KR102635461B1

KR102635461B1 - 차량 내 탑승자 감지 방법 및 장치

Info

Publication number: KR102635461B1
Application number: KR1020210189664A
Authority: KR
Inventors: 김웅기; 김희헌; 공정기
Original assignee: 현대오토에버 주식회사
Priority date: 2021-12-28
Filing date: 2021-12-28
Publication date: 2024-02-07
Also published as: KR20230100084A

Abstract

본 발명에 따른 차량 내 탑승자 감지 방법은, 차량 내에 설치되는 복수 개의 UWB 노드들 중 제1 UWB 노드가 UWB 펄스를 송신하는 단계; 상기 복수 개의 UWB 노드들 중 적어도 하나의 다른 노드가 상기 UWB 펄스에 대한 제1 채널 임펄스 응답을 측정하는 단계; 및 상기 제1 채널 임펄스 응답으로부터 생성되는 입력 데이터를 입력으로 하고 차량 내 탑승자 유무를 출력으로 하는 학습된 신경망 모델을 이용하여 차량 내 탑승자 유무를 추정하는 단계를 포함한다.

Description

차량 내 탑승자 감지 방법 및 장치{Method and apparatus for sensing occupant in a vehicle}

본 발명은 차량 내 탑승자 감지 방법 및 장치에 관한 것으로, 보다 상세하게는 차량 내에 설치되는 UWB 노드를 이용하여 차량 내 탑승자 유무를 감지하는 방법 및 장치에 관한 것이다.

영유아들이 차량에 방치되었다가 사망하거나 의식불명이 되는 등의 사고가 빈번하게 발생된다. 실외 온도가 21도일 경우, 차량 내의 온도는 10분만에 49도까지 상승될 수 있으며, 여름에는 차량 실내 온도가 1시간 만에 약 80도까지도 상승될 수 있다. 영유아들은 성인에 비해 이러한 극한 상황에 노출되는 경우 치명적인 사고가 발생될 수 있다. 이러한 사고를 막기 위해 Euro NCAP은 2023년부터 유아 재실 감지(CPD, Child Presence Detection) 기능 여부를 안전 평가 기준에 반영할 예정이다.

따라서, 좌석에 감압 센서를 설치하거나 차량 내부에 열 측정 센서를 설치하여 탑승자 여부를 감지하는 기술이 개발되고 있다. 그러나 감압 센서와 열 측정 센서는 정확도가 낮고 특히 여름철에 차량 실내 온도가 상승하는 경우 제대로 작동되지 않을 수 있는 문제점이 존재한다. 또한, 감압 센서와 열 측정 센서를 이용한 탑승자 감지는 센서 등 별도의 인프라 구축이 요구된다.

한편, 최근의 디지털 키 3.0 기술은 모바일 장치 측위 등을 위해 UWB(Ultra Wideband) 기술을 이용하여 보안성 높은 측위 기술을 구현하고 있다.

본 발명이 해결하고자 하는 과제는, 차량 내에 설치되는 UWB 노드를 이용하여 차량 내 탑승자 유무를 효과적으로 감지할 수 있는 차량 내 탑승자 감지 방법 및 장치를 제공하는 데 있다.

본 발명의 해결하고자 하는 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 해결하기 위한 본 발명에 따른 차량 내 탑승자 감지 방법은, (a) 차량 내에 설치되는 복수 개의 UWB 노드들 중 제1 UWB 노드가 UWB 펄스를 송신하는 단계; (b1) 상기 복수 개의 UWB 노드들 중 적어도 하나의 다른 노드가 상기 UWB 펄스에 대한 제1 채널 임펄스 응답을 측정하는 단계; 및 (c) 상기 제1 채널 임펄스 응답으로부터 생성되는 입력 데이터를 입력으로 하고 차량 내 탑승자 유무를 출력으로 하는 학습된 신경망 모델을 이용하여 차량 내 탑승자 유무를 추정하는 단계를 포함한다.

상기 차량 내 탑승자 감지 방법은, (b2) 상기 적어도 하나의 다른 노드가 상기 제1 채널 임펄스 응답으로부터 일련의 복수 개의 샘플들을 획득하는 단계를 더 포함하고, 상기 입력 데이터는 상기 복수 개의 샘플들로부터 생성될 수 있다.

