상기 5G 통신을 적용하여 AI 프로세싱을 수행하고, AI 프로세싱 결과를 송수신하기 위한 개략적인 내용을 살펴보았다.
이하, 본 발명의 일실시 예에 따라 운전자의 상태 정보에 기초하여 운전자의 부주의 상태에 대하여 소극적으로 개입하거나 적극적 개입하는 구체적인 방법에 대하여 필요한 도면들을 참조하여 설명한다.
도 7은 본 발명의 일실시 예에 따른 센싱부를 설명하기 위한 도면이다.
도 7을 살펴보면, 본 발명의 일실시 예에 따른 센싱부(270)는 외부 공기 센서(271)와 내부 공기 센서(273)를 포함할 수 있다.
센싱부(270)는 차량(10)의 외부로부터 유입되는 외부 공기를 센싱하는 외부 공기 센서(271)와 차량의 실내에서 내부 순환되는 내부 공기를 센싱하는 내부 공기 센서(273)를 포함할 수 있다.
외부 공기 센서(271)는 차량(10)의 전면 그릴부(미도시)에 설치되어 차량의 전방에서 유입되는 외부 공기 중의 유해 가스 또는 미세 먼지를 측정하여 프로세서(170)로 전송 또는 출력할 수 있다.
내부 공기 센서(273)는 차량(10) 실내에 설치되고 차량 실내의 유해 가스, 미세 먼지, 이산화탄소, 일산화탄소 등을 측정하여 프로세서(170)로 전송 또는 출력할 수 있다.
도 8은 본 발명의 일실시 예에 따른 공기 정화부를 설명하기 위한 도면이다.
도 8을 살펴보면, 본 발명의 공기 정화부(290)는 공기 제어부(291)와 필터부(293)를 포함할 수 있다.
공기 제어부(290)는 프로세서(170)의 제어 신호에 따라 외부 공기 순환 모드 또는 내부 공기 순환 모드로 전환할 수 있을 뿐만 아니라 필터부(293)를 제어할 수 있다.
프로세서(170)는 센싱부(270)를 통해 실시간으로 측정 또는 센싱되는 차량(10)의 주변에서 측정되는 외부 공기 또는 차량(10)의 실내로 유입 또는 흡입되는 외부 공기, 차량(10)의 실내 공기에 대한 정보를 제공받아, 공기 제어부(290)에 제공할 수 있다. 공기 제어부(290)는 프로세서(170)의 제어 하에 차량(10)에 흡입 또는 유입되는 외부 공기 또는 차량(10)의 내부를 순환하는 내부 공기를 전체적으로 제어함으로써, 차량(10)의 실내 공기를 쾌적하게 유지시킬 수 있다.
필터부(293)는 차량(10)의 실내에 설치되어 차량 내부의 공기를 정화할 수 있다. 필터부(293)는 차량(10)의 전방에서 유입되는 외부 공기 중의 유해 가스 또는 미세 먼지를 필터링하여 정화시킬 수 있다. 예를 들어, 필터부(293)는 0.3㎛ 이상 사이즈의 미세 먼지를 필터에 통과시켰을 때, 99.97 % 이상 제거될 수 있는 헤파 필터를 포함할 수 있다.
공기 제어부(291)는 필터부(293)를 실시간으로 체크하여, 필터부(293)의 교환 시기 또는 필터부(293)의 오염도를 차량(10)에 장착된 내비게이션 또는 디스플레이부에 디스플레이하거나 운전자의 이동 단말기에 제공할 수 있다.
또한, 공기 제어부(291)는 외부 공기 순환 모드 또는 내부 공기 순환 모드를 제어하여 필터부(293)를 관통하는 외부 공기 또는 내부 공기의 바람 세기를 제어할 수 있다. 예를 들어, 공기 제어부(291)는 차량(10)의 주변에 측정되는 외부 공기에서 미세 먼지가 상대적으로 많이 측정된 정보가 전송되는 경우, 외부 공기 순환 모드를 통해 유입되는 외부 공기의 바람 세기가 약해지도록 제어함으로써, 필터부(293)에서 미세 먼지를 효율적으로 제거시킬 수 있다.
필터부(293)의 성능은 필터부(293)를 관통하는 외부 공기의 바람 세기에 따라 달라질 수 있다. 이에 공기 제어부(291)는 외부 공기의 바람 세기를 외부 공기 순환 모드를 통해 제어함으로써, 필터부(293)의 성능을 개선시킬 수 있다.
도 9는 본 발명의 일실시 예에 따른 차량 제어 방법의 흐름도이다.
본 발명의 일실시 예에 따른 차량 제어 방법은 도 1 내지 8을 참조하여 설명한 기능을 포함하는 차량, 또는 상기 차량을 제어하는 지능형 디바이스에서 구현될 수 있다. 보다 구체적으로는 본 발명의 일실시 예에 따른 차량 제어 방법은 도 4 및 도 8에서 설명한 차량(10)에서 구현될 수 있다.
프로세서(도 5의 170)는 운전자의 상태 정보를 1차 획득할 수 있다(S210).
프로세서(170)는 차량 내부에 구비된 적어도 하나의 센서를 통해 운전자의 상태 정보를 1차 획득할 수 있다. 운전자의 상태 정보를 1차는 제1 운전자의 상태 정보라 칭할 수 있다.
적어도 하나의 센서는 차량(10) 내부에 구비된 적어도 하나의 카메라일 수 있다. 카메라는 내부 카메라라 칭할 수 있다. 예를 들어, 카메라는 운전자를 전후 좌우 방향에서 촬영하도록 배치될 수 있다. 프로세서(170)는 카메라로부터 획득되는 영상을 분석하여, 운전자의 눈꺼풀 감는 횟수, 눈꺼풀의 오픈 사이즈 또는 눈꺼풀의 이동속도 중 적어도 하나를 운전자의 상태 정보를 판단하는데 이용할 수 있다. 예를 들어, 눈꺼풀의 이동속도는 눈을 깜빡이는 속도가 일정 기준치 이상을 초과하는 경우, 졸음 상태로 판단할 수 있다. 또한, 예를 들어, 눈을 깜빡이는 깊이를 측정하고, 각성 상태일 때의 눈을 깜빡이는 깊이를 기준으로 졸음 상태를 판단할 수도 있다. 즉, 프로세서(170)는 운전자가 각성 상태일 때 눈꺼풀의 감는 횟수, 눈꺼풀 오픈 사이즈, 눈꺼풀 이동 속도를 기준값으로 하여 카메라를 통해 획득되는 영상을 분석하여, 분석 결과를 프로세서(170)로 전달할 수 있다.
또한, 프로세서(170)는 카메라를 통해 촬영한 운전자의 얼굴 영상에서 특징점(눈, 눈썹, 입술, 안경 등)을 추출할 수 있다. 프로세서(170)는 얼굴 중심점을 기준으로 생성한 얼굴 좌표계(x,y,z) 상에서 특징점의 위치를 검출할 수 있다. 이 때, 얼굴 중심점이 아닌 영상 내 임의의 점을 기준으로 얼굴 좌표계를 생성할 수 있다. 프로세서(170)는 운전자의 얼굴 움직임에 따른 얼굴 좌표계상에서의 특징점의 위치 변화에 기초하여 얼굴의 이동량과 얼굴의 회전량을 소정 시간 단위로 산출할 수 있다. 얼굴의 이동량은 몸의 움직임에 의해 발생하는 얼굴의 이동 거리를 의미하며, 얼굴의 회전량은 2축 회전각(Roll, Pitch Yaw)를 나타내는 방향 벡터를 의미할 수 있다. 프로세서(170)는 운전자 얼굴의 위치와 방향 벡터를 실시간으로 저장할 수 있으며, 얼굴의 방향 벡터를 검출하는 방식은 다양하게 구현될 수 있다.
또한, 적어도 하나의 센서는 적어도 하나의 심박수(HR) 센서를 포함할 수 있다. 운전자의 상태 정보는 심박수 센서를 통해 획득되는 심박수(Heart Rate: HR) 정보를 포함할 수 있다. 심박수 정보는 심박 변이도(Heart Rate Variability: HRV) 신호를 포함할 수 있다. 심박수 센서는 운전자가 휴대하는 형태로서, 운전자의 신체상에 물리적으로 착용될 수 있다. 또한, 예를 들어, 심박수 센서는 운전자에게서 일정 거리 이격되어 이미징 기술을 통해 운전자의 심박수를 검출할 수도 있다. 심박수 센서는 운전자가 운전하는 중에 심박수를 지속적으로 또는 수동적으로 캡쳐하고, 캡쳐된 심박수 정보의 현재 값을 포함하는 타임 스탬프 데이터 스트림을 출력하도록 구성될 수 있다.
심박수 센서는 웨어러블 장치 내에 패키징될 수 있다. 차량(10)은 운전자가 착용하는 웨어러블 장치로부터 무선 전송되는 심박수 정보를 5G 네트워크로 전송할 수 있다. 또한, 웨어러블 장치는 심박수 센서로부터 출력된 타임 스탬프 데이터 스트림을 거치지 않고 무선 통신부를 통해 차량을 거치지 않고 직접 5G 네트워크로 전송할 수도 있다. 이러한 무선 통신은 블루투스 개인 영역 네트워크를 이용하여 구현될 수 있다. 또한, 무선 통신은 Wi-Fi 근거리 통신망을 이용하여 구현되거나 상이한 무선 네트워크 기술들의 조합을 이용하여 구현될 수도 있다.
프로세서(170)는 운전의 상태 정보에 기초하여 운전자의 졸음 상태(drowsy state)를 판단할 수 있다(S220).
졸음 상태를 판단하는 구체적인 과정은 도 10에서 후술한다. 전술한 바와 같이, 운전자의 상태 정보에 기초하여 졸음 상태를 판단은 차량(10) 자체에서 이루어지거나, 5G 네트워크에서 이루어질 수 있다.
프로세서(170)는 운전자의 졸음 상태를 인식하는 경우, 1차 경고를 출력할 수 있다(S230). 1차 경고 출력은 헤드 업 디스플레이(HUD) 또는 차량의 스피커 등을 통해 출력될 수 있다. 예를 들어, 차량에 탑재되는 HUD는 광학 시스루(Optical See-Through) 정보제공 방식을 이용할 수 있다. 광학 시스루(Optical See-Through) 방식은 투명 디스플레이를 통하여 사용자가 육안으로 바깥 세계를 보면서 동시에 투명 디스플레이에 표시되는 가상 객체를 중첩하여 보게 되는 방식이다. 자동차에 적용 가능한 광학 시스루(Optical See-Through) 방식은 구현 방법에 따라 크게 디스플레이 패널 방식, 레이저 방식, 및 프로젝션 방식으로 구분할 수 있다. 광학 시스루 방식의 다양한 구현에 대한 설명은 공지 내용으로서, 생략하기로 한다.
1차 경고 출력 이후, 차량의 실내 공기를 1차 측정할 수 있다(S230). 내부 공기 센서(273)는 차량(10)의 실내 또는 내부에 있는 유해 가스, 미세 먼지, 이산화탄소, 일산화탄소 등을 1차 측정하여 프로세서(170)로 전송 또는 출력할 수 있다. 1차 측정된 내부 공기는 제1 측정 공기라 칭할 수 있다. 제1 측정 공기는 차량(10)의 실내 또는 내부에 있는 유해 가스, 미세 먼지, 이산화탄소, 일산화탄소에 대한 농도, 오염도를 포함할 수 있다.
내부 공기 센서(273)는 측정된 제1 측정 공기를 차량의 실내 대기질 지수로 나타낼 수 있다. 예를 들어 실내 대기질 지수는 실시간 대기질 지수 Real-time Air Quality Index(AQI)로 표현될 수 있다. 이에 차량의 실내 대기 오염은 실내 대기질 지수로 표현될 수 있다.
프로세서(170)는 제1 측정 공기를 제공받아 차량의 실내 대기질 지수를 헤드 업 디스플레이(HUD)에 출력하여 시각화할 수 있다.
프로세서(170)는 내부 공기 센서(273)를 제어하여 차량의 실내 공기 중 이산화탄소 또는 일산화탄소를 측정하고, 미리 설정된 쾌적 공기 설정값과 비교할 수 있다(S250). 프로세서(170)는 측정된 실내 공기를 기설정된 쾌적 공기 설정값과 비교하여 외기 순환 모드 또는 내기 순환 모드로 변환할 수 있다(S260). 예를 들어, 측정된 실내 공기가 기설정된 쾌적 공기 설정값보다 낮을 경우, 프로세서(170)는 외기 순환 모드를 내기 순환 모드로 변환할 수 있다.
외기 순환 모드는 외부 공기 순환 모드라 칭할 수 있고, 내기 순환 모드는 내부 공기 순환 모드라 칭할 수 있다.
측정된 실내 공기가 기설정된 쾌적 공기 설정값보다 높을 경우, 프로세서(170)는 내기 순환 모드를 외기 순환 모드로 변환할 수 있다. 프로세서(170)는 외기 순환 모드로 변환할 경우, 센싱부(270)와 공기 정화부(290)를 제어하여 외부 공기에서 유해 가스, 미세 먼지, 이산화탄소, 일산화탄소에 대한 농도, 오염도를 센싱하고 이를 정화시킬 수 있다.
이후 프로세서(170)는 외기 순환 모드를 내기 순환 모드로 변환하여 차량의 실내 공기를 순환시킨 후 차량의 실내 공기를 2차 측정할 수 있다(S270).