상기 (a) 내지 (b2) 단계는 시간에 따라 반복 수행되고, 상기 차량 내 탑승자 감지 방법은, 상기 반복 수행에 대한 상기 복수 개의 샘플들 각각의 평균 및 표준편차를 계산하는 단계를 더 포함하고, 상기 입력 데이터는 상기 복수 개의 샘플들 각각의 평균 및 표준편차를 포함할 수 있다.

상기 차량 내 탑승자 감지 방법은, 상기 복수 개의 UWB 노드들 중 제2 UWB 노드가 UWB 펄스를 송신하는 단계; 및 상기 복수 개의 UWB 노드들 중 적어도 하나의 다른 노드가 상기 UWB 펄스에 대한 제2 채널 임펄스 응답을 측정하는 단계를 더 포함하고, 상기 입력 데이터는 상기 제1 채널 임펄스 응답 및 상기 제2 채널 임펄스 응답으로부터 생성될 수 있다.

탑승자 감지 모드에서 상기 (a) 내지 (c) 단계를 통해 차량 내 탑승자 유무가 추정되고, 상기 차량 내 탑승자 감지 방법은, 학습 모드에서 수행되는 단계들로서, 상기 (a) 및 (b1) 단계를 수행하는 단계; 상기 차량에 장착된 센서로부터 탑승자 유무를 확인하는 단계; 및 상기 (a) 및 (b1) 단계를 통해 측정된 상기 제1 채널 임펄스 응답으로부터 생성되는 입력 데이터 및 상기 차량에 장착된 센서로부터 확인된 탑승자 유무를 이용하여 상기 신경망 모델을 학습시키는 단계를 더 포함할 수 있다.

상기 센서는 착좌 센서, 안전벨트 센서, 초음파 센서, 또는 도어 래치 센서를 포함할 수 있다.

상기 복수 개의 UWB 노드들은 디지털 키 기능을 위해 설치된 UWB 노드들일 수 있다.

상기 기술적 과제를 해결하기 위한 본 발명에 따른 차량 내 탑승자 감지 장치는, 차량 내에 설치되는 복수 개의 UWB 노드들로서, 상기 복수 개의 UWB 노드들 중 제1 UWB 노드가 UWB 펄스를 송신하면 상기 복수 개의 UWB 노드들 중 적어도 하나의 다른 노드가 상기 UWB 펄스에 대한 제1 채널 임펄스 응답을 측정하는, 복수 개의 UWB 노드들; 및 상기 제1 채널 임펄스 응답으로부터 생성되는 입력 데이터를 입력으로 하고 차량 내 탑승자 유무를 출력으로 하는 학습된 신경망 모델을 이용하여 차량 내 탑승자 유무를 추정하는 탑승자 유무 추정부를 포함한다.

상기 적어도 하나의 다른 노드는 상기 제1 채널 임펄스 응답으로부터 일련의 복수 개의 샘플들을 획득하고, 상기 입력 데이터는 상기 복수 개의 샘플들로부터 생성될 수 있다.

상기 복수 개의 UWB 노드들 중 제1 UWB 노드가 UWB 펄스를 송신하면 상기 복수 개의 UWB 노드들 중 적어도 하나의 다른 노드가 상기 UWB 펄스에 대한 제1 채널 임펄스 응답을 측정하는 동작은 시간에 따라 반복 수행되고, 상기 차량 내 탑승자 감지 장치는, 상기 반복 수행에 대한 상기 복수 개의 샘플들 각각의 평균 및 표준편차를 계산하는 연산부를 더 포함하고, 상기 입력 데이터는 상기 복수 개의 샘플들 각각의 평균 및 표준편차를 포함할 수 있다.

상기 복수 개의 UWB 노드들 중 제2 UWB 노드가 UWB 펄스를 송신하면 상기 복수 개의 UWB 노드들 중 적어도 하나의 다른 노드가 상기 UWB 펄스에 대한 제2 채널 임펄스 응답을 측정하고, 상기 입력 데이터는 상기 제1 채널 임펄스 응답 및 상기 제2 채널 임펄스 응답으로부터 생성될 수 있다.

탑승자 감지 모드에서 상기 탑승자 유무 추정부는 상기 학습된 신경망 모델을 이용하여 차량 내 탑승자 유무를 추정하고, 상기 차량 내 탑승자 감지 장치는, 학습 모드에서 상기 제1 UWB 노드 및 상기 적어도 하나의 다른 노드에 의해 상기 제1 채널 임펄스 응답이 측정될 때, 상기 차량에 장착된 센서로부터 탑승자 유무를 확인하고, 상기 측정된 상기 제1 채널 임펄스 응답으로부터 생성되는 입력 데이터 및 상기 차량에 장착된 센서로부터 확인된 탑승자 유무를 이용하여 상기 신경망 모델을 학습시키는 모델 학습부를 더 포함할 수 있다.

상기된 본 발명에 의하면, 차량 내에 설치되는 UWB 노드를 이용하여 차량 내 탑승자 유무를 효과적으로 감지할 수 있다.

본 발명의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 차량 내 탑승자 감지 장치의 블록도를 나타낸다.
도 2a 및 2b는 차량 내에 UWB 노드들이 설치되는 예들을 보여준다.
도 3a 내지 3c는 신경망 모델의 학습 또는 학습된 신경망 모델을 통한 탑승자 유무 추정을 위한 입력 데이터를 생성하는 과정을 나타낸 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 신경망 모델의 구조의 일 예를 나타낸다.
도 5는 탑승자 유무 추정부가 신경망 모델을 통해 차량 내 탑승자 유무를 추정하는 과정을 나타낸 흐름도이다.
도 6은 본 발명의 추가적인 실시예에 따른 차량 내 탑승자 감지 장치의 블록도를 나타낸다.

이하에서는 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이하 설명 및 첨부된 도면들에서 실질적으로 동일한 구성요소들은 각각 동일한 부호들로 나타냄으로써 중복 설명을 생략하기로 한다. 또한 본 발명을 설명함에 있어 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략하기로 한다.

도 1은 본 발명의 일 실시예에 따른 차량 내 탑승자 감지 장치의 블록도를 나타낸다.

본 실시예에 따른 차량 내 탑승자 감지 장치는, N(N은 2 이상)개의 UWB 노드들(10_1, 10_2, ..., 10_N), 노드 제어부(20), 연산부(30), 탑승자 유무 추정부(40), 신경망 모델(50)을 포함할 수 있다.

UWB 노드들(10_1, 10_2, ..., 10_N)은 차량 내에 설치되어 UWB 송신기 또는 UWB 수신기로 동작하는 노드들로, 디지털 키 기능을 위해 설치된 것일 수 있다. 다만 실시예에 따라, UWB 노드들(10_1, 10_2, ..., 10_N)은 디지털 키 기능과 무관하게 차량 내 탑승자 감지를 위해 설치될 수도 있다.

노드 제어부(20)는 UWB 노드들(10_1, 10_2, ..., 10_N) 각각을 송신 노드 또는 수신 노드로 설정하고 각 UWB 노드를 제어한다.

연산부(30)는 UWB 노드들(10_1, 10_2, ..., 10_N)로부터 제공되는 데이터를 신경망 모델(50)의 입력 데이터로 활용할 수 있도록 연산 처리한다.

신경망 모델(50)은 연산부(30)를 통해 연산된 입력 데이터를 입력으로 하고 차량 내 탑승자 유무를 출력으로 하는 신경망 모델이다. 신경망 모델(50)은 예컨대 합성곱 신경망(Convolutional Neural Network, CNN)으로 구성될 수 있다. 실시예에 따라, 신경망 모델(50)의 출력은 차량의 각 좌석 별 탑승자 유무일 수도 있다.

탑승자 유무 추정부(40)는 연산부(30)를 통해 연산된 입력 데이터를 신경망 모델(50)에 입력하여 차량 내 탑승자 유무를 추정한다. 신경망 모델(50)의 출력에 따라, 탑승자 유무 추정부(40)는 차량의 각 좌석 별 탑승자 유무를 추정할 수도 있다. 차량이 잠금 상태이거나 운전자가 하차한 이후에 탑승자 유무 추정부(40)를 통해 차량 내에 탑승자가 존재하는 것으로 감지된 경우, 디지털 키를 통해 또는 차량의 경보음을 통해 경고가 통지될 수 있다.