내부 공기 센서(273)는 프로세서(170)의 제어 하에 차량(10)의 실내 또는 내부에 있는 유해 가스, 미세 먼지, 이산화탄소, 일산화탄소 등을 2차 측정하여 프로세서(170)로 전송 또는 출력할 수 있다. 2차 측정된 내부 공기는 제2 측정 공기라 칭할 수 있다. 제2 측정 공기는 차량(10)의 실내 또는 내부에 있는 유해 가스, 미세 먼지, 이산화탄소, 일산화탄소에 대한 농도, 오염도를 포함할 수 있다.
프로세서(170)는 측정된 제2 측정 공기를 기저장된 제1 측정 공기와 비교하고, 이를 분석하여 차량의 실내 공기의 변화를 산출할 수 있다.
프로세서(170)는 변화된 차량의 실내 공기에 대응하여 공기 정화부(290)를 동작시킬 수 있다. 예를 들어, 프로세서(170)는 변화된 차량의 실내 공기에서 미세 먼지가 기준치보다 많이 센싱될 경우 헤파 필터를 중심으로 필터링하여 차량의 실내 공기를 재정화시킬 수 있다.
프로세서(170)는 내부 공기 센서(273)로부터 측정된 제2 측정 공기를 제공받아 차량의 실내 대기질 지수로 변환하고, 이를 헤드 업 디스플레이(HUD)에 출력하여 시각화할 수 있다.
1차 측정 후, 차량의 내부 카메라를 통해 운전자의 상태 정보를 2차 획득할 수 있다(S280). 운전자의 상태 정보를 2차 획득하는 방법에 대한 상세한 내용은 상술한 운전자의 상태 정보를 1차 획득하는 방법과 실질적으로 동일할 수 있다.
운전자의 상태 정보를 2차 획득한 후 이를 기초하여 운전자의 졸음 상태를 인식하는 경우 2차 경고를 출력할 수 있다(S290). 프로세서(170)는 운전의 상태 정보에 기초하여 운전자의 졸음 상태(drowsy state)를 판단할 수 있다. 프로세서(170)는 운전자의 졸음 상태를 인식하는 경우, 2차 경고를 출력할 수 있다.
2차 경고 출력 후, 프로세서(170)는 2차 경고에 따라 차량을 제어할 수 있다(S300).
프로세서(170)는 운전자의 졸음 상태를 인식하는 경우, 차량의 주행 모드를 수동 주행 모드에서 자율 주행 모드로 전환할 수 있다. 예를 들어, 프로세서(170)는 자율 주행 모드에서, 주행 중인 상기 차량을 정차시킬 소정 위치를 탐색하고, 탐색된 위치에 차량이 이동되도록 주행을 제어하고, 탐색된 위치에서 주행이 종료되도록 제어할 수 있다.
프로세서(170)는 운전자의 졸음 상태로 인해 주행 제어권이 박탈되었으나, 자율 주행 모드에서의 드라이빙 플랜을 HUD 메시지로 출력하거나, 음향 출력부를 통해 출력할 수 있다. 한편, 프로세서(170)는 2차 경고에 따라 자율 주행 모드로 전환된 경우 차량 내부의 디스플레이부에 현재 주행 모드에 대한 인디케이터를 표시할 수 있다.
전술한 1차 경고가 운전자의 부주의 상태를 제거하기 위한 소극적 개입이라면 2차 경고 및 2차 경고에 따른 차량 제어는 적극적으로 개입하는 과정일 수 있다. 예를 들어, 운전자의 졸음 상태를 깨우기 위한 큰 소리의 음향 출력 또는 자율 주행 모드로 전환하거나, 자율 주행 모드에서 특정 위치로 강제 이동하여 주행을 종료하도록 하는 것일 수 있다.
도 10은 본 발명의 일실시 예에서 졸음 상태를 판단하는 예를 설명하기 위한 도면이다.
도 10을 참조하면, 프로세서(170)는 운전자의 졸음 상태를 판단하기 위하여 적어도 하나의 센서를 통해 획득되는 센싱 정보로부터 특징값들을 추출할 수 있다(S410)
예를 들어, 프로세서(170)는 적어도 하나의 센서(예를 들어, 심박수 센서)로부터 심박수 정보를 수신할 수 있다. 프로세서(170)는 심박수 정보로부터 특징값을 추출할 수 있다. 특징값은 심박수 정보에서 추출할 수 있는 적어도 하나의 특징들 중에서 운전자가 깨어 있는 상태에서 운전자의 졸린 상태로의 전환을 구체적으로 나타내는 것으로 판정된 것이다.
프로세서(170)는 특징값들을 운전자가 깨어 있는 상태인지 졸음 상태인지 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력되도록 제어할 수 있다(S420).
프로세서(170)는 추출된 특징값이 결합되어 졸음 검출 입력을 생성할 수 있다. 졸음 검출 입력은 추출된 특징값에 기초하여 운전자가 깨어 있는 상태와 졸음 상태를 구별하도록 트레이딩된 인공 신경망(ANN) 분류기에 입력될 수 있다.
프로세서(170)는 인공 신경망의 출력값을 분석하고(S430), 인공 신경망 출력값에 기초하여 운전자의 졸음 상태를 판단할 수 있다(S440).
프로세서(170)는 인공 신경망 분류기의 출력으로부터 운전자가 졸기 시작하는지, 또는 졸음 상태에 있는지를 식별할 수 있다.
한편, 도 10에서는 AI 프로세싱을 통해 운전자의 졸음 상태를 식별하는 동작이 차량(10)의 프로세싱에서 구현되는 예를 설명하였으나, 본 발명은 이에 한정되지 않는다. 예를 들어, AI 프로세싱은 차량(10)으로부터 수신된 센싱 정보에 기초하여 5G 네트워크 상에서 이루어질 수도 있다.
도 11은 본 발명의 일실시 예에서 졸음 상태를 판단하는 다른 예를 설명하기 위한 도면이다.
프로세서(170)는 운전자의 상태 정보를 5G 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어할 수 있다. 또한, 프로세서(170)는 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 통신부를 제어할 수 있다.
AI 프로세싱된 정보는 운전자의 상태를 깨어 있는 상태(wakeful state) 또는 졸음 상태(drowsy state) 중 어느 하나로 판단한 정보일 수 있다.