도 2a 및 2b는 차량 내에 UWB 노드들이 설치되는 예들을 보여준다. 도 2a에 도시된 바와 같이, 2개의 UWB 노드들(10_1, 10_2)이 각각 차량 내 앞쪽과 뒤쪽에 설치될 수 있다. 도 2b에 도시된 바와 같이, 3개의 UWB 노드들(10_1, 10_2, 10_3)이 각각 차량 내 앞쪽, 뒤쪽 좌측, 및 뒤쪽 우측에 설치될 수도 있다.

본 발명의 실시예에서, UWB 노드들 중 하나는 송신 노드로 동작하고, 나머지 UWB 노드들은 수신 노드로 동작한다. 송신 노드가 UWB 펄스를 발생하면, 수신 노드는 UWB 펄스를 수신하게 된다. 수신 노드는 검출되는 신호로부터 채널 임펄스 응답(Channel Impulse Response, CIR)을 측정할 수 있다. 차량 내에서의 반사에 의한 다중 경로로 인해, 채널 임펄스 응답은 최초 수신 시에 최대 피크(LOS(Line of Sight) 응답)가 나타나고 피크가 점차 감소(NLOS(Non Line of Sight) 응답)하는 형태가 될 수 있다. 차량 내의 탑승자 유무에 따라 차량 내에서의 반사 양상이 다를 것이므로, 수신 노드에서 측정되는 채널 임펄스 응답의 형태는 차량 내 탑승자 유무를 반영하는 잠재적 특징이 될 수 있다. 또한 차량 내에 탑승자가 존재하는 경우 탑승자의 움직임으로 인해 UWB 펄스의 반사 양상은 시간적으로 변화할 것이므로, 수신 노드에서 측정되는 채널 임펄스 응답의 변화 역시 차량 내 탑승자 유무를 반영하는 잠재적 특징이 될 수 있다. 본 발명의 실시예는 이러한 점에 착안하여, 수신 노드에서 측정되는 채널 임펄스 응답의 시간에 따른 평균 및 표준편차를 입력으로 하고 차량 내 탑승자 유무를 출력으로 하는 신경망 모델을 구축하고, 학습된 신경망 모델을 통해 차량 내 탑승자 유무를 추정한다.

도 3a 내지 3c는 신경망 모델(50)의 학습 또는 학습된 신경망 모델(50)을 통한 탑승자 유무 추정을 위한 입력 데이터를 생성하는 과정을 나타낸 흐름도이다. 설명의 편의를 위해 도 2b와 같이 3개의 UWB 노드들(10_1, 10_2, 10_3)이 설치된 경우를 예로 들어 설명한다.

도 3a를 참조하면, 노드 제어부(20)는 제1 UWB 노드(10_1)를 송신 노드로, 제2, 3 UWB 노드들(10_2, 10_3)을 수신 노드로 설정한다(110단계). 그러면 제1 UWB 노드(10_1)는 UWB 펄스를 송신하고(120단계), 제2, 3 UWB 노드들(10_2, 10_3)은 각각 UWB 펄스를 수신한다(130단계).

제2 UWB 노드(10_2)는 제1 UWB 노드(10_1)로부터 제2 UWB 노드(10_2)로의 제1-2 채널 임펄스 응답을 측정하고(140단계), 제3 UWB 노드(10_3)는 제1 UWB 노드(10_1)로부터 제3 UWB 노드(10_3)로의 제1-3 채널 임펄스 응답을 측정한다(145단계),

제2 UWB 노드(10_2)는 제1-2 채널 임펄스 응답으로부터 일련의 M(M은 2 이상)개의 제1-2 샘플들을 획득하고(150단계), 제3 UWB 노드(10_3)는 제1-3 채널 임펄스 응답으로부터 일련의 M개의 제1-3 샘플들을 획득한다(155단계). 여기서 샘플들은 최초 수신(최대 피크) 시점으로부터 일정 간격으로 획득될 수 있다. 제2, 3 UWB 노드들(10_2, 10_3)에서 획득되는 샘플들을 연산부(30)로 전달된다.