한편, 차량(10)은 5G 네트워크로 운전자의 상태 정보를 전송하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 차량(10)은 SSB(Synchronization signal block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다.
또한, 차량(10)은 무선 통신부를 통해 차량의 내부에 구비된 적어도 하나의 센서로부터 획득되는 운전자의 상태 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신할 수 있다.
프로세서(170)는 DCI에 기초하여 운전자의 상태 정보를 네트워크로 전송할 수 있다.
운전자의 상태 정보는 PUSCH를 통해 네트워크로 전송되며, SSB와 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
도 11을 참조하면, 차량(10)은 센싱 정보로부터 추출된 특징값을 5G 네트워크로 전송할 수 있다(S510).
여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 수신된 센싱 정보에 기초하여 AI 프로세싱을 수행할 수 있다(S520).
AI 시스템은 차량(10)으로부터 수신된 특징값들을 ANN 분류기에 입력할 수 있다(S521). AI 시스템은 ANN 출력값을 분석하고(S522), ANN 출력값으로부터 운전자의 상태를 판단할 수 있다(S523). 5G 네트워크는 AI 시스템에서 판단한 운전자의 상태 정보를 무선 통신부를 통해 차량(10)으로 전송할 수 있다(S530).
예를 들어, 운전자의 상태 정보는 운전자가 깨어 있는 상태인지, 졸음 상태인지, 깨어 있는 상태에서 졸음 상태로 전환하기 시작하는 상태 등을 포함할 수 있다.
AI 시스템은 운전자가 졸음 상태로 판단한 경우(혹은 각성 상태에서 졸음 상태로 전환되기 시작하는 경우 포함)(S524), 수동 주행 모드에서 주행되는 차량을 자율 주행 모드로 전환하여, 주행 제어권이 졸음 상태의 운전자로부터 박탈되도록 제어할 수 있다.
AI 시스템은 운전자가 졸음 상태인 경우, 원격 제어 여부를 결정할 수 있다(S525). 또한, AI 시스템은 원격 제어와 관련된 정보(또는 신호)를 차량(10)으로 전송할 수 있다(S540).
한편, 차량(10)은 센싱 정보만을 5G 네트워크로 전송하고, 5G 네트워크에 포함된 AI 시스템 내에서 센싱 정보로부터 운전자의 졸음 상태를 판단하기 위한 인공 신경망의 입력으로 이용될 졸음 검출 입력에 대응하는 특징값을 추출할 수도 있다.
또한, 도시되지 않았지만 본 발명의 일실시 예에 의하면, 차량(10)이 운전자의 졸음 상태를 확인한 경우, V2X 통신을 통해 타 차량으로 운전자의 졸음 상태와 관련된 메시지를 전송할 수 있다. 차량(10)에 설치된 V2X 단말기는 주변의 V2X 기지국, 타 차량에 설치된 V2X 단말기, 운전자 또는 보행자의 V2X 단말기 등과 V2X 통신을 통해 다양한 메시지를 교환할 수 있다.
또한, 운전자 또는 보행자의 휴대용 V2X 단말기 역시 주변의 V2X 기지국, 차량에 설치된 V2X 단말기 등과의 V2X 통신을 통해 다양한 메시지를 교환할 수 있다.
본 발명의 일실시 예에 의하면, 차량(10)이 운전자의 졸음 상태를 확인한 경우, V2X 통신을 통해 타 차량으로 운전자의 졸음 상태와 관련된 메시지를 전송할 수 있다.
도 12는 본 발명의 일실시 예에 따라 차량의 내부 공기를 측정하고, 측정된 차량의 내부 공기에 대응하여 차량의 내부 공기를 제어하는 방법이다.
도 12를 살펴보면, 프로세서(170)는 차량의 실내 공기를 1차 측정할 수 있다(S611). 내부 공기 센서(273)는 프로세서(170)의 제어 하에 차량(10)의 실내 또는 내부에 있는 유해 가스, 미세 먼지, 이산화탄소, 일산화탄소 등을 1차 측정할 수 있다.
프로세서(170)는 내부 공기 센서(273)를 제어하여 차량의 실내 공기 중 이산화탄소 또는 일산화탄소를 측정하고, 미리 설정된 쾌적 공기 설정값과 비교할 수 있다(S612). 측정된 실내 공기가 기설정된 쾌적 공기 설정값보다 높을 경우, 프로세서(170)는 측정된 실내 공기가 쾌적하지 않은 상태라고 판단하여 내기 순환 모드를 외기 순환 모드로 변환할 수 있다(S613).
프로세서(170)는 외기 순환 모드로 변환할 경우, 차량의 외부로부터 유입되는 외부 공기를 실시간으로 측정할 수 있다(S614).
외부 공기 센서(291)는 프로세서(170)의 제어 하에 차량의 외부로부터 유입되는 외부 공기를 센싱하고, 내부 공기 센서(293)는 프로세서(170)의 제어 하에 차량의 내부에 유입된 내부 공기를 센싱할 수 있다.
내부 공기 센서(293)는 차량의 내부에 유입된 내부 공기에서 미세 먼지를 센싱할 수 있다(S615).
미세 먼지가 센싱되지 않으면, 프로세서(170)는 차량의 실내온도를 측정할 수 있다(S618).
미세 먼지가 센싱되면, 프로세서(170)는 차량의 내부 공기를 정화할 수 있다(S616). 프로세서(170)는 외부 공기 센서(291)에서 센싱된 외부 공기에 대한 유해 가스 또는 미세 먼지로부터 유해 물질 값들을 추출하고, 추출된 유해 물질 값들을 분석하여 필터링되도록 트레이닝된 인공 신경망(ANN) 분류기에 입력하고, 공기 정화부(290)를 제어하여 공기를 정화할 수 있다.
공기 정화부(290)에 포함된 필터부(293)는 외부 공기 센서(291)와 내부 공기 센서(293) 사이에 배치될 수 있다. 공기 제어부(291)는 필터부(293)를 제어하여 외부 공기에 포함된 유해 가스 또는 미세 먼지를 효율적으로 필터링할 수 있다. 상술한 바와 같이, 프로세서(170)는 센싱부(270)와 공기 정화부(290)를 제어하여 외부 공기에서 유해 가스, 미세 먼지, 이산화탄소, 일산화탄소에 대한 농도, 오염도를 센싱하고 이를 정화시킬 수 있다.