상기된 120단계 내지 155단계는 일정 시간 간격으로 K(K는 2 이상)회 반복된다. 따라서 K회 반복이 완료되지 않았으면(160단계) 상기된 120단계 내지 155단계가 다시 수행된다.

K회 반복이 완료되면(160단계), 연산부(30)는 K회 반복에 대한 제1-2 샘플들 각각의 평균 및 표준편차를 계산하고(170단계), K회 반복에 대한 제1-3 샘플들 각각의 평균 및 표준편차를 계산한다(175단계).

도 3a의 과정이 완료되면 도 3b의 과정이 수행된다. 도 3b를 참조하면, 노드 제어부(20)는 제2 UWB 노드(10_2)를 송신 노드로, 제3, 1 UWB 노드들(10_3, 10_1)을 수신 노드로 설정한다(210단계). 그러면 제2 UWB 노드(10_2)는 UWB 펄스를 송신하고(220단계), 제3, 1 UWB 노드들(10_3, 10_1)은 각각 UWB 펄스를 수신한다(230단계).

제3 UWB 노드(10_3)는 제2 UWB 노드(10_2)로부터 제3 UWB 노드(10_3)로의 제2-3 채널 임펄스 응답을 측정하고(240단계), 제1 UWB 노드(10_1)는 제2 UWB 노드(10_2)로부터 제1 UWB 노드(10_1)로의 제2-1 채널 임펄스 응답을 측정한다(245단계),

제3 UWB 노드(10_3)는 제2-3 채널 임펄스 응답으로부터 일련의 M개의 제2-3 샘플들을 획득하고(250단계), 제1 UWB 노드(10_1)는 제2-1 채널 임펄스 응답으로부터 일련의 M개의 제2-1 샘플들을 획득한다(255단계). 제3, 1 UWB 노드들(10_3, 10_1)에서 획득되는 샘플들을 연산부(30)로 전달된다.

상기된 220단계 내지 255단계 역시 일정 시간 간격으로 K회 반복된다. 따라서 K회 반복이 완료되지 않았으면(260단계) 상기된 220단계 내지 255단계가 다시 수행된다.

K회 반복이 완료되면(260단계), 연산부(30)는 K회 반복에 대한 제2-3 샘플들 각각의 평균 및 표준편차를 계산하고(270단계), K회 반복에 대한 제2-1 샘플들 각각의 평균 및 표준편차를 계산한다(275단계),

도 3b의 과정이 완료되면 도 3c의 과정이 수행된다. 도 3c를 참조하면, 노드 제어부(20)는 제3 UWB 노드(10_3)를 송신 노드로, 제1, 2 UWB 노드들(10_1, 10_2)을 수신 노드로 설정한다(310단계). 그러면 제3 UWB 노드(10_3)는 UWB 펄스를 송신하고(320단계), 제1, 2 UWB 노드들(10_1, 10_2)은 각각 UWB 펄스를 수신한다(330단계).

제1 UWB 노드(10_1)는 제3 UWB 노드(10_3)로부터 제1 UWB 노드(10_1)로의 제3-1 채널 임펄스 응답을 측정하고(340단계), 제2 UWB 노드(10_2)는 제3 UWB 노드(10_3)로부터 제2 UWB 노드(10_2)로의 제3-2 채널 임펄스 응답을 측정한다(345단계),

제1 UWB 노드(10_1)는 제3-1 채널 임펄스 응답으로부터 일련의 M개의 제3-1 샘플들을 획득하고(350단계), 제2 UWB 노드(10_2)는 제3-2 채널 임펄스 응답으로부터 일련의 M개의 제3-2 샘플들을 획득한다(355단계). 제1, 2 UWB 노드들(10_1, 10_2)에서 획득되는 샘플들을 연산부(30)로 전달된다.

상기된 320단계 내지 355단계 역시 일정 시간 간격으로 K회 반복된다. 따라서 K회 반복이 완료되지 않았으면(360단계) 상기된 220단계 내지 255단계가 다시 수행된다.