이후, 프로세서(170)는 차량의 실내 공기를 2차 측정할 수 있다(S622).
또한, 측정된 실내 공기가 기설정된 쾌적 공기 설정값보다 낮을 경우, 프로세서(170)는 측정된 실내 공기가 쾌적한 상태라고 판단하여 외기 순환 모드를 내기 순환 모드로 변환할 수 있다(S617). 또는 프로세서(170)는 내기 순환 모드를 계속해서 유지할 수 있다.
이후 프로세서(170)는 차량의 실내 온도를 측정할 수 있다(S618). 프로세서(170)는 측정된 차량의 실내 온도가 적절한지 여부를 판단할 수 있다(S619).
프로세서(170)는 측정된 차량의 실내 온도가 적절하다고 판단되면, 차량의 실내 온도를 유지할 수 있다(S620).
프로세서(170)는 측정된 차량의 실내 온도가 적절하지 않다고 판단되면, 차량의 실내 온도를 제어할 수 있다(S621).
프로세서(170)는 차량의 주변 환경과 운전자의 상태 정보를 분석하여 차량의 실내 온도를 제어할 수 있다. 예를 들어, 프로세서(170)는 차량의 외부 온도가 상대적으로 높고, 운전자의 졸음 상태가 인식될 경우, 차량의 실내 온도를 빠르게 낮추기 위해 차량의 에어컨이 강하게 작동하도록 제어할 수 있다.
이후, 프로세서(170)는 차량의 실내 공기를 2차 측정할 수 있다(S622).
도 13 내지 도 16은 본 발명의 일실시 예에 따라 차량의 내부에서 측정된 이산화탄소와 온도를 설명하기 위한 도면이다.
AI 시스템은 외부 공기 센서(291) 또는 내부 공기 센서(293)로부터 측정된 유해 물질 값들을 ANN 분류기에 입력할 수 있다. AI 시스템은 ANN 출력값을 분석하고, ANN 출력값으로부터 차량의 내부의 상태를 판단하고, 공기 정화부(290) 또는 센싱부(270)를 제어하여 냉방효율, 이산화탄소(CO2)의 농도 그리고 일산화탄소(CO)의 농도를 조절할 수 있다.
도 13에 도시된 바와 같이, 차량의 내부는 외부 공기를 이용하면 냉방 효율(A1)이 점진적으로 나빠질 수 있다. 이와 달리 차량의 내부는 외부 공기를 이용할수록 이산화탄소(CO2) 또는 일산화탄소의 농도(A2)는 점진적으로 낮아질 수 있다.
도 14에 도시된 바와 같이, 차량의 내부는 내부 공기를 이용하면 냉방 효율(A1)이 점진적으로 좋아질 수 있다. 이와 달리 차량의 내부는 내부 공기를 이용할수록 이산화탄소(CO2) 또는 일산화탄소(CO)의 농도(A2)는 점진적으로 높아질 수 있다.
도 15 및 도 16에 도시된 바와 같이, C1 영역 및 C3 영역은 냉방효율, 이산화탄소(CO2)의 농도 그리고 일산화탄소(CO)의 농도를 모두 만족시키지 못하는 영역일 수 있다.
반면에 C2 영역은 냉방효율, 이산화탄소(CO2)의 농도 그리고 일산화탄소(CO)의 농도를 모두 만족시킬 수 있는 영역일 수 있다. 즉, C2 영역은 차량의 내부에 대한 냉방효율, 이산화탄소(CO2)의 농도 및 일산화탄소(CO)의 농도의 적정선을 유지할 수 있다.
도 17 내지 도 19는 본 발명의 일실시 예에 따라 차량의 내부에서 측정된 이산화탄소와 미세 먼지를 설명하기 위한 도면이다.
도 17에 도시된 바와 같이, 차량은 기상청과 5G 네트워크로 연결될 수 있다. 차량은 기상청으로부터 미세 먼지에 대한 정보를 제공받기 위해 하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 차량은 SSB(Synchronization signal block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다.
차량은 기상청으로부터 미세 먼지에 대한 정보를 제공받아 미세 먼지에 대응하여 외기 전환 모드를 제어함으로써, 차량의 내부로 유입되는 미세 먼지를 최소화시킬 수 있다. 즉, 차량은 기상청으로부터 주행 또는 이동하는 지역의 대기질 지수 값을 실시간으로 제공받음으로써, 차량의 내부로 유입되는 미세 먼지를 제어할 수 있다.
도 18의 (a)와 (b)에 도시된 바와 같이, 차량은 차량의 내 미세 먼지의 농도를 외기 순환 모드로 전환하여 외부 공기를 순환했을 때와 내기 순환 모드로 전환하여 내부 공기를 순환했을 때를 나타낼 수 있다. 차량의 내부는 외부 공기를 순환 했을 때와 내부 공기를 순환했을 때 차량 내부의 공기질에 차이가 생길 수 있다.
도 18의 (b)는 도 18의 (a)보다 미세 먼지 농도가 높을 수 있다. 즉, 미세 먼지 농도가 높아질수록 차량의 내부는 외부 공기를 순환했을 때와 내부 공기를 순환했을 때 차량 내부의 대기질 또는 공기질에 차이가 커질 수 있다.
도 19에 도시된 바와 같이, 차량은 외부 공기를 순환했을 때와 내부 공기를 순환 했을 때 차량 내부의 대기질 또는 공기질에 차이를 학습하여 일산화탄소의 농도 및 이산화탄소의 농도를 적절하게 유지하면서 미세 먼지 농도도 평균치 이하로 낮출 수 있는 범위를 설정할 수 있다.
예를 들어, m1 영역 및 m3 영역은 미세 먼지의 농도, 이산화탄소의 농도 그리고 일산화탄소의 농도를 모두 만족시키지 못하는 영역일 수 있다.
반면에 m2 영역은 미세 먼지의 농도, 이산화탄소의 농도 그리고 일산화탄소의 농도를 모두 만족시킬 수 있는 영역일 수 있다. 즉, m2 영역은 차량의 내부에 대한 미세 먼지의 농도, 이산화탄소의 농도 및 일산화탄소의 농도의 적정선을 유지할 수 있다.
전술한 본 발명은 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는 HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (12)

  1. 운전자의 상태 정보를 1차 획득하고, 상기 운전자의 상태 정보에 기초하여 상기 운전자의 졸음 상태(drowsy state)를 판단하는 단계;
    상기 운전자의 졸음 상태를 인식하는 경우, 1차 경고를 출력하는 단계;
    차량의 실내 공기를 1차 측정하는 단계;
    상기 1차 측정 값 및 미리 설정된 쾌적 공기 설정 값과 비교하여 상기 차량을 내기 순환 모드로 유지하거나 또는 상기 내기 순환 모드를 외기 순환 모드로 변환하는 단계;
    상기 차량의 실내 공기를 2차 측정하는 단계;
    상기 차량의 내부 카메라를 통해 상기 운전자의 상태 정보를 2차 획득하는 단계; 및
    상기 운전자의 상태 정보에 기초하여 상기 운전자의 졸음 상태를 인식하는 경우, 2차 경고를 출력하고, 상기 2차 경고에 따라 상기 차량을 제어하는 단계를 포함하고,
    상기 1차 측정 값 및 상기 미리 설정된 쾌적 공기 설정 값과 비교하여 상기 차량을 상기 내기 순환 모드로 유지하거나 또는 상기 내기 순환 모드를 상기 외기 순환 모드로 변환하는 단계는,
    상기 1차 측정 값이 상기 미리 설정된 쾌적 공기 설정 값보다 작은 경우 상기 차량을 상기 내기 순환 모드로 유지하고, 상기 1차 측정 값이 상기 미리 설정된 쾌적 공기 설정 값보다 큰 경우 상기 내기 순환 모드를 상기 외기 순환 모드로 변환하는 단계를 포함하는 차량 제어 방법.
  2. 제 1 항에 있어서,
    상기 차량의 실내 공기는,
    유해 가스, 미세 먼지의 농도, 이산화탄소의 농도, 일산화탄소의 농도 중 적어도 하나를 측정하는 것을 특징으로 하는 차량 제어 방법.
  3. 제 2 항에 있어서,
    측정된 상기 차량의 실내 공기는,
    실내 대기질 지수로 표시하되,
    헤드 업 디스플레이(HUD)에 출력하여 시각화하는 것을 특징으로 하는 차량 제어 방법.
  4. 제 2 항에 있어서,
    측정된 상기 차량의 실내 공기는,
    상기 유해 가스, 상기 미세 먼지의 농도, 상기 이산화탄소의 농도, 상기 일산화탄소의 농도로부터 유해 물질 값들을 추출하는 것을 특징으로 하는 차량 제어 방법.
  5. 제 1 항에 있어서,
    상기 운전자의 상태 정보는
    카메라 영상을 분석하여 획득되는 상기 운전자의 눈꺼풀 감는 횟수, 눈꺼풀의 오픈 사이즈 또는 눈꺼풀의 이동속도 중 적어도 하나를 포함하는 것을 특징으로 하는 차량 제어 방법.
  6. 제 1 항에 있어서,
    상기 운전자의 상태 정보는
    적어도 하나의 심박수(HR) 센서를 통해 획득되는 심박수(Heart Rate: HR) 정보를 포함하고, 상기 심박수 정보는 심박 변이도(Heart Rate Variability: HRV) 신호를 포함하는 것을 특징으로 하는 차량 제어 방법.
  7. 제 1 항에 있어서,
    상기 운전자의 졸음 상태를 판단하는 단계는
    적어도 하나의 센서를 통해 획득되는 센싱 정보로부터 특징값들을 추출하는 단계;
    상기 특징값들을 상기 운전자가 깨어 있는 상태인지 졸음 상태인지 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력하고, 상기 인공 신경망의 출력으로부터 상기 운전자의 졸음 상태를 판단하는 단계;를 더 포함하고,
    상기 특징값들은 상기 운전자의 깨어 있는 상태(wakeful state)와 졸음 상태(drowsy state)를 구분할 수 있는 값들인 것을 특징으로 하는 차량 제어 방법.
  8. 제 1 항에 있어서,
    상기 운전자의 졸음 상태와 관련된 정보를 포함하는 V2X 메시지를 상기 차량과 통신 연결된 다른 단말에 전송하는 단계;
    를 더 포함하는 것을 특징으로 하는 차량 제어 방법.
  9. 제 1 항에 있어서,
    상기 2차 경고에 따라 상기 차량을 제어하는 단계는
    상기 차량의 주행 모드를 수동 주행 모드에서 자율 주행 모드로 전환하는 단계;
    상기 자율 주행 모드에서 상기 차량을 정차시킬 위치를 탐색하고, 탐색된 위치에 상기 차량을 이동시켜 주행을 종료하도록 제어하는 단계;
    를 더 포함하는 것을 특징으로 하는 차량 제어 방법.
  10. 제 1 항에 있어서,
    상기 차량의 내부에 구비된 적어도 하나의 센서로부터 획득되는 상기 운전자의 상태 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계;를 더 포함하고,
    상기 운전자의 상태 정보는 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 특징으로 하는 차량 제어 방법.
  11. 제 10 항에 있어서,
    SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;를 더 포함하고,
    상기 운전자의 상태 정보는 PUSCH를 통해 상기 네트워크로 전송되며,
    상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 하는 차량 제어 방법.
  12. 제 11 항에 있어서,
    상기 운전자의 상태 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하는 단계;
    상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하는 단계;를 더 포함하고,
    상기 AI 프로세싱된 정보는
    상기 운전자의 상태를 깨어 있는 상태(wakeful state) 또는 졸음 상태(drowsy state) 중 어느 하나로 판단한 정보인 것을 특징으로 하는 차량 제어 방법.
KR1020197020223A 2019-06-18 2019-06-18 차량 제어 방법 KR102630485B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/007356 WO2020256177A1 (ko) 2019-06-18 2019-06-18 차량 제어 방법