K회 반복이 완료되면(360단계), 연산부(30)는 K회 반복에 대한 제3-1 샘플들 각각의 평균 및 표준편차를 계산하고(370단계), K회 반복에 대한 제3-2 샘플들 각각의 평균 및 표준편차를 계산한다(375단계).

도 4는 본 발명의 일 실시예에 따른 신경망 모델(50)의 구조의 일 예를 나타낸다. 신경망 모델(50)의 입력 데이터는 N개의 UWB 노드의 경우 N*(N-1)개의 채널 임펄스 응답들 각각으로부터 획득된 M개 샘플들 각각의 평균 및 표준편차로 구성된다. 따라서 입력 노드의 차원은 (2, M, N(N-1))이 된다. 앞서 예를 든 바와 같이 3개의 UWB 노드들이 설치되는 경우 입력 노드의 차원은 (2, M, 3*2=6)이 된다. 신경망 모델(50)의 출력 데이터는 차량 내 탑승자 유무를 나타낼 수 있다. 이 경우 출력 노드의 차원은 1이 된다. 실시예에 따라, 출력 데이터는 차량의 각 좌석 별 탑승자 유무일 수도 있다. 이 경우 출력 노드의 차원은 차량의 좌석 수가 된다.

신경망 모델(50)은 예컨대 fully-connected layer로 구성된 flatten layer와, dropout layer로 구성된 dense layer를 포함할 수 있다. 다만 신경망 모델(50)은 임의의 다양한 구조로 구현될 수 있다.

도 5는 탑승자 유무 추정부(40)가 신경망 모델(50)을 통해 차량 내 탑승자 유무를 추정하는 과정을 나타낸 흐름도이다.

탑승자 유무 추정부(40)는 도 3a 내지 3c를 통해 얻어진, 제1-2 샘플들 각각의 평균 및 표준편차, 제1-3 샘플들 각각의 평균 및 표준편차, 제2-3 샘플들 각각의 평균 및 표준편차, 제2-1 샘플들 각각의 평균 및 표준편차, 제3-1 샘플들 각각의 평균 및 표준편차, 제3-2 샘플들 각각의 평균 및 표준편차로 입력 데이터를 구성한다(410단계).

그리고 탑승자 유무 추정부(40)는 입력 데이터를 신경망 모델(50)에 입력하여 신경망 모델(50)의 출력으로부터 탑승자 유무를 추정한다(420단계).

도 6은 본 발명의 추가적인 실시예에 따른 차량 내 탑승자 감지 장치의 블록도를 나타낸다.

본 실시예에 따른 차량 내 탑승자 감지 장치는 도 1의 실시예와 비교하면 모드 선택부(60) 및 모델 학습부(70)를 더 포함한다.

모드 선택부(60)는 '탑승자 감지 모드' 또는 '학습 모드'를 설정한다. 탑승자 감지 모드는 앞서 설명한 바와 같이 차량이 잠금 상태이거나 운전자가 하차한 이후에 설정될 수 있다. 탑승자 감지 모드에서는 앞서 설명한 바와 같이 탑승자 유무 추정부(40)가 UWB 노드들을 통해 얻어지는 입력 데이터를 학습된 신경망 모델(50)에 입력하여 신경망 모델(50)의 출력으로부터 탑승자 유무를 추정한다.

학습 모드는 사전에 학습된 신경망 모델(50)의 정확도를 향상시키기 위해 차량에 기 장착된 센서를 통해 얻어진 탑승자 유무 감지 결과를 이용하여 신경망 모델(50)을 업데이트하는 모드이다. 차량 제작 과정에서의 신경망 모델(50) 학습은 대상 차량에 대해 차폐 또는 제한된 실험 환경에서 수집한 입력 데이터 및 해당 레이블(재실/부재)로 구성된 학습 데이터를 이용하므로, 이렇게 학습된 신경망 모델(50)은 정확도가 떨어질 수 있고 실제 사용자의 특성이 반영되지 못한다. 따라서 학습 모드에서 사용자가 실제 차량을 사용하면서 수집되는 입력 데이터와 해당 레이블로 학습 데이터를 구성하여 신경망 모델(50)을 학습시킬 수 있다. 학습 모드는 차량이 운행 중인 경우 또는 사용자의 선택에 따라 설정될 수 있다.