Publications (2)

Publication Number Publication Date
KR20220011816A KR20220011816A (ko) 2022-02-03
KR102630485B1 true KR102630485B1 (ko) 2024-02-01

Family

ID=74036954

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197020223A KR102630485B1 (ko) 2019-06-18 2019-06-18 차량 제어 방법

Country Status (3)

Country Link
US (1) US11396304B2 (ko)
KR (1) KR102630485B1 (ko)
WO (1) WO2020256177A1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210291870A1 (en) * 2020-03-18 2021-09-23 Waymo Llc Testing situational awareness of drivers tasked with monitoring a vehicle operating in an autonomous driving mode
US11753047B2 (en) * 2020-06-29 2023-09-12 Micron Technology, Inc. Impaired driver assistance
US11840246B2 (en) 2020-06-29 2023-12-12 Micron Technology, Inc. Selectively enable or disable vehicle features based on driver classification
US11932080B2 (en) * 2020-08-20 2024-03-19 Denso International America, Inc. Diagnostic and recirculation control systems and methods
DE102021104080A1 (de) * 2021-02-22 2022-08-25 Bayerische Motoren Werke Aktiengesellschaft Fahrerassistenzsystem und Verfahren zum Ausgeben einer erweiterten Warninformation im Fahrzeug
FR3122512A1 (fr) * 2021-04-29 2022-11-04 Psa Automobiles Sa Procédé et système de traitement de données relatives à un véhicule automobile
CN113771860A (zh) * 2021-09-06 2021-12-10 珠海格力电器股份有限公司 控制方法、装置、电子设备及存储介质
CN113741464B (zh) * 2021-09-07 2022-10-21 电子科技大学 一种基于时空数据强化学习的自动驾驶速度控制框架

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101298197B1 (ko) * 2013-02-18 2013-08-20 주식회사 자이언트스타 졸음 방지 기능을 구비하는 vsdt 룸 미러