학습 모드에서 역시 도 3a 내지 3c의 과정을 통해 입력 데이터가 생성된다. 한편 모델 학습부(70)는 차량에 기 장착된 센서로부터 탑승자 유무를 확인한다. 예컨대 차량에는 통상적으로 착좌 센서, 안전벨트 센서, 초음파 센서, 또는 도어 래치 센서 등 탑승자를 감지할 수 있는 센서가 있으므로 이러한 센서를 통해 탑승자 유무가 확인될 수 있다. 모델 학습부(70)는 도 3a 내지 3c의 과정을 통해 생성된 입력 데이터를 입력으로 하고, 해당 입력 데이터의 생성 시에 센서로부터 확인되는 탑승자 유무를 해당 입력 데이터의 레이블로 하여 신경망 모델(50)을 학습시켜 업데이트할 수 있다. 실시예에 따라, 모델 학습부(70)는 사용자 개입을 통한 모델 검증을 거친 다음 신경망 모델(50)을 업데이트할 수도 있다.

본 발명의 실시예에 의하면, 추가적인 센서 등 별도의 인프라 구축 없이 차량 내에 설치된 UWB 노드를 이용하여 차량 내 탑승자 유무를 효과적으로 감지할 수 있다. 또한, UWB 노드의 채널 임펄스 응답으로부터 획득된 샘플들의 평균 및 표준편차를 입력 데이터로 활용하므로, 입력 데이터의 크기를 절감하면서 채널 임펄스 응답의 형태 및 시간에 따른 변화의 특징을 신경망 모델에 반영할 수 있다. 또한, 학습 모드에서 실제 차량을 사용하면서 수집되는 입력 데이터와 해당 레이블로 학습 데이터를 구성하여 신경망 모델을 학습시킴으로써, 실제 사용자의 특성이 반영되고 신경망 모델의 정확도가 향상될 수 있다.

본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

(a) 차량 내에 설치되는 복수 개의 UWB 노드들 중 제1 UWB 노드가 UWB 펄스를 송신하는 단계;
(b1) 상기 복수 개의 UWB 노드들 중 적어도 하나의 다른 노드가 상기 UWB 펄스에 대한 제1 채널 임펄스 응답을 측정하는 단계;
(b2) 상기 적어도 하나의 다른 노드가 상기 제1 채널 임펄스 응답으로부터 일련의 복수 개의 샘플들을 획득하는 단계; 및
(c) 상기 제1 채널 임펄스 응답으로부터의 상기 복수 개의 샘플들로부터 생성되는 입력 데이터를 입력으로 하고 차량 내 탑승자 유무를 출력으로 하는 학습된 신경망 모델을 이용하여 차량 내 탑승자 유무를 추정하는 단계를 포함하고,
상기 (a) 내지 (b2) 단계는 시간에 따라 반복 수행되고,
상기 반복 수행에 대한 상기 복수 개의 샘플들 각각의 평균 및 표준편차를 계산하는 단계를 더 포함하고,
상기 입력 데이터는 상기 복수 개의 샘플들 각각의 평균 및 표준편차를 포함하는,
차량 내 탑승자 감지 방법.
삭제
삭제
제1항에 있어서,
상기 복수 개의 UWB 노드들 중 제2 UWB 노드가 UWB 펄스를 송신하는 단계; 및
상기 복수 개의 UWB 노드들 중 적어도 하나의 다른 노드가 상기 UWB 펄스에 대한 제2 채널 임펄스 응답을 측정하는 단계를 더 포함하고,
상기 입력 데이터는 상기 제1 채널 임펄스 응답 및 상기 제2 채널 임펄스 응답으로부터 생성되는,
차량 내 탑승자 감지 방법.
제1항에 있어서,
탑승자 감지 모드에서 상기 (a) 내지 (c) 단계를 통해 차량 내 탑승자 유무가 추정되고,
학습 모드에서 수행되는 단계들로서,
상기 (a), (b1) 및 (b2) 단계를 수행하는 단계;
상기 차량에 장착된 센서로부터 탑승자 유무를 확인하는 단계; 및
상기 (a), (b1) 및 (b2) 단계를 통해 측정된 상기 제1 채널 임펄스 응답으로부터 생성되는 입력 데이터 및 상기 차량에 장착된 센서로부터 확인된 탑승자 유무를 이용하여 상기 신경망 모델을 학습시키는 단계를 더 포함하는,
차량 내 탑승자 감지 방법.
제5항에 있어서,
상기 센서는 착좌 센서, 안전벨트 센서, 초음파 센서, 또는 도어 래치 센서를 포함하는,
차량 내 탑승자 감지 방법.
제1항에 있어서,
상기 복수 개의 UWB 노드들은 디지털 키 기능을 위해 설치된 UWB 노드들인,
차량 내 탑승자 감지 방법.
차량 내에 설치되는 복수 개의 UWB 노드들로서, 상기 복수 개의 UWB 노드들 중 제1 UWB 노드가 UWB 펄스를 송신하면 상기 복수 개의 UWB 노드들 중 적어도 하나의 다른 노드가 상기 UWB 펄스에 대한 제1 채널 임펄스 응답을 측정하는, 복수 개의 UWB 노드들; 및
상기 제1 채널 임펄스 응답으로부터 생성되는 입력 데이터를 입력으로 하고 차량 내 탑승자 유무를 출력으로 하는 학습된 신경망 모델을 이용하여 차량 내 탑승자 유무를 추정하는 탑승자 유무 추정부를 포함하고,
상기 적어도 하나의 다른 노드는 상기 제1 채널 임펄스 응답으로부터 일련의 복수 개의 샘플들을 획득하고,
상기 입력 데이터는 상기 복수 개의 샘플들로부터 생성되며,
상기 복수 개의 UWB 노드들 중 제1 UWB 노드가 UWB 펄스를 송신하면 상기 복수 개의 UWB 노드들 중 적어도 하나의 다른 노드가 상기 UWB 펄스에 대한 제1 채널 임펄스 응답을 측정하는 동작은 시간에 따라 반복 수행되고,
상기 반복 수행에 대한 상기 복수 개의 샘플들 각각의 평균 및 표준편차를 계산하는 연산부를 더 포함하고,
상기 입력 데이터는 상기 복수 개의 샘플들 각각의 평균 및 표준편차를 포함하는,
차량 내 탑승자 감지 장치.
삭제
삭제
제8항에 있어서,
상기 복수 개의 UWB 노드들 중 제2 UWB 노드가 UWB 펄스를 송신하면 상기 복수 개의 UWB 노드들 중 적어도 하나의 다른 노드가 상기 UWB 펄스에 대한 제2 채널 임펄스 응답을 측정하고,
상기 입력 데이터는 상기 제1 채널 임펄스 응답 및 상기 제2 채널 임펄스 응답으로부터 생성되는,
차량 내 탑승자 감지 장치.
제8항에 있어서,
탑승자 감지 모드에서 상기 탑승자 유무 추정부는 상기 학습된 신경망 모델을 이용하여 차량 내 탑승자 유무를 추정하고,
학습 모드에서 상기 제1 UWB 노드 및 상기 적어도 하나의 다른 노드에 의해 상기 제1 채널 임펄스 응답이 측정될 때, 상기 차량에 장착된 센서로부터 탑승자 유무를 확인하고, 상기 측정된 상기 제1 채널 임펄스 응답으로부터 생성되는 입력 데이터 및 상기 차량에 장착된 센서로부터 확인된 탑승자 유무를 이용하여 상기 신경망 모델을 학습시키는 모델 학습부를 더 포함하는,
차량 내 탑승자 감지 장치.
제12항에 있어서,
상기 센서는 착좌 센서, 안전벨트 센서, 초음파 센서, 또는 도어 래치 센서를 포함하는,
차량 내 탑승자 감지 장치.
제8항에 있어서,
상기 복수 개의 UWB 노드들은 디지털 키 기능을 위해 설치된 UWB 노드들인,
차량 내 탑승자 감지 장치.