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5775406A (en) * 1996-07-01 1998-07-07 Freightliner Corporation Ventilation message display system and method for a vehicle
KR19990021098A (ko) * 1997-08-30 1999-03-25 양재신 자동차의 졸음 운전 경고장치
US7202792B2 (en) * 2002-11-11 2007-04-10 Delphi Technologies, Inc. Drowsiness detection system and method
DE10318504B3 (de) * 2003-04-24 2004-11-18 Robert Bosch Gmbh Leckageüberwachung von Klimaanlagen
US7423540B2 (en) * 2005-12-23 2008-09-09 Delphi Technologies, Inc. Method of detecting vehicle-operator state
DE102006016559A1 (de) * 2006-04-07 2007-10-11 Air Liquide Deutschland Gmbh Wärmetauscher für ein mobiles Kühlfahrzeug
US20120105637A1 (en) * 2010-11-03 2012-05-03 Broadcom Corporation Multi-Level Video Processing Within A Vehicular Communication Network
DE102010056397A1 (de) * 2010-12-28 2012-06-28 GM Global Technology Operations LLC Fahrerassistenzsystem für ein Kraftfahrzeug, Kraftfahrzeug und Verfahren zum Betreiben eines Fahrerassistenzsystems
KR101901417B1 (ko) 2011-08-29 2018-09-27 한국전자통신연구원 감성기반 안전운전 자동차 서비스 시스템, 안전운전 서비스를 위한 감성인지 처리 장치 및 안전운전 서비스 장치, 감성기반 차량용 안전운전 서비스 방법
US10272920B2 (en) * 2013-10-11 2019-04-30 Panasonic Intellectual Property Corporation Of America Processing method, program, processing apparatus, and detection system
KR101386823B1 (ko) 2013-10-29 2014-04-17 김재철 동작, 안면, 눈, 입모양 인지를 통한 2단계 졸음운전 방지 장치
DE102015218474A1 (de) * 2015-09-25 2017-03-30 Bayerische Motoren Werke Aktiengesellschaft Innenraumbelüftungssystem für ein Kraftfahrzeug
KR101781537B1 (ko) * 2015-11-16 2017-09-26 엘지전자 주식회사 차량의 실내 방향 장치의 제어방법
US9998899B1 (en) * 2017-01-30 2018-06-12 Adam Benjamin Tannenbaum System and method of use for vehicular occupant safety
JP7045639B2 (ja) * 2017-02-28 2022-04-01 パナソニックＩｐマネジメント株式会社 作業適正度判定システム
KR20180117961A (ko) * 2017-04-20 2018-10-30 손승희 생체정보를 센싱하는 안전벨트 및 이를 이용한 자율 주행 시스템
JP2020115902A (ja) * 2017-05-25 2020-08-06 パナソニックＩｐマネジメント株式会社 覚醒誘導制御装置および覚醒誘導システム
JP2019074791A (ja) * 2017-10-12 2019-05-16 株式会社デンソー 車両用運転支援装置
KR102051136B1 (ko) * 2017-11-30 2020-01-08 주식회사 라스테크 클라우드서버를 기반을 하는 인공지능 대쉬보드로봇을 이용한 사용자 상태인식시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101298197B1 (ko) * 2013-02-18 2013-08-20 주식회사 자이언트스타 졸음 방지 기능을 구비하는 vsdt 룸 미러

Also Published As

Publication number Publication date
KR20220011816A (ko) 2022-02-03
US20210403019A1 (en) 2021-12-30
US11396304B2 (en) 2022-07-26
WO2020256177A1 (ko) 2020-12-24

Similar Documents

Publication Publication Date Title
KR102630485B1 (ko) 차량 제어 방법
US11158327B2 (en) Method for separating speech based on artificial intelligence in vehicle and device of the same
US10889301B2 (en) Method for controlling vehicle and intelligent computing apparatus for controlling the vehicle
KR102649027B1 (ko) 차량 제어 방법 및 차량을 제어하는 지능형 컴퓨팅 디바이스
KR20190101926A (ko) 자율 주행 차량과 그 제어 방법
US20210138927A1 (en) Device, system and method for predicting battery consumption of electric vehicle
US20200388154A1 (en) Method of providing a service of a vehicle in automated vehicle and highway systems and apparatus therefor
US20200065596A1 (en) Control method of autonomous vehicle
US20210331712A1 (en) Method and apparatus for responding to hacking on autonomous vehicle
US20210403022A1 (en) Method for controlling vehicle and intelligent computing apparatus controlling the vehicle
US20200023856A1 (en) Method for controlling a vehicle using speaker recognition based on artificial intelligent
US20200013225A1 (en) Vehicle external information output method using augmented reality and apparatus therefor
US11414095B2 (en) Method for controlling vehicle and intelligent computing device for controlling vehicle
US20210094588A1 (en) Method for providing contents of autonomous vehicle and apparatus for same
US20210123757A1 (en) Method and apparatus for managing vehicle's resource in autonomous driving system
KR20210089284A (ko) 자율주행시스템에서 차량의 원격제어를 위한 영상 보정
KR20190108084A (ko) 지능형 안마 의자 및 그 제어 방법
KR20210082321A (ko) 인공지능형 모빌리티 디바이스 제어 방법 및 인공지능형 모빌리티를 제어하는 지능형 컴퓨팅 디바이스
KR20210063144A (ko) 통신 상태에 따른 탑승자 서비스 제공
US11508362B2 (en) Voice recognition method of artificial intelligence robot device
KR20210070700A (ko) 자율주행시스템에서 인공지능 학습 데이터를 계승하는 방법
US20210403054A1 (en) Vehicle allocation method in automated vehicle and highway system and apparatus therefor
KR20190088439A (ko) 자율주행 차량의 내부 모니터링 방법 및 이를 위한 시스템
US20210333392A1 (en) Sound wave detection device and artificial intelligent electronic device having the same
KR20210048892A (ko) 차량 내부의 모니터링

Legal Events

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